[发明专利]一种定量评估烟草引起分子突变程度的方法

权利要求书

1.一种定量评估烟草引起分子突变程度的方法，其特征在于，包括以下步骤：

(1)获取数据；针对LUAD、LUSC和SCLC获取数据集；

(2)数据预处理；将LUAD的样本作为训练集，按照pack year分为三组：重度吸烟患者(heavy)：pack year≥60；轻度吸烟患者(light)：0≤pack year<60；从不吸烟患者(never)：pack year＝0，所有数据集按照pack year给样本赋予类标签，将LUAD的样本里heavy组作为正样本，never组作为负样本进行机器学习；在特征提取方面，研究烟草暴露对肺癌肿瘤基因的变异影响，以每个样本的TMB和TTR作为特征进行模式识别；

(3)机器学习与分类器；以LUAD肿瘤样本为训练样本，样本类标签根据其临床吸烟信息heavy smoker为正样本，never smoker为负样本，将TMB和TTR作为样本的特征运用最大熵算法进行模式识别可得到分类器，分类器预测值F-score作为由烟草引起的分子突变程度的得分，得分大于0表示有与吸烟相关的分子突变，得分小于0表示没有与吸烟相关的分子突变，值大小表示分子突变程度，实现了外因烟草诱发肿瘤细胞基因变异的定量评估。

2.根据权利要求1所述定量评估烟草引起分子突变程度的方法，其特征在于，所述步骤(1)数据集获取是指LUAD有两个独立的数据集：GDC数据集下载自基因组数据共享网站https://portal.gdc.cancer.gov/，是体细胞突变的全外显子组数据；该数据集共包含567个样本，作为建模的训练集；另一个数据集来自一篇文献，共有183个LUAD肿瘤样本，选择其中的159个外显子组数据样本作为测试集；LUSC数据集：下载自GDC网站，一共有492个外显子组测序样本，作为模型的测试集；SCLC数据集：两个独立的数据集作为模型的测试集来自两篇文献；一个包含30个外显子组测序样本，另一个包含27个外显子组测序样本。

3.根据权利要求1所述定量评估烟草引起分子突变程度的方法，其特征在于，所述步骤(3)机器学习获得的分类器为：

F_i＝0.4615x_i+0.8681y_i+0.3584

其中x_i是用z-score方法规范化后的log₂TMB，y_i是用z-score方法规范化后的TTR；规范化参数为训练集样本的均值和标准差，log₂TMB：均值7.1848、标准差1.8573；TTR：均值1.0255、标准差0.9077。

4.根据权利要求1所述定量评估烟草引起分子突变程度的方法，其特征在于，所述步骤(3)机器学习过程中，采用5折交叉验证的训练方法，LUAD(GDC)样本中，随机选取4/5作为训练集，剩余1/5作为验证集，训练过程循环1000次，训练参数的中位值作为最终模型的参数系数和常量值；分类效果由SN、SP、ACC来评估，在此SN表示heavy smoker样本被正确预测为正样本的比例，SP表示never smoker样本被正确预测为负样本的比例，ACC表示所有被预测正确样本所占的比例；LUAD(Broad)数据集作为测试集进行模型泛化性的检验，最后对包含LUAD在内的所有肺癌数据集样本进行预测。