CN115710601A - 用于结直肠癌预后预测的基因标签及其应用 - Google Patents
用于结直肠癌预后预测的基因标签及其应用 Download PDFInfo
- Publication number
- CN115710601A CN115710601A CN202211465111.0A CN202211465111A CN115710601A CN 115710601 A CN115710601 A CN 115710601A CN 202211465111 A CN202211465111 A CN 202211465111A CN 115710601 A CN115710601 A CN 115710601A
- Authority
- CN
- China
- Prior art keywords
- expression level
- expression
- gene
- colorectal cancer
- prognosis
- 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
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一组用于结直肠癌预后预测的基因标签及其应用，该基因标签包括15个长链非编码RNA(Long non‑coding RNA)，分别为AC093326.2，MRGPRG‑AS1，USP30‑AS1，LHFPL3‑AS2，RP5‑907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA‑AS1，CARD8‑AS1，MIAT，LINC00324，ZNF667‑AS1，A2M‑AS1和LINC00494，并公开了基于该基因标签建立的结直肠癌预后预测模型，其能够用于帮助预测结直肠癌患者预后，且模型具有较强的泛化能力，可以为临床医生和患者提供准确的疗效评估，达到个性化或精准医疗的目的。
Description
技术领域
本发明属于生物医学检测技术领域，具体涉及一种用于结直肠癌预后预测的由15个lncRNA表达量所构成的基因标签，以及该基因标签的应用。
背景技术
结直肠癌(Colorectal Cancer，CRC)是一种常见的消化系统癌症，具有高异质性、高发病率以及高死亡率；结肠癌和直肠癌的发病率分别为全球第四和第八，综合死亡率位居第二。CRC患者的高死亡率主要是由于疾病的快速发展和临床治疗的局限性(Koncina E,Haan S,Rauh S,Letellier E:Prognostic and Predictive Molecular Biomarkers forColorectal Cancer:Updates and Challenges.Cancers 2020,12(2))。通常情况下，癌症患者的风险评估和个性化治疗通常是基于美国癌症联合委员会(AJCC)发布的分类标准。这样的标准只考虑了病人的病理特征，而没有考虑分子生物学特征(Weiser MR:AJCC 8thEdition:Colorectal Cancer.Ann Surg Oncol 2018,25(6):1454-1455)。因此，能够同时考虑到患者的临床和分子生物学特征的标准，将对CRC患者的个性化临床治疗和预后改善具有重要意义。
大量关于肿瘤微环境(TME)的研究表明，肿瘤浸润性免疫细胞在肿瘤的发展和控制中起着关键作用(Barnes TA,Amir E:HYPE or HOPE:the prognostic value ofinfiltrating immune cells in cancer.Br J Cancer 2017,117(4):451-460)。考虑到免疫系统在肿瘤中的重要作用，一些免疫疗法包括免疫检查点抑制剂(ICI)疗法、细胞外细胞因子疗法和采用T细胞疗法被用于治疗肿瘤。尽管一些基于免疫检查点抑制剂的免疫疗法在治疗MSI-H型CRC中取得了良好的效果，但在MSS型CRC中的大多数试验都失败了(Wang D,Zhang H,Xiang T,Wang G:Clinical Application of Adaptive Immune Therapy in MSSColorectal Cancer Patients.Front Immunol 2021,12:762341)。因此能够看出ICI疗法在CRC的临床治疗中并不像我们预期的那样有效。
基因标签是指基于一组基因的表达，通过机器学习建立数学模型，用于预测临床上的具体目标。随着基因表达检测手段(包括二代高通量测序技术、聚合酶链式反应PCR等)逐渐成熟，越来越多的基因标签被发现，以用于结直肠癌的预后预测中。
一方面目前的CRC相关研究中尚未有利用免疫细胞系以及肿瘤细胞系的转录组数据对肿瘤免疫浸润相关lncRNA进行筛选，且目前构建的模型泛化能力较弱，尚存在不足。另一方面，基于肿瘤免疫浸润和CRC之间的紧密联系以及目前研究的不足，尚未有通过肿瘤免疫浸润相关lncRNA进行CRC预后评估的新方法，用于预测结直肠癌患者预后从而指导医生对患者进行个性化治疗。
发明内容
有鉴于此，本发明有必要提供一组用于结直肠癌预后预测的基因标签，该基因标签由15个与结直肠癌预后强相关的lncRNA构成，其能够用于预测结直肠癌患者预后，且构建模型的泛化能力较强，能够为临床医生和患者提供准确的疗效评估，达到个性化或精准医疗的目的。
为了实现上述目的，本发明第一方面提供了一组用于结直肠癌预后预测的基因标签，本发明中基于统计学方法获得了与结直肠癌患者预后相关的基因标签，通过检测该基因标签表达水平能够准确预测结直肠癌患者预后，实现指导个性化或精准医疗的目的。所述的基因标签由15个长链非编码RNA(Long non-coding RNA，lncRNA)组成，分别为AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494。
本发明第二方面提供了检测样本中本发明第一方面所述基因标签表达量的试剂在制备用于结直肠癌预后预测的产品中的应用，本文中所述的样本是指结直肠癌的组织样本，这里的基因标签表达量可通过本领域中常规的测序技术进行检测，具体的说，所述的测序技术包括但不限于基因芯片、二代高通测序技术和/或PCR；所述的试剂包括采用上述测序技术检测样本中所述基因标签表达量的试剂，优选地，所述试剂为核酸探针或引物；比如，所述的试剂可以是特异性识别AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494的核酸探针，或者特异性扩增AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494的引物。可以理解的是，这里的引物或核酸探针等可通过本领域技术人员熟知的方法来进行制备，故这里不再具体阐述。
本发明第三方面提供了一种用于结直肠癌预后预测的产品，所述产品包括检测样本中本发明第一方面所述的基因标签表达量的试剂；优选地，所述试剂包括通过测序技术检测样本中所述基因标签表达量的试剂，所述的测序技术包括但不限于基因芯片、二代高通测序技术和/或PCR；优选地，所述试剂为核酸探针或引物。这里所述的产品主要指的是体外检测产品，包括但不限于芯片或试剂盒，其中所述的芯片可以是基因芯片，所述的试剂盒可以是基因检测试剂盒。
进一步的，在每例样本检测后，使用公式：
进行风险评分，其中，expn为第n个lncRNA的表达值，coefn为第n个lncRNA的回归系数。具体的说，本发明首先利用19种免疫细胞系和结直肠癌细胞系的转录组芯片数据筛选出与结直肠癌免疫细胞浸润相关的lncRNA；随后利用单因素Cox回归与LASSO回归方法，从中筛选了一组由15个与结直肠癌预后强相关的lncRNA构成的基因标签；随后利用多因素Cox回归方法对上述15个lncRNA与生存风险进行拟合，得到每一个lncRNA的回归系数，最后利用每一个lncRNA的表达量和回归系数来构建风险评分。最终得到风险评分计算公式为：
风险评分＝AC093326.2表达量×(0.2143～0.2144)+MRGPRG-AS1表达量×(0.3634～0.3635)+USP30-AS1表达量×(-0.4447～-0.4446)+LHFPL3-AS2表达量×(0.3096～0.3097)+RP5-907D15.4表达量×(0.4813～0.4814)+OGFRP1表达量×(0.7894～0.7895)+C11orf72表达量×(0.2243～0.2244)+EWSAT1表达量×(0.1048～0.1049)+CEBPA-AS1表达量×(-0.4341～-0.434)+CARD8-AS1表达量×(-0.2542～-0.2541)+MIAT表达量×(0.2718～0.2719)+LINC00324表达量×(-0.1991～-0.199)+ZNF667-AS1表达量×(0.4400～0.4401)+A2M-AS1表达量×(-0.3798～-0.3797)+LINC00494表达量×(-0.4864～-0.4863)；
进一步的，所述风险评分计算公式为：
风险评分＝AC093326.2表达量×0.21435126558627+MRGPRG-AS1表达量×0.36344609795199+USP30-AS1表达量×(-0.44476856346796)+LHFPL3-AS2表达量×0.30968725830395+RP5-907D15.4表达量×0.48130292078934+OGFRP1表达量×0.78947815966506+C11orf72表达量×0.22432492275693+EWSAT1表达量×0.10487395935198+CEBPA-AS1表达量×(-0.43418474072704)+CARD8-AS1表达量×(-0.25420001967837)+MIAT表达量×0.27186159925682+LINC00324表达量×(-0.19911673086246)+ZNF667-AS1表达量×0.44003354144362+A2M-AS1表达量×(-0.37981312297735)+LINC00494表达量×(-0.48646764307466)。
本发明第四方面提供了一种用于结直肠癌预后预测的预测模型，所述预测模型包括本发明第一方面所述的15个lncRNA，采用如下公式计算风险评分：
风险评分＝AC093326.2表达量×(0.2143～0.2144)+MRGPRG-AS1表达量×(0.3634～0.3635)+USP30-AS1表达量×(-0.4447～-0.4446)+LHFPL3-AS2表达量×(0.3096～0.3097)+RP5-907D15.4表达量×(0.4813～0.4814)+OGFRP1表达量×(0.7894～0.7895)+C11orf72表达量×(0.2243～0.2244)+EWSAT1表达量×(0.1048～0.1049)+CEBPA-AS1表达量×(-0.4341～-0.434)+CARD8-AS1表达量×(-0.2542～-0.2541)+MIAT表达量×(0.2718～0.2719)+LINC00324表达量×(-0.1991～-0.199)+ZNF667-AS1表达量×(0.4400～0.4401)+A2M-AS1表达量×(-0.3798～-0.3797)+LINC00494表达量×(-0.4864～-0.4863)；
优选地，所述预测模型采用如下公式计算风险评分：
风险评分＝AC093326.2表达量×0.21435126558627+MRGPRG-AS1表达量×0.36344609795199+USP30-AS1表达量×(-0.44476856346796)+LHFPL3-AS2表达量×0.30968725830395+RP5-907D15.4表达量×0.48130292078934+OGFRP1表达量×0.78947815966506+C11orf72表达量×0.22432492275693+EWSAT1表达量×0.10487395935198+CEBPA-AS1表达量×(-0.43418474072704)+CARD8-AS1表达量×(-0.25420001967837)+MIAT表达量×0.27186159925682+LINC00324表达量×(-0.19911673086246)+ZNF667-AS1表达量×0.44003354144362+A2M-AS1表达量×(-0.37981312297735)+LINC00494表达量×(-0.48646764307466)。
具体的说，在评估结直肠癌受试者预后情况时，首先通过上述公式获得风险评分，然后与阈值比较，小于该值的患者视为预后较好，大于该值的患者视为预后较差。其中，本文中所述的阈值是通过R包survminer中的surv_cutpoint函数来确定的。
进一步的，本文中还提供了本发明第四方面所述的用于结直肠癌预后预测的预测模型的构建方法，该构建方法包括以下步骤：
肿瘤免疫浸润相关lncRNA分析和筛选：首先筛选出免疫细胞系中的管家lncRNA，随后在结直肠癌细胞系和免疫细胞系之间进行差异分析，筛选出差异表达的免疫细胞管家lncRNA作为肿瘤免疫浸润相关lncRNA；
模型建立：利用LASSO回归和Cox回归分析上述获得的相关lncRNA，最终确定了由15个与结直肠癌预后相关lncRNA构建预测模型，所述lncRNA分别为AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494；
验证模型：基于预测模型、以及本发明选择的数据集中结直肠癌患者样本中如前所述的lncRNA(AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494)的表达量，计算每位受试者的风险评分；
基于所述风险评分与阈值的比较结果，比较患者之间的预后差异，将结直肠癌患者判断为预后较差或预后较好。
本发明第五方面提供了一种用于结直肠癌预后预测的系统或装置，所述系统或装置包括：
数据获取模块，用于获取受试者样本中基因标签的表达量数据；
计算模块，用于将所述数据获取模块获得的基因标签表达量数据代入本发明第四方面所述的预测模型，计算出风险评分；
结果输出模块，用于获取所述计算模块中预测模型的输出结果并输出预测结果，具体的说，将所述计算模块中预测模型中的计算出的风险评分与阈值进行比较后，划定分组，随后输出预测结果。
本发明第六方面提供了一种计算机设备，其包括存储器和处理器，所述存储器存储有程序，所述处理器执行所述程序时实现如下方法：
获取受试者样本中基因标签表达量数据；
将所述基因标签表达量数据作为输入数据代入本发明第四方面所述的预测模型，计算风险评分；
输出受试者的预后预测结果(预后较差或预后较好)。
可以理解的是，本发明所述的计算机设备包括但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的个人电脑、服务器等终端。还可以包括移动终端，具体包括但不限于任何一种可与用户通过键盘、触摸板或声控设备等方式进行人机交互的电子设备，例如，平板电脑、智能手机、个人数字助理、智能式穿戴式设备等终端。
本发明中所述的存储器包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。其上存储有操作系统的代码。例如，存储器上还存储有代码或指令，通过运行这些代码或指令，可以实现本文中公开的结直肠癌预后预测的预测模型。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。
此外，本发明的计算机设备还可以包括通过系统总线连接的处理器、存储器、外界接口、显示器和输入装置等。所述处理器可以包括一个或者多个微处理器、数字处理器。所述处理器可调用存储器中存储的程序代码以执行相关的功能。
本发明第七方面提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现如下方法：
获取受试者样本中基因标签表达量数据；
将所述基因标签表达量数据作为输入数据代入本发明第四方面所述的预测险模型，计算风险评分；
输出受试者的预后预测结果(预后较差或预后较好)。
本发明的有益效果如下：
本发明利用细胞系的转录组数据结合多因素Cox回归方法，构建了一组由15个lncRNA构成的基因标签。本发明通过对训练集建模和一个外部验证集对模型进行验证，表现出良好的预后预测效果，该模型具有较强的泛化能力。因此能够对结直肠癌患者进行分层，区分并筛选出预后较差、风险较高的患者。从而能够指导临床医生对高风险患者投入更多的关注以及进行更加深入的治疗，而对于低风险的患者则避免使用高毒性化疗药物以及减少侵入性的治疗，以避免过度治疗、降低医疗成本，以期达到精准治疗和个体化用药的目的。
附图说明
图1表示在本发明实施例1中利用LASSO回归拟合模型系数时，各变量的系数随着超参数lambda的取值不同而变化。
图2是实施例1中本发明利用十折交叉验证LASSO回归方法拟合模型系数时，部分似然偏差随着损失函数中L1正则项中参数lambda大小变化的趋势；其中虚线代表部分似然偏差最小时的lambda取值，当lambda取到图2中虚线处所代表的值时，在图1中对应各变量的系数为最终拟合的系数。
图3是实施例2中基于本发明的基因标签的预测模型在训练集和验证集的不同预后情况的病人中的分布情况；使用箱线图进行可视化展示，使用Wilcoxon秩和检验对两组病人间的风险评分的差异进行检验，以P<0.05作为显著标准。
图4是实施例2中基于本发明的基因标签的预测模型在训练集和验证集预测病人1，2，3年生存状况的时间依赖的ROC曲线图。
具体实施方式
下面详细描述本发明的实施例，下面描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，下面的具体实施例仅仅是用于说明的目的，而不以任何方式限制本发明的范围，另外，如无特别说明，未具体记载条件或者步骤的方法均为常规方法。
实施例1 lncRNA的筛选以及风险评分模型的构建
1、从来自GEO数据库(https://www.ncbi.nlm.nih.gov/geo)的16个GEO项目GSE13906，GSE23371，GSE25320，GSE27291，GSE27838，GSE28490，GSE28698，GSE28726，GSE37750，GSE39889，GSE42058，GSE49910，GSE51540，GSE59237，GSE6863和GSE8059中获得免疫细胞系的转录组表达数据，这些数据都基于Affymetrix Human Genome U133 Plus2.0 Array测序芯片获取。
2、对每一个免疫细胞系数据中表达量前5％的长链非编码RNA(Long non-codingRNA，lncRNA)，并计算这些lncRNA的组织特异性指数，按照组织特异性指数<0.4的标准筛选出407个免疫细胞管家lncRNA。
3、从CCLE数据库(https://portals.broadinstitute.org/ccle)中获取结直肠癌细胞系转录组表达数据，这些数据都基于Affymetrix Human Genome U133 Plus 2.0Array测序芯片获取。在结直肠癌细胞系和免疫细胞系之间进行差异分析，按照adjusted P<0.05，|log2FC|>1为标准，从407个免疫细胞管家lncRNA中筛选出97个差异表达的免疫细胞管家lncRNA作为肿瘤免疫浸润相关lncRNA。
4、从GSE39582项目中获取结直肠癌组织的转录组表达数据，这些数据都基于Affymetrix Human Genome U133 Plus 2.0Array测序芯片获取，在转录组表达数据中仅保留肿瘤免疫浸润相关lncRNA的表达数据。首先进行单因素Cox分析，按照P<0.05筛选出与结直肠癌病人预后显著相关的肿瘤免疫浸润相关lncRNA 35个；随后以十折交叉验证LASSO回归去除回归系数为0的lncRNA，最后得到15个与结直肠癌预后相关的关键lncRNA，分别是AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494。
5、利用多因素Cox回归方法对上述15个lncRNA进行分析，得到每一个lncRNA的回归系数，利用lncRNA的表达值和回归系数来构建风险评分，
其中expn为第n个lncRNA的表达值，coefn为第n个lncRNA的回归系数。基于此公式，得到最终的风险评分计算公式，风险评分＝AC093326.2表达量×0.21435126558627+MRGPRG-AS1表达量×0.36344609795199+USP30-AS1表达量×(-0.44476856346796)+LHFPL3-AS2表达量×0.30968725830395+RP5-907D15.4表达量×0.48130292078934+OGFRP1表达量×0.78947815966506+C11orf72表达量×0.22432492275693+EWSAT1表达量×0.10487395935198+CEBPA-AS1表达量×(-0.43418474072704)+CARD8-AS1表达量×(-0.25420001967837)+MIAT表达量×0.27186159925682+LINC00324表达量×(-0.19911673086246)+ZNF667-AS1表达量×0.44003354144362+A2M-AS1表达量×(-0.37981312297735)+LINC00494表达量×(-0.48646764307466)。
实施例2预测模型的验证以及性能评估
1、数据来源
采用GSE39582数据集，共573例结直肠癌患者样本作为训练集。
从TCGA数据库中下载了结肠腺癌病人(TCGA-COAD)和直肠腺癌病人(TCGA-READ)的表达及临床数据，并合并为结直肠癌数据集TCGA-CRC，共584例结直肠癌患者样本作为验证集。
采用包括上述训练集和验证集在内的2个数据集对预测模型对于结直肠癌预后的预测能力进行了评估。
2、利用实施例1中的风险评分公式计算出来结直肠癌患者的风险评分，对不同预后的病人间风险评分的分布进行比较。发现预后较差患者的风险评分显著高于预后较好的患者(训练集，P<0.0001)(验证集，P＝0.0018)。
3、利用结直肠癌患者的风险评分，对患者在1、2、3年时的生存状态进行预测，利用受试者工作特征曲线(ROC曲线，图4中所示的)对预测性能进行评估；其中在训练集中1、2、3年AUC值分别为0.765、0.732、0.715；在验证集中1、2、3年AUC值分别为0.614、0.608、0.620。以上说明，该预测模型在两个数据集中对三个时间点的生存状态的预测效果都较为良好。
基于上述分析，能够发现基于本发明中的基因标签的预测模型能够较好的区分预后良好和预后较差的结直肠癌病人，并且能够对病人在不同时间点的生存状态进行较为准确的预测。因此该预测模型能够准确地评估病人的预后，且模型的泛化能力较强，从而指导临床医生对高风险患者投入更多的关注以及进行更加深入的治疗，而对于低风险的患者则避免使用高毒性化疗药物以及减少侵入性的治疗。避免过度治疗、降低医疗成本，以期达到精准治疗和个体化用药的目的。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一组用于结直肠癌预后预测的基因标签，其特征在于，所述基因标签由15个长链非编码RNA组成，分别为AC093326.2，MRGPRG-AS1，USP30-AS1，LHFPL3-AS2，RP5-907D15.4，OGFRP1，C11orf72，EWSAT1，CEBPA-AS1，CARD8-AS1，MIAT，LINC00324，ZNF667-AS1，A2M-AS1和LINC00494。
2.检测样本中权利要求1所述基因标签表达量的试剂在制备用于结直肠癌预后预测的产品中的应用。
3.如权利要求2所述的应用，其特征在于，所述试剂包括通过基因芯片、二代高通量测序技术和/或PCR检测样本中所述基因标签表达量的试剂；
优选地，所述试剂为核酸探针或引物。
4.一种用于结直肠癌预后预测的产品，其特征在于，所述产品包括检测样本中权利要求1所述的基因标签表达量的试剂；
优选地，所述试剂包括通过基因芯片、二代高通量测序技术和/或PCR检测样本中所述基因标签表达量的试剂；
优选地，所述试剂为核酸探针或引物。
5.如权利要求4所述的产品，其特征在于，所述产品为芯片或试剂盒。
6.一种用于结直肠癌预后预测的预测模型，其特征在于，所述预测模型包括如权利要求1所述的基因标签，所述预测模型采用如下公式计算风险评分：
风险评分＝AC093326.2表达量×(0.2143～0.2144)+MRGPRG-AS1表达量×(0.3634～0.3635)+USP30-AS1表达量×(-0.4447～-0.4446)+LHFPL3-AS2表达量×(0.3096～0.3097)+RP5-907D15.4表达量×(0.4813～0.4814)+OGFRP1表达量×(0.7894～0.7895)+C11orf72表达量×(0.2243～0.2244)+EWSAT1表达量×(0.1048～0.1049)+CEBPA-AS1表达量×(-0.4341～-0.434)+CARD8-AS1表达量×(-0.2542～-0.2541)+MIAT表达量×(0.2718～0.2719)+LINC00324表达量×(-0.1991～-0.199)+ZNF667-AS1表达量×(0.4400～0.4401)+A2M-AS1表达量×(-0.3798～-0.3797)+LINC00494表达量×(-0.4864～-0.4863)；
其中，所述风险评分低于阈值，视为预后较好；所述风险评分高于阈值时，视为预后较差。
7.如权利要求6所述的预测模型，其特征在于，所述预测模型采用如下公式计算风险评分：
风险评分＝AC093326.2表达量×0.21435126558627+MRGPRG-AS1表达量×0.36344609795199+USP30-AS1表达量×(-0.44476856346796)+LHFPL3-AS2表达量×0.30968725830395+RP5-907D15.4表达量×0.48130292078934+OGFRP1表达量×0.78947815966506+C11orf72表达量×0.22432492275693+EWSAT1表达量×0.10487395935198+CEBPA-AS1表达量×(-0.43418474072704)+CARD8-AS1表达量×(-0.25420001967837)+MIAT表达量×0.27186159925682+LINC00324表达量×(-0.19911673086246)+ZNF667-AS1表达量×0.44003354144362+A2M-AS1表达量×(-0.37981312297735)+LINC00494表达量×(-0.48646764307466)。
8.一种用于结直肠癌预后预测的系统或装置，其特征在于，所述系统或装置包括：
数据获取模块，用于获取受试者样本中基因标签的表达量数据；
计算模块，用于将所述数据获取模块获得的基因标签表达量数据代入权利要求6或7所述预测模型，计算出风险评分；
结果输出模块，用于获取所述计算模块中预测模型的输出结果并输出预测结果。
9.一种计算机设备，其包括存储器和处理器，所述存储器存储有程序，其特征在于，所述处理器执行所述程序时实现如下方法：
获取受试者样本中基因标签表达量数据；
将所述基因标签表达量数据作为输入数据代入权利要求6或7所述的预测模型，计算风险评分；
输出受试者的预后预测结果。
10.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如下方法：
获取受试者样本中基因标签表达量数据；
将所述基因标签表达量数据作为输入数据代入权利要求6或7所述的预测模型，计算风险评分；
输出受试者的预后预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465111.0A CN115710601A (zh) | 2022-11-22 | 2022-11-22 | 用于结直肠癌预后预测的基因标签及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211465111.0A CN115710601A (zh) | 2022-11-22 | 2022-11-22 | 用于结直肠癌预后预测的基因标签及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115710601A true CN115710601A (zh) | 2023-02-24 |
Family
ID=85234059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211465111.0A Pending CN115710601A (zh) | 2022-11-22 | 2022-11-22 | 用于结直肠癌预后预测的基因标签及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115710601A (zh) |
-
2022
- 2022-11-22 CN CN202211465111.0A patent/CN115710601A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3013986B1 (en) | Assessment of the pi3k cellular signaling pathway activity using mathematical modelling of target gene expression | |
| EP3304093B1 (en) | Validating biomarker measurement | |
| JP2020503850A (ja) | 腫瘍抑制ｆｏｘｏ活性を酸化ストレスから区別する方法 | |
| Rouam et al. | Identifying common prognostic factors in genomic cancer studies: a novel index for censored outcomes | |
| US9940383B2 (en) | Method, an arrangement and a computer program product for analysing a biological or medical sample | |
| US20110224908A1 (en) | Gene signature for diagnosis and prognosis of breast cancer and ovarian cancer | |
| Chen et al. | Development and validation of a quantitative real-time polymerase chain reaction classifier for lung cancer prognosis | |
| Graudenzi et al. | Pathway-based classification of breast cancer subtypes | |
| US20150294062A1 (en) | Method for Identifying a Target Molecular Profile Associated with a Target Cell Population | |
| KR101765999B1 (ko) | 암 바이오마커의 성능 평가 장치 및 방법 | |
| Tschodu et al. | Comparative analysis of molecular signatures reveals a hybrid approach in breast cancer: Combining the Nottingham Prognostic Index with gene expressions into a hybrid signature | |
| CN113201590B (zh) | 用于评估肝细胞癌早期复发风险的lncRNA、评估方法及装置 | |
| CN111778337A (zh) | 结直肠癌预后风险分数的计算方法、其试剂及其装置 | |
| CN115710601A (zh) | 用于结直肠癌预后预测的基因标签及其应用 | |
| US20180181705A1 (en) | Method, an arrangement and a computer program product for analysing a biological or medical sample | |
| KR102161511B1 (ko) | 담도암 진단용 바이오마커의 추출 방법, 이를 위한 컴퓨팅 장치, 담도암 진단용 바이오마커 및 이를 포함하는 담도암 진단 장치 | |
| CN113215261A (zh) | 胰腺癌的预后预测诊断用基因标记物及其用途 | |
| CN111172285A (zh) | 用于胰腺癌早期诊断和/或预后监测的miRNA组及其应用 | |
| CN114134228B (zh) | 评估PI3K/Akt/mTOR通路相关基因突变的试剂盒、系统、储存介质及其应用 | |
| Liu et al. | Construction of Immune Infiltration-related LncRNA signatures based on machine learning for the prognosis in Colon cancer | |
| KR102138517B1 (ko) | 췌장암 진단용 바이오마커의 추출 방법, 이를 위한 컴퓨팅 장치, 췌장암 진단용 바이오마커 및 이를 포함하는 췌장암 진단 장치 | |
| CN113736879B (zh) | 用于小细胞肺癌患者预后的系统及其应用 | |
| Xu | Statistical Methods for Gene-Environment Interactions | |
| Phelix et al. | Biomarkers from biosimulations: Transcriptome-To-Reactome™ Technology for individualized medicine | |
| CN113278703A (zh) | 胰腺癌生存期相关预后分子 |
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 |