CN110441438A - 一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法 - Google Patents

一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法 Download PDF

Info

Publication number
CN110441438A
CN110441438A CN201910848366.7A CN201910848366A CN110441438A CN 110441438 A CN110441438 A CN 110441438A CN 201910848366 A CN201910848366 A CN 201910848366A CN 110441438 A CN110441438 A CN 110441438A
Authority
CN
China
Prior art keywords
acute pancreatitis
detection method
severe
prediction model
pancreatitis
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
Application number
CN201910848366.7A
Other languages
English (en)
Inventor
尚东
尹沛源
刘建均
项红
宋慧一
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.)
First Affiliated Hospital of Dalian Medical University
Original Assignee
First Affiliated Hospital of Dalian 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 First Affiliated Hospital of Dalian Medical University filed Critical First Affiliated Hospital of Dalian Medical University
Priority to CN201910848366.7A priority Critical patent/CN110441438A/zh
Publication of CN110441438A publication Critical patent/CN110441438A/zh
Pending legal-status Critical Current

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
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/72—Mass spectrometers
    • 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
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
    • G16B50/30—Data warehousing; Computing architectures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Bioethics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于S100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法，属于急性胰腺炎检测技术领域。本发明利用S100蛋白家族中的S100A6，S100A8，S100S9，S100A11，S100A12，S100P建立急性胰腺炎严重程度预测模型，该预测模型对重症急性胰腺炎的诊断灵敏度92.30％，特异性84.70％，假阳性率15.30％，假阴性率7.70％。与目前临床使用的量表检测及影像学诊断相比，人为主观性降低，更为准确，而且具有定量检测的效果。

Description

一种基于S100蛋白家族的急性胰腺炎严重程度预测模型及其 检测方法
技术领域
本发明涉及一种基于S100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法，属于急性胰腺炎检测技术领域。
背景技术
急性胰腺炎是一种最常见胰腺无菌性炎症，主要病理表现为胰腺腺泡细胞损伤坏死和炎性级联反应。据国际临床资料显示，其发病率高达13-45/10万人，且呈现逐年上升趋势。在美国，每年有超过20万的急性胰腺炎患者需住院治疗，直接治疗费用高达20亿美金/年。2012年最新亚特兰大分类根据急性胰腺炎病情严重程度，将急性胰腺炎分为轻症急性胰腺炎(MAP)、中度重症急性胰腺炎(MSAP)、重症急性胰腺炎(SAP)。其中轻度急性胰腺炎是一种自限性疾病，预后较好，但仍有约20-30％的患者病情持续进展为重症急性胰腺炎，严重者出现全身炎症反应综合征和多器官功能衰竭，病死率高达10-30％。我国近年来急性胰腺炎，尤其是重症急性胰腺炎的发病率有升高趋势，高发病风险、病死率及高额的诊疗费用给患者和社会带来沉重的负担。
目前，临床主要采用2012年RAC严重程度分级标准，首先将急性胰腺炎病程分为早期(发病第1-2周)和后期(发病1-2周后)。基于患者入院后24h内有无器官功能衰竭(Marshall评分)区分MAP和SAP，根据器官功能衰竭在48h内是否恢复区分MSAP和SAP。早期阶段主要关注是否出现器官功能损伤/衰竭；后期阶段以胰腺/胰周形态学标准作为严重程度分类依据并指导治疗。可以同时结合DBC、Ranson、APACHE II、Balthazar CT分级、MCTSI、CRP、床旁严重程度评价指数(BISAP)、无害化评分(HAPS)等严重程度评价指标。但这些评估方法预测疾病严重程度的主要依赖于临床医师的多年临床实践经验积累，主观性强，且难以实现对重症急性胰腺炎的早期预警。此外，还有研究提出将白介素家族(IL-6、IL-8等)、肿瘤坏死因子(TNF)水平等作为预测急性胰腺炎严重程度的标志物，但这些检测指标对急性胰腺炎严重程度分级，以及对重症急性胰腺炎早期诊断的敏感性、特异性均达不到临床要求，而且还存在检测复杂、费用高昂等局限性。因此，寻找新的、和疾病严重程度及进展密切相关的标记物，对重症急性胰腺炎的早期诊断和治疗将具有重大意义。
数据非依赖型采集模式(Data-Independent Acquisition，DIA)数据采集模式在一级质谱检测时，根据质荷比大小划分一些较大的采集窗口，对每个窗口内所有肽段进行合并分析，获得多个肽段混合二级质谱信号，实现数据的“无损采集”。因此，DIA定量技术具有：(1)无歧视地获得所有肽段的信息，不会造成低丰度蛋白信息的丢失；(2)循环时间固定，扫描点数均匀，定量准确度高；(3)肽段的选择没有随机性，数据可以回溯，对于复杂蛋白样本，特别是低丰度蛋白具有更优异的重现性等优势。2017年，来自苏黎世联邦理工学院的Ruedi Aebersold教授发表于Nature Communications的文章中，研究者在全球不同地点的11家质谱实验室，采用相同的实验和分析流程，对SWATH技术(DIA技术的一种)进行综合评估，发现DIA定量蛋白质组学数据有非常好的重现性和可靠性，适用于临床大样本检测分析。
发明内容
鉴于现有技术的不足，本发明的目的在于提供一种基于S100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法，旨在解决目前临床尚无有效的急性胰腺炎严重程度预测模型的问题。
本发明提供了一种基于S100蛋白家族的急性胰腺炎严重程度预测模型，所述急性胰腺炎严重程度预测模型为Y＝ex，其中X＝-3.102+(-5.98E-04)*S100A11+(3.33E-06)*S100A12+(6.28E-05)*S100A6+(2.46E-05)*S100A8+(-2.54E-05)*S100A9+(1.22E-04)*S100P，所述S100A6，S100A8，S100S9，S100A11，S100A12，S100P分别为待检测样本血清中S100A6，S100A8，S100S9，S100A11，S100A12，S100P蛋白的浓度，当Y值>0.14489时，提示为高重症胰腺炎发病风险。
在急性胰腺炎严重程度预测模型中包括的6种S100蛋白家族成员表达量均上调表示急性胰腺炎的发生，根据上调的量可预测出急性胰腺炎的严重程度。
本发明还提供了一种基于S100蛋白家族的急性胰腺炎严重程度的检测方法，包括如下步骤：
(1)采集血清，依次加入裂解缓冲液和Tris-HCl缓冲液，所述血清、裂解缓冲液和Tris-HCl缓冲液的体积比为1:20:5，恒温孵育；
(2)加入碘乙酰胺，避光恒温孵育；
(3)胰酶(胰酶：待检测蛋白质＝1:40，质量比)消化得到肽段，所得肽段加入10μLpH为2-3的三氟乙酸酸化后，以C18 SPE柱除盐，然后将所得肽段冻干；
(4)步骤(3)得到的样品复溶于复溶溶剂，采用DIA定量蛋白质组学分析方法检测血清中S100A6，S100A8，S100S9，S100A11，S100A12，S100P蛋白的浓度，并通过模型Y＝ex，其中X＝-3.102+(-5.98E-04)*S100A11+(3.33E-06)*S100A12+(6.28E-05)*S100A6+(2.46E-05)*S100A8+(-2.54E-05)*S100A9+(1.22E-04)*S100P计算来进行急性胰腺炎严重程度的预测，当Y值>0.14489时，提示为高重症胰腺炎发病风险。
进一步地，上述技术方案中，所述步骤(1)中的裂解缓冲液为0.1M碳酸氢钠，6M尿素以及2M硫脲。
进一步地，上述技术方案中，所述步骤(1)中Tris-HCl缓冲液的PH值为8.5。
进一步地，上述技术方案中，所述步骤(1)中孵育条件为33℃下恒温孵育45分钟。
进一步地，上述技术方案中，所述步骤(2)中碘乙酰胺的浓度为40mM，碘乙酰胺与血清的体积比为1:4，孵育温度为25℃，孵育时间为1h。
进一步地，上述技术方案中，所述步骤(3)中胰酶的用量为100μL，浓度为0.01ug/μL，胰酶消化条件为33℃下消化16h。
进一步地，上述技术方案中，所述步骤(4)中的复溶溶剂为含有0.1％甲酸和2％乙腈的水溶液，所述复溶溶剂的体积为20μL。
进一步地，上述技术方案中，所述步骤(4)DIA定量蛋白质组学分析方法参数设置具体为：样品分离采用120分钟液相色谱梯度，其中，流动相：A:0.1％甲酸/水(体积比，甲酸：水＝0.1:99.9)；B:0.1％甲酸/水/乙腈(体积比，甲酸：水：乙腈＝0.1：19.9：80)；梯度：0～6min,3％-8％B，6～108min,8％-30％B,108～116min,30％-90％B，116～120min,90％-90％B；流速：300nL/min，进样量为0.4μg；质谱质核比范围设定为400to 1000m/z，一级质谱分辨率设定为60000，二级质谱分辨率设定为30000。
发明有益效果
本发明上述S100蛋白家族组合可以作为急性胰腺炎严重程度的预测模型，该急性胰腺炎严重程度预测模型对重症急性胰腺炎的诊断灵敏度92.30％，特异性84.70％，假阳性率15.30％，假阴性率7.70％，实现对重症急性胰腺炎的早期预警。
本发明将S100A6，S100A8，S100S9，S100A11，S100A12，S100P表达差异蛋白中的组合作为急性胰腺炎严重程度预测模型，用于临床诊断和预测疾病严重程度，可极大提高重症急性胰腺炎早期诊断特异性和准确性。
本发明中血清的采集快速简单，与急性胰腺炎的影像学检测方法如CT、MRI检测相比，对患者无毒副作用，人为主观性降低，更为准确，且具有定量检测的效果。
附图说明
图1为本发明ROC曲线。
具体实施方式
下述非限定性实施例可以使本领域的普通技术人员更全面地理解本发明，但不以任何方式限制本发明。
实施例1
本发明提供一种基于S100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于S100蛋白家族的急性胰腺炎严重程度预测模型，其中，所述预测急性胰腺炎严重程度的生物标记物为S100蛋白家族中表达量上调蛋白(表达量增加，上调)，即本发明所述基于S100蛋白家族的急性胰腺炎严重程度预测模型包括表达量上调的6种S100蛋白家族成员：S100A6，S100A8，S100S9，S100A11，S100A12，S100P。
本发明上述表达量上调的S100蛋白家族成员的组合可以作为急性胰腺炎严重程度的预测模型，检测上述表达量上调蛋白的表达量变化情况，根据表达量变化情况即可预测急性胰腺炎严重程度，实现对重症急性胰腺炎的早期预警。
下面通过具体实施例对本发明进行详细说明。
1.实验步骤：
将59例轻度或中重度急性胰腺炎和13例重症急性胰腺炎患者为研究对象，分别取患者血清1μL依次加入到96孔细胞培养板的孔中。随后加入20μL含有0.1M碳酸氢钠，6M尿素以及2M硫脲的裂解缓冲液稀释。逐个样本加入5μL10 mM的tris-HCL缓冲液(tris:三羟甲基氨基甲烷,PH 8.5)，在33℃下恒温孵育45分钟，然后加入4μL 40mM的碘乙酰胺，避光孵育1小时(25℃)。蛋白质采用100μL胰酶(胰酶：待检测蛋白质＝1:40，质量比)33℃下消化16小时得到肽段。所得肽段加入10μL三氟乙酸(TFA,pH 2-3)酸化后，以C18 SPE柱除盐，随后将所得肽段冻干。样本复溶于20μL复溶溶剂(0.1％甲酸，2％乙腈的水溶液)。肽段样本分离采用120分钟液相色谱梯度，流动相：A:0.1％甲酸/水(体积比，甲酸：水＝0.1:99.9)；B:0.1％甲酸/水/乙腈(体积比，甲酸：水：乙腈＝0.1：19.9：80)；梯度：0～6min,3％-8％B，6～108min,8％-30％B,108～116min,30％-90％B，116～120min,90％-90％B；流速：300nL/min进样量为0.4μg。质谱采用赛默飞公司的Q Exactive HF高分辨质谱，DIA质核比范围设定为400to 1000m/z.一级质谱分辨率设定为60,000，二级质谱分辨率设定为30,000。
2.结果：
将59例轻度或中重度急性胰腺炎和13例重症急性胰腺炎患者血清进行DIA定量蛋白质组学分析后，发现重症急性胰腺炎组相比于轻度或中重度急性胰腺炎组有6个明显上调的蛋白，分别为：S100A6，S100A8，S100S9，S100A11，S100A12，S100P。利用SPSS 19.0统计分析软件通过二元Logistic回归分析建立疾病预测模型，并绘制ROC曲线(受试者工作特征曲线)如图1所示，得到回归方程：Y＝ex，
X＝-3.102+(-5.98E-04)*S100A11+(3.33E-06)*S100A12+(6.28E-05)*S100A6+(2.46E-05)*S100A8+(-2.54E-05)*S100A9+(1.22E-04)*S100P。ROC曲线下面积为0.922(95％置信区间0.852-0.992)。
根据上述逻辑回归模型计算所得Y值(cut off值＝0.14489)即为重症胰腺炎发病风险指数。可根据该指数来早期预测重症胰腺炎的发病风险。将采集到的患者血清中S100A6，S100A8，S100S9，S100A11，S100A12，S100P蛋白的浓度分别代入上述预测模型，计算得到Y值>0.14489，提示高重症胰腺炎发病风险，需及早进行临床干预。
综上所述，本发明提供一种基于S100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法，该预测模型对重症急性胰腺炎的诊断灵敏度92.30％，特异性84.70％，假阳性率15.30％，假阴性率7.70％。本发明通过DIA定量蛋白质组学分析技术，检测血清中是否存在上述表达差异蛋白，将上述表达差异蛋白中的组合作为急性胰腺炎严重程度预测模型，将该模型的拟合数值(Y值)作为重症胰腺炎发病的预警指标，用于临床对胰腺炎患者重症化的早期预警，降低重症胰腺炎的发生率及死亡率，可极大提高重症急性胰腺炎早期诊断特异性和准确性。本发明中血清的采集快速简单，与急性胰腺炎的影像学检测方法如CT、MRI检测相比，对患者无毒副作用，且具有定量检测的效果。本发明检测急性胰腺炎血清中蛋白的表达量变化情况，与目前临床使用的量表检测及影像学诊断相比，人为主观性降低，更为准确，而且具有定量检测的效果。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于S100蛋白家族的急性胰腺炎严重程度预测模型，其特征在于，所述急性胰腺炎严重程度预测模型为Y＝ex，其中X＝-3.102+(-5.98E-04)*S100A11+(3.33E-06)*S100A12+(6.28E-05)*S100A6+(2.46E-05)*S100A8+(-2.54E-05)*S100A9+(1.22E-04)*S100P，所述S100A6，S100A8，S100S9，S100A11，S100A12，S100P分别为待检测样本血清中S100A6，S100A8，S100S9，S100A11，S100A12，S100P蛋白的浓度，当Y值>0.14489时，提示为高重症胰腺炎发病风险。
2.根据权利要求1所述的预测模型的检测方法，其特征在于，包括如下步骤：
(1)采集血清，依次加入裂解缓冲液和Tris-HCl缓冲液，所述血清、裂解缓冲液和Tris-HCl缓冲液的体积比为1:20:5，恒温孵育；
(2)加入碘乙酰胺，避光恒温孵育；
(3)胰酶消化得到肽段，所得肽段加入10μL pH 2-3的三氟乙酸酸化后，以C18SPE柱除盐，然后将所得肽段冻干；
(4)步骤(3)得到的样品复溶于复溶溶剂，采用DIA定量蛋白质组学分析方法检测血清中S100A6，S100A8，S100S9，S100A11，S100A12，S100P蛋白的浓度，并通过模型Y＝ex，其中X＝-3.102+(-5.98E-04)*S100A11+(3.33E-06)*S100A12+(6.28E-05)*S100A6+(2.46E-05)*S100A8+(-2.54E-05)*S100A9+(1.22E-04)*S100P计算来进行急性胰腺炎严重程度的预测，当Y值>0.14489时，提示为高重症胰腺炎发病风险。
3.根据权利要求2所述的检测方法，其特征在于，所述步骤(1)中的裂解缓冲液为0.1M碳酸氢钠，6M尿素以及2M硫脲。
4.根据权利要求2所述的检测方法，其特征在于，所述步骤(1)中Tris-HCl缓冲液的PH值为8.5。
5.根据权利要求2所述的检测方法，其特征在于，所述步骤(1)中孵育条件为33℃下恒温孵育45分钟。
6.根据权利要求2所述的检测方法，其特征在于，所述步骤(2)中碘乙酰胺的浓度为40mM，碘乙酰胺与血清的体积比为1:4，孵育温度为25℃，孵育时间为1h。
7.根据权利要求2所述的检测方法，其特征在于，所述步骤(3)中胰酶的用量为100μL，浓度为0.01ug/μL，胰酶消化条件为33℃下消化16h。
8.根据权利要求2所述的检测方法，其特征在于，所述步骤(4)中的复溶溶剂为含有0.1％甲酸和2％乙腈的水溶液，所述复溶溶剂的体积为20μL。
9.根据权利要求2所述的检测方法，其特征在于，所述步骤(4)DIA定量蛋白质组学分析方法参数设置具体为：样品分离采用120分钟液相色谱梯度，其中，流动相：A:体积比为0.1％的甲酸/水；B:体积比为0.1％的甲酸/水/乙腈，其中甲酸：水：乙腈的体积比为0.1：19.9：80；梯度：0～6min,3％-8％B，6～108min,8％-30％B,108～116min,30％-90％B，116～120min,90％-90％B；流速：300nL/min，进样量为0.4μg；质谱质核比范围设定为400to1000m/z，一级质谱分辨率设定为60000，二级质谱分辨率设定为30000。
CN201910848366.7A 2019-09-09 2019-09-09 一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法 Pending CN110441438A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910848366.7A CN110441438A (zh) 2019-09-09 2019-09-09 一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910848366.7A CN110441438A (zh) 2019-09-09 2019-09-09 一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法

Publications (1)

Publication Number Publication Date
CN110441438A true CN110441438A (zh) 2019-11-12

Family

ID=68439743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910848366.7A Pending CN110441438A (zh) 2019-09-09 2019-09-09 一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法

Country Status (1)

Country Link
CN (1) CN110441438A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796098A (zh) * 2020-05-29 2020-10-20 中国科学院武汉病毒研究所 诊断新冠肺炎由重症转危重症的血浆蛋白标志物、检测试剂或检测工具
CN111840561A (zh) * 2020-08-11 2020-10-30 大连医科大学附属第一医院 S100a9抑制剂在制备治疗胰腺炎的药物中的应用
CN112420200A (zh) * 2020-10-27 2021-02-26 上海交通大学医学院附属瑞金医院 一种胰腺导管内乳头状黏液肿瘤早期恶变预测系统
CN113655141A (zh) * 2021-08-09 2021-11-16 大连医科大学附属第一医院 一种早期预警重症急性胰腺炎的血清极性小分子预测模型与应用
CN113903460A (zh) * 2021-12-10 2022-01-07 中国医学科学院北京协和医院 一种预测重症急性胰腺炎的系统及其应用
CN114216851A (zh) * 2020-11-27 2022-03-22 四川大学华西医院 一种基于表面增强拉曼光谱技术的急性胰腺炎评估装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009092108A2 (en) * 2008-01-17 2009-07-23 Fox Chase Cancer Center Biomarkers for the diagnosis and treatment of pancreatic cancer
US20140213467A1 (en) * 2011-03-18 2014-07-31 Anthony T. Yeung Mucin 5B as a Pancreatic Cyst Fluid Specific Biomarker for Accurate Diagnosis of Mucinous Cysts and Other Markers Useful for Detection of Pancreatic Malignancy
US20150219665A1 (en) * 2012-09-10 2015-08-06 Koninklijke Philips N.V. Analysis of saliva proteome for biomarkers of gingivitis and periodontitis using ft-icr-ms/ms
WO2015157557A1 (en) * 2014-04-09 2015-10-15 Myriad Rbm, Inc. Methods of diagnosing pancreatic cancer and methods related thereto

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009092108A2 (en) * 2008-01-17 2009-07-23 Fox Chase Cancer Center Biomarkers for the diagnosis and treatment of pancreatic cancer
US20140213467A1 (en) * 2011-03-18 2014-07-31 Anthony T. Yeung Mucin 5B as a Pancreatic Cyst Fluid Specific Biomarker for Accurate Diagnosis of Mucinous Cysts and Other Markers Useful for Detection of Pancreatic Malignancy
US20150219665A1 (en) * 2012-09-10 2015-08-06 Koninklijke Philips N.V. Analysis of saliva proteome for biomarkers of gingivitis and periodontitis using ft-icr-ms/ms
WO2015157557A1 (en) * 2014-04-09 2015-10-15 Myriad Rbm, Inc. Methods of diagnosing pancreatic cancer and methods related thereto

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
FARKAS, G 等: "Analysis of Plasma Levels and Polymorphisms of S100A8/9 and S100A12 in Patients With Acute Pancreatitis", 《PANCREAS》 *
OHUCHIDA, K 等: "S100A6 is increased in a stepwise manner during pancreatic carcinogenesis: Clinical value of expression analysis in 98 pancreatic juice samples", 《CANCER EPIDEMIOLOGY BIOMARKERS & PREVENTION》 *
张峰 等: "S100A12与急性胰腺炎严重程度的相关性及其临床应用价值", 《中国实用医刊》 *
张峰 等: "S100A12在重症急性胰腺炎治疗中的潜在作用", 《肝胆胰外科杂志》 *
张红英 等: "血清钙结合蛋白S100A_(12)及可溶性sRAGE在急性胰腺炎患者血清中的表达及意义", 《陕西医学杂志》 *
徐冬梅 等: "急性胰腺炎患者血清钙结合蛋白S100A12的表达及其临床意义", 《国际检验医学杂志》 *
鲁林源 等: "S100基因家族在胰腺癌早期诊断和预后方面的研究进展", 《国际外科学杂志》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111796098A (zh) * 2020-05-29 2020-10-20 中国科学院武汉病毒研究所 诊断新冠肺炎由重症转危重症的血浆蛋白标志物、检测试剂或检测工具
CN111796098B (zh) * 2020-05-29 2021-06-01 中国科学院武汉病毒研究所 诊断新冠肺炎由重症转危重症的血浆蛋白标志物、检测试剂或检测工具
CN111840561A (zh) * 2020-08-11 2020-10-30 大连医科大学附属第一医院 S100a9抑制剂在制备治疗胰腺炎的药物中的应用
CN111840561B (zh) * 2020-08-11 2022-03-04 大连医科大学附属第一医院 S100a9抑制剂在制备治疗胰腺炎的药物中的应用
CN112420200A (zh) * 2020-10-27 2021-02-26 上海交通大学医学院附属瑞金医院 一种胰腺导管内乳头状黏液肿瘤早期恶变预测系统
CN114216851A (zh) * 2020-11-27 2022-03-22 四川大学华西医院 一种基于表面增强拉曼光谱技术的急性胰腺炎评估装置
CN113655141A (zh) * 2021-08-09 2021-11-16 大连医科大学附属第一医院 一种早期预警重症急性胰腺炎的血清极性小分子预测模型与应用
CN113903460A (zh) * 2021-12-10 2022-01-07 中国医学科学院北京协和医院 一种预测重症急性胰腺炎的系统及其应用

Similar Documents

Publication Publication Date Title
CN110441438A (zh) 一种基于s100蛋白家族的急性胰腺炎严重程度预测模型及其检测方法
CN101680884A (zh) 检测先兆子痫的方法
KR101992060B1 (ko) 알츠하이머치매 진단 체액 바이오마커 후보 단백4종
CN106645757B (zh) 一种诊断早发糖尿病mody的血清蛋白标志物组及其应用
CN102432683B (zh) 一种多表位tk1抗体的制备及其在肿瘤患者早期复发风险及预后评估中的应用
EP3710831A1 (en) Markers for the diagnosis and treatment of non-alcoholic steatohepatitis (nash) and advanced liver fibrosis
CN105899953A (zh) 膀胱癌生物标志物
CN102504027A (zh) 一种多表位tk1抗体的制备及其在人群体检筛查中早期肿瘤检测和风险预警中的应用
CN109762899A (zh) 一种利用尿液外泌体进行非侵入式检测患膀胱癌的概率的试剂盒
CN108287242A (zh) 基于唾液蛋白质组学的肝癌肝郁证生物标志物检测的方法
CN102243240B (zh) 非小细胞肺癌分子标志物及其应用
Cruz-Monserrate et al. Biomarkers of Chronic Pancreatitis: A systematic literature review
CN105467123A (zh) 一种肺纤维化早期诊断标志物筛查体系及联合检测试剂盒
CN113960315A (zh) 一种诊断抗mda5阳性皮肌炎的分子标志物及其应用
CN101539579A (zh) 糖尿病自身抗体谱免疫印迹试剂盒
Bannaga et al. Pathophysiological implications of urinary peptides in hepatocellular carcinoma
CN109971853A (zh) 一种与非小细胞肺癌诊断相关的分子标志物及其应用
CN109762898A (zh) 一种肿瘤标志物ca9和uca1在制备非侵入式检测患膀胱癌的概率的试剂盒中的应用
US20160018413A1 (en) Methods of Prognosing Preeclampsia
CN108132350A (zh) 基于唾液蛋白质组学的肝癌生物标志物检测的方法
CN106680411B (zh) 一种用于检测系统性红斑狼疮(sle)的试剂盒及其检测方法
CN111289756A (zh) 卵巢癌肺转移成瘤相关的尿液标志物
US20130095490A1 (en) Composition for diagnosis of lung cancer and diagnosis kit of lung cancer
CN114990218A (zh) 一种预测肺癌脑转移的试剂盒
CN108277277A (zh) 一种评估家族性乳腺癌风险的标记物及其应用

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: 20191112

RJ01 Rejection of invention patent application after publication