用于分子和拉曼光谱分析的方法和系统与流程
背景技术:
1、癌症是一种严重且复杂的疾病,其可能对对象有着深远的影响。癌症是指细胞异常且不受控制的生长和增殖,其最终可能导致死亡。死亡的确切原因大多尚不明确,然而,早期检测和干预可以显著提高可能有癌症风险的对象的生存可能性。
技术实现思路
1、在一方面,本公开提供了一种用于确定对象的癌症评估的方法,其包括:(a)从对象获取全血样本;(b)对全血样本进行离心,以获取血浆层、血清层、上清液层或细胞沉淀;(c)测定血浆层、血清层、上清液层或细胞沉淀的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱;(d)使用经训练的机器学习算法或与参考对比对对象的全血样本的拉曼光谱图谱进行处理;和(e)至少部分基于在(d)中的处理确定对象的癌症评估。
2、在一些实施方案中,对象无癌症症状。
3、在一些实施方案中,对象具有癌症风险因素。
4、在一些实施方案中,癌症风险因素包括临床癌症史、家族癌症史、环境暴露、吸烟史或遗传变异。
5、在一些实施方案中,对象已被诊断患有癌症。
6、在一些实施方案中,对象是未接受过癌症治疗的对象、癌症幸存者对象、正在接受治疗的癌症对象或良性对象。
7、在一些实施方案中,离心是密度梯度离心,并且其中密度梯度离心包括使用ficoll hypaque溶液。
8、在一些实施方案中,(b)包括获取血浆层、血清层、上清液层或细胞沉淀中的任意两种。
9、在一些实施方案中,(b)包括获取血浆层、血清层、上清液层或细胞沉淀中的任意三种。
10、在一些实施方案中,(b)包括获取血浆层、血清层、上清液层和细胞沉淀。
11、在一些实施方案中,该方法进一步包括以约1000 g进行离心,持续约5分钟至约20分钟的时间段。
12、在一些实施方案中,该方法进一步包括从血浆层、血清层、上清液层和细胞沉淀的至少一部分提取核酸,并测定所提取的核酸,以生成对象的全血样本的拉曼光谱图谱。
13、在一些实施方案中,核酸包括脱氧核糖核酸(dna)。
14、在一些实施方案中,核酸包括核糖核酸(rna)。
15、在一些实施方案中,核酸从血浆层中提取出来。
16、在一些实施方案中,核酸从血清层中提取出来。
17、在一些实施方案中,核酸从上清液层中提取出来。
18、在一些实施方案中,核酸从细胞沉淀中提取出来。
19、在一些实施方案中,该方法进一步包括扩增所提取的核酸。
20、在一些实施方案中,扩增包括聚合酶链式反应(pcr)。
21、在一些实施方案中,该方法进一步包括使用引物或探针来选择性地富集针对一组癌症特异性生物标志物的核酸。
22、在一些实施方案中,引物或探针是核酸引物或核酸探针。
23、在一些实施方案中,核酸探针与一组癌症特异性生物标志物的核酸序列具有序列互补性。
24、在一些实施方案中,该方法进一步包括通过脱氧核糖核酸(dna)测序、核糖核酸(rna)测序、亚硫酸氢盐测序、靶向甲基化测序、焦磷酸测序、酶处理、甲基化阵列、数字液滴聚合酶链式反应(pcr)、数字聚合酶链式反应(pcr)、转座酶可及性染色质(atac)测序测定或甲基化特异性聚合酶链式反应(pcr)来测定所提取的核酸的至少第二部分。
25、在一些实施方案中,该方法进一步包括测定血浆层的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
26、在一些实施方案中,该方法进一步包括将血浆层或其衍生物加载到基底上。
27、在一些实施方案中,基底包括氟化钙。
28、在一些实施方案中,该方法进一步包括测定血清层的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
29、在一些实施方案中,该方法进一步包括测定细胞沉淀的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
30、在一些实施方案中,该方法进一步包括进行时间门控拉曼光谱(tgrs)、witec拉曼光谱或renishaw拉曼光谱。
31、在一些实施方案中,拉曼光谱图谱包括在600 cm-1至1800 cm-1之间用于分析的光谱范围。
32、在一些实施方案中,(c)在光照下进行。
33、在一些实施方案中,该方法进一步包括对对象的全血样本的拉曼光谱图谱进行预处理技术。
34、在一些实施方案中,预处理技术包括光谱插值、光谱平滑、基线校正或归一化或其组合。
35、在一些实施方案中,该方法进一步包括对对象的全血样本的拉曼光谱图谱进行单变量分析或多变量分析。
36、在一些实施方案中,该方法进一步包括对对象的全血样本的拉曼光谱图谱进行降维。
37、在一些实施方案中,降维包括主成分分析(pca)或线性判别分析(lda)。
38、在一些实施方案中,lda包括基于主成分的线性判别分析(pc-lda)。
39、在一些实施方案中,该方法进一步包括从对象的全血样本的拉曼光谱图谱中单独地或组合地提取一个或多个特征组。
40、在一些实施方案中,一个或多个特征组包括选自以下的光谱特征的增强或减弱:
41、
42、在一些实施方案中,一个或多个特征组包括至少2个、至少3个、至少4个、至少5个、至少6个、至少7个、至少8个、至少9个、至少10个、至少11个、至少12个、至少13个、至少14个、至少15个或至少16个不同的选自以下的光谱特征的增强或减弱:
43、
44、在一些实施方案中,特征组包括光谱峰的强度值。
45、在一些实施方案中,特征组包括多个光谱峰之间的平均强度值。
46、在一些实施方案中,特征组包括与参考平均强度值相比的平均强度值的变化。
47、在一些实施方案中,特征组包括彼此组合考虑而非作为单一峰考虑的特征。
48、在一些实施方案中,该方法进一步包括确定对象中癌症的存在或癌症的起源组织或起源部位。
49、在一些实施方案中,该方法进一步包括确定对象中微小残留病或良性病变的存在或不存在。
50、在一些实施方案中,该方法进一步包括基于在对象中所检测到的癌症的存在对对象施用治疗。
51、在一些实施方案中,治疗选自手术、化疗、靶向治疗、放疗或免疫治疗。
52、在一些实施方案中,经训练的机器学习算法包括深度学习算法、线性回归或逻辑回归、支持向量机(svm)、神经网络、随机森林或梯度提升算法。
53、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其准确度为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
54、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其灵敏度为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
55、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其特异性为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
56、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其具有至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%的阳性预测值。
57、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其具有至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%的阴性预测值。
58、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其受试者工作特征曲线下的面积(auc)为至少约0.50、至少约0.55、至少约0.60、至少约0.65、至少约0.70、至少约0.75、至少约0.80、至少约0.85、至少约0.90、至少约0.95或至少约0.99。
59、在一些实施方案中,使用以下各项对经训练的机器学习算法进行训练:第一组独立训练样本,其获自或源自存在癌症或癌症易感性升高的对象,其中对象未接受过癌症治疗;和第二组独立训练样本,其获自或源自不存在癌症或癌症易感性未升高的对象。
60、在一些实施方案中,使用以下中的至少一项对经训练的机器学习算法进行训练:第三组独立训练样本,其获自或源自未接受过癌症治疗的对象;第四组独立训练样本,其获自或源自对存在癌症或癌症易感性升高不确定的对象;第五组独立训练样本,其获自或源自对不存在癌症或癌症易感性未升高不确定的对象;第六组独立训练样本,其获自或源自作为癌症幸存者的对象;第七组独立训练样本,其获自或源自作为正在接受治疗的癌症对象的对象;和第八组独立训练样本,其获自或源自作为良性对象的对象。
61、在一些实施方案中,使用以下中的至少一项对经训练的机器学习算法进行训练:第三组独立训练样本,其获自或源自对存在癌症或癌症易感性升高不确定的对象;第四组独立训练样本,其获自或源自对不存在癌症或癌症易感性未升高不确定的对象;第五组独立训练样本,其获自或源自作为癌症幸存者的对象;第六组独立训练样本,其获自或源自作为正在接受治疗的癌症对象的对象;第七组独立训练样本,其获自或源自作为良性对象的对象;第八组独立训练样本,其获自或源自患有一种或多种高风险病况的对象;和第九组独立训练样本,其获自或源自已知使用烟草的对象。
62、在一些实施方案中,参考获自或源自以下中的至少一项:一组存在癌症或癌症易感性升高且未接受过癌症治疗的对象;一组不存在癌症或癌症易感性未升高的对象;一组未接受过癌症治疗的对象;一组对存在癌症或癌症易感性升高不确定的对象;一组对不存在癌症或癌症易感性未升高不确定的对象;一组作为癌症幸存者的对象;一组作为正在接受治疗的癌症对象的对象;一组作为良性对象的对象;一组患有一种或多种高风险病况的对象;和一组已知使用烟草的对象。
63、在一些实施方案中,一种或多种高风险病况包括高血压、糖尿病、心血管疾病、肥胖、超重对象或其任何组合。
64、在一些实施方案中,癌症选自:膀胱癌(bladder cancer)、乳腺癌(breastcancer)、结直肠癌(colorectal cancer)、子宫内膜癌(endometrial cancer)、肾癌(kidney cancer)、白血病(leukemia)、肝癌(liver cancer)、肺癌(lung cancer)、淋巴瘤(lymphoma)、黑色素瘤(melanoma)、胰腺癌(pancreatic cancer)、前列腺癌(prostatecancer)、甲状腺癌(thyroid cancer)、附件癌(adnexae cancer)、阑尾癌(appendixcancer)、骨癌(bone cancer)、盲肠癌(caecum cancer)、十二指肠癌(duodenum cancer)、直肠癌(rectal cancer)、肛门癌(anal cancer)、胆囊癌(gall bladder cancer)、胃肠交界癌(gastrointestinal junction cancer)、食管癌(esophageal cancer)、喉癌(larynxcancer)、口腔癌(oral cancer)、颊黏膜癌(buccal mucosa cancer)、口咽癌(oropharynxcancer)、鼻咽癌(nasopharynx cancer)、唾液腺癌(salivary gland cancer)、舌癌(tongue cancer)、扁桃体癌(tonsils cancer)、卵巢癌(ovarian cancer)、宫颈癌(cervix)、阴茎癌(penile cancer)、原发性腹膜癌(primary peritoneum cancer)、前列腺癌(prostate cancer)、黑色素瘤(melanoma)、软组织癌(soft tissue cancer)、胃癌(stomach cancer)、睾丸癌(testicular cancer)、咽喉癌(throat cancer)、子宫癌(uterine cancer)、阴道残端癌(vaginal stump cancer)、霍奇金淋巴瘤(hodgkin’slymphoma)、非霍奇金淋巴瘤(non-hodgkin’s lymphoma)、多发性骨髓瘤(multiplemyeloma)和原发灶不明的癌症(cancer with primary unknown origin)。
65、在一些实施方案中,该方法进一步包括使用经训练的机器学习算法检测多种不同癌症类型中的每一种的存在或不存在。
66、在一些实施方案中,癌症评估包括确定癌症的存在、癌症的不存在或癌症的可能性或风险。
67、在一些实施方案中,该方法进一步包括确定对象中癌症的存在。
68、在一些实施方案中,该方法进一步包括确定对象中癌症的不存在。
69、在一些实施方案中,该方法进一步包括确定对象中癌症的可能性或风险。
70、在一些实施方案中,基于以下一项或多项生成参考:非癌症对象、未接受过癌症治疗的对象、癌症幸存者对象、正在接受治疗的癌症对象和良性对象。
71、另一方面,本公开提供了一种用于确定对象的癌症评估的方法,其包括:(a)从对象获取全血样本;(b)对全血样本进行离心,以获取细胞沉淀;(c)从细胞沉淀中提取核酸;(d)测定所提取的核酸,以生成对象的全血样本的遗传图谱、对象的全血样本的转录组图谱、对象的全血样本的表观遗传图谱或其组合;(e)使用经训练的机器学习算法或与参考对比对对象的全血样本的遗传图谱、对象的全血样本的转录组图谱和对象的全血样本的表观遗传图谱进行处理;和(f)至少部分基于在(e)中的处理确定对象的癌症评估。
72、在一些实施方案中,对象无癌症症状。
73、在一些实施方案中,对象具有癌症风险因素。
74、在一些实施方案中,癌症风险因素包括临床癌症史、家族癌症史、环境暴露、吸烟史、遗传改变或遗传变异。
75、在一些实施方案中,对象已被诊断患有癌症。
76、在一些实施方案中,对象是未接受过癌症治疗的对象、癌症幸存者对象、正在接受治疗的癌症对象或良性对象。
77、在一些实施方案中,离心是密度梯度离心,并且其中密度梯度离心包括使用ficoll hypaque溶液。
78、在一些实施方案中,离心是密度梯度离心,并且其中(b)进一步包括以约1000 g进行密度梯度离心,持续约5分钟至约20分钟的时间段。
79、在一些实施方案中,核酸包括脱氧核糖核酸(dna)。
80、在一些实施方案中,核酸包括核糖核酸(rna)。
81、在一些实施方案中,该方法进一步包括扩增所提取的核酸。
82、在一些实施方案中,扩增包括聚合酶链式反应(pcr)。
83、在一些实施方案中,该方法进一步包括使用引物或探针来选择性地富集针对一组癌症特异性生物标志物的核酸。
84、在一些实施方案中,引物或探针是核酸引物或核酸探针。在一些实施方案中,核酸探针与一组癌症特异性生物标志物的核酸序列具有序列互补性。
85、在一些实施方案中,该方法进一步包括通过脱氧核糖核酸(dna)测序、核糖核酸(rna)测序、亚硫酸氢盐测序、靶向甲基化测序、焦磷酸测序、酶处理、甲基化阵列、数字液滴聚合酶链式反应(pcr)、数字聚合酶链式反应(pcr)、转座酶可及性染色质(atac)测序测定、定量聚合酶链式反应(pcr)或甲基化特异性聚合酶链式反应(pcr)来测定所提取的核酸的至少第二部分。
86、在一些实施方案中,该方法进一步包括从细胞沉淀的极小胚胎样干细胞(vsel)中提取核酸。
87、在一些实施方案中,该方法进一步包括确定对象中癌症的存在或癌症的起源组织或起源部位。
88、在一些实施方案中,该方法进一步包括确定对象中微小残留病或良性病变的存在或不存在。
89、在一些实施方案中,该方法进一步包括基于在对象中所检测到的癌症的存在对对象施用治疗。
90、在一些实施方案中,治疗取决于检测到的对癌症特异性基因或通路的调节。
91、在一些实施方案中,治疗选自手术、化疗、靶向治疗、放疗或免疫治疗。
92、在一些实施方案中,经训练的机器学习算法包括深度学习算法、线性回归或逻辑回归、支持向量机(svm)、神经网络、随机森林或梯度提升算法。
93、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其准确度为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
94、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其灵敏度为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
95、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其特异性为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
96、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其具有至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%的阳性预测值。
97、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其具有至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%的阴性预测值。
98、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其受试者工作特征曲线下的面积(auc)为至少约0.50、至少约0.55、至少约0.60、至少约0.65、至少约0.70、至少约0.75、至少约0.80、至少约0.85、至少约0.90、至少约0.95或至少约0.99。
99、在一些实施方案中,使用以下各项对经训练的机器学习算法进行训练:第一组独立训练样本,其获自或源自存在癌症或癌症易感性升高的对象;和第二组独立训练样本,其获自或源自不存在癌症或癌症易感性未升高的对象。
100、在一些实施方案中,使用以下中的至少一项对经训练的机器学习算法进行训练:第三组独立训练样本,其获自或源自未接受过癌症治疗的对象;第四组独立训练样本,其获自或源自对存在癌症或癌症易感性升高不确定的对象;第五组独立训练样本,其获自或源自对不存在癌症或癌症易感性未升高不确定的对象;第六组独立训练样本,其获自或源自作为癌症幸存者的对象;第七组独立训练样本,其获自或源自作为正在接受治疗的癌症对象的对象;和第八组独立训练样本,其获自或源自作为良性对象的对象。
101、在一些实施方案中,使用以下各项对经训练的机器学习算法进行训练:第一组独立训练样本,其获自或源自存在癌症或癌症易感性升高且未接受过癌症治疗的对象;和第二组独立训练样本,其获自或源自不存在癌症和癌症易感性未升高的对象。
102、在一些实施方案中,使用以下中的至少一项对经训练的机器学习算法进行训练:第三组独立训练样本,其获自或源自对存在癌症或癌症易感性升高不确定的对象;第四组独立训练样本,其获自或源自对不存在癌症或癌症易感性未升高不确定的对象;第五组独立训练样本,其获自或源自作为癌症幸存者的对象;第六组独立训练样本,其获自或源自作为正在接受治疗的癌症对象的对象;第七组独立训练样本,其获自或源自作为良性对象的对象;第八组独立训练样本,其获自或源自患有一种或多种高风险病况的对象;和第九组独立训练样本,其获自或源自已知使用烟草的对象。
103、在一些实施方案中,参考获自或源自以下中的至少一项:一组存在癌症或癌症易感性升高的对象;一组不存在癌症或癌症易感性未升高的对象;一组未接受过癌症治疗的对象;一组对存在癌症或癌症易感性升高不确定的对象;一组对不存在癌症或癌症易感性未升高不确定的对象;一组作为癌症幸存者的对象;一组作为正在接受治疗的癌症对象的对象;一组作为良性对象的对象;一组患有一种或多种高风险病况的对象;和一组已知使用烟草的对象。
104、在一些实施方案中,一种或多种高风险病况包括高血压、糖尿病、心血管疾病、肥胖或超重对象,或其任何组合。
105、在一些实施方案中,癌症选自:膀胱癌、乳腺癌、结直肠癌、子宫内膜癌、肾癌、白血病、肝癌、肺癌、淋巴瘤、黑色素瘤、胰腺癌、前列腺癌、甲状腺癌、附件癌、阑尾癌、骨癌、盲肠癌、十二指肠癌、直肠癌、肛门癌、胆囊癌、胃肠交界癌、食管癌、喉癌、口腔癌、颊黏膜癌、口咽癌、鼻咽癌、唾液腺癌、舌癌、扁桃体癌、卵巢癌、宫颈癌、阴茎癌、原发性腹膜癌、前列腺癌、黑色素瘤、软组织癌、胃癌、睾丸癌、咽喉癌、子宫癌、阴道残端癌、霍奇金淋巴瘤、非霍奇金淋巴瘤、多发性骨髓瘤和原发灶不明的癌症。
106、在一些实施方案中,该方法进一步包括使用经训练的机器学习算法检测多种不同癌症类型中的每一种的存在或不存在。
107、在一些实施方案中,癌症评估包括确定癌症的存在、癌症的不存在或癌症的可能性或风险。
108、在一些实施方案中,该方法进一步包括确定对象中癌症的存在。
109、在一些实施方案中,该方法进一步包括确定对象中癌症的不存在。
110、在一些实施方案中,该方法进一步包括确定对象中癌症的可能性或风险。
111、在一些实施方案中,基于以下一项或多项生成参考:非癌症对象、未接受过癌症治疗的对象、癌症幸存者对象、正在接受治疗的癌症对象或良性对象。
112、另一方面,本公开提供了一种用于评估或监测患有癌症的对象的治疗反应的方法,其包括:(a)在向对象施用治疗后,从对象获取全血样本;(b)对对象的全血样本进行离心,以获取血浆层、血清层或细胞沉淀;(c)测定血浆层、血清层或细胞沉淀的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱;(d)使用经训练的机器学习算法或与参考对比对对象的全血样本的拉曼光谱图谱进行处理;和(e)至少部分基于(d)中的处理评估对象的治疗反应。
113、在一些实施方案中,该方法进一步包括获取血浆层、血清层或细胞沉淀中的任意两种。
114、在一些实施方案中,该方法进一步包括获取血浆层、血清层和细胞沉淀。
115、另一方面,本公开提供了一种用于确定对象的癌症评估的方法,其包括:(a)从对象获取全血样本;(b)对对象的全血样本进行离心,以获取上清液或细胞沉淀;(c)测定上清液或细胞沉淀的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱;(d)使用经训练的机器学习算法或与参考对比对对象的全血样本的拉曼光谱图谱进行处理;和(e)至少部分基于在(d)中的处理确定对象的癌症评估。
116、在一些实施方案中,该方法进一步包括获取上清液和细胞沉淀。
117、在一些实施方案中,测定上清液或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
118、在一些实施方案中,对象无癌症症状。
119、在一些实施方案中,对象具有癌症风险因素。
120、在一些实施方案中,癌症风险因素包括临床癌症史、家族癌症史、环境暴露、吸烟史或遗传变异。
121、在一些实施方案中,对象已被诊断患有癌症。
122、在一些实施方案中,对象是未接受过癌症治疗的对象、癌症幸存者对象、正在接受治疗的癌症对象或良性对象。
123、在一些实施方案中,在进行(c)的测定之前,孵育上清液一次或多次。
124、在一些实施方案中,该方法进一步包括以约1000 g进行离心,持续约5分钟至约20分钟的时间段。
125、在一些实施方案中,该方法进一步包括从上清液或细胞沉淀中提取核酸,并测定所提取的核酸,以生成对象的全血样本的拉曼光谱图谱。
126、在一些实施方案中,核酸包括脱氧核糖核酸(dna)。
127、在一些实施方案中,核酸包括核糖核酸(rna)。
128、在一些实施方案中,核酸从上清液中提取出来。
129、在一些实施方案中,核酸从细胞沉淀中提取出来。
130、在一些实施方案中,该方法进一步包括扩增所提取的核酸。
131、在一些实施方案中,扩增包括聚合酶链式反应(pcr)。
132、在一些实施方案中,该方法进一步包括使用引物或探针来选择性地富集针对一组癌症特异性生物标志物的核酸。
133、在一些实施方案中,引物或探针是核酸引物或核酸探针。
134、在一些实施方案中,核酸探针与一组癌症特异性生物标志物的核酸序列具有序列互补性。
135、在一些实施方案中,该方法进一步包括通过脱氧核糖核酸(dna)测序、核糖核酸(rna)测序、亚硫酸氢盐测序、靶向甲基化测序、焦磷酸测序、酶处理、甲基化阵列、数字液滴聚合酶链式反应(pcr)、数字聚合酶链式反应(pcr)、转座酶可及性染色质(atac)测序测定、定量聚合酶链式反应(pcr)或甲基化特异性聚合酶链式反应(pcr)来测定所提取的核酸的至少第二部分。
136、在一些实施方案中,该方法进一步包括测定血浆层的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
137、在一些实施方案中,该方法进一步包括将血浆层或其衍生物加载到基底上。
138、在一些实施方案中,基底包括氟化钙。
139、在一些实施方案中,该方法进一步包括测定上清液的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
140、在一些实施方案中,该方法进一步包括测定细胞沉淀的至少一部分或其衍生物,以生成对象的全血样本的拉曼光谱图谱。
141、在一些实施方案中,该方法进一步包括进行时间门控拉曼光谱(tgrs)、witec拉曼光谱或renishaw拉曼光谱。
142、在一些实施方案中,拉曼光谱图谱包括在600 cm-1至1800 cm-1之间的光谱分析范围。
143、在一些实施方案中,(c)在光照下进行。
144、在一些实施方案中,该方法进一步包括对对象的全血样本的所述拉曼光谱图谱进行预处理技术。
145、在一些实施方案中,预处理技术包括光谱插值、光谱平滑、基线校正或归一化或其组合。
146、在一些实施方案中,该方法进一步包括对对象的全血样本的拉曼光谱图谱进行单变量分析或多变量分析。
147、在一些实施方案中,该方法进一步包括对对象的全血样本的拉曼光谱图谱进行降维。
148、在一些实施方案中,降维包括主成分分析(pca)或线性判别分析(lda)。
149、在一些实施方案中,lda包括基于主成分的线性判别分析(pc-lda)。
150、在一些实施方案中,该方法进一步包括从对象的全血样本的拉曼光谱图谱中单独地或组合地提取一个或多个特征组。
151、在一些实施方案中,一个或多个特征组包括选自以下的光谱特征的增强或减弱:
152、
153、在一些实施方案中,一个或多个特征组包括至少2个、至少3个、至少4个、至少5个、至少6个、至少7个、至少8个、至少9个、至少10个、至少11个、至少12个、至少13个、至少14个、至少15个或至少16个不同的选自以下的光谱特征的增强或减弱:
154、
155、在一些实施方案中,一个或多个特征组包括光谱峰的强度值。
156、在一些实施方案中,一个或多个特征组包括多个光谱峰之间的平均强度值。
157、在一些实施方案中,一个或多个特征组包括与参考平均强度值相比的平均强度值的变化。
158、在一些实施方案中,特征组包括彼此组合考虑而非作为单一峰考虑的特征。
159、在一些实施方案中,该方法进一步包括确定对象中癌症的存在或癌症的起源组织或起源部位。
160、在一些实施方案中,该方法进一步包括确定对象中微小残留病或良性病变的存在或不存在。
161、在一些实施方案中,该方法进一步包括基于在对象中所检测到的癌症的存在对对象施用治疗。
162、在一些实施方案中,治疗选自手术、化疗、靶向治疗、放疗或免疫治疗。
163、在一些实施方案中,经训练的机器学习算法包括深度学习算法、线性回归或逻辑回归、支持向量机(svm)、神经网络、随机森林或梯度提升算法。
164、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其准确度为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
165、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其灵敏度为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
166、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其特异性为至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%。
167、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其具有至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%的阳性预测值。
168、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其具有至少约50%、至少约55%、至少约60%、至少约65%、至少约70%、至少约75%、至少约80%、至少约85%、至少约90%、至少约95%或至少约99%的阴性预测值。
169、在一些实施方案中,经训练的机器学习算法检测癌症的存在或不存在,其受试者工作特征曲线下的面积(auc)为至少约0.50、至少约0.55、至少约0.60、至少约0.65、至少约0.70、至少约0.75、至少约0.80、至少约0.85、至少约0.90、至少约0.95或至少约0.99。
170、在一些实施方案中,使用以下各项对经训练的机器学习算法进行训练:第一组独立训练样本,其获自或源自存在癌症或癌症易感性升高的对象;和第二组独立训练样本,其获自或源自不存在癌症或癌症易感性未升高的对象。
171、在一些实施方案中,使用以下中的至少一项对经训练的机器学习算法进行训练:第三组独立训练样本,其获自或源自未接受过癌症治疗的对象;第四组独立训练样本,其获自或源自对存在癌症或癌症易感性升高不确定的对象;第五组独立训练样本,其获自或源自对不存在癌症或癌症易感性未升高不确定的对象;第六组独立训练样本,其获自或源自作为癌症幸存者的对象;第七组独立训练样本,其获自或源自作为正在接受治疗的癌症对象的对象;和第八组独立训练样本,其获自或源自作为良性对象的对象。
172、在一些实施方案中,使用以下各项对经训练的机器学习算法进行训练:第一组独立训练样本,其获自或源自存在癌症或癌症易感性升高且未接受过癌症治疗的对象;和第二组独立训练样本,其获自或源自不存在癌症且癌症易感性未升高的对象。
173、在一些实施方案中,使用以下中的至少一项对经训练的机器学习算法进行训练:第三组独立训练样本,其获自或源自对存在癌症或癌症易感性升高不确定的对象;第四组独立训练样本,其获自或源自对不存在癌症或癌症易感性未升高不确定的对象;第五组独立训练样本,其获自或源自作为癌症幸存者的对象;第六组独立训练样本,其获自或源自作为正在接受治疗的癌症对象的对象;第七组独立训练样本,其获自或源自作为良性对象的对象;第八组独立训练样本,其获自或源自患有一种或多种高风险病况的对象;和第九组独立训练样本,其获自或源自已知使用烟草的对象。
174、在一些实施方案中,参考获自或源自以下中的至少一项:一组存在癌症或癌症易感性升高的对象;一组不存在癌症或癌症易感性未升高的对象;一组未接受过癌症治疗的对象;一组对存在癌症或癌症易感性升高不确定的对象;一组对不存在癌症或癌症易感性未升高不确定的对象;一组作为癌症幸存者的对象;一组作为正在接受治疗的癌症对象的对象;一组作为良性对象的对象;一组患有一种或多种高风险病况的对象;和一组已知使用烟草的对象。
175、在一些实施方案中,一种或多种高风险病况包括高血压、糖尿病、心血管疾病、肥胖或超重对象,或其任何组合。
176、在一些实施方案中,癌症选自:膀胱癌、乳腺癌、结直肠癌、子宫内膜癌、肾癌、白血病、肝癌、肺癌、淋巴瘤、黑色素瘤、胰腺癌、前列腺癌、甲状腺癌、附件癌、阑尾癌、骨癌、盲肠癌、十二指肠癌、直肠癌、肛门癌、胆囊癌、胃肠交界癌、食管癌、喉癌、口腔癌、颊黏膜癌、口咽癌、鼻咽癌、唾液腺癌、舌癌、扁桃体癌、卵巢癌、宫颈癌、阴茎癌、原发性腹膜癌、前列腺癌、黑色素瘤、软组织癌、胃癌、睾丸癌、咽喉癌、子宫癌、阴道残端癌、霍奇金淋巴瘤、非霍奇金淋巴瘤、多发性骨髓瘤和原发灶不明的癌症。
177、在一些实施方案中,该方法进一步包括使用经训练的机器学习算法检测多种不同癌症类型中的每一种的存在或不存在。
178、在一些实施方案中,癌症评估包括确定癌症的存在、癌症的不存在或癌症的可能性或风险。
179、在一些实施方案中,该方法进一步包括确定对象中癌症的存在。
180、在一些实施方案中,该方法进一步包括确定对象中癌症的不存在。
181、在一些实施方案中,该方法进一步包括确定对象中癌症的可能性或风险。
182、在一些实施方案中,基于以下一项或多项生成参考:非癌症对象、未接受过癌症治疗的对象、癌症幸存者对象、正在接受治疗的癌症对象或良性对象。
183、另一方面,本公开提供了一种系统,其包括:一个或多个处理器以及与一个或多个处理器可操作地耦合的存储器,其中一个或多个处理器被单独地或共同地编程以进行本文所述方法中的任意一种。
184、本公开的另一方面提供了一种系统,其包括一个或多个计算机处理器和耦合到其上的计算机存储器。计算机存储器包括机器可执行代码,机器可执行代码在被一个或多个计算机处理器执行时,实现上述或本文其他地方的任何方法。
185、根据以下具体说明,本公开的另外的方面和优点对于本领域技术人员将容易地变得清楚,其中仅示出和描述了本公开的说明性实施方案。正如本领域技术人员将会理解的那样,本公开能够有其他的和不同的实施方案,并且其若干细节能够在各个明显的方面进行修改,这些都不背离本公开。相应地,附图和说明应当被视为说明性质的,而不是限制性的。
186、援引并入
187、本说明书中所提到的所有出版物、专利和专利申请都通过引用并入本文,其程度如同指示每个单独出版物、专利或专利申请明确且单独地通过引用并入一般。就通过引用并入的出版物和专利或专利申请与本说明书中包含的本公开相矛盾而言,本说明书旨在取代和/或优先于任何这种矛盾的材料。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com