PLoS One: A szérum apolipoprotein C-I és C-III csökkennek az gyomorrák Betegek: Eredmények a MALDI-alapú peptidkészlet és Immuno alapuló klinikai esszék

absztrakt katalógusa

Továbbá az új peptid biomarkerek gyomorrák humán szérumot lehet végrehajtani egy klinikailag lehetséges prediktív eljárás ellenőrzésére a gyomorrák. Vizsgáltuk a szérum peptidkészlet két különböző biorepositories. Először alkalmazott C8-fordított fázisú folyadékkromatográfiával megközelítés minta tisztítás, majd tömeg-spektrometria analízis. Ezeket visszük szérummintákat a rák-mentes ellenőrzések és gyomor rákos betegek különböző klinikai szakaszaiban. Ezután létrehoztunk egy bioinformatikai elemzés csővezeték és azonosított peptid aláírás diszkrimináló gyomor adenokarcinóma betegek rák-mentes ellenőrzéseket. Mátrix Assisted Laser deszorpciós /ionizációs-Time of Flight (MALDI-TOF) eredménye 103 mintát feltárta 9 aláírás peptidek; A becslés pontossága 89% volt a tanító, és 88% -ban a validálási sorozatban. Három a diszkrimináló peptidek felfedezett voltak fragmentumai apolipoprotein C-I és a C-III (apoC-I és a C-III); mi további számszerűsített szérum szint, valamint a CA19-9 és a CRP, foglalkoztató kvantitatív kereskedelmi klinikai vizsgálatokban 142 mintákban. Apoc-I és apoC-III mennyiségi eredmények korrelál a MS eredményeket. Ezután alkalmazott apoB-100-normalizálódott apoC-I és apoC-III, CA19-9 és CRP-szint létrehozására meghatározott szabályok gyomorrák előrejelzést. A képzés használtuk sera egyik tárolóból, és érvényesítésre, szoktuk szérumot a második tárolóból. Jóslás pontossága 88,4%, illetve 74,4% kaptuk a képzési és érvényesítési készletek, ill. A szérum apoC-I és apoC-III kombinálható más klinikai paraméterek alapjául szolgálhat a készítmény diagnosztikai pontszámot gyomor rákos betegeknél. Katalógusa

Citation: Cohen M, Yossef R, Erez T, Kugel A, Welt M, Karpasas MM, et al. (2011) szérum apolipoprotein C-I és C-III csökkennek az gyomorrák Betegek: Eredmények a MALDI-alapú peptidkészlet és Immuno alapuló klinikai vizsgálatokban. PLoS ONE 6 (1): e14540. doi: 10,1371 /journal.pone.0014540 katalógusa

Szerkesztő: Hana Algül, Technische Universität München, Németország katalógusa

Beérkezett: July 1, 2010; Elfogadva: november 22, 2010; Megjelent: január 18, 2011 katalógusa

Copyright: © 2011 Cohen et al. Ez egy nyílt hozzáférésű cikk feltételei szerint terjeszthető a Creative Commons Nevezd meg! Licenc, amely engedélyezi a korlátlan használatát, a forgalmazás és a reprodukció bármilyen adathordozón, feltéve, hogy az eredeti szerző és a forrás jóváírásra. Katalógusa

Forrás: finanszírozás valamint az Európai Közösség (FP6 GLYFDIS 037661). RNTech SAS Franciaország feltüntetett mint fenntartónak annak a ténynek köszönhető, hogy a JT és HB /alkalmazottai voltak a vállalat; a járulékok JT és HB meghatározása a végleges jóváhagyása a verzió fog megjelenni, és nem vett részt hozzájárulás és kialakítás, illetve az adatok beszerzésére, vagy elemzése és értelmezése az adatok vagy kidolgozása a kéziratot. A finanszírozók nem volt szerepe a tanulmány tervezés, adatgyűjtés és elemzés, döntés, hogy közzéteszi, vagy a készítmény a kézirat. Katalógusa

Érdekütközés: Az a tény, hogy két korábbi vagy jelenlegi alkalmazottai RNTech SAS franciaországi szerzők a kézirat nem változtatja meg a ragaszkodás az összes PLoS ONE politikák adatok megosztása és anyagok részletezett online útmutató a szerzők számára. katalógusa

Bevezető katalógusa

a halálozási aránya számos rák nem változtak jelentősen a elmúlt 20 évben [1]. A korai felismerés kimutatták, hogy jelentősen javítja a hatékonyságát rák kezelésére, mégis felderítése gyakran csak lehetséges megjelenése után az első klinikai tünetek, amelyek bizonyos ráktípusok túl későn kerül sor a sikeres beavatkozás. Ez főként annak köszönhető, hogy nincs konkrét és érzékeny tesztek, amelyek lehetővé teszik a korai szűrés és ellenőrzését rákos állapotok. Ezért a felfedezés új tumor biomarkerek egyre tekinthető kritikus javítása rák kezelésére. Az elmúlt évtizedben számos tanulmány foglalkozott biomarker. Az egyik legígéretesebb források a biomarker felfedezés az emberi vér, különösen a szérum és plazma, ami tükrözi sok esemény a szervezetben, valós időben. Mégis, annak ellenére, hogy óriási erőfeszítéseket, csak egy nagyon kis számú plazmafehérjék már bebizonyosodott, hogy a diagnosztikai érték [2] - [5]. Gyakori, hogy ezek a biomarkerek nem állhat önmagában kíséri más vizsgálatokhoz és a diagnózis. Legtöbbjük nem specifikus és érzékeny elég széles képernyős diagnózis [6], [7]. Katalógusa

Az egyik lehetséges forrása az új rák biomarkerek a peptidkészlet. A logikája összpontosítva szérum peptidek bizonyítékon alapul, hogy a rák kialakulásában és fejlesztés magában változás fehérjék "és peptidek anyagcserét, és megemelkedett a módszer szűrés a teljes peptidkészlet. Ami a rák fejlődését, változások előfordulhatnak a tömbben belüli és sejten kívüli peptidek képviselte a vérben peptidkészlet, amely kifejezetten a rákos szakaszban, és így van egy diagnosztikai lehetőségei [2], [4], [ ,,,0],5]. Ami a felderítési technológia, legújabb előrelépések MS technológia lehetővé teszi a kimutatására száz peptidek néhány mikroliter szérum [8], [9]. Sőt, a korábbi vér peptidkészlet tanulmány számolt be egy sor aláírás peptidek szérum, amely már különböztetni az egészséges Rákbetegekben (összefoglalva [5]). Ezt mutatta a prosztata, húgyhólyag, emlő és pajzsmirigy rák Villanueva és munkatársai katalógusa [10], [11]. Arról számoltak be, 61 aláírást peptidek, amelyek megkülönböztetik az egészséges egyének 3 különböző típusú rákos betegek. Míg az összes ezek a peptidek és /vagy ezek fragmensei általában megtalálható a szérumban, a különbségek a mennyiség közötti egészséges és az érintett egyének megfigyelhető. Bár ezek az eredmények azt mutatják, hogy a potenciális peptidkészlet profilok a rák diagnózisa, még mindig be kell mutatni, hogy ez a megközelítés lehet terjeszteni, hogy felfedezzék biomarkerek alkalmasak a korai diagnózis és következetes nyomon követésére. Először is, a képesség ezeknek a szérumok peptid biomarkerek megkülönböztetni betegek kontroll többnyire igazolták betegek nagyon előrehaladott vagy áttétes daganatok. Sőt, a robusztusság ezen biomarkerek kétségbe vonták; ellenőrizetlen változók, többnyire tulajdonítható különbségeket a minta kezelése, feldolgozása protokollok és adatok elemzése, kimutatták, hogy drámaian módosítsa a kapott eredményeket a következő vizsgálati eljárások [11] - [19]. Azáltal, hogy nagyobb hangsúlyt minta megszerzése, kezelése, feldolgozása, MS jelfeldolgozás és statisztikai elemzések erőteljesebb és reprodukálható eredményeket lehet elérni [18], [20], [21]. Katalógusa

Ebben a munkában, összpontosítottunk felfedezni egy sor aláírás peptidek, amelyek diagnosztikus értéke a gyomorrák. Annak érdekében, hogy ezt elérjük, három különböző szérumot forrásból bevonásával gyomor rákos betegek különböző szakaszaiban. Egy szigorú protokoll szérum gyűjtését és feldolgozását alkalmazták [18], egy összetartó eljárás peptid kitermelése és MALDI-TOF leolvasott, egy módosított analízis gázvezeték. Együtt, a javított csővezeték megengedett azonosítására egy peptid minta, amely megkülönbözteti a rák és a kontroll mintákban. Ezek az eredmények alátámasztották az eredeti és az új sera három azonosított funkciók a minta, apoC-én (két tulajdonság) és apoC-III felhasználásával immun-alapú vizsgálatokban. Ezután alkalmazott szérum apoC-I és apoC-III kombinált CRP és CA19-9 markerek megkülönböztetést gyomor adenokarcinóma betegek rák-mentes ellenőrzéseket. Katalógusa

Anyagok és módszerek katalógusa

A szérum betakarítás és kezelés

A szérumokat nyert két kereskedelmi forrásokból. 79 szérumok származó mintákat üzemeltetés előtti gyomor rákos betegek és 33 szérumok származó minták rák-mentes illesztett kontrollok (beleértve a 10 gasztritisz beteg) gyűjtöttük RNTech (Párizs, Franciaország) Romániában. Sera forma rákos és nem rákos betegek után vettük a koplaltatás a következő módon: 5 ml vért vettünk egy vacuette szérum cső (CatLj005, Greiner Bio One, Kremsmuenster, Ausztria) és a bal megalvadni körülbelül 30 percig, ami után a csövet centrifugáltuk 3000 rpm-en Hettich EBA-20S centrifuga (Hettich Ag, Tuttlingen, Németország), 5 percen át szobahőmérsékleten keverjük. Az elválasztott szérumot szétosztottuk 1 ml azonos mennyiségekre steril kriogén csövekbe (Nalgene, Rochester, NY, USA), és azonnal lefagyasztottuk (-70) ° C-on. 22 előtti művelet gyomorrák szérumokat és 21 kontrollt összegyűjtjük Asterand az USA-ban (Detroit, MI, USA) a következő módon: 10 ml vért vettünk egy BD Vacutainer SST plusz műanyag cső (macska #BEC 367.985, a BD , San Jose, CA, USA). A csövet összekevertük megfordítva is, 5 alkalommal, és hagytuk megalvadni körülbelül 30 percig függőleges helyzetben. Ezt a lépést centrifugálás követte a 1,100-1,300 g-vel 10 percig szobahőmérsékleten. Az elválasztott szérumot szétosztottuk 1 ml azonos mennyiségekre steril kriogén csövek (Nalgene) csövek és azonnal lefagyasztottuk (-70) ° C-on. A Asterand forrás, éhgyomri adatot nem tartották bármelyik vér rajzol a saját bank. Sera mintákat mindkét vállalat szállított száraz jégen tároltuk a (-70) ° C azonnal levágják. A szérumokat mintákat felolvasztottuk jégen körülbelül egy óra és fél, 50 ul osztottuk LO-kötődnek csövek (Eppendorf, Hamburg, Németország), és azonnal újra lefagyasztottuk (-70) ° C-on. Minden minta alikvot részét tároljuk (-70) ° C-ig feldolgozásra. A harmadik forrás szérumot kaptunk laboratóriumunkban 12 ráktól mentes izraeli ellenőrzés. Vért veszünk a csővel márka által használt RNTech (CatLj005, Greiner Bio One) és a szérum kezelési eljárást követte a RNTech. A szérumokat a laboratóriumban vettünk nem éhgyomorra egyének. Mindkét RNTech és Asterand vállalat létrehozott és vezetett tevékenységét következő szabályozási és etikai normák végrehajtása helyi, nemzeti, európai, amerikai és nemzetközi (ENSZ) szabályok és ajánlások, különösen, ha alkalmazható biológiai anyagok gyűjtése és kezelése, valamint a kutatási eredmények kiaknázását. Ez magában foglalja mind írásos hozzájárulásával minden egyes beteg hozzájárul a biológiai és adatbank, és írásos tanulmány engedélyt az etikai bizottság minden egyes klinikai intézet hozzájárul a mintákat a cégek bankok. Katalógusa

A szérum minta feldolgozása és előkészítése MS- MALDI olvasás katalógusa

Minden szérum mintát feldolgozni 2-3 ismétlésben (nem azonos mennyiségekre, és külön véletlenszerű napokon). A peptideket extraháltuk a gyöngyöket bevonjuk C8, mossuk, eluáljuk, kevert CHCA mátrix, és letétbe helyezték a MALDI céltábla. A szérumokat feldolgozott ismétlésben lerakódó MALDI lemezt ismétli. Részletes leírás lásd Fájl S1. Katalógusa

Az adatok elemzése MALDI eredmények katalógusa

Az adatok feldolgozása két lépésben történt. Az első lépésben, az intenzitás mátrixot végeztünk a nyers ASCII fájlok MALDI-TOF leolvasásokat minden szérum minta forrásokból újbóli mintavételezés, összehangolása, és m /z csúcs detektálás leírt Villanueva et al katalógusa [21]. A második lépésben, a gépi tanulás használták, hogy meghatározzák a diszkriminatív minta, amely lehet használni, hogy osztályozzák a betegek. Erre a célra, a leírt folyamat Villanueva és munkatársai katalógusa [21] módosították az alábbiakban leírtak szerint. A módosított csővezeték teljes mértékben támaszkodik nyílt forráskódú szoftverek és további részletek az bioinformatikai szakasz Fájl S1. Katalógusa

(1) A párhuzamos összegzés és a szolgáltatás szűrőlépések adtunk úgy nulla értékeket speciális esetnek. Az eredeti mátrix tartalmaz jelentős mennyiségű nulla értékek a különböző funkciók különböző minták. Miatt általános korlátozása MALDI technika, jelentős részük a nulla értékeket is képviseli a hiányzó értékeket, nem pedig valódi nulla intenzitással. Részben leküzdéséhez olvasunk minden mintát ismétlésben, és a számított átlagos intenzitás, figyelmen kívül hagyva a nulla intenzitás mérés. Ezt követően a párhuzamos összegzés, a kapott mátrix még mindig tartalmazott jelentős mennyiségű értéke nulla. SVM-alapú modelleket lehetne osztályozni szerint nulla értékeket ami a hiányzó értékeket, és nem igaz, nulla intenzitással. Ezért kiszűrt funkciók, amelyek még mindig nulla értékek legalább egyikét a minták. Ezek egyike sem eltávolított jellemzői voltak egyértelműen előnyben nulla értékeket egy speciális klinikai csoportbeosztás. A kapott al-mátrixot használtuk fel egy gépi tanulási besorolás. Katalógusa

(2) Egy új megközelítése funkció kiválasztása paraméterezés alakult. A definíciókat SVM-alapú analízis eredetileg a következők: RNTech gyomor vs. RNTech ellenőrzés Asterand gyomor vs. Asterand ellenőrzés. Mann-Whitney p-érték számoltuk minden egyes csúcs szerint, klinikai meghatározott csoportok az elemzéshez. Ezután használt Mann-Whitney p-értékek és a csúcs intenzitások cutoffs opciót egy tetszőleges funkciók (csúcs) a használat a gépi tanulási kísérletek. Egy intenzitás cutoff nem kiszűrni a mintákat, amelyekben a legalább egy átlagos olvasási volt intenzitás felett a cutoff a csúcs tesztelt. Szűrőértékeket optimalizálva legjobb teljesítményt SVM-alapú osztályozók (előállított LIBSVM, lineáris kernel) szerint tízszeres kereszt érvényesítése egy kétlépéses protokollt. Az első lépés meghatározott keresési tartományok időközönként, két szűrő és az iterációt minden kombinációban. Ezután a második lépésben kiválasztott kombinációja értékek, feltéve, hogy a legjobb teljesítményt és a legkisebb számú jellemzői. Katalógusa

(3) A normalizálás lépés adtunk, hogy ellenőrizzék a határokon minta és több kísérlet torzítást. A szérumok források "összehasonlítása és kiválasztása funkciók mutató hasonló tendenciákat mindkét forrásból, több forrásból normalizálása intenzitások alkalmazásával végeztük R függvény" kvantilis "meghatározása 9 küszöbértékek X _{1 katalógusa . 9 katalógusa megosztó skálázott értékek a kontroll osztályt 10 kvantilisek. katalógusa}

További bioinformatikai módszerek állnak rendelkezésre a File S1. katalógusa

Immuno-alapú kereskedelmi és klinikai vizsgálatok a különböző apolipoproteinek

apoC-III és az apoB-100-szinteket mértünk Immunoturbidometry Olympus 400 Autoanalyzer, felhasználva a K-assay kit (Cat # Kai-006 és 6142, Kamiya Biomedical, Seattle, WA, USA) a korábban leírtak [22]. Házban ELISA apoC-III ismertetett Fájl S1. ApoC-I szintje teszteltük egy AssayMax humán apolipoprotein C-I ELISA kit (Assaypro, St. Charles, MO, USA), a gyártó utasításai szerint. Tisztított humán apoC-I szabványok tartalmazza a készlet. Katalógusa

Eredmények katalógusa

A MS-alapú módszer azonosítására szérum peptidek aláírás gyomorrák katalógusa

A korábbi vizsgálatok azt mutatták, hogy jól -designed és gondosan kontrollált sera peptidomics tudja választani a speciális rákos hordozó betegek és a nem daganatos kontroll alapján megkülönböztető mintáit aláírás peptidek szérumban [10], [11]. Megvizsgáltuk, hogy ezek az eredmények reprodukálhatók a gyomorrák és hogy ez az elválasztás elegendő az elemzéshez szérumok különböző forrásokból. Először elemezték a szérum peptid profilok 62 betegek gyomorrák különböző szakaszaiban, valamint 41 kontroll szérumok egészséges önkéntesekben. Ezeket a szérumokat nyert két forrásból származnak: (i) RNTech, a cég gyűjtött szérumok Bukarestben, Románia; és (ii) Asterand, a cég gyűjtött szérumok az USA-ban. Minden forrás, a szérumot gyűjtöttünk össze egy standard klinikai protokoll. A protokollok hasonlóak voltak például típusát a cső, az alvadási idő és a kezdeti befagyasztása a szérumok (lásd Módszerek), de a vér kivonási csövek különbözőek voltak. Életkor eloszlás, a nemek és a klinikai jellemzői a 103 szereplő egyéneket ebben a vizsgálatban az 1. táblázatban, és részletesebben a Fájl S1. Egy összefoglaló klinikai szakaszában gyomorrák származó szérumok mindkét forrásból 1. táblázatban adjuk Mintakezelés miután a kezdeti gyűjtemény volt egyenletes, amely magában foglalja a 2. fagyasztás-felengedtetés ciklussal elérni kezdeti tárolás és az azt követő aliquoting peptid extrakció és MS analízis. Minden 103 szérum mintákat feldolgozása manuálisan, de azonos alkalmazó egylépéses fordított fázisú extrakcióval. Sera minták és minta ismétlést feldolgozása és olvassa véletlenszerűen különböző időpontokban, hogy elkerüljék napját összefüggő torzítás. Minden szérumot készítmény és lerakódás végeztük ugyanazon egyén. Hasonlóképpen, az összes MALDI leolvasásokat végeztük ugyanazon technikus. A MALDI-TOF műszer érzékenysége követtük rutinszerűen és folyamatosan során kalibrált leolvasott. Katalógusa

elemzése MS-alapú sera peptidkészlet kiderült 9-peptid aláírás, amely különbséget tesz a gyomor adenokarcinóma betegek rákos szabad ellenőrzés

Összesen 637 tömegcsúcsokat (jellemzők) azonosítottak a 103 vizsgált mintákban. Az eredmények a MALDI alakítunk egy mátrixot, amely tartalmazza a jel intenzitását a 637 tömeg csúcsok (jellemzők) minden egyes vizsgált szérum mintákat ismétlésben minden egyes minta (lásd a módszereket, bioinformatikai). Bár a felügyelet nélküli hierarchikus klaszterezés segítségével minden funkció nem elkülöníti rákos és nem rákos mintákat, PCA elemzést minden funkció az egyes szérumok forrás megkülönböztették rákos és nem rákos mintát (ábra S1-S3). Ez arra utal, hogy a funkció szűrés és kiválasztás elengedhetetlen előtt foglalkoztató gépi tanulás-alapú besorolás. Ezért az (I) alkalmazott jellemző szűrés és szelekciós lépés és (ii) alkalmazott Mann-Whitney-p-értékek és a csúcs intenzitásokra Cutoffs kiválasztásához egy részhalmaza jellemzők (csúcs) a használat a gépi tanulási kísérletek. (Lásd a módszereket, bioinformatika). Ezután elemezték az egyes forrás (RNTech és Asterand) e betegek szérumában és ellenőrzések lehetne különíteni. Kaptunk jó eredményeket az egyes egyedi forrású osztályozók; SVM-alapú osztályozók az RNTech és Asterand volt 90,0% és 93,0%, a várható pontosság, illetve szerint tízszeres kereszt érvényesítése a képzési készlet (2A). Véletlen shuffling csoport tagjai eredményezett sokkal nagyobb p-értékeket (pl 0,8) és alacsony előrejelzett pontosságot képzett modellek per minden sera forrás. Ez jelzi a jelentősége a klinikai körülmények besorolás két klinikailag meghatározott csoportok egyes szérumok forrás. Azonban az egyetlen forrás osztályozók nem teljesít jól, a másik forrás minta, előre helyesen klinikai állapot csak 35/60 mintákban (Asterand a RNTech) és 25/43 (RNTech on Asterand) (2A). Ezért forrás elfogultságát peptidkészlet jelentős hatással van a pontosságát becslés. Katalógusa

A képtelenség modellek képzett egyetlen forrásból, hogy megfelelően megjósolni klinikai körülmények mért adatokból a másik forrásból származó (2A) a jobb bemutatását követően a funkciók által kiválasztott forrás-specifikus osztályozók (3. táblázat). Egyes funkciók, amelyek jól működött az egyik forrás azt mutatta, ellentétes tendenciát mutatnak a más forrásból. Egyéb fontos volt az osztályozás egyik forrása, de kevéssé vagy egyáltalán nem hat a másik. Ezek a megfigyelések vezettek bennünket, hogy egy összehasonlító adatok elemzése mindkét forrásból származó. Elkészítettük sodrófagrafikonok minden csúcs intenzitás, a klinikai csoportban. Ezek a telkek azt mutatták, hogy ha összehasonlítjuk kontroll és a rák intenzitást az egyes funkció egy forrás, a tendencia figyelhető meg lehetne különbözött a két forrásból (például m /z 1520, 1A). Még ha a tendencia tartós mindkét forrásból, az intenzitás különböző lehet (például m /z 6431; RNTech magasabb Asterand, 1B). Annak érdekében, hogy hozzon létre egy előrejelzési modellt, mi szükség van (i) eldobott forrás-specifikus jelenségek, és (ii) hozzáadása normalizálás lépés, amely csökkentené a hatása a különböző intenzitási szintet, ahol a trend tartottuk. Katalógusa

A használja a vegyes adatbázisba a Mann-Whitney p-érték cutoff a funkció kiválasztás dobja forrás-specifikus jelenség. Csúcsok amely azt mutatta, a különböző tendenciák különböző forrásból nem lenne jelentős a vegyes készlet klinikai csoport alapú elkülönítés; jellemző 1520 megnyilvánuló ellentétes tendencia források közötti, választotta ki minden egyes forrás osztályozót (1A ábra, 3. táblázat). Ezért hozzájárult a hiánya sikeres teljesítése egyes forrásokból osztályozót a más forrásból (2A). Ahogy az várható volt, ez a funkció nem választott semmilyen modell alapján a vegyes készlet. Létrehoztunk egy vegyes adathalmazt miközben véletlenszerűen eltávolítása 21 gyomorrák mintát a vegyes tanító, majd ezeket 21 eltávolított minta érvényesítésre. Emellett használják a 12 rák-mentes kontroll mintákban a laboratóriumban, mint egy független ellenőrző validálási sorozatban. A modell került kiválasztásra összhangban egy maximális előre jelzett pontosság szerint tízszeres kereszt validálás, mint korábban. A legjobb pontozási modell a vegyes set volt használva 9 funkciók (Mann-Whitney p-érték szűrő 0,044), és volt egy előre jelzett pontosság 84,1% szerint tízszeres kereszt validálása tanító. Fontos, hogy pontosan megjósolta 10/12 izraeli ellenőrzés. Azonban ez osztályozó megjósolta megfelelően (13 21) 21 eltávolítottuk vegyes gyomorrák használt minták érvényesítésre. Katalógusa

Tehát, hogy csökkenthetik a forrás-függő különbségeket intenzitás, a szűrő teljesítményét funkció kiválasztás fokozott bevezetésével quantile normalizálás lépés. Ezt a normalizálás szerint végeztük kontrollok az egyes szérumok forrás függetlenül az egyéb források (lásd a módszereket, bioinformatikai). Mert funkciók, mint például m /z 6431 egy tartós trend mindkét forrás, ez a lépés javította az intenzitás torzítás (1D). Sőt, 6431-ben a szolgáltatás nem választották ki a nem normalizált mix alapú osztályozót. Ugyanakkor azt kiválasztva a normalizált mix-alapú osztályozót (3. táblázat). Mégis, olyan funkciók, mint m /z 1520 ellentétes tendenciák mindkét forrás, ez a lépés nem változik a trend, a várakozásoknak megfelelően (1C). Katalógusa

Megvizsgáltuk a kvantilis normalizációs hatását alkalmazva azt megelőzően átlagosan és funkció kiválasztása. Ahhoz, hogy jobban fel tudja mérni a jóslat pontossága alkalmaztuk a Matthews korrelációs együttható (MCC) intézkedés. MCC használják a gépi tanulás, mint egy intézkedés minősége bináris (két osztály) osztályozási és visszaad egy értéket -1 és +1 között. A együtthatója 1 jelent tökéletes előrejelzést, 0 átlagos véletlenszerű előrejelzést és -1 inverz előrejelzést. MCC általában tekinthető kiegyensúlyozott intézkedés, amely akkor is használható, ha az osztályok különböző méretű. Mi így kiszámított az MCC különböző osztályozási kísérletek annak bizonyítására, miszerint a normalizálás volt az osztályozásra. Az eredményeket a 2. táblázatban láthatók jébe nélkül normalizáció, MCC viszonylag magas volt a tanító, mégis azt mutatta, középszerű teljesítményt a validációs szett (2. táblázat). A normalizálás lépés is hasonló nagy MCC értékeket képzési és érvényesítési készletek (2. táblázat). A normalizálás lépés, hogy ellenőrizzék a határokon forrás torzítás nem semmisítette meg, hogy szükség van a gépi tanulás-alapú osztályozó, hogy meghatározzák a diszkriminatív minta; PCA a két forrás kevert normalizált adathalmazok ismét azt eredményezte, rossz szétválasztása gyomorrák és a kontroll minták (S4). Katalógusa

Immuno-alapú érvényesítés jellemzői képviselő apoC-I és apoC-III katalógusa

az osztályozó eredményezte a kevert adatállomány következő kvantilis normalizációs lépésben alkalmazott 9 jellemzők (2. táblázat). Három a 9 funkciók részt apolipoprotein: apoC-III (9443 funkció) és apoC-én (jellemzői 6431 és 6629, 3. táblázat). További igazolása a MALDI-alapú eredményeket, először kifejlesztett ELISA teszt kvalitatív kimutatására apoC-III szérum (lásd a módszereket) tesztelte az szérumok mintákat Asterand és RNTech. Eredmények Az ELISA követte a trend a MALDI eredmények (2A ábra, B); Intenzitása az apoC-III szignifikánsan nagyobb volt a kontroll csoportban, mint a rák csoportok mindkét sera forrásokból. Mi tovább vizsgáltuk az összefüggést apoC-III ELISA és 9443 MALDI eredmények per Minden mintán ELISA és MALDI eredmények szignifikáns összefüggést (p < 0,0001, Kendall RAN korreláció tau). Ezután küldött sera aliquot szinte az összes mintát (azonos fagyasztva állam) egy külső klinikai laboratórium immunoturbidity alapú mennyiségi esszét apoC-III [22]. Eredményeket kaptunk mg /dl (2C ábra), és a fenti, mennyisége apoC-III szignifikánsan magasabb volt a kontroll csoportokban egyaránt szérumok forrásokból.

Annak ellenőrzésére, a apoC-I MALDI eredmény érdekében alkalmazott kereskedelmi kvantitatív ELISA készlet, amely magában apoC-I szabványok és elismeri mind 6431 és 6629 variánsai apoC-én. Eredményeket kaptunk ng /ml (3B, ábra), és követte a minta megfigyelhető a MALDI eredmények (ábrák 1D és 3A); Intenzitása az apoC-I szignifikánsan nagyobb volt a kontroll csoportban, mint a rák csoportok mindkét sera forrásokból. Annak megállapítására, specificitásának apoC-I és apoC-III csökkentését szérumában gyomorrák-csapágy betegek, azt vizsgáltuk apoB-100 szint. A mintákat megvizsgáltuk apoC-III külső klinikai laboratóriumi vizsgáltak párhuzamosan apoB-100 szintek segítségével immunoturbidity alapú kvantitatív vizsgálat. Eredményeket kaptunk mg /dl (3C, ábra), és nem mutatott szignifikáns trend a kontroll és gyomorrák-csoportokat hordozó. Ezért nem tudjuk kihasználni a apo-100 találat egy normalizáló tényező a bioinformatikai elemzése kvantitatív apoC-I és apoC-III eredmények (3C-, 3B, 2C-kal). Katalógusa

Elemeztük klinikailag apoC-én, apoC-III és apoB-100 további mintákat gyomorrák betegek és a rák-mentes kontroll (RNTech forrás, azonos fagyasztva állapotban, beleértve a 10 gyomorhurut betegek rák-mentes ellenőrzéseket; megjegyzés 1. táblázatban a teljes mintaszám). Azt is elemezték klinikailag CA19-9 és CRP-szint az összes mintát (azonos fagyasztva állapotban). Ezután alkalmazott Clementine 10.0 szoftver a RNTech mintákon annak értékelésére, hogy meghatározott szabályok alapján apoB-100-normalizált CI és C-III, CA19-9 és CRP szérum szintek is használhatók osztályozására között szérumok az ellenőrzés és a gyomorrák csoportok RNTech forrás, mint a képzési forrás. A kombináció mind a 4 paramétert eredményezett jobb predikciós pontosság képest kombináció kevesebb mint 4 paraméterek (4. ábra és nem közölt adatok). Jóslás pontosságát tanító volt 88,4%. Mi, akiket az RNTech kapott beállított szabályok a Asterand forrás és becslés pontossága volt 74,4% (4. ábra). Mindkét képzési és érvényesítési érzékenysége kiváló volt (87/90 kombinált), de specificitása pontatlanabb (37/52 kombinált). Katalógusa

Vita katalógusa

Az elmúlt években jó néhány bemutató jelentések MS-azonosított szérum biomarkerek /aláírásokat rákos állapotokat tévesnek bizonyult [5], [18]. Különböző források elfogultság írták le, beleértve a minta kiválasztása, kezelése, feldolgozása, elolvasása és elemzése [18], [20], [21]. Eltávolítása után öves hozzájáruló tényezők azt is kimutatták, hogy a SELDI-TOF MS teljes szérum proteomikai profilalkotás IMAC felülete nem megbízhatóan prosztatarákot [23]. Ezért a szerzők azt javasolták, hogy nem valószínű, hogy a tömeg-spektrometria megközelítést feldolgozatlan szérum lenne különbséget tenni a férfiak és a nélkül prosztatarákban [24]. Másrészt, a közelmúlt egyéb MALDI-TOF-alapú tanulmány, amely elkerülhető öves kiváltó tényezőket és alkalmazott egylépéses sera feldolgozási technikát azonosítani diszkriminatív biomarker aláírások különböző rákos megbetegedések, beleértve a prosztatarákot. [11] katalógusa

Ebben tanulmányunkban elfogadta az egylépéses sera feldolgozás megközelítést azonosítását peptidkészlet-alapú aláírás különbséget szérumok származó gyomor adenokarcinóma betegek. Készítettünk egy ésszerű erőfeszítést, hogy elkerülje a korábban bejelentett torzítás hozzájáruló tényezők [18]. Elemeztük sera két biorepositories. Azt figyeltük meg, hogy ha sera kezelése, feldolgozása, MALDI olvasás és elemzés azonos, peptidkészlet elemzés elfogult a biorepository. Amellett, hogy a társadalmi-földrajzi különbségeket (Románia és az Egyesült Államokban, mint a forrás a minták RNTech és Asterand -kal), a forrás összefüggő torzítás következménye lehet a márka a vérvételt cső, használt különböző biorepositories.

aztán egy vegyes mintaszettet két sera forrásokból funkció kiválasztása és hozzá egy cross-forrás normalizálás lépés, hogy kompenzálja a forrás elfogultság. Azt találtuk, hogy (i) a használatát a vegyes adatbázisba a Mann-Whitney p-érték cutoff a funkció kiválasztás dobja forrás-specifikus funkciókat, és (ii) a kvantilis normalizálás lépés segít kiválasztani (gépi tanulás) részben egybehangzó jellemzői , ahol a trendek egybehangzó források közötti, de intenzitása a különböző szintek között forrásokból. Annak szükségességét, normalizálás, ha foglalkozik a mintákat különböző forrásokból származó, már látható a microarray alapú nagy teljesítményű technológiát [25]. Közismert tény, hogy a változatoknak a kísérleti eljárások és ellenőrizetlen körülmények között (pl társadalmi-földrajzi eredete minta) vezethet rendszerszintű mérés torzítást. Katalógusa

a változásokat követően hoztuk létre a határokon forrás szérum peptid aláírás megkülönböztetésére gyomor rákos betegek a nem-rákos ellenőrzéseket. Három a peptidek megfelelt apoC-I és apoC-III. Mi validált a MALDI-alapú eredményeket független analitikai módszereket, amelyek alapján az immunoassay [26]. A peptid aláírás tartalmazza apoC-III és apoC-I-eredetű funkciókat. Az eredmények független számszerűsítése a szérumszintek követte a trendet által azonosított MS megközelítés.

tanulmány az első jelenteni, hogy a szérum apoC-I és apoC-III lehet használni, mint potenciális biomarkerek gyomor rák. Igaz, hogy a legutóbbi vizsgálatok jelezték, hogy lipoprotein "szintjét a vérben lehet potenciális biomarkerek különböző rákos megbetegedések. ApoC-I azonosították egy potenciális szérum biomarker a colorectalis rák, hormon-refrakter prosztatarákban, és a máj fibrózis [27] - [29]. Más jelentések jelezték, hogy apoC-III is lehet egy potenciális biomarker hasnyálmirigyrák és emlőrák [30], [31]. Azonban mindezen jelentések alkalmazott MALDI-alapú szűrés, és nem ellenőrzi az eredményeket immun-alapú vagy más vizsgálatokkal. És nem is tanulni sera más forrásból, mint egy érvényesítési csoport. Katalógusa

Eredményeink tovább kell fordított és validált leírt [32], [33]. Mégis, a klinikai validálása apoC-I és apoC-III eredményezi kér bennünket, hogy tovább vizsgálja egy diagnosztikai vizsgálat alapján szérum biomarkert lehetne vizsgáltuk a klinikán szükségessége nélkül MS technológia. Meghatározott szabályok felhasználásával apoB-100-normalizált C-I és a C-III, CA19-9 és CRP mennyiségi szérumszinteket keletkezett a RNTech forrás és érvényesített a független Asterand forrás volt predikciós pontosság 88,4% és 74,4% volt. Ezért ezeknek a használata 4 klinikai részben legyőzi a forrás elfogultság.

• PLoS One: számszerűsítése kitináz mRNS szintek a humán és egér szövetek Real-Time PCR: fajspecifikus kifejezése savas emlős kitináz gyomor Tissues
• PLoS One: molekuláris genetikai vizsgálat a gyomortartalom feltárja Wild Tőkehal Etetés Piscine Reovírus (PRV) fertőzött atlanti lazac egy kereskedelmi Fish Farm