一种新型多发性骨髓瘤预后基因的筛查方法技术

本发明专利技术提供了一种基于基因共表达网络的多发性骨髓瘤预后基因的筛查方法，包括以下步骤：S1，从GEO数据库中获取MM患者的基因表达谱GSE24080，并对所述基因表达谱GSE24080中的基因进行预处理，获得表达值方差最大的前25％的5413个基因；S2，对所述5413个基因进行WGCNA基因共表达网络分析，以识别共表达的功能模块；S3，通过Pearson相关检验将所述功能模块与临床信息之间的相关性进行评估，以确定最显著的模块。

A novel screening method for prognostic genes of multiple myeloma

【技术实现步骤摘要】
一种新型多发性骨髓瘤预后基因的筛查方法
本专利技术涉及一种基于基因共表达网络的多发性骨髓瘤预后基因的筛查方法。
技术介绍
多发性骨髓瘤(MM)是一种恶性浆细胞病，其肿瘤细胞起源于骨髓中的浆细胞，而浆细胞是B淋巴细胞发育到最终功能阶段的细胞。目前，多发性骨髓瘤的异质性日益受到重视，然而，世界上还没有建立多发性骨髓瘤预后基因的筛查方法。
技术实现思路
本专利技术提供了一种基于基因共表达网络的多发性骨髓瘤预后基因的筛查方法，可以有效解决上述问题。本专利技术是这样实现的：一种基于基因共表达网络的多发性骨髓瘤预后基因的筛查方法，其特征在于，包括以下步骤：S1，从GEO数据库中获取MM患者的基因表达谱GSE24080，并对所述基因表达谱GSE24080中的基因进行预处理，获得表达值方差最大的前25％的5413个基因；S2，对所述5413个基因进行WGCNA基因共表达网络分析，以识别共表达的功能模块；S3，通过Pearson相关检验将所述功能模块与临床信息之间的相关性进行评估，以确定最显著的模块。本专利技术的有益效果是：通过本专利技术获得的最显著的模块，其分别与EFS时间和OS时间性状的相关性最强，是与多发性骨髓瘤最为相关的模块。附图说明为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1A为样品聚类树和临床特征热图。图1B为分析不同软阈值加权系数的网络拓扑结构图。图1C为将基于拓扑重叠的不同的基因树状图与分配的模块颜色进行聚类图。图1D为模块-样本特征关联性热图。图2为LASSO回归法绘制回归系数图。图3A为GSE24080训练集多发性骨髓瘤患者的Kaplan-Meier曲线图。图3B为GSE24080训练集多发性骨髓瘤患者的受试者工作特征曲线(ROC)图。图3C为GSE24080训练集多发性骨髓瘤患者的10个预后相关基因的表达谱。图3D为GSE24080测试集多发性骨髓瘤患者的Kaplan-Meier曲线图。图3E为GSE24080测试集多发性骨髓瘤患者的受试者工作特征曲线(ROC)图。图3F为GSE24080测试集多发性骨髓瘤患者的10个预后相关基因的表达谱。图3G为GSE24080全集多发性骨髓瘤患者的Kaplan-Meier曲线图。图3H为GSE24080全集多发性骨髓瘤患者的受试者工作特征曲线(ROC)图。图3I为GSE24080全集多发性骨髓瘤患者的10个预后相关基因的表达谱。图3J为GSE57317数据集多发性骨髓瘤患者的Kaplan-Meier曲线图。图3K为GSE57317数据集多发性骨髓瘤患者的受试者工作特征曲线(ROC)图。图3L为GSE57317数据多发性骨髓瘤患者的10个预后相关基因的表达谱。图4A为通过综合风险评分系统(IRSS)获得的本专利技术训练集中多发性骨髓瘤患者的Kaplan-Meier曲线图。图4B为通过国际分期系统(ISS)获得的训练集中多发性骨髓瘤患者的Kaplan-Meier曲线图。图4C为通过综合风险评分系统(IRSS)获得的本专利技术测试集中多发性骨髓瘤患者的Kaplan-Meier曲线图。图4D为通过国际分期系统(ISS)获得的测试集中多发性骨髓瘤患者的Kaplan-Meier曲线图。图4E为通过综合风险评分系统(IRSS)获得的本专利技术全集中多发性骨髓瘤患者的Kaplan-Meier曲线图。图4F为通过国际分期系统(ISS)获得的全集中多发性骨髓瘤患者的Kaplan-Meier曲线图。图5A为本专利技术提供的多发性骨髓瘤MM预后诺模图。图5B为本专利技术用于预测GSE24080全集患者3年OS的校准曲线。图5C为本专利技术用于预测GSE24080全集患者5年OS的校准曲线。图5D为本专利技术用于预测GSE24080验证集患者3年OS的校准曲线。图5E为本专利技术用于预测GSE24080测试集患者3年OS的校准曲线。具体实施方式为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，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方式，都属于本专利技术保护的范围。因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式。基于本专利技术中的实施方式，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方式，都属于本专利技术保护的范围。本专利技术实施例提供一种基于十基因特征、血清β2-微球蛋白(β2M)和乳酸脱氢酶(LDH)的多发性骨髓瘤诺模图构建方法，其包括以下步骤：S1，从GEO数据库中获取MM患者的基因表达谱GSE24080，并对所述基因表达谱GSE24080中的基因进行预处理，获得表达值方差最大的前25％的5413个基因；S2，对所述5413个基因进行WGCNA基因共表达网络分析，以识别共表达的功能模块；S3，通过Pearson相关检验将所述功能模块与临床信息之间的相关性进行评估，以确定最显著的模块；S4，使用Cox比例危险度模型对最显著的模块中的基因进行单变量生存分析，并通过LASSO回归筛选出由10个最佳基因组成的十基因评分模型：风险评分＝0.239*ZNRF3的表达水平+0.219*UBE2T的表达水平+0.164*CCSAP的表达水平+0.161*CENPE的表达水平+0.152*PMS2P5的表达水平+0.147*TMEM97的表达水平+0.131*CDKN2A的表达水平+0.123*SLC39A10的表达水平+0.107*KIF21B的表达水平+0.002*FABP5的表达水平；S5，将所述十基因评分模型或血清β2M或LDH高于截止值时各因子得分为1分，否则为0分为规则建立了综合风险评分系统。在步骤S1中，在GSE24080数据集中，总共包括了549个来自新诊断MM患者的样本。本专利技术中以340份纳入整体治疗2(TT2)试验中的样本作为训练集；其余219份样本中包括纳入整体治疗3(TT3)试验的214份样本和纳入微阵列质量控制的5份样本为测试集。训练集人群的病人特征(包括年龄、性别、IgA、β2M、C反应蛋白、肌酐、LDH、血红蛋白、骨髓浆细胞和细胞抗体)与测试集人群相似。为了WGCNA基因共表达网络分析，对来自GSE24080的原始数据进行相同的预处理，以便进行背景校正和归一化，从GSE24080的原始数据共鉴定出21653个基因。进一步的，对所述基因表达谱GSE24080中的21653个基因进行预处理，获得表达值方差最大的前25％的5413个基因，并以5413个基因为输入进行聚类分析，如图1A所示。图1A中，颜色强度与年龄、高β2微球蛋白(β2M)、C反应蛋白(CRP)、肌酐(CREAT)、乳酸脱氢酶(LDH)、血红蛋白(HGB)、骨髓浆细胞(BMPC)及较长生存月成正比。白色代表女性、IgA类型和没有细胞遗传学异常样本。在生存状态下，本文档来自技高网...

【技术保护点】
1.一种基于基因共表达网络的多发性骨髓瘤预后基因的筛查方法，其特征在于，包括以下步骤：S1，从GEO数据库中获取MM患者的基因表达谱GSE24080，并对所述基因表达谱GSE24080中的基因进行预处理，获得表达值方差最大的前25％的5413个基因；S2，对所述5413个基因进行WGCNA基因共表达网络分析，以识别共表达的功能模块；S3，通过Pearson相关检验将所述功能模块与临床信息之间的相关性进行评估，以确定最显著的模块。

【技术特征摘要】
1.一种基于基因共表达网络的多发性骨髓瘤预后基因的筛查方法，其特征在于，包括以下步骤：S1，从GEO数据库中获取MM患者的基因表达谱GSE24080，并对所述基因表达谱GSE24080中的基因进行预处理，获得表达值方差最大的前25％的5413个基因；S2，对所述5413个基因进行WGCNA基因共表达网络分析，以识别共表达的功能模块；S3，通过Pearson相关检验将所述功能模块与临床信息之间的相关性进行评估，以确定最显著的模块。2.根据权利要求1所述的筛查方法，其特征在于，在步骤S2中，所述对所述5413个基因进行WGCNA基因共表达网络分析，以识别共表达的功能模块的步骤包括：S21，选择无尺度拓...

【专利技术属性】
技术研发人员：曾志勇，陈君敏，
申请(专利权)人：福建医科大学附属第一医院，
类型：发明
国别省市：福建,35