【科普】精准医疗与遗传基因检测的行业分析(上)

1、精密医学与基因检测行业分析(一)移动医疗新闻2015-05-07 14:41336018阅读(214)评论(0)免责声明：本文作者定居在搜狐的公共平台。除了搜狐的官方陈述，该意见仅代表作者本人，不代表搜狐的立场。报告作者：陈尊秋陈依依编者按：随着精密医学的引入，流行的基因检测已经被越来越多的人提及和关注。自从2003年第一个人类基因被测序以来(当时，它花费了30亿美元)，由于技术的更新和成本的降低，大量与基因相关的检测技术和服务开始出现。如今，基因检测已经被用于成千上万种疾病(疾病控制和预防中心，2015)。目前，已经登记了26，000项实验室检测，涵盖5，400种条件和3，700种基因(nc

2、bi，2015年)。然而，全基因组测序仅花费6，995美元(skirton，杰克逊，goldsmith，康纳，2013)，个人消费者的基因测试仅花费99美元。根据联合健康集团(united health group，2012)发布的市场报告，基因检测是实验室检测市场中增长最快的分支，在美国的支出为50亿美元，预计到2021年将达到150亿至250亿美元。面对这一热点场景，到底什么是基因测试？有哪些不同的类型可以帮助医疗保健？数据分析的作用是什么？在全民参与健康保险的变化时代，美国保险业如何对待基因检测？在现阶段，公众如何看待这种测试？本文作者陈夫妇是生物医学大数据分析行业的顶尖专业人士。他们在

3、美国从事理论模型构建和实践研究多年。现在，从专业的角度出发，阐述相关概念。尽管资本市场对这一概念很感兴趣，但真正理解这些基本理论和实际应用的人并不多。然而，它有望促进对它感兴趣的人的深入理解，也希望更多的专业人士能够进一步阐述和讨论它，从而实现这一目标。首先，什么是基因测试基因和基因组测试是使用实验室方法来观察从你父母那里遗传来的dna指令：你的基因。它可以用来确定增加的健康问题的风险，选择治疗，或评估治疗的反应。遗传检测通常用于遗传病，它用来检测某些与特定疾病的发生相关的基因(易感基因)，然后判断患这种疾病的风险系数。例如，众所周知，突变的brca1或brca2基因的存在会增加乳腺癌或卵巢癌

4、的风险。然而，基因组测试通常只涉及癌症本身。它主要用于向患者和医生提供关于特定癌症的特定信息：例如，对于一些肿瘤，有必要增加治疗努力；对于“轻度”肿瘤，我们可以选择一种更温和、更合适的治疗方法。此外，它还引发了两个热门词汇：肿瘤靶向治疗和个体化治疗。乔布斯患有胰腺癌(最恶性的癌症之一)，综合采用各种方法，持续了9年，生活质量良好。本文所采用的定义是前者，即基因测试，但基因是测试的一个必要部分，所以一般称之为遗传和基因组测试，但后者的定义和内容并不涉及。第二，基因测试的类型和效果那么，现在有哪些类型的基因测试？他们各自的服务目的是什么？美国国家人类遗传学研究所已经提供了七种现在相当普遍的测试和定

5、义。诊断测试：用于准确确定导致个人生病的疾病。诊断测试的结果可以帮助个人及时选择如何治疗或管理他们的健康。症状出现前的预测和基因测试：用于发现可能增加个体疾病风险的基因变化。这些测试的结果可用于预测个人患特定疾病的风险，这可能有助于调整个人生活方式和保健。用于发现携带与疾病相关的易感基因的个体。载体本身可能不会显示任何疾病。然而，它们有能力将易感基因传给下一代。下一代可能会得病或成为新的携带者。有些疾病需要易感基因，这些基因必须从双亲遗传过来。这种类型的检测对于有遗传病家族史的个体尤其重要，因为他们比正常人更容易患特定的遗传病。产前检查：用于帮助确定胎儿在怀孕期间是否有一些严重的疾病。新生儿筛

6、查：用于检查出生一至两天的新生儿是否已知会影响其健康和未来发育的疾病。药物基因组学测试：用于提供特定药物在人体内如何发挥作用的信息。这项测试可以帮助个体卫生保健工作者根据你的遗传成分选择最佳药物。研究基因测试：了解更多关于基因对健康和疾病的贡献。此类研究的结果可能不会直接使参与者受益，但它们可以帮助研究人员更好地了解人体、健康和疾病，从而促进医学和健康科学的进步，并在未来造福他人。3.基因测试包括所有疾病吗？尽管已经发现了数以千计的相关基因，涵盖了数百种人类疾病和特征，但对于大多数疾病，只有一小部分基因得到了鉴定。此外，关联并不意味着基因是疾病的罪魁祸首，也就是说，关联并不等于因果关系。因此，

7、到目前为止，几乎所有的复杂疾病，甚至是已知的高度遗传性疾病，都只能通过现有的遗传风险分析来部分解释疾病的发生(do c .et al .2012)。例如，对于10种复杂疾病(阿尔茨海默氏病、双相情感障碍、乳腺癌、冠状动脉疾病、克罗恩病、前列腺癌、精神分裂症、系统性红斑狼疮、1型糖尿病、2型糖尿病)的发生，只有约0.4%至31.2%是由已知的可变基因变异体(因此，hc。等，2011)这表明仅仅通过我们现在发现的基因来预测这些疾病的发生并不完美。也就是说，在大多数情况下，基于单核苷酸多态性(snp)(通常可以理解为dna基因变异)的风险预测模型只能获得现有已知标记(染色体上的可识别区域)的较差预测

8、值(do c等，2012)。因此，在临床上，人们对使用基因预测疾病风险非常谨慎。此外，基因组学不仅涉及基因的影响，还涉及环境的影响，包括更复杂的基因以及基因与环境之间的相互作用，这相应地增加了收集数据和建模的复杂性。第四，基因检测中的数据分析如上所述，利用遗传信息获得的风险预测模型并不理想。那么如何判断预测模型的质量呢？在这里，有必要了解什么是全基因组关联研究(gwas)以及数据分析如何应用于其中。全基因组关联研究也被称为共同变异关联研究：cvas。它是对个体的许多常见遗传变异的一种检查，用于判断任何变异是否与某一性状(如疾病表现特征)相关联。gwas通常关注单核苷酸多态性(snps)和一些主

9、要疾病与性状之间的关系。最常见的研究方法是表型检测，根据参与者的临床表现将其分为两组，如患者组和健康人群组，然后分别检测和比较他们的单核苷酸多态性。如果某一类型的变异体(等位基因)在患者群体中出现的频率或多或少，并且统计上证实这不是偶然的，则认为该单核苷酸多态性与该疾病有关。由相关的单核苷酸多态性确定的人类基因组的某一区域被认为影响疾病的风险。同样，相关性不同于因果关系。通过gwas研究发现的与特定疾病相关的单核苷酸多态性不能被视为导致或增加疾病风险。基于基因的风险预测模型是根据单核苷酸多态性和疾病的强度计算个体风险系数，并根据该系数将个体进一步划分为不同的风险组。预测和判断的准确性直接影响到

10、一个人是否被正确地划分为高风险群体或低风险群体。判断风险划分准确性最常用的指标最初是在信号检测理论中使用的，即所谓的接收机工作特性曲线，简称roc。曲线下的面积称为曲线下面积，缩写为auc。这两种方法用于判断风险划分的准确性。事实上，几乎没有一个预测模型是完美的，所以人们需要计算这个预测模型的准确率和错误率。因此，这里我们将介绍四个基本概念：真实高风险、虚假高风险、虚假低风险和真实低风险，如图1所示。当我们知道最后一个个体的疾病结果时，我们可以通过模型预测估计的风险和分类后的无风险个体的数量。图1:真实风险是真实高风险和真实低风险的总和，即分类正确。被归类为高风险的人确实生病了，而被归类为低风

11、险的人并没有生病。虚假风险是虚假高风险和虚假低风险的总和，即分类错误。我们使用图2来演示。从左到右，分类标准从非常保守到非常激进。左边小图设定的分类标准要求将超高预测值分类到高风险组，从而产生许多虚假的低风险(即，许多被判断为低风险的人最终会生病)。在右边的小图中，较低的风险预测值可以分为高风险组，从而产生许多虚假的高风险。可以看出，分类标准的选择极大地影响了预测模型的最终分类错误率。图2:一个好的分类标准是拥有尽可能多的真实高风险量和真实低风险量，以及尽可能少的虚假高风险量和虚假低风险量。一般来说，一个人是否“激进”往往取决于他是否有虚假的高风险或虚假的低风险，这将导致更严重的医疗和健康后果。我们通常通过四个比率来反映分类标准的准确性和错误率，如图3和下面的公式所示(保险业对基因检测的态度与此有