组织芯片技术与人工智能神经网络在大肠肿瘤诊断中的应用

目的：构建组织原位检测指标预测诊断大肠肿瘤的人工智能神经网络（ANN）模型，探讨组织芯片技术与ANN结合应用的可行性。方法：应用组织芯片技术检测ST13等8种组织原位检测指标在大肠肿瘤演进过程各阶段的表达，同时采用ANN构建相应的诊断模型。结果：采用Matlab6．5软件中提供的Kruskal-wal-lis H秩和检验函数，对这8种指标在正常大肠组织、大肠腺瘤和大肠癌组织中的阳性表达差异进行统计学检验，其中ST13、Bcl-2、Survivin和HSFlm RNA的表达，差异有统计学意义，P〈0．01；将8种指标随机组合，分别构建相应的ANN诊断模型，评价其各自的诊断效率，发现ST13、Bcl-2、Survivin与HSFl mRNA组合的ANN-BP模型预测准确率最高，其对正常大肠组织、大肠腺瘤和大肠癌训练集的预测准确率分别高达92.895％、94.163％和92.013％，对该ANN-BP网络诊断模型的盲法测试结果也分别高达85.714％、79.412％和72％。结论：组织芯片技术与ANN相结合，可以大大提高组织原位检测指标对大肠肿瘤的预测诊断效率。     

基于免疫组化和生物信息学的乳腺癌预后预测模型的建立及应用

目的应用生物信息学方法从常用的免疫组化项目中筛选出用于预测乳腺癌预后的最佳项目组合并建立预后预测模型。方法应用支持向量机分析软件对15例预后不良和30例无瘤生存乳腺癌患者的免疫组化检测结果进行分析，筛选预测预后的最佳项目组合并建立模型。结果筛选出由孕激素受体（PR）、p53蛋白、表皮生长因子受体（EGFR）、组织蛋白酶D（Cathepsin D）、增殖细胞核抗原（PCNA）和人表皮生长因子受体2（c-erbB2）共6项组成的最佳预后预测模型，对预后不良组、无瘤生存组的预测准确率分别为80．0％和90．0％，总准确率86．7％。结论利用生物信息学方法对乳腺癌患者的免疫组化检测结果进行综合分析处理有助于判断其预后，值得进一步深入研究。     

建立胃癌高发区胃癌血清蛋白指纹图谱诊断模型的探讨

目的 应用表面加强激光解吸离子化飞行时间质谱(SELDI-TOF-MS)技术分析胃癌血清蛋白质指纹图谱,筛选胃癌特异性血清蛋白组合,建立胃癌诊断模型.方法 利用强阴离子交换芯片(Q10)分别对山东省临朐县胃癌高发区36例胃癌患者和46例浅表性胃炎患者的血清蛋白指纹图谱进行检测,采用ZUCIPDAS蛋白芯片数据分析系统,建立高发区胃癌血清蛋白指纹图谱诊断模型,并利用盲筛法验证模型的正确性.结果 通过对26例胃癌患者及37例浅表性胃炎患者血清蛋白指纹图谱进行检测,筛选出差异具有统计学意义的6个蛋白质峰,质荷比分别为8587、6945、8243、3899、7035和9943,并建立胃癌蛋白指纹图谱诊断模型,该模型诊断胃癌的灵敏度达88.5%,特异度达97.3%.在完成建模后,选择19例患者血清进行盲筛,其中胃癌患者10例,浅表性胃炎患者9例.通过盲筛验证,该模型诊断胃癌的灵敏度为80.0%,特异度为88.9%.结论 初步建立了胃癌高发区胃癌血清蛋白指纹图谱诊断模型,该模型诊断胃癌的灵敏度和特异度均达到80%以上,该方法为胃癌的诊断提供了新的思路.     

基于支持向量机神经母细胞瘤血清蛋白质标记物的检测及临床应用

目的 寻找神经母细胞瘤特异血清蛋白标记物,构建初步诊断模型,并探讨其临床应用价值.方法 收集47例神经母细胞瘤患儿血清标本,30例其它恶性实体肿瘤患儿血清标本以及健康儿童血清标本10例;用ZUCI-Protein Chip Data Analyze System分析软件进行数据处理;经留一法交叉验证,分类器评价模型的预测效果.结果 构建3个模型并筛选出10个蛋白标记物,能够成功区分神经母细胞瘤和健康儿童蛋白质谱的差异,表达模型的敏感性为100%,特异性为100%,区分神经母细胞瘤术前和术后蛋白质潜差异表达模型的敏感性为100%,特异性为100%,区分神经母细胞瘤与其它小儿恶性实体肿瘤血清蛋白质指纹图谱模型的敏感性为88.89%.特异性为100%.结论 用SELDI-TOF-MS及生物信息学技术并结合支持向量机(SVM)初步建立的模型可作为神经母细胞瘤的另一种特异性强、敏感性高的辅助检查手段.     

肾母细胞瘤血清蛋白质标记物检测与分期模型构建研究

目的筛选出肾母细胞瘤患儿特异性血清蛋白质标记物，建立肾母细胞瘤临床分期模型与CT分期进行对照分析，并评价其临床应用价值。方法应用SELDI-TOF-MS技术检测80例血清标本（术前肾母细胞瘤30例，其他恶性肿瘤30例，正常儿童20例），用ZUCI-Protein Chip Data Analyze System分析软件进行数据处理，结合支持向量机（support vector machine，SVM）建立肾母细胞瘤临床分期模型。结果筛选出2个m／z位于4153．9和3257．6的蛋白质标记物，区分肾母细胞瘤Ⅲ和Ⅳ期与肾母细胞瘤Ⅰ和Ⅱ期蛋白质谱差异表达模型的敏感性为100％，特异性为93。8％；区分肾母细胞瘤与正常儿童、腹腔实体肿瘤及肾脏其他恶性肿瘤的特异性是100％，敏感性是100％、80．0％、100％；临床分期模型可以特异性地将各期区分开来，其特异性及敏感性均为100％；通过肾母细胞瘤早期诊断模型中的2个m／z（6984．4，6455．5）血清标记物进行分析得出肾母细胞瘤各期情况如下：Ⅳ期相对于Ⅲ期低表达；Ⅲ期相对于Ⅱ期低表达；Ⅱ期相对于Ⅰ期低表达；Ⅰ期相对于正常儿童低表达；后者相对高表达；临床分期越晚，m／z强度就越低表达。蛋白芯片分期准确性与病理一致，达到100％，在分期定性问题上优于CT（Ⅰ期100％，Ⅱ期85．0％，Ⅲ期85．0％，Ⅳ期75．0％）。结论用SELDI-TOF-MS结合SVM建立的肾母细胞瘤临床分期模型可弥补CT在肾母细胞瘤分期定性问题匕的不足。     

先天性巨结肠血清蛋白质标记物检测

目的检测先天性巨结肠患儿血清蛋白质,筛选特异的蛋白质标记物,构建用于先天性巨结肠早期筛选及诊断的血清蛋白质指纹图谱模型。方法应用表面增强激光解吸离子化飞行时间质谱(surface enbanced laser desorption/inionation-time of flight-mass spectra,SELDI-TOF-MS)技术检测62例血清标本(先天性巨结肠42例,正常对照20例)的蛋白质质谱,并结合生物信息学方法(支持向量机)分析数据。结果筛选出3个m/z位于3221.7、5639.2、6884.2的蛋白质标记物,构建先天性巨结肠早期筛选及诊断模型。经留一法交叉验证,区分先天性巨结肠和正常小儿的血清蛋白质指纹图谱模型的特异性为100%,敏感性为100%。结论SELDI-TOF-MS结合SVM建立先天性巨结肠血清蛋白质指纹图谱模型是早期筛选及诊断先天性巨结肠的一种特异性强、敏感性高的新方法,值得进一步研究和应用。     

血清蛋白质指纹图谱诊断模型在肾癌中的应用

目的 检测肾癌患者血清蛋白质,筛选特异的蛋白质标记物,构建用于肾癌早期诊断的血清蛋白质指纹图谱模型.方法 应用蛋白质芯片CM10及表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)技术测定168例血清标本(其中肾癌53例,肾良性占位性病变47例,健康志愿者68例)的蛋白质质谱,用随机抽取的118例标本(肾癌38例,肾良性占位病变30例,健康志愿者50例)作为训练组,应用支持向量机进行训练和交叉验证,建立肾癌诊断模型;其余50例标本进行盲法验证.结果 利用质荷比分别为5350、4100、3446、5027和6115的5个蛋白峰建立区分肾癌和正常人的诊断模型,其敏感性为94.74%,特异性为92%.盲法验证显示敏感性为93.33%,特异性为88.89%.区分肾癌和肾良性占位病变的诊断模型,敏感性为92.11%,特异性为90%.区分透明细胞癌和其他病理类型的肾癌的诊断模型对透明细胞癌的判别率为92.84%,对其他病理类型的肾癌的判别率为81.82%.结论 表面增强激光解吸电离/飞行时间质谱技术结合支持向量机建立肾癌血清蛋白质指纹图谱模型对诊断肾癌具有较高的敏感性与特异性.     

血清蛋白质指纹图谱诊断模型在早期胰腺癌中的应用研究

[目的]利用表面增强激光解吸电离飞行时间质谱（SELDI-TOF-MS）技术和生物信息学方法筛选胰腺癌的血清肿瘤标志物。[方法]用弱阳离子交换芯片（CM10）结合并用SELDI-TOF-MS检测54例胰腺癌样本（22例早期胰腺癌,32例晚期胰腺癌）。用支持向量机（SVM）方法建立辨别模型。[结果]利用筛选出的5个蛋白峰（m/z6667.68、8572.38、2958.76、6441.59、5913.36Da）用于建立区分早、晚期胰腺癌的SVM模型,模型的灵敏度和特异性分别为90.9%和78.1%。[结论]SELDI-TOF-MS技术结合生物信息学方法可找到辨别早期胰腺癌和晚期胰腺癌的标志物,并建立区分模型。     

激光捕获显微切割联合SELDI蛋白质芯片筛选肺腺癌早期诊断标志蛋白

目的 探讨应用激光显微切割(LCM)联合表面增强激光解吸离子化飞行时间质谱蛋白质芯片(SEL,DI-TOF-MS)及模式识别分类技术-支持向量机(SVM)筛选肺腺癌标志蛋白的可行性.方法 将6例新鲜肺腺癌组织标本及其配对的4例正常肺组织制备8μm厚度冰冻切片,改良HE染色;用LCM技术选择性获取同质腺癌细胞和配对正常肺组织细胞.应用PBSⅡ+型SELDI-TOF-MS分析仪(IMAC芯片)分析腺癌及其配对正常细胞的蛋白质表达谱,比对差异点;应用SVM筛选并验证候选标志蛋白的判别效能.结果 平均每个LCM帽子的激光点数约4000 shots,获得了同质性>95%的肿瘤细胞和正常细胞.比较腺癌和配对正常细胞之间的SELDI谱图,共筛选出84个蛋白峰.将差异最明显的10个蛋白峰作为候选标志蛋白.和正常组织相比,6种蛋白在腺癌中呈低表达,4种蛋白在腺癌中呈高表达.差异有统计学意义(P<0.05).初步筛选出3191 m/z蛋白峰作为腺癌诊断标志蛋白.结论 LCM联合SEIDI蛋白质芯片技术有可能筛选出敏感性高、特异性强的肺腺癌标志蛋白;该技术将为肺腺癌早期诊断研究提供新的强有力的工具.     

胶质瘤脑脊液蛋白质指纹图诊断模型的建立及其在临床诊断中的应用

目的:SELDI-TOF建立和评估区分脑胶质瘤与非脑肿瘤、脑胶质瘤与脑良性肿瘤的脑脊液蛋白指纹图诊断模型.方法:收集脑胶质瘤、脑良性肿瘤和轻度脑外伤患者的脑脊液共75份,其中50份胶质瘤和非脑肿瘤脑脊液标本,随机分为训练组33份(17例胶质瘤,16例非脑肿瘤)和盲法测试组17份(5例胶质瘤,12例非脑肿瘤),检测结合在H4蛋白芯片上的蛋白质,获得脑肿瘤和非脑肿瘤的蛋白表达质谱图,用matlab操作平台的人工神经网络分析收集的数据,建立了区分脑胶质瘤与非脑肿瘤的脑脊液蛋白指纹图诊断模型.脑胶质瘤和脑良性肿瘤47份标本,随机分为训练集31份(13例胶质瘤,18例脑良性肿瘤)和盲法测试集16份(9例胶质瘤,7例脑良性肿瘤),运用同样方法分析收集的数据,建立了区分脑胶质瘤与脑良性肿瘤的蛋白指纹图诊断模型.同时运用支持向量机对上述人工神经网络的结果进行验证,二者结果非常相似.结果:①建立了区分胶质瘤与非脑肿瘤的脑脊液蛋白指纹图诊断模型,盲法测试胶质瘤诊断的敏感性和特异性分别为100%和91.7%.②建立了区分胶质瘤与脑良性肿瘤的脑脊液蛋白指纹图诊断模型,盲法测试胶质瘤诊断的敏感性和特异性分别为88.9%和100%.结论:研究建立的诊断模型为胶质瘤的临床诊断尤其是定性诊断提供了一条崭新的途径.