【蛋白芯片】Aging（2022 IF：5.955） | 抗体芯片在预测2型糖尿病患者非增生性糖尿病视网膜病变研究中的应用

杂志名称：

Aging（2022 IF：5.955）

文献题目：

Plasma cytokines for predicting diabetic retinopathy among type 2 diabetic patients via machine learning algorithms

第一作者：

Bin Cao

通讯作者：

Dong Zhao

作者单位：

首都医科大学

发表时间：

2020-12-11

文献全文下载地址：

file:///C:/Users/proph/Downloads/Plasma_cytokines_for_predicting_diabetic_retinopat.pdf

本实验所用产品：

芯片一：

品名：Human Angiogenesis Array GS2

货号：GSH-ANG-2（30个人血管生成因子半定量抗体芯片）

详情：https://www.raybiotech.com/human-angiogenesis-array-gs2-gsh-ang-2

因子列表：30个（请查询以上链接）

芯片类型：

芯片二：

品名：Human Angiogenesis Array GS3

货号：GSH-ANG-3（30个人血管生成因子半定量抗体芯片）

详情：https://www.raybiotech.com/human-angiogenesis-array-gs3-gsh-ang-3

因子列表：30个（请查询以上链接）

芯片类型：

实验样本：

血液

1、样本收集分组和蛋白芯片实验

首先选取14例DM病人和14例NPDR病人，通过他们的血液样本进行蛋白芯片（GSH-ANG-2 & GSH-ANG-3，两款30个人血管生成因子半定量抗体芯片，共60个指标）实验，找到两组间表达的差异蛋白。

通过芯片实验结果每种蛋白的表达量绘制热图、火山图和PCA图等，加以限制条件（FC>4或者FC<0.25）进行筛选差异显著且差异倍数大的蛋白。Pearson相关分析，分析临床特征与差异蛋白的相关性。对于NPDR，PDGF-BB是与糖尿病持续时间（r = 0.34）弱相关，VEGFR2与总胆固醇（r = 0.33）和低密度脂蛋白（r = 0.30）弱相关。

2、差异蛋白的验证

蛋白芯片筛选出的六个差异蛋白PDGF-BB, TIMP-1, TIMP-2, ANG-1, CXCL16和VEGFR2用验证集的大量样本（DM：115；NPDR:115）通过ELISA进行验证。NPDR组中ANG-1, PDGF-BB, TIMP-2, 和VEGFR2要显著高于DM组。而CXCL16和TIMP-1则未通过验证，无显著差异。

3、建模特征蛋白的选择

接下来进行特征蛋白的降维，选取PCA结果的第一主成分，其中包括6种蛋白CXCL16、TIMP-1、ANG-1、TIMP-2、PDGF-BB、VEGFR2对整体方差的贡献最大，随后用两种算法随机森林和lasso回归找到更为关键的三种蛋白（PDGF-BB、VEGFR2、ANG-1）进行后续的建模。

4、建模特征蛋白的选择

用这三个蛋白进行多种模型（神经网络，逻辑回归，支持向量机，XGBOOST和随机森林）构建然后评估每个模型的准确率。可以通过每个模型的AUC值或者准确率或者F1值进行评估，最终找到表现最好的随机森林模型，预测的准确率达到85%。