CN119479803A - 促甲状腺激素受体抗体反应的数据挖掘分析方法及系统 - Google Patents
促甲状腺激素受体抗体反应的数据挖掘分析方法及系统 Download PDFInfo
- Publication number
- CN119479803A CN119479803A CN202510066091.7A CN202510066091A CN119479803A CN 119479803 A CN119479803 A CN 119479803A CN 202510066091 A CN202510066091 A CN 202510066091A CN 119479803 A CN119479803 A CN 119479803A
- Authority
- CN
- China
- Prior art keywords
- thyroid stimulating
- hormone receptor
- stimulating hormone
- reaction
- mutation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 108090000253 Thyrotropin Receptors Proteins 0.000 title claims abstract description 323
- 102000003911 Thyrotropin Receptors Human genes 0.000 title claims abstract description 318
- 230000005875 antibody response Effects 0.000 title claims abstract description 155
- 238000004458 analytical method Methods 0.000 title claims abstract description 96
- 238000007418 data mining Methods 0.000 title claims abstract description 38
- 230000035772 mutation Effects 0.000 claims abstract description 304
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 171
- 230000002159 abnormal effect Effects 0.000 claims abstract description 157
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 139
- 230000004936 stimulating effect Effects 0.000 claims abstract description 129
- 238000000034 method Methods 0.000 claims abstract description 68
- 230000004044 response Effects 0.000 claims abstract description 51
- 238000000556 factor analysis Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000011263 association rule mining technique Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 319
- 238000009739 binding Methods 0.000 claims description 142
- 230000027455 binding Effects 0.000 claims description 111
- 102000011923 Thyrotropin Human genes 0.000 claims description 72
- 108010061174 Thyrotropin Proteins 0.000 claims description 72
- 230000004544 DNA amplification Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 41
- 239000000523 sample Substances 0.000 claims description 38
- 229940088597 hormone Drugs 0.000 claims description 33
- 239000005556 hormone Substances 0.000 claims description 33
- 230000003993 interaction Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 18
- 239000000427 antigen Substances 0.000 claims description 17
- 102000036639 antigens Human genes 0.000 claims description 15
- 108091007433 antigens Proteins 0.000 claims description 15
- 230000035484 reaction time Effects 0.000 claims description 15
- 239000003181 biological factor Substances 0.000 claims description 13
- 108090000790 Enzymes Proteins 0.000 claims description 11
- 102000004190 Enzymes Human genes 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 11
- 239000011324 bead Substances 0.000 claims description 10
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 claims description 10
- 238000000684 flow cytometry Methods 0.000 claims description 8
- 238000010494 dissociation reaction Methods 0.000 claims description 7
- 108020004414 DNA Proteins 0.000 claims description 6
- 238000012408 PCR amplification Methods 0.000 claims description 6
- 230000005593 dissociations Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000004043 responsiveness Effects 0.000 claims description 6
- 102000053602 DNA Human genes 0.000 claims description 5
- 239000003155 DNA primer Substances 0.000 claims description 5
- 108020004682 Single-Stranded DNA Proteins 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012933 kinetic analysis Methods 0.000 claims 1
- 102000015486 thyroid-stimulating hormone receptor activity proteins Human genes 0.000 claims 1
- 108040006218 thyroid-stimulating hormone receptor activity proteins Proteins 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 239000000047 product Substances 0.000 description 47
- 230000006870 function Effects 0.000 description 39
- 238000004422 calculation algorithm Methods 0.000 description 19
- 210000004027 cell Anatomy 0.000 description 17
- 238000002965 ELISA Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000007619 statistical method Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 206010064571 Gene mutation Diseases 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000003127 radioimmunoassay Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 239000005495 thyroid hormone Substances 0.000 description 5
- 229940036555 thyroid hormone Drugs 0.000 description 5
- XUIIKFGFIJCVMT-LBPRGKRZSA-N L-thyroxine Chemical compound IC1=CC(C[C@H]([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-LBPRGKRZSA-N 0.000 description 4
- 108091028043 Nucleic acid sequence Proteins 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- 238000003556 assay Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000008105 immune reaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 208000025174 PANDAS Diseases 0.000 description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 3
- 240000004718 Panda Species 0.000 description 3
- 235000016496 Panda oleosa Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000007850 fluorescent dye Substances 0.000 description 3
- 108091008039 hormone receptors Proteins 0.000 description 3
- 230000028993 immune response Effects 0.000 description 3
- 210000000987 immune system Anatomy 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000009870 specific binding Effects 0.000 description 3
- 230000006016 thyroid dysfunction Effects 0.000 description 3
- 102000002260 Alkaline Phosphatase Human genes 0.000 description 2
- 108020004774 Alkaline Phosphatase Proteins 0.000 description 2
- 238000007400 DNA extraction Methods 0.000 description 2
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 2
- 108010001336 Horseradish Peroxidase Proteins 0.000 description 2
- 208000024799 Thyroid disease Diseases 0.000 description 2
- 230000003208 anti-thyroid effect Effects 0.000 description 2
- 229940043671 antithyroid preparations Drugs 0.000 description 2
- 238000002869 basic local alignment search tool Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000007853 buffer solution Substances 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 238000012632 fluorescent imaging Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012165 high-throughput sequencing Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000001900 immune effect Effects 0.000 description 2
- 238000012482 interaction analysis Methods 0.000 description 2
- 229950008325 levothyroxine Drugs 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000013615 primer Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 102000005962 receptors Human genes 0.000 description 2
- 108020003175 receptors Proteins 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108090000721 thyroid hormone receptors Proteins 0.000 description 2
- 102000004217 thyroid hormone receptors Human genes 0.000 description 2
- XUIIKFGFIJCVMT-UHFFFAOYSA-N thyroxine-binding globulin Natural products IC1=CC(CC([NH3+])C([O-])=O)=CC(I)=C1OC1=CC(I)=C(O)C(I)=C1 XUIIKFGFIJCVMT-UHFFFAOYSA-N 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000023328 Basedow disease Diseases 0.000 description 1
- 102000000844 Cell Surface Receptors Human genes 0.000 description 1
- 108010001857 Cell Surface Receptors Proteins 0.000 description 1
- 102000006395 Globulins Human genes 0.000 description 1
- 108010044091 Globulins Proteins 0.000 description 1
- 208000015023 Graves' disease Diseases 0.000 description 1
- 208000001204 Hashimoto Disease Diseases 0.000 description 1
- 208000030836 Hashimoto thyroiditis Diseases 0.000 description 1
- 206010020850 Hyperthyroidism Diseases 0.000 description 1
- 102000029749 Microtubule Human genes 0.000 description 1
- 108091022875 Microtubule Proteins 0.000 description 1
- 102000003992 Peroxidases Human genes 0.000 description 1
- 239000013614 RNA sample Substances 0.000 description 1
- 101710120037 Toxin CcdB Proteins 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 230000015861 cell surface binding Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010201 enrichment analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000001502 gel electrophoresis Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 208000003532 hypothyroidism Diseases 0.000 description 1
- 230000002989 hypothyroidism Effects 0.000 description 1
- 230000000899 immune system response Effects 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 230000016784 immunoglobulin production Effects 0.000 description 1
- 238000001114 immunoprecipitation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000004688 microtubule Anatomy 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009871 nonspecific binding Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108040007629 peroxidase activity proteins Proteins 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004853 protein function Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- -1 salt ions Chemical class 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000001646 thyrotropic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000001262 western blot Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Peptides Or Proteins (AREA)
Abstract
本发明涉及医学数据分析技术领域，尤其涉及一种促甲状腺激素受体抗体反应的数据挖掘分析方法及系统。所述方法包括以下步骤：获取促甲状腺激素受体抗体反应基因序列并进行抗体反应水平分析和反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析和反应突变与功能指标之间的关联规则挖掘分析，并对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，得到促甲状腺激素受体抗体反应突变影响因素。本发明能够通过高效的数据处理与分析技术分析出与促甲状腺激素受体抗体反应相关的突变影响因素。
Description
技术领域
本发明涉及医学数据分析技术领域，尤其涉及一种促甲状腺激素受体抗体反应的数据挖掘分析方法及系统。
背景技术
促甲状腺激素受体抗体（TSHR-Ab）是引发甲状腺功能亢进症（如Graves病）和甲状腺功能减退症（如Hashimoto病）的重要免疫标志物，其与甲状腺激素受体结合后会引起甲状腺激素分泌异常，从而影响患者的临床症状。目前，促甲状腺激素受体抗体的检测方法主要包括免疫化学发光法、放射免疫法、ELISA（酶联免疫吸附法）等，这些方法能够定量或定性地检测血清中的TSHR-Ab浓度。然而，现有的抗体反应检测方法通常依赖于静态的抗体浓度数据，而忽视了抗体反应水平与TSHR-Ab功能性指标之间的综合挖掘分析，从而影响促甲状腺激素受体抗体反应分析的效率和准确性。
发明内容
基于此，本发明有必要提供一种促甲状腺激素受体抗体反应的数据挖掘分析方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种促甲状腺激素受体抗体反应的数据挖掘分析方法，包括以下步骤：
步骤S1：获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
步骤S2：对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
步骤S3：基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
进一步的，本发明还提供了一种促甲状腺激素受体抗体反应的数据挖掘分析系统，用于执行如上所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，该促甲状腺激素受体抗体反应的数据挖掘分析系统包括：
抗体反应突变异常筛选模块，用于获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，从而得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
反应突变与功能指标关联挖掘模块，用于对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，从而得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
抗体反应突变影响因素分析模块，用于基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
本发明的有益效果：
1、本发明所提出的促甲状腺激素受体抗体反应的数据挖掘分析方法，与现有技术相比，本申请的有益效果在于通过从临床样本中提取与促甲状腺激素受体（TSHR）相关的抗体反应基因序列，能够为后续的分析提供重要的基础数据，这一过程的关键在于确保样本的代表性和准确性，通过高效的基因提取技术和精确的样本处理，可以获得具有高质量的DNA或RNA样本，从而为后续的数据挖掘分析提供了基础数据保障。通过对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，可以深入评估促甲状腺激素受体抗体的免疫反应强度，抗体反应水平分析对于了解免疫反应的强弱、抗体的特异性、以及与目标基因之间的相互作用至关重要，通过使用各种免疫学分析方法，如ELISA、Western blot、流式细胞术等，可以定量检测抗体与抗原的结合情况，评估抗体的反应效能。同时，通过基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，筛选出与功能性突变位点相关的基因序列，这一过程的好处在于，它能够识别出基因中那些导致促甲状腺激素受体抗体反应异常的突变位点，通过分析抗体反应水平与基因突变之间的关联，研究人员可以揭示出哪些突变导致抗体产生异常，进而影响甲状腺功能的正常调节，从而可以为后续的处理过程提供更精确的靶点信息。然后，通过对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以深入分析促甲状腺抗体（如抗甲状腺过氧化物酶抗体、抗甲状腺球蛋白抗体等）与功能性突变位点之间的关系，揭示了与甲状腺功能异常相关的基因突变特征因子，这一分析不仅能够帮助科学家和医学研究人员识别出导致甲状腺功能异常的基因突变，还能够揭示不同的突变在免疫反应中的作用机制，通过这一过程，能够为甲状腺功能异常的精准分析提供分子标志物，同时为靶向挖掘分析提供理论依据，有助于理解甲状腺免疫病理的深层次原因。通过获取促甲状腺激素受体实验数据（包括TSH、T3、T4水平），能够为研究者提供甲状腺功能的全面评估，TSH水平反映了下丘脑-垂体-甲状腺轴的功能状态，T3和T4水平则直接影响身体的新陈代谢、能量消耗以及多种生理过程，实验数据为后续的关联挖掘分析提供了精准的甲状腺功能状态评估工具，有助于揭示甲状腺功能的调控机制。还通过基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，能够深入分析促甲状腺抗体异常反应突变与甲状腺功能指标（如TSH、T3/T4比值）之间的关系，可以识别出突变与功能状态之间的潜在规则和模式，这种分析可以揭示不同基因突变如何在不同个体中影响甲状腺激素水平和免疫反应，还能够提炼出突变与功能指标之间的重要关联，从而为提高了后续促甲状腺激素受体抗体反应异常分析的效率和准确性。最后，通过基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以确定促甲状腺激素受体抗体反应突变的影响因素，该步骤的实施，不仅能够明确哪些外部或内在因素会导致免疫反应的突变和异常，还能够为后续改善过程提供潜在的干预靶点。例如，相应环境因素与基因生物学因素对突变影响因子网络的交互作用，其中环境因素（如污染、饮食、药物暴露等）与基因生物学因素（如基因表达、基因多态性等）在突变位点的形成和抗体反应中的作用已被大量研究证实，通过将这些影响因素的引入，可以全面地了解促甲状腺激素受体抗体反应的多维度影响机制，具体来说，环境因素和基因生物学因素可以通过改变免疫系统的功能，从而影响甲状腺激素受体抗体的产生，例如，某些环境污染物与基因中的特定突变位点交互作用，增强抗体的异常反应，而某些基因变异则会使个体在面对特定环境因素时表现出不同的免疫反应，通过综合分析环境与基因的作用机制，能够识别出对促甲状腺激素受体抗体反应产生显著影响的关键因素，从而为后续的处理过程提供更多的理论依据。
2、本发明所提出的促甲状腺激素受体抗体反应的数据挖掘分析系统，整体上由抗体反应突变异常筛选模块、反应突变与功能指标关联挖掘模块以及抗体反应突变影响因素分析模块组成，能够实现本发明所述任意促甲状腺激素受体抗体反应的数据挖掘分析方法，用于联合各个模块上运行的计算机程序之间的操作实现促甲状腺激素受体抗体反应的数据挖掘分析方法，系统内部结构互相协作，这样能够大大减少重复工作和人力投入，能够快速有效地提供更为准确、更高效的促甲状腺激素受体抗体反应的数据挖掘分析过程，从而简化了促甲状腺激素受体抗体反应的数据挖掘分析系统的操作流程。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明促甲状腺激素受体抗体反应的数据挖掘分析方法的步骤流程示意图；
图2为图1中步骤S1的详细步骤流程示意图；
图3为图2中步骤S14的详细步骤流程示意图；
图4为促甲状腺刺激激素受体抗体结合动力学图像。
具体实施方式
下面结合附图对本发明的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图4，本发明提供了一种促甲状腺激素受体抗体反应的数据挖掘分析方法，所述方法包括以下步骤：
步骤S1：获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
步骤S2：对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
步骤S3：基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
本发明实施例中，请参考图1所示，为本发明促甲状腺激素受体抗体反应的数据挖掘分析方法的步骤流程示意图，在本实例中，所述促甲状腺激素受体抗体反应的数据挖掘分析方法包括以下步骤：
步骤S1：获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
在本发明实施例中，通过从临床样本中提取相关的基因材料，通常采用高质量的组织或血液样本，通过对样本进行DNA提取处理，确保提取物中不含有过多的污染物，从而得到促甲状腺激素受体抗体反应基因序列。通过在获取到促甲状腺激素受体相关的基因序列后，利用特异性探针进行基因序列的反应观测，选取针对目标基因序列中特定区域的探针，这些探针可通过标记物（例如荧光染料或放射性标记）进行标记，在进行探针杂交时，将探针与待检测样本中的目标DNA序列进行结合，通过优化温度和时间，确保探针和DNA序列的充分结合，并通过使用显微镜或荧光成像设备进行观察，确认探针的结合情况，在实验过程中，可通过计算机辅助的图像分析系统提取反应区域的反应序列谱图，并依据谱图中识别出的目标基因序列，设计并合成特异性的单链DNA引物，确保引物与目标基因序列的结合特异性，选用高效的PCR反应体系，在适当的反应条件下（如温度、时间、循环数）进行PCR扩增，以通过对PCR产物进行实时监控，确认扩增产物的大小与目标基因序列一致，同时，通过取适量的目标基因扩增产物与已知浓度的促甲状腺激素受体抗体进行免疫反应实验，通过酶联免疫吸附试验（ELISA）、免疫沉淀、免疫荧光等方法，检测抗体与目标基因的结合反应，并通过精确的检测设备，如酶标仪或荧光显微镜，测量抗体反应的强度，反应强度可以通过与标准样本进行比较来量化，从而得到促甲状腺激素受体抗体反应水平。然后，通过先前量化得出的促甲状腺激素受体抗体反应水平下，可以对相对应的基因序列进行深入分析，在该步骤中，首先依据反应水平的高低，筛选出反应异常的样本，对于这些样本，进一步通过比对其基因序列与正常样本中的参考序列，寻找潜在的突变位点，通过应用生物信息学工具，如序列比对软件和突变预测模型，识别出与异常抗体反应相关的功能性突变位点，这些突变位点与抗体的结合亲和力、抗体产生的免疫反应性以及受体的功能状态密切相关，并将这些突变位点映射到促甲状腺激素受体基因序列中，最终得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
步骤S2：对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
在本发明实施例中，通过对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行全基因组或特定区域的突变筛选，尤其是那些已知与促甲状腺抗体反应相关的基因位点，此过程通常借助高通量测序技术（如Illumina测序平台）来完成，获取的基因组数据将通过生物信息学工具（如GATK或Samtools）进行突变检测，尤其关注功能性突变，对于每一个检测到的突变位点，应用统计学分析方法（如Fisher精确检验或卡方检验）对该突变位点与促甲状腺抗体异常反应之间的关系进行评估，将这些突变位点作为输入数据，利用机器学习算法（如随机森林、支持向量机等）提取其对促甲状腺抗体异常反应的贡献特征因子，包括遗传突变位点、免疫系统反应相关基因的突变情况等，从而得到促甲状腺抗体异常反应突变特征因子。通过从临床实验室获取与促甲状腺激素受体相关的实验数据，具体包括促甲状腺激素（TSH）水平、三碘甲状腺原氨酸（T3）水平及四碘甲状腺原氨酸（T4）水平，这些数据通常通过血液样本的分析获得，在实验室中，使用经过校准的设备对患者血液样本中的TSH、T3、T4浓度进行检测，确保数据的准确性和可比性，从而得到促甲状腺激素受体实验数据，具体包括TSH水平、T3水平以及T4水平。同时，通过在获得TSH、T3和T4的实验数据后，利用以下公式进行计算：，生成每个样本的T3/T4比值，并通过将先前分析得到的促甲状腺抗体异常反应突变特征因子与TSH水平及T3/T4比值进行匹配，此匹配过程通常通过临床数据库中的唯一患者标识符（如ID号）来完成，以确保每个患者的基因突变信息与其甲状腺功能数据一一对应，并通过使用多变量统计分析方法（如多元回归分析、典型相关分析、主成分分析等）来构建突变因子与功能激素水平之间的关联矩阵，该矩阵将揭示特定突变位点如何影响TSH水平以及T3/T4比值，从而推导出每个突变因子与功能激素指标之间的关联矩阵，然后，通过基于先前获得的促甲状腺异常反应突变因子-功能激素水平关联矩阵，利用数据挖掘技术（如关联规则挖掘算法、Apriori算法、FP-growth算法等）对突变因子与功能指标之间的关系进行深入分析，通过这些技术，能够自动化地识别出不同突变特征因子与甲状腺激素功能水平之间存在的潜在规则，例如，会发现某些特定的突变位点与TSH的升高或T3/T4比值的异常密切相关，进而推测出与甲状腺功能失调相关的基因突变模式，分析结果将生成一组关联规则，描述不同突变与甲状腺功能指标之间的相互影响和规律，最终得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系。
步骤S3：基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
在本发明实施例中，通过根据先前分析得出的促甲状腺抗体异常反应突变与功能指标之间的关联规则关系，确定其与促甲状腺抗体异常反应的潜在关联，选择相关的功能性突变位点，逐一分析其与促甲状腺激素受体抗体反应之间的关联性，将这些突变位点和相关的功能性指标（例如，促甲状腺激素水平、TRAB的表达水平、甲状腺功能指标等）进行匹配，绘制每个突变位点与对应功能指标之间的关联图谱，突变位点和功能指标的关联性用节点和边表示，节点代表不同的突变位点或功能指标，边的强度代表它们之间的关联强度，并通过对先前绘制的功能关联影响点图谱进行系统的分析，为了对图谱中的数据进行深度挖掘，利用图谱分析算法（如社区检测算法、网络拓扑分析等）来识别其中的关键影响因素，具体操作包括使用图算法（例如PageRank、Betweenness中心性分析）来评估突变位点与功能指标之间的关键节点，识别出那些与促甲状腺激素受体抗体反应密切相关的突变位点，并从中识别出对促甲状腺激素受体抗体反应异常影响最大的突变因子，来构建突变影响因子网络，然后，通过获取促甲状腺激素受体抗体反应相关的环境因素和基因生物学因素，其中环境因素包括患者的生活习惯、饮食结构、药物使用历史、暴露于有害物质等，基因生物学因素包括家族史、已知的甲状腺疾病遗传易感性等，随后，将环境因素和基因生物学因素与先前构建的突变影响因子网络相结合，进行更深入的分析，具体方法包括使用多因素分析（如多元回归分析）来评估这些因素如何共同作用于促甲状腺激素受体抗体反应，可以识别出影响甲状腺抗体反应的关键环境因子和遗传因子，并进一步分析其与突变位点之间的相互关系，可以采用生物信息学平台（如R/Bioconductor或Python中的pandas、scikit-learn等库）进行数据处理和建模，结合已有的基因-环境交互分析工具，分析不同突变位点在不同环境和基因背景下的表现差异，这一过程中，重点是揭示突变位点如何在特定环境下发挥不同的功能效应，并识别出的突变影响因素，最终得到促甲状腺激素受体抗体反应突变影响因素。
进一步的，步骤S1包括以下步骤：
步骤S11：获取来自临床样本对应的促甲状腺激素受体抗体反应基因序列；
步骤S12：利用特异性探针以及显微镜对促甲状腺激素受体抗体反应基因序列进行基因序列反应观测，以生成促甲状腺激素受体抗体反应序列谱图；
步骤S13：根据预设的特异性单链DNA引物对促甲状腺激素受体抗体反应序列谱图内对应的目标抗体基因序列进行PCR扩增处理，得到促甲状腺激素受体目标抗体基因序列对应的高浓度目标基因扩增产物；
步骤S14：基于促甲状腺激素受体抗体对高浓度目标基因扩增产物进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；
步骤S15：基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
作为本发明的一个实施例，参考图2所示，为图1中步骤S1的详细步骤流程示意图，在本实施例中步骤S1包括以下步骤：
步骤S11：获取来自临床样本对应的促甲状腺激素受体抗体反应基因序列；
在本发明实施例中，通过从临床样本中提取相关的基因材料，通常采用高质量的组织或血液样本，通过对样本进行DNA提取处理，确保提取物中不含有过多的污染物，特别是提取促甲状腺激素受体（TSHR）相关区域的基因序列，最终得到促甲状腺激素受体抗体反应基因序列。
步骤S12：利用特异性探针以及显微镜对促甲状腺激素受体抗体反应基因序列进行基因序列反应观测，以生成促甲状腺激素受体抗体反应序列谱图；
在本发明实施例中，通过在获取到促甲状腺激素受体相关的基因序列后，利用特异性探针进行基因序列的反应观测，选取针对目标基因序列中特定区域的探针，这些探针可通过标记物（例如荧光染料或放射性标记）进行标记，在进行探针杂交时，将探针与待检测样本中的目标DNA序列进行结合，通过优化温度和时间，确保探针和DNA序列的充分结合，并通过使用显微镜或荧光成像设备进行观察，确认探针的结合情况，在实验过程中，可通过计算机辅助的图像分析系统提取反应区域的信号强度，最终生成促甲状腺激素受体抗体反应序列谱图。
步骤S13：根据预设的特异性单链DNA引物对促甲状腺激素受体抗体反应序列谱图内对应的目标抗体基因序列进行PCR扩增处理，得到促甲状腺激素受体目标抗体基因序列对应的高浓度目标基因扩增产物；
在本发明实施例中，通过使用先前生成的促甲状腺激素受体抗体反应序列谱图能够为下一步PCR扩增提供参考，在该步骤中，依据谱图中识别出的目标基因序列，设计并合成特异性的单链DNA引物，确保引物与目标基因序列的结合特异性，选用高效的PCR反应体系，在适当的反应条件下（如温度、时间、循环数）进行PCR扩增，以通过对PCR产物进行实时监控，确保扩增过程的高效性与特异性，在扩增完成后，使用凝胶电泳技术对PCR产物进行验证，确认扩增产物的大小与目标基因序列一致，经过纯化处理后，得到高浓度的目标基因扩增产物，最终得到促甲状腺激素受体目标抗体基因序列对应的高浓度目标基因扩增产物。
步骤S14：基于促甲状腺激素受体抗体对高浓度目标基因扩增产物进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；
在本发明实施例中，通过取适量的高浓度目标基因扩增产物与已知浓度的促甲状腺激素受体抗体进行免疫反应实验，通过酶联免疫吸附试验（ELISA）、免疫沉淀、免疫荧光等方法，检测抗体与目标基因的结合反应，并通过精确的检测设备，如酶标仪或荧光显微镜，测量抗体反应的强度，反应强度可以通过与标准样本进行比较来量化，从而得到促甲状腺激素受体抗体的反应水平，该步骤的目的是评估不同样本之间的抗体反应水平，最终得到促甲状腺激素受体抗体反应水平。
步骤S15：基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
在本发明实施例中，通过先前量化得出的促甲状腺激素受体抗体反应水平下，可以对相对应的基因序列进行深入分析，在该步骤中，首先依据反应水平的高低，筛选出反应异常的样本，对于这些样本，进一步通过比对其基因序列与正常样本中的参考序列，寻找潜在的突变位点，通过应用生物信息学工具，如序列比对软件和突变预测模型，识别出与异常抗体反应相关的功能性突变位点，这些突变位点与抗体的结合亲和力、抗体产生的免疫反应性以及受体的功能状态密切相关，并将这些突变位点映射到促甲状腺激素受体基因序列中，获得异常反应的目标基因序列，最终得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
进一步的，步骤S14包括以下步骤：
步骤S141：将促甲状腺激素受体抗体与高浓度目标基因扩增产物进行抗体结合反应，并利用磁珠对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行反应复合物捕获，以得到促甲状腺激素受体抗体-目标基因复合物；
步骤S142：通过酶标法对促甲状腺激素受体抗体-目标基因复合物进行抗体结合量测量，以得到促甲状腺激素受体抗体反应结合量；
步骤S143：通过促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程获取对应的促甲状腺激素受体抗体反应时间，并基于促甲状腺激素受体抗体反应时间对促甲状腺激素受体抗体反应结合量进行抗体结合率量化计算，以得到促甲状腺激素受体抗体反应结合率数据集；
步骤S144：基于促甲状腺激素受体抗体反应结合率数据集对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平。
作为本发明的一个实施例，参考图3所示，为图2中步骤S14的详细步骤流程示意图，在本实施例中步骤S14包括以下步骤：
步骤S141：将促甲状腺激素受体抗体与高浓度目标基因扩增产物进行抗体结合反应，并利用磁珠对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行反应复合物捕获，以得到促甲状腺激素受体抗体-目标基因复合物；
在本发明实施例中，通过准备促甲状腺激素受体抗体（TRAB）和目标基因的扩增产物。目标基因扩增产物通常通过PCR扩增获得，其中，目标基因序列是事先设定的，并具有特定的标记，高浓度目标基因扩增产物的准备需确保PCR反应体系中含有足够数量的扩增产物，以便于后续的结合反应，并通过将促甲状腺激素受体抗体（TRAB）和目标基因扩增产物在适宜的缓冲液中进行混合，通常使用含有盐离子、缓冲剂的PBS溶液，确保抗体与目标基因扩增产物之间能够发生特异性的结合反应，反应混合物在室温或4°C下反应一定时间，通常为30分钟至1小时，确保抗体与目标基因产物之间的结合达到平衡。同时，通过加入磁珠以进行结合物捕获，磁珠表面通常会预先偶联具有亲和力的物质，例如蛋白A或蛋白G，以便于捕获抗体-抗原复合物，将反应体系加入含有磁珠的微管中，并通过磁场作用，使磁珠上的结合复合物迅速被吸附到磁珠表面，利用磁场分离出未结合的目标基因扩增产物和未结合的促甲状腺激素受体抗体，保留磁珠上捕获的抗体-目标基因复合物，最终得到促甲状腺激素受体抗体-目标基因复合物。
步骤S142：通过酶标法对促甲状腺激素受体抗体-目标基因复合物进行抗体结合量测量，以得到促甲状腺激素受体抗体反应结合量；
在本发明实施例中，捕获的促甲状腺激素受体抗体-目标基因复合物将进行抗体结合量的测定，以将磁珠上的复合物通过洗涤去除非特异性结合物质，确保复合物纯净，并向样本中添加与抗体特异性结合的酶标二抗，该酶标二抗能够与促甲状腺激素受体抗体的Fc区域特异性结合，并携带酶标记物，如辣根过氧化物酶（HRP）或碱性磷酸酶（ALP），接着，使用底物溶液与酶标二抗结合反应，产生可测量的化学信号，具体地，可以添加相应的底物溶液，若酶催化反应成功，则会生成有色产物或荧光信号，通过酶标仪器测量反应产物的信号强度，进而计算出促甲状腺激素受体抗体与目标基因扩增产物之间的结合量，信号强度与抗体结合量成正比，从而得出准确的结合量数据，最终得到促甲状腺激素受体抗体反应结合量。
步骤S143：通过促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程获取对应的促甲状腺激素受体抗体反应时间，并基于促甲状腺激素受体抗体反应时间对促甲状腺激素受体抗体反应结合量进行抗体结合率量化计算，以得到促甲状腺激素受体抗体反应结合率数据集；
在本发明实施例中，通过时间和结合量来进一步量化促甲状腺激素受体抗体的结合率，首先记录促甲状腺激素受体抗体与目标基因扩增产物结合反应的过程，通过实时监控结合反应的时间变化，可以得到一个时间-反应曲线，该过程通常可以通过酶标仪的时间间隔检测来实现，例如，可以每隔5分钟记录一次反应体系的信号强度，直至达到平衡状态，在此过程中，反应开始时抗体与目标基因扩增产物结合较快，随着反应的进行，结合量逐渐达到饱和，通过记录不同时间点的反应信号，能够获得反应的动态变化，结合量数据可通过标准曲线与初始样本的浓度关系进行计算，从而得出促甲状腺激素受体抗体的反应结合率，结合率的计算基于已知的反应时间与实际测得的结合量进行比较，通过以下公式进行量化：结合率 = (实际结合量/反应时间)×100%，该公式可以计算出抗体与目标基因扩增产物之间的相对结合效率，并将每一个时间点处计算得出的结合率进行整合，最终得到促甲状腺激素受体抗体反应结合率数据集。
步骤S144：基于促甲状腺激素受体抗体反应结合率数据集对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平。
在本发明实施例中，通过使用前述的促甲状腺激素受体抗体反应结合率数据集对抗体-目标基因复合物的结合反应水平进行深入分析，以通过收集所有实验数据，涵盖不同反应时间点的结合率和不同条件下的反应量，并采用统计分析方法，例如回归分析或曲线拟合，来描述促甲状腺激素受体抗体与目标基因扩增产物结合过程的动力学特征，具体来说，可以使用非线性拟合方法对结合率与反应时间的关系进行建模，从而得出最佳拟合曲线，并通过拟合曲线评估反应的速度、饱和度及结合效率，此外，通过对不同实验组的结合率数据进行比较分析，可以评估促甲状腺激素受体抗体在不同条件下的反应水平差异，例如，改变缓冲液的pH值、离子强度、温度等条件，或改变促甲状腺激素受体抗体以及抗原的浓度，都会影响反应的结合水平，从而量化得出促甲状腺激素受体抗体在该实验体系中相对应的反应水平，最终得到促甲状腺激素受体抗体反应水平。
进一步的，步骤S144包括以下步骤：
利用表面等离子共振技术对促甲状腺激素受体抗体反应结合率数据集内每一个抗体反应结合率数据点处的结合反应过程进行抗体反应动力学分析，以生成促甲状腺激素受体抗体反应结合动力学曲线；
在本发明实施例中，通过使用表面等离子共振（SPR）技术对促甲状腺激素受体抗体与目标基因扩增产物之间的结合反应进行实时监测，具体操作过程中，选择一块功能化的金属传感器芯片，将促甲状腺激素受体抗体以一定浓度固定在芯片表面，并逐步注入不同浓度的目标基因扩增产物溶液，实时监测反应过程中由抗体与目标分子结合产生的光学信号变化，通过SPR设备，记录下每一个抗体反应结合率数据点，并根据反射光强度的变化来反映结合反应的动力学过程，每一个数据点对应一个特定的结合事件，其中结合率的数值反映了抗体与目标产物在不同时间点的结合情况，利用SPR数据拟合生成促甲状腺激素受体抗体反应结合动力学曲线，这些曲线能够体现出抗体结合过程中的亲和力、反应速度等动力学参数，最终拟合生成促甲状腺激素受体抗体反应结合动力学曲线（如图4促甲状腺刺激激素受体抗体结合动力学图像所示）。
优选地，对促甲状腺激素受体抗体反应结合动力学曲线进行结合速度实时监测，得到促甲状腺激素受体抗体反应结合速度；
在本发明实施例中，通过使用SPR仪器中的实时信号监测系统，继续对促甲状腺激素受体抗体与目标基因扩增产物的结合过程进行动态观察，具体而言，采用SPR仪器进行高频率的数据采集，监控反应过程中抗体-抗原结合速率的变化，并结合反应的实时数据包括结合开始时的信号变化速率、结合达到平衡时的稳定信号以及随时间的衰减或上升趋势，根据这些数据，计算出每个时间点的结合速度，即单位时间内抗体与目标分子结合的速率变化，结合速度可以通过分析反射信号变化率来获得，这一过程需要进行精准的时间控制和数据处理，以便得到详细的反应结合速度信息，最终得到促甲状腺激素受体抗体反应结合速度。
优选地，基于促甲状腺激素受体抗体反应结合速度对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行反应结合强度分析，得到促甲状腺激素受体抗体反应结合强度；
在本发明实施例中，通过将促甲状腺激素受体抗体反应结合速度用于对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的反应结合强度进行分析，具体实施时，基于先前得到的结合速度数据，使用专门的分析算法（如双变量拟合模型）计算结合反应的强度，结合强度反映了促甲状腺激素受体抗体与目标基因扩增产物结合过程的整体效果，通过调整分析模型的参数，进一步精确地对反应中的每个阶段进行解析，如初始结合阶段、稳定阶段和脱附阶段，结合强度的数值可通过计算结合速度的积分值、峰值或平均值来得出，最终得到促甲状腺激素受体抗体反应结合强度。
优选地，利用流式细胞术对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行细胞结合亲和力水平分析，以得到促甲状腺激素受体抗体细胞结合亲和力水平；
在本发明实施例中，通过采用流式细胞术对促甲状腺激素受体抗体与目标基因扩增产物之间的结合反应过程进行细胞结合亲和力水平的分析，具体来说，首先准备与目标基因扩增产物结合的抗体，经过标记（如荧光标记）后，将其与目标细胞表面相应的促甲状腺激素受体相互作用，接着利用流式细胞仪对不同细胞样本进行分析，记录抗体与细胞表面促甲状腺激素受体的结合情况，在这一过程中，细胞表面与抗体结合的荧光信号强度作为亲和力的指示，结合亲和力水平则通过荧光强度与细胞的比例关系来推算，流式细胞仪实时采集数据，输出每个细胞样本的亲和力水平，并根据不同的细胞样本间的差异，进行详细的统计分析和比较，以得到具体的结合亲和力水平，最终得到促甲状腺激素受体抗体细胞结合亲和力水平。
优选地，基于促甲状腺激素受体抗体反应结合强度以及促甲状腺激素受体抗体细胞结合亲和力水平利用促甲状腺抗体反应水平计算公式对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行抗体反应量化计算，以得到促甲状腺激素受体抗体反应水平。
在本发明实施例中，通过结合时间变量参数、促甲状腺激素受体抗体反应结合强度、促甲状腺激素受体抗体细胞结合亲和力水平、促甲状腺激素受体抗体解离常数、促甲状腺激素受体抗体浓度、促甲状腺激素受体抗原浓度、抗体反应时间衰减因子以及相关参数构成了一个合适的促甲状腺抗体反应水平计算公式进行抗体反应的量化计算，以量化计算得到一个综合的反应水平数值，最终得到促甲状腺激素受体抗体反应水平。
进一步的，所述促甲状腺抗体反应水平计算公式具体为：
；
式中，为促甲状腺激素受体抗体反应水平，为反应时间范围参数，为积分时间变量参数，为促甲状腺激素受体抗体反应结合强度，为促甲状腺激素受体抗体细胞结合亲和力水平，为促甲状腺激素受体抗体解离常数，为在时间时对应的促甲状腺激素受体抗体浓度，为在时间时对应的促甲状腺激素受体抗原浓度，为抗体反应时间衰减因子，为促甲状腺激素受体抗体反应水平的修正系数。
本发明通过使用具体的数学模型并经过验证得到了一个促甲状腺抗体反应水平计算公式，用于对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行抗体反应量化计算，该促甲状腺抗体反应水平计算公式通过表示抗体与抗原（促甲状腺激素受体抗原）结合的能力，它反映了抗体与抗原之间的亲和力，这一参数通过表面等离子共振技术（SPR）和流式细胞术等手段测量，能够提供非常精确的结合动力学数据，较高的结合强度通常表明抗体对抗原的亲和力较强，能够更有效地与目标分子结合，细胞结合亲和力水平反映了抗体与细胞表面受体的亲和性，在流式细胞术中，通过测量抗体与目标细胞的结合情况，能够评估抗体在体外条件下的结合能力，从而反映抗体在实际应用中的有效性，这些参数帮助研究人员确定不同抗体的功能性和有效性，而表示抗体与抗原结合的解离常数，较低的解离常数通常意味着抗体与抗原的结合较为稳定，即抗体在体内能够长时间维持其结合状态，反过来，较高的解离常数意味着抗体较容易从抗原上解离，提示其结合力较弱，解离常数提供了抗体与抗原结合的稳定性信息，能够帮助进一步优化抗体的亲和性和特异性，反应时间衰减因子表示抗体反应随时间变化的衰减速率，抗体反应通常会随着时间的推移逐渐减弱，衰减因子可以量化这种变化。该因子可以反映抗体在反应中的持久性，这一因子能够帮助研究人员评估抗体反应的持续时间。另外，通过修正系数的引入，代表了反应过程中的其他因素或是某些实验条件的影响，它涉及实验的误差修正，或者是特定反应过程中对抗体反应水平的优化调整，通过调整这一系数，可以更准确地描述实验中复杂的生物反应或优化测量条件，使得结果更加可靠。通过该公式，不仅能够获得每个时间点的结合反应强度，还能评估抗体在动态反应过程中如何与目标基因扩增产物结合，这一动态过程涉及到多种因素，包括抗体浓度、目标抗原浓度、反应时间等，该动态分析能够帮助研究人员理解不同时间点抗体与抗原结合的变化情况，进而对抗体的反应速率、亲和力等进行精确评估，进而选择最佳的抗体或优化实验条件，从而为后续的处理过程提供了准确性和效率。综上所述，该公式充分考虑了促甲状腺激素受体抗体反应水平，反应时间范围参数，积分时间变量参数，促甲状腺激素受体抗体反应结合强度，促甲状腺激素受体抗体细胞结合亲和力水平，促甲状腺激素受体抗体解离常数，在时间时对应的促甲状腺激素受体抗体浓度，在时间时对应的促甲状腺激素受体抗原浓度，抗体反应时间衰减因子，促甲状腺激素受体抗体反应水平的修正系数，根据促甲状腺激素受体抗体反应水平与以上各参数之间的相互关联关系构成了一种函数关系，该公式能够实现对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程的抗体反应量化计算过程，同时，通过促甲状腺激素受体抗体反应水平的修正系数的引入根据计算过程中出现的误差情况进行调整，从而能够提高了促甲状腺抗体反应水平计算公式的准确性和适用性。
进一步的，步骤S15包括以下步骤：
步骤S151：基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行抗体反应水平动态变化绘制，以生成促甲状腺抗体反应基因序列对应的抗体反应水平时序动态变化图谱；
在本发明实施例中，通过实验手段采集不同时间点的促甲状腺激素受体抗体（TRAb）的反应数据，这些数据可以通过血清学检测方法，如酶联免疫吸附实验（ELISA）或者放射免疫测定（RIA）获得，并统计分析出相应的促甲状腺激素受体抗体反应水平，利用生物信息学工具，如MATLAB、R语言或Python中的相关库（如Pandas和Matplotlib）进行抗体反应水平的动态绘制分析，具体步骤包括首先将每个促甲状腺激素受体抗体反应基因序列的TRAb反应水平按时间顺序整理，构建对应的时间-反应水平数据表，然后利用统计分析方法（如平滑处理或移动平均法）对数据进行平滑，消除噪声影响，通过绘图软件绘制时序动态变化图谱，显示每个时间点的抗体反应水平变化趋势，这些反应水平随时间变化的趋势可以帮助揭示促甲状腺激素受体抗体反应的规律性，最终生成促甲状腺抗体反应基因序列对应的抗体反应水平时序动态变化图谱。
步骤S152：获取已知促甲状腺激素受体基因数据库内的正常抗体反应水平变化图谱，并基于正常抗体反应水平变化图谱对抗体反应水平时序动态变化图谱进行序列突变比对分析，以得到存在突变位点候选区域对应的促甲状腺激素抗体反应基因序列；
在本发明实施例中，通过获取已知促甲状腺激素受体基因数据库内的正常抗体反应水平变化图谱，首先需要访问公共的基因数据库，例如NCBI（National Center forBiotechnology Information）或Ensembl数据库，下载正常的TRAb反应水平数据集，该数据集应包含健康个体的正常抗体反应水平时序数据，利用序列比对工具，如BLAST（BasicLocal Alignment Search Tool）对已获得的正常图谱数据进行比对，找出与目标样本在抗体反应水平变化上存在显著差异的区域，为了确保比对的准确性，可以通过计算比对的相似性评分来选择最相关的参考数据，通过突变比对分析，能够找到可能的突变位点区域，并据此识别出相关的促甲状腺激素受体抗体反应基因序列，最终得到存在突变位点候选区域对应的促甲状腺激素抗体反应基因序列。
步骤S153：对存在突变位点候选区域对应的促甲状腺激素抗体反应基因序列进行进一步功能影响预测，以确定对促甲状腺激素受体抗体反应存在功能影响对应的突变位点，并基于存在功能影响对应的突变位点对相对应的促甲状腺激素受体抗体反应基因序列进行异常识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
在本发明实施例中，通过对先前获得的存在突变位点的候选区域进行进一步的功能预测分析，需要使用基因功能预测工具，如SIFT（Sorting Intolerant From Tolerant）、PolyPhen-2（Polymorphism Phenotyping v2）等，评估突变位点对蛋白质功能的影响，这些工具通过比对已知的蛋白质结构和突变类型，预测突变对蛋白质稳定性、折叠性、活性位点功能等方面的潜在影响，并根据预测结果，将突变位点分为功能影响显著和无显著影响两类，接下来，基于存在功能性影响的突变位点，进行异常识别筛选，异常识别使用的方法包括基因表达数据分析和功能富集分析，运用软件工具如Gene Ontology（GO）分析和KyotoEncyclopedia of Genes and Genomes（KEGG）通路分析，筛选出与促甲状腺激素受体抗体反应相关的异常基因，这些基因序列为异常反应的来源，能够进一步为突变功能研究提供科学依据，最终得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列，以完成抗体反应基因的异常反应识别。
进一步的，步骤S2包括以下步骤：
步骤S21：对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；
在本发明实施例中，通过对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行全基因组或特定区域的突变筛选，尤其是那些已知与促甲状腺抗体反应相关的基因位点，此过程通常借助高通量测序技术（如Illumina测序平台）来完成，获取的基因组数据将通过生物信息学工具（如GATK或Samtools）进行突变检测，尤其关注功能性突变，对于每一个检测到的突变位点，应用统计学分析方法（如Fisher精确检验或卡方检验）对该突变位点与促甲状腺抗体异常反应之间的关系进行评估，筛选出显著相关的突变位点，并将这些突变位点作为输入数据，利用机器学习算法（如随机森林、支持向量机等）提取其对促甲状腺抗体异常反应的贡献特征因子，特征因子分析的结果可以为后续步骤提供关键的突变特征因子，包括遗传突变位点、免疫系统反应相关基因的突变情况等，最终得到促甲状腺抗体异常反应突变特征因子。
步骤S22：获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平；
在本发明实施例中，通过从临床实验室获取与促甲状腺激素受体相关的实验数据，具体包括促甲状腺激素（TSH）水平、三碘甲状腺原氨酸（T3）水平及四碘甲状腺原氨酸（T4）水平，这些数据通常通过血液样本的分析获得，实验方法包括放射免疫法（RIA）、酶联免疫吸附法（ELISA）或化学发光免疫分析法（CLIA）等，在实验室中，使用经过校准的设备对患者血液样本中的TSH、T3、T4浓度进行检测，确保数据的准确性和可比性，获取的数据需要按照标准化流程记录，并存储在电子健康记录系统中，以便后续分析，在此过程中，应特别注意实验数据的质量控制，确保所收集的T3、T4、TSH数据的准确性，避免数据误差影响后续分析结果，最终得到促甲状腺激素受体实验数据，具体包括TSH水平、T3水平以及T4水平。
步骤S23：对促甲状腺激素受体实验数据内的T3水平以及T4水平进行比值计算，得到促甲状腺激素T3/T4水平比值；
在本发明实施例中，通过在获得TSH、T3和T4的实验数据后，下一步是计算T3与T4的比值。首先，将收集到的每个样本的T3和T4水平分别提取出来，利用以下公式进行计算：，此计算应基于单个患者的检测数据进行处理，生成每个样本的T3/T4比值，T3和T4的比值在内分泌学中具有重要的临床意义，因为它反映了甲状腺激素的功能状态及其与促甲状腺激素（TSH）之间的相互关系，通过比值计算，可以进一步判断甲状腺的功能是否正常、是否出现异常的代谢状态，最终得到促甲状腺激素T3/T4水平比值。
步骤S24：基于促甲状腺抗体异常反应突变特征因子对TSH水平以及促甲状腺激素T3/T4水平比值进行突变因子与功能指标关联表征分析，以得到促甲状腺异常反应突变因子-功能激素水平关联矩阵；
在本发明实施例中，通过将先前分析得到的促甲状腺抗体异常反应突变特征因子与TSH水平及T3/T4比值数据进行匹配，此匹配过程通常通过临床数据库中的唯一患者标识符（如ID号）来完成，以确保每个患者的基因突变信息与其甲状腺功能数据一一对应，并通过使用多变量统计分析方法（如多元回归分析、典型相关分析、主成分分析等）来构建突变因子与功能激素水平之间的关联矩阵，该矩阵将揭示特定突变位点如何影响TSH水平以及T3/T4比值，从而推导出每个突变因子与功能激素指标之间的关联关系，得到的关联矩阵展示了不同突变因子与甲状腺激素功能水平的具体关系，最终得到促甲状腺异常反应突变因子-功能激素水平关联矩阵。
步骤S25：根据促甲状腺异常反应突变因子-功能激素水平关联矩阵进行反应突变与功能指标之间的关联规则挖掘分析，得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系。
在本发明实施例中，通过基于先前获得的促甲状腺异常反应突变因子-功能激素水平关联矩阵，利用数据挖掘技术（如关联规则挖掘算法、Apriori算法、FP-growth算法等）对突变因子与功能指标之间的关系进行深入分析，通过这些技术，能够自动化地识别出不同突变特征因子与甲状腺激素功能水平之间存在的潜在规则，例如，会发现某些特定的突变位点与TSH的升高或T3/T4比值的异常密切相关，进而推测出与甲状腺功能失调相关的基因突变模式，分析结果将生成一组关联规则，描述不同突变与甲状腺功能指标之间的相互影响和规律，此规则可用于预测新患者的甲状腺功能状态，最终得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系。
进一步的，步骤S24包括以下步骤：
步骤S241：基于促甲状腺抗体异常反应突变特征因子对TSH水平以及促甲状腺激素T3/T4水平比值进行突变因子与功能指标之间的关联计算，得到每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数；
在本发明实施例中，通过建立一个计算框架，用于分析促甲状腺抗体（TRAb）异常反应突变特征因子与TSH（促甲状腺激素）水平以及T3/T4（甲状腺激素）水平比值之间的关联影响，具体操作首先提取出实验数据集中的各类特征，包括促甲状腺抗体反应突变特征因子和TSH、T3、T4的测量值，这些特征因子包括遗传突变位点、免疫系统反应相关基因的突变情况等，对于每一个特征因子，利用统计分析方法（例如Pearson相关系数、Spearman等级相关分析）计算其与TSH水平以及T3/T4比值之间的相关性，相关性计算的目标是量化每个突变特征因子对TSH以及T3/T4水平的潜在影响，并得到一个定量的关联影响指数，这个指数反映了每个因子与激素水平之间的关联强度和方向，最终得到每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数。
步骤S242：基于每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数对相对应的促甲状腺抗体异常反应突变特征因子进行反应响应性评价，得到每个反应突变特征因子与TSH、T3/T4水平之间的激素水平响应性影响评分；
在本发明实施例中，通过在量化计算得到每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数后，接下来进行反应响应性评价，在这一过程中，将关联影响指数作为评估因子对TSH和T3/T4水平影响的权重进行加权计算，进一步确定每个突变特征因子对激素水平响应性的影响，具体操作是，利用逻辑回归模型或者支持向量机（SVM）等机器学习算法，通过训练模型来预测突变因子与激素水平的响应模式，通过对比每个突变特征因子对TSH、T3/T4水平的预测误差，调整每个因子的权重系数，从而评估其在整体激素水平调节中的响应性，响应性评分用于表示每个因子在不同环境下对TSH和T3/T4水平变化的灵敏度，最终得到每个反应突变特征因子与TSH、T3/T4水平之间的激素水平响应性影响评分。
步骤S243：基于每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数对促甲状腺抗体异常反应突变特征因子与TSH水平以及促甲状腺激素T3/T4水平比值进行交互作用对比确定，若对应的关联影响指数大于或等于预设的关联阈值时，则将其对应的交互作用关系确定为显示关联交互关系，若对应的关联影响指数小于预设的关联阈值时，则将其对应的交互作用关系确定为隐式关联交互关系，以得到每个反应突变特征因子与TSH、T3/T4水平之间的关联交互作用连接关系；
在本发明实施例中，通过结合先前量化计算得出的反应突变特征因子与TSH、T3/T4水平之间的关联影响指数对促甲状腺抗体异常反应突变特征因子与TSH水平以及促甲状腺激素T3/T4水平比值之间进行交互作用的对比判断分析，以考虑反应突变特征因子与TSH、T3/T4水平之间的交互效应，对于每一组突变因子与激素水平的组合，计算其交互作用的统计显著性，利用方差分析（ANOVA）等方法确定是否存在显著的交互作用，当相对应的关联影响指数大于或等于预设的关联阈值时，认定这些因子与激素水平之间的交互关系为显示关联交互关系；若低于阈值，则将其视为隐式关联交互关系，阈值的选择基于前期实验数据分析或文献中提供的标准，将每对突变特征因子与激素水平的交互关系分为“显示关联”或“隐式关联”，并进行标记，以便进一步的分析。
步骤S244：将激素水平响应性影响评分确定为每个反应突变特征因子与TSH、T3/T4水平之间的影响权重，并根据每个反应突变特征因子与TSH、T3/T4水平之间的影响权重以及关联交互作用连接关系进行突变因子与功能指标关联表征分析，以得到促甲状腺异常反应突变因子-功能激素水平关联矩阵。
在本发明实施例中，通过基于前述步骤计算出的激素水平响应性评分和交互作用关系，来构建促甲状腺异常反应突变因子-功能激素水平关联矩阵，具体操作首先将每个反应突变特征因子的响应性评分转化为权重值，作为影响因子对TSH、T3/T4水平的相对重要性，在此基础上，结合先前分析得出的交互作用关系，建立一个多维度的关联矩阵，矩阵的行列分别表示反应突变因子与不同激素水平（TSH、T3/T4），如果某个突变因子与TSH或T3/T4水平之间存在显著的交互作用，则该矩阵对应的单元格中会标记出交互作用的强度和方向，该矩阵有助于深入分析哪些突变因子对激素水平变化的贡献最大，哪些因子在不同激素水平之间产生协同效应或抑制作用，通过对关联矩阵的进一步分析，可发现潜在的生物标志物，最终得到促甲状腺异常反应突变因子-功能激素水平关联矩阵。
进一步的，步骤S3包括以下步骤：
步骤S31：基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行功能关联影响点图谱绘制，以生成异常反应基因序列对应突变位点与功能指标之间的功能关联影响点图谱；
在本发明实施例中，通过根据先前分析得出的促甲状腺抗体异常反应突变与功能指标之间的关联规则关系，确定其与促甲状腺抗体异常反应的潜在关联，逐一分析其与促甲状腺激素受体抗体反应之间的关联性，具体而言，基于突变位点的功能预测工具（如SIFT、PolyPhen等），对基因突变的潜在功能影响进行评估，并结合已有的生物学文献或数据库（如dbSNP、ClinVar等）验证这些突变位点是否与促甲状腺激素受体抗体反应异常相关，将这些突变位点和相关的功能性指标（例如，促甲状腺激素水平、TRAB的表达水平、甲状腺功能指标等）进行匹配，绘制每个突变位点与对应功能指标之间的关联图谱，该图谱通过生物信息学工具（如Cytoscape或Gephi）进行构建，突变位点和功能指标的关联性用节点和边表示，节点代表不同的突变位点或功能指标，边的强度代表它们之间的关联强度，这一功能关联影响点图谱可为进一步研究突变位点的生物学功能及其对甲状腺功能的影响提供直观展示，最终生成异常反应基因序列对应突变位点与功能指标之间的功能关联影响点图谱。
步骤S32：对异常反应基因序列对应突变位点与功能指标之间的功能关联影响点图谱进行深度挖掘分析，得到异常反应基因序列对应的突变影响因子网络；
在本发明实施例中，通过对先前绘制的功能关联影响点图谱进行系统的分析，为了对图谱中的数据进行深度挖掘，利用图谱分析算法（如社区检测算法、网络拓扑分析等）来识别其中的关键影响因素，具体操作包括使用图算法（例如PageRank、Betweenness中心性分析）来评估突变位点与功能指标之间的关键节点，识别出那些与促甲状腺激素受体抗体反应密切相关的突变位点，此外，采用机器学习方法（如随机森林、支持向量机等）对突变位点的功能性影响进行预测，结合图谱中的相关性数据，训练模型以识别出影响甲状腺功能的突变位点，这一深度挖掘过程的目的是识别出对促甲状腺激素受体抗体反应异常影响最大的突变因子，并通过构建突变影响因子网络，进一步揭示这些因子在甲状腺免疫反应中的作用机制，最终得到异常反应基因序列对应的突变影响因子网络。
步骤S33：获取促甲状腺抗体异常反应基因序列对应的环境因素以及基因生物学因素，并基于环境因素以及基因生物学因素对异常反应基因序列对应的突变影响因子网络进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
在本发明实施例中，通过获取促甲状腺激素受体抗体反应相关的环境因素和基因生物学因素，其中环境因素包括患者的生活习惯、饮食结构、药物使用历史、暴露于有害物质等，基因生物学因素包括家族史、已知的甲状腺疾病遗传易感性等，这些信息可以通过问卷调查、电子健康记录、环境监测数据等方式获得，随后，将环境因素和基因生物学因素与先前构建的突变影响因子网络相结合，进行更深入的分析，具体方法包括使用多因素分析（如多元回归分析）来评估这些因素如何共同作用于促甲状腺激素受体抗体反应，通过这些分析，可以识别出影响甲状腺抗体反应的关键环境因子和遗传因子，并进一步分析其与突变位点之间的相互关系，可以采用生物信息学平台（如R/Bioconductor或Python中的pandas、scikit-learn等库）进行数据处理和建模，结合已有的基因-环境交互分析工具，分析不同突变位点在不同环境和基因背景下的表现差异，这一过程中，重点是揭示突变位点如何在特定环境下发挥不同的功能效应，并识别出的突变影响因素，最终得到促甲状腺激素受体抗体反应突变影响因素。
进一步的，本发明还提供了一种促甲状腺激素受体抗体反应的数据挖掘分析系统，用于执行如上所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，该促甲状腺激素受体抗体反应的数据挖掘分析系统包括：
抗体反应突变异常筛选模块，用于获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，从而得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
反应突变与功能指标关联挖掘模块，用于对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，从而得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
抗体反应突变影响因素分析模块，用于基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，包括以下步骤：
步骤S1：获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
步骤S2：对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
步骤S3：基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
2.根据权利要求1所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S1包括以下步骤：
步骤S11：获取来自临床样本对应的促甲状腺激素受体抗体反应基因序列；
步骤S12：利用特异性探针以及显微镜对促甲状腺激素受体抗体反应基因序列进行基因序列反应观测，以生成促甲状腺激素受体抗体反应序列谱图；
步骤S13：根据预设的特异性单链DNA引物对促甲状腺激素受体抗体反应序列谱图内对应的目标抗体基因序列进行PCR扩增处理，得到促甲状腺激素受体目标抗体基因序列对应的高浓度目标基因扩增产物；
步骤S14：基于促甲状腺激素受体抗体对高浓度目标基因扩增产物进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；
步骤S15：基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
3.根据权利要求2所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S14包括以下步骤：
步骤S141：将促甲状腺激素受体抗体与高浓度目标基因扩增产物进行抗体结合反应，并利用磁珠对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行反应复合物捕获，以得到促甲状腺激素受体抗体-目标基因复合物；
步骤S142：通过酶标法对促甲状腺激素受体抗体-目标基因复合物进行抗体结合量测量，以得到促甲状腺激素受体抗体反应结合量；
步骤S143：通过促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程获取对应的促甲状腺激素受体抗体反应时间，并基于促甲状腺激素受体抗体反应时间对促甲状腺激素受体抗体反应结合量进行抗体结合率量化计算，以得到促甲状腺激素受体抗体反应结合率数据集；
步骤S144：基于促甲状腺激素受体抗体反应结合率数据集对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平。
4.根据权利要求3所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S144包括以下步骤：
利用表面等离子共振技术对促甲状腺激素受体抗体反应结合率数据集内每一个抗体反应结合率数据点处的结合反应过程进行抗体反应动力学分析，以生成促甲状腺激素受体抗体反应结合动力学曲线；
对促甲状腺激素受体抗体反应结合动力学曲线进行结合速度实时监测，得到促甲状腺激素受体抗体反应结合速度；
基于促甲状腺激素受体抗体反应结合速度对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行反应结合强度分析，得到促甲状腺激素受体抗体反应结合强度；
利用流式细胞术对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行细胞结合亲和力水平分析，以得到促甲状腺激素受体抗体细胞结合亲和力水平；
基于促甲状腺激素受体抗体反应结合强度以及促甲状腺激素受体抗体细胞结合亲和力水平利用促甲状腺抗体反应水平计算公式对促甲状腺激素受体抗体与高浓度目标基因扩增产物之间的结合反应过程进行抗体反应量化计算，以得到促甲状腺激素受体抗体反应水平。
5.根据权利要求4所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，所述促甲状腺抗体反应水平计算公式具体为：
；
式中，为促甲状腺激素受体抗体反应水平，为反应时间范围参数，为积分时间变量参数，为促甲状腺激素受体抗体反应结合强度，为促甲状腺激素受体抗体细胞结合亲和力水平，为促甲状腺激素受体抗体解离常数，为在时间时对应的促甲状腺激素受体抗体浓度，为在时间时对应的促甲状腺激素受体抗原浓度，为抗体反应时间衰减因子，为促甲状腺激素受体抗体反应水平的修正系数。
6.根据权利要求2所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S15包括以下步骤：
步骤S151：基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行抗体反应水平动态变化绘制，以生成促甲状腺抗体反应基因序列对应的抗体反应水平时序动态变化图谱；
步骤S152：获取已知促甲状腺激素受体基因数据库内的正常抗体反应水平变化图谱，并基于正常抗体反应水平变化图谱对抗体反应水平时序动态变化图谱进行序列突变比对分析，以得到存在突变位点候选区域对应的促甲状腺激素抗体反应基因序列；
步骤S153：对存在突变位点候选区域对应的促甲状腺激素抗体反应基因序列进行进一步功能影响预测，以确定对促甲状腺激素受体抗体反应存在功能影响对应的突变位点，并基于存在功能影响对应的突变位点对相对应的促甲状腺激素受体抗体反应基因序列进行异常识别筛选，得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列。
7.根据权利要求1所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S2包括以下步骤：
步骤S21：对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；
步骤S22：获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平；
步骤S23：对促甲状腺激素受体实验数据内的T3水平以及T4水平进行比值计算，得到促甲状腺激素T3/T4水平比值；
步骤S24：基于促甲状腺抗体异常反应突变特征因子对TSH水平以及促甲状腺激素T3/T4水平比值进行突变因子与功能指标关联表征分析，以得到促甲状腺异常反应突变因子-功能激素水平关联矩阵；
步骤S25：根据促甲状腺异常反应突变因子-功能激素水平关联矩阵进行反应突变与功能指标之间的关联规则挖掘分析，得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系。
8.根据权利要求7所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S24包括以下步骤：
步骤S241：基于促甲状腺抗体异常反应突变特征因子对TSH水平以及促甲状腺激素T3/T4水平比值进行突变因子与功能指标之间的关联计算，得到每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数；
步骤S242：基于每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数对相对应的促甲状腺抗体异常反应突变特征因子进行反应响应性评价，得到每个反应突变特征因子与TSH、T3/T4水平之间的激素水平响应性影响评分；
步骤S243：基于每个反应突变特征因子与TSH、T3/T4水平之间的关联影响指数对促甲状腺抗体异常反应突变特征因子与TSH水平以及促甲状腺激素T3/T4水平比值进行交互作用对比确定，若对应的关联影响指数大于或等于预设的关联阈值时，则将其对应的交互作用关系确定为显示关联交互关系，若对应的关联影响指数小于预设的关联阈值时，则将其对应的交互作用关系确定为隐式关联交互关系，以得到每个反应突变特征因子与TSH、T3/T4水平之间的关联交互作用连接关系；
步骤S244：将激素水平响应性影响评分确定为每个反应突变特征因子与TSH、T3/T4水平之间的影响权重，并根据每个反应突变特征因子与TSH、T3/T4水平之间的影响权重以及关联交互作用连接关系进行突变因子与功能指标关联表征分析，以得到促甲状腺异常反应突变因子-功能激素水平关联矩阵。
9.根据权利要求1所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，其特征在于，步骤S3包括以下步骤：
步骤S31：基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行功能关联影响点图谱绘制，以生成异常反应基因序列对应突变位点与功能指标之间的功能关联影响点图谱；
步骤S32：对异常反应基因序列对应突变位点与功能指标之间的功能关联影响点图谱进行深度挖掘分析，得到异常反应基因序列对应的突变影响因子网络；
步骤S33：获取促甲状腺抗体异常反应基因序列对应的环境因素以及基因生物学因素，并基于环境因素以及基因生物学因素对异常反应基因序列对应的突变影响因子网络进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
10.一种促甲状腺激素受体抗体反应的数据挖掘分析系统，其特征在于，用于执行如权利要求1所述的促甲状腺激素受体抗体反应的数据挖掘分析方法，该促甲状腺激素受体抗体反应的数据挖掘分析系统包括：
抗体反应突变异常筛选模块，用于获取促甲状腺激素受体抗体反应基因序列，并对促甲状腺激素受体抗体反应基因序列进行抗体反应水平分析，以得到促甲状腺激素受体抗体反应水平；基于促甲状腺激素受体抗体反应水平对促甲状腺激素受体抗体反应基因序列进行反应突变位点识别筛选，从而得到存在功能性突变位点对应的促甲状腺抗体异常反应基因序列；
反应突变与功能指标关联挖掘模块，用于对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行异常反应特征因子分析，以得到促甲状腺抗体异常反应突变特征因子；获取促甲状腺激素受体实验数据，其中促甲状腺激素受体实验数据包括TSH水平、T3水平以及T4水平，并基于促甲状腺抗体异常反应突变特征因子对促甲状腺激素受体实验数据进行反应突变与功能指标之间的关联规则挖掘分析，从而得到促甲状腺抗体异常反应突变与功能指标之间的关联规则关系；
抗体反应突变影响因素分析模块，用于基于促甲状腺抗体异常反应突变与功能指标之间的关联规则关系对存在功能性突变位点对应的促甲状腺抗体异常反应基因序列进行抗体反应突变影响因素分析，以得到促甲状腺激素受体抗体反应突变影响因素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202510066091.7A CN119479803A (zh) | 2025-01-16 | 2025-01-16 | 促甲状腺激素受体抗体反应的数据挖掘分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202510066091.7A CN119479803A (zh) | 2025-01-16 | 2025-01-16 | 促甲状腺激素受体抗体反应的数据挖掘分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN119479803A true CN119479803A (zh) | 2025-02-18 |
Family
ID=94568315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202510066091.7A Pending CN119479803A (zh) | 2025-01-16 | 2025-01-16 | 促甲状腺激素受体抗体反应的数据挖掘分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119479803A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102344966A (zh) * | 2011-10-21 | 2012-02-08 | 浙江省疾病预防控制中心 | 促甲状腺激素受体基因突变位点检测试剂盒、使用方法和应用 |
| CN106645689A (zh) * | 2016-06-30 | 2017-05-10 | 深圳市亚辉龙生物科技股份有限公司 | 一种促甲状腺激素受体抗体化学发光免疫测定试剂盒及其制备方法 |
| WO2023103827A1 (zh) * | 2021-12-07 | 2023-06-15 | 郑州安图生物工程股份有限公司 | 一种促甲状腺激素受体抗原试剂及促甲状腺激素受体抗体定量检测试剂盒 |
| CN118897090A (zh) * | 2024-09-30 | 2024-11-05 | 美康生物科技股份有限公司 | 一种刺激性促甲状腺激素受体抗体亚型检测试剂盒及其制备方法与应用 |
-
2025
- 2025-01-16 CN CN202510066091.7A patent/CN119479803A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102344966A (zh) * | 2011-10-21 | 2012-02-08 | 浙江省疾病预防控制中心 | 促甲状腺激素受体基因突变位点检测试剂盒、使用方法和应用 |
| CN106645689A (zh) * | 2016-06-30 | 2017-05-10 | 深圳市亚辉龙生物科技股份有限公司 | 一种促甲状腺激素受体抗体化学发光免疫测定试剂盒及其制备方法 |
| WO2023103827A1 (zh) * | 2021-12-07 | 2023-06-15 | 郑州安图生物工程股份有限公司 | 一种促甲状腺激素受体抗原试剂及促甲状腺激素受体抗体定量检测试剂盒 |
| CN118897090A (zh) * | 2024-09-30 | 2024-11-05 | 美康生物科技股份有限公司 | 一种刺激性促甲状腺激素受体抗体亚型检测试剂盒及其制备方法与应用 |
Non-Patent Citations (1)
| Title |
|---|
| SARA M. M. FAWZI等: ""Correlation between thyroid hormones and anti-TSHR Ab in graves\' disease"", 《IRAQI JOURNAL OF BIOTECHNOLOGY》, 31 May 2018 (2018-05-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| McShane et al. | Criteria for the use of omics-based predictors in clinical trials: explanation and elaboration | |
| CN113009122B (zh) | 用于测定自闭症谱系病症风险的方法和系统 | |
| Feng et al. | Adding rigor to biomarker evaluations—EDRN experience | |
| White et al. | Bioinformatics strategies for proteomic profiling | |
| CN110196335A (zh) | 与肾功能相关的生物标记及其使用方法 | |
| Zhuang et al. | Multi-omics analysis from archival neonatal dried blood spots: limitations and opportunities | |
| EP2460007A1 (en) | Serum markers predicting clinical response to anti-tnfalpha antibodies in patients with psoriatic arthritis | |
| Piggott et al. | Analytical evaluation of four faecal immunochemistry tests for haemoglobin | |
| CN116732164A (zh) | 生物标志物组合及其在预测asd疾病中的应用 | |
| CN113917154B (zh) | 尿蛋白标志物在制备糖尿病肾病临床早期检测的试剂盒中的应用 | |
| Shokhirev et al. | FlowMax: A computational tool for maximum likelihood deconvolution of CFSE time courses | |
| CN115128285A (zh) | 一种蛋白质组合对甲状腺滤泡性肿瘤鉴别评估的试剂盒、系统 | |
| CN115684451A (zh) | 基于代谢组学的食管鳞癌淋巴结转移诊断标志物及其应用 | |
| CN113826170B (zh) | 控制复杂生物基质中的样品间分析物可变性 | |
| Kedzierski et al. | Precision medicine: The future of diagnostic approach to pulmonary hypertension? | |
| CN119479803A (zh) | 促甲状腺激素受体抗体反应的数据挖掘分析方法及系统 | |
| Chao et al. | Towards proteome standards: the use of absolute quantitation in high-throughput biomarker discovery | |
| WO2016123058A1 (en) | Biomarkers for detection of tuberculosis risk | |
| CN113917153B (zh) | 尿蛋白标志物在制备检测糖尿病肾病临床分期的试剂盒中的应用 | |
| US20180356419A1 (en) | Biomarkers for detection of tuberculosis risk | |
| JP2007513399A (ja) | 生化学画像の生成及びその使用方法 | |
| TWI858977B (zh) | 生物標記物組、為個體提供老化標記物水平表示的方法、用於提供對個體的生物年齡預測的方法及套組 | |
| Plebani | “Omics” translation: a challenge for laboratory medicine | |
| CN116183924B (zh) | 用于肝癌风险预测的血清代谢标志物及其筛选方法和应用 | |
| US20250231198A1 (en) | Methods for Sample Quality Assessment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |