CN113284610A - 一种检测晚期胃癌的组合生物标志物方法 - Google Patents
一种检测晚期胃癌的组合生物标志物方法 Download PDFInfo
- Publication number
- CN113284610A CN113284610A CN202110515078.7A CN202110515078A CN113284610A CN 113284610 A CN113284610 A CN 113284610A CN 202110515078 A CN202110515078 A CN 202110515078A CN 113284610 A CN113284610 A CN 113284610A
- Authority
- CN
- China
- Prior art keywords
- gastric cancer
- genes
- stage
- module
- screening
- 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
- 208000005718 Stomach Neoplasms Diseases 0.000 title claims abstract description 79
- 206010017758 gastric cancer Diseases 0.000 title claims abstract description 79
- 201000011549 stomach cancer Diseases 0.000 title claims abstract description 79
- 239000000090 biomarker Substances 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000002131 composite material Substances 0.000 title description 2
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 77
- 102100032788 Dimethylaniline monooxygenase [N-oxide-forming] 1 Human genes 0.000 claims abstract description 24
- 101000989505 Homo sapiens Chondroitin sulfate synthase 3 Proteins 0.000 claims abstract description 23
- 102100029296 Chondroitin sulfate glucuronyltransferase Human genes 0.000 claims abstract description 22
- 108010057167 dimethylaniline monooxygenase (N-oxide forming) Proteins 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000014509 gene expression Effects 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 23
- 210000001519 tissue Anatomy 0.000 claims description 16
- 238000004393 prognosis Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 201000011591 microinvasive gastric cancer Diseases 0.000 claims description 8
- 238000010824 Kaplan-Meier survival analysis Methods 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 201000006585 gastric adenocarcinoma Diseases 0.000 claims description 5
- 238000010195 expression analysis Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 101710187733 Dimethylaniline monooxygenase [N-oxide-forming] 1 Proteins 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 210000001165 lymph node Anatomy 0.000 claims description 2
- 101100113485 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) chs-3 gene Proteins 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 206010028980 Neoplasm Diseases 0.000 abstract description 5
- 238000003766 bioinformatics method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 3
- 238000002493 microarray Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010025323 Lymphomas Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007622 bioinformatic analysis Methods 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012151 immunohistochemical method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000009456 molecular mechanism Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Biotechnology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供了一种检测晚期胃癌的组合生物标志物方法，属于肿瘤生物检测技术领域。本发明使用生物信息学分析，发现了检测晚期胃癌的相关基因，通过机器学习算法，并建立晚期胃癌相关的风险模型，确定了两个基因(CHSY3，FMO1)组合可作为检测晚期胃癌的组合生物标志物。该组合生物标志物在检测晚期胃癌具有很高的预测精确度，并且在胃癌患者的组织芯片中，验证了该组合生物标志物的预测结果。
Description
技术领域
本发明涉及一种检测晚期胃癌的组合生物标志物方法，属于肿瘤生物检测技术领域。
背景技术
胃癌(GC)是全球癌症相关死亡率的第三大诱因，也是全球第五大常见的恶性肿瘤，约50％的病例来自东亚，而中国是发病率最高的地区，中国新发胃癌和死亡率占全球所有病例的42.6％～45.0％。大多数胃癌患者通常要到晚期才被诊断出来，早期胃癌治疗后5年生存率的可能大于90％，甚至可能被治愈。因此，了解胃癌发生的分子机制，找到早期胃癌相关的生物标志物就显得尤为重要，这将有助于促进靶向药物的开发和未来胃癌的临床治疗。
随着生物信息学分析的发展，利用新的分析方法，找到可以用于更准确地预测肿瘤的生物标志物。机器学习(ML)方法提供了一组工具，以改善对具有高质量数据的特定问题的发现和决策。支持向量机(Support Vector Machine，SVM)是较为常用的一种机器学习算法，SVM是一种监督学习模型，被认为比传统的线性方法具有更好的性能。SVM的优势使其成为出色的非概率二进制分类器，在各领域的模式识别问题中有应用，包括人像识别、文本分类、生物信息学等。
本研究中，首先在TCGA公共数据中收集数据，统计胃癌中的高扩增基因及其分布位置。并使用传统的生物信息学分析方法，找出与晚期胃癌相关的候选基因，而后运用机器学习分析方法，更加精确的找出胃癌相关的分子，筛选出具有临床应用价值的早期胃癌标志物。同时在胃癌病例组织中进行验证，为生物信息学早期分析，结合机器学习算法，与晚期胃癌临床诊断提供了支持。
发明内容
本发明的目的是为了解决上述现有技术存在的问题，进而提供一种检测晚期胃癌的组合生物标志物方法。
本发明的目的是通过以下技术方案实现的：
一种检测晚期胃癌的组合生物标志物方法，包括以下步骤：
S1，从TCGA数据库(https://tcga-data.nci.nih.gov/tcga/)中下载440例胃癌患者的基因组芯片数据。对芯片数据中340例胃癌组织样本与30个癌旁组织样本运用DESeq2包进行差异表达分析，根据筛选标准：差异倍数的绝对值(log2Fold Change)>1和P值<0.05；筛选得到4265个差异表达基因；
S2，对340例胃癌样本中的4265个差异表达基因进行WGCNA分析，识别与T分期最相关的模块；
S3，对与T分期最相关的模块中基因进行Kaplan-Meier生存分析，筛选与预后相关的基因；
S4，筛选得到与预后相关的基因进行两两组合，运用机器学习SVM算法，识别划分早期胃癌和晚期胃癌病例的最优两基因(CHSY3，FMO1)组合生物标志物。
本发明的有益效果为：
本发明使用生物信息学分析，发现了检测晚期胃癌的相关基因，通过机器学习算法，并建立预测晚期胃癌的两基因(CHSY3，FMO1)组合生物标志物，该组合生物标志物在检测晚期胃癌具有很高的预测精确度，并且在胃癌患者的组织芯片中，验证了该组合生物标志物的预测结果。
附图说明
图1为胃癌差异表达基因火山图。
图2为胃癌样本树状图和基因表达特征热图。
图3为WGCNA算法筛选合适软阈值示意图。其中，a)表示软阈值在纵坐标上显示p(k)和连通性k之间的相关性；b)表示在纵坐标上显示平均连通性。
图4为将表达模式相似的基因组成集合示意图。
图5为基因模块与临床特征相关性图。
图6为胃癌患者基因表达与生存率的关系示意图。
图7为胃癌患者基因表达与生存率的关系示意图。
图8为支持向量机预测晚期胃癌相关基因组合的准确性示意图。
图9为CHSY3，FMO1和两基因(CHSY3，FMO1)组合的ROC曲线。
具体实施方式
下面将结合附图对本发明做进一步的详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述实施例。
如图1至图9所示，本实施例所涉及的一种检测晚期胃癌的组合生物标志物方法，包括：
S1，从TCGA数据库(https://tcga-data.nci.nih.gov/tcga/)中下载440例胃癌患者的基因组芯片数据。对芯片数据中340例胃癌组织样本与30个癌旁组织样本运用DESeq2包进行差异表达分析，根据筛选标准：差异倍数的绝对值(log2Fold Change)大于1和P值小于0.05；筛选得到4265个差异表达基因；
S2，对340例胃癌样本中的4265个差异表达基因进行WGCNA分析，识别与T分期最相关的模块；
S3，对与T分期最相关的模块中基因进行Kaplan-Meier生存分析，筛选与预后相关的基因；
S4，筛选得到与预后相关的基因进行两两组合，运用机器学习SVM算法，识别划分早期胃癌和晚期胃癌病例的最优两基因(CHSY3，FMO1)组合生物标志物。
在步骤S1中，对芯片数据中340例胃癌组织样本与30个癌旁组织样本运用DESeq2包进行差异表达分析，根据筛选标准：差异倍数的绝对值(log2Fold Change)>1和P值<0.05。筛选得到4265个差异表达基因如图1所示。纵坐标为FDR的负对数，可以认为纵坐标越大，得到的基因越有意义，横坐标为两组基因表达量的比值的对数，若横坐标大于0，则该基因在胃癌组织组中的表达量要高于癌旁组织组，本实施例中选取的横坐标绝对值大于等于1，说明基因的差异倍数在两倍以上，图中右侧为上调的差异表达基因，左侧为下调的差异表达基因。
在步骤S2中，对340例胃癌样本中的4265个差异表达基因进行WGCNA分析，识别与T分期最相关的模块的步骤包括：
S2-1，对340例胃腺癌样本中的4265个差异表达基因进行WGCNA分析，去除表达量过低的基因，同时剔除缺失值的样本，而后对样本进行层次聚类，剔除离群样本，最后剩下4241个基因，如图2所示；
S2-2，WGCNA算法需要筛选合适的软阈值，使得样本构建的网络更加符合无尺度网络分部特征，如图3所示。图中的软阈值(power)代表的为这个数值，左图纵坐标表示的p(k)与连通度k之间的相关性，节点连接度的对数log(k)与连接度为k的概率对数的相关系数R2。R2越接近1，说明越符合无尺度网络的分布特征。右图的纵坐标代表的是平均的连接度，左图中横线是选取的合适阈值，因此确定的阈值为7，来建立了拓扑矩阵，对得到的拓扑矩阵的基因进行聚类，并通过动态剪切树算法分割模块，构建了网络图，由此得到了8个模块，如图4所示，8个模块包括：MEblack、MEgreen、MEred、MEturquoise、MEbrown、MEblue、MEyellow、MEgrey；
S2-3，选取15个临床特征，包括性别(Sex)、组织学类型(Histological type)、是否白种人(White)、是否亚洲人(Asian)、WHO I级(Stage I)、WHO II级(Stage II)、WHO III级(Stage III)、WHO IV级(Stage IV)、T分期(T stage)、N分期(N stage)、M分期(Mstage)、组织学级别(Histological grade)、家族史(Family history)、淋巴结计数(Lymphnode count)和生存状态(Cancer status)；计算模块与临床特征的皮尔森相关系数。如图5所示；方框内数值为模块与临床特征的皮尔森相关系数，括号内为P值。正数代表正相关，负数代表负相关，图中右侧表示相关的程度，并且颜色越深，模块与临床特征的相关性越强。圆圈为与胃癌T分期最为相关的正相关模块，P<0.001。
S2-4，选取了与胃癌的T分期最为相关的模块，提取模块内的70个基因，作为与胃癌T分期相关的候选基因。
在步骤S3中，对与T分期最相关的模块中基因进行Kaplan-Meier生存分析，筛选与预后相关的基因的步骤包括：
S3-1，首先对与T分期最相关的正相关模块内的70个基因按照基因表达量的中位数分组，基因表达量大于中位数的为高表达组，低于中位数为低表达组；
S3-2，根据基因的高低分组进行Kaplan-Meier生存分析，根据筛选标准P值<0.05，筛选得到22个与预后相关的基因，如表1所示。在图6和图7中是所有的生存有意义的基因(P<0.05)，high是相对高表达组，low为低表达组。可见这些基因的高表达，导致胃癌患者预后较差。
表1. 22个与预后相关的基因
在步骤S4中，筛选得到与预后相关的基因进行两两组合，运用机器学习SVM算法，识别划分早期胃癌和晚期胃癌病例的最优两基因(CHSY3，FMO1)组合生物标志物的步骤包括：
S4-1，对于得到的22个与预后相关的基因，进行两两组合，共有231种组合；
S4-2，运用机器学习SVM算法，根据划分特征的标准：(T1期和T2期)为早期胃、(T3期和T4期)为晚期胃癌，识别得到划分早期胃癌和晚期胃癌病例的最优两基因组合为(CHSY3，FMO1)，如图8所示。从图7中可以得到识别划分早期胃癌和晚期胃癌病例的最优两基因组合为(CHSY3，FMO1)精确度达到了75.7％。
为了验证两基因(CHSY3，FMO1)组合预测晚期胃癌的精确性，分别绘制画出CHSY3、FMO1、(CHSY3，FMO1)的ROC曲线。见图9。CHSY3曲线下面积AUC为0.607；FMO1曲线下面积AUC为0.576；(CHSY3，FMO1)曲线下面积AUC为0.714。结果可见两基因(CHSY3，FMO1)组合在预测晚期胃癌的准确度要高于单一基因CHSY3和FMO1。
为了验证验证两基因(CHSY3，FMO1)组合在晚期胃癌风险评估模型在实际患者中的效果。本研究采用了胃腺癌组织微阵列，除去染色异常无法判读的样本，得到可用胃癌组织79例，应用免疫组化方法，通过胃腺癌组织微阵列评分，来比较两基因(CHSY3，FMO1)组合的表达量在早期和晚期胃癌中的差异。结果如表2所示，发现两基因(CHSY3，FMO1)组合的表达量在早期(T1期和T2期)胃癌与晚期(T3期和T4期)胃癌显著的差异(P＝0.03)，综上所述，两个基因(CHSY3，FMO1)组合可作为检测晚期胃癌的组合生物标志物。该组合生物标志物在检测晚期胃癌具有很高的预测精确度，并且在胃癌患者的组织芯片中，验证了该组合生物标志物的预测结果。
表2胃腺癌芯片中(CHSY3，FMO1)表达与T分期的关系
以上所述，仅为本发明较佳的具体实施方式，这些具体实施方式都是基于本发明整体构思下的不同实现方式，而且本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种检测晚期胃癌的组合生物标志物方法，其特征在于，包括以下步骤：
S1，从TCGA数据库中下载440例胃癌患者的基因组芯片数据；对芯片数据中340例胃癌组织样本与30个癌旁组织样本运用DESeq2包进行差异表达分析，根据筛选标准：差异倍数的绝对值log2Fold Change>1和P值<0.05；筛选得到4265个差异表达基因；
S2，对340例胃癌样本中的4265个差异表达基因进行WGCNA分析，识别与T分期最相关的模块；
S3，对与T分期最相关的模块中基因进行Kaplan-Meier生存分析，筛选与预后相关的基因；
S4，筛选得到与预后相关的基因进行两两组合，运用机器学习SVM算法，识别划分早期胃癌和晚期胃癌病例的最优两基因(CHSY3，FMO1)组合生物标志物。
2.根据权利要求1所述的检测晚期胃癌的组合生物标志物方法，其特征在于，在步骤S2中，对340例胃癌样本中的4265个差异表达基因进行WGCNA分析，识别与T分期最相关的模块的步骤包括：
S2-1，对340例胃腺癌样本中的4265个差异表达基因进行WGCNA分析，去除表达量过低的基因，同时剔除缺失值的样本，而后对样本进行层次聚类，剔除离群样本，最后剩下4241个基因；
S2-2，建立拓扑矩阵，对得到的拓扑矩阵的基因进行聚类，并通过动态剪切树算法分割模块，构建了网络图，由此得到了8个模块；
S2-3，选取15个临床特征，包括：性别、组织学类型、是否白种人、是否亚洲人、WHOI级、WHOII级、WHOIII级、WHOIV级、T分期、N分期、M分期、组织学级别、家族史、淋巴结计数和生存状态；计算模块与临床特征的皮尔森相关系数；
S2-4，选取与胃癌的T分期最为相关的模块，提取模块内的70个基因，作为与胃癌T分期相关的候选基因。
3.根据权利要求1所述的检测晚期胃癌的组合生物标志物方法，其特征在于，在步骤S3中，对与T分期最相关的模块中基因进行Kaplan-Meier生存分析，筛选与预后相关的基因的步骤包括：
S3-1，首先对与T分期最相关的正相关模块内的70个基因按照基因表达量的中位数分组，基因表达量大于中位数的为高表达组，低于中位数为低表达组；
S3-2，根据基因的高低分组进行Kaplan-Meier生存分析，根据筛选标准P值<0.05，筛选得到22个与预后相关的基因。
4.根据权利要求1所述的检测晚期胃癌的组合生物标志物方法，其特征在于，在步骤S4中，筛选得到与预后相关的基因进行两两组合，运用机器学习SVM算法，识别划分早期胃癌和晚期胃癌病例的最优两基因(CHSY3，FMO1)组合生物标志物的步骤包括：
S4-1，对于得到的22个与预后相关的基因，进行两两组合，共有231种组合；
S4-2，运用机器学习SVM算法，根据划分特征的标准：T1期和T2期为早期胃、T3期和T4期为晚期胃癌，识别得到划分早期胃癌和晚期胃癌病例的最优两基因组合为(CHSY3，FMO1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515078.7A CN113284610A (zh) | 2021-05-12 | 2021-05-12 | 一种检测晚期胃癌的组合生物标志物方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110515078.7A CN113284610A (zh) | 2021-05-12 | 2021-05-12 | 一种检测晚期胃癌的组合生物标志物方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113284610A true CN113284610A (zh) | 2021-08-20 |
Family
ID=77278770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110515078.7A Pending CN113284610A (zh) | 2021-05-12 | 2021-05-12 | 一种检测晚期胃癌的组合生物标志物方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113284610A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080312199A1 (en) * | 2006-12-15 | 2008-12-18 | Glinsky Gennadi V | Treatments of therapy resistant diseases and drug combinations for treating the same |
| CN109609661A (zh) * | 2018-12-28 | 2019-04-12 | 山东中医药大学 | 一种肾阳虚外感小鼠模型肺组织qPCR内参基因组合及其筛选方法 |
| CN109841280A (zh) * | 2017-11-29 | 2019-06-04 | 郑州大学第一附属医院 | 食管癌相关特征通路的识别及早期诊断模型的构建方法 |
| CN112735537A (zh) * | 2021-03-02 | 2021-04-30 | 郑州大学 | 一种新的脑胶质瘤分子分型方法 |
-
2021
- 2021-05-12 CN CN202110515078.7A patent/CN113284610A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080312199A1 (en) * | 2006-12-15 | 2008-12-18 | Glinsky Gennadi V | Treatments of therapy resistant diseases and drug combinations for treating the same |
| CN109841280A (zh) * | 2017-11-29 | 2019-06-04 | 郑州大学第一附属医院 | 食管癌相关特征通路的识别及早期诊断模型的构建方法 |
| CN109609661A (zh) * | 2018-12-28 | 2019-04-12 | 山东中医药大学 | 一种肾阳虚外感小鼠模型肺组织qPCR内参基因组合及其筛选方法 |
| CN112735537A (zh) * | 2021-03-02 | 2021-04-30 | 郑州大学 | 一种新的脑胶质瘤分子分型方法 |
Non-Patent Citations (2)
| Title |
|---|
| RAIHANUL BARI TANVIR 等: "Stage-Specific Co-expression Network Analysis for Cancer Biomarker Discovery", 《IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》, pages 1661 - 1667 * |
| 曾家豫等: "ＴＣＧＡ数据库３７２例胃癌组织ＣＸＣＬ１０基因表达及临床意义", 《中华肿瘤防治杂志》, vol. 27, no. 13, pages 1056 - 1063 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859801B (zh) | 一种含有七个基因作为生物标志物预测肺鳞癌预后的模型及建立方法 | |
| CN111128385B (zh) | 一种用于食管鳞癌的预后预警系统及其应用 | |
| CN111128299B (zh) | 一种结直肠癌预后显著相关ceRNA调控网络的构建方法 | |
| CN113450873B (zh) | 一种预测胃癌预后和免疫治疗适用性的标志物及其应用 | |
| CN110004226B (zh) | 一种基于直肠癌转录组基因及甲基化联合分析预测预后的方法及模型应用 | |
| CN109897899B (zh) | 一种用于局部晚期食管鳞癌预后判断的标志物及其应用 | |
| CN109872776B (zh) | 一种基于加权基因共表达网络分析对胃癌潜在生物标志物的筛选方法及其应用 | |
| CN113140258B (zh) | 基于肿瘤浸润性免疫细胞筛选肺腺癌的潜在预后生物标志物的方法 | |
| CN109830264B (zh) | 肿瘤患者基于甲基化位点进行分类的方法 | |
| Wang et al. | Identification and validation of a prognostic 9-genes expression signature for gastric cancer | |
| CN109797221A (zh) | 一种用于对肌层浸润性膀胱癌进行分子分型和/或预后预测的生物标记物组合及其应用 | |
| CN110580956A (zh) | 一组肝癌预后标志物及其应用 | |
| CN111564177B (zh) | 基于dna甲基化的早期非小细胞肺癌复发模型构建方法 | |
| WO2020132544A1 (en) | Anomalous fragment detection and classification | |
| Karim et al. | A snapshot neural ensemble method for cancer-type prediction based on copy number variations | |
| CN114203256B (zh) | 基于微生物丰度的mibc分型及预后预测模型构建方法 | |
| Karim et al. | Prognostically relevant subtypes and survival prediction for breast cancer based on multimodal genomics data | |
| CN109859796B (zh) | 一种关于胃癌的dna甲基化谱的降维分析方法 | |
| Chen et al. | Integrative network analysis to identify aberrant pathway networks in ovarian cancer | |
| CN113903398A (zh) | 肠癌早筛标志物、检测方法、检测装置以及计算机可读取介质 | |
| CN113284610A (zh) | 一种检测晚期胃癌的组合生物标志物方法 | |
| CN115798569A (zh) | 一种结直肠癌患者组织微生物特征和预后的预测方法及其装置 | |
| CN113436741B (zh) | 基于组织特异增强子区域dna甲基化的肺癌复发预测方法 | |
| CN116287248B (zh) | 一种用于肠腺瘤腺癌诊断的miRNA基因及应用 | |
| CN116344027B (zh) | 基于外周血循环微核糖核酸及蛋白的肠腺瘤腺癌诊断方法 |
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 |