西湖欧米科研服务

01

关于欧米

西湖欧米创立于 2020 年 7 月，是一家专注于AI赋能的蛋白质组大数据公司。我们致力于以技术创新为驱动力，以多模态大数据为基础，使用 AI 赋能微量临床样本的高通量蛋白质组分析等组学技术辅助精准医学和药物研发。

我们凝聚了80多位具有生物、医疗、AI 等不同学科背景的高素质人才队伍，超过40%以上拥有硕士或博士学位。西湖欧米已与百余家机构建立了合作关系，包括国内外知名高校及科研院所、医院、药企。公司拥有三项国家专利，十项计算机软件著作权。

02

AI赋能的蛋白质组学技术平台

AI 赋能的蛋白质组学技术平台是西湖欧米的核心技术，支持极微量临床样本的深度高通量蛋白质组学分析，解决了临床样本蛋白质组研究的痛点。西湖欧米引入AI，并将其与疾病蛋白质组学大数据结合，助力精准医疗的发展。

03

欧米特色

① 多队列人群蛋白质组学分析联合机器学习实验设计

COVID-19患者信息总结与机器学习实验设计

A) COVID-19患者包括37例轻症与28例重症。Y轴中红色标记的样本是乙肝病毒慢性感染者。

B) 区分COVID-19轻重症患者分类研究设计。实验采集了蛋白质组与代谢组数据，C1队列为模型的训练集，C2和C3队列分别为两个独立的测试集。

Cell. 2020. 182(1): 59-72.

COVID-19多器官尸检组织蛋白质组学表达图谱

图中展示了在不同组织中定量到的蛋白质数目和差异蛋白质数目。

最外层代表不同组织类型，以n/N代表不同分组中样本数目和患者数目。

第二层（蓝色）代表在每种组织中未鉴定到的蛋白质。其中的黑色数字代表每种组织中定量到的蛋白质数目。

第三层（浅绿色）代表组间差异不显著的蛋白质数目，其中白色数字代表在各自组织类型中稳定表达的蛋白质数目。

内层代表组间差异显著的蛋白质数目（粉色代表上调，绿色代表下调）。

Cell. 2021. 184(3): 775-791.

② 基于PCT的高通量高重现性微量样本处理技术

   高通量

   高重现性

△使用PCT2G方法处理FFPE HCC样本的效果

A）石蜡包埋的肝癌组织样本（n=5）在不同前处理方法下的产率（微克多肽量/毫克组织量）。数据以平均值±SD 表示。

B）两种方法得到的所有组织中定量的 3828 个蛋白表达相关性分析。数据基于 log2(蛋白表达量)分析。

   3h完成组织样本前处理

△PCT2G方法（Accelerated PCT）前处理流程

Journal of Proteome Research. 2020. 19(5): 1982-1990.

③ 多种人体和小鼠组织样本蛋白质组分析

   多种人体组织样本

   多种鼠组织样本

   极小样本量

④ 个性化的数据分析

   COVID-19血清中的上下调蛋白质

热图展示了在4组患者中的50个蛋白质的表达量，右边彩色圆点表示该蛋白参与的信号通路。

Cell. 2020. 182(1):59-72.

   COVID-19和非COVID-19患者的

七个器官的六组功能蛋白调节情况

A)六组分子聚类中变化的蛋白质数量，包括潜在的病毒受体、蛋白酶、纤维化标志物、细胞因子、转录因子（TFs）、凝血系统和血管中的相关蛋白质，以柱状图显示，沿y轴的每一列代表一种器官类型，x轴代表蛋白质的数量。

B)七个器官中5336个明显改变的蛋白质的分布。六组聚类中的表达量改变的蛋白质被标记为圆圈（实心代表上调的蛋白质；空心代表下调的蛋白质）圆圈的大小表示|log2(差异倍数）|。

Cell. 2021. 184(3):775-791.

   蛋白功能富集展示图

将特定的蛋白输入数据库比对后，得到功能通路富集结果，图中上侧为蛋白/基因，下侧为主要通路。

   临床指标变化的时间动态图

X轴表示自症状出现以来的病程时间。

Y轴表示重症患者（橙色线）和非重症患者（蓝色线）。每个特征在一段时间内的测量值的趋势差异，实线由局部估计平滑法(LOESS)拟合而成。

Computational and Structural Biotechnology Journal. 2021. 19: 3640-3649.

⑤ 蛋白质组学大数据联合AI深度学习，助力疾病临床诊断

   PCT-DIA实验设计和深度学习模型及验证

 A. 

A) 采集1724个结节穿刺样本作为训练集（来自578名患者的579个结节，覆盖正常甲状腺、两种良性和两种恶性结节），通过PCT-DIA-MS流程，采集了1781个甲状腺蛋白质组学数据。基于已构建的蛋白质组学图谱与神经网络模型，选出19个蛋白质特征用以区分甲状腺结节的良恶性。

 B. 

B) 比较不同机器学习模型，结果显示，作者自主构建的神经网络模型对甲状腺良恶性分类效果中AUC最高，达到0.93。

 C. 

C) 在中国的三家临床医院回顾性采集288个结节FFPE样本进行同样处理，得到新的数据集对模型进行测试，三家医院的测试 AUC 在 0.94 以上。在九个医院的前瞻性FNA样本队列中，AUC可达0.93，其中对术前临床不确定性结节的评判 AUC 在0.89左右。

 D. 

D) 使用19个蛋白质特征在发现集中对良性恶性组的分离度。

相关文献：

1. Zhang, F., et al. Data-Independent Acquisition Mass Spectrometry-Based Proteomics and Software Tools: A Glimpse in 2020. Proteomics 2020, 20, 1900276.

2. Yue, L., et al. Generating Proteomic Big Data for Precision Medicine. Proteomics 2020, 20, 1900358. 

3.Qi X., et al. High-Throughput Proteomics and AI for Cancer Biomarker Discovery. Advanced Drug Delivery Reviews. 25 June 2021. 176:113844. 

4. Zhu Y, et al. SnapShot: Clinical proteomics. Cell. 2021 Sep 2;184(18):4840-4840.e1.

Citations:

左右滑动查看

西湖欧米蛋白质组学服务

（点击查看详情）

联系我们