CN111983160B - 神经酸在治疗脑卒中药物中的应用 - Google Patents
神经酸在治疗脑卒中药物中的应用 Download PDFInfo
- Publication number
- CN111983160B CN111983160B CN202010822460.8A CN202010822460A CN111983160B CN 111983160 B CN111983160 B CN 111983160B CN 202010822460 A CN202010822460 A CN 202010822460A CN 111983160 B CN111983160 B CN 111983160B
- Authority
- CN
- China
- Prior art keywords
- nervonic acid
- cerebral apoplexy
- blood
- dragon
- treating cerebral
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/15—Medicinal preparations ; Physical properties thereof, e.g. dissolubility
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
神经酸在治疗脑卒中药物中的应用,本发明涉及分子标记物领域。神经酸PE(24:1/18:3)作为分子标记物在治疗脑卒中药物中应用。神经酸PE(24:1/18:3)作为分子标记物检测龙血竭在治疗脑卒中过程中的治疗机制。本发明公开了神经酸在治疗脑卒中药物中的应用,通过代谢组学结合机器学习的方案,本发明发现了神经酸类的标志物PE(24:1/18:3)可以有效的指示龙血竭的服用效果,是核心的分子标志物。通过逻辑回归模型判定,确定标志物的组合AUC值>90%,再重新收取样本进行验证发现AUC值达到0.958。本发明神经酸PE(24:1/18:3)作为分子标记物在龙血竭药物中应用。
Description
技术领域
本发明涉及分子标记物领域,具体涉及神经酸在治疗脑卒中药物中的应用。
背景技术
中风是一种由血液循环障碍引起的以脑局部功能障碍为特征的疾病。中风是当今世界上最致命的疾病之一,近年来有发生在年轻人中的趋势。有两种主要的卒中类型,如缺血性卒中和出血性卒中,尤其是缺血性卒中约占所有卒中病例的80%。龙血通络胶囊是从中国龙血总酚类化合物簇中提取的,是临床治疗缺血性中风的新药。赵宾江等采用随机、双盲、安慰剂对照、多中心临床试验方法,选择动脉粥样硬化性血栓性脑梗死恢复期血瘀证患者,试验组患者服用龙血通络胶囊4周后,神经功能缺损程度显著改善,中风病综合疗效等级评分进步率升高;中医证候的意向性分析结果显示,试验组患者的有效率高于对照组,且未见明显的不良反应。目前龙血竭对脑卒中的研究只是在临床的检测及临床量表的基础上,对其潜在的治疗机制的了解仍然很大程度上是未知的。代谢组学通过监测细胞、组织或生物液中内源性低分子代谢物(分子量<;1000Da)浓度的扰动,为药理学、病理学、毒理学和遗传学提供了一个整体观点,使其能够广泛应用于疾病诊断、毒性筛选、药物安全性和疗效评估。代谢组学由于其独特的优势,已经越来越多的应用在疾病机制中的研究中。
龙血竭是一种针对脑卒中的常见中药,但是药物起效的标志物目前还不知道。血药浓度的标志物的寻找,从而辅助医生确定患者服用的疗程,是具有重大的价值。
发明内容
本发明的目的之一是提供神经酸在治疗脑卒中药物中的应用。
本发明的目的之二是提供龙血竭对脑卒中的治疗机制。
神经酸PE(24:1/18:3)作为分子标记物在治疗脑卒中药物中应用。
进一步的,所述治疗脑卒中药物为龙血竭。
进一步的,神经酸PE(24:1/18:3)作为分子标记物检测龙血竭在治疗脑卒中过程中的治疗机制。
本发明公开了神经酸在治疗脑卒中药物中的应用,通过代谢组学结合机器学习的方案,本发明发现了神经酸类的标志物PE(24:1/18:3)可以有效的指示龙血竭的服用效果,是核心的分子标志物。通过逻辑回归模型判定,确定标志物的组合AUC值>90%,再重新收取样本进行验证发现AUC值达到0.958,表明加入神经酸后可以有效的指示龙血竭的服用效果。
神经酸作为神经系统结构化合物,所以被认为与多数的神经疾病非常密切的关系,而且被证明是多种神经疾病的主要的分子标志物。代谢组学对生物体内所有代谢物进行定量分析,并寻找代谢物与生理病理变化的相对关系的研究方式,是系统生物学的组成部分。本发明通过对龙血竭的代谢组学研究,发现了以神经酸为主的标志物组合,有效的揭示了神经酸在疾病中的作用及龙血竭在脑卒中的可能产生的影响。
附图说明
图1为对除了R12的所有变量做模型,所有模型的ROC曲线,图1中1为RF模型,2为DT模型,3为SVM模型,4为logistics回归;
图2为误判率图;
图3为基于基尼系数的变量重要性排序图;
图4为加入R12的RF模型;
图5为基于精确度的变量重要性排序图;
图6为基于基尼系数的变量重要性排序图;
图7为引入R12的随机森林模型ROC曲线图。
具体实施方式
具体实施方式一:本实施方式神经酸PE(24:1/18:3)作为分子标记物在治疗脑卒中药物中应用。
具体实施方式二:本实施方式与具体实施方式一的不同点是:所述治疗脑卒中药物为龙血竭。其它与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二的不同点是:神经酸PE(24:1/18:3)作为分子标记物检测龙血竭在治疗脑卒中过程中的治疗机制。其它与具体实施方式一相同。
实施例:神经酸PE(24:1/18:3)作为分子标记物在龙血竭中应用,检测龙血竭在治疗脑卒中过程中的治疗机制。
样本的收集:雄性Sprague-Dawley(SD)大鼠(280-300g),将大鼠随机分为模型组、模型+龙血竭组,每组26只,然后测定脂肪和脂肪酸的分布。
统计学分析:原始数据用Thermo XCalibur软件处理,Waters Progensis QI版本2.3用于多因素分析。然后将处理后的数据送入EZInfo软件包(Waters Progensis QI)进行正交偏最小二乘判别分析(OPLS-DA)。在此基础上,筛选出P<0.05,VIP>1的代谢物,然后再用Lasso回归进行筛选后的物质作为潜在的生物标志物。采用R3.6.1的受试者工作特征(ROC)曲线分析对候选生物标志物进行评价。
结果:(1)通过OPLS-DA进行分析后,得到的差异物质总共有26个。(见表1)
表1
(2)Lasso回归确认交叉验证的最小平均值,并用于变量筛选最终选定5个自变量(其中包含1个24:1),见表2。
表2
Var | Description |
R1 | Perflenapent |
R12 | PE(24:1/18:3) |
R16 | Trichloroethanol glucuronide |
R20 | Ganodermic acid TQ |
R26 | SM(d16:1/16:0) |
(3)将除了R12的所有变量做模型。所有模型的ROC曲线见图1。
图1为对除了R12的所有变量做模型,所有模型的ROC曲线,图1中1为RF模型,2为DT模型,3为SVM模型,4为logistics回归;
根据表1,表2和图1可知,最优的模型是RF模型,误差线——设定三棵树,误差最终随着子节点提升降到误差为0,理应建出优秀的分类器,但是AUC却比预期的低,说明分类器中的信息不足(缺少R12)。
图2为误判率图;
从图2可知,随着随机森林中树的个数提升,模型OOB误差趋近于0,可预见的范围内数据集性质良好,有能力建立优秀的分类器模型。
图3为基于基尼系数的变量重要性排序图;
从图3可知,R12的基尼系数值在0.4以下,且为全部重要变量的倒数第二位,说明在数据集中随机抽取两个样本,由R12引起的类别标记不一致的概率更低,R12对于数据集的纯度代表性更强,对于数据集纯度提升的贡献更大。
图4为加入R12的RF模型;
从图4可知,加入R12后,再做RF模型发现AUC值由原来的0.8提高到了0.938。
重新收取样本,用上面筛选出的差异物质做RF模型分析,AUC的值达到了0.958,证明RF为最优模型,并且R12为模型中最重要的变量,见图5,图6和图7。
图5为基于精确度的变量重要性排序图;
从图5可知,加入R12后建立的RF模型中,减少R12对于模型精确度的影响最大,说明R12在各变量中最为重要。
图6为基于基尼系数的变量重要性排序图;
从图6可知,R12的基尼系数值在0.6以上,说明此变量对于分类器模型特异性功能的效果提升巨大,再一次印证了R12的重要性。
图7为引入R12的随机森林模型ROC曲线图。
从图7可知,引入R12之后建立的RF模型预测效率达到95%以上,说明建模效果良好,此时的随机森林分类器模型有95%以上的几率对新样本进行正确分类。
Claims (1)
1. 神经酸类的标志物PE(24:1/18:3)的应用,其特征在于神经酸类的标志物PE(24:1/18:3)与Perflenapent、Trichloroethanol glucuronide、Ganodermic acid TQ和SM(d16:1/16:0)组合作为分子标记物在制备检测龙血竭在治疗脑卒中过程中的服用效果的试剂中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010822460.8A CN111983160B (zh) | 2020-08-14 | 2020-08-14 | 神经酸在治疗脑卒中药物中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010822460.8A CN111983160B (zh) | 2020-08-14 | 2020-08-14 | 神经酸在治疗脑卒中药物中的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111983160A CN111983160A (zh) | 2020-11-24 |
CN111983160B true CN111983160B (zh) | 2022-08-09 |
Family
ID=73434023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010822460.8A Active CN111983160B (zh) | 2020-08-14 | 2020-08-14 | 神经酸在治疗脑卒中药物中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111983160B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680473A (zh) * | 2017-01-23 | 2017-05-17 | 首都医科大学附属北京朝阳医院 | 生物标志物在筛选治疗或缓解代谢综合征的药物中的用途 |
CN107014941A (zh) * | 2017-05-05 | 2017-08-04 | 北京骐骥生物技术有限公司 | 利用脂质生物标志物预测糖尿病周围神经病变的方法 |
CN110964778A (zh) * | 2018-09-29 | 2020-04-07 | 南方医科大学珠江医院 | 肠杆菌科作为缺血性脑卒中生物标志物的用途 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107427221B (zh) * | 2015-01-09 | 2021-03-09 | 全球基因集团有限责任公司 | 用于诊断冠状动脉粥样硬化性疾病的基于血液的生物标志物 |
US11350870B2 (en) * | 2017-06-20 | 2022-06-07 | The Board Of Trustees Of The University Of Illinois | Method of identifying epileptic brain regions |
-
2020
- 2020-08-14 CN CN202010822460.8A patent/CN111983160B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680473A (zh) * | 2017-01-23 | 2017-05-17 | 首都医科大学附属北京朝阳医院 | 生物标志物在筛选治疗或缓解代谢综合征的药物中的用途 |
CN107014941A (zh) * | 2017-05-05 | 2017-08-04 | 北京骐骥生物技术有限公司 | 利用脂质生物标志物预测糖尿病周围神经病变的方法 |
CN110964778A (zh) * | 2018-09-29 | 2020-04-07 | 南方医科大学珠江医院 | 肠杆菌科作为缺血性脑卒中生物标志物的用途 |
Non-Patent Citations (2)
Title |
---|
利用知识发现工具Arrowsmith 探讨龙血竭及其有效成分治疗缺血性脑卒中的潜在作用机制;王仁杰等;《中国实验方剂学杂志》;20171130;第23卷(第22期);194-201 * |
血浆二十四碳烯酸水平与急性缺血性脑卒中的关系;蔡晓琴等;《山东医药》;20141231;第54卷(第25期);27-29 * |
Also Published As
Publication number | Publication date |
---|---|
CN111983160A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Magee et al. | TRNA-derived fragments as sex-dependent circulating candidate biomarkers for Parkinson's disease | |
Zeiger et al. | Relationship of blood eosinophil count to exacerbations in chronic obstructive pulmonary disease | |
Tang et al. | Genome-wide transcription profiling of human sepsis: a systematic review | |
Nguyen et al. | Gut microbiome in Schizophrenia: altered functional pathways related to immune modulation and atherosclerotic risk | |
CN108064272B (zh) | 用于类风湿性关节炎的生物标记物及其用途 | |
CN112852916A (zh) | 肠道微生态的标志物组合、辅助诊断模型及其应用 | |
CN112119167A (zh) | 抑郁症生物标志物及其用途 | |
Santiago et al. | A network approach to diagnostic biomarkers in progressive supranuclear palsy | |
Hanafy et al. | Comorbidity in traumatic brain injury and functional outcomes: a systematic review | |
Zhang et al. | LncRNA-mRNA co-expression analysis discovered the diagnostic and prognostic biomarkers and potential therapeutic agents for myocardial infarction | |
Passarelli-Araujo et al. | Machine learning and comorbidity network analysis for hospitalized patients with COVID-19 in a city in Southern Brazil | |
CN111983160B (zh) | 神经酸在治疗脑卒中药物中的应用 | |
Liu et al. | Airway bacterial and fungal microbiome in chronic obstructive pulmonary disease | |
CN110396538A (zh) | 偏头痛生物标志物及其用途 | |
Kaur et al. | A novel framework for drug synergy prediction using differential evolution based multinomial random forest | |
Liu et al. | Sparking thinking: Studying modern precision medicine will accelerate the progression of traditional chinese medicine patterns | |
Xue et al. | Identification of susceptibility genes to allergic rhinitis by gene expression data sets | |
Ahl et al. | Immune response in blood before and after epileptic and psychogenic non-epileptic seizures | |
CN111798925B (zh) | 基于基因表达谱识别组织样本中细胞类型及组分的方法 | |
CN115029427A (zh) | 基于焦亡基因表达的重度抑郁症筛查试剂、系统及应用 | |
CN111518882B (zh) | 通过分子标志物辨识激素性股骨头坏死的中医证型的系统 | |
Whitfield et al. | Axes of prognosis: Identifying subtypes of COVID-19 outcomes | |
CN114333979A (zh) | 一种骨关节炎相关基因筛选与功能分析方法 | |
Yu et al. | Identify Cancer Patients at Risk for Heart Failure using Electronic Health Record and Genetic Data | |
Nilamyani et al. | A preliminary study on identifying probable biomarker of type 2 diabetes using recursive feature extraction |
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 |