[发明专利]一种应用贝伐珠单抗干预的机体卵巢癌细胞增殖或凋亡的预测方法

说明书

本发明涉及一种应用贝伐珠单抗干预的机体卵巢癌细胞增殖或凋亡的预测方法，与现有技术相比解决了难以对卵巢癌细胞数据干预后的增殖/凋亡进行预测的缺陷。本发明包括以下步骤：机体卵巢癌细胞基础数据的获取与预处理；增殖/凋亡预测模型的构建；应用贝伐珠单抗干预的机体卵巢癌细胞增殖/凋亡的预测。本发明基于机器学习模型，构建机体卵巢癌细胞应用贝伐珠单抗干预后的显著特征提取和预测模型，不仅可以得到影响机体卵巢癌细胞应用贝伐珠单抗干预后增殖/凋亡的显著特征，还能够大大缩短分析预测所需要的时间，规避了知识局限性与人工疲劳问题，同时，基于本发明所得预测值与实际值具有较好的一致性，准确率较高。

技术领域

本发明涉及生物大数据分析技术领域，具体来说是一种应用贝伐珠单抗干预的机体卵巢癌细胞增殖或凋亡的预测方法。

背景技术

卵巢癌是常见的妇科恶性肿瘤之一，其病死率在妇科癌症中排名第二。肿瘤细胞减灭术和以铂为基础的化疗仍然是新诊断的晚期卵巢癌患者的一线治疗方法。大多数患者在一线治疗后没有疾病迹象，但大约70％的患者在接下来的3年内复发。复发性卵巢癌目前是不可治愈的，在每次复发时给予连续治疗，无进展生存期(Progression free survival，以下简称“PFS”)逐渐缩短，患者的后续治疗越来越困难，生存预后越来越差。临床工作中迫切需要延长卵巢癌患者的PFS来改善患者的生存预后。随着贝伐珠单抗等抗血管生成治疗作为一线治疗方案的加入，卵巢癌患者的PFS得到了一定的延长，但仅对一部分患者有效。另外，贝伐珠单抗治疗成本高且有潜在的药物毒性作用，往往给患者带来沉重的经济、生理和心理负担。考虑到贝伐单抗治疗的成本、潜在毒性和有限的临床效益，临床中致力于识别贝伐珠单抗应用的优势人群并建立准确的贝伐珠单抗的疗效预测模型。

对于疗效预测模型的建立，相关临床研究周期长，往往不可避免地面临失访、出组、偏倚等风险。建立动物模型也存在非人源、周期长、成本高等问题。目前针对临床研究和动物实验的弊端，利用类器官芯片细胞实验平台建立卵巢癌类器官芯片模型，在此基础上进行相关预测模型的建立应运而生。在细胞层面上，卵巢癌应用贝伐珠单抗治疗的疗效评价可拆解为卵巢癌细胞应用贝伐珠单抗干预后细胞增殖或凋亡。对于细胞增殖或凋亡的评估依赖于研究人员手动进行肿瘤附着和容量测定，人工计数悬浮于培养基介质上的细胞数量并量化评估肿瘤体积，费时费力且判断细胞增殖/凋亡程度的准确性高度依赖于研究人员的知识、经验和偏好。我们可通过调节卵巢癌类器官芯片培养过程中温湿度环境和培养基介质的理化环境，模拟机体卵巢癌肿瘤微环境，并获得应用贝伐珠单抗干预前后，肿瘤微环境中各种指标的变化情况等数据，这些数据庞大复杂，难以通过人工统计进行全特征分析，往往只能挑选其中一项指标，统计分析其中的变化情况和肿瘤增殖/凋亡的相关关系。这些特征数据往往不是同等重要的，其中很多特征的数据对细胞增殖/凋亡参考意义不大。这导致研究人员在分析时，常常耗费大量时间在干扰特征上，而容易忽略某些有意义的特征数据。

那么，如何将卵巢癌细胞作为数据载体，基于机体卵巢癌细胞贝伐珠单抗干预下的增殖/凋亡数据，利用大数据分析技术从卵巢癌肿瘤微环境中的众多特征数据中提取影响贝伐珠单抗干预的机体卵巢癌细胞增殖/凋亡的显著特征。

在解决影响贝伐珠单抗干预的机体卵巢癌细胞增殖/凋亡工作方面，目前缺少有效的方法。当前，主流的特征维数降低的方法，如主成分分析(principal componentanalysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)等传统降维算法在降低特征维数的同时，降维得到的特征数据与原始特征很难找到对应关系，无法实现显著特征提取。建立一套高效的应用贝伐珠单抗干预的机体卵巢癌细胞增殖/凋亡的预测模型，将有助于减轻研究人员密集的寻找特征数据工作，有助于提升研究人员对机体卵巢癌细胞应用贝伐珠单抗干预后的指标数据的精准解读，有助于解决研究人员容易忽略的对贝伐珠单抗干预结果具有重要参考意义的特征的问题。根据提取的显著特征，进一步优化生存预测模型，提高预测性能。

因此，如何利用大数据分析技术，基于机体卵巢癌细胞数据，预演、分析、预测出机体内卵巢癌细胞在贝伐珠单抗干预情况下的增殖/凋亡，已成为急需解决的技术问题。