CN116559453A - 一种用于肺癌检测的生物标志物 - Google Patents

一种用于肺癌检测的生物标志物 Download PDF

Info

Publication number
CN116559453A
CN116559453A CN202310239962.1A CN202310239962A CN116559453A CN 116559453 A CN116559453 A CN 116559453A CN 202310239962 A CN202310239962 A CN 202310239962A CN 116559453 A CN116559453 A CN 116559453A
Authority
CN
China
Prior art keywords
lung cancer
biomarker
model
ctsg
sell
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
CN202310239962.1A
Other languages
English (en)
Inventor
高俊顺
高俊莉
王炜欣
彭小军
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.)
Hangzhou Guangke Ander Biotechnology Co ltd
Original Assignee
Hangzhou Guangke Ander Biotechnology Co ltd
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 Hangzhou Guangke Ander Biotechnology Co ltd filed Critical Hangzhou Guangke Ander Biotechnology Co ltd
Priority to CN202310239962.1A priority Critical patent/CN116559453A/zh
Publication of CN116559453A publication Critical patent/CN116559453A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • 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
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Biotechnology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cell Biology (AREA)
  • Analytical Chemistry (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Theoretical Computer Science (AREA)
  • Microbiology (AREA)
  • Hospice & Palliative Care (AREA)
  • Oncology (AREA)
  • Food Science & Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)

Abstract

本发明提供了一种用于肺癌检测的生物标志物及其应用，利用蛋白组学的方法，通过分析肺癌患者和正常人的血液中具有显著性差异的蛋白质，筛选出系列全新的能早期预示肺癌发生风险的生物标记物，并从中进一步筛选出一组生物标志物构建肺癌的诊断模型，可用于便捷、无创、高效地预测个体是否患肺癌，满足临床所需。

Description

一种用于肺癌检测的生物标志物
本申请是中国发明专利申请，申请号：202211486610.8，申请日：2022年11月22日的分案申请。
技术领域
本发明涉及医学领域，具体而言，涉及利用蛋白组学筛选肺癌的生物标志物并用于肺癌的诊断，尤其涉及一种预测肺癌发生风险的生物标志物及其应用。
背景技术
蛋白质组学(Proteomics)是研究细胞、组织或生物体中蛋白质组成、定位、变化及其相互作用规律的科学，包括对蛋白质表达模式和蛋白质组功能模式的研究。随着质谱技术的发展，液相色谱与质谱联用技术(LC-MS/MS)已成为蛋白质组学研究中最主要的工具。蛋白质组学的发展对寻找疾病的诊断标志、筛选药物靶点、毒理学研究等有重要意义，也因此被广泛应用于医学研究。
肺癌是临床最常见的恶性肿瘤之一，恶性程度高，病程发展快，其患病率和死亡率列恶性肿瘤首位，且呈逐年上升趋势。国家卫生部公布的资料显示肺癌已成为我国恶性肿瘤死亡的最主要原因，占全部恶性肿瘤20％以上。
肺癌的准确诊断是降低死亡率的关键，但目前尚缺乏有效的诊断方法，70％以上的肺癌患者确诊时已错过最佳的治疗时机。现阶段诊断肺癌主要有组织学和影像学两种方法。但这两种方法都有一定的局限性。随着免疫学和分子生物学的发展，肿瘤相关蛋白标志物在肺癌的诊治中显示出越来越重要的临床价值，已成为必不可少的辅助诊断、观察疗效和判断预后的生物学指标。
临床上已发现多种可以用于肺癌诊断、病理分型和临床分期、判断预后和疗效的肿瘤标志物，但目前常用的肺癌标志物的(CEA，CA125)诊断效能均不理想，尚未发现一种特异的肿瘤标志物对肺癌诊断有较高的敏感度以及特异性。
因此，寻找新的肺癌诊断相关标志物，多种标志物相结合，采用合适的肺癌诊断预测模型，具有重要的临床价值。
发明内容
针对现有技术中存在的问题，本发明提供了一种用于肺癌检测的生物标志物，利用蛋白质组学的方法，通过分析肺癌患者和正常人的血液中具有显著性差异的蛋白质，筛选出系列全新的能早期预示肺癌发生风险的生物标记物，并从中进一步筛选出一组生物标志物构建肺癌的诊断模型，可用于便捷、无创、高效地预测个体是否患肺癌，满足临床所需。
一方面，本发明提供了一种生物标志物在制备预测个体是否是肺癌的试剂中的用途，所述生物标志物选自如下的一种或多种：PiggyBac转座因子衍生蛋白5(PGBD5-PiggyBac transposable Element-derived protein 5)、组织蛋白酶G(CTSG)、色氨酸-tRNA连接酶(WARS1)、L-选择素(SELL)、活性剂蛋白B(Pro-SFTPB)。
本发明通过TMT标记定量蛋白质组学研究，用LC-MS/MS超高效液相色谱-串联质谱联用方法分析健康组和肺癌病人组两组血液样品，再通过正交偏最小二乘法判别在肺癌样品和对照样品之间有显著差异的蛋白质，最终得到5种全新的与肺癌关联的蛋白质，作为生物标志物，可用于高效预测个体是否肺癌。
在一些方式中，所述可用于预测个体是否是肺癌的生物标志物，可以生物标志物为检测目标制备检测试剂，例如样品前处理试剂、抗原或抗体等适用于所述生物标志物检测的生物试剂及试剂盒；也可以开发成适用于所述生物标志物LC-UV或LC-MS检测的标准化试剂或试剂盒等。
在一些方式中，PiggyBac转座因子衍生蛋白5(PGBD5)为UniProt数据库编号为Q8N414的蛋白或者氨基酸序列；组织蛋白酶G(CTSG)为UniProt数据库编号为P08311的蛋白或者氨基酸序列；色氨酸-tRNA连接酶(WARS1)为UniProt数据库编号为P23381的蛋白或者氨基酸序列；L-选择素(SELL)为UniProt数据库编号为P14151的蛋白或者氨基酸序列；活性剂蛋白B(Pro-SFTPB)为UniProt数据库编号为P07988的蛋白或者氨基酸序列。
进一步地，所述生物标志物包括PGBD5、CTSG、WARS1和SELL和Pro-SFTPB。
在一些方式中，所述的生物标志物包括PiggyBac转座因子衍生蛋白5(PGBD5-PiggyBac transposable Element-derived protein 5)、组织蛋白酶G(CTSG)、色氨酸--tRNA连接酶(WARS1)、L-选择素(SELL)、细胞角蛋白19片段(Cyfra21-1)、癌胚抗原(CEA)、癌抗原125(CA125)和活性剂蛋白B(Pro-SFTPB)。
进一步地，所述试剂用于检测体液样本中的生物标志物，所述体液样本包括血液、尿液、唾液、汗液中的任意一种。
在一些方式中，本发明的所述生物标志物是通过血液样本筛选获得的，尤其适于开发成用于肺癌预测的血液检测试剂或试剂盒等。
本发明从血液筛选到肺癌的生物标志物，这些生物标志物在肺癌患者和非肺癌患者的血液中存在显著性差异，通过收集血液样本，即可通过检测个体血液中这些生物标志物来预测或辅助诊断该个体是否有肺癌或患有肺癌的可能性，或者可以检测某一群体血液中的这些生物标志物，进而将该群体分为肺癌组或非肺癌组。
进一步地，所述检测体液样本中的标志物，为检测个体的体液样本中生物标志物的有无或相对丰度或浓度。
在一些方式中，优选采用相对丰度来表示，所述相对丰度为高效液相色谱-串联质谱获得的检测图谱中该生物标志物的峰面积。比如某个生物标志物在对照样品(未患肺癌的个体)里测出的平均峰面积是500，在肺癌样品里测出的平均峰面积是3000，那么就认为该生物标志物在肺癌样本中的丰度是对照样本中的6倍。
另一方面，本发明提供了一种预测个体是否是肺癌的生物标志物组合，所述生物标志物选自如下的任意两种或两种以上的组合：PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125、Pro-SFTPB。
进一步地，包括PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125和Pro-SFTPB。
通过检测临床肺癌样本的数据显示，仅仅采用这8种生物标志物预测肺癌，其AUC值就能达到0.916，其效果明显好于现有的多种生物标志物联合预测肺癌模型的效果。
另一方面，本发明提供了一种预测个体是否是肺癌的试剂盒，所述试剂盒包括如上所述的生物标志物，或如上所述的生物标志物组合的检测试剂。
在一些方式中，所述检测试剂为如上所述生物标志物的抗体，所述抗体为单克隆抗体。
再一方面，本发明提供了一种预测个体是否是肺癌的系统，所述系统包括数据分析模块，所述数据分析模块用于分析生物标志物的检测值，所述生物标志物为选自如下的一种或多种：PGBD5、CTSG、WARS1、SELL、Pro-SFTPB；或选自如下的任意两种或两种以上的组合：PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125、Pro-SFTPB。
进一步地，所述生物标志物包括PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125和Pro-SFTPB。
进一步地，所述数据分析模块通过将生物标志物的检测值代入方程，计算预测个体是否是肺癌的预测值，从而评估个体是否是肺癌，所述方程为：
其中，Y为预测值，i表示第i个生物标志物，m表示生物标志物的个数(m＝8)，Xi表示第i个生物标志物的检测值(μg/mL)，Ki表示第i个生物标志物的系数，b为常数3.261652；
所述Ki的系数如下表所示：
标志物 系数
Cyfra21-1 -0.76761
CEA 1
CA125 0.434921
Pro-SFTPB -0.72697
PGBD5 -0.14199
CTSG 1
WARS1 1
SELL 1
进一步地，当当诊断模型预测值Y≤-0.806时，认为待测者为肺癌患者；当模型预测值Y＞-0.806时，认为待测者不为肺癌患者。
进一步地，还包括数据检测系统，数据输入、输出界面；所述数据检测系统用于检测样本中的生物标志物，获得检测值；所述数据输入、输出界面中的输入界面用于输入生物标志物的检测值，经数据分析模块分析检测值后，输出界面用于输出个体是否是肺癌的分析结果。
再一方面，本发明提供了如上所述的系统用于构建预测个体是否是肺癌的概率值的检测模型的用途。
本发明的有益效果为：
1、筛选到5种全新的能早期预示肺癌发生风险的生物标记物PGBD5、CTSG、WARS1、SELL和Pro-SFTPB；
2、分别采用不同的生物标志物构建肺癌的诊断模型，发现采用包括PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125和Pro-SFTPB的8种生物标志物构建的肺癌诊断模型最优，可用于更高效地预测个体是否患肺癌，AUC值达到0.916，其效果明显好于现有的肺癌诊断模型。
附图说明
图1为实施例1中的健康对照与肺癌两组的Wilcoxon结果图；
图2为实施例1中的健康对照与肺癌两组的ROC和OPLS-DA分析结果图；
图3为实施例3中的glmnet算法不同超参数组合下构建模型的AUC结果图；
图4为实施例3中构建的肺癌联合诊断模型在模型组中的ROC曲线；
图5为实施例3中构建的肺癌联合诊断模型在测试组中的ROC曲线；
图6为实施例3中构建的肺癌联合诊断模型在测试组中的性能评估结果图；
图7为实施例3中构建的不同肺癌诊断模型的ROC曲线。
详细说明
(1)诊断或者检测
这里的诊断或者检测是指对于样本中的生物标志物进行检测或者化验，或者目的生物标志物的含量，例如绝对含量或者相对含量，然后通过目标标志物是否存在或者数量的多少来说明提供样本的个体是否可能具有或患某种疾病，或者具有某种疾病的可能性。这里的诊断与检测的含义可以互换。这种检测的结果或者诊断的结果是不能直接作为患病的直接结果，而是一种中间结果，如果获得直接的结果，还需通过病理学或者解剖学等其它辅助手段才能确认患有某种疾病。例如，本发明提供了多种与肺癌具有关联性的新的生物标志物，这些标志物的含量的变化与是否患有肺癌具有直接的关联性。
(2)标志物或生物标志物与肺癌的联系
标志物和生物标志物在本发明中具有相同的含义。这里的联系是指某种生物标志物在样本中出现或者含量的变化与特定疾病具有直接的关联性，例如含量的相对升高或者降低，表示这种患有这种疾病的可能性相对健康人员更高。
如果样本中多个不同的标志物同时出现或者含量的相对变化，表示这种患有这种疾病的可能性相对健康人员也更高。也就是说标志物种类中，某一些标志物与患病的关联性强，有些标志物与患病的关联性弱，或者有些甚至与某种特定的疾病无关联。对于那些关联性强的标志物中的一种或者多种，可以作为诊断疾病的标志物，与那些关联性弱的标志物可以与强的标志物组合来诊断某种疾病，增加检测结果的准确性。
针对本发明发现的血清中的众多生物标志物，这些标志物都可以用来进行区分肺癌与健康人群。这里的标志物可以单独作为单个的标志物来进行直接的检测或者诊断，选择这样的标志物表示该标志物的含量的相对变化与肺癌具有强的关联性。当然，可以理解的是，可以选择与肺癌关联性强的一种或者多种标志物的同时检测。正常的理解是，在一些方式中，选择关联性强的生物标志物来进行检测或者诊断可以达到一定标准的准确性，例如60％，65％，70％，80％，85％，90％或者95％的准确性，则可以说明，这些标志物可以获得诊断某种疾病的中间值，但并不表示就能直接确认患有某种疾病。。
当然，也可以选择ROC值越大的差异蛋白质来作为诊断的标志物。所谓的强，弱一般通过一些算法来计算确认，例如标志物与肺癌贡献率或者权重分析。这样的计算方法可以是显著性分析(p值或FDR值)和倍数变化(Fold change)，多元统计分析主要包括主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和正交偏最小二乘判别分析(OPLS-DA)，当然还包括其他的方法，例如ROC分析等。当然，其它的模型预测方法也是可以的，在具体选择生物标志物的时候，可以选择本发明所公开的差异蛋白质，也可以选择或者结合其它现有公知的标志物组合通过模型方法进行预测。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。本实施例中使用的试剂均为已知产品，通过购买市售产品获得。
实施例1利用蛋白组学筛选肺癌的生物标志物
1.样本的收集
本研究小组从2019.8-2019.12收集了85例肺癌和46例健康对照，所有入组的患者签署知情同意书。肺癌患者均为活体组织经病理学确认结果，健康对照为常规体检正常。肺癌患者的纳入标准：(a)无其他恶性肿瘤病史，(b)采血后一个月内进行手术治疗，且经术后病理证实为肺癌。对照组的健康人选自体检中心；通过胸部X射线或薄切片计算机断层扫描证实这些个体没有肺结节，也没有恶性肿瘤病史。在知情同意后，将收集的所有血清样品储存在-80℃的血清库中。
2.样本的处理和酶解
首先，血浆样本在离心机上离心15分钟(15000xg)，取上清液并过滤后进行免疫亲和色谱脱出14种高丰度蛋白。然后用截止分子量为3kDa的浓缩管在离心机上(4000xg，1小时)浓缩。回收浓缩液，用截止分子量为7kDa的脱盐柱在离心机上(1000xg，2分钟)进行溶液置换(Buffer Exchange)，置换液为AEX-A(20mM Tris，4M Urea，3％isopropanol，pH8.0)。以AEX-A为空白，使用BCA方法测定样本中蛋白质浓度。按照表1样本分组情况，加入TCEP至样本中，在37℃下孵育30分钟进行蛋白质还原。然后加入对应的6-plex TMT试剂，室温下避光孵育1小时进行TMT标记反应。尔后，用Zeba柱对样本进行缓冲液置换，置换液是AEX-A。将6-plex TMT标记好的样本混合后，加入2mL AEX-A到混合后的样本中，最终体积为5.5mL。使用0.22m过滤器过滤样本并使用2D-HPLC系统分离6-plex TMT标记的样本。对收集的组分进行冷冻干燥，最后加入Trypsin-Lysin C混合酶，于37℃下孵育5小时酶解样本，加入5μL10％TFA以终止酶解反应。一共有60个酶解后的2D-HPLC组分被用来进行nano-LC-MS/MS分析。
表1：蛋白组学研究样本分组
样本编号 样本分组 TMT-6plex
Control 1 Control 126
Control 2 Control 127
Control 3 Control 128
Case 1 Case 129
Case 2 Case 130
Case 3 Case 131
3.LC-MS/MS数据采集与搜库分析
LC-MS/MS系统为Easy-nLC 1200和Q Exactive HFX联用，流动相A为含0.1％甲酸和2％乙腈的水溶液；流动相B为含0.1％甲酸和80％乙腈的水溶液。自制分析柱长度为20cm，填料使用Dr.Maisch GmbH的ReproSil-Pur C 18，1.9μm颗粒。1μg肽段用流动相A相溶解后使用EASY-nLC 1200超高效液相系统进行分离。液相梯度设置：0-26min，7％～22％B；26-34min，22％～32％B；34-37min，32％～80％B；37-40min，80％B，液相流速维持在450nL/min。
高效液相系统分离后的肽段注入NanoFlex离子源雾化后进Q Exactive HF-X进行质谱分析。离子源电压设置为2.1kV，一级质谱扫描范围设置为400-1200，分辨率为60,000(MS Resolution)；二级质谱扫描范围的起点为100m/z，分辨率设置为15,000(MS2Resolution)。数据依赖型扫描(DDA)模式设定TOP 20母离子依次进入HCD碰撞池碎裂后依次进行二级质谱分析。自动增益控制(AGC)设置为5E4，信号阈值设置为1E4，最大注入时间设置为22ms。为了避免高丰度肽段的重复扫描，串联质谱分析的动态排除时间设置为30秒。
通过LC-MS/MS获得的质谱数据使用Maxquant(v1.6.15.0)进行检索。数据类型为基于二级报告离子定量的TMT蛋白质组学数据，用于定量的二级谱图要求一级谱图中母离子占比大于75％。数据库来源Uniprot数据库的Homo_sapiens_9606_proteome(release:2021-10-14,sequence:20614)，并且在数据库中加入了常见的污染库，数据分析时删除污染蛋白；酶切方式设置为Trypsin/P；漏切位点数设为2；First search和Main search的母离子质量误差容忍度分别设为20ppm和5ppm，二级碎片离子的质量误差容忍度为20ppm。固定修饰为半胱氨酸烷基化，可变修饰为甲硫氨酸的氧化和蛋白N端的乙酰化。蛋白鉴定、PSM鉴定的FDR都设置为1％。
4.利用正交偏最小二乘判别分析对样本分群，结合显著性分析，筛选差异蛋白质
采用单变量分析和多元统计分析结合的方式进行差异蛋白质的筛选，其中单变量分析主要包括特征离子在不同分组中的显著性分析(p值或FDR值)和倍数变化(Foldchange)，多元统计分析主要包括主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)和正交偏最小二乘判别分析(OPLS-DA)。
我们共计找到1256种蛋白物质，其中包括部分全新发现的与肺癌相关的标志物，和部分已知并被证实与肺癌有关的标志物(如癌胚抗原(CEA)、癌抗原125(CA125)等)。
针对发现的1256种蛋白物质，经过分析获得了含量差异显著的蛋白物质。所有统计分析均使用R完成，具体的R相关信息见表2。
表2：本发明所用的R及其相关信息
名称 版本
R 3.4.1
Rstudio 1.4.1717
MixOmics 6.10.9
Ropls 1.18.1
计算变量投影重要度(Variable Importance for the Projection，VIP)以衡量各蛋白质的表达模式对各组样本分类判别的影响强度和解释能力，进一步进行Wilcoxon秩和检验得到校正后的p值(FDR)。Wilcoxon秩结果如图1，发现1256种蛋白物质中，共有79种蛋白在肺癌患者血清中含量明显降低，80种蛋白在肺癌患者血清中含量明显上升(详见图1)。
ROC和OPLS-DA分析结果图见图2，横坐标为ROC分析得到的AUC，纵坐标为OPLS-DA分析得到的VIP值，点的小大代表Wilcoxon检验计算得到的p value，点的颜色代表VIP值大小显著性评估。
根据差异蛋白质的筛选标准：(1)VIP>1；(2)FDR<0.05，即VIP>1或FDR<0.05时，判定蛋白质在两组间存在显著差异，该蛋白质为两组间的差异蛋白质。根据该筛选标准，共计找到8种更为显著的差异蛋白，其中包含部分全新的生物标志物(如转座因子衍生蛋白5(PGBD5)、组织蛋白酶G(CTSG)、色氨酸-tRNA连接酶(WARS1)、L-选择素(SELL))，以及部分已知的肺癌生物标志物(如癌胚抗原(CEA)、癌抗原125(CA125))。
本发明发现主要显著的8种差异蛋白质见表3：
表3：肺癌与正常健康的差异标志物
表2中FDR值越小和/或VIP值越大，在一定程度上说明该差异化合物在两组间的差异性越显著，同时也说明该差异化合物可能具有更高的诊断价值。
根据表2，上述1256种肺癌患者和正常健康的血清差异物质中，发现了8种差异蛋白，在肺癌组和非肺癌组间的差异更显著，其中包括5种全新的能用于高效预测肺癌的标志物：转座因子衍生蛋白5(PGBD5)、组织蛋白酶G(CTSG)、色氨酸-tRNA连接酶(WARS1)、L-选择素(SELL)、前表面活性剂蛋白B(Pro-SFTPB)，和3种已知的肺癌生物标志物：癌胚抗原(CEA)、癌抗原125(CA125)、细胞角蛋白19片段(Cyfra21-1)；同时也验证了已知的肺癌生物标志物在预测肺癌方面也确实有不错的性能。其中，鉴别肺癌与健康差异最显著的是L-选择素(SELL)，其次为细胞角蛋白19片段(Cyfra21-1)，第三为癌胚抗原(CEA)，第四为色氨酸-tRNA连接酶(WARS1)，随后依次为组织蛋白酶G(CTSG)、转座因子衍生蛋白5(PGBD5)、癌抗原125(CA125)、前表面活性剂蛋白(Pro-SFTPB)。
全新发现的肺癌差异生物标志物，可作为肺癌与健康鉴别诊断的候选生物标志物，选择其中的一种或多种的组合，可用于肺癌的辅助诊断。
实施例2：8种单一生物标志物预测肺癌
本实施例利用实施例1中筛选出的单个生物标志物建立肺癌的预测或诊断模型，用于区分肺癌和非肺癌，或者从群体中筛选出肺癌患者，或者用于预测个体是否是肺癌患者或个体得肺癌的可能性。
建立实施例1提供的8种的每个蛋白质的ROC曲线，通过曲线下面积(AUC)的大小来判断实验结果优劣。AUC为0.5表示单个蛋白质无诊断价值；AUC大于0.5，说明单个蛋白质具有诊断价值；AUC越大，说明单个蛋白质的诊断价值越高，结果如表4所示。
表4：ROC分析肺癌与正常健康样本各差异蛋白质的ROC值及相关信息
8种生物标志物的浓度变化与是否患肺癌的关联性的高低，可以通过表3中的AUC值、敏感性、特异性等来区分，其中AUC值最为直观和明显。AUC值越高，表示该生物标志物越能准确区分肺癌人群和非肺癌人群。
由表3可以看出，8种生物标志物的浓度变化与是否患肺癌都具有明显的关联性，单独采用8种生物标志物中的任意一种，其浓度变化用于区分肺癌人群和非肺癌人群，AUC值都能达到0.51以上，都具有较高的准确性，其中L-选择素(SELL)的关联性最高，AUC值达到0.796，其次为细胞角蛋白19片段(Cyfra21-1)，AUC值达到0.791，再次为前表面活性剂蛋白B(Pro-SFTPB)，AUC值达到0.787，之后依次为PiggyBac转座因子衍生蛋白5(PGBD5)、组织蛋白酶G(CTSG)、色氨酸--tRNA连接酶(WARS1)、癌胚抗原(CEA)、癌抗原125(CA125)。
实施例3：8种差异蛋白质联合鉴别肺癌与健康正常人群的分类模型及其建立
利用单一的生物标志物虽然也能区分肺癌与非肺癌血清样本或进行肺癌的预测，但一般来说将多种生物标志物进行组合，其区分或预测的准确性更高。
但是，预测肺癌准确性更高的单一生物标志物，在与其他一种或多种生物标志物组合后，其在该组合中起的作用不一定越大，同时也并非生物标志物的个数越多，其组合的预测准确性(AUC值)就越高，因此还需要进行大量验证实验。
本实施例对由血清中细胞角蛋白19片段(Cyfra21-1)、癌胚抗原(CEA)、癌抗原125(CA125)、前表面活性剂蛋白B(Pro-SFTPB)、PiggyBac转座因子衍生蛋白5(PGBD5)、组织蛋白酶G(CTSG)、色氨酸--tRNA连接酶(WARS1)、L-选择素(SELL)8种蛋白标志物构建的模型进行研究。
1.获取数据
研究人群：
从2019.8-2019.12收集了713例肺癌和213例健康对照，所有入组的患者签署知情同意书。肺癌患者均为活体组织经病理学确认结果，健康对照为常规体检正常(含有结节还是不含有结节，或者是不是肺癌的人群)。将入组人员按照7：3的比例分为模型组(肺癌n＝500，健康对照n＝150)和测试组(肺癌n＝213，健康对照n＝63)。数据信息如表5：
表5：建模样本信息
模型组 测试组
肺癌 500 213
健康对照 150 63
肺癌患者的纳入标准：(a)无其他恶性肿瘤病史，(b)采血后一个月内进行手术治疗，且经术后病理证实为肺癌。对照组的健康人选自体检中心；通过胸部X射线或薄切片计算机断层扫描证实这些个体没有肺结节，也没有恶性肿瘤病史。在知情同意后，将收集的所有血清样品储存在-80℃的血清库中。
本实施例对采集到的血清样本进行酶联免疫吸附剂检测(ELISA)，获得血清中细胞角蛋白19片段(Cyfra21-1)、癌胚抗原(CEA)、癌抗原125(CA125)、前表面活性剂蛋白B(Pro-SFTPB)、PiggyBac转座因子衍生蛋白5(PGBD5)、组织蛋白酶G(CTSG)、色氨酸--tRNA连接酶(WARS1)、L-选择素(SELL)8种蛋白标志物的浓度。
2.实验数据统计分析
Shapiro Wilk的测试用于评估正态分布，并且使用非参数检验Wilcoxon测试分别分析模型组和测试组中肺癌患者和健康对照之间的血液标志物浓度的差异。在模型组中，采用多种机器学习方法相结合的方法构建8种肺癌标志物的联合诊断模型。使用预测概率值以95％置信区间(CI)估计接收器操作员特征(ROC)曲线下面积(AUC)，以评估多变量诊断模型的辨别能力。使用测试组，计算Youden指数(YI)以确定用于区分肺癌患者与正常对照的预测概率cut-off值。此外，构建并比较了单个标志物和不同亚组的ROC。计算标准描述性统计数据，例如频率，平均值，中位数，阳性预测值(PPV)，阴性预测值(NPV)和标准偏差(SD)以描述研究群体的实验结果。使用R3.6.1进行统计学分析，p值小于0.05被认为是统计学上显著的。
3.肺癌联合诊断模型(8MP)构建步骤
S101，将模型组中样本的细胞角蛋白19片段(Cyfra21-1)、癌胚抗原(CEA)、癌抗原125(CA125)、前表面活性剂蛋白B(Pro-SFTPB)、PiggyBac转座因子衍生蛋白5(PGBD5)、组织蛋白酶G(CTSG)、色氨酸--tRNA连接酶(WARS1)、L-选择素(SELL)8种蛋白标志物的浓度矩阵作为原始训练数据集。
S102，选择广义线性模型(glmnet)算法用于构建预测模型，以及算法的超参数优化过程中网格搜索范围。该步骤中，对每种算法设定模型的超参数优化的网格搜索范围如表6所示。
表6：glmnet算法的参数网格搜索范围
S103，根据步骤S102设定的算法和超参数设定范围，选择其中一种超参数组合方式，作为预测模型构建的参数。
S104，将原始数据集按K折交叉验证机制，分割成K个子集。为确保每一折子集中，多数类样本和少数类样本比例与原始数据集相同，需采用分层K折交叉验证(StratifiedK-Folds cross validation)机制来进行数据分割。
S105，根据步骤S104分割得到的K个训练数据子集，选择其中一个子集作为验证集Ddev。
S106，将步骤S105中未选择的训练数据子集合并形成训练数据池Dtrainl。
S107，根据步骤S106得到的训练数据集Dtrain，基于所选择的有监督分类算法和超参数构建预测模型。
S108，根据步骤S107得到的预测模型，在验证集Ddev进行评估得到AUC值，并将当前预后预测模型与相应的AUC值存储在预测模型池Pool中。步骤S108为根据步骤S107得到的预测模型，在当前迭代中确定的验证集上进行评估，并将模型和评估结果都存储到预测模型池中，供以后基预测模型选择使用。该步骤中提到的评估，可以是AUC值，也可以是其他合理的对模型性能进行评估的指标。
S109，判断是否每个子集全部做过验证集。步骤S109为判断步骤S104得到的K个子集是否都已作为验证集，进行过模型的训练。如果所有的子集均作为验证集并完成了训练，则执行步骤S110；若有子集并未作为验证集，则执行步骤S105。该步骤确保原始数据集中，每一个样本均做过验证集，提高模型稳定性，防止模型过拟合于某个子集。
S110，将得到预测模型池Pool所有模型的AUC平均值作为本次组合方式模型的最终性能评估值。并将模型参数和最终性能评估AUC值存入最优模型池Poolbest。
S111，判断每种超参数组合方式是否全部构建预测模型。步骤S111为判断步骤S102得到所有算法和对应的超参数组合方式是否都进行过预测模型的构建。如果所有组合方式均作完成了模型的构建，则执行步骤S112；若有组合方式未完成模型的构建，则执行步骤S103。
S113，从步骤S112获得的模型集Poolbest中，选择AUC值最大的模型作为肺癌诊断的最终预测模型。
4.肺癌联合诊断模型(8MP)参数优化结果
通过上述模型构建步骤执行，我们得到了9种不同glmnet算法超参数的组合下构建的模型(图3)，并通过AUC值评估模型性能。如表7和图3所示：当glmnet算法超参数组合为alpha＝0.55，lambda＝0.0311时，AUC达到最大值0.8561(建模过程中采用10倍交叉验证方法计算AUC)。
表7：glmnet算法不同超参数组合下构建模型的AUC
ALPHA LAMBDA AUC
0.1 0.0003 0.8241
0.1 0.0031 0.8220
0.1 0.0311 0.8528
0.55 0.0003 0.8305
0.55 0.0031 0.8400
0.55 0.0311 0.8561
1 0.0003 0.8331
1 0.0031 0.8421
1 0.0311 0.8527
基于最优超参数组合构建模型的方程为：
其中，Y为预测值，i表示第i个生物标志物，m表示生物标志物的个数(m＝8)，Xi表示第i个生物标志物的检测值(μg/mL)，Ki表示第i个生物标志物的系数(表8)，b为常数3.261652。
表8：模型中8种生物标志物的系数
5.肺癌联合诊断模型(8MP)诊断阈值确定
以模型组中的预测值绘制ROC曲线，并根据约登(youden)指数值设置最佳诊断截断值为0.734。即当诊断模型预测值≤0.734时，认为待测者不为肺癌患者；当模型预测值＞0.734时，认为待测者为肺癌患者。结果如图4所示：模型在模型组中AUC为0.968，灵敏度为70.7％，特异性为84.8％。
6.肺癌联合诊断模型(8MP)验证
以测试组中的预测值绘制ROC曲线，如图5所示，AUC为0.916。并根据约登(youden)指数值设置最佳诊断截断值为0.734。即当诊断模型预测值≤0.734时，认为待测者不为肺癌患者；当模型预测值＞0.734时，认为待测者为肺癌患者。结果如图6所示：模型在测试组中的准确率为86.2％，Kappa值为0.638，灵敏度为94％，特异性为66.2％，阳性预测率为87.8％，阴性预测率为81％。
实施例4：不同肺癌诊断模型费诊断价值比较
为了进一步分析研究实施例3提供的模型(8MP)的诊断价值，我们将其性能与传统标志物(CEA、CA125和Cyfra21-1)和其组合(3MP，包括CEA、CA125和Cyfra21-1，具体的模型方程为：Y＝CEA-0.76761*Cyfra21-1+CEA+0.434921*CA125+CTSG–0.72697*Pro-SFTPB+WARS1-0.14199*PGBD5+SELL+3.261652)，在测试组中进行了比较。结果如图7和表9所示：
表9：不同诊断模型的ROC曲线下面积比较
/>
如图7和表8所示，我们的模型(8MP)的AUC相比于传统的单个标志物分别高出0.29，0.4和0.12；相比于传统标志物的组合(3MP)高出0.09。采用AUC差异显著性检验方法DeLong's test结果表明我们的模型(8MP)诊断价值均显著(p<0.05)高于传统标志物或传统标志物组合模型的诊断价值。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (10)

1.生物标志物在制备预测个体是否是肺癌的试剂中的用途，其特征在于，所述生物标志物选自如下的一种或多种：PGBD5、CTSG、WARS1、SELL、Pro-SFTPB。
2.如权利要求1所述的用途，其特征在于，所述生物标志物包括PGBD5、CTSG、WARS1、SELL和Pro-SFTPB。
3.如权利要求2所述的用途，其特征在于，所述试剂用于检测体液样本中的生物标志物，所述体液样本包括血液、尿液、唾液、汗液中的任意一种。
4.如权利要求3所述的用途，其特征在于，所述检测体液样本中的标志物，为检测个体的体液样本中生物标志物的有无或相对丰度或浓度。
5.如权利要求1所述的用途，其特征在于，所述试剂包括免疫检测试剂，所述的免疫检测试剂包括能够特异结合或者捕获所述生物标志物的抗体。
6.如权利要求5所述的用途，其特征在于，所述的检测包括通过ELISA方法进行检测标志的数量或者含量。
7.一种预测个体是否是肺癌的生物标志物组合，其特征在于，所述生物标志物选自如下的任意两种或两种以上的组合：PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125、Pro-SFTPB。
8.如权利要求5所述的生物标志物组合，其特征在于，所述的组合由下列标志物组成：PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125、Pro-SFTPB。
9.如权利要求5所述的生物标志物组合，其特征在于，包括PGBD5、CTSG、WARS1、SELL、Cyfra21-1、CEA、CA125和Pro-SFTPB。
10.一种预测个体是否是肺癌的试剂盒，其特征在于，包括检测如权利要求1～4任一项所述用途的生物标志物的试剂，或如权利要求7-9之一所述的检测生物标志物组合的检测试剂。
CN202310239962.1A 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物 Pending CN116559453A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310239962.1A CN116559453A (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202310239962.1A CN116559453A (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物
CN202211486610.8A CN115575636B (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物及其系统

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202211486610.8A Division CN115575636B (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物及其系统

Publications (1)

Publication Number Publication Date
CN116559453A true CN116559453A (zh) 2023-08-08

Family

ID=84590596

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202211486610.8A Active CN115575636B (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物及其系统
CN202310239962.1A Pending CN116559453A (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202211486610.8A Active CN115575636B (zh) 2022-11-22 2022-11-22 一种用于肺癌检测的生物标志物及其系统

Country Status (2)

Country Link
US (1) US20240168024A1 (zh)
CN (2) CN115575636B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117051111A (zh) * 2023-10-12 2023-11-14 上海爱谱蒂康生物科技有限公司 生物标志物组合在制备预测肺癌的试剂盒中的应用

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116593702B (zh) * 2023-05-11 2024-04-05 杭州广科安德生物科技有限公司 一种肺癌的生物标志物以及诊断系统
CN116519954B (zh) * 2023-06-28 2023-10-27 杭州广科安德生物科技有限公司 一种结直肠癌检测模型构建方法、系统及生物标志物
CN116626297B (zh) * 2023-07-24 2023-10-27 杭州广科安德生物科技有限公司 一种用于胰腺癌检测的系统及其试剂或试剂盒

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120077570A (ko) * 2010-12-30 2012-07-10 주식회사 바이오인프라 폐암 진단 예측을 위한 복합 바이오마커, 구성 방법, 복합 바이오마커를 사용하는 폐암 진단 예측 방법 및 폐암 진단 예측 시스템
KR20120134091A (ko) * 2012-11-26 2012-12-11 주식회사 바이오인프라 폐암 진단용 복합 바이오마커 키트
KR101853118B1 (ko) * 2016-09-02 2018-04-30 주식회사 바이오인프라생명과학 피험체의 폐암 진단을 위한 복합 바이오마커군, 이를 이용하는 폐암 진단용 키트, 복합 바이오마커군의 정보를 이용하는 방법 및 이를 수행하는 컴퓨팅 시스템
JP7311417B2 (ja) * 2017-02-09 2023-07-19 ボード オブ レジェンツ，ザ ユニバーシティ オブ テキサス システム 肺癌の検出および処置のための方法
RU2697971C1 (ru) * 2018-11-15 2019-08-21 федеральное государственное автономное образовательное учреждение высшего образования Первый Московский государственный медицинский университет имени И.М. Сеченова Министерства здравоохранения Российской Федерации (Сеченовский университет) (ФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России (Се Способ ранней диагностики рака легкого
JP2022528692A (ja) * 2019-04-04 2022-06-15 マグアレイ，インコーポレイテッド 循環分析物プロファイルを作成する方法及び同方法を実行するためのデバイス
CN110376378B (zh) * 2019-07-05 2022-07-26 中国医学科学院肿瘤医院 可用于肺癌诊断的标志物联合检测模型
CN114839305A (zh) * 2022-05-19 2022-08-02 山东第一医科大学附属肿瘤医院(山东省肿瘤防治研究院、山东省肿瘤医院) 小细胞肺癌数据信息检测中小细胞肺癌诊断模型构建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117051111A (zh) * 2023-10-12 2023-11-14 上海爱谱蒂康生物科技有限公司 生物标志物组合在制备预测肺癌的试剂盒中的应用
CN117051111B (zh) * 2023-10-12 2024-01-26 上海爱谱蒂康生物科技有限公司 生物标志物组合在制备预测肺癌的试剂盒中的应用

Also Published As

Publication number Publication date
CN115575636B (zh) 2023-04-04
US20240168024A1 (en) 2024-05-23
CN115575636A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
CN115575636B (zh) 一种用于肺癌检测的生物标志物及其系统
US20240087754A1 (en) Plasma based protein profiling for early stage lung cancer diagnosis
EP1989552B1 (en) Protein markers for diagnosing stomach cancer and the diagnostic kit using them
US11193935B2 (en) Compositions, methods and kits for diagnosis of lung cancer
Srinivasan et al. Accurate diagnosis of acute graft-versus-host disease using serum proteomic pattern analysis
US8518654B2 (en) Lung cancer diagnostic polypeptide, method for detecting lung cancer, and method for evaluating therapeutic effect
CN115798712B (zh) 一种诊断待测者是否是乳腺癌的系统以及生物标志物
CN115144599B (zh) 蛋白组合在制备对儿童甲状腺癌进行预后分层的试剂盒中的用途及其试剂盒、系统
US20170168058A1 (en) Compositions, methods and kits for diagnosis of lung cancer
US20130303391A1 (en) Methods for diagnosis and prognosis of inflammatory bowel disease using cytokine profiles
Beer et al. Identification of multiple novel protein biomarkers shed by human serous ovarian tumors into the blood of immunocompromised mice and verified in patient sera
CN117169504B (zh) 用于胃癌相关参数检测的生物标志物及相关预测系统及应用
CN115128285A (zh) 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、系统
CN116519954B (zh) 一种结直肠癌检测模型构建方法、系统及生物标志物
US20170269090A1 (en) Compositions, methods and kits for diagnosis of lung cancer
JP2023514809A (ja) 卵巣癌を診断するためのバイオマーカー
CN116593702B (zh) 一种肺癌的生物标志物以及诊断系统
CN117169504A (zh) 用于胃癌相关参数检测的生物标志物及相关预测系统及应用
CN115427811A (zh) 前列腺癌诊断的相关方法
CN116626297B (zh) 一种用于胰腺癌检测的系统及其试剂或试剂盒
AU2004239419A1 (en) Serum protein profiling for the diagnosis of epithelial cancers
CN113785199A (zh) 用于诊断结肠直肠癌和/或其癌前阶段的蛋白质特征
JP7493815B2 (ja) 卵巣癌を診断するためのバイオマーカー
US20240118282A1 (en) Kits and methods for detecting markers and determining the presence or risk of cancer
CN118019983A (zh) 用于诊断结直肠癌或进展期腺瘤的生物标志物

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination