CN112201344A - 唾液代谢标志物在早期诊断口腔扁平苔藓的应用 - Google Patents
唾液代谢标志物在早期诊断口腔扁平苔藓的应用 Download PDFInfo
- Publication number
- CN112201344A CN112201344A CN202011070740.4A CN202011070740A CN112201344A CN 112201344 A CN112201344 A CN 112201344A CN 202011070740 A CN202011070740 A CN 202011070740A CN 112201344 A CN112201344 A CN 112201344A
- Authority
- CN
- China
- Prior art keywords
- lichen planus
- oral lichen
- mobile phase
- salivary
- subjects
- 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
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
- G16H50/20—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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Hematology (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Cell Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
Abstract
提供一种唾液代谢标志物在早期诊断口腔扁平苔藓的应用,本发明提供一种辅助诊断口腔扁平苔藓的唾液代谢标志物,唾液代谢标志物由3‑磷酸甘油、2‑氨基‑1,3,4‑十八烷三醇和次黄嘌呤组成。本发明还提供一种口腔扁平苔藓辅助诊断模型构建方法,其包括:步骤一、获取训练病例集;步骤二、采集受试者的唾液样本,对唾液样本进行超高效液相色谱‑四极杆/静电场轨道阱串联高分辨质谱分析,得到患病受试者和健康受试者的多个差异代谢物;步骤三、利用变量权重重要性排序和受试者工作特征曲线,从多个差异代谢物确定口腔扁平苔藓的辅助诊断模型。本发明提供一种辅助诊断模型,其在诊断口腔扁平苔藓上具有无创、准确度高的优点。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种唾液代谢标志物在早期诊断口 腔扁平苔藓的应用。
背景技术
口腔扁平苔藓(Oral lichen planus,OLP)是一种常见口腔黏膜疾病,在 口腔黏膜病中发病率很高,一定的性别和年龄分布特点,最常影响的是中年 女性。其病损进展缓慢,可引起巨大疼痛,而这些病损很少会自发缓解。OLP 的口腔黏膜病损常常对称发作,可发生在唇、颊、舌、口底等任何部位,以 双颊部最为多见,多为白色或灰白色花纹,这些花纹增大并结合形成网状、 环状、树枝状的图案,也可以形成白色斑块,同时在病损区域还可并存充血、 糜烂、溃疡、萎缩等临床表现。于临床就诊的患者常常自述口腔黏膜有干燥、 发涩、烧灼感,无法耐受食用辛辣、温度高的食物。研究表明,长期不愈糜 烂型OLP有恶变的几率,但恶变率一直存在争议,约有0.5-2%的OLP患 者可转化为恶性病变,WHO将OLP列为“癌前状态”。
近年来,代谢组学在口腔黏膜疾病诊断、疾病分型和疾病鉴别等方面的 应用日益成为口腔医学领域的研究热点。OLP是最常见的口腔黏膜病之一, 与许多口腔黏膜疾病有相似的临床表现。其目前的诊断方法有创,且误诊率 高,因此,对OLP新诊断方法的研究得到了国内外学者们的广泛关注。
唾液是一种容易获得的生物液体,主要由腮腺、颌下腺和舌下腺分泌, 由于其在疾病相关生物标志物开发中的广泛价值已得到越来越多的关注。最 近的研究已经在唾液中发现了各种代谢物,这些代谢物可以为诊断、监测和 研究几种疾病的发病机制提供潜在的生物标志物。唾液代谢组学在口腔粘膜 疾病中的研究表明,以人唾液为基础的代谢组学是诊断口腔粘膜疾病的有力 手段,是对临床检测的补充,有助于提高疾病的诊断和预后。
如何得到一种新的、无创、且更准确的方法早期辅助诊断OLP,筛选出 较理想的可用于诊断OLP的生物标志物,是本领域技术人员亟待解决的技 术问题。
发明内容
为了解决上述问题,本发明提供一种辅助诊断口腔扁平苔藓的唾液代谢 标志物,所述唾液代谢标志物由3-磷酸甘油、2-氨基-1,3,4-十八烷三醇和 次黄嘌呤组成。
本发明另一发明提供一种口腔扁平苔藓辅助诊断模型构建方法,其包 括:步骤一、获取训练病例集,所述训练病例集中的受试者包括患病受试者 和健康受试者;步骤二、采集所述受试者的唾液样本,对所述唾液样本进行 超高效液相色谱-四极杆/静电场轨道阱串联高分辨质谱分析,得到所述患病 受试者和所述健康受试者的多个差异代谢物;步骤三、利用变量权重重要性 排序和受试者工作特征曲线,从多个所述差异代谢物确定3-磷酸甘油、2-氨 基-1,3,4-十八烷三醇和次黄嘌呤为口腔扁平苔藓的辅助诊断模型。
在某些实施方式中,所述的口腔扁平苔藓辅助诊断模型构建方法中,所 述辅助诊断模型的曲线下面积、敏感度和特异性分别为0.921、74.4%和 95.2%;所述辅助诊断模型的截断值为0.681。
在某些实施方式中,所述的口腔扁平苔藓辅助诊断模型构建方法中,所 述辅助诊断模型中所述3-磷酸甘油的曲线下面积、敏感度和特异性分别为: 0.843、97.6%和60.5%;所述2-氨基-1,3,4-十八烷三醇的曲线下面积、敏 感度和特异性分别为:0.752、53.5%和92.9%;所述次黄嘌呤的曲线下面积、 敏感度和特异性分别为:0.682、90.5%和51.2%。
在某些实施方式中,所述的口腔扁平苔藓辅助诊断模型构建方法中,还 包括唾液处理步骤,具体为:收集所述受试者的唾液样本,所述受试者在收 集前1h未进食未进水;静置半小时后在4℃、3000rpm转速的条件下离心10min,取上清液,将所述上清液放置在超低温冰箱中保存备用;所述上清 液在冰上解冻,吸取100μL所述上清液置于1.5mL离心管中,然后加入0.3mL 含内标的甲醇溶液沉淀蛋白,所述内标为:0.05μg/mL L-2-氯代苯丙氨酸和 0.5μg/mL酮洛芬;涡旋处理1min后,在4℃条件下,13000rpm离心10min;吸 取上清液至进样小瓶中,待质谱进行分析。
在某些实施方式中,所述的口腔扁平苔藓辅助诊断模型构建方法中,所 述超高效液相色谱-四极杆/静电场轨道阱串联高分辨质谱分析的条件为:采 用C18色谱柱,柱温为40℃,以乙腈为流动相A,0.1%甲酸水溶液为流动相B; 采用梯度洗脱程序分离:0~0.5min,5%流动相A;0.5~1.0min,5%~60%流动 相A;1.0~7.0min,60%~80%流动相A;7.0~9.0min,80~100%流动相A; 9.0~11.0min,100%流动相A;11.0~11.2min,100%-5%流动相A;11.2~13.0min, 5%流动相A;洗脱程序的流速为0.2mL/min。
在某些实施方式中,所述的口腔扁平苔藓辅助诊断模型构建方法中,将 所述超高效液相色谱-四极杆/静电场轨道阱串联高分辨质谱系统串联至可加 热的电喷雾离子源系统中;辅助气体的温度为300℃,离子源的温度为350℃, 毛细管温度为320℃,辅助气体的流量是10arb;扫描范围为: 80.00m/z~1200.00m/z;在Full Mass/ddms2扫描模式下,以17500的二级质谱分 辨率在正离子模式和负离子模式下进行检测;梯度碰撞能量分别为20eV、 40eV和60eV;在正离子模式下,喷雾电压为3.50kV,鞘气流速为40arb,在 负离子模式下,喷雾电压为2.80kV和鞘气流速为38arb。
本发明另一方面提供一种上述唾液代谢标志物在辅助诊断口腔扁平苔 藓上的应用。
本发明另一方面提供一种口腔扁平苔藓辅助诊断试剂盒,其包括上述的 唾液代谢标志物。
有益效果:
1.本发明所述的辅助诊断口腔扁平苔藓的唾液代谢标志物,该唾液代谢 标志物在进行口腔扁平苔藓诊断时,能够达到无创、诊断更准确的目的。
2.本发明所述的口腔扁平苔藓辅助诊断模型构建方法,该诊断模型可成 功发现不同样本间代谢物的差异,基于ROC中最高的预测敏感度和特异性, 选择0.681作为区分口腔扁平苔藓和健康对照组的最佳截断值。该截断值被用 来区分测试集中的不同组,其诊断准确性可达85.5%。
附图说明
图1是本发明所述的口腔扁平苔藓辅助诊断模型构建方法的流程图。
图2是本发明所述的口腔扁平苔藓辅助诊断模型构建方法中训练集中 QC和样本的主成分分析。
图3是本发明所述的口腔扁平苔藓辅助诊断模型构建方法中诊断模型在 测试集中的受试者工作特征曲线、曲线下面积、95%置信区间、敏感度和特 异性。
图4是本发明所述的口腔扁平苔藓辅助诊断模型构建方法中3-磷酸甘油 在测试集中的受试者工作特征曲线、曲线下面积、95%置信区间、敏感度和 特异性。
图5是本发明所述的口腔扁平苔藓辅助诊断模型构建方法中2-氨基-1,3, 4-十八烷三醇在测试集中的受试者工作特征曲线、曲线下面积、95%置信区 间、敏感度和特异性。
图6是本发明所述的口腔扁平苔藓辅助诊断模型构建方法中次黄嘌呤在 测试集中的受试者工作特征曲线、曲线下面积、95%置信区间、敏感度和特 异性。
图7是本发明所述的诊断模型在测试集中对OLP组和健康对照组的预测 准确性。
具体实施方式
现详细说明本发明的多种示例性实施方式,该详细说明不应认为是对本 发明的限制,而应理解为是对本发明的某些方面、特性和实施方案的更详细 的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式,并非用于限 制本发明。另外,对于本发明中的数值范围,应理解为具体公开了该范围的 上限和下限以及它们之间的每个中间值。在任何陈述值或陈述范围内的中间 值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也 包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围 内。
除非另有说明,否则本文使用的所有技术和科学术语具有本发明所述领 域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和 材料,但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任 何方法和材料。本说明书中提到的所有文献通过引用并入,用以公开和描述 与所述文献相关的方法和/或材料。在与任何并入的文献冲突时,以本说明书 的内容为准。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等,均为开放 性的用语,即意指包含但不限于。关于本文中所使用的“和/或”,包括所述事 物的任一或全部组合。除非另有说明,否则%指质量体积百分比。
本发明提供一种辅助诊断口腔扁平苔藓的唾液代谢标志物,其中所述唾 液代谢标志物由3-磷酸甘油、2-氨基-1,3,4-十八烷三醇和次黄嘌呤组成。
本发明另一方面提供一种口腔扁平苔藓辅助诊断模型构建方法,如图1 至图7所示,其包括:
步骤一、获取训练病例集,所述训练病例集中的受试者包括患病受试者 和健康受试者。所述受试者包括80例OLP患者和83例健康受试者。
步骤二、采集所述受试者的唾液样本,对所述唾液样本进行超高效液相 色谱-四极杆/静电场轨道阱串联高分辨质谱分析,得到所述患病受试者和所 述健康受试者的多个差异代谢物。
将唾液样本的原始数据导入Compound Discoverer(CD)(Version 3.0,ThermoScientific)进行峰值检测、校正、归一化等数据预处理。输出的 包括样品名称、光谱峰信息(包括保留时间和分子量)和峰面积的三维数据再 导入到SIMCA(version 14.0,Umetrics,Umea,Sweden)中进行包含主成分分 析(PCA)和正交偏最小二乘判别(OPLS-DA)的多元统计分析。PCA用于反映 各组间的总体代谢差异和组内样本之间的变异性,无需任何分组信息。
对OPLS-DA模型进行200次置换试验,以判断OPLS-DA模型是否过度拟 合。然后,用Variable Importance in Projection(VIP)plot和S-pot筛选潜在代谢 物。为了进一步筛选两组间的差异代谢物,使用SPSS 21.0软件(IBM,美国) 对VIP值大于1的代谢物进行了独立样本t检验。最后选择具有统计学意义(P <0.05=的代谢物进行鉴定。利用MetaboAnalyst (https://www.metaboanalyst.ca/)平台对这些筛选出的差异代谢物进行热图 分析,以显示代谢物在两组间的变化趋势,并对每个鉴别出的差异代谢物绘 制受试者工作特征曲线(Receiver operating characteristic,ROC),利用SPSS 21.0软件(IBM,USA)计算曲线下面积(Area under the curve,AUC)。
对于差异代谢物的鉴定主要是通过将质谱采集的一级精准m/z、二级碎 片、RT等信息与数据库进行比对,所用数据库包括具有一级质谱信息的 ChemSpider、MassList,具有一级和二级质谱信息的mzCloud以及实验室 自建数据库mzVault,或检索人类代谢组数据库(Human Metabolome database,HMBD,http://hmdb.ca/)和PubChem化合物数据库进行化合物 鉴定。对于部分可得到标准品的内源性代谢物,将其RT和一级二级质谱 信息与标准品进行比对,最终确定其结构。
筛选满足VIP值大于1同时P值小于0.05的代谢物,并对其m/z、 RT和MS2进行匹配,质量的容忍度为5ppm,RT的容忍度为15s,通过在 HMDB、PubChem等数据库对比这些潜在生物标志物进行筛选并鉴定出OLP 组和健康对照组中最终的差异代谢物。结果显示,在两组间共确定了19种差 异代谢物。如表1所示,可分为四类包括氨基酸类如谷氨酸、焦谷氨酸、柠 檬酸、牛磺酸、鸟氨酸、和尿酸;脂类如2-氨基-1,3,4-十八烷三醇(2-Amino-1,3,4-octadecanetriol);肉碱类如乙酰左旋肉碱;以及一些其他的 小分子代谢物如次黄嘌呤、磷酸、肌酸、磷酰乙醇胺等。表1展示了经多变 量数据分析筛选并鉴定出的OLP唾液差异代谢标志物,同时还包含了差异 代谢物的名称、分子式、保留时间、分子量、VIP、Fold change值、P值和 AUC。
表1多个差异代谢物的筛选鉴定表
步骤三、利用变量权重重要性排序和受试者工作特征曲线,从多个所述 差异代谢物确定3-磷酸甘油、2-氨基-1,3,4-十八烷三醇和次黄嘌呤为口腔 扁平苔藓的辅助诊断模型。
基于UHPLC-Q-Orbitrap HRMS分析平台对80例OLP患者和83例健康对 照者进行了的非靶向代谢组学检测,建立了OLP患者和健康受试者唾液样本 代谢物的检测方法,最终发现了OLP患者和健康对照者之间的代谢表型存在 显著的差异。本研究共鉴定出19个差异代谢物,同时建立了一个由3-磷酸甘 油、2-氨基-1,3,4-十八烷三醇和次黄嘌组成的理想的诊断OLP的生物标志 物模型。该诊断模型可成功用于发现不同样本间代谢物的差异,基于ROC中 最高的预测敏感度和特异性,选择0.681作为区分OLP和健康对照组的最佳截 断值。该截断值被用来来区分测试集中的不同组,其诊断准确性可达到 85.5%。
上述方案中,还包括构建测试集,其中包括40个OLP患者和42健康人。 利用测试集对辅助诊断模型进行效能评估。
上述方案中,所述辅助诊断模型的曲线下面积、敏感度和特异性分别为 0.921、74.4%和95.2%;所述辅助诊断模型的截断值为0.681。
上述方案中,所述辅助诊断模型中所述3-磷酸甘油的曲线下面积、敏感 度和特异性分别为:0.843、97.6%和60.5%;所述2-氨基-1,3,4-十八烷三 醇的曲线下面积、敏感度和特异性分别为:0.752、53.5%和92.9%;所述次 黄嘌呤的曲线下面积、敏感度和特异性分别为:0.682、90.5%和51.2%。
上述方案中,还包括唾液处理步骤,具体为:
收集所述受试者的唾液样本,所述受试者在收集前1h未进食未进水;唾 液样本于患者首次就诊时收集,确认患者在收集前1h未进食、进水。非刺 激性唾液标准技术在无菌条件下收集,采集时间为上午9点至11点。收集后 的样本储存在3ml的离心管中,将样本放置于装有冰块的保温箱内,然后立 即转移到实验室。
静置半小时后在4℃、3000rpm转速的条件下离心10min,取上清液,将 所述上清液放置在超低温冰箱中保存备用。
所述上清液在冰上解冻,吸取100μL所述上清液置于1.5mL离心管中, 然后加入0.3mL含内标的甲醇溶液沉淀蛋白,所述内标为:0.05μg/mL L-2- 氯代苯丙氨酸和0.5μg/mL酮洛芬。
涡旋处理1min后,在4℃条件下,13000rpm离心10min;吸取上清液至进 样小瓶中,待质谱进行分析。
此外,为了保证实验结果的可靠性,QC样本分析穿插在所有样本代谢 组学数据采集的过程中,在样本分析前首先检测6个QC样本,监测每次进样 前后的压力变化以及总离子流图的主要峰保留时间的偏移,待仪器稳定后开 始样本分析。之后每检测10个样本穿插一个QC样本。仅含有溶剂的空白样 品(Blank sample)插在每个QC样品后以避免造成交叉污染。如图2所示,可看 出QC样品紧密的聚集在一起,且分布于所有样本的中间位置,表明该方法 具有良好的稳定性和重复性,整个分析过程结果可靠。
上述方案中,所述超高效液相色谱-四极杆/静电场轨道阱串联高分辨质 谱分析的条件为:采用C18色谱柱,柱温为40℃,以乙腈为流动相A,0.1% 甲酸水溶液为流动相B;采用梯度洗脱程序分离:0~0.5min,5%流动相A; 0.5~1.0min,5%~60%流动相A;1.0~7.0min,60%~80%流动相A;7.0~9.0min, 80~100%流动相A;9.0~11.0min,100%流动相A;11.0~11.2min,100%-5% 流动相A;11.2~13.0min,5%流动相A;洗脱程序的流速为0.2mL/min。
上述方案中,将所述超高效液相色谱-四极杆/静电场轨道阱串联高分辨 质谱系统串联至可加热的电喷雾离子源系统中;辅助气体的温度为300℃, 离子源的温度为350℃,毛细管温度为320℃,辅助气体的流量是10arb;扫描 范围为:80.00m/z~1200.00m/z;在Full Mass/ddms2扫描模式下,以17500的二 级质谱分辨率在正离子模式和负离子模式下进行检测;梯度碰撞能量分别为 20eV、40eV和60eV;在正离子模式下,喷雾电压为3.50kV,鞘气流速为40arb, 在负离子模式下,喷雾电压为2.80kV和鞘气流速为38arb。
上述方案中,还包括数据处理和统计分析,所有数据均由Thermo XcaliburTM软件(版本3.0,Thermo Scientific,美国)采集和处理,然后使用 Compound Discovery软件(版本3.0,Thermo Scientific,美国)进行峰校正、峰 匹配和峰对准的信息提取。具体参数如下,保留时间(Retention Time,RT) 宽度设置为0.1min,质量宽度为5ppm,对离子峰进行滤波的强度阈值在正离 子模式和负离子模式下均为1,000,000。将数据集导入多变量统计分析软件 SIMCA(版本14.0,Umetrics,瑞典)进行接下来的主成分分析(Principalcomponent analysis,PCA),正交偏最小二乘判别分析(Orthogonal partial leastsquare discrimination Analysis,OPLS-DA),以及200次置换试验,来评估模 型过拟合的风险,通过建立OPLS-DA模型,得到变量权重重要性排序(VIP 值)。为了进一步筛选不同组间的差异显著的代谢物,使用SPSS21.0软件(IBM, 美国)对VIP值大于1的代谢物进行了独立样本t检验。最后选择具有统计学意 义(P<0.05)的代谢物进行鉴定。利用MetaboAnalyst(https://www.metaboanalyst.ca/)平台对这些筛选出的差异代谢物进行热图分 析,以显示代谢物在两组间的变化趋势,并对每个鉴别出的差异代谢物绘制 受试者工作特征曲线(Receiver operating characteristic,ROC),利用SPSS21.0 软件(IBM,USA)计算曲线下面积(Area under the curve,AUC)。
本发明另一方面还提供一种上述唾液代谢标志物在辅助诊断口腔扁平 苔藓上的应用。
本发明另一方面还提供一种口腔扁平苔藓辅助诊断试剂盒,其包括权利 要求1所述的唾液代谢标志物。
在不背离本发明的范围或精神的情况下,可对本发明说明书的具体实施 方式做多种改进和变化,这对本领域技术人员而言是显而易见的。由本发明 的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明 书和实施例仅是示例性的。
Claims (9)
1.一种辅助诊断口腔扁平苔藓的唾液代谢标志物,其特征在于,所述唾液代谢标志物由3-磷酸甘油、2-氨基-1,3,4-十八烷三醇和次黄嘌呤组成。
2.一种口腔扁平苔藓辅助诊断模型构建方法,其特征在于,包括:
步骤一、获取训练病例集,所述训练病例集中的受试者包括患病受试者和健康受试者;
步骤二、采集所述受试者的唾液样本,对所述唾液样本进行超高效液相色谱-四极杆/静电场轨道阱串联高分辨质谱分析,得到所述患病受试者和所述健康受试者的多个差异代谢物;
步骤三、利用变量权重重要性排序和受试者工作特征曲线,从多个所述差异代谢物确定3-磷酸甘油、2-氨基-1,3,4-十八烷三醇和次黄嘌呤为口腔扁平苔藓的辅助诊断模型。
3.根据所述权利要求2所述的口腔扁平苔藓辅助诊断模型构建方法,其特征在于,包括:所述辅助诊断模型的曲线下面积、敏感度和特异性分别为0.921、74.4%和95.2%;所述辅助诊断模型的截断值为0.681。
4.根据所述权利要求2所述的口腔扁平苔藓辅助诊断模型构建方法,其特征在于,包括:所述辅助诊断模型中所述3-磷酸甘油的曲线下面积、敏感度和特异性分别为:0.843、97.6%和60.5%;所述2-氨基-1,3,4-十八烷三醇的曲线下面积、敏感度和特异性分别为:0.752、53.5%和92.9%;所述次黄嘌呤的曲线下面积、敏感度和特异性分别为:0.682、90.5%和51.2%。
5.根据所述权利要求2所述的口腔扁平苔藓辅助诊断模型构建方法,其特征在于,包括:还包括唾液处理步骤,具体为:
收集所述受试者的唾液样本,所述受试者在收集前1h未进食未进水;
静置半小时后在4℃、3000rpm转速的条件下离心10min,取上清液,将所述上清液放置在超低温冰箱中保存备用;
所述上清液在冰上解冻,吸取100μL所述上清液置于1.5mL离心管中,然后加入0.3mL含内标的甲醇溶液沉淀蛋白,所述内标为:0.05μg/mL L-2-氯代苯丙氨酸和0.5μg/mL酮洛芬;
涡旋处理1min后,在4℃条件下,13000rpm离心10min;吸取上清液至进样小瓶中,待质谱进行分析。
6.根据所述权利要求2所述的口腔扁平苔藓辅助诊断模型构建方法,其特征在于,包括:所述超高效液相色谱-四极杆/静电场轨道阱串联高分辨质谱分析的条件为:
采用C18色谱柱,柱温为40℃,以乙腈为流动相A,0.1%甲酸水溶液为流动相B;采用梯度洗脱程序分离:0~0.5min,5%流动相A;0.5~1.0min,5%~60%流动相A;1.0~7.0min,60%~80%流动相A;7.0~9.0min,80~100%流动相A;9.0~11.0min,100%流动相A;11.0~11.2min,100%-5%流动相A;11.2~13.0min,5%流动相A;洗脱程序的流速为0.2mL/min。
7.根据所述权利要求6所述的口腔扁平苔藓辅助诊断模型构建方法,其特征在于,包括:将所述超高效液相色谱-四极杆/静电场轨道阱串联高分辨质谱系统串联至可加热的电喷雾离子源系统中;
辅助气体的温度为300℃,离子源的温度为350℃,毛细管温度为320℃,辅助气体的流量是10arb;扫描范围为:80.00m/z~1200.00m/z;在Full Mass/ddms2扫描模式下,以17500的二级质谱分辨率在正离子模式和负离子模式下进行检测;梯度碰撞能量分别为20eV、40eV和60eV;在正离子模式下,喷雾电压为3.50kV,鞘气流速为40arb,在负离子模式下,喷雾电压为2.80kV和鞘气流速为38arb。
8.一种根据权利要求1所述的唾液代谢标志物在辅助诊断口腔扁平苔藓上的应用。
9.一种口腔扁平苔藓辅助诊断试剂盒,其特征在于,包括权利要求1所述的唾液代谢标志物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011070740.4A CN112201344A (zh) | 2020-10-09 | 2020-10-09 | 唾液代谢标志物在早期诊断口腔扁平苔藓的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011070740.4A CN112201344A (zh) | 2020-10-09 | 2020-10-09 | 唾液代谢标志物在早期诊断口腔扁平苔藓的应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112201344A true CN112201344A (zh) | 2021-01-08 |
Family
ID=74013000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011070740.4A Pending CN112201344A (zh) | 2020-10-09 | 2020-10-09 | 唾液代谢标志物在早期诊断口腔扁平苔藓的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112201344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027041A (zh) * | 2023-01-13 | 2023-04-28 | 郑州大学第一附属医院 | 口腔癌辅助诊断标志物、试剂盒及其应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101023185A (zh) * | 2004-05-27 | 2007-08-22 | 威特克斯医药股份有限公司 | 用于监测impdh通路抑制作用的生物学标记 |
CN101198621A (zh) * | 2005-01-25 | 2008-06-11 | 阿波罗生命科学有限公司 | 分子及其嵌合分子 |
CN101203247A (zh) * | 2005-01-10 | 2008-06-18 | 研究发展基金会 | 用于癌症治疗的靶向嵌合分子 |
CN109689062A (zh) * | 2016-07-11 | 2019-04-26 | 丹娜法伯癌症研究院 | 使用抗PI3Kβ和抗免疫检查点药剂的组合治疗PTEN缺陷型上皮癌的方法 |
-
2020
- 2020-10-09 CN CN202011070740.4A patent/CN112201344A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101023185A (zh) * | 2004-05-27 | 2007-08-22 | 威特克斯医药股份有限公司 | 用于监测impdh通路抑制作用的生物学标记 |
CN101203247A (zh) * | 2005-01-10 | 2008-06-18 | 研究发展基金会 | 用于癌症治疗的靶向嵌合分子 |
CN101198621A (zh) * | 2005-01-25 | 2008-06-11 | 阿波罗生命科学有限公司 | 分子及其嵌合分子 |
CN109689062A (zh) * | 2016-07-11 | 2019-04-26 | 丹娜法伯癌症研究院 | 使用抗PI3Kβ和抗免疫检查点药剂的组合治疗PTEN缺陷型上皮癌的方法 |
Non-Patent Citations (1)
Title |
---|
王晓霜: ""口腔扁平苔藓患者的血清、唾液代谢组学研究"", 《万方数据知识服务平台》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116027041A (zh) * | 2023-01-13 | 2023-04-28 | 郑州大学第一附属医院 | 口腔癌辅助诊断标志物、试剂盒及其应用 |
CN116027041B (zh) * | 2023-01-13 | 2023-12-05 | 郑州大学第一附属医院 | 口腔癌辅助诊断标志物、试剂盒及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102323351B (zh) | 膀胱癌患者尿液特异性代谢物谱、建立方法及用途 | |
CN112201356A (zh) | 口腔鳞状细胞癌诊断模型的构建方法、标志物及其应用 | |
CN113008972B (zh) | 用于妊娠期糖尿病诊断的血清代谢标志物及其应用 | |
CN109307764B (zh) | 一组代谢标志物在制备胶质瘤诊断试剂盒方面的应用 | |
WO2023082821A1 (zh) | 用于肺部良恶性结节诊断的血清代谢标志物及其应用 | |
CN112305121B (zh) | 代谢标志物在动脉粥样硬化性脑梗死中的应用 | |
CN106442764B (zh) | 多囊卵巢综合征的诊断和/或分型标志物及制备试剂的用途 | |
CN104515797A (zh) | 乳腺癌早期诊断的唾液蛋白指纹图谱模型及其构建方法 | |
CN109946411B (zh) | 用于胸椎黄韧带骨化诊断的生物标记物及其筛选方法 | |
CN112201344A (zh) | 唾液代谢标志物在早期诊断口腔扁平苔藓的应用 | |
CN112305122B (zh) | 代谢物标志物及其在疾病中的应用 | |
CN112599239B (zh) | 代谢物标志物及其在脑梗死诊断中的应用 | |
CN109946467B (zh) | 一种用于胸椎黄韧带骨化诊断的生物标记物 | |
CN112216393A (zh) | 口腔扁平苔藓诊断模型的构建方法、标志物及其应用 | |
CN112198270B (zh) | 疾病鉴别模型的构建方法、标志物及其应用 | |
CN109444277B (zh) | 代谢标志物在制备胶质瘤诊断试剂盒方面的应用 | |
CN115575553A (zh) | 血清代谢标志物作为检测egfr突变的应用以及检测系统 | |
CN115714013A (zh) | 一种肺炎诊断的临床预测模型构建方法 | |
CN108828229B (zh) | 食管癌肿瘤标志物组合及其应用 | |
KR101552011B1 (ko) | 리소포스파티딜콜린 및 호모시스테인산을 포함하는 난소암 진단용 조성물 및 이를 사용하여 난소암을 진단하는 방법 | |
US20170227528A1 (en) | Biomarker compositions specific to coronary heart disease patients and uses thereof | |
CN111413424A (zh) | 阿兹海默病标志物及应用 | |
CN117310059B (zh) | 用于早期诊断或监测克罗恩病的血浆代谢标志物组合及应用 | |
CN116183922B (zh) | 口腔鳞状细胞癌诊断模型的构建方法、标志物及其应用 | |
CN112147344B (zh) | 动脉粥样硬化性脑梗死的代谢标志物及其在诊疗中的应用 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210108 |