CN112946276A - I期肺腺癌患者术后复发风险预测系统及其应用 - Google Patents

I期肺腺癌患者术后复发风险预测系统及其应用 Download PDF

Info

Publication number
CN112946276A
CN112946276A CN202110228279.9A CN202110228279A CN112946276A CN 112946276 A CN112946276 A CN 112946276A CN 202110228279 A CN202110228279 A CN 202110228279A CN 112946276 A CN112946276 A CN 112946276A
Authority
CN
China
Prior art keywords
stage
lung adenocarcinoma
patients
acadm
rps8
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110228279.9A
Other languages
English (en)
Other versions
CN112946276B (zh
Inventor
赫捷
孙楠
刘澄铭
王占宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cancer Hospital and Institute of CAMS and PUMC
Original Assignee
Cancer Hospital and Institute of CAMS and PUMC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cancer Hospital and Institute of CAMS and PUMC filed Critical Cancer Hospital and Institute of CAMS and PUMC
Priority to CN202110228279.9A priority Critical patent/CN112946276B/zh
Publication of CN112946276A publication Critical patent/CN112946276A/zh
Application granted granted Critical
Publication of CN112946276B publication Critical patent/CN112946276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57423—Specifically defined cancers of lung
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/573—Immunoassay; Biospecific binding assay; Materials therefor for enzymes or isoenzymes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/46—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans from vertebrates
    • G01N2333/47—Assays involving proteins of known structure or function as defined in the subgroups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/90—Enzymes; Proenzymes
    • G01N2333/902—Oxidoreductases (1.)
    • G01N2333/90206—Oxidoreductases (1.) acting on the CH-CH group of donors (1.3)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/54—Determining the risk of relapse

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Biomedical Technology (AREA)
  • Hematology (AREA)
  • Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Cell Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Microbiology (AREA)
  • Hospice & Palliative Care (AREA)
  • Oncology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了I期肺腺癌患者术后复发风险预测系统及其应用。本发明提供的I期肺腺癌患者术后复发风险预测系统，包括检测I期肺腺癌患者肿瘤样本的ACADM基因和RPS8两种基因表达量的系统。上述系统中，所述检测I期肺腺癌患者肿瘤样本的ACADM基因和RPS8两种基因表达量的系统包括检测ACADM和RPS8两个基因表达量所需的试剂和/或仪器。本发明基于复发状态对I期肺腺癌患者的基因表达谱进行基因富集分析，发现术后复发风险与肿瘤代谢中的ACADM和RPS8基因表达量相关。本发明整合了三个独立队列的317例I期肺腺癌患者的无复发生存期数据，建立和验证了个体化的I期LUAD患者的RAMS模型。

Description

I期肺腺癌患者术后复发风险预测系统及其应用
技术领域
本发明属于生物医学技术领域，具体涉及I期肺腺癌患者术后复发风险预测系统及其应用。
背景技术
肺癌是严重威胁人类健康的常见恶性肿瘤，其发病率和死亡率在全球和中国均居首位。肺腺癌(Lung adenocarcinoma，LUAD)是肺癌患者最常见的病理类型，约占40％。然而，超过40％的LUAD患者在确诊时已经是IIIB期或IV期，错失了手术切除肿瘤的最佳时机。不过，随着低剂量螺旋CT在肺癌筛查中的广泛应用，I期肺腺癌的检出率正逐步增加。然而，超过30％的I期肺腺癌患者在术后5年内复发。因此，急切需要一个有效的预测模型对I期肺腺癌患者进行风险分层，筛选出术后具有高复发风险的患者给予更多干预治疗。
近年来研究表明，肿瘤代谢不仅是肿瘤公认的重要特征，而且是肿瘤发生发展的关键因子。而且，此前已有研究报道肺癌中的代谢相关基因具有重要的预后预测价值。
鉴于初诊时I期肺腺癌患者的比例增加以及其术后复发风险增加，迫切需要建立一个术后复发风险预测系统参与I期肺腺癌患者的治疗和管理。
发明内容
本发明第一个目的是提供I期肺腺癌患者术后复发风险预测系统。
本发明提供的I期肺腺癌患者术后复发风险预测系统，包括检测I期肺腺癌患者肿瘤样本的ACADM基因和RPS8两种基因表达量的系统。
上述系统中，所述检测I期肺腺癌患者肿瘤样本的ACADM基因和RPS8两种基因表达量的系统包括检测ACADM和RPS8两个基因表达量所需的试剂和/或仪器。
进一步的，所述检测ACADM和RPS8两个基因表达量所需的试剂和/或仪器可以为免疫组化检测ACADM和RPS8各个基因表达量所需试剂及仪器，具体包括检测ACADM和RPS8两种基因表达量的抗体，分别为抗人ACADM兔重组单克隆抗体(ab92461，Abcam，美国)和抗人RPS8兔多克隆重组抗体(18228-1-AP，Proteintech，美国)。
上述I期肺腺癌患者术后复发风险预测系统中，所述系统还包含数据处理装置；所述数据处理装置内设模块；所述模块具有如下(a1)和(a2)所示的功能：
(a1)获得或检测待测I期肺腺癌患者群体各个患者肿瘤样本中的ACADM和RPS8基因的表达量，再进行归一化处理，得到ACADM归一化的基因表达量和RPS8归一化的基因表达量；
在本发明的实施例中，获得或检测待测I期肺腺癌患者群体各个患者肿瘤样本中的ACADM和RPS8基因的表达量以免疫组化技术为例，具体如下：
以I期肺腺癌患者组成的待测群体的离体肺腺癌组织为标本，通过免疫组化技术测定每份标本中所述两种基因的表达量，然后根据所述两种基因表达量归一化后，按照如下公式计算风险值：风险值＝(-4.868×ACADM归一化的基因表达量)-(10.934×RPS8归一化的基因表达量)，并根据所述风险值将所述待测群体分为低风险组和高风险组；其中离体肺腺癌组织来自所述待测群体中待预测肺腺癌患者的分离的肺腺癌组织经过福尔马林固定石蜡包埋制备的样本。
上述归一化的基因表达量按照如下方式获得：
用ACADM抗体和RPS8抗体分别对待测群体的离体肺腺癌组织进行免疫组化染色，然后计算各个基因的染色评分：染色评分＝染色强度×阳性肿瘤细胞百分比×100；然后使用平均值为0，标准差为1的方法对各个基因的染色评分值进行归一化得到各个基因的归一化的基因表达量，具体方法可参照文献“Long,J.,A.Wang,Y.Bai,J.Lin,X.Yang,D.Wang,etal.Development and validation of a TP53-associated immune prognostic modelfor hepatocellular carcinoma.EBioMedicine.
2019；42:363-374.”。
其中，染色强度评分为：无显色为0(阴性)，浅黄色为1(弱阳性)，黄色为2(中等阳性)，棕黄色为3(强阳性)(图5所示)；
阳性肿瘤细胞百分比为在高倍显微镜(×400)下检查十个随机选择的视野，通过计算视野内染色阳性的肿瘤细胞(弱阳性+中等阳性+强阳性)占该视野内所有肿瘤细胞的百分比，得到该视野阳性肿瘤细胞百分比，再使用十个视野阳性肿瘤细胞的百分比的平均值记作阳性肿瘤细胞百分比。
再将所述ACADM归一化的基因表达量和所述RPS8归一化的基因表达量按照如下公式计算风险值：风险值＝(-4.868×ACADM归一化的基因表达量)-(10.934×RPS8归一化的基因表达量)，并根据所述风险值将所述待测群体分为低风险组和高风险组；
根据所述风险值将所述待测群体分为低风险组和高风险组的方法可参照文献“Sun,X.Y.,S.Z.Yu,H.P.Zhang,J.Li,W.Z.Guo,and S.J.Zhang.A signature of33immune-related gene pairs predicts clinical outcome in hepatocellularcarcinoma.Cancer Med.2020；9:2868-2878.”中的方法，具体可按照如下步骤进行：通过风险值的中位值确定阈值，比较所述待预测肺腺癌患者的风险值和所述阈值的大小，风险值大于阈值的患者被列入高风险组，风险值小于或等于阈值的患者被列入低风险组。
在本发明实施例中确定风险值的中位值为-28.842，该值即为高风险组和低风险组的阈值。
(a2)按照如下标准预测来自于所述待测I期肺腺癌患者群体的待测患者的无复发生存率和/或总生存率：
所述高风险组中的待测患者的无复发生存率低于或候选低于所述低风险组中的待测患者；
和/或，所述高风险组中的待测患者的总生存率低于或候选低于所述低风险组中的待测患者。
本发明另一个目的是提供上述第一个目的系统的用途。
本发明提供了I期肺腺癌患者术后复发风险预测系统在如下(1)-(4)中至少一种中的应用：
(1)制备用于I期肺腺癌患者术后无复发生存率高低预测的产品；
(2)预测I期肺腺癌患者术后无复发生存率的高低；
(3)制备用于I期肺腺癌患者术后总生存率高低预测的产品；
(4)预测I期肺腺癌患者术后总生存率的高低。
上述ACADM和RPS8两种基因作为标志物在制备I期肺腺癌患者术后复发风险预测的产品中的应用也属于本发明的保护范围。
检测或获得ACADM和RPS8两种基因表达量的物质在制备I期肺腺癌患者术后复发风险预测的产品中的应用也属于本发明的保护范围。所述物质可为上述通过免疫组化方法检测所述两种基因表达量所需的试剂和/或仪器。
检测或获得ACADM和RPS8两种基因表达量的物质和上述数据处理装置在制备I期肺腺癌患者术后复发风险预测的产品中的应用也属于本发明的保护范围。
上述应用中，所述I期肺腺癌患者术后复发风险预测为无复发生存率高低和/或总生存率高低的预测。
上述I期肺腺癌患者预后系统或应用中，所述I期肺腺癌患者为第八版TNM分期中的I期肺腺癌患者。
本发明所要解决的技术问题是如何对I期肺腺癌患者进行风险分层，筛选出术后具有高复发风险的患者给予更多干预治疗。本发明基于复发状态对I期肺腺癌患者的基因表达谱进行基因富集分析，发现术后复发风险与肿瘤代谢中的ACADM和RPS8基因表达量相关。本发明整合了三个独立队列的317例I期肺腺癌患者的无复发生存期数据，建立和验证了个体化的I期LUAD患者的RAMS模型。三个独立队列包括GSE31210、GSE30219和74例LUAD石蜡芯片。I期LUAD患者的RAMS模型的建立不仅有利于了解肿瘤代谢的关键基因，更给I期LUAD患者术后复发风险预测和治疗方案的优化带来巨大的帮助。
附图说明
图1为I期LUAD术后复发风险预测模型RAMS的构建及验证流程图。
图2为在GSE31210训练队列中构建I期LUAD的术后复发风险预测模型RAMS；(A)使用多因素Cox比例风险回归分析方法预测两个选定基因的预后价值；(B)用于预测5年无复发生存期的RAMS的ROC曲线分析；(C)基于RAMS的I期LUAD患者无复发生存期的Kaplan-Meier生存曲线；(D)用于预测10年总生存期的RAMS的ROC曲线分析；(E)基于RAMS的I期LUAD患者总生存期的Kaplan-Meier生存曲线。
图3为在GSE30219测试队列中I期LUAD的RAMS模型验证；(A)用于预测5年无复发生存期的RAMS的ROC曲线分析；(B)基于RAMS的I期LUAD患者无复发生存期的Kaplan-Meier生存曲线；(C)用于预测10年总生存期的RAMS的ROC曲线分析；(D)基于RAMS的I期LUAD患者总生存期的Kaplan-Meier生存曲线。
图4为在CICAMS验证队列中I期LUAD的RAMS模型验证；(A)用于预测5年无复发生存期的RAMS的ROC曲线分析；(B)基于RAMS的I期LUAD患者无复发生存期的Kaplan-Meier生存曲线；(C)用于预测10年总生存期的RAMS的ROC曲线分析；(D)基于RAMS的I期LUAD患者总生存期的Kaplan-Meier生存曲线。
图5为ACADM和RPS8两个基因的免疫组化染色强度不同评分级别的代表性图案。
具体实施方式
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
下述实施例中的总生存期(Overall Survival，OS)定义为从入组至任何原因导致的死亡或末次随访时间。
下述实施例中的总生存率定义为患者从某一特定时点开始随访，到某一特定时间尚能生存的概率。
下述实施例中的无复发生存期(Recurrence free survival，RFS)定义为从入组至局部复发，或任何原因导致的死亡，或末次随访时间。
下述实施例中的无复发生存率定义为患者从某一特定时点开始随访，到某一特定时间尚未发生局部复发的概率。
下述实施例中的I期肺腺癌患者是指第八版TNM分期的I期肺腺癌患者，患者均知情同意。
实施例1、基于代谢基因建立的I期肺腺癌术后复发标志物模型RAMS及模型验证
本发明以由162例I期肺腺癌患者构成的GSE31210队列构建I期肺腺癌术后复发标志物模型RAMS，并通过由81例I期肺腺癌患者构成的GSE30219肺腺队列和由74例I期肺腺癌患者石蜡组织标本构成的CICAMS队列对构建的模型进行验证。
I期肺腺癌患者的临床特征如表1所示。
表1为I期肺腺癌患者的临床特征
Figure BDA0002957754900000051
一、用GSE31210队列构建模型RAMS及预测方法
1、I期肺腺癌术后复发标志物模型RAMS的构建
构建I期肺腺癌术后复发标志物模型RAMS的流程图如图1所示，具体步骤如下：
1)以来自GEO数据库中的GSE31210队列(https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi？acc＝GSE31210)的162例I期肺腺癌患者作为GSE31210训练集。ccmGDB数据库中的2031个代谢相关基因列表中的1959个代谢相关基因匹配到GSE31210训练集。
2)为了建立I期肺腺癌患者的术后复发标志物模型，采用单因素Cox比例回归模型，研究代谢相关基因对RFS预后指标的影响。结果表明：1959个代谢相关基因中的727个关键基因与RFS在统计学上相关。
3)为了更好地建立I期肺腺癌患者的复发标志物模型，采用LASSO Cox回归模型预测最有价值的预后基因，初步纳入了23个代谢相关基因。
4)为了使术后复发标志物模型更加优化和实用，采用逐步Cox比例风险回归模型，最终构建出一个包括2个基因(ACADM和RPS8)的预测模型，并将其记作RAMS模型，如图2A所示。ACADM基因的GeneBank编号为NM_000016.6(提交日2021年2月20日)，RPS8基因的GeneBank编号为NM_001012.2(提交日2020年12月11日)。
2、I期肺腺癌术后复发标志物模型RAMS预测术后复发风险的方法
1)获取GSE31210肺腺癌队列(162例I期肺腺癌患者)中每个肺腺癌患者的肺腺癌组织中的ACADM和RPS8两个基因的表达量，然后使用平均值为0，标准差为1的方法进行归一化(具体方法可参照文献“Long,J.,A.Wang,Y.Bai,J.Lin,X.Yang,D.Wang,etal.Development and validation of a TP53-associated immune prognostic modelfor hepatocellular carcinoma.EBioMedicine.2019；42:363-374.”)得到每个患者的归一化的基因表达量。
2)根据每个患者的归一化的基因表达量结果依照如下公式计算每个患者的风险值：风险值＝(-4.868×ACADM归一化的基因表达量)-(10.934×RPS8归一化的基因表达量)。
每个患者对应的2个基因的归一化基因表达量及风险值的检测结果如表2所示。
表2为GSE31210队列I期肺腺癌患者的相对表达量及风险值的检测结果
Figure BDA0002957754900000061
Figure BDA0002957754900000071
Figure BDA0002957754900000081
Figure BDA0002957754900000091
Figure BDA0002957754900000101
上表中，第3列中复发状态的1表示第2列随访时间内复发，0表示第2列随访时间内无复发或者失访；第5列中死亡状态的1表示第4列随访时间内死亡，0表示第4列随访时间内未死亡或者失访。
3)根据每个患者的风险值将GSE31210训练集的患者(162例I期肺腺癌患者)依据整体风险值中位数分为高风险组(N＝81)和低风险组(N＝81)。
可参照文献“Sun,X.Y.,S.Z.Yu,H.P.Zhang,J.Li,W.Z.Guo,and S.J.Zhang.Asignature of 33immune-related gene pairs predicts clinical outcome inhepatocellular carcinoma.Cancer Med.2020；9:2868-2878.”中的方法,具体方法如下：通过风险值的中位值确定阈值，比较所述待预测肺腺癌患者的风险值和所述阈值的大小，风险值大于阈值的患者被列入高风险组，风险值小于或等于阈值的患者被列入低风险组。
按照上述方法确定的阈值为-28.842，风险值大于-28.842的I期肺腺癌患者被列入高风险组，风险值小于或等于-28.842的I期肺腺癌患者被列入低风险组。
高风险组中的待测患者的无复发生存率低于或候选低于低风险组中的待测患者；
和/或，高风险组中的待测患者的总生存率低于或候选低于低风险组中的待测患者。
3、I期肺腺癌术后复发标志物模型RAMS的有效性验证
1)为了评估本发明的I期肺腺癌术后复发标志物模型RAMS的预测效力，根据各个患者的无复发生存期、复发状态及风险值，计算ROC曲线下面积(AUC)，在GSE31210训练集(162例I期肺腺癌患者)中，I期肺腺癌术后复发代谢相关标志物模型RAMS对于预测5年RFS(无复发生存期)的曲线下面积为0.867(图2B)，结果提示I期肺腺癌术后复发标志物模型RAMS在预测I期LUAD患者术后复发方面表现良好。
2)利用Kaplan-Meier分析162例I期肺腺癌患者术后无复发生存率。Kaplan-Meier生存分析结果显示，高风险组患者的无复发生存率明显低于低风险组患者(图2C，P<0.001)。
3)采用单因素和多因素COX回归分析，发现RAMS在预测RFS方面是一个独立预后因子(表3)。
4)为了预测本发明的模型RAMS在预后方面的作用，根据各个患者的总生存期、死亡状态及风险值，计算ROC曲线下面积(AUC)，在GSE31210训练集(162例I期肺腺癌患者)中，I期肺腺癌复发代谢相关标志物模型RAMS对于预测10年OS(总生存期)的曲线下面积为0.904(图2D)，结果提示模型RAMS在预测I期LUAD患者总生存时间方面表现良好。
5)利用Kaplan-Meier分析162例I期肺腺癌患者总生存生存率。Kaplan-Meier生存分析结果显示，高风险组患者的总生存率明显低于低风险组患者(图2E，P<0.001)。
6)采用单因素和多因素COX回归分析，发现RAMS在预测OS方面是一个独立预后因子(表3)。
表3为模型RAMS在GSE31210队列中的单因素和多因素分析
Figure BDA0002957754900000111
Figure BDA0002957754900000121
二、在GSE30219队列中验证模型
1、在GSE30219队列中验证模型
为了验证本发明的I期肺腺癌术后复发标志物模型RAMS在其它人群中是否起作用，将来自GEO数据库的GSE30219队列的81例I期LUAD患者作为验证集。按照上述一的2中的方法计算GSE30219中每个患者的ACADM和RPS8两个基因的归一化的基因表达量、计算风险值，并根据阈值-28.842将患者分为高风险组(N＝41)和低风险组(N＝40)。
GSE30219队列中每个患者对应的2个基因的归一化基因表达量及风险值的检测结果如表4所示。
表4为GSE30219队列I期肺腺癌患者的相对表达量及风险值的检测结果
Figure BDA0002957754900000122
Figure BDA0002957754900000131
Figure BDA0002957754900000141
上表中，第3列中复发状态的1表示第2列随访时间内复发，0表示第2列随访时间内无复发或者失访；第5列中死亡状态的1表示第4列随访时间内死亡，0表示第4列随访时间内未死亡或者失访。
高风险组中的待测患者的无复发生存率低于或候选低于低风险组中的待测患者；
和/或，高风险组中的待测患者的总生存率低于或候选低于低风险组中的待测患者。
2、I期肺腺癌术后复发标志物模型RAMS的有效性验证
1)为了评估本发明的I期肺腺癌术后复发标志物模型RAMS的预测效力，根据各个患者的无复发生存期、复发状态及风险值，计算ROC曲线下面积(AUC)，在GSE30219测试集(81例I期肺腺癌患者)中，I期肺腺癌术后复发代谢相关标志物模型RAMS对于预测5年RFS的曲线下面积为0.824(图3A)，结果提示I期肺腺癌术后复发标志物模型RAMS在预测I期LUAD患者术后复发方面表现良好。
2)利用Kaplan-Meier分析81例I期肺腺癌患者术后无复发生存率。Kaplan-Meier生存分析结果显示，高风险组患者的无复发生存率明显低于低风险组患者(图3B，P<0.001)。
3)采用单因素和多因素COX回归分析，发现RAMS在预测RFS方面是一个独立预后因子(表5)。
4)为了预测本发明的模型RAMS在预后方面的作用，根据各个患者的总生存期、死亡状态及风险值，计算ROC曲线下面积(AUC)，在GSE30219测试集(81例I期肺腺癌患者)中，I期肺腺癌复发代谢相关标志物模型RAMS对于预测10年OS的曲线下面积为0.791(图3C)，结果提示模型RAMS在预测I期LUAD患者总生存时间方面表现良好。
5)利用Kaplan-Meier分析81例I期肺腺癌患者总生存生存率。Kaplan-Meier生存分析结果显示，高风险组患者的总生存率明显低于低风险组患者(图3D，P<0.001)。
6)采用单因素和多因素COX回归分析，发现RAMS在预测OS方面是一个独立预后因子(表5)。
表5为模型RAMS在GSE30219队列中的单因素和多因素分析
Figure BDA0002957754900000151
三、在74例I期肺腺癌石蜡组织的独立队列中进行验证
为了在临床实践中评估RAMS在预测I期LUAD患者术后复发风险中的准确性，在包含74个I期肺腺癌石蜡组织的独立队列中进行验证。另外考虑到免疫组化技术的方便性和经济上的高性价比，以及之后更广泛地推进临床使用，采用免疫组化方法获取每个患者的两个基因的基因表达量。免疫组化方法采用的抗体分别为抗人ACADM兔重组单克隆抗体(ab92461，Abcam，美国)和抗人RPS8兔多克隆重组抗体(18228-1-AP，Proteintech，美国)。
先用免疫组化方法检测74个I期肺腺癌石蜡组织的独立队列中ACADM和RPS8两个基因的表达量，然后使用平均值为0，标准差为1的方法进行归一化，得到每个患者的归一化的基因表达量。
用免疫组化方法检测74个I期肺腺癌石蜡组织的独立队列中ACADM和RPS8两个基因的表达量具体如下：
用ACADM抗体和PS8抗体分别对待测群体的离体肺腺癌组织进行免疫组化染色，然后计算各个基因的染色评分：染色评分＝染色强度×阳性肿瘤细胞百分比×100；然后使用平均值为0，标准差为1的方法对各个基因的染色评分值进行归一化得到各个基因的归一化的基因表达量，具体方法可参照文献“Long,J.,A.Wang,Y.Bai,J.Lin,X.Yang,D.Wang,etal.Development and validation of a TP53-associated immune prognostic modelfor hepatocellular carcinoma.EBioMedicine.
2019；42:363-374.”。
其中，染色强度评分为：无显色为0(阴性)，浅黄色为1(弱阳性)，黄色为2(中等阳性)，棕黄色为3(强阳性)，其中每种染色强度评分级别的代表性方案见图5。
阳性肿瘤细胞百分比为在高倍显微镜(×400)下检查十个随机选择的视野，通过计算视野内染色阳性的肿瘤细胞(弱阳性+中等阳性+强阳性)占该视野内所有肿瘤细胞的百分比，得到该视野阳性肿瘤细胞百分比，再使用十个视野阳性肿瘤细胞的百分比的平均值记作阳性肿瘤细胞百分比。
再将所述ACADM归一化的基因表达量和所述RPS8归一化的基因表达量按照如下公式计算风险值：风险值＝(-4.868×ACADM归一化的基因表达量)-(10.934×RPS8归一化的基因表达量)，并根据所述风险值将所述待测群体分为低风险组和高风险组，将患者分为高风险组(N＝24)和低风险组(N＝50)(图4B)。CICAMS队列中每个患者对应的2个基因的归一化基因表达量及风险值的检测结果如表6所示。
表6为CICAMS队列I期肺腺癌患者的相对表达量及风险值的检测结果
Figure BDA0002957754900000161
Figure BDA0002957754900000171
Figure BDA0002957754900000181
上表中，第3列中复发状态的1表示第2列随访时间内复发，0表示第2列随访时间内无复发或者失访；第5列中死亡状态的1表示第4列随访时间内死亡，0表示第4列随访时间内未死亡或者失访。
高风险组中的待测患者的无复发生存率低于或候选低于低风险组中的待测患者；
和/或，高风险组中的待测患者的总生存率低于或候选低于低风险组中的待测患者。
2、I期肺腺癌术后复发标志物模型RAMS的有效性验证
1)为了评估本发明的I期肺腺癌术后复发标志物模型RAMS的预测效力，根据各个患者的无复发生存期、复发状态及风险值，计算ROC曲线下面积(AUC)，在CICAMS验证集(74例I期肺腺癌患者)中，I期肺腺癌术后复发代谢相关标志物模型RAMS对于预测5年RFS的曲线下面积为0.929(图4A)，结果提示I期肺腺癌术后复发标志物模型RAMS在预测I期LUAD患者术后复发方面表现良好。
2)利用Kaplan-Meier分析74例I期肺腺癌患者术后无复发生存率。Kaplan-Meier生存分析结果显示，高风险组患者的无复发生存率明显低于低风险组患者(图4B，P<0.001)。
3)采用单因素和多因素COX回归分析，发现RAMS在预测RFS方面是一个独立预后因子(表7)。
4)为了预测本发明的模型RAMS在预后方面的作用，根据各个患者的总生存期、死亡状态及风险值，计算ROC曲线下面积(AUC)，在CICAMS验证集(74例I期肺腺癌患者)中，I期肺腺癌复发代谢相关标志物模型RAMS对于预测10年OS的曲线下面积为0.887(图4C)，结果提示模型RAMS在预测I期LUAD患者总生存时间方面表现良好。
5)利用Kaplan-Meier分析74例I期肺腺癌患者总生存生存率。Kaplan-Meier生存分析结果显示，高风险组患者的总生存率明显低于低风险组患者(图4D，P＝0.013)。
6)采用单因素和多因素COX回归分析，发现RAMS在预测OS方面是一个独立预后因子(表7)。
表7为模型RAMS在CICAMS队列中的单因素和多因素分析
Figure BDA0002957754900000191
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.I期肺腺癌患者术后复发风险预测系统，包括检测I期肺腺癌患者肿瘤样本的ACADM基因和RPS8两种基因表达量的系统。
2.根据权利要求1所述的系统，其特征在于：所述检测ACADM和RPS8两种基因表达量的系统包括检测ACADM和RPS8各个基因表达量所需的试剂和/或仪器。
3.根据权利要求2所述的系统，其特征在于：所述检测ACADM和RPS8各个基因表达量所需的试剂和/或仪器为免疫组化检测ACADM和RPS8各个基因表达量所需试剂及仪器。
4.根据权利要求1-3中任一所述的系统，其特征在于：所述系统还包含数据处理装置；所述数据处理装置内设模块；
所述模块具有如下(a1)和(a2)所示的功能：
(a1)获得或检测待测I期肺腺癌患者群体各个患者手术肿瘤样本中的ACADM和RPS8基因的表达量，再进行归一化处理，得到ACADM归一化的基因表达量和RPS8归一化的基因表达量；
再将所述ACADM归一化的基因表达量和所述RPS8归一化的基因表达量按照如下公式计算风险值：风险值＝(-4.868×ACADM归一化的基因表达量)-(10.934×RPS8归一化的基因表达量)，并根据所述风险值将所述待测群体分为低风险组和高风险组；
(a2)按照如下标准确定来自于所述待测I期肺腺癌患者群体的待测患者的无复发生存率和/或总生存率：
所述高风险组中的待测患者的无复发生存率低于或候选低于所述低风险组中的待测患者；
和/或，所述高风险组中的待测患者的总生存率低于或候选低于所述低风险组中的待测患者。
5.权利要求1-4任一所述的系统在如下(1)-(4)中至少一种中的应用：
(1)制备用于I期肺腺癌患者术后无复发生存率高低预测的产品；
(2)预测I期肺腺癌患者术后无复发生存率的高低；
(3)制备用于I期肺腺癌患者术后总生存率高低预测的产品；
(4)预测I期肺腺癌患者术后总生存率的高低。
6.ACADM和RPS8两种基因作为代谢相关标志物在制备肺I期肺腺癌患者术后复发风险预测的产品中的应用。
7.检测或获得ACADM和RPS8两种基因表达量的物质在制备I期肺腺癌患者术后复发风险预测的产品中的应用。
8.检测或获得ACADM和RPS8两种基因表达量的物质和权利要求3中所述的数据处理装置在制备I期肺腺癌患者术后复发风险预测的产品中的应用。
9.根据权利要求6-8中任一所述的应用，其特征在于：所述I期肺腺癌患者术后复发风险预测为无复发生存率高低和/或总生存率高低的预测。
CN202110228279.9A 2021-03-02 2021-03-02 I期肺腺癌患者术后复发风险预测系统及其应用 Active CN112946276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110228279.9A CN112946276B (zh) 2021-03-02 2021-03-02 I期肺腺癌患者术后复发风险预测系统及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110228279.9A CN112946276B (zh) 2021-03-02 2021-03-02 I期肺腺癌患者术后复发风险预测系统及其应用

Publications (2)

Publication Number Publication Date
CN112946276A true CN112946276A (zh) 2021-06-11
CN112946276B CN112946276B (zh) 2022-06-21

Family

ID=76247018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110228279.9A Active CN112946276B (zh) 2021-03-02 2021-03-02 I期肺腺癌患者术后复发风险预测系统及其应用

Country Status (1)

Country Link
CN (1) CN112946276B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114277132A (zh) * 2021-10-19 2022-04-05 中国医学科学院肿瘤医院 免疫相关的lncRNA表达谱预测小细胞肺癌辅助化疗获益及预后的应用
CN114657245A (zh) * 2021-11-26 2022-06-24 中南大学湘雅二医院 基因的应用、预测i期非小细胞肺癌术后复发转移的模型及其构建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014047723A1 (en) * 2012-09-27 2014-04-03 Universite Laval Gene expression profiling for prognosis of non-small cell lung cancer
CN109082471A (zh) * 2018-09-18 2018-12-25 蚌埠医学院 一种肺腺癌患者预后预测用外周血mRNA标记物及其筛选方法和应用
CN111394456A (zh) * 2020-03-19 2020-07-10 中国医学科学院肿瘤医院 早期肺腺癌患者预后评估系统及其应用
CN111676288A (zh) * 2020-06-19 2020-09-18 中国医学科学院肿瘤医院 用于预测肺腺癌患者预后的系统及其应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014047723A1 (en) * 2012-09-27 2014-04-03 Universite Laval Gene expression profiling for prognosis of non-small cell lung cancer
CN109082471A (zh) * 2018-09-18 2018-12-25 蚌埠医学院 一种肺腺癌患者预后预测用外周血mRNA标记物及其筛选方法和应用
CN111394456A (zh) * 2020-03-19 2020-07-10 中国医学科学院肿瘤医院 早期肺腺癌患者预后评估系统及其应用
CN111676288A (zh) * 2020-06-19 2020-09-18 中国医学科学院肿瘤医院 用于预测肺腺癌患者预后的系统及其应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FABRIZIO BIANCHI等: "Survival prediction of stage I lung adenocarcinomas by expression of 10 genes", 《J CLIN INVEST.》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114277132A (zh) * 2021-10-19 2022-04-05 中国医学科学院肿瘤医院 免疫相关的lncRNA表达谱预测小细胞肺癌辅助化疗获益及预后的应用
CN114657245A (zh) * 2021-11-26 2022-06-24 中南大学湘雅二医院 基因的应用、预测i期非小细胞肺癌术后复发转移的模型及其构建方法
CN114657245B (zh) * 2021-11-26 2022-10-04 中南大学湘雅二医院 基因的应用、预测i期非小细胞肺癌术后复发转移的模型及其构建方法

Also Published As

Publication number Publication date
CN112946276B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
AU2015249113B2 (en) Lung cancer biomarkers and uses thereof
Araujo et al. Performance of the IOTA ADNEX model in preoperative discrimination of adnexal masses in a gynecological oncology center
Scase et al. Canine mast cell tumors: correlation of apoptosis and proliferation markers with prognosis
Ring et al. Novel prognostic immunohistochemical biomarker panel for estrogen receptor–positive breast cancer
CN103299188B (zh) 用于癌症的分子诊断试验
US11211167B2 (en) Image analysis for breast cancer prognosis
JP5986638B2 (ja) 肺癌バイオマーカーおよびその使用
Hu et al. Tumor-infiltrating CD45RO+ memory cells correlate with favorable prognosis in patients with lung adenocarcinoma
US20120101002A1 (en) Lung Cancer Biomarkers and Uses Thereof
US20120143805A1 (en) Cancer Biomarkers and Uses Thereof
IL224014A (en) Pancreatic cancer biomasses and their uses
WO2011031344A1 (en) Cancer biomarkers and uses thereof
JP2011523049A (ja) 頭頚部癌の同定、モニタリングおよび治療のためのバイオマーカー
CN112946276B (zh) I期肺腺癌患者术后复发风险预测系统及其应用
CN113215254B (zh) 可用于评估肺腺癌预后的免疫-临床特征联合预测模型
CN105874080A (zh) 用于食道癌的分子诊断测试
CN104263815A (zh) 一组用于激素受体阳性乳腺癌预后的基因及其应用
CN108508212B (zh) 高级别浆液性卵巢癌靶向治疗和预后判断的标志物
CN105899673A (zh) 作为子宫颈癌和存活期的生物标记物的角蛋白
Lu et al. Detection of circulating stage III–IV gastric cancer tumor cells based on isolation by size of epithelial tumor: using the circulating tumor cell biopsy technology
US20220065872A1 (en) Lung Cancer Biomarkers and Uses Thereof
Jia et al. The optimal cut‐off value of immunohistochemical parameter P53 for predicting recurrence of endometrial cancer
Chen et al. A qualitative transcriptional signature for predicting extreme resistance of ER-negative breast cancer to paclitaxel, doxorubicin, and cyclophosphamide neoadjuvant chemotherapy
CN108369233B (zh) 基于标志物人附睾蛋白4 (he4)检测肺腺癌的复发的方法及相关用途
Liu et al. Uncovering nasopharyngeal carcinoma from chronic rhinosinusitis and healthy subjects using routine medical tests via machine learning

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