CN102473202B - 用于预测药物在患者中的疗效的方法 - Google Patents

Abstract

本发明涉及用于预测治疗个体内的肿瘤的多个药物的相对疗效的方法，其包括肿瘤的分子表征和多个药物的评分的计算，所述计算主要基于失调靶基因的百分比。

Description

用于预测药物在患者中的疗效的方法

技术领域

本发明涉及医药领域，特别是癌症治疗的个性化医疗。

背景技术

对于癌症患者的治疗主要基于必须按照标准方案使用的手术、放疗和化疗。治愈性手术包括所有肿瘤的切除。但是，这并不是总可以保证在切除可观测的肿瘤后不存在任何残留病灶，甚至是有经验的手术者也不能做到。这是通常将手术与放疗和/或化疗结合使用的原因。可以用化疗和/或放疗可以作为新辅助治疗或辅助治疗，或者在不可以手术时单独使用。当肿瘤太大并且在手术前需要缩小时通常使用新辅助治疗。辅助化疗用于治疗残留肿瘤病灶并且抑制原位复发或转移性复发。当肿瘤被检测到处于不可手术的阶段时，则其治疗仅基于化疗和/或放疗。在这种情况下极少使用手术，并且具有消极目的。

在任何情况下，选择化疗总是引发下列问题：什么药物或药物组合适合于这种类型的癌症？对于这个患者最适合的治疗策略是什么？用所选择的药物获得治疗益处的机会如何？

目前的医疗实践在于按照现有的治疗方案治疗患者。在大多数情况下，治疗方案的选择是基于解剖病理和临床数据，这些方案适用于第一线、第二线甚至第三线治疗。当治疗失败时，或者对于转移阶段，某些患者进入临床试验，该临床实验通常使用宽泛的选择标准初步界定患者的原发肿瘤的位置、疾病的延伸、生活机能状况和所试验药物的某些具体的禁忌症。

无论任何治疗方法(标准的或临床实验)，只有部分被治疗的群体从治疗中受益，而其余患者不应答并且甚至在治疗中显示出疾病进展。

为了改善这种状况，多年以来，医生和研究人员试图鉴定用于预测对于给定患者的疗效的标记，并试图使治疗能适应于每个患者。因此个性化医疗的理念在于根据肿瘤的解剖病理、临床特征特别是生物学特征改变治疗决定。

已知的若干实例没有表现出对癌症患者有用的解决方案。

第一种方法被称为“检测伴侣(test-companion)”分析，其第一次被用于曲妥珠单抗，该单抗靶向Her2/Neu受体。对于乳腺癌，仅在观测到这个受体的扩增/过表达时施用该药物。但是，过表达不保证治疗应答。例如，Akt途径的活化可以解释对的一些抗性。联合mTOR抑制剂(靶向Akt途径)可以恢复对Herceptin的敏感性。然而，对于某些患者来说，在没有受体扩增存在的情况下观测到治疗益处。

Her2受体的表达水平的测定是检测伴侣的第一个实例，并且大部分制药公司和研究人员正试图复制这个被认为是第一例个性化医疗的模型。以下实例涉及说明对于可以受益于给定药物的患者的选择原理：

■EGFR受体的突变或扩增与厄洛替尼/吉非替尼；

■突变c-Kit/PDGFRa与伊马替尼；

■Bcr-Abl的易位与伊马替尼；

■HER2的扩增与HER2抑制剂；

■TOP2A的扩增与蒽环类药物；

■PTEN的缺失与mTOR抑制剂；

■FGFRl的扩增与FGFRl抑制剂；

■ERCCl阴性治疗与铂盐；

■RAS突变与结肠癌的治疗；

■等…

在乳腺癌的情况下，诸如(Agendia公司开发)或(GenomicHealth公司)检测的预后分子标签是有效的。这些标签被用于测定是否需要辅助化疗。但是，虽然这些检测使得可以决定辅助化疗的需要，但它们并不可以选择最优疗法。

简而言之，个性化医疗的观念相当于用生物学标准选择患者从而增加对给定治疗的响应几率。目前，这些检测伴侣更多用于靶向疗法的治疗，并且使得可以选择可能受益于给定治疗的患者，而不是选择对于给定患者的最优疗法。与迄今为止所提出的其它标记相比这是主要的原理差异，其构成本发明的主要目的。

基因拷贝数强烈变化幅度(扩增或缺失)的异常改变基因表达水平。这种基因失调的机理涉及许多癌症的发生。在大约30％肺癌中发现EGFR基因的扩增。在该相同病变中，在扩增情况下EGFR的抑制剂与显著的疗效相关。相似地，在大约25％的神经母细胞瘤中MYCN被扩增，并且若干研究表明在这种病变中该异常的预后值。在诸如HER、PTEN、PUTS等其它类型肿瘤中，其它原癌基因/抑癌基因(肿瘤抑制基因)经常被扩增/缺失。

乳腺癌表现出高频率的染色体畸变。在10％至20％的病例中HER2(ErbB2)基因被扩增。该扩增与Her2蛋白质的超表达有关，并且参与肿瘤转化。基于靶向该异常的治疗策略在HER2阳性的乳腺癌患者中显示出益处。此外，在约7％的乳腺癌中，编码拓扑异构酶II的基因被扩增，该扩增与对蒽环类药物的优良敏感性有关，其中蒽环类药物是靶向拓扑异构酶II的一类药物。在乳腺癌中常常观察到其它异常。在10％的病例中，A1B1基因被扩增，并且通过用IGFR活化AKT而导致癌症发生。在10％的病例中，FGF1R基因被扩增。在体外用酪氨酸激酶抑制剂靶向该蛋白质导致细胞增值的减少。类似地，可以分别用靶向EGFR、IGF1R或者mTOR的分子治疗EGFR、IGF1R基因的扩增或者PTEN的缺失。

在科技文献中，某些研究，包括A.Potti等人的研究，提出了基于分析基因表达，主要是细胞毒作用的药物疗效的预测，其中所分析的基因从公知细胞系(panelNCI60)的实验中选出。这些数据允许鉴别与对每个被测分子的应答有关的表达谱，并且该预测被转用到人类肿瘤。但是，如果该方法通过分子预测认可分子，其不允许针对给定患者比较各分子的疗效从而选择最佳药物。此外，本领域技术人员知道体外模式对于进行体内预测的限制。这些方法倾向于扩充对于给定化疗的患者群，而不是基于内在的肿瘤特征对给定患者选择靶向的个性化治疗。

但是，在癌症治疗中合适的化疗选择是关键问题。事实上，大部分化疗具有很显著的副作用和错误选择(即没有任何治疗益处的治疗)可能导致癌症发展。

迄今为止，没有对患有癌症的给定个体有效选择最佳治疗策略的标记。因此，在癌症治疗领域对于允许为给定个体选择最适合的化疗策略的个性化医疗方法存在着强烈的需求。

发明概述

本发明涉及用于预测治疗患者癌症的多个药物的相对疗效的方法，其包括：

-表征来自患者的肿瘤或转移瘤样品与来自同一患者的正常样品相比的分子异常，从而测定肿瘤中的失调基因；

-针对多个药物中的每个药物提供含有靶基因的数据库；

-针对多个药物中的每个药物，主要基于在来自患者的肿瘤样品中每个药物的失调基因在靶基因中的百分比，确定一个评分，较高的值预示用于治疗患者肿瘤的药物的相对疗效较高。优选地，正常样品是原发肿瘤的正常相应组织。

尤其是，表征肿瘤样品的分子异常的步骤包括：确定在肿瘤与正常样品相比差异表达的基因，和/或测定基因拷贝数的增加或丢失，和/或检测基因突变的存在。优选地，表征肿瘤样品的分子异常的步骤包括：测定差异表达的基因的倍数变化(F)和/或基因拷贝数的增加或丢失，和任选地进一步测定差异表达的基因的基因转录强度(Int)。

优选地，在数据库中将针对每个药物的靶基因分类为主要靶基因(CM)、次要靶基因(Cm)和抗性基因(CR)。

在第一个实施方案中，用下列算法测定给定药物的评分(W)：

$W=\mathrm{Pz}\frac{\left({\mathrm{\Σ}}_C{F}_{c>2}\right)}{n_C{F}_{c>2}}$

其中

W是给定药物的评分；

P是在患者的肿瘤中失调的针对给定药物的靶基因的百分比；

z是与在给定药物的靶基因存在突变有关的任选的倍增系数；

Σ是总和；

Fc＞2是倍数变化大于2的针对给定药物的每个失调靶基因的倍数变化；

nC_Fc>2是指倍数变化大于2的针对给定药物的靶基因的数量。

优选地，Fc＞2是每个倍数变化大于2的针对给定药物的过表达靶基因的倍数变化，并且nC_Fc>2是倍数变化大于2的针对给定药物的靶基因的数量或倍数变化大于2的针对给定药物的过表达靶基因的数量。

在第二个实施方案中，用以下算法测定给定药物的评分(W)：

$W=P(\frac{\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{\left({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\right)}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3)$

其中W是给定药物的评分；

P是在患者的肿瘤中失调的针对给定药物的靶基因的百分比；

Σ是总和；

CM指针对给定药物的主要靶基因；

Cm指针对给定药物的次要靶基因；

CR指针对给定药物的抗性基因；

n1CM、n2Cm和n3CR分别是具有主要靶基因、次要靶基因和抗性基因的规定阈值的失调靶基因的数量；

F_CM、F_Cm和F_CR分别是高于主要靶基因、次要靶基因和抗性基因的规定阈值的每个基因的倍数变化；

q₁、q₂和q₃分别是主要靶基因、次要靶基因和抗性基因的任选的倍增系数；

z₁、z₂和z₃分别是与主要靶基因、次要靶基因和抗性基因中存在突变有关的任选的倍增系数。

在第三个实施方案中，用以下算法测定给定药物的评分(W)：

$W=\frac{P_{\mathrm{CM}}\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{P_{\mathrm{Cm}}\left({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\right)}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{P_{\mathrm{CR}}\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3$

其中W、Σ、CM、Cm、CR、F_CM、F_Cm、F_CR、q₁、q₂、q₃、z₁、z₂和z₃的含义与前面的算法相同，并且P_CM、P_Cm和P_CR分别是个体的肿瘤中针对给定药物的主要靶基因、次要靶基因和抗性基因的失调基因的百分比。

在第四个实施方案中，用以下算法之一测定给定药物的评分(W)：

$W=P(\frac{({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\×{\mathrm{Int}}_{\mathrm{Cm}})}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3)$

或者

$W=\frac{P_{\mathrm{CM}}({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{P_{\mathrm{Cm}}({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\×{\mathrm{Int}}_{\mathrm{Cm}})}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{P_{\mathrm{CR}}({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3$

其中，W、Σ、CM、Cm、CR、F_CM、F_Cm、F_CR、q₁、q₂、q₃、z₁、z₂和z₃、以及如果存在的话P_CM、P_Cm和P_CR的含义与前面的算法相同，并且Int_CM、Int_Cm和Int_CR分别是主要靶基因、次要靶基因和抗性基因的强度。

在第五个实施方案中，用以下算法之一测定给定药物的评分(W)：

$W=P(\frac{\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3)$

$W=\frac{P_{\mathrm{CM}}\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{P_{\mathrm{CR}}\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3$

或者

$W=P(\frac{({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3)$

或者

$W=\frac{P_{\mathrm{CM}}({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{P_{\mathrm{CR}}({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3$

其中W、Σ、CM、CR、F_CM、F_CR、q₁、q₃、z₁和z₃以及如果存在的话P_CM、P_CR、Int_CM和Int_CR的含义与前面的算法相同。

优选地，在第二个至第五个实施方案中，F_CM、F_Cm和F_CR是具有规定阈值的针对给定药物的每个过表达靶基因的倍数变化，并且n₁CM、n₂Cm和n₃CR是具有规定阈值的针对给定药物的靶基因的数量，或者具有规定阈值的针对给定药物的过表达靶基因的数量。更优选地，规定阈值是至少为2或高于2的倍数变化。

另外，在第二至第五个实施方案中，靶基因的倍增系数可以为：对主要靶基因(q₁)在10与1,000之间，对次要靶基因(q₂)在0.1与10之间，对抗性基因(q₃)在10与1,000之间。

此外，在第二至第五个实施方案中，与突变有关的倍增系数z₁、z₂和z₃在不存在突变时为1，并且按照突变的功能影响，其可以在10与1,000之间。

附图说明

图1：实施例1的患者在2005年10月的胸部扫描。

图2：实施例1的患者在2008年11月的胸部扫描。

图3：实施例1的患者在2009年4月的胸部扫描。

图4：实施例1的患者在2009年7月的胸部扫描。

图5：实施例3的患者在2010年1月和3月的胸部扫描。

发明详述

本发明提供了在个体水平选择最适合的疗法的新概念。药物选择是基于被治疗的个体的肿瘤相对于同一个体的正常样品的生物学特征。在主要基于针对每个药物的失调靶基因或microRNA的百分比的评分的基础上，可以为了治疗特定肿瘤而对于个体预测药物的相对疗效。

一般原理

本发明的目的在于在最佳治疗策略的选择水平。为了选择最合适的治疗策略，本发明的方法一方面将被治疗的肿瘤的生物数据作为整体考虑，在另一方面，本发明的方法考虑到多个药物，优选所有现有药物(注册的或者开发中的)。基于给定患者的被治疗的特定肿瘤的生物特征，测定针对每个药物评分。该评分可以将多种药物根据其潜在疗效按照降序排序。医生可以利用这些评分对给定对象选择最佳药物或药物组合。该方法构成本发明的基础，所述方法允许每个药物与取决于肿瘤的生物特征的评分关联。因此，本发明可以满足个性化医疗的当前需求。

本方法可以被用于注册药物和开发中的药物(例如临时授权使用或者临床试验)。

因此这样的概念在于在个体水平按照其肿瘤的内在特征而不是按照来自大量个体的总体结果来考虑患者的疗法选择。

本发明是基于下文详细描述的三个基本要点的结合，其中三个基本要点被结合到一起从而为患有癌症的每个个体优化策略选择：

-第一个要点相当于尽可能详尽地分析表征个体的给定肿瘤的生物或基因异常(扩增、缺失、突变、基因表达、microRNAs表达等)。

-第二个要点在于鉴别已知与药物有关的基因。

-第三个要点相当于在每个药物与在个体的被治疗肿瘤中所检测到的异常之间建立关联。考虑到肿瘤的特征和已知与药物有关的基因，已经确定了用于计算每个药物的评分的算法。

本发明的方法将可以指导疗法选择，因为可用的药物会被基于其评分排序，反映了其对于个体的给定肿瘤的潜在疗效。

本方法的一个优点是可以对个体预测多个药物的相对疗效，而不需要对该个体施用药物。多个药物是指至少或约10、20、30、40、50或100个不同药物。事实上，当一组药物可用于治疗时，不能设想对于患者尝试用每药物治疗。本方法允许考虑所有潜在治疗策略和最适合于患者的选择。

事实上，多个药物的评分允许测定用于所考虑个体的肿瘤治疗的多个药物的相对疗效。事实上，评分高于另一药物的药物被预测为具有较高的治疗肿瘤的效力。治疗是指药物可以停止或减缓肿瘤的生长，和/或减小肿瘤的大小甚至直至其消失。治疗目的也在于避免转移、复发或再度恶化。

本方法的另一个优点是其不依赖于肿瘤类型。本发明的方法可以被用于任何类型的癌症，包括血液肿瘤(如白血病、淋巴瘤)以及膀胱癌、乳腺癌、胃癌、甲状腺癌、前列腺癌、睾丸癌、肝癌、胰腺癌、骨癌、胰腺癌、肾癌、子宫内膜癌、黑色素瘤、肺癌、胃癌、大肠癌、前列腺癌、头部或颈部肿瘤、脑肿瘤、神经母细胞瘤和卵巢癌。

在优选的实施方案中，患者或个体是人类。

肿瘤表征

肿瘤表征相当于尽可能详尽地分析表征个体的给定肿瘤的生物或基因异常(扩增、缺失、突变、基因表达等)。尤其是，比较来自患者的肿瘤与同一患者的正常组织而测定异常。优选地，从相同类型的组织提供肿瘤样品和正常样品。对于肿瘤表征，若干技术是有效的并且可以组合使用。

第一种技术是基因分析。可以用CGH(比较基因组杂交)进行该分析，其中CGH使得可以比较同一个体的肿瘤DNA与正常DNA从而检测染色体畸变，即染色体丢失或增加。该技术是本领域技术人员公知的。作为该教导的示例，可以引用以下综述和参考书籍：Davies等(2005，ChromosomeResearch、13、237-248)。该技术也可以有助于鉴别易位。可以用冷冻活检或石蜡肿瘤材料轻易实施该技术。CGH的结果被表示为肿瘤材料中与正常组织中的拷贝数的比值。阈值0.5被公认为表示增加或丢失。该比值越高，异常水平越显著。因此显著异常可能在生物学水平具有重要的影响。但是染色体畸变只是代表基因表达异常的少部分来源。这就是为什么需要其它技术。CGH具有另外的优点，其证实了肿瘤活检或生物样品中肿瘤样品的存在，并且只要可以检测到畸变即可。

第二种允许功能基因组分析的技术相当于mRNA和microRNA的测定。通过比较肿瘤组织与相应的正常组织中的表达水平测定这些RNA的表达水平的变化。例如，在结肠腺癌的情况下，相应的正常组织是正常的结肠粘膜组织。该基因表达分析允许研究独立的失调或归因于染色体畸变的多个失调。实际上，基因的转化活性的调节是复杂的，并且涉及多水平调节：顺式/反式转录因子、启动子、染色质调节等。通常，所有失调(过表达或失表达)将肿瘤/正常比值至少考虑为为2。因此这个被称为“倍数变化”的阈值为＞2的正值或＜-2的负值。相同的概念适用于在基因的转录后调节中、因此对于蛋白质表达、具有重要作用的microRNAs。可以利用的技术包括Northern杂交、mRNA或cDNA微阵列、RT-PCT(尤其是定量RT-PCR)等。可以在mRNA水平或所编码的蛋白质水平测定转录水平。可以用Western印迹、免疫分析、蛋白质组工具或质谱评估蛋白质表达。

可以用基因突变情况分析补充CGH和RNA表达测定这两种分析。事实上，导致功能增加或丧失的突变的存在对于肿瘤生物学具有重要影响，其不总是与基因表达或基因拷贝数的变化有关。已知许多突变通过诱导增加敏感性或抗性而直接影响治疗活性。例如，EGFR的酪氨酸激酶结构域中的突变通常与对小分子抑制EGFR的敏感性有关，KRAS基因中的突变与对由单克隆抗体靶向EGFR的治疗的抗性有关。除突变情况外，也可以检测到一些SNP。事实上，SNP也可以与功能增加或丧失、药物的抗性或毒性有关。可以用本领域已知的任何方法测定突变情况，例如利用测序、微量测序或杂交。

总之，可以用高通量基因组技术以最详尽的可能方式表征来自被治疗个体的给定肿瘤的生物学异常。将各个肿瘤的实验数据汇总在基础文件中，该基础文件被用于实施允许计算各个药物的评分的算法。这些文件包括正常组织(强度1或I1)或肿瘤组织(强度2或I2)的基因拷贝数、突变、倍数变化或信号强度(与转录本数量或基因拷贝数成比例)。功能基因组分析允许同步测定覆盖全部基因组的44,000或更多(例如244,000)RNA序列。优选地，可以利用过滤保留比值或倍数变化高于或低于2并且平均强度I1和I2高于100个单位荧光(任意单位)的探针。

术语“分子异常”在本文指基因表达差异(mRNA、microRNA或蛋白质表达)、基因拷贝数的增加或丢失、或者突变的存在。

在本发明的具体实施方案中，用药物数据库的靶基因的表征取代肿瘤的详尽表征。在该实施方案中，可以制备具体的阵列从而测定数据库的所有靶基因的基因表达水平。

药物数据库

对于本发明的方法，需要提供数据库，该数据库具有针对数据库的每个药物的一列靶基因。如前所述，药物的靶基因可以是、而不限于、被记载参与药物作用机制、参与药物代谢、在有药物存在时具有修饰的基因表达、与药物抗性有关、与药物毒性相关的任何基因。为了识别与每个药物有关的基因，可以基于公共数据库(如CTD、DrugBank、PubMed等)中的研究建立该数据库。例如，可以基于用于选择药物和其分子靶(基因)的CTD(比较性毒性基因组数据库、http://ctd.mdibl.org/)数据建立该数据库，但限于人种(ID9606)。可以将这些数据与来自LocusLink(基因符号、RefSeqNM、基因描述)的基因信息交叉。最后，可以从可获得的出版物规范数据库中的各个药物/基因相互作用，从而确定相互作用的类型：一些正相互作用(靶、抗性、药物活化剂、药物载体、毒性逆转剂，…)、一些负相互作用(抗性、毒性、药物代谢、细胞凋亡、死亡，…)。

被鉴定的基因可以具有不同作用和重要性。因此，在优选的实施方案中，靶基因被分为三类：主要靶基因、次要靶基因和抗性基因。从公共数据(公开文献或数据库)鉴定这些基因及其在三个类别中的分类构成本发明的组成部分。主要靶基因是那些已经被证实与药物的作用机制有明确的因果或影响关系的靶基因。例如，HER2基因被认为是曲妥珠单抗的主要靶基因，VEGFA基因被认为是贝伐单抗的主要靶基因，等等。给定药物可以具有一个或多个主要靶基因。当已知药物仅在产生活性代谢物的时候变得有活性时，该类别也包括已知参与药物代谢的基因。次要靶基因是那些被发现在有药物存在时其调节水平被修饰的靶基因，其与药物作用机制没有直接关系。抗性基因包括已知诱导对药物的直接抗性的基因，但也包括与主要毒性有关的基因。例如，ERCC1基因是使用铂盐的抗性的靶基因。例如，一些细胞色素P450同工型与主要毒性有关。

在本发明的具体实施方案中，所考虑的靶基因仅可以属于以下两类：主要靶基因和抗性基因。

发明人已经建立了第一个药物数据库，并在表1中公开了该数据库。对于某些药物，靶基因已经被分类。

随着时间过去，通过将药物的靶基因分类，和/或通过增加新的药物、新的靶基因，和/或通过包括联合数据(例如药物与放疗的组合或者药物的组合)，可以扩增药物数据库。

药物数据库越完善，预测精确度越高。但是，只要准备好初步的数据库就可以实施预测药物的相对疗效的方法。

算法

已经确定了计算每个药物的评分的算法，其考虑了肿瘤的特征和已知与药物相关的基因。例如可以使用具体软件进行该计算，所述软件使用以R语言开发的脚本，并且允许测定频率和药物的靶基因的文件与整合了基因组分析数据的文件之间的关联，其中所述基因组分析数据由对个体肿瘤的生物学研究产生。

该算法可以考虑以下参数：

1)药物的靶基因失调的整体百分比。因此，将针对给定药物的一列靶基因与一列失调基因进行比较，从而确定该药物的失调基因百分比。例如，如果对于给定药物已经鉴定10个靶基因，并且对于给定肿瘤发现10个靶基因中的4个失调，那么该药物的失调基因百分比为40％。

2)用倍数变化(Fc)和平均强度(AvgInt)定义靶基因的失调程度和意义(例如过表达或失表达)。这些参数可以作为整体被定义针对靶基因，或者被定义为各个类别(例如，主要靶基因、次要靶基因和抗性靶基因)。

3)已知影响给定药物的靶基因中的突变的存在。

考虑被治疗患者的肿瘤特征，算法被用于计算数据库的每个药物的评分。

可以用于本方法的第一种基本算法如下：

$W=\mathrm{Pz}\frac{\left({\mathrm{\Σ}}_C{F}_{c>2}\right)}{n_C{F}_{c>2}}$

其中

W是给定药物的评分；

P是在个体的肿瘤中失调的针对给定药物的靶基因的百分比；

z是与靶基因存在突变相关的任选的倍增系数；

Σ是总和；

Fc＞2是倍数变化大于2的针对给定药物的每个失调靶基因的倍数变化；

nC_Fc>2是指倍数变化大于2的针对给定药物的靶基因的数量。

在该算法的具体实施方案中，Fc＞2是倍数变化大于2的针对给定药物的每个过表达靶基因的倍数变化，并且nC_Fc>2可以是指倍数变化大于2的针对给定药物的靶基因的数量，或倍数变化大于2的针对给定药物的过表达靶基因的数量。

当然，为了考虑靶基因的种类(例如主要靶基因、次要靶基因和抗性靶基因)，该算法可以更复杂，例如通过引入倍增系数。

这种更复杂的算法可以如下：

$W=P(\frac{\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{\left({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\right)}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3)$

其中

W是给定药物的评分；

P是在个体的肿瘤中失调的针对给定药物的靶基因的百分比；

Σ是总和；

CM是指针对给定药物的主要靶基因；

Cm是指针对给定药物的次要靶基因；

CR是指针对给定药物的抗性基因；

_n1CM、_n2Cm和_n3CR分别是具有规定阈值的主要靶基因、次要靶基因和抗性基因的失调靶基因的数量；

F_CM、F_Cm和F_CR分别是高于规定阈值的主要靶基因、次要靶基因和抗性基因的每个基因的倍数变化；

q₁、q₂和q₃分别是主要靶基因、次要靶基因和抗性基因的倍增系数；

z₁、z₂和z₃分别是与主要靶基因、次要靶基因和抗性基因中存在突变相关的任选的倍增系数。

例如，靶基因的倍增系数可以为：对于主要靶基因在10与1,000之间，对于次要靶基因在0.1与10之间，对于抗性基因在10与1,000之间。不包括其它倍增系数值。

在不存在突变时，与突变相关的倍增系数为1。例如，根据突变的功能影响，系数z可以在10与1,000之间。不包括其它与突变有关的倍增系数值。

在优选的实施方案中，规定的阈值是至少为2或高于2的倍数变化。但是，在本方法中不排除更低的阈值，因为倍数变化1.5对于某些基因可以是显著的。

在具体实施方案中，F_CM、F_Cm和F_CR可以是对于具有规定阈值的给定药物的每个过表达靶基因的倍数变化，并且_n1CM、_n2Cm和_n3CR可以指对于具有规定阈值的给定药物的靶基因的数量，或者对于具有规定阈值的给定药物的过表达靶基因的数量。

在可选的复杂算法中，公式可以如下：

$W=\frac{P_{\mathrm{CM}}\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{P_{\mathrm{Cm}}\left({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\right)}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{P_{\mathrm{CR}}\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3$

其中W、Σ、CM、Cm、CR、F_CM、F_Cm、F_CR、q₁、q₂、q₃、z₁、z₂和z₃的含义与前面的算法相同，并且P_CM、P_Cm和P_CR分别是在个体的肿瘤中失调的针对给定药物的主要靶基因、次要靶基因和抗性基因的基因百分比。

类似地，在优选的实施方案中，规定阈值是至少为2或大于2的倍数变化。但是，在本方法中不排除更低的阈值，因为倍数变化1.5对于某些基因可以是显著的。

在具体实施方案中，F_CM、F_Cm和F_CR可以是具有规定阈值的针对给定药物的每个过表达靶基因的倍数变化，并且_n1CM、_n2Cm和_n3CR可以指具有针对规定阈值的给定药物的靶基因的数量，或者具有针对规定阈值的给定药物的过表达靶基因的数量。

在具体实施方案中，该算法可以考虑平均强度或强度变化。该参数表示基因的转录水平。事实上，可以认为对于相同的倍数变化2，根据转录强度，基因失调可以具有不同的权数，例如200/100与200,000/100,000。

因此，更复杂的算法可以是以下之一：

$W=P(\frac{({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\×{\mathrm{Int}}_{\mathrm{Cm}})}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3)$

$W=P(\frac{({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1+\frac{({\mathrm{\Σ}}_{\mathrm{Cm}}{F}_{\mathrm{Cm}}\×{\mathrm{Int}}_{\mathrm{Cm}})}{n_2\mathrm{Cm}}{q}_2{z}_2-\frac{({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3)$

其中，W、Σ、CM、Cm、CR、F_CM、F_Cm、F_CR、q₁、q₂、q₃、z₁、z₂和z₃以及，如果存在的话，P_CM、P_Cm和P_CR的含义与前面的算法相同，并且Int_CM、Int_Cm和Int_CR分别是主要靶基因、次要靶基因和抗性基因的强度。“Int”可以是个体的肿瘤样品中基因转录的强度、肿瘤样品与正常样品之间的基因转录差异。

在另外的实施方案中，该方法可以主要靶基因和抗性基因为重点，而不考虑次要靶基因。在该实施方案中，算法可以是以下之一：

$W=P(\frac{\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3)$

$W=\frac{P_{\mathrm{CM}}\left({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\right)}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{P_{\mathrm{CR}}\left({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\right)}{n_3\mathrm{CR}}{q}_3{z}_3$

$W=P(\frac{({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3)$

$W=\frac{P_{\mathrm{CM}}({\mathrm{\Σ}}_{\mathrm{CM}}{F}_{\mathrm{CM}}\×{\mathrm{Int}}_{\mathrm{CM}})}{n_1\mathrm{CM}}{q}_1{z}_1-\frac{P_{\mathrm{CR}}({\mathrm{\Σ}}_{\mathrm{CR}}{F}_{\mathrm{CR}}\×{\mathrm{Int}}_{\mathrm{CR}})}{n_3\mathrm{CR}}{q}_3{z}_3$

其中W、Σ、CM、CR、F_CM、F_CR、q₁、q₃、z₁和z₃以及，如果存在的话，P_CM、P_CR、Int_CM和Int_CR的含义与前面的算法相同。

优选地，用两个模型验证被选择的算法：追溯模型(例如，已经进行化疗并且已知治疗应答的肿瘤)；和与评分有关的允许评估具体治疗的疗效的追溯模型。

在算法验证实验期间，可以改善一些变量，尤其是倍增系数、是否考虑平均强度、倍数变化的阈值。此外，在该步骤期间，可以确定使用CGH或功能基因组分析或者二者并用是否是优选的。

该方法还考虑可以提出的算法的其它变量，最终目的仍然是基于被治疗的个体的肿瘤特征、尤其是肿瘤的生物学和基因异常而计算给定药物的评分。

本发明的更多方面和优点将在以下实施例中被公开，应当认为其是说明性的而不是限定本发明的范围。

实施例

实施例1

在诊断时，70％肺癌处于晚期，其不可用手术治疗，临床效果差。

本发明的方法已经被用于病例以帮助医生选择最适合的治疗。

患者是58岁的男性白种人。其患有非小细胞肺癌(NSCLC)、cT4、N0、M1。已经使用了九线治疗，即顺铂-盐酸吉西他滨注射剂(Gemzar)、紫杉特尔(taxotere)、诺维本(navelbine)、紫杉醇(taxol)-卡铂、纵隔放疗、艾瑞莎(IRESSA)、爱宁达(Alimta)、特罗凯(tarceva)和HKI272(panHer抑制剂)。对于HKI272，患者已经进入临床试验。

2005年10月开始用HKI272。图1显示了纵隔淋巴结(C1)和肾上腺结节(C2)的NMR。HKI有效；患者维持该研究将近三年。但是，用HKI27237个月后，观测到病情进展(图2)。出现了新的锁骨下转移瘤。这是当前肿瘤学中的最大问题，即使有初始应答，也常常发生对治疗的继发耐药性。因此，由于发生新的转移，决定停止HKI272。重要的是应当指出当时医生认为HKI272是可用于该患者的最后的治疗线。

锁骨下转移瘤被切除并且用于完整的分子分析。该分析的特点是：

1-比较肿瘤组织与正常肺组织(TvsN)；

2-比较基因组杂交(CGH)(TvsN)；

3-基因表达(GE)比较(TvsN)；

4-microRNA(miRNA)分布(TvsN)；

5-基因测序，包括基因EGFR、p53、CTNNB1、AKT1、BRAF、KRAS、HRAS、NRAS、PIK3CA、FBXW7、EGFR、ERBB2、KIT、NOTCH1、PTEN、STK11、TP53、APC、MET、RB1、FGFR2、FGFR3、JAK2、TSC1、TSC2、CDKN2A、CDKN2A、TOP1、TOP2A、PDGFRA、VHL、CDK4、JAK1、TYK的测序。

6-在这些基因中没有发现任何相关突变(例如没有EGFR和其它基因的突变)。因此，突变不影响对该患者的算法。仅使用利用基因表达所获得的相关结果。

然后，将本发明的算法应用于这些数据，从而预测药物疗效。基于所采集的数据计算每个药物的评分。所使用的算法如下：

$W=\mathrm{Pz}\frac{\left({\mathrm{\Σ}}_C{F}_{c>2}\right)}{n_C{F}_{c>2}}$

其中

W是给定药物的评分；

P是在个体的肿瘤中失调的针对给定药物的靶基因的百分比；

z是1，因为在该实施例中没有检测到突变；

Σ是总和；

Fc＞2是倍数变化大于2的针对给定药物的每个失调靶基因的倍数变化；

nC_Fc>2指倍数变化大于2的针对给定药物的靶基因的数量。

表2显示了计算出的评分，可以看出以前的治疗线中所用的药物与低评分有关，即顺铂为108，盐酸吉西他滨注射剂为70，紫杉特尔为77，紫杉醇为147，卡铂为82，艾瑞莎(Iressa)为66，和爱宁达(Alimta)为73。

在2008年12月，停用HKI272，并且开始用希罗达(Xeloda)(3600mg/天，从第1天到第14天，每21天)和拉帕替尼(Lapatinib)(1250mg/天)联合治疗。该治疗开始时，患者显示出迅速的病情进展并且表现出健康退化。由于患者的EGF过表达15倍并且需要继续用HKI272，即使没有检测到EGFR中的突变，用抗HER1和HER2抑制剂拉帕替尼(Lapatinib)也是合理的。事实上，肿瘤中的EGF过表达引起EGFR的持续活化，因此确定从HKI272转变为另一种抗EGFR剂从而涵盖相同范围看来是合理的。基于算法评分选择了希罗达(Xeloda)(评分555)。

病情稳定但是观测到复发性瘫痪。因此，在2009年2月，决定添加显示出最高算法评分的噻替派(Thiotepa)(评分713)。用希罗达(Xeloda)(3600mg/天，每周5天，4周中3周)、拉帕替尼(Lapatinib)(1250mg/天)和噻替派(Thiotepa)(15-30mg/天，第1天和第2天，每4周)联合治疗两个月后，病情稳定(图3)。病情仍然稳定11个月(图4)，没有发生更多的复发性瘫痪，并且患者显示出良好的总体状况。

此外，本方法允许确定未来的治疗组合。事实上，在癌症治疗期间，常常发生抗性。在对希罗达(Xeloda)、拉帕替尼(Lapatinib)和噻替派(Thiotepa)联用耐药时，至少三种其它药物显示出高评分并可以使用，即福莫司汀(fotemustine)(评分627)、利妥昔单抗(rituximab)(评分761)和trabectidin(评分376)。

通过使用用于选择药物的本方法，获得了意外结果。事实上，如果没有对具体患者预测药物的潜在疗效的评分，医生不会选择希罗达(Xeloda)和噻替派(Thiotepa)。事实上，在肺癌中，特别是具体NSCLC中，对于这些药物没有预示。本方法可以实现患者具有良好的总体状况的14个月的稳定，而严重的预后仅在开始用希罗达(Xeloda)和噻替派(Thiotepa)联合治疗时持续几周。

总之，本实施例证明了本发明的方法的值，来帮助医生基于个体数据选择合适的药物。

回顾以上，如所述的，新的预测方法的使用清楚表明完全无效的所有以前的治疗线与非常低的预测评分有关。这正是本发明方法的目的，能够提供药物疗效的预测性测定，并且在该实施例中，由于使用的所有无效药物与低评分有关，所以完美验证了本发明。

其它患者实验了新方案，并且本方法的高附加值表明每个患者需要独特的药物组合。因此该方法似乎与个性化选择治疗领域极其相关。

实施例2

患者64岁，患有支气管腺癌T4与骨骼和胸膜转移。已经使用两个治疗线，即顺铂-Alimtahe和特罗凯(Tarceva)。第一个治疗线与病情进展有关，且第二个无效并导致迅速进展。

进行正常支气管粘膜活检和肿瘤活检，并将其用于经测序的突变分析、CGH、microRNA分析和基因组表达分析。

CGH谱包括多种改变(增加或丢失)，证实了活检的肿瘤状况。

突变分析包括实施例1所列的基因，结果鉴别出BRAF基因(B-Raf原癌基因丝氨酸/苏氨酸-蛋白激酶，基因编号673)中的突变G464V。推测该突变由内在的有丝分裂信号作用活化。因此，可以构想用索拉非尼(sorafenib)治疗。

基于基因组表达分析，按照实施例1所详述的方法计算评分，仅将一些相关药物的评分显示于下表中。

因此，可以看出在两个治疗线中被使用的没有疗效的药物与低评分有关，即顺铂为80、alimata为156和特罗凯(Tarceva)为143。因此，本发明的方法可以避免选择这些疗法。

自2010年1月以来，已经选择评分为290的Vinorelbin用于治疗该患者。开始时，患者具有十分恶化的总体状况。三个月后，病情稳定，然后进展。总之，虽然没有选择与最高评分有关的药物，所选择的药物具有疗效，赋予3个月的生存时间。

实施例3

患者在2007年5月被诊断出原发性支气管腺癌与双侧肺转移和无症状的脑转移。已经于2008年11月进行手术治疗，并且已经使用了两个治疗线，即第一线为13个周期的顺铂-吉西他滨(gemcitabin)和第二线为爱宁达(Alimta)。第一线与部分应答和随后的病情进展有关，并且第二线仅与病情进展有关。

进行正常支气管活检和肺转移瘤活检，并将其用于经测序的突变分析、CGH、microRNAs分析和基因组表达分析。

CGH谱包括多种畸变(整个基因组中丧失和增加)，证实了活检的肿瘤状况。

包括实施例1中所列的基因的突变分析并没有导致鉴别出任何突变。

基于基因组表达分析，按照实施例1中所详述的方式计算评分，仅将一些相关药物的评分显示于下表中。

首先，与第一和第二治疗线中所使用的药物相关的评分低(吉西他滨(gemcitabin)＝129；顺铂＝80和爱宁达(Alimta)＝0)，这些评分与所观测到的临床数据一致。

但是，基于这些评分表，已经选择了评分为384的avastin，已经在2010年1月开始该治疗，并且，如图5的扫描照片所示，已经在两个治疗周期后观测到重要应答。该重要应答证实了本方法和其对患者的不容置疑的益处。

实施例4

患者59岁。患有非小细胞支气管癌与肾上腺转移。已经使用了两个治疗线，即三个周期的顺铂-爱宁达(Alimta)和三个周期的紫杉特尔-顺铂-avastin。这些治疗线与第一阶段的稳定和之后的病情进展步骤有关。

进行正常或肿瘤支气管活检，并将其用于经测序的突变分析、CGH、microRNAs分析和基因组表达分析。

图6显示了CGH谱，其包括染色体11中的染色体畸变。

包括实施例1中所列的基因的突变分析并没有导致鉴别出任何突变。

基于基因组表达分析，按照实施例1中所详述的方式计算评分，并且将一些相关药物的评分显示于下表中。

因此，以下评分与第一和第二治疗线的药物有关：顺铂(48)、爱宁达(Alimta)(88)、紫杉特尔(107)和avastin(0)，这些评分与临床数据一致。

但是，其它药物与更高评分有关，例如Trabectedin(512)、吉妥单抗(Gemtuzumab)(232)和羟基脲(hydroxyuea)(179)。

实施例5

患者患有横纹肌肉瘤与肺转移，证明本方法对于预测在各种类型肿瘤中的疗效是有效的。这是源自臀部肌肉的纤维粘液样肉瘤(fibromixoidsarcoma)的进展的转移性疾病。2006年已经用根治性手术切除该初始肿瘤。随后，2007年患者发展出胸膜间皮转移。在用爱宁达(Alimta)和顺铂联合治疗六个周期后，具有十分弱的应答，对患者进行胸膜切除。之后检测出新的肺转移病灶，其位置复杂阻止了任何手术。

进行正常肌肉活检和肺转移活检，并将其用于经测序的突变分析、CGH、microRNAs分析和基因组表达分析。

CGH谱显示出染色体16的显著扩增。其与PDGA位点的扩增一致。

包括实施例1中所列的基因的突变分析并没有导致鉴别出任何突变。

基于基因组表达分析，按照实施例1中所详述的方式计算评分，并且将一些相关药物的评分显示于下表中。

值得注意的是，尼罗替尼(Nilotinib)与高评分324有关，并且已知其作用于PDGFRA和PDGFRB途径。因此，发明人更细致地研究了PDGF途径并且获得了以下结果。

可以看出非常显著的活化作用。

CGH和基因表达谱证实了PDGF途径为该病灶中肿瘤发生的重要推动因素。事实上，肿瘤中的PDGFD与正常组织相比过表达18倍，并且将活化β-β受体。值得提出的是PDGFRB也过表达3倍，PDGFA过表达8倍，并且受体PDGFRA过表达10倍。

总之，尼罗替尼(Nilotinib)看来是靶向疗法的良好候选，因为两个受体都被其抑制。

患者正在等待尼罗替尼(Nilotinib)治疗的监管授权。其主治医师认可该治疗选择。

总之，被研究的患者都处于治疗失败中。对于所有患者，没有更好的治疗选择，并且其总体状况不允许进入临床实验。基于书面同意和肿瘤医生的同意，使用了本方法。本方法可以将低评分与在以前的治疗线中所使用的药物关联，表明低评分与疗效之间的良好相关性。回顾以上，专家们可以预见，如果运用这种策略，可以避免无效药物的使用，节省患者的时间。重要的是，被研究的患者显示出十分独特的分布，证明了本发明用于个性化医疗的潜力。方法可以适用于任何类型的肿瘤直到正常细胞，并且可以比较患者的相同组织类型的肿瘤细胞。另一个优点是本方法可以为所有患者提供具有潜在治疗益处的解决方案，而基于伴侣检测的现有方法仅可以适用于具有给定异常的有限数量的患者。

表2

Claims (17)

1.用于预测多个药物的相对疗效的方法，其包括：

a)表征来自患者的肿瘤样品与来自同一患者的正常样品相比的分子异常，其中肿瘤样品的所述分子异常的表征包括测定与正常样品相比在肿瘤样品中差异表达的基因，和/或测定基因拷贝数的增加或丢失，和/或检测基因中突变的存在；

b)针对多个药物中的每个给定药物提供含有靶基因的数据库；

c)基于来自患者的肿瘤样品中的、针对每个给定药物的靶基因中失调基因的百分比，对多个药物中的每个给定药物测定评分(W)，较高的评分预示该药物治疗患者肿瘤的相对疗效较高，其中给定药物的评分(W)用以下算法测定：

$W=P\·z\frac{\left({\mathrm{\Σ}}_C{F}_{c>2}\right)}{{\mathrm{nCF}}_{c>2}}$

其中

W是给定药物的评分；

P是在来自患者的肿瘤样品中的、针对所述给定药物的靶基因中失调基因的百分比；

z是与给定药物的靶基因存在突变相关的倍增系数，其中在不存在突变时z为1，并且根据突变的功能影响，z可以在10与1,000之间；

Σ是总和；

F_c>2是倍数变化大于2的针对给定药物的每个失调靶基因的倍数变化；

nCF_c>2指倍数变化大于2的针对给定药物的靶基因的数量。

2.根据权利要求1的方法，其中表征肿瘤样品的分子异常的步骤包括测定差异表达基因的倍数变化(F)，或者测定基因拷贝数的增加或丢失的倍数变化(F)，或者测定差异表达基因以及基因拷贝数的增加或丢失的倍数变化(F)。

3.根据权利要求2的方法，其中表征肿瘤样品的分子异常的步骤还包括测定差异表达的基因的基因转录强度(Int)。

4.根据权利要求1-3任一项的方法，其中针对每个药物的靶基因在数据库中被分类为主要靶基因(CM)、次要靶基因(Cm)和抗性基因(CR)。

5.根据权利要求4的方法，其中F_c＞2是倍数变化大于2的针对给定药物的每个过表达靶基因的倍数变化，并且nCF_c>2是倍数变化大于2的针对给定药物的靶基因的数量，或倍数变化大于2的针对给定药物的过表达靶基因的数量。

6.根据权利要求1的方法，其中给定药物的评分(W)改用以下算法测定：

$W=P\left(\frac{\left({\mathrm{\Σ}}_{CM}{F}_{CM}\right)}{n_{1}CM}{q}_1{z}_1+\frac{\left({\mathrm{\Σ}}_{Cm}{F}_{Cm}\right)}{n_{2}Cm}{q}_2{z}_2-\frac{\left({\mathrm{\Σ}}_{CR}{F}_{CR}\right)}{n_{3}CR}{q}_3{z}_3\right)$

其中

W是给定药物的评分；

P是在来自患者的肿瘤样品中的、针对所述给定药物的靶基因中失调基因的百分比；

Σ是总和；

CM是指针对给定药物的主要靶基因；

Cm是指针对给定药物的次要靶基因；

CR是指针对给定药物的抗性基因；

n₁CM、n₂Cm和n₃CR分别是具有规定阈值的主要靶基因、次要靶基因和抗性基因的失调靶基因的数量；

F_CM、F_Cm和F_CR分别是高于主要靶基因、次要靶基因和抗性基因的规定阈值的每个基因的倍数变化；

q₁、q₂和q₃分别是针对主要靶基因、次要靶基因和抗性基因的任选的倍增系数；

z₁、z₂和z₃分别是与主要靶基因、次要靶基因和抗性基因中存在突变有关的任选倍增系数。

7.根据权利要求1的方法，其中给定药物的评分(W)改用以下算法测定：

$W=\frac{P_{CM}\left({\mathrm{\Σ}}_{CM}{F}_{CM}\right)}{n_{1}CM}{q}_1{z}_1+\frac{P_{Cm}\left({\mathrm{\Σ}}_{Cm}{F}_{Cm}\right)}{n_{2}Cm}{q}_2{z}_2-\frac{P_{CR}\left({\mathrm{\Σ}}_{CR}{F}_{CR}\right)}{n_{3}CR}{q}_3{z}_3$

其中

W是给定药物的评分；

Σ是总和；

CM是指针对给定药物的主要靶基因；

Cm是指针对给定药物的次要靶基因；

CR是指针对给定药物的抗性基因；

n₁CM、n₂Cm和n₃CR分别是具有规定阈值的主要靶基因、次要靶基因和抗性基因的失调靶基因的数量；

F_CM、F_Cm和F_CR分别是高于主要靶基因、次要靶基因和抗性基因的规定阈值的每个基因的倍数变化；

q₁、q₂和q₃分别是针对主要靶基因、次要靶基因和抗性基因的任选的倍增系数；

z₁、z₂和z₃分别是与主要靶基因、次要靶基因和抗性基因中存在突变有关的任选倍增系数；

P_CM、P_Cm和P_CR分别是在个体的肿瘤中针对给定药物的主要靶基因、次要靶基因和抗性基因失调的基因百分比。

8.根据权利要求1的方法，其中给定药物的评分(W)改用以下算法之一测定：

$W=P(\frac{({\mathrm{\Σ}}_{CM}{F}_{CM}\×{\mathrm{lnt}}_{CM})}{n_{1}CM}{q}_1{z}_1+\frac{({\mathrm{\Σ}}_{Cm}{F}_{Cm}\×{\mathrm{lnt}}_{Cm})}{n_{2}Cm}{q}_2{z}_2-\frac{({\mathrm{\Σ}}_{CR}{F}_{CR}\×{\mathrm{lnt}}_{CR})}{n_{3}CR}{q}_3{z}_3)$

或者

$W=\frac{P_{CM}({\mathrm{\Σ}}_{CM}{F}_{CM}\×{\mathrm{lnt}}_{CM})}{n_{1}CM}{q}_1{z}_1+\frac{P_{Cm}({\mathrm{\Σ}}_{Cm}{F}_{Cm}\×{\mathrm{lnt}}_{Cm})}{n_{2}Cm}{q}_2{z}_2-\frac{P_{CR}({\mathrm{\Σ}}_{CR}{F}_{CR}\×{\mathrm{lnt}}_{CR})}{n_{3}CR}{q}_3{z}_3$

其中

W是给定药物的评分；

P是在来自患者的肿瘤样品中的、针对所述给定药物的靶基因中失调基因的百分比；

Σ是总和；

CM是指针对给定药物的主要靶基因；

Cm是指针对给定药物的次要靶基因；

CR是指针对给定药物的抗性基因；

n₁CM、n₂Cm和n₃CR分别是具有规定阈值的主要靶基因、次要靶基因和抗性基因的失调靶基因的数量；

F_CM、F_Cm和F_CR分别是高于主要靶基因、次要靶基因和抗性基因的规定阈值的每个基因的倍数变化；

q₁、q₂和q₃分别是针对主要靶基因、次要靶基因和抗性基因的任选的倍增系数；

z₁、z₂和z₃分别是与主要靶基因、次要靶基因和抗性基因中存在突变有关的任选倍增系数；

P_CM、P_Cm和P_CR分别是在个体的肿瘤中针对给定药物的主要靶基因、次要靶基因和抗性基因失调的基因百分比；

Int_CM、Int_Cm和Int_CR分别是主要靶基因、次要靶基因和抗性基因的强度。

9.根据权利要求1方法，其中给定药物的评分(W)改用以下算法之一测定：

$W=P\left(\frac{\left({\mathrm{\Σ}}_{CM}{F}_{CM}\right)}{n_{1}CM}{q}_1{z}_1-\frac{\left({\mathrm{\Σ}}_{CR}{F}_{CR}\right)}{n_{3}CR}{q}_3{z}_3\right)$

$W=\frac{P_{CM}\left({\mathrm{\Σ}}_{CM}{F}_{CM}\right)}{n_{1}CM}{q}_1{z}_1-\frac{P_{CR}\left({\mathrm{\Σ}}_{CR}{F}_{CR}\right)}{n_{3}CR}{q}_3{z}_3$

或者

$W=P(\frac{({\mathrm{\Σ}}_{CM}{F}_{CM}\×{\mathrm{lnt}}_{CM})}{n_{1}CM}{q}_1{z}_1-\frac{({\mathrm{\Σ}}_{CR}{F}_{CR}\×{\mathrm{lnt}}_{CR})}{n_{3}CR}{q}_3{z}_3)$

或者

$W=\frac{P_{CM}({\mathrm{\Σ}}_{CM}{F}_{CM}\×{\mathrm{lnt}}_{CM})}{n_{1}CM}{q}_1{z}_1-\frac{P_{CR}({\mathrm{\Σ}}_{CR}{F}_{CR}\×{\mathrm{lnt}}_{CR})}{n_{3}CR}{q}_3{z}_3$

其中

W是给定药物的评分；

P是在来自患者的肿瘤样品中的、针对所述给定药物的靶基因中失调基因的百分比；

Σ是总和；

CM是指针对给定药物的主要靶基因；

CR是指针对给定药物的抗性基因；

n₁CM和n₃CR分别是具有规定阈值的主要靶基因和抗性基因的失调靶基因的数量；

F_CM和F_CR分别是高于主要靶基因和抗性基因的规定阈值的每个基因的倍数变化；

q₁和q₃分别是针对主要靶基因和抗性基因的任选的倍增系数；

z₁和z₃分别是与主要靶基因和抗性基因中存在突变有关的任选倍增系数；

P_CM和P_CR分别是在个体的肿瘤中针对给定药物的主要靶基因和抗性基因失调的基因百分比；

Int_CM和Int_CR分别是主要靶基因和抗性基因的强度。

10.根据权利要求6-8任一项的方法，其中F_CM、F_Cm和F_CR是具有规定阈值的针对给定药物的每个过表达靶基因的倍数变化，并且n₁CM、n₂Cm和n₃CR是具有规定阈值的针对给定药物的靶基因的数量，或者是具有规定阈值的针对给定药物的过表达靶基因的数量。

11.根据权利要求9的方法，其中F_CM和F_CR是具有规定阈值的针对给定药物的每个过表达靶基因的倍数变化，并且n₁CM和n₃CR是具有规定阈值的针对给定药物的靶基因的数量，或者是具有规定阈值的针对给定药物的过表达靶基因的数量。

12.根据权利要求10的方法，其中规定阈值是至少为2或高于2的倍数变化。

13.根据权利要求11的方法，其中规定阈值是至少为2或高于2的倍数变化。

14.根据权利要求6-8任一项的方法，其中靶基因的倍增系数可以包括：对于主要靶基因(q₁)在10与1,000之间，对于次要靶基因(q₂)在0.1与10之间，对于抗性基因(q₃)在10与1,000之间。

15.根据权利要求9的方法，其中靶基因的倍增系数可以包括：对于主要靶基因(q₁)在10与1,000之间，对于抗性基因(q₃)在10与1,000之间。

16.根据权利要求6-8任一项的方法，其中与突变相关的倍增系数z₁、z₂和z₃在不存在突变时为1，并且按照突变的功能影响，其可以在10与1,000之间。

17.根据权利要求9的方法，其中与突变相关的倍增系数z₁和z₃在不存在突变时为1，并且按照突变的功能影响，其可以在10与1,000之间。