一种免疫相关不良反应事件发生的预测模型的构建方法及标志物和试剂盒技术

一种免疫相关不良反应事件发生的预测模型的构建方法，使用外部数据构建基于肠道菌群丰度预测不良反应发生的模型，并提出免疫相关不良反应发生的评分RF score，使用约登指数计算RF score的截断值，如果患者评分RF score小于0.499，表明患者属于免疫治疗不良反应高风险人群，反之属于免疫治疗不良反应低风险人群。本发明专利技术还提供了肠道菌群标志物在制备预测免疫治疗不良反应的试剂盒中应用，肠道菌群为Enterococcus faecalis、Massilimicrobiota timonensis等十四个。本发明专利技术能够基于基线肠道微生物丰度对免疫治疗不良反应进行预测并划分高低风险人群。分高低风险人群。分高低风险人群。

【技术实现步骤摘要】
一种免疫相关不良反应事件发生的预测模型的构建方法及标志物和试剂盒


[0001]本专利技术属于生物检测领域，涉及一种标志物和试剂盒，具体来说是一种免疫相关不良反应事件发生的预测模型的构建方法及标志物和试剂盒。

技术介绍

[0002]随着肿瘤免疫学的快速发展，肿瘤免疫治疗尤其是免疫检查点抑制剂(immune checkpoint inhibitors，ICIs)的应用已然重塑了多种癌症治疗的新范式，为很多难治性晚期肿瘤患者带来了新的治疗选择和疾病的缓解。传统的ICIs药物，包括抗细胞毒性T淋巴细胞相关抗原4(CTLA
‑
4)和靶向程序性死亡受体1(PD
‑
1)/程序性死亡受体
‑
配体1(PD
‑
L1)的检查点抑制剂，已被批准用于治疗多种癌症，如黑色素瘤、非小细胞肺癌等。然而，ICIs药物在有效激活机体的抗肿瘤免疫反应的同时，它们也可能会带来免疫相关的不良反应，统称为免疫相关不良事件(immune
‑
related adverse events，irAEs)。据统计，将近1/2的使用ICIs药物的肿瘤患者会发生irAEs。
[0003]irAEs的发生主要是由于机体自身免疫效应过度激活而导致正常组织的损害，严重的irAEs会导致ICIs药物的停用，同时可致全身多处靶器官的损害甚至是危及生命。常见irAEs临床表现可以从轻微程度(如呕吐或皮疹)到严重(如肺炎、心肌炎)。值得注意的是，与没有发生irAEs的患者相比，据统计发生irAEs的患者通常与更好的临床预后相关，患者无进展生存期(Progression Free Survival，PFS)和总生存期(Overall Survival，OS)可相对改善，甚至不少专利技术针对irAEs建立的预测模型对于疗效也有很好的预测作用。
[0004]因此，有效预防和治疗irAEs，对于最大程度地发挥免疫疗法的效用具有十分重要的临床意义。临床上，肿瘤科医生在开具ICIs处方之前，必须权衡患者发生irAEs的风险及其对于ICIs的临床效益。这推动了对识别irAEs发展和严重程度的潜在生物标志物相关专利技术的展开。开发出高效的识别及预测irAEs发生的生物标志物，从而指导这些ICIs物的合理处方，以为高危患者制定监测策略，以便更早地发现和干预irAEs。尽管越来越多的专利技术旨在挖掘识别易发免疫不良反应患者的潜在机制和相应策略，但由于缺乏科学严谨性和可重复性，加之临床上irAEs判定标准的复杂性和临床专利技术规模的局限性，使得识别irAEs高效生物标志物的综合方法具有挑战性。
[0005]越来越多的专利技术表明，肠道菌群可以协同ICI治疗提高抗肿瘤疗效或影响irAEs的发展。靶向肠道微生物组被证实可增强ICI疗效同时减轻毒性。补充特定的益生菌可以缓解小鼠免疫检查点抑制剂相关的结肠炎，粪便微生物群移植(FMT)在临床中已被证明可以有效治疗难治性免疫检查点抑制剂相关的结肠炎。因此，使用肠道微生物群作为对预防和治疗irAEs的新型生物标志物具有很大的应用前景。最近，一些专利技术也提出了基于肠道微生物群的特定疾病预测模型和ICIs疗效。一组基线肠道微生物组构成的生物标志物可以预测从接受ICIs药物治疗中受益更多的候选患者。然而，用于预测免疫治疗期间不良事件较少的患者的高效微生物生物标志物几乎没有被提出。此外，开发潜在的微生物生物标志物来预
测irAEs的发生概率，并发现驱动检查点阻断毒性的潜在机制，将具有重要的临床意义。更有针对性的治疗策略可以在治疗前识别高危患者，从而提供预防方法以减轻不良反应。
[0006]粪便肠道微生物定量技术：包括高通量测序技术(包括16S rDNA测序以及鸟枪法(Shotgun)宏基因组测序技术)以及实时荧光定量PCR可特异性检测粪便中肠道微生物群的相对丰度。随着高通量技术的普及应用，其高效，受众广，检测微生物群范围覆盖全等优点可以快速了解多个样本的肠道菌群的丰度特征。对于科学专利技术及临床实践应用都有着广泛的应用前景，有助于更好的了解肠道微生物群与疾病之间的联系。然而由于肠道菌群的多样性特点，在不同专利技术队列内所筛选出的与疾病相关的特征性微生物群存在较大的差异，这一定程度上受限于不同专利技术队列的样本数目，患者来源，以及测序平台和测序策略等因素，整合多个专利技术队列，进行特异性的菌群筛选和分析能够辅助开发更加高效的微生物预测模型，同时帮助更好地探索肠道微生物与宿主疾病之间的联系。

技术实现思路

[0007]针对现有技术中的上述技术问题，本专利技术提供了一种免疫相关不良反应事件发生的预测模型的构建方法及标志物和试剂盒，所述的这种免疫相关不良反应事件发生的预测模型的构建方法及标志物和试剂盒要解决现有技术中对于预防和治疗免疫相关不良事件的效果不佳的技术问题。
[0008]本专利技术提供了一种免疫相关不良反应事件发生的预测模型的构建方法，包括如下步骤：
[0009]1)微生物标志物筛选及模型构建：
[0010]利用已发表的包含“免疫检查点抑制剂不良反应”(immune
‑
related adverse events，irAEs)以及“肠道菌群”(Gut microbiome)数据的相关研究作为训练集，针对训练集数据，对纳入的与免疫相关不良反应相关的微生物标记物进行迭代特征筛选，利用机器学习算法(随机森林算法构建决策树模型)，使用迭代特征提取出用于构建模型的微生物特征，获得十四个肠道微生物标志物，所述的十四个肠道微生物标志物如下所示：Enterococcus faecalis、Massilimicrobiota timonensis、Enterocloster aldenensis、Ligilactobacillus salivarius、Ruminococcus bromii、Porphyromonas somerae、Agathobacter rectalis、Actinomyces oris、Subdoligranulum variabile、Prevotella buccalis、Parabacteroides merdae、Beduinibacterium massiliense、Parabacteroides goldsteinii、Ruminococcus champanellensis；
[0011]2)在训练集所有研究中进行队列之间的交叉验证以及留一研究法验证来评估模型的稳定性和可重复性；
[0012]3)利用训练集数据，针对所筛选出的14个肠道微生物标志物，输入微生物特征丰度矩阵，利用Python
‑
Scikit
‑
Learn中随机森林Random Forest函数，使用predict()函数预测发生概率，并计算不良反应评分RF score，利用约登指数计算不良反应评分的截断值，得到不良反应评分RF score＝0.499，并利用此截断值作为阈值用于后续验证模型的评估；
[0013]4)一个验证的过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种免疫相关不良反应事件发生的预测模型的构建方法，其特征在于，包括如下步骤：1)微生物标志物筛选及模型构建：利用已公开发表的“免疫相关不良反应”以及“肠道菌群”数据的相关研究作为训练集，针对训练集数据，对纳入的与“免疫相关不良反应”相关的微生物标记物进行特征筛选，利用机器学习算法，使用迭代特征提取出用于构建模型的微生物特征，获得十四个肠道微生物标志物，所述的十四个肠道微生物标志物如下所示：Enterococcus faecalis、Massilimicrobiota timonensis、Enterocloster aldenensis、Ligilactobacillus salivarius、Ruminococcus bromii、Porphyromonas somerae、Agathobacter rectalis、Actinomyces oris、Subdoligranulum variabile、Prevotella buccalis、Parabacteroides merdae、Beduinibacterium massiliense、Parabacteroides goldsteinii、Ruminococcus champanellensis；2)在训练集所有研究中进行队列之间的交叉验证以及留一研究法验证来评估模型的稳定性和可重复性；3)利用训练集数据，针对所筛选出的14个肠道微生物标志物，输入微生物特征丰度矩阵，利用Python
‑
Scikit
‑
Learn中随机森林Random Forest函数，使用predict()函数预测发生概率，并计算不良反应评分RF score，利用约登指数计算不良反应评分的截断值RF score＝0.499，并利用此截断值作为阈值用于后续验证模型的评估；4)一个验证的过程，收集患者粪便，利用定量PCR测序技术或者微生物16S rDNA测序技术获取粪便中步骤1)所得肠道菌群标志物的相对丰度特征；通过步骤3)的方法计算不良反应评分RF score，如果患者的不良反应评分小于0.499，表明患者属于免疫治疗不良反应高风险人群，如果患者不良反应评分大于0.499，表明患者属于免疫治疗不良反应低风险人群。2.肠道菌群标志物在制备预测免疫治疗不良反应的试剂盒中应用，其特征在于，肠道菌群标志物为Enterococcus faecalis、Massilimicrobiota timonensis、Enterocloster aldenensis、Ligilactobacillus salivarius、Ruminococcusbromii、Porphyromonas somerae、Agathobacter rectalis、Actinomyces oris、Subdoligranulum variabile、Prevotella buccalis、Parabacteroides merdae、Beduinibacterium massiliense、Parabacteroides goldsteinii、Ruminococcuschampanellensis。3.根据权利要求2所述的应用，其特征在于，收集患者粪便，通过实时定量PCR技术或者粪便微生物16S rDNA测序技术获取粪便中上述肠道菌群标志物的相对丰度；将所述的肠道菌群标志物的相对丰度特征输入微生物特征丰度矩阵，利用Python
‑
Scikit
‑
Learn中随机森林Random Forest函数predict()函数预测发生概率，并计算不良反应发生评分RF score，如果患者的评分小于0.499，表明患者属于免疫治疗不良反应高风险人群，如果患者评分大于0.499，表明患者属于免疫治疗不良反应低风险人群。4.一种预测免疫治疗不良反应的试剂盒，其特征在于，含有检测下述肠道菌群标志物的试剂，所述的肠道菌群标志物为Enterococcus faecalis、Massilimicrobiotatimonensis、Enterocloster aldenensis、Ligilactobacillus salivarius、Ruminococcus bromii、Porphyromonas somerae、Agathobacter rectalis、
Actinomyces oris、Subdoligranulum variabile、Prevotella buccalis、Parabacteroides merdae、Beduinibacterium massiliense、Parabacteroidesgoldste...

【专利技术属性】
技术研发人员：陈豪燕，洪洁，胡慕妮，房静远，黄孝雯，朱小强，
申请(专利权)人：上海交通大学医学院附属仁济医院，
类型：发明
国别省市：