CN113030357A - 一种口腔鳞癌诊断模型及其构建方法 - Google Patents
一种口腔鳞癌诊断模型及其构建方法 Download PDFInfo
- Publication number
- CN113030357A CN113030357A CN201911347784.4A CN201911347784A CN113030357A CN 113030357 A CN113030357 A CN 113030357A CN 201911347784 A CN201911347784 A CN 201911347784A CN 113030357 A CN113030357 A CN 113030357A
- Authority
- CN
- China
- Prior art keywords
- oral squamous
- model
- constructing
- cell carcinoma
- squamous cell
- 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
- 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
- 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
- G01N30/8693—Models, e.g. prediction of retention times, method development and validation
-
- 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
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
-
- 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
- G01N2030/8822—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 blood
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Microbiology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Oncology (AREA)
- Hospice & Palliative Care (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种口腔鳞癌诊断模型及其构建方法,首先收集和检测样本,再通过超高效液相色谱质谱联用法检测口腔鳞癌患者和正常对照健康人的血清中的脂质代谢物,并通过多变量、单变量的统计分析,构建用于诊断口腔鳞癌的模型,本发明还公开了该模型的使用方法,特异性好,灵敏度高,效果良好,适用于早期诊断,具有良好的临床使用和推广价值。
Description
技术领域
本发明属于口腔鳞癌诊断模型技术领域,具体涉及一种口腔鳞癌诊断模型及其构建方法。
背景技术
口腔鳞癌(oral squamous cell carcinoma,OSCC)是指发生在口腔黏膜的鳞状细胞癌,具有不同程度分化的上皮性侵袭性的肿瘤,常常早期就有淋巴转移的倾向。具体病因尚不明确,常见的危险因素是吸烟和酗酒。目前对于OSCC的治疗多采用手术扩大切除,根据术后的病理分期及患者的具体情况,补充相应的放化疗。虽然近年来基础研究的进步使其治疗方案有了不断的改进和提高,但患者的五年生存率仍在50%左右,因此,早发现和早诊断是其治疗的关键。
代谢组学是研究生物体和细胞在受到干扰后代谢产物种类、数量和变化规律的科学。与基因组学、蛋白组学共同构成系统生物学。其中,基因组学和蛋白组学分别从基因和蛋白层面去研究生命现象、揭示生命本质及其发展规律。而实际上,细胞的几乎所有生命活动如:细胞信号的传导,能量的传递等都是发生在代谢层面的,与代谢物的调控紧密相关。基因及蛋白相当于代谢的上游,两者任何的微小改变均可能在代谢水平得到一定程度的放大。因此,代谢组学被认为是组学的“终端”。加上其样本的来源比较丰富,如细胞和组织提取液(血清、血浆、尿液、唾液、龈沟液等),同时具有取材方便、创伤小,用量少,患者及家属易于接受等优点,又具有发现肿瘤相关标志物的潜能,目前被广泛应用到疾病的预防、诊断和药物研发等领域。所以,通过采用代谢组学的方法鉴定癌症患者与正常人的差异性代谢产物,从而早期发现并治疗癌症,是提高患者生存率的一种新手段。
近年来,采用质谱(mass spectrometry,MS)分析技术的组学方法分析确定特征代谢产物是疾病研究的热点。其基本原理是使待测样本的组分在离子源中发生电离,生成不同质荷比的带电离子,再通过加速电场和磁场对其进行分离检测,将它们分别聚焦而得到相应质谱图。具有灵敏度高、分析速度快和样本用量少等优点。随着离子化技术、分离技术的不断发展,各项基于MS的联合检测技术层出不穷,旨在进一步提高代谢物检测的通量、分辨率、灵敏度等,从而获得更加完整、准确的样本信息。其中LC-MS因其使用范围较为广泛,可以对各种生物体液、细胞及组织内的代谢化合物进行分离、定性乃至定量的分析。精确度高且分析前无需衍生化处理。加之二维液相技术(two-dimensional liquidchromatography,2D-LC)的出现及MS技术的不断改进,使得LC-MS成为代谢组学研究中最受欢迎的方法之一。
目前,基于MS检测技术的代谢组学研究已在很多疾病研究方面进行了应用并取得了相应的进展,如肺癌,肝癌,前列腺癌,乳腺癌等。但基于MS检测技术的关于口腔鳞癌的研究较少,因此建立通过识别患者血清特征代谢产物群而对口腔鳞癌进行早期筛查、辅助诊断和治疗的专家系统,具有重要的意义和临床应用价值。
发明内容
本发明的目的在于:针对现有技术的不足,提供一种口腔鳞癌诊断模型及其构建方法,该模型构建方法简单,使用方便,能够替代现有的有创诊断方法,避免待检人员的痛苦;还包括适合于口腔鳞癌早期诊断的差异性代谢标记物,能够较好地用于口腔鳞癌的早期筛查、辅助诊断和治疗,对于改善口腔鳞癌预后、降低死亡率有重要意义。
本发明采用的技术方案如下:
一种口腔鳞癌诊断模型的构建方法,包括以下步骤:
S1.收集口腔鳞癌患者和健康人群血清样本,作为分析样本;
S2.将每个分析样本采用UHPLC-MS血清代谢组学技术进行分析,对样品分别进行正离子模式(POS)和负离子模式(NEG)的结合检测,得到包含所有脂类代谢物的原始谱图;
采用的超高效液相色谱质谱联用法(UHPLC-MS)的脂质组学方法比常规的液质相色谱质谱联用(LC-MS)方法更为精确,从而为口腔鳞癌的早期筛查提供依据,通过质谱检测血清得到包含大量代谢产物的海量数据;
S3.将原始谱图导入Lipidsearch软件进行数据预处理,通过代谢物峰标识、数据转换和脂质片段的识别分析,分别获得正离子模式下和负离子模式下所包含脂质代谢物的数据;
S4.分别根据相对丰度和保留时间对正离子模式和负离子模式下所包含脂质代谢物的数据构建映射关系,即首先进行主成分分析,得到PCA模型(该模型下POS模式下的健康人群样本和口腔鳞癌患者样本的区分相对显著,但NEG模式下则未能较好的区分);再进行正交偏最小二乘法-判别分析,得到OPLS-DA模型(该模型能够较好地解释健康人群样本和口腔鳞癌患者样本之间的差异),另外为避免样本较小发生过拟合,还进行了单变量的统计分析,为了避免有效脂质信息的丢失,在单变量分析时选取了α=0.1的检验标准,保留了VIP>1且P<0.1的所有差异脂质;
对所得到的OPLS-DA模型用交叉检验得到的R2Y(模型对分类变量Y的可解释性)和Q2(模型的可预测性)对模型有效性进行评判分析,最后通过置换检验,即通过随机改变分类变量Y的排列顺序,多次(次数n≥200)建立对应的OPLS-DA模型以获取随机模型的R和Q值,对模型有效性做进一步的检验;
通过上述方法筛选得到适合于口腔鳞癌早期诊断的差异性代谢标记物信息;
S5.通过筛选出的差异性代谢标记物信息在KEGG数据库的映射,匹配相应的代谢通路;KEGG为京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)Pathway数据库。
进一步地,步骤S4中的差异性代谢标记物包括:三酰甘油、磷脂酰乙醇胺和磷脂酰胆碱。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油、磷脂酰乙醇胺和磷脂酰胆碱的组合物。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为磷脂酰乙醇胺。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为磷脂酰胆碱。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油和磷脂酰乙醇胺的组合物。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为磷脂酰乙醇胺和磷脂酰胆碱的组合物。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油和磷脂酰胆碱的组合物。
进一步地,适合于口腔鳞癌早期诊断的差异性代谢标记物为以下代谢物中的至少一种:三酰甘油、硫代异鼠李糖甘油二酯、鞘磷脂、磷脂酰丝氨酸、磷脂酰乙醇胺、磷脂酰胆碱、单半乳糖二酰甘油、溶血磷脂酰乙醇胺、溶血磷脂酰胆碱、溶血二酰甘油基三甲基高丝氨酸(lyso-DGTS)脂质、己糖神经酰胺[NS]、己糖神经酰胺[NDS]、半双(单酰基甘油)磷酸酯、葡萄糖醛酸基二酰甘油、二酰基甘油基三甲基高丝氨酸脂质、二半乳糖甘油二酰甘油、二磷脂酰甘油、胆固醇酯、神经酰胺、二(单酰基甘油)磷酸酯、酰基葡糖醛酸基二酰甘油、溶血磷脂酸和酯酰肉碱。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明采用超高效液相色谱质谱联用法(UHPLC-MS)的脂质组学方法,研究口腔鳞癌患者血清的脂质代谢产物,通过质谱检测血清得到包含大量代谢产物的海量数据,采用了主成分分析和正交最小乘法判别分析,使得多个随机变量的信息集中到几个综合指标上,清晰直观的反应不同组别代谢物的差异,并在权威数据库中对代谢物进行相关通路的映射;
2、本发明基于血清代谢组学技术以及数据统计分析技术,构建适合于口腔鳞癌早期诊断的诊断模型,筛选出23类差异代谢诊断标记物,发现16条与诊断标记物映射的代谢通路,在这些通路中匹配出三种差异性显著的代谢物;
3、本发明所构建的诊断模型特异性高、灵敏度好,效果良好,适用于早期口腔鳞癌的诊断;
4、本发明通过对患者取血进行诊断,无内创、患者痛苦小、方便快捷、花费低,提高工作效率,用于口腔鳞癌的早期筛查、辅助诊断和治疗,能够改善口腔鳞癌预后、降低死亡率,适于临床使用和推广。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为健康对照组POS模式的离子流图;
图2为OSCC组POS模式的离子流图;
图3为健康对照组NEG模式的离子流图;
图4为OSCC组NEG模式的离子流图;
图5为POS模式OSCC组对健康对照组的PCA模型得分散点图;
图6为NEG模式OSCC组对健康对照组的PCA模型得分散点图;
图7为OSCC组对健康对照组的OPLS-DA模型置换结果图;
图8为POS模式OSCC组对健康对照组的OPLS-DA模型得分散点图;
图9为NEG模式OSCC组对健康对照组的OPLS-DA模型得分散点图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例
本发明较佳实施例提供的一种口腔鳞癌诊断模型的构建和使用方法,具体如下:
1、样本的收集
经伦理审查及患者知情同意后,收集25-80岁符合纳入排除标准要求的OSCC病人(17例)和25-80岁无全身系统疾病的健康人(19例)空腹血液样本5ml于真空采血管中。静置30min,3000r/min离心10min,提取上清液保存于冻存管中,放置-80℃冰箱待用。
2、样本的前处理
将收集的血清样本分别标记为OSCC组和健康对照组,在37℃水浴箱中解冻,后将解冻的样本取出100ul移入干净的EP管中,然后,用提取液甲基叔丁基醚:甲醇=5:1(体积比)萃取,后静置一小时,将样本4℃,12000rpm离心15min,取0.35mL上层(MTBE层)蒸干,用100μL二氯甲烷:甲醇(1:1)复溶;后取出200ul进行上机检测。
3、高效液相色谱条件
用于脂质组学分析的液质联用系统是由赛默的Q Exactive Orbitrap高分辨质谱仪组成。所使用的色谱柱为购自沃特斯的ACQUITY UPLC BEH C18 column(1.7u,100x2.1mm)。流动相A为10mM甲酸胺+400ml纯水+600ml纯乙腈,流动相B为10mM甲酸胺+50ml纯水+100ml纯乙腈+900ml纯异丙醇。
4、质谱检测及检测条件
采用Thermo公司生产的四级杆-静电场轨道阱高分辨质谱仪(Q Exactive)离子源为加热型电喷雾(HESI),温度为350℃;正离子和负离子模式下喷雾电压分别为5.0、4.5kV;传输毛细管温度350℃,鞘气(氮气或氦气)30Arb,辅助气流速为10Arb;扫描模式为FullMS,质量范围100-1500m/z,一级扫描和二级扫描分辨率分别为70000、17500。
5、质谱数据的收集及处理
将Q Exactive检测得到的原始数据文件导入Lipidsearch v4.1.16(ThermoFisher Scientific,USA)软件,根据片段匹配的结果,对脂质进行识别和量化。正常人与口腔鳞癌患者血清总离子图(TIC)如图1-4所示。
通过QE平台检测脂质代谢物时,需将样品的分子或原子在外部能量作用下电离或电离后进一步分解而生成碎片离子,这些离子在电场或磁场作用下按照质荷比不同而分离排列成质谱图,进行正离子模式(positive ion mode,POS)和负离子模式(negative ionmode,NEG)的结合检测。根据检测结果及数据的分析处理,POS模式下的代谢物最终保留了1215种,NEG的保留了83种。
6、主成分分析(PCA)
使用SIMCA软件(V14.1,MKS Data Analytics Solutions,Umea,Sweden),对数据进行对数LOG转换加Par格式化处理,然后进行自动建模分析。最后分别得到POS模式和NEG模式下的PCA得分散点图(Score scatter plot,SSC)如图5-6所示。
其中纵横坐标分别为两个主成分,图中圆圈代表OSCC组,代表健康对照组,从以上两个得分图的结果可以看出,两组样本基本处于95%可信区间(Hotelling’s T-squaredellipse)内,说明模型的拟合效果好,得到的主成分信息可以较好的反映原始数据的信息。POS模式下两组的区分相对显著,但NEG模式下则未能较好的区分,因此,为进一步区分两组,进行偏最小二乘分析。
7、正交偏最小二乘法-判别分析(OPLS-DA)
使用SIMCA软件(V14.1,MKS Data Analytics Solutions,Umea,Sweden),对数据进行对数LOG转换加Par格式化处理,然后对第一主成分进行OPLS-DA建模分析,后用交叉检验得到的R2Y(模型对分类变量Y的可解释性)和Q2(模型的可预测性)对模型有效性进行评判分析,最后通过置换检验,对模型有效性做进一步的检验。
表1 OPLS-DA模型参数表
表内各列内容解释如下:
Model:SIMCA软件建模的模式类型;Type:SIMCA的模型类型,OPLS-DA表示建立OPLS-DA模型;N:模型的观测个数(此处即为样本数);R2X(cum):代表模型对X变量的解释性;R2Y(cum):代表模型对Y变量的解释性;Q2(cum):模型的可预测性;Title:该模型对应的数据对象。
置换检验通过随机改变分类变量Y的排列顺序,多次(次数n=200)建立对应的OPLS-DA模型以获取随机模型的R和Q值,在避免检验模型的过拟合以及评估模型的统计显著性上有重要作用。
OSCC组对健康对照组OPLS-DA模型的置换检验结果如图7所示,原模型R2Y非常接近1,说明建立的模型符合样本数据的真实情况;原模型Q2大于0.5,说明如果有新样本加入,会得到较为近似的分布情况,总的来说原模型可以较为好地解释两组样本之间的差异。
从OPLS-DA得分图,即图8和图9的结果可以看出,OSCC患者的代谢谱发生了明显的变化,两组样本区分非常显著,样本基本处于可信区间。
8、单变量分析筛选差异代谢物
选取了α=0.1的检验标准,保留了VIP>1且P<0.1的所有差异脂质。通过分析,筛选到23类差异代谢物。具体的分类如上表所示。这些差异代谢物在不同的通路中起着不同的作用。
表2差异代谢物分类汇总
9、差异代谢物的KEGG注释及代谢通路信息
根据筛选出的代谢产物,在KEGG数据库中整理出差异代谢物(有KEGG的ID号的)映射的代谢通路,共有16条。在这些通路中匹配的差异性显著的代谢物分别为:三酰甘油(TGs),磷脂酰乙醇胺(PE)和磷脂酰胆碱(PC)。
使用本发明所构建的诊断模型进行诊断:
收集待诊断人群血清样本20份,作为分析样本(通过其他诊断方式诊断得知其中8名患者患有口腔鳞癌,12名患者为健康人群);将分析样本采用UHPLC-MS血清代谢组学技术进行分析,对样品分别进行正离子模式和负离子模式的结合检测,并将结果导入Lipidsearch软件进行数据预处理,通过代谢物峰标识、数据转换和脂质片段的识别分析,分别获得正离子模式下和负离子模式下所包含脂质代谢物(三酰甘油(TGs),磷脂酰乙醇胺(PE)和磷脂酰胆碱(PC))的数据;分别根据相对丰度和保留时间对正离子模式和负离子模式下所包含脂质代谢物的数据构建映射关系,即导入PCA模型,结果该模型下POS模式下区分相对显著,但NEG模式下则未能较好的区分;再导入OPLS-DA模型,结果有效区分健康人群和8名口腔鳞癌患者,即成功用于口腔鳞癌的诊断;这说明本发明所构建的诊断模型特异性高、灵敏度好,效果良好,适用于早期口腔鳞癌的诊断。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种口腔鳞癌诊断模型的构建方法,其特征在于,包括以下步骤:
S1.收集口腔鳞癌患者和健康人群血清样本,作为分析样本;
S2.将每个分析样本采用UHPLC-MS血清代谢组学技术进行分析,对样品分别进行正离子模式和负离子模式的结合检测,得到包含所有脂类代谢物的原始谱图;
S3.将原始谱图导入Lipidsearch软件进行数据预处理,通过代谢物峰标识、数据转换和脂质片段的识别分析,分别获得正离子模式下和负离子模式下所包含脂质代谢物的数据;
S4.分别根据相对丰度和保留时间对正离子模式和负离子模式下所包含脂质代谢物的数据构建映射关系,从中筛选出适合于口腔鳞癌早期诊断的差异性代谢标记物信息;
S5.通过筛选出的差异性代谢标记物信息在KEGG数据库的映射,匹配相应的代谢通路。
2.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,所述步骤S4中的差异性代谢标记物包括:三酰甘油、磷脂酰乙醇胺和磷脂酰胆碱。
3.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油、磷脂酰乙醇胺和磷脂酰胆碱的组合物。
4.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油。
5.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为磷脂酰乙醇胺。
6.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为磷脂酰胆碱。
7.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油和磷脂酰乙醇胺的组合物。
8.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为磷脂酰乙醇胺和磷脂酰胆碱的组合物。
9.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为三酰甘油和磷脂酰胆碱的组合物。
10.根据权利要求1所述的口腔鳞癌诊断模型的构建方法,其特征在于,适合于口腔鳞癌早期诊断的差异性代谢标记物为以下代谢物中的至少一种:三酰甘油、硫代异鼠李糖甘油二酯、鞘磷脂、磷脂酰丝氨酸、磷脂酰乙醇胺、磷脂酰胆碱、单半乳糖二酰甘油、溶血磷脂酰乙醇胺、溶血磷脂酰胆碱、溶血二酰甘油基三甲基高丝氨酸(lyso-DGTS)脂质、己糖神经酰胺[NS]、己糖神经酰胺[NDS]、半双(单酰基甘油)磷酸酯、葡萄糖醛酸基二酰甘油、二酰基甘油基三甲基高丝氨酸脂质、二半乳糖甘油二酰甘油、二磷脂酰甘油、胆固醇酯、神经酰胺、二(单酰基甘油)磷酸酯、酰基葡糖醛酸基二酰甘油、溶血磷脂酸和酯酰肉碱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347784.4A CN113030357A (zh) | 2019-12-24 | 2019-12-24 | 一种口腔鳞癌诊断模型及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347784.4A CN113030357A (zh) | 2019-12-24 | 2019-12-24 | 一种口腔鳞癌诊断模型及其构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113030357A true CN113030357A (zh) | 2021-06-25 |
Family
ID=76451732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347784.4A Pending CN113030357A (zh) | 2019-12-24 | 2019-12-24 | 一种口腔鳞癌诊断模型及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113030357A (zh) |
Cited By (4)
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 |
CN116183922A (zh) * | 2023-01-13 | 2023-05-30 | 郑州大学第一附属医院 | 口腔鳞状细胞癌诊断模型的构建方法、标志物及其应用 |
CN116243002A (zh) * | 2023-01-13 | 2023-06-09 | 郑州大学第一附属医院 | 与口腔癌脂质代谢相关基因的发现方法及基因的应用 |
CN117789993A (zh) * | 2024-01-31 | 2024-03-29 | 浙江省肿瘤医院 | 基于舌苔代谢物的胃癌预测模型的建立和应用 |
-
2019
- 2019-12-24 CN CN201911347784.4A patent/CN113030357A/zh active Pending
Non-Patent Citations (5)
Title |
---|
中国科协学会学术部: "《网络药理学-中药现代化的新思路与新方法》", 30 November 2014, 中国科学技术出版社 * |
王继贤 等: "《临床生化检验(第二版)》", 31 July 1996, 湖南科学技术出版社 * |
程书钧: "《癌前病变和癌前癌症》", 31 January 2017, 河南科学技术出版社 * |
胡智祥: "《医院临床检验技术操作规范与实(化)验室管理全书》", 31 August 2004, 银声音像出版社 * |
董吁钢 等: "《心血管疾病预防与康复》", 28 February 2013, 中山大学出版社 * |
Cited By (8)
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 |
CN116183922A (zh) * | 2023-01-13 | 2023-05-30 | 郑州大学第一附属医院 | 口腔鳞状细胞癌诊断模型的构建方法、标志物及其应用 |
CN116243002A (zh) * | 2023-01-13 | 2023-06-09 | 郑州大学第一附属医院 | 与口腔癌脂质代谢相关基因的发现方法及基因的应用 |
CN116183922B (zh) * | 2023-01-13 | 2023-09-05 | 郑州大学第一附属医院 | 口腔鳞状细胞癌诊断模型的构建方法、标志物及其应用 |
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 |
CN116243002B (zh) * | 2023-01-13 | 2024-02-06 | 郑州大学第一附属医院 | 与口腔癌脂质代谢相关基因的发现方法及基因的应用 |
CN117789993A (zh) * | 2024-01-31 | 2024-03-29 | 浙江省肿瘤医院 | 基于舌苔代谢物的胃癌预测模型的建立和应用 |
CN117789993B (zh) * | 2024-01-31 | 2024-06-11 | 浙江省肿瘤医院 | 基于舌苔代谢物的胃癌预测模型的建立和应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113030357A (zh) | 一种口腔鳞癌诊断模型及其构建方法 | |
CN109884302B (zh) | 基于代谢组学和人工智能技术的肺癌早期诊断标志物及其应用 | |
Chen et al. | Serum and urine metabolite profiling reveals potential biomarkers of human hepatocellular carcinoma | |
Forrester et al. | Computational lipidomics: a multiplexed analysis of dynamic changes in membrane lipid composition during signal transduction | |
Ressom et al. | Utilization of metabolomics to identify serum biomarkers for hepatocellular carcinoma in patients with liver cirrhosis | |
Li et al. | Lipid profiling for early diagnosis and progression of colorectal cancer using direct‐infusion electrospray ionization Fourier transform ion cyclotron resonance mass spectrometry | |
Wu et al. | Metabolomic investigation of gastric cancer tissue using gas chromatography/mass spectrometry | |
Fang et al. | Differential label-free quantitative proteomic analysis of Shewanella oneidensis cultured under aerobic and suboxic conditions by accurate mass and time tag approach | |
US20090127454A1 (en) | Biomarkers useful for diagnosing prostate cancer, and methods thereof | |
CN105044361A (zh) | 一种适合于食管鳞状细胞癌早期诊断的诊断标记物及其筛选方法 | |
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 | |
CN108680745A (zh) | 血清脂质生物标志物在nsclc早期诊断中的应用方法 | |
Manzi et al. | Improving diagnosis of genitourinary cancers: Biomarker discovery strategies through mass spectrometry-based metabolomics | |
Nambiar et al. | There is detectable variation in the lipidomic profile between stable and progressive patients with idiopathic pulmonary fibrosis (IPF) | |
CN116413432A (zh) | 基于肠道菌群代谢组学的胰腺癌诊断标志物及其筛选方法和应用 | |
Mutuku et al. | Unravelling prostate cancer heterogeneity using spatial approaches to lipidomics and transcriptomics | |
Cao et al. | Database-assisted global metabolomics profiling of pleural effusion induced by tuberculosis and malignancy | |
Mao et al. | Circulating metabolites serve as diagnostic biomarkers for HER2‐positive breast cancer and have predictive value for trastuzumab therapy outcomes | |
CN113406226B (zh) | 一种基于非靶向代谢组学检测gist患者血浆中伊马替尼代谢物的方法 | |
Yang et al. | Big cohort metabolomic profiling of serum for oral squamous cell carcinoma screening and diagnosis | |
CN112669958B (zh) | 代谢物作为疾病诊断的生物标志物 | |
CN105044240B (zh) | 一种适合于食管鳞状细胞癌早期诊断的诊断标记物 | |
Song et al. | Screening and diagnosis of triple negative breast cancer based on rapid metabolic fingerprinting by conductive polymer spray ionization mass spectrometry and machine learning | |
WO2022255774A1 (ko) | 아실카르니틴 대사체를 포함하는 구강암 진단용 바이오마커 조성물 | |
CN113484518B (zh) | 一种区分肺部疾病的诊断生物标志物 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |