CN115678993A - 一种生物标志物组合、含其的试剂及其应用 - Google Patents

Abstract

本发明公开了一种生物标志物组合、含其的试剂及其应用。所述生物标志物组合所包含的生物标志物详见本发明。本发明提供的上述蛋白质分子标志物通过实验发现在食管癌患者不同治疗反应的临床样本中的表达水平存在显著变化，因此本发明中提供的蛋白质分子标志物可以作为预测食管癌患者接受铂类联合紫杉醇类治疗的不同反应的模型，具有高灵敏度和高特异性的优点，为预测食管癌患者接受铂类联合紫杉醇类治疗提供有利的技术支持。

Description

一种生物标志物组合、含其的试剂及其应用

技术领域

本发明属于生物医药技术和诊断领域，具体涉及一种生物标志物组合、含其的试剂及其应用，所述应用具体涉及食管癌铂类联合紫杉醇类治疗的预测方法和系统。

背景技术

食管癌(Esophageal cancer，EC)是一种常见得致命癌症，预后差和具有较高得致死率，是全球第八大常见的癌症，也是全球第六大癌症相关死亡原因。食管癌早期检出率低、晚期治愈率低，5年生存率低于19％。食管癌病人的首选治疗方法是外科手术。对于一些没有手术治疗机会的患者，只能靠药物提高生活质量甚至维持生存。尽管近年来一线治疗药物的迭代更新、二线治疗药物以及靶向药物帕博利珠单抗(Pembrolizumab，Keytruda)免疫抑制剂的深入研发取得了重大进展，但是药物耐受问题仍未得到解决，食管癌治疗的总体预后仍处于较差水平。在临床上，肿瘤的治疗效果存在较大的个体差异，但是药物个性化的选择依据过少，临床急需指导个体化精准医疗的标志物，从而缓解药物耐受问题。

因此，为了实现食管癌的个体化治疗，有必要根据分子遗传学和病理学特征来识别亚类，发现并应用相应的靶基因。此外，在食管癌研究中，已经报道了可以根据食管癌的亚型对食管癌的预后进行分类的结果。目前已涌现的多项研究性专利均是基于基因组和转录组的基因表达水平实现对食管癌的早期筛查，如食管癌预后标志物及其应用(专利号CN106701992A)，食管癌的诊治标志物(专利号CN105886627B)。然而在临床中，针对食管癌患者的一线治疗方案铂类联合紫杉醇类治疗方案；然而并不是所有患者都能够从该治疗方案中获益，癌症的治疗耐受仍然是一个亟需解决的问题；目前仍然缺乏筛选能在不同治疗方案中获益的方法，实现癌症患者的个性化治疗。

蛋白质组学在揭示肿瘤发生的复杂分子事件，如肿瘤发生、侵袭、转移和对治疗耐受上起了重大作用。蛋白质组学肿瘤诊断具有灵敏度高、特异性强、背景机理明确的优点，近年来被越来越多地运用于肿瘤检测。而且，这些肿瘤标志物的研究往往是基于一定量的实验数据，所涉及的癌症种类和样本量都相对有限。因此，通过收集蛋白质组数据，利用大数据分析方法，建立预测治疗有效的模型，有助于实现个性化化疗，对患者推荐合适的治疗方案具有重要的临床意义。

发明内容

为解决上述技术问题，本发明提供一种生物标志物组合、含其的试剂及其应用，特别是食管癌铂类联合紫杉醇类治疗的预测方法和系统。

具体地，本发明通过如下技术方案解决上述技术问题。

本发明提供一种生物标志物组合，其包括以下标志物：

ABCB8、ACADSB、ACE、ACOX1、ACP1、ADAM15、AEBP1、ALDH1B1、ALOX15B、ANGPTL2、ANK3、ANP32B、AP1B1、APCS、APOM、APPL1、ARHGDIB、BRCC3、C10orf76、C11orf68、C19orf70、C1S、C2orf54、C3orf58、C4BPA、C5orf51、C6orf132、C8G、CD2BP2、CD63、CDC26、CDCP1、CES1、CETN2、CLPB、CLU、CNPY4、COA3、COL10A1、CPA3、CPSF3L、CRMP1、CTHRC1、CTSB、CTSZ、DCAKD、DDX54、DHCR7、DHRS9、DPYSL3、DPYSL4、EEA1、EFEMP1、EVPL、F10、F2、FABP6、FBLN1、FBN1、FTH1、GBP3、GEMIN5、GINS2、GK、GNAI1、GOSR2、GSTM3、H1FX、HDAC1、HIF1AN、HOOK1、HPSE、IGF2BP1、IGF2BP2、IGFALS、IRF2BP2、ITGA5、ITGB2、KBTBD11、KHNYN、KNG1、KRAS、LAMC1、LPCAT2、LPP、LRRC47、LSM4、LUM、LXN、LYZ、MAP1B、MCM5、MED27、MMP1、MMP2、MMP8、MOB2、MPG、MPHOSPH10、MREG、MRPS18C、MTA3、MXRA7、NAA20、NACA2、NBN、NCOR1、NDUFA11、NNMT、NOL9、NUDT2、OSBPL2、PADI3、PAK4、PARP9、PARVA、PDIA5、PFN2、PHACTR4、PLG、POLR2D、PPM1F、PPP2R1B、PPP2R5C、PRELP、PRPF3、QPCTL、RABL6、RBL1、RPAP3、SAMD9、SERPINA5、SERPINC1、SERPIND1、SERPINE2、SERPINF1、SHROOM3、SIRT3、SLC12A7、SLC1A3、SLTM、SMAD2、SMARCD2、SPIN1、SRSF4、STARD7、TAGLN、TALDO1、TFCP2、TIMP3、TMSB4X、TNIP2、TNS1、TRIM24、TUBB1、UBA7、UBE2I、UBE2M、UGDH、UROD、VTN、WASL、WDFY1和YES1。

本发明还提供用于检测如上所述的生物标志物组合的表达水平的试剂，所述试剂包含与如上所述的生物标志物组合特异性杂交的生物分子；

较佳地，所述生物分子包括选自引物、探针和抗体中的一种或多种。

本发明还提供如上所述的生物标志物组合，或者如上所述的试剂在制备用于预测食管癌铂类联合紫杉醇类治疗响应的产品中的应用。

本发明还提供一种试剂盒，其包含如上所述的生物标志物组合，或如上所述的试剂。

本发明还提供如上所述的试剂盒在制备用于预测食管癌铂类联合紫杉醇类治疗响应的产品中的应用。

本发明还提供一种用于预测食管癌铂类联合紫杉醇类治疗响应的系统，所述系统包括：

数据处理模块，用于将接收或输入患者的如上所述的生物标志物组合的数据进行计算，得到计算结果；以及

判断并输出模块，用于判断所述的计算结果是否符合预设的判断条件，并输出预测结果；

任选地，在所述判断并输出模块中，当所述计算结果满足所述判断条件时，输出预测结果为“响应治疗”；当所述计算结果不满足所述判断条件时，输出预测结果为“不响应治疗”；

任选地，在所述数据处理模块中，所述数据为患者的如上所述的生物标志物组合的表达量信息；

任选地，所述生物标志物的表达量信息是利用测序方法得到的；

任选地，所述判断并输出模块优选GLM广义线性模型；

任选地，在所述判断并输出模块中，所述判断包括如上所述的生物标志物组合的表达量信息在模型中的表现，即敏感预测概率和非敏感预测概率；

任选地，所述判断条件为敏感预测概率与非敏感预测概率的比较：1)若敏感预测概率大于非敏感预测概率，且敏感预测概率大于0.8，向患者推荐该治疗方案；2)若非敏感预测概率大于敏感预测概率，且非敏感预测概率大于0.8，不推荐该治疗方案；3)若敏感预测概率或者非敏感预测概率小于等于0.8，均不推荐该治疗方案。

较佳地，所述系统还包括样本提取模块，所述样本提取模块提取样本数据，并将其传输给标志物组合验证模块。

本发明还提供一种包括机器学习模型的装置，其包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，可实现如上所述的系统的功能。

本发明还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，可实现如上所述的系统的功能。

本发明还提供如上所述的系统在制备预测食管癌铂类联合紫杉醇类治疗响应的产品中的应用；

较佳地，所述产品为芯片、试剂盒、试纸或者高通量测序平台。

本发明提供了一种用于基于临床样本蛋白质组的预测治疗反应的方法，所述方法包括如下步骤：

(1)收集铂类联合紫杉醇类治疗的不同治疗反应的食管癌患者的治疗前的临床样本如石蜡包埋样本肿瘤组织切片；

(2)食管癌患者临床样本蛋白质制备；

(3)检测食管癌患者样品中的蛋白质分子表达水平；

(4)找到食管癌患者不同治疗反应的高表达的蛋白质组分子，并构建分类器进行区分。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明所用试剂和原料均市售可得。

本发明的积极进步效果在于：

本发明提供的上述蛋白质分子标志物通过实验发现在食管癌患者不同治疗反应的临床样本中的表达水平存在显著变化，因此本发明中提供的蛋白质分子标志物可以作为预测食管癌患者接受铂类联合紫杉醇类治疗的不同反应的模型，具有高灵敏度和高特异性的优点，为预测食管癌患者接受铂类联合紫杉醇类治疗提供有利的技术支持。

基于食管癌患者接受铂类联合紫杉醇类治疗的不同反应的临床样本的蛋白质分子标志物研制相应的预测装置，具有广泛的科研价值并为食管癌患者提供个性化治疗，为患者推荐是否适合接受该治疗方案。

附图说明

图1显示训练集的预测准确度、灵敏度以及特异性。

图2显示内部验证集的预测准确度、灵敏度以及特异性。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。下列实施例中未注明具体条件的实验方法，按照常规方法和条件，或按照商品说明书选择。

实施例1食管癌治疗前的临床样本的预处理

临床样本为福尔马林固定石蜡包埋组织。样品预处理：从石蜡块上取3-10μm厚的切片进行宏观解剖，二甲苯脱蜡，乙醇洗涤，风干处理，获得白片，同时苏木精-伊红对3μm厚的切片进行染色作为肿瘤镜下对切片中肿瘤细胞含量进行评估判断并划选肿瘤区域。10μm厚的切片收集对应的肿瘤样本至离心管中，-80℃冻存备用。

实施例2临床样本的蛋白质及肽段提取

将等量的FFPE组织收集于EP管，加入裂解缓冲液(0.1M Tris-HCL pH8.0中，0.1MDTT，1mM PMSF)，然后用磨棒研磨3分钟；加入十二烷基硫酸钠(SDS)使终浓度为4％，99℃，1800rpm震荡2-2.5小时；12,000g离心5分钟收集上清于EP管，加入4倍体积的丙酮，放置-20℃4小时或过夜；12,000g于4℃离心1分钟弃上清保留沉淀，冷丙酮洗涤沉淀三次，超净台风干处理蛋白沉淀；用8M Urea和50mM NH₄HCO₃将蛋白沉淀复溶后加在FASP管中，反复用50mMNH₄HCO₃离心去除Urea；将溶有5.5μg胰蛋白酶的50μL 50mM NH₄HCO₃加入到FASP管中，于37℃温育18-20小时进行酶解；12,800g离心15分钟收集肽段，为提高肽段得率，用200μLMS水洗涤两次，一并收集；60℃真空抽干，获得用于质谱检测所需的肽段。

实施例3临床样本的质谱检测

用Q-Exactive HF-X混合四极轨道阱质谱仪(Thermo Fisher Scientific，Rockford，IL，USA)和高效液相色谱系统(EASY nLC 1200，Thermo Fisher)进行检测，并得到该肽样品对应的质谱数据。具体操作为：

抽干的肽样品重新溶解在溶剂A(0.1％甲酸的水溶液)中，上样至trap柱(100μm×2cm；粒子大小，3μm；孔径大小，

)，后在分析柱上进行分离(150μm×12cm，粒子大小，1.9μm；孔径大小，

)，梯度为5-35％流动相B(80％乙腈和0.1％甲酸)洗脱，流速为600nL/min，合计洗脱75分钟。对QE-HFX进行MS分析，一次全扫描(300-1400m/z，分辨率＝12000)，离子阱中允许进入的最大离子数(automatic gain control target，AGC target)为3E+06离子，随后进行高能量碰撞诱导离解(隔离窗口为1.6m/z，碰撞能量为27％，AGCtarget为5E+04离子，最大注入时间为30ms，动态排除设置为18秒)。液相色谱串联质谱系统使用Xcalibur软件(Thermo Scientific)控制进行数据采集。

实施例4数据分析

所有数据均使用Firmiana进行处理。Firmiana是一个基于Galaxy系统的工作流，由用户登录界面、原数据、识别与量化、数据分析和知识挖掘等多个功能模块组成。原始文件是根据人类国家生物技术信息中心(NCBI)的Refseq蛋白质数据库检索的。选择胰蛋白酶作为蛋白水解酶，最大允许两个漏切位点，固定修饰为carbamidomethyl(C)，动态修饰为protein acetyl(protein N-term)，oxidation(M)。第一个搜索质量耐受性为20ppm，主要搜索肽耐受性为0.5da。肽谱匹配(PSMs)和蛋白质的错误发现率(FDR)均小于1％。将所鉴定的肽段定量结果记为所有参考谱库中色谱碎片离子峰面积的平均值。使用无标签的基于强度的绝对定量(iBAQ)方法进行蛋白质定量。我们计算了峰面积值作为相应蛋白质的一部分。总分数(FOT)用于表示样品中特定蛋白质的标准化丰度。FOT定义为蛋白质的iBAQ除以样品中所有已鉴定蛋白质的总iBAQ。选择具有至少一条专属肽段(unique peptide)且1％FDR的蛋白质进行进一步分析。

对复旦大学中山医院的食管癌患者的临床样本中的164种蛋白质分子标志物(ABCB8、ACADSB、ACE、ACOX1、ACP1、ADAM15、AEBP1、ALDH1B1、ALOX15B、ANGPTL2、ANK3、ANP32B、AP1B1、APCS、APOM、APPL1、ARHGDIB、BRCC3、C10orf76、C11orf68、C19orf70、C1S、C2orf54、C3orf58、C4BPA、C5orf51、C6orf132、C8G、CD2BP2、CD63、CDC26、CDCP1、CES1、CETN2、CLPB、CLU、CNPY4、COA3、COL10A1、CPA3、CPSF3L、CRMP1、CTHRC1、CTSB、CTSZ、DCAKD、DDX54、DHCR7、DHRS9、DPYSL3、DPYSL4、EEA1、EFEMP1、EVPL、F10、F2、FABP6、FBLN1、FBN1、FTH1、GBP3、GEMIN5、GINS2、GK、GNAI1、GOSR2、GSTM3、H1FX、HDAC1、HIF1AN、HOOK1、HPSE、IGF2BP1、IGF2BP2、IGFALS、IRF2BP2、ITGA5、ITGB2、KBTBD11、KHNYN、KNG1、KRAS、LAMC1、LPCAT2、LPP、LRRC47、LSM4、LUM、LXN、LYZ、MAP1B、MCM5、MED27、MMP1、MMP2、MMP8、MOB2、MPG、MPHOSPH10、MREG、MRPS18C、MTA3、MXRA7、NAA20、NACA2、NBN、NCOR1、NDUFA11、NNMT、NOL9、NUDT2、OSBPL2、PADI3、PAK4、PARP9、PARVA、PDIA5、PFN2、PHACTR4、PLG、POLR2D、PPM1F、PPP2R1B、PPP2R5C、PRELP、PRPF3、QPCTL、RABL6、RBL1、RPAP3、SAMD9、SERPINA5、SERPINC1、SERPIND1、SERPINE2、SERPINF1、SHROOM3、SIRT3、SLC12A7、SLC1A3、SLTM、SMAD2、SMARCD2、SPIN1、SRSF4、STARD7、TAGLN、TALDO1、TFCP2、TIMP3、TMSB4X、TNIP2、TNS1、TRIM24、TUBB1、UBA7、UBE2I、UBE2M、UGDH、UROD、VTN、WASL、WDFY1、YES1)的相对表达水平计算其预测准确度，灵敏度及特异性，其中包60例训练集，预测准确率为100％，诊断灵敏度100％，特异性100％(见图1)，剩余15例为内部验证集，预测准确率为100％，诊断灵敏度100％，特异性100％(见图2)。对于待治疗食管癌患者，根据蛋白质分子标志物的表达水平，得到该患者使用铂类联合紫杉醇类治疗的不同反应的输出结果，从而向该患者推荐或不推荐该治疗方案(见表1)。

数据是基于GLM模型，在R语言环境下，使用predict函数如predict(glm.model,test_data,type＝"prob")。此处glm.model为该治疗方案的标志物预测模型，test_data为待治疗患者的蛋白质组所测得的标志物组合表达量信息，type＝"prob"为预测敏感和非敏感的概率值。如上述描述，将标志物组合表达值输入模型，使用predict函数输出患者对常规化疗联合靶向治疗敏感和非敏感的概率，输出的结果即为表中的结果。判断是否使用该治疗方案是参考该治疗方案敏感预测概率值和非敏感治疗概率值。本专利推荐参考值：根据敏感预测概率大于非敏感预测概率，且敏感预测概率大于0.8，向患者推荐该治疗方案；根据非敏感预测概率大于敏感预测概率，且非敏感预测概率大于0.8，不推荐该治疗方案；敏感预测概率或者非敏感预测概率小于等于0.8，均不推荐该治疗方案。

表1

由上述结果可知，将食管癌患者的临床样本中的164种蛋白质分子标志物(ABCB8、ACADSB、ACE、ACOX1、ACP1、ADAM15、AEBP1、ALDH1B1、ALOX15B、ANGPTL2、ANK3、ANP32B、AP1B1、APCS、APOM、APPL1、ARHGDIB、BRCC3、C10orf76、C11orf68、C19orf70、C1S、C2orf54、C3orf58、C4BPA、C5orf51、C6orf132、C8G、CD2BP2、CD63、CDC26、CDCP1、CES1、CETN2、CLPB、CLU、CNPY4、COA3、COL10A1、CPA3、CPSF3L、CRMP1、CTHRC1、CTSB、CTSZ、DCAKD、DDX54、DHCR7、DHRS9、DPYSL3、DPYSL4、EEA1、EFEMP1、EVPL、F10、F2、FABP6、FBLN1、FBN1、FTH1、GBP3、GEMIN5、GINS2、GK、GNAI1、GOSR2、GSTM3、H1FX、HDAC1、HIF1AN、HOOK1、HPSE、IGF2BP1、IGF2BP2、IGFALS、IRF2BP2、ITGA5、ITGB2、KBTBD11、KHNYN、KNG1、KRAS、LAMC1、LPCAT2、LPP、LRRC47、LSM4、LUM、LXN、LYZ、MAP1B、MCM5、MED27、MMP1、MMP2、MMP8、MOB2、MPG、MPHOSPH10、MREG、MRPS18C、MTA3、MXRA7、NAA20、NACA2、NBN、NCOR1、NDUFA11、NNMT、NOL9、NUDT2、OSBPL2、PADI3、PAK4、PARP9、PARVA、PDIA5、PFN2、PHACTR4、PLG、POLR2D、PPM1F、PPP2R1B、PPP2R5C、PRELP、PRPF3、QPCTL、RABL6、RBL1、RPAP3、SAMD9、SERPINA5、SERPINC1、SERPIND1、SERPINE2、SERPINF1、SHROOM3、SIRT3、SLC12A7、SLC1A3、SLTM、SMAD2、SMARCD2、SPIN1、SRSF4、STARD7、TAGLN、TALDO1、TFCP2、TIMP3、TMSB4X、TNIP2、TNS1、TRIM24、TUBB1、UBA7、UBE2I、UBE2M、UGDH、UROD、VTN、WASL、WDFY1、YES1)，可用于预测食管癌患者是否适合接受铂类联合紫杉醇类治疗方案。

最后，上述具体实施方法仅用以说明本发明的技术方案，而非对其限制。

Claims (10)

1.一种生物标志物组合，其特征在于，其包括以下标志物：

ABCB8、ACADSB、ACE、ACOX1、ACP1、ADAM15、AEBP1、ALDH1B1、ALOX15B、ANGPTL2、ANK3、ANP32B、AP1B1、APCS、APOM、APPL1、ARHGDIB、BRCC3、C10orf76、C11orf68、C19orf70、C1S、C2orf54、C3orf58、C4BPA、C5orf51、C6orf132、C8G、CD2BP2、CD63、CDC26、CDCP1、CES1、CETN2、CLPB、CLU、CNPY4、COA3、COL10A1、CPA3、CPSF3L、CRMP1、CTHRC1、CTSB、CTSZ、DCAKD、DDX54、DHCR7、DHRS9、DPYSL3、DPYSL4、EEA1、EFEMP1、EVPL、F10、F2、FABP6、FBLN1、FBN1、FTH1、GBP3、GEMIN5、GINS2、GK、GNAI1、GOSR2、GSTM3、H1FX、HDAC1、HIF1AN、HOOK1、HPSE、IGF2BP1、IGF2BP2、IGFALS、IRF2BP2、ITGA5、ITGB2、KBTBD11、KHNYN、KNG1、KRAS、LAMC1、LPCAT2、LPP、LRRC47、LSM4、LUM、LXN、LYZ、MAP1B、MCM5、MED27、MMP1、MMP2、MMP8、MOB2、MPG、MPHOSPH10、MREG、MRPS18C、MTA3、MXRA7、NAA20、NACA2、NBN、NCOR1、NDUFA11、NNMT、NOL9、NUDT2、OSBPL2、PADI3、PAK4、PARP9、PARVA、PDIA5、PFN2、PHACTR4、PLG、POLR2D、PPM1F、PPP2R1B、PPP2R5C、PRELP、PRPF3、QPCTL、RABL6、RBL1、RPAP3、SAMD9、SERPINA5、SERPINC1、SERPIND1、SERPINE2、SERPINF1、SHROOM3、SIRT3、SLC12A7、SLC1A3、SLTM、SMAD2、SMARCD2、SPIN1、SRSF4、STARD7、TAGLN、TALDO1、TFCP2、TIMP3、TMSB4X、TNIP2、TNS1、TRIM24、TUBB1、UBA7、UBE2I、UBE2M、UGDH、UROD、VTN、WASL、WDFY1和YES1。

2.用于检测如权利要求1所述的生物标志物组合的表达水平的试剂，其特征在于，所述试剂包含与如权利要求1所述的生物标志物组合特异性杂交的生物分子；

较佳地，所述生物分子包括选自引物、探针和抗体中的一种或多种。

3.如权利要求1所述的生物标志物组合，或者如权利要求2所述的试剂在制备用于预测食管癌铂类联合紫杉醇类治疗响应的产品中的应用。

4.一种试剂盒，其特征在于，其包含如权利要求1所述的生物标志物组合，或如权利要求2所述的试剂。

5.如权利要求4所述的试剂盒在制备用于预测食管癌铂类联合紫杉醇类治疗响应的产品中的应用。

6.一种用于预测食管癌铂类联合紫杉醇类治疗响应的系统，其特征在于，所述系统包括：

数据处理模块，用于将接收或输入患者的如权利要求1所述的生物标志物组合的数据进行计算，得到计算结果；以及

判断并输出模块，用于判断所述的计算结果是否符合预设的判断条件，并输出预测结果；

任选地，在所述判断并输出模块中，当所述计算结果满足所述判断条件时，输出预测结果为“响应治疗”；当所述计算结果不满足所述判断条件时，输出预测结果为“不响应治疗”；

任选地，在所述数据处理模块中，所述数据为患者的如权利要求1所述的生物标志物组合的表达量信息；

任选地，所述生物标志物的表达量信息是利用测序方法得到的；

任选地，所述判断并输出模块优选GLM广义线性模型；

任选地，在所述判断并输出模块中，所述判断包括如权利要求1所述的生物标志物组合的表达量信息在模型中的表现，即敏感预测概率和非敏感预测概率；

任选地，所述判断条件为敏感预测概率与非敏感预测概率的比较：1)若敏感预测概率大于非敏感预测概率，且敏感预测概率大于0.8，向患者推荐该治疗方案；2)若非敏感预测概率大于敏感预测概率，且非敏感预测概率大于0.8，不推荐该治疗方案；3)若敏感预测概率或者非敏感预测概率小于等于0.8，均不推荐该治疗方案。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括样本提取模块，所述样本提取模块提取样本数据，并将其传输给标志物组合验证模块。

8.一种包括机器学习模型的装置，其包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，可实现如权利要求6或7所述的系统的功能。

9.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，可实现如权利要求6或7所述的系统的功能。

10.如权利要求6或7所述的系统在制备预测食管癌铂类联合紫杉醇类治疗响应的产品中的应用；

较佳地，所述产品为芯片、试剂盒、试纸或者高通量测序平台。

Images