CN110527719B - 一种建立妊娠糖尿病风险评估的早期筛查量表的方法 - Google Patents
一种建立妊娠糖尿病风险评估的早期筛查量表的方法 Download PDFInfo
- Publication number
- CN110527719B CN110527719B CN201910794690.5A CN201910794690A CN110527719B CN 110527719 B CN110527719 B CN 110527719B CN 201910794690 A CN201910794690 A CN 201910794690A CN 110527719 B CN110527719 B CN 110527719B
- Authority
- CN
- China
- Prior art keywords
- artificial sequence
- gestational diabetes
- risk
- dna
- risk assessment
- 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.)
- Active
Links
- 208000004104 gestational diabetes Diseases 0.000 title claims abstract description 60
- 238000012216 screening Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012502 risk assessment Methods 0.000 title claims abstract description 24
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 43
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 201000010099 disease Diseases 0.000 claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 23
- 238000011160 research Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012408 PCR amplification Methods 0.000 claims abstract description 8
- 108020004707 nucleic acids Proteins 0.000 claims abstract description 7
- 102000039446 nucleic acids Human genes 0.000 claims abstract description 7
- 150000007523 nucleic acids Chemical class 0.000 claims abstract description 7
- 238000004949 mass spectrometry Methods 0.000 claims abstract description 6
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 201000010065 polycystic ovary syndrome Diseases 0.000 claims description 3
- 102220539361 ATP-sensitive inward rectifier potassium channel 11_E23K_mutation Human genes 0.000 claims description 2
- 102210024365 rs10830962 Human genes 0.000 claims description 2
- 102210042360 rs10830963 Human genes 0.000 claims description 2
- 102220002833 rs12255372 Human genes 0.000 claims description 2
- 102220000423 rs13266634 Human genes 0.000 claims description 2
- 102210006743 rs1387153 Human genes 0.000 claims description 2
- 102200097943 rs1801278 Human genes 0.000 claims description 2
- 102200010892 rs1805192 Human genes 0.000 claims description 2
- 102210022077 rs2237892 Human genes 0.000 claims description 2
- 102210027154 rs34872471 Human genes 0.000 claims description 2
- 102210001333 rs3802177 Human genes 0.000 claims description 2
- 102210021451 rs391300 Human genes 0.000 claims description 2
- 102210007451 rs4506565 Human genes 0.000 claims description 2
- 102210030976 rs7903146 Human genes 0.000 claims description 2
- 102210019525 rs7936247 Human genes 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 108020004414 DNA Proteins 0.000 description 88
- 239000000203 mixture Substances 0.000 description 7
- 239000011347 resin Substances 0.000 description 6
- 229920005989 resin Polymers 0.000 description 6
- 238000007789 sealing Methods 0.000 description 6
- 238000002156 mixing Methods 0.000 description 5
- TWRXJAOTZQYOKJ-UHFFFAOYSA-L Magnesium chloride Chemical compound [Mg+2].[Cl-].[Cl-] TWRXJAOTZQYOKJ-UHFFFAOYSA-L 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 239000012154 double-distilled water Substances 0.000 description 4
- 238000001179 sorption measurement Methods 0.000 description 4
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007400 DNA extraction Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 102000009097 Phosphorylases Human genes 0.000 description 2
- 108010073135 Phosphorylases Proteins 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000007403 mPCR Methods 0.000 description 2
- 229910001629 magnesium chloride Inorganic materials 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012257 pre-denaturation Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 101150084750 1 gene Proteins 0.000 description 1
- 108010067770 Endopeptidase K Proteins 0.000 description 1
- 101710155270 Glycerate 2-kinase Proteins 0.000 description 1
- 101000614701 Homo sapiens ATP-sensitive inward rectifier potassium channel 11 Proteins 0.000 description 1
- 101001077604 Homo sapiens Insulin receptor substrate 1 Proteins 0.000 description 1
- 101000599779 Homo sapiens Insulin-like growth factor 2 mRNA-binding protein 2 Proteins 0.000 description 1
- 101001116395 Homo sapiens Melatonin receptor type 1B Proteins 0.000 description 1
- 101000737828 Homo sapiens Threonylcarbamoyladenosine tRNA methylthiotransferase Proteins 0.000 description 1
- 101000596771 Homo sapiens Transcription factor 7-like 2 Proteins 0.000 description 1
- 108010000178 IGF-I-IGFBP-3 complex Proteins 0.000 description 1
- 102100025087 Insulin receptor substrate 1 Human genes 0.000 description 1
- 102100037919 Insulin-like growth factor 2 mRNA-binding protein 2 Human genes 0.000 description 1
- 102000017792 KCNJ11 Human genes 0.000 description 1
- 102100024970 Melatonin receptor type 1B Human genes 0.000 description 1
- 102100028192 Mitogen-activated protein kinase kinase kinase kinase 2 Human genes 0.000 description 1
- 101710144533 Mitogen-activated protein kinase kinase kinase kinase 2 Proteins 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 102100035310 Threonylcarbamoyladenosine tRNA methylthiotransferase Human genes 0.000 description 1
- 102100035101 Transcription factor 7-like 2 Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 238000001840 matrix-assisted laser desorption--ionisation time-of-flight mass spectrometry Methods 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000009984 peri-natal effect Effects 0.000 description 1
- 230000003234 polygenic effect Effects 0.000 description 1
- 208000028280 polygenic inheritance Diseases 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/20—Polymerase chain reaction [PCR]; Primer or probe design; Probe optimisation
-
- 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
- C12Q2600/156—Polymorphic or mutational markers
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Zoology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Wood Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种建立妊娠糖尿病风险评估的早期筛查量表的方法，该方法包括如下步骤：通过对国内外权威的科研文献的查阅，确定易感基因SNP选择标准，找到候选基因位点；设计对每个SNP位点进行核酸质谱分析的引物，进行PCR扩增及基因检测；建立复杂疾病的风险评估模型，计算个体的遗传风险值；结合遗传风险值和外因风险因素建立妊娠糖尿病风险评估的早期筛查量表。该方法采用了内外因联合分析，通过该方法建立的妊娠糖尿病风险评估的早期筛查量表对妊娠糖尿病进行早期筛查，大大增加了风险评估的准确性，从而降低了临床上的漏诊率。
Description
技术领域
本发明涉及妊娠糖尿病风险评估技术领域，具体来说，涉及一种建立妊娠糖尿病风险评估的早期筛查量表的方法。
背景技术
妊娠糖尿病早期筛查方法建立的意义如下：(1)妊娠糖尿病患病率高，对孕妇、胎儿、新生儿、产后妇女都有很大危害；(2)临床上在24～28周才会确诊是否患有GDM，错过了最佳的控糖时间；有研究表明单纯使用高危因素筛查，即使一向高危因素都不存在的情况下，仍有34.7％的人在孕中晚期被确诊为妊娠糖尿病，说明早期的筛查方法具有很高的漏诊率，所以说目前临床上没有特别有效的早期筛出方法；(3)中国孕产妇数量庞大，一旦方法建立成功会有很高的经济效益；(4)妊娠糖尿病预防意识弱，普通民众对GDM的认识还停留在仅发生在孕期的血糖异常，需要加强患者教育，提高民众的预防意识；(5)国内外还没有妊娠糖尿病风险筛查产品出现；(6)早期筛查出风险之后，通过早期干预可以降低GDM的患病率，对中国的流行病学研究，对节省医疗开支，降低不良围产结局等有明确的临床意义。
目前对妊娠糖尿病早期筛查的技术手段：妊娠糖尿病是多基因遗传的复杂疾病，即疾病的发生与遗传相关，也与孕妇的生活方式饮食偏好相关，目前临床上对于妊娠糖尿病的早期筛查使用量表的方式，但是有很高的假阴性率，即使一向高危因素都不存在的情况下，仍有34.7％的人在孕中晚期被确诊为妊娠糖尿病，说明早期的筛查方法具有很高的漏诊率，这点就可以通过遗传易感性来解释，所以国内外众多临床科研通过GWAS技术来研究妊娠糖尿病的候选基因，且取得了一定的进展。
国内专利“用于检测妊娠糖尿病患病风险的SNP标志物及试剂盒”(专利申请号：201710827583.9，专利公开号：107723357A)，该发明通过文献报道选取了10个与妊娠糖尿病可能相关的SNP位点，通过核酸质谱对这10个SNP位点进行检测，结果表明通过实验方法可以对10个SNP位点进行分型，但是并未阐明该技术后续如果用于对妊娠糖尿病的风险进行评估，即如何进行临床应用，该发明主要参考的是Zhang C等2013年发表的一篇meta分析的结果，介绍了从1994年到2012年以来国际上对妊娠糖尿病易感基因的研究，并通过统计分析找到结果一致的和妊娠糖尿病发病显著相关的基因。包括TCF7L2，GCK，KCNJ11，CDKAL1，IGF2BP2，MTNR1B，IRS1等。结果阐述出与GDM相关的一些基因及SNP位点。但仍存在不足之处：(1)该文献发表于2013年，距今6年时间有更多的关于GDM的研究出现，该研究所涵盖的SNP位点，不足以对GDM的发病进行全面解释，有很高的假阴性率，6年时间有众多新的GDM相关的易感基因位点被挖掘出来；(2)该文献中大量的分析数据都是应用欧洲人群的队列数据，白种人与黄种人在遗传上的差异会导致所选取的基因在中国人的队列中不能得到一致性的结论。
发明内容
针对相关技术中的上述技术问题，本发明提出一种建立妊娠糖尿病风险评估的早期筛查量表的方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种建立妊娠糖尿病风险评估的早期筛查量表的方法，该方法包括如下步骤：
(1)通过对国内外权威的科研文献的查阅，首先确定易感基因SNP选择标准，通过易感基因SNP选择标准，找到候选基因位点，所述候选基因位点为28个；
(2)设计对每个SNP位点进行核酸质谱分析的引物，进行PCR扩增及基因检测；
(3)建立复杂疾病的风险评估模型，通过符合要求的文献中病例对照分析的数据，建立每个基因位点在疾病发生中的权重，计算个体的遗传风险值，遗传风险值＜0.87时定义为低风险或正常，0.87≤遗传风险值＜1.33时定义为中风险，遗传风险值≥1.33时定义为高风险；
(4)结合步骤(3)中的遗传风险值和外因风险因素建立妊娠糖尿病风险评估的早期筛查量表。
进一步的，所述易感基因SNP选择标准为：
1)有GWAS在中国人队列研究的病例对照分析，且存在显著差异，同时考虑样本量对数据价值的影响；
2)有GWAS在欧洲人中的病例对照分析，且存在显著差异，在中国队列的研究中得到验证；
3)候选基因法在中国人的多中心研究中病例对照分析，有显著差异，且结果一致；
4)在中国人群的基因功能学研究结果一致，与妊娠糖尿病的发生相关。
进一步的，所述候选基因位点为：rs7754840，rs7756992，rs1063192，rs2383208，rs1799884，rs4607517，rs1111875，rs5015480，rs7923837，rs4402960，rs1470579，rs2074196，rs1801278，rs5219，rs2237892，rs1387153，rs10830963，rs10830962，rs7936247，rs1801282，rs2466293，rs3802177，rs13266634，rs391300，rs7903146，rs12255372，rs4506565，rs34872471。
进一步的，每个基因位点在疾病发生中的权重用OR值表示，每个位点有3种基因型分别是aa，ab和bb，三种基因型的OR值分别是ORa，ORab，ORb，每个基因型在亚洲人中的基因型频率分别是Pa，Pab，Pb，那么该疾病的遗传风险值可以用如下公式计算得出：
RI＝(Pa1*ORa1+Pb1*ORb1+Pab1*ORab1)*(Pa2*ORa2+Pb2*ORb2+Pab2*ORab2)*……*(Pa28*ORa28+Pb28*ORb28+Pab1*ORab28)，
该个体的遗传风险值为：
PI＝OR1*OR2*……*OR28/RI。
进一步的，所述外因风险因素包括：一级糖尿病家族病史、寄往妊娠糖尿病病史、血糖异常史、年龄≥35周岁、产次≥3次、BMI≥24或BMI≤18、患有多囊卵巢综合征。
本发明的有益效果：本发明的建立妊娠糖尿病风险评估的早期筛查量表的方法通过参考更新的权威研究结果，选取中国人数据，建立了一种内外因联合分析的早期妊娠糖尿病风险筛查的量表，通过该量表对妊娠糖尿病进行早期筛查，使用内外因联合分析量表大大的增加了风险评估的准确性，与临床上金标准的相关性较好，准确性好，从而降低临床上的漏诊率，进而通过临床应用提高孕妇的营养管理的依从性，降低疾病的患病率，改善不良的围产结局。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
通过对国内外权威的科研文献的查阅，首先确定易感基因SNP选择标准：
1.有GWAS在中国人队列研究的病例对照分析，且存在显著差异的，同时考虑样本量对数据价值的影响；
2.有GWAS在欧洲人中的病例对照分析，且存在显著差异的，且在中国队列的研究中得到验证的；
3.候选基因法在中国人的多中心研究中病例对照分析，有显著差异的，且结果一致的；
4.在中国人群的基因功能学研究结果一致，与妊娠糖尿病的发生相关的。
通过上述4条标准，共找到如表1所示的28个候选基因位点：
表1 候选基因位点
实施例2
设计对每个SNP位点进行核酸质谱分析的引物，进行PCR扩增及基因检测；
对每个SNP位点进行核酸质谱分析的引物设计如表2所示：
表2 对每个SNP位点进行核酸质谱分析的引物
为节约检测费用，将反应体系设置为5μL：
PCR扩增的反应体系(5μL)
反应体系：
模板DNA 1μL，
引物mix 1μL，
10×Buffer 0.5μL，
MgCl2(25mM)0.4μL，
dNTP(25mM)0.1μL，
Hotstar(5U/μL)，
ddH2O 1.8μL；
反应条件：将密封的384孔板置于ABI9700PCR仪上反应：预变性95℃2min，(95℃30s，56℃30s，72℃1min)45个循环，72℃5min，Hold4℃。
实施例3
建立复杂疾病的风险评估模型，先通过符合要求的文献中(需满足：有原始数据，文章质量评级高，中国人队列数据)病例对照分析的数据，建立每个基因位点在疾病发生中的权重，用OR值表示。
每个位点有3种基因型分别是aa，ab和bb。三种基因型的OR值分别是ORa，ORab，ORb。每个基因型在亚洲人中的基因型频率分别是Pa，Pab，Pb。那么该疾病的遗传风险值可以用如下公式计算得出：
RI＝(Pa1*ORa1+Pb1*ORb1+Pab1*ORab1)*(Pa2*ORa2+Pb2*ORb2+Pab2*ORab2)*……*(Pa28*ORa28+Pb28*ORb28+Pab1*ORab28)
该个体的遗传风险值为PI＝OR1*OR2*……*OR28/RI。
PI值就是与群体的患病率相比，该受试者的终身患病风险是群体的水平的倍数。超过群体患病风险一定倍数的，说明该受试者的终身患病风险增加。
通过1000人基因计划中亚洲人的基因型分布频率分析，得到人群的患病分析在0.87～1.33之间，遗传风险值小于0.87时定义为低风险或正常；当遗传风险值在0.87～1.33之间时(包括0.87)定义为中风险，当遗传风险值大于1.33时(包括1.33)定义为遗传高风险。
实施例4
目前已经得到临床证实的妊娠糖尿病的外因风险因素主要包括：1)一级糖尿病家族病史；2)寄往妊娠糖尿病病史；3)血糖异常史；4)年龄≥35周岁；5)产次≥3次；6)BMI≥24或BMI≤18；7)患有多囊卵巢综合征。
结合内外因制作如表3所示的妊娠糖尿病风险评估的早期筛查量表：
表3 妊娠糖尿病风险评估的早期筛查量表
根据该量表可以将遗传易感性与外因风险做联合分析。表3中第一列为存在所述外因风险项目的数量。
实施例5
为了验证该方法的准确性，同时和已有方法进行对比，应用回顾性的临床样本进行验证。北京协和内分泌国家重点实验室赠与的283例样本，其中有27例生活方式数据不齐全，无法进行综合评估，剩余样本中有1例基因检测失败，共得到255例有效数据，其中GDM119例，非GDM116例，检测的成功率为99.6％，多重PCR扩增技术使检测方法简便易操作。
具体步骤如下：
(1)唾液DNA提取
利用康为世纪口腔拭子基因组DNA提取试剂盒，在GW1和GW2试剂中加入一定量的无水乙醇。从采样管中取500μL唾液样本，加入300μL GR、20μL Proteinase K和300μL GL，震荡混匀，56℃震荡孵育15min，加入300μL无水乙醇，震荡混匀；将750μL该溶液加入到收集管的吸附柱中，12000rpm离心1min，弃液；向吸附柱中加入400μL GW1，12000rpm离心1min，弃液；向吸附柱中加入400μL GW2，12000rpm离心1min，弃液；12000rpm离心2min，静置晾干；将吸附柱置于新的1.5mL离心管中，悬空加入40μL GE，静置5min，12000rpm离心1min，收集DNA溶液，质检，4℃保存。
(2)血卡DNA提取
基于协和医科大学基础研究所，使用打孔器在干血卡上血斑较厚区域打孔，取2片1mm大小的血片于1.5mL离心管中；加入200μL ddH2O，室温震荡10min，弃液；加入50μL B2,95℃孵育15min，弃液；加入40μL B3，室温震荡10min，质检，4℃保存。
(3)PCR扩增
将步骤1或2提取的待测样本的DNA分别加入到384孔板中，进行多重PCR扩增。按照多重PCR扩增的反应体系(5μL)加入到每个反应孔中，反应体系：模板DNA 1μL，引物mix 1μL，10×Buffer 0.5μL，MgCl2(25mM)0.4μL，dNTP(25mM)0.1μL，Hotstar(5U/μL)，ddH2O 1.8μL；反应体系配制好后使用PCR封口膜封紧，防止样品蒸发，震荡混匀，离心；将密封的384孔板置于ABI9700PCR仪上反应：预变性95℃2min，(95℃30s，56℃30s，72℃1min)45个循环，72℃5min，Hold 4℃；得到PCR扩增产物，离心备用。
(4)SAP消化反应
利用Sequenom平台配套试剂和操作步骤，完成待测样本SNP位点分型结果。将步骤3中得到的PCR扩增产物，按照SAP消化的反应体系(2μL)加入到每个反应孔中，反应体系：SAP×Buffer 0.17μL，SAP Enzyme(1U/μL)0.3μL，ddH2O 1.53μL；反应体系配制好后使用PCR封口膜封紧，防止样品蒸发，震荡混匀，离心；将密封的384孔板置于ABI9700PCR仪上反应：37℃40min，85℃5min，Hold 4℃；得到碱性磷酸化酶处理后的PCR产物，离心备用。
(5)单碱基延伸反应
利用Sequenom平台配套试剂和操作步骤，完成待测样本SNP位点分型结果。将步骤4中得到的碱性磷酸化酶处理后的PCR产物，按照单碱基延伸反应体系(2μL)加入到对应的每个反应孔中，反应体系：延伸引物mix 0.94μL，Gold×Buffer 0.2μL，Extension mix 0.2μL，Iplex Enzyme 0.041μL，ddH2O 0.619μL；反应体系配制好后使用PCR封口膜封紧，防止样品蒸发，震荡混匀，离心；将密封的384孔板置于ABI9700PCR仪上反应：94℃30s，(94℃5s，(52℃5s，80℃5s)5个内部循环)40个外部循环，72℃3min，Hold 4℃；得到单碱基延伸产物，离心备用。
(6)树脂纯化
利用Sequenom平台配套试剂和操作步骤，完成待测样本SNP位点分型结果。将步骤5的单碱基延伸产物的384孔板，轻轻撕下封口膜后，每孔加入16μL ddH2O；取干净的A4纸将6MG 384板置于其上，用小勺取适量纯化树脂；用塑料板反复左右推平纯化树脂，压实，使每孔树脂含量均匀；将384板倒置压在6MG 384板上，两板对调，6MG板在上，敲打6MG板背面，使树脂落入装有单碱基延伸产物的384孔板中；封口膜封好后，15rpm上下颠倒混匀30min，充分纯化。
(7)芯片点样
将步骤6中的384孔板离心，启动MassARRAY Nanodispenser RS1000点样仪，将树脂纯化后的延伸产物移至384孔SpectroCHIP芯片上；点样后的芯片使用MALDI-TOF分析，检测结果使用TYPER4.0软件分型并输出结果。
(8)检测完成后算出每个样本的遗传风险等级，使用内外因联合评估量表进行综合分析。
如表4所示，遗传检测、外因分析、联合分析三者检测的准确性分别为：63％，30％，71％，充分说明采用本发明的取得了较好的效果。
表4 遗传检测、外因分析、联合分析检测的准确性对比
综上所述，由于妊娠糖尿病是多基因遗传的，与之发病相关的候选基因远远不止10个，每个基因在疾病发病中起到的作用微效的，所以检测的基因越多，越能够提高产品的准确性，通过对国内外权威的科研文献的查阅，精准的找到与妊娠糖尿病相关的候选基因。更多的SNP位点的分型，对技术要求的难度更高，要考虑不同位点之间的相互干扰，考虑检验人员操作的便利性，考虑分型的准确性等等问题，设计一套30个位点左右的多重PCR反应体系是对技术的挑战。在基因检测结束之后，还不能根据基因测序结果直接阐明结果与疾病的相关性，需要建立复杂疾病的分析算法，通过算法评估受试者的患病风险。需要大量的中国人的病例对照研究数据，建立该种算法，同时，需要在一定样本中验证该算法。由于妊娠糖尿病的发病机制，与遗传和生活方式都相关，所以单纯使用外因量表或单纯使用遗传易感性筛查，都不足以保证筛查的准确性，只有通过遗传加生活方式的联合评估才能得到更有益的效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
序列表
<110> 北京天平永达生物科技发展有限公司
<120> 一种建立妊娠糖尿病风险评估的早期筛查量表的方法
<160> 84
<170> SIPOSequenceListing 1.0
<210> 1
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 1
acgttggatg aatgcagaag tccaggttcc 30
<210> 2
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 2
acgttggatg agatgtgcag gccaacattc 30
<210> 3
<211> 13
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 3
caaaccaaac cca 13
<210> 4
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 4
acgttggatg cagatgatgg gagctgtcac 30
<210> 5
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 5
acgttggatg gtgtaaggca tctggtggag 30
<210> 6
<211> 13
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 6
ggactttgcc acc 13
<210> 7
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 7
acgttggatg tttcttggac acaaagcggg 30
<210> 8
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 8
acgttggatg aatacgtgct gacacgcctg 30
<210> 9
<211> 13
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 9
cggtacctgg gct 13
<210> 10
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 10
acgttggatg tgtatcagtg aaggaatcgc 30
<210> 11
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 11
acgttggatg caaaccccta ttccatgctg 30
<210> 12
<211> 14
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 12
ggaatcgctt tctg 14
<210> 13
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 13
acgttggatg tctatggagt tttggccctg 30
<210> 14
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 14
acgttggatg gggcatgttt gcaaacacaa 30
<210> 15
<211> 14
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 15
gtggacagta gatt 14
<210> 16
<211> 29
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 16
acgttggatg tcgagatggg cagactggg 29
<210> 17
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 17
acgttggatg ctgcatggtc atgtagtcac 30
<210> 18
<211> 15
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 18
tgccctgcac ctccc 15
<210> 19
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 19
acgttggatg tgtctatgct ggcaaagctg 30
<210> 20
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 20
acgttggatg tcccaggcag ttactggttc 30
<210> 21
<211> 15
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 21
gaattcacac catct 15
<210> 22
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 22
acgttggatg agggtattga agtaaactcg 30
<210> 23
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 23
acgttggatg ttccacgtgc cacattgtag 30
<210> 24
<211> 15
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 24
cgaatgttga ttata 15
<210> 25
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 25
acgttggatg taacagagac atcactgtcc 30
<210> 26
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 26
acgttggatg atcaactgct tgctgttggg 30
<210> 27
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 27
catctatcaa gtcaac 16
<210> 28
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 28
acgttggatg tacaggccta ggcttgtgtc 30
<210> 29
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 29
acgttggatg ttcccaaacc tcgccctttc 30
<210> 30
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 30
gtcctggcgg gctcca 16
<210> 31
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 31
acgttggatg tgcaaatcca gcaggttagc 30
<210> 32
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 32
acgttggatg cagaggcctg agtaattatc 30
<210> 33
<211> 16
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 33
atatccaggc aagaat 16
<210> 34
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 34
acgttggatg aaaatgactc tcggaggagg 30
<210> 35
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 35
acgttggatg ccataataga gacccttgac 30
<210> 36
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 36
gtgtcgaccg aagtgat 17
<210> 37
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 37
acgttggatg ctctctctag agctcacaac 30
<210> 38
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 38
acgttggatg caactctgtc tgtggaatgc 30
<210> 39
<211> 17
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 39
gagaagaaaa ttgagtt 17
<210> 40
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 40
acgttggatg gcaatttctc tccgaaccac 30
<210> 41
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 41
acgttggatg gcaatcagtg ctaatctccc 30
<210> 42
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 42
ccaacacttg gctgtccc 18
<210> 43
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 43
acgttggatg ccctatgtgt aatgcagagc 30
<210> 44
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 44
acgttggatg gtagcatggc tgacaagcac 30
<210> 45
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 45
ctccgtgtgc tagttact 18
<210> 46
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 46
acgttggatg tgaagccgat ctcagacatc 30
<210> 47
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 47
acgttggatg tgtgaccaat ggtatggcgg 30
<210> 48
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 48
caagatcaag acttttta 18
<210> 49
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 49
acgttggatg cttgtctatg agtgagaggg 30
<210> 50
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 50
acgttggatg gtttccaaac agctatcatc 30
<210> 51
<211> 18
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 51
aagattgata ggcaggat 18
<210> 52
<211> 29
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 52
acgttggatg tcttgaaact agtagatgc 29
<210> 53
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 53
acgttggatg gcaactaaaa ctgtgacagg 30
<210> 54
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 54
aggagatgct caattcatg 19
<210> 55
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 55
acgttggatg ttgcacgttg tcagttcagc 30
<210> 56
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 56
acgttggatg taggcaagaa actttgtggc 30
<210> 57
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 57
gacgttttaa aatggtaaa 19
<210> 58
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 58
acgttggatg ctggtttaaa taacttgtgg 30
<210> 59
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 59
acgttggatg actgtgggat ccacaataac 30
<210> 60
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 60
ccatctttcc taatgacaac 20
<210> 61
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 61
acgttggatg aacttctcac tcccttccac 30
<210> 62
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 62
acgttggatg aaaaaatgga ccctgagtgc 30
<210> 63
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 63
acaatcaagt catttcctct 20
<210> 64
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 64
acgttggatg agcagacaga cacaaaagcc 30
<210> 65
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 65
acgttggatg gcaatcactg tggatttgcc 30
<210> 66
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 66
cacatagatt ttatgatacc 20
<210> 67
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 67
acgttggatg ctttttcaag agatagggtc 30
<210> 68
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 68
acgttggatg cccgggagtg tgttattatc 30
<210> 69
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 69
aagcgatagg gtcctgctta 20
<210> 70
<211> 31
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 70
acgttggatg gacaattaat attcccccct g 31
<210> 71
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 71
acgttggatg atgcaaccaa gagaggtctg 30
<210> 72
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 72
gttaccctgt attttagttt t 21
<210> 73
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 73
acgttggatg tgctatgcag tttctgcatc 30
<210> 74
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 74
acgttggatg tccttcatgg tgaatggaac 30
<210> 75
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 75
gcaccaaagg aagaaattca t 21
<210> 76
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 76
acgttggatg ttgtgatgtg tcagtgctgg 30
<210> 77
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 77
acgttggatg aaagcaagac ctgccttctg 30
<210> 78
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 78
gagtggactg aatccaagtt g 21
<210> 79
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 79
acgttggatg atttcctgct ccagccaggt 30
<210> 80
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 80
acgttggatg tcaccatgac aaccacaggc 30
<210> 81
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 81
cttcctgcca gggcttactg tg 22
<210> 82
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 82
acgttggatg aactaagggt gcctcatacg 30
<210> 83
<211> 30
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 83
acgttggatg tgcctcaaaa cctagcacag 30
<210> 84
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 84
cctacggcaa ttaaattata ta 22
Claims (3)
1.一种建立妊娠糖尿病风险评估的早期筛查量表的方法，其特征在于，包括如下步骤：
（1）通过对国内外科研文献的查阅，首先确定易感基因SNP选择标准，通过易感基因SNP选择标准，找到候选基因位点，所述候选基因位点为28个，所述候选基因位点为：rs7754840，rs7756992，rs1063192，rs2383208，rs1799884，rs4607517，rs1111875，rs5015480，rs7923837，rs4402960，rs1470579，rs2074196，rs1801278，rs5219，rs2237892，rs1387153，rs10830963，rs10830962，rs7936247，rs1801282，rs2466293，rs3802177，rs13266634，rs391300，rs7903146，rs12255372，rs4506565，rs34872471；
（2）设计对每个SNP位点进行核酸质谱分析的引物，进行PCR扩增及基因检测；
（3）建立复杂疾病的风险评估模型，通过符合要求的文献中病例对照分析的数据，建立每个基因位点在疾病发生中的权重，每个基因位点在疾病发生中的权重用OR值表示，每个位点有3种基因型分别是aa，ab和bb，三种基因型的OR值分别是ORa，ORab，ORb，每个基因型在亚洲人中的基因型频率分别是Pa，Pab，Pb，那么该疾病的遗传风险值可以用如下公式计算得出：
RI=（Pa1*ORa1+Pb1*ORb1+Pab1*ORab1）*（Pa2*ORa2+Pb2*ORb2+ Pab2*ORab2）*……*（Pa28*ORa28+Pb28*ORb28+Pab1*ORab28），
该个体的遗传风险值为：
PI=OR1*OR2*……*OR28/RI，
遗传风险值＜0.87时定义为低风险或正常，0.87≤遗传风险值＜1.33时定义为中风险，遗传风险值≥1.33时定义为高风险；
（4）结合步骤（3）中的遗传风险值和外因风险因素建立妊娠糖尿病风险评估的早期筛查量表。
2.根据权利要求1所述的建立妊娠糖尿病风险评估的早期筛查量表的方法，其特征在于，所述易感基因SNP选择标准为：
1）有GWAS在中国人队列研究的病例对照分析，且存在显著差异，同时考虑样本量对数据价值的影响；
2）有GWAS在欧洲人中的病例对照分析，且存在显著差异，在中国队列的研究中得到验证；
3）候选基因法在中国人的多中心研究中病例对照分析，有显著差异，且结果一致；
4）在中国人群的基因功能学研究结果一致，与妊娠糖尿病的发生相关。
3.根据权利要求1所述的建立妊娠糖尿病风险评估的早期筛查量表的方法，其特征在于，所述外因风险因素包括：一级糖尿病家族病史、寄往妊娠糖尿病病史、血糖异常史、年龄≥35周岁、产次≥3次、BMI≥24或BMI≤18、患有多囊卵巢综合征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910794690.5A CN110527719B (zh) | 2019-08-27 | 2019-08-27 | 一种建立妊娠糖尿病风险评估的早期筛查量表的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910794690.5A CN110527719B (zh) | 2019-08-27 | 2019-08-27 | 一种建立妊娠糖尿病风险评估的早期筛查量表的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110527719A CN110527719A (zh) | 2019-12-03 |
| CN110527719B true CN110527719B (zh) | 2023-06-09 |
Family
ID=68664344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910794690.5A Active CN110527719B (zh) | 2019-08-27 | 2019-08-27 | 一种建立妊娠糖尿病风险评估的早期筛查量表的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110527719B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111471753A (zh) * | 2020-04-22 | 2020-07-31 | 优生贝(北京)生物技术有限公司 | 一种基于风险评估模型的女性生育遗传风险基因检测方法 |
| CN115762635A (zh) * | 2021-12-27 | 2023-03-07 | 河北北方学院附属第一医院 | 基于分子标记的用于肝癌筛查和风险预测的系统及应用 |
| CN115029431B (zh) * | 2022-06-20 | 2023-09-26 | 无锡市疾病预防控制中心 | 一种2型糖尿病基因检测试剂盒以及2型糖尿病遗传风险评估系统 |
| CN117327779A (zh) * | 2023-03-09 | 2024-01-02 | 中国人民解放军东部战区总医院 | 用于妊娠期糖尿病患病风险预测的遗传标志物或试剂盒 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256323A (zh) * | 2016-09-05 | 2017-10-17 | 云健康基因科技（上海）有限公司 | 一种ⅱ型糖尿病风险评估模型的构建方法和构建系统 |
| CN107723357A (zh) * | 2017-09-14 | 2018-02-23 | 北京青梧桐健康科技有限公司 | 用于检测妊娠糖尿病患病风险的snp标志物及试剂盒 |
-
2019
- 2019-08-27 CN CN201910794690.5A patent/CN110527719B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256323A (zh) * | 2016-09-05 | 2017-10-17 | 云健康基因科技（上海）有限公司 | 一种ⅱ型糖尿病风险评估模型的构建方法和构建系统 |
| CN107723357A (zh) * | 2017-09-14 | 2018-02-23 | 北京青梧桐健康科技有限公司 | 用于检测妊娠糖尿病患病风险的snp标志物及试剂盒 |
Non-Patent Citations (3)
| Title |
|---|
| Association study of the miRNA-binding site polymorphisms of CDKN2A/B genes with gestational diabetes mellitus susceptibility;Wang Xiaojing等;《Acta diabetologica》;20150520;951-958 * |
| Genetic variants and the risk of gestational diabetes mellitus：a systematic review;Zhang Cuilin等;《Human reproduction update》;20130519;376-390 * |
| he rs2237892 Polymorphism in KCNQ1 Influences Gestational Diabetes Mellitus and Glucose Levels：A Case-Control Study and Meta-Analysis;Ao Deng等;《PloS one》;20150603;1-11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110527719A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110527719B (zh) | 一种建立妊娠糖尿病风险评估的早期筛查量表的方法 | |
| WO2024027569A1 (zh) | 一种不依赖于先证者的单体型构建方法 | |
| CN111778329B (zh) | 与哮喘相关基因的分子标记及其检测引物组和应用 | |
| Montazeri et al. | Is there a genetic variation association in the IL‐10 and TNF α promoter gene with gestational diabetes mellitus? | |
| CN114292909B (zh) | SNP rs241970作为靶标在开发用于筛查高原肺水肿易感人群的试剂盒中的应用 | |
| CN111676283B (zh) | 与高原肺水肿发生相关的线粒体dna单核苷酸多态性的应用 | |
| CN113025701B (zh) | 非酒精性脂肪性肝病易感基因的早筛方法及试剂盒 | |
| US20220205049A1 (en) | Methods of detecting and predicting breast cancer | |
| CN111235265B (zh) | 用于预测半侧颜面短小畸形发生概率的组合物的应用方法 | |
| WO2016192252A1 (zh) | 系统性红斑狼疮生物标志物及其诊断试剂盒 | |
| CN111560428B (zh) | 检测线粒体DNA rs3937033单核苷酸多态性的物质的用途 | |
| CN110229876A (zh) | 一种检测妊娠期糖尿病遗传易感性的试剂盒 | |
| CN113444838A (zh) | 用于检测covid-19易感性的分子标记、试剂盒及应用 | |
| CN109777889B (zh) | Eb病毒基因组的变异位点的用途及试剂盒 | |
| CN114381517B (zh) | 检测SNP rs12569857多态性在制备筛查高原肺水肿易感人群试剂盒中的应用 | |
| CN114292910B (zh) | 基于SNP rs11620394开发的用于筛查高原肺水肿易感人群的试剂盒及其应用 | |
| CN112980949B (zh) | 一种用于鼻咽癌高危人群识别的snp标志物及其试剂盒和应用 | |
| KR20060097316A (ko) | 유방암 특이적 다형성 서열을 이용한 유방암의 진단방법,유방암 특이적인 폴리뉴클레오티드 및 상기 폴리뉴클레오티드가 고정되어 있는 마이크로어레이 | |
| CN112899360B (zh) | 一种检测特雷彻·柯林斯综合征发生概率的组合物的应用方法 | |
| CN111500696B (zh) | 基于飞行时间质谱检测孕妇外周血游离rna筛查21-三体综合征的试剂盒 | |
| CN112195235A (zh) | 一种检测铁调素基因tmprss6 snp位点的试剂盒及应用 | |
| CN104946779A (zh) | 一种检测HLA-B*57:01等位基因的TaqMan探针实时荧光PCR方法 | |
| CN113337597B (zh) | 用于孕期维生素a缺乏风险评估检测试剂盒与应用方法 | |
| Botha | Investigating the genetic factors for gestational diabetes mellitus (GDM) in a black South African cohort | |
| KR102543982B1 (ko) | Cpa3 유전자의 메틸화 수준을 이용한 비만 관련 질환의 예측 또는 진단을 위한 정보제공방법 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240227 Address after: Room 111, 1st Floor, Building 30, Courtyard No.36, Dongzhimenwai Street, Dongcheng District, Beijing, 100027 Patentee after: Beijing Tianping Huapu Gene Technology Co.,Ltd. Country or region after: China Address before: No. 1201, East District, building 1, No. 100, Xili, Balizhuang, Chaoyang District, Beijing 100025 Patentee before: Beijing Tianping Yongda Biotechnology Development Co.,Ltd. Country or region before: China |