CN117737251A

CN117737251A - 一种aml诊断和预后的组合分子标志物

Info

Publication number: CN117737251A
Application number: CN202410193204.5A
Authority: CN
Inventors: 任思楣; 郭婕
Original assignee: Beijing Hospital
Current assignee: Beijing Hospital
Priority date: 2024-02-21
Filing date: 2024-02-21
Publication date: 2024-03-22
Anticipated expiration: 2044-02-21
Also published as: CN117737251B

Abstract

一种AML诊断和预后的组合分子标志物，所述组合分子标志物包括RTN4R、PDIA6、CYP2E1、CALCRL和AREG。采用所述组合分子标志物构建检测模型对患者进行评分，从而实现对AML患者的精准预后分层。还开发AML患者预后的量化工具，可为ELN分层提供额外的预测AML患者的化疗耐药/敏感性的能力。

Description

一种AML诊断和预后的组合分子标志物

技术领域

本发明属于肿瘤分子生物学技术领域，具体涉及一种急性髓细胞白血病患者（AML）诊断和预后的组合分子标志物。

背景技术

急性髓系白血病（AML）是一种进展迅速的恶性血液肿瘤，五年生存率约30%。该病异质性强、患者个体差异大，临床为了获得更好的治疗效果，在患者用药前会通过“危险度分层”给不同预后的患者分类，根据患者的危险度制定治疗方案，以获得更好的治疗效果。患者的危险度分层越早、越精准，临床上的治疗就越主动，治疗效果越好。

现在国际上主要推荐的是欧洲白血病网络（European LeukemiaNet，ELN）预后分层系统及世界卫生组织（WHO）AML分层系统。ELN分层与WHO类似，将AML患者分为三组：低危组，中危组，高危组。但是ELN更注重细胞遗传学和分子学异常，并进一步细化了中等危险组，纳入细胞遗传学正常 AML（CN-AML），FLT3-ITD突变等患者。但是ELN和WHO分层在使用过程中存在如下几个缺陷：

1）首先是不能适用于所有患者人群：尤其是中危组患者：40%-45%的细胞遗传学正常 AML（CN-AML）患者被分为中危组，无法被精准分层。但中危组患者异质性最强，恰恰是最需要精准分层以确定个性化治疗方案的人群。即使ELN进一步细化了中危组，也不准确，仍远不能满足现在的临床需要。

2）获得分层结果的周期较长，大约需要三周。患者第一程化疗往往拿不到分层结果，不能根据实际的危险度分层用药（因为分层基于第二代测序（NGS），核型分析，全外显子测序，RNA测序等方法，完成检测大约需要三周时间）。

3）没有充分考虑到患者对化疗的反应性问题，不能评估和预测患者化疗耐药的问题。AML不良预后的主要原因是化疗反应不佳，尤其是难治和复发患者，更需要评估患者的化疗耐药情况。即使现行分层对预后进行了评估，也无法预测化疗耐药的问题，而化疗耐药/敏感性对临床治疗至关重要。

4）目前的分层结果不能定量，只能粗略分为不同的危险组。上述缺陷使得现行的危险度分层不能在患者第一程化疗前获得个性化的、精准的分层结果，临床用药难以获知，这严重影响了急性髓系白血病患者的临床诊疗。

此外，现行的ELN和WHO分层中，遗传学异常权重过大，在实际应用中还要考虑患者的临床特征、人口学等因素。2022年WHO 诊断标准和ELN 危险度分层标准为提高分层的精准性，进一步采用了不同的纳入和排除标准，有可能使AML患者的诊断和治疗变得更加复杂。为此，本发明需要开发一个体系简单、检测便捷、能快速获得结果、可评估化疗耐药性、对所有患者都能精准分层的预后体系。

发明内容

本发明的目的在于提供一种AML诊断和预后的组合分子标志物，通过对所述组合分子标志物的基因表达水平进行检测，并建立诊断和预后的评估模型，能够实现快速准确对AML患者进行ELN分层，从而评估和预测患者化疗耐药的问题，为AML患者治疗的临床用药提供精准指导。

本发明提供一种AML诊断和预后的组合分子标志物，所述组合分子标志物包括RTN4R(reticulon 4 receptor)、PDIA6(protein disulfide isomerase family A member6)、CYP2E1(cytochrome P450 family 2 subfamily E member 1)、CALCRL(calcitoninreceptor like receptor)和AREG(amphiregulin)。优选的，所述组合分子标志物由上述5种分子标志物组成。通过对所述组合标志物的表达水平进行检测，进行多变量 COX 回归，得出了各基因的系数，并建立了基于上述5 基因的预后模型（“ERS-5”）。基于所述组合分子标志物的基因表达量读数，每位患者的“ERS-5”风险评分模型公式如下：

risk score（即ERS-5评分） = (-0.1540) * RTN4R+ (-0.6358) * PDIA6+ (-0.5071) * CYP2E1+ (0.3349) * CALCRL+(0.0897) *AREG。

优选的，所述组合分子标志物的基因表达量读数通过基因芯片技术或者数字PCR技术进行检测。进一步的，本发明发现“ERS-5”模型和年龄与OS（总生存率）显著相关，本发明进一步提供一种更量化的工具来预测AML患者的预后，本发明基于“ERS-5”模型和年龄构建了一个列线图。对于每名患者，基于“ERS-5”风险评分模型公式得到“ERS-5”风险评分后，进一步基于年龄进行评分，年龄对应分数为：≥60岁，得分为12分，＜60岁，得分为0分。“ERS-5”评分对应分数和年龄的分数之和计算为总分数。进一步的，基于计算的总分数确定AML患者存活1年、3年和5年的概率。

本发明还提供一种组合分子标志物在制备AML诊断和预后的试剂和/或试剂盒中的用途，其中所述组合分子标志物包括RTN4R、PDIA6、CYP2E1、CALCRL和AREG。优选的，所述组合分子标志物由上述5种分子标志物组成。进一步的，基于所述组合分子标志物的基因表达量读数，采用如下模型对患者进行ERS-5评分：

ERS-5评分=(-0.1540)*RTN4R+(-0.6358)*PDIA6+(-0.5071)*CYP2E1+(0.3349)*CALCRL+(0.0897)*AREG。

在所述评分基础上，还可以其进一步对患者年龄进行评分，包括：年龄对应分数为：≥60岁，得分为12分；＜60岁，得分为0分；“ERS-5”评分对应分数和年龄的分数之和计算为总分数。进一步的，基于计算的总分数确定AML患者存活1年、3年和5年的概率。

本发明还提供一种AML诊断和预后的试剂盒，所述试剂盒中包括用于所述组合分子标志物基因表达水平的试剂。所述组合分子标志物包括RTN4R、PDIA6、CYP2E1、CALCRL和AREG。优选的，所述组合分子标志物由上述5种分子标志物组成。更优选的，所述试剂用于所述组合分子标志物的基因表达水平的定量检测。对于本领域技术而言，检测分子标志物的基因表达水平的技术是本领域公知的，如RNA-Seq（RNA测序）、微阵列、基因芯片（如RNA芯片）、转录组学、PCR（如荧光定量PCR、数字PCR等）、原位杂交、Northern印记等。优选的，采用基因芯片、荧光定量PCR或数字PCR进行基因表达水平检测。更优选的，采用基因芯片或数字PCR进行基因表达水平的检测。优选的，所述试剂盒中包括定量检测所述分子标志物的基因芯片、引物和/或探针。更优选的，所述试剂盒中还进一步包括：RNA提取试剂；和/或内标试剂；和/或聚合酶链反应试剂。

本发明还提供一种检测组合分子标志物的基因表达水平的试剂在制备AML诊断和预后的试剂盒中的应用，其中，试剂盒中包括用于所述组合分子标志物基因表达水平的试剂，所述分子标志物包括RTN4R、PDIA6、CYP2E1、CALCRL和AREG。优选的，所述组合分子标志物由上述5种分子标志物组成。更优选的，所述试剂盒中包括定量检测所述组合分子标志物的基因芯片、引物和/或探针。更优选的，所述试剂盒中还进一步包括：RNA提取试剂；和/或内标试剂；和/或聚合酶链反应试剂。

本发明的有益效果：

1.本发明检测体系简单，能实现快速检测：通过基因芯片读数或定量PCR评估五个基因的表达水平，使患者获得预后分层的时间由原来的三周缩短至约三小时。

2.本发明实现覆盖所有AML患者的精准预后分层，开发了一个AML患者预后的量化工具，患者可根据本工具获得的打分值评估预后生存的概率。

3. 本发明优于指南推荐的ELN分层，可为ELN分层提供额外的预测AML患者的化疗耐药/敏感性的能力。

总之，采用本发明的组合分子标志物构建诊断和预后的模型是评估急性髓系白血病预后和化疗耐药/敏感性的有力工具，可用于临床患者的诊疗。

附图说明

图1是根据本发明具体实施例的研究流程图。

图2A-图2E是根据本发明具体实施例的基因本体（Gene Ontology，GO）富集和基因组富集的系列分析图，其中，图2A是敏感 AML 患者与 R/R AML 患者之间 DEGs的GO富集分析图；图2B是敏感AML患者和R/R AML患者之间的GSEA富集分析图；图2C是训练队列中按ELN风险分层的低危组和高危组AML患者之间的GSEA富集分析图；图2D是筛选候选基因的示意图；图2E是基于20个与 ER 应激相关的预后基因的单变量 COX 回归构建的森林图。

图3A-图3E是根据本发明具体实施例的进行LASSO回归分析，以确定构建风险特征的候选基因的系列分析图；其中，图3A是20个预后相关基因的LASSO-COX回归的系数（上）和LASSO回归中调整参数（λ）选择的交叉验证（下）的示意图；图3B是通过多重 COX 回归分析的5 个基因的系数示意图；图3C是低危组和高危组 5 个基因的表达比较图；图3D是TCGA数据集低危组和高危组的 Kaplan-Meier生存曲线图；图3E是“ERS-5”模型的时间依赖性 ROC曲线图。

图4A-图4E是根据本发明具体实施例的采用GSE10358中的90个样本和GSE37642中的373个样本进行外部验证的系列示意图；其中：图4A是GSE10358数据集低危组和高危组的Kaplan-Meier曲线图；图4B是GSE37642数据集低危组和高危组的 Kaplan-Meier曲线图；图4C是GSE10358数据集时间依赖性 ROC 曲线和 AUC 值的示意图；图4D是GSE37642数据集时间依赖性 ROC 曲线和 AUC 值的示意图；图4E是“ERS-5”模型和其他五个模型比较的随时间变化的AUC 值（左）和 C 指数（右）的示意图。

图5A-图5C是根据本发明具体实施例的检验“ERS-5”模型在一系列亚组中的疗效的示意图；其中：图5A是“ERS-5”模型对AML患者年龄亚组分层的示意图；图5B是“ERS-5”模型对AML患者基因融合与突变亚组分层的示意图；图5C是“ERS-5”模型对CN-AML患者亚组分层的示意图。

图6A-图6F是根据本发明具体实施例的化疗耐药性评估的示意图；其中：图6A是ELN风险分层的Kaplan-Meier生存曲线图；图6B是“ERS-5”模型的Kaplan-Meier生存曲线图；图6C是“ERS-5+ELN”模型的 Kaplan-Meier生存曲线图；图6D是将以ELN风险分层的患者用新生成的 “ERS-5+ELN”模型重新分层的桑基图；图6E是“ERS-5”模型、ELN风险分层和“ERS-5+ELN”模型的随时间变化的AUC 值的示意图；图6F是 ELN分层的风险组低，中和高危组以及“ERS-5+ELN”模型的Int-β组和Adv-α组之间五种药物的预测IC50的示意图。

图7A-图7C是根据本发明具体实施例的基于“ERS-5”模型和年龄构建列线图及临床应用的示意图；其中：图7A是“ERS-5”模型、年龄、性别和 ELN 风险分层的单变量COX回归分析的示意图；图7B是预测AML患者 1、3 和5年生存率的列线图；图7C是临床患者信息应用列线图计算的总分数与实际总生存时间之间的相关性图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例1：处理患者和数据库资源

收集2019年至2022年41例AML患者治疗前的骨髓标本，分离其中的有核细胞，用Trizol裂解，冻存于-80℃冰箱备用。所有患者均接受了2017年ELN推荐的治疗。根据国际诊疗指南流程进行标准化治疗两个周期后评估化疗反应，根据化疗反应，本发明将这些患者确定为敏感或难治/复发（R/R）患者。分离患者骨髓有核细胞，经RNA转录组测序（RNA-seq），在构建文库后使用Illumina测序获得原始读数，分析获得敏感与耐药患者之间的差异表达基因（DEGs）。

本发明从癌症基因组图谱（TCGA）数据库（https://portal.gdc.cancer.gov/legacy-archive/）和基因表达总库（GEO）数据库（https://www.ncbi.nlm.nih.gov/geo/）中收集了新发AML患者骨髓标本的临床和基因芯片数据。

本发明将115 份TCGA数据集中的患者临床样本信息作为训练队列。两个GEO数据集用于外部验证，包括来自GSE10358的 90个样本和来自GSE37642的373个样本。来自GSE12417 的160个样本被用于细胞遗传学正常AML（CN-AML）患者的验证。所有来自TCGA和GEO数据集的微阵列数据进行归一化处理。

实施例2：富集内质网应激相关基因并构建预后模型：

2.1 与AML患者化疗反应和预后相关的 ER 应激相关基因功能富集分析

研究流程图如图 1 所示。本发明在 15 例敏感 AML 患者和 26 例难治复发（R/R）AML 患者中鉴定出了 644个与化疗敏感/耐药性相关的差异基因分析（DEGs）。本发明使用 R包“ClusterProfiler”进行基因本体（Gene Ontology，GO）富集和基因组富集分析（Gene Set Enrichment Analysis，GSEA）。GO富集显示，这些与化疗敏感/耐药性相关的DEGs在 “内质网应激反应 ”和其他与内质网应激相关的通路中的富集程度最高（图2A）。GSEA分析进一步显示，“内质网蛋白加工”通路在敏感患者中明显富集并上调（图2B）。同时，本发明分析了TCGA队列中的低危组患者（26例）和高危组患者（26例）之间的DEGs，旨在寻找与预后相关的基因。经GSEA分析发现，这些DEGs与ER应激通路高度相关，并在ELN分层的低危组患者中显著富集（图2C）。这些结果表明，ER应激反应相关基因可能与AML的化疗敏感性和良好预后有关。我们从GO数据库中筛选出所有与ER应激相关的基因，共计723个，单变量COX 回归分析显示，这723个 ER 应激相关基因中有81个基因与患者预后即患者总生存期相关（被识别为 ERs_uniCOX 基因；p < 0.05）。维恩图显示，81个基因（ERs_uniCOX 基因）中的20个基因也与AML患者化疗敏感性高度相关（图 2D 和图2E）。

2.2 基于LASSO回归构建预后模型

本发明进一步进行LASSO回归分析，以确定构建风险特征的候选基因（R包“glmnet”）。调整参数（λ）通过十倍交叉验证来确定最佳拟合模型，并将模型命名为“ERS-5”。每位患者的风险评分公式如下：。βi 表示 COX 多元回归的系数，expi 表示基因的表达值。

在训练队列中构建“ERS-5”预后模型：为筛选出构建模型的最佳候选基因，本发明进一步对上述 20个基因进行了 LASSO 回归，以尽量减少过拟合的风险。5个与ER应激相关的基因（RTN4R、PDIA6、CYP2E1、CALCRL和AREG）被确定为最佳λ（图3A）。然后，本发明进行了多变量 COX 回归，得出了各基因的系数，基于基因芯片获得原始基因表达量读数，建立了5 基因预后模型（“ERS-5”）（图3B）。每位患者的 “ERS-5”风险评分模型公式如下：

risk score= (-0.1540) * RTN4R+ (-0.6358) * PDIA6+ (-0.5071) * CYP2E1+(0.3349) * CALCRL+(0.0897) *AREG

根据“ERS-5”风险评分的中位数将患者分为低危组和高危组。与高危组相比，低危组的 RTN4R、PDIA6 和 CYP2E1 的表达量明显较低，而 CALCRL 和 AREG 的表达量较高（图3C）。为评估“ERS-5”模型的预后能力，本发明在训练队列中应用Kaplan-Meier 分析和时间依赖性ROC分析。通过统计学方法：Kaplan-Meier和log-rank分析法（R软件包“survival ”和“survminer”）来区分不同风险组患者的存活率。Kaplan-Meier 分析显示，低危组的OS明显长于高危组（危险比[HR]=4.86；95% 置信区间 [CI]：2.79-8.44；p < 0.0001，图3D）。与时间相关的ROC分析显示，3年和5年OS预测的AUC分别为0.83和0.89（图3E）。这些结果表明，“ERS-5”模型在评估训练队列中的AML预后方面具有良好的性能。

实施例3：评估“ERS-5”模型预后效果

3.1 “ERS-5”预后模型外部验证

采用GSE10358中的90个样本和GSE37642中的373个样本进行外部验证。Kaplan-Meier 图显示，GSE10358 数据集（HR=2.57 95%CI:1.37-4.80; p=0.0031）和GSE37642 数据集（HR =1.71 95%CI:1.34-2.19;p < 0.0001）的低危组和高危组之间存在显著的生存差异（图4A 和图4B）。GSE10358 和 GSE37642 队列中 3 年OS的AUC分别为0.75和0.66（图4C和图4D）。

许多研究都开发了AML预后工具。本发明比较“ERS-5”模型与已发表模型的预后能力，包括 Zeng-121 模型、Yang-10 模型、Li-24 模型、Ng-17 模型和 Pan-13 模型。通过统计方法：R 软件包“timeROC”，用曲线下面积（AUC）评估与时间相关的接收者操作特征曲线（tROC）的预测功效，并比较两个模型之间的AUC。基于R 软件包“survival”计算评估风险特征的判别能力的一致性指数（C-index）。结果表明：与时间相关的ROC分析表明，“ERS-5”模型在1至5年生存时间点的AUC值是这些模型中最高的。ER应激相关特征的C指数最高，表明“ERS-5”模型在六个模型中准确性最好（图4E）。

3.2 “ERS-5”模型对AML患者分层

AML患者可根据年龄和细胞异常情况分为不同的亚组。即使在同一亚组中，预后也会有所不同。因此，本发明利用训练队列中的Kaplan-Meier曲线检验了“ERS-5”模型在一系列亚组中的疗效。

在年轻（<60 岁）和年长（≥60 岁）患者中，“ERS-5”模型定义的低危组的 OS 均优于高危组（分别为p<0.0001和p=0.0027，图5A）。此外，“ERS-5”模型还能显著区分特定基因融合（如RUNX1::RUNX1T1、PML::RARA、BCR::ABL、KMT2A和CBFβ重排）或突变（如NPM1、FLT3和IDH）患者的生存率差异（p <0.05，图5B）。由于细胞遗传学正常 AML（CN-AML）患者占40%至45%，本发明采用了 GSE12417 数据集中的160个样本来评估“ERS-5”模型对细胞遗传学正常AML（CN-AML）的预测能力。值得注意的是，在细胞遗传学正常 AML（CN-AML）中，低危组的生存率明显优于高危组（HR=1.54，95%CI：1.04-2.27；p=0.0311，图 5C）。综上所述，这些结果表明 “ERS-5”模型可普遍适用于具有不同年龄和特定分子特征的各种AML亚组。

3.3 化疗耐药性评估

本发明利用“pRRophetic ”R包（R版本4.1.3）预测多柔比星和阿糖胞苷、FLT3抑制剂索拉非尼、米哚妥林和BCL2抑制剂ABT-263等化疗药物在AML患者中的半数最大抑制浓度（IC₅₀）。本发明使用癌症药物敏感性基因组学（CDSC）v2 数据集“cpg2016”作为IC₅₀预测的训练矩阵。

由于国际上采用ELN风险分层法来预测AML的预后，本发明在训练队列中分析ELN风险分层法的效率。Kaplan-Meier分析显示，ELN风险分层的中危组总生存率（OS）明显短于低危组（HR=0.25, 95%CI 0.11-0.59; p=0.0016）；但与高危组的OS相似（HR=1.52,0.89-2.23; p=0.1281，图6A），表明ELN风险分层未能区分中危组和高危组的OS。然而，“ERS-5”模型将患者明显分为3个风险组（低危组vs中危组，HR=0.30，95%CI：0.14-0.64，p=0.0016；高危组vs中危组，HR=2.02，95%CI：1.19-3.45，p<0.0098，图6B）。

随后，本发明尝试用“ERS-5”模型与ELN分层整合，生成整合后的新模型“ERS-5+ELN”，并重新对患者进行分层，以研究“ERS-5”模型是否能改善ELN分层。Kaplan-Meier分析显示，“ERS-5+ELN”模型的风险组显示出更明显的生存率差异（有利vs 中间，HR=0.20，95%CI：0.06-0.67，p=0.0091；不利vs中间，HR=2.69，95%CI：1.55-4.66，p<0.0001，图6C）。如图6D所示，3名良好患者被认定为中危患者，36 名中危患者（Int-β）被重新分组为高危组，7名高危组患者（Adv-α）被重新分组为中危组。

在比较“ERS-5”模型、ELN分层和“ERS-5+ELN ”模型的准确性时，随时间变化的ROC分析显示，“ERS-5+ELN”模型的2年、3年和5年AUC均显著高于ELN分层，而“ERS-5”模型和“ERS-5+ELN”模型之间没有显著差异（图6E）。

本发明进一步进行化疗耐药/敏感性分析，以确定“ERS-5”模型在预测患者化疗耐药/敏感性方面是否超越了ELN分层。本发明分析了ELN分层和“ERS-5+ELN”模型风险组之间AML化疗药物多柔比星和阿糖胞苷、FLT3抑制剂索拉非尼、米哚妥林和BCL2抑制剂ABT-263的IC₅₀。如图6F所示，虽然ELN分层组间对ABT-263的反应有显著差异，但低危组对ABT-263的IC₅₀甚至高于高危组，表明ELN分层不能预测所有5种药物的反应，因此不能预测不同风险组间的OS。然而，Int-β组的耐药性明显高于Adv-α组，这表明“ERS-5”模型将相对耐药的中危患者重新划分为高危组，将敏感的高危患者重新划分为中危组，从而完善了ELN分层。因此，这些结果表明“ERS-5”模型优于ELN分层，可为ELN分层提供额外的预测AML患者的化疗耐药/敏感性的能力。

实施例4：基于“ERS-5”模型和年龄构建列线图及临床应用

本发明使用 R包 “rms”创建了一个列线图。通过计算列线图可以预测AML患者的1年、3 年和 5 年生存率。本发明通过单变量COX回归分析了“ERS-5”模型、年龄（以60岁为分界线）、性别和ELN分层的预后。结果发现，“ERS-5”模型和年龄与OS显著相关（图7A）。为了提供一个更量化的工具来预测AML患者的预后，本发明基于“ERS-5”模型和年龄构建了一个列线图。对于每名患者，基于“ERS-5”风险评分模型公式：risk score=(-0.1540)*RTN4R+(-0.6358)*PDIA6+(-0.5071)*CYP2E1+(0.3349)*CALCRL+(0.0897)*AREG，得到“ERS-5”风险评分；年龄对应分数为：≥60岁，得分为12分，＜60岁，得分为0分；“ERS-5”评分对应分数和年龄的分数之和计算为总分数，从而确定AML患者存活1年、3年和5年的概率（图7B）。

本发明收集了7个AML患者的样本。所有患者均按照国际诊疗指南进行标准化治疗。上述7个AML患者的骨髓标本经分离其中的有核细胞，使用Trizol法进行RNA提取，备用。基于基因芯片获得基因表达量读数，并利用“ERS-5”模型公式结合患者的年龄信息构建的列线图计算所得的总分，预测AML患者的1年、3年和5年内的生存率，并展示总分对应患者实际的总生存时间（年）（表1）。根据所计算的总分及对应患者实际生存时间（年）计算相关系数，r=0.70，相关性较高（图7C）。总的来说，列线图工具用于预测患者生存率预后较可靠，有助于医生推测患者在1年、3年和5年内的生存概率，使临床医生更直观了解每个患者的生存结局并依此制定后续化疗和移植方案。

表1 基于“ERS-5”模型和年龄构建列线图的临床应用表

，

生存率中的1.00代表超过列线图预测值（生存率＞0.9）

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

Claims

1.一种AML诊断和预后的组合分子标志物，其特征在于：所述组合分子标志物包括RTN4R、PDIA6、CYP2E1、CALCRL和AREG。

2.如权利要求1所述的组合分子标志物，其特征在于：基于所述组合分子标志物的基因表达量读数，采用如下模型对患者进行ERS-5评分：

3.如权利要求2所述的组合分子标志物，其特征在于：其进一步对患者年龄进行评分，包括：年龄对应分数为：≥60岁，得分为12分；＜60岁，得分为0分；“ERS-5”评分对应分数和年龄的分数之和计算为总分数。

4.组合分子标志物在制备AML诊断和预后的试剂和/或试剂盒中的用途，其特征在于：所述组合分子标志物包括RTN4R、PDIA6、CYP2E1、CALCRL和AREG。

5.如权利要求4所述的用途，其特征在于：

基于所述组合分子标志物的基因表达量读数，采用如下模型对患者进行ERS-5评分：

6.如权利要求5所述的用途，其特征在于：其进一步对患者年龄进行评分，包括：年龄对应分数为：≥60岁，得分为12分；＜60岁，得分为0分；“ERS-5”评分对应分数和年龄的分数之和计算为总分数。

7.一种AML诊断和预后的试剂盒，其特征在于：其包括检测权利要求1所述组合分子标志物基因表达水平的试剂。

8.检测组合分子标志物的基因表达水平的试剂在制备AML诊断和预后的试剂盒中的应用，其中，试剂盒为权利要求7所述的AML诊断和预后的试剂盒。