CN114664429B 一种乳腺良恶性肿瘤的检测方法和应用 （上海爱谱蒂康生物科技有限公司）

ExtracellularVesiclesinCancer.bioRxiv.2021本发明提供了一种乳腺良恶性肿瘤的检测肿瘤检测和/或预测模型，并提供了一种检测良标志物在制备试剂盒和/或芯片中的应用。本发明相对于组织活检术等传统检测方式具有检测21.一种检测如下8种乳腺良性肿瘤/乳腺恶性肿瘤特异性的蛋白标志物的试剂在制备所述检测为检测所述蛋白标志物的表达水平，所述表达水平为转录层面2.根据权利要求1所述的应用，其特征在于，所述蛋白质层面的表达水平通过质谱、Western印迹及ELISA的方法中的一种或多种进行3.根据权利要求1或2所述的应用，其特征腺浸润性癌。3[0001]本发明涉及蛋白质质谱检测和机器学习应用于癌症预测技术领域及临床医学领[0004]本发明的目的在于提供一种乳腺良恶性肿瘤的检测方法和检测乳腺良恶性肿瘤串联质谱，获取乳腺良恶性肿瘤患者的蛋白质表型并建立乳腺良恶性肿瘤的检测和/或预性标志物作为数据集构建乳腺良恶性肿瘤检测和/或预测模型，基于所述模型的输出结果[0007]进一步地，基于乳腺良/恶性肿瘤患者的体液外泌体样本以及健康对照人群的体4[0012]进一步地，如下任意一种或多种乳腺良性/恶性肿瘤的蛋白标志物在制备用于检肿瘤的蛋白标志物在乳腺良性肿瘤患者的外泌体中的表达水平显著高于所述对照以及乳腺恶性肿瘤即乳腺癌患者的外泌体中的表达水平用于检测乳腺良恶性肿瘤：PARK7、肿瘤即乳腺癌的蛋白标志物在乳腺癌患者的外泌体中的表达水平显著高于所述对照以及物在乳腺良恶性肿瘤患者的外泌体中的表达水平显著低于所述对照中的表达水平用于检5种或多种乳腺良/恶性肿瘤特异性的蛋白标志物的试剂：ACTR3、IGHV3-53、IGHV3-33、[0024]进一步地，所述试剂为鉴定所述乳腺良/恶性肿瘤特异性的蛋白标志物的质谱检种或多种乳腺良/恶性肿瘤特异性的蛋白标志物的试剂：ACTR3、IGHV3-53、IGHV3-33、[0027]进一步地，所述试剂为鉴定所述乳腺良/恶性肿瘤特异性的蛋白标志物的质谱检6部的101种乳腺良/恶性肿瘤特异性的蛋白标志物的组合。优选地，所述标志物组合为[0036]进一步地，本发明还提供了所述的系统在制备检测乳腺良恶性肿瘤产品中的应良恶性肿瘤蛋白标志物在制备试剂盒和/或芯片中的应用。本发明相对于组织活检术等传7技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，[0053]本发明提供了一种乳腺癌转移的预测方法及应用。本发[0056]在一个实施例中，本发明选取167例乳腺良恶性肿瘤患者以及健康对照人群的血8[0061]再次，质谱分析。我们采用了EASY-nLC1200超高压系统液相色谱系统(Thermo腈(0.1vol％FA)。在75min内B从15线性增加到30％。样品通过纳米电喷雾离子源(ThermoFisherScientific)在Q-EX-HF质谱仪(MS)上进行分析。为离子迁移率增强谱库式蛋白质组云平台进行数据处理。使用FragPipe(v.12.1)和MSFragger(2.2)检索UniProtSpectraST软件将DIA数据的结果组合成光谱库。所有库均用作参比谱库。使用DIANN来表示一个特定蛋白质在样本中的标准化丰度。FOT定义为一个蛋白质的iBAQ除以样本中性肿瘤即乳腺癌组，选取了ANOVA检验p值小于0.05且表达倍数较其他两组大于两倍的蛋9[0067]具体的，预测模型基于机器学习法建立，利用XGBoost算法筛选出8个重要特征验证模型包括116个样本。诊断模型的特异性为100敏感性为100阳性预测值为异性为83.3敏感性为97.4阳性预测值为95阴性预测值为90.9％。诊断模型用于诊断乳腺良性肿瘤的特异性为100敏感性为100阳性预测值为