CN117133467A - 一种用于肺癌的早筛、辅助诊断和/或预后监测的系统 - Google Patents
一种用于肺癌的早筛、辅助诊断和/或预后监测的系统 Download PDFInfo
- Publication number
- CN117133467A CN117133467A CN202311402034.9A CN202311402034A CN117133467A CN 117133467 A CN117133467 A CN 117133467A CN 202311402034 A CN202311402034 A CN 202311402034A CN 117133467 A CN117133467 A CN 117133467A
- Authority
- CN
- China
- Prior art keywords
- mirna
- lung cancer
- subject
- lung
- value
- 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.)
- Granted
Links
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 67
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 67
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 67
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000012216 screening Methods 0.000 title claims abstract description 35
- 238000004393 prognosis Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 108091070501 miRNA Proteins 0.000 claims description 83
- 239000002679 microRNA Substances 0.000 claims description 73
- 238000012163 sequencing technique Methods 0.000 claims description 47
- 206010056342 Pulmonary mass Diseases 0.000 claims description 44
- 108010029485 Protein Isoforms Proteins 0.000 claims description 34
- 102000001708 Protein Isoforms Human genes 0.000 claims description 34
- 230000002980 postoperative effect Effects 0.000 claims description 22
- 206010028980 Neoplasm Diseases 0.000 claims description 18
- 208000002154 non-small cell lung carcinoma Diseases 0.000 claims description 18
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 230000003211 malignant effect Effects 0.000 claims description 13
- 230000035800 maturation Effects 0.000 claims description 13
- 201000011510 cancer Diseases 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 10
- 239000002773 nucleotide Substances 0.000 claims description 10
- 125000003729 nucleotide group Chemical group 0.000 claims description 10
- 230000004083 survival effect Effects 0.000 claims description 10
- 230000036210 malignancy Effects 0.000 claims description 9
- 230000003902 lesion Effects 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000001356 surgical procedure Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 4
- 210000004072 lung Anatomy 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 7
- 210000002381 plasma Anatomy 0.000 description 7
- 238000013399 early diagnosis Methods 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 201000008395 adenosquamous carcinoma Diseases 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000001808 exosome Anatomy 0.000 description 2
- 238000011528 liquid biopsy Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000003969 blast cell Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 108091092240 circulating cell-free DNA Proteins 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012165 high-throughput sequencing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000005243 lung squamous cell carcinoma Diseases 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011321 prophylaxis Methods 0.000 description 1
- 230000009863 secondary prevention Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Classifications
-
- 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
-
- 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
- G16B20/30—Detection of binding sites or motifs
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioethics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种用于肺癌的早筛、辅助诊断和/或预后监测的系统，涉及医学诊断技术领域。本发明公开的系统包括信息获取模块、计算模块和诊断模块，该系统用于对肺癌的早筛、辅助诊断和/或预后监测等，具有较高的诊断灵敏度与特异性。
Description
技术领域
本发明涉及及医学诊断技术领域，具体而言，涉及一种用于肺癌的早筛、辅助诊断和/或预后监测的系统。
背景技术
筛查和早诊早治是降低肺癌死亡最有效的途径，也是肺癌二级预防的主要内容。低剂量螺旋CT（low-dose computed tomography，LDCT）是目前肺癌早期筛查最主要的手段，在国内外获得广泛应用。然而，LDCT的应用存在高危人群定义标准不统一、假阳性率高、过度诊断和成本效益等问题。因而，寻找肺癌早期诊断的生物标志物，优化早期肺癌患者的筛查方案是提高肺癌筛查或预防性治疗效果的关键。
随着基因检测技术的飞速发展，液态活检在肿瘤精准医疗中的作用日益凸显，为肺癌的早筛早诊提供了新的方向。液态活检通过对血液、尿液等体液中极微量肿瘤来源的循环肿瘤DNA(ctDNA)、循环细胞游离DNA(cfDNA)和小细胞外囊泡(sEV)内容物等指标进行检测，可实现肿瘤的早期诊断和实时监测，具有准确、无创、高效、可重复性高等优势。
尽管cfDNA和ctDNA在肺癌筛查和诊断中的应用价值已得到证实，但是对于早期肺癌的发现能力依然较弱。
鉴于此，特提出本发明。
发明内容
本发明的目的在于提供一种用于肺癌的早筛、辅助诊断和/或预后监测的系统。该系统用于对肺癌的早筛、辅助诊断和/或预后监测等，具有较高的诊断灵敏度与特异性。
本发明是这样实现的：
本发明提供一种用于肺癌的早筛、辅助诊断和/或预后监测的系统，所述系统包括信息获取模块、计算模块和诊断模块；
所述信息获取模块，用于执行获取受试者的目标miRNA成熟体及其异构体的测序信息的步骤；所述测序信息包括测序reads值；所述目标miRNA成熟体包括测序reads值按从大到小排名前20位的miRNA；
所述计算模块，用于执行将所述测序reads值代入计算模型计算阈值的步骤；所述阈值通过所述异构体与其对应目标miRNA成熟体的reads值之比计算确定；
所述诊断模块，用于执行根据阈值判断所述受试者的健康状况的操作。
本发明通过创造性地劳动发现，利用miRNA成熟体与其异构体的测序reads表达比值可以用于非小细胞肺癌的早期筛查、肺结节辅助诊断与肺癌术后微小病灶残留评估，具有较高的诊断灵敏度与特异性，基于此，提出本发明的用于肺癌的早筛、辅助诊断和/或预后监测的系统，为肺癌的早发现，早治疗，预测监测提供了可靠的技术手段。
可选地，在本发明的一些实施方案中，所述异构体包括：
miRNA-2nt异构体、miRNA-1nt异构体、miRNA+1nt异构体、和miRNA+2nt异构体；
其中，miRNA-2nt异构体是指在目标miRNA成熟体序列的3’端缺失了2个核苷酸的序列；
miRNA-1nt异构体是指在目标miRNA成熟体序列的3’端缺失了1个核苷酸的序列；
miRNA+1nt异构体是指在目标miRNA成熟体序列的3’端增加了1个核苷酸的序列；
miRNA+2nt异构体是指在目标miRNA成熟体序列的3’端增加了2个核苷酸的序列。
本发明的miRNA异构以与miRNA成熟体之间的差异在于3’端缺失或增加1-2个核苷酸，其他部分的序列与miRNA成熟体相同。
可选地，在本发明的一些实施方案中，所述计算模型包括肺癌早筛查模型、肺结节辅助诊断模型、和/或肺癌术后微小病灶残留评估模型；
所述肺癌早筛查模型为：S1=ratio1/ratio2+ratio4/ratio3；S1代表所述受试者患肺癌的风险阈值；
所述肺结节辅助诊断模型为：S2= ratio1/ratio2+ratio4；S2代表被诊断有肺结节的受试者，其肺结节为恶性的风险阈值；
所述肺癌术后微小病灶残留评估模型为：S3=ratio1/ratio2+ratio3；S3代表经肺癌术后的受试者有微小病灶残留的风险阈值；
ratio1代表20个所述目标miRNA成熟体各自的miRNA-2nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio2代表20个所述目标miRNA成熟体各自的miRNA-1nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio3代表20个所述目标miRNA成熟体各自的miRNA+1nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio4代表20个所述目标miRNA成熟体各自的miRNA+2nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和。
ratio1的计算公式如下：
ratio1=a1+a2+a3+a4+a5+a6+a7+a8+a9+a10+a11+a12+a13+a14+a15+a16+a17+a18+a19+a20；
其中，a1-a20分别代表20个miRNA成熟体各自的miRNA-2nt异构体测序reads值与成熟体的测序reads值的比值；
例如，a1=miRNA1-2nt异构体的reads值/ miRNA1成熟体的reads值；a2=miRNA2-2nt异构体的reads/ miRNA2成熟体的reads；a3=miRNA3-2nt异构体的reads/miRNA3成熟体的reads；a4-a20以此计算方式类推。
ratio2、ratio3和ratio4的计算公式基本同上，不同的是分子更换为不同异构体的reads。
可选地，在本发明的一些实施方案中，若所述受试者的肺部为健康状态，所述诊断模块根据所述肺癌早筛查模型的风险阈值进行判断，判断方式如下：
若S1大于19.80，则判断所述受试者为健康；若S1小于17.10，则判断所述受试者为非小细胞肺癌恶性风险；若17.10≤S1≤19.80，则判断所述受试者患癌风险待定，建议受试者3个月内进行复检。
可选地，在本发明的一些实施方案中，若所述受试者的肺部具有肺小结节，所述诊断模块根据所述肺结节辅助诊断模型进行判断，判断方式如下：
若S2＞36.70，则判断所述受试者的肺小结节良性和低危，可12个月后复查；若S2≤28.30，则判断所述受试者的肺小结节恶性程度高；若28.30＜S2≤36.70，则判断所述受试者的肺小结节有恶性倾向，建议3个月内进行复检并结合临床其他检测指标；
所述受试者的肺结节的大小通过低剂量CT显示不高于10mm。
可选地，在本发明的一些实施方案中，若所述受试者经历过肺癌手术，所述诊断模块根据所述肺癌术后微小病灶残留评估模型进行判断，判断方式如下：
若S3＞24.10，则判断所述受试者体内不存在肺癌的微小残留病灶，术后无病生存期长，预后良好；
若S3≤16.50，则判断所述受试者体内存在微小肺癌病灶残留，术后无病生存期短，预后差；
若16.50＜S3≤24.10，则判断所述受试者体内的微小残留病灶可能处于发展阶段，当前检测结果无法指导预后情况，建议3个月内进行复检并结合临床其他检测指标。
本发明的系统可应用于不同的场景，例如应用于肺癌早筛时，则使用肺癌早筛查模型，应用于肺结节的恶性风险预测时，则可以使用肺结节辅助诊断模型，若应用于对肺癌患者的术后的微小病灶残留评估，则可以使用肺癌术后微小病灶残留评估模型。本领域技术人员可以根据应用场景的需要，选择合适的模型进行诊断。
可选地，在本发明的一些实施方案中，所述miRNA来源于所述受试者的血浆小细胞外囊泡。
小细胞外囊泡是由细胞分泌的，直径在40-150nm，可以在血液、尿液等体液中循环。这类囊泡携带母细胞来源的信号分子，肿瘤细胞分泌的囊泡可以在肿瘤发生的微环境内运输重要信号分子，促进肿瘤的进展和转移。因此，通过小细胞外囊泡来源的信号分子miRNA及其异构体用于肿瘤早筛、诊断和预后监测具有更强的诊断灵敏度诊断灵敏度与特异性。
可选地，在本发明的一些实施方案中，所述肺癌为非小细胞肺癌。
可选地，在本发明的一些实施方案中，所述系统还包括结果显示模块，所述结果显示模块用于显示所述诊断模块得出的诊断结论。
可选地，在本发明的一些实施方案中，所述结果显示模块通过屏幕显示、声音播报或打印的方式显示诊断结果。
需要说明的是，miRNA及其异构体的测序reads可以通过本领域常见的测序技术测得，例如illumina公司的iSeq100，MiniSeq，MiSeq，NextSeq550，NextSeq2000，NovaSeq6000测序仪基于PE150或SE50测序技术；华大基因公司的MGI测序平台基于SE100、PE100和PE150测序技术等。
需要说明的是，应用于本发明的血浆小细胞外囊泡的提取分离和miRNA及其异构体的富集的方法都可以采用本领域常规的技术和试剂盒进行。
需要说明的是，当本发明的系统用于不同的受试者诊断时，不同受试者之间的测序reads值前20位的miRNA成熟体序列可能完全相同，也可能部分相同；在本发明系统中的测序reads值前20位的miRNA成熟体的序列并不固定，可以因人而异，这样可以做到更好的精准化个性诊断，提高结果的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为将158例样本的S1风险阈值公式中包含的20个miRNA的对应的40个ratio比值通过主成分分析法(Principle Component Analysis，PCA)对158例样本进行聚类。其中76例健康对照组(正方形表示)与2例非小细胞肺癌患者组(圆形表示)通过ratio值聚成一组，78例非小细胞肺癌患者组(圆形表示)与2例健康对照组(正方形表示)通过40个miRNA的ratio比值聚成另一组。
图2为通过S2风险阈值的cutoff值生成的基于95例LDCT阳性受试者的肺小结节恶性诊断模型对应的ROC曲线；cutoff值设定为28.30，当S2≤28.30时，诊断为恶性肺小结节，当S2＞36.70时，诊断为良性肺小结节；因此肺小结节的恶性鉴别灵敏度是100%，特异性是100%。
图3为根据S3风险阈值绘制的肺癌术后患者生存期曲线。116例肺癌患者在术后1个月时，通过测序得到miRNA成熟体和异构体的reads值并得到每个患者个体的S3值，其中S3≤16.50的有9例，16.50＜S3≤24.10的有18例，S3＞24.10的有89例。每4个月对这116例患者进行随访，至随访终点24个月时，S3≤16.50的9名患者无人存活，16.50＜S3≤24.10的18名患者有7人存活，S3＞24.10的有89名患者有64人存活。因此以S3模型得到肺癌微小残留病灶阳性和弱阳性的整体存活率仅25.0%，而阴性的整体存活率约71.9%。
图4为本发明实施1-3中涉及的 miRNA及其异构体的提取和测序方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
运用肺癌早筛查模型模型进行非小细胞肺癌早期筛查。
1. 肺癌早筛查模型的公式如下：
S1=ratio1/ratio2+ratio4/ratio3；
公式中：S1代表受试者患肺癌的风险阈值；ratio1代表20个目标miRNA成熟体各自的miRNA-2nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio2代表20个所述目标miRNA成熟体各自的miRNA-1nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio3代表20个所述目标miRNA成熟体各自的miRNA+1nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio4代表20个所述目标miRNA成熟体各自的miRNA+2nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和。
ratio1计算的具体公式如下：
ratio1=a1+a2+a3+a4+a5+a6+a7+a8+a9+a10+a11+a12+a13+a14+a15+a16+a17+a18+a19+a20；
其中，a1=miRNA1-2nt异构体的reads值/miRNA1成熟体的reads值；
a2=miRNA2-2nt异构体的reads值/ miRNA2成熟体的reads值；
a3=miRNA3-2nt异构体的reads值/miRNA3成熟体的reads值；
a4= miRNA4-2nt异构体的reads值/ miRNA4成熟体的reads值；
a5=miRNA5-2nt异构体的reads值/ miRNA5成熟体的reads值；
a6=miRNA6-2nt异构体的reads值/miRNA6成熟体的reads值；
a7= miRNA7-2nt异构体的reads值/ miRNA7成熟体的reads值；
a8=miRNA8-2nt异构体的reads值/ miRNA8成熟体的reads值；
a9=miRNA9-2nt异构体的reads值/miRNA9成熟体的reads值；
a10=miRNA10-2nt异构体的reads值/miRNA10成熟体的reads值；
a11=miRNA11-2nt异构体的reads值/miRNA11成熟体的reads值；
a12=miRNA12-2nt异构体的reads值/miRNA12成熟体的reads值；
a13=miRNA13-2nt异构体的reads值/miRNA13成熟体的reads值；
a14=miRNA14-2nt异构体的reads值/miRNA14成熟体的reads值；
a15=miRNA15-2nt异构体的reads值/miRNA15成熟体的reads值；
a16=miRNA16-2nt异构体的reads值/miRNA16成熟体的reads值；
a17=miRNA17-2nt异构体的reads值/miRNA17成熟体的reads值；
a18=miRNA18-2nt异构体的reads值/miRNA18成熟体的reads值；
a19=miRNA19-2nt异构体的reads值/miRNA19成熟体的reads值；
a20=miRNA20-2nt异构体的reads值/miRNA20成熟体的reads值。
miRNA1- miRNA20代表来自受试者血浆小细胞囊泡的测序reads值排名前20的miRNA成熟体；miRNA1-2nt 至miRNA20-2nt代表相应miRNA成熟体的3’端缺少2个核苷酸的异构体。不同的个体，该前20的miRNA成熟体可能不同。
ratio2、ratio3和ratio4的计算公式基本与ratio1相同，不同的是；计算ratio2的公式中，用miRNA-1nt的reads值代替miRNA1-2nt；
计算ratio3的公式中，用miRNA+1nt的reads值代替miRNA1-2nt；
计算ratio4的公式中，用miRNA+2nt的reads值代替miRNA1-2nt。
应用上述模型进行肺癌早期筛选的诊断方式如下：
若S1大于19.80，则判断所述受试者为健康；若S1小于17.10，则判断所述受试者为非小细胞肺癌恶性风险；若17.10≤S1≤19.80，则判断所述受试者患癌风险待定，建议受试者3个月内进行复检。
2. 具体应用：
入组78例40-70岁肺部无任何疾病的健康组(48例男性，30例女性)，以及80例T1期非小细胞肺癌患者(包含45例肺腺癌，25例肺鳞状细胞癌，10例腺鳞癌)。将158例模型数据进行主成分分析(PCA，Principal Component Analysis)，见图1，可以对健康组与T1期非小细胞肺癌组进行显著区分。应用前述的肺癌早筛查模型对该158例样本进行诊断，结果显示：
其中仅有2例健康样本混入T1期非小细胞肺癌组，同时2例腺鳞癌患者样本数据混入健康组。由此确定该肺癌早筛查模型用于T1期非小细胞肺癌早期筛查的阳性预测值是97.50%，阴性预测值是97.44%。
在该模型内，涉及到的miRNA成熟体见下表1：
实施例2
运用肺结节辅助诊断模型进行肺结节的良性或恶性诊断。
1. 肺结节辅助诊断模型的公式如下：
S2= ratio1/ratio2+ratio4；
S2肺结节为恶性的风险阈值；ratio1、ratio2、ratio4的计算公式同实施例1。
应用上述肺结节辅助诊断模型进行肺结节恶性的诊断方式如下：
若S2＞36.70，则判断所述受试者的肺小结节良性和低危，可12个月后复查；若S2≤28.30，则判断所述受试者的肺小结节恶性程度高；若28.30＜S2≤36.70，则判断所述受试者的肺小结节有恶性倾向，建议3个月内进行复检并结合临床其他检测指标。
2. 具体应用：
入组100例LDCT筛查出10mm以内肺结节受试者，运用肺结节辅助诊断模型上述100例受试者进行肺结节恶性鉴别，并随访12个月后的临床病理诊断结果，与模型结果进行对比，评估该肺结节辅助诊断模型在肺结节辅助诊断的灵敏度和特异性(见下表3，表4-表7)。排除未有明确病理诊断结论的5例，用95例样本的S2生成ROC曲线（见图2），其AUC=1.0，代表通过该模型用于肺结节良性恶性辅助诊断的灵敏度是100%，特异性是100%。
在该模型内，涉及到的miRNA成熟体见下表2：
/>
实施例3
运用肺癌术后微小病灶残留评估模型进行术后微小病灶残留预测：
1. 肺癌术后微小病灶残留评估模型的公式如下：
S3=ratio1/ratio2+ratio3；
S3代表经肺癌术后的受试者有微小病灶残留的风险阈值；
ratio1、ratio2、ratio3的计算公式同实施例1。
应用上述肺癌术后微小病灶残留评估模型进行术后微小病灶残留预测的方式如下：
若S3＞24.10，则判断所述受试者体内不存在肺癌的微小残留病灶，术后无病生存期长，预后良好；若S3≤16.50，则判断所述受试者体内存在微小肺癌病灶残留，术后无病生存期短，预后差；若16.50＜S3≤24.10，则判断所述受试者体内的微小残留病灶可能处于发展阶段，当前检测结果无法指导预后情况，建议3个月内进行复检并结合临床其他检测指标。
2. 具体应用：
入组116例非小细胞肺癌术后1个月内的随访患者，运用上述肺癌术后微小病灶残留评估模型评估上述患者是否有微小残留病变信息并进行24个月的随访。在术后24个月内出现复发的10例患者中，在术后1个月随访时，通过上述模型，检测出9例MRD阳性，阳性预测值是90%。而同期1个月随访时MRD阴性的89例，其中88例在24个月后随访仍未出现复发，而无法通过肺癌术后微小病灶残留评估模型得出结论的18例出现了不同程度的复发，但整体生存期仍显著高于MRD阳性的9例患者（见图3），因此运用该肺癌术后微小病灶残留评估模型得到的阴性预测值是83%。
在该模型内，涉及到的miRNA成熟体见下表8：
上述实施例1-3中涉及的miRNA及其异构体的提取和测序reads值的确定方法，参考图4。
综上，采用本发明实施例所用模型具有如下优点：
在非小细胞肺癌的早期筛查领域，通过1毫升全血，运用高通量测序技术检测血浆外泌体中多个miRNA异构体，低至0.5Gb原始测序数据，并在3天内完成数据分析，实现从无症状的人群内高效率筛查非小细胞肺癌；
针对10mm以内的肺结节阳性患者，通过血浆外泌体中20个miRNA异构体检测，实现肺结节良性与恶性的准确鉴别，诊断AUC超过0.95；
引入20个血浆小细胞外囊泡miRNA异构体的非小细胞肺癌表达谱，解决目前如乳腺癌、前列腺癌等诊断中检测相似的miRNA异构体靶点导致特异性不够理想的问题；
本发明实施例构建了一套独特的模型算法，并通过调整模型内血浆小细胞外囊泡miRNA异构体靶点的检测和异构体与成熟体的比值来实现非小细胞肺癌的早期筛查、辅助诊断以及术后的微小残留病变，全流程的检测费用低于0.3万元人民币，大大节约了成本。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于肺癌的早筛、辅助诊断和/或预后监测的系统，其特征在于，所述系统包括信息获取模块、计算模块和诊断模块；
所述信息获取模块，用于执行获取受试者的目标miRNA成熟体及其异构体的测序信息的步骤；所述测序信息包括测序reads值；所述目标miRNA成熟体包括测序reads值按从大到小排名前20位的miRNA；
所述计算模块，用于执行将所述测序reads值代入计算模型计算阈值的步骤；所述阈值通过所述异构体与其对应目标miRNA成熟体的reads值之比计算确定；
所述诊断模块，用于执行根据阈值判断所述受试者的健康状况的操作。
2.根据权利要求1所述的系统，其特征在于，所述异构体包括：
miRNA-2nt异构体、miRNA-1nt异构体、miRNA+1nt异构体、和miRNA+2nt异构体；
其中，miRNA-2nt异构体是指在目标miRNA成熟体序列的3’端缺失了2个核苷酸的序列；
miRNA-1nt异构体是指在目标miRNA成熟体序列的3’端缺失了1个核苷酸的序列；
miRNA+1nt异构体是指在目标miRNA成熟体序列的3’端增加了1个核苷酸的序列；
miRNA+2nt异构体是指在目标miRNA成熟体序列的3’端增加了2个核苷酸的序列。
3.根据权利要求2所述的系统，其特征在于，
所述计算模型包括肺癌早筛查模型、肺结节辅助诊断模型、和/或肺癌术后微小病灶残留评估模型；
所述肺癌早筛查模型为：S1=ratio1/ratio2+ratio4/ratio3；S1代表所述受试者患肺癌的风险阈值；
所述肺结节辅助诊断模型为：S2= ratio1/ratio2+ratio4；S2代表被诊断有肺结节的受试者其肺结节为恶性的风险阈值；
所述肺癌术后微小病灶残留评估模型为：S3=ratio1/ratio2+ratio3；S3代表经肺癌术后的受试者有微小病灶残留的风险阈值；
ratio1代表20个所述目标miRNA成熟体各自的miRNA-2nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio2代表20个所述目标miRNA成熟体各自的miRNA-1nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio3代表20个所述目标miRNA成熟体各自的miRNA+1nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和；
ratio4代表20个所述目标miRNA成熟体各自的miRNA+2nt异构体的测序reads值与对应的目标miRNA成熟体的测序reads值的比值的和。
4.根据权利要求3所述的系统，其特征在于，所述诊断模块根据所述肺癌早筛查模型的风险阈值进行判断，判断方式如下：
若S1大于19.80，则判断所述受试者为健康；若S1小于17.10，则判断所述受试者为非小细胞肺癌恶性风险；若17.10≤S1≤19.80，则判断所述受试者患癌风险待定，建议受试者3个月内进行复检。
5.根据权利要求3所述的系统，其特征在于，若所述受试者的肺部具有肺小结节，所述诊断模块根据所述肺结节辅助诊断模型进行判断，判断方式如下：
若S2＞36.70，则判断所述受试者的肺小结节良性和低危，可12个月后复查；若S2≤28.30，则判断所述受试者的肺小结节恶性程度高；若28.30＜S2≤36.70，则判断所述受试者的肺小结节有恶性倾向，建议3个月内进行复检并结合临床其他检测指标；
所述受试者的肺结节的大小通过低剂量CT显示不高于10mm。
6.根据权利要求3所述的系统，其特征在于，若所述受试者经历过肺癌手术，所述诊断模块根据所述肺癌术后微小病灶残留评估模型进行判断，判断方式如下：
若S3＞24.10，则判断所述受试者体内不存在肺癌的微小残留病灶，术后无病生存期长，预后良好；
若S3≤16.50，则判断所述受试者体内存在微小肺癌病灶残留，术后无病生存期短，预后差；
若16.50＜S3≤24.10，则判断所述受试者体内的微小残留病灶可能处于发展阶段，当前检测结果无法指导预后情况，建议3个月内进行复检并结合临床其他检测指标。
7.根据权利要求1-6任一项所述的系统，其特征在于，所述miRNA来源于所述受试者的血浆小细胞外囊泡。
8.根据权利要求1-6任一项所述的系统，其特征在于，所述肺癌为非小细胞肺癌。
9.根据权利要求1-6任一项所述的系统，其特征在于，所述系统还包括结果显示模块，所述结果显示模块用于显示所述诊断模块得出的诊断结论。
10.根据权利要求9所述的系统，其特征在于，所述结果显示模块通过屏幕显示、声音播报或打印的方式显示诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311402034.9A CN117133467B (zh) | 2023-10-27 | 2023-10-27 | 一种用于肺癌的早筛、辅助诊断和/或预后监测的系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311402034.9A CN117133467B (zh) | 2023-10-27 | 2023-10-27 | 一种用于肺癌的早筛、辅助诊断和/或预后监测的系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117133467A true CN117133467A (zh) | 2023-11-28 |
| CN117133467B CN117133467B (zh) | 2023-12-22 |
Family
ID=88853068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311402034.9A Active CN117133467B (zh) | 2023-10-27 | 2023-10-27 | 一种用于肺癌的早筛、辅助诊断和/或预后监测的系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117133467B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170009295A1 (en) * | 2013-05-02 | 2017-01-12 | Thomas Jefferson Unversity | Novel human mirnas for use in diagnosis, prognosis, and therapy of human conditions and diseases |
| CN111218513A (zh) * | 2020-04-24 | 2020-06-02 | 上海思路迪医学检验所有限公司 | 一种用于肺癌早期诊断的外周血胞外囊泡microRNA生物标志物及其用途 |
| CN111748633A (zh) * | 2020-08-04 | 2020-10-09 | 广东省第二人民医院（广东省卫生应急医院） | 一种特征miRNA表达谱组合及头颈鳞状细胞癌早期预测方法 |
| CN116083584A (zh) * | 2023-01-16 | 2023-05-09 | 华中科技大学 | 一组用于评估非小细胞肺癌风险的血浆miRNA标志物及其筛选方法和应用 |
-
2023
- 2023-10-27 CN CN202311402034.9A patent/CN117133467B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170009295A1 (en) * | 2013-05-02 | 2017-01-12 | Thomas Jefferson Unversity | Novel human mirnas for use in diagnosis, prognosis, and therapy of human conditions and diseases |
| CN111218513A (zh) * | 2020-04-24 | 2020-06-02 | 上海思路迪医学检验所有限公司 | 一种用于肺癌早期诊断的外周血胞外囊泡microRNA生物标志物及其用途 |
| CN111748633A (zh) * | 2020-08-04 | 2020-10-09 | 广东省第二人民医院（广东省卫生应急医院） | 一种特征miRNA表达谱组合及头颈鳞状细胞癌早期预测方法 |
| CN116083584A (zh) * | 2023-01-16 | 2023-05-09 | 华中科技大学 | 一组用于评估非小细胞肺癌风险的血浆miRNA标志物及其筛选方法和应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117133467B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hassanein et al. | The state of molecular biomarkers for the early detection of lung cancer | |
| EP2438197B1 (en) | Methods of detecting cancer | |
| CN110438228B (zh) | 结直肠癌dna甲基化标志物 | |
| ES2647154T3 (es) | Combinaciones de biomarcadores para tumores colorrectales | |
| CN105671181B (zh) | 用于检测肺癌的基因标志物、引物、探针及试剂盒 | |
| Kossenkov et al. | A gene expression classifier from whole blood distinguishes benign from malignant lung nodules detected by low-dose CT | |
| CN110484624B (zh) | 一种基于外周血的胃癌生物标志物及其检测方法和应用 | |
| CN110004226B (zh) | 一种基于直肠癌转录组基因及甲基化联合分析预测预后的方法及模型应用 | |
| Lourenco et al. | A noninvasive blood-based combinatorial proteomic biomarker assay to detect breast cancer in women under the age of 50 years | |
| CN111584008A (zh) | 构建体外检测结直肠癌的数学模型的方法及其应用 | |
| Allen et al. | Pancreatic cyst fluid protein expression profiling for discriminating between serous cystadenoma and intraductal papillary mucinous neoplasm | |
| US20240002949A1 (en) | Panel of mirna biomarkers for diagnosis of ovarian cancer, method for in vitro diagnosis of ovarian cancer, uses of panel of mirna biomarkers for in vitro diagnosis of ovarian cancer and test for in vitro diagnosis of ovarian cancer | |
| CN116631508B (zh) | 肿瘤特异性突变状态的检测方法及其应用 | |
| Salfer et al. | Urinary cell-free DNA in liquid biopsy and cancer management | |
| CN109979532B (zh) | 甲状腺乳头状癌远处转移分子突变预测模型、方法及系统 | |
| KR20170067137A (ko) | 암 진단용 miRNA 바이오마커 발굴 방법 및 그 이용 | |
| CN117133467B (zh) | 一种用于肺癌的早筛、辅助诊断和/或预后监测的系统 | |
| CN112063715B (zh) | 一种用于肝细胞癌早期筛查的系统 | |
| JP6731957B2 (ja) | 子宮内膜癌の診断方法 | |
| CN111778335A (zh) | 用于检测胰腺癌的癌组织和癌旁组织的tsRNA标志物、探针及其应用 | |
| CN108660213B (zh) | 检测三种非编码rna试剂的应用及试剂盒 | |
| CN109722480B (zh) | 一种非小细胞肺癌检测试剂盒及其应用 | |
| CN108823308B (zh) | 检测circMAN1A2和LOC284454试剂的应用及试剂盒 | |
| CN111763736A (zh) | 用于诊断甲状腺乳头状癌淋巴结转移的液体活检试剂盒 | |
| CN111733236A (zh) | 胆管癌和胆囊癌的piRNA标记物及其应用 |
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 |