【技术实现步骤摘要】
本专利技术涉及分子检测领域，尤其涉及一种基于血清代谢指纹谱图的烟雾病差异代谢物生物标志物组合的筛选方法及标志物组合。
技术介绍
1、烟雾病(mmd)是一种慢性进行性脑血管疾病，其特征是willis环入口处的颈内动脉双侧闭塞或狭窄。该疾病主要表现为颅内缺血和出血。
2、数字减影血管造影(dsa)仍然是烟雾病的黄金诊断标准，但其是侵入性的且部分患者对造影剂过敏；磁共振成像/血管造影(mri/mra)也越来越多地被用于识别该疾病，但其耗时且空间分辨率较低，并且这两种方法都是昂贵的，同时需要经验丰富的专家对图像进行注释，因此不适合烟雾病的普遍诊断。对烟雾病进行及时的检测诊断和手术干预不仅可以降低长期中风风险，而且可以逆转低灌注并减轻脑微结构损伤。因此，迫切需要构建一种简单有效的检测方法，实现烟雾病的及时诊断，这种高效的检测方法将会对烟雾病患者产生重要意义。
3、在检测方法设计中，生物标志物和检测方法的选择是决定诊断性能的两个主要方面。对于生物标志物选择，生物体液中的基因组/蛋白质组/代谢水平的分子生物标志物是识别与病理过程相关的生物系统改变的有效指标，并且生物体液的获取具有最小的侵入性。对于烟雾病等脑部疾病的检测，血液检测因其非侵入性、便利性和广泛的适用性而表现出卓越的安全性、简单性和成本效益。基因组和蛋白质组生物标志物位于代谢通路的上游，通常能够反映的是生物系统的间接信息。相比之下，代谢生物标志物作为通路的终产物，可以直接表征疾病表型和进展。同时，由于小分子代谢物能够穿过血脑屏障，可以更加及时的反映脑部疾病的状
4、在检测方法中，质谱是选择代谢生物标志物的基本工具。与传统的光谱法(例如，核磁共振、nmr)和生化方法不同，质谱可检测分子的精确质荷比，具有高分辨率(ppm)的优势。迄今为止，大多数使用气相色谱/液相色谱(gc/lc)对生物样品进行检测的方法，都需要对代谢物进行富集和纯化的处理程序，以解决分子丰度和样品复杂性问题。然而，激光解吸/电离(ldi ms)依赖于芯片表面的纳米结构来选择性识别代谢物，能够实现高性能的检测，获得代谢指纹图谱。目前，基于ldi ms的代谢指纹图谱已涵盖多种疾病(中风、脑动脉瘤、乳腺癌、胃癌等)。然而，目前还没有关于烟雾病血清代谢指纹图谱的报道，因此，烟雾病血清代谢指纹图谱的开发将提供基于生物代谢物的高性能烟雾病的诊断方法，推动烟雾病血清代谢分析的发展，并为未来烟雾病的无创血液检测奠定了基础。
5、因此，本领域的技术人员致力于开发一种能够快速、准确、便捷、成本较低地诊断烟雾病的生物代谢标志物组合。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是提供一种能够快速、准确、便捷、成本较低地预测烟雾病的生物代谢标志物组合的筛选方法。
2、为实现上述目的，本专利技术提供了一种基于血清代谢指纹谱图的烟雾病差异代谢物生物标志物组合的筛选方法，其特征在于，所述方法包括以下步骤：
3、步骤1、使用纳米颗粒增强激光解吸电离飞行时间质谱技术，进行血清代谢指纹谱图成像；
4、步骤2、对烟雾病病人和健康对照组血清样本代谢指纹谱图进行预处理，得到质核比即m/z信号，并进行机器学习，得到模型；
5、步骤3、使用步骤2中得到的模型构建烟雾病差异代谢物组合。
6、在本专利技术的较佳实施方式中，所述步骤1包括：
7、步骤1.1、仪器与试剂的准备：基质辅助激光解吸电离飞行时间质谱，血清样本，去离子水，基质；
8、步骤1.2、将血清样本用去离子水稀释10倍；
9、步骤1.3、配制基质溶液；
10、步骤1.4、在质谱靶板上进行样品制备，每个稀释后的血清样本点样1μl，室温下干燥；
11、步骤1.5、在质谱靶板上进行基质制备，每个基质溶液点样1μl，室温下干燥；
12、步骤1.6、在基质辅助激光解吸电离傅里叶变换离子回旋共振质谱仪中进行血清代谢指纹采集；
13、步骤1.7、得到血清代谢指纹谱图。
14、在本专利技术的另一较佳实施方式中，所述步骤1.1中的基质为无机纳米颗粒，所述步骤1.3具体为将无机纳米颗粒用去离子水配成1mg/ml的基质溶液。
15、在本专利技术的另一较佳实施方式中，所述步骤2包括：
16、步骤2.1、仪器与试剂的准备：python(3.9.0)，orange(3.25.0)；
17、步骤2.2、通过步骤1，对大量血清样本进行代谢指纹谱图成像；
18、步骤2.3、在python上对所有样本的血清代谢指纹进行预处理，得到m/z信号；
19、步骤2.4、将所有血清样本划分成训练集和测试集；
20、步骤2.5、在python和orange上使用算法在训练集进行训练，得到模型在训练集上的预测性能，并使用测试集进行验证模型性能。
21、在本专利技术的另一较佳实施方式中，所述血清样本包括烟雾病血清样本和健康对照血清样本，所述训练集和测试集分别包括烟雾病血清样本数据和健康对照血清样本数据。
22、在本专利技术的另一较佳实施方式中，所述步骤2.3中的预处理包括谱线平滑、基线校正和谱峰联配。
23、在本专利技术的另一较佳实施方式中，所述算法包括神经网络算法，k近邻算法，自适应提升算法，岭回归算法和朴素贝叶斯算法中的一种。
24、在本专利技术的另一较佳实施方式中，所述步骤3包括：
25、步骤3.1、仪器与试剂的准备：python(3.9.0)，spss(24.0)；
26、步骤3.2、通过spss对所述步骤2中得到的m/z信号在烟雾病病人和健康对照样本存在的强度进行t检验，筛选得到存在差异性的信号；
27、步骤3.3、通过spss对所述步骤2中得到的m/z信号在烟雾病病人和健康对照样本存在的强度进行倍数变化统计，筛选得到存在差异性的信号；
28、步骤3.4、通过python使用全局解释性算法对所述步骤2中得到的m/z信号在所述步骤2中得到的模型中的贡献度进行排序，得到前20％的信号；
29、步骤3.5、对步骤3.2、3.3、3.4中得到的信号进行交集，得到潜在代谢生物标志物；
30、步骤3.6：使用新采集的血清样本数据对步骤3.5中的潜在代谢生物标志物进行性能验证，确定代谢生物标志物组合。
31、在本专利技术的另一较佳实施方式中，所述步骤3.2中的存在差异性的信号具体为p＜0.05，所述步骤3.3中的存在差异性的信号具体为|本文档来自技高网...
【技术保护点】
1.一种基于血清代谢指纹谱图的烟雾病差异代谢物生物标志物组合的筛选方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤1包括：
3.如权利要求2所述的方法，其特征在于，所述步骤1.1中的基质为无机纳米颗粒，所述步骤1.3具体为将无机纳米颗粒用去离子水配成1mg/mL的基质溶液。
4.如权利要求1所述的方法，其特征在于，所述步骤2包括：
5.如权利要求4所述的方法，其特征在于，所述血清样本包括烟雾病血清样本和健康对照血清样本，所述训练集和测试集分别包括烟雾病血清样本数据和健康对照血清样本数据。
6.如权利要求4所述的方法，其特征在于，所述步骤2.3中的预处理包括谱线平滑、基线校正和谱峰联配。
7.如权利要求4所述的方法，其特征在于，所述算法包括神经网络算法，k近邻算法，自适应提升算法，岭回归算法和朴素贝叶斯算法中的一种。
8.如权利要求1所述的方法，其特征在于，所述步骤3包括：
9.如权利要求8所述的方法，其特征在于，所述步骤3.2中的存在差异性的信
10.使用如权利要求1-9中任一项所述的代谢物生物标志物组合的筛选方法筛选的出的代谢物生物标志物组合，其特征在于，所述生物标志物组合包含6个生物标志物，所有生物标志物的质核比即m/z值分别为，145.967,147.975,151.019,166.991,208.062,225.046。
...【技术特征摘要】
1.一种基于血清代谢指纹谱图的烟雾病差异代谢物生物标志物组合的筛选方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述步骤1包括：
3.如权利要求2所述的方法，其特征在于，所述步骤1.1中的基质为无机纳米颗粒，所述步骤1.3具体为将无机纳米颗粒用去离子水配成1mg/ml的基质溶液。
4.如权利要求1所述的方法，其特征在于，所述步骤2包括：
5.如权利要求4所述的方法，其特征在于，所述血清样本包括烟雾病血清样本和健康对照血清样本，所述训练集和测试集分别包括烟雾病血清样本数据和健康对照血清样本数据。
6.如权利要求4所述的方法，其特征在于，所述步骤2.3中的预处理包括谱线平滑、基线校正和谱峰联配。
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。