一种基于PDK1联合免疫的肾透明细胞癌预后预测模型制造技术

一种基于PDK1联合免疫的肾透明细胞癌预后预测模型，将从TCGA和ICGC数据库获取肾透明细胞癌KIRC组织和肾透明细胞组织样本的转录组数据，建立基于PDK1联合免疫监测的风险预测模型，进行数据预处理，差异性分析，将得到的PDK1mRNA数据集划分为训练集和测试集，分别进行预后预测训练和测试，在测试满足置信区间的情况下，终止训练，并根据当前输出结果计算预后输出结果：生存曲线、ROC曲线、相关性分析和列线图等，并进行可视化呈现，相对于现有技术，本发明专利技术基于PDK1mRNA数据预测分析，不仅能够提高KIRC发病高危人群识别效率，以制定个体化筛查策略，同时，能够提高KIRC患者预后识别结果的精准性，进而为指定合适的治疗方案，提高生存率奠定理论基础。存率奠定理论基础。存率奠定理论基础。

【技术实现步骤摘要】
一种基于PDK1联合免疫的肾透明细胞癌预后预测模型


[0001]本专利技术涉及基因工程
，具体涉及一种基于PDK1联合免疫的肾透明细胞癌预后预测模型。

技术介绍

[0002]肾细胞癌简称肾癌，是一种起源于肾小管上皮细胞的恶性肿瘤。其中，肾透明细胞癌(Kidney renal clear cell carcinoma，简称KIRC)是肾癌最具侵袭性和最常见的亚型。KIRC起病隐匿，早期缺乏特异性临床表现，大约13％～30％的患者在初诊时已经出现转移，转移性KIRC预后差，5年生存率仅为8％。因此，挖掘KIRC早期诊断的分子标志物具有重要临床意义。
[0003]前期研究中，通过蛋白质组学检测技术结合生物信息学分析，筛选出丙酮酸脱氢酶激酶1(Pyruvate dehydrogenase kinase 1，简称PDK1)，可能通过代谢重编程影响KIRC的发生发展。PDK是一种与原核蛋白激酶同源的丝/酪氨酸蛋白激酶家族，与真核生物丝/酪氨酸激酶序列同源。PDK有四个等酶：PDKI、PDK2、PDK3和PDK4。它们主要位于线粒体基质中，序列同源性高达70％，其序列的差异主要在n端。其中，同源序列中含有保守c，组织特异性中，PDK1主要表达于心脏；基于癌症基因组图谱(TCGA)中KIRC临床数据的分析表明，PDK1在癌组织中的表达水平显著高于癌旁组织，且在KIRC诊断及预后预测中表现出较强的潜能。针对TCGA
‑
KIRC中PDK1与免疫细胞浸润的相关性分析显示，PDK1表达量与多种免疫细胞的浸润程度显著相关。
[0004]综上所述，如何在TCGA数据库的基础上，融入PDK1免疫监测功能，提高KIRC早期诊断和预后预测的稳定性与有效性，进而实现KIRC发病高危人群的高效、快速识别，以制定个体化筛查策略，成为本领域普通技术人员亟待解决的技术难题。

技术实现思路

[0005]为了解决上述
技术介绍
中的技术难题，本专利技术提出了一种基于PDK1联合免疫的肾透明细胞癌预后预测模型，所述模型通过如下所述的步骤1～步骤8进行搭建：
[0006]步骤1：分别从TCGA和ICGC数据库获取肾透明细胞癌KIRC组织和肾透明细胞组织样本的转录组数据，建立基于PDK1联合免疫监测的风险预测模型；
[0007]步骤2：数据预处理：对TCGA
‑
KIRC、ICGC队列数据采用小波分析法进行降噪，针对队列中的数据缺失位置处进行数据补全，在此基础上自添加基因类型，并进行位置编码；
[0008]步骤3：采用IncATLAS进行差异性分析，将TCGA
‑
KIRC、ICGC队列数据中IncRNA的转录数据转换得到PDK1mRNA数据集；
[0009]步骤4：将PDK1mRNA数据集划分为训练集和测试集，其中，PDK1mRNA数据集中的80％作为训练集，而将剩余的20％作为测试集；
[0010]步骤5：基于训练集构建LPM模型，采用风险评分方法计算预后预测结果，采用BP神经网络对上述步骤51中的预后预测结果进行训练，步骤5又可细分为步骤51和步骤52：
[0011]步骤51：构建LPM模型：通过单因素分析，LASSO回归和多变量Cox分析，以构建癌变组织端粒相关基因的风险模型，其中，采用单因素分析以获得预后参数并初步筛选筛选出构建风险评分模型的基因，通过上述预后参数构建多因素Cox分析，以二次筛选出构建风险评分模型的基因，结合初次筛选和二次筛选出的基因共同构建获得预后预测模型；
[0012]步骤52：采用BP神经网络对上述步骤51中的单因素分析结果、多因素分析结果进行融合并训练；
[0013]步骤6：基于测试集，建立目标函数测试目标模型，进行超参数寻优，并计算预测精度；
[0014]步骤7：在预测精度满足置信区间时，结束BP神经网络训练，输出预后预测结果，预后输出结果至少包含：生存曲线、ROC曲线、相关性分析和列线图；
[0015]步骤8：在步骤5的基础上，分别采用ssGSEA算法和CIBERSORT算法计算KIRC中免疫细胞浸润与PDK1的相关度，并将两种算法计算的相关度进行融合后输出。
[0016]综上所述，本专利技术的一种基于PDK1联合免疫的肾透明细胞癌预后预测模型，与现有技术相比，其优点在于：
[0017]1)本专利技术基于PDK1联合免疫监测的预后预测模型，能够为临床KIRC发病高危人群识别和筛查策略的制定提供依据；
[0018]2)在参数训练过程中，将因素分析、LASSO回归和多变量Cox分析进行结合，并将初次筛选和二次筛选的用于构建风险评分模型的基因进行结合，作为神经网络训练的样本集，有利于提高了聚类分析的准确性和预后预测模型建模的准确性；
[0019]3)本专利技术将神经网络训练过程和基于超参数寻优、预测精度计算的测试过程进行有效结合，基于超参数控制，目标函数进行反复迭代，直至预测精度满足要求时，则认为当前的参数训练已经达到最佳，进而输出满足预测精度要求的预后预测结果，而现有技术中的预后预测方法难以保证精度要求；
[0020]4)本专利技术通过构建PDK1的表达水平与免疫细胞浸润程度进行关联，将微观基因图谱分析与宏观免疫检测水平关联起来，不仅能够提高KIRC发病高危人群识别效率，以制定个体化筛查策略，而且能够提高KIRC患者预后识别结果的精准性，进而为指定合适的治疗方案，提高生存率奠定理论基础。
附图说明
[0021]图1为一种基于PDK1联合免疫的肾透明细胞癌预后预测模型结构框图；
[0022]图2为PDK1在KIRC中的表达水平及预后相关分析；
[0023]图3为TCGA
‑
KIRC患者中PDK1的表达水平与免疫浸润细胞相关性分析。
实施例
[0024]为了更清楚地表达本专利技术，以下通过具体实施例，并结合说明书附图，对本专利技术的技术方案作出进一步解释和说明，所述实施例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0025]请考察图1所示，一种基于PDK1联合免疫的肾透明细胞癌预后预测模型，改模型根据如下步骤1～步骤8进行建立：
[0026]步骤1：分别从TCGA和ICGC数据库获取肾透明细胞癌KIRC组织和肾透明细胞组织样本的转录组数据，建立基于PDK1联合免疫监测的风险预测模型。
[0027]上述队列数据是从已有的基因库中随机抽取的数据，基于PDK1联合免疫监测的风险预测模型，能够为临床KIRC发病高危人群识别和筛查策略的制定提供依据；
[0028]步骤2：数据预处理：对TCGA
‑
KIRC、ICGC队列数据采用小波分析法进行降噪，针对队列中的数据缺失位置处进行数据补全，在此基础上自添加基因类型(Gene Type)，同时，进行位置编码(ID)。
[0029]步骤3：采用IncATLAS进行差异性分析，将TCGA
‑
KIRC、ICGC队列数据中IncRNA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PDK1联合免疫的肾透明细胞癌预后预测模型，其特征在于，所述模型通过如下所述的步骤1～步骤8进行搭建：步骤1：分别从TCGA和ICGC数据库获取肾透明细胞癌KIRC组织和肾透明细胞组织样本的转录组数据，建立基于PDK1联合免疫监测的风险预测模型；步骤2：数据预处理：对TCGA
‑
KIRC、ICGC队列数据采用小波分析法进行降噪，针对队列中的数据缺失位置处进行数据补全，在此基础上自添加基因类型，并进行位置编码；步骤3：采用IncATLAS进行差异性分析，将TCGA
‑
KIRC、ICGC队列数据中IncRNA的转录数据转换得到PDK1mRNA数据集；步骤4：将PDK1mRNA数据集划分为训练集和测试集；步骤5：基于训练集构建LPM模型，采用风险评分方法计算预后预测结果，采用BP神经网络对上述步骤51中的预后预测结果进行训练；步骤6：基于测试集，建立目标函数测试目标模型，进行超参数寻优，并计算预测精度；步骤7：在预测精度满足置信区间时，结束BP神经网络训练，输出预后预测结果，预后输出结果至少包含：生存曲线、ROC曲线、相关性分析和列线图；步骤8：在步骤5的基础上，分别采用ssGSEA算法和CIBERSORT算法计算KIRC中免疫细胞浸润与PDK1的相关度，并将两种算法计算的相关度进行融合后输出。2.根据权利要求1所述的一种基于PDK1联合免疫的肾透明细胞癌预后预测模型，步骤5包括步骤51～步骤52：步骤51：构建LPM模型：通过单因素分析，LASSO回归和多变量Cox分析，以构建癌变组织端粒相关基因的风险模型，其中，采用单因素分析以获得预后参数并初步筛选筛选出构建风险评分模型的基因，通过上述预后参数构建多因素Cox分析，以二次筛选出构建风险评分模型的基因，结合初次筛选和二次筛选出...

【专利技术属性】
技术研发人员：柳惠斌，韩静，张萌萌，刘萌雪，
申请(专利权)人：新疆医科大学第三附属医院，
类型：发明
国别省市：