ハイスループットプロテオーム解析と混合整数線形最適化に基づいて、GCFサンプルからの高精度で歯周病または疾患を予測するバイオマーカーの組み合わせの発見

目的：慢性歯周炎（CP）および歯周病院からの歯肉溝液（GCF）サンプルにおけるプロテオームベースのバイオマーカーの最適な組み合わせを特定し、既知の盲目テストセットを通じて予測を検証します。 材料と方法：GCFサンプルは、96 cpおよび歯周健康被験者から収集され、高性能液体クロマトグラフィー、タンデム質量分析、およびPilot_タンパク質アルゴリズムを使用して分析されました。次に、混合整数線形最適化（MILP）モデルが開発され、バイオマーカーの最適な組み合わせを特定し、盲目の被験者のサンプルを健康的または病気であると明確に区​​別できます。 結果：55のサンプルのトレーニングセットでMILPモデル機能の徹底的な検証が実行され、テストセットのサンプルに健康的または病気として注釈を付けると、99％を超える精度が一貫して達成されました。次に、このモデルを55個すべてのサンプルで訓練し、2つの異なる盲検試験セットでテストし、7つのヒトタンパク質と3つの細菌タンパク質の最適な組み合わせを使用して、モデルは41の健康なサンプルと病気のサンプルのうち40を正しく予測することができました。 結論：提案されている大規模プロテオーム解析とMILPモデルは、95％を超える予測精度で歯周病の一貫した診断のためのバイオマーカーの新しい組み合わせを特定しました。

AIM: To identify optimal combination(s) of proteomic based biomarkers in gingival crevicular fluid (GCF) samples from chronic periodontitis (CP) and periodontally healthy individuals and validate the predictions through known and blind test sets. MATERIALS AND METHODS: GCF samples were collected from 96 CP and periodontally healthy subjects and analysed using high-performance liquid chromatography, tandem mass spectrometry and the PILOT_PROTEIN algorithm. A mixed-integer linear optimization (MILP) model was then developed to identify the optimal combination of biomarkers which could clearly distinguish a blind subject sample as healthy or diseased. RESULTS: A thorough cross-validation of the MILP model capability was performed on a training set of 55 samples and greater than 99% accuracy was consistently achieved when annotating the testing set samples as healthy or diseased. The model was then trained on all 55 samples and tested on two different blind test sets, and using an optimal combination of 7 human proteins and 3 bacterial proteins, the model was able to correctly predict 40 out of 41 healthy and diseased samples. CONCLUSIONS: The proposed large-scale proteomic analysis and MILP model led to the identification of novel combinations of biomarkers for consistent diagnosis of periodontal status with greater than 95% predictive accuracy.