Abstract

Recentemente, métodos baseados em tecido para análise proteômica têm sido utilizados em pesquisa clínica e parecem confiável para digestivo, cérebro, linfomatoso e classificação de cânceres de pulmão. Por mais simples métodos baseados em tecidos, que de análise de sinal casal a imagem do tecido são demorados. Para avaliar a confiabilidade de um método que envolve a preparação do tecido rápida e análise de discriminar cancerosas a partir de tecidos não cancerosos, testamos 141 pares de cancro do pulmão /não-tumorais e 8 amostras únicas de câncer de pulmão entre as amostras congeladas armazenadas de 138 pacientes operados em 2012 .

as amostras foram esmagados na água, e 1,5 mL foi flagrado em um alvo de aço para análise com o analisador Microflex LT (Bruker Daltonics). Os espectros foram analisados ​​usando o software ClinProTools. Um conjunto de amostras foi utilizado para gerar um modelo de classificação aleatória, com base em uma lista de picos discriminantes ordenadas com o

k

-nearest vizinho algoritmo genético. O resto das amostras (n = 43 e n = canceroso 41 não tumoral) foi utilizado para verificar a capacidade de classificação e calcular os índices de desempenho de diagnóstico relativos ao diagnóstico histológico. A análise constatou 53 m /z picos válidos, dos quais 40 foram significativamente diferentes entre as amostras cancerosas e não-tumorais. O modelo de algoritmo genético selecionado identificados 20 potenciais picos do conjunto de treinamento e tinha 98,81% capacidade de reconhecimento e 89,17% de valor preditivo positivo. No conjunto cego, este método discriminados com precisão as duas classes com uma sensibilidade de 86,7% e uma especificidade de 95,1% para os tecidos de cancro e uma sensibilidade de 87,8% e uma especificidade de 95,3% para os tecidos não tumorais. O segundo modelo gerado para discriminar câncer de pulmão primário de metástases era de qualidade inferior.

A eficácia da análise MALDI-TOF juntamente com um procedimento de preparação do pulmão muito simples parece promissora e deve ser testado na sala de cirurgia em amostras frescas juntamente com o exame patológico

Citation:. Brégeon F, Brioude G, de Dominicis F, Atieh T, D’Journo XB, Flaudrops C, et al. (2014) MALDI-TOF espectrometria de massa para o diagnóstico rápido da cancerosas nódulos pulmonares. PLoS ONE 9 (5): e97511. doi: 10.1371 /journal.pone.0097511

editor: Arun Sreekumar, Baylor College of Medicine, Estados Unidos da América

Recebido: 21 de novembro de 2013; Aceito: 16 de abril de 2014; Publicado em: 15 de maio de 2014

Direitos de autor: © 2014 Brégeon et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados

Financiamento:. A concessão da prestação do URMITE. Os financiadores não tiveram nenhum papel no desenho do estudo, coleta de dados e análise, decisão de publicar ou preparação do manuscrito

CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes

Introdução

a cirurgia é muitas vezes o elemento-chave para o tratamento de massas tumorais, mas a dificuldade de determinar um diagnóstico etiológico exato antes da cirurgia muitas vezes leva a operações realizadas sem conhecimento prévio da exactidão se limitado ou ressecção estendida é necessária, especialmente quando a lesão é menor do que 5 mm de diâmetro. Em alguns casos, tais como tumores cerebrais, a questão da margem de ressecção aumenta a dificuldade da decisão, e cirurgiões têm de equilibrar maximizar a ressecção do tumor e minimizando o potencial para o défice funcional na preservação do tecido crítica [1]. Em outros casos, como a cirurgia de emergência, uma massa de origem desconhecida pode ser revelado de forma inesperada, aumentando, assim, a questão de saber se o tumor é de origem cancerosa e requer extensa ressecção. Por conseguinte, são necessários métodos de confirmação em tempo real para orientar o cirurgião na ressecção de tecido e para otimizar o tratamento [2]. Confirmação geralmente se baseia em exame patológico intra-operatória de cortes congelados que podem fornecer informações no prazo de uma hora. Na cirurgia de câncer de pulmão, o diagnóstico de congelação influencia diretamente decisão cirúrgica fazendo [3]: quando a malignidade é identificado em uma seção congelada após uma ressecção em cunha, a ressecção cirúrgica por lobectomia ou pneumectomia é geralmente realizada, como recomendado pelo American College of Chest Physicians [ ,,,0],4]. Porque exame de congelação é tipicamente limitada e não envolve nenhuma marcação celular ou coloração, pode produzir falsos positivos e falsos negativos. Tem sido associada a mais de 7% de resultados discordantes ou duvidosas em alguns estudos [3], [5] e até uma taxa de erros de classificação de 42% na avaliação de margem de segurança em certos estudos de câncer de pulmão [6]. Na ausência de métodos complementares para análise de tecido na sala de cirurgia, uma acção decisiva tem de ser tomada antes do diagnóstico definitivo. Finalmente, o diagnóstico definitivo baseia-se na histopatologia padrão com base na citologia anormalidades /núcleos e é normalmente suplementada com a análise de alterações em genómica e transcriptómica

.

Proteomics é usado para estudar o largo espectro de proteínas codificadas pelo genoma presentes numa dado tempo [7]. Embora a primeira utilização de espectrometria de massa em doenças cancerosas era na década de 2000. [8], esta abordagem é complexa, requerendo tecido demorado ou condicionado amostra. A segmentação da identificação de biomarcadores específicos de cancros levou a resultados decepcionantes. Recentemente, a laser dessorção ionização espectrometria assistida por matriz-tempo de voo de massa (MALDI-TOF MS) tem sido aplicada a amostras de tecido tumoral criosseccionada; os espectros resultantes foram combinadas com micro-histológica de imagem da mesma secção para classificar tumores com precisão aceitável [9]. Este método de MALDI-imaging tem a vantagem de ser conservador, mas exigiria uma análise pericial e interpretação atrasada que é incompatível com as rápidas respostas necessárias pelo cirurgião e com a capacidade de usar o método em uma sala de operação. Em contraste, de alto rendimento e espectros proteoma rápida pode ser obtido a partir da análise de MALDI-TOF MS das amostras de complexos de pré-tratamento com o mínimo, e este método tem sido mostrado para permitir a classificação de espécies de organismos complexos inteiros incluindo carrapatos [10]. Também permite a identificação de bactérias em meios complexos, tais como sangue [11] e na urina [12], sem cultura colónia

.

hypothesizing que a rápida análise de MALDI-TOF MS de uma amostra de tecido esmagado em bruto pode ser informativa, o objectivo do presente estudo piloto foi avaliar a confiabilidade de MALDI-TOF MS para classificar rapidamente uma amostra de tecido do pulmão crude de origem desconhecida como canceroso ou não canceroso utilizando um volume de amostra mínimo e um método de preparação simples que poderia ser realizada na sala de cirurgia .

Materiais e Métodos

desenho do estudo

Todas as amostras foram coletadas de espécimes cirúrgicos pulmonares de pacientes submetidos a cirurgia torácica para o cancro (AP-HM, Hôpital Nord, Marseille) entre Janeiro de 2012 e dezembro de 2012. consentimento informado por escrito foi obtido de todos os pacientes. O protocolo foi aprovado pela Comissão de Ética Nacional “Comité d’Ethique de la Recherche en Clinique Cirurgia Torácica e Cardio-vasculaire (CERC-CTCV) (número de referência: CERC-SFCTCV-2012-1-31-11-35-32- defl).

Amostra coleção

Durante o procedimento cirúrgico e imediatamente após a ressecção do pulmão, as biópsias foram retirados dos espécimes ressecados de não-tumoral (non-tumoral) e peças tumorais (câncer) de pulmões. a amostragem foi realizada sem comprometer a qualidade de diagnóstico da parte designada para análise histológica e nunca exigiu mais ressecção de tecido do que o necessário para o manejo terapêutico do paciente. Quando a massa tumoral era aparentemente pequeno em tamanho, toda a peça tumoral foi dedicado para o exame histológico;. assim, apenas as ressecções de tumor de mais de 1 cm, foram incluídos no estudo nesses casos, uma amostra de tecido foi reservada para o estudo, congelado e armazenado a -80 ° C para posterior MALDI-TOF a análise MS. Quando não havia material suficiente, ele foi subdividido em dois conjuntos de amostras que foram considerados individualmente. Independentemente, a amostra de tumor principal foi enviado para exame anatomopatológico, e os pacientes foram atribuídos uma pontuação fase pós-cirúrgica TNM de acordo com o sistema de estadiamento internacional câncer de pulmão. De acordo com o padrão da OMS critérios [13], os cânceres foram classificados histologicamente em adenocarcinoma, o carcinoma de células escamosas, carcinoma indiferenciado, carcinoma carcinóide, linfoma e sarcoma.

De toda a lista de exemplo, 2/3 foram aleatoriamente atribuído a um conjunto de treinamento de referência (referência), o que constituiu uma base de dados com uma proporção igual de não-tumorais e amostras de câncer. O terço restante e todas as amostras de cânceres atípicos e /ou extremamente raros foram usados ​​para projetar um grupo cego (cego). As amostras de câncer e não-tumorais do mesmo paciente foram aleatoriamente distribuídos em ambos os de referência ou piscina Cego.

Preparação de Amostras para Espectrometria de Massa

No momento da análise, cada amostra congelada foi descongelada em ar ambiente durante cerca de 15 min., e cortado com um bisturi estéril. Usando uma microbalança laboratório (CPA 224s, Sartorius Stedim Aubagne, França), 0,1 g (0,1 ± 0,008 g) foi colocado num tubo de vidro esterilizado de 10 ml adicionou-se 0,9 ml de água estéril para se obter a diluição a 10%. Quando a quantidade suficiente de tecido estava disponível, uma segunda parte foi processada a fim de realizar os testes em duplicado. O tecido foi homogeneizado em água usando IKA ULTRA-TURRA X T25 (IKA-Werke GmbH . CO. KG Staufen, Alemanha) a 17000 rpm durante 2 min .. A temperatura não foi mantido sob controle durante o processo de homogeneização. Para obter uma diluição de 1/160, 100 ul da mistura foi feita e diluiu-se novamente em 1,5 ml de água estéril e vortex. Nenhum componente adicional, especialmente sem inibidor foi adicionado à mistura, durante todo o processo. 1,5 ul desta diluição foi flagrado em quadruplicado em um alvo de aço polido de 96 amostras. Depois de se secar sobre a bancada, 1,5 ul de matriz HCCA foi adicionado para ionização. metas secas ao ar foram medidos imediatamente. Cada amostra de pulmão gerado 4 espectros a partir dos 4 depósitos.

Espectrometria de Massa

As medições foram realizadas com um Microflex LT (Bruker Daltonics, Bremen, Alemanha) a laser espectrômetro de massa. Os espectros foram registados no modo linear positiva (atraso: 170 ns; ion Fonte 1 (IS1) Tensão: 20 kV; fonte de iões 2 (IS2) Tensão: 16.65 kV; tensão lente: 7,20 kV; faixa de massa: 2 kDa a 20 kDa ). Cada espectro foi obtido após 6 × 40 disparos (240 tiros) em modo automático a uma potência de laser variável, eo tempo de aquisição variou de 60-120 segundos por ponto. Todos os sinais com resolução de ≥ 400 foram adquiridas automaticamente usando o controle de aquisição AutoXecute em software FlexControl versão 3.0. Os espectros dos 4 pontos para cada mistura de tecidos foram importados para o software versão 3.0 BioTyper-RTC (Bruker Daltonik GmbH).

software de análise estatística

ClinProTools v2.2 usa os dados gerados a partir de espectros incluindo pré-tratamento espectros, colheita de pico e operação de cálculo de pico. A definição de pico, a normalização da área para o nível total contagem de iões ponto final ea recalibração de massa (deslocamento do pico máximo de 1000 ppm) foram tidas em conta, eo modo de classificação usando o valor-p t-teste do Wilcoxon /foi utilizado o teste de Kruskal-Wallis.

as diferenças de classes analisadas foram avaliados com base em uma lista de identificação de pico discriminante. Para criar a lista de picos discriminantes, foi utilizado o

k

-nearest vizinho algoritmo genético (GA) implementado neste software. Este algoritmo baseia-se em estimativas de probabilidade de classificação.

Em primeiro lugar, procurou um modelo capaz de discriminar corretamente os 2 classes, câncer e não-tumorais, e segundo para um modelo capaz de discriminar corretamente o câncer de pulmão primário e metástase . Para encontrar o modelo mais discriminante, GA foi treinado com a piscina de referência e validação interna foi processado (10 vezes validação cruzada). O desempenho do modelo foi avaliada pela capacidade de reconhecimento (RC) e valor preditivo positivo (PPV): RC = TP /n, onde TP é o número de verdadeiros positivos (corretamente classificados) em um conjunto de dados, n é o número de amostras em o conjunto de dados, e PPV = TP /(TP + FP), onde FP é o número de falsos positivos (erroneamente classificada).

Em uma segunda etapa, os espectros das amostras Blinded foram utilizados para verificar a capacidade de classificação do modelo gerado. A sensibilidade eficaz, especificidade e acurácia de um modelo foram calculados a partir dos resultados obtidos para as amostras cegas em relação ao diagnóstico histológico de referência como o padrão de ouro utilizando fórmulas padrão (Sensibilidade = TP /TP + FN; Especificidade = TN /TN + FP; Precisão = TP + TN /n).

Para a primeira e a segunda etapa, duplicar material foi testado após o melhor ajuste modelo GA foi selecionado

resultados

Para a classificação entidades de cancro e de não-tumorais, 290 amostras foram analisadas correspondendo a 138 pacientes. A partir desta coorte, houve 141 Câncer /pares não-tumorais e 8 peças originais do cancro. Das 290 peças de ressecção, 225 deu material suficiente para realizar análise em duplicado. Em relação aos 149 peças de câncer, a classificação tumor definitiva foi câncer de pulmão primário de 132 amostras (83 de adenocarcinoma, 34 de carcinoma de células escamosas, 5 de carcinoma indiferenciado, 5 tumores carcinóides, um carcinoma do pulmão de pequenas células, 2 de linfoma e 2 sarcoma), e 17 foram metástases.

espectros Representante de um câncer de pulmão primário (SCLC) da amostra, uma metástase e uma amostra não-tumor são mostrados na Figura 1. um total de 53 picos m /z gerados a partir de câncer e amostras não-tumorais de toda a coorte foram considerados válidos, sendo que 40 deles sendo significativamente diferente entre ambas as classes (p 0,001); estes picos são apresentados na Figura 2. No que se refere a cancro primário do pulmão, metástases e subclasses não-tumorais, um total de 53 picos foram identificados, e 49 deles sendo significativamente diferentes (p 0,001). Estes picos são relatados na Figura 3.

top: espectros representante de cada subclasse: Non-tumoral, primário e metástase. bottom:. imagens do gel em escala de cinza das mesmas amostras como acima

As setas mostram os valores de massa para os 20 picos selecionados pelo Cancer versus não-tumoral GA. Os picos # 3.370,75, 3442.75, 4963.85, 7004.95, 7487.13, 7567.21, 8454.18, 8563.21 e 9952,85 foram regulados positivamente no conjunto de Câncer, enquanto os outros foram regulados positivamente no conjunto não-tumor.

as setas mostram os valores de massa para os 15 picos que discriminam selecionados pelo câncer primário contra o modelo de metástase GA. Os picos 2136.75, 2829.90, 5291.86, 6175.21, 6551.37, 6748.52, 8181.01, 10092.47 e 12685.50 foram regulados positivamente no conjunto Primária do Câncer, enquanto os outros foram regulados positivamente no conjunto de metástase.

análise estatística dos dados e que o câncer versus não-tumor modelo de classificação GA

Para distinguir o cancro a partir de amostras não-tumorais, quando o parâmetro KNN = 3, MNG = 1000, e Max picos = 250, o modelo de ajuste GA foi RC = 98,81%, PPV = 89,17% (Tabela 1), com 20 picos potenciais (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). Análise do espectro a partir do conjunto cego (n = 43 cancro e n = 41 não tumorais) discriminados com precisão as duas classes com uma sensibilidade de 86,7% e uma especificidade de 95,1% para a classe do cancro e uma sensibilidade de 87,8% e uma especificidade de 95,3% para a classe não-tumor

Quando presentes, os duplicados deste definir Cego também foram testados:.. em todos os casos que obtiveram a mesma alocação de classe como a primeira amostra

o câncer de pulmão primário em relação Metástase GA modelo

Para discriminar câncer de pulmão primário de metástases, com o parâmetro KNN = 3, MNG = 1000 e Max picos = 250, o modelo GA ajuste foi RC ​​= 100%, PPV = 90,24%, com 15 picos potenciais (2.136,75, 2.829,90, 3.485,98, 5.291,86, 6.175,21, 65.551,37, 6.748,52, 8.181,01, 10.092,47, 12.685,50, 13.767,60, 14.000,93, 15.220,44, 15.861,39, 15.976,64). A análise dos espectros a partir do conjunto cego (n = 48, 40 primário e 8 metástase) discriminados com precisão as duas subclasses, com uma sensibilidade de 67,5% e especificidade de 75% para a subclasse primária, e uma sensibilidade de 50% e uma especificidade de 70% para a subclasse de metástase. A precisão foi de, respectivamente, 68,75% e 66,7%.

Discussão

Devido ao seu possível impacto sobre o tratamento cirúrgico do paciente, a rápida análise de uma amostra de tecido é de particular importância quando um paciente com uma massa suspeito é operado em cima, especialmente quando a origem do tumor é desconhecida ou em que a natureza das margens de segurança é questionada. Neste estudo piloto, utilizando um método de preparação simples e o algoritmo de classificação da amostra implementado no software de análise de MALDI-TOF, obteve-se o desempenho de diagnóstico aceitável para classificar correctamente uma amostra de pulmão como cancerosa ou não cancerosa. Embora limitada, tal informação pode ser de grande ajuda para a conclusão de congelação diagnósticos patológicos quando uma resposta rápida é necessária.

O cancro do pulmão é a principal causa de mortalidade relacionada com o cancro e o cancro mais frequentemente diagnosticado no mundo, com cerca de 1,35 milhões de novos casos por ano, dos quais 30 mil estão na França. Mais de 80% dos cancros do pulmão são o cancro do pulmão de células não pequenas (NSCLC), para que a ressecção cirúrgica continua a ser a única mais consistente e bem sucedida opção de conseguir uma cura. Às vezes, um nódulo pulmonar é revelado para ser não-cancerosas

a posteriori

, e, portanto, a rápida identificação da origem maligna de um tecido tumoral é de grande importância. O nosso Departamento de Cirurgia Torácica realiza aproximadamente 350 ressecções pulmonares e explora cerca de 30 nódulos de origem desconhecida por toracoscopia ou cirurgia convencional a cada ano. Além disso, nosso laboratório de pesquisa inclui uma plataforma proteômica e está familiarizado com a bancada espectrômetro de massa MALDI-TOF acessível e fácil de usar; Assim, foram reunidas as condições necessárias para realizar o presente estudo-piloto.

resultados encorajadores anteriores foram obtidos por meio de análise MALDI-TOF MS combinada com métodos de purificação [14]. Utilizando suspensões de células intactas directamente manchado na matriz e analisadas por MALDI-TOF MS, válidos e espectros reprodutíveis foram obtidos a partir de tumores malignos da cavidade oral, e um modelo estatístico foi capaz de classificar correctamente uma amostra canceroso com uma sensibilidade de 100%, uma especificidade de 93% e uma exatidão de 96,5% [14]. Estes resultados, que são melhor, mas perto do nosso, foram obtidos utilizando padrões espectrais de uma população homogénea de suspensões de células. Recentemente, os métodos baseados em tecidos não-homogêneos têm sido desenvolvidos para análise proteômica e lipidomas, e eles parecem ser confiáveis ​​para a classificação tumor para digestivo, cérebro, linfomatosa e cancros do pulmão [15] – [18]. Entre esses métodos à base de tecido, MALDI-imaging agora é usado por várias equipas de investigação clínica. No entanto, a abordagem MALDI-imaging continua a ser complexo porque exige resultados da análise fatia de tecido congelados de co-registo MALDI imaging espectros e imagens morfologia. Para amostras de metástases hepáticas humanas, este método permitiu classificação de tumores em seis tipos de cancro comuns, com uma sensibilidade que varia entre 54% a 88%, e uma especificidade variando de 90% a 98%, dependendo da classe maligno [9]. Para simplificar o processo, Lee e co-autores propuseram realizar MALDI-TOF MS para análise lipidomics fatias de congelação pré-seleccionados que contenham pelo menos 70% de células malignas [18]. Os espectros resultantes foram usadas para gerar um modelo (algoritmo máquina de vetores de suporte) que classificadas com precisão tecidos normais do pulmão, tecidos de tumor de pulmão, e NSCLC primária. Primário NSCLC foi discriminada de forma precisa a partir de outros tipos de tumores do pulmão, e as três subclasses, adenocarcinoma, escamoso de células e carcinoma de grandes células, foram correctamente discriminados e classificada com uma sensibilidade e uma especificidade de 84% e 77%, respectivamente para o adenocarcinoma contra carcinoma de células escamosas [18]. Os autores registrou nenhuma amostra classificados erroneamente ao comparar NSCLC Primária e outros tipos de tumores de pulmão, enquanto que no presente estudo, encontramos ambos os falsos negativos e falsos positivos quando comparados câncer de pulmão primário contra subclasses metástase. A diferença em nosso tamanho da amostra do estudo, com um maior número de amostras tumorais e não tumorais (respectivamente 149 e 141), em comparação com o estudo acima mencionado (respectivamente, 47 e 6), poderia explicar as diferenças em resultados de desempenho de diagnóstico. Além disso, um bom desempenho de diagnóstico a partir de outros estudos, foi conseguida através da aplicação de MALDI-imagem em regiões escolhidas que continham alta celularidade do tumor [1], [18], com base na histologia de secções coradas com hematoxilina e eosina. Aqui, usamos sem pré-selecção de amostras de tecido e obteve bons resultados. Nós alvo peças tumorais maiores que 1 cm, que representam as indicações cirúrgicas mais frequentes. É plausível que o tamanho do tumor ter influenciado favoravelmente nossos resultados uma vez que o risco de ter um território amostrado má é reduzido com tumores grandes, em comparação com tumores milímetro.

de massa espectrometria de estratégias de imagem oferecem a vantagem de conservar tecidos mas requer a área de superfície suficiente de secções de tecido para obter a informação valiosa. Além disso, os métodos de imagem MS exigem especialistas treinados, software de análise de pesados ​​e de alto rendimento instrumentação aquisição de sinal. Como esses métodos acima mencionados, a nossa estratégia não requer qualquer purificação ou normalização do conteúdo de células de tecidos. Nossa análise MS amostra triturada foi rápida, reprodutível e muito fácil de executar. O aspecto não-conservadora da nossa abordagem foi em parte contrabalançada pelo tamanho muito baixa amostra de tecido (ou seja, cerca de 0,01 g) capaz de dar espectros válido. Finalmente, utilizando um método simplificado e não guiada por imagem e maior grupo de doentes, obteve-se apresentações de diagnóstico semelhantes aos obtidos com os métodos de MALDI-imagiologia ou métodos de linha celular purificada. Este resultado surpreendente pode ser devido ao mais completo a informação contida na amostra de tecido não purificada completa e para o nosso objectivo modesta, o que não era para identificar a natureza exacta do tumor, mas para classificar a amostra em quer o cancro ou classe não-tumor. Muito curiosamente, entre os potenciais picos que foram selecionados em nosso modelo de GA, três, i. e. 4963.85-8563.21-9952.85 também foram destacados no estudo de Raão e co-autores que usaram métodos de extração e purificação e um modelo GA [19]. Além disso, esses autores identificaram as proteínas candidatas correspondentes (timosina ubiquitina e Acil-CoA proteína de ligação) e confirmou a sua presença nos tumores de pulmão por imunoquímica.

Microflex LT (Bruker Daltonics, Bremen, Alemanha) a laser espectrômetro de massa é um material descartável banco com o software de análise integrada que pode ser facilmente instalado em instalações de funcionamento. A novidade aqui é que o processo de tratamento de amostra completa, incluindo a dispersão do tecido, deposição de material de amostra na matriz e análise, não requer conhecimento técnico e pode ser aprendida por qualquer pessoal paramédico.

Foram utilizados dois terços do nosso amostras para a construção do modelo de predição enquanto números iguais ou inferiores são comumente usados ​​para conjuntos de treinamento, em comparação com conjuntos de validação. Este foi justificada pela heterogeneidade da nossa população Câncer com o objetivo de incrementar a formação definida para obter uma grande representação de referência espectros canceroso. Finalmente, o nosso definir o tamanho da população Cego foi maior do que o anteriormente publicado com MALDI-TOF MS no tecido pulmonar (n = 84). Em contraste com o nosso bom desempenho diagnóstico em classificar uma amostra de como o cancro versus não-tumoral, obtivemos baixas performances para o primário contra Metástase subclasses. Nós pensamos que a grande diversidade em subgrupos metástase contrastando com o baixo número de amostras analisadas neste subclasse pode ser responsável por um modelo matemático aleatório baixo desempenho. Esperamos que incrementar a coorte de treinamento com Metástase levaria a encontrar um modelo de GA, com melhor desempenho diagnóstico. A adopção de métodos exatraction /solubilização complementares e /ou alternativos iria melhorar o rendimento de detectar m /z picos. No entanto, aumentar o passo de preparação deve ser equilibrada em relação à aplicação da presente ferramenta em contextos clínicos. Nesta fase do trabalho, pensamos que poderia ser possível para dar um resultado em menos de 30 minutos, determinando, assim, se uma amostra é canceroso ou não com uma abordagem simplificada e rápido para análise de tecido proteômica inteira que poderia ser facilmente usado como um auxiliar de diagnóstico durante os procedimentos cirúrgicos de rotina. A capacidade de ter informação confirmada de forma confiável on-teatro em vez de utilizar biópsias congeladas poderia ter grandes implicações para o tratamento de pacientes com tumores.