旨在探讨患亚临床低血钙症奶牛血浆蛋白质组学的异常变化。收集32头患亚临床低血钙症奶牛和59头健康奶牛的血浆,应用SELDI-TOF-MS技术测得血浆蛋白质谱,经wilcoxon sum rank test分析两组峰值,结合Swissport蛋白质数据库鉴定,从而获得...旨在探讨患亚临床低血钙症奶牛血浆蛋白质组学的异常变化。收集32头患亚临床低血钙症奶牛和59头健康奶牛的血浆,应用SELDI-TOF-MS技术测得血浆蛋白质谱,经wilcoxon sum rank test分析两组峰值,结合Swissport蛋白质数据库鉴定,从而获得组间差异表达蛋白,并进行决策树分析。结果获得了7个差异峰,经鉴定得到6种差异表达蛋白质。经决策树模型分析得出神经分泌蛋白VGF片段和淀粉样β蛋白4可能为诊断健康牛和亚临床低血钙症牛的生物标志物。应用SELDI-TOF-MS技术可有效分离健康牛与患病牛之间的血浆差异表达蛋白质,其中有可能存在能够成为该疾病的诊断标识物,其具体发生机制有待研究,该结果对探究奶牛亚临床低血钙症发病机制及其对机体生物学功能的影响具有重要的理论价值。展开更多
表面增强激光解析电离飞行时间质谱(surface-enhanced laserdesorption/inionation-time of flightmass spectra,SELDI-TOF-MS)为蛋白质组学研究提供了最为有效的技术平台。它将芯片技术和飞行时间质谱技术相结合,整合样品分离、纯化及...表面增强激光解析电离飞行时间质谱(surface-enhanced laserdesorption/inionation-time of flightmass spectra,SELDI-TOF-MS)为蛋白质组学研究提供了最为有效的技术平台。它将芯片技术和飞行时间质谱技术相结合,整合样品分离、纯化及检测分析为一体,实现了快速、高效、高通量检测,是在分子水平上诊断疾病的非常重要的工具。展开更多
基于前列腺癌检测中获取的表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)数据,提出一种概率主成分分析(PPCA)联合支持向量机(SVM)的分类方法。对临床322例血清样本的质谱数据进行特征提取,以随机选取训练样本集(225例)构造SVM判...基于前列腺癌检测中获取的表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)数据,提出一种概率主成分分析(PPCA)联合支持向量机(SVM)的分类方法。对临床322例血清样本的质谱数据进行特征提取,以随机选取训练样本集(225例)构造SVM判别模型,对剩余样本集(97例)进行测试。采用均方根误差、识别率与预测率指标,将所构造的PPCA-SVM模型分别与偏最小二乘(Partial least squares,PLS)和PCA-SVM模型进行比较,发现PLS模型的识别率和预测率分别为90.92%和76.38%,PCA-SVM模型分别为99.23%和84.63%,而PPCA-SVM模型分别为99.01%和90.41%。因此SELDI-TOF-MS技术结合PPCA-SVM在样品分类中具有准确、重复性好等优点,为前列腺癌早期诊断提供了一种新方法。展开更多
文摘旨在探讨患亚临床低血钙症奶牛血浆蛋白质组学的异常变化。收集32头患亚临床低血钙症奶牛和59头健康奶牛的血浆,应用SELDI-TOF-MS技术测得血浆蛋白质谱,经wilcoxon sum rank test分析两组峰值,结合Swissport蛋白质数据库鉴定,从而获得组间差异表达蛋白,并进行决策树分析。结果获得了7个差异峰,经鉴定得到6种差异表达蛋白质。经决策树模型分析得出神经分泌蛋白VGF片段和淀粉样β蛋白4可能为诊断健康牛和亚临床低血钙症牛的生物标志物。应用SELDI-TOF-MS技术可有效分离健康牛与患病牛之间的血浆差异表达蛋白质,其中有可能存在能够成为该疾病的诊断标识物,其具体发生机制有待研究,该结果对探究奶牛亚临床低血钙症发病机制及其对机体生物学功能的影响具有重要的理论价值。
文摘表面增强激光解析电离飞行时间质谱(surface-enhanced laserdesorption/inionation-time of flightmass spectra,SELDI-TOF-MS)为蛋白质组学研究提供了最为有效的技术平台。它将芯片技术和飞行时间质谱技术相结合,整合样品分离、纯化及检测分析为一体,实现了快速、高效、高通量检测,是在分子水平上诊断疾病的非常重要的工具。
文摘基于前列腺癌检测中获取的表面增强激光解吸/离子化飞行时间质谱(SELDI-TOF-MS)数据,提出一种概率主成分分析(PPCA)联合支持向量机(SVM)的分类方法。对临床322例血清样本的质谱数据进行特征提取,以随机选取训练样本集(225例)构造SVM判别模型,对剩余样本集(97例)进行测试。采用均方根误差、识别率与预测率指标,将所构造的PPCA-SVM模型分别与偏最小二乘(Partial least squares,PLS)和PCA-SVM模型进行比较,发现PLS模型的识别率和预测率分别为90.92%和76.38%,PCA-SVM模型分别为99.23%和84.63%,而PPCA-SVM模型分别为99.01%和90.41%。因此SELDI-TOF-MS技术结合PPCA-SVM在样品分类中具有准确、重复性好等优点,为前列腺癌早期诊断提供了一种新方法。
