CN111386050A - 发病风险评估装置、发病风险评估方法、程序及痴呆症预防用食品 - Google Patents

发病风险评估装置、发病风险评估方法、程序及痴呆症预防用食品 Download PDF

Info

Publication number
CN111386050A
CN111386050A CN201980003868.8A CN201980003868A CN111386050A CN 111386050 A CN111386050 A CN 111386050A CN 201980003868 A CN201980003868 A CN 201980003868A CN 111386050 A CN111386050 A CN 111386050A
Authority
CN
China
Prior art keywords
dementia
risk
concentration
subject
evaluation
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
CN201980003868.8A
Other languages
English (en)
Other versions
CN111386050B (zh
Inventor
二宫利治
片仓喜笵
久原哲
秦淳
藤田和博
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.)
Jiuliumi Research Park
Kyushu University NUC
Original Assignee
Jiuliumi Research Park
Kyushu University NUC
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 Jiuliumi Research Park, Kyushu University NUC filed Critical Jiuliumi Research Park
Publication of CN111386050A publication Critical patent/CN111386050A/zh
Application granted granted Critical
Publication of CN111386050B publication Critical patent/CN111386050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
    • A23L33/00—Modifying nutritive qualities of foods; Dietetic products; Preparation or treatment thereof
    • A23L33/10—Modifying nutritive qualities of foods; Dietetic products; Preparation or treatment thereof using additives
    • A23L33/17—Amino acids, peptides or proteins
    • A23L33/175—Amino acids
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23L—FOODS, FOODSTUFFS, OR NON-ALCOHOLIC BEVERAGES, NOT COVERED BY SUBCLASSES A21D OR A23B-A23J; THEIR PREPARATION OR TREATMENT, e.g. COOKING, MODIFICATION OF NUTRITIVE QUALITIES, PHYSICAL TREATMENT; PRESERVATION OF FOODS OR FOODSTUFFS, IN GENERAL
    • A23L33/00—Modifying nutritive qualities of foods; Dietetic products; Preparation or treatment thereof
    • A23L33/40—Complete food formulations for specific consumer groups or specific purposes, e.g. infant formula
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G01N33/6806—Determination of free amino acids
    • G01N33/6812—Assays for specific amino acids
    • 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
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
    • A23V—INDEXING SCHEME RELATING TO FOODS, FOODSTUFFS OR NON-ALCOHOLIC BEVERAGES AND LACTIC OR PROPIONIC ACID BACTERIA USED IN FOODSTUFFS OR FOOD PREPARATION
    • A23V2002/00—Food compositions, function of food ingredients or processes for food or foodstuffs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G01N2800/2814—Dementia; Cognitive 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
    • G01N2800/2814—Dementia; Cognitive disorders
    • G01N2800/2821—Alzheimer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/50—Determining the risk of developing a disease

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Urology & Nephrology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Neurology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Mycology (AREA)
  • Nutrition Science (AREA)
  • Polymers & Plastics (AREA)
  • Analytical Chemistry (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Neurosurgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Pediatric Medicine (AREA)

Abstract

发病风险评估装置(100)具备：评估部(1)，基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S‑腺苷甲硫氨酸及S‑腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估评估对象的痴呆症的发病风险。

Description

发病风险评估装置、发病风险评估方法、程序及痴呆症预防用 食品
技术领域
本发明涉及发病风险评估装置、发病风险评估方法、程序及痴呆症预防用食品。
背景技术
痴呆症是老年人身体机能失调及死亡的主要原因之一。社会上的痴呆症的医疗负担及经济负担已经成为严重的问题。为了减轻医疗负担及经济负担，正在研究在痴呆症发病之前评估或预测痴呆症的发病风险的方法。
例如，专利文献1公开了一种方法，所述方法通过检测对象MBL基因有无突变，确定对象的阿尔茨海默氏型痴呆症等的神经疾病的发病危险性。
虽然不是评估或预测痴呆症的发病风险的方法，不过专利文献2公开了一种方法，所述方法获得基于评估对象的血液中的规定氨基酸的浓度值的评估脑血管疾病状态的指标的值，评估评估对象是否具有脑血管疾病。通过将健康者及脑血管疾病已经发病的患者的上述氨基酸的浓度用于多变量的统计分析而构建的判别式计算评估脑血管疾病状态的指标。
现有技术文献
专利文献
专利文献1：日本特表2007-528219号公报
专利文献2：日本特开2018-021919号公报
发明内容
(要解决的问题)
在专利文献1中公开的方法中，为了检测对象MBL基因有无突变，必须扩增对象的核酸以确定碱基序列。用于确定该碱基序列的一系列操作的缺点在于比较复杂。
专利文献2公开的方法的判别方法，是基于脑血管疾病已经发病的患者的氨基酸的浓度而构建。脑血管疾病已经发病的患者的血液中的氨基酸的浓度，可能会受到脑血管疾病发病的影响。因此，该方法不适合用于评估脑血管疾病未发病的评估对象未来发病风险的方法。即使将专利文献2公开的方法应用于痴呆症的发病风险评估，也不能高精度地评估痴呆症的发病风险。
本发明是鉴于上述情况而提出，本发明的目的是提供一种能够简便且高精度地评估痴呆症的发病风险的发病风险评估装置、发病风险评估方法及程序、和能够预防痴呆症的痴呆症预防用食品。
(解决问题的手段)
发明人通过深入研究前瞻性队列研究的成果发现，未来痴呆症发病的受试者和痴呆症不发病的受试者之间，血液中的规定氨基酸的浓度存在显著差异，从而完成了本发明。
根据本发明的第一观点的发病风险评估装置，具备：
评估部，所述评估部基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估所述评估对象的痴呆症的发病风险。
在这种情况下，所述评估部也可以基于评估对象的血液中的蛋氨酸及苏氨酸的浓度，评估所述评估对象的痴呆症或阿尔茨海默氏型痴呆症的发病风险。
另外，所述评估部也可以基于评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、赖氨酸、缬氨酸及色氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
另外，所述评估部也可以基于评估对象的血液中的组氨酸、异亮氨酸、蛋氨酸、赖氨酸、天冬酰胺及色氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
另外，所述评估部也可以基于评估对象的血液中的组氨酸、异亮氨酸、蛋氨酸、赖氨酸、天冬酰胺、谷氨酰胺及色氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
另外，所述评估部也可以基于评估对象的血液中的异亮氨酸、谷氨酰胺及赖氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
另外，所述评估部也可以基于评估对象的血液中的蛋氨酸的浓度与同型半胱氨酸的浓度之比，评估所述评估对象的痴呆症的发病风险。
另外，所述评估部也可以基于评估对象的血液中的S-腺苷甲硫氨酸的浓度与S-腺苷同型半胱氨酸的浓度之比，评估所述评估对象的痴呆症、阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
另外，所述评估部也可以评估所述评估对象在采集所述血液后5年以内痴呆症的发病风险。
根据本发明的第二观点的发病风险评估方法，包括以下步骤：
评估步骤，所述评估步骤基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估所述评估对象的痴呆症的发病风险。
根据本发明的第三观点的程序，使计算机作为评估部工作，所述评估部基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估所述评估对象的痴呆症的发病风险。
根据本发明的第四观点的痴呆症预防用食品，
包括选自组氨酸、蛋氨酸、苏氨酸、谷氨酰胺及S-腺苷甲硫氨酸构成的组中的至少一种。
(发明的效果)
根据本发明，能够简便且高精度地评估痴呆症的发病风险。另外，根据本发明，能够预防痴呆症。
附图说明
图1(A)是示出根据本发明的实施方式1的发病风险评估装置的硬件结构的框图。(B)是示出发病风险评估装置的功能的框图。
图2是示出图1所示的根据实施方式1的发病风险评估装置的评估处理的流程图。
图3是例示用于构建为了评估痴呆症的发病风险的模型的学习数据。
图4是示出根据实施方式2的发病风险评估装置的评估处理的流程图。
(附图标记说明)
1：评估部，2：输出部，10：存储部，11：发病风险评估程序，20：RAM，30：输入装置，40：显示装置，50：CPU，60：总线，100、200：发病风险评估装置。
具体实施方式
参考附图说明根据本发明的实施方式。另外，本发明不被下述实施方式所限定。
(实施方式1)
参照图1说明根据实施方式1的发病风险评估装置100。发病风险评估装置100是用于评估评估对象的痴呆症的发病风险的装置。如图1(A)所示，发病风险评估装置100具有以总线60连接存储部10、RAM(Random Access Memory，随机存取存储器)20、输入装置30、显示装置40及CPU(Central Processing Unit，中央处理单元)50的结构。
存储部10具备ROM(Read Only Memory，只读存储器)、HDD(Hard Disk Drive，硬盘驱动器)及闪存等的非易失性存储介质。除了各种数据及软件程序之外，存储部10还存储有发病风险评估程序11。
RAM20作为CPU50的主存储器工作，并且当通过CPU50执行发病风险评估程序11时，发病风险评估程序11在RAM20上展开。RAM20上临时存储从输入装置30输入的数据。
输入装置30是用于使用者将数据输入至发病风险评估装置100的硬件。输入装置30将与评估对象的血液中的氨基酸的浓度有关的信息输入至CPU50。CPU50在存储部10中存储与评估对象的血液中的氨基酸的浓度有关的信息。
评估对象是指动物，优选人类。当评估对象为人类时，评估对象优选老年人，例如50岁以上，更加优选60岁以上。与血液中的氨基酸的浓度有关的信息是指，例如，血液中、血浆中或血清中的氨基酸的浓度值。在本实施方式中，作为血液中的氨基酸的浓度，使用血清中的氨基酸的浓度。另外，本实施方式中的“氨基酸”是指具有氨基和羧基这两种官能团的有机化合物。
可以通过公知方法获得血浆及血清。例如，血浆可以作为液体成分获得，所述液体成分是通过将评估对象的血液和抗凝剂混合并离心分离获得。血清可以作为上清液获得，所述上清液是将评估对象的血液不与抗凝剂混合地静置并凝结血块后，离心分离而获得。
评估对象的血清中的氨基酸的浓度是通过公知方法测量。优选地，氨基酸的浓度通过液相色谱-质谱联用仪(LC/MS)及液相色谱-质谱-质谱联用仪(LC-MS/MS)等测量。
显示装置40是用于输出通过CPU50的发病风险评估结果的显示器。
CPU50通过将存储在存储部10的发病风险评估程序11读出至RAM20并执行发病风险评估程序11，实现以下说明的功能。
图1(B)是示出CPU50实现的功能的框图。发病风险评估程序11使CPU50实现作为评估部1及输出部2的功能。以下，将与评估对象的血清中的氨基酸的浓度有关的信息，作为“浓度数据”进行说明。
评估部1基于评估对象的血清中的氨基酸的浓度，评估评估对象的痴呆症的发病风险。如下述实施例1、2所示，规定氨基酸的血清中的浓度与痴呆症的发病风险相关。即，血清中的蛋氨酸、苏氨酸或S-腺苷甲硫氨酸的浓度低的受试者，与浓度高的受试者相比较，痴呆症的发病风险高。另外，同型半胱氨酸或胱硫醚浓度高的受试者，与浓度低的受试者相比较，发病风险高。
如果将痴呆症限于阿尔茨海默氏型，组氨酸、异亮氨酸、蛋氨酸、苏氨酸、谷氨酰胺、赖氨酸或S-腺苷甲硫氨酸的浓度低的受试者，与浓度高的受试者相比较，发病风险高。另一方面，如果将痴呆症限于血管性，苯丙氨酸、亮氨酸、异亮氨酸、甘氨酸、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚及S-腺苷同型半胱氨酸的浓度高的受试者，与浓度低的受试者相比较，发病风险高。
因此，评估部1基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估评估对象的痴呆症的发病风险。
当使用上述氨基酸中的一种氨基酸评估评估对象的痴呆症的发病风险时，例如，评估部1通过将上述氨基酸的浓度值与基准值进行比较，评估痴呆症的发病风险。具体地，例如，当评估对象的血清中的蛋氨酸的浓度值低于基准值时，评估部1评估痴呆症的发病风险高。同样地，评估部1也可以基于苏氨酸的浓度评估评估对象的痴呆症的发病风险。
另外，当评估对象的血清中的组氨酸的浓度值低于基准值时，评估部1也可以评估评估对象的阿尔茨海默氏型痴呆症的发病风险高。评估部1也可以同样地基于异亮氨酸、蛋氨酸、苏氨酸、谷氨酰胺、赖氨酸或S-腺苷甲硫氨酸的浓度评估评估对象的阿尔茨海默氏型痴呆症的发病风险。
当评估对象的血清中的赖氨酸的浓度值高于基准值时，评估部1也可以评估评估对象的血管性痴呆症的发病风险高。评估部1也可以同样地基于苯丙氨酸、亮氨酸、异亮氨酸、甘氨酸、天冬酰胺、同型半胱氨酸、胱硫醚或S-腺苷同型半胱氨酸的浓度评估评估对象的血管性痴呆症的发病风险。
另外，由于阿尔茨海默氏型痴呆症及血管性痴呆症无论哪一种都包含于痴呆症，因此，评估阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险，也就是评估痴呆症的发病风险。
可以根据如下述的实施例1、2的队列研究的结果设置上述基准值。在队列研究中，采集血液后，设定规定期间的随访时间。在随访期，在定期的健康检查等中，通过公知的方法诊断受试者的痴呆症的发病有无及其类型。例如，基准值也可以是在随访期痴呆症发病的多个受试者的氨基酸的浓度的平均值、和痴呆症未发病的多个受试者的相同氨基酸的浓度值的平均值的中间值。
基准值也可以是不同的多个数值，例如，基准值T1和高于T1的基准值T2。在这种情况下，例如，评估部1也可以对血清中的蛋氨酸的浓度低于T1的评估对象评估痴呆症的发病风险“高”，对蛋氨酸的浓度高于T1且低于T2的评估对象评估痴呆症的发病风险“稍高”，对蛋氨酸的浓度高于T2的评估对象评估痴呆症的发病风险“低”。评估部1也可以比较评估对象的血清中的蛋氨酸的浓度与多个基准值，并以表示痴呆症的发病风险的数值进行评估。
随访期只要是1个月以上，就没有特别限定，例如，6个月、8个月、10个月、1年、2年、3年、4年、5年、6～10年、10～15年或15～20年。随访期，优选5年。在这种情况下，评估部1评估评估对象在采集血液后5年以内痴呆症的发病风险。
评估部1将表示评估对象的痴呆症的发病风险的信息输入至输出部2。表示痴呆症的发病风险的信息是，例如，与痴呆症的发病风险的高或低相对应的数值。输出部2将表示评估对象的痴呆症的发病风险的信息显示至显示装置40。
接着，参照图2示出的流程图，说明通过发病风险评估装置100的评估处理。另外，比较评估对象的血清中的蛋氨酸的浓度值与基准值，评估痴呆症的发病风险。基准值被预先存储在存储部10。
评估部1等待由使用者通过输入装置30输入与评估对象的血清中的蛋氨酸的浓度相对应的浓度数据(步骤S1；否)。当输入了评估对象的浓度数据时(步骤S1；是)，评估部1参照存储部10比较基准值和蛋氨酸的浓度值(步骤S2)。当蛋氨酸的浓度值低于基准值时(步骤S2；是)，输出部2将表示评估对象的痴呆症的发病风险高的信息显示至显示装置40(步骤S3)。另一方面，当蛋氨酸的浓度值高于基准值时(步骤S2；否)，输出部2将表示评估对象的痴呆症的发病风险低的信息显示至显示装置40(步骤S4)。然后，评估部1结束评估处理。
如上详细说明，根据本实施方式的发病风险评估装置100，基于与痴呆症发病有关的规定氨基酸的血清中浓度，评估评估对象的痴呆症的发病风险。因此，可以高精度地评估痴呆症的发病风险。由于血清中的氨基酸的浓度的测量相对容易，因此，通过使用发病风险评估装置100，能够简便地评估痴呆症的发病风险。
另外，在本实施方式中，作为与上述氨基酸的浓度有关的信息，使用了血清中的氨基酸的浓度值(浓度数据)，但不限于此。与氨基酸的浓度有关的信息，可以是血液中的氨基酸的浓度值，也可以是对血液中或血清中的氨基酸的浓度值进行加/减/乘/除任意值而获得的值，也可以是将浓度值通过公知的变换方法，例如，指数变换、对数变换、角变换、平方根变换、概率单位变换、倒数变换、Box-Cox变换或幂变换等进行变换的值。另外，与氨基酸的浓度有关的信息，也可以是将氨基酸的浓度值按男女性别或按年龄进行加权变换而获得的值。
另外，评估部1也可以考虑由年龄差、性别、教育程度、最大血压、降压药、糖尿病、血清总胆固醇、肥胖、脑卒中病史、有无吸烟习惯、有无饮酒习惯、日常活动、肾小球滤过率、BMI、血清白蛋白浓度、总能量摄入量及蛋白质摄入量等因素造成的各氨基酸的浓度差，并基于补正了这些因素对评估对象的影响的氨基酸的浓度值，评估评估对象的痴呆症的发病风险。
另外，发病风险评估装置100也可以具备通信接口与网络相连接。评估部1也可以接收从连接至该网络的外部装置等经由通信手段发送的浓度数据，评估评估对象的痴呆症的发病风险。进一步，输出部2也可以经由通信接口将表示评估对象的痴呆症的发病风险的信息发送至外部装置。通过这样做，使用者通过从作为外部装置设置在医院及诊所等的医疗机构的终端发送浓度数据以获得表示痴呆症的发病风险的信息，因此，便利性高。
(实施方式2)
接着，对根据实施方式2的发病风险评估装置200进行说明。发病风险评估装置200具有与根据上述实施方式1的发病风险评估装置100相同的结构。因此，关于发病风险评估装置200的结构，参照将发病风险评估装置100替换为发病风险评估装置200的图1。以下，主要说明发病风险评估装置200与发病风险评估装置100的不同点。
评估部1通过组合评估对象的血清中的多个上述氨基酸的浓度，评估评估对象的痴呆症的发病风险。具体地，评估部1基于选自评估对象的血清中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组的多个氨基酸的浓度，评估评估对象的痴呆症的发病风险。评估部1也可以基于向这些氨基酸中进一步添加色氨酸及缬氨酸中的至少一种的氨基酸的血清中的各浓度，评估评估对象的痴呆症的发病风险。
当评估评估对象的痴呆症或阿尔茨海默氏型痴呆症的发病风险时，评估部1组合使用的氨基酸，优选为，蛋氨酸及苏氨酸。
当评估评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险时，示例组合如下。
必需氨基酸(亮氨酸、异亮氨酸、组氨酸、赖氨酸、蛋氨酸、苏氨酸、苯丙氨酸、缬氨酸及色氨酸)
异亮氨酸、组氨酸、蛋氨酸、赖氨酸、天冬酰胺及色氨酸
异亮氨酸、组氨酸、蛋氨酸、赖氨酸、天冬酰胺、谷氨酰胺及色氨酸异亮氨酸、赖氨酸及谷氨酰胺
另外，当评估评估对象的阿尔茨海默氏型痴呆症的发病风险时，作为优选的组合，示例如下。
异亮氨酸、组氨酸、蛋氨酸、赖氨酸及色氨酸
异亮氨酸、组氨酸、蛋氨酸、赖氨酸、谷氨酰胺及色氨酸
另外，当评估评估对象的血液性痴呆症的发病风险时，作为优选的组合，示例如下。
异亮氨酸、赖氨酸、天冬酰胺及甘氨酸
当评估部1组合多个氨基酸的浓度评估评估对象的痴呆症的发病风险时，优选地，与血清中的氨基酸的浓度有关的信息是基于规定规则定义的分数。例如，分数是指对于各氨基酸，与预先设定的每个浓度范围相关联的分数。在这种情况下，例如，包含高浓度的浓度范围由更高的数值作为分数与之相关联。各氨基酸设定的浓度范围，只要是多个就没有特别限制，优选为四个范围。
更详细地，对于血清中的规定氨基酸设定的浓度范围，从低浓度范围到高浓度范围的顺序为Q1、Q2、Q3及Q4，Q1是氨基酸的浓度为C1(ng/mL，以下相同)以上且C2以下，Q2是C3以上且C4以下，Q3是C5以上且C6以下，Q4是C7以上且C8以下(但是，C1＜C2＜C3＜C4<C5<C6<C7<C8)。与Q1、Q2、Q3及Q4相关联的分数，分别为S1、S2、S3、S4(S1<S2<S3<S4)。以下，将与血清中的氨基酸的浓度的范围相关联的分数称为“氨基酸分数”，并将氨基酸分数作为与血清中的氨基酸的浓度有关的信息进行说明。
评估部1将对应于各氨基酸的氨基酸分数的总和与基准值进行比较。更具体地，当苏氨酸的氨基酸分数及蛋氨酸的氨基酸分数的总和小于基准值时，评估部1对评估对象评估痴呆症或阿尔茨海默氏型痴呆症的发病风险高。当必需氨基酸的氨基酸分数的总和小于基准值时，评估部1也可以对评估对象评估阿尔茨海默氏型痴呆症的发病风险高。另外，当必需氨基酸的氨基酸分数的总和大于基准值时，评估部1也可以对评估对象评估血管性痴呆症的发病风险高。
同样地，当异亮氨酸、组氨酸、蛋氨酸、赖氨酸、天冬酰胺及色氨酸的各氨基酸分数的总和、或向这些添加谷氨酰胺的各氨基酸分数的总和小于基准值时，评估部1也可以对评估对象评估阿尔茨海默氏型痴呆症的发病风险高，当大于基准值时，也可以对评估对象评估血管性痴呆症的发病风险高。
当异亮氨酸、赖氨酸及甘氨酸的各氨基酸分数的总和小于基准值时，评估部1也可以对评估对象评估阿尔茨海默氏型痴呆症的发病风险高，当大于基准值时，也可以对评估对象评估血管性痴呆症的发病风险高。
例如，基准值可以是在队列研究中痴呆症已发病的受试者的规定氨基酸的氨基酸分数的总和的平均值与痴呆症未发病的受试者的相同氨基酸的氨基酸分数的总和的平均值的中间值，也可以是痴呆症已发病的受试者的氨基酸分数的总和的中位数与痴呆症未发病的受试者的氨基酸分数的总和的中位数的中间值。与实施方式1相同地，基准值也可以是多个。
评估部1也可以基于多个氨基酸的浓度之比评估评估对象的痴呆症的发病风险。如下述实施例2所示，相对于S-腺苷同型半胱氨酸的浓度的S-腺苷甲硫氨酸的浓度之比高的受试者，与低的受试者相比较，痴呆症、阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险显著低。另一方面，相对于同型半胱氨酸的浓度的蛋氨酸的浓度之比高的受试者，与低的受试者相比较，痴呆症的发病风险显著高。因此，例如，评估部1基于S-腺苷甲硫氨酸的浓度与S-腺苷同型半胱氨酸的浓度之比，评估评估对象的痴呆症、阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。评估部1也可以基于评估对象的血液中的蛋氨酸的浓度与同型半胱氨酸的浓度之比，评估评估对象的痴呆症的发病风险。优选地，评估部1将浓度之比与基准值等进行比较。
除了将氨基酸分数的总和或浓度之比与基准值进行比较之外，评估部1还可以基于使用公知数据挖掘技术构建的模型，由氨基酸分数评估评估对象的痴呆症的发病风险。优选地，该模型是通过将从不是痴呆症的受试者的血清中的氨基酸的浓度获得的氨基酸分数及采集血液后表明该受试者是否痴呆症发病的信息，分别作为解释变量及目标变量的有监督学习(supervised learning)构建的模型。
通常，有监督学习是指一种机器学习的方法，是指将解释变量和与之伴随的目标变量的组合的集合作为学习数据，通过对学习数据进行拟合的方式进行学习的方法。拟合通过以下方式进行：提取学习数据中包含的解释变量的特征量以选择每个目标变量的特征量，提取属于该目标变量的数据的特征，生成识别目标变量的判断基准。通过拟合，构建一个模型，该模型从输入的解释变量输出应与该解释变量相对应的目标变量。通过模型，可以输出与未包括在学习数据中的解释变量相对应的目标变量。
优选地，评估部1使用的模型是基于在队列研究的随访期中痴呆症发病的受试者的随访期之前的氨基酸分数与、在随访期中痴呆症未发病的受试者的随访期之前的氨基酸分数的比较的模型。
对于从设定有特定的随访期的队列研究中获得的学习数据进行说明。在将多个受试者作为对象的队列研究中，采集痴呆症未发病的受试者a、受试者b、受试者c、受试者d及受试者e(受试者a～e)的血液。测量受试者a～e的血清中的氨基酸的浓度。氨基酸的浓度可以在采血后立即测量，也可以在随访期之后对例如保存在-80℃下的血清进行测量。
图3是示例由受试者a～e的血清中的氨基酸的浓度变换的氨基酸分数、和表明受试者a～e在采血后开始的随访期内是否痴呆症发病(有无痴呆症)的信息的组合的表。表示有无痴呆症的信息中，“0”表示在随访期内痴呆症未发病，“1”及“2”表示随访期内痴呆症发病。表示有无痴呆症的信息“1”及“2”，分别表示痴呆症是阿尔茨海默氏型及血管性。图3所示的表中，示出受试者a、c、d在随访期内痴呆症未发病，受试者b及受试者e分别为阿尔茨海默氏型痴呆症及血管性痴呆症发病。
以受试者a为例进行说明，表示痴呆症发病与否的信息“0”与各种氨基酸的氨基酸分数“Ca1，Ca2，Ca3，Ca4……Ca5”相关联。在这种情况下，学习数据的解释变量是Ca1～Ca5，目标变量是由“0”组成的标签(类别)。
作为有监督学习方法，可以采用公知的任意方法。作为有监督学习方法可以列举，例如，判别分析、线性回归、线性分类、多元回归分析、逻辑回归、支持向量机、决策树、神经网络、卷积神经网络、感知器及K-近邻算法等。
构建的模型被存储在存储部10。评估部1通过将评估对象的氨基酸分数输入至存储在存储部10的模型，获得对于评估对象表示有无痴呆症的信息作为输出。也可以说，表示对于评价对象的有无痴呆症的信息是表示评估对象未来痴呆症的发病风险的信息。据此，评估部1评估评估对象的痴呆症的发病风险。
参照图4示出的流程图说明发病风险评估装置200的评估处理。另外，通过比较评估对象的苏氨酸的氨基酸分数及蛋氨酸的氨基酸分数的总和与基准值，评估痴呆症的发病风险。基准值被预先存储在存储部10。
评估部1等待由使用者通过输入装置30输入评估对象的苏氨酸的氨基酸分数及蛋氨酸的氨基酸分数(步骤S11；否)。当输入氨基酸分数时(步骤S11；是)，评估部1计算苏氨酸及蛋氨酸的氨基酸分数的总和(步骤S12)。评估部1参照存储部10比较基准值与氨基酸分数的总和(步骤S13)。当氨基酸分数的总和小于基准值时(步骤S13；是)，输出部2将表示评估对象的痴呆症的发病风险高的信息显示至显示装置40(步骤S14)。另一方面，当氨基酸分数的总和大于基准值时(步骤S13；否)，输出部2将表示评估对象的痴呆症的发病风险低的信息显示至显示装置40(步骤S15)。然后，评估部1结束评估处理。
如上详细说明，根据本实施方式的发病风险评估装置200基于与痴呆症发病相关的多个氨基酸的血清中的浓度，评估评估对象的痴呆症的发病风险。因此，能够以更高的精度评估痴呆症的发病风险。
另外，在本实施方式中，上述氨基酸分数是与氨基酸的浓度范围相关联的分数，但是该氨基酸的浓度也可以是对血液中或血清中的氨基酸的浓度值进行加/减/乘/除任意值而获得的值，将浓度值通过公知变换方法变换而获得的值，将氨基酸的浓度值按男女性别或年龄加权变换而获得的值。
另外，在本实施方式中，使用者将评估对象的氨基酸分数输入至发病风险评估装置200，不过使用者也可以输入血清中的氨基酸的浓度值。将氨基酸分数与氨基酸的浓度值或氨基酸的浓度值范围相关联的表预先存储在存储部10。评估部1参照存储部10的表，获得与输入的氨基酸的浓度值相对应的氨基酸分数，对评估对象评估痴呆症的发病风险。
另外，CPU50也可以作为构建上述模型的模型构建部工作。模型构建部通过使用了存储在存储部10的学习数据的有监督学习构建模型。更详细地，模型构建部使用将受试者的氨基酸分数及表明随访期受试者是否痴呆症发病的信息分别作为对应于解释变量的信息及目标变量的学习数据实施有监督学习。模型构建部将构建的模型存储在存储部10。据此，可以通过学习数据的增加或学习数据的修改而改进或更新模型。
另外，除氨基酸分数之外，上述模型也可以是将与年龄差、性别、教育程度、最大血压、降压药、糖尿病、血清总胆固醇、肥胖、脑卒中病史、有无吸烟习惯、有无饮酒习惯、日常活动、肾小球滤过率、BMI、血清白蛋白浓度、总能量摄入量及蛋白质摄入量等中的至少一个因素相关的信息包括在解释变量的模型。
另外，在另一个实施方式中，提供了一种痴呆症的发病风险评估试剂盒。痴呆症的发病风险评估试剂盒具备用于测量选自评估对象的血清中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度的试剂。优选地，该试剂是能够测量0.1～1000ng/mL，0.1～500ng/mL或0.1～200ng/mL，更加优选1～100ng/mL的范围的血清中的氨基酸的浓度的试剂。例如，该试剂是用于通过比色法或荧光法测量血清中的氨基酸的浓度的试剂。痴呆症的发病风险评估试剂盒，可进一步具备能够测量色氨酸及缬氨酸中的至少一种在血清中的浓度的试剂。
(实施方式3)
接着，对根据实施方式3的痴呆症预防用食品进行说明。该痴呆症预防用食品包括选自组氨酸、蛋氨酸、苏氨酸、谷氨酰胺及S-腺苷甲硫氨酸构成的组中的至少一种。如下述实施例1、2所示，由于当这些氨基酸的血清中的浓度低时，痴呆症或阿尔茨海默氏型痴呆症的发病风险高，因此，通过摄入含有这些氨基酸的食品，可以预防或延迟痴呆症发病。
这些氨基酸以防止或延缓摄入的使用者痴呆症发病的浓度包含在该痴呆症预防用食品中。优选地，上述痴呆症预防用食品包括该氨基酸作为有效成分。优选地，在该痴呆症预防用食品中，所含的上述氨基酸被人为添加或增加。
上述痴呆症预防用食品的形式为，例如，糖果、曲奇饼、片剂糖果、口香糖及果冻等的零食，面条、面包、米饭及饼干等的谷类加工品，香肠、火腿及鱼糕等的膏状产品，黄油及酸奶等的乳制品，拌饭料和调味料等。上述痴呆症预防用食品包括饮料，可以是，例如，营养饮料、软饮料、红茶及绿茶等。另外，该痴呆症预防用食品，也可以包括甜味剂、香料及着色剂等的添加剂。上述痴呆症预防用食品，也可以以粉末、片剂或胶囊剂等形式提供。
痴呆症预防用食品中的上述氨基酸的含有量，通常为0.0001～100重量％，优选为1～95重量％。上述氨基酸的摄入量没有特别限制，但是对于成年人每天可以在1mg～100g，优选为10mg～100g，更加优选为100mg～50g的范围。例如，痴呆症预防用食品每天或间隔一天以上摄入。摄入间隔也可以是7天以上14天以下。
如上详细说明，根据本实施方式的痴呆症预防用食品包括当血清中的浓度低时痴呆症或阿尔茨海默氏型痴呆症的发病风险变高的氨基酸。因此，通过摄入该痴呆症预防用食品，可以抑制痴呆症或阿尔茨海默氏型痴呆症的发病风险。通过加工成食品，可以根据喜好添加味道、气味及风味等。进一步，通过加工成食品，可以容易地通过进餐摄入上述氨基酸。
另外，在另一个实施方式中，提供了一种痴呆症预防用补充剂，其包括选自组氨酸、蛋氨酸、苏氨酸、谷氨酰胺及S-腺苷甲硫氨酸构成的组中的至少一种。痴呆症预防用补充剂也可以以液体、粉末、片剂或胶囊剂等形式提供。另外，其他实施方式中，提供了一种痴呆症预防剂，其包括选自组氨酸、蛋氨酸、苏氨酸、谷氨酰胺及S-腺苷甲硫氨酸构成的组中的至少一种。另外，在另一个实施方式中，提供了一种痴呆症预防用添加剂，其包括选自组氨酸、蛋氨酸、苏氨酸、谷氨酰胺及S-腺苷甲硫氨酸构成的组中的至少一种。
[实施例]
根据以下实施例进一步具体说明本发明，本发明不被下述实施例所限定。
实施例1
(对象)
久山研究(HisayamaStudy)是一项在福冈县久山町从1961年开始的循环系统疾病的前瞻性队列研究。自1985年以来，每5～7年就对老年人重复进行一次痴呆症筛查，并进行痴呆症的随访调查。在本实施例中，于2007年的基线调查中采集血液，并在直至2012年的5年间的随访期内调查有无痴呆症发病。除去基线调查时患有痴呆症的居民后，将可以使用的1784名(男性779名、女性1005名)的血清试料作为本实施例的对象。
(测量血清中的氨基酸浓度)
将冷冻保存的血清试料在室温下解冻。将血清试料15μL和等量的5％磺基水杨酸添加到试管中，通过移液操作促进蛋白质变性和沉淀形成。使用离心机将试管以15000rpm离心5分钟。将获得的10μL上清液添加至测量用小瓶中，并用60μL的0.1％甲酸/乙腈稀释，作为测量试料。另外，5％磺基水杨酸中含有预先溶解在0.1N盐酸的已知浓度的各氨基酸稳定同位素。
使用Agilent6495三重四极杆LC-MS系统(安捷伦科技公司制造)作为质谱仪进行质谱分析。将Intrada氨基酸柱(50×3mm,Imtakt公司制造)连接至质谱仪，并用初始洗脱液平衡化。初始洗脱液的组成为0.1％甲酸/乙腈(A溶液)86％及100mM甲酸铵(B溶液)14％。
将1μL测量试料以0.6mL/min的流速施加到色谱柱上。色谱柱温度为40℃。洗脱梯度的条件如下：B溶液14％3分钟，B溶液14～100％的线性梯度7分钟，B溶液100％5分钟，然后，B溶液14％5分钟。与测量试料区分开，将另外含有5ppm、2ppm及0.01ppm氨基酸标准品的质量控制(QC)样品以与测量试料相同的方式分析，判断质谱仪的状态及色谱柱的更换时间。在QC样品的制备中，将氨基酸标准品溶解在MilliQ中，以与测量试料相同的方式与含有氨基酸稳定同位素的5％磺基水杨酸混合之后，用0.1％甲酸/乙腈稀释。
通过MassHunter工作站软件版本B.08.00(MassHunter Workstation Softwareversion B.08.00)获得测量数据。根据峰面积与各氨基酸稳定同位素的浓度之间的关系定量血清试料中的氨基酸的浓度。关于各氨基酸，根据血清试料中的氨基酸的浓度的四分位数将对象分为四分位。从浓度低的范围到高的范围的顺序设置为Q1、Q2、Q3及Q4。
(其他风险因子)
使用自动血压计对休息5分钟后处于坐姿的对象测量3次血压，将3次测量值的平均值用于分析。将血压为140/90mmHg以上的对象或正在使用降压药的对象定义为高血压病。通过己糖激酶法测量血糖值。将空腹时血糖值为7.0mmol/L以上，负荷后或餐后2小时的血糖值为11.1mmol/L以上，或正在使用抗糖尿病药的对象定义为糖尿病。用酶法测量血清总胆固醇浓度。测量对象的身高及体重，并计算体重指数(BMI)。将BMI为25.0kg/m2的对象定义为肥胖。
将出现包括缺血性脑梗塞、脑出血及蛛网膜下腔出血的脑卒中症状，定义为脑卒中病史。所有脑卒中症状都是基于对身体检查及病历及图像等可利用的临床信息的研究而判定。与教育程度、吸烟习惯、酒精摄入量、身体活动、和与高血压及糖尿病的治疗史有关的信息，通过标准调查问卷获得。将接受正规教育时间在9年以下的对象定义为低教育水平。对于吸烟习惯及饮酒习惯，根据是否正在吸烟或是否正在饮酒，将对象进行分类。将每周从事3次以上运动或劳动的对象，作为日常运动组。使用简易型自填式饮食史问卷(brief-type self-administered diet history questionnaire,BDHQ)推测每天的总能量摄入量。
(随访调查)
截至2012年，对2007年的基线调查对象进行了随访调查。通过研究小组、当地医生及厚生管理部门建立的日常监测系统收集痴呆症及脑卒中的新事件。在该系统中，研究小组的医生定期访问医疗机构及厚生管理部门，收集与痴呆症及脑卒中的事件有关的信息，包括疑似的情况。另外，每年进行健康检查，以收集与痴呆症及脑卒中的新事件有关的信息。对于无法接受身体检查的所有对象，以文件等形式一年确认一次健康信息。
进一步，2012年进行了包括简易精神状态检查(Mini Mental StateExamination,MMSE)及修订的长谷川痴呆量表(rRevised Hasegawa Dementia Scale,HDS-R)等的神经心理检查的认知功能的综合评估，尽可能准确地检测出痴呆症病例。当怀疑对象具有认知功能障碍等的新的神经系统症状时，研究小组仔细诊断对象。研究小组由专科医生组成，进行包括身体检查、神经系统检查的各种检查，与对象的家人及主治医生的面谈及病历调查。
当对象死亡时，将仔细检查所有可利用的临床信息，并与该对象的主治医生及家人进行面谈。对于在随访期内死亡的对象，仅对获得家庭许可的对象进行尸检。
(认知症的诊断)
将精神障碍的诊断和统计手册修订第三版(美国精神病学协会(AmericanPsychiatric Association)，1987年)的指南用于痴呆症的诊断。对于阿尔茨海默氏型痴呆症的确定，使用美国国家神经和交流障碍及中风研究所与阿尔茨海默氏病及相关疾病学会(National Institute of Neurological and Communicative Disorders and Strokeand the Alzheimer’s Disease and Related Disorders Association)(McKhann G及另外5人，“阿尔茨海默氏病的临床诊断：由美国卫生与公共服务部阿尔茨海默氏病特别工作组主持的NINCDS-ADRDA工作组的报告(Clinical diagnosis of Alzheimer’s disease:report of the NINCDS-ADRDA Work Group under the auspices of Department ofHealth and Human Services Task Force on Alzheimer’s Disease.)”、神经病学(Neurology)、1984年、34、939-944)的标准。
对于血管性痴呆症的确定，使用美国国家神经系统疾病和中风协会国际神经科学研究所(National Institute of Neurological Disorders and Stroke-AssociationInternational pour la Recherche et l’Enseignementen Neurosciences)(Roman GC及另外30人，“血管性痴呆：对调查研究的诊断标准：NINDS-AIREN国际研讨会的报告(Vascular dementia:diagnostic criteria for research studies:report of theNINDS-AIREN International Workshop.)”、神经病学(Neurology)、1993年、43、250-260)的标准。
所有痴呆症的病例均由脑卒中及精神科的专科医生判断。基于临床信息及使用神经影像的形态学检查，确定可能的痴呆症类型。另外，基于接受尸检的痴呆症对象的临床及神经病理学信息，确定痴呆症类型(Fujimi K及另外10人、“采用修订标准的路易氏体痴呆的临床病理学概要：久山研究(Clinicopathological outline of dementia with Lewybodies applying the revised criteria:the Hisayama Study.)”、大脑病理学(BrainPathol)、2008年、18、317-325)。
在随访期，有227名对象痴呆症发病。对该对象进行了适当的形态学检查。156名被诊断为阿尔茨海默氏型痴呆症，55名被诊断为血管性痴呆症。
(统计分析)
对于Q1～Q4，通过Cox比例风险模型，求出风险比(HR)及95％置信区间(95％CI)。以模型1、模型2、模型3进行分析，其中，所述模型1的基线协变量包括年龄及性别，所述模型2的基线协变量包括年龄、性别、教育程度、最大血压、降压药、糖尿病、血清总胆固醇、肥胖、脑卒中病史、有无吸烟习惯、有无饮酒习惯、日常运动及总能量摄入量，所述模型3的基线协变量除了模型2的基线协变量还包括蛋白质摄入量。所有统计分析均以SAS 9.4(SASInstitute制造)进行。当双侧检验值为p<0.05时，认为统计学显著。
对于各氨基酸，分别将“-2”、“-1”、“1”及“2”作为氨基酸分数分配给Q1、Q2、Q3及Q4。另外，对于规定的多个氨基酸计算氨基酸分数的总和，并且根据氨基酸分数的总和的四分位数将对象划分为四分位。从氨基酸分数的总和低的范围到高的范围的顺序设置为Qs1、Qs2、Qs3及Qs4。
(结果)
对于各氨基酸，比较相对于Q1(第一四分位)的Q2～Q4的风险比等。将对于痴呆症、阿尔茨海默氏型痴呆症及血管性痴呆症的统计学显著及与之接近的氨基酸，分别示于表1、表2及表3。
【表1】
Figure BDA0002383289250000191
【表2】
Figure BDA0002383289250000192
【表3】
Figure BDA0002383289250000201
如表1所示，血清中的蛋氨酸或苏氨酸的浓度高的受试者，与低的受试者相比较，痴呆症的发病风险显著低。另外，血清中的谷氨酰胺浓度高的受试者，与低的受试者相比较，具有痴呆症的发病风险低的倾向。如表2所示，血清中的组氨酸、异亮氨酸、蛋氨酸、谷氨酰胺或赖氨酸的浓度高的受试者，与低的受试者相比较，阿尔茨海默氏型痴呆症的发病风险显著低。另外，血清中的缬氨酸或苏氨酸的浓度高的受试者，与低的受试者相比较，具有阿尔茨海默氏型痴呆症的发病风险低的倾向。如表3所示，血清中的苯丙氨酸、亮氨酸、异亮氨酸、甘氨酸、赖氨酸或天冬酰胺浓度高的受试者，与低的受试者相比较，血管性痴呆症的发病风险显著高。
关于组合多个氨基酸的分析，比较了相对于Qs1(第一四分位)的Qs2～Qs4的风险比等。将对于痴呆症、阿尔茨海默氏型痴呆症及血管性痴呆症的统计学显著的氨基酸的组合，分别示于表4、表5及表6。
【表4】
Figure BDA0002383289250000202
【表5】
Figure BDA0002383289250000211
【表6】
Figure BDA0002383289250000212
如表4所示，蛋氨酸及苏氨酸的氨基酸分数高的受试者，与低的受试者相比较，痴呆症的发病风险显著低。如表5所示，必需氨基酸的氨基酸分数的总和，异亮氨酸、组氨酸、色氨酸、蛋氨酸、赖氨酸及天冬酰胺的氨基酸分数的总和，异亮氨酸、组氨酸、色氨酸、蛋氨酸、赖氨酸、天冬酰胺及谷氨酰胺的氨基酸分数的总和，以及异亮氨酸、赖氨酸及谷氨酰胺的氨基酸分数的总和高的受试者，与低的受试者相比较，阿尔茨海默氏型痴呆症的发病风险显著低。
如表6所示，异亮氨酸、赖氨酸及谷氨酰胺的氨基酸分数的总和高的受试者，与低的受试者相比较，血管性痴呆症的发病风险显著高。
实施例2
(血清中蛋氨酸代谢系统相关物质的定量分析)
对于根据本实施例的血清试料，测量蛋氨酸代谢系统相关物质的浓度。将蛋氨酸(Met)、S-腺苷甲硫氨酸(SAM)、S-腺苷同型半胱氨酸(SAH)、同型半胱氨酸(HCy)、胱硫醚(Cyst)及半胱氨酸(Cys)作为测量对象氨基酸。作为与蛋氨酸代谢相关的化合物，将胆碱、甜菜碱及二甲基甘氨酸(DMG)的血清中浓度作为参考用进行测量。
将血清试料50μL(n＝3)及同位素标准品10μL添加到试管中，并添加还原剂TCEP(三(2-羧乙基)膦)(50mg/mL，50μL)，并用涡旋混合器搅拌10秒钟。向试管中加入90uL的4％磺基水杨酸，并用涡旋混合器搅拌10秒后，将试管在4℃、1000rpm搅拌的同时使其反应30分钟。对于试管，在4℃、18000rpm进行10分钟离心分离。
使用Agilent 6495 LC/MS三重四极杆系统(安捷伦科技公司制造)作为质谱仪进行质谱分析。作为色谱柱，将Poroshell 120 EC-C18(2.7μm、2.1mm i.d.×100mm、安捷伦科技公司制造)连接至质谱仪。使用5mM全氟庚酸(perfluoroheptanoic acid,PHFA)水溶液(A溶液)及乙腈(B溶液)作为洗脱液。
将1μL测量试料以0.4mL/min的流速施加到色谱柱上。色谱柱温度为25℃。洗脱梯度的条件如下：将B溶液5％从开始1分钟，然后B溶液5～35％的线性梯度2.5分钟，B溶液35～40％的线性梯度2分钟，B溶液40～45％的线性梯度1.5分钟，B溶液45～95％的线性梯度0.5分钟，B溶液95％2分钟，B溶液95～5％的线性梯度0.5分钟，B溶液5％3分钟。MRM(multiple reaction monitoring，多反应监测)转换，如下所示。
【表7】
Figure BDA0002383289250000231
以与实施例1相同的方式，从测量数据中定量血清试料中的氨基酸的浓度，并且根据氨基酸的浓度的四分位数将对象分为四分位。从浓度低的范围到高的范围的顺序设置为Q1、Q2、Q3及Q4。另外，计算血清试料中相对于HCy浓度的Met的浓度之比(Met/HCy)及血清试料中相对于SAH浓度的SAM的浓度之比(SAM/SAH)，并根据值的四分位数将对象分为四分位。从值低的范围到高的范围的顺序设置为Q1、Q2、Q3及Q4。
(统计分析)
对于Q1～Q4，通过Cox比例风险模型，求出HR及95％CI。以模型1、模型2进行分析，其中，所述模型1的基线协变量包括年龄及性别，所述模型2的基线协变量包括年龄、性别、教育程度、高血压、糖尿病、血清总胆固醇、估算肾小球滤过率、BMI、脑卒中病史、有无吸烟习惯、有无饮酒习惯、日常运动及血清白蛋白浓度。所有统计分析均以SAS9.4(SAS Institute制造)进行。当双侧检验值为p<0.05时，认为统计学显著。另外，通过慢性肾脏病流行病学合作研究组(ChronicKidney Disease Epidemiology Collaboration,CKD-EPI)的公式估算肾小球滤过率。
(结果)
对于测量的各氨基酸及Met/Hcy及SAM/SAH，将相对于Q1的Q2～Q4的风险比示于表8。
【表8】
Figure BDA0002383289250000241
如表8所示，血清中的SAM浓度或SAM/SAH高的受试者，与低的受试者相比较，痴呆症的发病风险显著低。另外，血清中的同型半胱氨酸或胱硫醚浓度或Met/HCy高的受试者，与低的受试者相比较，痴呆症的发病风险显著高。另外，血清中的SAH浓度高的受试者，与低的受试者相比较，具有痴呆症的发病风险高的倾向。
血清中的SAM浓度及SAM/SAH高的受试者，与低的受试者相比较，阿尔茨海默氏型痴呆症的发病风险显著低。血清中的同型半胱氨酸、胱硫醚或SAH浓度高的受试者，与低的受试者相比较，血管性痴呆症的发病风险显著高。另外，SAM/SAH高的受试者，与低的受试者相比较，血管性痴呆症的发病风险显著低。
另外，上述发病风险评估程序11及软件程序可以存储在CD-ROM(Compact DiscRead Only Memory，光盘只读存储器)、DVD(Digital Versatile Disc，数字多功能光盘)、磁光盘(Magneto-Optical Disc)、USB(Universal Serial Bus，通用串行总线)存储器，存储卡及HDD(Hard Disk Drive)等的计算机可读存储介质中进行分发。并且，通过将发病风险评估程序11及软件程序安装在特定或通用计算机上，可以让该计算机作为发病风险评估装置100或发病风险评估装置200工作。另外，也可以将发病风险评估程序11及软件程序存储在互联网上的其他服务器具有的存储装置上，从该服务器下载发病风险评估程序11及软件程序。
在不脱离本发明的广义精神和范围时，可以对本发明进行各种实施方式及变形。另外，上述实施方式是用于说明本发明，并不限定本发明的范围。即，本发明的范围不是由实施方式，而是由权利要求示出。并且，在权利要求的范围内及与其同等发明的意义范围内所进行的各种变形，被认为在本发明的范围内。
本申请基于2018年10月30日申请的日本专利申请2018-203803号。在本说明书中，将日本专利申请第2018-203803号的说明书、权利要求书、整个附图作为参考引入。
工业应用性
本发明适用于评估或预测痴呆症的发病风险及评估或预测痴呆症的未来患病率。

Claims (12)

1.一种发病风险评估装置，其特征在于，具备：
评估部，所述评估部基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估所述评估对象的痴呆症的发病风险。
2.根据权利要求1所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的蛋氨酸及苏氨酸的浓度，评估所述评估对象的痴呆症或阿尔茨海默氏型痴呆症的发病风险。
3.根据权利要求1或者2所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、赖氨酸、缬氨酸及色氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
4.根据权利要求1至3的任意一项所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的组氨酸、异亮氨酸、蛋氨酸、赖氨酸、天冬酰胺及色氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
5.根据权利要求1至4的任意一项所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的组氨酸、异亮氨酸、蛋氨酸、赖氨酸、天冬酰胺、谷氨酰胺及色氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
6.根据权利要求1至5的任意一项所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的异亮氨酸、谷氨酰胺及赖氨酸的浓度，评估所述评估对象的阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
7.根据权利要求1至6的任意一项所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的蛋氨酸的浓度与同型半胱氨酸的浓度之比，评估所述评估对象的痴呆症的发病风险。
8.根据权利要求1至7的任意一项所述的发病风险评估装置，其特征在于，
所述评估部基于评估对象的血液中的S-腺苷甲硫氨酸的浓度与S-腺苷同型半胱氨酸的浓度之比，评估所述评估对象的痴呆症、阿尔茨海默氏型痴呆症或血管性痴呆症的发病风险。
9.根据权利要求1至8的任意一项所述的发病风险评估装置，其特征在于，
所述评估部评估所述评估对象在采集所述血液后5年以内痴呆症的发病风险。
10.一种发病风险评估方法，其特征在于，包括以下步骤：
评估步骤，所述评估步骤基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估所述评估对象的痴呆症的发病风险。
11.一种程序，使计算机作为评估部工作，其特征在于，
所述评估部基于包括选自评估对象的血液中的组氨酸、苯丙氨酸、亮氨酸、异亮氨酸、蛋氨酸、苏氨酸、甘氨酸、谷氨酰胺、赖氨酸、天冬酰胺、同型半胱氨酸、胱硫醚、S-腺苷甲硫氨酸及S-腺苷同型半胱氨酸构成的组中的至少一种的氨基酸的浓度，评估所述评估对象的痴呆症的发病风险。
12.一种痴呆症预防用食品，其特征在于，
包括选自组氨酸、蛋氨酸、苏氨酸、谷氨酰胺及S-腺苷甲硫氨酸构成的组中的至少一种。
CN201980003868.8A 2018-10-30 2019-10-29 发病风险评估装置、发病风险评估方法及计算机可读媒体 Active CN111386050B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018203803 2018-10-30
JP2018-203803 2018-10-30
PCT/JP2019/042259 WO2020090774A1 (ja) 2018-10-30 2019-10-29 発症リスク評価装置、発症リスク評価方法、プログラム及び認知症予防用食品

Publications (2)

Publication Number Publication Date
CN111386050A true CN111386050A (zh) 2020-07-07
CN111386050B CN111386050B (zh) 2024-02-06

Family

ID=70463191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980003868.8A Active CN111386050B (zh) 2018-10-30 2019-10-29 发病风险评估装置、发病风险评估方法及计算机可读媒体

Country Status (6)

Country Link
US (1) US20210148938A1 (zh)
EP (1) EP3837994A4 (zh)
JP (1) JP6940107B2 (zh)
CN (1) CN111386050B (zh)
AU (1) AU2019320619B2 (zh)
WO (1) WO2020090774A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2022210606A1 (zh) * 2021-03-29 2022-10-06

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140165700A1 (en) * 2011-06-10 2014-06-19 Ita-Suomen Yliopisto Method of diagnosing on increased risk of alzheimer's disease
WO2015060317A1 (ja) * 2013-10-22 2015-04-30 長谷川亨 神経変性疾患の検査方法
WO2018008763A1 (ja) * 2016-07-08 2018-01-11 味の素株式会社 アルツハイマー型認知症の将来の発症リスクの評価方法
WO2018047980A1 (ja) * 2016-09-09 2018-03-15 味の素株式会社 認知症またはうつ状態の予防または改善用組成物
JP2018118914A (ja) * 2017-01-24 2018-08-02 株式会社スタージェン 神経変性疾患の改善用医薬

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2005214091B2 (en) 2004-02-24 2010-08-12 Abbvie B.V. Method for determining the risk of developing a neurological disease
US20060127506A1 (en) * 2004-12-10 2006-06-15 Hebert Rolland F Compositions of S-adenosyl-L-methionine
FR2884421B1 (fr) * 2005-04-15 2007-08-10 Virbac Sa Nouveaux moyens de regulation des troubles du comportement chez les animaux de compagnie
US20100004191A1 (en) * 2008-07-01 2010-01-07 Rolland F Hebert Compositions of S-adenosyl-L-methionine.
NZ628281A (en) * 2008-12-09 2016-05-27 Stephanie Fryar Williams Biomarkers for the diagnosis and/or prediction of susceptibility to mental and neurodegenerative disorders
JP2011242217A (ja) * 2010-05-17 2011-12-01 Japan Health Science Foundation アルツハイマー病の診断マーカー、アルツハイマー病の予防及び治療薬のスクリーニング方法並びにアルツハイマー病の診断方法
JP5808429B2 (ja) * 2011-12-02 2015-11-10 磐田化学工業株式会社 酸性メタリン酸ナトリウムによるｓ−アデノシルメチオニンの安定化
GB201122227D0 (en) * 2011-12-23 2012-02-01 Randox Lab Ltd MAO-B inhibitors derived from the one-carbon cycle
WO2013146621A1 (ja) 2012-03-30 2013-10-03 味の素株式会社 脳血管障害の評価方法、脳血管障害評価装置、脳血管障害評価方法、脳血管障害評価プログラム、脳血管障害評価システムおよび情報通信端末装置
WO2014146137A1 (en) * 2013-03-15 2014-09-18 Hunan Skyworld Biotechnologies Co. Immunoassay of s-adenosylmethionine using analogs thereof and personalized therapeutics
US20140357525A1 (en) * 2013-03-26 2014-12-04 Duke University Markers for alzheimer's disease and mild cognitive impairment and methods of using the same
WO2015014903A2 (en) * 2013-07-31 2015-02-05 Pharnext Diagnostic tools for alzheimer's disease
EP3149486A1 (en) * 2014-05-30 2017-04-05 Biocross, S.L. Method for the diagnosis of alzheimer's disease and mild cognitive impairment
KR102362919B1 (ko) * 2016-07-08 2022-02-16 아지노모토 가부시키가이샤 경도 인지 장해 또는 알츠하이머형 인지증의 평가 방법
JP6810657B2 (ja) 2017-05-30 2021-01-06 シェルルブリカンツジャパン株式会社 自動変速機用潤滑油組成物

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140165700A1 (en) * 2011-06-10 2014-06-19 Ita-Suomen Yliopisto Method of diagnosing on increased risk of alzheimer's disease
WO2015060317A1 (ja) * 2013-10-22 2015-04-30 長谷川亨 神経変性疾患の検査方法
WO2018008763A1 (ja) * 2016-07-08 2018-01-11 味の素株式会社 アルツハイマー型認知症の将来の発症リスクの評価方法
WO2018047980A1 (ja) * 2016-09-09 2018-03-15 味の素株式会社 認知症またはうつ状態の予防または改善用組成物
JP2018118914A (ja) * 2017-01-24 2018-08-02 株式会社スタージェン 神経変性疾患の改善用医薬

Also Published As

Publication number Publication date
AU2019320619B2 (en) 2021-10-14
US20210148938A1 (en) 2021-05-20
CN111386050B (zh) 2024-02-06
EP3837994A4 (en) 2022-07-20
WO2020090774A1 (ja) 2020-05-07
JPWO2020090774A1 (ja) 2021-02-15
EP3837994A1 (en) 2021-06-23
AU2019320619A1 (en) 2020-05-28
JP6940107B2 (ja) 2021-09-22

Similar Documents

Publication Publication Date Title
Tan et al. Cohort profile: the Singapore multi-ethnic cohort (mec) study
Jimenez et al. Weight loss in the healthy elderly might be a non-cognitive sign of preclinical Alzheimer's disease
Dipnall et al. The association between dietary patterns, diabetes and depression
Wang et al. Resting heart rate and the risk of developing impaired fasting glucose and diabetes: the Kailuan prospective study
Barr et al. Continuous relationships between non-diabetic hyperglycaemia and both cardiovascular disease and all-cause mortality: the Australian Diabetes, Obesity, and Lifestyle (AusDiab) study
Valdes et al. Leukocyte telomere length is associated with cognitive performance in healthy women
Patel et al. Basic vs more complex definitions of family history in the prediction of coronary heart disease: the multi-ethnic study of atherosclerosis
Jakimovski et al. Dietary and lifestyle factors in multiple sclerosis progression: results from a 5-year longitudinal MRI study
Janghorbani et al. The visceral adiposity index in comparison with easily measurable anthropometric markers did not improve prediction of diabetes
Garovic et al. Carotid artery intima-media thickness and subclinical atherosclerosis in women with remote histories of preeclampsia: results from a Rochester epidemiology project-based study and meta-analysis
KR102355667B1 (ko) 알츠하이머형 인지증의 장래의 발증 리스크의 평가 방법
Lengelé et al. Malnutrition, assessed by the Global Leadership Initiative on Malnutrition (GLIM) criteria but not by the mini nutritional assessment (MNA), predicts the incidence of sarcopenia over a 5-year period in the SarcoPhAge cohort
Fan et al. Re-examining the relationship between alcohol consumption and coronary heart disease with a new lens
Empana et al. Predicting CHD risk in France: a pooled analysis of the DESIR, Three City, PRIME, and SU. VI. MAX studies
Carranza et al. Incidence of type 2 diabetes in the elderly in Central Spain: Association with socioeconomic status, educational level, and other risk factors
Almkvist et al. Longitudinal cognitive decline in autosomal-dominant Alzheimer's disease varies with mutations in APP and PSEN1 genes
Dedoussis et al. An association between the methylenetetrahydrofolate reductase (MTHFR) C677T mutation and inflammation markers related to cardiovascular disease
Guzmán‐Vélez et al. Associations between plasma neurofilament light, in vivo brain pathology, and cognition in non‐demented individuals with autosomal‐dominant Alzheimer's disease
EP3537155B1 (en) Method for determining alzheimer&#39;s disease risk
Winkler et al. Thyroid-stimulating hormone and mild cognitive impairment: results of the heinz nixdorf recall study
CN111386050B (zh) 发病风险评估装置、发病风险评估方法及计算机可读媒体
Chasens et al. Citizenship and health insurance status predict glycemic management: NHANES data 2007–2016
Hake et al. Florbetapir positron emission tomography and cerebrospinal fluid biomarkers
Henderson et al. Normal weight metabolically unhealthy phenotype in youth: Do definitions matter?
Caballero et al. Prospective association between plasma amino acids and multimorbidity in older adults

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