技术特征：
1.一种肾透明细胞癌患者预后预测方法，其特征在于，包括：根据先验知识获取数据集和铜死亡相关基因数据；根据所述数据集进行基因表达数据的标准化处理，得到基因表达矩阵；所述基因表达矩阵包括肿瘤组织基因表达矩阵和正常组织基因表达矩阵；根据所述铜死亡相关基因数据和所述基因表达矩阵进行差异表达分析，得到差异表达谱数据；对所述数据集进行随机分配得到训练集和测试集，根据预设条件从所述训练集获取目标数据；通过结合所述训练集的所述目标数据和所述差异表达谱数据，进行预后分析确定预后目标基因；根据所述预后目标基因构建预后模型，通过所述预后模型完成肾透明细胞癌患者预后预测。2.根据权利要求1所述的一种肾透明细胞癌患者预后预测方法，其特征在于，还包括：通过对数据集的样本数据进行风险评分，进而进行所述预后模型的验证评估处理。3.根据权利要求2所述的一种肾透明细胞癌患者预后预测方法，其特征在于，所述通过对数据集的样本数据进行风险评分，完成所述预后模型的评估处理，包括：根据所述风险评分模型计算所述训练集和所述验证集的所有样本的风险评分；根据所述训练集的风险评分的中位数，将所述训练集的样本分为高风险组和低风险组；根据所述训练集的风险评分的中位数，将所述验证集的样本分为高风险组和低风险组；根据所述训练集的高风险组和低风险组和所述验证集的高风险组和低风险组进行所述预后模型的验证评估处理。4.根据权利要求3所述的一种肾透明细胞癌患者预后预测方法，其特征在于，所述根据所述训练集的高风险组和低风险组和所述验证集的高风险组和低风险组进行所述预后模型的验证评估处理，包括：通过r软件的survival包和survminer包对所述训练集的高风险组和低风险组和所述验证集的高风险组和低风险组进行生存分析和绘制生存曲线；通过log-rank检验进行所述高风险组和低风险组的组间差异比较。5.根据权利要求3所述的一种肾透明细胞癌患者预后预测方法，其特征在于，所述根据所述训练集的高风险组和低风险组和所述验证集的高风险组和低风险组进行所述预后模型的验证评估处理，还包括：通过r软件survival包和timeroc包使用时间依赖性roc曲线检验所述数据集的样本数据的生物标志物1年、3年和5年后的预后效能。6.根据权利要求1所述的一种肾透明细胞癌患者预后预测方法，其特征在于，所述根据所述铜死亡相关基因数据和所述基因表达矩阵进行差异表达分析，得到差异表达谱数据，包括：根据p值<0.05和差异倍数绝对值>1.5，确定差异基因筛选截止值；根据所述差异基因筛选截止值对所述铜死亡相关基因数据和所述基因表达矩阵进行
差异表达分析；根据所述差异分析得到差异表达谱数据。7.根据权利要求1所述的一种肾透明细胞癌患者预后预测方法，其特征在于，所述通过结合所述训练集的所述目标数据和所述差异表达谱数据，进行预后分析确定预后目标基因，包括：将所述训练集的所述目标数据和所述差异表达数据合并，通过单因素cox回归分析确定肾透明细胞癌患者生存相关基因表达谱；根据所述肾透明细胞癌患者生存相关基因表达谱，结合生存时间和生存状态进行lassocox回归分析；根据所述lassocox回归分析的结果，进行多因素cox回归分析确定预后基因标志；其中，所述预后基因标志包括预后目标基因和回归系数，所述目标基因包括cdkn2a和dlat。8.根据权利要求7所述的一种肾透明细胞癌患者预后预测方法，其特征在于，所述根据所述预后目标基因构建预后模型，包括：根据cdkn2a和dlat构建预后模型，所述预后模型为：风险评分＝β1*cdkn2a基因表达水平-β2*dlat基因表达水平其中，β1表示cdkn2a的回归系数，β2表示dlat的回归系数。9.根据权利要求1至8任一项所述的一种肾透明细胞癌患者预后预测方法，其特征在于，还包括：对所述预后模型进行独立性分析验证。10.一种肾透明细胞癌患者预后预测系统，其特征在于，包括：第一模块，用于根据先验知识获取数据集和铜死亡相关基因数据；第二模块，用于根据所述数据集进行基因表达数据的标准化处理，得到基因表达矩阵；所述基因表达矩阵包括肿瘤组织基因表达矩阵和正常组织基因表达矩阵；第三模块，用于根据所述铜死亡相关基因数据和所述基因表达矩阵进行差异表达分析，得到差异表达谱数据；第四模块，用于对所述数据集进行随机分配得到训练集和测试集，根据预设条件从所述训练集获取目标数据；第五模块，用于通过结合所述训练集的所述目标数据和所述差异表达谱数据，进行预后分析确定预后目标基因；第六模块，用于根据所述预后目标基因构建预后模型，通过所述预后模型完成肾透明细胞癌患者预后预测。
技术总结
本发明公开了一种肾透明细胞癌患者预后预测方法及系统，本发明的技术方案选择包括CDKN2A，DLAT两个铜死亡相关基因作为生物标志物，建立了具有2个CRGs的预后模型，并将KIRC患者分为高、低风险组。在训练集中KIRC患者的风险评分与患者总体生存率显著相关(P<0.05)。ROC曲线分析显示，在1年，3年和5年随访中，AUC分别为0.73、0.66和0.65。预测性能已在测试集中得到验证。该模型可以有效预测KIRC患者的预后，这可能有助于临床治疗方案的选择，进而实现早干预早治疗。并且本发明的研究结果为CRGs在KIRC发生发展中的作用提供了新的见解，并为KIRC提供了一个有价值的CRGs靶向治疗途径，可广泛应用于生物医学技术领域。广泛应用于生物医学技术领域。广泛应用于生物医学技术领域。
技术研发人员：杨泽锐 刘星云 谭凯月
受保护的技术使用者：广东省科学院生物与医学工程研究所
技术研发日：2022.04.18
技术公布日：2022/8/12