论文部分内容阅读
目的:应用SELDI-TOF-MS (Surface Enhanced Laser Desorption Ionization Time of-flight Mass Spectrometry)技术分析喉癌患者与对照人群的血清蛋白质谱,筛选喉癌患者血清的差异表达蛋白。利用人工神经网络(artificial neural network)建立SELDI蛋白分子诊断模型,以期构建可用于喉癌早期诊断的敏感和特异的新方法。方法:将采集的110份血清样本,包括喉癌31例,对照组79例:声带息肉患者23例;喉癌癌前病变(包括喉白斑、有严重吸烟史的慢性肥厚性喉炎、喉乳头状瘤)11例及健康人45例,利用SELDI-TOF-MS技术及金芯片检测血清蛋白质谱数据。将获得的蛋白质谱图用Ciphergen ProteinChip 3.0软件进行数据的校正和分析,采用Ciphergen Biomarker Wizard 3.1软件筛选喉癌患者与对照组差异蛋白。利用筛选的差异蛋白作为标志物,结合人工神经网络(ANN)技术建立预测模型。通过验证和统计学分析,评价该模型用于喉癌诊断的价值。结果:喉癌组与对照组有79个差异蛋白质(P<0.05),其中差异有显著意义的蛋白质峰(t检验,分子量2000～20000 Da,P<0.01)共24个。其中在喉癌患者组中高表达的蛋白质峰有15个,低表达的蛋白质峰有9个。经过反复训练,筛选其中9个明显差异表达蛋白(质荷比为9258、3153、2776、2114、2424、5927、2650、2872、2537Da)建立的人工神经网络诊断模型可将喉癌患者与对照组准确地分组.当cut-off值为0.25时灵敏度(SEN)为87.1%,特异度(SPE) 84.8%,诊断指数为171.9℅,其中区分喉癌与癌前病变准确率为100℅。结论:SELDI-TOF-MS技术是一种操作简单、方便快捷、样本需要量少、敏感性高、特异性强的高通量的研究蛋白质组学的方法。本研究筛选出的人工神经网络蛋白质分子诊断模型(质荷比为9258、3153、2776、2114、2424、5927、2650、2872、2537 Da)能够较准确的区分喉癌与非喉癌人群,尤其是区分癌前病变与喉癌达到了100℅。SELDI-TOF-MS技术在喉癌的诊断和血清肿瘤特异性蛋白质生物标志物的筛选方面具有一定临床应用价值,值得进一步深人研究。