• <td id="8ecy8"><legend id="8ecy8"></legend></td>
  • <small id="8ecy8"><small id="8ecy8"></small></small>
  • 蛋白質組學

    北京青蓮百奧生物科技有限公司

    領跑智慧多組學,助力科研新發現


    服務咨詢熱線

    010-53395839

    蛋白質組學,糖基化蛋白質組學,多組學聯合分析
    您當前的位置 : 首 頁 > 產品中心 > 特殊蛋白質組學
    石蠟包埋組織樣本蛋白質組學

    石蠟包埋組織樣本蛋白質組學

    • 所屬分類:特殊蛋白質組學
    • 瀏覽次數:
    • 發布日期:2021-01-04 13:20:01
    • 產品概述
    • 案例解析

    目前,蛋白質組學研究材料主要是新鮮的組織、體液或體外培養細胞,因為新鮮標本可以大限度保存蛋白質的結構完整性,防止蛋白質降解,從而得到完整的蛋白質表達譜。但新鮮標本的采集和保存需要較高的條件和費用,而可靠的生物標志物的發現需要大量的連貫性的樣本,另外醫學發展的趨勢是對疾病的微創傷性進行早期診斷,以新鮮組織為樣本進行大批量系統性的研究變得越來越困難。因此體液曾一度成為蛋白質組學的研究對象。但生物標志物須準確地反映疾病部位的病理變化,而體內微環境極其復雜且處于動態變化中,病變部位的化學信息很難在體液采集的部位達到質譜儀檢測所需濃度,因此,針對體液的蛋白質組學研究很少發現有特異的生物標志物。體外培養細胞由于生長環境的改變, 不能完全反映細胞在體內的生物狀態,也不是理想的臨床病理學研究材料。當前世界各大醫院及研究機構都有極其豐富的病變組織檔案庫,即甲醛固定及石蠟包埋的組織庫,這些組織具有病史清楚、診斷明確、臨床資料詳盡等優點,并能長期穩定室溫保存,對疾病的回顧性研究(尤其是罕見病例)具有極高的應用價值,已引起蛋白質組學研究人員的注意,并取得了初步的成果。但是,組織在固定和包埋過程中,蛋白質的結構及理化性質會發生改變,因此,在進行后續的檢測之前,需要對蛋白質進行修復。



    甲醛是由37%~40%甲醛10ml和90ml 磷酸鹽緩沖液組成的混合物,甲醛終濃度為3.7%~4.0%。通過對組織進行甲醛固定及石蠟包埋等處理,組織細胞中的蛋白質—核酸和蛋白質一蛋白質之間及其分子內部迅速形成共價交聯。甲醛的這種共價交聯作用,能夠阻止細胞器和生物大分子的移位,從而保存細胞微細的組織病理學形態,而石蠟包埋使組織可切成微米級薄片,使光鏡觀察組織結構成為可能,并使包埋組織長期室溫儲存,但同時使蛋白質的理化性質發生部分改變,如溶解度明顯下降、胰蛋白酶切位點部分丟失、熱穩定性增高、等電點pH值改變等,蛋白質在甲醛中僅20min就可形成二聚體、三聚體甚至多聚體,某些抗原決定 簇位點被掩蓋。因此,要使甲醛固定的組織適用于蛋白質組學的研究,蛋白質的復性是首要解決的問題。


    FFPE樣本的蛋白組學案例解析


    從快速獲得的蛋白質類型中學習甲狀腺結節的蛋白質分類器

    Protein Classifier for Thyroid Nodules Learned from Rapidly Acquired Proteotypes


    研究對象:甲狀腺結節患者和健康供體

    發表單位:西湖大學



    研究背景

    甲狀腺結節,即甲狀腺內部出現包塊。甲狀腺位于頸前方氣管兩側偏下一點的位置,緊貼在氣管上, 所以如果甲狀腺出現包塊,能夠發現包塊可以隨吞咽上下活動。甲狀腺結節,包括良性結節和惡性結節, 良性結節主要以甲狀腺腺瘤或者結節性甲狀腺腫大為主, 而惡性的結節也就是甲狀腺癌。據報道多達30%的甲狀腺結節無法通過細胞病理學準確確診為良性或者惡性。雖然基于核酸檢測可以提高甲狀腺結節病理診斷的準確性,但是仍然不可避免的發生誤診,導致一部分患者進行非必須的甲狀腺切除術。該研究利用DIA定量蛋白質組學對上千個FFPE甲狀腺結微量組織蛋白表達進行了準確分析,結合人工智能,鑒定到可區分甲狀腺良性結節或惡性結節的生物標志物,為甲狀腺結節的患者的診斷和治療帶來曙光。


    研究策略



    結果速遞

    52個DDA文 件 的FFPE組 織DDA建 庫 分 析 共 采 集 到5,190個蛋白質,33,802個肽段。579例發現樣本中共鑒定到3,708蛋白,30,915個肽段。甲狀腺結節根據良惡性程度不同, 包括正常甲狀腺組織( N),多結節性甲狀腺腫(MNG),濾泡性甲狀腺腫腺瘤(FA)、濾泡癌(FTC)和乳頭狀癌(PTC)。研究通過多種算法來可視化不同類型的組織蛋白,研究發現不同組織類型的表達相對隔離,但是同一類型的不同亞型之間相對有較高的重疊,不易區分。

    圖1. 熱圖和UMAP分析圖


    研究團隊進一步使用機器學習中的人工神經網絡技術,即一種“模仿”人腦,由大量的節點(類似人腦中的“神經元”)相互聯接構成的運算模型,對良性與惡性結節的蛋白組數據進行了分析,篩選到包含14個關鍵性蛋白的蛋白標志物組合(表2),能夠對良性與惡性甲狀腺結節進行有效區分。

    表2. 14種關鍵性蛋白


    后續通過兩批樣本進行了驗證分析。結果顯示228例回顧性樣本的表達ROC曲線面積達0.95,精度值達0.91以上,t-SNE圖顯示表明良性結節與惡性結節之間存在明顯的區分;同樣64例前瞻性樣本的表達ROC曲線面積達0.89,精度值達0.87。證明了上述標志物的準確性。

    圖3. ROC曲線及t-SNE分析結果圖


    綜上所述,研究人員隊通過上千列甲狀腺結節組織樣本進行了系統的蛋白質組學分析及驗證,鑒定到包含14個蛋白標志物組合,能夠有效的對甲狀腺結節組織的良惡性進行區分。為臨床甲狀腺結節的治療提供了強有力的理論支持,另外由于人工智能的使用,也為蛋白質組學的分析提供了可借鑒的方法。


    參考文獻

    Protein Classifier for Thyroid Nodules Learned from Rapidly Acquired Proteotypes. MedRxived, 2020.

    上一篇:宏蛋白質組學2021-01-04
    下一篇:半胱氨酸蛋白組學2020-12-16

    最近瀏覽:

    北京青蓮百奧生物科技有限公司

    固話:010-53395839
    郵箱:service@qinglianbio.com
    地址:北京市昌平區北清路生命科學園博雅CC C座1號樓807


    掃一掃,關注我們
    久久加99裸体艺术照_国语精品一区二区三区_亚洲色,图偷,拍自、拍_97超碰色目目