CN110244055B - 一种优化用于检测蛋白的传感器阵列的方法及传感器阵列 - Google Patents
一种优化用于检测蛋白的传感器阵列的方法及传感器阵列 Download PDFInfo
- Publication number
- CN110244055B CN110244055B CN201910444076.6A CN201910444076A CN110244055B CN 110244055 B CN110244055 B CN 110244055B CN 201910444076 A CN201910444076 A CN 201910444076A CN 110244055 B CN110244055 B CN 110244055B
- Authority
- CN
- China
- Prior art keywords
- concentration
- solution
- sensor array
- proteins
- mixed solution
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- 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
- G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Hematology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Cell Biology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Microbiology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于生物传感器领域,涉及一种优化用于检测蛋白的传感器阵列的方法及传感器阵列。该方法包括以下步骤:S1.确定至少一个目标蛋白;S2.建立传感器阵列;S3.配制单一目标蛋白的溶液A1‑An;S4.将所述传感器阵列分别与所述溶液A1‑An混合,并进行荧光扫描,得到荧光数据,然后计算各传感单元的贡献度;S5.按贡献度由大到小的顺序,将各传感单元依次并入,形成传感器阵列;进行荧光扫描,得到针对每一传感器阵列的荧光数据;S6.处理所述荧光数据;S7.根据图谱中数据点的离散程度,确定传感器阵列SA1‑SAn中最优的传感器阵列。利用本发明的优化方法,可实现用最少数量的荧光分子组成的传感器阵列区别检测蛋白溶液的目的。
Description
技术领域
本发明属于生物传感器领域,更具体地,涉及一种优化用于检测蛋白的传感器阵列的方法,以及由该方法获得的传感器阵列。
背景技术
蛋白质是生物体的重要组成部分,很多疾病与蛋白质有着密切的关系。蛋白质含量的变化对于是否患病以及疾病的严重程度的判断具有重要的借鉴意义。比如泌尿系统疾病患者的尿液中会出现蛋白质组成的改变,不同的泌尿系统疾病对应于不同蛋白成分的变化,肾小球损伤的患者尿液中的白蛋白(HSA)含量会显著升高,肾小管损伤的患者小分子量的蛋白质会在尿液中滤出。因此对不同种类不同浓度的单蛋白溶液和混合蛋白溶液的区别检测在快检领域具有重要意义。
传统的传感器基于“一把钥匙对应于一把锁”的高特异性模式。在这种模式下,传感器容易受到其他因素的影响,很难做到在设计传感器时全面考虑各个影响因素,从而严重限制了复杂信息的获取和复杂对象的检测,比如混合物。而传感器阵列则是将多个传感单元组合在一起,并不严格要求每一个传感单元和检测物之间都有选择性响应,类似于哺乳动物的嗅觉和味觉系统。它对物质的区别检测是基于不同传感单元的响应组合,这样就给传感器阵列提供了检测复杂物质的潜力,比如混合物。荧光传感器阵列是利用一系列荧光分子构建成的,具有灵敏度高、无需参照体系、输出信号丰富以及能够成像等优点,已逐渐成为传感器阵列的发展重点。
发明内容
本发明的目的是提供一种优化用于检测蛋白的传感器阵列的方法,以及由该方法获得的传感器阵列。
本发明的发明人在研究中发现,蛋白和荧光分子通过静电和亲疏水性相互作用,从而使得荧光分子发生荧光信号的改变。对传感器阵列的荧光响应分析本质上是一个模式识别的过程,一种蛋白质溶液一种浓度对应于一种模式。利用机器学习算法进行模式识别分析,能够实现区别检测。由于不同的荧光分子对于蛋白的区别检测的贡献度是不同的,因此可以编写算法以组内方差/组间方差作为评价标准对不同的荧光分子的贡献度进行评价,筛选出响应贡献最大的分子,并利用最少数量的分子实现不同种类不同浓度的单蛋白以及混合蛋白的区别检测。由此,提出本发明。
具体地,本发明的第一方面提供一种优化用于检测蛋白的传感器阵列的方法,该方法包括以下步骤:
S1.确定至少一个目标蛋白;
S2.建立传感器阵列,所述传感器阵列包括多个传感单元,每一传感单元对应一个荧光化合物,所述荧光化合物对于目标蛋白具有荧光响应;
S3.配制单一目标蛋白的溶液A1-An,以及任选地,配制全部目标蛋白的混合溶液B1-Bn,每个所述混合溶液中各有一种目标蛋白的浓度不低于其他目标蛋白,除该浓度相对高的目标蛋白外,各组混合溶液中其他目标蛋白的浓度相同,并且,所述混合溶液B1-Bn中浓度相对高的目标蛋白各不相同;
S4.将所述传感器阵列分别与所述溶液A1-An混合,并进行荧光扫描,得到荧光数据DA1-DAn,然后计算各传感单元的贡献度;
S5.按贡献度由大到小的顺序,将各传感单元依次并入,形成传感器阵列SA1-SAn,将所述传感器阵列SA1-SAn分别与所述溶液A1-An以及任选的所述混合溶液B1-Bn混合,进行荧光扫描,得到针对每一传感器阵列的单一蛋白荧光数据DiA1-DiAn以及任选的混合蛋白荧光数据DiB1-DiBn,其中,i代表第i个传感器阵列;
S6.用PCA算法和LDA算法处理所述荧光数据DiA1-DiAn以及任选的荧光数据DiB1-DiBn,分别得到荧光数据DiA1-DiAn以及任选的荧光数据DiB1-DiBn的PCA图谱和LDA图谱;
S7.根据图谱中数据点的离散程度,确定传感器阵列SA1-SAn中最优的传感器阵列。
本发明的第二方面提供一种由上述方法优化得到的用于检测泌尿系统疾病相关蛋白的传感器阵列,该传感器阵列包括化合物ANS对应的传感器单元,所述化合物ANS具有式I所示结构:
本发明以十二种荧光分子组成的传感器阵列为例,验证了本发明的优化方法。该十二种荧光分子组成的传感器阵列能够用于区别检测不同种类不同浓度的与泌尿系统疾病相关的单蛋白溶液和蛋白混合物溶液,利用本发明的优化方法,在对每个传感单元进行贡献度分析之后剔除贡献较小的传感单元,实现用最少数量的荧光分子组成的传感器阵列区别检测蛋白溶液的目的。
本发明的其他特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其他目的、特征和优势将变得更加明显。
图1示出了包括十二种化合物的传感器阵列对不同种类蛋白100mg/L(对应于蛋白尿的临界蛋白浓度)浓度下的荧光响应情况。
图2(a)-2(d)示出了包括十二种化合物的传感器阵列对不同种类蛋白质100mg/L(对应于蛋白尿的临界蛋白浓度)浓度下的荧光响应情况的PCA和LDA分析。
图3示出了包括十二种化合物的传感器阵列对不同浓度蛋白质的荧光响应情况,其中H表示高浓度,M表示低浓度。
图4(a)-4(d)示出了包括十二种化合物的传感器阵列对不同浓度蛋白质的荧光响应情况的PCA和LDA分析,其中H表示高浓度,M表示低浓度。
图5(a)-5(b)示出了包括十二种化合物的传感器阵列对蛋白质混合物的荧光响应情况,其中Severe表示严重过量,Mild表示轻微过量。
图6(a)-6(d)示出了包括十二种化合物的传感器阵列对不同蛋白质混合物的荧光响应情况的PCA和LDA分析,其中Severe表示严重过量,Mild表示轻微过量。
图7示出了传感器阵列区别检测不同浓度蛋白质时的十二个传感单元贡献度计算结果。
图8(a)-8(b)示出了优化后的传感器阵列对不同浓度的蛋白的荧光响应情况的LDA和PCA分析,图8(a):ANS-PCA;图8(b):ANS+Nile Red-LDA;其中H表示高浓度,M表示低浓度。
图9示出了传感器阵列区别检测不同蛋白混合物时的十二个传感单元贡献度计算结果。
图10(a)-10(b)示出了优化后的传感器阵列对不同蛋白混合物的荧光响应情况的LDA和PCA分析,图10(a):ANS+Nile Red+PPE2-PCA;图10(b):ANS+Nile Red+PPE2-LDA;其中Severe表示严重过量,Mild表示轻微过量。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明的第一方面提供一种优化用于检测蛋白的传感器阵列的方法,该方法包括以下步骤:
S1.确定至少一个目标蛋白;
S2.建立传感器阵列,所述传感器阵列包括多个传感单元,每一传感单元对应一个荧光化合物,所述荧光化合物对于目标蛋白具有荧光响应;
S3.配制单一目标蛋白的溶液A1-An,以及任选地,配制全部目标蛋白的混合溶液B1-Bn,每个所述混合溶液中各有一种目标蛋白的浓度不低于其他目标蛋白,除该浓度相对高的目标蛋白外,各组混合溶液中其他目标蛋白的浓度相同,并且,所述混合溶液B1-Bn中浓度相对高的目标蛋白各不相同;
S4.将所述传感器阵列分别与所述溶液A1-An混合,并进行荧光扫描,得到荧光数据DA1-DAn,然后计算各传感单元的贡献度;
S5.按贡献度由大到小的顺序,将各传感单元依次并入,形成传感器阵列SA1-SAn,将所述传感器阵列SA1-SAn分别与所述溶液A1-An以及任选的所述混合溶液B1-Bn混合,进行荧光扫描,得到针对每一传感器阵列的单一蛋白荧光数据DiA1-DiAn以及任选的混合蛋白荧光数据DiB1-DiBn,其中,i代表第i个传感器阵列;
S6.用PCA算法和LDA算法处理所述荧光数据DiA1-DiAn以及任选的荧光数据DiB1-DiBn,分别得到荧光数据DiA1-DiAn以及任选的荧光数据DiB1-DiBn的PCA图谱和LDA图谱;
S7.根据图谱中数据点的离散程度,确定传感器阵列SA1-SAn中最优的传感器阵列。
本发明利用荧光传感器阵列以及LDA和PCA的模式识别算法可以实现对不同种类不同浓度的单蛋白和蛋白混合物的检测区分,并且可以将传感器阵列进行优化,实现用最少数量的传感单元完成区别检测的目的。
本发明中,建立传感器阵列可采用本领域常规的各种方法。即选择一系列化学荧光分子的组合。所述“具有荧光响应”的含义为本领域技术人员公知,即,将荧光化合物与目标蛋白混合后,可检测到荧光和荧光变化。化学荧光分子基于蛋白表面的亲疏水性、极性、粘度不同以及和蛋白的静电相互作用与之发生响应。
根据本发明的方法,优选设计两组不同浓度的溶液进行检测,其中一组为高浓度,另一组为低浓度。所述浓度的确定可参考临床数据的划分标准,使得高浓度和低浓度可分别指征不同的疾病严重程度。
具体地,步骤S3包括:配制单一目标蛋白的低浓度溶液A1-Am和高浓度溶液Am+1-A2m,以及任选地,配制全部目标蛋白的低浓度混合溶液B1-Bm和高浓度混合溶液Bm+1-B2m,每个所述低浓度混合溶液和每个所述高浓度混合溶液中各有一种目标蛋白的浓度不低于其他目标蛋白,除该浓度相对高的目标蛋白外,各组低浓度混合溶液以及各组高浓度混合溶液中其他目标蛋白的浓度相同,该浓度相对高的目标蛋白在其相应的低浓度混合溶液中的浓度低于在其相应的高浓度混合溶液中的浓度;并且,所述低浓度混合溶液B1-Bm中浓度相对高的目标蛋白各不相同,所述高浓度混合溶液Bm+1-B2m中浓度相对高的目标蛋白各不相同。
步骤S5包括:将所述传感器阵列SA1-SAn分别与所述低浓度溶液A1-Am和所述高浓度溶液Am+1-A2m以及任选的所述低浓度混合溶液B1-Bm和任选的所述高浓度混合溶液Bm+1-B2m混合,进行荧光扫描,得到针对每一传感器阵列的单一蛋白荧光数据DiA1’-DiA2m’和任选的混合蛋白荧光数据DiB1’-DiB2m’,其中,i代表第i个传感器阵列。
步骤S6包括:用PCA算法和LDA算法处理荧光数据DiA1’-DiA2m’和任选的荧光数据DiB1’-DiB2m’,分别得到荧光数据DiA1’-DiA2m’的PCA图谱和LDA图谱,以及任选的荧光数据DiB1’-DiB2m’的PCA图谱和LDA图谱。
根据本发明的方法,计算各传感单元的贡献度可采用本领域公知的方法,例如,步骤包括:
3)计算贡献度Sw/Sb;
其中n表示蛋白的种类;m表示实验重复的组数;表示这个荧光分子区分第i个蛋白时的特征值的平均值矩阵;表示这个荧光分子区分所有蛋白时的特征值的平均值矩阵;Mi,j表示这个荧光分子区分第i个蛋白时的第j个重复实验矩阵。
本发明中涉及的PCA(主成分分析)算法和LDA(线性判别分析)算法为本领域技术人员公知。两种算法均可用Matlab软件实现。本发明中,LDA和PCA算法的共同作用都是降维,将原始的多维数据降到2-3维,从而能够可视化分类效果。其中,PCA是一种非监督性的降维算法,无类别信息,以投影后数据方差最大的目的来选择投影方向。LDA是一种监督性的降维算法,在一开始的时候给数据做标签,以投影后类内方差小,类间方差大为目的来选择投影方向。
具体地,将酶标仪得到的数据(不同波长下的荧光强度值)放入matlab中,并用LDA算法和PCA算法进行处理,能够得到在新的坐标系下的二维和三维图。其中三维图的坐标Factor1,Factor2,Factor3和PC1,PC2,PC3分别对应LDA和PCA的第一因子,第二因子,第三因子和第一主成分,第二主成分,第三主成分,即为了达到各自的目的通过正交变换得到的新的坐标系的坐标。如图2(a)-2(d)、图4(a)-4(d)、图6(a)-6(d)、图8(a)-8(b)、图10(a)-10(b)所示,括号内的百分比表示新的坐标中所含有的原始数据的信息量,如98%表示通过正交变换得到的新的坐标含有原始数据98%的信息。在PCA处理之后,原始数据特征类似的靠的比较近,聚到一起,特征差距大的分开较远,用LDA处理之后,做了同样标签(同一类)的数据被聚到一起,不同标签的被分开。因此,借助PCA或LDA,荧光传感器阵列能实现对不同蛋白质的检测区分。
本发明中,采用PCA或LDA处理,目的就在于降维后可获得可视化分类效果,因此,所述PCA图谱既包括PCA-2D图谱,也包括PCA-3D图谱;同样地,所述LDA图谱既包括LDA-2D图谱,也包括LDA-3D图谱。
本发明中,所述“根据图谱中数据点的离散程度,确定传感器阵列SA1-SAn中最优的传感器阵列”的判断方法为本领域技术人员公知,离散程度通常以肉眼可分辨不同的点为标准。
本发明的方法适用于各种目标蛋白,特别是多种目标蛋白的同时检测。从应用性角度,所述目标蛋白优选为疾病相关蛋白;根据本发明一种优选实施方式,所示目标蛋白为泌尿系统疾病相关蛋白;进一步优选地,所述目标蛋白包括血清白蛋白(Human SerumAlbumin)、转铁蛋白(Transferrin)、溶菌酶(Lysozyme)、免疫球蛋白G(IgG)、肌红蛋白(Myoglobin)和酸性磷酸酶(Acid Phosphatase,ACP)。
根据本发明,对于上述具体的目标蛋白的单一目标蛋白溶液,优选确定浓度如下:
对于单一目标蛋白为血清白蛋白的溶液,所述低浓度溶液中血清白蛋白的浓度为80-120mg/L,所述高浓度溶液中血清白蛋白的浓度为450-550mg/L。
对于单一目标蛋白为转铁蛋白的溶液,所述低浓度溶液中转铁蛋白的浓度为8-12mg/L,所述高浓度溶液中转铁蛋白的浓度为80-120mg/L。
对于单一目标蛋白为溶菌酶的溶液,所述低浓度溶液中溶菌酶的浓度为40-60mg/L,所述高浓度溶液中溶菌酶的浓度为200-300mg/L。
对于单一目标蛋白为免疫球蛋白G的溶液,所述低浓度溶液中免疫球蛋白G的浓度为15-25mg/L,所述高浓度溶液中免疫球蛋白G的浓度为80-120mg/L。
对于单一目标蛋白为肌红蛋白的溶液,所述低浓度溶液中肌红蛋白的浓度为8-12mg/L,所述高浓度溶液中肌红蛋白的浓度为80-120mg/L。
对于单一目标蛋白为酸性磷酸酶的溶液,所述低浓度溶液中酸性磷酸酶的浓度为15-25mg/L,所述高浓度溶液中酸性磷酸酶的浓度为80-120mg/L。
根据本发明,对于上述具体的目标蛋白的混合溶液,优选确定浓度如下:
对于血清白蛋白浓度相对高的混合溶液,所述低浓度混合溶液中血清白蛋白的浓度为80-120mg/L,其他蛋白的浓度为1-5mg/L;所述高浓度混合溶液中血清白蛋白的浓度为450-550mg/L,其他蛋白的浓度为1-5mg/L。
对于转铁蛋白浓度相对高的混合溶液,所述低浓度混合溶液中转铁蛋白的浓度为8-12mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中转铁蛋白的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L。
对于免疫球蛋白G浓度相对高的混合溶液,所述低浓度混合溶液中免疫球蛋白G的浓度为15-25mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中免疫球蛋白G的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L。
对于溶菌酶浓度相对高的混合溶液,所述低浓度混合溶液中溶菌酶的浓度为40-60mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中溶菌酶的浓度为200-300mg/L,其他蛋白的浓度为1-10mg/L。
对于肌红蛋白浓度相对高的混合溶液,所述低浓度混合溶液中肌红蛋白的浓度为8-12mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中肌红蛋白的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L。
对于酸性磷酸酶浓度相对高的混合溶液,所述低浓度混合溶液中酸性磷酸酶的浓度为15-25mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中酸性磷酸酶的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L。
本发明的第二方面提供一种由上述方法优化得到的用于检测泌尿系统疾病相关蛋白的传感器阵列,该传感器阵列包括化合物ANS对应的传感器单元,所述化合物ANS具有式I所示结构:
优选地,所述传感器阵列包括化合物Nile Red对应的传感器单元,所述化合物Nile Red具有式II所示结构:
进一步优选地,所述传感器阵列包括化合物PPE-2对应的传感器单元,所述化合物PPE-2具有式III所示结构:
其中,n=9-60。
下面结合实施例对本发明作进一步说明,但本发明的范围并不局限于这些实施例。
实施例1
1、传感器(荧光分子)的选择
化学荧光分子基于蛋白表面的亲疏水性、极性、粘度不同以及和蛋白的静电相互作用与之发生响应。据此原理,选取电荷性质不同、主侧链结构不同的12种化学荧光分子进行传感器阵列SA1的搭建。
该传感器阵列SA1包括十二个荧光分子:PPE-1,PPE-2,PPE-IDA,PPE-SO3,PPE-N1,PPE-4+,PPET3-N2,PPET3-N3,Hx307,PFOP-COOK,ANS,Nile Red。具有如下结构:其中n的取值范围各自独立地为9-60。
2、蛋白质的选择和蛋白浓度的设置
为了验证荧光传感器阵列SA1对蛋白的响应,需要挑选出尿液中常见的蛋白进行预实验。考虑到不同病理型的蛋白尿对应不同种类的蛋白质的过量,选取具有代表性的6种蛋白作为检测对象,分别为血清白蛋白(HSA)、转铁蛋白、免疫球蛋白G(IgG)、溶菌酶、肌红蛋白以及酸性磷酸酶(ACP)。单蛋白的浓度设定依据其在尿液中的参考值,分别对应于中等过量和严重过量。如表1所示。
表1 尿液中6种蛋白质浓度的参考值和实验值
3、蛋白混合物的设置
蛋白混合溶液是模拟泌尿系统疾病患者尿液中某种蛋白过量的情况。在此采用将其中一种蛋白的浓度过量,其他蛋白浓度维持在正常水平的方式进行模拟。实验设计如表2所示。
表2 混合蛋白的实验设计
4、使用96孔板在酶标仪上进行单蛋白溶液和蛋白混合物的检测
(1)在每个孔中滴加100μL的荧光分子溶液和100μL的蛋白溶液,设置平行对照组;(荧光分子溶液的浓度以该荧光分子的吸光度峰值A=0.2标定)
(2)酶标仪进行扫描之前先振荡10分钟;
(3)设置扫描参数进行荧光扫描;
(4)采集数据。
表1 各个荧光分子的合适酶标仪参数
5、处理数据
(1)荧光传感器阵列SA1对不同种类的蛋白质的区别检测
图1所示为传感器阵列SA1对不同种类蛋白的荧光响应情况,可以看出,不同种类的蛋白的荧光响应组合很不一样,用PCA和LDA进行处理之后得到如图2所示的结果。可以发现,无论是用PCA处理还是LDA处理,都能很好地将不同种类的蛋白质区分开来。
(2)荧光传感器阵列SA1对不同浓度的蛋白质的区别检测
图3所示为荧光传感器阵列SA1对不同浓度的蛋白质的荧光响应情况,可以看出,不同浓度的蛋白质的荧光响应模式很不一样,用PCA和LDA处理之后,得到如图4所示的结果。可以发现,不同浓度的蛋白在LDA和PCA三维图中基本也能够实现区分。
(3)荧光传感器阵列SA1对不同蛋白混合物的区别检测
图5(a)-5(b)所示为荧光传感器阵列SA1对不同蛋白质混合物的荧光响应情况,可以看出,不同蛋白质混合物的荧光响应模式也是不一样的,用PCA和LDA处理之后,得到如图6所示的结果。可以发现,PCA基本上能够将不同的蛋白混合物区别开来,但LDA有部分重叠。考虑到十二个传感单元中贡献度比较小的不仅不会对区分结果没有太大的贡献甚至会有引入更多噪音的可能,于是通过计算组内方差/组间方差的值来评价传感单元的贡献度大小,优化传感器阵列。
6、优化传感器阵列SA1
图7所示为传感器阵列SA1进行不同浓度蛋白区别检测时的十二个传感单元的贡献度计算结果,数值越小,贡献度越大,所以ANS贡献度最大,Nile Red次之。当把传感单元由贡献度从大到小一个个加入构建传感器阵列后发现,区别检测不同浓度的蛋白若用PCA进行数据分析时只要一个ANS荧光分子就够了(即仅需要由ANS构成的传感器阵列),用LDA进行数据分析时需要ANS+Nile Red两个荧光分子(即仅需要由ANS和Nile Red构成的传感器阵列)。结果如图8所示。对应用于不同蛋白混合物的区别检测的传感器阵列进行优化时发现,ANS的贡献度最大,其次是Nile Red,然后是PPE-2和PPE-1,如图9所示。当把传感单元由贡献度从大到小一个个加入构建传感器阵列后发现,区别检测不同蛋白混合物用LDA和PCA进行数据分析时需要ANS+Nile Red+PPE-2三个荧光分子(即仅需要由ANS、Nile Red、PPE-2构成的传感器阵列)。如图10(a)-10(b)所示。对传感器阵列SA1进行优化后,不仅没有降低检测准确度,还大大减少了传感单元的数量,使得检测更加快捷、高效。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (11)
1.一种优化用于检测蛋白的传感器阵列的方法,其特征在于,该方法包括以下步骤:
S1.确定至少一个目标蛋白;
S2.建立传感器阵列,所述传感器阵列包括多个传感单元,每一传感单元对应一个荧光化合物,所述荧光化合物对于目标蛋白具有荧光响应;
S3.配制单一目标蛋白的溶液A1-An,以及,配制全部目标蛋白的混合溶液B1-Bn,每个所述混合溶液中各有一种目标蛋白的浓度不低于其他目标蛋白,除该浓度相对高的目标蛋白外,各组混合溶液中其他目标蛋白的浓度相同,并且,所述混合溶液B1-Bn中浓度相对高的目标蛋白各不相同;
S4.将所述传感器阵列分别与所述溶液A1-An混合,并进行荧光扫描,得到荧光数据DA1-DAn,然后计算各传感单元的贡献度;
计算各传感单元的贡献度的步骤包括:
3)计算贡献度Sw/Sb;
其中n表示蛋白的种类;m表示实验重复的组数;表示这个荧光分子区分第i个蛋白时的特征值的平均值矩阵;表示这个荧光分子区分所有蛋白时的特征值的平均值矩阵;Mi,j表示这个荧光分子区分第i个蛋白时的第j个重复实验矩阵;
S5.按贡献度由大到小的顺序,将各传感单元依次并入,形成传感器阵列SA1-SAn,将所述传感器阵列SA1-SAn分别与所述溶液A1-An以及所述混合溶液B1-Bn混合,进行荧光扫描,得到针对每一传感器阵列的单一蛋白荧光数据DiA1-DiAn以及混合蛋白荧光数据DiB1-DiBn,其中,i代表第i个传感器阵列;
S6.用PCA算法和LDA算法处理所述荧光数据DiA1-DiAn以及荧光数据DiB1-DiBn,分别得到荧光数据DiA1-DiAn以及荧光数据DiB1-DiBn的PCA图谱和LDA图谱;
S7.根据图谱中数据点的离散程度,确定传感器阵列SA1-SAn中最优的传感器阵列。
2.根据权利要求1所述的方法,其中,
步骤S3包括:配制单一目标蛋白的低浓度溶液A1-Am和高浓度溶液Am+1-A2m,以及,配制全部目标蛋白的低浓度混合溶液B1-Bm和高浓度混合溶液Bm+1-B2m,每个所述低浓度混合溶液和每个所述高浓度混合溶液中各有一种目标蛋白的浓度不低于其他目标蛋白,除该浓度相对高的目标蛋白外,各组低浓度混合溶液以及各组高浓度混合溶液中其他目标蛋白的浓度相同,该浓度相对高的目标蛋白在其相应的低浓度混合溶液中的浓度低于在其相应的高浓度混合溶液中的浓度;并且,所述低浓度混合溶液B1-Bm中浓度相对高的目标蛋白各不相同,所述高浓度混合溶液Bm+1-B2m中浓度相对高的目标蛋白各不相同;
步骤S5包括:将所述传感器阵列SA1-SAn分别与所述低浓度溶液A1-Am和所述高浓度溶液Am+1-A2m以及所述低浓度混合溶液B1-Bm和所述高浓度混合溶液Bm+1-B2m混合,进行荧光扫描,得到针对每一传感器阵列的单一蛋白荧光数据DiA1’-DiA2m’和混合蛋白荧光数据DiB1’-DiB2m’,其中,i代表第i个传感器阵列;
步骤S6包括:用PCA算法和LDA算法处理荧光数据DiA1’-DiA2m’和荧光数据DiB1’-DiB2m’,分别得到荧光数据DiA1’-DiA2m’的PCA图谱和LDA图谱,以及荧光数据DiB1’-DiB2m’的PCA图谱和LDA图谱。
3.根据权利要求1或2所述的方法,其中,所述PCA图谱为PCA-2D图谱和/或PCA-3D图谱;所述LDA图谱为LDA-2D图谱和/或LDA-3D图谱。
4.根据权利要求1所述的方法,其中,所述目标蛋白为疾病相关蛋白。
5.根据权利要求4所述的方法,其中,所述目标蛋白为泌尿系统疾病相关蛋白。
6.根据权利要求2所述的方法,其中,所述目标蛋白包括血清白蛋白、转铁蛋白、溶菌酶、免疫球蛋白G、肌红蛋白和酸性磷酸酶。
7.根据权利要求6所述的方法,其中,对于单一目标蛋白为血清白蛋白的溶液,所述低浓度溶液中血清白蛋白的浓度为80-120mg/L,所述高浓度溶液中血清白蛋白的浓度为450-550mg/L;
对于单一目标蛋白为转铁蛋白的溶液,所述低浓度溶液中转铁蛋白的浓度为8-12mg/L,所述高浓度溶液中转铁蛋白的浓度为80-120mg/L;
对于单一目标蛋白为溶菌酶的溶液,所述低浓度溶液中溶菌酶的浓度为40-60mg/L,所述高浓度溶液中溶菌酶的浓度为200-300mg/L;
对于单一目标蛋白为免疫球蛋白G的溶液,所述低浓度溶液中免疫球蛋白G的浓度为15-25mg/L,所述高浓度溶液中免疫球蛋白G的浓度为80-120mg/L;
对于单一目标蛋白为肌红蛋白的溶液,所述低浓度溶液中肌红蛋白的浓度为8-12mg/L,所述高浓度溶液中肌红蛋白的浓度为80-120mg/L;
对于单一目标蛋白为酸性磷酸酶的溶液,所述低浓度溶液中酸性磷酸酶的浓度为15-25mg/L,所述高浓度溶液中酸性磷酸酶的浓度为80-120mg/L。
8.根据权利要求2所述的方法,其中,所述目标蛋白包括血清白蛋白、转铁蛋白、免疫球蛋白G、溶菌酶、肌红蛋白和酸性磷酸酶;
对于血清白蛋白浓度相对高的混合溶液,所述低浓度混合溶液中血清白蛋白的浓度为80-120mg/L,其他蛋白的浓度为1-5mg/L;所述高浓度混合溶液中血清白蛋白的浓度为450-550mg/L,其他蛋白的浓度为1-5mg/L;
对于转铁蛋白浓度相对高的混合溶液,所述低浓度混合溶液中转铁蛋白的浓度为8-12mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中转铁蛋白的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L;
对于溶菌酶浓度相对高的混合溶液,所述低浓度混合溶液中溶菌酶的浓度为40-60mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中溶菌酶的浓度为200-300mg/L,其他蛋白的浓度为1-10mg/L;
对于免疫球蛋白G浓度相对高的混合溶液,所述低浓度混合溶液中免疫球蛋白G的浓度为15-25mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中免疫球蛋白G的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L;
对于肌红蛋白浓度相对高的混合溶液,所述低浓度混合溶液中肌红蛋白的浓度为8-12mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中肌红蛋白的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L;
对于酸性磷酸酶浓度相对高的混合溶液,所述低浓度混合溶液中酸性磷酸酶的浓度为15-25mg/L,其他蛋白的浓度为1-10mg/L;所述高浓度混合溶液中酸性磷酸酶的浓度为80-120mg/L,其他蛋白的浓度为1-10mg/L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444076.6A CN110244055B (zh) | 2019-05-27 | 2019-05-27 | 一种优化用于检测蛋白的传感器阵列的方法及传感器阵列 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910444076.6A CN110244055B (zh) | 2019-05-27 | 2019-05-27 | 一种优化用于检测蛋白的传感器阵列的方法及传感器阵列 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244055A CN110244055A (zh) | 2019-09-17 |
CN110244055B true CN110244055B (zh) | 2022-07-22 |
Family
ID=67885117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910444076.6A Active CN110244055B (zh) | 2019-05-27 | 2019-05-27 | 一种优化用于检测蛋白的传感器阵列的方法及传感器阵列 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244055B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110907651B (zh) * | 2019-12-12 | 2021-08-20 | 中国科学院长春应用化学研究所 | 基于苝衍生物探针自组装的用于蛋白质区分检测的荧光传感器阵列 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9923146D0 (en) * | 1999-09-30 | 1999-12-01 | Imperial College | Detector array |
CN100347546C (zh) * | 2005-09-02 | 2007-11-07 | 清华大学 | 蛋白质芯片的传感方法及其检测系统 |
US8021891B2 (en) * | 2007-11-28 | 2011-09-20 | University Of Massachusetts | Methods and compositions for protein detection using nanoparticle-fluorescent polymer complexes |
CN102680439A (zh) * | 2012-03-02 | 2012-09-19 | 中国科学院化学研究所 | 通用高效多底物检测光子晶体微芯片 |
CN104437688A (zh) * | 2014-11-21 | 2015-03-25 | 中国科学院化学研究所 | 光致变色动态多底物检测微芯片与多态分析方法 |
CN104677875B (zh) * | 2015-03-24 | 2017-03-29 | 江南大学 | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 |
CN105044055B (zh) * | 2015-06-29 | 2018-04-13 | 长江师范学院 | 一种蛋白质的检测方法及蛋白质检测阵列传感器 |
CN106323927B (zh) * | 2016-08-16 | 2019-06-21 | 江苏科技大学 | 基于CdTe量子点对多种蛋白质进行同步检测的多通道传感器 |
CN106370646B (zh) * | 2016-08-16 | 2022-06-28 | 南阳师范学院 | 检测待测样品中蛋白质的方法 |
CN109142291B (zh) * | 2018-07-17 | 2021-09-21 | 华南理工大学 | 一种荧光传感阵列对微生物进行分型鉴定的方法 |
-
2019
- 2019-05-27 CN CN201910444076.6A patent/CN110244055B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110244055A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Codeluppi et al. | Spatial organization of the somatosensory cortex revealed by osmFISH | |
EP1234280B1 (en) | Method of analysing cell samples, by creating and analysing a resultant image | |
Schleicher et al. | A stereological approach to human cortical architecture: identification and delineation of cortical areas | |
You et al. | Detection and identification of proteins using nanoparticle–fluorescent polymer ‘chemical nose’sensors | |
Bjornsson et al. | Associative image analysis: a method for automated quantification of 3D multi-parameter images of brain tissue | |
US20040114800A1 (en) | System and method for image segmentation | |
US20030078739A1 (en) | Feature list extraction from data sets such as spectra | |
JP2003513292A5 (zh) | ||
KR20080080390A (ko) | 스펙트럼 생체마커와 같은 데이터 패턴과 관련된 시스템 및방법 | |
CN110244055B (zh) | 一种优化用于检测蛋白的传感器阵列的方法及传感器阵列 | |
Busse et al. | Automated analysis of a diverse synapse population | |
KR20140132358A (ko) | 전자 코 또는 전자 혀 센서 | |
CN108139325A (zh) | 生物样本的多路复用分析中的串扰校正 | |
Sjöström et al. | Polypeptide sequence property relationships in Escherichia coli based on auto cross covariances | |
CN110501329B (zh) | 比色型化学传感器阵列、检测金属离子的方法,以及评价和优化传感器阵列的方法 | |
Xi et al. | Cationic polymer-based plasmonic sensor array that discriminates proteins | |
Simhal et al. | A computational synaptic antibody characterization tool for array tomography | |
Niţică et al. | A comparative study on using unsupervised learning based data analysis techniques for breast cancer detection | |
Tomita | Chemical tongues: biomimetic recognition using arrays of synthetic polymers | |
Lin et al. | Multivariate approaches for SERS data analysis in clinical applications | |
CN1458537A (zh) | 运动物体检测装置及其方法 | |
US20240133874A1 (en) | Improvements in or relating to immunity profiling | |
CN114965387A (zh) | 用于检测婴儿配方奶粉的荧光型化学传感器阵列及利用其检测婴儿配方奶粉的方法 | |
Simhal et al. | A Computational Synaptic Antibody Characterization and Screening Framework for Array Tomography | |
Cao et al. | Sparse representation based biomarker selection for schizophrenia with integrated analysis of fMRI and SNP data |
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 |