ware 3.1校正。蛋白芯片数据分析软件包分析，离散小波分析去除噪音，减掉基线。用局部极值的方法找出样本各自的峰，并过滤掉信噪比＜2的峰。以10%为最小阈值做聚类分析，将各个样本中质荷比（m/z）差异＜0.3%的峰聚为一类。
支持向量机分类器设置〔4〕：采用径向基核函数，Gamma值设为0.6，罚分函数（C）设为19。特征向量的选择采用统计过滤结合模型依赖性筛选方法,建立判别模型,用留一法交叉验证评估模型的判别效果。采用判别分析方法处理质谱数据并经统计学处理得到的结果进行验证。
1.5 统计学方法
质谱原始数据经过滤噪音，聚类分析处理后，对初步筛选出的M/Z峰数据做Wilconxon秩和检验，并分别对NSCLC组与正常健康对照组及肺部良性疾病组的质谱数据进行t检验。检验标准取α=0.01。
2 结果
2.1 NSCLC诊断模型的构建
NSCLC组（60例）和正常健康对照组（40例）的质谱数据经过初步过滤筛选得到235个m/z峰，对其相对强度做Wilconxon秩和检验分析得到P值＜0.01的m/z峰22个。从差异显著蛋白质峰的任意组合中，采用支持向量机筛选出预测值的youden指数最高的组合模型。筛出m/z位于6628，9191和11412的蛋白标记物3个（表1），其中m/z位于6628的蛋白质标记物在NSCLC组中低表达，在正常对照组中高表达；m/z位于9191和11412的蛋白标记物在NSCLC组中呈高表达，在正常对照组中低表达（图1）。联合两个潜在标记物作为输入值，留一法交叉检测，在测试集上判别模型的特异性为98%，敏感性为96%。此外，6628蛋白标记物的表达丰度随着肿瘤分期的增高而逐渐降低，9191和11412的蛋白标记物的表达则随着肿瘤分期的增高而逐渐增加（图2）。表1 NSCLC患者组与正常健康对照组的m/z位于9191、6628及11412的比较(略)
2.2 NSCLC诊断模型的盲法验证
为了验证上述诊断模型的准确性和有效性，本研究采用52例NSCLC血清标本及非肺癌血清标本（25例肺结核、30例肺炎患者及28例正常健康人）进行盲法验证。在盲法测试中，该诊断模型区分NSCLC患者与非肺癌对照的敏感性为96.56%，特异性为94.79%，阳性预测值为95.0%。
3 讨论
目前对恶性肿瘤蛋白质标记物的检测已受到高度关注，蛋白质标记物的检测技术很可能成为未来肿瘤诊断的主要手段。Ciphergen公司研发的SELDITOFMS技术是近几年来用的比较广泛的一项蛋白质组学技术，应用基因芯片的设计原理，把层析、质谱等技术合理的与蛋白质芯片结合，可检测出传统方法很难鉴定的蛋白质和多肽。这一方法具有样品用量小、操作简便、灵敏度高、高通量等优点〔6～8〕，已成功被应用于卵巢癌、前列腺癌、胰腺癌、大肠癌、乳腺癌等恶性肿瘤的诊断、肿瘤标记物的筛选及其他蛋白质组学研究中〔9～13〕。然而通过这一方法获得的大量数据是传统数据收集手段所难以完成的，因此在数据处理中就客观的需要生物信息学技术的参与。
支持向量机(SVM)是Vapnik等提出的一种以统计学理论为基础的新的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，优于决策树及人工神经网络等传统方法，有较好的适应能力和较高的分准率。很好地解决了模式识别中小样本模型的推广性、模型选择等问题〔14，15〕。本实验数据处理中，通过离散小波分析去除噪音，用局部极值的方法找出样本质荷峰，以10％为最小阈值对质荷峰进行聚类。Wilconxon秩和检验分析根据P值评价各个峰对区分两类样本的相对重要性。将差异显著的质荷峰随机组合输入SVM，筛选标记物，建立判别模型。用留一法交叉验证评估模型。因每次的测试集都是独立于用来训练的样本，完全做到盲法测试。经过以上多步骤、结合多种方法处理数据，确保了所建模型的推广性和预测的准确性。
本实验应用SELDITOFMS技术结合生物信息学方法，发现了NSCLC患者血清中可与正常健康人、肺部良性疾病区分的特异性蛋白质标记物，检测该蛋白质标记物有利于NSCLC的早期诊断。在NSCLC组与正常对照组中，发现m/
上一页 [1] [2] [3] [4] 下一页
您现在的位置： 绿色健康网 >> 医学论文 >> 内科论文 >> 正文