青莲百奥血浆生物标志物全流程解决方案

生物标志物助力精准医疗

生物标志物（Biomarker）是指可以标记系统、器官、组织、细胞及亚细胞结构或功能的改变或可能发生的改变的生化指标，具有非常广泛的用途。生物标志物在医学和生命科学领域中具有重要的作用和意义，可用于疾病诊断、判断疾病分期以及药物开发。

机器学习和人工智能在生物学领域，特别是蛋白质生物标志物的发现与应用方面，展现出了巨大的潜力和影响力。通过处理和分析大量的生物数据，加速蛋白质生物标志物的发现。通过对大量病例数据的学习和分析，精准预测疾病的发展趋势，为医生提供更加个性化的治疗方案。机器学习和人工智能的结合，为蛋白质生物标志物的发现与应用提供强大的技术支持，推动临床应用的发展，为未来的医学研究和治疗提供了更加广阔的前景。

基于机器学习筛选生物标志物1

血浆生物标志物检测难点

血是重要的临床样本，对其蛋白质组进行深入研究在疾病诊断和疗效监测具有重要意义。然而，血浆中的一些高丰度蛋白质占据大量的质谱信号使得低丰度蛋白质不容易被质谱检测到。目前，大部分已知蛋白标志物是血浆中的高丰度蛋白质，但低丰度蛋白才是潜在生物标志物的重要来源。因此，对血浆中的低丰度蛋白进行准确检测是开发标志物首先要解决的问题。

血液生物标志物丰度分布2

青莲百奥血浆生物标志物全流程解决方案

作为国内领先的蛋白质组学诊疗标志物创新平台，青莲百奥致力于开发从高深度蛋白质组检测到标志物筛选，再到临床应用的完整解决方案。

2023年，青莲百奥致力于提高血浆蛋白质组检测深度，将自主研发的血浆低丰度富集磁珠试剂盒、全流程自动化前处理机器人和高通量tims TOF HT质谱仪结合，克服血浆样本复杂性高和低丰度蛋白检测深度低的难题，实现了血浆蛋白质组6000+的检测深度，为血浆蛋白质标志物开发奠定了基础。

随后，青莲百奥不断突破，进一步使用机器学习算法开发了蛋白质标志物筛选流程。该流程整合了多个筛选模型，通过模型评分选择最优模型，利用最优模型筛选潜在生物标志物，最后根据选定的模型和潜在生物标志物，建立预测模型进行效果评估。这一流程能够为临床提供早诊、早筛生物标志物，助力精准医疗。

青莲百奥生物标志物筛选分析内容

青莲百奥技术优势

高深度、高稳定、标准化数据产出

标准分析、方法可靠

一站式的蛋白质诊断标志物开发

广泛应用于多种疾病的诊断和预后产品开发

应用方向

案例一

2023年12月瑞典隆德大学、斯科讷大学以及荷兰阿姆斯特丹阿尔茨海默病中心联合在《JAMA Neurology》发表文章，标题为“Plasma biomarker strategy for selecting patients with alzheimer disease for antiamyloid immunotherapies”。研究使用瑞典BioFINDER 2研究队列，进行血浆和脑脊液生物标志物的检测以及Aβ-PET和Tau-PET成像。该研究基于血浆生物标志物的机器学习模型发现，血浆p-tau217能够良好评估Aβ状态（测试集AUC = 0.94）。使用血浆p-tau217，可以使大部分需要确定Aβ状态的患者免于腰椎穿刺或PET检查，降低费用并提供了更简单的检测方法。

血浆生物标志物预测Aβ状态3

案例二

2022年6月丹麦根本哈根大学与德国马克斯普朗克研究所联合在《Nature Medicine》上发表文章，标题为“Noninvasive proteomic biomarkers for alcohol-related liver disease”。该研究使用临床大队列肝脏样本和血浆样本，首次利用基于质谱的蛋白组学和机器学习模型确定三组蛋白生物标志物组合。结果表明，血浆蛋白质组学可以同时准确地检测肝纤维化、炎症和脂肪变性的早期阶段。模型验证表明，该机器学习模型优于现有的测试方法，为临床诊断和精准医疗提供坚实支撑。

酒精相关性肝病生物标记物筛选方案4

参考文献

1 Mann M, Kumar C, Zeng WF, Strauss MT. Artificial intelligence for proteomics and biomarker discovery. Cell Syst. 2021;12(8):759-770.

2 Geyer PE, Holdt LM, Teupser D, Mann M. Revisiting biomarker discovery by plasma proteomics. Mol Syst Biol. 2017;13(9):942. Published 2017 Sep 26.

3 Mattsson-Carlgren N, Collij LE, Stomrud E, et al. Plasma Biomarker Strategy for Selecting Patients With Alzheimer Disease for Antiamyloid Immunotherapies. JAMA neurology vol. 81,1 (2024): 69-78.

4 Niu L, Thiele M, Geyer PE, et al. Noninvasive proteomic biomarkers for alcohol-related liver disease. Nat Med. 2022;28(6):1277-1287.

5 Christopher M. Bishop: Pattern Recognition and Machine Learning, Chapter 4.3.4

6 Breiman, “Random Forests”, Machine Learning, 45(1), 5-32, 2001.

关注青莲百奥