CN105738526A - 筛选三阴性乳腺癌特异性血清代谢标志物的方法 - Google Patents

筛选三阴性乳腺癌特异性血清代谢标志物的方法 Download PDF

Info

Publication number
CN105738526A
CN105738526A CN201610137478.8A CN201610137478A CN105738526A CN 105738526 A CN105738526 A CN 105738526A CN 201610137478 A CN201610137478 A CN 201610137478A CN 105738526 A CN105738526 A CN 105738526A
Authority
CN
China
Prior art keywords
value
model
breast cancer
serum
taper hole
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.)
Granted
Application number
CN201610137478.8A
Other languages
English (en)
Other versions
CN105738526B (zh
Inventor
辇伟奇
李丽仙
郑晓东
易琳
张海伟
林昌海
刘兴明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Weipu Pharmaceutical Technology Co.,Ltd.
Original Assignee
Chongqing Tumour Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Tumour Institute filed Critical Chongqing Tumour Institute
Priority to CN201610137478.8A priority Critical patent/CN105738526B/zh
Publication of CN105738526A publication Critical patent/CN105738526A/zh
Application granted granted Critical
Publication of CN105738526B publication Critical patent/CN105738526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/027—Liquid chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2570/00—Omics, e.g. proteomics, glycomics or lipidomics; Methods of analysis focusing on the entire complement of classes of biological molecules or subsets thereof, i.e. focusing on proteomes, glycomes or lipidomes

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种筛选三阴性乳腺癌特异性血清代谢标志物的方法，采用LC/MS仪器分别对实验组A和对照组B的血清样本进行代谢组学分析，对所有样本中物质的峰的响应强度数据进行模型判别分析，分别对实验组A和对照组B进行PCA分析，并在此基础上进行PLS?DA、OPLS?DA的模型构建，从而获得差异性表达代谢物，筛选并鉴定与乳腺癌发生、转移相关的生物标志物：溶血性卵磷脂、鞘磷脂和小分子氨基酸。其结果对于阐明三阴性乳腺癌患者血清特征性代谢物含量变化规律以及代谢物在肿瘤的发生发展过程中的作用具有重要的意义；同时应用此筛选方法可以获得有效的乳腺癌早期诊断靶点，并为建立特异性癌症诊断模型提供数据基础。

Description

筛选三阴性乳腺癌特异性血清代谢标志物的方法
技术领域
本发明涉及一种代谢组学对肿瘤引起机体代谢变化做出整体评价并筛选出有价值的生物标志物的方法，尤其涉及一种筛选三阴性乳腺癌特异性血清代谢标志物的方法。
背景技术
代谢组学(metabolomics)是近年来发展起来的一项技术，用于评估生物样品在受到环境或其他因素刺激下，其中的各种小分子化合物的变化情况。肿瘤的早发现、早治疗及个性化诊疗方案是肿瘤治疗的发展方向，新兴的代谢组学开辟了辅助肿瘤早期诊断、疗效评价及预后判断的新思路。肿瘤的发生、发展伴随着机体代谢产物的变化，代谢组学能对肿瘤引起的机体代谢变化做出整体评价，筛选出有价值的生物标志物，用于肿瘤的早期诊治。
但现有技术中，并没有一种筛选三阴性乳腺癌引起机体代谢变化的生物标志物的方法。
发明内容
针对现有技术中存在的上述不足，本发明提供了一种筛选三阴性乳腺癌特异性血清代谢标志物的方法。
为了解决上述技术问题，本发明采用了如下技术方案：
筛选三阴性乳腺癌特异性血清代谢标志物的方法，该方法包括如下步骤：
(1)选取多个三阴性乳腺癌女性患者血清作为实验组A；选取与实验组A数量相等的正常女性血清作为对照组B；
(2)室温解冻实验组A和对照组B的血清后，分别精准吸取100μL血清样本在不同的1.5mLEP管中，采用甲醇沉淀蛋白，其比例为样品：甲醇＝1:4，涡旋30s，进行4℃，12000rpm离心15min，吸取200μL上清液，转入的进样小瓶中待检测；
(3)将不同血清样本的小瓶分别放置在LC-Q/TOF-MS实验仪器的分析平台上进行色谱分离和质谱检测；
色谱分离条件为：柱温为40℃，流速0.35mL/min；流动相组成：①实验组A为：水+0.1％甲酸；②对照组B为：乙腈+0.1％甲酸；进样量为4μL，自动进样器温度4℃；
质谱条件：①采用正离子模式进行检测条件：以氮气作为雾化、锥孔气；飞行管检测模式V型，毛细管电压4kV、锥孔电压35kV、离子源温度100℃；脱溶剂气温度350℃、反向锥孔气流50L/h、脱溶剂气600L/h、萃取锥孔4V；②负离子模式条件：毛细管电压3.5kV、锥孔电压50kV、离子源温度100℃；脱溶剂气温度300℃、反向锥孔气流50L/h、脱溶剂气700L/h、萃取锥孔4V；离子扫描时间0.03s、扫描时间间隔0.02s、数据采集范围：50-1000m/z；
(4)通过Mass Profiler软件对LC-Q/TOF-MS实验仪器获得的LC/MS数据进行预处理，并在EXCEL 2010软件中进行后期编辑，将最终结果组织为二维数据矩阵，包括变量、观察量和峰强；然后将所有数据归一化到总信号积分；
(5)将编辑后的数据矩阵导入SIMCA-P软件进行主成分分析，获得正模式下的主成分和负模式下的主成分累积R2X值和Q2值，R2X值为模型的解释率，Q2值为模型的预测率；
(6)采用监督性的偏最小二乘方判别分析PLS-DA对两组样本进行分析，其模型质量参数为：正模式下的主成分和负模式下的主成分累积R2X值、R2Y值和Q2值；R2X值为模型的解释率，R2Y值为模型的解释率，Q2值为模型的预测率；
(7)进一步采用监督式方法OPLS-DA进行建模分析，获得正模式下的主成分和负模式下的主成分累积R2X值、R2Y值和Q2值，R2X值为模型的解释率，R2Y值为模型的解释率，Q2值为模型的预测率；
(8)采用OPLS-DA模型的VIP值，并结合t-test的p值来寻找差异性表达代谢物；差异性代谢物的定性方法为：搜索在线数据库，比较质谱的质荷比m/z或者精确分子质量mass；筛选并鉴定与三阴性乳腺癌发生、转移相关的生物标志物为：溶血性卵磷脂、鞘磷脂和小分子氨基酸。
作为本发明的一种优选方案，将编辑后的数据矩阵导入SIMCA-P软件进行主成分分析前，对数据组进行归一化处理。
与现有技术相比，本发明具有如下优点：
1、在利用高通量、高灵敏度、快速的LC-Q/TOF-MS技术，对三阴性乳腺癌患者以及正常人的血清进行代谢组学分析并比对，从而寻找乳腺癌早期诊断的特异性的血清代谢标志物。其结果对于阐明三阴性乳腺癌患者血清特征性代谢物含量变化规律以及代谢物在肿瘤的发生发展过程中的作用具有重要的意义。
2、应用此筛选方法可以获得有效的乳腺癌早期诊断靶点，并为建立特异性癌症诊断模型提供数据基础。
附图说明
图1为实验组A单个样本离子流色谱图(A:pos,B:neg)；
图2为A-B及QC的PCA得分图(pos)；
图3为A-B及QC的PCA得分图(neg)；
图4为A-B两组的PLS-DA得分图(pos)；
图5为图4对应的A-B两组的PLS-DA排序验证图(pos)；
图6为A-B两组的PLS-DA得分图(neg)；
图7为图6对应的A-B两组的PLS-DA排序验证图(neg)；
图8为A-B两组的OPLS-DA得分图(pos)；
图9为A-B两组的OPLS-DA得分图(neg)。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细地描述。
筛选三阴性乳腺癌特异性血清代谢标志物的方法，该方法包括如下步骤：
(1)选取多个三阴性乳腺癌女性患者血清作为实验组A；选取与实验组A数量相等的正常女性血清作为对照组B。本实施例中，分析了31例三阴性乳腺癌女性患者血清，并以31例正常女性血清为对照。
(2)室温解冻实验组A和对照组B的血清后，分别精准吸取100μL血清样本在不同的1.5mLEP管中，采用甲醇沉淀蛋白，其比例为样品：甲醇＝1:4，涡旋30s，进行4℃，12000rpm离心15min，吸取200μL上清液，转入进样小瓶中待检测。甲醇为HPLC级甲醇，购自Merck公司(Dannstadt，Gennany)。
(3)将不同血清样本的小瓶分别放置在LC-Q/TOF-MS(Agilent,1290InfinityLC,6530UHD and Accurate-Mass Q-TOF/MS)实验仪器的分析平台上进行色谱分离和质谱检测；分离色谱柱为C18色谱柱(Agilent,100mm×2.1mm，1.8μm)。
色谱分离条件为：柱温为40℃，流速0.35mL/min；流动相组成：①实验组A为：水+0.1％甲酸；②对照组B为：乙腈+0.1％甲酸；梯度洗脱程序见表1。进样量为4μL，自动进样器温度4℃。甲酸购自CNW公司，水为屈臣氏蒸馏水。
表1.The gradient of mobile phase
质谱条件：①采用正离子模式进行检测条件：以氮气作为雾化、锥孔气；飞行管检测模式V型。正离子模式条件为：毛细管电压(capillary voltage)4kV、锥孔电压(Samplingcone)35kV、离子源温度(Source temperature)100℃；脱溶剂气温度(Desolvationtemperature)350℃、反向锥孔气流(Cone gas flow)50L/h、脱溶剂气(Desolvation gasflow)600L/h、萃取锥孔(Extraction cone)4V。②负离子模式条件：毛细管电压(capillaryvoltage)3.5kV、锥孔电压(Sampling cone)50kV、离子源温度(Source temperature)100℃；脱溶剂气温度(Desolvation temperature)300℃、反向锥孔气流(Cone gas flow)50L/h、脱溶剂气(Desolvation gas flow)700L/h、萃取锥孔(Extraction cone)4V；离子扫描时间(Scan time)0.03s、扫描时间间隔(Inter scan time)0.02s、数据采集范围：50-1000m/z。为确保质量的准确性和重复性，应用亮氨酸-脑啡肽作为锁定质量(Lock mass)，正离子模式下产生[M+H]+离子556.2771Da。负离子模式下产生[M-H]-离子554.2615Da。通过优化条件，在正离子模式及负离子模式下，分别得到三阴性乳腺癌血清的色谱图，如图1所示。
(4)通过Mass Profiler软件(Agilent公司)对LC-Q/TOF-MS实验仪器获得的LC/MS数据进行预处理，并在EXCEL 2010软件中进行后期编辑，将最终结果组织为二维数据矩阵，包括变量(rt_mz，即保留时间_质荷比)、观察量(样本)和峰强；样本在正模式下共得到1856个features，负模式下获得1004个features。然后将所有数据归一化到总信号积分。
(5)将编辑后的数据矩阵导入SIMCA-P软件(版本13.0)进行主成分分析，获得正模式下的主成分和负模式下的主成分累积R2X值和Q2值，R2X值为模型的解释率，Q2值为模型的预测率。
对样本进行主成分分析能从总体上反映两组样本之间的总体代谢差异和组内样本之间的变异度大小。在SMICA-P软件正式分析前，对数据组进行归一化处理，以获得更加直观且可靠的结果。为了判别两组之间是否具有差异，采用PCA建模方法对样本进行分析，本分析在正模式下共获得9个主成分，累积R2X＝0.379，Q2＝0.0839；负模式下共获得9个主成分，累积R2X＝0.378，Q2＝0.0406。PCA得分图(Scores plot)如图2和图3所示。对于PCA这种非监督性模型分析来说，判别模型质量好坏的主要参数为R2X，该值代表模型的解释率。一般来说这该值大于0.4就表示该模型可靠。PCA分析是一种非监督性的模型分析方法，相对于监督性的模型分析方法如PLS-DA分析来说，PCA更可靠地反映不同组之间的最真实差异。
(6)为了获得导致这种显著差异的代谢物信息，进一步采用监督性的多维统计方法即偏最小二乘方判别分析(PLS-DA)对两组样本进行分析，其模型质量参数为：正模式下的主成分和负模式下的主成分累积R2X值、R2Y值和Q2值；R2X值为模型的解释率，R2Y值为模型的解释率，Q2值为模型的预测率。
本实施例中，在正模式下，其模型质量参数为：具有3个主成分，R2X＝0.209，R2Y＝0.99，Q2＝0.93；负模式下4个主成分，R2X＝0.208，R2Y＝0.997，Q2＝0.894。判别模型质量好坏的主要参数为R2Y(该值代表模型的解释率)及Q2值(该值为模型的预测率)，如图4、图5、图6和图7。一般来说这该值大于0.4就表示该模型可靠。另外还会对模型进行排序验证，检验模型是否“过拟合”，从模型的参数来看，模型对于解释两组之间差异及寻找差异物质是可靠的，且排序验证图来看模型不存在“过拟合”现象。
(7)进一步采用有监督式方法OPLS-DA进行建模分析，获得正模式下的主成分和负模式下的主成分累积R2X值、R2Y值和Q2值，R2X值为模型的解释率，R2Y值为模型的解释率，Q2值为模型的预测率。
本实施例中，在正模式下得到2个主成分和1个正交成分，R2X＝0.209，R2Y＝0.99，Q2＝0.883；负模式下得到2个主成分和1个正交成分，R2X＝0.183，R2Y＝0.984，Q2＝0.833，模型的参数R2Y表示模型的解释率，Q2表示模型的预测率，一般来说此参数大于0.4即表明此模型可靠。其得分如图8和图9所示。
(8)采用OPLS-DA模型的VIP(Variable Importance in the Projection)值(阈值>1)，并结合t-test的p值(p＜0.05)来寻找差异性表达代谢物。差异性代谢物的定性方法为：搜索在线数据库(Metlin)，比较质谱的质荷比m/z或者精确分子质量mass。差异性代谢物数据如表2和表3所示。筛选并鉴定与三阴性乳腺癌发生、转移相关的生物标志物为：溶血性卵磷脂、鞘磷脂和小分子氨基酸。
表2正模式下A-B两组的差异性代谢物
表2负模式下A-B两组的差异性代谢物
Fold change(A/B)为A与B组均值之比的对数值(以2为底)，正号表示A组相对于B组上升，负号表示下降。
本发明采用LC/MS仪器分别对62例人血清样本进行代谢组学分析。对所有样本中物质的峰的响应强度数据进行模型判别分析，分别对实验A-对照B进行PCA分析，并在此基础上进行PLS-DA、OPLS-DA的模型构建，从而获得差异性表达代谢物。筛选并鉴定与乳腺癌发生、转移相关的生物标志物。其中占大多数的溶血性卵磷脂和小部分鞘磷脂被证实在肿瘤发生及发展时发生紊乱，以及一些小分子氨基酸的代谢发生改变，为进一步寻找三阴性乳腺癌肿瘤标志物提供依据，对探索三阴性乳腺癌的发生及转移机制以及、治疗措施的选择指明方向。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.筛选三阴性乳腺癌特异性血清代谢标志物的方法，其特征在于，该方法包括如下步骤：
(1)选取多个三阴性乳腺癌女性患者血清作为实验组A；选取与实验组A数量相等的正常女性血清作为对照组B；
(2)室温解冻实验组A和对照组B的血清后，分别精准吸取100μL血清样本在不同的1.5mLEP管中，采用甲醇沉淀蛋白，其比例为样品：甲醇＝1:4，涡旋30s，进行4℃，12000rpm离心15min，吸取200μL上清液，转入进样小瓶中待检测；
(3)将不同血清样本的小瓶分别放置在LC-Q/TOF-MS实验仪器的分析平台上进行色谱分离和质谱检测；
色谱分离条件为：柱温为40℃，流速0.35mL/min；流动相组成：①实验组A为：水+0.1％甲酸；②对照组B为：乙腈+0.1％甲酸；进样量为4μL，自动进样器温度4℃；
质谱条件：①采用正离子模式进行检测条件：以氮气作为雾化、锥孔气；飞行管检测模式V型，毛细管电压4kV、锥孔电压35kV、离子源温度100℃；脱溶剂气温度350℃、反向锥孔气流50L/h、脱溶剂气600L/h、萃取锥孔4V；②负离子模式条件：毛细管电压3.5kV、锥孔电压50kV、离子源温度100℃；脱溶剂气温度300℃、反向锥孔气流50L/h、脱溶剂气700L/h、萃取锥孔4V；离子扫描时间0.03s、扫描时间间隔0.02s、数据采集范围：50-1000m/z；
(4)通过Mass Profiler软件对LC-Q/TOF-MS实验仪器获得的LC/MS数据进行预处理，并在EXCEL 2010软件中进行后期编辑，将最终结果组织为二维数据矩阵，包括变量、观察量和峰强；然后将所有数据归一化到总信号积分；
(5)将编辑后的数据矩阵导入SIMCA-P软件进行主成分分析，获得正模式下的主成分和负模式下的主成分累积R2X值和Q2值，R2X值为模型的解释率，Q2值为模型的预测率；
(6)采用监督性的偏最小二乘方判别分析PLS-DA对两组样本进行分析，其模型质量参数为：正模式下的主成分和负模式下的主成分累积R2X值、R2Y值和Q2值；R2X值为模型的解释率，R2Y值为模型的解释率，Q2值为模型的预测率；
(7)进一步采用监督式方法OPLS-DA进行建模分析，获得正模式下的主成分和负模式下的主成分累积R2X值、R2Y值和Q2值，R2X值为模型的解释率，R2Y值为模型的解释率，Q2值为模型的预测率；
(8)采用OPLS-DA模型的VIP值，并结合t-test的p值来寻找差异性表达代谢物；差异性代谢物的定性方法为：搜索在线数据库，比较质谱的质荷比m/z或者精确分子质量mass；筛选并鉴定与三阴性乳腺癌发生、转移相关的生物标志物为：溶血性卵磷脂、鞘磷脂和小分子氨基酸。
2.根据权利要求1所述的筛选三阴性乳腺癌特异性血清代谢标志物的方法，其特征在于，将编辑后的数据矩阵导入SIMCA-P软件进行主成分分析前，对数据组进行归一化处理。
CN201610137478.8A 2016-03-11 2016-03-11 筛选三阴性乳腺癌特异性血清代谢标志物的方法 Active CN105738526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610137478.8A CN105738526B (zh) 2016-03-11 2016-03-11 筛选三阴性乳腺癌特异性血清代谢标志物的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610137478.8A CN105738526B (zh) 2016-03-11 2016-03-11 筛选三阴性乳腺癌特异性血清代谢标志物的方法

Publications (2)

Publication Number Publication Date
CN105738526A true CN105738526A (zh) 2016-07-06
CN105738526B CN105738526B (zh) 2018-05-25

Family

ID=56250191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610137478.8A Active CN105738526B (zh) 2016-03-11 2016-03-11 筛选三阴性乳腺癌特异性血清代谢标志物的方法

Country Status (1)

Country Link
CN (1) CN105738526B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106370765A (zh) * 2016-08-23 2017-02-01 国家烟草质量监督检验中心 一种基于反相色谱飞行时间质谱的喉癌尿液差异代谢物的测定筛选方法
CN106841494A (zh) * 2017-04-17 2017-06-13 宁夏医科大学 基于uplc‑qtof的植物差异性代谢物快速筛选方法
CN106909781A (zh) * 2017-02-22 2017-06-30 北京航空航天大学 一种用于优化选取脑卒中相关生物标志物的方法
CN109752549A (zh) * 2019-03-04 2019-05-14 北京和合医学诊断技术股份有限公司 基于靶向代谢组学数据分析的模型建立方法
CN111413318A (zh) * 2020-04-30 2020-07-14 成都大象分形智能科技有限公司 基于拉曼光谱的血清检测系统及方法
US20200335315A1 (en) * 2019-04-22 2020-10-22 Amit, Inc. Method for generating data set for training a prediction model and apparatus comprising the prediciton model
CN117147845A (zh) * 2023-09-25 2023-12-01 西安交通大学医学院第一附属医院 代谢标志物3-壬炔的检测试剂在制备乳腺癌筛查和预后产品中的应用
CN117368477A (zh) * 2023-09-25 2024-01-09 西安交通大学医学院第一附属医院 一种代谢标志物的检测试剂在制备乳腺癌筛查和预后产品中的应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323351A (zh) * 2011-08-12 2012-01-18 深圳华大基因科技有限公司 膀胱癌患者尿液特异性代谢物谱、建立方法及用途
CN103592389A (zh) * 2013-11-15 2014-02-19 湖州市中心医院 一种基于妊娠糖尿病人血清lc/ms代谢组学分析方法
CN104933277A (zh) * 2014-03-20 2015-09-23 大连医科大学附属第二医院 基于代谢组学数据建立分析预测糖尿病认知功能障碍平台的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323351A (zh) * 2011-08-12 2012-01-18 深圳华大基因科技有限公司 膀胱癌患者尿液特异性代谢物谱、建立方法及用途
CN103592389A (zh) * 2013-11-15 2014-02-19 湖州市中心医院 一种基于妊娠糖尿病人血清lc/ms代谢组学分析方法
CN104933277A (zh) * 2014-03-20 2015-09-23 大连医科大学附属第二医院 基于代谢组学数据建立分析预测糖尿病认知功能障碍平台的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CATHERINE OAKMAN等: "Uncovering the metabolomic fingerprint of breast cancer", 《THE INTERNATIONAL JOURNAL OF BIOCHEMISTRY & CELL BIOLOGY》 *
符方方: "基于UPLC-Q/TOF和1HNMR的代谢组学技术在乳腺癌步研究中的应用", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
邢世杰: "乳腺癌血清代谢组学研究及特异性标志物筛选", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
黎莉等: "基于 UPLC/MS 技术的乳腺癌血清代谢组学研究", 《现代肿瘤医学》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106370765A (zh) * 2016-08-23 2017-02-01 国家烟草质量监督检验中心 一种基于反相色谱飞行时间质谱的喉癌尿液差异代谢物的测定筛选方法
CN106909781A (zh) * 2017-02-22 2017-06-30 北京航空航天大学 一种用于优化选取脑卒中相关生物标志物的方法
CN106841494A (zh) * 2017-04-17 2017-06-13 宁夏医科大学 基于uplc‑qtof的植物差异性代谢物快速筛选方法
CN109752549A (zh) * 2019-03-04 2019-05-14 北京和合医学诊断技术股份有限公司 基于靶向代谢组学数据分析的模型建立方法
CN109752549B (zh) * 2019-03-04 2021-11-09 北京和合医学诊断技术股份有限公司 基于靶向代谢组学数据分析的模型建立方法
US20200335315A1 (en) * 2019-04-22 2020-10-22 Amit, Inc. Method for generating data set for training a prediction model and apparatus comprising the prediciton model
CN111413318A (zh) * 2020-04-30 2020-07-14 成都大象分形智能科技有限公司 基于拉曼光谱的血清检测系统及方法
CN111413318B (zh) * 2020-04-30 2023-05-26 成都大象分形智能科技有限公司 基于拉曼光谱的血清检测系统及方法
CN117147845A (zh) * 2023-09-25 2023-12-01 西安交通大学医学院第一附属医院 代谢标志物3-壬炔的检测试剂在制备乳腺癌筛查和预后产品中的应用
CN117368477A (zh) * 2023-09-25 2024-01-09 西安交通大学医学院第一附属医院 一种代谢标志物的检测试剂在制备乳腺癌筛查和预后产品中的应用
CN117147845B (zh) * 2023-09-25 2024-03-01 西安交通大学医学院第一附属医院 代谢标志物3-壬炔的检测试剂在制备乳腺癌筛查和预后产品中的应用
CN117368477B (zh) * 2023-09-25 2024-03-01 西安交通大学医学院第一附属医院 一种代谢标志物的检测试剂在制备乳腺癌筛查和预后产品中的应用

Also Published As

Publication number Publication date
CN105738526B (zh) 2018-05-25

Similar Documents

Publication Publication Date Title
CN105738526A (zh) 筛选三阴性乳腺癌特异性血清代谢标志物的方法
Gowda et al. Overview of mass spectrometry-based metabolomics: opportunities and challenges
CN105044361B (zh) 一种适合于食管鳞状细胞癌早期诊断的诊断标记物及其筛选方法
CN109884302A (zh) 基于代谢组学和人工智能技术的肺癌早期诊断标志物及其应用
CN103616450B (zh) 一种肺癌患者血清特异性代谢产物谱及其建立方法
CN110646554B (zh) 基于代谢组学的胰腺癌诊断标志物及其筛选方法和应用
CN107064508A (zh) 辅助结直肠癌早期诊断及预后监测的分子标志物及其应用
CN108414660B (zh) 一组与肺癌早期诊断相关的血浆代谢小分子标志物的应用
Morse et al. Reliable identification of prostate cancer using mass spectrometry metabolomic imaging in needle core biopsies
CN108680745B (zh) 血清脂质生物标志物在nsclc早期诊断中的应用方法
Huang et al. Holistic metabonomic profiling of urine affords potential early diagnosis for bladder and kidney cancers
CN106442764B (zh) 多囊卵巢综合征的诊断和/或分型标志物及制备试剂的用途
Crockford et al. Statistical search space reduction and two-dimensional data display approaches for UPLC− MS in biomarker discovery and pathway analysis
CN110514772A (zh) 透明肾细胞癌代谢标志物在肾细胞癌早期筛查和诊断产品中的应用
Jain et al. Bioanalytical methods for metabolomic profiling: detection of head and neck cancer, including oral cancer
CN112183616A (zh) 一种脑胶质瘤诊断的诊断标志物、试剂盒及筛选方法和脑胶质瘤诊断模型的构建方法
Bjerrum Metabonomics: analytical techniques and associated chemometrics at a glance
CN113406226B (zh) 一种基于非靶向代谢组学检测gist患者血浆中伊马替尼代谢物的方法
Zhong et al. Multiplatform metabolomics studies of human cancers with NMR and mass spectrometry imaging
CN109946411B (zh) 用于胸椎黄韧带骨化诊断的生物标记物及其筛选方法
CN113567585A (zh) 一种基于外周血的食管鳞癌筛查标志物及试剂盒
CN105044240B (zh) 一种适合于食管鳞状细胞癌早期诊断的诊断标记物
Yang et al. Application of Subwindow Factor Analysis and Mass Spectral information for accurate alignment of non-targeted metabolic profiling
Chen et al. Targeting amine-and phenol-containing metabolites in urine by dansylation isotope labeling and liquid chromatography mass spectrometry for evaluation of bladder cancer biomarkers
Banerjee et al. Assessment of metabolic signature for cancer diagnosis using desorption electrospray ionization mass spectrometric imaging

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210527

Address after: No. 49-1-27-6, Xiaolongkan new street, Shapingba District, Chongqing

Patentee after: Chongqing Weipu Pharmaceutical Technology Co.,Ltd.

Address before: No. 181, Hanyu Road, Shapingba District, Chongqing 400030

Patentee before: CHONGQING CANCER INSTITUTE