Extracto
Recientemente, los métodos basados en tejidos para el análisis proteómico se han utilizado en la investigación clínica y aparecerá fiable para digestivo, cerebro, linfomatosa, y clasificación de cáncer de pulmón. Sin embargo, los métodos simples basados en tejidos que el análisis de la señal par de imágenes de tejidos son mucho tiempo. Para evaluar la fiabilidad de un método que implica la preparación del tejido rápida y análisis para discriminar canceroso de tejidos no cancerosos, probamos 141 pares de cáncer de pulmón /no tumorales y 8 únicas muestras de cáncer de pulmón entre las muestras congeladas almacenadas de 138 pacientes operados durante el año 2012 .
las muestras se trituran en agua, y 1,5 l fue descubierto en una diana de acero para el análisis con el analizador Microflex LT (Bruker Daltonics). Los espectros se analizaron mediante el programa ClinProTools. Se utilizó un conjunto de muestras para generar un modelo de clasificación al azar sobre la base de una lista de los picos según discriminantes con el
k
-nearest vecino algoritmo genético. El resto de las muestras (n = 43 canceroso y n = 41 no tumoral) se utilizó para verificar la capacidad de clasificación y el cálculo de los índices de rendimiento de diagnóstico en relación con el diagnóstico histológico. El análisis encontró 53 picos válidos m /z, 40 de los cuales fueron significativamente diferentes entre las muestras cancerosas y no tumorales. El modelo de algoritmo genético seleccionado identificado 20 posibles picos del conjunto de entrenamiento y tenía 98,81% de capacidad de reconocimiento y 89.17% de valor predictivo positivo. En el conjunto ciego, este método discriminó con precisión las dos clases con una sensibilidad del 86,7% y una especificidad del 95,1% para los tejidos de cáncer y una sensibilidad de 87,8% y una especificidad del 95,3% para los tejidos no tumorales. El segundo modelo generado para discriminar cáncer de pulmón primario de las metástasis era de menor calidad.
La fiabilidad del análisis MALDI-TOF, junto con un procedimiento muy simple de preparación de pulmón parece prometedor y debería realizarse una prueba en la sala de operaciones en muestras frescas junto con el examen patológico
Visto:. Bregeon F, G Brioude, de Dominicis M, Atieh T, D'Journo XB, Flaudrops C, et al. La espectrometría de masa (2014) MALDI-TOF para el diagnóstico rápido de los nódulos cancerosos de pulmón. PLoS ONE 9 (5): e97511. doi: 10.1371 /journal.pone.0097511
Editor: Arun Sreekumar, Baylor College of Medicine, Estados Unidos de América
Recibido: 21 Noviembre 2013; Aceptado: April 16, 2014; Publicado: 15 de mayo de 2014
Derechos de Autor © 2014 Bregeon et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Una subvención se proporcionó desde el URMITE. Los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:.. Los autores han declarado que no existen intereses en competencia
Introducción
la cirugía es a menudo el elemento clave del tratamiento de masas tumorales, pero la dificultad de determinar un diagnóstico etiológico exacto antes de la cirugía a menudo conduce a las operaciones que se realizan sin conocimiento previo de precisión si limita o se requiere la resección extendida, especialmente cuando la lesión es menor que 5 mm de diámetro. En algunos casos, tales como tumores cerebrales, la cuestión de la margen de resección aumenta la dificultad de la decisión, y los cirujanos que equilibrar la maximización de la resección del tumor y reducir al mínimo el potencial de déficit funcional en la preservación de tejido crítico [1]. En otros casos, como la cirugía de emergencia, una masa de origen desconocido se manifieste de forma inesperada, lo que plantea la cuestión de si el tumor es de origen canceroso y requiere una resección amplia. por lo tanto, se requieren métodos de confirmación en tiempo real para guiar al cirujano en la resección de tejido y para optimizar el tratamiento [2]. Confirmación lo general se basa en un examen patológico intraoperatorio de cortes congelados que pueden proporcionar información dentro de una hora. En la cirugía del cáncer de pulmón, la sección de diagnóstico congelada influye directamente en la toma de decisiones quirúrgica [3]: cuando la malignidad se identifica en una sección congelada después de una resección en cuña, la resección quirúrgica por lobectomía o neumonectomía se realiza generalmente, según lo recomendado por la American College of Chest Physicians [ ,,,0],4]. Debido a que el análisis de la sección congelada suele ser limitada y no implica ningún marcaje celular o manchas, se puede producir falsos positivos y falsos negativos. Se ha asociado a más de un 7% de resultados discordantes o de dudoso en algunos estudios [3], [5] y hasta una tasa de errores de clasificación del 42% en la evaluación del margen de seguridad en ciertos estudios de cáncer de pulmón [6]. En ausencia de métodos complementarios para el análisis de tejidos en la sala de operaciones, una acción decisiva tiene que ser tomada antes del diagnóstico definitivo. Por último, el diagnóstico definitivo se basa en la histopatología estándar basado en citología anomalías /núcleos y por lo general se complementa con el análisis de los cambios en la genómica y transcriptómica.
Proteómica se utiliza para estudiar el amplio espectro de proteínas del genoma codificados presentes en una momento dado [7]. Aunque el primer uso de la espectrometría de masas en la enfermedad cancerosa estaba en las [8] década de 2000, este enfoque es complejo, que requiere el tejido que consume tiempo o el acondicionamiento de la muestra. Orientación de la identificación de biomarcadores específicos de cánceres ha conducido a resultados decepcionantes. Recientemente, láser de desorción ionización de espectrometría de masas de tiempo de vuelo asistida por matriz (MALDI-TOF MS) se ha aplicado a muestras de tejido tumoral cryosectioned; los espectros resultantes se combinaron con histológico micro-de formación de imágenes de la misma sección para clasificar los tumores con una precisión aceptable [9]. Este método de MALDI-de formación de imágenes tiene la ventaja de ser conservador, pero requeriría un análisis experto y la interpretación retardada que es incompatible con las respuestas rápidas que necesita el cirujano y con la capacidad de utilizar el método en una sala de operaciones. Por el contrario, de alto rendimiento y rápida espectros proteoma se pueden obtener a partir del análisis MALDI-TOF MS de las muestras complejas con pretratamiento mínimo, y este método se ha mostrado para permitir la clasificación de especies de organismos complejos enteros incluyendo garrapatas [10]. También permite la identificación de bacterias en medios complejos, tales como la sangre [11] y en la orina [12] sin cultura colonia
.
hipótesis de que el rápido análisis de MALDI-TOF MS de una muestra de tejido triturado crudo podría ser informativo, el objetivo de este estudio piloto fue evaluar la fiabilidad de MALDI-TOF MS para clasificar rápidamente una muestra de tejido pulmonar crudo de origen desconocido como canceroso o no canceroso utilizando un volumen de muestra mínimo y un método de preparación simple que podría llevar a cabo en la sala de operaciones .
Materiales y Métodos
diseño del estudio
Todas las muestras se obtuvieron de muestras quirúrgicas pulmonares de pacientes sometidos a cirugía torácica para el cáncer (AP-HM, Hôpital Nord, Marsella) entre consentimiento informado enero de 2012 y diciembre de 2012. Escrito se obtuvo de todos los pacientes. El protocolo fue aprobado por el Comité Nacional de Ética "Comité d'Ethique Recherche Clinique en Cirugía Cardio-et Thoracique Vasculaire (CERC-CTCV) (número de la referencia: CERC-SFCTCV-2012-1-31-11-35-32- dEFL).
Muestra recogida
Durante la intervención quirúrgica e inmediatamente después de la resección pulmonar, se tomaron biopsias de las muestras resecadas de no tumoral (no tumoral) y piezas tumorales (cáncer) de los pulmones. el muestreo se realizó sin comprometer la calidad de diagnóstico de la pieza designada para el análisis histológico y nunca se requiere más la resección de tejido que el necesario para el manejo terapéutico del paciente. Cuando la masa tumoral era aparentemente de tamaño pequeño, toda la pieza tumoral era un espacio dedicado al examen histológico;. por lo tanto, sólo resecciones de tumores de más de 1 cm se incluyeron en el estudio en esos casos, una muestra de tejido se reservan para el estudio, se congelaron y se almacenaron a -80 ° C para su posterior MALDI-TOF El análisis de MS. Cuando no había suficiente material, se subdivide en dos conjuntos de muestras que fueron considerados individualmente. Independientemente, la muestra principal tumor fue enviado para su examen patológico, y los pacientes se les asignó una puntuación etapa posquirúrgica TNM de acuerdo con el sistema internacional de estadificación del cáncer de pulmón. De acuerdo con el estándar de la OMS criterios [13], los cánceres se clasificaron histológicamente en el adenocarcinoma, carcinoma de células escamosas, carcinoma indiferenciado, carcinoma carcinoide, linfoma y sarcoma.
De toda la lista de ejemplo, 2/3 eran al azar asignado a un conjunto de entrenamiento de referencia (referencia), que constituye una base de datos con una proporción igual de no tumorales y muestras de cáncer. El restante tercio y todas las muestras de cáncer atípicos y /o extremadamente raros se utilizaron para diseñar un grupo ciego (ciego). Las muestras de cáncer y no tumorales del mismo paciente fueron distribuidos al azar ya sea en el de referencia o la piscina ciego.
Preparación de muestras para espectrometría de masas
En el momento del análisis, cada muestra congelada se descongeló a aire ambiente durante aproximadamente 15 min., y se corta con un escalpelo estéril. El uso de una microbalanza de laboratorio (CPA 224s, Sartorius Stedim Aubagne, Francia), 0,1 g (0,1 ± 0,008 g) se colocó en un tubo de vidrio estéril de 10 ml añadido con 0,9 ml de agua estéril para obtener una dilución del 10%. Cuando estaba disponible suficiente cantidad de tejido, una segunda pieza fue procesada con el fin de realizar pruebas por duplicado. El tejido se homogeneizó en agua utilizando IKA ULTRA-TURRA X T25 (IKA-Werke GmbH & amp;.. CO KG Staufen, Alemania) a 17.000 rpm durante 2 min .. La temperatura no se mantuvo bajo control durante el proceso de homogeneización. Para obtener una dilución de 1/160, 100 l de la mezcla fue tomada y se diluyeron de nuevo en 1,5 ml de agua estéril y se agitó. No componente adicional, se añadió especialmente sin inhibidor a la mezcla durante todo el proceso. 1,5 l de esta dilución fue descubierto por cuadruplicado sobre una diana de acero pulido de 96 muestras. Después de secar en el banco, se añadieron 1,5 l de matriz HCCA para la ionización. objetivos secadas al aire se midieron inmediatamente. Cada muestra de pulmón generó 4 espectros a partir de los 4 depósitos.
Espectrometría de Masas
Las mediciones se realizaron con un Microflex LT (Bruker Daltonics, Bremen, Alemania) láser espectrómetro de masas. Los espectros se registraron en el modo lineal positiva (retraso: 170 ns; ión de código 1 (IS1) Tensión: 20 kV; la fuente 2 (IS2) de voltaje de iones: 16.65 kV; tensión de la lente: 7,20 kV; intervalo de masas: 2 kDa a 20 kDa ). se obtuvo Cada espectro después de 6 × 40 disparos (240 vacunas) en el modo automático en una potencia de láser variable y el tiempo de adquisición varió de 60-120 segundos por punto. Todas las imágenes con resolución de ≥ 400 fueron adquiridas de forma automática mediante el control de la adquisición AutoXecute en el software FlexControl versión 3.0. Los espectros de los 4 puntos para cada mezcla de tejidos fueron importados en el software Biotyper-RTC versión 3.0 (Bruker Daltonik GmbH).
software de análisis estadístico
ClinProTools v2.2 utiliza los datos generados a partir de los espectros incluyendo pretratamiento espectros, búsqueda de pico, y la operación de cálculo de pico. La definición de pico, la normalización de la zona a nivel de recuento total de iones de punto final y la recalibración de masa (desplazamiento pico máximo de 1000 ppm) se tomaron en cuenta, y el modo de clasificación utilizando la prueba t p-valor de la Wilcoxon /se utilizó la prueba de Kruskal-Wallis.
las diferencias en las clases analizadas fueron evaluados sobre la base de una lista de identificación de los picos discriminante. Para crear la lista de picos discriminantes, se utilizó el
k
-nearest vecino algoritmo genético (GA) implementado en este software. Este algoritmo se basa en estimaciones de probabilidad para la clasificación.
En primer lugar realizaron búsquedas de un modelo capaz de discriminar correctamente las clases 2, el cáncer y no tumorales, y la segunda para un modelo capaz de discriminar correctamente Cáncer de pulmón primario y la metástasis . Para encontrar el modelo más discriminante, GA se entrenó con el grupo de referencia, y se procesó validación interna (10 veces la validación cruzada). El rendimiento del modelo se evaluó la capacidad de reconocimiento (RC) y el valor predictivo positivo (VPP): RC = TP /n donde TP es el número de verdaderos positivos (correctamente clasificada) en un conjunto de datos, n es el número de muestras en el conjunto de datos, y el VPP = TP /(TP + FP), donde FP es el número de falsos positivos (mal clasificados).
En una segunda etapa, los espectros de las muestras ciegas se utiliza para verificar la capacidad de clasificación del modelo generado. La sensibilidad efectiva, especificidad y exactitud de un modelo se calcularon a partir de los resultados obtenidos para las muestras ciegas frente al diagnóstico histológico de referencia como el estándar de oro mediante fórmulas estándar (Sensibilidad = TP /TP + FN; Especificidad = VN /TN + FP; Precisión = TP + TN /n).
En la primera y la segunda etapa, duplicar material fue analizada después de que el modelo de mejor ajuste fue seleccionado GA
resultados
Para la clasificación de entidades de cáncer y no tumorales, se analizaron 290 muestras correspondientes a 138 pacientes. De esta cohorte, hubo 141 pares /Cáncer no tumorales y 8 piezas únicas cáncer. De las 290 piezas de resección, 225 dio suficiente material para llevar a cabo el análisis por duplicado. En cuanto a las piezas de cáncer 149, la clasificación de los tumores definitiva fue el cáncer de pulmón primario para 132 muestras (83 de adenocarcinoma, 34 de carcinoma de células escamosas, 5 de carcinoma indiferenciado, 5 tumores carcinoides, 1 pequeño carcinoma de pulmón de células, el linfoma 2 y 2 sarcoma), y 17 eran metástasis.
espectros Representante de un cáncer de pulmón primario (SCLC) de la muestra, una metástasis y una muestra no tumoral se muestran en la Figura 1. un total de 53 picos de m /z generados a partir de muestras de cáncer y no tumorales de toda la cohorte fueron considerados válidos, con 40 de los cuales es significativamente diferente entre las dos clases (p & lt; 0,001); estos picos se presentan en la Figura 2. En relación con el cáncer de pulmón primario, metástasis y subclases no tumorales, se identificó un total de 53 picos, y 49 de ellos que son significativamente diferentes (p & lt; 0,001). Estos picos se presentan en la Figura 3.
superior: espectros de Representante de cada subclase: Non-tumor, primaria y la metástasis. parte inferior:. Gel imágenes en escala de grises de las mismas muestras como anteriormente
Las flechas muestran los valores de masa para los 20 picos seleccionados por el cáncer versus no-tumoral GA. Los picos#3370.75, 3442.75, 4963.85, 7004.95, 7487.13, 7567.21, 8454.18, 8563.21, 9952.85 y fueron hasta reguladas en el conjunto de cáncer, mientras que los otros fueron hasta reguladas en el conjunto no tumorales.
las flechas muestran los valores de masa para los 15 picos que discriminan seleccionados por el cáncer primario frente al modelo de metástasis GA. Los picos 2136.75, 2829.90, 5291.86, 6175.21, 6551.37, 6748.52, 8181.01, 10092.47 y 12685.50 fueron reguladas en el conjunto del cáncer primario, mientras que los otros fueron hasta reguladas en el conjunto de la metástasis.
análisis de datos estadísticos y el cáncer versus no-tumoral GA modelo de clasificación
Para distinguir el cáncer a partir de muestras no tumorales, cuando el parámetro KNN = 3, MNG = 1000, y Max = 250 picos, el ajuste del modelo GA era RC = 98.81%, VPP = 89.17% (Tabla 1) con 20 picos potenciales (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). Análisis de los espectros del conjunto Blinded (n = 43 Cáncer y n = 41 no tumorales) discriminó con precisión las dos clases con una sensibilidad del 86,7% y una especificidad del 95,1% para la clase de cáncer y una sensibilidad de 87,8% y una especificidad del 95,3% para la clase no tumorales
Cuando están presentes, los duplicados de este conjunto Cegado también fueron probados:.. en todos los casos se obtuvieron la misma asignación de clases como la primera muestra
el cáncer de pulmón en comparación con metástasis primaria GA modelo
Para discriminar cáncer de pulmón primario de metástasis, con el parámetro KNN = 3, MNG = 1000 y Max picos = 250, el modelo GA ajuste fue RC = 100%, PPV = 90,24% con 15 picos potenciales (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). Análisis de los espectros del conjunto Blinded (n = 48, 40 primaria y 8 metástasis) discriminados con precisión las dos subclases con una sensibilidad del 67,5% y una especificidad del 75% para la subclase de primaria, y una sensibilidad de 50% y una especificidad del 70% para la subclase metástasis. La precisión fue, respectivamente, 68,75% y 66,7%.
Discusión
Debido a su posible impacto en el tratamiento quirúrgico del paciente, el análisis rápido de una muestra de tejido es de particular importancia cuando un paciente con una masa sospechosa es operado bajo, especialmente cuando el origen del tumor es desconocida o cuando la naturaleza de los márgenes de seguridad se pone en duda. En este estudio piloto, utilizando un método de preparación simple y el algoritmo para la clasificación de la muestra implementado en el software de análisis de MALDI-TOF, se obtuvo el rendimiento diagnóstico aceptable para clasificar correctamente una muestra de pulmón como canceroso o no canceroso. Aunque limitada, esta información puede ser de gran ayuda para rellenar la sección congelada diagnósticos patológicos cuando se requiere una respuesta rápida.
El cáncer de pulmón es la principal causa de mortalidad relacionada con el cáncer y el cáncer más frecuentemente diagnosticado en todo el mundo, con aproximadamente 1,35 millones de casos nuevos cada año, entre los cuales 30.000 están en Francia. Más del 80% de los cánceres de pulmón son el cáncer de pulmón de células no pequeñas (NSCLC), para los cuales la resección quirúrgica sigue siendo la única opción más consistente y exitoso para lograr una cura. A veces, un nódulo pulmonar se revela como no canceroso
a posteriori
, y por lo tanto, la rápida identificación del origen maligno de un tejido tumoral que es de gran importancia. Nuestro Departamento de Cirugía Torácica realiza aproximadamente 350 resecciones pulmonares y explora aproximadamente 30 nódulos de origen desconocido por toracoscopia o cirugía convencional cada año. Además, nuestro laboratorio de investigación incluye una plataforma proteómica y está familiarizado con el banco de la parte superior del espectrómetro de masas MALDI-TOF, asequible y fácil de usar; por lo tanto, se cumplen las condiciones necesarias para llevar a cabo el presente estudio piloto.
alentadores resultados anteriores fueron obtenidos utilizando el análisis de MALDI-TOF MS combinada con métodos de purificación [14]. El uso de suspensiones de células intactas directamente manchas en la matriz y se analizaron por MALDI-TOF MS, válidos y espectros reproducibles se obtuvieron de los tumores malignos de la cavidad oral, y un modelo estadístico fue capaz de clasificar correctamente una muestra cancerosa con una sensibilidad del 100%, una especificidad del 93% y una precisión global de 96,5% [14]. Estos resultados, que son mejores, pero cerca de la nuestra, se obtuvieron utilizando los patrones espectrales de una población homogénea de células en suspensión. Recientemente, los métodos basados en tejidos no homogéneos se han desarrollado para el análisis proteómico y lipidomic, y parecen ser confiables para la clasificación de tumores de digestivo, cerebro, linfoide, y los cánceres de pulmón [15] - [18]. Entre estos métodos basados en el tejido, MALDI-proyección de imagen ahora es utilizado por varios equipos de investigación clínica. Sin embargo, el enfoque de MALDI-de formación de imágenes sigue siendo compleja, ya que requiere resultados del análisis de la rebanada de tejido congelado para co-registrar MALDI de formación de imágenes y las imágenes espectros morfología. Para las muestras de metástasis hepáticas humanas, este método permite la clasificación de tumores en seis tipos comunes de cáncer con una sensibilidad que varía de 54% a 88%, y una especificidad que varía de 90% a 98% dependiendo de la clase maligna [9]. Para simplificar el proceso, Lee y coautores proponen la realización de MALDI-TOF MS para el análisis lipidomics de rodajas de sección congelada preseleccionadas que contienen al menos 70% de células malignas [18]. Los espectros resultantes se utilizan para generar un modelo (soporte vector algoritmo de la máquina) que clasifica con precisión los tejidos normales de pulmón, tejidos de tumor de pulmón, y NSCLC primario. Primary NSCLC se discriminó con precisión a partir de otros tipos de tumores de pulmón, y las tres subclases, adenocarcinoma, de células escamosas y carcinoma de células grandes, se discrimina correctamente y clasificada con una sensibilidad y una especificidad del 84% y 77%, respectivamente para el adenocarcinoma frente carcinoma de células escamosas [18]. Los autores registraron ninguna muestra de mal clasificados al comparar NSCLC primaria y otros tipos de tumores de pulmón, mientras que en el presente estudio, encontramos dos falsos negativos y falsos positivos cuando se compararon Cáncer de pulmón primario frente subclases metástasis. La diferencia en el tamaño de nuestra muestra de estudio, con un mayor número de muestras tumorales y no tumorales (respectivamente 149 y 141) en comparación con el estudio antes mencionado (respectivamente 47 y 6), podría explicar las diferencias en los resultados de rendimiento diagnóstico. Además, un buen rendimiento de diagnóstico de otros estudios se logró mediante la aplicación de MALDI-de formación de imágenes en regiones elegidas que contenían celularidad alta tumor [1], [18] basado en la histología de las secciones teñidas con hematoxilina y eosina. En este caso, hemos utilizado ninguna preselección de muestras de tejido y se obtuvieron buenos resultados. Nos centramos en piezas tumorales mayores de 1 cm que representan las indicaciones quirúrgicas más frecuentes. Es plausible que el tamaño del tumor haber influido favorablemente nuestros resultados, ya que el riesgo de haber probado una mala territorio se reduce con tumores grandes en comparación con los tumores milimétricas.
estrategias de imagen espectrometría de masas ofrecen la ventaja de conservar el tejido pero requieren una superficie suficiente de secciones de tejido para obtener información valiosa. Además, los métodos de imagen MS requieren expertos entrenados, software de análisis e instrumentación pesada adquisición de la señal de alto rendimiento. Como estos métodos antes mencionados, nuestra estrategia no requiere ninguna purificación o normalización del contenido de células de tejido. Nuestro análisis muestra triturada MS fue rápido, reproducible y muy fácil de realizar. El aspecto no conservadora de nuestro enfoque fue en parte compensado por el tamaño muy pequeño de la muestra de tejido (es decir, aproximadamente 0,01 g) capaz de dar espectros válida. Por último, utilizando un método simplificado y guiado sin imágenes y más grande cohorte de pacientes, se obtuvieron las actuaciones de diagnóstico similares a los obtenidos con los métodos MALDI-de formación de imágenes o métodos de líneas celulares purificados. Este sorprendente resultado podría ser debido a la información más completa contenida en la muestra completa de tejido no purificado y a nuestro objetivo modesto, que no era para identificar la naturaleza exacta del tumor pero para clasificar la muestra en o bien el cáncer o una clase de no tumoral. Muy interesante, entre los picos potenciales que fueron seleccionados en nuestro modelo GA, tres, i. mi. 4963.85-8563.21-9952.85 también se pusieron de relieve en un estudio realizado por Raham y coautores que utilizaron métodos de extracción y purificación y un modelo GA [19]. Además, estos autores identificaron las proteínas candidatas correspondientes (timosina ubiquitina y Acil CoA-proteína de unión) y confirmaron su presencia en los tumores de pulmón por inmunoquímica.
Microflex LT (Bruker Daltonics, Bremen, Alemania) láser espectrómetro de masas es un material desechable banco con software de análisis integrado que se puede instalar fácilmente en las instalaciones de operación. La novedad en este caso es que el proceso de tratamiento de la muestra completa, incluida la dispersión del tejido, la muestra de deposición de material en la matriz y el análisis, no requiere conocimientos técnicos y podría ser aprendido por cualquier personal paramédico.
Se han utilizado dos tercio de nuestra muestras para la construcción del modelo de predicción, mientras que un número igual o inferior se utilizan comúnmente para los conjuntos de formación en comparación con los conjuntos de validación. Esto se justifica por la heterogeneidad de la población del cáncer con el objetivo de incrementar el conjunto de entrenamiento para obtener una amplia representación de los espectros de referencia canceroso. Por último, el tamaño de nuestra población configurar Cegado fue mayor que publicó anteriormente con MALDI-TOF MS en el tejido pulmonar (n = 84). En contraste con nuestro buen rendimiento diagnóstico para clasificar una muestra como cáncer versus no tumoral, se obtuvieron bajos rendimientos de las subclases primaria frente a la metástasis. Creemos que la gran diversidad en los subgrupos de metástasis en contraste con el bajo número de muestras analizadas en esta subclase podría ser responsable de un modelo matemático al azar bajo rendimiento. Esperamos que incrementar la cohorte de entrenamiento con metástasis llevaría a la búsqueda de un modelo GA con mejor rendimiento diagnóstico. La adopción de métodos exatraction /solubilización complementarias y /o alternativas mejoraría el rendimiento de la detección de m /z picos. Sin embargo, el aumento de paso de preparación debe ser equilibrado con respecto a la aplicación de esta herramienta en entornos clínicos. En esta etapa del trabajo, pensamos que podría ser posible para dar un resultado en menos de 30 minutos, determinando de este modo si una muestra es canceroso o no con un enfoque simplificado y rápido para el análisis de tejidos proteómica conjunto que podría ser utilizado fácilmente como una ayuda para el diagnóstico durante los procedimientos quirúrgicos de rutina. La posibilidad de disponer de información fiable confirmó en el quirófano versus el uso de biopsias congeladas podría tener importantes implicaciones para el tratamiento de pacientes con tumores.