CN107014942A - 利用脂质生物标志物预测糖尿病冠心病的方法 - Google Patents
利用脂质生物标志物预测糖尿病冠心病的方法 Download PDFInfo
- Publication number
- CN107014942A CN107014942A CN201710314026.7A CN201710314026A CN107014942A CN 107014942 A CN107014942 A CN 107014942A CN 201710314026 A CN201710314026 A CN 201710314026A CN 107014942 A CN107014942 A CN 107014942A
- Authority
- CN
- China
- Prior art keywords
- diabetes
- coronary disease
- values
- logic regression
- models
- 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
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
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
-
- 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
- G01N30/04—Preparation or injection of sample to be analysed
- G01N30/06—Preparation
-
- 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
- G01N30/86—Signal analysis
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
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)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种利用脂质生物标志物预测糖尿病冠心病的方法,通过OPLS‑DA模型,筛选出正常人组群和糖尿病冠心病组群之间的5个差异性化合物,即与糖尿病冠心病相关的脂质生物标志物,并通过构建逻辑回归模型,得到根据这些脂质标志物预测糖尿病冠心病的方法,快捷方便,准确度达到87.4%。
Description
技术领域
本发明涉及生物技术领域,尤其涉及一种利用脂质生物标志物预测糖尿病冠心病的方法,能够准确预测糖尿病冠心病。
背景技术
糖尿病并发症高达100多种,是目前已知并发症最多的一种疾病。糖尿病死亡者有一半以上是心脑血管所致,10%是肾病变所致。因糖尿病截肢的患者是非糖尿病的10~20倍。临床数据显示,糖尿病发病后10年左右,将有30%~40%的患者至少会发生一种并发症,且并发症一旦产生,药物治疗很难逆转,因此在预防与治疗糖尿病的同时,应尽早预防与控制糖尿病并发症的发生。
糖尿病慢性并发症主要为大血管病变(心脏病、冠心病、脑血管意外及下肢血管病变)、微血管病变(糖尿病视网膜病变、糖尿病肾病和神经病变等)。以累及心、脑、肾等生命器官和危害严重为特点,是糖尿病防治的重点和难点。
失控的血糖升高导致的组织损伤是多种糖尿病并发症的主要原因,具体的致病机理主要包括①持续的高血糖使多种血浆及组织蛋白质发生非酶糖化,形成非酶糖基化终产物而丧失正常生理功能;②高血糖导致醛糖还原酶活性增加,山梨醇代谢旁路增强,其产物多元醇在胞内堆积,最终导致水肿和细胞功能障碍;③高血糖导致血液动力学改变,进而组织缺氧,动脉血管阻力下降,血管通透性增加组织损伤,发生病变;④多种激素、细胞因子激活与异常表达;⑤氧化应激;⑥基因表达的改变等。
糖尿病患者容易并发冠心病、动脉粥样硬化、脑血管及周围血管病病变,发生早、发展快、范围广,是糖尿病人致死和致残的主要原因。糖尿病心血管病的早期症状主要是心绞痛和跛行的发生。血液中的糖化血红蛋白(HbA1c)可以作为糖尿病及其主要并发症如糖尿病冠心病的预测诊断标志物,而组织中高血糖和血脂异常导致的异常糖基化与氧化应激,产生糖基化终产物及其修饰的生物大分子可以作为糖尿病冠心病的预测诊断标志物。而近代非侵入性方法,如通过脉冲监测血管及血流动力学异常判断的间接方法,以及通过皮肤自发荧光检测糖基化终产物的直接方法都可以作为新型的糖尿病并发症预测与诊断方法。
目前,还没有通过脂质组学预测糖尿病冠心病的准确、快捷的方法。
发明内容
本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
本发明还有一个目的是提供一种利用脂质生物标志物预测糖尿病冠心病的方法,能够快捷、准确、高效地预测糖尿病冠心病。
本发明还有一个目的是提供一种针对中国人群的利用脂质生物标志物预测糖尿病冠心病的方法。
本发明还有一个目的是提供一组针对中国人群的与糖尿病冠心病密切相关的化合物。
为了实现根据本发明的这些目的和其它优点,提供了以下技术方案:
一种利用脂质生物标志物预测糖尿病冠心病的方法,其中,主要包括以下步骤:
步骤1、筛选出正常人组群和糖尿病冠心病组群之间VIP值大于1的排名前5位的差异性化合物,分别为表1所示:
表1
步骤2、利用逻辑回归模型1进行计算,得到TC值,所述逻辑回归模型1的计算公式为:
TC=1.381+(-0.081)R751+2.191R67+(-2.597)R1604+(-0.310)R776+(-1.902)R847;
步骤3、根据所得TC值进行判断,TC=0为否;TC=1为是。
优选的是,所述的利用脂质生物标志物预测糖尿病冠心病的方法中,步骤1中利用OPLS-DA模型对差异性化合物进行筛选,筛选条件VIP>1。
优选的是,所述的利用脂质生物标志物预测糖尿病冠心病的方法中,步骤1中筛选的具体方法为:
步骤1.1将样品进行超高效液相色谱和质谱分析,得到脂质组学数据,将正常人组群和糖尿病冠心病组群分别计为CK及XZYC;
步骤1.2对脂质组学数据进行标准化操作,利用OPLS-DA模型对CK及XZYC进行S-plot分布得到S形曲线,并进行强制分组,计算影响CK及XZYC分组的变量重要性,即得VIP值;
步骤1.3按照VIP值大于1的标准得到78个化合物,并将该78个化合物作为与糖尿病冠心病相关度最高的差异性化合物;
步骤1.4将所得78个化合物按照VIP值大小从高到低排列,取前5位,即得步骤1中所述差异性化合物。
优选的是,所述的利用脂质生物标志物预测糖尿病冠心病的方法中,步骤2中TC值或者用逻辑回归模型2进行计算,所述逻辑回归模型2的计算公式为:
TC=1.1366+0.0531R751+1.2013R67+(-2.3989)R1604+(-0.5469)R776。
优选的是,所述的利用脂质生物标志物预测糖尿病冠心病的方法中,步骤2中TC值或者用逻辑回归模型3进行计算,所述逻辑回归模型3的计算公式为:
TC=-0.985+0.241R751+1.390R67+(-2.481)R1604。
本发明至少包括以下有益效果:
本发明通过脂质组学检测血液中所有的脂质,从而有针对性地筛选出和血脂密切相关的脂质化合物,并能够通过提前发现变化的脂质来进行糖尿病所引起的冠心病,从而进行一定的干预和预防措施。
通过筛选,首次发现与糖尿病冠心病相关的5个脂质化合物,即与糖尿病冠心病相关的脂质生物标志物,并通过构建逻辑回归模型,得到根据这些脂质标志物预测糖尿病冠心病的方法,快捷方便,准确度高。通过AIC值初步判断,并进行ROC曲线绘制,准确度高达87.4%。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明中所述的OPLS-DA模型的S-plot分布图;
图2为本发明中利用OPLS-DA模型对CK和XZYC进行强制分组的结果;
图3为本发明中用来考察筛选出的化合物的火山图;
图4为本发明中ROC曲线图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
一种利用脂质生物标志物预测糖尿病冠心病的方法,其中,主要包括以下步骤:
步骤1、筛选出正常人组群和糖尿病冠心病组群之间VIP值大于1的排名前5位的差异性化合物,分别为表1所示:
表1
步骤2、利用逻辑回归模型1进行计算,得到TC值,所述逻辑回归模型1的计算公式为:
TC=1.381+(-0.081)R751+2.191R67+(-2.597)R1604+(-0.310)R776+(-1.902)R847;
步骤3、根据所得TC值进行判断,TC=0为否;TC=1为是。
公式中编号为R67等代表该脂质化合物在检测样品中的含量。
优选的是,所述的利用脂质生物标志物预测糖尿病冠心病的方法中,步骤1中利用OPLS-DA模型对差异性化合物进行筛选,筛选条件VIP>1。
一个优选方案中,步骤1中筛选的具体方法为:
步骤1.1将样品进行超高效液相色谱和质谱分析,得到脂质组学数据,将正常人组群和糖尿病冠心病组群分别计为CK及XZYC;
步骤1.2对脂质组学数据进行标准化操作,利用OPLS-DA模型对CK及XZYC进行S-plot分布得到S形曲线,并进行强制分组,计算影响CK及XZYC分组的变量重要性,即得VIP值;
步骤1.3按照VIP值大于1的标准得到78个化合物,并将该78个化合物作为与糖尿病冠心病相关度最高的差异性化合物;
步骤1.4将所得78个化合物按照VIP值大小从高到低排列,取前5位,即得步骤1中所述差异性化合物。
一个优选方案中,步骤2中TC值或者用逻辑回归模型2进行计算,所述逻辑回归模型2的计算公式为:
TC=1.1366+0.0531R751+1.2013R67+(-2.3989)R1604+(-0.5469)R776。
一个优选方案中,步骤2中TC值或者用逻辑回归模型3进行计算,所述逻辑回归模型3的计算公式为:
TC=-0.985+0.241R751+1.390R67+(-2.481)R1604。
本发明通过筛选,首次发现与糖尿病冠心病相关的一组化合物,即与糖尿病冠心病相关的脂质生物标志物,并通过构建逻辑回归模型,得到根据这些脂质标志物预测糖尿病冠心病的方法,快捷方便,准确度高。通过AIC值初步判断,并进行ROC曲线绘制,准确度高达87.4%。
实施例1
材料和方法
1.实验对象(均选自中国人):59例糖尿病患者(无其他并发症),41例糖尿病冠心病患者,抽取静脉血5ml。准确量取100μL的血液,加入0.9mL的提取液(100%异丙醇),转入2mL离心管中,漩涡振荡10s以上,超声10min,然后在-20度冰箱中冷冻1小时,取出后在室温下漩涡振荡,用冷冻离心机10000rpm离心10min,然后取上清液1mL到玻璃进样瓶中,保存在冰箱中待测。
2.主要仪器
2.1.1冷冻离心机:型号D3024R,Scilogex公司,美国
2.1.2漩涡振荡器:型号MX-S,Scilogex公司,美国
2.1.3高分辨质谱仪:ESI-QTOF/MS;型号:Xevo G2-S Q-TOF;厂家:Waters
2.1.4超高效液相色谱:UPLC;型号:ACQUITYUPLC I-Class系统;厂家:Waters
2.1.4数据采集软件:MassLynx4.1;厂家:Waters
2.1.5分析鉴定软件:Progenesis QI;厂家:Water
2.1.6作图软件:EZinfo;HemI;Simca-P
3.主要试剂
甲醇、乙腈、甲酸、甲酸铵、亮氨酸脑啡肽、甲酸钠。厂家均为Fisher。
4.实验设置
以提取液(100%异丙醇)作为空白对照(Blank)样品;从每个样品的进样品种取出100μL混合到新的进样品种作为质控(QC)样品;正式样品按照每组样品间隔进样,例如先是Blank1,然后是QC1,然后是W1,然后是W2这个顺序,然后再进行下一轮进样。液相方法
色谱柱:ACQUITYUPLC CSH C18 Column,1.7μm,1mmX 50mm,1/pkg[186005292];
柱温:55度
流速:0.4mL/min
流动相:
A:ACN/H2O(60%/40%),含有10mM甲酸铵和0.1%甲酸
B:IPA/ACN(90%/10%),含有10mM甲酸铵和0.1%甲酸
(注:ACN为乙腈,IPA为异丙醇)
进样体积:0.2μL
洗脱程序:
质谱方法
数据采集方式:MSe;分子量扫描范围:50-1500m/z;分辨率模式(轮廓图)。
正负离子模式各采集一次。
离子源:电喷雾电离源(ESI)
毛细管电压:3KV
锥孔电压为:25V
碰撞能:15-60V
源温度:120度
脱溶剂温度:500度
锥孔气体速度:50L/h
脱溶剂气体速度:500L/h
扫描时间:0.2s
使用亮氨酸脑啡肽(m/z 556.2771,正离子;554.2615,负离子)进行实时校正。使用甲酸钠进行校正。
脂质组学数据分析
Progenesis QI软件(Waters,Massachusetts,USA)用于结果分析,抽提非靶向脂质分子的特征峰,进行比对和筛选。同时,用QC(quantifying control)和Blank(空白)来筛选背景数据。最终的数据,导入EZinfo 3.0,并进行Principal ComponentAnalysis(PCA)分析,Orthogonal signal correction Partial Least Square DiscriminationAnalysis(OPLS-DA)建模,Variable Importance in Projection(VIP)的计算,同时得到S-Plot和火山图(coefficients vs.VIP spots)。其中,逻辑回归模型以及ROC曲线通过R语言进行建设和绘制。
糖尿病(无其他并发症)与糖尿病冠心病人群脂质差异物质的鉴定。
首先建立OPLS-DA模型,对糖尿病(无其他并发症)(CK)和糖尿病冠心病(XZYC)组群进行分类,并研究造成他们出现差异的原因。看到在OPLS-DA模型中,利用相关性(correlation)和协方差(covarience)的p值作出的S-plot形成了S形曲线,如图1所示,更多的差异脂质显示有极大的升高。
利用OPLS-DA将两组数据进行强制分组,结果如图2所示。
计算影响CK和XZYC分组的变量重要性,即VIP(Variable Importance inProjection)值。一共筛选到78个化合物,他们的VIP值大于1;挑选VIP贡献率大的10个化合物。通过VIP>1筛选出来的化合物在S-plot上用红色方框标出,发现他们均匀的分布在两侧。同时,利用火山图,来考察筛选出的化合物的分布,如图3所示,发现筛选出来的化合物都分布在火山图的外围。这些结果都说明,借由OPLS-DA模型,成功筛选出造成CK和XZYC差异的化合物。
建立逻辑回归模型以及ROC曲线。
对脂质组学的数据进行标准化操作(Rproject:scale)。然后将VIP>1的排名前5的数据提取出来,建立逻辑回归模型和ROC曲线。
公式中,TC:是否患有冠心病,0为否,1为是。
模型1:TC=1.381+(-0.081)R751+2.191R67+(-2.597)R1604+(-0.310)R776+(-1.902)R847。
模型2:TC=1.1366+0.0531R751+1.2013R67+(-2.3989)R1604+(-0.5469)R776。
模型3:TC=-0.985+0.241R751+1.390R67+(-2.481)R1604。
针对以上三个逻辑回归模型,进行ROC曲线绘制,如图4所示,模型1为M1,AUC值达到0.874;模型2为M2,AUC值为0.863;模型3为M3,AUC值达到0.817。我们发现模型1最靠近左上角定点,同时AUC值最高,最终,确定模型1为基于脂质指标来预测糖尿病血脂异常较好的预测模型。也可以根据所测样品数据情况,选择模型2或者模型3进行计算预测,或者优先选择模型1进行计算,同时使用2和3模型进行辅助验证,协同分析预测。
本发明利用OPLS-DA模型,首次发现与糖尿病冠心病相关的5个biomarker。利用逻辑回归模型以及ROC曲线,首次提出了基于脂质生物标志物的糖尿病冠心病预测模型。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (5)
1.一种利用脂质生物标志物预测糖尿病冠心病的方法,其特征在于,主要包括以下步骤:
步骤1、筛选出正常人组群和糖尿病冠心病组群之间VIP值大于1的排名前5位的差异性化合物,分别为表1所示:
表1
步骤2、利用逻辑回归模型1进行计算,得到TC值,所述逻辑回归模型1的计算公式为:
TC=1.381+(-0.081)R751+2.191R67+(-2.597)R1604+(-0.310)R776+(-1.902)R847;
步骤3、根据所得TC值进行判断,TC=0为否;TC=1为是。
2.如权利要求1所述的利用脂质生物标志物预测糖尿病冠心病的方法,其特征在于,步骤1中利用OPLS-DA模型对差异性化合物进行筛选,筛选条件VIP>1。
3.如权利要求2所述的利用脂质生物标志物预测糖尿病冠心病的方法,其特征在于,步骤1中筛选的具体方法为:
步骤1.1将样品进行超高效液相色谱和质谱分析,得到脂质组学数据,将正常人组群和糖尿病冠心病组群分别计为CK及XZYC;
步骤1.2对脂质组学数据进行标准化操作,利用OPLS-DA模型对CK及XZYC进行S-plot分布得到S形曲线,并进行强制分组,计算影响CK及XZYC分组的变量重要性,即得VIP值;
步骤1.3按照VIP值大于1的标准得到78个化合物,并将该78个化合物作为与糖尿病冠心病相关度最高的差异性化合物;
步骤1.4将所得78个化合物按照VIP值大小从高到低排列,取前5位,即得步骤1中所述差异性化合物。
4.如权利要求1所述的利用脂质生物标志物预测糖尿病冠心病的方法,其特征在于,步骤2中TC值或者用逻辑回归模型2进行计算,所述逻辑回归模型2的计算公式为:
TC=1.1366+0.0531R751+1.2013R67+(-2.3989)R1604+(-0.5469)R776。
5.如权利要求1所述的利用脂质生物标志物预测糖尿病冠心病的方法,其特征在于,步骤2中TC值或者用逻辑回归模型3进行计算,所述逻辑回归模型3的计算公式为:
TC=-0.985+0.241R751+1.390R67+(-2.481)R1604。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710314026.7A CN107014942A (zh) | 2017-05-05 | 2017-05-05 | 利用脂质生物标志物预测糖尿病冠心病的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710314026.7A CN107014942A (zh) | 2017-05-05 | 2017-05-05 | 利用脂质生物标志物预测糖尿病冠心病的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107014942A true CN107014942A (zh) | 2017-08-04 |
Family
ID=59449824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710314026.7A Pending CN107014942A (zh) | 2017-05-05 | 2017-05-05 | 利用脂质生物标志物预测糖尿病冠心病的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107014942A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112522392A (zh) * | 2020-12-29 | 2021-03-19 | 山东大学齐鲁医院(青岛) | 一种糖尿病合并冠心病的生物标志物 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100222282A1 (en) * | 2006-01-19 | 2010-09-02 | Entress Ab | Method of diagnosis and method of treatment |
EP2592422A1 (en) * | 2011-11-08 | 2013-05-15 | Zora Biosciences OY | Lipidomic biomarkers for the prediction of cardiovascular outcomes in coronary artery disease patients undergoing statin treatment |
CN103917876A (zh) * | 2011-11-08 | 2014-07-09 | 佐拉生物科学公司 | 用于预测未接受他汀药物治疗的冠状动脉疾病患者的心血管后果的脂质组学生物标志 |
CN105532564A (zh) * | 2015-12-03 | 2016-05-04 | 朱超 | 一种基于zdf大鼠的糖尿病合并冠心病动物模型的建立方法 |
-
2017
- 2017-05-05 CN CN201710314026.7A patent/CN107014942A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100222282A1 (en) * | 2006-01-19 | 2010-09-02 | Entress Ab | Method of diagnosis and method of treatment |
EP2592422A1 (en) * | 2011-11-08 | 2013-05-15 | Zora Biosciences OY | Lipidomic biomarkers for the prediction of cardiovascular outcomes in coronary artery disease patients undergoing statin treatment |
CN103917876A (zh) * | 2011-11-08 | 2014-07-09 | 佐拉生物科学公司 | 用于预测未接受他汀药物治疗的冠状动脉疾病患者的心血管后果的脂质组学生物标志 |
CN105532564A (zh) * | 2015-12-03 | 2016-05-04 | 朱超 | 一种基于zdf大鼠的糖尿病合并冠心病动物模型的建立方法 |
Non-Patent Citations (5)
Title |
---|
ASHISH KUMAR SHARMA 等: "Triple verses glimepiride plus metformin therapy on cardiovascular risk biomarkers and diabetic cardiomyopathy in insulin resistance type 2 diabetes mellitus rats", 《EUROPEAN JOURNAL OF PHARMACEUTICAL SCIENCES》 * |
HEMANT V. KAMBLE 等: "Cardioprotective effect of concomitant administration of trigonelline and sitagliptin on cardiac biomarkers, lipid levels,electrocardiographic and heamodynamic modulation on cardiomyopathy in diabetic Wistar rats", 《BIOMEDICINE & AGING PATHOLOGY》 * |
IOANNIS P. TROUGAKOS 等: "Serum levels of the senescence biomarker clusterin/apolipoprotein J increase significantly in diabetes type II and during development of coronary heart disease or at myocardial infarction", 《EXPERIMENTAL GERONTOLOGY》 * |
朱明丹 等: "不同证型冠心病患者的血浆代谢组学研究", 《中医杂志》 * |
李嘉强 等: "糖尿病及高危人群血清游离脂肪酸成分分析", 《中国公共卫生》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112522392A (zh) * | 2020-12-29 | 2021-03-19 | 山东大学齐鲁医院(青岛) | 一种糖尿病合并冠心病的生物标志物 |
CN112522392B (zh) * | 2020-12-29 | 2021-08-03 | 山东大学齐鲁医院(青岛) | 一种糖尿病合并冠心病的生物标志物 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109884302B (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 | |
CN107145738A (zh) | 利用脂质生物标志物预测糖尿病肾病的方法 | |
Locci et al. | A 1 H NMR metabolomic approach for the estimation of the time since death using aqueous humour: an animal model | |
Li et al. | Lactobacillus plantarum NCU116 fermented carrot juice evokes changes of metabolites in serum from type 2 diabetic rats | |
Wang et al. | Significant role of supercritical fluid chromatography-mass spectrometry in improving the matrix effect and analytical efficiency during multi-pesticides residue analysis of complex chrysanthemum samples | |
Troise et al. | The quantification of free Amadori compounds and amino acids allows to model the bound Maillard reaction products formation in soybean products | |
CN117147751A (zh) | 用于评估受试者心血管疾病风险的代谢标志物组合及其应用 | |
CA2463318A1 (en) | Methods and apparatuses for analyzing biological samples by mass spectrometry | |
Guo et al. | Metabolite identification strategy of non-targeted metabolomics and its application for the identification of components in Chinese multicomponent medicine Abelmoschus manihot L. | |
Olmo-García et al. | Chromatography-MS based metabolomics applied to the study of virgin olive oil bioactive compounds: Characterization studies, agro-technological investigations and assessment of healthy properties | |
CN106370753B (zh) | 冠心病尿液代谢标记物的鉴定及分析方法 | |
CN107014942A (zh) | 利用脂质生物标志物预测糖尿病冠心病的方法 | |
CN107014941A (zh) | 利用脂质生物标志物预测糖尿病周围神经病变的方法 | |
Tezel | A decade of proteomics studies of glaucomatous neurodegeneration | |
CN112305121A (zh) | 代谢标志物在动脉粥样硬化性脑梗死中的应用 | |
CN107133470A (zh) | 利用脂质生物标志物预测糖尿病视网膜病变的方法 | |
Huang et al. | Comparative analysis of the proteome of left ventricular heart of arteriosclerosis in rat | |
Erina et al. | Prehypertension and cardiometabolic risk factors (data of the ESSE-RF study) | |
CN105784874A (zh) | 一种基于代谢组学手段判别不同耐逆潜力大豆的方法 | |
CN107037156A (zh) | 利用脂质生物标志物预测糖尿病心肌病的方法 | |
CN107092801A (zh) | 利用脂质生物标志物预测乳腺癌的方法 | |
CN107121510A (zh) | 利用脂质生物标志物预测糖尿病血脂异常的方法 | |
CN107153762A (zh) | 利用脂质生物标志物预测糖尿病高血压的方法 | |
Kramer et al. | Blood pressure responses to exercise in type II diabetes mellitus patients with masked hypertension | |
Di et al. | Schirmer paper tear sampling of human eye diseases for paper spray mass spectrometry analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170804 |
|
RJ01 | Rejection of invention patent application after publication |