CN110797120A - 整合表观遗传因素的缺血性脑卒中不良结局风险预测装置 - Google Patents
整合表观遗传因素的缺血性脑卒中不良结局风险预测装置 Download PDFInfo
- Publication number
- CN110797120A CN110797120A CN201911013454.1A CN201911013454A CN110797120A CN 110797120 A CN110797120 A CN 110797120A CN 201911013454 A CN201911013454 A CN 201911013454A CN 110797120 A CN110797120 A CN 110797120A
- Authority
- CN
- China
- Prior art keywords
- stroke
- risk
- distribution
- model
- estimation
- 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.)
- Pending
Links
Images
Classifications
-
- 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
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种整合表观遗传因素的缺血性脑卒中不良结局风险预测装置。本发明一种整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，其特征在于，包括：所述计算机，所述计算机被编程以便执行如下步骤：构建多水平贝叶斯广义线性回归模型
本发明的有益效果：利用本发明构建的缺血性脑卒中不良结局风险分析新方法，对基于缺血性脑卒中相关遗传与环境高维的实际数据进行分析，验证方法的实用性，并与现有常用方法进行比较，展示新方法的优势。
Description
技术领域
本发明涉及脑卒领域，具体涉及一种整合表观遗传因素的缺血性脑卒中不良结局风险预测装置。
背景技术
在世界范围内，脑卒中是居民死亡的第三位死因和致残的主要原因[1]。在发展中国家，脑卒中所致的疾病及经济负担正在快速增长。随着30多年中国经济的迅速发展和国民生活方式的改变，尤其是人口老龄化及城镇化进程的加速，中国脑卒中发病人数逐渐增加并呈快速增长趋势。据估计，我国约有700万脑卒中存活者，每年有250万新发脑卒中的病例[2]。目前脑卒中已成为我国城市和农村人口的第一位致死和致残原因。脑卒中不仅给患者带来身体和心理上的痛苦，同时给家庭、社会及国家造成严重的经济负担。据估计，目前全国每年总的脑卒中经济负担在400亿元左右[3]。
在所有脑卒中患者中，约70％～90％为缺血性脑卒中，其不良结局包括病后残疾、心血管事件、脑卒中再发和死亡。研究表明，导致脑卒中不良结局的危险因素与其发病的危险因素有重叠[4]。脑卒中不良结局的传统危险因素具体有年龄、神经功能损伤、糖尿病、高血压、高血脂、房颤、心肌梗死、心力衰竭、医院等级、入院及时性和护理质量等，但这些危险因素只能解释30％左右的脑卒中不良结局风险[5-8]。有文献报道，美国某些地区脑卒中的死亡率异常增长，而传统的危险因素无法解释其原因[9]。一些生物标志物：如酸性钙结合蛋白 (S-100β)、基质金属蛋白9(MMP-9)[10]、抗纤溶酶α2[11]、炎症相关标志物(CRP、TNF-α、IL-6和VEGF)[12,13]和血凝/纤溶系统相关的生物标志物(D-二聚体和血浆血管因子)等[14-17]也能用于预测或影响脑卒中患者的不良结局。
脑卒中是一种复杂性疾病，受遗传因素和环境因素以及它们的交互作用共同影响。它的病理基础是动脉粥样硬化。大量的遗传流行病学证据显示遗传因素在脑卒中发生、发展中发挥着重要作用。近些年，随着高通量基因型检测技术的进步，人们利用全基因组关联研究的方法，发现了许多与缺血性脑卒中等动脉粥样硬化性疾病相关的基因组区域或遗传标记[18]。DNA甲基化是一种重要的表观遗传修饰，参与基因表达调控并在疾病发生发展中具有重要作用。环境因素对疾病风险的影响往往是通过影响甲基化水平而发挥作用的[19-21]，同时DNA甲基化水平也受到基因多态性的调控[22-24]。甲基化与缺血性脑卒中的关系已有报道[25,26]。同时，甲基化也是潜在的缺血性脑卒中不良结局的预测指标[27-29].
脑卒中1年复发率为5％～15％[30]，男性5年的累积复发率为42％，女性为 24％，而复发所引起的致残率和死亡率高，因此做好脑卒中的二级预防极为重要。 2014年美国心脏病协会(AHA)和美国卒中协会(ASA)在Stroke杂志上发表脑卒中的二级预防指南显示[31]：针对脑卒中的预防性治疗方法可以有效的降低脑卒中再发风险[30]。这些方法包括：抗血小板治疗，积极治疗高血压、房颤、动脉阻塞和高脂血症，及改变患者的生活习惯等。但是，脑卒中的病理形成机制具有很强的异质性，即使具有相同脑卒中机制的个体也存在较大的差异性[32]，这也是这些年脑卒中复发率居高不下的原因之一。脑卒中的风险预测模型和二级预防措施不能仅限于传统的危险因素。
遗传因素在脑卒中的预后和个体化治疗的作用已经取得初步成果[33]。已有文献报道关于中国缺血性脑卒中人群复发风险与3个基因位点关联[34,35]，一篇关于脑源性神经营养因子(BDNF)相关多态位点与脑卒中预后关联的研究 [36,37]。脑卒中个体化治疗方面最典型的研究就是CYP2C9和VKORC1基因型与华法令的合适治疗剂量选择和临床溶栓治疗结果显著关联[38-40]。与恶性肿瘤治疗类似，针对脑卒中的二级预防也需要准确的预后和预测信息，如预测初次治疗后的复发风险或预测不同治疗方案的有效性。
参考文献
1.Mortality,GBD,Causes of Death,C.Global,regional,and national age-sex specific all-cause and cause-specific mortality for 240 causes of death,1990-2013:a systematic analysis for the Global Burden of Disease Study2013Lancet.2015；385(9963):117-171.
2.Liu,L,Wang,D,Wong,KS,Wang,Y.Stroke and stroke care in China:hugeburden,significant workload,and a national priority Stroke； a journal ofcerebral circulation.2011；42(12):3651-3654.
3.PRC,MoH.2010Annual Chinese Healthcare Statistics.Beijing: ChinaUnion Medical University Publication.2010.
4.O'Donnell,MJ,Xavier,D,Liu,L,Zhang,H,Chin,SL, Rao-Melacini,P,etal.Risk factors for ischaemic and intracerebral haemorrhagic stroke in22countries(the INTERSTROKE study):a case-control study Lancet.2010；376(9735):112-123.
5.Hillen,T,Coshall,C,Tilling,K,Rudd,AG,McGovern,R,Wolfe, CD.Cause ofstroke recurrence is multifactorial:patterns,risk factors, and outcomes ofstroke recurrence in the South London Stroke Register Stroke；a journal ofcerebral circulation.2003；34(6):1457-1463.
6.Mohan,KM,Crichton,SL,Grieve,AP,Rudd,AG,Wolfe, CD,Heuschmann,PU.Frequency and predictors for the risk of stroke recurrence up to 10yearsafter stroke:the South London Stroke Register Journal of neurology,neurosurgery,and psychiatry.2009；80(9): 1012-1018.
7.Xu,G,Liu,X,Wu,W,Zhang,R,Yin,Q.Recurrence after ischemic stroke inchinese patients:impact of uncontrolled modifiable risk factorsCerebrovascular diseases(Basel,Switzerland).2007；23(2-3): 117-120.
8.Muscari,A,Puddu,GM,Santoro,N,Zoli,M.A simple scoring system foroutcome prediction of ischemic stroke Acta neurologica Scandinavica.2011；124(5):334-342.
9.El-Saed,A,Kuller,LH,Newman,AB,Lopez,O,Costantino,J, McTigue,K,etal.Geographic variations in stroke incidence and mortality among olderpopulations in four US communities Stroke；a journal of cerebralcirculation.2006；37(8):1975-1979.
10.Laskowitz,DT,Kasner,SE,Saver,J,Remmel,KS,Jauch,EC. Clinicalusefulness of a biomarker-based diagnostic test for acute stroke:theBiomarker Rapid Assessment in Ischemic Injury(BRAIN)study Stroke；a journal ofcerebral circulation.2009；40(1):77-85.
11.Marti-Fabregas,J,Borrell,M,Cocho,D,Belvis,R,Castellanos, M,Montaner,J,et al.Hemostatic markers of recanalization in patients withischemic stroke treated with rt-PA Neurology.2005；65(3):366-370.
12.Vila,N,Castillo,J,Davalos,A,Chamorro,A.Proinflammatory cytokinesand early neurological worsening in ischemic stroke Stroke； a journal ofcerebral circulation.2000；31(10):2325-2329.
13.Whiteley,W,Jackson,C,Lewis,S,Lowe,G,Rumley,A, Sandercock,P,etal.Inflammatory markers and poor outcome after stroke: a prospective cohortstudy and systematic review of interleukin-6 PLoS medicine.2009；6(9):e1000145.
14.Yoon,CW,Kim,SJ,Bang,OY,Chung,CS,Lee,KH,Kim,GM. Premorbid warfarinuse and lower D-dimer levels are associated with a spontaneous earlyimprovement in an atrial fibrillation-related stroke Journal of thrombosisand haemostasis:JTH.2012；10(11):2394-2396.
15.Roldan,V,Marin,F,Muina,B,Torregrosa,JM,Hernandez-Romero, D,Valdes,M,et al.Plasma von Willebrand factor levels are an independent risk factorfor adverse events including mortality and major bleeding in anticoagulatedatrial fibrillation patients Journal of the American College ofCardiology.2011；57(25):2496-2504.
16.Motoki,H,Tomita,T,Aizawa,K,Kasai,H,Izawa,A,Kumazaki, S,etal.Coagulation activity is increased in the left atria of patients withparoxysmal atrial fibrillation during the non-paroxysmal period. Comparisonwith chronic atrial fibrillation Circulation journal: official journal of theJapanese Circulation Society.2009；73(8): 1403-1407.
17.Kang,DW,Yoo,SH,Chun,S,Kwon,KY,Kwon,SU,Koh,JY,et al. Inflammatoryand hemostatic biomarkers associated with early recurrent ischemic lesions inacute ischemic stroke Stroke；a journal of cerebral circulation.2009；40(5):1653-1658.
18.Malik,R,Chauhan,G,Traylor,M,Sargurupremraj,M,Okada, Y,Mishra,A,etal.Multiancestry genome-wide association study of 520,000 subjects identifies32 loci associated with stroke and stroke subtypes Nat Genet.2018；50(4):524-537.
19.Yugi,K,Kubota,H,Hatano,A,Kuroda,S.Trans-Omics:How To ReconstructBiochemical Networks Across Multiple'Omic'Layers Trends Biotechnol.2016；34(4):276-290.
20.Aslibekyan,S,Agha,G,Colicino,E,Do,AN,Lahti,J,Ligthart, S,etal.Association of Methylation Signals With Incident Coronary Heart Disease inan Epigenome-Wide Assessment of Circulating Tumor Necrosis Factor alpha JAMACardiol.2018；3(6):463-472.
21.Huang,X,Li,S,Ni,P,Gao,Y,Jiang,B,Zhou,Z,et al.Rapid response tochanging environments during biological invasions:DNA methylationperspectives Mol Ecol.2017；26(23):6621-6633.
22.Hannon,E,Spiers,H,Viana,J,Pidsley,R,Burrage,J,Murphy, TM,etal.Methylation QTLs in the developing brain and their enrichment inschizophrenia risk loci Nat Neurosci.2016；19(1):48-54.
23.Ng,B,White,CC,Klein,HU,Sieberts,SK,McCabe,C,Patrick, E,et al.AnxQTL map integrates the genetic architecture of the human brain'stranscriptome and epigenome Nat Neurosci.2017；20(10): 1418-1426.
24.Hannon,E,Dempster,E,Viana,J,Burrage,J,Smith,AR, Macdonald,R,etal.An integrated genetic-epigenetic analysis of schizophrenia:evidence forco-local ization of genetic associations and differential DNA methylationGenome Biol.2016；17(1):176.
25.Zhao,H,Han,Z,Ji,X,Luo,Y.Epigenetic Regulation of Oxidative Stressin Ischemic Stroke Aging Dis.2016；7(3):295-306.
26.Davis Armstrong,NM,Chen,WM,Brewer,MS,Williams,SR,Sale, MM,Worrall,BB,et al.Epigenome-Wide Analyses Identify Two Novel Associations WithRecurrent Stroke in the Vitamin Intervention for Stroke Prevention ClinicalTrial Front Genet.2018；9:358.
27.Gomez-Uriz,AM,Milagro,FI,Mansego,ML,Cordero,P,Abete, I,De Arce,A,et al.Obesity and ischemic stroke modulate the methylation levels of KCNQ1 inwhite blood cells Hum Mol Genet.2015；24(5): 1432-1440.
28.Soriano-Tarraga,C,Mola-Caminal,M,Giralt-Steinhauer,E,Ois, A,Rodriguez-Campello,A,Cuadrado-Godia,E,et al.Biological age is better thanchronological as predictor of 3-month outcome in ischemic strokeNeurology.2017；89(8):830-836.
29.Gallego-Fabrega,C,Carrera,C,Reny,JL,Fontana,P,Slowik, A,Pera,J,etal.PPM1A Methylation Is Associated With Vascular Recurrence in Aspirin-Treated Patients Stroke.2016；47(7):1926-1929.
30.Lackland,DT,Roccella,EJ,Deutsch,AF,Fornage,M,George, MG,Howard,G,et al.Factors influencing the decline in stroke mortality: a statement fromthe American Heart Association/American Stroke Association Stroke；a journalof cerebral circulation.2014；45(1): 315-353.
31.Kernan,WN,Ovbiagele,B,Black,HR,Bravata,DM,Chimowitz, MI,Ezekowitz,MD,et al.Guidelines for the prevention of stroke in patients with stroke andtransient ischemic attack:a guideline for healthcare professionals from theAmerican Heart Association/American Stroke Association Stroke；a journal ofcerebral circulation.2014； 45(7):2160-2236.
32.Kim,SJ,Moon,GJ,Bang,OY.Biomarkers for stroke Journal ofstroke.2013；15(1):27-37.
33.Kalow,W,Tang,BK,Endrenyi,L.Hypothesis:comparisons of inter-andintra-individual variations can substitute for twin studies in drug researchPharmacogenetics.1998；8(4):283-289.
34.Zhang,Z,Xu,G,Zhu,W,Cao,L,Bai,W,Xiong,Y,et al. Chromosome 12p13variants predict recurrence of ischaemic stroke in a Chinese populationEuropean journal of neurology:the official journal of the European Federationof Neurological Societies.2014；21(11): 1400-1405.
35.Zhang,Z,Xu,G,Zhu,W,Cao,L,Yan,B,Liu,X.PRKCH 1425G/A PolymorphismPredicts Recurrence of Ischemic Stroke in a Chinese Population Molecularneurobiology.2014.
36.Siironen,J,Juvela,S,Kanarek,K,Vilkki,J,Hernesniemi, J,Lappalainen,J.The Met allele of the BDNF Val66Met polymorphism predicts poor outcomeamong survivors of aneurysmal subarachnoid hemorrhage Stroke；a journal ofcerebral circulation.2007；38(10): 2858-2860.
37.Cheeran,B,Talelli,P,Mori,F,Koch,G,Suppa,A,Edwards, M,et al.Acommon polymorphism in the brain-derived neurotrophic factor gene(BDNF)modulates human cortical plasticity and the response to rTMS The Journal ofphysiology.2008；586(Pt 23):5717-5725.
38.Higashi,MK,Veenstra,DL,Kondo,LM,Wittkowsky,AK, Srinouanprachanh,SL,Farin,FM,et al.Association between CYP2C9 genetic variants andanticoagulation-related outcomes during warfarin therapy Jama.2002；287(13):1690-1698.
39.Sconce,EA,Khan,TI,Wynne,HA,Avery,P,Monkhouse,L,King, BP,et al.Theimpact of CYP2C9 and VKORC1 genetic polymorphism and patient characteristicsupon warfarin dose requirements:proposal for a new dosing regimen Blood.2005；106(7):2329-2333.
40.Park,SM,Lee,JK,Chun,SI,Lee,HI,Kwon,SU,Kang,DW,et al.VKORC1 andCYP2C9 Genotype Variations in Relation to Warfarin Dosing in Korean StrokePatients Journal of stroke.2013；15(2):115-121.
Cox回归是一种多因素生存数据分析方法，主要用于探寻疾病预后的影响因素，在脑卒中疾病再发风险的预测起着非常重要的作用[1]。许多研究结合传统的危险因素，根据Cox模型开发有效的量表，如ESSEN脑卒中风险量表(Essen Stroke Risk Score,ESRS)[2]、脑卒中预测工具Ⅱ(Stroke Prognostic InstrumentⅡ,SPI-Ⅱ)量表[3]和90天脑卒中复发风险评分量表(recurrence risk estimator at 90days，RRE-90)[4]等，来鉴别高危脑卒中复发人群。研究者也提出了许多基于Cox模型的变量筛选和建模方法，最常用的有Ridge 回归[5]、Lasso回归法[6]和弹性网技术[7](Elastic Net,EN)。对于高维的生存数据的处理，Lasso Cox回归和Ridge Cox回归是常用的方法。
参考文献
1.Cox,DR.Regression Models and Life Tables Journal of the RoyalStatistical Society.1972；34:187-220.
2.Weimar,C,Diener,HC,Alberts,MJ,Steg,PG,Bhatt,DL,Wilson, PW,et al.TheEssen stroke risk score predicts recurrent cardiovascular events:a validationwithin the REduction of Atherothrombosis for Continued Health(REACH)registryStroke；a journal of cerebral circulation.2009；40(2):350-354.
3.Navi,BB,Kamel,H,Sidney,S,Klingman,JG,Nguyen-Huynh, MN,Johnston,SC.Validation of the Stroke Prognostic Instrument-II in a large,modern,community-based cohort of ischemic stroke survivors Stroke；a journal ofcerebral circulation.2011；42(12):3392-3396.
4.Ay,H,Gungor,L,Arsava,EM,Rosand,J,Vangel,M,Benner,T, et al.A scoreto predict early risk of recurrence after ischemic stroke Neurology.2010；74(2):128-135.
5.Friedman,J,Hastie,T,Tibshirani,R.Regularization Paths forGeneralized Linear Models via Coordinate Descent.J Stat Softw.2010； 33(1):1-22.
6.Tibshirani,R.The lasso method for variable selection in the Coxmodel Statistics in medicine.1997；16(4):385-395.
7.Zou,H,Hastie,T.Regularization and variable selection via theelastic net J.R.Stat.Soc.Ser.B-Stat.Methodol.2005；67:301-320.
传统技术存在以下技术问题：
许多传统的针对各种慢性疾病临床预后因素和预测方法已经应用多年，然而这些方法预测精度普遍不高[1,2]。其主要原因是没有全面考虑个体的遗传信息。已有的统计方法学研究表明：整合临床和遗传数据往往能提高预测能力，然而与仅仅利用传统临床因素的模型相比，预测能力并没有显著提高[1]。现代分子遗传学的发展使得人们更容易获得基因组学的生物大数据，由此，也为寻找新的脑卒中不良结局生物标记物和建立准确的风险预测模型提供了难得的机会。但是，我们仍面临着的巨大挑战，其中包括：1)如何在海量的候选标记中筛选预测性较强的临床指标和分子标志物；2)如何精确估计这些预后因子的作用；3)如何将众多的预测因子整合到精确的预测模型中。
基因组学的高维数据通常存在变量多、噪声大和变量之间存在多重共线性等特点。同时，变量间包含具有相似生物学功能注释的基因模块和复杂的基因信息关联网络。这种高维数据给统计分析工作带来了前所未有的困难。首先，数以万计的预测变量不可能都与结局相关；其次，当预测变量个数太大时，很容易导致过拟合。将高维数据降到低维，从众多原始变量中得到那些最能反映分类本质的变量或特征，可以有效的降低模型的复杂度和减少运算量，并有利于数据可视化和对数据的理解。
降维主要有特征提取和特征筛选两种方式，其中以特征筛选为主。目前特征筛选方法大致可分为三类：过滤法，包裹法和嵌入法[3]。过滤法优势在于计算简便、速度快，常用的方法包括t检验、SAM、AUC等；缺点是仅考虑了单个变量的作用，而忽略了变量间的联合作用。近年来一些多变量的过滤法被相继提出，但只能在一定程度上包含变量间的相互作用。包裹法多使用遗传算法作为搜索策略。该方法在变量筛选的过程中，考虑了变量间的相互关系，缺点是容易出现过拟合和运算效率低。嵌入法的核心则是将分类模型的建立与变量选择结合在一起。变量的重要性评价根据判别模型的算法实现，在建立模型的同时，即可给出各变量的重要性得分，如随机森林的VIM评分。相比较于前两种算法，嵌入式算法的优势在于考虑了变量间的相关性，同时要比包裹法省时，不易出现过拟合。但是这类方法不能直接估计参数及其置信区间，也就不能确定预测因子对应变量相关程度[4]。
由于模型不可识别和过拟合问题，经典的Cox回归往往不能分析高维数据。 LassoCox称为L1惩罚Cox模型，因此能够使许多回归系数的效应压缩到0，从而进行变量的筛选[5]，但也排除了很多对预测有作用的微小效应[6,7]。如果预测因子的数量较少(如变量<2000)或者已知某些预测因子是非常重要， Lasso也许就不适合解决这些问题。另外，Lasso只能提供参数的点估计，尽管区间估计的方法可以采用bootstrap的方法获得，但其存在计算量大、估计不稳定等缺点[8]。Ridge Cox回归叫L2惩罚Cox模型，虽然模型精度较高，但是Ridge回归不能降维，从而无法提供稀疏的预测模型[9]。将弹性网技术 (Elastic Net,EN)用于Cox模型分析中叫EN-Cox模型，其巧妙地将Ridge 回归和Lasso有效结合，经过将两者的惩罚项结合，完善Ridge回归和进行变量筛选[10]。但当遇到超高维数据时(维度P相对于n极其大时)，这些方法的计算效能会降低，运算时间将大大延长[11]。
参考文献
1.Barillot,E,Calzone,L,Hupe,P,Vert,JP,Zinovyev,A. ComputationalSystems Biology of Cancer(Chapman&Hall/CRC Mathematical &ComputationalBiology,2012).
2.Muscari,A,Puddu,GM,Santoro,N,Zoli,M.A simple scoring system foroutcome prediction of ischemic stroke Acta neurologica Scandinavica.2011；124(5):334-342.
3.Saeys,Y,Inza,I,Larranaga,P.A review of feature selection techniquesin bioinformatics Bioinformatics.2007；23(19):2507-2517.
4.Janitza,S,Strobl,C,Boulesteix,AL.An AUC-based permutation variableimportance measure for random forests BMC Bioinformatics.2013； 14:119.
5.Tibshirani,R.The lasso method for variable selection in the Coxmodel Stat Med.1997；16(4):385-395.
6.Friedman,J,Hastie,T,Tibshirani,R.Regularization Paths forGeneralized Linear Models via Coordinate Descent.J Stat Softw.2010； 33(1):1-22.
7.Efron,B,Hastie,T,Johnstone,I,Tibshirani,R.Vol.32, 407-451(TheAnnals of Statistics 2004).
8.Kyung,M,Gill,J,Ghosh,M,Casella,G.Penalized Regression, StandardErrors,and Bayesian Lassos Bayesian Analysis.2010；5: 369-412.
9.Verweij,PJ,Van Houwelingen,HC.Penalized likelihood in Coxregression Statistics in medicine.1994；13(23-24):2427-2436.
10.Zou,H,Hastie,T.Regularization and variable selection via theelastic net J.R.Stat.Soc.Ser.B-Stat.Methodol.2005；67:301-320.
11.Fan,JQ,Lv,JC.Sure independence screening for ultrahigh dimensionalfeature space J.R.Stat.Soc.Ser.B-Stat.Methodol.2008； 70:849-883.
发明内容
本发明要解决的技术问题是提供一种整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，最近，基于贝叶斯理论的方法成为研究热点。与其他方法不同，贝叶斯方法能够整合各类先验分布，同时处理多种不确定问题，在模型估计中引入先验信息降低模型估计的复杂性。我们团队结合队列研究中常见的生存时间数据类型，基于贝叶斯广义线性模型[1-5]和Cox模型，提出贝叶斯多水平生存分析模型(Bayesian hierarchicalsurvival models)，改进期望极大算法的迭代加权最小平方法算法(expectation-maximization based iteratively weighted least squares，EM-IWLS)，将微小效应和先验信息有机地结合到预测模型之中。同时将分析交互作用的效应遗传原则[6](effectheredityprinciple，即重要的主效应预测因子更有可能存在明显交互作用)整合到模型估计中，以更加准确地估计主效应和交互作用，进而改善预后预测效果。新提出的贝叶斯多水平生存分析模型具有以下优势：1)Lasso及其改进算法可以表达成多水平模型，该方法可以看作是我们提出的多水平模型的一个特例；2)能够更加高效地处理多水平结构特征的数据及先验信息，尤其是不同基因模块重叠时；3)可以从数据中直接估计压缩参数，而不是像其他惩罚法那样使用交叉验证预先估计压缩参数；4)不仅可以提供效应的点估计，而且能估计标准误和置信区间； 5)该模型所运用的新的EM-IWLS算法灵活高效。表观遗传因素是很好的缺血性脑卒中不良结局预测因子。本发明结合脑卒中患者的临床数据、血液中生物学指标和表观遗传数据建立缺血性脑卒中不良结局风险预测模型。在贝叶斯多水平模型和Cox模型的基础上，整合并引入表观遗传因素，构建新的不良结局风险预测模型并检验模型的准确性和有效性。
为了解决上述技术问题，本发明提供了一种整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，包括：所述计算机，所述计算机被编程以便执行如下步骤：
构建多水平贝叶斯广义线性回归模型
其中，h(t，X)为比例风险模型以风险率函数，t为时间，X为自变量(预测指标)，h0(t)为所有自变量为0时的基础风险率，
和
表示脑卒中遗传因素和相应的参数，exp()为指数函数；通过选择合适的先验分布，脑子中相关遗传变异微小效应的估计和已有的脑卒中生物学先验信息的整合；
多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计。
在其中一个实施例中，采用多水平柯西分布和双指数分布作为各个参数先验分布，两种先验分布的表达形式分别为：
βj为多水平贝叶斯广义线性回归模型中各系数的参数，N()为正态分布， Inv-χ2()为逆卡方分布，Gamma()为伽马分布，
b-1，b为对应各分布的参数。
在其中一个实施例中，多水平贝叶斯广义线性回归模型拟合应用BhGLM软件包中的bcoxph函数来完成。
在其中一个实施例中，多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计具体包括：在期望步(E-step)，基于当前的参数值，获得先验分布超参数的极大似然估计，在极大步(M-step)，以期望步获得的超参数估计为基础，通过IWLS进行各个效应参数值的估计，如此反复迭代直至收敛，最终获得各效应参数的准确估计。
在其中一个实施例中，或者通过Newton-Raphson迭代算法进行各个效应参数值的估计。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
构建多水平贝叶斯广义线性回归模型
其中，h(t，X)为比例风险模型以风险率函数，t为时间，X为自变量(预测指标)，h0(t)为所有自变量为0时的基础风险率，
和表示脑卒中遗传因素和相应的参数，exp()为指数函数；通过选择合适的先验分布，脑子中相关遗传变异微小效应的估计和已有的脑卒中生物学先验信息的整合；
多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计。
在其中一个实施例中，采用多水平柯西分布和双指数分布作为各个参数先验分布，两种先验分布的表达形式分别为：
βj为多水平贝叶斯广义线性回归模型中各系数的参数，N()为正态分布， Inv-χ2()为逆卡方分布，Gamma()为伽马分布，
b-1，b为对应各分布的参数。
在其中一个实施例中，多水平贝叶斯广义线性回归模型拟合应用BhGLM 软件包中的bcoxph函数来完成。
在其中一个实施例中，多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计具体包括：在期望步(E-step)，基于当前的参数值，获得先验分布超参数的极大似然估计，在极大步(M-step)，以期望步获得的超参数估计为基础，通过IWLS迭代算法进行各个效应参数值的估计，如此反复迭代直至收敛，最终获得各效应参数的准确估计。
在其中一个实施例中，或者通过Newton-Raphson迭代算法进行各个效应参数值的估计。
在其中一个实施例中，
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
利用本发明构建的缺血性脑卒中不良结局风险分析新方法，对基于缺血性脑卒中相关遗传与环境高维的实际数据进行分析，验证方法的实用性，并与现有常用方法进行比较，展示新方法的优势。应用多水平贝叶斯Cox模型构建的只包含传统危险因素的缺血性脑卒中发病后3个月内死亡风险预测模型的C index为0.734(标准差0.003)。应用多水平贝叶斯Cox模型构建的包含传统危险因素和Mscore的缺血性脑卒中发病后3个月内死亡风险预测模型的C index 为0.830(标准差0.003)。因此，合并传统危险因素和DNA甲基化水平的多水平贝叶斯风险预测模型具有较高的C index，故而优于传统模型。通过有效的应用，阐明现有基于表观遗传与环境因素数据对缺血性脑卒中不良结局风险预测的效力,明确影响缺血性脑卒中不良结局的危险因素构成,为缺血性脑卒中二级预防和个体化治疗提供科学依据。
附图说明
图1是本发明整合表观遗传因素的缺血性脑卒中不良结局风险预测中的技术路线图。
图2是本发明整合表观遗传因素的缺血性脑卒中不良结局风险预测中的 AMH基因不同甲基化水平组个体的生存率示意图。
图3是本发明整合表观遗传因素的缺血性脑卒中不良结局风险预测中的C1orf82基因不同甲基化水平组个体的生存率示意图。
图4是本发明整合表观遗传因素的缺血性脑卒中不良结局风险预测中的 PRDM6基因不同甲基化水平组个体的生存率示意图。
图5是本发明整合表观遗传因素的缺血性脑卒中不良结局风险预测中的 SYT7基因不同甲基化水平组个体的生存率示意图。
图6是本发明整合表观遗传因素的缺血性脑卒中不良结局风险预测中的缺血性脑卒中发病后3个月内死亡风险的多水平贝叶斯Cox模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
总体研究方案
本发明结合脑卒中患者的临床数据、血液中生物学指标和表观遗传数据建立缺血性脑卒中不良结局风险预测模型。我们已经完成了3000例缺血性脑卒中病例的临床特征(包括临床表现以及血常规、血糖、血脂、肝功能指标、肾功能指标、心功能指标、凝血功能和电解质等检验指标)、临床用药、疾病史、心脑血管病家族史、生活方式危险因素的收集以及维生素D、抗磷脂抗体和10 种炎症标志物的检测；已经完成3000例缺血性脑卒中病例的发病后3个月的随访工作，获得了不良结局的相关资料。同时获得了所有患者的DNA标本。前期研究中我们已经发现了缺血性脑卒中不良结局相关的基因甲基化位点。本发明应用
多重目的区域甲基化富集测序技术，检测DNA甲基化水平。在贝叶斯多水平模型和Cox模型的基础上，整合并引入表观遗传因素，构建新的不良结局风险预测模型并检验模型的准确性和有效性。
步骤一DNA甲基化测序
应用
技术进行了相关基因启动子区域的DNA甲基化测序，以探索基因甲基化与缺血性脑卒中不良结局的关联。DNA标本进行浓度和纯度检测，要求浓度≥20ng/μL，总DNA量≥1μg，OD260/280＝1.7～2.0， OD260/230≥1.8。符合质量要求的DNA标本经重亚硫酸盐处理后，非甲基化的胞嘧啶转变为尿嘧啶,而甲基化的胞嘧啶保持不变。应用
多重目的区域甲基化富集测序技术，检测DNA甲基化水平。该方法结合目的区域富集和二代测序技术，实现对多个特定CpG岛同时捕获序列，通量高，～500×的测序深度，在大幅度降低研究费用的同时实现个性化目的区域测序检测，具有检测基因针对性和大样本可行性等优点，适用于大样本多基因的目的区域 DNA甲基化水平检测。每个DNA样本经过重亚硫酸盐处理后检测目的基因片段越多，则每样本每基因片段的检测单价越低。
步骤二数据整理及初步分析
根据测序获得的甲基化位点reads数计算该位点的甲基化水平(即甲基化程度)。甲基化水平＝该位点甲基化(检测到碱基C)的reads数/该位点总的 reads数。DNA甲基化水平是连续变量(取值范围从0到1)。基因的甲基化水平用所在基因检测的甲基化位点水平的平均值来估计。应用t检验或非参数检验比较两组甲基化水平的差异。Logistic回归分析甲基化水平与不良结局的关联，计算比值比(odds ratio，OR)和相应的95％可信区间(confidence interval，CI)。在关联分析中校正年龄、性别、吸烟、饮酒和血脂等变量，计算多因素调整的OR值及相应的95％CI。将个体按照DNA甲基化水平三分位数进行分组，应用Cox比例分析回归模型(Cox proportional hazards model)评估不同DNA 甲基化水平下个体的死亡风险，并绘制生存曲线，应用Mantel-Haenszel检验不同DNA甲基化水平组个体生存率的差异。患者死亡时间根据死亡证明来确定。应用R语言软件完成，统计检验显著性阈值为0.05。
步骤三构建多水平贝叶斯风险预测模型
3.1资料与方法
本发明应用多水平贝叶斯Cox模型(R语言BhGLM软件包)，在队列随访数据中构建包含缺血性脑卒中不良结局相关的表观遗传因素、人口统计学、生活方式和血清生化指标的脑卒中风险预测模型，建立风险评估系统。相比经典 Cox、Lasso Cox和Ridge Cox回归模型，多水平贝叶斯生存分析模型能够更加高效地处理多水平结构特征的数据及先验信息；可以从数据中直接估计压缩 (Shrinkage)参数，而不是像其他惩罚法那样使用交叉验证预先估计压缩参数；不仅可以提供效应的点估计，而且能估计标准误和置信区间。
3.2风险预测模型构建
在此模型中，自变量不仅包括传统危险因素，也包括基因组学数据，据此，本发明构建不良结局风险预测模型表达如下：
其中，h(t，X)为比例风险模型以风险率函数，t为时间，X为自变量(预测指标)，h0(t)为所有自变量为0时的基础风险率，
和
表示脑卒中遗传因素和相应的参数，exp()为指数函数。需要说明的是，本发明构建的缺血性脑卒中不良结局风险预测模型将以多水平贝叶斯广义线性回归模型为框架，通过选择合适的先验分布，脑子中相关遗传变异微小效应的估计和已有的脑卒中生物学先验信息的整合。模型拟合应用BhGLM软件包中的bcoxph函数来完成。模型构建的思路如下：
本发明采用多水平柯西分布和双指数分布作为各个参数先验分布，这种先验分布的特点是在特定的参数设置下，能够使得回归模型演变为多种经典回归模型，因此对于各类参数的估计将更具有优势。此外，通过这种先验分布，对参数给予了较小的压缩，因此能够实现小效应参数的估计。两种先验分布的表达形式分别为：
βj为多水平贝叶斯广义线性回归模型中各系数的参数，N()为正态分布， Inv-χ2()为逆卡方分布，Gamma()为伽马分布，
b-1，b为对应各分布的参数。
3.3参数拟合算法
本发明在多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计。该算法灵活高效，基本思路是：在期望步(E-step)，基于当前的参数值，获得先验分布超参数的极大似然估计，在极大步(M-step)，以期望步获得的超参数估计为基础，通过常用的IWLS或Newton-Raphson迭代算法进行各个效应参数值的估计，如此反复迭代直至收敛，最终获得各效应参数的准确估计。
3.4模型预测效能评价方法
本发明采用十折交叉验证(10-fold cross-validation)，即将数据集等分成10份，轮流将其中9份作为训练数据，进行模型构建，另外1份作为测试数据，用模型预测的发病，与实际发病进行比较，据此评价模型预测的效能。交叉验证应用BhGLM软件包中的cv.bh函数来完成。对每个模型计算C统计量 (C index)，C统计量值最大者为最优模型。
在以往国家自然科学基金面上项目(编号：81172761)的支持下，我们已经完成了3000例缺血性脑卒中病例的临床特征(包括临床表现以及血常规、血糖、血脂、肝功能指标、肾功能指标、心功能指标、凝血功能和电解质等检验指标)、临床用药、疾病史、心脑血管病家族史、生活方式危险因素等资料的收集以及维生素D、4种抗磷脂抗体和10种炎症标志物的检测。保存所有3000 例病例的血清(血浆)和DNA标本。
步骤一DNA甲基化测序
对样本进行浓度和纯度检测，筛选到达测序要求的DNA标本。我们筛选了 1,207例缺血性脑卒中患者的DNA标本，应用
技术进行了相关基因启动子区域的DNA甲基化测序。测序的基因包括AMH，C1orf82，HDAC9，IGFBP3， LRRC10B，PDE3A，PRDM6，SYT7，TBX2和TTBK1。对这10个基因进行基因组序列评估并设计对应引物，测序获得了377个DNA甲基化位点的数据。
步骤二数据整理及初步分析
对所有患者样品测序获得的377个DNA甲基化位点的数据进行质量评估，筛选出有效reads数，计算每个样品的每个位点的甲基化水平，并结合临床表型数据进行分析。1,207例缺血性脑卒中患者在发病3个月内共发生不良结局事件患者有490例，其中发生460例残疾，16例死亡。
应用logistic回归分析发现AMH，C1orf82，IGFBP3，PDE3A，PRDM6和 SYT7基因的甲基化水平与缺血性脑卒中患者3个月内死亡或残疾相关联(表1)，也与缺血性脑卒中患者3个月内发生不良结局事件相关联(表2)。
表1 DNA甲基化与3个月内残疾或死亡的关联
CI:置信区间(Confidence interval)；OR:比值比(Odds ratio).
表2 DNA甲基化与3个月内发生不良结局事件的关联
CI:置信区间(Confidence interval)；OR:比值比(Odds ratio).
应用Cox比例分析回归模型分析发现AMH，C1orf82，PDE3A，PRDM6 和SYT7基因的甲基化水平与3个月内的死亡风险显著相关(表3)。从风险比值来看，这些基因的甲基化水平越高，患者在3个月内死亡的风险越低。
表3 DNA甲基化与3个月内死亡风险的关联
CI:置信区间(Confidence interval)；HR:风险比(Hazard ratio)。
已校正自变量
生存曲线分析也发现AMH，C1orf82，PRDM6和SYT7基因甲基化水平与死亡分析的关系。
四个基因甲基化水平按三分位分组，AMH(图2)，C1orf82(图3)，PDE3A (图4)和SYT7(图5)基因甲基化水平最高组具有最高的生存率，即这些基因的甲基化水平越高，患者在3个月内死亡的风险越低，生存率越高。
应用Cox比例分析回归模型分析发现与3个月内的死亡风险显著相关的非遗传因素包括NIH评分(NIHscore)和年龄。而其他因素如性别、发病到入院间隔时间、血压、血脂、血糖水平、血小板计数、红细胞计数、白细胞计数、糖化血红蛋白、体重指数、吸烟和饮酒等与缺血性脑卒中发病后3个月内的死亡风险没有显著关联。
步骤三构建多水平贝叶斯风险预测模型
应用多水平贝叶斯Cox模型(R语言BhGLM软件包)，在缺血性脑卒中患者随访数据中构建包含缺血性脑卒中不良结局相关的表观遗传因素、NIH评分和年龄的缺血性脑卒中发病后3个月内的死亡风险预测模型，建立风险评估系统。在模型中，将与缺血性脑卒中发病后3个月内的死亡风险相关的甲基化位点的水平取平均值，构建缺血性脑卒中发病后3个月内的死亡风险甲基化得分 (Mscore)。应用多水平贝叶斯Cox模型构建包含NIH评分、年龄和Mscore的死亡风险预测模型，三个因素在模型中具有意义(表4，图6)。
表4缺血性脑卒中发病后3个月内死亡风险的多水平贝叶斯Cox模型参数
CI:置信区间(Confidence interval)；HR:风险比(Hazard ratio)。
已校正自变量
十折交叉验证发现，应用多水平贝叶斯Cox模型构建的只包含传统危险因素的缺血性脑卒中发病后3个月内死亡风险预测模型的C index为0.734(标准差0.003)。应用多水平贝叶斯Cox模型构建的包含传统危险因素和Mscore的缺血性脑卒中发病后3个月内死亡风险预测模型的C index为0.830(标准差0.003)。因此，合并传统危险因素和DNA甲基化水平的多水平贝叶斯风险预测模型具有较高的C index，故而优于传统模型。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，其特征在于，包括：所述计算机，所述计算机被编程以便执行如下步骤：
构建多水平贝叶斯广义线性回归模型
其中，h(t，X)为比例风险模型以风险率函数，t为时间，X为自变量(预测指标)，h0(t)为所有自变量为0时的基础风险率，
和
表示脑卒中遗传因素和相应的参数，exp()为指数函数；通过选择合适的先验分布，脑子中相关遗传变异微小效应的估计和已有的脑卒中生物学先验信息的整合；
多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计。
2.如权利要求1所述的整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，其特征在于，采用多水平柯西分布和双指数分布作为各个参数先验分布，两种先验分布的表达形式分别为：
βj为多水平贝叶斯广义线性回归模型中各系数的参数，N()为正态分布，Inv-χ2()为逆卡方分布，Gamma()为伽马分布，τj 2，
b-1，b为对应各分布的参数。
3.如权利要求1所述的整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，其特征在于，多水平贝叶斯广义线性回归模型拟合应用BhGLM软件包中的bcoxph函数来完成。
4.如权利要求1所述的整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，其特征在于，多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计具体包括：在期望步(E-step)，基于当前的参数值，获得先验分布超参数的极大似然估计，在极大步(M-step)，以期望步获得的超参数估计为基础，通过IWLS进行各个效应参数值的估计，如此反复迭代直至收敛，最终获得各效应参数的准确估计。
5.如权利要求4所述的整合表观遗传因素的缺血性脑卒中不良结局风险预测装置，其特征在于，或者通过Newton-Raphson迭代算法进行各个效应参数值的估计。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如下步骤：
构建多水平贝叶斯广义线性回归模型
其中，h(t，X)为比例风险模型以风险率函数，t为时间，X为自变量(预测指标)，h0(t)为所有自变量为0时的基础风险率，
和表示脑卒中遗传因素和相应的参数，exp()为指数函数；通过选择合适的先验分布，脑子中相关遗传变异微小效应的估计和已有的脑卒中生物学先验信息的整合；
多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计。
7.根据权利要求6所述的计算机可读存储介质，其特征在于，采用多水平柯西分布和双指数分布作为各个参数先验分布，两种先验分布的表达形式分别为：
βj为多水平贝叶斯广义线性回归模型中各系数的参数，N()为正态分布，Inv-χ2()为逆卡方分布，Gamma()为伽马分布，τj 2，
b-1，b为对应各分布的参数。
8.根据权利要求6所述的计算机可读存储介质，其特征在于，多水平贝叶斯广义线性回归模型拟合应用BhGLM软件包中的bcoxph函数来完成。
9.根据权利要求6所述的计算机可读存储介质，其特征在于，多水平贝叶斯Cox模型中采用EM-IWLS方法进行相应参数估计具体包括：在期望步(E-step)，基于当前的参数值，获得先验分布超参数的极大似然估计，在极大步(M-step)，以期望步获得的超参数估计为基础，通过IWLS迭代算法进行各个效应参数值的估计，如此反复迭代直至收敛，最终获得各效应参数的准确估计。
10.根据权利要求9所述的计算机可读存储介质，其特征在于，或者通过Newton-Raphson迭代算法进行各个效应参数值的估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013454.1A CN110797120A (zh) | 2019-10-23 | 2019-10-23 | 整合表观遗传因素的缺血性脑卒中不良结局风险预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911013454.1A CN110797120A (zh) | 2019-10-23 | 2019-10-23 | 整合表观遗传因素的缺血性脑卒中不良结局风险预测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110797120A true CN110797120A (zh) | 2020-02-14 |
Family
ID=69441024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911013454.1A Pending CN110797120A (zh) | 2019-10-23 | 2019-10-23 | 整合表观遗传因素的缺血性脑卒中不良结局风险预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110797120A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111816319A (zh) * | 2020-07-16 | 2020-10-23 | 山东大学 | 逐步筛选的泌尿系统重疾指标确定方法及风险预测系统 |
| US11686880B2 (en) | 2019-03-27 | 2023-06-27 | Climate Llc | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5376795A (en) * | 1990-07-09 | 1994-12-27 | Regents Of The University Of California | Emission-transmission imaging system using single energy and dual energy transmission and radionuclide emission data |
| CN102257386A (zh) * | 2008-10-24 | 2011-11-23 | B.R.A.H.M.S有限公司 | 通过测定标志肽的水平在中风患者中进行预后和风险评估 |
| CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
-
2019
- 2019-10-23 CN CN201911013454.1A patent/CN110797120A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5376795A (en) * | 1990-07-09 | 1994-12-27 | Regents Of The University Of California | Emission-transmission imaging system using single energy and dual energy transmission and radionuclide emission data |
| CN102257386A (zh) * | 2008-10-24 | 2011-11-23 | B.R.A.H.M.S有限公司 | 通过测定标志肽的水平在中风患者中进行预后和风险评估 |
| CN105678104A (zh) * | 2016-04-06 | 2016-06-15 | 电子科技大学成都研究院 | 一种基于Cox回归模型的老人健康数据分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| YI NENGJUN, ET AL.: "BhGLM: Bayesian hierarchical GLMs and survival models, with applications to genomics and epidemiology", 《BIOINFORMATICS》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11686880B2 (en) | 2019-03-27 | 2023-06-27 | Climate Llc | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making |
| CN111816319A (zh) * | 2020-07-16 | 2020-10-23 | 山东大学 | 逐步筛选的泌尿系统重疾指标确定方法及风险预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yousefi et al. | DNA methylation-based predictors of health: applications and statistical considerations | |
| Ursini et al. | Convergence of placenta biology and genetic risk for schizophrenia | |
| Ng et al. | An xQTL map integrates the genetic architecture of the human brain's transcriptome and epigenome | |
| Cafiero et al. | Angiotensin system polymorphisms’ in SARS-CoV-2 positive patients: assessment between symptomatic and asymptomatic patients: a pilot study | |
| Tarca et al. | Analysis of microarray experiments of gene expression profiling | |
| Gasparetto et al. | Transcription and DNA methylation patterns of blood-derived CD8+ T cells are associated with age and inflammatory bowel disease but do not predict prognosis | |
| CN105002286A (zh) | 与高血压和/或心血管疾病发病风险相关的多个单核苷酸多态性位点及相关应用 | |
| Baron et al. | Utilization of lymphoblastoid cell lines as a system for the molecular modeling of autism | |
| US20220336043A1 (en) | cfDNA CLASSIFICATION METHOD, APPARATUS AND APPLICATION | |
| CN110797120A (zh) | 整合表观遗传因素的缺血性脑卒中不良结局风险预测装置 | |
| WO2023071877A1 (zh) | 泌尿系统结石术后复发风险预测模型、评估系统及方法 | |
| Xu et al. | Informative priors on fetal fraction increase power of the noninvasive prenatal screen | |
| KR20200107841A (ko) | 환자 전사체 샘플의 유의 유전자 발현 지표 조합 점수 기반 질병 표현형 판별 방법 | |
| Bray et al. | Transethnic and race-stratified genome-wide association study of fibroid characteristics in African American and European American women | |
| JP2024507978A (ja) | 脳卒中の多遺伝子性遺伝的リスクスコア及び発症リスク評価装置並びにその使用 | |
| Cox et al. | GWAS in the SIGNAL/PHARE clinical cohort restricts the association between the FGFR2 locus and estrogen receptor status to HER2-negative breast cancer patients | |
| Bauer et al. | Comparison of genetic risk prediction models to improve prediction of coronary heart disease in two large cohorts of the MONICA/KORA study | |
| Sun et al. | Accurate prediction of acute pancreatitis severity based on genome-wide cell free DNA methylation profiles | |
| Zaccardi et al. | Self-reported walking pace, polygenic risk scores and risk of coronary artery disease in UK biobank | |
| Archer et al. | Pretransplant kidney transcriptome captures intrinsic donor organ quality and predicts 24-month outcomes | |
| He et al. | Genome-Wide Meta-analysis Identifies Risk Loci and Improves Disease Prediction of Age-Related Macular Degeneration | |
| Kloeve-Mogensen et al. | Polygenic risk score prediction for endometriosis | |
| CN116469552A (zh) | 一种用于乳腺癌多基因遗传风险评估的方法和系统 | |
| Sabbagh et al. | Clinico-biological refinement of BCL11B-related disorder and identification of an episignature: A series of 20 unreported individuals | |
| Ding et al. | Power analysis of transcriptome-wide association study: implications for practical protocol choice |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200214 |