目的:验证EGFR 19del E746-A750和21L858R突变抗体的灵敏度和特异性以及免疫组织化学与RTPCR方法的一致性,并探讨免疫组化在肺腺癌EGFR基因突变状态评价中的应用。方法:采用免疫组织化学方法对139例经过RT-PCR验证EGFR基因突变状态的病...目的:验证EGFR 19del E746-A750和21L858R突变抗体的灵敏度和特异性以及免疫组织化学与RTPCR方法的一致性,并探讨免疫组化在肺腺癌EGFR基因突变状态评价中的应用。方法:采用免疫组织化学方法对139例经过RT-PCR验证EGFR基因突变状态的病例进行检测。并采用SPSS19.0软件对两种方法的检测结果进行一致性分析。结果:与RT-PCR结果相比,EGFR del E746-A750和L858R突变抗体的总体敏感性为78.5%,特异性为93%。分别分析EGFR del E746-A750和L858R特异抗体,前者的敏感性和特异性分别是64.3%和97.8%,后者为90.3%和95.2%。采用SPSS19.0软件进行Kappa检验显示免疫组化和RT-PCR的结果高度一致。结论:EGFR del E746-A750和L858R突变抗体具有良好的灵敏度和特异性,结合全自动免疫组化仪进行EGFR基因突变检测是一种经济便捷可靠的方法。展开更多
目的基于基因组学的数据,通过机器学习,构建胃癌相关甲基化预测模型。方法下载TCGA(The Cancer Genome Atlas)数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据,进行特征选择,构建支持向量机(径向基核函数)、随机森林和误差反...目的基于基因组学的数据,通过机器学习,构建胃癌相关甲基化预测模型。方法下载TCGA(The Cancer Genome Atlas)数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据,进行特征选择,构建支持向量机(径向基核函数)、随机森林和误差反向传播(error back propagation,BP)神经网络模型,并在新的数据集中进行模型的验证。结果在3个模型中BP神经网络的检验效能最高(F1 值=0.89,Kappa=0.66,受试者工作特征曲线下面积=0.93)。结论 BP神经网络能够充分利用分子检测的基因组数据进行机器学习,可以用于胃癌相关甲基化预测。展开更多
文摘目的:验证EGFR 19del E746-A750和21L858R突变抗体的灵敏度和特异性以及免疫组织化学与RTPCR方法的一致性,并探讨免疫组化在肺腺癌EGFR基因突变状态评价中的应用。方法:采用免疫组织化学方法对139例经过RT-PCR验证EGFR基因突变状态的病例进行检测。并采用SPSS19.0软件对两种方法的检测结果进行一致性分析。结果:与RT-PCR结果相比,EGFR del E746-A750和L858R突变抗体的总体敏感性为78.5%,特异性为93%。分别分析EGFR del E746-A750和L858R特异抗体,前者的敏感性和特异性分别是64.3%和97.8%,后者为90.3%和95.2%。采用SPSS19.0软件进行Kappa检验显示免疫组化和RT-PCR的结果高度一致。结论:EGFR del E746-A750和L858R突变抗体具有良好的灵敏度和特异性,结合全自动免疫组化仪进行EGFR基因突变检测是一种经济便捷可靠的方法。
文摘目的基于基因组学的数据,通过机器学习,构建胃癌相关甲基化预测模型。方法下载TCGA(The Cancer Genome Atlas)数据库中胃癌基因突变数据、基因表达数据和甲基化芯片数据,进行特征选择,构建支持向量机(径向基核函数)、随机森林和误差反向传播(error back propagation,BP)神经网络模型,并在新的数据集中进行模型的验证。结果在3个模型中BP神经网络的检验效能最高(F1 值=0.89,Kappa=0.66,受试者工作特征曲线下面积=0.93)。结论 BP神经网络能够充分利用分子检测的基因组数据进行机器学习,可以用于胃癌相关甲基化预测。