CN104007217A - 筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 - Google Patents
筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 Download PDFInfo
- Publication number
- CN104007217A CN104007217A CN201410234545.9A CN201410234545A CN104007217A CN 104007217 A CN104007217 A CN 104007217A CN 201410234545 A CN201410234545 A CN 201410234545A CN 104007217 A CN104007217 A CN 104007217A
- Authority
- CN
- China
- Prior art keywords
- protein
- chip
- serum
- thyroid cancer
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法包括以下步骤:血清样品的收集、处理、保存及与蛋白质芯片的结合,收集甲状腺癌患者和健康者的血清样本,预处理,并与CM10芯片结合;仪器校正及数据的采集:采用PBSⅡ型蛋白质芯片阅读仪检测芯片,采用ProteinchipSoftware3.2.1分析软件自动采集数据;生物信息学统计分析,得到筛选甲状腺癌血清早期诊断的特异性蛋白质标记物并构建诊断模型;筛选甲状腺癌血清蛋白质指纹图谱诊断模型包括血清蛋白质质谱中质核比(M/Z)2050.69、2940.50、3942.92、5345.54、6918.33的5个蛋白质峰。本发明为甲状腺癌早期诊断和定性诊断水平提供了特异性标志物,为发现肿瘤标志物提供了基础。
Description
技术领域
本发明属于蛋白质组学检测技术领域,尤其涉及一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法。
背景技术
甲状腺癌如今已成为常见的恶性肿瘤之一,约占全身恶性肿瘤的1%~4%,并且甲状腺癌占头颈部恶性肿瘤发病率的首位。我国甲状腺癌的临床发病率近年明显上升,且有年轻化趋势,是近年备受关注的肿瘤之一。手术是各型甲状腺癌的基本治疗方法,早期予以手术治疗预后较好,因此,甲状腺癌的早期诊断对患者来说具有重要的意义。而目前临床甲状腺癌术前诊断主要依靠B超、CT、MRI、核素扫描、细针穿刺细胞学检查等,但当前诊断技术尚无法满足临床上无创、特异性早期诊断甲状腺癌的要求。因此,需要新的特异性检测指标来进一步提高甲状腺癌的早期诊断水平。
发明内容
本发明实施例的目的在于提供一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法,旨在解决现有的甲状腺癌诊断方法对提高诊断准确率提高有限,无法满足临床要求的问题。
本发明实施例是这样实现的,一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法包括以下步骤:
步骤一,血清样品的收集、处理、保存及与蛋白质芯片的结合,收集甲状腺癌患者和健康者的血清样本,预处理,并与CM10芯片结合;
步骤二,仪器校正及数据的采集:采用PBS Ⅱ型蛋白质芯片阅读仪检测芯片,采用Proteinchip Software3.2.1分析软件自动采集数据;
步骤三,生物信息学统计分析,从而得到筛选甲状腺癌血清早期诊断的特异性蛋白质标记物并构建诊断模型;
生物信息学统计分析的具体步骤为:
第一步,所有原始数据先用Proteinchip Software3.2.1做校正,使总离子强度及分子量达到均一;
第二步,对位于2000Da~20000Da的质荷比峰值用Biomarker Wizard3.1软件过滤噪音,设置初始的噪音过滤值为5,二次信噪比为2,允许同一蛋白质峰在不同样本中的偏差小于0.3%,以10%为最小阈值进行聚类,得到所有样本的质谱数据在2000Da~20000Da的蛋白质峰;
第三步,得到初步筛选结果后,由Biomarker Wizard3.1软件对初步筛选出来的蛋白质谱峰M/Z峰强度做用秩和检验,由Biomarker Wizard3.1软件自动完成,各组数据用士s表示,应用P值评价每一个蛋白质峰的相对重要性,P值越小说明这个蛋白质峰对区分两类样本越重要;
第四步,将Biomarker Wizard3.1软件处理后的差异蛋白质峰导入BiomakerPattern Software5.0.2软件中,采用决策树分类算法对两组间相同质荷比的差异蛋白质峰做分类分析,建立决策树模型;
第五步,进一步优化试验参数确定最佳的分类模型,即诊断模型;
第六步,导出统计结果和图片。
进一步,在步骤二中,在每次采集数据使用ALL-In-One标准蛋白质芯片校正质谱仪,使分子量检测误差小于0.1%,蛋白质芯片阅读仪设置激光强度为220,灵敏度为9,收集数据的质荷比范围为2000M/Z~20000M/Z,优化范围为2000M/Z~15000M/Z,信号收集位置从20~80,收集总点数为140次,计算机以1x109Hz的速度从所获得的原始数据快速精确的绘制出蛋白指纹图谱,纵坐标为峰强度,横坐标为蛋白质质荷比。
进一步原始数据蛋白质指纹图谱由检测者的多个特异性蛋白质的质荷比和峰强度绘制而成。
进一步,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法包括:
第一步,收集甲状腺癌患者和健康者的血清样本,甲状腺癌组40例,女34例,男6例,平均年龄41.82±10.26岁,健康对照组30例,女25例,男5例,平均年龄40.10±9.15岁;
第二步,血清标本的采集、处理和保存:
采集病人治疗前及健康者清晨空腹静脉血2ml~5ml,半小时内放入4℃冰箱静置1h后,4℃4000转离心5分钟,取上清加入EP管,再次6000转离心5分钟,EP管分装,10ul~100ul每管,放入-80℃密闭保存,期间所有操作均在4℃以下操作进行,所有样本保证只冻融一次;
第三步,具体实验步骤:
芯片的预处理;
1)小心的取出CM10芯片,在芯片背后标记时间,芯片种类,操作者的姓名资料,记下芯片号;
2)将芯片装入生物芯片处理器,在组装生物芯片处理器时,注意不要触碰加样孔,同时要将芯片上带有A的一头放在外端,注意密封;
3)每孔加入200ul结合缓冲液50mM NaAC,pH=4.0,室温下置摇床上600rpm震荡5分钟,甩掉缓冲液,重复上述操作一次,芯片上每个点的表面要保持湿润,加缓冲液后要观察芯片有无气泡,如有气泡用取液器吹去,枪头不得接触芯片上各点的表面;
血清的预处理
1)-80℃冰箱中取出血清样品,置冰盒上融解;
2)以10000rpm,4℃离心5分钟;
3)将5ul血清用2倍体积U9缓冲液10ul稀释,稀释时注意不要用取液器反复吹吸,避免产生大量气泡,将样品冰浴上振荡30分钟或每隔5分钟用手指轻弹混匀一次,将样品充分混匀;
4)用缓冲液50mM NaAC,PH=4.0将U9处理过的血清样品稀释到200ul,使得血清的总稀释倍数达到40倍,摇床上600rpm混匀2分钟,避免气泡产生;
蛋白与芯片的结合
1)排枪在芯片处理器每孔中加入100ul处理好的样品,置振荡器400转/分~600转/分,4℃震荡1小时,使血清与芯片充分结合,甩掉,拍干;
2)每孔加入200ul的结合缓冲液50mM NaAc,pH4.0,置振荡器400转/分~600转/分,室温下震荡5分钟,甩去孔中液体,再次加入结合缓冲液200ul,重复操作一次;
3)每孔加入200ul HPLC水,立刻甩出,拍干,拆开芯片处理器,取出芯片,自然干燥;
4)点能量吸收分子
待芯片自然干燥后,在每个加样孔上加半饱和SPA溶液0.5ul,待干后重复点加一次,自然干燥,上机检测;
第四步,仪器校正及数据的采集:采用PBS Ⅱ型蛋白质芯片阅读仪检测芯片,在每次采集数据使用ALL-In-One标准蛋白质芯片校正质谱仪,使分子量检测误差小于0.1%,蛋白质芯片阅读仪设置激光强度为220,灵敏度为9,收集数据的质荷比范围为2000M/Z~20000M/Z,优化范围为2000M/Z~15000M/Z,信号收集位置从20~80,收集总点数为140次,采用Proteinchip Software3.2.1分析软件自动采集数据,计算机以1x109Hz的速度从所获得的原始数据快速精确的绘制出蛋白指纹图谱,纵坐标为峰强度,横坐标为蛋白质质荷比;
第五步,生物信息学统计分析
步骤一,所有原始数据先用Proteinchip Software3.2.1做校正,使总离子强度及分子量达到均一;
步骤二,对位于2000Da~20000Da的质荷比峰值用Biomarker Wizard3.1软件过滤噪音,设置初始的噪音过滤值为5,二次信噪比为2,允许同一蛋白质峰在不同样本中的偏差小于0.3%,以10%为最小阈值进行聚类,得到所有样本的质谱数据在2000Da~20000Da的蛋白质峰;
步骤三,得到初步筛选结果后,由Biomarker Wizard3.1软件对初步筛选出来的蛋白质谱峰M/Z峰强度做用秩和检验,由Biomarker Wizard3.1软件自动完成,各组数据用士s表示,应用P值评价每一个蛋白质峰的相对重要性,P值越小说明这个蛋白质峰对区分两类样本越重要;
步骤四,将Biomarker Wizard3.1软件处理后的差异蛋白质峰导入BiomakerPattern Software5.0.2软件中,采用决策树分类算法对两组间相同质荷比的差异蛋白质峰做分类分析,建立决策树模型;
步骤五,进一步优化试验参数确定最佳的分类模型,即诊断模型;
步骤六,导出统计结果和图片。
本发明实施例的另一目的在于提供一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型为通过甲状腺癌组和健康对照组的血清差异蛋白比较,由血清蛋白质质谱中质核比(M/Z)2050.69、2940.50、3942.92、5345.54、6918.33的5个蛋白质峰组成。
进一步,蛋白质质荷比和峰强度由表面增强激光解吸电离飞行时间质谱仪及分析系统检测得到,蛋白质决策树分类诊断模型由生物标志物向导软件和分析软件检测分析得。
本发明提供的筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法,通过甲状腺癌组和健康对照组的血清差异蛋白比较,由血清蛋白质质谱中质核比(M/Z)2050.69、2940.50、3942.92、5345.54、6918.33的5个蛋白质峰用于构建该决策树分类诊断模型;采用生物学信息分析,建立诊断模型,方法,设计合理可行,且操作简便,可批量处理,特异性强、敏感性高。本发明的诊断模型为甲状腺癌早期诊断和定性诊断水平提供了特异性的标志物,为进一步发现肿瘤标志物提供了基础。
附图说明
图1是本发明实施例提供的筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法流程图;
图2是本发明实施例提供的甲状腺癌组和健康对照组血清蛋白质指纹图谱诊断模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型,通过甲状腺癌组和健康对照组的血清差异蛋白比较,由血清蛋白质质谱中质核比(M/Z)2050.69、2940.50、3942.92、5345.54、6918.33的5个蛋白质峰组成。
如图1所示,本发明实施例的筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法包括以下步骤:
S101:血清样品的收集、处理、保存及与蛋白质芯片的结合,收集甲状腺癌患者和健康者的血清样本,预处理,并与CM10芯片结合;
S102:仪器校正及数据的采集:采用PBS Ⅱ型蛋白质芯片阅读仪检测芯片,采用Proteinchip Software3.2.1分析软件自动采集数据;
S103:生物信息学统计分析,从而得到筛选甲状腺癌血清早期诊断的特异性蛋白质标记物并构建诊断模型。
在步骤S102中,在每次采集数据使用ALL-In-One标准蛋白质芯片校正质谱仪,使分子量检测误差<0.1%,蛋白质芯片阅读仪设置激光强度为220,灵敏度为9,收集数据的质荷比范围为2000M/Z~20000M/Z,优化范围为2000M/Z~15000M/Z,信号收集位置从20~80,收集总点数为140次,计算机以1x109Hz的速度从所获得的原始数据快速精确的绘制出蛋白指纹图谱,纵坐标为峰强度,横坐标为蛋白质质荷比。
在步骤S103中,生物信息学统计分析的具体步骤为:
第一步,所有原始数据先用Proteinchip Software3.2.1做校正,使总离子强度及分子量达到均一;
第二步,对位于2000Da~20000Da的质荷比峰值用Biomarker Wizard3.1软件过滤噪音,设置初始的噪音过滤值为5,二次信噪比为2,允许同一蛋白质峰在不同样本中的偏差<0.3%,以10%为最小阈值进行聚类,得到所有样本的质谱数据在2000Da~20000Da的蛋白质峰;
第三步,得到初步筛选结果后,由Biomarker Wizard3.1软件对初步筛选出来的蛋白质谱峰M/Z峰强度做用秩和检验,由Biomarker Wizard3.1软件自动完成,各组数据用士s表示,应用P值评价每一个蛋白质峰的相对重要性,P值越小说明这个蛋白质峰对区分两类样本越重要;
第四步,将Biomarker Wizard3.1软件处理后的差异蛋白质峰导入BiomakerPattern Software5.0.2软件中,采用决策树分类算法对两组间相同质荷比的差异蛋白质峰做分类分析,建立决策树模型;
第五步,进一步优化试验参数等确定最佳的分类模型,即诊断模型;
第六步,导出统计结果和图片。
结合本发明的具体实施例对本发明做进一步的说明:
第一步,收集甲状腺癌患者和健康者的血清样本,甲状腺癌组40例,女34例,男6例,平均年龄41.82±10.26岁,健康对照组30例,女25例,男5例,平均年龄40.10±9.15岁;
第二步,血清标本的采集、处理和保存:
采集病人治疗前及健康者清晨空腹静脉血2ml~5ml,半小时内放入4℃冰箱静置1h后,4℃4000转离心5分钟,取上清加入EP管,再次6000转离心5分钟,EP管分装,10ul~100ul每管,放入-80℃密闭保存,期间所有操作均在4℃以下操作进行,所有样本保证只冻融一次;
第三步,具体实验步骤:
A:芯片的预处理
1)小心的取出CM10芯片,在芯片背后标记时间,芯片种类,操作者的姓名等资料,记下芯片号;
2)将芯片装入生物芯片处理器(Bio-processor),在组装生物芯片处理器时,注意不要触碰加样孔,同时要将芯片上带有”A”的一头放在外端,注意密封;
3)每孔加入200ul结合缓冲液(50mM NaAC,pH=4.0),室温下置摇床上600rpm震荡5分钟,甩掉缓冲液,重复上述操作一次,(以上操作要注意芯片上每个点的表面要保持湿润,加缓冲液后要观察芯片有无气泡,如有气泡用取液器吹去,枪头不得接触芯片上各点的表面);
B:血清的预处理
5)-80℃冰箱中取出血清样品,置冰盒上融解;
6)以10000rpm,4℃离心5分钟;
7)将5ul血清用2倍体积U9缓冲液10ul稀释,稀释时注意不要用取液器反复吹吸,避免产生大量气泡,将以上样品冰浴上振荡30分钟(或每隔5分钟用手指轻弹混匀一次),将样品充分混匀;
8)用缓冲液(50mM NaAC,PH=4.0)将U9处理过的血清样品稀释到200ul,使得血清的总稀释倍数达到约40倍,摇床上600rpm混匀2分钟,避免气泡产生,
C:蛋白与芯片的结合
4)排枪在芯片处理器每孔中加入100ul处理好的样品,置振荡器400转/分~600转/分,4℃震荡1小时,使血清与芯片充分结合,甩掉,拍干;
5)每孔加入200ul的结合缓冲液(50mM NaAc,pH4.0),置振荡器400转/分~600转/分,室温下震荡5分钟,甩去孔中液体(注意不要甩的太干),再次加入结合缓冲液200ul,重复操作一次;
6)每孔加入200ulHPLC水,立刻甩出,拍干,拆开芯片处理器,取出芯片,自然干燥;
4)点能量吸收分子
待芯片自然干燥后,在每个加样孔上加半饱和SPA溶液0.5ul,待干后重复点加一次,自然干燥,上机检测;
第四步,仪器校正及数据的采集:采用PBS Ⅱ型蛋白质芯片阅读仪检测芯片(SELDI-TOF-MS),在每次采集数据使用ALL-In-One标准蛋白质芯片校正质谱仪,使分子量检测误差<0.1%,蛋白质芯片阅读仪设置激光强度为220,灵敏度为9,收集数据的质荷比范围为2000M/Z~20000M/Z,优化范围为2000M/Z~15000M/Z,信号收集位置从20~80,收集总点数为140次,采用ProteinchipSoftware3.2.1分析软件自动采集数据,计算机以1x109Hz的速度从所获得的原始数据快速精确的绘制出蛋白指纹图谱,纵坐标为峰强度(蛋白质相对含量),横坐标为蛋白质质荷比;
第五步,生物信息学统计分析
步骤一,所有原始数据先用Proteinchip Software3.2.1做校正,使总离子强度及分子量达到均一;
步骤二,对位于2000Da~20000Da的质荷比峰值用Biomarker Wizard3.1软件过滤噪音,设置初始的噪音过滤值为5,二次信噪比为2,允许同一蛋白质峰在不同样本中的偏差<0.3%,以10%为最小阈值进行聚类,得到所有样本的质谱数据在2000Da~20000Da的蛋白质峰;
步骤三,得到初步筛选结果后,由Biomarker Wizard3.1软件对初步筛选出来的蛋白质谱峰M/Z峰强度做用秩和检验,由Biomarker Wizard3.1软件自动完成,各组数据用士s表示,应用P值评价每一个蛋白质峰的相对重要性,P值越小说明这个蛋白质峰对区分两类样本越重要;
步骤四,将Biomarker Wizard3.1软件处理后的差异蛋白质峰导入BiomakerPattern Software5.0.2软件中,采用决策树分类算法对两组间相同质荷比的差异蛋白质峰做分类分析,建立决策树模型;
步骤五,进一步优化试验参数等确定最佳的分类模型,即诊断模型;
步骤六,导出统计结果和图片。
结合以下实施例的结果和分析对本发明的使用效果做补充说明:
结果:甲状腺癌组和健康对照组的血清差异蛋白质峰的筛选比较及诊断模型的建立
1、差异蛋白质峰的初步筛选及比较
通过SELDI蛋白指纹图谱仪对40例甲状腺癌患者和30例健康者的血清样品进行数据采集,用Biomarker Wizard进行初步统计分析后,在2000Da~20000Da范围内共得到121个蛋白质峰,大部分蛋白质峰集中在2000Da~10000Da(表1和表2),其中18个蛋白质峰在两组之间表达有显著性差异(P<0.01),13个蛋白质峰在甲状腺癌组中表达量明显升高,5个蛋白质峰表达量降低,具体见表1;
表1甲状腺癌组和健康对照组的血清蛋白质峰表达量的比较(士s)
2、该诊断模型的建立
经Biomarker Pattern Software软件对Biomarker Wizard软件获得的数据进行分析处理,选择差异蛋白质峰建立决策树模型,采用决策树分类分析法,BPS判别分析选出M/Z为2050.69、2940.50、3942.92、5345.54、6918.33的5个蛋白质峰构建血清差异蛋白决策树分类诊断模型,其中M/Z2940.50、3942.92、5345.54、6918.33在甲状腺癌组中表达显著增高,M/Z2050.69表达显著降低,具体见表1,甲状腺癌组和健康对照组血清差异蛋白决策树分类诊断模型,具体见图2;
3、该诊断模型的验证及诊断价值
评价诊断模型的诊断价值常用指标有灵敏度、特异度、Youden指数等,见诊断2×2四格表,见表2。
表2诊断试验资料的2×2四格表
1)灵敏度:实际患病且被诊断为阳性的概率就是灵敏度(sensitivity,Sen),也称真阳性率,即Sen=TP/(TP+FN),该指标只与病例组有关,反映了诊断试验检出病例的能力。
2)特异度:实际未患病且被诊断为阴性的概率就是特异度(specificity,Spe),也称真阴性率,即Spe=TN/(FP+TN),该指标只与对照组有关,反映了诊断试验排除非病例的能力。
3)阳性预测值:试验阳性的病例中真阳性的比例就是阳性预测值(positivepredictive value,+PV),即+PV=TP/(TP+FP)。
4)阴性预测值:试验阴性的病例中真阴性的比例就是阴性预测值(negativepredictive value,-PV),即-PV=TN/(TN+FN)。
5)Youdenz指数:真阳性率与假阳性率之差就是Youden指数(Youden’index,J),即灵敏度与特异度之和减去1,J=Sen+Spe-1。Youden指数的取值范围在(-1,+1)之间,其值越接近+1,诊断准确性越好。
6)ROC曲线:受试者工作特征(Receiver Operating Characteristic)或相对工作特征(Relative Operating Character)曲线简称ROC曲线。ROC曲线的构建是以假阳性率即(1-特异度)为横轴,真阳性率即灵敏度为纵轴,横轴与纵轴长度相等,形成正方形,此构图法可揭示灵敏度和特异度的相互关系,是反映灵敏度和特异度连续变量的综合指标,可反映诊断试验的准确性大小,ROC曲线下面积越大,其诊断价值就越高。
该诊断模型训练组40例甲状腺癌有39例被准确确诊断,30例健康人中有29例被准确诊断,该模型训练组判别总准确率97.1%(68/70),灵敏度97.5%(39/40),特异度96.7%(29/30),阳性预测值97.5%(39/40),阴性预测值96.7%(29/30),Youden指数0.942,交叉验证(测试组)总准确率为81.4%(57/70),灵敏度为80.0%(32/40),特异度为83.3%(25/30),阳性预测值86.5%(32/37),阴性预测值75.8%(25/33),Youden指数为0.633,进一步计算该模型的ROC曲线下面积为0.997,提示该模型可能具有较高的诊断价值,具体见表3。
表3甲状腺癌病人与健康对照者的血清差异蛋白分类树模型交叉验证结果
实施例1鉴别甲状腺癌和健康人
收集检测者的血清和准备血清,按照上述步骤得到其血清蛋白指纹图谱,甲状腺癌患者和正常人鉴别的蛋白质指纹图谱,由软件已建立的决策树诊断模型进行决策判别分析诊断,且其中有M/Z2940.50、3942.92、5345.54、6918.33表达(峰值)显著增高,M/Z2050.69(峰值)表达显著降低,诊断为甲状腺癌患者。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法,其特征在于,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法包括以下步骤:
步骤一,血清样品的收集、处理、保存及与蛋白质芯片的结合,收集甲状腺癌患者和健康者的血清样本,预处理,并与CM10芯片结合;
步骤二,仪器校正及数据的采集:采用PBSⅡ型蛋白质芯片阅读仪检测芯片,采用Proteinchip Software3.2.1分析软件自动采集数据;
步骤三,生物信息学统计分析,从而得到筛选甲状腺癌血清早期诊断的特异性蛋白质标记物并构建诊断模型;
生物信息学统计分析的具体步骤为:
第一步,所有原始数据先用Proteinchip Software3.2.1做校正,使总离子强度及分子量达到均一;
第二步,对位于2000Da~20000Da的质荷比峰值用Biomarker Wizard3.1软件过滤噪音,设置初始的噪音过滤值为5,二次信噪比为2,允许同一蛋白质峰在不同样本中的偏差小于0.3%,以10%为最小阈值进行聚类,得到所有样本的质谱数据在2000Da~20000Da的蛋白质峰;
第三步,得到初步筛选结果后,由Biomarker Wizard3.1软件对初步筛选出来的蛋白质谱峰M/Z峰强度做用秩和检验,由Biomarker Wizard3.1软件自动完成,各组数据用士s表示,应用P值评价每一个蛋白质峰的相对重要性,P值越小说明这个蛋白质峰对区分两类样本越重要;
第四步,将Biomarker Wizard3.1软件处理后的差异蛋白质峰导入BiomakerPattern Software5.0.2软件中,采用决策树分类算法对两组间相同质荷比的差异蛋白质峰做分类分析,建立决策树模型;
第五步,进一步优化试验参数确定最佳的分类模型,即诊断模型;
第六步,导出统计结果和图片。
2.如权利要求1所述的筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法,其特征在于,在步骤二中,在每次采集数据使用ALL-In-One标准蛋白质芯片校正质谱仪,使分子量检测误差小于0.1%,蛋白质芯片阅读仪设置激光强度为220,灵敏度为9,收集数据的质荷比范围为2000M/Z~20000M/Z,优化范围为2000M/Z~15000M/Z,信号收集位置从20~80,收集总点数为140次,计算机以1x109Hz的速度从所获得的原始数据快速精确的绘制出蛋白指纹图谱,纵坐标为峰强度,横坐标为蛋白质质荷比。
3.如权利要求2所述的筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法,其特征在于,原始数据蛋白质指纹图谱由检测者的多个特异性蛋白质的质荷比和峰强度绘制而成。
4.如权利要求1所述的筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法,其特征在于,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型的构建方法包括:
第一步,收集甲状腺癌患者和健康者的血清样本,甲状腺癌组40例,女34例,男6例,平均年龄41.82±10.26岁,健康对照组30例,女25例,男5例,平均年龄40.10±9.15岁;
第二步,血清标本的采集、处理和保存:
采集病人治疗前及健康者清晨空腹静脉血2ml~5ml,半小时内放入4℃冰箱静置1h后,4℃4000转离心5分钟,取上清加入EP管,再次6000转离心5分钟,EP管分装,10ul~100ul每管,放入-80℃密闭保存,期间所有操作均在4℃以下操作进行,所有样本保证只冻融一次;
第三步,具体实验步骤:
芯片的预处理;
1)小心的取出CM10芯片,在芯片背后标记时间,芯片种类,操作者的姓名资料,记下芯片号;
2)将芯片装入生物芯片处理器,在组装生物芯片处理器时,注意不要触碰加样孔,同时要将芯片上带有A的一头放在外端,注意密封;
3)每孔加入200ul结合缓冲液50mM NaAC,pH=4.0,室温下置摇床上600rpm震荡5分钟,甩掉缓冲液,重复上述操作一次,芯片上每个点的表面要保持湿润,加缓冲液后要观察芯片有无气泡,如有气泡用取液器吹去,枪头不得接触芯片上各点的表面;
血清的预处理
1)-80℃冰箱中取出血清样品,置冰盒上融解;
2)以10000rpm,4℃离心5分钟;
3)将5ul血清用2倍体积U9缓冲液10ul稀释,稀释时注意不要用取液器反复吹吸,避免产生大量气泡,将样品冰浴上振荡30分钟或每隔5分钟用手指轻弹混匀一次,将样品充分混匀;
4)用缓冲液50mM NaAC,PH=4.0将U9处理过的血清样品稀释到200ul,使得血清的总稀释倍数达到40倍,摇床上600rpm混匀2分钟,避免气泡产生;
蛋白与芯片的结合
1)排枪在芯片处理器每孔中加入100ul处理好的样品,置振荡器400转/分~600转/分,4℃震荡1小时,使血清与芯片充分结合,甩掉,拍干;
2)每孔加入200ul的结合缓冲液50mM NaAc,pH4.0,置振荡器400转/分~600转/分,室温下震荡5分钟,甩去孔中液体,再次加入结合缓冲液200ul,重复操作一次;
3)每孔加入200ul HPLC水,立刻甩出,拍干,拆开芯片处理器,取出芯片,自然干燥;
4)点能量吸收分子
待芯片自然干燥后,在每个加样孔上加半饱和SPA溶液0.5ul,待干后重复点加一次,自然干燥,上机检测;
第四步,仪器校正及数据的采集:采用PBS Ⅱ型蛋白质芯片阅读仪检测芯片,在每次采集数据使用ALL-In-One标准蛋白质芯片校正质谱仪,使分子量检测误差小于0.1%,蛋白质芯片阅读仪设置激光强度为220,灵敏度为9,收集数据的质荷比范围为2000M/Z~20000M/Z,优化范围为2000M/Z~15000M/Z,信号收集位置从20~80,收集总点数为140次,采用Proteinchip Software3.2.1分析软件自动采集数据,计算机以1x109Hz的速度从所获得的原始数据快速精确的绘制出蛋白指纹图谱,纵坐标为峰强度,横坐标为蛋白质质荷比;
第五步,生物信息学统计分析
步骤一,所有原始数据先用Proteinchip Software3.2.1做校正,使总离子强度及分子量达到均一;
步骤二,对位于2000Da~20000Da的质荷比峰值用Biomarker Wizard3.1软件过滤噪音,设置初始的噪音过滤值为5,二次信噪比为2,允许同一蛋白质峰在不同样本中的偏差小于0.3%,以10%为最小阈值进行聚类,得到所有样本的质谱数据在2000Da~20000Da的蛋白质峰;
步骤三,得到初步筛选结果后,由Biomarker Wizard3.1软件对初步筛选出来的蛋白质谱峰M/Z峰强度做用秩和检验,由Biomarker Wizard3.1软件自动完成,各组数据用士s表示,应用P值评价每一个蛋白质峰的相对重要性,P值越小说明这个蛋白质峰对区分两类样本越重要;
步骤四,将Biomarker Wizard3.1软件处理后的差异蛋白质峰导入BiomakerPattern Software5.0.2软件中,采用决策树分类算法对两组间相同质荷比的差异蛋白质峰做分类分析,建立决策树模型;
步骤五,进一步优化试验参数确定最佳的分类模型,即诊断模型;
步骤六,导出统计结果和图片。
5.一种筛选甲状腺癌血清蛋白质指纹图谱诊断模型,其特征在于,该筛选甲状腺癌血清蛋白质指纹图谱诊断模型为通过甲状腺癌组和健康对照组的血清差异蛋白比较,由血清蛋白质质谱中质核比(M/Z)2050.69、2940.50、3942.92、5345.54、6918.33的5个蛋白质峰组成。
6.如权利要求5所述的筛选甲状腺癌血清蛋白质指纹图谱诊断模型,其特征在于,蛋白质质荷比和峰强度由表面增强激光解吸电离飞行时间质谱仪及分析系统检测得到,蛋白质决策树分类诊断模型由生物标志物向导软件和分析软件检测分析得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410234545.9A CN104007217A (zh) | 2014-05-29 | 2014-05-29 | 筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410234545.9A CN104007217A (zh) | 2014-05-29 | 2014-05-29 | 筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104007217A true CN104007217A (zh) | 2014-08-27 |
Family
ID=51367971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410234545.9A Pending CN104007217A (zh) | 2014-05-29 | 2014-05-29 | 筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104007217A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104713969A (zh) * | 2015-04-01 | 2015-06-17 | 山东省肿瘤医院 | 一种血清代谢组学分析模型 |
US10656059B2 (en) | 2018-03-07 | 2020-05-19 | Alcala Pharmaceutical, Inc. | Method for qualitative and quantitative multiplexing of drug analytes from biological samples |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102128876A (zh) * | 2010-12-22 | 2011-07-20 | 浙江大学 | 筛选胰腺癌的血清蛋白质谱模型及其构建方法 |
US20110256560A1 (en) * | 2008-10-20 | 2011-10-20 | University Health Network | Methods and compositions for the detection of ovarian cancer |
US8426150B2 (en) * | 2009-05-21 | 2013-04-23 | Rongxiu Li | Process for differential polypeptides detection and uses thereof |
-
2014
- 2014-05-29 CN CN201410234545.9A patent/CN104007217A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110256560A1 (en) * | 2008-10-20 | 2011-10-20 | University Health Network | Methods and compositions for the detection of ovarian cancer |
US8426150B2 (en) * | 2009-05-21 | 2013-04-23 | Rongxiu Li | Process for differential polypeptides detection and uses thereof |
CN102128876A (zh) * | 2010-12-22 | 2011-07-20 | 浙江大学 | 筛选胰腺癌的血清蛋白质谱模型及其构建方法 |
Non-Patent Citations (1)
Title |
---|
孙珂焕: "甲状腺癌病证结合血清和唾液蛋白质组诊断模型研究", 《中国优秀硕士学位论文全文数据库,医药卫生科技辑》, no. 5, 15 May 2012 (2012-05-15), pages 072 - 288 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104713969A (zh) * | 2015-04-01 | 2015-06-17 | 山东省肿瘤医院 | 一种血清代谢组学分析模型 |
US10656059B2 (en) | 2018-03-07 | 2020-05-19 | Alcala Pharmaceutical, Inc. | Method for qualitative and quantitative multiplexing of drug analytes from biological samples |
US11054349B2 (en) | 2018-03-07 | 2021-07-06 | Alcala Pharmaceutical, Inc. | Method for preparation of dried blood sample for multiplexing of analytes |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11257209B2 (en) | Cancer risk stratification based on histopathological tissue slide analysis | |
ES2639559T3 (es) | Análisis de imágenes para el pronóstico de cáncer de mama | |
CN109447940A (zh) | 卷积神经网络训练方法、超声图像识别定位方法及系统 | |
CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
JP2014521925A (ja) | 細胞におけるバイオマーカーの発現の積率による解析 | |
ES2804770T3 (es) | Análisis de vasos en imágenes multiplexadas | |
CN103890586A (zh) | 肺癌生物标记及其用途 | |
CN107561280B (zh) | 一种预测乳腺癌复发的试剂盒 | |
CN113215254B (zh) | 可用于评估肺腺癌预后的免疫-临床特征联合预测模型 | |
CN113174439B (zh) | 一种基于免疫基因对评分体系在预测非小细胞肺癌患者免疫治疗效果中的应用 | |
CN104515797A (zh) | 乳腺癌早期诊断的唾液蛋白指纹图谱模型及其构建方法 | |
CN101451975B (zh) | 一种检测胃癌预后与分期血清蛋白质的方法 | |
Zhou et al. | Male breast carcinoma: a clinicopathological and immunohistochemical characterization study | |
CN112946276B (zh) | I期肺腺癌患者术后复发风险预测系统及其应用 | |
CN104007165A (zh) | 筛选甲状腺癌的唾液蛋白质组决策树诊断模型及构建方法 | |
CN104007217A (zh) | 筛选甲状腺癌血清蛋白质指纹图谱诊断模型及其构建方法 | |
CN108646034B (zh) | 细胞群中的稀有细胞判读方法 | |
CN109735619B (zh) | 与非小细胞肺癌预后相关的分子标志物及其应用 | |
Chen et al. | Surgical specimen histology revealed inadequacy of conventional transbronchial needle aspiration sample in the diagnosis of adenosquamous lung carcinoma | |
CN110534202A (zh) | 一种针对Sox10在三阴性乳腺癌中的表达进行分析的系统 | |
CN109085355A (zh) | 血清蛋白标志物组合在肺癌筛查和诊治中的应用 | |
CN105675572B (zh) | 一种肺癌筛查试剂盒 | |
CN109116023A (zh) | 一种肺癌标志物抗-mmp12自身抗体及其应用 | |
CN101470119A (zh) | 弥漫性大b细胞淋巴瘤分子病理分型方法及应用 | |
CN101363838A (zh) | 一种血清肿瘤标志物的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140827 |