CN110308227A - 一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法 - Google Patents

一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法 Download PDF

Info

Publication number
CN110308227A
CN110308227A CN201910724454.6A CN201910724454A CN110308227A CN 110308227 A CN110308227 A CN 110308227A CN 201910724454 A CN201910724454 A CN 201910724454A CN 110308227 A CN110308227 A CN 110308227A
Authority
CN
China
Prior art keywords
sample
analysis
sleep
sleep disturbance
osteoporosis
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
CN201910724454.6A
Other languages
English (en)
Other versions
CN110308227B (zh
Inventor
李国华
王帆
李慧
刘彦隆
王莲鹏
康毅敏
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.)
SECOND AFFILIATED HOSPITAL OF XINJIANG MEDICAL UNIVERSITY
Original Assignee
SECOND AFFILIATED HOSPITAL OF XINJIANG MEDICAL UNIVERSITY
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 SECOND AFFILIATED HOSPITAL OF XINJIANG MEDICAL UNIVERSITY filed Critical SECOND AFFILIATED HOSPITAL OF XINJIANG MEDICAL UNIVERSITY
Priority to CN201910724454.6A priority Critical patent/CN110308227B/zh
Publication of CN110308227A publication Critical patent/CN110308227A/zh
Application granted granted Critical
Publication of CN110308227B publication Critical patent/CN110308227B/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
    • 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
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/72—Mass spectrometers
    • 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
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/74—Optical detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • 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
    • 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
    • G01N2030/062—Preparation extracting sample from raw material

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，样品制备收集睡眠认知行为治疗睡眠障碍人群原发性骨质疏松症患者的血浆样本，经处理后准备进行超高效液相色谱‑质谱检测分析；睡眠障碍根据匹兹堡睡眠质量指数量表确定；超高效液相色谱‑质谱检测分析：将血清样本经色谱柱分离，并采用质谱检测分析；数据分析提取并对齐仪器原始数据，获得无噪音干扰、可用于统计分析的数据，通过正交偏最小二乘判别分析和配对样本T检验对数据进行分析，获得两组之间的差异性代谢物，并对这些物质结合已有文献报道进行初步鉴定和验证。本发明睡眠障碍人群出现原发性骨质疏松症患者的早期预测和预后提供有利的技术支持。

Description

一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学 分析方法
技术领域
本发明涉及医药研究学技术领域，具体为一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法。
背景技术
睡眠障碍是目前中国社会最常见问题之一，主要表现为入睡困难、夜间觉醒次数增多、晨间早醒和醒后无法再入睡等。长期低质量睡眠与许多疾病的发生发展相关联，是骨质疏松症发生的重要致病因素，诱发其发生发展，骨质疏松极易出现骨折。骨折不仅降低人民群众的生活质量，而且增加卧床相关的死亡率。减少或者降低睡眠障碍，可在很大程度上改善低质量睡眠所致骨质疏松症，不仅减轻相关人群的痛苦，也降低了其发生骨折的风险。
骨质疏松是一种以骨量降低，骨组织微结构破坏，导致骨脆性增加、骨强度下降，易发生骨折为特征的全身性代谢退化性骨病，其发生、发展是一个多因素作用、多基因参与、多阶段经历形成的极其复杂的生物学过程，目前具体的发病机制尚不明确。睡眠障碍人群发生骨质疏松症的脂代谢异常概率极高。
睡眠认知行为治疗是目前治疗失眠的首选治疗方案，优于药物治疗失眠，而且不影响干扰体内代谢物质水平，为期6周，每周一次治疗，每次约一小时。
代谢组学是一种高灵敏度，高通量分析方法，可用于研究病理生理状态下低分子量代谢物的特征变化。脂质组学是代谢组学的一个重要分支，旨在详细分析脂质物种及其在生物体系中的多重作用。超高效液相色谱-质谱(LC/MS)联用技术作为脂质组学分析中广泛采用的技术之一，具有高分离度、高速度和高灵敏度的特点。
发明内容
本发明的目的在于提供一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，具备的采用正交偏最小二乘判别分析(OPLS-DA)和配对样本T检验对数据分析结果进行交叉比对，就独立性的优点，解决了建模过程中所有样本都会被用来建立模型，所以该过程存在一定程度的非独立性，干扰了模型预测能力的判别和模型预测误差的估计。缺乏完全独立性的建模科导致过拟合的可能，这样的模型不能真实有效地反映代谢组数据的信息，从而对标记物的筛选出现偏差的问题。
为实现上述目的，本发明提供如下技术方案：一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，包括以下步骤：
S1：样品制备收集睡眠认知行为治疗睡眠障碍人群原发性骨质疏松症患者的血浆样本，经处理后准备进行超高效液相色谱-质谱检测分析，睡眠障碍根据匹兹堡睡眠质量指数量表(Pittsburgh sleep quality index，PSQI)确定。
S2：将所有被试开展睡眠认知行为治疗前后的100μl血浆与900μl丙-2-醇混合，涡旋超过10秒后超声处理10分钟，混合物-20℃冻存1小时，然后9500g离心10分钟，收集上层(800μl)并转移至上层，质量控制(QC)样品通过合并所有血清样品的等分试样代表分析中的血清样品，每5个样品中放置空白样品(丙-2-醇/水，9∶1v/v)和QC样品。
S3：超高效液相色谱-质谱检测分析的仪器分析平台为UPLC-QTOF/MS(ACQUITYUPLC I-Class，Waters，Manchester，UK)，进行电喷雾电离四倍飞行时间质量光谱仪(XevoG2-S Q-TOF，A Waters，Manchester，UK)，ACQUITY UPLC CSH色谱柱[1.7μm；50mm(长)×2.1mm(i.d.)]用于LC分离和色谱柱保持为55℃，流速为0.4毫升/分钟样品注射是2μl，进样量为4微升，保持自动进样器为4℃，初始线性梯度：40％B，0-2分钟40％B至43％B，2-2.1分钟：43％B至50％B，2.1-12分钟：50％B至54％B，12-12.1分钟：54％B至70％B，12.1-18分钟：70％B至99％B，18-18.1分钟：99％B至40％B，18.1-20分钟：40％B。
S4：质谱条件正离子模式条件以氮气作为雾化、锥孔气体飞行检测模型，正负极毛细管电压为3kV模式，两种模式下的锥形电压均为25V，源设置为120℃，锥形气体流量为50升/h，去溶剂化温度设定为450℃，850升/小时的去溶剂化气体流量，亮氨酸脑啡肽(WatersCo.，Manchester，UK)被用作锁定质量参考离子，m/z 556.2771正模式和负模式下m/z554.2615，锁定喷雾以5μl/分钟的速率校准数据，使用两次斜碰撞能量扫描的连续模式获取MSE数据，低能量模式，扫描范围50-2000Da，扫描时间0.2s，碰撞能量设置为6V，高能量模式，扫描范围50-2000Da，扫描时间0.2s，斜碰撞能量15-60伏。
S5：收集血浆样本，处理后经色谱柱分离，并采用质谱检测分析，在进行检测分析后提取并对齐仪器原始数据，获得无噪音干扰、可用于统计分析的数据，采用正交偏最小二乘判别分析(OPLS-DA)和配对样本T检验对数据进行分析，其中OPLS-DA按照OPLS的VIP值挖掘差异代谢物，得到睡眠认知行为治疗前后有差异的脂质分子，通过交叉比较，得到共有差异脂质分子，再对共有脂质分子与睡眠障碍人群出现原发性骨质疏松症患者的骨密度值(T、Z)和睡眠障碍量表分数做相关分析，通过分析相关性结果与临床症状的病理吻合性进行验证，得到代谢异常预测脂质分子。
优选的，所述超高效液相色谱-质谱检测分析：将血清样本经色谱柱分离，并采用质谱检测分析。
优选的，所述S3中色谱分离条件为：柱温为40℃流速为0.4毫升/分钟；流动相A组成，0.1％甲酸/10mM甲酸铵中乙腈/水；流动相B组成，B为0.1％甲酸酸/10mM甲酸铵在丙-2-醇/乙腈(9∶1v/v)中的溶液；梯度洗脱。
与现有技术相比，本发明的有益效果如下：
本发明抽取交叉验证的优异特点，采用正交偏最小二乘判别分析(OPLS-DA)和配对样本T检验对数据分析结果进行交叉比对，避免交叉验证方法非独立性的缺点，将其应用于睡眠认知行为治疗睡眠障碍人群出现原发性骨质疏松症脂代谢异常有较大改善作用的脂质代谢标记物的研究中，通过与患者骨密度值(T、Z)和睡眠障碍量表分数的相关分析确认并验证差异脂质代谢物，从而在全面、综合地考察睡眠认知行为治疗睡眠障碍人群出现原发性骨质疏松症改善作用的脂质代谢相关标记物的同时，实现标记物的合理筛选。本方法对睡眠障碍人群出现原发性骨质疏松症患者的早期预测和预后提供有利的技术支持。
附图说明
图1为本发明流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法技术方案：一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，包括以下步骤：
S1：样品制备收集睡眠认知行为治疗睡眠障碍人群原发性骨质疏松症患者的血浆样本，经处理后准备进行超高效液相色谱-质谱检测分析，睡眠障碍根据匹兹堡睡眠质量指数量表(Pittsburgh sleep quality index，PSQI)确定。
S2：将所有被试开展睡眠认知行为治疗前后的100μl血浆与900μl丙-2-醇混合，涡旋超过10秒后超声处理10分钟，混合物-20℃冻存1小时，然后9500g离心10分钟，收集上层(800μl)并转移至上层，质量控制(QC)样品通过合并所有血清样品的等分试样代表分析中的血清样品，每5个样品中放置空白样品(丙-2-醇/水，9∶1v/v)和QC样品。
S3：超高效液相色谱-质谱检测分析：将血清样本经色谱柱分离，并采用质谱检测分析，超高效液相色谱一质谱检测分析的仪器分析平台为UPLC-QTOF/MS(ACQUITY UPLC I-Class，Waters，Manchester，UK)，进行电喷雾电离四倍飞行时间质量光谱仪(Xevo G2-S Q-TOF，A Waters，Manchester，UK)，ACQUITY UPLC CSH色谱柱[1.7μm；50mm(长)×2.1mm(i.d.)]用于LC分离和色谱柱保持为55℃，流速为0.4毫升/分钟样品注射是2μl，进样量为4微升，保持自动进样器为4℃，初始线性梯度：40％B，0-2分钟40％B至43％B，2-2.1分钟：43％B至50％B，2.1-12分钟：50％B至54％B，12-12.1分钟：54％B至70％B，12.1-18分钟：70％B至99％B，18-18.1分钟：99％B至40％B，18.1-20分钟：40％B，色谱分离条件为：柱温为40℃流速为0.4毫升/分钟；流动相A组成，0.1％甲酸/10mM甲酸铵中乙腈/水；流动相B组成，B为0.1％甲酸酸/10mM甲酸铵在丙-2-醇/乙腈(9∶1v/v)中的溶液；梯度洗脱。
S4：质谱条件正离子模式条件以氮气作为雾化、锥孔气体飞行检测模型，正负极毛细管电压为3kV模式，两种模式下的锥形电压均为25V，源设置为120℃，锥形气体流量为50升/h，去溶剂化温度设定为450℃，850升/小时的去溶剂化气体流量，亮氨酸脑啡肽(WatersCo.，Manchester，UK)被用作锁定质量参考离子，m/z 556.2771正模式和负模式下m/z554.2615，锁定喷雾以5μl/分钟的速率校准数据，使用两次斜碰撞能量扫描的连续模式获取MSE数据，低能量模式，扫描范围50-2000Da，扫描时间0.2s，碰撞能量设置为6V，高能量模式，扫描范围50-2000Da，扫描时间0.2s，斜碰撞能量15-60伏。
S5：收集血浆样本，处理后经色谱柱分离，并采用质谱检测分析，在进行检测分析后提取并对齐仪器原始数据，获得无噪音干扰、可用于统计分析的数据，采用正交偏最小二乘判别分析(OPLS-DA)和配对样本T检验对数据进行分析，其中OPLS-DA按照OPLS的VIP值挖掘差异代谢物，得到睡眠认知行为治疗前后有差异的脂质分子，通过交叉比较，得到共有差异脂质分子，再对共有脂质分子与睡眠障碍人群出现原发性骨质疏松症患者的骨密度值(T、Z)和睡眠障碍量表分数做相关分析，通过分析相关性结果与临床症状的病理吻合性进行验证，得到代谢异常预测脂质分子。
工作原理：本方法基于睡眠障碍人群出现原发性骨质疏松症患者血浆代谢组学分析方法，包括收集原发性骨质疏松症患者认知行为治疗6周前后的匹兹堡国际睡眠质量量表与血浆样本，量表评分进行标准化，血浆处理后经色谱柱分离，并采用质谱检测分析，再进行LC/MS检测分析后提取并对齐仪器原始数据，获得无噪音干扰、可用于统计分析的数据；对数据进行分析得到代谢组轮廓，建立双重交叉验证筛选模型，筛选睡眠障碍人群出现原发性骨质疏松症患者使用认知行为疗法干预前后脂质差异特异性标记物；本发明可以综合地体现睡眠障碍人群出现原发性骨质疏松症情况时代谢产物的变异状况，可用于睡眠障碍人群是否出现骨质疏松症的早期预测和预后提供有利的技术支持。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (3)

1.一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，其特征在于：以下步骤：
S1：样品制备收集睡眠认知行为治疗睡眠障碍人群原发性骨质疏松症患者的血浆样本，经处理后准备进行超高效液相色谱-质谱检测分析，睡眠障碍根据匹兹堡睡眠质量指数量表(Pittsburgh sleep quality index，PSQI)确定；
S2：将所有被试开展睡眠认知行为治疗前后的100μl血浆与900μl丙-2-醇混合，涡旋超过10秒后超声处理10分钟，混合物-20℃冻存1小时，然后9500g离心10分钟，收集上层(800μl)并转移至上层，质量控制(QC)样品通过合并所有血清样品的等分试样代表分析中的血清样品，每5个样品中放置空白样品(丙-2-醇/水，9∶1v/v)和QC样品；
S3：超高效液相色谱-质谱检测分析的仪器分析平台为UPLC-QTOF/MS(ACQUITY UPLCI-Class，Waters，Manchester，UK)，进行电喷雾电离四倍飞行时间质量光谱仪(XeVO G2-SQ-TOF，A Waters，Manchester，UK)，ACQUITY UPLC CSH色谱柱[1.7μm；50mm(长)×2.1mm(i.d.)]用于LC分离和色谱柱保持为55℃，流速为0.4毫升/分钟样品注射是2μl，进样量为4微升，保持自动进样器为4℃，初始线性梯度：40％B，0-2分钟40％B至43％B，2-2.1分钟：43％B至50％B，2.1-12分钟：50％B至54％B，12-12.1分钟：54％B至70％B，12.1-18分钟：70％B至99％B，18-18.1分钟：99％B至40％B，18.1-20分钟：40％B；
S4：质谱条件正离子模式条件以氮气作为雾化、锥孔气体飞行检测模型，正负极毛细管电压为3kV模式，两种模式下的锥形电压均为25V，源设置为120℃，锥形气体流量为50升/h，去溶剂化温度设定为450℃，850升/小时的去溶剂化气体流量，亮氨酸脑啡肽(Waters Co.，Manchester，UK)被用作锁定质量参考离子，m/z 556.2771正模式和负模式下m/z554.2615，锁定喷雾以5μl/分钟的速率校准数据，使用两次斜碰撞能量扫描的连续模式获取MSE数据，低能量模式，扫描范围50-2000Da，扫描时间0.2s，碰撞能量设置为6V，高能量模式，扫描范围50-2000Da，扫描时间0.2s，斜碰撞能量15-60伏；
S5：收集血浆样本，处理后经色谱柱分离，并采用质谱检测分析，在进行检测分析后提取并对齐仪器原始数据，获得无噪音干扰、可用于统计分析的数据，采用正交偏最小二乘判别分析(OPLS-DA)和配对样本T检验对数据进行分析，其中OPLS-DA按照OPLS的VIP值挖掘差异代谢物，得到睡眠认知行为治疗前后有差异的脂质分子，通过交叉比较，得到共有差异脂质分子，再对共有脂质分子与睡眠障碍人群出现原发性骨质疏松症患者的骨密度值(T、Z)和睡眠障碍量表分数做相关分析，通过分析相关性结果与临床症状的病理吻合性进行验证，得到代谢异常预测脂质分子。
2.根据权利要求1所述的一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，其特征在于：所述超高效液相色谱-质谱检测分析：将血清样本经色谱柱分离，并采用质谱检测分析。
3.根据权利要求1所述的一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法，其特征在于：所述S3中色谱分离条件为：柱温为40℃流速为0.4毫升/分钟；流动相A组成，0.1％甲酸/10mM甲酸铵中乙腈/水；流动相B组成，B为0.1％甲酸酸/10mM甲酸铵在丙-2-醇/乙腈(9∶1v/v)中的溶液；梯度洗脱。
CN201910724454.6A 2019-08-07 2019-08-07 一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法 Active CN110308227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910724454.6A CN110308227B (zh) 2019-08-07 2019-08-07 一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910724454.6A CN110308227B (zh) 2019-08-07 2019-08-07 一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法

Publications (2)

Publication Number Publication Date
CN110308227A true CN110308227A (zh) 2019-10-08
CN110308227B CN110308227B (zh) 2020-04-14

Family

ID=68082062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910724454.6A Active CN110308227B (zh) 2019-08-07 2019-08-07 一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法

Country Status (1)

Country Link
CN (1) CN110308227B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111208229A (zh) * 2020-01-17 2020-05-29 华中农业大学 蛋鸡低骨密度联合诊断血清代谢标志物的筛选方法及其应用
CN114910597A (zh) * 2022-05-12 2022-08-16 新疆医科大学第二附属医院 一种基于妊娠中期失眠产妇脑脊液脂质组学代谢物预测新生儿异常体重的分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104713970A (zh) * 2015-04-01 2015-06-17 山东省肿瘤医院 一种血清代谢组学分析模型的构建方法
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
CN109387584A (zh) * 2018-10-12 2019-02-26 新疆医科大学第二附属医院 一种基于阿立派唑改善奥氮平治疗精神分裂症致脂代谢异常病人血浆代谢组学分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN104713970A (zh) * 2015-04-01 2015-06-17 山东省肿瘤医院 一种血清代谢组学分析模型的构建方法
CN109387584A (zh) * 2018-10-12 2019-02-26 新疆医科大学第二附属医院 一种基于阿立派唑改善奥氮平治疗精神分裂症致脂代谢异常病人血浆代谢组学分析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111208229A (zh) * 2020-01-17 2020-05-29 华中农业大学 蛋鸡低骨密度联合诊断血清代谢标志物的筛选方法及其应用
CN114910597A (zh) * 2022-05-12 2022-08-16 新疆医科大学第二附属医院 一种基于妊娠中期失眠产妇脑脊液脂质组学代谢物预测新生儿异常体重的分析方法

Also Published As

Publication number Publication date
CN110308227B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
Wang et al. Thyroxine and reserpine-induced changes in metabolic profiles of rat urine and the therapeutic effect of Liu Wei Di Huang Wan detected by UPLC-HDMS
CN101374555B (zh) 神经衍生的生物分子体内代谢的检测方法
US20160231341A1 (en) Multidrug analysis in urine by liquid chromatography-tandem mass spectrometry
CN107003324B (zh) 通过质谱测定糖胺聚糖水平
CN113267586B (zh) 嘌呤代谢标志物在制备肺癌分子靶向药物获得性耐药筛查和诊断试剂中的应用
CN110308227A (zh) 一种基于睡眠障碍出现原发性骨质疏松症患者血浆代谢组学分析方法
CN109387584B (zh) 一种基于阿立派唑改善奥氮平治疗精神分裂症致脂代谢异常病人血浆代谢组学分析方法
CN106018640A (zh) 一种快速筛选、鉴定肿瘤生物标记物的方法及应用
Merone et al. Fast LC–MS/MS screening method for the evaluation of drugs, illicit drugs, and other compounds in biological matrices
CN106645516B (zh) 毛发中神经递质的检测方法
Faro et al. Ultra-high-performance liquid chromatography-tandem mass spectrometry assay for quantifying THC, CBD and their metabolites in hair. Application to patients treated with medical cannabis
Wen et al. Effect of acupuncture on rats with acute gouty arthritis inflammation: a metabonomic method for profiling of both urine and plasma metabolic perturbation
Song et al. Untargeted metabolomics reveals novel serum biomarker of renal damage in rheumatoid arthritis
Liu et al. Metabolomic study of a rat fever model induced with 2, 4-dinitrophenol and the therapeutic effects of a crude drug derived from Coptis chinensis
CN109900841A (zh) 一种同时测定血浆中氨基糖苷类抗生素药物浓度的hplc-ms/ms方法
CN110568196B (zh) 尿液中低级别胶质瘤相关的代谢标志物及其应用
CN111638294A (zh) 一种小叶金花草的鉴别方法及其应用
CN108548883B (zh) 用于早期发现与预警肝损伤的生物标志物、方法及应用
Zhang et al. Authentication of herbal medicines from multiple botanical origins with cross-validation mebabolomics, absolute quantification and support vector machine model, a case study of Rhizoma Alismatis
CN111721860B (zh) 一种基于渗透压校正的尿液代谢组学分析方法
CN107247884B (zh) 一种高血压病肝阳上亢证大鼠模型判别方法及其应用
CN107543873A (zh) 一种基于冠心病心阳虚证的代谢标记物的鉴定方法
Wang et al. Untargeted metabolomic analysis of metabolites related to body dysmorphic disorder (BDD)
CN106404975B (zh) 一种个体化药物的筛选方法及其应用
Xu et al. A prospective study on peptide mapping of human fatigue saliva markers based on magnetic beads

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