[发明专利]用于原发性肝细胞癌蛋白质组分子分型诊断的特征蛋白及其应用在审
| 申请号: | 202310220921.8 | 申请日: | 2023-03-09 | 
| 公开(公告)号: | CN116386715A | 公开(公告)日: | 2023-07-04 | 
| 发明(设计)人: | 邢晓华;胡恩;刘小龙 | 申请(专利权)人: | 福建医科大学孟超肝胆医院 | 
| 主分类号: | G16B20/00 | 分类号: | G16B20/00;G01N33/574;G16B25/10;G16B40/20;G16B40/30;G06F18/2113;G06F18/23;G06F18/2413 | 
| 代理公司: | 福州元创专利商标代理有限公司 35100 | 代理人: | 林文弘;蔡学俊 | 
| 地址: | 350025 福*** | 国省代码: | 福建;35 | 
| 权利要求书: | 查看更多 | 说明书: | 查看更多 | 
| 摘要: | |||
| 搜索关键词: | 用于 原发性 肝细胞 蛋白质 组分 子分型 诊断 特征 蛋白 及其 应用 | ||
1.一组用于原发性肝细胞癌蛋白质组分子分型诊断的特征蛋白,其特征在于:所述特征蛋白为DCXR、EHHADH 、ALDH4A1、ABAT、ALDH6A1、ALDH7A1、SULT2A1、SORD和ACSM2B,其对应的Uniprot ID为Q7Z4W1、Q08426、P30038、P80404、Q02252、P49419、Q06520、Q00796和Q68CK6。
2.如权利要求1所述的一组用于原发性肝细胞癌蛋白质组分子分型诊断的特征蛋白的筛选方法,其特征在于:所述筛选方法包括以下步骤:
1)收集原发性肝细胞癌患者术前肿瘤组织蛋白质组表达谱及对应的临床信息,使用ConsensusClusterPlus R软件包筛选出绝对中位偏差前1500、且在80%以上的肿瘤样本中被鉴定到的蛋白质进行共识聚类,将患者分为SI、SII和SIII三个亚型,筛选出在SI、SII和SIII三个亚型间具有显著差异P0.01、Fold Change2的761个蛋白;
2)通过每次随机抽取70%样本进行SI、SII和SIII亚型之间两两差异分析和单个亚型与其他亚型差异分析的方式进一步筛选出稳定的亚型特征蛋白,每种差异分析均重复50次,将显著差异p 0.01、Fold Change 1.5次数累积达到40次的蛋白作为候选亚型特征蛋白,通过R中的Boruta算法进一步缩减候选亚型特征蛋白并过滤掉高相关性蛋白;
3)采用KNN算法分别建立SI亚型和SIII亚型的诊断模型再进行整合,建模过程中通过根据特征蛋白重要度排名累积建模的方式,并结合准确率、灵敏度和特异度累积曲线进一步进行特征筛选,在不降低模型性能的前提下,保留最少数量的蛋白作为模型特征蛋白,最终得到一组用于原发性肝细胞癌蛋白质组分子分型诊断的模型特征蛋白,所述模型特征蛋白为DCXR、EHHADH 、ALDH4A1、ABAT、ALDH6A1、ALDH7A1、SULT2A1、SORD和ACSM2B,其对应的Uniprot ID为Q7Z4W1、Q08426、P30038、P80404、Q02252、P49419、Q06520、Q00796和Q68CK6;
其中,所述SI、SII和SIII亚型的患者在总生存期和无复发生存期方面存在显著差异,SI和SIII亚型的患者在甲胎蛋白、微血管侵犯和肿瘤低分化程度方面存在显著差异,SI亚型的患者预后最好,SIII亚型的患者预后最差。
3.根据权利要求2所述的一组用于原发性肝细胞癌蛋白质组分子分型诊断的特征蛋白的筛选方法,其特征在于:所述ConsensusClusterPlus R软件包的参数为:maxK = 8, reps= 1,000 , pItem = 0.8, pFeature = 0.8, clusterAlg = kmdist, distance = euclidean。
4.根据权利要求2所述的一组用于原发性肝细胞癌蛋白质组分子分型诊断的特征蛋白的筛选方法,其特征在于:所述Boruta算法的参数为:pValue = 0.01,mcAdj = TRUE,doTrace = 2。
5.如权利要求1所述的特征蛋白在制备原发性肝细胞癌分子分型诊断试剂盒中的应用。
6.如权利要求1所述的特征蛋白在制备原发性肝细胞癌分子分型预后预测试剂盒中的应用。
7.如权利要求2所述的筛选方法在制备原发性肝细胞癌患者分子分型诊断及预后预测的产品方面的应用。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于福建医科大学孟超肝胆医院,未经福建医科大学孟超肝胆医院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310220921.8/1.html,转载请声明来源钻瓜专利网。





