CN112017782A - SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法 - Google Patents

SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法 Download PDF

Info

Publication number
CN112017782A
CN112017782A CN202010919011.5A CN202010919011A CN112017782A CN 112017782 A CN112017782 A CN 112017782A CN 202010919011 A CN202010919011 A CN 202010919011A CN 112017782 A CN112017782 A CN 112017782A
Authority
CN
China
Prior art keywords
ace2
screening model
abundance
body fluid
protein
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
CN202010919011.5A
Other languages
English (en)
Inventor
秦钧
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.)
Beijing Pinecone Tianmu Health Management Co ltd
Original Assignee
Beijing Pinecone Tianmu Health Management Co ltd
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 Beijing Pinecone Tianmu Health Management Co ltd filed Critical Beijing Pinecone Tianmu Health Management Co ltd
Publication of CN112017782A publication Critical patent/CN112017782A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01N30/7233—Mass spectrometers interfaced to liquid or supercritical fluid chromatograph
    • 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
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
    • G01N2030/8813—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample biological materials
    • 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
    • G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
    • G01N2030/8809—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample
    • G01N2030/8813—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample biological materials
    • G01N2030/8831—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 analysis specially adapted for the sample biological materials involving peptides or proteins

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明涉及一种SARS‑CoV‑2易感性的检测方法及装置，所述方法至少包括：从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量，根据ACE2的丰度分布特征建立易感人群筛查模型，将个体的体液中ACE2蛋白定量与所述易感人群筛查模型进行对比并确定SARS‑CoV‑2易感性。本发明根据ACE2的丰度建立了易感人群筛查模型，从而可以快速、高效地筛查新冠病毒易感人群。本发明还能够应用于新冠病毒重症风险的筛查和预测。

Description

SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法
技术领域
本发明涉及医疗检测技术领域，尤其涉及一种SARS-CoV-2易感性的检测方法及装置，和新冠病毒重症风险预测方法及装置。
背景技术
目前来看，新冠肺炎会继续与人类共存。从流行病学的角度来说，传染源、传播途径和易感人群是导致传染病疫情的三大环节，而化解公共卫生危机的基本路径就是从这三个环节入手：隔离传染源(如患者及动物)、切断传染途径(如空气、飞沫、蚊虫等)和保护易感人群。其中，环节一的成功与否主要依赖于医务工作者的专业工作和职业精神，而环节二的有效与否更多地取决于相关部门的防疫消杀工作和大众良好的卫生习惯，相对而言，环节三(保护易感人群)则更依赖科学技术手段。
尿液是临床检验中除血液外最常用的体液样本，尿液是一种真正的非侵入性样本，质谱技术可以检测尿液中的微量蛋白质，人类尿蛋白质组包含大量个体内及个体间差异、人体生理和病理状态的信息，世界各国科学家一直在利用蛋白质组学技术试图从尿液中找到新的用于疾病诊断、预后分析、疗效检测的蛋白标志物。尿蛋白质组不仅可以反映性别、年龄、民族等生理信息，可以反映人体的病理状态，目前已经有研究人员通过尿液蛋白质组寻找到一些疾病标志物，包括慢性肾病、肺癌、神经系统疾病等。
例如，中国专利CN209842445U公开了用于预测糖尿病肾病临床发病易感性的糖肾指数读盘，包括壳体、安装条、第一移动机构、第二移动机构、导向槽、滑销、顶块、凹槽、导向孔、连接销、放置板，该用于预测糖尿病肾病临床发病易感性的糖肾指数读盘，通过使用本申请中的装置，将尿蛋白与尿糖之间进行统计学换算，以此知晓换算后的糖肾数值即可知晓该患者糖肾指数的轻重程度，便于医护人员对患者糖肾指数诊断的精准性。既该专利利用尿蛋白来检测糖尿病肾病临床发病易感性。
ACE2也称为ACEH，称为血管紧张素转化酶2。该基因编码的蛋白属于二肽基羧基二肽酶的血管紧张素转换酶家族，与人血管紧张素转换酶1具有相当大的同源性。这种分泌的蛋白质催化血管紧张素I分裂成血管紧张素1-9，及血管紧张素II分裂成血管舒张剂血管紧张素1-7。ACE2与Ang II型1型和2型受体有很强的亲和力，调节血压、体液平衡、炎症、细胞增殖、肥大和纤维化。同时该基因的器官和细胞的特异性表达提示其可能在调节心血管和肾脏功能以及生育方面发挥作用。此外，ACE2是SARS和HCoV-NL63人类冠状病毒S糖蛋白的功能受体。然而不同组织中ACE2的表达不同，无法通过检验活体组织判断新冠病毒的易感性。最新发现表明，人类尿液中的ACE2与新冠病毒易感程度相关。因此，如何通过检测尿液中的ACE2来筛查易感人群，对保护易感人群，阻断病毒传播途径，减轻疫情具有重要意义。
此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于发明人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足，本发明提供了一种SARS-CoV-2易感性的检测方法，其特征在于，所述方法至少包括：从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量，根据ACE2的丰度分布特征建立易感人群筛查模型，将个体的体液中ACE2蛋白定量与所述易感人群筛查模型进行对比并确定SARS-CoV-2易感性。其中，所述体液优选为尿液。本发明通过建立易感人群筛查模型，无需大量计算就能够快速、准确地获得个体的新冠病毒易感风险，从而及时对风险较高的人群发出预警，减小新冠病毒的传播范围。
优选的，建立所述易感人群筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，
基于流行病学信息和/或样本人群的健康状况建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成所述易感人群筛查模型。本发明通过统计样本人群的ACE2的丰度的分布区间特征建立易感人群筛查模型，数据准确，得到的易感人群筛查模型能够通过反向验证，准确度较高。
优选的，所述方法还包括：基于确诊人群的ACE2的丰度的分布特征验证易感人群筛查模型的准确性。通过确诊人群对模型的准确性的验证，发现本发明的易感人群筛查模型与确诊人群的ACE2的丰度的分布一致，从而这么本发明的建立模型的方法是科学的，有效的。
优选的，基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量的方法包括：将所述胰蛋白酶酶解肽段进行以动态排除方式进行数据采集以获得质谱数据，将所述质谱数据进行搜索和蛋白组装定量分析，从而确定至少包括ACE2的蛋白质的蛋白丰度，有利于有效对ACE2进行定量分析。
本发明还提供一种SARS-CoV-2易感性的检测装置，其特征在于，所述装置至少包括：与蛋白定量模块和建模模块，所述蛋白定量模块基于从提取出的体液蛋白酶切样本分离的所述胰蛋白酶酶解肽段进行体液中的ACE2定量，所述建模模块根据ACE2的丰度分布特征建立易感人群筛查模型，所述建模模块将个体的体液中ACE2蛋白定量与所述易感人群筛查模型进行对比并确定SARS-CoV-2易感性。其中，所述体液优选为尿液。本发明的检测装置，通过数据化的方式进行快速检测，在分析过程中不需要大量计算，节省了检测时间，不需要进行检测个体经历长时间的等待。进一步的，快速的检测和得到SARS-CoV-2易感性的结果，能够及时提醒高风险易感的检测对象及时采取预防措施，避免传感新冠病毒。
优选的，所述建模模块建立所述易感人群筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，
基于流行病学信息和/或样本人群的健康状况建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成所述易感人群筛查模型。本发明通过统计样本人群的ACE2的丰度的分布区间特征建立易感人群筛查模型，数据准确，得到的易感人群筛查模型能够通过反向验证，准确度较高。
本发明还提供一种新冠病毒重症风险的预测方法，其特征在于，所述方法至少包括：从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量，根据ACE2的丰度分布特征建立重症风险筛查模型，将个体的体液中ACE2蛋白定量与所述重症风险筛查模型进行对比并预测新冠病毒重症风险。其中，所述体液优选为尿液。
优选的，建立所述重症风险筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，
基于流行病学信息和/或样本人群的重症信息建立样本人群的ACE2的丰度分布区间与重症信息的关联关系并形成所述重症风险筛查模型。
优选的，建立所述重症风险筛查模型的方法包括：将样本人群中的死亡风险概率与ACE2的丰度分布区间建立关联关系，从而建立重症风险筛查模型。
本发明通过利用ACE2的受体丰度的分布特征，能够快速准确的对患者的重症风险进行预测，及时采取措施以降低死亡率，这对于患者具有重要的意义。
本发明还提供一种新冠病毒重症风险的预测装置，其特征在于，所述装置至少包括：蛋白定量模块和建模模块，
所述蛋白定量模块基于从提取出的体液蛋白酶切样本分离的胰蛋白酶酶解肽段进行体液中的ACE2定量，所述建模模块根据ACE2的丰度分布特征建立重症风险筛查模型，所述建模模块将个体的体液中ACE2蛋白定量与所述重症风险筛查模型进行对比并预测新冠病毒重症风险，其中，所述体液优选为尿液。本发明的新冠病毒重症风险的预测装置，通过利用ACE2的受体丰度与重症风险筛查模型进行快速比对，能够快速准确的得到患者的重症风险，及时发现重症风险患者并采取措施以降低死亡率，这对于拯救患者具有重要的意义。
附图说明
图1是本发明的SARS-CoV-2易感性的检测方法的流程示意图；
图2是本发明的SARS-CoV-2易感性的检测装置的结构示意图。
具体实施方式
下面结合附图进行详细说明。
现有技术中还无法对人群的SARS-CoV-2易感性进行检测，也不能够对新冠病毒的重症风险进行预测。因此，本发明提供一种用于检测SARS-CoV-2易感性的方法，有利于对人群中的SARS-CoV-2易感性进行检测，从而有针对性的对易感人群进行对应的预警提醒和提供对应的保护措施。本发明还可以是一种新冠病毒风险预测方法。不仅如此，本发明还提供了一种建立SARS-CoV-2易感人群筛查模型的方法及装置。
本发明还提供一种新冠病毒重症风险的预测方法及装置，能够对人群中的新冠病毒重症风险进行预测和预警。
实施例1
一种用于检测SARS-CoV-2易感性的方法，如图1所示，至少包括：
S1：从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于胰蛋白酶酶解肽段进行体液中的ACE2定量，
S2：根据ACE2的丰度分布特征建立易感人群筛查模型，
S3：将个体的体液中ACE2蛋白定量与易感人群筛查模型进行对比并确定SARS-CoV-2易感性。
本发明中的体液，优选尿液来提取蛋白酶切样本。
其中，提取体液蛋白酶切样本的方法为：
将尿液样本在4℃～常温条件下进行一段时间的第一次高速离心。第一次弃去上清液，保留第一沉淀。向第一沉淀中加入适量的重悬缓冲液使第一沉淀重悬形成重悬液。向所得的重悬液中加入能打开二硫键的还原剂或氧化剂，在37-80℃温度下加热10～60分钟，形成第一溶液。向加热后所得的第一溶液中添加清洗缓冲液，然后进行一段时间的第二次高速离心，第二次弃去上清液，保留第二沉淀，并用消化缓冲液重新溶解第二沉淀。在95℃加热3-5分钟之后，形成溶解的第二溶液。将第二溶液放置冷却至室温，在37℃环境进行蛋白溶液内酶解4h-8h，得到多种蛋白酶。优选胰蛋白酶，加入1％甲酸终止反应，之后加入乙腈萃取肽样品真空抽干或用一维电泳(SDS-PAGE)进行蛋白分离，得到尿液蛋白酶切样本。
上述的尿液蛋白酶切样本制作过程中所涉及的缓冲液为：包括浓度在10-100mM能提供缓冲范围在pH7.0-8.5的任何缓冲盐溶液以及50-500mM的蔗糖、葡聚糖或海藻糖等能提供合适渗透压的物质；清洗缓冲液：包括浓度在10-100mM能提供缓冲范围在pH6.5-8.0的任何缓冲盐溶液以及50-300mM的盐溶液；消化缓冲液：包括浓度在10-100mM能提供缓冲范围在pH8.0-8.5的碳酸氢铵或Tris缓冲液。
从体液蛋白酶切样本分离胰蛋白酶酶解肽段的方法包括：将体液蛋白酶切样本在装有C18颗粒的毛细管柱上分离胰蛋白酶酶解肽段。其中，体液优选为尿，即体液蛋白酶切样本优选为尿蛋白酶切样本。
其中，毛细管柱结构为：纳升液相上样柱规格如下：内径100微米、填料为Dr.Maisch GmbH公司的C18填料(颗粒直径为3微米、颗粒孔径为120纳米)、填料柱床长度为2厘米；纳升液相分离柱规格如下：内径150微米、填料为C18填料(颗粒直径为1.9微米、颗粒孔径为120纳米)、填料柱床长度为12厘米。流动相A为0.1％甲酸；流动相B为乙腈及0.1％甲酸。肽分离洗脱梯度如下：0-69分钟为5％-31％流动相B，70-75分钟为95％流动相B。
本发明中，基于胰蛋白酶酶解肽段进行体液中的ACE2定量的方法包括：将胰蛋白酶酶解肽段进行以动态排除方式进行数据采集以获得质谱数据；将质谱数据进行搜索和蛋白组装定量分析，从而确定至少包括ACE2的蛋白质的蛋白丰度。
具体地，将分离获得的胰蛋白酶酶解肽段肽段通过至少一个质谱仪进行数据采集，得到质谱数据。其中，质谱仪优选为在线Easy-nLC 1000纳米-HPLC系统联用的质谱仪。
例如，质谱数据以Data Dependent Acquisition方式进行采集。质谱仪所用参数如下：一级质谱分辨率为12万，扫描范围为300-1400m/z，AGC为3E+6，最大离子注入时间为80毫秒；二级质谱根据一级质谱中肽片段的信号强度由高向低依次分离碎裂(以Top 20模式)，二级质谱的分辨率为1.5万，二级质谱母离子质量分离窗口为3m/z，AGC为2E+4，离子最大注入时间为20ms，HCD相对碰撞能量为27％。
优选的，质谱仪采用12s动态排除方式进行数据采集。优选的，质谱仪采用LC-MS质谱技术，可以快速、准确、高效地定量体液(优选尿液，包括血浆、血清、唾液等其他体液)样本中的ACE2蛋白。
优选的，本发明将质谱数据进行解析的步骤包括：搜索和蛋白组装定量分析。
例如，在FIRMIANA分析平台中处理LC-MS/MS质谱技术采集的质谱数据，并在Mascot搜索引擎上进行肽序列数据库搜索和蛋白组装定量分析。其中，利用内嵌Mascot2.3搜索引擎的Proteome Discoverer2.0软件进行肽序列数据库搜索和蛋白组装定量分析。
蛋白组装定量具体分析过程为：在“Mascot”模板中对数据库搜索的各项参数进行设定：在“Protein Database”中选取人蛋白质序列数据库；在”Enzyme Name”中选取Trypsin；在“Maximum Missed Cleavage”中填入2(代表允许的最大漏切位点数为2)；在“Instrument”中选Default；在”Taxonomy”中选All entries；在“Precursor MassTolerance”中填20ppm；在”Precursor Mass Tolerance”中填50mmu；在“Use AveragePrecursor Mass”中选False；在”From Quan Method”中选None；在“Show AllModifications”中选False；在”Dynamic Modification“中除选取通常存在的Acetyl(Protein N-term)、DeStreak(C)、Oxidation(M)、Carbamidomethyl(C)；等继续数据库搜索和定量分析。
以上蛋白组装定量具体分析过程为仅为本发明实施例中的一种。本发明不限于在内嵌Mascot2.3搜索引擎上进行蛋白解析，还可以在其他蛋白搜索引擎上进行胰蛋白酶酶解肽段的蛋白组装定量分析。
优选的，本发明通过搜索结果，对样本中的全部蛋白质进行定性和定量，从而最终确定了样本中所有蛋白质的定量值。
在获得所有蛋白质的定量值后，在FIRMIANA分析平台中通过设置无标记定量算法对蛋白质丰度进行测量，得到各个蛋白的蛋白丰度值，其中包括ACE2蛋白丰度。对测量数据进行存储。优选的，蛋白丰度数据可以存储在云服务器中，也可以存储在例如存储芯片、硬盘、服务器等装置中。本发明采用无标定量、计算方法为无标记、基于强度的绝对定量方法(intensitybased absolute quantification,iBAQ)表示蛋白定量。现有技术多采用FOT(fraction of total)来表示蛋白定量，即某一蛋白的iBAQ值除以该实验样本整体iBAQ总和的值可以理解为该蛋白在总蛋白中的浓度。因此，本发明将质谱数据采用将iBAQ(基于强度的绝对定量)转换成iFOT(基于强度的总分数)的方法来表示蛋白质的归一化强度。例如，表示在质谱数据分析中鉴定的蛋白质的归一化强度。
其中，为了实现质谱数据的可视化，在转换后的iFOT的数量乘以105。如此计算的优势在于，有利于把iFOT值变为一个大小适中的数值，便于后续的计算。
本发明中，作为质量控制样本的293T细胞的胰蛋白酶消化物通过LC-MS/MS常规评估以保证仪器的重现性。
优选的，采用iFOT来对尿液中ACE2蛋白进行定量，得到ACE2的丰度分布特征。根据ACE2的丰度分布特征建立易感人群筛查模型。
其中，建立易感人群筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，基于流行病学信息和/或样本人群的健康状况建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成易感人群筛查模型。
通过对成年人和健康儿童的尿液样本进行检测和ACE2蛋白含量测量。根据年龄的不同，尿液ACE2蛋白质含量表现出显著差异，得到了ACE2丰度的分布特征。
将ACE2丰度的分布特征和COVID-19流行病学数据进行结合对比，儿童感染风险较低，成年男性死亡风险率较高。根据对相关人群的健康状况和对应的ACE2丰度的分布特征进行分析，可以关联出健康人群的ACE2丰度的分布水平的参考区间(RI,2.5％-97.5％)，从而建立易感人群筛查模型，对新冠的易感性进行预测。
将个体的体液中ACE2蛋白定量与易感人群筛查模型进行对比并确定个体的SARS-CoV-2易感性。
例如，在检测人群中，发现了39个ACE2水平高于RI的97.5％的人。其中，存在32人的健康检查报告中存在血压、尿酸、空腹血糖和甘油三酯异常情况。明显地，本发明的易感人群筛查模型具有更高的准确性和效率。
本发明中，基于确诊人群的ACE2的丰度的分布特征验证易感人群筛查模型的准确性。
例如，通过查询现有体检数据库4982名新冠病毒COVID-19确诊患者的尿液ACE2丰度的结果，存在肺炎、癌症(胃癌、胰腺癌)、肺、直肠、肝脏、肾脏、结肠、前列腺、糖尿病。高血压、心脏病和肾炎、椎间盘突出、胆结石、静脉曲张和膀胱疾病等健康问题的患者的尿液中的ACE2水平普遍较高，高于当前的97.5％。患有这些疾病的人更脆弱，存在更大感染的可能性。即，当前数据库的样本表明，身体脆弱的人的ACE2丰度分布符合本发明的易感人群筛查模型。本发明的SARS-CoV-2易感性的检测结果比较准确。
优选的，本发明通过单一个体的ACE2丰度的变化能够监测个体的SARS-CoV-2易感性的变化，从而对个体的健康状况发出提醒和预测。
例如，在一项年龄在11到83的80人的健康监测纵向研究中，从每个人收集到的多个尿液样本中，女性的ACE2的RI是0.21到17.36，男性的ACE2的RI是0.05到7.65，个体的ACE2的差异指数小于93.8％。因此，一段时间内的单一个体的ACE2差异可以作为一个合适的生物标准。
不仅如此，该份数据还显示出孕妇的ACE2持续表现出较高的水平，相对于正常状态，怀孕女性的ACE2平均值提高了10倍。这些数据表明，孕妇和临产妇女可能更容易感染SARS-CoV-2及相关并发症。因此，本发明同样能够对于孕妇的SARS-CoV-2易感性进行监测。
通过检测尿液中的ACE2丰度的检测，本发明能够对SARS-CoV-2感染及其相关并发症的风险进行预测和判定，从而方便对ACE2水平超过97.5％的人进行筛查和密切关注。
实施例2
本实施例是对实施例1的进一步改进，重复的内容不再赘述。
本发明提供一种用于检测SARS-CoV-2易感性的装置，也称为用于检测SARS-CoV-2易感性的系统，或称为SARS-CoV-2易感性的分析检测装置。
如图2所示，用于检测SARS-CoV-2易感性的装置至少包括：蛋白定量模块20和建模模块30。蛋白定量模块20基于从提取出的体液蛋白酶切样本分离的基于胰蛋白酶酶解肽段进行体液中的ACE2定量。其中，蛋白定量模块20基于胰蛋白酶酶解肽段的质谱数据进行体液中的ACE2定量。胰蛋白酶酶解肽段的质谱数据来源不做限定。胰蛋白酶酶解肽段的质谱数据可以是质谱仪检测并发送的，也可以是来源于第三方机构，或者来源于数据存储装置的存储数据。
建模模块30根据ACE2的丰度分布特征建立易感人群筛查模型。建模模块将个体的体液中ACE2蛋白定量与易感人群筛查模型进行对比并预测新冠病毒重症风险，其中，所述体液优选为尿液。其中，蛋白定量模块和建模模块均可以是专用集成芯片、服务器或者云服务器中的一种或几种。服务器或者云服务器通过至少一个终端进行信息显示。
例如，采用质谱仪从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段来采集质谱数据。蛋白定量模块基于胰蛋白酶酶解肽段进行体液中的ACE2定量。建模模块根据ACE2的丰度分布特征建立易感人群筛查模型。建模模块将个体的体液中ACE2蛋白定量与易感人群筛查模型进行对比并确定SARS-CoV-2易感性。本发明的用于检测SARS-CoV-2易感性的装置通过ACE2的丰度分布特征，能够快速确定个体的SARS-CoV-2易感性程度甚至健康状况，从而对SARS-CoV-2易感性较高的人群进行提醒或者预警。
优选的，建模模块建立易感人群筛查模型的方法包括：统计样本人群的体液的ACE2的丰度的分布区间特征，基于流行病学信息建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成易感人群筛查模型。相比于普通的样本人群，通过流行病学信息能够准确获得接触新冠病毒的人群以及其感染病毒的状况，更有利于准确地建立易感人群筛查模型。
和/或，基于样本人群的健康状况建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成易感人群筛查模型。通过健康状况的关联，能够获得ACE2的丰度分布区间与健康状况的具体关联，从而形成ACE2的丰度分布特征，确定健康范围的ACE2的丰度分布区间以及健康异常的ACE2的丰度分布区间。
本发明的建模模块建立的易感人群筛查模型，简单易操作，数据分析时间短，不需要大量的数据计算，能够快速的准确地确定个体的SARS-CoV-2易感程度。
优选的，本发明的用于检测SARS-CoV-2易感性的装置，还包括至少一个采集装置。采集装置例如采集盒用于采集个体的体液尤其是尿液，从而从尿液中提取出确定ACE2的丰度需要的胰蛋白酶酶解肽段。
在采集装置内采集到体液后，将采集装置进行胰蛋白酶酶解肽段的分离过程，将分离出的胰蛋白酶酶解肽段放置在质谱仪中，以便质谱仪采集质谱数据。
优选的，本发明的用于检测SARS-CoV-2易感性的装置，采集装置为用于检测ACE2受体丰度的试剂盒。试剂盒能够对尿液通过生化试剂的反应，以颜色变化或者数据的方式反应ACE2受体丰度。优选的，试剂盒还可以是电子试剂盒，能够将ACE2受体丰度数据通过有线或者无线的方式直接发送至建模模块以获得准确的SARS-CoV-2易感性。
实施例3
本实施例是对实施例1和2的进一步改进，重复的内容不再赘述。
本实施例还提供一种新冠病毒重症风险的预测方法，其特征在于，方法至少包括：从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于胰蛋白酶酶解肽段进行体液中的ACE2定量；根据ACE2的丰度分布特征建立重症风险筛查模型；将个体的体液中ACE2蛋白定量与重症风险筛查模型进行对比并预测新冠病毒重症风险。
优选的，建立重症风险筛查模型的方法包括：统计样本人群的体液的ACE2的丰度的分布区间特征，基于流行病学信息和/或样本人群的重症信息建立样本人群的ACE2的丰度分布区间与重症信息的关联关系并形成重症风险筛查模型。
具体地，通过对成年人和健康儿童的尿液样本进行检测和ACE2蛋白含量测量。根据年龄的不同，尿液ACE2蛋白质含量表现出显著差异，得到了ACE2丰度的分布特征。将ACE2丰度的分布特征和COVID-19流行病学数据进行结合对比，儿童感染风险较低，成年男性死亡风险率较高。其中，ACE2在成年男性中表达量高，并且ACE2是新冠病毒的受体，结合成年男性死亡风险率较高的特征，通过统计得到ACE2丰度与成年男性的死亡风险存在关联。根据对相关人群的健康状况和对应的ACE2丰度的分布特征进行分析，可以关联出健康人群的ACE2丰度的分布水平的参考区间(RI,2.5％-97.5％)。
优选的，将样本人群中的死亡风险概率与ACE2的丰度分布区间建立关联关系，从而建立重症风险筛查模型。其中，ACE2丰度分布区间能够用于预测新冠病毒重症风险。在ACE2丰度超出健康范围对应的分布区间的情况下，ACE2丰度分布越高，新冠病毒重症风险越高。
将个体的体液中ACE2蛋白定量与重症风险筛查模型进行对比并确定个体的新冠病毒重症风险。
例如，在检测人群中，发现了39个ACE2水平高于RI的97.5％的人。其中，存在32人的健康检查报告中存在血压、尿酸、空腹血糖和甘油三酯异常情况。明显地，ACE2丰度高于RI的97.5％的人，其健康状况不佳，身体较弱，感染新冠病毒的可能性越高。本发明的重症风险筛查模型具有更高的准确性和效率。
本发明中，基于确诊人群的ACE2的丰度的分布特征验证重症风险筛查模型的准确性。
例如，通过查询现有体检数据库4982名新冠病毒COVID-19确诊患者的尿液ACE2丰度的结果，存在肺炎、癌症(胃癌、胰腺癌)、肺、直肠、肝脏、肾脏、结肠、前列腺、糖尿病。高血压、心脏病和肾炎、椎间盘突出、胆结石、静脉曲张和膀胱疾病等健康问题的患者的尿液中的ACE2水平普遍较高，高于当前的97.5％。特别的，在该部分人群中，ACE2丰度越高，其患有的疾病越严重，死亡率越高。即，当前数据库的样本表明，身体脆弱的人的ACE2丰度分布符合本发明的重症风险筛查模型，能够有效筛查出重症风险较高的个体并进行密切的关注，必要时应当采取更有效的救助措施和预防新冠病毒措施。
优选的，本发明通过单一个体的ACE2丰度的变化能够监测个体的重症风险的变化，从而对个体的健康状况发出提醒和预测。
例如，在一项年龄在11到83的80人的健康监测纵向研究中，从每个人收集到的多个尿液样本中，女性的ACE2的RI是0.21到17.36，男性的ACE2的RI是0.05到7.65。个体的ACE2的差异指数小于93.8％。明显的，因此，一段时间内的单一个体的ACE2差异可以作为一个合适的生物标准。在单一个体的ACE2的RI突然增加且超出正常变化范围的情况下，其健康状况恶化，尤其是新冠病毒的SARS-CoV-2易感性和重症风险增加，需要给与更多的医疗关注和医疗辅助。
本发明通过检测尿液中的ACE2丰度的检测，本发明能够对SARS-CoV-2感染及其重症风险进行预测和判定，从而方便对ACE2水平超过97.5％的人进行筛查和密切关注。
本发明还可以提供一种新冠病毒重症风险的预测装置，装置至少包括：蛋白定量模块和建模模块。蛋白定量模块基于胰蛋白酶酶解肽段进行体液中的ACE2定量。具体地，蛋白定量模块基于胰蛋白酶酶解肽段的质谱数据进行体液中的ACE2定量。建模模块根据ACE2的丰度分布特征建立重症风险筛查模型。建模模块将个体的体液中ACE2蛋白定量与重症风险筛查模型进行对比并预测新冠病毒重症风险。
本发明的新冠病毒重症风险的预测装置，在对体液中的胰蛋白酶酶解肽段进行质谱数据采集后，不需要大量的数据计算，只需要将ACE2的丰度与重症风险筛查模型进行对比，得到与ACE2的丰度所在分布区间关联的重症风险。本发明是以流行病学信息为基础，以科学的样本人群得到的重症风险模型，并且经过数据库人群样本的反复验证，新冠病毒重症风险模型有效度较高。
优选的，本发明的用于检测新冠病毒重症风险的装置，还包括至少一个用于检测ACE2受体丰度的试剂盒。试剂盒能够对尿液通过生化试剂的反应，以颜色变化或者数据的方式反应ACE2受体丰度。优选的，试剂盒还可以是电子试剂盒，能够将ACE2受体丰度数据通过有线或者无线的方式直接发送至建模模块以获得准确的新冠病毒重症风险的数据。
需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。

Claims (10)

1.一种SARS-CoV-2易感性的检测方法，其特征在于，所述方法至少包括：
从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量，
根据ACE2的丰度分布特征建立易感人群筛查模型，
将个体的体液中ACE2蛋白定量与所述易感人群筛查模型进行对比并确定SARS-CoV-2易感性，
其中，所述体液优选为尿液。
2.如权利要求1所述的SARS-CoV-2易感性的检测方法，其特征在于，建立所述易感人群筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，
基于流行病学信息和/或样本人群的健康状况建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成所述易感人群筛查模型。
3.如权利要求2所述的SARS-CoV-2易感性的检测方法，其特征在于，所述方法还包括：
基于确诊人群的ACE2的丰度的分布特征验证易感人群筛查模型的准确性。
4.如权利要求1～3任一项所述的SARS-CoV-2易感性的检测方法，其特征在于，基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量的方法包括：
将所述胰蛋白酶酶解肽段进行以动态排除方式进行数据采集以获得质谱数据，将所述质谱数据进行搜索和蛋白组装定量分析，从而确定至少包括ACE2的蛋白质的蛋白丰度。
5.一种SARS-CoV-2易感性的检测装置，其特征在于，所述装置至少包括：蛋白定量模块和建模模块，
所述蛋白定量模块基于从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段进行体液中的ACE2定量，
所述建模模块根据ACE2的丰度分布特征建立易感人群筛查模型，
所述建模模块将个体的体液中ACE2蛋白定量与所述易感人群筛查模型进行对比并确定SARS-CoV-2易感性，其中，所述体液优选为尿液。
6.如权利要求5所述的SARS-CoV-2易感性的检测装置，其特征在于，所述建模模块建立所述易感人群筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，
基于流行病学信息和/或样本人群的健康状况建立样本人群的ACE2的丰度分布区间与健康状况的关联关系并形成所述易感人群筛查模型。
7.一种新冠病毒重症风险的预测方法，其特征在于，所述方法至少包括：
从提取出的体液蛋白酶切样本分离胰蛋白酶酶解肽段并基于所述胰蛋白酶酶解肽段进行体液中的ACE2定量，
根据ACE2的丰度分布特征建立重症风险筛查模型，
将个体的体液中ACE2蛋白定量与所述重症风险筛查模型进行对比并预测新冠病毒重症风险，其中，所述体液优选为尿液。
8.如权利要求7所述的新冠病毒重症风险的预测方法，其特征在于，建立所述重症风险筛查模型的方法包括：
统计样本人群的体液的ACE2的丰度的分布区间特征，
基于流行病学信息和/或样本人群的重症信息建立样本人群的ACE2的丰度分布区间与重症信息的关联关系并形成所述重症风险筛查模型。
9.如权利要求8所述的新冠病毒重症风险的预测方法，其特征在于，建立所述重症风险筛查模型的方法包括：
将样本人群中的死亡风险概率与ACE2的丰度分布区间建立关联关系，从而建立重症风险筛查模型。
10.一种新冠病毒重症风险的预测装置，其特征在于，所述装置至少包括：蛋白定量模块和建模模块，
所述蛋白定量模块基于从提取出的体液蛋白酶切样本分离的胰蛋白酶酶解肽段进行体液中的ACE2定量，
所述建模模块根据ACE2的丰度分布特征建立重症风险筛查模型，
所述建模模块将个体的体液中ACE2蛋白定量与所述重症风险筛查模型进行对比并预测新冠病毒重症风险，其中，所述体液优选为尿液。
CN202010919011.5A 2020-06-01 2020-09-03 SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法 Pending CN112017782A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010487004 2020-06-01
CN2020104870042 2020-06-01

Publications (1)

Publication Number Publication Date
CN112017782A true CN112017782A (zh) 2020-12-01

Family

ID=73516549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010919011.5A Pending CN112017782A (zh) 2020-06-01 2020-09-03 SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法

Country Status (1)

Country Link
CN (1) CN112017782A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4039818A1 (en) * 2021-02-05 2022-08-10 Max-Delbrück-Centrum für Molekulare Medizin in der Helmholtz-Gemeinschaft Method for prognosing the course of a sars-cov-2 infection and the response to a sars-cov-2 immunization and/or natural infection by measuring soluble ace2
WO2022166493A1 (zh) * 2021-02-04 2022-08-11 北京毅新博创生物科技有限公司 包含用于诊断新冠肺炎的特征多肽的质谱模型
WO2023019093A3 (en) * 2021-08-07 2023-03-23 Venn Biosciences Corporation Detection of peptide structures for diagnosing and treating sepsis and covid

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006086561A2 (en) * 2005-02-08 2006-08-17 New York Blood Center Neutralizing monoclonal antibodies against severe acute respiratory syndrome-associated coronavirus
EP2193802A2 (en) * 2005-02-08 2010-06-09 The New York Blood Center, Inc. Neutralizing monoclonal antibodies against severe acute respiratory syndrome-associated coronavirus

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006086561A2 (en) * 2005-02-08 2006-08-17 New York Blood Center Neutralizing monoclonal antibodies against severe acute respiratory syndrome-associated coronavirus
EP2193802A2 (en) * 2005-02-08 2010-06-09 The New York Blood Center, Inc. Neutralizing monoclonal antibodies against severe acute respiratory syndrome-associated coronavirus

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘怡欣 等: "高龄人群新型冠状病毒肺炎易感原因及对策", 现代临床医学, vol. 46, no. 03, pages 213 - 216 *
王文辰 等: "血管紧张素转换酶2在人类高致病性冠状病毒肺炎中作用的研究进展", 中国胸心血管外科临床杂志, vol. 27, no. 05, pages 588 - 596 *
白亮 等: "新型冠状病毒来源、传播途径及易感动物模型研究进展", 临床医学研究与实践, vol. 5, no. 1, pages 1 - 2 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022166493A1 (zh) * 2021-02-04 2022-08-11 北京毅新博创生物科技有限公司 包含用于诊断新冠肺炎的特征多肽的质谱模型
EP4039818A1 (en) * 2021-02-05 2022-08-10 Max-Delbrück-Centrum für Molekulare Medizin in der Helmholtz-Gemeinschaft Method for prognosing the course of a sars-cov-2 infection and the response to a sars-cov-2 immunization and/or natural infection by measuring soluble ace2
WO2023019093A3 (en) * 2021-08-07 2023-03-23 Venn Biosciences Corporation Detection of peptide structures for diagnosing and treating sepsis and covid

Similar Documents

Publication Publication Date Title
CN112017782A (zh) SARS-CoV-2易感性的检测方法及新冠病毒重症风险预测方法
WO2004103150A2 (en) Apparatus and method for risk stratification of patients with chest pain of suspected cardiac origin
TW201643760A (zh) 判別肝疾病之疾病狀態之方法
JP2022540158A (ja) 感染に対する免疫応答を評価するためのシステムおよび方法
WO2007133586A2 (en) Systems and methods for developing diagnostic tests based on biomarker information from legacy clinical sample sets
ES2706534T3 (es) Método para ayudar al diagnóstico diferencial del accidente cerebrovascular
Ding et al. Detection of mitochondrial biomarkers in eutopic endometria of endometriosis using surface-enhanced laser desorption/ionization time-of-flight mass spectrometry
KR20220001822U (ko) 대상체에서의 뇌 손상을 검출하기 위한 디바이스 및 방법
WO2024183386A1 (zh) 一种基于寡糖链检测前列腺癌的检测试剂、制备方法及应用
Herdzik et al. Diagnostic value of fasting capillary glucose, fructosamine and glycosylated haemoglobin in detecting diabetes and other glucose tolerance abnormalities compared to oral glucose tolerance test
Wölfler et al. Mass spectrometry and serum pattern profiling for analyzing the individual risk for endometriosis: promising insights?
CN114023448A (zh) 子宫内膜癌预测诊断模型的构建方法、及该诊断模型与诊断器
CN112986454A (zh) 急性心肌梗死的血清标志物、试剂盒和用途
US20160018413A1 (en) Methods of Prognosing Preeclampsia
Suzumori et al. A retrospective evaluation of maternal serum screening for the detection of fetal aneuploidy
KR20200049647A (ko) 반려동물에서 종양질병의 보조적 진단을 위한 바이오마커 검사방법
WO2007062363A2 (en) Method for diagnosing a person having sjogren's syndrome
CN106662590A (zh) 早期胎盘胰岛素样肽（pro‑EPIL）
CN108728400A (zh) 一种慢性肾小球疾病肾小球硬化标志物及其检测试剂盒
CN113990485A (zh) 一种基于常规检验数据与知识图谱联合诊断疾病的方法
Cakir et al. Comparison of the effectiveness of Acute Physiology And Chronic Health Evaluation II And Modified Early Warning Score scoring systems in predicting mortality in patients in the intensive care unit
CN117031042B (zh) 用于筛查诊断先天性心脏病胎儿的生物标志物及其应用
Kikuchi et al. Serum albumin‐associated peptides of patients with uterine endometrial cancer
CN112180093A (zh) 危重病死亡率诊断性生物标志物tenascin-c及其应用
Altunok et al. Frontal QRS-T Angle in Predicting Short-Term Mortality in Patients with SARS-CoV 2 Infection in Emergency Service: An Analytical Study

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