申请/专利权人：安徽工业大学

申请日：2024-03-20

公开（公告）日：2024-06-07

公开（公告）号：CN118155714A

主分类号：G16B20/50

分类号：G16B20/50;G16B25/00;G16B40/00;G16H30/00;G06V10/25;G06V10/74;G06T7/11;G06N3/0464;G06V10/82;G06N3/0985;G06V10/764

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.25#实质审查的生效;2024.06.07#公开

摘要：本发明公开了用于揭示肺癌亚型TP53突变所引起的不同组学之间内在联系的方法，属于技术领域，包括对TP53突变组与野生组在组织微生物上做差异分析、对TP53分组在免疫细胞成分上做差异分析以及免疫细胞与微生物群落的相关性分析等步骤。本发明先将两种肺癌亚型按照TP53是否突变进行分组，然后通过对瘤内微生物，免疫细胞，病理图像特征三部分组学数据进行分析，再训练了一个基于多模态数据的深度学习模型来预测TP53突变，最后通过可视化展示了不同组学之间的具体联系以及模型所关注的病理图像区域。

主权项：1.用于揭示肺癌亚型TP53突变所引起的不同组学之间内在联系的方法，其特征在于，包括以下步骤：S1：对TP53突变组与野生组在组织微生物上进行差异分析对肺腺癌、肺鳞癌的TP53突变组和野生组在瘤内微生物群落进行α、β多样性分析，即分析是否存在差异，之后再通过LEfSe分析具体存在的差异的细菌微生物；S2：对TP53分组在免疫细胞成分上进行差异分析以及对免疫细胞与微生物群落进行相关性分析通过CIBERSORT算法来计算步骤S1中两种肺癌亚型在免疫微环境中22种不同免疫细胞的占比，然后分析非小细胞肺癌的TP53分组在免疫细胞上是否存在差异，再将得到的差异的免疫细胞与步骤S1中差异的细菌微生物做Spearman相关性分析；S3：对两种肺癌亚型中TP53突变组与野生组在病理图像特征上进行差异分析以及对病理图像特征与免疫细胞进行相关性分析对组织病理图像进行处理变换，再通过Hu矩算法提取图像特征，将提取得到的肺癌亚型病理图像特征进行TP53分组并做差异分析，然后将病理图像特征与步骤S2中差异的免疫细胞做相关性分析；S4：基于多模态深度学习方法来预测TP53突变并验证不同组学之间的关联构建多模态深度学习模型来预测TP53突变，利用步骤S1～S3中所用到的多组学数据输入模型中共同训练，并通过模型验证不同组学之间的内在联系；S5：不同组学之间的联系以及模型的可视化利用步骤S1～S3的分析结果绘制多个微生物-免疫细胞-病理图像轴并进行可视化展示，应用Grad-CAM算法进行对模型关注区域进行可视化展示。

全文数据：

权利要求：

百度查询： 安徽工业大学 用于揭示肺癌亚型TP53突变所引起的不同组学之间内在联系的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD