可量化的类库弥合了基于蛋白质组学的生物标志物发现和对乳腺癌的验证的差距
Sung-Soo Kim1,2, HyeonSeok Shin2, Kyung-Geun Ahn1
1Manufacturing and Technology Division, Bertis Inc., Hungdeok 1-Ro, Giheung-Gu, Yongin-Si, Gyeonggi-Do, 16954, Republic of Korea.
Scientific reports
|June 2, 2023
概括
这项研究介绍了PepQuant库,用于在血液蛋白质学中强大的生物标志物发现. 这种方法成功地识别和验证了九种乳腺癌生物标志物,从而产生了具有高预测精度的机器学习模型.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 生物标志物发现发现
- 临床诊断 临床诊断 临床诊断
背景情况:
- 基于质谱 (MS) 的蛋白质组学对于生物标志物发现至关重要,但由于分析差异,在验证候选人方面面临挑战.
- 方法和实验条件的差异往往导致潜在生物标志物的高消耗率.
- 需要一个强大的方法来弥合生物标志物发现和血液样本中的验证之间的差距.
研究的目的:
- 开发一个类库,使生物标志物在符合验证过程的条件下被发现.
- 提高潜在生物标志物从发现到验证的稳定性和效率.
- 确定和验证用于乳腺癌检测的新型基于血液的生物标志物.
主要方法:
- 一个库 (PepQuant) 用4683个合成来创建,针对3393个人类血液蛋白质.
- 在10分钟的MS/MS液色谱运行内,评估了血清和血中的量化能力.
- 该图书馆被用来发现乳腺癌候选生物标志物,随后对被选中的候选物进行验证.
主要成果:
- 佩普量子图书馆包括852个可量化的,覆盖452个人类血液蛋白质.
- 使用PepQuant图书馆发现了30种乳腺癌候选生物标志物.
- 确定了九种经过验证的生物标志物 (FN1,VWF,PRG4,MMP9,CLU,PRDX6,PPBP,APOC1,CHL1).这些生物标志物包括:
- 使用这些标记器的机器学习模型实现了乳腺癌预测曲线下的平均面积为0.9105.
结论:
- 佩普昆特 (PepQuant) 类图书馆有助于在血液蛋白质组学中更可靠地发现和验证生物标志物.
- 经过验证的生物标志物显示出准确检测乳腺癌的潜力.
- 整合这些生物标志物的机器学习模型为非侵入性乳腺癌诊断提供了一个有希望的方法.
