RS65618B1 - Postupak za utvrđivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku - Google Patents
Postupak za utvrđivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorkuInfo
- Publication number
- RS65618B1 RS65618B1 RS20240650A RSP20240650A RS65618B1 RS 65618 B1 RS65618 B1 RS 65618B1 RS 20240650 A RS20240650 A RS 20240650A RS P20240650 A RSP20240650 A RS P20240650A RS 65618 B1 RS65618 B1 RS 65618B1
- Authority
- RS
- Serbia
- Prior art keywords
- cell
- nucleic acids
- fraction
- frame
- layer
- Prior art date
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6869—Methods for sequencing
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M1/00—Apparatus for enzymology or microbiology
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Genetics & Genomics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Microbiology (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Biomedical Technology (AREA)
- Sustainable Development (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Description
Opis
OBLAST PRONALASKA
[0001] Predmetno otkriće se odnosi na oblast biotehnologije, naročito na neinvazivno prenatalno genetsko testiranje i testiranje onkogena, a konkretnije na postupak za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku.
OSNOVA PRONALASKA
[0002] Od 1977. godine, istraživači su uspešno otkrivali DNK dobijenu od kancera u perifernoj krvi pacijenata sa tumorom, a takođe su potvrđivali prisustvo fetalne DNK bez ćelija (cff-DNK) u plazmi trudnica. Detekcija ili procenjivanje frakcije DNK dobijene od kancera u perifernoj krvi pacijenata sa tumorom ili fetalnih DNK bez ćelija u plazmi trudnica, tj. određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku, ima veliki značaj.
[0003] Međutim, potrebno je poboljšati postojeći postupak za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku.
SAŽETAK PRONALASKA
[0004] Otelotvorenja predmetnog otkrića nastoje da barem u određenoj meri reše najmanje jedan od problema koji postoje u srodnoj tehnici. U tu svrhu, cilj predmetnog otkrića je da se obezbedi postupak koji može tačno i efikasno da odredi frakciju nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku.
[0005] Treba napomenuti da se tehnička rešenja iz predmetnog otkrića ostvaruju putem sledećih otkrića.
[0006] Frakcija fetalnih DNK bez ćelija u perifernoj krvi se trenutno procenjuje prvenstveno na sledeći način: 1) različit nivo metilovanja za određeni biomarker između fragmenata materinske DNK i fragmenata fetalne DNK bez ćelija u mononuklearnim ćelijama iz periferne krvi; 2) odabir više reprezentativnih mesta jednonukleotidnog polimorfizma (SNP) od kojih se svako razlikuje između fragmenata materinske DNK i fragmenata fetalne DNK bez ćelija; 3) razlika u veličini između fragmenata fetalne DNK i fragmenata materinske DNK u materinskom krvotoku; 4) procena frakcije fetalne DNK za trudnicu sa fetusom muškog pola koristeći postupak Y hromozoma. Međutim, sva četiri prethodna načina imaju svoja ograničenja. Konkretno, prvi zahteva veoma veliku količinu plazme; drugi zahteva snimanje sondom i veliki opseg sekvenciranja, ili očinsku genetsku informaciju; za treći mora da odredi dužinu fragmenata fetalne DNK kao i fragmenata materinske DNK, što dovodi do velikih troškova sekvenciranja i prosečne tačnosti; a poslednji se može primeniti za procenu frakcije fetalne DNK samo za trudnicu sa fetusom muškog pola, ali ne važi za trudnicu sa fetusom ženskog pola.
[0007] Kako bi se prevazišla prethodna ograničenja ovih postupaka, pronalazači su razvili postupak za procenu frakcije fetalne DNK u kome se koriste samo podaci o sekvenciranju koje trenutno detektuje neinvazivni prenatalni test (NIPT), bez dodatnih podataka o sekvenciranju. Drugim rečima, ovaj postupak može tačno da kvantifikuje frakciju fetalne DNK u perifernoj krvi na osnovu podataka o sekvenciranju male pokrivenosti. Istraživanje i razvoj ovog postupka se prvenstveno zasnivaju na otkriću da je broj očitavanja u svakom okviru, dobijen na osnovu sekvencijalne deobe autozoma na određenu dužinu, u korelaciji sa frakcijom fetalne DNK. Pomoću tog otkrića, frakcija fetalne DNK može s velikim stepenom tačnosti da se proceni ne samo za muški fetus, već i za ženski fetus.
[0008] Pronalazači su putem daljeg istraživanja otkrili da ovaj postupak ima široku primenu i može da se primenjuje za detekciju slobodne DNK iz različitih izvora. Na primer, ovaj postupak je pogodan za određivanje frakcije nukleinskih kiselina bez ćelija dobijenih od tumora ili nukleinskih kiselina bez ćelija koje nisu dobijene od tumora u uzorku periferne krvi koji je dobijen od ispitanika koji je oboleo od tumora, sumnja se na to da ima tumor ili se podvrgava ispitivanju tumora, a takođe je moguće dobiti tačne i pouzdane rezultate na osnovu podataka o sekvenciranju male pokrivenosti.
[0009] Stoga, prema otelotvorenjima jednog aspekta predmetnog otkrića, obezbeđen je postupak za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku. U otelotvorenjima predmetnog otkrića, postupak obuhvata: (1) obavljanje sekvenciranja na nukleinskim kiselinama koje nemaju ćelije sadržanim u biološkom uzorku, kako bi se dobili rezultati sekvenciranja koji se sastoje od više očitavanja sekvenciranja; (2) poravnavanje rezultata sekvenciranja sa referentnom sekvencom, tako da se odredi broj očitavanja sekvenciranja koja spadaju u unapred određeni okvir unutar rezultata sekvenciranja; i (3) određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku na osnovu broja očitavanja sekvenciranja koja se nalaze u prethodno određenom okviru.
[0010] Pronalazači su iznenađujuće otkrili da frakcija nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku, naročito frakcija fetalnih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice, i frakcija nukleinskih kiselina bez ćelija dobijenih od tumora u uzorku periferne krvi koji je dobijen od ispitanika koji je oboleo od tumora, za koga se sumnja da ima tumor ili se podvrgava ispitivanju tumora, može tačno i efikasno da se odredi pomoću postupka iz predmetnog otkrića.
[0011] Takođe je otkriveno, ali ne predstavlja deo ovog pronalaska, sredstvo za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku. To sredstvo obuhvata: aparat za sekvenciranje, podešen tako da obavlja sekvenciranja na nukleinskim kiselinama koje nemaju ćelije u biološkom uzorku, kako bi se dobili rezultati sekvenciranja koji se sastoje od više očitavanja sekvenciranja; aparat za brojanje, povezan sa aparatom za sekvenciranje i podešen za poravnavanje rezultata sekvenciranja sa referentnom sekvencom, tako da se odredi broj očitavanja sekvenciranja koja spadaju u unapred određeni okvir unutar rezultata sekvenciranja; i aparat za određivanje frakcije nukleinskih kiselina bez ćelija povezan sa aparatom za brojanje i podešen za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku na osnovu broja očitavanja sekvenciranja koja se nalaze u prethodno određenom okviru.
[0012] Sredstvo iz predmetnog otkrića je pogodno za obavljanje postupka za utvrđivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku kao što je prethodno opisano u ovom tekstu, putem koga može tačno i efikasno da se odredi frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku, naročito frakcija fetalnih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice, i frakcija nukleinskih kiselina bez ćelija dobijenih od tumora u uzorku periferne krvi koji je dobijen od ispitanika obolelog od tumora, za koga se sumnja da ima tumor ili se podvrgava ispitivanju tumora.
[0013] Dodatni aspekti i prednosti otelotvorenja iz predmetnog otkrića će delom biti dati u sledećim opisima, delom postati jasni iz sledećih opisa, ili biti naučeni na osnovu praktikovanja otelotvorenja iz predmetnog otkrića.
KRATAK OPIS SLIKA
[0014] Ovi i drugi aspekti i prednosti otelotvorenja iz predmetnog otkrića će postati jasni i bolje će se razumeti na osnovu sledećih opisa koji su dati u vezi sa slikama, na kojima:
Sl. 1 je dijagram toka postupka za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku u skladu sa otelotvorenjem iz predmetnog otkrića;
Sl. 2 je dijagram toka za određivanje broja očitavanja sekvenciranja koja spadaju u unapred određeni okvir u rezultatima sekvenciranja u skladu sa jednim otelotvorenjem predmetnog otkrića;
Sl. 3 je šematski dijagram za sredstvo za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku;
Sl. 4 je šematski dijagram aparata za brojanje 200 u skladu sa jednim otelotvorenjem iz predmetnog otkrića,
Sl. 5 je grafikon ponderisane raspodele koji je dobijen procenom pondera koristeći statistički model regresije grebena u skladu sa jednim otelotvorenjem predmetnog otkrića;
Sl. 6 je grafikon koji prikazuje korelacionu analizu između fetalnih frakcija uzoraka u testiranom skupu procenjenih na osnovu statističkog modela regresije grebena i fetalnih frakcija procenjenih na osnovu Y hromozoma u skladu sa jednim otelotvorenjem predmetnog otkrića, gde Muški predstavlja biološki uzorak dobijen od trudnice sa muškim fetusom, Ženski predstavlja biološki uzorak dobijen od trudnice sa ženskim fetusom, na osnovu ChrY predstavlja frakciju nukleinskih kiselina bez ćelija procenjenu na osnovu Y hromozoma, a regresija grebena predstavlja frakciju fetalnih nukleinskih kiselina bez ćelija procenjenu putem statističkog modela regresije grebena u skladu sa jednim otelotvorenjem predmetnog otkrića;
Sl. 7 je grafikon ponderisane raspodele koji je dobijen procenom pondera koristeći model neuronske mreže u skladu sa jednim otelotvorenjem predmetnog otkrića;
Sl. 8 je grafikon koji prikazuje korelacionu analizu između fetalnih frakcija uzoraka u testiranom skupu procenjenih na osnovu modela neuronske mreže i fetalnih frakcija procenjenih na osnovu Y hromozoma u skladu sa jednim otelotvorenjem predmetnog otkrića, gde Muški predstavlja biološki uzorak dobijen od trudnice sa muškim fetusom, Ženski predstavlja biološki uzorak dobijen od trudnice sa ženskim fetusom, na osnovu ChrY predstavlja frakciju nukleinskih kiselina bez ćelija procenjenu na osnovu Y hromozoma, a FF-QuantSC predstavlja frakciju fetalnih nukleinskih kiselina bez ćelija procenjenu putem modela neuronske mreže u skladu sa jednim otelotvorenjem predmetnog otkrića; i
Sl. 9 je grafikon koji prikazuje korelacionu analizu između frakcije ženskih fetusa procenjene na osnovu statističkog modela regresije grebena i frakcije procenjene na osnovu modela neuronske mreže u skladu sa jednim otelotvorenjem predmetnog otkrića, gde regresija grebena predstavlja frakciju fetalnih nukleinskih kiselina bez ćelija procenjenu na osnovu statističkog modela regresije grebena u skladu sa jednim otelotvorenjem predmetnog otkrića, a FF-QuantSC predstavlja frakciju fetalnih nukleinskih kiselina bez ćelija procenjenu na osnovu modela neuronske mreže u skladu sa jednim otelotvorenjem predmetnog otkrića.
DETALJAN OPIS PRONALASKA
[0015] U nastavku će detaljno biti opisana otelotvorenja predmetnog otkrića koja su data u svrhu objašnjenja, ilustracije, i koriste se da generalno objasne predmetno otkriće, te tako neće da se tumače kao ograničenje predmetnog otkrića.
Postupak za određivanje frakcije nukleinskih kiselina bez ćelija u biološkom uzorku [0016] Prema otelotvorenjima prvog aspekta predmetnog otkrića, obezbeđen je postupak za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku. Pronalazači su iznenađujuće otkrili da frakcija nukleinskih kiselina bez ćelija u biološkom uzorku, naročito frakcija fetalnih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice, i frakcija nukleinskih kiselina dobijenih od tumora u uzorku periferne krvi koji je dobijen od ispitanika sa tumorom može tačno i efikasno da se odredi pomoću postupka iz predmetnog otkrića.
[0017] Treba napomenuti da izraz „frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku“ koji se ovde koristi označava frakciju broja nukleinskih kiselina bez ćelija iz određenog izvora u ukupnom broju nukleinskih kiselina bez ćelija u biološkom uzorku. Na primer, ako je biološki uzorak periferna krv dobijena od trudnice, a nukleinske kiseline bez ćelija iz prethodno utvrđenog izvora su fetalne nukleinske kiseline bez ćelija, „frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku“ je frakcija fetalnih nukleinskih kiselina bez ćelija, što označava odnos molekula fetalnih nukleinskih kiselina bez ćelija prema ukupnom broju molekula nukleinskih kiselina bez ćelija u perifernoj krvi koja je dobijena od trudnice, što ponekad može biti poznato i kao „frakcija koncentracije fetalne DNK bez ćelija u perifernoj krvi dobijenoj od trudnice“ ili „frakcija fetalne DNK bez ćelija“ ili „procenat fetalne DNK bez ćelija“. Kao još jedan primer, ako biološki uzorak predstavlja uzorak periferne krvi dobijen od ispitanika koji je oboleo od tumora, sumnja se da ima tumor ili se podvrgava ispitivanju tumora, a nukleinske kiseline bez ćelija iz prethodno utvrđenog uzorka su nukleinske kiseline bez ćelija dobijenih od tumora, „frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku“ je frakcija nukleinskih kiselina bez ćelija dobijenih od tumora, što označava odnos broja nukleinskih kiselina bez ćelija dobijenih od tumora prema ukupnom broju nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od ispitanika koji je oboleo od tumora, sumnja se da ima tumor ili se podvrgava ispitivanju tumora. U skladu sa otelotvorenjima predmetnog otkrića i uz referencu na Sl.1, postupak uključuje sledeće korake.
S100: sekvenciranje nukleinskih kiselina
[0018] Nukleinske kiseline bez ćelija u biološkom uzorku sekvenciraju se tako da se dobiju rezultati sekvenciranja koji se sastoje od više očitavanja sekvenciranja.
[0019] U otelotvorenjima predmetnog otkrića, biološki uzorak je uzorak periferne krvi. U otelotvorenjima predmetnog otkrića, nukleinska kiselina bez ćelija iz prethodno utvrđenog izvora je najmanje jedna izabrana od: fetalnih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice; materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice; i nukleinskih kiselina bez ćelija dobijenih od tumora ili nukleinskih kiselina bez ćelija koje nisu dobijene od tumora u uzorku periferne krvi koji je dobijen od ispitanika koji ima tumor, sumnja se da ima tumor ili se podvrgava ispitivanju tumora. Stoga, lako može da se utvrdi frakcija fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice ili frakcije nukleinskih kiselina bez ćelija dobijenih od tumora u uzorku periferne krvi koji je dobijen od ispitanika koji je oboleo od tumora, sumnja se da ima tumor ili se podvrgava ispitivanju tumora. U otelotvorenjima predmetnog otkrića, nukleinske kiseline bez ćelija u biološkom uzorku sekvenciraju se putem sekvenciranja uparenih krajeva, sekvenciranja pojedinačnih krajeva ili sekvenciranja pojedinačnog molekula. U nekim specifičnim otelotvorenjima predmetnog otkrića, nukleinske kiseline bez ćelija su DNK. Treba napomenuti da izraz „podaci o sekvenciranju“ koji se ovde koristi označava „očitavanja sekvenciranja“, koja odgovaraju molekulima nukleinske kiseline koji su podvrgnuti sekvenciranju.
S200: određivanje broja očitavanja sekvenciranja koja spadaju u unapred određeni okvir
[0020] Rezultat sekvenciranja je poravnat sa referentnom sekvencom, kako bi se odredio broj očitavanja sekvenciranja koja spadaju u unapred određeni okvir u rezultatu sekvenciranja.
[0021] U jednom otelotvorenju predmetnog otkrića, referentna sekvenca je referentna sekvenca genoma, poželjno hg19.
[0022] U jednom otelotvorenju predmetnog otkrića, prethodno utvrđeni okvir se dobija sekvencijalnom deobom prethodno utvrđenog hromozoma iz sekvence referentnog genoma.
[0023] U jednom otelotvorenju predmetnog otkrića, prethodno utvrđeni hromozom uključuje autozom. Autozom poželjno ne uključuje nijedan od hromozoma 13, 18 i 21.
[0024] U jednom otelotvorenju predmetnog otkrića, prethodno utvrđeni okvir ima dužinu 60 Kbp.
[0025] Treba napomenuti da deoba prethodno utvrđenih okvira treba da očuva jednoobraznost očitavanja unutar svakog okvira, tj. da osigura jednakost očitavanja unutar svakog okvira. Treba pojasniti da „jednakost očitavanja unutar svakog okvira“ znači da je broj očitavanja u svakom okviru suštinski isti, tj. varijansa između njih je blizu 0.
[0026] U skladu sa otelotvorenjima predmetnog otkrića, uz referencu na Sl.2, S200 dalje uključuje sledeće.
[0027] U S210, rezultat sekvenciranja je poravnat sa referentnom sekvencom genoma.
Konkretno, rezultat sekvenciranja je poravnat sa referentnom sekvencom genoma, tako da se konstruiše skup podataka koji se sastoji od više jedinstveno mapiranih očitavanja sekvence, gde svako jedinstveno mapirano očitavanje sekvence u skupu podataka može biti mapirano na jednu poziciju u referentnoj sekvenci genoma.
[0028] U S220, utvrđena je pozicija svakog jedinstveno mapiranog očitavanja sekvence u referentnoj sekvenci genoma. Konkretno, utvrđene su pozicije pojedinačnih jedinstveno mapiranih očitavanja sekvence u referentnoj sekvenci genoma.
[0029] U S230, utvrđen je broj jedinstveno mapiranih očitavanja sekvence koja spadaju u prethodno utvrđeni okvir. Konkretno, utvrđen je broj jedinstveno mapiranih očitavanja sekvence koja spadaju u pojedinačne prethodno utvrđene okvire.
[0030] Stoga je lako odrediti broj jedinstveno mapiranih očitavanja sekvenci koja spadaju u prethodno utvrđeni okvir u rezultatu sekvenciranja, i utvrđeni rezultat je tačan, pouzdan i može se reprodukovati.
S300: utvrđivanje frakcije nukleinskih kiselina bez ćelija
[0031] Frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku utvrđuje se na osnovu broja očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir.
[0032] U otelotvorenjima predmetnog otkrića, u S300, frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku utvrđuje se na osnovu pondera svakog prethodno utvrđenog okvira. U nekim specifičnim otelotvorenjima, u S300, ponder svakog prethodno utvrđenog okvira je prethodno utvrđen koristeći probne uzorke. Rezultat je stoga tačan, pouzdan i može se ponoviti. U nekim otelotvorenjima, ponder svakog prethodno utvrđenog okvira se utvrđuje koristeći najmanje jedno od statističkog modela regresije grebena i modela neuronske mreže. U nekim otelotvorenjima, model neuronske mreže usvaja sistem za učenje TensorFlow. U nekim konkretnim otelotvorenjima, sistem za učenje TensorFlow uključuje sledeće parametre: broj jedinstveno mapiranih očitavanja sekvence koja spadaju u pojedinačne okvire autozoma kao sloj inputa; fetalnu frakciju kao sloj autputa; ReLu kao neuron; optimizator izabran od najmanje jednog od Adam, SGD i Ftrl, poželjno Ftrl. Poželjno, sistem za učenje TensorFlow dalje uključuje sledeće parametre: stopu učenja koja je postavljena na 0,002; 1 skriveni sloj; i 200 neurona u skrivenom sloju. Rezultat je stoga tačan i pouzdan. Treba pojasniti da termin „ponder“, kao što se ovde koristi, predstavlja relativni koncept za određeni indeks. Ponder određenog indeksa se odnosi na relativni značaj tog indeksa u ukupnoj proceni. Na primer, „ponder prethodno utvrđenog okvira“ odnosi se na relativni značaj prethodno utvrđenog okvira među svim prethodno utvrđenim okvirima.
„Ponder veze“ se odnosi na relativni značaj veze određena dva sloja među svim vezama dva sloja.
[0033] U otelotvorenjima predmetnog otkrića, uzorak za trening je uzorak periferne krvi sa poznatom frakcijom fetalnih nukleinskih kiselina bez ćelija dobijen od trudnice. Stoga, efikasno može da se odredi frakcija fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi trudnice koji se ispituje. U nekim specifičnim otelotvorenjima, probni uzorak je uzorak periferne krvi sa poznatom frakcijom fetalnih nukleinskih kiselina bez ćelija dobijen od trudnice sa normalnim muškim fetusom. Stoga, utvrđeni rezultat za frakciju fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi dobijenom od trudnice koji se ispituje je tačniji i pouzdaniji.
[0034] U otelotvorenjima predmetnog otkrića, ponder svakog prethodno utvrđenog okvira se određuje na osnovu statističkog modela regresije grebena koji ima sledeću formulu za izračunavanje:
gde ŷ predstavlja prediktivnu fetalnu frakciju, xjje broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u okvir, β̂jje ponder okvira, β̂0je odstupanje, a β̂ji β0̂se dobijaju treniranjem modela.
[0035] U nekim otelotvorenjima predmetnog otkrića, ponder svakog prethodno utvrđenog okvira se određuje na osnovu modela neuronske mreže koji ima sledeću formulu za izračunavanje:
gde l predstavlja serijski broj sloja u modelu neuronske mreže, prvi sloj je sloj inputa, poslednji sloj je sloj autputa (koji ima samo jedan neuron), a međusloj je skriveni sloj,
predstavlja vrednost za j-ti neuron u l-tom sloju,
predstavlja vrednost za k-ti neuron u (l-1)-om sloju,
ponder veze od k-tog neurona u (l-1)-om sloju sa j-tim neuronom u l-tom sloju,
1
predstavlja odstupanje inputa za j-ti neuron u l-tom sloju, a w i b se dobijaju treniranjem modela. Najčešći oblik funkcije f je rektifikovana linearna jedinica, tj. f(x) = max(0,x).
[0036] U nekim otelotvorenjima, kada se primenjuje model neuronske mreže, vrednosti za pojedinačne neurone se izračunavaju sloj po sloj na osnovu prethodne formule za izračunavanje u modelu neuronske mreže, a vrednost za neuron u poslednjem sloju je prediktivna fetalna frakcija.
[0037] To jest, u skladu sa otelotvorenjima iz predmetnog otkrića, određivanje pondera za svaki prethodno utvrđeni okvir putem modela neuronske mreže uključuje: izračunavanje vrednosti za pojedinačne neurone sloj po sloj u skladu sa formulom za izračunavanje u modelu neuronske mreže, gde vrednost za neuron u poslednjem sloju predstavlja prediktivnu fetalnu frakciju.
[0038] U nekim otelotvorenjima, pre S300, unapred se vrši GC korekcija na određenom broju jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir, kako bi se dobio određeni broj GC korigovanih jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir. Stoga, utvrđeni broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir je tačan i pouzdan.
[0039] Poželjno, u nekim otelotvorenjima, GC korekcija se vrši putem:
ucrtavanja broja jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u pojedinačne prethodno utvrđene okvire prethodno utvrđenog hromozoma sa odgovarajućim GC sadržajem za određivanje ER = f(gc);
vršenja korekcije na određenom broju jedinstveno mapiranih očitavanja sekvenciranja za svaki prethodno utvrđeni okvir za sve hromozome: ERAi= ERi* (ER/f(GCi)), i = 1,2,3, ,N, gde za uzorak, ERipredstavlja broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u i-ti prethodno utvrđeni okvir, GCipredstavlja sadržaj GC referentne sekvence za iti prethodno utvrđeni okvir, ER predstavlja prosečnu vrednost za brojeve jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u pojedinačne okvire prethodno utvrđenog hromozoma; a ERAipredstavlja broj GC korigovanih jedinstveno mapiranih očitavanja sekvenciranja u i-tom prethodno utvrđenom okviru nakon korekcije.
[0040] U otelotvorenjima predmetnog otkrića, pre S300, određuje se pol fetusa. Pol fetusa se poželjno određuje na osnovu odnosa broja jedinstveno mapiranih očitavanja sekvenciranja u Y hromozomu prema ukupnom broju jedinstveno mapiranih očitavanja sekvenciranja u svim hromozomima. Stoga, utvrđeni rezultat za frakciju fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi dobijenom od trudnice koji se ispituje je tačniji i pouzdaniji.
[0041] Nadalje, prema nekim specifičnim otelotvorenjima predmetnog otkrića, procena fetalne frakcije sekvenciranog uzorka postupkom iz predmetnog otkrića koristeći statistički model regresije grebena ili model neuronske mreže u biblioteci TensorFlow uključuje sledeće konkretne korake.
1. Procena fetalne frakcije sekvenciranog uzorka koristeći statistički model regresije grebena:
[0042]
1) sekvencijalna deoba referentne sekvence (hg19) u susedne okvire sa fiksnom dužinom (kao što je 60 Kbp u ovom otelotvorenju), uklanjanje filtracijom okvira u N regionu, i određivanje sadržaja GC za svaki okvir, tako da se dobije datoteka za referentni okvir hg19.gc;
2) poravnavanje: poravnavanje očitavanja sekvenciranja (svako u 28 bp) sekvenciranih sekvenciranjem pojedinačnih krajeva (SE) na platformi CG za referentnu sekvencu (hg19) koristeći, npr. BWA V0.7.7-r441;
3) filtracija i preliminarna statistička analiza: odabir jedinstveno mapiranih očitavanja sekvenciranja iz rezultata poravnanja, uklanjanje filtracijom ponovljenih očitavanja i očitavanja sa pogrešnim sparivanjem baza da bi se dobila efektivna očitavanja sekvenciranja, i određivanje broja efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir datoteke za referentni okvir hg19.gc i odgovarajući sadržaj GC;
4) GC korekcija, uključujući sledeće konkretne korake:
ucrtavanje brojeva efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire autozoma sa odgovarajućim sadržajem GC (na primer, koristeći ucrtavanje kubnog splajna u ovom otelotvorenju) za određivanje ER = f(gc);
vršenje korekcije na određenom broju efektivnih očitavanja sekvenciranja za svaki okvir za sve hromozome: ERAt= ERi* (ER/f(GCi)), i = 1,2,3,... , N,
gde za uzorak, ERipredstavlja broj efektivnih očitavanja sekvenciranja koja spadaju u i-ti okvir, GCipredstavlja sadržaj GC referentne sekvence za i-ti okvir (evidencija u datoteci za referentni okvir hg19.gc), ER predstavlja prosečnu vrednost za brojeve efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire autozoma (kao što su hromozomi 1-22); a ERAipredstavlja broj GC korigovanih efektivnih očitavanja sekvenciranja u i-tom okviru nakon GC korekcije;
5) određivanje pola fetusa: poređenje odnosa (ER%) broja GC korigovanih efektivnih očitavanja sekvenciranja u Y hromozomu sa ukupnim brojem GC korigovanih efektivnih očitavanja sekvenciranja u svim hromozomima sa naznačenim pragom a u rasponu od [0,001, 0,003], gde se određuje da je fetus muškog pola ako je ER% veći ili jednak a, u suprotnom se određuje da je fetus ženskog pola ako je ER% manji od a;
6) procena fetalne frakcije koristeći statistički model regresije grebena, uključujući sledeće korake:
a) odabir uzoraka od kojih je svaki nezavisno dobijen od trudnice sa fetusom muškog pola kao skupa za trening; i odabir serije uzoraka kao skupa za testiranje (u kome broj uzoraka od kojih je svaki nezavisno dobijen od trudnice sa fetusom muškog pola može biti isti kao broj uzoraka dobijen od trudnica sa fetusom ženskog pola);
b) procenu pondera za svaki okvir u autozomu (bez hromozoma 13, 18 i 21) koristeći model regresije grebena (ponder je ekvivalentan koeficijentu regresije β u modelu regresije grebena) za skup za trening, kako bi se dobila procenjena ponderisana distribucija; i
c) procenu fetalne frakcije uzorka u skupu za testiranje sa poznatim ponderima.
2. Procena fetalne frakcije sekvenciranog uzorka koristeći model neuronske mreže u biblioteci TensorFlow:
[0043] Prvih pet koraka 1)-5) su isti kao što je prethodno opisano za statistički model regresije grebena;
6) procena fetalne frakcije koristeći model neuronske mreže u biblioteci TensorFlow, uključujući sledeće konkretne korake:
1
a) odabir uzoraka od kojih je svaki nezavisno dobijen od trudnice sa fetusom muškog pola kao skupa za trening; i odabir serije uzoraka kao skupa za testiranje (u kome broj uzoraka od kojih je svaki nezavisno dobijen od trudnice sa fetusom muškog pola može biti isti kao broj uzoraka dobijen od trudnice sa fetusom ženskog pola), standardizaciju svih podataka (svih brojeva GC korigovanih efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire), tj. linearnu transformaciju svake varijable (broj GC korigovanih efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir) tako da prosečna vrednost za varijable u svim uzorcima bude 0, a standardna devijacija je 1;
b) konstruisanje neuronske mreže u kojoj se standardizovani brojevi efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire relativno stabilnog autozoma uzimaju kao sloj inputa, jedan neuron se uzima kao sloj autputa (koji odgovara fetalnoj frakciji), nema skrivenog sloja, ReLU je izabran kao tip neurona a Adam kao optimizator;
c) korišćenje neuronske mreže (učenja) u skupu za trening za predviđanje fetalne frakcije, i prilagođavanje stope učenja u skladu sa promenom efekta učenja u svakom ciklusu, tako da stopa učenja bude maksimalna uz obezbeđivanje efekta učenja za skup za trening bez ponovljenih fluktuacija;
d) onoliko ciklusa treninga koliko dozvoljava sposobnost obrade, sve dok efekat učenja ne bude zasićen;
e) prelazak na druge optimizatore (kao što su SGD, Ftrl, itd.), ponavljanje koraka b)-d), i odabir optimalnog optimizatora na osnovu efekta učenja;
f) pokušaj da se u neuronsku mrežu doda odredba za regularizaciju drugog reda i podešavanje njene veličine za posmatranje efekta učenja pre i posle dodavanja i podešavanje veličine odredbe za regularizaciju drugog reda;
g) dodavanje skrivenog sloja, prilagođavanje broja neurona u skrivenom sloju, ponavljanje koraka b).f) i odabir optimalnog uređenja skrivenog sloja na osnovu efekta učenja;
h) treniranje optimizovanog modela neuronske mreže na skupu za trening radi dobijanja optimalnih parametara i distribucije pondera (prosečni ponderi neurona u sloju inputa do skrivenog sloja) pojedinačnih okvira; i
i) procena fetalne frakcije uzorka u skupu za testiranje sa treniranim modelom neuronske mreže.
[0044] Radi lakšeg razumevanja, osnovni principi modela koji su opisani u predmetnom otkriću su ukratko predstavljeni ispod.
(1) Statistički model regresije grebena
[0045] Regresija grebena je modifikovana metoda najmanjih kvadrata, koja smanjuje prekomerno prilagođavanje modela tako što se dodaje odredba za regularizaciju drugog reda.
[0046] U matematičkom obliku, cilj metode najmanjih kvadrata je rešavanje β0, β1, β2, ..., što na najmanju meru svodi zbir kvadrata ostataka:
gde RSS predstavlja zbir kvadrata ostataka, yije zavisna varijabla, a xijje nezavisna varijabla.
[0047] Ako je prethodna funkcija modifikovana dodatkom odredbe za regularizaciju drugog reda, dobija se regresija grebena, čiji cilj je rešavanje β0, β1, β2, ... tako da se sledeća funkcija svede na najmanju meru:
gde treba naznačiti λ, a opšta praksa da se λ naznači je da se uzme nekoliko vrednosti i odredi se koja vrednost λ minimizuje objektivnu funkciju skupa za validaciju putem unakrsne validacije.
(2) Veštačka neuronska mreža
[0048] Veštačka neuronska mreža (tj. model neuronske mreže) predstavlja nelinearni postupak mašinskog učenja. Njeni osnovni elementi su neuroni, i svaki neuron vrši ponderisano uprosečavanje sa odstupanjem za nekoliko inputa xj:
gde wjpredstavlja ponder, a w0je odstupanje,
f(z) je autput koji zavisi od rezultata ponderisanog uprosečavanja. Oblik funkcije koji se trenutno najčešće koristi je rektifikovana linearna jedinica, tj. f(z) = max(0,z).
[0049] Nekoliko neurona čini višeslojnu mrežu, u kojoj prvi sloj (tj. sloj inputa) uzima standardizovane brojeve efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne prethodno utvrđene okvire kao nezavisnu varijablu za input, dok se autput iz prethodnog sloja
1
uzima kao input za sledeći sloj, uz ovakvo funkcionisanje sve do poslednjeg sloja (tj. sloja autputa) koji ima samo jedan neuron i jedan autput (tj. vrednost koju predviđa model). Sloj koji nije sloj inputa i sloj autputa naziva se skriveni sloj.
[0050] Osnovni parametri modela neuronske mreže uključuju ponder svakog sloja i odstupanje, koji se generalno treniraju povratnim propagiranjem. Pored toga, postoje drugi parametri kao što je stopa učenja, vrsta neurona, algoritam za optimizaciju (optimizator), broj skrivenih slojeva, broj neurona u skrivenom sloju, koeficijent regularizacije i tako dalje, koji se generalno prethodno zadaju u skladu sa iskustvom i neprekidno se prilagođavaju na osnovu efekta treninga.
Sredstvo za određivanje frakcije nukleinskih kiselina bez ćelija u biološkom uzorku [0051] Prema otelotvorenjima drugog aspekta predmetnog otkrića, takođe je otkriveno, ali ne predstavlja deo ovog pronalaska, sredstvo za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku. Pronalazači su iznenađujuće otkrili da je sredstvo iz predmetnog otkrića pogodno za obavljanje postupka za utvrđivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku kao što je prethodno opisano u ovom tekstu, putem koga frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku, naročito frakcija fetalnih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice, ili frakcija nukleinskih kiselina bez ćelija dobijenih od tumora u uzorku periferne krvi koji je dobijen od ispitanika obolelog od tumora, za koga se sumnja da ima tumor ili se podvrgava ispitivanju tumora, može tačno i efikasno da se odredi.
[0052] Gledajući Sl.3, sredstvo uključuje: aparat za sekvenciranje 100, aparat za brojanje 200 i aparat za određivanje frakcije nukleinskih kiselina bez ćelija 300.
[0053] Konkretno, aparat za sekvenciranje 100 je podešen da obavlja sekvenciranje na nukleinskim kiselinama bez ćelija koje su sadržane u biološkom uzorku, tako da se dobiju rezultati sekvenciranja koji se sastoje od više očitavanja sekvenciranja. Aparat za brojanje 200 je povezan sa aparatom za sekvenciranje 100 i podešen za poravnavanje rezultata sekvenciranja sa referentnom sekvencom, kako bi se odredio broj očitavanja sekvenciranja koja spadaju u prethodno određeni okvir u rezultatu sekvenciranja. Aparat za određivanje frakcije nukleinskih kiselina bez ćelija 300 je povezan sa aparatom za brojanje 200 i podešen
1
da odredi frakciju nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku na osnovu broja očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir.
[0054] Prema otelotvorenjima iz predmetnog otkrića, biološki uzorak nije ograničen na određenu vrstu. U konkretnom otelotvorenju, biološki uzorak je uzorak periferne krvi. U jednom otelotvorenju, nukleinska kiselina bez ćelija iz prethodno utvrđenog izvora je najmanje jedna izabrana od sledećeg: fetalnih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice; materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice; i nukleinskih kiselina bez ćelija dobijenih od tumora ili nukleinskih kiselina bez ćelija koje nisu dobijene od tumora u uzorku periferne krvi koji je dobijen od ispitanika koji ima tumor, sumnja se da ima tumor ili se podvrgava ispitivanju tumora. Stoga, lako može da se utvrdi frakcija fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi koji je dobijen od trudnice ili frakcije nukleinskih kiselina bez ćelija dobijenih od tumora u uzorku periferne krvi koji je dobijen od ispitanika koji je oboleo od tumora, sumnja se da ima tumor ili se podvrgava ispitivanju tumora.
[0055] U otelotvorenjima predmetnog otkrića, nukleinske kiseline bez ćelija su DNK.
[0056] U otelotvorenjima predmetnog otkrića, nukleinske kiseline bez ćelija u biološkom uzorku se sekvenciraju putem sekvenciranja uparenih krajeva, sekvenciranja pojedinačnih krajeva ili sekvenciranja pojedinačnog molekula.
[0057] U otelotvorenjima predmetnog otkrića, referentna sekvenca je referentna sekvenca genoma, poželjno hg19.
[0058] U otelotvorenjima predmetnog otkrića, prethodno utvrđeni okvir se dobija sekvencijalnom deobom prethodno utvrđenog hromozoma iz sekvence referentnog genoma. U skladu sa nekim otelotvorenjima predmetnog otkrića, prethodno utvrđeni hromozom uključuje autozom. Autozom poželjno ne uključuje nijedan od hromozoma 13, 18 i 21. U poželjnom otelotvorenju predmetnog otkrića, prethodno utvrđeni okvir ima dužinu 60 Kbp.
[0059] U otelotvorenjima predmetnog otkrića, kada se gleda Sl.4, aparat za brojanje 200 dalje obuhvata: jedinicu za poravnavanje 210, jedinicu za određivanje pozicije 220 i jedinicu
1
za određivanje broja 230. Konkretno, jedinica za poravnavanje 210 je podešena da poravna rezultat sekvenciranja sa referentnom sekvencom genoma, tako da se konstruiše skup podataka koji se sastoji od više jedinstveno mapiranih očitavanja sekvence, gde svako jedinstveno mapirano očitavanje sekvence u skupu podataka može biti mapirano na jednu poziciju u referentnoj sekvenci genoma. Jedinica za određivanje pozicije 220 je povezana sa jedinicom za poravnavanje 210 i podešena da određuje poziciju svakog jedinstveno mapiranog očitavanja sekvenciranja u referentnoj sekvenci genoma. Jedinica za određivanje broja 230 je povezana sa jedinicom za određivanje pozicije 220 i podešena da određuje broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir. Stoga je lako odrediti broj jedinstveno mapiranih očitavanja sekvenci koja spadaju u prethodno utvrđeni okvir, i utvrđeni rezultat je tačan, pouzdan i može se reprodukovati.
[0060] Prema otelotvorenjima iz predmetnog otkrića, aparat za određivanje frakcije nukleinskih kiselina bez ćelija 300 pogodan je za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku na osnovu pondera svakog prethodno utvrđenog okvira. U nekim specifičnim otelotvorenjima, ponder svakog prethodno utvrđenog okvira je prethodno utvrđen koristeći uzorke za trening. Rezultat je stoga tačan, pouzdan i može se ponoviti. U jednom otelotvorenju, ponder svakog prethodno utvrđenog okvira se utvrđuje koristeći najmanje jedno od statističkog modela regresije grebena i modela neuronske mreže. U nekim otelotvorenjima, model neuronske mreže usvaja sistem za učenje TensorFlow. U nekim konkretnim otelotvorenjima, sistem za učenje TensorFlow uključuje sledeće parametre: broj jedinstveno mapiranih očitavanja sekvence koja spadaju u pojedinačne okvire autozoma kao sloj inputa; fetalnu frakciju kao sloj autputa; ReLu kao neuron; optimizator izabran od najmanje jednog od Adam, SGD i Ftrl, poželjno Ftrl.
Poželjno, sistem za učenje TensorFlow dalje uključuje sledeće parametre: stopu učenja koja je postavljena na 0,002; 1 skriveni sloj; i 200 neurona u skrivenom sloju. Rezultat je stoga tačan i pouzdan.
[0061] U otelotvorenjima predmetnog otkrića, uzorak za trening je uzorak periferne krvi sa poznatom frakcijom fetalnih nukleinskih kiselina bez ćelija dobijen od trudnice. Stoga, efikasno može da se odredi frakcija fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi trudnice koji se ispituje. U nekim specifičnim otelotvorenjima, probni uzorak je uzorak periferne krvi sa poznatom frakcijom fetalnih nukleinskih kiselina bez ćelija dobijen od trudnice sa normalnim muškim fetusom.
1
Stoga, utvrđeni rezultat za frakciju fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi dobijenom od trudnice koji se ispituje je tačniji i pouzdaniji.
[0062] U otelotvorenjima predmetnog otkrića, ponder svakog prethodno utvrđenog okvira se određuje na osnovu statističkog modela regresije grebena koji ima sledeću formulu za izračunavanje:
gde ŷ predstavlja prediktivnu fetalnu frakciju, xjje broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u okvir, β̂jje ponder okvira, β̂0je odstupanje, a β̂ji β0̂se dobijaju treniranjem modela.
[0063] U nekim otelotvorenjima predmetnog otkrića, ponder svakog prethodno utvrđenog okvira se određuje na osnovu modela neuronske mreže koji ima sledeću formulu za izračunavanje:
gde l predstavlja serijski broj sloja u modelu neuronske mreže, prvi sloj je sloj inputa, poslednji sloj je sloj autputa (koji ima samo jedan neuron), a međusloj je skriveni sloj,
predstavlja vrednost za j-ti neuron u l-tom sloju,
predstavlja vrednost za k-ti neuron u (l-1)-om sloju,
ponder veze od k-tog neurona u (l-1)-om sloju sa j-tim neuronom u l-tom sloju,
predstavlja odstupanje inputa za j-ti neuron u l-tom sloju, a w i b se dobijaju treniranjem modela. Najčešći oblik funkcije f je rektifikovana linearna jedinica, tj. f(x) = max(0,x).
[0064] U nekim otelotvorenjima, određivanje pondera putem modela neuronske mreže uključuje: izračunavanje vrednosti za pojedinačne neurone sloj po sloj u skladu sa formulom
1
za izračunavanje u modelu neuronske mreže, gde vrednost za neuron u poslednjem sloju predstavlja prediktivnu fetalnu frakciju.
[0065] Otkriveno sredstvo dalje uključuje aparat za GC korekciju (nije prikazan na slikama) povezan sa aparatom za brojanje 200 i aparatom za određivanje frakcije nukleinskih kiselina bez ćelija 300 i podešen da unapred vrši GC korekciju na broju jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir, tako da se dobije broj GC korigovanih jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir, pre određivanja frakcije nukleinske kiseline bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku. Stoga, utvrđeni broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir je tačan i pouzdan.
[0066] Poželjno, u nekim otelotvorenjima predmetnog otkrića, aparat za GC korekciju je pogodan za vršenje GC korekcije u skladu sa sledećim operacijama:
ucrtavanja broja jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u pojedinačne prethodno utvrđene okvire prethodno utvrđenog hromozoma sa odgovarajućim GC sadržajem za određivanje ER = f(gc);
vršenja korekcije na određenom broju jedinstveno mapiranih očitavanja sekvenciranja za svaki prethodno utvrđeni okvir za sve hromozome: ERAi= ERi* (ER/f(GCi)), i = 1,2,3, ... ,N, gde za uzorak, ERipredstavlja broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u i-ti prethodno utvrđeni okvir, GCipredstavlja sadržaj GC referentne sekvence za iti prethodno utvrđeni okvir, ER predstavlja prosečnu vrednost za brojeve jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u pojedinačne okvire prethodno utvrđenog hromozoma; a ERAipredstavlja broj GC korigovanih jedinstveno mapiranih očitavanja sekvenciranja u i-tom prethodno utvrđenom okviru nakon korekcije.
[0067] Otkriveno sredstvo može dalje da uključuje aparat za određivanje pola (nije prikazan na slikama) povezan sa aparatom za određivanje frakcije nukleinskih kiselina bez ćelija 300 i podešen da unapred odredi pol fetusa. Pol fetusa se poželjno određuje na osnovu odnosa broja jedinstveno mapiranih očitavanja sekvenciranja u Y hromozomu prema ukupnom broju jedinstveno mapiranih očitavanja sekvenciranja u svim hromozomima. Stoga, utvrđeni rezultat za frakciju fetalnih nukleinskih kiselina bez ćelija ili materinskih nukleinskih kiselina bez ćelija u uzorku periferne krvi dobijenom od trudnice koji se ispituje je tačniji i pouzdaniji.
2
[0068] Treba napomenuti da izraz „normalni fetus muškog pola/fetus ženskog pola/fetus“ znači da fetus ima normalne hromozome, na primer, „normalni fetus muškog pola“ se odnosi na fetus muškog pola sa normalnim hromozomima. Štaviše, izraz „normalni fetus muškog pola/fetus ženskog pola/fetus“ može da se odnosi na jedan fetus ili blizance, na primer,
„normalni fetus muškog pola“ može biti normalni pojedinačan fetus ili normalni blizanci; a
„normalni fetus“ ne ograničava ni pol fetusa niti ograničava fetus na pojedinačni fetus ili blizance.
[0069] Otelotvorenja predmetnog otkrića će u nastavku biti detaljnije opisana pomoću primera. Stručnjacima za oblast treba napomenuti da je svrha sledećih primera isključivo ilustracija predmetnog otkrića, te ih tako ne treba tumačiti kao ograničenje opsega predmetnog otkrića. Jedan primer bez naznačenih uslova će biti izveden u normalnim uslovima ili u skladu sa preporukom proizvođača. Reagensi ili instrumenti za koje nisu navedeni proizvođači su uobičajeni proizvodi koji su dostupni na tržištu.
Primer 1
[0070] Fetalna frakcija je procenjena za 1400 sekvenciranih uzoraka koristeći statistički model regresije grebena uz sledeće korake:
1) sekvencijalnu deobu referentne sekvence (hg19) u susedne okvire sa fiksnom dužinom (kao što je 60 Kbp u ovom primeru), uklanjanje filtracijom okvira u N regionu, i određivanje sadržaja GC za svaki okvir, tako da se dobije datoteka za referentni okvir hg19.gc;
2) poravnavanje: poravnavanje očitavanja sekvenciranja (svako u 28 bp) sekvenciranih SE sekvenciranjem na platformi CG za referentnu sekvencu (hg19) koristeći, npr. BWA V0.7.7-r441;
3) filtracija i preliminarna statistička analiza: odabir jedinstveno mapiranih očitavanja sekvenciranja iz rezultata poravnanja, uklanjanje filtracijom ponovljenih očitavanja i očitavanja sa pogrešnim sparivanjem baza da bi se dobila efektivna očitavanja sekvenciranja, i određivanje broja efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir datoteke za referentni okvir hg19.gc i odgovarajući sadržaj GC;
4) GC korekcija, uključujući sledeće konkretne korake:
ucrtavanje brojeva efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire autozoma sa odgovarajućim sadržajem GC (na primer, koristeći ucrtavanje kubnog splajna u ovom primeru) za određivanje ER = f(gc);
vršenje korekcije na određenom broju efektivnih očitavanja sekvenciranja za svaki okvir za sve hromozome: ERAi= ERi* (ER/f(GCi)), i = 1,2,3, ... , N,
gde za uzorak, ERipredstavlja broj efektivnih očitavanja sekvenciranja koja spadaju u i-ti okvir, GCipredstavlja sadržaj GC referentne sekvence u i-tom okviru (evidencija u datoteci za referentni okvir hg19.gc), ER predstavlja prosečnu vrednost za brojeve efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire autozoma (kao što su hromozomi 1-22); a ERAipredstavlja broj GC korigovanih efektivnih očitavanja sekvenciranja u i-tom okviru nakon GC korekcije;
5) određivanje pola fetusa: poređenje odnosa (ER%) broja GC korigovanih efektivnih očitavanja sekvenciranja u Y hromozomu sa ukupnim brojem GC korigovanih efektivnih očitavanja sekvenciranja u svim hromozomima sa naznačenim pragom od [0,001, 0,003], gde se određuje da je fetus muškog pola ako je ER% veći ili jednak 0,003, u suprotnom se određuje da je fetus ženskog pola ako je ER% manji od 0,001;
6) procena fetalne frakcije koristeći statistički model regresije grebena, uključujući sledeće korake:
a) odabir 1000 uzoraka od kojih je svaki nezavisno dobijen od trudnice sa fetusom muškog pola kao skupa za trening; i odabir 400 uzoraka kao skupa za testiranje u kome je 200 uzoraka nezavisno dobijeno od trudnice sa fetusom muškog pola, a 200 uzoraka je nezavisno dobijeno od trudnica sa fetusom ženskog pola;
b) procena pondera svakog okvira u autozomu (bez hromozoma 13, 18 i 21) koristeći model regresije grebena za skup za trening, tj. određivanje odstupanja β0i pondera βjkoji minimizuju sledeću formulu:
, yipredstavlja fetalnu frakciju procenjenu sa Y hromozomom, xijje broj GC korigovanih efektivnih očitavanja sekvenciranja koja spadaju u okvir, a λ je koeficijent odredbe za regularizaciju drugog reda, koja se određuje tako da minimizuje objektivnu funkciju skupa za validaciju putem unakrsne validacije, pri čemu je distribucija procenjenih pondera prikazana na Sl.5; i
c) procena fetalne frakcije uzorka u skupu za testiranje sa poznatim ponderima u skladu sa sledećom formulom:
gde ŷ predstavlja prediktivnu fetalnu frakciju, xjje broj GC korigovanih efektivnih očitavanja sekvenciranja koja spadaju u okvir, β̂jje ponder okvira, β̂0je odstupanje, a β̂ji β0̂se dobijaju treniranjem modela.
[0071] Korelacija između fetalnih frakcija procenjenih pomoću statističkog modela regresije grebena i procenjenih pomoću Y hromozoma prikazana je na Sl.6, gde se može videti da postoji snažna korelacija između njih (r = 0,92; p vrednost < 1e-10), što pokazuje da je frakcija fetalnih nukleinskih kiselina bez ćelija procenjena postupkom prema otelotvorenjima predmetnog otkrića tačna i pouzdana.
Primer 2
[0072] Fetalna frakcija je procenjena za 1400 sekvenciranih uzoraka koristeći model neuronske mreže u biblioteci TensorFlow uz sledeće korake:
koraci 1)-5) su isti kao što je prethodno opisano u primeru 1;
6) procena fetalne frakcije koristeći model neuronske mreže u biblioteci TensorFlow, uključujući sledeće konkretne korake:
a) odabir 1000 uzoraka od kojih je svaki nezavisno dobijen od trudnice sa fetusom muškog pola kao skupa za trening; i odabir 400 uzoraka kao skupa za testiranje u kome je 200 uzoraka nezavisno dobijeno od trudnica sa fetusom muškog pola, a 200 uzoraka nezavisno dobijeno od trudnica sa fetusom ženskog pola, standardizaciju svih podataka (svih brojeva GC korigovanih efektivnih očitavanja sekvenciranja koja spadaju u pojedinačne okvire), tj. linearnu transformaciju svake varijable (broj GC korigovanih efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir) tako da prosečna vrednost za varijable u svim uzorcima bude 0, a standardna devijacija bude 1;
b) konstruisanje modela neuronske mreže u kojem se standardizovani broj efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir relativno stabilnog autozoma uzima kao sloj inputa, jedan neuron se uzima kao sloj autputa (koji odgovara fetalnoj frakciji), nema skrivenog sloja, ReLU je izabran kao tip neurona a Adam kao optimizator;
2
c) korišćenje modela neuronske mreže (učenja) u skupu za trening za predviđanje fetalne frakcije, i prilagođavanje stope učenja u skladu sa promenom efekta učenja u svakom ciklusu, tako da stopa učenja bude maksimalna uz obezbeđivanje efekta učenja za skup za trening bez ponovljenih fluktuacija, u kome je cilj postupka učenja da se izračuna vrednost
za svaki neuron sloj po sloj u skladu sa sledećom formulom na osnovu standardizovanog
broja efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir:
gde l predstavlja serijski broj sloja u modelu neuronske mreže, prvi sloj je sloj inputa, poslednji sloj je sloj autputa (koji ima samo jedan neuron), a međusloj je skriveni sloj,
predstavlja vrednost za j-ti neuron u l-tom sloju,
predstavlja vrednost za k-ti neuron u (l-1)-om sloju,
ponder veze od k-tog neurona u (l-1)-om sloju sa j-tim neuronom u l-tom sloju,
je odstupanje inputa za j-ti neuron u l-tom sloju, a najčešći oblik funkcije f je rektifikovana linearna jedinica, tj. f(x) = max(0,x);
za svaki uzorak {s}, poređenje vrednosti za neuron u sloju autputa sa fetalnom frakcijom
yskoja je procenjena na osnovu Y hromozoma, i prilagođavanje pondera veze i
odstupanja za svaki sloj radi minimizovanja
d) onoliko ciklusa treninga koliko dozvoljava sposobnost obrade, sve dok efekat učenja ne bude zasićen;
e) prelazak na druge optimizatore (kao što su SGD, Ftrl, itd.), ponavljanje koraka b)-d), i odabir optimalnog optimizatora na osnovu efekta učenja;
f) pokušaj da se u neuronsku mrežu doda λ odredba za regularizaciju drugog reda i podešavanje njene veličine za posmatranje efekta učenja pre i posle dodavanja i podešavanja veličine odredbe za regularizaciju drugog reda, gde značaj odredbe za regularizaciju drugog reda predstavlja to što cilj više nije traženje minimuma od
u procesu učenja;
g) dodavanje skrivenog sloja, prilagođavanje broja neurona u skrivenom sloju, ponavljanje koraka b).f) i odabir optimalnog uređenja skrivenog sloja na osnovu efekta učenja;
h) treniranje optimizovanog modela neuronske mreže na skupu za trening rada dobijanja optimalnih parametara kao što je prikazano u tabeli 1 i distribucija pondera (prosečni ponderi neurona u sloju inputa do skrivenog sloja) pojedinačnih okvira (videti Sl.7); i
i) procenu fetalne frakcije uzorka u skupu za testiranje sa treniranim modelom neuronske mreže putem izračunavanja vrednosti zk za svaki neuron sloj po sloj u skladu sa sledećom
formulom na osnovu standardizovanog broja efektivnih očitavanja sekvenciranja koja spadaju u svaki okvir, i vrednost za neuron u poslednjem sloju je prediktivna fetalna frakcija:
Tabela 1 Optimalni parametri dobijeni putem modela neuronske mreže u biblioteci
TensorFlow
[0073] Korelacija između fetalnih frakcija procenjenih pomoću modela neuronske mreže i procenjenih pomoću Y hromozoma je prikazana na Sl.8, gde se može videti da postoji snažna korelacija između njih (r = 0,982; p vrednost < 1e-10), što pokazuje da je frakcija fetalnih nukleinskih kiselina bez ćelija procenjena postupkom u skladu sa otelotvorenjima predmetnog otkrića tačna i pouzdana.
[0074] Konačno, pronalazači su analizirali korelaciju između statističkog modela regresije grebena i modela neuronske mreže u pogledu procene ženske fetalne frakcije, gde je rezultat prikazan na Sl.9, gde se jasno može videti da su fetalne frakcije dobijene pomoću dva modela u velikoj meri u korelaciji (r = 0,935; p vrednost < 1e-10).
[0075] U celoj ovoj specifikaciji, referenca na „otelotvorenje“, „neka otelotvorenja“, „jedno otelotvorenje“, „još jedan primer“, „primer“, „konkretan primer“ ili „neke primere“ znači da su konkretna osobina, struktura, materijal ili karakteristika opisani u vezi sa otelotvorenjem ili primer uključeni u najmanje jedno otelotvorenje ili primer u predmetnom otkriću. Tako,
2
javljanje fraza kao što su „u nekim otelotvorenjima“, „u jednom otelotvorenju“, „u otelotvorenju“, „u drugom primeru“, „u jednom primeru“, „u konkretnom primeru“ ili „u nekim primerima“ na različitim mestima u ovoj specifikaciji ne odnose se nužno na isto otelotvorenje ili primer iz predmetnog otkrića. Nadalje, konkretne osobine, strukture, materijali ili karakteristike mogu da se kombinuju na bilo koji odgovarajući način u jednom ili više otelotvorenja ili primera.
2
Claims (1)
- Patentni zahtevi 1. Postupak za određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku, koji obuhvata: (1) obavljanje sekvenciranja na nukleinskim kiselinama bez ćelija koje su sadržane u biološkom uzorku tako da se dobiju rezultati sekvenciranja koji se sastoje od više očitavanja sekvenciranja; (2) poravnavanje rezultata sekvenciranja sa referentnom sekvencom, kako bi se odredio broj očitavanja sekvenciranja koja spadaju u prethodno određeni okvir u rezultatu sekvenciranja, pri čemu, referentna sekvenca je referentna sekvenca genoma, pri čemu, prethodno utvrđeni okvir se dobija sekvencijalnom deobom prethodno utvrđenog hromozoma iz sekvence referentnog genoma; i (3) određivanje frakcije nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku na osnovu broja očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir, pri čemu, frakcija nukleinskih kiselina bez ćelija iz prethodno utvrđenog izvora u biološkom uzorku se određuje putem pondera za svaki prethodno utvrđeni okvir, pri čemu, ponder svakog prethodno utvrđenog okvira se prethodno utvrđuje pomoću uzorka za trening i određuje se koristeći najmanje jedno od statističkog modela regresije grebena i modela neuronske mreže, pri čemu, probni uzorak je uzorak periferne krvi sa poznatom frakcijom fetalnih nukleinskih kiselina bez ćelija dobijen od trudnice, pri čemu, uzorak za trening je uzorak periferne krvi sa poznatom frakcijom fetalnih nukleinskih kiselina bez ćelija dobijen od trudnice sa normalnim muškim fetusom, gde se normalni muški fetus odnosi na muški fetus sa normalnim hromozomima, pri čemu, biološki uzorak je uzorak periferne krvi, pri čemu, nukleinska kiselina bez ćelija iz prethodno utvrđenog izvora je najmanje jedna izabrana od sledećeg: fetalne nukleinske kiseline bez ćelija u uzorku periferne krvi koji je dobijen od trudnice; i materinske nukleinske kiseline bez ćelija u uzorku periferne krvi koji je dobijen od trudnice. 2 2. Postupak prema zahtevu 1, pri čemu prethodno utvrđeni hromozom obuhvata autozom, poželjno, pri čemu autozom ne obuhvata nijedan od hromozoma 13, 18 i 21. 3. Postupak prema bilo kom od zahteva 1 ili 2, pri čemu korak (2) dalje obuhvata: (2-1) poravnavanje rezultata sekvenciranja sa referentnom sekvencom genoma, tako da se konstruiše skup podataka koji se sastoji od više jedinstveno mapiranih očitavanja sekvence, gde se svako jedinstveno mapirano očitavanje sekvence u skupu podataka mapira na jednu poziciju u referentnoj sekvenci genoma; (2-2) određivanje pozicije svakog jedinstveno mapiranog očitavanja sekvenciranja u referentnoj sekvenci genoma; i (2-3) određivanje broja jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir. 4. Postupak prema bilo kom od zahteva 1 do 3, pri čemu, u koraku (3), model neuronske mreže usvaja sistem za učenje TensorFlow, poželjno pri čemu sistem za učenje TensorFlow obuhvata sledeće parametre: broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u pojedinačne okvire autozoma kao sloj inputa; fetalnu frakciju kao sloj autputa; ReLu kao neuron; optimizator izabran od najmanje jednog od Adam. SGD i Ftrl, poželjno, pri čemu, optimizator je Ftrl, poželjno pri čemu, sistem za učenje TensorFlow dalje obuhvata sledeće parametre: zadatu stopu učenja od 0,002; 1 skriveni sloj; i 200 neurona u skrivenom sloju. 5. Postupak prema zahtevu 4, pri čemu se ponder svakog prethodno utvrđenog okvira određuje na osnovu statističkog modela regresije grebena koji ima sledeću formulu za izračunavanje: gde ŷ predstavlja prediktivnu fetalnu frakciju, xjje broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u okvir, βĵje ponder okvira, β̂0je odstupanje, a β̂ji β0̂se dobijaju treniranjem modela. 6. Postupak prema zahtevu 4, pri čemu, ponder svakog prethodno utvrđenog okvira se određuje na osnovu modela neuronske mreže koji ima sledeću formulu za izračunavanje:gde l predstavlja serijski broj sloja u modelu neuronske mreže, zj je vrednost za j-ti neuron u l-tom sloju, predstavlja vrednost za k-ti neuron u (l-1)-om sloju, ponder veze od k-tog neurona u (l-1)-om sloju sa j-tim neuronom u l-tom sloju, predstavlja odstupanje inputa za j-ti neuron u l-tom sloju, a w i b se dobijaju treniranjem modela, poželjno, pri čemu određivanje pondera za svaki prethodno utvrđeni okvir utvrđen pomoću modela neuronske mreže obuhvata: izračunavanje vrednosti za svaki neuron sloj po sloj prema formuli za izračunavanje u modelu neuronske mreže, gde vrednost za neuron u poslednjem sloju predstavlja prediktivnu fetalnu frakciju. 7. Postupak prema bilo kom od zahteva 1 do 6, pri čemu, pre koraka (3), unapred se vrši GC korekcija na određenom broju jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir, kako bi se dobio određeni broj GC korigovanih jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u prethodno utvrđeni okvir, poželjno, pri čemu se GC korekcija vrši putem: ucrtavanja broja jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u pojedinačne prethodno utvrđene okvire prethodno utvrđenog hromozoma sa odgovarajućim GC sadržajem za određivanje ER = f(gc); vršenja korekcije na određenom broju jedinstveno mapiranih očitavanja sekvenciranja za svaki prethodno utvrđeni okvir prethodno utvrđenog hromozoma:2 gde za uzorak, ERipredstavlja broj jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u i-ti prethodno utvrđeni okvir, GCipredstavlja sadržaj GC referentne sekvence za i-ti prethodno utvrđeni okvir, ER predstavlja prosečnu vrednost za brojeve jedinstveno mapiranih očitavanja sekvenciranja koja spadaju u individualno prethodno utvrđene okvire prethodno utvrđenog hromozoma; i ERAipredstavlja broj GC korigovanih jedinstveno mapiranih očitavanja sekvenciranja u i-tom prethodno utvrđenom okviru nakon korekcije. 8. Postupak prema bilo kom od zahteva 1 do 7, pri čemu, pre koraka (3), unapred se određuje pol fetusa, poželjno, pri čemu se pol fetusa određuje na osnovu odnosa broja jedinstveno mapiranih očitavanja sekvenciranja u Y hromozomu prema ukupnom broju jedinstveno mapiranih očitavanja sekvenciranja u svim hromozomima.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710055200 | 2017-01-24 | ||
| PCT/CN2018/072045 WO2018137496A1 (zh) | 2017-01-24 | 2018-01-10 | 确定生物样本中预定来源的游离核酸比例的方法及装置 |
| EP18743980.7A EP3575407B1 (en) | 2017-01-24 | 2018-01-10 | Method for determining proportion of cell-free nucleic acids from predetermined source in biological sample |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RS65618B1 true RS65618B1 (sr) | 2024-07-31 |
Family
ID=62978786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RS20240650A RS65618B1 (sr) | 2017-01-24 | 2018-01-10 | Postupak za utvrđivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku |
Country Status (8)
| Country | Link |
|---|---|
| EP (1) | EP3575407B1 (sr) |
| CN (1) | CN110191964B (sr) |
| ES (1) | ES2981092T3 (sr) |
| HR (1) | HRP20240709T1 (sr) |
| HU (1) | HUE067465T2 (sr) |
| PL (1) | PL3575407T3 (sr) |
| RS (1) | RS65618B1 (sr) |
| WO (1) | WO2018137496A1 (sr) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272046A (zh) * | 2018-09-26 | 2019-01-25 | 北京科技大学 | 基于L2重新正则化Adam切换模拟回火SGD的深度学习方法 |
| KR102795708B1 (ko) * | 2020-11-27 | 2025-04-16 | 주식회사 지씨지놈 | 인공지능 기반 암 진단 및 암 종 예측방법 |
| CN112669282B (zh) * | 2020-12-29 | 2023-02-14 | 燕山大学 | 一种基于深度神经网络的脊柱定位方法 |
| CN114882944B (zh) * | 2022-06-22 | 2024-09-20 | 深圳微伴医学检验实验室 | 基于Metagenome测序的肠道微生物样品宿主性别鉴定方法、装置及应用 |
| CN117106870B (zh) * | 2022-12-30 | 2024-09-13 | 深圳市真迈生物科技有限公司 | 胎儿浓度的确定方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102329876B (zh) * | 2011-10-14 | 2014-04-02 | 深圳华大基因科技有限公司 | 一种测定待检测样本中疾病相关核酸分子的核苷酸序列的方法 |
| BR122021021823B1 (pt) * | 2012-09-20 | 2023-04-25 | The Chinese University Of Hong Kong | Método para determinar um primeiro perfil de metilação de uma amostra biológica de um organismo, e, meio de armazenamento de memória |
| EP2728014B1 (en) * | 2012-10-31 | 2015-10-07 | Genesupport SA | Non-invasive method for detecting a fetal chromosomal aneuploidy |
| CN104169929B (zh) * | 2013-09-10 | 2016-12-28 | 深圳华大基因股份有限公司 | 用于确定胎儿是否存在性染色体数目异常的系统和装置 |
| HRP20220045T1 (hr) * | 2014-07-25 | 2022-04-15 | Bgi Genomics Co., Limited | Postupak za određivanje frakcije slobodnih fetalnih nukleinskih kiselina u uzorku periferne krvi trudnice i njihova uporaba |
| CN105331606A (zh) * | 2014-08-12 | 2016-02-17 | 焦少灼 | 应用于高通量测序的核酸分子定量方法 |
-
2018
- 2018-01-10 RS RS20240650A patent/RS65618B1/sr unknown
- 2018-01-10 CN CN201880006995.9A patent/CN110191964B/zh active Active
- 2018-01-10 ES ES18743980T patent/ES2981092T3/es active Active
- 2018-01-10 PL PL18743980.7T patent/PL3575407T3/pl unknown
- 2018-01-10 HR HRP20240709TT patent/HRP20240709T1/hr unknown
- 2018-01-10 HU HUE18743980A patent/HUE067465T2/hu unknown
- 2018-01-10 EP EP18743980.7A patent/EP3575407B1/en active Active
- 2018-01-10 WO PCT/CN2018/072045 patent/WO2018137496A1/zh not_active Ceased
Also Published As
| Publication number | Publication date |
|---|---|
| ES2981092T3 (es) | 2024-10-07 |
| HUE067465T2 (hu) | 2024-10-28 |
| PL3575407T3 (pl) | 2024-07-29 |
| EP3575407A4 (en) | 2020-03-04 |
| EP3575407B1 (en) | 2024-03-27 |
| EP3575407A1 (en) | 2019-12-04 |
| WO2018137496A1 (zh) | 2018-08-02 |
| CN110191964B (zh) | 2023-12-05 |
| CN110191964A (zh) | 2019-08-30 |
| HRP20240709T1 (hr) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Green et al. | Cellular communities reveal trajectories of brain ageing and Alzheimer’s disease | |
| RS65618B1 (sr) | Postupak za utvrđivanje frakcije nukleinskih kiselina bez ćelija iz prethodno određenog izvora u biološkom uzorku | |
| AU2020378080B2 (en) | Accurate and robust information-deconvolution from bulk tissue transcriptomes | |
| Banister et al. | Infant growth restriction is associated with distinct patterns of DNA methylation in human placentas | |
| CN110808081B (zh) | 一种鉴定肿瘤纯度样本的模型构建方法及应用 | |
| JP6312253B2 (ja) | 形質予測モデル作成方法および形質予測方法 | |
| Nelson et al. | Antimüllerian hormone levels and antral follicle count as prognostic indicators in a personalized prediction model of live birth | |
| Rego et al. | High throughput sequencing and assessing disease risk | |
| CN115223654B (zh) | 检测胎儿染色体非整倍体异常的方法、装置及存储介质 | |
| CN110305954B (zh) | 一种早期准确检测先兆子痫的预测模型 | |
| KR102111820B1 (ko) | 동적 네트워크 바이오마커의 검출 장치, 검출 방법 및 검출 프로그램 | |
| CN114592074A (zh) | 一种与胎龄相关的靶标基因组合及其应用 | |
| EP4163384B1 (en) | Method for determining pregnancy status of pregnant woman | |
| CN116240273B (zh) | 一种基于低深度全基因组测序的判断母源污染比例的方法及其应用 | |
| Scott Jr et al. | Assessing the reproductive competence of individual embryos: a proposal for the validation of new “-omics” technologies | |
| CN110387414A (zh) | 一种利用外周血游离dna预测妊娠期糖尿病的模型 | |
| CN110580934B (zh) | 一种基于外周血游离dna高通量测序的妊娠期相关疾病预测方法 | |
| CN118262797A (zh) | 基于功能mri标记物的胃癌错配修复基因表达预测模型建立方法及系统 | |
| CN118116602A (zh) | 一种临床状态的评估方法、装置、系统及存储介质 | |
| WO2023010242A1 (zh) | 估计无创产前基因检测数据中胎儿核酸浓度的方法和系统 | |
| Zhang et al. | Establishment and validation of a predictive model of preeclampsia based on transcriptional signatures of 43 genes in decidua basalis and peripheral blood | |
| US20180224430A1 (en) | Method of Estimating the Incidence of In Vivo Reactions to Chemical or Biological Agents Using In Vitro Experiments | |
| JP6761613B2 (ja) | 急速進行型孤発性ａｌｓの検査方法、検査キット、及び医薬のスクリーニング方法 | |
| HK40010535A (en) | Method and device for determining proportion of free nucleotide from predetermined source in biological sample | |
| CN118888009B (zh) | 一种肝癌检测系统、试剂盒及其应用 |