Конкурирующие интересы:. Тот факт, что два бывших или нынешних сотрудников RNTech SAS Франция являются авторами этой рукописи не изменяет соблюдения всех PLoS ONE политики в отношении совместного использования данных и материалов, как описано в руководстве онлайн для авторов.
Введение уборочное сыворотки и обработка Дополнительные методы биоинформатики предоставляются в файле S1. Иммуно на основе коммерческих и клинические анализы для различных аполипопротеинов Использование метода MS на основе выявления пептидов сыворотки подписи для рака желудка Анализ MS на основе сывороток peptidome показал 9-пептидный подпись отличающие пациентов желудка аденокарциномы от рака свободных элементов управления В этом исследования мы приняли обработки сывороток подход один шаг для идентификации подписи peptidome на основе дифференцироваться сывороток, полученных от пациентов желудка аденокарциномы. Мы сделали разумные усилия, чтобы избежать ранее сообщенных смещения факторов, способствующих [18]. Мы проанализировали сывороток от двух biorepositories. Мы заметили, что даже при работе с сывороток, обработка, считывание MALDI и анализ одинаковы, анализ peptidome смещена по biorepository. В дополнение к социально-географических различий (Румынии и США в качестве источника для образцов в RNTech и Asterand, соответственно), смещение источника связанных может быть связано с брендом забора крови трубки, используемой в различных biorepositories. затем мы использовали смешанный набор образцов из двух источников сывороток для выбора функции и добавил шаг нормализации кросс-источника для компенсации смещения источника. Мы обнаружили, что (I) использование смешанного набора данных с р-значение обрезания Манна-Уитни для выбора функции может отбрасывать по конкретным источникам функции и (II) квантиль этап нормализации поможет выбрать (для машинного обучения) частично согласующиеся функции , в котором тенденции согласные между источниками, но уровни интенсивности различаются между источниками. Необходимость нормализации, при работе с образцами из разных источников, уже было показано на микрочипов технологии с высокой пропускной способностью [25]. Хорошо известно, что вариации в экспериментальных процедурах и неконтролируемых условиях (например, социально-географического происхождения образцов) может привести к системным уклонов измерения.
<р> показатели смертности многих видов рака не сильно изменилась в последние 20 лет [1]. Раннее обнаружение было показано, что в значительной степени повысить эффективность лечения рака, но обнаружение часто возможно только после появления первых клинических симптомов, которые в некоторых видов рака происходит слишком поздно для успешного вмешательства. Во многом это связано с отсутствием специфических и чувствительных тестов, которые позволяют раннего скрининга и мониторинга раковых состояний. Таким образом, открытие новых опухолевых биомаркеров все чаще рассматривается как решающее значение для улучшения лечения рака. В последнее десятилетие многие исследования были сосредоточены на открытие биомаркеров. Одним из наиболее перспективных источников для поиска биомаркеров является человеческой крови, в частности, сыворотке и плазме крови, что может отражать многие события в организме, в реальном времени. Тем не менее, несмотря на огромные усилия, лишь очень небольшое количество белков плазмы, как было доказано, чтобы иметь диагностическое значение [2] - [5]. Часто эти биомаркеры не стоят в одиночку и сопровождаются другими тестами для мониторинга и диагностики. Большинство из них не являются специфическими и достаточно чувствительным для широкого экрана диагностики [6], [7].
<Р> Одним из возможных источников новых биомаркеров рака является peptidome. Обоснованием упором на пептиды сыворотки основана на фактических данных, что формирование и развитие рака влечет за собой изменение в белках, так и пептиды "метаболизма, а также на повышение доступности методологии скрининга всего peptidome. С точки зрения развития рака, изменения могут происходить в массиве внутри- и внеклеточных пептидов, представленных в peptidome крови, которые могут быть специфическими для раковой стадии, и, таким образом, имеют диагностический потенциал [2], [4], [ ,,,0],5]. С точки зрения технологии обнаружения, последние достижения в области технологии MS позволяют обнаруживать сотни пептидов от нескольких микролитров сыворотки [8], [9]. Действительно, предыдущие исследования peptidome крови сообщили массив подписи пептидов в сыворотке крови, которые отличались здоровым от онкологических больных (обзор в [5]). Это было показано для простаты, мочевого пузыря, молочной железы и рака щитовидной железы с помощью Вильянуэва и др
[10], [11]. Они сообщили о 61 подписи пептиды, которые могут отличить здоровых людей от 3-х различных типов раковых больных. Хотя все эти пептиды и /или их фрагментов обычно находятся в сыворотке крови, наблюдаются различия в количестве между здоровых и больных людей. Тем не менее, хотя эти результаты показывают, что потенциал профили peptidome имеют для диагностики рака, она по-прежнему остается показать, что этот подход может быть расширен, чтобы обнаружить биомаркеры, пригодные для ранней диагностики и последовательного мониторинга. Во-первых, способность этих сывороток пептидных биомаркеров, чтобы отличить пациентов с контрольной в основном продемонстрировано для пациентов с высокоразвитой или метастатических опухолей. Кроме того, надежность этих биомаркеров была поставлена под сомнение; неконтролируемые переменные, в основном, связаны с различиями в обработке образцов, протоколов обработки и анализа данных, было показано, что резко изменить результаты этих анализов [11] - [19]. Поставив основной акцент был сделан на приобретение образцов, обработка, обработка, обработка сигналов MS и статистический анализ более надежные и воспроизводимые результаты могут быть достигнуты [18], [20], [21].
<Р> В этой работе мы сконцентрировали обнаружив множество сигнатур пептидов, которые могут иметь диагностическое значение для рака желудка. Для того, чтобы достичь этого, мы использовали три различных источника сыворотки с участием больных раком желудка на разных этапах. Строгий протокол для сбора и обработки сыворотки была применена [18], используя сплоченную процедуру экстракции пептидов и MALDI-TOF показаний, с помощью модифицированного трубопровода анализа. Вместе усовершенствованный трубопровод позволил для идентификации пептидного образца, который различение между раком и контрольными образцами. Эти результаты были подтверждены на оригинальной и новой сывороток для трех определенных признаков из рисунка, АПБО-I (две функции) и АПБО-III, с использованием анализов иммуно основе. Затем мы использовали сывороточные уровни АПБО-I и АПБО-III в сочетании с маркерами CRP и CA19-9 дискриминировать пациентов желудка аденокарциномы от рака, свободных от контроля.
Материалы и методы
<р> Сыворотки были получены из двух коммерческих источников. 79 образцов сыворотки от ПРЕДПУСКОВОЙ больных раком желудка и 33 образцов сыворотки от рака, свободных от соответствующих контрольных (в том числе 10 больных гастритом) были собраны RNTech (Париж, Франция) в Румынии. Сыворотки рак форма и больных раком, не являющиеся были приняты после того ночного голодания следующим образом: 5 мл крови был втянут в vacuette сыворотки трубки (CatLj005, Greiner Bio One, Кремсмюнстер, Австрия) и оставляли свернуться в течение приблизительно 30 минут, после чего пробирку центрифугировали при 3000 оборотов в минуту на центрифуге Hettich EBA 20S (Hettich Ag, Туттлинген, Германия) в течение 5 минут при комнатной температуре. Отделенный сыворотку аликвоты в 1 мл аликвоты в стерильные пробирки криогенных (Nalgene, Рочестер, штат Нью-Йорк, США) и сразу же замораживали при (-70) ° С. 22 Предпусковой сывороток рак желудка и 21 управления были собраны Asterand в США (Детройт, штат Мичиган, США) следующим образом: 10 мл крови был втянут в Vacutainer SST плюс пластиковой трубки BD (кот #BEC 367985, BD , Сан-Хосе, штат Калифорния, США). Трубка была смешана переворачиванием в 5 раз и осталось свернуться в течение приблизительно 30 минут в вертикальном положении. Этот шаг последовал центрифугирования 1100-1300 г в течение 10 минут при комнатной температуре. Выделенную сыворотку аликвоты в 1 мл аликвоты в стерильные криогенные пробирки (Nalgene) пробирки и немедленно заморожена при температуре (-70) ° С. Для источника Asterand натощак данные не были собраны на какой-либо из крови рисует в своем банке. Сыворотки образцы из обеих компаний были перевезены на сухом льду и хранили при температуре (-70) ° C сразу по прибытии. Сыворотки образцы оттаивают на льду в течение примерно полутора часов, 50 мкл аликвоты в ло-связываемых трубок (Эппендорф, Гамбург, Германия) и сразу же повторно замораживают при (-70) ° С. Все образцы аликвоты хранили при (-70) ° С до обработки. Третий источник сыворотками был получен в нашей лаборатории из 12 без рака израильским контролем. Кровь была разработана с брендом трубки, используемой RNTech (CatLj005, Greiner Bio One) и обработки сыворотки с последующим процедуру RNTech. Сыворотки, полученные в нашей лаборатории были взяты из неголодном лиц. Оба RNTech и Asterand компании создали и провели свою деятельность следующие нормативные и этические стандарты, внедрение на местном, национальном, европейском, Международные правила и рекомендации (ООН) США и, в частности, когда это применимо к сбору биологического материала и обработки и эксплуатации результат исследования. Это включает в себя как письменное согласие пациента, способствующего каждого к биологическим и данных банка, а также письменное разрешение от учебного комитета по этике каждого клинического института, способствующего образцы банкам компаний.
Сыворотка обработки образцов и подготовка к MS- MALDI чтение
<р> Каждый образец сыворотки был обработан в течение двух-трех повторах (из одинаковых аликвот и на отдельных случайных дат). Пептиды были извлечены на шариках, покрытых С8, промывают, элюируют, смешивают с матрицей CHCA, и оседают на MALDI мишени пластине. Сыворотки были обработаны в повторах и осаждают на MALDI пластины в двух повторах. Подробное описание смотрите Файл S1.
Анализ данных MALDI результатов
<р> Обработка данных проводилась в два этапа. На первом этапе, матрица интенсивности была выполнена из исходных ASCII файлов MALDI-TOF чтений из всех источников сывороток образцов с использованием ресемплирования, совместив, и обнаружение m /z пики, как описано в Villanueva и др
[21]. На втором этапе, машинного обучения был использован для определения дискриминационный шаблон, который может быть использован для классификации пациентов. Для этой цели процесс, описанный в Villanueva <ЕМ> и др
[21] был модифицирован, как описано ниже. Модифицированный трубопровод полностью полагается на программное обеспечение с открытым исходным кодом и дополнительные детали описаны в разделе биоинформатики в File S1.
<Р> (1) Репликация суммирование и этапы фильтрации были добавлены функция рассматривать нулевые значения в качестве частных случаев. Наша исходная матрица содержала значительное количество нулевых значений для различных функций в различных образцах. Из-за общего ограничения технологии MALDI, значительная часть этих нулевых значений может представлять пропущенные значения, а не истинные нулевой интенсивности. Для того, чтобы частично преодолеть это ограничение мы читаем каждый образец в повторах, и вычислили среднюю интенсивность, не обращая внимания нулевые показания интенсивности. Вслед за этим реплицировать суммирование, приведенная матрица все еще содержит значительное количество нулевых значений. SVM на основе модели могли бы классифицировать в соответствии с нулевыми значениями, представляющими пропущенные значения, а не истинные нулевой интенсивности. Таким образом, мы отфильтровываются функции, которые до сих пор нулевые значения по крайней мере, одного из образцов. Ни один из этих признаков, удаленных не было явного предпочтения нулевых значений для конкретного клинического назначением групп. Полученная подматрица была использована в машинного обучения классификации.
<Р> (2) был разработан новый подход к функции выбора параметризации. Определения для SVM на основе анализа были первоначально следующим образом: RNTech желудка по сравнению с контролем RNTech, Asterand желудка по сравнению с контролем Asterand. Манна-Уитни р-величина была рассчитана для каждого пика, в соответствии с клиническими группами, определенными для анализа. Затем мы использовали Манна-Уитни р-значения и интенсивности пиков, как отсечек для выбора подмножества признаков (пиков) для использования в машинного обучения экспериментов. Отсечки интенсивность не отфильтровывать образцы, в которых по меньшей мере один средний показатель имел интенсивность выше отсечки для пика тестируемой. Значения фильтра были оптимизированы для лучшей производительности в классификаторов SVM основе (производства LIBSVM, линейным ядром) в соответствии с десятикратным перекрестной проверки с помощью двухступенчатой протокола,. Первый шаг определен диапазон поиска и интервалы для обоих фильтров и перебирает все комбинации. Затем, на втором этапе выбирают комбинацию значений, которые обеспечили лучшую производительность и наименьшее количество функций.
<Р> (3) Стадия нормализации был добавлен для контроля поперечного образца и поперечного уклонов эксперимента. Для сравнения и отбора признаков, показывающих аналогичные тенденции в обоих источниках источников Sera ', кросс-исток нормализация интенсивности проводили с использованием функции R "квантиль", чтобы определить пороги 9 X <суб> 1
<суб>. 9
разъединяющие масштабированные значения в классе управления в 10 квантилей.
<р> АПБО-III и апоВ-100 уровней были измерены с помощью Immunoturbidometry на Olympus 400 автоанализатора, используя K-аналитических наборов (кот # KAI-006 и 6142, Камия Biomedical, Сиэтл, штат Вашингтон, США) как было описано ранее [22]. В доме ELISA для АПБО-III описан в файле S1. Уровни АПБО-I были протестированы с использованием набора AssayMax человеческого аполипопротеина C-I ELISA (Assaypro, Сент-Чарльз, штат Миссури, США) в соответствии с инструкциями изготовителя. Очищенные стандарты АПБО-I человека были включены в комплект поставки.
Результаты
<р> Предыдущие исследования показали, что хорошо -разработана и тщательно контролируемых сывороток пептидомики может отделить специфические раковые несущие пациентов контрольной группы без рака на основе отличительных форм подписи пептидов в сыворотке крови [10], [11]. Мы исследовали, может ли эти результаты могут быть воспроизведены для рака желудка и является ли такое разделение достаточным для анализа сывороток из различных источников. Сначала мы проанализировали сывороточный пептидные профили 62 пациентов с раком желудка на разных стадиях, а также 41 контрольных сывороток от здоровых добровольцев. Эти сывороток были получены из двух источников: (I) RNTech, компания, которая собирает сывороток в Бухаресте, Румыния; и (б) Asterand, компания, которая собрала сывороток в США. Для каждого источника, Сыворотки собирали с использованием стандартной клинического протокола. Протоколы были сопоставимы, например, тип трубки, то время свертывания крови и начальное замораживание сывороток (см методы), пока пробирки для забора крови были различны. Распределение по возрасту, полу, и клинические характеристики из 103 лиц, включенных в это исследование, представлены в таблице 1 и более подробно в File S1. Резюме клинических стадий рака желудка, полученных сывороток для обоих источников приведены в таблице 1. Обработка проб после того, как начальная коллекция была равномерной, включая 2 циклов замораживания-оттаивания для достижения первоначального хранения и последующего извлечения аликвоты для анализа пептидов и MS. Все 103 пробы сыворотки были обработаны вручную, но идентично с использованием экстракции с обращенной фазой один шаг. Сыворотки образцы и образцы повторности были обработаны и читать в случайном порядке на разные даты, чтобы избежать подготовки даты ассоциированного смещения. Все препарат сывороток и осаждение проводили тем же лицом. Аналогичным образом, все MALDI чтения были выполнены одним специалистом. Чувствительность MALDI-TOF прибора контролировали регулярно и постоянно откалиброваны во всех чтениях.
<р> Всего 637 массовых пиков (признаков) были выявлены в 103 исследованных образцов. Результаты MALDI были преобразованы в матрицу, содержащую интенсивности сигнала 637 масс-пиков (признаков) для каждого из исследованных образцов сыворотки с повторностях для каждого образца (см методы, биоинформатики). В то время как неконтролируемая иерархическая кластеризация, используя все возможности не разделять рака и не раковых образцов, PCA анализ всех функций для каждого источника сывороток дифференцированной между раком и образцов нераковых (Рисунки S1-S3). Это позволило предположить, что фильтрация функция и выбор имеет важное значение, прежде чем с использованием машинного обучения на основе классификации. Поэтому мы (я) применил стадию фильтрации и функция выбора и (II) использовали Манна-Уитни р-значения и интенсивности пиков, как отсечек для выбора подмножества признаков (пиков) для использования в машинного обучения экспериментов. (См методы, биоинформатики). Затем мы проанализировали в пределах каждого источника (RNTech и Asterand) может ли быть отделено сывороток пациентов и контрольной группы. Мы получили хорошие результаты для каждого из одного источника классификаторов; SVM на основе классификаторов RNTech и Asterand пришлось 90,0% и 93,0% предсказали точностей, соответственно, в соответствии с десятикратным перекрестной проверки обучающей выборки (Таблица 2А). Случайная перестановка членов группы привели к гораздо более высоких р-значений (например, 0,8) и низкой точности предсказанной в подготовленных моделях на каждый источник сывороток. Это указывает на то значимость клинических условий для классификации на два клинически определенных групп внутри каждого источника сывороток. Тем не менее, одного источника классификаторы не работают хорошо на образцах другого источника, в предсказании правильно клинического состояния только в 35/60 образцах (Asterand на RNTech) и 25/43 (RNTech на Asterand) (Таблица 2А). Таким образом, источник смещения peptidome оказывает существенное влияние на точность прогнозирования.
<Р> Неспособность моделей обученных на одном источнике, чтобы адекватно предсказать клинические условия от показаний от другого источника (таблица 2А) лучше представлены при проверке особенности, отобранные в отношении конкретного источника классификаторов (таблица 3). Некоторые из особенностей, которые хорошо зарекомендовали себя на одном источнике показал противоположную тенденцию на другом источнике. Другие были важны для классификации в одном источнике, но не имели практически никакого эффекта в другой. Эти наблюдения привели нас к сравнительному анализу данных из обоих источников. Мы произвели участки окна для всех интенсивностей пиков, по данным клинических групп. Эти графики показали, что при сравнении контрольных и рака интенсивности для каждой функции внутри источника, эта тенденция наблюдалась может отличаться между двумя источниками (например, м /г 1520, 1А). Даже когда тренд был настойчив в обоих источниках, значения интенсивности могут быть различными (например, м /г 6431; RNTech выше, чем Asterand, Фигура 1В). Для того, чтобы создать модель прогнозирования, нам нужно (I) отбрасывания источника-специфические явления, и (II) добавить шаг нормализации, который позволит уменьшить влияние различных уровней интенсивности, где сохранялась тенденция.
<Р> использование смешанного набора данных с р-значение обрезания Манна-Уитни для выбора функции может отказаться от источника конкретных явлений. Пики, которые показали разные тенденции в различных источниках, не будут значительными в смешанном наборе для клинического разделения на основе группы; особенность +1520 проявляет противоположную тенденцию между источниками, был выбран каждый отдельный источник классификаторе (фиг.1А, таблица 3). Таким образом, это способствовало отсутствие успешного выполнения каждого отдельного источника классификатора на другой источник (Таблица 2А). Как и следовало ожидать, эта функция не была выбрана любой модели, основанной на смешанном наборе. Мы создали смешанные набор данных, в то время как в случайном порядке удаления 21 образцов рака желудка из смешанного набора учебной и использовали эти 21 удалены образцы для проверки. Кроме того, мы использовали 12 без рака контрольные образцы, собранные в нашей лаборатории в качестве независимого набора проверки управления. Модель была выбрана в соответствии с максимальной точностью предсказаны в соответствии с перекрестной проверкой десятикратном, как и раньше. Лучшая модель подсчета очков для смешанного набора использовал 9 функции (Манна-Уитни р-значение фильтра 0,044) и имели прогнозируемую точность 84,1% в соответствии с десятикратным перекрестной проверки обучающей выборки. Важно отметить, что точно предсказал 10/12 израильских контроля. Тем не менее, этот классификатор предсказал неадекватно (13 21) 21 удаляют образцы рака желудка смешанные, используемые для проверки.
<Р> Таким образом, чтобы уменьшить влияние источников, связанных с различиями в уровнях интенсивности, производительность фильтра при отборе признаков был усиливается за счет введения квантиль шаг нормализации. Эта нормализация была выполнена в соответствии с контрольной группой каждого источника сывороток, независимо от других источников (см методы, биоинформатики). Для функций, таких как м /г 6431 с постоянной тенденцией в обоих источниках, этот шаг корректируется смещение интенсивности (рис 1D). Действительно, 6431 функция не была выбрана для ненормированной классификатор смеси на основе. Тем не менее, он был выбран для нормированной классификатор смеси на основе (таблица 3). Тем не менее, для таких функций, как m /z 1520 с противоположными тенденциями в обоих источниках, этот шаг не может изменить эту тенденцию, как и ожидалось (рис 1C).
<Р> Мы протестировали эффект квантиль нормализации, применяя его до усреднения и выбор особенность. Для того, чтобы лучше оценить точность прогнозирования мы использовали меру Matthews коэффициент корреляции (MCC). MCC используется в машинном обучении в качестве меры качества бинарных (два класса) классификации и возвращает значение в диапазоне от -1 до +1. Коэффициент +1 представляет собой идеальный прогноз, 0 среднее случайное предсказание и -1 обратное предсказание. МКЦ, как правило, рассматривается в качестве сбалансированного меры, которые можно использовать, даже если классы имеют разные размеры. Таким образом, мы рассчитали MCC для различных экспериментов классификации для того, чтобы показать эффект, что нормализация была по классификации. Результаты приведены в таблице 2. Следует отметить, что без нормализации, МСС была относительно высокой для подготовки набора, но показал очень высокую производительность на множестве проверки (таблица 2). Шаг нормализации дал аналогичные высокие значения MCC для обучения и проверки наборов (таблица 2). Шаг нормализации для контроля смещения поперечного источника не отменяет необходимость машинного обучения на основе классификатора для определения дискриминационный рисунка; PCA из двух источников-смешанных нормированных наборов данных снова привело к плохому разделению между раком желудка и контрольных образцов (рис S4).
Иммуно на основе проверки для функций, представляющих АПБО-I и АПБО-III
<р> классификатор результатом смешанного набора данных, после шага квантильному нормализации, используют 9 функций (таблица 2). Три из 9 признаков, участвующих аполипопротеинов: АПБО-III (функция 9443) и АПБО-I (особенности 6431 и 6629, таблица 3). Для дополнительной проверки результатов MALDI основе, мы впервые разработали тест ELISA для качественного определения АПБО-III в сыворотке крови (см методы) и испытаны все образцы сыворотки от Asterand и RNTech. Результаты ELISA следуют тенденцию МАЛДИ результатов (рис 2А, В); Интенсивность АПБО-III была значительно выше в контрольной группах по сравнению с раковыми группами в обоих источниках сывороток. Кроме того, мы исследовали корреляцию между АПБО-III ELISA и 9443 МАЛДИ результатов на каждом образце; Результаты ELISA и MALDI показали существенную корреляцию (р &лт; 0,0001, Кендалла Ран корреляции тау). Затем послал сывороток аликвот из почти во всех образцах (такое же замораживанием состояние) на внешний клинической лаборатории для immunoturbidity на основе количественного анализа для АПБО-III [22]. Результаты были получены в мг /дл (рис 2С) и, как указано выше, количество АПБО-III была значительно выше в контрольных группах обоих источников сывороток.
<Р> Чтобы проверить результаты АПБО-I MALDI, мы использовали рекламный ролик количественный набор ELISA, который включает в себя стандарты АПБО-I и распознает оба 6431 и 6629 варианты АПБО-I. Результаты были получены в мкг /мл (рис 3B) и по той же схеме, наблюдаемая для MALDI результатов (рис 1D и 3А); Интенсивность АПБО-я была значительно выше в контрольной группах по сравнению с раковыми группами в обоих источниках сывороток. Для оценки специфичности АПБО-I и сокращения АПБО-III в сыворотке крови у больных раком желудка, приносящих, мы анализировали апоВ-100 уровней. Образцы анализировали на АПБО-III во внешней клинической лаборатории анализируют параллельно для уровней апоВ-100, с использованием immunoturbidity на основе количественного анализа. Результаты были получены в мг /дл (рис 3C) и не показали значимой тенденции между контрольной и рак желудка, несущие группы. Таким образом, мы могли бы использовать апоВ-100 результатов в качестве нормирующего фактора для анализа биоинформатики количественных результатов АПБО-I и АПБО-III (рис 3C, 3B, 2С, соответственно).
<Р> Мы проанализировали клинически АПБО-I, АПБО-III и апоВ-100 для дополнительных образцов от больных раком желудка и без рака управления (источник RNTech, то же замораживанием состоянии, в том числе 10 гастрит пациентов в контрольной без рака; примечание Таблица 1 на общую сумму выборки чисел). Мы также проанализировали клинически уровни CA19-9 и CRP для всех образцов (же замораживанием состояния). Затем мы использовали Клементине 10,0 программное обеспечение на образцах RNTech для оценки того правила устанавливаются на основе апоВ-100-нормированный CI и С-III, CA19-9 и CRP в сыворотке крови может быть использован для классификации между сыворотках контрольных и рака желудка группы RNTech источник в качестве источника обучения. Сочетание всех 4-х параметров, привели к улучшению точности прогнозирования по сравнению с комбинацией менее 4-х параметров (рисунок 4 и данные не показаны). Точность прогноза обучающей выборки была 88,4%. Мы использовали в RNTech-полученные правила, установленные для исходного и прогнозирования точности Asterand составила 74,4% (рисунок 4). Для обоих подготовки и проверки чувствительность была отличной (87/90 комбинированный), но специфичность была менее точной (37/52 комбинированный).
Обсуждение
<р> В последние годы немало сообщений, описывающих MS-идентифицированные в сыворотке крови биомаркеров /подписи для раковых состояний были опровергнуты [5], [18]. Различные источники смещения были описаны в том числе отбор проб, обработка, обработка, чтение и анализ [18], [20], [21]. После удаления смещения войска факторов, было показано, что SELDI-TOF MS вся сыворотка Протеомные профилирование с поверхности IMAC не достоверно обнаружить рак простаты [23]. Таким образом, авторы предположили, что маловероятно, что масс-спектрометрия подход с использованием необработанного сыворотки будет различия между мужчинами и без рака предстательной железы [24]. С другой стороны, другие недавние исследования MALDI-TOF, основанные на том, что удалось избежать предубеждений факторов, способствующих и используемые методики обработки сывороток один шаг идентифицированный распознавания подписей биомаркеров для различных видов рака, включая рак простаты [11].
<Р> После изменения, мы установили кросс-источник сывороточного пептида подпись для выделения желудка онкологических больных из контрольной нераковых. Три из пептидов соответствовали АПБО-I и АПБО-III. Мы проверили наш MALDI на основе результатов с независимыми аналитическими методами, которые основаны на иммуноанализа [26]. Пептид подпись включены АПБО-III и АПБО-I-производные функции. Результаты независимого количественного определения их уровней в сыворотке крови следуют тенденции, идентифицированный в MS подход.
<Р> Наше исследование является первым, чтобы сообщить, что сывороточные уровни АПБО-I и АПБО-III могут быть использованы в качестве потенциальных биомаркеров для желудка рак. Это правда, что недавние отчеты показали, что уровни аполипопротеинов "в крови могут быть потенциальными биомаркеры для различных видов рака. АПБО-I был идентифицирован как потенциальный сыворотки биомаркеров для колоректального рака, гормонорефрактерным рака простаты и фиброза печени [27] - [29]. Другие отчеты показали, что АПБО-III также может быть потенциальным биомаркером при раке поджелудочной железы и раке молочной железы [30], [31]. Тем не менее, все эти отчеты используют скрининг MALDI на основе и не проверяли их результаты с иммуно на основе или других анализов. Они также не изучают сывороток из другого источника в качестве группы проверки.
<Р> Наши выводы должны быть дополнительно израсходованы и утверждена, как описано [32], [33]. Тем не менее, клинические проверки АПБО-I и АПБО-III приводит к подсказывают дополнительно изучить диагностический анализ, основанный на сывороточные биомаркеры, которые могут быть проанализированы в клинике без потребности в технологии MS. Правила, установленные с использованием количественных уровней в сыворотке, сгенерированные для источника RNTech и проверены на независимом источнике Asterand имел точность прогнозирования 88,4% и 74,4%, соответственно апоВ-100-нормированный C-I и C-III, CA19-9 и CRP. Таким образом, использование этих 4-х клинических признаков частично преодолевает смещение источника.
Микробиом спермы выявлен с помощью секвенирования РНК
Устойчивость к антибиотикам удвоится всего за два десятилетия
Микробиомы древних приматов могут дать больше информации о развитии человека
Ученые превращают кровь группы A в универсальную кровь типа O,
Ингибиторы GSK-3 перспективны при лечении коронавирусных инфекций
Ученые разрабатывают пептиды, которые восстанавливают баланс кишечных бактерий и предотвращают атеросклероз.
Изменения микробиома кишечника при приготовлении растительной пищи,
говорит новое исследование Когда исследователи из Калифорнийского университета в Сан-Франциско и Гарварда объединились, чтобы выяснить, как приготовление пищи влияет на микробиом кишечника, они обнару
Ученые извлекли полный геном человека из «жевательной резинки» возрастом тысячи лет.
Кажется, жевательная резинка - не новый тренд! Исследователи обнаружили, что у жевательной резинки 5, Ему 700 лет, и он дал ключи к разгадке древней ДНК. Результаты исследования опубликованы в журнале
Диагностика вирусных инфекций с помощью микро- и нанотехнологий
Потребность в населении, стремительный, чувствительный, и рентабельное диагностическое тестирование значительно увеличилось в результате тяжелого острого респираторного синдрома коронавируса 2 (SARS-C