CN113764038B - 构建骨髓增生异常综合征转白基因预测模型的方法 - Google Patents
构建骨髓增生异常综合征转白基因预测模型的方法 Download PDFInfo
- Publication number
- CN113764038B CN113764038B CN202111009309.3A CN202111009309A CN113764038B CN 113764038 B CN113764038 B CN 113764038B CN 202111009309 A CN202111009309 A CN 202111009309A CN 113764038 B CN113764038 B CN 113764038B
- Authority
- CN
- China
- Prior art keywords
- mutation
- sample
- risk
- model
- risk mds
- 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
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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种构建骨髓增生异常综合征转白基因预测模型的方法,包括以下步骤:收集高危MDS患者的样本及其预后数据;提取样本DNA并测序,获得突变谱;利用oncodriveCLUST函数和dndscv函数,将突变谱与现有高危MDS患者DNA测序数据库比对,将两种方法都比对到的基因定义为高危MDS组驱动基因;以各训练样本的高危MDS组驱动基因突变标记作为输入,对SVM分类器模型进行训练,完成模型的构建。本发明的模型构建方法从分子层面对疾病转白风险进行预测,不局限于骨髓增生异常综合征亚型的不同,对于所有成人患者可得到较精确的预测。
Description
技术领域
本发明属于生物医学领域,具体涉及一种构建骨髓增生异常综合征转白基因预测模型的方法。
背景技术
骨髓增生异常综合征(myelodysplastic syndromes,MDS)是一组起源于造血干细胞的临床常见血液系统恶性肿瘤,以难治性血细胞减少及无效造血以及高风险向急性髓细胞性白血病(acute myeloid leukemia,AML)进展为特征。患者有转化为白血病的可能。但由于个体异质性,不同患者白血病转化率及时间各异,故而临床上迫切需要有良好预测作用的指标。
与骨髓增生异常综合征白血病转化相关的因素主要包括性别、年龄等患者因素,以及疾病分型、血细胞数、基因突变、基因表达及表观遗传改变等疾病因素。目前临床常用的国际预后积分系统(IPSS)、WHO分型预后积分系统(WPSS)和修订的国际预后积分系统(R-IPSS)等系统从骨髓原始细胞比例、流式细胞学、细胞遗传学改变及血细胞减少程度等方面对患者进行预后评分并分组可对白血病转化进行预测。其中,细胞遗传学异常在分型分组中所占比重日益加重,如临床常见的del(5q)、del(20q)、-7、+8、-Y等已被应用于预后分期。
然而值得注意的是在临床实践中,患者的临床表现及治疗效果差异仍较大,即便在同一分型和同一预后组中亦然。这表明目前纳入分型分级标准的临床和细胞遗传特征对于揭示MDS的疾病本质尚且不足,新的分子层面的研究亟待开展以助于进一步深入了解疾病的致病机制,从而更精准预测MDS的白血病转化率。
发明内容
本发明的目的在于提供一种构建骨髓增生异常综合征转白基因预测模型的方法。
本发明的目的通过下述技术方案实现:
一种构建骨髓增生异常综合征转白基因预测模型的方法,包括以下步骤:
(1)收集高危MDS患者的样本及其预后数据;提取样本DNA并测序,获得突变谱;将高危MDS患者的样本作为训练样本;
所述的高危MDS患者是依据IPSS分型确定的;
所述的样本为骨髓穿刺样品、血液,或其他组织;
所述测序的方法包括sanger测序、ARMS-PCR(Amplification RefractoryMutation System PCR)、MASS-PCR(Mutation-Selected Amplification SpecificSystem)、全基因组测序、全外显子测序以及小队列靶向测序;
所述的突变包括错义突变、无义突变、框移插入、框移缺失、非框移插入,非框移缺失及剪切位点突变,排除内含子变异及同义突变;
(2)利用oncodriveCLUST函数和dndscv函数,将步骤(1)获得的突变谱与现有高危MDS患者DNA测序数据库比对,将两种方法都比对到的基因定义为高危MDS组驱动基因;
所述的高危MDS组驱动基因为CBL、EZH2、RUNX1、IDH1、ASXL1、TET2、TP53、SRSF2、IDH2和JAK2;
(3)将训练样本中的高危MDS组驱动基因选取出,并且进行突变标记,当存在突变时标记为A1,不存在突变时标记为A2;以各训练样本的高危MDS组驱动基因突变标记作为输入,对SVM分类器模型进行训练,完成模型的构建;
所述步骤(3)中,A1为1,A2为0,或者A1为1,A2为0;
SVM分类器模型可以选取0.5为阈值对样本进行预测,当样本预测值≥0.5,预测该样本为高风险转白;当样本预测值<0.5,预测该样本为低风险转白;
所述步骤(3)中,优选通过sample函数随机从入组高危MDS组样本中选取70%患者作为训练集,将其驱动基因的突变标记作为输入,对SVM分类器模型进行训练,再用剩余30%样本的预测值进行验证;
所述步骤(3)中,针对各训练样本,还提取出临床信息,包括原始细胞数、血细胞计数、细胞遗传学异常等指标,在训练时,将训练样本的高危MDS组驱动基因突变与临床信息融合后作为输入,对SVM分类器模型进行训练。
优选地,在步骤(2)获取高危MDS组驱动基因后,利用Lasso多重回归方法得到Bonferroni校正后与白血病转化显著相关的突变基因,建立改进的wGRS模型:
wGRS=β1S1+β2S2+,…,+βnSn+a;
a为常数;S1至Sn为与白血病转化显著相关的各突变基因,β1至βn为对应权重;
根据改进的wGRS模型进行转白风险预测,预测得分<0.5为高风险转白,预测得分>0.5为低风险转白;
优选地,与白血病转化显著相关的突变基因为:CBL、EZH2、IDH1和TP53;
所述改进的wGRS模型为:
wGRS=-0.3459*CBL-0.1989*EZH2-0.2663*IDH1+0.2174*TP53+0.5996。
本发明相对于现有技术具有如下的优点及效果:
相对于已有的针对骨髓增生异常综合征白血病转化的预测指标,本发明的模型构建方法从分子层面对疾病转白风险进行预测,不局限于骨髓增生异常综合征亚型的不同,对于所有成人患者可得到较精确的预测,对于高危患者进行早期干预,延缓疾病进展,且有助于后续治疗靶向药物的选择,有较高临床实用性。
附图说明
图1是实施例中lasso回归最小CP值的选择图,最小cp值为4。
图2是实施例中lasso回归中不同自变量选入顺序;不同的线代表不同自变量,竖线对应于lasso中迭代的次数,对应的系数值不为0的自变量即为选入的自变量。
图3是实施例中lasso回归模型的AUC曲线图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
骨髓增生异常综合征转白早期预测模型的建立
1)收集广东省人民医院血液科2018年1月至2019年12月的22例髓系肿瘤患者治疗前的骨髓穿刺样本,入组患者均根据IPSS分型被诊断为高危MDS患者,其中11例在随访期间进展为白血病,其余11例未进展为白血病。
2)收集20ng骨髓穿刺液提取基因组DNA,应用Ion ProtonTMSequencer进行上机测序。对所得数据分别通过Samtools-1.8和Picard-2.19等软件进行排序、去除PCR重复和构建索引。接着,利用bcftools mpileup联合bcftools call进行变异检测(callvariation)。
3)变异识别软件bcftools找到的变异为以(VCF,Variant Call Format)格式储存,以QUAL<20and MQ<40为指标过滤低质量值数据。并用refGene、cytoBand、avsnp150、esp6500siv2_all、1000g2015aug_all、1000g2015aug_eas、dbnsfp30a、cosmic70、exac03、clinvar_20140929等数据库注释变异及氨基酸突变分析。
4)驱动基因:利用cbioportal数据库中MSKCC数据集153例高危MDS患者DNA测序数据,通过R包“maftools”中oncodriveCLUST函数及R包“dndscv”进行驱动基因的检测(结果如表1和表2所示)。将两种方法检测到的共有驱动基因定义为高危MDS组驱动基因,并应用于后续分析。
汇总表1和表2,高危MDS组驱动基因为CBL、EZH2、RUNX1、IDH1、ASXL1、TET2、TP53、SRSF2、IDH2和JAK2。
5)入组的22例高危MDS患者驱动基因的突变情况如下(如表3所示);
表1基于oncodriveClust寻找高频突变基因结果汇总表
表2基于R包dndscv检测驱动基因结果汇总表
表3
AML | CBL | EZH2 | RUNX1 | IDH1 | ASXL1 | TET2 | TP53 | SRSF2 | IDH2 | JAK2 |
Y | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Y | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Y | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Y | 0 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
Y | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
Y | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
Y | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Y | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
Y | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
Y | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 |
Y | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
N | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
N | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 |
N | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
N | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0 |
N | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 1 |
N | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
N | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 |
N | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
N | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
N | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
N | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
注:Y指该患者在随访期内发生白血病进展,N指该患者在随访期内未发生白血病进展;“1”指该样本在该基因发生突变,“0”表示该样本在该基因未发生突变
6)利用R 3.6.1中sample函数随机选取其中14例MDS样本的10个基因突变有无作为训练集,利用R包“e1071”进行SVM分类器模型训练,根据训练集结果选取0.5为预测阈值,将样本分为疾病转白和疾病未转白两组(如表4所示)。
表4
样本 | SVM预测值 | 预测结果 | 临床结果 | 一致性 |
S1 | 0.0516901 | 低风险进展 | 未转白 | 一致 |
S2 | 0.052018222 | 低风险进展 | 未转白 | 一致 |
S3 | 0.180939376 | 低风险进展 | 未转白 | 一致 |
S4 | 0.19531375 | 低风险进展 | 未转白 | 一致 |
S5 | 0.344135252 | 低风险进展 | 未转白 | 一致 |
S6 | 0.750653047 | 高风险进展 | 未转白 | 不一致 |
S7 | 0.750653047 | 高风险进展 | 转白 | 一致 |
S8 | 0.947917056 | 高风险进展 | 未转白 | 不一致 |
S9 | 0.947917056 | 高风险进展 | 转白 | 一致 |
S10 | 0.947917056 | 高风险进展 | 转白 | 一致 |
S11 | 0.948101223 | 高风险进展 | 转白 | 一致 |
S12 | 0.948182257 | 高风险进展 | 转白 | 一致 |
S13 | 0.948243325 | 高风险进展 | 转白 | 一致 |
S14 | 0.948380951 | 高风险进展 | 转白 | 一致 |
7)在剩余8例样本中验证此模型的分类效能(如表5所示)。
表5
样本 | SVM预测值 | 预测结果 | 临床结果 | 一致性 |
S1 | 0.36484287 | 低风险进展 | 未转白 | 一致 |
S2 | 0.441575904 | 低风险进展 | 未转白 | 一致 |
S3 | 0.461959559 | 低风险进展 | 未转白 | 一致 |
S4 | 0.461959559 | 低风险进展 | 未转白 | 一致 |
S5 | 0.461959559 | 低风险进展 | 转白 | 不一致 |
S6 | 0.624852621 | 高风险进展 | 转白 | 一致 |
S7 | 0.654242169 | 高风险进展 | 转白 | 一致 |
S8 | 0.948182257 | 高风险进展 | 转白 | 一致 |
8)为了进一步确认MDS中与白血病转化相关性更强的基因,利用Lasso多重回归方法得到Bonferroni校正后与白血病转化显著相关的突变基因,为:CBL、EZH2、IDH1和TP53,建立改进的wGRS模型(如图1-图3所示);把每个纳入的突变基因都当作变量S,根据得到的每个基因的权重值β,于是改进的wGRS模型表示为各变量与自己的权重乘积之和;
wGRS=-0.3459*CBL-0.1989*EZH2-0.2663*IDH1+0.2174*TP53+0.5996。上述步骤7)的实现代码可以如下:
library(lars)
SVM51$AML=as.numeric(SVM51$AML)
x=as.matrix(SVM51[,2:10])
y=as.matrix(SVM51[,1])
lar1<-lars(x,y,type="lasso")
plot(lar1)
summary(lar1)
lar1$Cp[which.min(lar1$Cp)]
lar1$beta
coef<-coef.lars(lar1,mode="step",s=5)
coef[coef!=0]
predict(lar1,data.frame(CBL=0,EZH2=0,TP53=0,IDH1=0,ASXL1=0,SRSF2=0,IDH2=0,RUNX1=0,TET2=0),s=5)
根据所改进模型进行转白风险预测,预测得分<0.5为高风险转白,预测得分≥0.5为低风险转白,如表6所示。
表6
注:Y指该患者在随访期内发生白血病进展,N指该患者在随访期内未发生白血病进展;“1”指该样本在该基因发生突变,“0”表示该样本在该基因未发生突变
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种构建骨髓增生异常综合征转白基因预测模型的方法,其特征在于包括以下步骤:
(1)收集高危MDS患者的样本及其预后数据;提取样本DNA并测序,获得突变谱;将高危MDS患者的样本作为训练样本;
(2)利用R包maftools中oncodriveCLUST函数和R包dndscv函数,将步骤(1)获得的突变谱与现有高危MDS患者DNA测序数据库比对,将两种方法都比对到的基因定义为高危MDS组驱动基因;
(3)将训练样本中的高危MDS组驱动基因选取出,并且进行突变标记,当存在突变时标记为A1,不存在突变时标记为A2;以各训练样本的高危MDS组驱动基因突变标记作为输入,对SVM分类器模型进行训练,完成模型的构建;获取高危MDS组驱动基因后,利用Lasso多重回归方法得到Bonferroni校正后与白血病转化显著相关的突变基因,建立改进的wGRS模型;
wGRS=β1S1+β2S2+,…,+βnSn+a;
a为常数;S1至Sn为与白血病转化显著相关的各突变基因,β1至βn为对应权重;
根据改进的wGRS模型进行转白风险预测,预测得分<0.5为高风险转白,预测得分≥0.5为低风险转白;
步骤(3)中,A1为1,A2为0,或者A1为1,A2为0;SVM分类器模型选取0.5为阈值对样本进行预测,当样本预测值≥0.5,预测该样本为高风险转白;当样本预测值<0.5,预测该样本为低风险转白。
2.根据权利要求1所述的方法,其特征在于:步骤(2)所述的高危MDS组驱动基因为CBL、EZH2、RUNX1、IDH1、ASXL1、TET2、TP53、SRSF2、IDH2和JAK2。
3.根据权利要求1所述的方法,其特征在于:所述步骤(3)中,通过sample函数随机从入组高危MDS组样本中选取70%患者作为训练集,将其驱动基因的突变标记作为输入,对SVM分类器模型进行训练,再用剩余30%样本的预测值进行验证。
4.根据权利要求1所述的方法,其特征在于:所述与白血病转化显著相关的突变基因为:CBL、EZH2、IDH1和TP53;
所述改进的wGRS模型为:
wGRS=-0.3459*CBL-0.1989*EZH2-0.2663*IDH1+0.2174*TP53+0.5996。
5.根据权利要求1-4任一项所述的方法,其特征在于:针对各训练样本,提取出临床信息,在训练时,将训练样本的高危MDS组驱动基因突变与临床信息融合后作为输入,对SVM分类器模型进行训练。
6.根据权利要求5所述的方法,其特征在于:所述的临床信息包括原始细胞数、血细胞计数、细胞遗传学异常指标。
7.根据权利要求1所述的方法,其特征在于:步骤(1)所述的样本为骨髓穿刺样品、血液,或其他组织。
8.根据权利要求1所述的方法,其特征在于:步骤(1)所述的突变包括错义突变、无义突变、框移插入、框移缺失、非框移插入、非框移缺失及剪切位点突变,排除内含子变异及同义突变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009309.3A CN113764038B (zh) | 2021-08-31 | 2021-08-31 | 构建骨髓增生异常综合征转白基因预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111009309.3A CN113764038B (zh) | 2021-08-31 | 2021-08-31 | 构建骨髓增生异常综合征转白基因预测模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113764038A CN113764038A (zh) | 2021-12-07 |
CN113764038B true CN113764038B (zh) | 2023-08-22 |
Family
ID=78792005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111009309.3A Active CN113764038B (zh) | 2021-08-31 | 2021-08-31 | 构建骨髓增生异常综合征转白基因预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113764038B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841261A (zh) * | 2022-04-29 | 2022-08-02 | 华南理工大学 | 增量宽度和深度学习的药物反应预测方法、介质和设备 |
CN117373678B (zh) * | 2023-12-08 | 2024-03-05 | 北京望石智慧科技有限公司 | 基于突变签名的疾病风险预测模型构建方法及分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001271386A1 (en) * | 2000-06-23 | 2002-03-28 | Mayo Foundation For Medical Education And Research | Methods of treating neutrophil-related diseases with topical anesthetics |
CN104508143A (zh) * | 2012-03-12 | 2015-04-08 | 纪念斯隆-凯特琳癌症中心 | 用于急性髓细胞白血病的诊断、预后和治疗的方法和组合物 |
CN109906485A (zh) * | 2016-10-27 | 2019-06-18 | 南托米克斯有限责任公司 | Mds向aml的转变及其预测方法 |
CN110993026A (zh) * | 2019-12-30 | 2020-04-10 | 苏州大学 | 一种骨髓增生异常综合征的评估方法及评估系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2414389A1 (en) * | 2000-06-23 | 2002-01-03 | Mayo Foundation For Medical Education & Research | Methods of treating neutrophil-related diseases with topical anesthetics |
EP3218520B1 (en) * | 2014-11-12 | 2023-09-20 | Neogenomics Laboratories, Inc. | Deep sequencing of peripheral blood plasma dna is reliable for confirming the diagnosis of myelodysplastic syndrome |
-
2021
- 2021-08-31 CN CN202111009309.3A patent/CN113764038B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001271386A1 (en) * | 2000-06-23 | 2002-03-28 | Mayo Foundation For Medical Education And Research | Methods of treating neutrophil-related diseases with topical anesthetics |
CN104508143A (zh) * | 2012-03-12 | 2015-04-08 | 纪念斯隆-凯特琳癌症中心 | 用于急性髓细胞白血病的诊断、预后和治疗的方法和组合物 |
CN109906485A (zh) * | 2016-10-27 | 2019-06-18 | 南托米克斯有限责任公司 | Mds向aml的转变及其预测方法 |
CN110993026A (zh) * | 2019-12-30 | 2020-04-10 | 苏州大学 | 一种骨髓增生异常综合征的评估方法及评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113764038A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240153593A1 (en) | Population based treatment recommender using cell free dna | |
CN106795562B (zh) | Dna混合物中的组织甲基化模式分析 | |
JP2021058194A (ja) | 遺伝子の変異の非侵襲的な評価のための方法および処理 | |
CN109767810B (zh) | 高通量测序数据分析方法及装置 | |
CA3180334A1 (en) | Methods for detection of donor-derived cell-free dna | |
CN113764038B (zh) | 构建骨髓增生异常综合征转白基因预测模型的方法 | |
US20220101944A1 (en) | Methods for detecting copy-number variations in next-generation sequencing | |
US11581062B2 (en) | Systems and methods for classifying patients with respect to multiple cancer classes | |
US20190066842A1 (en) | A novel algorithm for smn1 and smn2 copy number analysis using coverage depth data from next generation sequencing | |
US20210065842A1 (en) | Systems and methods for determining tumor fraction | |
US11869661B2 (en) | Systems and methods for determining whether a subject has a cancer condition using transfer learning | |
US20210358626A1 (en) | Systems and methods for cancer condition determination using autoencoders | |
CN116403644B (zh) | 一种用于癌症风险预测的方法及装置 | |
EP3662479A1 (en) | A method for non-invasive prenatal detection of fetal sex chromosomal abnormalities and fetal sex determination for singleton and twin pregnancies | |
US20210115520A1 (en) | Systems and methods for using pathogen nucleic acid load to determine whether a subject has a cancer condition | |
JP2022534634A (ja) | 検出限界ベースの品質管理メトリック | |
CA3167633A1 (en) | Systems and methods for calling variants using methylation sequencing data | |
US20240132965A1 (en) | Highly sensitive method for detecting cancer dna in a sample | |
CN113362897A (zh) | 基于核小体分布特征的肿瘤标志物筛选方法及应用 | |
CN113764044B (zh) | 一种构建骨髓增生异常综合征进展基因预测模型的方法 | |
Choudhury et al. | Machine Learning and Bioinformatics Models to Identify Gene Expression Patterns of Glioblastoma Associated with Disease Progression and Mortality | |
US20240136018A1 (en) | Component mixture model for tissue identification in dna samples | |
WO2024038396A1 (en) | Method of detecting cancer dna in a sample | |
Retnomawarti et al. | The Bioinformatics Application in Detecting Germline and Somatic Variants towards Breast Cancer using Next Generation Sequencing | |
CN111944898A (zh) | 一种特征mRNA表达谱组合及肾透明细胞癌早期预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |