肽组学样品前处理方法与技术进展

肽组学作为蛋白质组学研究领域的一个重要分支,在生物标志物发现、疾病早期诊断、生物制药等领域有着广阔的应用前景。在肽组学研究过程中,样品前处理是首要环节。本文对肽组学样品前处理方法与技术进行了综述,内容涉及超滤技术、有机溶剂沉淀方法、固相萃取技术等。样品中大量高丰度蛋白质的存在是肽组学发展面临的最大挑战,因此迫切需要发展快速、有效、高通量、自动化的样品前处理方法和技术。

基于宫颈上皮与血管特征的阴道镜图像深度学习模型探索

目的通过识别阴道镜图像中的上皮与血管特征,探讨深度学习的目标检测技术在宫颈癌前病变定位及分类中的可行性。方法收集2018年3月至2019年7月复旦大学附属妇产科医院病理诊断为宫颈低级别(5708例)、高级别(2206例)癌前病变和宫颈癌(514例)患者的28975张阴道镜图像。依照国际宫颈病理与阴道镜联盟及美国阴道镜与病理协会阴道镜标准化术语,基于16类宫颈上皮与血管征象,对图像进行像素级标注后得到有效标签39858个。为降低细粒度标注可能存在的误差,进一步将标签归并为低级别、高级别和癌三大类。采用经过二次迁移学习的ResNet101预训练网络作为特征提取器,分别构建基于Faster-RCNN网络结构的高级别病变目标检测和低、高、癌三类目标检测模型。结果基于ImageNet预训练的ResNet101模型,通过宫颈转化区分类的开源阴道镜数据进行第一次迁移学习,再以自有数据的病变分类为目标进行第二次迁移学习得到特征提取器。所构建的高级别和三类病变定位检测模型在测试集上的识别精度均值mAP@IOU=0.5分别为0.82和0.67。结论利用国内最大阴道镜中心的大样本数据,基于上皮与血管特征的精细标注,深度学习模型在宫颈癌前病变检测中取得较好效果。深度学习的目标检测技术在宫颈癌前病变定位及分类中可行,尽管在识别精度上仍有提升空间,但已显示其辅助宫颈癌筛查尤其是指导定位的可行性。