CN101356532B - 基于基因的算法型癌症预后 - Google Patents
基于基因的算法型癌症预后 Download PDFInfo
- Publication number
- CN101356532B CN101356532B CN2006800164096A CN200680016409A CN101356532B CN 101356532 B CN101356532 B CN 101356532B CN 2006800164096 A CN2006800164096 A CN 2006800164096A CN 200680016409 A CN200680016409 A CN 200680016409A CN 101356532 B CN101356532 B CN 101356532B
- Authority
- CN
- China
- Prior art keywords
- gene
- cancer
- grade
- ggi
- expression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
- A61P35/00—Antineoplastic agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
- A61P43/00—Drugs for specific purposes, not provided for in groups A61P1/00-A61P41/00
-
- 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
-
- 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
- C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
-
- 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
- C12Q2600/112—Disease subtyping, staging or classification
-
- 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
- C12Q2600/118—Prognosis of disease development
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biotechnology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Oncology (AREA)
- Theoretical Computer Science (AREA)
- Hematology (AREA)
- Microbiology (AREA)
- Hospice & Palliative Care (AREA)
- Urology & Nephrology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biochemistry (AREA)
- Biomedical Technology (AREA)
- Pharmacology & Pharmacy (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
Abstract
本发明涉及用于肿瘤样品中的预后确定的方法和系统,所述预后确定通过测量肿瘤样品中的基因表达并应用基因表达等级指数(gene-expression gradeindex,GGI)或复发得分(relapse score,RS)以产生数值风险得分(numericalrisk score)来进行。
Description
发明领域
本发明涉及用于改善癌症预后的新型方法和工具。
发明背景
成千上万的基因的mRNA表达水平的微阵列作谱或评定表明,癌症可以按某些基因的表达水平被分成不同的分子亚群。这些亚群看来具有不同的临床结果,并且也可能对在癌症治疗中使用的不同治疗剂有不同的反应。但是对基础生物学的现有了解并不允许进行特定癌症患者的护理的“个体化”。因此,对于乳腺癌,例如现在给予许多女性以全身的治疗(例如化学疗法或内分泌疗法)以求降低其在初步诊断之后复发乳腺癌的风险。不幸地,这种全身治疗仅仅使少数将复发的女性受益,由此使许多女性得到不必要的且潜在有毒性的治疗。利用微阵列技术开发的新型预后工具显示出允许我们推动对乳腺癌患者进行定制治疗的可能(Paik等人,New England Journal of Medicine 351:27(2004);Vande Vi jver等人,New England Journal of Medicine 347:199(2002);Wang等人,Lancet 365:671(2005))。这些基因组工具可能是非常需要的对于目前所使用的临床方法的改进。
长期以来认为乳腺癌的组织学分级提供了重要的临床预后信息(1)。然而,尽管美国病理学家学院(College of American Pathologists)推荐使用肿瘤等级作为乳腺癌的预后因素,但服务于美国癌症联合委员会(American JointCommittee on Cancer,AJCC)的最近的乳腺特别工作组(Breast Task Force)没有将其包括在其分期标准中,其中将在机构之间难以克服的不一致和缺少数据做为证据(3)。这可能部分涉及观测者间的可变性和所使用的各种分级方法,导致机构间的低可重复性。随着标准化方法(例如由Elston和Ellis开发的方法)的出现(1),机构之间的一致性已经得到改善。然而,虽然等级1(低风险) 和等级3(高风险)明显地与不同的预后有关,但是被分类为中间等级的肿瘤在治疗的临床判断中存在难处,因为其幸存者谱与总(未分级的)群体没有不同并且其比例很大(40%-50%)。更精确的分级系统允许对女性进行更好的预后和改善的选择,以进一步进行乳腺癌治疗。
目前诊断的大多数乳腺癌是激素应答性的。他莫昔芬是目前在这些患者的辅助治疗中所规定的最常见的抗雌激素药。然而当在这种背景下给予他莫昔芬时,这些患者中高达40%将复发。目前,由于对使用芳香酶抑制剂代替他莫昔芬或者在辅助情形中与他莫昔芬联合或顺次使用芳香酶抑制剂进行评估的几次大型试验的阳性结果,因此对于具有激素应答性乳腺癌的绝经后妇女可有许多种选择。此外,不清楚哪种治疗选择是最好的,尤其是在芳香酶抑制剂使用的长期的健康代价是未知的情况下。鉴定出当给予他莫昔芬时处于高复发风险的组的能力可以有助于鉴定他莫昔芬对于他们来说可能并非最佳选择的哪些患者。那么,这些患者可以是备选治疗策略的特定靶标。
特别是涉及关于预测用辅助性的他莫昔芬进行治疗的女性的复发的问题,两篇文献已经报道了要求保护的基因集,其可以预测临床结果(Ma等人,CancerCell 5:607(2004);Jansen等人,Journal of Clinical Oncology 23:732(2005))。这些研究涉及小数量的患者,由此没有充分地证实能广泛地临床应用。
因此,需要这样的方法和系统,其准确评定预后并由此帮助肿瘤学家制定对于个体癌症患者的治疗决策。特别是需要针对乳腺癌患者的方法和系统。
发明目的
本发明旨在提供用于改善癌症预后而且设有现有技术方法的缺陷的新型方法和工具。
发明概述
本发明的一个实施方案提供了一种方法,其包括以下步骤:
(a)测量在从哺乳动物受试者(优选人类患者)获得的用于分析的肿瘤样品中的基因表达;
(b)利用下式计算该肿瘤样品的基因表达等级指数(或基因组等级)(gene-expression grade index,GGI)
其中:x是mRNA的基因表达水平,G1和G3分别是在组织学等级1(HG1)和组织学等级3(HG3)中上调的基因集(set),和j指探针或探针集。
肿瘤样品可来自患癌症的组织,所述癌症选自乳腺癌、结肠癌、肺癌、前列腺癌、肝细胞癌、胃癌、胰腺癌、宫颈癌、卵巢癌、肝癌、膀胱癌、泌尿道癌症、甲状腺癌、肾癌、癌、黑素瘤或脑癌。优选地,肿瘤样品是组织学等级HG2的乳腺肿瘤样品。
该实施方案可进一步包括基于基因表达等级指数(GGI)将肿瘤样品标示为低风险(GG1)或高风险(GG3)。该实施方案可进一步包括为患者提供乳腺癌治疗方案,所述治疗方案与用于分析的乳腺肿瘤样品的低风险或高风险标示相一致。
基因表达等级指数GGI可包括经选择的截止值(cutoff)和标度值(scale),从而使HG1病例的平均GGI为约-1,和HG3病例的平均GGI为约+1。需要截止值以用于校准从应用不同标度的不同平台中获得的数据:
G1基因集可包括至少一个选自在表3中被标示为“在等级1肿瘤中上调的”基因的基因。优选地,G1基因集包括那些基因中的至少4个,并且可以包括整个集。G3基因集可包括至少一个选自在表3中被标示为“在等级3肿瘤中上调的”基因的基因。优选地,G3基因集包括那些基因中的至少4个,并且可以包括整个集。
在本发明的另一个方面,根据本发明的方法包括下列步骤:
(a)测量肿瘤样品中的基因表达;
(b)利用下式计算该肿瘤样品的复发得分(relapse score,RS):
其中:G是与癌症的远端复发相关的基因集,Pi是探针或探针集,i标明了具体的基因簇或组,Wi是簇i的权重,j是具体的探针集值,xij是簇i中探针集j的密集度,和ni是簇i中探针集的数目。
该实施方案进一步包括这样的步骤,即基于复发得分,将所述肿瘤样品分类为对于癌症复发来说具有低风险或高风险。用于区分低风险和高风险的截止值可以是-100至+100的复发得分(RS)或-10至+10的复发得分(RS)。复发可以是用他莫昔芬或其他化学疗法、内分泌疗法、抗体疗法、或者本领域技术人员所使用的任何其他疗法进行治疗后的复发。优选地,复发是用他莫昔芬进行治疗后的复发。
肿瘤样品可来自患癌症的组织,所述癌症选自乳腺癌、结肠癌、肺癌、前列腺癌、肝细胞癌、胃癌、胰腺癌、宫颈癌、卵巢癌、肝癌、膀胱癌、泌尿道癌症、甲状腺癌、肾癌、癌、黑素瘤或脑癌。优选地,肿瘤样品是乳腺肿瘤样品。
可基于肿瘤样品的癌症复发风险状况来调整患者的治疗方案。例如(a)如果患者被分类为低风险,则继续用他莫昔芬和相继的芳香酶抑制剂(AIs)来治疗该低风险患者,或者(b)如果患者被分类为高风险,则除了他莫昔芬外用备选的内分泌疗法来治疗该高风险患者。对于被分类为高风险的患者,可将该患者的治疗方案调整为化学疗法治疗或特异的在分子水平上靶向的抗癌疗法。
可从雌激素受体(或另外的癌症组织样品的特异性标记物)阳性群体产生基因集。所述基因集可由各种方法产生,并且作为成员的基因可依赖于患者群体和具体病症而变化。
本发明的另一个实施方案提供了一种计算机化的系统或诊断设备(或试剂盒),其包括:(a)生物分析模块,优选是生物阵列,其被设置为用于基于基因集来检测肿瘤样品的基因表达;和(b)处理器模块,其被设置为用于基于基因表达来计算肿瘤样品的GGI或RS并且产生对于乳腺肿瘤样品的风险评估。生物分析模块可包括至少一个包含所述基因集的基因芯片(微阵列)。所述基因集可以包括至少一个,优选至少4个选自在表3中被标示为“在等级1肿瘤中上调的”基因的基因,或者可以包括整个集。所述基因集可以包括至少4个选自在表3中被标示为“在等级3肿瘤中上调的”基因的基因,或者可以包括整个集。
附图简述
图1表示了热图(heatmap),其显示在训练集(training sets)(图板a)和确证集(validation sets)(图板b)中的基因表达模式。水平轴相应于首先通过HG然后通过GGI(作为第二种标准)进行分选的肿瘤。垂直轴相应于基因。每个肿瘤的GGI值和无复发的存活显示在下面。发现两组基因:在等级1中高度表达的基因(16探针集;以红色突出显示),和相反地,在等级3中高度表的基因(112探针集)。HG2肿瘤的GGI值覆盖了HG1和HG3的值的范围,而且高的GGI的那些倾向于更早地复发(红色点)。
图2显示了基于HG(图板a)和GG(图板b),对于从确证数据集2-5(表11)中汇集的数据的Kaplan-Meier RFS分析。HG1、HG2和HG3可通过GG进一步被分入低和高风险子集中,表明GG是相对于HG的改进(分别见图板c、d和e)。ER状况鉴定出了一些但并非全部具有不良预后的患者(图板f)。
图3显示了基于NPI(a)和NPI-GG(b)分类的Kaplan-Meier RFS分析。NPI-GG改善了低风险(图板c)和高风险(图板d)NPI子集中的预后区分,然而并非反之亦然(图板e和f)。由于不完全的肿瘤大小信息,Sorlie等人的数据集被排除在该分析之外。
图4显示了关于被分成GG1和GG3的HG2患者的风险率(hazard ratio)的Forest图,其显示在不同数据集中的一致结果。用Cox比例风险回归(Coxproportional hazard regressions)来估计风险率,水平线是风险率的95%置信区间。P值由时序检验(log rank test)决定。
图5显示了基于70-基因表达标志(signature)(左排,图板a、c和e)和GGI(右排,图板b、d和f)的、对于从Van de Vijver等人的确证研究中获得的数据的无远端转移存活(DMFS)分析。a)和b)是全部患者,c)和d)是结(node)阴性患者,以及e)和f)是淋巴结阳性患者。注意,淋巴结阴性子集包括用于得到70-基因标志的患者。
图6表示了应用于先前报道的分子亚型的基因组等级。
图7表示了就GGI(高对低)所进行的无远端转移存活的Kaplan Meyer存活曲线。
发明详述
定义
大多数科学、医学和技术术语是本领域技术人员所通常理解的。
术语“微阵列”指在基材(不可溶固相支持物)上的可杂交的阵列元素(优选多核苷酸探针)的有序排列。
术语“差异表达的基因”、“差异的基因表达”及其同义词可互换使用,并且指相对于它们在正常或对照受试者中的表达,其表达在患有疾病(特别是癌症,例如乳腺癌)的受试者中被激活到更高或更低水平的基因。该术语也包括其表达在同样疾病的不同阶段被激活到更高或更低水平的基因。还应当理解,差异表达的基因可以在核酸水平或蛋白质水平上被激活或抑制,或者可以经历可选择的剪接而导致不同的多肽产物。这样的差异可由例如mRNA水平,多肽的表面表达、分泌或其他分配的改变来证明。差异的基因表达可包括两个或更多个基因或其基因产物之间的表达的比较,或者两个或更多个基因或其基因产物之间的表达率的比较,或者甚至相同基因的两个不同加工产物的比较,其在正常受试者和患有疾病(特别是癌症)的受试者之间或者在同样疾病的不同阶段之间不同。差异表达包括基因或其表达产物的定量以及定性的在时间或细胞表达模式方面的差异,例如,在正常的和患病的细胞中,或者在已经历不同的疾病事件或疾病阶段的细胞中。对于本发明的目的,当给定基因的表达在正常的和患病的受试者之间,或者在患病受试者中疾病发展的各种不同阶段之中存在至少约两倍,优选至少约四倍,更优选至少约六倍,最优选至少约十倍的差异时,认为存在“差异的基因表达”。
基因表达作谱(gene expression profiling):包括对生物样品中mRNA和/或蛋白质水平进行行定量的所有方法。
本文所使用的术语“预后”指预测归因于癌症的死亡或者赘生性疾病(例如乳腺癌)的进展(包括复发、转移性扩散和耐药性)的可能性。
本文所使用的术语“预测”涉及患者将对于某种药物或某类药物作出有利或不利的应答的可能性,以及那些应答的程度,或者患者将在外科手术切除原发肿瘤和/或化学疗法后存活一段时间而无癌症复发的可能性。本发明的预测方法是用于预测以下情况的有用工具,即患者是否可能对治疗方案(例如,使用 给定药物或药物组合的化学疗法,和/或放射疗法)作出有利的应答,或者患者是否有可能在外科手术和/或终止化学疗法或其他治疗形式后长期存活。
术语“高风险”指预计患者在少于5年之内,优选在少于3年之内会有远端复发。
术语“低风险”指预计患者在5年之后,优选在少于3年之内会有远端复发。
本文所使用的术语“肿瘤”指所有的赘生性细胞生长和增殖,不论恶性的或良性的,以及所有的癌前期的和癌性的细胞和组织。
术语“癌症”和“癌的”指或描述哺乳动物中通常以不受控制的细胞生长为特征的生理状态。癌症的实例包括但不限于,乳腺癌、结肠癌、肺癌、前列腺癌、肝细胞癌、胃癌、胰腺癌、宫颈癌、卵巢癌、肝癌、膀胱癌、泌尿道癌症、甲状腺癌、肾癌、癌、黑素瘤和脑癌。
未加工的″GGI″(基因表达等级指数)是所有在HG3中高的(high-in-HG3)基因的log表达(或log比率)之和减去所有在HG1中高的(high-in-HG1)的基因的log表达(或log比率)之和,并且可以写为:
其中:
x是mRNA的基因表达水平,G1和G3分别是在HG1和HG3中上调的基因集,和j指探针或探针集。
GGI可包括经选择的截止值和标度值,从而使HG1病例的平均GGI为约-1,和HG3病例的平均GGI为约+1:
GGI中的截止值是0并相应于这些平均值的均值。GGI在-4至+4的值的范围内。
实施例1
用于产生等级指数(GGI)的材料和方法
患者人口统计状况
使用原发乳腺癌的六个数据集,其中四个是公众可获得的(表11)(4、5、10、11)。没有患者接受辅助的化学疗法,和一些已接受辅助的他莫昔芬治疗。组织学等级(HG)基于Elston-Ellis分级系统。每个机构伦理委员会(institutional ethics board)批准了使用所述组织材料。
表1:本研究中所使用的微阵列数据集
将来自牛津大学的样品在比利时布鲁塞尔的Jules Bordet研究所中进行加工处理,和将来自瑞典的样品在新加坡的新加坡基因组研究所中进行加工处理。根据标准Affymetrix方案进行RNA提取、扩增、杂交和扫描。Affymetrix U133A基因芯片(Affymetrix,Santa Clara,CA)。使用RMA来使来自CEL文件的基因表达数值正规化(normalize)(12)。
使用缺省选项(具有本底校正(background correction)和分位数正规化(quantile normalization))。输出结果以对数标度显示。
分别对来自不同机构和不同测量批次的CEL文件进行正规化。在随后的分析中,处理表达数据矩阵,就好像它们是分开的研究的“块(blocks)”。训练集KJX64由两个块(相应于两个不同的机构)组成,并且确证集KJ129也是如此。
STNO。从http://genome-www.Stanford.edu/breast.cancer/mopo.clinical/data.shtml下载Stanford/Norway数据集(Sorlie等人,2001)。
它由85种阵列组成,具有几种不同的芯片设计。仅仅使用对所有通用的探针。所使用的基因表达值来自于阵列数据文件中的LOG RAT2N MEAN列。在计算GGI前没有应用进一步的变换。当一个探针对应一个点以上时,使用他们的平均数。
在热图中使用所有85位患者,但是仅仅那些具有非缺少和非零的追踪时间的患者用于存活分析。从涉及肿瘤大小的分析中排除该数据集,因为该信息不可用(仅仅给定TNM类别,但向肿瘤大小的转换却不直接了当,特别是当关心什么适于NPI公式时)。
NKI/NKI2。从Rosetta网址www.rii.com下载数据集NKI(van′t Veer等人,2002)和NKI2(van de Vijver等人,2002)。使用log比率没有进一步的变换。对于NKI2,认为带标记的表达值是缺少的。年龄、肿瘤大小和组织学等级对于NKI2不可用。
在临床数据表中的′conservFlag′域用来将数据集分为两个组。每个组具有自己的阈值以判断“好的”对“差的”预后,正如对在van de Vijver等人(2002)中的原始结果所做的。
NCI。该数据集来自Sotiriou等人(2003),从PNAS网址http://www.pnas.org/cgi/content/full/1732912100/DC1下载。所述表达值没有修改。
统计学分析
仅仅在KJX64数据集上进行基因选择,该数据集全部是雌激素受体(ER)-阳性的,并且是HG1或者是HG3的。数据集KJ129(43个ER-阴性,全部是淋巴结阴性的,没有全身治疗)与以前公开的其他数据(见表11)一起用作确证集。ER-阳性肿瘤用于训练集,因为ER-状况和等级不是独立的,具有非常少数的ER- 阴性HG1肿瘤。使用所有HG1和HG3肿瘤而不考虑其ER状况会导致假的关联性。
使用Hedges和Olkin(13)的标准化的平均差,以基于它们相关于HG1或HG3的差异表达来对基因进行分级。这种元分析(meta-analytical)得分与t-统计值相似,但是更适合我们的由源于两个不同中心的阵列数据组成的训练集。
为了控制多重测试,应用Westfall和Young的maxT算法(14)(具有Korn等人提出的扩展(15))来计算错误发现计数(false discovery count,FDC)。考虑了全部22,283探针集。鉴定了同族式误差率(family-wise error rate)p-值低于0.05并且FDC>2的探针集。根据Praz等人(16)的方法,通过Unigene(build#180)进行平台间的探针映射。
基因表达等级指数(GGI)被定义为:
其中x是基因表达测量值的对数,以及G1和G3分别是在HG3和HG1中上调的基因集。这些集在平台之间不同。为了方便起见,选择截止值和标度值以使HG1病例的平均GGI为-1,和HG3病例的平均GGI为+1。对于每个数据源分别进行该重新调整。
根据Todd等人(17)来计算Nottingham预后指数(NPI):
NPI=0.2×大小[cm]+淋巴结状况+组织学等级。
定义了称为NPI/GG的指数,其中用GG代替HG。在NPI和NPI/GG两者中,认为NPI≥3.4的病例是高风险的。利用Kaplan-Meier图使存活数据可视化。利用Cox回归来估计风险率(HR),通过数据源而分层次。使用该分层次的时序检验来进行无假定的比较(assumption-free comparison)。
热图
为了可视化,关于每个探针在热图中所使用的值在患者之间是平均中心的(meancentered)。为了保持关于所有探针相对信号强度的信息,没有实行基因特异性调整(标准化)。校准色调,从而使饱和的红色和绿色达到整个矩阵的表达值的标准偏差的三倍。注意该经调整的GGI值不受基因特异性确定中心过程的影响。
存活分析
通过Terry Therneau和用于KaplanMeier图的定制程序来使用关于R的存活程序包,针对存活程序包的输出结果就正确性来对其进行检查。
在微阵列平台间进行映射
使用Praz等人(2004)描述的CleanEx数据库(http://www.cleanex.isbsib.ch)的方法。首先将探针标识符映射成序列登录号。随后使用Unigene(build180)来绘制平台间的相应关系。对于Asymetrix芯片,排除包含含糊不清地映射至超过一个Unigene id的寡核苷酸的探针集。
结果
在高和低等级子集之间的差异表达的基因
鉴定了相应于在0.05的同族式误差率p-值(相应于0.008的低的错误发现比例)时FDC>2的183个独特基因的242探针集(表3)。其中,将基于更加保守的标准(在p-值为0.05时FDC>0)的一列128探针集(97个基因)用于所有随后的分析,除了用他人发表的标志来检查常见基因,其中我们使用了183-基因列表。
图1a显示了两个强且彼此相反的明显与HG1和HG3有关的表达模式。许多在HG3中上调的基因大多数与细胞周期进展和增殖有关(表3)。应用了相同的基因选择算法以将HG2肿瘤与组合了HG1和HG3肿瘤的库进行对照。这没有产生差异表达的基因。因此,HG2群体整体上没有其自己的独立于HG1和HG3区别点的特有特征。
然后对未经治疗的乳腺癌患者(数据集KJ129)应用128探针集的列表。如图1b中显示,目测观察揭示出HG1和HG3的表达模式类似于在训练集上所观测到的表达模式(图1a)。等级2群体的GEP看来像等级1和等级3病例的混合,而不是两者的中间体。为了使该观测更加客观,定义了GGI(其通过对它们的表达水平求平均而基本上概括了报道基因的GEP的差异)。如图1中的热图所显示的,HG2的GGI分配覆盖了HG1和HG3的GGI值的范围,证实了该目测印象。在三个以前公开的数据集上进行了相似的观测,尽管在临床群体和微阵列平台之间存在差异(参见图6a、b和c)。
组织学等级、基因表达等级(GG)和预后
这些发现导致表明,中间的组织学等级可以由基于基因表达的低和高等级替代。定义了基于GGI得分的基因表达分级(GG)。如果它们的GGI值是负的则分类为GG1(低等级),否则分类为GG3(高等级)。注意,零的GGI得分相应于HG1和HG3的平均GGI值的中点(参见方法部分)。该选择可能不是临床上最佳的,并且可以基于治疗成本和风险之间的权衡而被善,但是它足以评估GGI的预后价值。
为了该目的,使用来源于我们自己的确证群体(KJ129)库和另外的数据集STNO、NCI和NKI(表11)的乳腺癌样品。在图2a中,检查组织学等级和无复发存活(RFS)之间的联系。果然,HG3肿瘤具有比HG1显著更差的RFS,而HG2肿瘤具有中间的风险并且组成该群体的38%。在图2b中,GG1和GG3亚组显示不同的RFS,分别与HG1和HG3肿瘤的RFS类似。为了检查GG和HG间的不一致如何与预后相关,关于每个组织学类别对GG进行划分(图2c、2d和2e)。最显著的结果是,GG将HG2分为两个组,即HG2/GG1和HG2/GG3,其RFS也分别与HG1和HG3类似(图2d)。时序检验没能揭示HG1和HG2/GG1之间以及HG3和HG2/GG3之间存活的任何显著差异(参见图7)。为了比较,ER状况也具有在HG2肿瘤中的预后能力(图2f),虽然其风险率小于GG的风险率(图2d)。值得注意地,ER-阳性组显示出与总群体相似的RFS。
虽然GG通过对在HG1群体中具有不良预后的一些患者进行分类而优于HG(图2c),但是对于在HG3群体中的情况似乎正相反:其将一些患者分类为低-风险,尽管他们是不良预后(图2d)。因此,在涉及低和高等级类别的不一致的情况下,GG和HG都没有一贯地胜过另一个。似乎是,无论哪一个决定分类为高等级均倾向于在预后方面更加准确。这表明,对于HG和GG两者,正确地检测任何高等级的指示都比准确地宣布其不存在容易。如果该观测结果被未来的研究证实,那么在临床实践中应该进行校正,例如通过使用将HG1和HG2(但不是HG3)替代为GG的规则。然而,本文中所使用的数据中这种类型的不一致的频率相对较小,并且在旨在完全就其自己来表征GG的该研究中不使用此类修改。
表12:乳腺癌预后因素的多变量分析(N=302)
多变量模型中GG的预后价值
几乎所有的临床病理学的变量在单变量分析中与临床后果显著相关(表12)。GG和HG状况具有最强烈的作用。然而,在多变量分析中,仅仅GG,淋巴结状况和肿瘤大小保持其显著性,其中GG具有最大的风险率。根据图2,当考虑两者时GG替代了HG,并且GG显著地减少ER的预后影响。
GG和Nottingham预后指数
在解释疾病后果中GG、淋巴结状况和肿瘤大小的独立性反映了Nottingham预后指数(NPI),其组合了HG、淋巴结状况和大小。为了测试GG是否可用于改善该经充分表征的风险得分,我们提出仅具有两个可能值(1或者3)的称为NPI/GG的得分,其除了用GG替代HG外类似于NPI。如图3a和3b中所显示的,NPI/GG比传统的NPI明显更加地具有判别力。此外,NPI/GG能将NPI低和高风险组均分成具有显著不同的临床后果的亚组(图3c、3d),而相反是不正确的(图 3e、3f)。
实施例2
GG在不同的群体和微阵列平台中的一致预后价值
上述的汇集的分析的结果在各个数据集中一致地存在,如在图4中由风险率地forest图所显示的。更完整的结果显示于图8中。图4显示,在每个独立的确证数据集中,GG将等级2群体划分为两个具有统计上不同的临床后果的不同的组。在所述风险率之间没有显著的不均一性,即使不同数据集所包括的异质患者群体是由各位不同病理学家进行分级的并且使用不同的微阵列平台。
与70-基因标志的关系
在他们的前期工作中,van′t Veer等人鉴定了与淋巴结阴性乳腺癌患者的远端转移显著相关的70-基因表达标志(5)。97个基因的该列表(128探针集)可以在其Agilent阵列中映射至93个基因(113个探针)。为了在与荷兰癌症研究所(NKI)分类相同的在风险和治疗成本之间的平衡下进行比较,选择在高-和低-风险组中给出相同患者数目的GGI的截止值(参见方法部分)。图5显示了对于总的群体(图5a、b),对于淋巴结阴性亚组(图5c、d)和淋巴结阳性亚组(图5e、f),NKI预测标志和无远端转移存活GGI之间的比较。尽管没有使用临床后果来选择我们的探针并且必须在平台间映射,但结果却显著接近。当考虑总的存活时发现相似的结果(参见图9)。数据无法用于比较无复发存活。
低和高等级的乳腺癌出人意料地与许多差异表达的基因有关,大多数参与细胞周期和增殖。对于这些基因,HG2肿瘤具有不均一的转录谱,其覆盖了HG1和HG3肿瘤的变化范围。在至少一个先前的报告中进行了相似的观测(18)。此处,调查这些发现的临床含意,并发现等级相关的GEPs也与疾病后果有关。
所图4所证明的,通过GG产生的改善在不同的数据集间是一致的,如果在这些研究间分级性质差别很大则将不是这种情况。相似地,图2a显示了在HG1和HG3间的良好预后分离,这表明该组织学分级是高质量的。此外,中心病理学家综论将会仍然导致相当一部分肿瘤被分类为HG2。最后,这些结果是临床事实的更好反射,因为由中心病理学家(central pathologist)进行的分级很少 在实践中实行。
该鉴定与预后相关的GEP的方法与其他研究院者所使用的相当不同。不是直接通过它们与存活的相关性来选择预后基因,而是可通过组织学等级间接地鉴定它们,所述组织学等级是基于细胞生物学的大家公认的预后因素。这可解释在独立的和异质的确证集之间和在不同的微阵列平台之间GGI的可靠性和可重复性。此外,因为GGI可以被解释为“分子等级”,所以它可以容易地整合入现有的使用组织学等级的预后系统(例如NPI)中。
该基因选择过程并不意味着定义了某一具体的用于预后“标志”的基因集。本发明旨在建立一个全面的“目录”,可从中选择不同的标志集。这通过该目录的跨平台适用性而得到说明。尽管在各种不同的平台中所使用的实际探针集在数目和基因组成方面不同,但结果仍是可重复的。值得注意的是,使用线性分类器(linear classifier)在非常不同的数据集中获得良好的预后区别,其中基于它们与在64位患者的训练集上的等级的关联,基因权重简单地为+1或-1。因此,所鉴定的“等级信号″不是与特定的基因集相结合,也不与其表达水平的任何具体组合相结合,因为这些基因是高度相关的并且GGI有效地以单一预后因素发挥作用。如果只提供抗噪音的冗余,那么对于使用许多基因还是有益的。开发实用诊断系统的结果是,可使用本发明的“等级基因目录”的任意子集,仅仅受到技术考虑的约束。
近期,Jenssen和Hovig(19)讨论了关于使用基因表达标志用于预测的两个问题。这些是1)在包括在不同标志内的基因之间缺乏一致;和2)难以了解标志和存活之间的相关性的生物学基础。本基因目录富含很可能在细胞周期进展和增殖中起作用的基因。这类基因是现有的基于图谱的乳腺癌风险预测法中一个重要的——即使不是最重要的——组成部分。在Paik等人(7)中,其五个基因全部在我们的183-基因目录(表3)中的“增殖集”是在他们的扩展的训练集和确证集中具有最大风险率并且在“复发得分”公式中具有最大权重的那一个。图5中对于NKI数据的应用也支持这种想法,即等级相关基因可能构成了NKI 70-基因标志的预测能力的重要部分。当与我们的183-基因目录进行比较时,下列数目的基因与其他的预后标志一样:发现11/70和30/231基因(van′t Veer等人)、5/15(Paik等人)及7/76(Wang等人)(4,7,8)。
总之,基于基因表达的分级可以显著改善用于癌症(特别是乳腺癌)的预 后评定的现有分级系统。
这些发现在多个独立的数据集之间和在不同的平台之间的再现表明,我们的结论是站得住脚的。GGI得分不要求特定的基因集,也不要求与特殊的检测平台相结合。通过用GG替代HG,可以将基于GGI的分级并入现有的预后系统中。基于基因表达测量的细化的分级将来对于乳腺癌管理可以具有重要的临床应用。
实施例3
雌激素受体阳性乳腺癌内的临床上不同的亚型的定义
材料和方法
肿瘤样品
335个早期阶段乳腺癌样品包括我们自己的数据集。这些样品中的86个先前已经用于其他研究并且原始数据可以在基因表达综合性仓储数据库(GeneExpression Omnibns repository database)(http://www.ncbi.nlm.nih.gov/geo)以登录编号GSE2990获得。这些样品没有接受辅助的全身疗法。以前没有发表过的249个样品已经仅接受了辅助的他莫昔芬(tam-治疗的数据集)。所有样品都被要求通过蛋白质配体结合测定法是ER-阳性的。
使用AffymetrixTM U113A Genechips(Affymetrix,Santa Clara,CA)进行微阵列分析。该数据集包含来自John Radcliffe Hospital,Oxford,U.K.;Guys Hospital,London,U.K.;和Uppsala University Hospital,Uppsala,Sweden的样品。来自Oxford和London的样品在比利时布鲁塞尔的Jules Bordet研究所进行处理。对于来自Uppsala的样品,在Karolinska研究所提取RNA,并在新加坡的新加坡基因组研究所进行杂交。从每个肿瘤样品中获得的RNA的品质通过由Agilent生物分析仪产生的RNA图谱进行评定。根据标准Affymetrix方案进行RNA提取、扩增、杂交和扫描。通过利用RMA来正规化来自CEL的基因表达值12。每个群体分别地进行正规化。每个医院的机构伦理委员会批准使用该组织材料,并且获得书面知情同意书。用于tam-治疗的数据集的原始数据可以在基因表达综合性仓储数据库(http://www.ncbi.nlm.nih.gov/geo)以登录编 号GSE XXX获得。
在该分析中,发明人还使用了其他四个公众可获得的数据集,其描述在近期的出版物中:van de Vijver5(n=295)、Wang8(n=286)、Sotiriou10(n=99)、Sorlie11(n=78)。为了存活分析,我们仅使用分类为ER-阳性的肿瘤(van deVijver5(n=122)、Wang8(n=209))。对于涉及没有接受全身性辅助治疗的患者的存活分析,将来自van de Vijver等人5、Wang等人8的患者和先前公开的数据集相组合(n=417 ER-阳性患者,此处称为“未治疗的”数据集)。所有临床数据都显示在附加信息的表S1中。
数据分析
雌激素(ER)和孕酮受体(PgR)水平
在其研究所根据阳性ER状况来选择患者,所述阳性ER状况通过蛋白质配体结合测定法来确定。随后,发明人通过使用微阵列数据确认了阳性ER水平。利用探针集(30-mer寡核苷酸)在我们的人类AffymetrixTM GenechipU133 A&B微阵列上测量ER水平。发明人对于ER使用探针集″205225_at″。已知探针集″208305_at″代表PgR。已知ER的免疫组织化学测量与ER的mRNA水平相关4。考虑了具有ER和PgR的任何阳性表达水平的肿瘤。
组织学等级
组织学等级基于Elston-Ellis分级系统。中心病理学家综述了来自Uppsala,Sweden;Guys Hospital,London,UK;和Van de Vijver等人数据集5的所有样品的组织学等级和ER状况。
用于量化基因组等级的基于增殖相关基因表达的指数:基因表达等级指数(GGI)
“基因表达等级指数”(GGI)是128探针集(97个基因)的表达的线性组合,已发现所述探针集在组织学等级1和3之间差异表达(参见定义)。该指数是在肿瘤表达谱和肿瘤等级之间的相似度的有效量化。高的基因表达等级指数相应于高等级,反之亦然。该指数用于将每个数据集划分为高和低等级亚组。
根据在Praz等人16中的方法,通过Unigene(build#_180)进行微阵列平台间的探针映射。
系统聚类(hierarchical clustering)
在使用非中心Pearson相关性(uncentered Pearson correlation)作为相似性量度对每个基因进行中位数定中心之后,使用“簇”程序来执行平均值连锁系统聚类分析(average linkage hierarchical cluster analysis)28。利用″TreeView″查看簇结果。从Sorlie等人11和Sotiriou等人10的数据集中下载和提取表达数据。根据如在原始出版物10,11中的亚型将样品排序,以研究在GGI和所述亚型中的基因表达之间的关系。
统计学分析
为了评定存活和一些连续变量间的关系,使用了被引入以计算个体的预期存活的方法的变体:“远端复发率”图29(参考文献:Terry M Therneau和Patricia M.grambsch,2000,″Modeling Survival Data:Extending the CoxModel″,第10章)。利用仅配置了所研究的变量的Cox模型来对相关于GGI、ER和PgR的远端转移的预期比例进行绘图。
利用Kaplan-Meier图来使存活曲线可视化,并且使用时序检验进行比较。使用Cox回归分析来评估单变量和多变量的风险率(HR)。所有的统计学检验都是双侧的。使用SPSS统计软件包11.5版本来进行统计学分析。
结果
对以前报道的分子亚型应用基因组等级
为了研究与亚型相关的基因表达等级指数(GGI)的表达,分别从Sorlie和Sotiriou等人原始的和证实的出版物11,13的数据集中提取表达数据。使用平均值连锁聚类对基因进行聚类,并且根据在发表的原稿11,13中所呈现的亚型对样品进行排序。对以前报道的分子亚型应用基因组等级(6a:Sorlie等人;6b:Sotiriou等人)。与原始出版物中相同地,对亚型进行排序。GGI基因的热图置于树状图下。GGI得分的盒形图(中位数和范围)置于每个亚型下。通过GGI得分>1来标明高等级,反之亦然。
图6显示了该分析的结果。通常,ER-阴性亚型、基底(basal)亚型和erbB2亚型具有高的GGI表达,或者具有高等级。然而,ER-阳性亚型显示出GGI水平的各种不同范围,特别是腔(luminal)C或3亚型,两者均高度表达这些增殖相关基因,而腔A或1,以及正常-样(normal-like)的大多数是GGI表达阴性的或低等级。这证实了如下假设:细胞周期基因对于ER-阳性肿瘤的生物学组成 的贡献程度不同,而ER-阴性肿瘤看起来一贯具有这些基因的过表达。有意思的是注意到在高等级ER-阳性亚型和ER-阴性亚型之间GGI基因的表达谱的相似性。
正如基因组等级所定义的ER-阳性腔亚型的临床相关性
基因组等级可在ER-阳性肿瘤内在临床上区分亚型,并且这些基因组等级定义的亚型的预后价值是对于当前的传统方法(例如基于雌激素和孕酮受体水平的定量级别的方法)的改进。执行Kaplan-Meier存活分析以比较根据GGI得分(高对低等级)的ER-阳性肿瘤的类型以及雌激素和孕酮受体的表达水平(丰富的对不足的表达),相关于出现远端转移所需时间(TDM),其常常用作乳腺癌特定存活的替代物(surrogate)(图7-KM和Cox)。Kaplan Meier存活曲线涉及无远端转移存活对GGI(高对低)、ER表达水平和PgR表达水平(丰富的对不足的)。图7a显示了关于未治疗的数据集(n=417)的结果。图7b涉及他莫昔芬-治疗的数据集(n=249)。对于未治疗的数据集,所示结果从涉及417个ER-阳性样品的多个数据集合并而来,所述样品使用两个普遍的商购可得的寡核苷酸微阵列平台AffymetrixTM和AgilentTM进行杂交(参见方法部分)。如所显示的,对于未治疗的和他莫昔芬-治疗的群体,ER的表达水平不具有任何预后价值(分别为p=0.74和0.51)。相反地,GGI以及PgR的表达水平具有预后价值(未治疗的:对于GGI和PgR p<0.0001;tam-治疗的:GGI p<0.0001,PgR p=0.0058)。腔低等级亚型相比于腔高等级亚型具有好得多的10年的TDM估计值。
表13显示了使用年龄、等级、肿瘤大小和基因组分级的其他标准预后协变量的单变量和多变量分析。在多变量Cox回归分析中,仅GGI保持了显著的预后价值(未治疗的:HR 2.3(95%CI:1.2-4.3;p=0.008);tam-治疗的:HR 2.14(95%CI:1.04-4.02;p=0.0038)),其中包含在单变量水平上显著的那些因素,包括孕酮受体表达水平(p=0.3)。对于未治疗的群体,肿瘤大小在多变量模型中也保持显著性(HR 2.2(95% CI:1.2-3.8,p=0.0068))。这表明,通过GGI测量的基因组等级可在表达阳性水平的雌激素受体的患者内在临床上区分不同的患者组。此外,GGI具有高度显著的预后价值,表明比这些传统因素具有更好的辩别临床后果的能力。在他莫昔芬-治疗的数据集中ER-阳性的高等级亚组的更坏的疾病后果似乎表明,辅助性的他莫昔芬并不改变这种亚型的固有疾病史,尽管具有阳性的ER状况。从生物学和治疗的观点来看,这可能可以标记出值得 进一步研究的一组肿瘤。
作为GGI在ER-阳性肿瘤中的预后价值的进一步证明,发明人制作出了显示作为GGI的连续函数的远端复发率的图,并且将其与未治疗的和tam-治疗的群体的ER和PgR的连续水平进行比较。
可在其乳腺癌表达至少一定水平的雌激素受体的患者中区分出两种肿瘤亚型。在其肿瘤表达高水平的包括该GGI的基因(即相应于高基因组等级)的患者中,他们的疾病后果明显地不同,与低基因组等级的肿瘤相比具有更高的复发发生率。此外,即使当给予辅助性的他莫昔芬时,他们的更坏的疾病后果似乎没有改变,这表明这组妇女似乎没有从辅助性的他莫昔芬受益,尽管其雌激素受体值为正。注意,该研究中没有患者接受辅助性的化学疗法,因此不清楚是否化学疗法可改变该组的固有疾病史。还通过在高等级ER-阳性组和高等级ER-阴性肿瘤(基底和erbB2)之间的相似性强调了这一发现的潜在临床重要性,这进一步表明,与高基因组等级相关的这些基因的高水平表达与差的预后有关。GGI可在多个使用几种微阵列平台进行杂交的数据集之间一贯地鉴定出这两个组,其中涉及666个ER-阳性样品,这表明我们的结论比以前通过系统聚类分析 1,3产生的结果可靠和高度可重复。
在GGI中存在的基因与细胞周期进展和增殖有关:在前20个过表达基因中包括UBE2C、KPNA2、TPX2、FOXM1、STK6、CCNA2、BIRC5和MYBL2;参见补充的表14。对于ER-阳性的肿瘤,基因组等级与不同的无复发存活相关,但对于ER-阴性的肿瘤,由于几乎所有的基因组等级都与高基因组等级相关,因而GGI不具有预后价值。因此,细胞周期相关基因似乎仅在具有ER阳性表达的乳腺癌患者中具有预后价值。在这组内,远端转移的发生率似乎主要由该组增殖和等级-衍生的基因驱动。然而,在ER-阴性的肿瘤中,除了细胞周期相关基因外,可能有其他因素驱动转移的基础生物学。在先前已报道了在因其年龄而相对较高地表达雌激素受体的妇女中,在一患者子集中“细胞增殖标志”的预后能力5。通过基因组等级将ER-阳性亚组分析划分为先前描述的腔亚组,并且这一概念在超过650位患者中得到验证。此外,基因组等级仍然是考虑临床预测因素的单变量和多变量分析中最有力的变量(表4)。
目前存在几个来源于微阵列技术的分子标志,其声称能够预测乳腺癌患者中的预后8,4,7,24,所报道的这些基因标志中的一些可预测用辅助性的他莫昔芬治 疗的ER-阳性肿瘤的临床后果7,24,30。在由Paik等人7开发的复发得分中,五个基因的增殖集在它们的大的训练集和确认集中具有最大的风险率,并且在它们的复发得分公式中具有最大的“权重”或系数,这表明它们在对于具有用辅助性他莫昔芬进行治疗的早期乳腺癌的妇女得出预后分类中的高度重要性。对于乳腺癌,增殖相关基因看起来是现有的基于基因表达谱的乳腺癌预后基因标志中一个重要的——即使不是最重要的——组成部分。通过对于55岁以下的患早期乳腺癌的妇女使用在GGI和70-基因预后基因分类器(classifier)之间共有的11个基因4,获得了与确证出版物5相似的存活曲线,这表明等级相关基因构成了该标志的显著量的预后能力。通过这些预后标志而获得的亚组和通过采用基因组等级的ER-阳性肿瘤的分类而获得的亚组明显地重叠,因为对于转移和复发的驱动强烈地依赖细胞周期基因。该方法的优点是导致产生不良后果的生物学机制是明显的,而不是基因集可能代表各种分子功能和生物进程8,4。因为抗雌激素药(例如他莫昔芬)具有对于乳腺癌细胞的细胞周期特异性作用,并且影响几种细胞周期调节分子的表达和活性,异常细胞周期控制机制的发展是这样的明显机制,即通过该机制细胞可对抗雌激素药形成抗性。目前尚不能完全地了解,当ER的阳性表达在临床情形中是他莫昔芬应答的最佳预测器时,为什么高达30-40%的ER-阳性乳腺癌形成对于他莫昔芬的抗性31。细胞周期蛋白D1(细胞周期的重要控制者)的过表达与他莫昔芬抗性有关,并且可反转抗雌激素药在雌激素受体阳性乳腺癌细胞中的生长抑制作用32。对于驱动细胞周期机制的致癌途径的进一步的研究将有利于开发新的用于治疗高等级亚组的药剂。
现今,在ER-阳性乳腺癌内定义出临床上相关的肿瘤亚类对于治疗方面的肿瘤学家来说十分重要。辅助性的抗雌激素疗法的新策略33-37以及新的化学治疗剂和生物制剂的出现使得能够对早期乳腺癌妇女作出治疗判断,有时是一项困难的任务。以前,他莫昔芬是抗雌激素疗法的主要依靠,其对于早期ER-阳性乳腺癌妇女能明显减少复发、死亡和对侧乳腺癌的风险38。然而,因为芳香酶抑制剂的出现以及几个试验报告发现它们在绝经后妇女中比他莫昔芬更有效,所以美国临床肿瘤学学会(American Society of Clinical Oncology)推荐将香西酶抑制剂包括入患有早期激素应答型乳腺癌的绝经后妇女的疗法中39。然而,仍然不清楚芳香酶抑制剂和他莫昔芬的最佳组合和顺序,以及是否所有具有ER-阳性肿瘤的妇女都从这些药剂得到同样或不同的益处。临床相关的和生物学不同的 激素应答型乳腺肿瘤表型的阐明可帮助促进这种疗法的优化,因为它们需要不同的治疗策略。
总之,使用基因组等级可以在多个数据集和微阵列平台之间以可重复的方式区分出具有ER-阳性乳腺癌的两个亚型。这在超过650个ER-阳性乳腺癌样品中得到验证。这些亚组在未全身地治疗的和只用他莫昔芬治疗的群体中具有统计学上不同的临床后果。在临床试验中通过亚型的层次划分可提供关于对这些亚组所进行的内分泌疗法、化学疗法和生物制剂的可能不同的效果的重要信息。对这些不同表型的集中生物学研究可导致鉴定出分开的且不同的治疗靶标。
本文所鉴定的基因可用于产生能基于样品中所鉴定的基因的表达来预测未知乳腺细胞样品的乳腺癌等级的模型。可通过任何一种本文描述或者本领域熟知以及认为等价的算法,使用本文公开的基因(及其子集)来产生这样的模型,以用于鉴别某一未知的或可疑的乳腺癌样品是正常的还是处于一个或多个阶段和/或等级的乳腺癌。该模型提供了一种用于比较来自样品的子集的基因的表达谱与用于构建该模型的参照数据谱的手段。该模型可针对每一个参照谱或针对定义基于所述参照谱产生的图形的模型来比较样品谱。另外,来自样品谱的相对值可用于与该模型或参考谱进行比较。
在本发明的一个优选实施方案中,可就它们的用于产生该模型的基因的表达谱来分析来自同一受试者的、被鉴定为正常的和不正常的和/或非典型的乳腺细胞样品。这提供了一种基于与正常样品的表达谱的相对差异来鉴定异常样品的阶段的有利手段。然后,这些差异能用于比较正常和个体异常参照数据(也用于产生该模型)之间的差异。样品中基因表达的检测可通过利用能够测定基因表达的单个微阵列来进行。为了方便和准确起见,分析这样的数据的方法来自本文公开的所有成对比较。
本发明的其他用途包括提供这样的能力,即鉴定乳腺癌细胞样品为具有特定阶段和/或等级的癌症的样品以用于进一步调查或研究。这在许多需要基于客观的遗传或分子的标准而不是细胞学的观测结果来鉴定乳腺癌阶段和/或等级的情形下提供了特别的优点。这特别可用于区分不同等级的特定乳腺癌阶段以用于进一步研究、调查或表征。
本发明方法中所使用的材料理想地适于制备依照众所周知的程序进行制造的试剂盒。因此,本发明提供了试剂盒,其包含用于检测所公开的基因的表达 以鉴定乳腺癌阶段。提供了这样的试剂盒,其任选地包含所述药剂以及鉴定描述或标签或者涉及它们在本发明方法中的使用的说明书。这样的试剂盒可包括容器,每个具有该方法中使用的各种试剂中的一种或多种(通常以浓缩形式),包括例如预制的微阵列、缓冲剂、适当的三磷酸核苷(例如dATP、dCTP、dGTP和dTTP;或rATP、rCTP、rGTP和UTP)、逆转录酶、DNA聚合酶、RNA聚合酶以及一种或多种本发明的引物复合物(例如适当长度的poly(T)或与和RNA聚合酶起作用的启动子相关的随机引物)。通常还包括一套说明书。
本发明提供的方法也可以完全或部分自动化。还可以如此实施本发明的所有方面,即使得它们基本上由所公开的基因的子集组成以排除在包含细胞的样品中与乳腺癌阶段的鉴定不相干的材料。
用于执行本发明的整个系统或部分的示例性系统可包括计算机形式的通用目的计算装置,其包括处理单元、系统存储器和连接各种不同系统组成部分(包括系统存储器至处理单元)的系统总线。系统存储器可包括只读存储器(ROM)和随机存储器(RAM)。所述计算机还可包括用于对磁性硬盘进行读写的磁性硬盘驱动器,用于对可移动磁盘进行读写的磁盘驱动器,和用于对可移动光盘例如CD ROM或其他的光学介质进行读写的光盘驱动器。驱动器及它们的相关的机器可读介质提供了计算机可执行指令、数据结构、程序模块及其他用于计算机的数据的非易失性存储。
本发明的实施方案可在利用逻辑连接至一个或多个具有处理器的远程计算机的网络环境中实施。逻辑连接可包括局域网(LAN)和广域网(WAN),其在本文中作为例子列出但不限于此。这样的连网环境在办公室范围或企业范围的计算机网络、内部网和国际互联网中是常见的,并可使用各式各样不同的通信协议。本领域技术人员将会意识到,这样的网络计算环境将会通常包含许多类型的计算机系统配置,包括个人电脑、便携式器材、多处理器系统、基于微处理器或可编程的消费电器、网络PCs、小型计算机、大型计算机等等。本发明的实施方案可在分布式计算环境中实施,在所述分布式计算环境中通过经通信网络(或者经硬线联系,或者经硬线或无线联系)进行连接的局部和远程处理装置来执行任务。在分布式计算环境中,程序模块可位于局部和远程存储器存储设备中。
根据本发明描述了本发明的不同实施方案。可以对本文描述和举例说明的 技术和结构进行许多修改和变化,而不背离本发明的精神和范围。因此,应当理解,本文描述的设备仅仅是举例说明性的,而并不限制本发明的范围。
表3:在等级3肿瘤中上调的基因
表3续
表3续
表3续
表3:在等级1肿瘤中上调的基因
表3续
表3:在等级3肿瘤中上调的基因
表3续
表3续
表3续
表3:在等级1肿瘤中上调的基因
表3续
表4:乳腺癌预后标记物的单变量和多变量分析(N=417*)
*仅在所有变量中具有完整信息的患者被包括在多变量分析中(N=208)
表5:乳腺癌预后标记物的单变量和多变量分析(N=249*)
*仅在所有变量中具有完整信息的患者被包括在多变量分析中
基于Cox回归,根据数据集的分层次
参考文献
1.Elston CW,Ellis IO.Pathological prognostic factors inbreast cancer.I.The value of histological grade in breastcancer:experience from a large study with long-termfollow-up.Histopathology 1991;19(5):403-10.
2.Elston CW,Ellis IO.Pathological prognostic factors inbreast cancer.I.The value of histological grade in breastcancer:experience from a large study with long-termfollow-up.C.W.Elston & I.O.Ellis.Histopathology 1991;19;403-410.Histopathology 2002;41(3A):151.
3.Galea MH,Blamey RW,Elston CE,Ellis IO.TheNottingham Prognostic Index in primary breast cancer.Breast Cancer Res Treat 1992;22(3):207-19.
4.Paik S,Shak S,Tang G,Kim C,Baker J,Cronin M,etal.A multigene assay to predict recurrence of tamoxifen-treated,node-negative breast cancer.N Engl J Med2004;351(27):2817-26.
5.Robbins P,Pinder S,de Klerk N,Dawkins H,Harvey J,Sterrett G,et al.Histological grading of breastcarcinomas:a study of interobserver agreement.Hum Pathol1995;26(8):873-9.
6.Hopton DS,Thorogood J,Clayden AD,MacKinnon D.Observer variation in histological grading of breastcancer.Eur J Surg Oncol 1989;15(1):21-3.
7.Theissig F,Kunze KD,Haroske G,Meyer W.Histologicalgrading of breast cancer.Interobserver,reproducibilityand prognostic significance.Pathol Res Pract1990;186(6):732-6.
8.Fitzgibbons PL,Page DL,Weaver D,Thor AD,Allred DC,Clark GM,et al.Prognostic factors in breast cancer.College of American Pathologists Consensus Statement 1999.Arch Pathol Lab Med 2000;124(7):966-78.
9.Singletary SE,Allred C,Ashley P,Bassett LW,Berry D,Bland KI,et al.Revision of the American Joint Committeeon Cancer staging system for breast cancer.J Clin Oncol2002;20(17):3628-36.
10.Perou CM,Sorlie T,Elsen MB,van de Rijn M,JeffreySS,Ross CA,et al.Molecular portraits of human breasttumours.Nature 2000;406:747-52.
11.Sorlie T,Perou CM,Tibshirani R,Aas T,Geisler S,Johnsen H,et al.Gene expression patterns of breastcarcinomas distinguish tumour subclasses with clinicalimplications.Proc Natl Acad Science 2001;98(19):10869-74.
12.Sorlie T,Tibshirani R,Parker J,Hastie T,Marron JS,Nobel A,et al.Repeated observation of breast tumoursubtypes in independent gene expression data sets.ProcNatl Acad Science 2003;100(14):8418-23.
13.Sotiriou C,Neo SY,McShane LM,Korn EL,Long PM,Jazaeri A,et al.Breast cancer classification andprognosis based on gene expression profiles from apopulation-based study.Proc Natl Acad Sci U S A2003;100(18):10393-8.
14.van de Vijver MJ,He YD,van′t Veer LJ,Dai H,Hart AA,Voskuil DW,et al.A gene-expression signature as apredictor of survival in breast cancer.N Engl J Med2002;347(25):1999-2009.
15.Irizarry RA,Hobbs B,Collin F,Beazer-Barclay YD,Antonellis KJ,Scherf U,et al.Exploration,normalization,and summaries of high density oligonucleotide array probelevel data.Biostatistics 2003;4(2):249-64.
16.Hedges L,Olsen I.Statistical methods for meta-analysis:Academic Press,London;1985.
17.Korn EL,Troendle J,McShane LM,Simon R.Controllingthe number of false discoveries:application to highdimensional genomic data.J Statist Plann Inference2004;124:379-398.
18.Praz V,Jagannathan V,Bucher P.CleanEx:a database ofheterogeneous gene expression data based on a consistentgene nomenclature.Nucleic Acids Res 2004;32(Databaseissue):D542-7.
19.Ma XJ,Salunga R,Tuggle JT,Gaudet J,Enright E,McQuary P,et al.Gene expression profiles of human breastcancer progression.Proc Natl Acad Sci U S A2003;100(10):5974-9.
20.van′t Veer LJ,Dai H,van de Vijver MJ,He YD,HartAA,Mao M,et al.Gene expression profiling predictsclinical outcome of breast cancer.Nature2002;415(6871):530-6.
21.Wang Y,Klijn J,Zhang Y,Sieuwerts A,Look MP,AtkinsD,et al.Gene-expression profiles to predict distantmetastasis of lymph-node-negative primary breast cancer.Lancet 2005;365:671-79.
22.Ein-Dor L,Kela I,Getz G,Givol D,Domany E.Outcomesignature genes in breast cancer:is there a unique set?Bioinformatics 2004;21(2):171-8.
23.Michiels S,Koscielny S,Hill C.Prediction of canceroutcome with microarrays:a multiple random validationstrategy.Lancet 2005;365(9458):488-92.
24.Jenssen TK,Hovig E.Gene-expression profiling inbreast cancer.Lancet 2005;365(9460):634-5.
25.Sorlie T,Tibshirani R,Parker J,Hastie T,Marron JS,Nobel A,Deng S,O′Brown P,Borresen-Dale AL,Botstein D.Proc Natl Acad Science.2003;100:8418-23.
26.Dai H,van′t Veer L,Lamb J,He YD,Mao M,Fine BM,Bernards R,van de Vijver M,Deutsch P,Sachs A,StoughtonR,Friend S.Cancer Res.2005;65:4059-66.
27.Sorlie T.Eur J Cancer.2004;40:2667-75.
28.Eisen MB,Spellman PT,Brown PO,Botstein D.Proc NatlAcad Sci U S A.1998;95:14863-8.
29.Therneau TM,Grambasch PM.Modeling Survival Data:Extending the Cox Model″.In;2000.
30.Loi S,Piccart MJ,Desmedt C,Haibe-Kains B,Harris A,Tutt A,Sotiriou C.Prediction of early distant relapses ontamoxifen in early-stage breast cancer (BC).Proc Am SocClin Oncol.2005;23:6s.
31.Clarke R,Liu MC,Bouker KB,Gu Z,Lee RY,Zhu Y,SkaarTC,Gomez B,O′Brien K,Wang Y,Hilakivi-Clarke LA.Oncogene.2003;22:7316-39.
32.Wilcken NR,Prall OW,Musgrove EA,Sutherland RL.ClinCancer Res.1997;3:849-54.
33.Baum M,Buzdar A,Cuzick J,Forbes J,Houghton J,Howell A,Sahmoud T.Cancer.2003;98:1802-10.
34.Boccardo F,Rubagotti A,Puntoni M,Guglielmini P,Porpiglia M,Mesiti M,Rinaldini M,Paladini G,Distante V,Franchi R.American Societyof Clinical Oncology.Orlando,Florida abstract(526);2005.
35.Goss PE,Ingle JN,Martino S.Proc Am Soc Clin Oncol.2004;22:88s.
36.Coombes RC,Hall E,Gibson LJ,Paridaens R,Jassem J,Delozier T,Jones SE,Alvarez I,Bertelli G,Ortmann O,Coates AS,Bajetta E,Dodwell D,Coleman RE,FallowfieldLJ,Mickiewicz E,Andersen J,Lonning PE,Cocconi G,Stewart A,Stuart N,Snowdon CF,Carpentieri M,MassiminiG,Bliss JM.N Engl J Med.2004;350:1081-92.
37.Jakesz R,Jonat W,Gnant M,Mittlboeck M,Greil R,Tausch C,Hilfrich J,Kwasny W,Menzel C,Samonigg H,Seifert M,Gademann G,Kaufmann M,Wolfgang J.Lancet.2005;366:455-62.
38.Effects of chemotherapy and hormonal therapy for earlybreast cancer on recurrence and 15-year survival:anoverview of the randomised trials.Lancet.2005;365:1687-717.
39.Winer EP,Hudis C,Burstein HJ,Wolff AC,Pritchard KI,Ingle JN,Chlebowski RT,Gelber R,Edge SB,Gralow J,Cobleigh MA,Mamounas EP,Goldstein LJ,Whelan TJ,PowlesTJ,Bryant J,Perkins C,Perotti J,Braun S,Langer AS,Browman GP,Somerfield MR.J Clin Oncol.2005;23:619-29.
Claims (12)
1.基因集,其包括至少4个选自下列的基因:在表3中被标示为“在等级3乳腺肿瘤中上调的基因”的基因。
2.根据权利要求1的基因集,其中所述基因是增殖相关基因。
3.根据权利要求2的基因集,其中所述基因集包括5个增殖相关基因。
4.根据前述权利要求1-3中任一项的基因集,其中所述基因选自UBE2C、KPNA2、TPX2、FOXM1、STK6、CCNA2、BIRC5、MYBL2。
5.根据前述权利要求1-4中任一项的基因集,其进一步包括至少4个选自下列的基因:在表3中被标示为“在等级1乳腺肿瘤中上调的基因”的基因。
6.根据前述权利要求中任一项的基因集,其中所述基因序列以阵列形式结合至固相支持物表面。
7.包含根据前述权利要求1-6中任一项的基因集的诊断试剂盒。
8.根据权利要求7的试剂盒,其进一步包括用于实时PCR分析的工具。
9.根据权利要求7或8的试剂盒,其是计算机化系统,包括:
(a)生物分析模块,其被设置为用于基于根据前述权利要求1-6中任一项的基因集来检测乳腺肿瘤样品的基因表达;和
(b)处理器模块,其被设置为用于基于基因表达来计算基因表达等级指数(GGI)或复发得分(RS)并且产生对于乳腺肿瘤样品的风险评估。
10.包含根据前述权利要求1-6中任一项的基因集的装置,所述装置是计算机化系统,包括:
(a)生物分析模块,其被设置为用于基于所述基因集来检测乳腺肿瘤样品的基因表达;和
(b)处理器模块,其被设置为用于基于基因表达来计算基因表达等级指数(GGI)或复发得分(RS)并且产生对于乳腺肿瘤样品的风险评估。
11.他莫昔芬在制备用于治疗低风险雌激素受体阳性乳腺癌的药物中的用途或者除了他莫昔芬外的备选的内分泌疗法、化学疗法或靶向的抗癌疗法在制备用于治疗高风险雌激素受体阳性乳腺癌的药物中的用途,其中通过测量获得自乳腺癌患者的肿瘤样品中的基因表达来计算乳腺癌的风险,并且其中所测量的基因包括或相应于根据权利要求1-6中任一项的基因集。
12.根据权利要求11的用途,其中所述乳腺癌为组织学等级HG2。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US68054305P | 2005-05-13 | 2005-05-13 | |
US60/680,543 | 2005-05-13 | ||
EP05447274 | 2005-12-07 | ||
EP05447274.1 | 2005-12-07 | ||
PCT/BE2006/000051 WO2006119593A1 (en) | 2005-05-13 | 2006-05-15 | Gene-based algorithmic cancer prognosis |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101356532A CN101356532A (zh) | 2009-01-28 |
CN101356532B true CN101356532B (zh) | 2012-08-01 |
Family
ID=36061623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800164096A Expired - Fee Related CN101356532B (zh) | 2005-05-13 | 2006-05-15 | 基于基因的算法型癌症预后 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP1880335A1 (zh) |
JP (1) | JP2008539737A (zh) |
CN (1) | CN101356532B (zh) |
AU (1) | AU2006246241A1 (zh) |
CA (1) | CA2608643A1 (zh) |
WO (1) | WO2006119593A1 (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030198972A1 (en) | 2001-12-21 | 2003-10-23 | Erlander Mark G. | Grading of breast cancer |
US9856533B2 (en) | 2003-09-19 | 2018-01-02 | Biotheranostics, Inc. | Predicting breast cancer treatment outcome |
US20080275652A1 (en) * | 2005-05-13 | 2008-11-06 | Universite Libre De Bruxelles | Gene-based algorithmic cancer prognosis |
US20080286273A1 (en) * | 2007-05-02 | 2008-11-20 | Siemens Medical Solutions Usa, Inc. | Knowledge-Based Proliferation Signatures and Methods of Use |
US7960114B2 (en) | 2007-05-02 | 2011-06-14 | Siemens Medical Solutions Usa, Inc. | Gene signature of early hypoxia to predict patient survival |
CN102395682B (zh) * | 2007-09-06 | 2015-09-30 | 生物治疗诊断股份有限公司 | 肿瘤分级和癌症预后 |
AU2008294687A1 (en) | 2007-09-07 | 2009-03-12 | Universite Libre De Bruxelles | Methods and tools for prognosis of cancer in ER- patients |
CA2695814A1 (en) * | 2007-09-07 | 2009-04-23 | Universite Libre De Bruxelles | Methods and tools for prognosis of cancer in her2+ patients |
WO2009103790A2 (en) | 2008-02-21 | 2009-08-27 | Universite Libre De Bruxelles | Method and kit for the detection of genes associated with pik3ca mutation and involved in pi3k/akt pathway activation in the er-positive and her2-positive subtypes with clinical implications |
JPWO2009113495A1 (ja) * | 2008-03-12 | 2011-07-21 | 財団法人ヒューマンサイエンス振興財団 | 肝癌特異的発現遺伝子による肝癌の検査方法並びに肝癌の治療及び予防剤 |
ES2595410T3 (es) * | 2009-01-07 | 2016-12-29 | Myriad Genetics, Inc. | Biomarcadores de cáncer |
US20120041274A1 (en) | 2010-01-07 | 2012-02-16 | Myriad Genetics, Incorporated | Cancer biomarkers |
CA2782620A1 (en) * | 2009-12-01 | 2011-06-09 | Compendia Bioscience, Inc. | Classification of cancers |
BR112012019640A2 (pt) * | 2010-02-05 | 2017-06-20 | Translational Genomics Res Inst | métodos e kits usados na classificação de carcinoma adrenocortical |
KR101864855B1 (ko) * | 2010-03-31 | 2018-07-13 | 지피돈 디아그노스틱스 게엠베하 | 내분비 치료 중 유방암 재발 예측 방법 |
EP2591126B1 (en) | 2010-07-07 | 2020-12-30 | Myriad Genetics, Inc. | Gene signatures for cancer prognosis |
WO2012030840A2 (en) | 2010-08-30 | 2012-03-08 | Myriad Genetics, Inc. | Gene signatures for cancer diagnosis and prognosis |
EP2648762B1 (en) | 2010-12-09 | 2018-02-21 | Biotheranostics, Inc. | Post-treatment breast cancer prognosis |
US20140228241A1 (en) | 2011-07-28 | 2014-08-14 | Sividon Diagnostics Gmbh | Method for predicting the response to chemotherapy in a patient suffering from or at risk of developing recurrentbreast cancer |
JP2013219629A (ja) | 2012-04-10 | 2013-10-24 | Sony Computer Entertainment Inc | 情報処理装置および録画機器選択方法 |
US10408846B2 (en) * | 2012-05-15 | 2019-09-10 | Novartis Ag | Quantitative methods and kits for providing reproducible IHC4 scores |
EP4190918A1 (en) | 2012-11-16 | 2023-06-07 | Myriad Genetics, Inc. | Gene signatures for cancer prognosis |
WO2014118333A1 (en) | 2013-02-01 | 2014-08-07 | Sividon Diagnostics Gmbh | Method for predicting the benefit from inclusion of taxane in a chemotherapy regimen in patients with breast cancer |
CN103205433B (zh) * | 2013-04-03 | 2014-06-04 | 复旦大学附属肿瘤医院 | 用于肺癌预后的基因及其应用 |
KR101636995B1 (ko) * | 2014-02-05 | 2016-07-21 | 연세대학교 산학협력단 | 도메인 특이적인 계통발생학적 프로파일 유사성을 이용한 유전자 네트워크의 개선 방법 |
CA2947624A1 (en) | 2014-05-13 | 2015-11-19 | Myriad Genetics, Inc. | Gene signatures for cancer prognosis |
DK3303618T3 (da) * | 2015-05-29 | 2019-12-16 | Koninklijke Philips Nv | Fremgangsmåder til prognose af prostatacancer |
CN106442991B (zh) * | 2015-08-06 | 2018-07-27 | 中国人民解放军军事医学科学院生物医学分析中心 | 用于预测肺腺癌患者预后及判断辅助化疗获益的系统 |
MX2018005867A (es) | 2015-11-13 | 2018-09-21 | Biotheranostics Inc | Integracion de las caracteristicas tumorales con el indice de cancer de mama. |
WO2017189976A1 (en) | 2016-04-29 | 2017-11-02 | Board Of Regents, The University Of Texas System | Targeted measure of transcriptional activity related to hormone receptors |
CN107326065B (zh) * | 2016-04-29 | 2022-07-29 | 博尔诚(北京)科技有限公司 | 一种基因标识物的筛选方法及其应用 |
WO2019051266A2 (en) | 2017-09-08 | 2019-03-14 | Myriad Genetics, Inc. | METHOD OF USING BIOMARKERS AND CLINICAL VARIABLES TO PREDICT THE INTEREST OF CHEMOTHERAPY |
CN108648826B (zh) * | 2018-05-09 | 2022-04-15 | 中国科学院昆明动物研究所 | 一种基于多基因表达特征谱的胰腺癌个性化预后评估方法 |
CN108424970B (zh) * | 2018-06-13 | 2021-04-13 | 深圳市颐康生物科技有限公司 | 用于检测癌症复发风险的生物标志物及检测方法 |
CN112760384B (zh) * | 2021-04-06 | 2021-06-25 | 臻和(北京)生物科技有限公司 | 一种胰腺癌预后判定方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030198972A1 (en) * | 2001-12-21 | 2003-10-23 | Erlander Mark G. | Grading of breast cancer |
GB0323225D0 (en) * | 2003-10-03 | 2003-11-05 | Ncc Technology Ventures Pte Lt | Materials and methods relating to breast cancer classification |
-
2006
- 2006-05-15 WO PCT/BE2006/000051 patent/WO2006119593A1/en not_active Application Discontinuation
- 2006-05-15 AU AU2006246241A patent/AU2006246241A1/en not_active Abandoned
- 2006-05-15 CA CA002608643A patent/CA2608643A1/en not_active Abandoned
- 2006-05-15 JP JP2008510367A patent/JP2008539737A/ja active Pending
- 2006-05-15 EP EP06752698A patent/EP1880335A1/en not_active Ceased
- 2006-05-15 CN CN2006800164096A patent/CN101356532B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
PAIK S,ET AL.A MULTIGNE ASSAY TO PREDICT RECURRENCE OF TAMOXIFEN-TREATED,NODE-NEGATIVE BREAST CANCER.<<NEW ENGLAND JOURNAL OF MEDICINE>>.2004,第351卷(第27期),2817-2826. * |
Also Published As
Publication number | Publication date |
---|---|
AU2006246241A1 (en) | 2006-11-16 |
JP2008539737A (ja) | 2008-11-20 |
EP1880335A1 (en) | 2008-01-23 |
CA2608643A1 (en) | 2006-11-16 |
CN101356532A (zh) | 2009-01-28 |
WO2006119593A1 (en) | 2006-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101356532B (zh) | 基于基因的算法型癌症预后 | |
US10697975B2 (en) | Methods for identifying, diagnosing, and predicting survival of lymphomas | |
Paquet et al. | Absolute assignment of breast cancer intrinsic molecular subtype | |
CN103502473B (zh) | 胃肠胰神经内分泌肿瘤(gep-nen)的预测 | |
Calza et al. | Intrinsic molecular signature of breast cancer in a population-based cohort of 412 patients | |
CN103299188B (zh) | 用于癌症的分子诊断试验 | |
US20080275652A1 (en) | Gene-based algorithmic cancer prognosis | |
US9447470B2 (en) | Tumor grading and cancer prognosis | |
Dumur et al. | Interlaboratory performance of a microarray-based gene expression test to determine tissue of origin in poorly differentiated and undifferentiated cancers | |
US20150376710A1 (en) | Methods of evaluating response to cancer therapy | |
Alizart et al. | Molecular classification of breast carcinoma | |
Alsaleem et al. | A novel prognostic two-gene signature for triple negative breast cancer | |
US9721067B2 (en) | Accelerated progression relapse test | |
CN104769131A (zh) | 用于在肝细胞癌中预后整体存活和无复发存活的方法 | |
EP3964589A1 (en) | Assessing colorectal cancer molecular subtype and uses thereof | |
Rossing et al. | Molecular subtyping of breast cancer improves identification of both high and low risk patients | |
Dancik et al. | A 20 gene model for predicting nodal involvement in bladder cancer patients with muscle invasive tumors | |
Warren et al. | Development of Gene Expression-Based Biomarkers on the nCounter® Platform for Immuno-Oncology Applications | |
Fu et al. | Transcriptomic signatures in breast cancer | |
Chorlton et al. | A program to identify prognostic and predictive gene signatures | |
Einert et al. | P1. 01 Identification of Prognostic Factors Using Image Analysis of HER2 Expression by Immunohistochemistry in Adenocarcinoma of the Oesophagogastric Junction | |
Liu | Molecular Profiling in Breast Cancer and Toxicogenomics | |
Paquet | Towards individualized assessment of patient benefit from treatment and prognosis in breast cancer | |
KR20080064725A (ko) | 유전자-베이스 알고리즘적 암 예후 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1127413 Country of ref document: HK |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: WD Ref document number: 1127413 Country of ref document: HK |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120801 Termination date: 20150515 |
|
EXPY | Termination of patent right or utility model |