一种基于cfDNA全基因组测序片段组学信号挖掘的肿瘤诊断杂交捕获panel设计方法与流程

本发明涉及计算基因组学、液体活检和肿瘤诊断领域，具体地，涉及一种基于cfdna全基因组测序片段组学信号挖掘的肿瘤诊断杂交捕获panel设计方法。

背景技术：

1、细胞游离dna（cell-free dna, cfdna）是细胞凋亡或坏死后释放入血浆的dna片段，因受核小体保护而以约167 bp的单核小体片段为主。其片段长度、末端位置与末端碱基序列编码了释放细胞的核小体定位、染色质开放状态、转录因子占位及组织来源等信息；对这些片段化模式进行刻画与建模的方法统称为片段组学（fragmentomics）。血浆中肿瘤来源的cfdna携带异常的片段化特征，反映恶性细胞中失调的染色质结构，因而无需检出体细胞突变即可用于癌症检测。片段组学近年来从全基因组层面的片段长度比例特征，逐步发展到核小体足迹、转录因子结合位点覆盖、末端碱基序列谱与片段长度分布熵等多种位点特异读出，并拓展至泛癌早期检测、组织来源溯源与微小残留病灶监测等场景。相比依赖体细胞突变的ctdna检测，片段组学利用核小体与表观层面的信号、信息维度覆盖全基因组，具有突变无关、单样本成本相对可控的优势，已成为癌症早期检测与分型的重要互补信号来源。

2、目前，cfdna片段组学在癌症诊断领域中主要分为两条技术路线：一类是全基因组路线，其采用1-2×低通量全基因组测序，通过将基因组分成固定大小（5 mb）bin，并对每个bin计算片段大小比例（短/长）等以提取信号。该路线具有基因组覆盖全、信息量大的优点，但缺陷在于，实际检测亚1%丰度ctdna需要不低于30×的高深度wgs测序，测序成本极高，临床规模化部署经济性较差。另一类是基于先验生物学的靶向panel测序路线，该方案依托杂交捕获技术实现500-1000×超高深度靶向测序，靶向区域主要依据已有文献和生物学经验预设，包括癌症驱动基因外显子、转录因子结合位点及各类调控区域等，可实现高测序深度、单样本检测成本可控，更适配临床检测场景。然而，该路线的靶向区域筛选缺乏数据驱动，区域选择完全依赖研究者经验与已有研究，未基于cfdna片段组学真实信号特征挖掘最优区间，靶向区域设计主观性强、缺乏科学性与系统性。

3、现有cfdna片段组学靶向检测技术存在多项核心缺陷。其一，传统经验化panel多选取外显子区域，与片段组学信号富集的调控区、转录因子结合位点等真实信号源错位，导致核心检测特征表现不佳。其二，panel设计仅依托已知生物学先验，导致panel区域选择无法挖掘未知信号热点，易丢失有效诊断信息。其三，缺乏数据驱动的系统化筛选框架，panel设计依赖人工试错，无标准化可重复方案。其四，wgs全基因组挖掘与靶向panel体系方法学割裂，信号成果无法互通转化，严重限制技术迭代与诊断性能提升。

4、综上，本领域迫切需要一种能够系统性地从已有cfdna wgs数据中，挖掘片段组学诊断信号富集的基因组区域，并将这些区域转化为可临床部署的杂交捕获panel的方法，从而将该panel用于癌症联合检测与组织来源分型等场景。

技术实现思路

1、本发明的目的是提供一种基于cfdna全基因组测序片段组学信号挖掘的肿瘤诊断杂交捕获panel设计方法。

2、本发明的第一方面，提供了一种基于cfdna全基因组测序的设计panel的方法，所述方法包括步骤：

3、(s1) 提供cfdna全基因组测序数据集；所述cfdna全基因组测序数据集包括训练集和验证集；所述训练集或验证集中包括健康对照样本、多种癌症类型样本和其他疾病样本；

4、(s2) 对所述cfdna全基因组测序数据集进行预处理，获得比对片段文件；

5、(s3) 根据不同功能注释区，从训练集中样本的测序数据中提取特征，包括：

6、 (s3.1) 从区域panel中提取特征，包括：基于所述比对片段文件，从每个样本的测序数据中提取片段，并对所述片段进行筛选；对于一个样本，将每条经筛选获得的片段映射到与其重叠的一个或多个区域panel；评估每个区域panel的9维特征和末端碱基序列多样性分数，并根据所述9维特征和末端碱基序列多样性分数生成该样本的区域特征张量；和

7、 (s3.2) 从生物学单位中提取特征，包括：基于生物学单位数据集，从每个样本的测序数据中提取片段，并对所述片段进行筛选；对于一个样本，将每条经筛选获得的片段映射到一个或多个生物学单位上，评估映射到每个生物学单位上所有片段的熵值，生成熵矩阵；

8、(s4) 基于l1正则化，采用选自下组的步骤筛选稀疏区域：

9、 (s4.1) 根据所述熵矩阵，利用分类算法对健康与患癌进行二分类建模，获得检测模型以及对应的优选生物学单位；和/或

10、(s4.2) 根据所述熵矩阵，利用分类算法对每种癌症类型与其他癌症/疾病类型进行二分类建模，获得统一分型模型以及对应的优选生物学单位；和/或

11、(s4.3) 根据步骤(s3)获得的不同特征，利用分类算法分别对每种癌症类型与其他癌症类型进行二分类建模，获得每个特征对应的二分类模型；将所有所述二分类模型在验证集中进行验证，获得每种癌症的异质性分型模型以及优选生物学单位；

12、(s5) 从所述优选生物学单位中将所述优选生物学单位映射到其对应的基因组位点，对每个基因组位点进行上下游序列扩展，并将所有基因组位点进行合并与排序，从而获得panel。

13、在另一优选例中，所述方法还包括步骤：

14、(s6) 采用选自下组的步骤对所述panel进行显著性验证：

15、(s6.1) 等覆盖长度区域随机零分布对照验证；

16、(s6.2) 同功能注释区零分布对照验证；

17、(s6.3) 全基因组参照验证；和/或

18、(s6.4) 在验证集上进行验证。

19、在另一优选例中，所述癌症包括：肝癌、肺癌、乳腺癌、结直肠癌、胰腺癌和卵巢癌。

20、在另一优选例中，所述其他疾病包括：炎症、自身免疫疾病。

21、在另一优选例中，所述训练集还包括癌症临床分期样本。

22、在另一优选例中，所述预处理是指将所述cfdna全基因组测序数据集中的测序数据比对到参考基因组上，从而获得比对片段文件。

23、在另一优选例中，所述参考基因组为人参考基因组hg38。

24、在另一优选例中，进行比对的软件包括finaledb。

25、在另一优选例中，所述预处理还包括对所述cfdna全基因组测序数据集进行样本间测序深度归一化。

26、在另一优选例中，所述区域panel是按照目标足迹大小，载参考基因组上利用等份长度排序并集与合并算法构建的。

27、在另一优选例中，所述目标足迹大小包括：0.5 mb、0.8 mb、1.2 mb、1.8 mb和2.4mb。

28、在另一优选例中，所述区域panel来源于编码蛋白的外显子集合、tss锚定的启动子集合、cpg岛集合和增强子集合。

29、在另一优选例中，所述区域panel包括单基元panel和多基元panel。

30、在另一优选例中，所述单基元panel包括：外显子panel、启动子panel、cpg岛panel、atac panel和转录因子结合位点（tfbs）panel。

31、在另一优选例中，所述多基元panel包括：tier-2 (t1) panel、tier-2 (t2)panel、reg panel和exonreg (er) panel。

32、在另一优选例中，所述t1 panel为启动子panel和cpg岛panel的并集。

33、在另一优选例中，所述t2 panel为启动子panel、cpg岛panel和atac panel的并集。

34、在另一优选例中，所述reg panel为panel、cpg岛panel、atac panel和增强子的并集。

35、在另一优选例中，所述er panel为外显子panel和reg panel数据各占一半比例所构成的集合。

36、在另一优选例中，所述单基元panel的构建方法如下：将源注释中的区域按长度从大到小排序，并持续累积直至累计覆盖度达到所述目标足迹，随后对累积的区域进行坐标排序并合并，从而获得单基元panel。

37、在另一优选例中，所述多基元panel的构建方法如下：将预算在各贡献子基元之间平均分配，每个子基元贡献其按长度排序的份额，然后对并集进行坐标排序并合并，从而获得多基元panel。

38、在另一优选例中，在步骤(s3)中，所述筛选是指保留片段大小和位置满足一定条件的片段，从而获得经筛选获得的片段。

39、在另一优选例中，在所述筛选中，所述片段大小l满足20≤l≤500bp。

40、在另一优选例中，在所述筛选中，所述位置满足位于第1-22号染色体、x染色体、或y染色体。

41、在另一优选例中，所述9维特征包括：归一化深度、片段-大小分布的熵值、小片段占比和6种大小的bin的比例。

42、在另一优选例中，所述小片段是指片段长度≤150bp。

43、在另一优选例中，所述6种大小的bin包括：0-100bp、101-150bp、151-200bp、201-250bp、251-300bp和＞300bp。

44、在另一优选例中，所述末端碱基序列多样性分数（mds）的评估方法为：对于每条经筛选获得的片段，根据其比对到参考基因组的位置，从参考基因组序列中提取5′与3′端n-mer末端碱基序列，并计算每个区域panel在n4种可能的末端碱基序列上的熵值；对于片段数目＜10的区域panel，其mds设为na；其中n选自4、6或8。

45、在另一优选例中，一个样本的一个区域panel的区域特征张量表示为：sample×region×10，其中，10表示9维特征和末端碱基序列多样性分数。

46、在另一优选例中，所述生物学单位数据集来源于公开数据库或文献报道。

47、在另一优选例中，所述生物学单位数据集包括：转录因子结合位点集合和多种癌症类型的atac峰集。

48、在另一优选例中，当所述生物学单位为转录因子集合时，步骤(s3.2)包括：基于具有不同密度等级的转录因子结合位点集合，从每个样本的测序数据中提取片段，并对所述片段进行筛选；在一个密度等级下，对于一个样本，将每条经筛选获得的片段映射到一个或多个转录因子结合位点上，评估映射到每个转录因子结合位点上所有片段的熵值，生成熵矩阵。

49、在另一优选例中，所述密度等级选自下组：250、500、1000、2000或5000。

50、在另一优选例中，所述熵矩阵表示为：n×m，其中，n为样本数量，m为生物学单位数量。

51、在另一优选例中，所述熵值选自下组：香浓熵、renyi熵、或tsallis熵；较佳地为香浓熵。

52、在另一优选例中，在步骤(s3.2)中，还包括步骤：估计熵矩阵中每个生物学单位的健康对照样本均值与标准差；将每个样本值映射为相对所述健康对照均值的绝对标准化偏差。

53、在另一优选例中，在步骤(s3)中，还包括步骤(s3.3)：对所述区域panel的归一化覆盖度进行gc含量校正。

54、在另一优选例中，所述分类算法包括：glmnet、随机森林、xgboost和神经网络。

55、在另一优选例中，所述分类算法为glmnet。

56、在另一优选例中，在(s4.1)中，当所述熵矩阵为基于转录因子结合位点的熵矩阵时，具体包括步骤：

57、(s4.1a) 对不同密度等级的熵矩阵进行预处理，获得预处理的熵矩阵；

58、(s4.1b) 在所述预处理的熵矩阵上，利用5折交叉验证的弹性网络模型对健康与患癌进行二分类建模，获得正则化路径；

59、(s4.1c) 对于每一个密度等级，根据多个预定的k值确定对应的读取操作点λ；从所述正则化路径中的每个读取操作点λ读取与该λ对应的k个特征因子，从而获得多个候选检测模型；

60、(s4.1d) 对所述多个候选检测模型进行交叉验证，从而从所述多个候选检测模型中确定检测模型以及对应的优选生物学单位。

61、在另一优选例中，在步骤(s4.1a)中，对所述熵矩阵进行预处理包括：将nafraction > 0.4的列删除、用列均值填充剩余na项、将0-variance 列删除。

62、在另一优选例中，在步骤(s4.1c)中，所述多个预定的k值选自下组：

63、(r1) 检测模型性能值（auroc）不低于t×最优性能值（max_auroc）时对应的最小k值；其中，t满足0＜t≤1；

64、(r2) 指定目标k值；或

65、(r3) 指定目标panel的总基因组覆盖长度，并由所述目标footprint反推得到的k值。

66、在另一优选例，t = 0.95。

67、在另一优选例中，在(s4.2)中，当所述熵矩阵为基于转录因子结合位点的熵矩阵时，具体包括：

68、(s4.2a) 对不同密度等级的熵矩阵进行预处理，获得预处理的熵矩阵；

69、(s4.2b) 在所述预处理的熵矩阵上，利用5折交叉验证的弹性网络模型对每种癌症类型与其他癌症/疾病类型进行二分类建模；

70、(s4.2c) 对于所述弹性网络模型中正则化路径上每个λ值；在λ为最小值的条件下，记录每种癌症类型中排名前k的生物学单位，从而确定统一分型模型以及对应的优选生物学单位；k为3-30的整数。

71、在另一优选例中，在(s4.3)中，所述特征包括：转录因子的熵及其绝对标准化偏差、各区域的覆盖率、香农熵、6种大小的bin的比例，以及在转录因子、atac、外显子、启动子、cpg岛和增强子区域集上的末端碱基序列多样性。

72、在另一优选例中，在(s4.3)中，具体包括步骤：

73、(s4.3a) 对于每种特征，利用弹性网络模型对每种癌症类型与其他癌症类型进行二分类建模与校准，获得每种特征下每种癌症的校准模型，并构建每种特征对应的若干随机panel模型；

74、(s4.3b) 对于一种癌症，将每种特征下该癌症的校准模型与特征对应的若干随机panel模型在验证集上进行验证；评估每种特征下该癌症的校准模型的性能值超过特征对应的随机panel模型的性能值的概率，将概率值越大的特征作为该癌症的设计归因特征；

75、(s4.3c) 在所述设计归因特征下，对于一种癌症，取多次l1正则化拟合的均值作为该癌症的异质性分型模型；将所有癌症的异质性分型模型对应的所有生物学单位合并作为优选生物学单位。

76、在另一优选例中，所述乳腺癌、结直肠癌和胰腺癌的设计归因特征为转录因子的末端碱基序列多样性。

77、在另一优选例中，肺癌和卵巢癌的设计归因特征为外显子的末端碱基序列多样性。

78、在另一优选例中，在步骤(s5)中，具体包括：将所述优选生物学单位映射到其对应的基因组位点，对每个基因组位点进行上下游序列扩展w bp，并将所有基因组位点进行合并与排序，从而获得panel。

79、在另一优选例中，w = 100 bp。

80、在另一优选例中，所述panel包括：通过(s4.1)获得的brittle panel和robustpanel，以及通过(s4.2)获得的multinomial panel。

81、在另一优选例中，所述brittle panel包括：apobec3b、arid4b、cbx1、chd1、daxx、dmc1、ebp、elf3、gata2、gfi1b、hbp1、hdgfl3、hes2、hnf1a、hnrnpk、hoxb13、hoxc5、jarid2、kdm6b、mbl2、men1、mitf、mynn、myocd、nono、nsd2、ovol2、patz1、pcbp2、pcgf2、prdm11、prdm12、rara、rbbp5、rere、rnf2、tbp、yap1、zbtb17、zbtb33、zmiz1、zmym3、znf366、znf394、znf426、znf518a、znf555、znf597、znf781和p65。

82、在另一优选例中，所述robust panel包括：brd7、cebpb、cenpa、ctcf、kmt2b、mycn、smarcb1、smarcc1、znf426和znf697。

83、在另一优选例中，所述multinomial panel包括：ahr、bap1、batf3、bcl11a、bcl6、bclaf1、dmc1、e2f3、e2f8、ehf、erf、ets1、ewsr1、foxa3、foxo3、foxp2、glis3、h2afz、hes2、heyl、hhex、hmbox1、hoxa2、klf12、klf4、klf6、kmt2d、mbl2、mef2d、mnt、muc22、mycn、nfkbiz、nfya、nipbl、nkx3-1、padi2、patz1、pcbp1、pcf11、phf6、pias1、ppard、prox1、pten、rad51、rarg、rbm14、rbm39、rbpj、relb、sap130、sfpq、skil、sp4、ss18、ssrp1、stat2、taf15、tcf7l1、tp53bp1、tp73、tsc22d4、zbtb25、zfp69b、zhx1、zim3、znf134、znf280a、znf318、znf384、znf426、znf48、znf518a、znf623和zscan16。

84、在另一优选例中，在(s6.1)中，具体包括步骤：

85、(s6.1a) 基于参考基因组的染色体长度文件，在与步骤(s5)获得的panel相同覆盖长度下，在第1-22号染色体、x染色体、或y染色体上生成若干随机panel；迭代调整每个所述随机panel中的区域数量，使其总覆盖长度收敛至覆盖长度目标值±100 kb；

86、(s6.1b) 按照步骤(s3.1)从每个所述随机panel和步骤(s5)获得的panel中提取区域特征张量；

87、(s6.1c) 使用lasso多项逻辑回归对每个所述随机panel和步骤(s5)获得的panel的区域特征张量进行建模，得到每个分类模型的性能值（auroc）；

88、(s6.1d) 收集所有随机panel在每种癌症类型中的auroc值，构成随机分布；

89、(s6.1e) 将所述随机分布作为零分布，并利用步骤(s5)获得的panel的auroc值评估所述panel 的性能优势指标，并通过重采样判断所述panel的性能值置信度，从而对所述panel进行显著性验证。

90、在另一优选例中，在(s6.2)中，具体包括步骤：

91、(s6.2a) 从生物学单位数据集中抽取若干含有一个或多个生物学单位的子集；

92、(s6.2b) 从步骤(3.2)获得的熵矩阵提取每个子集的熵矩阵；

93、(s6.2c) 使用lasso二项逻辑回归对每个子集的熵矩阵进行建模，得到每个分类模型的性能值（auroc）；

94、(s6.2d) 收集所有子集在每种癌症类型中的auroc值，构成随机分布；

95、(s6.2e) 将所述随机分布作为零分布，评估panel 性能优势指标，并通过重采样判断panel性能值置信度，从而对panel进行显著性验证。

96、在另一优选例中，所述性能优势指标包括经验p值（pos）和相对优势（rawmargin）。

97、在另一优选例中，在步骤(s6.1e)或步骤(s6.2e)中，具体包括：

98、(x1) 将panel的性能值与所述随机分布进行比较，从而得到pos；

99、(x2) 根据panel的性能值中位数与随机panel的性能值均值评估相对优势；

100、(x3) 通过bootstrap重采样所述随机分布的均值，获得随机均值分布的95%置信区间；根据所述95%置信区间判断panel性能值的置信度。

101、在另一优选例中，所述pos为panel的aurco大于某个随机panel的auroc的比例。

102、在另一优选例中，所述相对优势raw margin的评估方式为：

103、raw margin = designed panel median auroc - random panel mean auroc，

104、其中，designed panel median auroc为panel的aurco中位数，random panelmean auroc为随机panel的aurco均值。

105、在另一优选例中，在(s6.3)中，具体包括步骤：

106、(s6.3a) 对常染色体基因组按照固定序列长度进行划分，获得多个序列区间；

107、(s6.3b) 按照步骤(s3.1)从所述多个序列区间中提取特征，获得全基因组（wgs）-bin特征矩阵；

108、(s6.3c) 在所述wgs-bin特征矩阵的基础上对panel进行训练，并进行与步骤(s5)获得的panel相同的嵌套交叉验证，将所得性能值作为全基因组参考值；将步骤(s5)获得的panel的性能值与所述全基因组参考值进行比较，从而对步骤(s5)获得的panel进行验证。

109、在另一优选例中，在步骤(s6.3c)前，还包括步骤：对wgs-bin计数进行gc含量校正。

110、在另一优选例中，所述嵌套交叉验证为5-seed×10-fold的嵌套交叉验证。

111、在另一优选例中，在(s6.4)中，具体包括步骤：

112、(s6.4a) 使用多项逻辑回归对步骤(s4)获得的优选生物学单位进行建模，得到分类/检测模型；

113、(s6.4b) 在区域级特征空间或熵原始特征空间下，重复利用所述分类/检测模型步骤(s4)获得的分类模型对所述验证集进行预测，评估所述分类/检测模型分类模型区分健康对照与多种癌症类型、多种癌症类型与炎症的能力，从而对panel进行显著性验证。

114、在另一优选例中，在(s6.4)中，还包括步骤：

115、(s6.4c) 在区域级特征空间下时，统计各个区域在跨队列中，区域的片段覆盖度重组的比例。

116、在另一优选例中，所述方法还包括步骤：

117、(s7) 评估所述panel在循环肿瘤dna稀释系列的检测限。

118、在另一优选例中，在步骤(s7)中，具体包括步骤：

119、(s7.1) 生成合成样本；

120、(s7.2) 从所述合成样本中提取特征，获得特征矩阵；

121、(s7.3) 对所述特征矩阵进行训练并评估，从而获得检测限。

122、本发明的第二方面，提供了一种利用panel进行临床推理的系统，所述系统包括：

123、(m1) 输入模块，所述输入模块被配置为输入数据，所述数据包括基于cfdna的比对片段文件；所述比对片段文件是根据本发明第一方面所述方法获得的panel对来自待测对象的样本进行杂交捕获和深度测序获得的；

124、(m2) 推理模块，所述推理模块被配置为执行以下操作：利用本发明第一方面所述方法中步骤(s3)从所述比对片段文件提取特征，获得区域特征张量和熵矩阵；并利用本发明第一方面所述方法中步骤(s4)中获得的检测模型、分型模型对所述区域特征张量和所述熵矩阵进行处理，分别获得检测评分和分型评分；按预设阈值将所述检测评分和分型评分进行组合，从而获得推理结果；所述分型模型包括统一分型模型和异质性分型模型；

125、(m3) 输出模块，所述输出模块被配置为输出所述推理模块的推理结果。

126、在另一优选例中，所述样本为体液样本，优选地为血浆样本。

127、在另一优选例中，所述临床推理包括：i) 判断所述待测对象是否患癌；ii) 判断所述待测对象的患癌类型；和/或iii) 判断所述待测对象的癌症进展分期。

128、本发明的第三方面，提供了一种电子设备，包括处理器和存储器，所述存储器有多条可执行指令，所述处理器用于读取所述指令并执行如本发明第一方面所述方法中的步骤：

129、本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器读取并执行时实现本发明第一方面所述方法中的步骤：

130、本发明的第五方面，提供了一种计算机程序产品，包括计算机可执行指令，所述计算机可执行指令被处理器执行时实现如本发明第一方面所述方法中的步骤：

131、本发明的第六方面，提供了一种利用本发明第一方面所述方法获得的panel及其检测试剂的用途，用于制备诊断试剂或试剂盒，所述诊断试剂或试剂盒用于：i) 诊断/预测癌症；ii) 对癌症类型进行分类；和/或iii) 诊断/预测癌症分期。

132、在另一优选例中，所述panel包括：brittle panel、robust panel、multinomialpanel。

133、在另一优选例中，所述brittle panel包括：apobec3b、arid4b、cbx1、chd1、daxx、dmc1、ebp、elf3、gata2、gfi1b、hbp1、hdgfl3、hes2、hnf1a、hnrnpk、hoxb13、hoxc5、jarid2、kdm6b、mbl2、men1、mitf、mynn、myocd、nono、nsd2、ovol2、patz1、pcbp2、pcgf2、prdm11、prdm12、rara、rbbp5、rere、rnf2、tbp、yap1、zbtb17、zbtb33、zmiz1、zmym3、znf366、znf394、znf426、znf518a、znf555、znf597、znf781和p65。

134、在另一优选例中，所述robust panel包括：brd7、cebpb、cenpa、ctcf、kmt2b、mycn、smarcb1、smarcc1、znf426和znf697。

135、在另一优选例中，所述multinomial panel包括：ahr、bap1、batf3、bcl11a、bcl6、bclaf1、dmc1、e2f3、e2f8、ehf、erf、ets1、ewsr1、foxa3、foxo3、foxp2、glis3、h2afz、hes2、heyl、hhex、hmbox1、hoxa2、klf12、klf4、klf6、kmt2d、mbl2、mef2d、mnt、muc22、mycn、nfkbiz、nfya、nipbl、nkx3-1、padi2、patz1、pcbp1、pcf11、phf6、pias1、ppard、prox1、pten、rad51、rarg、rbm14、rbm39、rbpj、relb、sap130、sfpq、skil、sp4、ss18、ssrp1、stat2、taf15、tcf7l1、tp53bp1、tp73、tsc22d4、zbtb25、zfp69b、zhx1、zim3、znf134、znf280a、znf318、znf384、znf426、znf48、znf518a、znf623和zscan16。

136、在另一优选例中，所述检测试剂选自下组：抗体、引物或引物对、探针、测序文库、核酸芯片、蛋白质芯片、或其组合。

137、在另一优选例中，所述核酸芯片包括基片和点样在基片上的特异性寡核苷酸探针，所述的特异性寡核苷酸探针包括与所述panel的多核苷酸（mrna或cdna）特异性结合的探针。

138、在另一优选例中，所述蛋白质芯片包括基片和点样在基片上的特异性抗体，所述的特异性抗体包括抗所述panel的特异性抗体。

139、在另一优选例中，所述抗体选自下组：单克隆抗体、多克隆抗体、或其组合。

140、在另一优选例中，所述检测是离体样本检测。

141、在另一优选例中，所述离体样本选自下组：血浆样本、血液样本、血清样本、组织样本、体液样本、细胞样本、或其组合。

142、在另一优选例中，所述组织样本为癌组织样本。

143、在另一优选例中，所述检测试剂偶联有或带有可检测标记。

144、在另一优选例中，所述可检测标记选自下组：生色团、化学发光基团、荧光团、同位素、酶、或其组合。

145、应理解，在本发明范围内，本发明的上述各技术特征和在下文（如实施例）中具体描述的各技术特征之间都可以互相组合，从而构成新的或优选的技术方案。限于篇幅，在此不再一一累述。