代谢标志物的应用、帕金森病诊断模型及诊断装置

技术领域

本发明涉及生物检测技术领域，特别是涉及一种代谢标志物的应用、帕金森病诊断模型及诊断装置。

背景技术

帕金森病(Parkinson’s disease，PD)是常见的神经系统退行性疾病，主要临床特征表现为震颤、肌强直及运动减少。帕金森病作为最常见的神经性疾病之一，患者最早期的症状却常常难以察觉，易被忽略，对早期帕金森病的确诊存在困难。

一直以来，帕金森病的主要诊断方法依赖于个人的临床诊断(常规检查、自身疾病或异常心电图等改变)、运动机能评估(通过调查清单统计Hoehn-Yahr分期量表或修订版运动障碍协会统一帕金森病评定量表评估得分)和神经学检查，这意味着需要病人出现某些身体症状才能确定疾病情况，早期帕金森病患者可能不符合临床诊断标准。

另外，由于多巴胺的缺失是导致帕金森的原因之一，且影像学诊断也得到发展，目前已发展出DaTscan成像技术，这种成像技术可以让医生查看大脑多巴胺系统的图像。但扫描结果仅仅显示的是多巴胺水平，而不能显示患者是否患有帕金森，且成本较高并使患者接受较高剂量的辐射。缺乏有效的早期诊断方法已成为帕金森病患者中晚期预后差的主要因素。

发明内容

代谢组学对生化指标变化很敏感，包括由环境和遗传因素引起的变化，因此可以描述复杂的表型和特定生理反应的生物标志物，对研究与帕金森病相关的或由帕金森病引起的病理生理学变化显示出巨大的潜在价值。本发明研究人员观察发现，与氧化应激、能量代谢和神经递质相关的代谢途径的紊乱与帕金森病的进展有关。根据这些观察结果，本发明研究人员提出，血液代谢物特征的改变可能是帕金森病的早期表型，即对血液代谢物的全面和无偏见的覆盖可能能够描述帕金森病的动态代谢表型。基于此，本发明提供一种代谢标志物在制备用于诊断帕金森病的产品中的应用。

此外，还提供一种帕金森病诊断模型的构建方法、帕金森病诊断模型、帕金森病的诊断装置、计算机设备、计算机存储介质和计算机程序产品。

代谢标志物在制备用于诊断帕金森病的产品中的应用，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

上述代谢标志物在制备用于诊断帕金森病的产品中的应用，通过6种代谢标志物中的任意一种或多种就能够对早期帕金森病进行有效的诊断，且患者不会有受到辐射的风险，提高了检测的有效性和安全性。

在其中一个实施例中，所述代谢标志物包括2-甲氧基苯甲酸。

在其中一个实施例中，所述代谢标志物还包括如下任意一种或多种：苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

一种帕金森病诊断模型的构建方法，包括以下步骤：

获取患有帕金森病和不患有帕金森病的个体的生物样品的代谢标志物的含量，建立包含所述个体的患帕金森疾病与否以及所述代谢标志物的含量的数据集；其中，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸；及

利用所述数据集，通过机器学习的方法构建诊断所述个体是否患有帕金森病的分类模型。

在其中一个实施例中，所述代谢标志物包括2-甲氧基苯甲酸。

在其中一个实施例中，所述代谢标志物包括2-甲氧基苯甲酸和如下任意一种或多种：苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

在其中一个实施例中，所述生物样品包括血浆样品或血清样品。

在其中一个实施例中，所述机器学习的方法包括如下任意一种方法：逻辑回归、随机森林、支持向量机和朴素贝叶斯。

在其中一个实施例中，所述机器学习的方法包括使用R语言中的glm函数建立逻辑回归模型。

在其中一个实施例中，所述利用所述数据集，通过机器学习的方法构建诊断所述个体是否患有帕金森病的分类模型的步骤包括：

将所述数据集分为训练集和测试集，利用所述训练集的数据训练模型，利用所述测试集的数据建立受试者工作特征曲线评估所述模型的效果，确定所述分类模型。

在其中一个实施例中，所述代谢标志物的含量采用如下任意一种方法获得：液相色谱-串联质谱、气相色谱-串联质谱、核磁共振和高效液相色谱-荧光检测。

一种帕金森病诊断模型，根据上述任一实施例所述的构建方法构建得到。

一种帕金森病的诊断装置，包括：

含量获取模块，用于获取待测样本中代谢标志物的含量，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸；

处理模块，用于将所述含量输入如上述实施例所述的帕金森病诊断模型，输出处理结果；及

诊断模块，用于根据所述处理结果诊断所述待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

在其中一个实施例中，所述根据所述处理结果诊断所述待测样本来源的待测者患帕金森病与否或风险高低包括：

根据所述处理结果使用predict函数输出预测概率值，当所述预测概率值超过0.5时，诊断所述待测样本来源的待测者患帕金森病或患帕金森病风险高；否则，诊断所述待测样本来源的待测者不患帕金森病或患帕金森病风险低。

在其中一个实施例中，所述代谢标志物包括2-甲氧基苯甲酸。

一种计算机设备，具有处理器和存储器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现帕金森病的诊断的全部步骤，所述步骤包括：

获取待测样本中代谢标志物的含量信息，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸；

将所述含量信息输入如上述实施例所述的帕金森病诊断模型，根据模型输出预测处理结果；及

根据所述处理结果诊断所述待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现帕金森病的诊断的全部步骤，所述步骤包括：

获取待测样本中代谢标志物的含量信息，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸；

将所述含量信息输入如上述实施例所述的帕金森病诊断模型，根据模型输出预测处理结果；及

根据所述处理结果诊断所述待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现帕金森病的诊断的全部步骤，所述步骤包括：

获取待测样本中代谢标志物的含量信息，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸；

将所述含量信息输入如上述实施例所述的帕金森病诊断模型，根据模型输出预测处理结果；及

根据所述处理结果诊断所述待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

附图说明

图1为实施例1中6种代谢标志物联合使用时测试集的ROC曲线。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本申请一实施方式提供了一种代谢标志物在制备用于诊断帕金森病的产品中的应用，该代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

上述代谢标志物在制备用于诊断帕金森病的产品中的应用，通过6种代谢标志物中的任意一种或多种就能够对早期帕金森病进行有效的诊断，且患者不会有受到辐射的风险，提高了检测的有效性和安全性。

在其中一个实施例中，上述代谢标志物包括2-甲氧基苯甲酸。进一步地，上述帕金森病代谢标志物还包括如下任意一种或多种：苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

本申请一实施方式还提供了一种帕金森病诊断模型的构建方法，该方法包括步骤S01、步骤S02和步骤S03，具体地：

步骤S01：获取患有帕金森病和不患有帕金森病的个体的生物样品的代谢标志物的含量，建立包含上述个体的患帕金森疾病与否以及代谢标志物的含量的数据集；其中，所述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

在其中一个实施例中，上述代谢标志物包括2-甲氧基苯甲酸。进一步地，上述帕金森病代谢标志物还包括如下任意一种或多种：苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

在其中一个实施例中，生物样品包括血浆样品或血清样品。

在其中一个实施例中，代谢标志物的含量采用如下任意一种方法获得：液相色谱-串联质谱、气相色谱-串联质谱、核磁共振和高效液相色谱-荧光检测。

步骤S02：利用所述数据集，通过机器学习的方法构建诊断上述个体是否患有帕金森病的分类模型。

在其中一个实施例中，机器学习的方法包括如下任意一种方法：逻辑回归、随机森林、支持向量机和朴素贝叶斯。

进一步地，所述机器学习的方法包括使用R语言中的glm函数建立逻辑回归模型。

在其中一个实施例中，上述利用数据集，通过机器学习的方法构建诊断个体是否患有帕金森病的分类模型的步骤包括：将上述数据集分为训练集和测试集，利用训练集的数据训练模型，利用测试集的数据建立受试者工作特征曲线评估模型的效果，确定分类模型。

在其中一个实施例中，在上述数据集中随机选取60％～100％的样本作为训练集。进一步地，在数据集中随机选取70％的样本作为训练集。

本申请还提供了一种帕金森病诊断模型，该帕金森诊断模型根据上述任一实施例所述的构建方法构建得到。

本申请一实施方式还提供了一种帕金森病代谢标志物的筛选方法，该筛选方法包括步骤a1、步骤a2和步骤a3，具体地：

步骤a1：获取患有帕金森病患者和不患有帕金森病患者的个体的生物样品的代谢物的含量，建立包含个体的患帕金森疾病与否以及代谢物的含量的数据集。

在其中一个实施例中，生物样品包括血浆样品或血清样品。

在其中一个实施例中，代谢物的含量采用如下任意一种方法获得：液相色谱-串联质谱、气相色谱-串联质谱、核磁共振和高效液相色谱-荧光检测。

步骤a2：对数据集进行广义线性回归分析，使用Benjamini&Hochberg法校正p值，选取校正后的p值小于0.05且差异倍数大于1.2的代谢物为含量具有显著差异的代谢物。

在其中一个实施例中，使用glm函数进行广义线性回归分析。

步骤a3：利用数据集，使用向后逐步回归法对上述含量具有显著差异的代谢物进行筛选，得到帕金森病代谢标志物。

在其中一个实施例中，在数据集中随机选取60％～100％的样本作为训练集，利用训练集，使用向后逐步回归法对上述含量具有显著差异的代谢物进行筛选，得到帕金森病代谢标志物。

进一步地，在数据集中随机选取70％的样本作为训练集，利用训练集，使用向后逐步回归法对上述含量具有显著差异的代谢物进行筛选，得到帕金森病代谢标志物。

在其中一个实施例中，使用step函数对上述含量具有显著差异的代谢物进行筛选。

在其中一个实施例中，上述帕金森病代谢标志物的筛选方法还包括验证步骤，具体地，利用数据集根据帕金森代谢标志物的含量建立受试者工作特征曲线评估帕金森病代谢标志物的特异性和灵敏度。

进一步地，在数据集中随机选取30％～100％的样本作为测试集，利用测试集根据帕金森代谢标志物的含量建立受试者工作特征曲线评估帕金森病代谢标志物的特异性和灵敏度。在一个可选的具体示例中，测试集与训练集无交集。

本申请一实施方式还提供了一种帕金森病的诊断装置，包括含量获取模块11、处理模块12和诊断模块13，具体地：

含量获取模块11，用于获取待测样本中代谢标志物的含量，上述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

在其中一个实施例中，上述代谢标志物包括2-甲氧基苯甲酸。进一步地，上述帕金森病代谢标志物还包括如下任意一种或多种：苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

处理模块12，用于将含量输入如上述实施例所述的帕金森病诊断模型，输出处理结果。

诊断模块13，用于根据上述处理结果诊断待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

在其中一个实施例中，上述根据所述处理结果诊断所述待测样本来源的待测者患帕金森病与否或风险高低包括：根据上述处理结果使用predict函数输出预测概率值，当预测概率值超过0.5时，诊断待测样本来源的待测者患帕金森病或患帕金森病风险高；否则，诊断待测样本来源的待测者不患帕金森病或患帕金森病风险低。

利用上述帕金森病的诊断装置，能够对帕金森病进行快速有效的诊断，且能够提高诊断的灵敏度和特异性。

可以理解的是，只要是一项产品(无论是实体的还是虚拟的)是利用上述代谢标志物的含量构建了帕金森病诊断模型，就应该在本申请的保护范围内。

本申请一实施方式还提供了一种计算机设备，具有处理器和存储器，存储器上存储有计算机程序，处理器执行该计算机程序时实现帕金森病的诊断的全部步骤，该步骤包括步骤b1、步骤b2和步骤b3，具体地：

步骤b1：获取待测样本中代谢标志物的含量信息，上述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

步骤b2：将上述述含量信息输入如上述实施例所述的帕金森病诊断模型，根据模型输出预测处理结果。

步骤b3：根据上述处理结果诊断待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

本申请一实施方式还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被执行时实现帕金森病的诊断的全部步骤，该步骤包括步骤b1、步骤b2和步骤b3，具体地：

步骤b1：获取待测样本中代谢标志物的含量信息，上述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

步骤b2：将上述述含量信息输入如上述实施例所述的帕金森病诊断模型，根据模型输出预测处理结果。

步骤b3：根据上述处理结果诊断待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

本申请一实施方式还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现帕金森病的诊断的全部步骤，该步骤包括步骤b1、步骤b2和步骤b3，具体地：

步骤b1：获取待测样本中代谢标志物的含量信息，上述代谢标志物包括如下任意一种或多种：2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸。

步骤b2：将上述述含量信息输入如上述实施例所述的帕金森病诊断模型，根据模型输出预测处理结果。

步骤b3：根据上述处理结果诊断待测样本来源的待测者患帕金森病与否或患帕金森病风险高低。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本发明所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本发明所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

具体实施例

以下结合具体实施例进行详细说明。以下实施例如未特殊说明，则不包括除不可避免的杂质外的其他组分。实施例中采用试剂和仪器如非特别说明，均为本领域常规选择。实施例中未注明具体条件的实验方法，按照常规条件，例如文献、书本中所述的条件或者生产厂家推荐的方法实现。

实施例1

1.收集样本

选取帕金森病患者88例纳入疾病组，健康人88例纳入对照组，所有受试者均接受血液采样，共176个样本。纳入受试者的年龄区间为28岁～85岁，其中男性样本85例，女性样本89例。帕金森病患者的诊断根据国际帕金森病和运动障碍协会在2015年提出的诊断标准。此外，已将有如下标准的受试者排除：过去3个月内有摄入益生菌或抗生素；及/或被诊断患有消化系统疾病，如炎症性肠病、结肠炎或结肠癌。

通过健康问卷调查表获取所有受试者的个体基本信息，包括年龄、性别、身高、BMI、吸烟、饮酒、便秘和抗生素使用等情况，“HY分数”为根据Hoehn-Yahr分期量表评估得分，如表1所示。所有血浆样本离心后置于80℃冰箱内保存，研究时分别取出血浆样品解冻后进行后续分析。

以上研究方案符合人体试验伦理学标准，并得到伦理委员会批准，受试者在受试前知情同意并签署知情同意书。

表1

注：表1中“NA”代表情况未获知。

2.样品代谢物检测

血浆样本从-80℃冰箱中取出并在冰上解冻，取样本100μL，加入400μL甲醇和乙腈的混合溶液，其中甲醇与乙腈的体积比为1:1；涡旋震荡30s，充分混匀，冰浴超声10min；然后将样品置于-20℃冰箱中孵化1h；在4℃条件下，以13000r/min离心15min；取上清300μL置于真空冷冻干燥机中，至挥发干；用100μL乙腈水溶液进行复溶，其中乙腈与水的体积比为1:1，涡旋震荡30s，冰浴超声10min；在4℃条件下，以13000r/min离心15min；取上清50μL于进样瓶中，于液相色谱-质谱联用仪(LC-MS)(SCIEX

检测条件如下：

液相条件色谱柱：Waters ACQUITY UPLC BEH Amide 1.7μm，2.1mm*100mm；流动相：A相为超纯水(含25mM乙酸铵和25mM氨水)，B相为乙腈；洗脱梯度：0min为水/乙腈(5:95(V/V))，7min为水/乙腈(35:65(V/V))，8min为水/乙腈(60:40(V/V))，9min为水/乙腈(60:40(V/V))，12min为水/乙腈(5:95(V/V))；流速为0.5mL/min，柱温为40℃，进样量为2μL。电喷离子源温度(TEM)：650℃；质谱电压(ISVF)：5500V(正离子)，-4500V(负离子)；去簇电压(DP)：60V；离子源气体：气体1(Gas1)为60psi，气体2(Gas2)为60psi，气帘气(CUR)为30psi；碰撞诱导电离参数为高。

3.数据分析及差异显著代谢物筛选

采用增强离子扫描质谱和飞行时间质谱结合多反应监测采集模式的代谢组学方法，以及整合本地标准品数据库进行帕金森病血浆代谢物数据库构建；采用构建帕金森病血浆代谢物数据库和LC-MS检测对采集的血浆样本进行分析，得到各血浆样本的原始质谱数据，根据质荷比、保留时间对原始质谱数据进行预处理和校正；根据质谱峰强度计算峰面积得到代谢物相对含量信息。

利用R软件(R version 4.0.5)来分析两组的代谢物，利用统计方法，综合显著性统计检验(使用glm函数构建广义线性模型)、p值校正和差异倍数(Fold change)对176个样本的914个代谢物进行分析。为了减少误差，使用Benjamini&Hochberg多重校正对得到的差异代谢物的p值进行校正，当代谢物显著性统计检验校正后p值<0.05，视为显著差异代谢物。最终筛选出校正p值<0.05并且差异倍数>1.2的差异代谢物，共筛选到33个显著差异的代谢物。

选取上述表1样本中的70％作为训练集。利用训练集数据，通过向后逐步回归法(Backward step regression)，使用step函数，设置method＝‘backward’，建立分类模型，分析结果返回最佳分类组合，该组合中包含的代谢物如表2所示。这6种差异代谢物即为能够诊断区分帕金森病患者和健康人的标志物。

表2

选取表2中6个代谢物中的任意一个，利用测试集数据，通过glm函数建立逻辑回归模型，使用predict函数和roc函数计算ROC曲线下面积。

根据受试者工作特征曲线(ROC)可知，如表3所示，2-甲氧基苯甲酸、苯乙酰谷氨酰胺、水杨酸、依布硒、漆黄素和色氨酸-酪氨酸这6个差异代谢物单个用于诊断区分帕金森病能力均较强，ROC曲线下面积(AUC)均大于0.65，均具有临床诊断意义。

表3

选取这6个差异代谢物中至少两个联合用于诊断时，AUC进一步提高，具体数据见表4。此外，如图1的ROC曲线所示，6个代谢标志物联合起来诊断帕金森的AUC值达到0.984，在最佳cut-off值下，灵敏度和特异性分别为92.3％和100％。

表4

本发明还考察了2-甲氧基苯甲酸与其余5种代谢标志物中的至少一种作为帕金森诊断模型的特征变量，分析这些模型诊断帕金森病时的AUC值、灵敏度和特异性。结果如表5所示，以表5所示的代谢物构建的诊断模型均具有很好的AUC值、灵敏度和特异性。

表5

4.待测样本诊断

以待测样本代谢标志物的检测峰度为输入变量，输入步骤3中建立的逻辑回归模型。使用predict函数得到模型预测结果。当预测结果>0.5时认为该患者患有帕金森病或患帕金森病风险高；当预测结果<0.5时则认为未患帕金森病或患帕金森病风险低。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。应当理解的是，在本领域技术人员在本发明提供的技术方案的基础上，通过合乎逻辑的分析、推理或有限的试验得到的技术方案，均在本发明所附权利要求的保护范围内。因此，本发明专利的保护范围应以所附权利要求为准，说明书及附图可以用于解释权利要求的内容。