CN115605608A

CN115605608A - 帕金森氏病的检测方法

Info

Publication number: CN115605608A
Application number: CN202180035027.2A
Authority: CN
Inventors: 上原裕也; 井上高良; 服部信孝; 齐木臣二; 上野真一; 竹重遥香
Original assignee: Kao Corp; Saitama Medical University
Current assignee: Kao Corp; Saitama Medical University
Priority date: 2020-05-14
Filing date: 2021-05-14
Publication date: 2023-01-13
Also published as: JP2021180654A; EP4151752A1; WO2021230379A1; US20230183806A1

Abstract

本发明提供一种用于检测帕金森氏病的标记基因和使用该标记基因的帕金森氏病的检测方法。一种被检验者的帕金森氏病的检测方法，包括：对于从被检验者采集的生物试样，测定选自SNORA16A、SNORA24、SNORA50和REXO1L2P这四种基因群中的至少一种基因或其表达产物的表达水平的工序。

Description

帕金森氏病的检测方法

技术领域

本发明涉及一种使用帕金森氏病标记物检测帕金森氏病的方法。

背景技术

从病理学上来看，帕金森氏病是一种以Lewy小体的形成和中脑黑质的多巴胺神经细胞的变性和细胞死亡为主的进行性神经退行性疾病，其中，Lewy小体的形成以α-突触核蛋白聚集体为主，临床上来看，则是一种以肌肉强直、震颤、少动、行走障碍等运动障碍为主的疾病。

在神经退行性疾病中，帕金森氏病的数量仅次于阿尔兹海默症，患病率达10万人中120～130人，推测日本约有14万患者。

目前，没有能够根治帕金森氏病的疗法，通过L-DOPA补充等对症疗法控制症状对保持QOL被认为是重要的。

但是，出现运动障碍的自觉症状时，已经处于中晚期，所以需要早期诊断疾病并实现早期介入。

作为用于检测帕金森氏病的生物标记物，除检测α-突触核蛋白积累之外，还提出了检测源自循环血清的微RNA(专利文献1)；测定血液中酪氨酸与苯基丙氨酸的浓度比率(专利文献2)等。另外，据报道称，在帕金森氏病患者的皮肤中，与大脑一样可见形成α-突触核蛋白聚集体(非专利文献1)；帕金森氏病患者会出现脂溢性皮炎、黑色素瘤、水疱性天疱疮、酒糟鼻等皮肤疾病或症状(非专利文献2)，考虑帕金森氏病与皮肤的状态存在某种关系，但科学关联性尚不明确。

另一方面，正在开发了通过分析生物试样中的DNA和RNA等核酸来考察人体内当前和将来的生理状态的技术。利用核酸的分析具有如下优点：已建立了全面的分析方法，一次分析即能得到丰富的信息；及容易基于与单碱基多态性和RNA功能等相关的诸多研究报告实现分析结果的功能关联。源自生物的核酸可以从血液等体液、分泌物、组织等中提取，最近有些报道中使用皮肤表层脂质(skin surface lipids；SSL)中所含的RNA作为用于分析生物的样本；从SSL能够检测到表皮、汗腺、毛囊和皮脂腺的标记基因(专利文献3)。

专利文献1：日本特表2019-506183号公报

专利文献2：日本特开2016-75644号公报

专利文献3：国际公开公报第2018/008319号

非专利文献1：Rodriguez-Leyva I et al.Ann Clin Transl Neurol.2014(modified)

非专利文献2：Ravn AH et al.Clin Cosmet Investig Dermatol.2017

发明内容

本发明涉及下面的1)～3)。

1)一种被检验者的帕金森氏病的检测方法，包括：对于从被检验者采集的生物试样，测定选自SNORA16A、SNORA24、SNORA50和REXO1L2P这四种基因群中的至少一种基因或其表达产物的表达水平的工序。

2)一种1)的方法中使用的用于检测帕金森氏病的检查用试剂盒，其中，

含有与所述基因特异性杂交的寡核苷酸或识别所述基因的表达产物的抗体。

3)一种帕金森氏病的检测标记物，其由选自表3-1～3-4和表6-1～6-2所示的基因群的至少一种基因或其表达产物构成。

附图说明

图1是由测试数据中的最佳预测模型中的预测值和实测值制成的混淆矩阵。

具体实施方式

本发明涉及一种用于检测帕金森氏病的标记物和使用该标记物检测帕金森氏病的方法。

本发明人等从帕金森氏病患者和健康者的皮肤上采集SSL，将SSL中所含的RNA的表达状态作为序列信息进行全面分析，结果发现，在两者之间，特定的基因的表达水平存在显著差异，可以以此为指标来检测帕金森氏病。

根据本发明，可以简单无创地在早期以高精度、灵敏度和特异度检测帕金森氏病。

本文中引用的全部专利文献、非专利文献和其它刊物整体作为参考引用在本文中。

在本说明书中，术语“核酸”或“多核苷酸”表示DNA或RNA。DNA中包括cDNA、基因组DNA和合成DNA的全部，“RNA”中包括total RNA、mRNA、rRNA、tRNA、non-coding RNA和合成RNA的全部。

在本说明书中，“基因”除表示包含人基因组DNA的双链DNA之外，还表示包含cDNA的单链DNA(正链)、具有与该正链互补的序列的单链DNA(互补链)和包含这些片段的物质，并且，在构成DNA的碱基的序列信息中包含一些生物学信息。

另外，该“基因”不仅包含特定的碱基序列所表示的“基因”，还包含它们的同源物(即，同系物或者直系同源物)、基因多型等变异体和编码衍生物的核酸。

本说明书中所公开的基因名称基于NCBI([www.ncbi.nlm.nih.gov/])所记载的官方代号(Official Symbol)。另一方面，关于基因本体(gene ontology、GO)，基于String([string-db.org/])所记载的Pathway ID.。

在本说明书中，基因的“表达产物”是包含基因的转录产物和翻译产物的概念。“转录产物”为从基因(DNA)转录生成的RNA，“翻译产物”是指基于RNA翻译合成的被基因编码的蛋白质。

在本说明书中，“帕金森氏病”表示以黑质致密部多巴胺神经细胞的变性为主要主病变，缓慢进行性地表现出三种运动症状(静息性震颤、强直、运动缓慢和运动不能)的特发性且进行性的疾病。

在本说明书中，帕金森氏病的“检测”是指明确帕金森氏病存在或不存在，也可以有检查、测定、判定、评价或辅助评价这样的术语替换。其中，在本说明书中，“判定”或“评价”这样的术语不包括医生进行的这些行为。

本发明的由SNORA16A、SNORA24、SNORA50和REXO1L2P构成的四种基因是后述实施例所示的选自下述表A中记载的33种基因的基因，其是在帕金森氏病患者中，源自SSL的RNA的表达量相比健康者显著上升(UP)或下降(DOWN)的基因，并且是至今都没有被知晓为与帕金森氏病有关联的基因(表中由粗体表示)。

[表A]

将从两个试验(试验1：健康者/帕金森氏病患者各15名，试验2：健康者/帕金森氏病患者各50名)的被检验者的SSL中所提取的RNA的表达量的数据(读取计数值)转换为经样品间的总读取数(总Read数)的差异校正后的RPM值，将该RPM值转换成以2为底的对数值，基于由此得到的值(Log₂RPM值)，鉴定与健康者进相比在帕金森氏病患者中Student’s t-test的p值为0.05以下的RNA(试验1：111种表达上升基因、68种表达下降基因(共计179种基因、表1-1～1-5)；试验2：565种表达上升基因、294种表达下降基因(共计859种基因、表1-6～1-27)，选择在试验1和试验2中均上升的基因(18种)和均下降的基因(15种)，这些基因即是表A所示的33种基因。

因此，选自由该179种基因和859种基因(除去重复后共计1005种基因)构成的组的基因或其表达产物可以作为用于检测帕金森氏病的帕金森氏病标记物，其中，选自由表A所示的33种基因构成的组的基因或其表达产物是优选的帕金森氏病标记物。

表A和下述表1中，“P值(p value)”表示在统计学检验中观测到比在归无假说下实际上根据数据算得的统计量更加极端的统计量的概率。因此，“P值”越小，则可以视为比较对象间存在显著差异。

“UP”所示的基因是帕金森氏病患者中表达水平升高的基因，而“DOWN”所示的基因是帕金森氏病患者中表达水平降低的基因。

经过利用了基因本体(GO)富集分析的生物过程(biological process(BP))的探索和KEGG pathway探索表明，上述表达变动的基因群中包括与帕金森氏病(hsa05012)关联的基因(参见下述表2)。另一方面，在上述表达变动的基因群中，下述表3-1～3-4所示的基因是过去完全没有被报道过与帕金森氏病的关系相关的基因。因此，选自这些基因群的至少一种基因或其表达产物是用于检测帕金森氏病的新型帕金森氏病标记物，特别优选将试验1和试验2中相同的选自由SNORA16A、SNORA24、SNORA50和REXO1L2P构成的组的至少一种基因或其表达产物用作新型帕金森氏病标记物。更优选选自该组的两种以上，进一步优选三种以上，更进一步优选全部四种。另外，优选至少包含上述表A和下述表B中均包含的SNORA24。

另外，作为RNA的表达量的数据(读取计数值)，可以使用例如通过DESeq2(Love MIet al.Genome Biol.2014)校正的计数值(Normalized count值、标准化计数值)或者加上整数1的以2为底的对数值(Log₂(count+1)值)来进行表达变动RNA的鉴定。

例如，从上述两个试验的被检验者的SSL中提取的RNA的表达量的数据使用标准化计数值，鉴定与健康者相比在帕金森氏病患者中似然比检验的p值的校正值(FDR)为0.25以下的RNA时，试验1中得到74种表达上升的基因，209种表达下降的基因，共计283种基因(表4-1～4-8)，试验2中得到151种表达上升的基因，308种表达下降的基因，共计459种基因(表4-9～4-20)。并且，试验1和试验2中均上升的基因有7种(ANXA1、AQP3、EMP1、KRT16、POLR2L、SERPINB4、SNORA24)，均下降的基因有10种(ATP6V0C、BHLHE40、CCL3、CCNI、CXCR4、EGR2、GABARAPL1、RHOA、RNASEK、SERINC1)，共计17种(表B)。

因此，选自由该283种基因和459种基因(除去重复后共计725种基因)构成的组的基因或其表达产物可以作为用于检测帕金森氏病的帕金森氏病标记物，其中，选自由表B所示的17种基因构成的组的基因或其表达产物是优选的帕金森氏病标记物，其中，与上述表A所示的基因相同的选自由下述表C所示的11种基因群构成的组的基因或其表达产物是更优选的帕金森氏病标记物。

另外，在上述表达变动的基因群中，下述表6-1～6-2所示的基因是目前完全没有被报道过与帕金森氏病存在相关关系的基因。因此，选自这些基因群的至少一种基因或其表达产物是用于检测帕金森氏病的新型帕金森氏病标记物，特别是试验1和试验2中共有的SNORA24(表中由粗体表示)或其表达产物是优选的新型帕金森氏病标记物。

[表B]

需要说明的是，只要可以作为用于检测帕金森氏病的生物标记物，则上述可以作为帕金森氏病标记物的基因(下面也称为“靶标基因”)也包括具有与构成该基因的DNA的碱基序列基本相同的碱基序列的基因。其中，基本相同的碱基序列表示，在使用例如同源性计算算法NCBI BLAST，在期待值＝10；允许缺失；过滤＝ON；匹配得分＝1；错配得分＝-3的条件下进行检索时，与构成该基因的DNA的碱基序列具有90％以上、优选为95％以上、更优选为98％以上、进一步优选为99％以上的同一性。

本发明的帕金森氏病的检测方法包括下述工序：对于从被检验者采集的生物试样，测定靶标基因的表达水平，在一种方案中，测定选自由SNORA16A、SNORA24、SNORA50和REXO1L2P构成的组的至少一种基因或其表达产物的表达水平。

在本发明的帕金森氏病的检测方法中，作为供采集生物试样的被检验者，可列举包括人类和非人类哺乳动物的哺乳动物，优选为人类。在被检验者为人类的情况下，其性別、年龄和人种等不受特别限定，可以包括从婴儿到老人。优选该被检验者为需要或希望进行帕金森氏病检测的人。例如，该被检验者是怀疑帕金森氏病发病的人或具有帕金森氏病遗传因素的人。

本发明中使用的生物试样只要为本发明的基因的表达随着帕金森氏病的发生和发展产生变化的组织和生物材料即可。具体而言，可列举：脏器、皮肤、血液、尿液、唾液、汗液、角质层、皮肤表层脂质(SSL)、组织渗出液等体液、由血液制备的血清、血浆、以及粪便、毛发等，优选列举皮肤、角质层或皮肤表层脂质(SSL)，更优选列举皮肤表层脂质(SSL)。供SSL采集的皮肤的部位不受特别限定，可列举：头部、面部、颈部、躯干、四肢等身体的任意部位的皮肤，优选皮脂分泌较多的部位，例如头部或面部的皮肤，更优选面部的皮肤。

其中，“皮肤表层脂质(SSL)”是指存在于皮肤表面上的脂溶性组分，有时也称为皮脂。通常，SSL主要包含由位于皮肤的皮脂腺等外分泌腺分泌的分泌物，以覆盖皮肤表面的薄层的形式存在于皮肤表面上。SSL包含皮肤细胞中表达的RNA(参见所述专利文献3)。另外，在本文中，只要没有特别限定，则“皮肤”是包括角质层、表皮、真皮、毛囊、以及汗腺、皮脂腺和其它腺体等组织在内的区域的总称。

可以采用用于从皮肤回收或除去SSL的任意手段来从被检验者的皮肤采集SSL。优选能够使用后述的SSL吸收性素材、SSL粘附性素材或从皮肤刮取SSL的器具。SSL吸收性素材或SSL粘附性素材只要为对SSL具有亲和性的素材，则不受特别限定，可列举例如：聚丙烯、纸浆等。作为从皮肤采集SSL的流程的更详细示例，可列举：用吸油纸、吸油膜等片材吸收SSL的方法、使SSL粘附于玻璃板、胶带等的方法、通过抹刀、刮刀等刮取并回收SSL的方法等。为了提高SSL的吸附性，也可以使用预先包含有高脂溶性溶剂的SSL吸收性素材。另一方面，SSL吸收性素材若包含水溶性高的溶剂或水分，则会抑制SSL的吸附，因此优选水溶性高的溶剂和水分的含量较少。SSL吸收性素材优选在干燥状态下使用。供采集SSL的皮肤的部位不受特别限定，可列举头部、面部、颈部、躯干、四肢等身体的任意部位的皮肤，优选面部等皮脂分泌较多部位的皮肤。

从被检验者采集的含RNA的SSL可以保存一定时间。为了尽可能抑制所含有的RNA分解，采集到的SSL优选在采集后尽可能快速保存在低温条件下。本发明中，该含RNA的SSL的保存温度条件只要为0℃以下即可，优选为-20±20℃～-80±20℃，更优选为-20±10℃～-80±10℃，进一步优选为-20±20℃～-40±20℃，进一步优选为-20±10℃～-40±10℃，进一步优选为-20±10℃，进一步优选为-20±5℃。该含RNA的SSL在该低温条件下保存的时间不受特别限定，优选为12个月以下，例如6小时以上且12个月以下，更优选为6个月以下，例如1天以上且6个月以下，进一步优选为3个月以下，例如3天以上且3个月以下。

在本说明书中，作为靶标基因或其表达产物的表达水平的测定对象，可列举：由RNA人工合成的cDNA、编码该RNA的DNA、被该RNA编码的蛋白质、与该蛋白质相互作用的分子、与该RNA相互作用的分子、或与该DNA相互作用的分子等。其中，作为与RNA、DNA或蛋白质相互作用的分子，可列举：DNA、RNA、蛋白质、多糖、低聚糖、单糖、脂质、脂肪酸、和它们的磷酸化物、烷基化物、糖加成物等、以及上述任意的复合物。另外，表达水平全面地表示该基因或表达产物的表达量和活性。

在本发明的方法中，作为优选方案，作为生物试样使用SSL，在该情况下，分析SSL中所含的RNA的表达水平，具体而言，将RNA通过逆转录转换为cDNA后，测定该cDNA或其扩增产物。

从SSL中提取RNA时，可以使用通常用于从生物试样提取或精制RNA的方法，例如，苯酚/氯仿法、AGPC(acid guanidinium thiocyanate-phenol-chloroform extraction，酸性硫氰酸胍-酚-氯仿提取)法或利用TRIzol(注册商标)、RNeasy(注册商标)、QIAzol(注册商标)等色谱柱的方法、使用包被有硅胶的特殊磁性体粒子的方法、使用固相载体可逆化固定(Solid Phase Reversible Immobilization)磁性体粒子的方法、利用ISOGEN等市售RNA提取试剂进行提取的方法等。

该逆转录可以使用靶向待分析的特定RNA的引物，为了进行更全面的核酸保存和分析，更优选使用随机引物。该逆转录能够使用通常的逆转录酶或逆转录试剂盒。优选使用准确性和效率较高的逆转录酶或逆转录试剂盒，作为其的示例，优选使用：M-MLV逆转录酶(Reverse Transcriptase)和其变体、或者市售的逆转录酶或逆转录试剂盒，例如PrimeScript(注册商标)逆转录酶系列(Takara Bio公司)、SuperScript(注册商标)逆转录酶系列(Thermo Scientific社)等。优选使用SuperScript(注册商标)III逆转录酶、SuperScript(注册商标)VILO cDNA Synthesis kit(均由Thermo Scientific公司制)等。

优选地，该逆转录中的延伸反应将温度调节为优选42℃±1℃、更优选42℃±0.5℃、进一步优选42℃±0.25℃，同时，将反应时间调节为优选60分钟以上、更优选80～120分钟。

作为测定表达水平的方法，在以RNA、cDNA或DNA为对象的情况下，可以选自下述方法：以与它们杂交的DNA为引物的PCR法、实时RT-PCR法、多重PCR、SmartAmp法、LAMP法等所代表的核酸扩增法、将与它们杂交的核酸用作探针的杂交法(DNA芯片、DNA微阵列、斑点印迹杂交、狭线印迹杂交、Northern印迹杂交等)、确定碱基序列的方法(测序)、或以上的组合方法。

在PCR中，可以使用以要分析的特定的DNA为靶标的引物对，只扩增该特定的1种DNA，也可以使用多个引物对，同时扩增多个特定的DNA。优选该PCR为多重PCR。多重PCR是通过在PCR反应系统中同时使用多个引物对而同时扩增多个基因区域的方法。多重PCR可以使用市售的试剂盒(例如Ion AmpliSeq转录组人基因表达试剂盒(Transcriptome HumanGene Expression Kit)；Life Technologies Japan株式会社等)实施。

该PCR的退火和延伸反应的温度因依赖于所使用的引物而不能一概而论，在使用上述的多重PCR试剂盒的情况下，优选为62℃±1℃，更优选为62℃±0.5℃，进一步优选为62℃±0.25℃。因此，在该PCR中，优选退火和延伸反应在1个步骤中进行。该退火和延伸反应的步骤的时间可以根据所扩增的DNA的大小等来调整，优选为14～18分钟。该PCR中的变性反应的条件可以根据所扩增的DNA来调整，优选以95～99℃进行10～60秒。上述那样的温度和时间条件下的逆转录和PCR可以使用常用于PCR的热循环仪实施。

利用该PCR得到的反应产物的精制优选通过反应产物的粒析(sizeseparation)进行。利用粒析，能够将目标的PCR反应产物与PCR反应液中所含的引物和其它的杂质分离。DNA的粒析例如可以利用粒析柱、粒析芯片、能够用于粒析的磁珠等进行。作为能够用于粒析的磁珠的优选的例子，可以列举AmpureXP等的固相可逆化固定(Solid PhaseReversible Immobilization，SPRI)磁珠。

对于精制后的PCR反应产物，为了进行之后的定量分析，也可以进行必要的更进一步的处理。例如为了进行DNA的测序，可以将精制后的PCR反应产物在适当的缓冲液溶液中进行制备，或切断PCR扩增得到的DNA所含的PCR引物区域，或向扩增得到的DNA中进一步添加接头序列。例如可以将精制后的PCR反应产物在缓冲液溶液中进行制备，对扩增DNA进行PCR引物序列的除去和接头连接，使所得到的反应产物根据需要扩增，制作用于定量分析的文库(library)。例如可以使用SuperScript(注册商标)VILO cDNA合成试剂盒(LifeTechnologies Japan株式会社)所附带的5×VILO RT Reaction Mix和Ion AmpliSeq转录组人基因表达试剂盒(Life Technologies Japan株式会社)所附带的的5×Ion AmpliSeqHiFi Mix和Ion AmpliSeq Transcriptome Human Gene Expression Core Panel，基于各试剂盒所带的操作规程进行这些操作。

在利用Northern印迹杂交法测定靶标基因或来自其的核酸的表达量的情况下，例如，首先利用放射性同位素、荧光物质等对探针DNA进行标记，接着，使所得到的标记DNA与按照通常方法转移至尼龙膜等的来自生物体试样的RNA杂交。之后，检测来自标记物的信号，由此能够对所形成的标记DNA与RNA的双链进行测定。

在利用RT-PCR法测定靶标基因或来自其的核酸的表达量的情况下，例如，首先按照通常方法由来自生物体试样的RNA制备cDNA，以其为模板，使以本发明的靶标基因能够扩增的方式制备的一对引物(与上述cDNA(-链)结合的正链，与+链结合的反链)与其杂交。之后，按照通常方法进行PCR法，对所得到的扩增双链DNA进行检测。在扩增得到的双链DNA的检测中，可以采用对通过使用预先用RI、荧光物质等标记过的引物进行上述PCR而产生的标记双链DNA进行检测的方法等。

在利用DNA微阵列测定靶标基因或来自其的核酸的表达量的情况下，例如将本发明的来自靶标基因的核酸(cDNA或DNA)的至少1种固定在支承体上，使用所得到的阵列，使由mRNA制备的标记化cDNA或cRNA结合在微阵列上，检测微阵列上的标记，由此测定mRNA的表达量。

作为上述阵列所固定的核酸，只要是在严格的条件下特异性(即实质上只是目标核酸)地进行杂交的核酸即可，例如可以为具有本发明的靶标基因的全部序列的核酸，也可以为由部分序列构成的核酸。其中，“部分序列”可以列举至少由15～25碱基构成的核酸。其中，严格的条件通常可以列举“1×SSC、0.1％SDS、37℃”左右的清洗条件，作为更严格的杂交条件，可以列举“0.5×SSC、0.1％SDS、42℃”左右，作为进一步严格的杂交条件，可以列举“0.1×SSC、0.1％SDS、65℃”左右的条件。杂交条件记载于J.Sambrook et al.,MolecularCloning:A Laboratory Manual,Thrd Edition,Cold Spring Harbor Laboratory Press(2001)等中。

在利用测序测定靶标基因或来自其的核酸的表达量的情况下，例如可以列举使用下一代测序仪(例如Ion S5/XL系统、Life Technologies Japan株式会社)进行分析。基于测序中制作的读取数(Read Count)，能够对RNA表达进行定量。

上述测定所使用的探针或引物、即本发明的用于特异性地识别并扩增靶标基因或来自其的核酸的引物、或用于特异性地检测该RNA或来自其的核酸的探针与其相当，它们可以基于构成该靶标基因的碱基序列进行设计。其中，“特异性识别”是指，例如在Northern印迹法中，实质上只能够检测本发明的靶标基因或来自其的核酸，另外，例如在RT-PCR法中，如实质上只扩增该核酸那样，能够判断该检测物或产物为该基因或来自其的核酸。

具体而言，能够利用含有与本发明的由构成靶标基因的碱基序列构成的DNA或其互补链互补的一定数量的核苷酸的寡核苷酸。其中，“互补链”是指与由A：T(RNA时为U)、G：C的碱基对构成的双链DNA的一条链相对应的另一条链。另外，“互补”并不限于在该一定数量的连续的核苷酸区域内完全是互补序列的情况，只要具有优选80％以上、更优选90％以上、进一步优选95％以上的碱基序列上的同一性即可。碱基序列的同一性可以利用上述BLAST等算法进行确定。

在这样的寡核苷酸作为引物使用的情况下，只要是特异性退火和链增长即可，通常可以列举具有例如10个碱基以上、优选15个碱基以上、更优选20个碱基以上并且例如100个碱基以下、优选50个碱基以下、更优选35个碱基以下的链长。

另外，在作为探针使用的情况下，只要是特异性杂交即可，可以使用具有本发明的由构成靶标基因的碱基序列构成的DNA(或其互补链)的至少部分或全部的序列、例如10个碱基以上、优选15个碱基以上并且例如100个碱基以下、优选50个碱基以下、更优选25个碱基以下的链长的寡核苷酸。

另外，其中，“寡核苷酸”可以为DNA或RNA，既可以是合成的，也可以是天然的。或者，杂交所使用的探针通常使用标记过的寡核苷酸。

另外，在测定本发明的靶标基因的翻译产物(蛋白质)、与该蛋白质发生相互作用的分子、与RNA发生相互作用的分子、或与DNA发生相互作用的分子的情况下，可以使用蛋白芯片分析、免疫测定法(例如ELISA等)、质谱分析(例如LC-MS/MS、MALDI-TOF/MS)、单杂交法(PNAS 100,12271-12276(2003))和双杂交法(Biol.Reprod.58,302-311(1998))这样的方法，并且可以根据对象适当选择。

例如在使用蛋白质作为测定对象的情况下，通过以下的方式实施：使与本发明的表达产物相对应的抗体与生物体试样接触，对与该抗体结合的试样中的蛋白质进行检测，测定其水平。例如利用蛋白质印迹法时，可以如下所述地进行：作为一次抗体，使用上述的抗体后，作为二次抗体，使用用放射性同位素、荧光物质或酶等标记了的与一次抗体结合的抗体，对其一次抗体进行标记，利用放射线测定器、荧光检测器等测定来自这些标记物质的信号。

另外，与上述翻译产物相对的抗体可以为多克隆抗体，也可以为单克隆抗体。这些抗体可以按照公知的方法进行制造。具体而言，使用按照通常方法在大肠杆菌等中表达并精制得到的蛋白质，或者按照通常方法合成该蛋白质的部分多肽，使家兔等非人动物免疫后，能够从该免疫动物的血清中按照通常方法得到多克隆抗体。

另一方面，利用按照通常方法在大肠杆菌等中表达并精制得到的蛋白质或该蛋白质的部分多肽，使小鼠等非人动物免疫后，将所得到的脾细胞和骨髓瘤细胞进行细胞融合，能够从所制备的杂交瘤细胞中得到单克隆抗体。另外，单克隆抗体也可以通过噬菌体展示来制作(Griffiths,A.D.；Duncan,A.R.,Current Opinion in Biotechnology,Volume 9,Number 1,February 1998,pp.102-108(7))。

这样，能够测定从被检验者采集的生物体试样中的本发明的靶标基因或其表达产物的表达水平，并且基于该表达水平能够检测帕金森氏病。在一个实施方式中，检测具体通过将所测得的本发明的靶标基因或其表达产物的表达水平与对照水平进行比较而进行。

在通过测序对多种靶标基因的表达水平进行分析的情况下，如上所述，作为指标，优选使用作为表达量数据的读取计数值(Read Count值)、对于该读取计数值校正了样品间的总读取数的差异而得到的RPM值、将该RPM值转换成以2为底的对数值的值(Log₂RPM值)或利用DESeq2校正得到的计数值(Normalized count值，标准化计数值)或加上整数1后以2为底的对数值(Log₂(count+1)值)。

另外，作为RNA-seq的定量值，也可以是一般的利用fragments per kilobase ofexon per million reads mapped(FPKM)、reads per kilobase of exon per millionreads mapped(RPKM)、transcripts per million(TPM)等算出的值。还可以为利用微阵列法得到的信号值和其校正值。另外，在通过RT-PCR等只对特定的靶标基因进行表达水平的分析的情况下，优选将对象基因的表达量转换成以管家基因的表达量为基准的相对表达量(相对定量)后再进行分析的方法、或使用包含靶标基因区域的质粒对绝对复制数进行定量(绝对定量)并分析的方法。也可以为利用数字PCR法得到的复制数。

其中，作为“对照水平”，例如可以列举健康者的该靶标基因或其表达产物的表达水平。健康者的表达水平也可以为从健康者群体中测得的该基因或其表达产物的表达水平的统计值(例如平均值等)。在靶标基因为多种的情况下，优选对于各基因或其表达产物，求出基准表达水平。

另外，本发明中，帕金森氏病也可以通过本发明的靶标基因或其表达产物的表达水平的上升/减少来检测。在这种情况下，来自被检验者的生物体试样中的靶标基因或其表达产物的表达水平与各基因或其表达产物的截止值(参照值)进行比较。关于参照值，只要预先取得健康者的该靶标基因或其表达产物的表达水平作为基准数据，基于以其为基础的表达水平的平均值或标准偏差等统计数值，适当确定即可。

并且，可以利用源自帕金森氏病患者的靶标基因或其表达产物的表达水平和源自健康者的靶标基因或其表达产物的表达水平的测定值，构建区分帕金森氏病患者和健康者的判别公式(预测模型)，并利用该判别公式来检测帕金森氏病。即，将来自帕金森氏病患者的靶标基因或其表达产物的表达水平和源自健康者的靶标基因或其表达产物的表达水平的测定值作为训练样品，构建区分帕金森氏病患者和健康者的判别公式(预测模型)，并基于该判别公式求得判别帕金森氏病患者和健康者的截止值(参照值)。需要说明的是，建立判别公式时，可以通过主成分分析(PCA)进行降维，并将主要成分作为说明变量。

接着，同样由从被检验者采集的生物试样测定靶标基因或其表达产物的水平，将得到的测定值代入该判别公式，将根据该判别公式得到的结果与截止值比较，由此能够评价被检验者存在或不存在帕金森氏病。

其中，作为构建判别式的算法，可以利用机械学习所使用的算法等公知的算法。作为机械学习算法的例子，可以列举随机森林(Random forest)、线性核的支持向量机(SVMlinear)、rbf核的支持向量机(SVM rbf)、神经网络(Nerural net)、一般线性模型(Generalized linear model)、正则化线性判别分析(Regularized linear discriminantanalysis)、正则化逻辑回归(Regularized logistic regression)等。可以向所构建的预测模型输入检验用的数据，算出预测值，选取该预测值与实测值最适合的模型、例如准确率(Accuracy)最大的模型作为最佳预测模型。另外，可以根据预测值和实测值计算检测率(Recall)、精度(Precision)和作为它们的调和平均的F值，选取其F值最大的模型作为最佳预测模型。

截止值(参照值)的确定方法没有特别限制，可以按照公知的方法进行确定。例如，可以利用使用判别式所制作的ROC(Receiver Operating Characteristic Curve、受试者操作特征曲线)曲线求出。在ROC曲线中，在纵轴绘制阳性患者中出现阳性结果的概率(灵敏度)，在横轴绘制1减去阴性患者中出现阴性结果的概率(特异度)而得到的值(假阳性率)。关于ROC曲线所示的“真阳性(灵敏度)”和“假阳性(1-特异度)”，可以将“真阳性(灵敏度)”-“假阳性(1-特异度)”最大的值(约登指数，Youden index)作为截止值(参照值)。

如后述的实施例所示，将根据表A所示的靶标基因(33种基因或选自其中的四种基因)的表达量的数据(Log₂RPM值)得到的各主成分的值作为说明变量，以健康者和帕金森氏病患者作为目标变量，使用机器学习算法构建预测模型之后，可以通过使用SNORA16A、SNORA24、SNORA50、REXO1L2P这四种的模型来预测帕金森氏病。另外还表明，也可以通过使用33种的模型来高精度地预测帕金森氏病。

因此，在建立区分上述帕金森氏病患者群和健康者群的判别公式的情况下，作为靶标基因，除SNORA16A、SNORA24、SNORA50和REXO1L2P这四种靶标基因之外，适当添加选自表A所示的除以上四种靶标基因之外的29种基因的至少一种基因或其表达产物的表达数据，优选基于下面所示的表8所示的变量重要度，添加适当数量变量重要度较高的基因，能够建立显示较高检测率和精度的判别公式，从而可以更高精度地检测帕金森氏病。具体而言，优选EGR2、RHOA、CCNI、RNASEK、CSF2RB、SERP1、ANKRD12、SLC25A3这8种，优选再加入CD83、CXCR4、ITGAX、UQCRH这4种后的12种，优选再加入KCNQ1OT1、CCL3、C10orf116、SERPINB4、LCE3D、CNFN这6种后的18种，优选再加入全部29种。

或者，作为靶标基因，除SNORA16A、SNORA24、SNORA50和REXO1L2P这四种靶标基因之外，还可以适当地加入至少一个除SNORA24之外的基因或其表达产物的表达数据，这些基因或表达产物选自下表C所示的11种基因，这些基因在前面的表A和表B中都显示为表达变动基因。

[表C]

并且，在建立区分帕金森氏病患者群和健康者群的判别公式的情况下，所用的靶标基因也可以使用选自表B所示的基因的至少一种基因或其表达产物的表达数据，优选包含SNORA24，并优选使用选自此外的至少一种基因，更优选使用表C所示的基因或其表达产物的表达数据，进一步优选使用表B所示的全部基因或其表达产物的表达数据。

本发明的用于检测帕金森氏病的检查用试剂盒包括用于测定从患者分离出的生物试样中本发明的靶标基因或其表达产物的表达水平的检查试剂。具体而言，可列举：包含与本发明的靶标基因或源自其的核酸特异性结合(杂交)的寡核苷酸(例如，用于PCR的引物)的、用于核酸扩增、杂交的试剂；或者包含识别本发明的靶标基因的表达产物(蛋白质)的抗体的、用于免疫学测定的试剂等。如上所述，该试剂盒中所包含的寡核苷酸、抗体等可以通过公知的方法获得。

另外，该检查用试剂盒除了含有上述抗体以外，还可以含有标记试剂、缓冲液、显色底物、二次抗体、阻滞剂、试验所需的器具以及对照、用于采集生物试样的用具(例如，用于采集SSL的吸油膜等)等。

下面示出本发明的方案和优选实施方案。

<1>一种被检验者的帕金森氏病的检测方法，其包括：

对于从被检验者采集的生物试样，测定选自SNORA16A、SNORA24、SNORA50和REXO1L2P这四种基因群中的至少一种基因或其表达产物的表达水平的工序。

<2>根据<1>的帕金森氏病的检测方法，其中，至少包括测定SNORA24基因或其表达产物的表达水平。

<3>根据<1>或<2>的方法，其中，基因或其表达产物的表达水平的测定为mRNA的表达量的测定。

<4>根据<1>～<3>中任一项的方法，其中，基因或其表达产物为所述被检验者的皮肤表层脂质中所含的RNA。

<5>根据<1>～<4>中任一项的方法，其中，将表达水平的测定值与所述各基因或其表达产物的参照值比较，评价存在或不存在帕金森氏病。

<6>根据<1>～<4>中任一项的方法，其中，将来自帕金森氏病患者的所述基因或其表达产物的表达水平和源自健康者的所述基因或其表达产物的表达水平的测定值作为训练样品，制作能够区分帕金森氏病患者和健康者的判别式，

将由从被检验者采集的生物试样得到的所述基因或其表达产物的表达水平的测定值代入该判别公式，将得到的结果与参照值比较，以评价被检验者存在或不存在帕金森氏病。

<7>根据<6>的方法，其中，测定所述四种基因群中的所有基因或其表达产物的表达水平。

<8>根据<6>或<7>的方法，其中，除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述29种基因群中的至少一种基因或其表达产物的表达水平：

ANKRD12、C10orf116、CCL3、CCNI、CD83、CNFN、CNN2、CSF2RB、CXCR4、EGR2、EMP1、ITGAX、KCNQ1OT1、LCE3D、LITAF、NDUFA4L2、NDUFS5、POLR2L、RHOA、RNASEK、RPL7A、RPS26、SERINC1、SERP1、SERPINB4、SLC25A3、SNRPG、SRRM2、UQCRH。

<9>根据<8>的方法，其中，除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述10种基因群中的至少一种基因或其表达产物的表达水平：

CCL3、CCNI、CXCR4、EGR2、EMP1、POLR2L、RHOA、RNASEK、SERINC1、SERPINB4。

<10>根据<6>或<7>的方法，其中，除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述16种基因群中的至少一种基因或其表达产物的表达水平：

ANXA1、AQP3、ATP6V0C、BHLHE40、CCL3、CCNI、CXCR4、EGR2、EMP1、GABARAPL1、KRT16、POLR2L、RHOA、RNASEK、SERINC1、SERPINB4。

<11>根据<6>或<7>的方法，其中，除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述表3-1～3-4和下述表6-1～6-2所示的基因群的至少一种基因(其中，所述四种基因除外。)或其表达产物的表达水平。

<12>根据<6>或<7>的方法，其中，除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述表1-1～1-27所示的1005种和下述表4-1～4-20所示的725种中除所述四种基因之外的基因群的至少一种基因或其表达产物的表达水平。

<13>一种<1>～<10>中任一项的方法中使用的用于检测帕金森氏病的检查用试剂盒，其中，含有与所述基因或源自其的核酸特异性杂交的寡核苷酸或识别所述基因的表达产物的抗体。

<14>一种选自下述表3-1～3-4和下述表6-1～6-2所示的基因群的至少一种基因或其表达产物作为帕金森氏病的检测标记物的用途。

<15>一种选自SNORA16A、SNORA24、SNORA50和REXO1L2P这四种基因群中的至少一种基因或其表达产物作为帕金森氏病的检测标记物的用途。

<16>一种帕金森氏病的检测标记物，其由选自下述表3-1～3-4和下述表6-1～6-2所示的基因群的至少一种基因或其表达产物构成。

<17>根据<16>的帕金森氏病的检测标记物，其中，所述检测标记物由选自SNORA16A、SNORA24、SNORA50和REXO1L2P这四种基因群中的至少一种基因或其表达产物构成。

实施例

下面，基于实施例对本发明进行更详细说明，但本发明并不限定于此。

实施例1使用从SSL提取的RNA检测帕金森氏病

1)SSL采集

进行以下的试验1和试验2各两次。

试验1：将15名健康者(40～89岁男女)和15名帕金森氏病患者(PD)(40～89岁男女)作为被检验者。

试验2：将50名健康者(40～89岁男)和50名PD(40～89岁男)作为被检验者。

PD提前由脑神经内科医诊断为帕金森氏病(Hoehn&YahrI期或II期)。使用吸油膜(5×8cm，聚丙烯制，3M公司)从各被检验者的全脸回收皮脂之后，将该吸油膜转移至小瓶中，以-80℃保存至用于RNA提取，期间约1个月。

2)RNA制备和测序

将上述1)的吸油膜切成适当的大小，使用QIAzol裂解试剂(Lysis Reagent)(Qiagen)，按照附带的操作规程提取RNA。基于所提取的RNA，使用SuperScript VILO cDNA合成试剂盒(Synthesis kit)(Life Technologies Japan株式会社)，以42℃进行90分钟逆转录，进行cDNA的合成。逆转录反应的引物使用试剂盒所附带的随机引物。利用多重PCR，由所得到的cDNA制作包含来自20802种基因的DNA的文库。使用Ion AmpliSeq转录组人基因表达试剂盒(Life Technologies Japan株式会社)，在[99℃、2分钟→(99℃、15秒→62℃、16分钟)×20次循环→4℃、保持(Hold)]的条件下进行多重PCR。所得到的PCR产物用AmpureXP(Beckman Coulter株式会社)精制后，进行缓冲液的重构、引物序列的消化、接头连接和精制、扩增，制作文库。将所制作的文库载入Ion 540Chip中，使用Ion S5/XL系统(LifeTechnologies Japan株式会社)进行测序。

3)数据分析

i)RNA表达分析1

在上述2)中测得的源自被检验者的RNA的表达量的数据(读取计数值)中，将读取计数小于10的数据作为缺失值处理，将表达量的数据转换为经样品间的总读取数的差异校正后的RPM值，然后，使用Singular Value Decomposition(SVD)imputation方式对缺失值进行填充。其中，只将在全部样品的80％以上的样品中得到了不是缺失值的表达量数据的基因用于以下的分析。分析时，为了使符合负二项分布的RPM值近似正态分布，使用将读取计数的RPM值转换成以2为底的对数值的RPM值(Log₂RPM值)。

基于上述得到的来自健康者和PD的SSL的RNA表达量(Log₂RPM值)，鉴定与健康者相比PD中Student’s t-test的p值为0.05以下的表达变动RNA。试验1中，与健康者相比PD中111种RNA表达上升(表1-1～1-3)，68种表达下降(表1-4～1-5)。另一方面，试验2中，565种RNA表达上升(表1-6～1-19)，294种表达下降(表1-20～1-27)。以上试验1和试验2中均表达上升的RNA有18种，均表达下降的RNA有15种(表中粗体表示的基因)。

[表1-1]

[表1-2]

[表1-3]

[表1-4]

[表1-5]

[表1-6]

[表1-7]

[表1-8]

试验2	CRELD2	0.685045483	0.009010899	UP
					试验2	CRIPT	0.623088661	0.000802774	UP
试验2	CRNN	1.401884112	0.001214875	UP
					试验2	CST6	0.589966531	0.016466862	UP
试验2	CSTA	0.784255116	0.002502729	UP
					试验2	CUL4A	0.489558405	0.013487958	UP
试验2	CUTA	0.585987127	0.001016471	UP
					试验2	CYB5A	0.641939407	0.009668198	UP
试验2	CYB5B	0.544680118	0.005232354	UP
					试验2	DANCR	0.43126336	0.041709971	UP
试验2	DCAF12	0.545454648	0.011615314	UP
					试验2	DDRGK1	0.372347748	0.044309125	UP
试验2	DDT	0.472760004	0.010925051	UP
					试验2	DEGS1	0.545984689	0.037107489	UP
试验2	DENND2C	0.502288792	0.047224257	UP
					试验2	DHPS	0.518845683	0.012866877	UP
试验2	DHX29	0.682106105	0.006066935	UP
					试验2	DHX32	0.506509259	0.033864568	UP
试验2	DHX40	0.396573604	0.015540946	UP
					试验2	DNAJA1	0.252552372	0.019713754	UP
试验2	DNAJA4	0.483045351	0.044641278	UP
					试验2	DNAJC13	0.470362936	0.029093404	UP
试验2	DNAJC15	0.469211563	0.013979287	UP
					试验2	DNAJC21	0.452709072	0.022814459	UP
试验2	DNAJC7	0.319676387	0.022220543	UP
					试验2	DNAJC9	0.575126954	0.012161694	UP
试验2	DOCK6	0.545719783	0.03676478	UP
					试验2	DOCK9	0.621757986	0.012261459	UP
试验2	DPH1	1.158039818	6.72E-05	UP
					试验2	DPY30	0.398317757	0.02828779	UP
试验2	DRG1	0.581253641	0.004984247	UP
					试验2	DSG1	0.567399218	0.037732972	UP
试验2	DUSP11	0.473325618	0.006136292	UP
					试验2	DYM	0.816178513	0.00274631	UP
试验2	DYNC1LI1	0.583242858	0.0067388	UP
					试验2	DYNLL1	0.374636406	0.035010075	UP
试验2	DYNLRB1	0.330053674	0.027194242	UP
					试验2	ECHS1	0.374219263	0.043974114	UP
试验2	EFNB2	0.661019693	0.019887237	UP
					试验2	EIF1AX	0.600523864	0.00135969	UP
试验2	EIF2S2	0.666962534	0.008564954	UP

[表1-9]

[表1-10]

试验2	GTF2A2	0.330372647	0.040423351	UP
					试验2	GTF2E2	0.534855078	0.004830931	UP
试验2	GTF2H5	0.611879208	0.000741758	UP
					试验2	GTF3C5	0.388985663	0.032287492	UP
试验2	GTF3C6	0.562851294	0.008550842	UP
					试验2	H1FX	0.38289824	0.039887459	UP
试验2	HADH	0.596886384	0.031698277	UP
					试验2	HBEGF	0.35824757	0.029353225	UP
试验2	HDAC1	0.412996826	0.019794177	UP
					试验2	HDDC2	0.481028865	0.038549638	UP
试验2	HEATR5A	0.541675769	0.004141004	UP
					试验2	HEXB	0.48326638	0.016112958	UP
试验2	HIBADH	0.491409911	0.028149152	UP
					试验2	HIBCH	0.588943801	0.025448145	UP
试验2	HIST1H1E	0.436334476	0.040849694	UP
					试验2	HIST1H2AE	0.472022185	0.032486571	UP
试验2	HIST1H2AG	0.554952196	0.026912916	UP
					试验2	HIST1H2AI	0.53748617	0.034833553	UP
试验2	HIST1H2AM	0.505465922	0.015356542	UP
					试验2	HIST1H2BN	0.547150364	0.019828836	UP
试验2	HIST1H3B	1.061476948	0.000400823	UP
					试验2	HIST1H3I	0.601309393	0.011107396	UP
试验2	HIST1H4B	0.839544468	0.00079634	UP
					试验2	HIST1H4E	0.778335085	0.00020329	UP
试验2	HIST1H4F	0.551175791	0.032237462	UP
					试验2	HIST1H4H	0.715081702	0.000190121	UP
试验2	HMOX2	0.375124592	0.032277484	UP
					试验2	HNRNPA0	0.43012224	0.023849018	UP
试验2	HOMER1	0.572056122	0.027336542	UP
					试验2	HOOK1	0.689647412	0.000609804	UP
试验2	HPGD	0.531461662	0.034525209	UP
					试验2	HRSP12	0.748163886	0.00429738	UP
试验2	HSD17B10	0.525580431	0.005390788	UP
					试验2	HSP90AA1	0.450671514	0.012853222	UP
试验2	HSPD1	0.353524268	0.038337878	UP
					试验2	HYPK	0.495508732	0.000812946	UP
试验2	IDE	0.561486404	0.030266606	UP
					试验2	IDH3A	0.715741483	0.000740982	UP
试验2	IFI27	1.088718271	0.000166105	UP
					试验2	IL32	0.635464648	0.022927371	UP
试验2	IL36A	1.193557169	0.000147742	UP

[表1-11]

[表1-12]

试验2	LCE3E	0.836563972	0.000810209	UP
					试验2	LCMT1	0.601842869	0.025859542	UP
试验2	LCN2	0.73325772	0.003321	UP
					试验2	LEMD3	0.440994015	0.016865308	UP
试验2	LEPROTL1	0.377879515	0.038317178	UP
					试验2	LINC00675	0.573523306	0.034073972	UP
试验2	LLPH	0.484998299	0.007188702	UP
					试验2	LMBR1	0.665083353	0.00191151	UP
试验2	LNX1	0.952713443	0.000293549	UP
					试验2	LOC100505738	0.477053745	0.024409	UP
试验2	LOC550643	0.634672437	0.002533558	UP
					试验2	LOC646862	0.747572165	0.025405318	UP
试验2	LRBA	0.529280351	0.038783597	UP
					试验2	LRRC15	0.906456672	0.002321669	UP
试验2	LSM10	0.508507242	0.013416263	UP
					试验2	LSM2	0.675878285	0.004242908	UP
试验2	LSM7	0.570617764	0.005193872	UP
					试验2	LTF	0.717042662	0.012011178	UP
试验2	LY6D	0.638909247	0.038220601	UP
					试验2	LYNX1	1.006012262	0.002091327	UP
试验2	MAFA	0.646509839	0.018661569	UP
					试验2	MAL	1.157393695	0.00203966	UP
试验2	MALL	1.082853546	0.000258882	UP
					试验2	MAOA	0.489452289	0.017793881	UP
试验2	MAP4K3	0.567499535	0.022681249	UP
					试验2	MAP7	0.597783019	0.034525239	UP
试验2	MCCC1	0.677783016	0.008565533	UP
					试验2	MCTS1	0.499448675	0.013734219	UP
试验2	MICALCL	0.519128213	0.00748038	UP
					试验2	MNF1	0.448890025	0.045325106	UP
试验2	MPHOSPH6	0.431463962	0.044290704	UP
					试验2	MPV17	0.462010792	0.022209637	UP
试验2	MRPL11	0.444169953	0.041198724	UP
					试验2	MRPL12	0.459260738	0.023664309	UP
试验2	MRPL24	0.49423042	0.034251269	UP
					试验2	MRPL32	0.570527545	0.004685957	UP
试验2	MRPL47	0.522250156	0.004855696	UP
					试验2	MRPS11	0.723572233	0.000171238	UP
试验2	MRPS18B	0.606642285	0.003402311	UP
					试验2	MRPS24	0.424610103	0.027109976	UP
试验2	MT1X	0.913147816	0.000517578	UP

[表1-13]

[表1-14]

[表1-15]

[表1-16]

[表1-17]

[表1-18]

[表1-19]

[表1-20]

[表1-21]

[表1-22]

试验2	FAM53C	-0.414646652	0.043215387	DOWN
					试验2	FBXO11	-0.587567686	0.033095048	DOWN
试验2	FCGRT	-0.593104023	0.019455764	DOWN
					试验2	FGR	-0.573604518	0.025328892	DOWN
试验2	FLNA	-0.503978457	0.020310777	DOWN
					试验2	FNIP1	-0.559259947	0.024530856	DOWN
试验2	FOSB	-1.091622363	0.000150044	DOWN
					试验2	FOSL2	-0.741546633	0.000377548	DOWN
试验2	FOXN3	-0.354637174	0.046745405	DOWN
					试验2	FOXO4	-0.4667223	0.043783003	DOWN
试验2	FURIN	-0.459105715	0.001341881	DOWN
					试验2	FZR1	-0.364147622	0.028337243	DOWN
试验2	GABARAPL1	-0.55597523	0.006898537	DOWN
					试验2	GADD45B	-0.470481527	0.001471104	DOWN
试验2	GAPVD1	-0.410369844	0.017202036	DOWN
					试验2	GATAD2A	-0.427073771	0.023639602	DOWN
试验2	GGA1	-0.396427118	0.011108895	DOWN
					试验2	GLA	-0.432386163	0.046129953	DOWN
试验2	GMIP	-0.439255443	0.025650159	DOWN
					试验2	GNB1	-0.31847551	0.015581144	DOWN
试验2	GNB2	-0.319721149	0.049773636	DOWN
					试验2	GPR108	-0.441903322	0.042000281	DOWN
试验2	GPX1	-0.419015476	0.012872784	DOWN
					试验2	GRAMD1A	-0.932263643	1.44E-05	DOWN
试验2	GRK6	-0.654615424	0.008370268	DOWN
					试验2	GRN	-0.551500985	0.014350263	DOWN
试验2	GTPBP1	-0.403503204	0.015278622	DOWN
					试验2	HEXIM1	-0.365986502	0.049415504	DOWN
试验2	HIPK3	-0.463202659	0.018014847	DOWN
					试验2	HLA.A	-1.236792406	0.020861464	DOWN
试验2	HLX	-0.624323089	0.020911612	DOWN
					试验2	HSPA4	-0.59623271	0.022837699	DOWN
试验2	IDS	-0.240881411	0.028746962	DOWN
					试验2	IER3	-0.287520838	0.017217201	DOWN
试验2	IMPDH1	-0.610405695	0.010620152	DOWN
					试验2	INO80D	-0.37547378	0.007394184	DOWN
试验2	INPP5K	-0.423372501	0.028673174	DOWN
					试验2	IQSEC1	-0.390427136	0.017062257	DOWN
试验2	IRAK2	-0.658169882	0.010698571	DOWN
					试验2	IRS2	-0.420496894	0.042158917	DOWN
试验2	ISCU	-0.287869125	0.027433296	DOWN

[表1-23]

[表1-24]

试验2	NAB1	-0.41631867	0.034705696	DOWN
					试验2	NAGK	-0.400938958	0.039418511	DOWN
试验2	NCF1B	-0.632988161	0.032521317	DOWN
					试验2	NCF1C	-0.564958434	0.023648103	DOWN
试验2	NCOA1	-0.35268749	0.025504935	DOWN
					试验2	NFKB2	-0.686225906	0.006490871	DOWN
试验2	NFKBIB	-0.417375331	0.020054211	DOWN
					试验2	NFKBID	-0.579020216	0.039512351	DOWN
试验2	NINJ1	-0.666521399	0.007758421	DOWN
					试验2	NLRC5	-0.518289968	0.04615466	DOWN
试验2	NOTCH2NL	-0.380526931	0.002073988	DOWN
					试验2	NRIP1	-1.322958378	0.002632999	DOWN
试验2	NUMB	-0.494870767	0.00364152	DOWN
					试验2	OGFR	-0.457666083	0.021935407	DOWN
试验2	OS9	-0.472649391	0.045293803	DOWN
					试验2	PAN3	-0.490759714	0.037403044	DOWN
试验2	PATL1	-0.425494161	0.039431793	DOWN
					试验2	PCBP1	-0.176849095	0.0308842	DOWN
试验2	PDPK1	-0.351764848	0.030720043	DOWN
					试验2	PER1	-0.520214927	0.038720114	DOWN
试验2	PFKFB3	-0.371937997	0.012048698	DOWN
					试验2	PHF1	-0.509490418	0.018640047	DOWN
试验2	PIK3AP1	-0.630445334	0.004184868	DOWN
					试验2	PIK3R5	-0.612446475	0.004720621	DOWN
试验2	PIM3	-0.467577174	0.002878904	DOWN
					试验2	PITPNA	-0.474470422	0.00241514	DOWN
试验2	PLAU	-0.65031011	0.029875395	DOWN
					试验2	PLEKHB2	-0.305583054	0.044277802	DOWN
试验2	PLEKHM3	-0.368794416	0.029647876	DOWN
					试验2	PLIN5	-0.676960181	0.015080446	DOWN
试验2	PPP1R15A	-0.418072337	0.005793369	DOWN
					试验2	PPP1R18	-0.506261932	0.019385963	DOWN
试验2	PPP2R5C	-0.471507643	0.029204209	DOWN
					试验2	PPP4R1	-0.578649371	0.006631286	DOWN
试验2	PRR14	-0.46051795	0.0377872	DOWN
					试验2	PRR24	-0.39469883	0.038397986	DOWN
试验2	PRRC2C	-0.383243267	0.047022553	DOWN
					试验2	PTGER4	-0.467431527	0.024894507	DOWN
试验2	PTK2B	-0.429404802	0.005990901	DOWN
					试验2	PTTG1IP	-0.481590933	0.044232468	DOWN
试验2	RAB11FIP1	-0.22457918	0.041085596	DOWN

[表1-25]

[表1-26]

[表1-27]

试验2	XPO6	-0.597709348	0.046102314	DOWN
					试验2	YPEL5	-0.287506377	0.038298209	DOWN
试验2	ZC3H12A	-0.511217461	0.009065486	DOWN
					试验2	ZFP36	-0.468506172	0.020859393	DOWN
试验2	ZMIZ1	-0.651337052	0.00341487	DOWN
					试验2	ZNFX1	-0.447727612	0.044337198	DOWN
试验2	ZZEF1	-0.356247435	0.015261504	DOWN

使用作为公共数据库的STRING，进行了利用基因本体(GO)富集分析的生物过程(BP)的探索。其结果显示了，与PD患者中表达上升或者下降的基因群关联的KEGG pathway在试验1中得到30个，试验2中得到39个，两个试验中均包含显示帕金森氏病的项目hsa05012(Parkinson’s disease)(表2-1～2-2)。

[表2-1]

[表2-2]

针对所述表1-1～表1-27所示的试验1或试验2中至少任意一项试验中发现表达变动的基因，就其与帕金森氏病的关联性对现有文献进行了确认，结果发现，试验1中发现表达变动的基因中表3-1中所示的21种和试验2中发现表达变动的基因中表3-2～3-4所示的92种目前尚未被报告有关它们与帕金森氏病的关联性，表明它们可以用作帕金森氏病的新型检测标记物。需要说明的是，表中粗体所表示的基因是试验1和试验2中共有的基因。

[表3-1]

[表3-2]

[表3-3]

[表3-4]

试验2	INO80D	DOWN
			试验2	KIAA0232	DOWN
试验2	MAP7D1	DOWN
			试验2	MLLT6	DOWN
试验2	NCF1B	DOWN
			试验2	PRR24	DOWN
试验2	SDE2	DOWN
			试验2	SLED1	DOWN
试验2	SMG1P1	DOWN
			试验2	TMEM167B	DOWN

ii)RNA表达分析2

在上述2)中测得的源自被检验者的RNA的表达量的数据(读取计数值)中，使用DESeq2方法进行校正。其中，排除未检测到4161个以上基因的样品，仅将排除后的全部样品中被检验者的表达量的数据中90％以上的样品被检验者不是缺失值的表达量的数据的基因用于以下分析。分析中使用通过DESeq2方法校正后的计数值(标准化计数值)。

基于上述得到的来自健康者和PD的SSL的RNA表达量(标准化计数值)，鉴定与健康者相比PD中似然比检验的p值的校正值(FDR)为0.25以下的表达变动RNA。试验1中，与健康者相比PD中74种RNA表达上升(表4-1～4-2)，209种表达下降(表4-3～4-8)。另一方面，试验2中，151种RNA表达上升(表4-9～4-12)，308种表达下降(表4-13～4-20)。以上试验1和试验2中均表达上升的RNA有7种，均表达下降的RNA有10种(表中粗体表示的基因)。

[表4-1]

[表4-2]

[表4-3]

[表4-4]

[表4-5]

试验1	HBP1	-1.691481895	0.02450771	DOWN
					试验1	HELZ	-2.689866366	0.003678702	DOWN
试验1	HIF1A	-1.224827769	0.238174085	DOWN
					试验1	HINT1	-1.453762692	0.04751536	DOWN
试验1	HINT3	-1.947152032	0.140445468	DOWN
					试验1	HIST1H1E	-1.670140606	0.103600407	DOWN
试验1	HMGN1	-2.063165682	0.073126006	DOWN
					试验1	HNRNPA2B1	-1.274269915	0.142104577	DOWN
试验1	HNRNPK	-1.96640437	0.000238125	DOWN
					试验1	HNRNPU	-1.703715606	0.009237092	DOWN
试验1	IARS2	-2.502578081	0.04751536	DOWN
					试验1	ICAM1	-2.383130311	0.162465282	DOWN
试验1	IDE	-1.862223274	0.11590529	DOWN
					试验1	IER3IP1	-2.129040887	0.191902648	DOWN
试验1	JAK1	-2.478429677	0.04751536	DOWN
					试验1	JMY	-2.263496873	0.155218477	DOWN
试验1	KAT2B	-1.550256904	0.157035049	DOWN
					试验1	KIAA1551	-1.367628259	0.228182221	DOWN
试验1	KIF16B	-1.712088316	0.170079315	DOWN
					试验1	KLF10	-2.507920855	0.01186505	DOWN
试验1	KLF3	-2.671224065	0.011682374	DOWN
					试验1	LGALSL	-1.868246009	0.165136091	DOWN
试验1	MARCH7	-1.358142867	0.242073043	DOWN
					试验1	MBD2	-1.966385172	0.008794332	DOWN
试验1	MBD6	-2.243104033	0.157035049	DOWN
					试验1	MDM2	-2.174980192	0.067390396	DOWN
试验1	MED13L	-1.63902893	0.104520242	DOWN
					试验1	MED19	-3.581005956	0.007535427	DOWN
试验1	MRPL15	-2.386765875	0.094888262	DOWN
					试验1	NAPA	-1.420133442	0.067390396	DOWN
试验1	NR4A2	-1.256772697	0.231685231	DOWN
					试验1	NRBF2	-0.871916325	0.124019241	DOWN
试验1	NRBP1	-1.122530881	0.242957593	DOWN
					试验1	NSFP1	-1.167024718	0.104520242	DOWN
试验1	OGFRL1	-1.459613162	0.06499322	DOWN
					试验1	P4HB	-0.938800796	0.184113444	DOWN
试验1	PAIP2	-1.484416116	0.04751536	DOWN
					试验1	PDXK	-1.265283201	0.246917684	DOWN
试验1	PGK1	-0.921105178	0.135858235	DOWN
					试验1	PGRMC2	-2.309010058	0.142104577	DOWN
试验1	PHF20L1	-2.098809369	0.18841032	DOWN

[表4-6]

[表4-7]

试验1	SERTAD2	-2.029830502	0.192395571	DOWN
					试验1	SET	-1.937444712	0.007533471	DOWN
试验1	SH3BGRL3	-0.663305735	0.067390396	DOWN
					试验1	SLMO2	-1.81329058	0.137966894	DOWN
试验1	SMS	-2.704517802	0.045626018	DOWN
					试验1	SNAP29	-1.590085581	0.16114262	DOWN
试验1	SNORA53	-1.586512685	0.15598759	DOWN
					试验1	SNX13	-3.004474961	0.000999599	DOWN
试验1	SNX9	-1.779958051	0.028713164	DOWN
					试验1	SREK1IP1	-1.839855519	0.154290596	DOWN
试验1	SRSF5	-0.984113666	0.13064644	DOWN
					试验1	SSR2	-1.749337253	0.146923279	DOWN
试验1	SSU72	-1.245325192	0.027093818	DOWN
					试验1	STK24	-2.734918584	0.000596053	DOWN
试验1	STT3B	-1.951800228	0.150544954	DOWN
					试验1	TAF10	-1.32452647	0.094888262	DOWN
试验1	TAOK1	-1.927349024	0.030576015	DOWN
					试验1	TERF2IP	-1.792863603	0.084366841	DOWN
试验1	TLK2	-2.605906707	0.170106979	DOWN
					试验1	TMA7	-1.367895195	0.028713164	DOWN
试验1	TMEM106B	-1.86835998	0.247784004	DOWN
					试验1	TMEM127	-1.190703794	0.044486644	DOWN
试验1	TMEM167B	-1.796713966	0.116792089	DOWN
					试验1	TNFSF13B	-1.78814654	0.131657412	DOWN
试验1	TPGS2	-1.809874669	0.11590529	DOWN
					试验1	TRAM1	-1.839546005	0.092035865	DOWN
试验1	TRIP12	-1.725435313	0.025949689	DOWN
					试验1	TRPM7	-2.038357771	0.182595713	DOWN
试验1	TSG101	-1.005237989	0.209643258	DOWN
					试验1	TXNL1	-1.549871273	0.032012546	DOWN
试验1	UBE2A	-1.592829916	0.088783965	DOWN
					试验1	UBE2B	-1.436513364	0.078520181	DOWN
试验1	UBE2H	-3.405818637	0.004532329	DOWN
					试验1	USMG5	-1.046390149	0.136226208	DOWN
试验1	USP22	-1.181507483	0.174760541	DOWN
					试验1	USP53	-3.761488613	0.006574907	DOWN
试验1	USP6NL	-1.79126036	0.192642777	DOWN
					试验1	USP7	-1.993708629	0.079281961	DOWN
试验1	WIPF1	-2.742465049	0.000134039	DOWN
					试验1	WTAP	-1.446170337	0.200942058	DOWN
试验1	XBP1	-1.326123865	0.14231193	DOWN

[表4-8]

试验1	YWHAQ	-3.230153729	0.000308536	DOWN
					试验1	ZCRB1	-2.455139576	0.104520242	DOWN
试验1	ZMAT2	-1.635539488	0.104520242	DOWN
					试验1	ZNF148	-2.237573981	0.088783965	DOWN

[表4-9]

[表4-10]

[表4-11]

试验2	RPL11	0.272049357	0.188973375	UP
					试验2	RPL12	0.272231447	0.203917134	UP
试验2	RPL13A	0.332882836	0.087496195	UP
					试验2	RPL18	0.23631901	0.203917134	UP
试验2	RPL21	0.234057222	0.228358936	UP
					试验2	RPL26	0.275178488	0.203917134	UP
试验2	RPL27	0.25361932	0.203917134	UP
					试验2	RPL27A	0.286064033	0.203917134	UP
试验2	RPL29	0.227323201	0.202573111	UP
					试验2	RPL3	0.267937405	0.185751097	UP
试验2	RPL30	0.22303117	0.208405568	UP
					试验2	RPL32	0.366698061	0.05120094	UP
试验2	RPL35	0.353161175	0.075426886	UP
					试验2	RPL36	0.321842862	0.084037369	UP
试验2	RPL36A	0.338476857	0.089104057	UP
					试验2	RPL37A	0.429627149	0.035341619	UP
试验2	RPL38	0.361505145	0.069516286	UP
					试验2	RPL7	0.407722145	0.013807457	UP
试验2	RPL7A	0.3865274	0.033308231	UP
					试验2	RPLP0	0.475836697	0.00985997	UP
试验2	RPLP1	0.466227457	0.019217132	UP
					试验2	RPLP2	0.351641372	0.151691535	UP
试验2	RPS10	0.278100919	0.129200547	UP
					试验2	RPS12	0.557211765	0.001079959	UP
试验2	RPS15	0.343773569	0.061406696	UP
					试验2	RPS15A	0.241359539	0.204723138	UP
试验2	RPS18	0.545456358	0.003707257	UP
					试验2	RPS19	0.304856429	0.188426153	UP
试验2	RPS21	0.299295052	0.230255192	UP
					试验2	RPS26	0.495375545	0.056702789	UP
试验2	RPS28	0.346942763	0.045753193	UP
					试验2	RPS3	0.467901737	0.121272078	UP
试验2	RPS4X	0.403982139	0.053047353	UP
					试验2	RPS5	0.360449408	0.079217394	UP
试验2	RPS6	0.323863058	0.083321514	UP
					试验2	RPS8	0.276154805	0.156533343	UP
试验2	S100A14	0.77672344	0.035341619	UP
					试验2	S100A7	0.49351568	0.203917134	UP
试验2	S100A7A	0.82107465	0.057323067	UP
					试验2	S100A9	0.415203898	0.204723138	UP
试验2	SBDS	0.433629133	0.094970832	UP

[表4-12]

[表4-13]

[表4-14]

[表4-15]

[表4-16]

试验2	GRN	-0.535715253	0.191525939	DOWN
					试验2	GTPBP1	-0.46308194	0.148123279	DOWN
试验2	HDAC7	-0.490842046	0.248266371	DOWN
					试验2	HLA-A	-1.104833425	0.203917134	DOWN
试验2	HPCAL1	-0.447792645	0.216748647	DOWN
					试验2	HS3ST6	-0.501663196	0.207332199	DOWN
试验2	HSPA4	-0.906581783	0.092289404	DOWN
					试验2	IDS	-0.255674167	0.191525939	DOWN
试验2	IER3	-0.441738596	0.034346406	DOWN
					试验2	IMPDH1	-0.618750853	0.202573111	DOWN
试验2	INPP5K	-0.39152519	0.179929185	DOWN
					试验2	IRAK2	-0.941310019	0.041102123	DOWN
试验2	IRF1	-0.633328723	0.219872648	DOWN
					试验2	ITGA5	-0.614100521	0.148123279	DOWN
试验2	ITGAX	-0.584382378	0.191525939	DOWN
					试验2	ITPK1	-0.681600843	0.167922188	DOWN
试验2	JUNB	-0.405633107	0.174126215	DOWN
					试验2	KIAA0247	-0.43354089	0.185751097	DOWN
试验2	KIAA0368	-0.386851905	0.149347833	DOWN
					试验2	KIAA0494	-0.375961313	0.203917134	DOWN
试验2	KIAA1191	-0.759570647	0.07612678	DOWN
					试验2	KLF2	-0.829622672	0.095805056	DOWN
试验2	KLF6	-0.615237069	0.032647959	DOWN
					试验2	LARP1	-0.371691928	0.191525939	DOWN
试验2	LGALS3	-0.33660704	0.228358936	DOWN
					试验2	LILRB2	-0.713217829	0.141991209	DOWN
试验2	LILRB3	-0.586252086	0.203917134	DOWN
					试验2	LIMK2	-0.693871145	0.19331656	DOWN
试验2	LITAF	-0.472582053	0.129200547	DOWN
					试验2	LOC146880	-0.596953376	0.248133155	DOWN
试验2	LOC729737	-0.641814422	0.204723138	DOWN
					试验2	LPCAT1	-1.010875742	0.013807457	DOWN
试验2	LPIN1	-0.520806257	0.196547493	DOWN
					试验2	LSP1	-0.669555347	0.066340963	DOWN
试验2	LTBR	-0.715104448	0.155367959	DOWN
					试验2	MAF1	-0.475268842	0.232304966	DOWN
试验2	MAP4K4	-0.517139843	0.204723138	DOWN
					试验2	MAP7D1	-0.449559995	0.189823772	DOWN
试验2	MAPKAPK2	-0.475983818	0.191525939	DOWN
					试验2	MARCKS	-0.564491232	0.18041519	DOWN
试验2	MBOAT7	-0.751160266	0.145937048	DOWN

[表4-17]

试验2	MEF2D	-0.626428106	0.045753193	DOWN
					试验2	MEGF9	-0.362999714	0.203917134	DOWN
试验2	MEPCE	-0.864615229	0.073987946	DOWN
					试验2	METRNL	-0.281506863	0.183513502	DOWN
试验2	MGEA5	-0.345655087	0.180032429	DOWN
					试验2	MKNK2	-0.410364719	0.126316838	DOWN
试验2	MLF2	-0.387393069	0.075659228	DOWN
					试验2	MLLT6	-0.882491218	0.041252415	DOWN
试验2	MMP25	-0.743721149	0.204723138	DOWN
					试验2	MSRB1	-0.384733834	0.160228921	DOWN
试验2	MTHFS	-0.57838818	0.191525939	DOWN
					试验2	MTMR14	-0.690369051	0.156533343	DOWN
试验2	MYO9B	-0.607502615	0.191525939	DOWN
					试验2	NAA50	-0.444730906	0.019217132	DOWN
试验2	NBEAL2	-0.535965413	0.2421585	DOWN
					试验2	NCF1B	-0.929517474	0.094970832	DOWN
试验2	NFKB2	-0.926577772	0.023042585	DOWN
					试验2	NFKBIA	-0.494604251	0.189823772	DOWN
试验2	NFKBIB	-0.580266689	0.221139649	DOWN
					试验2	NFKBID	-0.861315902	0.050427226	DOWN
试验2	NFKBIE	-0.730971195	0.083321514	DOWN
					试验2	NINJ1	-0.82050845	0.035341619	DOWN
试验2	NIPBL	-0.390839696	0.188426153	DOWN
					试验2	NLRC5	-0.794366743	0.185751097	DOWN
试验2	NOTCH2NL	-0.334354965	0.094970832	DOWN
					试验2	NR4A3	-0.589158721	0.249272492	DOWN
试验2	NTAN1	-0.620825777	0.126316838	DOWN
					试验2	OGDH	-0.409053089	0.156533343	DOWN
试验2	OSM	-0.609522522	0.240103288	DOWN
					试验2	P2RY4	-0.830041687	0.204723138	DOWN
试验2	PACSIN2	-0.430359253	0.196505966	DOWN
					试验2	PDHX	-0.681406483	0.24513842	DOWN
试验2	PDLIM7	-0.646265774	0.236147723	DOWN
					试验2	PER1	-0.715031562	0.129200547	DOWN
试验2	PFKL	-0.472924949	0.189087808	DOWN
					试验2	PHF1	-0.616090955	0.203917134	DOWN
试验2	PIK3AP1	-0.754938139	0.131526721	DOWN
					试验2	PIK3R5	-0.699813238	0.141991209	DOWN
试验2	PILRA	-0.578293645	0.221139649	DOWN
					试验2	PIM2	-0.543863209	0.248133155	DOWN
试验2	PIM3	-0.602922387	0.032647959	DOWN

[表4-18]

[表4-19]

试验2	SHISA5	-0.70313086	0.200987694	DOWN
					试验2	SHKBP1	-0.610047261	0.203917134	DOWN
试验2	SIRPA	-0.512022506	0.03912317	DOWN
					试验2	SLC11A1	-0.656308616	0.199786172	DOWN
试验2	SLC15A3	-0.637280648	0.205001407	DOWN
					试验2	SLC15A4	-0.716205845	0.130446509	DOWN
试验2	SLC31A1	-0.451679847	0.159048563	DOWN
					试验2	SLC3A2	-0.828553543	0.079852349	DOWN
试验2	SLC41A1	-1.010783773	0.079217394	DOWN
					试验2	SLC43A2	-0.940136909	0.032647959	DOWN
试验2	SLC43A3	-0.690613412	0.225295536	DOWN
					试验2	SLC45A4	-0.749047969	0.093863146	DOWN
试验2	SLC6A6	-0.758400864	0.073352416	DOWN
					试验2	SMG1P1	-0.693226977	0.094970832	DOWN
试验2	SNORA8	-0.519845806	0.211019733	DOWN
					试验2	SORT1	-0.623031599	0.050123349	DOWN
试验2	SPHK1	-1.108424501	0.016355202	DOWN
					试验2	SPINT2	-0.339670123	0.203917134	DOWN
试验2	SQSTM1	-0.276887228	0.240103288	DOWN
					试验2	SREBF2	-1.227441548	0.007293838	DOWN
试验2	SRP54	-0.319771058	0.248266371	DOWN
					试验2	SRRM2	-0.418303881	0.180898511	DOWN
试验2	SRXN1	-0.582979776	0.038524973	DOWN
					试验2	STK40	-0.488001779	0.0381434	DOWN
试验2	STX11	-0.658724054	0.205349428	DOWN
					试验2	STX6	-0.513619131	0.230255192	DOWN
试验2	STXBP2	-0.508585693	0.130446509	DOWN
					试验2	TAGAP	-0.801415208	0.118903158	DOWN
试验2	TAP1	-0.654126047	0.218710004	DOWN
					试验2	TCF25	-0.461070498	0.230255192	DOWN
试验2	TCIRG1	-0.804126136	0.079217394	DOWN
					试验2	TECPR2	-0.825139388	0.170236917	DOWN
试验2	TEX264	-0.505490645	0.227224075	DOWN
					试验2	TLE3	-0.466144984	0.203917134	DOWN
试验2	TMBIM6	-0.291260917	0.207332199	DOWN
					试验2	TMEM123	-0.395242663	0.05837947	DOWN
试验2	TMEM134	-0.472439908	0.204723138	DOWN
					试验2	TMEM189	-0.563615464	0.204723138	DOWN
试验2	TNFAIP2	-0.891574563	0.035341619	DOWN
					试验2	TNFRSF14	-0.722611949	0.19331656	DOWN
试验2	TNIP1	-0.425719633	0.122393306	DOWN

[表4-20]

使用公共数据库STRING进行基于基因本体(GO)富集分析的生物过程(biologicalprocess(BP))和KEGG pathway搜索。结果表明，与PD患者中表达上升或者下降的基因群关联的KEGG pathway在试验1中得到了30个、试验2中得到了28个，两个试验中均包含显示帕金森氏病的项目hsa05012(Parkinson’s disease)(表5-1～5-2)。

[表5-1]

[表5-2]

针对所述表4-1～表4-20所示的试验1或试验2中至少任意一项中发现表达变动的基因，就其与帕金森氏病的关联性对现有文献进行了确认，结果发现，试验1中发现表达变动的基因中表6-1所示的19种和试验2中发现表达变动的基因中表6-2所示的30种目前尚未被报告有关它们与帕金森氏病的关联性，表明它们可以用作帕金森氏病的新型检测标记物。需要说明的是，表中粗体所表示的基因是试验1和试验2中共有的基因。

[表6-1]

[表6-2]

实施例2判别模型的制作和验证1

1)使用数据

与实施例1的RNA表达分析1相同地，在源自被检验者的SSL的RNA的表达量的数据(读取计数值)中，将读取计数小于10的数据作为缺失值处理，将表达量的数据转换为经样品间的总读取数的差异校正后的RPM值，然后，使用Singular Value Decomposition(SVD)imputation方法对缺失值进行填充。其中，只将在全部样品的80％以上的样品中得到了不是缺失值的表达量数据的基因用于以下的分析。构建机器学习模型时，为了使符合负二项分布的RPM值近似正态分布，使用转换成以2为底的对数值的RPM值(Log₂RPM值)。

2)数据集分割

在由试验1的被检验者得到的RNA谱数据集中，将10名健康者和10名PD共计20名被检验者的RNA谱数据作为PD预测模型的训练数据，将剩余10名被检验者的RNA谱数据作为用于评价模型精度的测试数据。在由试验2的被检验者得到的RNA谱数据集中，将40名健康者和40名PD共计80名被检验者的RNA谱数据作为PD预测模型的训练数据，将剩余20名被检验者的RNA谱数据作为用于评价模型精度的测试数据。

3)特征量基因的选择

在实施例1的RNA表达分析1中，将与健康者相比试验1和试验2中PD患者均表达上升的18种RNA和均表达下降的15种RNA(表1-1～1-27中粗体表示的基因)选作特征量基因，通过主成分分析将这些表达量的数据转换为主成分之后，将第1主成分～第10主成分作为说明变量。另外，在试验1和试验2中PD患者均表达上升的18种RNA和均表达下降的15种RNA中，将SNORA16A、SNORA24、SNORA50、REXO1L2P这四种选作特征量基因，通过主成分分析将这些表达量的数据转换为主成分之后，将第1主成分～第4主成分作为说明变量。

4)模型构建

将根据选自源自SSL的RNA的所述特征量基因的表达量的数据(Log₂RPM值)得到的各主成分的值用作说明变量，其中，上述表达量的数据为训练数据；将健康者(HL)和PD用作目标变量，构建预测模型。针对每个待预测项目，使用随机森林(Random forest)、线性核的支持矢量机(SVM linear)、rbf核的支持矢量机(SVM rbf)、神经网络(Nerural net)、一般线性模型(Generalized linear model)、正则化线性判别分析(Regularized lineardiscriminant analysis)、正则化逻辑回归(Regularized logistic regression)这7种算法，进行十折交叉验证，使预测模型进行学习。在每种算法中，向学习后的模型中输入根据测试数据的所述特征量基因表达量(Log₂RPM值)得到的各主成分的值，并计算各预测项目的目标预测值。根据预测值和实测值计算检测率(Recall)、精度(Precision)和作为它们的调和平均的F值，并选择该F值最大的模型作为最佳预测模型。

5)结果

表7中示出待预测项目的使用算法、检测率、精度、F值。另外，测试数据中由最佳预测模型中的预测值和实测值制成的混淆矩阵示于图1。需要说明的是，图中的数值表示各象限的样品数。

表8中示出使用随机森林构建模型时各特征量基因的变量重要度的计算结果。

使用SNORA16A、SNORA24、SNORA50、REXO1L2P这四种基因的模型的F1在试验1中为0.67，试验2中为0.75，综合试验1+试验2后达到0.76，表明其可以预测PD。使用PD患者中上升的18种RNA和下降的15种RNA这共计33种RNA的模型的F1在试验1中为0.91，试验2中为0.80，综合试验1+试验2后达到0.82，表明其可以更高精度地预测PD。

[表7]

Rf：随机森林；SVM linear：线性核的支持矢量机；SVM rbf：rbf核的支持矢量机；Nnet：神经网络；GLM：一般线性模型；rLDA：正则化线性判别分析；rLogistic：正则化逻辑回归

[表8]

实施例3判别模型的制作和验证2

1)使用数据

与实施例1的RNA表达分析2相同地，在源自被检验者的SSL的RNA的表达量的数据(读取计数值)中，使用DESeq2方法进行校正。其中，排除未检测到4161个以上基因的样品，仅将排除后的全部样品中被检验者的表达量的数据中90％以上的样品被检验者不是缺失值的表达量的数据的基因用于以下分析。分析中使用通过DESeq2方法校正后的计数值(标准化计数值)。

2)数据集分割

在由试验1的被检验者得到的RNA谱数据集中，将9名健康者和6名PD共计15名被检验者的RNA谱数据作为PD预测模型的训练数据，将剩余4名健康者和1名PD共计5名被检验者的RNA谱数据作为用于评价模型精度的测试数据。在由试验2的被检验者得到的RNA谱数据集中，将37名健康者和35名PD共计72名被检验者的RNA谱数据作为PD预测模型的训练数据，将剩余13名健康者和11名PD共计24名被检验者的RNA谱数据作为用于评价模型精度的测试数据。

3)特征量基因的选择

在实施例1的RNA表达分析2中，将与健康者相比试验1和试验2中PD患者均表达上升或下降的17种RNA(表4-1～4-20的粗体表示的基因)选作特征量基因，通过主成分分析将这些表达量的数据转换为主成分之后，将第1主成分～第4主成分作为说明变量。

4)模型构建

根据选自源自SSL的RNA的所述特征量基因的表达量的数据(标准化计数值加1后制成以2为底的对数值后的值)得到的各主成分的值用作说明变量，其中，上述表达量的数据为训练数据；将健康者(HL)和PD用作目标变量，构建预测模型。针对每个待预测项目，使用随机森林(Random forest)、线性核的支持矢量机(SVM linear)、rbf核的支持矢量机(SVM rbf)、神经网络(Nerural net)、一般线性模型(Generalized linear model)、正则化线性判别分析(Regularized linear discriminant analysis)、正则化逻辑回归(Regularized logistic regression)这7种算法，进行十折交叉验证，使预测模型进行学习。在每种算法中，向学习后的模型输入根据测试数据的所述特征量基因表达量(标准化计数值加1并制成以2为底的对数值后的值)得到的各主成分的值，并计算各预测项目的目标预测值。根据预测值和实测值计算检测率(Recall)、精度(Precision)和作为它们的调和平均的F值，并选择该F值最大的模型作为最佳预测模型。

5)结果

表9中示出待预测项目的使用算法、检测率、精度、F值。

使用在试验1和试验2中利用DESeq2校正后的似然比检验的结果中均表达上升或下降的17种RNA的模型的F值在试验1中为1，在试验2中达到0.87，表明其可以预测PD。

[表9]

实施例4判别模型的制作和验证3

1)使用数据

2)数据集分割

在由试验1的被检验者得到的RNA谱数据集中，将9名健康者和6名PD共计15名被检验者的RNA谱数据作为PD预测模型的训练数据，剩余4名健康者和1名PD共计5名被检验者的RNA谱数据作为用于评价模型精度的测试数据。在由试验2的被检验者得到的RNA谱数据集中，将37名健康者和35名PD共计72名被检验者的RNA谱数据作为PD预测模型的训练数据，剩余13名健康者和11名PD共计24名被检验者的RNA谱数据作为用于评价模型精度的测试数据。

3)特征量基因的选择

在实施例1的RNA表达分析2中，将与健康者相比在试验1中PD患者表达上升或者下降的19种RNA(表6-1所示的基因)、或与健康者相比在试验2中PD患者表达上或者下降的30种RNA(表6-2所示的基因)选作特征量基因，通过主成分分析将这些表达量的数据转换为主成分之后，将第1主成分～第4主成分作为说明变量。

4)模型构建

将根据选自源自SSL的RNA的所述特征量基因的表达量的数据(标准化计数值加1并制成以2为底的对数值后的值)得到的各主成分的值用作说明变量，上述表达量的数据为训练数据；将健康者(HL)和PD用作目标变量，构建预测模型。针对每个待预测项目，使用随机森林(Random forest)、线性核的支持矢量机(SVM linear)、rbf核的支持矢量机(SVMrbf)、神经网络(Nerural net)、一般线性模型(Generalized linear model)、正则化线性判别分析(Regularized linear discriminant analysis)、正则化逻辑回归(Regularizedlogistic regression)这7种算法，进行十折交叉验证，使预测模型进行学习。在每种算法中，向学习后的模型输入根据测试数据的所述特征量基因表达量(标准化计数值加1并制成以2为底的对数值后的值)得到的各主成分的值，并计算各预测项目的目标预测值。根据预测值和实测值计算检测率(Recall)、精度(Precision)和作为它们的调和平均的F值，并选择该F值最大的模型作为最佳预测模型。

5)结果

表10、表11中示出待预测项目的使用算法、检测率、精度、F值。

使用试验1中通过DESeq2校正后的似然比检验的结果中，表达上升或下降的RNA中目前未报道与帕金森氏病的关联性的19种RNA的模型的F值为1，表明可以预测PD。使用在试验2中通过DESeq2校正后的似然比检验的结果中，表达上升或下降的RNA中目前尚未报道与帕金森氏病的关联性的30种RNA的模型的F值为0.87，表明可以预测PD。

[表10]

[表11]

实施例5判别模型的制作和验证4

1)使用数据

与实施例1的RNA表达分析1相同地，在源自被检验者的SSL的RNA的表达量的数据(读取计数值)中，将读取计数小于10的数据作为缺失值处理，将表达量的数据转换为经样品间的总读取数的差异校正后的RPM值，然后，使用Singular Value Decomposition(SVD)imputation方法对缺失值进行填充。其中，只将在全部样品的80％以上的样品中得到了不是缺失值的表达量数据的基因用于以下的分析。构建机器学习模型时，为了使符合负二项分布的RPM值近似正态分布，使用转换为以2为底的对数值的RPM值(Log₂RPM值)。

2)数据集分割

3)特征量基因的选择

在实施例1的RNA表达分析1中，将与健康者相比在试验1中PD患者表达上升或者下降的21种RNA(表3-1所示的基因)、或与健康者相比在试验2中PD患者表达上升或者下降的92种RNA(表3-2～3-4所示的基因)选作特征量基因，通过主成分分析将这些表达量的数据转换为主成分之后，将第1主成分～第4主成分作为说明变量。

4)模型构建

将根据选自源自SSL的RNA的所述特征量基因的表达量的数据(Log₂RPM值)得到的各主成分的值用作说明变量，其中，上述表达量的数据为训练数据；将健康者(HL)和PD用作目标变量，构建预测模型。针对每个待预测项目，使用随机森林(Random forest)、线性核的支持矢量机(SVM linear)、rbf核的支持矢量机(SVM rbf)、神经网络(Nerural net)、一般线性模型(Generalized linear model)、正则化线性判别分析(Regularized lineardiscriminant analysis)、正则化逻辑回归(Regularized logistic regression)这7种算法，进行十折交叉验证，使预测模型进行学习。在每种算法中，向学习后的模型输入根据测试数据的所述特征量基因表达量(Log₂RPM值)得到的各主成分的值，并计算各预测项目的目标预测值。根据预测值和实测值计算检测率(Recall)、精度(Precision)和作为它们的调和平均的F值，并选择该F值最大的模型作为最佳预测模型。

5)结果

表12、表13中示出待预测项目的使用算法、检测率、精度、F值。

使用试验1中通过Log₂RPM校正后的检验结果中，表达上升或者下降的RNA中目前尚未报道与帕金森氏病的关联性的21种RNA的模型的F值为0.91，表明其可以预测PD。使用试验2中通过Log₂RPM校正后的检验结果中，表达上升或者下降的RNA中目前尚未报道与帕金森氏病的关联性的92种RNA的模型的F值为0.9，表明其可以预测PD。

[表12]

[表13]

Claims

1.一种被检验者的帕金森氏病的检测方法，其包括：

2.如权利要求1所述的帕金森氏病的检测方法，其中：

至少包括测定SNORA24基因或其表达产物的表达水平。

3.如权利要求1或2所述的方法，其中：

基因或其表达产物的表达水平的测定为mRNA的表达量的测定。

4.如权利要求1～3中任一项所述的方法，其中：

基因或其表达产物为所述被检验者的皮肤表层脂质中所含的RNA。

5.如权利要求1～4中任一项所述的方法，其中：

将表达水平的测定值与所述各基因或其表达产物的参照值比较，评价存在或不存在帕金森氏病。

6.如权利要求1～4中任一项所述的方法，其中：

将来自帕金森氏病患者的所述基因或其表达产物的表达水平和源自健康者的所述基因或其表达产物的表达水平的测定值作为训练样品，制作能够区分帕金森氏病患者和健康者的判别式，将由从被检验者采集的生物试样得到的所述基因或其表达产物的表达水平的测定值代入该判别公式，将得到的结果与参照值比较，以评价被检验者存在或不存在帕金森氏病。

7.如权利要求6所述的方法，其中：

测定所述四种基因群中的所有基因或其表达产物的表达水平。

8.如权利要求6或7所述的方法，其中：

除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述29种基因群中的至少一种基因或其表达产物的表达水平：

9.如权利要求8所述的方法，其中：

除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述10种基因群中的至少一种基因或其表达产物的表达水平：

10.如权利要求6或7所述的方法，其中：

除了测定选自所述四种基因群中的至少一种基因之外，还测定选自下述表1-1～1-27所示的1005种和下表4-1～4-20所示的725种中除所述四种基因之外的基因群的至少一种基因或其表达产物的表达水平，