CN114446393B - 用于预测肝癌特征类型的方法、电子设备和计算机存储介质 - Google Patents
用于预测肝癌特征类型的方法、电子设备和计算机存储介质 Download PDFInfo
- Publication number
- CN114446393B CN114446393B CN202210095636.3A CN202210095636A CN114446393B CN 114446393 B CN114446393 B CN 114446393B CN 202210095636 A CN202210095636 A CN 202210095636A CN 114446393 B CN114446393 B CN 114446393B
- Authority
- CN
- China
- Prior art keywords
- data
- liver cancer
- tumor
- subject
- clinical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本公开涉及一种用于预测肝癌特征类型的方法、计算设备和存储介质。该方法包括:基于关于待测对象的肿瘤样本的比对结果数据,生成关于待测对象的肿瘤样本的多种预定基因的基因组变异数据;获取关于待测对象的临床数据;确定关于待测对象的肿瘤突变负荷信息;获取关于待测对象的免疫检查点分子表达数据;至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成预测模型的输入数据;以及基于经由多样本训练的预测模型,预测模型是基于神经网络模型所构建的。本公开能够提高预测肝癌特征类型的可靠性,而且具有良好的临床适用的泛化性。
Description
技术领域
本公开总体上涉及生物信息处理,并且具体地,涉及用于预测肝癌特征类型的方法、电子设备和计算机存储介质。
背景技术
研究表明,肝细胞癌(hepatocellular carcinoma,HCC)患者术后年复发率高达50%,是影响早期HCC患者术后长期生存的主要因素。因此,准确预测肝癌特征类型以用于辅助判断肝癌复发风险具有重要的意义。
传统的用于预测肝癌复发风险的方法例如包括:通过构建胞嘧啶-鸟嘌呤二核苷酸(CpG)甲基化标签来预测早期HCC术后复发风险,或者基于影像组学、视觉分析、临床病理等多维度信息来构建早期HCC复发预测模型。上述传统的预测方法虽然展现出了一定的预测能力,但是由于全基因组的甲基化水平检测目前尚未常规用于临床工作,因此缺乏临床证据支持,以及影像组学等图像结果判读需要辅以丰富的专家经验并且费时费力,进而导致临床转化的实际应用价值有限。
综上,传统的用于预测肝癌复发风险的方法存在的不足之处在于:或者需要辅以专家经验,或者缺乏临床证据支持,因而,难以同时兼顾临床适用的泛化性和预测结果的可靠性。
发明内容
本公开提供一种预测肝癌特征类型的方法、电子设备和计算机存储介质,不仅能够提高预测肝癌特征类型的可靠性,而且具有良好的临床适用的泛化性。
根据本公开的第一方面,提供了一种用于预测肝癌特征类型的方法。该方法包括:基于关于待测对象的肿瘤样本的比对结果数据,生成关于待测对象的肿瘤样本的多种预定基因的基因组变异数据;获取关于待测对象的临床数据;确定关于待测对象的肿瘤突变负荷信息;获取关于待测对象的免疫检查点分子表达数据;至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成预测模型的输入数据;以及基于经由多样本训练的预测模型,提取输入数据的特征,以便基于所提取的特征预测肝癌特征类型,预测模型是基于神经网络模型所构建的。
根据本发明的第二方面,还提供了一种计算设备,该设备包括:存储器,被配置为存储一个或多个计算机程序;以及处理器,耦合至存储器并且被配置为执行一个或多个程序使装置执行本公开的第一方面的方法。
根据本公开的第三方面,还提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令,该机器可执行指令在被执行时使机器执行本公开的第一方面的方法。
在一些实施例中,生成预测模型的输入数据包括:基于肿瘤样本的肿瘤组织中肿瘤细胞所占的比例,确定关于肿瘤样本的肿瘤纯度数据;以及基于比对结果数据,计算测序深度;以及基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成预测模型的输入数据。
在一些实施例中,基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成预测模型的输入数据包括:基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成候选特征;确定对于肝癌特征类型的分类存在贡献的候选特征的贡献度;按照贡献度递减的顺序,针对候选特征进行降序排序;以及将排序顺序小于或者等于预定顺序阈值的候选特征确定为预测模型的输入数据。
在一些实施例中,关于待测对象的肿瘤样本的多种预定基因的基因组变异数据包括:关于待测对象的肿瘤样本的多个预定基因的单碱基取代数据、短和长***缺失数据、拷贝数变异数据、以及基因重排数据
在一些实施例中,其中关于待测对象的临床数据至少包括:关于待测对象的性别信息、年龄信息和肿瘤分期信息。
在一些实施例中,多种预定基因属于预定基因集合,免疫检查点分子表达数据为程序性死亡配体1表达数据。
在一些实施例中,预测模型是基于按误差逆传播算法训练的多层前馈网络所构建的。
在一些实施例中,基于所提取的特征预测肝癌特征类型包括:基于所提取的特征,确定关于待测对象的肝癌特征类型的预测结果,预测结果指示肝癌原发灶特征类型或者肝癌复发/转移灶特征类型。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于实施预测肝癌特征类型的方法的***的示意图。
图2示出了根据本公开的实施例的用于预测肝癌特征类型的方法的流程图。
图3示出了根据本公开的实施例的预测模型的拓扑结构示意图。
图4示出了根据本公开的一些实施例的预测模型的ROC曲线示意图。
图5示出了根据本公开的另一些实施例的预测模型的ROC曲线示意图。
图6示出了根据本公开的实施例的用于生成预测模型的输入数据的方法的流程图。
图7示出了根据本公开的实施例的基于所选择的30个候选特征输入预测模型进行评价的统计结果示意图。
图8示出了根据本公开的预定顺序阈值为30的一些实施例的预测模型的ROC曲线示意图。
图9示意性示出了适于用来实现本公开实施例的电子设备的框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述,传统的用于预测肝癌特征类型的方法存在的不足之处在于:或者需要辅以专家经验,或者缺乏临床证据支持,因而,难以同时兼顾适用的泛化性和预测的可靠性。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于预测肝癌特征类型的方案。该方案包括:通过获取关于待测对象的肿瘤样本的多种预定基因的基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据;以及至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成输入数据以便输入基于神经网络模型所构建的预测模型来预测肝癌特征类型,本公开所使用的用于生成输入数据的临床参数和基因组突变信息等多维度数据均有临床证据支持,提升了预测结果的可靠性;另外,本公开使用基于神经网络算法建立的、经样本训练的预测模型针对上述多维度可靠数据进行复杂的特征转换,进而获得关于肝癌特征类型的预测结果,因而,不仅能够提高预测肝癌特征类型的可靠性,而且具有良好的临床适用的泛化性。
图1示出了根据本公开的实施例的用于实施预测肝癌特征类型的方法的***100的示意图。如图1所示,***100包括:计算设备110、服务器140、测序设备130、网络150。在一些实施例中,计算设备110、服务器140、测序设备130经由网络150进行数据交互。
关于测序设备130,其例如用于针对关于待测对象的肿瘤样本进行测序;以及将所生成的肿瘤样本的测序数据、和/或肿瘤样本的测序数据与参考基因组的测序数据的比对结果数据发送给计算设备110。
关于服务器140,其例如用于将关于待测对象的临床数据发送给计算设备110。在一些实施例中,服务器140还可以将关于待测对象的肿瘤样本的测序数据、比对结果数据和临床数据发送至计算设备110。
关于计算设备110,其例如用于预测肝癌特征类型。具体而言,计算设备110可以生成关于待测对象的肿瘤样本的多种预定基因的基因组变异数据;获取关于待测对象的临床数据;以及确定关于待测对象的肿瘤突变负荷信息。计算设备110还可以获取关于待测对象的免疫检查点分子表达数据;以及至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成预测模型的输入数据。计算设备110还可以基于经由多样本训练的预测模型预测肝癌特征类型。
在一些实施例中,计算设备110可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备上也可以运行着一个或多个虚拟机。计算设备110例如包括:基因组变异数据生成单元112、临床数据获取单元114、肿瘤突变负荷信息确定单元116、免疫检查点分子表达数据获取单元118、输入数据生成单元120、肝癌特征类型预测单元122。上述基因组变异数据生成单元112、临床数据获取单元114、肿瘤突变负荷信息确定单元116、免疫检查点分子表达数据获取单元118、输入数据生成单元120、肝癌特征类型预测单元122可以配置在一个或者多个计算设备110上。
关于基因组变异数据生成单元112,其用于基于关于待测对象的肿瘤样本的比对结果数据,生成关于待测对象的肿瘤样本的多种预定基因的基因组变异数据。
关于临床数据获取单元114,其用于获取关于待测对象的临床数据。
关于肿瘤突变负荷信息确定单元116,其用于确定关于待测对象的肿瘤突变负荷信息。
获取关于待测对象的免疫检查点分子表达数据。
关于输入数据生成单元120,其用于至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成预测模型的输入数据。
关于肝癌特征类型预测单元122,其用于基于经由多样本训练的预测模型,提取输入数据的特征,以便基于所提取的特征预测肝癌特征类型,预测模型是基于神经网络模型所构建的。
以下将结合图2描述根据本公开的实施例的用于预测肝癌特征类型的方法。图2示出了根据本公开的实施例的用于预测肝癌特征类型的方法200的流程图。应当理解,方法200例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备110处执行。应当理解,方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤202处,计算设备110基于关于待测对象的肿瘤样本的比对结果数据,生成关于待测对象的肿瘤样本的多种预定基因的基因组变异数据。
多个预定基因,其例如属于预定基因集合。多个预定基因例如包括:与肝癌相关联的基因变异所涉的多个基因、以及与除肝癌之外的多个其他癌种相关联的基因变异所涉的多个热点基因(例如,突变频率高、临床证据等级较高、与多种癌种相关联)。在一些实施例中,预定基因集合包括450个基因。在一些实施例中,关于待测对象的肿瘤样本的多种预定基因的基因组变异数据例如包括:关于待测对象的肿瘤样本的多个预定基因的单碱基取代数据、短和长***缺失数据、拷贝数变异数据、以及基因重排数据。
在步骤204处,计算设备110获取关于待测对象的临床数据。例如,计算设备110自服务器140处获取关于待测对象的临床数据。
关于待测对象的临床数据,其例如至少包括:关于待测对象的性别信息,年龄信息和肿瘤分期信息。应当理解,计算设备110还可以获取关于待测对象的其他临床数据。
在步骤206处,计算设备110确定关于待测对象的肿瘤突变负荷信息。肿瘤突变负荷(TMB)被定义为每百万碱基中被检测出的,体细胞基因编码错误、碱基替换、基因***或缺失的基因变异数量。应当理解,TMB可以间接反映肿瘤产生新抗原的能力和程度。
关于确定关于待测对象的肿瘤突变负荷信息的方法,其例如包括:采用设计的样本探针,获取目标区域并对该目标区域进行测序得到测序结果,然后将该测序结果比对到参考基因组得到与目标区域相应的比对结果数据,基于比对结果数据,对测序得到的目标区域进行突变检测(例如,针对SNP、INDEL的突变进行检测),定位出所有突变位点;采用GATK软件针对突变位点进行过滤;针对经由过滤的突变位点的基因进行注释,以便基于注释结果,过滤掉不需要的突变(生殖突变、驱动基因造成的突变、无关突变);统计保留的突变的个数,以用于计算关于待测对象的肿瘤突变负荷信息。
在步骤208处,计算设备110获取关于待测对象的免疫检查点分子表达数据。在一些实施例中,免疫检查点分子表达数据为程序性死亡配体1(PD-L1)表达数据。经研究发现,PD-L1蛋白表达与肝细胞肝癌患者临床病理特征相关,具体而言,PD-L1阳性表达与肿瘤浸润深度、TNM分期相关,PD-L1在正常肝组织中表达仅定位于细胞质,而在肝癌组织中发现PD-L1的细胞膜表达,且PD-L1表达定位与肝细胞肝癌病理分级相关。因此,有必要将PD-L1数据用于预测肝癌特征类型。
关于获取关于待测对象的免疫检查点分子表达数据的方式,其例如包括:采用免疫组织化学SP法检测PD-L1蛋白的表达情况。
在步骤210处,计算设备110至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成预测模型的输入数据。
关于生成预测模型的输入数据的方法,其例如包括:基于肿瘤样本的肿瘤组织中肿瘤细胞所占的比例,确定关于肿瘤样本的肿瘤纯度数据;基于比对结果数据,计算测序深度;以及基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成预测模型的输入数据。下文将结合图7具体说明用于生成预测模型的输入数据的方法700。在此,不再赘述。
在步骤212处,计算设备110基于经由多样本训练的预测模型,提取输入数据的特征,以便基于所提取的特征预测肝癌特征类型,预测模型是基于神经网络模型所构建的。
关于预测模型,其例如是基于按误差逆传播算法训练的多层前馈网络所构建的。在一些实施例中,预测模型例如是基于BP(Back Propagation)神经网络所构建的。BP神经网络是一种按误差逆传播算法训练的多层前馈网络。BP神经网络能学***方和最小。
图3示出了根据本公开的实施例的预测模型300的拓扑结构示意图。如图3所示,预测模型300包括输入层(input layer)310、隐藏层(hide layer)320和输出层(outputlayer)330。输入层310的神经元用于接收步骤210处所生成的输入数据,并传递给隐藏层320的各神经元。隐藏层320为内部信息处理层,用于信息变换。应当理解,根据信息变化能力的需求,隐藏层320可以设计为单隐层或者多隐层结构。最后一个隐藏层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程。输出层330用于输出关于肝癌特征类型的预测结果。应当理解,当输出层330实际输出的预测结果与期望输出不符时,进入误差的反向传播阶段。误差通过输出层330,按误差梯度下降的方式修正各层权值,向隐藏层320、输入层310逐层反传。通过周而复始的信息正向传播和误差反向传播过程,使得各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
以下结合公式(1)或者(2)说明预测模型的计算方式。
z(l)=W(l)*fl-1(z(l-1))+b(l) (1)
a(l)=fl(W(l)*a(l-1)+b(l)) (2)
在上述公式(1)和(2)中,b(l)代表从l-1层到l层的偏置,m(l)代表第l层神经元个数。fl()代表第l层神经元激活函数。W(l)代表从l-1层到l层的权重矩阵,z(l)代表第l层神经元的净输入(净活性值),a(l)代表第l层神经元的输出(活性值),
应当理解,所提取的作为训练样本的特征并非都能对肝癌特征类型的分类起到作用,因此需要通过特征选择的方法选出相对重要的特征以用于训练用于肝癌特征类型分类的分类器。在一些实施例中,通过使用随机森林模型中的特征重要属性来筛选特征,以便得到训练样本的特征或者输入特征与肝癌特征类型分类的相关性。具体而言,本公开在特征选择中,通过多次训练预测模型,每次通过选取一定量的训练特征与上次训练特征中的交集进行保留,以此循环一定次数,从而得到对分类任务的影响有重要贡献的特征(或者对于肝癌特征类型的分类存在贡献的候选特征),以作为候选特征。在得到对分类任务的影响有重要贡献的候选特征后,本公开按照贡献度针对候选特征进行降序排序,然后保留排序顺序小于或者等于预定顺序阈值(该预定顺序阈值例如而不限于为10)的候选特征以作为预测模型的输入数据。
关于预测模型的输出,其例如是关于待测对象的肝癌特征类型的预测结果,例如,如果输出结果为“1”,指示关于待测对象的肝癌特征类型属于肝癌复发/转移灶特征类型(即,肝癌复发或者转移灶特征类型)。如果输出结果为“0”,指示关于待测对象的肝癌特征类型属于肝癌原发灶特征类型。
例如,本公开基于899例样本的输入数据分别输入经训练的预测模型,输出结果为“1”的样本有49例,即指示49例样本的肝癌特征类型经预测属于肝癌复发/转移灶特征类型的。输出结果为“0”的样本有787例,即指示787例样本的肝癌特征类型经预测属于肝癌原发灶特征类型。上述的899例样本中,实际复发转移患者为69例,所预测的肝癌原发灶特征类型的阳性率为71.0%。实际原发灶患者为830例,所预测的肝癌复发/转移灶特征类型的阳性率为94.8%。
图4示出了根据本公开的一些实施例的预测模型的ROC曲线示意图。ROC曲线是用来展示预测模型真正率和假正率之间折中的一种图形化方法,在899例样本数据中,AUC(Area Under Curve,其被定义为ROC曲线下与坐标轴围成的面积)为0.829。应当理解,AUC越接近1.0,预测方法真实性或可靠性越高。
在上述方案中,通过获取关于待测对象的肿瘤样本的多种预定基因的基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据;以及至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成输入数据以便输入基于神经网络模型所构建的预测模型来预测肝癌特征类型,本公开所使用的用于生成输入数据的临床参数和基因组突变信息等多维度数据均有临床证据支持,提升了预测结果的可靠性;另外,本公开使用基于神经网络算法建立的、经样本训练的预测模型针对上述多维度可靠数据进行复杂的特征转换,进而获得关于肝癌特征类型的预测结果,因而,不仅能够提高预测肝癌特征类型的可靠性,而且具有良好的临床适用的泛化性。
在一些实施例中,用于生成步骤210处的输入数据的基因组变异数据为关于待测对象的肿瘤样本的450个基因的panel的基因变异数据。在一些实施例中,该450个基因例如为以下表1所示450个基因。
表1
在一些实施例中,关于待测对象的肿瘤样本的基因组变异数据例如是以上表1所示450个基因的单碱基取代数据、短和长***缺失数据、拷贝数变异数据、以及基因重排数据。
例如,本公开基于样本的450个基因的基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度而生成的、899例样本的输入数据分别输入经训练的预测模型,输出结果为“1”的样本有69例,即指示69例样本的肝癌特征类型经预测属于肝癌复发/转移灶特征类型的。输出结果为“0”的样本有830例,即指示830例样本的肝癌特征类型经预测属于肝癌原发灶特征类型。上述的899例样本中,实际复发转移患者为69例,所预测的肝癌原发灶特征类型的阳性率为100%。实际原发灶患者为830例,所预测的肝癌复发/转移灶特征类型的阳性率为100%。图5示出了根据本公开的另一些实施例的预测模型的ROC曲线示意图。如图5所示,在上述899例样本数据中,AUC=1.0。由此可见,本公开通过450个预定基因的基因组变异数据生成预测模型的输入数据,本公开可以显著提高预测结果的可靠性。
以下将结合图6描述根据本公开的实施例的用于生成预测模型的输入数据的方法600。图6示出了根据本公开的实施例的用于生成预测模型的输入数据的方法600的流程图。应当理解,方法600例如可以在图9所描述的电子设备900处执行。也可以在图1所描述的计算设备110处执行。应当理解,方法600还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤602处,计算设备110基于肿瘤样本的肿瘤组织中肿瘤细胞所占的比例,确定关于肿瘤样本的肿瘤纯度数据。
在步骤604处,计算设备110基于比对结果数据,计算测序深度。
在步骤606处,计算设备110基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成候选特征。
在步骤608处,计算设备110确定对于肝癌特征类型的分类存在贡献的候选特征的贡献度。例如,计算设备110通过多次训练预测模型,每次通过选取一定量的候选特征与上次候选特征中的交集进行保留,以此循环一定次数,从而得到对分类任务的影响存在贡献的候选特征。
在步骤610处,计算设备110按照贡献度递减的顺序,针对候选特征进行降序排序。
在步骤612处,计算设备110将排序顺序小于或者等于预定顺序阈值的候选特征确定为预测模型的输入数据。例如,按照贡献度针对候选特征进行降序排序,然后保留排序顺序小于或者等于预定顺序阈值的候选特征。
关于预定顺序阈值,其例如而不限于为10。在一些实施例中,预定顺序阈值例如为30。
例如,在预定顺序阈值为30的实施例中,分别将899例样本输入数据输入经训练的预测模型,输出结果为“1”的样本有51例,即指示51例样本的肝癌特征类型经预测属于肝癌复发/转移灶特征类型的。输出结果为“0”的样本有808例,即指示808例样本的肝癌特征类型经预测属于肝癌原发灶特征类型。换言之,上述899例样本中,实际复发转移患者为69例,所预测的肝癌原发灶特征类型的阳性率为73.9%。实际原发灶患者为830例,所预测的肝癌复发/转移灶特征类型的阳性率为97.3%。图7示出了224例测试数据根据本公开的实施例的基于所选择的30个候选特征输入预测模型进行评价的统计结果示意图。图8示出了根据本公开的预定顺序阈值为30的一些实施例的预测模型的ROC曲线示意图。在上述899例样本数据中,AUC=0.856。可见,优于预定顺序阈值为10的实施例中预测模型的AUC=0.829的预测性能。
通过采用上述手段,本公开通过在所提取特征中选择输对于预测模型的分类器存在显著影响的特征作为模型的输入特征,可以显著提高预测模型的分类器的性能,进而提高关于肝癌特征类型的预测结果的准确性。
图9示意性示出了适于用来实现本公开实施例的电子设备900的框图。设备900可以是用于实现执行图2、9图6所示的方法200、600。如图9所示,设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序指令,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908,处理单元901执行上文所描述的各个方法和处理,例如执行方法200、600。例如,在一些实施例中,方法200、600可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由CPU 901执行时,可以执行上文描述的方法200、600的一个或多个操作。备选地,在其他实施例中,CPU 901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、600的一个或多个动作。
需要进一步说明的是,本公开可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种用于预测肝癌特征类型的方法,包括:
基于关于待测对象的肿瘤样本的比对结果数据,生成关于待测对象的肿瘤样本的多种预定基因的基因组变异数据,其中所述多种预定基因包括与肝癌相关联的基因变异所涉的多个基因以及与除肝癌之外的多个其他癌种相关联的基因变异所涉的多个热点基因;
获取关于待测对象的临床数据;
确定关于待测对象的肿瘤突变负荷信息;
获取关于待测对象的免疫检查点分子表达数据;
至少基于基因组变异数据、临床数据、肿瘤突变负荷信息和免疫检查点分子表达数据,生成预测模型的输入数据;以及
基于经由多样本训练的预测模型,提取所述输入数据的特征,以便基于所提取的特征预测肝癌特征类型,所述预测模型是基于神经网络模型所构建的。
2.根据权利要求1所述的方法,其中生成预测模型的输入数据包括:
基于肿瘤样本的肿瘤组织中肿瘤细胞所占的比例,确定关于肿瘤样本的肿瘤纯度数据;
基于比对结果数据,计算测序深度;以及
基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成预测模型的输入数据。
3.根据权利要求2所述的方法,其中生成预测模型的输入数据还包括:
基于基因组变异数据、临床数据、肿瘤突变负荷信息、免疫检查点分子表达数据、肿瘤纯度数据和所计算的测序深度,生成候选特征;
确定对于肝癌特征类型的分类存在贡献的候选特征的贡献度;按照贡献度递减的顺序,针对候选特征进行降序排序;以及
将排序顺序小于或者等于预定顺序阈值的候选特征确定为预测模型的输入数据。
4.根据权利要求1所述的方法,其中关于待测对象的肿瘤样本的多种预定基因的基因组变异数据包括:关于待测对象的肿瘤样本的多个预定基因的单碱基取代数据、短和长***缺失数据、拷贝数变异数据、以及基因重排数据。
5.根据权利要求1所述的方法,其中关于待测对象的临床数据至少包括:关于待测对象的性别信息、年龄信息和肿瘤分期信息。
6.根据权利要求1所述的方法,其中所述多种预定基因属于预定基因集合,所述免疫检查点分子表达数据为程序性死亡配体1表达数据。
7.根据权利要求1所述的方法,其中预测模型是基于按误差逆传播算法训练的多层前馈网络所构建的。
8.根据权利要求1所述的方法,其中基于所提取的特征预测肝癌特征类型包括:
基于所提取的特征,确定关于待测对象的肝癌特征类型的预测结果,所述预测结果指示肝癌原发灶特征类型或者肝癌复发/转移灶特征类型。
9.一种计算设备,包括:至少一个处理单元;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述设备执行根据权利要求1至8任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被机器执行时实现根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095636.3A CN114446393B (zh) | 2022-01-26 | 2022-01-26 | 用于预测肝癌特征类型的方法、电子设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095636.3A CN114446393B (zh) | 2022-01-26 | 2022-01-26 | 用于预测肝癌特征类型的方法、电子设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114446393A CN114446393A (zh) | 2022-05-06 |
CN114446393B true CN114446393B (zh) | 2022-12-20 |
Family
ID=81369462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210095636.3A Active CN114446393B (zh) | 2022-01-26 | 2022-01-26 | 用于预测肝癌特征类型的方法、电子设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114446393B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114974412B (zh) * | 2022-07-05 | 2023-02-10 | 至本医疗科技(上海)有限公司 | 生成目标对象的肿瘤检测数据的方法、设备和介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033749A (zh) * | 2018-06-29 | 2018-12-18 | 深圳裕策生物科技有限公司 | 一种肿瘤突变负荷检测方法、装置和存储介质 |
CN110997943A (zh) * | 2017-07-05 | 2020-04-10 | 弗朗西斯.克里克研究所 | 评估癌症免疫疗法的适合性的方法 |
CN111321140A (zh) * | 2020-03-03 | 2020-06-23 | 苏州吉因加生物医学工程有限公司 | 一种基于单样本的肿瘤突变负荷检测方法和装置 |
CN111429968A (zh) * | 2020-03-11 | 2020-07-17 | 至本医疗科技(上海)有限公司 | 用于预测肿瘤类型的方法、电子设备和计算机存储介质 |
CN111584002A (zh) * | 2020-05-22 | 2020-08-25 | 至本医疗科技(上海)有限公司 | 用于检测肿瘤突变负荷的方法、计算设备和计算机存储介质 |
CN111979323A (zh) * | 2020-08-28 | 2020-11-24 | 深圳裕策生物科技有限公司 | 用于预测肿瘤免疫治疗效果的生物标志物检测方法及*** |
CN112687332A (zh) * | 2021-03-12 | 2021-04-20 | 北京贝瑞和康生物技术有限公司 | 用于确定致病风险变异位点的方法、设备和存储介质 |
WO2021096932A1 (en) * | 2019-11-13 | 2021-05-20 | Memorial Sloan Kettering Cancer Center | Classifier models to predict tissue of origin from targeted tumor dna sequencing |
CN113228190A (zh) * | 2018-12-23 | 2021-08-06 | 豪夫迈·罗氏有限公司 | 基于预测的肿瘤突变负荷的肿瘤分类 |
CN113707222A (zh) * | 2021-07-28 | 2021-11-26 | 邢传华 | 用于预测预定疾病风险的方法、计算设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106740A1 (en) * | 2002-05-24 | 2011-05-05 | University Of South Florida | Tissue classification method for diagnosis and treatment of tumors |
US20200342956A1 (en) * | 2019-04-25 | 2020-10-29 | Carnegie Mellon University | Methods and Systems for Use in Cancer Prediction |
CN111292802B (zh) * | 2020-02-03 | 2021-03-16 | 至本医疗科技(上海)有限公司 | 用于检测突变的方法、电子设备和计算机存储介质 |
CN111951893B (zh) * | 2020-08-24 | 2022-11-15 | 中山大学附属第三医院 | 构建肿瘤突变负荷tmb面板的方法 |
-
2022
- 2022-01-26 CN CN202210095636.3A patent/CN114446393B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110997943A (zh) * | 2017-07-05 | 2020-04-10 | 弗朗西斯.克里克研究所 | 评估癌症免疫疗法的适合性的方法 |
CN109033749A (zh) * | 2018-06-29 | 2018-12-18 | 深圳裕策生物科技有限公司 | 一种肿瘤突变负荷检测方法、装置和存储介质 |
CN113228190A (zh) * | 2018-12-23 | 2021-08-06 | 豪夫迈·罗氏有限公司 | 基于预测的肿瘤突变负荷的肿瘤分类 |
WO2021096932A1 (en) * | 2019-11-13 | 2021-05-20 | Memorial Sloan Kettering Cancer Center | Classifier models to predict tissue of origin from targeted tumor dna sequencing |
CN111321140A (zh) * | 2020-03-03 | 2020-06-23 | 苏州吉因加生物医学工程有限公司 | 一种基于单样本的肿瘤突变负荷检测方法和装置 |
CN111429968A (zh) * | 2020-03-11 | 2020-07-17 | 至本医疗科技(上海)有限公司 | 用于预测肿瘤类型的方法、电子设备和计算机存储介质 |
CN111584002A (zh) * | 2020-05-22 | 2020-08-25 | 至本医疗科技(上海)有限公司 | 用于检测肿瘤突变负荷的方法、计算设备和计算机存储介质 |
CN111979323A (zh) * | 2020-08-28 | 2020-11-24 | 深圳裕策生物科技有限公司 | 用于预测肿瘤免疫治疗效果的生物标志物检测方法及*** |
CN112687332A (zh) * | 2021-03-12 | 2021-04-20 | 北京贝瑞和康生物技术有限公司 | 用于确定致病风险变异位点的方法、设备和存储介质 |
CN113707222A (zh) * | 2021-07-28 | 2021-11-26 | 邢传华 | 用于预测预定疾病风险的方法、计算设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114446393A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10748056B2 (en) | Methods and systems for predicting DNA accessibility in the pan-cancer genome | |
Palamara et al. | High-throughput inference of pairwise coalescence times identifies signals of selection and enriched disease heritability | |
KR101950395B1 (ko) | 개체군 유전체 염기서열 및 변이의 변환데이터에 대한 인공지능 딥러닝 모델을 이용한 바이오마커 검출 방법 | |
García-López et al. | Fragmentation and coverage variation in viral metagenome assemblies, and their effect in diversity calculations | |
Lewin et al. | MT-HESS: an efficient Bayesian approach for simultaneous association detection in OMICS datasets, with application to eQTL mapping in multiple tissues | |
Mughal et al. | Localizing and classifying adaptive targets with trend filtered regression | |
CN114649055B (zh) | 用于检测单核苷酸变异和***缺失的方法、设备和介质 | |
Thomas et al. | Probing for sparse and fast variable selection with model‐based boosting | |
Dlamini et al. | AI and precision oncology in clinical cancer genomics: From prevention to targeted cancer therapies-an outcomes based patient care | |
Lin et al. | Fast and accurate phylogenetic reconstruction from high-resolution whole-genome data and a novel robustness estimator | |
Llinares-López et al. | Genome-wide genetic heterogeneity discovery with categorical covariates | |
KR20220069943A (ko) | 단일 세포 rna-seq 데이터 처리 | |
Kaminski et al. | pLM-BLAST: distant homology detection based on direct comparison of sequence representations from protein language models | |
CN114446393B (zh) | 用于预测肝癌特征类型的方法、电子设备和计算机存储介质 | |
KR102085169B1 (ko) | 개인 유전체 맵 기반 맞춤의학 분석 시스템 및 이를 이용한 분석 방법 | |
KR101067352B1 (ko) | 생물학적 네트워크 분석을 이용한 마이크로어레이 실험 자료의 작용기작, 실험/처리 조건 특이적 네트워크 생성 및 실험/처리 조건 관계성 해석을 위한 알고리즘을 포함한 시스템 및 방법과 상기 방법을 수행하기 위한 프로그램을 갖는 기록매체 | |
Oja et al. | Methods for estimating human endogenous retrovirus activities from EST databases | |
Spiwok et al. | Collective variable for metadynamics derived from AlphaFold output | |
Michelsen et al. | metaDMG–a fast and accurate ancient DNA damage toolkit for metagenomic data | |
Ackermann et al. | Teamwork: improved eQTL mapping using combinations of machine learning methods | |
Lee et al. | Survival prediction and variable selection with simultaneous shrinkage and grouping priors | |
KR102041504B1 (ko) | 환자 계층화를 위한 맞춤의학 분석 플랫폼 | |
Geuenich et al. | The impacts of active and self-supervised learning on efficient annotation of single-cell expression data | |
Wu et al. | Gm-ploc: A subcellular localization model of multi-label protein based on gan and deepfm | |
Steyaert et al. | Multimodal data fusion of adult and pediatric brain tumors with deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |