生物標志物（Biomarker）是指可以標記系統(tǒng)、器官、組織、細胞及亞細胞結構或功能的改變或可能發(fā)生的改變的生化指標，具有非常廣泛的用途。生物標志物在醫(yī)學和生命科學領域中具有重要的作用和意義，可用于疾病診斷、判斷疾病分期以及藥物開發(fā)。
機器學習和人工智能在生物學領域，特別是蛋白質生物標志物的發(fā)現(xiàn)與應用方面，展現(xiàn)出了巨大的潛力和影響力。通過處理和分析大量的生物數(shù)據(jù)，加速蛋白質生物標志物的發(fā)現(xiàn)。通過對大量病例數(shù)據(jù)的學習和分析，精準預測疾病的發(fā)展趨勢，為醫(yī)生提供更加個性化的治療方案。機器學習和人工智能的結合，為蛋白質生物標志物的發(fā)現(xiàn)與應用提供強大的技術支持，推動臨床應用的發(fā)展，為未來的醫(yī)學研究和治療提供了更加廣闊的前景。
基于機器學習篩選生物標志物1
血是重要的臨床樣本，對其蛋白質組進行深入研究在疾病診斷和療效監(jiān)測具有重要意義。然而，血漿中的一些高豐度蛋白質占據(jù)大量的質譜信號使得低豐度蛋白質不容易被質譜檢測到。目前，大部分已知蛋白標志物是血漿中的高豐度蛋白質，但低豐度蛋白才是潛在生物標志物的重要來源。因此，對血漿中的低豐度蛋白進行準確檢測是開發(fā)標志物首先要解決的問題。
血液生物標志物豐度分布2
作為國內領先的蛋白質組學診療標志物創(chuàng)新平臺，青蓮百奧致力于開發(fā)從高深度蛋白質組檢測到標志物篩選，再到臨床應用的完整解決方案。
2023年，青蓮百奧致力于提高血漿蛋白質組檢測深度，將自主研發(fā)的血漿低豐度富集磁珠試劑盒、全流程自動化前處理機器人和高通量tims TOF HT質譜儀結合，克服血漿樣本復雜性高和低豐度蛋白檢測深度低的難題，實現(xiàn)了血漿蛋白質組6000+的檢測深度，為血漿蛋白質標志物開發(fā)奠定了基礎。
隨后，青蓮百奧不斷突破，進一步使用機器學習算法開發(fā)了蛋白質標志物篩選流程。該流程整合了多個篩選模型，通過模型評分選擇最優(yōu)模型，利用最優(yōu)模型篩選潛在生物標志物，最后根據(jù)選定的模型和潛在生物標志物，建立預測模型進行效果評估。這一流程能夠為臨床提供早診、早篩生物標志物，助力精準醫(yī)療。
青蓮百奧生物標志物篩選分析內容
高深度、高穩(wěn)定、標準化數(shù)據(jù)產出
標準分析、方法可靠
一站式的蛋白質診斷標志物開發(fā)
廣泛應用于多種疾病的診斷和預后產品開發(fā)
2023年12月瑞典隆德大學、斯科訥大學以及荷蘭阿姆斯特丹阿爾茨海默病中心聯(lián)合在《JAMA Neurology》發(fā)表文章，標題為“Plasma biomarker strategy for selecting patients with alzheimer disease for antiamyloid immunotherapies”。研究使用瑞典BioFINDER 2研究隊列，進行血漿和腦脊液生物標志物的檢測以及Aβ-PET和Tau-PET成像。該研究基于血漿生物標志物的機器學習模型發(fā)現(xiàn)，血漿p-tau217能夠良好評估Aβ狀態(tài)（測試集AUC = 0.94）。使用血漿p-tau217，可以使大部分需要確定Aβ狀態(tài)的患者免于腰椎穿刺或PET檢查，降低費用并提供了更簡單的檢測方法。
血漿生物標志物預測Aβ狀態(tài)3
2022年6月丹麥根本哈根大學與德國馬克斯普朗克研究所聯(lián)合在《Nature Medicine》上發(fā)表文章，標題為“Noninvasive proteomic biomarkers for alcohol-related liver disease”。該研究使用臨床大隊列肝臟樣本和血漿樣本，首次利用基于質譜的蛋白組學和機器學習模型確定三組蛋白生物標志物組合。結果表明，血漿蛋白質組學可以同時準確地檢測肝纖維化、炎癥和脂肪變性的早期階段。模型驗證表明，該機器學習模型優(yōu)于現(xiàn)有的測試方法，為臨床診斷和精準醫(yī)療提供堅實支撐。
酒精相關性肝病生物標記物篩選方案4
參考文獻
1 Mann M, Kumar C, Zeng WF, Strauss MT. Artificial intelligence for proteomics and biomarker discovery. Cell Syst. 2021;12(8):759-770.
2 Geyer PE, Holdt LM, Teupser D, Mann M. Revisiting biomarker discovery by plasma proteomics. Mol Syst Biol. 2017;13(9):942. Published 2017 Sep 26.
3 Mattsson-Carlgren N, Collij LE, Stomrud E, et al. Plasma Biomarker Strategy for Selecting Patients With Alzheimer Disease for Antiamyloid Immunotherapies. JAMA neurology vol. 81,1 (2024): 69-78.
4 Niu L, Thiele M, Geyer PE, et al. Noninvasive proteomic biomarkers for alcohol-related liver disease. Nat Med. 2022;28(6):1277-1287.
5 Christopher M. Bishop: Pattern Recognition and Machine Learning, Chapter 4.3.4
6 Breiman, “Random Forests”, Machine Learning, 45(1), 5-32, 2001.
@2024北京青蓮百奧生物科技有限公司 京ICP備17052224號
