利用SELDI-TOF-MS技术建立原发性肺癌人工神经网络早期诊断模型的初步研究

摘要

目的： 应用表面增强激光解析离子化飞行时间质谱（SELDI-TOF-MS）分析原发性肺癌组（以下简称肺癌）和对照组人群（包括健康对照组和肺部良性包块组）血清蛋白指纹图谱的变化，筛选原发性肺癌患者血清的差异表达蛋白。利用人工神经网络建立SELDI蛋白分子诊断模型，构建可用于原发性肺癌早期诊断的新方法，以利于肺癌的早期诊断和治疗，提高肺癌患者的5年生存率。 方法： 将102份血清标本分为肺癌组（54例）、肺部良性包块组（13例）和健康对照组（35例），采用表面增强激光解析离子化飞行时间质谱（SELDI-TOF-MS）及金属蛋白芯片，应用Biomarker Wizard 3．1软件分析质谱数据用于筛选肺癌肿瘤蛋白标志物并建立人工神经网络（Artificial Neural Network）早期诊断模型，并验证及论证模型的诊断效能和临床价值。 结果： 肺癌组与健康对照组有106个差异蛋白质（p<0．01>）其中质荷比为2955、5948等在肺癌患者血清中上调，质荷比为4651、9257等在肺癌患者血清中下调。经过反复训练，筛选其中5个明显差异表达蛋白（质荷比为2955、3284、4651、5948、9257）建立人工神经网络模型Ⅰ，并对训练组验证得到肺癌的诊断灵敏度90．7％，特异度91．4％，阳性预测值94．2％，阴性预测值86．4％（诊断准确度为91％）。肺癌组与肺部良性包块组有4个差异蛋白质（p<0．01>）。筛选这4个差异表达蛋白（质荷比为3371、2908、2831、2756）建立人工神经网络模型Ⅱ，并对训练组验证得到肺癌的诊断灵敏度89．1％，特异度58．3％，阳性预测值90．7％，阴性预测值为53．8％，诊断准确度83．6％。应用SPSS14．0软件绘制肺癌诊断模型的ROC曲线（Receiver Operator Characteristic Curve受试者工作特征曲线），结果表明该诊断模型诊断性较高。 结论： SELDI-TOF-MS技术是一种操作简单，敏感度高、特异性强的研究蛋白组学的方法。本研究筛选出的人工神经网络蛋白质分子诊断模型Ⅰ（质荷比为2955、3284、4651、5948、9257），能够准确的区分肺癌和非肺癌人群。筛选出的人工神经网络蛋白质分子诊断模型Ⅱ（3371、2908、2831、2756），能够较准确的区分肺部肿瘤的良恶性。SELDI-TOF-MS技术在肺癌的诊断和血清肿瘤特异性蛋白质标志物的筛选方面具有重要的临床应用价值，可在临床广泛推广应用。

目录

文摘

英文文摘

论文说明:英汉缩略词对照表

声明

前言

材料和方法

结果

讨论

结论

参考文献

致谢

SELDI蛋白质芯片技术在肺癌早期诊断中的研究进展(综述)