【技术实现步骤摘要】
本专利技术涉及生物医学，具体涉及一种诊断代谢综合征的蛋白标志物及其应用和风险评估模型。
技术介绍
1、代谢综合征（metabolic syndrome, mets）是多种代谢成分异常聚集的病理状态。中华医学会糖尿病学分会将以下4项符合3项或全部符合者作为mets的诊断标准：①超重和（或）肥胖，bmi≥25.0kg/m2；②高血糖和（或）已确诊糖尿病并治疗者，fpg≥6.1mmol/l和（或）2hpg≥7.8mmol/l；③高血压和（或）已确诊高血压并治疗者，sbp/dbp≥140/90mmhg；④血脂紊乱，空腹血tg≥1.7mmol/l，和（或）空腹血男性hdl-c＜0.9mmol/l、女性＜1.0mmol/l。mets导致心血管疾病、ⅱ型糖尿病等慢性代谢疾病的风险增加，而这些代谢疾病是世界范围内导致死亡的主要原因。但传统mets的诊断主要通过临床体格检查和生化检查评估，无法实现早期敏感筛检和精准诊断。
2、早期诊断mets是预防慢性非传染性疾病发生的重要举措。
技术实现思路
1、本专利技术基于蛋白质在代谢综合征人群发生、发展中的作用，研究与代谢综合征发生发展相关的蛋白标志物，从而为代谢综合征的早期诊断提供新的手段。
2、一方面，本专利技术提供了用于诊断代谢综合征的蛋白标志物，蛋白标志物为ubqln1、sez6l2和pkhd1的组合。
3、其中，与健康对照相比，ubqln1和sez6l2在代谢综合征患者中的表达水平下调，pkhd1在代谢综合征患者
4、其中，蛋白质组学作为一种新兴的诊断工具，为mets的早期诊断提供了新的可能性。蛋白质组学是指研究基因组中表达的所有蛋白质及其特征，主要包括蛋白质结构、蛋白质丰度、蛋白质相互作用等。机器学习可被应用在处理蛋白质组质谱数据、筛选蛋白生物标志物、预测蛋白互作等多种蛋白质组学研究中。机器学习算法通过深度分析蛋白质组数据，能够准确识别与特定疾病或其亚型相关的生物标志物，通过建立模型帮助科学家确定哪些蛋白质或蛋白质组合在特定疾病的诊断和预测中具有高度相关性。现有技术中，采用机器学习算法可以快速地得到蛋白标志物。蛋白质组学结合机器学习帮助研究人员寻找更准确、高效的蛋白标志物，建立诊断模型为及时发现和管理mets提供新思路和新方法。
5、其中，蛋白的来源为尿液，具体为空腹尿液（可以按空腹血糖的要求），更具体地，为空腹中段尿液。尿液是一种可提供有用信息的无创诊断工具，易于在门诊和医院中开展。
6、尿液样本的处理方法为：
7、在4℃条件下，2000g离心10min；吸取上清液2ml分装于已编好的2ml无菌离心管中，将分装的尿液样本迅速冻入-20℃冰箱保存。
8、向无菌离心管中加入裂解液使其终浓度为1% sdc/100mm tris-hcl，充分混匀后采用bca法测定蛋白浓度；取等量蛋白，使用1% sdc/100mm tris-hcl溶液来将所有样品补齐至相同体积。
9、加入tcep、caa后，在60℃下孵育30min，以完成还原和烷基化。
10、加入等体积ddh2o，将sdc浓度稀释至0.5%以下，按照酶与蛋白1：50的质量比加入胰蛋白酶，在37℃下孵育振荡过夜进行酶切。
11、第二天加入tfa终止酶切反应，12000g离心样品，取上清并以自制的sdb脱盐柱进行脱盐，真空抽干后-20℃冻存。
12、其中，在蛋白标志物筛选的数据库检索工序中：ms1和ms2质量容差设定为15ppm；fdr设置为1%；在蛋白标志物筛选的数据清洗、过滤、转化和填充工序中：过滤样本缺失比例大于80%或两组中缺失比例均超过50%的蛋白，并进行对数转化；创建了一个下移1.8个标准差、宽度为0.25个标准差的新分布；在蛋白标志物筛选的差异表达分析工序中：筛选标准为|log2fc|≥0.58，p＜0.05。
13、另一方面，本专利技术公开了前述蛋白标志物在代谢综合征诊断试剂盒中的应用。
14、其中，该试剂盒包括能检测ubqln1、sez6l2和pkhd1表达水平的检测试剂。其中，检测试剂包括通过免疫印迹、酶联免疫吸附试验、质谱法、放射免疫分析、放射免疫扩散法、免疫电泳、组织免疫染色、免疫沉淀分析法、补体固定分析法、荧光激活细胞分选、质量分析或蛋白质微阵列的方法等进行检测蛋白水平的试剂。具体地，检测试剂为特异性结合ubqln1、sez6l2和pkhd1编码的蛋白的结合剂。更具体地，蛋白的结合剂包括肽、肽模拟物、aptamer、spiegelmer、darpin、锚蛋白重复蛋白、kunitz型域、抗体、单域抗体和/或单价抗体片段等。
15、又一方面，本专利技术公开了代谢综合征风险的评估模型，该风险评估模型以蛋白标志物ubqln1、sez6l2和pkhd1的表达水平为变量，使用列线图对模型结果进行可视化，每个蛋白标志物对应相应的分值，每个蛋白标志物在不同取值下所对应的单项分数加和之后得到总得分，然后对应到代谢综合征事件的概率。
16、具体地，在列线图中，ubqln1的分值范围为12.5-7.5，对应分值标尺中的0-31；sez6l2的分值范围为12.4-9.8，对应分值标尺中的0-100；pkhd1的分值范围为8-16，对应分值标尺中的0-45；代谢综合征人群发生概率取值0.01、0.1、0.3、0.5、0.7和0.9分别对应总分值标尺中的48、66、76、82、88和98。
17、本专利技术通过检测ubqln1、sez6l2和pkhd1的表达水平，可以实现代谢综合征的早期诊断，提高检测能力和效率，积极采取干预措施，不仅可以延缓代谢综合征的进展，降低糖尿病和心血管疾病等并发症发病风险。另外，采用尿液进行无创检测，更方便，更容易推广。
本文档来自技高网...【技术保护点】
1.诊断代谢综合征的蛋白标志物，其特征在于，所述蛋白标志物为UBQLN1、SEZ6L2和PKHD1的组合。
2.根据权利要求1所述的蛋白标志物，其特征在于，与健康对照相比，UBQLN1和SEZ6L2在代谢综合征患者中的表达水平下调，PKHD1在代谢综合征患者中的表达水平上调。
3.根据权利要求1所述的蛋白标志物，其特征在于，蛋白的来源为尿液。
4.根据权利要求1所述的蛋白标志物，其特征在于，蛋白的来源为空腹尿液。
5.根据权利要求1所述的蛋白标志物，其特征在于，尿液样本的处理方法为：
6.根据权利要求1所述的蛋白标志物，其特征在于，
7.如权利要求1所述的蛋白标志物在代谢综合征诊断试剂盒中的应用。
8.根据权利要求7所述的应用，其特征在于，该诊断试剂盒包括能检测UBQLN1、SEZ6L2和PKHD1表达水平的检测试剂。
9.代谢综合征风险的评估模型，其特征在于，该风险评估模型以权利要求1所述的蛋白标志物的表达水平为变量，使用列线图对模型结果进行可视化，每个蛋白标志物在不同取值下所对应的
10.根据权利要求9所述的评估模型，其特征在于，在列线图中，UBQLN1的分值范围为12.5-7.5，对应分值标尺中的0-31；SEZ6L2的分值范围为12.4-9.8，对应分值标尺中的0-100；PKHD1的分值范围为8-16，对应分值标尺中的0-45；代谢综合征人群发生概率取值0.01、0.1、0.3、0.5、0.7和0.9分别对应总分值标尺中的48、66、76、82、88和98。
...【技术特征摘要】
1.诊断代谢综合征的蛋白标志物，其特征在于，所述蛋白标志物为ubqln1、sez6l2和pkhd1的组合。
2.根据权利要求1所述的蛋白标志物，其特征在于，与健康对照相比，ubqln1和sez6l2在代谢综合征患者中的表达水平下调，pkhd1在代谢综合征患者中的表达水平上调。
3.根据权利要求1所述的蛋白标志物，其特征在于，蛋白的来源为尿液。
4.根据权利要求1所述的蛋白标志物，其特征在于，蛋白的来源为空腹尿液。
5.根据权利要求1所述的蛋白标志物，其特征在于，尿液样本的处理方法为：
6.根据权利要求1所述的蛋白标志物，其特征在于，
7.如权利要求1所述的蛋白标志物在代谢综合征诊断试剂盒中的应用。
8.根据权利要求7所述的应用，其特征在于，该诊...
【专利技术属性】
技术研发人员：黄莺，张君丽，鲁润，汪小芳，刘江奎，王斯芮，
申请(专利权)人：慈铭健康体检管理集团武汉有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。