簡介

 

 

在精準醫學和大數據時代、人工智能的大背景下，高通量大隊列樣本組學（Omics）研究在生命科學研究以及在臨床病理研究、臨床診療領域得到廣泛應用。蛋白質作為生命活動和功能的直接執行者，在研究生理、病理機制以及臨床診斷、預后評估、治療靶點以及藥物靶點研究中扮演著重要角色。蛋白質組學大隊列樣本在臨床診療、疾病機制研究中的應用受到科學家的廣泛關注。

       然而，制約大隊列樣本蛋白質組學技術的兩大因素極大地限制了其應用，一是針對大樣本質譜檢測的機時問題以及由此帶來的批次效應（質譜長時間運行導致其性能下降，樣品間的儀器誤差增大），二是對復雜的大樣本數據的深度挖掘。金開瑞針對這兩個問題專門開發了包含蛋白質組學技術服務、大數據深度挖掘和標志物深度驗證三大模塊的臨床大隊列樣本蛋白質組學整體解決方案，為科研工作者提供專業、全方位的技術服務。

方案流程

 

 

通過高通量、大規模蛋白質組學技術及生物信息學、統計學等手段，可以篩選到部分候選蛋白標志物，其表達量往往在疾病/正常樣本中具有明顯的差異。但是，僅僅通過蛋白質組學手段不足以確定，還需要進行進一步驗證和確證[1]（下圖）。金開瑞擁有成熟的抗體制備平臺、Wester Blot實驗平臺、免疫組織化學平臺和ELISA制備平臺，為您提供完整的標志物各階段驗證實驗。

標志物篩選的四個步驟

技術優勢

 

 

微流控液相色譜-質譜（microflow-LC MS/MS）系統由于其大流速、粗管路的特點，具有耐臟、高穩定性、短梯度等優勢，在處理大隊列樣本過程，可大大降低質譜數據采集過程的偏差，提升隊列數據的整體質量。具體表現為如下優勢：

定量結果表現出良好的一致性（20例人血漿樣本）

microflow-SWATH結果表現出良好的相關性（20例血漿樣本）

在精準醫學和大數據時代、人工智能的大背景下，大隊列樣本的數據分析成為科學家關注的重點，也是難點。通過調閱相關CNS文獻報道，結合蛋白質組學數據本身特點，我們開發了一套專門針對臨床疾病（尤其是腫瘤）的大隊列數據分析方案，充分挖掘大數據中隱藏的信息，為臨床診斷、治療及疾病機制研究提供可靠的證據。

三大維度數據質量控制，確保數據的高質量

共識聚類的憑據共識矩陣和輪廓距離確定最佳分類數

蛋白質組和轉錄組表達水平相關性分析

CNV和蛋白質/mRNA表達水平相關性分析

標志物篩選的基本流程

蛋白質標志物的鑒定往往需要經過四個階段：a) 發現階段，通過大隊列樣本蛋白質組學的Discovery 策略，結合數據的深度挖掘，最終選定上百種候選標志物蛋白進行進一步驗證；b) 差異表達驗證，經過此階段，一般最終篩選到幾十種蛋白符合預期；c) 概念階段驗證，進而實現臨床疾病診斷、治療的醫學轉化。金開瑞可提供多種蛋白質定性、定量驗證手段。

PRM驗證的基本原理

Western blot驗證的基本原理

immunochemistry驗證的基本原理

Sandwich ELISA驗證的基本原理

參考文獻

 

 

1. Del Campo, M., et al., Facilitating the Validation of Novel Protein Biomarkers for Dementia: An Optimal Workflow for the Development of Sandwich Immunoassays. Front Neurol, 2015. 6: p. 202.

2. Broccardo, C.J., et al., Multiplexed analysis of steroid hormones in human serum using novel microflow tile technology and LC-MS/MS. J Chromatogr B Analyt Technol Biomed Life Sci, 2013. 934: p. 16-21.

3. Sun, R., et al., Accelerated Protein Biomarker Discovery from FFPE Tissue Samples Using Single-Shot, Short Gradient Microflow SWATH MS. J Proteome Res, 2020. 19(7): p. 2732-2741.

4. Needham, S.R., Microspray and microflow liquid chromatography: the way forward for LC-MS bioanalysis. Bioanalysis, 2017. 9(24): p. 1935-1937.

5. Distler, U., et al., Enhancing Sensitivity of Microflow-Based Bottom-Up Proteomics through Postcolumn Solvent Addition. Anal Chem, 2019. 91(12): p. 7510-7515.

6. Gillette, M.A., et al., Proteogenomic Characterization Reveals Therapeutic Vulnerabilities in Lung Adenocarcinoma. Cell, 2020. 182(1): p. 200-225 e35.

7. Xu, J.Y., et al., Integrative Proteomic Characterization of Human Lung Adenocarcinoma. Cell, 2020. 182(1): p. 245-261 e17.

8. Gao, Q., et al., Integrated Proteogenomic Characterization of HBV-Related Hepatocellular Carcinoma. Cell, 2019. 179(5): p. 1240.

9. Ge, S., et al., Author Correction: A proteomic landscape of diffuse-type gastric cancer. Nat Commun, 2018. 9(1): p. 1850.