详情

原文传递基于循环细胞外囊泡的诊断方法

专利名称：	基于循环细胞外囊泡的诊断方法
摘要：	本公开提供了一种基于循环细胞外囊泡表面蛋白的诊断方法。所述方法包括将受试者的样本与连接到可检测标签的检测抗体孵育，将样本与固定在基底上的捕获抗体接触，并检测固定在基底上的循环EV上的可检测标签。与目前已知的方法相比，本公开所述的方法具有高灵敏度、低成本、快速操作以及高特异性的优点。
专利类型：	发明专利
申请人：	WellSIM生物医学技术有限公司
发明人：	Y·陈;K·图切斯
专利状态：	有效
申请日期：	2023-05-06T00:00:00+0800
发布日期：	2023-11-07T00:00:00+0800
申请号：	CN202310506105.3
公开号：	CN117007798A
代理机构：	北京市君合律师事务所
代理人：	张怡;顾云峰
分类号：	G01N33/569;G01N33/68;G01N33/552;G01N33/58;G;G01;G01N;G01N33;G01N33/569;G01N33/68;G01N33/552;G01N33/58
申请人地址：	美国加利福尼亚州
主权项：	1.一种用于诊断受试者疾病的方法，所述方法包括：将受试者的样本与连接到可检测标签的检测抗体孵育，其中所述样本包括循环细胞外囊泡(EV)，其中所述检测抗体特异性地结合到所述循环EV表面上的疾病特异性抗原；将所述样本与固定在基底上的捕获抗体接触，其中所述捕获抗体特异性地结合到所述循环EV的表面抗原，从而使所述循环EV固定在所述基底上；以及检测固定在所述基底上的所述循环EV上的所述可检测标签，其中所述可检测标签的存在或丰度表明受试者患病的可能性。 2.根据权利要求1所述的方法，其中所述表面抗原选自由CD9、CD18、CD63、CD81、CD56和CD171组成的组。 3.根据权利要求1所述的方法，其中所述EV来源于神经元。 4.根据权利要求3所述的方法，其中所述表面抗原为CD56或CD171。 5.根据权利要求1所述的方法，其中所述基底为载玻片。 6.根据权利要求5所述的方法，其中所述载玻片涂覆有环氧树脂。 7.根据权利要求6所述的方法，其中通过微点法(micro-spotting)将所述捕获抗体固定在所述载玻片上。 8.根据权利要求1所述的方法，其中所述疾病为阿尔茨海默症(AD)。 9.根据权利要求8所述的方法，其中所述疾病特异性抗原选自由t-tau、p-tau181、p-tau217、p-tau231、Aβ40和Aβ42组成的组。 10.根据权利要求1所述的方法，其中所述可检测标签为荧光基团或荧光微球。 11.根据权利要求10所述的方法，其中通过激光诱导的共聚焦荧光扫描仪或荧光显微镜检测所述可检测标签。 12.根据权利要求1所述的方法，其进一步包括：将所述样本与连接到第二可检测标签的对照抗体孵育，其中所述对照抗体特异性地结合到所述循环EV表面上的所述对照抗原；以及检测固定在所述基底上的所述循环EV上的所述第二可检测标签。 13.根据权利要求12所述的方法，其中所述对照抗原选自由CD9、CD63和CD81组成的组。 14.根据权利要求12所述的方法，所述方法进一步包括将固定在基底上的循环EV上的所述可检测标签的丰度与固定在所述基底上的所述循环EV上的所述第二可检测标签的丰度进行归一化。 15.一种用于诊断受试者疾病的方法，所述方法包括：将所述受试者的样本与连接到第一可检测标签的第一检测抗体和连接到第二可检测标签的第二检测抗体孵育，其中所述样本包括循环细胞外囊泡(EV)，所述第一检测抗体和所述第二检测抗体分别特异性地结合到所述循环EV表面上的第一疾病特异性抗原和第二疾病特异性抗原；将所述样本与固定在基底上的捕获抗体接触，其中所述捕获抗体特异性地结合到所述循环EV的表面抗原，从而使所述循环EV固定在所述基底上；以及检测固定在基底上的所述循环EV上的所述第一可检测标签和所述第二可检测标签，其中所述第一可检测标签和所述第二可检测标签的存在或丰度表示受试者患病的可能性。 16.根据权利要求15所述的方法，其进一步包括：计算固定在所述基底上的所述循环EV上的所述第一可检测标签与所述第二可检测标签的丰度的比值；以及根据所述比值生成风险评分。 17.根据权利要求16所述的方法，其中所述第一可检测标签与所述第二可检测标签的丰度用所述循环EV表面上的对照抗原的丰度进行了归一化。 18.根据权利要求16所述的方法，其中所述疾病为阿尔茨海默症(AD)。 19.根据权利要求18所述的方法，其中所述第一和第二疾病特异性抗原分别选自由t-tau、p-tau181、p-tau217、p-tau231、Aβ40和Aβ42组成的组。 20.根据权利要求19所述的方法，其中所述比值选自由p-Tau181与t-Tau的比值、p-Tau181与Aβ40的比值、Aβ42与Aβ40的比值、Aβ42与t-Tau的比值、p-Tau217与t-Tau的比值和p-Tau217与Aβ40的比值组成的组。 21.根据权利要求20所述的方法，其中所述风险评分由每个比值与其系数的乘积之和生成。 22.根据权利要求21所述的方法，其中通过使用机器学习算法研究训练数据集来确定所述系数。 23.根据权利要求22所述的方法，其中所述机器学习算法为支持向量机(SVM)。