RU2807396C1 - Method of diagnosing stages i-ii of high-grade serous ovarian cancer using the lipid profile of blood serum - Google Patents
Method of diagnosing stages i-ii of high-grade serous ovarian cancer using the lipid profile of blood serum Download PDFInfo
- Publication number
- RU2807396C1 RU2807396C1 RU2022132253A RU2022132253A RU2807396C1 RU 2807396 C1 RU2807396 C1 RU 2807396C1 RU 2022132253 A RU2022132253 A RU 2022132253A RU 2022132253 A RU2022132253 A RU 2022132253A RU 2807396 C1 RU2807396 C1 RU 2807396C1
- Authority
- RU
- Russia
- Prior art keywords
- ovarian cancer
- patient
- stages
- lipid
- patients
- Prior art date
Links
- 206010033128 Ovarian cancer Diseases 0.000 title claims abstract description 95
- 206010061535 Ovarian neoplasm Diseases 0.000 title claims abstract description 93
- 150000002632 lipids Chemical class 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000002966 serum Anatomy 0.000 title claims abstract description 30
- 210000004369 blood Anatomy 0.000 claims abstract description 26
- 239000008280 blood Substances 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000004128 high performance liquid chromatography Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000007477 logistic regression Methods 0.000 abstract description 19
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 239000003550 marker Substances 0.000 abstract description 8
- 239000003814 drug Substances 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 230000000771 oncological effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 description 32
- 201000010099 disease Diseases 0.000 description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 17
- 201000011510 cancer Diseases 0.000 description 14
- 210000000056 organ Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000005755 formation reaction Methods 0.000 description 8
- 210000001672 ovary Anatomy 0.000 description 8
- 238000001356 surgical procedure Methods 0.000 description 8
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 150000002500 ions Chemical class 0.000 description 6
- 230000036210 malignancy Effects 0.000 description 6
- 238000002604 ultrasonography Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000000750 progressive effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 230000003211 malignant effect Effects 0.000 description 4
- 238000001819 mass spectrum Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 4
- 230000002611 ovarian Effects 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 210000002381 plasma Anatomy 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 206010058823 Ovarian mass Diseases 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000003748 differential diagnosis Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000000132 electrospray ionisation Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000004949 mass spectrometry Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- 238000002940 Newton-Raphson method Methods 0.000 description 2
- 210000000683 abdominal cavity Anatomy 0.000 description 2
- VZTDIZULWFCMLS-UHFFFAOYSA-N ammonium formate Chemical compound [NH4+].[O-]C=O VZTDIZULWFCMLS-UHFFFAOYSA-N 0.000 description 2
- 238000010241 blood sampling Methods 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 235000019253 formic acid Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000002357 laparoscopic surgery Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- -1 lipid ions Chemical class 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 238000002705 metabolomic analysis Methods 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 208000016517 ovarian serous tumor Diseases 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 208000004548 serous cystadenocarcinoma Diseases 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000004885 tandem mass spectrometry Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- HNSDLXPSAYFUHK-UHFFFAOYSA-N 1,4-bis(2-ethylhexyl) sulfosuccinate Chemical compound CCCCC(CC)COC(=O)CC(S(O)(=O)=O)C(=O)OCC(CC)CCCC HNSDLXPSAYFUHK-UHFFFAOYSA-N 0.000 description 1
- AFENDNXGAFYKQO-UHFFFAOYSA-N 2-hydroxybutyric acid Chemical class CCC(O)C(O)=O AFENDNXGAFYKQO-UHFFFAOYSA-N 0.000 description 1
- DZAIOXUZHHTJKN-UHFFFAOYSA-N 3,4-dihydroxybutyric acid Chemical compound OCC(O)CC(O)=O DZAIOXUZHHTJKN-UHFFFAOYSA-N 0.000 description 1
- SJZRECIVHVDYJC-UHFFFAOYSA-M 4-hydroxybutyrate Chemical compound OCCCC([O-])=O SJZRECIVHVDYJC-UHFFFAOYSA-M 0.000 description 1
- 190000008236 Carboplatin Chemical compound 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 206010068051 Chimerism Diseases 0.000 description 1
- 208000000668 Chronic Pancreatitis Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 208000013452 Fallopian tube neoplasm Diseases 0.000 description 1
- 102100026973 Heat shock protein 75 kDa, mitochondrial Human genes 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000007571 Ovarian Epithelial Carcinoma Diseases 0.000 description 1
- 229930012538 Paclitaxel Natural products 0.000 description 1
- 206010033649 Pancreatitis chronic Diseases 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 101710204707 Transforming growth factor-beta receptor-associated protein 1 Proteins 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- FPWNQPQTICPCOM-UHFFFAOYSA-N acetonitrile;propan-2-ol Chemical compound CC#N.CC(C)O FPWNQPQTICPCOM-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000008578 acute process Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229940046836 anti-estrogen Drugs 0.000 description 1
- 230000001833 anti-estrogenic effect Effects 0.000 description 1
- 238000009175 antibody therapy Methods 0.000 description 1
- 229960000397 bevacizumab Drugs 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 239000003560 cancer drug Substances 0.000 description 1
- 208000035269 cancer or benign tumor Diseases 0.000 description 1
- 229960004562 carboplatin Drugs 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- WORJEOGGNQDSOE-UHFFFAOYSA-N chloroform;methanol Chemical compound OC.ClC(Cl)Cl WORJEOGGNQDSOE-UHFFFAOYSA-N 0.000 description 1
- 238000013375 chromatographic separation Methods 0.000 description 1
- 230000006020 chronic inflammation Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000000104 diagnostic biomarker Substances 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000007787 electrohydrodynamic spraying Methods 0.000 description 1
- 239000000328 estrogen antagonist Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 201000001343 fallopian tube carcinoma Diseases 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 210000004602 germ cell Anatomy 0.000 description 1
- 238000000589 high-performance liquid chromatography-mass spectrometry Methods 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 238000002350 laparotomy Methods 0.000 description 1
- 230000037356 lipid metabolism Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000011528 liquid biopsy Methods 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000005741 malignant process Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000001431 metabolomic effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 208000015124 ovarian disease Diseases 0.000 description 1
- 208000011937 ovarian epithelial tumor Diseases 0.000 description 1
- 208000012988 ovarian serous adenocarcinoma Diseases 0.000 description 1
- 201000003709 ovarian serous carcinoma Diseases 0.000 description 1
- 230000027758 ovulation cycle Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 229960001592 paclitaxel Drugs 0.000 description 1
- 238000002559 palpation Methods 0.000 description 1
- 210000004303 peritoneum Anatomy 0.000 description 1
- 201000002628 peritoneum cancer Diseases 0.000 description 1
- 150000003904 phospholipids Chemical class 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000010882 preoperative diagnosis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000092 prognostic biomarker Substances 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 230000035752 proliferative phase Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 210000004994 reproductive system Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000004366 reverse phase liquid chromatography Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- RCINICONZNJXQF-MZXODVADSA-N taxol Chemical compound O([C@@H]1[C@@]2(C[C@@H](C(C)=C(C2(C)C)[C@H](C([C@]2(C)[C@@H](O)C[C@H]3OC[C@]3([C@H]21)OC(C)=O)=O)OC(=O)C)OC(=O)[C@H](O)[C@@H](NC(=O)C=1C=CC=CC=1)C=1C=CC=CC=1)O)C(=O)C1=CC=CC=C1 RCINICONZNJXQF-MZXODVADSA-N 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 238000012108 two-stage analysis Methods 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
Description
Изобретение относится к области медицины, а именно, к онкологической гинекологии, и представляет собой способ диагностики серозного рака яичников (РЯ) высокой степени злокачественности (high grade) с помощью анализа содержания липидов в сыворотке крови методом высоко эффективной хроматографии масс-спектрометрии (ВЭЖХ МС). Изобретение может быть использовано для диагностики РЯ в качестве дополнения или замены имеющихся методов в ходе лабораторного анализа сыворотки крови.The invention relates to the field of medicine, namely to oncological gynecology, and is a method for diagnosing serous ovarian cancer (OC) of high grade using the analysis of lipid content in blood serum using high performance chromatography mass spectrometry (HPLC MS) . The invention can be used for the diagnosis of ovarian cancer as a supplement or replacement of existing methods during laboratory analysis of blood serum.
В то время, как популяционный скрининг экономически не выгоден, выявление более ранних стадий (I-II стадии по международной классификации Международной федерации гинекологов и акушеров - FIGO, International Federation of Obstetrics and Gynaecology) заболевания ассоциировано с улучшением исходов, однако, сопряжено с существенными сложностями в связи с асимптомным или малосимптомным течением, в связи с чем рак яичников диагностируется на поздних стадиях, выживаемость при которых не превышает 44%, что практически в 2 раза ниже по сравнению с 90% пятилетней выживаемостью после радикального лечения заболевания, выявленного на ранней стадии [1], [2]. Вопрос по проблеме остается открытым и требует усилий по изучению диагностики заболевания, особенном посредством неинвазивных методов, - в связи с чем акцент многих исследований сделан на жидкостной биопсии при образованиях яичников.While population-based screening is not economically profitable, identifying earlier stages (stages I-II according to the international classification of the International Federation of Gynecologists and Obstetricians - FIGO, International Federation of Obstetrics and Gynaecology) of the disease is associated with improved outcomes, however, it is associated with significant difficulties due to an asymptomatic or low-symptomatic course, and therefore ovarian cancer is diagnosed at late stages, the survival rate of which does not exceed 44%, which is almost 2 times lower compared to the 90% five-year survival rate after radical treatment of a disease detected at an early stage [ 12]. The issue remains open and requires efforts to study the diagnosis of the disease, especially through non-invasive methods, and therefore the emphasis of many studies is on liquid biopsy for ovarian formations.
По данным интерактивной платформы GLOBOCAN и Центра контроля и профилактики заболеваний США, РЯ занимает седьмое место в структуре заболеваемости ЗНО в мире, восьмое место - в структуре смертей, обусловленных онкологическими заболеваниями у женщин, и второе место - в структуре смертей, обусловленных ЗНО репродуктивных органов, уступая первенство раку шейки матки [2], [3], [4]. Смертность от ЗНО яичников в США и Российской Федерации занимает первое место, опережая опухоли остальных органов репродуктивной системы за исключением молочной железы [5], [6]. Возраст 80-90% заболевших составляет 20-65 лет [7]. Благодаря достижениям последних 30 лет в области онкологии (внедрение скрининговых программ, внедрение инновационных подходов в хирургии, внедрение новых лекарственных средств., и др.) при многих ЗНО наблюдается повышение пятилетней выживаемости на 20% [3], [5]. Однако данная тенденция наименее заметна для опухолей яичников, что связано с отсутствием эффективных мер, направленных на выявление РЯ на ранних стадиях, - в 75% случаев диагноз устанавливается на III-IV стадиях заболевания [7-9].According to the GLOBOCAN interactive platform and the US Centers for Disease Control and Prevention, OC ranks seventh in the structure of cancer incidence in the world, eighth in the structure of deaths caused by cancer in women, and second in the structure of deaths caused by cancer of the reproductive organs. giving way to cervical cancer [2], [3], [4]. Mortality from ovarian cancer in the United States and the Russian Federation ranks first, ahead of tumors of other organs of the reproductive system with the exception of the breast [5], [6]. The age of 80-90% of cases is 20-65 years [7]. Thanks to the achievements of the last 30 years in the field of oncology (the introduction of screening programs, the introduction of innovative approaches in surgery, the introduction of new drugs, etc.), for many cancers there has been an increase in five-year survival rate by 20% [3], [5]. However, this trend is least noticeable for ovarian tumors, which is due to the lack of effective measures aimed at identifying OC in the early stages - in 75% of cases the diagnosis is made at stages III-IV of the disease [7-9].
Таким образом, на сегодняшний день очевидна необходимость разработки новых более точных методов диагностики, поскольку прогноз значительно более благоприятен при выявлении заболевания на более ранней стадии.Thus, today there is an obvious need to develop new, more accurate diagnostic methods, since the prognosis is much more favorable when the disease is detected at an earlier stage.
Одним из самых перспективных подходов для диагностики данного онкологического заболевания на сегодняшний день является метаболомный анализ, осуществляемый методами масс-спектрометрии. Метаболомный подход включает комбинированное использование хроматографических, спектрометрических и спектроскопических методов анализа образцов совместно со статистической и биоинформатической обработкой экспериментальных данных. Анализ и интерпретация данных предполагают методы создания мультипараметрических классификационных моделей для проверки диагностической точности выявленных биомаркеров [10]. Ряд липидов обладают опухоль-инициирующей активностью, в связи с чем был введен термин «онколипид» [11]. Было показано, что высокое содержание разнообразных онколипидов в микроокружении опухоли отображает их способность инициировать и поддерживать процессы инвазии [11-13]. К сожалению, на сегодняшний день отсутствуют адекватные способы высокоточной ранней и предоперационной диагностики РЯ (I-II стадии по классификации Международной федерации гинекологов и акушеров - FIGO), поэтому очевидна необходимость разработки неинвазивных и объективных методов диагностики.One of the most promising approaches for diagnosing this cancer today is metabolomic analysis, carried out using mass spectrometry methods. The metabolomic approach includes the combined use of chromatographic, spectrometric and spectroscopic methods for analyzing samples together with statistical and bioinformatics processing of experimental data. Data analysis and interpretation involve methods for creating multiparametric classification models to test the diagnostic accuracy of identified biomarkers [10]. A number of lipids have tumor-initiating activity, which is why the term “oncolipid” was introduced [11]. It has been shown that the high content of various oncolipids in the tumor microenvironment reflects their ability to initiate and maintain invasion processes [11-13]. Unfortunately, today there are no adequate methods for highly accurate early and preoperative diagnosis of ovarian cancer (stages I-II according to the classification of the International Federation of Gynecologists and Obstetricians - FIGO), so the need to develop non-invasive and objective diagnostic methods is obvious.
Вследствие недостаточной информативности какого-либо одного биомаркера, необходимо рассматривать возможность выявления набора веществ, отличающих одно состояние пациента от другого. Масс-спектрометрические подходы для определения изменений липидома крови характеризуются малыми временами и относительной простотой приготовления образцов, а также высокой информативностью получаемых результатов. Регистрируемые в процессе эксперимента характеристические масс-спектры, называемые также "отпечатки пальцев" (fingerprints), позволяют создать классификационную модель для отнесения данного образца сыворотки или плазмы крови к группе нормы или патологии. Внедрение предлагаемого метода в практическое здравоохранение позволит создать персонифицированные алгоритмы обследования и ведения пациенток с раком яичников.Due to the lack of information content of any one biomarker, it is necessary to consider the possibility of identifying a set of substances that distinguish one patient condition from another. Mass spectrometric approaches for determining changes in the blood lipidome are characterized by short times and relative simplicity of sample preparation, as well as high information content of the results obtained. The characteristic mass spectra recorded during the experiment, also called “fingerprints,” make it possible to create a classification model for classifying a given sample of serum or blood plasma into a normal or pathological group. The introduction of the proposed method into practical healthcare will make it possible to create personalized algorithms for the examination and management of patients with ovarian cancer.
В качестве прототипа предлагаемого метода использован способ, описанный в исследованиях М. Hilvo и соавт. Авторами было установлено повышение уровня гидроксибутиратов (2,4-дигидроксибутира, 3,4-дигидроксибутират) в сыворотке крови пациентов с раком яичников высокой степени злокачественности по сравнению с образцами группы контроля, а также предположено прогностическое значение данного потенциального маркера [14], [15]. Ограничением данного и многих других проведенных исследований является преобладание в структуре исследуемых пациентов с III-IV стадиями, что сужает спектр возможностей настоящего метода диагностики.The method described in the studies of M. Hilvo et al. was used as a prototype of the proposed method. The authors found an increase in the level of hydroxybutyrate (2,4-dihydroxybutyra, 3,4-dihydroxybutyrate) in the blood serum of patients with high-grade ovarian cancer compared to control samples, and also suggested the prognostic value of this potential marker [14], [15]. ]. A limitation of this and many other studies conducted is the predominance of patients with stages III-IV in the structure of the studied patients, which narrows the range of possibilities of this diagnostic method.
М.F. Buas и соавт. провели исследование «случай-контроль», в процессе которого проанализировали по 50 образцов плазмы крови пациентов, подвергшихся оперативному лечению по поводу объемного образования яичников серозного гистотипа (рака или доброкачественной опухоли (группа контроля)). Образцы были исследованы с помощью ВЭЖХ МС. Было обнаружено, что 34 метаболита из 372 обнаруженных статистически значимо отличались в группах. Авторы пришли к выводу, что выявленные отличия метаболического профиля могут способствовать повышению точности дифференциальной диагностики доброкачественных и злокачественных заболеваний яичников [16]. После исключения образцов плазмы пациентов, у которых не был исследован маркер СА-125, в исследовании осталось лишь 84 образца (рак яичника, 44; доброкачественные опухоли в группе контроля, 40). В исследование были включены только женщины постменопаузального возраста, что следует отнести к важному ограничению дизайна рассматриваемого исследования. Помимо этого, использование крови пациентов с наличием доброкачественного объемного образования яичников в качестве группы контроля не исключает «химеризм» липидного профиля, который может быть характерен для каждого заболевания [17]. В связи с чем более информативные и точные данные могут быть получены при сравнении с исследуемой группой пациентов, при скрининго-диагностическом обследовании которых не получено данных об объемных образованиях яичников («здоровые добровольцы»).M.F. Buas et al. conducted a case-control study, during which they analyzed 50 blood plasma samples from patients who underwent surgical treatment for an ovarian mass of the serous histotype (cancer or benign tumor (control group)). Samples were examined using HPLC MS. Of the 372 metabolites detected, 34 were found to be statistically significantly different between groups. The authors concluded that the identified differences in the metabolic profile can help improve the accuracy of the differential diagnosis of benign and malignant ovarian diseases [16]. After excluding plasma samples from patients in whom the CA-125 marker was not tested, only 84 samples remained in the study (ovarian cancer, 44; benign tumors in the control group, 40). The study included only postmenopausal women, which is an important limitation of the study design. In addition, the use of blood from patients with a benign ovarian mass as a control group does not exclude the “chimerism” of the lipid profile, which may be characteristic of each disease [17]. In this connection, more informative and accurate data can be obtained by comparison with the study group of patients, during whose screening and diagnostic examination no data on ovarian mass formations were obtained (“healthy volunteers”).
Также принципиальной особенностью, которую следует учитывать при планировании исследования, посвященного разработке метода, направленного на выявление серозного РЯ высокой степени злокачественности, является этапность исследования, которая заключается в возможности выявить группу пациентов с злокачественным процессом, радикально отличимую от пациентов группы контроля, состоящей из обследованных с исключенной патологией, затем, вторым этапом, необходимо провести внутригрупповое сравнение (I-II по сравнению с прогрессирующими III-IV), чтобы различить пациентов с более ранними стадиями I-II и пациентов группы контроля. Данная последовательность позволяет дифференцировать более ранние стадии заболевания от нормы и прогрессирующих стадий серозного РЯ высокой степени злокачественности.Also, a fundamental feature that should be taken into account when planning a study dedicated to the development of a method aimed at identifying serous OC of high malignancy is the staged nature of the study, which consists in the ability to identify a group of patients with a malignant process, radically different from patients in the control group, consisting of those examined with excluded pathology, then, as a second step, it is necessary to conduct an intragroup comparison (I-II versus progressive III-IV) to distinguish between patients with earlier stages I-II and control patients. This sequence makes it possible to differentiate earlier stages of the disease from normal and progressive stages of high-grade serous ovarian cancer.
Задачей, решаемой изобретением, является диагностика I-II стадий серозного рака яичников высокой степени злокачественности по липидному профилю сыворотки крови посредством ВЭЖХ МС в результате последовательного применения двух моделей, построенных на основании метода логистической регрессии для вычисления переменной отклика (у'): на первом этапе с учетом уровней 3 липидов рассчитывается переменная отклика y'1 (при значении 0<y'1<0.7 делают заключение о том, что пациент относится к группе контроля, при значении 0.7≤у'1<1 диагностируется серозный рак яичника), на втором этапе при помощи подстановки уровней 2 липидов рассчитывается переменная отклика у'2 (при значении 0.6≤<у'2<1 делают заключение о наличии у пациента распространенного серозного РЯ III-IV стадий, при значениях 0<у'2<0.6 - I-II стадий заболевания), позволяющая выявить пациентов с ранними стадиями серозного рака яичников.The problem solved by the invention is the diagnosis of stages I-II of high-grade serous ovarian cancer using the lipid profile of blood serum using HPLC MS as a result of the sequential application of two models built on the basis of the logistic regression method for calculating the response variable (y'): at the first stage taking into account the levels of 3 lipids, the response variable y' 1 is calculated (with a value of 0<y' 1 <0.7 it is concluded that the patient belongs to the control group, with a value of 0.7≤y' 1 <1 serous ovarian cancer is diagnosed), on the second stage, by substituting the levels of 2 lipids, the response variable y' 2 is calculated (with a value of 0.6≤<y' 2 <1, a conclusion is made that the patient has widespread serous ovarian cancer of stages III-IV, with values of 0<y' 2 <0.6 - I- Stage II of the disease), allowing to identify patients with early stages of serous ovarian cancer.
Поставленная задача решается предлагаемым способом, заключающимся в подготовке экстракта липидов образцов сыворотки крови пациентов с известным гистологическим диагнозом модифицированным посредством метода Фолча; разделении полученных экстрактов с помощью обращенно-фазовой жидкостной хроматографии и получении масс-спектров высокого разрешения методом ионизации электрораспылением (ИЭР) в режиме положительных ионов на коммерческом масс-спектрометре с разрешением более 10000 и точностью определения массы не хуже, чем 5-10 ppm; идентификации липидов в соответствии с их точными массами и МС/МС спектрами; отборе статистически значимых липидов, дифференцирующих образцы крови наблюдаемых группы контроля и пациентов с серозным раком яичников с использованием непараметрического теста Манна-Уитни (при величине p-value ≤ 0,05 различие принимали за статистически значимое); в выборе липидов, имеющих статистически значимые различия уровней в образцах крови пациентов с серозным РЯ I-II стадий и пациентов с серозным РЯ III-IV стадий; выборе липидов при помощи информационного критерия Акаике (ИКА) для построения моделей для двухэтапного анализа, первая из которых дифференцирует образцы крови наблюдаемых группы контроля и пациентов с серозным раком яичников, вторая - образцы крови пациентов с I-II и III-IV стадиями заболевания; удалении переменных (липидов), не удовлетворяющих условию статистически значимого неравенства их коэффициентов нулю (граница значимости равенства нулю α=0,05); вычислении на основании ROC-анализа граничного значения переменной отклика; вычислении значений переменных отклика для классификации новых образцов и отнесения образцов к группе контроля или рака яичников на первом этапе (y'1) и к группе РЯ I-II стадий или РЯ III-IV стадий на втором (у'2).The problem is solved by the proposed method, which consists in preparing a lipid extract from blood serum samples of patients with a known histological diagnosis modified using the Folch method; separating the obtained extracts using reversed-phase liquid chromatography and obtaining high-resolution mass spectra by electrospray ionization (ESI) in positive ion mode on a commercial mass spectrometer with a resolution of more than 10,000 and a mass determination accuracy of no worse than 5-10 ppm; identification of lipids according to their exact masses and MS/MS spectra; selection of statistically significant lipids differentiating blood samples from the observed control group and patients with serous ovarian cancer using the nonparametric Mann-Whitney test (with a p-value ≤ 0.05, the difference was accepted as statistically significant); in the selection of lipids that have statistically significant differences in levels in blood samples of patients with serous ovarian cancer stages I-II and patients with serous ovarian cancer stages III-IV; selection of lipids using the Akaike Information Criterion (AIC) to build models for two-stage analysis, the first of which differentiates blood samples from the observed control group and patients with serous ovarian cancer, the second - blood samples from patients with stages I-II and III-IV of the disease; removing variables (lipids) that do not satisfy the condition of statistically significant inequality of their coefficients to zero (the significance limit of equality to zero is α = 0.05); calculating, based on ROC analysis, the boundary value of the response variable; calculating the values of response variables for classifying new samples and assigning samples to the control or ovarian cancer group at the first stage (y' 1 ) and to the group of ovarian cancer stages I-II or ovarian cancer stages III-IV at the second (y' 2 ).
Отбор статистически значимых липидов, дифференцирующих образцы крови наблюдаемых группы контроля и пациентов с серозным раком яичников с использованием непараметрического теста Манна-Уитни. Вычисление вероятности равенства уровней липидов осуществлялось в следующей последовательности действий.Selection of statistically significant lipids differentiating blood samples from the observed control group and patients with serous ovarian cancer using the nonparametric Mann-Whitney test. Calculation of the probability of equality of lipid levels was carried out in the following sequence of actions.
Для каждого липида вычисляют критерий Манна-Уитни по формуле:For each lipid, the Mann-Whitney test is calculated using the formula:
где n1 и n2 - размеры выборок 1 и 2, i, j - порядковые номера образцов в выборках 1 и 2, I1 i и I2 i - площади пиков из выборки 1 и 2. F - функция, возвращающая 1 в случае I1 i и I2 i больше I2 i, - 1 - в случае меньше , 0 - в случае равенства.where n 1 and n 2 are the sizes of samples 1 and 2, i, j are the serial numbers of samples in samples 1 and 2, I 1 i and I 2 i are the areas of peaks from samples 1 and 2. F is a function that returns 1 in the case I 1 i and I 2 i are greater than I 2 i , - 1 - in the case less , 0 - in case of equality.
Вычисляют нормированный критерий Манна-Уитни:Calculate the normalized Mann-Whitney test:
Вычисляют вероятность равенства нулю:Calculate the probability of being zero:
где χ(U')2 - распределение квадрата независимой стандартной нормальной случайной величины.where χ(U') 2 is the distribution of the square of an independent standard normal random variable.
При вероятности равенства нулю липид относят к статистически значимым (р<0,05).If the probability is equal to zero, the lipid is considered statistically significant (p<0.05).
Выбор липидов в финальные модели для разделения образцов группы контроля и группы с серозным РЯ и для разделения группы с серозным РЯ I-II стадий и серозным РЯ III-IV стадий осуществлялся выбором по одному из соединений, приводящих к минимизации ИКА [18] на каждой итерации отбора переменных по алгоритму, содержащем в себе этапы расчета ИКА (шаг 1), выбора максимального ИКА (шаг 2) и сравнения старого и нового ИКА (шаг 3).The selection of lipids in the final models for separating samples from the control group and the group with serous ovarian cancer and for dividing the group with serous ovarian cancer stages I-II and serous ovarian cancer stages III-IV was carried out by selecting one of the compounds leading to minimization of ICA [18] at each iteration selection of variables according to an algorithm containing the stages of calculating the ICA (step 1), selecting the maximum ICA (step 2) and comparing the old and new ICA (step 3).
Шаг 1. Произвольно выбирают переменную из набора переменных, сформированного на основе теста Манна-Уитни. Далее следует этап расчета ИКА.Step 1. Randomly select a variable from a set of variables generated based on the Mann-Whitney test. Next comes the stage of calculating the ICA.
1) Строят лог-функция правдоподобия:1) Construct a log likelihood function:
где yi - переменная отклика, принимающая значения 0 или 1, xi - объединенный вектор единицы и независимых переменных, β - объединенный вектор свободного члена и коэффициентов при переменных.where y i is a response variable taking values 0 or 1, x i is the combined vector of unity and independent variables, β is the combined vector of the free term and coefficients of the variables.
2) Выполняют дифференцирование функции по β, получают уравнение:2) Differentiate the function with respect to β, obtain the equation:
3) Рассчитывают вторую производную:3) Calculate the second derivative:
4) На основе метода Ньютона-Рафсона рассчитывают вектор β:4) Based on the Newton-Raphson method, vector β is calculated:
βk+1=βk-(XTWX)-1XT(y-р),β k+1 =β k -(X T WX) -1 X T (y-р),
где k - номер итерации, X - матрица единичного вектора и независимых переменных, W - диагональная матрица с элементами у - вектор переменной отклика и р - вектор вероятности Вычисление βk происходит, пока Относительная разница модулей векторов между итерациями от нуля δ=0,01.where k is the iteration number, X is the matrix of the unit vector and independent variables, W is the diagonal matrix with elements y is the response variable vector and p is the probability vector The calculation of β k occurs while The relative difference in vector modules between iterations from zero is δ=0.01.
5) Подставляют вычисленные значения в лог-функцию правдоподобия из п. 1).5) Substitute the calculated values into the log-likelihood function from step 1).
6) Рассчитывают информационный критерий по формуле:6) Calculate the information criterion using the formula:
где AIC - информационный критерий Акаике, N - число независимых переменных, задействованных в регрессиях.where AIC is the Akaike information criterion, N is the number of independent variables involved in the regressions.
Шаг 2. Повторяют шаг 1 для всех m переменных.Step 2. Repeat step 1 for all m variables.
Шаг 3. Выбирают переменную, для которой рассчитанное значение AIC будет максимальным (шаг 2). Обозначим это значение как AIC.Step 3. Select the variable for which the calculated AIC value will be maximum (step 2). Let's denote this value as AIC.
Шаг 4. Выполняют 1 и 2 шаги для комбинации «выбранная ранее переменная + каждая из оставшихся переменных».Step 4. Perform steps 1 and 2 for the combination of “previously selected variable + each of the remaining variables.”
Шаг 5. Сравнивают AIC со значением AIC (шаг 3).Step 5. Compare AIC with AIC value (step 3).
Шаг 6. Если AIC из п. 5 больше AIC, повторяют Этапы 1-3, имея в качестве постоянных переменных переменные, отобранные ранее, и обозначив как AIC значение из п. 5., если AIC из п. 5 меньше AIC, п. 7.Step 6. If AIC from step 5 is greater than AIC, repeat Steps 1-3, having the previously selected variables as constant variables, and denoting the value from step 5 as AIC, if AIC from step 5 is less than AIC, step. 7.
Шаг 7. Переменные, при которых было получено AIC и рассчитанные для них коэффициенты, используют дальше.Step 7. The variables for which the AIC was obtained and the coefficients calculated for them are used further.
Проверку переменных с удалением не удовлетворяющих условию статистически значимого неравенства их коэффициентов нулю выполняют следующим образом:Checking variables with removing those that do not satisfy the condition of statistically significant inequality of their coefficients to zero is performed as follows:
1. с использованием выбранных ранее переменных строится лог-функция правдоподобия:1. Using the previously selected variables, a log likelihood function is constructed:
где yi - переменная отклика, принимающая значения 0 или 1, xi - объединенный вектор единицы и независимых переменных, β - объединенный вектор свободного члена и коэффициентов при переменных; where y i is a response variable taking values 0 or 1, x i is the combined vector of unity and independent variables, β is the combined vector of the free term and coefficients of the variables;
2. выполняют дифференцирование функции по β, получая уравнения:2. differentiate the function with respect to β, obtaining the equations:
3. рассчитывают вторую производную:3. calculate the second derivative:
4. рассчитывают вектор β на основе метода Ньютона-Рафсона:4. calculate vector β based on the Newton-Raphson method:
βk+1=βk-(xTWX)-1XT(y-р);β k+1 =β k -(x T WX) -1 X T (y-р);
где k - номер итерации, X - матрица единичного вектора и независимых переменных, W - диагональная матрица с элементами у - вектор переменной отклика и р - вектор вероятности Вычисление βk происходит, пока Относительная разница модулей векторов между итерациями от нуля δ=0,01.where k is the iteration number, X is the matrix of the unit vector and independent variables, W is the diagonal matrix with elements y is the response variable vector and p is the probability vector The calculation of β k occurs while The relative difference in vector modules between iterations from zero is δ=0.01.
5. подставляют вычисленные значения β в матрицу и вычисляют значения стандартной ошибки для коэффициента где j - порядковый номер коэффициента в векторе β;5. substitute the calculated β values into the matrix and calculate the standard error values for the coefficient where j is the serial number of the coefficient in the vector β;
6. вычисляют вероятность равенства нулю коэффициента где χ(U')2 - распределение квадрата независимой стандартной нормальной случайной величины: если существует pi>α, где α - некая критическая величина и i>0, то переменная, соответствующая pi, исключается из задействованного набора переменных и действия 1-6 повторяются (граница значимости равенства нулю α=0,05).6. calculate the probability of the coefficient being equal to zero where χ(U') 2 is the distribution of the square of an independent standard normal random variable: if there is p i >α, where α is a certain critical value and i>0, then the variable corresponding to p i is excluded from the involved set of variables and action 1- 6 are repeated (the significance limit of equality to zero is α=0.05).
Граничные значения переменной отклика вычисляют на основании ROC-анализа результатов перекрестного контроля, выполненного с использованием разбиения данных «тренировка» / «тест» 70/30 с 100-кратным повтором. В качестве граничного значения переменной отклика у' используется значение, при котором максимизируется сумма значений чувствительности и специфичности.Response variable cutoffs are calculated from a cross-validated ROC analysis performed using a 70/30 training/test data split with 100-fold repetition. The boundary value of the response variable y' is the value that maximizes the sum of the sensitivity and specificity values.
Для классификации образцов вычисляют значение у' с использованием формулы:To classify samples, calculate the y' value using the formula:
где у' - переменная отклика, Р - вектор коэффициентов, вычисленный ранее, х - вектор формата (интенсивность липидов-маркеров). Данное уравнение было использовано для расчета переменной отклика у'1 на первом этапе и у'2 на втором этапе.where y' is the response variable, P is the vector of coefficients calculated earlier, x is the format vector (intensity of marker lipids). This equation was used to calculate the response variable y' 1 in the first stage and y' 2 in the second stage.
Итоговую классификация выполняют по результатам сравнения y'1 и у'2 с их граничными значением у' для данной модели.The final classification is performed based on the results of comparing y' 1 and y' 2 with their boundary values y' for a given model.
Способ был реализован на масс-спектрометре Maxis Impact qTOF (Bruker Daltonics, Бремен, Германия), который имеет типичный для современных масс-спектрометров входной интерфейс для работы с источниками ионизации при атмосферном давлении, в частности электроспрейного источника ИЭР. Экстракты липидов получали модифицированным методом Фолча: к 40 мкл образца добавляется 480 мкл смеси хлороформ-метанол 2:1, об/об; смесь инкубируется 10 мин, добавляется 150 мкл воды, центрифугируется при 13000 g при комнатной температуре; органический нижний слой, содержащий липиды, высушивается в потоке азота и растворяется в смеси ацетонитрил-2-пропанол, 1:1, об/об. Для стабильного электрораспыления липидного экстракта образца устанавливали оптимальные параметры, которые зависят от модели прибора. В случае масс-спектрометра Maxis Impact использовались следующие параметры: напряжение на капилляре 4.1 кВ, давление распыляющего газа 0.7 бар, скорость потока осушающего газа 6 л/мин, температура осушающего газа 200°С; на высокоэффективном жидкостном хроматографе Dionex UltiMate 3000 (Thermo Scientific, Гермеринг, Германия, колонка Zorbax XDB-C18 (250 × 0.5 мм, 5 мкм; Agilent, США) поддерживалась температура 50°С, скорость потока 35 мкл/мин. Для хроматографического разделения в качестве растворителя А используется вода/ацетонитрил (40/60, о/о) с 0,1% муравьиной кислоты и 10 ммоль/k формиата аммония, в качестве растворителя В используется изопропанол / ацетонитрил/вода (90/8/2, о/о/о) с 0,1% муравьиной кислоты и 10 ммоль/Л формиата аммония. Доля растворителя В меняется по закону линейного градиента от 30 до 95% (о/о) в течение 25 минут. Сигнал записывается в течение 31 минуты: 3 минуты при 30% В, в течение 25 минут линейного изменения доли В и 3 минуты при 95% В. Масс-спектры регистрируются с частотой 2 Гц, то есть 360 спектров за 3 минуты. Диапазон масс m/z 400-1000. Тандемная МС проводится методом результат-зависимого анализа - DDA - со следующими параметрами: три наиболее интенсивных пика выбираются после полного сканирования всего диапазона масс и подвергаются фрагментации посредством столкновительной диссоциации с энергией 35 эВ, время исключения иона из анализа составило 1 минуту. Полученные масс-спектрометрические данные подверглись предобработке и последующей статистической обработке согласно последовательности действий вышеописанного способа. Статистическую обработку полученных экспериментальных данных проводили с помощью скриптов, написанных на языке R в RStudio [19], [20]. В результате для первого этапа отнесения пациентов к группе контроля или к группе больных раком яичников была разработана формула расчета переменной отклика y'1 на основании отобранных липидов SM d16:1/14:0, PC 12:0_18:1 и PC 18:2_20:3 (номенклатура липидов соответствует LipidMaps [21]):The method was implemented on a Maxis Impact qTOF mass spectrometer (Bruker Daltonics, Bremen, Germany), which has a typical input interface for modern mass spectrometers for working with ionization sources at atmospheric pressure, in particular an electrospray ESI source. Lipid extracts were prepared using a modified Folch method: 480 μL of a chloroform-methanol 2:1, v/v mixture was added to 40 μL of sample; the mixture is incubated for 10 minutes, 150 μl of water is added, centrifuged at 13000 g at room temperature; the organic bottom layer containing lipids is dried under a stream of nitrogen and dissolved in a mixture of acetonitrile-2-propanol, 1:1, v/v. For stable electrospraying of the lipid extract of the sample, optimal parameters were set, which depend on the model of the device. In the case of the Maxis Impact mass spectrometer, the following parameters were used: capillary voltage 4.1 kV, atomizing gas pressure 0.7 bar, drying gas flow rate 6 l/min, drying gas temperature 200°C; On a Dionex UltiMate 3000 high-performance liquid chromatograph (Thermo Scientific, Germering, Germany, Zorbax XDB-C18 column (250 × 0.5 mm, 5 μm; Agilent, USA), the temperature was maintained at 50°C, flow rate 35 μl/min. For chromatographic separation in solvent A uses water/acetonitrile (40/60, v/v) with 0.1% formic acid and 10 mmol/k ammonium formate; solvent B uses isopropanol/acetonitrile/water (90/8/2, v/v) v/v) with 0.1% formic acid and 10 mmol/L ammonium formate. The proportion of solvent B changes according to a linear gradient from 30 to 95% (v/v) over 25 minutes. The signal is recorded for 31 minutes: 3 minutes at 30% B, 25 minutes of linear change in the fraction of B and 3 minutes at 95% B. Mass spectra are recorded at a frequency of 2 Hz, i.e. 360 spectra in 3 minutes. Mass range m/z 400-1000. Tandem MS is carried out by the method of result-dependent analysis - DDA - with the following parameters: the three most intense peaks are selected after a full scan of the entire mass range and are subjected to fragmentation through collisional dissociation with an energy of 35 eV; the time for excluding the ion from the analysis was 1 minute. The obtained mass spectrometric data were subjected to preprocessing and subsequent statistical processing according to the sequence of actions of the method described above. Statistical processing of the obtained experimental data was carried out using scripts written in the R language in RStudio [19], [20]. As a result, for the first stage of assigning patients to the control group or to the group of patients with ovarian cancer, a formula was developed to calculate the response variable y' 1 based on the selected lipids SM d16:1/14:0, PC 12:0_18:1 and PC 18:2_20: 3 (lipid nomenclature corresponds to LipidMaps [21]):
Для определения среди пациентов больных раком яичником стадии прогрессирования заболевания (I-II или III-IV) была разработана формула расчета переменной отклика у'2 на основании отобранных липидов PC Р-16:0/18:1 и PC Р- 16:0/18:2:To determine the stage of disease progression among patients with ovarian cancer (I-II or III-IV), a formula was developed for calculating the response variable y' 2 based on the selected lipids PC P-16:0/18:1 and PC P-16:0/ 18:2:
На Фиг. 1 приведены примеры хроматограмм по выбранному иону (липидов- маркеров) для экстракта липидов сыворотки крови в режиме положительных ионов. Красная кривая на Фиг. 1а соответствует образцу от пациента с подтвержденным РЯ, зеленая - образцу группы контроля. Красная кривая на Фиг. 16 соответствует образцу от пациента с РЯ III- IV стадии, черная - образцу от пациента с РЯ I-II.In FIG. Figure 1 shows examples of chromatograms for a selected ion (lipid markers) for a blood serum lipid extract in positive ion mode. The red curve in Fig. 1a corresponds to a sample from a patient with confirmed OC, green - to a sample from the control group. The red curve in Fig. 16 corresponds to a sample from a patient with stage III-IV ovarian cancer, black - to a sample from a patient with stage I-II ovarian cancer.
На Фиг. 2а приведены диаграммы рассеяния для липидов, использованных для дифференциации образцов крови наблюдаемых группы контроля (зеленые точки, n=13) и пациентов с серозным РЯ высокой степени злокачественности I-IV стадии (красные точки, n=28) посредством логистической регрессии. Созданная статистическая модель на основе логистической регрессии для дифференциальной диагностики образцов сыворотки крови пациентов группы контроля от пациентов с злокачественным серозным новообразованием яичников характеризуется точностью (Фиг. 3), определенной с использованием перекрестного контроля с разбитием данных в отношении тренировочные / тестовые данные 70/30 и 100 повторениями, и являющейся равной 99%. Это свидетельствует о хорошей прогнозирующей способности метода и позволяет предложить предлагаемую модель для отнесения анализируемых образцов к той или иной клинической подгруппе.In FIG. Figure 2a shows scatterplots for lipids used to differentiate blood samples from the control group (green dots, n=13) and patients with stage I-IV high-grade serous ovarian cancer (red dots, n=28) using logistic regression. The established statistical model based on logistic regression for the differential diagnosis of serum samples from control patients from patients with ovarian serous malignancy is characterized by accuracy (Fig. 3), determined using cross-validation with split data in the ratio of training/test data 70/30 and 100 repetitions, and being equal to 99%. This indicates the good predictive ability of the method and allows us to propose the proposed model for assigning analyzed samples to a particular clinical subgroup.
Чувствительность и специфичность данной модели на основе логистической регрессии, достигают 100% и 99% соответственно.The sensitivity and specificity of this model based on logistic regression reach 100% and 99%, respectively.
На Фиг. 2b представлен график рассеяния для большого массива данных (вулканная диаграмма), построенный по результатам сравнения уровней липидов образцах сыворотки крови пациентов группы контроля и исследуемой группы (РЯ I-IV стадии). Из 345 идентифицированных липидов статистически значимую разницу имеют 99 липидов, 67 из которых снижены, 32 - повышены при РЯ. На основании математической точечной диаграммы был проведен анализ наличия корреляции между двумя переменными (отрицательным логарифмом второй степени показателя статистической достоверности и логарифмом второй степени). На декартовой плоскости данной диаграммы рассеяния в виде паттернов представлены липиды образцов сыворотки крови пациентов исследуемых групп.In FIG. Figure 2b shows a scatter plot for a large data set (volcano diagram), constructed from the results of a comparison of lipid levels in blood serum samples from patients in the control group and the study group (stages I-IV ovarian cancer). Of the 345 identified lipids, 99 lipids have a statistically significant difference, 67 of which are decreased, 32 are increased in OC. Based on a mathematical scatter plot, an analysis was carried out for the presence of a correlation between two variables (the negative logarithm of the second power of the statistical significance indicator and the logarithm of the second power). On the Cartesian plane of this scatter diagram, lipids from blood serum samples of patients in the study groups are presented in the form of patterns.
На Фиг. 4а приведены диаграммы рассеяния для липидов, использованных для дифференцирования образцов крови пациентов группы контроля, n=13, и пациентов с I-II стадиями РЯ, n=5. Точность модели на основе логистической регрессии (Фиг. 5) составила 98%, то есть, ее можно использовать для отнесения анализируемых образцов к той или иной клинической подгруппе.In FIG. Figure 4a shows scatter diagrams for lipids used to differentiate blood samples from patients in the control group, n=13, and patients with stages I-II of OC, n=5. The accuracy of the model based on logistic regression (Fig. 5) was 98%, that is, it can be used to assign analyzed samples to a particular clinical subgroup.
Как продемонстрировано на Фиг. 4b, различия между сывороткой на ранних стадиях и сывороткой из контрольных групп менее выражены и в основном характеризуются липидами из класса фосфатидилходинов. Уровни 8 липидов образцов сыворотки пациентов при ранних стадиях статистически значимо снижены более чем в 1,5 раза по сравнению с уровнем липидов сыворотки крови пациентов группы контроля, уровень 1 липида повышен при РЯ.As shown in FIG. 4b, the differences between early stage sera and control sera are less pronounced and are mainly characterized by lipids from the phosphatidylchodine class. The levels of 8 lipids in the serum samples of patients in the early stages are statistically significantly reduced by more than 1.5 times compared to the level of lipids in the blood serum of patients in the control group, the level of 1 lipid is increased in OC.
На Фиг. 6а приведены диаграммы рассеяния для липидов, использованных для дифференцирования образцов крови из группы рак яичников I-II стадии (красные точки) и III-IV стадии (синие точки). На основе результатов валидации построенной модели (Фиг. 7) была построена ROC-кривая (Фиг. 6b): чувствительность и специфичность достигли 97% и 100%, соответственно.In FIG. Figure 6a shows scatterplots for lipids used to differentiate blood samples from the group of stage I-II ovarian cancer (red dots) and stage III-IV (blue dots). Based on the results of validation of the constructed model (Fig. 7), an ROC curve was constructed (Fig. 6b): sensitivity and specificity reached 97% and 100%, respectively.
В качестве иллюстрации применения метода приведены диаграммы рассеяния (Фиг. 8) с уточнением расположения образцов крови пациентов исследуемых групп (I-II, III-IV стадии РЯ, группа контроля), клиническое описание которых приведено ниже.To illustrate the application of the method, scatter diagrams are shown (Fig. 8) with clarification of the location of blood samples from patients of the study groups (I-II, III-IV stages of OC, control group), the clinical description of which is given below.
Пациент Д., 36 лет 26.03.2020 обратилась на консультацию к врачу-акушеру-гинекологу, онкологу НМИЦ АГП им. В.И. Кулакова с данными ультразвукового исследования (УЗИ) органов малого таза, выполненного по месту жительства. По результатам УЗИ органов малого таза: объемное образование правого яичника, кистозно-солидное образование левого яичника неясного происхождения, образования брюшной полости неясного происхождения (в брюшной полости слева на уровне пупка определяются три округлых образования 9.1 см, 4.4 см, 3.4 см). Рекомендовано после дообследования хирургическое лечение в плановом порядке. Выявлено повышение онкомаркеров (СА 125 до 7080 (норма - до 35) Ед/мл, НЕ 4 до 545 (норма - до 70) пмоль/л). По данным компьютерной томографии (КТ) органов грудной клетки, выявлены множественные очаги в легких (предположительно метастатического генеза). 24.04.2020 выполнено оперативное лечение в объеме: лапароскопия, биопсия опухоли (данные исследования представлены на Фиг. 8). Пациент Д. направлена на консультацию к химиотерапевту. Учитывая распространенность заболевания, данные морфологии, клинико-инструментальные и лабораторные методы - у пациентки рак яичников IVB стадии T3cNxM1 (печень, легкие). Показано проведение лекарственного лечения по схеме: «Паклитаксел 175 мг/м2, Карбоплатин AUC 6 в/в, кап, 1 раз в 21 день, Бевацизумаб 7,5 мг в/в, кап, 1 раз в 21 день, в объеме 3-х курсов», далее проведение контрольного исследования и определение дальнейшей тактики лечения. По данным иммуногистохимического исследования (ИГХ) материалов опухоли пациента Д. (группа I-II стадий заболевания) с антителом anti-WT1 (клон 6F-H2, CellMarque), ядерная диффузная позитивная реакция, с антителом anti-PAX8 (клон MRQ-50, CellMarque), - ядерная диффузная позитивная реакция, с антителом anti-p53 (клон DO-7, Ventana), - негативная реакция (mutant type), с антителом anti-p16 (клон Е6Н4, Ventana), яркая диффузная позитивная реакция, с антителом anti-Estrogen Receptor (ER) (клон SP1, Ventana), - ядерная фокальная позитивная реакция. Данная иммунофенотипическая картина соответствует серозной карциноме яичников высокой степени злокачественности. Заключение (диагноз): в присланном материале карцинома высокой степени злокачественности. При применении разработанной первой модели на основе логистической регрессии к липидному профилю сыворотки крови пациента Д в соответствии с шагом (5) было получено значение y'1=0.99, что позволяет в соответствии с шагом (6) отнести пациента Д. к группе с наличием злокачественного серозного новообразования яичников, поэтому необходимо применение второй из полученных моделей на основе логистической регрессии, которая дает значение у'2=0.95, что свидетельствует о принадлежности пациента Д. к группе серозного РЯ III-IV стадий.Patient D., 36 years old, on March 26, 2020, consulted an obstetrician-gynecologist, oncologist at the National Medical Research Center for AGP named after. IN AND. Kulakov with data from an ultrasound examination of the pelvic organs performed at the place of residence. According to the results of ultrasound of the pelvic organs: a space-occupying formation of the right ovary, a cystic-solid formation of the left ovary of unknown origin, formation of the abdominal cavity of unknown origin (three round formations of 9.1 cm, 4.4 cm, 3.4 cm are identified in the abdominal cavity on the left at the level of the navel). It is recommended that after further examination, surgical treatment is planned. An increase in tumor markers was detected (CA 125 to 7080 (normal - up to 35) U/ml, HE 4 to 545 (normal - up to 70) pmol/l). According to computed tomography (CT) of the chest, multiple lesions in the lungs (presumably of metastatic origin) were identified. On April 24, 2020, surgical treatment was performed including laparoscopy, tumor biopsy (study data are presented in Fig. 8). Patient D. was referred for consultation to a chemotherapist. Considering the prevalence of the disease, morphological data, clinical, instrumental and laboratory methods, the patient has ovarian cancer stage IVB T3cNxM1 (liver, lungs). Drug treatment is indicated according to the following regimen: “Paclitaxel 175 mg/ m2 , Carboplatin AUC 6 IV, drop, 1 time in 21 days, Bevacizumab 7.5 mg IV, drop, 1 time in 21 days, in a volume of 3 - courses”, then conducting a control study and determining further treatment tactics. According to an immunohistochemical study (IHC) of tumor materials from patient D. (group I-II stages of the disease) with the anti-WT1 antibody (clone 6F-H2, CellMarque), a nuclear diffuse positive reaction, with the anti-PAX8 antibody (clone MRQ-50, CellMarque), - nuclear diffuse positive reaction, with anti-p53 antibody (clone DO-7, Ventana), - negative reaction (mutant type), with anti-p16 antibody (clone E6H4, Ventana), bright diffuse positive reaction, with antibody anti-Estrogen Receptor (ER) (clone SP1, Ventana), - nuclear focal positive reaction. This immunophenotypic pattern is consistent with high-grade serous ovarian carcinoma. Conclusion (diagnosis): the submitted material contains carcinoma of a high degree of malignancy. When applying the developed first model based on logistic regression to the lipid profile of the blood serum of patient D in accordance with step (5), the value y' 1 = 0.99 was obtained, which allows, in accordance with step (6), to assign patient D. to the group with the presence of malignant serous ovarian neoplasm, therefore it is necessary to use the second of the obtained models based on logistic regression, which gives the value y' 2 = 0.95, which indicates that patient D. belongs to the group of serous ovarian cancer stages III-IV.
Пациент С., 47 лет, обратилась с жалобами на наличие объемного образования правого яичника. 27.11.2019 получила оперативное лечение в плановом порядке в объеме: гистерорезектоскопия, раздельное диагностическое выскабливание цервикального канала и полости матки, лапароскопическая резекция правого яичника. Заключение срочного интраоперационного гистологического исследования ткани опухоли: узел серозной низкодифференцированной карциномы. Рекомендовано проведение ИГХ-исследования. Диагноз: рак яичников IA стадии, T1aNxMo. Состояние после нерадикального хирургического лечения от 27.11.2019. Пациент С. повторно госпитализирована в Центр для выполнения радикального лечения. По данным ИГХ материалов опухоли пациента С. (группа III-IV стадий заболевания) с антителом anti-WT1 (клон 6F-H2, CellMarque), ядерная диффузная позитивная реакция, с антителом anti-p53 (клон DO-7, Ventana), ядерная яркая диффузная позитивная реакция (mutant type), с антителом anti-PAX8 (клон MRQ-50, CellMarque), ядерная диффузная позитивная реакция, с антителом anti-Ki-67 (клон 30-9, Ventana), Ki-67=95%, высокий уровень пролиферативной активности опухолевых клеток по сравнению с серозной карциномой яичника низкой степени злокачественности. Заключение: серозная карцинома правого яичника высокой степени злокачественности. Применение первой модели на основе логистической регрессии в соответствии с шагом (5) дает значение y'1=0.99, что позволяет в соответствии с шагом (6) отнести пациента С. к группе с наличием злокачественного серозного новообразования яичников, поэтому необходимо применение второй из полученных моделей на основе логистической регрессии, которая дает значение у'2=0.14, что свидетельствует о принадлежности пациента С.к группе серозного РЯ I-II стадий.Patient S., 47 years old, complained of a mass formation in the right ovary. On November 27, 2019, she received surgical treatment as planned, including: hysteroresectoscopy, separate diagnostic curettage of the cervical canal and uterine cavity, laparoscopic resection of the right ovary. Conclusion of an urgent intraoperative histological examination of tumor tissue: a node of serous poorly differentiated carcinoma. An IHC study is recommended. Diagnosis: ovarian cancer stage IA, T1aNxMo. Condition after non-radical surgical treatment dated November 27, 2019. Patient S. was readmitted to the Center for radical treatment. According to IHC data from tumor materials of patient S. (group III-IV stages of the disease) with anti-WT1 antibody (clone 6F-H2, CellMarque), nuclear diffuse positive reaction, with anti-p53 antibody (clone DO-7, Ventana), nuclear bright diffuse positive reaction (mutant type), with anti-PAX8 antibody (clone MRQ-50, CellMarque), nuclear diffuse positive reaction, with anti-Ki-67 antibody (clone 30-9, Ventana), Ki-67=95% , a high level of proliferative activity of tumor cells compared to low-grade serous ovarian carcinoma. Conclusion: high-grade serous carcinoma of the right ovary. Application of the first model based on logistic regression in accordance with step (5) gives the value y' 1 =0.99, which allows, in accordance with step (6), to assign patient S. to the group with the presence of a malignant serous neoplasm of the ovaries, therefore it is necessary to use the second of the obtained models based on logistic regression, which gives the value y' 2 =0.14, which indicates that patient S. belongs to the group of serous ovarian cancer stages I-II.
Пациент М., 36 лет, была включена в группу контроля данного исследования в связи с соответствием критериям включения. По данным опроса, анкетирования, УЗИ органов малого таза у пациента не было получено данных о наличии острых или хронических воспалительных процессов, объемных новообразований органов малого таза, указания на прием медикаментов на момент исследования, а также в анамнезе в течение 6 и более месяцев. Уровень онкомаркера СА 125 составил 10 Ед/мл, НЕ 4-12 пмоль/л. По данным УЗИ органов малого таза пациента группы контроля М.: матка 55×48×37 мм, не увеличена, в положении anteflexion, изоэхогенная, однородная. М-эхо не расширено (до 0.5 см), не уплотнено, соответствует пролиферативной фазе менструального цикла. Шейка матки - до 1.3×2.4 см, без особенностей. Цервикальный канал не расширен. Правый яичник размерами 31×20×16 мм, объем 5.0 см3, контуры четкие, ровные, изоэхогенный, неоднородной мелкофолликулярной структуры (количество фолликулов - 8, максимальным размером до 7 мм). Левый яичник размерами 32×19×12 мм, объем 5.0 см3, контуры четкие, ровные, изоэхогенный, неоднородной мелкофолликулярной структуры (количество фолликулов - 8, максимальным размером до 8 мм). В заднем своде свободная жидкость не визуализируется. Вены малого таза не расширены, до 3.0 мм. Заключение: патологии органов малого таза не выявлено. Применение первой модели на основе логистической регрессии в соответствии с шагом (5) дает значение y'1=0.01, что в соответствии с шагом (6) позволяет отнести пациента М. к группе контроля.Patient M., 36 years old, was included in the control group of this study due to meeting the inclusion criteria. According to the survey, questionnaire, and ultrasound of the pelvic organs, the patient did not have any data on the presence of acute or chronic inflammatory processes, voluminous neoplasms of the pelvic organs, instructions on taking medications at the time of the study, or a history of 6 or more months. The level of tumor marker CA 125 was 10 U/ml, NOT 4-12 pmol/l. According to ultrasound data of the pelvic organs of the control group patient M.: the uterus is 55×48×37 mm, not enlarged, in the anteflexion position, isoechoic, homogeneous. The M-echo is not expanded (up to 0.5 cm), not compacted, and corresponds to the proliferative phase of the menstrual cycle. Cervix - up to 1.3×2.4 cm, without features. The cervical canal is not dilated. The right ovary measures 31×20×16 mm, volume 5.0 cm3 , clear, even, isoechoic contours, heterogeneous small-follicular structure (number of follicles - 8, maximum size up to 7 mm). The left ovary measures 32×19×12 mm, volume 5.0 cm 3 , clear, even, isoechoic contours, heterogeneous small-follicular structure (number of follicles - 8, maximum size up to 8 mm). Free fluid is not visualized in the posterior fornix. The pelvic veins are not dilated, up to 3.0 mm. Conclusion: no pathology of the pelvic organs was identified. Application of the first model based on logistic regression in accordance with step (5) gives the value y' 1 =0.01, which, in accordance with step (6), allows patient M. to be assigned to the control group.
Таким образом, на диаграммах рассеяния (Фиг. 8), показано, что метод масс-спектрометрического определения липидома крови позволяет дифференцировать пациентов по стадиям опухолевого процесса в пределах одного гистологического типа заболевания.Thus, the scatter diagrams (Fig. 8) show that the method of mass spectrometric determination of the blood lipidome makes it possible to differentiate patients according to the stages of the tumor process within the same histological type of disease.
Возможность реализации и воспроизводимости предлагаемого метода с получением заявленного технического результата проиллюстрирована нижеследующими примерами выявления пациентов с серозным РЯ высокой степени злокачественности, а также дифференцировки более ранних стадий от более прогрессивных на основании идентификации возможных маркерных липидов (разработанной панели) сыворотки крови.The possibility of implementation and reproducibility of the proposed method with obtaining the stated technical result is illustrated by the following examples of identifying patients with serous OC of high malignancy, as well as differentiating earlier stages from more progressive ones based on the identification of possible marker lipids (developed panel) of blood serum.
В качестве ПРИМЕРА 1, демонстрирующего воспроизводимость метода получения масс-спектров образцов крови пациентов, на Фиг. 1 приведен пример хроматограммы полного ионного тока положительных ионов липидов, полученной при ВЭЖХ МС анализе липидных экстрактов сыворотки крови пациента группы контроля и пациента с гистологически подтвержденным раком яичника. На хроматограмме наблюдаются группы пиков, соответствующие лизофосфолипидам, моно- и диглицеридам (времена удерживания 0-10 минут); фосфолипидам (времена удерживания 10-20 минут); триглицеридам (времена удерживания более 20 минут). Обнаруживается воспроизводимая разница в распределении относительной интенсивности пиков. Относительное стандартное отклонение интенсивности пика составляет менее 5% для одного образца сыворотки крови.As EXAMPLE 1, demonstrating the reproducibility of the method for obtaining mass spectra of patient blood samples, FIG. Figure 1 shows an example of a chromatogram of the total ion current of positive lipid ions obtained from HPLC-MS analysis of lipid extracts from the blood serum of a control group patient and a patient with histologically confirmed ovarian cancer. The chromatogram shows groups of peaks corresponding to lysophospholipids, mono- and diglycerides (retention times 0-10 minutes); phospholipids (retention times 10-20 minutes); triglycerides (retention times greater than 20 minutes). A reproducible difference in the distribution of relative peak intensities is found. The relative standard deviation of peak intensity is less than 5% for a single serum sample.
В качестве ПРИМЕРА 2, демонстрирующего возможности работы метода для выявления пациентов со злокачественным серозным новообразованием яичников приведена диаграмма рассеяния для группы контроля (зеленые точки) и группы «рак яичников I-IV стадий по FIGO» (красные точки) (Фиг. 2а, 2b). Данные результаты получены в рамках обсервационного исследования «случай-контроль», проведенного на базе ФГБУ «НМИЦ АГП им. В.И. Кулакова» Минздрава России. Объект исследования: группа 1 (основная) - 28 пациентов с гистологически верифицированным серозным раком яичников I-IV стадий, у которых до оперативного вмешательства был выполнен забор сыворотки крови, группа 2 (контроль) - 13 условно здоровых женщин, наличие патологии у которых было исключено при клиническом обследовании (клинический анализ крови, ультразвуковое исследование (УЗИ) органов малого таза). Группы были сопоставимы по индексу массы тела. Диагноз рака яичников клинически был предположен при повышении маркеров крови (СА 125>35 ЕД/мл, НЕ 4>70 пмоль/л в репродуктивном возрасте; >140 пмоль/л в постменопаузе) в составе алгоритмов Risk of Ovarian Malignancy Algorithm (ROMA; ROMA 1 для пременопаузы, ROMA 2 для постменопаузы), при выявлении объемного образования органов малого таза по данным УЗИ (или МРТ), при наличии симптомов заболевания, данных анамнеза и гинекологического осмотра, а также интраоперационно (при лапароскопии или лапаротомии) на основании осмотра и пальпации яичников и органов-мишеней. Патоморфологическая экспертиза фрагментов опухолевой ткани выполнялась в срочном и плановом порядке.As EXAMPLE 2, demonstrating the capabilities of the method for identifying patients with malignant serous neoplasm of the ovaries, a scatterplot is shown for the control group (green dots) and the group “ovarian cancer stages I-IV according to FIGO” (red dots) (Fig. 2a, 2b) . These results were obtained as part of an observational case-control study conducted on the basis of the Federal State Budgetary Institution “National Medical Research Center for Agropractic Diseases named after. IN AND. Kulakov" of the Russian Ministry of Health. Subject of the study: group 1 (main) - 28 patients with histologically verified serous ovarian cancer stages I-IV, in whom blood serum was collected before surgery, group 2 (control) - 13 apparently healthy women, the presence of pathology in whom was excluded during a clinical examination (clinical blood test, ultrasound examination of the pelvic organs). The groups were comparable in terms of body mass index. The diagnosis of ovarian cancer was clinically suggested by an increase in blood markers (CA 125>35 U/ml, HE 4>70 pmol/l in reproductive age; >140 pmol/l in postmenopause) as part of the Risk of Ovarian Malignancy Algorithm (ROMA; ROMA 1 for premenopause, ROMA 2 for postmenopause), when a mass formation of the pelvic organs is detected according to ultrasound (or MRI), in the presence of symptoms of the disease, medical history and gynecological examination, as well as intraoperatively (during laparoscopy or laparotomy) based on examination and palpation ovaries and target organs. Pathomorphological examination of tumor tissue fragments was performed urgently and routinely.
Критерии включения пациентов в группы исследования:Criteria for inclusion of patients in the study groups:
1. гистологически верифицированный рак яичников I-IV стадий.1. histologically verified ovarian cancer stages I-IV.
2. Возраст пациентов от 18 до 50 лет.2. The age of patients is from 18 to 50 years.
3. Информированное согласие на участие в исследовании.3. Informed consent to participate in the study.
Критерии невключения: первично-множественный опухолевый процесс (n=9), эндометриоидная, светлоклеточная, герминогенная, гепатоидная, муцинозная и доброкачественная опухоли (n=10), рак маточной трубы или брюшины (n=3), наличие BRCA-мутации (n=2), опухоли низкой степени злокачественности (low grade; n=2), сопутствующая патология (сахарный диабет, острый воспалительный процесс на момент забора крови, хронический панкреатит, заболевания печени, n=3), беременность на момент забора крови (n=1).Non-inclusion criteria: primary multiple tumor process (n=9), endometrioid, clear cell, germ cell, hepatoid, mucinous and benign tumors (n=10), cancer of the fallopian tube or peritoneum (n=3), presence of BRCA mutation (n= 2), low grade tumors (low grade; n=2), concomitant pathology (diabetes mellitus, acute inflammatory process at the time of blood sampling, chronic pancreatitis, liver disease, n=3), pregnancy at the time of blood sampling (n=1 ).
На основании уровней липидов, удовлетворяющих условию статистической значимости согласно тесту Манна-Уитни и минимизации при помощи применения ИКА, выполнено построение первой модели на основе логистической регрессии согласно действиям алгоритма (Фиг 3).Based on the lipid levels satisfying the condition of statistical significance according to the Mann-Whitney test and minimization using ICA, a first model was built based on logistic regression according to the actions of the algorithm (Figure 3).
Уровни липидов-маркеров подставляют в модели на основе логистической регрессии (SM d16:1/14:0, PC 12:0_18:1, PC 18:2_20:3 для первой модели), для которых рассчитывают переменную отклика (y'1) по формуле:The levels of lipid markers are substituted into models based on logistic regression (SM d16:1/14:0, PC 12:0_18:1, PC 18:2_20:3 for the first model), for which the response variable (y' 1 ) is calculated according to formula:
Уровень маркерных липидов статистически значимо ниже в сыворотке пациентов, имеющих серозный РЯ (Фиг. 2а, 2b).The level of marker lipids is statistically significantly lower in the serum of patients with serous ovarian cancer (Fig. 2a, 2b).
Вычисленная y'1 позволила дифференцировать пациентов группы контроля (0 < y'1 < 0.7) от пациентов с серозным РЯ I-IV стадий (0.7 < y'1 < 1). Чувствительность и специфичность модели, вычисленные с использованием ROC-анализа, достигли 100% и 99%, соответственно. Это демонстрирует высокую точность дифференцировки пациентов без новообразований и пациентов с раком яичника I-IV стадии.The calculated y' 1 made it possible to differentiate patients in the control group (0 <y' 1 < 0.7) from patients with serous ovarian cancer stages I-IV (0.7 <y' 1 < 1). The sensitivity and specificity of the model calculated using ROC analysis reached 100% and 99%, respectively. This demonstrates high accuracy in differentiating patients without neoplasms from patients with stage I-IV ovarian cancer.
В качестве ПРИМЕРА 3, демонстрирующего возможности диагностики серозного РЯ высокой степени злокачественности на более ранних стадиях было проведено сравнение липидного профиля образцов сыворотки крови пациентов групп контроля (n=13) и пациентов с I-II стадиями серозного РЯ (n=5). Используя критерии включения и невключения, а также методы, аналогичные представленным в ПРИМЕРЕ 2, были получены следующие данные (Фиг. 4а, 4b).As EXAMPLE 3, demonstrating the possibility of diagnosing high-grade serous ovarian cancer at earlier stages, a comparison was made of the lipid profile of blood serum samples from control group patients (n=13) and patients with stages I-II of serous ovarian cancer (n=5). Using inclusion and exclusion criteria, as well as methods similar to those presented in EXAMPLE 2, the following data were obtained (Fig. 4a, 4b).
На основании 2 маркерных липидов (SM 616:1/14:0, СЕ 18:3) сыворотки крови 18 пациентов, определенных предложенным способом, построена дополнительная модель на основе логистической регрессии, имеющей формулу:Based on 2 marker lipids (SM 616:1/14:0, CE 18:3) in the blood serum of 18 patients determined by the proposed method, an additional model was built based on logistic regression, which has the formula:
позволившая провести классификацию образцов из анализируемых клинических групп (Фиг. 5).which made it possible to classify samples from the analyzed clinical groups (Fig. 5).
Вышеизложенное свидетельствует о том, что, на основании данных, полученных с помощью масс-спектрометрии (визуальное представление модели, липидный профиль из единиц, отличие которых в группах является статистически значимым), можно с высокой точностью различить липидный профиль здорового человека и пациентов при наличии злокачественной опухоли на I-II стадиях заболевания, лечение которых сопровождается более благоприятным прогнозом, однако выявление которых с помощью имеющихся методов диагностики сопряжено с существенными трудностями.The above indicates that, based on data obtained using mass spectrometry (visual representation of the model, lipid profile of units, the difference between groups is statistically significant), it is possible to distinguish with high accuracy the lipid profile of a healthy person and patients with malignant tumors at stages I-II of the disease, the treatment of which is accompanied by a more favorable prognosis, but the identification of which using existing diagnostic methods is associated with significant difficulties.
В качестве ПРИМЕРА 4, демонстрирующего возможности дифференциальной диагностики различных стадий серозного РЯ высокой степени злокачественности в группах более ранних (I-II стадии; n=5) и прогрессирующих стадий (III-IY; n=23), проведено сравнение липидного профиля образцов сыворотки крови пациентов указанных групп. Используя критерии включения и невключения, а также методы, аналогичные представленным в ПРИМЕРАХ 2 и 3, были получены следующие данные (Фиг. 6а, 6b).As EXAMPLE 4, demonstrating the possibilities of differential diagnosis of various stages of serous OC of high malignancy in groups of earlier (I-II stages; n=5) and progressive stages (III-IY; n=23), a comparison was made of the lipid profile of blood serum samples patients of these groups. Using inclusion and exclusion criteria, as well as methods similar to those presented in EXAMPLES 2 and 3, the following data were obtained (Fig. 6a, 6b).
Приведено сравнение информативности предлагаемого метода дифференциации образцов сыворотки крови пациентов при более ранних и более прогрессирующих стадиях РЯ на основе глубокого исследования липидома сыворотки с помощью жидкостной хроматографии с масс-спектрометрической детекцией. Сравнение проведено на материалах, полученных от 28 пациентов отделения инновационной онкологии и гинекологии ФГБУ «НМИЦ АГП им. В.И. Кулакова» Минздрава России.A comparison of the information content of the proposed method for differentiating blood serum samples from patients with earlier and more progressive stages of OC based on an in-depth study of the serum lipidome using liquid chromatography with mass spectrometric detection is presented. The comparison was carried out on materials obtained from 28 patients of the Department of Innovative Oncology and Gynecology of the Federal State Budgetary Institution “National Medical Research Center for Aged Gynecology named after. IN AND. Kulakov" of the Russian Ministry of Health.
На основании липидного профиля сыворотки крови 28 пациентов с использованием предложенного способа была построена вторая модель на основе логистической регрессии, использующая в качестве маркеров 2 липида (PC Р-16:0/18:1 и PC Р-16:0/18:2) и вычислены границы переменной отклика для классификации образцов (Фиг. 7) по формуле:Based on the lipid profile of the blood serum of 28 patients using the proposed method, a second model was built based on logistic regression, using 2 lipids as markers (PC P-16:0/18:1 and PC P-16:0/18:2) and the boundaries of the response variable for classifying samples were calculated (Fig. 7) using the formula:
Список литературыBibliography
1. Amoroso M.R. et al. Stress-Adaptive Response in Ovarian Cancer Drug Resistance: Role of TRAP1 in Oxidative Metabolism-Driven Inflammation // Advances in Protein Chemistry and Structural Biology. 1st ed. Elsevier Inc., 2017. Vol. 108. 163-198 p.1. Amoroso M.R. et al. Stress-Adaptive Response in Ovarian Cancer Drug Resistance: Role of TRAP1 in Oxidative Metabolism-Driven Inflammation // Advances in Protein Chemistry and Structural Biology. 1st ed. Elsevier Inc., 2017. Vol. 108. 163-198 p.
2. Каприн А.Д. Состояние онкологической помощи населению России в 2019 году. А.Д. Каприн, В.В. Старинский, А.О. Шахзадова. 2020. С. 239 с.2. Kaprin A.D. The state of cancer care for the population of Russia in 2019. HELL. Kaprin, V.V. Starinsky, A.O. Shakhzadova. 2020. P. 239 p.
3. Ueland FR L.A. Serum biomarkers for evaluation of an adnexal mass for epithelial carcinoma of the ovary, fallopian tube, or peritoneum // UpToDate. 2016. P. 1-13.3. Ueland FR L.A. Serum biomarkers for evaluation of an adnexal mass for epithelial carcinoma of the ovary, fallopian tube, or peritoneum // UpToDate. 2016. P. 1-13.
4. Li J. et al. Distinct plasma lipids profiles of recurrent ovarian cancer by liquid chromatography-mass spectrometry. 2017. Vol. 8, №29. P. 46834-46845.4. Li J. et al. Distinct plasma lipids profiles of recurrent ovarian cancer by liquid chromatography-mass spectrometry. 2017. Vol. 8, No. 29. P. 46834-46845.
5. Tomao F. et al. Fertility preservation in ovarian tumours // Ecancermedicalscience. 2018. Vol. 12. P. 1-14.5. Tomao F. et al. Fertility preservation in ovarian tumors // Ecancermedicalscience. 2018. Vol. 12. P. 1-14.
6. Ashraf M.A., Dasari P. Outcome of fertility-preserving surgery for ovarian malignancy in young women Case Report. 2018. P. 51-54.6. Ashraf M.A., Dasari P. Outcome of fertility-preserving surgery for ovarian malignancy in young women Case Report. 2018. P. 51-54.
7. Warren L.A. et al. Analysis of menstrual effluent: Diagnostic potential for endometriosis // Mol. Med. Molecular Medicine, 2018. Vol. 24, №1. P. 1-12.7. Warren L.A. et al. Analysis of menstrual effluent: Diagnostic potential for endometriosis // Mol. Med. Molecular Medicine, 2018. Vol. 24, no. 1. P. 1-12.
8. Cragun J.M. Screening for ovarian cancer // Cancer Control. 2011. Vol. 18, №1. P. 16-21.8. Cragun J.M. Screening for ovarian cancer // Cancer Control. 2011. Vol. 18, no. 1. P. 16-21.
9. Grossman D.C. et al. Screening for ovarian cancer US preventive services task force recommendation statement // JAMA - J. Am. Med. Assoc. 2018. Vol. 319, №6. P. 588-594.9. Grossman D.C. et al. Screening for ovarian cancer US preventive services task force recommendation statement // JAMA - J. Am. Med. Assoc. 2018. Vol. 319, no. 6. P. 588-594.
10. Madsen R., Lundstedt Т., Trygg J. Chemometrics in metabolomics-A review in human disease diagnosis. Anal Chim Act 2010; 659: 23-33.doi: 10.1016/j.aca.2009.11.042.10. Madsen R., Lundstedt T., Trygg J. Chemometrics in metabolomics-A review in human disease diagnosis. Anal Chim Act 2010; 659: 23-33.doi: 10.1016/j.aca.2009.11.042.
11. Ray U. et al. Gene regulatory networking reveals the molecular cue to lysophosphatidic acid-induced metabolic adaptations in ovarian cancer cells // Mol. Oncol. 2017. Vol. 11, №5. P. 491-516.11. Ray U. et al. Gene regulatory networking reveals the molecular cue to lysophosphatidic acid-induced metabolic adaptations in ovarian cancer cells // Mol. Oncol. 2017. Vol. 11, No. 5. P. 491-516.
12 Xu Y. Lysophospholipid signaling in the epithelial ovarian cancer tumor microenvironment // Cancers (Basel). 2018. Vol. 10, №7.12 Xu Y. Lysophospholipid signaling in the epithelial ovarian cancer tumor microenvironment // Cancers (Basel). 2018. Vol. 10, No. 7.
13. Hiramatsu K., Serada S., Enomoto Т., et al. LSR antibody therapy inhibits ovarian epithelial tumor growth by inhibiting lipid uptake. Cancer Research. 2018. Vol. 78. №2. P. 516-527.13. Hiramatsu K., Serada S., Enomoto T., et al. LSR antibody therapy inhibits ovarian epithelial tumor growth by inhibiting lipid uptake. Cancer Research. 2018. Vol. 78. No. 2. P. 516-527.
14. Hilvo M. et al. Accumulated metabolites of hydroxybutyric acid serve as diagnostic and prognostic biomarkers of ovarian high-grade serous carcinomas. Cancer Res. 2016. Vol. 76, №4. P. 796-804.14. Hilvo M. et al. Accumulated metabolites of hydroxybutyric acid serve as diagnostic and prognostic biomarkers of ovarian high-grade serous carcinomas. Cancer Res. 2016. Vol. 76, no. 4. P. 796-804.
15. Braicu E.I. et al. High-grade ovarian serous carcinoma patients exhibit profound alterations in lipid metabolism. 2017. Vol. 8, №61. P. 102912-102922.15. Braicu E.I. et al. High-grade ovarian serous carcinoma patients exhibit profound alterations in lipid metabolism. 2017. Vol. 8, No. 61. P. 102912-102922.
16. Buas M.F. et al. Identification of novel candidate plasma metabolite biomarkers for distinguishing serous ovarian carcinoma and benign serous ovarian tumors // Gynecol. Oncol. Elsevier B.V., 2016. Vol. 140, №1. P. 138-144.16. Buas M.F. et al. Identification of novel candidate plasma metabolite biomarkers for distinguishing serous ovarian carcinoma and benign serous ovarian tumors // Gynecol. Oncol. Elsevier B.V., 2016. Vol. 140, no. 1. P. 138-144.
17. Ghahremanfard F. et al. The valuable role of measuring serum lipid profile in cancer progression // Oman Med. J. 2015. Vol. 30, №5. P. 353-357.17. Ghahremanfard F. et al. The valuable role of measuring serum lipid profile in cancer progression // Oman Med. J. 2015. Vol. 30, no. 5. P. 353-357.
18. Hirotugu Akaike. A new look at the statistical model identification. IEEE Trans. Automat. Control. 19(6), 716-723 (1974).18. Hirotugu Akaike. A new look at the statistical model identification. IEEE Trans. Automat. Control. 19(6), 716-723 (1974).
19. R CoreTeam (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org.19. R CoreTeam (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org.
20. RStudio Team (2016). RStudio: Integrated Development for R. RStudio, Inc., Boston, MA URL http://www.rstudio.com.20. RStudio Team (2016). RStudio: Integrated Development for R. RStudio, Inc., Boston, MA URL http://www.rstudio.com.
21. Sud M, Fahy E, Cotter D, Brown A, Dennis EA, Glass CK, Merrill AH Jr, Murphy RC, Raetz CR, Russell DW, Subramaniam S. LMSD: LIPID MAPS structure database. Nucleic Acids Res. 2007 Jan; 35(Database issue):D527-32. doi: 10.1093/nar/gk1838. Epub 2006 Nov 10. PMID: 17098933; PMCID: PMC1669719.21. Sud M, Fahy E, Cotter D, Brown A, Dennis EA, Glass CK, Merrill AH Jr, Murphy RC, Raetz CR, Russell DW, Subramaniam S. LMSD: LIPID MAPS structure database. Nucleic Acids Res. 2007 Jan; 35(Database issue):D527-32. doi: 10.1093/nar/gk1838. Epub 2006 Nov 10. PMID: 17098933; PMCID: PMC1669719.
Фиг.1. Хроматограммы по выбранному иону липидов-маркеров, а) определения рака яичника относительно контрольной группы, б) определения рака яичника III-IV стадии относительно I-II стадии. Пики соответствующих ионов липидов-маркеров подписаны. Фиг. 2а. Диаграммы рассеяния для парето-нормированных площадей пиков липидов- маркеров для образцов групп: «Контроль» (зеленые точки) и «Рак яичников, I-IV стадии» (красные точки).Fig.1. Chromatograms for the selected ion of lipid markers, a) determination of ovarian cancer relative to the control group, b) determination of stage III-IV ovarian cancer relative to stage I-II. The peaks of the corresponding marker lipid ions are labeled. Fig. 2a. Scatter diagrams for Pareto-normalized peak areas of lipid markers for samples of the groups: “Control” (green dots) and “Ovarian cancer, stages I-IV” (red dots).
Фиг. 2b. Вулканная диаграмма (график рассеяния для большого массива данных), построенная по результатам сравнения уровней липидов в образцах сыворотки крови пациентов групп контроля и исследуемой группы («Рак яичников, I-IV стадии»).Fig. 2b. Volcano plot (scatter plot for a large data set), constructed from the results of comparison of lipid levels in blood serum samples of patients in the control groups and the study group (“Ovarian cancer, stages I-IV”).
Фиг. 3. Параметры логистической регрессии, задействованной в классификационной модели «Контроль» / «Серозный рак яичников, I-IV стадии»Fig. 3. Parameters of logistic regression involved in the classification model “Control” / “Serous ovarian cancer, stages I-IV”
Фиг. 4а. Диаграммы рассеяния для парето-нормированных площадей пиков липидов-маркеров для образцов групп: для образцов групп «Контроль» (зеленые точки) и «Рак яичников, I-II стадии» (красные точки).Fig. 4a. Scatter diagrams for Pareto-normalized peak areas of lipid markers for samples of groups: for samples of the “Control” (green dots) and “Ovarian cancer, stages I-II” (red dots) groups.
Фиг. 4b. Вулканная диаграмма (график рассеяния для большого массива данных), построенная по результатам сравнения уровней (содержания, площадь хроматографического пика под кривой) липидов образцов крови наблюдаемых группы контроля и пациентов с диагнозом «Рак яичников, I-II стадии».Fig. 4b. Volcano diagram (scatter plot for a large data set), constructed based on the results of comparing the levels (content, area of the chromatographic peak under the curve) of lipids in blood samples of the observed control group and patients diagnosed with ovarian cancer, stages I-II.
Фиг. 5. Параметры логистической регрессии, задействованной в классификационной модели «Контроль» / «Серозный рак яичников, I-II стадии»Fig. 5. Parameters of logistic regression involved in the classification model “Control” / “Serous ovarian cancer, stages I-II”
Фиг. 6а. Диаграммы рассеяния для парето-нормированных площадей пиков липидов- маркеров для образцов групп: «Рак яичников, I-II стадии» (красные точки) и «Рак яичников, III-IV стадии» (синие точки).Fig. 6a. Scatter diagrams for Pareto-normalized peak areas of lipid markers for samples of the groups: “Ovarian cancer, stages I-II” (red dots) and “Ovarian cancer, stages III-IV” (blue dots).
Фиг. 6b. ROC-кривая модели, построенной на основе результатов логистической регрессии анализа уровней липидов в крови в группах «Рак яичников, I-II стадии» (красные точки) и «Рак яичников, III-IV стадии» (синие точки).Fig. 6b. ROC curve of the model built on the basis of the results of logistic regression analysis of blood lipid levels in the groups “Ovarian cancer, stages I-II” (red dots) and “Ovarian cancer, stages III-IV” (blue dots).
Фиг. 7. Параметры логистической регрессии, задействованной в классификационной модели «Серозный рак яичников, I-II стадии» / «Серозный рак яичников, III-IV стадии» Фиг. 8. Топическое расположение на графиках счетов пациентов Д. (36 лет, диагноз: «Рак яичников, IVB стадия, T3cNxM1 (метастатическое поражение печени и легких)»), С. (47 лет, диагноз «Рак яичников, IA стадия, T1aNxMo. Состояние после нерадикального хирургического лечения от 27.11.2019»), М. (46 лет, наблюдаемый группы контроля) на диаграммах рассеяния в пространстве парето-нормированных липидов-маркеров.Fig. 7. Parameters of logistic regression involved in the classification model “Serous ovarian cancer, stages I-II” / “Serous ovarian cancer, stages III-IV” Fig. 8. Topical location on charts of patient accounts D. (36 years old, diagnosis: “Ovarian cancer, stage IVB, T3cNxM1 (metastatic lesions of the liver and lungs)”), S. (47 years old, diagnosis: “Ovarian cancer, stage IA, T1aNxMo. Condition after non-radical surgical treatment from November 27, 2019"), M. (46 years old, observed in the control group) on scatter diagrams in the space of Pareto-normalized lipid markers.
Сравнение образцов:Sample comparison:
a) Пациенты Д., С., М. на графиках счетов для образцов групп «Контроль» (зеленые точки) и «Рак яичников, I-IV стадии» (красные точки).a) Patients D., S., M. on the count charts for samples from the “Control” (green dots) and “Ovarian cancer, stages I-IV” (red dots) groups.
b) Пациенты М. и С. для образцов групп «Контроль» (зеленые точки) и «Рак яичников, I-II стадии» (красные точки).b) Patients M. and S. for samples from the “Control” (green dots) and “Ovarian cancer, stages I-II” (red dots) groups.
c) Пациенты С. и Д. для образцов групп «Рак яичников, I-II стадии» (красные точки) и «Рак яичников, III-IV стадии» (синие точки).c) Patients S. and D. for samples from the groups “Ovarian cancer, stages I-II” (red dots) and “Ovarian cancer, stages III-IV” (blue dots).
Claims (11)
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2807396C1 true RU2807396C1 (en) | 2023-11-14 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2536272C1 (en) * | 2013-10-28 | 2014-12-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Ульяновский государственный университет" | Diagnostic technique for progressive ovarian carcinoma |
| US20150293104A1 (en) * | 2012-07-12 | 2015-10-15 | National Institute Of Advanced Industrial Science And Technology | Epithelial ovarian cancer differentiation marker |
| RU2696114C2 (en) * | 2017-12-27 | 2019-07-31 | Общество с ограниченной ответственностью "ПостгенТех" (ООО "ПостгенТех") | Diagnostic technique for breast cancer and ovarian cancer |
| RU2779550C1 (en) * | 2021-06-22 | 2022-09-08 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт общей патологии и патофизиологии" (ФГБНУ "НИИОПП") | Method for diagnosing ovarian cancer based on a set of genes of long non-coding rna |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150293104A1 (en) * | 2012-07-12 | 2015-10-15 | National Institute Of Advanced Industrial Science And Technology | Epithelial ovarian cancer differentiation marker |
| RU2536272C1 (en) * | 2013-10-28 | 2014-12-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Ульяновский государственный университет" | Diagnostic technique for progressive ovarian carcinoma |
| RU2696114C2 (en) * | 2017-12-27 | 2019-07-31 | Общество с ограниченной ответственностью "ПостгенТех" (ООО "ПостгенТех") | Diagnostic technique for breast cancer and ovarian cancer |
| RU2779550C1 (en) * | 2021-06-22 | 2022-09-08 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт общей патологии и патофизиологии" (ФГБНУ "НИИОПП") | Method for diagnosing ovarian cancer based on a set of genes of long non-coding rna |
Non-Patent Citations (2)
| Title |
|---|
| IUROVA M.V. et al. Lipid Alterations in Early-Stage High-Grade Serous Ovarian Cancer. Front Mol Biosci. 2022, 9: 770983. BRAICU E. et al. High-grade ovarian serous carcinoma patients exhibit profound alterations in lipid metabolism. Oncotarget. 2017, 8, p.102912-102922. KNAPP P. et al. Blood bioactive sphingolipids in patients with advanced serous epithelial ovarian cancer - mass spectrometry analysis. Arch Med Sci. 2018, 17 (1), p.53-61. * |
| NIEMI R.J. et al. Ovarian tumours of different histologic type and clinical stage induce similar changes in lipid metabolism. Br J Cancer. 2018, 119 (7), p.847-854. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dinges et al. | Cancer metabolomic markers in urine: evidence, techniques and recommendations | |
| Ros-Mazurczyk et al. | Serum lipid profile discriminates patients with early lung cancer from healthy controls | |
| Zhang et al. | Discrimination between malignant and benign ovarian tumors by plasma metabolomic profiling using ultra performance liquid chromatography/mass spectrometry | |
| US8778695B2 (en) | Methods and apparatuses for analyzing biological samples by mass spectrometry | |
| Arentz et al. | Applications of mass spectrometry imaging to cancer | |
| Fahrmann et al. | Investigation of metabolomic blood biomarkers for detection of adenocarcinoma lung cancer | |
| Tamura et al. | Discovery of lipid biomarkers correlated with disease progression in clear cell renal cell carcinoma using desorption electrospray ionization imaging mass spectrometry | |
| Li et al. | Metabolomic estimation of the diagnosis of hepatocellular carcinoma based on ultrahigh performance liquid chromatography coupled with time-of-flight mass spectrometry | |
| AU2006291988B2 (en) | Method for the diagnosis of colorectal cancer and ovarian cancer by the measurement of vitamin E-related metabolites | |
| EP3775906B1 (en) | Metabolite-based breast cancer detection and diagnosis | |
| ES2698374T3 (en) | Means and methods of diagnosing pancreatic cancer in a subject based on a panel of metabolites | |
| WO2023082821A1 (en) | Serum metabolism marker for diagnosing benign and malignant pulmonary nodules and use thereof | |
| Böhm et al. | Serum proteome profiling of primary breast cancer indicates a specific biomarker profile | |
| WO2023082820A1 (en) | Marker for lung adenocarcinoma diagnosis and application thereof | |
| Meehan et al. | Proteomics and the search for biomarkers of female reproductive diseases | |
| Ni et al. | A novel classifier based on urinary proteomics for distinguishing between benign and malignant ovarian tumors | |
| Shen et al. | Circulating metabolite profiles to predict overall survival in advanced non-small cell lung cancer patients receiving first-line chemotherapy | |
| van den Heuvel et al. | Non-invasive diagnosis of pleural malignancies: the role of tumour markers | |
| KR20230080442A (en) | Methods for Detection and Treatment of Lung Cancer | |
| RU2807396C1 (en) | Method of diagnosing stages i-ii of high-grade serous ovarian cancer using the lipid profile of blood serum | |
| Zhang et al. | Altered phosphatidylcholines expression in sputum for diagnosis of non-small cell lung cancer | |
| WO2009061412A1 (en) | Methods for detecting or monitoring cancer using lpe as a marker | |
| CN113484518B (en) | Diagnostic biomarker for distinguishing lung diseases | |
| CN107003371A (en) | Method for determining the possibility that main body suffers from cancer of pancreas | |
| Yu et al. | Diagnostic performance and establishment of reference limits of HE4 in Korean healthy women |