综述
定量蛋白质组学在支气管哮喘生物标志物中应用的研究进展
中华医学杂志, 2022,102(34) : 2711-2715. DOI: 10.3760/cma.j.cn112137-20220317-00567
摘要

支气管哮喘(简称哮喘)是一种高度异质性的慢性气道疾病,可分为多种表型和内型。传统的基于临床特征和常用实验室指标对哮喘定义的临床表型越来越凸显其弊端,而高通量蛋白质组学可获得更精细的内分型、更特异的生物标志物及更理想的个体化治疗。本文简述了以液相色谱-串联质谱(LC-MS/MS)为代表的定量蛋白质组学技术,并从外周血、诱导痰、支气管肺泡灌洗液及黏膜活检4种类型临床样本出发,对定量蛋白质组学在哮喘诊断、鉴别诊断、疾病分型及治疗反应等方面的生物标志物研究中的应用进行了总结、分析及展望。

引用本文: 邓振安, 卢少华, 张清玲. 定量蛋白质组学在支气管哮喘生物标志物中应用的研究进展 [J] . 中华医学杂志, 2022, 102(34) : 2711-2715. DOI: 10.3760/cma.j.cn112137-20220317-00567.
参考文献导出:   Endnote    NoteExpress    RefWorks    NoteFirst    医学文献王
扫  描  看  全  文

正文
作者信息
基金 0  关键词  0
English Abstract
评论
阅读 0  评论  0
相关资源
引用 | 论文 | 视频

版权归中华医学会所有。

未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。

除非特别声明,本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。

支气管哮喘(简称哮喘)是一种常见的呼吸系统慢性炎症性疾病,全世界有近3.4亿哮喘患者,在中国约有4 570万成人罹患哮喘,患病率为4.2%1, 2。哮喘是一种具有多种病理生理学机制而引起不同的临床表现的异质性疾病。为了描述哮喘的异质性,研究者在对哮喘进行亚型分类上做了大量的工作3, 4。目前临床上常根据诱导痰炎症细胞的比例,将哮喘分为中性粒细胞型、嗜酸性粒细胞型、混合粒细胞型和寡粒细胞型5

近年来,由于认识到临床表型可能无法提供对哮喘复杂分子机制的深入了解,基于病理生理机制来定义疾病内型已成为认识哮喘更合理的手段 6, 7, 8。根据参与的主要免疫炎症通路,目前哮喘最常见的内型分为:高T2型(type 2-high)、低T2型(type 2-low)及混合内型。临床上,2型炎症存在几种常用的生物标志物,如外周血嗜酸性粒细胞绝对值(BEC)、诱导痰嗜酸性粒细胞百分比(SEC%)、呼出气一氧化氮(FeNO)等。这些生物标志物可用于确定 2型炎症的存在,但是不能精准区分不同内型或准确预测患者对治疗的反应9, 10。因此,目前研究的热点和难点在于寻找哮喘的诊断/鉴别诊断、疾病分型及对治疗的反应等领域的分子标志物,而定量蛋白质组学技术的应用为我们提供了很好的契机。

一、定量蛋白质组学技术
(一)概述

定量蛋白质组学是对一个基因组表达的全部蛋白质或一个复杂混合体系内所有蛋白质进行精确鉴定和定量,大致可分为基于抗体的如ELISA、二维凝胶电泳质谱(2DE-MS)、二维荧光差异凝胶电泳-质谱(2D-DIGE-MS)以及基于液相色谱-串联质谱(LC-MS/MS)的方法等11,得益于这些技术的发展,对不同临床样本蛋白质表达差异的鉴定和比较成为可能,特别是LC-MS技术取得了巨大进步,对蛋白质的鉴定数量、定量的灵敏度和准确度以及检测速度均有大幅度提升,因此在威胁人类健康的肿瘤、免疫疾病及常见慢性疾病等领域有了广泛的研究应用,也为这些疾病的诊断和分型、鉴定生物标志物、洞察发病机制以及药物筛选等提供了新的契机12

(二)传统定量蛋白质组学

传统的定量蛋白质组学分析方法比如基于抗体的ELISA技术,从检测样本个数来说已经有了巨大的提高。但是,在蛋白质检测通量和对未知的新蛋白的检测上仍然无能为力,另外也受限于抗体本身的特异性影响13。另一种经典的基于2DE-MS的定量蛋白质组学分析方法,在鉴定蛋白质数量上也取得了可观的提高。但是,相对于人类蛋白质组大约2万个蛋白质来说,2DE-MS方法还略显不够;同时这种方法的重现性受到样品制备、凝胶运行条件以及技术差异等多方面影响14

(三)基于LC-MS/MS的定量蛋白质组学

基于LC-MS/MS进行蛋白质组定量的方法克服了上述传统方法的不足,已经成为目前蛋白质组学研究中更强有力的工具。这种方法也包括了多种研究策略,比如基于定量方法来区分的标记定量和非标记定量;也可以通过定量目标来区分,即相对定量和绝对定量;还可以通过实验范围不同分为发现蛋白质组学与靶向定量蛋白质组学15。靶向蛋白质组学技术主要包括选择性响应监测(SRM),也称为多响应监测(MRM),以及平行反应监测(PRM),其优点在于准确率高、通量可观及非抗体依赖性。因此,基于标记和非标记定量的发现蛋白质组学常用于生物标志物的筛选和鉴定,而靶向定量蛋白质组学则可对筛选到的生物标志物进行精确验证16

然而,不同的定量方法也存在不同的优劣势。基于标记定量的方法如:细胞培养稳定同位素标记技术(SILAC)、同位素标记相对和绝对定量技术(iTRAQ)和串联质谱标签技术(TMT)等,虽然具有高灵敏度、高特异度和高可重复性的优点,但是也会受到样本类型以及检测样本个数的影响17, 18, 19

非标记定量(LFQ)方法包括基于数据依赖采集(DDA)和数据非依赖采集(DIA)两种,基于DDA模式的LFQ分析方法得到的二级谱图的质量更高,且就数据预处理的便利性而言,DDA方法是最方便、最快速的20。虽然DDA不受限于样本类型和样本数量的影响,但是DDA分析方法具有数据重复性比较差、样本和样本之间的缺失值较多、样本间的定量准确性较低、对于低丰度蛋白的检测无能为力等缺点13。DIA是近几年发展起来的一项全新的、全息式数据非依赖性扫描定量技术。DIA技术融合了传统蛋白质组学DDA和质谱绝对定量“金标准”——SRM/MRM技术的优势和特点。与DDA方法相比,DIA方法有更少的缺失值、数据记录更为完整、检测的重复性和准确性更高及检测周期更短等优势。因此,DIA技术被Nature Methods杂志评为2015年最值得关注的技术,目前被广泛应用在疾病早期诊断、疾病分型和疾病进展的生物标志物的鉴定以及分子机制研究方面21, 22

(四)单细胞蛋白质组学

近几年来,随着单细胞基因组和转录组研究的突飞猛进,研究者对细胞认识的分辨率大大提高,单细胞蛋白组也开始走入人们的视野23。单细胞蛋白组是对单个细胞内蛋白质组成的定性和定量分析,从而构建精细蛋白分子图谱,它在蛋白丰度检测、转录修饰和翻译后修饰方面填补了单细胞转录组学的空白。目前,单细胞蛋白质组学技术的主要难点和瓶颈在于单细胞内极其微量的蛋白质,分析的细胞数量还无法达到高通量分析上万个细胞,因此在疾病领域的研究尚处于初级阶段24, 25

二、定量蛋白质组学在哮喘生物标志物研究中的应用

在哮喘及其他呼吸系统疾病的研究中,多种生物样本适用于定量蛋白质组学的检测,如外周血(血清、血浆等)、诱导痰(痰上清液、痰细胞)、支气管肺泡灌洗液(BALF)及支气管黏膜活检等26

(一)基于外周血(血清、血浆)的定量蛋白质组学分析的应用

外周血,因其易获取、微创且蛋白丰度高的特点,在哮喘蛋白质组学中的研究最多。在哮喘诊断、鉴别诊断方面,一项基于血浆的LC-MS/MS分析显示,与健康志愿者(HC)和慢性阻塞性肺疾病(COPD)患者相比,过敏性哮喘患者的载脂蛋白E(ApoE)下调,白细胞介素(IL)-33上调,这可能是过敏性哮喘诊断和预后的生物标志物27

在不同表型哮喘的蛋白质组学研究方面,Nieto-Fontarigo等28使用了LC-MS/MS与iTRAQ标记相结合并经优化后的方法,对不同表型和严重程度的哮喘及过敏性鼻炎患者的血清进行了分析,鉴别到18 种蛋白质作为不同哮喘表型和疾病严重程度的潜在生物标志物,其中胰岛素样生长因子酸不稳定亚基(IGFALS)和硫酸肝素蛋白聚糖2(HSPG2)、纤维胶凝蛋白2(FCN2)和甘露聚糖结合凝集素丝氨酸肽酶1(MASP1)这两组蛋白可分别作为过敏性和非过敏性哮喘的生物标志物。

另外,在对哮喘治疗方面的蛋白质组学研究中,Delgado-Dolset等29利用一种新的具备高通量、高特异度、高灵敏度和高动态范围的靶向蛋白质组技术-邻位延伸分析技术(PEA)检测了不同严重程度哮喘患者的血清样本,发现失控性哮喘(治疗无效)患者较吸入激素可控制哮喘患者表现为更显著的T细胞介导的炎症活化,趋化因子(C-C motif)配体13(CCL13)、精氨酸酶1(ARG1)、IL-15和肿瘤坏死因子受体超家族成员12A(TNFRSF12A)等8种上调的蛋白可能是哮喘治疗反应的生物标志物。类似地,Jiang等30通过对激素敏感性哮喘(SSA)和激素抵抗型哮喘(SRA)患者的血清进行2D DIGE-MS分析,鉴定了7种差异表达的蛋白质,其中维生素D结合蛋白(VDBP)升高被认为可预测哮喘患者的激素抵抗,并可能参与SRA的发病机制。在更受关注的哮喘生物靶向治疗方面,Vantaggiato等31分析了重度嗜酸性粒细胞型哮喘患者在使用贝纳利珠单抗(benralizumab,靶向IL-5受体)和美泊利单抗(mepolizumab,靶向IL-5)治疗前后的血清2DE蛋白谱,发现在两组治疗1个月后钙磷蛋白CAYP1表达都降低、α-1-抗胰蛋白酶A1AT和α-2-巨球蛋白A2M表达都升高,而铜蓝蛋白ceruloplasmin仅在贝那利珠单抗治疗后上调,它们可能成为对这两种生物靶向治疗有反应的生物标志物。

(二)基于诱导痰样本的定量蛋白质组学分析的应用

诱导痰主要由气道分泌物组成,同时含有免疫细胞和免疫介质,获取难度较低且无创,在哮喘的蛋白质组学研究中也颇为受重视。

在哮喘诊断、鉴别诊断方面,Cao等32比较了经典哮喘(CA)、咳嗽变异性哮喘(CVA)和胸闷变异性哮喘(CTVA)患者诱导痰上清液的质谱蛋白表达,发现这3种不同的哮喘在与嗜酸性粒细胞增多相关的辅助性T淋巴细胞2(Th2)激活炎症上具有相似的特征。此外,该研究确定了一组用于鉴别3种哮喘的新型蛋白标志物。

在哮喘分型方面,欧洲大型哮喘队列U-BIOPRED研究利用SomaScan定量蛋白质组学技术对诱导痰上清液进行分析,发现:(1)重度吸烟和非吸烟哮喘患者与控制良好哮喘患者相比,IL-16的水平升高最为显著,与调节性T细胞的迁移有关;(2)重度吸烟患者对比控制良好患者,趋化因子CXCL7、粒细胞-巨噬细胞集落刺激因子(GM-CSF)显著上调,这两者与吸烟暴露和中性粒细胞增多相关;(3)与重度吸烟患者相比,重度非吸烟患者LYN 激酶表达降低,它与诱导Th2细胞分化和香烟敏感性有关33。此外,U-BIOPRED还根据以上蛋白质组学数据使用了拓扑数据分析(TDA)方法获得了哮喘的无偏倚分子分型,发现基于蛋白质组学特征的相似性可将哮喘患者分成10种簇(蛋白质分型),将痰粒细胞计数叠加分析后进一步定义了3种类型:3个为高度嗜酸性粒细胞型,3个为高度中性粒细胞型,2个为高度过敏性+寡粒细胞型,并利用logistic回归模型确定了相对应的候选蛋白标志物34

对哮喘治疗方面的蛋白质组学研究中,Kasaian等35使用PEA方法鉴定了痰上清中16个蛋白和血清中9个蛋白分别可作为区分失控性哮喘和控制良好性哮喘的标志物。

(三)基于BALF的定量蛋白质组学分析的应用

通过支气管镜检查进行的支气管肺泡灌洗能够从覆盖气道和肺泡的上皮衬液中收集细胞和其他可溶性成分,但因其有创性,近年来BALF相对于上述两类样本在哮喘蛋白质组学中的研究不多。

最近有研究将一种新兴的单细胞蛋白质组学技术——质谱流式细胞技术(CyTOF)应用于哮喘BALF细胞,发现激素抵抗型哮喘患者主要分为IL-4+的固有免疫细胞富集组和γ干扰素(IFN-γ)+的T细胞富集组,而健康对照者的BALF细胞富含 IL-10+的巨噬细胞36。Rollet-Cohen等37利用LC-MS/MS对比了哮喘与囊性纤维化、纤毛不动综合征患者BALF中外泌体中的蛋白表达,发现哮喘患者来源的外泌体富含Serpin A6(一种参与免疫蛋白酶反调节的蛋白质)和APOA4(一种在脂质和表面活性剂代谢中起作用的蛋白质),可能是鉴别这几种疾病的生物标志物。美国的一项重度哮喘多中心队列研究SARP利用BALF样本中25种细胞因子的蛋白表达水平对哮喘严重程度进行了分类,并发现了不同粒细胞炎症表型哮喘患者或不同严重程度哮喘患者BALF中炎症介质的差异38。Cederfur等39鉴定了半乳糖凝集素galectins家族的结合蛋白在哮喘患者BALF中的表达,发现在哮喘患者和健康受试者的样本之间以galectin-8结合珠蛋白为代表存在表达差异,并且与成纤维细胞和嗜酸性粒细胞的存活相关。

(四)基于支气管黏膜活检样本的定量蛋白质组学分析的应用

同样,因其有创性,在哮喘中支气管黏膜活检样本的蛋白质组学的研究也不多。

Riccio等40对奥马珠单抗治疗有效哮喘患者(OR)与奥马珠单抗治疗无效哮喘患者(NOR)的支气管活检标本进行了蛋白质组学研究,发现Galectin-3阳性与OR中呼吸功能的改善有关,可以被认为是对奥马珠单抗长期反应的潜在蛋白标志物。O′Neil等41利用iTRAQ LC-MS/MS对来自哮喘患者和健康对照的支气管活检样本检测,确定了与哮喘相关的差异蛋白质和相关生物学途径及其通过吸入糖皮质激素治疗后的改变。

三、总结与展望

定量蛋白质组学技术已在哮喘的不同类型临床样本中广泛应用研究,这些研究对解析哮喘的异质性起到了很好的作用,然而,诸多研究成果并未在临床实践中得到很好的转化。存在的问题主要有:(1)不同研究中取样和分析方法缺乏标准化;(2)缺乏对不同队列研究结果的深入或相互验证;(3)横断面研究或相对较短的随访期可能无法捕捉哮喘的复杂性和动态性;(4)基于质谱的蛋白质组学技术对低丰度蛋白质的鉴定仍然具有一定的挑战;(5)组学大数据的分析计算能力的参差不齐;(6)蛋白质组学的高成本、高投入42, 43, 44。未来可以通过协调组织多中心的项目,为样本采集、存储和数据共享制定标准化协议和(或)操作程序(SOP),扩大研究时间节点,整合不同队列研究成果,提高生物信息学计算机算法分析能力以及进行多学科交叉比如多组学、分子生物学和生物信息学等多学科相互验证加以解决45

利益冲突
利益冲突

所有作者均声明不存在利益冲突

参考文献
[1]
LeiY, ZouK, XinJ, et al. Sedentary behavior is associated with chronic obstructive pulmonary disease: a generalized propensity score-weighted analysis[J]. Medicine (Baltimore), 2021, 100(18):e25336. DOI: 10.1097/MD.0000000000025336.
[2]
ReddelHK, BacharierLB, BatemanED, et al. Global Initiative for Asthma Strategy 2021: executive summary and rationale for key changes[J]. Eur Respir J, 2022, 59(1). DOI: 10.1183/13993003.02730-2021.
[3]
FahyJV. Type 2 inflammation in asthma--present in most, absent in many[J]. Nat Rev Immunol, 2015, 15(1):57-65. DOI: 10.1038/nri3786.
[4]
WenzelSE. Asthma phenotypes: the evolution from clinical to molecular approaches[J]. Nat Med, 2012, 18(5):716-725. DOI: 10.1038/nm.2678.
[5]
SimpsonJL, ScottR, BoyleMJ, et al. Inflammatory subtypes in asthma: assessment and identification using induced sputum[J]. Respirology, 2006, 11(1):54-61. DOI: 10.1111/j.1440-1843.2006.00784.x.
[6]
SvenningsenS, NairP. Asthma endotypes and an overview of targeted therapy for asthma[J]. Front Med (Lausanne), 2017, 4:158. DOI: 10.3389/fmed.2017.00158.
[7]
KaurR, ChuppG. Phenotypes and endotypes of adult asthma: moving toward precision medicine[J]. J Allergy Clin Immunol, 2019, 144(1):1-12. DOI: 10.1016/j.jaci.2019.05.031.
[8]
苏苗赏, 李昌崇. 儿童哮喘的异质性与靶向治疗研究进展[J]. 中华医学杂志, 2020, 100(6):474-477. DOI: 10.3760/cma.j.issn.0376-2491.2020.06.001.
[9]
HammadH, LambrechtBN. The basic immunology of asthma[J]. Cell, 2021, 184(6):1469-1485. DOI: 10.1016/j.cell.2021.02.016.
[10]
KuruvillaME, LeeFE, LeeGB. Understanding asthma phenotypes, endotypes, and mechanisms of disease[J]. Clin Rev Allergy Immunol, 2019, 56(2):219-233. DOI: 10.1007/s12016-018-8712-1.
[11]
LeePY, Saraygord-AfshariN, LowTY. The evolution of two-dimensional gel electrophoresis-from proteomics to emerging alternative applications[J]. J Chromatogr A, 2020, 1615:460763. DOI: 10.1016/j.chroma.2019.460763.
[12]
KhalilpourA, KilicT, KhalilpourS, et al. Proteomic-based biomarker discovery for development of next generation diagnostics[J]. Appl Microbiol Biotechnol, 2017, 101(2):475-491. DOI: 10.1007/s00253-016-8029-z.
[13]
ZhangG, WangT, HeQ. How to discover new proteins-translatome profiling[J]. Sci China Life Sci, 2014, 57(3):358-360. DOI: 10.1007/s11427-014-4618-1.
[14]
KnowlesMR, CervinoS, SkynnerHA, et al. Multiplex proteomic analysis by two-dimensional differential in-gel electrophoresis[J]. Proteomics, 2003, 3(7):1162-1171. DOI: 10.1002/pmic.200300437.
[15]
AnkneyJA, MuneerA, ChenX. Relative and absolute quantitation in mass spectrometry-based proteomics[J]. Annu Rev Anal Chem (Palo Alto Calif), 2018, 11(1):49-77. DOI: 10.1146/annurev-anchem-061516-045357.
[16]
LanY, ZengX, XiaoJ, et al. New advances in quantitative proteomics research and current applications in asthma[J]. Expert Rev Proteomics, 2021, 18(12):1045-1057. DOI: 10.1080/14789450.2021.2017777.
[17]
ChenX, WeiS, JiY, et al. Quantitative proteomics using SILAC: principles, applications, and developments[J]. Proteomics, 2015, 15(18):3175-3192. DOI: 10.1002/pmic.201500108.
[18]
RauniyarN, YatesJR. Isobaric labeling-based relative quantification in shotgun proteomics[J]. J Proteome Res, 2014, 13(12):5293-5309. DOI: 10.1021/pr500880b.
[19]
ThompsonA, WölmerN, KoncarevicS, et al. TMTpro: design, synthesis, and initial evaluation of a proline-based isobaric 16-plex tandem mass tag reagent set[J]. Anal Chem, 2019, 91(24):15941-15950. DOI: 10.1021/acs.analchem.9b04474.
[20]
GuoJ, HuanT. Comparison of full-scan, data-dependent, and data-independent acquisition modes in liquid chromatography-mass spectrometry based untargeted metabolomics[J]. Anal Chem, 2020, 92(12):8072-8080. DOI: 10.1021/acs.analchem.9b05135.
[21]
BrudererR, BernhardtOM, GandhiT, et al. Extending the limits of quantitative proteome profiling with data-independent acquisition and application to acetaminophen-treated three-dimensional liver microtissues[J]. Mol Cell Proteomics, 2015, 14(5):1400-1410. DOI: 10.1074/mcp.M114.044305.
[22]
WangJ, TucholskaM, KnightJD, et al. MSPLIT-DIA: sensitive peptide identification for data-independent acquisition[J]. Nat Methods, 2015, 12(12):1106-1108. DOI: 10.1038/nmeth.3655.
[23]
CheungTK, LeeCY, BayerFP, et al. Defining the carrier proteome limit for single-cell proteomics[J]. Nat Methods, 2021, 18(1):76-83. DOI: 10.1038/s41592-020-01002-5.
[24]
TajikM, BaharfarM, DonaldWA. Single-cell mass spectrometry[J]. Trends Biotechnol, 2022. DOI: 10.1016/j.tibtech.2022.04.004.
[25]
XieH, DingX. The intriguing landscape of single-cell protein analysis[J]. Adv Sci (Weinh), 2022, 9(12):e2105932. DOI: 10.1002/advs.202105932.
[26]
TeranLM, Montes-VizuetR, LiX, et al. Respiratory proteomics: from descriptive studies to personalized medicine[J]. J Proteome Res, 2015, 14(1):38-50. DOI: 10.1021/pr500935s.
[27]
BhowmikM, MajumdarS, DasguptaA, et al. Pilot-scale study of human plasma proteomics identifies apoE and IL33 as markers in atopic asthma[J]. J Asthma Allergy, 2019, 12:273-283. DOI: 10.2147/JAA.S211569.
[28]
Nieto-FontarigoJJ, González-BarcalaFJ, Andrade-BulosLJ, et al. iTRAQ-based proteomic analysis reveals potential serum biomarkers of allergic and nonallergic asthma[J]. Allergy, 2020, 75(12):3171-3183. DOI: 10.1111/all.14406.
[29]
Delgado-DolsetMI, ObesoD, Rodríguez-CoiraJ, et al. Understanding uncontrolled severe allergic asthma by integration of omic and clinical data[J]. Allergy, 2022, 77(6):1772-1785. DOI: 10.1111/all.15192.
[30]
JiangH, ChiX, ZhangX, et al. Increased serum VDBP as a risk predictor for steroid resistance in asthma patients[J]. Respir Med, 2016, 114:111-116. DOI: 10.1016/j.rmed.2016.03.011.
[31]
VantaggiatoL, PerruzzaM, RefiniRM, et al. Mepolizumab and benralizumab in severe eosinophilic asthma: preliminary results of a proteomic study[J]. Lung, 2020, 198(5):761-765. DOI: 10.1007/s00408-020-00379-6.
[32]
CaoC, LiW, HuaW, et al. Proteomic analysis of sputum reveals novel biomarkers for various presentations of asthma[J]. J Transl Med, 2017, 15(1):171. DOI: 10.1186/s12967-017-1264-y.
[33]
LefaudeuxD, De MeulderB, LozaMJ, et al. U-BIOPRED clinical adult asthma clusters linked to a subset of sputum omics[J]. J Allergy Clin Immunol, 2017, 139(6):1797-1807. DOI: 10.1016/j.jaci.2016.08.048.
[34]
SchofieldJ, BurgD, NicholasB, et al. Stratification of asthma phenotypes by airway proteomic signatures[J]. J Allergy Clin Immunol, 2019, 144(1):70-82. DOI: 10.1016/j.jaci.2019.03.013.
[35]
KasaianMT, LeeJ, BrennanA, et al. Proteomic analysis of serum and sputum analytes distinguishes controlled and poorly controlled asthmatics[J]. Clin Exp Allergy, 2018, 48(7):814-824. DOI: 10.1111/cea.13151.
[36]
CamioloMJ, ZhouX, OrissTB, et al. High-dimensional profiling clusters asthma severity by lymphoid and non-lymphoid status[J]. Cell Rep, 2021, 35(2):108974. DOI: 10.1016/j.celrep.2021.108974.
[37]
Rollet-CohenV, BourderiouxM, LipeckaJ, et al. Comparative proteomics of respiratory exosomes in cystic fibrosis, primary ciliary dyskinesia and asthma[J]. J Proteomics, 2018, 185:1-7. DOI: 10.1016/j.jprot.2018.07.001.
[38]
BrasierAR, VictorS, JuH, et al. Predicting intermediate phenotypes in asthma using bronchoalveolar lavage-derived cytokines[J]. Clin Transl Sci, 2010, 3(4):147-157. DOI: 10.1111/j.1752-8062.2010.00204.x.
[39]
CederfurC, MalmströmJ, NihlbergK, et al. Glycoproteomic identification of galectin-3 and-8 ligands in bronchoalveolar lavage of mild asthmatics and healthy subjects[J]. Biochim Biophys Acta, 2012, 1820(9):1429-1436. DOI: 10.1016/j.bbagen.2011.12.016.
[40]
RiccioAM, MauriP, De FerrariL, et al. Galectin-3: an early predictive biomarker of modulation of airway remodeling in patients with severe asthma treated with omalizumab for 36 months[J]. Clin Transl Allergy, 2017, 7:6. DOI: 10.1186/s13601-017-0143-1.
[41]
O′NeilSE, NeilSE, SitkauskieneB, et al. Network analysis of quantitative proteomics on asthmatic bronchi: effects of inhaled glucocorticoid treatment[J]. Respir Res, 2011, 12(1):124. DOI: 10.1186/1465-9921-12-124.
[42]
IvanovaO, RichardsLB, VijverbergSJ, et al. What did we learn from multiple omics studies in asthma?[J]. Allergy, 2019, 74(11):2129-2145. DOI: 10.1111/all.13833.
[43]
TylerSR, BunyavanichS. Leveraging-omics for asthma endotyping[J]. J Allergy Clin Immunol, 2019, 144(1):13-23. DOI: 10.1016/j.jaci.2019.05.015.
[44]
Abdel-AzizMI, NeerincxAH, VijverbergSJ, et al. Omics for the future in asthma[J]. Semin Immunopathol, 2020, 42(1):111-126. DOI: 10.1007/s00281-019-00776-x.
[45]
TangH, SlyPD, HoltPG, et al. Systems biology and big data in asthma and allergy: recent discoveries and emerging challenges[J]. Eur Respir J, 2020, 55(1). DOI: 10.1183/13993003.00844-2019.
 
 
展开/关闭提纲
查看图表详情
回到顶部
放大字体
缩小字体
标签
关键词