CN113917152B - 尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用 - Google Patents
尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用 Download PDFInfo
- Publication number
- CN113917152B CN113917152B CN202111103990.8A CN202111103990A CN113917152B CN 113917152 B CN113917152 B CN 113917152B CN 202111103990 A CN202111103990 A CN 202111103990A CN 113917152 B CN113917152 B CN 113917152B
- Authority
- CN
- China
- Prior art keywords
- protein
- urine
- diabetic nephropathy
- proteins
- marker
- 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
Links
- 210000002700 urine Anatomy 0.000 title claims abstract description 90
- 208000033679 diabetic kidney disease Diseases 0.000 title claims abstract description 81
- 208000007342 Diabetic Nephropathies Diseases 0.000 title claims abstract description 77
- 239000012474 protein marker Substances 0.000 title claims abstract description 27
- 238000002360 preparation method Methods 0.000 title description 10
- 102100036774 Afamin Human genes 0.000 claims abstract description 43
- 102100027211 Albumin Human genes 0.000 claims abstract description 43
- 239000003550 marker Substances 0.000 claims abstract description 23
- 238000004949 mass spectrometry Methods 0.000 claims abstract description 15
- 102000004169 proteins and genes Human genes 0.000 claims description 116
- 108090000623 proteins and genes Proteins 0.000 claims description 116
- 238000001514 detection method Methods 0.000 claims description 62
- 238000000034 method Methods 0.000 claims description 32
- 238000007477 logistic regression Methods 0.000 claims description 23
- 239000012528 membrane Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 206010012601 diabetes mellitus Diseases 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 10
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 9
- 108010026552 Proteome Proteins 0.000 claims description 8
- 239000007787 solid Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 239000004005 microsphere Substances 0.000 claims description 6
- 239000000020 Nitrocellulose Substances 0.000 claims description 5
- 238000010166 immunofluorescence Methods 0.000 claims description 5
- 229920001220 nitrocellulos Polymers 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000008157 ELISA kit Methods 0.000 claims description 4
- 239000004677 Nylon Substances 0.000 claims description 4
- 229920002678 cellulose Polymers 0.000 claims description 4
- 239000001913 cellulose Substances 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 229920001778 nylon Polymers 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 230000002485 urinary effect Effects 0.000 claims description 3
- 108060003951 Immunoglobulin Proteins 0.000 description 14
- 102000018358 immunoglobulin Human genes 0.000 description 14
- 239000013641 positive control Substances 0.000 description 10
- 108090000790 Enzymes Proteins 0.000 description 9
- 102000004190 Enzymes Human genes 0.000 description 9
- 229940072221 immunoglobulins Drugs 0.000 description 9
- 238000001294 liquid chromatography-tandem mass spectrometry Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 210000003734 kidney Anatomy 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 238000002965 ELISA Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 208000017169 kidney disease Diseases 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 239000007790 solid phase Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001819 mass spectrum Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 241001412224 Firmiana Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241000283973 Oryctolagus cuniculus Species 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 102000004142 Trypsin Human genes 0.000 description 2
- 108090000631 Trypsin Proteins 0.000 description 2
- 208000020832 chronic kidney disease Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000003368 label free method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 108090000765 processed proteins & peptides Proteins 0.000 description 2
- 102000004196 processed proteins & peptides Human genes 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009870 specific binding Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000012588 trypsin Substances 0.000 description 2
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241001529936 Murinae Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000027455 binding Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 238000006911 enzymatic reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000008105 immune reaction Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000011862 kidney biopsy Methods 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005319 nano flow HPLC Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000001814 protein method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
-
- 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
- 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
-
- 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
- G01N2333/76—Assays involving albumins other than in routine use for blocking surfaces or for anchoring haptens during immunisation
- G01N2333/765—Serum albumin, e.g. HSA
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/34—Genitourinary disorders
- G01N2800/347—Renal failures; Glomerular diseases; Tubulointerstitial diseases, e.g. nephritic syndrome, glomerulonephritis; Renovascular diseases, e.g. renal artery occlusion, nephropathy
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Hematology (AREA)
- Microbiology (AREA)
- Bioethics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Physiology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Cell Biology (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)
- Genetics & Genomics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用。通过采用大数据分析的手段对质谱检测的差异蛋白质组学数据进行分析，发现了尿液中的ALB蛋白和/或AFM蛋白与糖尿病肾病有显著的相关性，因而将尿液中的ALB蛋白和/或AFM蛋白作为检测糖尿病肾病的标志物具有重要临床应用价值。
Description
技术领域
本发明涉及糖尿病肾病领域，具体而言，涉及一种尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用。
背景技术
2019年全世界超过4.63亿人患糖尿病，占全球成年人(20-79岁)的9.3％。在这些人群中，20％-40％将发展为糖尿病肾病(DKD)，DKD是2型糖尿病(T2D)患者发病和死亡的主要原因。DKD患者发展为终末期肾病(ESRD)和心血管疾病的风险很高。因此，及早发现、预防和治疗非常重要。临床上DKD诊断的金标准是肾活检技术，然而其具有强烈的侵入性和危险性，同时评估过程非常依赖主观判断，因此结果的不稳定性强。此外，早期的DKD可能仅仅发生在肾脏的局部位置，若穿刺没有命中病变部位，则无法提早检测出疾病。
尿液也是临床检验中除血液外最常用的体液样本，尿液是一种真正的非侵入性样本，质谱技术可以检测到尿液中成百上千的微量蛋白质，人类尿蛋白质组包含大量个体内及个体间差异、人体生理和病理状态的信息，世界各国科学家一直在利用蛋白质组学技术试图从尿液中找到新的用于疾病诊断、预后分析、疗效检测的蛋白标志物。尿蛋白质组不仅可以反映性别、年龄、民族等生理信息，可以反映人体的病理状态，目前已经有研究人员通过尿液蛋白质组寻找到一些疾病标志物，包括慢性肾病、肺癌、神经系统疾病等。
肾脏是人体的重要器官，它的基本功能是生成尿液。肾脏和尿液有密不可分的关系，目前的研究表明，尿液中有大量的蛋白质与肾脏的生理、病理状态有着直接关联。因此，如何从尿液中的大量蛋白质中找到能够用来特异性评估肾脏的状态的蛋白标志物，以替代目前肾穿的检测方法，是一项临床上非常有价值的研究。
发明内容
本发明的主要目的在于提供一种尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用，以提供一种新的无创的检测方案。
为了实现上述目的，根据本发明的第一个方面，提供了一种尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用，尿蛋白标志物为尿液中的ALB蛋白和/或AFM蛋白。
为了实现上述目的，根据本发明的第二个方面，提供了一种检测糖尿病肾病的试剂盒，试剂盒包括尿蛋白标志物抗体，尿蛋白标志物抗体为ALB蛋白的抗体和/或AFM蛋白的抗体。
进一步地，尿蛋白标志物抗体设置在固相载体上；优选地，固相载体选自酶标板、膜载体或微球，进一步优选地，膜载体选自硝酸纤维素膜、玻璃纤维素膜或尼龙膜；优选地，尿蛋白标志物抗体为单克隆抗体或多克隆抗体；优选地，试剂盒为ELISA试剂盒、免疫荧光试剂盒或免疫胶体金试剂盒。
为了实现上述目的，根据本发明的第三个方面，提供了一种糖尿病肾病的检测模型，检测模型包括糖尿病肾病标志物蛋白，糖尿病肾病标志物蛋白为尿蛋白标志物，尿蛋白标志物为尿液中的ALB蛋白和/或AFM蛋白。
进一步地，检测模型为逻辑回归模型。
为了实现上述目的，根据本发明的第四个方面，提供了一种糖尿病肾病的检测装置，该装置内置有上述糖尿病肾病的检测模型。
为了实现上述目的，根据本发明的第五个方面，提供了一种糖尿病肾病的检测模型的构建方法，该构建方法包括：质谱检测来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质中的差异蛋白；将部分健康人群和部分糖尿病肾病人群作为发现集，并利用发现集中的潜在标志物蛋白进行逻辑回归模型训练，确定模型训练所用蛋白的最佳数量；根据最佳数量的潜在标志物蛋白的不同组合再次进行逻辑回归模型训练，确定最佳标志物蛋白组合；将最佳标志物蛋白组合训练得到的逻辑回归模型作为糖尿病肾病的检测模型，将剩余部分健康人群和剩余部分的糖尿病肾病人群作为验证集，利用验证集验证糖尿病肾病的检测模型；其中，最佳标志物蛋白组合为ALB蛋白和AFM蛋白。
进一步地，质谱检测来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质中的差异蛋白包括：质谱分离来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质，获得尿蛋白质组数据；对尿蛋白质组数据中各个蛋白质的丰度进行测量，得到测量结果；从测量结果中查找蛋白质丰度在糖尿病尿蛋白健康人群和糖尿病肾病人群中存在显著差异的蛋白质作为差异蛋白；其中，采用基于强度的相对定量方法对同一批次内的蛋白质的丰度进行测量，并采用基于强度的总分数的方法对不同批次间的蛋白质丰度进行归一化处理。
为了实现上述目的，根据本发明的第六个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述糖尿病肾病的检测模型的构建方法。
为了实现上述目的，根据本发明的第七个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述糖尿病肾病的检测模型的构建方法。
应用本发明的技术方案，通过采用大数据分析的手段对质谱检测的差异蛋白质组学数据进行分析，发现了尿液中的ALB蛋白和/或AFM蛋白与糖尿病肾病有显著的相关性，因而将尿液中的ALB蛋白和/或AFM蛋白作为检测糖尿病肾病的标志物具有重要临床应用价值。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了根据本发明的优选的实施例中模型检测的ROC曲线图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
术语解释：
尿蛋白标志物：本申请是指从尿液中分离到的标志物蛋白，其能够特异性标志某种疾病、某种疾病的发展进程或阶段。
蛋白质：在本申请中蛋白与蛋白质的涵义相同，可以互换使用。
基于背景技术部分所提到的目前存在无创检测糖尿病肾病的需求，本申请通过利用质谱技术检测了人尿液中的大量蛋白质，并发现了ALB、AFM两个蛋白质与糖尿病肾病相关。通过对尿液中ALB、AFM蛋白的定量检测，并根据两者的丰度建立了糖尿病肾病人群检测模型，经过临床数据验证，该检测模型的准确性比较高，因而适合用于快速、高效、客观地检测糖尿病肾病人群。
在该研究结果的基础上，申请人提出了本申请的技术方案。在一种典型的实施例中，提供了一种尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用，尿蛋白标志物为尿液中的ALB蛋白和/或AFM蛋白。本申请新发现的尿液中的ALB蛋白和/或AFM蛋白与糖尿病肾病有显著的相关性，因而可以作为检测糖尿病肾病的标志物。
通过将ALB蛋白质和/或AFM蛋白质作为检测糖尿病肾病的标志物，根据现有试剂盒的制备原则，可以制备出针对ALB蛋白质和/或AFM蛋白质的检测试剂盒。
在第二种典型的实施例中，提供了一种检测糖尿病肾病的试剂盒，试剂盒包括尿蛋白标志物抗体，尿蛋白标志物抗体为ALB蛋白的抗体和/或AFM蛋白的抗体。采用试剂盒进行检测的方法方便简单快速。
在一种优选的实施例中，尿蛋白标志物抗体设置在固相载体上；优选地，固相载体选自酶标板、膜载体或微球，进一步优选地，膜载体选自硝酸纤维素膜、玻璃纤维素膜或尼龙膜；优选地，尿蛋白标志物抗体为单克隆抗体或多克隆抗体；优选地，试剂盒为ELISA试剂盒、免疫荧光试剂盒或免疫胶体金试剂盒。
根据具体需要，可以制备成多种不同类型的检测试剂盒，具体试剂盒的形式不限，比如可以是ELISA试剂盒，也可以是免疫荧光试剂盒或免疫胶体金试剂盒等。从方便检测及便于判断检测结果的角度考虑，试剂盒中的ALB蛋白的抗体和/或AFM蛋白的抗体优选设置为预包被的形式。优选地，预包被抗体包被于固相载体上；具体的固相载体根据需要合理设计。更优选，固相载体包括酶标板(多为聚苯乙烯材料的)、膜载体或微球；进一步优选地，膜载体包括硝酸纤维素膜(使用最广泛)、玻璃纤维素膜或尼龙膜，更进一步优选地，膜载体上还包被有阳性对照物，蛋白标志物和阳性对照物按检测顺序在硝酸纤维素膜上依次设置。
根据试剂盒的具体检测方法的不同，试剂盒中具体的配套试剂也相应有所不同，但均可以根据已知试剂盒的配制方式进行组合配套试剂。优选地，上述试剂盒中还包括以下至少之一：(1)酶标二抗，更优选酶标二抗为HRP标记的二抗(对应于ELISA检测试剂盒)；(2)胶体金结合垫，胶体金结合垫上包被有胶体金标记的抗体和阳性对照物的特异性结合物(对应于免疫胶体金检测试剂盒)；(3)标记垫，标记垫上包被有荧光标记的微球，微球上负载有阳性对照物的特异性结合物(对应于免疫荧光检测试剂盒)。
上述免疫胶体金检测试剂盒和免疫荧光检测试剂盒检测相对更方便，只需要建立阳性对照的C线和检测样本的T线即可。阳性对照的C线处预包被的阳性对照物，只要是能够随着待测样本的尿液层析过程携带过来的带有检测标记的特异性结合物结合即可，对具体的阳性对照物的抗体并无特殊限定。优选地，上述阳性对照物选自鼠免疫球蛋白、人免疫球蛋白、羊免疫球蛋白或兔免疫球蛋白，相应地，阳性对照物的特异性结合物选自抗鼠免疫球蛋白、抗人免疫球蛋白、抗羊免疫球蛋白或抗兔免疫球蛋白。
上述抗鼠免疫球蛋白根据免疫的对象的不同，可以是羊抗鼠的免疫球蛋白或兔抗鼠的免疫球蛋白，或者是其他可免疫的动物抗鼠的免疫球蛋白。同样地，抗人免疫球蛋白、抗羊免疫球蛋白或抗兔免疫球蛋白也可以根据免疫动物的不同，是不同物种来源的抗免疫球蛋白。上述免疫球蛋白可以是IgM、IgG、IgA、IgD或IgE中的任意一种。这些抗免疫球蛋白抗体可以是单克隆抗体或多克隆抗体。
上述试剂盒中，根据所需要检测的样本数量的多少，所使用的酶标板的规格也有所不同，可以在12～384孔酶标板中合理选择。
上述不同形式的试剂盒，均能实现对蛋白质的定量，即也能实现对尿液中的ALB蛋白和/或AFM蛋白的定量。以采用ELASA试剂盒测定为例，尿液中的ALB、AFM蛋白与固相载体表面的ALB抗体、AFM抗体反应。再加入酶标记的抗体，也通过反应而结合在固相载体上。此时固相上的酶量与尿液中ALB、AFM蛋白的量呈一定的比例。加入酶反应的底物后，底物被酶催化成为有色产物，有色产物的量与尿液中ALB、AFM蛋白的量直接相关，故可根据呈色的深浅进行定性或定量分析。由于酶的催化效率很高，间接地放大了免疫反应的结果，使测定方法达到很高的敏感度。
在第三种典型的实施例中，提供了一种糖尿病肾病的检测模型，该检测模型包括糖尿病肾病标志物蛋白，糖尿病肾病标志物蛋白为尿蛋白标志物，尿蛋白标志物为尿液中的ALB蛋白和/或AFM蛋白。
在一种优选的实施例中，该检测模型为逻辑回归模型。
在第四种典型的实施例中，提供了一种糖尿病肾病的检测装置，该检测装置内置有上述糖尿病肾病的检测模型。
在第五种典型的实施例中，提供了一种糖尿病肾病的检测模型的构建方法，该构建方法包括：质谱检测来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质中的差异蛋白；将部分健康人群和部分糖尿病肾病人群作为发现集，利用发现集(用于发现标志物蛋白的样本集)中的差异蛋白进行逻辑回归模型训练，确定模型训练所用蛋白的最佳数量；根据最佳数量的差异蛋白的不同组合再次进行逻辑回归模型训练，确定最佳标志物蛋白组合；将最佳标志物蛋白组合训练得到的逻辑回归模型，作为糖尿病肾病的检测模型，将剩余部分健康人群和剩余部分的糖尿病肾病人群作为验证集，并利用验证集(用于验证模型的样本集)验证糖尿病肾病的检测模型；其中，最佳标志物蛋白组合为ALB蛋白和AFM蛋白。
为了防止模型过拟合，对差异蛋白中潜在的生物标志物进行降维。具体操作为：
首先在差异蛋白中只选取一个蛋白作为特征训练模型，计算其准确性、特异性、AUC，选取最优结果保留；然后在差异蛋白中任选两个蛋白组合作为特征训练模型，同样计算其准确性、特异性、AUC，保留最优结果；依次类推，在差异蛋白中任选三个、四个、五个或更多个蛋白组合作为特征训练模型，同样计算其准确性、特异性、AUC，保留最优结果，最终比较得到模型选用两个蛋白组合作为特征时，准确性、特异性、AUC趋于稳定，因此选用两个蛋白最终作为特征训练模型。随后进行逻辑回归模型构建，用发现集的数据(即发现集中的样本中的ALB和AFM两个蛋白的表达量数据)训练逻辑回归分类模型，然后用验证集的数据((即验证集中的样本中的ALB和AFM两个蛋白的表达量数据))对模型进行验证，计算准确性、特异性、AUC作为评估模型的指标。
需要说明的是，本申请在选择逻辑回归进行训练建模之前，也曾尝试其他的建模方法，包括但不限于线性回归、随机森林等，但拟合效果相对较差，经比较之后确定了逻辑回归建模的方法。
在一种优选的实施例中，该质谱检测来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质中的差异蛋白包括：质谱分离来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质，获得尿蛋白质组数据；对尿蛋白质组数据中对各个蛋白质的丰度进行测量，得到测量结果；从测量结果中查找蛋白质丰度在糖尿病尿蛋白健康人群和糖尿病肾病人群中存在显著差异的蛋白质作为差异蛋白；其中，采用基于强度的相对定量方法对同一批次内的蛋白质的丰度进行测量，并采用基于强度的总分数的方法对不同批次间的蛋白质丰度进行归一化处理。
如前述，本申请的尿蛋白标志物是通过以下方法发现的：通过之前开发的一套提取尿液中蛋白质的方法(参见公开号为CN 108333263 A的专利申请)，针对性的改进了质谱条件及参数设置，筛选了临床上已知的糖尿病尿蛋白健康人群和糖尿病肾病人群的尿蛋白表达量存在显著差异的差异蛋白，进而发现了ALB、AFM蛋白与糖尿病肾病之间的强相关性。同时，通过质谱优化条件能够快速完成对尿液中ALB、AFM蛋白的定量检测，并根据ALB、AFM的丰度建立了糖尿病肾病人群检测模型，通过该检测模型，只需将待测的尿蛋白样本中ALB、AFM的丰度输入该检测模型即可直接输出是否为糖尿病肾病阳性样本。
上述质谱分析过程，可以采用现有的相关仪器和分析软件来进行。在本申请一种具体的实施例中，消化后样品在装有C18颗粒的自制毛细管柱上分离胰蛋白酶肽，并通过与在线Easy-nLC 1000纳米-HPLC系统(Thermo Fisher Scientific)联用的Thermo FisherOrbitrap质谱仪进行分析。在FIRMIANA分析平台中处理LC-MS/MS数据，并在Mascot搜索引擎上进行蛋白搜索。
在对蛋白质的丰度进行定量时，本申请的优选实施例中，根据数据来源与同一批次内还是不同批次间，采用了不同的定量方法。对于同一批次内的蛋白质的丰度进行测量时，采用iBAQ(基于强度的相对定量)，即无标记定量算法。而对于批次间的蛋白质丰度进行比较时，通过将iBAQ转换成iFOT(基于强度的总分数)，表示在LC-MS/MS分析中鉴定的蛋白质的归一化强度，通过该指标考虑了批次间差异对检测结果的影响，进而使得定量结果更准确和客观。
此外，在本申请一些优选的实施例中，为了可视化目的，将iFOT的数量乘以105。
为进一步提高质谱分析结果的准确性，在本申请优选的实施例中，采用293T细胞的胰蛋白酶消化物作为QC(质量控制)样品，通过LC-MS/MS常规评估以保证仪器的重现性。
上述优选实施例中，检测模型的构建方法采用了大数据人工智能算法，针对大量的表达量存在差异的蛋白，利用逻辑回归的建模方法来构建模型，能够使得该模型的预测准确性比较高。
具体地，通过从21例糖尿病患者和9例糖尿病肾病患者的尿蛋白中筛选到135个差异蛋白，进一步通过降维处理找到ALB和AFM两个蛋白，利用ALB、AFM建立了逻辑回归模型；利用这两个蛋白建立的逻辑回归模型，可以将独立验证集中糖尿病(113人)和糖尿病肾病(56人)分开，且AUC高达0.935。由此表明利用ALB、AFM建立的逻辑回归模型能够对糖尿病病人进行有效的糖尿病肾病的筛查。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的检测仪器等硬件设备的方式来实现。基于这样的理解，本申请的技术方案中数据处理的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分的方法。
本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
显然，本领域的技术人员应该明白，上述的本申请的部分模块或步骤可以在通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
在一种优选的实施例中，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述糖尿病肾病的检测模型的构建方法。
在一种优选的实施例中，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述糖尿病肾病的检测模型的构建方法。
下面将结合具体的实施例来进一步说明本申请的有益效果。
实施例1
第一部分：尿液蛋白质样本制备
尿液蛋白在样本的制备引用公开日期为2018年07月27日公开的名为“一种尿蛋白制备方法及尿蛋白质组的检测方法”公开号为CN 108333263 A的发明专利申请中实施例1的制备方法进行制备。
第二部分：质谱检测
消化后样品在装有C18颗粒的自制毛细管柱上分离胰蛋白酶肽，并通过与在线Easy-nLC 1000纳米-HPLC系统(Thermo Fisher Scientific)联用的Thermo FisherOrbitrap质谱仪进行分析。在FIRMIANA分析平台[Nat Biotechnol.2017 May 9；35(5)：409-412.]中处理LC-MS/MS数据，并在Mascot搜索引擎上进行蛋白搜索。
将蛋白质丰度测量为iBAQ(基于强度的相对定量)-无标记定量算法。对于批次间比较，将iBAQ转换成iFOT(基于强度的总分数)，表示在LC-MS/MS分析中鉴定的蛋白质的归一化强度(Liu等人，2013)。为了可视化目的，iFOT的数量乘以105。作为QC(质量控制)样品的293T细胞的胰蛋白酶消化物，通过LC-MS/MS常规评估以保证仪器的重现性。
第三部分：定量算法+逻辑回归模型
寻找糖尿病(21人)和糖尿病肾病(9人)的差异蛋白共135个，进行降维和逻辑回归模型建立，寻找到ALB和AFM两个蛋白，利用这两个蛋白可以将独立验证集中糖尿病(113人)和糖尿病肾病(56人)分开，且AUC高达0.935(如图1所示)。可见，利用ALB、AFM建立的逻辑回归模型可对糖尿病病人进行有效的糖尿病肾病的筛查。
从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：通过利用质谱技术检测了人尿液中的大量蛋白质，并发现了ALB、AFM两个蛋白质与糖尿病肾病相关。通过对尿液中ALB、AFM蛋白的定量检测，并根据两者的丰度建立了糖尿病肾病人群检测模型，经过临床数据验证，该检测模型的准确性比较高，因而适合用于快速、高效、客观地检测糖尿病肾病人群。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.一种尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用，其特征在于，所述尿蛋白标志物为尿液中的ALB蛋白和AFM蛋白。
2.根据权利要求1所述的应用，其特征在于，所述试剂盒包括尿蛋白标志物抗体，所述尿蛋白标志物抗体为ALB蛋白的抗体和AFM蛋白的抗体。
3.根据权利要求2所述的应用，其特征在于，所述尿蛋白标志物抗体设置在固相载体上。
4.根据权利要求3所述的应用，其特征在于，所述固相载体选自酶标板、膜载体或微球。
5.根据权利要求4所述的应用，其特征在于，所述膜载体选自硝酸纤维素膜、玻璃纤维素膜或尼龙膜。
6.根据权利要求3所述的应用，其特征在于，所述尿蛋白标志物抗体为单克隆抗体或多克隆抗体。
7.根据权利要求2所述的应用，其特征在于，所述试剂盒为ELISA试剂盒、免疫荧光试剂盒或免疫胶体金试剂盒。
8.一种糖尿病肾病的检测装置，其特征在于，所述检测装置内设置有检测模型，所述检测模型包括糖尿病肾病标志物蛋白，所述糖尿病肾病标志物蛋白为尿蛋白标志物，所述尿蛋白标志物为尿液中的ALB蛋白和AFM蛋白。
9.根据权利要求8所述的检测装置，其特征在于，所述检测模型为逻辑回归模型。
10.一种糖尿病肾病的检测模型的构建方法，其特征在于，所述构建方法包括：
质谱检测来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质中的差异蛋白；
将部分所述健康人群和部分所述糖尿病肾病人群作为发现集，并利用所述发现集中的所述差异蛋白进行逻辑回归模型训练，确定模型训练所用蛋白的最佳数量；
根据最佳数量的所述差异蛋白的不同组合再次进行逻辑回归模型训练，确定最佳标志物蛋白组合；
将所述最佳标志物蛋白组合训练得到的逻辑回归模型作为糖尿病肾病的检测模型，将剩余部分的所述健康人群和剩余部分的所述糖尿病肾病人群作为验证集，利用所述验证集验证所述糖尿病肾病的检测模型；
其中，所述最佳标志物蛋白组合为ALB蛋白和 AFM蛋白。
11.根据权利要求10的构建方法，其特征在于，质谱检测来源于糖尿病尿蛋白健康人群和糖尿病肾病人群的尿液蛋白质中的差异蛋白包括：
质谱分离来源于所述糖尿病尿蛋白健康人群和所述糖尿病肾病人群的尿液蛋白质，获得尿蛋白质组数据；
对所述尿蛋白质组数据中各个蛋白质的丰度进行测量，得到测量结果；
从所述测量结果中查找所述蛋白质丰度在所述糖尿病尿蛋白健康人群和所述糖尿病肾病人群中存在显著差异的蛋白质作为所述差异蛋白；
其中，采用基于强度的相对定量方法对同一批次内的蛋白质的丰度进行测量，并采用基于强度的总分数的方法对不同批次间的蛋白质丰度进行归一化处理。
12.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求10或11所述的糖尿病肾病的检测模型的构建方法。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求10或11所述的糖尿病肾病的检测模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111103990.8A CN113917152B (zh) | 2021-09-22 | 2021-09-22 | 尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111103990.8A CN113917152B (zh) | 2021-09-22 | 2021-09-22 | 尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113917152A CN113917152A (zh) | 2022-01-11 |
| CN113917152B true CN113917152B (zh) | 2024-05-31 |
Family
ID=79235505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111103990.8A Active CN113917152B (zh) | 2021-09-22 | 2021-09-22 | 尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113917152B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101074943A (zh) * | 2007-06-12 | 2007-11-21 | 浙江大学 | 一种检测尿液蛋白质指纹图谱的方法 |
| CN103376324A (zh) * | 2012-04-25 | 2013-10-30 | 中国科学院上海生命科学研究院 | 白蛋白作为肥胖型糖尿病标志物的应用 |
| CN204287200U (zh) * | 2014-10-28 | 2015-04-22 | 广州天宝颂原生物科技开发有限公司 | 尿微量白蛋白免疫层析定量检测试纸条 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170146554A1 (en) * | 2009-06-10 | 2017-05-25 | Masanori Hara | Method for test on diabetic nephropathy |
| EP2649206B1 (en) * | 2010-12-07 | 2017-04-26 | Joslin Diabetes Center, Inc. | Predicting and treating diabetic complications |
-
2021
- 2021-09-22 CN CN202111103990.8A patent/CN113917152B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101074943A (zh) * | 2007-06-12 | 2007-11-21 | 浙江大学 | 一种检测尿液蛋白质指纹图谱的方法 |
| CN103376324A (zh) * | 2012-04-25 | 2013-10-30 | 中国科学院上海生命科学研究院 | 白蛋白作为肥胖型糖尿病标志物的应用 |
| CN204287200U (zh) * | 2014-10-28 | 2015-04-22 | 广州天宝颂原生物科技开发有限公司 | 尿微量白蛋白免疫层析定量检测试纸条 |
Non-Patent Citations (6)
| Title |
|---|
| Urinary afamin levels are associated with the progression of diabetic nephropathy;Yasushi Kaburagi等;《Diabetes Research and Clinical Practice》;第147卷;摘要以及第39页2.5 * |
| Yasushi Kaburagi等.Urinary afamin levels are associated with the progression of diabetic nephropathy.《Diabetes Research and Clinical Practice》.2018,第147卷摘要以及第39页2.5. * |
| 尿液RBP和 ALB在早期糖尿病肾病中的诊断价值及其与外周血MCP-1表达的关系;蒙军平 等;《疑难病杂志》;第18卷(第1期);摘要以及第49页1.3部分 * |
| 田茜 等.血清维生素E结合蛋白及 adropin蛋白在DN中的临床价值.《检验医学》.2020,第35卷(第11期),摘要以及第1122页. * |
| 蒙军平 等.尿液RBP和 ALB在早期糖尿病肾病中的诊断价值及其与外周血MCP-1表达的关系.《疑难病杂志》.2019,第18卷(第1期),摘要以及第49页1.3部分. * |
| 血清维生素E结合蛋白及 adropin蛋白在DN中的临床价值;田茜 等;《检验医学》;第35卷(第11期);摘要以及第1122页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113917152A (zh) | 2022-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Decramer et al. | Urine in clinical proteomics | |
| Castelli et al. | Metabolomics for personalized medicine: the input of analytical chemistry from biomarker discovery to point-of-care tests | |
| US8389222B2 (en) | Apolipoprotein fingerprinting technique and methods related thereto | |
| Baker et al. | Mass spectrometry for translational proteomics: progress and clinical implications | |
| Selevsek et al. | Systematic quantification of peptides/proteins in urine using selected reaction monitoring | |
| Lee et al. | Method validation of protein biomarkers in support of drug development or clinical diagnosis/prognosis | |
| Hortin | Can mass spectrometric protein profiling meet desired standards of clinical laboratory practice? | |
| EP1011417A1 (en) | Selective differentiating diagnostic process based on broad data bases | |
| Srinivasan et al. | Accurate diagnosis of acute graft-versus-host disease using serum proteomic pattern analysis | |
| Stevens et al. | Conjugating immunoassays to mass spectrometry: Solutions to contemporary challenges in clinical diagnostics | |
| Rodriguez et al. | Reconstructing the pipeline by introducing multiplexed multiple reaction monitoring mass spectrometry for cancer biomarker verification: An NCI‐CPTC initiative perspective | |
| Watson et al. | Quantitative mass spectrometry analysis of cerebrospinal fluid protein biomarkers in Alzheimer’s disease | |
| Stalmach et al. | Methods in capillary electrophoresis coupled to mass spectrometry for the identification of clinical proteomic/peptidomic biomarkers in biofluids | |
| Li et al. | Evaluation of the analytical and clinical performance of a new high-sensitivity cardiac troponin I assay: hs-cTnI (CLIA) assay | |
| Stenemo et al. | Cancer associated proteins in blood plasma: Determining normal variation | |
| CN113917152B (zh) | 尿蛋白标志物在制备检测糖尿病肾病的试剂盒中的应用 | |
| CN113917154B (zh) | 尿蛋白标志物在制备糖尿病肾病临床早期检测的试剂盒中的应用 | |
| CN113917153B (zh) | 尿蛋白标志物在制备检测糖尿病肾病临床分期的试剂盒中的应用 | |
| US20190056387A1 (en) | Method for measuring the plasma concentration of an analyte directly on a whole blood sample | |
| Listgarten et al. | Practical proteomic biomarker discovery: taking a step back to leap forward | |
| Rai | Biomarkers in translational research: focus on discovery, development and translation of protein biomarkers to clinical immunoassays | |
| WO2008025579A1 (en) | Means and method for diagnosing hemolytic anemia | |
| Males et al. | Cardiac markers and point-of-care testing: a perfect fit | |
| Letunica et al. | Proteomic Applications and Considerations: From Research to Patient Care | |
| Issaq et al. | Analytical methods and biomarker validation |
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 |