一种胶质母细胞瘤自噬相关预后模型的建立方法与流程

1.本发明涉及医学技术领域，尤其涉及胶质母细胞瘤自噬相关预后模型的建立方法。


背景技术：

2.胶质瘤是最常见的神经系统恶性肿瘤，随着who 2016版中枢神经系统肿瘤分型的发布，胶质瘤及其他分子肿瘤正式进入了分子诊断时代，其典型的预后分子标志物包括idh1/2突变、tert突变、1p/19q缺失以及mgmt甲基化等，已成为当前常规胶质瘤病理诊断所需检测项目。
3.然而，预后标志物仅能提示一类人群的生存时间os和无进展生存时间pfs，却仍然无法很好地进行个体化的预后判断，此外，自噬活动异常是一个新发现的肿瘤特征，与肿瘤的发生、生存和治疗有关，如果合理利用自噬在gbm中的作用机制，将有助于有效利用自噬来治疗gbm。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的胶质母细胞瘤自噬相关预后模型的建立方法。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种胶质母细胞瘤自噬相关预后模型的建立方法，包括以下步骤：
7.s1：通过cox回归分析筛选与gbm预后相关的自噬基因；
8.s2：分别构建gbm的os预后风险比例模型和pfs预后风险比例模型；
9.s3：通过k-m生存分析刻画gbm风险比例模型预测效能；
10.s4：对os预后风险比例模型和pfs预后风险比例模型分别进行数据处理分析；
11.s5：构建预后预测模型。
12.进一步地，在步骤s1中，对每一个差异自噬基因的连续表达值进行单因素cox回归分析，识别出预后显著的基因；
13.以性别和年龄作为协变量，继续进行多因素cox回归分析，进一步识别到最终的预后显著的基因，即：p值《0.05。
14.进一步地，在步骤s2中，构建gbm的os预后风险比例模型的具体流程为：利用多变量cox回归结果中的基因的回归系数组建风险模型，在每一个样本中计算风险得分risk score。
15.进一步地，在步骤s3中，利用构建的risk score以中位值作为阈值将样本分成两组：将大于等于中位值的分为高风险组，将低于中位值的分为低风险组，并进行km曲线分析。
16.进一步地，在s4中，对os预后风险比例模型的处理分析流程为，进行os预后风险比例模型在独立数据集中预测效能的验证，获得包含样本的基因表达数据和样本的生存数
据；
17.计算每个样本的风险得分，依据得分均值将样本分成高风险组和低风险组，进行km曲线分析，发现数据中生存时间显著的差异。
18.进一步地，在s4中，对pfs预后风险比例模型的处理分析流程为，进行自噬基因在高低风险得分组的表达差异分析。
19.相比于现有技术，本发明的有益效果在于：
20.构建的风险模型能够很好地在tcga中预测病人整体生存，并可以独立数据中得到验证；
21.通过分析，筛选整合tcga-gbm数据库中差异表达的自噬相关基因，分别利用功能富集分析筛选与预后相关的自噬基因，进行预后回归分析，计算预后风险比例模型，并在另外两个独立的geo数据集中验证风险比例模型的预测效能，且模型能够与已知的idh1/2突变情况、mgmt甲基化水平以及患者年龄等临床高风险因素结合，具有一定的临床病理意义；
22.建立的预测模型，能够结合临床因素(idh突变状态和年龄)，很好地在tcga中预测病人无进展生存。
附图说明
23.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
24.图1为本发明提出的胶质母细胞瘤自噬相关预后模型的步骤流程图；
25.图2为本发明提出的胶质母细胞瘤自噬相关预后模型的逻辑图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
27.实施例一
28.参照图1-2，胶质母细胞瘤自噬相关预后模型的建立方法，包括以下步骤：
29.s1：通过cox回归分析筛选与gbm预后相关的自噬基因；
30.s2：分别构建gbm的os预后风险比例模型和pfs预后风险比例模型；
31.s3：通过k-m生存分析刻画gbm风险比例模型预测效能；
32.s4：对os预后风险比例模型和pfs预后风险比例模型分别进行数据处理分析；
33.s5：构建预后预测模型。
34.具体的，在步骤s1中，对每一个差异自噬基因的连续表达值进行单因素cox回归分析，识别出预后显著的基因；
35.以性别和年龄作为协变量，继续进行多因素cox回归分析，进一步识别到最终的预后显著的基因，即：p值《0.05，分别为p4hb、casp1、diras3、serpina1、cflar、ctsl1、itpr1、nfkb1、myc、hspa5和ddit3。
36.在步骤s2中，构建gbm的os预后风险比例模型的具体流程为：利用上一步中多变量cox回归结果中的基因的回归系数组建风险模型，在每一个样本中计算风险得分risk score：
37.risk score＝0.1439*p4hb_exp 0.0998*casp1_exp 0.0906*diras3_exp 0.0633*serpina1_exp 0.2406*cflar_exp 0.1474*ctsl1_exp 0.1614*itpr1_exp 0.1767*nfkb1_exp (-0.0897)*myc_exp 0.1975*hspa5_exp 0.1398*ddit3_exp。公式中的exp表示每个基因在特定样本中的表达值。
38.在步骤s3中，利用构建的risk score以中位值作为阈值将样本分成两组：将大于等于中位值的分为高风险组，将低于中位值的分为低风险组，并进行km曲线分析。
39.在s4中，对os预后风险比例模型的处理分析流程为，进行os预后风险比例模型在独立数据集中预测效能的验证，获得包含样本的基因表达数据和样本的生存数据；
40.对于4套geo数据验证，gse83300，gse61335，gse4412和gse84010，它们均包含基因表达数据和样本的生存数据，分别包含50,44,59和333个样本。
41.计算每个样本的风险得分，依据得分均值将样本分成高风险组和低风险组，进行km曲线分析，发现数据中生存时间显著的差异。(p value＝0.0409,0.0168,0.0375和0.027)。
42.在s4中，对pfs预后风险比例模型的处理分析流程为，进行自噬基因在高低风险得分组的表达差异分析，具体流程为：高低风险组中，每个自噬基因的表达差异如图prog_genes_diff_pfs.pdf，所有基因在两组中差异的p value均小于0.0001。
43.实施例二
44.在实施例一的基础上，结合tcga gbm表达数据，识别52个差异表达自噬基因，作为同一发明的优选实施例，具体如下：
45.在步骤s1和s2中，对每一个差异自噬基因(52个)的连续表达值进行单因素cox回归分析，识别18个预后显著的基因(pvalue《0.05)，以性别和年龄作为协变量，继续进行多因素cox回归分析，最终识别到11个预后显著的基因(p value《0.05)，它们分别是p4hb、casp1、diras3、serpina1、cflar、ctsl1、itpr1、nfkb1、myc、hspa5和ddit3；
46.利用这些基因的表达的中位数和最佳分割点进行分组得到的km曲线结果，其中最佳分割点的确定，在每个基因的表达向量中遍历25％到75％的百分位点的分割样本组，选择生存差异最大的百分位点；
47.利用得到的多变量cox回归的结果中11个基因的回归系数组建风险模型，在每一个样本中计算风险得分risk score，其中：
48.构建gbm的os预后风险比例模型为，risk score＝0.1439*p4hb_exp 0.0998*casp1_exp 0.0906*diras3_exp 0.0633*serpina1_exp 0.2406*cflar_exp 0.1474*ctsl1_exp 0.1614*itpr1_exp 0.1767*nfkb1_exp (-0.0897)*myc_exp 0.1975*hspa5_exp 0.1398*ddit3_exp，公式中的exp表示每个基因在特定样本中的表达值。
49.构建gbm的pfs预后风险比例模型方式为，risk score＝0.1121*casp1_exp 0.2205*sh3glb1_exp 0.0951*diras3_exp 0.1049*serpina1_exp 0.1597*cflar_exp 0.1658*ctsl1_exp 0.1129*casp4_exp 0.1093*fas_exp (-0.0983)*myc_exp 0.1593*tmem49_exp 0.1976*hspa5_exp 0.1043*ddit3_exp，公式中的exp表示每个基因在特定样本中的表达值。
50.在步骤s3中，利用构建的risk score以中位值作为阈值将样本分成两组：将大于等于中位值的分为高风险组，将低于中位值的分为低风险组，并进行km曲线分析，其中：
51.gbm的os预后风险比例模型的结果显著二者具有显著的生存差异(p value＝0.0012)；
52.pfs预后风险比例模型的结果显著二者具有显著的生存差异(pvalue＝0.00091)。
53.在s4中，对os预后风险比例模型的处理分析流程为，进行os预后风险比例模型在独立数据集中预测效能的验证：
54.对于4套geo数据验证，分别为gse83300、gse61335、gse4412和gse84010，它们均包含基因表达数据和样本的生存数据，分别包含50,44,59和333个样本；
55.计算每个样本的风险得分，依据得分均值将样本分成高风险组和低风险组，进行km曲线分析，发现数据中生存时间显著的差异(p value＝0.0409,0.0168,0.0375和0.027)。
56.在s4中，对pfs预后风险比例模型的处理分析流程为，进行自噬基因在高低风险得分组的表达差异分析，具体流程为：高低风险组中，所有基因在两组中差异的p value均小于0.0001。
57.在上述实施的基础上，综合预测模型(prognosis_index)和临床病理风险因子(idh_status和age)，构建预后预测模型，同时构建roc预测1年生存率图，并展示列线图。
58.综上所述，在tcga gbm表达数据中识别了52个差异表达自噬基因，其中11个能够预测病人整体生存，基于这11个基因构建的风险模型能够很好地在tcga中预测病人整体生存，并在4套独立数据中得到验证，该预测模型与一些临床因素(idh突变状态和年龄)显著相关；
59.另外12个基因能够预测病人无进展生存，基于这12个基因构建的风险模型能够很好地在tcga中预测病人无进展生存，该预测模型与一些临床因素(idh突变状态和年龄)显著相关。
60.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。