噪声性听力损失易感者血清蛋白指纹图谱的研究

目的通过比较坑道噪声性听力损失易感人群和非易感人群血清蛋白指纹图谱的差异，寻找显著性表达的差异蛋白，为筛选更适合从事特殊兵种作业的官兵提供参考。方法根据噪声性听力损失易感人群分布情况，选择每个兵种高度易感组20人为模型建立组，非易感组18人为对照组，共38人，收集其血清样本。应用磁珠联合基质辅助激光解吸电离飞行时间质谱（matrix-assisted laser desorption／ionization time of flight mass spectrometry，MALDI—TOF—Ms）对两组样本进行差异蛋白研究，筛选出显著性差异的血清蛋白，并应用遗传算法建立诊断模型。结果噪声性听力损失易感人群组与对照组之间共检测出55个差异血清多肽峰，其中有统计学意义的差异峰仅有2个，分子量分别为1083．57Da和1061．68Da（P〈0．05）。以这两个差异蛋白建立数据模型，结果提示该模型诊断敏感度为54．24％，特异度为91．67％。结论噪声性听力损失易感人群组与对照组之间存在差异显著的血清蛋白，应用遗传算法建立血清差异蛋白的诊断模型，可为筛选更适合从事特殊兵种作业的官兵提供参考。

食管癌术后患者化疗后血清蛋白指纹图谱变化及其意义

目的探讨食管癌术后患者化疗后血清蛋白指纹图谱变化及其意义。方法收集18例食管癌术后1周患者血清,15例化疗后患者血清(同期手术后),20例健康志愿者血清,采用WCX磁珠对血清进行分析前处理,MALDITOF MS技术进行血清蛋白谱检测,应用人工神经网络(SNN)算法建立食管癌术后、化疗后的诊断模型,将53例样本随机划分,80%作为训练组,20%作为盲法组,验证诊断模型的特异度和灵敏度。结果食管癌术后组、化疗后组患者血清蛋白与健康志愿者血清蛋白,经过对比数据分析,筛选出差异最显著的2个蛋白质荷比峰建立诊断模型,其中食管癌术后组(m/z 676.61)、化疗后组(m/z 676.46),上述诊断模型的特异度100%和灵敏度100%。比较术后组与化疗后组血清蛋白建立诊断模型,化疗后组(m/z 3951.77,2661.11,823.61,824.08,5907.51,6670.7,4266.81,810.47,4965.26,1519.3,849.63,1466.09,1617.58,1467.16,759.8),分组正确率为100%。结论 WCX磁珠和MALDI-TOF MS技术能够检测蛋白指纹图谱,建立食管癌手术后、化疗后的诊断模型,模型具有较高的灵敏度和特异度。筛选到诊断和判断化疗有意义的蛋白峰。化疗导致了血清蛋白变化,其发生机制不清楚,有待于进一步研究。

卵巢癌患者血清蛋白指纹图谱检测及其临床意义

目的 运用SELDI-TOF-MS技术（表面增强激光解吸电离飞行时间质谱技术）检测卵巢癌患者、良性卵巢囊肿和正常健康妇女的血清蛋白质指纹图谱，初步探讨筛选出的肿瘤标志物建立的诊断模型在卵巢癌诊断中的临床意义。方法 用SELDI-TOF-MS技术及WCX2芯片检测55例卵巢癌患者和60例对照纽的血清蛋白指纹图谱，并运用SPSS10.0软件判别分析处理数据和筛选标志物，以建立诊断模型。结果 6个蛋白质峰（11500、11650、11800、15800、16000、16250m／z）组合构建的诊断模型1鉴别卵巢癌和对照组的敏感性为94、5％（52／55），特异性为93．3％（56160）。6个蛋白质峰（11590、11700、12000、14800、15500、15900m／z）组合构建的诊断模型Ⅱ鉴别Ⅰ期卵巢癌和对照组的敏感性为82．45％（14／17），特异性为90．0％（54／60）。5个蛋白质峰（11600、11750、16100、16150、16200m／z）组合构建的诊断模型Ⅲ鉴别Ⅰ期卵巢癌患者和Ⅱ～Ⅳ期卵巢癌患者的敏感性为92．1％（35／38），特异性为94．1％（16／17）。结论 SELDI-TOF-MS技术是一种快速、准确、高通量、高灵敏度的蛋白质分析方法，能够直接检测出卵巢癌患者血清中相对特异的肿瘤标志物，其对于卵巢癌的早期诊断具有一定的临床意义。

类风湿关节炎患者血清蛋白质指纹图谱检测及其临床意义

目的初步探讨基于判别分析建立的血清蛋白质指纹图谱模型在类风湿关节炎(RA)诊断中的临床意义。方法用表面增强激光解吸电离飞行时间质谱技术及配套蛋白质芯片检测60例RA患者和31例健康人的血清蛋白质指纹图谱,并采用SPSS12.0软件判别分析处理数据和筛选标志物,以建立诊断模型。结果质荷比(m/z)为3 975 Da,6 433 Da和15 129 Da的3个蛋白质峰组合构建的诊断模型鉴别RA患者和健康人的敏感性为80.0%(48/60),特异性为80.6%(25/31)。结论血清蛋白质指纹图谱在筛选RA患者血清中特异性蛋白标志物及其诊断方面具有一定价值。

新疆维吾尔族、汉族甲状腺癌患者血清蛋白质指纹图谱分析

目的：检测并对比维吾尔族甲状腺癌与甲状腺良性结节患者、维吾尔族甲状腺癌与汉族甲状腺癌患者血清蛋白质指纹图谱，筛选不同种族特异的甲状腺癌蛋白质标记物。方法运用二维聚丙烯酰胺凝胶电泳（2D-PAGE）技术，构建维吾尔族、汉族甲状腺癌与维吾尔族甲状腺良性结节的蛋白表达谱，通过图像分析软件交叉比较两组样本，运用液相色谱-质谱/质谱联用（ LC-MS/MS）技术对差异蛋白进行鉴定，并在Swissport数据库中搜索蛋白名称、细胞定位及功能分类。结果维吾尔族甲状腺良性结节与甲状腺癌患者血清对比有11种蛋白质差异表达，其中补体C3、C4b在维吾尔族甲状腺良性结节患者血清中下调表达，血红素结合蛋白等9种蛋白质上调表达。维吾尔、汉族甲状腺癌患者血清对比有7种蛋白质差异表达，其中转铁蛋白在维吾尔族甲状腺癌患者血清中上调表达，细胞角蛋白-1等6种蛋白质下调表达。结论血红素结合蛋白、α2-巨球蛋白、转铁蛋白等多种标记蛋白联合筛检可为维吾尔、汉族甲状腺癌的诊断提供依据。

Applied research on serum protein fingerprints for prediction of Qi deficiency syndrome and phlegm and blood stasis in patients with non-small cell lung cancer

OBJECTIVE:This study screened serum tumor biomarkers by surface enhanced laser desorption/ionization time-of-flight mass spectrometry(SELDI-TOF-MS) to establish a subset which could be used for the prediction of Qi deficiency syndrome and phlegm and blood stasis in patients with non-small cell lung cancer;and as diagnostic model of Chinese medicine.METHODS:Serum samples from 63 lung cancer patients with Qi deficiency syndrome and phlegm and blood stasis,and 28 lung cancer patients with non-Qi deficiency syndrome and phlegm and blood stasis were analyzed using SELDI-TOF-MS with a PBS II-C protein chip reader.Protein profiles were generated using immobilized metal affinity capture(IMAC3) protein chips.Differentially-expressed proteins were screened.Protein peak clustering and classification analyses were performed using Biomarker Wizard and Biomarker Pattern software packages,respectively.RESULTS:A total of 268 effective protein peaks were detected in the 1,000-10,000 Da molecular range for the 15 serum proteins screened(P<0.05).The decision tree model was M 2284.97,with a sensitivity of 96.2% and a specificity of 66.7%.CONCLUSION:SELDI-TOF-MS techniques,combined with a decision tree model,can help identify serum proteomic biomarkers related to Qi deficiency syndrome and phlegm and blood stasis in lung cancer patients;and the predictive model can be used to discriminate between Chinese medicine diagnostic models of disease.