公开/公告号CN114842970A
专利类型发明专利
公开/公告日2022-08-02
原文格式PDF
申请/专利权人 广州医科大学附属第一医院(广州呼吸中心);
申请/专利号CN202210318538.1
申请日2022-03-29
分类号G16H50/30(2018.01);G16H50/50(2018.01);G16B40/00(2019.01);G16B20/30(2019.01);
代理机构广州三环专利商标代理有限公司 44202;
代理人颜希文
地址 510120 广东省广州市越秀区沿江西路151号
入库时间 2023-06-19 16:14:25
法律状态公告日
法律状态信息
法律状态
2022-08-19
实质审查的生效 IPC(主分类):G16H50/30 专利申请号:2022103185381 申请日:20220329
实质审查的生效
2022-08-02
公开
发明专利申请公布
技术领域
本发明涉及癌症预后风险评估技术领域,尤其涉及一种前列腺癌患者预后风险预测模型的构建方法。
背景技术
前列腺癌(pca)是男性中最普遍的癌症,也是男性癌症死亡的主要原因之一。前列腺癌在全球男性癌症发病率中排名第二位,占男性癌症新发病例的14.1%,死亡率占全部癌症的6.8%。在我国,前列腺癌发病率在过去的20年里从10%迅速上升到20%。虽然前列腺癌的总体生存率优于其他恶性肿瘤,但其复发率非常高,大多数患者最终发展为晚期,称为去雄抵抗性前列腺癌(CRPC)。此外,出现癌症转移的患者中位生存期很短,只有30个月。因此,进一步研究前列腺癌的分子机制,寻找有效的筛查和诊断方法,对提高患者的生活质量具有重要意义。
现临床上已有若干肿瘤标志物用于肿瘤的诊断,但多是单一的标志物,敏感性、特异性尚不能满足临床需要。面对前列腺癌目前的诊治形式,急需良好的模型对其进行适时的评估,及时判断预后。
发明内容
本发明实施例所要解决的技术问题在于,提供一种前列腺癌患者预后风险预测模型的构建方法,所建立的预测模型能够更精准地预测患者的预后,更好地指导临床决策,为前列腺癌的治疗提供更为科学的参考依据,对于前列腺癌的精准诊疗具有重大意义。
为了实现上述目的,本发明实施例提供了一种前列腺癌患者预后风险预测模型的构建方法,包括:
获取前列腺穿刺样本,所述前列腺穿刺样本包括N个正常前列腺穿刺样本、N个激素敏感性前列腺癌穿刺样本和N个激素抵抗性前列腺癌穿刺样本;其中,N为大于1的正整数;
对所述前列腺穿刺样本进行MeRIP-Seq甲基化RNA免疫共沉淀结合高通量测序,并采用差异分析方法分析所述前列腺穿刺样本中与前列腺癌预后相关的基因,得到与前列腺癌预后相关的若干个m6A修饰基因;
将所有所述m6A修饰基因作为训练集,采用回归分析筛选出与前列腺癌预后风险预测相关的若干个关键基因;
根据所有所述关键基因构建前列腺癌患者预后风险预测模型,通过所述预后风险预测模型得到所述前列腺癌患者的预后风险情况。
作为其中一种可选的实施例,所述通过所述预后风险预测模型得到所述前列腺癌患者的预后风险情况,具体包括:
通过所述预后风险预测模型得到每一所述关键基因的表达量和相关系数;其中,所述相关系数为所述关键基因与所述前列腺癌患者预后的相关系数;
根据所述表达量和所述相关系数计算所述前列腺癌患者预后的风险评分;
根据所述风险评分得出所述前列腺癌患者的预后风险情况。
作为其中一种可选的实施例,所述风险评分的计算公式为:
其中,RS表示风险评分,n表示关键基因的数量,a
作为其中一种可选的实施例,所述根据所述风险评分得出所述前列腺癌患者的预后风险情况,具体包括:
判断所述风险评分是否超出预设范围;
若所述风险评分超出预设范围,则说明所述前列腺癌患者的预后风险较高;
若所述风险评分未超出预设范围,则说明所述前列腺癌患者的预后风险较低。
作为其中一种可选的实施例,所述方法还包括:
采用Kaplan–Meier生存分析、ROC分析和C-index中的一种或多种对所述预后风险预测模型的预测准确性进行验证。
作为其中一种可选的实施例,所述回归分析为岭回归分析、Cox回归分析、Lasso回归分析或ElasticNet回归分析中的任意一种。
作为其中一种可选的实施例,所述关键基因分别为THSD7A、TNFRSF12A、CELSR3、NFIX、SYT7、GPRC5A、IGF1、HGF、ANK1、VCAN、CDH1、ADRB1、HDAC9、COL9A2、KITLG、LAMA3、TMCC3、LAMC2、GNA15、CDH3、GPC1、NGEF、SYT1、ATP11A、ADD2、FDFT1、OPRK1、RPS5、WNT11、LYZ、SLC5A1、NEFH、CHGA、MMP9、MYBL2、EEF1A2、PTK6、SMS、KLF5、MMP15、SLC7A5、CPPED1、PLAT、EIF3E、NDRG1、NCALD、BNIP3L、MYH14、COMP、LFNG、CASP2、SFRP4、AEBP1、RLN1、SH3PXD2A、SOD3、FAM149A、CUX2、OAS3、RIC8B、COL12A1、FRK、BVES、SLC16A10、PDE10A、MDFI、ENPP5、MRPS27、PCDHB3、PCDHB5、PCDHB7、QPCT、SDC1、ST6GALNAC5、GBP3、F3、SPP1、GALNT12、PLEKHG1、SOCS2、GLIPR2、NUDT10、LRP1、HJURP、SDC4、SOX9、C3、IFI6、ZC4H2、HIP1、STEAP4、CDC42EP1、ISLR、PGAP6、PPP1R1B、MCCC2、SLC6A11、PPARG、VSTM2L、ATP8A2、CHI3L1、KL、AMPD3、BHLHE40、HMGCS2、LDHA、ANXA1、GOLM1、ELF5、CKAP2、TTYH3、DAB2IP、KIF12、MYC、RPS6、RNF144B、GGH、SORL1、ITGA11、CYP1B1、SLC39A8、SORD、CPNE2、SLC39A6、MAPK4、PFKL、RPS8、ZNF697、GULP1、IL17RD、PLA1A、ADPRH、RPS3A、OTULINL、CXCL14、TNFRSF21、SDK1、CSGALNACT1、RPL7、CDKN2A、LCN2、FAM171A1、FAM13C、ADD3、ADM、ITPR1、ANK3、PLEKHG4B、AK5、ANKRD29、PDLIM3、SLC16A1、MMP14、ERG、CLSTN2、RUNX1、SPON2、RPL8、DMKN、RPL26、CAMK2N1、C1orf115、PIGR、CLDN1、ELF3、RPL22L1、CDCP1、ARHGEF3、GUCY1A1、HHIP、FABP5、CTSB、WNK2、SLC16A9、GJB2、PKNOX2、GREM1、C19orf48、KRT80、DDIT4、ZNF608、VXN、PARM1、PFKFB3、KCNK3、KRT19、RRM2、RARG、DMXL1、AGR3、PTPRM、CHST2、UCP2、DMRTA1、RIMS2、RPS27、ADAMTSL1、VWA1、SLITRK4、ALOX15B、BACE2、CACNB4、ANXA2、CRIP2、CCSER1、SEPTIN9、SFTPA2、MUC1、THBS2、KRT10、ZNF395、ISG15、FYB2、AGRN、PLA2G2A、DPYD、APOD、NTNG2、ESRRG、SPTSSB、MME、TLE1、TMEM26、SERPINA1、S100A10、RPL12、ELOVL2、HLA-DRB5、RYR2、SCAMP5、COL5A2、VGLL3、LBH、S1PR3、EML6、RPS18、TMEM150C、RPL17和PCDHB16。
相对于现有技术,本发明实施例提供的一种前列腺癌患者预后风险预测模型的构建方法的有益效果在于:通过获取前列腺穿刺样本,所述前列腺穿刺样本包括N个正常前列腺穿刺样本、N个激素敏感性前列腺癌穿刺样本和N个激素抵抗性前列腺癌穿刺样本;对所述前列腺穿刺样本进行MeRIP-Seq甲基化RNA免疫共沉淀结合高通量测序,并采用差异分析方法分析所述前列腺穿刺样本中与前列腺癌预后相关的基因,得到与前列腺癌预后相关的若干个m6A修饰基因;将所有所述m6A修饰基因作为训练集,采用回归分析筛选出与前列腺癌预后风险预测相关的若干个关键基因;根据所有所述关键基因构建前列腺癌患者预后风险预测模型,通过所述预后风险预测模型得到所述前列腺癌患者的预后风险情况。本发明实施例所建立的预测模型能够更精准地预测患者的预后,更好地指导临床决策,有助于临床医师选择预后更差的术后患者进行干预以预防肿瘤的复发和转移,同时对辅助化疗药物的选择上也更有证据,有助于制定有效的治疗策略,减少不必要的治疗,为前列腺癌的治疗提供更为科学的参考依据,对于前列腺癌的精准诊疗具有重大意义。
附图说明
图1是本发明提供的一种前列腺癌患者预后风险预测模型的构建方法的一个优选实施例的流程示意图;
图2是本发明提供的前列腺癌患者预后风险预测模型与其他类似模型在不同数据集对比的单因素Cox分析结果森林图;
图3是本发明提供的前列腺癌患者预后风险预测模型与其他类似模型在不同数据集对比的C-index箱式图;
图4是本发明提供的前列腺癌患者预后风险预测模型与其他类似模型在不同数据集对比的AUC箱式图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明提供的一种前列腺癌患者预后风险预测模型的构建方法的一个优选实施例的流程示意图。所述前列腺癌患者预后风险预测模型的构建方法,包括:
S1,获取前列腺穿刺样本,所述前列腺穿刺样本包括N个正常前列腺穿刺样本、N个激素敏感性前列腺癌穿刺样本和N个激素抵抗性前列腺癌穿刺样本;其中,N为大于1的正整数;
S2,对所述前列腺穿刺样本进行MeRIP-Seq甲基化RNA免疫共沉淀结合高通量测序,并采用差异分析方法分析所述前列腺穿刺样本中与前列腺癌预后相关的基因,得到与前列腺癌预后相关的若干个m6A修饰基因;
S3,将所有所述m6A修饰基因作为训练集,采用回归分析筛选出与前列腺癌预后风险预测相关的若干个关键基因;
S4,根据所有所述关键基因构建前列腺癌患者预后风险预测模型,通过所述预后风险预测模型得到所述前列腺癌患者的预后风险情况。
例如,本实施例首先获取4个正常人的前列腺穿刺样本,然后根据预设的患者选择标准选取8个患者,获取相同位置的4个激素敏感性前列腺癌穿刺样本和4个激素抵抗性前列腺癌穿刺样本。在获取了4个正常前列腺穿刺样本、4个激素敏感性前列腺癌穿刺样本和4个激素抵抗性前列腺癌穿刺样本之后,对全部的前列腺穿刺样本进行MeRIP-Seq甲基化RNA免疫共沉淀结合高通量测序,并采用差异分析方法分析所有前列腺穿刺样本中与前列腺癌预后相关的基因,得到与前列腺癌预后相关的若干个m6A修饰基因。其次,在TCGA数据库中将所有m6A修饰基因作为训练集,采用回归分析筛选出与前列腺癌预后风险预测相关的若干个关键基因。根据所有关键基因构建前列腺癌患者预后风险预测模型,通过该预后风险预测模型得到前列腺癌患者的预后风险情况。
需要说明的是,MeRIP-Seq甲基化RNA免疫共沉淀结合高通量测序的原理是通过m6A特异性抗体对细胞内具有m6A修饰的RNA片段进行免疫共沉淀,将富集下来的RNA片段进行高通量测序,结合生物信息学分析,即可在转录组范围内对m6A修饰进行系统研究。
本实施例所建立的预测模型对前列腺癌的预后有很好的预测价值,能够更精准地预测患者的预后,更好地指导临床决策,有助于临床医师选择预后更差的术后患者进行干预以预防肿瘤的复发和转移,同时对辅助化疗药物的选择上也更有证据,有助于制定有效的治疗策略,减少不必要的治疗,为前列腺癌的治疗提供更为科学的参考依据,对于前列腺癌的精准诊疗具有重大意义。
在另一个优选实施例中,所述通过所述预后风险预测模型得到所述前列腺癌患者的预后风险情况,具体包括:
通过所述预后风险预测模型得到每一所述关键基因的表达量和相关系数;其中,所述相关系数为所述关键基因与所述前列腺癌患者预后的相关系数;
根据所述表达量和所述相关系数计算所述前列腺癌患者预后的风险评分;
根据所述风险评分得出所述前列腺癌患者的预后风险情况。
具体的,本实施例通过该预后风险预测模型得到每一个关键基因的表达量和相关系数。该相关系数指的是关键基因与前列腺癌患者预后的相关系数。然后根据每一个关键基因的表达量和相关系数计算前列腺癌患者预后的风险评分,根据该风险评分得出前列腺癌患者的预后风险情况。
作为优选方案,所述风险评分的计算公式为:
其中,RS表示风险评分,n表示关键基因的数量,a
在又一个优选实施例中,所述根据所述风险评分得出所述前列腺癌患者的预后风险情况,具体包括:
判断所述风险评分是否超出预设范围;
若所述风险评分超出预设范围,则说明所述前列腺癌患者的预后风险较高;
若所述风险评分未超出预设范围,则说明所述前列腺癌患者的预后风险较低。
具体的,计算出前列腺癌患者预后的风险评分后,判断该风险评分是否超出预设范围。若风险评分超出预设范围,则说明前列腺癌患者的预后风险较高;若风险评分未超出预设范围,则说明前列腺癌患者的预后风险较低。
在又一个优选实施例中,所述方法还包括:
采用Kaplan–Meier生存分析、ROC分析和C-index中的一种或多种对所述预后风险预测模型的预测准确性进行验证。
具体的,采用Kaplan–Meier生存分析、ROC分析和C-index中的一种或多种对预后风险预测模型的预测准确性进行验证。其中,Kaplan–Meier生存分析可以得到患者的生存率、生存时间等。ROC分析可以得出某种因素对于某种疾病的诊断是否有诊断价值。C-index,C指数即一致性指数(concordance index),用来评价模型的预测能力。C指数是指所有患者对子中预测结果与实际结果一致的对子所占的比例,它估计了预测结果与实际观察到的结果相一致的概率。C指数的计算方法是:把所研究的资料中的所有研究对象随机地两两组成对子。以生存分析为例,对于一对患者,如果生存时间较长的一位的预测生存时间也长于另一位的预测生存时间,或预测的生存概率高的一位的生存时间长于生存概率低的另一位,则称之为预测结果与实际结果一致。
为了评估该预后风险预测模型预测的准确性,还可以在多个公共数据集中对该预后风险预测模型进行评估。选择包含总生存期(Overall Survival)OS统计信息的数据集(GSE54460、Stockolm、Belfast、DKFZ、Tayloe、CancerMap、CPC-Gene、Cambridge、CIT)对该预后风险预测模型进行评估,并与其他类似模型进行对比。例如,请参阅图2至图4,图2是本发明提供的前列腺癌患者预后风险预测模型与其他类似模型在不同数据集对比的单因素Cox分析结果森林图,图3是本发明提供的前列腺癌患者预后风险预测模型与其他类似模型在不同数据集对比的C-index箱式图,图4是本发明提供的前列腺癌患者预后风险预测模型与其他类似模型在不同数据集对比的AUC箱式图。图中N指的是每个数据集样本的数量。Hazard Ratio指的是风险比率,当95%CI包含0时,即森林图中的横线线段与无效线相交时,可认为两组之间的均数差异无统计学显著性,不能认为两组结局指标的均数不相等。若HR值越大,则说明该模型在该数据集的预测性能越好。通过观察P.value来检测模型的预测性能,若P.value<0.05的数据集越多,则说明该模型的预测性能越准确。从图中可以看出本发明提供的预后风险预测模型比其他类似模型的HR值大,说明该预后风险预测模型预测性能优于其他类似模型。
综上结果表明该预后风险预测模型在所有数据集中都具有潜在的预测价值,并且该预后风险预测模型比其他类似模型预测预后的效果更优异。
作为优选方案,所述回归分析为岭回归分析、Cox回归分析、Lasso回归分析或ElasticNet回归分析中的任意一种。
具体的,本实施例在筛选与前列腺癌预后风险预测相关的若干个关键基因时所采用的回归分析为岭回归分析、Cox回归分析、Lasso回归分析或ElasticNet回归分析中的任意一种。
作为优选方案,所述关键基因分别为THSD7A、TNFRSF12A、CELSR3、NFIX、SYT7、GPRC5A、IGF1、HGF、ANK1、VCAN、CDH1、ADRB1、HDAC9、COL9A2、KITLG、LAMA3、TMCC3、LAMC2、GNA15、CDH3、GPC1、NGEF、SYT1、ATP11A、ADD2、FDFT1、OPRK1、RPS5、WNT11、LYZ、SLC5A1、NEFH、CHGA、MMP9、MYBL2、EEF1A2、PTK6、SMS、KLF5、MMP15、SLC7A5、CPPED1、PLAT、EIF3E、NDRG1、NCALD、BNIP3L、MYH14、COMP、LFNG、CASP2、SFRP4、AEBP1、RLN1、SH3PXD2A、SOD3、FAM149A、CUX2、OAS3、RIC8B、COL12A1、FRK、BVES、SLC16A10、PDE10A、MDFI、ENPP5、MRPS27、PCDHB3、PCDHB5、PCDHB7、QPCT、SDC1、ST6GALNAC5、GBP3、F3、SPP1、GALNT12、PLEKHG1、SOCS2、GLIPR2、NUDT10、LRP1、HJURP、SDC4、SOX9、C3、IFI6、ZC4H2、HIP1、STEAP4、CDC42EP1、ISLR、PGAP6、PPP1R1B、MCCC2、SLC6A11、PPARG、VSTM2L、ATP8A2、CHI3L1、KL、AMPD3、BHLHE40、HMGCS2、LDHA、ANXA1、GOLM1、ELF5、CKAP2、TTYH3、DAB2IP、KIF12、MYC、RPS6、RNF144B、GGH、SORL1、ITGA11、CYP1B1、SLC39A8、SORD、CPNE2、SLC39A6、MAPK4、PFKL、RPS8、ZNF697、GULP1、IL17RD、PLA1A、ADPRH、RPS3A、OTULINL、CXCL14、TNFRSF21、SDK1、CSGALNACT1、RPL7、CDKN2A、LCN2、FAM171A1、FAM13C、ADD3、ADM、ITPR1、ANK3、PLEKHG4B、AK5、ANKRD29、PDLIM3、SLC16A1、MMP14、ERG、CLSTN2、RUNX1、SPON2、RPL8、DMKN、RPL26、CAMK2N1、C1orf115、PIGR、CLDN1、ELF3、RPL22L1、CDCP1、ARHGEF3、GUCY1A1、HHIP、FABP5、CTSB、WNK2、SLC16A9、GJB2、PKNOX2、GREM1、C19orf48、KRT80、DDIT4、ZNF608、VXN、PARM1、PFKFB3、KCNK3、KRT19、RRM2、RARG、DMXL1、AGR3、PTPRM、CHST2、UCP2、DMRTA1、RIMS2、RPS27、ADAMTSL1、VWA1、SLITRK4、ALOX15B、BACE2、CACNB4、ANXA2、CRIP2、CCSER1、SEPTIN9、SFTPA2、MUC1、THBS2、KRT10、ZNF395、ISG15、FYB2、AGRN、PLA2G2A、DPYD、APOD、NTNG2、ESRRG、SPTSSB、MME、TLE1、TMEM26、SERPINA1、S100A10、RPL12、ELOVL2、HLA-DRB5、RYR2、SCAMP5、COL5A2、VGLL3、LBH、S1PR3、EML6、RPS18、TMEM150C、RPL17和PCDHB16。
例如,采用回归分析筛选出与前列腺癌预后风险预测相关的239个关键基因后,根据这239个关键基因构建前列腺癌患者预后风险预测模型,通过预后风险预测模型得到每一个关键基因的表达量和相关系数。根据每一个关键基因的表达量和相关系数,通过公式
计算前列腺癌患者预后的风险评分。即:
RS=(0.007504351*THSD7A expression)+(0.007693094*TNFRSF12Aexpression)+(0.011321329*CELSR3 expression)+(0.006320433*NFIX expression)+(0.012705622*SYT7 expression)+(-0.004443684*GPRC5A expression)+(-0.011202961*IGF1 expression)+(-0.002334165*HGF expression)+(-0.016740373*ANK1 expression)+(0.010877237*VCAN expression)+(-0.006349589*CDH1 expression)+(-0.004700945*ADRB1 expression)+(0.010546944*HDAC9 expression)+(0.009547606*COL9A2expression)+(-0.007795567*KITLG expression)+(0.017646452*LAMA3 expression)+(0.028478225*TMCC3 expression)+(0.000485882*LAMC2 expression)+(0.017040573*GNA15 expression)+(-0.005289582*CDH3 expression)+(0.067995837*GPC1expression)+(0.011571604*NGEF expression)+(0.011708155*SYT1 expression)+(-0.003753929*ATP11A expression)+(-0.001618912*ADD2 expression)+(-0.012911473*FDFT1 expression)+(0.012458775*OPRK1 expression)+(-0.01155524*RPS5expression)+(0.017133406*WNT11 expression)+(0.005050671*LYZ expression)+(0.001267791*SLC5A1 expression)+(-0.00090857*NEFH expression)+(0.00051433*CHGA expression)+(0.004896006*MMP9 expression)+(0.023654154*MYBL2 expression)+(0.006447066*EEF1A2 expression)+(0.007366339*PTK6 expression)+(0.005652202*SMS expression)+(-0.035751961*KLF5 expression)+(0.00868379*MMP15 expression)+(0.005801663*SLC7A5 expression)+(-0.019277967*CPPED1 expression)+(-0.000343958*PLAT expression)+(-0.04247478*EIF3E expression)+(-0.016524064*NDRG1 expression)+(0.008547397*NCALD expression)+(-0.036257595*BNIP3Lexpression)+(0.003782912*MYH14 expression)+(0.01395105*COMP expression)+(-0.005797147*LFNG expression)+(0.001266466*CASP2 expression)+(0.012520192*SFRP4 expression)+(0.028236328*AEBP1 expression)+(-0.001065632*RLN1expression)+(0.008104515*SH3PXD2A expression)+(0.002905381*SOD3 expression)+(0.013298104*FAM149A expression)+(-0.004810167*CUX2 expression)+(0.011224827*OAS3 expression)+(0.016388934*RIC8B expression)+(-0.000863843*COL12A1expression)+(-0.010206964*FRK expression)+(-0.029129371*BVES expression)+(-0.025856311*SLC16A10 expression)+(0.002817365*PDE10A expression)+(0.004632818*MDFI expression)+(-0.015506554*ENPP5 expression)+(-0.05917483*MRPS27 expression)+(0.009160749*PCDHB3 expression)+(-0.007616622*PCDHB5expression)+(0.003409693*PCDHB7 expression)+(-0.004754711*QPCT expression)+(0.003471704*SDC1 expression)+(0.003841769*ST6GALNAC5 expression)+(0.006928534*GBP3 expression)+(-0.002963971*F3 expression)+(0.012747075*SPP1expression)+(-0.019699127*GALNT12 expression)+(0.001566326*PLEKHG1expression)+(-0.015629088*SOCS2 expression)+(-0.010716566*GLIPR2 expression)+(-0.004905162*NUDT10 expression)+(0.003448292*LRP1 expression)+(0.029133393*HJURP expression)+(0.014237949*SDC4 expression)+(-0.003740534*SOX9expression)+(0.002256374*C3 expression)+(0.007002996*IFI6 expression)+(-0.014060999*ZC4H2 expression)+(-0.008826645*HIP1 expression)+(-0.004645191*STEAP4 expression)+(0.021878466*CDC42EP1 expression)+(0.010534287*ISLRexpression)+(0.007172494*PGAP6 expression)+(-0.021299856*PPP1R1B expression)+(4.94281E-05*MCCC2 expression)+(0.00285947*SLC6A11 expression)+(0.00569595*PPARG expression)+(0.008603476*VSTM2L expression)+(0.004654592*ATP8A2expression)+(-0.003165385*CHI3L1 expression)+(-0.003781093*KL expression)+(-0.003729622*AMPD3 expression)+(-0.005630169*BHLHE40 expression)+(-0.010653297*HMGCS2 expression)+(0.021316583*LDHA expression)+(-0.017045848*ANXA1 expression)+(-0.016802703*GOLM1 expression)+(-0.001664143*ELF5expression)+(-0.030076085*CKAP2 expression)+(0.053963468*TTYH3 expression)+(0.00671962*DAB2IP expression)+(0.00705406*KIF12 expression)+(0.004661172*MYCexpression)+(-0.010767545*RPS6 expression)+(-0.017777612*RNF144B expression)+(-0.011823067*GGH expression)+(-0.007796183*SORL1 expression)+(0.027373892*ITGA11 expression)+(-0.003987088*CYP1B1 expression)+(-0.007798628*SLC39A8expression)+(0.028344061*SORD expression)+(0.001523816*CPNE2 expression)+(-0.004782978*SLC39A6 expression)+(-0.004000066*MAPK4 expression)+(0.033678661*PFKL expression)+(-0.003731153*RPS8 expression)+(-0.016467133*ZNF697expression)+(0.019440753*GULP1 expression)+(-0.032477947*IL17RD expression)+(-0.003934871*PLA1A expression)+(-0.009030139*ADPRH expression)+(0.007939271*RPS3A expression)+(0.022059307*OTULINL expression)+(0.009205976*CXCL14expression)+(-0.002312314*TNFRSF21 expression)+(-0.01156888*SDK1 expression)+(-0.020599379*CSGALNACT1 expression)+(0.011890553*RPL7 expression)+(0.007489474*CDKN2A expression)+(-0.009933257*LCN2 expression)+(-0.005623597*FAM171A1 expression)+(-0.017531854*FAM13C expression)+(0.00276541*ADD3expression)+(0.001453243*ADM expression)+(-0.003975657*ITPR1 expression)+(-0.00275687*ANK3 expression)+(0.020030361*PLEKHG4B expression)+(0.014868484*AK5 expression)+(0.002272239*ANKRD29 expression)+(-0.01328461*PDLIM3expression)+(0.003037262*SLC16A1 expression)+(-1.93891E-05*MMP14 expression)+(-0.002982007*ERG expression)+(0.006982483*CLSTN2 expression)+(0.011178474*RUNX1 expression)+(0.003049329*SPON2 expression)+(-0.012995876*RPL8expression)+(0.012455394*DMKN expression)+(0.006479689*RPL26 expression)+(0.027435608*CAMK2N1 expression)+(-0.021219082*C1orf115 expression)+(-0.00116332*PIGR expression)+(-0.003260426*CLDN1 expression)+(-0.014051339*ELF3 expression)+(-0.021015573*RPL22L1 expression)+(-0.011220377*CDCP1expression)+(0.010145017*ARHGEF3 expression)+(0.002144298*GUCY1A1 expression)+(-0.000906904*HHIP expression)+(0.001551873*FABP5 expression)+(-0.008399676*CTSB expression)+(0.023156179*WNK2 expression)+(-0.020040077*SLC16A9expression)+(0.007134669*GJB2 expression)+(-0.013424073*PKNOX2 expression)+(0.009264182*GREM1 expression)+(0.014407947*C19orf48 expression)+(0.010652029*KRT80 expression)+(0.006231977*DDIT4 expression)+(0.003217265*ZNF608 expression)+(-0.014627587*VXN expression)+(-0.013149102*PARM1expression)+(-0.010964747*PFKFB3 expression)+(-0.002053606*KCNK3 expression)+(-0.009600293*KRT19 expression)+(0.02874047*RRM2 expression)+(0.008158444*RARG expression)+(-0.01433756*DMXL1 expression)+(-0.000732696*AGR3expression)+(-0.015404508*PTPRM expression)+(-0.001963153*CHST2 expression)+(-0.00759168*UCP2 expression)+(-0.038032177*DMRTA1 expression)+(0.001068461*RIMS2 expression)+(0.05776341*RPS27 expression)+(0.014616294*ADAMTSL1expression)+(-0.00830028*VWA1 expression)+(-0.00771616*SLITRK4 expression)+(-0.005479024*ALOX15B expression)+(-0.02217418*BACE2 expression)+(-0.001587175*CACNB4 expression)+(-0.012695914*ANXA2 expression)+(0.034423277*CRIP2expression)+(-0.008857745*CCSER1 expression)+(-0.008557276*SEPTIN9expression)+(-0.011678707*SFTPA2 expression)+(0.000508612*MUC1 expression)+(0.021744272*THBS2 expression)+(0.016554305*KRT10 expression)+(-0.038992581*ZNF395 expression)+(0.012745296*ISG15 expression)+(0.00763276*FYB2expression)+(0.033307688*AGRN expression)+(-0.010348683*PLA2G2A expression)+(-0.000390125*DPYD expression)+(-0.000967959*APOD expression)+(0.012250713*NTNG2 expression)+(-0.016549915*ESRRG expression)+(0.000677609*SPTSSBexpression)+(-0.000735276*MME expression)+(0.024452032*TLE1 expression)+(0.001883995*TMEM26 expression)+(-0.011390935*SERPINA1 expression)+(0.023098407*S100A10 expression)+(0.002736218*RPL12 expression)+(-0.004012199*ELOVL2 expression)+(0.023778683*HLA-DRB5 expression)+(-0.015285502*RYR2 expression)+(0.019565591*SCAMP5 expression)+(0.021017311*COL5A2 expression)+(-0.00806649*VGLL3 expression)+(0.013984564*LBHexpression)+(-0.002908948*S1PR3 expression)+(-0.005903768*EML6 expression)+(-0.002990156*RPS18 expression)+(0.003791268*TMEM150C expression)+(0.015810863*RPL17 expression)+(0.002941848*PCDHB16 expression)
计算出前列腺癌患者预后的风险评分后,判断该风险评分是否超出预设范围。若风险评分超出预设范围,则说明前列腺癌患者的预后风险较高;若风险评分未超出预设范围,则说明前列腺癌患者的预后风险较低。
本发明实施例提供了一种前列腺癌患者预后风险预测模型的构建方法,通过获取前列腺穿刺样本,所述前列腺穿刺样本包括N个正常前列腺穿刺样本、N个激素敏感性前列腺癌穿刺样本和N个激素抵抗性前列腺癌穿刺样本;对所述前列腺穿刺样本进行MeRIP-Seq甲基化RNA免疫共沉淀结合高通量测序,并采用差异分析方法分析所述前列腺穿刺样本中与前列腺癌预后相关的基因,得到与前列腺癌预后相关的若干个m6A修饰基因;将所有所述m6A修饰基因作为训练集,采用回归分析筛选出与前列腺癌预后风险预测相关的若干个关键基因;根据所有所述关键基因构建前列腺癌患者预后风险预测模型,通过所述预后风险预测模型得到所述前列腺癌患者的预后风险情况。本发明实施例所建立的预测模型能够更精准地预测患者的预后,更好地指导临床决策,有助于临床医师选择预后更差的术后患者进行干预以预防肿瘤的复发和转移,同时对辅助化疗药物的选择上也更有证据,有助于制定有效的治疗策略,减少不必要的治疗,为前列腺癌的治疗提供更为科学的参考依据,对于前列腺癌的精准诊疗具有重大意义。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
机译: 在阿尔茨海默氏病治疗的临床试验中鉴定与目标疾病和患者发展相关的遗传变异的方法,确定在患者中发展目标疾病阿尔茨海默氏病的风险,以及预后,或在患者中罹患阿尔茨海默氏病的风险,在患者中治疗阿尔茨海默氏病,所关注的疾病和阿尔茨海默氏病的风险,将患者分为治疗阿尔茨海默氏病的临床试验的亚组,活性抗阿尔茨海默氏病药物的使用和试剂盒,以确定患者是否罹患阿尔茨海默氏病的风险增加,以及患者是否对所关注疾病的治疗有反应
机译: 使用因子VIIa或因子VIIa等同物,预防或减轻一种或多种晚期创伤并发症的零件套件和方法,以及减少创伤后住院的创伤患者住院天数的方法,以减少创伤患者所花费的天数在创伤后的重症监护室中,以改善创伤患者的肺功能,降低患者发生急性肺损伤和/或急性呼吸窘迫综合征的风险。降低创伤患者发生弥散性血管内凝血的风险,降低创伤患者发生全身性炎症反应综合征的风险,降低创伤患者发生多器官衰竭的风险,降低死亡风险创伤患者,并预防或减轻一个或多个晚期创伤并发症。
机译: 一种预测在肺癌或肺癌患者治疗后患者中肺癌复发的风险的方法,一种在肺癌或肺癌治疗后患者中报告肺癌发生风险的方法以及肺癌和肺癌患者的治疗方法由相同的药物,试剂盒和微阵列制备,用于诊断肺癌治疗或肺癌患者后患者肺癌复发的风险