一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用
阅读说明：本技术 一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用 (Screening and classifying method of gastric cancer prognosis marker, reagent for detecting gastric cancer prognosis and application ) 是由 李国新 叶耿泰 雷雪涛 王豪 张国帆 郑博洋 于 2021-08-25 设计创作，主要内容包括：本发明提供了一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用,涉及胃癌预后技术领域。本发明筛选和分类方法包括以下步骤：(1)将与胃癌相关的多组学预后标志物信息导入训练好的支持向量机SVM模型中,分类成A亚型、B亚型和C亚型；(2)筛选A亚型、B亚型和C亚型中具有特异性表达的基因,得胃癌预后标志物。本发明所述胃癌预后标志物与多组学和生存信息相关,可提高预后预测和治疗选择的准确性,其判定结果与TCGA中真实预后数据结果具有高度的一致性。(The invention provides a method for screening and classifying gastric cancer prognosis markers, a gastric cancer prognosis marker, a reagent for detecting gastric cancer prognosis and application, and relates to the technical field of gastric cancer prognosis. The screening and classifying method comprises the following steps: (1) introducing multigroup prognosis marker information related to the gastric cancer into a trained Support Vector Machine (SVM) model, and classifying the information into an A subtype, a B subtype and a C subtype; (2) screening genes with specific expression in the A subtype, the B subtype and the C subtype to obtain the gastric cancer prognosis markers. The gastric cancer prognosis marker is related to the multiomics and survival information, can improve the accuracy of prognosis prediction and treatment selection, and has high consistency between the judgment result and the real prognosis data result in TCGA.)
技术领域
本发明属于胃癌预后技术领域，具体涉及一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用。
背景技术
胃癌(Gastric Cancer)的发病率在全世界范围内排在前列，由于胃癌在组织学和病因学上具有非常高的异质性，不同的治疗方案在临床上也产生各种各样的结果。因此如何准确的预测胃癌病人的生存和预后风险具有非常重要的临床意义。
目前有不同的方法来对胃癌进行分类，具体的方法有TCGA的分类体系和ACRG分类体系，但是，上述分类体系在进行胃癌分子分型的过程中并没有和患者的生存信息相关联或者只和单一组学的信息相关联，因此，急需一种基于多组学和生存信息相关的分类方法，补充当前的分类系统以提高预后预测和治疗选择的准确性。
发明内容
有鉴于此，本发明的目的在于提供一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用，将筛选和分类得到的胃癌预后标志物，其判定结果与TCGA中真实预后数据结果具有高度的一致性。
为了实现上述发明目的，本发明提供以下技术方案：
本发明提供了一种胃癌预后标志物的筛选和分类方法，包括以下步骤：
(1)将与胃癌相关的多组学预后标志物信息导入训练好的支持向量机SVM模型中，分类成A亚型、B亚型和C亚型；
(2)筛选A亚型、B亚型和C亚型中具有特异性表达的基因，得胃癌预后标志物。
优选的，步骤(1)所述与胃癌相关的多组学预后标志物包括：mRNA、miRNA、lncRNA和DNA甲基化位点。
优选的，步骤(1)所述与胃癌相关的多组学预后标志物包括：100个mRNA基因、50个miRNA、50个lncRNA和50个DNA甲基化位点。
优选的，步骤(1)所述A亚型和B亚型的预后效果好，C亚型的预后效果差。
本发明还提供了一种利用上述筛选和分类方法得到的胃癌预后标志物。
优选的，包括12个高表达B亚型基因和12个高表达C亚型基因；
所述12个高表达B亚型基因包括：LILRA2、ALOX5AP、CREB5、PSTPIP1、KIAA1949、IFFO1、P2RX7、BBS2、CCDC109B、PARP11、UTRN和TRIM22；
所述12个高表达C亚型基因包括：PAGE2、MAGEC2、ZNF716、C18orf2、COX7B2、MAGEA9B、DSCR4、CT45A5、MAGEB2、GAGE2D、MAGEA4和CLEC2L。
本发明还提供了一种检测胃癌预后的试剂，所述试剂包括上述胃癌预后标志物的特异性引物对。
本发明还提供了上述胃癌预后标志物或上述试剂在制备准确预测胃癌病人的生存和预后风险的工具中的应用。
有益效果：本发明提供了一种胃癌预后标志物的筛选和分类方法，所述筛选和分类方法基于多组学和生存信息相关，可提高预后预测和治疗选择的准确性。利用本发明所述筛选和分类方法筛选得到的胃癌预后标志物，其判定结果与TCGA中真实预后数据结果具有高度的一致性。
附图说明
图1为不同亚型之间的分类结果；
图2为不同亚型之间的基因表达热图；
图3为不同亚型的预后差异结果图。
具体实施方式
本发明提供了一种胃癌预后标志物的筛选和分类方法，包括以下步骤：(1)将与胃癌相关的多组学预后标志物信息导入训练好的支持向量机SVM模型中，分类成A亚型、B亚型和C亚型；
(2)筛选A亚型、B亚型和C亚型中具有特异性表达的基因，得胃癌预后标志物。
本发明所述多组学优选包括：mRNA、miRNA、lncRNA和DNA甲基化位点。在本发明中，优选利用100个mRNA基因(表1)、50个miRNA(表2)、50个lncRNA(表3)和50个DNA甲基化位点(表4)进行胃癌预后标志物的筛选和分类。本发明所述mRNA、miRNA、lncRNA和DNA甲基化位点优选均通过TCGA查询得到。
表1查询得到的100个mRNA基因信息
表2查询得到的50个miRNA信息
表3查询得到的50个lncRNA
表4查询得到的50个DNA甲基化位点
本发明优选将上述四种组学的信息导入到训练好的支持向量机SVM模型中，模型利用神经网络的算法，将不同的feature定义为不同的神经元，利用神经网络算法基于input features进行亚型分类，模型会将每个样本划分为A亚型、B亚型和C亚型。本发明所述支持向量机SVM模型优选根据Zhang F等的文献资料进行构建(Zhang F,Kaufman HL,Deng Y,Drabier R.Recursive SVM biomarker selection for early detection ofbreast cancer in peripheral blood.BMC Med Genomics.2013；6 Suppl 1(Suppl 1):S4.doi:10.1186/1755-8794-6-S1-S4.Epub 2013 Jan 23.PMID:23369435；PMCID:PMC3552693.)。
在本发明中，所述A亚型和B亚型的预后效果好，C亚型的预后效果差(A亚型和B亚型的预后结果显著高于C亚型，A亚型预后效果最好)。
本发明还提供了一种利用上述筛选和分类方法得到的胃癌预后标志物。
在本发明实施例中，共筛选得到12个高表达B亚型基因和12个高表达C亚型基因；所述12个高表达B亚型基因优选包括：LILRA2、ALOX5AP、CREB5、PSTPIP1、KIAA1949、IFFO1、P2RX7、BBS2、CCDC109B、PARP11、UTRN和TRIM22；
所述12个高表达C亚型基因优选包括：PAGE2、MAGEC2、ZNF716、C18orf2、COX7B2、MAGEA9B、DSCR4、CT45A5、MAGEB2、GAGE2D、MAGEA4和CLEC2L。
本发明筛选和分类得到的胃癌预后标志物，将多组学信息和患者的生存信息相关联，可用于提高预后预测和治疗选择的准确性。
本发明还提供了一种检测胃癌预后的试剂，所述试剂包括上述胃癌预后标志物的特异性引物对。
本发明对所述特异性引物对的设计方法并没有特殊限定，利用本领域的常规引物设计方法和软件进行设计即可。
本发明还提供了上述胃癌预后标志物或上述试剂在制备准确预测胃癌病人的生存和预后风险的工具中的应用。
下面结合实施例对本发明提供的一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用进行详细的说明，但是不能把它们理解为对本发明保护范围的限定。
实施例1
提供表1～表4所示的多组学数据，包括100个mRNA基因，50个miRNA，50个lncRNA和50个DNA甲基化位点，作为评估胃癌预后的评价标志物；
上述四种组学的信息进行导入到训练好的支持向量机SVM模型(Zhang F,KaufmanHL,Deng Y,Drabier R.Recursive SVM biomarker selection for early detection ofbreast cancer in peripheral blood.BMC Med Genomics.2013；6Suppl 1(Suppl 1):S4.doi:10.1186/1755-8794-6-S1-S4.Epub 2013 Jan 23.PMID:23369435；PMCID:PMC3552693)中，模型会将每个样本划分为A、B和C三种亚型中的一种(图1)。
分类为类亚型A和亚型B的类型预后效果好，分类为亚型C的预后效果差，并且分类为亚型B的样本中有12个基因出现高表达，高表达基因如表5所示，亚型C的样本中12个基因出现高表达，高表达基因如表6所示(图2～图3)。
表5亚型B高表达基因
LILRA2
ALOX5AP
CREB5
PSTPIP1
KIAA1949
IFFO1
P2RX7
BBS2
CCDC109B
PARP11
UTRN
TRIM22
表6亚型C高表达基因
PAGE2
MAGEC2
ZNF716
C18orf2
COX7B2
MAGEA9B
DSCR4
CT45A5
MAGEB2
GAGE2D
MAGEA4
CLEC2L
利用上述筛选得到的分子标志物，与TCGA中真实预后数据进行对比，结果如表7所示，其判定结果与TCGA中真实预后数据结果具有高度的一致性，表7中生命状态：0代表存活，1代表死亡。
表7预后时间和分子亚型之间的数据
以上所述仅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，这些改进和润饰也应视为本发明的保护范围。