[go: up one dir, main page]

RU2687578C2 - Способ применения информации о сложной группе биомаркеров для диагностики злокачественной опухоли легкого у субъекта, диагностический набор и вычислительная система с её использованием - Google Patents

Способ применения информации о сложной группе биомаркеров для диагностики злокачественной опухоли легкого у субъекта, диагностический набор и вычислительная система с её использованием Download PDF

Info

Publication number
RU2687578C2
RU2687578C2 RU2017129983A RU2017129983A RU2687578C2 RU 2687578 C2 RU2687578 C2 RU 2687578C2 RU 2017129983 A RU2017129983 A RU 2017129983A RU 2017129983 A RU2017129983 A RU 2017129983A RU 2687578 C2 RU2687578 C2 RU 2687578C2
Authority
RU
Russia
Prior art keywords
biomarkers
data
malignant
subject
individual
Prior art date
Application number
RU2017129983A
Other languages
English (en)
Other versions
RU2017129983A3 (ru
RU2017129983A (ru
Inventor
Чхоль У КИМ
Ён Дэ КИМ
Ён Сун ШИН
Ын Хи ЁН
Кён Нам КАН
Хо Сан ШИН
О Ран КВОН
Original Assignee
БиоИнфра Лайф Сайнс Инк.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by БиоИнфра Лайф Сайнс Инк. filed Critical БиоИнфра Лайф Сайнс Инк.
Publication of RU2017129983A3 publication Critical patent/RU2017129983A3/ru
Publication of RU2017129983A publication Critical patent/RU2017129983A/ru
Application granted granted Critical
Publication of RU2687578C2 publication Critical patent/RU2687578C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57407—Specifically defined cancers
    • G01N33/57423—Specifically defined cancers of lung
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biotechnology (AREA)
  • Theoretical Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • Biochemistry (AREA)
  • Oncology (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Organic Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)

Abstract

Группа изобретений относится к медицине, а именно к онкологии, и может быть использована для диагностирования злокачественной опухоли легкого у субъекта. Способ предусматривает следующие стадии: 1) применяют вычислительную систему для получения модели диагностирования злокачественной опухоли легкого. Модель устанавливают с использованием: данных уровня экспрессии отдельных биомаркеров в сложной группе биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных B, где k представляет собой индекс для отдельных биомаркеров и i представляет собой индекс для отдельных биологических образцов выборки; 2) применяют вычислительную систему для получения данных уровня экспрессии отдельных биомаркеров, измеренных в биологическом образце субъекта, или их обработанных данных B, или данных уровня экспрессии отдельных биомаркеров, или их обработанных данных Bи возраст субъекта; 3) применяют вычислительную систему для определения того, обнаружена ли злокачественная опухоль легкого у субъекта. При этом вычислительная система использует данные, полученные у субъекта путем обращения к модели М. Причем указанная сложная группа биомаркеров включает в себя раково-эмбриональный антиген (СЕА), белок 4 эпидидимиса человека (НЕ4), аполипопротеин А-II (АроА2), транстиретин (TTR), растворимая молекула адгезии сосудистого эндотелия 1 типа (sVCAM-1) и экспрессируемый и секретируемый нормальными Т-клетками при активации, регулируемый при активации лиганд 5 хемокина (мотива С-С) (RANTES). Набор для диагностики злокачественной опухоли легкого содержит антитела, которые специфически связываются с СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES в качестве отдельных биомаркеров в сложной группе биомаркеров. Набор для диагностики злокачественной опухоли легкого с использованием сложной группы биомаркеров, содержащий следующее: по меньшей мере шесть рецепторных сайтов; и шесть или больше антител, соответствующих биомаркерам, которые расположены по меньшей мере на шести рецепторных сайтах, соответственно, и специфически связываются с отдельными биомаркерами в сложной группе биомаркеров. Причем шесть или больше антител включают в себя антитела, которые специфически связываются с отдельными биомаркерами СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES. Набор для диагностики злокачественной опухоли легкого используют для определения, обнаружена ли злокачественная опухоль легкого у субъекта, путем обращения к модели М для диагностирования злокачественной опухоли легкого. Модель получают путем использования данных уровня экспрессии отдельных биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных B, где k представляет собой индекс для отдельных биомаркеров и i представляет собой индекс для отдельных биологических образцов выборки. Диагностику проводят путем ввода в модель данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта или их обработанных данных B, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bи возраст субъекта. Вычислительная система для диагностирования злокачественной опухоли легкого с использованием сложной группы биомаркеров содержит следующее: 1) коммуникационную часть для получения модели диагностирования злокачественной опухоли легкого, причем модель сконструирована с использованием данных уровня экспрессии отдельных биомаркеров в сложной группе биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных B, где k представляет собой индекс для отдельных биомаркеров и i представляет собой индекс для отдельных биологических образцов выборки, и получения данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта, или их обработанных данных B, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bи возрастов возраст субъекта; 2) процессор для определения, обнаружена ли злокачественная опухоль легкого у субъекта, с использованием полученных данных субъекта путем обращения к модели. Причем сложная группа биомаркеров для диагностирования злокачественной опухоли легкого включает в себя отдельные биомаркеры СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES. Группа изобретений обеспечивает автоматизированную диагностику злокачественной опухоли легкого, а также увеличивает эффективность диагностики злокачественной опухоли легкого за счет использования сложной группы биомаркеров СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES. 4 н. и 9 з.п. ф-лы, 11 табл., 11 ил.

Description

Область техники, к которой относится настоящее изобретение
Настоящее изобретение относится к способу применения сложной группы биомаркеров для диагностики злокачественной опухоли легкого у субъекта, и диагностическому набору, и вычислительной системе с ее использованием, причем биомаркеры включают в себя СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES.
Предшествующий уровень техники настоящего изобретения
Злокачественная опухоль легкого представляет собой злокачественную опухоль, которая берет свое начало в легком. Ежегодно более 1,3 миллиона людей умирают вследствие злокачественной опухоли легкого. Основные причины злокачественной опухоли легкого представляют собой курение, радон, асбест, генетические факторы и т.д., и, как известно, курение представляет собой главную причину злокачественной опухоли легкого.
Более конкретно, злокачественную опухоль легкого классифицируют на мелкоклеточный рак легкого (SCLC) и немелкоклеточный рак легкого (NSCLC). NSCLC представляет собой наиболее распространенную злокачественную опухоль, на долю которой приходится около 80% всех случаев злокачественной опухоли легкого, и его подразделяют на аденокарциному, плоскоклеточную карциному и крупноклеточную карциному. Поскольку существуют различия в гистологических характеристиках, а также прогнозах и способах лечения в зависимости от типов злокачественной опухоли легкого, важным является определение точного диагноза. В случае NSCLC, несмотря на недавнюю разработку способов лечения злокачественных опухолей, 10-летняя выживаемость для злокачественной опухоли легкого составляет меньше чем 10%, что является очень низким показателем. Это связано с тем, что трудно диагностировать злокачественную опухоль легкого у большинства пациентов даже с очень распространенным NSCLC.
Как правило, ранняя злокачественная опухоль легкого вообще не характеризуется какими-либо симптомами и даже после того, как она прогрессирует до некоторой степени, она характеризуется лишь такими простыми симптомами, как кашель и отхаркивание, которые сходны с обычной простудой. В связи с этим ее очень сложно диагностировать посредством проведения общих медицинских осмотров путем опросов, и пациенты со злокачественной опухолью легкого характеризуются наличием различных симптомов в зависимости от места, откуда берет начало злокачественная опухоль легкого. Типичные симптомы злокачественной опухоли легкого включают в себя кашель, отхаркивание крови или откашливание крови, одышку, боль в груди, хриплый голос, синдром верхней полой вены, боль в костях, перелом костей, головную боль, тошноту и рвоту, но в то время, когда пациенты самостоятельно начинают распознавать такие симптомы, злокачественная опухоль легкого, возможно, уже развилась до распространенной стадии.
Соответственно, в настоящее время раннее обнаружение злокачественной опухоли легкого представляет собой лучший путь увеличения выживаемости пациентов.
Лучший способ раннего обнаружения злокачественной опухоли легкого состоит в периодических медицинских осмотрах. При таких медицинских осмотрах определить, характеризуются ли пациенты наличием злокачественной опухоли легкого или нет, можно путем сбора биообразцов, полученных из их организма, таких как их кровь и моча. Таким образом, индикатор, который можно использовать для идентификации любого изменения в организме с использованием белка, нуклеиновой кислоты, метаболита и т.д., содержащихся в биообразце, относится к биомаркеру.
Например, согласно общепринятым биомаркерным техникам, таким как патент Кореи с регистрационным номером 10-1463588, раскрыто, что биомаркеры, состоящие из AIAT, IGF-1, RANTES и TTR, используют для ранней диагностики злокачественной опухоли легкого. Если можно диагностировать злокачественную опухоль легкого с лучшей способностью классификации, чем у существующих способов, это может являться благоприятным с точки зрения времени, затрат и эффектов подтверждения злокачественной опухоли легкого.
Краткое раскрытие настоящего изобретения
Цель настоящего изобретения - предложить способ применения сложной группы биомаркеров для диагностики злокачественной опухоли легкого у субъекта, и диагностический набор, и вычислительную систему с ее использованием, причем биомаркеры включают в себя СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES.
Согласно одному аспекту настоящего изобретения предусмотрен способ диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, включая в себя следующие стадии: (а) вычислительная система, (1) получающая модель М для диагностирования злокачественной опухоли легкого, причем модель М устанавливают с использованием (i) данных уровня экспрессии отдельных биомаркеров в сложной группе биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров, и i представляет собой индекс для отдельных биологических образцов выборки, или (ii) данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bki и возрастов возрастi выборки, и затем (2) получающая данные уровня экспрессии отдельных биомаркеров, измеренные из биологического образца субъекта, или их обработанные данные Bk, или данные уровня экспрессии отдельных биомаркеров или их обработанные данные Bk и возрасты возраст субъекта; и (b) вычислительная система, определяющая, обнаружена ли злокачественная опухоль легкого у субъекта, с использованием полученных данных субъекта путем обращения к модели М; причем сложная группа биомаркеров включает в себя СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES.
Согласно другому аспекту настоящего изобретения предусмотрен набор для диагностики злокачественной опухоли легкого для диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, включая в себя следующее: антитела, которые специфически связываются со следующим: раково-эмбриональный антиген (СЕА), белок 4 эпидидимиса человека (НЕ4), аполипопротеин А-II (АроА2), транстиретин (TTR), растворимая молекула адгезии сосудистого эндотелия 1 типа (sVCAM-1) и RANTES {экспрессируемый и секретируемый нормальными Т-клетками при активации, регулируемый при активации; лиганд 5 хемокина (мотива С-С)} в качестве отдельных биомаркеров в сложной группе биомаркеров.
Согласно еще одному аспекту настоящего изобретения предусмотрен набор для диагностики злокачественной опухоли легкого для диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, включая в себя следующее: по меньшей мере шесть рецепторных сайтов; и шесть или больше антител, соответствующим биомаркерам, которые расположены по меньшей мере на шести рецепторных сайтах, соответственно, и специфически связываются с отдельными биомаркерами в сложной группе биомаркеров; причем шесть или больше антител включают в себя антитела, которые специфически связываются с отдельными биомаркерами СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES, соответственно, и набор для диагностики злокачественной опухоли легкого используют для определения, обнаружена ли злокачественная опухоль легкого у субъекта, путем обращения к модели М для диагностирования злокачественной опухоли легкого, полученной путем (1) использования (i) данных уровня экспрессии отдельных биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров, и i представляет собой индекс для отдельных биологических образцов выборки, или (ii) данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bki и возрастов возрастi выборки путем (2) ввода в модель М данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта, или их обработанных данных Bk, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bk и возрастов возраст субъекта.
Согласно еще одному аспекту настоящего изобретения предусмотрена вычислительная система для диагностирования злокачественной опухоли легкого с использованием сложной группы биомаркеров, включая в себя следующее: (а) коммуникационная часть для (1) получения модели М для диагностирования злокачественной опухоли легкого, причем модель М сконструирована с использованием (i) данных уровня экспрессии отдельных биомаркеров в сложной группе биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров, и i представляет собой индекс для отдельных биологических образцов выборки, или (ii) данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bki и возрастов возрастi выборки, и затем (2) получения данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта, или их обработанных данных Bk, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bk и возрастов возраст субъекта; и (b) процессор для определения, обнаружена ли злокачественная опухоль легкого у субъекта, с использованием полученных данных субъекта путем обращения к модели М; причем сложная группа биомаркеров для диагностирования злокачественной опухоли легкого включает в себя отдельные биомаркеры СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES.
Краткое описание графических материалов
Следующие графические материалы, которые будут использованы для объяснения иллюстративных вариантов осуществления настоящего изобретения, представляют собой только часть иллюстративных вариантов осуществления настоящего изобретения, и специалисты в области техники, к которой относится настоящее изобретение, могут получить другие графические материалы на основании графических материалов без изобретательской деятельности.
Фиг. 1 представляет собой диаграмму, иллюстрирующую ROC-кривые (кривые зависимости количества верно классифицированных положительных объектов от количества неверно классифицированных отрицательных объектов) в качестве инструмента для оценки результативности логистической регрессионной модели, которая классифицирует пациентов со злокачественной опухолью легкого и нормальных людей с использованием сложной группы биомаркеров для диагностирования злокачественной опухоли легкого, выбранной согласно настоящему изобретению.
Фиг. 2 представляет собой график, иллюстрирующий корреляции между возрастами субъектов и уровнями экспрессии НЕ4 (который является одним из отдельных биомаркеров в сложной группе биомаркеров, выбранной согласно настоящему изобретению) в образцах пациентов со злокачественной опухолью легкого и нормальных людей.
На фиг. 3 показан один иллюстративный вариант осуществления графиков плотности, которые представляют данные, измеренные для образцов пациентов со злокачественной опухолью легкого и нормальных людей с использованием отдельных биомаркеров согласно настоящему изобретению, причем графики плотности получают с помощью отдельных биомаркеров после устранения влияний других биомаркеров и возрастов.
Фиг. 4 представляет собой графический материал, иллюстрирующий в качестве примера ROC-кривые для наборов данных режима обучения в качестве показателей для оценки (i) сложной группы биомаркеров, выбранной согласно настоящему изобретению, и (ii) комбинации всех биомаркеров, включая в себя двенадцать отдельных биомаркеров, используемых для экспериментов согласно настоящему изобретению.
Фиг. 5 представляет собой графический материал, иллюстрирующий в качестве примера ROC-кривые для наборов данных исследований в качестве показателей для оценки (i) сложной группы биомаркеров, выбранных согласно настоящему изобретению, и (ii) комбинации всех биомаркеров, включая в себя двенадцать отдельных биомаркеров, используемых для экспериментов согласно настоящему изобретению.
На фигурах 6-10 представлены графики, иллюстрирующие в качестве примера ROC-кривые в качестве показателей для оценки различных комбинаций биомаркеров.
Фиг. 11 представляет собой концептуальную диаграмму, в общих чертах представляющую конфигурацию вычислительной системы для диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, выбранной согласно настоящему изобретению.
Подробное раскрытие предпочтительных вариантов осуществления
В подробном объяснении настоящего изобретения, которое будет представлено ниже, ссылаются на прилагаемые графические материалы и диаграммы, проиллюстрированные в качестве примеров конкретных вариантов осуществления, с помощью которых можно реализовать настоящее изобретение, чтобы ясно изложить цели, технические решения и преимущества настоящего изобретения. Такие иллюстративные варианты осуществления будут объяснены достаточно полно, чтобы специалисты в данной области техники реализовали настоящее изобретение.
Согласно настоящему описанию изобретения "биообразец" означает образец, собранный из организма человека, и более желательно он включает в себя такие жидкости организма, как кровь, плазма крови, сыворотка, лимфа и спинномозговая жидкость и вещества, секретированные, выделенные или собранные из организма, такие как моча, кал, слезы и слюна.
Кроме того, "антитело" согласно настоящему описанию изобретения означает специфическую молекулу белка, которая указывает на местонахождения антигена и включает в себя все из следующего: поликлональное антитело, моноклональное антитело, рекомбинантное антитело и фрагмент, способный связываться с эпитопом. В частности, может быть желательным использование моноклонального антитела среди указанного. Такие антитела могут быть доступны, если они получены с использованием технологии предшествующего уровня техники специалистами в настоящей области. Например, их также можно получить путем инъекции белка в качестве иммуногена внешнему хозяину при проведении общепринятого способа, известного специалистам в настоящей области техники.
Согласно настоящему описанию изобретения термин "нормальный человек" предназначен для обозначения человека, который не является пациентом со злокачественной опухолью легкого, поскольку термин включает в себя человека с заболеванием за исключением злокачественной опухоли легкого.
Кроме того, термин "включать в себя" и его вариации во всем подробном объяснении и формуле настоящего изобретения не предусматривает исключение других технических характеристик, добавлений, компонентов или стадий. Некоторые из других целей, преимуществ и характеристик настоящего изобретения будут раскрыты из настоящего описания изобретения специалистами в настоящей области техники, а другие будут продемонстрированы из вариантов осуществления настоящего изобретения. Последующие примеры и графические материалы будут представлены в качестве примеров, и не предусмотрено, что они ограничивают настоящее изобретение.
Более того, настоящее изобретение охватывает все возможные комбинации иллюстративных вариантов осуществления, указанных в настоящем описании изобретения. Следует понимать, что разнообразные иллюстративные варианты осуществления настоящего изобретения являются различными, но они не обязательно должны быть взаимоисключающими. Например, конкретные формы, структуры и характеристики, описанные в настоящем документе, можно реализовать с помощью других иллюстративных вариантов осуществления, не отклоняясь от сущности и объема настоящего изобретения относительно одного иллюстративного варианта осуществления. Кроме того, следует понимать, что позиции или расположения отдельных компонентов в соответствующим образом раскрытых иллюстративных вариантах осуществления можно изменить, не отклоняясь от сущности и объема настоящего изобретения. Соответственно, подробное объяснение, которое будет приведено ниже, не следует рассматривать как ограничивающее значение, и объем настоящего изобретения, если его правильно объяснить, ограничивается только прилагаемой формулой изобретения в дополнение ко всем объемам, эквивалентным тому, что утверждает формула изобретения. Аналогичные указатели на графических материалах указывают на одинаковые или сходные функции в нескольких аспектах.
Если иное не указано в настоящем описании или явно не противоречит контексту, элементы, указанные в форме единственного числа, включают в себя элементы в форме множественного числа.
Для того чтобы специалистам в настоящей области техники было легко реализовать настоящее изобретение, предусмотрены устройства, приборы, способы, проиллюстрированные в иллюстративных вариантах осуществления настоящего изобретения, и относящиеся к ним результаты.
Типы отдельных используемых биомаркеров. Отдельные биомаркеры, выбранные согласно настоящему изобретению, могут состоять из НЕ4, СЕА, АроА2, RANTES, TTR и sVCAM-1, но сложная группа биомаркеров, выбранная согласно настоящему изобретению, не ограничена ими. Например, некоторые биомаркеры можно добавить к перечисленным выше биомаркерам. Необходимо отдельно определить, являются ли отдельные биомаркеры значимыми в диагностировании злокачественной опухоли легкого, но в настоящем описании изобретения будет раскрыта сложная группа биомаркеров, включая в себя по меньшей мере НЕ4, СЕА, АроА2, RANTES, TTR и sVCAM-1. Отдельные биомаркеры, выбранные авторами настоящего изобретения, представляют собой следующие:
НЕ4 (белок 4 эпидидимиса человека), в виде белка, кодируемого геном WFDC2, также называется WAP белок 2, содержащий коровий домен с 4 дисульфидными связями. НЕ4 традиционно и широко известен в качестве опухолевого маркера для злокачественной опухоли яичника.
СЕА (раково-эмбриональный антиген) представляет собой гликопротеин, вовлеченный в клеточную адгезию. СЕА в норме производится в ткани желудочно-кишечного тракта во время развития плода, но продукция останавливается до рождения. Соответственно, СЕА, как правило, присутствует в крови здоровых взрослых только на очень низком уровне. Тем не менее, содержание СЕА в сыворотке может повышаться при некоторых типах злокачественной опухоли, что означает, что его можно использовать в качестве опухолевого маркера в клинических исследованиях.
АроА2 (аполипопротеин А-II) представляет собой белок, кодируемый геном АРОА2 у людей. Он представляет собой второй преобладающий белок частиц липопротеинов высокой плотности.
RANTES {экспрессируемый и секретеруемый нормальными Т-клетками при активации, регулируемый при активации; лиганд 5 хемокина (мотива С-С)} представляет собой белок, кодируемый геном CCL5 у людей.
TTR (транстиретин) представляет собой транспортный белок в сыворотке и спинномозговой жидкости, который переносит тиреоидный гормон тироксин и связывающий ретинол белок, который связывается с ретинолом. Печень секретирует TTR в кровь, сосудистое сплетение секретирует TTR в спинномозговую жидкость.
sVCAM-1 (растворимая молекула адгезии сосудистого эндотелия 1 типа) представляет собой молекулу клеточной адгезии VCAM-1 в растворимом состоянии, которая может служить в качестве важного биомаркера для воспалительного ответа при повреждении клеток.
В дополнении к отдельным биомаркерам, упомянутым выше, отдельные биомаркеры, включенные в эксперименты согласно настоящему изобретению, представляют собой следующее:
ApoA1 (аполипопротеин A-I) представляет собой белок, кодируемый геном АРОА1 у людей. Хорошо известно, что он характеризуется специфической ролью в липидном метаболизме.
В2М (бета-2-микроглобулин) представляет собой компонент молекул I класса МНС (главный комплекс гистосовместимости). У людей белок В2М кодируется геном В2М.
СА125 (СА-125; антиген 125 злокачественной опухоли; антиген 125 карциномы; или углеводный антиген 125) также известен как муцин 16 или MUC16 и представляет собой белок, кодируемый у людей геном MUC16. СА125 нашел применение в качестве опухолевого маркера, содержание которого может являться повышенным в крови некоторых пациентов с конкретными типами злокачественной опухоли.
CRP (С-реактивный белок) представляет собой кольцевой пентамерный белок, встречающийся в плазме крови, чье содержание повышается при воспалительном ответе.
LRG1 (богатый лейцином альфа-2-гликопротеин 1) представляет собой белок, кодируемый у людей геном LRG1. Также известно, что содержание LRG1 значительно повышается при остром аппендиците.
Cyfra 21-1 (антиген 21-1 фрагмента цитокератина 19; цитоскелетный кератин 19 I типа; цитокератин-19 (СК-19) или кератин-19 (К 19)) представляет собой белок массой 40 кДа, кодируемый геном KRT19 у людей. Cyfra 21-1, в виде кератина I типа, известен в качестве биомаркера, используемого для обнаружения опухолевых клеток, секретируемых из лимфатических узлов, периферической крови и костного мозга пациентов со злокачественной опухолью молочной железы.
Антитела или наборы, используемые для анализа отдельных биомаркеров. Для анализа тринадцати белков, включая в себя НЕ4, RANTES, sVCAM-1, LRG1, СЕА, Cyfra21-1, АроА2, ApoA1, TTR, B2M, CA125, CA19-9 и CRP, авторы настоящего изобретения приобрели антитела или наборы от нескольких производителей. Информация о поставщиках, включая в себя антитела, наборы, стандартные вещества (стандартные белки) и т.д. показана в таблицах 1 и 2 ниже.
Figure 00000001
Figure 00000002
В случае стандартных белковых продуктов НЕ4 и RANTES приобретали, соответственно, у ХЕМА и PeproTech, тогда как sVCAM-1 и LRG-1 приобретали у R&D Systems. В случае реагентов и калибровочных стандартов СЕА, Cyfra21-1, В2М, СА125 и СА19-9 приобретали у Roche, тогда как ApoA1 и АроА2 покупали у Sekisui и TTR и CRP у Siemens.
Сбор образцов сыворотки крови пациентов со злокачественной опухолью легкого. Образцы периферической крови собирали от 355 пациентов со злокачественной опухолью легкого (242 пациента из Медицинского центра Асан (Asan Medical Center) и 113 из Медицинского центра Донгсан при университете Кеменг (Keimyung University Dongsan Medical Center), включая в себя 162 пациента с I стадией злокачественной опухоли легкого, 42 с II стадией злокачественной опухоли легкого, 62 с III стадией злокачественной опухоли легкого и 89 с IV стадией злокачественной опухоли легкого. Когда пациентов разделили в зависимости от их медицинской истории, они включали в себя 230 пациентов с аденокарциномой, 109 с плоскоклеточной карциномой, 4 с крупноклеточной карциномой, 2 с нейроэндокринной карциномой и 10 с другими злокачественными опухолями легкого. Согласно данным в отношении пола 139 пациентов являлись мужчинами, и 216 являлись женщинами, и средний возраст пациентов составлял 63,85 лет с медианным возрастом, составляющим 66 лет. Диапазон составлял 25-83 года.
Наличие злокачественной опухоли легкого у пациентов со злокачественной опухолью легкого в настоящем документе подтверждали с использованием хорошо известных способов, которые включают в себя рентгенографию грудной клетки в прямой задней проекции, компьютерную томографию грудной клетки, ультрасонографии, МРТ (магнитно-резонансная томография), ПЭТ (позитронно-эмиссионная томография), функциональную легочную пробу, перфузионную сцинтиграфию легких, биопсию легкого {чрескожная аспирационная биопсия под контролем компьютерной томографии (PCNA)}, плевральный выпот и биопсию плевры, включая в себя биомолекулярное исследование, в котором исследуют мутацию, число копий гена, уровень экспрессии EGFR, мутацию K-ras и онкоген слияния EML4-ALK, но специалистам в настоящей области техники хорошо известно, что исследования не ограничены перечисленным.
Сбор образца сыворотки крови контрольной группы. Образцы периферической крови собирали от 590 нормальных субъектов из Отделения семейной медицины, госпиталя Сеульского национального университета (Department of Family Medicine, Seoul National University Hospital). Согласно данным в отношении пола 274 человека являлись мужчинами, и 343 являлись женщинами, и средний возраст пациентов составлял 56,87 лет с медианным возрастом, составляющим 56 лет. Диапазон составлял 38-79 лет.
Забор крови как у пациентов со злокачественной опухолью легкого, так и у контрольной группы производили с использованием хорошо известного инструмента, который называется пробирка Vacutainer SST II (Becton Dickinson), и кровь центрифугировали для отделения сыворотки.
Измерение и построение базы данных результатов. Уровни экспрессии белка отдельных биомаркеров измеряли с помощью собранных образцов сыворотки и, соответственно, строили базу данных с измеренными данными. Способы определения, используемые для этого, являются следующими:
Определение белка в отношении НЕ4 и LRG-1
Прежде всего, НЕ4 и LRG-1 измеряли с помощью твердофазного иммуноферментного анализа (ELISA). Как хорошо известно специалистам в настоящей области техники, ELISA представляет собой исследование, при котором антитела метят антигены с помощью ферментов, и в нем оценивают активацию ферментов для измерения силы и количества реакций антиген-антитело. Биотинилированные детектирующие антитела метили и использовали. Конкретные стадии для реализации протокола ELISA являлись следующими:
Мечение детектирующих антител с помощью биотина. Для биотинилирования детектирующих антител, используемых в протоколе ELISA для количественного определения НЕ4 и LRG-1, использовали реагент EZ-Link сульфо-NHS-LC-биотин (сульфосукцинимидил-6-[биотин-амидо]гексаноат; ThermoFisher Scientific, Уолтем, Массачусетс) и исследование проводили с помощью способа, рекомендуемого производителем. Кратко, 400 мкг антитела к НЕ4 человека (ХЕМА Со. Ltd., Москва, Россия) или антитела к LRG-1 человека (R&D Systems, Миннеаполис, Миннесота) получали в 400 мкл раствора PBS и 10 мМ раствор сульфо-NHS-LC-биотина вносили в него в мольном соотношении антител, составляющем 1:20, перед проведением с ним реакции в течение 30 минут при комнатной температуре. Когда антитела полностью пометили с помощью биотина, каждый литр раствора PBS подвергали диализу три раза и затем хранили при -80°C до отбора определенного количества и использования.
Протокол ELISA для НЕ4 и LRG-1. НЕ4 и LRG-1 количественно определяли с помощью протокола ELISA. Кратко, после внесения в 96-луночный микропланшет (Nalgene Nunc Inc., Рочестер, Нью-Йорк) 100 мкл захватывающего антитела, специфического в отношении НЕ4 человека (захватывающее антитело; ХЕМА Co. Ltd., Москва, Россия) в концентрации, составляющей 1 мкг/мл, наносили при 4°C в течение ночи. После проведения очистки три раза с помощью очищающего раствора (PBS с 0,05% Tween 20) раствор PBS с 5% обезжиренным молоком помещали в лунки и перемешивали в течение 2 часов при комнатной температуре для блокирования неспецифического связывания. После проведения очистки три раза с помощью очищающего раствора 100 мкл сыворотки кровь или калибровочного стандарта добавляли к каждой лунке и проводили реакцию указанного в течение одного часа при комнатной температуре перед очисткой три раза. Биотинилированное детектирующее антитело, полученное выше, обрабатывали в концентрации 1 мкг/мл и проводили с ним реакцию в течение одного часа снова при комнатной температуре. После очищения три раза добавляли 0,5 мкг/мл конъюгата стрептавидина с пероксидазой хрена (Sigma-Aldrich, Сент-Луис, Миссури) и затем проводили реакцию в течение 30 минут при комнатной температуре перед очисткой пять раз снова. Для индукции цветной реакции добавляли 100 мкл тетраметилбензидина (ТМВ; KPL, Гейтерсберг, Мэриленд). Через 15 минут реакцию останавливали с помощью 50 мкл 2 н. серной кислоты. Поглощение измеряли при 450 нм с использованием считывающего устройства для микропланшетов (Emax; Molecular Devices LLC, Саннивейл, Калифорния). Результат анализировали с использованием 5-параметрической аппроксимации с помощью программного обеспечения для молекулярного устройства SoftMax Pro Software. Стандартный белок НЕ4 для калибровки и стандартный белок LRG-1 приобретали, соответственно, у ХЕМА и R&D.
Определение белка в отношении RANTES и sVCAM-1
Далее уровни концентраций RANTES и sVCAM-1 в сыворотках крови пациентов со злокачественной опухолью легкого и нормальных людей измеряли с помощью способа мультиплексного иммуноанализа с использованием технологической платформы хМАР (Luminex Corp. Остин, Техас). Способ мультиплексного иммуноанализа, который экономит время и затраты по сравнению с общепринятыми способами анализа, такими как ELISA, вестерн-блоттинг и полимеразная цепная реакция (ПЦР), представляет собой аналитический способ, известный специалистам в настоящей области техники. В настоящем документе использовали захватывающие антитела с помощью их связывания с микросферами MagPlex в карбодиимидном способе, и воздействие на микросферы света являлось минимальным в течение всего анализа.
Соединение антител с микросферами. Способ определения белка в отношении RANTES и sVCAM-1 проводили согласно протоколам, рекомендуемым производителями. Прежде всего, суспензию микросфер MagPlex (от Luminex Corp.), после перемешивания вихревым способом, суспендировали в течение 20 секунд в бане для обработки ультразвуком (произведенной Sonicor Instrument Corporation, США). После переноса в микропробирку 1×106 микросфер отделяли с использованием магнитов. После удаления раствора их очищали с помощью 100 мкл дистиллированной воды и затем снова ресуспендировали в 80 мкл 0,1 М натрий-фосфатного буфера (рН 6,2). После этого 50 мг/мл N-гидрокси-сульфосукцинимида (Sulfo-NHS; ThermoFisher Scientific, Уолтем, Массачусетс) и 1-этил-3-(3-диметиламинопропил)-карбодиимидгидрохлорида (ThermoFisher Scientific) добавляли по 10 мкл каждого за один раз и перемешивали с интервалом, составляющим 10 минут, в течение 20 минут при комнатной температуре. После очистки два раза с помощью 250 мкл 50 мМ MES, рН 5,0 микросферы ресуспендировали с 100 мкл 50 мМ MES. К микросферам, активированным с помощью карбоксильных групп, добавляли 10 мкг антител (антител к sVCAM-1 или антител к RANTES) и затем добавляли 50 мМ MES до получения 500 мкл. После этого смесь перемешивали в течение 2 часов при комнатной температуре. Микросферы после реакции соединения с антителом очищали два раза с помощью 500 мкл PBS-TBN (PBS, 1% BSA, 0,02% Tween 20, 0,05% азид натрия) и подсчитывали с помощью гемоцитометра. Соединенные с антителами микросферы хранили в темной комнате при температуре, составляющей 2-8°C в концентрации, составляющей 1×106/500 мкл PBS-TBN.
Мультиплексные иммуноанализы sVCAM-1 и RANTES. Уровни концентрации sVCAM и RANTES в сыворотке количественно определяли в одно и то же время с использованием соединенных с антителами микросфер с помощью мультиплексных анализов. Более конкретно, после смешивания проводили реакцию 20 мкл стандартного белка RANTES (R&D Systems) и стандартного белка sVCAM-1 (PeproTech, Роки Хилл, Нью-Джерси) или сыворотки крови и 20 мкл смешанного раствора соединенных с захватывающим антителом микросфер в отдельных лунках 96-луночного микропланшета, специфического для двух белковых биомаркеров RANTES и sVCAM-1, в течение одного часа при комнатной температуре. После этого добавляли 20 мкл биотинилированного детектирующего антитела и затем проводили реакцию в течение одного часа и добавляли 20 мкл конъюгата стрептавидина с R-фикоэритрином (Jackson ImmunoResearch) и затем проводили реакцию в течение 30 минут в серийном порядке. После этого планшет отмывали два раза с помощью раствора PBST (0,05% Tween 20, PBS) с использованием устройства для мойки микропланшетов (HydroFlex™; TECAN, Швейцария) и затем микросферы ресуспендировали с 100 мкл того же буферного раствора для измерения силы флуоресценции с использованием LuminexМ200. Уровни концентрации белков sVCAM-1 и RANTES в сыворотке крови анализировали с использованием 5-параметрической аппроксимации с помощью программного обеспечения Beadview Software от Upstate (США).
Определение белка в отношении СЕА, Cyfra 21-1, СА125, СА19-9, ApoAl, АроА2, В2М, TTR и CRP
СЕА, Cyfra21-1, СА125 и СА19-9 с использованием электрохемилюминесцентного иммуноанализа с помощью Cobas е601 (Hoffmann-La Roche AG., Швейцария); ApoAl, АроА2 и В2М с использованием турбидиметрического иммуноанализа с помощью анализатора Clinical Analyzer 7080 (Hitachi Medical Corp., Япония); и TTR и CRP с использованием турбидиметрического иммуноанализа с помощью системы BN2 (Siemens AG., Германия) измеряли в соответствии с руководствами производителей.
Статистические доказательства в отношении эффективности биомаркеров
Экспериментальные значения определенного белка, полученные посредством вышеупомянутого измерения, можно использовать для статистического анализа после их предварительной обработки, что будет объяснено ниже. В настоящем документе предварительная обработка может относиться к логарифмическому (десятикратному) преобразованию экспериментальных значений. Согласно настоящему иллюстративному варианту осуществления, поскольку экспериментальные значения склонны группироваться в правую сторону, логарифмическое преобразование использовали для экспериментальных значений всех отдельных биомаркеров для уменьшения такой тенденции. Если не указано иное, согласно одному иллюстративному варианту осуществления, который объясняют в настоящем описании изобретения, будут использовать такие логарифмические преобразованные данные.
Логарифмические преобразованные данные анализировали с использованием биоинформатики и пакета программ обработки статистических данных R Statistical Package (R Development Core Team (2007). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL: http://www.R-project.org). В результате проведенного анализа была создана модель диагностирования злокачественной опухоли легкого из введенных данных.
Один пример модели диагностирования злокачественной опухоли легкого - анализ бинарной логистической регрессии. В то время как общепринятый линейный регрессионный анализ используют, если зависимые переменные являются непрерывными, логистический регрессионный анализ используют, когда зависимые переменные являются дихотомическими или бинарными, такие как успех/неблагоприятный исход, хороший/слабый или злокачественная опухоль/отсутствие злокачественной опухоли. Модель логистического регрессионного анализа является такой, как показано ниже.
Figure 00000003
, ei~ в норме (0, σ2)
где Pi=P(уi=1) характеризуется значением от 0 до 1; и уi характеризуется значением, которое составляет или 0, или 1. Согласно настоящему описанию изобретения 0 устанавливали как отсутствие злокачественной опухоли легкого и 1 как наличие злокачественной опухоли легкого. Кроме того, xk относится к экспериментальным значениям (логарифмическим значениям) отдельных биомаркеров, выбранных для обнаружения злокачественной опухоли легкого. Например, R Statistical Package, может проводить логистическую регрессию с помощью команд, как показано ниже и, следовательно, объект-модель выводится в виде регрессионной модели.
m<-glm(b~x1+х2+х3+х4+х5+х6, семейство = биномиальное)
Поскольку определить, характеризуются ли отдельные субъекты наличием злокачественной опухоли легкого или нет, можно с помощью объекта-модели m, указанную регрессионную модель можно рассматривать как модель диагностирования злокачественной опухоли легкого. В настоящем документе b представляет собой дихотомический фактор (TRUE (истина) = злокачественная опухоль легкого, FALSE (ложь) = в норме) и x1, х2, x3, х4, х5 и х6 представляют собой предикторные переменные. Например, xl, х2, x3, х4, х5 и х6 могут представлять собой уровни экспрессии СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES, соответственно. В этом случае можно было бы предсказать, являются ли отдельные субъекты пациентами со злокачественной опухолью легкого или нет, из данных измерений от отдельных субъектов. Например, команды R Statistical Package, которые осуществляют прогнозирование, могут являться такими, как показано ниже.
Figure 00000004
прогнозировать (m, тип = "ответ", новые данные = dfrm)
Авторы настоящего изобретения получили логистическую регрессионную модель с помощью логистической регрессии, упомянутой выше для разнообразия сложных групп биомаркеров, объяснение которых представлено ниже. Более конкретно, для подтверждения достоверности логистической регрессионной модели авторы настоящего изобретения использовали 10-кратную перекрестную проверку на достоверность. В 10-кратной перекрестной проверке на достоверность данные разделяют случайным образом на 10 сегментов. При этом один сегмент резервируют в качестве данных исследований, другие девять сегментов используют для обучения тем самым созданной логистической регрессионной модели и затем прогнозирования, т.е. проверку достоверности, как указано выше, осуществляют с использованием одного сегмента. Вышеупомянутые курсы выполняются повторно для всех сегментов. Эффективность прогнозирования можно подтвердить путем интегрирования результата прогнозирования. ROC-кривая представляет собой один из инструментов для этого.
Результативность модели диагностирования злокачественной опухоли легкого - ROC-кривые. Поскольку вышеупомянутая модель обнаружения злокачественной опухоли легкого служит в качестве вида классификатора, результативность можно подтвердить с помощью рабочих характеристических кривых приемника, т.е. ROC-кривых, которые показывают результативность классификатора.
Фиг. 1 представляет собой диаграмму, иллюстрирующую ROC-кривые в качестве инструмента для оценки результативности логистической регрессионной модели. Ссылаясь на фиг. 1, прежде всего, горизонтальная ось представляет "1 - специфичность = частота ложноположительных результатов", где специфичность представляет собой значение, определяемое следующим образом: специфичность = истинноотрицательный результат/ (ложноположительный результат + истинноотрицательный результат). Иными словами, «специфичность» означает вероятность определения ‘отрицательного события’ как отрицательного. Таким образом, поскольку кривая на графике отклоняется влево, частота неверного суждения, т.е. частота определения ‘положительного события’ как отрицательного, снижается. Кроме того, вертикальная ось представляет "чувствительность", т.е. частоту истинноположительных результатов, где чувствительность определяют как истинноположительный результат / (истинноположительный результат + ложноотрицательный результат). Иными словами, поскольку чувствительность означает частоту определения ‘положительного события’ как положительного, так как кривая на графике отклоняется вверх, частота неверного суждения, т.е. частота определения ‘отрицательного события’ как положительного, снижается. Соответственно, поскольку результативность классификатора улучшается, площадь под кривой (AUC) увеличивается. Если классификатор не характеризуется какой-либо способностью к классификации, AUC становится 0,5. Как правило, результативность классификатора можно определить, ссылаясь на следующие значения AUC: неинформативное (AUC=0,5), менее точное (0,5<AUC≤0,7), умеренно точное (0,7<AUC≤0,9), высоко точное (0,9<AUC<1) и совершенное (AUC=1).
Проверка достоверности результативности модели диагностирования злокачественной опухоли легкого (ROC-AUC). При нулевой гипотезе AUC=0,5, что отсутствует классификационная результативность модели диагностирования злокачественной опухоли легкого согласно настоящему изобретению, и альтернативной гипотезе, что логистическая регрессионная модель характеризуется классификационной результативностью, можно провести верификацию гипотезы. Если р-значение, т.е. вероятность ошибки, меньше чем определенная вероятность, то нулевую гипотезу отвергают, а альтернативную гипотезу принимают. Определенную вероятность называют уровнем значимости. В статистике, как правило, 0,05 выбирают в качестве уровня значимости. Результативность модели диагностирования злокачественной опухоли легкого можно верифицировать с использованием способа анализа AUC ROC-кривой. Далее будет приведено объяснение процесса создания модели диагностирования злокачественной опухоли легкого.
Рассматривали корреляции между НЕ4 и возрастами субъектов. (Если иное не указано, все значения НЕ4 калибруют.) Фиг. 2 представляет собой график, иллюстрирующий корреляции между уровнем экспрессии НЕ4 и возрастами субъектов. Ссылаясь на фиг. 2, можно обнаружить, что существуют положительные корреляции между уровнем экспрессии НЕ4 и возрастами субъектов. На фигуре значение коэффициента корреляции Пирсона составляет 0,490, и р-значение меньше чем 2,2е-16. На диаграмме показаны корреляции между возрастами и уровнем экспрессии НЕ4. Для оценки эффективности НЕ4 можно вывести "откалиброванный" уровень экспрессии, чье значение получают путем удаления влияний возрастов из уровня экспрессии НЕ4. В случае НЕ4 расчетные значения β0 и β1, включенные в следующую формулу: (HE4)=β0+β1×(возраст)+∈, выводят посредством регрессионного анализа. Если расчетные значения определяют, соответственно, как
Figure 00000005
и
Figure 00000006
, остаточное значение для НЕ4 можно определить следующим образом:
Figure 00000007
Ход отбора отдельных биомаркеров согласно настоящему изобретению
Прежде всего, авторы настоящего изобретения выбрали 120 кандидатных белковых маркеров среди более чем десятков тысяч белков, существующих в организме человека, и выбрали свыше 50 из 120 маркеров, принимая во внимание клиническую значимость, простоту анализа, точность алгоритма, затраты, клинические обстоятельства и другие ситуации путем обзора национальных и международных академических статей и литературы, с помощью двухмерного электрофореза (двухмерный гель), SELDI-TOF MS (времяпролетная масс-спектрометрия с усиленной поверхностью лазерной десорбцией/ионизацией) и т.д. Авторы настоящего изобретения выбрали тринадцать конечных кандидатных маркеров, которые, как предполагают, являются подходящими для включения в настоящее изобретение путем верификации эффективности посредством статистических анализов приблизительно 600 пациентов со злокачественной опухолью легкого и приблизительно 900 нормальных субъектов дважды. Более конкретно, в ходе курса, точно соответствующего описанному в такой статье, как Breast Cancer Research 2009, 11, R22, или в статье в Journal of Thoracic, Cardiac & Vascular Surgery 2012:143; 421-7, можно предусмотреть, что выбирают 50 из 120 белковых маркеров и затем снова из них выбирают тринадцать маркеров, но не следует ограничиваться указанным.
Авторы настоящего изобретения успешно обнаружили наиболее превосходный подкласс, который желательно включить в статистическую модель согласно настоящему изобретению среди тринадцати отдельных биомаркеров, выбранных в качестве конечных кандидатов, и две демографические переменные с использованием вышеупомянутых экспериментальных данных (для обучения). В этом исследовании, проведенном авторами настоящего изобретения, тщательно выбрали "шесть биомаркеров" из тринадцати отдельных биомаркеров и "возраст" из двух демографических переменных. В частности, сложную группу биомаркеров выбирали согласно настоящему изобретению с использованием 515 образцов нормальных людей и 280 образцов пациентов со злокачественной опухолью в качестве данных режима обучения: 113 образцов пациентов с NSCLC Медицинского центра Донгсан при университете Кеменг, 167 образцов от пациентов с NSCLC Медицинского центра Асан и 515 образцов из Отделения семейной медицины, госпиталя Сеульского национального университета. Для проверки достоверности сложной группы биомаркеров, выбранной согласно настоящему изобретению, использовали данные исследований. Данные исследований состояли из 75 образцов пациентов с NSCLC из Медицинского центра Асан и 75 образцов нормальных людей из Отделения семейной медицины, госпиталя Сеульского национального университета. Включали НЕ4, СЕА, АроА2, TTR, sVCAM-1 и RANTES, тогда как ApoA1, В2М, СА125, СА19-9, CRP, Cyfra21-1 и LRG1 удаляли. Объяснение этого будет приведено ниже.
Для удобства объяснения шесть биомаркеров, выбранных согласно настоящему изобретению, обозначают как "комбинация BI" и двенадцать биомаркеров из тринадцати отдельных биомаркеров за исключением СА19-9 и возраст из двух демографических переменных за исключением пола обозначают как "Полная комбинация".
Причины выбора "комбинации BI" являются следующими:
Прежде всего, использовали критерий хи-квадрат и t-критерий Стьюдента для оценки значимости тринадцати отдельных биомаркеров и двух демографических переменных.
Удаление биомаркера СА19-9 и пола. На этой стадии удаляли биомаркер СА19-9 и пол. При уровне значимости, составляющем 0,05, взаимосвязь между полом и тем, являются ли субъекты пациентами со злокачественной опухолью легкого или нет, является незначимым (р-значение: 0,314). Кроме того, различие между средним значением контрольной группы и этим показателем экспериментальной группы в отношении СА19-9 являлось незначимым (р-значение: 0,2829). Для ссылки, в таблице 3 ниже показаны результаты критерия хи-квадрат при нулевой гипотезе, что пол и то, являются ли субъекты пациентами со злокачественной опухолью легкого, являются независимыми, и в таблице 4 показаны результаты t-критерия Стьюдента при нулевой гипотезе, что истинное значение различия между средним значением контрольной группы и этим показателем экспериментальной группы составляет 0.
Figure 00000008
Figure 00000009
Figure 00000010
Если эффекты, обусловленные отдельными биомаркерами за исключением биомаркера А, удаляют из эффектов, обусловленных всеми биомаркерами в Полной комбинации, т.е. если учитывают остаточное значение биомаркера А, прогнозируемое с помощью линейной комбинации экспериментальных данных отдельных биомаркеров за исключением биомаркера А, то можно проверить, характеризуется ли биомаркер А значимым эффектом в различении экспериментальной группы и контрольной группы.
Объясняя более конкретно, если отдельные биомаркеры, принадлежащие к Полной комбинации, обозначают как биомаркеры Bi, значение биомаркера А можно вывести с помощью линейного регрессионного анализа следующим образом:
Figure 00000011
В настоящем документе остаточное значение
Figure 00000012
биомаркера А получали путем вычитания частей, обусловленных биомаркерами Bi за исключением биомаркера А и возрастом, от значения биомаркера А, которое является следующим:
Figure 00000013
Аналогично, остаточное значение
Figure 00000012
возраста получали путем вычитания элементов, обусловленных биомаркерами Bi, от значения возраста следующим образом:
Figure 00000014
Для подтверждения значимости отдельных биомаркеров авторы настоящего изобретения провели t-критерий Стьюдента по отношению к остаточным значениям. В настоящем документе t-критерий Стьюдента имел нулевую гипотезу, что отсутствует различие между средним остаточным значением контрольной группы ("среднее значение контрольной группы") и средним остаточным значением экспериментальной группы ("среднее значение экспериментальной группы"), и результат показан в таблице 5 ниже.
Figure 00000015
Ссылаясь на таблицу 5, как и в случае с НЕ4, СЕА, АроА2, TTR, sVCAM-1 и RANTES, принадлежащими к комбинации BI, поскольку их р-значения являлись меньше, чем уровень значимости, составляющий 0,05, отсутствовало различие между средним остаточным значением контрольной группы и этим показателем экспериментальной группы. Таким образом, можно подтвердить значимость вышеупомянутых биомаркеров. Тем не менее, по сравнению с этим, ApoA1, В2М, СА125, СА19-9, CRP, Cyfra21-1 и LRG1, которые не принадлежат к комбинации BI в Полной комбинации, не являлись значимыми, поскольку их р-значения превышали уровень значимости, составляющий 0,05. Иными словами, остальные биомаркеры, которые не выбрали в качестве комбинации BI, являлись незначимыми, т.е. неподходящими в качестве классификаторов для пациентов со злокачественной опухолью легкого и контрольной группы.
Результаты в таблице 5 можно визуально подтвердить на фиг. 3. На фиг. 3 показаны графики плотности, на которых показаны остаточные значения отдельных биомаркеров. На соответствующих двух графиках плотности сплошные линии представляют собой графики для пациентов со злокачественной опухолью легкого, тогда как пунктирные линии относятся к контрольной группе (нормальные люди). Средние значения пациентов со злокачественной опухолью легкого показаны сплошными вертикальными линиями, а средние значения контрольной группы показаны пунктирными вертикальными линиями. Можно увидеть, что соответственные значения различия между соответствующими средними значениями пациентов со злокачественной опухолью легкого и средними значениями контрольной группы являются относительно значимыми для отдельных биомаркеров, принадлежащих к комбинации BI согласно настоящему изобретению. Кроме того, на фиг. 3 визуально можно обнаружить, что отдельные биомаркеры, принадлежащие к комбинации BI согласно настоящему изобретению, являются относительно лучшими маркерами для диагностирования злокачественной опухоли легкого, чем биомаркеры, не принадлежащие к комбинации BI. Иными словами, эксперименты и анализы, проведенные авторами настоящего изобретения, доказали, что более выгодно использовать комбинацию BI, чем Полную комбинацию. ROC-кривые набора данных режима обучения проиллюстрированы на фиг. 4, и AUC (0,9868239) ROC-кривой, если используют Полную комбинацию, является сходной с AUC (0,9864008), если используют комбинацию BI, как показано на фиг. 6. Другими словами, даже если комбинация BI содержала только шесть отдельных биомаркеров после того, как другие шесть исключили из 12 в Полной комбинации, значение AUC комбинации BI являлось почти идентичным этому показателю Полной комбинации. Таким образом, было обнаружено, что тот же эффект можно получить более экономически выгодно.
Figure 00000016
Кроме того, учитывая прогнозирование с использованием набора данных исследований, как показано на фиг. 7, было обнаружено, что результативность комбинации BI (AUC=0,9884444) лучше, чем результативность Полной комбинации (AUC=0,9818667). Таким образом, можно обнаружить, что комбинация BI является более выгодной, чем Полная комбинация. ROC-кривые для набора данных исследований проиллюстрированы на фиг. 5.
Figure 00000017
Результативность классификаторов с помощью комбинации BI оценивали с использованием 10-кратной перекрестной проверки на достоверность на наборе данных режима обучения и наборе данных исследований.
По существу, результативность классификаторов с использованием иллюстративной сложной группы биомаркеров с помощью методики, предложенной авторами настоящего изобретения, показана приблизительно в таблице 8, как показано ниже. Иллюстративная сложная группа биомаркеров предусматривала НЕ4, СЕА, АроА2, RANTES, TTR, sVCAM-1 и возраста субъектов.
Figure 00000018
В таблице 8 алгоритм, используемый в классификаторе, представляет собой обобщенную линейную модель (GLM), в частности, логистическую регрессионную модель. AUC составляла 0,988 с р-значением, составляющим 0,000, и уровнем чувствительности, составляющим 94,65%. Даже для пациентов со злокачественной опухолью легкого I стадии можно обнаружить, что злокачественную опухоль легкого диагностировали с высоким уровнем чувствительности, составляющим 91,98%. В настоящем документе уровень специфичности составлял 93,90%, при этом, пороговое, или предельное значение составляло 0,3700928. Предельную точку выбирали так, чтобы уровни чувствительности составляли по меньшей мере 90%, и уровни специфичности были достаточно высокими на всех стадиях прогрессирования злокачественной опухоли легкого. Объясняя причину выбора более конкретно, на лучшую точность может влиять количество выборок, но в эксперименте согласно настоящему описанию поскольку количество выборок нормальных людей было относительно выше, чем количество выборок пациентов со злокачественной опухолью легкого, точка с высокой специфичностью являлась точкой с лучшей точностью. В заключение, она показывает статистически значимую результативность по отклонению нулевой гипотезы (AUC=0,5) с р-значением, составляющим 0,000.
Диапазоны коэффициентов регрессии модели регрессии, подтвержденные с помощью 10-кратной перекрестной проверки на достоверность. Поскольку вышеупомянутую иллюстративную логистическую регрессионную модель выводили из всех наборов данных режима обучения, коэффициенты регрессии модели регрессии устанавливали на одно значение, но диапазоны коэффициентов регрессии отдельных биомаркеров можно получить с помощью 10-кратной перекрестной проверки на достоверность, которая выводит модель регрессии повторно для девяти десятых всей экспериментальной группы. Результат показан в таблице 9 ниже.
Figure 00000019
Figure 00000020
В настоящем документе единицу измерения коэффициентов регрессии отдельных биомаркеров выражают обратно пропорционально единице измерения их значений экспериментальных данных. Это обусловлено тем, что значения результата, т.е. зависимые переменные, логистической регрессионной модели не должны иметь единиц измерения. Поскольку единица измерения экспериментальных данных НЕ4 представляет собой log(пМ), единицей измерения коэффициента регрессии НЕ4 становится {log(пМ)}-1. Кроме того, поскольку единицей измерения экспериментальных данных АроА2 и TTR является log(мг/дл), единицей измерения коэффициента регрессии АроА2 и TTR, соответственно, становится {log(мг/дл)}-1. Поскольку единица измерения экспериментальных данных sVCAM-1, СЕА, и RANTES представляет собой log(нг/мл), единицей измерения коэффициента регрессии sVCAM-1, СЕА и RANTES, соответственно, становится {log(нг/мл)}-1. Диапазон коэффициента регрессии является иллюстративным и не ограничен логистической регрессионной моделью согласно настоящему изобретению.
Оценка результативности прогнозирования с использованием экспериментальной группы пациентов с SCLC. Поскольку классификатор создавали только с помощью нормальных людей и пациентов с NSCLC, авторы настоящего изобретения осуществили прогнозирование для определения, являются ли пациенты с SCLC в экспериментальной группе пациентами со злокачественной опухолью легкого или нет, с использованием классификатора для подтверждения того, производит ли он результативную классификацию пусть даже для SCLC. Очевидно, что экспериментальная группа должна быть диагностирована как пациенты со злокачественной опухолью легкого. Результат прогнозирования представлен в таблице 10 ниже.
Figure 00000021
Учитывая таблицу 10, можно заметить, что злокачественную опухоль диагностировали у каждого из 41 субъекта с уровнем чувствительности, составляющим 100%.
Сравнение между сложной группой биомаркеров согласно настоящему изобретению и другими сложными группами биомаркеров.
Теперь также для упомянутых других сложных групп биомаркеров, использующих отдельные биомаркеры, для получения AUC используют модель логистической регрессии. Результат показан в таблице 11 ниже.
Figure 00000022
Figure 00000023
В таблице 11 в каждом ряду представлены различные комбинации биомаркеров. В частности, данные, соответствующие лучшей комбинации биомаркеров согласно настоящему изобретению, представлены в нижнем ряду. В настоящем документе ранг AUC означает ранжирование в порядке AUC. Кроме того, один иллюстративный вариант осуществления ROC-кривых сложных групп биомаркеров, показанных в таблице 11, проиллюстрирован более конкретно на фигурах 6-10.
На фиг. 6 ROC-кривые получали путем увеличения количества биомаркеров, добавленных к сложным группами биомаркеров, содержащим НЕ4 и СЕА. В настоящем документе comb3 означает ROC-кривую, полученную с использованием только НЕ4 и СЕА; comb4 означает ROC-кривую, полученную путем добавления RANTES к НЕ4 и СЕА; comb5 означает ROC-кривую, полученную путем добавления RANTES и TTR к НЕ4 и СЕА; comb6 означает ROC-кривую, полученную путем добавления RANTES, TTR и sVCAM-1 к HE4 и СЕА; и comb7 означает ROC-кривую, полученную путем добавления RANTES, TTR, sVCAM-1 и АроА2 к НЕ4 и СЕА. В настоящем документе фактор возраста учитывают для comb3-comb7. Среди них на фиг. 6 сложная группа биомаркеров, включая в себя НЕ4, СЕА, RANTES, TTR, sVCAM-1, АроА2 в виде comb7, характеризуется самой высокой точностью.
Далее, на фиг. 7 ROC-кривые получали с использованием различных комбинаций двух биомаркеров. В настоящем документе comb1 означает ROC-кривую, полученную с использованием НЕ4 и СЕА; comb2 означает ROC-кривую, полученную с использованием СЕА и Cyfra21-1; и comb3 означает ROC-кривую, полученную с использованием НЕ4 и RANTES. Для всех комбинаций учитывали фактор возраста в совокупности.
Кроме того, на фиг. 8 ROC-кривые получали с использованием комбинаций НЕ4, СЕА и одного дополнительного биомаркера. В настоящем документе comb1 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА и АроА2; comb2 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА и TTR; comb3 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА и sVCAM-1; и comb4 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА и RANTES. Для всех комбинаций учитывали фактор возраста в совокупности. Как показано на фиг. 8 и таблице 11, все комбинации показали повышенную точность по сравнению с комбинациями, проиллюстрированными на фиг. 7. В частности, comb4, которая включает в себя все НЕ4, СЕА и RANTES, характеризовалась самой высокой точностью.
На фиг. 9 ROC-кривые получали с использованием комбинаций НЕ4, СЕА и двух дополнительных биомаркеров. В настоящем документе comb1 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, АроА2 и TTR; comb2 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, АроА2 и sVCAM-1; comb3 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, TTR и sVCAM-1; comb4 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, АроА2 и RANTES; comb5 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, TTR и RANTES; и comb6 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, sVCAM-1 и RANTES. Для всех комбинаций учитывали фактор возраста в совокупности. По сравнению с комбинациями, представленными на фиг. 8, все комбинации на фиг. 9 и в таблице 11 характеризуются гораздо более высокой точностью.
В итоге, на фиг. 10 ROC-кривые получали с использованием комбинаций НЕ4, СЕА и трех дополнительных биомаркеров. В настоящем документе comb1 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, АроА2, TTR и sVCAM-1; comb2 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, АроА2, TTR и RANTES; comb3 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, АроА2, sVCAM-1 и RANTES; comb4 означает ROC-кривую, полученную с использованием комбинации НЕ4, СЕА, TTR, sVCAM-1 и RANTES. Для всех комбинаций учитывали фактор возраста в совокупности. Все комбинации, показанные на фиг. 10 и в таблице 11, показывают гораздо более превосходную результативность по сравнению с комбинациями на фиг. 8, упомянутыми выше.
В соответствии с результатом эксперимента согласно настоящему изобретению, описанного выше, было обнаружено, что сложная группа биомаркеров, состоящая из НЕ4, СЕА, RANTES, TTR, sVCAM-1 и АроА2, показывает наиболее превосходную результативность в определении того, возникла ли злокачественная опухоль легкого, и что они функционировали как высокоточные биомаркеры с AUC, составляющей 0,988. Например, злокачественную опухоль легкого можно очень точно диагностировать с использованием вышеупомянутой комбинации сложной группы биомаркеров согласно настоящему изобретению.
Согласно предпочтительному варианту осуществления настоящего изобретения сложная группа биомаркеров ограничена шестью отдельными биомаркерами, но согласно таблице 11, объем эффективных сложных групп биомаркеров для диагностирования злокачественной опухоли легкого можно расширить до различных сложных групп биомаркеров, включая в себя по меньшей мере один АроА2, TTR и sVCAM-1 с СЕА, НЕ4 и RANTES в качестве обязательных биомаркеров. Как показано в таблице 11, среди комбинаций, состоящих из четырех отдельных биомаркеров, результативность (например, ранги AUC 5ого, 6ого и 7ого мест) комбинаций, включая в себя СЕА, НЕ4 и RANTES в качестве обязательных биомаркеров и один дополнительный биомаркер, выбранный среди АроА2, TTR и sVCAM-1, является превосходной по сравнению с результативностью (например, ранги AUC 9ого, 11ого и 12ого мест) других комбинаций четырех отдельных биомаркеров. Кроме того, даже среди комбинаций, состоящих из пяти отдельных биомаркеров, результативность комбинаций, включая в себя СЕА, НЕ4 и RANTES в качестве обязательных биомаркеров и два дополнительных биомаркера, выбранных среди АроА2, TTR и sVCAM-1, является более превосходной по сравнению с другими комбинациями пяти отдельных биомаркеров. Следовательно, специалистам в настоящей области техники без труда понятно, что сложные группы биомаркеров, включая в себя СЕА, НЕ4, RANTES и по меньшей мере один из АроА2, TTR и sVCAM-1, могут являться применимыми для диагностирования злокачественной опухоли легкого у субъекта согласно настоящему изобретению.
Кроме того, согласно настоящему изобретению предусмотрен набор для диагностики злокачественной опухоли легкого. Подробно набор для диагностики злокачественной опухоли легкого включает в себя антитела, которые специфически связываются с отдельными биомаркерами, т.е. СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES. Такой набор для диагностики злокачественной опухоли легкого можно использовать не только с целью определения, возникла ли злокачественная опухоль легкого или нет, но также даже для мониторинга или скрининга злокачественной опухоли легкого.
Согласно приведенному выше объяснению антитела, включенные в набор для диагностики злокачественной опухоли легкого, могут включать в себя поликлональные антитела, моноклональные антитела или фрагменты, способные связываться с эпитопом, и т.д. В настоящем документе поликлональные антитела можно получить с использованием общепринятого способа инъекции одного из отдельных биомаркеров животному и получения его крови, тем самым получая сыворотку крови, включающую в себя антитела.
Такие поликлональные антитела можно очистить с помощью любого способа, хорошо известного в настоящей области техники, и их можно получить из организмов-хозяев видов животных, включающих в себя без ограничения коз, кроликов, овец, обезьян, лошадей, свиней, коров и собак.
Кроме того, моноклональные антитела можно получить с использованием любой технологии для создания молекул антител посредством культивирования перевиваемых клеточных линий. Такая технология включает в себя гибридомную технологию, технологию В-клеточной гибридомы человека и технику гибридомы EBV (вирус Эпштейна-Барр) (Kohler G et al., Nature 256:495-497, 1975; Kozbor D et al., J Immunol Methods 81:31-42, 1985; Cote RJ et al., Proc Natl Acad Sci 80:2026-2030, 1983; и Cole SP et al., Mol Cell Biol 62:109-120, 1984), но не ограничивается указанным.
Кроме того, можно получить фрагменты антител, содержащие часть, специфически связывающуюся с одним из отдельных биомаркеров. Например, фрагменты антитела F(ab')2 можно получить путем разложения молекул антител с помощью пепсина. Фрагменты Fab можно получить путем восстановления дисульфидных мостиков фрагментов антитела F(ab')2, но они не ограничены указанным. В качестве альтернативы экспрессионные библиотеки Fab можно сконструировать для обеспечения быстрой и простой идентификации моноклональных фрагментов Fab с требуемой специфичностью (см. Huse WD et al., Science 254: 1275-1281, 1989).
Антитела можно связать с твердыми субстратами для облегчения таких последующих стадий, как очистка, разделение составных тел и т.д. Твердые субстраты включают в себя, например, синтетические смолы, нитроцеллюлозу, стеклянные субстраты, металлические субстраты, стекловолокно, парамагнитные бусины, микросферы, микрогранулы и т.д. Кроме того, синтетические смолы включают в себя сложный полиэфир, поливинилхлорид, полистирол, полипропилен, PVDF (поливинилидендифторид), нейлон и т.д. Согласно конкретному иллюстративному варианту осуществления настоящего изобретения для комбинирования антител, которые специфически связываются с белками, с твердыми субстратами, микросферы суспендировали; перемещали в микропробирку для удаления супернатанта путем центрифугирования; ресуспендировали; обрабатывали N-гидрокси-сульфосукцинимидом и 1-этил-3-(3-диметиламинопропил)-карбодиимидгидрохлоридом по порядку и очищали и хранили, удаляя супернатант с помощью центрифугирования. Кроме того, перед получением образца от субъекта, контактирующего с антителом, которое может специфически связываться с одним из отдельных биомаркеров согласно настоящему изобретению, которое комбинируют с твердыми субстратами, образец могут развести до подходящей степени.
Набор согласно настоящему изобретению может дополнительно включать в себя антитела для обнаружения специфического связывания с биомаркерами. Антитела для обнаружения могут представлять собой конъюгаты, меченые в качестве детекторов, такие как хромогенные ферменты, флуоресцентные материалы, радиоактивные изотопы или коллоиды, и более предпочтительно они могут представлять собой первичные антитела, которые могут специфически связываться с биомаркерами. Например, хромогенные ферменты могут представлять собой пероксидазу, щелочную фосфатазу или кислую фосфатазу {например, пероксидаза хрена}, и флуоресцентные материалы могут представлять собой следующее: карбоновая кислота флуоресцеина (FCA), флуоресцеинизотиоцианат (FITC), флуоресцеинтиомочевина (FTH), 7-ацетокси-кумарин-3-ил, флуоресцеин-5-ил, флуоресцеин-6-ил, 2',7'-дихлорфлуоресцеин-5-ил, 2',7'-дихлорфлуоресцеин-6-ил, дигидротетраметилродамин-4-ил, тетраметилродамин-5-ил, тетраметилродамин-6-ил, 4,4-дифтор-5,7-диметил-4-бора-3а,4а-диаза-с-индацен-3-этил или 4,4-дифтор-5,7-дифенил-4-бора-3а,4а-диаза-с-индацен-3-этил, Су3, Су5, поли-L-лизин-флуоресцеинизотиоцианат (FITC), родамин-В-изотиоцианат (RITC), родамин, фикоэритрин (РЕ) и т.д.
Кроме того, наборы согласно настоящему изобретению могут дополнительно включать в себя (1) антитела для обнаружения, которые специфически связываются с биомаркерами, и (2) лиганды, которые могут специфически связываться с антителами для обнаружения. Лиганды включают в себя вторичные антитела, которые специфически связываются с белком А или антителами для обнаружения и т.д. Кроме того, лиганды могут представлять собой конъюгаты, меченые в качестве детекторов, такие как хромогенные ферменты, флуоресцентные материалы, радиоактивные изотопы или коллоиды. После процесса биотинилирования или обработки дигоксегенином желательно использовать первичные антитела, но способы обработки антител для обнаружения не ограничены указанным. Кроме того, желательно использовать стрептавидин, авидин и т.д. в качестве лигандов, подлежащих комбинированию с антителами для обнаружения, но без ограничения указанным. Согласно конкретному иллюстративному варианту осуществления настоящего изобретения стрептавидин, прикрепляющийся к флуоресцентному материалу в качестве детектора, использовали в виде лиганда и биотинилированное антитело для обнаружения использовали для лиганда.
Согласно настоящему изобретению набор для диагностики злокачественной опухоли легкого может диагностировать, осуществлять мониторинг и скрининг злокачественной опухоли легкого путем измерения количества антител для обнаружения, которые были обработаны антителами и комплексом биомаркеров. В другом случае, после того, как антитела для обнаружения и лиганд обработали с помощью антител и комплекса биомаркеров в последовательном порядке, набор для диагностики злокачественной опухоли легкого может диагностировать, осуществлять мониторинг и скрининг злокачественной опухоли легкого путем измерения количества антител для обнаружения. Согласно предпочтительному иллюстративному варианту осуществления настоящего изобретения количество биомаркеров можно измерить путем помещения антител для обнаружения с комбинацией антител и комплекса биомаркеров в постоянную температуру, их очистки и измерения антител для обнаружения. Измерение количества антител для обнаружения или обнаружение присутствия можно осуществить посредством флуоресценции, люминесценции, хемилюминесценции, оптической плотности, отражения или проникновения.
Кроме того, желательно использовать систему высокопроизводительного скрининга (HTS) в качестве способа измерения антител для обнаружения или количества лиганда. В настоящем документе можно использовать флуоресцентный способ, проводимый путем обнаружения флуоресценции с помощью флуоресцентного материала, прикрепленного в качестве детектора, радиографический способ путем обнаружения облучения с помощью радиоактивного изотопа, прикрепленного в качестве детектора; способ поверхностного плазмонного резонанса (SPR) для измерения изменения в плазмонном резонансе в режиме реального времени без мечения детектора или способ получения изображений поверхностного плазмонного резонанса (SPRI), визуализирующий SPR, но без ограничения указанным.
Например, степень связывания антител можно идентифицировать с помощью флуоресцентного способа, который представляет собой способ мечения антител для обнаружения флуоресцентным материалом и обнаружения их с помощью программы сканирования флуоресценции. Необходимо выбрать одно из Су3, Су5, поли-L-лизин-флуоресцеинизотиоцианата (FITC), родамин-В-изотиоцианата (RJTC), родамина и фикоэритрина (РЕ) в качестве флуоресцентного материала, но без ограничения указанным. В отличие от флуоресцентного способа система SPR может анализировать степень связывания антител в реальном времени без необходимости метить образец с помощью флуоресцентного материала, но она характеризуется недостатком, заключающимся в том, что невозможно анализировать образцы одновременно. В случае SPRI существует возможность одновременного анализа образцов с использованием способа точной настройки, но он характеризуется недостатком, заключающимся в том, что чувствительность обнаружения является низкой.
Кроме того, набор для диагностики злокачественной опухоли легкого согласно настоящему изобретению может дополнительно включать в себя очищающий раствор или элюент, который может удалять субстраты, который реагирует с образованием цвета с ферментами, не связывающимися белками и т.д., таким образом сохраняя связанными биомаркеры. Образцы, используемые для анализа, включают в себя такие биологические образцы, как сыворотка крови, моча, слезы и слюна, которые могут показать специфический для заболевания полипептид, отличный от полипептида в нормальном состоянии. Предпочтительно образцы представляют собой образцы биологических жидкостей, например, кровь, сыворотка крови и плазма и более предпочтительно сыворотка крови. Образцы можно приготовить для увеличения чувствительности обнаружения биомаркеров. Например, образцы сыворотки крови, полученные от пациентов, можно предварительно обработать с использованием способов, включая в себя анионообменную хроматографию, аффинную хроматографию, гель-фильтрацию, жидкостную хроматографию, последовательную экстракцию или гель-электрофорез, но такие способы не ограничены указанным.
В качестве другого иллюстративного варианта осуществления набор для диагностики злокачественной опухоли легкого согласно настоящему изобретению может включать в себя по меньшей мере шесть рецепторных сайтов; и шесть или больше антител, которые расположены по меньшей мере на шести рецепторных сайтах, соответственно, и специфически связываются с заданными отдельными биомаркерами. В настоящем документе шесть или больше антител включают в себя антитела, которые специфически связываются с отдельными биомаркерами СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES, соответственно.
Кроме того, согласно настоящему изобретению предусмотрен биочип, в котором биологические молекулы, способные специфически связываться с вышеупомянутыми отдельными биомаркерами, интегрированы в твердый субстрат. Биочип согласно настоящему изобретению может включать в себя антитело, способное специфически связываться с любым из отдельных биомаркеров, или комбинацию антител, которые специфически связываются с двумя или больше отдельными биомаркерами.
Биологические молекулы выбирают из низкомолекулярных соединений, лигандов, аптамеров, пептида, полипептида, специфически связывающихся белков, высокомолекулярных соединений, антител и т.д., и любые материалы, способные специфически связываться с белками, можно использовать в качестве таких биологических молекул. Желательно использовать антитело или аптамер, но без ограничения указанным.
В качестве антитела можно использовать поликлональное антитело или моноклональное антитело, но более желательно использовать моноклональное антитело. Антитело, специфически связывающееся с одним из белков, можно получить с помощью способа, раскрытого специалистами в настоящей области техники, а также для использования можно приобрести коммерчески хорошо известное антитело. Антитело можно получить путем инъекции белка в качестве иммуногена внешнему хозяину в соответствии с существующим способом, известным специалистам в настоящей области техники. Внешний хозяин включает в себя такого млекопитающего, как мыши, крысы, овцы и кролики. Иммуноген вводят с помощью инъекции внутримышечно, интраперитонеально или подкожно и его можно вводить с адъювантом, как правило, для увеличения антигенности. Можно регулярно производить забор крови от внешнего хозяина для сбора сыворотки крови, показывающей специфичность к полученной активности и антигену, и затем выделить антитело из сыворотки крови.
Кроме того, твердый субстрат биочипа согласно настоящему изобретению можно выбрать из пластика, стекла, металла и силикона и более желательно, чтобы существовала возможность химически обработать его или комбинировать его с линкерной молекулой для прикрепления антитела к его поверхности, но без ограничения указанным. Биочип согласно настоящему изобретению может диагностировать, осуществлять мониторинг и скрининг злокачественной опухоли легкого точно и легко.
Активная группа, нанесенная на субстрат биочипа, играет роль в комбинировании вещества, и ее можно выбрать среди аминогруппы, альдегидной группы, карбоксильной группы и тиоловой группы. Можно использовать все активные группы, известные специалистам в настоящей области техники в качестве активных групп, которые могут комбинировать белковые молекулы с субстратом, но без ограничения указанным.
Кроме того, согласно настоящему изобретению предусмотрен способ диагностирования злокачественной опухоли легкого у субъекта с использованием вышеупомянутой сложной группы биомаркеров. Способ включает в себя следующие стадии: (а) вычислительная система, (1) получающая модель для диагностирования злокачественной опухоли легкого, причем модель устанавливают с использованием (i) данных уровня экспрессии отдельных биомаркеров из сложной группы биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных выборки или (ii) данных уровня экспрессии отдельных биомаркеров или их обработанных данных и возрастов выборки, и затем (2) получающая данные уровня экспрессии отдельных биомаркеров, измеренные из биологического образца субъекта или их обработанные данные или данные уровня экспрессии отдельных биомаркеров или их обработанные данные и возраст субъекта; и (b) вычислительная система, определяющая, обнаружена ли злокачественная опухоль легкого у субъекта, с использованием полученных данных субъекта путем обращения к модели. Иными словами, модель для диагностирования злокачественной опухоли легкого может обрабатывать данные возраста лиц, принадлежащих выборке, и измеренные данные выборки как независимые переменные.
Согласно одному иллюстративному варианту осуществления модель для диагностирования злокачественной опухоли легкого может представлять собой логистическую регрессионную модель, как объясняется выше. Кроме того, согласно одному иллюстративному варианту осуществления предварительная обработка на стадии (b) может включать в себя логарифмическое (10-кратную) преобразование данных уровня экспрессии, по меньшей мере частично.
Согласно настоящему изобретению также предусмотрена даже вычислительная система для проведения вышеупомянутого способа.
Фиг. 11 представляет собой концептуальную диаграмму, в общих чертах представляющую конфигурацию вычислительной системы 100, которая использует сложную группу биомаркеров для обнаружения злокачественной опухоли легкого. Ссылаясь на фиг. 11, проиллюстрирована вычислительная система 100, коммуникационная часть 110 и процессор 120 в качестве компонентов аппаратного обеспечения.
В настоящем документе коммуникационная часть 110 получает модель для диагностирования злокачественной опухоли легкого, причем модель установлена с использованием (1-i) данных уровня экспрессии отдельных биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных выборки или (1-ii) данных уровня экспрессии отдельных биомаркеров или их обработанных данных и возрастов выборки, и затем (2) получает (2-i) данные уровня экспрессии отдельных биомаркеров, измеренные из биологического образца субъекта или их обработанные данные или (2-ii) данные уровня экспрессии отдельных биомаркеров или их обработанные данные и возраст субъекта.
Более того, процессор 120 предварительно обрабатывает данные уровня экспрессии отдельных биомаркеров у субъекта и определяет, возникла ли злокачественная опухоль легкого у субъекта, с использованием обработанных и измеренных данных субъекта или измеренных данных и возраста путем обращения к модели для диагностирования злокачественной опухоли легкого.
По существу, вычислительная система 100 согласно настоящему изобретению осуществляет способ.
Основываясь на пояснении на иллюстративном варианте осуществления, специалисты в настоящей области техники могут ясно понять, что настоящее изобретение можно реализовать посредством разнообразных вариантов осуществления. Согласно одному иллюстративному варианту осуществления логистическую регрессионную модель использовали в качестве способа определения злокачественной опухоли легкого в настоящем описании изобретения, но можно использовать любую статистическую модель, которая объясняет бинарные зависимые переменные. Часть, которая обращается с такой статистической моделью, может быть реализована в виде программных команд, которые можно выполнить посредством различных компьютерных компонентов. Для решения таких статистических моделей согласно настоящему описанию изобретения использовали R Statistical Package, но специалистам в настоящей области техники понятно, что доступно любое программное обеспечение, такое как SPSS, SAS, Mathematica или язык программирования, способный реализовать такой статистический способ, который может выполнять операции, необходимые для построения логистической регрессионной модели. Их можно реализовать в форме исполняемых программных команд посредством множества компьютерных средств, записываемых на машиночитаемые носители. Машиночитаемые носители могут включать в себя отдельно или в комбинации программные команды, файлы данных и структуры данных. Записанные на носитель программные команды могут представлять собой компоненты, специально разработанные для настоящего изобретения, или могут являться пригодным к использованию специалистом в области программного обеспечения для компьютеров. Машиночитаемые носители записи включают в себя такие магнитные носители, как жесткий диск, гибкий диск и магнитная пленка, такие оптические среды, как CD-ROM и DVD, такие магнитооптические носители, как гибкий магнитооптический диск, и такие аппаратные устройства, как ROM (постоянное запоминающее устройство), RAM (запоминающее устройство с произвольной выборкой) и флеш-память, специально разработанные для хранения и выполнения программ. Программные команды включают в себя не только машинный код, созданный компилирующей программой, но также высокоуровневый код, который может использовать интерпретирующая программа и т.д., которая выполняется компьютером. Вышеупомянутое аппаратное устройство может работать как одно или несколько модулей программного обеспечения для проведения действия согласно настоящему изобретению и наоборот. Аппаратное устройство можно объединить с таким запоминающим устройством, как ROM или RAM, для хранения программных команд, и может включать в себя такой процессор, как CPU (центральный процессор) или GPU (графический процессор), для выполнения команд, хранящихся в запоминающем устройстве, а также с коммуникационной частью, которая может получать или отправлять сигналы от внешних устройств или к ним. Кроме того, аппаратное устройство может включать в себя клавиатуру, мышь и любое другое внешнее устройство ввода для получения команд, подготовленных разработчиками.
Кроме того, согласно вышеупомянутому иллюстративному варианту осуществления НЕ4, СЕА, Cyfra21-1, RANTES, TTR, sVCAM-1 и ApoA2 использовали в качестве необходимых отдельных биомаркеров, но специалистам в настоящей области техники понятно, что в дополнение к ним существуют другие отдельные биомаркеры. Может быть предусмотрено все, что можно использовать с отдельными биомаркерами для улучшения результативности логистической регрессионной модели, причем некоторые из предусмотренного, возможно, широко использовали до сих пор в связи с диагностированием опухоли в онкологии как технической области, к которой принадлежит настоящее изобретение, или, как обнаружено, являются связанными с опухолью. Согласно настоящему описанию изобретения иллюстративно в качестве отдельных биомаркеров использовали только белковые маркеры, но отдельные биомаркеры, доступные в дополнение к необходимым отдельным биомаркерам, не ограничены ими. Биомаркеры могут включать в себя разнообразные генетические маркеры, например, РНК-, ДНК-маркеры, известные в отношении диагностирования опухоли, или количественное определение других органических или неорганических веществ и т.д.
Настоящее изобретение характеризуется эффектом организации выбранных биомаркеров для диагностики злокачественной опухоли легкого с более высокими способностями по сравнению с существующими сложными группами биомаркеров.
Настоящее изобретение также характеризуется эффектом увеличения эффективности набора для диагностики злокачественной опухоли легкого и способа диагностирования злокачественной опухоли легкого с использованием набора.
Кроме того, настоящее изобретение характеризуется эффектом увеличения показателей выживаемости пациентов со злокачественной опухолью легкого посредством эффективного диагностирования и обеспечения способа лечения, подлежащего изменению согласно результату мониторинга реакций пациентов на лечение.
Как видно выше, настоящее изобретение объясняли с помощью конкретных объектов, таких как подробно представленные компоненты, ограниченные варианты осуществления и графические материалы. Наряду с тем, что настоящее изобретение было показано и описано в отношении предпочтительных вариантов осуществления, тем не менее, специалистам в настоящей области техники будет понятно, что можно осуществить различные изменения и модификацию, не отклоняясь от сущности и объема настоящего изобретения, определенного в последующей формуле изобретения.
Соответственно, идея настоящего изобретения не должна ограничиваться объясненными вариантами осуществления, и последующая формула изобретения, а также что-либо, включая в себя варианты, равные или эквивалентные формуле изобретения, принадлежат категории идеи настоящего изобретения.

Claims (43)

1. Способ диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, предусматривающий следующие стадии:
(a) применение вычислительной системы (1) для получения модели М для диагностирования злокачественной опухоли легкого, причем модель М устанавливают с использованием: (i) данных уровня экспрессии отдельных биомаркеров в сложной группе биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров и i представляет собой индекс для отдельных биологических образцов выборки, с последующим (ii) применением вычислительной системы (1) для получения данных уровня экспрессии отдельных биомаркеров, измеренных в биологическом образце субъекта, или их обработанных данных Bk, или данных уровня экспрессии отдельных биомаркеров, или их обработанных данных Bk и возрастов возраст субъекта; и
(b) применение вычислительной системы для определения того, обнаружена ли злокачественная опухоль легкого у субъекта, причем вычислительная система использует данные, полученные у субъекта путем обращения к модели М,
причем указанная сложная группа биомаркеров включает в себя СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES.
2. Способ по п. 1, при котором модель М для диагностирования злокачественной опухоли легкого представляет собой бинарный классификатор, выведенный с использованием Bki и возрастi.
3. Способ по п. 2, при котором модель М для диагностирования злокачественной опухоли легкого представляет собой логистическую регрессионную модель, которая следует уравнению модели
Figure 00000024
где α, β1, …, β7 обозначают коэффициенты регрессии и
εi обозначает остаточное значение.
4. Способ по п. 1, включающий проведение следующих стадий для выбора отдельных биомаркеров в сложной группе биомаркеров:
(a1) применение второй вычислительной системы для получения (i) данных уровня экспрессии отдельных биомаркеров xn, принадлежащих к первому набору биомаркеров Sl от субъекта s, принадлежащего ко второй выборке, или их обработанных данных xns, или обработанных данных xns и данных возраста xвозpacт,s второй выборки и (ii) данных ys о том, была ли обнаружена злокачественная опухоль легкого, причем первый набор биомаркеров S1 дополнительно включает в себя дополнительные отдельные биомаркеры, выбранные из ApoA1, В2М, СА125, СА19-9, CRP, Cyfra21-1 и LRG1, в дополнение к СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES;
(а2) применение второй вычислительной системы для расчета р-значения для отдельных биомаркеров, принадлежащих к первому набору биомаркеров S1, путем проведения по меньшей мере одного из следующего: (i) критерия хи-квадрат при нулевой гипотезе, что ys и xns являются независимыми друг от друга, и (ii) t-критерия Стьюдента при нулевой гипотезе, что истинное значение различия между средним значением xns субъектов, у которых диагностируют злокачественную опухоль легкого, и этим показателем субъектов, у которых ее не диагностируют, составляет 0;
(а3) применение второй вычислительной системы для получения второго набора биомаркеров S2, состоящего из отдельных биомаркеров с р-значениями меньшими, чем заданный уровень значимости, путем сравнения соответствующих р-значений, рассчитанных на стадии (а2), с заданным уровнем значимости;
(а4) применение второй вычислительной системы для получения расчетных значений
Figure 00000025
отдельных биомаркеров xm, принадлежащих ко второму набору биомаркеров S2, соответственно, для субъектов, у которых диагностируют злокачественную опухоль легкого, и для субъектов, у которых ее не диагностируют, посредством уравнения модели регрессии
Figure 00000026
(а5) применение второй вычислительной системы для получения остаточных значений
Figure 00000027
относящихся к отдельным биомаркерам xm, соответственно, для субъектов, у которых диагностируют злокачественную опухоль легкого, и для субъектов, у которых ее не диагностируют;
(а6) применение второй вычислительной системы для расчета р-значений для отдельных биомаркеров, принадлежащих к S2, путем проведения t-критерия Стьюдента при нулевой гипотезе, что истинное значение различия между средним остаточных значений субъектов, у которых диагностируют злокачественную опухоль легкого, и этим показателем субъектов, у которых ее не диагностируют, составляет 0; и
(а7) применение второй вычислительной системы для выбора отдельных биомаркеров с р-значениями меньшими, чем заданный уровень значимости, путем сравнения р-значений, рассчитанных на стадии (а6), и заданного уровня значимости.
5. Способ по п. 1, при котором на стадиях (а) и (b) обработанные данные получают путем логарифмического преобразования данных измерений.
6. Набор для диагностики злокачественной опухоли легкого для диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, содержащий следующее:
антитела, которые специфически связываются с раково-эмбриональным антигеном (СЕА), белком 4 эпидидимиса человека (НЕ4), аполипопротеином А-II (АроА2), транстиретином (TTR), растворимой молекулой адгезии сосудистого эндотелия 1 типа (sVCAM-1) и RANTES {экспрессируемый и секретируемый нормальными Т-клетками при активации, регулируемый при активации; лиганд 5 хемокина (мотива С-С)} в качестве отдельных биомаркеров в сложной группе биомаркеров.
7. Набор для диагностики злокачественной опухоли легкого по п. 6, который используют для определения, обнаружена ли злокачественная опухоль легкого у субъекта, путем обращения к модели М для диагностирования злокачественной опухоли легкого, полученной путем (1) использования (i) данных уровня экспрессии отдельных биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров и i представляет собой индекс для отдельных биологических образцов выборки, путем (2) ввода в модель М данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта или их обработанных данных Bk, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bk и возрастов возраст субъекта.
8. Набор для диагностики злокачественной опухоли легкого для диагностирования злокачественной опухоли легкого у субъекта с использованием сложной группы биомаркеров, содержащий следующее:
по меньшей мере шесть рецепторных сайтов и
шесть или больше антител, соответствующих биомаркерам, которые расположены по меньшей мере на шести рецепторных сайтах, соответственно, и специфически связываются с отдельными биомаркерами в сложной группе биомаркеров;
причем шесть или больше антител включают в себя антитела, которые специфически связываются с отдельными биомаркерами СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES, соответственно, и набор для диагностики злокачественной опухоли легкого используют для определения, обнаружена ли злокачественная опухоль легкого у субъекта, путем обращения к модели М для диагностирования злокачественной опухоли легкого, полученной путем (1) использования (i) данных уровня экспрессии отдельных биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров и i представляет собой индекс для отдельных биологических образцов выборки, путем (2) ввода в модель М данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта или их обработанных данных Bk, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bk и возрастов возраст субъекта.
9. Вычислительная система для диагностирования злокачественной опухоли легкого с использованием сложной группы биомаркеров, содержащая следующее:
(a) коммуникационная часть для (1) получения модели М для диагностирования злокачественной опухоли легкого, причем модель М сконструирована с использованием (i) данных уровня экспрессии отдельных биомаркеров в сложной группе биомаркеров, измеренных из биологических образцов выборки, состоящей из пациентов со злокачественной опухолью легкого и людей без злокачественной опухоли легкого, или их обработанных данных Bki, где k представляет собой индекс для отдельных биомаркеров, и i представляет собой индекс для отдельных биологических образцов выборки, и затем (2) получения данных уровня экспрессии отдельных биомаркеров, измеренных из биологического образца субъекта, или их обработанных данных Bk, или данных уровня экспрессии отдельных биомаркеров или их обработанных данных Bk и возрастов возраст субъекта; и
(b) процессор для определения, обнаружена ли злокачественная опухоль легкого у субъекта, с использованием полученных данных субъекта путем обращения к модели М;
причем сложная группа биомаркеров для диагностирования злокачественной опухоли легкого включает в себя отдельные биомаркеры СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES.
10. Вычислительная система по п. 9, в которой модель М для диагностирования злокачественной опухоли легкого представляет собой бинарный классификатор, выведенный из Bki и возрастi.
11. Вычислительная система по п. 10, в которой модель М для диагностирования злокачественной опухоли легкого представляет собой логистическую регрессионную модель, которая следует уравнению модели
Figure 00000028
где α, β1, …, β7 обозначают коэффициенты регрессии и
εi обозначает остаточное значение.
12. Вычислительная система по п. 9, в которой биомаркеры выбраны с помощью проведения следующих стадий:
процессор, получающий (i) данные уровня экспрессии отдельных биомаркеров xn, принадлежащих к первому набору биомаркеров S1, от субъекта s, принадлежащего ко второй выборке, или их обработанные данные xns или обработанные данные xns и данные возраста xвозpacт,s второй выборки и (ii) данные ys о том, обнаружена ли злокачественная опухоль легкого, причем первый набор биомаркеров S1 дополнительно включает в себя дополнительные отдельные биомаркеры, выбранные из ApoA1, В2М, СА125, СА19-9, CRP, Cyfra21-1 и LRG1, в дополнение к СЕА, НЕ4, АроА2, TTR, sVCAM-1 и RANTES; рассчитывающий соответствующие р-значения для отдельных биомаркеров, принадлежащих к первому набору биомаркеров S1, путем проведения по меньшей мере одного из следующего: (i) критерий хи-квадрат при нулевой гипотезе, что ys и xns являются независимыми друг от друга и (ii) t-критерий Стьюдента при нулевой гипотезе, что истинное значение различия составляет 0 между средним значением xns субъектов, у которых диагностируют злокачественную опухоль легкого, и этим показателем субъектов, у которых ее не диагностируют; получающий второй набор биомаркеров S2, состоящий из отдельных биомаркеров с р-значениями, меньшими чем заданный уровень значимости, путем сравнения соответствующих р-значений, рассчитанных на стадии (а2), с заданным уровнем значимости; получающий расчетные значения
Figure 00000029
отдельных биомаркеров xm, принадлежащих ко второму набору биомаркеров S2, соответственно, для субъектов, у которых диагностируют злокачественную опухоль легкого, и субъектов, у которых ее не диагностируют, из уравнения модели регрессии
Figure 00000030
где Sm'=S2-{xm};
получающий остаточные значения
Figure 00000031
в отношении отдельных биомаркеров xm, соответственно, для субъектов, у которых диагностируют злокачественную опухоль легкого, и субъектов, у которых ее не диагностируют;
рассчитывающий р-значения для отдельных биомаркеров, принадлежащих к S2, путем проведения t-критерия Стьюдента при нулевой гипотезе, что истинное значение различия составляет 0 между средним остаточных значений субъектов, у которых диагностируют злокачественную опухоль легкого, и этим показателем субъектов, у которых ее не диагностируют; и
выбирающий отдельные биомаркеры с р-значениями, меньшими чем заданный уровень значимости, путем сравнения рассчитанных р-значений и заданного уровня значимости.
13. Вычислительная система по п. 9, в которой обработанные данные получены с помощью логарифмического преобразования данных измерений.
RU2017129983A 2016-09-02 2017-08-24 Способ применения информации о сложной группе биомаркеров для диагностики злокачественной опухоли легкого у субъекта, диагностический набор и вычислительная система с её использованием RU2687578C2 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2016-0113444 2016-09-02
KR1020160113444A KR101853118B1 (ko) 2016-09-02 2016-09-02 피험체의 폐암 진단을 위한 복합 바이오마커군, 이를 이용하는 폐암 진단용 키트, 복합 바이오마커군의 정보를 이용하는 방법 및 이를 수행하는 컴퓨팅 시스템

Publications (3)

Publication Number Publication Date
RU2017129983A3 RU2017129983A3 (ru) 2019-02-25
RU2017129983A RU2017129983A (ru) 2019-02-25
RU2687578C2 true RU2687578C2 (ru) 2019-05-15

Family

ID=61281195

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017129983A RU2687578C2 (ru) 2016-09-02 2017-08-24 Способ применения информации о сложной группе биомаркеров для диагностики злокачественной опухоли легкого у субъекта, диагностический набор и вычислительная система с её использованием

Country Status (6)

Country Link
US (1) US10663469B2 (ru)
JP (1) JP6374070B2 (ru)
KR (1) KR101853118B1 (ru)
CN (1) CN107796942B (ru)
RU (1) RU2687578C2 (ru)
WO (1) WO2018044126A1 (ru)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019210052A1 (en) * 2018-04-27 2019-10-31 Laboratory Corporation Of America Holdings Methods and systems for determining the risk of developing ovarian cancer
CN112970067A (zh) * 2018-06-30 2021-06-15 20/20基因系统股份有限公司 癌症分类器模型、机器学习系统和使用方法
JP7421712B2 (ja) * 2018-10-09 2024-01-25 積水メディカル株式会社 ロイシンリッチα２グリコプロテイン組成物
US11409549B2 (en) 2018-10-15 2022-08-09 AIble Inc. Interface for generating models with customizable interface configurations
US10936768B2 (en) * 2018-10-15 2021-03-02 Aible, Inc. Interface for visualizing and improving model performance
US10586164B1 (en) 2018-10-15 2020-03-10 AIble Inc. Interface for visualizing and improving model performance
EP3935581A4 (en) 2019-03-04 2022-11-30 Iocurrents, Inc. DATA COMPRESSION AND COMMUNICATION USING MACHINE LEARNING
CN111444941A (zh) * 2020-02-24 2020-07-24 华北电力大学（保定） 联合血清中电解质和蛋白质组学数据用于诊断早期肺癌的方法
CN111521815A (zh) * 2020-04-20 2020-08-11 复旦大学附属中山医院 Lrg1作为诊断血栓闭塞性脉管炎的血清学标志物的应用
CN111540469A (zh) * 2020-05-29 2020-08-14 杭州广科安德生物科技有限公司 构建体外检测胃癌的数学模型的方法及其应用
CN112023271B (zh) * 2020-09-22 2023-11-28 天津工业大学 亚毫米尺寸活体植入式多通道微磁刺激器
CN113186287B (zh) * 2021-05-10 2023-03-24 深圳康华君泰生物科技有限公司 用于非小细胞肺癌分型的生物标志物及其应用
CA3229331A1 (en) * 2021-09-10 2023-03-16 Matthew Larson Methods for analysis of target molecules in biological fluids
CN113960313B (zh) * 2021-12-22 2022-04-12 上海思路迪医学检验所有限公司 一种外泌体alk融合蛋白磁免疫化学发光检测试剂盒
CN115184609B (zh) * 2022-07-22 2023-09-01 上海交通大学医学院 检测非小细胞肺癌的分子标志物及其应用
CN115575636B (zh) * 2022-11-22 2023-04-04 杭州广科安德生物科技有限公司 一种用于肺癌检测的生物标志物及其系统
CN118691696B (zh) * 2024-05-31 2025-05-09 北京怀柔医院 一种用于感染内科肺部ct影像的重构方法与系统
CN119475780A (zh) * 2024-11-11 2025-02-18 青岛大学 基于微波生物传感器的低浓度cea浓度测定方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140024916A (ko) * 2011-04-29 2014-03-03 캔서 프리벤션 앤 큐어, 리미티드 분류 시스템 및 이의 키트를 이용하여 폐 질환을 식별 및 진단하는 방법
WO2016094330A2 (en) * 2014-12-08 2016-06-16 20/20 Genesystems, Inc Methods and machine learning systems for predicting the liklihood or risk of having cancer

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012091506A2 (ko) * 2010-12-30 2012-07-05 (주) 바이오인프라 폐암 진단용 복합 바이오마커 및 이를 이용한 폐암 진단 방법
EP2718721A4 (en) * 2011-06-07 2014-10-01 Caris Life Sciences Luxembourg Holdings S A R L CIRCULATING BIOMARKERS FOR CANCER
KR101921945B1 (ko) * 2011-10-24 2018-11-26 소마로직, 인크. 폐암 바이오마커 및 그것의 용도
US20140113876A1 (en) * 2012-09-21 2014-04-24 Ultragenyx Pharmaceutical Inc. Biomarkers for assessing treatment of sialic acid deficiency diseases and conditions
KR20130004204A (ko) 2012-11-26 2013-01-09 주식회사 바이오인프라 폐암 진단용 복합 바이오마커 구성 방법
US20140220006A1 (en) * 2013-02-01 2014-08-07 Meso Scale Technologies, Llc Lung cancer biomarkers

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140024916A (ko) * 2011-04-29 2014-03-03 캔서 프리벤션 앤 큐어, 리미티드 분류 시스템 및 이의 키트를 이용하여 폐 질환을 식별 및 진단하는 방법
WO2016094330A2 (en) * 2014-12-08 2016-06-16 20/20 Genesystems, Inc Methods and machine learning systems for predicting the liklihood or risk of having cancer

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BIGBEE W.L. et al. A Multiplexed Serum Biomarker Immunoassay Panel Discriminates Clinical Lung Cancer Patients from High-Risk Individuals Found to be Cancer-Free by CT Screening. Journal of Thoracic Oncology. 2012 г., выпуск 7, номер 4, с.698-708. *
CHANGYONG FENG et al. Log-transformation and its implications for data analysis, Shanghai Archives of Psychiatry, 2014, vol. 26, no. 2. *
HYUN JOO LEE et al. A novel detection method of non-small cell lung cancer using multiplexed bead-based serum biomarker profiling. The Journal of Thoracic and Cardiovascular Surgery. 2011 г., Volume 143, Number 2, с.421-427. *
ГОРЯИНОВА Е.Р. и др. Методы бинарной классификации объектов с номинальными показателями, Журнал Новой экономической ассоциации, 2012 г., N2 (14), с.27-49. *
ГОРЯИНОВА Е.Р. и др. Методы бинарной классификации объектов с номинальными показателями, Журнал Новой экономической ассоциации, 2012 г., N2 (14), с.27-49. ЯРИЛИН А.А. Иммунология. 2010 г.. KATTAN M.W. et al. Encyclopedia of Medical Decision Making. 2009 г., с.681-684. CHANGYONG FENG et al. Log-transformation and its implications for data analysis, Shanghai Archives of Psychiatry, 2014, vol. 26, no. 2. HYUN JOO LEE et al. A novel detection method of non-small cell lung cancer using multiplexed bead-based serum biomarker profiling. The Journal of Thoracic and Cardiovascular Surgery. 2011 г., Volume 143, Number 2, с.421-427. BIGBEE W.L. et al. A Multiplexed Serum Biomarker Immunoassay Panel Discriminates Clinical Lung Cancer Patients from High-Risk Individuals Found to be Cancer-Free by CT Screening. Journal of Thoracic Oncology. 2012 г., выпуск 7, номер 4, с.698-708. *
ЯРИЛИН А.А. Иммунология. 2010 г.. KATTAN M.W. et al. Encyclopedia of Medical Decision Making. 2009 г., с.681-684. *

Also Published As

Publication number Publication date
RU2017129983A3 (ru) 2019-02-25
CN107796942B (zh) 2020-05-05
JP6374070B2 (ja) 2018-08-15
KR20180026609A (ko) 2018-03-13
US20180067118A1 (en) 2018-03-08
WO2018044126A1 (ko) 2018-03-08
RU2017129983A (ru) 2019-02-25
US10663469B2 (en) 2020-05-26
KR101853118B1 (ko) 2018-04-30
JP2018036264A (ja) 2018-03-08
CN107796942A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
RU2687578C2 (ru) Способ применения информации о сложной группе биомаркеров для диагностики злокачественной опухоли легкого у субъекта, диагностический набор и вычислительная система с её использованием
CN112362871B (zh) 食管癌的生物标志物及其应用
CN110376378A (zh) 可用于肺癌诊断的标志物联合检测模型
TW201643429A (zh) 前列腺抗原標準品及其用途
US20140235494A1 (en) Methods, Kits and Computer Program Products using Hepatocellular Carcinoma (HCC) Biomarkers
US20210140977A1 (en) A three-protein proteomic biomarker for prospective determination of risk for development of active tuberculosis
KR101401561B1 (ko) 복합 바이오마커를 활용한 암 진단 정보 생성 방법, 및 암 진단 예측 시스템 장치
CN105021827B (zh) 检测血清血管生成素样蛋白2含量的物质在制备检测肝脏炎症和纤维化程度产品中的应用
Bui et al. Evaluating M2BPGi as a marker for liver fibrosis in patients with chronic hepatitis B
WO2015164616A1 (en) Biomarkers for detection of tuberculosis
US20150285804A1 (en) Diagnostic method for colorectal cancer
JP5114557B2 (ja) 危篤状態の患者の転帰を予測する方法
KR102018205B1 (ko) 대장암 진단용 조성물 및 상기 조성물을 이용한 대장암 진단 방법
US20190066846A1 (en) Method, apparatus, computer program product and kit for assisting recurrence risk prediction for hepatocellular carcinoma patients
KR20120077570A (ko) 폐암 진단 예측을 위한 복합 바이오마커, 구성 방법, 복합 바이오마커를 사용하는 폐암 진단 예측 방법 및 폐암 진단 예측 시스템
WO2016123058A1 (en) Biomarkers for detection of tuberculosis risk
US20150004633A1 (en) Assays and methods for the diagnosis of ovarian cancer
WO2023230584A1 (en) Methods and systems for risk stratification and management of bladder cancer
US20180356419A1 (en) Biomarkers for detection of tuberculosis risk
KR102018209B1 (ko) 위암 진단용 조성물 및 상기 조성물을 이용한 위암 진단 방법
CN116773825B (zh) 诊断急性川崎病的血液生物标志物和方法
CN116413430B (zh) 一种用于肝癌早期预测的自身抗体/抗原组合及检测试剂盒
US20230305010A1 (en) Timp1 as a marker for cholangiocarcinoma
KR20180026654A (ko) 피험체의 폐암 진단을 위한 복합 바이오마커군, 이를 이용하는 폐암 진단용 키트, 복합 바이오마커군의 정보를 이용하는 방법 및 이를 수행하는 컴퓨팅 시스템
JP7154523B2 (ja) 子宮肉腫診断のための迅速測定法