一种银屑病精准分型模型的构建方法及其应用

1.本发明涉及医药技术领域，具体涉及一种银屑病精准分型模型的构建方法及其应用。


背景技术：

2.银屑病是一种常见的慢性自身炎症性皮肤病，其特征是分界清晰的红斑和鳞状皮肤病变，伴有明显的皮肤和关节表现。慢性斑块或寻常型银屑病是最常见的银屑病形式，其中病变是由先天性和适应性免疫系统功能障碍引起的表皮角质形成细胞的过度增殖和分化破坏引起的。值得注意的是，目前，我国已有银屑病患者超百万，且发病率有明显的上升的趋势。银屑病本身以及相应的治疗可能会导致多器官和系统损害，如:代谢综合征、心血管疾病、精神疾病、感染、肿瘤、消化系统疾病、肾脏疾病、关节炎等。因此，银屑病仍然是一种值得关注的疾病，急需精准的治疗措施。
3.美国皮肤病学会推荐生物制剂作为中重度斑块状银屑病的一线治疗方案，因为其疗效优于其他治疗方案，且安全性可接受。具体而言，最常用的生物制剂是肿瘤坏死因子-α(tnf-α；包括依那西普和阿达木单抗)和细胞因子靶向治疗，如白细胞介素(il)-12/23的p40亚单位(乌司奴单抗)和il-17(布达鲁单抗)。这些生物制剂在治疗银屑病时引起的全身性抗炎反应可降低合并症的严重程度。然而，仍有相当数量的银屑病患者对这些疗法反应不足，这可能是银屑病的病理生理背景异质性造成的。因此，通过识别和表征具有相似目标状态和分子生物标志物的患者亚组来可靠地预测治疗反应有待进一步探索并加以阐明。
4.银屑病面积严重程度指数(pasi)是评估银屑病严重程度和治疗决策的最广泛使用的量表。患者开始银屑病治疗后，从皮肤活检样本中最早可检测到的组织反应到可以看到显著临床反应的最早点(定义为银屑病面积降低75％，严重程度指数[pasi]评分[pasi75]定义为临床反应)，之间通常会延迟数周至数月。这种差距可能导致患者花费很长时间使用可能对他们无效的治疗，从而增加经济负担、不良事件风险和疾病进展。
[0005]
此外，已经设计了几种患者分层算法来对来自独立数据集的样本进行聚类。最近，银屑病皮肤组织的基因表达谱已被用于提供解释治疗结果差异的病理生理学见解。ainali等从单一的慢性斑块状银屑病皮肤转录组谱中揭示了两个不同的分子亚组，并指出其中一个富集于转化生长因子-β和erbb信号通路的亚组可能更适合生物制剂治疗。wang等通过对银屑病皮肤转录组学特征的荟萃分析，确定了两种不同的免疫表型，并构建了银屑病微环境评分。在非皮损表型中，参与角质形成细胞分化的基因过表达与临床应答改善相关。虽然这些研究揭示了不同亚型之间的一些共同特征，但其结论并不一致。因此，对银屑病皮肤亚型的不同和共同特征获得更深刻和全面的机制认识，对于确定难治性银屑病患者的病理生物学方法是必要的。


技术实现要素：

[0006]
银屑病是一种复杂的多因素疾病，过去几年出现了各种新疗法。尽管靶向治疗已
经改进，但银屑病仍然是一种可以治疗但迄今为止无法治愈的疾病。本发明提供了一种银屑病精准分型模型的构建方法及应用。
[0007]
总之，本发明旨在将牛皮癣皮肤组织解卷积为病理离散的亚群，并根据治疗反应描述了它们独特的分子和细胞特征。并将皮肤转录组学数据与机器学习算法相结合构建分型模型，从“免疫”的视角重新审视银屑病的潜在靶向生物制剂。我们的研究结果为银屑病的不同和共同的机制特征提供了重要的见解，以确定使耐药银屑病患者受益的病理生物学方法。
[0008]
为了达到上述目的，本发明采用了下列技术方案：
[0009]
一种银屑病精准分型模型的构建方法，通过挖掘基因表达综合数据库中公开的基因表达数据和临床注释，使用r包“consensuclusterplus”算法进行了无监督分层聚类：聚类方法采用带有欧氏距离和ward-d2链接的pam算法，通过累积分布函数识别聚类个数，将银屑病患者分为a型、b型和c型；并采用主成分分析对无监督分层聚类结果进行了验证，完成银屑病精准分型模型的构建。
[0010]
进一步，所述“consensuclusterplus”算法具体包括：首先，从一组项目中进行次抽样，并通过凝聚层次聚类算法将每个子样本划分为最多k个组，该过程重复1000次数，以实现稳定的亚型分层；然后，成对共识值，定义为“两个项目占在同一子样本中发生的次数中有相同的聚类”，计算并存储在每个k的共识矩阵中。
[0011]
进一步，所述a型定义为免疫激活型，其具备强激活的nlr、tlr、rlr、p53、ifn-α/β、ifn-γ、il-17、il-23、t细胞受体和b细胞受体信号通路；并且免疫细胞[包括中性粒细胞、嗜碱性粒细胞、巨噬细胞、浆细胞样树突状细胞(pdc)和单核细胞]和基质细胞(包括上皮细胞、角质形成细胞和皮脂细胞)在亚型a中的活化程度高于亚型b和c。
[0012]
所述b型定义为混合型，在所有的信号通路中均轻度激活；
[0013]
所述c型定义为间质增殖型，在wnt和ppar信号通路中呈现基质增殖和富集的特征，并大量浸润成纤维细胞和内皮细胞。
[0014]
进一步，所述挖掘基因表达综合数据库中公开的基因表达数据和临床注释的具体方法为：
[0015]
(1)使用色谱柱或溶剂从样品中提取rna，从提取的rna中分离出mrna，留下rrna和trna；
[0016]
(2)创建cdna，对mrna进行逆转录，将患者组样品和正常对照样品与不同的荧光染料结合以产生荧光cdna链；来自患者组样品和正常对照样品的标记cdna被放置在dna微阵列中，以便每个cdna与其互补链杂交，它们也被彻底清洗以去除无界序列；
[0017]
(3)使用微阵列扫描仪完成数据的收集，然后计算机存储数据并立即提供结果，然后分析由此产生的数据，每个点颜色强度的差异决定了该特定点的基因特征。
[0018]
一种根据上述构建方法构建的银屑病精准分型模型的应用，通过分析银屑病亚型中多条通路与各种细胞的表达水平，对患者提供靶向药物治疗建议。
[0019]
一种根据上述构建方法构建的银屑病精准分型模型的应用，用于区别银屑病的亚型，对不同亚型的患者提供甲氨蝶呤和常规生物制剂的治疗建议。
[0020]
与现有技术相比本发明具有以下优点：
[0021]
本发明通过如上方法发现了常规生物制剂以及靶向免疫抑制剂对分型后银屑病
患者的活动情况及对治疗药物的反应息息相关。不同药物的选择可影响免疫响应的强弱，提示某些特定的免疫学特征在银屑病的药物治疗过程中发挥重要作用。根据银屑病测试样本皮肤的特征，本发明根据“consensuclusterplus”算法构建了一套新型的银屑病分型模型，分别为免疫激活型、混合型和间质增殖型。据此模型的算法可对任意有皮肤组织测序数据的患者或动物进行银屑病分型判别。
[0022]
银屑病精准分型模型可有效评价药物治疗的疗效并寻找特征性的靶向生物制剂，通过pasi评分以及银屑病特征基因响应情况，给予患者治疗建议。
[0023]
其中使用xgboost机器学习算法开发了163个基因分类器，对上述收集的芯片进行验证，结果均适用且非常有效，并可作为银屑病临床试验中评估银屑病亚型的有效分类策略。
附图说明
[0024]
图1为银屑病患者皮损和非皮损皮肤样本的上调degs；图1中(a、b)所有deg的火山图和热图；(c-e)表达上调的degs的功能富集分析，go-bp数据库中最重要的20个生物过程，以及kegg和reactome数据库中最重要的5个信号通路；(f)degs上调的蛋白-蛋白网络，网络的节点和边缘分别代表基因以及它们之间的功能或物理关系。
[0025]
图2为基于上调deg的银屑病皮肤亚型的鉴定；图2中(a)银屑病皮肤纲要在k＝3处记录的共识矩阵，一致性矩阵从白色到深蓝色的值为0到1；(b)对k＝2-6的cdf的共识聚类；(c)k＝2-6时cdf曲线下面积的相对变化；(d)对k＝2-6的每个子组的聚类一致性得分，红色水平线表示聚类一致性得分为0.8；(e)deg表达谱的pca显示了分类的稳定性和可靠性；(f)250例银屑病患者的热图，以红色梯度显示了三种银屑病皮肤亚型的基因表达分布，在每一列中，患者根据聚类分配进行分组，红色表示过表达，蓝色表示过表达。
[0026]
图3为银屑病皮肤亚型的基因表达模式；图3中(a-f)a亚型和c亚型关于不同生物过程和途径的分子模式分布，go-bp数据库中最重要的20个生物过程，以及kegg和reactome数据库中最重要的5个信号通路；(g)维恩图显示a亚型和c亚型中表达上调的degs。
[0027]
图4为银屑病皮肤亚型的通路和细胞亚群驱动的特征；图4中(a，b)每个银屑病皮肤亚型的富集通路评分和xcell推断的细胞亚群的box图，采用wilcoxon检验分析了三种亚型之间的差异，ns，不显著；*p《0.05；**p《0.01；***p《0.001。
[0028]
图5为每种银屑病皮肤亚型的治疗反应；图5中(a-d)基于甲氨蝶呤、依那西普、布达鲁单抗和乌司奴单抗治疗反应的银屑病皮肤亚型的分布。
具体实施方式
[0029]
所有统计分析均采用r软件(版本4.0.3)进行。wilcoxon检验和kruskal-wallis检验分别用于两组和两组以上的比较。采用卡方检验或fisher检验分析银屑病皮肤亚型与临床指标的相关性。p《为0.05(双尾检验)，设有统计学意义。
[0030]
检索基因表达综合(geneexpressionomnibus,geo)数据库中公开的基因表达数据和临床注释。包括9个符合条件的银屑病皮肤组织微阵列数据集(gse30999，gse13355，gse14905，gse41662，gse53552，gse34248，gse67853，gse47751和gse50790)用于进一步分析。
[0031]
治疗的独立队列分别包括66、85、73和15个银屑病病变，分别用依那西普、乌司奴单抗、布达鲁单抗和甲氨蝶呤治疗，在治疗开始后使用pasi评分终点测量治疗反应。在这里，当pasi评分较基线水平改善至少75％时，患者被认为是有应答者，否则患者被认为是无应答者。
[0032]
实施例1
[0033]
银屑病样皮肤组织的特征
[0034]
使用色谱柱或溶剂(如苯酚-氯仿)从样品中提取rna。从提取的rna中分离出mrna，留下rrna和trna。由于mrna具有poly-a尾，因此使用带有poly-t尾的柱珠来结合mrna。提取后，用缓冲液冲洗柱子以从珠子中分离出mrna。为了创建cdna(互补dna链)，需要对mrna进行逆转录。然后将两个样品(患者组与正常对照)与不同的荧光染料结合以产生荧光cdna链。这有助于区分cdna的样本类别。来自两个样品(患者组与正常对照)的标记cdna被放置在dna微阵列中，以便每个cdna与其互补链杂交；它们也被彻底清洗以去除无界序列。数据的收集是通过使用微阵列扫描仪完成的。扫描仪的激光激发cdna的荧光，产生信号。当激光扫描阵列时，相机会记录产生的图像。然后计算机存储数据并立即提供结果。然后分析由此产生的数据。每个点颜色强度的差异决定了该特定点的基因特征。
[0035]
从病因入手，通过对250个银屑病患者取病变和非病变皮肤来训练出的模型进行聚类分析，得出163个基因实现分型参考，开创性地将银屑病患者分为新的a、b、c三层，分别对应免疫激活亚型、混合亚型、间质增殖亚型。
[0036]
具体包括如下步骤：
[0037]
1.系统搜索、数据选择和预处理
[0038]
在基因表达综合(geo)数据库中搜索了公开可用的基因表达数据和临床注释。总共有九个微阵列数据集，收集符合条件的银屑病皮肤组织进行进一步分析。如前所述，来自affymetrix的微阵列数据，我们下载了原始“cel”文件，并采用了具有affy和simpleaffy软件包的稳健多阵列平均方法来执行背景校正、分位数归一化和探测集总结。归一化的矩阵文件直接从illumina下载到原始的微阵列数据中。使用sva包中的“combat”算法纠正了来自不同数据集之间的残余技术批效应，以减少系统的、数据集特定的偏差。
[0039]
治疗数据，根据制造商的说明，使用qiagenrneasy试剂盒分离总rna，并使用bioanalyzer2100系统(agilenttechnologies，ca，usa)的rnanano6000assaykit评估rna完整性。使用truseq信使rna(mrna)链库试剂盒制备文库；在novaseq6000平台上对150bp的双末端读数进行测序。使用bcl2fastq软件对每次运行的原始测序数据进行预处理，并使用fastqc软件(版本0.11.9)评估质量。trimgalore(版本0.6.6)用于去除低于20phred质量分数的3'末端核苷酸，并且在修剪后额外读取低于25个核苷酸的无关适配器被丢弃。然后使用带有默认对齐参数的star(版本2.7.10a)处理读取并对齐到ucsc智人参考基因组(buildhg38)。我们使用featurecounts软件(2.0.1版)产生基因水平的表达估计(读取计数)，转换为每百万转录本(tpm)以产生量化数据。
[0040]
2.差异表达基因的筛选和功能富集分析
[0041]
为了识别差异表达基因(degs)，我们使用了limmar包，该包使用线性模型和修正的t检验来建模数据。采用benjamini-hochberg校正进行多重检验调整，校正后的p值《0.05和绝对倍数变化≥1.5被认为具有统计学意义。然后，我们使用metascape在线网站对上调
的deg列表进行了功能富集分析。如果调整后的p值《0.05，则认为该项是显著的。
[0042]
3.构建蛋白质-蛋白质相互作用(ppi)网络
[0043]
为了评估银屑病皮肤样本中degs的连通性，我们基于string、biogrid数据库和cytoscape软件构建了一个ppi网络，其中节点和边分别代表基因以及它们之间的功能或物理关系在网络中，节点和边分别代表基因和它们之间的功能或物理关系。此外，使用分子复合物检测(mcode)算法确定了四个模块具有显著性，并进行富集分析，以鉴定必要模块基因的生物学功能，具体结果如图1所示。如图3所示，使用metascape对每个模块分别应用路径和过程富集分析。基于p值的三个最佳评分术语被保留为相应模块的功能描述符。具体来说，a亚型的特征是具有强激活的nlr、tlr、rlr、p53、ifn-α/β、ifn-γ、il-17、il-23、t细胞受体和b细胞受体信号通路的免疫激活(图3a-c)。c亚型在wnt和ppar信号通路中呈基质增殖和富集的特征(图3d-f)，而b亚型在所有信号通路中均被适度激活。
[0044]
4.基因集富集分析
[0045]
使用broadinstitute的gsea软件进行基因集富集分析(gsea)，以评估银屑病相关的过度表征。关于信号通路或生物过程的基因集信息来自kegg和reactome数据库。当错误发现率低于0.25时，认为该术语为显著的。
[0046]
5.银屑病皮肤基因表达谱的无监督聚类
[0047]
如图2所示，为了根据皮肤转录组特征将银屑病患者分类为亚组，我们使用r包“consensuclusterplus”算法进行了无监督分层聚类。聚类方法采用欧氏距离和ward-d2连锁的pam划分算法，通过累积分布函数(cdf)识别聚类数量。然后，我们使用主成分分析(pca)来确认无监督的聚类结果。“consensuclusterplus”算法包括：首先从一组项目中进行次抽样，例如微阵列，并通过凝聚层次聚类算法将每个子样本划分为最多k个组，该过程重复1000次数，以实现稳定的亚型分层。然后，成对共识值，定义为“两个项目占在同一子样本中发生的次数中有相同的聚类”，计算并存储在每个k的共识矩阵(cm)中。与其他亚型中差异表达的亚型相比，deg在基质增殖亚型和免疫激活亚型中存在差异表达。校正后的p值《0.05和绝对倍变化≥1.5用于识别基因本体生物过程(go-bp)和reactome数据库中的富集通路。
[0048]
6.对银屑病皮肤亚型中激活的细胞类型和通路的推断
[0049]
如图4所示，为了量化三种已确定的亚型的特定生物途径活性，我们使用单样本gsea估计了特定途径的作用总体。这里，富集分数表示给定数据集中每个样本中一个基因集的绝对富集程度。银屑病皮肤相关通路是从公开的文献和gsea的结果中整理出来的，其基因集来自kegg和reactome数据库。我们使用“xcell”算法来计算免疫和基质细胞类型签名的富集分数，以阐明这三种亚型的细胞组成。使用wilcoxon检验比较了三种亚型之间代表特定细胞类型和途径活性的富集分数。
[0050]
具体来说，与免疫激活相关的典型途径，如中性粒细胞相关途径(包括中性粒细胞脱颗粒和对细菌或真菌的反应)和ifn相关途径(包括对ifn-α/β/γ的反应和对病毒的反应)，在a亚型中被显著激活。c亚型富含基质增殖相关途径，包括角质化包膜形成、wnt信号通路和过氧化物酶体增殖物激活受体(ppar)信号通路。此外，b亚型与免疫激活和基质增殖亚型有共同的特征，而这些亚型的上调没有重叠。由于它是两个亚型的混合，很少有基因是混合亚型所特有的。
[0051]
7.银屑病皮肤亚型预测的多分类模型的构建
[0052]
采用xgboost-tree方法和softmax目标函数，基于163个基因特征预测亚型，并构建模型的决策树。通过测量受试者工作特征曲线(auc)下的平均面积来评估该系统的预测能力。为了训练分类器，将250个银屑病皮肤样本分为训练(n＝176)和测试(n＝74)集，比例分别为70％和30％。使用上调的表达值和无监督聚类过程结果的亚型标签。我们使用10倍交叉验证来控制模型中的过拟合，并应用拟合模型为新样本分配子型。结果如图2所示，我们应用163个基因分类器将样本分类为亚型。
[0053]
8、结果阐明
[0054]
通过上述分析，我们开创性的将狼疮患者分为a-c三型，具体为：a亚型具有免疫细胞和促炎激活相关通路的转录组特征。相比之下，c亚型在间质细胞(如成纤维细胞和内皮细胞)和组织增殖相关通路中表现出更丰富的转录本，而b亚型的特征介于两者之间。
[0055]
结果如图5所示，本发明将a-c亚型比较了pasi分数的变化。a型和b亚型对甲氨蝶呤(mtx)和il-12/23抑制剂(尿肽单抗)反应良好，但对tnf-α抑制剂和il-17a受体(il-17ra)抑制剂反应不充分。相比之下，c亚型对tnf-α抑制剂(依那西普)和il-17ra抑制剂(布达鲁单抗)表现出良好的反应，但对mtx和il-12/23抑制剂没有反应。但所有差异都没有统计学意义。
[0056]
c亚型的特征表明免疫细胞激活不一定参与皮肤破坏的角质形成细胞的激活，这可能为银屑病患者中低水平炎症标志物和持续疾病进展之间的差异提供了合理的解释。c亚型患者对tnf-α抑制剂(如依那西普)和il-17ra抑制剂(布达鲁单抗)有良好的反应。先前的研究表明，少量的tnf-α和il-17可以作用于成纤维细胞和内皮细胞刺激和产生大量促炎和增殖细胞因子，如il-6il-8，cxcl-1，导致银屑病皮肤表皮过度增殖。本发明表明，目前针对tnf-α和il-17ra的治疗方法几乎可以完全抑制良好反应者的皮肤病理。
[0057]
a和b亚型炎症谱的激活可能解释了目前针对上游免疫炎症反应的银屑病治疗的积极结果。a和b亚型患者对疾病修饰性抗风湿药物(dmards)(即mtx)和il-12/23抑制剂(即乌司奴单抗)相对敏感。抗微生物肽ll-17主要由银屑病发展早期阶段的角质形成细胞和免疫细胞分泌，通过直接激活pdcs和髓系树突状细胞分泌il-12和il-23。此外，il-12和il-23刺激了t辅助性细胞(th)1和th17中tnf-α和il-17的分泌，导致强烈的皮肤炎症反应。乌司奴单抗旨在通过阻断a和b亚型炎症信号通路的上游靶点il-12/23来阻止一系列免疫细胞的增殖和各种促炎细胞因子的分泌。甲氨蝶呤治疗后分子信号的变化主要局限于促炎信号通路和免疫细胞亚群。此外，mtx最近被确定为jak/stat途径的抑制剂，而它的许多副作用可能与叶酸途径有关。il-23受体依赖于janus激酶2(jak2)和酪氨酸激酶2(tyk2)的异二聚体进行信号转导，从而突出了jak在jak抑制剂治疗潜力中的作用。此外，ishizaki等人观察到，与野生型小鼠相比，注射了il-23的tyk2缺陷小鼠的耳部红斑和表皮增生明显减少。在没有tyk2的情况下，各种免疫细胞的皮肤浸润和il-17和il-22的产生也受到了损害。jak/stat和il-12/23通路对银屑病的进展有类似的贡献。因此，本发明表明研究疗效的丧失或延迟的治疗耐药性是否归因于皮肤分子模式的转变将是谨慎的。
[0058]
然而，与c亚型相比，a和b亚型患者对tnf-α和il-17ra抑制剂的反应较弱，这似乎与它们对众多炎症通路和潜在病理生理学的富集相矛盾。这可能是由于一种矛盾的反应，即疾病在使用靶向生物药物治疗期间恶化。对于这种相互矛盾的反应，人们提出了两个主
要的假设。其中一种理论是tnf-α和ifn-α交叉调控的参与。palucka等人证明，阻断内源性tnf-α会导致pdc对ifn-γ的产生增加，而随后的t细胞激活会导致tnf-α的产生增加。与寻常型银屑病患者相比，tnf-α抑制剂诱导的银屑病患者的皮肤损伤表现为ifn-α过表达。另一种假说认为，在tnf-α抑制后，th17细胞被增强，调节性t细胞被下调，导致th17细胞因子il-22的产生增加。这两种途径都产生了作用于角质形成细胞的细胞因子，并产生促炎循环，导致银屑病的治疗欠佳。本发明表明，虽然针对特定细胞因子的靶向治疗取得了良好的疗效，但有些人在长期靶向治疗后可能会经历负反馈，导致治疗效果的丧失。此外，抑制单个下游细胞因子(tnf-α和il-17)以预防炎症反应和完全逆转疾病结局也具有挑战性。本发明表明，对上游靶点(il-12/23)的失调进行积极干预是有必要的。
[0059]
综上，本发明使用迄今为止最全面的微阵列测序数据集开发了最大的银屑病转录组学纲要，以探索差异表达模式、关键途径和不同的患者亚型。使用银屑病的无监督聚类分析，在功能机制和细胞成分方面表征了三种聚类亚型的不同特征，并从治疗的角度解释了结果。a亚型中免疫细胞和促炎相关通路被显著激活，称为免疫激活。相比之下，c亚型，称为基质增殖，在整合的基质细胞和组织增殖相关的信号通路中富集。b亚型在所有信号通路中均被中度激活。据此模型的算法可对任意有皮肤组织测序的患者或动物进行银屑病分型判别，并对不同亚型的银屑病患者提供mtx或常规生物制剂(依那西普、乌司奴单抗和布达鲁单抗)的治疗建议。
[0060]
因此，本发明将银屑病皮肤样本进行“病因”分类，构建分型模型，从“免疫”的视角重新审视银屑病的潜在靶向生物制剂，为银屑病不同和共同的机制特征提供了关键的见解，以确定有利于银屑病耐药患者的病理生物学方法。
[0061]
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

技术特征：
1.一种银屑病精准分型模型的构建方法，其特征在于：通过挖掘基因表达综合数据库中公开的基因表达数据和临床注释，使用r包“consensuclusterplus”算法进行了无监督分层聚类：聚类方法采用带有欧氏距离和ward-d2链接的pam算法，通过累积分布函数识别聚类个数，将银屑病患者分为a型、b型和c型，并采用主成分分析对无监督分层聚类结果进行了验证，完成银屑病精准分型模型的构建。2.根据权利要求1所述的一种银屑病精准分型模型的构建方法，其特征在于：所述“consensuclusterplus”算法具体包括：首先，从一组项目中进行次抽样，并通过凝聚层次聚类算法将每个子样本划分为最多k个组，该过程重复1000次数，以实现稳定的亚型分层；然后，成对共识值，定义为“两个项目占在同一子样本中发生的次数中有相同的聚类”，计算并存储在每个k的共识矩阵中。3.根据权利要求1所述的一种银屑病精准分型模型的构建方法，其特征在于：所述a型定义为免疫激活型，其具备强激活的nlr、tlr、rlr、p53、ifn-α/β、ifn-γ、il-17、il-23、t细胞受体和b细胞受体信号通路；所述b型定义为混合型，在所有的信号通路中均轻度激活；所述c型定义为间质增殖型，在wnt和ppar信号通路中呈现基质增殖和富集的特征，并大量浸润成纤维细胞和内皮细胞。4.根据权利要求1所述的一种银屑病精准分型模型的构建方法，其特征在于：所述挖掘基因表达综合数据库中公开的基因表达数据和临床注释的具体方法为：(1)使用色谱柱或溶剂从样品中提取rna，从提取的rna中分离出mrna，留下rrna和trna；(2)创建cdna，对mrna进行逆转录，然后将患者组样品和正常对照样品与不同的荧光染料结合以产生荧光cdna链；来自患者组样品和正常对照样品的标记cdna被放置在dna微阵列中，以便每个cdna与其互补链杂交，它们也被彻底清洗以去除无界序列；(3)使用微阵列扫描仪完成数据的收集，然后计算机存储数据并立即提供结果，然后分析由此产生的数据，每个点颜色强度的差异决定了该特定点的基因特征。5.一种根据权利要求1所述的构建方法构建的银屑病精准分型模型的应用，其特征在于：通过分析银屑病亚型中多条通路与各种细胞的表达水平，对患者提供靶向药物治疗建议。6.一种根据权利要求1所述的构建方法构建的银屑病精准分型模型的应用，其特征在于：用于区别银屑病的亚型，对不同亚型的患者提供甲氨蝶呤和常规生物制剂的治疗建议。

技术总结
本发明公开了一种银屑病精准分型模型的构建方法及其应用，属于医药技术领域。该模型采用R包“ConsensuClusterPlus”算法进行了无监督分层聚类，描述基因表达数据，将样本患者分为A、B和C三型，对亚型进行通路注释，分别定义为免疫激活型，混合型和间质增殖型。立足于银屑病的精准基因分型，重新定义了银屑病分型方法，并且可以根据基因检测结果与分型结果，为后续治疗方案提供更准确特异性更好的治疗建议，使后续治疗更合理更精准，更高效。更高效。更高效。


技术研发人员：贺培风 常敏静 郑蕾蕾 陈淼然 郝佳炜 姚开心 于琦
受保护的技术使用者：山西医科大学
技术研发日：2023.07.12
技术公布日：2023/10/19