[發明專利]利用L-EDA篩選卵巢癌體液預后標記物的方法

有效

• 申請號: 201010558383.6
• 申請日: 2010-11-25
• 公開（公告）號: CN102478562A
• 公開（公告）日: 2012-05-30
• 發明（設計）人: 林曉惠;陳靜;張洋;陳世禮;黃強;路鑫;許國旺
• 申請（專利權）人: 中國科學院大連化學物理研究所;大連理工大學
• 主分類號: G01N30/88
• 分類號: G01N30/88
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 馬馳

技術領域

本發明涉及分析化學、醫學、模式識別等領域，是一種結合分析化學方法與模式識別算法對血清進行代謝組輪廓分析，篩選卵巢癌預后小分子代謝物標記物的新方法，具體為利用改進的分布估計算法（L-EDA）從體液代謝輪廓篩選卵巢癌預后標記物的方法。

背景技術

卵巢癌也叫上皮性卵巢惡性腫瘤（EOC）?(文獻1.?Williams?TI,?Toups?KL,?Saggese?DA,?et?al.?J?Proteome?Res,?2007,?6(8):?2936-2962.)，是婦科常見惡性腫瘤之一，死亡率一直居高不下，為“婦科三癌”（卵巢癌，宮頸癌，子宮內膜癌）死亡率首位(文獻2.?Jacobs?IJ,?Menon?U.?Mol?Cell?Proteomics,?2004,?3(4):?355-366.)。因其盆腔位置深，部位隱蔽，難以發現，且癥狀不典型，缺乏早期診斷標志物，待能夠發現和明確診斷時，往往已到了中、晚期。卵巢癌的病因尚不清楚，其發病可能與年齡、生育、血型、精神因素及環境等有關。由于卵巢的胚胎發育，組織解剖及內分泌功能較復雜，它所患的腫瘤可能是良性或惡性。目前常用血清標志物CA125（癌抗原125）對于卵巢上皮性腫瘤有提示作用，但靈敏度不高，尤其是早期診斷的靈敏度只有30%左右（文獻3.?Rosen?DG,?Wang?L,?Atkinson?JN,?et?al.?Gynecol?Oncol,?2005,?99(2):?267-277.）。CA125并非卵巢特異性的標志物，它容易與其他癌癥、盆腔良性腫瘤、婦科炎癥等導致的改變相混淆（文獻4.?An?HJ,?Miyamoto?S,?Lancaster?KS,?et?al.?Profiling?of?glycans?in?serum?for?the?discovery?of?potential?biomarkers?for?ovarian?cancer.?J?Proteome?Res,?2006,?5(7):?1626-1635.），因而造成誤診。為了滿足臨床診斷日益提高的靈敏度和特異性要求，開發新的血清腫瘤標志物勢在必行。

代謝組學（文獻5．Nicholson,?J.?K.;?Lindon,?J.?C.;?Holmes,?E.?Xenobiotica1999,?29,?1181-1189.）是近年發展起來的一種全面考察受刺激或擾動后的生物體中小分子代謝物變化的方法。代謝組學方法尋找疾病標記物可以分為以下幾個部分：對被研究對象代謝物含量的測定即獲取代謝組輪廓；利用化學計量學方法表征測得的代謝組輪廓，并通過一定的篩選手段獲取在組內或組間含量變化有意義的重要化合物。因此建立穩健可靠、識別精確、分類預測準確的標志物篩選方法十分重要，是這一類研究的關鍵。

在以往的研究中，代謝物篩選模型的建立常常采用基于顯著性統計分析的方法，如t檢驗、方差分析（ANOVA）等方法；以及多元統計分析算法，如主成份分析（PCA）、偏最小二乘判別分析（PLS-DA）、正交偏最小二乘判別分析法（OPLS-DA）等。基于顯著性統計分析的方法常常要求假設采集的樣本服從特定分布。由于研究問題的特殊性，樣本集合的容量十分有限（通常只有幾十個樣本），而在少量樣本基礎上對采集的數據做顯著性分析通常不夠可靠。應用PCA對代謝輪廓復雜的數據建模時，由于沒有利用到已知的樣本類別信息、數據存在噪音變量等原因，導致PCA模型對于數據的解釋程度低（PCA模型的R²值較小），往往難以得到令人滿意的結果。對基于偏最小二乘（PLS）的方法，由于建模過程中使用到已知的樣本類別信息，所構建的模型通常能夠清晰的表征各類別數據的代謝輪廓。正是因為在建模過程中使用到了樣本的類別信息，模型可能過度依賴當前的數據和類別之間的關系，導致模型的預測能力不夠理想（Q²較小）、甚至過擬合（over-fitting），在這樣的模型之上篩選潛在的代謝標記物是不可靠的。

在模式識別領域，對于一組數據特征的描述，通常有屬性提取和屬性選擇兩類方法。屬性提取算法通常是構建特定的模型對樣本進行區分，在模型的構建過程中，對各個屬性進行組合，組合后的屬性稱為主成份。之后，在按照屬性在各個主成份中的貢獻篩選出重要的屬性。前面提到的PCA、PLS-DA、OPLS-DA等都屬于屬性提取類算法。而對于屬性選擇類算法來說，屬性或屬性子集被當作一個整體來評估，將評估結果好的屬性或屬性子集作為結果。