[發(fā)明專(zhuān)利]一種用于非小細(xì)胞肺癌患者免疫治療的預(yù)后評(píng)估方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202111433361.1
• 申請(qǐng)日: 2021-11-29
• 公開(kāi)（公告）號(hào): CN113851185B
• 公開(kāi)（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 孫大偉;劉思瑤;廖蕊;張怡然;顧麗清;王冰;王東亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 求臻醫(yī)學(xué)科技（北京）有限公司
• 主分類(lèi)號(hào): G16B5/00
• 分類(lèi)號(hào): G16B5/00;G16B20/50;G16B40/00;G16H50/30;G16H50/50;C12Q1/6886
• 代理公司: 重慶百潤(rùn)洪知識(shí)產(chǎn)權(quán)代理有限公司 50219
• 代理人: 陳付玉

本發(fā)明涉及醫(yī)學(xué)分子生物學(xué)技術(shù)領(lǐng)域，特別涉及一種用于非小細(xì)胞肺癌患者免疫治療的預(yù)后評(píng)估方法，包括通過(guò)測(cè)序檢測(cè)基因變異、創(chuàng)建決策樹(shù)模型并篩選出13個(gè)最優(yōu)特征基因、構(gòu)建預(yù)測(cè)模型對(duì)非小細(xì)胞肺癌TMB?H患者進(jìn)行預(yù)后風(fēng)險(xiǎn)評(píng)分，從而預(yù)測(cè)出病人的預(yù)后情況。與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種用于非小細(xì)胞肺癌TMB?H患者免疫治療的預(yù)后評(píng)估方法，通過(guò)對(duì)非小細(xì)胞肺癌TMB?H患者樣本進(jìn)行測(cè)序，基于CART算法，構(gòu)建包含13個(gè)最優(yōu)的特征基因的預(yù)測(cè)模型，根據(jù)預(yù)測(cè)模型對(duì)非小細(xì)胞肺癌TMB?H患者進(jìn)行預(yù)后風(fēng)險(xiǎn)評(píng)分，將TMB?H人群分為預(yù)后良好組與預(yù)后較差組，準(zhǔn)確率高達(dá)0.85。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)分子生物學(xué)技術(shù)領(lǐng)域，特別涉及一種用于非小細(xì)胞肺癌患者免疫治療的預(yù)后評(píng)估方法。

背景技術(shù)

免疫治療藥物通過(guò)抑制腫瘤細(xì)胞的免疫逃逸，調(diào)動(dòng)患者自身免疫系統(tǒng)功能消除腫瘤。目前免疫治療已在多種晚期實(shí)體腫瘤治療中取得了突破性進(jìn)展，尤其是可有效延長(zhǎng)患者總生存期(Overall survival，OS)，且不良反應(yīng)可控。但由于缺乏合適的臨床分子標(biāo)志物，PD-1/PD-L1免疫治療藥物的受益人群只有20％-30％。TMB的精確測(cè)量可以預(yù)測(cè)免疫檢查點(diǎn)抑制劑的療效，使癌癥患者有機(jī)會(huì)獲得更加精準(zhǔn)的治療。既往臨床研究及轉(zhuǎn)化研究顯示，基于組織檢測(cè)腫瘤突變負(fù)荷(Tumor Mutation Burden，TMB)狀態(tài)與客觀緩解率(Objective response rate，ORR)、無(wú)進(jìn)展生存期(Progression-free survival，PFS)以及OS相關(guān)，因此被認(rèn)為是指導(dǎo)免疫治療的重要標(biāo)記物。一般認(rèn)為T(mén)MB值較高時(shí)（TMB-H），免疫檢驗(yàn)點(diǎn)抑制劑效果較好。但有大量報(bào)道指出當(dāng)使用TMB作為指標(biāo)進(jìn)行免疫治療獲益人群劃分時(shí)，存在特異度較差情況，具體表現(xiàn)為T(mén)MB-H非小細(xì)胞肺癌人群中存在免疫治療后OS較短患者。亟待其他標(biāo)志物輔助TMB進(jìn)行人群的二次劃分，提高TMB-H免疫治療獲益人群分類(lèi)效果。

發(fā)明內(nèi)容

針對(duì)以上述背景技術(shù)的不足，本發(fā)明提供一種用于非小細(xì)胞肺癌患者免疫治療的預(yù)后評(píng)估方法。

本發(fā)明采用的技術(shù)方案如下：一種用于非小細(xì)胞肺癌患者免疫治療的預(yù)后評(píng)估方法，關(guān)鍵在于：包括以下步驟：

S1. 對(duì)非小細(xì)胞肺癌患者進(jìn)行基因靶向測(cè)序，獲取基因變異情況；

S2. 將患者基因突變列表與預(yù)后情況輸入監(jiān)督學(xué)習(xí)決策樹(shù)模型中，基于CART算法，建立分類(lèi)模型，創(chuàng)建決策樹(shù)模型，篩選出13個(gè)最優(yōu)特征基因；

S3. 構(gòu)建包含13個(gè)最優(yōu)的特征基因的預(yù)測(cè)模型式I，用于對(duì)非小細(xì)胞肺癌TMB-H患者進(jìn)行預(yù)后風(fēng)險(xiǎn)評(píng)分，從而預(yù)測(cè)出病人的預(yù)后情況；

式I

其中，表示的mutation特征與生存時(shí)間的單因素cox回歸的系數(shù)。

優(yōu)選的，所述S1具體為：采集非小細(xì)胞肺癌TMB-H患者樣本進(jìn)行靶向深度測(cè)序，檢測(cè)panel基因變異情況。

優(yōu)選的，所述S2具體為：將檢測(cè)到的基因變異做為訓(xùn)練特征，以總生存期OS12 月以及總生存期OS12月作為機(jī)器學(xué)習(xí)的分類(lèi)結(jié)果，使用監(jiān)督學(xué)習(xí)決策樹(shù)模型CART算法，通過(guò)特征選擇、剪枝、交叉驗(yàn)證、模型持久化四個(gè)步驟，創(chuàng)建決策樹(shù)模型。

優(yōu)選的，所述特征選擇具體為：使用公式II所示的基尼系數(shù)作為衡量標(biāo)準(zhǔn)，來(lái)計(jì)算通過(guò)不同的特征進(jìn)行分支選擇后的分類(lèi)情況，找出最好的分類(lèi)特征作為根節(jié)點(diǎn)，并以此類(lèi)推，直到建樹(shù)結(jié)束，創(chuàng)建復(fù)雜樹(shù)模型；

式II

其中K表示類(lèi)別， p為第k個(gè)類(lèi)別的概率，Gini(p)越小，則純度越高，特征越好。