CN113295872A - 用于区分gck-mody和t2d的脂质联合标志物及其应用 - Google Patents

用于区分gck-mody和t2d的脂质联合标志物及其应用 Download PDF

Info

Publication number
CN113295872A
CN113295872A CN202110446584.5A CN202110446584A CN113295872A CN 113295872 A CN113295872 A CN 113295872A CN 202110446584 A CN202110446584 A CN 202110446584A CN 113295872 A CN113295872 A CN 113295872A
Authority
CN
China
Prior art keywords
diabetes
distinguishing
lipid
data
type
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
CN202110446584.5A
Other languages
English (en)
Inventor
税光厚
肖新华
林茜雯
王晓晶
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.)
Lipidall Technologies Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Lipidall Technologies Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Lipidall Technologies Co ltd, Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Lipidall Technologies Co ltd
Priority to CN202110446584.5A priority Critical patent/CN113295872A/zh
Publication of CN113295872A publication Critical patent/CN113295872A/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
    • G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
    • 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
    • G01N33/573—Immunoassay; Biospecific binding assay; Materials therefor for enzymes or isoenzymes
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/50—Mutagenesis
    • 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
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides 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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2405/00—Assays, e.g. immunoassays or enzyme assays, involving lipids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/04—Endocrine or metabolic disorders
    • G01N2800/042—Disorders of carbohydrate metabolism, e.g. diabetes, glucose metabolism

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Biotechnology (AREA)
  • Medical Informatics (AREA)
  • Urology & Nephrology (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Cell Biology (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Microbiology (AREA)
  • Bioethics (AREA)
  • Diabetes (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种用于区分GCK‑MODY和T2D的脂质联合标志物及其应用。本发明提供了脂质联合标志物在制备用于区分或者辅助区分葡萄糖激酶‑青少年成人起病型糖尿病和2型糖尿病的产品中的应用；所述脂质联合标志物由PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。通过检测受试者血清中4种脂质联合标志物的浓度水平，可将GCK‑MODY和T2D患者有效区分，本发明模型ROC曲线下的面积(AUC)为0.984。检测灵敏度高、检测成本低、重复性好，为临床环境下进行GCK‑MODY诊断的遗传试验提供了额外依据。

Description

用于区分GCK-MODY和T2D的脂质联合标志物及其应用
技术领域
本发明涉及生物医学领域，具体涉及一种用于区分GCK-MODY和T2D的脂质联合标志物及其应用。
背景技术
葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)，也称为MODY2，是由于GCK基因杂合突变失活而导致的。GCK-MODY代表一个离散的遗传亚群，具有轻度、无症状的空腹高血糖的明显表型，GCK-MODY患者的空腹高血糖从出生起就存在，并且随着年龄的增长仅表现为中度恶化，一般不需要在妊娠期外进行治疗。
GCK-MODY在儿童或青少年中常被误诊为1型糖尿病(T1D)，而在晚年被诊断为2型糖尿病(T2D)的个体可能被错误分类，并被口服降糖药(OHAs)错误治疗。因此，正确区分GCK-MODY与其他类型的糖尿病是必要的，以避免对患者进行不必要的治疗。
虽然基因检测仍然是诊断GCK-MODY的金标准，但技术和资金限制阻碍了其大规模临床应用。我国GCK-MODY的临床误诊率为85.4％，其中58.2％的患者接受了错误的治疗。因此，在基因检测之前进行良好的生物标志物筛选有望提高GCK-MODY基因检测的成本效益。目前尚无脂质联合标志物在区分GCK-MODY和T2D患者诊断方面的报道。
发明内容
本发明的目的是提供一种用于区分GCK-MODY和T2D的脂质联合标志物及其应用。
第一方面，本发明要求保护脂质联合标志物在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的产品中的应用。
所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
在本发明的具体实施方式中，所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
第二方面，本发明要求保护用于检测脂质联合标志物的物质在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的产品中的应用。
所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
在本发明的具体实施方式中，所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
第三方面，本发明要求保护物质和介质1的组合在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的产品中的应用。
所述物质为用于检测脂质联合标志物的物质；所述脂质联合标志物由PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。在本发明的具体实施方式中，所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
所述介质1中记载有用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的预测模型的构建和使用方法。
所述预测模型的构建方法，可包括如下步骤：
(A1)分别检测n1个葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者样本和n2个2型糖尿病(T2D)患者样本中所述脂质联合标志物的含量数据；
(A2)根据步骤(A1)获得的所有患者样本的所述脂质联合标志物的含量数据，构建用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的预测模型，并确定阈值；
其中，(A1)中的n1和n2均可为30以上的正整数。
所述预测模型的使用方法，可包括如下步骤：
(B1)检测待测患者样本中所述脂质联合标志物的含量数据；
(B2)将步骤(B1)获得的所述待测患者样本中所述脂质联合标志物的含量数据代入所述预测模型，得到模型预测值；然后比较模型预测值和阈值的大小，根据比较结果确定所述待测患者为葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者还是2型糖尿病(T2D)患者。
在本发明的具体实施方式中，所述预测模型为多变量线性回归模型。
在本发明中，构建所述预测模块具体可按照如下进行：采集来自n1个葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者样本和n2个2型糖尿病(T2D)患者样本中所述脂质联合标志物的含量数据，并分别用方差分析和卡方检验对数值变量和分类变量的血清临床指标进行比较，采用多变量线性回归估计平均差和95％可信区间(CIs)，并根据年龄、性别和BMI进行调整，用FDR<0.05控制假发现率(FDR)；采用正交偏最小二乘判别分析(OPLS-DA)构建得到用于建立用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的预测模型。
第四方面，本发明要求保护物质和介质2的组合在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的产品中的应用。
所述物质为用于检测脂质联合标志物的物质；所述脂质联合标志物由PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
所述介质2中记载有用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的方法。
所述用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的方法，可包括如下步骤：检测待测患者样本中PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量，然后将检测值代入预测模型，计算模型预测值，当模型预测值>0时，则认为所述待测患者为或候选为2型糖尿病(T2D)；当模型预测值<0时，则认为所述待测患者为或候选为葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)；当模型预测值＝0时，则无法确认所述待测患者为2型糖尿病(T2D)还是葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)。
所述预测模型如公式I所示；
模型预测值＝142999×PC34:0p-2316684×PI 36:2(18:1/18:1)-616000×PC40:6(18:1/22:5)+16700×TAG52:4(16:0)-2.01(公式I)；
式中，PC34:0p表示所述待测患者样本中PC34:0p的含量；PI 36:2(18:1/18:1)表示所述待测患者样本中PI 36:2(18:1/18:1)的含量；PC40:6(18:1/22:5)表示所述待测患者样本中PC40:6(18:1/22:5)的含量；TAG52:4(16:0)表示所述待测患者样本中TAG52:4(16:0)的含量。
第五方面，本发明要求保护前文所述的介质1或前文所述的介质2在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的产品中的应用。
第六方面，本发明要求保护用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的试剂盒。
本发明所要求保护的用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的试剂盒，可含有用于检测脂质联合标志物的物质；所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
在本发明的具体实施方式中，所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
进一步地，所述试剂盒中还可含有前文所述的介质1或前文所述的介质2。
进一步地，所述试剂盒中还可含有作为标准品的PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上(如全部)。作为对相应血清代谢物定性的标准品。
第七方面，本发明要求保护用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的系统1。
本发明所要求保护的用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的系统1，可包括：
(C1)用于检测脂质联合标志物的试剂和/或仪器；所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
在本发明的具体实施方式中，所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
在本发明的具体实施方式中，所述仪器具体为超高效液相色谱-三重四级杆质谱联用仪。
(C2)装置1，所述装置1包括单元X和单元Y；
所述单元X用于建立用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的预测模型，包括数据采集模块和数据分析处理模块。
所述数据采集模块被配置为采集(C1)检测得到的来自n1个葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者样本和n2个2型糖尿病(T2D)患者样本中所述脂质联合标志物的含量数据。
其中，n1和n2均可为30以上的正整数。
所述数据分析处理模块被配置为接收所述数据采集模块发送的来自n1个葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者样本和n2个2型糖尿病(T2D)患者样本中所述脂质联合标志物的含量数据，构建得到用于建立用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的预测模型，并确定阈值。
进一步地，所述数据分析处理模块被配置为按照如下构建所述预测模型：接收所述数据采集模块发送的来自n1个葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者样本和n2个2型糖尿病(T2D)患者样本中所述脂质联合标志物的含量数据，分别用方差分析和卡方检验对数值变量和分类变量的血清临床指标进行比较，采用多变量线性回归估计平均差和95％可信区间(CIs)，并根据年龄、性别和BMI进行调整，用FDR<0.05控制假发现率(FDR)；采用正交偏最小二乘判别分析(OPLS-DA)构建得到用于建立用于区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的预测模型。
所述单元X还包括模型输出模块；所述模型输出模块被配置为输出所述数据分析处理模块建立的数学模型。
在本发明的具体实施方式中，所述预测模型为多变量线性回归模型。
所述单元Y用于确定待测患者为葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者还是2型糖尿病(T2D)患者，包括数据输入模块、数据运算模块、数据比较模块。
所述数据输入模块被配置为输入(C1)检测得到的所述待测患者样本中所述脂质联合标志物的含量数据。
所述数据运算模块被配置为接收所述数据输入模块发送的所述待测患者样本中所述脂质联合标志物的含量数据，并调用所述单元X中的所述数据分析处理模块建立的数学模型，将所述待测患者样本中所述脂质联合标志物的含量数据代入所述预测模型，计算得到模型预测值。
所述数据比较模块被配置为接收所述数据运算模块发送的所述模型预测值，并调用所述单元X中的所述数据分析处理模块建立的数学模型对应的阈值，将所述模型预测值与所述阈值进行比较。
所述单元Y还包括结论输出模块；所述结论输出模块被配置为根据所述数据比较模块的比较结果输出所述待测患者为葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)患者还是2型糖尿病(T2D)患者的结论。
第八方面，本发明要求保护用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的系统2。
本发明要求保护的用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)和2型糖尿病(T2D)的系统2，可包括：
(D1)用于检测脂质联合标志物的试剂和/或仪器；所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成。
在本发明的具体实施方式中，所述仪器具体为超高效液相色谱-三重四级杆质谱联用仪。
(D2)装置2，所述装置2包括数据输入模块、数据存储模块、数据运算模块和数据比较模块；
所述数据输入模块被配置为输入(D1)检测得到的待测患者样本中PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量数据。
所述数据存储模块被配置为存储预测模型和阈值；所述预测模型如公式I所示；模型预测值＝142999×PC34:0p-2316684×PI 36:2(18:1/18:1)-616000×PC40:6(18:1/22:5)+16700×TAG52:4(16:0)-2.01(公式I)；式中，PC34:0p表示所述待测患者样本中PC34:0p的含量；PI 36:2(18:1/18:1)表示所述待测患者样本中PI36:2(18:1/18:1)的含量；PC40:6(18:1/22:5)表示所述待测患者样本中PC40:6(18:1/22:5)的含量；TAG52:4(16:0)表示所述待测患者样本中TAG52:4(16:0)的含量；所述阈值为0。
所述数据运算模块被配置为接收所述数据输入模块发送的所述待测患者样本中PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量数据，并调用所述数据存储模块中的所述预测模型，将所述待测患者样本中PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量数据代入所述预测模型，计算得到模型预测值；
所述数据比较模块被配置为接收所述数据运算模块发送的所述模型预测值，并调用所述数据存储模块中的所述预测模型对应的阈值，将所述模型预测值与所述阈值进行比较。
所述装置2还包括结论输出模块；所述结论输出模块用于输出结论，当所述模型预测值>0时，则输出“所述待测患者为或候选为2型糖尿病(T2D)”的结论；当模型预测值<0时，则输出“所述待测患者为或候选为葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)”的结论；当模型预测值＝0时，则无法确认所述待测患者为或候选为2型糖尿病(T2D)或葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)。。
在上述各方面中，所述检测脂质联合标志物具体可为检测血清中所述脂质联合标志物的含量。
在上述各方面中，所述样本可为血清样本。
在本发明的具体实施方式中，所述待测患者样本中PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)和/或TAG52:4(16:0)的含量的单位均为mol/L。
实验证明，本发明所提供的含有4种脂质分子的联合标志物可用于区分GCK-MODY和T2D患者。PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)4种脂质作为区分GCK-MODY和T2D患者的新型标志物，通过检测受试者血清样品中上述脂质联合标志物的浓度水平，可将GCK-MODY和T2D患者有效区分，该模型受试者工作特征曲线(ROC)下的面积(AUC)为0.984，表显出令人满意的性能。检测灵敏度高、检测成本低、重复性好，可为在临床环境下进行GCK-MODY诊断的遗传试验提供了额外的依据。
附图说明
图1为实施例中本发明脂质联合标志物用于区分GCK-MODY和T2D患者的ROC曲线图。
具体实施方式
下面结合具体实施方式对本发明进行进一步的详细描述，给出的实施例仅为了阐明本发明，而不是为了限制本发明的范围。以下提供的实施例可作为本技术领域普通技术人员进行进一步改进的指南，并不以任何方式构成对本发明的限制。
下述实施例中的实验方法，如无特殊说明，均为常规方法，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例1、依靠脂质联合标志物区分GCK-MODY和T2D的方法建立
糖尿病的定义：空腹血糖(FBG)≥126mg/dL或餐后2小时血糖(2-h BG)≥200mg/dL，或研究对象自报之前由专业医师诊断过糖尿病和正在服用降糖药物。
本实例对105名受试者(42名非糖尿病健康对照，30名GCK-MODY患者，33名T2D患者)中的25个脂类中的565个血脂进行了定量分析。采用多变量线性回归模型和OPLS-DA分析探讨血脂的疾病特异性变化，经校正后得到4种脂质PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)，均与葡萄糖激酶-青少年成人起病型糖尿病(GCK-MODY)显著相关。
具体操作过程为：
1、血清样品收集
所有纳入研究的志愿者在血清样品采集前均签署知情同意书。在相同条件下对105名受试者(42名非糖尿病健康对照，30名GCK-MODY患者，33名T2D患者)收集血液样本，采集后静置60分钟后直接取血清，储存于-80℃的冰箱中保存备用。
2、研究对象
受试者于2017年1月至2018年7月间北京协和医科大学医院(PUMCH)内分泌科门诊被招募。研究队列包括105名受试者，其中包括42名健康对照者、30名GCK-MODY和33名T2D患者(表1)。GCK-MODY纳入标准为(1)当前年龄>18岁，糖尿病发病年龄≤45岁；(2)胰岛自身抗体缺乏；(3)糖尿病家族史至少有两代，具有常染色体显性遗传方式；(4)体重指数≤28kg/m2；(5)通过Sanger测序和遗传分析验证了GCK基因突变(Blasted参考序列为NM_000162.3)；(6)未接受抗糖尿病治疗。GCK-MODY受试者在中国招募，并在PUMCH门诊定期接受随访。为了更好地匹配GCK-MODY，T2D受试者为新诊断出符合条件的T2D患者(根据WHO1999年的糖尿病诊断标准)，并且在募集和采血时未服用任何药物。如果T2D患者的胰岛抗体阳性，空腹C肽水平≤0.6ng/ml，血清肌酐和丙氨酸氨基转移酶水平高于正常范围上限以及其他复杂疾病，则排除该患者。
表1健康对照者、GCK-MODY患者和T2D患者的基本特征
Figure BDA0003037146070000081
从表1结果表明，健康对照者，GCK-MODY患者和T2D患者之间未观察到年龄差异。三组之间的性别和BMI有显着差异，但在本发明的多元线性回归分析中对年龄和性别进行了校正。根据疾病表型，空腹血糖(FBG)和糖化白蛋白(GA)浓度从健康对照者、到GCK-MODY患者和T2D患者依次升高(p<0.001)。相对于健康对照者，T2D患者的尿酸(UA)水平较高(p＝0.014)，而GCK-MODY患者的尿酸水平(p<0.001)明显较低。相对于GCK-MODY患者和健康对照者组，C反应蛋白(CRP)在T2D患者中显着升高(p<0.05)。基线特征表明GCK-MODY患者的血液代谢状况正常，即较低的甘油三酸酯(TG)(p＝0.001)和与健康对照者相似的TC(血清总胆固醇)水平。
3、血清样本预处理
样品在4℃条件下解冻，取20μL血清，在真空离心蒸发浓缩器中以有机相模式进行干燥。在分析前，将脂质提取物重悬于氯仿：甲醇(1：1，v/v)中，并掺入33种适当内标物，包括33种化合物，分别来自Avanti Polar Lipids的PC14:0/14:0,d31-PC16:0/18:1,PE14:0/14:0,d31-PE-16:0/18:1,d31-PS-16:0/18:1,PS17:0/20:4,PA17:0/17:0,PG14:0/14:0,d31-PG16:0/18:1,C14:0-LBPA,d31-PI-16:0/18:1,S1P-d17:1,Sph-d17:1,SM-d18:1/12:0,d31-SM-16:0/18:1,LPC-17:0,LPE-17:1,LPI-17:1,LPA-17:0,LPS-17:1,Cer d18:1/d7-15:0,GluCer d18:1/16:0,d5-DAG16:0/16:0和d5-DAG18:1/18:1；来自Matreya LLC的d3-GM3 d18:1/18:0和d3-LacCer-d18:1/16:0；来自CDN isotopes的d6-cholesterol,d6-CE-18:0,d5-TAG(14:0)3,d5-TAG(16:0)3和d5-TAG(18:0)3；来自Sigma-Aldrich的d31-FFA-16:0；来自Cayman Chemicals的d8-FFA-20:4。
4、脂质组学分析
在HPLC-MRM上构建高覆盖率靶向脂质组学方法测量血清脂质谱，其中极性脂质使用Phenomenex Luna silica 3μm(内径150x2.0mm)色谱柱，在下列条件分离：流动相A(氯仿：甲醇：氨水89.5:10:0.5，体积比)，流动相B(氯仿：甲醇：氨水：水55:39:0.5:5.5，体积比)。流动相A梯度从95％开始保持5min，然后在7min内线性降低至60％并保持4min，然后将流动相A进一步降至30％并保持15min(％均表示，体积百分含量)。中性脂质以氯仿：甲醇：0.1M乙酸铵(100:100:4，体积比)为流动相在Phenomenex Kinetex 2.6μm C18柱(4.6×100mm)上等度洗脱中性脂，流速为160μl/min保持10分钟。根据各自的内标物与检测脂质的峰面积对单个脂质进行定量，脂质定量分析在Exion UPLC与QTRAP 6500PLUS(Sciex)偶联的超高效液相色谱-三重四级杆质谱联用仪上进行。
5、统计分析
分别用方差分析和卡方检验对数值变量和分类变量的血清临床指标进行比较。采用多变量线性回归估计平均差和95％可信区间(CIs)，并根据年龄、性别和BMI进行调整。用FDR<0.05控制假发现率(FDR)。采用正交偏最小二乘判别分析(OPLS-DA)对GCK-MODY和T2D的血清脂质组进行了判别分析。
在显著性诊断中，将模型的R2Y和Q2Y与y响应随机排列后得到的相应值进行比较，发现随机排列后得到的模型的Q2Y均不高于所选模型，表明所提出的模型不是过度拟合的结果。评分图显示GCK-MODY与T2D患者分离良好。根据OPLS-DA分析的最高VIP评分，基于前4名脂质的组合，包括PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)，进行逻辑回归，能够区分GCK-MODY和T2D，AUC为0.984(图1)。
血清中脂质含量的单位为mol/L。用脂质的名字代表其血清中含量，模型的公式表示为：
142999×PC34:0p-2316684×PI 36:2(18:1/18:1)-616000×PC40:6(18:1/22:5)+16700×TAG52:4(16:0)-2.01。
测量值带入上述模型公式后得数大于0判定为T2D，得数小于0判定为GCK-MODY，得数等于0时，为灰区，认为无法确认是T2D还是GCK-MODY。
比如，某CGK-MODY病人上述4种血清脂质含量实际测量值(mol/L)为4.74×10-6，5.83×10-5，8.27×10-6，2.76×10-4，代入公式得到-136.88，判定为GCK-MODY(与实际情况相符)。
因此，本发明的脂质组学研究表明，磷脂酰胆碱34:0p(PC34:0p)、磷脂酰肌醇36:2(18:1/18:1)[PI36:2(18:1/18:1)]、磷脂酰胆碱40:6(18:1/22:5)[PC40:6(18:1/22:5)]和甘油三酯52:4(16:0)[TAG52:4(16:0)]这4种脂质组成的脂质联合标志物在区分GCK-MODY与T2D受试者方面表现出令人满意的性能，说明了血脂标记物作为先前试验的潜力，为在临床环境下进行GCK-MODY诊断的遗传试验提供了额外的依据。
以上对本发明进行了详述。对于本领域技术人员来说，在不脱离本发明的宗旨和范围，以及无需进行不必要的实验情况下，可在等同参数、浓度和条件下，在较宽范围内实施本发明。虽然本发明给出了特殊的实施例，应该理解为，可以对本发明作进一步的改进。总之，按本发明的原理，本申请欲包括任何变更、用途或对本发明的改进，包括脱离了本申请中已公开范围，而用本领域已知的常规技术进行的改变。按以下附带的权利要求的范围，可以进行一些基本特征的应用。

Claims (10)

1.脂质联合标志物在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的产品中的应用；
所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
2.用于检测脂质联合标志物的物质在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的产品中的应用；
所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
3.物质和介质1的组合在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的产品中的应用；
所述物质为用于检测脂质联合标志物的物质；所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成；
所述介质1中记载有用于区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的预测模型的构建和使用方法；
所述预测模型的构建方法，包括如下步骤：
(A1)分别检测n1个葡萄糖激酶-青少年成人起病型糖尿病患者样本和n2个2型糖尿病患者样本中所述脂质联合标志物的含量数据；
(A2)根据步骤(A1)获得的所有患者样本的所述脂质联合标志物的含量数据，构建用于区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的预测模型，并确定阈值；
所述预测模型的使用方法，包括如下步骤：
(B1)检测待测患者样本中所述脂质联合标志物的含量数据；
(B2)将步骤(B1)获得的所述待测患者样本中所述脂质联合标志物的含量数据代入所述预测模型，得到模型预测值；然后比较模型预测值和阈值的大小，根据比较结果确定所述待测患者为葡萄糖激酶-青少年成人起病型糖尿病患者还是2型糖尿病患者。
4.物质和介质2的组合在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的产品中的应用；
所述物质为用于检测脂质联合标志物的物质；所述脂质联合标志物由PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成；
所述介质2中记载有用于区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的方法；
所述用于区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的方法，包括如下步骤：检测待测患者样本中PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量，然后将检测值代入预测模型，计算模型预测值，当模型预测值>0时，则认为所述待测患者为或候选为2型糖尿病；当模型预测值<0时，则认为所述待测患者为或候选为葡萄糖激酶-青少年成人起病型糖尿病；当模型预测值＝0时，则无法判断患者为2型糖尿病还是葡萄糖激酶-青少年成人起病型糖尿病。
所述预测模型如公式I所示；
模型预测值＝142999×PC34:0p-2316684×PI 36:2(18:1/18:1)-616000×PC40:6(18:1/22:5)+16700×TAG52:4(16:0)-2.01(公式I)；
式中，PC34:0p表示所述待测患者样本中PC34:0p的含量；PI 36:2(18:1/18:1)表示所述待测患者样本中PI 36:2(18:1/18:1)的含量；PC40:6(18:1/22:5)表示所述待测患者样本中PC40:6(18:1/22:5)的含量；TAG52:4(16:0)表示所述待测患者样本中TAG52:4(16:0)的含量。
5.权利要求3中所述的介质1或权利要求4中所述的介质2在制备用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的产品中的应用。
6.用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的试剂盒，含有用于检测脂质联合标志物的物质；所述脂质联合标志物由PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成。
7.根据权利要求6所述的试剂盒，其特征在于：所述试剂盒中还含有权利要求3中所述的介质1或权利要求4中所述的介质2；和/或
所述试剂盒中还含有作为标准品的PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上。
8.用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的系统1，包括：
(C1)用于检测脂质联合标志物的试剂和/或仪器；所述脂质联合标志物由PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)中任意两种或两种以上组合而成；
(C2)装置1，所述装置1包括单元X和单元Y；
所述单元X用于建立用于区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的预测模型，包括数据采集模块和数据分析处理模块；
所述数据采集模块被配置为采集(C1)检测得到的来自n1个葡萄糖激酶-青少年成人起病型糖尿病患者样本和n2个2型糖尿病患者样本中所述脂质联合标志物的含量数据；
所述数据分析处理模块被配置为接收所述数据采集模块发送的来自n1个葡萄糖激酶-青少年成人起病型糖尿病患者样本和n2个2型糖尿病患者样本中所述脂质联合标志物的含量数据，构建得到用于建立用于区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的预测模型，并确定阈值；
所述单元Y用于确定待测患者为葡萄糖激酶-青少年成人起病型糖尿病患者还是2型糖尿病患者，包括数据输入模块、数据运算模块和数据比较模块；
所述数据输入模块被配置为输入(C1)检测得到的所述待测患者样本中所述脂质联合标志物的含量数据；
所述数据运算模块被配置为接收所述数据输入模块发送的所述待测患者样本中所述脂质联合标志物的含量数据，并调用所述单元X中的所述数据分析处理模块建立的数学模型，将所述待测患者样本中所述脂质联合标志物的含量数据代入所述预测模型，计算得到模型预测值；
所述数据比较模块被配置为接收所述数据运算模块发送的所述模型预测值，并调用所述单元X中的所述数据分析处理模块建立的数学模型对应的阈值，将所述模型预测值与所述阈值进行比较。
9.用于区分或者辅助区分葡萄糖激酶-青少年成人起病型糖尿病和2型糖尿病的系统2，包括：
(D1)用于检测脂质联合标志物的试剂和/或仪器；所述脂质联合标志物由PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)组合而成；
(D2)装置2，所述装置2包括数据输入模块、数据存储模块、数据运算模块和数据比较模块；
所述数据输入模块被配置为输入(D1)检测得到的待测患者样本中PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量数据；
所述数据存储模块被配置为存储预测模型和阈值；所述预测模型如公式I所示；模型预测值＝142999×PC34:0p-2316684×PI 36:2(18:1/18:1)-616000×PC40:6(18:1/22:5)+16700×TAG52:4(16:0)-2.01(公式I)；式中，PC34:0p表示所述待测患者样本中PC34:0p的含量；PI 36:2(18:1/18:1)表示所述待测患者样本中PI36:2(18:1/18:1)的含量；PC40:6(18:1/22:5)表示所述待测患者样本中PC40:6(18:1/22:5)的含量；TAG52:4(16:0)表示所述待测患者样本中TAG52:4(16:0)的含量；所述阈值为0；
所述数据运算模块被配置为接收所述数据输入模块发送的所述待测患者样本中PC34:0p，PI 36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量数据，并调用所述数据存储模块中的所述预测模型，将所述待测患者样本中PC34:0p，PI36:2(18:1/18:1)，PC40:6(18:1/22:5)，TAG52:4(16:0)的含量数据代入所述预测模型，计算得到模型预测值；
所述数据比较模块被配置为接收所述数据运算模块发送的所述模型预测值，并调用所述数据存储模块中的所述预测模型对应的阈值，将所述模型预测值与所述阈值进行比较。
10.根据权利要求1-9中任一所述的应用或试剂盒或系统，其特征在于：所述检测脂质联合标志物为检测血清中所述脂质联合标志物的含量；和/或
所述样本为血清样本。
CN202110446584.5A 2021-04-25 2021-04-25 用于区分gck-mody和t2d的脂质联合标志物及其应用 Pending CN113295872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110446584.5A CN113295872A (zh) 2021-04-25 2021-04-25 用于区分gck-mody和t2d的脂质联合标志物及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110446584.5A CN113295872A (zh) 2021-04-25 2021-04-25 用于区分gck-mody和t2d的脂质联合标志物及其应用

Publications (1)

Publication Number Publication Date
CN113295872A true CN113295872A (zh) 2021-08-24

Family

ID=77320086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110446584.5A Pending CN113295872A (zh) 2021-04-25 2021-04-25 用于区分gck-mody和t2d的脂质联合标志物及其应用

Country Status (1)

Country Link
CN (1) CN113295872A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011059721A1 (en) * 2009-10-29 2011-05-19 Tethys Bioscience, Inc. Protein and lipid biomarkers providing consistent improvement to the prediction of type 2 diabetes
WO2018069487A1 (en) * 2016-10-14 2018-04-19 INSERM (Institut National de la Santé et de la Recherche Médicale) Methods and kits for predicting the risk of loss of renal function in patients with type 2 diabetes
CN109709228A (zh) * 2019-01-14 2019-05-03 上海市内分泌代谢病研究所 脂质联合标志物在制备诊断糖尿病的检测试剂或检测物的用途
RU2746830C1 (ru) * 2020-06-01 2021-04-21 Федеральное государственное бюджетное научное учреждение Федеральный исследовательский центр "Институт цитологии и генетики Сибирского отделения Российской академии наук" (ИЦиГ СО РАН) Способ оценки вариабельности гликемии для определения эффективности проводимой сахароснижающей терапии у пациентов с MODY2 диабетом

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011059721A1 (en) * 2009-10-29 2011-05-19 Tethys Bioscience, Inc. Protein and lipid biomarkers providing consistent improvement to the prediction of type 2 diabetes
WO2018069487A1 (en) * 2016-10-14 2018-04-19 INSERM (Institut National de la Santé et de la Recherche Médicale) Methods and kits for predicting the risk of loss of renal function in patients with type 2 diabetes
CN109709228A (zh) * 2019-01-14 2019-05-03 上海市内分泌代谢病研究所 脂质联合标志物在制备诊断糖尿病的检测试剂或检测物的用途
RU2746830C1 (ru) * 2020-06-01 2021-04-21 Федеральное государственное бюджетное научное учреждение Федеральный исследовательский центр "Институт цитологии и генетики Сибирского отделения Российской академии наук" (ИЦиГ СО РАН) Способ оценки вариабельности гликемии для определения эффективности проводимой сахароснижающей терапии у пациентов с MODY2 диабетом

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
余秋阳;杜洪凤;尚婧晔;王蓉;余倩;: "2型糖尿病相关代谢标志物的筛选探究", 现代预防医学, no. 01, pages 76 - 81 *
王炜;叶山东;钱立庭;任安;陈超;邢学农;李素梅;徐将;刘茜;周婉;: "脂质运载蛋白2和老年2型糖尿病患者骨密度和骨转换标志物的相关性研究", 中国骨质疏松杂志, no. 06, pages 18 - 23 *

Similar Documents

Publication Publication Date Title
Maniscalco et al. Coexistence of obesity and asthma determines a distinct respiratory metabolic phenotype
Cohen et al. Evidence for independent heritability of the glycation gap (glycosylation gap) fraction of HbA1c in nondiabetic twins
JP6021187B2 (ja) 自閉症の代謝バイオマーカー
Santin et al. Performance of subjective global assessment and malnutrition inflammation score for monitoring the nutritional status of older adults on hemodialysis
JP5823505B2 (ja) 尿中の代謝産物を測定することによる結腸直腸癌および結腸直腸ポリープの査定方法
Taylor et al. A metabolomics approach using juvenile cystic mice to identify urinary biomarkers and altered pathways in polycystic kidney disease
Lin et al. Postprandial glucose improves the risk prediction of cardiovascular death beyond the metabolic syndrome in the nondiabetic population
Chung et al. Comparability of methods for LDL subfraction determination: a systematic review
Moosmann et al. Age‐and sex‐specific pediatric reference intervals for neutrophil‐to‐lymphocyte ratio, lymphocyte‐to‐monocyte ratio, and platelet‐to‐lymphocyte ratio
Fitzgerald et al. Contributors to serum NfL levels in people without neurologic disease
CN113484511B (zh) 妊娠期糖尿病的孕早期血液脂质生物标志物的筛选及应用
WO2018008763A1 (ja) アルツハイマー型認知症の将来の発症リスクの評価方法
Bervoets et al. Identification of metabolic phenotypes in childhood obesity by 1H NMR metabolomics of blood plasma
Dunmore et al. Evidence that differences in fructosamine-3-kinase activity may be associated with the glycation gap in human diabetes
CN113008972A (zh) 用于妊娠期糖尿病诊断的血清代谢标志物及其应用
Chawes Low-grade disease activity in early life precedes childhood asthma and allergy
Cruz-Monserrate et al. Biomarkers of Chronic Pancreatitis: A systematic literature review
Ucar et al. Estimation of biological variation and reference change value of glycated hemoglobin (HbA1c) when two analytical methods are used
Won et al. 1, 5-Anhydroglucitol reflects postprandial hyperglycemia and a decreased insulinogenic index, even in subjects with prediabetes and well-controlled type 2 diabetes
Bi et al. Insulin resistance is associated with interleukin 1β (IL-1β) in non-diabetic hemodialysis patients
Kasturi et al. Two‐vs one‐hour glucose tolerance testing: Predicting prediabetes in adolescent girls with obesity
CN114026427A (zh) 诊断肾病的标志物以及诊断方法
CN113295872A (zh) 用于区分gck-mody和t2d的脂质联合标志物及其应用
Liu et al. A Novel Dried Blood Spot Detection Strategy for Characterizing Cardiovascular Diseases
Rizza et al. IL-6 levels influence 3-month all-cause mortality in frail hospitalized older patients

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