Ⅱ型糖尿病与血浆硒蛋白浓度——一个试验性研究.docVIP

逻辑回归分析 基于硒蛋白浓度的逻辑回归模型被做了进一步发展，从而加深了糖尿病组合健康组之间的对比。通过GPx，SelP和SeAlb浓度与结果的结合，我们进行了不同的输入集的检测以期得到更深一步更深的效果（表格3）。糖尿病患者组和健康对照组对比过程中，GPx，SelP和SeAlb水平先是被单个检测然后经过组合再被检测。只有GPx（OR 3.61；CL 1.50-8.71）和SeAlb（OR 14.33；CL 2.78-73.92）是有意义的(t检测，P0.01)。仅以SeAlb水平为基础的模型灵敏度为100%，特异度为60%，而GPx模型的特异度最高仅达23%。结合起来后，这三个变量可允许100%的灵敏度，其特异度增至67%或73%（见表Ⅲ）。GPx和SeAlb的乘积，SelP和SeAlb的乘积的引进对模型效果产生了较轻微的抑制作用，表明了SeAlb水平与别的硒蛋白有明显的关系。 血浆硒蛋白和临床参数间的关系 患者组和健康组的临床参数（见表Ⅰ）经S-W检测分析接受合适的t 检测或K-S检测。BMI和肌酸酐在两组人员中分布都呈正态分布，因而运用了t检测。统计学意义上讲BMI并没有什么不同的，但是肌酸酐在糖尿病患者体内明显偏高（0.95±0.23 Vs 健康组0.74±0.14 mg/dL）。运用于别的非正态分布参数的K-S检测显示了糖尿病患者有明显更高的FPG值（179±59 Vs 81±6 mg/dL），HbA1c值（8.0±1.7 Vs 5.4±0.3%）和ACR值（46.9±80.4 Vs 5.5±1.9mg/dL）。 血浆硒蛋白水平和临床参数之间可能有的关联通过所有受测对象的相关系数的计算来研究。S-W检测显示了除总胆固醇水平外，这些参数都不呈正态分布。对这一参数，线性相关系数用于计算，而对别的参数（见表Ⅳ）Spearman Rank Order 相关性用以计算。GPx与BMI，FPG，HbA1c和ACR呈负相关，SeAlb与FPG，HbA1c,肌酸酐和ACR之间也呈负相关。Se总量与HbA1c和ACR相关。糖尿病组合健康组各自临床参数与硒蛋白水平间的相关系数也经过计算。S-W检测显示糖尿病患者BMI和总胆固醇含量呈正态分布，而对健康组而言，除了总胆固醇含量之外所有参数均呈正态分布。糖尿病患者中GPx和ACR间有显著关系（r=-0.38）,而健康组中，GPx与HBA1c呈正相关（r=0.54）,SelP和总Se量与甘油三酸呈正相关（r分别为0.59和0.52）。考虑到代表分布的第一和第三四分位数的受测对象代表了整个样本，每一临床参数又增加了参加试验的组对数目。S-W检测被运用于每一组的患者硒蛋白水平检测上，所有情况都达到了正态分布。然后t检测用于两组硒蛋白浓度对应于每一个参数的比较。所有所观察所得的关联都被第一四分位数和第三四分位数处受测对象硒蛋白水平的显著差异所证实（见表Ⅳ）。然后将同样的分析方法运用于只有糖尿病患者的情况。这种情形下，只在相对于HDL61的HDL47的患者身上发现了显著低的SelP和总Se浓度（分别为53±8和72±12ng/mL）。由于样本量小，要在健康组的各个四分位组单位中进行同样的比照是不合适的。若把样本作为一个整体来看，当对健康组和糖尿病患者组进行分别调查研究时，大多数原来显示的显著相关性或差异性都消失了。这一点佐证了如下假设：我们所观察到的样本整体的关联性绝大部分都是双峰分布而非各变量间的连续关系的结果。 多元分析 通过硒蛋白水平与相关的临床参数的偶合执行FA操作可用以检测健康组和患者组分类的可能的定量化。根据渐增的已解释了的变化（66%）两个因素被选出来了。第一因素中FPG，HbA1c和ACR是重要变量（loadings0.70）， 而第二因素中肌酸酐，GPx和SeAlb是重要变量。图表2显示了一个scores plot(图表2，A)和loadings plot（图表2，B）,其中健康个体和Ⅱ型糖尿病患者被分开在2个不同的区域内。因为受测对象数目小，尤其是健康组（n=15），这一分析只能提供象征性的结果。但不管怎样它都描述了GPx，SeAlb和Ⅱ型糖尿病诊断中很重要的临床参数间的关联。 讨论 搜集关于蛋白存在与缺失作为疾病的特殊生物标志以及该种蛋白在组织和体液的浓度和活性这些信息的重要性近年来表现出来了。当前在如此复杂的矩阵中低水平显示的蛋白质的定量是项很有挑战性的任务。过去几年里，为发展新的，准确的，精准并快速的蛋白质分析方法，人们已经做了大量的工作。但是，现在这些方法中很少有被应用到真正的生物医学研究中的。由于电感耦合等离子质谱仪是极低水平的金属专用的检测器，将其与高分辨率分离技术，例如亲和-高效液相色谱，相结合使用就会变成分析人类疾病中金属蛋白功能的有力工具。Ⅱ型糖尿病患者血浆硒