[發(fā)明專利]一種特征miRNA表達譜組合及肝癌早期預測方法

在審

• 申請?zhí)枺?/td>: 202010775207.1
• 申請日: 2020-08-04
• 公開（公告）號: CN111748631A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設計）人: 向國安;李文興;賀軻
• 申請（專利權）人: 廣東省第二人民醫(yī)院（廣東省衛(wèi)生應急醫(yī)院）
• 主分類號: C12Q1/6886
• 分類號: C12Q1/6886;G16B25/10;G16B35/00;G16B5/00;G16B40/00;G16H50/20
• 代理公司: 北京權智天下知識產權代理事務所(普通合伙) 11638
• 代理人: 王新愛

本發(fā)明公開了一種特征miRNA表達譜組合及肝癌早期預測方法，所述特征miRNA表達譜組合的核苷酸探針序列如SEQ ID NO.1?15所示。本發(fā)明的基于miRNA表達譜組合特征評估肝癌早期風險具有很高的精確度和準確率(ROC曲線下面積AUC＝0.990)。只需要獲取上述15種miRNA的相對表達量，通過支持向量機模型計算給出肝癌早期患病概率，可作為肝癌早期預測的參考依據。

技術領域

本發(fā)明屬于生物技術和醫(yī)學領域，具體地說，涉及一種特征miRNA表達譜組合及肝癌早期預測方法。

背景技術

肝癌是中國及全球高發(fā)的惡性腫瘤，在中國等發(fā)展中國家的發(fā)病率和死亡普遍高于發(fā)達國家。全球范圍內男性肝癌的發(fā)病率和死亡率均高于女性。肝癌可分為原發(fā)性和繼發(fā)性兩大類。原發(fā)性肝癌是我國高發(fā)的，危害極大的惡性腫瘤。全球疾病負擔(GlobalBurden of Disease,GBD)數據顯示，2017年全球患有肝癌的人數達到80萬，其中中國患病人數高達57萬。2017年全球肝癌患者的死亡人數約為82萬，占總死亡人數的1.46％。中國2017年死亡患者約為42萬，占總死亡人數的4.00％。統(tǒng)計結果顯示，從1990年到2017年全球肝癌患病率和死亡率持續(xù)增長，中國患病率和死亡率也持續(xù)增長且增長趨勢和全球增長趨勢相對一致。

支持向量機(Support Vector Machine,SVM)是一類按監(jiān)督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。SVM模型是將實例表示為空間中的點，這樣映射就使得單獨類別的實例被盡可能寬的明顯的間隔分開。然后，將新的實例映射到同一空間，并基于它們落在間隔的哪一側來預測所屬類別。當訓練數據是線性可分時，SVM通過硬間隔最大化學習進行分類。當訓練數據線性不可分時，SVM通過使用核技巧以及軟間隔最大化學習進行分類。SVM對于特征含義相似的中等大小的數據集很強大，也適用于小型數據集。通常情況下，對樣本量小于1萬的數據集SVM都有很好的預測效果。SVM在疾病診斷、腫瘤分類、腫瘤基因識別等有著廣泛的應用。

腫瘤早期診斷一直是醫(yī)學界的難題。現(xiàn)有的早期診斷方法多是觀測某一個或一類標志物的表達水平，難以達到理想的診斷效果。由于這些標志物在腫瘤患者和正常人群中的表達分布有部分重疊，難以界定標志物的臨界值將腫瘤患者和正常人群較好地分開。因此，利用多個標志物表達特征組合可能是腫瘤早期診斷的一種有效方法。MicroRNA(miRNA)是一類由內源基因編碼的長度約為21-25個核苷酸的非編碼單鏈RNA分子，主要以多種方式調節(jié)基因表達。miRNA在人體內表達相對穩(wěn)定且容易檢測。由于單個miRNA在腫瘤和正常人群中表達分布有重疊，難以界定早期診斷的臨界值。

因此，有必要建立一種有助于肝癌的早期預測的更穩(wěn)定的多個差異miRNA表達特征組合的預測模型。

發(fā)明內容

有鑒于此，本發(fā)明針對上述的問題，提供了一種特征miRNA表達譜組合及肝癌早期預測方法。

為了解決上述技術問題，本發(fā)明公開了一種特征miRNA表達譜組合，包括hsa-let-7b、hsa-mir-101-1、hsa-mir-101-2、hsa-mir-10a、hsa-mir-122、hsa-mir-21、hsa-mir-26a-1、hsa-mir-26a-2、hsa-mir-26b、hsa-mir-29a、hsa-mir-29c、hsa-mir-30a、hsa-mir-30e、hsa-mir-455和hsa-mir-93，其核苷酸探針序列如SEQ ID NO.1-15所示。

本發(fā)明還公開了一種基于上述的特征miRNA表達譜組合的肝癌早期預測方法，其特征在于，包括以下步驟：

步驟1、獲取肝癌早期患者穩(wěn)定差異表達的特征miRNA，具體為：

步驟2、選取特征miRNA表達數據，對每個樣本進行數據標準化；

步驟3、使用支持向量機對標準化后的數據構建早期預測模型；