CN108504555A - 鉴别及评价肿瘤进展的装置和方法 - Google Patents

鉴别及评价肿瘤进展的装置和方法 Download PDF

Info

Publication number
CN108504555A
CN108504555A CN201810337789.8A CN201810337789A CN108504555A CN 108504555 A CN108504555 A CN 108504555A CN 201810337789 A CN201810337789 A CN 201810337789A CN 108504555 A CN108504555 A CN 108504555A
Authority
CN
China
Prior art keywords
gene
patient
expression
tumour
clinical symptoms
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
CN201810337789.8A
Other languages
English (en)
Other versions
CN108504555B (zh
Inventor
曾坚阳
周斌
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.)
Turing Artificial Intelligence Research Institute (Nanjing) Co., Ltd.
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201810337789.8A priority Critical patent/CN108504555B/zh
Publication of CN108504555A publication Critical patent/CN108504555A/zh
Priority to PCT/CN2019/082574 priority patent/WO2019201186A1/zh
Priority to US16/725,147 priority patent/US20200185054A1/en
Application granted granted Critical
Publication of CN108504555B publication Critical patent/CN108504555B/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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • 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
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/30—Unsupervised data analysis
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/10—Ploidy or copy number detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/154—Methylation markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/156—Polymorphic or mutational markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/178—Oligonucleotides characterized by their use miRNA, siRNA or ncRNA
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Public Health (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Organic Chemistry (AREA)
  • Immunology (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Microbiology (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Oncology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本申请涉及鉴别及评价肿瘤进展的装置和方法。所述装置或方法可包括：1)能够提供患有所述肿瘤的患者的临床特征的模块或步骤；2)能够提供源自所述患者的至少一种生物学指标的模块或步骤；3)能够确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性的模块或步骤；以及4)能够评价所述肿瘤的进展或鉴定相关评价指标的模块或步骤。本申请的装置或方法能够为研究肿瘤进展的潜在分子机制和提供针对肿瘤进展的治疗策略提供指导。

Description

鉴别及评价肿瘤进展的装置和方法
技术领域
本申请涉及疾病的检测和治疗，具体涉及用于鉴别能够用于评价肿瘤进展的生物学指标的装置和方法，以及用于判断肿瘤进展的装置和方法。
背景技术
阐明肿瘤发生的潜在分子机制是肿瘤学中最重要的问题之一。通过高通量DNA测序能够获得患者在基因表达失调时的基因组特征。例如，已经发现拷贝数变异(CNV)可以作为结直肠癌等癌症的重要指标(参见Zhao S,et al,.Proc Natl Acad Sci U S A 2013,110(8):2916-2921)。DNA甲基化是一种重要的表观遗传机制，在膀胱癌细胞中，异常的DNA甲基化水平已被证明与某些基因的功能紊乱有关，因此也与膀胱癌的发生有关(参见RoseM,et al,.Carcinogenesis 2014,35(3):727-736)。体细胞突变往往被认为是膀胱癌进展的另一个原因(参见Soung YH,et al,.Oncogene 2003,22(39):8048-8052)。而微小RNA的异常表达可能导致膀胱癌细胞中胞内调节网络的紊乱(参见Jin Y,et al,.Tumour Biol2015,36(5):3791-3797)。
然而，癌症的发生和进展往往是多步骤和高度动态的过程，其涉及细胞中多种分子的活性水平变化。因此，仅通过单个指标来评价癌症的进展或预后通常是困难的。本领域中也缺乏能够与临床特征(例如，疾病进展情况)相关联的可靠的生物学指标。相应地，亟需鉴别出能够揭示癌症进展的潜在生物学指标，并从例如基因表达水平、拷贝数变异、DNA甲基化、体细胞突变和微小RNA(microRNA)调控等多个角度来评价与癌症进展相关的重要生物学指标，并研究如何综合利用这些指标来评价癌症的进展和/或预后。
发明内容
本申请提供了一种用于鉴别能够评价肿瘤进展的生物学指标的装置和方法，所述装置和方法能够通过创造性地将患有肿瘤的患者的临床特征(例如肿瘤分期阶段和/或所述患者的生存时间)与该患者的至少一种生物学指标(例如基因的表达水平、拷贝数变异、DNA甲基化、体细胞突变和微小RNA等)进行比较和关联，而鉴定出能够用于评价肿瘤进展的生物学指标。此外，本申请还提供了用于判断受试者中肿瘤进展的装置和方法，所述装置和方法能够通过创造性地综合利用所鉴定出的各种生物学指标、并给各个不同的指标分配合理的权重，而判断受试者中肿瘤进展的情况。在某些情况下，本申请的装置或方法还可以根据所述判断的结果，提供适合的治疗方案。
一方面，本申请提供了一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括：1)临床特征模块，其能够提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；2)生物学指标模块，其能够提供源自所述患者的至少一种生物学指标；3)相关性判断模块，其能够确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性；以及4)鉴别模块，其能够将在模块3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
另一方面，本申请提供了一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括用于鉴别所述生物学指标的计算机，所述计算机被编程以执行如下步骤：1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；2)提供源自所述患者的至少一种生物学指标；3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
另一方面，本申请提供了一种鉴别能够评价肿瘤进展的生物学指标的方法，所述方法包括：1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；2)提供源自所述患者的至少一种生物学指标；3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
在某些实施方式中，所述肿瘤包括膀胱癌。在某些实施方式中，所述膀胱癌包括膀胱尿路上皮癌(BLCA)。
在某些实施方式中，所述肿瘤分期阶段选自：肿瘤I期，肿瘤II期，肿瘤III期和肿瘤IV期。
在某些实施方式中，所述至少一种生物学指标包括选自下组的一类或多类指标：类1：所述患者基因的表达水平；类2：所述患者基因的拷贝数变化；类3：所述患者基因的DNA甲基化；类4：所述患者基因的体细胞突变；和类5：所述患者中的微小RNA。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关，且其中所述多变量包括所述患者中的基因表达水平，所述患者的年龄，所述患者的性别，和/或所述患者的肿瘤分期阶段。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：根据所述多变量回归分析中获得的针对各基因的相关性系数数值，将所述基因分为保护性效应基因和危险性效应基因，其中所述保护性效应基因的相关性系数数值为负，且所述危险性效应基因的相关性系数数值为正。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：确定所述患者的基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。
在某些实施方式中，所述的装置或方法通过使用WGCNA算法根据所述基因共表达情况将所述基因分为2组或更多组。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的拷贝数变化，且确定所述基因拷贝数变化与所述临床特征之间的相关性包括：比较所述患者的基因在各肿瘤分期阶段的拷贝数变化频率。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的DNA甲基化，且确定所述DNA甲基化与所述临床特征之间的相关性包括：以所述DNA甲基化的程度作为变量而相对于所述临床特征进行回归分析，并将所述回归分析中p值小于或等于第四阈值的DNA甲基化鉴别为与所述临床特征相关。
在某些实施方式中，所述装置或方法中确定所述DNA甲基化与所述临床特征之间的相关性还包括：确定被鉴别为与所述临床特征相关的各DNA甲基化位点的风险值，所述风险值基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的体细胞突变，且确定所述体细胞突变与所述临床特征之间的相关性包括：确定具有所述体细胞突变的基因所属的信号通路，和/或确定具有所述体细胞突变的基因的表达水平与所述临床特征之间的相关性。
在某些实施方式中，所述至少一种生物学指标包括所述患者中的微小RNA，且确定所述微小RNA与所述临床特征之间的相关性包括：确定所述微小RNA所调控的基因的表达水平与所述临床特征之间的相关性，以及确定所述微小RNA在所述患者中的表达水平与其所调控的基因的表达水平之间的相关性。
在某些实施方式中，所述至少一种生物学指标包括两类或更多类所述生物学指标，且确定所述生物学指标与所述临床特征之间的相关性包括确定各类所述生物学指标对所述临床特征影响的权重。
在某些实施方式中，所述装置或方法通过进行有序逻辑回归分析确定所述权重。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：a)以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关的第一基因集合。
在某些实施方式中，所述装置或方法中确定所述基因的表达水平与所述临床特征之间的相关性还包括：b)相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关的第二基因集合，且其中所述多变量包括所述第一基因集合中各基因的表达水平，所述患者的年龄，所述患者的性别，和所述患者的肿瘤分期阶段。
在某些实施方式中，所述装置或方法中确定所述基因的表达水平与所述临床特征之间的相关性还包括：c)根据所述多变量回归分析中获得的针对各基因的相关性系数数值，将所述基因分为保护性效应基因和危险性效应基因，其中所述保护性效应基因的相关性系数数值为负，且所述危险性效应基因的相关性系数数值为正。
在某些实施方式中，所述装置或方法中确定所述基因的表达水平与所述临床特征之间的相关性还包括：确定所述第二基因集合中的各基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述第二基因集合中的基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。
在某些实施方式中，所述装置或方法通过使用WGCNA算法根据所述基因共表达情况将所述第二基因集合中的基因分为2组或更多组。
在某些实施方式中，所述至少一种生物学指标还包括所述患者基因的拷贝数变化，且确定所述基因拷贝数变化与所述临床特征之间的相关性包括：比较所述第二基因集合中的基因在各肿瘤分期阶段的拷贝数变化频率。
在某些实施方式中，所述至少一种生物学指标还包括所述患者基因的DNA甲基化，且确定所述DNA甲基化与所述临床特征之间的相关性包括：确定所述第二基因集合中基因的DNA甲基化位点及各所述位点的DNA甲基化程度，以所述DNA甲基化程度作为变量而相对于所述临床特征进行回归分析，并将所述回归分析中p值小于或等于第四阈值的DNA甲基化鉴别为与所述临床特征相关的第一DNA甲基化集合。
在某些实施方式中，所述装置或方法中确定所述DNA甲基化与所述临床特征之间的相关性还包括：确定所述第一DNA甲基化集合中各DNA甲基化位点的风险值，所述风险值基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。
在某些实施方式中，所述至少一种生物学指标还包括所述患者基因的体细胞突变，且确定所述体细胞突变与所述临床特征之间的相关性包括：确定所述第二基因集合中的基因所具有的体细胞突变，以及确定具有所述体细胞突变的基因所属的信号通路。
在某些实施方式中，所述至少一种生物学指标包括所述患者中的微小RNA，且确定所述微小RNA与所述临床特征之间的相关性包括：确定调控所述第二基因集合中的基因的微小RNA，以及确定所述微小RNA在所述患者中的表达水平与其所调控的基因的表达水平之间的相关性，将该相关性高于第五阈值的微小RNA鉴别为与所述临床特征相关的第一微小RNA集合。
在某些实施方式中，所述装置或方法中确定所述生物学指标与所述临床特征之间的相关性包括：通过进行有序逻辑回归分析分别确定下列生物学指标对所述临床特征影响的权重：所述第二基因集合中基因的表达水平，所述第二基因集合中基因的拷贝数变化，所述第一DNA甲基化集合中DNA甲基化位点的风险值。
在某些实施方式中，所述装置或方法分别确定所述第二基因集合中保护性效应基因表达水平和危险性效应基因表达水平各自的权重。
另一方面，本申请提供了一种存储有计算机程序的计算机可读存储介质，其中所述计算机程序使计算机执行本申请所述的鉴别方法。
另一方面，本申请提供了一种判断受试者中肿瘤进展的装置，所述装置包括：a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
另一方面，本申请提供了一种判断受试者中肿瘤进展的装置，所述装置包括用于判断受试者中肿瘤进展的计算机，所述计算机被编程以执行如下步骤：a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
另一方面，本申请提供了一种判断受试者中肿瘤进展的方法，所述方法包括：a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
在某些实施方式中，所述肿瘤进展包括所述肿瘤的分期阶段和/或所述受试者的生存率。
在某些实施方式中，所述肿瘤的分期阶段选自：肿瘤I期，肿瘤II期，肿瘤III期和肿瘤IV期。
在某些实施方式中，所述肿瘤包括膀胱癌。在某些实施方式中，所述膀胱癌包括膀胱尿路上皮癌(BLCA)。
在某些实施方式中，所述一个或多个基因至少包括表2中所示的一个或多个保护性效应基因。
在某些实施方式中，所述一个或多个基因至少包括表3中所示的一个或多个危险性效应基因。
在某些实施方式中，所述一个或多个基因至少包括表4中所示的一个或多个基因。在某些实施方式中，所述一个或多个基因至少包括表5中所示的一个或多个基因。
在某些实施方式中，所述装置或方法还包括：确定所述一个或多个基因的拷贝数变化的步骤或模块。
在某些实施方式中，所述的装置或方法还包括：确定表8中所示的一个或多个基因的DNA甲基化风险值的步骤或模块。
在某些实施方式中，所述的装置或方法还包括：确定所述受试者的年龄的步骤或模块。
在某些实施方式中，所述装置或方法中确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平包括：确定所述一个或多个基因中表2所示基因的平均表达水平；以及确定所述一个或多个基因中表3所示基因的平均表达水平。
在某些实施方式中，所述装置或方法根据式I判断所述受试者中所述肿瘤的进展：
其中，j＝肿瘤III期时，Intercept＝0.9609；j＝肿瘤I期/II期时，Intercept＝-0.6617；a为所述一个或多个基因中表2所示基因的平均表达水平；b为所述一个或多个基因中表3所示基因的平均表达水平；c为所述一个或多个基因的拷贝数变化；d为所述一个或多个基因中表8中所示基因的DNA甲基化风险值；e为所述受试者的年龄；且f为所述受试者的性别，其中男性为0，女性为1。
另一方面，本申请提供了一种存储有计算机程序的计算机可读存储介质，其中所述计算机程序使计算机执行本申请所述的判断方法。
另一方面，本申请提供了一种治疗受试者中的肿瘤的方法，所述方法包括：根据本申请所述的判断方法，判断所述受试者中所述肿瘤的进展；以及根据所述进展向所述受试者施用有效量的治疗。
另一方面，本申请提供了一种治疗受试者中的肿瘤的装置，所述装置包括：a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展；以及c)治疗模块，其能够根据b)中判断的所述进展向所述受试者施用有效量的治疗。
本领域技术人员能够从下文的详细描述中容易地洞察到本公开的其它方面和优势。下文的详细描述中仅显示和描述了本公开的示例性实施方式。如本领域技术人员将认识到的，本公开的内容使得本领域技术人员能够对所公开的具体实施方式进行改动而不脱离本申请所涉及发明的精神和范围。相应地，本申请的附图和说明书中的描述仅仅是示例性的，而非为限制性的。
附图说明
本申请所涉及的发明的具体特征如所附权利要求书所显示。通过参考下文中详细描述的示例性实施方式和附图能够更好地理解本申请所涉及发明的特点和优势。对附图简要说明书如下：
图1显示的是本申请的鉴别方法和装置的工作流程示意图。
图2A-2D显示的是两组不同BLCA患者中APOL2、BCL2L14、CSAD和ORMDL1表达的Kaplan-Meier曲线图示意图。
图3A-3B显示的是对于BLCA患者的存活而言重要的基因中，保护性效应基因和危险性效应基因的基因本体(GO)富集分析。
图4A-4C显示的是不同癌症分期阶段的BLCA患者中，关键性基因之间相关性的动态变化。
图5A-5D显示的是通过WGCNA算法检测获得的基因共表达网络的功能模块。
图6A-6E显示的是膀胱癌不同分期中拷贝数变异(CNV)的分析。
图7A-7B显示的是DNA甲基化分析的示例结果。
图8A-8D显示的是BLCA样品中显著富集了突变基因的细胞信号传导通路。
图9A-9E显示的是膀胱癌不同分期中的体细胞突变分析。
图10A-10C显示的是膀胱癌不同分期中的微小RNA调节网络的演变。
图11显示的是整合分析中有序逻辑回归的森林图(forest plot)。
具体实施方式
以下由特定的具体实施例说明本申请发明的实施方式，熟悉此技术的人士可由本说明书所公开的内容容易地了解本申请发明的其他优点及效果。
一方面，本申请提供了一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括：1)临床特征模块，其能够提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；2)生物学指标模块，其能够提供源自所述患者的至少一种生物学指标；3)相关性判断模块，其能够确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性；以及4)鉴别模块，其能够将在模块3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
另一方面，本申请提供了一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括用于鉴别所述生物学指标的计算机，所述计算机被编程以执行如下步骤：1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；2)提供源自所述患者的至少一种生物学指标；3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
另一方面，本申请提供了一种鉴别能够评价肿瘤进展的生物学指标的方法，所述方法包括：1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；2)提供源自所述患者的至少一种生物学指标；3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
在本申请中，术语“患者”通常指具有某种疾病表征的个体，所述疾病表征可以指疾病的症状，也可以指在预防性情况中不能被改变的有害的生理状态。所述个体可包括雄性和/或雌性，通常包含人或非人动物，包括但不限于人、狗、猫、马、绵羊、山羊、猪、牛、兔、大鼠、小鼠、猴等。在某些实施方式中，所述患者为人类患者。
在本申请中，术语“肿瘤”通常是指因细胞的异常病变，身体部分细胞有不受控制的增生，许多时会集结成为肿块。肿瘤可以分为良性肿瘤和恶性肿瘤。在所述恶性肿瘤中，增生的细胞集结成为肿块，并扩散至其他部位。所述肿瘤可以选自以下组：鼻咽癌、唇癌、大肠癌、胆囊癌、肺癌、肝癌、宫颈癌、骨癌、喉癌、黑素瘤、甲状腺癌、口咽癌、脑瘤、膀胱癌、皮肤癌、前列腺癌、乳腺癌、食道癌、神经胶质瘤、舌癌、肾癌、肾上腺皮质癌、胃癌、血管瘤、胰腺癌、阴道癌、子宫癌和脂肪瘤。例如，所述肿瘤可以为膀胱癌，如膀胱尿路上皮癌(BLCA)。
临床特征
在本申请中，术语“临床特征模块”通常是指够提供患有所述肿瘤的患者的临床特征的功能单元。例如，所述临床特征模块可以包括信息输入和/或提取单元，其能够接收和/或提供包括患者的肿瘤分期阶段和/或所述患者的生存时间的所述临床特征。
在本申请中，术语“临床特征”通常是指反映患者的疾病临床特点的一种或多种指标和/或参数，例如，患者的肿瘤分期阶段和/或所述患者的生存时间等。
在本申请中，所述临床特征模块可以包括能够获得患者的肿瘤分期阶段和/或所述患者的生存时间的试剂、设备和/或装置。例如，所述临床特征模块可以包括检测肿瘤大小、浸润程度、转移情况的试剂、设备和/或装置(例如，核磁共振成像、CT、肠胃镜)。又例如，所述临床特征模块可以包括监控患者生存时间的设备和/或装置(例如，检测肿瘤标志物的试剂、设备和/或装置)。所述肿瘤标志物可以选自以下组：血清癌胚抗原(CEA)、甲胎蛋白(AFP)、前列腺特异抗原(PSA)和绒毛膜促性腺激素(HCG)。
在本申请中，术语“肿瘤分期”通常是指通过患者体内肿瘤的数量和位置，评价所述肿瘤的进展的组织病理学分类方法。所述肿瘤分期可以根据个体内原发肿瘤以及播散程度(例如，按照WHO提出的TNM分类方法)来描述恶性肿瘤的严重程度和受累范围。所述肿瘤分期可以帮助医生制定相应的治疗计划并且了解疾病的预后，同时避免过度治疗或治疗不足的情况。一般按照世界卫生组织(WHO)提出的TNM分类方法对肿瘤进行分期。TNM分类方法中各个英文数字代号的含义如下，T：原发肿瘤的范围和大小、浸润范围、有无转移、浸润深达程度，分为由0(T0至T4，5个等级)，数字越大表示癌症进展得越明显，根据癌症发生的不同脏器制定的分类方法也不尽相同；N：淋巴结播散情况，分为由0(N0至N3，4个等级)，数字越大表示癌症进展得越明显；M：是否存在转移，其中M0表示没有转移，M1表示有远处转移。临床上将上述的T、N、M的结果综合在一起来决定肿瘤的分期。例如，所述肿瘤分期可以包括肿瘤I期、肿瘤II期、肿瘤III期和肿瘤IV期。
在本申请中，术语“肿瘤I期”通常是指肿瘤的早期阶段。在本申请中，术语“肿瘤II期”通常是指肿瘤的轻度阶段。在本申请中，术语“肿瘤III期”通常是指肿瘤的中期阶段。在本申请中，术语“肿瘤IV期”通常是指肿瘤的完全阶段。
在本申请中，术语所述“生存时间”是指经过治疗后的肿瘤患者的总存活时间。所述生存时间可以与所述肿瘤分期相关。
在本申请中，术语“膀胱癌”通常是指各种出自膀胱的恶性肿瘤。所述膀胱癌可包括膀胱尿路上皮癌(BLCA)。所述膀胱尿路上皮癌可以分为非肌层浸润性尿路上皮癌和肌层浸润性尿路上皮癌。膀胱癌的病因复杂，既有内在的遗传因素，又有外在的环境因素。较为明确的两大致病危险因素是吸烟和职业接触芳香胺类化学物质。在临床表现方面，大约有90％以上的膀胱癌患者最初的临床表现是血尿，通常表现为无痛性、间歇性、肉眼全程血尿，有时也可为镜下血尿。血尿可能仅出现1次或持续1天至数天，可自行减轻或停止；约10％的膀胱癌患者可首先出现膀胱刺激症状，表现为尿频、尿急、尿痛和排尿困难。所述膀胱刺激症状多是由于肿瘤坏死、溃疡、膀胱内肿瘤较大或数目较多或膀胱肿瘤弥漫浸润膀胱壁，使膀胱容量减少或并发感染所引起。
在本申请中，膀胱癌可以分为以下分期阶段：0期膀胱癌(无创性乳头状癌和原位癌)、I期膀胱癌、II和III期膀胱癌和IV期膀胱癌。不同肿瘤分期的膀胱癌所对应的治疗方法包括如下的方法(参见NIH国家癌症研究院(National Cancer Insititute)的说明)。
对于0期膀胱癌，主要的治疗方法包括：
●用电灼术经尿道切除，
手术后立即给予膀胱内化疗；
手术后立即给予膀胱内化疗，然后定期使用膀胱内卡介苗或膀胱内化疗；
●部分膀胱切除术；
●根治性膀胱切除术；
●新疗法的临床实践。
对于I期膀胱癌，主要的治疗方法包括：
●用电灼术经尿道切除，
手术后立即给予膀胱内化疗；
手术后立即给予膀胱内化疗，然后定期使用膀胱内卡介苗或膀胱内化疗；
●部分膀胱切除术；
●根治性膀胱切除术；
●新疗法的临床实践。
对于II和III期膀胱癌，主要的治疗方法包括：
●根治性膀胱切除术；
●联合化疗随后进行根治性膀胱切除术。还可能进行尿流改道；
●外部放疗，或者外部放疗加化疗；
●部分膀胱切除术，或者部分膀胱切除术加化疗；
●用电灼术经尿道切除；
●新疗法的临床试验。
对于IV期膀胱癌，主要的治疗方法包括：
●化疗；
●单纯根治性膀胱切除术或随后进行化疗；
●外部放疗，或者外部放疗加化疗；
●尿流改道或膀胱切除术作为姑息疗法。
针对已经扩散到身体其他部位(如肺，骨或肝脏)的IV期膀胱癌的治疗可包括以下内容：
●化疗，或者化疗加局部治疗(手术或放疗)；
●免疫治疗；
●外部放射治疗作为姑息治疗；
●尿流改道或膀胱切除术作为姑息治疗；
新型抗癌药物的临床试验。
生物学指标
在本申请中，术语“生物学指标模块”通常是指能够提供源自所述患者的至少一种生物学指标的功能单元。例如，所述生物学指标模块可以提供在分子水平上反映所述患者的肿瘤分期阶段和/或所述患者的生存时间的指标和/或特征。
例如，所述生物学指标模块可以包括获得患者样品(例如，外周血)的样品单元。例如，所述生物学指标模块可包括获得患者样品的样品装置(例如，采血针等获取样品的装置；和/或，试管等承载样品的装置)。例如，所述生物学指标模块可以包括通过处理患者样品获得患者的DNA的样品处理装置(例如，抽提全血DNA的试剂盒、试管和相关装置)。又例如，所述生物学指标模块还可以包括能够分离患者样品的分离单元。例如，所述生物学指标模块可包括分离细胞的试剂(例如，蛋白酶K)和分离细胞的装置(例如，离心机)。
例如，所述生物学指标模块可以包括获得所述生物学指标的样品处理单元。例如，所述样品处理单元可以包括检测所述患者基因表达水平的试剂和器材、检测所述患者基因拷贝数变化的试剂和器材、检测所述患者基因的DNA甲基化的试剂和器材、检测所述患者基因的体细胞突变的试剂和器材，以及检测所述患者中微小RNA的试剂和器材。又例如，所述样品处理单元可以包括q-RT PCR试剂盒、MLPA(多重连接探针扩增)试剂盒、甲基化图谱分析试剂盒、TruSeq Rapid Exome Library试剂盒和微阵列分析试剂盒。
在本申请中，术语“生物学指标”通常是指包括选自下组的一类或多类指标：类1：所述患者基因的表达水平；类2：所述患者基因的拷贝数变化；类3：所述患者基因的DNA甲基化；类4：所述患者基因的体细胞突变；和类5：所述患者中的微小RNA(微小RNA)。
例如，所述患者的基因的表达水平可能为上调，例如，与正常细胞中的表达水平相比，上调约10％以上、20％以上、30％以上、40％以上、50％以上、60％以上、70％以上、80％以上、90％以上、100％以上、120％以上、140％以上、160％以上、180％以上或200％以上；例如，所述患者的基因的表达水平可能为下调，例如，下调至正常细胞中的表达水平约10％以下、20％以下、30％以下、40％以下、50％以下、60％以下、70％以下、80％以下、90％以下、92％以下、94％以下、96％以下、98％以下或99％以下。例如，所述患者基因的拷贝数变化可能为增加，例如与正常细胞中的表达水平相比，增加约0.1倍以上、约0.5倍以上、约1倍以上、约2倍以上、约3倍以上、约4倍以上、约5倍以上、约6倍以上、约7倍以上、约8倍以上、约9倍以上或约10倍以上；又例如，所述患者基因的拷贝数变化可能为减小，例如与正常细胞中的表达水平相比，减小约0.1倍以上、约0.5倍以上、约1倍以上、约2倍以上、约3倍以上、约4倍以上、约5倍以上、约6倍以上、约7倍以上、约8倍以上、约9倍以上或约10倍以上。例如，所述患者基因的DNA甲基化可能为水平增加，例如与正常细胞中的DNA甲基化水平相比，增加约0.1倍以上、约0.5倍以上、约1倍以上、约2倍以上、约3倍以上、约4倍以上、约5倍以上、约6倍以上、约7倍以上、约8倍以上、约9倍以上或约10倍以上；又例如，所述患者基因的DNA甲基化可能为水平减小，例如与正常细胞中的DNA甲基化水平相比，减小约0.1倍以上、约0.5倍以上、约1倍以上、约2倍以上、约3倍以上、约4倍以上、约5倍以上、约6倍以上、约7倍以上、约8倍以上、约9倍以上或约10倍以上。
在本申请中，术语“基因的表达水平”通常是指将编码在基因中的信息翻译成基因产物(例如RNA，蛋白质)的水平。表达的基因包括转录成随后翻译成蛋白质的RNA(例如mRNA)的基因以及转录成不翻译成蛋白质的非编码功能性RNA的基因(例如，tRNA，rRNA核酶等)。如本文所用，“基因表达水平”或“表达水平”是指样品或参考标准中由给定基因编码的一种或多种产物(例如RNA，蛋白质)的水平(例如，量)。
在本申请中，术语“基因的拷贝数变化”通常是指CNV(Copy Number Variation)，其表示基因组的切片重复，以及基因组中的重复数量在种群中的个体之间有所不同的现象(参见Mccarroll,S.A等(2007)."Copy-number variation and association studies ofhuman diseases".Nature Genetics.39:37–42.)。CNV是一种重复或删除事件，影响相当数量的碱基对，并主要出现在人基因组中。拷贝数变异通常可以分为两大类：短重复和长重复。短重复序列主要包括双核苷酸重复序列(两个重复核苷酸，例如A-C-A-C-A-C...)和三核苷酸重复序列。长重复序列包括整个基因的重复。CNV的研究数据不仅可以为进化和自然选择提供额外的证据，还可以用于开发各种遗传疾病的治疗方法。
在本申请中，术语“基因的DNA甲基化”通常是指是将甲基添加到DNA分子(主要是胞嘧啶和腺嘌呤)中的过程。甲基化可以改变DNA片段的活性而不改变序列。当位于基因启动子中时，DNA甲基化通常起到抑制基因转录的作用。DNA甲基化对于正常发育是必不可少的，并与许多关键过程相关，包括基因组印记、X染色体失活、转座因子抑制、衰老和致癌作用。胞嘧啶甲基化形成5-甲基胞嘧啶发生在DNA碱基胸腺嘧啶甲基所在的嘧啶环的相同5位；相同的位置区分胸腺嘧啶和不含甲基的类似RNA碱基尿嘧啶。5-甲基胞嘧啶的自发脱氨将其转化为胸腺嘧啶。这会导致T-G不匹配。修复机制然后将其修改回原始的C-G对；或者，它们可以用G代替A，将原始C-G对变为T-A对，从而有效地改变碱基并引入突变。在本申请中，基因的DNA甲基化可能会产生DNA甲基化标记，DNA甲基化标记是具有特定生物学状态(例如组织，细胞类型，个体)的特定甲基化模式的基因组区域，被认为是参与基因转录调控的可能功能区。
在本申请中，术语“基因的体细胞突变”通常是指在生殖细胞系以外的细胞中发生的突变，也称作获得性突变。体细胞突变不会造成后代的遗传改变，却可以引起当代某些细胞的遗传结构发生改变。绝大部分体细胞突变无表型效应。恶性肿瘤的散发形式可以通过体细胞突变引起。研究表明，体细胞癌变并不一定有基因结构的改变，当基因以外的物质如蛋白质、RNA、生物膜发生了改变，而这些改变也能使与生长、分化有关的基因异常关闭或启动，此时，细胞也能转化为癌细胞，这一观点称为基因外调节学说。
在本申请中，术语“微小RNA”通常是指是长约22nt的非编码RNA(微小RNA，简称miRNA)，广泛存在于从病毒到人类的各种生物中。这些小RNA能够与mRNA结合阻断蛋白编码基因的表达，防止它们翻译成为蛋白。哺乳动物miRNA可以具有许多独特的靶标。例如，对脊椎动物中高度保守的miRNA的分析表明，每个平均有大约400个保守的靶标；同样，单个miRNA种类可能会抑制数百种蛋白质的产生。研究表明，慢性淋巴细胞白血病和B细胞恶性肿瘤可能与miRNA有关。
相关性
在本申请中，术语“相关性判断模块”通常是指能够确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性的功能单元。
在本申请中，术语“相关性”通常是指本申请中患者的所述至少一种生物学指标与相应患者的所述临床特征表现出有统计学意义的关联性。例如，一个基因可以以较高的或较低的水平表达，并且与肿瘤(例如，膀胱癌)的状态或结果相关。
例如，所述相关性判断模块可以包括样品判断单元，所述样品判断单元可以确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性。例如，所述相关性判断模块可以包括以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析来确定所述基因的表达水平与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。例如，所述相关性判断模块可以包括以所述基因的表达水平，所述患者的年龄，所述患者的性别，和/或所述患者的肿瘤分期阶段作为多变量而相对于所述临床特征进行多变量回归分析来确定所述基因的表达水平与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。又例如，所述相关性判断模块还可以包括根据所述回归分析中获得的针对各基因的相关性系数数值来确定所述基因的表达水平与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。
又例如，所述相关性判断模块还可以包括根据所述患者的基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，从而根据所述基因共表达情况将所述基因分为2组或更多组来分别确定每组的基因表达水平与所述临床特征间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。例如，所述单元可以利用WGCNA(Weighted Gene Co-Expression Network Analysis，加权关联网络分析)算法来实现其至少一部分所述功能。
又例如，所述相关性判断模块还可以包括根据所述患者的基因在各肿瘤分期阶段的拷贝数变化频率确定所述基因拷贝数变化与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。
又例如，所述相关性判断模块还可以包括根据以所述DNA甲基化的程度作为变量而相对于所述临床特征进行回归分析，据此确定的DNA甲基化来确定所述DNA甲基化与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。又例如，所述相关性判断模块还可以包括基于甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定的被鉴别为与所述临床特征相关的各DNA甲基化位点的风险值，来确定所述DNA甲基化与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。
又例如，所述相关性判断模块还可以包括根据所述患者的所述体细胞突变的基因所属的信号通路确定所述体细胞突变的基因的表达水平与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。
又例如，所述相关性判断模块还可以包括根据所述微小RNA所调控的基因的表达水平确定所述微小RNA所调控的基因的表达水平与所述临床特征以及与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。
又例如，所述相关性判断模块还可以包括通过确定包括两类或更多类所述生物学指标对所述临床特征影响的权重，来确定所述生物学指标与所述临床特征之间的相关性的单元(例如，其可包括能够执行相关指令的硬件、程序和/或软件)。例如，所述单元可通过进行有序逻辑回归分析确定所述权重。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的表达水平，确定所述基因的表达水平与所述临床特征之间的相关性可以包括：以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关。
在某些实施方式中，所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：a)以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关的第一基因集合。
在本申请中，术语“第一阈值”通常是在以所述基因的表达水平作为单一变量而相对于所述临床特征进行的单变量回归分析中，判定结果的统计学显著性的截断值(即p值的截断值)。，例如，所述第一阈值可以为0.09或以下。例如，所述第一阈值可以为0.08或以下，0.07或以下，0.06或以下，0.05或以下，0.045或以下，0.04或以下，0.03或以下，0.02或以下，0.01或以下，或0.005或以下。
在本申请中，术语“第二阈值”通常是指以所述基因的表达水平作为单一变量而相对于所述临床特征进行的单变量回归分析中的错误发现率(FDR)小于或等于的阈值。在本申请中，所述第二阈值可以为0.5或以下。例如，所述第二阈值可以为0.4或以下，0.3或以下，0.2或以下，0.1或以下，或者0.05或以下。
在本申请中，如果所述基因的表达水平同时满足所述第一阈值和所述第二阈值，则该基因可以被鉴别为与所述临床特征相关的第一基因集合。在本申请中，如果所述基因的表达水平同时满足所述第一阈值和所述第二阈值，则该基因的表达水平可以与所述临床特征相关，和/或，该基因可以作为评价肿瘤进展的生物学指标之一。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关，且其中所述多变量包括所述患者中的基因表达水平，所述患者的年龄，所述患者的性别，和/或所述患者的肿瘤分期阶段。
在某些实施方式中，确定所述基因的表达水平与所述临床特征之间的相关性还包括：b)相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关的第二基因集合，且其中所述多变量包括所述第一基因集合中各基因的表达水平，所述患者的年龄，所述患者的性别，和所述患者的肿瘤分期阶段。
在本申请中，术语“第三阈值”通常是指相对于所述临床特征进行多变量回归分析中的错误发现率(FDR)小于或等于的阈值。其中，所述多变量可以选自以下组：所述患者中的基因表达水平，所述患者的年龄，所述患者的性别，和/或所述患者的肿瘤分期阶段。在本申请中，所述第三阈值可以为0.2以下。例如，所述第三阈值可以为0.2或以下，0.15或以下，0.1或以下，或者0.05或以下。
在本申请中，如果所述基因的表达水平满足所述第三阈值，则该基因可以被鉴别为与所述临床特征相关的第二基因集合。例如，所述第二基因集合的基因可以选自表1中所示的基因。例如，所述第二基因集合的基因的个数可以为1078个。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：根据所述多变量回归分析中获得的针对各基因的相关性系数数值，将所述基因分为保护性效应基因和危险性效应基因，其中所述保护性效应基因的相关性系数数值可以为负，所述危险性效应基因的相关性系数数值可以为正。
在本申请中，确定所述基因的表达水平与所述临床特征之间的相关性还可以包括：c)根据所述多变量回归分析中获得的针对各基因的相关性系数数值，将所述基因分为保护性效应基因和危险性效应基因，其中所述保护性效应基因的相关性系数数值为负，且所述危险性效应基因的相关性系数数值为正。
在本申请中，术语“保护性效应基因”通常是指其表达水平与患者的生存期正相关，或者其表达水平与肿瘤的进展程度(例如肿瘤分期阶段的进展)呈负相关的基因。例如，在本申请的所述多变量回归分析中，所述保护性效应基因的表达水平与所述临床特征(例如，肿瘤分期阶段)之间的相关性系数数值可以为负。在本申请中，所述保护性效应基因可以选自表2中所示的基因。在本申请中，所述保护性效应基因的数目可以为356个。所述保护性效应基因的表达水平可以在所述肿瘤的进展过程中被下调。例如，所述保护性效应基因可能与所述肿瘤的分期阶段负相关。
在本申请中，术语“危险性效应基因”通常是指其表达水平与患者的生存期负相关，或者其表达水平与肿瘤的进展程度(例如肿瘤分期阶段的进展)呈正相关的基因。例如，在本申请的所述多变量回归分析中，所述危险性效应基因的表达水平与所述临床特征(例如，肿瘤分期阶段)之间的相关性系数数值可以为正。在本申请中，所述危险性效应基因可以选自表3中所示的基因。在本申请中，所述危险性效应基因的数目可以为722个。所述危险性效应基因的表达水平可以在所述肿瘤的进展过程中被上调。例如，所述危险性效应基因可能与所述肿瘤的分期阶段正相关。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：确定所述患者的基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。例如，可通过鉴别在某肿瘤分期阶段中各基因的共表达关系，和/或鉴别该共表达关系在各肿瘤分期阶段的变化情况来将所述基因分为2组或更多组，其中每一组中的基因可呈现肿瘤分期阶段特异性共表达谱。随后，可分析每一组中的基因与所述临床特征(例如，患者的生存期和/或肿瘤的分期阶段)之间的相关性(例如，通过本申请所述的单变量和/或多变量回归分析)，从而可鉴别出具有所需相关性的基因组。
在本申请中，确定所述基因的表达水平与所述临床特征之间的相关性还可以包括：确定所述第二基因集合中的各基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述第二基因集合中的基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。例如，可通过鉴别在某肿瘤分期阶段中各基因的共表达关系，和/或鉴别该共表达关系在各肿瘤分期阶段的变化情况来将所述第二基因集合中的基因分为2组或更多组，其中每一组中的基因可呈现肿瘤分期阶段特异性共表达谱。随后，可分析每一组中的基因与所述临床特征(例如，患者的生存期和/或肿瘤的分期阶段)之间的相关性(例如，通过本申请所述的单变量和/或多变量回归分析)，从而可鉴别出具有所需相关性的基因组。
在本申请中，术语“基因共表达”通常是指所述第二基因集合中的多个基因在所述肿瘤分期的特定阶段能够体现出类似的表达水平趋势(例如，表达水平均在某一肿瘤分期趋势相同或类似，如在肿瘤I期上调)，从而能够根据所述基因共表达的现象，将所述第二基因集合中的基因分为2组或更多组(例如，2组以上、3组以上、4组以上、5组以上、6组以上、7组以上、8组以上、9组以上、10组以上或更多)，使得每组的基因表达水平与所述临床特征间具备所述相关性。例如，所述基因共表达可以通过使用WGCNA算法进行确定。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的拷贝数变化，且确定所述基因拷贝数变化与所述临床特征之间的相关性包括：比较所述患者的基因在各肿瘤分期阶段的拷贝数变化频率。
在某些实施方式中，所述至少一种生物学指标还包括所述患者基因的拷贝数变化，且确定所述基因拷贝数变化与所述临床特征之间的相关性包括：比较所述第二基因集合中的基因在各肿瘤分期阶段的拷贝数变化频率。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的DNA甲基化，且确定所述DNA甲基化与所述临床特征之间的相关性包括：以所述DNA甲基化的程度作为变量而相对于所述临床特征进行回归分析，并将所述回归分析中p值小于或等于第四阈值的DNA甲基化鉴别为与所述临床特征相关。
在某些实施方式中，所述至少一种生物学指标还包括所述患者基因的DNA甲基化，且确定所述DNA甲基化与所述临床特征之间的相关性包括：确定所述第二基因集合中基因的DNA甲基化位点及各所述位点的DNA甲基化程度，以所述DNA甲基化程度作为变量而相对于所述临床特征进行回归分析，并将所述回归分析中p值小于或等于第四阈值的DNA甲基化鉴别为与所述临床特征相关的第一DNA甲基化集合。
在本申请中，术语“第四阈值”通常是指以所述基因的DNA甲基化的程度作为变量而相对于所述临床特征进行的回归分析中的p值小于或等于的阈值(例如，体现统计学显著性的p值截断值)。在本申请中，所述第四阈值可以为0.2以下。例如，所述第四阈值可以为0.15以下，0.1以下，0.05以下，0.01以下，或0.005以下。
在本申请中，如果所述第二基因集合中基因的DNA甲基化程度经所述回归分析后p值小于或等于所述第四阈值，则该DNA甲基化可以被鉴别为与所述临床特征相关的第一DNA甲基化集合。在本申请中，所述第一DNA甲基化集合可以选自表8中所示的基因。例如，所述第一DNA甲基化集合可以包含23个基因中的DNA甲基化事件。
在本申请中，确定所述DNA甲基化与所述临床特征之间的相关性还可以包括：确定被鉴别为与所述临床特征相关的各DNA甲基化位点的风险值，所述风险值基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。
在某些实施方式中，确定所述DNA甲基化与所述临床特征之间的相关性还包括：确定所述第一DNA甲基化集合中各DNA甲基化位点的风险值，所述风险值基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。例如，某DNA甲基化事件的所述风险值可以为该甲基化位点在所述回归分析中获得的相关性系数与该甲基化位点的甲基化程度数值的线性组合。
在本申请中，所述至少一种生物学指标可以包括所述患者基因的体细胞突变，且确定所述体细胞突变与所述临床特征之间的相关性包括：确定具有所述体细胞突变的基因所属的信号通路，和/或确定具有所述体细胞突变的基因的表达水平与所述临床特征之间的相关性。
在某些实施方式中，所述至少一种生物学指标还包括所述患者基因的体细胞突变，且确定所述体细胞突变与所述临床特征之间的相关性包括：确定所述第二基因集合中的基因所具有的体细胞突变，以及确定具有所述体细胞突变的基因所属的信号通路。
在本申请中，所述信号通路可以包括PI3K/AKT途径、Ras途径、Rap1途径和MAPK途径。在本申请中，所述信号通路可以已经被证实与肿瘤有关。
在本申请中，所述至少一种生物学指标可以包括所述患者中的微小RNA，且确定所述微小RNA与所述临床特征之间的相关性包括：确定所述微小RNA所调控的基因的表达水平与所述临床特征之间的相关性，以及确定所述微小RNA在所述患者中的表达水平与其所调控的基因的表达水平之间的相关性。
在某些实施方式中，所述至少一种生物学指标可以包括所述患者中的微小RNA，且确定所述微小RNA与所述临床特征之间的相关性包括：确定调控所述第二基因集合中的基因的微小RNA，以及确定所述微小RNA在所述患者中的表达水平与其所调控的基因的表达水平之间的相关性，将该相关性高于第五阈值的微小RNA鉴别为与所述临床特征相关的第一微小RNA集合。
在本申请中，术语“第五阈值”通常是指确定所述相关性的统计学显著性的截断值。在本申请中，所述第五阈值可以为小于-0.1。例如，所述第五阈值可以为小于-0.15、小于-0.2、小于-0.25、小于-0.3、小于-0.35、小于-0.4或小于-0.45。在本申请中，如果所述相关系数小于所述第五阈值，则可以认为所述微小RNA所调控的基因的表达水平和该微小RNA的表达水平之间存在显著相关性。例如，可将该微小RNA和与其相互作用的所述基因成为一对调节对(微小RNA-基因调节对)。因此，所述第五阈值可以反映微小RNA与其调控的基因之间的配合程度。在本申请中，所述第五阈值可以随着所述肿瘤分期阶段的变化而变化。
在本申请中，术语“第一微小RNA集合”可以包括所述相关性高于所述第五阈值的微小RNA。在本申请中，所述第一微小RNA集合可以选自表10中所示的微小RNA。
在本申请中，所述至少一种生物学指标可以包括两类或更多类所述生物学指标，且确定所述生物学指标与所述临床特征之间的相关性包括确定各类所述生物学指标对所述临床特征影响的权重。例如，可以通过进行有序逻辑回归分析确定所述权重。
在本申请中，确定所述生物学指标与所述临床特征之间的相关性可以包括：通过进行有序逻辑回归分析分别确定下列生物学指标对所述临床特征影响的权重：所述第二基因集合中基因的表达水平，所述第二基因集合中基因的拷贝数变化，所述第一DNA甲基化集合中DNA甲基化位点的风险值。例如，可以分别确定所述第二基因集合中保护性效应基因表达水平和危险性效应基因表达水平各自的权重。
在本申请中，术语“权重”通常是指某一指标(例如，所述生物学指标)在整体评价(例如，评价肿瘤进展)中的相对重要程度。
另一方面，本申请还提供了存储有计算机程序的计算机可读存储介质，其中所述计算机程序使计算机执行本申请所述的方法。
在本申请中，术语“计算机可读存储介质”通常是指计算机存储器中用于存储某种参数或数据的媒体。计算机存储介质可以包括，例如半导体、磁芯、磁鼓、磁带和激光盘等。
在本申请中，术语“鉴别模块”通常是指能够将在所述相关性判断模块中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展的功能单元。
例如，所述鉴别模块可以包括能够将所述生物学指标鉴别为能够评价所述肿瘤的进展的程序、试剂和/或设备。
在本申请中，对能够评价肿瘤进展的生物学指标的鉴别，可以分为三个阶段(如图1所示)：阶段一，通过大规模Cox回归模型(即单变量和多变量Cox回归模型)，根据从TCGA获得的肿瘤患者(例如，膀胱癌患者)中基因对患者存活状态的影响，鉴定出了1078个关键基因。接着，对这些关键基因在肿瘤(例如，膀胱癌)不同分期中与患者生存率和/或肿瘤分期阶段间的关系，分析这些基因的保护性或有害性。阶段二：分析在肿瘤(例如膀胱癌)不同分期阶段中的分期特异性基因共表达谱，并据此将所述1078个关键基因分为多个亚组，每个亚组中的基因呈现相同或类似的分期特异性共表达模式，随后判断各所述亚组中的基因与所述患者生存率和/或肿瘤分期阶段间的相关性，从而鉴定出所述1078个关键基因中与肿瘤进展相关性最高的基因亚组。阶段三：分别分析肿瘤(例如膀胱癌)进展(例如患者生存率和/或肿瘤分期阶段)与患者的其他生物学指标，例如所述1078个关键基因的拷贝数变异、DNA甲基化情况、体细胞突变和微小RNA调节网络等之间的相关性，从而鉴别出能够体现该相关性的其他一种或多种生物学指标。阶段四：对所鉴别出的多种生物学指标与肿瘤(例如膀胱癌)进展(例如，患者生存率和/或肿瘤阶段分期)之间的综合相关性进行整合分析。通过上述的研究，本申请提供了一个系统性和合理的途径来综合分析患者的生物学指标数据和临床特征数据，从而揭示癌症(例如膀胱癌)进展的特征性指标。
判断肿瘤进展的装置或方法
另一方面，本申请提供了一种判断受试者中肿瘤进展的装置，所述装置包括：a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
本申请还提供了一种判断受试者中肿瘤进展的装置，所述装置包括用于判断受试者中肿瘤进展的计算机，所述计算机被编程以执行如下步骤：a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
另一方面，本申请提供了一种判断受试者中肿瘤进展的方法，所述方法包括：a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
在本申请中，术语“分析模块”通常是指能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平的功能单元。
例如，所述分析模块可以包括获得受试者样品(例如，外周血)的样品单元。例如，所述分析模块可包括获得受试者样品的样品装置(例如，采血针等获取样品的装置；和/或，试管等承载样品的装置)。例如，所述分析模块可以包括通过处理患者样品获得所述受试者的DNA的样品处理装置(例如，抽提全血DNA的试剂盒、试管和相关装置)。又例如，所述分析模块还可以包括能够分离所述受试者样品的分离单元。例如，所述分析模块可包括分离细胞的试剂(例如，蛋白酶K)和分离细胞的装置(例如，离心机)。
例如，所述分析模块可以包括检测表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平的试剂和器材。例如，所述分析模块可以包括q-RT PCR试剂盒和q-RT PCR仪。
在本申请中，术语“判断模块”通常是指根据所述分析模块中确定的所述表达水平判断所述受试者中所述肿瘤的进展的功能单元。
例如，所述判断模块可以可以包括样品判断单元，所述样品判断单元可以根据所述分析模块中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
例如，所述肿瘤进展可以包括所述肿瘤的分期阶段和/或所述受试者的生存率。
例如，所述肿瘤的分期阶段可以选自：肿瘤I期，肿瘤II期，肿瘤III期和肿瘤IV期。
例如，所述肿瘤可以包括膀胱癌。又例如，所述膀胱癌可以包括膀胱尿路上皮癌(BLCA)。
在本申请中，所述一个或多个基因可以至少包括表2中所示的一个或多个保护性效应基因。
在本申请中，所述一个或多个基因可以至少包括表3中所示的一个或多个危险性效应基因。
在本申请中，所述一个或多个基因可以至少包括表4中所示的一个或多个基因。例如，表4中的基因的表达水平可以与所述肿瘤分期的相关性系数数值为负。例如，表4中的基因(例如表4中93％以上、94％以上、95％以上、96％以上、97％以上、98％以上、99％以上或100％的基因)的表达水平可以与膀胱癌分期的相关性系数数值为负。
在本申请中，所述一个或多个基因可以至少包括表5中所示的一个或多个基因。例如，表5中的基因的表达水平可以与所述肿瘤分期的相关性系数数值为正。例如，表5中的基因的表达水平可以与膀胱癌分期的相关性系数数值为正。
在本申请中，所述装置或方还可以包括：确定所述一个或多个基因的拷贝数变化的步骤或模块。例如，所述拷贝数变化的确定，可以包括以下的步骤：利用Broad GDACFirehose中的拷贝数变化的数据来进行分析。其中，所述数据来源自处于不同膀胱癌分期的患者的样本。
在本申请中，所述的装置或方法还可以包括：确定表8中所示的一个或多个基因的DNA甲基化风险值的步骤或模块。
在本申请中，所述风险值通常基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。例如，所述风险值可以由包括以下步骤的方法来确定：其可被定义为甲基化水平(即β值)与正则化Cox回归中23个DNA甲基化基因(例如本申请所述的第一DNA甲基化集合中的基因，或表8中所示的基因)的相应系数的线性组合；然后根据该风险值的中位数对所有患者进行风险评分，进而将其分为高风险组和低风险组，并且对这两组患者进行Kaplan-Meier分析和log-rank检验。
在本申请中，所述的装置或方法还包括：确定或提供所述受试者的年龄的步骤或模块。例如，所述步骤或模块可以包括或执行以下的步骤：询问患者的年龄、调查患者的就医记录或测定骨龄等。
在本申请中，所述装置或方法中确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平可以包括：确定所述一个或多个基因中表2所示基因的平均表达水平；以及确定所述一个或多个基因中表3所示基因的平均表达水平。例如，可以根据分别测定的、关于表2和表3中一个或多个(例如，1个以上、2个以上、4个以上、6个以上、8个以上、10个以上、20个以上、50个以上、100个以上、200个以上或500个以上)所述基因的平均表达水平，确定出表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平。
整合判断
在本申请中，所述装置或方法可以根据式I判断所述受试者中所述肿瘤的进展：
其中，j＝肿瘤III期时，Intercept＝0.9609；j＝肿瘤I期/II期时，Intercept＝-0.6617；a为所述一个或多个基因中表2所示基因的平均表达水平；b为所述一个或多个基因中表3所示基因的平均表达水平；c为所述一个或多个基因的拷贝数变化；d为所述一个或多个基因中表8中所示基因的DNA甲基化风险值；e为所述受试者的年龄；且f为所述受试者的性别，其中男性为0，女性为1。
另一方面，本申请提供了一种存储有计算机程序的计算机可读存储介质，其中所述计算机程序可以使计算机执行上述的判断方法。
治疗肿瘤的方法
另一方面，本申请提供了一种治疗受试者中的肿瘤的方法，所述方法可以包括：根据本申请所述的判断方法，判断所述受试者中所述肿瘤的进展；以及根据所述进展向所述受试者施用有效量的治疗。
例如，所述肿瘤可以包括膀胱癌(例如膀胱尿路上皮癌(BLCA))。又例如，所述肿瘤的进展可以选自：肿瘤I期，肿瘤II期，肿瘤III期和肿瘤IV期。
例如，当受试者患有I期膀胱癌，所述治疗可包括：用电灼术经尿道切除、膀胱内化疗、部分膀胱切除术和根治性膀胱切除术。例如，当受试者患有II和III期膀胱癌，所述治疗可包括：根治性膀胱切除术、联合化疗随后进行根治性膀胱切除术、放疗、部分膀胱切除术和用电灼术经尿道切除。例如，当受试者患有IV期膀胱癌，所述治疗可包括：化疗、单纯根治性膀胱切除术或随后进行化疗、外部放疗，或者外部放疗加化疗和姑息疗法(例如，尿流改道或膀胱切除术)。
另一方面，本申请提供了一种治疗受试者中的肿瘤的装置，所述装置包括：a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展；以及c)治疗模块，其能够根据b)中判断的所述进展向所述受试者施用有效量的治疗。
在本申请中，术语“治疗模块”通常是指能够根据所述判断模块中判断的所述肿瘤的进展情况，确定和/或实施向所述受试者施用有效量的治疗的功能单元。
例如，所述治疗模块可以包括选自下组的治疗方法所需的试剂、药剂、仪器和设备：切割肿瘤的外科术、化疗、放疗、生物靶向治疗和姑息疗法。其中，所述姑息疗法可以为对疼痛、厌食、便秘、疲乏、呼吸困难、呕吐、咳嗽、口干、腹泻、吞咽困难等影响生活质量的症状控制，同时注意精神心理问题的治疗方法。例如，所述癌症可以为膀胱癌，所述生物靶向治疗可以包括施用，例如IL2和/或IFN-α2a。
例如，所述治疗模块可以包括向受试者施用有效量的药剂。所述“有效量”可以为缓解或者消除受试者的疾病或症状的药物的量。通常，可根据受试者的体重、年龄、性别、饮食、排泄速率、过往病史、现用治疗、给药时间、剂型、给药方法、给药途径、药物组合、所述受试者的健康状况和交叉感染的潜力、过敏、超敏和副作用、和/或所述肿瘤分期的程度等来确定具体的有效量。本领域技术人员(例如，医生或兽医)可根据这些或其它条件或要求按比例降低或升高所述有效量。
在本申请中，术语“约”通常是指在指定数值以上或以下0.5％-10％的范围内变动，例如在指定数值以上或以下0.5％、1％、1.5％、2％、2.5％、3％、3.5％、4％、4.5％、5％、5.5％、6％、6.5％、7％、7.5％、8％、8.5％、9％、9.5％、或10％的范围内变动。
本申请还涉及以下的实施方案：
1.一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括：
1)临床特征模块，其能够提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；
2)生物学指标模块，其能够提供源自所述患者的至少一种生物学指标；
3)相关性判断模块，其能够确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性；以及
4)鉴别模块，其能够将在模块3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
2.一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括用于鉴别所述生物学指标的计算机，所述计算机被编程以执行如下步骤：
1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；
2)提供源自所述患者的至少一种生物学指标；
3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及
4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
3.一种鉴别能够评价肿瘤进展的生物学指标的方法，所述方法包括：
1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；
2)提供源自所述患者的至少一种生物学指标；
3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及
4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
4.根据实施方案1-3中任一项所述的装置或方法，其中所述肿瘤包括膀胱癌。
5.根据实施方案4所述的装置或方法，其中所述膀胱癌包括膀胱尿路上皮癌(BLCA)。
6.根据实施方案1-5中任一项所述的装置或方法，其中所述肿瘤分期阶段选自：肿瘤I期，肿瘤II期，肿瘤III期和肿瘤IV期。
7.根据实施方案1-6中任一项所述的装置或方法，其中所述至少一种生物学指标包括选自下组的一类或多类指标：
类1：所述患者基因的表达水平；
类2：所述患者基因的拷贝数变化；
类3：所述患者基因的DNA甲基化；
类4：所述患者基因的体细胞突变；和
类5：所述患者中的微小RNA。
8.根据实施方案7所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关。
9.根据实施方案7-8中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关，且其中所述多变量包括所述患者中的基因表达水平，所述患者的年龄，所述患者的性别，和/或所述患者的肿瘤分期阶段。
10.根据实施方案8-9中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：根据所述回归分析中获得的针对各基因的相关性系数数值，将所述基因分为保护性效应基因和危险性效应基因，其中所述保护性效应基因的相关性系数数值为负，且所述危险性效应基因的相关性系数数值为正。
11.根据实施方案7-10中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：确定所述患者的基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。
12.根据实施方案11所述的装置或方法，其中通过使用WGCNA算法根据所述基因共表达情况将所述基因分为2组或更多组。
13.根据实施方案7-12中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的拷贝数变化，且确定所述基因拷贝数变化与所述临床特征之间的相关性包括：比较所述患者的基因在各肿瘤分期阶段的拷贝数变化频率。
14.根据实施方案7-13任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的DNA甲基化，且确定所述DNA甲基化与所述临床特征之间的相关性包括：以所述DNA甲基化的程度作为变量而相对于所述临床特征进行回归分析，并将所述回归分析中p值小于或等于第四阈值的DNA甲基化鉴别为与所述临床特征相关。
15.根据实施方案14所述的装置或方法，其中确定所述DNA甲基化与所述临床特征之间的相关性还包括：确定被鉴别为与所述临床特征相关的各DNA甲基化位点的风险值，所述风险值基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。
16.根据实施方案7-15中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的体细胞突变，且确定所述体细胞突变与所述临床特征之间的相关性包括：确定具有所述体细胞突变的基因所属的信号通路，和/或确定具有所述体细胞突变的基因的表达水平与所述临床特征之间的相关性。
17.根据实施方案7-16中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者中的微小RNA，且确定所述微小RNA与所述临床特征之间的相关性包括：确定所述微小RNA所调控的基因的表达水平与所述临床特征之间的相关性，以及确定所述微小RNA在所述患者中的表达水平与其所调控的基因的表达水平之间的相关性。
18.根据实施方案7-17中任一项所述的装置或方法，其中所述至少一种生物学指标包括两类或更多类所述生物学指标，且确定所述生物学指标与所述临床特征之间的相关性包括确定各类所述生物学指标对所述临床特征影响的权重。
19.根据实施方案18所述的装置或方法，其中通过进行有序逻辑回归分析确定所述权重。
20.根据实施方案1-19中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：
a)以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关的第一基因集合。
21.根据实施方案20所述的装置或方法，其中确定所述基因的表达水平与所述临床特征之间的相关性还包括：
b)相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关的第二基因集合，且其中所述多变量包括所述第一基因集合中各基因的表达水平，所述患者的年龄，所述患者的性别，和所述患者的肿瘤分期阶段。
22.根据实施方案21所述的装置或方法，其中确定所述基因的表达水平与所述临床特征之间的相关性还包括：
c)根据所述多变量回归分析中获得的针对各基因的相关性系数数值，将所述基因分为保护性效应基因和危险性效应基因，其中所述保护性效应基因的相关性系数数值为负，且所述危险性效应基因的相关性系数数值为正。
23.根据实施方案21-22中任一项所述的装置或方法，其中确定所述基因的表达水平与所述临床特征之间的相关性还包括：
确定所述第二基因集合中的各基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述第二基因集合中的基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。
24.根据实施方案23所述的装置或方法，其中通过使用WGCNA算法根据所述基因共表达情况将所述第二基因集合中的基因分为2组或更多组。
25.根据实施方案21-24中任一项所述的装置或方法，其中所述至少一种生物学指标还包括所述患者基因的拷贝数变化，且确定所述基因拷贝数变化与所述临床特征之间的相关性包括：比较所述第二基因集合中的基因在各肿瘤分期阶段的拷贝数变化频率。
26.根据实施方案21-25中任一项所述的装置或方法，其中所述至少一种生物学指标还包括所述患者基因的DNA甲基化，且确定所述DNA甲基化与所述临床特征之间的相关性包括：确定所述第二基因集合中基因的DNA甲基化位点及各所述位点的DNA甲基化程度，以所述DNA甲基化程度作为变量而相对于所述临床特征进行回归分析，并将所述回归分析中p值小于或等于第四阈值的DNA甲基化鉴别为与所述临床特征相关的第一DNA甲基化集合。
27.根据实施方案26所述的装置和方法，其中确定所述DNA甲基化与所述临床特征之间的相关性还包括：确定所述第一DNA甲基化集合中各DNA甲基化位点的风险值，所述风险值基于该甲基化位点在所述回归分析中获得的相关性系数及该甲基化位点的甲基化程度而确定。
28.根据实施方案21-27中任一项所述的装置或方法，其中所述至少一种生物学指标还包括所述患者基因的体细胞突变，且确定所述体细胞突变与所述临床特征之间的相关性包括：确定所述第二基因集合中的基因所具有的体细胞突变，以及确定具有所述体细胞突变的基因所属的信号通路。
29.根据实施方案21-28中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者中的微小RNA，且确定所述微小RNA与所述临床特征之间的相关性包括：确定调控所述第二基因集合中的基因的微小RNA，以及确定所述微小RNA在所述患者中的表达水平与其所调控的基因的表达水平之间的相关性，将该相关性高于第五阈值的微小RNA鉴别为与所述临床特征相关的第一微小RNA集合。
30.根据实施方案27-29中任一项所述的装置或方法，其中确定所述生物学指标与所述临床特征之间的相关性包括：通过进行有序逻辑回归分析分别确定下列生物学指标对所述临床特征影响的权重：所述第二基因集合中基因的表达水平，所述第二基因集合中基因的拷贝数变化，所述第一DNA甲基化集合中DNA甲基化位点的风险值。
31.根据实施方案30所述的装置或方法，其中分别确定所述第二基因集合中保护性效应基因表达水平和危险性效应基因表达水平各自的权重。
32.存储有计算机程序的计算机可读存储介质，其中所述计算机程序使计算机执行如实施方案3-31中任一项所述的方法。
33.一种判断受试者中肿瘤进展的装置，所述装置包括：
a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及
b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
34.一种判断受试者中肿瘤进展的装置，所述装置包括用于判断受试者中肿瘤进展的计算机，所述计算机被编程以执行如下步骤：
a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及
b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
35.一种判断受试者中肿瘤进展的方法，所述方法包括：
a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及
b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
36.根据实施方案33-35中任一项所述的装置或方法，其中所述肿瘤进展包括所述肿瘤的分期阶段和/或所述受试者的生存率。
37.根据实施方案36所述的装置或方法，其中所述肿瘤的分期阶段选自：肿瘤I期，肿瘤II期，肿瘤III期和肿瘤IV期。
38.根据实施方案33-37中任一项所述的装置或方法，其中所述肿瘤包括膀胱癌。
39.根据实施方案38所述的装置或方法，其中所述膀胱癌包括膀胱尿路上皮癌(BLCA)。
40.根据实施方案33-39中任一项所述的装置或方法，其中所述一个或多个基因至少包括表2中所示的一个或多个保护性效应基因。
41.根据实施方案33-40中任一项所述的装置或方法，其中所述一个或多个基因至少包括表3中所示的一个或多个危险性效应基因。
42.根据实施方案33-41中任一项所述的装置或方法，其中所述一个或多个基因至少包括表4中所示的一个或多个基因。
43.根据实施方案33-42中任一项所述的装置或方法，其中所述一个或多个基因至少包括表5中所示的一个或多个基因。
44.根据实施方案33-43中任一项所述的装置或方法，其还包括：确定所述一个或多个基因的拷贝数变化的步骤或模块。
45.根据实施方案33-44中任一项所述的装置或方法，其还包括：确定表8中所示的一个或多个基因的DNA甲基化风险值的步骤或模块。
46.根据实施方案33-45中任一项所述的装置或方法，其还包括：确定所述受试者的年龄的步骤或模块。
47.根据实施方案33-46中任一项所述的装置或方法，其中确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平包括：确定所述一个或多个基因中表2所示基因的平均表达水平；以及确定所述一个或多个基因中表3所示基因的平均表达水平。
48.根据实施方案47中所述的装置或方法，其中根据式I判断所述受试者中所述肿瘤的进展：
ln((P(Stage≤j))/(1-P(Stage≤j)))＝Intercept+0.0366*a+0.3386*b+0.3349*c+1.2193*d+0.0084*e-0.048*f(I)
其中，j＝肿瘤III期时，Intercept＝0.9609；j＝肿瘤I期/II期时，Intercept＝-0.6617；
a为所述一个或多个基因中表2所示基因的平均表达水平；
b为所述一个或多个基因中表3所示基因的平均表达水平；
c为所述一个或多个基因的拷贝数变化；
d为所述一个或多个基因中表8中所示基因的DNA甲基化风险值；
e为所述受试者的年龄；且
f为所述受试者的性别，其中男性为0，女性为1。
49.存储有计算机程序的计算机可读存储介质，其中所述计算机程序使计算机执行如实施方案35-48中任一项所述的方法。
50.治疗受试者中的肿瘤的方法，所述方法包括：
根据实施方案35-48中任一项所述的方法，判断所述受试者中所述肿瘤的进展；以及
根据所述进展向所述受试者施用有效量的治疗。
51.一种治疗受试者中的肿瘤的装置，所述装置包括：
a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；
b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展；以及
c)治疗模块，其能够根据b)中判断的所述进展向所述受试者施用有效量的治疗。
不欲被任何理论所限，下文中的实施例仅仅是为了阐释本申请的装置、方法和系统的工作方式，而不用于限制本申请发明的范围。
实施例
本申请实施例中的所有的统计分析均由R软件(版本3.3.3)执行。
实施例1患者和肿瘤样本数据来源
本申请中使用的大部分BLCA患者的基因组和临床数据集均从“NCI GDC DataPortal Legacy Archive”下载。其中，BLCA患者的临床信息来自TCGA-BLCA临床文件。获得的BLCA患者RNA-seq数据集包含419个样本，其中包括400个肿瘤样本和19个正常样本。所有的基因表达值被标准化。
使用突变注释格式(MAF文件)的TCGA 2级的体细胞突变数据。TCGA 3级甲基化数据从“jhu-usc_BLCA.HumanMethylation450”下载。TCGA 4级的mRNA的表达与DNA甲基化之间的相关性数据来自Broad GDAC Firehose。TCGA 4级的拷贝数变异(CNV)数据从BroadGDAC Firehose下载。
使用以下的离散指标来表示CNV的扩增和缺失水平：严重缺失＝-2；缺失＝1；没有变化＝0；扩增＝1；高水平扩增＝2。
选择使用来自TCGA 3级微小RNA定量文件中的“每百万bp miRNA基因组映射(permillion miRNA mapped，RPM)”作为微小RNA表达值。
经文献验证的已知miRNA-基因相互作用的列表从miRWalk2.0获得。微小RNA-癌症的关系信息来自miRCancer。
实施例2基于存活率分析筛选关键基因
利用生存率分析来研究生存状态和不同的潜在影响因素(例如，关键基因)之间的关系。
实验方法：
Cox比例风险回归
应用单变量和多变量Cox比例风险回归模型来识别可能影响BLCA患者生存的关键基因。首先将所有BLCA样品中单个基因的表达值根据其z-分数(z-scores)归一化。并去除了仅在小于20个的样品中的表达的基因。
在单变量Cox比例风险回归中，基因表达值被用作唯一的预测变量；而在多变量Cox比例风险回归中，年龄、性别、肿瘤分期和基因表达值都被用作预测变量。使用“Benjamini&Hochberg”方法调整p值。
对于生存分析统计显著性的阈值，单变量Cox比例风险回归的p值<0.05且错误发现率(FDR)<0.1；多变量Cox比例风险回归的p值<0.05且FDR<0.05。对于所有Cox回归模型，还检查了比例风险假设并去除了不符合这一假设的那些基因。
Kaplan-Meier分析
对于Kaplan-Meier生存分析，首先根据各个选定基因的中值将所有BLCA样本分为高和低组。接着绘制Kaplan-Meier生存曲线，并通过运行对数秩检验来比较两组之间的差异。使用R包“生存”(the R package“survival”)进行生存分析。
GO分析
所筛选基因的功能注释及其基因本体(GO)富集分析在DAVID v6.8中进行。采用阈值p值<0.05选择GO功能。
实验结果：
应用单变量和多变量Cox比例风险回归模型来选择一组可能对BLCA患者生存有重要影响的关键基因。其中，针对单变量Cox回归使用基因表达值被用作唯一的预测变量。最初，在去除很少表达的基因(仅在小于20个的样品中的表达的基因)后，获得了所有404名BLCA患者的19472个基因的表达值。然后根据阈值p值<0.05且错误发现率(FDR)<0.1选择了1307个候选基因。接下来，检查了候选基因是否符合比例风险(PH)假设，并排除了不满足该假设的99个基因。因此，单变量Cox回归分析筛选得到了1208个候选基因。
在多变量Cox回归中，除了上述1208个基因的表达值之外，还整合了包括BLCA患者的年龄、性别和肿瘤分期信息(其中I/II期＝3、III期＝2、IV期＝1)作为输入的预测变量。使用FDR阈值<0.05，并检查候选基因是否符合比例风险(PH)假设以进一步筛选候选基因。最后，从多变量Cox回归中获得了1078个候选基因(参见表1，其中表1显示的是鉴定出的1078个关键基因)，表1所示的这1078个基因被定义为关键基因，然后用于后续分析。
根据上述多变量Cox回归模型得到的基因表达的系数(coefficients)，将1078个关键基因分为两组，其中相关性系数数值为负的基因为356个，相关性系数数值为正的基因为722个，分别定义为保护性效应基因和危险性效应基因(参见表2和表3)。图2A-2D的Kaplan-Meier图以4个样本为例，显示了所筛选的关键基因对BLCA患者存活的影响。图2A-2D依次为基因APOL2、BCL2L14、CSAD和ORMDL1的结果，其中采用log-rank检验统计学上的显著性差异。
为了表征上述筛选的关键基因的潜在生物学功能，对上述保护性效应基因和危险性效应基因进行了基因本体(gene ontology，GO)富集分析。结果发现，保护性效应基因的GO功能主要在于基本的细胞过程或功能，如核酸结合、RNA剪接和tRNA结合(参见图3A)。而危险性效应基因则可能参与膀胱癌的发病机制，如细胞粘附、血管生成、药物反应和细胞迁移的正调控(参见图3B)。根据所涉及的基因的比例对GO功能进行排序，图3显示30个显著的GO功能，且p值<0.05。总体而言，这些功能富集分析的结果表明，所筛选的1078个关键基因，特别是那些有害性的基因，与膀胱癌发生的生物学功能密切相关。
表1 1078个关键基因
表2保护性效应基因
表3危险性效应基因
实施例3膀胱癌病程与关键基因表达动态变化的相关性
实施例2中已将1078个关键基因分为两组，即保护性效应基因和危险性效应基因。为了研究在膀胱癌的不同肿瘤分期中这两个基因组内或之间的基因表达的相关性，分析了在每个肿瘤分期中，保护性效应基因-保护性效应基因、保护性效应基因-危险性效应基因和危险性效应基因-危险性效应基因之间的表达水平的相关系数。这些比较结果表明，随着膀胱癌的肿瘤分期的增加和病情的严重(即，按照I/II期、III期和IV期的顺序)，在相同性质的基因之间(即保护性效应基因-保护性效应基因或危险性效应基因-危险性效应基因)或不同性质的基因之间(即保护性效应基因-危险性效应基因)的相关性都会显著减小(参见图4A-4C)。针对I/II期、III期和IV期，图4A-4C分别表示保护性效应基因-保护性效应基因、保护性效应基因-危险性效应基因或危险性效应基因-危险性效应基因的相关系数(所有异常值均未显示)和相应密度曲线。其中*p值<0.05；**：p值<0.01；***：p值<0.001；****：p值<0.0001，经过双面Wilcoxon秩和检验。
这种变化也可以反映在相应密度曲线的变化中，即随着膀胱癌的肿瘤分期的增加和病情的严重，密度曲线变得越来越高和越来越窄。可见对基因表达相关性模式的动态变化的分析表明，所鉴定的关键基因表达水平的变化与膀胱癌的肿瘤分期(即进展)密切相关。
实施例4构建关键基因的共表达网络并检测与临床特征相关的功能基因模块
实验方法：
使用加权相关网络分析(WGCNA)算法(参见Langfelder P等，BMC Bioinformatics2008,9:559)构建了它们的基因共表达网络。与硬阈值过滤(hard threshold filters)相比，WGCNA算法可以通过软阈值方法保留目标基因及其关系的所有信息。为了获得基因之间相关性的迹象，选择了来自实施例2所得的1078个关键基因之间相关性的邻接矩阵(adjacency matrix)的“有符号”类型。通过程序中的“pick Soft Threshold”功能，选择合适的软阈值β＝8来构建所有BLCA样本中该1078个关键基因的基因共表达网络。
在WGCNA算法中，基因模块被定义为在构建的基因共表达网络中包含许多高度连接的基因的基因群。通过程序中的“TOM相似性”功能，从邻接矩阵中获得了拓扑重叠矩阵(TOM)。根据从这个拓扑重叠矩阵得到的相应的相异性得分。使用“hclust”函数获得基因的树状图，然后通过“cutreeDynamic”函数进行模块识别。最小模块的大小设置为20。使用“标记热图”功能生成模块-特征关联的热图。
实验结果：
基因共表达网络可以提供基因-基因之间关联的整体情况。基于不同阶段BLCA患者的基因表达值，使用WGCNA算法构建了肿瘤分期特异性基因共表达网络。
在基因共表达网络中，其模块内基因通常表现出相似的表达模式，这样的网络模块通常被认为具有基本的网络拓扑特征，能够为理解该模块中相关基因的生物学功能提供有利的线索。为了从先前构建的基因共表达网络中检测功能性基因模块，首先将邻接矩阵转换成拓扑重叠矩阵，并提供了对下游模块检测有用的拓扑相似性分数。然后在由WGCNA算法产生的层级聚类树(即动态树剪切产生的树状图)上运行动态树切割算法，从而产生七个不同尺寸的网络模块(参见图5A和表6)。图5A显示了由WGCNA构建的层级聚类树(即树状图)，这是基于由动态树切割算法得出的各个基因簇和拓扑重叠矩阵表示的不相似性得分而导出的。在图5A底部以不同颜色命名各个基因簇；在图5B中，左侧分别用不同的数字编号对应表示不同的颜色的基因簇，即第1-第7模块依次表示青色、黑色、黄色、棕色、红色、蓝色和绿色的单个功能基因模块。
为了鉴定与BLCA患者的临床特征有关的基因模块，计算了模块单基因组(其定义为相应模块的基因表达谱的第一主要组分)与癌症患者的临床特征之间的相关系数(参见图5B)。图5B显示了单个模块内基因表达谱的第一主要组分定义的模块单元格(行)与所有BLCA患者的临床特征(列)之间的关系。每个框显示相关系数和相应的p值(在括号中)。
由于肿瘤分期与患者的生存密切相关，特别研究了与肿瘤分析相关的基因模块。可以观察到两个基因模块分别与膀胱癌的分期具备负相关和正相关的联系(分别在图5A-5B中标记为青色和蓝色)。此外，结果发现青色模块中的大部分(约93％)基因(即与膀胱癌分期呈负相关关系)属于保护性效应基因，而蓝色模块中的所有基因(即与膀胱癌分期呈正相关关系)属于危险性效应基因。
进一步计算了蓝色和青色模块中整体关联性(即，整个网络中节点的平均度)和模块内的关联性(即，模块内节点的平均度数)(参见表4-表5，其中表4反映了青色模块的相关情况；表5反映了蓝色模块的相关情况)。结果发现，蓝色模块和青色模块在模块内的关联性方面显示出显着差异，但在整体关联性方面却没有显着差异，即青色模块中的基因彼此之间的关系比蓝色模块中的基因更密切(参见图5C-图5D)。图5C表示蓝色模块和青色模块的整体关联性，图5D表示这两个模块内的关联性。****表示p值<0.0001；经双面Wilcoxon秩和检验。
由此，接下来研究了具有前30个模块内的关联性的基因，发现其中许多基因(尤其是蓝色模块内的基因)已有文献报道与膀胱癌相关。例如，已证实PDGFRB与非肌层浸润性膀胱癌的复发密切相关(参见Feng J等，PLoS One 2014,9(5):e96671)。发现MARVELD1在包括膀胱癌的几种癌症中表达水平下调(参见Wang S等，Cancer Lett 2009,282(1):77-86)。已发现KCNE4(一种离子通道基因)在膀胱癌样本中显示异常表达水平(参见Biasiotta A等JTransl Med 2016,14(1):285)。已经表明CPT1B的表达与肉碱-酰基肉碱代谢途径中的其他基因一起在膀胱癌组织中下调(参见Kim WT等，Yonsei Med J 2016,57(4):865-871)。此外，CKD6已被证明参与膀胱癌的几种调控途径(参见Lu S等，Exp Ther Med 2017,13(6):3309-3314)。可见网络模块中具有高连接度的基因在膀胱癌的分期中也可能具有重要的生物学功能。因此上述结果表明，BLCA患者的存活率与其肿瘤分期之间的阶段特异性的关联性可以通过关键基因的不同群组的表达水平来反映。表4-表5青色和蓝色模块中整体关联性和模块内的关联性
表6 7个网络模块
实施例5拷贝数变化的分析
实验方法：
利用Broad GDAC Firehose(4级)中来自“SNP6拷贝数分析(Gistic2)”的CNV数据来进行分析。获得了400个BLCA样本中选定的1078个关键基因的CNV数据，其中包括I/II期的129个样本，III期的139个样本和IV期的132个样本。对于每个基因，计算每期中具有CNV的样品的频率(即扩增或缺失)。考虑到膀胱癌不同期的样本数量的不平衡，使用I/II期作为基准来对各期的频率进行归一化。
实验结果：
结果显示，膀胱癌的不同期(I/II期、III期和IV期)显示出明显不同的CNV频率，并且CNV随着膀胱癌的进展而显著增加(参见图6A)。这个结果意味着拷贝数异常可能对膀胱癌的进展有推动作用。同时检查了实施例4中蓝色模块和青色模块(参见图5B中第6模块和第1模块)中的基因的CNV(参见表7)，它们分别与膀胱癌的不同分期具有最为正相关和负相关的关系。结果发现，在所有样品或BLCA患者的不同分期，蓝色模块(其中所有基因是危险性效应基因)显示出比青色模块(其中大多数(即93％)基因是保护性效应基因)显示出更高的CNV比率(参见图6B-6E)。其中，图6A表示膀胱癌不同期的CNV比率的比较。图6B-6E表示蓝色模块和青色模块在整体上和I/II期、III期和IV期时的CNV比率的比较；其中*p值<0.05；**：p值<0.01；***：p值<0.001；****：p值<0.0001，经过双面Wilcoxon秩和检验。结果表明，拷贝数变异是影响膀胱癌不同期(即进展)的重要因素，并以不同的水平影响不同功能基因模块。
表7青色模块和蓝色模块中的基因的CNV
实施例6DNA甲基化分析
实验方法：
利用Broad GDAC Firehose中“mRNA表达与DNA甲基化之间的相关性”中，获得了933个DNA甲基化探针用于鉴定实施例2得到的1078个关键基因，并且它们中的每一个与相应基因的表达值最负相关。然后从TCGA的“jhu-usc.edu_BLCA.Human-Methylation450”文件中提取这些DNA甲基化探针的β值。之后，应用多变量正则化Cox回归(multivariateregularized Cox regression，一种基于LASSO的回归方法)从上述933个DNA甲基化探针中鉴定了一组具有低多重共线性的最佳基因。总共有23个DNA甲基化基因被保留作为该分析的活性协同变量(参见表8)，并且其在相应的单变量Cox回归模型(即调整后的p值<0.05)中也显示出统计学上的差异显著性。
在上述基于LASSO的回归分析中，对获得的DNA甲基化数据集进行了10次交叉验证，以确定正则化参数的最优值。回归分析使用R包“glmnet”(R package“glmnet”)进行。
实验结果：
通过分析了实施例2筛选的1078个关键基因的DNA甲基化状态，其中一些DNA甲基化特征可能被用来作为膀胱癌预后的生物标记。
首先为1078个关键基因获得了933个DNA甲基化探针，鉴定与相应基因的表达最相关的DNA甲基化特征。然后，采用基于LASSO回归的多变量正则化Cox回归方法，筛选出最能解释这些输入的存活率数据的23个重要DNA甲基化基因(参见表8)。所有这些筛选出的23个基因在相应的单变量Cox回归模型中显示出统计学上的显著差异，同时调整p值<0.05。在这23个DNA甲基化基因中，已有报道指出与其相关的基因在膀胱癌发生中起重要作用，如JAG1、CLIC3、IRF1和POLB(例如，参见Shi TP等，J Urol 2008,180(1):361-366)。
然后引入了一个风险值，该风险值被定义为甲基化水平(即β值)与正则化Cox回归中23个DNA甲基化基因的相应系数的线性组合。接下来，根据这个新的风险值的中位数对所有BLCA患者进行风险评分，并分为高风险组和低风险组。然后对这两组患者进行Kaplan-Meier分析和log-rank检验。结果发现分高风险组和低风险组显示出显著不同的风险评分分布(参见图7A)。此外，可以观察到绘制的Kaplan-Meier曲线也有着显著的差异，即风险评分越高，预后越差，反之亦然(参见图7B)。图7A显示了DNA甲基化分析所述高风险组和低风险组的风险评分(根据23种选择的DNA甲基化基因)的分布以及患者相应的临床特征；其中虚线显示风险评分的截断值。图7B显示了高风险组和低风险组的Kaplan-Meier生存曲线，两组的统计学差异经log-rank检验。结果表明，基于所筛选的DNA甲基化基因的新风险值可以为膀胱癌提供良好的预后指标。
表8 23个甲基化基因
基因名称 相关系数
CYTH2 -0.984161972
PGLYRP4 -0.835135351
JAG1 -0.758694541
LTBP1 -0.358058521
CLIC3 -0.344045267
AKR1B1 -0.21615728
CNN3 -0.174817703
MESTIT1 -0.165094565
BAIAP2 -0.091244951
THBS3 -0.078528329
EIF2AK4 -0.058860853
KCNJ15 0.011163386
MTERFD3 0.066920184
PARP4 0.076173864
IRF1 0.125102152
TEAD4 0.247255028
TIA1 0.293154238
EFHD2 0.542824755
PRRT4 0.641295163
POLB 0.703060414
CRTC2 0.881500449
C3orf19 1.083780825
CCDC21 1.245618158
实施例7体细胞突变分析
分析实施例2所筛选的1078个关键基因中的体细胞突变的基因组特征。
实验方法：
从TCGA(2级)下载体细胞突变数据之后，总共从397个BLCA样品的1078个基因中获得了908个基因上的6052个体细胞突变。这397个样品包括I/II期的129个样品、III期的135个样品和IV期的133个样品。
实验结果：
首先研究可能受突变基因影响的途径。通过DAVID(参见Huang da W等，NatProtoc 2009,4(1):44-57)对1078个关键基因中908个突变基因的KEGG通路进行富集分析，可以发现相对较大比例的富集途径确实被已被认为属于肿瘤相关信号通路(参见表9)。尤其是四种已被研究证实与膀胱癌有关的重要途径，即PI3K/AKT途径、Ras途径、Rap1途径和MAPK途径(例如，参见Houede N等，Pharmacol Ther 2015,145:1-18)。图8A-8D分别表示在BLCA患者的样本中，PI3K-AKT途径、MAPK途径、Ras途径和Rap1途径的突变基因显著性富集。其中行代表突变的基因，并根据所有样本中突变基因的频率依次排列；列则代表涉及的样本(其中没有突变的空白列已被去除)。如图8的结果所示，这四条途径中的相当一部分基因在膀胱癌中发生了突变。具体来说，在所有样品中，60％的MAPK途径，56％的PI3K/AKT途径，35％的Rap1途径和35％的Ras途径已具有突变基因，并且突变发生的频率超过1％。可以观察到，这四条途径具备相对高的体细胞突变频率，这个结果与先前的研究结果一致，即重要的细胞信号传导途径中的基因突变往往对肿瘤的发生具有驱动作用(例如，参见Fawdar S等，Proc Natl Acad Sci U S A 2013,110(30):12426-12431)。
同时还分析了膀胱癌不同分期时突变基因的分布(参见图9)。结果发现在1078个关键基因中，不同分期的BLCA患者共享大部分体细胞突变的基因(437个基因)(参见图9A)。更重要的是，可以观察到两个模块(即对应于实施例4中的蓝色模块和青色模块，其分别与肿瘤不同分期最为正相关和负相关)之间的突变频率在所有或特定的分期的样本中均有显著的差异。尤其是蓝色模块(其中所有基因都是危险性效应基因)中的基因比青色模块(其中93％的基因为保护性效应基因)中的基因具有更多的体细胞突变(参见图9B-9E)。这一结果表明，虽然体细胞突变存在于大多数关键基因中，但它们对与肿瘤分期特定相关的基因组中的基因表现出显著的偏向性。该结果为了解体细胞突变对膀胱癌不同分期(进展)的影响提供了有用的线索。
表9KEGG分析的结果
实施例8微小RNA调控网络在不同癌症分期的动态变化
分析关于实施例2中筛选的膀胱癌不同分期的关键基因的miRNA调控网络的动态变化。
实验方法：
微小RNA调控网络的网络分析
使用R包“igraph”来计算膀胱癌不同分期微小RNA调节网络的协同程度。网络图由Cytoscape 3.5.0生成。
微小RNA-mRNA相互作用数据的处理
首先获得微小RNAs与miRWalk2.0数据库中筛选的1078个关键基因之间的已被实验验证的相互作用(参见Dweep H等Nat Methods 2015，12(8):697)。然后对于膀胱癌的各个分期，计算了1078个关键基因的表达值和相应的相互作用的微小RNA之间的相关系数。如果一对微小RNA和基因之间的相关系数小于-0.3，认为它们是可能的调节对；否则，将从这一对微小RNA和基因从原始的微小RNA-基因相互作用网络中移除。此外，从miRCancer数据库(2016年12月版)检索可知与膀胱癌相关的特定微小RNA(参见Xie B等，Bioinformatics2013，29(5):638-644)。
实验结果：
与实施例2中筛选得到的1078个关键基因相互作用的微小RNA参见表10。计算微小RNAs及其相应靶基因的表达值之间的相关系数，只选择系数小于-0.3的微小RNA-基因对作为潜在的调控伴侣，基于此为膀胱癌的每期构建了一个微小RNA-基因相互作用的网络。结果发现，在膀胱癌不同分期(进展)中，微小RNA调控网络的结构(包括涉及已知BLCA特异性的微小RNA的相互作用)往往变得更加稀疏，可见彼此的相互作用逐渐减少(参见图10)。为了定量分析这一趋势，还计算了不同分期的个体微小RNA调控网络的协同程度。并分别观察到I/II期、III期和IV期的显著下降趋势：0.039、-0.27和-0.27。图10A-10C分别显示了I/II期、III期和IV期的微小RNA调控网络的可视动态变化。其中矩形代表选定的微小RNA，已知的BLCA特异性微小RNA显示为红色；微小RNA所对应的靶基因则用绿色圆圈表示，同时还显示了各个网络的配合程度。
由此可见，BLCA患者中筛选得到的1078个关键基因的微小RNA调控网络随着膀胱癌的进展呈现出离散化的增长趋势，这可能与癌细胞中的微小RNA失调有关。也反映了膀胱癌中细胞内调节和控制基因表达的紊乱。
表10与1078个关键基因相互作用的微小RNA
实施例9不同因素对膀胱癌分期的综合分析
为了全面了解不同基因组和临床因素对膀胱癌进展的影响，使用有序逻辑回归模型进一步对这些因素进行综合分析。
实验方法
用于综合分析的有序逻辑回归
使用Matlab 2016b中的“mnrfit”函数来执行序数逻辑回归任务。在该综合分析中，响应变量是肿瘤阶段(IV期＝1、III期＝2、I/II期＝3)，而预测变量包括保护性效应基因和危险性效应基因的平均表达值(z-标准化)、拷贝数变异的频率(z-标准化)、DNA甲基化风险评分、年龄和性别(男性＝0，女性＝1)。
实验结果
在综合分析中考虑了保护性效应基因和危险性效应基因的平均表达值(z-标准化)、拷贝数变异的频率(z-标准化)、DNA甲基化风险评分、年龄和性别(参见表11)。如图11中的森林图所示，可以观察到危险性基因的平均表达值、拷贝数变异的频率以及DNA甲基化的风险评分可以显著地影响膀胱癌的分期。图11中，框和线分别表示比值比(OR)和相应的95％置信区间，星号表示统计显着性变量。其中*：p值<0.05；**：p值<0.01。
这些因素的OR都大于1，表明它们可以被认为是膀胱癌进展的危险因素。所有这些综合建模结果都与实施例2-8中单因素分析的结果一致。因此，尽管基因组数据来自不同平台的而存在异质性，但多角度、多指标数据的综合分析及其临床信息为研究膀胱癌基因组和临床因素对进展的联合作用提供了可靠依据。
表11综合分析的结果
前述详细说明是以解释和举例的方式提供的，并非要限制所附权利要求的范围。目前本文所列举的实施方式的多种变化对本领域普通技术人员来说是显而易见的，且保留在所附的权利要求和其等同方案的范围内。

Claims (18)

1.一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括：
1)临床特征模块，其能够提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；
2)生物学指标模块，其能够提供源自所述患者的至少一种生物学指标；
3)相关性判断模块，其能够确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征的相关性；以及
4)鉴别模块，其能够将在模块3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
2.一种用于鉴别能够评价肿瘤进展的生物学指标的装置，所述装置包括用于鉴别所述生物学指标的计算机，所述计算机被编程以执行如下步骤：
1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；
2)提供源自所述患者的至少一种生物学指标；
3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及
4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
3.一种鉴别能够评价肿瘤进展的生物学指标的方法，所述方法包括：
1)提供患有所述肿瘤的患者的临床特征，所述临床特征包括所述患者的肿瘤分期阶段和/或所述患者的生存时间；
2)提供源自所述患者的至少一种生物学指标；
3)确定各所述患者的所述至少一种生物学指标与相应患者的所述临床特征之间的相关性；以及
4)将在3)中被判定为与所述临床特征相关的生物学指标鉴别为能够评价所述肿瘤的进展。
4.根据权利要求1-3中任一项所述的装置或方法，其中所述肿瘤包括膀胱癌。
5.根据权利要求1-4中任一项所述的装置或方法，其中所述至少一种生物学指标包括选自下组的一类或多类指标：
类1：所述患者基因的表达水平；
类2：所述患者基因的拷贝数变化；
类3：所述患者基因的DNA甲基化；
类4：所述患者基因的体细胞突变；和
类5：所述患者中的微小RNA。
6.根据权利要求5所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：以所述基因的表达水平作为单一变量而相对于所述临床特征进行单变量回归分析，并将所述回归分析中p值小于或等于第一阈值且FDR值小于或等于第二阈值的基因鉴别为与所述临床特征相关。
7.根据权利要求5-6中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性包括：相对于所述临床特征进行多变量回归分析，并将所述回归分析中FDR值小于或等于第三阈值的基因鉴别为与所述临床特征相关，且其中所述多变量包括所述患者中的基因表达水平，所述患者的年龄，所述患者的性别，和/或所述患者的肿瘤分期阶段。
8.根据权利要求5-7中任一项所述的装置或方法，其中所述至少一种生物学指标包括所述患者基因的表达水平，且确定所述基因的表达水平与所述临床特征之间的相关性还包括：确定所述患者的基因在各肿瘤分期阶段的表达水平，据此确定对肿瘤分期具有特异性的基因共表达情况，根据所述基因共表达情况将所述基因分为2组或更多组，以及分别确定每组的基因表达水平与所述临床特征间的相关性。
9.一种判断受试者中肿瘤进展的装置，所述装置包括：
a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及
b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
10.一种判断受试者中肿瘤进展的装置，所述装置包括用于判断受试者中肿瘤进展的计算机，所述计算机被编程以执行如下步骤：
a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及
b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
11.一种判断受试者中肿瘤进展的方法，所述方法包括：
a)确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；以及
b)根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展。
12.根据权利要求9-11中任一项所述的装置或方法，其中所述肿瘤进展包括所述肿瘤的分期阶段和/或所述受试者的生存率。
13.根据权利要求9-12中任一项所述的装置或方法，其中所述肿瘤包括膀胱癌。
14.根据权利要求9-13中任一项所述的装置或方法，其中所述一个或多个基因至少包括表4中所示的一个或多个基因。
15.根据权利要求9-14中任一项所述的装置或方法，其中所述一个或多个基因至少包括表5中所示的一个或多个基因。
16.根据权利要求9-15中任一项所述的装置或方法，其中确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平包括：确定所述一个或多个基因中表2所示基因的平均表达水平；以及确定所述一个或多个基因中表3所示基因的平均表达水平。
17.根据权利要求16中所述的装置或方法，其中根据式I判断所述受试者中所述肿瘤的进展：
其中，j＝肿瘤III期时，Intercept＝0.9609；j＝肿瘤I期/II期时，Intercept＝-0.6617；
a为所述一个或多个基因中表2所示基因的平均表达水平；
b为所述一个或多个基因中表3所示基因的平均表达水平；
c为所述一个或多个基因的拷贝数变化；
d为所述一个或多个基因中表8中所示基因的DNA甲基化风险值；
e为所述受试者的年龄；且
f为所述受试者的性别，其中男性为0，女性为1。
18.一种治疗受试者中的肿瘤的装置，所述装置包括：
a)分析模块，其能够确定表1中所示的一个或多个基因在所述受试者中或源自所述受试者的生物学样品中的表达水平；
b)判断模块，其能够根据a)中确定的所述表达水平判断所述受试者中所述肿瘤的进展；以及
c)治疗模块，其能够根据b)中判断的所述进展向所述受试者施用有效量的治疗。
CN201810337789.8A 2018-04-16 2018-04-16 鉴别及评价肿瘤进展的装置和方法 Active CN108504555B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810337789.8A CN108504555B (zh) 2018-04-16 2018-04-16 鉴别及评价肿瘤进展的装置和方法
PCT/CN2019/082574 WO2019201186A1 (zh) 2018-04-16 2019-04-12 鉴别及评价肿瘤进展的装置和方法
US16/725,147 US20200185054A1 (en) 2018-04-16 2019-12-23 Device and method of identifying and evaluating a tumor progression

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810337789.8A CN108504555B (zh) 2018-04-16 2018-04-16 鉴别及评价肿瘤进展的装置和方法

Publications (2)

Publication Number Publication Date
CN108504555A true CN108504555A (zh) 2018-09-07
CN108504555B CN108504555B (zh) 2021-08-03

Family

ID=63382413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810337789.8A Active CN108504555B (zh) 2018-04-16 2018-04-16 鉴别及评价肿瘤进展的装置和方法

Country Status (3)

Country Link
US (1) US20200185054A1 (zh)
CN (1) CN108504555B (zh)
WO (1) WO2019201186A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872776A (zh) * 2019-02-14 2019-06-11 辽宁省肿瘤医院 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用
CN110201148A (zh) * 2019-07-05 2019-09-06 浙江大学 Prrt4细胞因子在制备治疗肝功能衰竭药剂中的应用
WO2019201186A1 (zh) * 2018-04-16 2019-10-24 图灵人工智能研究院（南京）有限公司 鉴别及评价肿瘤进展的装置和方法
CN111932538A (zh) * 2020-10-10 2020-11-13 平安科技（深圳）有限公司 分析甲状腺图谱的方法、装置、计算机设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724903B (zh) * 2020-06-29 2023-09-26 北京市肿瘤防治研究所 预测受试者胃癌预后的系统
CN112185548B (zh) * 2020-09-25 2022-10-28 智慧中医科技(广东)有限公司 一种基于神经网络算法的智能中医诊断方法及装置
CN112481218A (zh) * 2020-11-24 2021-03-12 河南牧业经济学院 基于CRISPR/Cas9基因编辑系统敲除猪miR-155基因的细胞系及构建方法
CN117694839B (zh) * 2024-02-05 2024-04-16 四川省肿瘤医院 基于图像的非肌层浸润性膀胱癌复发率预测方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104685065A (zh) * 2012-01-20 2015-06-03 俄亥俄州立大学 浸润性和预后的乳腺癌生物标志物标签
CN106461663A (zh) * 2013-11-21 2017-02-22 环太平洋有限公司 使用基因型生物标志物和表型生物标志物来归类无临床症状血尿患者

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010063121A1 (en) * 2008-12-04 2010-06-10 University Health Network Methods for biomarker identification and biomarker for non-small cell lung cancer
ES2595410T3 (es) * 2009-01-07 2016-12-29 Myriad Genetics, Inc. Biomarcadores de cáncer
CN105277718B (zh) * 2015-09-29 2018-03-20 上海知先生物科技有限公司 用于恶性肿瘤相关筛查及评估的产品、应用及方法
CN105759052B (zh) * 2015-12-02 2017-08-22 陈炜 用于膀胱癌非侵入式诊断的分子标志
CN108504555B (zh) * 2018-04-16 2021-08-03 图灵人工智能研究院（南京）有限公司 鉴别及评价肿瘤进展的装置和方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104685065A (zh) * 2012-01-20 2015-06-03 俄亥俄州立大学 浸润性和预后的乳腺癌生物标志物标签
CN106461663A (zh) * 2013-11-21 2017-02-22 环太平洋有限公司 使用基因型生物标志物和表型生物标志物来归类无临床症状血尿患者

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MUXUAN LIANG等: "Integrative data analysis of multi-platform cancer data with a multimodal deep learning approach", 《TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019201186A1 (zh) * 2018-04-16 2019-10-24 图灵人工智能研究院（南京）有限公司 鉴别及评价肿瘤进展的装置和方法
CN109872776A (zh) * 2019-02-14 2019-06-11 辽宁省肿瘤医院 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用
CN109872776B (zh) * 2019-02-14 2023-06-09 辽宁省肿瘤医院 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用
CN110201148A (zh) * 2019-07-05 2019-09-06 浙江大学 Prrt4细胞因子在制备治疗肝功能衰竭药剂中的应用
CN111932538A (zh) * 2020-10-10 2020-11-13 平安科技（深圳）有限公司 分析甲状腺图谱的方法、装置、计算机设备及存储介质
CN111932538B (zh) * 2020-10-10 2021-01-15 平安科技（深圳）有限公司 分析甲状腺图谱的方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
US20200185054A1 (en) 2020-06-11
CN108504555B (zh) 2021-08-03
WO2019201186A1 (zh) 2019-10-24

Similar Documents

Publication Publication Date Title
CN108504555A (zh) 鉴别及评价肿瘤进展的装置和方法
Richard et al. Single-cell-based analysis highlights a surge in cell-to-cell molecular variability preceding irreversible commitment in a differentiation process
US11367508B2 (en) Systems and methods for detecting cellular pathway dysregulation in cancer specimens
CN109689891A (zh) 用于无细胞核酸的片段组谱分析的方法
CN109642259A (zh) 使用肿瘤教育的血小板的针对癌症的群智能增强的诊断和治疗选择
Nguyen et al. Multi-omics analysis detects novel prognostic subgroups of breast cancer
Voigt et al. Phenotype in combination with genotype improves outcome prediction in acute myeloid leukemia: a report from Children’s Oncology Group protocol AAML0531
Dashti et al. Integrative analysis of mutated genes and mutational processes reveals novel mutational biomarkers in colorectal cancer
Zhang et al. Identification of prognostic biomarkers for multiple solid tumors using a human villi development model
Malla et al. Pathway level subtyping identifies a slow-cycling biological phenotype associated with poor clinical outcomes in colorectal cancer
Zhang et al. Integrative analysis of the common genetic characteristics in ovarian cancer stem cells sorted by multiple approaches
Zhao et al. Bioinformatics approaches to analyzing CRISPR screen data: from dropout screens to single‐cell CRISPR screens
Madurga et al. Normal tissue content impact on the GBM molecular classification
Ning et al. Imaging genetic association analysis of triple-negative breast cancer based on the integration of prior sample information
Sudhakar et al. Multi-Omic Data Improve Prediction of Personalized Tumor Suppressors and Oncogenes
Wang et al. Integration of genomic data analysis for demonstrating potential targets in the subgroup populations of squamous cell lung cancer patients
Trevino et al. A network biology approach identifies molecular cross-talk between Normal prostate epithelial and prostate carcinoma cells
Liu et al. Development of a novel, clinically relevant anoikis-related gene signature to forecast prognosis in patients with prostate cancer
TWI824488B (zh) 預測胃癌患者預後的方法及其套組
Ramirez et al. Modeling a gene regulatory network of EMT hybrid states for mouse embryonic skin cells
Woodcock et al. Genomic evolution shapes prostate cancer disease type
Fu et al. Construction of endothelial cell signatures for predicting the diagnosis, prognosis and immunotherapy response of bladder cancer via machine learning
Piccolo et al. Somatic mutation signatures of cancer
Kori et al. A 19-Gene Signature of Serous Ovarian Cancer Identified by Machine Learning and Systems Biology: Prospects for Diagnostics and Personalized Medicine
Yang Deconvolute brain tumor genomic alterations based on DNA methylation

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
TA01 Transfer of patent application right

Effective date of registration: 20181101

Address after: 210046 601 room, No. 6, Qi Min Road, Xianlin street, Qixia District, Nanjing, Jiangsu, China. 6

Applicant after: Turing Artificial Intelligence Research Institute (Nanjing) Co., Ltd.

Address before: 100084 Tsinghua Yuan, Beijing, Haidian District

Applicant before: Tsinghua University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant