CN113125746B - 用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用 - Google Patents

用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用 Download PDF

Info

Publication number
CN113125746B
CN113125746B CN202110245829.8A CN202110245829A CN113125746B CN 113125746 B CN113125746 B CN 113125746B CN 202110245829 A CN202110245829 A CN 202110245829A CN 113125746 B CN113125746 B CN 113125746B
Authority
CN
China
Prior art keywords
risk
cytochrome
fibronectin
chain
kit
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
Application number
CN202110245829.8A
Other languages
English (en)
Other versions
CN113125746A (zh
Inventor
王建枝
余海涛
刘彦超
柯丹
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110245829.8A priority Critical patent/CN113125746B/zh
Publication of CN113125746A publication Critical patent/CN113125746A/zh
Application granted granted Critical
Publication of CN113125746B publication Critical patent/CN113125746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N33/48—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
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • G01N33/6896—Neurological disorders, e.g. Alzheimer's disease

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Hematology (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Medicinal Chemistry (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Neurosurgery (AREA)
  • Neurology (AREA)
  • Food Science & Technology (AREA)
  • Cell Biology (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及医药领域，具体涉及用于预测老年人发生AD的风险的生物标志物和试剂盒及其应用。所述生物标注为包括抗增殖蛋白、细胞色素b‑c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白。该生物标志物能够对老年人进行测评，准确率高、检测速度快、成本低、创伤小、易于被受试者接受，为AD提供了科学有效的诊断方案。该试剂盒可以在大范围老年人群中筛查AD，并且仅需要采集外周血即可完成检测，使得大范围的老年人口筛查成为可能。

Description

用于预测老年人发生AD的风险的生物标志物和试剂盒及其 应用
技术领域
本发明涉及医药领域，具体涉及用于预测老年人发生AD的风险的生物标志物和试剂盒及其应用。
背景技术
阿尔茨海默症(Alzheimer's disease，AD)是一种原发性的中枢神经系统退行性疾病，是最常见的痴呆类型。AD的主要临床症状是缓慢的认知功能减退，包括记忆、逻辑推理能力和语言功能的进行性丟失，最后发展为重度痴呆。
目前，对AD尚缺乏早期诊断措施，当患者就诊时常常已经出现不可逆性脑损伤，导致治疗效果不佳。因此，发现早期高危因素对早期诊断和干预有重要意义。
血小板与神经元在生物学上有诸多相似之处，因此，血小板是寻找中枢神经系统疾病外周生物标志物的理想材料。鉴于此，本发明旨在外周血小板中发现潜在的生物标志物，用于AD的诊断。
发明内容
本发明的目的是为了克服现有技术存在的AD诊断方法价格昂贵、耗时耗力等问题，提供一组用于预测老年人发生AD的风险的生物标志物和试剂盒及其应用。
为了实现上述目的，本发明一方面提供一组用于预测老年人发生AD的风险的生物标志物，其特征在于，所述生物标注为包括抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白。
优选地，抗增殖蛋白的水平、细胞色素b-c1复合物亚基6的水平、血小板糖蛋白Ib链的水平和纤维连接蛋白的水平与老年人发生AD的风险呈负相关。
本发明第二方面提供上述生物标志物在制备用于预测老年人发生AD的风险的试剂盒中的应用。
本发明第三方面提供一种用于预测老年人发生AD的风险的试剂盒，所述试剂盒包括检测抗增殖蛋白水平的物质、检测细胞色素b-c1复合物亚基6水平的物质、检测血小板糖蛋白Ib链水平的物质以及检测纤维连接蛋白水平的物质。
优选地，所述试剂盒还包括说明书，所述说明书用于记载使用方法。
优选地，所述说明书记载的使用方法包括以下步骤：
a：使用试剂盒测定来自受试者的生物样品中的抗增殖蛋白水平、细胞色素b-c1复合物亚基6水平、血小板糖蛋白Ib链水平以及纤维连接蛋白水平；
b：基于所述抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平预测该受试者发生AD的风险，其中，抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平降低表明该受试者具有发生AD的风险。
优选地，所述生物样品为血小板。
优选地，所述步骤b的具体过程包括：将步骤a测得的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平与参比水平进行比较，然后根据结果预测该受试者发生AD的风险，其中，当受试者的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平相对于参比水平降低时，则该受试者具有发生AD的风险。
优选地，所述参比水平为老年人没有检出AD的群体获得的平均水平。
本发明第四方面提供上述试剂盒在预测老年人发生AD的风险中的应用。
本发明有点在于：
1、提供了能够预测老年人患AD的风险的存在于外周血血小板中的生物标志物，能够对老年人进行测评，准确率高、检测速度快、成本低、创伤小、易于被受试者接受，为AD提供了科学有效的诊断方案。
2、提供预测老年人患AD的风险试剂盒，该试剂盒可以在大范围老年人群中筛查AD，并且仅需要采集外周血即可完成检测，使得大范围的老年人口筛查成为可能。
3、可以在AD发病前对受试者的风险进行预测，有利于对AD的早期干预。
附图说明
图1是实施例1中正常认知老年人群、MCI和AD病人血小板蛋白质组学分析结果；
图2是实施例2中血小板候选生物标志物与MMSE评分的相关性结果；
图3是实施例3中与正常认知对照组相比较的MCI和AD患者中的差异蛋白及相关生物信息学分析结果；
图4是实施例4中候选生物标志物的偏最小二乘法判别分析结果；
图5是实施例5中机器学习鉴定区分认知损伤人群的最佳组合标志物的结果。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在本文中所披露的范围的端点和任何值都不限于该精确的范围或值，这些范围或值应当理解为包含接近这些范围或值的值。对于数值范围来说，各个范围的端点值之间、各个范围的端点值和单独的点值之间，以及单独的点值之间可以彼此组合而得到一个或多个新的数值范围，这些数值范围应被视为在本文中具体公开。
由于血小板与神经元在生物学上有诸多相似之处，因此它可以作为神经系统疾病生物标志物的外周基质，本发明的发明人在研究过程中发现，与无痴呆的正常老年人群比，血小板中抗增殖蛋白(PHB)、细胞色素b-c1复合物亚基6(UACRH)、血小板糖蛋白Ib链(GP1BA)和纤维连接蛋白(FINC)的水平在AD人群中显著降低。基于此，完成了本发明。
本发明一方面提供一组用于预测老年人发生AD的风险的生物标志物，其特征在于，所述生物标注为包括抗增殖蛋白(PHB)、细胞色素b-c1复合物亚基6(UQCRH)、血小板糖蛋白Ib链(GP1BA)和纤维连接蛋白(FINC)。
在优选情况下，抗增殖蛋白的水平、细胞色素b-c1复合物亚基6的水平、血小板糖蛋白Ib链的水平和纤维连接蛋白的水平与老年人发生AD的风险呈负相关。
在本发明中，所述老年人的年龄≥66岁；优选地，所述老年人的年龄为66-83岁，均值约72.8岁。
本发明第二方面提供上述生物标志物在制备用于预测老年人发生AD的风险的试剂盒中的应用。
本发明第三方面提供一种用于预测老年人发生AD的风险的试剂盒，所述试剂盒包括检测抗增殖蛋白水平的物质、检测细胞色素b-c1复合物亚基6水平的物质、检测血小板糖蛋白Ib链水平的物质以及检测纤维连接蛋白水平的物质。
在优选情况下，所述试剂盒还包括说明书，所述说明书用于记载使用方法。
进一步优选地，所述说明书记载的使用方法包括以下步骤：
a：使用试剂盒测定来自受试者的生物样品中的抗增殖蛋白水平、细胞色素b-c1复合物亚基6水平、血小板糖蛋白Ib链水平以及纤维连接蛋白水平；
b：基于所述抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平预测该受试者发生AD的风险，其中，抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平降低表明该受试者具有发生AD的风险。
在优选情况下，所述生物样品为血小板。
优选地，所述步骤b的具体过程包括：将步骤a测得的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平与参比水平进行比较，然后根据结果预测该受试者发生AD的风险，其中，当受试者的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平相对于参比水平降低时，则该受试者具有发生AD的风险。
进一步优选地，所述步骤b的具体过程包括：将步骤a测得的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平与参比水平进行比较，然后根据结果预测该受试者发生AD的风险，其中，当受试者的抗增殖蛋白水平与参比水平的比值(cutoff值)≤0.920时、细胞色素b-c1复合物亚基6水平与参比水平的比值(cutoff值)≤0.997、血小板糖蛋白Ib链水平与参比水平的比值(cutoff值)≤1.01，纤维连接蛋白水平水平与参比水平的比值(cutoff值)≤0.907，则该受试者具有发生AD的风险。
优选地，所述参比水平为老年人没有检出AD的群体获得的平均水平。
本发明第四方面提供上述试剂盒在预测老年人发生AD的风险中的应用。
为了更清楚的描述本发明的技术内容，下面结合具体实施例来进一步的描述。所用试剂或仪器未注明生产厂商者，均为可以通过商购获得的常规产品。
实施例1
对患有轻度认知障碍(MCI，MMSE＝18-23)，严重认知障碍(AD，MMSE＝2-17)和年龄/性别匹配的正常认知(MMSE＝29-30)的人群(Ctrl组)利用TMT-LC-MS/MS技术进行了全面而深入的血小板蛋白质组学分析。具体过程包括：首先，利用TMT标签标记每个蛋白样品，而后进行质谱鉴定，其次进行差异蛋白分析和皮尔逊相关性分析确定候选蛋白，最后基于候选蛋白利用机器学习方法确立最佳组合标志物。
蛋白质组学分析的结果如图1A所示，蛋白质组学共捕获了2994个血小板蛋白，与正常认知人群相比，在MCI和AD患者中一共鉴定出360种差异蛋白(P<0.05)。其中，MCI患者与正常认知人群相比，207个差异表达蛋白被下调，其中9个被上调(如图1B所示)；AD患者与正常认知人群相比，121个差异蛋白被下调，其中44种被上调(如图1C所示)。进一步的，与Ctrl组相比，在MCI和AD患者的血小板中鉴定出相同的差异蛋白51个(如图1D所示)，且丰度在MCI和AD中都是减少的(图1E)。
实施例2
根据实施例1得到的结果，经过MMSE相关性和通路分析确定了26中核心血小板蛋白定义为候选蛋白，进一步对26种血小板候选蛋白与MMSE评分的相关系数进行排名，根据皮尔逊相关系数对候选生物标记(p<0.05)进行排序可以构建出复杂的关联矩阵(如图2A)，其中，阴影占圆圈的比率表示相关程度的大小，候选生物标志物的相对表达丰度如图2B所示。由图可知，候选蛋白的增加或减少都非常均匀，所有26种候选蛋白质均显示出中等程度的MMSE相关性(|r|＝0.371-0.552)。其中，血小板CD63的减少与MMSE评分显示出最强的相关性(r＝0.552，P＝0.002)。而抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白与MMSE的相关性系数(r)分别为0.476,0.448,0.468,0.396。
进一步的，我们还在数据集中发现了一些蛋白质之间的紧密相关性，例如线粒体功能障碍相关蛋白质PHB，SLC25A5，MPPB(|r|＝0.60-0.69)(图2A)；补体激活途径蛋白C1S，SERPINA1，SERPINF2(|r|＝0.63-0.75)(图2A)。此外，发现Aβ相关蛋白ADAM10与补体激活相关蛋白SERPINA1和血小板激活相关蛋白整联蛋白α-IIb(ITA2B)密切相关(|r|＝0.70-0.85)(图2A)，表明这三者可能在AD的发病机理中起协同作用或拮抗作用。这些数据表明，血小板失调蛋白参与认知损伤相关的复杂调控网络。
实施例3
为了探讨认知功能下降过程中血小板蛋白质组的动态变化，我们在MCI，AD和认知正常对照人群中进行了聚类和蛋白质-蛋白质相互作用(PPI)网络分析。与正常认知对照组相比，MCI和AD患者中的差异蛋白及相关生物信息学分析结果如图3所示。图3A中，根据Ctrl，MCI到AD组差异蛋白变化趋势，将差异蛋白分为三个簇(每行代表一种蛋白质)；图3B中，通过Metascape在线分析对三个簇的差异蛋白进行信号通路富集分析(重叠蛋白≥3，P<0.01)；图3C表示三个簇中检测到的蛋白与蛋白相互作用模块；图3D表示差异蛋白质显著富集的生物学功能过程。其中，圆圈模块代表簇1，方块模块代表簇2和三角模块代表簇3。
簇1(n＝160)中的蛋白质，包括CD63，PHB，UQCRH，ANXA5和EGF，显示从Ctrl到MCI到AD的下降趋势(图3A左)。这些蛋白质富含7种KEGG通路，包括脂肪酸代谢，cGMP-PKG信号通路，AD，癌症通路，矿物质吸收，AMPK信号通路和血小板活化(图3B)。与正常对照组相比，簇2(n＝135)表现出MCI显着降低而在AD升高趋势的蛋白(图3A中部)，这些差异蛋白与爱泼斯坦-巴尔病毒感染，加压素调节的水重吸收和抗叶酸抵抗有关(图3B)。簇3(n＝65)中的蛋白质显示了从Ctrl到MCI到AD的趋势(图3A右)，包括PPP3CB，STMN1，PTPN7，MAP4K2和STK3，它们都强烈指向MAPK信号通路(图3B)。通过对差异表达的蛋白质进行PPI网络分析，我们进一步定义了八个蛋白质相互作用模块，这些模块支持上述簇中的已鉴定途径(图3C)。通过对差异蛋白的生物学过程分析，显示了更全面，更详细的生物学机制，包括调节胰岛素分泌，血小板活化(簇1)。蛋白质转运，细胞间粘附，ER向高尔基小泡介导的转运(簇2)；和补体激活，蛋白质折叠(簇3)(图3D)。
研究发现，后续由机器学习算法识别的四个分子代表两个重要的病理过程，即线粒体功能障碍(PHB，UQCRH)和血小板激活(GP1BA，FINC)。
实施例4
基于实例2和3的结果，展示了差异蛋白和MMSE相关蛋白复杂的生物调控网络，确定了19个发挥核心作用的蛋白定义为候选生物标志物。对候选生物标志物(19种候选蛋白)的偏最小二乘法判别分析(PLS-DA)结果如图4所示。图4A表示通过PLS-DA分析19种候选血小板蛋白的区分认知损伤人群的能力。对选定的19种候选蛋白进行偏最小二乘判别分析(PLS-DA)可以很好地区分MCI和AD与Ctrl，尽管不能区分MCI和AD(图4A)。但是如图4B所示，通过预测变量区分认知损伤人群的重要性确认了9种候选蛋白(VIP>1)。其中包括PHB，RAP1A，ITPR1，UQCRH，CD63，ADAM10，GP1BA，ITPR2和FINC在内的9个蛋白，被认为是区分正常人去与认知障碍人群的核心分子，其预测重要性VIPpred>1，其中，PHB表现出最高的预测贡献度。
实施例5
因此，基于实施例4得到的结论，为了获得预测认知能力下降的最佳组合生物标志物，我们使用留一法(LOO)的方法进一步分析了9种核心候选蛋白。该方法一次只保留一个样本作为验证集，而将其余样本用作训练集，因此所有样本都进行了27次训练并进行了27次验证。机器学习鉴定出区分认知损伤人群的最佳组合标志物，结果如图5所示。其中，图5A中为基于留一法(LOO)算法确认的ROC曲线下方面积的最佳性能面板，Y轴左；ROC曲线下的面积，Y轴右：准确率，x轴；通过LOO算法选择的血小板蛋白，1-9分别代表相应蛋白数所对应的最佳组合；图5B中的结果为在每种最佳组合下，相应的蛋白和生物标志物的诊断效率；图5C和5D表示基于LOO算法，每种最佳组合生物标志物的接收器工作特征曲线(AUCROC)和精确召回曲线(AUCPR)。AUCROC基于真阳性率和假阳性率：真阳性率＝[真阳性/(真阳性+假阴性)]；假阳性率＝[假阳性/(真阴性+假阴性)]。AUCPR是根据精度和召回率获得的：精度＝[真阳性/(真阳性+假阳性)]；召回率＝[真阳性/(真阳性+假阴性)]。此外，F1分数＝2*(精度*召回率)/(精度+召回率)。
通过LOO分析，使用9种生物标记物的不同组合观察到各种特异性和准确性，PHB，UQCRH，GP1BA和FINC的组合显示出最高的特异性，具有最大的受体工作特性(ROC)(AUCROC＝0.965)，并且具有最高的准确度(89.3％)(图5A-C)。使用该组合生物标志物，产生的召回率为0.895，精度为0.944，F1得分为0.919，最大的召回率曲线(AUCPR＝0.985)(图5B和D)。因此，将PHB，UQCRH，GP1BA和FINC可以作为用于预测老年人发生AD的风险的生物标志物。
对比例1
将PHB作为单个血小板生物标志物，根据检测结果，AUCROC为0.842，准确性为78.6％，召回率为0.895，准确性为0.810，F1得分为0.850，AUCPR为0.929(图5A-D)。
因此，由上述实施例1-5和对比例1的结果可以得知，本发明的发明人通过对MCI患者、AD患者和正常认知人群进行血小板蛋白质组学分析，然后对MCI和AD患者中的差异蛋白及相关生物信息学分析，接着分析候选血小板蛋白的区分认知损伤人群的能力，进一步筛选出候选蛋白，然后使用机器学习鉴定出区分认知损伤人群的最佳组合标志物(PHB，UQCRH，GP1BA和FINC)，并对最佳标志物组合物的诊断效率进行验证，接着与单个生物标志物的诊断效能进行比较，结果表明最佳组合标志物(PHB，UQCRH，GP1BA和FINC)具有最高的准确率。
由此可见，本发明所述的由PHB，UQCRH，GP1BA和FINC组成的生物标志物可以用于预测老年人发生AD的风险，具有准确率高、灵敏度高、特异性好的特点。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个技术特征以任何其它的合适方式进行组合，这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明的保护范围。

Claims (5)

1.检测血小板中生物标志物的试剂在制备用于预测老年人发生AD的风险的试剂盒中的应用，其特征在于，所述生物标志物由抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白组成，抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平与老年人群发生AD的风险呈负相关。
2.根据权利要求1所述的应用，其特征在于，所述试剂盒还包括说明书，所述说明书用于记载使用方法。
3.根据权利要求2所述的应用，其特征在于，所述说明书记载的使用方法包括以下步骤：
a：使用试剂盒测定来自受试者的生物样品中的抗增殖蛋白水平、细胞色素b-c1复合物亚基6水平、血小板糖蛋白Ib链水平以及纤维连接蛋白水平；
b：基于所述抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平预测该受试者发生AD的风险，其中，抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白的水平降低表明该受试者具有发生AD的风险。
4.根据权利要求3所述的应用，其特征在于，所述步骤b的具体过程包括：将步骤a测得的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平与参比水平进行比较，然后根据结果预测该受试者发生AD的风险，其中，当受试者的抗增殖蛋白、细胞色素b-c1复合物亚基6、血小板糖蛋白Ib链和纤维连接蛋白水平相对于参比水平降低时，则该受试者具有发生AD的风险。
5.根据权利要求4所述的应用，其特征在于，所述参比水平为老年人没有检出AD的群体获得的平均水平。
CN202110245829.8A 2021-03-05 2021-03-05 用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用 Active CN113125746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110245829.8A CN113125746B (zh) 2021-03-05 2021-03-05 用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110245829.8A CN113125746B (zh) 2021-03-05 2021-03-05 用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用

Publications (2)

Publication Number Publication Date
CN113125746A CN113125746A (zh) 2021-07-16
CN113125746B true CN113125746B (zh) 2022-05-24

Family

ID=76772555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245829.8A Active CN113125746B (zh) 2021-03-05 2021-03-05 用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用

Country Status (1)

Country Link
CN (1) CN113125746B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114150057B (zh) * 2021-12-21 2024-04-26 贾龙飞 一种诊断阿尔茨海默病的外泌体蛋白及其用途

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2899543A1 (en) * 2014-01-28 2015-07-29 Predemtec GmbH Biomarker and methods for early diagnosis of Alzheimer's disease
CN109200292A (zh) * 2018-10-19 2019-01-15 徐州医科大学 具有治疗阿尔茨海默病功效的纳米复合体及其制备方法与应用
CN109791139A (zh) * 2016-08-09 2019-05-21 大塚制药株式会社 使用尿液生物标记的阿兹海默氏症的辅助诊断方法
CN110049769A (zh) * 2016-12-04 2019-07-23 阿拉维·霍拉萨尼·默哈达姆·马塞尔·维克托 治疗与线粒体应激相关的疾病的方法
CN110333310A (zh) * 2019-08-16 2019-10-15 大连医科大学附属第一医院 一组用于诊断受试者中的ad或确定受试者中发生ad的风险的生物标志物及其应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2899543A1 (en) * 2014-01-28 2015-07-29 Predemtec GmbH Biomarker and methods for early diagnosis of Alzheimer's disease
CN109791139A (zh) * 2016-08-09 2019-05-21 大塚制药株式会社 使用尿液生物标记的阿兹海默氏症的辅助诊断方法
CN110049769A (zh) * 2016-12-04 2019-07-23 阿拉维·霍拉萨尼·默哈达姆·马塞尔·维克托 治疗与线粒体应激相关的疾病的方法
CN109200292A (zh) * 2018-10-19 2019-01-15 徐州医科大学 具有治疗阿尔茨海默病功效的纳米复合体及其制备方法与应用
CN110333310A (zh) * 2019-08-16 2019-10-15 大连医科大学附属第一医院 一组用于诊断受试者中的ad或确定受试者中发生ad的风险的生物标志物及其应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Olfactory bulb neuroproteomics reveals a chronological perturbation of survival routes and a disruption of prohibitin complex during Alzheimer"s disease progression;Lachen-Montes Mercedes 等;《SCIENTIFIC REPORTS》;20170822;第7卷;第9115页 *
Platelet biomarkers for a descending cognitive function: A proteomic approach;Yu Haitao 等;《AGING CELL》;20210504;第20卷(第5期);第e13358页 *

Also Published As

Publication number Publication date
CN113125746A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
US7622303B2 (en) Methods for identifying patients at risk for life threatening arrhythmias
JP2023178345A (ja) 自閉症スペクトラム障害のリスクを決定するための方法およびシステム
EP2362942B1 (en) Biomarkers
EP2657706B1 (en) Biomarker for cognitive dysfunction diseases, and method for detection of cognitive dysfunction diseases using the biomarker
US20230238143A1 (en) Multimodality systems and methods for detection, prognosis, and monitoring of neurological injury and disease
CN106916217A (zh) 应用iTRAQ技术研究弓形虫慢性感染小鼠脑组织差异表达蛋白质组的方法
Laila et al. Role of proteomics in the discovery of autism biomarkers
CN113125746B (zh) 用于预测老年人发生ad的风险的生物标志物和试剂盒及其应用
Sharma et al. A machine learning approach to unmask novel gene signatures and prediction of Alzheimer's disease within different brain regions
US20150100242A1 (en) Method, kit and array for biomarker validation and clinical use
Bakochi et al. Cerebrospinal fluid proteome maps detect pathogen-specific host response patterns in meningitis
US20180171406A1 (en) Identification of epigenetic biomarkers in the saliva of children with autism spectrum disorder
WO2006020567A2 (en) Method for diagnosing obstructive sleep apnea
Kayvanpour et al. microRNA neural networks improve diagnosis of acute coronary syndrome (ACS)
CN109813912B (zh) 一组血清差异蛋白组合在制备用于检测孤独症的试剂中的应用
CN109342738B (zh) 一组血清差异蛋白组合在制备用于检测阿尔茨海默症的试剂中的应用
WO2007139777A2 (en) Methods for the diagnosis and prognosis of alzheimer&#39;s disease using csf protein profiling
Tian et al. Immune infiltration and immunophenotyping in atrial fibrillation
CN111370116A (zh) 双相情感障碍疗效预测的肠道微生物标志物及其筛选应用
CN112226501B (zh) 一种重症肌无力的肠道菌群标志物及其应用
CN117092347A (zh) 一种帕金森病认知障碍的生物标志物及应用
Wang et al. Single cell transcriptomes and multiscale networks from persons with and without Alzheimer’s disease
CN116087527A (zh) 血液差异蛋白组合在制备用于检测asd的试剂中的应用
CN114150057A (zh) 一种诊断阿尔茨海默病的外泌体蛋白及其用途
CN117949663A (zh) 一种学龄前儿童哮喘诊断新生物标志物筛选方法和应用

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
GR01 Patent grant
GR01 Patent grant