CN112185546A - 一种用于乳腺癌患者预后预测的模型及建立方法 - Google Patents
一种用于乳腺癌患者预后预测的模型及建立方法 Download PDFInfo
- Publication number
- CN112185546A CN112185546A CN202011006210.3A CN202011006210A CN112185546A CN 112185546 A CN112185546 A CN 112185546A CN 202011006210 A CN202011006210 A CN 202011006210A CN 112185546 A CN112185546 A CN 112185546A
- Authority
- CN
- China
- Prior art keywords
- model
- breast cancer
- prognosis
- lncrnas
- patients
- 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
- G16H50/20—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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种用于乳腺癌患者预后预测的模型，其特征在于，由十个lncRNAs表达量联合判断。本发明所建立的模型可以更加精准个体化的预测患者的预后，更好的指导临床决策，为患者治疗方案的选择提供参考，减少不必要的治疗，对于乳腺癌的精准诊疗具有重要的意义。鉴于目前的乳腺癌TNM分期系统及分子分型对患者的预后评估能力有限，本发明的提出对使得该方向的研究取得了有效进展。本发明能对患者的预后情况进行精准评估，具有很强的实用性和指导性。
Description
技术领域
本发明属于生物医学技术领域，涉及一种用于乳腺癌患者预后预测的模型及建立方法。
背景技术
乳腺癌是女性最常见的恶性肿瘤。自上世纪 70 年代末，随着生活习惯的改变和人口老龄化的加速，乳腺癌的发病率在世界范围内呈现逐年递增趋势，2018年全球女性乳腺癌新发病例高达 2,088,849 例，占所有新发肿瘤的 11.6%；死亡病例达 626,679 例，占肿瘤死亡病例总数的 6.6%。据我国肿瘤登记中心的统计数据显示，2015年全国约有 26.86万新增乳腺癌女性患者，其发病率约 37.86/10万，高居女性恶性肿瘤榜首。
目前，临床主要沿用肿瘤形态学特征及其病理学分期来判断乳腺癌患者的预后情况，常见指标包括：肿瘤大小、有无淋巴结转移、组织学分级及临床病理分期等。近年来，国内外众多研究团队相继发现，乳腺癌是一类在分子水平上具有高度异质性的恶性肿瘤，这种分子异质性致使不同患者在临床表现、治疗反应和预后生存等方面表现出显著的差异。越来越多的临床病例显示，同一病理类型或临床分期的乳腺癌患者，即使经历相同的临床治疗，其治疗敏感性及生存时间却大不相同，这为乳腺癌的精准诊疗带来了巨大的困难。
随着二代测序等高通量技术的飞速发展，大量与肿瘤发生发展密切相关的长链非编码RNA（lncRNAs）相继被发现。近期，大量研究表明lncRNAs在乳腺癌组织、血液、尿液等体液中呈现特异的时空表达模式，其中部分分子更被应用于肿瘤早期诊断、病情监测及患者预后评估等方面。但目前多数研究注重于单一分子在乳腺癌恶性转化中的作用机制及其作为肿瘤标志物的临床价值。然而，乳腺癌的演进是由多基因经多种方式调控，单个分子对患者预后的预测能力较为有限，如何发现并整合与乳腺癌预后密切相关的多个lncRNAs，对乳腺癌患者预后进行精准判定，以便选择最佳治疗方案，显著提高患者生存率，现已成为临床亟待解决的难题。
发明内容
本发明针对传统单一分子预测能力有限的问题提出一种新型的用于乳腺癌患者预后预测的模型及建立方法。
为了达到上述目的，本发明是采用下述的技术方案实现的：
为了实现上述目的，本发明首先公开了一种用于乳腺癌患者预后预测的模型，其特征在于，包括预后相关lncRNAs：AL138789.1，AL513123.1，LINC00536，BCAR4，AC079414.1，LHX1-DT，AC006262.3，MIR3150BHG，AC105398.1，AL133467.1，序列见序列表。
乳腺癌患者的预后风险由十个lncRNAs的表达量与其相应回归系数的加权之和构成的风险评分进行评估，计算公式为：风险评分=(0.634×表达量AL138789.1)+(0.488×表达量AL513123.1)+(0.254×表达量LINC00536)+(0.262×表达量BCAR4)+(0.825×表达量AC079414.1)+(0.253×表达量LHX1-DT)+(1.115×表达量AC006262.3)+(-0.779×表达量MIR3150BHG)+(-1.414×表达量AC105398.1)+(-0.739×表达量AL133467.1)。
其次本发明提供一种含十个lncRNAs的预测乳腺癌患者预后的模型的建立方法，具体包括以下步骤：
1. 数据获取 从GDC Data Portal (https://portal.gdc.cancer.gov)下载TCGA数据库中1109例乳腺癌患者的临床数据及1109例乳腺癌组织和113例正常乳腺组织的RNA-Seq转录组数据，其中RNA-Seq转录组数据以HT-seq count形式显示。
2. 差异lncRNAs筛选 利用R软件“DESeq2”包筛选出在乳腺癌组织和正常乳腺组织中差异表达的lncRNAs，筛选阈值设置为校正后的P < 0.01和|log2（差异倍数）|>2。
3. 候选预后相关lncRNAs鉴定 利用R软件“survival”和“survminer”软件包进行单因素Cox回归分析、Kaplan-Meier生存分析共同鉴定与患者总生存期具有关联性（P<0.05）的差异表达的lncRNAs作为候选预后相关lncRNAs。
4. 预后风险评分模型的构建 排除临床信息不完整的病例（剩余718例），随机选取 359 例患者作为训练集，718 例乳腺癌样本全部作为验证集。在训练集中，将上述候选预后相关lncRNAs纳入多因素Cox逐步回归分析，通过R软件“survival”和“survminer”包构建lncRNA风险评分模型，公式如下： QUOTE
，其中n表示模型中总的lncRNAs数量，i表示第i个lncRNA。
5. 模型的预后效能评估 在训练集和验证集中，依据风险评分公式计算各患者的风险评分，将患者按风险评分的中位值分为高风险组和低风险组，并且通过Kaplan-Meier生存分析和log-rank检验比较不同风险组患者之间的总生存期是否存在差异，通过R软件“timeROC”包进行时间依赖性ROC曲线分析以评估模型的预测能力。此外，依据常见临床病理参数对验证集内患者进行分层，通过Kaplan-Meier分层生存分析评估该lncRNA风险评分模型在乳腺癌各亚组中的预后预测价值。进一步通过时间依赖性ROC曲线比较模型与TNM分期的预后价值。
6. 统计分析 使用R软件（本发明使用3.5.2 版本）进行统计分析，使用以下软件包： “DESeq2”， “survival”，“survminer”，“timeROC”。
与现有技术相比，本发明的优点和积极效果在于：
1.本发明基于TCGA数据库，通过单因素COX回归分析系统筛选出了乳腺癌预后相关lncRNAs，进一步通过多因素COX逐步回归分析构建了包含十个lncRNAs的预测乳腺癌患者预后的模型。Kaplan-Meier生存分析、时间依赖性ROC曲线均显示模型具有较高的预后预测效能，优于传统的TNM分期，同时此模型能够独立预测乳腺癌不同亚组患者的预后。
2.本发明所建立的模型可以更加精准个体化的预测患者的预后，更好的指导临床决策，为患者治疗方案的选择提供参考，减少不必要的治疗，对于乳腺癌的精准诊疗具有重要的意义。
3. 鉴于目前的乳腺癌TNM分期系统及分子分型对患者的预后评估能力有限，本发明的提出对使得该方向的研究取得了有效进展。本发明能对患者的预后情况进行精准评估，具有很强的实用性和指导性。
附图说明
图1为模型预测训练集中患者的预后情况。其中（A）患者的风险评分分布，生存状态和10种lncRNAs的表达情况。（B）Kaplan-Meier生存分析进行高风险组患者和低风险组患者之间生存率的比较。（C）时间依赖性 ROC 曲线分析评估模型的预测效能。
图2为模型预测验证集中患者的预后情况。其中（A）患者的风险评分分布，生存状态和10种lncRNAs的表达情况。（B）Kaplan-Meier生存分析进行高风险组患者和低风险组患者之间生存率的比较。（C）时间依赖性 ROC 曲线分析评估模型的预测效能。
图3为Kaplan-Meier分层生存分析评估模型的独立预测能力。其中（A）TNM I期亚组。（B）TNM II期亚组。（C）TNM III期亚组。（D）年龄≥ 65亚组。（E）年龄< 65 亚组。（F）ER阴性亚组。（G）ER阳性亚组。（H）PR阴性亚组。（I）PR阳性亚组。（J）HER2 阴性亚组。（K）HER2 阳性亚组。（L）三阴性亚组。（M）非三阴性亚组。
图4为时间依赖性ROC曲线比较模型与TNM分期的预后价值。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体实施例的限制。
实施例1
一种用于乳腺癌患者预后预测的模型及建立方法。
1. 数据获取
从GDC Data Portal (https://portal.gdc.cancer.gov)下载TCGA数据库中1109例乳腺癌患者的临床数据及1109例乳腺癌组织和113例正常乳腺组织的RNA-Seq转录组数据，其中RNA-Seq转录组数据以HT-seq count形式显示。
2. 差异lncRNAs筛选
利用R软件“DESeq2”包筛选出在乳腺癌组织和正常乳腺组织中差异表达的lncRNAs，筛选阈值设置为校正后的P < 0.01和|log2（差异倍数） | > 2。
3. 候选预后相关lncRNAs鉴定
利用R软件“survival”和“survminer”软件包进行单因素Cox回归分析、Kaplan-Meier生存分析共同鉴定与患者总生存期具有关联性（P<0.05）的差异表达的lncRNAs作为候选预后相关lncRNAs。
4. 预后风险评分模型的构建
排除临床信息不完整的病例（剩余718例），随机选取 359 例患者作为训练集，718 例乳腺癌样本作为验证集。在训练集中，将上述候选预后相关lncRNAs纳入多因素Cox逐步回归分析，通过R软件“survival”和“survminer”包构建lncRNA风险评分模型，公式如下：QUOTE 
，其中n表示模型中总的lncRNAs数量，i表示第i个lncRNA。
5. 模型的预后效能评估
在训练集和验证集中，依据风险评分公式计算各患者的风险评分，将患者按风险评分的中位值分为高风险组和低风险组，并且通过Kaplan-Meier生存分析和log-rank检验比较不同风险组患者之间的总生存期是否存在差异，通过R软件“timeROC”包进行时间依赖性ROC曲线分析以评估模型的预测能力。此外，依据常见临床病理参数对验证集内患者进行分层，通过Kaplan-Meier分层生存分析评估该lncRNA风险评分模型在乳腺癌各亚组中的预后预测价值。 进一步通过时间依赖性ROC曲线比较模型与TNM分期的预后价值。
6. 统计分析
使用R软件（3.5.2 版本）进行统计分析，使用以下软件包： “DESeq2”， “survival”，“survminer”，“timeROC”。
实施例2 一种用于乳腺癌患者预后预测的模型的应用。
1. 利用单因素Cox回归分析、Kaplan-Meier生存分析共同鉴定乳腺癌预后相关lncRNAs
利用R软件“DESeq2”包筛选出在乳腺癌组织和正常乳腺组织中差异表达的lncRNAs，筛选阈值设置为校正后的P < 0.01和|log2（差异倍数） | > 2。随后通过R软件“survival”和“survminer”软件包进行单因素Cox回归分析、Kaplan-Meier生存分析，以P<0.05为标准鉴定71 个与乳腺癌患者预后有关联性的差异表达的lncRNAs。（表1）。
表1. 71 个与乳腺癌患者预后有关联性的差异表达的lncRNAs
2. 利用多因素Cox逐步回归分析构建乳腺癌预后风险评分模型
在训练集中，将上述 71 个预后相关lncRNAs纳入多因素Cox逐步回归分析，最终确定AL138789.1、AL513123.1、LINC00536、BCAR4、AC079414.1、LHX1-DT、AC006262.3、MIR3150BHG、AC105398.1 和AL133467.1作为模型的变量，其中AL138789.1、AL513123.1、LINC00536、BCAR4、AC079414.1、LHX1-DT和AC006262.3 的回归系数均为正值，HR大于 1，表明以上 7 个分子的高表达可能预示患者较差的预后情况；而MIR3150BHG、AC105398.1 和AL133467.1的回归系数为负值，HR均小于 1，提示其为乳腺癌患者预后的保护性因素。
多因素Cox逐步回归分析模型中的十个lncRNAs的详细信息如表2所示：
表2. 多因素Cox逐步回归分析模型中的十个lncRNAs的详细信息
乳腺癌患者的预后风险由十个lncRNAs的表达量与其相应回归系数的加权之和构成的风险评分进行评估，计算公式为：
风险评分=(0.634×表达量AL138789.1)+(0.488×表达量AL513123.1)+(0.254×表达量LINC00536)+(0.262×表达量BCAR4)+(0.825×表达量AC079414.1)+(0.253×表达量LHX1-DT)+(1.115×表达量AC006262.3)+(-0.779×表达量MIR3150BHG)+(-1.414×表达量AC105398.1)+(-0.739×表达量AL133467.1)。
3. 模型预测训练集中患者的预后情况
依据风险评分公式，计算训练集患者的风险评分，将患者按其风险评分由小到大排列并与其生存状态一一对应，以风险评分的中位值为截断值，将患者分为高风险组和低风险组。风险评分分布，生存状态和10种lncRNAs的表达情况（如图1A表示）。Kaplan-Meier生存分析进行高风险组患者和低风险组患者之间生存率的比较（P < 0.0001）（如图1B所示）。时间依赖性ROC曲线结果显示模型的 3 年曲线下面积为0.886， 5 年曲线下面积为 0.911，表明模型对乳腺癌患者预后具有较高的预测价值（如图 1C所示）。
4. 在验证集中验证模型的预测价值
基于训练集中获得的截断值将验证集患者划分为高风险组和低风险组，每位患者的风险评分分布，生存状态和10种lncRNAs的表达情况（如图2A表示）。Kaplan-Meier生存曲线同样显示高风险组和低风险组患者之间生存率存在显著差异（P < 0.0001）（如图2B所示）。进一步时间依赖性ROC曲线表明模型 3 年和 5 年的曲线下面积分别为0.734和 0.781（如图2C所示），证实了该模型具有较高的预测价值，能够可靠预测乳腺癌患者预后风险。
5. 模型的Kaplan-Meier分层生存分析
依据乳腺癌的常见临床预后因素（年龄、TNM分期、ER、PR、HER2）对乳腺癌患者进行分层， Kaplan-Meier生存分析表明在多个亚组中高风险组患者与低风险组患者的总生存期存在显著差异（P＜0.05）（如图3A-M所示），表明模型在多个亚组中均具有较高的预测能力。
6. 时间依赖性ROC曲线比较模型与TNM分期的预后价值
进一步评估模型、TNM分期对患者预后的预测能力，时间依赖性ROC曲线结果显示模型的预测能力优于TNM分期（AUC：0.781 vs. 0.582, P = 0.013），表明模型的预后价值显著优于TNM分期，使用该模型可以辅助临床更准确地预测患者预后。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
SEQUENCE LISTING
<110> 山东大学第二医院
<120> 一种用于乳腺癌患者预后预测的模型及建立方法
<130> 1
<160> 10
<170> PatentIn version 3.5
<210> 1
<211> 960
<212> DNA
<213> 人工序列
<400> 1
actcacaata cttacatgtc ccttttttaa gtagtcaaga tgtttttcca ctgcagtctg 60
taagtaagag ggtacttgaa gaatttcctg atgatgatcc attaagaaag aaactaatct 120
tccagcaaga agctcatcaa gatccacttc ttcagcacag cataacacac atcgagaaaa 180
gcagactgag aagaaggcac tcagttgatt tgaaggaatt caaattgttt aagtgaagga 240
attttgaaga ctgtggatca tcttgaattt tatgtatccc actggatcta tctgaaactg 300
tgatgtagcc acaaacaact accaggaaat gaaacaaaaa ttaagatgca actgtatgac 360
agtggacaaa aataaaacaa aaacaatagt aaagttaaaa aataaagcat tactatagta 420
tatattgtta gtatagtata cacagtagtt gcttaattca gaagccactt aaataggaca 480
catgcaacat tcggttacaa acgtgcaaga cagatgagtg gttttcccat ttgtaatata 540
actttaaaaa attatttcaa cagcctaatt aaatggattg agccagaata catttaaaaa 600
atctgttctc agtctgcaag tactagaaac ctcataaata taagataatt gtggtataat 660
aaaatacata tatttgatct ttgtccttgg tacctggtat ggagctccta aaatccttga 720
aatttcctga atgatagaag tctttagtta ctcataacaa gcctatttca gcgtatctga 780
gttcatgcta aggtaactga gggccggcca tggtttgaat tttcatcacc aactacaacc 840
ttgtgggagg agaaaggggc tagagattga gttcaattga caacagtgac caatgatttg 900
gtcagtcatg ccttggtaat taaacttcaa ttaaaactct aaaacatgca ggctgaggga 960
<210> 2
<211> 597
<212> DNA
<213> 人工序列
<400> 2
ggaggggagc caagatggcc gaataggaac agctccggtc tacagctccc agcgtgagcg 60
acccagaaga cgggtgattt ctgcatttcc atctgaggta ccgggttcat ctcactaggg 120
agtgtcagac agtgggcgca gtttggagtt gttgctacct gtgtctaccc agccaaggac 180
tttatgcctc aggccttcat attcaggaca tgtttctcat gaaaattttg gaaatgtgaa 240
attacagaaa agcccaaagg aaaacaatga aaatctcttg caactacagt acttagaaaa 300
atgcctatta tcattttgtt ttatatccct gctgtcttta tatgtacaac ttgcattttg 360
caagagttta gaaagttgta accttatttt ttaaatcagt gcataactaa tattttttat 420
gctattaaaa tattatttta agatgtaata tctaatcaca tgtctgcatc ataatctact 480
taatctcccc ttgttcacaa ttaagtagtt tccaattttt cactatcaaa gtaatgctac 540
aacaagaagg atatcctggt atataaataa ttttacacaa cacagttatt tccttga 597
<210> 3
<211> 2692
<212> DNA
<213> 人工序列
<400> 3
ggctgtggcc aagtgattgt tgctgaactt acctgtgtcg aaaggtcagc cttccagtgc 60
taaggctggg cacaggcgct aaggcaaatt ggattgtgaa tggaggccct gaggcatgtt 120
ctgcactttg caactggtct ggcaggctcc actcctccac cttctaagtc tgccacaggc 180
atgggaaaca cctgggcagc gacaaaggtg gttaaggcag cttcgccaag aagaggagcc 240
aagatggtta actagacgta gccaggagga acatctccca ccaagagact gagctgtcag 300
gaagactggt acattctgag cagatctttg gagggaaggc attgagagtg gatggaagga 360
tgatgcagac actgggctga agaggaagga agctgggaac cctgtacagg actaccgagc 420
accaggactt gtttctggcc ccctgcaact cctgggaaag ggagaactcc tccagtgctc 480
tcaagtgttt tacagaccac taattattaa atgtggaagc tctggagcag agaacctttc 540
aactgaaatg atgacaaacg atgctggctg aggagagtca gacctgaaaa gttaggaatc 600
cctaaaatga cgtcaaccta taattcctat tacagagctc tgatttctac tgatcgtttt 660
aggaaccata tctactatgt gagaaaagct gctggtgggc ctaatttaga tgaaaagcag 720
aaaggcctta aaaaagaaat gggaaaggaa tatacagaag caagaagatg attgaaaaaa 780
gatggcaatt catgtacttg ttgaacacca gttctgagct gcagagcagg aggcacaaga 840
cgtaaacaaa aaagtctctg ttacggtcct aaagaagcca atcatctaga gaaatgtatg 900
cacagcaggt ccagcagaat gggctttgcg ctgatgaggg aagcaagagg agagcatggc 960
ctgggaaagg agatgatcag gctcacttcc catttctctg tggaagaacc gtggcaaaca 1020
cagagtcaac tcacaacgtt cattggaatt tttcccactt gactccttcg caagttggaa 1080
taaggagttt ggaaagggag gatttcttca tataaaaatg gtctgggtat atccacgcaa 1140
aactaaaggg agtggaagag accctaggtc tacacatttg atgggataga tccttcgggc 1200
tcagcctcac ctgcaggtac tgaaggaagc cttagtctgc tatacagagc actctgcacc 1260
atggggagaa gatcaatatg ctaaacttgg gtactgggcc taaatcttac gaagtgacct 1320
caaacctagg aagggtagtt tcatcagaaa agatcctaca accttctatc tgaagagcat 1380
gaatagctgc tgcttttttg gagttggggc ctttcattca ccatgaagat actgcattgt 1440
ggcacagtcc ttgaagagac aagtagagac agggtttcac cgtggtgaca ggctggtctc 1500
gaactcctga cctcaagtga tccgtctgcc tcagcatccc aaagtgctgg gattacaggc 1560
acattgaaga atcagaagat gttttccccc tgtgtttttg atggaaggaa gaaagcagga 1620
tttgccagga tgcattctgc atccaagaac atgaacggaa atgagccaca gaaaatctgg 1680
agtgatggca gctgttgtga gaggtggcaa tgaaatggat ttctcagaca cagagatgtg 1740
gtctcccacc aggtcccatt tcagtgtatg gtttcttgga tttctctgcc agcttcaaac 1800
agtgcttctg ataaagtgat ttatgaagta atgggaaatg tatgttgact catggagtaa 1860
caatgaggaa ataggcattg gcaccaggac tctgttgaca tcaggacttc agtgaggggg 1920
aaattctgca gagatgtgca taaactcatc gcagctgctc taccatctga caacctgatg 1980
gtcatggggg acctcaatgc acgtgttggt ggtagtgcca aaatgtggaa gaaaattatt 2040
ggaccacaga ggattagtct cttcctgcat ggtgaacaga ccgagcaata acttgtaatc 2100
acagacaaca gcgtcaatca tataagttag gagaaaaata tcatggatat gccacaaatc 2160
aaaaacagtg acatcacacc cattctgcca ttgtttcaca gcagaatgcc aacaagctga 2220
caatctgaat gggtctgaga tcgttaccca atatgcttca aatcaggaga acatacggca 2280
acactcattg acttacatat tctgggtaag acacagagca aagaactgca acagaggtta 2340
aagtttcaga aagagaagaa gcagccttca ctatatcaga cagatgaatc cagctccaat 2400
caataattga gttttggatt ggaggaaaga atatttggac attaaagaaa ataagcagag 2460
agtgcctaat ctcttcaatt ctcaagatca tgcttaacat gaccacatta attacagcag 2520
agtgagacag gcacagaaga ggagggactt ggaacctgac ctaaatacag aagtgtcaag 2580
cctagaagga agtaaaattt ggaagaaagt acatggcata tgaaagaaaa ataacaaccc 2640
aacaacatct gacattatgg aatacttaaa taaaaataaa attttagatt ca 2692
<210> 4
<211> 1273
<212> DNA
<213> 人工序列
<400> 4
ctaagaagga tacagtggct agaagtcgtc ctgtcgtcct gcctcacagt aacatcgtta 60
ccgaattctc agcaggtgaa ccaaatgaaa tggtcaactg aaagccaacc agggtaaaac 120
agatctttta tttcttgttg ttgttattat tatttttttt tatgtgggga cattcaagtg 180
aactgctata tgcatttgcc cccagtctct ccttgtgaga agtgaatttc ttcaacgttt 240
atagaactga ggtattacat tattggatga attaagaaaa caatctaacc tgatgtgtga 300
aaatttctgc ttgtgagaat ccgtgttatt tcaattatcc aatcaagagc ctaattcgta 360
taaaagaaac acagcagctt gttgctcatc tttttatcta aggacggttt gtcttgacag 420
agggtgtctg gctgttttgg ggaaactatt cctgacctta ttttgactaa aaagttgcct 480
gctgtaccag ggcctgtgat gtgttgataa aatgccacac aaccatttct cagtgaaaag 540
cccaaccggg acttgagtta tgttggtggc tatggagttc tgcaatccac aattgatgtt 600
ctctaataac cagtgacctt gagtgaactg tccccaaggc aagagcaacc acagctgcgg 660
ggagcgtttg gcaatcacta tccccaccca agcttctccc ttgggtcttg tcctgtcact 720
ctggctggaa tacaatggcg taatcatagc tcactgcggc ctccatctcc tgggttcaag 780
tgattctcct gcttcagctt cccaagtatc tgggactaca ggcatcaaaa aatcaccatg 840
taccaaccta tccaaactta tccatggatg aatctatcca gaagacggga gttccgatgc 900
ttgtcttgct ctgaatgtct gcttgtcacc tgcttagggt tatcgactgt gattctggga 960
ctcattgttg ttctacagga cccctctgac tctgtggttt tctctactgg attaacaatg 1020
atagccatag gtgctttttt tgttgtcctc actggagtga cagccctgtg tacggttaca 1080
gtcgacgaga acttgcagaa aaccacgagg ctaagactag gagtgatacg aaaaagcgga 1140
agtctccaag gaactacaga gccttccatg actcactcaa taatcgctag cacctcgctg 1200
tagttgtaca ttgaaccctg gcatcttcgt ctttggaact aagtctcctg agcattgttt 1260
ttaaatagaa ata 1273
<210> 5
<211> 488
<212> DNA
<213> 人工序列
<400> 5
ggccatcaga aggaagcctg gacaggtccc ttgtttctaa gaattcagag gcttgctgac 60
tctaactgtg cttgaagcaa gatgactgca ggttgcagag tgaaccattg ggaaagtttg 120
cctttttggg gatgaactga ttttccaacc ctgatgctgg cggaaattga gtgatggaac 180
taaggtcatc tggtgctctc cttgagctgc ttaataaaca gtaaagctat tcctttctat 240
ttaaatgaca taaaaaggaa ttgattttta gtcacctttc caggaagtgc ttcctgaacc 300
tgaaaacctg catggagaaa ttgaagaaat tgttcttaaa gggtaaacca aggaaattgt 360
gtccaagatc cctgtttctc acaaaaaata agaaaaggaa ccaggtaatt agatggattg 420
ttcgttcaag gcattatgta cacttctttt ggttctgagg ttaataaaga caaagaagag 480
aaaaaggc 488
<210> 6
<211> 1462
<212> DNA
<213> 人工序列
<400> 6
cgcggccccg cgcggcgcgg acggcgggca gcaccgtgcc tgggccccct cctgctccgg 60
ttccagaatg acgctcggcc catggacaga gcctgcccag tcactctcgg ctgctattga 120
tcccgaggat gatggccgcc cctagccatt tccctcctct ctcttcggtt ccagaacagc 180
ccaaggagca gaaaagagtg acaaggccgt gaaaggaggc gcctggggcg tagccggctc 240
taggaggtta ccccatgcgg agtacacacc ctgctacacc catcccggag gagggaggaa 300
atagccagcc cggagcaccc ctggactctg ccggtcccag aggccacgca aactccgccc 360
agactcggtg aggccgcggt aatgccacgc agggaactgc gtggataagg tcgctcggat 420
ctgagcgcca aggtctcccg cctctccttc ccgtctagtt ctctccggac tcaaattgcc 480
ttaatctcac ccatcactct ctcatggaaa tgatctactc gtgtgcagta cttcacagct 540
tgtatcacgg tctcccctga accgtatagc aagagggtgg tggggggtgg aagagaaggg 600
tactatctcc actttcccgg ccaggaggcc caagttagga ggcttgtccg agatccctag 660
gtcagagcac tatttaaggt gagaagttgg gtggggagct tggcaccttg ctccagtgtg 720
cactttgcgc ctggccatgt tttataagca aggggggctt gggctggtta agggggagca 780
gggaccgcag ggccaggaaa gggcagcatc cggcaggccg gggcgtcacg gtatgtgcct 840
ggcctgggta aacaactctg gcttcccacg agcgctggag ggaccctggg catggggcag 900
gggcgtgggg gagggggggc aggggcgtgg ggtggggcag ggagcgggtg gaacagcgag 960
gtcaagcgtg gagattccag ttgcgagtca gctccgcgcc gcggagcaaa gacaggacgt 1020
ggataatctt gggagggaga cgctgagctg aagaacagaa aagagagaca gaggcagaag 1080
tgaggagaga gggacaggaa aagaaaataa aggcagaaaa ccagagaaaa gatgagacgg 1140
agtgcggaaa agcaggcggg gataaagaaa ggaaagatct gtcggggaaa tgcggggaga 1200
agtggaggaa aagaaacaga aattagaccc agagagagac cctgccacga agaaggccgc 1260
ggggacgggc gcggagccga gggccctgca ggcacggagg gggcgtcccg cgggtctggg 1320
ggtgtgcggc tttgggacag gcgagtgcgt gctgagagaa agaggcagcg tgtttggtgg 1380
gagactctgc gcccgtggaa aagcggctct gggcaggaat ccaacaaata aataaaacgt 1440
ctaagacggc gtgacaacaa tg 1462
<210> 7
<211> 258
<212> DNA
<213> 人工序列
<400> 7
ctggccaagg gcacgacggc atcatcatag caacagtgct gcagggggtc gtagaacttg 60
tccccacatc tcttgtgtgg ctggcacagc atcaggtcca cttgggagcc tacatgtccc 120
aggcttcgtg tcagacacca gtgatgcagt gctgagtaga aaacgcaaag tcagtgtctt 180
cgtgacgttc atgacagtga gaggagagag agagagagag aaggtaggag aataaaactc 240
ctgattttgg ttattgtc 258
<210> 8
<211> 2632
<212> DNA
<213> 人工序列
<400> 8
gcttcccctc actcctcggg ccttgctctt cccccaggtg cccactgccc tccctgctgt 60
gtaccacttt cttgctgcct gtgaaggtat ttgtcctcac tcttgtgctg ctccttcaat 120
gatagaactt tgggactttc tcatccagca gcaccagcct gaaaaagcag tggcttgcac 180
caccacacac atacctggtc tcagatataa gctccatgag aacagccacc ttgtttacct 240
tgttcatgga tacagaacag tgcctggtgc tcaataaatg aacagtgagt gaataagtga 300
gtgttgagtc atctaagtga gcttagatga actgacaatg agactgtgca caatgaagag 360
aaaggaggac tcttgaggaa ttccaccagc ttgaagatgg ctgaagaaag atgacagaaa 420
gcaatcagag ggatggaggg caaactaaga aagcagagtc aagagtagga agattgggaa 480
gtggtagaca acattaggaa atactgcaga aaaacctaaa aggatgagaa ttaggaaaga 540
cactattgaa tttggtcttt ggggctgaaa aaaaaggcag ctgcagaaaa gaaattggag 600
tggaacccca tttgcacaga aattatggag taattaggac accaggcaga aagtttggca 660
atgaatggaa ggagagatga cagccttggg cattcgctcg cagaacgcaa ggacattcat 720
tcttaattca gtagaaaagt gtcgtgttgt tactgtctca agtggaagcg ccctctcact 780
ccttcattgt cctaagagaa caaaaggggc cttgaatttc atgactgccc cagtgatgct 840
tctgagagct tgagctttgg aatcagactg cccacattca aaccccagtt cttcctattg 900
ctggctgtgt gatttgggga aaattacttg attccctaag ttttctcatc tgtgaaatgg 960
ggattcactc agttagtgaa tattattcag ctcctaccat gtgcagacac tgttctagtg 1020
ggggattcag cataccagca gtaaatggat ctctgtacaa tgccaaaaac atgaagccaa 1080
ctattcatag tatttttaag tgatatcctg gtgctgcttc caggaagatg gagtagatat 1140
acttttccct attgctccca ctaagtacaa ctaaaaccct ggacattatg tataaacatg 1200
cataagaaga tgctgaaagg tggtaagaaa gcagactggc cagggacttt gcgatccaag 1260
gaacaacctg gtgatgagtt tcctgtaccc cagacttggg ataaaggagc tggcaaccca 1320
gaaatgccaa cgggagcaaa taaaaaatcc ccaacaaaag cctgtttctc tagacaaagg 1380
actaggacag gggcagccta acaaaacaga aaactcttag taacaactta ctccagctaa 1440
atagcacaga aaaacctatg gtccactccc acccacacca cccaagggtg tgggagtcca 1500
ggctatcaca aggggcctcg cctccactgg tgtggtatcg caaaagccac agggagctgg 1560
ttctttcatc cccatctgac aaaaggctcc cacccccatg gtgtcagcgg agaccacact 1620
gggagcctga acttccaccc actcacagct gtaacaaggc agtccctcca cctccctgct 1680
ggggtggtgt cagaggaggc caagtggaga gtcaggactt tcaccatagc ccagtgacaa 1740
tgaagccacc tccctatggt gtcagtggag gccataagga acagtaacga ggtctagtgg 1800
gaatccagaa ctgccaccct gcccagcagt aaccaggagc ccctcccctc cgtgtggaca 1860
gaggccaagt gctgaagctg gactttgctc cccctagccc tgctaggtgg ctattagaac 1920
agccagctaa aactggtttc accaagacag atttaggaag acagtgcccc gggcaggaaa 1980
atgaaggcac ggagaggtta aatataataa cttgctagtg gtcaatcagt aggcagtaga 2040
ggagccagca tataaaccca agctgcccag ctgcagaacc acattcttgt cccatatgct 2100
atgcctctca aaaaaggagg ccctctcctt gggacacaaa ggtaataaaa atgcctgccc 2160
tgagctgtgt ctctgtctag gtacacagtt catgagtgaa ggagctcctg gagtcatgaa 2220
taatggaagt ccagattggt caagtaactt gtcccagccc cagcccatgc atctggtatg 2280
tggttggaca ggtttctaac tcattacgta acatcaagaa cattttaaac tgctttgaga 2340
catttgtgaa ttaagatctc aataaatagt cctccctggc accagctcca tccacattaa 2400
atgagacttg aaaatttctt tgaatggata ttagtttaga aggagctaag ttattagttg 2460
gcctcacatt cctcagttgg gccctgggcc cagcatgcca cttctcctgg ttattatggt 2520
tcacatctga ggtaacccat cgggaaactg gatgggacaa caaactaaaa atgttttagt 2580
ttggacctgt ccaaaaccaa gagaataaaa acaaaatgga tagtcaagat ga 2632
<210> 9
<211> 108
<212> DNA
<213> 人工序列
<400> 9
ggctgcgtct gaaggtgatg agttatctcc attataacag agtcagttac acataaaact 60
cgtcctcctc tttcctctct tctcactact ccacttgact agtctaaa 108
<210> 10
<211> 993
<212> DNA
<213> 人工序列
<400> 10
gctctgctct cccaggcact actgagcgcg ctcgcggtcg ccaggagcgg attgggcccc 60
cgccgcgcgc aagccttggt gacaggggat ggcgcggagc tgcctctccg ggaaagttgg 120
atctgtgcgc ccagacatgg aaaagggatt aggacaccgg cagatcttgc cctcacagag 180
cggaggtggg ggccttggaa ggggcacacc gcccgtaggc gcgaaatcca agaagaaaat 240
gacactcatc agccagcctc gcgcggggag aaagggcggg gtggggggta gtggcaccct 300
gcccgtcctc tcccaccccc acagtccggg cccacagtcc aggagtcaca agggatgtga 360
atccccaggc ataatgtgaa cccccaacaa acccaaggcc tcagaatgcg cctcacctct 420
ccctccccac cagcagaaac atcctcccac tctcccaacc cctgctccag ccacgccaac 480
cctttaacct tgtcccagaa tgtctaaact gtatctgcct ctgtgcctgt gcacatgaag 540
ttgccttggc ccggcgtttg ctccacagcc ttctgccaaa ctcctactgc ttgatggctg 600
gaagccttcg caccctggcg ctctcctccc aggtcagcag tcactggcct tcctgtgcat 660
ccagcccagc tttgaacagt cctgggcccc aacccttatc tttttccgag taattacatg 720
gttgcatgat tggcttcacc gcctctggat cagatgagcg ctactaatga aggatacaag 780
ttgtaaaact aggttttatg tgaactccag tcatcacagt ttaggtgcgg ctagcgattt 840
tacagatgcg gggttagtaa ctggcccaaa tccagggctt ccgggatgct gttttccttt 900
tttgtttctt agcagggatg gcagatgttt gtagaacaga tccgtgtaaa agtcagtatc 960
ctaagagatt aaattgtaaa gcaggacaag ata 993
Claims (6)
1.一种用于乳腺癌患者预后预测的模型，其特征在于，由以下十个lncRNAs表达量联合判断：AL138789.1，AL513123.1，LINC00536，BCAR4，AC079414.1，LHX1-DT，AC006262.3，MIR3150BHG，AC105398.1，AL133467.1。
2.根据权利要求1所述用于乳腺癌患者预后预测的模型，其特征在于，计算公式为风险评分=(0.634×表达量AL138789.1)+(0.488×表达量AL513123.1)+(0.254×表达量LINC00536)+(0.262×表达量BCAR4)+(0.825×表达量AC079414.1)+(0.253×表达量LHX1-DT)+(1.115×表达量AC006262.3)+(-0.779×表达量MIR3150BHG)+(-1.414×表达量AC105398.1)+(-0.739×表达量AL133467.1)。
3.权利要求1或2所述用于乳腺癌患者预后预测模型的建立方法，其特征在于，包括如下步骤：
（1）数据获取
下载TCGA数据库中乳腺癌患者的临床数据及乳腺癌组织和例正常乳腺组织的RNA-Seq转录组数据；
（2）差异lncRNAs筛选
利用R软件DESeq2包筛选出在乳腺癌组织和正常乳腺组织中差异表达的lncRNAs；
（3）候选预后相关lncRNAs鉴定
利用R软件survival和survminer软件包进行单因素Cox回归分析、Kaplan-Meier生存分析共同鉴定与患者总生存期具有关联性的差异表达的lncRNAs作为候选预后相关lncRNAs；
（4）预后风险评分模型的构建
排除临床信息不完整的病例，随机选取训练集和验证集；在训练集中，将上述候选预后相关lncRNAs纳入多因素Cox逐步回归分析，通过R软件survival和survminer包构建lncRNA风险评分模型；
（5）模型的预后效能评估
在训练集和验证集中，依据风险评分公式计算各患者的风险评分，将患者按风险评分的中位值分为高风险组和低风险组，并且通过Kaplan-Meier生存分析和log-rank检验比较不同风险组患者之间的总生存期是否存在差异，通过R软件timeROC包进行时间依赖性ROC曲线分析以评估模型的预测能力；此外，依据常见临床病理参数对验证集内患者进行分层，通过Kaplan-Meier分层生存分析评估该lncRNA风险评分模型在乳腺癌各亚组中的预后预测价值； 进一步通过时间依赖性ROC曲线比较模型与TNM分期的预后价值；
（6) 统计分析
使用R软件进行统计分析，使用以下软件包： DESeq2， survival，survminer，timeROC。
4.根据权利要求3所述用于乳腺癌患者预后预测模型的建立方法，其特征在于，步骤（1）RNA-seq转录组数据以HT-seq count形式显示。
5.根据权利要求3所述用于乳腺癌患者预后预测模型的建立方法，其特征在于，步骤（2）中筛选阈值设置为校正后的P<0.01和|log2(差异倍数)|>2。
6.根据权利要求3所述用于乳腺癌患者预后预测模型的建立方法，其特征在于，步骤（4）中所用的计算公式如下：
，其中n表示模型中总的lncRNAs数量，i表示第i个lncRNA。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011006210.3A CN112185546A (zh) | 2020-09-23 | 2020-09-23 | 一种用于乳腺癌患者预后预测的模型及建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011006210.3A CN112185546A (zh) | 2020-09-23 | 2020-09-23 | 一种用于乳腺癌患者预后预测的模型及建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112185546A true CN112185546A (zh) | 2021-01-05 |
Family
ID=73956839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011006210.3A Pending CN112185546A (zh) | 2020-09-23 | 2020-09-23 | 一种用于乳腺癌患者预后预测的模型及建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112185546A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112802605A (zh) * | 2021-01-13 | 2021-05-14 | 四川大学华西医院 | 一种转移性肾癌患者接受系统治疗后生存获益的预测模型及其建立方法和应用 |
| CN112852968A (zh) * | 2021-04-08 | 2021-05-28 | 杨文琳 | 基于免疫相关lncRNA构建三阴性乳腺癌风险预测方法 |
| CN113161000A (zh) * | 2021-05-06 | 2021-07-23 | 复旦大学附属中山医院 | 混合细胞型肝癌的预后评分模型及其构建方法 |
| CN113270188A (zh) * | 2021-05-10 | 2021-08-17 | 北京市肿瘤防治研究所 | 食管鳞癌根治术后患者预后预测模型构建方法及装置 |
| CN113355419A (zh) * | 2021-06-28 | 2021-09-07 | 广州中医药大学(广州中医药研究院) | 一种乳腺癌预后风险预测标志组合物及应用 |
| CN113380415A (zh) * | 2021-05-20 | 2021-09-10 | 昆明医科大学第二附属医院 | 一种酒精使用障碍临床预后不良预测模型及其构建方法 |
| CN113517023A (zh) * | 2021-05-18 | 2021-10-19 | 柳州市人民医院 | 与性别相关的肝癌预后标志性因素及其筛选方法 |
| CN113593648A (zh) * | 2021-07-26 | 2021-11-02 | 郑州大学 | 基于自噬相关lncRNA模型的乳腺癌预后评估方法及系统 |
| CN114596964A (zh) * | 2022-05-09 | 2022-06-07 | 北京肿瘤医院(北京大学肿瘤医院) | 预测brca突变患者对侧乳腺癌发病风险的模型及应用 |
| CN114649094A (zh) * | 2022-03-30 | 2022-06-21 | 广东省人民医院 | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 |
| CN115346656A (zh) * | 2022-06-10 | 2022-11-15 | 江门市中心医院 | 基于CAFs、WSIs和临床信息的三组学IDC预后模型建立方法及预后模型系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107828868A (zh) * | 2017-11-14 | 2018-03-23 | 郑州大学 | 用HindIII鉴定人乳腺癌BCAR4基因rs13334967多态性的方法 |
| CN108085389A (zh) * | 2017-12-29 | 2018-05-29 | 北京泱深生物信息技术有限公司 | 一种与乳腺癌相关的lncRNA及其应用 |
| CN110656173A (zh) * | 2019-09-06 | 2020-01-07 | 中国医学科学院肿瘤医院 | 乳腺癌预后评估模型及其建立方法 |
| CN111057764A (zh) * | 2019-12-25 | 2020-04-24 | 广东省微生物研究所（广东省微生物分析检测中心） | CircRNA PVT1及肽段在肿瘤生长预测、转移预测、预后评估和治疗中的应用 |
| CN111564214A (zh) * | 2019-02-14 | 2020-08-21 | 辽宁省肿瘤医院 | 一种基于7个特殊基因的乳腺癌预后评估模型的建立与验证方法 |
-
2020
- 2020-09-23 CN CN202011006210.3A patent/CN112185546A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107828868A (zh) * | 2017-11-14 | 2018-03-23 | 郑州大学 | 用HindIII鉴定人乳腺癌BCAR4基因rs13334967多态性的方法 |
| CN108085389A (zh) * | 2017-12-29 | 2018-05-29 | 北京泱深生物信息技术有限公司 | 一种与乳腺癌相关的lncRNA及其应用 |
| CN111564214A (zh) * | 2019-02-14 | 2020-08-21 | 辽宁省肿瘤医院 | 一种基于7个特殊基因的乳腺癌预后评估模型的建立与验证方法 |
| CN110656173A (zh) * | 2019-09-06 | 2020-01-07 | 中国医学科学院肿瘤医院 | 乳腺癌预后评估模型及其建立方法 |
| CN111057764A (zh) * | 2019-12-25 | 2020-04-24 | 广东省微生物研究所（广东省微生物分析检测中心） | CircRNA PVT1及肽段在肿瘤生长预测、转移预测、预后评估和治疗中的应用 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112802605A (zh) * | 2021-01-13 | 2021-05-14 | 四川大学华西医院 | 一种转移性肾癌患者接受系统治疗后生存获益的预测模型及其建立方法和应用 |
| CN112852968A (zh) * | 2021-04-08 | 2021-05-28 | 杨文琳 | 基于免疫相关lncRNA构建三阴性乳腺癌风险预测方法 |
| CN113161000A (zh) * | 2021-05-06 | 2021-07-23 | 复旦大学附属中山医院 | 混合细胞型肝癌的预后评分模型及其构建方法 |
| CN113161000B (zh) * | 2021-05-06 | 2024-05-28 | 复旦大学附属中山医院 | 混合细胞型肝癌的预后评分模型及其构建方法 |
| CN113270188A (zh) * | 2021-05-10 | 2021-08-17 | 北京市肿瘤防治研究所 | 食管鳞癌根治术后患者预后预测模型构建方法及装置 |
| CN113517023A (zh) * | 2021-05-18 | 2021-10-19 | 柳州市人民医院 | 与性别相关的肝癌预后标志性因素及其筛选方法 |
| CN113517023B (zh) * | 2021-05-18 | 2023-04-25 | 柳州市人民医院 | 与性别相关的肝癌预后标志性因素及筛选方法 |
| CN113380415A (zh) * | 2021-05-20 | 2021-09-10 | 昆明医科大学第二附属医院 | 一种酒精使用障碍临床预后不良预测模型及其构建方法 |
| CN113355419A (zh) * | 2021-06-28 | 2021-09-07 | 广州中医药大学(广州中医药研究院) | 一种乳腺癌预后风险预测标志组合物及应用 |
| CN113593648A (zh) * | 2021-07-26 | 2021-11-02 | 郑州大学 | 基于自噬相关lncRNA模型的乳腺癌预后评估方法及系统 |
| CN114649094A (zh) * | 2022-03-30 | 2022-06-21 | 广东省人民医院 | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 |
| CN114649094B (zh) * | 2022-03-30 | 2022-11-15 | 广东省人民医院 | 一种基于核磁共振的乳腺癌多参数临床决策辅助装置 |
| CN114596964A (zh) * | 2022-05-09 | 2022-06-07 | 北京肿瘤医院(北京大学肿瘤医院) | 预测brca突变患者对侧乳腺癌发病风险的模型及应用 |
| CN115346656A (zh) * | 2022-06-10 | 2022-11-15 | 江门市中心医院 | 基于CAFs、WSIs和临床信息的三组学IDC预后模型建立方法及预后模型系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112185546A (zh) | 一种用于乳腺癌患者预后预测的模型及建立方法 | |
| US20230197284A1 (en) | Cancer evolution detection and diagnostic | |
| KR101850437B1 (ko) | 차세대 염기서열 분석기법을 이용한 장기 이식 거부 반응 예측 방법 | |
| CN103797120B (zh) | 前列腺癌的生物学标志物、治疗靶点及其用途 | |
| CN113539376B (zh) | 判断肝细胞肝癌患者预后的基因模型、构建方法和应用 | |
| CN112301130B (zh) | 一种肺癌早期检测的标志物、试剂盒及方法 | |
| CN108277283A (zh) | lncRNA组合在制备预测肾透明细胞癌预后及分子靶向药物治疗敏感性的产品中的应用 | |
| CN109563544A (zh) | 用于膀胱癌的尿监测的诊断测定 | |
| WO2020157508A1 (en) | Method of predicting survival rates for cancer patients | |
| Liang et al. | MiRNA-221/222 in thyroid cancer: A meta-analysis | |
| CN104032001B (zh) | 用于胆囊癌预后评估的erbb信号通路突变靶向测序方法 | |
| Ufimov et al. | Relative performance of customized and universal probe sets in target enrichment: A case study in subtribe Malinae | |
| CN113889187A (zh) | 单样本等位基因拷贝数变异检测方法、探针组和试剂盒 | |
| Foster et al. | A multi-gene region targeted capture approach to detect plant DNA in environmental samples: A case study from coastal environments | |
| CN104845970A (zh) | 与乳头状甲状腺瘤相关的基因 | |
| CN117305447A (zh) | 宫颈癌dna甲基化标志物及其应用 | |
| CN111944902A (zh) | 一种基于lincRNA表达谱组合特征的肾乳头状细胞癌早期预测方法 | |
| CN115786501B (zh) | 一种与结直肠癌早期筛查和辅助诊断相关的增强子功能位点及其应用 | |
| CN116769914A (zh) | 一种预测胶质瘤预后的标志物及其应用 | |
| Wood et al. | Reticulate evolution in Conidae: Evidence of nuclear and mitochondrial introgression | |
| CN104846070B (zh) | 前列腺癌的生物学标志物、治疗靶点及其用途 | |
| CN116153387A (zh) | 一种肺鳞癌患者总体生存率预后模型及应用 | |
| CN114068014A (zh) | 一种早期胃癌患者预后风险预测模型的构建方法 | |
| Wu et al. | Feature Selection and Classification Technique for Predicting Lymph Node Metastasis of Papillary Thyroid Carcinoma | |
| CN112226511B (zh) | 一种前列腺癌circRNA标志物及其应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |