yao lifu1. 项目背景与临床痛点
多发性硬化（Multiple Sclerosis, MS）是一种中枢神经系统慢性炎性脱髓鞘疾病，全球约有280万患者。目前的诊断主要依赖MRI影像学和脑脊液寡克隆区带（OCB）检测，但存在两大临床困境：
- OCB检测灵敏度仅85-90%，约10-15%的临床确诊MS患者呈现OCB阴性结果
- 现有生物标志物无法区分MS与其他神经炎症疾病（如视神经脊髓炎谱系疾病）
这项发表在Cell期刊的研究，通过蛋白质组学技术筛选出22个特异性蛋白标志物组合，首次实现了：
- OCB阴性MS患者的准确识别（灵敏度提升至97.3%）
- MS与其他神经免疫疾病的精准鉴别（特异性达94.1%）
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术路线与实验设计
2.1 多中心队列建立
研究团队收集了来自德国、美国、中国等6个医疗中心的样本：
- 发现队列：327例MS患者（含42例OCB阴性） + 186例其他神经炎症疾病患者
- 验证队列：214例独立样本（含31例OCB阴性MS）
所有样本均经过：
- 标准化脑脊液采集（腰椎穿刺后立即-80℃保存）
- 统一临床诊断标准（2017年McDonald标准）
- 盲法实验设计（检测人员不知临床诊断）
2.2 蛋白质组学分析流程
-
样本预处理：
- 脑脊液超滤浓缩（10kDa截留）
- 胰蛋白酶酶解（37℃ 16h）
- TMT标记（11-plex试剂盒）
-
质谱检测：
- 仪器：Orbitrap Fusion Lumos
- 参数：MS1分辨率120,000，MS2分辨率50,000
- 梯度：120min（5-35%乙腈）
-
数据分析：
- 数据库：UniProt Human（2021版）
- 软件：MaxQuant（v2.0.3）
- FDR控制：<1% at PSM level
3. 关键发现与标志物解析
3.1 22个标志物的功能分类
通过机器学习筛选出的标志物可分为三类：
| 类别 | 代表蛋白 | 病理关联 |
|---|