Prediction of liver fibrosis and cirrhosis in chronic hepatitis B infection by serum proteomic fingerprinting

Cilj: Većina neinvazivnih metoda (modela) za predikciju i dijagnosti ciranje jetrene ciroze komplicirana je i nedovoljno osjetljiva, stoga je cilj istraživanja opisanog u ovome radu bio odrediti proteinski profi l seruma koji je karakteristi čan za cirozu jetara te na temelju takvog profi la razviti proteomski model za neinvazivno dijagnosti ciranje ciroze jetara. Metode: Proteini izolirani iz seruma četrdeset šest bolesnika s kroničnim hepati ti som B kvanti tati vno su profi lirani uz pomoć metode SELDI-mikročipova (engl. surface-enhanced laser desorpti on/ionizati on protein chip arrays). Dobiveni proteinski profi li bili su u direktnoj korelaciji s cirozom jetara te su upotrijebljeni u izradi tzv. modela mreže neurona (engl. arti fi cial neural network, ANN), na temelju kojeg se može izračunati indeks fi broze s vrijednosti ma od 0 do 6. Rezultati : Vrijednosti koje su dobivene nakon analize trideset seruma pokazale su kako su proteinski profi li u značajnoj korelaciji sa stupnjem fi broze. Zaključak: Iz seruma bolesnika s fi brozom jetara moguće je dobiti jedinstven proteinski profi l karakteristi čan za ovo patološko stanje. Indeks fibroze ANN koji je dobiven na temelju proteinskog profi la može ukazati na različite stupnjeve fi broze, te se na taj način neinvazivnom metodom mogu jednako dobro predvidjeti i fi broza i ciroza kod bolesnika zaraženih hepati ti som B.Aim: Most noninvasive predicti ve models of liver fi brosis are complicated and have subopti mal sensiti vity. The study described in this paper was designed to identi fy serum proteomic signatures associated with liver fi brosis and to develop a proteome-based fi ngerprinti ng model for predicti on of liver fi brosis. Methods: Serum proteins from 46 pati ents with chronic liver hepati ti s B were profi led quanti tati vely on surface-enhanced laser desorpti on/ionizati on proteinChip arrays. This liver fi brosis-associated proteomic fi ngerprint was used to construct an arti fi cial neural network (ANN) model that produced a fi brosis index with a range of 0-6. Results: Values for 30 serum proteomic features were signifi cantly associated with the degree of fi brosis. Conclusions: A unique serum proteomic fi ngerprint is present in the sera of pati ents with fi brosis. An ANN fi brosis index derived from this fi ngerprint could diff erenti ate between diff erent stages of fi brosis and predict fi brosis and cirrhosis in chronic hepati ti s B