[发明专利]下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法及预测系统

权利要求书

1.一种下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法，包括：

由计算机装置利用受试者组织的RNA测序数据来测定靶基因的表达量；

由所述计算机装置向预先设定的人工神经网络输入所述靶基因的表达量；及

由所述计算机装置基于所述人工神经网络的输出值来对所述受试者推定乳腺癌预后，

所述人工神经网络预先设定为，将多个样品的靶基因表达量作为输入值，输出基于所述多个样品的致癌类型的复发分数的结果，

其中所述靶基因包括：

ACTB、APOBEC3B、ASF1B、ASPM、AURKA、AURKB、BAG1、BCL2、BIRC5、BLM、BUB1、BUB1B、C14orf45、C16orf61、C7orf63、CACNA1D、CCNA2、CCNB1、CCNB2、CCNE1、CCNE2、CCT5、CD68、CDC20、CDC25A、CDC45、CDC6、CDCA3、CDCA8、CDK1、CDKN3、CENPA、CENPE、CENPF、CENPM、CENPN、CEP55、CHEK1、CIRBP、CKS2、CRIM1、CTSL2、CX3CR1、CYBRD1、DBF4、DDX39、DLGAP5、DNMT3B、DONSON、DTL、E2F1、E2F8、ECHDC2、ERBB2、ERCC6L、ESPL1、ESR1、EXO1、EZH2、FAM64A、FANCI、FBXO5、FEN1、FOXM1、GAPDH、GINS1、GRB7、GSTM1、GTSE1、GUSB、HJURP、HMMR、HN1、IFT46、KIF11、KIF13B、KIF14、KIF15、KIF18A、KIF18B、KIF20A、KIF23、KIF2C、KIF4A、KIFC1、KPNA2、LMNB1、LMNB2、LRIG1、LRRC48、LRRC59、MAD2L1、MARCH8、MCM10、MCM2、MCM6、MELK、MKI67、MLF1IP、MMP11、MYBL2、NCAPG、NCAPG2、NCAPH、NDC80、NEK2、NUP93、NUSAP1、OIP5、PBK、PDSS1、PGR、PKMYT1、PLK1、PLK4、PRC1、PTTG1、RACGAP1、RAD51、RAD51AP1、RAI2、RFC4、RPLP0、RRM2、SCUBE2、SETBP、SF3B3、SHCBP1、SHMT2、SLC25A1、SLC7A5、SPAG5、SPC25、SQLE、STARD13、STIL、STMN1、SYNC、TACC3、TFRC、TK1、TOP2A、TPX2、TRIP13、TROAP、TTK、UBE2C、UBE2S和ZWINT。

2.根据权利要求1所述的下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法，其中，

所述计算机装置以NGS方法来测定所述靶基因的表达量。

3.根据权利要求1所述的下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法，其中，

所述靶基因包括用于致癌类型复发分数运算的16个基因及与所述复发分数的相关度为基准值以上的附加基因，

所述附加基因选择如下基因：对于ER受体为良性且淋巴结未转移的样品的多个基因分别执行所述复发分数和相关分析、且相关系数在基准值以上的多个基因。

4.根据权利要求1所述的下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法，其中，

所述RNA测序数据包括在多个样品数据中共通表达的守恒外显子区域。

5.根据权利要求1所述的下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法，其中，

所述计算机装置利用TMM方法将所述靶基因的表达量归一化，并将归一化的表达量向所述人工神经网络输入。

6.根据权利要求1所述的下一代利用碱基序列分析的基于机器学习的乳腺癌预后预测方法，其中，

所述人工神经网络包括全连接构造(fully connected)的三个隐藏层，对应各层而应用批量归一化。