CN114999653B - 一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置 - Google Patents

一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置 Download PDF

Info

Publication number
CN114999653B
CN114999653B CN202210693286.0A CN202210693286A CN114999653B CN 114999653 B CN114999653 B CN 114999653B CN 202210693286 A CN202210693286 A CN 202210693286A CN 114999653 B CN114999653 B CN 114999653B
Authority
CN
China
Prior art keywords
gene
mutation
marked
coding region
mga
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
Application number
CN202210693286.0A
Other languages
English (en)
Other versions
CN114999653A (zh
Inventor
应建明
***
宋朋
吴小璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cancer Hospital and Institute of CAMS and PUMC
Original Assignee
Cancer Hospital and Institute of CAMS and PUMC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cancer Hospital and Institute of CAMS and PUMC filed Critical Cancer Hospital and Institute of CAMS and PUMC
Priority to CN202210693286.0A priority Critical patent/CN114999653B/zh
Publication of CN114999653A publication Critical patent/CN114999653A/zh
Application granted granted Critical
Publication of CN114999653B publication Critical patent/CN114999653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/156—Polymorphic or mutational markers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Organic Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Wood Science & Technology (AREA)
  • Immunology (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Zoology (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Hospice & Palliative Care (AREA)
  • Primary Health Care (AREA)
  • Oncology (AREA)
  • Microbiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置，涉及生物医疗技术领域。本发明通过检测患者肿瘤细胞的KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变，来预测患者对免疫治疗的风险系数，可以有效地筛选出可能从免疫治疗中获益的非小细胞肺癌患者，有利于患者获得更合适且及时的治疗方案。

Description

一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及 预测装置
技术领域
本发明涉及生物医疗技术领域，具体而言，涉及一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置。
背景技术
肺癌是世界上最常见的恶性肿瘤之一，非小细胞肺癌约占所有肺癌的80％。大部分非小细胞肺癌患者发现时已经处于中晚期，5年生存率很低，相关的治疗难度大，预后结果欠佳，是困扰患者的中大顽疾。吸烟、既往肺部慢性感染、长期暴露与污染空气中和遗传因素等是非小细胞肺癌的主要诱发因素。临床上，非小细胞肺癌常用的治疗方法有：放射疗法、化学疗法、手术治疗和免疫治疗等。
免疫检查点抑制剂已经彻底改变了各种癌症的治疗前景，包括非小细胞肺癌。但是，临床上应用发现，仅有部分患者对免疫治疗有反应，从而获得较好的治疗效果。因此，寻找潜在的方法来筛选可能获益与免疫治疗的患者是当前的重要工作。
鉴于此，特提出本发明。
发明内容
本发明的目的在于提供一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置。
本发明是这样实现的：
第一方面，本发明实施例提供了一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法，其包括：获取训练样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果以及对应的标注结果；将基因突变的检测结果输入预先构建好的预测模型中，获得预测结果；其中，所述预测模型用于根据KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的数量预测样本非小细胞肺癌的免疫治疗疗效；基于所述标注结果和所述预测结果对所述预测模型进行参数更新。
第二方面，本发明实施例提供了一种非小细胞肺癌免疫治疗疗效的预测装置，其包括获取模块和预测模块。获取模块，用于获取待测样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果；预测模块，用于将基因突变的检测结果输入如前述实施例所述的训练方法训练好的预测模型中，获得待测样本的预测结果。
第三方面，本发明实施例提供了一种非小细胞肺癌免疫治疗疗效的训练装置，其包括获取模块、预测模块和参数更新模块。获取模块，用于获取训练样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果以及对应的标注结果；预测模块，用于将基因突变的检测结果输入预先构建好的预测模型中，获得预测结果；其中，所述预测模型用于根据KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的数量预测样本非小细胞肺癌的免疫治疗疗效；参数更新模块，用于根据所述标注结果和所述预测结果对所述预测模型进行参数更新。
第四方面，本发明实施例提供了一种电子设备，其包括：处理器和存储器；所述电子设备包括处理器和存储器；所述存储器用于存储程序，当所述程序被所述处理器执行时，使得所述处理器实现如前述实施例所述的非小细胞肺癌免疫治疗疗效的预测模型的训练方法或非小细胞肺癌免疫治疗疗效的预测；所述非小细胞肺癌免疫治疗疗效的预测包括：将样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的结果输入如前述实施例所述的训练方法训练的预测模型中，获得待测样本的预测结果。
第五方面，本发明实施例提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的非小细胞肺癌免疫治疗疗效的预测模型的训练方法或非小细胞肺癌免疫治疗疗效的预测；所述非小细胞肺癌免疫治疗疗效的预测包括：将样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的结果输入如前述实施例所述的训练方法训练的预测模型中，获得待测样本的预测结果。
第六方面，本发明实施例提供了一种预测非小细胞肺癌免疫治疗疗效的试剂，其包括用于检测KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的试剂。
第七方面，本发明实施例提供了如前述实施例所述的试剂在制备用语预测非小细胞肺癌免疫治疗疗效的试剂盒中的应用。
本发明具有以下有益效果：
本发明通过检测患者肿瘤细胞的KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变，来预测患者对免疫治疗的风险系数，可以有效地筛选处可能从免疫治疗中获益的非小细胞肺癌患者，有利于患者获得更合适且及时的治疗方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为LASSO回归分析；
图2为候选基因LASSO系数分布图；
图3为热点基因与预后的相关性；
图4为建模样本高风险组和低风险组的生存时间；
图5为验证队列患者生存时间曲线；
图6为验证队列患者免疫治疗持续获益分析；
图7为验证队列肿瘤突变负荷；
图8为实施例患者生存时间曲线；
图9为实施例列患者免疫治疗持续获益分析。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
本发明实施例提供了一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法，其包括：获取训练样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果以及对应的标注结果；
将基因突变的检测结果输入预先构建好的预测模型中，获得预测结果；其中，所述预测模型用于根据KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的数量预测样本非小细胞肺癌的免疫治疗疗效；
基于所述标注结果和所述预测结果对所述预测模型进行参数更新。
上述基因是发明人通过生物信息的方法，从330例非小细胞肺癌患者治疗队列的突变数据中发掘的。首先基于突变数据筛选出候选基因，然后通过Univariate Cox回归分析，设定筛选参数，进一步对候选基因进行筛选，最后基于上述基因进行LASSO回归分析，获得预测模型的计算公式。
LASSO回归分析图见图1，候选基因LASSO系数分布图见图2，热点基因与预后的相关性见图3。
在一些实施例中，所述基因突变包括编码区的突变。编码区的突变可以包括一个或多个CDS或ORF中的突变，或者整个编码区的突变。在另一些实施例中，所述基因突变为导致编码蛋白的氨基酸序列改变的突变。基因突变的类型包括但不限于单碱基突变、多碱基突变、碱基缺失、碱基***等对基因翻译和蛋白表达存在影响的基因突变。
对获取基因突变的方式不做任何限制，只要是能够检测基因突变的方式即可，比如基因测序。
在一些实施例中，所述标注结果可以为训练样本对应的免疫治疗疗效，比如：是否具有疗效，和/或疗效的好坏程度。
本发明实施例还提供了一种非小细胞肺癌免疫治疗疗效的预测装置，其包括获取模块和预测模块。
获取模块，用于获取待测样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果；
预测模块，用于将基因突变的检测结果输入如前述任意实施例所述的训练方法训练好的预测模型中，获得待测样本的预测结果。
在一些实施例中，所述基因突变包括编码区的突变。编码区的突变可以包括一个或多个CDS或ORF中的突变，或者整个编码区的突变。在一些实施例中，所述基因突变为导致编码蛋白的氨基酸序列改变的突变。
在一些实施例中，所述预测模型通过以下公式进行计算并获得预测结果；
Risk Score＝(a×KEAP1)+(b×PTPRD)+(c×EPHA3)+(d×EPHA5)+(e×ZFHX3)+(f×MGA)+(g×NTRK3)+(h×PBRM1)；
其中，a为0.2～0.6，b为-0.1～-0.6，c为-0.2～-0.6，d为-0.6～-1.0，e为-1～-1.4，f为-0.4～-0.8，g为-0.5～-0.9，h为0.8～1.2；
KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；其他基因依次类推。依次类推具体是指：PTPRD为PTPRD基因的突变参数，若PTPRD基因的编码区存在基因突变，则PTPRD记为1，否则记为0；EPHA3为EPHA3基因的突变参数，若EPHA3基因的编码区存在基因突变，则EPHA3记为1，否则记为0；EPHA5为EPHA5基因的突变参数，若EPHA5基因的编码区存在基因突变，则EPHA5记为1，否则记为0；ZFHX3为ZFHX3基因的突变参数，若ZFHX3基因的编码区存在基因突变，则ZFHX3记为1，否则记为0；MGA为MGA基因的突变参数，若MGA基因的编码区存在基因突变，则MGA记为1，否则记为0；NTRK3为NTRK3基因的突变参数，若NTRK3基因的编码区存在基因突变，则NTRK3记为1，否则记为0；PBRM1为PBRM1基因的突变参数，若PBRM1基因的编码区存在基因突变，则PBRM1记为1，否则记为0。
在一些实施例中，在Risk Score公式中，a为0.395，b为-0.384，c为-0.433，d为-0.827，e为-1.253，f为-0.584，g为-0.703，h为1.023。
在一些实施例中，所述预测模型还包括基于Risk Score的分数判断样本非小细胞肺癌免疫治疗疗效：若Risk Score的分数值≥设定阈值，则判定样本免疫治疗疗效差，为高风险组；若Risk Score的分数值＜设定阈值，则判定样本免疫治疗疗效好，为低风险组；
在一些实施例中，所述设定阈值为0.5～0.7，具体可以为0.5、0.55、0.6、0.6496和0.7中的任意一种或任意两种之间的范围。在一些实施例中，所述待测样本包括非小细胞肺癌患者癌细胞样本，或健康人的生物组织样本，样本可以为新鲜的或冷冻的，可以通过手术或穿刺的方式获得。
优选地，预测模型的公式为：Risk Score＝(0.395×KEAP1)+(-0.384×PTPRD)+(-0.433×EPHA3)+(-0.827×EPHA5)+(-1.253×ZFHX3)+(-0.584×MGA)+(-0.703×NTRK3)+(1.023×PBRM1)。设定阈值为0.6496。通过ROC曲线对该模型预测效果进行验证，本模型的AUC at 1years＝0.653,AUC at 3years＝0.662。同时基于同一非小细胞肺癌患者治疗队列，构建了其他预测模型，但当预测模型包含的基因突变种类更改时，无法达到最优预测效果。例如删去PBRM1突变后所构建的预测模型，对不同时期免疫治疗疗效的预测效果均下降(AUC at 2years＝0.621,AUC at 3years＝0.643)。
本发明实施例还提供了一种非小细胞肺癌免疫治疗疗效的训练装置，其包括获取模块、预测模块和参数更新模块。
获取模块，用于获取训练样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果以及对应的标注结果；
预测模块，用于将基因突变的检测结果输入预先构建好的预测模型中，获得预测结果；其中，所述预测模型用于根据KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的数量预测样本非小细胞肺癌的免疫治疗疗效；
参数更新模块，用于根据所述标注结果和所述预测结果对所述预测模型进行参数更新。
可以理解的是，训练装置对应实现前述任意实施例所述的训练方法，其中具体的技术手段可参照前述任意实施例所述。
可选地，上述任意实施例所述的模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本申请提供的电子设备的操作***(Operating System，OS)中，并可由电子设备中的处理器执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器中。
本发明实施例还提供了一种电子设备，其包括：处理器和存储器；所述电子设备包括处理器和存储器；所述存储器用于存储程序，当所述程序被所述处理器执行时，使得所述处理器实现如前述实施例所述的非小细胞肺癌免疫治疗疗效的预测模型的训练方法或非小细胞肺癌免疫治疗疗效的预测。所述非小细胞肺癌免疫治疗疗效的预测包括：将样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的结果输入如前述任意实施例所述的训练方法训练的预测模型中，获得待测样本的预测结果。
电子设备可以包括存储器、处理器、总线和通信接口，该存储器、处理器和通信接口相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条总线或信号线实现电性连接。
存储器可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器可以是一种集成电路芯片，具有信号处理能力。该处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
该电子设备可以是服务器、云平台、手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、手持计算机、上网本、个人数字助理(personal digital assistant，PDA)、可穿戴电子设备、虚拟现实设备等设备，因此本申请实施例对电子设备的种类不做限制。
本发明实施例还提供了一种计算机可读介质，所述计算机可读介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的非小细胞肺癌免疫治疗疗效的预测模型的训练方法或非小细胞肺癌免疫治疗疗效的预测；所述非小细胞肺癌免疫治疗疗效的预测包括：将样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的结果输入如前述实施例所述的训练方法训练的预测模型中，获得待测样本的预测结果。
可以理解的是，电子设备和计算机可读介质中的预测模型可以同前述任意实施例所述，不再赘述。
计算机可读介质可以为通用的存储介质，如移动磁盘、硬盘等。
本发明实施例还提供了一种预测非小细胞肺癌免疫治疗疗效的试剂，其包括用于检测KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的试剂。
在一些实施例中，所述基因突变包括编码区的突变，具体可以为导致编码蛋白的氨基酸序列改变的突变。
在一些实施例中，所述试剂包括引物和/或探针。
此外，本发明实施例还提供了如前述任意实施例述的试剂在制备用语预测非小细胞肺癌免疫治疗疗效的试剂盒中的应用。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
一种非小细胞肺癌免疫治疗疗效的预测方法，其包括：
对样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因，对这些基因进行测序，获得基因突变的检测结果；这些基因的突变包括单碱基突变、多碱基突变、碱基缺失、碱基***等对基因翻译和蛋白表达存在影响的基因突变。
将检测结果输入预测模型中，获得风险分数；预测模型的计算公式如下：
Risk Score＝(0.395×KEAP1)+(-0.384×PTPRD)+(-0.433×EPHA3)+(-0.827×EPHA5)+(-1.253×ZFHX3)+(-0.584×MGA)+(-0.703×NTRK3)+(1.023×PBRM1)；
式中，KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；其他基因依次类推。
所述预测模型还包括基于Risk Score的分数判断样本非小细胞肺癌免疫治疗疗效：若Risk Score的分数值≥设定阈值，则判定样本免疫治疗疗效差，为高风险组；若RiskScore的分数值＜设定阈值，则判定样本免疫治疗疗效好，为低风险组；所述设定阈值为0.6496。
实施例2
采用实施例1中的预测模型对330例非小细胞肺癌患者进行疗效预测，得到高风险组患者53例，低风险组患者277例。对样本进行生存分析，发现两组见存在显著性差异，高风险组的生存时间显著低于低风险组(如图4)，P<0.0001。
将样本中有接受免疫治疗的240例患者的临床数据作为验证队列1，运用预测模型进行分析，得到高风险组患者162例，低风险组患者78例。两组的生存时间分析存在显著性差异(如图5)，P<0.0001。高风险组的持久临床获益(DCB)患者比例为21.6％，无持续临床获益(NDB)患者的比例为78.4％；低风险组的持久临床获益患者比例为48.6％，无持续临床获益患者的比例为51.4％(如图6)。高风险组与低风险组的免疫治疗临床获益患者比例存在显著性差异，P<0.05。证明所述预测模型可有效的鉴别免疫治疗持续获益患者。
此外，肿瘤突变负荷(TMB)分析结果显示，高风险组的肿瘤突变负荷显著低于低风险组，P<1.5e-15(如图7)。依据已有文献报道，肿瘤突变负荷越高，患者对免疫治疗的持续获益越强[Jiao,X.,et al.(2021).NPJ Precis Oncol 5(1):36.]，与实施例的结论相吻合。
实施例3
采用实施例1提供的预测方法对91例临床样本进行预测。
91例非小细胞肺癌患者通过手术取样，分离癌细胞，基因测序等步骤，获得KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因的基因测序结果，通过分析这些基因的突变的参数，计算Risk Score，以Risk Score＝0.6496为阈值，将患者分为高风险组64人，低风险组27人(如图8)。
两组的生存时间分析存在显著性差异(如图8)，P＝0.00091。分析两组的免疫治疗获益情况，高风险组的持久临床获益(DCB)患者比例为39.1％，无持续临床获益(NDB)患者的比例为60.9％；低风险组的持久临床获益患者比例为70.4％，无持续临床获益患者的比例为29.6％(如图9)。高风险组与低风险组的免疫治疗临床获益患者比例存在显著性差异，P<0.05。证明本申请所述模型可有效的鉴别免疫治疗持续获益患者。
实施例4
非小细胞肺癌-临床免疫治疗有持续获益(DCB)病例。
实施例3采用的样本来自65岁男性患者，既往有吸烟史，该患者肿瘤样本通过基因RNA测序，获得KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因的RNA测序结果，基于实施例1的预测方法分析这些基因的突变的参数，计算Risk Score为-1.242，为低风险患者，免疫治疗有持续获益，该患者的生存时间为9.37年，显著高于平均生存时间5.59年。
实施例5
非小细胞肺癌-临床免疫治疗无持续获益(NDB)病例。
实施例4采用的样本来自71岁男性患者，既往有吸烟史，该患者肿瘤样本通过基因RNA测序，获得KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因的RNA测序结果，基于实施例1的预测方法分析这些基因的突变的参数，计算Risk Score为1.418，为高风险患者，免疫治疗无持续获益，该患者的生存时间为1.87年，显著低于平均生存时间5.59年。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (23)

1.一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法，其特征在于，其包括：
获取训练样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果以及对应的标注结果；
将基因突变的检测结果输入预先构建好的预测模型中，获得预测结果；其中，所述预测模型用于根据KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的数量预测样本非小细胞肺癌的免疫治疗疗效；
基于所述标注结果和所述预测结果对所述预测模型进行参数更新；
所述预测模型通过以下公式进行计算并获得预测结果；
Risk Score＝(a×KEAP1)+(b×PTPRD)+(c×EPHA3)+(d×EPHA5)+(e×ZFHX3)+(f×MGA)+(g×NTRK3)+(h×PBRM1)；
其中，a为0.2～0.6，b为-0.1～-0.6，c为-0.2～-0.6，d为-0.6～-1.0，e为-1～-1.4，f为-0.4～-0.8，g为-0.5～-0.9，h为0.8～1.2；
KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；PTPRD为PTPRD基因的突变参数，若PTPRD基因的编码区存在基因突变，则PTPRD记为1，否则记为0；EPHA3为EPHA3基因的突变参数，若EPHA3基因的编码区存在基因突变，则EPHA3记为1，否则记为0；EPHA5为EPHA5基因的突变参数，若EPHA5基因的编码区存在基因突变，则EPHA5记为1，否则记为0；ZFHX3为ZFHX3基因的突变参数，若ZFHX3基因的编码区存在基因突变，则ZFHX3记为1，否则记为0；MGA为MGA基因的突变参数，若MGA基因的编码区存在基因突变，则MGA记为1，否则记为0；NTRK3为NTRK3基因的突变参数，若NTRK3基因的编码区存在基因突变，则NTRK3记为1，否则记为0；PBRM1为PBRM1基因的突变参数，若PBRM1基因的编码区存在基因突变，则PBRM1记为1，否则记为0。
2.根据权利要求1所述的训练方法，其特征在于，所述基因突变包括编码区的突变。
3.根据权利要求1所述的训练方法，其特征在于，所述基因突变为导致编码蛋白的氨基酸序列改变的突变。
4.一种非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，其包括：
获取模块，用于获取待测样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果；
预测模块，用于将基因突变的检测结果输入如权利要求1～3任一项所述的训练方法训练好的预测模型中，获得待测样本的预测结果；
所述预测模型通过以下公式进行计算并获得预测结果；
Risk Score＝(a×KEAP1)+(b×PTPRD)+(c×EPHA3)+(d×EPHA5)+(e×ZFHX3)+(f×MGA)+(g×NTRK3)+(h×PBRM1)；
其中，a为0.2～0.6，b为-0.1～-0.6，c为-0.2～-0.6，d为-0.6～-1.0，e为-1～-1.4，f为-0.4～-0.8，g为-0.5～-0.9，h为0.8～1.2；
KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；PTPRD为PTPRD基因的突变参数，若PTPRD基因的编码区存在基因突变，则PTPRD记为1，否则记为0；EPHA3为EPHA3基因的突变参数，若EPHA3基因的编码区存在基因突变，则EPHA3记为1，否则记为0；EPHA5为EPHA5基因的突变参数，若EPHA5基因的编码区存在基因突变，则EPHA5记为1，否则记为0；ZFHX3为ZFHX3基因的突变参数，若ZFHX3基因的编码区存在基因突变，则ZFHX3记为1，否则记为0；MGA为MGA基因的突变参数，若MGA基因的编码区存在基因突变，则MGA记为1，否则记为0；NTRK3为NTRK3基因的突变参数，若NTRK3基因的编码区存在基因突变，则NTRK3记为1，否则记为0；PBRM1为PBRM1基因的突变参数，若PBRM1基因的编码区存在基因突变，则PBRM1记为1，否则记为0。
5.根据权利要求4所述的非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，所述基因突变包括编码区的突变。
6.根据权利要求5所述的非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，所述基因突变为导致编码蛋白的氨基酸序列改变的突变。
7.根据权利要求4所述的非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，在RiskScore公式中，a为0.395，b为-0.384，c为-0.433，d为-0.827，e为-1.253，f为-0.584，g为-0.703，h为1.023。
8.根据权利要求4所述的非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，所述预测模型还包括基于Risk Score的分数判断样本非小细胞肺癌免疫治疗疗效：若Risk Score的分数值≥设定阈值，则判定样本免疫治疗疗效差，为高风险组；若Risk Score的分数值＜设定阈值，则判定样本免疫治疗疗效好，为低风险组。
9.根据权利要求8所述的非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，所述设定阈值为0.5～0.7。
10.根据权利要求9所述的非小细胞肺癌免疫治疗疗效的预测装置，其特征在于，所述设定阈值为0.6496。
11.一种非小细胞肺癌免疫治疗疗效的训练装置，其特征在于，其包括：
获取模块，用于获取训练样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的检测结果以及对应的标注结果；
预测模块，用于将基因突变的检测结果输入预先构建好的预测模型中，获得预测结果；其中，所述预测模型用于根据KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的数量预测样本非小细胞肺癌的免疫治疗疗效；
参数更新模块，用于根据所述标注结果和所述预测结果对所述预测模型进行参数更新；
所述预测模型通过以下公式进行计算并获得预测结果；
Risk Score＝(a×KEAP1)+(b×PTPRD)+(c×EPHA3)+(d×EPHA5)+(e×ZFHX3)+(f×MGA)+(g×NTRK3)+(h×PBRM1)；
其中，a为0.2～0.6，b为-0.1～-0.6，c为-0.2～-0.6，d为-0.6～-1.0，e为-1～-1.4，f为-0.4～-0.8，g为-0.5～-0.9，h为0.8～1.2；
KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；PTPRD为PTPRD基因的突变参数，若PTPRD基因的编码区存在基因突变，则PTPRD记为1，否则记为0；EPHA3为EPHA3基因的突变参数，若EPHA3基因的编码区存在基因突变，则EPHA3记为1，否则记为0；EPHA5为EPHA5基因的突变参数，若EPHA5基因的编码区存在基因突变，则EPHA5记为1，否则记为0；ZFHX3为ZFHX3基因的突变参数，若ZFHX3基因的编码区存在基因突变，则ZFHX3记为1，否则记为0；MGA为MGA基因的突变参数，若MGA基因的编码区存在基因突变，则MGA记为1，否则记为0；NTRK3为NTRK3基因的突变参数，若NTRK3基因的编码区存在基因突变，则NTRK3记为1，否则记为0；PBRM1为PBRM1基因的突变参数，若PBRM1基因的编码区存在基因突变，则PBRM1记为1，否则记为0。
12.根据权利要求11所述的训练装置，其特征在于，所述基因突变包括编码区的突变。
13.根据权利要求11或12所述的训练装置，其特征在于，所述基因突变为导致编码蛋白的氨基酸序列改变的突变。
14.一种电子设备，其特征在于，其包括：处理器和存储器；所述电子设备包括处理器和存储器；所述存储器用于存储程序，当所述程序被所述处理器执行时，使得所述处理器实现如权利要求1～3任一项所述的非小细胞肺癌免疫治疗疗效的预测模型的训练方法或非小细胞肺癌免疫治疗疗效的预测；
所述非小细胞肺癌免疫治疗疗效的预测包括：将样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的结果输入如权利要求1所述的训练方法训练的预测模型中，获得待测样本的预测结果；
所述预测模型的公式如下：Risk Score＝(a×KEAP1)+(b×PTPRD)+(c×EPHA3)+(d×EPHA5)+(e×ZFHX3)+(f×MGA)+(g×NTRK3)+(h×PBRM1)；
其中，a为0.2～0.6，b为-0.1～-0.6，c为-0.2～-0.6，d为-0.6～-1.0，e为-1～-1.4，f为-0.4～-0.8，g为-0.5～-0.9，h为0.8～1.2；
KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；PTPRD为PTPRD基因的突变参数，若PTPRD基因的编码区存在基因突变，则PTPRD记为1，否则记为0；EPHA3为EPHA3基因的突变参数，若EPHA3基因的编码区存在基因突变，则EPHA3记为1，否则记为0；EPHA5为EPHA5基因的突变参数，若EPHA5基因的编码区存在基因突变，则EPHA5记为1，否则记为0；ZFHX3为ZFHX3基因的突变参数，若ZFHX3基因的编码区存在基因突变，则ZFHX3记为1，否则记为0；MGA为MGA基因的突变参数，若MGA基因的编码区存在基因突变，则MGA记为1，否则记为0；NTRK3为NTRK3基因的突变参数，若NTRK3基因的编码区存在基因突变，则NTRK3记为1，否则记为0；PBRM1为PBRM1基因的突变参数，若PBRM1基因的编码区存在基因突变，则PBRM1记为1，否则记为0。
15.根据权利要求14所述的电子设备，其特征在于，在Risk Score公式中，a为0.395，b为-0.384，c为-0.433，d为-0.827，e为-1.253，f为-0.584，g为-0.703，h为1.023。
16.根据权利要求14所述的电子设备，其特征在于，所述预测模型还包括基于RiskScore的分数判断样本非小细胞肺癌免疫治疗疗效：若Risk Score的分数值≥设定阈值，则判定样本免疫治疗疗效差，为高风险组；若Risk Score的分数值＜设定阈值，则判定样本免疫治疗疗效好，为低风险组。
17.根据权利要求16所述的电子设备，其特征在于，所述设定阈值为0.5～0.7。
18.根据权利要求17所述的电子设备，其特征在于，所述设定阈值为0.6496。
19.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～3任一项所述的非小细胞肺癌免疫治疗疗效的预测模型的训练方法或非小细胞肺癌免疫治疗疗效的预测；
所述非小细胞肺癌免疫治疗疗效的预测包括：将样本KEAP1、PTPRD、EPHA3、EPHA5、ZFHX3、MGA、NTRK3和PBRM1基因突变的结果输入如权利要求1～3任一项所述的训练方法训练的预测模型中，获得待测样本的预测结果；
所述预测模型的公式如下：Risk Score＝(a×KEAP1)+(b×PTPRD)+(c×EPHA3)+(d×EPHA5)+(e×ZFHX3)+(f×MGA)+(g×NTRK3)+(h×PBRM1)；
其中，a为0.2～0.6，b为-0.1～-0.6，c为-0.2～-0.6，d为-0.6～-1.0，e为-1～-1.4，f为-0.4～-0.8，g为-0.5～-0.9，h为0.8～1.2；
KEAP1为KEAP1基因的突变参数，若KEAP1基因的编码区存在基因突变，则KEAP1记为1，否则记为0；PTPRD为PTPRD基因的突变参数，若PTPRD基因的编码区存在基因突变，则PTPRD记为1，否则记为0；EPHA3为EPHA3基因的突变参数，若EPHA3基因的编码区存在基因突变，则EPHA3记为1，否则记为0；EPHA5为EPHA5基因的突变参数，若EPHA5基因的编码区存在基因突变，则EPHA5记为1，否则记为0；ZFHX3为ZFHX3基因的突变参数，若ZFHX3基因的编码区存在基因突变，则ZFHX3记为1，否则记为0；MGA为MGA基因的突变参数，若MGA基因的编码区存在基因突变，则MGA记为1，否则记为0；NTRK3为NTRK3基因的突变参数，若NTRK3基因的编码区存在基因突变，则NTRK3记为1，否则记为0；PBRM1为PBRM1基因的突变参数，若PBRM1基因的编码区存在基因突变，则PBRM1记为1，否则记为0。
20.根据权利要求19所述的计算机可读介质，其特征在于，在Risk Score公式中，a为0.395，b为-0.384，c为-0.433，d为-0.827，e为-1.253，f为-0.584，g为-0.703，h为1.023。
21.根据权利要求19所述的计算机可读介质，其特征在于，所述预测模型还包括基于Risk Score的分数判断样本非小细胞肺癌免疫治疗疗效：若Risk Score的分数值≥设定阈值，则判定样本免疫治疗疗效差，为高风险组；若Risk Score的分数值＜设定阈值，则判定样本免疫治疗疗效好，为低风险组。
22.根据权利要求21所述的计算机可读介质，其特征在于，所述设定阈值为0.5～0.7。
23.根据权利要求22所述的计算机可读介质，其特征在于，所述设定阈值为0.6496。
CN202210693286.0A 2022-06-17 2022-06-17 一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置 Active CN114999653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210693286.0A CN114999653B (zh) 2022-06-17 2022-06-17 一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210693286.0A CN114999653B (zh) 2022-06-17 2022-06-17 一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置

Publications (2)

Publication Number Publication Date
CN114999653A CN114999653A (zh) 2022-09-02
CN114999653B true CN114999653B (zh) 2023-06-20

Family

ID=83035252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210693286.0A Active CN114999653B (zh) 2022-06-17 2022-06-17 一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置

Country Status (1)

Country Link
CN (1) CN114999653B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115620894B (zh) * 2022-09-20 2023-05-02 贵州医科大学第二附属医院 基于基因突变的肺癌免疫疗效预测***、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113851185A (zh) * 2021-11-29 2021-12-28 求臻医学科技（北京）有限公司 一种用于非小细胞肺癌患者免疫治疗的预后评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11705226B2 (en) * 2019-09-19 2023-07-18 Tempus Labs, Inc. Data based cancer research and treatment systems and methods
US20210207198A1 (en) * 2020-01-06 2021-07-08 Duke University Biomarkers associated with checkpoint immune therapy and methods of using same
CN112813165A (zh) * 2021-02-03 2021-05-18 复旦大学附属金山医院(上海市金山区核化伤害应急救治中心、上海市金山区眼病防治所) 一种肺鳞癌预后预测模型及其应用
CN113249483B (zh) * 2021-06-10 2021-10-08 北京泛生子基因科技有限公司 一种检测肿瘤突变负荷的基因组合、***及应用
CN114512184A (zh) * 2021-10-11 2022-05-17 上海市胸科医院 一种用于预测癌症疗效和预后的方法及其装置和应用
CN114242157B (zh) * 2021-12-28 2023-03-21 江苏先声医学诊断有限公司 基于bGMS预测非小细胞肺癌免疫治疗疗效

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113851185A (zh) * 2021-11-29 2021-12-28 求臻医学科技（北京）有限公司 一种用于非小细胞肺癌患者免疫治疗的预后评估方法

Also Published As

Publication number Publication date
CN114999653A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
JP7506380B2 (ja) 残存病変の検出システム及び方法
AU2019229273B2 (en) Ultra-sensitive detection of circulating tumor DNA through genome-wide integration
JP6420543B2 (ja) ゲノムデータ処理方法
CN111278993A (zh) 从无细胞核酸中检测体细胞单核苷酸变体并应用于微小残留病变监测
CN112086129B (zh) 预测肿瘤组织cfDNA的方法及***
JP2014508994A5 (zh)
JP2023504529A (ja) がん予測パイプラインにおけるｒｎａ発現コールを自動化するためのシステムおよび方法
EP4372751A1 (en) Cancer detection model and construction method therefor, and reagent kit
CN111933219B (zh) 一种分子标志物肿瘤缺失突变负荷的检测方法
CN113096728B (zh) 一种微小残余病灶的检测方法、装置、存储介质及设备
US20220165363A1 (en) De novo compartment deconvolution and weight estimation of tumor tissue samples using decoder
CN114999653B (zh) 一种非小细胞肺癌免疫治疗疗效的预测模型的训练方法以及预测装置
JP7499239B2 (ja) 体細胞変異のための方法およびシステム、ならびにそれらの使用
WO2017220782A1 (en) Screening method for endometrial cancer
Wilmott et al. Tumour procurement, DNA extraction, coverage analysis and optimisation of mutation-detection algorithms for human melanoma genomes
CN112458176B (zh) 一种预测肺鳞癌患者术后生存时间的试剂盒及其应用
CN113957148A (zh) 用于预测结直肠癌患者对免疫疗法敏感性的标志物、试剂盒以及装置
CN113159529A (zh) 一种肠道息肉的风险评估模型及相关***
Feng et al. A Kmer-based paired-end read (KPR) de novo assembler and genotyper to genotype major histocompatibility complex class I (MHC-I) alleles for the dog
Esim et al. Determination of malignant melanoma by analysis of variation values
CN115612743B (zh) Hpv整合基因组合及其在预测***复发和转移中的用途
Das et al. Identification of Homo sapiens cancer classes based on fusion of hidden gene features
CN110144404B (zh) 一种乳腺癌治病基因tfr2的新突变snp位点及其应用
Häkkinen et al. PRISM: Recovering cell type specific expression profiles from composite RNA-seq data
Rahman et al. Survival Analysis of Recurrent Events on Prostate Cancer: Facts from Cancer Genome

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