CN112530583A - 脑梗死诊断用代谢标志物及诊断产品 - Google Patents

脑梗死诊断用代谢标志物及诊断产品 Download PDF

Info

Publication number
CN112530583A
CN112530583A CN202011442525.2A CN202011442525A CN112530583A CN 112530583 A CN112530583 A CN 112530583A CN 202011442525 A CN202011442525 A CN 202011442525A CN 112530583 A CN112530583 A CN 112530583A
Authority
CN
China
Prior art keywords
cerebral infarction
metabolic
metabolic marker
sample
product
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
CN202011442525.2A
Other languages
English (en)
Inventor
张祥建
张聪
张培培
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.)
Second Hospital of Hebei Medical University
Original Assignee
Second Hospital of Hebei Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Second Hospital of Hebei Medical University filed Critical Second Hospital of Hebei Medical University
Priority to CN202011442525.2A priority Critical patent/CN112530583A/zh
Publication of CN112530583A publication Critical patent/CN112530583A/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
    • G16H50/20—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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/72—Mass spectrometers
    • G—PHYSICS
    • 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
    • G01N30/86—Signal analysis
    • G01N30/8624—Detection of slopes or peaks; baseline correction
    • G01N30/8631—Peaks
    • G01N30/8634—Peak quality criteria
    • 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
    • G01N30/86—Signal analysis
    • G01N30/8696—Details of Software
    • 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
    • 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
    • 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
    • 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

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

Abstract

本发明涉及脑梗死诊断用代谢标志物及诊断产品，具体的涉及代谢标志物PC(P‑18:0/18:1(11Z))或PE(P‑18:0/18:2(9Z,12Z))以及其与吲哚乙酸的组合，本发明通过实验证明了以上述代谢标志物作为检测指标，具有较高的准确性、敏感性和特异性。

Description

脑梗死诊断用代谢标志物及诊断产品
技术领域
本发明属于生物医药领域，涉及脑梗死诊断用代谢标志物及诊断产品。
背景技术
卒中是造成成年人身体残疾的主要原因和世界第二大致死原因(M.Heron.Deaths：leading causes for 2004.Natl Vital Stat Rep，2007，56(5)：1-95)。卒中是所有神经系统疾病中最重要和最具破坏性的一种，其发病率还在不断增加，另外它还会对经济产生影响(特别是在低收入和中等收入国家)(Mulcherjee，C.G.Patil.Epidemiology and the global burden of stroke.World Nettrosurg，2011.76(6Suppl)：S85-90)。有研究表明近年来中国的卒中发生率每年增加9％，并且已经成为其首要的致死原因之一(C.F.Tsai，B.Thomas，C.L.Sudlow.Epidemiology of strokeand its subtypes in Chinese vs white populations：a systematicreview.Neurology,2013，81(3)：264-72)。所以卒中带来的后果是深刻和持久的，它会同时给患者个人和社会带来沉重的负担。缺血性卒中又称为脑梗死占所有卒中的80％，出血性卒中占15％，而其他原因不明的卒中占5％(C.C.Beal.Gender and stroke symptoms：areview of the current literature.J Neurosci Nurs，2010，42(2)：80-7)。缺血性脑卒中的发病与环境、遗传以及各种危险因素之间有着密不可分的关系。由于脑梗死的高致残率、高发病率以及随着生活水平提高、饮食结构变化等因素的影响而出现的发病年龄的年轻化，所以脑梗死的早期诊断、早期干预以及降低发病率显得尤为重要。
代谢组学，是“后基因组学”时代的一门新兴学科和技术，自代谢组学的概念提出以来，引起了各国科学家的极大兴趣，现已广泛应用于临床医学、药学研究、营养学、食品安全、环境科学、毒理学、植物微生物学等重要领域。研究脑梗死与代谢组学之间的相关性，对于揭示脑梗死的发病机制，实现疾病的早期诊断和治疗具有重要的意义。
发明内容
本发明所述的脑梗死小分子物质是使用代谢组学谱分析技术发现的。一般来说，确定来自被诊断为患有脑梗死的人类受试者以及来自一个或多个其它组的人类受试者(例如患有健康对照受试者)的生物样品的代谢谱。将来自患有脑梗死的受试者的生物样品的代谢谱与来自一个或多个其它组的受试者的生物样品的代谢谱相比较。与另一组(例如患有健康对照受试者)相比，在来自患有脑梗死的受试者的样品的代谢谱中差异存在的分子，包括以具有统计显著性的水平差异存在的分子被鉴定为生物标志物以辨别那组。
具体地，本发明提供了如下技术方案:
本发明提供了检测样本中代谢标志物的试剂在制备评估脑梗死的产品中的应用，所述代谢标志物包括PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))中的一种或两种。
进一步，所述代谢标志物还包括吲哚乙酸。
进一步，所述产品包括用于色谱法、光谱法、质谱法、化学分析法检测标志物的试剂。
质谱(MS)分析主要包括液相色谱－质谱联用(LC－MS)和气相色谱－质谱联用(GC－MS)，液相色谱又分为超高效液相色谱(UPLC)和高效液相色谱(HPLC)。作为可选择的实施方式，色谱可选择与飞行时间(TOF)、静电轨道阱(Orbitrap)、离子阱飞行时间(IT－TOF)、四极杆－飞行时间(Q－TOF)等质谱联用；靶向性代谢组学的分析，色谱可与三重四极杆(QQQ)或四极杆离子阱(Q－Trap)等质谱串联，用多反应监测器(MRM)进行检测。
在确定所述样品中所述小分子物质的水平之后，将所述水平与脑梗死阳性和/或脑梗死阴性参考水平相比较以诊断或帮助诊断所述受试者是否患有脑梗死。样品中所述小分子物质的水平与脑梗死阳性参考水平相匹配(例如与参考水平相同、与参考水平基本上相同、高于和/或低于参考水平的最小值和/或最大值、和/或在参考水平的范围内的水平)指示了所述受试者有脑梗死的诊断。样品中所述小分子物质的水平与脑梗死阴性参考水平相匹配(例如与参考水平相同、与参考水平基本上相同、高于和/或低于参考水平的最小值和/或最大值、和/或在参考水平的范围内的水平)指示了所述受试者没有脑梗死的诊断。此外，与脑梗死阴性参考水平相比，所述样品中差异存在(特别是以具有统计显著性的水平)的小分子物质的水平指示了所述受试者有脑梗死的诊断。与脑梗死阳性参考水平相比，所述样品中差异存在(特别是以具有统计显著性的水平)的小分子物质的水平指示了所述受试者没有脑梗死的诊断。
可以使用各种技术将所述小分子物质的水平与脑梗死阳性和/或脑梗死阴性参考水平相比较，所述技术包括简单比较(例如手动比较)所述生物样品中所述小分子物质的水平与脑梗死阳性和/或脑梗死阴性参考水平。还可以使用一种或多种统计分析(例如t检验、韦尔奇氏T检验、Wilcoxon秩和检验、随机森林(Random Forest)、T分数、Z分数)或使用数学模型(例如算法、统计模型、混合效应模型)将所述生物样品中所述小分子物质的水平与脑梗死阳性和/或脑梗死阴性参考水平相比较。
进一步，所述产品还包括处理样本的试剂。
术语“样本”或“生物样本”意指从受试者分离的生物材料。所述生物样本可以含有适用于检测所期望的生物标志物的任何生物材料，并且可以包含来自受试者的细胞材料和/或非细胞材料。所述样本可以从任何合适的生物流体中分离，所述生物流体例如像血液、血浆、血清、尿液、或脑脊髓液(CSF)。
进一步，所述样本选自血液、血浆或血清。
本发明提供了一种评估脑梗死的产品，所述产品包括：检测样本中
代谢标志物PC(P-18:0/18:1(11Z))的试剂；和/或
代谢标志物PE(P-18:0/18:2(9Z,12Z))的试剂；或
代谢标志物PC(P-18:0/18:1(11Z))和/或PE(P-18:0/18:2(9Z,12Z))与吲哚乙酸组合的试剂。
进一步，所述产品包括试剂盒、芯片。
作为一种可选择的实施方式，试剂盒的组分可以被包装在一个或多个容器如一个或多个小瓶中。除了代谢物标准物，试剂盒优选进一步包括用于存储的防腐剂或缓冲剂。此外，试剂盒可以包含使用说明书。
作为一种可选择的实施方式，芯片具有能够检测和/或定量固定在基片上的预定位置处的一种或多种代谢物的试剂。作为说明性实例，可向芯片提供固定在离散的预定位置的试剂，以用于检测和定量样品中代谢标志物的含量或浓度；如上所述，在患有脑梗死的受试者的样品中发现该代谢标志物的水平降低。芯片可被配置成使得仅当该代谢物的含量或浓度超过阈值时才提供可检测的输出(例如颜色变化)，所述阈值被选择或区分指示健康受试者的代谢物浓度与指示患有或易患脑梗死的代谢物的含量或浓度。因此，可检测到的输出(诸如颜色变化)的存在立即表明样品包含显著增加水平的该代谢物，表明受试者患有或易患脑梗死。
本发明提供了代谢标志物在构建预测脑梗死的计算模型或者嵌入了所述计算模型的系统或装置中的应用，所述代谢标志物选自PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))的一种或两种；或选自PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))的一种或两种与吲哚乙酸的组合。
所述计算模型采用通过应用统计方法开发和获得的算法。例如，适宜的统计方法是判别分析(DA)(即线性、二次、规则DA)、Kernel方法(即SVM)、非参数方法(即k-最近邻居分类器)、PLS(部分最小二乘)、基于树的方法(即逻辑回归、CART、随机森林方法、助推/装袋方法)、广义线性模型(即对数回归)、基于主分量的方法(即SIMCA)、广义叠加模型、基于模糊逻辑的方法、基于神经网络和遗传算法的方法。熟练技术人员在选择适宜的统计方法来评估本发明的标志物组合并由此获得适宜的数学算法方面不会有问题。在一个实施方案中，用于获得评估脑梗死中使用的数学算法的统计方法选自DA(即线性、二次、规则判别分析)、Kernel方法(即SVM)、非参数方法(即k-最近邻居分类器)、PLS(部分最小二乘)、基于树的方法(即逻辑回归、CART、随机森林方法、助推方法)、或广义线性模型(即对数回归)。
接受者操作曲线下面积(＝AUC)是诊断规程的性能或精确性的一项指标。诊断方法的精确性由它的接受者操作特征(ROC)描述得最好。ROC图是源自在观察的整个数据范围上连续改变决策阈的所有灵敏度/特异性对的线图。
实验室测试的临床性能取决于它的诊断精确性，或将受试者正确分类入临床有关亚组的能力。诊断精确性测量测试正确辨别所调查的受试者的两种不同状况的能力。此类状况是例如健康和疾病或者疾病进展对无疾病进展。在每种情况中，ROC线图通过对于决策阈的整个范围将灵敏度对1-特异性绘图来描绘两种分布之间的交叠。y轴上是灵敏度，或真阳性分数[定义为(真阳性测试结果的数目)/(真阳性的数目+假阴性测试结果的数目)]。这也称作疾病或状况的存在的阳性。它仅仅自受影响亚组来计算。x轴上是假阳性分数，或1-特异性[定义为(假阳性结果的数目)/(真阴性的数目+假阳性结果的数目)]。它是特异性的一项指标，而且完全自不受影响的亚组来计算。因为真和假阳性分数通过使用来自两个不同亚组的测试结果完全分开计算，所以ROC线图不依赖于样品中疾病的流行程度。ROC线图上的每个点代表一个对应于特定决策阈的灵敏度/1-特异性对。一项具有完美区分(两种结果分布没有交叠)的测试具有通过左上角的ROC线图，那里真阳性分数为1.0，或100％(完美灵敏度)，且假阳性分数为0(完美特异性)。一项不区分(两个组的结果分布相同)的测试的理论线图是从左下角到右上角的45°对角线。大多数线图落在这两种极端之间。(如果ROC线图完全落在45°对角线以下，那么这容易通过将“阳性”的标准从“大于”颠倒成“小于”或反之来矫正。)定性地，线图越接近左上角，测试的整体精确性越高。
量化实验室测试的诊断精确性的一项便利目标是通过单一数值来表述它的性能。最常见的全局度量是ROC曲线下面积(AUC)。常规地，此面积总是≥0.5(如果不是这样，那么可以颠倒决策规则来使之这样)。数值范围介于1.0(完美分开两个组的测试值)和0.5(两个组的测试值之间没有明显分布差异)之间。面积不仅取决于线图的特定部分诸如最接近对角线的点或90％特异性处的灵敏度，而且还取决于整个线图。这是ROC线图如何接近完美者(面积＝1.0)的一种定量、描述性表述。
整体测定法灵敏度会取决于实施本文公开的方法要求的特异性。在某些优选设置中，特异性75％可能是充分的，而且统计方法和所得算法可以基于此特异性要求。在一个优选实施方案中，用于评估有脑梗死风险的个体的方法基于特异性80％、85％、或还优选90％或95％。
本发明提供了一种脑梗死的计算模型或者嵌入了所述计算模型的系统或装置，所述计算模型以代谢标志物PC(P-18:0/18:1(11Z))和/或PE(P-18:0/18:2(9Z,12Z))的水平作为输入变量，输出判别值；或所述计算模型以代谢标志物PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))的一种或两种与吲哚乙酸的组合作为输入变量，输出判别值。
所述判别值是基于所述样本中所述生物标志物的浓度和/或量值以及具有存储在计算模型的作为解释变量的所述生物标志物的浓度和/或量的判别来计算。
本发明提供了代谢标志物在制备用于鉴定和评估药剂和/或手术治疗和/或物理治疗对抗脑梗死的效果的产品中的应用。
本发明提供了代谢标志物在制备治疗脑梗死的药物中的应用，所述代谢标志物选自：PC(P-18:0/18:1(11Z))、PE(P-18:0/18:2(9Z,12Z))或吲哚乙酸。
进一步，所述药物包括增加所述代谢标志物水平的试剂。
作为可选择的实施方式所述试剂的活性成分为PC(P-18:0/18:1(11Z))、PE(P-18:0/18:2(9Z,12Z))或吲哚乙酸。
在本发明中，“代谢物”或“代谢标志物”意指存在于细胞中的有机分子和无机分子。所述术语不包括大的高分子，如大的蛋白质(例如具有超过2,000、3,000、4,000、5,000、6,000、7,000、8,000、9,000、或10,000的分子量的蛋白质)、大的核酸(例如具有超过2,000、3,000、4,000、5,000、6,000、7,000、8,000、9,000、或10,000的分子量的核酸)、或大的多糖(例如具有超过2,000、3,000、4,000、5,000、6,000、7,000、8,000、9,000、或10,000的分子量的多糖)。细胞的小分子物质一般被发现是在细胞质或其它细胞器，如线粒体中的溶液中游离的，其中它们形成可以被进一步代谢或用于产生被称作高分子的大分子的中间体池。术语“代谢标志物”包括将源自于食物的能量转化成有用的形式的化学反应中的信号转导分子和中间体。代谢标志物的实例包括糖、脂肪酸、氨基酸、核苷酸、细胞过程期间形成的中间体、以及存在于细胞内的其它小分子物质。
鉴定针对脑梗死的代谢标志物允许诊断(或帮助诊断)表现出与存在脑梗死相符的一个或多个症状的受试者的疾病，并且包括对先前未被鉴定为患有脑梗死的受试者进行初步诊断以及对先前针对脑梗死接受治疗的受试者的疾病的复发进行诊断。一种诊断(或帮助诊断)受试者是否患有脑梗死的方法包括：
分析来自受试者的生物样品以确定所述样品中脑梗死的代谢标志物的水平；以及
将所述样品中所述的代谢标志物的水平与所述代谢标志物的脑梗死阳性和/或脑梗死阴性参考水平相比较以诊断(或帮助诊断)所述受试者是否患有脑梗死。
本发明的优点和有益效果：
本发明首次发现了与脑梗死相关的代谢标志物，通过检测代谢标志物的水平，可以判断受试者是否患有脑梗死以及患脑梗死的风险，以期实现脑梗死早期的诊断，从而在脑梗早期进行干预治疗，提高患者的生存质量。
附图说明
图1是各组色谱总离子流图，其中，图A是反向色谱正离子各组总离子流图，图B是反向色谱负离子各组总离子流图，图C是亲水色谱正模式各组总离子流图；图A、B、C中的上部分为脑梗死的总离子流图，下部分为健康对照的总离子流图。图2是OPLS-DA统计分析图，其中图A是反向色谱正离子统计分析图；图B是反向色谱负离子统计分析图；图C是亲水色谱正离子统计分析图。
图3是代谢标志物的诊断效能图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细的说明。以下实施例仅用于说明本发明而不用于限制本发明的范围。实施例中未注明具体条件的实验方法，通常按照常规条件。
实施例 脑梗死相关代谢物的筛选及效能判断
1、样本收集
收集21例脑梗死患者及18例健康对照的血液样本。
脑梗死组纳入标准：
1)受试者已签署知情同意书
2)符合《中国急性缺血性脑卒中诊疗指南(2014版)》急性脑梗死诊断标准。
3)年龄18-65周岁。
4)BMI 18.5-23.9kg/m2。
5)血常规：红细胞计数、MCHC、血红蛋白、白细胞计数、淋巴细胞计数、中性粒细胞计数、单核细胞计数在正常范围。
6)TG、TC、HDL-C、LDL-C、血糖、糖化血红蛋白在正常范围。
排除标准：
1)合并其他疾病：神经系统疾病(既往脑梗死、脑出血、多发性硬化等)；各种慢性消化系统疾病，3个月内患有急性消化系统疾病；循环系统疾病(冠心病、心力衰竭、房颤)；呼吸系统疾病(慢性阻塞性肺疾病、慢性支气管炎、哮喘)；代谢性疾病(肥胖、高脂血症、糖尿病、代谢综合征、骨质疏松症)；泌尿系统疾病(慢性肾脏病、肾衰竭、肾结石)；血液系统疾病(贫血)；其他(痛风、抑郁、精神疾病、慢性疲劳综合征、纤维肌痛症、食物过敏、肿瘤)。
2)既往有输血史、消化系统疾病手术史及外伤史。
3)心电图异常的患者。
4)3个月内服用以下药物：抗生素、泻药、氯硝西泮、性激素类药物、口服避孕药、美沙拉嗪、TNF-α抑制剂、免疫抑制剂、抗抑郁药、PPI、卢帕他定、阿片类、钙剂、维生素D、二甲双胍、叶酸、β-交感神经吸入剂、中药。
5)3个月内服用益生菌制剂。
6)本次发病前应用抗血小板及他汀类药物。
7)进行静脉溶栓和血管内介入治疗的患者。
8)妊娠期或哺乳期妇女。
9)本研究期间，患者已入选或计划入选另一项临床药物或装置/干预性研究。
健康对照组纳入标准：
1)受试者已签署知情同意书。
2)年龄18-65周岁。
3)BMI 18.5-23.9kg/m2。
4)血常规：红细胞计数、MCHC、血红蛋白、白细胞计数、淋巴细胞计数、中性粒细胞计数、单核细胞计数在正常范围。
5)TG、TC、HDL-C、LDL-C、血糖、糖化血红蛋白在正常范围。
排除标准：
1)存在其他疾病：神经系统疾病(脑梗死、脑出血、多发性硬化等)；各种慢性消化系统疾病，3个月内患有急性消化系统疾病；循环系统疾病(冠心病、心力衰竭、房颤)；呼吸系统疾病(慢性阻塞性肺疾病、慢性支气管炎、哮喘)；代谢性疾病(肥胖、高脂血症、糖尿病、代谢综合征、骨质疏松症)；泌尿系统疾病(慢性肾脏病、肾衰竭、肾结石)；血液系统疾病(贫血)；其他(痛风、抑郁、精神疾病、慢性疲劳综合征、纤维肌痛症、食物过敏、肿瘤)。
2)既往有输血史、消化系统疾病手术史及外伤史。
3)心电图异常。
4)3个月内服用以下药物：抗生素、泻药、氯硝西泮、性激素类药物、口服避孕药、美沙拉嗪、TNF-α抑制剂、免疫抑制剂、抗抑郁药、PPI、卢帕他定、阿片类、钙剂、维生素D、二甲双胍、叶酸、β-交感神经吸入剂、中药、抗血小板药物及他汀类药物。
5)3个月内服用益生菌制剂。
6)妊娠或哺乳期妇女。
7)本研究期间，受试者已入选或计划入选另一项临床药物或装置/干预性研究。
2、非靶向代谢组学检测
2.1血清样本制备
2.1.1反相色谱分析血清样本处理方法
1)血浆/血清样本在4℃的冰融化为30-60min。
2)取40μl血清至标记好标签的1.5ml离心管中，加入300μl的甲醇和1ml甲基叔丁基醚。
3)充分振荡15s，进行蛋白沉淀。12000rpm，4℃，离心10min，取上层溶液100μl，置于200μl内衬管中，待测。
2.1.2亲水色谱分析血清样本处理方法：
1)血浆/血清样本在4℃的冰融化为30-60min。
2)取50μl血清至标记好标签的1.5ml离心管中，加入150μl的乙腈。
3)充分振荡15s，进行蛋白沉淀。12000rpm，4℃，离心10min，取上层溶液100μl，置于200μl内衬管中，待测。
2.2色谱条件
色谱分离采用Thermo Scientific的U3000快速液相色谱使用反相色谱和亲水色谱对血清样本进行分析。
2.2.1反相色谱分离条件
色谱柱:waters UPLC HSS T3(1.8μm 2.1mm*100mm)；
流动相:A(乙腈/水4:6，0.1％甲酸，10mM乙酸铵)和B(乙腈/异丙醇9:1，0.1％甲酸，10mM乙酸铵)；
洗脱程序：见表1；
流速：0.3ml/min；
进样量为1.0μL；
柱温：50℃。
表1 C18反相色谱测定洗脱程序
Figure BDA0002822945830000101
Figure BDA0002822945830000111
2.2.1亲水色谱分离条件
色谱柱:waters UPLC BEH Amide(1.7μm 2.1mm*100mm)；
流动相:A(乙腈，0.1％甲酸，10mM乙酸铵)和B(水，0.1％甲酸，10mM乙酸铵)；
洗脱程序：见表2；
流速：0.3ml/min；
进样量：1.0μL；
柱温：40℃。
表2 HILIC测定极性小分子洗脱程序
Figure BDA0002822945830000112
2.3质谱条件
质谱分析采用装备了热电喷雾离子源的四极杆轨道离子阱质谱仪。正负离子离子源电压分别为3.7kv和3.5kV。毛细管加热温度320℃。翘气压力30psi，辅助气压力10psi。容积加热蒸发温度300℃。翘气和辅助气均为氮气。碰撞气为氮气，压力为1.5mTorr。一级全扫描参数为：分辨率70000，自动增益控制目标为1×106，最大隔离时间50ms，质荷比扫描范围50-1500。液质系统由Xcalibur 2.2SP1.48软件控制，数据采集和靶向代谢物定量处理均由该软件操作。
3、靶向代谢组学检测
3.1血清样本处理方法
1)血浆样本于4℃放置30min解冻。
2)取50μl血浆样本至1.5ml离心管中，加入150μl的甲醇(含有吲哚乙酸-D2500ppb，吲哚丙酸-D2 50ppb组成)，旋涡震荡30min。
3)12000rpm离心5min，取上清液100μl，置于200μl内衬管中，待测。
3.2色谱条件
色谱分离采用Waters ACQUITY UPLC I-CLASS超高压液相色谱系统，色谱分离条件如下：
色谱柱:Waters UPLC BEH C8(1.7μm 2.1mm*100mm)；
流动相:A(水，0.5Mm NH4F)和B(甲醇)；
洗脱梯度：见表3；
流速：0.3ml/min；
进样量：1.0μL；
柱温：45℃。
表3洗脱程序
Figure BDA0002822945830000121
3.3质谱条件
质谱分析仪器为Waters公司XEVO TQ-XS型串联四级杆质谱仪。正离子离子源电压为3kv，锥孔电压为20V。去溶剂温度550℃，源温度150℃。去溶剂气流速1000L/Hr，锥孔气流速7L/h。
3.4靶向代谢组数据处理
靶向代谢组数据峰面积计算采用masslynx定量软件，保留时间允许误差15s。浓度计算采用单点同位素内标法获取定量结果。
4、数据处理
4.1数据质控
为了评价样品采集过程中系统的稳定性和重复性，使用了质控样本。质控样本是所有样本均移取固定体积混合均匀后得到的。指控样本的前处理方法和其他样品一样。为了得到可信赖的且可重复性的代谢物，三个因素需要考虑：1)保留时间，2)信号强度，3)质量准确度。本次实验首先采用5个空白样本平衡色谱柱，再采用3个质控样本平衡柱条件。然后每间隔6-8个样本插入1个质控样本用于监测整个液质系统的稳定性和重复性。同时计算质控样本中提取的代谢特征的变异系数值，变异系数超过15％的代谢特征被删除。
4.2 PCA分析
所有采集好的数据，无论是何种分离模式或是正负离子模式，均采用ProgenesisQI软件处理，包括的步骤依次为导入原始数据、峰对齐、峰提取、归一化处理，最终形成保留时间、质荷比和峰强度的表格。反相色谱和亲水色谱提取峰的时间依次为1至16和1至12min。各种添加剂离子如加氢和加钠等均去卷积到每一个离子特征。代谢物鉴定采用人类代谢组数据库和脂质数据库进行一级分子量匹配。
4.3 OPLS-DA分析
为了获得在脑梗死组和在健康对照组呈现显著差异的代谢物信息，进一步采用监督性的多维统计方法即偏最小二乘方判别分析(OPLS-DA)对两组样本进行统计分析。
采用OPLS-DA模型的VIP(Variable Importance in the Projection)值(阈值>1)，并结合t-test的p值(p＜0.05)来寻找差异性表达代谢物。差异性代谢物的定性方法为：搜索在线数据库(HMDB)(比较质谱的质荷比m/z或者精确分子质量mass，误差限制0.01Da)。
4.4 ROC分析
根据代谢物的水平，使用SPSS绘制受试者工作特征曲线(ROC)，计算二项精确置信空间，分析差异代谢物的诊断效能。
5、结果
脑梗死组与健康对照组各组反相色谱正离子和负离子、亲水色谱正的总离子流图如图1所示。
质控结果显示，质控样本相对聚集在一起，系统重复性较好，所采集的数据可以进行进一步的研究。
反向色谱正离子、反向色谱负离子、亲水色谱正离子的结果分别如表4和图2所示。
表4 OPLS-DA分析模型参数
Figure BDA0002822945830000141
生物信息学分析结果显示，与健康对照组相比，PC(P-18:0/18:1(11Z))、PE(P-18:0/18:2(9Z,12Z))或吲哚乙酸在脑梗死组的水平显著降低。
PC(P-18:0/18:1(11Z))平均水平(健康对照组vs脑梗死组)：20705606.92vs13158325.61；
PE(P-18:0/18:2(9Z,12Z))平均水平(健康对照组vs脑梗死组)：6516422.011vs3623222.165；
吲哚乙酸平均水平(健康对照组vs脑梗死组)：453.899vs 124.657；
使用ROC曲线来分析PC(P-18:0/18:1(11Z))、PE(P-18:0/18:2(9Z,12Z))以及其单独或联合与吲哚乙酸联合的诊断效能分别如图3和表5所示，1-5的cutoff值分别为：0.515、0.657、0.708、0.799、0.792；1-5的都具有较高的准确性(曲线下面积均大于0.8)，其中，1-5表示如下：
1：PC(P-18:0/18:1(11Z))；
2：PE(P-18:0/18:2(9Z,12Z))；
3：PC(P-18:0/18:1(11Z))+PE(P-18:0/18:2(9Z,12Z))；
4：PC(P-18:0/18:1(11Z))+吲哚乙酸；
5：PE(P-18:0/18:2(9Z,12Z))+吲哚乙酸。
表5代谢标志物的曲线下面积
Figure BDA0002822945830000151
a.在非参数假设下
b.零假设：实面积＝0.5
需要说明的是，当PC(P-18:0/18:1(11Z))、PE(P-18:0/18:2(9Z,12Z))与吲哚乙酸三者联合时，SPSS无法同时纳入这三个指标，也即三个的组合并没有比两个具有更好的效果。
上述实施例的说明只是用于理解本发明的方法及其核心思想。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也将落入本发明权利要求的保护范围内。

Claims (10)

1.检测样本中代谢标志物的试剂在制备评估脑梗死的产品中的应用，其特征在于，所述代谢标志物包括PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))中的一种或两种。
2.根据权利要求1所述的应用，其特征在于，所述代谢标志物还包括吲哚乙酸。
3.根据权利要求1或2所述的应用，其特征在于，所述产品包括用于色谱法、光谱法、质谱法、化学分析法检测代谢标志物的试剂。
4.根据权利要求1或2所述的应用，其特征在于，所述产品还包括处理样本的试剂。
5.根据权利要求4所述的应用，其特征在于，所述样本选自血液、血浆或血清。
6.一种评估动脑梗死的产品，其特征在于，所述产品包括：检测样本中
代谢标志物PC(P-18:0/18:1(11Z))的试剂；和/或
代谢标志物PE(P-18:0/18:2(9Z,12Z))的试剂；或
代谢标志物PC(P-18:0/18:1(11Z))和/或PE(P-18:0/18:2(9Z,12Z))与吲哚乙酸组合的试剂。
7.根据权利要求7所述的产品，其特征在于，所述产品包括试剂盒、芯片。
8.代谢标志物在构建预测脑梗死的计算模型或者嵌入了所述计算模型的系统或装置中的应用，其特征在于，所述代谢标志物选自PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))的一种或两种；或选自PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))的一种或两种与吲哚乙酸的组合。
9.一种脑梗死的计算模型或者嵌入了所述计算模型的系统或装置，其特征在于，所述计算模型以代谢标志物PC(P-18:0/18:1(11Z))和/或PE(P-18:0/18:2(9Z,12Z))的水平作为输入变量，输出判别值；或所述计算模型以代谢标志物PC(P-18:0/18:1(11Z))或PE(P-18:0/18:2(9Z,12Z))的一种或两种与吲哚乙酸的组合作为输入变量，输出判别值。
10.代谢标志物在制备用于鉴定和评估药剂和/或手术治疗和/或物理治疗对抗脑梗死的效果的产品中的应用。
CN202011442525.2A 2020-12-08 2020-12-08 脑梗死诊断用代谢标志物及诊断产品 Pending CN112530583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011442525.2A CN112530583A (zh) 2020-12-08 2020-12-08 脑梗死诊断用代谢标志物及诊断产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011442525.2A CN112530583A (zh) 2020-12-08 2020-12-08 脑梗死诊断用代谢标志物及诊断产品

Publications (1)

Publication Number Publication Date
CN112530583A true CN112530583A (zh) 2021-03-19

Family

ID=74999970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011442525.2A Pending CN112530583A (zh) 2020-12-08 2020-12-08 脑梗死诊断用代谢标志物及诊断产品

Country Status (1)

Country Link
CN (1) CN112530583A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101081245A (zh) * 2006-05-29 2007-12-05 龚如心 治疗心脑血管疾病的药物
CN104815012A (zh) * 2015-05-20 2015-08-05 宁夏医科大学 一种改善脑卒中的回药组合物及其制备方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101081245A (zh) * 2006-05-29 2007-12-05 龚如心 治疗心脑血管疾病的药物
CN104815012A (zh) * 2015-05-20 2015-08-05 宁夏医科大学 一种改善脑卒中的回药组合物及其制备方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CAROLINE MUSCHET等: "Removing the bottlenecks of cellculture metabolomics: fast normalization procedure, correlation of metabolites to cell number, and impact of the cell harvesting method", 《METABOLOMICS》 *
孙思怡: "2型糖尿病上热下寒证患者血浆代谢组学分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
应森林主编: "《精研古今 融会中西 中医药国际研究生优秀论文精选》", 31 July 2015, 中国医药科技出版社 *
易群，张晋，冉兴无主编: "《内分泌代谢疾病人群优生优育500问》", 31 March 2018, 四川科学技术出版社 *
陈乃宏编: "《神经递质与神经疾患》", 30 June 2012, 中国协和医科大学出版社 *

Similar Documents

Publication Publication Date Title
US10330688B2 (en) Metabolic biomarkers of autism
US20050101023A1 (en) Methods for diagnosing urinary tract and prostatic disorders
CN112305121B (zh) 代谢标志物在动脉粥样硬化性脑梗死中的应用
CN111562338B (zh) 透明肾细胞癌代谢标志物在肾细胞癌早期筛查和诊断产品中的应用
Liang et al. Metabolomics of alcoholic liver disease: a clinical discovery study
CN110057954B (zh) 血浆代谢标志物在诊断或监测hbv的应用
CN112669958B (zh) 代谢物作为疾病诊断的生物标志物
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
CN111521828A (zh) Rsph9作为少弱精症诊断标志物或治疗靶点的应用
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
CN112630330B (zh) 小分子物质在脑梗死诊断中的应用
EP1668372A1 (en) Elastin peptide fingerprints and analysis methods for mmp12 related to copd
CN112305119B (zh) 动脉粥样硬化性脑梗死的生物标志物及其应用
CN112305120B (zh) 代谢物在动脉粥样硬化性脑梗死中的应用
CN112630344B (zh) 代谢标志物在脑梗死中的用途
CN112305124B (zh) 一种生物标志物及其在疾病诊断中的应用
CN109946467B (zh) 一种用于胸椎黄韧带骨化诊断的生物标记物
CN112305118B (zh) L-辛酰基肉碱作为疾病诊断的生物标志物
CN112530583A (zh) 脑梗死诊断用代谢标志物及诊断产品
CN112599240B (zh) 代谢物在脑梗死中的应用
US20050106104A1 (en) Methods for diagnosing cardiovascular disorders
CN112599237B (zh) 一种生物标志物及其在脑梗死诊断中的应用
CN112305123B (zh) 小分子物质在动脉粥样硬化性脑梗死中的应用
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