临床大队列蛋白质组学整体8846威尼斯的解决方案助力精准诊疗 -8846威尼斯

简介

 

 

在精准医学和大数据时代、人工智能的大背景下，高通量大队列样本组学（omics）研究在生命科学研究以及在临床病理研究、临床诊疗领域得到广泛应用。蛋白质作为生命活动和功能的直接执行者，在研究生理、病理机制以及临床诊断、预后评估、治疗靶点以及药物靶点研究中扮演着重要角色。蛋白质组学大队列样本在临床诊疗、疾病机制研究中的应用受到科学家的广泛关注。

       然而，制约大队列样本蛋白质组学技术的两大因素极大地限制了其应用，一是针对大样本质谱检测的机时问题以及由此带来的批次效应（质谱长时间运行导致其性能下降，样品间的仪器误差增大），二是对复杂的大样本数据的深度挖掘。金开瑞针对这两个问题专门开发了包含、大数据深度挖掘和标志物深度验证三大模块的临床大队列样本蛋白质组学整体8846威尼斯的解决方案，为科研工作者提供专业、全方位的技术服务。

方案流程

 

 

通过高通量、大规模蛋白质组学技术及生物信息学、统计学等手段，可以筛选到部分候选蛋白标志物，其表达量往往在疾病/正常样本中具有明显的差异。但是，仅仅通过蛋白质组学手段不足以确定，还需要进行进一步验证和确证[1]（下图）。金开瑞拥有成熟的、实验平台、免疫组织化学平台和制备平台，为您提供完整的标志物各阶段验证实验。

标志物筛选的四个步骤

技术优势

 

 

微流控液相色谱-质谱（microflow-lc ms/ms）系统由于其大流速、粗管路的特点，具有耐脏、高稳定性、短梯度等优势，在处理大队列样本过程，可大大降低质谱数据采集过程的偏差，提升队列数据的整体质量。具体表现为如下优势：

定量结果表现出良好的一致性（20例人血浆样本）

microflow-swath结果表现出良好的相关性（20例血浆样本）

在精准医学和大数据时代、人工智能的大背景下，大队列样本的数据分析成为科学家关注的重点，也是难点。通过调阅相关cns文献报道，结合蛋白质组学数据本身特点，我们开发了一套专门针对临床疾病（尤其是肿瘤）的大队列数据分析方案，充分挖掘大数据中隐藏的信息，为临床诊断、治疗及疾病机制研究提供可靠的证据。

三大维度数据质量控制，确保数据的高质量

共识聚类的凭据共识矩阵和轮廓距离确定最佳分类数

蛋白质组和转录组表达水平相关性分析

cnv和蛋白质/mrna表达水平相关性分析

标志物筛选的基本流程

蛋白质标志物的鉴定往往需要经过四个阶段：a) 发现阶段，通过大队列样本蛋白质组学的discovery 策略，结合数据的深度挖掘，最终选定上百种候选标志物蛋白进行进一步验证；b) 差异表达验证，经过此阶段，一般最终筛选到几十种蛋白符合预期；c) 概念阶段验证，进而实现临床疾病诊断、治疗的医学转化。金开瑞可提供多种蛋白质定性、定量验证手段。

prm验证的基本原理

western blot验证的基本原理

immunochemistry验证的基本原理

sandwich elisa验证的基本原理

参考文献

 

 

1. del campo, m., et al., facilitating the validation of novel protein biomarkers for dementia: an optimal workflow for the development of sandwich immunoassays. front neurol, 2015. 6: p. 202.

2. broccardo, c.j., et al., multiplexed analysis of steroid hormones in human serum using novel microflow tile technology and lc-ms/ms. j chromatogr b analyt technol biomed life sci, 2013. 934: p. 16-21.

3. sun, r., et al., accelerated protein biomarker discovery from ffpe tissue samples using single-shot, short gradient microflow swath ms. j proteome res, 2020. 19(7): p. 2732-2741.

4. needham, s.r., microspray and microflow liquid chromatography: the way forward for lc-ms bioanalysis. bioanalysis, 2017. 9(24): p. 1935-1937.

5. distler, u., et al., enhancing sensitivity of microflow-based bottom-up proteomics through postcolumn solvent addition. anal chem, 2019. 91(12): p. 7510-7515.

6. gillette, m.a., et al., proteogenomic characterization reveals therapeutic vulnerabilities in lung adenocarcinoma. cell, 2020. 182(1): p. 200-225 e35.

7. xu, j.y., et al., integrative proteomic characterization of human lung adenocarcinoma. cell, 2020. 182(1): p. 245-261 e17.

8. gao, q., et al., integrated proteogenomic characterization of hbv-related hepatocellular carcinoma. cell, 2019. 179(5): p. 1240.

9. ge, s., et al., author correction: a proteomic landscape of diffuse-type gastric cancer. nat commun, 2018. 9(1): p. 1850.