1.本技术涉及一种恶性转化的生物标记,尤其涉及一种口腔粘膜下纤维 化恶性转化的生物标记。
背景技术:
2.口腔癌是发生在口腔部位的恶性肿瘤的总称,且大部份属于口腔鳞状 细胞癌(oral squamous cell carcinoma,简称oscc)。口腔癌已成为全球的负 担,特别是在东南亚。在中国台湾,由口腔癌引起的死亡也是一个社会经 济问题,因为与其他类型癌症的患者相比,口腔癌患者以年轻男性居多。 口腔粘膜下纤维化(oral submucous fibrosis,简称osf)是一种发展不明显且 慢性的口腔间质癌变前疾病(oral stromal premalignant disorder),可影响口腔 的各个部分,有时会影响咽部,使得黏膜、上皮和间质的质地变得纤维化, 细胞减少,以及血管不足。根据全球的证据,osf病变伴随非典型的高恶 性转化率。osf患者通常有嚼食槟榔习惯,且相较于健康人,osf患者的 恶性转化率高,危险对比值(odds ratio)为23.3
‑
27.5,且口腔癌形成更快。 根据印度和中国台湾的研究报道,具有osf背景的口腔鳞状细胞癌 (oscc
‑
osf)患者更年轻。因此,在osf患者中辨识出oscc高风险患者 是相当重要的临床挑战。
3.侵入性切片检查是当前诊断口腔癌的标准方法。然而,osf患者通常 张口能力有限,通常难以进行口腔评估,目前仍缺乏用于有效筛查大量群 体(特别是那些患有osf的群体)的非侵入性工具。虽然过去相关研究已报 道可作为预测osf致癌的生物标记,但是大多数生物标记是先依赖于侵入 性检测样本的收集,接着进行免疫化学染色或组织微阵列分析。研究已经 证实唾液是检测口腔癌生物标记的来源之一,但是对于高风险的osf患者, 则尚未发现有效的唾液生物标记。由于采集唾液属于非侵入性检测样本收 集方法,若在osf患者唾液中检测出生物标记,并有效预测口腔癌的发生, 则能促进对此高风险群体的早期干预。
4.越来越多的证据表明,微生物群失调(microbiota dysbiosis)与人类疾病 及其发展密切相关。口腔为多样化细菌群的生长提供了复杂的栖所,例如 颊区、舌头和牙龈的黏膜表面以及牙齿表面。口腔中的细菌群落非常复杂, 由超过700种的细菌菌种所组成,在特定的口腔微环境中呈现动态生长的 样貌,且口腔微生物组(oral microbiome)为人类宿主提供各种健康益处。虽 然口腔微生物组的多样性、组成和功能会随着口腔癌的发展而改变,目前 尚无高风险osf群体中的oscc唾液微生物组(salivary microbiome)特征的 检测数据。因此,本技术拟对有嚼食槟榔习惯的男性osf患者和oscc
‑
osf 患者的唾液微生物组进行全面比较,以探讨微生物组在osf癌化发展进程 中所扮演的角色。
技术实现要素:
5.本技术的一个目的在于比较osf患者和oscc
‑
osf患者的唾液微生物 组,观察osf恶性转化成oscc
‑
osf过程中唾液微生物组的改变。
6.本技术的另一个目的在于提供osf恶性转化的生物标记,以在osf 患者中辨识出oscc高风险患者,进而对高风险患者进行检测及治疗。
7.为了实现上述目的,本技术提供一种口腔粘膜下纤维化恶性转化的生 物标记,包含唾液微生物组的改变,其中改变的唾液微生物组中的特征菌 种包含选自于由porphyromonas catoniae、prevotella multisaccharivorax、 prevotella sp.hmt
‑
300、mitsuokella sp.hmt
‑
131和treponema sp.hmt
‑
927 所组成的群组中的至少一个及其组合。
8.在一个实施方案中,特征菌种还包含dialister micraerophilus和/或 mollicutes sp.hmt
‑
504。
9.在一个实施方案中,特征菌种还包含选自于由mycoplasma faucium、 prevotella denticola、peptostreptococcaceae sp.hmt
‑
369、prevotella sp. hmt
‑
315、clostridiales sp.hmt
‑
093、eubacterium saphenus、catonella sp. hmt
‑
451、treponema sp.hmt
‑
237、selenomonas sputigena、haemophiluspittmaniae、prevotella baroniae、actinomyces sp.hmt
‑
169、 absconditabacteria(sr1)sp.hmt
‑
874、treponema sp.hmt
‑
270、mollicutessp.hmt
‑
906、bacteroidetes sp.hmt
‑
280、treponema sp.hmt
‑
238和 treponema sp.hmt
‑
258所组成的群组中的至少一个及其组合。
10.在一个实施方案中,特征菌种还包含选自于由clostridiales sp. hmt
‑
876、corynebacterium durum、gracilibacteria sp.hmt
‑
871、 megasphaera sp.hmt
‑
123、mobiluncus mulieris、negativicutes、 peptostreptococcaceae和selenomonas sp.hmt
‑
478所组成的群组中的至少 一个及其组合。
11.在一个实施方案中,特征菌种与口腔健康状况有关。
12.在一个实施方案中,特征菌种与吸烟状况有关。
13.在一个实施方案中,唾液微生物组的改变包括相对丰富度的改变。
14.在一个实施方案中,唾液微生物组的改变包括微生物量的改变。
15.为了实现上述目的,本技术还提供一种口腔粘膜下纤维化恶性转化的 生物标记,包含代谢途径的改变,其中代谢途径包含选自于由s
‑
腺苷
‑
l
‑ꢀ
甲硫氨酸的合成、去甲精胺的合成、l
‑
鸟氨酸的合成、嘧啶脱氧核糖核苷 酸的合成和甲醛代谢所组成的群组中的至少一个及其组合。
16.在一个实施方案中,代谢途径还包含选自于由l
‑
组氨酸的合成、烟酰 胺腺嘌呤二核苷酸的合成和1,4
‑
二羟基
‑6‑
萘甲酸的合成所组成的群组中的 至少一个及其组合。
17.附图简单说明
18.图1显示osf及oscc
‑
osf患者的微生物组组装的空模型随机率分 布。
19.图2a显示osf及oscc
‑
osf患者唾液微生物组样本的主坐标分析结 果。
20.图2b显示osf及oscc
‑
osf患者唾液微生物组样本的adonis分析结 果。
21.图3显示osf及oscc
‑
osf患者唾液样本中的核心菌种比例及其文氏 (venn)图。
22.图4显示lefse分析所鉴别osf及oscc
‑
osf患者唾液样本中相对丰 富度有显著差异的特征菌种。
23.图5显示kruskal
‑
wallis检验所鉴别osf及oscc
‑
osf患者每毫升唾 液样本中有显著数量上差异的特征菌种。
24.图6显示与口腔健康状况及吸烟状况有关菌种的文氏图。
25.图7显示随机森林算法的roc曲线。
26.图8a显示osf患者的唾液菌群间的交互作用网络结构。
27.图8b显示oscc
‑
osf患者的唾液菌群间的交互作用网络结构。
28.图9显示osf及oscc
‑
osf患者唾液样本中丰富度有显著差异的代谢 途径。
具体实施方式
29.体现本技术特征与优点的一些实施方案将在后面的说明中详细叙述。 应理解的是本技术能够在不同的态样上具有各种的变化,其皆不脱离本申 请的范围,且其中的说明及附图在本质上均用于举例说明,而非用于以任 何方式限制本技术。
30.本技术主要目的在于系统性分析口腔粘膜下纤维化伴随口腔癌 (oscc
‑
osf)患者唾液的微生物群(microbiota)与口腔癌恶性转化之间的相 关性,了解唾液微生物组(salivary microbiome)在促进或缓解癌前病变恶性 转化的成员和关键菌种,藉以开发微生物群液体活检的生物标记,作为判 断口腔癌癌前病变转变为口腔癌精准医疗的策略。
31.首先收集临床样本,其中探索组(exploratory cohorts)是来自中国台湾省 成大医院的52个临床样本,包括18个osf患者及34个oscc
‑
osf患者 的唾液样本,验证组(validation cohorts)则是来自中国台湾省奇美医院的临 床样本,包括10个osf患者及11个oscc
‑
osf患者的唾液样本。这些参 与患者都是有嚼食槟榔的男性,且在进行唾液样本收集前至少一个月未接 受抗生素治疗,并被要求在收集唾液前至少1小时不要进食、饮水或使用 口腔卫生产品。之后藉由扩增子定序及定量聚合酶链反应(简称qpcr,又 称real
‑
time pcr)分析唾液中的微生物组,并进行有关组成和微生物量数据 的统计分析,以及机器学习分析。
32.生态机制,包括确定性过程(例如宿主选择、免疫反应等)和随机性过程 (例如环境因素、压力、化学物质暴露等),会同时影响细菌群落结构。为了 评估它们在控制唾液微生物组方面的相对优势,本技术使用bray
‑
curtis和 加权unifrac(weighted unifrac)距离对空模型随机率(null
‑
model
‑
basedstochasticity)进行了量化。图1显示分别根据bray
‑
curtis与加权unifrac距 离函数计算的osf及oscc
‑
osf患者的微生物组组装的空模型随机率分 布。如图所示,在两种距离量测法中,osf及oscc
‑
osf两组(cohorts)中 的所有平均随机率均超过50%,这表明随机性过程对于唾液微生物组组装 (salivary microbiome assembly)比宿主选择有更大的贡献度,也就是说,随 机性过程在唾液微生物组的形成中占有主导地位。值得注意的是, oscc
‑
osf组的平均随机率较osf组高,这也表示随机优势可能是由于口 腔癌变而增强的。
33.进一步观察口腔健康状况和吸烟状况是否会造成微生物组组成的变化 (microbiome composition variation)。本技术使用四种距离量测法比较了osf 及oscc
‑
osf的微生物组结构,四种距离量测法分别为jaccard距离、 bray
‑
curtis距离、未加权unifrac(unweighted unifrac)距离及加权unifrac (weighted unifrac)距离,其中未加权及加权unifrac距离属于系统发育距 离量测法(phylogenetic distance measures),且此处的加权是针对微生物的丰 富度进行加权。图2a显示分别根据jaccard、bray
‑
curtis、未加权unifrac 及加权unifrac距离函数计算的osf及oscc
‑
osf患者唾液微生物组样本 的
主坐标分析结果,图2b则显示分别根据jaccard、bray
‑
curtis、未加权 unifrac及加权unifrac距离函数计算的osf及oscc
‑
osf患者唾液微生 物组样本的adonis分析结果。在主坐标分析中,如图2a所示,未加权及 加权unifrac距离比起jaccard及bray
‑
curtis距离,更能在降维坐标空间中 区分osf及oscc
‑
osf。使用unifrac距离时,前两个主坐标差异(44.8%) 大于使用jaccard及bray
‑
curtis距离时的差异(<26.1%)。接着进行基于距离 的adonis分析,以测试微生物组组成的变化是否归因于参与患者特征的差 异。由于本技术中所有患者均有嚼食槟榔,因此将槟榔因素排除在分析之 外。如图2b所示,使用bray
‑
curtis及加权unifrac距离进行的测试结果, 显示患者年龄(age)、吸烟状况(smoking)、饮酒状况(alcohol)或口腔健康状 况,例如牙周病(periodontal condition)及osf癌化(osf carcinogenesis),皆 与微生物组组成变化无显著相关。然而,根据使用jaccard及未加权unifrac 距离进行的测试结果,则显示osf癌化(osf vs.oscc
‑
osf)及吸烟状况显 著影响了微生物组组成的变化(p<0.05)。也就是说,口腔健康状况及吸烟状 况确实会造成微生物组组成的变化。
34.本技术还使用16s rrna基因扩增子v3
‑
v4区域的标签编码高通量测 序(high
‑
throughput sequencing,简称hts)来分析18个osf患者及34个 oscc
‑
osf患者的唾液样本中的细菌群,并取得扩增子序列变异体 (amplicon sequence variant,简称asv)来研究微生物多样性。在hts中, 从52个样本中总共检测到6160个独特的asv,且从asv分布的分析可看 出,唾液微生物组中的asv在个体之间有明显的不同。这些占约99.9%总 读数的asv可分为12个细菌门,包括以下主要分类群(>1%):firmicutes (35.8
±
12.8%)、bacteroidetes(21.9
±
10.6%)、proteobacteria(21.0
±
14.0%)、 saccharibacteria(tm7)(7.3
±
9.5%)、actinobacteria(6.0
±
5.5%)、fusobacteria (5.5
±
4.3%)以及spirochaetes(1.6
±
2.6%)。关于菌种身份鉴定(speciesannotation),在osf和oscc
‑
osf样本中分别检测到408个和470个分类 群(taxa),其中,在osf和oscc
‑
osf样本中分别有51个(12.5%)和28个(约 6%)分类群在患者身上的盛行率(prevalence)大于75%,因此这些分类群即 被认为是每个群组的核心唾液微生物组的成员。这些核心菌种占唾液微生 物组的大多数,且在osf和oscc
‑
osf中分别占平均读数丰富度的64.5% 和52.7%。图3显示osf及oscc
‑
osf患者唾液样本中的核心菌种比例及 其文氏(venn)图。在核心菌种中,有25个菌种在两个群组都存在,另有26 个和3个菌种则分别存在osf和oscc
‑
osf组中,各菌种名称列于文氏图 下方。此外,核心菌种占总分类群的比例在osf和oscc
‑
osf样本分别为 12.5%及6%,也显示osf癌化会使核心菌种的比例降低。因此,相较于 osf,oscc
‑
osf的核心菌种数量及丰富度皆减少,表示osf癌化对微生 物组组成有分散效果。
35.本技术接着使用不同统计分析方法来鉴别在osf和oscc
‑
osf群组中 与口腔健康状况相关的独特微生物。首先,以线性判别分析效应量(lineardiscriminant analysis(lda)effect size(lefse))进行分析,图4即显示lefse 分析所鉴别osf及oscc
‑
osf患者唾液样本中相对丰富度(relativeabundance)有显著差异的特征菌种,共鉴别出42个菌种在osf及oscc
‑
osf之间具有差异丰富度(lda分数>2)。当中有3个菌种,即 haemophilus pittmaniae、prevotella sp.hmt
‑
309及treponema sp.hmt
‑
270 在oscc
‑
osf患者中明显更丰富(p<0.05)。h.pittmaniae和prevotella sp. hmt
‑
309在oscc
‑
osf样本的盛行率(属q2盛行率(25~50%))显著高于在 osf样本的盛行率(属q1盛行率(<25%))。另外39个菌种,
自于由porphyromonas catoniae、prevotella multisaccharivorax、prevotella sp. hmt
‑
300、mitsuokella sp.hmt
‑
131及treponema sp.hmt
‑
927所组成的群 组中的至少一个及其组合。
40.在一个实施方案中,该特征菌种还可包含dialister micraerophilus和/ 或mollicutes sp.hmt
‑
504,亦即lefse统计分析及机器学习法一致地鉴别 出的菌种。
41.在一个实施方案中,该特征菌种还可包含选自于由mycoplasmafaucium、prevotella denticola、peptostreptococcaceae sp.hmt
‑
369、prevotellasp.hmt
‑
315、clostridiales sp.hmt
‑
093、eubacterium saphenus、catonellasp.hmt
‑
451、treponema sp.hmt
‑
237、selenomonas sputigena、haemophiluspittmaniae、prevotella baroniae、actinomyces sp.hmt
‑
169、 absconditabacteria(sr1)sp.hmt
‑
874、treponema sp.hmt
‑
270、mollicutessp.hmt
‑
906、bacteroidetes sp.hmt
‑
280、treponema sp.hmt
‑
238及 treponema sp.hmt
‑
258所组成的群组中的至少一个及其组合,亦即lefse 及kruskal
‑
wallis统计分析一致地鉴别出的菌种。
42.在一个实施方案中,该特征菌种还可包含选自于由clostridiales sp. hmt
‑
876、corynebacterium durum,gracilibacteria sp.hmt
‑
871、 megasphaera sp.hmt
‑
123、mobiluncus mulieris、negativicutes、 peptostreptococcaceae及selenomonas sp.hmt
‑
478所组成的群组中的至少 一个及其组合,亦即机器学习法另外鉴别出的菌种。
43.针对使用lefse及kruskal
‑
wallis统计分析所一致鉴别出的23个特征 菌种,可藉由计算根据相对丰富度和绝对微生物量的受试者工作特征 (receiver operating characteristic,简称roc)曲线下的面积(area under thecurve,简称auc)所得到的相对auc(auc
relative
)及绝对auc(auc
absolute
) 数值,来评估23个特征菌种区分osf及oscc
‑
osf的有效性。除了对探 索组数据集进行交叉验证外,也利用验证组的独立唾液微生物组数据集进 行评估,其结果如下表1所示。探索组和验证组数据集的平均auc分别为 0.68和0.56。当中,与口腔健康状况及吸烟状况皆有关的特征菌种 treponema sp.hmt
‑
927在探索组数据集中表现出最高的可分辨性(相对 auc=0.748,绝对auc=0.758),且在验证组数据集中具有高的预测性能 (相对auc=0.709,绝对auc=0.682)。而在验证组数据集中性能最佳的 菌种是absconditabacteria(sr1)sp.hmt
‑
874(相对auc=0.755,绝对auc =0.809),它是候选门类辐射组(candidate phyla radiation group)中的一个分 类群,也是被鉴别为与口腔健康状况有关的特征菌种(图6)。然而,不论是 对于探索组数据集(h=0.008,p=0.923)或验证组数据集(h=0.088,p= 0.767),从相对丰富度和绝对微生物量得出的auc之间都没有统计显著性 (statistical significance)。此观察也显示,无论研究中采用何种定量方法(相 对丰富度或绝对微生物量),特征菌种的可分辨性均得到相似的结果。
44.表1
[0045][0046]
通过将特征菌种与宿主临床和生活方式特征相结合,机器学习分析还 实现了高分辨效率。以特征选择检测到的菌种、faith系统发育多样性 (faith’s pd)及生活方式(当前的吸烟习惯)的数据训练随机森林算法 (random
‑
forest algorithm),可以最有效地分辨osf和oscc
‑
osf两群组。 图7显示随机森林算法的roc曲线(5倍交叉验证),其系以灵敏度为纵坐 标,以假阳性率(1
‑
特异度)为横坐标,roc曲线越偏离对角线(又称机会线), roc曲线下面积就越大,也代表准确度越高。如图7所示,对训练后的随 机森林算法进行交叉验证所得的roc曲线,其平均5倍交叉验证准确度 (mean 5
‑
fold cross
‑
validation accuracy)为85.1%,且其auc为0.88,显示训 练后的随机森林算法有相当高的准确度。
[0047]
为了评估唾液中的菌种间相互作用,本技术进一步使用osf及 oscc
‑
osf组的微生物组数据集进行了sparcc分析。图8a显示osf患者 的唾液菌群间的交互作用网络结构,图8b显示oscc
‑
osf患者的唾液菌 群间的交互作用网络结构。由图中可看出,osf患者的微生物相互作用 (7173条线连接362个节点)比oscc
‑
osf患者(2695条线连接351个节点) 复杂得多,且复杂度接近3倍。关于以特征菌种作为节点并与其高度相关 邻居(sparcc相关系数>0.6)所形成的网络,图8a及图8b显示出两个唾液 菌群生态系统组之间完全不同的网络结构。如图8a所示,osf组具有较 高的连结性,且正关系线(实线,sparcc相关系数>0.6)多于
负关系线(虚线, sparcc相关系数<
‑
0.6),表示存在独特的菌群共生模式。除了eubacteriumsaphenus、mycoplasma faucium、catonella sp.hmt451及clostridiales sp. hmt
‑
093之外,有数个特征菌种,包括treponema(hmt
‑
927、hmt
‑
258、 hmt
‑
237及hmt
‑
238)与prevotella(p.denticola及hmt
‑
315),是在网络中 与正关系线(实线)高度相连的中央枢纽。另有两个中枢菌种,即neisseria sp. (未分类)及oribacterium sp.(未分类),与其他菌种大多以负关系线(虚线) 相连。这些观察结果凸显了调节osf患者唾液微生物组中细菌间相互作用 的重要性。相反地,如图8b所示,在oscc
‑
osf患者中不存在相应的菌 群共生模式,表示菌群间网络结构发生了实质性变化,癌化过程使得osf 原本菌群间互动紧密的结构消失,证实唾液微生物组确实会随着恶性转化 而改变。
[0048]
为了比较osf及oscc
‑
osf唾液微生物组的生化功能,本技术进一步 使用lefse来判别picrust2从metacyc数据库预测的代谢途径的量化差 异。总共有85.77%的去噪序列具有高到中等的质量(最接近定序分类群指标 (nearest sequenced taxon indicator(nsti))分数<0.15)。为了确保适当的预测 质量,将picrust2分析中排除了nsti分数>2(总去噪序列的0.37%)的去 噪序列。虽然在osf和oscc
‑
osf群组中检测到许多特征菌种,但只有9 种代谢途径在数量上是可区分的。图9显示osf及oscc
‑
osf患者唾液样 本中丰富度有显著差异的代谢途径,其中6个代谢途径与osf较紧密相关, 包括l
‑
鸟氨酸(l
‑
ornithine)、l
‑
组氨酸(l
‑
histidine)、嘧啶脱氧核糖核苷酸(pyrimidine deoxyribonucleotide)及烟酰胺腺嘌呤二核苷酸(nicotinamideadenine dinucleotide(nad))的合成,以及甲醛氧化和同化(formaldehydeoxidation and assimilation)。而在oscc
‑
osf中,有3个较紧密相关的代谢 途径,即1,4
‑
二羟基
‑6‑
萘甲酸(1,4
‑
dihydroxy
‑6‑
naphthoate,为维生素k2合 成的中间产物)、s
‑
腺苷
‑
l
‑
甲硫氨酸(s
‑
adenosyl
‑
l
‑
methionine(sam))及去甲 精胺(norspermidine)的合成。其中,oscc
‑
osf具有较高的s
‑
腺苷
‑
l
‑
甲硫 氨酸及去甲精胺合成潜能,但具有较低的l
‑
鸟氨酸及嘧啶脱氧核糖核苷酸 合成和甲醛代谢潜能。这些发现指出唾液微生物组在口腔癌变过程中对调 节微生物代谢扮演重要的角色。
[0049]
这9种代谢途径也可归类为5类代谢。s
‑
腺苷
‑
l
‑
甲硫氨酸的合成、l
‑ꢀ
鸟氨酸的合成及l
‑
组氨酸的合成属于氨基酸的合成(amino acidbiosynthesis)。嘧啶脱氧核糖核苷酸的合成属于核苷及核苷酸的合成 (nucleoside and nucleotide biosynthesis)。甲醛氧化和同化属于c1化合物的 利用及同化(c1 compound utilization and assimilation)。1,4
‑
二羟基
‑6‑
萘甲酸 的合成及nad的合成属于辅因子、辅基电子载体及维生素合成(cofactor, prosthetic group electron carrier and vitamin biosynthesis)。去甲精胺的合成则 属于胺及多胺的合成(amine and polyamine biosynthesis)。而唾液微生物对代 谢途径的调控机制则有待进一步的研究。
[0050]
综上所述,由于唾液微生物组的变化与口腔鳞状细胞癌(oscc)有关, 而大多数oscc是由癌前病变引起的,其中口腔粘膜下纤维化(osf)患者的 恶性转化率高,但是唾液微生物组如何随着恶性转化而改变尚不清楚。因 此,本技术比较了口腔粘膜下纤维化伴随口腔癌(oscc
‑
osf)患者和osf 患者的唾液微生物组,观察osf恶性转化成oscc
‑
osf过程中唾液微生物 组的改变。根据对细菌16s rrna基因的v3
‑
v4区进行高通量测序的结果 可知,口腔健康状况和吸烟状况显著影响唾液微生物组系统组成的变化, 从而导致菌种丰富度和系统发育多样性显著降低(p<0.05)。osf恶性转化增 加了随机性对唾液微生物组组成变
化的影响,且完全改变了菌种共生网络 模式。多种统计分析和机器学习法一致地鉴别出5个菌种在osf及 oscc
‑
osf之间有明显变化,包括porphyromonas catoniae、prevotellamultisaccharivorax、prevotella sp.hmt
‑
300、mitsuokella sp.hmt
‑
131及treponema sp.hmt
‑
927,且这5个菌种都与口腔健康状况和吸烟状况有关。 因此,这5个菌种可作为osf恶性转化的生物标记,且不论是在探索组数 据集还是在验证组数据集,这些生物标记对于预测口腔癌发生的准确率都 相当高。此外,oscc
‑
osf具有较高的s
‑
腺苷
‑
l
‑
甲硫氨酸及去甲精胺合成 潜能,但具有较低的l
‑
鸟氨酸和嘧啶脱氧核糖核苷酸合成和甲醛代谢潜能, 这也表明唾液微生物组在口腔癌变过程中对调节微生物代谢扮演重要的角 色。因此,本技术提供了osf恶性转化的生物标记,有助于癌症形成和治 疗的研究,且可在osf患者中辨识出oscc高风险患者,进而对高风险患 者进行检测及治疗。
[0051]
虽然本发明已由上述实施方案详细叙述而可由本领域技术人员任施匠 思而为诸般修饰,但是其全都不脱离如所附权利要求书所请求保护的范围。
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。