Krooninen sairaus

tiivistelmä

Äskettäin kudos-tekniikkaan perustuvat menetelmät Proteomiikan analyysiä on käytetty kliinistä tutkimusta ja näyttävät luotettava ruoansulatus, aivot, lymfomatoottisen ja keuhkosyövässä luokitus. Kuitenkin yksinkertainen, kudos perustuvat menetelmät, jotka kytkevät signaali analyysi kudosten kuvantamisen ovat aikaa vieviä. Luotettavuuden arviointiin menetelmän on nopeaa kudosten valmisteluun ja analysointiin erottamaan syöpä- ulkopuolisista syöpäkudokset testasimme 141 keuhkosyöpää /ei-kasvain pareja ja 8 ainutlaatuinen keuhkosyöpää näytteet joukossa tallennettujen jäädy- 138 potilasta leikattiin vuoden 2012 aikana .

Näytteet murskattiin veteen, ja 1,5 ui bongattiin päälle teräksestä tavoite analysoitavaksi kanssa Microflex LT analysaattori (Bruker Daltonics). Spektrit analysoitiin käyttämällä ClinProTools ohjelmistoa. Näytesarja käytettiin satunnaisen luokitusmalli perusteella luettelon erotteluanalyysi huiput lajiteltu kanssa

k

-nearest naapurin geneettinen algoritmi. Loput näytteistä (n = 43 syöpä- ja n = 41 ei-kasvaimen) käytettiin sen varmistamiseksi, luokituksen valmiudet ja laskea diagnostinen suorituskyky indeksit verrattuna histologista diagnoosia. Analyysissä löytyi 53 m /z voimassa huiput, joista 40 oli merkitsevää eroa syöpä- ja ei-kasvaimen näytteitä. Valittu geneettinen algoritmi mallin tunnistaa 20 potentiaali piikkien harjoitussarjassa ja oli 98,81% tunnustaminen valmiudet ja 89,17% positiivinen ennustearvo. Vuonna sokaisi asetettu, tämä menetelmä tarkasti syrjinyt kaksi luokkaa, jonka herkkyys on 86,7% ja spesifisyys 95,1% varten syövän kudosten ja herkkyys on 87,8% ja spesifisyys 95,3% ei-tuumorikudoksissa. Toinen malli syntyy syrjiä ensisijainen keuhkosyöpään etäpesäkkeet oli huonompilaatuista.

Luotettavuutta MALDI-TOF-analyysi yhdistettynä hyvin yksinkertainen keuhko valmistusmenetelmää näyttää lupaavalta ja on testattava leikkaussalissa tuoreista näytteistä yhdessä patologinen tutkimus.

Citation: Brégeon F, Brioude G, De Dominicisin F, Atieh T, D’journo XB, Flaudrops C, et ai. (2014) MALDI-TOF massaspektrometria nopeiden diagnoosi syöpä Lung Nodules. PLoS ONE 9 (5): e97511. doi: 10,1371 /journal.pone.0097511

Editor: Arun Sreekumar, Baylor College of Medicine, Yhdysvallat

vastaanotettu: 21 marraskuu 2013; Hyväksytty: 16 huhtikuu 2014; Julkaistu: May 15, 2014

Copyright: © 2014 Brégeon et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: avustus alkaen URMITE annettiin. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

kirurgia on usein keskeinen osa hoitoon tuumori- massoja, mutta vaikeus tarkkoja etiologinen diagnoosi ennen leikkausta johtaa usein toiminnan suoritetaan ilman aiempaa tietoa tarkasti, rajoittaa tai laajentaa resektio tarvitaan, erityisesti kun vaurio on pienempi kuin 5 mm halkaisijaltaan. Joissakin tapauksissa, kuten aivokasvaimet, kysymys resektio marginaalin hankaloittaa päätöksen, ja kirurgit on tasapainossa maksimointiin resektio kasvain ja minimoimaan mahdollisten toiminnallisten vaje säilyttämisessä kriittinen kudoksessa [1]. Muissa tapauksissa, kuten kiireellistä leikkausta, massa tuntematonta alkuperää voidaan paljasti yllättäen, mikä herättää kysymyksen siitä, onko kasvain on syöpä alkuperää ja vaatii laajaa resektion. Reaaliaikainen vahvistusmenettelyt näin ollen tarvitaan ohjaamaan kirurgi kudoksessa resektion ja optimoida hoitoon [2]. Vahvistus yleensä vetoaa intraoperatiivinen patologinen tarkastelu Jääleikkeiden jotka voivat antaa tietoa tunnissa. Vuonna keuhkosyöpä leikkaus, jäädytetty kohta diagnoosi vaikuttaa suoraan kirurginen päätöksenteko [3]: kun maligniteetti on tunnistettu jäisellä jakso jälkeen kiila resektio, kirurginen resektio jonka lobectomy tai pneumonectomy suoritetaan yleensä, suosittelema American College of Chest Physicians [ ,,,0],4]. Koska jääleikeanalyysiin on tyypillisesti rajallinen eikä siihen liity solun merkintää tai värjäys, se voi tuottaa vääriä positiivisia ja vääriä negatiivisia. Se on liittynyt yli 7% ristiriitainen tai epävarmat tulokset joissakin tutkimuksissa [3], [5] ja jopa 42% luokitusvirheitä korko turvamarginaali arvioinnissa tietyissä keuhkosyövän tutkimuksissa [6]. Koska täydentäviä menetelmiä kudoksen analyysi leikkaussalissa, päättäväisiä toimia on otettava ennen lopullista diagnoosia. Lopuksi diagnoosi perustuu standardin histopatologia perustuu sytologia /ydinten poikkeavuuksia ja yleensä täydennetään muutosten analysointi genomiikan ja transkriptomiikan.

Proteomiikka käytetään tutkimaan suuren kirjon genomin koodittaman proteiinin läsnä tiettynä aikana [7]. Vaikka ensimmäinen massaspektrometrian käytön vuonna syöpätautia oli 2000-luvulla [8], tämä lähestymistapa on monimutkainen ja edellyttää aikaa vieviä kudoksen tai näytteen ilmastointi. Kohdistaminen kartoittaa erityisiä biomarkkerit syöpien on johtanut pettymys tuloksia. Äskettäin matriisi laserdesorptio ionisaatio-lentoaika-massaspektrometrialla (MALDI-TOF MS) on sovellettu cryosectioned näytteitä kasvainkudoksen; tuloksena spektrit yhdistettiin histologisia mikro-kuvantaminen samaan jaksoon luokitella kasvainten hyväksyttävällä tarkkuudella [9]. Tämä menetelmä MALDI-kuvantaminen on se etu, että konservatiivinen mutta edellyttäisi asiantuntijoiden analyysistä ja viivästynyt tulkinta, joka on ristiriidassa nopean reagoinnin tarvitsemat kirurgi ja kyky käyttää menetelmää leikkaussalissa. Sitä vastoin suurikapasiteettisten ja nopea prote- spektrit voidaan saada MALDI-ToF MS-analyysi monimutkaisia ​​näytteitä pienellä esikäsittely, ja tämä menetelmä on osoittanut, jotta lajien luokittelu kokonaisuuteen organismien, kuten punkkien [10]. Se mahdollistaa myös bakteerien tunnistamiseen väliaineissa, kuten veren [11] ja virtsa [12] ilman siirtomaa kulttuuriin.

hypothesizing että nopea MALDI-ToF MS-analyysi epäpuhdasta murskattua kudosnäyte voi olla informatiivinen, tavoitteena tämän pilottitutkimuksen oli arvioida luotettavuutta MALDI-TOF MS nopeasti luokitella raakaa keuhkojen kudosnäytteen tuntematonta alkuperää kuten syöpä- tai ei-syöpä käyttäen minimaalinen näytteen tilavuus ja yksinkertainen valmistusmenetelmä, joka voitaisiin suorittaa leikkaussalissa .

Materiaalit ja menetelmät

Tutkimuksen suunnittelu

Kaikki näytteet kerättiin keuhkojen kirurgisista näytteistä potilailta, joille suoritetaan thoraxkirurgian syöpään (AP-HM, Hôpital Nord, Marseille) välillä tammikuu 2012 ja joulukuussa 2012. Kirjallinen suostumus saatiin kaikilta potilailta. Protokolla oli hyväksynyt kansallisen eettinen komitea ”Comité d’Ethique de la Recherche Clinique en Chirurgie thoracique et Sydän- verisuoniohjelmat (CERC-CTCV) (viitenumero: CERC-SFCTCV-2012-1-31-11-35-32- DeFl).

näytteiden kerääminen

aikana kirurgisen ja heti keuhkojen resektio, koepalat otettiin resektoitua yksilöitä kuin kasvaimen (non-kasvain) ja kasvainten osat (Cancer) on keuhkoihin. Näytteenotto suoritettiin vaarantamatta diagnostinen laatu pala nimetyn histologista analyysiä ja koskaan tarvitaan enemmän kudosta resektio kuin tarpeen terapeuttisen potilaan hoidon. Kun kasvainten massa oli ilmeisesti pieni kooltaan, koko kasvaimen kappale oli omistettu histologinen tutkimus ja täten vain kasvain asemointia yli 1 cm, mukana tutkimuksessa. Niissä tapauksissa, kudosnäyte oli varattu tutkimuksessa, pikajäädytettiin ja säilytettiin -80 ° C: ssa edelleen MALDI-ToF MS-analyysi. Kun oli tarpeeksi materiaalia, se jaettiin kahteen näytesarjaa, joita pidettiin yksittäin. Itsenäisesti, tärkein kasvain näyte lähetettiin patologiset tutkimukset, ja potilasta osoitettu TNM postsurgical vaiheessa pisteet mukaan kansainvälinen keuhkosyöpä lavastus järjestelmä. Standardin mukaan WHO: n kriteerien [13] syövät luokiteltiin histologisesti osaksi adenokarsinoomaa, squamous-cell carcinoma, erilaistumaton karsinooma, karsinoidi karsinooma, lymfooma ja sarkooma.

Valitse koko otoksen luettelosta, 2/3 olivat satunnaisesti määritetty viittaus opetusjoukkoa (viite), joka muodostaa tietokannan, jossa on yhtä suuri osuus kuin kasvain ja syövän näytteitä. Viimeinen kolmannes ja kaikki näytteet epätyypillinen ja /tai erittäin harvinaisia ​​syöpiä käytettiin suunnitella sokaissut ryhmä (Blinded). Cancer ja Non-kasvain näytteet samasta potilaasta jaettiin satunnaisesti joko Reference tai Sokkoutetut allas.

valmistaminen Näytteet massaspektrometrian

Tuolloin analyysin, kukin jäädytetty näyte sulatettiin huoneenlämmössä ilmassa noin 15 minuuttia., ja leikkaa steriilillä leikkausveitsellä. Käyttämällä laboratoriossa mikrovaakaan (CPA 224S, Sartorius STEDIM Aubagne, Ranska), 0,1 g (0,1 ± 0,008 g) pantiin 10 ml: aan steriiliä lasiputkeen lisättiin 0,9 ml: aan steriiliä vettä, jolloin saadaan 10% laimennuksen. Kun tarpeeksi määrä kudosta oli käytettävissä, toinen kappale käsiteltiin voidakseen suorittaa testejä kahtena kappaleena. Kudos homogenisoitiin vedessä käyttäen IKA ULTRA-Turra X T25 (IKA-Werke GmbH CO. KG. Staufen, Saksa) at 17000 rpm 2 min .. Lämpötila ei pysynyt hallinnassa homogenoinnin aikana prosessissa. Saada 1/160 laimennos, 100 ui seos otettiin ja laimennettiin uudelleen 1,5 ml: aan steriiliä vettä ja sekoitettiin Vortex: illa. Ei lisäkomponentti, erityisesti ei inhibiittoria lisättiin seokseen koko prosessin aikana. 1.5 ui tätä laimennosta bongattiin neljänä päälle 96-näyte kiillotettu teräs kohde. Kuivaamisen jälkeen penkillä, 1,5 ui HCCA matriisi lisättiin ionisaatiota. Ilmakuivattua tavoitteita mitattiin välittömästi. Jokainen keuhko muodostetun näytteen 4 spektriä 4 talletukset.

massaspekrometria

Mittaukset suoritettiin Microflex LT (Bruker Daltonics, Bremen, Saksa) massaspektrometrin laser. Spektrit rekisteröitiin positiivisella lineaaritilaa (viive: 170 ns; ionilähteen 1 (IS1) jännite: 20 kV; ionilähteen 2 (IS2) jännite: 16.65 kV; linssi jännite: 7,20 kV; massa-alue: 2 kDa 20 kDa ). Kukin spektri jälkeen saatiin 6 x 40 laukausta (240 laukausta) automaattikäytöllä vaihtelevalla laserin teho, ja hankinta aika vaihteli 60-120 sekuntia per paikka. Kaikki resoluutioltaan ≥ 400 saatiin automaattisesti hankitut AutoXecute hankkiminen valvonnan FlexControl ohjelmistoversio 3.0. Spektrejä 4 paikkoja kunkin kudoksen sekoitus tuotiin BioTyper-RTC versio 3.0-ohjelmisto (Bruker Daltonik GmbH).

Tilastollinen

ClinProTools v2.2 ohjelmisto käyttää tuottamat tiedot spektreistä mukaan lukien spektri esikäsittely, huippu poiminta, ja huippu laskentaoperaatiolle. Huippu määritelmä, normalisoituminen alueen koko ionien määrä päätepiste tasolla ja massan uudelleenkalibroinnilla (maksimaalinen huippu siirtymä 1000 ppm) otettiin huomioon, ja lajitella tilaan käyttämällä t-testi, p-arvo Wilcoxonin /Kruskal-Wallisin testillä.

erot luokissa analysoitiin arvioitiin pohjalta erottelumenetelmään piikin tunnistusluetteloa. Voit luoda luettelon erotteluanalyysi huiput, käytimme

k

-nearest naapurin geneettistä algoritmia (GA) toteutetaan tämän ohjelmiston. Tämä algoritmi perustuu todennäköisyyden arvioihin luokitusta.

Ensin etsitään mallia pystyy oikein erottelemaan 2 luokkaa, Cancer ja Non-kasvain, ja toiseksi malli pystyy oikein syrjiä Ensisijainen keuhkosyöpää ja Metastasis . Löytää kaikkein erotteluanalyysi malli, GA harjoitteli Reference allas, ja sisäinen validointi jalostettiin (10-kertainen ristivalidointi). Suorituskyky mallin arvioitiin tunnustaminen valmiudet (RC) ja positiivinen ennustearvo (PPV): RC = TP /n, jossa TP on määrä utaretulehdusmallia (luokiteltu oikein) tietueiksi, n on näytteiden lukumäärä datasarjan, ja PPV = TP /(TP + FP), jossa FP on määrä vääriä positiivisia (luokitellut väärin).

toisessa vaiheessa spektriä sokaisi näytteitä käytettiin tarkistaa luokituksen kyky generoidun mallin. Efektiivinen herkkyys, spesifisyys ja tarkkuus malli laskettiin saadut tulokset sokaisi näytteiden verrattuna viite histologiseen diagnoosi kultakantaan tavallisilla kaavojen (herkkyys = TP /TP + FN; erityisyys = TN /TN + FP; Tarkkuus = TP + TN /n).

ensimmäisen ja toisen vaiheen, kahtena materiaali testattiin jälkeen parhaiten GA malli valittiin

tulokset

luokittelusta Syöpä ja Non-kasvain yhteisöjä, 290 näytettä analysoitiin vastaten 138 potilasta. Tästä kohortissa oli 141 Cancer /Non-kasvain pareja ja 8 ainutlaatuinen Cancer kappaletta. Niistä 290 resektio kappaletta, 225 antoi tarpeeksi tarvikkeita suorittamaan kaksi analyysia. Koskee 149 syöpä kappaletta, selvä kasvaimen luokitus oli ensisijainen keuhkosyöpä 132 näytettä (83 adenokarsinooma, 34 okasolusyöpä, 5 erilaistumaton karsinooma, 5 karsinoidituumorit, 1 pienisoluisen keuhkosyövän, 2 lymfooma ja 2 sarkooma), ja 17 oli etäpesäkkeitä.

edustaja spektrejä Primary keuhkosyöpä (SCLC) näyte, joka on Metastasis ja ei-kasvain näyte on esitetty kuviossa 1. yhteensä 53 m /z huippujen Cancer ja ei-kasvainnäytteet kokonaisuudesta kohortin katsottiin voimassa, 40 heistä on merkittävästi erilainen molempien luokkien (p 0,001); nämä piikit raportoidaan kuviossa 2. Mitä tulee ensisijainen keuhkosyöpä, etäpesäke ja ei-kasvain alaluokkia, yhteensä 53 piikkiä tunnistettiin, ja 49 niistä on merkittävästi erilainen (p 0,001). Nämä piikit raportoidaan kuviossa 3.

top: edustaja spektreissä kunkin alaluokan: Non-kasvain, Primary ja Metastasis. pohja: Gel kuvia harmaasävyinä samasta näytteistä kuin edellä.

Nuolet osoittavat massan arvot 20 huiput valitsema Cancer versus Non-kasvain GA. Huiput # 3370,75, 3442,75, 4963,85, 7004,95, 7487,13, 7567,21, 8454,18, 8563,21, ja 9952,85 olivat säädellään ylöspäin Cancer asetettu, kun taas toiset olivat säädellään ylöspäin Non-kasvain asetettu.

Nuolet osoittavat massan arvot 15 erotteleva huiput valitsema ensisijainen syöpä vs. etäpesäke GA malli. Huiput 2136,75, 2829,90, 5291,86, 6175,21, 6551,37, 6748,52, 8181,01, 10092,47 ja 12685,50 olivat säädellään ylöspäin Ensisijainen Cancer asetettu, kun taas toiset olivat säädellään ylöspäin etäpesäke asetettu.

Tilastotiedot analyysi ja Cancer versus kuin kasvain GA luokitusmalli

erottaa Cancer Vahinkovakuutustoiminnan kasvain näytteissä, kun parametri KNN = 3, MNG = 1000, ja Max piikit = 250, GA malli sovi oli RC = 98,81%, PPV = 89,17% (taulukko 1) 20 mahdolliset huiput (m /z: 8084,06, 4963,85, 12299,3, 12691,52, 7993,95, 7004,95, 2580,85, 9952,85, 8454,18, 6226,69, 2997,68, 9743,9, 8563,21, 15976,65, 11311,27 , 15867,19, 7487,13, 7567,21, 3370,75, 3442,75). Analyysi spektriä sokaisi joukko (n = 43 Syöpä ja n = 41 Non-kasvain) tarkasti syrjinyt kaksi luokkaa, jonka herkkyys on 86,7% ja spesifisyys 95,1% varten Cancer luokan ja herkkyys on 87,8% ja spesifisyys 95,3% for Non-kasvain luokan.

Kun läsnä, kaksoiskappaleet tämän Sokkoutetut asetettu testattiin myös: kaikissa tapauksissa he saivat saman luokan määräämisen, kun ensimmäinen näyte.

Ensisijainen keuhkosyöpää vs. etäpesäke GA malli

syrjiä Ensisijainen keuhkosyöpään etäpesäkkeitä, parametrilla KNN = 3, MNG = 1000 ja Max piikit = 250, GA mallin sovitus oli RC = 100%, PPV = 90,24% 15 mahdolliset huiput (2136,75, 2829,90, 3485,98, 5291,86, 6175,21, 65551,37, 6748,52, 8181,01, 10092,47, 12685,50, 13767,60, 14000,93, 15220,44, 15861,39, 15976,64). Analyysi spektriä sokaisi joukko (n = 48, 40 Ensisijainen ja 8 metastaasin) tarkasti syrjinyt kaksi alaluokkaa, jonka herkkyys on 67,5% ja spesifisyys 75% Ensisijainen alaluokkaa, ja herkkyys on 50% ja spesifisyys 70% varten etäpesäke alaluokka. Tarkkuus oli vastaavasti 68,75% ja 66,7%.

Keskustelu

Koska sen mahdolliset vaikutukset potilaaseen leikkaushoitoa, nopea analyysi kudosnäyte on erityisen tärkeää silloin, kun potilaalle epäilty massa operoidaan, varsinkin kun kasvain alkuperän on tuntematon tai luonnetta olevien raja on kyseenalaistettu. Tässä pilottitutkimuksessa, käyttämällä yksinkertaista valmistusmenetelmä ja algoritmi näytteen luokittelun toteutettu MALDI-TOF-analyysin ohjelmisto, saimme hyväksyttäviä diagnostinen suorituskyky oikein luokitella keuhko näytteen syöpä tai ei-syöpä. Vaikka rajoitettu, nämä tiedot voivat olla suureksi avuksi täydentämiseksi jääleike patologinen diagnostiikka kun nopeaan vastaus tarvitaan.

Keuhkosyöpä on johtava syy syövän liittyvän kuolleisuuden ja yleisimmin diagnosoitu syöpä maailmassa, noin 1,35 miljoonaa uutta tapausta vuosittain, joista 30000 on Ranskassa. Yli 80% keuhkosyövässä ovat ei-pienisoluinen keuhkosyöpä (NSCLC), jolle resektioleikkaukselle edelleen suurin yksittäinen johdonmukainen ja järkevä vaihtoehto saavuttaa parannuskeinoa. Joskus keuhkokasvaimen paljastuu ei-syöpä

jälkikäteen

, ja siksi nopea tunnistaminen pahanlaatuisia alkuperän kasvaimeen kaltaista kudosta on suuri merkitys. Meidän Torakaaliikirurgia laitos suorittaa noin 350 keuhko asemointia ja tutkii noin 30 kyhmyjä tuntematonta alkuperää jonka thoracoscopy tai tavanomaisen leikkauksen vuosittain. Lisäksi tutkimuksemme laboratorio sisältää proteomic alustan ja on perehtynyt edullinen ja helppo käyttää Työtason MALDI-ToF Massaspektrometriparametrit; Siten edellytykset suorittaa esillä pilottitutkimus täyttyivät.

Edelliset rohkaisevia tuloksia saatiin käyttäen MALDI-TOF MS-analyysi yhdistettynä puhdistusmenetelmät [14]. Käyttämällä ehjä solususpensiot suoraan bongattiin matriisin ja analysoitiin MALDI-TOF MS, pätevä ja toistettavissa spektrit saatiin pahanlaatuiset kasvaimet suuontelon, ja tilastollinen malli pystyi oikein luokitella syöpä näyte, jonka tarkkuus on 100%, spesifisyys 93%, ja yleinen tarkkuus 96,5% [14]. Nämä tulokset, jotka ovat parempia, mutta lähellä meidän, saatiin käyttämällä spektrin kuvioita homogeenisen populaation Solususpensioiden. Viime aikoina ei-homogeeninen kudos perustuvat menetelmät on kehitetty proteomiikka ja Maksan rasvaprofiilin analysointi, ja ne näyttävät olevan luotettava kasvainten luokittelua varten ruoansulatus, aivot, Lymfomatoottisen, ja keuhkojen syövät [15] – [18]. Näistä kudoksista menetelmiä, MALDI-kuvantaminen on nyt käyttävät useat ryhmien kliininen tutkimus. Kuitenkin MALDI-kuvantamisen lähestymistapa on monimutkainen, koska se vaatii jäädytetty kudos siivu analyysitulokset yhteistyöhön rekisteröidä MALDI spektrit kuvantaminen ja morfologia kuvantaminen. Ihmisen maksan etäpesäkkeiden näytteet, tämä menetelmä saa kasvain luokittelu kuusi yhteistä syöpätyyppien joiden herkkyys vaihtelee 54%: sta 88%, ja spesifisyydellä, joka vaihtelee 90%: sta 98% riippuen pahanlaatuisten luokka [9]. Yksinkertaistaa prosessia, Lee ja coauthors ehdotettu suorittamalla MALDI-TOF MS lipidomics analyysi ennalta jääleike viipaleet, jotka sisältävät vähintään 70% pahanlaatuisia soluja [18]. Saatu spektrit käytetään muodostamaan mallin (tukivektoriluokitin algoritmi), joka tarkasti luokiteltu normaalin keuhkojen kudoksiin, keuhkojen kasvain kudoksia, ja ensisijainen NSCLC. Ensisijainen NSCLC oli oikein syrjitty muunlaisista keuhkotuumoreiden, ja kolmeen alaluokkaan, adenokarsinooma, squamous-cell ja iso-cell carcinoma, olivat oikein syrjitty ja luokiteltu herkkyys ja spesifisyys 84% ​​ja 77%, vastaavasti adenokarsinooma versus okasolusyöpä [18]. Kirjoittajat ei kirjattu väärin luokitellut näyte verrattaessa Ensisijainen NSCLC ja muita keuhkotuumoreita, kun taas tässä tutkimuksessa, löysimme sekä vääriä negatiivisia ja vääriä positiivisia, kun vertasimme Ensisijainen keuhkosyöpää vastaan ​​Etäpesäke alaluokkaa. Ero tutkimuksessamme otoskoko, jossa suurempi määrä kasvaimen ja muiden kasvaimen näytteistä (vastaavasti 149 ja 141) verrattuna edellä mainitun tutkimuksen (vastaavasti 47 ja 6), voisivat selittää erot diagnostisia tuloksia. Lisäksi hyvä diagnostinen suorituskyky muista tutkimuksista saavutettiin käyttämällä MALDI-kuvantaminen valitaan alueita, jotka sisälsivät suuren kasvaimen soluihin [1], [18], joka perustuu histologia kohdat värjättiin hematoksyliinillä ja eosiinilla. Tässä käytimme ei esivalinta kudosnäytteistä ja saanut hyviä tuloksia. Olemme kohdennettuja kasvainten kappaletta suurempi kuin 1 cm ja jotka edustavat yleisimmät kirurgiset merkkejä. On todennäköistä, että koko kasvain on vaikuttaa myönteisesti tuloksemme koska riski ottaa näytteitä huono alueella vähenee suuria kasvaimia verrattuna millimetrin kasvaimia.

Massaspektrometria kuvantamisen strategioita etuna säilyttämisen kudoksen mutta vaativat riittävästi pinta-alaa kudosleikkeiden saada arvokasta tietoa. Lisäksi MS kuvantamismenetelmiä vaativat koulutettuja asiantuntijoita, raskas analyysin ohjelmisto ja suuren suorituskyvyn signaalin hankinta instrumentointi. Kuten yllä mainitut menetelmät, meidän strategia ei vaadi puhdistusta tai standardointia kudoksen solun sisällön. Meidän murskattua näytettä MS-analyysia oli nopeaa, toistettavissa ja helppo suorittaa. Ei-konservatiiviset näkökohta lähestymistapamme oli osittain tasapainottaa hyvin alhainen kudosnäyte koko (eli noin 0,01 g) pystyy antamaan pätevä spektrit. Lopuksi käyttää yksinkertaistettua ja ei-kuvaohjatut menetelmä ja suurempia kohortin potilaista, saimme diagnostista suorituskykyä samanlainen kuin saatiin MALDI-kuvantamismenetelmiä tai puhdistettua solulinjan menetelmiä. Tämä yllättävä tulos voi johtua enemmän täydelliset tiedot sisältyvät täydelliset puhdistamattoman kudosnäytteessä ja meidän vaatimaton tavoite, joka ei ollut määritellä tarkkaa luonnetta kasvaimen vaan luokitella näytettä joko Cancer tai ei-kasvain luokassa. Hyvin mielenkiintoisesti, joukossa mahdollisia piikit, jotka valittiin meidän GA mallissa, kolme, i. e. 4963.85-8563.21-9952.85 korostettiin myös tekemässä tutkimuksessa Raham ja coauthors jotka käyttivät uutto- ja puhdistusmenetelmiä ja GA malli [19]. Lisäksi nämä kirjoittajat todettu vastaavan ehdokkaan proteiinit (Thymosin Ubiquitin ja Asyylikoentsyymi CoA sitova proteiini) ja vahvistanut läsnäoloaan keuhkokasvaimia immunokemialla.

Microflex LT (Bruker Daltonics, Bremen, Saksa) massaspektrometri laser on penkki kertakäyttöinen materiaali, jossa on integroitu analyysi ohjelmisto, joka voidaan helposti asentaa toimintaedellytyksiä. Uutuus on se, että koko näyte käsittelyprosessin, kuten kudos hajonta, näytemateriaalin kerrostumista matriisin ja analyysiin, ei vaadi teknistä osaamista ja voisi oppia millään hoitohenkilöstön.

Käytimme kaksi kolmannes näytteitä rakentamiseen ennustemallissa taas alhaisempi tai sama numeroita käytetään yleisesti opetustiedostoiksi verrattuna validointi sarjoiksi. Tämä oli perusteltua heterogeenisyys meidän Cancer väestöstä, jonka tavoitteena on kasvattaa koulutusta asetettu saada suuri edustus viite syöpä spektrien. Lopuksi, meidän Sokkoutetut asettaa populaation koko oli suurempi kuin aiemmin julkaistu MALDI-TOF MS keuhkokudoksessa (n = 84). Toisin hyvää diagnostinen suorituskyky luokittelussa näytteestä kuten syöpää vastaan ​​Non-kasvain, saimme alhainen esityksiä Ensisijaisen vs. Etäpesäke alaluokkaa. Mielestämme suuri monimuotoisuus etäpesäkkeitä alaryhmissä erottuva pieni määrä näytteitä analysoidaan tässä alaluokassa voisi olla vastuussa huonon suorituskyvyn satunnainen matemaattinen malli. Toivomme, että monesko koulutus kohortin metastasiaa johtaisi löytää GA malli parempia diagnostisia suorituskykyä. Hyväksymällä täydentäviä ja /tai vaihtoehtoisia exatraction /liukenemisen menetelmiä voitaisiin parantaa saantoa havaitsemiseksi m /z piikkiä. Kuitenkin lisäämällä valmistusvaiheessa tulee punnita soveltamisen osalta tämän työkalun hoitopaikassa. Tässä vaiheessa työn, mielestämme se voisi olla mahdollista antaa tuloksen alle 30 minuuttia, jolloin määritetään, onko näyte on syöpä tai ei ole yksinkertaistettu ja nopea lähestymistapa koko Proteomiikan kudoksen analyysi, joka voidaan helposti käyttää diagnostinen tuki rutiinikäytössä kirurgisia toimenpiteitä. Kyky saada tietoa luotettavasti vahvistettu-teatteri vs. Pakastetuilla koepaloja voi olla merkittäviä vaikutuksia potilaiden hoitoon, joilla kasvaimia.