(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210302567.9 (22)申请日 2022.03.25 (71)申请人 广东省科 学院生物与医学工程研究 所 地址 510316 广东省广州市海珠区江海大 道中(原石榴岗路10号) (72)发明人 杨泽锐　邹丽丽　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 薛建强 (51)Int.Cl. G16B 40/00(2019.01) G16B 25/10(2019.01) G16B 5/00(2019.01) C12Q 1/6886(2018.01)C12N 15/11(2006.01) (54)发明名称 一种用于预测子宫颈癌患者预后情况的分 子标记组合及其应用 (57)摘要 本发明公开了一种用于预测子宫颈癌患者 预后情况的分子标记组合及其应用。 本发明将筛 选的包括CHMP4C、 SLC25A5和VDAC1的三个NRGs作 为分子标志物组合， 建立了具有3个NRGs的风险 预测模型， 并将子宫颈癌患者分为高、 低风险组。 本发明中的风险预测模型预测1年生存期时对应 的AUC值为0.694， 预测3年生存期时对应的AUC值 为0.703， 预测5年生存期时对应的AUC值为 0.664， 具有更好的准确性和特异性。 且本发明中 的风险预测模型的预测性能已在验证集中得到 验证。 本发 明中的模型可以有效预测子宫颈癌患 者的预后， 这有助于临床治疗方案的选择， 进而 实现子宫颈癌的早干预早治 疗。 权利要求书2页 说明书6页 附图9页 CN 114724634 A 2022.07.08 CN 114724634 A 1.一种分子标志物组合， 其特征在于， 所述分子标志物组合为CHMP4C、 SLC25A5和VDAC1 的组合。 2.权利要求1所述的分子标志物组合在制备子宫颈癌预后风险预测和/或诊断产品中 的应用。 3.权利要求1所述的分子标志物组合在构建子宫颈癌患者预后风险预测模型中的应 用。 4.一种子宫颈癌患者预后风险预测模型的构建方法， 其特征在于， 所述构建方法包括 以下步骤： (1)收集子宫颈癌样本和正常样本的基因表达数据以及对应患者的临床信息数据， 并 将其纳入训练集， 随后对训练集中的基因表达数据进行 标准化处理， 以获得基因表达矩阵； (2)使用R包limma对步骤(1)中基因表达矩阵中的人类坏死性凋亡相关基因进行差异 表达分析， 筛选获得差异表达的人类坏死性凋亡相关基因的基因表达谱， 设定筛选的标准 为P<0.05且差异倍数的绝对值>2； (3)对步骤(2)中获得的差异表达的人类坏死性凋亡相 关基因表达谱与对应患者的临 床信息数据中的生存数据进 行合并， 进 行单因素Cox回归分析， 筛选出与子 宫颈癌预后相关 的人类坏死性凋亡相关基因， 筛选的标准为P<0.05； 再进行LASSOCox回归模型构建， 得到子 宫颈癌患者预后风险预测模型， 所述预后风险预测模型的风险评分计算公式如下： 其中， n为预后基因数， expi为基因i的表达值， βi为基因i的回归系数。 5.根据权利要求 4所述的构建方法， 其特 征在于， 所述方法还 包括： 基于所述训练集数据， 评估所述 风险预测模型的预测性能。 6.根据权利要求5所述的构建方法， 其特征在于， 所述基于所述训练集数据， 评估所述 模型的预测性能包括以下步骤： 基于所述风险评分计算公式计算步骤(1)中的训练集中每个子宫颈癌患者的风险评 分； 基于所获得的风险评分， 依据风险评分的中位数将训练集中的子宫颈癌样本分为高风 险组和低风险组； 使用所述训练集的Kaplan ‑Meier曲线评估所述高风险组和低风险组在生存情况方面 是否具有显著差异； 使用所述训练数据的受试者工作特 征曲线分析评估风险预测模型的拟合优度。 7.根据权利要求 4所述的构建方法， 其特 征在于， 所述方法还 包括： 获取验证集数据， 基于所述验证集数据， 评估所述 风险预测模型的效能。 8.根据权利要求7所述的构建方法， 其特征在于， 所述基于所述验证集数据， 评估所述 风险预测模型的效能包括以下步骤： 基于所述 风险评分计算公式计算验证集中的每 个子宫颈癌 患者的风险评分； 基于所获得的风险评分， 依据训练集风险评分的中位数将验证集中的样本分为高风险 组和低风险组； 使用所述验证集数据的Kaplan ‑Meier曲线评估所述高风险组和低风险组在生存情况 方面是否具有显著差异；权　利　要　求　书 1/2 页 2 CN 114724634 A 2使用所述验证集数据的受试者工作特 征曲线分析评估所述 风险预测模型的拟合优度。 9.根据权利要求4所述的构建方法， 其特征在于， 步骤(3)中差异表达的人类坏死性凋 亡相关基因具体包括1DH1、 TNFRSF10B、 CHMP4C、 PGAM5、 EZH2、 STAT5B、 TRADD、 IL33、 KLF9、 AXL、 HSP90AA1、 SLC25A5、 CDKN2 A、 IDH2、 VDAC1、 CAPN1、 PARP1。 10.根据权利要求4所述的构建方法， 其特征在于， 步骤(3)中所述风险预测模型的风险 评分为： 风险评分＝0.0659 ×CHMP4C基 因表达水平 ‑0.0030×SLC25A5基 因表达水平+0.0102 × VDAC1基因表达水平。权　利　要　求　书 2/2 页 3 CN 114724634 A 3