尿液蛋白质组在膀胱癌临床诊治中的应用

膀胱癌是一种常见的泌尿系统疾病,尿细胞学检查与膀胱镜检查是膀胱癌的主要临床诊断手段,但尿细胞学检查敏感性较差,膀胱镜检查为侵入性检查,易给病人带来强烈的不适感;且膀胱癌具有易复发的特点,大部分患者必须面临频繁的检查,临床亟需发展舒适、准确的检查手段.尿液存储是膀胱的主要生理作用,尿液可以直接接触肿瘤实体,肿瘤分泌的一些蛋白质分子极可能进入尿液中,并且患者尿液样本便于足量多次收集.同时,蛋白质组技术以及尿液蛋白质组研究的快速发展,为我们利用尿液研究膀胱癌提供了便利的途径.本文系统总结了尿液蛋白质组研究的主要技术手段,重点关注膀胱癌尿液蛋白质组研究趋势和应用方向,以期为利用尿液蛋白质组研究膀胱癌提供助力.     

基于TCGA数据预测肿瘤代表性新抗原的一种生物信息学新方案

肿瘤的特异性基因突变是肿瘤免疫疗法的理想靶标,突变的基因在健康组织中缺乏表达,而且具有高度免疫原性,容易被免疫系统识别。肿瘤患者突变基因组的高度特异性使得个体化免疫治疗存在极大挑战,而每一种肿瘤都具有区别于其他肿瘤的代表性的基因突变特征,基于这些突变特征,有可能开发出特定肿瘤适用的免疫治疗策略。文中提出一个兼顾抗原胞内呈递和与胞外MHC分子结合能力的肿瘤新抗原预测策略,整体设计更为合理;相对于常规方法,能够大幅缩小实验验证的范围。基于该策略,利用TCGA数据库中多种肿瘤的基因突变数据进行肿瘤新抗原预测并预测到大量潜在的肿瘤新抗原。肿瘤新抗原的预测结果显示出肿瘤类型的特异性,并且在特定肿瘤数据集中能够覆盖20%-70%不等比例的肿瘤患者。文中提出的肿瘤新抗原预测方案在未来的肿瘤临床治疗上具有潜在的应用价值。     

基于质谱的蛋白质生物标志物发现中的特征选择与机器学习方法研究进展

随着质谱技术的进步以及生物信息学与统计学算法的发展,以疾病研究为主要目的之一的人类蛋白质组计划正快速推进。蛋白质生物标志物在疾病早期诊断和临床治疗等方面有着非常重要的意义,其发现策略和方法的研究已成为一个重要的热点领域。特征选择与机器学习对于解决蛋白质组数据"高维度"及"稀疏性"问题有较好的效果,因而逐渐被广泛地应用于发现蛋白质生物标志物的研究中。文中主要阐述蛋白质生物标志物的发现策略以及其中特征选择与机器学习方法的原理、应用实例和适用范围,并讨论深度学习方法在本领域的应用前景及局限性,以期为相关研究提供参考。