一种基于肠道菌群的胆道肿瘤免疫治疗生存结局预测模型及其应用
本技术属于胆道癌诊断领域,微生物领域和生物标志物领域,具体地,本技术提供了基于肠道菌群的胆道肿瘤免疫治疗生存结局预测模型及其应用。
背景技术:
1、胆道癌(btc)虽发病率相对较低,但属于高度恶性、侵袭性强且预后极差的消化系统肿瘤,中国是高发地区(约4/10万),占全球病例的约1/4,且超过70%的患者诊断时已属晚期,传统化疗后中位生存不足1年。近年来,以pd-1/pd-l1抑制剂为代表的免疫检查点抑制剂(icis)在晚期btc的系统性治疗中展现出了一定的潜力,逐渐成为一线治疗的重要组成部分。然而,由于btc肿瘤微环境的复杂性和高度的免疫抑制特性,患者对免疫治疗的响应和最终的生存获益存在极大的异质性。部分患者在接受免疫治疗后仍快速进展或短期内死亡,难以实现长期生存获益;部分患者则可获得较长时间的生存获益。因此,在治疗前或治疗早期识别短生存高风险患者和长生存潜力患者,对于治疗方案选择、疗效监测强度调整以及后续联合治疗策略制定具有重要临床意义。
2、目前临床上常尝试使用程序性死亡配体1(pd-l1)表达水平、肿瘤突变负荷(tmb)或微卫星不稳定性(msi)等传统的生物标志物来筛选免疫治疗的潜在获益人群。但在实际的btc临床应用中,由于组织穿刺获取困难、样本量少,且这些传统标志物的预测效能十分有限,往往无法精准反映患者总体的免疫状态和长期的生存获益潜力。影像学疗效评估通常需要治疗后6-8周才能进行,存在预测时间滞后、无法在治疗前识别不同生存结局患者等问题。
3、近年来,越来越多的研究表明,肠道微生态作为人体最大的外周免疫器官,能够深刻调节宿主的系统性抗肿瘤免疫反应,并在决定免疫检查点抑制剂疗效方面发挥着至关重要的作用。相较于传统的组织活检,通过无创的粪便样本检测肠道菌群,具有极高的临床依从性、无创性和动态监测优势。然而,尽管肠道菌群在肿瘤治疗中的重要性已获得广泛共识,但现有技术尚缺乏一种以胆道肿瘤免疫治疗患者总生存期为分组依据、基于粪便肠道菌群种水平丰度构建并验证的、同时覆盖短生存风险筛查和长生存获益识别的双模型预测体系。
技术实现思路
1、本技术的目的在于提供一种基于肠道菌群种水平丰度的胆道肿瘤免疫治疗生存结局预测方法和模型,通过采集患者粪便样本、检测肠道菌群组成、筛选与短生存和长生存相关的关键菌种组合,并基于该菌群组合建立短生存风险评估子模型和长生存预测子模型,实现对免疫治疗后短生存高风险患者和长生存获益患者的非侵入性、可量化和可重复预测。
2、一方面,本技术提供了基于肠道菌群的胆道肿瘤免疫治疗生存结局预测模型,所述胆道肿瘤免疫治疗生存结局预测模型的制备方法包括:
3、(1)获取胆道肿瘤免疫治疗患者粪便中目标微生物的丰度数据和生存期数据,所述目标微生物包括:adlercreutzia_equolifaciens、alistipes_shahii、bacteroides_eggerthii、bifidobacterium_pseudocatenulatum、blautia_hansenii、candidatus_geddesella_stercoravicola、clostridia_unclassified_sgb13999、clostridia_unclassified_sgb14196、clostridia_unclassified_sgb4367、clostridiales_bacterium_nsj_40、clostridium_sp_af15_49、clostridium_sp_af20_17lb、clostridium_sp_af27_2aa、clostridium_sp_af32_12bh、clostridium_symbiosum、coprobacter_fastidiosus、dielma_fastidiosa、eubacterium_siraeum、faecalibacterium_sgb15345、ggb3537_sgb4727、ggb3892_sgb5290、ggb41458_sgb58520、ggb51441_sgb71759、ggb51959_sgb72479、ggb6649_sgb9391、ggb9590_sgb15012、ggb9597_sgb15022、ggb9634_sgb15093、gemmiger_formicilis、holdemanella_biformis、lachnospira_sgb5076、negativibacillus_massiliensis、parabacteroides_distasonis、pseudoruminococcus_massiliensis、romboutsia_timonensis、streptococcus_salivarius、veillonella_atypica以及bifidobacterium pseudocatenulatum、blautia hansenii、clostridium sp.af20_17lb、clostridium sp. af27_2aa、clostridium symbiosum、dielma fastidiosa、ggb41458_sgb58520、ggb51441_sgb71759、ggb9590_sgb15012、gemmiger formicilis、parabacteroides distasonis、veillonella atypica中的一种或多种;
4、(2)使用生存期为变量,使用随机森林算法或者弹性网络回归算法进行训练,得到胆道肿瘤免疫治疗生存结局预测模型。
5、进一步地,所述胆道肿瘤免疫治疗生存结局预测模型为胆道肿瘤免疫治疗短生存风险预测模型;步骤(1)中的目标微生物为adlercreutzia_equolifaciens、alistipes_shahii、bacteroides_eggerthii、bifidobacterium_pseudocatenulatum、blautia_hansenii、candidatus_geddesella_stercoravicola、clostridia_unclassified_sgb13999、clostridia_unclassified_sgb14196、clostridia_unclassified_sgb4367、clostridiales_bacterium_nsj_40、clostridium_sp_af15_49、clostridium_sp_af20_17lb、clostridium_sp_af27_2aa、clostridium_sp_af32_12bh、clostridium_symbiosum、coprobacter_fastidiosus、dielma_fastidiosa、eubacterium_siraeum、faecalibacterium_sgb15345、ggb3537_sgb4727、ggb3892_sgb5290、ggb41458_sgb58520、ggb51441_sgb71759、ggb51959_sgb72479、ggb6649_sgb9391、ggb9590_sgb15012、ggb9597_sgb15022、ggb9634_sgb15093、gemmiger_formicilis、holdemanella_biformis、lachnospira_sgb5076、negativibacillus_massiliensis、parabacteroides_distasonis、pseudoruminococcus_massiliensis、romboutsia_timonensis、streptococcus_salivarius和veillonella_atypica;步骤(2)中使用弹性网络回归算法进行训练。
6、进一步地,使用弹性网络回归算法进行训练包括:对训练集利用弹性网络回归算法进行10折交叉验证,以计算不同惩罚参数下的模型误差;通过寻找使交叉验证平均误差最小化或处在一个标准差范围内的最佳正则化参数,算法自动将与生存相关性弱的噪音菌群权重压缩;最终筛选出非零系数对应的最佳特征集建立弹性网络模型。
7、进一步地,训练中设x=(x1,x2,…,x37)为待测患者的目标微生物丰度特征向量,其中xj表示第j种目标微生物经标准化处理后的丰度特征,yi表示第i个训练样本的短生存标签,短生存记为1,非短生存记为0。弹性网络模型的参数通过下式确定:
8、
9、
10、其中,常数项为截距,第j个回归系数对应第j种目标微生物,λ为正则化参数,α为l1惩罚与l2惩罚的混合参数,λ和α通过交叉验证确定;sshort(x)为短生存线性预测值,pshort(x)为短生存风险概率。将pshort(x)与预设的短生存判定阈值cshort比较,当pshort(x)≥cshort时,输出短生存高风险;当pshort(x)<cshort时,输出非短生存高风险。所述判定阈值cshort由训练集的受试者工作特征曲线确定。
11、进一步地,所述短生存为生存期<18个月。
12、进一步地,所述胆道肿瘤免疫治疗生存结局预测模型为胆道肿瘤免疫治疗长生存预测模型;步骤(1)中的目标微生物为bifidobacterium pseudocatenulatum、blautiahansenii、clostridium sp. af20_17lb、clostridium sp. af27_2aa、clostridiumsymbiosum、dielma fastidiosa、ggb41458_sgb58520、ggb51441_sgb71759、ggb9590_sgb15012、gemmiger formicilis、parabacteroides distasonis、veillonella atypica;步骤(2)中使用随机森林算法进行训练。
13、进一步地,使用随机森林算法进行训练包括:基于不同组之间显著差异的物种,在训练集中利用随机森林算法进行5折5次交叉验证;计算5折5次交叉验证的平均误差,以平均误差中的最小误差加上标准偏差作为临界值;列出平均误差小于临界值的所有物种标记集,并选择物种数目最少的标记集作为最优特征集;基于最优特征集,建立最终的随机森林预测模型。
14、进一步地,训练中设x=(x1,x2,…,x12)为待测患者的目标微生物丰度特征向量,随机森林模型由n棵决策树组成,其分类函数为:
15、
16、
17、其中,i(·)为指示函数,当括号内条件成立时其值为1,否则为0;hm(x)为第m棵决策树的分类函数;k为预测类别,其中k=1表示长生存,k=0表示非长生存;n为决策树数量;h(x)为随机森林分类结果;plong(x)为长生存概率。将plong(x)与预设的长生存判定阈值clong比较,当plong(x)≥clong时,输出长生存;当plong(x)<clong时,输出非长生存。所述判定阈值clong由训练集的受试者工作特征曲线确定。
18、进一步地,所述长生存为生存期≥18个月。
19、检测粪便中目标微生物丰度的试剂在制备胆道肿瘤免疫治疗生存结局预测产品中的应用,所述目标微生物包括:adlercreutzia_equolifaciens、alistipes_shahii、bacteroides_eggerthii、bifidobacterium_pseudocatenulatum、blautia_hansenii、candidatus_geddesella_stercoravicola、clostridia_unclassified_sgb13999、clostridia_unclassified_sgb14196、clostridia_unclassified_sgb4367、clostridiales_bacterium_nsj_40、clostridium_sp_af15_49、clostridium_sp_af20_17lb、clostridium_sp_af27_2aa、clostridium_sp_af32_12bh、clostridium_symbiosum、coprobacter_fastidiosus、dielma_fastidiosa、eubacterium_siraeum、faecalibacterium_sgb15345、ggb3537_sgb4727、ggb3892_sgb5290、ggb41458_sgb58520、ggb51441_sgb71759、ggb51959_sgb72479、ggb6649_sgb9391、ggb9590_sgb15012、ggb9597_sgb15022、ggb9634_sgb15093、gemmiger_formicilis、holdemanella_biformis、lachnospira_sgb5076、negativibacillus_massiliensis、parabacteroides_distasonis、pseudoruminococcus_massiliensis、romboutsia_timonensis、streptococcus_salivarius、veillonella_atypica以及bifidobacterium pseudocatenulatum、blautiahansenii、clostridium sp. af20_17lb、clostridium sp. af27_2aa、clostridiumsymbiosum、dielma fastidiosa、ggb41458_sgb58520、ggb51441_sgb71759、ggb9590_sgb15012、gemmiger formicilis、parabacteroides distasonis、veillonella atypica中的一种或多种。
20、进一步地,所述胆道肿瘤免疫治疗生存结局预测产品为胆道肿瘤免疫治疗短生存风险预测产品;所述短生存为生存期<18个月;所述目标微生物为adlercreutzia_equolifaciens、alistipes_shahii、bacteroides_eggerthii、bifidobacterium_pseudocatenulatum、blautia_hansenii、candidatus_geddesella_stercoravicola、clostridia_unclassified_sgb13999、clostridia_unclassified_sgb14196、clostridia_unclassified_sgb4367、clostridiales_bacterium_nsj_40、clostridium_sp_af15_49、clostridium_sp_af20_17lb、clostridium_sp_af27_2aa、clostridium_sp_af32_12bh、clostridium_symbiosum、coprobacter_fastidiosus、dielma_fastidiosa、eubacterium_siraeum、faecalibacterium_sgb15345、ggb3537_sgb4727、ggb3892_sgb5290、ggb41458_sgb58520、ggb51441_sgb71759、ggb51959_sgb72479、ggb6649_sgb9391、ggb9590_sgb15012、ggb9597_sgb15022、ggb9634_sgb15093、gemmiger_formicilis、holdemanella_biformis、lachnospira_sgb5076、negativibacillus_massiliensis、parabacteroides_distasonis、pseudoruminococcus_massiliensis、romboutsia_timonensis、streptococcus_salivarius和veillonella_atypica。
21、进一步地,所述胆道肿瘤免疫治疗生存结局预测产品为胆道肿瘤免疫治疗长生存预测产品;所述长生存为生存期≥18个月;所述目标微生物为bifidobacteriumpseudocatenulatum、blautia hansenii、clostridium sp. af20_17lb、clostridium sp.af27_2aa、clostridium symbiosum、dielma fastidiosa、ggb41458_sgb58520、ggb51441_sgb71759、ggb9590_sgb15012、gemmiger formicilis、parabacteroides distasonis和veillonella atypica。
22、进一步地,所述产品为试剂盒。
23、进一步地,所述检测试剂为宏基因组测序用试剂或者包括特异性引物的pcr检测试剂;所述特异性引物特异性扩增所述目标微生物的部分基因组dna以实现对所述目标微生物的特异性检测。
24、进一步地,所述产品的使用方法包括:
25、(a)使用所述检测粪便中目标微生物丰度的试剂检测待测胆道肿瘤免疫治疗患者粪便中的目标微生物丰度;
26、(b)将步骤(a)得到的目标微生物丰度输入胆道肿瘤免疫治疗生存结局预测模型,计算胆道肿瘤免疫治疗生存结局。
27、进一步地,所述胆道肿瘤免疫治疗生存结局预测模型的制备方法如前所示。
28、另一方面,本技术提供了胆道肿瘤免疫治疗生存结局预测装置,所述胆道肿瘤免疫治疗生存结局预测装置包括上述胆道肿瘤免疫治疗生存结局预测模型。
29、进一步地,所述装置包括检测模块、分析模块和输出模块。
30、进一步地,所述检测模块包括检测粪便中目标微生物丰度的试剂,所述目标微生物为adlercreutzia_equolifaciens、alistipes_shahii、bacteroides_eggerthii、bifidobacterium_pseudocatenulatum、blautia_hansenii、candidatus_geddesella_stercoravicola、clostridia_unclassified_sgb13999、clostridia_unclassified_sgb14196、clostridia_unclassified_sgb4367、clostridiales_bacterium_nsj_40、clostridium_sp_af15_49、clostridium_sp_af20_17lb、clostridium_sp_af27_2aa、clostridium_sp_af32_12bh、clostridium_symbiosum、coprobacter_fastidiosus、dielma_fastidiosa、eubacterium_siraeum、faecalibacterium_sgb15345、ggb3537_sgb4727、ggb3892_sgb5290、ggb41458_sgb58520、ggb51441_sgb71759、ggb51959_sgb72479、ggb6649_sgb9391、ggb9590_sgb15012、ggb9597_sgb15022、ggb9634_sgb15093、gemmiger_formicilis、holdemanella_biformis、lachnospira_sgb5076、negativibacillus_massiliensis、parabacteroides_distasonis、pseudoruminococcus_massiliensis、romboutsia_timonensis、streptococcus_salivarius和veillonella_atypica;或者bifidobacterium pseudocatenulatum、blautia hansenii、clostridiumsp. af20_17lb、clostridium sp. af27_2aa、clostridium symbiosum、dielmafastidiosa、ggb41458_sgb58520、ggb51441_sgb71759、ggb9590_sgb15012、gemmigerformicilis、parabacteroides distasonis和veillonella atypica。
31、进一步地,所述分析模块包括存储有包括上述胆道肿瘤免疫治疗生存结局预测模型的存储器以及计算器。
32、本技术中所述免疫治疗为免疫检查点抑制剂治疗,例如pd-1抑制剂、pd-l1抑制剂、ctla-4抑制剂等。
33、本技术中所述丰度为检出情况、相对丰度水平、经标准化处理后的丰度水平,和/或由上述丰度信息进一步转换得到的可用于风险判断的菌群特征数据。
34、除拉丁名之外,本技术中部分微生物使用生物信息学聚类方式表示,其中的sgb表示物种级基因组箱子,ggb表示菌属级基因组箱;执行宏基因组测序后即可使用生物信息学工具将其对应至sgb_ggb形式的聚类下,各sgb的详细注释信息,均来源于metaphlan4软件的配套数据库。
35、本领域技术人员可以使用比对等方法确定目标微生物的特异性序列/区域(包括但不限于16s rrna、its区、rpob、reca等),并使用本领域已知的工具和设计方法设计出可以特异性扩增目标微生物的引物和探针等。
36、所述pcr检测试剂可以是本领域中已知的各种pcr方法(包括但不限于荧光定量pcr、数字pcr、巢式pcr等定量pcr方法)所用的检测试剂,除特异性引物之外,还可以包含缓冲液、聚合酶、镁离子、dntps等成分。
37、有益效果:
38、(1)本技术首次提出基于粪便肠道菌群种水平丰度同时预测胆道肿瘤免疫治疗短生存风险和长生存概率的技术方案,填补了临床上缺乏胆道肿瘤免疫治疗长效预后精准分层工具的空白;建立了由37种肠道菌群组成的短生存风险相关菌群标志物组合以及由12种肠道菌群组成的长生存相关菌群标志物组合。其中12种长生存标志物为37种短生存标志物的核心子集,两套菌群组合通过多菌种联合特征反映患者治疗前肠道微生态状态,从而提高短生存风险判断和长生存可能性判断的稳定性和准确性;提供了一种无创、可重复、具有临床转化潜力的胆道肿瘤免疫治疗预后评估方式。
39、(2)本发明的技术方案以粪便样本为检测对象,具有样本获取方便、患者依从性较好、可动态重复检测等优势;通过弹性网络回归算法构建的短生存预测子模型,具备较高的鲁棒性,在测试集中曲线下面积(auc)达到了91.76%,能够敏锐且精确地区分长生存与短生存患者;通过随机森林算法构建的长生存预测子模型,在测试集中auc达到了77.06%,能够有效识别胆道肿瘤免疫治疗后的长生存获益患者。
40、(3)所述37种和12种菌群标志物组合不仅可通过宏基因组测序获得,也可进一步开发为靶向宏基因组测序、多重pcr、荧光定量pcr或数字pcr等检测产品,具备较强的临床推广和产品转化潜力。
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