KR20200109471A - Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model - Google Patents

Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model Download PDF

Info

Publication number
KR20200109471A
KR20200109471A KR1020190028540A KR20190028540A KR20200109471A KR 20200109471 A KR20200109471 A KR 20200109471A KR 1020190028540 A KR1020190028540 A KR 1020190028540A KR 20190028540 A KR20190028540 A KR 20190028540A KR 20200109471 A KR20200109471 A KR 20200109471A
Authority
KR
South Korea
Prior art keywords
recurrence
differentially expressed
breast cancer
expressed genes
differential expression
Prior art date
Application number
KR1020190028540A
Other languages
Korean (ko)
Other versions
KR102186571B1 (en
Inventor
공경엽
이희진
김영애
서정한
박성희
임경백
윤성민
Original Assignee
울산대학교 산학협력단
숭실대학교산학협력단
재단법인 아산사회복지재단
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 울산대학교 산학협력단, 숭실대학교산학협력단, 재단법인 아산사회복지재단 filed Critical 울산대학교 산학협력단
Priority to KR1020190028540A priority Critical patent/KR102186571B1/en
Publication of KR20200109471A publication Critical patent/KR20200109471A/en
Application granted granted Critical
Publication of KR102186571B1 publication Critical patent/KR102186571B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • 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
    • C12Q1/6809—Methods for determination or identification of nucleic acids involving differential detection
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Biotechnology (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Microbiology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Oncology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

The present invention relates to a method for predicting recurrence in breast cancer patients using an immunogene differential expression model. According to the present invention, the method comprises the steps of: collecting biopsy tissue from a breast cancer patient as a subject; obtaining information on a plurality of differentially expressed genes and expression levels from the biopsy tissue using an RNA extraction kit; and predicting the possibility of recurrence of the subject by applying the expression level information for the plurality of differentially expressed genes to a previously learned immunogene differential expression model. According to the present invention, the method for predicting recurrence in breast cancer patients may extract genes that are differentially expressed among immune-related genes in breast cancer, and construct an immunogene differential expression model capable of predicting recurrence from data with a small number of samples through the extracted differentially expressed genes. Therefore, it is possible to predict the recurrence of breast cancer patients with high accuracy at a low cost.

Description

면역유전자 차등발현 모델을 이용한 유방암 환자에 대한 재발 예측 방법 {Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model}Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model

본 발명은 면역유전자 차등발현 모델을 이용한 유방암 환자에 대한 재발 예측 방법에 관한 것으로서, 더욱 상세하게는 유방암 내에 면역 관련 유전자 중에서 차등적으로 발현하는 유전자를 추출하여 면역유전자 차등발현 모델을 구축하고, 구축된 면역유전자 차등발현 모델을 이용하여 재발 발생 여부를 예측하는 재발 예측 방법에 관한 것이다.The present invention relates to a method for predicting recurrence of breast cancer patients using an immunogene differential expression model, and more particularly, to construct an immunogene differential expression model by extracting differentially expressed genes from immune-related genes in breast cancer The present invention relates to a method for predicting recurrence that predicts the occurrence of recurrence by using the differentiated expression model of the immunogene.

삼중음성 유방암이란 전체 유방암의 15-25%를 차지하는 한 아형으로 에스트로겐 수용체, 프로게스테론 수용체, HER2 수용체 모두가 발현되지 않아 유방암의 대표적 표적치료제인 항호르몬제(tamoxifen)이나 트라스투주맙(trastuzumab)의 사용이 불가능하며 효과적인 표적치료제가 없어 다른 아형에 비해서 예후가 나쁘다. Triple-negative breast cancer is a subtype that accounts for 15-25% of all breast cancers.Since all estrogen receptors, progesterone receptors, and HER2 receptors are not expressed, the use of anti-hormone drugs (tamoxifen) or trastuzumab, which are representative target treatments for breast cancer. There is no such thing as this impossible and effective target therapy, so the prognosis is poor compared to other subtypes.

그러나, 삼중음성 유방암 환자의 경우 선행항암화학요법을 시행하면 삼중음성 유방암이 아닌 환자들에 비해 유의하게 높은 완전 관해율(pathologic complete response, pCR)을 보인다. However, patients with triple-negative breast cancer showed significantly higher pathologic complete response (pCR) when prior chemotherapy was performed compared to non-tri-negative breast cancer patients.

여기서, 삼중음성 유방암 환자들의 항암제에 대한 반응성과 예후를 분석해보면, 수술 전에 선행항암화학요법을 받은 환자들 중에서 항암제에 대한 반응성이 좋으면 좋은 예후를 보이고, 항암제에 대해 반응성이 좋지 않으면 암의 진행이 급격히 이루어져 나쁜 예후를 보인다. Here, when analyzing the reactivity and prognosis of anticancer drugs in triple-negative breast cancer patients, among patients who received prior chemotherapy before surgery, a good prognosis is shown if the responsiveness to anticancer drugs is good. It is made rapidly and has a bad prognosis.

따라서 환자 개개인의 치료 반응을 최적화하고 항암치료로 인한 독성을 최소화하기 위한 개인 맞춤치료전략(personalized therapy) 수립이 절실하며 이를 위해서는 항암치료에 대한 종양의 반응을 예측할 수 있는 생체 표지자의 개발이 필요하다. Therefore, it is imperative to establish a personalized therapy strategy to optimize the treatment response of each patient and minimize toxicity due to chemotherapy, and for this, it is necessary to develop a biomarker that can predict tumor response to chemotherapy. .

본 발명의 배경이 되는 기술은 대한민국 공개특허공보 제10-2018-0094497호(2018.03.23. 공개)에 개시되어 있다.The technology behind the present invention is disclosed in Korean Patent Application Publication No. 10-2018-0094497 (published on March 23, 2018).

본 발명이 이루고자 하는 기술적 과제는, 유방암 내에 면역 관련 유전자 중에서 차등적으로 발현하는 유전자를 추출하여 면역유전자 차등발현 모델을 구축하고, 구축된 면역유전자 차등발현 모델을 이용하여 재발 발생 여부를 예측하는 재발 예측 방법을 제공하는데 목적이 있다. The technical problem to be achieved by the present invention is to construct an immunogene differential expression model by extracting differentially expressed genes among immune-related genes in breast cancer, and to predict whether or not recurrence occurs using the established immunogene differential expression model. It aims to provide a prediction method.

이러한 기술적 과제를 이루기 위한 본 발명의 실시예에 따르면, 면역유전자 차등발현 모델을 이용한 유방암 환자에 대한 재발 예측 방법에 있어서, 피검자인 유방암 환자로부터 생검 조직을 수집하는 단계, RNA 추출 키트를 사용하여 상기 생검 조직으로부터 복수의 차등적 발현 유전자 및 발현량 정보를 획득하는 단계, 그리고 상기 복수의 차등적 발현 유전자에 대한 발현량 정보를 기 학습된 면역유전자 차등발현 모델에 적용하여 상기 피검자의 재발 가능성을 예측하는 단계를 포함한다. According to an embodiment of the present invention for achieving such a technical problem, in a method for predicting recurrence of a breast cancer patient using an immunogene differential expression model, the step of collecting a biopsy tissue from a breast cancer patient as a subject, the RNA extraction kit Obtaining information on a plurality of differentially expressed genes and expression levels from a biopsy tissue, and predicting the possibility of recurrence of the subject by applying the expression level information on the plurality of differentially expressed genes to a previously learned immunogene differential expression model. It includes the step of.

또한, 상기 면역유전자 차등발현 모델을 구축하여 학습시키는 단계를 더 포함하며, 상기 면역유전자 차등발현 모델을 구축하여 학습시키는 단계는, 선행항암화학요법을 받은 복수의 유방암 환자로부터 생검 조직을 수집하는 단계, RNA 추출키트를 이용하여 상기 생검 조직으로부터 유전자 정보를 획득하는 단계, 상기 복수의 유방암 환자를 재발이 발생된 환자 그룹과 재발이 발생하지 않은 환자 그룹으로 그룹핑하고, 각 그룹으로부터 획득한 유전자 정보를 이용하여, 상기 두 그룹 간의 차등적으로 발현되는 복수의 차등적 발현 유전자를 선택하는 단계, 상기 선택된 복수의 차등적 발현 유전자가 유방암 재발에 영향력을 주는 유전자인지 검증을 하는 단계, 그리고 상기 검증된 복수의 차등적 발현 유전자 및 발현량 정보를 랜덤 포레스트를 기반으로 학습하여 면역유전자 차등발현 모델을 구축하는 단계를 포함할 수 있다. In addition, the step of building and learning the immunogene differential expression model further comprises the step of building and learning the immune gene differential expression model, the step of collecting biopsy tissue from a plurality of breast cancer patients who have received prior chemotherapy , Obtaining genetic information from the biopsy tissue using an RNA extraction kit, grouping the plurality of breast cancer patients into a patient group with a recurrence and a patient group with no recurrence, and using the gene information obtained from each group Using, selecting a plurality of differentially expressed genes that are differentially expressed between the two groups, verifying whether the selected plurality of differentially expressed genes are genes influencing breast cancer recurrence, and the verified plurality It may comprise the step of building an immunogene differential expression model by learning the differentially expressed gene and expression level information of the random forest based on the random forest.

상기 복수의 차등적 발현 유전자를 선택하는 단계는, 음이항(Negative binominal) 모형을 적용한 edgeR 방법을 이용하여 재발이 발생된 환자 그룹과 재발이 발생하지 않은 환자 그룹 사이에서 차등적으로 발현되는 복수의 차등적 발현 유전자를 선택할 수 있다. The step of selecting the plurality of differentially expressed genes may include a plurality of differentially expressed genes between a group of patients with recurrence and a group of patients with no recurrence using the edgeR method applying a negative binominal model. Differentially expressed genes can be selected.

상기 복수의 차등적 발현 유전자를 선택하는 단계는, 상기 생검 조직으로부터 획득한 유전자 정보를 상기 edgeR 방법에 적용하여 FDR 값이 0.05보다 낮은 유전자를 차등적 발현 유전자로 선택할 수 있다. In the step of selecting the plurality of differentially expressed genes, a gene having an FDR value of less than 0.05 may be selected as the differentially expressed gene by applying the gene information obtained from the biopsy tissue to the edgeR method.

상기 검증을 하는 단계는, Cox모델에 상기 선택된 복수의 차등적 발현 유전자를 적용하여 생존에 대한 치료 효과를 추정하고, 추정된 결과에 따라 차등적 발현유전자가 유방암 재발에 미치는 영향력을 검증할 수 있다. In the verifying step, the selected plurality of differentially expressed genes is applied to the Cox model to estimate the therapeutic effect on survival, and the influence of the differentially expressed genes on breast cancer recurrence may be verified according to the estimated result. .

상기 면역유전자 차등발현 모델을 구축하여 학습시키는 단계는, 상기 복수의 차등적 발현 유전자 중에서 무작위로 n개 선택하여 테스트 셋을 생성하고, 생성된 테스트 셋을 이용하여 면역유전자 차등발현 모델을 구축하여 학습시킬 수 있다. In the step of constructing and learning the immunogene differential expression model, a test set is generated by selecting n randomly from the plurality of differentially expressed genes, and the immune gene differential expression model is constructed and learned using the generated test set. I can make it.

상기 복수의 차등적 발현 유전자는, CCL5, CCL7, TNFSF13B, CSF2RB, CLEC4E, CCL8, SELE, EDNRB, IL17B, IL2RA, FCER1A, TGFBI 및 GZMB 중에서 적어도 하나를 포함할 수 있다. The plurality of differentially expressed genes may include at least one of CCL5, CCL7, TNFSF13B, CSF2RB, CLEC4E, CCL8, SELE, EDNRB, IL17B, IL2RA, FCER1A, TGFBI and GZMB.

상기 유방암 환자는, 삼중음성 유방암 환자를 포함할 수 있다. The breast cancer patient may include a triple negative breast cancer patient.

이와 같이 본 발명에 따르면, 유방암 내에 포함된 면역 관련 유전자 중에서 재발을 예측하는 차등적 발현 유전자를 추출하고, 추출된 차등적 발현 유전자를 통해 샘플의 수가 적은 데이터로부터 재발을 예측할 수 있는 면역유전자 차등발현 모델을 구축할 수 있다. 따라서, 적은 비용으로 높은 정확성을 통해 유방암 환자의 재발을 예측할 수 있다. As described above, according to the present invention, differential expression genes for predicting recurrence are extracted from immune-related genes included in breast cancer, and differential expression of immunogenes capable of predicting recurrence from data with a small number of samples through the extracted differentially expressed genes. Build a model. Therefore, it is possible to predict the recurrence of breast cancer patients with high accuracy at low cost.

또한, 본 발명에 따르면, 유방암 환자의 예후와 치료반응 예측에 중요한 것으로 대두되고 있는 면역관련 인자를 분석하여 치료제 개발 기반을 마련할 수 있고, 치료제 개발로 인해 유방암의 진료 지침이 개선될 수 있다. In addition, according to the present invention, by analyzing immune-related factors, which are emerging as important in predicting the prognosis and treatment response of breast cancer patients, a basis for the development of a therapeutic agent can be prepared, and the treatment guidelines for breast cancer can be improved due to the development of the therapeutic agent.

또한, 본 발명에 따르면, 유방암 환자의 치료 반응성 예측 모델 및 예후 예측 모델을 임상에 적용하여 사용할 수 있으며, 모델 개발에 사용된 분석 방법을 다른 암종에도 적용하여 면역 프로파일링 모델의 확장이 가능한 효과를 지닌다. In addition, according to the present invention, the treatment response prediction model and the prognosis prediction model of breast cancer patients can be applied and used in clinical practice, and the effect of expanding the immune profiling model by applying the analysis method used in the model development to other carcinomas. Have.

도 1은 본 발명의 실시예에 따른 재발 예측 장치를 개략적으로 도시한 도면이다.
도 2는 본 발명의 실시예에 따른 재발 예측을 위한 면역유전자 차등발현 모델을 구축하는 방법을 개략적으로 도시한 순서도이다.
도 3은 도 2에 도시된 S230단계에서 선택된 차등적 발현 유전자를 나타내는 도면이다.
도 4는 도 2에 도시된 S230단계에서 선택된 13개의 차등적 발현 유전자에 대해 검증한 결과를 나타내는 도면이다.
도 5는 도 4에 도시된 검증 결과에 따른 생존곡선을 나타내는 그래프이다.
도 6은 도 2에 도시된 S240단계에서 구축된 면역유전자 차등발현 모델의 유효성을 평가한 결과를 나타내는 그래프이다.
도 7은 본 발명의 실시예에 따른 면역유전자 차등발현 모델을 통해 재발을 예측하는 방법을 개략적으로 도시한 순서도이다. 1 is a diagram schematically illustrating a recurrence prediction apparatus according to an embodiment of the present invention.
2 is a flowchart schematically showing a method of constructing an immunogene differential expression model for predicting recurrence according to an embodiment of the present invention.
3 is a diagram showing differentially expressed genes selected in step S230 shown in FIG. 2.
FIG. 4 is a diagram showing results of verification of 13 differentially expressed genes selected in step S230 shown in FIG. 2.
5 is a graph showing a survival curve according to the verification result shown in FIG. 4.
6 is a graph showing the results of evaluating the effectiveness of the immunogene differential expression model constructed in step S240 shown in FIG. 2.
7 is a flow chart schematically showing a method of predicting recurrence through an immunogene differential expression model according to an embodiment of the present invention.

이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In this process, the thickness of the lines or the size of components shown in the drawings may be exaggerated for clarity and convenience of description.

또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of users or operators. Therefore, definitions of these terms should be made based on the contents throughout the present specification.

이하에서는 도1을 이용하여 본 발명의 실시예에 따른 재발 예측 장치를 더욱 상세하게 설명한다. Hereinafter, an apparatus for predicting recurrence according to an embodiment of the present invention will be described in more detail with reference to FIG. 1.

도 1은 본 발명의 실시예에 따른 재발 예측 장치를 개략적으로 도시한 도면이다. 1 is a diagram schematically illustrating an apparatus for predicting recurrence according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 유방암 환자에 대한 재발 예측 장치(100)는 수집부(110), 유전자 선택부(120), 모델생성부(130) 및 예측부(140)을 포함한다. As shown in FIG. 1, the apparatus 100 for predicting recurrence for a breast cancer patient includes a collection unit 110, a gene selection unit 120, a model generation unit 130, and a prediction unit 140.

먼저, 수집부(110)는 선행항암화학요법을 받은 복수의 삼중음성 유방암 환자로부터 생검 조직을 수집한다. 여기서, 수집부(110)는 삼중음성 유방암 환자에 한정하지 않고 모든 유방암 환자로부터 생검 조직을 수집한다. 그리고, 생검 조직은 FFPE(Formalin-fixed, paraffin-embedded) 형태로 제공된다. First, the collection unit 110 collects biopsy tissue from a plurality of triple-negative breast cancer patients who have received prior chemotherapy. Here, the collection unit 110 collects biopsy tissue from all breast cancer patients, not limited to triple negative breast cancer patients. In addition, the biopsy tissue is provided in the form of FFPE (Formalin-fixed, paraffin-embedded).

유전자 선택부(120)는 수집된 생검 조직에 FFPE RNA 추출 키트를 사용하여 RNA를 추출한다. 다만, 추출 키트는 FFPE RNA 추출 키트에 한정하지 않고, 당업자에게 알려져 있는 키트를 사용할 수도 있다. The gene selection unit 120 extracts RNA from the collected biopsy tissue using an FFPE RNA extraction kit. However, the extraction kit is not limited to the FFPE RNA extraction kit, and a kit known to those skilled in the art may be used.

그리고, 유전자 선택부(120)는 추출된 RNA를 nCounter®Analysis System에 적용하여 유전자 발현 데이터를 획득한다. 그 다음 유전자 발현 데이터를 재발이 발생된 환자 그룹과 재발이 없는 환자 그룹으로 나뉘어 지면, 유전자 선택부(120)는 각 그룹 간 사이에 차등적으로 발현되는 복수의 차등적 발현 유전자를 선택한다. In addition, the gene selection unit 120 obtains gene expression data by applying the extracted RNA to the nCounter® Analysis System. Then, when the gene expression data is divided into a group of patients with a recurrence and a group of patients with no recurrence, the gene selection unit 120 selects a plurality of differentially expressed genes that are differentially expressed between the groups.

모델생성부(130)는 선택된 복수의 차등적 발현 유전자를 이용하여 면역유전자 차등발현 모델을 생성한다. 이때, 면역유전자 차등발현 모델은 재발 확률을 예측하는 모델이다. The model generation unit 130 generates an immunogene differential expression model by using the selected plurality of differentially expressed genes. At this time, the immunogene differential expression model is a model that predicts the probability of recurrence.

부연하자면, 모델생성부(130)는 복수의 차등적 발현 유전자 중에서 무작위로 n개 선택하여 조합한 복수의 데이터 셋을 생성한다. 그리고, 모델생성부(130)는 생성된 복수의 데이터 셋을 7:3의 비율로 나뉘어, 7에 해당되는 데이터셋은 학습용으로 사용하고, 3에 해당하는 데이터 셋은 테스트용으로 사용한다. 즉, 모델생성부(130)는 데이터 셋을 이용하여 학습 및 테스트를 거침으로써 재발을 예측하는 면역유전자 차등발현 모델을 생성한다. In addition, the model generation unit 130 generates a plurality of data sets by selecting and combining n randomly from a plurality of differentially expressed genes. In addition, the model generation unit 130 divides the generated data sets at a ratio of 7:3, and uses a data set corresponding to 7 for training and a data set corresponding to 3 for testing. That is, the model generation unit 130 generates an immunogene differential expression model that predicts recurrence by learning and testing using the data set.

그리고, 예측부(140)는 피검자로부터 획득한 차등적 발현 유전자 정보를 기 학습된 면역유전자 차등발현 모델에 적용하여 상기 피검자의 재발에 대한 확률을 예측한다. Further, the prediction unit 140 predicts the probability of recurrence of the subject by applying the differentially expressed gene information acquired from the subject to the previously learned immunogene differential expression model.

이하에서는 도 2 내지 도 6을 이용하여 재발 예측 장치를 이용하여 면역유전자 차등발현 모델을 구축하는 방법에 대해 더욱 상세하게 설명한다. Hereinafter, a method of constructing an immunogene differential expression model using a recurrence prediction apparatus using FIGS. 2 to 6 will be described in more detail.

도 2는 본 발명의 실시예에 따른 재발 예측을 위한 면역유전자 차등발현 모델을 구축하는 방법을 개략적으로 도시한 순서도이고, 도 3은 도2에 도시된 S230단계에서 선택된 차등적 발현 유전자를 나타내는 도면이다. FIG. 2 is a flow chart schematically showing a method of constructing an immunogene differential expression model for predicting recurrence according to an embodiment of the present invention, and FIG. 3 is a diagram showing a differentially expressed gene selected in step S230 shown in FIG. to be.

도 2에 도시된 바와 같이, 먼저 수집부(110)는 선행항함화학요법을 받은 유방암 환자로부터 분리된 생검 조직을 수집한다(S210). As shown in Figure 2, first, the collection unit 110 collects the biopsy tissue separated from the breast cancer patient who has received the preceding anti-ship chemotherapy (S210).

부연하자면, 수집부(110)는 특정 기간 동안 선행항함화학요법을 받은 복수의 유방암 환자로부터 생검 조직을 획득하여 수집한다. 여기서, 복수의 환자는 재발이 발생된 환자와 재발이 없는 환자를 포함한다. In addition, the collection unit 110 acquires and collects biopsy tissues from a plurality of breast cancer patients who have received prior anti-ship chemotherapy for a specific period. Here, the plurality of patients includes a patient with a recurrence and a patient with no recurrence.

그 다음, 유전자 선택부(120)는 수집된 생검 조직으로부터 유전자 및 발현량에 대한 정보를 획득한다(S220). Then, the gene selection unit 120 acquires information on the gene and expression level from the collected biopsy tissue (S220).

상기 S220를 더욱 상세하게 설명하면, 유전자 선택부(120)는 재발이 발생된 환자 그룹과 재발이 없는 환자 그룹으로부터 각각 생검 조직을 획득하고, RNA 추출키트에 적용하여 생검 조직으로부터 RNA를 추출한다. 추출된 RNA는 그룹간의 상호 비교분석이 가능해지도록 정규화과정을 거친다. To describe S220 in more detail, the gene selection unit 120 obtains biopsy tissues from the recurrence patient group and the patient group without recurrence, respectively, and extracts RNA from the biopsy tissue by applying it to an RNA extraction kit. The extracted RNA goes through a normalization process to enable comparative analysis between groups.

즉, 유전자 선택부(120)는 추출된 RNA를 nCounter®Analysis System을 통해 분석한다. nCounter®Analysis System은 디지털 분석기가 RNA에 포함된 각 분자의 색을 포착 및 카운팅하여 유전자 및 발현량 정보를 획득한다. That is, the gene selection unit 120 analyzes the extracted RNA through the nCounter® Analysis System. nCounter® Analysis System acquires gene and expression level information by digital analyzer capturing and counting the color of each molecule contained in RNA.

그 다음, 유전자 선택부(120)는 획득한 유전자 및 발현량 정보를 음이항(Negative binominal) 모형을 적용한 edgeR 방법에 적용하여 재발이 발생된 환자 그룹과 재발이 없는 환자 그룹 사이에서 차등적으로 발현되는 복수의 차등적 발현 유전자를 선택한다(S230).Next, the gene selection unit 120 applies the acquired gene and expression level information to the edgeR method applying a negative binominal model to differentially express the recurrence-occurring patient group and the recurrence-free patient group. A plurality of differentially expressed genes are selected (S230).

부연하자면, edgeR방볍을 통하여, 유방암에 대해 재발이 발생된 환자 그룹으로부터 분산을 추정한 후 분석하여 FDR(False Discovery Rate)값이 0.05보다 낮은 유전자를 추출한다. In addition, through the edgeR method, genes with a False Discovery Rate (FDR) value lower than 0.05 are extracted by estimating and analyzing the variance from the group of patients with recurrence of breast cancer.

즉, 도 3에 도시된 바와 같이, 유전자 선택부(120)는 재발이 발생된 환자 그룹과 재발이 없는 환자 그룹 사이에서 차등적으로 발현되는 13개의 차등적 발현 유전자를 선택한다.That is, as shown in FIG. 3, the gene selection unit 120 selects 13 differentially expressed genes that are differentially expressed between a group of patients with recurrence and a group of patients without recurrence.

13개의 차등적 발현 유전자는 하기의 표 1에 나타난 바와 같다. The 13 differentially expressed genes are shown in Table 1 below.

Figure pat00001
Figure pat00001

이하에서는 도 4 및 도 5를 이용하여 13개의 차등적 발현 유전자가 재발에 영향력을 주는 유전자인지를 검증한 결과를 설명하기로 한다. Hereinafter, a result of verifying whether 13 differentially expressed genes are genes influencing recurrence will be described using FIGS. 4 and 5.

도 4는 도 2에 도시된 S230단계에서 선택한 13개의 차등적 발현 유전자에 대해 검증한 결과를 나타내는 도면이고, 도 5는 도 4에 도시된 검증 결과에 따른 생존곡선을 나타내는 그래프이다. FIG. 4 is a view showing verification results for 13 differentially expressed genes selected in step S230 shown in FIG. 2, and FIG. 5 is a graph showing a survival curve according to the verification result shown in FIG. 4.

도 4 에 도시된 바와 같이, Cox모델을 통하여 선택된 13개의 차등적 발현 유전자를 적용하여 생존에 대한 재발 예측 결과를 추정할 수 있다. As shown in FIG. 4, by applying 13 differentially expressed genes selected through the Cox model, it is possible to estimate a recurrence prediction result for survival.

도 5는 재발이 발생된 환자 그룹과 재발이 발생되지 않은 환자 그룹 각각에 대하여 시간이 경과함에 따라서 변화하는 사망률을 생존곡선으로 나타낸 그래프이다. 여기서, 재발이 발생된 환자 그룹의 생존곡선과 재발이 발생되지 않은 환자 그룹 의 생존곡선이 서로 평행을 이루므로 13개의 차등적 발현 유전자의 선택이 합당함을 알 수 있다. 5 is a graph showing the mortality rate that changes as time elapses for each of the patient group with recurrence and the patient group with no recurrence as a survival curve. Here, it can be seen that the selection of 13 differentially expressed genes is reasonable because the survival curve of the patient group with recurrence and that of the patient group without recurrence are parallel to each other.

그 다음, 모델생성부(130)는 검증된 13개의 차등적 발현 유전자를 이용하여 면역유전자 차등발현 모델을 구축하고 학습시킨다(S240).Then, the model generation unit 130 constructs and learns an immune gene differential expression model using the verified 13 differentially expressed genes (S240).

모델생성부(130)는 13개의 차등적 발현 유전자 및 발현량 정보를 랜덤 포레스트를 기반으로 학습하여 면역유전자 차등발현 모델을 구축한다. 즉, 모델생성부(130)는 13개의 차등적 발현 유전자 중에서 무작위로 n개의 차등적 발현 유전자를 선택하여 조합된 복수개의 데이터 셋을 생성한다. 복수개의 데이터셋은 7:3의 비율로 나뉜 다음, 70%에 해당하는 데이터셋은 학습 데이터로 사용하여 면역유전자 차등발현 모델을 학습시킨다. The model generation unit 130 learns 13 differentially expressed genes and expression level information based on a random forest to construct an immune gene differential expression model. That is, the model generation unit 130 randomly selects n differentially expressed genes from among 13 differentially expressed genes and generates a plurality of combined data sets. Multiple datasets are divided by a ratio of 7:3, and then 70% of the datasets are used as training data to train an immunogene differential expression model.

면역유전자 차등발현 모델은 학습 데이터를 학습하면서 재발을 예측할 수 있는 확률의 오차 범위를 감소시킬 수 있으며, 동시에 정확한 예측이 가능한 레이어 개수를 결정한다. The immunogene differential expression model can reduce the error range of the probability of predicting recurrence while learning the training data, and at the same time determine the number of layers for which accurate prediction is possible.

그리고 모델생성부(130)는 결정된 레이어 개수를 이용하여 구축된 면역유전자 차등발현 모델에 30%에 해당되는 데이터 셋을 입력 데이터로 사용하여 재발 예측이 가능한지 테스트할 수 있다. In addition, the model generation unit 130 may test whether recurrence prediction is possible by using a data set corresponding to 30% of the immune gene differential expression model constructed using the determined number of layers as input data.

이하에서는 도 6을 통하여 본 발명의 실시예에 따른 면역유전자 차등발현 모델의 성능을 평가한 결과에 대하여 설명한다. Hereinafter, the results of evaluating the performance of the differential expression model for immunogenes according to an embodiment of the present invention will be described with reference to FIG.

도 6은 도 2에 도시된 S240단계에서 구축된 면역유전자 차등발현 모델의 유효성을 평가한 결과를 나타내는 그래프이다. 6 is a graph showing the results of evaluating the effectiveness of the immunogene differential expression model constructed in step S240 shown in FIG. 2.

면역유전자 차등발현 모델에서 발생할 수 있는 분산문제를 해결하기 위하여, 모델생성부(130)는 GridSearch와 5-fold 교차검증을 통하여 면역유전자 차등발현 모델의 유효성을 검증한다. In order to solve the variance problem that may occur in the differential expression model of the immune gene, the model generation unit 130 verifies the validity of the differential expression model of the immune gene through GridSearch and 5-fold cross-validation.

5-fold 교차검증에 의하면 데이터는 5개의 세트로 나뉘고, 나뉘어진 데이터 중에서 1개의 세트는 훈련용으로 사용되고 나머지 4개의 세트는 테스트용으로 사용된다. 그 다음, 모델생성부(130)는 첫번째 폴드에서 다섯번째 폴드가 진행되는 과정까지 사용하여 얻은 결과의 평균값을 표준편차값으로 사용하여 분산을 제거한다. According to the 5-fold cross-validation, the data are divided into 5 sets, and one of the divided data sets is used for training and the remaining 4 sets are used for testing. Then, the model generation unit 130 removes variance by using the average value of the result obtained from the process of proceeding from the first fold to the fifth fold as a standard deviation value.

도 6에 도시된 바와 같이, 본 발명의 실시예에 따른 면역유전자 차등발현 모델은 AUC(area under the curve)값이 0.83로 높은 정확성을 보인다. As shown in FIG. 6, the immunogene differential expression model according to an embodiment of the present invention exhibits high accuracy as an area under the curve (AUC) value of 0.83.

이하에서는 도 7을 이용하여 본 발명의 실시예에 따라 구축된 면역유전자 차등발현 모델을 이용하여 유방암 환자의 재발 가능성을 예측하는 방법에 대하여 상세하게 설명한다. Hereinafter, a method of predicting a recurrence probability of a breast cancer patient using an immunogene differential expression model constructed according to an embodiment of the present invention will be described in detail with reference to FIG. 7.

도 7은 본 발명의 실시예에 따른 면역유전자 차등발현 모델을 통해 재발을 예측하는 방법을 개략적으로 도시한 순서도이다. 7 is a flow chart schematically illustrating a method of predicting recurrence through an immunogene differential expression model according to an embodiment of the present invention.

도 7에 도시된 바와 같이, 먼저 수집부(110)는 피검자인 유방암 환자로부터 생검 조직을 수집한다(S710).As shown in FIG. 7, first, the collection unit 110 collects biopsy tissue from a breast cancer patient as a subject (S710).

그리고, 생검 조직에 대한 정보는 유전자 선택부(120)에 전달된다. 유전자 선택부(120)는 RNA 추출 키트를 사용하여 전달받은 생검 조직으로부터 유전자 정보를 획득한다(S720). Then, the information on the biopsy tissue is transmitted to the gene selection unit 120. The gene selection unit 120 acquires gene information from the biopsy tissue received by using the RNA extraction kit (S720).

그 다음 유전자 선택부(120)는 피검자의 유전자 중에서 13개의 차등적 발현 유전자와 매칭되는 유전자만을 선택한다(S730). Then, the gene selection unit 120 selects only genes matching 13 differentially expressed genes among the genes of the subject (S730).

부연하자면, 유전자 선택부(120)는 피검자의 유전자 정보 중에서 9개의 차등적 발현 유전자를 선택한다. 그리고 유전자 선택부(120)는 nCounter®Analysis System을 통해 선택된 13개의 차등적 발현 유전자에 대한 발현량 정보를 추출한다. In addition, the gene selection unit 120 selects 9 differentially expressed genes from the subject's gene information. In addition, the gene selection unit 120 extracts expression level information for 13 differentially expressed genes selected through the nCounter® Analysis System.

그리고, 유전자 선택부(120)는 선택된 13개의 차등적 발현 유전자에 대한 발현량 정보를 예측부(140)에 전달한다. In addition, the gene selection unit 120 transfers the expression level information for the selected 13 differentially expressed genes to the prediction unit 140.

그러면, 예측부(140)는 면역유전자 차등발현 모델에 13개의 차등적 발현 유전자의 발현량 정보를 입력하여 유방암에 걸린 피검자에 대하여 재발 확률을 예측한다(S740).Then, the prediction unit 140 predicts the probability of recurrence for the subject suffering from breast cancer by inputting information on the expression level of 13 differentially expressed genes into the differential expression model of the immune gene (S740).

이와 같이 본 발명의 실시예에 따른 유방암에 대한 재발 예측 방법은 유방암 내에 면역 관련 유전자 중에서 차등적으로 발현하는 유전자를 추출하고, 추출된 차등적 발현 유전자를 통해 샘플의 수가 적은 데이터로부터 재발을 예측할 수 있는 면역유전자 차등발현 모델을 구축할 수 있다. 따라서, 적은 비용으로 높은 정확성을 통해 유방암 환자의 재발을 예측할 수 있다. As described above, the method for predicting recurrence for breast cancer according to an embodiment of the present invention extracts genes differentially expressed among immune-related genes in breast cancer, and predicts recurrence from data with a small number of samples through the extracted differentially expressed genes. A model of differential expression of an immunogenic gene can be constructed. Therefore, it is possible to predict the recurrence of breast cancer patients with high accuracy at low cost.

또한, 본 발명의 실시예에 따른 유방암에 대한 재발 예측 방법은 유방암의 예후와 치료반응 예측에 중요한 것으로 대두되고 있는 면역관련 인자를 분석하여 치료제 개발 기반을 마련할 수 있고, 치료제 개발로 인해 유방암의 진료 지침이 개선될 수 있다. In addition, the method for predicting recurrence for breast cancer according to an embodiment of the present invention can provide a basis for the development of a therapeutic agent by analyzing immune-related factors that are emerging as important for predicting the prognosis and treatment response of breast cancer. Practice guidelines can be improved.

또한, 본 발명의 실시예에 따른 유방암 환자에 대한 재발 예측 방법은 유방암의 치료 반응성 예측 모델 및 예후 예측 모델을 임상에 적용하여 사용할 수 있으며, 모델 개발에 사용된 분석 방법을 다른 암종에도 적용하여 면역 프로파일링 모델의 확장이 가능한 효과를 지닌다. In addition, the recurrence prediction method for breast cancer patients according to an embodiment of the present invention can be used by applying a treatment responsiveness prediction model and a prognosis prediction model of breast cancer to the clinic, and by applying the analysis method used in model development to other carcinomas The profiling model can be extended.

본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.The present invention has been described with reference to the embodiments shown in the drawings, but these are only exemplary, and those of ordinary skill in the art will understand that various modifications and equivalent other embodiments are possible therefrom. will be. Therefore, the true technical protection scope of the present invention should be determined by the technical idea of the following claims.

100 : 재발 예측 장치 110 : 수집부
120 : 유전자 선택부 130 : 모델생성부
140 : 예측부 100: recurrence prediction device 110: collection unit
120: gene selection unit 130: model generation unit
140: prediction unit

Claims (8)

면역유전자 차등발현 모델을 이용한 유방암 환자에 대한 재발 예측 방법에 있어서,
피검자인 유방암 환자로부터 생검 조직을 수집하는 단계,
RNA 추출 키트를 사용하여 상기 수집된 생검 조직으로부터 복수의 차등적 발현 유전자 및 발현량 정보를 획득하는 단계, 그리고
상기 복수의 차등적 발현 유전자에 대한 발현량 정보를 기 학습된 면역유전자 차등발현 모델에 적용하여 상기 피검자의 재발 가능성을 예측하는 단계를 포함하는 재발 예측 방법.In the method for predicting recurrence in breast cancer patients using an immunogene differential expression model,
Collecting biopsy tissue from a breast cancer patient as a subject,
Using an RNA extraction kit to obtain information on a plurality of differentially expressed genes and expression levels from the collected biopsy tissue, and
And predicting a recurrence probability of the subject by applying the expression level information of the plurality of differentially expressed genes to a previously learned immunogene differential expression model. 제1항에 있어서,
상기 면역유전자 차등발현 모델을 구축하여 학습시키는 단계를 더 포함하며,
상기 면역유전자 차등발현 모델을 구축하여 학습시키는 단계는,
선행항암화학요법을 받은 복수의 유방암 환자로부터 생검 조직을 수집하는 단계,
RNA 추출키트를 이용하여 상기 생검 조직으로부터 유전자 정보를 획득하는 단계,
상기 복수의 유방암 환자를 재발이 발생된 환자 그룹과 재발이 발생하지 않은 환자 그룹으로 그룹핑하고, 각 그룹으로부터 획득한 유전자 정보를 이용하여, 상기 두 그룹 간의 차등적으로 발현되는 복수의 차등적 발현 유전자를 선택하는 단계,
상기 선택된 복수의 차등적 발현 유전자가 유방암 재발에 영향력을 주는 유전자인지 검증을 하는 단계, 그리고
상기 검증된 복수의 차등적 발현 유전자 및 발현량 정보를 랜덤 포레스트를 기반으로 학습하여 면역유전자 차등발현 모델을 구축하는 단계를 포함하는 재발 예측 방법.The method of claim 1,
Further comprising the step of building and learning the immune gene differential expression model,
The step of building and learning the immune gene differential expression model,
Collecting biopsy tissue from a plurality of breast cancer patients who have received prior chemotherapy,
Obtaining genetic information from the biopsy tissue using an RNA extraction kit,
A plurality of differentially expressed genes that are differentially expressed between the two groups by grouping the plurality of breast cancer patients into a group of patients with recurrence and a group of patients with no recurrence, and using gene information obtained from each group Steps to select,
Verifying whether the selected plurality of differentially expressed genes are genes influencing breast cancer recurrence, and
Recurrence prediction method comprising the step of constructing an immunogene differential expression model by learning the verified plurality of differentially expressed genes and expression level information based on a random forest. 제2항에 있어서,
상기 복수의 차등적 발현 유전자를 선택하는 단계는,
음이항(Negative binominal) 모형을 적용한 edgeR 방법을 이용하여 재발이 발생된 환자 그룹과 재발이 발생하지 않은 환자 그룹 사이에서 차등적으로 발현되는 복수의 차등적 발현 유전자를 선택하는 재발 예측 방법.The method of claim 2,
The step of selecting the plurality of differentially expressed genes,
A recurrence prediction method that selects a plurality of differentially expressed genes that are differentially expressed between a group of patients with recurrence and a group of patients with no recurrence using the edgeR method applying a negative binominal model. 제3항에 있어서,
상기 복수의 차등적 발현 유전자를 선택하는 단계는,
상기 생검 조직으로부터 획득한 유전자 정보를 상기 edgeR 방법에 적용하여 FDR 값이 0.05보다 낮은 유전자를 차등적 발현 유전자로 선택하는 재발 예측 방법.The method of claim 3,
The step of selecting the plurality of differentially expressed genes,
Recurrence prediction method in which a gene having an FDR value of less than 0.05 is selected as a differentially expressed gene by applying the gene information obtained from the biopsy tissue to the edgeR method. 제2항에 있어서,
상기 검증을 하는 단계는,
Cox모델에 상기 선택된 복수의 차등적 발현 유전자를 적용하여 생존에 대한 치료 효과를 추정하고, 추정된 결과에 따라 차등적 발현유전자가 유방암 재발에 미치는 영향력을 검증하는 재발 예측 방법.The method of claim 2,
The step of performing the verification,
A recurrence prediction method for estimating a treatment effect on survival by applying the selected plurality of differentially expressed genes to a Cox model, and verifying the influence of the differentially expressed genes on breast cancer recurrence according to the estimated result. 제2항에 있어서,
상기 면역유전자 차등발현 모델을 구축하여 학습시키는 단계는,
상기 복수의 차등적 발현 유전자 중에서 무작위로 n개 선택하여 테스트 셋을 생성하고, 생성된 테스트 셋을 이용하여 면역유전자 차등발현 모델을 구축하여 학습시키는 재발 예측 방법.The method of claim 2,
The step of building and learning the immune gene differential expression model,
A method for predicting recurrence in which n randomly selected genes are selected from the plurality of differentially expressed genes to generate a test set, and an immunogene differential expression model is constructed and trained using the generated test set. 제1항 내지 제6항 중 어느 한 항에 있어서,
상기 복수의 차등적 발현 유전자는,
CCL5, CCL7, TNFSF13B, CSF2RB, CLEC4E, CCL8, SELE, EDNRB, IL17B, IL2RA, FCER1A, TGFBI 및 GZMB 중에서 적어도 하나를 포함하는 재발 예측 방법.The method according to any one of claims 1 to 6,
The plurality of differentially expressed genes,
Recurrence prediction method comprising at least one of CCL5, CCL7, TNFSF13B, CSF2RB, CLEC4E, CCL8, SELE, EDNRB, IL17B, IL2RA, FCER1A, TGFBI and GZMB. 제1항에 있어서,
상기 유방암 환자는,
삼중음성 유방암 환자를 포함하는 재발 예측 방법.The method of claim 1,
The breast cancer patient,
A method for predicting recurrence involving patients with triple negative breast cancer.
KR1020190028540A 2019-03-13 2019-03-13 Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model KR102186571B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190028540A KR102186571B1 (en) 2019-03-13 2019-03-13 Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190028540A KR102186571B1 (en) 2019-03-13 2019-03-13 Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model

Publications (2)

Publication Number Publication Date
KR20200109471A true KR20200109471A (en) 2020-09-23
KR102186571B1 KR102186571B1 (en) 2020-12-03

Family

ID=72708830

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190028540A KR102186571B1 (en) 2019-03-13 2019-03-13 Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model

Country Status (1)

Country Link
KR (1) KR102186571B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220117441A (en) * 2021-02-17 2022-08-24 가톨릭대학교 산학협력단 Apparatus and method for predicting recurrence
KR102507110B1 (en) * 2022-02-15 2023-03-07 주식회사 네오젠티씨 Apparatus and method for analyzing type of major histocompatibility complex

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006052218A1 (en) * 2004-10-06 2006-05-18 Agency For Science, Technology And Research Methods, systems, and arrays based on correlating p53 status with gene expression profiles, for classification, prognosis, and diagnosis of cancers
KR20160073798A (en) * 2014-12-17 2016-06-27 재단법인 아산사회복지재단 Marker composition for predicting prognosis and chemo-sensitivity of cancer patients
KR20160086145A (en) * 2015-01-09 2016-07-19 순천대학교 산학협력단 Selection method of predicting genes for breast cancer prognosis
KR20180051990A (en) * 2016-11-09 2018-05-17 주식회사 피디젠 Method and system for monitoring of recurrent and metastatic cancer
KR20190003957A (en) * 2016-04-15 2019-01-10 제넨테크, 인크. Cancer monitoring and treatment methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006052218A1 (en) * 2004-10-06 2006-05-18 Agency For Science, Technology And Research Methods, systems, and arrays based on correlating p53 status with gene expression profiles, for classification, prognosis, and diagnosis of cancers
KR20160073798A (en) * 2014-12-17 2016-06-27 재단법인 아산사회복지재단 Marker composition for predicting prognosis and chemo-sensitivity of cancer patients
KR20160086145A (en) * 2015-01-09 2016-07-19 순천대학교 산학협력단 Selection method of predicting genes for breast cancer prognosis
KR20190003957A (en) * 2016-04-15 2019-01-10 제넨테크, 인크. Cancer monitoring and treatment methods
KR20180051990A (en) * 2016-11-09 2018-05-17 주식회사 피디젠 Method and system for monitoring of recurrent and metastatic cancer

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Hee Jin Lee., Breast Cancer Res. Treat., 151, p.619-627, 2015.* *
Jhajaira M. Araujo et al., Scientific Report, 8, 4899, 2018.* *
Wei Hu, J. Biomedical Science and Engineering, 3, p.59-64, 2010.* *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220117441A (en) * 2021-02-17 2022-08-24 가톨릭대학교 산학협력단 Apparatus and method for predicting recurrence
KR102507110B1 (en) * 2022-02-15 2023-03-07 주식회사 네오젠티씨 Apparatus and method for analyzing type of major histocompatibility complex
WO2023158080A1 (en) * 2022-02-15 2023-08-24 주식회사 네오젠티씨 Method and device for analyzing major histocompatibility complex (mhc) types

Also Published As

Publication number Publication date
KR102186571B1 (en) 2020-12-03

Similar Documents

Publication Publication Date Title
Girard et al. An expression signature as an aid to the histologic classification of non–small cell lung cancer
Bagnoli et al. Development and validation of a microRNA-based signature (MiROvaR) to predict early relapse or progression of epithelial ovarian cancer: a cohort study
Ross et al. Tissue-based genomics augments post-prostatectomy risk stratification in a natural history cohort of intermediate-and high-risk men
Guo et al. Transcriptome sequencing uncovers a three–long noncoding RNA signature in predicting breast cancer survival
Cui et al. Gene-expression signatures can distinguish gastric cancer grades and stages
Yoon et al. MicroRNA‐based risk scoring system to identify early‐stage oral squamous cell carcinoma patients at high‐risk for cancer‐specific mortality
Wang et al. Identification of a six‐gene signature with prognostic value for patients with endometrial carcinoma
CN113462776B (en) m 6 Application of A modification-related combined genome in prediction of immunotherapy efficacy of renal clear cell carcinoma patient
KR102186571B1 (en) Relapse Prediction Method for patient with breast cancer Using immune response differential gene expression Model
Pusztai et al. Pharmacogenomic predictor discovery in phase II clinical trials for breast cancer
CN111564214A (en) Establishment and verification method of breast cancer prognosis evaluation model based on 7 special genes
Santos et al. Intrinsic cancer subtypes-next steps into personalized medicine
Wang et al. The 3′ UTR signature defines a highly metastatic subgroup of triple-negative breast cancer
CN115410713A (en) Hepatocellular carcinoma prognosis risk prediction model construction based on immune-related gene
He et al. The essential role of MTDH in the progression of HCC: a study with immunohistochemistry, TCGA, meta-analysis and in vitro investigation
EP3918093A1 (en) Method of predicting survival rates for cancer patients
Risi et al. A gene expression signature of Retinoblastoma loss-of-function predicts resistance to neoadjuvant chemotherapy in ER-positive/HER2-positive breast cancer patients
Plichta et al. A novel staging system for de novo metastatic breast cancer refines prognostic estimates
Wang et al. Establishing a three-miRNA signature as a prognostic model for colorectal cancer through bioinformatics analysis
Tomasik et al. Serum MicroRNAs as xerostomia biomarkers in patients with oropharyngeal cancer undergoing radiation therapy
Lim et al. Prediction of prognostic signatures in triple-negative breast cancer based on the differential expression analysis via NanoString nCounter immune panel
KR102186570B1 (en) Complete Remission Prediction Method for patient with Triple negative breast cancer Using immune response differential gene expression prediction Model
Ren et al. ENAM gene associated with T classification and inhibits proliferation in renal clear cell carcinoma
Yang et al. A novel prognostic model based on multi‐omics features predicts the prognosis of colon cancer patients
Hou et al. Development and validation of a nomogram for individually predicting pathologic complete remission after preoperative chemotherapy in chinese breast cancer: a population-based study

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right