CN113444794B - 联合基因组在制备肾透明细胞癌预后评估系统中的应用 - Google Patents
联合基因组在制备肾透明细胞癌预后评估系统中的应用 Download PDFInfo
- Publication number
- CN113444794B CN113444794B CN202110712975.7A CN202110712975A CN113444794B CN 113444794 B CN113444794 B CN 113444794B CN 202110712975 A CN202110712975 A CN 202110712975A CN 113444794 B CN113444794 B CN 113444794B
- Authority
- CN
- China
- Prior art keywords
- immune
- artificial sequence
- cell carcinoma
- clear cell
- renal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/118—Prognosis of disease development
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/158—Expression markers
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Genetics & Genomics (AREA)
- Analytical Chemistry (AREA)
- Zoology (AREA)
- General Health & Medical Sciences (AREA)
- Biotechnology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Wood Science & Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Immunology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Oncology (AREA)
- Microbiology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及医学生物检测技术领域,提供了联合基因组在制备肾透明细胞癌预后评估系统中的应用,该联合基因组为NFKBIA、PRKCE、TLR3、BCL2、TAL1、VCAM1、CD36、VEGFA、SAA1、HLA‑DOB、CCL19、PDCD1、IL1R2、CARD11、FCGR1A、SOCS1、IL10、GATA3、CASP3、CD22、PMCH、TNFRSF9、CXCL16、TNFRSF11A、CD28、CTAG1B、HNRNPA2B1以及ALKBH5的联合;进一步提供了预后评估试剂盒,由逆转录系统、引物系统和扩增系统组成;还提供了一种预后评估系统,包括预后评估试剂盒或检测探针以及安装在终端载体上的免疫亚群分类模型。
Description
技术领域
本发明属于医学生物检测技术领域,涉及联合基因组在肾透明细胞癌预后评估中的应用。
背景技术
肾细胞癌是泌尿生殖系统最常见的恶性肾透明细胞癌肾透明细胞癌之一,约占所有成人男性新发病例5%,占女性新发病例的3%。据统计,2019年全美约有73,820例肾癌新发病例和14,770例死亡病例,我国每年新发肾癌患者约6.68万例,居泌尿系统肾透明细胞癌发病率的第二位。透明细胞肾癌(clear cell renal cell carcinoma,ccRCC)是最常见的、恶性程度较高的肾癌病理类型,约占全部肾癌患者的70-85%,约25-30%的ccRCC患者初诊即出现转移,而转移性ccRCC的5年生存率仅为32%。
从上个世纪90年代白介素-2和干扰素应用于肾癌的治疗,到2005年第一个靶向药物索拉菲尼上市,转移性肾癌的治疗仅仅局限在术后辅助细胞因子治疗。2002年JCO杂志报道经IFN-α治疗的463例晚期肾细胞癌患者的回顾性分析表明,中位生存期仅仅为13 个月,而高危患者生存期只有5个月。2005年索拉菲尼的上市正式拉开了肾癌靶向治疗的序幕,至今美国食品药品管理局(FDA)已先后批准了十余种药物及方案用于晚期肾癌的治疗。2007年新英格兰杂志报道舒尼替尼与IFN-α1:1对比一线治疗转移性肾透明细胞癌的研究表明,中位PFS分别为11个月和5个月,客观缓解率分别为31%和6%。从而奠定了舒尼替尼一线治疗肾透明细胞癌的地位。
近年来免疫治疗在肾癌治疗领域迅速崛起,纳武单抗是最早被FDA批准于既往接受过抗血管生成药物治疗的晚期肾细胞癌患者。CheckMate214研究是一项多中心随机对照Ⅲ期临床研究,评估纳武单抗联合伊匹单抗对比舒尼替尼一线治疗晚期中高危肾癌的效果。结果显示联合治疗组与舒尼替尼组在客观缓解率(42%对27%)及中位总生存期(未达到对26个月)方面均有明显获益,且耐受性良好,彰显了免疫治疗的生存获益优势。晚期肾癌的治疗从靶向治疗跨越到靶向联合免疫治疗,引来了新的篇章。
在过去的40年里,我们对肾癌的理解发生了变化。从把肾癌作为单一的实体看待,到现在的肾癌由许多不同的亚型组成,每种亚型都有不同的组织学、不同的遗传和分子学改变,具有不同的临床病程以及不同的治疗效果。目前,肾细胞癌的典型分类包括三种主要的组织学肾细胞癌亚型。透明细胞肾癌(ccRCC)是最常见的亚型(~75%),乳头状肾细胞癌(PRCC)占15%~20%,分为1型和2型,嫌色细胞癌(ChRCC)约占肾癌的5%。虽然这种组织学上的异质性已经广泛应用于肾细胞癌的研究及治疗当中,但基因组学、蛋白质组学以及代谢组学等最新进展揭示了不同的临床相关的分子亚群,帮助研究者进一步了解肾细胞癌发生发展的分子基础以及更好的针对性治疗措施。
为了进一步了解肾细胞癌发生的潜在分子变化,癌症基因组图谱(TCGA)研究网络对不同肾细胞癌组织类型,包括ccRCC、ChRCC和PRCC,进行了一系列全面的分子表征研究。这些研究揭示了肾细胞癌细胞代谢的重塑,包括Krebs周期基因下调,磷酸戊糖途径基因上调,以及高级别和低生存率患者中AMPK的降低。并且鉴定出一个独特的PRCC亚型,其特征是CpG岛甲基化表型(CIMP-RCC)与早发性肾癌、低生存率和富马酸水合酶(FH)基因的胚系或体细胞突变有关,而在TERT启动子区域内存在基因组重排的ChRCC亚型被鉴定为与TERT的高表达和kataegis的表现相关,揭示了癌症中TERT上调的一个独特的机制。这些研究强调了除了组织学评估外,分子特征对肾细胞癌患者分层的价值,同时确定肾细胞癌发生发展的独特基因组特征。
2019年ClarkDJ等人发表于Cell杂志的一项关于综合蛋白质组学特征研究,对大规模治疗初期的ccRCC和配对的正常邻近组织样本进行了全面的基因组学、表观基因组学、转录组学、蛋白质组学和磷酸化蛋白质组学研究。研究者通过对基因组分析确定了与基因组不稳定相关的一种明显的分子亚群。进一步对蛋白质组和基因组整合研究,确定了独一无二的受基因组改变影响的蛋白质失调,包括氧化磷酸化相关的代谢、蛋白质翻译过程和磷酸化信号模块。为了评估单个肾透明细胞癌中免疫浸润的程度,研究者确定了微环境细胞特征,这些细胞特征描绘了四种基于免疫的ccRCC亚型,这些亚型具有不同的细胞通路。该研究报告了一项大规模的肾细胞癌蛋白质组学分析,以明确基因组改变对功能的影响,并从肾细胞癌的病理生物学角度为合理选择治疗方法提供了依据。
对于临床局限期的肾透明细胞癌而言,治疗手段仍以保留肾单位手术或根治性肾切除干预为主,术后进一步的细胞因子或个体化精准辅助治疗可减少肾透明细胞癌复发转移率,提高患者远期生存率。目前晚期肾癌的一线治疗药物以靶向血管内皮生长因子受体(Vascular endothelial growth factor receptor,VEGFR)的酪氨酸激酶抑制剂(Tyrosine kinase inhibitor,TKI)为主,如培唑帕尼、舒尼替尼、索拉非尼、阿西替尼、卡博替尼等。尽管抗血管生成药物在一定程度上可以抑制肾透明细胞癌增殖,可以显著延长低危ccRCC患者生存,但药物副反应明显,总体疗效欠佳,治疗的客观反应率仅不到30%,延长的中位总生存时间也不到12个月。
近年来,以PD-1/PD-L1、CTLA4抑制剂为代表的免疫治疗在肾癌治疗领域迅速崛起,对晚期难治性患者显示出令人鼓舞的疗效。自2015年FDA基于Checkmate025研究批准了纳武利尤单抗应用于既往接受过抗血管生成药物治疗的晚期肾细胞癌患者,2020 年ASCOGU公布了CheckMate025研究的5年随访结果,结果显示纳武利尤单抗二线治疗的5年生存率达26%,彰显了免疫治疗的生存获益优势。随后,免疫检查点抑制剂逐渐从二线走向了一线,目前PD-1单抗联合CTLA-4单抗及PD-1/PD-L1单抗联合抗血管生成药物一线治疗晚期肾癌在FDA相继获批,晚期肾癌的治疗引来了新的篇章。
尽管分子靶向治疗和免疫治疗针对恶性肾透明细胞癌病理生理发生、发展的关键靶点进行治疗干预,但并非是以患者为中心的精准个体化治疗。这是因为每个患者的肾透明细胞癌组织的生物学特征及其对药物的敏感性呈高度异质性,在同一组织学分型的不同患者中,其生物学特征和靶向/免疫治疗效果均存在显著的差异。除癌细胞生物学外,炎性微环境还会影响起始和进展。癌细胞周围的免疫微环境可以识别并抑制肾透明细胞癌的生长或促进进展。表征肾透明细胞癌部位免疫反应的质量和数量至关重要,因为这可能有助于查明可以从免疫疗法中受益的患者,并将增进我们对肾透明细胞癌宿主生物学的了解。因此,如何通过分子生物学特征,将晚期ccRCC患者进一步按照免疫浸润情况分型,为晚期ccRCC患者筛选合适的治疗方案,进一步提高治疗效果,同时降低靶向治疗和免疫治疗所带来的药物副反应是临床上亟待解决的问题。
发明内容
本发明是为解决上述技术问题而进行的,提供了作为透明细胞肾细胞癌预后标志物的联合基因组,以及该联合基因组在制备肾透明细胞癌预后评估试剂或试剂盒中的应用,同时还提供了一种肾透明细胞癌预后评估系统。
发明人前期通过TCGA数据库获得了肾透明细胞癌(KIRC)患者的RNA测序 (RNA-seq)数据,从ThePanCancer Immune Profilingpanel中总共下载770 基因。最终在TCGA肾癌(KIRC)中匹配了758个免疫基因。基于758个基因的表达来计算相关性矩阵,以评估样品之间的依赖性,使用R软件包pheatmap对患者的相关矩阵进行分层聚类(图1),最终根据“手肘法”确认了ClusterA、ClusterB以及ClusterC 三类亚群为最优划分结果(图2)。
随后,对三类亚群进行预后分析,分析发现三类亚群生存存在差异,将亚群重新划分类别,发现Cluster A与Cluster B&C存在显著的预后差异。
为了进一步表征亚群之间的差异,通过glmnet R软件包使用了二项式逻辑回归来预测免疫亚群。通过对758个基因构建逻辑回归,最终识别了如下28个关键基因作为肾癌患者预后标志物,用于亚群的划分:NFKBIA、PRKCE、TLR3、BCL2、TAL1、VCAM1、 CD36、VEGFA、SAA1、HLA-DOB、CCL19、PDCD1、IL1R2、CARD11、FCGR1A、 SOCS1、IL10、GATA3、CASP3、CD22、PMCH、TNFRSF9、CXCL16、TNFRSF11A、 CD28、CTAG1B、HNRNPA2B1以及ALKBH5。
依据glmnet R软件构建分类器,应用二元logistics回归,发明人将分类器简化为公式:预测评分=(-0.662483618)×NFKBIA+(-0.523934558)×PRKCE+(-0.489247682)×TLR3+
(-0.427444142)×BCL2+(-0.350590136)×TAL1+(-0.309081476)×VCAM1+(-0.1999168 59)×CD36+(-0.144564421)×VEGFA+0.10951554×SAA1+0.117298273×HLA-DOB+0.1598 36206×CCL19+0.161643026×PDCD1+0.183347864×IL1R2+0.19235162×CARD11+0.1944 42497×FCGR1A+0.196117825×SOCS1+0.204864528×IL10+0.238322064×GATA3+0.2686 37578×CASP3+0.28463019×CD22+0.321432354×PMCH+0.340779923×TNFRSF9+0.41874 462×CXCL16+0.521498677×TNFRSF11A+0.590391928×CD28+11.36462049×CTAG1B+1. 889424×HNRNPA2B1+0.45105321+ALKBH5。
实际应用时,只需对样本中上述28个基因的定量表达进行检测,然后根据上述公式进行预测评分,并根据该评分确定免疫亚群种类,指导患者预后以及是否能够从免疫治疗中获益。
本发明的第一方面,提供了作为肾透明细胞癌预后评估标志物的联合基因组,为如下28个基因的联合:NFKBIA、PRKCE、TLR3、BCL2、TAL1、VCAM1、CD36、VEGFA、 SAA1、HLA-DOB、CCL19、PDCD1、IL1R2、CARD11、FCGR1A、SOCS1、IL10、GATA3、 CASP3、CD22、PMCH、TNFRSF9、CXCL16、TNFRSF11A、CD28、CTAG1B、HNRNPA2B1 以及ALKBH5。
本发明的第二方面,提供了上述联合基因组在肾透明细胞癌预后评估中的用途:第一个用途为联合基因组在制备肾透明细胞癌预后评估试剂或试剂盒中的应用;第二个用途为在制备用于肾透明细胞癌预后评估的检测探针中的用途。
优选的,该预后评估试剂为检测生物样品中联合基因组中各基因表达量的试剂;试剂盒包含了检测生物样品中联合基因组中各基因表达量的的试剂。
进一步,所述的检测生物样品中联合基因组各基因表达量的试剂,选自:对各个基因具有检测特异性的PCR引物,该PCR引物的序列如SEQ ID NO.1~56所示,具体参见表1:
表1联合基因组PCR引物汇总
本发明的第三方面,提供了一种肾透明细胞癌预后评估试剂盒,由逆转录系统、引物系统和扩增系统组成,所述的引物系统包括如表1中列举的SEQ ID NO.1~56所示的 PCR引物。
本发明的第四方面,提供了一种用于肾透明细胞癌预后评估的检测探针,包括与联合基因组中各基因特异性结合的探针。通过多标记物检测探针检测生物芯片上固定基因序列,以实现对肾癌患者基因准确、快速、大信息量的评价。
本发明的第五方面,提供了一种肾透明细胞癌预后评估系统,包括预后评估试剂盒或检测探针以及安装在终端载体上的免疫亚群分类模型,
预后评估试剂盒或检测探针实现样本中标志物基因的定量检测;免疫亚群分类模型基于各基因表达量,根据如下公式进行样本分值计算,并根据分值确定当前样本的免疫分型属于免疫排斥型还是免疫荒漠型,
分值=(-0.662483618)×NFKBIA+(-0.523934558)×PRKCE+(-0.489247682)×TLR3+
(-0.427444142)×BCL2+(-0.350590136)×TAL1+(-0.309081476)×VCAM1+(-0.19991685 9)×CD36+(-0.144564421)×VEGFA+0.10951554×SAA1+0.117298273×HLA-DOB+0.15983 6206×CCL19+0.161643026×PDCD1+0.183347864×IL1R2+0.19235162×CARD11+0.19444 2497×FCGR1A+0.196117825×SOCS1+0.204864528×IL10+0.238322064×GATA3+0.26863 7578×CASP3+0.28463019×CD22+0.321432354×PMCH+0.340779923×TNFRSF9+0.418744 62×CXCL16+0.521498677×TNFRSF11A+0.590391928×CD28+11.36462049×CTAG1B+1.8 89424×HNRNPA2B1+0.45105321+ALKBH5。
优选的,免疫亚群分类模型为glmnet R软件包,先使用二项式逻辑回归通过机器学习的模式对已有样本进行学习,进行免疫亚群分类,并进行验证。
本发明的第六方面,提供了一种采用上述预后评估系统进行肾透明细胞癌预后辅助评估的方法,包括以下步骤:
A.提取待检样本总RNA;
B.对步骤A中的总RNA进行逆转录,得到cDNA;
C.采用实时定量PCR技术分别对联合基因组中各基因的表达量进行定量检测,检测过程中所用引物如SEQ ID NO:1~56所示;
D.基于每个基因的表达量,根据上述公式进行预后评估分值计算,并根据分值确定当前样本的免疫分型属于免疫排斥型还是免疫荒漠型。
免疫排斥型的ClusterB&C具有促肿瘤原性的免疫浸润,并且显示出比免疫荒漠型的ClusterA更差的生存优势,但该类患者可从免疫治疗中获益良多。
本发明的有益保障及效果如下:
本发明首次对ccRCC微环境中免疫环境进行精确分组,发现免疫排斥型的ClusterB &C具有促肿瘤原性的免疫浸润,并且显示出比免疫荒漠型的ClusterA显着更差的生存优势,可以作为全新的独立预后指标,突显了肿瘤表型与免疫背景之间的紧密关系。
本发明开创性地针对不同肾癌Cluster分组构建分类器,通过逻辑回归算法识别并锁定可以预测不同亚群的28个关键标志物,与原模型预测效率高度一致,大大提高临床转化效率,方便快捷,经济社会效益较高。
技术实现方面,联合基因组中的各基因检测检测本质上是血液等体液基因组的定量检测,如采用PCR技术或采用探针技术,具有操作简便、检测灵敏、特异性好、重复性高等特点,现今已越来越多地被应用于临床检验技术中。这一技术在现代实验诊断学中已被证实是高灵敏度、高准确度的检测方法,试验技术已经十分成熟,并且我们采用的是这一技术中的标准曲线定量法,可以准确地对各种样品中特点核酸分子做精确定量。
本发明通过glmnet R软件包,先使用二项式逻辑回归通过机器学习的模式对已有样本进行学习,进行免疫亚群分类,并进行验证。通过检测患者基因序列将其分成不同免疫亚群,指导患者预后及是否能够从免疫治疗获益。
附图说明
图1为本发明技术路线图;
图2为聚类分析结果,(A)最优聚类亚群划分,(B)样本亚群划分;
图3为ClusterA、ClusterB、ClusterC三类亚群表达以及临床指标分析;
图4为肾癌突变基因以及已知亚群差异分析;
图5为肾癌亚群差异分析:(A)亚群mRNAsi分析,(B)亚群免疫StromalScore分析,(C)亚群ImmuneScore分析,(D)亚群ESTIMATEScore分析;
图6为亚群生存预后分析:(A)3个不同免疫亚群的预后生存曲线,(B)新定义亚群生存预后分析;
图7为ICGC患者预后生存验证分析:(A)ICGC患者样本划分为3类,(B)3 类亚群生存预后验证,(C)Cluster A与Cluster B&C生存预后;
图8为使用二项式Logistic回归预测聚类A与聚类B&C:(A)lasso回归样本预测的曲线下面积,(B)对于训练集样本,热图使用聚类表示样本是cluster A还是cluster B&C的一部分,(C)预测的亚群中生存预后分析,(D)2个亚群之间风险得分的差异性;
图9为2个免疫亚群临床指标分析:(A)肿瘤纯度分析,(B)甲基化水平分析, (C)CDKN2A.Exp表达值分析,(D)突变总数分析;
图10为2个免疫亚群临床指标分析:(A)吸烟与否与亚群之间的差异分析,(B)2 个亚群微卫星不稳定性得分分析,(C)性别与2个亚群之间的关联分析,(D)2个亚群吸烟与否与风险得分的关联分析,(E)肾癌亚群的NOS与风险得分的差异分析,(F) 2个亚群年龄的关联分析,(G)2个亚群肿瘤状态的差异分析;
图11为亚群免疫浸润分析:(A)2个亚群中免疫细胞浸润程度分析,(B)亚群免疫浸润热图,(C)亚群单因素cox回归森林图;
图12为免疫细胞中高浸润与低浸润水平中生存预后分析;
图13为亚群功能富集分析。(A)亚群B&C上调基因在msigDB中C2集合中富集结果,(B)亚群B&C上调基因在msigDB中hallmark集合中富集结果,(C)2个亚群样本的GSVA得分热图,(D)框的大小与置信区间的宽度成反比,星号表示经FDR校正的p值<0.05;
图14为亚群snp与cnv突变分析:(A)2个亚群拷贝数变异分析,包括拷贝数扩增与拷贝数缺失,(B)ClusterA拷贝数gistic score,(C)ClusterB&C拷贝数gistic score, (D)2个亚群snp以及临床关联分析;
图15为亚群免疫治疗分析;
图16为真实世界多中心大样本数据分析,(A)为ClusterA与ClusterB&C亚群整体生存率分析,(B)为无进展生存期中ClusterA与ClusterB&C亚群整体生存率分析;
图17为亚群免疫微环境变化分析,(A)多标记染色;(B)两亚群三级淋巴结构计数;(C)~(E)两个亚群ki-67、Glut-1、PD-L1染色程度对比;
图18为亚群Opal多标免疫组化分析,(A)ClusterA,(B)ClusterB,(C)ClusterC。
具体实施方式
现结合实施例和附图,对本发明作详细描述,但本发明的实施不仅限于此。
本发明从肾细胞癌免疫分型角度出发,一方面,利用免疫相关基因进行一致性聚类分析,构建肾癌免疫亚群。通过分析亚群之间各项评分及指标评估亚群之间的异质性,并且构建分类器区分肾癌患者不同亚群。同时将不同亚群与临床指标进行关联分析、免疫浸润分析、功能富集分析以及免疫治疗效果分析。构建免疫分型的同时,分析能够预测免疫治疗疗效的指标。
另一方面,回顾性收集100对肾癌肿瘤及癌旁组织标本、临床病理信息等数据。利用实时荧光定量PCR(RT-qPCR)技术,分析100对标本中28个免疫相关基因表达情况,针对构建的分类器进行进一步验证。其次针对肾癌免疫分型---免疫排斥型(Cluster B&C)及免疫荒漠型(Cluster A),进行100例患者预后及临床指标关联研究。最后前瞻性收集肾癌患者的新鲜标本,通过流氏细胞技术探究两种免疫分型中B细胞、T细胞以及其他不同类型免疫细胞浸润情况,从而进一步查明能够从免疫治疗中获益的患者。
实施例一 免疫分型及亚群分析
1、构建免疫分型及其亚群分析
前期通过TCGA数据库获得了肾透明细胞癌(KIRC)患者的RNA测序(RNA-seq) 数据,从ThePanCancer Immune Profilingpanel中总共下载770基因。最终在TCGA肾癌(KIRC)中匹配了758个免疫基因。基于758个基因的表达来计算相关性矩阵,以评估样品之间的依赖性,使用R软件包pheatmap对患者的相关矩阵进行分层聚类,最终我们根据“手肘法”确认了3类亚群为最优划分结果(图2)。从聚类热图可以发现Cluster C患者的表达明显高于其他2个亚群,亚群A免疫基因表达处于中间水平(图 3)。
通过文献获取已知的肾癌亚群以及突变基因信息(PMID:29617669),经过分析发现 VHL和PBRM1是KIRC中最频繁发生突变的基因,其中Cluster A的突变比例最高。同时分析了KIRC已知亚群(包括Methylation,miRNA,mRNA亚群),发现3个亚群之间存在异质性(图4)。
使用R包estimate计算了亚群髓样浸润评分(StromalScore)、免疫评分(ImmuneScore),肿瘤纯度(ESTIMATEScore)等指标,并且从TCGA下载了基于RNA 表达的干性指数评分(mRNAsi)进行分析发现3个亚群存在显著差异(图5)。通过对 3中亚群的生存情况进行研究发现患者预后存在显著差异性。因clusterB,clusterC生存预后差异区别不太大,最终将2个亚群划分为clusterB&C(图6)。
2、亚群分组之后预后验证
为了进一步验证患者亚群之间生存存在差异性,我们从ICGC数据库中获取91个患者的肾透明细胞癌表达谱数据以及临床样本数据信息,进行生存预后验证。同样的,我们将亚群划分为3类(图7),并且对3类亚群进行预后分析,分析发现3类亚群生存存在差异,其中免疫基因表达水平处于中间水平的亚群A对应着较好的预后。同时将亚群重新划分类别,我们发现Cluster A与Cluster B&C存在显著的预后差异。
3、构建分类器预测免疫亚群
为了进一步表征亚群之间的差异,我们通过glmnet R软件包使用了二项式逻辑回归来预测免疫亚群。通过对758个基因构建逻辑回归,最终识别了28个关键基因作为肾癌患者预后标志物用于亚群的划分。我们进一步绘制ROC曲线发现,通过模型预测,聚类分配给聚类A的样本的91.9%被预测为A,而聚类B&C中发现通过聚类分配给聚类 B&C的样本占90.8%。进一步结合临床数据分析预测亚群之间的差异性,分析发现肾癌患者亚群之间生存存在明显的差异性。同时,利用逻辑回归系数计算了各个样本的风险得分,结果表明亚群B&C的风险得分明显高于亚群A(图8)。
4、不同cluster临床指标关联分析
通过分析不同亚群的肿瘤纯度,CDKN2A.Meth,CDKN2A.Exp,Mutations.Tota等指标发现2个亚群的表达甲基化以及肿瘤纯度都存在显著差异性。但是对于2个亚群的突变总数进行分析时,并未发现2个亚群之间差异的显著性(图9)。
另外,我们还分析了其他表型指标,包括亚群中性别、年龄、肿瘤分期的差异性、吸烟与否、MSI、切除或活检部位(包括Kidney.NOS)等指标(图10)分析发现2个亚群中吸烟与不吸烟之间存在差异性,但并不显著。同时微卫星不稳定性(MSI)也存在差异但不显著。肾癌患者性别存在显著差异。同时,吸烟与否以及肾癌亚群的NOS在风险得分中也存在显著差异。
5、亚群细胞浸润分析
通过利用R语言CIBERSORT算法推断22种浸润免疫细胞的绝对比例发现,2个亚群之间免疫浸润存在显著差异(图11A-B)。接下来我们使用22种免疫细胞的浸润程度进行单因素,多因素cox回归分析,并且将免疫细胞浸润程度按照均值划分为高浸润与低浸润2组水平,评估22种免疫细胞中高低免疫浸润水平下生存预后差异(图12)(此处只展示了p<0.54的免疫细胞类型)。我们发现Plasma cells,T cells CD4 memory resting, T cellsfollicular helper,T cells regulatory(Tregs),Dendritic cells resting,Mastcells resting 预后差异明显。同时我们也评估了各个免疫细胞中风险比的分布情况(图11C),从而识别高低免疫浸润在免疫细胞系中的保护与风险情况。
6、亚群功能富集
通过筛选2个亚群之间差异表达基因发现亚群A上调的基因有157个,亚群B&C 中上调的基因有888个。GSEA探究clusterB&C差异上调的基因富集的功能条目,分析发现富集到C2功能中的PEREZ_TP53_TARGETS, REACTOME_INNATE_IMMUNE_SYSTEM等功能,同时富集到 HALLMARK_ESTROGEN_RESPONSE_LATE,HALLMARK_KRAS_SIGNALING_DN 等癌症hallmark通路。进一步GSVA分析差异表达的基因的在肾癌样本中功能富集情况发现clusterA样本在HALLMARK_HEDGEHOG_SIGNALING, HALLMARK_PANCREAS_BETA_CELLS,HALLMARK_FATTY_ACID_METABOLISM 等免疫,代谢功能高度富集。而在clusterB&C中GO_MITOTIC_CELL_CYCLE, GO_MITOTIC_CELL_CYCLE,HALLMARK_HYPOXIA等上皮间充质转变,增殖功能高度富集。同时,使用广义线性模型cox回归模型测试了每个基因集对clusterB&C与clusterA的贡献。乏氧对cluster B&C具有积极作用,而 HALLMARK_KRAS_SIGNALING_UP和GO_MITOTIC_CELL_CYCLE,EMT是cluster B&C的风险因素。结合之前预后的分析,我们认为EMT或增殖表型可能是导致不良预后的因素(图13)。
7、亚群关联临床特征(EMT和增值)突变
为了进一步探究2个亚群之间突变的差异性,我们分析了亚群之间的SNP单核苷酸多肽以及拷贝数差异,发现2个亚群拷贝数扩增与缺失之间的差异性。同时发现2个亚群在拷贝数变异得分(gistic score)中也存在差异性。进一步结合SNP数据分析发现肾癌中VHL和PBRM1突变频繁发生,占总的样本突变率的40%以上,其中cluster A的突变比例比较高(图14)。
8、不同cluster免疫治疗分析
免疫检查点抑制剂在很多种癌的治疗中取得了理想的效果,其疗效和PD-L1表达程度密切相关。我们首先从GEO中下载免疫治疗数据GSE67501,该数据包括11个数据样本,我们分析了其中2类样本中PD-L1,PD-L2,LAG3的表达情况,发现对免疫治疗有反应的组倾向于3个基因高表达,而无反应组基因低表达。进而我们从TCGA获取肾癌亚群中3个基因的表达数据分析发现clusterB&C亚群的PD-L1,PD-L2,LAG3表达相对较高,而且PD-L2,LAG3差异明显(图15)。推测clusterB&C对于免疫治疗有一定的反应效果,发现在肾癌免疫治疗队列预测结局的敏敏度和特异度都较高(AUC=0.775),所以更加明确的结论需要进一步考察。
实施例二、针对模型构建器的真实世界验证
肾细胞癌由许多不同的亚型组成,每种亚型都有不同的组织学、不同的遗传和分子学改变,具有不同的临床病程以及不同的治疗效果。目前被广泛接受的亚组分型是基于组织学的肾细胞癌分型。虽然这种组织学上的异质性已经广泛应用于肾细胞癌的研究及治疗当中,但基因组学、蛋白质组学以及代谢组学等最新进展揭示了不同的临床相关的分子亚群,帮助研究者进一步了解肾细胞癌发生发展的分子基础以及更好的针对性治疗措施。
发明人在复旦肿瘤中心泌尿外科回顾性收集180对接受肾癌手术治疗患者的肿瘤及癌旁组织标本、临床病理信息等数据。采用实时荧光定量PCR(RT-qPCR)技术,分析 180对标本中28个前期研究所筛选出的免疫相关关键基因表达情况,揭示透明细胞肾癌发生发展过程中28个关键基因表达水平的改变,并且针对构建的分类器进行进一步验证。其次针对肾癌免疫分型---免疫排斥型(Cluster B&C)及免疫荒漠型(Cluster A),将360例患者分成两种免疫亚型,进行预后及临床指标关联研究,探究能够预测透明细胞肾癌患者不良预后的临床标志物,显示免疫排斥型亚群预后显著劣于免疫荒漠型(图 16)。
实施例三体外建立肾癌微环境探索不同免疫分型
使用多标记染色技术对两个亚群样本中的HE、ki-67、Glut-1、PD-L1进行染色用以评估高低预测评分组的免疫微环境变化。结果显示免疫排斥型(ClusterB&C)侵袭性、糖酵解强,抗肿瘤免疫活跃(图17)。
而后基于Opal多标免疫组化探索新型肾癌亚群样本免疫细胞浸润差异,结果显示, ClusterB&C亚群中CD8+T细胞、CD4+FOXP3+Treg、B细胞、PD-L1高表达(图18)。
本发明首次对ccRCC微环境中免疫环境进行精确分组,发现免疫排斥型的ClusterB &C具有促肿瘤原性的免疫浸润,并且显示出比免疫荒漠型的ClusterA显着更差的生存优势,可以作为全新的独立预后指标,突显了肿瘤表型与免疫背景之间的紧密关系。
本发明开创性地针对不同肾癌Cluster分组构建分类器,通过逻辑回归算法识别并锁定可以预测不同亚群的26个关键标志物,与原模型预测效率高度一致,大大提高临床转化效率,方便快捷,经济社会效益较高。
进一步表型分析和功能注释显示,肾癌中这两种互斥的侵袭性肿瘤表型,一种与上皮-间质转化(EMT)有关,另一种与代谢有关,且免疫细胞浸润、SNP、拷贝数和突变基因频率均存在显著差异,提示肾癌亚群之间明显的异质性。
目前ccRCC急需能够预测免疫治疗疗效的优质标志物或模型,本研究大量证据表明肾癌免疫分型能够显著预测免疫检查点抑制剂(ICI)治疗疗效,免疫排斥型簇B& C虽然预后显著更差,但该类患者可从免疫治疗中获益更多,其预测效能高于国际水平。
通过收集真实世界标本进行模型验证,对来自复旦肿瘤中心的180对随访肾癌标本验证分组,不仅发现免疫簇B&C表现出比免疫簇A显著更差的PFS和OS,且多光谱实验报告发现免疫簇B&C的标本中T细胞,B细胞高度浸润且PD-L1表达显著升高,为该模型的临床转化能力提供强力证据。
以上已对本发明创造的较佳实施例进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明创造精神的前提下还可作出种种的等同的变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
序列表
<110> 复旦大学附属肿瘤医院
<120> 联合基因组在制备肾透明细胞癌预后评估系统中的应用
<130> 权利要求书 说明书
<160> 56
<170> SIPOSequenceListing 1.0
<210> 1
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 1
ctccgagact ttcgaggaaa tac 23
<210> 2
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 2
gccattgtag ttggtagcct tca 23
<210> 3
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 3
cgaggccgtg agcttgaag 19
<210> 4
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 4
gcaatgtagg ggtcgagaag g 21
<210> 5
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 5
ttgccttgta tctacttttg ggg 23
<210> 6
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 6
tcaacactgt tatgtttgtg ggt 23
<210> 7
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 7
ggtggggtca tgtgtgtgg 19
<210> 8
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 8
cggttcaggt actcagtcat cc 22
<210> 9
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 9
agccggatgc cttccctat 19
<210> 10
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 10
gggaccatca gtaatctcca tct 23
<210> 11
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 11
gggaagatgg tcgtgatcct t 21
<210> 12
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 12
tctggggtgg tctcgatttt a 21
<210> 13
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 13
ggctgtgacc ggaactgtg 19
<210> 14
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 14
aggtctccaa ctggcattag aa 22
<210> 15
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 15
agggcagaat catcacgaag t 21
<210> 16
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 16
agggtctcga ttggatggca 20
<210> 17
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 17
agaggtgaca gtgtacccag a 21
<210> 18
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 18
ctccattcct gatagggcca g 21
<210> 19
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 19
atctgacccg actggattcc t 21
<210> 20
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 20
gcaccttttc tgtcccgttg 20
<210> 21
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 21
ctgctggttc tctggacttc c 21
<210> 22
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 22
agggatgggt ttctgggtca 20
<210> 23
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 23
ccaggatggt tcttagactc cc 22
<210> 24
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 24
tttagcacga agctctccga t 21
<210> 25
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 25
atgttgcgct tgtacgtgtt g 21
<210> 26
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 26
cccgcttgta atgcctccc 19
<210> 27
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 27
ggacgccttg tgggagaatg 20
<210> 28
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 28
tcaatgacct tacactgacg c 21
<210> 29
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 29
agctgtgaaa caaagttgct ct 22
<210> 30
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 30
ggtcttgctg cccatgtaga 20
<210> 31
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 31
cacgcacttc cgcacattc 19
<210> 32
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 32
taagggcgaa aaagcagttc c 21
<210> 33
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 33
gactttaagg gttacctggg ttg 23
<210> 34
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 34
tcacatgcgc cttgatgtct g 21
<210> 35
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 35
gcccctcatt aagcccaag 19
<210> 36
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 36
ttgtggtggt ctgacagttc g 21
<210> 37
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 37
catggaagcg aatcaatgga ct 22
<210> 38
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 38
ctgtaccaga ccgagatgtc a 21
<210> 39
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 39
gcaccctgaa accctctacg 20
<210> 40
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 40
atcaaacttc gaggtgttct tgt 23
<210> 41
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 41
ttggatggaa agtctgtgct tg 22
<210> 42
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 42
aggagatgat ctgcggagag t 21
<210> 43
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 43
agctgttaca acatagtagc cac 23
<210> 44
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 44
ggacagggac tgcaaatctg at 22
<210> 45
<211> 19
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 45
cccgccatcg gttcagttc 19
<210> 46
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 46
ccccgagtaa gcatgtccac 20
<210> 47
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 47
agatcgctcc tccatgtacc a 21
<210> 48
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 48
gccttgcctg tatcacaaac ttt 23
<210> 49
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 49
ctatttcccg gaccttctaa gcc 23
<210> 50
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 50
gcggggagtc atgttcatgt a 21
<210> 51
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 51
tggaggtagc cccggttatg 20
<210> 52
<211> 22
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 52
ggaccgtagt tagaaggttg ct 22
<210> 53
<211> 23
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 53
attgatggga gagtagttga gcc 23
<210> 54
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 54
aattccgcca acaaacagct t 21
<210> 55
<211> 20
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 55
cggcgaaggc tacacttacg 20
<210> 56
<211> 21
<212> DNA
<213> 人工序列(Artificial Sequence)
<400> 56
ccaccagctt ttggatcacc a 21
Claims (7)
1.检测生物样品中联合基因组各基因表达量的试剂在制备肾透明细胞癌预后评估试剂盒中的应用,其特征在于,该联合基因组为NFKBIA、PRKCE、TLR3、BCL2、TAL1、VCAM1、CD36、VEGFA、SAA1、HLA-DOB、CCL19、PDCD1、IL1R2、CARD11、FCGR1A、SOCS1、IL10、GATA3、CASP3、CD22、PMCH、TNFRSF9、CXCL16、TNFRSF11A、CD28、CTAG1B、HNRNPA2B1以及ALKBH5的联合。
2.根据权利要求1所述的应用,其特征在于:
其中,所述试剂盒包含了检测生物样品中所述联合基因组中各基因表达量的试剂。
3.根据权利要求1或2所述的应用,其特征在于:
其中,所述的检测生物样品中联合基因组各基因表达量的试剂,选自:对各个基因具有检测特异性的PCR引物,该PCR引物的序列如SEQ ID NO.1~56所示。
4.一种肾透明细胞癌预后评估试剂盒,其特征在于:由逆转录系统、引物系统和扩增系统组成,所述的引物系统包括如SEQ ID NO.1~56所示的PCR引物。
5.一种用于肾透明细胞癌预后评估的检测探针,其特征在于,包括与联合基因组中各基因特异性结合的探针,该联合基因组为NFKBIA、PRKCE、TLR3、BCL2、TAL1、VCAM1、CD36、VEGFA、SAA1、HLA-DOB、CCL19、PDCD1、IL1R2、CARD11、FCGR1A、SOCS1、IL10、GATA3、CASP3、CD22、PMCH、TNFRSF9、CXCL16、TNFRSF11A、CD28、CTAG1B、HNRNPA2B1以及ALKBH5的联合。
6.一种肾透明细胞癌预后评估系统,其特征在于,包括预后评估试剂盒或检测探针以及安装在终端载体上的免疫亚群分类模型,
所述预后评估试剂盒如权利要求4所述,所述检测探针如权利要求5所述;
所述免疫亚群分类模型基于各基因表达量,根据如下公式进行样本分值计算,并根据分值确定当前样本的免疫分型属于免疫排斥型还是免疫荒漠型,
分值=(-0.662483618)×NFKBIA+(-0.523934558)×PRKCE+(-0.489247682)×TLR3+
(-0.427444142)×BCL2+(-0.350590136)×TAL1+(-0.309081476)×VCAM1+(-0.199916859)×CD36+(-0.144564421)×VEGFA+0.10951554×SAA1+0.117298273×HLA-DOB+0.159836206×CCL19+0.161643026×PDCD1+0.183347864×IL1R2+0.19235162×CARD11+0.194442497×FCGR1A+0.196117825×SOCS1+0.204864528×IL10+0.238322064×GATA3+0.268637578×CASP3+0.28463019×CD22+0.321432354×PMCH+0.340779923×TNFRSF9+0.41874462×CXCL16+0.521498677×TNFRSF11A+0.590391928×CD28+11.36462049×CTAG1B+1.889424×HNRNPA2B1+0.45105321+ALKBH5。
7.根据权利要求6所述的肾透明细胞癌预后评估系统,其特征在于:
其中,所述免疫亚群分类模型为glmnet R软件包,先使用二项式逻辑回归通过机器学习的模式对已有样本进行学习,进行免疫亚群分类,并进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712975.7A CN113444794B (zh) | 2021-06-25 | 2021-06-25 | 联合基因组在制备肾透明细胞癌预后评估系统中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110712975.7A CN113444794B (zh) | 2021-06-25 | 2021-06-25 | 联合基因组在制备肾透明细胞癌预后评估系统中的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113444794A CN113444794A (zh) | 2021-09-28 |
CN113444794B true CN113444794B (zh) | 2023-01-06 |
Family
ID=77812920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110712975.7A Active CN113444794B (zh) | 2021-06-25 | 2021-06-25 | 联合基因组在制备肾透明细胞癌预后评估系统中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113444794B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844685B (zh) * | 2023-07-03 | 2024-04-12 | 广州默锐医药科技有限公司 | 一种免疫治疗效果评估方法、装置、电子设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2823306A4 (en) * | 2012-03-09 | 2015-11-11 | Caris Life Sciences Switzerland Holdings Gmbh | BIOMARKER COMPOSITIONS AND METHODS |
US11015190B2 (en) * | 2013-09-17 | 2021-05-25 | Lucence Life Sciences Pte Ltd | Method of treating a patient having renal cancer |
GB201805876D0 (en) * | 2018-04-09 | 2018-05-23 | Francis Crick Institute Ltd | Method |
CN108559777B (zh) * | 2018-04-26 | 2020-07-14 | 浙江大学 | 一种新型分子标记及其在制备用于肾透明细胞癌诊断和预后的试剂盒中的应用 |
CN110714073B (zh) * | 2018-07-12 | 2022-09-09 | 复旦大学附属肿瘤医院 | 一种用于癌症预后检测试剂盒 |
CN111471097B (zh) * | 2020-04-08 | 2021-07-30 | 青岛市中心医院 | 白介素37的应用及对肺癌细胞RNA m6A甲基化影响的试验方法 |
CN111575376A (zh) * | 2020-05-14 | 2020-08-25 | 复旦大学附属肿瘤医院 | 一组用于评估肾透明细胞癌预后的联合基因组及其应用 |
-
2021
- 2021-06-25 CN CN202110712975.7A patent/CN113444794B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113444794A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Single-cell RNA-sequencing atlas reveals an MDK-dependent immunosuppressive environment in ErbB pathway-mutated gallbladder cancer | |
Chen et al. | Identification and validation of immune-related gene prognostic signature for hepatocellular carcinoma | |
Yang et al. | Spatial heterogeneity of infiltrating T cells in high-grade serous ovarian cancer revealed by multi-omics analysis | |
Xiao et al. | A DNA-methylation-driven genes based prognostic signature reveals immune microenvironment in pancreatic cancer | |
Freeman et al. | Combined tumor and immune signals from genomes or transcriptomes predict outcomes of checkpoint inhibition in melanoma | |
Salas-Benito et al. | The mutational load and a T-cell inflamed tumour phenotype identify ovarian cancer patients rendering tumour-reactive T cells from PD-1+ tumour-infiltrating lymphocytes | |
Jiang et al. | GARP correlates with tumor-infiltrating T-cells and predicts the outcome of gastric cancer | |
CN113444794B (zh) | 联合基因组在制备肾透明细胞癌预后评估系统中的应用 | |
Jiang et al. | Tertiary lymphoid structure patterns predicted anti-PD1 therapeutic responses in gastric cancer | |
Song et al. | Spatial multi-omics revealed the impact of tumor ecosystem heterogeneity on immunotherapy efficacy in patients with advanced non-small cell lung cancer treated with bispecific antibody | |
Lin et al. | Evolutionary route of nasopharyngeal carcinoma metastasis and its clinical significance | |
Cavalieri et al. | Clinical validity of a prognostic gene expression cluster-based model in human papillomavirus–positive oropharyngeal carcinoma | |
CN108350507B (zh) | 对疾病进行组织学诊断和治疗的方法 | |
Batchu | Immunological landscape of Neuroblastoma and its clinical significance | |
Zhang et al. | Increased co-expression of MEST and BRCA1 is associated with worse prognosis and immune infiltration in ovarian cancer | |
US20230085358A1 (en) | Methods for cancer tissue stratification | |
Liu et al. | Prediction of unfavourable response to checkpoint blockade in lung cancer patients through an integrated tumour-immune expression score | |
Zheng et al. | Identification of 5-gene signature improves lung adenocarcinoma prognostic stratification based on differential expression invasion genes of molecular subtypes | |
Li et al. | Biomarkers of pathologic complete response to neoadjuvant immunotherapy in mismatch repair–deficient colorectal cancer | |
CN113528509A (zh) | 一种用于预测胃癌免疫治疗的肿瘤微环境评分系统的构建方法以及分子探针 | |
Zhang et al. | A novel prognostic signature based on immunogenic cell death score predicts outcomes and response to transcatheter arterial chemoembolization and immunotherapy in hepatocellular carcinoma | |
Lu et al. | Turning towards nonimmunoreactive tumors: Evaluation of cancer-associated fibroblasts enables prediction of the immune microenvironment and treatment sensitivity in pancreatic cancer | |
Pan et al. | Characteristics of pyroptosis-related subtypes and novel scoring tool for the prognosis and chemotherapy response in acute myeloid leukemia | |
Li et al. | CARD-associated risk score features the immune landscape and predicts the responsiveness to anti-PD-1 therapy in IDH wild-type gliomas | |
Liu et al. | Th17 cells secrete TWEAK to trigger epithelial-mesenchymal transition and promote colorectal cancer liver metastasis |
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 |