慢性砷中毒患者头发代谢物特征的代谢组学研究

[目的]分析和对比慢性砷中毒患者与健康对照者的头发样本,筛选差异代谢物,分析相关代谢途径,为砷毒性机制研究提供理论依据。[方法]采用气相色谱/质谱联用法(GC/MS)和代谢组学方法,研究5名慢性砷中毒患者(观察组)和5名健康者(对照组)的头发样本的代谢物差异。利用主成分分析法(PCA)和偏最小二乘判别分析(PLS-DA)分析两组的代谢图谱差异,找出差异代谢物。[结果]慢性砷中毒患者尿砷[(1.32±0.09)μmol/L]明显高于砷中毒标准(1.17μmol/L)和对照组[(0.29±0.10)μmol/L](P0.001)。共检出10种差异代谢物,在慢性砷中毒患者中有4种上调,6种下调。代谢通路分析筛选出4种有意义的差异代谢物,与对照组相比,在观察组中分别为苯乙醛和γ-氨基丁酸含量升高,而谷胱甘肽和丙氨酸含量降低。这4种代谢物均与机体氧化应激相关。[结论]验证了砷的慢性毒性机制主要涉及氧化应激,同时为探索氧化应激的发生机制提供了可能的思路和线索。     

呼气信号三分类癌症检测模型的设计及评价

目的?电子鼻呼气检测技术是一种极具潜力的无创癌症检测技术。然而,现有的检测模型研究大多围绕将某一类疾病患者与健康人的区分展开。为了通过电子鼻呼气检测实现对多种癌症的鉴别,该文基于 KNN 构建 了一种三分类癌症检测模型。方法?首先通过电子鼻采集 210 名志愿者的呼气号样本,其中160 名肺癌或肝癌患者均为医院的确诊患者,50 名健康对照者则为医院的职工或学生。对呼气样本进行预处理得到大小为210×180的原始特征数据集。然后通过卡方检验完成数据特征初筛,并利用 LDA 优化方法得到训练特征集。接着利用 K 值选择学习曲线,训练并得到最优 KNN 三分类癌症检测模型。最后对模型进行多维度评价。结果?优化后的 KNN 三分类癌症检测模型可有效区分健康人、肺癌患者和肝癌患者,性能优于其他模型,平均准确度可达到92.5%。可见,机器学习算法可助力电子鼻呼气检测在癌症检测中的推广应用。