生物标志物及其在预测和制造技术

本发明专利技术提供了一种构建

【技术实现步骤摘要】
生物标志物及其在预测和/或诊断UTUC肌肉浸润中的应用


[0001]本专利技术属于生物医药技术和诊断领域，具体涉及一种构建
UTUC
肌肉浸润预测模型的方法
、UTUC
肌肉浸润预测模型
、
用于预测
UTUC
肌肉浸润的系统
、
生物标志物在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用
、
用于检测生物标志物的试剂
、
用于检测生物标志物的试剂在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用及一种生物标志物组合
。

技术介绍

[0002]上尿路尿路上皮癌
(Upper tract urothelial carcinoma
，
UTUC)
包括输尿管和肾盂癌，相对不常见，仅占尿路上皮癌
(UC)
的5％～
10
％
。
约
75
％的
UTUC
患者表现为血尿
(
肉眼或镜下
)
，较少见的症状是侧腹疼痛或可触及肿块
。55
％～
59
％的
UTUC
患者在诊断时有肌肉侵犯，肌层浸润性
UTUC(MI
‑
UTUC)
预后极差
。
肿瘤分期为
pT2/pT3
>的
UTUC
患者的5年特异性生存率为小于
50
％，
pT4
的小于
10
％
。
疑似
UTUC
的患者需要接受侵入性检查，如计算机断层扫描
(CT)
尿路造影
、
逆行肾盂造影或输尿管镜检查，以明确诊断
。
但这些方法很难在疾病的早期发现
。
尿细胞学是一种无创性检测方法，但其诊断
UTUC
或
MI
‑
UTUC
的灵敏度和特异性均较低
。
因此，寻找可靠的生物标志物来诊断
UTUC
是否肌肉浸润是改善临床管理和患者预后的关键任务
。
[0003]血浆样本易于获得且是无创的，血浆蛋白是血浆的主要功能成分，在信号传导
、
转运和抗感染等多种生物学过程中发挥关键作用
。
目前，血浆蛋白质组学技术已被广泛应用于各种疾病的研究，如前列腺癌
、
新型冠状病毒感染
、
以及酒精相关性肝病等
。
蛋白质组学肿瘤诊断具有灵敏度高
、
特异性强
、
背景机理明确的优点，近年来被越来越多地运用于肿瘤检测
。
而且，这些肿瘤标志物的研究往往是基于一定量的实验数据，所涉及的癌症种类和样本量都相对有限
。
因此，通过收集血浆蛋白质组数据，利用大数据分析方法，建立预测模型，有助于更好地诊断和监测
UTUC
患者，对于帮助指导
UTUC
患者的咨询
、
随访安排
、
辅助治疗
、
临床决策等具有重要意义
。

技术实现思路

[0004]针对现有技术中缺少便捷且准确的诊断
UTUC(Upper tract urothelial carcinoma
，上尿路尿路上皮癌
)
是否肌肉浸润的技术的缺陷，基于高灵敏度
、
高分辨率
、
高精准的现代质谱技术，结合生物信息学分析及机器学习，本专利技术提供了一种构建
UTUC
肌肉浸润预测模型的方法
、UTUC
肌肉浸润预测模型
、
样本是否为
UTUC
肌肉浸润的预测方法
、
用于预测
UTUC
肌肉浸润的系统
、
生物标志物在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用
、
用于检测生物标志物的试剂
、
用于检测生物标志物的试剂在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用及一种生物标志物组合，所述生物标志物与
UTUC
肌肉浸润存在较高的相关性，所述
UTUC
肌肉浸润预测模型在检测
UTUC
肌肉浸润方面具有较高的准确率
、
灵敏度和特异性
。
[0005]为解决上述技术问题，本专利技术提供的一个技术方案为：一种生物标志物在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用；其中，所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2。
[0006]在本专利技术一较佳实施方案中，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3。
[0007]为解决上述技术问题，本专利技术提供的一个技术方案为：一种用于检测生物标志物的试剂，所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2。
[0008]在本专利技术一较佳实施方案中，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3。
[0009]在本专利技术一较佳实施方案中，所述试剂用于检测所述生物标志物的表达水平；所述表达水平为蛋白表达水平和
/
或
mRNA
转录水平
。
[0010]在本专利技术一较佳实施方案中，所述试剂为用于转录组和
/
或蛋白质组测序的试剂
。
[0011]在本专利技术一较佳实施方案中，所述试剂为与所述生物标志物特异性结合，或者与编码所述生物标志物的核酸特异性杂交的生物分子试剂
。
[0012]在本专利技术一较佳实施方案中，所述生物分子试剂选自引物
、
探针和抗体
。
[0013]为解决上述技术问题，本专利技术提供的一个技术方案为：一种用于检测生物标志物的试剂在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用；所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2。
[0014]在本专利技术一较佳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种生物标志物在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用；其特征在于，所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2
；优选地，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3。2.
一种用于检测生物标志物的试剂，其特征在于，所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2
；较佳地：所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3
；和
/
或，所述试剂用于检测所述生物标志物的表达水平，所述表达水平为蛋白表达水平和
/
或
mRNA
转录水平，所述试剂优选为用于转录组和
/
或蛋白质组测序的试剂；和
/
或，所述试剂为与所述生物标志物特异性结合，或者与编码所述生物标志物的核酸特异性杂交的生物分子试剂，所述生物分子试剂优选自引物
、
探针和抗体
。3.
一种用于检测生物标志物的试剂在制备预测和
/
或诊断
UTUC
肌肉浸润的试剂盒中的应用，其特征在于，所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2
；优选地，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3
；和
/
或，所述试剂为如权利要求2所述的试剂
。4.
一种生物标志物组合，其特征在于，所述生物标志物组合包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2
；优选地，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3。5.
一种试剂盒，其特征在于，所述试剂盒包含如权利要求2所述的试剂和如权利要求4所述的生物标志物组合
。6.
一种检测
UTUC
肌肉浸润的方法，其特征在于，所述方法包括检测待测血浆样本中的生物标志物的表达水平；所述生物标志物包括以下一种或多种蛋白质：
SPAG9、HNRNPL、ATP6AP1
和
TWF2
；优选地，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3
；更优选地，所述表达水平为蛋白表达水平和
/
或
mRNA
转录水平；和
/
或，所述检测
UTUC
肌肉浸润的方法为非诊断目的的
。7.
一种
UTUC
肌肉浸润预测模型的构建方法，其特征在于，所述构建方法包括：将蛋白质表达量数据库中的蛋白质表达量数据输入广义线性回归模型进行机器学习，构建得到所述
UTUC
肌肉浸润预测模型；所述蛋白质表达量数据库中蛋白质表达量数据的来源包含
UTUC
肌肉浸润患者的血浆样本和
UTUC
非肌肉浸润患者的血浆样本；所述蛋白质表达量数据包括以下生物标志物的蛋白质表达量数据
SPAG9、HNRNPL、ATP6AP1
和
TWF2
；优选地，所述生物标志物还包括
TST、HPCAL1、CNOT11、ITGAV、NSUN2、ACAT1、EARS2
和
SLC25A3
；较佳地：所述蛋白质表达量数据通过
LC
‑
MS
技术得到，使用
DIA
检测方式或
PRM
检测方式采集；优选地，所述
DIA
检测方式采集的数据经
Firmiana
软件进行肽段匹配；更优选地，所述肽段匹
配的数据库为
UniProt
人类蛋白质数据库；和
/
或，采用
DIA
‑
NN
分析经
Firmiana
处理后的蛋白质表达量数据：使用
iBAQ
方法进行蛋白质定量，计算各蛋白质的
FOT
，并将各蛋白的
FOT
作为蛋白质表达量数据输入广义线性回归模型；更佳地：所述
UTUC
非肌肉浸润患者的血浆样本和
UTUC
肌肉浸润患者的血浆样本的数量比例为
1:4
‑
2:1
，例如
2:5、5:3、109:242
和
31:53
；和
/
或，输入广义线性回归模型的蛋白质满足：
UTUC
肌肉浸润患者的血浆样本中表达量
/UTUC
无肌肉浸润的血浆样本中表达量＞
1.5
或
<0.67
，且
Wilcoxon rank
‑
sum test
检验并经
Benjamini
‑
Hochberg
校正的
p
值小于
0.05
；和
/
或，所述广义线性回归模型的参数为：采用向后逐步回归方法筛选标志物，并利用
R
包
glm

【专利技术属性】
技术研发人员：李明珠，
申请(专利权)人：上海爱谱蒂康生物科技有限公司，
类型：发明
国别省市：