CN113219173A - Sh2b1在肺癌诊断中的应用 - Google Patents

Sh2b1在肺癌诊断中的应用 Download PDF

Info

Publication number
CN113219173A
CN113219173A CN202110512549.9A CN202110512549A CN113219173A CN 113219173 A CN113219173 A CN 113219173A CN 202110512549 A CN202110512549 A CN 202110512549A CN 113219173 A CN113219173 A CN 113219173A
Authority
CN
China
Prior art keywords
sh2b1
lung cancer
serum
concentration
history
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
CN202110512549.9A
Other languages
English (en)
Inventor
程远大
林航
张春芳
艾燕
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.)
Xiangya Hospital of Central South University
Original Assignee
Xiangya Hospital of Central South 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 Xiangya Hospital of Central South University filed Critical Xiangya Hospital of Central South University
Priority to CN202110512549.9A priority Critical patent/CN113219173A/zh
Publication of CN113219173A publication Critical patent/CN113219173A/zh
Pending legal-status Critical Current

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
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57423—Specifically defined cancers of lung
    • 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
    • G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
    • G01N33/57488—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites involving compounds identifable in body fluids
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G16B5/20—Probabilistic models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/46—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans from vertebrates
    • G01N2333/47—Assays involving proteins of known structure or function as defined in the subgroups
    • G01N2333/4701—Details
    • G01N2333/4703—Regulators; Modulating activity

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Hematology (AREA)
  • Physics & Mathematics (AREA)
  • Urology & Nephrology (AREA)
  • Cell Biology (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Microbiology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Hospice & Palliative Care (AREA)
  • Oncology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种SH2B1在肺癌诊断中的应用。本发明确定了血清中SH2B1蛋白表达与肺癌之间的关系：在肺癌患者的血清中，SH2B1蛋白表达明显升高，可作为肺癌辅助诊断标志物的用途。本发明以血清中SH2B1蛋白表达浓度、中性粒细胞、血红蛋白水平、白蛋白水平及慢性肺部疾病史作为变量，建立Logsitic回归模型，并绘制Nomogram预测图，具有很好的敏感性和特异性，可用于肺部结节或占位性病变的的鉴别诊断。因此，SH2B1作为肿瘤标志物，应用于肺癌诊断和肺癌风险预测模型的建立，为肺癌诊断和风险预测提供了新的诊断途径。

Description

SH2B1在肺癌诊断中的应用
技术领域
本发明属于检验医学和医疗信息技术领域，特别涉及一种SH2B1(SH2B衔接蛋白1)在肺癌诊断中的应用，具体是SH2B1在肺癌诊断肿瘤标志物及肺癌风险预测模型建立中的应用。
背景技术
肺癌是目前发病率和死亡率第一的恶性肿瘤。据统计，2018年全球范围内有1810万癌症新发病例和960万癌症死亡病例，其中肺癌发病人数约209万(11.6％)，肺癌死亡176万(18.4％)【1】。由于肺癌被发现时一般分期均较晚，肺癌患者的整体生存率较低。Ia期肺癌患者的5年生存率高达80％以上，对于原位癌和微浸润癌患者的5年生存率几乎接近100％，因此早诊早治是提高肺癌患者整体生存率的有效措施。随着人们健康意识的提高和低剂量CT筛查的应用，越来越多的肺部结节或占位性病变被发现，鉴别和诊断这些病变的良恶性，对后续的治疗具有重要的指导意义。
目前，肺部结节或占位性病变的诊断主要依靠胸部影像，对于体积较大的占位性病变，可通过穿刺活检明确诊断，对于体积较小或位置隐蔽的肺部病变，一般难以通过穿刺活检明确诊断。胸部影像诊断具有明显的主观性，不同诊断水平的医生对病变性质的诊断存在不同的观点，存在一定的误诊几率。
肿瘤标志物用于肺癌的辅助诊断及肺癌风险预测模型的建立，对于肺部结节或占位的患者具有一定的客观诊断价值。肿瘤标志物是指相对特异性的存在于恶性肿瘤细胞、或由恶性肿瘤细胞产生的物质，或是宿主对肿瘤细胞的刺激反应而产生的物质。肿瘤标志物能够反映肿瘤的发生、发展，监测肿瘤对治疗反应的一类物质。目前，常见的肺癌标志物包括：癌胚抗原(CEA)、胃泌素释放肽前体(Pro-GRP)、神经元特异性烯醇化酶(NSE)及鳞状细胞癌抗原(SCC-Ag)等。虽然血清肿瘤标志物已经成为恶性肿瘤诊断的手段之一,但各项肿瘤标志物指标的敏感性与特异性均有限【2】。
SH2B1是SH2B家族的成员，SH2B是一类含有SH2和PH结构域的信号接头蛋白，在生长发育、代谢平衡和免疫调节等诸多方面发挥着重要的调控作用，存在于大量的组织和细胞中，包括下丘脑、肝脏、肌肉、脂肪组织、心脏、胰脏等【3，4】。最近研究表明，SH2B1可能是肿瘤的促进因子【5】。
【参考文献】：
1、Bray F,Ferlay J,Soerjomataram I,Siegel RL,Torre LA,Jemal A.Globalcancer statistics 2018:GLOBOCAN estimates of incidence and mortalityworldwide for 36cancers in 185countries.CA Cancer J Clin.2018Nov；68(6):394-424.doi:10.3322/caac.21492.Epub 2018Sep 12.Erratum in:CA CancerJClin.2020Jul；70(4):313.PMID:30207593.
2、龚珂,屈佳肴,刘香婷,罗迪贤。肺癌相关肿瘤标志物研究进展【J】.医学理论与实践,2020,33(5):713-714,720.
3、Li Y,et al.Cloning and characterization ofhuman Lnk,an adaptorprotein with pleckstrin homology and Src homology 2domains that can inhibit Tcell activation.J Immunol(2000).164(10):5199-5206.
4、Takaki S,et al.Control of B cell production by the adaptor proteinlnk.Definition of a conserved family of signal-modulatingproteins.Immunity.13(5):599–609.
5、Yuanda Cheng,Chaojun Duan,Chunfang Zhang.New perspective on SH2B1:An accelerator of cancer progression.Biomed Pharmacother.2020Jan；121:109651.doi:10.1016/j.biopha.2019.109651。
发明内容
为解决目前技术存在的缺陷和不足，针对目前肺癌肿瘤标志物特异性和灵敏度较低的问题，本发明的目的在于确定血清中SH2B1(SH2B衔接蛋白1)表达水平与肺癌之间的关系，并提供以SH2B1在肺癌诊断中的应用，具体是SH2B1作为肿瘤标志物在肺癌诊断和肺癌风险预测模型建立中的应用。
本发明的目的通过下述技术方案实现：
本发明的实施例通过试验确定血清中SH2B1蛋白表达与肺癌之间的关系：
1、在肺癌患者的血清中，SH2B1蛋白表达明显升高：
本发明选用正常的健康人群作为对照，分别抽取肺癌患者和健康人群的外周血，采用ELISA检测肺癌患者和健康人群血清中SH2B1蛋白的表达水平。结果显示，肺癌患者的血清中SH2B1表达水平明显高于正常人群的血清中SH2B1表达水平(图1)。
2、本发明通过对所选肺癌患者与健康人群的临床指标比较，选取肺癌风险预测模型的差异性临床指标：
本发明通过对性别(男或女)、年龄、身体质量指数(body mass index，BMI)、吸烟史(无或有)、饮酒史(无或有)、高血压病史(无或有)、糖尿病史(无或有)、慢性肺部疾病史(无或有)、心血管病史(无或有)、消化性溃疡病史(无或有)、肺癌家族史(无或有)、白细胞计数、中性粒细胞计数、淋巴细胞计数、中性粒细胞淋巴细胞比值(Neutrophil-to-Lymphocyte-Ratio，NLR)、血红蛋白水平、白蛋白水平、甘油三酯浓度、总胆固醇浓度、空腹血糖浓度等临床指标进行差异性分析。结果表明，多因素二元Logistic回归分析结果提示慢性肺部疾病史、NLR、血红蛋白水平、白蛋白水平、血清中SH2B1蛋白表达浓度都具有显著的统计学意义。
3、本发明通过对血清中SH2B1蛋白浓度、慢性肺部疾病史、NLR、血红蛋白水平及白蛋白水平5个变量指标进行Logistic回归分析，根据回归系数建立回归方程：LogitP＝-1.211+2.118X1+2.053X2-2.276X3-2.514X4+4.518X5(X1：慢性肺部疾病史，X2：NLR，X3：血红蛋白水平，X4：白蛋白水平，X5：血清中SH2B1蛋白表达浓度)，从而建立肺癌风险预测模型。
首先，对上述回归方程进行Hosmer and Lemeshow检验并绘制校准曲线，结果提示：χ2＝1.300，P＝0.996，说明模型预测值与实际值之间差异无统计学意义，提示回归方程的拟合度较好(图2)。
其次，对纳入肺癌风险预测模型的5个变量进行共线性诊断，结果提示：慢性肺部疾病史的Tolerance＝0.862，VIF＝1.160；NLR的Tolerance＝0.941，VIF＝1.063；血红蛋白水平的Tolerance＝0.800，VIF＝1.250；白蛋白水平的Tolerance＝0.741，VIF＝1.350；血清SH2B1浓度的Tolerance＝0.883，VIF＝1.132，说明5个变量之间不存在多重共线性问题，提示由5个变量为自变量所构建的模型较为稳定。
最后，绘制ROC曲线，计算曲线下面积，结果提示：C-statistics＝0.965，95％CI：0.944-0.985，说明模型区分度较好，提示所构建的Logsitic回归模型具有良好的预测价值(图3)。
根据上述所构建的Logsitic回归模型来绘制Nomogram预测图(图4)，其原理是把Logistic回归方程中有意义的指标的最大回归系数βmax设定为100分，然后将该方程中其余有意义的指标的回归系数βx依次除以βmax同时再扩大100倍，其结果为某指标相应的得分，最后把各指标的得分累计相加求出总分进行概率预测。在本研究中，血清SH2B1浓度<615.28pg/mL得0分、血清SH2B1浓度≥615.28pg/mL得100分；无慢性肺部疾病史得0分、有慢性肺部疾病史得44.88分；NLR<2.07得0分、NLR≥2.07得45.44分；血红蛋白水平≥136.56g/L得0分；血红蛋白水平<136.56g/L得50.37分；白蛋白水平≥42.59g/L得0分、白蛋白水平<42.59g/L得55.65分(见图4)。例如，某志愿者血清SH2B1浓度≥615.28pg/mL，得100分；既往无慢性肺部疾病史，得0分；NLR≥2.07，得45.44分；血红蛋白水平≥136.56g/L，得0分；白蛋白水平<42.59g/L，得55.65分。最终该患者总分为201.09分，故该志愿者罹患NSCLC的可能性为95％。
4、本发明通过所选肺癌患者血清中SH2B1蛋白表达浓度与肺癌临床病例的特征分析，结果发现肺癌患者血清中SH2B1蛋白表达浓度与肺癌的分期、和病理类型之间无明显差异(p>0.05)。
针对SH2B1的上述功能，提供SH2B1作为肿瘤标志物在肺癌诊断中的应用。
针对SH2B1的上述功能，提供SH2B1作为肿瘤标志物在肺癌风险预测模型建立中的应用。
可选的，所述SH2B1作为肿瘤标志物，表现为肺癌患者的血清中SH2B1蛋白表达浓度比健康人群的所述血清中SH2B1蛋白表达浓度高。
可选的，所述SH2B1作为肿瘤标志物在肺癌风险预测模型建立中的应用，通过如下方法进行：以所述血清中SH2B1蛋白浓度、中性粒细胞、血红蛋白水平、白蛋白水平及慢性肺部疾病史作为变量，建立Logsitic回归模型，并绘制Nomogram预测图。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明首次发现了肺癌患者的血清中SH2B1蛋白表达浓度明显高于正常健康人群的血清中SH2B1蛋白表达浓度。
(2)基于血清中SH2B1蛋白表达浓度联合临床指标建立的肺癌风险预测模型，对肺癌预测具有良好的预测价值。
(3)肺癌患者的血清中SH2B1蛋白表达水平不随肺癌分期发生明显变化，表明SH2B1在不同肺癌分期阶段均具有诊断价值。
(4)肺癌患者的血清中SH2B1蛋白表达水平在鳞癌和腺癌不同病理类型之间无明显差异，表明SH2B1对肺鳞癌和肺腺癌均具有诊断价值。
附图说明
图1为本发明实施例的肺癌患者(NSCLC组)的血清中SH2B1表达与正常人群(健康组)的血清中SH2B1表达情况；
图2是本发明实施例以SH2B1为基础的肺癌风险预测模型的校准曲线；
图3为本发明实施例的肺癌风险预测模型的ROC曲线；
图4为本发明实施例的肺癌风险预测模型的Nomogram图。
具体实施方式
下面结合实施例对本发明作进一步详细的描述，但本发明的实施方式不限于此。
本发明首次发现，与正常人相比，肺癌患者血清中的SH2B1表达浓度比正常健康人血清中的SH2B1表达浓度明显升高，较常规肿瘤标志物有更高的诊断效率，通过血清中SH2B1蛋白表达浓度与临床指标的联合构建肺癌风险预测模型，具有良好的预测价值。
本发明首先通过试验确定血清中SH2B1蛋白表达与肺癌之间的关系：
1、在肺癌患者的血清中，SH2B1蛋白表达明显升高：
本发明选用正常的健康人群作为对照，分别抽取肺癌患者(103例)和健康人群(108例)的外周血，采用ELISA检测肺癌患者和健康人群血清中SH2B1蛋白的表达水平。结果显示，肺癌患者的血清中SH2B1表达水平明显高于正常人群的血清中SH2B1表达水平(图1)。从图1中可以看到，两组之间的SH2B1表达差异具有明显统计学差异。其中ELISA检测相关信息如下：
1)ELISA实验试剂
Figure BDA0003060907900000061
2)ELISA实验方法及步骤
本研究采用ELISA测定NSCLC患者和健康志愿者血清标本中SH2B1浓度水平。实验步骤如下：
(1)标准品的稀释：
Figure BDA0003060907900000062
(2)加样：分别设置空白孔、标准孔和待测样本孔。在酶标包被板上标准品准确加样50μl，待测样本孔中先加样品稀释液40μl，然后再加待测样品10μl(样品最终稀释度为5倍)。将样本加于酶标包被板底部，尽量不触及孔壁，轻轻晃动混匀。
(3)温育：用封板膜封板后置37℃温育30分钟。
(4)配液：将30倍浓缩洗涤液用蒸馏水30倍稀释后备用。
(5)洗涤：小心揭掉封板膜，弃去液体，甩干，每孔加满洗涤液，静置30秒后弃去，如此重复5次，拍干。
(6)加酶：每孔加入酶标试剂50μl，空白孔除外。
(7)温育：用封板膜封板后置37℃温育30分钟。
(8)洗涤：小心揭掉封板膜，弃去液体，甩干，每孔加满洗涤液，静置30秒后弃去，如此重复5次，拍干。
(9)显色：每孔先加入显色剂A 50μl，再加入显色剂B 50ul，轻轻震荡混匀，37℃避光显色10分钟。
(10)终止：每孔加入终止液50μl，完成终止反应(此时蓝色立转黄色)。
(11)测定：以空白孔调零，450nm波长依次测量各孔的吸光度(OD值)。
(12)计算：用标准物的浓度和OD值计算出标准曲线的直线回归方程式，将样本的OD值带入方程式，计算出样品浓度，再乘以稀释倍数，即为样品的实际浓度。
2、本发明通过对所选肺癌患者与健康人群的临床指标比较，选取肺癌风险预测模型的差异性临床指标：
本发明通过对性别(男或女)、年龄、身体质量指数(body mass index，BMI)、高血压病史(无或有)、糖尿病史(无或有)、慢性肺部疾病史(无或有)、心血管病史(无或有)、消化性溃疡病史(无或有)、肺癌家族史(无或有)、白细胞计数、中性粒细胞计数、淋巴细胞计数、中性粒细胞淋巴细胞比值(Neutrophil-to-Lymphocyte-Ratio，NLR)、血红蛋白水平、白蛋白水平、甘油三酯浓度、总胆固醇浓度、空腹血糖浓度、血清SH2B1表达浓度等临床指标进行单因素差异性分析。
具体分析结果如下：
(1)NSCLC组男性有71人(68.9％)，女性有32人(31.1％)；健康组男性有67人(62.0％)，女性有41人(38.0％)，P＝0.293。
(2)NSCLC组年龄的中位数为64.00岁(IQR：56.00-67.00岁)；健康组年龄的中位数为59.00岁(IQR：49.25-64.00岁)，P＝0.011。
(3)NSCLC组BMI的平均数为22.53Kg/m2，标准差为2.84；健康组年龄的平均数为23.98Kg/m2，标准差为2.91，P<0.001，提示BMI在两组之间具有显著的统计学差异，NSCLC组的BMI明显低于健康组。
(4)NSCLC组有高血压史25人(24.3％)，无高血压史78人(75.7％)；健康组有高血压史19人(17.6％)，无高血压史89人(82.4％)，P＝0.233。
(5)NSCLC组有糖尿病史8人(7.8％)，无糖尿病史95人(92.2％)；健康组有糖尿病史4人(3.7％)，无糖尿病史104人(96.3％)，P＝0.203。
(6)NSCLC组有慢性肺部疾病史38人(36.9％)，无慢性肺部疾病史65人(63.1％)；健康组有慢性肺部疾病史8人(7.4％)，无慢性肺部疾病史100人(92.6％)，P<0.001，提示慢性肺部疾病史在两组之间具有显著的统计学差异，NSCLC组合并慢性肺部疾病的比例明显高于健康组。
(7)NSCLC组有心血管病史4人(3.9％)，无心血管病史99人(96.1％)；健康组有心血管病史5人(4.6％)，无心血管病糖尿病史103人(95.4％)，P＝1.000。
(8)NSCLC组有消化性溃疡病史5人(4.9％)，无消化性溃疡病史98人(95.1％)；健康组有消化性溃疡病史2人(1.9％)，无消化性溃疡病史106人(98.1％)，P＝0.271。
(9)NSCLC组白细胞数目的中位数为5.90×109/L(IQR：4.80-7.40×109/L)；健康组白细胞数目的中位数为5.80×109/L(IQR：5.03-6.80×109/L)，P＝0.525。
(10)NSCLC组中性粒细胞数目的中位数为3.70×109/L(IQR：2.80-4.80×109/L)；健康组中性粒细胞数目的中位数为3.40×109/L(IQR：2.70-4.00×109/L)，P＝0.038，提示中性粒细胞数目在两组之间具有显著的统计学差异，NSCLC组的中性粒细胞数目明显高于健康组。
(11)NSCLC组淋巴细胞数目的中位数为1.50×109/L(IQR：1.30-1.90×109/L)；健康组淋巴细胞数目的中位数为1.75×109/L(IQR：1.43-2.20×109/L)，P＝0.038，提示淋巴细胞数目在两组之间具有显著的统计学差异，NSCLC组的淋巴细胞数目明显低于健康组。
(12)NSCLC组NLR的中位数为2.43(IQR：1.30-1.90)；健康组NLR的中位数为1.84(IQR：1.45-2.27)，P<0.001，提示NLR在两组之间具有显著的统计学差异，NSCLC组的NLR明显高于健康组。
(13)NSCLC组血红蛋白水平的平均数为127.51g/L，标准差为15.71；健康组血红蛋白水平的平均数为145.19g/L，标准差为13.09，P<0.001，提示血红蛋白水平在两组之间具有显著的统计学差异，NSCLC组的血红蛋白水平明显低于健康组。
(14)NSCLC组白蛋白水平的平均数为40.14g/L，标准差为3.41；健康组白蛋白水平的平均数为44.92g/L，标准差为2.89，P<0.001，提示白蛋白水平在两组之间具有显著的统计学差异，NSCLC组的白蛋白水平明显低于健康组。
(15)NSCLC组甘油三酯浓度的中位数为1.31mmol/L(IQR：0.99-2.03mmol/L)；健康组甘油三酯浓度的中位数为1.44mmol/L(IQR：1.04-2.25mmol/L)，P＝0.106。
(16)NSCLC组总胆固醇浓度的平均数为4.78mmol/L，标准差为0.89；健康组总胆固醇浓度的平均数为5.30mmol/L，标准差为0.84，P<0.001，提示总胆固醇浓度在两组之间具有显著的统计学差异，NSCLC组的总胆固醇浓度明显低于健康组。
(17)NSCLC组空腹血糖浓度的中位数为5.09mmol/L(IQR：4.78-5.59mmol/L)；健康组空腹血糖浓度的中位数为5.47mmol/L(IQR：5.17-6.09mmol/L)，P<0.001，提示空腹血糖浓度在两组之间具有显著的统计学差异，NSCLC组的空腹血糖浓度明显低于健康组。
(18)组血清SH2B1浓度水平的中位数为728.84pg/mL(IQR：648.99-868.25pg/mL)；健康组血清SH2B1浓度水平的中位数为506.99pg/mL(IQR：426.90-596.07pg/mL)，P<0.001，提示血清SH2B1浓度水平在两组之间具有显著的统计学差异，NSCLC组的血清SH2B1浓度水平明显高于健康组。
根据单因素二元Logistic回归分析结果，将有意义的指标全部纳入多因素Logistic回归分析，建立疾病预测模型。
统计结果显示：
1)BMI≥23.27Kg/m2的OR＝0.643，95％CI：0.195-2.121，P＝0.468，不具有显著的统计学差异。
2)有慢性肺部疾病史的OR＝7.535，95％CI：1.483-38.297，P＝0.015，提示与无慢性肺部疾病史相比，有慢性肺部疾病史患NSCLC的风险增加了7.535倍。
3)淋巴细胞数目≥1.7×109/L的OR＝0.646，95％CI：0.201-2.079，P＝0.463，不具有显著的统计学差异。
4)NLR≥2.07的OR＝6.222，95％CI：1.803-21.464，P＝0.004，提示与NLR<2.07相比，NLR≥2.07患NSCLC的风险增加了6.222倍。
5)血红蛋白水平≥136.56g/L的OR＝0.102，95％CI：0.030-0.346，P<0.001，提示与血红蛋白水平<136.56g/L相比，血红蛋白水平≥136.56g/L患NSCLC的风险下降了0.102倍。
6)白蛋白水平≥42.59g/L的OR＝0.086，95％CI：0.024-0.311，P<0.001，提示与白蛋白水平<42.59g/L相比，白蛋白水平≥42.59g/L患NSCLC的风险下降了0.086倍。
7)总胆固醇浓度≥5.05mmol/L的OR＝0.404，95％CI：0.130-1.255，P＝0.117，不具有显著的统计学差异。
8)空腹血糖浓度≥5.34mmol/L的OR＝0.640，95％CI：0.192-2.130，P＝0.467，不具有显著的统计学差异。
9)血清SH2B1浓度≥615.28pg/mL的OR＝101.075，95％CI：23.419-436.232，P<0.001，提示与血清SH2B1浓度<615.28pg/mL相比，血清SH2B1浓度≥615.28pg/mL患NSCLC的风险增加了。
结果表明，多因素二元Logistic回归分析结果提示慢性肺部疾病史、NLR、血红蛋白水平、白蛋白水平、血清中SH2B1蛋白表达浓度都具有显著的统计学意义。
3、本发明通过对血清中SH2B1蛋白浓度、慢性肺部疾病史、NLR、血红蛋白水平及白蛋白水平5个变量指标进行Logistic回归分析，根据回归系数建立回归方程：LogitP＝-1.211+2.118X1+2.053X2-2.276X3-2.514X4+4.518X5(X1：慢性肺部疾病史，X2：NLR，X3：血红蛋白水平，X4：白蛋白水平，X5：血清中SH2B1蛋白表达浓度)，从而建立肺癌风险预测模型。
首先，对上述回归方程进行Hosmer and Lemeshow检验并绘制校准曲线，结果提示：χ2＝1.300，P＝0.996，说明模型预测值与实际值之间差异无统计学意义，提示回归方程的拟合度较好(图2)。图2是以SH2B1为基础的肺癌风险预测模型的校准曲线，结果提示：χ2＝1.300，P＝0.996，说明肺癌风险预测模型的预测值与实际值之间差异无统计学意义，提示回归方程的拟合度较好。
其次，对纳入肺癌风险预测模型的5个变量进行共线性诊断，结果提示：慢性肺部疾病史的Tolerance＝0.862，VIF＝1.160；NLR的Tolerance＝0.941，VIF＝1.063；血红蛋白水平的Tolerance＝0.800，VIF＝1.250；白蛋白水平的Tolerance＝0.741，VIF＝1.350；血清SH2B1浓度的Tolerance＝0.883，VIF＝1.132，说明5个变量之间不存在多重共线性问题，提示由5个变量为自变量所构建的模型较为稳定。
最后，绘制ROC曲线，计算曲线下面积，结果提示：C-statistics＝0.965，95％CI：0.944-0.985，说明模型区分度较好，提示所构建的Logsitic回归模型具有良好的预测价值(图3)。图3为肺癌风险预测模型的ROC曲线，结果提示：C-statistics＝0.965，95％CI：0.944-0.985，说明肺癌风险预测模型的区分度较好，提示所构建的Logsitic回归模型具有良好的预测价值。
根据上述所构建的Logsitic回归模型来绘制Nomogram预测图(图4)，其原理是把Logistic回归方程中有意义的指标的最大回归系数βmax设定为100分，然后将该方程中其余有意义的指标的回归系数βx依次除以βmax同时再扩大100倍，其结果为某指标相应的得分，最后把各指标的得分累计相加求出总分进行概率预测。在本研究中，血清SH2B1浓度<615.28pg/mL得0分、血清SH2B1浓度≥615.28pg/mL得100分；无慢性肺部疾病史得0分、有慢性肺部疾病史得44.88分；NLR<2.07得0分、NLR≥2.07得45.44分；血红蛋白水平≥136.56g/L得0分；血红蛋白水平<136.56g/L得50.37分；白蛋白水平≥42.59g/L得0分、白蛋白水平<42.59g/L得55.65分(见图4)。例如，某志愿者血清SH2B1浓度≥615.28pg/mL，得100分；既往无慢性肺部疾病史，得0分；NLR≥2.07，得45.44分；血红蛋白水平≥136.56g/L，得0分；白蛋白水平<42.59g/L，得55.65分。最终该患者总分为201.09分，故该志愿者罹患NSCLC的可能性为95％。
4、本发明通过所选肺癌患者血清中SH2B1蛋白表达浓度与肺癌临床病例的特征分析，结果发现肺癌患者血清中SH2B1蛋白表达浓度与肺癌的分期之间无明显差异。
具体血清SH2B1浓度与NSCLC病理分期之间的关系如表1所示；
表1血清SH2B1浓度与NSCLC病理分期之间的关系
Figure BDA0003060907900000121
5、本发明通过所选肺癌患者血清中SH2B1蛋白表达浓度与不同肺癌病理类型之间的特征分析，结果发现肺癌患者血清中SH2B1蛋白表达浓度与肺癌病理类型之间无明显差异，如表2所示。
表2血清SH2B1浓度与NSCLC病理类型的关系
Figure BDA0003060907900000131
SH2B1的上述功能，提供SH2B1作为肿瘤标志物在肺癌诊断中的应用。
针对SH2B1的上述功能，提供SH2B1作为肿瘤标志物在肺癌风险预测模型建立中的应用。
所述SH2B1作为肿瘤标志物，表现为肺癌患者的血清中SH2B1蛋白表达浓度比健康人群的所述血清中SH2B1蛋白表达浓度高。
可选的，所述SH2B1作为肿瘤标志物在肺癌风险预测模型建立中的应用，通过如下方法进行：以所述血清中SH2B1蛋白表达浓度、中性粒细胞、血红蛋白水平、白蛋白水平及慢性肺部疾病史作为变量，建立Logsitic回归模型，并绘制Nomogram预测图。
本发明首次发现了肺癌患者的血清中SH2B1蛋白表达浓度明显高于正常健康人群的血清中SH2B1蛋白表达浓度。基于血清中SH2B1蛋白表达浓度联合临床指标建立的肺癌风险预测模型，对肺癌预测具有良好的预测价值。肺癌患者的血清中SH2B1蛋白表达水平不随肺癌分期发生明显变化，表明SH2B1在不同肺癌分期阶段均具有诊断价值。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.SH2B1作为肿瘤标志物，在肺癌诊断中的应用。
2.SH2B1作为肿瘤标志物，在肺癌风险预测模型建立中的应用。
3.根据权利要求1或2所述的应用，其特征在于，所述SH2B1作为肿瘤标志物，表现为肺癌患者的血清中SH2B1蛋白表达浓度比健康人群的所述血清中SH2B1蛋白表达浓度高。
4.根据权利要求2所述的应用，其特征在于，SH2B1作为肿瘤标志物在肺癌风险预测模型建立中的应用，通过如下方法进行：以血清中SH2B1蛋白浓度、中性粒细胞、血红蛋白水平、白蛋白水平及慢性肺部疾病史作为变量，建立Logsitic回归模型，并绘制Nomogram预测图。
CN202110512549.9A 2021-05-11 2021-05-11 Sh2b1在肺癌诊断中的应用 Pending CN113219173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110512549.9A CN113219173A (zh) 2021-05-11 2021-05-11 Sh2b1在肺癌诊断中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110512549.9A CN113219173A (zh) 2021-05-11 2021-05-11 Sh2b1在肺癌诊断中的应用

Publications (1)

Publication Number Publication Date
CN113219173A true CN113219173A (zh) 2021-08-06

Family

ID=77094809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110512549.9A Pending CN113219173A (zh) 2021-05-11 2021-05-11 Sh2b1在肺癌诊断中的应用

Country Status (1)

Country Link
CN (1) CN113219173A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100285507A1 (en) * 2007-03-21 2010-11-11 Je-Yeol Cho Plasma kallikrein fragments as diagnostic biomarkers for lung cancers
CN103384827A (zh) * 2010-11-24 2013-11-06 伊玛提克斯生物技术有限公司 用于预测癌症免疫治疗效果的生物标记
CN110363662A (zh) * 2019-08-19 2019-10-22 上海理工大学 一种个人信用评分系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100285507A1 (en) * 2007-03-21 2010-11-11 Je-Yeol Cho Plasma kallikrein fragments as diagnostic biomarkers for lung cancers
CN103384827A (zh) * 2010-11-24 2013-11-06 伊玛提克斯生物技术有限公司 用于预测癌症免疫治疗效果的生物标记
CN110363662A (zh) * 2019-08-19 2019-10-22 上海理工大学 一种个人信用评分系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜发茂等: "SH2B1在非小细胞肺癌中的表达水平及与临床病理参数和预后的关系", 《热带医学杂志》 *
林小华等: "晚期肺癌患者合并肺部感染的特点及相关因素分析", 《中国老年保健医学》 *

Similar Documents

Publication Publication Date Title
CN106405104B (zh) 一种新的肝硬化或肝纤维化标志物
CN109557311B (zh) 结直肠癌诊断标志物及结直肠癌的检测产品及其应用
CN109342727B (zh) 食管鳞状细胞癌自身抗体分子标志物模型及其应用
CN111172279B (zh) 外周血甲基化基因及idh1联合检测诊断肺癌模型
WO2018157831A1 (zh) 一种肺癌监测试剂盒及其使用方法
Ma et al. Clinical evaluation of tumor markers for diagnosis in patients with non-small cell lung cancer in China
CN108949997A (zh) 一种肺癌检测标志物及诊断试剂盒
RU2015119512A (ru) Метилглиоксаль в качестве маркера злокачественной опухоли
CN103163293A (zh) 辅助诊断非小细胞肺癌患者的试剂盒
CN110187111A (zh) 一种用于早期贲门癌筛查elisa试剂盒
Wang et al. S100A2: A potential biomarker to differentiate malignant from tuberculous pleural effusion
CN113219173A (zh) Sh2b1在肺癌诊断中的应用
Klein et al. Lavage and nipple aspiration of breast ductal fluids: a source of biomarkers for environmental mutagenesis
Tsui et al. Comparisons of voided urine cytology, nuclear matrix protein‐22 and bladder tumor associated antigen tests for bladder cancer of geriatric male patients in Taiwan, China
CN114578060A (zh) 一种基于samhd1蛋白作为ii期结直肠癌疗效预测标志物的方法
Ni et al. Apelin is a novel circulating biomarker for the diagnosis of lung cancer
CN109722480B (zh) 一种非小细胞肺癌检测试剂盒及其应用
CN108152496B (zh) Mest蛋白在制备肺癌辅助诊断和/或预后判断的试剂盒中的应用
Zhang et al. Thick tongue coating: diagnostic markers for metastatic colorectal cancer
CN115372604B (zh) 一种用于预测肿瘤患者免疫治疗疗效的标志物及其应用
Chisholm et al. The role of a questionnaire and four biochemical markers to detect cancer risk in a symptomatic population
CN111690730B (zh) Il-8阳性初始t细胞作为诊断胸腺占位性疾病的靶点的应用
CN116479131B (zh) 一种诊断乳腺癌的生物标志物及其应用
Wang et al. P23. 05 Chromosome 3p22. 1 and 10q22. 3 Amplification in Different Subtypes of Lung Adenocarcinoma
Abdel-Azeem et al. The Role of Serum Midkine and Secretory Leucocyte Protease Inhibitor in Diagnosis of Thyroid Cancer

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: 20210806

RJ01 Rejection of invention patent application after publication