Nature/Cell/柳叶刀带你用“Ai+somascan”发现体液标志物
2024-01-12
中科新生命
554
随着科技的发展，生命科学已经从组学时代进入到多维度大数据时代，组学技术最大的优势就是可以高通量、低成本地获得大量数据，如何通过这些数据的挖掘去实现精准医疗是很多临床医生和相关科研工作者所关注的热点课题。目前somascan平台已经可以深度靶向检测血液等样本中的上万种蛋白，而Ai技术与算法（如：机器学习）可高效地筛选获得有意义的疾病标志物，根据过往高分文献（CNS、柳叶刀等），“蛋白+Ai”的研究模式是未来蛋白组学研究的大势所趋。
机器学习（Machine learning）：作为人工智能的一个子领域，是实现人工智能目标的一种方法。机器学习是通过使用带有标签的训练集数据，识别和提取特征，建立预测模型，并将所学规律应用于新数据进行预测或分类的过程。
#1
文献名称：Organ aging signatures in the plasma proteome track health and disease
发表期刊：Nature
影响因子：64.8
技术平台：somascan
主要内容：基于somascan平台的超深度靶向蛋白质组检测了5个独立队列的5676名成年人的4979种蛋白，通过机器学习构建11个主要器官的衰老模型，深入探讨了如何通过血浆蛋白质组数据研究人体各器官衰老过程，并预测疾病和衰老效应。
文章解读链接：Nature | 利用超深度靶向血浆蛋白质组衡量器官衰老和预测疾病
#2
文献名称：Liquid-biopsy proteomics combined with AI identifies cellular drivers of eye aging and disease in vivo
发表期刊：Cell
影响因子：64.5
技术平台：somascan，scRNA-seq
主要内容：通过将液体活检的somascan蛋白质组学与来自所有已知眼细胞类型的单细胞转录组学相结合来追踪房水中检测到的5953种蛋白质的细胞起源，确定了数百种细胞特异性蛋白质标记。该研究还开发了AI模型来评估个体细胞衰老，发现许多与年龄无关的眼病会加速疾病特异性细胞类型的分子衰老。该研究也为其他的体液检测提供了新的工作范式。
#3
文献名称：A multi-platform approach to identify a blood-based host protein signature for distinguishing between bacterial and viral infections in febrile children (PERFORM): a multi-cohort machine learning study
发表期刊：Lancet Digit Health
影响因子：30.8
技术平台：somascan，质谱等
主要内容：使用靶向somascan平台、质谱等多个平台，获得376名72小时内有发烧症状的儿童患者的蛋白数据，基于机器学习算法(FS-PLS)筛选并确定宿主蛋白生物标志物，其ROC值为89.4%~93.6%。该模型可能发展为一种基于血液的即时诊断test，用于快速诊断发热儿童的细菌和病毒感染，大大改善对发烧儿童的护理，确保筛选合适的个体接受抗生素治疗。
总结
结合以上高分文献我们不难发现somascan靶向平台（详情点击了解重磅新品 | 超高深度靶向蛋白组P7k/P11k，突破血液蛋白组极限）可以准确深度获得大量体液蛋白组学的数据，而AI对于蛋白组学的赋能有利于进一步推进疾病标志物的发现，中科新生命在此基础上推出蛋白疾病标志物LDT开发方案辅助老师实现体液活检、精准医疗。
蛋白疾病标志物LDT开发流程
中科优品推荐
【中科新生命】现推出超高深度靶向蛋白组P7k/P11k新产品，该产品基于Somascan平台，同时实现蛋白检测的深、稳、准三位一体，适用于大规模的蛋白质组分析，尤其是血液蛋白质组，突破血液蛋白组深度极限，为血液蛋白标志物的临床转化创造新的机遇，欢迎感兴趣的老师前来咨询。
