阅读说明：本技术 构建体外检测乳腺癌的数学模型的方法及其应用 (Method for constructing mathematical model for detecting breast cancer in vitro and application thereof ) 是由 高俊莉 高俊顺 高金波 于 2020-05-29 设计创作，主要内容包括：本申请提供了一种构建体外检测乳腺癌的数学模型的方法,所述方法包括从样本中获得至少两种乳腺癌标志物的浓度,对测定的每个标志物的浓度值进行logistic回归,将检测得到的浓度代入到logistic回归模型中,得到分析结果,使用每个标志物的浓度和logistic回归分析结果进行综合乳腺癌分析。本申请还提供了所述方法的应用。(The application provides a method for constructing a mathematical model for detecting breast cancer in vitro, which comprises the steps of obtaining the concentrations of at least two breast cancer markers from a sample, carrying out logistic regression on the concentration value of each marker, substituting the concentration obtained by detection into the logistic regression model to obtain an analysis result, and carrying out comprehensive breast cancer analysis by using the concentration of each marker and the logistic regression analysis result. The application also provides an application of the method.)

构建体外检测乳腺癌的数学模型的方法及其应用

技术领域

本申请涉及医疗诊断技术领域，具体地，涉及一种构建体外检测乳腺癌的数学模型的方法及其应用。

背景技术

女性乳腺是由皮肤、纤维组织、乳腺腺体和脂肪组成的，乳腺癌是发生在乳腺腺上皮组织的恶性肿瘤。乳腺癌中99％发生在女性，男性仅占1％。

乳腺并不是维持人体生命活动的重要器官，原位乳腺癌并不致命；但由于乳腺癌细胞丧失了正常细胞的特性，细胞之间连接松散，容易脱落。癌细胞一旦脱落，游离的癌细胞可以随血液或淋巴液播散全身，形成转移，危及生命。目前乳腺癌已成为威胁女性身心健康的常见肿瘤。

全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势。美国8名妇女一生中就会有1人患乳腺癌。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。据国家癌症中心和***疾病预防控制局2012年公布的2009年乳腺癌发病数据显示：全国肿瘤登记地区乳腺癌发病率位居女性恶性肿瘤的第1位，女性乳腺癌发病率(粗率)全国合计为42.55/10万，城市为51.91/10万，农村为23.12/10万。

乳腺癌已成为当前社会的重大公共卫生问题。自20世纪90年代全球乳腺癌死亡率呈现出下降趋势；究其原因，一是乳腺癌筛查工作的开展，使早期病例的比例增加；二是乳腺癌综合治疗的开展，提高了疗效。乳腺癌已成为疗效最佳的实体肿瘤之一。

在人们的理想中，当人们需要筛查乳腺癌时，立即就可以利用有效的手段进行筛查。可是，就目前而言，没有任何一种筛查手段是完美的，是100％精准的。本发明提供一种多维度组合的体外诊断乳腺癌的方法，把乳腺癌相关的蛋白标志物、代谢物、无细胞DNA、无细胞非编码RNA、自身抗体、炎症因子和生长因子、循环乳腺癌细胞、DNA甲基化、外泌体等联合检测，提高乳腺癌检测的灵敏度和特异性。

发明内容

本申请的主要目的在于提一种构建体外检测乳腺癌的数学模型的方法，以提高临床检测乳腺癌的灵敏度和特异性，目前乳腺癌检测没有一种标志物可以同时以非常高的灵敏度和特异性结果诊断乳腺癌，大部分乳腺癌采用联检形式，但都是采用分子诊断或免疫诊断检测一种类型的几种标志物，没有把各种维度的检测组合起来，为加强预测的精准度，最好是连横合纵、内外兼顾结合：把代谢物、外泌体、分子诊断、免疫诊断结合起来，此为本发明的目的。

本申请提供了一种构建体外检测乳腺癌的数学模型的方法，所述方法包括从样本中获得至少两种乳腺癌标志物的浓度，对测定的每个标志物的浓度值进行logistic回归，将检测得到的浓度代入到logistic回归模型中，得到分析结果，使用每个标志物的浓度和logistic回归分析结果进行综合乳腺癌分析。

优选地，所述乳腺癌标志物包括以下大类中的至少一类：

乳腺癌蛋白标志物、乳腺癌相关代谢物标志物、乳腺癌分子诊断标志物、乳腺癌自身抗体、乳腺癌相关炎症因子和/或生长因子、乳腺癌相关外泌体以及乳腺癌相关DNA甲基化标志物。

优选地，所述乳腺癌蛋白标志物选自CA15-3、TIMP-1、uPA、PAI、NMP66、TF、OPN、CEACAM6、RARA、Bc1、Bc2、Bc3、CEA、FTL、CSTA、TPT1、IGFBP1、GRM1、GRIK1、H6PD、MDM4、S100A8、CA6、EMT、MET、MUC2、MUC3、MUC4、MUC5、MUC6、IGF-I、Cyclin E其中的任意一种或多种组合；

所述乳腺癌代谢物标志物选自乙酰精胺、二乙酰精胺、肌氨酸、嘌呤、甘油酯、5-单磷酸-胞嘧啶核苷/十五烷酸、甘油磷酸胆碱、磷酸胆碱、胆碱、高香草酸酯、4-羟基苯乙酸、5-羟吲哚乙酸、尿素、黄嘌呤(xanthine)、6-磷酸葡萄糖(glucose-6-phosphate)、6-磷酸甘露糖(mannose-6-phosphate)、鸟嘌呤(guanine)、腺嘌呤(adenine)、甲酸盐(formate)、组氨酸(histidine)、脯氨酸(proline)、胆碱(choline)、酪氨酸(tyrosine)、3-羟基丁酸(3-hydroxybutyrate)、乳酸(lactate)、谷氨酸(glutamic acid)、N-乙酰甘氨酸(N-acetyl-glycine)、3-羟基-2-甲基丁酸(3-hydroxy-2-methyl-butanoic acid)、壬二酸(nonanedioic acid)、***受体(estrogen receptor,ER)、孕激素受体(progesteronereceptor,PR)、人类表皮生长因子受体-2(human epidermalgrowth factorreceptor 2,Her-2)；

所述乳腺癌分子诊断标志物选自UHRF1、BRCA1、BRCA2、FGFR2、HER-2/neu、PTEN、SIRT、STAT3、Ki-67、PIK3CA、STK15、Survivin、CCNB1(Cyclin B1)、MYBL2、ACTB(b-actin)、GAPDH、RPLPO、CTSL2(Cathepsin L2)、GUS、TFRC、PGR、BCL2、SCUBE2、GSTM1、CD68、BAG1、miR-21,miR-20a、miR-214、miR-181a、miR-1304、miR-141、miR-200a/c、miR-203、miR-210、miR-375、miR-801、miR-141、miR-200b/c、miR-210、miR-769-3p、miR-148b、miR-409-3p、miR-801、miR-16-2、miR-376b、miR-381、miR-409-5p、miR-410、193a-3p、miR-766、miR-563、miR-550、miR-432、miR-548d-5p、miR-33b、miR-1539、miR-155、miR-16、miR-21、miR-210、CA 27–29、cyclin D2、RAR-β、Twist promoters、RASSF1A、CDH1、GSTP1、BRCA1、p16INK4a、DAPK、APC、DAP-kinase中的任意一种或多种；

所述乳腺癌自身抗体选自：CTAG1B、CTAG2、TP53、RNF216、PPHLN1、PIP4K2C、ZBTB16、TAS2R8、WBP2NL、DOK2、PSRC1、MN1、TRIM21、HER2、MUC1、endostatin、p53、p80、S6、PA32、NY-ESO-1、annexin XI-A、malignin中的任意一种或多种；

所述乳腺癌相关炎症因子和生长因子选自CRP、Ch17CEP、sHER2、MAD1L1、IL-6、IL-8、IGF、COX-2、TNF、TGF-β1中的任意一种或多种；

所述乳腺癌相关外泌体选自miR-27a、miR-451、miR-21-5p、miR-21、miR-221、TGF-β1、HMGB1、CagA、GKN1、UBR2、TRIM3、miR-130a、miR-27a、miR-21-5p、ZFAS1、ciRS-133中的任意一种或多种；

所述乳腺癌相关DNA甲基化标志物选自PITX2P2、APC、GSTP1、RASSF1A、RAR-β2、DNMT1、DMAP1、MeCP2、MBD1、MBD2a、MBD2b、MBD3、MLH1、TIMP-3、CDKN2B、CDKN2A、p21WAF1/CIP1、14–3–3σ、RARβ2中的任意一种或多种。

优选地，所述logistic回归的公式为：

其中Logit(P)为上述同一类或不同类乳腺癌标志物的logistic回归模型结果，C为回归得到的自然常数，α为回归分析得到的每个标志物的系数，为自然数，标志物浓度i为同一大类或不同大类中的标志物浓度，n为大于等于2的整数。

优选地，所述检测的样本包括：人体或动物体组织、血样、尿液、唾液、体液、粪便中的任何一种或多种。

优选地，检测技术方法包括放射方法、免疫方法、荧光方法、流式荧光、胶乳比浊法、生化法、酶法、PCR方法、测序法、杂交法、气质联用法、液质联用法、层析法、化学发光方法、磁电、光电转换方法其中的一种或多种。

优选地，所述乳腺癌标志物为乳腺癌蛋白标志物，乳腺癌分子诊断标志物和乳腺癌相关DNA甲基化标志物组合，其中乳腺癌蛋白标志物为CA15-3、TIMP-1、uPA、PAI、NMP66、OPN、CEACAM6、Bc1、IGFBP1，乳腺癌分子诊断标志物为UHRF1、BRCA1、BRCA2、FGFR2、STAT3、PIK3CA、MYBL2、GAPDH、RPLPO、BCL2，乳腺癌相关DNA甲基化标志物为PITX2P2、APC、GSTP1、RASSF1A、RAR-β2、DNMT1，获得这些标志在样本的浓度值，进行自然对数转换，经logistic回归分析，剔除无贡献的标志物后，得到的回归模型为：Logit(P)＝-2.43+1.012*Ln(CA15-3)+0.452*Ln(uPA)+0.785*Ln(OPN)+0.652*Ln(CEACAM6)+0.741*Ln(IGFBP1)+1.210*Ln(UHRF1)+0.471*Ln(BRCA1)+0.723*Ln(FGFR2)+0.457*Ln(PIK3CA)+0.789*Ln(RASSF1A)+0.354*Ln(PITX2P2)+0.987*Ln(APC)+0.541*Ln(GSTP1)，其中Ln为自然对数。

本申请的另一个方面提供使用所述的构建体外检测乳腺癌的数学模型的方法得到数学模型在预测样本主体患癌风险中的应用，当根据所述数学模型得到计算分析结果的值为≥-2.648时，认为所述样本的主体具有癌症风险。

本申请具有以下优点：乳腺癌不同维度，不同种类组合连横合纵，内外兼顾的检测，克服市场上一种标志物或一个维度的检测灵敏度和特异性不高等缺点，极大提高诊断乳腺癌的精准度和准确性，可以替代传统的CT或活检穿刺等有创诊断，可以判断乳腺癌的亚型，也可以同时提供早诊、早筛、辅助诊断或预后观察，为患者带来福音。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例中所用的检测方法学，可以是购买的试剂检测试剂盒或自制试剂盒。

实施例1

用自制的化学发光方法检测试剂盒或自制的流式荧光发光检测试剂盒，测试血样中11种乳腺癌蛋白标志物浓度(CA15-3、TIMP-1、PAI、NMP66、OPN、CEACAM6、RARA、IGFBP1、GRM1、GRIK1、S100A8)，用荧光原位杂交法或测序法测试血样中13种乳腺癌分子标志物浓度(UHRF1、BRCA1、FGFR2、HER-2/neu、STAT3、Ki-67、PIK3CA、CCNB1(Cyclin B1)、MYBL2、ACTB(b-actin)、CTSL2(Cathepsin L2)、CD68、BAG1)，用流式荧光方法检测血样中12种乳腺癌相关的DNA甲基化标志物浓度(PITX2P2、GSTP1、RASSF1A、RAR-β2、DNMT1、DMAP1、MeCP2、MBD1、CDKN2B、CDKN2A、p21WAF1/CIP1、RARβ2)。

把上述相关标志物的测试浓度先进行logistics回归分析得到Logit(P)＝常数+λ1*P1+λ2*P2+η3*P3+η4*P4……

再测试未知血样各个标志物浓度，代入到回归模型中，根据计算得到的Logit(P)及回归模型Logit(P)值的判断标准，综合诊断是否患乳腺癌的情况及乳腺癌风险。

实施例2

用购买的或自制的化学发光方法试剂盒，测试血样中6种乳腺癌蛋白标志物浓度(CA15-3、TIMP-1、OPN、CEACAM6、CEA、IGFBP1)，用荧光原位杂交法测试血样中9种乳腺癌分子标志物(miR-21,miR-20a、miR-214、miR-181a、miR-1304、miR-141、miR-200a/c、miR-203、miR-210)，用购买的免疫荧光方法检测血样中13种乳腺癌自身抗体的浓度(CTAG1B、CTAG2、TP53、RNF216、PPHLN1、PIP4K2C、ZBTB16、TAS2R8、WBP2NL、DOK2、PSRC1、MN1、TRIM21)，用流式荧光方法检测尿液或血液中11种乳腺癌相关外泌体(miR-27a、miR-451、miR-21-5p、miR-21、miR-221、TGF-β1、HMGB1、CagA、GKN1、UBR2、TRIM3)，用流式荧光方法检测尿液或血液中7种相关炎症因子和生长因子：(CRP、Ch17CEP、sHER2、MAD1L1、IL-6、TNF、TGF-β1)

把上述相关标志物的测试浓度先进行logistics回归分析得到Logit(P)＝常数+λ1*P1+λ2*P2+η3*P3+η4*P4……

再测试未知血样各个标志物浓度，代入到回归模型中，根据计算得到的Logit(P)及回归模型Logit(P)值的判断标准，综合诊断是否患乳腺癌的情况及乳腺癌风险。

实施例3

乳腺癌蛋白标志物为CA15-3、TIMP-1、uPA、PAI、NMP66、OPN、CEACAM6、Bc1、IGFBP1，乳腺癌分子诊断标志物为UHRF1、BRCA1、BRCA2、FGFR2、STAT3、PIK3CA、MYBL2、GAPDH、RPLPO、BCL2，乳腺癌相关DNA甲基化标志物为PITX2P2、APC、GSTP1、RASSF1A、RAR-β2、DNMT1，获得这些标志在样本的浓度值，进行自然对数转换，经logistic回归分析，剔除无贡献的标志物后，得到的回归模型为：Logit(P)＝-2.43+1.012*Ln(CA15-3)+0.452*Ln(uPA)+0.785*Ln(OPN)+0.652*Ln(CEACAM6)+0.741*Ln(IGFBP1)+1.210*Ln(UHRF1)+0.471*Ln(BRCA1)+0.723*Ln(FGFR2)+0.457*Ln(PIK3CA)+0.789*Ln(RASSF1A)+0.354*Ln(PITX2P2)+0.987*Ln(APC)+0.541*Ln(GSTP1)，其中Ln为自然对数。

测试未知血样各个标志物浓度，代入到回归模型中，根据计算得到的Logit(P)及回归模型Logit(P)值的判断标准，综合诊断是否患乳腺癌的情况及乳腺癌风险。

经过试验研究发现，多维度的联合，组合方式乳腺癌检测，比单独的一种或几种种类型的检测，有更高的灵敏度和特异性，灵敏度可以达到99％，特异性100％，远远优于市场上的乳腺癌诊断标志物。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。