【技术实现步骤摘要】
本专利技术具体涉及一种基于外周血的基因风险评分模型构建方法。
技术介绍
1、肺腺癌(luad)是肺癌的主要组织学亚型，很少有研究集中在精准和无创预测模型的开发。本研究旨在建立外周血诊断luad的风险评分模型，探讨该风险评分模型与患者预后、免疫治疗效果的相关性。
2、肺癌(lc)是全球癌症相关死亡的主要原因。非小细胞肺癌(nsclc)占肺癌的85％，肺腺癌(luad)是非小细胞肺癌最常见的组织学亚型，占所有肺癌的50％左右。由于luad早期缺乏特异性症状，65％～70％的患者在确诊时已进入晚期。尽管靶向治疗的进步，但luad患者的预后仍然令人不满意。有研究表明，晚期luad患者的总体5年生存率低于15％。近十余年，免疫检查点抑制剂广泛用于驱动基因阴性的luad，却很少有生物标志物可以预测免疫治疗的疗效并对受益人群进行分层。
3、目前，组织病理检查是lc临床诊断的金标准，但其具有侵入性和出血风险，尤其不适用于健康状况不佳的患者和体积小的肺结节6。随着low dose computed tomography(ldct)分辨率的提高，每年有数百万患者被诊断为“早期lc”。这些患者部分接受了非必要性的手术切除，严重影响患者的身心负担。因此，具有扫描辐射危险和较高假阳性率的ldct增加了过度诊断的风险。肺癌分子标志物的研究虽然轰轰烈烈，但是这些研究多集中在分子靶向治疗方面，例如epidermal growth factor receptor(egfr)、the anaplasticlymphoma kinase(al
4、血液是最理想的检测基质，它是非侵入性和微创检测方法。这种无创便捷的预测模型作为新兴预测工具在lc的早期预警及辅助诊断、疗效实时监测、用药指导和耐药机制探索、预后判断等临床应用方面持续发挥重要作。近年来，血液补体片段，mirna，循环肿瘤dna和dna甲基化等各种成分被用于lc的诊断预测虽然有一定的临床价值，但是灵敏度有限，在luad的特异性更差。随着高通量测序技术的迅速发展，基于转录组的生物信息数据挖掘是寻找疾病诊断标志物的重要研究手段。然而，基于外周血来源的转录组标志物的预测模型在luad的诊断和预后中依旧缺乏。
5、本申请利用luad患者和健康对照者的外周血转录组测序，基于机器学习算法创建了基因风险评分模型。
技术实现思路
1、本专利技术的目的在于针对现有技术的不足，提供一种基于外周血的基因风险评分模型构建方法，该基于外周血的基因风险评分模型构建方法可以很好地解决上述问题。
2、为达到上述要求，本专利技术采取的技术方案是：提供一种基于外周血的基因风险评分模型构建方法，该基于外周血的基因风险评分模型构建方法包括如下步骤：
3、s1：进行取样的操作；
4、s2：进行单核细胞分离的步骤；
5、将新鲜全血与等体积的pbs混合，倒置以达到彻底混合，加入淋巴细胞分离液在20℃以3000g离心30分钟分离淋巴细胞，已经沉淀下来的白细胞层被分离出来，将体积为白细胞20倍的trizol试剂加入到白细胞中，混合物被抽吸和混合，直到整个样品溶液变得清晰、明亮和无粘性，溶液贮存在摄氏零下80度；
6、s3：进行转录组测序分析的步骤；
7、将步骤s2获取的样品溶液在液氮下粉碎，并使用trizoltm试剂提取总rna，使用nanodroptm光谱仪和life invitrogen qubit rna br测定试剂盒评估rna的完整性和纯度，使用磁带站系统进一步确认rna完整性，对于mrna测序文库制备，每个样品处理0.1-1μg总rna，使用试剂盒分离mrna，然后建库试剂盒构建mrna文库，并测定文库浓度，之后检测文库片段分布，之后测定文库摩尔浓度，进行高通量转录组测序，最后计算reads count并获得样本的基因表达文件；
8、s4：进行加权基因共表达网络分析的步骤；
9、通过计算表达矩阵内的方差，鉴定基因在最高四分位数的方差随后的wgcna分析，使用hclust函数来检测表达式矩阵中的任何潜在异常值，去除异常值以确保数据的完整性，在没有异常值的情况下，保留所有样本进行共表达网络构建，应用软阈值功能来确定软阈值即β值，使网络符合无尺度网络的特征，从而保留关键基因，共表达相关矩阵的构建由顺方向模块函数促进，利用拓扑重叠矩阵来衡量拓扑网络的相似性，然后将邻接矩阵转化为拓扑矩阵网络，通过1-tom计算基因差异，利用拓扑重叠矩阵的不同之处，构建了层次聚类树，动态剪切树方法有助于合并相似的基因模块，揭示不同功能的基因聚类；
10、s5：进行模块和基因的识别的步骤；
11、通过使用基因显著性和模块成员对临床数据进行相关性分析，gs测量基因和临床信息之间关联而mm测量基因表达和模块特征基因之间具有相关性，通过评估基因模块与临床特征之间的相关系数，定位与luad最相关的模块并将这些与luad高度相关的模块称为重要模块；
12、s6：进行功能富集分析的步骤；
13、通过go富集分析来确定与luad核心基因相关的潜在生物学过程，另一方面进行系统分析基因功能，将基因组信息与更高层次的功能见解联系起来，综合数据后将基因组中的一组基因与细胞内相互作用的分子网络联系起来；
14、s7：进行诊断模型的构建和验证的步骤；
15、采用最小绝对收缩选择算子方法构建基于mrna的luad预测模型，通过鉴定具有非零回归系数的mrna特征作为预测的最佳mrna集合来实现的，利用lasso分析得到的回归系数为每个样本生成一个分类器指数，使用以下公式将所选mrna的表达值分解到风险评分计算：
16、
17、其中：
18、“βi”表示从lasso回归获得的第i mrna的回归系数，并且“expi”表示第i基因的表达值；
19、n表示样本数量；
20、p表示特征数量；
21、yi表示风险指标的观测值；
22、xij表示第i个观测的第j个特征的值；
23、β0表示截距；
24、βj表示第j个特征的系数；
25、λ表示lasso回归中的正则化参数，用于控制特征选择的强度。
26、通过敏感性、特异性、阳性预测值、阴性预测值和roc曲线下面积评估特征的诊断效果，gse20189数据集包含来自luad和健康对照的外周全血的测序数据，这些数据用作外部诊断验证集。
27、该基于外周血的基因风险评分模型构建方法具有的优点如下：
28、本申请利用luad患者和健康对照者的外周血转录组测序，基于机器学习算法创建了基因风险评分模型。
本文档来自技高网...【技术保护点】
1.一种基于外周血的基因风险评分模型构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S7中将所选mRNA的表达值分解到风险评分计算的公式为：
3.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S7中将所选mRNA的表达值分解到风险评分计算的公式为：
4.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S4的具体方式如下：
5.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S1进行取样的操作具体如下：
6.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S7之后还包括如下步骤：
7.根据权利要求6所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S8之后还包括如下步骤：
8.根据权利要求7所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤S9之后还包括如下步骤：
9.用于LUAD患者预后评估的基
10.根据权利要求9所述的用于LUAD患者预后评估的基因组合，其特征在于：进行风险评估的评分标准如下：
...【技术特征摘要】
1.一种基于外周血的基因风险评分模型构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤s7中将所选mrna的表达值分解到风险评分计算的公式为：
3.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤s7中将所选mrna的表达值分解到风险评分计算的公式为：
4.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤s4的具体方式如下：
5.根据权利要求1所述的基于外周血的基因风险评分模型构建方法，其特征在于，步骤s1进行取样的操作具体如下：
<...【专利技术属性】
技术研发人员：李晓华，曾雪峰，赵芷婧，李伟铭，郭华，
申请(专利权)人：成都市第六人民医院成都市全科医学中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。