CN118056016A - 基因标志物在预测孕妇早产风险中的应用 - Google Patents
基因标志物在预测孕妇早产风险中的应用 Download PDFInfo
- Publication number
- CN118056016A CN118056016A CN202180102281.XA CN202180102281A CN118056016A CN 118056016 A CN118056016 A CN 118056016A CN 202180102281 A CN202180102281 A CN 202180102281A CN 118056016 A CN118056016 A CN 118056016A
- Authority
- CN
- China
- Prior art keywords
- pregnant woman
- premature
- risk
- gene
- gene marker
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 270
- 239000003550 marker Substances 0.000 title claims abstract description 135
- 208000005107 Premature Birth Diseases 0.000 title claims abstract description 79
- 206010036590 Premature baby Diseases 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 113
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 101
- 239000012472 biological sample Substances 0.000 claims abstract description 86
- 230000014509 gene expression Effects 0.000 claims abstract description 57
- 230000002028 premature Effects 0.000 claims abstract description 56
- 210000002219 extraembryonic membrane Anatomy 0.000 claims abstract description 37
- 238000013058 risk prediction model Methods 0.000 claims abstract description 26
- 208000003107 Premature Rupture Fetal Membranes Diseases 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 66
- 208000006399 Premature Obstetric Labor Diseases 0.000 claims description 50
- 206010036600 Premature labour Diseases 0.000 claims description 46
- 208000026440 premature labor Diseases 0.000 claims description 46
- 102100037066 Cytoplasmic dynein 2 intermediate chain 2 Human genes 0.000 claims description 42
- 102100037038 E3 ubiquitin-protein ligase CCNB1IP1 Human genes 0.000 claims description 42
- 101000954718 Homo sapiens Cytoplasmic dynein 2 intermediate chain 2 Proteins 0.000 claims description 42
- 101000737896 Homo sapiens E3 ubiquitin-protein ligase CCNB1IP1 Proteins 0.000 claims description 42
- 101000579423 Homo sapiens Regulator of nonsense transcripts 1 Proteins 0.000 claims description 42
- 101000680036 Homo sapiens Transmembrane and ubiquitin-like domain-containing protein 1 Proteins 0.000 claims description 42
- 102100028287 Regulator of nonsense transcripts 1 Human genes 0.000 claims description 42
- 102100022175 Transmembrane and ubiquitin-like domain-containing protein 1 Human genes 0.000 claims description 42
- 206010036603 Premature rupture of membranes Diseases 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 37
- 239000003153 chemical reaction reagent Substances 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 34
- 230000002068 genetic effect Effects 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 25
- 102100030976 Collagen alpha-2(IX) chain Human genes 0.000 claims description 24
- 102100033488 DENN domain-containing protein 10 Human genes 0.000 claims description 24
- 102100034109 DnaJ homolog subfamily C member 13 Human genes 0.000 claims description 24
- 101000919645 Homo sapiens Collagen alpha-2(IX) chain Proteins 0.000 claims description 24
- 101000870988 Homo sapiens DENN domain-containing protein 10 Proteins 0.000 claims description 24
- 101000870239 Homo sapiens DnaJ homolog subfamily C member 13 Proteins 0.000 claims description 24
- 101001074380 Homo sapiens Inactive phospholipase D5 Proteins 0.000 claims description 24
- 101001050577 Homo sapiens Kinesin-like protein KIF2A Proteins 0.000 claims description 24
- 101001010163 Homo sapiens La-related protein 1B Proteins 0.000 claims description 24
- 101000707983 Homo sapiens Septin-10 Proteins 0.000 claims description 24
- 101000577630 Homo sapiens Vitamin K-dependent protein S Proteins 0.000 claims description 24
- 101000964419 Homo sapiens Zinc finger and BTB domain-containing protein 10 Proteins 0.000 claims description 24
- 102100036182 Inactive phospholipase D5 Human genes 0.000 claims description 24
- 102100023426 Kinesin-like protein KIF2A Human genes 0.000 claims description 24
- 102100030947 La-related protein 1B Human genes 0.000 claims description 24
- 102100031402 Septin-10 Human genes 0.000 claims description 24
- 102100028885 Vitamin K-dependent protein S Human genes 0.000 claims description 24
- 102100040327 Zinc finger and BTB domain-containing protein 10 Human genes 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 206010036595 Premature delivery Diseases 0.000 claims description 23
- 210000004369 blood Anatomy 0.000 claims description 22
- 239000008280 blood Substances 0.000 claims description 22
- 239000000523 sample Substances 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 230000035935 pregnancy Effects 0.000 claims description 19
- 102100035439 Carcinoembryonic antigen-related cell adhesion molecule 19 Human genes 0.000 claims description 18
- 102100030146 Epithelial membrane protein 3 Human genes 0.000 claims description 18
- 102100040674 F-box only protein 38 Human genes 0.000 claims description 18
- 102100022366 Fatty acyl-CoA reductase 1 Human genes 0.000 claims description 18
- 102100023359 Forkhead box protein N3 Human genes 0.000 claims description 18
- 102100021262 Frizzled-3 Human genes 0.000 claims description 18
- 102100039718 Gamma-secretase-activating protein Human genes 0.000 claims description 18
- 101710184700 Gamma-secretase-activating protein Proteins 0.000 claims description 18
- 102100036536 General transcription factor 3C polypeptide 2 Human genes 0.000 claims description 18
- 102100028716 Hermansky-Pudlak syndrome 3 protein Human genes 0.000 claims description 18
- 101000737655 Homo sapiens Carcinoembryonic antigen-related cell adhesion molecule 19 Proteins 0.000 claims description 18
- 101001011788 Homo sapiens Epithelial membrane protein 3 Proteins 0.000 claims description 18
- 101000892310 Homo sapiens F-box only protein 38 Proteins 0.000 claims description 18
- 101000824458 Homo sapiens Fatty acyl-CoA reductase 1 Proteins 0.000 claims description 18
- 101000907594 Homo sapiens Forkhead box protein N3 Proteins 0.000 claims description 18
- 101000819458 Homo sapiens Frizzled-3 Proteins 0.000 claims description 18
- 101001061405 Homo sapiens Frizzled-9 Proteins 0.000 claims description 18
- 101000714246 Homo sapiens General transcription factor 3C polypeptide 2 Proteins 0.000 claims description 18
- 101000985492 Homo sapiens Hermansky-Pudlak syndrome 3 protein Proteins 0.000 claims description 18
- 101001043550 Homo sapiens Leucine-rich repeat-containing protein 56 Proteins 0.000 claims description 18
- 101000972143 Homo sapiens Maturin Proteins 0.000 claims description 18
- 101000595751 Homo sapiens Phosphatidylinositol 4,5-bisphosphate 3-kinase catalytic subunit gamma isoform Proteins 0.000 claims description 18
- 101000702132 Homo sapiens Protein spinster homolog 1 Proteins 0.000 claims description 18
- 101000629319 Homo sapiens Spindlin-1 Proteins 0.000 claims description 18
- 101000713585 Homo sapiens Tubulin beta-4A chain Proteins 0.000 claims description 18
- 101000776610 Homo sapiens Uncharacterized protein CFAP92 Proteins 0.000 claims description 18
- 102100021929 Leucine-rich repeat-containing protein 56 Human genes 0.000 claims description 18
- 102100022448 Maturin Human genes 0.000 claims description 18
- 102100023171 Nuclear receptor subfamily 1 group D member 2 Human genes 0.000 claims description 18
- 102100036052 Phosphatidylinositol 4,5-bisphosphate 3-kinase catalytic subunit gamma isoform Human genes 0.000 claims description 18
- 108091008770 Rev-ErbAß Proteins 0.000 claims description 18
- 108091006984 SLC41A3 Proteins 0.000 claims description 18
- 102100037254 Solute carrier family 41 member 3 Human genes 0.000 claims description 18
- 102100027005 Spindlin-1 Human genes 0.000 claims description 18
- 102100036788 Tubulin beta-4A chain Human genes 0.000 claims description 18
- 102100031194 Uncharacterized protein CFAP92 Human genes 0.000 claims description 18
- 238000012165 high-throughput sequencing Methods 0.000 claims description 18
- 210000002966 serum Anatomy 0.000 claims description 18
- 102100031901 A-kinase anchor protein 2 Human genes 0.000 claims description 17
- 101000774738 Homo sapiens A-kinase anchor protein 2 Proteins 0.000 claims description 17
- 210000004381 amniotic fluid Anatomy 0.000 claims description 14
- 210000002700 urine Anatomy 0.000 claims description 14
- 238000004445 quantitative analysis Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 8
- 238000003757 reverse transcription PCR Methods 0.000 claims description 8
- 210000004379 membrane Anatomy 0.000 abstract description 7
- 239000012528 membrane Substances 0.000 abstract description 7
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 40
- 210000002381 plasma Anatomy 0.000 description 36
- 108020005198 Long Noncoding RNA Proteins 0.000 description 24
- 230000000694 effects Effects 0.000 description 24
- 108020004999 messenger RNA Proteins 0.000 description 23
- 230000035945 sensitivity Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 9
- 108091092259 cell-free RNA Proteins 0.000 description 8
- 238000012163 sequencing technique Methods 0.000 description 7
- 238000003559 RNA-seq method Methods 0.000 description 6
- 101150098072 20 gene Proteins 0.000 description 5
- 238000007481 next generation sequencing Methods 0.000 description 5
- 210000005259 peripheral blood Anatomy 0.000 description 5
- 239000011886 peripheral blood Substances 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000002299 complementary DNA Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 108091007412 Piwi-interacting RNA Proteins 0.000 description 3
- 238000002123 RNA extraction Methods 0.000 description 3
- 108020004566 Transfer RNA Proteins 0.000 description 3
- 108091029474 Y RNA Proteins 0.000 description 3
- 238000003776 cleavage reaction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 108091070501 miRNA Proteins 0.000 description 3
- 239000002679 microRNA Substances 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 230000007017 scission Effects 0.000 description 3
- 239000004055 small Interfering RNA Substances 0.000 description 3
- 238000012049 whole transcriptome sequencing Methods 0.000 description 3
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 2
- 101150084750 1 gene Proteins 0.000 description 2
- 238000011529 RT qPCR Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000010839 reverse transcription Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101150044980 Akap1 gene Proteins 0.000 description 1
- 108010067306 Fibronectins Proteins 0.000 description 1
- 102000016359 Fibronectins Human genes 0.000 description 1
- 101000759174 Homo sapiens Zinc finger RNA-binding protein Proteins 0.000 description 1
- 102100023406 Zinc finger RNA-binding protein Human genes 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 210000003756 cervix mucus Anatomy 0.000 description 1
- 230000035606 childbirth Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036266 weeks of gestation Effects 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Microbiology (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供了基因标志物在预测孕妇早产风险中的应用。本发明提供了一种用于预测孕妇胎膜早破早产及不明原因自发早产风险的方法，包括：获取来源于所述孕妇的生物样品中基因标志物的表达谱；基于基因标志物的表达谱，鉴别孕妇的胎膜早破早产风险及不明原因自发早产风险。本发明还提供了用于预测孕妇胎膜早破早产及不明原因自发早产风险的试剂盒和装置、以及孕妇早产风险预测模型的构建方法，还提供了涉及用于执行早产风险预测方法和模型构建方法的程序的存储介质和处理器。本发明通过基因标志物的表达谱与胎膜早破早产风险及不明原因自发早产的关联性，实现了对胎膜早破早产风险及不明原因自发早产的高特异性和高灵敏性的风险预测。
Description
本发明涉及孕妇早产领域，具体而言，涉及基因标志物在预测胎膜早破早产及不明原因自发早产风险中的应用。
早产是指妊娠不足37周的生产。在全球，早产是五岁以下儿童的主要死亡原因，在几乎所有具有可靠数据的国家，早产率都在日益增加。早产是母婴领域的重要问题。
胎膜早破及不明原因可导致早产。胎膜早破是指在临产前胎膜自然破裂，孕龄小于37周的胎膜早破称为早产胎膜早破。预防早产带来的死亡和并发症要从健康妊娠做起。早预测早干预可改善妊娠结局。
目前，临床上有针对早产高风险人群进行宫颈长度检测以及阴道分泌物的fFN胎儿纤维连接蛋白检测用于评估早产风险，但主要针对高危人群，且灵敏度、特异性有限。一些研究和专利申请涉及利用基因表达、代谢物、蛋白/多肽、微生物进行早产预测和诊断，但是主要问题仍然在于这些方法对于早产风险预测的灵敏度和特异性较低。
到目前为止，还没有任何一种可以对胎膜早破早产或不明原因自发早产进行高特异性和灵敏性预测的基因标志物。所以，迫切需要开发一种可以高特异性和高灵敏性地对胎膜早破早产或不明原因自发早产进行预测的基因标志物。
发明内容
本发明的主要目的在于提供基因标志物在预测胎膜早破早产风险或不明原因自发早产风险中的应用，以提供一种对早产风险的高特异性和高灵敏性的预测方案。
为了实现上述目的，根据本发明的第一方面，提供了一种用于预测孕妇胎膜早破早产风险的方法，该方法包括：
步骤S1：获取来源于孕妇的生物样品中基因标志物的表达谱，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1；
步骤S2：基于基因标志物的表达谱，鉴别孕妇的胎膜早破早产风险。
进一步地，在步骤S2中，鉴别孕妇的胎膜早破早产风险是通过利用孕妇胎膜早破早产风险预测模型来实施的，孕妇胎膜早破早产风险预测模型是通过利用来源于已发生胎膜早破早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生。
进一步地，训练计算机是通过机器学习方法来实施，优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
进一步地，生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选生物样品在孕妇第11至25孕周时采集获得。
进一步地，在步骤S1中，通过对生物样品中的胞外游离RNA进行定量分析，从而获取基因标志物的表达谱；
优选地，采用高通量测序法或RT-PCR法对生物样品中的胞外游离RNA进行定量分析；
更优选地，采用高通量测序法对生物样品中的胞外游离RNA进行定量分析。
根据本发明的第二方面，提供了一种用于预测孕妇胎膜早破早产风险的试剂盒，试剂盒包括基因标志物的检测试剂，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
进一步地，基因标志物的检测试剂包括用于检测基因标志物的探针和/或引物；优选为将基因标志物的RNA制备成高通量测序文库的相关试剂。
根据本发明的第三方面，提供了基因标志物的检测试剂在制备预测孕妇胎膜早破早产风险的试剂盒中的应用，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
进一步地，基因标志物的检测试剂包括用于检测基因标志物的探针和/或引物；优选为将基因标志物的RNA制备成高通量测序文库的相关试剂。
根据本发明的第四方面，提供了一种用于预测孕妇胎膜早破早产风险的装置，装置内置有孕妇胎膜早破早产风险预测模型，预测模型是通过利用来源于已发生胎膜早破早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、 LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
根据本发明的第五方面，提供了一种孕妇胎膜早破早产风险预测模型的构建方法，构建方法包括：
检测来源于胎膜早破早产的孕妇群体和足月分娩的孕妇群体的生物样品中的基因标志物的差异表达；
将部分胎膜早破早产的孕妇群体和部分足月分娩的孕妇群体作为训练集，利用训练集筛选出最佳基因标志物；
在训练集中，利用最佳基因标志物训练计算机，从而得到孕妇胎膜早破早产风险预测模型；
将剩余部分的胎膜早破早产的孕妇群体和剩余部分的足月分娩的孕妇群体作为验证集，利用验证集验证孕妇胎膜早破早产风险预测模型；
其中，最佳基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
进一步地，生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选生物样品在孕妇第11至25孕周时采集获得。
进一步地，训练计算机是通过机器学习方法来实施，优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
根据本发明的第六方面，提供了一种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本发明第一方面的用于预测孕妇胎膜早破早产风险的方法或本发明第五方面的孕妇胎膜早破早产风险预测模型的构建方法。
根据本发明的第七方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行本发明第一方面的用于预测孕妇胎膜早破早产风险的方法或本发明第五方面的孕妇胎膜早破早产风险预测模型的构建方法。
根据本发明的第八方面，提供了一种用于预测孕妇不明原因自发早产风险的方法，方法包括：
步骤S1：获取来源于孕妇的生物样品中基因标志物的表达谱，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1；
步骤S2：基于基因标志物的表达谱，鉴别孕妇的不明原因自发早产风险。
进一步地，在步骤S2中，鉴别孕妇的不明原因自发早产风险是通过利用孕妇不明原因自发早产风险预测模型来实施的，孕妇不明原因自发早产风险预测模型是通过利用来源于已发生不明原因自发早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生。
进一步地，训练计算机是通过机器学习方法来实施，优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
进一步地，生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选生物样品在孕妇第11至25孕周时采集获得。
进一步地，在步骤S1中，通过对生物样品中的胞外游离RNA进行定量分析，从而获取基因标志物的表达谱；
优选地，采用高通量测序法或RT-PCR法对生物样品中的胞外游离RNA进行定量分析；
更优选地，采用高通量测序法对生物样品中的胞外游离RNA进行定量分析。
根据本发明的第九方面，提供了一种用于预测孕妇不明原因自发早产风险的试剂盒，试剂盒包括基因标志物的检测试剂，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
进一步地，基因标志物的检测试剂包括用于检测基因标志物的探针和/或引物；优选为将基因标志物的RNA制备成高通量测序文库的相关试剂。
根据本发明的第十方面，提供了基因标志物的检测试剂在制备预测孕妇不明原因自发早产风险的试剂盒中的应用，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、 AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
进一步地，基因标志物的检测试剂包括用于检测基因标志物的探针和/或引物；优选为将基因标志物的RNA制备成高通量测序文库的相关试剂。
根据本发明的第十一方面，提供了一种用于预测孕妇不明原因自发早产风险的装置，装置内置有孕妇不明原因自发早产风险预测模型，预测模型是通过利用来源于已发生不明原因自发早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
根据本发明的第十二方面，提供了一种孕妇不明原因自发早产风险预测模型的构建方法，构建方法包括：
检测来源于不明原因自发早产的孕妇群体和足月的孕妇群体的生物样品中的基因标志物的差异表达；
将部分不明原因自发早产的孕妇群体和部分足月的孕妇群体作为训练集，利用训练集筛选出最佳基因标志物；
在训练集中，利用最佳基因标志物训练计算机，从而得到孕妇不明原因自发早产风险预测模型；
将剩余部分的不明原因自发早产的孕妇群体和剩余部分的足月的孕妇群体作为验证集，利用验证集验证孕妇不明原因自发早产风险预测模型；
其中，最佳基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
进一步地，生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选生物样品在孕妇第11至25孕周时采集获得。
进一步地，训练计算机是通过机器学习方法来实施，优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
根据本发明的第十三方面，提供了一种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本发明第八方面的用于预测孕妇不明原因自发早产风险的方法或本发明第十二方面的孕妇不明原因自发早产风险预测模型的构建方法。
根据本发明的第十四方面，提供了一种处理器，其特征在于，处理器用于运行程序，其中，程序运行时执行本发明第八方面的用于预测孕妇不明原因自发早产风险的方法或本发明第十二方面的孕妇不明原因自发早产风险预测模型的构建方法。
本发明针对现有技术中早产风险的预测准确性较低的问题，提出了采用本申请的基因标志物作为检测靶标，通过基因标志物的表达谱与胎膜早破早产风险及不明原因自发早产的关联性，实现了对胎膜早破早产风险及不明原因自发早产的高特异性和高灵敏性的风险预测。
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了根据本发明的优选实施例中孕妇群体生物样品采集孕周的柱形图；
图2示出了根据本发明的优选实施例中孕妇群体分娩与生物样品采集间隔孕周的柱形图；
图3示出了根据本发明的优选实施例中基因标志物的筛选流程图；
图4示出了根据本发明的优选实施例中早产风险预测模型的构建流程图；
图5示出了根据本发明的优选实施例中预测胎膜早破早产的最佳基因标志物的重要性排序图以及模型预测的AUC曲线图；
图6示出了根据本发明的优选实施例中预测不明原因自发早产的最佳基因标志物的重要性排序图以及模型预测的AUC曲线图。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
如背景技术部分所提到的，目前存在着对孕妇早产进行临床早期预测的需求。本申请基于来源于孕妇的生物样品，通过比较早产组及足月组在孕早、中期的基因表达量差异，结合机器学习算法，筛选出预测早产风险的基因标志物，并通过构建模型实现了在孕中期对早产的高准确度预测。本发明的基因标志物和预测模型对于早产风险、特别是胎膜早破早产和不明原因自发早产的预测具有较高的特异性和灵敏性，可在孕中期以较高准确度发现孕妇的早产风险，实现尽早干预。
在该研究结果的基础上，申请人提出了本申请的技术方案。在一种典型的实施方式中，提供了一种用于预测孕妇胎膜早破早产风险的方法，该方法包括：
步骤S1：获取来源于所述孕妇的生物样品中基因标志物的表达谱，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1；
步骤S2：基于基因标志物的表达谱，鉴别孕妇的胎膜早破早产风险。
本申请首次发现孕妇生物样品中的基因标志物与孕妇胎膜早破早产疾病有着显著的相关性，因而可以作为预测孕妇胎膜早破早产的标志物。这些基因标志物包括21个mRNA基因和18个lncRNA基因，其中mRNA基因标志物包括CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10；lncRNA基因标志物包括AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
在本发明的方法中，基因标志物优选包括DNAJC13、CCNB1IP1、AC022568.1、PLD5、WDR34、UPF1、KIF2A、SEPT10、FAM45A、ZBTB10、PROS1、COL9A2、LARP1B、AC009779.2、TMUB1、HCK、AC015878.2、AC084759.3、AP000688.4、AC092338.2中的一种或多种。
上面列出的各基因可单独或组合使用。例如，可以采用以下全部基因的组合作为基因标志物：DNAJC13、CCNB1IP1、AC022568.1、PLD5、WDR34、UPF1、KIF2A、SEPT10、FAM45A、ZBTB10、PROS1、COL9A2、LARP1B、AC009779.2、TMUB1、HCK、AC015878.2、AC084759.3、AP000688.4、AC092338.2，从而实现胎膜早破早产的风险预测。
在上述步骤S2中，鉴别孕妇的胎膜早破早产风险可以通过利用孕妇胎膜早破早产风险预测模型来实施，通过利用来源于已发生胎膜早破早产的孕妇的生物样品中上述基因标志物的表达谱训练计算机来产生孕妇胎膜早破早产风险预测模型。
训练计算机可通过机器学习方法来实施。机器学习方法选自回归法、分类法或其组合。“机器学习”一般表示在未明确编程的情况下，给予计算机学习能力的算法，包括从数据学习并对数据做出预测的算法。本发明所使用的机器学习方法可以包括随机森林、最小绝对收缩和选择算子逻辑回归、正则化逻辑回归、XGBoost、决策树学习、人工神经网络、深度神经网络、支持向量机、基于规则的机器学习、广义线性模型、梯度提升机等。优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
在预测模型中，可通过模型自动计算得出的风险分数，来评价和预测胎膜早破早产风险高低。例如，若风险分数大于0.5，认为胎膜早破早产高风险，若风险分数小于0.5，则认为胎膜早破早产低风险。
来源于孕妇的生物样品可以为以下一种或多种：血浆、血清、全血、尿液、羊水。优选采用来源于孕妇的血浆、血清或全血，用于本发明的检测和鉴别步骤。该生物样品最优选为血浆，例如，可以从孕妇获取外周血并实施血浆分离，从而获得待使用的血浆生物样品。除了血浆、血清或全血，还可以使用其他体液样品，如尿液、羊水等。生物样品的获取可以采用本领域常规的方法实施。
在本发明中，生物样品的采集可以在孕妇第11至25孕周时进行。通过采用上述特定的基因标志物作为预测因子，本发明的应用群体不必区分孕妇是否早产高危，可以适用于一般孕妇群体。利用上述基因标志物，本发明在孕中期可以实现胎膜早破早产的预测。本发明最高可以提早23周实现早产预测。因此，本发明的方法适用人群更广，更具有临床应用性。
在上述方法的步骤S1中，通过对生物样品中的胞外游离RNA(cfRNA)进行定量分析，从而获取所述基因标志物的表达谱；优选地，采用高通量测序法或RT-PCR法对生物样品中的胞外游离RNA进行定量分析；更优选地，采用下一代测序法对生物样品中的胞外游离RNA进行定量分析。
具体来说，生物样品中的胞外游离RNA可采用本领域常用的方法或试剂盒或两者组合提取获得。例如，可以使用TRIzol LS标准的RNA提取步骤，从血浆生物样品中提取胞外游离RNA。
在一种具体的实施方式中，对胞外游离RNA进行定量分析，优选包括利用全转录组测序，使用下一代测序法对孕妇生物样品(优选血浆样品)中的胞外游离RNA进行测序。该方法能同时对血浆游离mRNA和游离lncRNA进行测序。也可以采用RT-PCR的方法进行分析。还可以采用本领域已知的其他方法如qPCR法对胞外游离RNA的表达谱进行定量分析。
优选地，对胞外游离RNA进行定量分析，还包括将原始的胞外游离RNA测序数据进行质控的步骤，优选包括剪切接头，去除低质量读长，去除<17bp长度的读长，去除rRNA序列和value RNA及Y RNA序列，将剩余读长先比对到人源转录组(顺序为miRNA、tRNA和piRNA，mRNA和lncRNA，最后为其他RNA)。在优选的实施方式中，RNA比对用bowtie软件，定量用RSEM进行。
通过将本发明的基因标志物作为预测孕妇胎膜早破早产风险的标志物，根据现有试剂盒的制备原则，可以制备出针对本发明所述基因标志物的预测试剂盒。还可以针对这些基因标志物，制备出用于预测孕妇胎膜早破早产风险的检测探针、芯片等。
本发明通过采用特定的基因标志物作为检测靶标，基于基因标志物的表达谱与孕妇胎膜早破早产疾病的关联性，实现了对孕妇胎膜早破早产的高特异性和高灵敏性的风险预测。
在第二种典型的实施方式中，本发明提供了一种用于预测孕妇胎膜早破早产风险的试剂盒，该试剂盒包括基因标志物的检测试剂，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。采用试剂盒进行预测，使得预测更加方便、简单、快速。优选上述基因标志物包括以下一种或多种基因：DNAJC13、CCNB1IP1、AC022568.1、PLD5、WDR34、UPF1、KIF2A、SEPT10、FAM45A、ZBTB10、PROS1、COL9A2、LARP1B、AC009779.2、TMUB1、HCK、AC015878.2、AC084759.3、AP000688.4、AC092338.2。
在试剂盒中，基因标志物的检测试剂可包括用于检测基因标志物的探针和/或引物，具体为一种或多种特异性结合(杂交)至基因标志物的探针和/或一种或多种特异性扩增基因标志物的引物。
由于RNA测序通常包括产生用于测序的cDNA分子的反转录步骤，因而在采用RNA测序时，本发明的试剂盒还可以包含将生物样品中的RNA转化为cDNA片段文库的试剂。
在第三种典型的实施方式中，提供了基因标志物的检测试剂在制备预测孕妇胎膜早破早产风险的试剂盒中的应用，基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。优选地，基因标志物包括以下一种或多种基因：DNAJC13、CCNB1IP1、AC022568.1、PLD5、WDR34、UPF1、KIF2A、SEPT10、FAM45A、ZBTB10、PROS1、COL9A2、LARP1B、AC009779.2、TMUB1、HCK、AC015878.2、AC084759.3、AP000688.4、AC092338.2。基因标志物的检测试剂包括用于检测基因标志物的探针和/或引物，具体地是一种或多种特异性结合(杂交)至基因标志物的探针和/或一种或多种特异性扩增基因标志物的引物。
在第四种典型的实施方式中，本发明提供了一种用于预测孕妇胎膜早破早产风险的装置，该装置内置有孕妇胎膜早破早产风险预测模型，该预测模型是通过利用来源于已发生胎膜早破早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生，所述基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。 优选地，基因标志物包括以下一种或多种基因：DNAJC13、CCNB1IP1、AC022568.1、PLD5、WDR34、UPF1、KIF2A、SEPT10、FAM45A、ZBTB10、PROS1、COL9A2、LARP1B、AC009779.2、TMUB1、HCK、AC015878.2、AC084759.3、AP000688.4、AC092338.2。在一种优选的实施方式中，该预测模型为广义线性模型、梯度提升机、随机森林或支持向量机模型。
在第五种典型的实施方式中，提供了一种孕妇胎膜早破早产风险预测模型的构建方法，该构建方法包括：检测来源于胎膜早破早产的孕妇群体和足月分娩的孕妇群体的生物样品中的基因标志物的差异表达；将部分胎膜早破早产的孕妇群体和部分足月分娩的孕妇群体作为训练集，利用训练集筛选出最佳基因标志物；在训练集中，利用最佳基因标志物训练计算机，从而得到孕妇胎膜早破早产风险预测模型；将剩余部分的胎膜早破早产的孕妇群体和剩余部分的足月分娩的孕妇群体作为验证集，利用验证集验证孕妇胎膜早破早产风险预测模型；其中，最佳基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。优选上述最佳基因标志物包括以下一种或多种基因：DNAJC13、CCNB1IP1、AC022568.1、PLD5、WDR34、UPF1、KIF2A、SEPT10、FAM45A、ZBTB10、PROS1、COL9A2、LARP1B、AC009779.2、TMUB1、HCK、AC015878.2、AC084759.3、AP000688.4、AC092338.2。
本发明的模型构建方法所采用的生物样品优选为以下一种或多种：血浆、血清、全血、尿液、羊水；特别优选血浆、血清、全血；最优选血浆。并且，生物样品可在孕妇第11至25孕周时采集获得。
本发明训练计算机时可采用机器学习方法，优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林和支持向量机。
在本发明的模型构建方法中，训练集和验证集可以根据需要按照一定比例进行拆分，优选地，将所有胎膜早破早产的孕妇按照7:3的人数比例随机拆分为训练集和验证集，将所有足月分娩的孕妇按照7:3的人数比例随机拆分为训练集和验证集。最佳基因标志物的筛选在训练集完成，验证集则用于检验最佳基因标志物及模型的预测效果。
在优选的实施方式中，通过比较胎膜早破早产孕妇群体和足月分娩孕妇群体的基因表达谱差异来初步筛选候选的基因标志物，基因标志物可包括mRNA基因和lncRNA基因。该步骤例如可使用DESeq2包(R软件包)实施。对于每一个基因，在两群体中的平均表达量的差异和稳定性会在该步骤中考虑(优选平均表达量差异倍数大于等于2，校正后p值小于0.2)，最终通过筛选的基因成为候选的基因标志物。随后，可采用两种模型根据特征重要性进行筛选。两种模型共同使用有利于保证特征的稳定性。优选地，可用广义线性模型和随机森林根据特征重要性进行筛选，例如，每次筛选可从中筛选出30个最重要的分子，筛选过程进行20次，挑选出现频率较高的基因标志物作为最佳基因标志物。
在优选的实施方式中，在训练集中，基于最终筛选出来的最佳基因标记物，采用四种机器学习方法(广义线性模型，梯度提升机、随机森林和支持向量机)进行胎膜早破早产的风险预测。优选每一种算法都采用7折交叉验证的方式挑选出最优参数进行预测模型构建。形成的模型可在验证集中验证效果。
优选地，可通过验证集的效果验证，挑选出效果最优的模型并计算特征重要性。
优选的，mRNA基因和lncRNA基因可共同作为基因标志物进行效果验证，从而构建风险预测模型。
在优选的实施例中，本发明方法构建的预测模型可以在孕中期且最多可以提前23周，以及只需要采取孕妇外周血就可以用无创的方法对胎膜早破早产进行风险预测，预测的灵敏性可达75％，特异性可达83％，接收器工作特性曲线下面积(AUC)在训练集0.94，验证集0.82，均高于现有技术水平。
在第六种典型的实施方式中，提供了一种用于预测孕妇不明原因自发早产风险的方法，该方法包括：
步骤S1：获取来源于所述孕妇的生物样品中基因标志物的表达谱，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1；
步骤S2：基于基因标志物的表达谱，鉴别孕妇的不明原因自发早产风险。
本申请首次发现孕妇生物样品中的基因标志物与孕妇不明原因自发早产疾病有着显著的相关性，因而可以作为预测孕妇不明原因自发早产的标志物。这些基因标志物包括16个mRNA基因和20个lncRNA基因，其中mRNA基因标志物包括AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR；lncRNA基因标志物包括AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
在本发明的方法中，基因标志物优选包括FP671120.4、TTLL10-AS1、AL109936.2、LINC02076、AC021087.2、AL606760.3、AC018716.2、LINC00221、LINC00511、AC099689.1、AC005332.6、AL138921.1、AC093525.9、LINC00689、AP000688.4、AC022613.3、AC105020.6、AC084759.3、AC016727.1、AC092338.2中的一种或多种。
上面列出的各基因可单独或组合使用。例如，可以采用以下全部基因的组合作为基因标志物：FP671120.4、TTLL10-AS1、AL109936.2、LINC02076、AC021087.2、AL606760.3、 AC018716.2、LINC00221、LINC00511、AC099689.1、AC005332.6、AL138921.1、AC093525.9、LINC00689、AP000688.4、AC022613.3、AC105020.6、AC084759.3、AC016727.1、AC092338.2，从而实现不明原因自发早产的风险预测。
在上述步骤S2中，鉴别孕妇的不明原因自发早产风险可以通过利用孕妇不明原因自发早产风险预测模型来实施，通过利用来源于已发生不明原因自发早产的孕妇的生物样品中上述基因标志物的表达谱训练计算机来产生孕妇不明原因自发早产风险预测模型。
训练计算机可通过机器学习方法来实施。机器学习方法选自回归法、分类法或其组合。“机器学习”一般表示在未明确编程的情况下，给予计算机学习能力的算法，包括从数据学习并对数据做出预测的算法。本发明所使用的机器学习方法可以包括随机森林、最小绝对收缩和选择算子逻辑回归、正则化逻辑回归、XGBoost、决策树学习、人工神经网络、深度神经网络、支持向量机、基于规则的机器学习、广义线性模型、梯度提升机等。优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
在预测模型中，可通过模型自动计算得出的风险分数，来评价和预测不明原因自发早产风险高低。例如，若风险分数大于0.5，认为不明原因自发早产高风险，若风险分数小于0.5，则认为不明原因自发早产低风险。
来源于孕妇的生物样品可以为以下一种或多种：血浆、血清、全血、尿液、羊水。优选采用来源于孕妇的血浆、血清或全血，用于本发明的检测和鉴别步骤。该生物样品最优选为血浆，例如，可以从孕妇获取外周血并实施血浆分离，从而获得待使用的血浆生物样品。除了血浆、血清或全血，还可以使用其他体液样品，如尿液、羊水等。生物样品的获取可以采用本领域常规的方法实施。
在本发明中，生物样品的采集可以在孕妇第11至25孕周时进行。通过采用上述特定的基因标志物作为预测因子，本发明的应用群体不必区分孕妇是否早产高危，可以适用于一般孕妇群体。利用上述基因标志物，本发明在孕中期可以实现不明原因自发早产的预测。本发明最高可以提早23周实现早产预测。因此，本发明的方法适用人群更广，更具有临床应用性。
在上述方法的步骤S1中，通过对生物样品中的胞外游离RNA(cfRNA)进行定量分析，从而获取所述基因标志物的表达谱；优选地，采用高通量测序法或RT-PCR法对生物样品中的胞外游离RNA进行定量分析；更优选地，采用下一代测序法对生物样品中的胞外游离RNA进行定量分析。
具体来说，生物样品中的胞外游离RNA可采用本领域常用的方法或试剂盒或两者组合提取获得。例如，可以使用TRIzol LS标准的RNA提取步骤，从血浆生物样品中提取胞外游离RNA。
在一种具体的实施方式中，对胞外游离RNA进行定量分析，优选包括利用全转录组测序，使用下一代测序法对孕妇生物样品(优选血浆样品)中的胞外游离RNA进行测序。该方法能 同时对血浆游离mRNA和游离lncRNA进行测序。也可以采用RT-PCR的方法进行分析。还可以采用本领域已知的其他方法如qPCR法对胞外游离RNA的表达谱进行定量分析。
优选地，对胞外游离RNA进行定量分析，还包括将原始的胞外游离RNA测序数据进行质控的步骤，优选包括剪切接头，去除低质量读长，去除<17bp长度的读长，去除rRNA序列和value RNA及Y RNA序列，将剩余读长先比对到人源转录组(顺序为miRNA、tRNA和piRNA，mRNA和lncRNA，最后为其他RNA)。在优选的实施方式中，RNA比对用bowtie软件，定量用RSEM进行。
通过将本发明的基因标志物作为预测孕妇不明原因自发早产风险的标志物，根据现有试剂盒的制备原则，可以制备出针对本发明所述基因标志物的预测试剂盒。还可以针对这些基因标志物，制备出用于预测孕妇不明原因自发早产风险的检测探针、芯片等。
本发明通过采用特定的基因标志物作为检测靶标，基于基因标志物的表达谱与孕妇不明原因自发早产疾病的关联性，实现了对孕妇不明原因自发早产的高特异性和高灵敏性的风险预测。
在第七种典型的实施方式中，本发明提供了一种用于预测孕妇不明原因自发早产风险的试剂盒，该试剂盒包括基因标志物的检测试剂，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。采用试剂盒进行预测，使得预测更加方便、简单、快速。优选上述基因标志物包括以下一种或多种基因：FP671120.4、TTLL10-AS1、AL109936.2、LINC02076、AC021087.2、AL606760.3、AC018716.2、LINC00221、LINC00511、AC099689.1、AC005332.6、AL138921.1、AC093525.9、LINC00689、AP000688.4、AC022613.3、AC105020.6、AC084759.3、AC016727.1、AC092338.2。
在试剂盒中，基因标志物的检测试剂可包括用于检测基因标志物的探针和/或引物，具体为一种或多种特异性结合(杂交)至基因标志物的探针和/或一种或多种特异性扩增基因标志物的引物。
由于RNA测序通常包括产生用于测序的cDNA分子的反转录步骤，因而在采用RNA测序时，本发明的试剂盒还可以包含将生物样品中的RNA转化为cDNA片段文库的试剂。
在第八种典型的实施方式中，提供了基因标志物的检测试剂在制备预测孕妇不明原因自发早产风险的试剂盒中的应用，基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、 LINC02076、TTLL10-AS1。优选地，基因标志物包括以下一种或多种基因：FP671120.4、TTLL10-AS1、AL109936.2、LINC02076、AC021087.2、AL606760.3、AC018716.2、LINC00221、LINC00511、AC099689.1、AC005332.6、AL138921.1、AC093525.9、LINC00689、AP000688.4、AC022613.3、AC105020.6、AC084759.3、AC016727.1、AC092338.2。基因标志物的检测试剂包括用于检测基因标志物的探针和/或引物，具体地是一种或多种特异性结合(杂交)至基因标志物的探针和/或一种或多种特异性扩增基因标志物的引物。
在第九种典型的实施方式中，本发明提供了一种用于预测孕妇不明原因自发早产风险的装置，该装置内置有孕妇不明原因自发早产风险预测模型，该预测模型是通过利用来源于已发生不明原因自发早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生，所述基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。优选地，基因标志物包括以下一种或多种基因：FP671120.4、TTLL10-AS1、AL109936.2、LINC02076、AC021087.2、AL606760.3、AC018716.2、LINC00221、LINC00511、AC099689.1、AC005332.6、AL138921.1、AC093525.9、LINC00689、AP000688.4、AC022613.3、AC105020.6、AC084759.3、AC016727.1、AC092338.2。在一种优选的实施方式中，该预测模型为广义线性模型、梯度提升机、随机森林或支持向量机模型。
在第十种典型的实施方式中，提供了一种孕妇不明原因自发早产风险预测模型的构建方法，该构建方法包括：检测来源于不明原因自发早产的孕妇群体和足月分娩的孕妇群体的生物样品中的基因标志物的差异表达；将部分不明原因自发早产的孕妇群体和部分足月分娩的孕妇群体作为训练集，利用训练集筛选出最佳基因标志物；在训练集中，利用最佳基因标志物训练计算机，从而得到孕妇不明原因自发早产风险预测模型；将剩余部分的不明原因自发早产的孕妇群体和剩余部分的足月分娩的孕妇群体作为验证集，利用验证集验证孕妇不明原因自发早产风险预测模型；其中，最佳基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。优选上述最佳基因标志物包括以下一种或多种基因：FP671120.4、TTLL10-AS1、AL109936.2、LINC02076、AC021087.2、AL606760.3、AC018716.2、LINC00221、LINC00511、AC099689.1、AC005332.6、AL138921.1、AC093525.9、LINC00689、AP000688.4、AC022613.3、AC105020.6、AC084759.3、AC016727.1、AC092338.2。
本发明的模型构建方法所采用的生物样品优选为以下一种或多种：血浆、血清、全血、尿液、羊水；特别优选血浆、血清、全血；最优选血浆。并且，生物样品可在孕妇第11至25孕周时采集获得。
本发明训练计算机时可采用机器学习方法，优选机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林和支持向量机。
在本发明的模型构建方法中，训练集和验证集可以根据需要按照一定比例进行拆分，优选地，将所有不明原因自发早产的孕妇按照7:3的人数比例随机拆分为训练集和验证集，将所有足月分娩的孕妇按照7:3的人数比例随机拆分为训练集和验证集。最佳基因标志物的筛选在训练集完成，验证集则用于检验最佳基因标志物及模型的预测效果。
在优选的实施方式中，通过比较不明原因自发早产孕妇群体和足月分娩孕妇群体的基因表达谱差异来初步筛选候选的基因标志物，基因标志物可包括mRNA基因和lncRNA基因。该步骤例如可使用DESeq2包(R软件包)实施。对于每一个基因，在两群体中的平均表达量的差异和稳定性会在该步骤中考虑(优选平均表达量差异倍数大于等于2，校正后p值小于0.2)，最终通过筛选的基因成为候选的基因标志物。随后，可用广义线性模型和随机森林根据特征重要性进行筛选，例如，每次筛选可从中筛选出30个最重要的分子，筛选过程进行20次，挑选出现频率较高的基因标志物作为最佳基因标志物。
在优选的实施方式中，在训练集中，基于最终筛选出来的最佳基因标记物，采用四种机器学习方法(广义线性模型，梯度提升机、随机森林和支持向量机)进行不明原因自发早产的风险预测。优选每一种算法都采用7折交叉验证的方式挑选出最优参数进行预测模型构建。形成的模型可在验证集中验证效果。
优选地，可通过验证集的效果验证，挑选出效果最优的模型并计算特征重要性。
优选的，mRNA基因和lncRNA基因可共同作为基因标志物进行效果验证，从而构建风险预测模型。
在优选的实施例中，本发明方法构建的预测模型可以在孕中期且最多可以提前23周，以及只需要采取孕妇外周血就可以用无创的方法对不明原因自发早产进行风险预测，预测的灵敏性可达74％，特异性可达90％，接收器工作特性曲线下面积(AUC)在训练集0.96，验证集0.91，均高于现有技术水平。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的检测仪器等硬件设备的方式来实现。基于这样的理解，本申请的技术方案中数据处理的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分的方法。
本申请可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
显然，本领域的技术人员应该明白，上述的本申请的部分模块或步骤可以在通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
在一种优选的实施例中，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述用于预测孕妇胎膜早破早产风险的方法或执行上述孕妇胎膜早破早产风险预测模型的构建方法。
在一种优选的实施例中，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述用于预测孕妇胎膜早破早产风险的方法或执行上述孕妇胎膜早破早产风险预测模型的构建方法。
在一种优选的实施例中，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述用于预测孕妇不明原因自发早产风险的方法或执行上述孕妇不明原因自发早产风险预测模型的构建方法。
在一种优选的实施例中，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述用于预测孕妇不明原因自发早产风险的方法或执行上述孕妇不明原因自发早产风险预测模型的构建方法。
此外，本发明的基因标志物可能对预测孕妇分娩孕周有效果。
下面将结合具体的实施例来进一步说明本申请的有益效果。
实施例1
(1)孕妇血浆样品的获取
277例的单胎孕妇外周血从医院获取，血液收集孕周为11至25，如图1示出。血液来源于早产和足月的孕妇，其中胎膜早破早产104例，不明原因的自发早产74例，足月孕妇99例。早产孕妇从采血到分娩相差孕周为6～23周，如图2示出。所有血液样品立即存储在4℃下，并在8小时内实行血浆分离。血浆分离采用2步离心法，在4℃以1,600g转速离心10分钟，再以12,000g转速离心10分钟。血浆分离之后立即存储在-80℃等待下一步的处理。
(2)胞外游离RNA(cfRNA)的提取
在血浆中加入Trizol LS并立即震荡混匀，后续的cfRNA提取步骤使用TRIzol LS标准的RNA提取方法进行。
(3)cfRNA的测序
cfRNA的测序利用全转录组测序，使用下一代测序法对早产(分别为胎膜早破早产和不明原因自发早产)和足月孕妇的血浆样品进行测序。该方法能同时对血浆游离mRNA和游离lncRNA进行测序。
(4)cfRNA的表达谱定量
将原始的cfRNA测序数据进行质控，包括剪切接头，去除低质量读长，去除<17bp长度的的读长，去除rRNA序列和value RNA及Y RNA序列。将剩余读长比对到人转录组(顺序为miRNA、tRNA和piRNA，mRNA和lncRNA，最后为其他RNA)，接着剩余读长比对到人基因组。长RNA(包括mRNA和lncRNA)的表达量矫正为TPM，公式如下：
TPM＝(Ni/Li)*1000000/(sum(N1/L1+N2/L2+N3/L3+…+Nn/Ln))
Ni为比对到第i个基因的读长数；Li为第i个基因的长度；sum(N1/L1+N2/L2+...+Nn/Ln)为所有(n个)基因按长度进行标准化之后数值的和。
TotalMappingReads为所有比对上的读长数总和。
(5)最佳基因标志物的筛选
将胎膜早破早产孕妇群体、不明原因自发早产孕妇群体和足月分娩孕妇群体分别按照7:3的比例随机拆分成训练集和验证集，训练集包含72个胎膜早破早产的样本，51个不明原因自发早产的样本和69个足月样本，验证集包含32个胎膜早破早产的样本，23个不明原因自发早产的样本和30个足月样本。基因标志物的筛选在训练集完成，验证集用于检验基因标志物及模型的预测效果。孕妇群体的相关数据请参见表1。
表1：实施例1中早产孕妇群体和足月分娩孕妇群体的相关数据
通过比较胎膜早破早产、不明原因自发早产和足月分娩各孕妇组的表达谱差异来初步筛选候选的基因标志物，该步骤使用DESeq2包(R软件包)实现。对于每一个基因，两组中平均表达量的差异和稳定性在该步骤中加以考虑(平均表达量差异倍数大于等于2，校正后p值小于0.2)，最终通过筛选的基因成为候选的基因标志物。用广义线性模型和随机森林根据特征重要性进行筛选，每次筛选都从中筛选出30个最重要的分子。这个过程进行20次，并挑选出现频率较高的基因标志物作为最佳基因标志物。基因标志物的筛选流程图见图3。
对mRNA和lncRNA分子进行特征挑选后，产生21个mRNA基因标志物(CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10)和18个lncRNA基因标志物(AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1)，作为胎膜早破早产的最佳基因标志物；产生16个mRNA基因标志物(AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR)和20个lncRNA基因标志物(AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1)，作为不明原因自发早产的最佳基因标志物。
本实施例筛选得到的胎膜早破早产的最佳基因标志物和不明原因自发早产的最佳基因标志物分别示出在以下表2和表3中。
表2：实施例1筛选得到的胎膜早破早产的最佳基因标志物的基因和转录本信息
| 基因名称 | 基因登记号 | 最长转录本登记号 | 最长转录本长度(bp) |
| SEPT10 | ENSG00000186522.14_4 | ENST00000356688.8_3 | 3091 |
| AC004803.1 | ENSG00000250132.6_6 | ENST00000503602.6_1 | 3207 |
| AC009779.2 | ENSG00000258056.2_5 | ENST00000552576.2_1 | 1443 |
| AC011461.1 | ENSG00000267197.1_6 | ENST00000592671.1_1 | 357 |
| AC015878.2 | ENSG00000265948.1_6 | ENST00000584331.1_1 | 361 |
| AC016727.1 | ENSG00000270820.5_5 | ENST00000605437.1_1 | 569 |
| AC022568.1 | ENSG00000253474.1_5 | ENST00000518222.1_1 | 833 |
| AC084759.3 | ENSG00000280362.1_5 | ENST00000624468.1_1 | 3944 |
| AC092338.2 | ENSG00000260790.1_5 | ENST00000568827.1_1 | 1415 |
| AC093249.2 | ENSG00000260167.1_5 | ENST00000563540.1_1 | 482 |
| AC103876.1 | ENSG00000259986.1_5 | ENST00000568634.1_1 | 418 |
| AC105020.6 | ENSG00000275454.1_5 | ENST00000621523.1_1 | 1217 |
| AC108099.1 | ENSG00000260786.1_5 | ENST00000564402.1_1 | 3258 |
| AL031733.2 | ENSG00000241666.2_5 | ENST00000451992.2_1 | 2523 |
| AL451074.2 | ENSG00000224358.1_5 | ENST00000423121.1_1 | 2150 |
| AP000688.4 | ENSG00000236677.1_5 | ENST00000436303.1_1 | 446 |
| CCNB1IP1 | ENSG00000100814.17_2 | ENST00000437553.6_1 | 1686 |
| COL9A2 | ENSG00000049089.14_5 | ENST00000372748.7_2 | 2862 |
| DNAJC13 | ENSG00000138246.16_4 | ENST00000260818.10_1 | 7730 |
| FAM45A | ENSG00000119979.17_4 | ENST00000648560.1_1 | 2829 |
| FBXO38 | ENSG00000145868.16_3 | ENST00000340253.9_2 | 4424 |
| FZD3 | ENSG00000104290.10_4 | ENST00000537916.2_1 | 13740 |
| HCK | ENSG00000101336.13_4 | ENST00000538448.5_2 | 2215 |
| KIAA1257 | ENSG00000114656.11_4 | ENST00000265068.9_3 | 6034 |
| KIF2A | ENSG00000068796.16_4 | ENST00000381103.6_1 | 3360 |
| LARP1B | ENSG00000138709.18_4 | ENST00000326639.10_3 | 4891 |
| LRRC56 | ENSG00000161328.10_2 | ENST00000270115.7_1 | 2769 |
| NORAD | ENSG00000260032.1_3 | ENST00000565493.1_1 | 5339 |
| PINK1-AS | ENSG00000117242.7_6 | ENST00000451424.1_1 | 4443 |
| PLD5 | ENSG00000180287.16_3 | ENST00000536534.6_1 | 8721 |
| PROS1 | ENSG00000184500.15_3 | ENST00000394236.8_2 | 3583 |
| REV3L-IT1 | ENSG00000229276.1_5 | ENST00000411895.1_1 | 382 |
| SLC41A3 | ENSG00000114544.16_4 | ENST00000383598.6_4 | 2330 |
| SPIN1 | ENSG00000106723.16_2 | ENST00000375859.3_1 | 4484 |
| TMUB1 | ENSG00000164897.12_2 | ENST00000392818.7_1 | 1563 |
| TUBB4A | ENSG00000104833.11_5 | ENST00000264071.6_1 | 2552 |
| UPF1 | ENSG00000005007.12_3 | ENST00000262803.9_2 | 5348 |
| WDR34 | ENSG00000119333.11_2 | ENST00000372715.6_1 | 1755 |
| ZBTB10 | ENSG00000205189.11_2 | ENST00000430430.5_1 | 10132 |
表3：实施例1筛选得到的不明原因自发早产的最佳基因标志物的基因和转录本信息
| 基因名称 | 基因登记号 | 最长转录本登记号 | 最长转录本长度(bp) |
| AC005332.6 | ENSG00000278730.1_5 | ENST00000620266.1_1 | 2921 |
| AC016727.1 | ENSG00000270820.5_5 | ENST00000605437.1_1 | 569 |
| AC018716.2 | ENSG00000255267.3_5 | ENST00000528390.1_1 | 2597 |
| AC021087.2 | ENSG00000260774.1_6 | ENST00000565521.1_1 | 2881 |
| AC022613.3 | ENSG00000259644.1_6 | ENST00000560740.1_1 | 1346 |
| AC084759.3 | ENSG00000280362.1_5 | ENST00000624468.1_1 | 3944 |
| AC092338.2 | ENSG00000260790.1_5 | ENST00000568827.1_1 | 1415 |
| AC093525.9 | ENSG00000279568.1_5 | ENST00000624961.1_1 | 1746 |
| AC099689.1 | ENSG00000279416.1_6 | ENST00000624383.1_1 | 1302 |
| AC105020.6 | ENSG00000275454.1_5 | ENST00000621523.1_1 | 1217 |
| AKAP2 | ENSG00000241978.9_4 | ENST00000374525.5_2 | 6866 |
| AL109936.2 | ENSG00000271420.1_5 | ENST00000605350.1_1 | 650 |
| AL138921.1 | ENSG00000227492.1_5 | ENST00000444359.1_1 | 846 |
| AL606760.3 | ENSG00000259818.1_5 | ENST00000569869.1_1 | 3591 |
| AP000688.4 | ENSG00000236677.1_5 | ENST00000436303.1_1 | 446 |
| CCNB1IP1 | ENSG00000100814.17_2 | ENST00000437553.6_1 | 1686 |
| CEACAM19 | ENSG00000186567.12_3 | ENST00000358777.8_1 | 2249 |
| EMP3 | ENSG00000142227.10_3 | ENST00000270221.10_1 | 876 |
| FAR1 | ENSG00000197601.12_3 | ENST00000532502.1_1 | 5820 |
| FOXN3 | ENSG00000053254.15_4 | ENST00000345097.8_2 | 7832 |
| FP671120.4 | ENSG00000281383.1_5 | ENST00000629969.1_1 | 917 |
| GSAP | ENSG00000186088.15_3 | ENST00000257626.11_3 | 3251 |
| GTF3C2 | ENSG00000115207.13_3 | ENST00000359541.6_1 | 3992 |
| HPS3 | ENSG00000163755.8_3 | ENST00000296051.6_2 | 4665 |
| LINC00221 | ENSG00000270816.5_4 | ENST00000603633.2_1 | 1652 |
| LINC00511 | ENSG00000227036.7_3 | ENST00000650033.1_1 | 3766 |
| LINC00689 | ENSG00000231419.6_2 | ENST00000413238.1_1 | 4684 |
| LINC02076 | ENSG00000220161.4_4 | ENST00000577684.1_1 | 1871 |
| MTURN | ENSG00000180354.15_4 | ENST00000324453.12_3 | 5937 |
| NR1D2 | ENSG00000174738.12_2 | ENST00000312521.8_1 | 5258 |
| PIK3CG | ENSG00000105851.10_3 | ENST00000359195.3_1 | 5377 |
| TMUB1 | ENSG00000164897.12_2 | ENST00000392818.7_1 | 1563 |
| TTLL10-AS1 | ENSG00000205231.1_5 | ENST00000379317.1_1 | 3532 |
| UPF1 | ENSG00000005007.12_3 | ENST00000262803.9_2 | 5348 |
| WDR34 | ENSG00000119333.11_2 | ENST00000372715.6_1 | 1755 |
| ZFR | ENSG00000056097.15_2 | ENST00000265069.12_1 | 4738 |
上述基因标志物的具体序列信息可在Genbank中根据序列编号获取。
(6)基于最佳基因标志物的模型构建及验证
在训练集中，基于最终筛选出来的最佳基因标志物(包括mRNA和lncRNA)，采用4种机器学习算法(广义线性模型，梯度提升机、随机森林和支持向量机)进行胎膜早破和不明原因自发早产的风险预测。每一种算法都采用7折交叉验证的方式挑选出最优参数进行预测模型构建。得到的模型在验证集中验证效果，并从中挑选最好的模型作为最优模型(胎膜早破采用随机森林模型作为最优模型；不明原因自发早产采用支持向量机作为最优模型)并计 算特征重要性。mRNA基因标志物和lncRNA基因标志物共同应用验证效果，一起构建模型。模型构建流程图可参见图4。
(7)基因标志物对早产风险的预测效果评估
(7.1)基因标志物对胎膜早破早产风险的预测效果
在筛选获得的针对胎膜早破早产的最佳基因标志物(21个mRNA基因标志物和18个lncRNA基因标志物)中，使用其中20个基因标志物(包括6个mRNA分子和14个lncRNA分子，在图5-A中示出，基因标志物的重要性进行了0到100的归一化)的组合，进行预测效果评估，结果可参见图5-B以及表4(其中，PPROM_Group3代表20个基因标志物的组合)。可以看到，该基因标志物的组合在验证集达到了很好的预测效果，敏感性75％，特异性83％，AUC(Area under the receiver operating characteristic curve，接收者操作特征曲线面积)0.818。同时，单独采用AC084759.3、AC092338.2、AP000688.4以及采用另外两种组合(分别是三个基因标志物的组合PPROM_Group1和六个基因标志物的组合PPROM_Group2)进行预测效果评估，发现这些基因标志物单独或组合使用对胎膜早破早产均有预测效果，结果可参见图5-B以及表4。
(7.2)基因标志物对不明原因自发早产风险的预测效果
在筛选获得的针对不明原因自发早产的最佳基因标志物(16个mRNA基因标志物和20个lncRNA基因标志物)中，使用其中20个基因标志物(包括20个lncRNA分子，在图6-A中示出，基因标志物的重要性进行了0到100的归一化)的组合，进行预测效果评估，结果可参见图6-B以及表4(其中，PTL_Group3代表20个基因标志物的组合)。可以看到，该基因标志物的组合在验证集达到了很好的预测效果，敏感性74％，特异性90％，AUC 0.91。同时，单独采用AC092338.2、AP000688.4、AC016727.1、AC084759.3以及采用另外两种组合(分别是四个基因标志物的组合PTL_Group1和六个基因标志物的组合PTL_Group2)进行预测效果评估，发现这些基因标志物单独或组合使用对不明原因自发早产均有预测效果，结果可参见图5-B以及表4。
从以上的结果可以看出，本发明上述的实施例实现了如下技术效果：利用血浆中本发明多个基因标志物的组合，结合机器学习模型，可最高提早23周预测胎膜早破早产和不明原因自发早产。本发明只需要采取孕妇外周血就可以用无创的方法对早产进行风险预测。本发明的基因标志物可以单独使用或组合使用。在单独使用的情况下，本发明的胎膜早破早产基因标志物的预测灵敏性和特异性分别可至少达到44％和57％，不明原因早产基因标志物的预测灵敏性和特异性分别可至少达到30％和70％，高于现有技术单独采用基因标志物的早产预测效果。本发明的基因标志物在随机组合的情况下，针对胎膜早破早产，可以实现63％以上的预测灵敏性和83％以上的预测特异性，针对不明原因早产，可以实现74％以上的预测灵敏性和80％以上的预测特异性，均高于现有技术水平。在20个基因组合的情况下，胎膜早破早产预测的灵敏性可达75％，特异性可达83％，接收器工作特性曲线下面积(AUC)在训练集达到0.94，验证集达到0.82，均高于现有技术水平；不明原因自发早产预测的灵敏性可达74％，特异性可达90％，接收器工作特性曲线下面积在训练集达到0.96，验证集达到0.91，远远高于现有技术水平。本发明的方法可适用于无症状的一般孕妇群体，不区分是否高危，在孕中期就可以预测，最高可提早23周预测早产，相比于现有技术提前了15周。本发明的方法适用人群更广，更具有临床应用性。经过数据验证，本发明的预测模型的准确性比较高，适合用于早期预测孕妇的早产风险，从而实现尽早干预。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (32)
- 一种用于预测孕妇胎膜早破早产风险的方法，其特征在于，所述方法包括：步骤S1：获取来源于所述孕妇的生物样品中基因标志物的表达谱；步骤S2：基于所述基因标志物的表达谱，鉴别所述孕妇的胎膜早破早产风险。
- 根据权利要求1所述的方法，其特征在于，在步骤S1中，所述基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
- 根据权利要求1所述的方法，其特征在于，在步骤S2中，鉴别所述孕妇的胎膜早破早产风险是通过利用孕妇胎膜早破早产风险预测模型来实施的，所述孕妇胎膜早破早产风险预测模型是通过利用来源于已发生胎膜早破早产的孕妇的生物样品中所述基因标志物的表达谱训练计算机而产生。
- 根据权利要求3所述的方法，其特征在于，所述训练计算机是通过机器学习方法来实施，优选所述机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
- 根据权利要求1至4中任一项所述的方法，其特征在于，所述生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选所述生物样品在所述孕妇第11至25孕周时采集获得。
- 根据权利要求1至4中任一项所述的方法，其特征在于，在步骤S1中，通过对所述生物样品中的胞外游离RNA进行定量分析，从而获取所述基因标志物的表达谱；优选地，采用高通量测序法或RT-PCR法对所述生物样品中的胞外游离RNA进行定量分析；更优选地，采用高通量测序法对所述生物样品中的胞外游离RNA进行定量分析。
- 一种用于预测孕妇胎膜早破早产风险的试剂盒，其特征在于，所述试剂盒包括基因标志物的检测试剂，所述基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
- 根据权利要求7所述的试剂盒，其特征在于，所述基因标志物的检测试剂包括用于检测所述基因标志物的探针和/或引物；优选为将所述基因标志物的RNA制备成高通量测序文库的相关试剂。
- 基因标志物的检测试剂在制备预测孕妇胎膜早破早产风险的试剂盒中的应用，其特征在于，所述基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
- 根据权利要求9所述的应用，其特征在于，所述基因标志物的检测试剂包括用于检测所述基因标志物的探针和/或引物；优选为将所述基因标志物的RNA制备成高通量测序文库的相关试剂。
- 一种用于预测孕妇胎膜早破早产风险的装置，其特征在于，所述装置内置有孕妇胎膜早破早产风险预测模型，所述预测模型是通过利用来源于已发生胎膜早破早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生，所述基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
- 一种孕妇胎膜早破早产风险预测模型的构建方法，其特征在于，所述构建方法包括：检测来源于胎膜早破早产的孕妇群体和足月分娩的孕妇群体的生物样品中的基因标志物的差异表达；将部分所述胎膜早破早产的孕妇群体和部分所述足月分娩的孕妇群体作为训练集，利用所述训练集筛选出最佳基因标志物；在所述训练集中，利用所述最佳基因标志物训练计算机，从而得到孕妇胎膜早破早产风险预测模型；将剩余部分的所述胎膜早破早产的孕妇群体和剩余部分的所述足月分娩的孕妇群体作为验证集，利用所述验证集验证所述孕妇胎膜早破早产风险预测模型；其中，所述最佳基因标志物包括以下一种或多种基因：CCNB1IP1、COL9A2、DNAJC13、FAM45A、FBXO38、FZD3、HCK、KIAA1257、KIF2A、LARP1B、LRRC56、PLD5、PROS1、SEPT10、SLC41A3、SPIN1、TMUB1、TUBB4A、UPF1、WDR34、ZBTB10、 AC004803.1、AC009779.2、AC011461.1、AC015878.2、AC016727.1、AC022568.1、AC084759.3、AC092338.2、AC093249.2、AC103876.1、AC105020.6、AC108099.1、AL031733.2、AL451074.2、AP000688.4、NORAD、PINK1-AS、REV3L-IT1。
- 根据权利要求12所述的构建方法，其特征在于，所述生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选所述生物样品在孕妇第11至25孕周时采集获得。
- 根据权利要求12或13的构建方法，其特征在于，所述训练计算机是通过机器学习方法来实施，优选所述机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
- 一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任一项所述的用于预测孕妇胎膜早破早产风险的方法或权利要求12至14中任一项所述的孕妇胎膜早破早产风险预测模型的构建方法。
- 一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任一项所述的用于预测孕妇胎膜早破早产风险的方法或权利要求12至14中任一项所述的孕妇胎膜早破早产风险预测模型的构建方法。
- 一种用于预测孕妇不明原因自发早产风险的方法，其特征在于，所述方法包括：步骤S1：获取来源于所述孕妇的生物样品中基因标志物的表达谱；步骤S2：基于所述基因标志物的表达谱，鉴别所述孕妇的不明原因自发早产风险。
- 根据权利要求17所述的方法，其特征在于，在步骤S1中，所述基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
- 根据权利要求17所述的方法，其特征在于，在步骤S2中，鉴别所述孕妇的不明原因自发早产风险是通过利用孕妇不明原因自发早产风险预测模型来实施的，所述孕妇不明原因自发早产风险预测模型是通过利用来源于已发生不明原因自发早产的孕妇的生物样品中所述基因标志物的表达谱训练计算机而产生。
- 根据权利要求19所述的方法，其特征在于，所述训练计算机是通过机器学习方法来实施，优选所述机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
- 根据权利要求17至20中任一项所述的方法，其特征在于，所述生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选所述生物样品在所述孕妇第11至25孕周时采集获得。
- 根据权利要求17至20中任一项所述的方法，其特征在于，在步骤S1中，通过对所述生物样品中的胞外游离RNA进行定量分析，从而获取所述基因标志物的表达谱；优选地，采用高通量测序法或RT-PCR法对所述生物样品中的胞外游离RNA进行定量分析；更优选地，采用高通量测序法对所述生物样品中的胞外游离RNA进行定量分析。
- 一种用于预测孕妇不明原因自发早产风险的试剂盒，其特征在于，所述试剂盒包括基因标志物的检测试剂，所述基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
- 根据权利要求23所述的试剂盒，其特征在于，所述基因标志物的检测试剂包括用于检测所述基因标志物的探针和/或引物；优选为将所述基因标志物的RNA制备成高通量测序文库的相关试剂。
- 基因标志物的检测试剂在制备预测孕妇不明原因自发早产风险的试剂盒中的应用，其特征在于，所述基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
- 根据权利要求25所述的应用，其特征在于，所述基因标志物的检测试剂包括用于检测所述基因标志物的探针和/或引物；优选为将所述基因标志物的RNA制备成高通量测序文库的相关试剂。
- 一种用于预测孕妇不明原因自发早产风险的装置，其特征在于，所述装置内置有孕妇不明原因自发早产风险预测模型，所述预测模型是通过利用来源于已发生不明原因自发早产的孕妇的生物样品中基因标志物的表达谱训练计算机而产生，所述基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、 AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
- 一种孕妇不明原因自发早产风险预测模型的构建方法，其特征在于，所述构建方法包括：检测来源于不明原因自发早产的孕妇群体和足月的孕妇群体的生物样品中的基因标志物的差异表达；将部分所述不明原因自发早产的孕妇群体和部分所述足月的孕妇群体作为训练集，利用所述训练集筛选出最佳基因标志物；在所述训练集中，利用所述最佳基因标志物训练计算机，从而得到孕妇不明原因自发早产风险预测模型；将剩余部分的所述不明原因自发早产的孕妇群体和剩余部分的所述足月的孕妇群体作为验证集，利用所述验证集验证所述孕妇不明原因自发早产风险预测模型；其中，所述最佳基因标志物包括以下一种或多种基因：AKAP2、CCNB1IP1、CEACAM19、EMP3、FAR1、FOXN3、GSAP、GTF3C2、HPS3、MTURN、NR1D2、PIK3CG、TMUB1、UPF1、WDR34、ZFR、AC005332.6、AC016727.1、AC018716.2、AC021087.2、AC022613.3、AC084759.3、AC092338.2、AC093525.9、AC099689.1、AC105020.6、AL109936.2、AL138921.1、AL606760.3、AP000688.4、FP671120.4、LINC00221、LINC00511、LINC00689、LINC02076、TTLL10-AS1。
- 根据权利要求28所述的构建方法，其特征在于，所述生物样品为以下一种或多种：血浆、血清、全血、尿液、羊水；优选所述生物样品在孕妇第11至25孕周时采集获得。
- 根据权利要求28或29的构建方法，其特征在于，所述训练计算机是通过机器学习方法来实施，优选所述机器学习方法包括以下一种或多种：广义线性模型、梯度提升机、随机森林、支持向量机。
- 一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求17至22中任一项所述的用于预测孕妇不明原因自发早产风险的方法或权利要求28至30中任一项所述的孕妇不明原因自发早产风险预测模型的构建方法。
- 一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求17至22中任一项所述的用于预测孕妇不明原因自发早产风险的方法或权利要求28至30中任一项所述的孕妇不明原因自发早产风险预测模型的构建方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/136566 WO2023102786A1 (zh) | 2021-12-08 | 2021-12-08 | 基因标志物在预测孕妇早产风险中的应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118056016A true CN118056016A (zh) | 2024-05-17 |
Family
ID=86729272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180102281.XA Pending CN118056016A (zh) | 2021-12-08 | 2021-12-08 | 基因标志物在预测孕妇早产风险中的应用 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118056016A (zh) |
| WO (1) | WO2023102786A1 (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101309929A (zh) * | 2005-09-15 | 2008-11-19 | 创源生物科技（武汉）有限公司 | 胎膜早破的一个标志物 |
| WO2018027171A1 (en) * | 2016-08-05 | 2018-02-08 | Sera Prognostics, Inc. | Biomarkers for predicting preterm birth due to preterm premature rupture of membranes versus idiopathic spontaneous labor |
| CN109142565A (zh) * | 2018-07-27 | 2019-01-04 | 重庆早柒天生物科技股份有限公司 | 基于iTRAQ技术的胎膜早破孕妇阴道分泌物差异蛋白的筛选方法 |
| CA3126990A1 (en) * | 2019-02-14 | 2020-08-20 | Maneesh Jain | Methods and systems for determining a pregnancy-related state of a subject |
-
2021
- 2021-12-08 CN CN202180102281.XA patent/CN118056016A/zh active Pending
- 2021-12-08 WO PCT/CN2021/136566 patent/WO2023102786A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023102786A1 (zh) | 2023-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230203573A1 (en) | Methods for detection of donor-derived cell-free dna | |
| AU2020221278A1 (en) | Methods and systems for determining a pregnancy-related state of a subject | |
| Tarca et al. | Maternal whole blood mRNA signatures identify women at risk of early preeclampsia: a longitudinal study | |
| US10373708B2 (en) | Systems and methods for generating biomarker signatures with integrated dual ensemble and generalized simulated annealing techniques | |
| US20130217011A1 (en) | Diagnostic biomarkers of diabetes | |
| WO2020077095A1 (en) | tRNA-DERIVED FRAGMENTS AS BIOMARKERS FOR PARKINSON'S DISEASE | |
| CN113493829B (zh) | 生物标志物在肺动脉高压诊疗中的应用 | |
| KR102156282B1 (ko) | 뇌 종양의 예후 예측 방법 | |
| KR102104233B1 (ko) | 뇌 종양의 예후 예측 방법 | |
| WO2015079060A2 (en) | Mirnas as advanced diagnostic tool in patients with cardiovascular disease, in particular acute myocardial infarction (ami) | |
| Zhi et al. | Long non-coding RNA RP11-342L8. 2, derived from RNA sequencing and validated via RT-qPCR, is upregulated and correlates with disease severity in psoriasis patients | |
| CN118056016A (zh) | 基因标志物在预测孕妇早产风险中的应用 | |
| US20230332234A1 (en) | Reagents, methods and kits for identifying pregnant human beings at risk for placental bed disorder(s) | |
| CN113160895A (zh) | 一种结直肠癌风险评估模型及系统 | |
| CN113159529A (zh) | 一种肠道息肉的风险评估模型及相关系统 | |
| JP2023501760A (ja) | 子癇前症に特異的な循環ｒｎａシグネチャー | |
| CN116287175A (zh) | 标志物在制备预测妊娠期肝内胆汁淤积症的相关产品中的应用 | |
| WO2023102840A1 (zh) | 基因标志物在预测孕妇子痫前期风险中的应用 | |
| EP4341438A2 (en) | Methods and systems for methylation profiling of pregnancy-related states | |
| JP2015522258A (ja) | 子癇前症及び／またはｈｅｌｌｐ症候群の予測または早期検出のバイオマーカー検査 | |
| CN118028446A (zh) | 检测标志物及其应用 | |
| KR102348173B1 (ko) | 제2형 당뇨병에 대한 유전적 위험도 측정 방법 및 분석 장치 | |
| KR102519739B1 (ko) | 2단계 Z-score에 기반한 비침습적 산전 검사 방법 및 장치 | |
| Abraham | Quantifying Preterm Birth Risk and Heterogeneity Using Evolutionary History and Electronic Health Records | |
| CN112992273A (zh) | 一种预测早期结直肠癌风险评估模型及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |