CN108235734B - 中枢神经系统损伤的代谢组学图谱分析 - Google Patents
中枢神经系统损伤的代谢组学图谱分析 Download PDFInfo
- Publication number
- CN108235734B CN108235734B CN201680029055.2A CN201680029055A CN108235734B CN 108235734 B CN108235734 B CN 108235734B CN 201680029055 A CN201680029055 A CN 201680029055A CN 108235734 B CN108235734 B CN 108235734B
- Authority
- CN
- China
- Prior art keywords
- acnsi
- metabolite
- injury
- subject
- computer program
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
- G01N33/6896—Neurological disorders, e.g. Alzheimer's disease
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/30—Unsupervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/28—Neurological disorders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/28—Neurological disorders
- G01N2800/2871—Cerebrovascular disorders, e.g. stroke, cerebral infarct, cerebral haemorrhage, transient ischemic event
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Hematology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Immunology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Food Science & Technology (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Computation (AREA)
- Biotechnology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioethics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Neurosurgery (AREA)
- Crystallography & Structural Chemistry (AREA)
- Neurology (AREA)
- Computing Systems (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Cell Biology (AREA)
Abstract
一种在对象(动物或人类)中诊断中枢神经系统损伤的方法,所述损伤例如是获得性脑损伤(ABI)和/或获得性骨髓损伤(ASI),包括轻度TBI(震荡或冲击波)、轻度ASI(挫伤、拉伸、或部分的脊髓横断)、非TBI脑损伤和/或非TSI脊髓损伤。所述方法包括(a)从所述对象获得生物测试样品,使用代谢组学识别在所述对象的样品中的代谢物,从而获得对象的代谢物矩阵,并且使用患者的代谢物矩阵生成对象的图谱;以及(b)使用多变量统计分析和机器学习,以将所述对象的图谱与CNS损伤的图谱的预设集以及对照的图谱的预设集进行比较,以确定所述对象是否患有CNS损伤。
Description
技术领域
本发明的领域涉及诊断中枢神经系统(CNS)的损伤的代谢组学和方法,所述损伤包括所有脑脊髓损伤。更具体地,本发明涉及诊断以下损伤的代谢组学和方法:轻度外伤性脑损伤,包括震荡损伤和冲击损伤;轻度脊髓损伤,包括由脊柱屈曲过度、伸展过度、旋转、横向应力、压迫、牵引和脊髓部分横断引起的损伤;以及由中风、中毒、心理困扰、化学品、感染、炎症、自身免疫性疾病、退行性过程、缺氧、缺血、代谢紊乱和癌症/辐射引起的非外伤性CNS损伤。
背景技术
获得性脑损伤(ABI)和获得性脊髓损伤(ASI)分别为由在子宫、围产期以及产后发生的事件引起的脑和脊柱损伤。这些损伤由外伤性脑损伤(例如机械、压力波等)或者来源于内部或外部起因(例如中风、肿瘤、感染、中毒、缺氧、缺血、辐射、物质滥用等)的非外伤性损伤造成。
外伤性脑损伤(traumatic brain injury,TBI)是来自外部的机械力对脑的损害,导致认知、身体和心理社会功能的永久或暂时的损伤,伴有相关的意识状态的削弱或改变(包括震荡损伤和冲击损伤)。美国康复医学会头部损伤跨学科特别兴趣小组(The HeadInjury Interdisciplinary Special Interest Group of the American Congress ofRehabilitation Medicine)将“轻度”TBI(mTBI)定义为“外伤性地诱发的脑功能的生理破坏”,表现为下列情形之一:任何期间的意识丧失(LOC)、对事件之前或之后的事件的任何记忆丧失、在该事件时的精神状态上的任何改变和局灶性神经功能缺陷(其可以是或可以不是瞬时的)。在眼睛、语言和运动反应的基础上,格拉斯哥昏迷量表(GCS)帮助定义了TBI的严重程度(3-8,重度;9-12,中度;13-15,轻度)。公众健康的主要关注的是TBI的流行病比例,其在美国具有1.6至3.2百万例的年发病率。轻度的TBI或mTBI(其中震荡损伤和冲击波损伤为亚集)是最常见形式,代表了所有TBI的几乎75%[http://www.cdc.gov/TraumaticBrainInjury]。轻度的TBI可以由冲击力引起,其中头部撞击某物或被某物或冲力撞击,其中头部移动而它本身不受到外伤(例如,当胸部碰撞某物并且头部突然前移时)。从非常年轻的人至长者,全部的年龄组都遭受震荡伤。某些活动与震荡伤更频繁地相关,其包括运动员和兵役,但是它们也起因于由机动车碰撞、从高处掉落和袭击造成的一般的外伤。震荡伤通常导致明显的急性症状,并且在一些个体中导致长期的神经机能障碍。
压力波(例如炸弹爆炸)可以引起从轻度至重度的TBI的整个严重程度范围,并且可以包括来自抛射体的穿透损伤。冲击相关的TBI的病理生理学是区别性的,其损伤量级取决于几种因素,其包括冲击能量以及与爆炸中心的距离(Rosenfeld,et al.,LancetNeurol.2013 Sep;12(9):882-93.)。冲击损伤是起因于直接或间接暴露至爆炸的物理外伤的复杂类型。(Rosenfeld,et al.,Lancet Neurol.2013 Sep;12(9):882-93.)原发性损伤是由爆炸的超压波或冲击波引起的。当人接近爆炸的弹药(例如地雷)时,这些是特别可能的。动物模型表明,大脑易受原发性爆炸损伤的伤害。来自超压的剪切波和压力波可以潜在地直接地引起TBI(例如,震荡伤、出血、水肿、弥漫性轴索损伤)。所述原发性冲击机制也可以导致由于冲击性肺损伤以及随后的气栓形成导致的脑梗塞["Blast Injuries:Traumatic Brain Injuries from Explosions",Brainline.org]。
尽管中度至重度的TBI的诊断是明确的,但在震荡和爆炸事件后的轻度TBI是诊断不足的。["Blast Injuries:Traumatic Brain Injuries from Explosions",Brainline.org]即,尽管基于临床征象容易诊断中度和重度的TBI,但轻度TBI可由于不易察觉的、瞬时的或缺乏的临床征象而被错过。后者需要客观的诊断法,例如敏感的、特异的以及可重复的血液测试。
临床上显著的mTBI的诊断可以是困难的,决定停止玩耍或活动也一样。同样不清楚的是,何时mTBI患者应当恢复日常活动。因此,人们对在mTBI中有帮助的生物标记物的发现有极大兴趣,其包括原发性脑冲击损伤和震荡伤的诊断、预后和复原。目前,没有单一的生物标记物具有足够的敏感性和特异性。
非外伤性脑损伤(非TBI)也可以导致轻度异常的神经系统症状。考虑到非TBI损伤的难以捉摸的性质,可以用客观的诊断测试(例如敏感的、特异的和可重复的血液测试)更好地识别它们。
外伤性脊髓损伤(traumatic spinal cord injury,TSI;例如由脊柱屈曲过度、伸展过度、横向应力、旋转、压迫、牵引和脊髓部分横断引起的损伤;通常由机动车碰撞、从高处掉落、运动等引起)以及非外伤性脊髓损伤(非TSI;例如椎间盘疾病、血液供应的中断、感染、电击、癌症、辐射等)也可导致轻度的外周症状(例如“不完整的”损伤)。考虑到TSI和非TSI损伤的通常难以捉摸的性质,可以用客观的诊断测试(例如,敏感的、特异的和可重复的血液测试)更好地识别它们。
代谢组学(metabolomics)是相对新的研究领域,其测量人的小分子代谢物图谱(profile)(<1500道尔顿)。用于代谢组学的两种常见的方法是核磁共振(NMR)光谱法和质谱分析法(MS)。前者测量大量的代谢物但缺乏敏感度(微摩尔级范围),而后者对于定量氨基酸、酰基肉碱、甘油磷脂、鞘脂和糖非常敏感(皮摩尔级范围)。代谢组学的吸引力在于代谢物落入遗传、转录组学、蛋白质组学和环境变异的下游,因此提供了表型和身体状况的最完整的和动态的测量。
发明内容
本发明涉及代谢组学图谱分析或个别代谢物作为生物标记物来诊断中枢神经系统(CNS)损伤的应用,所述损伤包括获得性脑损伤(ABI)和获得性脊髓损伤(ASI)。这些损伤可以是外伤性的(mTBI和mTSI)以及非外伤性的(非TBI和非TSI),包括震荡伤或挫伤、冲击(blast)损伤、以及中风、中毒、心理困扰(psychological distress)、化学品、感染、炎症、自身免疫、退行性、缺氧、缺血、代谢的和癌症/辐射诱导的脑/脊髓损伤。本发明涉及代谢组学图谱分析或个别代谢物作为生物标记物来特异性地诊断脑和/或脊髓损伤的应用。仅为了本文的目的,术语“ACNSI”(获得性CNS损伤)将被用于意指“ABI和/或ASF”。同样,非CNSI(非CNS损伤)将被用于意指正常或对照的对象。
在一个实施方式中,本发明是在对象中诊断ACNSI的方法,其包括:从所述对象获得代谢物图谱(metabolite profile);以及(b)使用多变量统计分析和机器学习,以将所述对象的图谱与ACNSI的代谢物图谱的预设集(predetermined set)和非CNSI的代谢物图谱的预设集进行比较,以诊断所述对象是否患有ACNSI。
在所述诊断ACNSI的方法的一个实施方式中,通过从已知患有ACNSI的对象的群体中获得第一代谢物图谱以及从对照的非ACNSI(称为“正常”)对象的群体中获得第二代谢物图谱,获得ACNSI和非ACNSI代谢物图谱的预设集。
在所述诊断ACNSI的方法的另一个实施方式中,所述对象的代谢物图谱以及ACNSI和非ACNSI图谱的第一和第二预设集被提供作为多维代谢组学数据的集,并且其中步骤(b)包含:向所述多维代谢组学数据的集施加(i)维数降低(dimensionality reduction)、(ii)特征选择(feature selection)、或(iii)维数降低和特征选择两者,以获得降低的代谢组学数据集。
在所述诊断ACNSI的方法的另一个实施方式中,步骤(b)包含:将对象的代谢物图谱的集以及ACNSI和非ACNSI的预设的代谢物图谱的集进行标准化,以获得矩阵,并且直接在该代谢物矩阵上执行主成分分析(principal components analysis)。
在另一个实施方式中,本发明是在对象中诊断ACNSI的方法,其包括:(a)从所述对象获得代谢物图谱;(b)在所述对象的代谢物图谱和ACNSI图谱的预设集和非ACNSI图谱的预设集之间,创建两两相关(pairwise correlations)的矩阵,并且在该相关矩阵中识别ACNSI集群和非ACNSI集群(cluster);以及(c)确定所述患者的图谱是否落入所述ACNSI集群或非ACNSI集群之内。
在对象中诊断ACNSI的上述方法的一个实施方式中,通过从已知患有ACNSI的群体中获得代谢物图谱的第一集以及从对照的非ACNSI(正常)对象的群体中获得代谢物图谱的第二集,分别地获得代谢物图谱的预设的ACNSI集和非ACNSI集。
在另一个实施方式中,本发明是在ACNSI患者中跟踪或追踪医疗干预(包括康复治疗)的效率的方法,所述方法包括:(a)在医疗干预(康复治疗)期间在不同时间从所述患者中获得代谢物图谱;以及(b)使用多变量统计分析和机器学习,以将在所述不同时间中的每一个的所述患者的图谱与ACNSI的代谢物图谱的预设集和非ACNSI的代谢物图谱的预设集进行比较,以追踪在所述患者中的医疗干预(康复治疗)的效率。
在本发明的在ACNSI患者中跟踪医疗干预(包括康复治疗)的效率的所述方法的一个实施方式中,通过从已知患有ACNSI的对象的群体中获得第一代谢物图谱以及从对照的非ACNSI(称为“正常”)对象的群体中获得第二代谢物图谱,获得ACNSI和非ACNSI代谢物图谱的预设集。
在本发明的在ACNSI患者中跟踪医疗干预(包括康复治疗)的效率的所述方法的另一个实施方式中,所述患者的代谢物图谱以及ACNSI和非ACNSI代谢物图谱的第一和第二预设集被提供作为多维代谢组学数据的集,并且其中步骤(b)包含:向所述多维代谢组学数据的集施加(i)维数降低、(ii)特征选择、或(iii)维数降低和特征选择两者,以获得降低的代谢组学数据集。
在本发明的在ACNSI患者中跟踪或追踪医疗干预(包括康复治疗)的效率的所述方法的另一个实施方式中,步骤(b)包含:将所述患者的代谢物图谱以及ACNSI和非ACNSI的预设的代谢物图谱的集进行标准化以获得矩阵,并且直接地在代谢物矩阵上执行主成分分析。
在本发明的在ACNSI患者中跟踪医疗干预(包括康复治疗)的效率的所述方法的另一个实施方式中,将ACNSI和非ACNSI的代谢物图谱的预设集匹配下述的一种或多种:年龄、性别、活力(activity)、身体体质(body habitus)、营养、药物和发病率(morbidity)。
在本发明的在ACNSI患者中跟踪医疗干预(包括康复治疗)的效率的所述方法的另一个实施方式中,使用代谢组学获得所述患者的代谢物图谱和代谢物图谱的预设集。
在本发明的在ACNSI患者中跟踪医疗干预(包括康复治疗)的效率的所述方法的另一个实施方式中,使用以下中的一种或多种执行所述代谢组学:高效液相色谱、薄层色谱、电化学分析、质谱(MS)、折射率光谱、紫外光谱、荧光分析、放射化学分析、近红外光谱、核磁共振(NMR)、光散射分析、气相色谱(GC)、或与MS结合的GC、与LC-MS/MS结合的直接注入(direct injection,DI)。
在本发明的在ACNSI患者中跟踪医疗干预(包括康复治疗)的效率的所述方法的另一个实施方式中,使用适当地程序化(编程)的计算机执行所述获得、使用、创建以及确定步骤。
在根据任何一个前述的实施方式的所述方法的一个实施方式中,将ACNSI和非ACNSI的预设图谱匹配下述的一种或多种:年龄、性别、活力、营养、身体体质、药物、以及共同发病率(co-morbidity)。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,使用代谢组学获得所述对象/患者的代谢物(包括脂质和脂肪酸)图谱以及代谢物图谱的预设集。
在根据任何一个前述的实施方式的另一个实施方式中,使用以下中的一种或多种执行所述代谢组学(包括脂质和脂肪酸):高效液相色谱、薄层色谱、电化学分析、质谱(MS)、折射率光谱、紫外光谱、荧光分析、放射化学分析、近红外光谱、核磁共振(NMR)、光散射分析、气相色谱(GC)、或与MC结合的GC、与LC-MS/MS结合的直接注入(DI)。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,使用适当地程序化的计算机执行所述获得、使用、创建以及确定步骤。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,从生物学测试样品中获得所述代谢物图谱,所述生物学测试样品选自:血液、血浆、血清、唾液、滑液(cynovial fluid)、尿液、脊髓液、支气管肺泡灌洗液和提取物。在一个方面,所述代谢物包括磷脂、甘油磷脂、脂质、缩醛磷脂、脂肪酸、糖、氨基酸、核苷酸、在细胞过程中形成的中间体、或其组合。在另一个方面,所述代谢物包括脂质和脂肪酸或其组合。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,所述代谢物图谱包括下述的代谢物:C5、PC aa C32:l、PC aa C32:2、PC aa C36:5、PC aa C36:6、PC aeC34:0、PC ae C34:3、PC ae C36:0、PC ae C36:l、PC ae C36:2、PC ae C38:l、PC ae C38:2、PC ae C38:3、腐胺、甲酸盐、甲醇和琥珀酸盐。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,所述代谢物图谱包括下述的代谢物:C5、PC aa C30:2、、PC aa C32:0、PC aa C32:l、PC aa C32:2、PC aaC32:3、PC aa C34:4、PC aa C36:6、PC aa C42:6、PC ae C30:0、PC ae C30:l、PC ae C32:l、PC ae C34:0、PC ae C34:2、PC ae C34:3、PC ae C36:0、PC ae C36:2、PC ae C38:l、PCae C38:3、SM C22:3、SM C24:0、SM C24:l、α-氨基己二酸、反式-OH-脯氨酸、腐胺、甜菜碱、甲酸盐、葡萄糖、甘油、甲醇和丝氨酸。
在根据任何一个前述的本发明的实施方式的所述方法的另一个实施方式中,所述ACNSI选自mTSI和非TSI。在此实施方式的一个方面中,所述mTSI包括脊髓挫伤(contusion)、拉伸和/或部分的横断,并且所述非TSI包括由椎间盘疾病、电、中风、中毒、化学品、感染、缺血、代谢、炎症、自身免疫、退化、缺氧引起的损伤以及癌症/辐射诱导的脊髓损伤。
在根据任何一个前述的本发明的实施方式的所述方法的另一个实施方式中,所述ACNSI选自mTBI和非TBI。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,所述ACNSI是mTBI。在此实施方式的一个方面中,mTBI是震荡伤(concussion)或在冲击诱导的外伤性脑损伤中的原发性冲击伤(primary blast)。
在根据任何前述的本发明的实施方式的所述方法的另一个实施方式中,所述ACNSI是非TBI。在此实施方式的一个方面,所述非TBI选自电诱导的脑损伤(电击)、惊厥(seizure)诱导的脑损伤、手术诱导的脑损伤、中风诱导的脑损伤、中毒诱导的脑损伤、心理性脑损伤、化学性脑损伤、感染性脑损伤、缺血性脑损伤、代谢性脑损伤、炎症性脑损伤、自身免疫性脑损伤、退行性脑损伤、缺氧性脑损伤以及癌症/辐射诱导的脑损伤。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,所述ACNSI是震荡伤。
在根据任何一个前述的实施方式的所述方法的另一个实施方式中,所述ACNSI是在冲击诱导的外伤性脑损伤中的原发性冲击伤。
在另一个实施方式中,本发明是用于与计算机系统结合使用的计算机程序产品,所述计算机程序产品包括计算机可读取的存储介质以及植入其中的计算机程序机制,所述计算机程序机制包含可执行指令,所述可执行指令用于执行在对象中诊断ACNSI的方法,所述可执行指令包括:(a)使用多变量统计分析和机器学习,以将对象的代谢物图谱与ACNSI代谢的图谱的预设集和正常的代谢的图谱的预设集进行比较,以及(b)基于所述的比较,确定所述对象是否患有ACNSI。
在本发明的所述计算机程序产品的一个实施方式中,所述程序机制进一步包含用于以下的可执行指令:(i)识别在来自已知具有ACNSI的对象的群体的生物学样品的第一集中的代谢物、以及在来自对照的非ACNSI(称为“正常”)对象的群体的生物学样品的第二集中的代谢物,从而使用所述ACNSI和正常代谢物矩阵获得所述预设的ACNSI图谱和所述预设的正常图谱。
在本发明的所述计算机程序产品的另一个实施方式中,通过t-SNE,在所述对象的代谢物图谱上以及在预设的ACNSI和正常的图谱中执行初始的维数降低。
在根据任何一个本发明的前述的实施方式的计算机程序产品的另一个实施方式中,所述ACNSI选自mTSI和非TSI。在此实施方式的一个方面,所述mTSI包括脊髓挫伤、拉伸和/或部分的横断,并且所述非TSI包括由椎间盘疾病、电、中风、中毒、化学、感染、缺血、代谢、炎症、自身免疫、退化、缺氧引起的损伤以及癌症/辐射诱导的脊髓损伤。
在根据任何一个前述的本发明的实施方式的所述计算机程序产品的另一个实施方式中,所述ACNSI选自mTBI和非TBI。
在根据任何一个本发明的前述的实施方式的所述计算机程序产品的另一个实施方式中,所述ACNSI是mTBI。在此实施方式的一个方面中,所述mTBI是震荡伤或在冲击诱导的外伤性脑损伤中的原发性冲击伤。
在根据任何本发明的前述的实施方式的所述计算机程序产品的另一个实施方式中,所述ACNSI是非TBI。在此实施方式的一个方面,所述非TBI选自电诱导的脑损伤(电击)、惊厥诱导的脑损伤、手术诱导的脑损伤、中风诱导的脑损伤、中毒诱导的脑损伤、心理性脑损伤、化学性脑损伤、感染性脑损伤、缺血性脑损伤、代谢性脑损伤、炎症性脑损伤、自身免疫性脑损伤、退行性脑损伤、缺氧性脑损伤以及癌症/辐射诱导的脑损伤。
在另一个实施方式中,本发明提供了评估人类ACNSI的非人类动物模型的方法,所述方法包括:(a)从ACNSI的非人类动物模型中获得代谢物图谱;以及(b)使用多变量统计分析和机器学习,以将所述非人类动物模型图谱与人类ACNSI的代谢物图谱的预设集和人类非ACNSI的代谢物图谱的预设集进行比较,以确定所述非人类动物是否分类为ACNSI。
在评估ACNSI的非人类动物模型的所述方法的一个实施方式中,通过从已知患有ACNSI的对象的群体中获得第一代谢物图谱以及从对照的非ACNSI(称为“正常”)对象的群体中获得第二代谢物图谱,以获得人类ACNSI和非ACNSI代谢物图谱的预设集。
在评估ACNSI的非人类动物模型的所述方法的另一个实施方式中,ACNSI的非人类动物模型的代谢物图谱以及ACNSI和非ACNSI图谱的第一和第二预设集,被提供作为多维代谢组学数据的集,并且其中步骤(b)包含:向所述多维代谢组学数据的集施加(i)维数降低、(ii)特征选择、或(iii)维数降低和特征选择两者,以获得降低的代谢组学数据集。
在评估ACNSI的非人类动物模型的所述方法的另一个实施方式中,步骤(b)包含:将所述非人类动物的代谢物图谱的集以及ACNSI和非ACNSI的预设代谢物图谱的集进行标准化,以获得矩阵,并且直接地在代谢物矩阵上执行主成分分析。
在根据任何一个本发明的前述的实施方式的评估ACNSI的非人类动物模型的另一个实施方式中,所述ACNSI选自mTSI和非TSI。在此实施方式的一个方面,所述mTSI包括脊髓挫伤、拉伸和/或部分的横断,以及所述非TSI包括由椎间盘疾病、电、中风、中毒、化学、感染、缺血、代谢、炎症、自身免疫、退化、缺氧引起的损伤以及癌症/辐射诱导的脊髓损伤。
在根据任何一个本发明的前述的实施方式的评估ACNSI的非人类动物模型的所述方法的实施方式中,所述ACNSI选自mTBI和非TBI。
在根据任何一个本发明的前述的实施方式的评估ACNSI的非人类动物模型的所述方法的另一个实施方式中,所述ACNSI是mTBI。在此实施方式的一个方面,所述mTBI是震荡伤或在冲击诱导的外伤性脑损伤中的或原发性冲击伤。
在根据任何本发明的前述的实施方式的评估ACNSI的非人类动物模型的所述方法的另一个实施方式中,所述ACNSI是非TBI。在此实施方式的一个方面,所述非TBI选自中风诱导的脑损伤、中毒诱导的脑损伤、心理性脑损伤、化学性脑损伤、感染性脑损伤、缺血性脑损伤、代谢性脑损伤、炎症性脑损伤、自身免疫性脑损伤、退行性脑损伤、缺氧性脑损伤以及癌症/辐射诱导的脑损伤。
附图说明
下述附图阐明了本发明的各个方面以及优选的和替代性的实施方式。
图1:在降低的2-维空间中描绘的个体对象的图,以阐明t-SNE维数降低的步骤的能力(12例震荡伤对象-实心圆、17例对照对象-空心圆)。
图2:阐明了聚集的完全连锁层次聚类(agglomerative complete-linkagehierarchical clustering)的图,其产生3个最高级的集群:绿色(“G”)集群-全部有震荡伤,但2蓝绿色(“C”)集群-全部有震荡伤,红色(“R”)集群-两例有震荡伤、一例对照。
图3:阐明了接受者操作曲线(ROC)的图。注意ROC 0倍、ROC 1倍、以及ROC2倍的曲线被叠加。
图4:在首要的3个成分的3-维散点图中描绘个体动物的图(15例冲击伤动物-实心圆,15例对照动-“X”)。
图5:在降低的2-维空间中描绘个体对象的图,以阐明t-SNR维数降低步骤的能力(冲击伤大鼠-空心圆,对照大鼠-实心圆)。
图6:皮尔逊积矩相关系数以两两比较在对象之间的代谢物图谱。
图7:阐明了聚集的完全连锁层次聚类的图,其产生2个最高级的集群:冲击伤(“B”)集群(n=15)以及对照(C)集群(n=15)。
图8:阐明了在本发明的实施方式中使用的数据分析的方法以及建模的方法的图。
发明详述
缩写
MS代谢物表格
定义
除非另有定义,否则本文所用的全部技术和科学术语都具有如由本发明所属技术领域的普通技术人员中的一员通常理解的相同含义。同样,除非另有说明,否则除了在权利要求之内,“或”的使用包括“和”并且反之亦然。非限制的术语不被解释为限制,除非明确地说明或上下文中另有清楚地表明(例如,“包括”、“具有”、和“包含”通常表明“包括但不限于”)。在权利要求中包括的单数形式例如“一个”、“一种”和“所述”包括复数的指代,除非另有明确地说明。为了帮助理解和准备本发明,提供了以下的说明性的、非限制性的例子。
在此文档中,“轻度外伤性脑损伤”“mTBI”(其也可在文献中被称为轻度头部损伤或震荡伤)的定义,采用自美国康复医学会(American Congress of RehabilitationMedicine,ACRM;J Head Trauma Rehabil 1993;8(3):86-87),并且它指已经患有外伤地诱导的脑功能的生理性损坏的人,表现为以下中的至少一种:1.任何期间的意识丧失;2.对事件之前或之后的事件的任何记忆丧失;3.在该事件时的在精神状态上的任何改变(例如,感到眩晕、失去方向感、或神志不清);以及4.局灶性神经学缺损,其可以是瞬时的或可以不是瞬时的;但其中损伤的严重程度不会超过以下:失去意识接近30分钟或更短;在30分钟后,初始的格拉斯哥昏迷量表(GCS)为13-15;以及外伤后健忘症(PTA)不大于24小时。此定义包括:1.头部被撞击,2.头部撞击物体,以及3.脑部经历了加速/减速运动(即鞭击)而没有对头部造成直接的外部创伤。计算机断层扫描、核磁共振成像、脑电图、近红外光谱、正电子放射断层扫描或常规神经学评估可以是正常的。由于医疗应急的缺乏或某些医疗系统的现实,一些患者在急性阶段中可能没有将上述因素进行医学记录。在这样的病例中,考虑症状学是恰当的,当联系至外伤性脑损伤时,其可以表明mTBI的存在。
“非外伤性脑损伤”(非TBI)包括可能是以下的结果的脑损伤:中风、中毒、心理困扰、化学品、感染、炎症、自身免疫性疾病、退行性过程、缺氧、缺血、代谢紊乱和癌症/辐射。
在本文中,“轻度外伤性脊髓损伤”“mTSI”的定义是具有一种或多种可随时间解决的脊髓症状的不完全性损伤(例如,肠或膀胱控制的丧失,血压和体温的不良调节、疼痛、感知不良、身体姿势不佳、性功能障碍等)。mTSI的起因可以包括挫伤、拉伸过度、和部分脊柱横断。
“非外伤性脊髓损伤”(非TSI)包括可能是以下的结果的脊髓损伤:中风、中毒、心理困扰、化学品、感染、炎症、自身免疫疾病、退行性过程、缺氧、缺血、代谢紊乱和癌症/辐射。
“代谢组(metabolome)”指在生物细胞、组织、器官或有机体中的全部代谢物的集合,其是细胞进程的终产物。“代谢组”包括脂质组(lipidome)、糖、核苷酸和氨基酸。脂质组是在生物细胞、组织、器官或有机体中的完整的脂质图谱。
“代谢组学图谱分析”是指在生物标本或样品中的小分子代谢物的表征和/或测量,所述标本或样品包括细胞、组织、器官、有机体或其任何衍生部分以及液体(例如血液、血浆、血清、唾液、滑液、尿液、支气管肺泡灌洗液和组织提取物等)。
代谢物图谱可以包括例如在样品中存在的小分子的数量和/或种类的信息。本领域的普通技术人员将知晓,必要的和/或足够的信息将根据“代谢物图谱”的预期用途而变化。例如,可以使用单一的技术确定用于某一预期用途的“代谢物图谱”,但是可能需要使用几种不同的技术以用于其他的预期用途,这取决于以下因素:涉及的疾病状态、在特定靶定的细胞区室中存在的小分子的类型、被检测的细胞区室本身、等等。
根据被编译的信息(例如光谱)的预期用途,在“代谢物图谱”中的相关信息也可以变化。例如对于某些预期用途,特定的代谢物或特定类别的代谢物的数量可以是相关的,但对于其他用途,代谢物的类型的分布可以是相关的。
可以通过几种方法生成代谢物图谱,例如HPLC、薄层色谱(TLC)、电化学分析、质谱(MS)、折射率光谱(RI)、紫外光谱(UV)、荧光分析、放射化学分析、近红外光谱(近IR)、核磁共振(NMR)、荧光光谱、双偏振干涉、计算方法、光散射分析(LS)、气相色谱(GC)、或与MS结合的GC、与LC-MS/MS结合的直接注入(DI)和/或本领域已知的其他方法或方法的组合。
术语“小分子代谢物”包括有机和无机的分子,其存在于细胞、细胞区室、或细胞器中,通常具有低于2000或1500的分子量。该术语不包括大大分子,例如大蛋白(例如分子质量超过2,000、3,000、4,000、5,000、6,000、7,000、8,000、9,000或10,000的蛋白)、大核酸(例如分子质量超过2,000、3,000、4,000、5,000、6,000、7,000、8,000、9,000或10,000的核酸)、或大多糖(例如分子量超过2,000、3,000、4,000、5,000、6,000、7,000、8,000、9,000或10,000的多糖)。细胞的小分子代谢物通常被发现游离在细胞质或在其他细胞器(例如线粒体)中的溶液中,其中它们形成了可以被进一步代谢或用于生产大分子(称为高分子)的中间体的池。术语“小分子代谢物”包括在将源于食物的能量转化为可用的形式的化学反应中的信号分子和中间体。小分子代谢物的例子包括磷脂、甘油磷脂、脂质、缩醛磷脂、糖、脂肪酸、氨基酸、核苷酸、在细胞进程期间形成的中间体、异构体和在细胞内发现的其他小分子。在一个实施方式中,本发明的小分子是被分离的。优选的代谢物包括脂质和脂肪酸。
如本文所用的术语“对象”,是指动物界的全部成员,包括哺乳动物,优选人类。
如本文所用的术语“患者”,是指被怀疑患有中枢神经系统的获得性损伤(ACNSI)的对象。在本文中,ACNSI包括获得性脑损伤(ABI)以及获得性脊髓损伤(ASI)。这些损伤可以是外伤性的(mTBI和mTSI)以及非外伤性的(非TBI和非TSI)。mTBI包括震荡伤和冲击伤,包括冲击超压波损伤。非TBI包括电诱导的脑损伤(电击)、惊厥诱导的脑损伤、手术诱导的脑损伤、中风诱导的脑损伤、中毒诱导的脑损伤、心理性脑损伤、化学性脑损伤、感染性脑损伤、缺血性脑损伤、代谢性脑损伤、炎症性脑损伤、自身免疫性脑损伤、退行性脑损伤、缺氧性脑损伤以及癌症/辐射诱导的脑损伤。mTSI包括脊髓震荡、拉伸和/或部分的横断,并且非TSI包括椎间盘疾病、电、中风、中毒、化学品、感染、缺血、代谢、炎症、自身免疫、退行性、缺氧以及癌症/辐射诱导的脊髓损伤。
概述
本发明涉及在诊断获得性中枢神经系统(ACNSI)中的代谢组学图谱分析的应用,所述ACNSI包括ABI和ASI。ABI包括mTBI和非TBI。ASI包括mTSI和非TSI。对于脑和脊髓的外伤性损伤可包括震荡伤和冲击伤,包括冲击超压波损伤以及脊髓挫伤、拉伸和/或部分横断。非外伤性损伤(非TBI和非TSI)可以包括电诱导的(电击)、惊厥诱导的、手术诱导的、中风、中毒、心理困扰、化学品、感染、炎症、自身免疫疾病、退行性进程、低氧、缺血、代谢紊乱以及癌症/辐射(同样,对于非TSI为椎间盘疾病)。本发明还涉及在对象中诊断ABI(例如mTBI和非TBI)以及ASI(例如mTSI和非TSI)中的单一的生物标记物。
申请人发现,代谢物图谱分析以相对高度的确定性识别了ACNSI的形式。截至本发明之日,本发明的方法的预测能力可能是至今用于mTBI诊断的最好的生物学测试。本发明的方法和计算机程序可以被用在现场即时(point-of-care)代谢组学测试中,该测试使用生成代谢物图谱的可携带的桌面/台面的或手持的设备。
代谢组学图谱分析
因为代谢物以非常宽的浓度范围存在并且展现了化学多样性,没有仪器可以在单次分析中可靠地测量在非人类或人类代谢组中的全部的代谢物。相反,代谢组学图谱分析的实践者通常使用一套仪器,其大多数通常涉及与MS结合的液相色谱(LC)或气相色谱(GC)的不同组合,以获得宽的代谢物覆盖。[Circulation.2012;126:1110-1120]。尽管在本发明中使用了NMR和直接注入LC-MS/MS(DI/LC-MS/MS)代谢图谱分析,应当理解的是,也可以使用其他的仪器,例如电化学分析、RI、UV、近-IR、LS、GC等。
采用无监督的维数降低技术,单独地分析从已知患有mTBI和非mTBI个体(“对照”或“正常”)获得的NMR和DI-LC-MS/MS代谢图谱;使用有监督的机器学习方法,构建mTBI预测分类器。具体地:将从生物学标本获得的原始的DI-LC-MS/MS和/或NMR数据标准化,并且进行主成分分析(PCA)以及t分布随机邻域嵌入(t-distributed stochastic nearestneighbor embedding,t-SNE)中的一种或两种。在PCA的所有情况中,首要的10个特征向量解释了超过80%的方差,所以丢弃了尾部的特征向量。将在前10个特征向量中的代谢物载荷进行记录,并且将每一个对象投影进PCA空间以检查对象-成分载荷。领先的2个(或3个)成分的二维和三维散点图显示了mTBI对比对照对象的强的集群(图1和图4)。基于此结果的强度,训练线性核支持向量机(SVM),以从输入的代谢图谱中分类mTBI对象。进行分类器的10倍交叉验证,其在单独的DI-LC-MS/MS原始数据上产生的准确度大于约80%,并且在代谢物数量减少的单独的DI-LC-MS/MS数据上为约90-92%之间,在单独的NMR数据上的准确度大于约65%,并且在结合的DI-LC-MS/MS和NMR数据上的准确度为约92%。最后完成在每一对患者的代谢图谱之间的皮尔森积矩系数,以生成相关矩阵。在该相关矩阵中可见清晰的结构,所以在该矩阵上进行完全连锁层次聚类,其有效地将个体群集成“mTBI”组、“非mTBI”组以及小异构组。
基于人类患者的血浆代谢组学图谱分析(DI-LC-MS/MS和NMR一起、或单独的DI-LC-M/MS),预测mTBI的确定性大约为92%。
可以开发现场即时测试(例如桌面MS)来识别ABI(包括mTBI和非TBI)患者,以及来预测他们的脑损伤。
因此,在一个实施方式中,本发明提供了在对象中诊断或预测ACNSI(包括获得性脑损伤(ABI)和获得性脊髓损伤(ASI))的方法。所述方法可以包括以下步骤:(a)从所述对象获得代谢物图谱;以及(b)使用多变量统计分析和机器学习,以将所述对象的图谱与ACNSI损伤的代谢物图谱的预设集和非ACNSI(称为“对照”或“正常”)的代谢物图谱的预设集进行比较,以确定或诊断所述患者是否患有ACNSI损伤或预测所述ACNSI。
可以为经诊断的ABI病例(包括mTBI和非TBI)建立代谢物图谱的资料库(library)。例如,以下的代谢图谱的资料库:震荡伤,在冲击诱导的外伤性脑损伤中的原发性冲击伤,电诱导的脑损伤(电击),惊厥诱导的脑损伤,手术诱导的脑损伤,中风诱导的脑损伤,中毒诱导的脑损伤,心理性脑损伤,化学性脑损伤,感染性脑损伤,缺血性脑损伤,代谢性脑损伤,炎症性脑损伤,自身免疫性脑损伤,退行性脑损伤,缺氧性脑损伤,和癌症/辐射诱导的脑损伤,以及任何其他可能形式的ABI。可以使用此资料库作为ABI的代谢图谱的预设集。相似地,可以为经诊断的ASI病例建立资料库,以获得ASI的代谢图谱的预设集。可以从已知没有患有ABI和/或ASI的形式的对象中获得正常代谢图谱的预设集。使用多变量统计分析和机器学习,可以将所述对象的图谱与ABI/ASI的代谢物图谱的预设集和非ABI/非ASI(称为“对照”或“正常”)的代谢物图谱的预设集进行比较,以不仅确定所述患者是否患有ABI/ASI,而且还确定所述的ABI/ASI的类型(即,震荡伤、在冲击诱导的外伤性脑损伤中的原发性冲击伤、电诱导的脑损伤(电击)、惊厥诱导的脑损伤、手术诱导的脑损伤、中风诱导的脑损伤、中毒诱导的脑损伤、心理性脑损伤、化学性脑损伤、感染性脑损伤、缺血性脑损伤、代谢性脑损伤、炎症性脑损伤、自身免疫性脑损伤、退行性脑损伤、缺氧性脑损伤以及癌症/辐射诱导的脑损伤等)以及预后。
可以在计算机产品(记忆棒、作为手持设备(例如平板和移动电话等)的应用)中提供预设的图谱(ABI、ASI和对照)的资料库,或它们可被上传至计算机系统的内存,该计算机系统包括大型机、台式机、笔记本电脑、手持设备(例如平板和移动电话)。可以从被怀疑患有ABI和/或ASI的患者中取得血液或任何其他体液,例如全血、血浆、血清、唾液、滑液、尿液、脊髓液、支气管肺泡灌洗液、泪液、汗液和提取物等。可以使用任何已知技术(例如高效液相色谱、薄层色谱、电化学分析、质谱(MS)、折射率光谱、紫外光谱、荧光分析、放射化学分析、近红外光谱、核磁共振(NMR)、光散射分析、气相色谱(GC)、或与MS结合的GC、与LC-MS/MS结合的直接注入(DI)等),从该对象的液体中获得代谢物图谱。然后可以将该对象的代谢物图谱上传至计算机系统(大型机、台式机、笔记本电脑、手持设备等)。然后操作者可以使用多变量统计分析和机器学习,将该对象的图谱与ABI和/或ASI的代谢物图谱的预设集和非ABI/非ASI(称为“对照”或“正常”)的代谢物图谱的预设集进行比较,以不仅确定所述患者是否患有ABI和/或ASI,而且还确定ABI和/或ASI的类型、或治疗是否有效。该操作者可以选择多变量分析和机器学习的类型。
恢复至正常的代谢组学图谱可以作用来协助追踪受ABI、ASI、mTSI、非TSI、mTBI和/或非TBI影响的个体的医疗干预(包括康复治疗),并且引导恢复至在ABI前/在ASI前的玩乐、学校、工作和/或日常活动。
因此,在另一个实施方式中,本发明是在ACNSI患者(包括mTSI患者、非TSI患者、mTBI患者和非TBI患者)中跟踪或追踪医疗干预(包括康复治疗)的效率的方法,所述方法包括:(a)在医疗干预(包括康复治疗)期间在不同时间从所述患者中获得代谢物图谱;以及(b)使用多变量统计分析和机器学习,以将在所述不同时间中的每一个期间或之处的所述患者的图谱与ACNSI的代谢物图谱的预设集和非ACNSI(正常对照)的代谢物图谱的预设集进行比较,以追踪在所述患者中的医疗干预的效率。恢复至所述患者的正常代谢组学图谱可以作用来评估所述患者的所述医疗干预(包括康复治疗)是否已经成功。
在一个实施方式中,本发明是评估人类ACNSI(包括mTBI和非TBI以及mTSI和非TSI)的非人类动物模型的方法。所述方法可被用于确定最能代表人类情况的动物模型,其对于治疗干预和发现是有用的。在一个实施方式中,所述方法可以包括:(a)从ACNSI的非人类动物模型中获得代谢物图谱;以及(b)使用多变量统计分析和机器学习,以将所述非人类动物模型图谱与人类ACNSI的代谢物图谱的预设集和人类非ACNSI的代谢物图谱的预设集进行比较,以确定所述非人类动物是否患有ACNSI。如果其被分类为ACNSI,则所述非人类动物模型可以被认为是人类ACNSI的准确的、可靠的并且可重复的模型。如果其被以预设的准确度或确定性分类为ACNSI,则所述非人类动物模型可以是人类ACNSI的模型。
为了帮助理解和制备本发明,提供了下述说明性的、非限制性的实施例。
实施例
实施例1
材料和方法
韦仕敦大学(Western University)人类研究道德委员会批准了此研究。从法定监护人获得了知情同意书,并且从青少年对象获得了同意书。
对象招募:
招募了来自加拿大安大略省西南部的男性青少年冰上曲棍球运动员(雏量级,年龄12-14岁)来参加此研究。为了帮助招募,在冰上曲棍球城市阿瑞纳斯展示了研究的信息海报以及阿瑞纳斯官方的同意书,并且已经对几个地区的曲棍球董事会和教练做了口头陈述。对在韦仕敦大学福勒肯尼迪运动医学诊所的首诊医生处出现疑似震荡伤的青少年曲棍球运动员进行筛选并且取得了同意。当在典型的震荡症状发病之后观察到损伤机制并且没有结构性损伤时,诊断为运动震荡伤。对照对象是年龄、性别和活动匹配的未受伤的曲棍球球员,并且其过去没有遭受过震荡伤。排除具有已知的神经损害或疾病的任何对象。在招募后,对全部研究对象分配用于识别的随机的研究编号。没有使用进一步的对象标识以保护身份。
有震荡伤的对象和对照对象(包括他们父母/监护人)完成了运动震荡评估工具-第三版[SCAT3,13-14岁的年龄;(Guskiewicz et al.,2013)]或儿童-SCAT3[被推荐用于12岁年龄的儿童或年轻人的改进的工具,其考虑了在表现中的发展差异(Glaviano et al.,2015)]。具有在震荡伤管理中的专业知识的运动医学医师使所有受伤的运动员经历了完整的病史、身体和神经系统检查。所述受伤的运动员被提供了由初级保健运动医学医师引导的用于震荡伤的标准化照料。
在首次就诊时,由认证的抽血者、护士或临床医生抽取所有对象20ml的血液进入EDTA真空采血管。该血液被离心,然后等分血浆并储存在-80℃。
DI-LC/MS/MS
使用直接注入质谱(AbsolutelDQTM Kit)和反相LC/MS/MS试剂盒(BIO CRATESLife Sciences AG,Austria)的组合,将靶标的定量的代谢组学方法应用来分析血浆样品。此试剂盒,与ABI 4000 Q-Trap(Applied Biosystems/MDS Sciex)质谱仪结合,可以被用于多达180种不同的内源性代谢物的靶标的识别和定量,所述代谢物包括氨基酸、酰基肉碱、生物胺、甘油磷脂、鞘脂和糖。所述方法将分析物的衍生化和提取与使用多反应监测对的选择性的质谱检测结合。将同位素标记的内部标准品和其他的内部标准品整合在所述试剂盒板式过滤器中用于代谢物定量。所述AbsolutelDQ试剂盒含有具有用密封带连接的过滤板的96深孔板、以及用于准备板分析的试剂和溶剂。将在试剂盒中的开始的14个孔用作每一个试剂盒提供的1个空白、3个零样品、7个标准品以及3个质量对照样品。使用AbsolutelDQ试剂盒方案,根据用户手册,分析全部的血浆样品。简要地,在冰上解冻血浆样品,然后涡旋并在13,000x g离心。将每一个血浆样品(10μL)加载在上部的96孔试剂盒板上的过滤器的中心上,并且在氮气流中干燥。随后,加入20μL的5%异硫氰酸苯酯的溶液用于衍生化。在孵育后,使用蒸发器再次干燥过滤点。然后通过加入含有5mM醋酸铵的300μL甲醇,实现代谢物的提取。通过离心进入下部的96深孔板中以获得提取物,然后使用试剂盒MS运行溶剂进行稀释。在装备了溶剂输送系统的API4000串联质谱仪器(Applied Biosystems/MDSAnalytical Technologies,Foster City,CA)上执行质谱分析。先后通过LC和DI,将样品输送至质谱仪。从样品登记至代谢物浓度的自动计算,使用Biocrates MetlQ软件来控制整个分析的工作流程。使用靶标的图谱分析方案,使用多反应监测、中性丢失和前体离子扫描,来定量地筛选已知的小分子代谢物。
NMR
如前所述,通过超滤将血浆样品脱去蛋白质(Psychogios et al,2011)。在过滤之前,每次用0.5mL的H2O冲洗5次3KDa拦截离心过滤器单元(Amicon Microcon YM-3),然后离心(10,000rpm,10分钟),以去除结合至过滤器膜的残留甘油。然后将等分的每一个血浆样品转移进入该离心过滤器装置,并且离心(10,000rpm,20分钟),以从该样品中移除高分子(主要蛋白和脂蛋白)。目视检查该滤液的膜受损的任何证据,并且对于这些样品,用不同的过滤器重复过滤过程并且再一次检查滤液。收集随后的滤液并且记录体积。如果样品的总体积小于600μL,则从50mM NaH2PO4缓冲液(pH7.0)加入适当的量,直到样品的总体积为600μL。将不得不加入缓冲液来使溶液体积变为600μL的任何样品注释稀释因子,并且在随后的分析中校正代谢物浓度。随后,将70μl的D2O以及30μl的标准缓冲液(11.7mM DSS(2,2-二甲基-2-硅氧烷戊烷-5-磺酸二钠)、730mM咪唑、和0.47%在H2O中的NaN3)加入至样品。
然后将血浆样品(700μL)转移至标准的NMR试管,用于随后的光谱分析。在500MHzInova(Varian Inc.Palo Alto,CA)光谱仪上收集所有1H-NMR光谱,所述光谱仪装备有5mmHCN Z-梯度脉冲场梯度室温探针。在25℃使用NOESY-预饱和脉冲序列的第一个瞬态获取1H-MR光谱,选择它的高度的定量精度(Saude et al,2006)。全部FID(自由感应衰减)被零填充(zero-filled)至64K数据点,并且进行0.5Hz的谱线增宽。使用由DSS甲基基团生成的单谱线(singlet)作为内部标准以用于化学位移参考(设为0ppm),并且为了进行定量,使用Chenomx NMR Suite Professional Software package version 7.1(Chenomx Inc,Edmonton,AB)处理及分析全部的1H-MR光谱。通过将光谱特征从内部数据库手动地拟合至光谱,Chenomx NMR Suite软件允许NMR光谱的定性和定量分析。具体地,使用标准的Chenomx 500MHz代谢物资料库,完成对于代谢物的光谱拟合。通常地,90%的可见峰被分配至化合物,并且使用Chenomx光谱分析软件可以常规地拟合超过90%的光谱面积。用化合物名字注释大部分的可见峰。之前已经示出了,此拟合过程提供了90%或更好的绝对浓度准确度。通过至少两个NMR光谱学者评估和分析每一个光谱,以最小化化合物错误识别及错误定量。我们使用样品尖峰(sample spiking)来确认指定化合物的身份。样品尖峰涉及加入20-200μΜ的被怀疑的化合物并检查生成的光谱,以确定相对的NMR信号强度是否如预期改变。
数据分析
人口统计学和震荡伤工具数据被报道为平均值±标准偏差(SD),将P值<0.05当作我们的统计学显著性的标准。提取每一个对象的原始的NMR和MS数据,并且在对象之间在每一个代谢物标记物之内进行标准化。更具体地,调节每一个代谢的标记物的数据以具有单位标准。最初的探索性分析涉及通过代谢物矩阵直接在对象上执行主成分分析(PCA)。由数据的固有维度明显低于代谢标记物的数量这一观察结果所驱动,使用了t分布随机邻域(t-SNE)嵌入算法(van der Maaten and Hinton,2008)在完整数据矩阵上执行非线性的维数降低。与强行进行数据的脆弱的、正交的、线性的重构的PCA不同,t-SNE假定数据的“最优”的代表存在于这样的流形上,该流形具有复杂的几何形状、但是维度低、被嵌入原始数据的完整维度空间中。使用t-SNE将完整的代谢数据集降低至仅二维。然后我们在维数降低并且完整的数据集上训练单独的支持向量机(SVM)(其具有线性核),以将对象分类为有震荡伤的或非震荡伤。我们使用留一法交叉验证了我们的分类器,并且针对通过重新采样生成的零分布评估了统计学显著性。为了调查该被训练的分离器的稳健性,生成了接受者操作特征(ROC)曲线;对4倍交叉验证的方法的每一倍生成一个曲线,其中在数据的亚集上训练用于每一倍的分类器,然后在未被用于训练的不相交的、保留的亚集上进行测试。所述ROC曲线描绘了该分类器的真阳性率与假阳性率;图3的左上角是“理想的”并且主对角线会被仅仅在标签上随机猜测的分类器占据。
结果
代谢组学
分析来自男性青少年冰上曲棍球球员的血浆:12例有震荡伤(13.4±2.3岁的年龄)以及17例非损伤的对照(12.9±1.0岁的年龄;P=0.213)。从震荡伤发生到首诊时的抽血的预估的时间是2.3±0.7天。
根据SCAT3(n=11)的自我报道的症状评估揭露的的总的症状评分以及总的症状严重程度分别为11.6±4.8和29.3±22.8(表1)。使用儿童SCAT评估了一个震荡伤的患者,并且其总的症状评分为6以及总症状严重程度为12。使用SCAT3(n=17)评估全部非损伤对照,其揭露的总的症状评分以及总的症状严重程度分别为0.5±1.5和0.6±1.8。
通过DI/LC-MS/MS(表2)和NMR(表3),分别地测试血浆的143种和31种代谢物。
PCA
使用PCA,证明了首要的10个成分解释了数据中82%的方差,10个成分中的每一个被加权到许多下面的代谢物上(表4)。最引人注目的观察是在震荡伤的和非震荡伤的对象之间血浆中的甘油磷脂的较高的方差。
t-SNE
使用t-SNE使完整的代谢数据集下降至二维,因为该数据的固有维度显著低于代谢物的数量(图1)。在此维数降低步骤之后,训练支持向量机(SVM)(其具有线性核),以将对象分类为震荡伤的或非震荡伤的。使用留一法的分类器的交叉验证证明了在青少年冰上曲棍球球员中诊断震荡伤精确度为92%。
将分类准确度作为我们的检验统计量,我们通过排列检验调查了我们观察的准确度的显著性。我们通过对分类标签进行随机混排;对每一个混排的标签集训练和测试新分类器;并且记录分类率,生成了零分布。将我们观察到的92%准确度与10,000例样品的零分布进行比较,其中零分类器都没有达到92%的准确度,我们计算出p<0.0001。
然后我们将实现合理的分类准确度所需的代谢物的数量最小化。使用卡方检验从而以单变量方式来选择信息化的代谢物,我们通过仅17种代谢物继续观察到了92%的分类准确度(表5,栏1)。然后使用回归特征消除来证实准确度,然后使用31种代谢物得到了90%的相似的分类准确度(表5,栏2)。
作为最终步骤,我们通过其代谢组学图谱的直接比较,将震荡伤和非震荡伤的对象进行群集。我们计算了每一对(正常的)对象代谢图谱的皮尔逊积矩相关系数,以生成相关矩阵。使用聚集的完全连锁层次聚类(图2),在该相关矩阵中最佳地识别集群。
通过SVM在4倍交叉验证上生成了接受者操作曲线(图3),证明了当鉴别力阈变化时二元分类器的性能,并且生成了0.91的平均ROC。
表1.通过SCAT3进行的症状评估(由于进行了儿童SCAT,1例患者未示出)*
症状 | 症状的#(n=11) | 百分比(%) |
头疼 | 10 | 91% |
头晕 | 9 | 82% |
头内压力 | 9 | 82% |
对光敏感性 | 9 | 82% |
感觉不适 | 9 | 82% |
难以集中 | 8 | 73% |
疲劳或精神不振 | 8 | 73% |
对噪音敏感性 | 8 | 73% |
感觉迟缓 | 8 | 73% |
困倦 | 7 | 64% |
平衡问题 | 7 | 64% |
入睡困难 | 7 | 64% |
记忆困难 | 6 | 55% |
脖子疼痛 | 5 | 45% |
视力模糊 | 4 | 36% |
感到困惑 | 4 | 36% |
混乱 | 4 | 36% |
应激性 | 3 | 27% |
恶心或呕吐 | 2 | 18% |
更情绪化 | 1 | 9% |
悲伤 | 1 | 9% |
紧张或焦虑 | 1 | 9% |
*1例患者未显示,因为他们通过儿童SCAT3进行了症状评价,(经报道的症状:难以集中;I幻想过多;头疼;头晕;很累;并很容易疲倦)。
表2.DI-LC/MS/MS(143个代谢物)
表3.NMR(31个代谢物)
2-羟基丁酸盐 | 丙二醇 |
3-羟基丁酸盐 | 丙酮酸盐 |
3-羟基异戊酸盐 | 丝氨酸 |
醋酸盐 | 琥珀酸盐 |
丙酮 | 苏氨酸 |
丙氨酸 | 酪氨酸 |
甜菜碱 | 缬氨酸 |
肉碱 | |
柠檬酸盐 | |
肌酸 | |
肌酸 | |
甲酸盐 | |
葡萄糖 | |
谷氨酰胺 | |
甘油 | |
甘氨酸 | |
组氨酸 | |
异亮氨酸 | |
乳酸 | |
亮氨酸 | |
赖氨酸 | |
甲醇 | |
苯并氨酸 | |
脯氨酸 |
表4:PCA识别了10个首要成分(“Comp.”)的每一个的前10个加权代谢物
表4(续)
表5.相似的分类准确度,使用两种独立的分析技术,用更少的代谢物获得。
用卡方检验测定的92%的精确度 | 用回归特征消除测定的90%的精确度 |
1.′C5′ | 1.′C5′ |
2.′PC aa C32:1′ | 2.′PC aa C30:2′ |
3.′PC aa C32:2′ | 3.′PC aa C32:0′ |
4.′PC aa C36:5′ | 4.′PC aa C32:1′ |
5.′PC aa C36:6′ | 5.′PC aa C32:2′ |
6.′PC ae C34:0′ | 6.′PC aa C32:3′ |
7.′PC ae C34:3′ | 7.′PC aa C34:4′ |
8.′PC ae C36:0′ | 8.′PC aa C36:6′ |
9.′PC ae C36:1′ | 9.′PC aa C42:6′ |
10.′PC ae C36:2′ | 10.′PC ae C30:0′ |
11.′PC ae C38:1′ | 11.′PC ae C30:1′ |
12.′PC ae C38:2′ | 12.′PC ae C32:1′ |
13.′PC ae C38:3′ | 13.′PC ae C34:0′ |
14.‘腐胺’ | 14.′PC ae C34:2′ |
15.‘甲酸盐’ | 15.′PC ae C34:3′ |
16.‘甲醇’ | 16.′PC ae C36:0′ |
17.‘琥珀酸盐’ | 17.′PC ae C36:2′ |
18.′PC ae C38:1′ | |
19.′PC ae C38:3′ | |
20.′SM C22:3′ | |
21.′SM C24:0′ | |
22.′SM C24:1′ | |
23.‘α-氨基己二酸’ | |
24.‘反式-OH-脯氨酸’ | |
25.‘腐胺’ | |
26.‘甜菜碱’ | |
27.‘甲酸盐’ | |
28.‘葡萄糖’ | |
29.“甘油’ | |
30.‘甲醇’ | |
31.‘丝氨酸’ |
在此研究中,我们在震荡伤的青少年冰上曲棍球球员以及匹配的对照上执行了代谢组学图谱分析。使用多变量统计分析和机器学习,我们预测的震荡伤的个体的确定性高达92%。观察到的最引人注目的模式之一是该模型在血浆甘油磷脂的改变上的可靠性,其解释了在震荡伤和非震荡伤的对象之间接近50%的方差。用机器学习的代谢组学图谱分析是新的具有高敏感性的诊断方法。
我们具体地调查了在青少年冰上曲棍球球员中的震荡伤。在我们的区域,青少年男性具有最高的震荡伤风险,并且在冰上曲棍球竞技场的运动相关的活动中最经常被震荡(Stewart et al.,2014)。由于青少年患者的脑仍在发育中,所以在这些青少年患者中的震荡伤是特别关注的(Halstead et al.,2010;Toledo et al.,2012)。由于头盖骨更薄、颈部肌肉更弱、髓鞘形成更少、脑含水量更多、代谢需求更高、蛛网膜下腔(其中脑可以更自由地移动)更大,更年轻的患者更易受到损伤影响(Karlin,2011;Morrison et al.,2013)。随后,震荡伤的发生率在年轻人中更高,并且相对于成年人复原的时间更长(Lovell et al.,2004;Pellman et al.,2006)。事实上,脑损伤通过打断智力发展和社会发展对于青少年可以具有终生后果(Toledo et al.,2012)。因为适当的早期治疗和康复服务的迅速部署可能会终生改变这个弱势群体的生活,所以精准的震荡伤诊断对于青少年是特别重要的。
目前,震荡伤的诊断仅仅基于临床判断。在我们的研究中通过具有典型的震荡伤症状的损伤机制诊断震荡伤患者。用SCAT3、或用于一个12岁对象的儿童SCAT3评估患者,因为它们对于这些年龄组是推荐的震荡评估工具(Guskiewicz et al.,2013;Glaviano etal.,2015)。基于自我报道症状的平均数量和症状严重程度评分,我们的数据表明了我们的受震荡伤的男性运动员的轻中度症状的严重程度。再者,据我们所知,我们的研究是报道用于非损伤的青少年男性运动员的规范的SCAT3值的首次研究。由于评估的主观性,症状的自我报道是复杂的,并且运动员通常少报道了症状(Lovell and Solomon,2013;Meier etal.,2015)。
震荡伤诊断学仍然存在问题,其中临床判断作为金标准(McCrory et al.,2013)。因此已经主动寻找诊断性血液生物标记物(例如GFAP、Tau、NFL)。尽管有许多研究,但是没有单一的生物标记物或生物标记物组已经被识别用于广泛诊断学,这可能是由于不适当的敏感性、特异性或重复性(Jeter et al.,2013)。单一的生物标记物或数量较少的生物标记物不能准确地反应患者以及发生在脑外伤中的损伤异质性。额外的关注涉及与震荡伤的可变定义比较的个别的生物标记物、涉及常见临床和生物标记物相关的数据元素的不一致的使用、涉及结果测量的可变时间以及涉及缺乏对个体时域剖面线的理解(Papa et al.,2015)。我们的代谢组学图谱分析,检查了174个代谢物并且分类准确度仅需少至17个代谢物,可以有用于开发未来的现场即时测试以及用于未来的震荡伤诊断学的决策支持系统(即网络界面)。
常规的数据是模型驱动的,它们基于以下假设:存在相对小数量的重要变量、以及精心的变量选择是好的模型表现的关键。此方法已经提供了群体的重要的临床信息,但是对于理解个体中的疾病来说显著地受到限制。对常规数据的补充是机器学习,其通过检测潜在模式让该数据创建模型(Shouval et al.,2014)。代谢组学理想地适用于机器学习技术,因为模型的最终表现依赖于每一个数据集包含多少信息。
代谢组学图谱分析需要同时分析所有被检测的代谢物,其中最常用的是PCA分析技术(Bujak et al.,2014)。与强行进行数据的脆弱的、正交的、线性的重构的PCA不同,t-SNE假定数据的“最优”的代表存在于这样的流形上,该流形具有复杂的几何形状、但是维度低、被嵌入原始数据的完整维度空间中(van der Maaten and Hinton,2008)。一旦在降低的2维空间中描绘了个体对象,就可看到t-SNE维数降低步骤的作用。
使用前述的分析,我们确定了在震荡伤和非震荡伤对象之间的代谢物上的变化对于甘油磷脂是最明显的。甘油磷脂是动态的分子,其根据它们在细胞膜内的结构、组合物和定位以不同的速率翻转。至于脑,甘油磷脂占了25%的干重,并且大量地集中在髓磷脂(Farooqui et al.,2000)。甘油磷脂调节膜流动性和渗透性,并且它们是各种第二信使的储存库。甘油磷脂的降解通过磷脂酶发生。
一旦将代谢物数量减少,但仍保持高的分类准确度,则最具信息的是胆碱甘油磷脂以及若干的胆碱缩醛磷脂(例如PCaeC34:0、PCaeC34:3、PCaeC36:0、PCaeC36:l、PCaeC36:2、PCaeC38:l、PCaeC38:2和PCaeC38:3)。缩醛磷脂在髓磷脂中具有显著的数量,>70%的髓磷脂甘油磷脂是缩醛磷脂(Braverman and Moser,2012)。缩醛磷脂被认为具有几种功能,其包括帮助膜结构、作为膜抗氧剂使用以及作为第二信使分子的来源。
在分类准确度上,酰基肉碱C5也具有突出的作用。C5的作用是复杂的,并且涉及能量代谢、脂肪酸运输和线粒体脂肪酸氧化、酮症、氧化应激和线粒体膜损伤。C5在支链氨基酸亮氨酸和异亮氨酸的分解代谢期间产生。C5酰基肉碱的升高可能是在异戊酰-CoA脱氢酶和短/支链酰基-CoA脱氢酶的水平的阻断的指标。其他用于精准分类的重要的代谢物包括腐胺、甲醇、甲酸盐和琥珀酸盐。将后者的这些代谢物拿到一起,这些发现表明了在这些年轻运动员震荡后在脑能量代谢中的急性改变(Sikoglu et al.,2015)。
大多数的信息性代谢物(例如甘油磷脂)聚集成代谢物组。尽管如此,开发统一的理论很难。被识别的代谢物可以反映对原发性震荡损伤的次级后果,或原发性震荡伤本身可以具有次级代谢影响。使用TBI的动物模型的进一步的实验可以是信息化的,其中并行地分析脑和血浆。
代谢物的标准化可以反映组织愈合及复原,并且帮助引导震荡伤康复以及安全地回归玩乐和其他日常活动。提供客观的代谢组学恢复措施,有很大的潜力加强脑震荡伤的管理,其进一步标准化了回归玩乐和回归学习实践,这超出了立法和政策目前能够提供的。这可以使运动员免于过早回归活动,其可导致重复震荡伤、其他损伤和症状延长的风险增加(Harmon et al,2013)。最后,临床判断实际上是用于震荡伤诊断的“金标准”,并且因此震荡伤在有震荡伤的群组中可能已经被过度诊断。同样,在“对照”组中以前的震荡伤可能已经被错过,而亚临床的脑损伤将不能被准确地呈现。
总之,使用血浆代谢组图谱分析,连同多变量统计分析与机器学习一起,我们识别有震荡伤个体的确定性为92%。在所使用的两种分析技术NMR及DI-LC/MS/MS之中,用串联的MS测量的代谢物似乎提供更好的预测能力。事实上,大多数被观察到的在组之间的变化是由于血浆中的甘油磷脂及C5的改变。代谢组学图谱分析代表了mTBI的新诊断方法,并且其适于现场即时的代谢组测试。
用于实施例1的参考文献
Braverman NE,Moser AB.Functions of plasmalogen lipids in health anddisease.Biochim Biophys Acta 2012;1822(9):1442-52.
Bujak R,Struck-Lewicka W,Markuszewski MJ,Kaliszan R.Metabolomics forlaboratory diagnostics.Journal of pharmaceutical and biomedical analysis2014.
Farooqui AA,Horrocks LA,Farooqui T.Glycerophospholipids in brain:their metabolism,incorporation into membranes,functions,and involvement inneurological disorders.Chemistry and physics of lipids 2000;106(1):1-29.
Glaviano NR,Benson S,Goodkin HP,Broshek DK,Saliba S.Baseline SCAT2Assessment of Healthy Youth Student-Athletes:Preliminary Evidence for the Useof the Child-SCAT3 in Children Younger Than 13 Years.Clin J Sport Med 2015;25(4):373-9.
Guskiewicz KM,Register-Mihalik J,McCrory P,McCrea M,Johnston K,Makdissi M,et al.Evidence-based approach to revising the SCAT2:introducingthe SCAT3.Br J Sports Med 2013;47(5):289-93.
Harmon KG,Drezner JA,Gammons M,Guskiewicz KM,Halstead M,Herring SA,Kutcher JS,Pana A,Putakian M,Roberts WO.American Medical Society of SportsMedicine position statement:Concussion in sport.British Journal of SportsMedicine.2013;47(1):15-26.
Halstead ME,Walter KD,Council on Sports M,Fitness.American Academy ofPediatrics.Clinical report—sport-related concussion in children andadolescents.Pediatrics 2010;126(3):597-615.http://www.cdc.gov/TraumaticBrainInjury.
Jeter CB,Hergenroeder GW,Hylin MJ,Redell JB,Moore AN,DashPK.Biomarkers for the diagnosis and prognosis of mild traumatic brain injury/concussion.Journal of neurotrauma 2013;30(8):657-70.
Karlin AM.Concussion in the pediatric and adolescent population:"different population,different concerns".PM R 2011;3(10Suppl 2):S369-79.
Lovell MR,Collins MW,Iverson GL,Johnston KM,Bradley JP.Grade 1or"ding"concussions in high school athletes.Am J Sports Med 2004;32(1):47-54.
Lovell MR,Solomon GS.Neurocognitive test performance and symptomreporting in cheerleaders with concussions.J Pediatr 2013;163(4):1192-5el.
McCrory P,Meeuwisse W,Aubry M,Cantu B,Dvorak J,Echemendia RJ,etal.Consensus statement on concussion in sport—the 4th InternationalConference on Concussion in Sport held in Zurich,November 2012.Clin J SportMed 2013;23(2):89-117.
Meier TB,Brummel BJ,Singh R,Nerio CJ,Polanski DW,Bellgowan PS.Theunderreporting of self-reported symptoms following sports-relatedconcussion.J Sci Med Sport 2015;18(5):507-11.Morrison G,Fraser DD,CepinskasG.Mechanisms and consequences of acquired brain injury duringdevelopment.Pathophysiology 2013;20(1):49-57.
Papa L,Ramia MM,Edwards D,Johnson BD,Slobounov SM.Systematic reviewof clinical studies examining biomarkers of brain injury in athletes aftersports-related concussion.Journal of neurotrauma 2015;32(10):661-73.
Pellman EJ,Lovell MR,Viano DC,Casson IR.Concussion in professionalfootball:recovery of NFL and high school athletes assessed by computerizedneuropsychological testing-Part 12.Neurosurgery 2006;58(2):263-74;discussion-74.
Shouval R,Bondi O,Mishan H,Shimoni A,Unger R,Nagler A.Application ofmachine learning algorithms for clinical predictive modeling:a data-miningapproach in SCT.Bone marrow transplantation 2014;49(3):332-7.
Sikoglu EM,Liso Navarro AA,Czerniak SM,McCafferty J,Eisenstock J,Stevenson JH,et al.Effects of Recent Concussion on Brain Bioenergetics:APhosphorus-31 Magnetic Resonance Spectroscopy Study.Cogn Behav Neurol 2015;28(4):181-7.
Stewart TC,Gilliland J,Fraser DD.An epidemiologic profile ofpediatric concussions:identifying urban and rural differences.The journal oftrauma and acute care surgery 2014;76(3):736-42.
Toledo E,Lebel A,Becerra L,Minster A,Linnman C,Maleki N,et al.Theyoung brain and concussion:imaging as a biomarker for diagnosis andprognosis.Neurosci Biobehav Rev 2012;36(6):1510-31.
van der Maaten L,Hinton G.Visualizing data using t-SNE.J Mach LearnRes 2008;9(11):2579-605。
实施例2-原发性冲击外伤性脑损伤
材料和方法
冲击暴露
在执行此研究中,作者遵照加拿大动物关怀协会出版的“实验动物照料和使用指导”以及“动物实验的伦理”。从Charles River Laboratories(St.Constant,Que,Canada)获取成年雄性斯普拉格-杜勒大鼠,并且在暴露之前适应至少一周。一共15只对照样品和15只冲击伤样品。在使用当天,用在氧气中的3%异氟烷麻醉动物(~280-330g),将其放入由透明塑料圆柱套筒组成的限制器,颈部被舒适地包围在塑料环中,并且通过在一端的开口将头伸出,该开口是凹的从而它符合爆炸管内部的曲率。使用配有活塞的端帽支撑后腿。在头部的左侧以及冲击波方向的对侧,将网格状的网固定在与头部的侧面、上方和下方一致地垂直放置的两个针之间。使用被定义为头部限制器1和2的两种不同的方法,限制头部的动作。使用头部限制器1,将头部针对垂直的网放置,然后使用额外的围绕头部的网将其保持在适当的位置。头部限制器2也使用垂直的网,但是用水平放置在底部针脚之间的薄条带条支撑麻醉动物的头部。重要的是,这种方法并没有将头部固定在具有附加网的垂直网格上。在麻醉总共8分钟后,将包含动物的限制器放置进膜片下游4280mm处的先进的爆炸模拟器(ABS)的壁,从而只有头部突出到测试区域中。测试组由假对照组成,而试验组由仅头部侧向暴露至单脉冲冲击波静态超压的组成,该超压为30psi,正持续时间为~6-7毫秒。
先进的爆炸模拟器(ABS)
定制的ABS(直径~30.5cm及长度5.79m)被用于生产模拟的冲击波。与常规的激波管不同,ABS是根据第一原理设计的,通过特殊形状的扩散区域复制爆炸冲击波的波动。特别重要的是,复制冲击波中静态和动态压力的正确的定制波形,这在常规的激波管中是最常被错误呈现的。ABS由充满高压气体的“驱动器”区段组成,其通过易碎膜片与过渡区段分开,后者通向环境压力测试区段。驱动器的受控增压导致膜片在预定压力下破裂,突然释放高压气体并沿着测试区段的长度向下驱动定制的冲击波。在测试区段末端包含的端波消除器(EWE)排除了反射波传播回测试区域;EWE也减轻了噪音和气体流入实验空间。通过这些独特的设计特点,ABS产生高度可重现的单脉冲冲击波,其被定制来复制爆炸冲击波。使用驱动器中的压缩氦气以及用于易碎膜片的增强醋酸纤维素薄片的各种分层和厚度,实现了所需的目标压力和波形形状。
ABS压力数据的获得
使用放置在离膜片2780、3280、3780、4280和4780mm处的PCB 1 13A28仪表测量静态压力。使用皮托管(Endevco 8530B pressure transducer)测量由测试动物经历的总压力,该管被定向从而测量在离膜片4280mm处的测试位置的总压力。通过计算在此位置记录的静态压力和总压力之间的不同,以获得动态压力。使用定制的Labview界面记录所有压力数据,并且以500,000样品/秒的采样率记录在GaGe Octopus 8389 CompuScope PCIe数字化板上。
代谢组学
将大鼠人道地处死,并且通过心脏穿刺移除循环的血液量。立即将该血液从注射器转移至含有EDTA的试管中,并且离心。移除上层血浆层,等分并在-80℃储存直到进行分析。
DI-LC-MS/MS
使用直接注入的质谱(AbsolutelDQTM试剂盒)和反相LC-MS/MS试剂盒(BIOCRATESLife Sciences AG,Austria)的组合,应用靶标的定量的代谢组学方法来分析血浆样品。此试剂盒,与ABI 4000 Q-Trap(Applied Biosystems/MDS Sciex)质谱仪结合,可用于多达180种不同的内源性代谢物的靶标的识别和定量,所述代谢物包括氨基酸、酰基肉碱、生物胺、甘油磷脂、鞘脂和糖。所使用的方法结合分析物的衍生化和提取,以及使用多反应监测(MRM)对的选择性质谱检测。将同位素标记的内部标准品和其他内部标准品整合在试剂盒的板过滤器中用于代谢物定量。AbsolutelDQ试剂盒含有用密封带连接的过滤器板的96深孔板、以及用于准备板分析的试剂和溶剂。将在试剂盒中的开始的14个孔用作每一个试剂盒提供的1个空白、3个零样品、7个标准品以及3个质量对照样品。使用AbsolutelDQ试剂盒方案,根据用户手册,分析全部的血浆样品。简要地,在冰上解冻血浆样品,然后涡旋并在13,000x g离心。将每一个血浆样品(10μL)加载在上部的96孔试剂盒板上的过滤器的中心上,并且在氮气流中干燥。随后,加入20μl.的5%异硫氰酸苯酯的溶液用于衍生化。在孵育后,使用蒸发器再次干燥过滤点。然后通过加入含有5mM醋酸铵的300μl甲醇,实现代谢物的提取。通过离心进入下部的96深孔板中以获取该提取物,然后使用试剂盒MS运行溶剂进行稀释步骤。在装备了溶剂输送系统的API4000串联质谱仪器(Applied Biosystems/MDS Analytical Technologies,Foster City,CA)上执行质谱分析。先后通过LC和DI,将样品输送至质谱仪。从样品登记至代谢物浓度的自动计算,使用Biocrates MetlQ软件来控制整个分析的工作流程。使用靶标的图谱分析方案,,使用多反应监测、中性丢失和前体离子扫描,以定量地筛选已知的小分子代谢物。
数据分析
提取每一个动物的原始DI-LC-MS/MS数据,并且在对象之间在每一个代谢物标记物之内进行标准化(具体地:调节每一个代谢的标记物的数据以具有单位标准)。最初的探究分析中涉及直接在动物x代谢物矩阵上执行主成分分析(PCA)。
还使用t-SNE将全部的代谢的原始数据集降低至二维,因为该数据的固有维度显著地低于代谢物的数量。在维数降低步骤之后,训练具有线性核的SVM,以将对象分类为震荡的或非震荡的。
结果
PCA分析
图4是首先的3个成分的PCA图。除了与冲击动物集群的少量对象之外,全部的对照集群至右侧的相对紧密的组中。在进行对照和冲击的区别中,该分类器83%是准确的。表6显示了10个首要成分的每一个的前8个加权的代谢物。
维数降低
使用t-SNE将完全代谢的数据集降低至二维,因为该数据的固有维度显著地低于代谢物的数量(参见图5)。在维数降低步骤后,训练具有线性核的SVM,以将大鼠分类为冲击伤或对照。使用留一法的我们的分类器的交叉验证,证明了在从对照大鼠中识别原发性冲击中的准确率高达86%(范围80-86%)(11-倍交叉验证)。
图6是两两比较在对象之间的代谢物图谱的皮尔逊积矩相关系数。
图7阐明了在图6的距离矩阵上的层次聚类。图6的层次聚类显示了在其左边的较大的集群,该集群全部为对照(C)。在右边上的更大的集群主要是冲击伤(B),但也有少量对照。在图6和7中的标签0-15是冲击伤大鼠,16-31是对照大鼠。
将分类准确度作为我们的检验统计量,我们通过排列检验调查了我们观察的准确度的显著性。我们通过对分类标签进行随机混排;对每一个混排的标签集训练和测试新分类器;并且记录分类率,生成零分布。使用置换法生成的1000个零分布得到p<0.0001的80%(保守的)分类率。
表6:PCA
l."Com."=成分。
实施例3-预后
代谢组学
分析来自三组的参与者的血浆:(1)具有第一次震荡伤的参与者,(2)具有两个或多个被报道的震荡伤的参与者,以及(3)没有震荡伤病史的对照参与者。将全部的震荡伤的和非震荡伤的对照进行临床评估,以确定震荡伤症状和严重程度。还根据被接受的标准的诊断标准,评估参与者。通过DI/LC-MS/MS和MR,分析血浆的代谢物。
PCA
使用PCA,证明了首要的10个成分解释了在数据中的方差的大部分,该10个成分的每一个被加权至许多下面的代谢物。
t-SNE
使用t-SNE,将全部的代谢数据集降低至二维,因为该数据的固有维度显著低于代谢物的数量。在此维数降低步骤之后,训练支持向量机(SVM)(其具有线性核),以将对象分类为震荡伤或非震荡伤的。使用留一法的分类器的交叉验证,证明了在诊断首次震荡伤与多次震荡伤中的高百分比的准确度。
将分类准确度作为我们的检验统计量,可以通过排列检验来测试准确度的显著性。通过对分类标签进行随机混排;对每一个混排的标签集训练和测试新分类器并且记录分类率,生成零分布。
使用卡方检验以单变量方式选择信息化的代谢物,将实现合理的分类准确度所需的代谢物的数量最小化,并且观察最小化的代谢物的集的分类准确度百分比。
作为最终步骤,可以通过它们的代谢组学(包括脂质组)图谱的直接比较,将三个不同的组进行集群。可以计算每一对(正常的)对象代谢图谱的皮尔逊积矩系数,以生成相关矩阵。使用聚集的完全连锁层次聚类,在该相关矩阵中最佳地识别集群。
可以通过SVM在4倍交叉验证上生成接受者操作曲线,以证明当鉴别力阈变化时二元分类器的性能。
实施例4-ACNSI的分化类型
代谢组学
分析来自六组的参与者的血浆:(1)具有震荡的mTBI参与者(震荡伤组),(2)具有在冲击诱导的外伤性脑损伤中的原发性冲击的mTBI参与者(冲击组),(3)具有心理困扰(例如PTSD)脑损伤的非TBI参与者(心理组),(4)具有脊髓挫伤的mTSI参与者(挫伤组),(5)非TSI参与者(非TSI组),以及(6)没有脑/脊髓损伤病史的对照参与者。根据被接受的标准的诊断标准,评估该参与者。
通过DI/LC-MS/MS和NMR来分析血浆的代谢物。
PCA
使用PCA,证明了首要的10个成分解释了在数据中的方差的大部分,该10个成分的每一个被加权至许多的下面的代谢物。
t-SNE
使用t-SNE,将全部的代谢数据集降低至二维,因为该数据的固有维度显著低于代谢物的数量。在此维数降低步骤之后,训练支持向量机(SVM)(其具有线性核),以将对象分类为震荡伤或非震荡伤的。使用留一法的分类器的交叉验证,证明了在诊断脊柱损伤、震荡伤、冲击及心理性脑损伤中的高百分比的准确度。
将分类准确度作为我们的检验统计量,可以通过排列检验来测试准确度的显著性。通过对分类标签进行随机混排;对每一个混排的标签集训练和测试新分类器并且记录分类率,生成零分布。
使用卡方检验以单变量方式选择信息化的代谢物,将实现合理的分类准确度所需的代谢物的数量最小化,并且观察最小化的代谢物的集的分类精确度百分比。
作为最终步骤,可以通过它们的代谢组学(包括脂质组)图谱的直接比较,将四个不同的组进行集群。可以计算每一对(正常的)对象代谢图谱的皮尔逊积矩系数,以生成相关矩阵。使用聚集的完全连锁层次聚类,在该相关矩阵中最佳地识别集群。
可以通过SVM在4倍交叉验证上生成接受者操作曲线,以证明当鉴别力阈变化时二元分类器的性能。
通过被阐明和描述的实施方式,描述了制造和使用本发明的当前预期的最佳模式。无需进一步详细阐述,应当认为的是本领域普通技术人员可以基于本文给出的描述,充分地利用本发明。在本文中引用的全部出版物都以引用的方式被并入本文中。
尽管上述的说明含有许多特异性,但是这些不应被解释为限制本发明的范围,而应解释为仅仅提供了本发明的一些当前的实施方式的说明。
Claims (13)
1.一种用于与计算机系统结合使用的计算机程序产品,所述计算机程序产品包含计算机可读的储存介质以及植入其中的计算机程序机制,所述计算机程序机制包含可执行指令,所述可执行指令用于执行在对象中诊断获得性中枢神经系统损伤(ACNSI)的方法,所述可执行指令包含:
(a)使用多变量统计分析和机器学习,以将对象的代谢物图谱与ACNSI代谢物图谱的预设集和正常的代谢物图谱的预设集进行比较;并且
(b)基于所述比较,确定所述对象是否患有ACNSI;
其中代谢物图谱的预设集包含代谢物,其选自被包括在表2和3中的代谢物;
并且其中所述ACNSI是轻度外伤性脑损伤(mTBI),轻度外伤性脊髓损伤(mTSI),或由中风、中毒、化学品、感染、自身免疫、缺氧、缺血、代谢或癌症诱导的脑或脊髓损伤。
2.根据权利要求1所述的计算机程序产品,其中所述程序机制进一步包含用于以下的可执行指令:(i)识别在来自已知患有ACNSI的对象的群体的生物样品的第一集中的、以及在来自对照的非ACNSI(称为“正常”)对象的群体的生物样品的第二集中的代谢物,从而使用ABI和正常的代谢物矩阵获得预设的ACNSI图谱和预设的正常图谱。
3.根据权利要求1所述的计算机程序产品,其中通过t-SNE,在所述对象的代谢物图谱上以及在预设的ACNSI和正常图谱中执行初始的维数降低。
4.根据权利要求1所述的计算机程序产品,其中所述可执行指令进一步包含:
(c)在所述对象的代谢物图谱和ACNSI图谱的预设集和非ACNSI图谱的预设集之间,创建两两相关的矩阵,并且在所述相关的矩阵中识别ACNSI集群和非ACNSI集群;以及
(d)确定所述对象的图谱是否落入所述ACNSI集群或非ACNSI集群之内。
5.根据权利要求1所述的计算机程序产品,其中所述对象是患者,并且其中所述可执行指令的步骤(a)使用多变量统计分析和机器学习,以将在所述患者的医疗干预期间的不同的时间的所述患者的图谱与ACNSI的代谢物图谱的预设集和非ACNSI的代谢物图谱的预设集进行比较。
6.根据权利要求1至5中任一项所述的计算机程序产品,其中所述可执行指令进一步包含将ACNSI和非ACNSI的预设图谱匹配以下中的一个或多个:年龄、性别、活力、营养、身体体质、药物和共同发病率。
7.根据权利要求1至5中任一项所述的计算机程序产品,其中所述对象的代谢物图谱和所述代谢物图谱的预设集被提供作为代谢组学数据的集,并且其中使用以下中的一种或多种获得所述代谢组学数据:高效液相色谱法、薄层色谱法、电化学分析、质谱(MS)、折射率光谱、紫外光谱、荧光分析、放射化学分析、近红外光谱、核磁共振(NMR)、光散射分析、气相色谱(GC)、或与MS结合的GC、与LC-MS/MS结合的直接注入(DI)。
8.根据权利要求7所述的计算机程序产品,其中所述代谢组学数据获得自生物测试样品,所述生物测试样品选自:全血、血浆、血清、唾液、滑液、尿液、脊髓液、支气管肺泡灌洗液、泪液、汗液和提取物。
9.根据权利要求1至5中任一项所述的计算机程序产品,其中所述代谢物包括磷脂、甘油磷脂、脂质、脂质异构体缩醛磷脂、脂肪酸、糖、氨基酸、核苷酸、在细胞过程期间形成的中间体、或其组合。
10.根据权利要求1至5中任一项所述的计算机程序产品,其中所述代谢物图谱是脂质组。
11.根据权利要求1至5中任一项所述的计算机程序产品,其中所述代谢物图谱包括以下代谢物:C5、PC aa C32: l、PC aa C32:2、PC aa C36:5、PC aa C36:6、PC ae C34:0、PCae C34:3、PC ae C36:0、PC ae C36: l、PC ae C36:2、PC ae C38: l、PC ae C38:2、PC aeC38:3、腐胺、甲酸盐、甲醇和琥珀酸盐,并且其中所述ACNSI是mTBI。
12.根据权利要求1至5中任一项所述的计算机程序产品,其中所述代谢物图谱包括以下代谢物:C5、PC aa C30:2、PC aa C32:0、PC aa C32: l、PC aa C32:2、PC aa C32:3、PCaa C34:4、PC aa C36:6、PC aa C42:6、PC ae C30:0、PC ae C30: l、PC ae C32: l、PC aeC34:0、PC ae C34:2、PC ae C34:3、PC ae C36:0、PC ae C36:2、PC ae C38: l、PC ae C38:3、SM C22:3、SM C24:0、SM C24: l、α-氨基己二酸、反式-OH-脯氨酸、腐胺、甜菜碱、甲酸盐、葡萄糖、甘油、甲醇和丝氨酸,并且其中所述ACNSI是mTBI。
13.根据权利要求1至5中任一项所述的计算机程序产品,其中所述ACNSI是震荡伤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562135886P | 2015-03-20 | 2015-03-20 | |
US62/135,886 | 2015-03-20 | ||
PCT/CA2016/050310 WO2016149808A1 (en) | 2015-03-20 | 2016-03-18 | Metabolomics profiling of central nervous system injury |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108235734A CN108235734A (zh) | 2018-06-29 |
CN108235734B true CN108235734B (zh) | 2019-12-10 |
Family
ID=56976958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680029055.2A Active CN108235734B (zh) | 2015-03-20 | 2016-03-18 | 中枢神经系统损伤的代谢组学图谱分析 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11519899B2 (zh) |
EP (1) | EP3271720B1 (zh) |
CN (1) | CN108235734B (zh) |
CA (1) | CA2980376C (zh) |
ES (1) | ES2905320T3 (zh) |
HR (1) | HRP20220055T1 (zh) |
WO (1) | WO2016149808A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403194B (zh) * | 2017-07-26 | 2020-12-18 | 广州慧扬健康科技有限公司 | 基于t-SNE的皮肤癌图像识别可视化系统 |
US11529054B2 (en) | 2018-07-25 | 2022-12-20 | The Charles Stark Draper Laboratory, Inc. | Method and system for post-traumatic stress disorder (PTSD) and mild traumatic brain injury (mTBI) diagnosis using magnetic resonance spectroscopy |
WO2020185563A1 (en) * | 2019-03-08 | 2020-09-17 | Duke University | Stratification by sex and apoe genotype identifies metabolic heterogeneity in alzheimer's disease |
CN109977810B (zh) * | 2019-03-12 | 2021-03-02 | 北京工业大学 | 基于helm并结合ptsne和lda特征融合的脑电分类方法 |
CN110146636B (zh) * | 2019-04-30 | 2022-05-13 | 北京谷海天目生物医学科技有限公司 | 胃癌分型的蛋白标志物的筛选方法、筛选装置及其筛选的蛋白标志物的应用 |
WO2020245727A1 (en) * | 2019-06-02 | 2020-12-10 | Predicta Med Analytics Ltd. | A method of evaluating autoimmune disease risk and treatment selection |
CN111429971B (zh) * | 2020-02-21 | 2022-04-01 | 广州中医药大学 | 基于机器学习和代谢组学的岭南湿热证模式动物识别方法 |
US20230135443A1 (en) * | 2020-03-11 | 2023-05-04 | London Health Sciences Centre Research Inc. | Determining central nervous system injury and recovery |
WO2022261780A1 (en) * | 2021-06-17 | 2022-12-22 | London Health Sciences Centre Research Inc. | Determining mild traumatic brain injury, recovery and treatment |
WO2023279213A1 (en) * | 2021-07-09 | 2023-01-12 | Uti Limited Partnership | Metabolomic profiles for prediction of functional neurological outcome or death following severe traumatic brain injury |
CN114596924A (zh) * | 2022-03-11 | 2022-06-07 | 厦门大学 | 一种生物医用β钛合金的杨氏模量的机器学习预测方法 |
CN117538530A (zh) * | 2023-11-07 | 2024-02-09 | 中国医学科学院肿瘤医院 | 一种检测转移性乳腺癌的生物标志组合物和试剂盒及其应用 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2492690A1 (en) * | 2011-02-22 | 2012-08-29 | BIOCRATES Life Sciences AG | Method and use of metabolites for the diagnosis of inflammatory brain injury in preterm born infants |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8637321B2 (en) * | 2005-10-24 | 2014-01-28 | Duke University | Lipidomics approaches for central nervous system disorders |
US8026099B2 (en) * | 2007-07-26 | 2011-09-27 | Washington University | Lipid profile as a biomarker for early detection of neurological disorders |
US20140342381A1 (en) * | 2008-08-11 | 2014-11-20 | Banyan Biomarkers, Inc. | Devices and methods for biomarker detection process and assay of neurological condition |
EP2587264A1 (en) | 2011-10-25 | 2013-05-01 | InfanDx AG | Method and use of metabolites for the diagnosis and differentiation of neonatal encephalopathy |
WO2014152773A1 (en) * | 2013-03-15 | 2014-09-25 | The Trustees Of The University Of Pennsylvania | Blood biomarkers that predict persistent cognitive dysfunction after concussion |
US20160209428A1 (en) * | 2013-08-21 | 2016-07-21 | The Regents Of The University Of California | Diagnostic and predictive metabolite patterns for disorders affecting the brain and nervous system |
-
2016
- 2016-03-18 HR HRP20220055TT patent/HRP20220055T1/hr unknown
- 2016-03-18 CN CN201680029055.2A patent/CN108235734B/zh active Active
- 2016-03-18 WO PCT/CA2016/050310 patent/WO2016149808A1/en active Application Filing
- 2016-03-18 US US15/560,056 patent/US11519899B2/en active Active
- 2016-03-18 EP EP16767575.0A patent/EP3271720B1/en active Active
- 2016-03-18 ES ES16767575T patent/ES2905320T3/es active Active
- 2016-03-18 CA CA2980376A patent/CA2980376C/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2492690A1 (en) * | 2011-02-22 | 2012-08-29 | BIOCRATES Life Sciences AG | Method and use of metabolites for the diagnosis of inflammatory brain injury in preterm born infants |
Also Published As
Publication number | Publication date |
---|---|
CN108235734A (zh) | 2018-06-29 |
HRP20220055T1 (hr) | 2022-04-15 |
US20180074038A1 (en) | 2018-03-15 |
CA2980376C (en) | 2021-10-19 |
EP3271720A1 (en) | 2018-01-24 |
US11519899B2 (en) | 2022-12-06 |
CA2980376A1 (en) | 2016-09-29 |
EP3271720B1 (en) | 2021-11-03 |
ES2905320T3 (es) | 2022-04-07 |
EP3271720A4 (en) | 2018-11-07 |
WO2016149808A1 (en) | 2016-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108235734B (zh) | 中枢神经系统损伤的代谢组学图谱分析 | |
Daley et al. | Metabolomics profiling of concussion in adolescent male hockey players: a novel diagnostic method | |
US20170176460A1 (en) | Neural specific s100-beta for biomarker assays and devices for detection of a neurological condition | |
North et al. | Rapid analytical methods for on-site triage for traumatic brain injury | |
CN111279193B (zh) | 白塞氏病诊断试剂盒及检测尿中代谢物差异的方法 | |
Antonelli Incalzi et al. | Construct validity of the abbreviated mental test in older medical inpatients | |
Mahlknecht et al. | Is there a need to redefine Parkinson’s disease? | |
US20210113144A1 (en) | Method and apparatus for predicting posttraumatic behavior problem | |
Wong et al. | Reliability and construct validity of the bells test | |
RU2705911C1 (ru) | Способ диагностики когнитивной дисфункции у пациентов с сахарным диабетом 1 типа методом протонной магнитно-резонансной спектроскопии | |
Liang et al. | The distribution of Mn2+ in rabbit eyes after topical administration for manganese-enhanced MRI | |
Harrell et al. | Ubiquitin carboxyl-terminal esterase L1 is not elevated in the serum of concussed rugby players: an observational cross-sectional study | |
Irwin et al. | Sensitive and reliable measures of driver performance in simulated motor-racing | |
US20230135443A1 (en) | Determining central nervous system injury and recovery | |
US20230393153A1 (en) | Diagnostic and therapy of traumatic brain injury | |
CA3223984A1 (en) | Determining mild traumatic brain injury, recovery and treatment | |
Baxter | Blast Injury Outcome Study in Armed forces Personnel (BIOSAP) and Blast injury in pigs study (BIIPs) | |
Oliveira | A Meta-Analysis: Significance of Biofluid Biomarkers in Sports-Related Traumatic Brain Injury | |
Beard et al. | Biofluid, imaging, physiological and functional biomarkers of mild traumatic brain injury and subconcussive head impacts | |
Huang et al. | Study on cumulative effects of biological craniocerebral trauma under repeated blast | |
Jina et al. | Prediction Values of the Simplified Motor Score and the Glasgow Coma Scale Motor Component for the Clinical Outcomes of Intracranial Hemorrhage | |
US20200029816A1 (en) | Method and system for detecting and identifying acute stress response from traumatic exposure, its transition to post traumatic stress disorder, and monitoring subsequent therapy | |
Perkins | Diagnosing Mild TBIs with Fluid Biomarkers | |
Bashir | Translational modelling of traumatic axonal and vascular injury using CHIMERA (Closed Head Impact Model of Engineered Rotational Acceleration) | |
Melrose | Utilizing UCH-L1 and GFAP Serum Biomarkers as Diagnostic Tools for Concussion in Young Athletes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |