CN117265123A - 前列腺癌症标志物基因组合及应用 - Google Patents

前列腺癌症标志物基因组合及应用 Download PDF

Info

Publication number
CN117265123A
CN117265123A CN202311479647.2A CN202311479647A CN117265123A CN 117265123 A CN117265123 A CN 117265123A CN 202311479647 A CN202311479647 A CN 202311479647A CN 117265123 A CN117265123 A CN 117265123A
Authority
CN
China
Prior art keywords
cts
cancer
gstp1
pmp22
prostate cancer
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
Application number
CN202311479647.2A
Other languages
English (en)
Inventor
廖红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN117265123A publication Critical patent/CN117265123A/zh
Pending legal-status Critical Current

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57434—Specifically defined cancers of prostate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/112—Disease subtyping, staging or classification
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/118—Prognosis of disease development
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/136—Screening for pharmacological compounds
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/154—Methylation markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/54—Determining the risk of relapse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/70—Mechanisms involved in disease identification
    • G01N2800/7023—(Hyper)proliferation
    • G01N2800/7028—Cancer

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Microbiology (AREA)
  • Biochemistry (AREA)
  • Biotechnology (AREA)
  • Physics & Mathematics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Cell Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Oncology (AREA)
  • Hospice & Palliative Care (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Genetics & Genomics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了前列腺癌标志物基因组合的应用以及包含这些前列腺癌标志物基因组合的试剂盒。所述前列腺癌标志物基因组合为癌症标志物基因和/或基因的表达产物和/或基因的甲基化产物。包含这些前列腺癌标志物基因组合的试剂盒可用于前列腺癌的筛查、诊断、分型、预后预测和癌症监测管理。具体的，本发明提供了用于前列腺癌的早期筛查和辅助诊断，用于临床显著癌和不显著癌以及需治疗癌和不需治疗癌的分型和区分，用于在癌症积极监测期间对癌症恶化的监测，用于检测和预测癌症的转移，用于预测癌症治疗后的复发，用于衡量癌症治疗效果，用于发现癌症治疗后复发，以及用于预测癌症患者生存期的包含前列腺癌标志物基因组合的试剂盒和使用方法。

Description

前列腺癌症标志物基因组合及应用
本申请是申请日为2021年4月15日、申请号为202110407328.5、发明名称为“前列腺癌症标志物基因组合及应用”的中国发明专利申请的分案申请。
技术领域
本发明涉及生物医学技术领域，特别涉及多种癌症标志物基因组合作为前列腺癌标志物的应用以及前列腺癌筛查、诊断、分型、预后预测和癌症监测管理的试剂盒。
背景技术
前列腺癌是发生在前列腺上皮的恶性肿瘤，是中国男性泌尿生殖系统最常见的恶性肿瘤，前列腺癌发病率在中国男性肿瘤中排第六位。近年患病人数快速增长，10年内年均发病率增长12.7％，死亡率增长8.4％。2020年中国新增前列腺癌病人预计达到20.7万人,预计6.6万人将死于前列腺癌。
前列腺癌患者早期多无明显症状，确诊较晚、生存期不理想，超过2/3患者初诊时已属晚期或局部晚期。中国前列腺癌5年生存率平均水平为66.4％。因此需要早筛查、早诊断、早治疗，以提高前列腺癌患者的生存率和生活质量。
转移性前列腺癌是无法治愈的；目前尚无有效且安全的转移性前列腺癌治疗方法，大多数患者在确诊后数年或数月内死亡。许多接受手术治疗的患者在几年内就会癌症复发。
目前临床有几种诊断方法被用于诊断前列腺癌。活检是主要诊断工具，但活检具有侵入性且有一定危险。活检可能由于诊断医师的错误、采样错误或采样不足引起缺少包含肿瘤组织而无法提供准确的诊断，从而导致假阴性或假阳性的诊断。另外，活检可能会引起患者的疼痛、出血、感染以及对组织或器官的损害。
前列腺指检是早期诊断方法，但不准确，不能确诊，而且对于许多患者而言是侵入性的并令人感觉不适。
诊断成像也用于前列腺癌的诊断，它会产生人体内部及其结构的内部图像。诊断成像包括可以显示异常区域表明癌症存在的X线，使用放射线形成由专门的X射线机拍摄的更详细的计算机图像的CAT扫描(计算机轴向断层扫描)从而获得更精确和清晰的癌组织图像，核磁共振成像(MRI)使用强大的磁场以获得人体软组织、大血管和主要器官的详细的计算机图像。而超声则使用高频声波确定可疑肿块是固体还是液体。但是做成像测试很贵，并需要大型仪器和训练有素的专家进行诊断。
检测患者体液和组织(例如血液和尿液)中的前列腺癌标志物是进行癌症诊断和预后预测的更好的工具。癌症标志物是在患者的血液、尿液、粪便和其他体液或组织中发现的物质。癌症标志物可用于诊断癌症，确定和监测癌症恶化，预测患者对某些癌症治疗的反应，监测患者治疗结果，监测癌症恶化，预测治疗后的癌症复发，诊断和预测癌症转移以及预测患者生存期。
当前有许多前列腺癌标志物在临床上使用。例如，血液中前列腺特异性抗原PSA的检测通常用于前列腺癌的筛查，当PSA水平高于正常水平时表明可能存在癌症。然而，大多数这样的标志物缺乏高灵敏度和/或特异性，使得它们无法用作准确和确定的癌症诊断方法。此外，极少有灵敏和特异的标志物可用于诊断或预测转移性前列腺癌，从而阻止转移癌患者及早接受更积极的治疗以停止癌症的转移并挽救生命。因此我们迫切需要发现和开发具有高灵敏度和特异性的新型前列腺癌标志物，尤其是用于早期诊断的标志物和转移癌的标志物，以此可以给患者提供早期治疗从而获得更高的治愈成功率和降低病人死亡率。
许多前列腺癌治疗方法仅对特定阶段的癌症有效，因此准确评估前列腺癌的分期和侵袭性对于治疗成功很重要。同样，预测和评估治疗结果，监测癌症恶化以及预测治疗后癌症的复发在前列腺癌的临床治疗中都是至关重要的。当前很少有准确的前列腺癌标志物可以用于这些诊断。因此，我们急需发现和开发对癌症分期、预测和监测患者对治疗的反应、确定癌症恶化并预测癌症复发的具有高灵敏度和特异性的新的前列腺癌标志物或新的前列腺癌标志物组合，从而可以使用更有效的治疗方法来挽救病人生命。
发明内容
本发明提供了前列腺癌标志物基因组合在前列腺癌筛查和诊断，区分癌症风险，区分临床上重要和不重要癌，预测癌症转移，预测癌症治疗后复发，帮助癌症治疗决策，管理癌症监测，衡量癌症治疗疗效，监测癌症治疗后果，以及预测癌症患者生存期的产品中的应用和使用方法，包括使用前列腺癌标志物基因组合的试剂盒的应用和使用方法。
除非另有定义，否则本文中使用的所有技术和科学术语通常具有与本发明所属领域的普通技术人员通常所理解的相同含义。通常，本文所用的命名法和实验室程序是本领域公认和通常使用的。所用技术和方法步骤通常都是根据本领域中的常规方法和在本文中提供的各种参考来执行。
准确的前列腺癌筛查和诊断测试具有巨大的临床意义和作用。高灵敏度的测试可以用来在癌症变得具有侵袭性和致命性之前就被发现、诊断并治疗，从而避免“假阴性”的诊断和“治疗不足”。高特异性的测试可以消除“假阳性”诊断和“过度治疗”，使未患癌症的病人不会被误诊或治疗。
许多基因的突变和变异造成了前列腺癌的肿瘤生成、恶化和转移。因此单一标志物基因或临床参数无法提供准确的前列腺癌诊断或预后预测。本发明部分基于发现了可用于准确的前列腺癌筛查、诊断和预后预测的产品的新的基因组合。本发明提供了可用于前列腺癌筛查、诊断、预后预测和癌症监测管理的使用前列腺癌标志物基因组合的试剂盒和使用方法。
一方面，本发明提供了用于前列腺癌筛查和诊断的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自受试者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个诊断评分；(d)将诊断评分与预定的癌症诊断评分临界值进行比较，如果诊断评分高于癌症诊断评分临界值，则该受试者诊断为患有前列腺癌；如果诊断评分等于或低于癌症诊断评分临界值，则该受试者诊断为没有前列腺癌。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，CDK1，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成。
一方面，本发明提供了用于确定受试者是否需要做癌症活检的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个诊断评分；(d)将诊断评分与预定的癌症诊断评分临界值进行比较，如果诊断评分高于癌症诊断评分临界值，则受试者需要做活检；如果诊断评分等于或低于癌症诊断评分临界值，则受试者不需要做活检。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，CDK1，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成。
现在对于使用PSA进行前列腺癌筛查的患者，许多筛查假阳性的患者都需接受不必要的活检。在一些实施方案中，本发明提供了判断受试者在PSA筛查之后是否需要进行活检的方法。这样的检查可以减少不必要的活检并防止过度诊断。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，CDK1，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成，可用于决定患者发现PSA升高后是否需要做前列腺穿刺活检，以减少大量不必要的活检，减少病人的负担。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成，可用于决定患者发现PSA升高后是否需要做前列腺穿刺活检，以减少大量不必要的活检，减少病人的负担。
对于前列腺癌，在肿瘤变得具有侵袭性或转移之前就被诊断出来有利于对患者进行治疗。在一些实施方案中，本发明提供了一种用于前列腺癌筛查的产品和方法。可以对特定年龄以上的受试者每年或每半年进行一次这样的筛查(例如，每年对于50岁以上的男性进行前列腺癌筛查)。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，CDK1，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成。
前列腺癌生长缓慢。患有低风险、惰性癌的患者无需立即治疗，而患有高风险、侵袭性癌的患者则应立即接受治疗。因此，区分确定高风险、侵袭性前列腺癌和低风险、惰性前列腺癌在临床上非常重要，可以避免对低风险、惰性癌患者的过度治疗和对高风险、侵袭性癌患者的不治疗。
一方面，本发明提供了用于确定癌症患者是否有高风险、侵袭性癌或低风险、惰性癌的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个风险区分评分；(d)将风险区分评分与预定的高风险评分临界值进行比较，如果风险区分评分高于高风险评分临界值，则该受试者确定为患有高风险、侵袭性前列腺癌；如果风险区分评分等于或低于高风险评分临界值，则该受试者确定为患有低风险、惰性前列腺癌。
在一些实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一些实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在另一些实施方案中，所述基因组由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,
MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,
TMPRSS2,ANXA3和CCNA1组成。
在另一些实施方案中，所述基因组由PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCND1。
一方面，本发明提供了用于确定癌症患者患有临床显著前列腺癌或临床不显著前列腺癌的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：
(a)提供来自癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个临床显著癌评分；(d)将临床显著癌评分与预定的临床显著癌评分临界值进行比较，如果临床显著癌评分高于临床显著癌评分临界值，则该受试者确定为患有临床显著前列腺癌；如果临床显著癌评分等于或低于临床显著癌评分临界值，则该受试者确定为患有临床不显著前列腺癌。
在一些实施方案中，如果受试者被确定为患有高风险、侵袭性癌或临床显著癌，则该受试者需要立即接受治疗，而如果受试者被确定为患有低风险、惰性癌或临床不显著癌，则该受试者可以不需要立即治疗，但需要被积极监测以监视癌症的进展和恶化。
在一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，CDK1，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成可用于诊断临床显著前列腺癌和临床不显著前列腺癌。
在另一些实施方案中，所述基因组由PIP5K1A，CCND1，GSTP1，CST3，CCNA1，LMTK2，MYO6，HPN，PSCA，PTEN，GOLM1，PMP22，EZH2，FGFR1，FN1，VEGFA，TMPRSS2，ANXA3，CRISP3，BIRC5，AMACR，HIF1A，KLK3和PCA3组成可用于诊断临床显著前列腺癌和临床不显著前列腺癌。
在另一些实施方案中，所述基因组由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,
MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,
TMPRSS2,ANXA3和CCNA1组成可用于诊断临床显著前列腺癌和临床不显著前列腺癌。
在另一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成可用于前列腺癌的积极监测。
在另一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成可用于前列腺癌的积极监测。
在另一个实施方案中，所述基因组由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,
MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,
TMPRSS2,ANXA3和CCNA1组成可用于前列腺癌的积极监测。
前列腺转移癌是无法治愈的，目前尚无有效且安全的治疗方法。大多数患者在诊断出癌症转移后的数年或数月内死亡。前列腺癌转移的诊断具有非常重要的临床意义，因为这些信息可以为治疗提供指导：
转移前列腺癌的患者需要接受更激进的治疗以阻止癌症的转移。
一方面，本发明提供了用于对癌症患者诊断或检测出转移前列腺癌的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个转移癌评分；(d)将转移癌评分与预定的转移癌评分临界值进行比较，如果转移癌评分高于转移癌评分临界值，则该受试者确定为患有转移前列腺癌；如果转移癌评分等于或低于转移癌评分临界值，则该受试者确定为没有转移前列腺癌。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成。
在另一个实施方案中，所述基因组由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成。
许多转移前列腺癌患者需要接受激进的治疗，因此如果能够预测患者的肿瘤将来会发生转移，则可以在发生癌症转移前或能被检测出之前就对患者进行激进的治疗，而这样的治疗可能更有效并能预防抗药性的产生。因此预测前列腺癌的转移可以预防癌症转移的发生并减少癌症引起的死亡。
一方面，本发明提供了用于预测前列腺癌患者未来癌症转移的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个转移癌评分；(d)将转移癌评分与预定的转移癌评分临界值进行比较，如果转移癌评分高于转移癌评分临界值，则预测该受试者将来癌症会转移；如果转移癌评分等于或低于转移癌评分临界值，则预测该受试者将来癌症不会转移。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成。
在另一个实施方案中，所述基因组由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成。
在治疗扩转移前列腺癌期间和治疗后，通过确定治疗后是否仍存在转移癌或有残留的转移癌来衡量治疗转移癌的疗效是非常重要的，这将决定是否需要进一步的治疗或是否需要使用其他的治疗方法。这些信息可以更好地指导治疗决策并改善治疗效果。
一方面，本发明提供了用于衡量转移前列腺癌治疗效果的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自转移癌治疗患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个转移癌评分；(d)将转移癌评分与预定的转移癌评分临界值进行比较，如果转移癌评分高于转移癌评分临界值，则证明该患者在治疗中或治疗后还有转移癌；如果转移癌评分等于或低于转移癌评分临界值，则证明该患者在治疗中或治疗后已没有转移癌。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成。
在另一个实施方案中，所述基因组由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成。
在另一个实施方案中，转移前列腺癌治疗方法包括手术，化学疗法，免疫疗法，靶向药物疗法，抗体疗法，放射疗法，细胞疗法，疫苗疗法，和辅助疗法。
许多患者在接受前列腺癌治疗(例如手术，化学疗法，放射疗法)后的几年内会出现癌症复发。预测前列腺癌的治疗后复发具有重要的临床应用，因为此类信息可以为治疗提供指导：预测治疗后癌症会复发的患者可以接受进一步的治疗或不同的治疗方法来预防癌症复发。
一方面，本发明提供了用于治疗前预测前列腺癌治疗后复发的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个治疗后复发癌评分；(d)将治疗后复发癌评分与预定的治疗后复发癌评分临界值进行比较，如果治疗后复发癌评分高于治疗后复发癌评分临界值，则患者预计在治疗后癌症会复发；如果治疗后复发癌评分等于或低于治疗后复发癌评分临界值，则患者预计在治疗后癌症不会复发。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,
BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,
MYO6,KLK3和PSCA组成。
在另一个实施方案中，前列腺癌治疗方法包括手术，化学疗法，免疫疗法，靶向药物疗法，抗体疗法，放射疗法，细胞疗法，疫苗疗法和辅助疗法。
在前列腺癌治疗期间或之后，使用诊断测试检测癌症的存在或不存在可以更好地衡量治疗效果和检测治疗后果。癌症诊断试剂可用于确定治疗期间或之后是否还有肿瘤或还有肿瘤残留物，并且此类信息可用于确定是否需要进一步的治疗或是否需要其他的治疗。
一方面，本发明提供了用于检验前列腺癌治疗效果以确定治疗期间或之后是否还有肿瘤或还有肿瘤残留的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自治疗期间或之后的癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个癌症诊断评分；(d)将癌症诊断评分与预定的癌症诊断评分临界值进行比较，如果癌症诊断评分高于癌症诊断评分临界值，则患者在治疗期间或之后仍有残留的肿瘤；如果癌症诊断评分等于或低于癌症诊断评分临界值，则患者在治疗期间或之后没有残留的肿瘤。
在另一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，前列腺癌治疗方法包括手术，化学疗法，免疫疗法，靶向药物疗法，抗体疗法，放射疗法，细胞疗法，疫苗疗法和辅助疗法。
在前列腺癌治疗后的监测期间，对癌症复发的及时检测以便患者可以立即接受治疗而防止癌症的进一步恶化、转移和产生治疗耐药性是非常关键的。
一方面，本发明提供了用于治疗后癌症监测以确定癌症是否已复发的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自癌症患者治疗后的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个癌症诊断评分；(d)将癌症诊断评分与预定的癌症诊断评分临界值进行比较，如果癌症诊断评分高于癌症诊断评分临界值，则证明患者在治疗后前列腺癌已复发；如果癌症诊断评分等于或低于癌症诊断评分临界值，则患者在治疗后前列腺癌未复发。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，前列腺癌治疗方法包括手术，化学疗法，免疫疗法，靶向药物疗法，抗体疗法，放射疗法，细胞疗法，疫苗疗法和辅助疗法。
在癌症的积极监测期间，需要定期做检测以监视前列腺癌的恶化以便当临床上不重要、低风险的惰性癌变为临床上重要、高风险的侵袭性癌时可以立即给与患者治疗。这样对于癌症恶化的积极监测需要定期进行。
一方面，本发明提供了用于在积极监测期间对癌症恶化的监测的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供来自积极监测期间的患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个临床显著癌评分；(d)将临床显著癌评分与预定的临床显著癌评分临界值进行比较，如果临床显著癌评分高于临床显著癌评分临界值，则患者有癌症恶化并需要立刻接受治疗；如果临床显著癌评分等于或低于临床显著癌评分临界值，则患者没有癌症恶化并可继续接受积极监测。
在一个实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一些实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,
MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,
TMPRSS2,ANXA3和CCNA1组成。
一方面，本发明提供了用于预测前列腺癌患者生存期的包含一种前列腺癌标志物基因组合的产品，产品使用方法包括以下步骤：(a)提供癌症患者的生物样品；(b)在样品中测量一组基因的表达水平，该基因组包含选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的至少三个或更多个基因；(c)通过(i)与一个或多个看家基因对照而计算出每个基因的相对表达水平值，(ii)通过一个算法将基因组每个基因计算出的相对表达值计算出一个五年生存期评分；(d)通过一个算法将基因组每个基因计算出的相对表达值计算出一个十年生存期评分；(e)通过一个算法将基因组每个基因计算出的相对表达值计算出一个二十年生存期评分；(f)将五年生存期评分与预定的五年生存期评分临界值进行比较，如果五年生存期评分等于或低于五年生存期评分临界值，则患者预测有低于五年的生存期；如果五年生存期评分高于五年生存期评分临界值而十年生存期评分等于或低于十年生存期评分临界值，则患者预测有五到十年的生存期；如果十年生存期评分高于十年生存期评分临界值而二十年生存期评分等于或低于二十年生存期评分临界值，则患者预测有十到二十年的生存期；如果二十年生存期评分高于二十年生存期评分临界值，则患者预测有二十年以上的生存期。
在一些实施方案中，所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,
AMACR,HIF1A,KLK3和PCA3组成。
在另一个实施方案中，所述基因组由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成。
在所有方法中对于步骤(b)中基因表达水平的测量，可以在RNA、DNA甲基化、蛋白质、肽或它们的任意组合中测量基因表达水平。例如，可以同时测量一组基因中每个基因的RNA和DNA甲基化水平。
在一些实施方案中，RNA的表达水平可以通过很多方法检测，例如使用RNA/DNA杂交分析，RNA Northern印记分析，RNA原位杂交，实时PCR(RT-PCR)分析，定量PCR(qRT-PCR)分析，实时定量PCR(real time qRT-PCR)分析，原位RT-PCR分析，数字PCR，DNA芯片分析，定量PCR阵列分析，基因表达序列分析(SAGE)分析，RNA测序(RNA-Seq)分析，下一代测序(NGS)分析，分支DNA分析，使用FISH(荧光原位杂交)检测RNA和DNA表达水平，使用RNA扩增和检测技术的分析，以及使用RNA捕获和检测技术的分析等方法来检测。
在另一个实施方案中，RNA可以从样品中分离后通过反转录和实时定量qRT-PCR进行定量检测。
在另一个实施方案中，样品中RNA做反转录后的cDNA可以在做实时定量qRT-PCR前先做预扩增。因为cDNA预扩增可以提高基因检测的敏感度。
在另一个实施方案中，患者可以使用未经前列腺按摩指检的尿液来做前列腺癌的筛查、诊断、分型、预后预测和癌症监测管理。
在另一个实施方案中，患者尿液可作为样品，经1000xg离心10分钟获得尿液细胞沉淀，从细胞沉淀中提纯总RNA，使用纯化的RNA进行cDNA反转录，将反转录获得的cDNA进行预扩增，最后使用预先设计的引物和探针进行实时定量qRT-PCR以检测基因表达水平。
在一些实施方案中，DNA甲基化的水平可以通过很多方法检测，例如使用甲基化特异性PCR，亚硫酸氢盐测序(BS-Seq)，HELP分析，可与DNA甲基化相关蛋白(如MeCP2)结合的抗体的检测，甲基化DNA免疫沉淀(MeDIP)与DNA微阵列结合(MeDIP-chip)，甲基化DNA免疫沉淀与DNA测序(MeDIP-seq)，亚硫酸氢盐处理过的DNA的焦磷酸测序，DNA腺嘌呤甲基转移酶活性的分子断裂光测定，甲基敏感的Southern印记，使用甲基CpG结合蛋白(MBP)和甲基结合域(MBD)进行甲基化和未甲基化的DNA分离等方法来检测。
在一些实施方案中，蛋白质或肽的水平可以通过很多方法检测，例如使用放射免疫测定(RIA)，酶联免疫吸附测定(ELISA)，Western印记分析，组织微阵列分析，免疫组织化学分析，免疫荧光染色和质谱等方法来检测。
在一些实施方案中，来自受试者的样品可以是受试者的血液、尿液、腹水、其他体液、组织和细胞。
在另一些实施方案中，来自受试者的样品可以是受试者的尿液。
一方面，本发明提供了一个使用试剂盒来测量基因组中基因表达水平的方法。
本发明进一步提供了试剂盒的制备方法。在一些实施方案中，试剂盒含有用于保存样品，从样品中分离RNA，cDNA反转录，cDNA预扩增和PCR检测的试剂。
在一些实施方案中，保存样品的试剂可以抑制样品中的DNA、RNA、蛋白质、肽的降解以便样品可以在室温保存一段时间。这样使获得和保存患者样品更方便和容易。
在另一个实施方案中，患者可以在家里收集尿液并寄给医疗单位或检测机构而不需在医院或检测机构提供尿液以进行前列腺癌的筛查、诊断和预后预测。
一方面，本发明提供了一种算法，该算法通过使用标志物基因组中每个基因的相对表达值来计算出诊断或预后预测评分，然后做出诊断或预后预测。
在一些实施方案中，该算法可以包括但不限于逻辑回归算法、线性回归算法、多项逻辑回归算法、线性判别分析算法、二次判别分析算法、支持向量机算法、二次分类器算法、感知器算法、k最近邻算法、随机森林算法、决策树算法、人工神经网络算法、朴素贝叶斯算法、自适应贝叶斯网络算法、以及组合了多种算法的算法组合。
在一些实施方案中，该算法可以通过使用从前列腺癌受试者获得的样品群和从前列腺良性受试者获得的样品群的基因组里每个基因的表达水平数据来训练算法，以达到最大的诊断准确性。
在一些实施方案中，基因的表达值可以是绝对浓度、相对浓度、绝对Ct值、相对Ct值、log(浓度)、log(Ct值)、Ct/Cq数、2的Ct/Cq数次方等中的任何一种。
在一些实施方案中，一个基因组的算法包括：
CP＝AP+CtS1*X1+CtS2*X2…+CtSN*XN
CNon＝BNon+CtS1*Y1+CtS2*Y2...+CtSN*YN
诊断或预后预测评分＝CP-CNon
其中AP为阳性诊断或预后预测常数，BNon为阴性诊断或预后预测常数，N为基因组中基因的数目，CtS1至CtSN为基因1至基因N的相对Ct值，X1至XN为基因1到基因N的阳性诊断或预后预测回归系数，Y1到Yn为基因1到基因N的阴性诊断或预后预测回归系数。当诊断或预后预测评分>0时，样本被诊断为阳性，而当诊断或预后预测评分≤0时，则样本被诊断为阴性。
在另一个实施方案中，一个25个基因的基因组的算法包括：
CP＝AP+CtS1*X1+CtS2*X2...+CtS25*X25
CNon＝BNon+CtS1*Y1+CtS2*Y2...+CtS25*Y25
诊断或预后预测评分＝CP-CNon
其中AP为阳性诊断或预后预测常数，BNon为阴性诊断或预后预测常数，CtS1至CtS25为基因1至基因25的相对Ct值，X1至X25为基因1到基因25的阳性诊断或预后预测回归系数，Y1到Y25为基因1到基因25的阴性诊断或预后预测回归系数。当诊断或预后预测评分>0时，样本被诊断为阳性，而当诊断或预后预测评分≤0时，则样本被诊断为阴性。
在另一个实施方案中，一个基因组的算法包括：
CP＝AP+CtS1*X1+CtS2*X2...+CtSN*XN+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtSN*X1*N+CtS2*CtS2*X2*2...+CtS2*CtSN*X2*N...+CtSN*CtSN*XN*N
CNon＝BNon+CtS1*Y1+CtS2*Y2...+CtSN*YN+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtSN*Y1*N+CtS2*CtS2*Y2*2...+CtS2*CtSN*Y2*N...+CtSN*CtSN*YN*N
诊断或预后预测评分＝CP-CNon
其中AP为阳性诊断或预后预测常数，BNon为阴性诊断或预后预测常数，N为基因组中基因的数目，CtS1至CtSN为基因1至基因N的相对Ct值，X1至XN为基因1到基因N的阳性诊断或预后预测回归系数，X1*1至XN*N为基因1到基因N的阳性诊断或预后预测交叉回归系数，Y1到YN为基因1到基因N的阴性诊断或预后预测回归系数，Y1*1至YN*N为基因1到基因N的阴性诊断或预后预测交叉回归系数。当诊断或预后预测评分>0时，样本被诊断为阳性，而当诊断或预后预测评分≤0时，则样本被诊断为阴性。
在另一个实施方案中，一个25个基因的基因组的算法包括：
CP＝AP+CtS1*X1+CtS2*X2...+CtS25*X25+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtS25*X1*25+CtS2*CtS2*X2*2...+CtS2*CtS25*X2*25...+CtS25*CtS25*X25*25
CNon＝BNon+CtS1*Y1+CtS2*Y2...+CtS25*Y25+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtS25*Y1*25+CtS2*CtS2*Y2*2...+CtS2*CtS25*Y2*25…+CtS25*CtS25*Y25*25
诊断或预后预测评分＝CP-CNon
其中AP为阳性诊断或预后预测常数，BNon为阴性诊断或预后预测常数，CtS1至CtS25为基因1至基因25的相对Ct值，X1至X25为基因1到基因25的阳性诊断或预后预测回归系数，X1*1至X25*25为基因1到基因25的阳性诊断或预后预测交叉回归系数，Y1到Y25为基因1到基因25的阴性诊断或预后预测回归系数，
Y1*1至Y25*25为基因1到基因25的阴性诊断或预后预测交叉回归系数。当诊断或预后预测评分>0时，样本被诊断为阳性，而当诊断或预后预测评分≤0时，则样本被诊断为阴性。
在另一个实施方案中，一个基因组的算法包括：
C五年生存期
＝AS+CtS1*X1+CtS2*X2...+CtSN*XN+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtSN*X1*N+CtS2*CtS2*X2*2...+CtS2*CtSN*X2*N...+CtSN*CtSN*XN*N
C非五年生存期＝BNS+CtS1*Y1+CtS2*Y2...+CtSN*YN+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtSN*Y1*N+CtS2*CtS2*Y2*2...+CtS2*CtSN*Y2*N...+CtSN*CtSN*YN*N
五年生存期评分＝C五年生存期-C非五年生存期
C十年生存期＝CS+CtS1*Q1+CtS2*Q2...+CtSN*QN+CtS1*CtS1*Q1*1+CtS1*CtS2*Q1*2...+CtS1*CtSN*Q1*N+CtS2*CtS2*Q2*2...+CtS2*CtSN*Q2*N...+CtSN*CtSN*QN*N
C非十年生存期＝DNS+CtS1*R1+CtS2*R2...+CtSN*RN+CtS1*CtS1*R1*1+CtS1*CtS2*R1*2...+CtS1*CtSN*R1*N+CtS2*CtS2*R2*2...+CtS2*CtSN*R2*N...+CtSN*CtSN*RN*N
十年生存期评分＝C十年生存期-C非十年生存期
C二十年生存期＝ES+CtS1*U1+CtS2*U2...+CtSN*UN+CtS1*CtS1*U1*1+CtS1*CtS2*U1*2...+CtS1*CtSN*U1*N+CtS2*CtS2*U2*2...+CtS2*CtSN*U2*N...+CtSN*CtSN*UN*N
C非二十年生存期＝FNS+CtS1*V1+CtS2*V2...+CtSN*VN+CtS1*CtS1*V1*1+CtS1*CtS2*V1*2...+CtS1*CtSN*V1*N+CtS2*CtS2*V2*2...+CtS2*CtSN*V2*N...+CtSN*CtSN*VN*N
二十年生存期评分＝C二十年生存期-C非二十年生存期
其中AS为阳性五年生存期预测常数，BNS为阴性五年生存期预测常数，CS为阳性十年生存期预测常数，DNS为阴性十年生存期预测常数，ES为阳性二十年生存期预测常数，FNS为阴性二十年生存期预测常数，N为基因组中基因的数目，CtS1至CtSN为基因1至基因N的相对Ct值，X1至XN为基因1到基因N的阳性五年生存期预测回归系数，X1*1至XN*N为基因1到基因N的阳性五年生存期预测交叉回归系数，Y1到YN为基因1到基因N的阴性五年生存期预测回归系数，Y1*1至YN*N为基因1到基因N的阴性五年生存期预测交叉回归系数，Q1至QN为基因1到基因N的阳性十年生存期预测回归系数，Q1*1至QN*N为基因1到基因N的阳性十年生存期预测交叉回归系数，R1到RN为基因1到基因N的阴性十年生存期预测回归系数，R1*1至RN*N为基因1到基因N的阴性十年生存期预测交叉回归系数，U1至UN为基因1到基因N的阳性二十年生存期预测回归系数，U1*1至UN*N为基因1到基因N的阳性二十年生存期预测交叉回归系数，V1到VN为基因1到基因N的阴性二十年生存期预测回归系数，V1*1至VN*N为基因1到基因N的阴性二十年生存期预测交叉回归系数。当五年生存期评分≤0时，预测病人生存期低于五年，当五年生存期评分>0但十年生存期评分≤0时，预测病人生存期五到十年，当十年生存期评分>0但二十年生存期评分≤0时，预测病人生存期十到二十年，当二十年生存期评分>0时，预测病人生存期高于二十年。
在另一个实施方案中，一个25个基因的基因组的算法包括：
C五年生存期＝AS+CtS1*X1+CtS2*X2...+CtS25*X25+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtS25*X1*25+CtS2*CtS2*X2*2...+CtS2*CtS25*X2*25...+CtS25*CtS25*X25*25
C非五年生存期＝BNS+CtS1*Y1+CtS2*Y2...+CtS25*Y25+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtS25*Y1*25+CtS2*CtS2*Y2*2...+CtS2*CtS25*Y2*25...+CtS25*CtS25*Y25*25
五年生存期评分＝C五年生存期-C非五年生存期
C十年生存期＝CS+CtS1*Q1+CtS2*Q2...+CtS25*Q25+CtS1*CtS1*Q1*1+CtS1*CtS2*Q1*2...+CtS1*CtS25*Q1*25+CtS2*CtS2*Q2*2...+CtS2*CtS25*Q2*25...+CtS25*CtS25*Q25*25
C非十年生存期＝DNS+CtS1*R1+CtS2*R2...+CtS25*R25+CtS1*CtS1*R1*1+CtS1*CtS2*R1*2...+CtS1*CtS25*R1*25+CtS2*CtS2*R2*2...+CtS2*CtS25*R2*25...+CtS25*CtS25*R25*25
十年生存期评分＝C十年生存期-C非十年生存期
C二十年生存期＝ES+CtS1*U1+CtS2*U2...+CtS25*U25+CtS1*CtS1*U1*1+CtS1*CtS2*U1*2...+CtS1*CtS25*U1*25+CtS2*CtS2*U2*2...+CtS2*CtS25*U2*25...+CtSN*CtS25*U25*25
C非二十年生存期＝FNS+CtS1*V1+CtS2*V2...+CtS25*V25+CtS1*CtS1*V1*1+CtS1*CtS2*V1*2...+CtS1*CtS25*V1*25+CtS2*CtS2*V2*2...+CtS2*CtS25*V2*25...+CtS25*CtS25*V25*25
二十年生存期评分＝C二十年生存期-C非二十年生存期
其中AS为阳性五年生存期预测常数，BNS为阴性五年生存期预测常数，CS为阳性十年生存期预测常数，
DNS为阴性十年生存期预测常数，ES为阳性二十年生存期预测常数，FNS为阴性二十年生存期预测常数，25为基因组中基因的数目，CtS1至CtS25为基因1至基因25的相对Ct值，X1至X25为基因1到基因25的阳性五年生存期预测回归系数，X1*1至X25*25为基因1到基因25的阳性五年生存期预测交叉回归系数，Y1到Y25为基因1到基因25的阴性五年生存期预测回归系数，Y1*1至Y25*25为基因1到基因25的阴性五年生存期预测交叉回归系数，Q1至Q25为基因1到基因25的阳性十年生存期预测回归系数，Q1*1至Q25*25为基因1到基因25的阳性十年生存期预测交叉回归系数，R1到R25为基因1到基因25的阴性十年生存期预测回归系数，R1*1至R25*25为基因1到基因25的阴性十年生存期预测交叉回归系数，U1至U25为基因1到基因25的阳性二十年生存期预测回归系数，U1*1至U25*25为基因1到基因25的阳性二十年生存期预测交叉回归系数，V1到V25为基因1到基因25的阴性二十年生存期预测回归系数，V1*1至V25*25为基因1到基因25的阴性二十年生存期预测交叉回归系数。当五年生存期评分≤0时，预测病人生存期低于五年，当五年生存期评分>0但十年生存期评分≤0时，预测病人生存期五到十年，当十年生存期评分>0但二十年生存期评分≤0时，预测病人生存期十到二十年，当二十年生存期评分>0时，预测病人生存期高于二十年。
一方面，本发明提供了一个用于数据分析和诊断的计算机程序，包括以下步骤：(a)接收测试基因组中的基因的表达数据；(b)通过以下方式确定诊断或预后预测评分：(i)与一个或多个看家基因对照而计算出基因组每个基因的相对表达水平值，(ii)将基因组每个基因计算出的相对表达值通过一个算法计算出一个表达评分；(c)将表达评分与预定的表达评分临界值进行比较以进行诊断或预后预测，并显示结果。
一方面，本发明提供了使用一个算法，通过结合一组基因的表达水平与其它癌症诊断或预后预测检测方法相结合以进行诊断或预后预测的方法。
在一些实施方案中，其它癌症诊断或预后预测检测方法包括但不限于：前列腺特异性抗原(PSA)，总PSA，游离PSA，游离PSA百分比，PSA密度，PSA速度，其它癌症标志物，总Gleason评分，初级Gleason评分，二级Gleason评分，三级Gleason模式5(TGP5)，年龄，家族患癌史，临床肿瘤分期，有癌症的活检取样数，ERG融合状态，基因组改变的比例，拷贝数改变，拷贝数变异，拷贝数Cluster，受影响的淋巴结，被切除检查的淋巴结数，有肿瘤的淋巴结数量，精囊浸润侵袭，细胞外包膜延伸，手术切除边缘状态和nomograms。
在另一个实施方案中，使用一个算法，通过结合一组基因的表达水平与PSA检测的结果来进行前列腺癌的诊断或预后预测。
在另一个实施方案中，使用一个算法，通过结合一组基因的表达水平与患者Gleason评分来进行前列腺癌的诊断或预后预测。
在另一个实施方案中，使用一个算法，通过结合一组基因的表达水平与患者的癌症分期来进行诊断或预后预测。
在另一个实施方案中，使用一个算法，通过结合一组基因的表达水平与患者的PSA检测结果，
Gleason评分和癌症分期来进行前列腺癌的诊断或预后预测。
尽管已经在本文中出示和描述了本发明的优选实施方案，但对于本领域技术人员而言这些实施方案仅仅是示范。在不脱离本发明设计精神的情况下，本领域技术人员可以做出各种变化、改变、变形、改进和替代。以上所述实施方案仅是对一些优选实施方式进行的描述，而非对本发明的保护范围进行限定，凡在本发明设计精神的前提下作出的各种变化、改变、变形、改进和替代均应落入本发明的权利要求书确定的保护范围内。
附图说明
在所附权利要求书中具体阐述了本发明的新颖特征和发明的各个方面。通过参考以下附图中对实施方案的详细描述，将获得对本发明的原理、特征和优点的全面理解。
图1.使用GSTP1,LMTK2,HPN,GOLM1和PMP22组成的5-基因组在通过病理诊断为88例前列腺癌和56例前列腺良性的病人前列腺组织中进行癌症诊断获得的ROC曲线(Receiver Operating Characteristic)以及显示的ROC曲线下面积(AUC)值。
图2.使用GSTP1,MYO6,HPN,CCND1和PMP22组成的5-基因组在通过病理诊断为88例前列腺癌和56例前列腺良性的病人前列腺组织中进行癌症诊断获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图3.使用MYO6,LMTK2,PCA3,GSTP1,HPN,CCND1,FN1和PMP22组成的8-基因组在通过病理诊断为72例高风险、侵袭性前列腺癌和15例低风险、惰性前列腺癌的病人前列腺组织中进行癌症诊断获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图4.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在通过病理诊断为520例前列腺癌和94例前列腺良性的病人尿液样品中进行癌症诊断获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图5.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的24-基因组在通过病理诊断为520例前列腺癌和94例前列腺良性的病人尿液样品中进行癌症诊断获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图6.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在通过病理诊断为55例前列腺癌和99例前列腺良性的病人前列腺组织中进行癌症诊断获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图7.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组，患癌家族史，和25-基因组与患癌家族史的组合在通过病理诊断为366例前列腺癌和23例前列腺良性的病人尿液样品中进行癌症诊断获得的ROC曲线。
A.25-基因组的ROC曲线以及显示的ROC曲线下面积(AUC)值。
B.患癌家族史的ROC曲线以及显示的ROC曲线下面积(AUC)值。
C.25-基因组与患癌家族史组合的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图8.使用PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCND1组成的14-基因组在通过病理诊断为47例高风险前列腺癌和50例低风险前列腺癌的病人尿液样品中进行癌症风险区分诊断获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图9.使用CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组在通过病理诊断为272例临床显著前列腺癌和248例临床不显著前列腺癌的回顾性试验的病人尿液样品中诊断临床显著癌和临床不显著癌获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图10.使用CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组，癌症分期，Gleason评分，以及24-基因组与癌症分期和Gleason评分的组合在通过病理诊断为272例临床显著前列腺癌和248例临床不显著前列腺癌的回顾性试验的病人尿液样品中诊断临床显著癌和临床不显著癌获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
A.24-基因组的ROC曲线以及显示的ROC曲线下面积(AUC)值。
B.癌症分期的ROC曲线以及显示的ROC曲线下面积(AUC)值。
C.Gleason评分的ROC曲线以及显示的ROC曲线下面积(AUC)值。
D.24-基因组与Gleason评分组合的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图11.使用CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组在通过病理诊断为45例临床显著前列腺癌和104例临床不显著前列腺癌的病人前列腺组织样本中诊断临床显著癌和临床不显著癌获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图12.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在通过病理诊断为272例临床显著前列腺癌和248例临床不显著前列腺癌的病人尿液样品中诊断临床显著癌和临床不显著癌获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图13.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的24-基因组在通过病理诊断为272例临床显著前列腺癌和248例临床不显著前列腺癌的病人尿液样品中诊断临床显著癌和临床不显著癌获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图14.使用PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成的18-基因组在随访期间发现有19例转移癌和131例非转移癌的病人前列腺组织样本中预测前列腺癌转移获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图15.使用PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成的18-基因组在随访期间发现有8例转移癌和512例非转移癌的病人尿液样品中预测前列腺癌转移获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图16.使用PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成的18-基因组，Gleason评分，以及18-基因组与Gleason评分的组合在随访期间发现有8例转移癌和512例非转移癌的病人尿液样品中预测前列腺癌转移获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
A.18-基因组的ROC曲线以及显示的ROC曲线下面积(AUC)值。
B.Gleason评分的ROC曲线以及显示的ROC曲线下面积(AUC)值。
C.18-基因组与Gleason评分组合的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图17.使用PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在随访期间发现有8例转移癌和512例非转移癌的病人尿液样品中预测前列腺癌转移获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图18.使用PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在随访期间发现有36例术后复发癌和104例术后未复发癌的病人前列腺组织样本中预测癌症术后复发获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图19.使用PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组，Gleason评分，癌症分期在随访期间发现有42例术后复发癌和372例术后未复发癌的回顾性试验的病人尿液样品中预测术后无癌症复发的生存期的Kaplan-Meier曲线图。
a.23-基因组的Kaplan-Meier曲线图以及显示的对数等级P值。
b.Gleason评分的Kaplan-Meier曲线图以及显示的对数等级P值。
c.癌症分期的Kaplan-Meier曲线图以及显示的对数等级P值。
图20.使用PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在随访期间发现有46例术后复发癌和474例术后未复发癌的回顾性试验的病人尿液样品中预测癌症术后复发获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图21.使用HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,TMPRSS2,ANXA3,CCNA1,CCND1和KLK3组成的24-基因组在随访期间发现有46例术后复发癌和474例术后未复发癌的回顾性试验的病人尿液样品中预测癌症术后复发获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图22.使用PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在随访期间发现有59例病人有五年以上的生存期和81病人有五年以下的生存期的病人前列腺组织样本中预测病人有五年以上或以下的生存期获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
图23.使用PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成的18-基因组在随访期间发现有59例病人有五年以上的生存期和81病人有五年以下的生存期的病人前列腺组织样本中预测病人有五年以上或以下的生存期获得的ROC曲线以及显示的ROC曲线下面积(AUC)值。
具体实施方式
以下所举实例是为了对本发明的的某些优选实施方案和本发明的某些方面进行描述，并不应解释为限定本发明的范围。以下实例结合附表和附图对本发明所述实施方案做进一步的详细说明。
实施例1
由GSTP1，LMTK2，HPN，GOLM1和PMP22组成的5-基因组试剂盒在前列腺组织样本中诊断前列腺癌的诊断表现。
病人和实验方法
该研究中使用的144个前列腺组织样本是从TissueScan前列腺组织qPCR阵列(OriGene Technologies，美国马里兰州罗克维尔)获得的。前列腺组织是通过前列腺切除术手术切除获得，并在局部缺血30分钟内速冻。组织样品经常规处理包埋在石蜡里，石蜡切片并用H&E染色，然后由经验丰富的病理学家进行病理诊断并提供病理报告。全面的病理报告提供了包括诊断、肿瘤分期、TNM分类、最小肿瘤分期分组、详细的样品细胞性(肿瘤细胞、正常的上皮细胞、腔细胞、基质细胞和坏死细胞的百分比)和Gleason评分。前列腺癌或良性前列腺(包括良性前列腺增生、前列腺炎和正常前列腺)的病理诊断是基于样本的病理分析做出。
前列腺癌样本的选择是根据肿瘤含量，包括所有通过显微病理分析所确定含50％以上的肿瘤作为样本。大部分良性前列腺样本取自无病理性疾病的患者，而一些样本则取自与患者的患病组织相邻的正常组织区域内的样本。大多数前列腺增生样本取自前列腺增生患者的组织，而有一些则取自前列腺癌患者组织的前列腺增生区域的样本。
组织样本被处理后进行RNA提取，并通过Agilent Bioanalyzer生物分析仪分析检测RNA的质量，以保证提取的RNA只有最小或没有RNA降解。然后通过RNA反转录产生cDNA，并用看家基因β-actin标准化以形成cDNA阵列。所有标本均按照IRB批准的方案收集，所有人类受试者均已给与充分的知情并明确要求同意将来使用其样品进行研究，即使当时尚不知道具体的研究内容和用途。根据《健康保险可移植性和责任法案》指南(HIPAA)，对所有标本取消身份识别并用患者编号编码，以保护捐赠者的隐私。
对GSTP1，LMTK2，HPN，GOLM1和PMP22组成的5-基因组的基因表达水平进行了测量。基因组里的两个基因同时做双相PCR，通过用7点、10倍系列稀释范围为1000ng至1pg的RNA的标准曲线进行单相PCR和双相PCR的验证。每个10μl的PCR反应包含cDNA(对应标准曲线点1000ng的相当于20ng的总RNA降低至对应标准曲线点1pg的50fg的总RNA)，500nM正向和反向扩增引物以及250nM探针。
为了衡量基因组中每个基因的表达水平，在每个反应孔中进行实时定量qRT-PCR。其中每个反应孔中的PCR试剂含有3-4ng购自TissueScan的前列腺组织qPCR阵列的cDNA。cDNA的实时PCR在ABI 7900HT快速实时PCR系统(Applied Biosystems,美国加利福尼亚州福斯特城)上进行。PCR反应在30μl体积中进行，其中包含3-4ng cDNA，15μl 2x PCR mastermix，1500nM正向和反向扩增引物和750nM探针。PCR循环条件设定如下：聚合酶活化在95℃下进行10分钟，然后是在95℃下15秒、在60℃下1分钟的40次循环。
所有测试均在屏蔽了患者信息的情况下进行。数据分析使用了序列检测系统软件2.4版(Life Technologies,美国加利福尼亚州福斯特城)。在每个样品中还测量了看家基因β-actin mRNA的水平用于对每个基因的表达水平进行对照以获得相对表达值，以此来消除每个患者样品中cDNA量的不同。基因组中每个基因的循环阈值(Ct)除以β-actin的Ct值作为基因的相对mRNA表达值(CtS＝Ct(样品)/Ct(β-actin))。对于每个基因，进行两次样品的PCR以取平均Ct值。
将基因组内每个基因计算出的相对表达值通过一个癌症诊断算法计算出诊断评分，然后将诊断评分与预先设定的癌症诊断评分临界值进行比较以进行诊断，以此区分两类样品即前列腺癌或良性前列腺。该诊断算法为：
C癌＝-843.094+CtS(GSTP1)*1.100+CtS(GOLM1)*0.068+CtS(HPN)*0.300+CtS(LMTK2)*0.104+CtS(PMP22)*(-0.201)
C非癌＝-1765.712+CtS(GSTP1)*2.253+CtS(GOLM1)*(-0.084)+CtS(HPN)*(-0.012)+CtS(LMTK2)*(-0.624)+CtS(PMP22)*0.912
前列腺癌诊断评分＝C癌-C非癌
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT做出ROC曲线。最后计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)。P值是通过使用统计分析软件XLSTAT进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由GSTP1，LMTK2，HPN，GOLM1和PMP22组成的5-基因组能够区分前列腺组织样本中的前列腺癌和良性前列腺。如表1所示，5-基因组能够以96.6％的极高灵敏度和94.6％的极高特异性(p<0.0001)将前列腺癌与良性前列腺准确区分开。阳性预测值达到96.6％，阴性预测值达到94.6％。进行了ROC曲线分析以测量5-基因组区分前列腺癌和良性前列腺以进行癌症诊断的分类诊断能力。结果显示ROC曲线下面积值为0.996(图1)，这是对前列腺癌诊断的极高的ROC曲线下面积值。
表1
阳性病人 阴性病人 总数
癌症 85 3 88
非癌症 3 53 56
灵敏度 96.6％
特异性 94.6％
阳性预测值 96.6％
阴性预测值 94.6％
实施例2
由GSTP1,MYO6,HPN,CCND1和PMP22组成的5-基因组试剂盒在前列腺组织样本中诊断前列腺癌的诊断表现。
病人和实验方法
该研究中使用的144个前列腺组织样本是从TissueScan前列腺组织qPCR阵列(OriGene Technologies，美国马里兰州罗克维尔)获得的。对GSTP1,MYO6,HPN,CCND1和PMP22组成的5-基因组在这些样本中的基因表达水平进行了测量。
将基因组内每个基因计算出的相对表达值通过一个癌症诊断算法计算出诊断评分，然后将诊断评分与预先设定的癌症诊断评分临界值进行比较以进行诊断，以此区分两类样品即前列腺癌或良性前列腺。该诊断算法为：
C癌＝-931.969+CtS(GSTP1)*1.046+CtS(MYO6)*0.215+CtS(HPN)*0.307+CtS(CCND1)*(-0.190)+CtS(PMP22)*1.011
C非癌＝-1594.933+CtS(GSTP1)*2.054+CtS(MYO6)*(-0.111)+CtS(HPN)*(-0.092)+CtS(CCND1)*(-0.081)+CtS(PMP22)*0.968
前列腺癌诊断评分＝C癌-C非癌
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT做出ROC曲线。最后计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件XLSTAT进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由GSTP1,MYO6,HPN,CCND1和PMP22组成的5-基因组能够区分前列腺组织样本中的前列腺癌和良性前列腺。如表2所示，5-基因组能够以97.7％的极高灵敏度和96.4％的极高特异性(p
<0.0001)将前列腺癌与良性前列腺准确区分开。阳性预测值达到97.7％，阴性预测值达到96.4％。进行了ROC曲线分析以测量5-基因组区分前列腺癌和良性前列腺以进行癌症诊断的分类诊断能力。结果显示ROC曲线下面积值为0.998(图2)，这是对前列腺癌诊断的极高的ROC曲线下面积值。
表2
阳性病人 阴性病人 总数
癌症 86 2 88
非癌症 2 54 56
灵敏度 97.7％
特异性 96.4％
阳性预测值 97.7％
阴性预测值 96.4％
实施例3
由MYO6,LMTK2,PCA3,GSTP1,HPN,CCND1,FN和PMP22组成的8-基因组试剂盒在前列腺组织标本中区分高风险、侵袭性前列腺癌和低风险、惰性前列腺癌的诊断表现。
病人和实验方法
该研究中使用的144个前列腺组织样本是从TissueScan前列腺组织qPCR阵列(OriGene Technologies，美国马里兰州罗克维尔)获得的。侵袭性和惰性前列腺癌的病理诊断是基于Gleason评分。Gleason评分≥7的患者被诊断为高风险、侵袭性前列腺癌，而Gleason评分<7的患者被诊断为低风险、惰性前列腺癌。
对MYO6,LMTK2,PCA3,GSTP1,HPN,CCND1,FN和PMP22组成的8-基因组的基因表达水平进行了测量。
通过一个癌症风险区分算法将基因组每个基因计算出的相对表达值计算出风险区分评分，然后将风险区分评分与预先设定的风险区分评分临界值进行比较以进行诊断，以此区分两类样品即高风险、侵袭性前列腺癌和低风险、惰性癌。该风险区分算法为：
C高风险＝-934.583+CtS(PCA3)*(-0.078)+CtS(GSTP1)*1.140+CtS(FN1)*(-0.028)+CtS(PMP22)*(-0.159)+CtS(LMTK2)*0.068+CtS(HPN)*0.202+CtS(MYO6)*0.201+CtS(CCND1)*1.010
C低风险＝-1610.742+CtS(PCA3)*0.168+CtS(GSTP1)*1.584+CtS(FN1)*0.391+CtS(PMP22)*0.137+CtS(LMTK2)*0.030+CtS(HPN)*0.253+CtS(MYO6)*0.404+CtS(CCND1)*(-0.922)
前列腺癌风险区分评分＝C高风险-C低风险
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT进行ROC曲线分析，计算出诊断表现的指标，包括灵敏度、特异性，阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由MYO6,LMTK2,PCA3,GSTP1,HPN,CCND1,FN和PMP22组成的8-基因组能够区分前列腺组织样本中的高风险、侵袭性前列腺癌和低风险、惰性前列腺癌。如表3所示，8-基因组能够以90.3％的高灵敏度和93.3％的高特异性(p<0.0001)将高风险、侵袭性前列腺癌和低风险、惰性前列腺癌准确区分开。阳性预测值达到98.5％，阴性预测值达到66.7％。进行了ROC曲线分析以测量8-基因组区分高风险、侵袭性前列腺癌和低风险、惰性癌的风险区分能力。结果显示ROC曲线下面积值为0.950(图3)，这是对前列腺癌风险区分的极高的ROC曲线下面积值。
表3
阳性病人 阴性病人 总数
侵袭性癌 65 7 72
惰性癌 1 14 15
灵敏度 90.3％
特异性 93.3％
阳性预测值 98.5％
阴性预测值 66.7％
实施例4
由HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,CCNA1,CCND1和KLK3组成的25-基因组在从未做前列腺按摩指检收集的尿液样品中诊断前列腺癌的诊断表现。
病人和实验方法
多中心尿液研究是经过美国旧金山总医院的IRB批准(IRB#：15-15816)从人类组织合作研究网南部分部(Cooperative Human Tissue Network CHTN Southern Division)和Indivumed GmbH的存档样品中随机抽取获得的。在614名患者知情同意的情况下，在患者进行穿刺活检或根治性前列腺切除术之前收集尿液样品。将约15ml收集的尿液样品以1000xg离心后将细胞沉淀快速冷冻并保存在-80℃下。
对前列腺癌的病理诊断和风险区分是基于活检或手术收集的组织样本的病理分析。所有样本均按照IRB批准的方案收集，所有人类受试者均已充分了解情况并明确要求其同意将来对样品用于研究，即使当时尚不知道会是什么样的研究。根据《健康保险可移植性和责任法案》指南(HIPAA)，对所有样本取消身份识别并用患者编号编码，以保护捐赠者的隐私。
将冷冻的尿液沉淀物在37℃解冻，并重悬于冷的磷酸盐缓冲生理盐水中。然后以1000xg离心10分钟。从细胞沉淀中提纯总RNA。使用cDNA发转录试剂将100ng纯化的RNA用于cDNA的反转录。用反转录获得的cDNA使用预扩增试剂进行预扩增。使用预先设计的引物和探针进行实时定量PCR检测基因的表达水平。在ABIQuantstudio 6，ABI 7500或ABI 7900实时PCR系统(美国马萨诸塞州沃尔瑟姆的赛默飞世尔科技)上进行实时定量PCR。每个PCR反应设置为10μl，其中包含从0.2ng提纯的RNA反转录和预扩增获得的cDNA，5μl 2x PCRMaster Mix，500nM正向和反向扩增引物，和250nM探针。实时定量PCR使用以下循环条件进行：聚合酶活化在95℃下进行10分钟，然后是在95℃下15秒、在60℃下1分钟的40次循环。对于每个基因，重复PCR三次。所有基因表达的测量和计算都是在没有事先知道患者信息的情况下进行的。
通过一个癌症诊断算法将基因组每个基因计算出的相对表达值计算出癌症诊断评分，然后将癌症诊断评分与预先设定的癌症诊断评分临界值进行比较以进行诊断，以此区分两类样品即前列腺癌和良性前列腺。该诊断算法为：
C癌＝-276.944+CtS(CCND1)*(-0.004)+CtS(PCA3)*0.068+CtS(KLK3)*(-0.001)+CtS(GSTP1)*0.001+CtS(HIF1A)*0.001+CtS(LMTK1)*0.051+CtS(AMACR)*0.004+CtS(BIRC5)*(-0.001)+CtS(CRISP3)*(-0.016)+CtS(ANXA3)*0.025+CtS(CST3)*(-0.005)+CtS(TMPRSS2)*0.141+CtS(CCNA1)*0.010+CtS(VEGFA)*(-0.010)+CtS(FGFR1)*(-0.281)+CtS(PMP22)*0.008+CtS(EZH2)*0.201+CtS(GOLM1)*(-0.102)+CtS(FN1)*0.003+CtS(PSCA)*(-0.203)+CtS(PTEN)*0.188+CtS(HPN)*(-0.009)+CtS(MYO6)*0.024+CtS(PIP5K1A)*0.121+CtS(CDK1)*(-0.018)
C非癌＝-202.279+CtS(CCND1)*0.006+CtS(PCA3)*(-0.104)+CtS(KLK3)*(-0.004)+CtS(GSTP1)*(-0.010)+CtS(HIF1A)*(-0.022)+CtS(LMTK1)*0.129+CtS(AMACR)*(-0.213)+CtS(BIRC5)*0.029+CtS(CRISP3)*(-0.085)+CtS(ANXA3)*0.242+CtS(CST3)*(-0.011)+CtS(TMPRSS2)*0.129+CtS(CCNA1)*0.002+CtS(VEGFA)*0.144+CtS(FGFR1)*0.009+CtS(PMP22)*0.411+CtS(EZH2)*0.052+CtS(GOLM1)*0.001+CtS(FN1)*(-0.002)+CtS(PSCA)*0.305+CtS(PTEN)*0.091+CtS(HPN)*(-0.006)+CtS(MYO6)*0.202+CtS(PIP5K1A)*(-1.055)+CtS(CDK1)*0.051
前列腺癌诊断评分＝C癌-C非癌
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT进行ROC曲线分析。然后计算出诊断表现的指标，包括灵敏度、特异性，阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,CCNA1,CCND1和KLK3组成的25-基因组能够区分尿液样品中的前列腺癌和良性前列腺。如表4所示，25-基因组能够以92.5％的高灵敏度和91.5％的高特异性(P<0.0001)将前列腺癌和良性前列腺准确区分开。阳性预测值达到98.4％，阴性预测值达到68.8％。进行了ROC曲线分析以测量25-基因组区分前列腺癌和良性前列腺的诊断能力。结果显示ROC曲线下面积值为0.946(图4)，这是对前列腺癌诊断的极高的ROC曲线下面积值。
表4
实施例5
由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的24-基因组在从未做前列腺按摩指检收集的尿液样品中诊断前列腺癌的诊断表现。
病人和实验方法
在614例样本的尿液研究中检测由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,
HIF1A,KLK3和PCA3组成的24-基因组诊断前列腺癌的诊断表现。
通过一个癌症诊断算法将基因组每个基因计算出的相对表达值计算出癌症诊断评分，然后将癌症诊断评分与预先设定的癌症诊断评分临界值进行比较以进行诊断，以此区分两类样品即前列腺癌和良性前列腺。该诊断算法为：
C癌＝-283.214+CtS(CCND1)*(-0.004)+CtS(PCA3)*0.069+CtS(KLK3)*(-0.002)+CtS(GSTP1)*0.001+CtS(HIF1A)*0.003+CtS(LMTK1)*0.048+CtS(AMACR)*0.004+CtS(BIRC5)*(-0.001)+CtS(CRISP3)*(-0.015)+CtS(ANXA3)*0.028+CtS(CST3)*(-0.004)+CtS(TMPRSS2)*0.127+CtS(CCNA1)
*0.014+CtS(VEGFA)*(-0.007)+CtS(FGFR1)*(-0.295)+CtS(PMP22)*0.006+CtS(EZH2)*0.239+CtS(GOLM1)*(-0.112)+CtS(FN1)*0.005+CtS(PSCA)*(-0.208)+CtS(PTEN)*0.176+CtS(HPN)*(-0.015)+CtS(MYO6)
*0.028+CtS(PIP5K1A)*0.131
C非癌＝-227.521+CtS(CCND1)*0.006+CtS(PCA3)*(-0.102)+CtS(KLK3)*(-0.006)+CtS(GSTP1)*(-0.010)+CtS(HIF1A)*(-
0.021)+CtS(LMTK1)*0.133+CtS(AMACR)*(-0.207)+CtS(BIRC5)*0.025+CtS(CRISP3)*(-0.084)+CtS(ANXA3)*0.253+CtS(CST3)*(-0.011)+CtS(TMPRSS2)*0.126+CtS(CCNA1)*0.002+CtS(VEGFA)*0.149+CtS(FGFR1)*0.009+CtS(PMP22)
*0.421+CtS(EZH2)*0.051+CtS(GOLM1)*0.001+CtS(FN1)*(-0.002)+CtS(PSCA)*0.312+CtS(PTEN)*0.090+CtS(HPN)*(-0.006)+CtS(MYO6)*0.189+CtS(PIP5K1A)*(-1.042)
前列腺癌诊断评分＝C癌-C非癌
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT进行ROC曲线分析。然后计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的24-基因组能够区分尿液样品中的前列腺癌和良性前列腺。如表5所示，24-基因组能够以93.5％的高灵敏度和94.7％的高特异性(P<0.0001)将前列腺癌和良性前列腺准确区分开。阳性预测值达到99.0％，阴性预测值达到72.4％。进行了ROC曲线分析以测量25-基因组区分前列腺癌和良性前列腺的诊断能力。结果显示ROC曲线下面积值为0.969(图5)，这是对前列腺癌诊断的极高的ROC曲线下面积值。
表5
实施例6
由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,
PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在前列腺组织样本中诊断前列腺癌的诊断表现。
病人和实验方法
从基因表达综合(GEO)数据库获得的GSE17951前列腺组织样本群包括从Affymetrix U133Plus2阵列获得的前列腺癌和良性前列腺样本的定量mRNA基因表达数据。样本群中的前列腺癌组织(n＝56)是从患者活检样本中收集的，良性前列腺组织(n＝98)是从良性前列腺病人的前列腺尸检样本中获得的。从数据库中获得了基因组中25个基因的表达水平，并用β-actin表达水平进行了标准化以获得相对表达值。
通过一个癌症诊断算法将基因组每个基因计算出的相对表达值计算出癌症诊断评分，然后将癌症诊断评分与预先设定的癌症诊断评分临界值进行比较以进行诊断，以此区分两类样品即前列腺癌和良性前列腺。该诊断算法为：
C癌＝-6806.494+CtS(CCND1)*0.391+CtS(PCA3)*(-0.061)+CtS(KLK3)*3.382+CtS(GSTP1)*(-0.014)+CtS(HIF1A)*1.603+CtS(LMTK1)*0.867+CtS(AMACR)*(-2.170)+CtS(BIRC5)*(-0.093)+CtS(CRISP3)*(-0.108)+CtS(ANXA3)*(-1.040)+CtS(CST3)*3.600+CtS(TMPRSS2)*0.663+CtS(CCNA1)
*0.566+CtS(VEGFA)*0.534+CtS(FGFR1)*0.203+CtS(PMP22)*1.371+CtS(EZH2)*0.840+CtS(GOLM1)*(-0.660)+CtS(FN1)*0.563+CtS(PSCA)*0.319+CtS(PTEN)*1.234+CtS(HPN)*(-0.473)+CtS(MYO6)
*1.005+CtS(PIP5K1A)*2.718+CtS(CDK1)*0.566
C非癌＝-5541.220+CtS(CCND1)*0.284+CtS(PCA3)*(-0.296)+CtS(KLK3)*0.140+CtS(GSTP1)*(-1.267)+CtS(HIF1A)*1.741+CtS(LMTK1)*1.114+CtS(AMACR)*(-0.245)+CtS(BIRC5)*0.767+CtS(CRISP3)*(-0.161)+CtS(ANXA3)*0.153+CtS(CST3)*3.408+CtS(TMPRSS2)*0.274+CtS(CCNA1)*(-0.081)+CtS(VEGFA)*(-0.445)+CtS(FGFR1)*0.546+CtS(PMP22)*1.973+CtS(EZH2)*0.714+CtS(GOLM1)*0.295+CtS(FN1)*(-0.043)
+CtS(PSCA)*0.029+CtS(PTEN)*2.451+CtS(HPN)*0.061+CtS(MYO6)*2.860+CtS(PIP5K1A)*2.520+CtS(CDK1)*(-0.281)前列腺癌诊断评分＝C癌-C非癌
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT进行ROC曲线分析。然后计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,
GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组能够区分前列腺组织样本中的前列腺癌和良性前列腺。如表6所示，25-基因组能够以100％的高灵敏度和96.0％的高特异性(P<0.0001)将前列腺癌和良性前列腺准确区分开。阳性预测值达到93.2％，阴性预测值(NPV)达到100％。进行了ROC曲线分析以测量25-基因组区分前列腺癌和良性前列腺的诊断能力。结果显示ROC曲线下面积值为0.998(图6)，这是对前列腺癌诊断的极高的ROC曲线下面积值。
表6
实施例7
由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组，患癌家族史，和25-基因组试剂盒与患癌家族史的组合在未做前列腺按摩指检收集的尿液样品中诊断前列腺癌的诊断表现。
病人和实验方法
在尿液研究中有患癌家族史的451名患者作为试验群来检测PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组，患癌家族史，和25-基因组与患癌家族史的组合对前列腺癌的诊断能力。
通过一个癌症诊断算法将25-基因组每个基因计算出的相对表达值计算出癌症诊断评分，然后将癌症诊断评分与预先设定的癌症诊断评分临界值进行比较诊断，以此区分两类样品即前列腺癌和良性前列腺。该诊断算法为：
C癌＝-276.944+CtS(CCND1)*(-0.004)+CtS(PCA3)*0.068+CtS(KLK3)*(-0.001)+CtS(GSTP1)*0.001+CtS(HIF1A)*0.001+CtS(LMTK1)*0.051+CtS(AMACR)*0.004+CtS(BIRC5)*(-0.001)+CtS(CRISP3)*(-0.016)+CtS(ANXA3)*0.025+CtS(CST3)*(-0.005)+CtS(TMPRSS2)*0.141+CtS(CCNA1)
*0.010+CtS(VEGFA)*(-0.010)+CtS(FGFR1)*(-0.281)+CtS(PMP22)*0.008+CtS(EZH2)*0.201+CtS(GOLM1)*(-0.102)+CtS(FN1)*0.003+CtS(PSCA)*(-0.203)+CtS(PTEN)*0.188+CtS(HPN)*(-0.009)+CtS(MYO6)
*0.024+CtS(PIP5K1A)*0.121+CtS(CDK1)*(-0.018)
C非癌＝-202.279+CtS(CCND1)*0.006+CtS(PCA3)*(-0.104)+CtS(KLK3)*(-0.004)+CtS(GSTP1)*(-0.010)+CtS(HIF1A)*(-0.022)+CtS(LMTK1)*0.129+CtS(AMACR)*(-0.213)+CtS(BIRC5)*0.029+CtS(CRISP3)*(-0.085)+CtS(ANXA3)*0.242+CtS(CST3)*(-0.011)+CtS(TMPRSS2)*0.129+CtS(CCNA1)*0.002+CtS(VEGFA)*0.144+CtS(FGFR1)*0.009+CtS(PMP22)
*0.411+CtS(EZH2)*0.052+CtS(GOLM1)*0.001+CtS(FN1)*(-0.002)+CtS(PSCA)*0.305+CtS(PTEN)*0.091+CtS(HPN)*(-0.006)+CtS(MYO6)*0.202+CtS(PIP5K1A)*(-1.055)+CtS(CDK1)*0.051
前列腺癌诊断评分＝C癌-C非癌
然后将使用25-基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT进行ROC曲线分析。然后计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。同样将每个样本患癌家族史信息与样本的病理诊断进行比较使用线性判别分析算法计算出患癌家族史的诊断表现指标。再将25-基因组与患癌家族史合并，通过线性判别分析算法将25-基基因组每个基因计算出的相对表达值与患癌家族史合并计算出癌症诊断评分，然后将癌症诊断评分与预先设定的癌症诊断评分临界值进行比较进行诊断，以此区分两类样品即前列腺癌和良性前列腺。将诊断结果与样本的病理诊断进行比较计算出25-基因组与患癌家族史合并的诊断表现指标。
结果
结果显示由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组能够区分尿液样品中的前列腺癌和良性前列腺。如表7所示，25-基因组能够以99.5％的极高灵敏度和95.7％的极高特异性(P<0.0001)将前列腺癌和良性前列腺准确区分开。阳性预测值达到99.7％，阴性预测值达到91.7％，ROC曲线下面积值为0.977(图7A)。对比之下，患癌家族史有很高的100％的灵敏度但是极低的0％的特异性(P＝0.343)，阳性预测值为94.1％，阴性预测值为0％，ROC曲线下面积值为0.409(图7B)。当25-基因组与患癌家族史组合后诊断的表现与25-基因组相似：灵敏度、特异性、阳性预测值和阴性预测值与25-基因组相同(P<0.0001)，ROC曲线下面积值也相似达到0.979(图7C)。
表7
实施例8
由PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,
ANXA3和CCND1组成的14-基因组在未做前列腺按摩指检收集的尿液样品中区分高风险前列腺癌和低风险前列腺癌的诊断表现。
病人和实验方法
使用从尿液研究者中获得的97名患者的尿液样品检测。前列腺癌的诊断和Gleason评分是根据从活检、根治性前列腺切除术获得的前列腺样本进行的病理分析，所有病理分析采用相同的标准和方法，并记录在病理报告中。
前列腺癌风险的病理诊断是根据美国国家综合癌症网络(NationalComprehensive Cancer Network(NCCN))指南定义的。指南建议非常高风险、高风险和中度风险且不利的患者立即接受治疗，而建议非常低风险、低风险和中度风险但有利的患者应接受积极监测。因此，在本研究中，我们将具有非常高风险、高风险和中度风险且不利的患者界定为高风险且需要立刻接受治疗的患者，而将具有非常低风险、低风险和中度风险但有利的患者界定为低风险而应接受积极监测的患者。这种将癌症患者分为需要和不需要立即治疗的两组的分类在临床上是相关的，并且可以帮助在临床中进行治疗决策。根据指南，我们研究中的高风险前列腺癌患者被分类为满足以下任何标准：Gleason评分>7，Gleason评分4+3＝7，癌症分期≥T3，PSA>20ng/ml，而且一半以上的活检样本含有肿瘤。其余患者被分类为低风险前列腺癌。
所有测试均在屏蔽了患者信息的情况下进行。数据分析使用了ABIQuantstudio 6软件(Life Technologies,美国加利福尼亚州福斯特城)。在每个样品中还测量了看家基因β-actin mRNA的水平用于对每个基因的表达水平进行对照以获得相对表达值，以此来消除每个患者样品中cDNA量的不同。14-基因组中每个基因的循环阈值(Ct)除以β-actin的Ct值作为基因的相对mRNA表达值(CtS＝Ct(样品)/Ct(β-actin))。对于每个基因，进行两次样品的PCR以取平均Ct值。
将14-基因组内每个基因计算出的相对表达值通过一个风险区分算法计算出风险区分评分，然后将风险区分评分与预先设定的高风险评分临界值进行比较以进行诊断。该风险区分算法为：
C高风险＝-206.392+CtS(CCND1)*(-0.102)+CtS(PCA3)*0.103+CtS(GSTP1)*(-0.005)+CtS(LMTK1)*0.207+CtS(ANXA3)*(-0.107)+CtS(CST3)*(-0.101)+CtS(TMPRSS2)*0.001+CtS(VEGFA)*0.106+CtS(PMP22)*0.050+CtS(EZH2)*1.005+CtS(GOLM1)*0.004+CtS(PTEN)*0.561+CtS(PIP5K1A)*0.020+CtS(CDK1)*0.048
C低风险＝-124.397+CtS(CCND1)*(-0.014)+CtS(PCA3)*(-0.201)+CtS(GSTP1)*(-0.015)+CtS(LMTK1)*(-0.107)+CtS(ANXA3)*(-0.022)+CtS(CST3)*0.188+CtS(TMPRSS2)*0.102+CtS(VEGFA)*(-0.902)+CtS(PMP22)*0.046+CtS(EZH2)*1.005+CtS(GOLM1)*0.004+CtS(PTEN)*0.561+CtS(PIP5K1A)*0.721+CtS(CDK1)*0.108
前列腺癌风险区分评分＝C高风险-C低风险
使用线性判别分析算法和逻辑回归算法在统计分析软件XLSTAT上将使用基因组对所有样本的诊断与样本的病理诊断进行比较，做出ROC曲线和95％的置信区间，并计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,
TMPRSS2,ANXA3和CCND1组成的14-基因组能够区分高风险前列腺癌和低风险前列腺癌。如表8所示，14-基因组能够以76.6％的灵敏度和86.0％的特异性(P<0.0001)将高风险前列腺癌和低风险前列腺癌区分开。阳性预测值达到83.7％，阴性预测值达到79.6％。进行了ROC曲线分析以测量14-基因组区分高风险前列腺癌和低风险前列腺癌的风险区分能力。结果显示ROC曲线下面积值为0.899(图8)。
表8
实施例9
由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,
LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组在未做前列腺按摩指检收集的尿液样品中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。
病人和实验方法
使用从尿液研究者中获得的520名前列腺癌患者的尿液样品检测。前列腺癌的诊断和Gleason评分是根据从活检、根治性前列腺切除术获得的前列腺样本进行的病理分析，所有病理分析采用相同的标准和方法，并记录在病理报告中。根据国家综合癌症网络指南定义了临床显著前列腺癌和临床不显著前列腺癌的病理诊断。临床显著前列腺癌的诊断符合以下任何条件：Gleason评分>7，Gleason评分4+3＝7，癌症分期≥T3，诊断时PSA>20ng/mL，超过一半的活检样本含有肿瘤。其余患者被分类为临床不显著前列腺癌。
数据分析使用了ABIQuantstudio 6、ABI 7500 or ABI 7900软件(Thermo FisherScientific,Waltham,MA,USA)。在每个样品中还测量了看家基因β-actin mRNA的水平用于对每个基因的表达水平进行对照以获得相对表达值，以此来消除每个患者样品中cDNA量的不同。24-基因组中每个基因的循环阈值(Ct)除以β-actin的Ct值作为基因的相对mRNA表达值(CtS＝Ct(样品)/Ct(β-actin))。每个基因做三次PCR以取平均Ct值。
将24-基因组内每个基因计算出的相对表达值通过一个临床显著癌算法计算出临床显著癌评分，然后将临床显著癌评分与预先设定的临床显著癌评分临界值进行比较以进行诊断。该临床显著癌算法为：C显著＝-135.228+CtS(CCND1)*(-1.001)+CtS(PCA3)*(-0.101)+CtS(GSTP1)*0.001+CtS(HIF1A)*0.852+CtS(LMTK1)*(-0.201)+CtS(AMACR)*(-0.201)+CtS(BIRC5)*(-0.125)+CtS(CRISP3)*0.010+CtS(ANXA3)*0.852+CtS(CST3)*(-0.201)+CtS(TMPRSS2)*(-0.125)+CtS(CCNA1)*(-0.003)+CtS(VEGFA)*0.212+CtS(FGFR1)*0.051+CtS(PMP22)*0.002+CtS(EZH2)
*0.011+CtS(GOLM1)*(-0.099)+CtS(FN1)*0.002+CtS(PSCA)*0.301+CtS(PTEN)*0.002+CtS(HPN)*(-0.061)+CtS(MYO6)*(-0.082)+CtS(PIP5K1A)*0.402+CtS(CDK1)*(-0.107)
C不显著＝-186.034+CtS(CCND1)*0.084+CtS(PCA3)*0.101+CtS(GSTP1)*(-0.213)+CtS(HIF1A)*0.101+CtS(LMTK1)*(-0.187)+CtS(AMACR)*(-0.315)+CtS(BIRC5)*(-0.006)+CtS(CRISP3)*0.069+CtS(ANXA3)*(-1.203)+CtS(CST3)*0.011+CtS(TMPRSS2)*(-0.010)+CtS(CCNA1)*0.105+CtS(VEGFA)*0.013+CtS(FGFR1)*0.072+CtS(PMP22)*0.056+CtS(EZH2)*(-0.128)+CtS(GOLM1)*0.026+CtS(FN1)*(-0.196)+CtS(PSCA)*(-0.004)+CtS(PTEN)*0.158+CtS(HPN)*0.046+CtS(MYO6)*(-0.196)+CtS(PIP5K1A)*0.561+CtS(CDK1)*0.013
临床显著癌评分＝C显著-C不显著
然后将使用24-基因组对所有样品的诊断与样品的病理诊断进行比较，并使用分析软件XLSTAT做线性判别分析进行ROC曲线分析，并计算诊断表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组能够区分临床显著癌和临床不显著癌。如表9所示，24-基因组能够以83.8％的灵敏度和94.4％的高特异性(P<0.0001)将临床显著癌和临床不显著癌区分开。阳性预测值达到94.3％，阴性预测值达到84.2％。进行了ROC曲线分析以测量24-基因组区分临床显著癌和临床不显著癌的区分能力。结果显示ROC曲线下面积值为0.916(图9)，是癌症区分和分类的很高的ROC曲线下面积值。
表9
实施例10
由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,
LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组，癌症分期，Gleason评分，以及24-基因组试剂盒与癌症分期和Gleason评分的组合在未做前列腺按摩指检收集的尿液样品中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。
病人和实验方法
在520个患者的尿液样品群评估由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,
MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组，癌症分期，Gleason评分，以及24-基因组与癌症分期和Gleason评分的组合在尿液样品中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。
通过一个癌症诊断算法将24-基因组每个基因计算出的相对表达值计算出临床显著癌评分，然后将临床显著癌评分与预先设定的临床显著癌评分临界值进行比较诊断，以此区分两类样品即临床显著前列腺癌和临床不显著前列腺癌。该临床显著癌算法为：
C显著＝-135.228+CtS(CCND1)*(-1.001)+CtS(PCA3)*(-0.101)+CtS(GSTP1)*0.001+CtS(HIF1A)*0.852+CtS(LMTK1)*(-0.201)+CtS(AMACR)*(-0.201)+CtS(BIRC5)*(-0.125)+CtS(CRISP3)*0.010+CtS(ANXA3)*0.852+CtS(CST3)*(-0.201)+CtS(TMPRSS2)*(-0.125)+CtS(CCNA1)*(-0.003)+CtS(VEGFA)*0.212+CtS(FGFR1)*0.051+CtS(PMP22)*0.002+CtS(EZH2)*0.011+CtS(GOLM1)*(-0.099)+CtS(FN1)*0.002+CtS(PSCA)*0.301+CtS(PTEN)*0.002+CtS(HPN)*(-0.061)+CtS(MYO6)*(-0.082)+CtS(PIP5K1A)*0.402+CtS(CDK1)*(-0.107)
C不显著＝-186.034+CtS(CCND1)*0.084+CtS(PCA3)*0.101+CtS(GSTP1)*(-0.213)+CtS(HIF1A)*0.101+CtS(LMTK1)*(-0.187)+CtS(AMACR)*(-0.315)+CtS(BIRC5)*(-0.006)+CtS(CRISP3)*0.069+CtS(ANXA3)*(-1.203)+CtS(CST3)*0.011+CtS(TMPRSS2)*(-0.010)+CtS(CCNA1)*0.105+CtS(VEGFA)*0.013+CtS(FGFR1)*0.072+CtS(PMP22)*0.056+CtS(EZH2)*(-0.128)+CtS(GOLM1)*0.026+CtS(FN1)*(-0.196)+CtS(PSCA)*(-0.004)+CtS(PTEN)*0.158+CtS(HPN)*0.046+CtS(MYO6)*(-0.196)+CtS(PIP5K1A)*0.561+CtS(CDK1)*0.013
临床显著癌评分＝C显著-C不显著
然后将使用24-基因组对所有样本的诊断与样本的病理诊断进行比较，并使用统计分析软件XLSTAT进行ROC曲线分析。然后计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。同样将每个样本的癌症分期或Gleason评分诊断结果与样本的病理诊断进行比较通过线性判别分析计算出癌症分期或Gleason评分的诊断表现指标。再将24-基因组与癌症分期和Gleason评分合并，通过线性判别分析算法将24-基因组每个基因计算出的相对表达值与癌症分期和Gleason评分合并计算出临床显著癌评分，然后将临床显著癌评分与预先设定的临床显著癌评分临界值进行比较进行诊断，以此区分两类样品即临床显著前列腺癌和临床不显著前列腺癌。将诊断结果与样本的病理诊断进行比较计算出24-基因组与癌症分期和Gleason评分合并的诊断表现指标。
结果
结果显示由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组能够非常准确的区分临床显著癌和临床不显著癌。如表10所示，24-基因组能够以85.0％的高灵敏度和94.9％的高特异性(P<0.0001)将临床显著癌和临床不显著癌区分开。阳性预测值达到95.1％，阴性预测值达到84.5％。进行了ROC曲线分析以测量24-基因组区分临床显著癌和临床不显著癌的区分能力。结果显示ROC曲线下面积值为0.892(图10A)。作为比较，癌症分期和Gleason评分的灵敏度分别为72.3％和85.0％，特异性分别为99.5％和23.5％，(P<0.0001),阳性预测值分别为99.4％和56.1％，阴性预测值分别为75.6％和57.5％，ROC曲线下面积值分别为0.874和0.578(图10B和C)。但是当24-基因组与癌症分期和Gleason评分组合，临床表现有所提高，灵敏度为94.7％，特异性为96.9％，(P<0.0001),阳性预测值为97.3％，阴性预测值为94.1％，ROC曲线下面积值为0.966(图10D)。
表10
灵敏度 特异性 阳性预测值 阴性预测值
24-基因组 85.0％ 94.9％ 95.1％ 84.5％
癌症分期 72.3％ 99.5％ 99.4％ 75.6％
Gleason评分 85.0％ 23.5％ 56.1％ 57.5％
组合 94.7％ 96.9％ 97.3％ 94.1％
实施例11
由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组在前列腺组织样本中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。
病人和实验方法
对于前列腺组织样本群，24-基因组中每个基因的mRNA表达Z分数可从www.cbioportal.com上的MSKCC数据库获得。将基因组每个基因的Z分数通过一个算法计算出临床显著癌评分，将临床显著癌评分与预定的临床显著癌评分临界值比较，以区分临床显著癌和临床不显著癌。该临床显著癌算法为：
C显著＝AH+Z1*TH1+Z2*TH2...+Z24*TH24+Z1*Z1*TH1*1+Z1*Z2*TH1*2...+Z1*Z24*TH1*24+Z2*Z2*TH2*2...+Z2*Z24*TH2*24...+Z24*ZS24*TH24*24
C不显著＝BL+Z1*TL1+Z2*TL2...+Z24*TL24+Z1*Z1*TL1*1+Z1*Z2*TL1*2...+Z1*Z24*TL1*24+Z2*Z2*TL2*2...+Z2*Z24*TL2*24...+Z24*Z24*TL24*24
临床显著癌评分＝C显著-C不显著
其中AH为阳性显著癌预测常数，BL为阴性显著癌预测常数，Z1至Z24为基因1至基因24的相对表达值，TH1至TH24为基因1到基因24的阳性显著癌回归系数，TH1*1至TH24*24为基因1到基因24的阳性显著癌交叉回归系数，TL1到TL24为基因1到基因24的阴性显著癌回归系数，TL1*1至TL24*24为基因1到基因24的阴性显著癌交叉回归系数。阳性和阴性预测常数以及各个基因的阳性和阴性回归系数和交叉回归系数见下表(表11)。当临床显著癌评分>0时，样本被诊断为显著癌，而当临床显著癌评分≤0时，则样本被诊断为不显著癌。
表11
然后将使用基因组对所有样本的诊断与样本的病理诊断进行比较，使用线性判别分析算法和逻辑回归算法在XLSTAT软件上做出ROC曲线分析。并计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成的24-基因组能够在前列腺组织样本群里非常准确的区分临床显著癌和临床不显著癌。如表12所示，24-基因组能够以71.1％的灵敏度和98.1％的特异性(P<0.0001)将临床显著癌和临床不显著癌区分开。阳性预测值达到94.1％，阴性预测值达到88.7％。进行了ROC曲线分析以测量24-基因组区分临床显著癌和临床不显著癌的区分能力。结果显示ROC曲线下面积值为0.976(图11)。
表12
实施例12
由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在未做前列腺按摩指检收集的前列腺尿液样品中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。
病人和实验方法
在520个患者的尿液样品群评估由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,
CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在尿液样品中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。根据国家综合癌症网络指南定义了临床显著前列腺癌和临床不显著前列腺癌的病理诊断。临床显著前列腺癌的诊断符合以下任何条件：Gleason评分>7，Gleason评分4+3＝7，癌症分期≥T3，诊断时PSA>20ng/mL，超过一半的活检样本含有肿瘤。其余患者被分类为临床不显著前列腺癌。
数据分析使用了ABIQuantstudio 6、ABI 7500or ABI 7900软件(Thermo FisherScientific,Waltham,MA,USA)。在每个样品中还测量了看家基因β-actin mRNA的水平用于对每个基因的表达水平进行对照以获得相对表达值，以此来消除每个患者样品中cDNA量的不同。25-基因组中每个基因的循环阈值(Ct)除以β-actin的Ct值作为基因的相对mRNA表达值(CtS＝Ct(样品)/Ct(β-actin))。每个基因做三次PCR以取平均Ct值。
将25-基因组内每个基因计算出的相对表达值通过一个临床显著癌算法计算出临床显著癌评分，然后将临床显著癌评分与预先设定的临床显著癌评分临界值进行比较以进行诊断。该临床显著癌算法为：C显著＝-146.501+CtS(CCND1)*(-1.013)+CtS(PCA3)*(-0.098)+CtS(KLK3)*3.335+CtS(GSTP1)*
0.001+CtS(HIF1A)*0.829+CtS(LMTK1)*(-0.207)+CtS(AMACR)*(-0.188)+CtS(BIRC5)*(-0.124)+CtS(CRISP3)*0.009+CtS(ANXA3)*0.851+CtS(CST3)*(-0.200)+CtS(TMPRSS2)*(-0.122)+CtS(CCNA1)*(-0.003)+CtS(VEGFA)*0.221+CtS(FGFR1)*0.047+CtS(PMP22)*0.004+CtS(EZH2)*0.008+CtS(GOLM1)*(-0.105)+CtS(FN1)*0.001+CtS(PSCA)*0.309+CtS(PTEN)*0.002+CtS(HPN)*(-0.060)+CtS(MYO6)*(-0.077)+CtS(PIP5K1A)*0.399+CtS(CDK1)*(-0.104)
C不显著＝-203.835+CtS(CCND1)*0.082+CtS(PCA3)*0.106+CtS(KLK3)*3.376+CtS(GSTP1)*(-0.217)+CtS(HIF1A)*0.104+CtS(LMTK1)*(-0.186)+CtS(AMACR)*(-0.319)+CtS(BIRC5)*(-0.004)+CtS(CRISP3)*0.064+CtS(ANXA3)*(-1.196)+CtS(CST3)*0.013+CtS(TMPRSS2)*(-0.010)+CtS(CCNA1)
*0.102+CtS(VEGFA)*0.011+CtS(FGFR1)*0.068+CtS(PMP22)*0.055+CtS(EZH2)*(-0.125)+CtS(GOLM1)
*0.027+CtS(FN1)*(-0.198)+CtS(PSCA)*(-0.003)+CtS(PTEN)*0.153+CtS(HPN)*0.048+CtS(MYO6)*(-0.211)+CtS(PIP5K1A)*0.576+CtS(CDK1)*0.013
临床显著癌评分＝C显著-C不显著
然后将使用25-基因组对所有样品的诊断与样品的病理诊断进行比较，并使用分析软件XLSTAT做线性判别分析进行ROC曲线分析，并计算诊断表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组能够区分临床显著癌和临床不显著癌。如表13所示，25-基因组能够以84.6％的高灵敏度和94.0％的高特异性(P<0.0001)将临床显著癌和临床不显著癌区分开。阳性预测值达到93.9％，阴性预测值达到84.7％。进行了ROC曲线分析以测量25-基因组区分临床显著癌和临床不显著癌的区分能力。结果显示ROC曲线下面积值为0.889(图12)。
表13
实施例13
由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的24-基因组在未做前列腺按摩指检收集的尿液样品中区分临床显著前列腺癌和临床不显著前列腺癌的诊断表现。
病人和实验方法
使用从尿液研究者中获得的520名前列腺癌患者的尿液样品检测。前列腺癌的诊断和Gleason评分是根据从活检、根治性前列腺切除术获得的前列腺样本进行的病理分析，所有病理分析采用相同的标准和方法，并记录在病理报告中。根据国家综合癌症网络指南定义了临床显著前列腺癌和临床不显著前列腺癌的病理诊断。临床显著前列腺癌的诊断符合以下任何条件：Gleason评分>7，Gleason评分4+3＝7，癌症分期≥T3，诊断时PSA>20ng/mL，超过一半的活检样本含有肿瘤。其余患者被分类为临床不显著前列腺癌。
数据分析使用了ABIQuantstudio 6、ABI 7500or ABI 7900软件(Thermo FisherScientific,Waltham,MA,USA)。在每个样品中还测量了看家基因β-actin mRNA的水平用于对每个基因的表达水平进行对照以获得相对表达值，以此来消除每个患者样品中cDNA量的不同。24-基因组中每个基因的循环阈值(Ct)除以β-actin的Ct值作为基因的相对mRNA表达值(CtS＝Ct(样品)/Ct(β-actin))。每个基因做三次PCR以取平均Ct值。
将24-基因组内每个基因计算出的相对表达值通过一个临床显著癌算法计算出临床显著癌评分，然后将临床显著癌评分与预先设定的临床显著癌评分临界值进行比较以进行诊断。该临床显著癌算法为：
C显著＝-139.221+CtS(CCND1)*(-1.013)+CtS(PCA3)*(-0.096)+CtS(KLK3)*3.347+CtS(GSTP1)*0.001+CtS(HIF1A)*0.825+CtS(LMTK1)*(-0.209)+CtS(AMACR)*(-0.190)+CtS(BIRC5)*(-0.124)+CtS(CRISP3)*0.009+CtS(ANXA3)*0.850+CtS(CST3)*(-0.211)+CtS(TMPRSS2)*(-0.122)+CtS(VEGFA)*0.226+CtS(FGFR1)*0.039+CtS(PMP22)*0.004+CtS(EZH2)*0.008+CtS(GOLM1)*(-0.108)+CtS(FN1)*0.002+CtS(PSCA)*0.307+CtS(PTEN)*0.002+CtS(HPN)*(-0.062)+CtS(MYO6)*(-0.077)+CtS(PIP5K1A)*0.386
C不显著＝-196.261+CtS(CCND1)*0.085+CtS(PCA3)*0.106+CtS(KLK3)*3.386+CtS(GSTP1)*(-0.221)+CtS(HIF1A)*0.102+CtS(LMTK1)*(-0.189)+CtS(AMACR)*(-0.332)+CtS(BIRC5)*(-0.004)+CtS(CRISP3)*0.063+CtS(ANXA3)*(-1.198)+CtS(CST3)*0.013+CtS(TMPRSS2)*(-0.010)+CtS(VEGFA)*0.010+CtS(FGFR1)*0.072+CtS(PMP22)*0.053+CtS(EZH2)*(-0.126)+CtS(GOLM1)*0.025+CtS(FN1)*(-0.186)+CtS(PSCA)*(-0.003)+CtS(PTEN)*0.154+CtS(HPN)*0.049+CtS(MYO6)*(-0.214)+CtS(PIP5K1A)*0.582
临床显著癌评分＝C显著-C不显著
然后将使用24-基因组对所有样本的诊断与样本的病理诊断进行比较，并使用分析软件XLSTAT做线性判别分析进行ROC曲线分析，并计算诊断表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的24-基因组能够区分临床显著癌和临床不显著癌。如表14所示，24-基因组能够以86.0％的灵敏度和95.2％的高特异性(P<0.0001)将临床显著癌和临床不显著癌区分开。阳性预测值达到95.1％，阴性预测值达到86.1％。进行了ROC曲线分析以测量24-基因组区分临床显著癌和临床不显著癌的区分能力。结果显示ROC曲线下面积值为0.929(图13)，是癌症区分和分类的很高的ROC曲线下面积值。
表14
实施例14
由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA和KLK3组成的18-基因组在前列腺组织样本中预测前列腺癌的转移。
病人和实验方法
从cBioPortal(www.cbioportal.com)数据库获得了MSKCC前列腺癌基因组计划数据库的前列腺组织样本群并将其用于本研究。该数据群包含了218个前列腺癌组织标本(181个原发癌和37个转移癌)的基因表达数据。这些标本取自218例接受根治性前列腺切除术治疗的患者，样本肿瘤含量至少有70％。包括mRNA在内的转录测量在无扩增情况下进行。从数据库中获得了18-基因组中每个基因的定量mRNA表达Z分数以及临床病理信息，包括癌症转移和Gleason评分。前列腺癌患者在随访期间通过CT、核磁共振或X射线成像以及骨扫描进行定期检测，以评估是否有癌症转移。数据中没有18个基因的Z分数或无转移信息的患者被排除在样本群外，最后有150例患者包括19个转移的患者。
将基因组每个基因的Z分数通过一个算法计算出转移癌评分，然后将转移癌评分与预定的转移癌评分临界值比较，以预测患者将来癌症是否会转移。该转移癌算法为：
C转移＝AP+CtS1*X1+CtS2*X2...+CtS18*X18+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtS18*X1*18+CtS2*CtS2*X2*2...+CtS2*CtS18*X2*18...+CtS18*CtS18*X18*18
C非转移＝BNon+CtS1*Y1+CtS2*Y2...+CtS18*Y18+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtS18*Y1*18+CtS2*CtS2*Y2*2...+CtS2*CtS18*Y2*18...+CtS18*CtS18*Y18*18
转移癌预测评分＝C转移-C非转移
其中AP为阳性转移癌预测常数，BNon为阴性转移癌预测常数，CtS1至CtS18为基因1至基因18的相对Ct值，X1至X18为基因1到基因18的阳性转移癌预测回归系数，X1*1至X18*18为基因1到基因18的阳性转移癌预测交叉回归系数，Y1到Y18为基因1到基因18的阴性转移癌预测回归系数，Y1*1至Y18*18为基因1到基因18的阴性转移癌预测交叉回归系数。阳性和阴性预测常数以及各个基因的阳性和阴性回归系数和交叉回归系数见下表(表15)。当转移癌预测评分>0时，样本被诊断为转移癌，而当转移癌预测评分≤0时，则样本被诊断为非转移癌。
表15
然后使用基因组对所有标本的转移预测与随访期间患者癌症转移的诊断进行比较，并使用软件XLSTAT进行线性判别分析做出ROC曲线分析。并计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值.P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA和KLK3组成的18-基因组能够在前列腺组织样本里非常准确的区分转移癌和非转移癌。如表16所示，18-基因组能够以100％的灵敏度和100％的特异性(P<0.0001)将转移癌和非转移癌区分开。阳性预测值达到100％，阴性预测值达到100％。进行了ROC曲线分析以测量18-基因组区分转移癌和非转移癌的区分能力。结果显示ROC曲线下面积值为1(图14)。
表16
实施例15
由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA和KLK3组成的18-基因组在尿液研究中获得的未做前列腺按摩指检收集的尿液样品中预测前列腺癌的转移。
病人和实验方法
使用有520个患者的回顾性尿液样品群检测18-基因组试剂盒。前列腺癌患者在随访期间还通过CT、核磁共振或X射线成像以及骨扫描进行定期检测，以评估是否有癌症转移。患者招募自2004年7月至2014年11月，并直到2015年6月之前都有随访。
基因表达数据下载后首先使用ABIQuantstudio 6，ABI 7500或ABI 7900软件(Thermo Fisher Scientific,美国马萨诸塞州沃尔瑟姆)进行分析。在每个样品中还测量了看家基因β-actin mRNA的水平用于对每个基因的表达水平进行对照以获得相对表达值，以此来消除每个患者样品中cDNA量的不同。18-基因组中每个基因的循环阈值(Ct)除以β-actin的Ct值作为基因的相对mRNA表达值(CtS＝Ct(样品)/Ct(β-actin))。每个基因都做了三次PCR以取平均Ct值。
将18-基因组内每个基因计算出的相对表达值通过一个转移癌评分算法计算出转移癌评分，然后将转移癌评分与预先设定的转移癌评分临界值进行比较以诊断为转移癌或非转移癌。该转移癌算法为：C转移＝-312.603+CtS(PCA3)*(-0.109)+CtS(KLK3)*0.094+CtS(GSTP1)*0.045+CtS(HIF1A)*0.405+CtS(LMTK1)*(-0.012)+CtS(BIRC5)*(-1.010)+CtS(CRISP3)*(-0.106)+CtS(ANXA3)*0.604+CtS(TMPRSS2)*(-0.069)+CtS(VEGFA)*0.008+CtS(FGFR1)*0.007+CtS(PMP22)*0.046+CtS(EZH2)*(-0.107)+CtS(FN1)*0.095+CtS(PSCA)*(-0.011)+CtS(PTEN)*0.224+CtS(HPN)*(-0.005)+CtS(CDK1)*(-0.006)
C非转移＝-235.062+CtS(PCA3)*(-0.101)+CtS(KLK3)*0.002+CtS(GSTP1)*0.081+CtS(HIF1A)*0.015+CtS(LMTK1)*(-0.202)+CtS(BIRC5)*0.514+CtS(CRISP3)*0.081+CtS(ANXA3)*0.012+CtS(TMPRSS2)
*0.062+CtS(VEGFA)*0.203+CtS(FGFR1)*(-0.302)+CtS(PMP22)*0.063+CtS(EZH2)*0.092+CtS(FN1)*(-0.064)+CtS(PSCA)*(-0.009)+CtS(PTEN)*(-0.015)+CtS(HPN)*0.305+CtS(CDK1)*(-0.007)
预测转移癌评分＝C转移-C非转移
将使用18-基因组对所有样本的诊断与随访期患者癌症转移的诊断进行比较，并使用软件XLSTAT做线性判别分析进行ROC曲线分析，并计算诊断表现指标，包括灵敏度度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的的。
结果
结果显示由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA和KLK3组成的18-基因组能够在尿液样品里非常准确的区分转移癌和非转移癌。如表17所示，18-基因组能够以100％的极高灵敏度和96.9％的极高特异性(P<0.0001)将转移癌和非转移癌区分开。阳性预测值达到33.3％，阴性预测值达到100％。进行了ROC曲线分析以测量18-基因组区分转移癌和非转移癌的区分能力。结果显示ROC曲线下面积值为0.989(图15)，是预测转移癌的极高的ROC曲线下面积值。
表17
实施例16
由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA和KLK3组成的18-基因组，Gleason评分，以及18-基因组与Gleason评分的组合在从尿液研究中获得的未做前列腺按摩指检收集的尿液样品中预测前列腺癌的转移。
病人和实验方法
使用有520个患者的尿液样品群检测18-基因组，Gleason评分，以及18-基因组与Gleason评分的组合。前列腺癌患者在随访期间还通过CT、核磁共振或X射线成像以及骨扫描进行定期检测，以评估是否有癌症转移。患者招募自2004年7月至2014年11月，并直到2015年6月之前都有随访。
对于18-基因组，将基因组内每个基因计算出的相对表达值通过一个转移癌评分算法计算出转移癌评分，然后将转移癌评分与预先设定的转移癌评分临界值进行比较以诊断为转移癌或非转移癌。该转移癌算法为：
C转移＝-312.603+CtS(PCA3)*(-0.109)+CtS(KLK3)*0.094+CtS(GSTP1)*0.045+CtS(HIF1A)*0.405+CtS(LMTK1)*(-0.012)+CtS(BIRC5)*(-1.010)+CtS(CRISP3)*(-0.106)+CtS(ANXA3)*0.604+CtS(TMPRSS2)*(-0.069)+CtS(VEGFA)*0.008+CtS(FGFR1)*0.007+CtS(PMP22)*0.046+CtS(EZH2)*(-0.107)+CtS(FN1)*0.095+CtS(PSCA)*(-0.011)+CtS(PTEN)*0.224+CtS(HPN)*(-0.005)+CtS(CDK1)*(-0.006)
C非转移＝-235.062+CtS(PCA3)*(-0.101)+CtS(KLK3)*0.002+CtS(GSTP1)*0.081+CtS(HIF1A)*0.015+CtS(LMTK1)*(-0.202)+CtS(BIRC5)*0.514+CtS(CRISP3)*0.081+CtS(ANXA3)*0.012+CtS(TMPRSS2)
*0.062+CtS(VEGFA)*0.203+CtS(FGFR1)*(-0.302)+CtS(PMP22)*0.063+CtS(EZH2)*0.092+CtS(FN1)*(-0.064)+CtS(PSCA)*(-0.009)+CtS(PTEN)*(-0.015)+CtS(HPN)*0.305+CtS(CDK1)*(-0.007)
预测转移癌评分＝C转移-C非转移
然后将使用18-基因组对所有样本的诊断与样本的随访癌症转移诊断进行比较，并使用软件XLSTAT进行线性判别分析做ROC曲线分析，并计算诊断表现指标，包括灵敏度度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。同样，将所有样品的Gleason评分或Gleason评分和18-基因组的组合的诊断与随访癌症转移诊断进行比较，并使用线性判别分析做ROC曲线分析，并计算诊断表现指标，包括灵敏度度、特异性、阳性预测值和阴性预测值。
结果
结果显示由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA和KLK3组成的18-基因组能够在尿液样品里非常准确的区分转移癌和非转移癌。如表18所示，18-基因组能够以100％的极高灵敏度和96.9％的极高特异性(P<0.0001)将转移癌和非转移癌区分开。阳性预测值达到33.3％，阴性预测值达到100％。进行了ROC曲线分析以测量18-基因组区分转移癌和非转移的区分能力。结果显示ROC曲线下面积值为0.989(图16A)。Gleason评分的诊断表现显示灵敏度为100％，特异性为9.2％(P＝0.773)，阳性预测值为1.5％，阴性预测值为100％，并且ROC曲线下面积值为0.558(图16B)。当它们组合在一起，诊断表现显示极高的灵敏度100％，特异性97.3％(P<0.0001)，阳性预测值33.3％，阴性预测值100％，并且ROC曲线下面积值为极高的0.991(图16C)。
表18
灵敏度 特异性 阳性预测值 阴性预测值
Gleason评分 100％ 9.2％ 1.5％ 100％
18-基因组 100％ 96.9％ 33.3％ 100％
组合 100％ 97.3％ 33.3％ 100％
实施例17
由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在从尿液研究中获得的未做前列腺按摩指检收集的尿液样品中预测前列腺癌的转移。
病人和实验方法
使用有520个患者的尿液样品群检测23-基因组。转移前列腺癌的诊断是基于CT、核磁共振或X射线和骨扫描显像。将23-基因组内每个基因计算出的相对表达值通过一个转移癌评分算法计算出转移癌评分，然后将转移癌评分与预先设定的转移癌评分临界值进行比较以诊断为转移癌或非转移癌。该转移癌算法为：
C转移＝-365.731+CtS(PCA3)*(-0.107)+CtS(KLK3)*0.124+CtS(GSTP1)*0.067+CtS(HIF1A)*0.386+CtS(CCND1)*(-0.021)+CtS(BIRC5)*(-1.023)+CtS(CRISP3)*(-0.121)+CtS(ANXA3)*0.521+CtS(TMPRSS2)*(-0.062)+CtS(VEGFA)*0.012+CtS(FGFR1)*0.006+CtS(PMP22)*0.076+CtS(EZH2)*(-0.132)+CtS(FN1)*0.087+CtS(PSCA)*(-0.008)+CtS(PTEN)*0.232+CtS(AMACR)*(-0.009)+CtS(CDK1)*(-0.008)+CtS(MYO6)*(-0.048)+CtS(PIP5K1A)*(-0.105)+CtS(CST3)*0.311+CtS(GOLM1)*0.101+CtS(CCNA1)*(-0.039)
C非转移＝-198.735+CtS(PCA3)*(-0.139)+CtS(KLK3)*0.043+CtS(GSTP1)*0.091+CtS(HIF1A)*0.013+CtS(CCND1)*(-0.016)+CtS(BIRC5)*0.529+CtS(CRISP3)*0.076+CtS(ANXA3)*0.010+CtS(TMPRSS2)*0.058+CtS(VEGFA)*0.193+CtS(FGFR1)*(-0.001)+CtS(PMP22)*0.066+CtS(EZH2)*0.086+CtS(FN1)*(-0.068)+CtS(PSCA)*(-0.006)+CtS(PTEN)*(-0.015)+CtS(AMACR)*0.425+CtS(CDK1)*(-0.063)+CtS(MYO6)*(-0.077)+CtS(PIP5K1A)*0.029+CtS(CST3)*0.035+CtS(GOLM1)*0.091+CtS(CCNA1)*(-0.181)
预测转移癌评分＝C转移-C非转移
将使用23-基因组对所有样品的诊断与随访转移癌诊断进行比较，并使用软件XLSTAT进行线性判别分析做ROC曲线，并计算诊断表现指标，包括灵敏度度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的的。
结果
结果显示由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组能够在尿液样品里非常准确的区分转移癌和非转移癌。如表19所示，23-基因组能够以87.5％的高灵敏度和97.3％的极高特异性(P<0.0001)将转移癌和非转移癌区分开。阳性预测值达到33.3％，阴性预测值达到99.8％。进行了ROC曲线分析以测量23-基因组区分转移癌和非转移癌的区分能力。结果显示ROC曲线下面积值为0.918(图17)，是预测转移癌的极高的ROC曲线下面积值。
表19
实施例18
由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在前列腺组织样本中预测前列腺癌的术后化学复发。
病人和实验方法
从cBioPortal(www.cbioportal.com)数据库获得了MSKCC前列腺癌基因组计划数据库的前列腺组织样本群并将其用于本研究。该数据集包含了218个前列腺癌组织标本(181个原发癌和37个转移癌)的基因表达数据。这些标本取自218例接受根治性前列腺切除术治疗的患者，样本肿瘤含量至少有70％。包括mRNA在内的转录测量在无扩增情况下进行。从数据集中获得了23-基因组中各个基因的定量mRNA表达Z分数以及临床病理信息，包括前列腺切除术后的生化复发(BCR)(根据NCCN指南，生化复发定义为连续两次PSA升高超过0.2ng/mL)和Gleason评分)。数据中没有18个基因的Z分数或无生化复发信息的患者被排除在样本群外，最后有140例患者包括36个生化复发的患者。
将基因组每个基因的Z分数通过一个治疗后复发癌算法计算出治疗后复发癌评分，然后将治疗后复发癌评分与预定的治疗后复发癌评分临界值比较，以预测患者将来癌症是否会复发。该复发癌算法为：
C复发＝AR+CtS1*X1+CtS2*X2...+CtS23*X23+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtS23*X1*23+CtS2*CtS2*X2*2...+CtS2*CtS23*X2*23...+CtS23*CtS23*X23*23
C非复发＝BNon+CtS1*Y1+CtS2*Y2...+CtS23*Y23+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtS23*Y1*23+CtS2*CtS2*Y2*2...+CtS2*CtS23*Y2*23...+CtS23*CtS23*Y23*23
复发癌预测评分＝C复发-C非复发
其中AR为阳性复发癌预测常数，BNon为阴性复发癌预测常数，CtS1至CtS23为基因1至基因23的相对Ct值，X1至X23为基因1到基因23的阳性复发癌预测回归系数，X1*1至X23*23为基因1到基因23的阳性复发癌预测交叉回归系数，Y1到Y23为基因1到基因23的阴性复发癌预测回归系数，Y1*1至Y23*23为基因1到基因23的阴性复发癌预测交叉回归系数。阳性和阴性预测常数以及各个基因的阳性和阴性回归系数和交叉回归系数见下表(表20)。当复发癌预测评分>0时，样本被诊断为复发癌，而当复发癌预测评分≤0时，则样本被诊断为非复发癌。
表20
然后将使用基因组对所有样本的治疗后复发预测与在长期回访中获得的患者治疗后复发的信息进行比较，并使用软件XLSTAT进行逻辑回归做出ROC曲线分析。并计算出诊断表现的指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是通过使用统计分析软件进行统计学比较测试Mann-Whitney获得的。
结果
结果显示由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组能够在组织样本里非常准确的区分治疗后复发癌和治疗后未复发癌。如表21所示，23-基因组能够以86.1％的高灵敏度和100％的极高特异性(P<0.0001)将治疗后复发癌和治疗后未复发癌区分开。阳性预测值达到100％，阴性预测值达到95.4％。进行了ROC曲线分析以测量23-基因组区分治疗后复发癌和治疗后未复发癌的能力。结果显示ROC曲线下面积值为0.903(图18)。
表21
实施例19
由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组，癌症分期和Gleason评分在从尿液研究中获得的未做前列腺按摩指检收集的尿液样品中使用Kaplan-Meier生存图评估无癌症复发的生存率。
病人和实验方法
使用有414个患者的尿液样品群使用Kaplan-Meier生存图评估23-基因组试剂盒，癌症分期和Gleason评分的无癌症复发生存率。在回顾性样本群中，所有接受过前列腺癌根治术或其他治疗的前列腺癌患者都会定期评估生化复发(根据NCCN指南，两次PSA连续两次升高至0.2ng/mL以上为生化复发)。前列腺癌患者在随访期间进行定期检测，以评估是否有生化复发。患者招募自2004年7月至2014年11月，并直到2015年6月之前都有随访。
为了预测尿液样品中的生化复发，将23-基因组每个基因计算出的相对表达值通过一个算法计算出治疗后复发癌评分来区分两类样品(复发癌和非复发癌)。计算出复发癌评分，然后将复发癌评分与预定的复发癌评分临界值进行比较以做出预测。使用SPSS(IBM，纽约州阿蒙克)获得了23-基因组、癌症分期和Gleason评分的无复发生存的Kaplan-Meier生存图。
结果
试验发现由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组可以将患者分为两组，包括没有生化复发的23-基因组阴性患者(23-基因组阴性)和有生化复发的23-基因组阳性患者(23-基因组阳性)。进行了两组患者的Kaplan-Meier生存分析，结果显示，与23-基因组阴性患者相比(在120个月时有100％的无复发生存)，23-基因组阳性(48个月时只有60％的无复发生存)有短得多的生存时间(图19a)。两组之间无复发生存时间的巨大差异(对数等级P＝0.000)说明23-基因组可以有效地区分有复发生存的患者和无复发生存的患者。
此外，也对当前使用的化学复发预后指标，包括癌症分期和Gleason评分，进行了Kaplan-Meier分析。Gleason评分<7的患者和Gleason评分≥7的患者之间无复发生存的差异很小(对数等级P＝0.137)(图19b)。具有I/II期癌症和III/IV期癌症的患者之间的无复发生存的差异具有统计学意义(对数等级P＝0.013)，但远小于23-基因组(图19c)。这表明23-基因组在预测无复发生存方面比癌症分期和Gleason评分更准确。
实施例20
由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在从回顾性尿液研究中获得的未做前列腺按摩指检收集的尿液样品中使用考克斯回归(Cox regression)分析预测前列腺癌术后化学复发的诊断表现。
病人和实验方法
使用有414个患者的回顾性尿液样品群进行考克斯回归分析以检验23-基因组试剂盒预测前列腺癌术后化学复发的诊断表现。
使用SPSS软件(IBM，纽约州阿蒙克)进行了针对23-基因组，癌症分期和Gleason评分的无生化复发生存率的单变量和多变量考克斯回归分析。
结果
结果在单变量分析中显示，23-基因组的危险几率(Hazard Ratio，HR)为1730.90(95％置信区间4.52-6.63E+5)(表22)，这表明阳性的23-基因组患者与阴性的23-基因组患者相比，阳性患者出现癌症复发的可能性高出阴性患者1731倍。因为HR为1是在单变量HR的上下边界之外(95％置信区间4.52-6.63E+5)，所以证明23-基因组在预测癌症复发方面具有统计学意义(P＝0.014)。
在多变量分析中，23-基因组的HR为1795.01(95％置信区间4.30-7.49E+5)(表22)(P＝0.015),与单变量分析结果相似。这表明23-基因组对癌症复发具有很高的预测能力。
相比之下，癌症分期和Gleason评分具有很低的HR(对于癌症分期，单变量HR为2.12(95％置信区间1.15-3.89)和多变量HR为2.01(95％置信区间1.02-3.98)，Gleason评分的单变量HR为1.30(95％置信区间0.89-1.90)和多变量HR为1.12(95％置信区间0.76-1.65)，表明它们对癌症复发的预测能力远低于23-基因组(表22)。
表22
实施例21
由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组在从尿液研究中获得的未做前列腺按摩指检收集的腺尿液样品中使用线性判别分析预测前列腺癌术后化学复发的诊断表现。
病人和实验方法
使用有520个患者的尿液样品群进行线性判别分析以检验23-基因组试剂盒预测前列腺癌术后化学复发的诊断表现。将23-基因组内每个基因计算出的相对表达值通过一个治疗后复发癌评分算法计算出治疗后复发癌评分。然后将治疗后复发癌评分与预先设定的治疗后复发癌评分临界值进行比较以诊断为治疗后复发癌或治疗后未复发癌。该复发癌算法为：
C复发＝-272.425+CtS(PCA3)*(-0.017)+CtS(KLK3)*0.301+CtS(GSTP1)*(-0.091)+CtS(HIF1A)*(-0.104)+CtS(CCND1)*(-0.005)+CtS(BIRC5)*(-0.028)+CtS(CRISP3)*0.235+CtS(ANXA3)*0.708+CtS(TMPRSS2)*0.129+CtS(VEGFA)*(-0.008)+CtS(FGFR1)*0.208+CtS(PMP22)*0.009+CtS(EZH2)*(-0.062)+CtS(FN1)*(-0.087+CtS(PSCA)*(-0.259)+CtS(PTEN)*0.072+CtS(AMACR)*(-0.427)+CtS(CDK1)*0.478+CtS(MYO6)*(-0.108)+CtS(PIP5K1A)*0.340+CtS(CST3)*(-0.021)+CtS(GOLM1)*0.270+CtS(CCNA1)*0.008
C非复发＝-121.013+CtS(PCA3)*0.098+CtS(KLK3)*0.123+CtS(GSTP1)*(-0.302)+CtS(HIF1A)*0.243+CtS(CCND1)*0.006+CtS(BIRC5)*(-0.240)+CtS(CRISP3)*0.006+CtS(ANXA3)*0.014+CtS(TMPRSS2)*0.109+CtS(VEGFA)*(-0.263)+CtS(FGFR1)*0.131+CtS(PMP22)*0.289+CtS(EZH2)*0.015+CtS(FN1)*(-0.150)+CtS(PSCA)*0.009+CtS(PTEN)*(-0.047)+CtS(AMACR)*0.122+CtS(CDK1)*0.113+CtS(MYO6)*(-0.021)+CtS(PIP5K1A)*(-0.016)+CtS(CST3)*0.092+CtS(GOLM1)*0.005+CtS(CCNA1)*(-0.072)
预测复发癌评分＝C复发-C非复发
然后将使用23-基因组对所有样品的治疗后复发预测与样品的随访中治疗后复发的信息进行比较，并使用软件XLSTAT进行线性判别分析做ROC曲线分析，并计算预测表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLPH2,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成的23-基因组能够在尿液样品里非常准确的预测癌症的术后复发。如表23所示，23-基因组能够以100％的极高灵敏度和86.3％的高特异性(P<0.0001)将癌症的术后复发和术后不复发区分开。阳性预测值达到45.2％，阴性预测值达到100％。进行了ROC曲线分析以测量23-基因组区分术后复发癌和术后不复发癌的能力，结果显示ROC曲线下面积值为0.929(图20)。
表23
实施例22
由HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,TMPRSS2,ANXA3,CCNA1,CCND1和KLK3组成的24-基因组试剂盒在从尿液研究中获得的未做前列腺按摩指检收集的腺尿液样品中使用线性判别分析预测前列腺癌术后化学复发的诊断表现。
病人和实验方法
使用有520个患者的尿液样品群进行线性判别分析以检验24-基因组试剂盒预测前列腺癌术后化学复发的诊断表现。将24-基因组内每个基因计算出的相对表达值通过一个治疗后复发癌评分算法计算出治疗后复发癌评分。然后将治疗后复发癌评分与预先设定的治疗后复发癌评分临界值进行比较以诊断为治疗后复发癌或治疗后未复发癌。该复发癌算法为：
C复发＝-293.145+CtS(PCA3)*(-0.023)+CtS(KLK3)*0.348+CtS(GSTP1)*(-0.095)+CtS(HIF1A)*(-0.870)+CtS(CCND1)*(-0.006)+CtS(BIRC5)*(-0.028)+CtS(CRISP3)*0.269+CtS(ANXA3)*0.738+CtS(TMPRSS2)*0.892+CtS(VEGFA)*(-0.010)+CtS(FGFR1)*0.232+CtS(PMP22)*0.009+CtS(EZH2)*(-0.066)+CtS(FN1)*(-0.076+CtS(PSCA)*(-0.264)+CtS(PTEN)
*0.075+CtS(AMACR)*(-0.489)+CtS(LMTK1)*0.453+CtS(MYO6)*(-0.121)+CtS(PIP5K1A)*0.389+CtS(CST3)*(-0.021)+CtS(GOLM1)*0.263+CtS(CCNA1)*0.009+CtS(HPN)*0.046
C非复发＝-147.021+CtS(PCA3)*0.094+CtS(KLK3)*0.122+CtS(GSTP1)*(-0.357)+CtS(HIF1A)*0.190+CtS(CCND1)
*0.005+CtS(BIRC5)*(-0.284)+CtS(CRISP3)*0.006+CtS(ANXA3)*0.013+CtS(TMPRSS2)*0.99+CtS(VEGFA)*(-0.276)+CtS(FGFR1)*0.143+CtS(PMP22)*0.301+CtS(EZH2)*0.015+CtS(FN1)*(-0.166)+CtS(PSCA)*0.008+CtS(PTEN)*(-0.042)+CtS(AMACR)*0.136+CtS(LMK1)*0.125+CtS(MYO6)*(-0.021)+CtS(PIP5K1A)*(-0.015)+CtS(CST3)*0.099+CtS(GOLM1)*0.005+CtS(CCNA1)*(-0.079)+CtS(HPN)*(-0.028)
预测复发癌评分＝C复发-C非复发
然后将使用24-基因组对所有样品的治疗后复发预测与样品的随访中治疗后复发的信息进行比较，并使用软件XLSTAT进行线性判别分析做ROC曲线分析，并计算预测表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,
LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,TMPRSS2,ANXA3,CCNA1,CCND1和KLK3组成的24-基因组能够在尿液样品里非常准确的预测癌症的术后复发。如表24所示，24-基因组能够以100％的极高灵敏度和87.1％的高特异性(P<0.0001)将癌症的术后复发和术后不复发区分开。阳性预测值达到57.0％，阴性预测值达到100％。进行了ROC曲线分析以测量24-基因组区分术后复发癌和术后不复发癌的能力，结果显示ROC曲线下面积值为0.973(图21)。
表24
实施例23
由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组在前列腺组织样本中预测病人生存期的预后预测表现。
病人和实验方法
从www.cbioportal.com的MSKCC数据库下载基因组中基因的mRNA表达Z分数作为前列腺组织样本群(n＝140)。将23-基因组内每个基因的相对表达值Z分数通过一个生存期预测算法计算出5年生存期评分，然后将5年生存期评分与预先设定的5年生存期评分临界值进行比较以预测为高于5年生存期或低于5年生存期。该生存期预测算法为：
C五年生存期＝AS+CtS1*X1+CtS2*X2...+CtS25*X25+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtS25*X1*25+CtS2*CtS2*X2*2...+CtS2*CtS25*X2*25...+CtS25*CtS25*X25*25
C非五年生存期＝BNS+CtS1*Y1+CtS2*Y2...+CtS25*Y25+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtS25*Y1*25+CtS2*CtS2*Y2*2...+CtS2*CtS25*Y2*25...+CtS25*CtS25*Y25*25
五年生存期评分＝C五年生存期-C非五年生存期
其中AS为阳性五年生存期预测常数，BNS为阴性五年生存期预测常数，25为基因组中基因的数目，CtS1至CtS25为基因1至基因25的相对Ct值，X1至X25为基因1到基因25的阳性五年生存期预测回归系数，X1*1至X25*25为基因1到基因25的阳性五年生存期预测交叉回归系数，Y1到Y25为基因1到基因25的阴性五年生存期预测回归系数，Y1*1至Y25*25为基因1到基因25的阴性五年生存期预测交叉回归系数。阳性和阴性五年预测常数以及各个基因的阳性和阴性五年回归系数和交叉回归系数见下表(表25)。当五年生存期评分≤0时，预测病人生存期低于五年，当五年生存期评分>0时，预测病人生存期高于五年。
表25
将使用25-基因组对所有病人的生存期预测与病人的随访中获得的生存期信息进行比较，并使用软件XLSTAT进行线性判别分析做ROC曲线分析，并计算预测表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成的25-基因组能够在前列腺组织样本里非常准确的预测病人的生存期。如表26所示，25-基因组能够以96.3％的极高灵敏度和91.5％的高特异性(P<0.0001)将生存期高于5年的病人和生存期低于5年的病人区分开。阳性预测值达到94.0％，阴性预测值达到94.7％。进行了ROC曲线分析以测量25-基因组区分生存期高于5年的病人和生存期低于5年的病人的能力。结果显示ROC曲线下面积值为0.991(图22)。
表26
实施例24
由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成的18-基因组在前列腺组织样本中预测病人生存期的预后预测表现。
病人和实验方法
从www.cbioportal.com的MSKCC数据库下载基因组中基因的mRNA表达Z分数作为前列腺组织样本群(n＝140)。将18-基因组内每个基因的相对表达值Z分数通过一个生存期预测算法计算出5年生存期评分，然后将5年生存期评分与预先设定的5年生存期评分临界值进行比较以预测为高于5年生存期或低于5年生存期。该生存期预测算法为：
C五年生存期＝AS+CtS1*X1+CtS2*X2...+CtS18*X18+CtS1*CtS1*X1*1+CtS1*CtS2*X1*2...+CtS1*CtS18*X1*18+CtS2*CtS2*X2*2...+CtS2*CtS18*X2*18...+CtS18*CtS18*X18*18
C非五年生存期＝BNS+CtS1*Y1+CtS2*Y2...+CtS18*Y18+CtS1*CtS1*Y1*1+CtS1*CtS2*Y1*2...+CtS1*CtS18*Y1*18+CtS2*CtS2*Y2*2...+CtS2*CtS18*Y2*18...+CtS18*CtS18*Y18*18
五年生存期评分＝C五年生存期-C非五年生存期
其中AS为阳性五年生存期预测常数，BNS为阴性五年生存期预测常数，18为基因组中基因的数目，CtS1至CtS18为基因1至基因18的相对Ct值，X1至X18为基因1到基因18的阳性五年生存期预测回归系数，X1*1至X18*18为基因1到基因18的阳性五年生存期预测交叉回归系数，Y1到Y18为基因1到基因18的阴性五年生存期预测回归系数，Y1*1至Y8*18为基因1到基因18的阴性五年生存期预测交叉回归系数。阳性和阴性五年预测常数以及各个基因的阳性和阴性五年回归系数和交叉回归系数见下表(表27)。当五年生存期评分≤0时，预测病人生存期低于五年，当五年生存期评分>0时，预测病人生存期高于五年。
表27
然后将使用18-基因组对所有病人的生存期预测与病人的随访中获得的生存期信息进行比较，并使用软件XLSTAT进行线性判别分析做ROC曲线分析，并计算预测表现指标，包括灵敏度、特异性、阳性预测值和阴性预测值。P值是使用统计分析软件从统计学比较测试Mann-Whitney获得的。
结果
结果显示由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成的18-基因组能够在前列腺组织样本里非常准确的预测病人的生存期。如表28所示，18-基因组能够以98.3％的极高灵敏度和74.6％的特异性(P<0.0001)将生存期高于5年的病人和生存期低于5年的病人区分开。阳性预测值达到83.5％，阴性预测值达到89.5％。进行了ROC曲线分析以测量18-基因组区分生存期高于5年的病人和生存期低于5年的病人的能力。结果显示ROC曲线下面积值为0.932(图23)。
表28

Claims (38)

1.一种前列腺癌标志物基因组合在制备用于对受试者筛查或诊断前列腺癌的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
2.一种前列腺癌标志物基因组合在制备用于决定受试者做癌症活检必要性的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
3.权利要求1和2中所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
4.权利要求1和2中所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
5.一种前列腺癌标志物基因组合在制备用于区分癌症患者是否患有高风险、侵袭性癌或低风险、惰性癌的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
6.一种前列腺癌标志物基因组合在制备用于区分癌症患者是否有临床显著癌或临床不显著癌的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
7.一种前列腺癌标志物基因组合在制备用于区分癌症患者是否需要立刻治疗或可以积极监测而不需治疗的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
8.一种前列腺癌标志物基因组合在制备用于监测癌症恶化和/或积极监测癌症的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
9.权利要求5-8中任一项所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
10.权利要求5-8中任一项所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
11.权利要求5-8中任一项所述应用，其中所述基因组合由CCND1,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCNA1组成。
12.权利要求5-8中任一项所述应用，其中所述基因组合由PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3和CCND1组成。
13.一种前列腺癌标志物基因组合在制备用于诊断或检测癌症是否转移的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
14.一种前列腺癌标志物基因组合在制备用于预测将来癌症是否会转移的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
15.一种前列腺癌标志物基因组合在制备用于衡量转移癌治疗效果的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
16.权利要求13-15中任一项所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
17.权利要求13-15中任一项所述应用，其中所述基因组合由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成。
18.权利要求13-15中任一项所述应用，其中所述基因组合由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成。
19.一种前列腺癌标志物基因组合在制备用于治疗前预测癌症治疗后复发的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
20.权利要求19中所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
21.权利要求19中所述应用，其中所述基因组合由HIF1A,FGFR1,BIRC5,AMACR,CRISP3,FN1,HPN,MYO6,PSCA,PMP22,GOLM1,LMTK2,EZH2,GSTP1,PCA3,VEGFA,CST3,PTEN,PIP5K1A,TMPRSS2,ANXA3,CCNA1,CCND1和KLK3组成。
22.权利要求19中所述应用，其中所述基因组合由PTEN,PIP5K1A,CDK1,TMPRSS2,ANXA3,HIF1A,FGFR1,BIRC5,AMACR,CRISP3,PMP22,GOLM1,EZH2,GSTP1,PCA3,VEGFA,CST3,CCNA1,CCND1,FN1,MYO6,KLK3和PSCA组成。
23.一种前列腺癌标志物基因组合在制备用于检验癌症治疗效果的产品中的应用，其中：所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
24.一种前列腺癌标志物基因组合在制备用于癌症治疗后监测以确定癌症是否已复发的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
25.权利要求23-24中任一项所述应用，其中所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
26.权利要求23-24中任一项所述应用，其中所述基因组由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
27.一种前列腺癌标志物基因组合在制备用于预测癌症病人生存期的产品中的应用，其中：
所述前列腺癌标志物基因组合包含至少三个或更多个选自PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3,PCA3,KLK2,MSMB,FLT1,MMP9,AR,TERT,PGC,SPINK1,STAT3,STAT5和TFF3中的基因。
28.权利要求27中所述应用，其中所述基因组合由PIP5K1A,CCND1,GSTP1,CST3,CCNA1,LMTK2,MYO6,HPN,CDK1,PSCA,PTEN,GOLM1,PMP22,EZH2,FGFR1,FN1,VEGFA,TMPRSS2,ANXA3,CRISP3,BIRC5,AMACR,HIF1A,KLK3和PCA3组成。
29.权利要求27中所述应用，其中所述基因组合由PTEN,CDK1,TMPRSS2,HIF1A,FGFR1,BIRC5,CRISP3,FN1,HPN,PSCA,PMP22,LMTK2,EZH2,GSTP1,PCA3,VEGFA,ANXA3和KLK3组成。
30.权利要求1-29中任一项所述应用，其中所述基因表达水平包括mRNA,DNA甲基化,蛋白质，肽,或它们的组合的表达水平。
31.权利要求1-29中任一项所述应用,其中所述测量是通过测量RNA，DNA甲基化，
蛋白质或肽的水平来进行的。
32.权利要求1-29中任一项所述应用,其中所述测量RNA的方法包括但不限于RNA/DNA杂交分析，RNA Northern印记分析，RNA原位杂交，实时PCR(RT-PCR)分析，定量PCR(qRT-PCR)分析，实时定量PCR(real time qRT-PCR)分析，原位RT-PCR分析，数字PCR，DNA芯片分析，定量PCR阵列分析，基因表达序列分析(SAGE)分析，RNA测序(RNA-Seq)分析，下一代测序(NGS)分析，分支DNA分析，使用FISH(荧光原位杂交)检测RNA和DNA表达水平，使用RNA扩增和检测技术的分析，以及使用RNA捕获和检测技术的分析。
33.权利要求1-29中任一项所述应用,其中所述测量的RNA和/或从mRNA反转录的cDNA是经过扩增的。
34.权利要求1-29中任一项所述应用,其中所述测量DNA甲基化的方法包括但不限于甲基化特异性PCR，亚硫酸氢盐测序(BS-Seq)，HELP分析，可与DNA甲基化相关蛋白(如MeCP2)结合的抗体的检测，甲基化DNA免疫沉淀(MeDIP)与DNA微阵列结合(MeDIP-chip)，甲基化DNA免疫沉淀与DNA测序(MeDIP-seq)，亚硫酸氢盐处理过的DNA的焦磷酸测序，DNA腺嘌呤甲基转移酶活性的分子断裂光测定，甲基敏感的Southern印记，使用甲基CpG结合蛋白(MBP)和甲基结合域(MBD)进行甲基化和未甲基化的DNA分离。
35.权利要求1-29中任一项所述应用,其中所述测量蛋白质或肽的方法包括但不限于放射免疫测定(RIA)，酶联免疫吸附测定(ELISA)，Western印记分析，组织微阵列分析，免疫组织化学分析，免疫荧光染色和质谱。
36.权利要求1-29中任一项所述应用,其中提供了用于进行此类检测的试剂盒。
37.权利要求1-29中任一项所述应用,其中的试剂盒包含用于从样品中分离mRNA，cDNA反转录，cDNA预扩增，和PCR检测的试剂。
38.权利要求1-29中任一项所述应用,其中提供一种进行数据分析和诊断的系统，使用一个计算机程序：
(a)接收测试基因组的基因表达数据；
(b)确定一个表达测试评分：通过(i)与一个或多个看家基因对照而计算出基因组每个基因的相对表达水平值，(ii)将基因组每个基因计算出的相对表达值通过一个算法计算出一个表达测试评分；
(c)将计算出的表达测试评分与预定的筛查、诊断、分型、预后预测和癌症监测管理评分临界值(例如癌症诊断评分临界值)进行比较以做出诊断或预后预测并显示出诊断或预后预测的结果。
CN202311479647.2A 2020-11-09 2021-04-15 前列腺癌症标志物基因组合及应用 Pending CN117265123A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063111508P 2020-11-09 2020-11-09
US63/111,508 2020-11-09
CN202110407328.5A CN113234818B (zh) 2020-11-09 2021-04-15 前列腺癌症标志物基因组合及应用

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202110407328.5A Division CN113234818B (zh) 2020-11-09 2021-04-15 前列腺癌症标志物基因组合及应用

Publications (1)

Publication Number Publication Date
CN117265123A true CN117265123A (zh) 2023-12-22

Family

ID=77128141

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311479647.2A Pending CN117265123A (zh) 2020-11-09 2021-04-15 前列腺癌症标志物基因组合及应用
CN202110407328.5A Active CN113234818B (zh) 2020-11-09 2021-04-15 前列腺癌症标志物基因组合及应用

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110407328.5A Active CN113234818B (zh) 2020-11-09 2021-04-15 前列腺癌症标志物基因组合及应用

Country Status (1)

Country Link
CN (2) CN117265123A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113667757B (zh) * 2021-10-20 2022-02-22 求臻医学科技（北京）有限公司 用于前列腺癌早期筛查的生物标志物组合、试剂盒及应用
CN116083588B (zh) * 2023-03-09 2023-09-12 嘉兴允英医学检验有限公司 作为前列腺癌标志物的dna甲基化位点组合及其应用

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012031008A2 (en) * 2010-08-31 2012-03-08 The General Hospital Corporation Cancer-related biological materials in microvesicles
CN104603292A (zh) * 2012-07-20 2015-05-06 戴格努生命科学公司 用于提供前列腺癌的临床评估的方法、试剂盒和组合物
AU2014305994B2 (en) * 2013-08-06 2019-02-21 Exosome Diagnostics, Inc. Urine biomarker cohorts, gene expression signatures, and methods of use thereof
CN115851926B (zh) * 2022-08-04 2023-10-31 上海仁度生物科技股份有限公司 前列腺癌的实时荧光核酸恒温扩增检测试剂盒及其专用引物和探针

Also Published As

Publication number Publication date
CN113234818B (zh) 2024-03-01
CN113234818A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
EP1934615B1 (en) Methods and materials for identifying the origin of a carcinoma of unknown primary origin
US20170073758A1 (en) Methods and materials for identifying the origin of a carcinoma of unknown primary origin
Cobleigh et al. Tumor gene expression and prognosis in breast cancer patients with 10 or more positive lymph nodes
CN113234818B (zh) 前列腺癌症标志物基因组合及应用
WO2012009382A2 (en) Molecular indicators of bladder cancer prognosis and prediction of treatment response
JP7463357B2 (ja) Ｐｄｅ４ｄ７及びｄｈｘ９発現に基づく術前のリスク層別化
JP2021506308A (ja) 遺伝子発現プロファイルを使用して肺癌を診断するための組成物および方法
Hilari et al. Molecular staging of pathologically negative sentinel lymph nodes from melanoma patients using multimarker, quantitative real-time RT-PCR
Albitar et al. Prostatectomy‐based validation of combined urine and plasma test for predicting high grade prostate cancer
RU2823255C1 (ru) Способ прогнозирования рецидива рака щитовидной железы после радикального хирургического вмешательства
CN118406766B (zh) 预测ii期和iii期结直肠癌预后临床结果的生物标志物、引物组及检测试剂盒
WO2022099221A1 (en) Compositions and methods for cancer diagnosis, prognosis and management
JP2024507775A (ja) 乳がんの診断のためのバイオマーカー
Cesnik et al. DISCOVERY AND VALIDATION OF NOVEL LONG NONCODING RNAS THAT DIFFERENTIATE AGGRESSIVE AND INDOLENT PROSTATE CANCER: PD60-09
CN117568471A (zh) 蛋白基因甲基化作为辅助诊断癌症的分子标志物
CN117120631A (zh) 滤泡性甲状腺癌特异性标志物
CN117568473A (zh) 一种可用于辅助诊断癌症的甲基化分子标志物
Nam et al. 530: Termining Risk for Prostate Cancer at Prostate Biopsy using Genetic Markers
CN115612732A (zh) 用于辅助诊断癌症的标志物及其试剂盒
CN113122630A (zh) 一种用于辅助诊断癌症的钙结合蛋白甲基化标志物
Scales et al. 528: Prostate Specific Antigen Testing in Men Over 75
Spencer et al. 527: A Population-Based Survey of PSA Testing Among California Men at Higher Risk for Prostate Cancer
Mulders et al. 529: PCA3 Gene Based Analysis of Urinary Sediments has Prognostic Value
AbuGhosh et al. BS, Dirk Lange, PhD, Ben Chew, MD, William Bowie, MD, Diane Roscoe, MD, Lindsay
Rathod et al. Scientific Proceedings

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