Tümöre Spesifik Eksopeptidazlar Tarafından
Transkript
Tümöre Spesifik Eksopeptidazlar Tarafından
Proteomiks ve Protein Belirteçler Clinical Chemistry 56: 2 ; 262-271 (2010) Tümöre Spesifik Eksopeptidazlar Tarafından Serum Proteinlerinden Laboratuvar Ortamında Üretilen Peptitler Over Kanserinin Yararlı Biyobelirteçleri Değildir. Peptides Generated Ex Vivo from Serum Proteins by Tumor-Specific Exopeptidases Are Not Useful Biomarkers in Ovarian Cancer John F. Timms,1*† Rainer Cramer,2† Stephane Camuzeaux,1 Ali Tiss,2 Celia Smith,2 Brian Burford,3 Ilia Nouretdinov,3 Dmitry Devetyarov, 3 Aleksandra Gentry-Maharaj,1 Jeremy Ford,1 Zhiyuan Luo, 3 Alex Gammerman,3 Usha Menon,1 and Ian Jacobs 1 GİRİŞ: Serum peptidomu tanısal kanser biyobelirteçlerinin değerli bir kaynağı olabilir. Öncel kütle spektrometrisi (MS) incelemeleri farklı kanser tiplerini ayırt edici ilgili peptit gruplarının tümöre spesifik eksopeptidazlar tarafından laboratuvar ortamında (ex vivo) bol miktarda bulunan serum proteinlerinden üretildiğini ileri sürmüştür. Over kanserini iyi huylu oluşumlardan ve sağlıklı kontrollerden ayırt eden benzer peptitlerin bulunup bulunmayacağını test etmek için 2 tamamlayıcı serum profili stratejisini test ettik. dereceleri sağlamıştır. Modellerin bir kör çalışma test setinde validasyonu sonucu % 71 ( kötü huylu ve sağlıklı olgular) ve % 65’e (kötü huylu ve iyi huylu oluşumlar) varan tanısal doğruluk dereceleri elde edilmiştir. SONUÇLAR: Over kanseri tanısını doğrulamak için yalnız başına değişik MALDI-TOF MS peptit profilleri kullanılamaz. © 2009 American Association for Clinical Chemistry YÖNTEMLER: Sağlıklı gönüllüler ve hastalardan benzer şekilde toplanmış ve işlenmiş serum numunelerini 2 merkezde MALDI-TOF MS profil testinden önce oktadesilsilan kaplı manyetik boncuklar ve ayrı ayrı Zip Tips üzerinden otomatik polipepeptit ekstraksiyon işlemine tabi tuttuk. İki platform karşılaştırılmış, olgu kontrol profili verileri analiz edilerek bozulmuş MS pik intensiteleri saptanmıştır Test veri setlerinden oluşturulmuş modelleri her iki yöntem için bir körçalışma test setini sınıflandırma yetileri açısından test ettik. BULGULAR: Her iki profil oluşturma platformunun değişkenlik katsayıları (CV) yaklaşık % 15 olup klinik numunelerin yüksek hacimli analizlerine uygulanabilirdi. Oluşturulan 2 yöntem birbirleriyle örtüşen peptit profillerine sahip olup kitlelerin farklı bölgelerindeki pik intensitelerinde bazı farklılıklar mevcuttu. Çapraz validasyonda, test verileriyle oluşturulan modeller ayırıcı tanı açısından over kanserleri ile sağlıklı kontrollerin ayrımında % 87, iyi ve kötü huylu numunelerin ayrımında ise % 81’e varan doğruluk Institute for Women’s Health, University College London, UK; 2 BioCentre and Department of Chemistry, University of Reading, UK; 3 Computer Learning Research Centre, Royal Holloway, University of London, UK. * Address correspondence to this author at: Cancer Proteomics Laboratory, Institute for Women’s Health, University College London, Cruciform Building 1.1.09, Gower St., London, WC1E 6BT, UK. Fax + 44-20-7679-6334; e-mail [email protected]. † J.F. Timms and R. Cramer contributed equally to this work. Received July 7, 2009; accepted November 10, 2009. Previously published online at DOI: 10.1373/clinchem.2009.133363 1 262 ----------------------------------------------------------------------------------- Her yıl 204 000 yeni over kanseri olgusuna tanı konmaktadır (1). Hastalığa tanınabilir semptomların ve güvenilir tarama yöntemlerinin yokluğu dolayısıyla geç tanı konmaktadır Başvuru sırasında hastaların % 70’inden fazlasında hastalık pelvis dışına yayılmıştır (III. Evre) (Uluslararası Jinekolojik ve Obstetrik Federasyonu [ International Federation of Gynecology and Obstetrics (FIGO)4]. Semptomatik hastalar için başlıca tanısal testler transvajinal ultrasonografi ve serum kanser antijeni 125’dir (CA-125). Ancak mezotelden türemiş başka dokular da CA-125 üretmekte olup iyi huylu klinik durumlar ve başka kanserlerde de artabilmektedir. Erken evre tümörlerin hepsi CA-125 üretmediklerinden yalancı negatif sonuçlar da oluşabilmektedir (3). Sonuçta erken evre over kanserinin saptanması ve tanı konmasında daha iyi biyobelirteçlere gerek vardır (4). 4 Nonstandard abbreviations: FIGO, International Federation of Gynecology and Obstetrics; CA-125, cancer antigen 125; MS, mass spectrometry; SELDI-TOF, surface-enhanced laser desorption/ionization time-of-flight; MS/MS, tandem MS; UCL, University College London; UCLH, University College London Hospital; UKOPS, United Kingdom Ovarian Cancer Population Study; UKCTOCS, UK Collaborative Trial of Ovarian Cancer Screening; TFA, trifluoroacetic acid; CHCA, a -cyano-4-hydroxycinnamic acid; m/z, mass-to-charge; S/N, signal-to-noise ratio; C18, octadecylsilane; kNN, k-nearest neighbor algorithm; SVM, support vector machine; ESI, electrospray ionization; UoR, University of Reading MALDI-TOFMS ile OvariyumKanserBiyobelirteçleri Bir over kanseri biyolojik belirtecinden istenen performans karakteristikleri spesifik klinik kullanıma bağlıdır. Semptomatik kadınlarda başlangıç tedavisinden önce iyi huylu pelvik kitleleri kanserlerden ayırt etme amacıyla klinik açıdan görüntüleme testleriyle birlikte halen belirteçler de kullanılmaktadır. Bu endikasyon için bir belirtecin mevcut testlerin performansını iyileştirmesi veya katkıda bulunması gerekecektir. Bu belirteçler kombinasyon şeklinde semptomatik over kanserinin tanınması açısından % 85-90 oranında tanısal duyarlılığa, iyi huylu oluşumlar için % 85-90 özgüllüğe sahiptir (5). Ayrı ve daha iddialı bir klinik kullanım asemptomatik over kanserinin erkenden tanınması için tarama testleri uygulamak olacaktır. Klinik öncesi asemptomatik kanser için CA -125 ve ultrasonografi kullanan geniş çaplı çalışmalar % 8090 oranında tanısal duyarlılığa ulaşabilmektedir(6). Asemptomatik postmenopozal kadınları taramanın tanısal özgüllüğünün % 98’i aşması gerekecek, ikinci basamak tarama testi olarak ultrasonografi kullanıldığında genel tanısal özgüllük % 99,6’yı aşacaktır. Yeni kanser biyobelirteçlerini tanımlama açısından serum polipeptitlerinin analizi umut verici olup değişik proteomik yaklaşımlar kullanılmıştır (7-9).Serum proteomu iddialı bir belirteç olup proteomik profil yöntemiyle birkaç güçlü kanser biyolojik belirteci tanımlanmıştır. Kütle spektrometrisine (MS) dayanan profil oluşturma yöntemiyle tanımlanmış aday belirteçlerin çoğu bol miktarda bulunan akut faz proteinleri olup (10, 11) doğru tanı için yararlı spesifik belirteçler olmaları mümkün değildir (12). Sayısız çalışma ayrıca numunenin işlenmesi sırasında oluşan değişiklikleri vurgulamıştır (13-19). Pıhtılaşma zamanında, geçiş zamanında, ortam ısısında, depolamada, dondurma-çözündürme döngüleri ve tüp tipindeki farklılıklar biyolojik değişkenlikten bağımsız olarak tümüyle serum profillerini etkilemektedir. Bu değişiklikler esasen proteolizle yönlendirildiğinden numunelerin hepsini benzer işlemlerden geçirmek kritik önem taşımaktadır. Analizin yinelenebilirliği ve proteomik biyobelirteçlerin keşfi için kullanılan sınıf ayırt edici algoritmaların sağlamlığı konusunda kaygılar ortaya atılmıştır (12, 20, 21). MALDI-TOF MS ve yüzey güçlendirmeli lazer dezorpsiyon/iyonizasyon zaman ölçerli (SELDI-TOF) MS özellikle otomatik numune işleme cihazına bağlandığında çok verimli bir profilleme sağlamaktadır. Kitlenin ağırlığıyla kısıtlanmış olmasına rağmen MALDI-TOF MS düşük kütleli serum ve plazma proteomlarının kompleks yapısını açıklığa kavuşturmuştur (22). Kombine fraksiyonlanma, MALDI-MS profillemesi ve tandem kütle spektrometrisi (MS/MS) dizinlemesinin yaklaşık 20 rutin plazma proteininden beklenmedik şekilde türemiş 250’yi aşkın plazma peptidini tanımlamış olması (23) proteolitik klivajların yaygın olduğunu düşündürmektedir. Bazı proteinlerin klivaj kalıpları farklı hastalık durumlarıyla ilişkilendirilmiştir (24 ). Serum taşıyıcı proteinine bağlı peptidomun analizi (25) peptitlerin Evre I over kanserlerini sağlıklı deneklerden % 93’lük bir tanısal doğruluk derecesiyle ayırt edebildiğini saptamıştır. Manyetik boncuklar kullanan ters fazlı ekstraksiyon yöntemi serum peptitlerinin profillerini çıkartabilmek için MALDITOF MS ile kombine edilmiş (26) daha sonra meme, mesane ve prostat kanserini sağlıklı kontrollerden ayırt edebilen peptit piklerini bulma amacıyla bu kombine test uygulanmıştır (27). MS/MS ile her kanser türü için ayırt edici peptitlerin tanımlanması, bu peptitlerin bol miktarda bulunan serum proteinlerinden oluşturulmuş ilgili peptit fragmanları olduğunu ortaya koymuştur. Bu peptitlerin pıhtılaşma sırasında vücut dışında tümör kökenli eksopeptidazların serum konsantrasyonları veya aktivitelerindeki değişiklikler sonucu oluşan temsili belirteçler olduğu varsayılmıştır.. Over kanseri olgularından alınan numunelerde benzer peptit setlerinin değişikliğe uğrayıp uğramadığını, kontroller, iyi ve kötü huylu oluşumlar arasında ayrım yapmak için kullanılıp kullanılmayacağını araştırdık. Gereçler ve Yöntemler DENEKLER, NUMUNE TOPLAMA VE KULLANMA Bu çalışma Üniversite Koleji Londra/ Üniversite Koleji Londra Hastanesi İnsan Araştırmaları Ortak Etik Kurulu (University College London (UCL)/University College London Hospital (UCLH) Committees on the Ethics of Human Research (Committee A) (referans no: 05/Q0505/58) tarafından onaylanmış, donörlerin hepsinden bilgilendirilmiş yazılı onam alınmıştır. Hastaların kimliğini tanımlamaya yönelik herhangi bir veri sağlanmamıştır. Birleşik Krallık’ta 10 Ulusal Sağlık Hizmet Vakfından (National Health Service Trusts) katılan kadınlar Birleşik Krallık Over Kanseri Popülasyon Çalışmasına (UK Ovarian Cancer Population Study [UKOPS]) alınmıştır. Hastalar jinekolojik onkoloji ana bilim dallarından, sağlıklı gönüllüler ise UKCTOCS (UK Collaborative Trial of Ovarian Cancer Screening [Birleşik Krallık Ortak Over Kanseri Taraması) çalışmasına katılmış kadınlardan seçilmiştir (6,28). Over neoplazileri için ameliyat öncesinde hastalardan serum numuneleri toplanmış, notlar ve histopatoloji raporlarının bağımsız olarak gözden geçirilmesiyle iyi veya kötü huylu over tümörü tanısı doğrulanmıştır. Sağlıklı gönüllülerin soy geçmişinde over kanseri olmadığı gibi izlem sırasında herhangi bir kanser tanısı konmamıştır. Over kanseri (n=70), sınırda (n = 11) (29) veya iyi huylu over tümörü (n=89) tanısı konmuş kadınlarla benzer yaşlarda sağlıklı kontrollerden (n= 173) serum numuneleri alınmıştır. Her grubun ortanca yaşları, yaş ortalamaları, Clinical Chemistry 56: 2 (2010) 263 Table 1. Case control samples used for study. Malignant Participant FIGO stage I FIGO stage II FIGO stage III FIGO stage IV Unstaged Total Benign Healthy Age, years Median Interquartile range Mean 62.6 65.2 63.9 69.2 50.4–73.3 54.7–66.5 54.1–70.9 59.3–73.1 61.4 62.1 61.8 67.9 5 7 2 2 23 4 4 41.2 63.9 58.7 53.6–71.2 48.7–68.5 41.2 61.8 57.2 1 34 14 — 63.9 59.2–69.1 64.1 Malignant Serous carcinoma Endometrio id carcinoma Mucinous carcinoma 5 Clear cell carcinoma 3 Mixed carcinoma 3 1 Transitional cell carcinoma 2 2 Adenocarcinoma (unspecified) Borderline 1 7 1 7 1 4 1 3 2 9 2 Benign 89 Healthy Total 173 33 6 34 histolojik alttipleri ve numune kod numaraları Tablo 1’de ayrıntılı olarak gösterilmiştir. Numunelerin toplanması ve işlenmesinin esası anlatıldığı gibidir (30). POLİPEPTİT EKSTRAKSİYONU VE MALDI-TOF MS ‘PROFİLLEMESİ Numuneleri iki seri halinde işledik ve inceledik: 1. seri (n = 129) 22 over kanseri, 43 iyi huylu tümörü ve 64 sağlıklı kontrol numunelerinden, 2. seri (n=214) 22 over kanseri (n= 46 iyi huylu tümörü, 109 sağlıklı kontrol,11 sınırda/düşük malignitede numuneleri içermekteydi. Her bir serideki numuneler randomize edildi, çözündürüldü, her bir ekstraksiyon yöntemi için paylaştırıldı ve profilleri çıkartılmadan önce -80oC’de yeniden donduruldu. C18 kaplı manyetik boncuk ekstraksiyonu ve MS profili. Daha önce bildirilen, biraz modifiye edilmiş ters fazlı seri ekstraksiyon protokolünü kullanarak serum numunelerini üçer kez ekstrakte ettik (30) (bkz. bu makalenin sanal ortam sürümüne (www.clinchem.org/content/vol56/is-sue2 eşlik eden Ek Dosya 1). Kısaca oktadesilsilan (C18) kaplı paramanyetik boncuk süspansiyonunu (5 /µL; 50 g/L), 50 /µL serum içeren 96 kuyucuklu plağın kuyucukları içine aktardık, numuneyi karıştırdık ve 1 dakika kendi haline bıraktık. Daha sonra boncukları manyetik alan yaratarak kenarlara doğru çektik ve üst fazı attık. 264 Clinical Chemistry 56: 2 (2010) 5 3 70 89 173 Boncuklar daha sonra üç kez bir yandan bir yana mıknatıslarla çekilerek % 0,1 trifloroasetik asit (TFA) içinde yıkandı, santrifüjleme ile bir araya toplandı, yeniden 7 µL elüsyon (tasfiye) solventinde ((%50 asetonitril, %0,1 TFA) süspansiyon haline getirildi ve kenara çekildi. Yıkantı suyunu (eluat) %36: %56: %8 metanol:asetonitril:su içindeki 35 /µL α-siyano-4-hidroksisinnamik asit (CHCA) matriksiyle karıştırdık. Eluat/matriks karışımının 1 µl’lık bölüntüleri çelik MALDI hedef plakaları üzerine damlatıldı ve oda sıcaklığında kurumaya bırakıldı. Aşamaların hepsi Genesis Freedom 200 sıvı işleme çalışma istasyonunda (Tecan Birleşik Krallık) otomatik olarak gerçekleştirilmiştir. Her bir hedef plağı için kalite kontrol amacıyla kullanılan serum (Sigma-Aldrich; #S7023) dört kez ekstrakte edilmiş, analiz içi ve analizler arası değişkenliği izleme amacıyla kullanılmıştır Kalibre edilmiş Ultraflex MALDI-TOF/TOF kütle spektrometrisinde (ayrıntılar sanal ortamda Ek Dosya 1’de) doğrusal pozitif modda 700-10 000 kütle/yük (m/z) arasında otomatik olarak spektral profiller oluşturulmuştur. Kısaca her bir spektrum 100 darbelik 10 set halinde belirli bölgedeki farklı noktalara uygulanan 1000 lazer darbesinden ibaretti. Yedi yüz-4000 m/z eriminde yalnızca ayrıştırım gücü > 300 olan en azından 1 pik ve sinyal/gürültü oranı (S/N) >1 olan spektrumlar (100 lazer darbesinin) birikecek şekilde MALDI-TOFMS ile OvariyumKanserBiyobelirteçleri değerlendirme parametrelerini belirledik. Numune 3 replikat denemesinden en azından ikisinde toplam 1000 lazer darbesi alan replikatların dördünden üçüne sahipse ilişkin veriler kabul edilmiştir. Dokuz numune yinelenebilir spektrumu sağlayamamış ve analizde gözardı edilmiştir. C18-ZipTip pipetleriyle ekstraksiyon ve MS profili Tanımlandığı gibi otomasyon protokolü içinde ters fazlı C18 Zip Tipler kullanarak serum polipeptitlerini zenginleştirdik (31). Kısaca işlemler için adapte edilmiş CyBi™-Disk robotu kullandık. Beş mikrolitrelik bölüntüler 5 µL % 2 TFA ile asidifiye edildikten sonra robotun başlığına monte edilmiş daha önce prosedüre alıştırılmış ZipTips pipetleri içinden 20 kez aspire edilmiş ve atılmış, ardından 10 µL % 0,1 TFA ile üç kez yıkanmıştır. Polipeptitler, 7 µL % 50 asetonitril, % 0,1 TFA ile 5 kez aspire edilip atılarak yeni bir plağın içine ayrıştırılmıştır. Daha sonra 3 µL ayrıştırılmış numuneyi (eluatı) 27 µL taze hazırlanmış matris çözeltisiyle (2:1 etanol: asetonda 0,5 g/L CHCA) karıştırdık, hemen sonra 0,8 µL’lik 4 bölüntüyü bir 600 µm’lik AnchorChip™ hedef plağına (Bruker Daltonics) damlatıp havada kurumaya bıraktık. Analize özgü ve analizler arası değişkenliği takip için kalite kontrol amacıyla kullanılan insan serumundan ikişer numune ekstrakte edilmiş ve olgu kontrol numuneleriyle birlikte çalışılmıştır. Biraz modifiye edilmiş ortam ve prosedürle bir Ultraflex II MALDI-TOF/TOF kütle spektrometresi kullanılarak serum kütle spektrometrik profilleri elde ettik (sanal ortamda Ek Dosya 1’e bkz). Numunelerin hepsi en azından farklı günlerde üçer kez incelenmiştir. Numune 3 replikat denemesinden en azından ikisinde, toplam 1000 lazer darbesi alan replikatların dördünden üçüne sahipse ilişkin veriler kabul edilmiştir. Numunelerin tümü yinelenebilir spektrumlar göstermiş, başlangıç materyali yetersiz olduğu için bir numune çalışılamamıştır. Sanal ortamda Ek Dosya 2’de standart çalışma protokolünün ayrıntıları verilmiştir. VERİLERİN İŞLENMESİ VE SINIFLANDIRMASI Kurum içinde geliştirilmiş aşamaların aynısı kullanılarak her iki yöntemin ham MS profil verilerini birlikte işledik (http://clrc.rhul.ac.uk/ projects/proteomic3,htm) (32). Kısaca replikat numunelerden gelen spektrum verilerinin ortalamasını aldık ve verileri 5 kat azalttık (beş veri noktasından biri hesaba katılmıştır). Daha sonra sanal ortamda Ek Dosya 1’de açıklandığı gibi düzgünleştirme, başlangıçta eliminasyon, normalleştirme ve pik tanımlaması gibi işlemleri uyguladık. Pikleri bulundukları yerin maksimumdaki şiddet derecesi olarak ölçtük ve sık görülen pikleri bulmak için (pik grupları) 1500 ppm kütle penceresi kullanarak pikleri hizaya dizdik. İşlemlerden sonra pikler 2 veri seti için 665 ve 431’lik pik grupları içinde kümeleştirilmişti. Numunelerin % 10’undan fazlasında görünen pik gruplarını analiz için kullandık. Sınıflandırma için test ve kör-çalışma test setleri oluşturma amacıyla iki seri halinde profilleri belirlenmiş numuneleri kullandık. C18 manyetik boncuk profilinden alınan eğitim seti 1. numune serisinin tümünü ve 2. seriden rastgele alınan numuneleri (n = 205; 42 kanser, 63 iyi huylu tümör ve 100 sağlıklı numune) içermekteydi. Kör-çalışmanın test seti (n = 127; 39 kanser, 22 iyi huylu tümör ve 66 sağlıklı numune) 2. serinin geri kalan numunelerini içermekteydi. ZipTip test seti de (n = 215) benzer bir dağılım göstermekte olup 45 kanser, 64 iyi huylu tümör ve 106 sağlıklı numuneyi içermekteydi. Her iki yöntem için de kör-çalışmanın test seti özdeşti. Sınırda olguların eğitim ve sınıflandırma açısından kötü huylu tümörler olduğu düşünüldü. Kanser ve sağlıklı, kanser ve iyi huylu tümörlerin ayrımı için 2 tip ayırt edici öngörü modeli oluşturduk. Piklerin alt kümelerine (genellikle az sayıda) ağırlıklı k-en yakın komşu algoritması (kNN), sınır değer kurallarının mantıklı kombinasyonları ve değişik çekirdekli destek vektör makinesi (SVM) kullanan farklı modeller uygulanmıştır. Numunelerin etiketlerini 1000 kez tekrar tekrar randomize edip, rastgele sırası değişmiş ve doğru etiketlenmiş numuneler için P değerleri belirleyerek çapraz validasyon testi uyguladık (Monte Carlo yöntemi). Eğitim setinde en iyi performans gösteren modeller daha sonra kör-çalışma test setinde (tümü ağırlıklı kNN modeleri).validasyona tabi tutulmuştur. Q-TOF MS/MS İLE PİK TANIMLAMASI Numuneleri Q-TOF Premier kütle spektrometresiyle (Waters) kullanılan ve farklı tipte hedef için hafif modifikasyonlarla yukarıda tanımlanan MALDİ numune hazırlama yöntemine benzer MALDI modunda veya elektron püskürtmeli iyonizasyon (ESI) modunda analiz ederek pikleri tanımladık. Bu sonuncu olguda ESI analizinden önce numuneler C18-bazlı ters fazlı HPLC ile fraksiyonlara ayrılmıştır. Toplam 60’dan fazla olan fraksiyonlar 2’ye ayrılmış, her bir fraksiyondaki başlıca protein bileşenlerinin tanımlanmasını kolaylaştırmak için bir bölüntüsü tripsinle parçalanmıştır. Mümkün olduğunda tanımlama için diğer parçalanmamış fraksiyona ait bilgilendirici MS/MS dizin verileri kullanılmıştır. Parçalanmış fraksiyondaki protein tanımlamaları kullanılarak karşılaştırma için sınırlı sayıda teorik peptit kitleleri seti oluşturulmuştur. Deneysel fragman iyonlarla teorik parçalanma ürünlerinin karşılaştırılmasıyla kütle hassasiyeti < 75 ppm olan peptit setleri yeniden değerlendirilmiştir. Parçalanmamış fraksiyonlardan MS/MS verilerinin elde edilemediği olgularda, Clinical Chemistry 56: 2 (2010) 265 Şekil 1. Analizin yinelenebilirliğini gösteren kalite kontrol serum numunelerinin düzenlenmiş spektrumları (A) farklı günlerde incelenen 4 veya 5 seride 54 ekstraksiyon ve kontamine edici replikatların düzenlenmiş 216 spektrumunu gösteren C18 manyetik boncuk ekstraksiyon (UCL) yönteminin sonuçları (B) üç ayrı günün serilerinde incelenen 105 ekstraksiyon ve kontamine edici replikatların düzenlenmiş 418 spektrumunu gösteren C18 ZipTip ekstraksiyon (UoR) sonuçları daha önce tanımlanmış fragmanlarla bilinen protein yapısı bilgilerini karşılaştırdık. Sonuçlar Dynal 18 BONCUKLARI VE ZipTip KSTRAKSİYONU KULLANILARAK UYGULANAN MALDI-TOF PROFİL OLUŞTURMA YÖNTEMLERİNİN KARŞILAŞTIRMASI Sırasıyla C18-kaplı manyetik boncuklar ve C18 ZipTips ile ekstraksiyona dayanan yarı otomatik 2 serum peptit profili oluşturma yöntemi geliştirdik. Test numuneleriyle birçok kez muamele edilip işlenmiş bir kalite kontrol serum numunesi kullanılarak robotik deneylere özgü ve deneyler arası analiz performansı değerlendirilmiştir.. C18 manyetik boncukla ekstraksiyon yönteminde CV’leri saptanan pik yoğunluklarının hepsi göz önüne alındığında sırasıyla 1. ve 2. deneme serilerinde analizler arası CV’ler %15,7 (%7,2) ve %13,9 (%7,6) olmuştur. ZipTip yönteminin analizler arası CV’leri %15,0 (%7,5) ve %13,7 (%8,3) idi. Şekil 1 her iki yöntemin ısı haritaları olarak düzenlenmiş, 2 ekstraksiyon yöntemlerinde görülen 266 Clinical Chemistry 56: 2 (2010) pik profillerinde hatırı sayılır örtüşmeyle yaklaşık 200 pik/spektrumu içeren kalite kontrol spektrumunu (m/z 700-10000; S/N>3) göstermektedir. Pik yoğunluğunda bazı farklılıkların kullanılan 2 reçine tipinin farklı bağlama kapasitesini yansıtması olasıdır. MS verilerini elde etme süreci sırasında bir otomatik spektral kalite filtresi uygulanmış (bkz “Gereçler ve Yöntemler”) ve her iki yöntem numune eliminasyonu açısından iyi bir performans göstermiştir. Sırasıyla manyetik boncuk ve Zip Tip yöntemiyle 343 numunenin 334’ü ve 342 numunenin 342’sinde filtreleme kriterlerini karşılayan spektrumlar elde edilmiştir. Klinik numunelerin spektral profillerinin karşılaştırması, 2 yöntemin örtüşen ancak belirgin profillerinin mevcut olduğunu ortaya çıkmıştır. (Şekil 2A–E). ZipTip yöntemi 12001700 m/z aralığında yüksek yoğunluklu pikler oluşturma eğilimindeydi. Manyetik boncuk yöntemiyle tüm kütle spektroskopisi eriminde daha homojen yoğunluklar elde edilmiştir. Klinik numunelerle kalite kontrol numunelerinin profillerinin farklı olması kökenlerindeki ve hazırlanmasında kullanılan farklı işleme koşullarını yansıtmaktaydı. Tüm klinik numunelerin spektral işlenmesi sırasıyla UCL ve Reading Üniversitesi (UoR) veri setlerinde 665 ve 431 pik grubunun sıralanmış olduğunu ortaya koymuştur. İleri analiz için yalnızca numunelerin % 10’undan fazlası göz önüne alınıp, çoğu kez düşük yoğunluklu pikler atılarak piklerin sayısı manyetik boncuk veri seti için 132’ye Zip Tip veri seti için 108’e düşürülmüştür. Sanal ortamdaki Ek D’de 3. Dosya elimine edilmiş piklerin listesini göstermektedir. Eğitim setinden alınan sağlıklı numunelerin 1. seriden geldiğini 2.seriden gelen sağlıklı numunelerin ise aynı dağılım kalıbına ait olduğu varsayımının doğruluğunu kontrol edip MannWhitney U-testi P değerlerini hesapladık, Bonferroni düzeltili 0,01 üstü P değerleri (sanal ortam Ek Dosya 3’de “stabil olmayan pikler” olarak adlandırılan) elimine edilmiştir. Bu yaklaşımın arkasındaki motivasyon sağlıklı kontrol numunelerine göre stabil olan piklerin listesini oluşturmaktı. Sonuçta 2 veri setinden sırasıyla 36 ve 20 stabil olmayan pik çıkartılarak pik setleri 96 (manyetik boncuk) ve 88’e (Zip Tip) düşürülmüştür. MS PİKLERİNİ KULLANARAK PERFORMANSIN SINIFLANDIRMASI SVM, ağırlıklı kNN ve basit sınır değer kuralları gibi çeşitli öğrenme yöntemleri kullanarak eğitim setinden çok sayıda model oluşturduk. Pik çiftleri kullanımının en iyi performansları verdiğini, pik sayısını artırmanın abartılı yakıştırma sonucu stabil ve yinelenebilir sonuçlara yol açmadığını saptadık. (bkz sanal ortam Ek Dosya 1). Pik yoğunluğa karşın pik alanı kullanımı performansta kayda değer bir MALDI-TOFMS ile OvariyumKanserBiyobelirteçleri Şekil 2 UKOPS olgu kontrol numunelerinin MALDI-TOF MS profilleri. (A), 228 pikin saptandığı C18 manyetik boncuk ekstraksiyonunun ortalama spektrumları. (B), 207 pikin saptandığı C18 Zip Tip ekstraksiyonunun ortalama spektrumları. (C), Sınıflandırma ve FIGO evresiyle gruplandırılmış C18 manyetik boncukla ekstrakte edilmiş numunelerin düzenlenmiş spektrumları. (D), Sınıflandırma ve FIGO evresiyle gruplandırılmış Zip Tip ile ekstrakte edilmiş numunelerin düzenlenmiş spektrumları.. (E), İki farklı ekstraksiyon yöntemi kulalnarak aynı numunenin (numune no. 00100145) ikişer kez analizlerinden elde edilen spektrumları Clinical Chemistry 56: 2 (2010) 267 Table 2. Classification performances for discriminating healthy and malignant samples for the sets using 2 peak weighted kNN models.a Training set kNN threshold/ total Sensitivity, % Specificity, % Test set Accuracy, % Peak m/z values P for 1000 iterations Sensitivity, % Specificity, % Accuracy, % UCL, malignant vs healthy 1/3 90.5 75.5 80.0 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 76.9 40.9 63.9 74.4 45.5 63.9 51.3 40.9 47.5 66.7 31.8 54.1 76.9 36.4 62.3 87.1 + 1078.6 710 + 1078.6 906.33 + 4093.4 4093.4 + 5913.2 4212.8 + 5913.2 4056.8 + 8752 1/2 85.7 81.6 82.9 3/8 81.0 83.7 82.9 4/10 78.6 86.7 84.3 3/6 76.2 89.8 85.7 4/8 69.0 94.9 59.0 45.5 54.1 1/7 100.0 50.0 63.4 3507.3 76.9 42.4 55.2 97.4 59.6 69.7 61.5 56.1 58.1 92.1 64.4 71.8 51.3 59.1 56.2 2/8 89.5 77.9 81.0 64.1 45.5 52.4 4/10 84.2 81.7 82.4 43.6 72.7 61.9 2/4 76.3 85.6 83.1 59.0 68.2 64.8 3/6 73.7 86.5 83.1 48.7 68.2 61.0 4/8 71.1 92.3 86.6 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 1/4 1/3 46.2 89.4 73.3 710 UoR, malignant vs healthy a + 6225.2 4787.4 + 3507.3 4787.4 + 3507.3 3448.5 + 3086.5 2023.1 + 3507.3 3086.5 + 3970.5 3086.5 + 2569 2023.1 + 7469.3 Cross-validation was performed by randomizing sample labels in 1000 iterations and calculating P values (Monte Carlo method) for the randomly permutated and correctly labeled samples. farklılık yaratmamıştır. Test edilen sınıflandırma yöntemleri içinde çapraz validasyonda en iyi performansı ağırlıklı kNN modelleri göstermiştir. Değişik pik çiftlerinin 2 eğitim setinde sağlıklı ve kanserli numunelerin ayrımında makul derecede iyi bir performans gösterdiğini, doğruluk derecelerinin manyetik boncuk seti için % 80-87,1 ve ZipTip seti için % 63,45-86,6 olduğunu saptadık (Tablo 2). Ancak bu modeller kör-çalışma testi setinde validasyona tabi tutulduklarında daha düşük bir performans sergilemişlerdir. En iyi performansla sağlanan tanısal doğruluk dereceleri manyetik boncuk veri setinde % 63,9, ZipTip veri setindeyse % 73,3 idi. Sağlıklı ve kanserli numuneleri ayırt eden 2 veri setinde kullanılan piklerin örtüşmemiş olması kayda değer. Kanserli ve iyi huylu doku numunelerini sınıflandırmada eğitim setlerinin performansında doğruluk dereceleri UCL verilerinde sırasıyla % 66,7-81,9 ve UoR verilerinde sırasıyla % 66,3-79,2 idi. (Tablo 3). Validasyon setinde bu modeller ancak orta derecede iyi performans göstermiş, en yüksek doğruluk dereceleri UCL ve UoR veri setlerinde sırasıyla % 62,3 ve % 65,6 düzeyinde kalmıştır. İyi huylu ve kanserli olguların 268 Clinical Chemistry 56: 2 (2010) ayrımı için kullanılmış az sayıda pikin aynı peptitler (m/z 3509,6/3507,3, m/z 4056,8/4053,8 ve m/z 4093,4/4091,1) olması ihtimali mevcuttu İlaveten her bir veri seti için kanser-sağlıklı ve kanser–iyi huylu tümör sınıflandırmalarında birkaç pik sıklıkla kullanılmıştır. Genellikle tanımlanan metodoojiler kullanılarak yüksek verimlilikteki MALDI-TOF MS profilleri içindeki verilerin over kanserine doğru tanı koyamadığı açıkça belliydi. PİKLERİN TANIMLANMASI MS profillerinde gözlenen peptitleri over kanserinin olası belirteçleri olarak tanımlamak önceki çalışmamızdaki yöntemlerimizle karşılaştırmak (27, 33)için saptanan piklerin mümkün olduğu kadar çoğunu tanımlamaya çalıştık. Kısaca 20’den az sayıda proteinin proteolitik ürünlerini temsil eden (gösterilmemiş veriler) 50’den fazla pik yüksek bir güvenlilik derecesiyle tanımlanmıştır. Bu analizle iyi ve kötü huylu tümör numunelerini ayırt etmek için kullanılan en iyi modellerin piklerini, sağlıklıkanser sınıflandırmasında ise az sayıda piki tanımlayabildik (Tablo 2 ve 3). M/z 906, 1021, 1079, 1265, 1547, 2771 ve 5913’deki piklerin tümü MALDI-TOFMS ile OvariyumKanserBiyobelirteçleri Table 3. Classification performances for discriminating benign and malignant samples for the training and blinded test sets using 2 peak weighted kNN models.a Training set kNN threshold/ total Sensitivity, % Specificity, % Test set Accuracy, % Peak m/z values P for 1000 iterations Sensitivity, % Specificity, % Accuracy, % UCL, malignant vs benign 1/5 100.0 44.4 66.7 2771.4 + 2274.7 + 2274.7 + 4093.4 + 1061.8 + 9148.3 + 9148.3 + 3509.6 + 5913.2 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 71.8 9.1 49.2 1/4 97.6 49.2 68.6 2771.4 2/7 92.9 66.7 77.1 906.33 66.7 13.6 47.5 59.0 31.8 2/5 90.5 71.4 79.0 1265 49.2 84.6 18.2 3/7 88.1 76.2 81.0 60.7 59.0 36.4 906.33 50.8 2/4 83.3 77.8 80.0 906.33 3/6 81.0 79.4 80.0 906.33 56.4 31.8 47.5 69.2 31.8 1/1 76.2 85.7 81.9 4056.8 55.7 74.4 40.9 62.3 1/3 100.0 46.0 66.3 1546.8 3/10 89.5 63.5 73.3 4053.8 + 7469.3 + 1021.3 1021.3 + 2106.1 4787.4 + 3507.3 2106.1 + 6909.6 4091.1 + 1021.3 2106.1 + 6909.6 1021.3 + 4396.3 <0.001 <0.001 <0.001 <0.001 <0.001 <0.005 <0.005 <0.01 56.4 50.0 54.1 76.9 40.9 63.9 2/5 86.8 69.8 76.2 2/6 84.2 73.0 77.2 66.7 45.5 59.0 59.0 68.2 3/7 76.3 81.0 79.2 62.3 30.8 68.2 5/10 68.4 84.1 78.2 44.3 48.7 63.6 5/10 68.4 84.1 78.2 54.1 25.6 72.7 42.6 4/8 68.4 84.1 78.2 61.5 72.7 65.6 UoR, malignant vs benign a Cross-validation was performed by randomizing sample labels in 1000 iterations and calculating P values (Monte Carlo method) for the randomly permutated and correctly labeled samples. (işlenmiş ve dolu kitleler) ilk beşi MALDI-MS/MS ile doğrudan tanımlanmış fibrinopeptidin değişik fragmanları olmak üzere fibrinojen-alfa öncülünden kaynaklanmıştır. Sanal ortamda Ek Dosya 3’e bkz) Önceden fraksiyonlara ayırma ve ESI-MS/MS analiziyle eşdeğer güvenlilikle m/z2771 ve 5913 pikleri tanımlanmıştır. m/z 1547’deki pikin serin halkasında fosforileşmiş bir fibrinopeptit A fragmanına tekabül etmesi kayda değer m/z 2275’deki pik yine direkt MALDI- MS/MS testiyle tanımlanmış bir inter-αtripsin inhibitörüdür. Tartışma Otomasyonlu MALDI-TOF MS profillemeyle bağlantılı iki yüksek verimli polipeptit ekstraksiyon yöntemini sağlıklı kontroller, over kanseri veya iyi huylu over tümörü tanısı konmuş kadınlardan benzer yöntemlerle toplanmış ve işlenmiş serum numunelerine uyguladık. Başlıca amacımız over kanserinin saptanması, iyi ve kötü huylu tümörlerin ayırıcı tanısı için varsayımsal peptit biyobelirteçlerini tanımlamaktı. Sonuçları tümöre spesifik ekzoproteaz aktiviteleriyle oluşturulduğu varsayılan diğer kanser tiplerinin serum peptit belirteçlerini tanımlamak için benzer bir stratejinin kullanılmış olduğu önceki çalışmalarla karşılaştırmayı da istedik. (27,33). Hem Zip Tip hem de MS profillemesiyle ilişkili boncuk ekstraksiyon yöntemi başarıyla otomatize edilmiştir., Bir kalite kontrol numunesiyle test edildiğinde her iki yöntem de yinelenebilir özellikte olup düşük numune eliminasyon oranlarına sahipti. İki analizin yinelenebilirliğinde (CV’ler yaklaşık % 15) birkaç bol bulunan (ve sıklıkla stabil) pikten ziyade spektrum içinde sinyal/gürültü oranları 3’den yüksek eşleştirilmiş piklerin tümü göz önüne alınmıştır Bu pikler MALDI bazlı serum profilleme için bildirilenlerden daha yüksekti. Yöntemler birbirleriyle iyice örtüşen ve öncekilerle uyumlu spektral profiller oluşturmuş, MS/MS peptidazın oluşumuna neden olduğu birçok özdeş serum protein parçacığını tanımlamıştır. Özellikle m/z 1547 ve 5913’‘den başka tanımlanmış peptit pikinin tümuyle kanser olgularını kontrollerden ayırt etmede istatistiksel açıdan anlamlı oldukları bildirilmişti Clinical Chemistry 56: 2 (2010) 269 (27). Profil oluşturma yöntemlerinin kanıtlanmış yinelenebilirliğine ve numunelerin önceleri optimize edilmiş protokolüne göre numunelerin benzer şekilde işlenmiş olduğu gerçeğine rağmen (15,30) validasyon setimizde kanserler ve iyi huylu tümörlerin yüksek doğrulukla sınıflandırılması için elde edilen pik yoğunluğu bilgileri kullanılamaz. Özellikle aynı kişilerde belli bir zaman boyunca izlendiğinde genel tanısal duyarlılık derecelerinin yaklaşık % 80, özgüllük derecelerinin % 95’in üstünde olduğu bildirilmiş olan kNN modellerinde pik çiftlerinin performansı, serum CA-125’in altına düşmüştür (4, 34). O halde over kanseri olgularında, serumda tümöre spesifik peptidom kalıplarına kanseri belirleme ve tanı koymada yararlı ayırt edici özellik katan ekzoproteaz aktivitelerinin mevcut olmadığı görünmektedir. Nedenleri belli olmamakla birlikte ekzoproteaz aktiviteleri önceki çalışmalarda kullanılan prostat, meme, mesane ve tiroit kanserine karşın over kanseri ve alttiplerinin farklı moleküler etiyolojisini temsil edebilir (27, 33). Bu farklılık over kanseri hücrelerinde bu çeşit ekzoproteazların mevcut olmadığını, tercihli inhibisyonlarını veya kan dolaşımına hücrelerin salgılanması/ saçılmasındaki azalmayı gösterebilir. Buna karşın önceki çalışmalar MS ile oluşturulan serum profilinin kanseri sağlıklı veya iyi huylu tümörlerden doğrulukla ayırt etmek için kullanılabildiğini bildirmiştir (35,36). MS profillerinde gözlemlenen farklılıklar numunelerin işlenmesi ve seçimindeki hatalara bağlıydı (37, 38). Numunelerin toplanması ve işlenmesine (39) ilişkin standart çalışma prosedürleri uygulanmalıdır Burada uygulanmış olan numune işleme prosedürlerinin yanlılıktan kaçınmak için sıkıca denetlenmiş olması MALDI-TOF MS profilleme yöntemini kullanarak düşük kütleli serum proteomunda over kanseri tanısal biyobelirteçlerinin saptanamadığı düşüncesini desteklemektedir. Tanımlanan yöntemler kullanılarak yüksek verimli MALDI-TOF MS ile serum peptidomunun profilini oluşturma over kanserinin saptanması ve tanısına ilişkin bir miktar bilgi sağlamasına rağmen tanımlanan belirteçler yalnız başlarına klinik kullanım için uygun olmayacaktır. Author Contributions: All authors confirmed they have contributed to the intellectual content of this paper and have met the following 3 requirements: (a) significant contributions to the conception and design, acquisition of data, or analysis and interpretation of data; (b) drafting or revising the article for intellectual content; and (c) final approval of the published article. Authors’ Disclosures of Potential Conflicts of Interest: Upon manuscript submission, all authors completed the Disclosures ofPotential Conflict of Interest form. Potential conflicts of interest: Employment or Leadership: None declared. Consultant or Advisory Role: I. Jacobs, Becton Dickinson Stock Ownership: None declared. Honoraria: None declared. 270 Clinical Chemistry 56: 2 (2010) Research Funding: D. Devetyarov, Veterinary Laboratories Agency. This work was supported by the Medical Research Council through grants G0301107 and G0401619. UKOPS was supported by the Eve Appeal. Part of this work was undertaken at UCLH/UCL, which received a proportion of funding from the Department of Health’s National Institute for Health Research (NIHR) Biomedical Research Centres funding scheme. Expert Testimony: None declared. Role of Sponsor: The funding organizations played no role in the design of study, choice of enrolled patients, review and interpretation of data, or preparation or approval of manuscript. Kaynaklar 1. International Agency for Research on Cancer. GLOBOCAN 2002. http://www-dep.iarc.fr (Accessed December 2009). The GLOBOCAN 2002 project shows cancer “incidence,” “mortality,” and “prevalence” worldwide (2002 “estimates”). 2. Cancer Research UK. Ovarian cancer survival statistics. http://info.cancerresearchuk.org/cancerstats/ types/ovary/survival/index.htm (Accessed December 2009). 3. Brioschi PA, Irion O, Bischof P, Bader M, Forni M, Krauer F. Serum CA 125 in epithelial ovarian cancer: a longitudinal study. Br J Obstet Gynaecol 1987;94:196–201. 4. Bast RC Jr, Badgwell D, Lu Z, Marquez R, Rosen D, Liu J, et al. New tumor markers: CA125 and beyond. Int J Gynecol Cancer 2005;15 Suppl 3:274–81. 5. Timmerman D, Testa AC, Bourne T, Ameye L, Jurkovic D, Van Holsbeke C, et al. Simple ultrasound-based rules for the diagnosis of ovarian cancer. Ultrasound Obstet Gynecol 2008;31:681–90. 6. Menon U, Gentry-Maharaj A, Hallett R, Ryan A, Burnell M, Sharma A, et al. Sensitivity and specificity of multimodal and ultrasound screening for ovarian cancer, and stage distribution of detected cancers: results of the prevalence screen of the UK Collaborative Trial of Ovarian Cancer Screening (UKCTOCS). Lancet Oncol 2009;10:327–40. 7. Wulfkuhle JD, Paweletz CP, Steeg PS, Petricoin EF 3rd, Liotta L. Proteomic approaches to the diagnosis, treatment, and monitoring of cancer. Adv Exp Med Biol 2003;532:59–68. 8. Ludwig JA, Weinstein JN. Biomarkers in cancer staging, prognosis and treatment selection. Nat Rev Cancer 2005;5:845–56. 9. Chatterjee SK, Zetter BR. Cancer biomarkers: knowing the present and predicting the future. Future Oncol 2005;1:37–50. 10. Kozak KR, Su F, Whitelegge JP, Faull K, Reddy S, Farias-Eisner R. Characterization of serum biomarkers for detection of early stage ovarian cancer. Proteomics 2005;5:4589–96. 11. Su F, Lang J, Kumar A, Ng C, Hsieh B, Suchard MA, et al. Validation of candidate serum ovarian cancer biomarkers for early detection. Biomarker Insights 2007;2:369–75. 12. Diamandis EP. Mass spectrometry as a diagnostic and a cancer biomarker discovery tool: opportunities and potential limitations. Mol Cell Proteom 2004;3:367–78. 13. Coombes KR, Morris JS, Hu J, Edmonson SR, Baggerly KA. Serum proteomics profiling: a young technology begins to mature. Nat Biotechnol 2005;23:291–2. 14. Karsan A, Eigl BJ, Flibotte S, Gelmon K, Switzer P, Hassell P, et al. Analytical and preanalytical biases in serum proteomic pattern analysis for breast cancer diagnosis. Clin Chem 2005;51: 1525–8. 15. Villanueva J, Philip J, Chaparro CA, Li Y, Toledo-Crow R, DeNoyer L, et al. Correcting common errors in identifying cancer-specific serum peptide signatures. J Proteome Res 2005;4:1060–72. 16. Banks RE, Stanley AJ, Cairns DA, Barrett JH,Clarke P, Thompson D, Selby PJ. Influences of blood sample processing on low-molecularweight proteome identified by surface-enhanced laser desorption/ionization mass spectrometry. Clin Chem 2005;51:1637–49. 17. Baumann S, Ceglarek U, Fiedler GM, Lembcke J, Leichtle A, Thiery J. Standardized approach to proteome profiling of human serum based on magnetic bead separation and matrix-assisted laser desorption/ionization time-of-flight mass spectrometry. Clin Chem 2005;51:973–80. 18. Findeisen P, Sismanidis D, Riedl M, Costina V, Neumaier M. Preanalytical impact of sample handling on proteome profiling experiments with matrix-assisted laser desorption/ionization timeof-flight mass spectrometry. Clin Chem 2005;51: 2409– 11. 19. Timms JF, Arslan-Low E, Gentry-Maharaj A, Luo Z, T’Jampens D, Podust MALDI-TOFMS ile OvariyumKanserBiyobelirteçleri VN, et al. Preanalytic influence of sample handling on SELDI-TOF serum protein profiles. Clin Chem 2007;53:645–56. 20. Baggerly KA, Morris JS, Edmonson SR, Coombes KR. Signal in noise: evaluating reported reproducibility of serum proteomic tests for ovarian cancer. J Natl Cancer Inst 2005;97:307–9. 21. Diamandis EP. Serum proteomic profiling by matrix-assisted laser desorption-ionization timeof-flight mass spectrometry for cancer diagnosis: next steps. Cancer Res 2006;66:5540–1. 22. Hortin GL. The MALDI-TOF mass spectrometric view of the plasma proteome and peptidome. Clin Chem 2006;52:1223–37. 23. Koomen JM, Li D, Xiao LC, Liu TC, Coombes KR, Abbruzzese J, Kobayashi R. Direct tandem mass spectrometry reveals limitations in protein profiling experiments for plasma biomarker discovery. J Proteome Res 2005;4:972–81. 24. Song J, Patel M, Rosenzweig CN, Chan-Li Y, Sokoll LJ, Fung ET, et al. Quantification of fragments of human serum inter-alpha-trypsin inhibitor heavy chain 4 by a surface-enhanced laser desorption/ionization-based immunoassay. Clin Chem 2006;52:1045–53. 25. Lopez MF, Mikulskis A, Kuzdzal S, Golenko E, Petricoin EF 3rd, Liotta LA, et al. A novel, high-throughput workflow for discovery and identification of serum carrier protein-bound peptide biomarker candidates in ovarian cancer samples. Clin Chem 2007;53:1067–74. 26. Villanueva J, Philip J, Entenberg D, Chaparro CA, Tanwar MK, Holland EC, Tempst P. Serum peptide profiling by magnetic particle-assisted, automated sample processing and MALDI-TOF mass spectrometry. Anal Chem 2004;76:1560–70. 27. Villanueva J, Shaffer DR, Philip J, Chaparro CA, Erdjument-Bromage H, Olshen AB, et al. Differential exoprotease activities confer tumor-specific serum peptidome patterns. J Clin Invest 2006;116:271–84. 28. Menon U, Gentry-Maharaj A, Ryan A, Sharma A, Burnell M, Hallett R, et al. Recruitment to multi-centre trials–lessons from UKCTOCS: descriptive study. BMJ 2008;337:a2079. 29. Kurman RJ, Shih Ie M. Pathogenesis of ovarian cancer: lessons from morphology and molecular biology and their clinical implications. Int J Gynecol Pathol 2008;27:151–60. 30. Villanueva J, Lawlor K, Toledo-Crow R, Tempst P. Automated serum peptide profiling. Nature Protoc 2006;1:880–91. 31. Tiss A, Smith C, Camuzeaux S, Kabir M, Gayther S, Menon U, et al. Serum peptide profiling using MALDI mass spectrometry: avoiding the pitfalls of coated magnetic beads using well-established ZipTip technology. Proteomics 2007;7 Suppl 1:77–89. 32. Gammerman A, Vovk V, Burford B, Nouretdinov I, Luo Z, Chervonenkis A, et al. Serum proteomic abnormality predating screen detection of ovarian cancer. Computer J 2009;52:326–33. 33. Villanueva J, Martorella AJ, Lawlor K, Philip J, Fleisher M, Robbins RJ, Tempst P. Serum peptidome patterns that distinguish metastatic thyroid carcinoma from cancer-free controls are unbiased by gender and age. Mol Cell Proteom 2006;5:1840–52. 34. Bast RC Jr. Status of tumor markers in ovarian cancer screening. J Clin Oncol 2003;21:200s– 205s. 35. Petricoin EF, Ardekani AM, Hitt BA, Levine PJ, Fusaro VA, Steinberg SM, et al. Use of proteomic patterns in serum to identify ovarian cancer. Lancet 2002;359:572–7. 36. Semmes OJ, Feng Z, Adam BL, Banez LL, Bigbee WL, Campos D, et al. Evaluation of serum protein profiling by surface-enhanced laser desorption/ ionization time-of-flight mass spectrometry for the detection of prostate cancer: I. Assessment of platform reproducibility. Clin Chem 2005;51:102– 12. 37. Baggerly KA, Morris JS, Coombes KR. Reproducibility of SELDI-TOF protein patterns in serum: comparing datasets from different experiments Bioinformatics 2004;20:777–85. 38. McLerran D, Grizzle WE, Feng Z, Bigbee WL, Banez LL, Cazares LH, et al. Analytical validation of serum proteomic profiling for diagnosis of prostate cancer: sources of sample bias. Clin Chem 2008;54:44–52. 39. Tuck MK, Chan DW, Chia D, Godwin AK, Grizzle WE, Krueger KE, et al. Standard operating procedures for serum and plasma collection: early detection research network consensus statement standard operating procedure integration working group. J Proteome Res 2009;8:113–7. Clinical Chemistry 56: 2 (2010) 271