技术特征：
1.一种蛋白组合在制备用于对儿童甲状腺癌进行预后分层的试剂盒中的用途，所述蛋白组合由以下组成："q8tbf5_pigx"、"p10645_chga"、"p12111_col6a3"、"q08495_dmtn"、"q99972_myoc"、"l0r819_asdurf"、"o00584_rnaset2"、"q86y22_col23a1"、"p13612_itga4"、"q96rp7_gal3st4"、"q4g0x9_ccdc40"、"q96jy6_pdlim2"、"p23378_gldc"、"q9bxj5_c1qtnf2"、"p17931_lgals3"、"q96f24_nrbf2"、"q9y4z0_lsm4"、"q9nq79_crtac1"和"q96an5_tmem143"，其中所述试剂盒含有检测所述蛋白组合的相对表达量的试剂。2.根据权利要求1所述的用途，其中所述蛋白组合的相对表达量通过质谱进行检测。3.根据权利要求2所述的用途，其中所述蛋白组合的相对表达量通过串联质谱标签标记定量技术进行检测。4.根据权利要求3所述的用途，其中所述评估包括将所述蛋白组合的相对表达量通过串联质谱标签标记定量技术标记定量检测而获得的数据输入随机生存森林模型，输出生存曲线和/或儿童甲状腺癌的预后分层结果属于高风险组或低风险组。5.一种试剂盒，其包含蛋白组合，所述蛋白组合由以下组成："q8tbf5_pigx"、"p10645_chga"、"p12111_col6a3"、"q08495_dmtn"、"q99972_myoc"、"l0r819_asdurf"、"o00584_rnaset2"、"q86y22_col23a1"、"p13612_itga4"、"q96rp7_gal3st4"、"q4g0x9_ccdc40"、"q96jy6_pdlim2"、"p23378_gldc"、"q9bxj5_c1qtnf2"、"p17931_lgals3"、"q96f24_nrbf2"、"q9y4z0_lsm4"、"q9nq79_crtac1"和"q96an5_tmem143"。6.一种对儿童甲状腺癌进行预后分层的模型的构建方法，包括：以儿童良性甲状腺结节和儿童乳头状甲状腺癌的甲状腺组织中蛋白组合的相对表达量以及甲状腺癌的预后随访数据作为训练样本训练机器学习模型获得所述模型，其中所述蛋白组合由以下组成："q8tbf5_pigx"、"p10645_chga"、"p12111_col6a3"、"q08495_dmtn"、"q99972_myoc"、"l0r819_asdurf"、"o00584_rnaset2"、"q86y22_col23a1"、"p13612_itga4"、"q96rp7_gal3st4"、"q4g0x9_ccdc40"、"q96jy6_pdlim2"、"p23378_gldc"、"q9bxj5_c1qtnf2"、"p17931_lgals3"、"q96f24_nrbf2"、"q9y4z0_lsm4"、"q9nq79_crtac1"和"q96an5_tmem143"。7.根据权利要求6所述的构建方法，其中所述模型以随机生存森林算法构建获得。8.一种对儿童甲状腺癌进行预后分层的系统，其包括检测蛋白组合的相对表达量的物质，以及数据处理装置和输出装置，其中所述蛋白组合由以下组成："q8tbf5_pigx"、"p10645_chga"、"p12111_col6a3"、"q08495_dmtn"、"q99972_myoc"、"l0r819_asdurf"、"o00584_rnaset2"、"q86y22_col23a1"、"p13612_itga4"、"q96rp7_gal3st4"、"q4g0x9_ccdc40"、"q96jy6_pdlim2"、"p23378_gldc"、"q9bxj5_c1qtnf2"、"p17931_lgals3"、"q96f24_nrbf2"、"q9y4z0_lsm4"、"q9nq79_crtac1"和"q96an5_tmem143"。9.根据权利要求8所述的系统，其中所述数据处理装置包括评估模块，所述评估模块包括随机生存森林模型。10.根据权利要求9所述的系统，其中将所述蛋白组合的相对表达量数据输入随机生存森林模型进行处理，所述输出装置输出生存曲线和/或儿童甲状腺癌的预后分层结果属于高风险组或低风险组。
技术总结
本发明涉及一种试剂盒，其包含蛋白组合。本发明还涉及蛋白组合在制备用于对儿童甲状腺乳头状癌的预后情况进行预测和分层的试剂盒中的用途。本发明还涉及一种对儿童甲状腺乳头状癌进行预后分层的系统，其包括检测蛋白组合的相对表达量的物质，以及数据处理装置和输出装置。本发明根据儿童青少年甲状腺乳头状癌样本的蛋白质定量数据，结合随机生存森林模型，仅需19个蛋白，可以以0.85的一致性指数，对患者术后的复发情况进行预测，不但可以给出每个患者个性化的生存曲线，还可以根据模型对患者预后复发风险进行分层，分为高风险和低风险两组，从而个性化地辅助临床决策及随访方案。从而个性化地辅助临床决策及随访方案。从而个性化地辅助临床决策及随访方案。
技术研发人员：郭天南 张浩 孙耀庭 王志宏 王赫
受保护的技术使用者：西湖大学
技术研发日：2022.09.05
技术公布日：2022/10/3