一种基于多组学特征鉴别不同类型胸腔积液的诊断模型的构建方法、系统和装置
本发明属于基因组学领域,具体地,涉及一种基于多组学特征鉴别不同类型胸腔积液的诊断模型的构建方法、系统和装置。
背景技术:
1、恶性胸腔积液(malignant pleural effusions, mpe)通常源于胸膜原发性恶性肿瘤或肿瘤胸膜转移,患者中位生存期仅3~12个月,预后较差。恶性胸腔积液是胸腔积液(pleural effusion, pe)的一种亚型,而胸腔积液也可由良性疾病及创伤引发。胸腔积液是指胸膜腔内液体异常积聚,为临床常见病症,全球年发病率超每百万人3500例。因此,快速精准诊断恶性胸腔积液,对肿瘤患者的治疗方案制定及预后评估具有至关重要的临床意义。
2、临床主要通过胸膜组织活检或胸腔积液细胞学检查检出恶性肿瘤细胞,以此确诊mpe。但上述传统检测方法因敏感度不足,分别仅为63.16%~77.56%,40%~60%,临床应用价值受到极大限制。较低的诊断敏感度会带来极大的临床不确定性,不仅需要对患者进行长期临床随访,还可能迫使患者接受更多有创且昂贵的进一步确诊检查。
3、基于游离 dna(cell-free,cfdna)的液体活检是一种无创采样技术,可捕获疾病的基因组特征,现已成为替代组织活检、用于肿瘤诊断与预后预测的极具前景的无创检测方案。cfdna 由细胞凋亡及坏死过程中释放至体液样本的胞外dna 构成。cfdna的拷贝数变异(copy number alteration,cna)、dna甲基化、片段组学特征等分子特征,会随着肿瘤的发生、进展及转移发生动态改变。通过解析上述分子特征可实现对mpe的诊断。为筛选适用于多模态图谱分析的最优游离 dna 测序技术,本研究聚焦nanopore测序平台。nanopore具备读长长、测序速度快、通量高、无需荧光标记等特点,属于第三代测序技术。其核心原理为:待测分子穿过纳米级孔道时会引发离子电流波动,形成特征性电信号图谱,进而实现单分子的识别与定量检测。该技术规避了pcr及ngs技术存在的 gc 碱基偏好、甲基化信息丢失等固有缺陷。同时本研究也使用了ngs(gm-seq)和芯片(infinium human methylationepic v2.0)对诊断模型进行了验证。
技术实现思路
1、本发明的目的是提供一种基于多组学特征鉴别不同类型胸腔积液的诊断模型的构建方法、系统和装置。为实现上述目的,本发明采取了如下技术方案。
2、本发明的第一方面提供了一种基于多组学特征鉴别不同类型胸腔积液的诊断模型的构建方法、系统和装置。
3、进一步地,所述方法包括:
4、a)获取恶性胸腔积液患者样本、良性胸腔积液对照样本的全基因组测序数据;所述样本来源于胸腔积液的cfdna;所述全基因组测序数据包括拷贝数变异、甲基化组、片段组学中的任意两种及以上;
5、b)筛选以下特征:(1)在甲基化组中,在差异甲基化区域中提取两个全局表观遗传特征global hyper mean与global hypo mean,分别代表所有高甲基化dmr和低甲基化dmr的平均甲基化水平;(2)在拷贝数变异特征中,将绝对拷贝数图谱量化为6个维度,其中包括异常长度特征、断点密度特征、拷贝数状态特征、断点负荷与跳变幅度特征、震荡链拷贝数模式特征、全基因组变异负荷特征;(3)在片段组学中,包括末端基序特征和片段长度特征;
6、c)将所述特征输入机器学习算法构建恶性胸腔积液诊断模型:剔除cna、甲基化组及片段组学独立模态的方差膨胀因子≥10的特征,采用统一z-score标准化,构建logistic回归模型;各模态分别通过网格搜索结合5折分层交叉验证优化超参数,以取得最大化roc-auc的单模态模型;多重检验校正后特征汇总后剔除方差膨胀因子≥10的特征,采用logistic回归模型构建了表现最优的多模态融合模型,获得多模态诊断模型。
7、在本发明中,术语“全局表观遗传特征”是指在全基因组范围内对表观遗传状态进行整体描述或表征的一类特征,其反映样本整体表观遗传信息的分布规律、变化趋势或统计特性,而非局限于单一基因、单一位点或局部基因组区域。所述全局表观遗传特征可包括但不限于全基因组甲基化水平、甲基化分布模式、甲基化异质性、差异甲基化区域分布、甲基化密度、甲基化熵、染色体区域甲基化特征及其他能够反映全基因组表观遗传状态的整体特征。本领域技术人员应理解,随着检测技术及分析方法的发展,其他能够反映全基因组表观遗传信息整体特征的指标亦属于本发明所述全局表观遗传特征的保护范围。
8、进一步地,所述片段大小指标包括mass、meass;其中,所述mass是指异常片段的最大绝对长度(max aberrant seg size),所述meass是指异常片段的平均绝对长度(meanaberrant seg size)。
9、进一步地,所述断裂点密度包括meba、maba、mebt、mabt;其中,所述meba是指每条染色体臂内断裂点的平均值(mean bp per arm),所述maba是指每条染色体臂内断裂点的最大值(max bp per arm),所述mebt是指每 10 mb 窗口内断裂点的平均值(mean bp per10mb),所述mabt是指每 10 mb 窗口内断裂点的最大值(max bp per 10mb)。
10、在本发明中,所述平均值是指针对一个或多个目标特征在预定数据范围内进行统计计算后获得的集中趋势值,用于表征所述目标特征的整体水平或平均状态。所述平均值可根据不同的数据类型及统计方法采用算术平均值、加权平均值、几何平均值、调和平均值、移动平均值、中位均值或其他能够反映目标特征整体水平的统计平均值计算获得。所述目标特征可包括但不限于甲基化水平、拷贝数、片段长度、覆盖深度、信号强度、表达水平、突变频率、评分值及其他组学特征,因此,本发明所述平均值并不限于特定组学数据或特定统计计算方式;所述最大值是指针对一个或多个目标特征在预定数据范围内统计获得的数值中最大的数值,用于表征所述目标特征达到的最高水平或极值状态。所述最大值可来源于全基因组范围、预定染色体区域、目标区域、特征集合或其他统计对象中的全部观测值,其对应的目标特征可包括但不限于甲基化水平、拷贝数、片段长度、覆盖深度、信号强度、表达水平、突变频率、评分值及其他组学特征。本领域技术人员应理解,根据具体分析方法的不同,所述最大值还可包括经过数据标准化、归一化、去噪处理或其他数据处理后得到的最大统计值。
11、进一步地,所述片段拷贝数状态包括mecn、macn;其中,所述mecn是指全基因组平均拷贝数(mean copy number),所述macn是指全基因组最大拷贝数(max copy number)。
12、进一步地,所述断电发生及幅度包括tcp、mecj、macj;其中,所述tcp是指总变异点数(total change points),所述mecj是指拷贝数跳跃的平均值(mean changepointjump),所述macj是指拷贝数跳跃的最大值(max changepoint jump)。
13、进一步地,所述拷贝数震荡模式包括toc、mol;其中,所述toc是指振荡链总数(total oscillating chains),所述mol是指连续交替振荡链的最大长度(maxoscillating length)。
14、进一步地,所述全基因组变异负荷包括fga、fgl、fgg;其中,所述fga是指基因组变异比例(fraction genome altered),所述fgl是指拷贝数缺失比例(fraction genomelost,拷贝数<2),所述fgg是指拷贝数扩增比例(fraction genome gain,拷贝数>2)。
15、进一步地,所述末端基序特征为单碱基到四碱基共340种末端基序排列的相对频率及四碱基末端基序特征分布香农熵。
16、进一步地,所述片段长度特征为100–150bp, 150–170bp, 170–220bp, 220–270bp和270–320bp,具体是指100–150bp, 150–170bp, 170–220bp, 220–270bp和270–320bp片段的相对丰度。
17、进一步地,所述多模态模型包括三模态模型、二模态模型。
18、进一步地,所述三模态模型的截距为16.6526707964,阈值为0.478936446187。
19、进一步地,所述三模态模型的各特征系数为:global_hypo_mean:-0.161323653648;global_hyper_mean:0.0210817939225;mol:0.309863012945;mecj:1.04241976842;meass:0.0442010334572;aact:393.970585638;cgat:-4323.82129132;ctcg:-857.590168575;ctgt:-494.762381986;cttg:-440.690355403。
20、进一步地,所述二模态模型的截距为2.86169658914,阈值为0.558534366099。
21、进一步地,所述二模态模型的个特征系数为:global_hyper_mean:0.158471121857;global_hypo_mean:-0.1350926426725;mabt:0.682976715655;meass:0.0401042721808。
22、进一步地,所述全基因组的测序数据包括但不限于通过nanopore测序、gm-seq测序、epic v2.0测序的方法获得。
23、进一步地,所述nanopore的测序深度不低于0.1×。
24、进一步地,所述nanopore的测序深度包括1×、0.1×。
25、进一步地,所述gm-seq的测序深度为30×。
26、进一步地,所述机器学习算法包括利用各种开发工具开发的算法模型。
27、进一步地,所述开发工具包括但不限于tensorflow、scikit learn、pytorch、opennn、rapidminer、azure机器学习、apache mahout、shogun、knime、vertex ai、h2oai、anaconda、keras、tableau、fast.ai、catalyst、amazon ml、mljar、spell;
28、进一步地,所述算法模型包括但不限于线性回归模型、逻辑回归模型、lasso回归模型、ridge回归模型、线性判别分析模型、近邻模型、决策树模型、感知机模型、神经网络模型、支持向量机模型、朴素贝叶斯模型、adaboost模型、gbdt模型、xgboost模型、lightgbm模型、catboost模型、随机森林模型。
29、本发明的第二方面提供了一种恶性胸腔积液的诊断方法,所述方法由计算机执行,具体步骤为:将受试者的胸腔积液的cfdna的全基因组测序数据输入到本发明第一方面所述的多模态诊断模型中,输出受试者的胸腔积液为良性或恶性的诊断结果;所述全基因组测序数据包括拷贝数变异、甲基化组、片段组学中的任意两种及以上。
30、本发明的第三方面提供了一种恶性胸腔积液诊断系统,所述系统包括:
31、数据采集模块,用于获取受检对象的胸腔积液的全基因组测序数据;
32、数据处理模块,用于对所述全基因测序数据通过本发明第一方面所述的恶性胸腔积液多模态诊断模型进行分型判断,根据所述模型的输出值大小得到受检对象是否为恶性胸腔积液;当所述输出值大于本发明第一方面所述的阈值时,得到受检对象为恶性胸腔积液,当所述输出值小于本发明第一方面所述的阈值时,得到受检对象为良性胸腔积液;
33、结果分类模块:用于输出良性胸腔积液或恶性胸腔积液的诊断结果。
34、本发明的第四方面提供了一种计算机设备,所述设备包括存储器和处理器,所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时实现本发明第一方面所述的构建方法。
35、本发明的第五方面提供了一种计算机可读储存介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现本发明第一方面所述的构建方法。
36、本发明的第六+方面提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本发明第一方面所述的构建方法的步骤。
37、术语“胸腔积液”是指各种原因导致胸膜腔内液体异常积聚形成的病理状态,其可由肿瘤、感染、炎症、心力衰竭、肝硬化、肾病综合征、自身免疫性疾病、创伤等多种因素引起。胸腔积液可来源于胸膜毛细血管、肺组织间质、淋巴系统或其他组织液体,其样本可包括但不限于通过胸腔穿刺获取的胸腔积液上清液、细胞沉淀或未经分离处理的胸腔积液样本;其中,所述恶性胸腔积液是指由于恶性肿瘤直接侵犯胸膜、胸膜转移、肺癌、乳腺癌、卵巢癌、淋巴瘤、恶性间皮瘤等恶性疾病引起的胸腔积液,其胸腔积液中通常含有肿瘤细胞、循环肿瘤dna(ctdna)或其他来源于肿瘤的生物标志物;所述良性胸腔积液是指非恶性疾病所引起的胸腔积液,包括但不限于结核性胸膜炎、肺炎旁胸腔积液、脓胸、病毒感染、自身免疫性疾病、充血性心力衰竭、肝硬化、肾病综合征、低蛋白血症及其他非肿瘤性疾病导致的胸腔积液。
38、术语“全基因组”是指生物体基因组中的全部遗传信息,包括全部染色体dna序列及线粒体dna序列(如适用),涵盖编码区、非编码区、内含子、外显子、启动子、增强子、重复序列及其他基因组区域。在本发明中,全基因组可通过全基因组测序(whole genomesequencing,wgs)或其他能够获得覆盖整个基因组信息的检测技术获得,并用于分析基因组结构、表观遗传特征及dna片段特征等信息;其中,所述甲基化组是指全基因组范围内dna甲基化修饰的整体特征集合,主要包括胞嘧啶(c)在cpg位点形成的5-甲基胞嘧啶(5-methylcytosine,5mc)等dna甲基化修饰信息,以及其在全基因组不同区域的分布模式、甲基化水平及差异甲基化特征;所述拷贝数变异是指基因组中dna片段发生扩增或缺失所形成的拷贝数变化,包括染色体或染色体片段水平的重复、扩增、缺失及其他导致基因组拷贝数发生改变的遗传变异。在本发明中,所述拷贝数变异可基于全基因组测序数据,通过基因组覆盖深度、测序读段分布或其他生物信息学分析方法进行识别;所述片段组学是指针对体液中游离dna(cfdna)片段结构特征进行系统分析的研究方法,其分析对象包括但不限于dna片段长度分布、片段长度比例、dna完整性指数、片段断裂位点、末端序列特征(endmotif)、核小体定位特征、片段覆盖模式、锯齿末端(jagged ends)及其他能够反映dna来源及降解特征的片段信息,以用于疾病诊断、分型或预后分析。
39、术语“测序深度”是指在高通量测序过程中,某一核苷酸位点或基因组区域被独立测序读取(reads)覆盖的次数,通常以“×(倍)”表示。测序深度可以表示单个位点的覆盖次数,也可以表示整个基因组的平均覆盖深度,其通常按照测序获得的有效碱基总数与目标基因组大小的比值计算。测序深度越高,一般意味着检测结果具有更高的准确性和稳定性,并有利于提高低频变异、拷贝数变异、甲基化特征及片段组学特征的检出能力,但本领域技术人员应理解,具体所需测序深度可根据样本类型、检测目的及分析方法进行适当调整,并不限于特定数值。
40、本发明具有的优点和有益效果:
41、本发明提供的诊断模型由于采用了全基因组的多模态特征,在不同测序平台上均能取得良好的分类效果,因此具有良好的可靠性,且在极低测序深度下仍可保持优异的分类性能,加之nanopore测序无需亚硫酸氢盐转化的技术优势,该模型可实现对胸腔积液快速、精准且低成本的良恶性鉴别,具有良好的临床应用前景。
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