CN113450874A - 预测ipf患者预后的8基因模型及应用 - Google Patents
预测ipf患者预后的8基因模型及应用 Download PDFInfo
- Publication number
- CN113450874A CN113450874A CN202110812509.6A CN202110812509A CN113450874A CN 113450874 A CN113450874 A CN 113450874A CN 202110812509 A CN202110812509 A CN 202110812509A CN 113450874 A CN113450874 A CN 113450874A
- Authority
- CN
- China
- Prior art keywords
- prognosis
- predicting
- gene
- expression level
- ipf
- 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- 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
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Biotechnology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Bioethics (AREA)
- Biomedical Technology (AREA)
Abstract
本发明涉及一种预测IPF患者预后的8基因模型,基于血液标本的基因芯片测序数据集,由基因DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK构建了一个与炎症和免疫反应相关的8基因模型即DFPRS评分,用于预测特发性肺纤维化患者的预后,DFPRS评分可以很好地显示IPF患者的免疫与炎症情况,早期识别IPF预后差的患者,早发现,早治疗,减少IPF患者的死亡率,减少医疗负担。
Description
技术领域
本发明涉及医学诊断技术技术领域,具体地说是一种预测IPF患者预后的8基因模型及应用。
背景技术
特发性肺纤维化(Idiopathic pulmonary fibrosis,IPF)是一种反复急性肺损伤的复杂疾病,可导致呼吸困难加重,肺功能恶化。在美国,18-64岁人群中IPF的发病率为每年6.1/100,000。IPF患者预后较差,多在诊断后2-3年内死亡,5年生存率仅为20%。在过去的几十年里,基因和基因组技术的快速发展已经开始重塑我们对IPF的理解。因此,探讨与IPF患者预后相关的基因相关模型非常重要。越来越多的证据表明先天免疫和适应性免疫过程可以协调现有的纤维化反应,并与IPF患者的预后相关。然而,在血液中,与炎症和免疫反应相关的基因模型还没有被构建,并且这些基因模型未给出明确的参照值,对患者死亡风险进行有效划分。
发明内容
针对上述现有技术里,在血液中,与炎症和免疫反应相关的基因模型还没有被构建,并且这些基因模型未给出明确的参照值,对患者死亡风险进行有效划分等问题,本发明提供一种预测IPF患者预后的8基因模型及应用。
为解决上述技术问题,本发明采用的技术方案为:
一种预测IPF患者预后的8基因模型,所述8基因如下:DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK。
所述基因模型评分的计算公式如下:-(0.033982856*expression level ofDSC2-0.355507146*expression level of FAIM3-0.453477467*expression level ofFAM102A-0.219619383*expression level of PF4-0.506204609*expression level ofRGS18+0.350261192*expression level of S100A12+0.090300010*expression level ofSERPINB10-0.032171202*expression level of TXK)。
所研究对象采集的外周血单核细胞,使用基因芯片进行高通量测序,测序结果使用R语言进行处理,表达值进行log2转换。
所述基因芯片为AFFY基因芯片。
用于预测特发性肺纤维化患者的预后。
预测IPF患者预后的8基因模型的应用,包括以下过程:
1)IPF患者入院;
2)对血中单核细胞使用基因芯片进行高通量分析;
3)利用8基因模型进行评分;
4)根据截断值,即8.328对患者死亡风险进行划分;
5)高危患者特殊关注并给予更进一步的治疗。
利用8基因模型评分与8.328进行比较,低于8.328患者的免疫功能低,炎性反应增加,死亡风险大。
一种基因模型用于制备预测IPF患者预后的试剂盒中的应用。
一种基因模型用于制备预测IPF患者预后的试剂盒中的应用,所述基因为:DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK。
本发明的有益效果:
本发明提供的预测IPF患者预后的8基因模型,基于血液标本的基因芯片测序数据集,由基因DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK构建了一个与炎症和免疫反应相关的8基因模型即DFPRS评分,基因模型评分的计算公式如下:-(0.033982856*expression level of DSC2-0.355507146*expression level of FAIM3-0.453477467*expression level of FAM102A-0.219619383*expression level of PF4-0.506204609*expression level of RGS18+0.350261192*expression level of S100A12+0.090300010*expression level of SERPINB10-0.032171202*expression level ofTXK),评分结果与8.328进行比较,可以很好预测IPF患者的死亡风险,并且给出了一个参考值,可以把患者分为高死亡危险患者和低死亡危险患者。
本发明用于预测特发性肺纤维化患者的预后,DFPRS评分可以很好地显示IPF患者的免疫与炎症情况,早期识别IPF预后差的患者,早发现,早治疗,减少IPF患者的死亡率,减少医疗负担。
附图说明
图1实施例1高危组及低危组患者生存分析图;
图2实施例2高危组及低危组患者生存分析图;
图3实施例1免疫相关分析图;
图4实施例2免疫相关分析图。
具体实施方式
下面结合具体实施方式对本发明做进一步的阐述。
预测IPF患者预后的8基因模型,即DFPRS评分所包含的8个基因如下:DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK。
DFPRS评分的计算公式如下:-(0.033982856*expression level of DSC2-0.355507146*expression level of FAIM3-0.453477467*expression level ofFAM102A-0.219619383*expression level of PF4-0.506204609*expression level ofRGS18+0.350261192*expression level of S100A12+0.090300010*expression level ofSERPINB10-0.032171202*expression level of TXK)。
每个基因对应的美国国家生物技术信息中心(National Center ofBiotechnology Information)的ID如下:DSC2(1824)、FAIM3(9214)、FAM102A(399665)、PF4(5196)、RGS18(64407)、S100A12(6283)、SERPINB10(5273)、TXK(7294)。另外,这个分数计算出来的患者的分数与8.328进行比较,低于8.328患者的免疫功能低,炎性反应增加,死亡风险大。
以上所述8个基因分别有以下别名:
DSC2:DG2;DSC3;CDHF2;ARVD11;DGII/III
FAIM3:TOSO,FCMR
FAM102A:EEIG1;SYM-3A;C9orf132;bA203J24.7
PF4:PF-4;CXCL4;SCYB4
RGS18:RGS13
S100A12:p6;CAGC;CGRP;MRP6;CAAF1;MRP-6;ENRAGE
SERPINB10:PI10;PI-10
TXK:RLK;TKL;BTKL;PTK4;PSCTK5
一种预测IPF患者预后的8基因模型的应用,包括以下过程:
1)IPF患者入院
2)对血中单核细胞使用基因芯片进行高通量分析
3)进行DFPRS评分
4)根据截断值(8.328)对患者死亡风险进行划分
5)高危患者特殊关注并给予更进一步的治疗。
一种基因模型用于制备预测IPF患者预后的试剂盒中的应用。
一种基因模型用于制备预测IPF患者预后的试剂盒中的应用,所述基因为:DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK。基因组结构如下:DSC2(18q12.1,NC_000018.10:31058840..31102421)、FAIM3(1q32.1,NC_000001.11:206903282..206922001)、FAM102A(9q34.11,NC_000009.12:127940582..127980989)、PF4(4q13.3,NC_000004.12:73980811..73982124)、RGS18(1q31.2,NC_000001.11:192158462..192187172)、S100A12(1q21.3,NC_000001.11:153373711..153375621)、SERPINB10(18q22.1,NC_000018.10:63907958..63936111)、TXK(4p12,NC_000004.12:48063504..48135322)。
实施例1
利用基因芯片预测特发性肺纤维化患者的预后
1、临床研究对象:
选取特发性肺纤维化患者57例,其中男性38例,女性19例,平均年龄67岁,诊断标准均符合ATS年修订的《特发性肺纤维化诊疗规范》。
排除标准:患免疫系统疾病或者近期使用过免疫抑制剂者。
数据来源于基因表达综合数据库(Gene Expression Omnibus,GEO),ID为GSE93606。
2、基因芯片测序,生物信息学分析
所有研究对象采集的外周血单核细胞使用AFFY基因芯片进行高通量测序,测序结果使用R语言进行处理,表达值进行log2转换。
3、DFPRS分数计算。
将8个基因的表达值代入计算公式-(0.033982856*expression level of DSC2-0.355507146*expression level of FAIM3-0.453477467*expression level ofFAM102A-0.219619383*expression level of PF4-0.506204609*expression level ofRGS18+0.350261192*expression level of S100A12+0.090300010*expression level ofSERPINB10-0.032171202*expression level of TXK)中,低于8.328的患者为高危组,有28人,高于该值的有29人(低危组)。
4、免疫相关分析
使用R语言计算患者的免疫及炎症评分,高危患者免疫相关评分低,炎症评分高,如图3所示
5、预后分析
使用KM生存分析对高危组及低危组患者进行生存分析,结果如图1所示:(CEP:复合终点:死亡或6月内FVC(用力肺活量)占预计值百分比下降≥10%)。
实施例2
利用基因芯片预测特发性肺纤维化患者的预后
1、临床研究对象:
选取特发性肺纤维化患者45例,其中男性40例,女性5例,平均年龄67岁,诊断标准均符合ATS年修订的《特发性肺纤维化诊疗规范》。
数据来源于基因表达综合数据库(Gene Expression Omnibus,GEO),ID为GSE27957。
2、基因芯片测序,生物信息学分析
所有研究对象采集的外周血单核细胞使用AFFY基因芯片进行高通量测序,测序结果使用R语言进行处理,表达值进行log2转换。
3、DFPRS分数计算。
将8个基因的表达值代入计算公式-(0.033982856*expression level of DSC2-0.355507146*expression level of FAIM3-0.453477467*expression level ofFAM102A-0.219619383*expression level of PF4-0.506204609*expression level ofRGS18+0.350261192*expression level of S100A12+0.090300010*expression level ofSERPINB10-0.032171202*expression level of TXK)中,低于8.328的患者为高危组,有6人,高于该值的有39人(低危组)。
4、免疫相关分析
使用R语言计算患者的免疫及炎症评分,高危患者免疫相关评分低,炎症评分高,如图4所示
5、预后分析
使用KM生存分析对高危组及低危组患者进行生存分析,结果如图2所示:(TFS:无肺移植生存)。
Claims (9)
1.一种预测IPF患者预后的8基因模型,其特征在于:所述8基因如下:DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK。
2.如权利要求1所述的预测IPF患者预后的8基因模型,其特征在于:所述基因模型评分的计算公式如下:-(0.033982856*expression level of DSC2-0.355507146*expressionlevel of FAIM3-0.453477467*expression level of FAM102A-0.219619383*expressionlevel of PF4-0.506204609*expression level of RGS18+0.350261192*expressionlevel of S100A12+0.090300010*expression level of SERPINB10-0.032171202*expression level of TXK)。
3.如权利要求1或2所述的预测IPF患者预后的8基因模型,其特征在于:所研究对象采集的外周血单核细胞,使用基因芯片进行高通量测序,测序结果使用R语言进行处理,表达值进行log2转换。
4.如权利要求3所述的预测IPF患者预后的8基因模型,其特征在于:所述基因芯片为AFFY基因芯片。
5.如权利要求1~4任一所述的预测IPF患者预后的8基因模型的应用,其特征在于:用于预测特发性肺纤维化患者的预后。
6.如权利要求5所述的预测IPF患者预后的8基因模型的应用,其特征在于,包括以下过程:
1)IPF患者入院;
2)对血中单核细胞使用基因芯片进行高通量分析;
3)利用8基因模型进行评分;
4)根据截断值,即8.328对患者死亡风险进行划分;
5)高危患者特殊关注并给予更进一步的治疗。
7.如权利要求5所述的预测IPF患者预后的8基因模型的应用,其特征在于:利用8基因模型评分与8.328进行比较,低于8.328患者的免疫功能低,炎性反应增加,死亡风险大。
8.一种如权利要求1所述基因模型用于制备预测IPF患者预后的试剂盒中的应用。
9.一种如权利要求8所述基因模型用于制备预测IPF患者预后的试剂盒中的应用,其特征在于,所述基因为:DSC2,FAIM3,FAM102A,PF4,RGS18,S100A12,SERPINB10和TXK。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812509.6A CN113450874A (zh) | 2021-07-19 | 2021-07-19 | 预测ipf患者预后的8基因模型及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812509.6A CN113450874A (zh) | 2021-07-19 | 2021-07-19 | 预测ipf患者预后的8基因模型及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450874A true CN113450874A (zh) | 2021-09-28 |
Family
ID=77816631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812509.6A Pending CN113450874A (zh) | 2021-07-19 | 2021-07-19 | 预测ipf患者预后的8基因模型及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450874A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014049588A1 (en) * | 2012-09-27 | 2014-04-03 | University College Dublin, National University Of Ireland, Dublin | A method for treatment of pulmonary fibrosis and diagnosis or prognosis of an aggressive pulmonary fibrosis phenotype |
CN110923308A (zh) * | 2019-12-12 | 2020-03-27 | 河南师范大学 | 特发性肺纤维化疾病诊断标志物及其制备诊断或预后工具中的应用 |
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 |
CN112582028A (zh) * | 2020-12-30 | 2021-03-30 | 华南理工大学 | 一种肺癌预后预测模型、构建方法及装置 |
CN112635063A (zh) * | 2020-12-30 | 2021-04-09 | 华南理工大学 | 一种肺癌预后综合预测模型、构建方法及装置 |
CN112813165A (zh) * | 2021-02-03 | 2021-05-18 | 复旦大学附属金山医院(上海市金山区核化伤害应急救治中心、上海市金山区眼病防治所) | 一种肺鳞癌预后预测模型及其应用 |
-
2021
- 2021-07-19 CN CN202110812509.6A patent/CN113450874A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014049588A1 (en) * | 2012-09-27 | 2014-04-03 | University College Dublin, National University Of Ireland, Dublin | A method for treatment of pulmonary fibrosis and diagnosis or prognosis of an aggressive pulmonary fibrosis phenotype |
CN110923308A (zh) * | 2019-12-12 | 2020-03-27 | 河南师范大学 | 特发性肺纤维化疾病诊断标志物及其制备诊断或预后工具中的应用 |
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 |
CN112582028A (zh) * | 2020-12-30 | 2021-03-30 | 华南理工大学 | 一种肺癌预后预测模型、构建方法及装置 |
CN112635063A (zh) * | 2020-12-30 | 2021-04-09 | 华南理工大学 | 一种肺癌预后综合预测模型、构建方法及装置 |
CN112813165A (zh) * | 2021-02-03 | 2021-05-18 | 复旦大学附属金山医院(上海市金山区核化伤害应急救治中心、上海市金山区眼病防治所) | 一种肺鳞癌预后预测模型及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Serrano et al. | Racioethnic diversity in the dynamics of the vaginal microbiome during pregnancy | |
Fettweis et al. | The vaginal microbiome and preterm birth | |
US20230203573A1 (en) | Methods for detection of donor-derived cell-free dna | |
EP1490789B1 (en) | Method of predicting sepsis in a patient suffering from systemic inflammatory response syndrome (sirs) | |
CN108778287B (zh) | 用于早产结果的早期风险评估的方法和系统 | |
Weigt et al. | Usefulness of gene expression profiling of bronchoalveolar lavage cells in acute lung allograft rejection | |
AU2010260152A1 (en) | Determination of coronary artery disease risk. | |
CN111778326B (zh) | 用于子宫内膜容受性评估的基因标志物组合及其应用 | |
CN107254531B (zh) | 早发性结直肠癌辅助诊断的遗传生物标志物及其应用 | |
WO2018209625A1 (zh) | 一种基于外周血无创性检测病灶免疫组库多样性的分析系统及其用途 | |
CN113012761B (zh) | 脑卒中多基因遗传风险综合评分的构建方法与装置及应用 | |
KR20200107841A (ko) | 환자 전사체 샘플의 유의 유전자 발현 지표 조합 점수 기반 질병 표현형 판별 방법 | |
CN112795646A (zh) | 一种预判重症新冠肺炎(covid-19)的标志物及其产品和用途 | |
WO2010120914A1 (en) | Predictive models and method for assessing age | |
CN112037863B (zh) | 一种早期nsclc预后预测系统 | |
KR20220013349A (ko) | 검출 한계 기반 품질 제어 메트릭 | |
CN113450874A (zh) | 预测ipf患者预后的8基因模型及应用 | |
US20240153588A1 (en) | Systems and methods for identifying microbial biosynthetic genetic clusters | |
CN113817814B (zh) | 一种人体免疫力定量评估系统 | |
US20200255905A1 (en) | Diagnosis of cancer or other physiological condition using circulating nucleic acid fragment sentinel endpoints | |
CN107841551B (zh) | 单核苷酸多态性位点在创伤脓毒症风险评估中的应用 | |
RU2572336C1 (ru) | Способ прогнозирования уровня артериального давления у больных гипертонической болезнью | |
US11739369B2 (en) | Immune profiling using small volume blood samples | |
US20230340569A1 (en) | Methods for detecting primary immunodeficiency | |
WO2022191293A1 (ja) | 全単球及びcd16陽性単球の割合の測定方法 |
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 |