CN108470114A - 基于单样本的二代测序数据分析肿瘤突变负荷的方法 - Google Patents

基于单样本的二代测序数据分析肿瘤突变负荷的方法 Download PDF

Info

Publication number
CN108470114A
CN108470114A CN201810389889.5A CN201810389889A CN108470114A CN 108470114 A CN108470114 A CN 108470114A CN 201810389889 A CN201810389889 A CN 201810389889A CN 108470114 A CN108470114 A CN 108470114A
Authority
CN
China
Prior art keywords
mutation
tumor mutations
mutations load
sample
generation sequencing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810389889.5A
Other languages
English (en)
Other versions
CN108470114B (zh
Inventor
郎继东
田埂
韩营民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Meta Code Gene Technology (beijing) Ltd By Share Ltd
Original Assignee
Meta Code Gene Technology (beijing) Ltd By Share Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Meta Code Gene Technology (beijing) Ltd By Share Ltd filed Critical Meta Code Gene Technology (beijing) Ltd By Share Ltd
Priority to CN201810389889.5A priority Critical patent/CN108470114B/zh
Publication of CN108470114A publication Critical patent/CN108470114A/zh
Application granted granted Critical
Publication of CN108470114B publication Critical patent/CN108470114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开一种基于单样本的二代测序数据分析肿瘤突变负荷的方法。本发明的方法不需要做检测体细胞突变所必须的对照样本及分析体细胞突变，节省了对照样本的实验、测序及分析的步骤，从而大幅度降低了成本及实验、分析及解读的复杂度。

Description

基于单样本的二代测序数据分析肿瘤突变负荷的方法
技术领域
本发明涉及基因检测领域，特别涉及基于单样本的二代测序数据分析肿瘤突变负荷的方法。
背景技术
近几年免疫治疗的研究进展在肿瘤治疗领域受到越来越多的关注，其中程序性死亡抑制因子-1(PD-1)蛋白及其配体(PD-L1)已在多种肿瘤治疗中获得显著的临床疗效。到目前为止，美国的FDA批准上市的PD-1/PD-L1抗体药物就多达5款。
从已经批准的适应症和关键临床研究提供的证据来看，对于PD-L1研究较多的潜在生物标记物有肿瘤突变负荷(TMB)、微卫星不稳定(MSI)和错配基因修复缺失(MMR)，而肿瘤突变负荷(TMB)作为研究最多的生物标记物其效果已在PD-1抗体用于治疗非小细胞肺癌及有错配修复缺失的结直肠癌中得到了证实。已报道了突变负荷越高，免疫治疗应答越好(参见，The future of cancer treatment:immunomodulation,CARs and combinationimmunotherapy.Nat Rev Clin Oncol.2016Jun；13(6):394。而TMB不仅可以识别具体的突变模式和推测新抗原负荷，而且其高覆盖的特点也可以检测出罕见的体细胞突变，可以用于选择免疫肿瘤(IO)药物治疗高获益人群。
随着测序成本越来越低，运用二代测序技术预测分析TMB的需求越来越高。现有技术多数都是采取肿瘤样本与其对应的配对样本进行全基因组测序、全外显子组测序或目标区域基因Panel测序来对TMB进行预测分析，虽然此种方法可以得到较为准确的体细胞突变结果并以此来计算TMB，但在成本上对于同一个样本要做样本-对照两次实验测序，不仅相对的增加了实验及测序成本，同时也提高了数据分析及解读的复杂度。
发明内容
为解决现有技术中的问题，本发明提供一种基于单样本的二代测序数据分析肿瘤突变负荷的方法，其包括以下步骤：
(1)将待分析数据比对到人类参考基因组序列，得到比对后的数据；
(2)将所述比对后的数据进行排序去重，得到去重数据；
(3)对所述去重数据进行突变检测，并筛选出非同义突变及移码突变，组成突变集合A；
(4)在所述突变集合A中筛选出突变频率为5％以上的结果，组成突变集合B，其中所述突变频率＝支持突变基因型的序列数/(支持突变基因型的序列数+支持野生基因型的序列数)；
(5)在所述突变集合B中筛选出在Cosmic数据库中的突变结果，组成突变集合C，在所述突变集合C中，筛选出所测序基因的包含全外显子区域的结果，组成突变集合D，其中，所述突变集合C中的突变数为n；所述突变集合D中的突变数为m，且m≤n；
(6)计算肿瘤突变负荷TMB＝m/(L/1000000)，其中L为所测序基因的全外显子区域的总长，并计算判断肿瘤突变负荷的评判值T-value，其中T-value＝TMB/10，当T-value≥20时为高肿瘤突变负荷，当T-value<20时为低肿瘤突变负荷。
根据某些实施方案，通过将二代测序的原始数据去除测序接头及低质量序列得到所述待分析数据。
根据某些实施方案，所述样本选自肿瘤样本和液体活检的血液样本组成的组。
根据某些实施方案，所述步骤(1)中通过BWA软件将所述待分析数据比对到人类参考基因组序列。
根据某些实施方案，所述步骤(2)中通过Samtools软件进行排序去重。
根据某些实施方案，所述步骤(3)中利用Freebayes软件对所述去重数据进行突变检测。
根据某些实施方案，所述步骤(3)中的突变检测包括检测单核苷酸多态性SNP及短片段插入和缺失的突变。
根据某些实施方案，所述短片段的长度为1-50bp。
根据某些实施方案，所述样本不包括对照样本。
本发明的方法不需要做检测体细胞突变所必须的对照样本及分析体细胞突变，节省了对照样本的实验、测序及分析的步骤，从而大幅度降低了成本及实验、分析及解读的复杂度。
附图说明
图1为分析肿瘤突变负荷的简要步骤。
图2为TCGA数据在Geneis-508基因panel的226个外显子区域的肿瘤突变负荷(TMB)的分布。
图3为75例胰腺癌样本的集合T-value-A(左箭头)与33例肺腺癌样本的集合T-value-B(右箭头)在TCGA数据库结果中的分布。
具体实施方式
现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。
应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。另外，对于本发明中的数值范围，应理解为具体公开了该范围的上限和下限以及它们之间的每个中间值。在任何陈述值或陈述范围内的中间值以及任何其他陈述值或在所述范围内的中间值之间的每个较小的范围也包括在本发明内。这些较小范围的上限和下限可独立地包括或排除在范围内。
除非另有说明，否则本文使用的所有技术和科学术语具有本发明所述领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。
本发明为基于二代测序技术预测肿瘤突变负荷(TMB)的方法。与传统的检测TMB的方法完全不同。本发明的方法通过特定的分析方式避免了样本-对照两次实验测序，不仅相对的增加了实验及测序成本，同时也提高了数据分析及解读的复杂度。下面详细说明本发明。
本发明提供一种基于单样本的二代测序数据分析肿瘤突变负荷的方法，其至少包括以下步骤：
(1)将待分析数据比对到人类参考基因组序列，得到比对后的数据；
(2)将所述比对后的数据进行排序去重，得到去重数据；
(3)对所述去重数据进行突变检测，并筛选出非同义突变及移码突变，组成突变集合A；
(4)在所述突变集合A中筛选出突变频率为5％以上的结果，组成突变集合B，其中所述突变频率＝支持突变基因型的序列数/(支持突变基因型的序列数+支持野生基因型的序列数)；
(5)在所述突变集合B中筛选出在Cosmic数据库中的突变结果，组成突变集合C，在所述突变集合C中，筛选出所测序基因的包含全外显子区域的结果，组成突变集合D，其中，所述突变集合C中的突变数为n；所述突变集合D中的突变数为m，且m≤n；
(6)计算肿瘤突变负荷TMB＝m/(L/1000000)，其中L为所测序基因的全外显子区域的总长，并计算判断肿瘤突变负荷的评判值T-value，其中T-value＝TMB/10，当T-value≥20时为高肿瘤突变负荷，当T-value<20时为低肿瘤突变负荷。
其中步骤(1)为比对步骤，即将待分析数据比对到人类参考基因组序列，得到比对后的数据。优选地，待分析数据为原始测序数据处理后的数据。例如，通过将二代测序的原始数据去除测序接头和低质量序列得到的数据。其中测序接头序列为本领域内已知的序列。低质量序列为原始测序序列中包含测序错误高于1％、测序质量小于5的碱基的部分，以及去掉上述条件后剩余序列长度小于32bp的序列。本发明中的原始测序数据可通过任何已知的二代测序技术对样本进行测序获得。二代测序的样本的实例包括肿瘤样本和/或液体活检的血液样本。例如，胰腺癌样本和肺腺癌样本。
其中步骤(1)中，通过任何已知的手段进行比对，优选地，通过BWA软件将待分析数据比对到人类参考基因组序列。可使用整个人类基因组序列作为第二参考序列库。其可由来源于目前已知的任何数据组成。例如，在示例性方案中，可来源于http://hgdownload.soe.ucsc.edu/goldenPath/hg19/bigZips/的序列库。
其中步骤(2)为排序去重步骤，其为将比对后的数据进行排序去重，得到去重数据的步骤。优选地，通过Samtools软件进行排序去重。
其中步骤(3)为突变检测步骤，其为对去重数据进行突变检测，并筛选出非同义突变及移码突变，组成突变集合A。其中所述突变检测是指通过数据分析进行的检测，并非基于实验性手段进行的检测。突变检测中应包括针对单核苷酸多态性SNP及短片段插入和缺失的检测。其中短片段的长度优选为1-50bp，优选1-25bp。优选地，通过Freebayes软件对去重数据进行突变检测。
其中步骤(4)为获得待分析的突变集合的步骤，其为在突变集合A中筛选出突变频率为5％以上的结果，组成突变集合B，其中突变频率＝支持突变基因型的序列数/(支持突变基因型的序列数+支持野生基因型的序列数)。优选地，筛选时突变频率为6％以上，更优选为7％以上，例如10％以上。如果该突变频率过低则噪音过高，结果不准。
其中步骤(5)为突变结果确认步骤，其为在突变集合B中筛选出在Cosmic数据库中的突变结果，组成突变集合C，在突变集合C中，筛选出所测序基因的包含全外显子区域的结果，组成突变集合D，其中，突变集合C中的突变数为n；突变集合D中的突变数为m，且m≤n。其中，Cosmic数据库为已知数据，其可从https://cancer.sanger.ac.uk/cosmic/获得。
其中步骤(6)为肿瘤突变负荷计算步骤，其为以TMB＝m/(L/1000000)计算肿瘤突变负荷，其中L为所测序基因的全外显子区域的总长，其单位为bp，并计算判断肿瘤突变负荷的评判值T-value，其中T-value＝TMB/10，当T-value≥20时为高肿瘤突变负荷，当T-value<20时为低肿瘤突变负荷。
虽然本发明详细说明了上述6个步骤，但本领域技术人员已知，本发明还可包括其他步骤。本发明的上述6个步骤的顺序不特别限定，只要能够实现本发明的目的即可。
实施例
选取75例胰腺癌肿瘤样本，运用Geneis-508基因Panel试剂盒(该试剂盒包含了226个基因的外显子区域，总大小787,296bp)进行杂交捕获并用Illumina Nextseq进行paired-end 151bp序列读长进行测序，得到数据集合Data-A(75个测序样本数据)。
选取33例肺腺癌肿瘤样本，运用Geneis-38CF基因Panel试剂盒(该试剂盒包含了8个基因的外显子区域，总大小49,861bp)进行杂交捕获并用Illumina Nextseq进行paired-end 151bp序列读长进行测序，得到数据集合Data-B(33个测序样本数据)。
下载TCGA(The Cancer Genome Atlas,https://cancergenome.nih.gov/)数据库的体细胞数据分析结果，得到数据集合Data-C。
以Geneis-508基因Panel的226个基因外显子区域筛选出数据集合Data-C的体细胞突变结果并计算TMB的值，以此来当做对照的质控数据结果。结果如图2所示。
分别对数据集合Data-A与数据集合Data-B进行去除测序接头adapter序列及低质量的序列，得到数据集合clean data-A与数据集合clean data-B。
分别将clean data-A与clean data-B运用BWA比对软件Aln算法比对到人类基因组参考序列(Hg19)，得到比对后的文件集合sam-A与集合sam-B。
分别将比对后的文件集合sam-A与集合sam-B运用Samtools软件进行排序及去PCR重复(Duplication)，得到集合bam-A及集合bam-B。
分别对集合bam-A及集合bam-B运用Freebayes软件进行突变检测，其中突变检测包括单核苷酸多态性(SNP)及短片段插入和缺失(InDel)，得到集合Mutation-A与集合Mutation-B。
分别对集合Mutation-A与集合Mutation-B进行过滤筛选，保留其中的非同义突变及移码突变，得到集合Mutation-A-1与集合Mutation-B-1。
分别对集合Mutation-A-1与集合Mutation-B-1进行过滤筛选，保留其中突变频率大于等于5％以上的突变结果，得到集合Mutation-A-2与Mutation-B-2，其中突变频率＝支持突变基因型的序列数/(支持突变基因型的序列数+支持野生基因型的序列数)。
分别对集合Mutation-A-2与集合Mutation-B-2进行过滤筛选，保留其中在Cosmic数据库(Version 83)中有记录的突变结果，得到集合Mutation-A-3与Mutation-B-3。
对集合Mutation-A-3进行过滤筛选，保留其中在226个基因外显子区域的突变结果，得到集合Mutation-A-4；对集合Mutation-B-3进行过滤筛选，保留其中在8个基因的外显子区域，得到集合Mutation-B-4。
对集合Mutation-A-4中的75个数据突变结果分别做计数统计M并计算肿瘤突变负荷TMB，其中TMB＝M/(787296/1000000)，得到集合TMB-A；对集合Mutation-B-4中的33个数据突变结果分别做计数统计M’并计算肿瘤突变负荷TMB，其中TMB＝M’/(49861/1000000)，得到集合TMB-B。
对集合TMB-A中的75个样本的TMB计算判断肿瘤突变负荷的评判值T-value，得到集合T-value-A；对集合TMB-B中的33个样本的TMB计算判断肿瘤突变符合的评判值T-value，得到集合T-value-B，其中T-value＝TMB/10，且T-value>＝20定义为高肿瘤突变负荷，T-value<20定义为低肿瘤突变负荷。
对集合T-value-A与T-value-B分别进行T-value的四分位数统计，并结合TCGA数据库结果进行对比，如图3所示。
在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。

Claims (9)

1.一种基于单样本的二代测序数据分析肿瘤突变负荷的方法，其包括以下步骤：
(1)将待分析数据比对到人类参考基因组序列，得到比对后的数据；
(2)将所述比对后的数据进行排序去重，得到去重数据；
(3)对所述去重数据进行突变检测，并筛选出非同义突变及移码突变，组成突变集合A；
(4)在所述突变集合A中筛选出突变频率为5％以上的结果，组成突变集合B，其中所述突变频率＝支持突变基因型的序列数/(支持突变基因型的序列数+支持野生基因型的序列数)；
(5)在所述突变集合B中筛选出在Cosmic数据库中的突变结果，组成突变集合C，在所述突变集合C中，筛选出所测序基因的包含全外显子区域的结果，组成突变集合D，其中，所述突变集合C中的突变数为n；所述突变集合D中的突变数为m，且m≤n；
(6)计算肿瘤突变负荷TMB＝m/(L/1000000)，其中L为所测序基因的全外显子区域的总长，并计算判断肿瘤突变负荷的评判值T-value，其中T-value＝TMB/10，当T-value≥20时为高肿瘤突变负荷，当T-value<20时为低肿瘤突变负荷。
2.根据权利要求1所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中通过将二代测序的原始数据去除测序接头及低质量序列得到所述待分析数据。
3.根据权利要求2所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述样本选自肿瘤样本和液体活检的血液样本组成的组。
4.根据权利要求3所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述步骤(1)中通过BWA软件将所述待分析数据比对到人类参考基因组序列。
5.根据权利要求4所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述步骤(2)中通过Samtools软件进行排序去重。
6.根据权利要求5所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述步骤(3)中利用Freebayes软件对所述去重数据进行突变检测。
7.根据权利要求6所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述步骤(3)中的突变检测包括检测单核苷酸多态性SNP及短片段插入和缺失的突变。
8.根据权利要求7所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述短片段的长度为1-50bp。
9.根据权利要求1-8任一项所述的基于单样本的二代测序数据分析肿瘤突变负荷的方法，其中所述样本不包括对照样本。
CN201810389889.5A 2018-04-27 2018-04-27 基于单样本的二代测序数据分析肿瘤突变负荷的方法 Active CN108470114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810389889.5A CN108470114B (zh) 2018-04-27 2018-04-27 基于单样本的二代测序数据分析肿瘤突变负荷的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810389889.5A CN108470114B (zh) 2018-04-27 2018-04-27 基于单样本的二代测序数据分析肿瘤突变负荷的方法

Publications (2)

Publication Number Publication Date
CN108470114A true CN108470114A (zh) 2018-08-31
CN108470114B CN108470114B (zh) 2020-02-28

Family

ID=63264006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810389889.5A Active CN108470114B (zh) 2018-04-27 2018-04-27 基于单样本的二代测序数据分析肿瘤突变负荷的方法

Country Status (1)

Country Link
CN (1) CN108470114B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109427412A (zh) * 2018-11-02 2019-03-05 北京吉因加科技有限公司 用于检测肿瘤突变负荷的序列组合和其设计方法
CN109637590A (zh) * 2018-12-29 2019-04-16 西安交通大学 一种基于基因组测序的微卫星不稳定性检测系统及方法
CN109767811A (zh) * 2018-11-29 2019-05-17 北京优迅医学检验实验室有限公司 用于预测肿瘤突变负荷的线型模型的构建方法、预测肿瘤突变负荷的方法及装置
CN109817279A (zh) * 2019-01-18 2019-05-28 臻悦生物科技江苏有限公司 肿瘤突变负荷的检测方法、装置、存储介质及处理器
CN111933219A (zh) * 2020-09-16 2020-11-13 北京求臻医学检验实验室有限公司 一种分子标志物肿瘤缺失突变负荷的检测方法
CN111951893A (zh) * 2020-08-24 2020-11-17 中山大学附属第三医院 构建肿瘤突变负荷tmb面板的方法及其使用方法
CN112116956A (zh) * 2020-09-29 2020-12-22 深圳裕策生物科技有限公司 一种基于二代测序的肿瘤单样本tmb检测方法及装置
CN114360649A (zh) * 2021-12-31 2022-04-15 哈尔滨星云医学检验所有限公司 一种基于panel数据的TMB检测方法及其应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021994A (zh) * 2016-05-13 2016-10-12 万康源(天津)基因科技有限公司 一种肿瘤突变位点筛选及互斥基因挖掘的方法
CN106355045A (zh) * 2016-08-30 2017-01-25 天津诺禾致源生物信息科技有限公司 一种基于扩增子二代测序小片段插入缺失检测的方法及装置
CN106566877A (zh) * 2016-10-31 2017-04-19 天津诺禾致源生物信息科技有限公司 检测基因突变的方法和装置
CN106778073A (zh) * 2017-01-19 2017-05-31 北京吉因加科技有限公司 一种评估肿瘤负荷变化的方法和系统
WO2017151524A1 (en) * 2016-02-29 2017-09-08 Foundation Medicine, Inc. Methods and systems for evaluating tumor mutational burden

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017151524A1 (en) * 2016-02-29 2017-09-08 Foundation Medicine, Inc. Methods and systems for evaluating tumor mutational burden
CN106021994A (zh) * 2016-05-13 2016-10-12 万康源(天津)基因科技有限公司 一种肿瘤突变位点筛选及互斥基因挖掘的方法
CN106355045A (zh) * 2016-08-30 2017-01-25 天津诺禾致源生物信息科技有限公司 一种基于扩增子二代测序小片段插入缺失检测的方法及装置
CN106566877A (zh) * 2016-10-31 2017-04-19 天津诺禾致源生物信息科技有限公司 检测基因突变的方法和装置
CN106778073A (zh) * 2017-01-19 2017-05-31 北京吉因加科技有限公司 一种评估肿瘤负荷变化的方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHALMERS ZR ET AL: "Analysis of 100,000 human cancer genomes reveals the landscape of tumor mutational burden", 《GENOME MED》 *
SCHROCK AB ET AL: "Pulmonary Sarcomatoid Carcinomas Commonly Harbor Either Potentially Targetable Genomic Alterations or High Tumor Mutational Burden as Observed by Comprehensive Genomic Profiling", 《JTHORAC ONCOL》 *
赵世香: "Ph-骨髓增殖性肿瘤（MPN）JAK2V617F突变负荷量的研", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109427412B (zh) * 2018-11-02 2022-02-15 北京吉因加科技有限公司 用于检测肿瘤突变负荷的序列组合和其设计方法
CN109427412A (zh) * 2018-11-02 2019-03-05 北京吉因加科技有限公司 用于检测肿瘤突变负荷的序列组合和其设计方法
CN109767811A (zh) * 2018-11-29 2019-05-17 北京优迅医学检验实验室有限公司 用于预测肿瘤突变负荷的线型模型的构建方法、预测肿瘤突变负荷的方法及装置
CN109637590A (zh) * 2018-12-29 2019-04-16 西安交通大学 一种基于基因组测序的微卫星不稳定性检测系统及方法
CN109637590B (zh) * 2018-12-29 2020-06-19 西安交通大学 一种基于基因组测序的微卫星不稳定性检测系统及方法
CN109817279A (zh) * 2019-01-18 2019-05-28 臻悦生物科技江苏有限公司 肿瘤突变负荷的检测方法、装置、存储介质及处理器
CN109817279B (zh) * 2019-01-18 2022-11-04 臻悦生物科技江苏有限公司 肿瘤突变负荷的检测方法、装置、存储介质及处理器
CN111951893A (zh) * 2020-08-24 2020-11-17 中山大学附属第三医院 构建肿瘤突变负荷tmb面板的方法及其使用方法
CN111951893B (zh) * 2020-08-24 2022-11-15 中山大学附属第三医院 构建肿瘤突变负荷tmb面板的方法
CN111933219B (zh) * 2020-09-16 2021-06-08 北京求臻医学检验实验室有限公司 一种分子标志物肿瘤缺失突变负荷的检测方法
CN111933219A (zh) * 2020-09-16 2020-11-13 北京求臻医学检验实验室有限公司 一种分子标志物肿瘤缺失突变负荷的检测方法
CN112116956A (zh) * 2020-09-29 2020-12-22 深圳裕策生物科技有限公司 一种基于二代测序的肿瘤单样本tmb检测方法及装置
CN112116956B (zh) * 2020-09-29 2024-04-19 深圳裕策生物科技有限公司 一种基于二代测序的肿瘤单样本tmb检测方法及装置
CN114360649A (zh) * 2021-12-31 2022-04-15 哈尔滨星云医学检验所有限公司 一种基于panel数据的TMB检测方法及其应用

Also Published As

Publication number Publication date
CN108470114B (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN108470114A (zh) 基于单样本的二代测序数据分析肿瘤突变负荷的方法
CN106650312B (zh) 一种用于循环肿瘤dna拷贝数变异检测的装置
Schwarz et al. Spatial and temporal heterogeneity in high-grade serous ovarian cancer: a phylogenetic analysis
Wang et al. Differences in microsatellite instability profiles between endometrioid and colorectal cancers: a potential cause for false-negative results?
AU2019269679A1 (en) Cell-free DNA for assessing and/or treating cancer
WO2018090298A2 (en) Systems and methods for monitoring lifelong tumor evolution
TWI670495B (zh) 一種鑑定樣本中腫瘤負荷的方法和系統
KR20210014111A (ko) 세포-무함유 혼합물의 특성을 측정하기 위한 크기-태깅된 바람직한 말단 및 배향-인지 분석
Eoh et al. Detection of germline mutations in patients with epithelial ovarian cancer using multi-gene panels: beyond BRCA1/2
CN108588230B (zh) 一种用于乳腺癌诊断的标记物及其筛选方法
CN111899789B (zh) 二代测序鉴定brca1/2大片段重排的方法及系统
CN112941181A (zh) 检测受检者外周血中的cfDNA突变信息的方法
Chou et al. Genes involved in angiogenesis and mTOR pathways are frequently mutated in Asian patients with pancreatic neuroendocrine tumors
CN106845154B (zh) 一种用于ffpe样本拷贝数变异检测的装置
CN116580768B (zh) 一种基于定制化策略的肿瘤微小残留病灶检测方法
CN111583999B (zh) 建立检测微卫星不稳定的基线的方法、装置及应用
KR20210098492A (ko) 클론성 조혈증으로부터의 세포 유리 dna 돌연변이의 단편 크기 특성화
CN116631508A (zh) 肿瘤特异性突变状态的检测方法及其应用
CN111968702B (zh) 一种基于循环肿瘤dna的恶性肿瘤早期筛查系统
CN116741272A (zh) 基于基因组突变特征及基因集表达特征的卵巢癌hrd分型系统及方法
CN108588201B (zh) 一种结直肠癌西妥昔单抗耐药性痕量dna突变检测的方法及装置
CN110714066A (zh) 一种检测诊断角膜营养不良致病基因的dna文库及其应用
CN109055533B (zh) 一种检测atp7b基因突变的引物组合、检测方法及试剂盒
CN108342488B (zh) 一种用于检测胃癌的试剂盒
CN108342483B (zh) 一组用于非超突变型结直肠癌分子分型的基因及其应用

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant