Kroniska leversjukdomar utgör en stor utmaning för sjukvårdssystemen som idag inte kan möta det ökande behovet av levertransplantationer hos patienter som befinner sig i sjukdomens slutskedet. Nationella screeningsprogram för att tidigt upptäcka leversjukdomar har visat sig svåra att införa på grund av specificitetsproblem i kombination med en tidig och ofta asymptomatisk sjukdomsbild vilket gör leversjukdomar svårupptäckta. Detta i kombination med stora risker och kostnader som är förknippade med diagnostiska och prognostiska standardmetoder, såsom leverbiopsi, har gjort det komplicerat att upptäcka sjukdomen tidigt. Utvecklingen av tillförlitliga och minimalt invasiva metoder bör därför prioriteras för att minska transplantationsbehovet av leversjukdomspatienter. Denna studie syftar till att bidra till detta arbete genom att undersöka optimala biomarkörer för leversjukdom genom robusta kvantifieringsmetoder med klinisk potential. I detta examensarbete används riktad masspektrometri och tunga rekombinanta proteinstandarder för att identifiera och absolutkvantifiera 108 proteiner i 2 μL plasma från 245 patienter med leversjukdom samt friska individer. Diagnoserna är spridda över olika stadier och patienterna har olika sjukdomsprogression. Genom differentierad expressionsanalys av proteinnivåerna och vägledd maskininlärning har biomarkörpaneler för stratifiering av leverfibros tagits fram. Detta som en del av The Human Disease Blood Atlas, vars målsättning är att utforska sjukdomsassocierade proteinprofiler och bygga en öppen databas tillgänglig för forskare världen över. Dessa resultat erbjuder lovande vägar för förbättrad diagnostik och personligt anpassade behandlingsstrategier inom leversjukdomshantering. Strategin är kompatibel med teknologier som underlättar biomarkörupptäckt och minimalt invasiv provtagning. / Advanced liver disease poses significant challenges to healthcare systems, which cannot meet the needs of liver transplantation for end-stage liver disease patients. This can be mitigated by the early detection of chronic conditions. However, chronic liver disease tends to be asymptomatic in its early stages and current diagnostic and prognostic gold standard methods, such as liver biopsy, can be expensive and risky, discouraging population-wide screenings. Thus, the development of reliable and minimally invasive methods should be a priority to enhance liver disease patient outcomes. This study aims to contribute to this effort by investigating optimal liver disease biomarkers through robust quantification methods with translational potential. Here, targeted mass spectrometry and heavy recombinant peptide isotopes (SIS-PrEST) are employed for the identification and absolute quantification of more than 100 proteins in small amounts of plasma from over 300 liver disease patients, whose conditions have different etiologies and stages of disease progression. Through differential expression analysis and supervised machine learning, potential biomarker panels for liver disease etiologies and fibrosis levels are identified as part of the Human Disease Blood Atlas’s effort to explore disease-specific protein profiles and build an open-source database accessible to scientists worldwide. These findings offer promising avenues for improved diagnostics and personalized treatment strategies in liver disease management and the strategy is compatible with technologies that facilitate biomarker discovery and minimally disruptive sampling.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-348374 |
Date | January 2024 |
Creators | Villanueva Raisman, Andrea |
Publisher | KTH, Proteinvetenskap |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-CBH-GRU ; 2024:224 |
Page generated in 0.0027 seconds