生物标志物组合在制备肺癌预测产品中的应用的制作方法

本发明属于生物检测，具体涉及生物标志物组合在制备肺癌预测产品中的应用。

背景技术：

1、肺癌是起源于肺部支气管黏膜或腺体的恶性肿瘤，发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一。肺癌主要分为非小细胞肺癌（non small celllung cancer，nsclc）和小细胞肺癌（small cell lung cancer，sclc），其中非小细胞肺癌约占肺癌总诊断率的85%。非小细胞肺癌还可以进一步划分为腺癌、鳞癌和大细胞癌等，其中腺癌是肺癌最常见的亚型，其次是鳞状细胞癌。

2、肺癌发病率居恶性肿瘤首位，且无论男女，病死率也居恶性肿瘤之首，5年生存率仅为19.7%，肺癌排在首位的原因之一是，它通常直到癌症晚期才被诊断出来。因此，肺癌的早筛早诊至关重要。准确的早筛早诊对于肺癌患者的个体化治疗至关重要，迫切需要识别具敏感性和特异性的生物标志物辅助肺癌患者早期诊疗。

3、现有的肺癌的诊断方法包括胸部ⅹ线检查、胸部ct检查、正电子发射体层扫描检查、纤维支气管镜检查、胸腔穿刺细胞学检查等。然而，由于筛查效能和实施的局限性，这些筛查方法对降低癌症死亡率有相对较小的影响。此外，当筛查方法不能区分恶性疾病时，会发生过度检测，从而使患者遭受不必要的治疗程序和可能降低患者生活质量的重大风险。因此开发新的对肺癌的预防与筛查手段对于肺癌的早期筛查具有重要意义。

4、尿液修饰核苷是另一类公认的癌症生物标志物，其由游离核苷和dna和rna结合核苷的化学修饰和损伤引起。因此，尿液修饰核苷已被普遍作为癌症标志物，包括上皮细胞癌。冯璐等（尿中5种修饰核苷用于肺癌高危人群筛查分子标志物的可行性研究. 现代肿瘤医学, 2010. 18(1): 第35-38页.）发现肺癌患者尿中pseu，m1a，m1i，m1g及m2g五种修饰核苷浓度均高于正常人，尿中pseu，m1a，m1i，m1g及m2g可能成为肺癌诊断的分子标志物，也可能有助于肺癌病理分型。

5、受益于质谱技术的发展进步，尿液中广泛的代谢图谱揭示了大量代谢路径改变，因此，筛选出潜在的生物标志物，开发一种基于代谢物的多生物标志物组合的检测肺癌的方法具有重要的应用价值。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供生物标志物组合在制备肺癌预测产品中的应用，所述生物标志物为蝶啶类和修饰核苷类代谢物，通过生物标志物组合构建肺癌分类预测模型，以提高临床检测的敏感性和特异性，从而做到肺癌的早筛早诊，做好疾病管理，进而改善患者预后，提高患者生存率。

2、为达到此发明目的，本发明采用以下技术方案：

3、第一方面，本发明提供生物标志物组合在制备肺癌预测产品中的应用，所述肺癌预测产品用于预测受试者为肺癌或非肺癌；

4、所述生物标志物组合包括：蝶呤、单蝶呤、6-羧基蝶呤、2,4-二氧四氢喋啶、7-羟基-2,4-二氧四氢喋啶、新蝶呤、生物蝶呤、墨蝶呤、n-(4-氨基苯甲酰)-l-谷氨酸、次黄嘌呤核苷、腺苷、8-羟基-2-脱氧鸟苷、5-甲基尿甙、黄(嘌呤核)苷、胞嘧啶核苷、鸟嘌呤核苷或假尿(嘧啶核)苷中任意一种或至少两种的组合。

5、优选地，所述生物标志物组合包括：蝶呤、单蝶呤、6-羧基蝶呤、2,4-二氧四氢喋啶、7-羟基-2,4-二氧四氢喋啶、新蝶呤、生物蝶呤、墨蝶呤、n-(4-氨基苯甲酰)-l-谷氨酸、次黄嘌呤核苷、腺苷、8-羟基-2-脱氧鸟苷、5-甲基尿甙、黄(嘌呤核)苷、胞嘧啶核苷、鸟嘌呤核苷或假尿(嘧啶核)苷中至少7种的组合。

6、优选地，所述生物标志物组合包括：

7、新蝶呤、8-羟基-2-脱氧鸟苷、7-羟基-2,4-二氧四氢喋啶、生物蝶呤、腺苷、假尿(嘧啶核)苷、鸟嘌呤核苷；

8、或，8-羟基-2-脱氧鸟苷、单蝶呤、2,4-二氧四氢喋啶、墨蝶呤、生物蝶呤、黄(嘌呤核)苷、假尿(嘧啶核)苷；

9、或，8-羟基-2-脱氧鸟苷、单蝶呤、2,4-二氧四氢喋啶、生物蝶呤、腺苷、蝶呤、假尿(嘧啶核)苷；

10、或，8-羟基-2-脱氧鸟苷、单蝶呤、墨蝶呤、生物蝶呤、腺苷、蝶呤、假尿(嘧啶核)苷；

11、或，新蝶呤、8-羟基-2-脱氧鸟苷、7-羟基-2,4-二氧四氢喋啶、生物蝶呤、腺苷、蝶呤、假尿(嘧啶核)苷。

12、第二方面，本发明提供一种肺癌分类预测模型的构建方法，所述构建方法包括如下：

13、（1）数据获取：进行质谱检测，获取对照组、肺癌组的尿液样本样品中生物标志物组合的质谱数据；

14、（2）预测模型构建：将对照组和肺癌组样本的质谱数据1:1随机分为训练集和测试集；输入机器学习模型，优化参数，用训练集训练，用测试集测试，存储模型；

15、（3）预测结果输出：将未知类型的受试者尿液样本中的分子标志物的数值代入预测模型中，输出分类结果。

16、优选地，步骤（2）中，所述肺癌组样本分为肺癌分期stage i样本、stage ii样本、stage iii样本、转移样本和未知分期样本。

17、优选地，步骤（2）中，所述机器学习模型包括xgboost算法、catboost算法或lightgbm算法中的任意一种。

18、优选地，步骤（2）中，所述机器学习模型为xgboost算法。

19、优选地，步骤（2）中，预测模型构建后，还包括对所述预测模型进行验证评估，所述验证评估的内容包括：roc曲线下面积auc、敏感性和特异性。

20、优选地，步骤（3）中，对于未知类型的受试者尿液样本，基于预测模型进行计算pi值，pi值即为概率值p，p为样本属于肺癌的概率值。

21、优选地，所述pi值采用如下公式进行计算：

22、；

23、式中，k是建树的个数，f是f的子空间，f是所有树的集合，pi表示f对样本i的预测值。

24、优选地，所述预测结果输出模块中，设定cutoff值，cutoff值的设定范围为0.4-0.6，若p大于设定的cutoff，那么样本类型预测为肺癌样本，否则为非肺癌样本。

25、本发明所述的数值范围不仅包括上述列举的点值，还包括没有列举出的上述数值范围之间的任意的点值，限于篇幅及出于简明的考虑，本发明不再穷尽列举所述范围包括的具体点值。

26、相对于现有技术，本发明具有以下有益效果：

27、（1）基于质谱技术可以快速高效检测出分子浓度值，灵敏度和特异度高。

28、（2）基于17个分子的标志物模型可以预测受试者是否罹患肺癌，这些模型可以作为现有临床检测肺癌的辅助诊断，提高临床检测的敏感性和特异性，从而做到肺癌早筛查早诊断，做好疾病管理，进而改善患者预后，提高患者生存率。

技术特征：

1.生物标志物组合在制备肺癌预测产品中的应用，其特征在于，所述肺癌预测产品用于预测受试者为肺癌或非肺癌；

2.根据权利要求1所述的应用，其特征在于，所述生物标志物组合包括：蝶呤、单蝶呤、6-羧基蝶呤、2,4-二氧四氢喋啶、7-羟基-2,4-二氧四氢喋啶、新蝶呤、生物蝶呤、墨蝶呤、n-(4-氨基苯甲酰)-l-谷氨酸、次黄嘌呤核苷、腺苷、8-羟基-2-脱氧鸟苷、5-甲基尿甙、黄(嘌呤核)苷、胞嘧啶核苷、鸟嘌呤核苷或假尿(嘧啶核)苷中至少7种的组合。

3.根据权利要求2所述的应用，其特征在于，所述生物标志物组合包括：

4.一种肺癌分类预测模型的构建方法，其特征在于，所述构建方法包括如下：

5.根据权利要求4所述的肺癌分类预测模型的构建方法，其特征在于，步骤（2）中，所述肺癌组样本分为肺癌分期stage i样本、stage ii样本、stage iii样本、转移样本和未知分期样本。

6.根据权利要求4所述的肺癌分类预测模型的构建方法，其特征在于，步骤（2）中，所述机器学习模型包括xgboost算法、catboost算法或lightgbm算法中的任意一种。

7.根据权利要求4所述的肺癌分类预测模型的构建方法，其特征在于，步骤（2）中，所述机器学习模型为xgboost算法。

8.根据权利要求4所述的肺癌分类预测模型的构建方法，其特征在于，步骤（2）中，预测模型构建后，还包括对所述预测模型进行验证评估，所述验证评估的内容包括：roc曲线下面积auc、敏感性和特异性。

9.根据权利要求4所述的肺癌分类预测模型的构建方法，其特征在于，步骤（3）中，对于未知类型的受试者尿液样本，基于预测模型进行计算pi值，pi值即为概率值p，p为样本属于肺癌的概率值。

10.根据权利要求9所述的肺癌分类预测模型的构建方法，其特征在于，所述pi值采用如下公式进行计算：

11.根据权利要求10所述的肺癌分类预测模型的构建方法，其特征在于，所述预测结果输出模块中，设定cutoff值，cutoff值的设定范围为0.4-0.6，若p大于设定的cutoff，那么样本类型预测为肺癌样本，否则为非肺癌样本。

技术总结
本发明提供了生物标志物组合在制备肺癌预测产品中的应用，所述肺癌预测产品用于预测受试者为肺癌或非肺癌；所述生物标志物组合包括：蝶呤、单蝶呤、6‑羧基蝶呤、2,4‑二氧四氢喋啶、7‑羟基‑2,4‑二氧四氢喋啶、新蝶呤、生物蝶呤、墨蝶呤、N‑(4‑氨基苯甲酰)‑L‑谷氨酸、次黄嘌呤核苷、腺苷、8‑羟基‑2‑脱氧鸟苷、5‑甲基尿甙、黄(嘌呤核)苷、胞嘧啶核苷、鸟嘌呤核苷或假尿(嘧啶核)苷中任意一种或至少两种的组合。通过生物标志物组合构建肺癌分类预测模型，以提高临床检测的敏感性和特异性，从而做到肺癌的早筛早诊，做好疾病管理，进而改善患者预后，提高患者生存率。

技术研发人员：张磊,李美娟,李腾腾,成晓亮,张伟,周岳
受保护的技术使用者：南京品生医学检验实验室有限公司
技术研发日：
技术公布日：2024/1/12