CN105874080A - 用于食道癌的分子诊断测试 - Google Patents
用于食道癌的分子诊断测试 Download PDFInfo
- Publication number
- CN105874080A CN105874080A CN201480059197.4A CN201480059197A CN105874080A CN 105874080 A CN105874080 A CN 105874080A CN 201480059197 A CN201480059197 A CN 201480059197A CN 105874080 A CN105874080 A CN 105874080A
- Authority
- CN
- China
- Prior art keywords
- dna damage
- therapeutic agent
- treatment
- response
- 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.)
- Pending
Links
Classifications
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
- A61P1/00—Drugs for disorders of the alimentary tract or the digestive system
- A61P1/04—Drugs for disorders of the alimentary tract or the digestive system for ulcers, gastritis or reflux esophagitis, e.g. antacids, inhibitors of acid secretion, mucosal protectants
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
- A61P35/00—Antineoplastic agents
-
- 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
- C12Q2600/118—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
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Engineering & Computer Science (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Genetics & Genomics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Physics & Mathematics (AREA)
- Oncology (AREA)
- Hospice & Palliative Care (AREA)
- Animal Behavior & Ethology (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
- Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
提供鉴别用于食道腺癌(OAC)的分子诊断测试的方法和组合物。该测试定义了新的DNA损伤修复缺陷分子亚型,并使得能够在该亚型内对患者进行分类。本发明可用于在施用任何化疗之前确定OAC患者在临床上对治疗方案有响应还是无响应。该测试可以与直接或间接影响DNA损伤或修复的不同药物,例如许多目前正在使用的标准细胞毒性化疗药物一起使用。特别地,本发明涉及预测标志物的特定组合,其中预测标志物的表达与对治疗方案的响应性或无响应性相关联。
Description
发明领域
本发明涉及用于预测食道癌对特定治疗的响应性的分子诊断测试,包括DNA损伤修复缺陷亚型的使用。本发明包括各种分类器(classifiers)的产生和使用,所述分类器衍生自食道癌患者(特别是食道腺癌(OAC)患者)中该亚型的鉴别,例如44-基因分类器模型的使用,用于鉴别该DNA损伤修复缺陷分子亚型。一种应用是将对食道癌治疗药物类别的响应分层,并针对食道癌治疗药物类别选择患者,所述药物类别包括引起DNA损伤的试剂和DNA修复靶向疗法。本发明提供测试,其能指导传统治疗选择并且在新型治疗剂的临床试验评估过程中选择用于富集策略的患者群。可以,例如,从新鲜/冷冻(fresh/frozen,FF)或福尔马林固定的石蜡包埋(formalin fixed paraffin embedded,FFPE)患者样品鉴别DNA修复缺陷亚型。
背景技术
制药行业一直在寻求比当前施用药物更有效的、更具有特异性的或具有更少不良副作用的新型药物治疗选择。由于人类群体内的遗传变异性使许多药物的有效性产生了显著差异,一直在开发替代药物疗法。因此,虽然当前有多种多样的药物疗法可供选择,但是在患者无法产生响应的情况下总是需要更多疗法。
传统上,医师所使用的治疗模式一直是开出在治疗疾病方面可能得到最高成功率的一线药物疗法。如果一线疗法无效,则开出替代性药物疗法。对于某些疾病来说,这种模式明显不是最佳的治疗方法。例如,在例如癌症的疾病中,第一次治疗经常是最重要的并且为成功治疗提供了最佳机会,因此存在更高的需求选择对于特定患者的疾病最有效的初始药物。
食道癌(食道的癌症)是高度侵袭性的癌症,属于世界上10种最常见的癌症。在英国在过去30年间它变得越来越常见。它在成人中是第9位最常见的癌症,在英国每年诊断的有大约8500个病例(CRUK统计资料)。食道癌发生在男性中是发生在女性中的大约两倍。腺癌意味着癌症是从腺细胞开始的。在食道癌中,在食道内壁上存在制造粘液的细胞。在过去20年间,腺癌的数量增加。它们现在构成全部诊断的食道癌的超过一半,鳞状细胞癌构成其余的病例。腺癌主要在食道下三分之一中被发现。
早期食道腺癌(OAC)的治疗通常是手术。手术治疗是唯一的重复显示出提供延长生存期的治疗,虽然仅仅是在大约20%的病例中(Müller JM et al.Br J Surg(1990)77:845)。手术切除的效果可以是很好的。当肿瘤局限于粘膜,以及当涉及粘膜下层时在50%到80%之间时,五年生存率超过80%。Bonavina L.Br J Surg(1995)82:98;AH,etal.Br J Surg(1997)84:1470.
微阵列和分子基因组学的出现有可能对疾病的诊断能力和预后分类产生显著影响,它们可以帮助预测单个患者对确定的治疗方案的响应。微阵列提供了对大量遗传信息的分析,从而提供个体的遗传指纹。更值得关注的是,这一技术最终将为定制药物治疗方案提供必要工具。
当前,健康护理专业人员很少有途径来帮助他们鉴别将受益于化疗剂的癌症患者。最佳一线药物的鉴别一直很难,因为没有可用的方法来准确地预测哪种药物治疗对于特定癌症的生理学将是最有效的。这一不足导致相对较差的单一药剂响应率以及增加的癌症发病率和死亡。而且,患者经常不必要地经受无效、有毒的药物疗法。
分子标记已被用于选择合适的治疗,例如,在乳腺癌中。不表达雌激素和孕激素受体以及HER2生长因子受体的乳腺肿瘤,被称为“三阴”,其表现出响应PARP-1抑制剂疗法(Linn,S.C.,and Van't Veer,L.,J.Eur J Cancer 45Suppl 1,11-26(2009);O'Shaughnessy,J.,et al.N Engl J Med 364,205-214(2011)。近来的研究表明乳腺肿瘤的三阴状态可以指示对于包括PARP-1抑制剂在内的组合疗法具有响应性,但是可能不足以指示对于个体PARP-1抑制剂的响应性(O'Shaughnessy et al.,2011)。
而且,已有其它的研究尝试鉴别与分子亚型有关的基因分类器,以指示对于化疗剂的响应性(Farmer et al.Nat Med 15,68-74(2009);Konstantinopoulos,P.A.,et al.,J Clin Oncol 28,3555-3561(2010))。
WO 2012/037378描述了一种44-基因的DNA微阵列测定,DNA损伤修复缺陷(DDRD)测定。该测定鉴别出丧失了DNA损伤反应FA/BRCA途径的癌症的分子亚组,导致对于DNA损伤性化疗剂的敏感性(Kennedy&D’Andrea Journal of Clinical Oncology(2006)24:3799,Turner et al Nature Reviews Cancer(2004)4:814)。
在乳腺癌中,DDRD测定已表明在203个乳腺癌患者中可以预测对于肿瘤辅助DNA损伤化疗(5-氟脲嘧啶、蒽环霉素和环磷酰胺)的响应(比值比4.01)(95%Cl:1.69-9.54)。在191名用辅助剂5-氟脲嘧啶、表柔比星和环磷酰胺治疗进行治疗的早期乳腺癌患者群中,该测定5年无复发生存的风险比是0.37(95%Cl:0.15-0.88)。
发明简述
在许多OAC的病例中,手术在肿瘤辅助化疗之后进行,所述肿瘤辅助化疗通常是顺铂和氟脲嘧啶的组合。这种疗法用于缩小肿瘤的尺寸。但是,已知不是所有的患者对于这种形式的疗法都有响应,而且,尚没有测试可以鉴别那些将会从肿瘤辅助化疗受益的OAC患者。因此,许多患者在接受化疗,经受与之相关的副作用和生活质量的降低,但没有治疗益处。已表明DNA损伤反应途径在食道癌的进展中很重要(He et al(2013)Carginogeneisis34:139;Motoori et al International Journal of Oncology(2010)37:1113)。因此存在极大的临床需要,需要某种测试以在手术之前的肿瘤辅助化疗方面将OAC患者分层。
本发明是基于这样的方法的应用,该方法鉴别DNA损伤修复中的缺陷,以确定哪些患者将会从特定的疗法,例如基于铂的疗法中受益,以治疗食道癌,特别是OAC。本发明涉及使用在食道癌中表达的基因产物的集合的方法,以使得当一些或全部转录物过表达或低表达(over or under-expressed)时,它们鉴别出在DNA损伤修复中有缺陷的食道癌亚型。本发明还提供指示对于DNA损伤治疗剂的响应性或抵抗的方法。在不同的方面,该基因或基因产物列表可以形成单参数或多参数预测测试的基础,所述单参数或多参数预测测试可以用本领域已知的方法,例如微阵列、Q-PCR、免疫组化、ELISA或其它可以定量mRNA或蛋白质表达的技术来实现。
因此,根据本发明的一个方面,提供预测患有食道癌例如(特别是)食道腺癌(OAC的个体对于用DNA损伤治疗剂进行的治疗的响应性的方法,包括:
a.测量从该个体获得的测试样品中的一个或多个生物标志物/基因的表达水平,其中一个或多个生物标志物选自表1A、1B、2A、2B、3和/或4,例如一个或多个生物标志物选自由CXCL10、MX1、IDO1、IF144L、CD2、GBP5、PRAME、ITGAL、LRP4和APOL3组成的组;
b.得到记录(captures)表达水平的测试得分;
c.提供阈值得分,该阈值得分包含将测试得分与响应性相关联的信息;
d.以及将测试得分与阈值得分相比较;其中当测试得分超过阈值得分时,预测为有响应性,和/或当测试得分未超过阈值得分时,预测为无响应性。
该方法可以作为为个体选择合适治疗的方法或者作为测试或治疗方法来实施。因此,在特定的实施方案中,如果测试得分超过阈值得分(预测为有响应性),则用DNA损伤治疗剂治疗个体。类似地,如果测试得分未超过阈值得分(预测无响应性),则不用DNA损伤治疗剂治疗个体。在那些情况下,可以考虑替代的治疗。对于OAC,替代的治疗可以包括施用有丝分裂抑制剂,例如长春花生物碱或紫杉烷。长春花生物碱的实例包括长春瑞滨。紫杉烷的实例包括紫杉醇或多西紫杉醇。或者,治疗可以完全排除化疗。在一些实施方案中,该方法还可以包括被鉴别为有响应性的个体的后续治疗。还涉及相应的试剂盒。该方法典型地在体外进行。因此,使用分离的,或预分离的样品进行该方法。在一些实施方案中,该方法可以包括从个体获得测试样品的步骤。在特定的实施方案中,该方法包括测量测试样品中的至少10个生物标志物的表达水平,所述生物标志物来自于表1-4的任一个。更特别地,在一些实施方案中,该方法可以包括测量表2B中所列的至少10个以及多达全部44个不同生物标志物的表达水平。在特定的实施方案中,使用与表1A、1B或3中所示的靶序列(如SEQ ID NO:1-24、SEQ ID NO:25-50或SEQ ID NO:51-230)的至少一个结合的引物或探针测量表达水平。
在一些实施方案中,该方法进一步包括测量测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自由CDR1、FYB、TSPAN7、RAC2、KLHDC7B、GRB14、AC138128.1、KIF26A、CD274、CD109、ETV7、MFAP5、OLFM4、PI15、FOSB、FAM19A5、NLRC5、PRICKLE1、EGR1、CLDN10、ADAMTS4、SP140L、ANXA1、RSAD2、ESR1、IKZF3、OR2l1P、EGFR、NAT1、LATS2、CYP2B6、PTPRC、PPP1R1A和AL137218.1组成的组。在一些实施方案中,测试得分记录了全部生物标志物的表达水平。在一些实施方案中,当测试得分超过阈值得分时,可以预测为有响应性,所述阈值得分的值在大约0.1到0.5之间,例如0.1、0.2、0.3、0.4或0.5,例如大约0.3681。
食道癌典型地是食道腺癌(OAC)并且可以是早期的。或者,OAC可以是晚期的或转移性疾病。被预测响应性的治疗典型地是肿瘤辅助治疗。但是,它还可以额外地或者替代性地包括辅助治疗。
本文所述的本发明不限于任何一种DNA损伤治疗剂;它可以用于鉴别对一些DNA损伤治疗剂中的任何一个的响应者和无响应者,所述DNA损伤治疗剂例如是那些直接或间接影响DNA损伤和/或DNA损伤修复的治疗剂。在一些实施方案中,DNA损伤治疗剂包含选自由DNA损伤剂、DNA修复靶向疗法、DNA损伤信号传导抑制剂、DNA损伤诱导的细胞周期停滞的抑制剂、组蛋白脱乙酰酶抑制剂、热休克蛋白抑制剂和DNA合成抑制剂组成的组的一种或多种物质。更具体地,DNA损伤治疗剂可以选自含铂的剂、核苷类似物例如吉西他滨或5-氟脲嘧啶或其前药例如卡培他滨、蒽环霉素例如表阿霉素或阿霉素、烷化剂例如环磷酰胺、电离辐射或辐射和化疗的组合(放化疗)的一种或多种。在特定的实施方案中,DNA损伤治疗剂包括含铂的剂,例如选自顺铂、卡铂和奥沙利铂的基于铂的试剂。例如,本文中通过实验表明本发明的方法可以预测更有可能从基于铂的疗法受益的OAC患者的响应性/作为这种患者的预后指标。该方法可以预测对于用DNA损伤治疗剂与其它治疗或药物一起治疗的响应性。因此,该方法可以预测对于组合疗法的响应性。因此,在一些实施方案中,其它药物是有丝分裂抑制剂。有丝分裂抑制剂可以是长春花生物碱或紫杉烷。在具体的实施方案中,长春花生物碱是长春瑞滨。在其它的实施方案中,紫杉烷是紫杉醇或多西紫杉醇。在特定的实施方案中,在食道癌的治疗中,鉴别对于下述(组合)治疗的响应者:顺铂/卡铂和5-氟脲嘧啶(CF),顺铂/卡铂和卡培他滨(CX),表阿霉素/阿霉素、顺铂/卡铂和氟脲嘧啶(ECF),表阿霉素/阿霉素、奥沙利铂和卡培他滨(EOX),以及与紫杉醇、伊立替康和长春瑞滨、使用或不使用紫杉烷的放疗或放化疗的组合。
本发明涉及使用不同的响应分类预测对药物(DNA损伤治疗剂)的响应,所述响应分类例如总生存率,无进展生存率,无疾病生存率,放射响应,如RECIST所定义的,全响应,部分响应,稳定疾病和血清标志物例如,但不限于PSA、CEA、CA125、CA15-3和CA19-9。在本发明的其它实施方案中,它可用于评价食道癌患者(OAC)中的超声内镜、CT、螺旋CT、FDG-PET、病理、组织响应,所述食道癌患者用DNA损伤组合疗法,单独地或在标准治疗的环境中进行治疗。
本发明依赖于DNA损伤响应缺陷(DDRD)分子亚型,其最初是在乳腺癌和卵巢癌中被鉴别的(WO2012/037378;通过引用合并入本文)。在一些实施方案中,这种分子亚型可以通过使用两种不同的基因分类器进行检测–一种长度为40个基因,一种长度为44个基因。DDRD分类器首次在Almac Breast Disease Specific Array(DSATM)上由53个探针集组成的分类器定义。为了验证该分类器在预测对含有DNA损伤的化疗方案的响应的能力方面的功能相关性,需要在基因水平上重新定义该分类器。这有助于利用来自独立数据集的微阵列数据评价DDRD分类器,所述独立数据集是在Almac Breast以外的微阵列平台上给出的。为了帮助在基因水平上定义分类器,需要确定Almac Breast探针集对应的基因。这包括使用公众可获得的基因组浏览器数据库例如Ensembl和NCBI ReferenceSequence。44-基因DDRD分类器模型取代了40-基因DDRD分类器模型。本文给出的结果证明44个和40个基因的分类器模型以及衍生自本文公开的标志物的相关分类器模型在OAC中对含有DNA损伤治疗剂的化疗方案的响应是有效的且重要的预测方案。
使用以选自从表1A和1B(或表3和4)基因为基础的分类器模型对DDRD亚型的鉴别,例如通过40-基因分类器模型(参见表2A和2B)以及44-基因分类器模型二者进行的鉴别,可用于预测对标准OAC治疗药物类别的响应,或者选择用于标准OAC治疗药物类别的患者,所述标准OAC治疗药物类别包括引起DNA损伤的试剂和DNA修复靶向疗法。
在另一个方面,本发明涉及用于以上所列的常规诊断应用的试剂盒,所述常规诊断应用例如核酸扩增,包括PCR及其所有变形形式例如实时和终点方法以及qPCR,第二代测序(NGS),微阵列和免疫测定例如免疫组化、ELISA、Western印迹等。这种试剂盒包括合适的试剂和说明书,以测定基因或基因产物的表达或者定量mRNA或蛋白表达。试剂盒可以包括合适的引物和/或探针,以检测表1A和/或1B和/或2A和/或2B和/或3和/或4中的基因的至少一个的表达水平。试剂盒可以含有与表1A、1B和/或3中所示的靶序列结合的引物和/或探针。靶序列可以包含SEQ ID NO:1-24、SEQ ID NO:25-50或SEQ ID NO:51-230,基本上由它们组成或者由它们组成。当在蛋白质水平上确定表达时,试剂盒可以含有对感兴趣蛋白质特异性的结合试剂。结合试剂可以包含针对包括所有片段及其衍生物的抗体。在本发明的不同实施方案中,术语“抗体”包括对相关蛋白质具有特异性结合亲和力的所有免疫球蛋白或免疫球蛋白样分子(包括,以举例而非限制的方式,IgA、IgD、IgE、IgG和IgM,它们的组合,以及在任何脊椎动物,例如在哺乳动物如人、山羊、兔和小鼠中的免疫反应过程中产生的类似分子)。可用于本发明的不同实施方案中的具体免疫球蛋白包括IgG同种型。可用于本发明的不同实施方案的抗体在起源上可以是单克隆或多克隆的,但通常是单克隆抗体。抗体可以是人抗体、非人抗体或非人抗体的人源化形式、或嵌合抗体。抗体人源化的各种技术都是完善的,并且可以使用任何合适的技术。术语“抗体”还指包含至少特异性识别并结合抗原表位的轻链或重链免疫球蛋白可变区的多肽配体,并且它扩展到所有保留了与相关蛋白质特异性结合能力的抗体衍生物和片段。这些衍生物和片段可以包括Fab片段、F(ab’)2片段、Fv片段、单链抗体、单域抗体、Fc片段等。术语抗体包括由重链和轻链二者组成的抗体,但是也包括重链(仅有)抗体(其可以来自于各种软骨鱼类或骆驼科物种)。在特定的实施方案中,抗体可以被工程化,以对于多于一种蛋白质具有特异性,例如双特异性,以允许结合两种不同的本文所鉴别的靶蛋白(参见表1-4)。
在一些实施方案中,试剂盒还可以含有在该测试预测响应性的事件中要施用的特定DNA损伤治疗剂。提供的该试剂可以是特别为OAC治疗定制的方式,例如剂型。该试剂可以同时提供适当的说明,用于根据OAC治疗方案进行施用。
本发明还提供鉴别DNA损伤反应缺陷(DDRD)人OAC肿瘤的方法。有可能本发明可用于鉴别对DNA损伤治疗剂敏感并响应,或者对它抵抗并且无响应的患者,所述DNA损伤治疗剂例如是直接损伤DNA、间接损伤DNA或抑制正常DNA损伤信号传导和/或修复过程的药物。
本发明还涉及指导患者的常规治疗。本发明还涉及选择用于临床试验的患者,所述临床试验中要特别测试新型DNA损伤治疗剂,例如直接或间接影响DNA损伤和/或DNA损伤修复的药物对OAC的治疗。
本发明和方法使用所保存的福尔马林固定石蜡包埋(FFPE)的组织活检材料,包括细针抽吸(fine needle aspiration,FNA)以及新鲜/冷冻(FF)组织,进行本发明中所有转录物的测定,因此与最广泛可得的组织活检材料类型是相容的。可以利用从FFPE组织、新鲜冷冻组织或储存于溶液例如中的新鲜组织获得的RNA来确定表达水平。
发明详述
除非另有定义,本文所使用的技术和科学术语具有与本发明所属领域的普通技术人员的通常理解相同的意义。虽然在本发明的实施或测试中可以使用任何与本文描述的那些类似或等同的方法、装置和材料,现在描述优选的方法、装置和材料。
本申请中所引用的所有出版物、公布的专利文献、以及专利申请表明了本申请所属领域的技术水平。本文所引用的所有出版物、公布的专利文献、以及专利申请通过引用的方式合并入本文,其引用程度就如同明确且单独表明每一个单个出版物、公布的专利文献、或专利申请以引用的方式合并入本文。
本文中使用的冠词“一(a)”和“一(an)”指一个或超过一个(即至少一个)该冠词的语法对象。例如,“要素”表示一个要素或超过一个要素,除非明确有相反说明。
当前癌症研究工作的主要目标是通过将分子参数结合到临床治疗决策中来增加患者围术期系统疗法的效力。遗传药理学/基因组学是个体对外来化合物或药物的反应中所涉及的遗传/基因组因素的研究。对本发明的标志物的表达具有刺激或抑制作用的药剂或调节剂可以被施用给个体以治疗(预防性地或治疗性地)患者的癌症。理想的情况是,还结合考虑个体的药物基因组学与这种治疗。治疗剂代谢的差异有可能通过改变药理学活性药物的剂量与血液浓度之间的关系而导致严重毒性或治疗失效。因此,了解个体的药物基因组学允许选择对预防性或治疗性治疗有效的试剂(例如药物)。这种药物基因组学可以进一步用于确定合适的剂量和治疗方案。相应地,可以确定本发明的标志物在个体中的表达水平,以便由此选择适合于个体的治疗性或预防性治疗的一种或多种试剂。
本发明涉及在特定食道癌组织中表达的基因或基因产物标志物(以下被称为“生物标志物”)的集合的应用,用于预测对于使用DNA损伤治疗剂进行的治疗的响应性。在不同的方面,该生物标志物列表可以形成单参数或多参数预测测试的基础,所述单参数或多参数预测测试可以用本领域已知的方法,例如微阵列、Q-PCR、NGS、免疫组化、ELISA或其它可以定量mRNA或蛋白质表达的技术来实现。
本发明还涉及试剂盒和方法,其可用于食道癌(特别是OAC)的细胞毒性化疗之后的预后或者具体治疗的选择。提供方法,以使得当一些或全部转录物过表达或低表达时,表达谱表明对DNA损伤治疗剂有响应性或抵抗。这些试剂盒和方法利用在食道腺癌(OAC)患者的肿瘤中差异表达的基因或基因产物标记物。在本发明的一个实施方案中,在统计学方法或关联模型下,将所保存的组织样品中的这些生物标志物的表达谱与临床结果(响应或生存率)相关联,以产生将表达谱与对一种或多种DNA损伤治疗剂的响应性相关联的数据库或模型。预测模型然后可用于在对DNA损伤治疗剂的响应性未知的患者中预测响应性。在许多其它的实施方案中,可基于患者的临床结果、预后或对DNA损伤治疗剂的响应性将患者群分为至少两类,且生物标志物与这些类患者之间的类差异大体上相关联。本文所描述的生物途径已表明可以预测对于用DNA损伤治疗剂对OAC进行的治疗的响应性。
预测标志物套组/表达分类器
提供了在食道癌/OAC组织中表达的作为基因分类器的生物标志物的集合,它可用于确定对用于治疗食道癌/OAC的治疗剂例如DNA损伤治疗剂的响应性或抵抗。这种集合可被称为“标志物套组”、“表达分类器”或“分类器”。该集合在表1中显示。该集合是来自于表1A和1B中所示的原始生物标志物集合(参见WO 2012/037378),所述原始生物标志物集合然后被对应到OAC相关的平台上(参见本文的实施例)。分类器例如表2B所示的44基因分类器的应用允许确定OAC患者对于DNA损伤治疗剂的响应性。本发明可以包括确定这些基因或靶序列的任何一个或多个的表达水平。
因此鉴别了在本方法中有用的生物标志物,见表1-4。这些生物标志物被鉴别为对于确定患者(患有OAC)对治疗剂有响应或无响应具有预测价值。它们的表达与对药剂(更具体地,对DNA损伤治疗剂)的响应相关。通过在食道肿瘤(特别是腺癌或鳞状细胞癌)中检查所鉴别生物标志物的集合的表达,能够确定哪种治疗剂或试剂的组合最有可能降低癌症的生长速度,在一些实施方案中,所述癌症为OAC细胞。通过检查所鉴别的转录基因或基因产物标志物的集合,能够确定哪种治疗剂或剂的组合最不可能降低癌症的生长速度。通过检查生物标志物的集合的表达,从而能够排除无效的或不合适的治疗剂。重要的是,在特定的实施方案中,可以逐个患者地或逐个试剂地进行这种确定。因此,可以确定特定的治疗方案是否可能使特定的患者或患者类型受益,和/或特定的方案是否应当继续。
表1A–在乳腺癌中测试并对应到OAC(通过Xcel阵列)的基因的原始列表
表1B–在乳腺癌中测试并对应到OAC(通过Xcel阵列)的基因的原始列表
表1A和/或1B和/或3中所列的全部或部分生物标志物都可以用在预测生物标志物套组中。例如,可以使用本文提供的方法产生生物标志物套组,所述生物标志物套组选自表1A和/或1B和/或3中的生物标志物,其可以包含表1A和/或1B和/或3中所示的一个至全部生物标志物,以及它们之间的每一个和所有的组合(例如四个选定的生物标志物、16个选定的生物标志物、74个选定的生物标志物等)。在一些实施方案中,预测生物标志物集包含至少5、10、20、40、60、100、150、200或300或更多个生物标志物。在其它实施方案中,预测生物标志物集包含不超过5、10、20、40、60、100、150、200、300、400、500、600或700个生物标志物。在一些实施方案中,预测生物标志物集包括表1A和/或1B和/或3中所列的多个生物标志物。在一些实施方案中,预测生物标志物集包括表1A和/或1B和/或3中所列的生物标志物的至少约1%、约5%、约10%、约20%、约30%、约40%、约50%、约60%、约70%、约80%、约90%、约95%、约96%、约97%、约98%或约99%。选定的预测生物标志物集可利用本文所述的方法和本领域中已知的类似方法由所提供的预测生物标志物汇集。在一个实施方案中,生物标志物套组含有表1中的全部50个生物标志物或表3中所列的全部生物标志物。在另一个实施方案中,生物标志物套组相应于表2A或2B中的40或44个生物标志物。
可结合不同量度的实际标度上的相应的标量权重来确定预测生物标志物集,通过线性或非线性的、代数的、三角学的或相关的方法经由代数算法、统计学习算法、贝叶斯算法、回归算法或相似的算法将其进一步组合为单一标量值,连同标量值的数学推导的决策函数一起提供预测模型,来自样品的表达谱通过所述预测模型可被解析为对于特定药物或药物类别响应者或无响应者、抵抗或不抵抗的不连续的类。这种预测模型,包括生物标志物成员,是在交叉验证、自助法或类似的取样技术下,由来自具有已知药物响应和/或抵抗或者具有已知分子亚型(即DDRD)分类的既往患者样品的一组代表性表达谱,通过学习权重和决策阈值而开发的,并对灵敏度、特异性、阴性和阳性预测值、风险比或它们的任何组合进行优化。
在一个实施方案中,生物标志物用于形成它们的信号的加权和,其中单个的权重可以是正的或负的。将所得的和(“决策函数”)与预定的参考点或值相比较。与参考点或值的比较可用于诊断或预测临床病况或结果。
如上所述的,本领域普通技术人员将理解,表1A和/或1B和/或3提供的分类器中包括的生物标志物在治疗剂的响应性或抵抗分类器中具有不同的权重。因此,虽然可仅用一个序列来诊断或预测结果例如对于治疗剂的响应性,利用更多序列可提高特异性和灵敏度或诊断或预测准确度。
如本文所用的,术语“权重”指统计计算中项目的相对重要性。每个生物标志物在基因表达分类器中的权重可利用本领域已知的分析方法根据患者样品的数据集来确定。可以应用基因特定偏差值(Gene specific bias values)。可能需要基因特定偏差值来表示分类器中每一个基因相对于训练数据集的中心,如本领域技术人员所能理解的。特定偏差值显示在表4中,并且可以根据本发明的方法和试剂盒被应用。
在一个实施方案中,生物标志物套组涉及表2A中详列的40个生物标志物,相应的排序和权重详列于表中,或者可供选择的排序和权重取决于,例如,疾病情况。在另一个实施方案中,生物标志物套组涉及表2B中详列的44个生物标志物,相应的排序和权重详列于表中,或者可供选择的排序和权重取决于,例如,疾病情况。表2A和2B将生物标志物以在分类器中权重降低的顺序进行排序,确定为在交叉验证下测量的综合决策得分函数中的平均权重的排序。在另一个方案中,生物标志物套组涉及表4中详列的44个生物标志物,相应的排序、权重和偏差详列在表中,或者可供选择的排序、权重和偏差取决于,例如,疾病情况。
表2A
具有相关排序和权重的40-基因DDRD分类器模型的基因ID和EntrezGene ID
表2B
具有相关排序和权重的44-基因DDRD分类器模型的基因ID和EntrezGene ID
表3显示了来自Xcel Array(Almac)的探针集,其代表了表2A和2B中的基因,并给出了它们的序列ID编号。
表3-对应到Xcel平台的44-基因标签中含有的基因的靶序列的探针集ID和SEQ号
表4-具有相关权重和偏差的44-基因DDRD分类器模型的基因符号
在不同的实施方案中,表1A和/或1B、表2A和/或表2B和/或表3和/或4中所列的生物标志物的子集可用于本文所述的方法中。这些子集包括但不限于在表2A或表2B中排序为1-2、1-3、1-4、1-5、1-10、1-20、1-30、1-40、1-44、6-10、11-15、16-20、21-25、26-30、31-35、36-40、36-44、11-20、21-30、31-40和31-44的生物标志物。
在一方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性,所述生物标志物值的每一个对应于生物标志物GBP5、CXCL10、IDO1和MX1中的至少一个,以及选自表2B中的生物标志物的列表的至少N个另外的生物标志物,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35或36。如本文所使用的,术语“生物标志物”可指基因、mRNA、cDNA、反义转录物、miRNA、多肽、蛋白、蛋白片段或指示基因表达水平或蛋白产生水平的任何其他核酸序列或多肽序列。在一些实施方案中,当提到生物标志物CXCL10、IDO1、CD2、GBP5、PRAME、ITGAL、LRP4、APOL3、CDR1、FYB、TSPAN7、RAC2、KLHDC7B、GRB14、AC138128.1、KIF26A、CD274、ETV7、MFAP5、OLFM4、PI15、FOSB、FAM19A5、NLRC5、PRICKLE1、EGR1、CLDN10、ADAMTS4、SP140L、ANXA1、RSAD2、ESR1、IKZF3、OR2I1P、EGFR、NAT1、LATS2、CYP2B6、PTPRC、PPP1R1A或AL137218.1时,所述生物标志物分别包含CXCL10、IDO1、CD2、GBP5、PRAME、ITGAL、LRP4、APOL3、CDR1、FYB、TSPAN7、RAC2、KLHDC7B、GRB14、AC138128.1、KIF26A、CD274、ETV7、MFAP5、OLFM4、PI15、FOSB、FAM19A5、NLRC5、PRICKLE1、EGR1、CLDN10、ADAMTS4、SP140L、ANXA1、RSAD2、ESR1、IKZF3、OR2I1P、EGFR、NAT1、LATS2、CYP2B6、PTPRC、PPP1R1A或AL137218.1的mRNA。在进一步的或其它的实施方案中,当提到生物标志物MX1、GBP5、IFI44L、BIRC3、IGJ、IQGAP3、LOC100294459、SIX1、SLC9A3R1、STAT1、TOB1、UBD、C1QC、C2orf14、EPSTI、GALNT6、HIST1H4H、HIST2H4B、KIAA1244、LOC100287927、LOC100291682或LOC100293679时,所述生物标志物分别包含MX1、IFI44L、GBP5、BIRC3、IGJ、IQGAP3、LOC100294459、SIX1、SLC9A3R1、STAT1、TOB1、UBD、C1QC、C2orf14、EPSTI、GALNT6、HIST1H4H、HIST2H4B、KIAA1244、LOC100287927、LOC100291682或LOC100293679的反义转录物。
在另一方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物GBP5、CXCL10、IDO1和MX1,和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35或36。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物GBP5和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38或39。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物CXCL10和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38或39。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物IDO1和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38或39。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物MX-1和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38或39。
在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物CXCL10、MX1、IDO1和IFI44L中的至少两个和选自表2B中的生物标志物的列表的至少N个另外的生物标志物,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39或40。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物CXCL10、MX1、IDO1和IFI44L和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39或40。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物CXCL10和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42或43。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物MX1和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42或43。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物IDO1和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42或43。在进一步的方面,通过在来自个体的测试(生物)样品上进行测定并检测生物标志物值,在个体中预测治疗响应性或指示癌症诊断,所述生物标志物值的每一个对应于生物标志物IFI44L和选自表2B中的生物标志物的列表的至少N个另外的生物标志物其中之一,其中N等于2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、29、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42或43。
在其它的实施方案中,表1A、1B和/或3中所列的靶序列,或其子集,可用于本文所述的方法中。可以为设计与靶序列杂交的引物和/或探针的目的使用这些靶序列。一旦鉴别了靶序列,合适的引物和/或探针的设计在本领域技术人员的能力之内。可以自由获得各种引物设计工具以帮助进行该过程,例如NCBI Primer-BLAST工具;参见Ye et al,BMCBioinformatics.13:134(2012)。可以设计引物和/或探针以使得它们在严谨条件(如本文所定义的)下与靶序列杂交。引物和/或探针的长度可以是至少15、16、17、18、19、20、21、22、23、24或25(或更多)个核苷酸。应当理解,每一个子集可以包括针对相同生物标志物的多个引物和/或探针。这些表显示在某些情况下,在同一个完整基因内存在多个靶序列。这些引物和/或探针可以被包括在用于实施本发明方法的试剂盒中。试剂盒可以是例如基于阵列或PCR的试剂盒,并且可以包括另外的试剂,例如聚合酶和/或dNTPs。
利用分类器模型测量基因表达
已使用多种方法试图鉴别生物标志物和诊断疾病。对于基于蛋白的标志物,这些方法包括双向电泳、质谱测定法和免疫测定方法。对于核酸标志物,这些方法包括mRNA表达谱、微小RNA谱、测序、FISH、基因表达系列分析(SAGE)、甲基化谱和大型基因表达阵列。
当生物标志物在个体中指示异常过程、疾病或其它病况或作为它们的标志时,与在个体中指示正常过程、无疾病或其它病况或作为它们的标志的生物标志物的表达水平或值相比较,该生物标志物通常被描述为过表达的或低表达的。“上调”、“上调的”、“过表达”、“过表达的”和它们的任何变化形式可互换使用,指高于在健康或正常个体的类似生物样品中通常检测到的生物标志物的值或水平(或值或水平的范围)的生物样品中的生物标志物的值或水平。该术语还可指高于在特定疾病的不同阶段可检测到的生物标志物的值或水平(或值或水平的范围)的生物样品中的生物标志物的值或水平。
“下调”、“下调的”、“低表达”、“低表达的”和它们的任何变化形式可互换使用,指低于在健康或正常个体的类似生物样品中通常检测到的生物标志物的值或水平(或值或水平的范围)的生物样品中的生物标志物的值或水平。该术语还可指低于在特定疾病的不同阶段可检测到的生物标志物的值或水平(或值或水平的范围)的生物样品中的生物标志物的值或水平。
进一步,与在个体中指示正常过程或无疾病或其它病况或作为它们的标志的生物标志物的“正常”表达水平或值相比较,过表达的或低表达的生物标志物还可被称作“差异表达的”或被称作具有“差异水平”或“差异值”。因此,生物标志物的“差异表达”还可称作生物标志物的“正常”表达水平的变化形式。
术语“差异生物标志物表达”和“差异表达”可互换使用,指这样的生物标志物,相对于它在正常受试者中的表达,或相对于它在对特定治疗具有不同响应的患者或在具有不同预后的患者中的表达,在患有特定疾病的对象中它的表达被激活至较高或较低水平。该术语还包括其表达在相同的疾病的不同的阶段被激活至较高或较低水平的生物标志物。还应当理解的是,差异表达生物标志物可在核酸水平或蛋白质水平上被激活或被抑制,或可经受可变剪接以产生不同的多肽产物。这种差异可通过多种改变,包括mRNA水平、miRNA水平、反义转录物水平或蛋白表面表达、分泌或多肽的其他划分来证实。差异生物标志物表达可包括两个或更多个基因或它们的基因产物之间的表达的比较;或两个或更多个基因之间或它们基因产物之间的表达比率的比较;或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病受试者之间是不同的;或在相同疾病的不同阶段是不同的。差异表达包括例如在正常细胞和病态细胞中或在经历不同的疾病事件或疾病阶段的细胞中的生物标志物中的瞬时表达模式或细胞表达模式中的定量和定性的差异。
在特定的实施方案中,所获得的表达谱是基因组或核酸表达谱,其中样品中的一种或多种核酸的量或水平被确定。在这些实施方案中,被测定以产生诊断或预后方法中所用的表达谱(即测量样品中一个或多个生物标志物的表达水平)的样品包含核酸样品。核酸样品包括核酸群体,所述核酸群体包括被分析的细胞或组织的表型决定生物标志物的表达信息。在一些实施方案中,核酸可以包括RNA或DNA核酸,例如,mRNA、cRNA、cDNA等,只要该样品保留了获得它的宿主细胞或组织的表达信息。样品可以本领域中已知的多种不同的方法来制备,例如,通过从细胞分离mRNA,其中分离的mRNA被分离的、扩增,或用来制备cDNA、cRNA等,如差异基因表达领域已知的。相应地,确定样品中mRNA的水平包括从mRNA制备cDNA或cRNA,然后测量cDNA或cRNA。通常从由需要治疗的受试者中收获的细胞或组织来制备样品,例如通过组织活检,使用标准方案,其中可以产生这种核酸的细胞类型或组织包括其中存在待确定表型的表达模式的任何组织,包括,但不限于,疾病细胞或组织、体液等。
可利用任何常规方案从初始核酸样品中产生表达谱,该表达谱代表了测试样品中一个或多个生物标志物的测量的表达水平。虽然已知多种不同的产生表达谱的方式,例如在差异基因表达/生物标志物分析领域中所使用的那些,产生表达谱的一个代表性的和方便类型的方案是基于阵列的基因表达谱产生方案。这种应用是杂交测定,其中使用表面例如(玻璃)芯片,针对数千基因的每一个的几个探针被固定在其上。在这些表面上通常在每一个待分析的基因中存在多个靶区域,并且每个靶区域存在多个探针(通常是从11到100个)。这样,通过与该表面上的多个(数十个)探针的杂交评价每一个基因的表达。在这些测定中,首先从被测定的初始核酸样品中制备靶核酸的样品,其中制备可以包括用标记物标记靶核酸,所述标记物例如是信号产生系统的成员。制备靶核酸样品后,在杂交条件下使样品与阵列相接触,从而在与附着于阵列表面的探针序列互补的靶核酸之间形成复合物。然后定性地或定量地检测杂交复合物的存在。可被实施以产生主题方法中所使用的表达谱的特定的杂交技术包括在下述文献中描述的技术:美国专利Nos.5143854、5288644、5324633、5432049、5470710、5492806、5503980、5510270、5525464、5547839、5580732、5661028、5800992;通过引用将其公开内容合并入本文;以及WO 95/21265、WO 96/31622、WO 97/10365、WO 97/27317、EP 373203和EP 785280。在这些方法中,使“探针”核酸阵列与上述的靶核酸接触,所述“探针”核酸阵列包括其表达待测定的每一个生物标志物的探针的一个或几个探针。接触在杂交条件,例如上述的严谨杂交条件下进行,然后除去未结合的核酸。所得的杂交核酸的模式提供了有关已被探针杂交的每一个生物标志物的表达的信息,其中表达的信息是基因是否被表达,以及,且通常以何种水平表达,其中表达数据,即表达谱,可以同时是定性的和定量的。该方法可以包括相对于该阵列中所有其它探针子集标准化该杂交模式。
产生生物标志物表达分类器
在一个实施方案中,测量癌症组织中的生物标志物的相对表达水平,以形成基因表达谱。以综合决策得分(或测试得分)的形式,总结来自患者组织样品的生物标志物的集合的基因表达谱,并与从患者数据的训练集中数学推导的得分阈值相比较。得分阈值根据不同的特征将患者组分开,所述特征例如但不限于,对治疗的响应性/非响应性。患者训练集数据优选地来源于已由预后、复发可能性、长期存活、临床结果、治疗响应、诊断、癌症分类或个体化的基因组谱表征的OAC组织样品。或者,它可以代表来自分子亚型(DDRD)已得到良好定义和表征的患者群体的数据集。来自患者样品的表达谱和相应的决策得分(测试得分)可以与位于数学推导的得分决策阈值的同侧的训练集中的患者样品的特征相关联。可以优化线性分类器标量输出的阈值以使如在训练数据集中所观察到的交叉验证下的灵敏度与特异性之和最大化。可选地,根据在不同的疾病适应症中所述测试的建议的临床可用性,可以以特异性以及阴性预测值为代价来提高测定的灵敏度和阳性预测值,或者反之。
利用本领域技术人员已知的方法对给定样品的整体表达数据进行标准化,以校正起始物质的不同量、提取和扩增反应的不同效率等。利用基于标准化数据的线性分类器来有效地形成诊断或预后描述(例如,对于治疗剂的响应性或抵抗)意味着通过分离超平面的方式将数据空间,即分类器中全部基因的表达值的所有可能的组合,分割为分开的两半。该分割可以基于一大组训练实例凭经验来获得,所述训练实例例如来自对治疗剂表现出响应性或抵抗的患者。不失一般性地,对于除一个生物标志物以外的全部生物标志物可假定某一固定组的值,其将自动定义关于该其余生物标志物的阈值,其中决策由,例如,对治疗剂的响应性或抵抗而改变。然后,高于该动态阈值的表达值将指示抵抗(对于具有负权重的生物标志物)或响应性(对于具有正权重的生物标志物)。该阈值的精确值取决于分类器中所有其它生物标志物的实际测量表达谱,但某些生物标志物的通用指示仍然是固定的,即,高的值或“相对过表达”通常有助于响应性(具有正权重的基因)或抵抗(具有负权重的基因)。因此,在整体基因表达分类器中,相对表达可以指示特定生物标志物的上调或下调是否代表对治疗剂的响应性或抵抗。
在一个实施方案中,通过线性分类器评价测试样品,例如患者组织样品的生物标志物表达谱。如本文所使用的,线性分类器指单独的生物标志物强度的加权和形成综合决策得分(“决策函数”)。然后将该决策得分与预定的截断得分阈值相比较,所述预定的截断得分阈值对应于按灵敏度和特异性方式的特定设定点,该设定点指示是否样品高于得分阈值(决策函数为正)或低于得分阈值(决策函数为负)。
实际上,这意味着数据空间,即,生物标志物表达值的所有可能的组合的集,被分割为对应于不同的临床分类或预测的互斥的两半,例如,一个对应于对治疗剂的响应性,另一个对应于抵抗。在整体分类器中,某些生物标志物的相对过表达可提高决策得分(正权重)或降低决策得分(负权重),且因此有助于整体决策,例如,对治疗剂的响应性或抵抗的整体决策。
术语“曲线下面积”或“AUC”指受试者工作特征(ROC)曲线的曲线下面积,这二者都是本领域中熟知的。AUC测量对于在全部数据范围上比较分类器的准确度是有用的。具有较高AUC的分类器具有更大的能力在两个目标组(例如,OAC癌症样品和正常样品或对照样品)对未知项进行正确的分类。ROC曲线对于在两个群体(例如,对治疗剂响应和无响应的个体)之间进行区别时描绘特定特征(例如,本文所述的任何生物标志物和/或另外的生物医学信息的任何条目)的性能是有用的。通常,以单个特征的值为基础以升序顺序对整个群体(例如,病例和对照)特征数据进行排序。然后,对于该特征的每个值,计算数据的真阳性和假阳性率。通过对高于该特征的值的病例的数量进行计数并除以病例总数来确定真阳性率。通过对高于该特征的值的对照的数量进行计数并除以对照总数来确定假阳性率。虽然该定义指与对照相比较在病例中特征是升高的情况,该定义还应用于与对照相比较在病例中特征较低的情况(在该情况中,将对低于该特征的值的样品进行计数)。可以对单一特征以及对其它单一输出产生ROC曲线,例如,两个或更多个特征的组合可用数学方法结合(例如,相加、相减、相乘等)以提供单一的总和值,并且该单一的总和值可绘制于ROC曲线中。此外,多个特征的任意组合,其中该组合源自于单一的输出值,可绘制于ROC曲线中。特征的这些组合可包括测试。ROC曲线是测试的真阳性率(灵敏度)相对于测试的假阳性率(1-特异性)的图。
对于该量,即,对治疗剂的截断阈值响应性或抵抗的解释,是在发展阶段(“训练”)源自于具有已知结果的患者的集。决策得分的相应权重和响应性/抵抗截断阈值通过本领域技术人员已知的方法由训练集先验地固定。在本方法的优选实施方案中,使用偏最小二乘法判别分析(PLS-DA)来确定权重。(L.S.Wold,J.Chemom.1(1987)185-196;D.V.Nguyen,D.M.Rocke,Bioinformatics 18(2002)39-50)。本领域技术人员已知的用于进行分类的其他方法也可与本文所述的方法一起使用,例如当应用于食道癌(OAC)分类器的转录物时。
可使用不同的方法将在这些生物标志物基础上测量的定量数据转换为预后或其他预测用途。这些方法包括,但不限于来自模式识别(Duda et al.Pattern Classification,2nded.,John Wiley,New York 2001),机器学习(et al.Learning withKernels,MIT Press,Cambridge 2002,Bishop,Neural Networks for PatternRecognition,Clarendon Press,Oxford 1995),统计学(Hastie et al.The Elements ofStatistical Learning,Springer,New York 2001),生物信息学(Dudoit et al.,2002,J.Am.Statist.Assoc.97:77-87,Tibshirani et al.,2002,Proc.Natl.Acad.Sci.USA 99:6567-6572)或化学计量学(Vandeginste,et al.,Handbook of Chemometrics andQualimetrics,Part B,Elsevier,Amsterdam 1998)领域的方法。
在训练步骤中,对于响应性/抵抗病例二者测量一组患者样品,并利用来自该训练数据的固有信息优化预测方法,以最佳地预测训练集或未来的样品集。在该训练步骤中,所用方法被训练或被参数化,以从特定强度类型预测特定预测描述。在其被用于预后方法或算法之前,可用测量的数据进行适当的转化或预处理步骤。
在本发明的优选实施方案中,对于每个转录物形成预处理强度值的加权和,并将其与基于训练集优化的阈值相比较(Duda et al.Pattern Classification,2nd ed.,JohnWiley,New York 2001)。可以通过多种线性分类方法获得权重,包括但不限于偏最小二乘法(PLS,(Nguyen et al.,2002,Bioinformatics 18(2002)39-50))或支持向量机(SVM,(et al.Learning with Kernels,MIT Press,Cambridge 2002))。
在本发明的另一个实施方案中,在应用于上述的加权和之前将数据转化为非线性的。该非线性转化可以包括增加数据的维数。该非线性转化和加权和可以隐式地进行,例如通过使用核函数(et al.Learning with Kernels,MIT Press,Cambridge2002)。
在本发明的另一个实施方案中,将新数据样品与作为真实测量的训练样品或人工产生的原型的两种或更多种原型相比较。该比较利用适当的相似方式来进行,例如,但不限于,欧几里德距离(Duda et al.Pattern Classification,2nd ed.,John Wiley,New York2001),相关系数(Van’t Veer,et al.2002,Nature 415:530)等。然后将新样品分配到具有最接近的原型或在附近具有最高数量原型的预后组。
在本发明的另一个实施方案中,使用决策树(Hastie et al.,The Elements ofStatistical Learning,Springer,New York 2001)或随机森林(Breiman,RandomForests,Machine Learning 45:5 2001)从转录物集或它们的产物的测量强度数据生成预后描述。
在本发明的另一个实施方案中,使用神经网络(Bishop,Neural Networks forPattern Recognition,Clarendon Press,Oxford 1995)从转录物集或它们的产物的测量强度数据生成预后描述。
在本发明的另一个实施方案中,使用判别分析(Duda et al.,PatternClassification,2nd ed.,John Wiley,New York 2001),其包括但不限于线性分析、对角线性分析、二次判别分析和逻辑判别分析,从转录物集或它们的产物的测量强度数据生成预后描述。
在本发明的另一个实施方案中,使用微阵列预测分析(PAM,(Tibshirani et al.,2002,Proc.Natl.Acad.Sci.USA 99:6567-6572))从转录物集或它们的产物的测量强度数据生成预后描述。
在本发明的另一个实施方案中,使用类比软独立建模分类法(SIMCA,(Wold,1976,Pattern Recogn.8:127-139))从转录物集或它们的产物的测量强度数据生成预后描述。
在本发明的另一个实施方案中,使用c-指数对预测能力进行定量。该指数使用针对可检查的连续响应变量的生物标志物。c指数是所有的受试者对的比例,所述受试者的生存时间可以进行排序,以使得具有较高预测生存率的受试者是生存时间较长的受试者。如果两个受试者都被检查或者如果一个受试者失败而另一个受试者的随访时间少于第一个受试者的失败事件,则两个受试者的生存时间不能被排序。c指数是预测的和观察的生存率之间的吻合概率,对于随机预测来说c=0.5,对于完美判别模型来说c=1。(FrankE.Harrell,Jr.Regression Modeling Strategies,2001)。
治疗剂
如上所述,本文所述的方法允许将患有OAC(包括早期OAC)的患者分类为对治疗剂(下文称作“DNA损伤治疗剂”)响应或无响应,所述治疗剂靶向具有异常DNA修复的肿瘤。如本文所使用的,“DNA损伤治疗剂”包括已知直接损伤DNA的剂,阻止DNA损伤修复的剂,抑制DNA损伤信号传导的剂,抑制DNA损伤诱导的细胞周期停滞的剂和抑制间接导致DNA损伤的过程的剂。目前一些用来治疗OAC的这种治疗剂包括,但不限于,下述DNA损伤治疗剂。
1)DNA损伤剂:
a.烷化剂(含铂的剂,例如顺铂、卡铂和奥沙利铂;环磷酰胺;白消安)。
b.拓扑异构酶I抑制剂(伊立替康;托泊替康)
c.拓扑异构酶II抑制剂(依托泊苷;蒽环类例如阿霉素和表阿霉素)
d.电离辐射
2)DNA修复靶向疗法
a.非同源末端连接抑制剂(DNA-PK抑制剂、Nu7441、NU7026)
b.同源重组抑制剂
c.核苷酸切除修复抑制剂
d.碱基切除修复抑制剂(PARP抑制剂、AG014699、AZD2281、ABT-888、MK4827、BSI-201、INO-1001、TRC-102、APEX 1抑制剂、APEX 2抑制剂、连接酶III抑制剂
e.范可尼贫血途径抑制剂
3)DNA损伤信号传导的抑制剂
a.ATM抑制剂(CP466722)
b.CHK 1抑制剂(XL-844,UCN-01、AZD7762、PF00477736)
c.CHK 2抑制剂(XL-844、AZD7762、PF00477736)
d.ATR抑制剂(AZ20)
4)DNA损伤诱导的细胞周期停滞的抑制剂
a.Wee1激酶抑制剂
b.CDC25a、b或c抑制剂
5)对间接导致DNA损伤的过程的抑制
a.组蛋白脱乙酰酶抑制剂
b.热休克蛋白抑制剂(格尔德霉素、AUY922),
6)DNA合成的抑制剂:
a.嘧啶类似物(5-FU、吉西他滨)
b.前药(卡培他滨)
如上所述,对其响应性被预测的治疗剂可用于肿瘤辅助疗法中。但是,它们在辅助疗法中可以另外地或替代性地使用。
本文所述的本发明不限于任何一种DNA损伤治疗剂,它可用于鉴别对多种DNA损伤治疗剂的任一种的响应或无响应者,所述DNA损伤治疗剂例如那些直接或间接影响DNA损伤和/或DNA损伤修复的。在一些实施方案中,DNA损伤治疗剂包含一种或多种选自由以下各项组成的组的物质:DNA损伤剂、DAN修复靶向疗法、DNA损伤信号传导的抑制剂、DNA损伤诱导的细胞周期停滞的抑制剂、组蛋白脱乙酰酶抑制剂、热休克蛋白抑制剂和DNA合成抑制剂。更特别地,DNA损伤治疗剂可以选自一种或多种含铂试剂、核苷类似物例如吉西他滨或5-氟脲嘧啶或其前药例如卡培他滨、蒽环类例如表阿霉素或阿霉素、烷化剂例如环磷酰胺、电离辐射或(电离)辐射和化疗的组合(放化疗)。在特定的实施方案中,DNA损伤治疗剂包括含铂试剂,例如选自顺铂、卡铂、奥沙利铂的基于铂的试剂。该方法和试剂盒可以预测对于用DNA损伤剂与其它疗法(例如放疗)或药物一起进行的治疗的响应性。因此,该方法和试剂盒可以预测对于组合疗法的响应性。在一些实施方案中,其它药物是有丝分裂抑制剂。有丝分裂抑制剂可以是长春花生物碱或紫杉烷。在特定的实施方案中,长春花生物碱是长春瑞滨。在其它实施方案中,紫杉烷是紫杉醇或多西紫杉醇。在特定的实施方案中,鉴别在OAC的治疗中对下述治疗有响应者:顺铂/卡铂和5-氟脲嘧啶(CF),顺铂/卡铂和卡培他滨(CX),表阿霉素/阿霉素、顺铂/卡铂和氟脲嘧啶(ECF),表阿霉素/阿霉素、奥沙利铂和卡培他滨(EOX),以及与紫杉醇、伊立替康和长春瑞滨的组合,使用或不使用紫杉烷的放疗或放化疗。
疾病和组织来源
本文所述的预测分类器对于确定对治疗食道癌(特别是OAC)的治疗剂的响应性或抵抗是有用的。食道癌典型地是食道腺癌(OAC)并且可以是早期的。
在一个实施方案中,本文所述的方法指用下列种类的化疗剂治疗的OACs:DNA损伤制剂、DNA修复靶向疗法、DNA损伤信号传导的抑制剂、DNA损伤诱导的细胞周期停滞的抑制剂和间接导致DNA损伤的过程的抑制,但不限于这些种类。这些化疗剂中的每一种被认为是如本文所用的术语“DNA损伤治疗剂”。
“生物样品”、“样品”和“测试样品”在本文中可以互换使用,指从个体获得或用其他方式取得的任何物质、生物流体、组织或细胞。其包括血液(包括全血、白血球、外周血单核细胞、血沉棕黄层、血浆和血清)、痰液、泪液、粘液、鼻洗液、鼻抽吸物、呼吸样、尿液、精液、唾液、脑膜液、羊水、腺液、淋巴液、乳头抽吸物、支气管抽吸物、滑膜液、关节抽吸物、腹水、细胞、细胞提取物和脑脊液。其还包括上述全部的实验分离的级分。例如,血液样品可分级为血清或含特定类型的血细胞的级分,例如红细胞或白细胞(白血球)。如果需要,样品可以是来自个体的样品的组合,例如组织和流体样品的组合。术语“生物样品”还包括含均质固体物质的物质,例如来自粪便样品、组织样品或组织活检的物质。术语“生物样品”还包括来源于组织培养或细胞培养的物质。可以使用用于获得生物样品的任何适当的方法;示例性的方法包括,例如,静脉切开术、擦拭(例如,口腔擦拭),和细针穿刺活检过程。在一些实施方案中,还可通过内窥镜检查获得样品。从个体获得或来源于个体的“生物样品”包括在从个体获得之后已以任何适当的方式处理的任何这样的样品。
在这种的情况下,靶细胞可以是肿瘤细胞,例如OAC细胞。靶细胞来源于任何组织来源,包括人和动物组织,例如但不限于,新获得的样品、冷冻样品、活检样品、体液样品、血样、保存的组织例如石蜡包埋固定的组织样品(即组织块)或细胞培养物。
在一些特定的实施方案中,样品可以包含或可以不包含囊泡。
方法和试剂盒
用于基因表达分析的试剂盒
用于进行本文所述的方法的试剂、工具和/或说明书可在试剂盒中提供。例如,试剂盒可以含有用于确定食道癌癌症患者的适合疗法的试剂、工具和说明书。这种试剂盒可以包括用于从患者收集,例如通过活检收集组织样品的试剂,和用于处理该组织的试剂。试剂盒还可包括用于进行生物标志物表达分析的一种或多种试剂,例如用于进行核酸扩增,包括RT-PCR和qPCR、NGS、RNA印迹、蛋白质组分析或免疫组化以确定患者的样品中的生物标志物的表达水平的试剂。例如,这种试剂盒中可以包括用于进行RT-PCR的引物,用于进行RNA印迹分析的探针,和/或用于进行蛋白质组分析例如Western印迹、免疫组化和ELISA分析的抗体。还可包括用于测定的适合的缓冲液。还可包括这些测定中的任何一种所需的检测试剂。以下详细描述了适合的试剂和方法。
在特定的实施方案中,表1A(SEQ ID NO:1-24)、1B(SEQ ID NO:25-50)和/或3(SEQID NO:51-230)中所列的靶序列,或它们的子集,可用在本文所述的方法和试剂盒中。可以为设计与靶序列杂交的引物和/或探针的目的使用靶序列。一旦鉴别了靶序列,适合的引物和/或探针的设计在本领域技术人员的能力之内。可以自由获得各种引物设计工具,以帮助进行该过程,例如NCBI Primer-BLAST工具。可以设计引物和/或探针,以使它们在严谨条件下与靶序列杂交。引物和/或探针可以是长度为至少15、16、17、18、19、20、21、22、23、24或25个(或更多个)核苷酸。应当理解,每一个子集可以包括针对同一个生物标志物的多个引物和/或探针。这些表显示在某些情况下,在同一个完整基因中存在多个靶序列。这些引物和/或探针可以被包括在用于实施本发明方法的试剂盒中。该试剂盒可以是例如基于阵列或PCR的试剂盒,并且可以包括其它试剂,例如聚合酶和/或dNTPs。本文所述的试剂盒还可以包括描述如何进行用于测量生物标志物表达的测定的说明书。说明书还可包括有关如何确定参考组群的说明,包括如何确定参考组群中生物标志物的表达水平和如何组合表达数据以建立用于与测试患者相比较的参考。说明书还可包括用于测定测试患者中的生物标志物表达和用于将该表达水平与参考组群中的表达相比较从而确定用于测试患者的合适化疗的说明。以上描述了用于确定合适的方法,且该方法可在说明书中详细描述。
试剂盒中包括的信息材料可以是与本文所述的方法和/或用于本文所述的方法的试剂的用途相关的描述的、指导的、销售的或其它的材料。例如,试剂盒的信息材料可以含有联系信息,例如,物理地址、电子邮件地址、网站或电话号码,其中试剂盒的使用者可获得有关进行基因表达分析和解析结果的大量信息,特别是当应用于可能对特定治疗剂具有响应的人时。
本文所述的试剂盒还可以含有从生物标志物表达推断可能对特定的治疗剂具有阳性响应的患者所需的软件。
在一些实施方案中,该试剂盒可以另外含有在个体被预测为响应的情况下施用的DNA损伤治疗剂。本文所述的治疗OAC的任何特定试剂或试剂的组合都可以被加入到试剂盒中。可以以特别为OAC治疗定制的形式,例如剂量形式提供试剂或试剂的组合。试剂盒可以配有适当的用于根据OAC治疗方案进行施用,例如在肿瘤辅助治疗和/或辅助治疗中使用的说明。
a)基因表达谱分析方法
在生物样品中测量mRNA可以被用作生物样品中的相应蛋白质水平检测的替代。因此,本文所述的任何生物标志物或生物标志物套组还可通过检测合适的RNA来检测。基因表达谱分析的方法包括,但不限于,微阵列、RT-PCT、qPCR、NGS、RNA印迹、SAGE、质谱测定法。
mRNA表达水平可以通过反转录定量聚合酶链式反应(RT-PCR,然后进行qPCR)来测量。RT-PCR被用来从mRNA产生cDNA。cDNA可用于qPCR测定以随着DNA扩增过程的进行而产生荧光。通过与标准曲线的比较,qPCR可产生绝对测量,例如每个细胞的mRNA拷贝数。与毛细管电泳结合的Northern blots、微阵列、侵入测定和RT-PCR均已用于测量样品中的mRNA的表达水平。参见Gene Expression Profiling:Methods and Protocols,RichardA.Shimkets,编者,Humana Press,2004。
miRNA分子是非编码但可调节基因表达的小RNA。适合测量mRNA表达水平的任何方法也可用于相应的miRNA。最近许多实验室已研究了miRNA作为疾病的生物标志物的用途。许多疾病涉及广泛的转录调节,miRNA可能具有生物标志物的作用并不令人惊讶。miRNA浓度和疾病之间的关联常常不如蛋白质水平和疾病之间的关联那么清楚,然而,miRNA生物标志物的价值可能是重要的。当然,与疾病过程中差异表达的任何RNA—样,开发体外诊断产品面临的问题将包括以下要求:miRNA存在于疾病细胞中且易于提取以进行分析,或miRNAs被释放到血液或其他基质中,它们在那里存在的时间必须足够久以被测量。蛋白质生物标志物有相似的要求,虽然许多潜在的蛋白质生物标志物在病理位点被有意地分泌,并在疾病过程中以旁分泌的方式发挥作用。许多潜在的蛋白质生物标志物被设计为在合成那些蛋白的细胞外发挥作用。
基因表达还可利用质谱测定法来评价。多种配置的质谱仪可用于检测生物标志物的值。可以获得几种类型的质谱仪或者可以用不同的配置来产生几种类型的质谱仪。通常,质谱仪具有以下主要组件:进样口、离子源、质量分析器、检测器、真空系统和仪器控制系统和数据系统。进样口、离子源和质量分析器的差异通常决定了仪器的类型及其性能。例如,进口可以是毛细管柱液相色谱来源,或可以是直接进样探头或平台,例如基质辅助激光解吸中所用的。常见的离子源为,例如,电喷雾,包括纳喷雾和微喷雾或基质辅助激光解吸。常见的质谱仪包括四极滤质器、离子阱质量分析器和飞行时间质量分析器。其它质谱测定法是本领域中熟知的(参见Burlingame et al.,Anal.Chem.70:647R-716R(1998);Kinterand Sherman,New York(2000))。
蛋白质生物标志物和生物标志物值可通过任何以下方法来检测和测量:电喷雾电离质谱法(ESI-MS)、ESI-MS/MS、ESI-MS/(MS)n、基质辅助激光解吸离子化飞行时间质谱测定法(MALDI-TOF-MS)、表面增强激光解吸/电离飞行时间质谱测定法(SELDI-TOF-MS)、硅上的激光解吸/电离(DIOS)、次级离子质谱法(SIMS)、四极飞行时间(Q-TOF)、串联飞行时间(TOF/TOF)技术,称为ultraflex III TOF/TOF,大气压化学电离质谱法(APCI-MS)、APCI-MS/MS、APCI-(MS).sup.N、大气压光离子质谱法(APPI-MS)、APPI-MS/MS和APPI-(MS).sup.N、四极质谱测定法、傅立叶变换质谱测定法(FTMS)、定量质谱测定法和离子阱质谱测定法。
在对蛋白值生物标志物进行质谱表征和确定生物标志物值之前使用样品制备策略来标记和富集样品。标记方法包括但不限于用于相对和绝对定量的等量异位标签(iTRAQ)和细胞培养中用氨基酸进行的稳定同位素标记(SILAC)。在质谱分析之前用来针对候选生物标志物蛋白质选择性富集样品的捕捉试剂包括但不限于适体、抗体、核酸探针、嵌合体、小分子、F(ab')2片段、单链抗体片段、Fv片段、单链Fv片段、核酸、凝集素、配体结合受体、亲和体(affybodies)、纳米抗体、锚蛋白、域抗体、可选的抗体支架(例如双体抗体等)印迹聚合物、高亲和性多聚体(avimer)、模拟肽、类肽、肽核酸、苏糖核酸、激素受体、细胞因子受体和合成受体,以及这些的修饰形式和片段。
前述测定能够检测生物标志物的值,所述生物标志物的值在用于预测对癌症治疗剂的响应性的方法中是有用的,其中所述方法包括在来自患OAC的个体的生物样品中检测至少N个生物标志物值,其中每个生物标志物值对应于选自由表1至4中提供的生物标志物组成的组,其中使用生物标志物值进行的分类,如以下所详细描述的,指示个体对治疗剂是否具有响应性。虽然所描述的预测性生物标志物中的某些仅对于预测对治疗剂的响应性是有用的,本文还描述了生物标志物的多个子集的分组,所述每个子集可用作两个或更多个生物标志物的套组。因此,本申请的各个实施方案提供了包含N个生物标志物的组合,其中N为至少3个生物标志物。应当理解N可以被选择为以上所描述的范围,以及相似的但更高级别范围中的任何范围中的任何数目。根据本文所述的任何方法,生物标志物值可以被单独检测并分类,或可以共同检测并分类,例如以多重测定的形式。
b)微阵列方法
在一个实施方案中,本发明利用了“寡核苷酸阵列”(在本文中也被称作“微阵列”)。微阵列可用来分析细胞中生物标志物的表达,特别是用来测量癌症组织的生物标志物的表达。
在一个实施方案中,生物标志物阵列通过将代表细胞中存在的mRNA转录物的可检测标记的多核苷酸(例如,从总细胞mRNA或标记的cRNA合成的荧光标记的cDNA)与微阵列杂交而产生。微阵列是表面,该表面具有细胞或生物体基因组中许多基因的产物的结合(例如杂交)位点的有序阵列,所述许多基因优选为大多数基因或几乎全部的基因。可以用本领域中已知的多种方法来制备微阵列。不管如何产生,微阵列都具有某些共同特征。阵列是可复制的,这允许产生给定阵列的多个拷贝并易于相互比较。优选地,微阵列是小的,通常小于5cm2,而且它们由在结合(例如核酸杂交)条件下稳定的材料制成。微阵列中给定的结合位点或结合位点的独特的集合将特异性地结合细胞中的单个基因的产物。在特定的实施方案中,使用在每个位置处含有附着的已知序列的核酸的位置可寻址阵列。
应当理解,当制备与细胞的RNA互补的cDNA并在适合的杂交条件下将其与微阵列杂交时,与阵列中对应于任何特定基因的位点的杂交水平将反映出由该基因/生物标志物转录的mRNA在细胞中的发生率。例如,当与总细胞mRNA互补的可检测标记(例如利用荧光素标记)的cDNA或cRNA与微阵列杂交时,阵列上对应于未在细胞中转录的基因(即能够特异性结合基因的产物)的位点将具有很少的信号或没有信号(例如荧光信号),而编码mRNA普遍存在的基因将具有相对强的信号。选择核酸杂交和洗涤条件以便探针与特定的阵列位点“特异性结合”或“特异性杂交”,即,探针与具有互补核酸序列的序列阵列位点杂交、形成双链体或结合,而不与具有非互补核酸序列的位点杂交。如本文所使用的,如果多核苷酸的较短部分少于或等于25个碱基,利用标准碱基配对法则无错配,或者,如果多核苷酸的较短部分长于25个碱基,不存在5%以上的错配,这时则认为一个多核苷酸序列与另一个互补。优选地,多核苷酸完全互补(无错配)。通过利用常规实验通过进行包括阴性对照的杂交测定可以证明,特定杂交条件导致特异性杂交。
最佳杂交条件将取决于标记的探针和固定的多核苷酸或寡核苷酸的长度(例如,寡聚体相对于超过200个碱基的多核苷酸)和类型(例如,RNA、DNA、PNA)。核酸的特定(即,严谨)杂交条件的一般参数在Sambrook et al.,supra和Ausubel et al.,"CurrentProtocols in Molecular Biology",Greene Publishing and Wiley-interscience,NY(1987)中描述,为所有目的,将其全文合并入本文。当使用cDNA微阵列时,典型的杂交条件是在65℃在5xSSC加0.2%SDS中杂交4小时,然后在25℃在低严谨洗涤缓冲液(1xSSC加0.2%SDS)中洗涤,然后在25℃在高严谨洗涤缓冲液(0.1SSC加0.2%SDS)中洗涤10分钟(参见Shena et al.,Proc.Natl.Acad.Sci.USA,Vol.93,p.10614(1996))。有用的杂交条件也提供于,例如,Tijessen,Hybridization With Nucleic Acid Probes",Elsevier SciencePublishers B.V.(1993)以及Kricka,"Nonisotopic DNA Probe Techniques",AcademicPress,San Diego,Calif.(1992)。
微阵列平台包括由例如Affymetrix,Illumina和Agilent的公司制造的那些。由Affymetrix制造的微阵列平台的实例包括U133Plus2阵列、Almac proprietary XcelTM阵列和Almac proprietary Cancer包括Breast Cancerand Lung Cancer
c)免疫测定方法
免疫测定方法基于抗体与其相应靶标或分析物的反应,且可根据特定的测定形式检测样品中的分析物。为了提高基于免疫响应性的测定方法的特异性和灵敏度,单克隆抗体由于其特异性表位识别而经常被使用。在许多免疫测定中也已成功地使用了多克隆抗体,原因是它们与单克隆抗体相比对于靶标的亲和力提高。已设计了免疫测定用于宽范围生物样品基质。已设计了免疫测定形式提供定性、半定量和定量的结果。
可通过利用待检测的特定分析物的已知浓度产生的标准曲线的应用来产生定量结果。基于标准曲线绘制来自未知样品的反应或信号的图,且建立对应于未知样品中的靶标的量或值。
已设计了多种免疫测定形式。ELISA或EIA可以定量地检测分析物/生物标志物。该方法基于标记物与分析物或抗体的连接,且标记物组分直接地或间接地包括酶。可设计ELISA测试的形式可以是对分析物进行直接、间接、竞争性或夹心法检测。其它方法基于标记物例如,放射性同位素(I125)或荧光。另外的技术包括,例如,凝集法、浊度法、比浊法、Western印迹、免疫沉淀、免疫细胞化学、免疫组化、流式细胞术、Luminex测定和其他技术(参见ImmunoAssay:A Practical Guide,Brian Law编辑,Taylor&Francis,Ltd.出版,2005版)。
示例性的测定形式包括酶联免疫测定(ELISA)、放射免疫测定、荧光测定、化学发光测定和荧光共振能量转移(FRET)或时间分辨-FRET(TR-FRET)免疫测定。用于检测生物标志物的程序的实例包括生物标志物免疫沉淀,然后进行允许区分大小和肽水平的定量方法,例如凝胶电泳、毛细管电泳、平面电色谱等。
检测和/或定量可检测的标记或信号产生物质的方法取决于标记物的性质。由适当的酶催化的反应产物(其中可检测的标记物是酶;见上文)可以是,但不限于,荧光产物、发光产物或放射活性产物,或者它们可以吸收可见光或紫外光。适用于检测这种可检测标记物的检测物的实例包括,但不限于,x-射线薄膜、放射性计数器、闪烁计数器、分光光度计、比色计、荧光光度计、光度计和光密度计。
可以以允许进行任何适合反应制备、处理和分析的任何形式来进行任何用于检测的方法。这可以是,例如,在多孔测定板(例如,96孔或384孔)中进行或利用任何适合的阵列或微阵列进行。用于不同的试剂的贮液可以人工地或由机器配制,并且所有随后的吸取、稀释、混合、分配、洗涤、孵育、样品读数、数据采集和分析可以利用能够检测可检测标记物的商业上可获得的分析软件、机器和检测设备在机器上进行。
临床应用
在一些实施方案中,提供了用于鉴别和/或选择对于治疗方案有响应的癌症患者的方法。特别地,该方法涉及鉴别或选择对于治疗方案有响应的癌症患者,所述治疗方案包括施用直接或间接损伤DNA的剂。还提供了用于鉴别对于治疗方案无响应的患者的方法。这些方法通常包括确定患者肿瘤(原发性、转移性肿瘤或来自肿瘤的其他衍生物,例如,但不限于,血液或血液中的组分、尿液、唾液和其他体液)中一系列预测标志物的表达水平,将表达水平与参考表达水平相比较,并鉴别样品中的表达是否包括所选的预测标志物或标志物集合的表达模式或表达谱,所述表达模式或表达谱对应于对治疗剂有响应或无响应。
在一些实施方案中,预测患食道腺癌(OAC)的个体对用DNA损伤治疗剂进行的治疗的响应性的方法包括:
a.测量由个体获得的测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自表1A和/或1B和/或2A和/或2B和/或3和/或4;
b.得到记录表达水平的测试得分;
c.提供阈值得分,其包含将测试得分与响应性相关联的信息;
d.以及将测试得分与阈值得分相比较;其中当测试得分超过阈值得分时预测为有响应性。
在特定的实施方案中,预测患食道腺癌(OAC)的个体对DNA损伤治疗剂的响应性的方法包括下述步骤:从个体获得测试样品;测量测试样品中一个或多个生物标志物的表达水平,其中一个或多个生物标志物选自由CXCL10、MX1、IDO1、IF144L、CD2、GBP5、PRAME、ITGAL、LRP4和APOL3组成的组;获得记录表达水平的测试得分;提供阈值得分,其包含将测试得分与响应性相关联的信息;以及将测试得分与阈值得分相比较;其中当测试得分超过阈值得分时预测为有响应性。本领域普通技术人员利用本文提供的教导,包括实施例1的教导,可以确定合适的阈值得分,和合适的生物标志物权重和偏差。
在其它实施方案中,预测患食道腺癌(OAC)的个体对DNA损伤治疗剂的响应性的方法包括测量测试样品中一个或多个生物标志物的表达水平,其中一个或多个生物标志物选自由CXCL10、MX1、IDO1、IF144L、CD2、GBP5、PRAME、ITGAL、LRP4、APOL3、CDR1、FYB、TSPAN7、RAC2、KLHDC7B、GRB14、AC138128.1、KIF26A、CD274、CD109、ETV7、MFAP5、OLFM4、PI15、FOSB、FAM19A5、NLRC5、PRICKLE1、EGR1、CLDN10、ADAMTS4、SP140L、ANXA1、RSAD2、ESR1、IKZF3、OR2l1P、EGFR、NAT1、LATS2、CYP2B6、PTPRC、PPP1R1A和AL137218.1组成的组。表2A和2B提供了示例性的基因标签(或基因分类器),其中生物标志物分别由其中所列的40或44个基因产物组成,并且其中阈值得分来源于其中所列的单个基因产物权重。在这些实施方案中的一个中,其中生物标志物由表2B所列出的44个基因产物组成,并且该生物标志物与表2B中所提供的权重相关联,超出阈值得分,例如0.3681的阈值得分的测试得分指示了个体可能对DNA损伤治疗剂有响应性。
如果与在不接触治疗剂情况下的生长相比较,癌症与治疗剂接触的结果是生长速率被抑制时,则癌症对于治疗剂是“有响应的”。癌症的生长可以用多种方法来测量,例如,可测量肿瘤的尺寸或适用于该肿瘤类型的肿瘤标志物的表达。
如果与在不接触治疗剂情况下的生长相比较,癌症与治疗剂接触的结果是癌症的生长速率没有被抑制,或被抑制的程度非常低,则癌症对于治疗剂是“无响应的”。如上所述,癌症的生长可用多种方法来测量,例如,可测量肿瘤的尺寸或适用于该肿瘤类型的肿瘤标志物的表达。对治疗剂无响应的性质是高度可变的,在不同的条件下,不同的癌症对于给定的治疗剂表现出不同水平的“无响应性”。更进一步地,除了肿瘤的生长大小之外,利用其它标准,包括患者的生活质量、转移的程度等,可以评估无响应性的测量。
该测试的可预测终点,包括但不限于,总生存率,无进展生存率,放射响应,如RECIST所定义的,完全响应,部分响应,稳定病情和血清学标志物,例如但不限于,PSA、CEA、CA125、CA15-3和CA19-9。在本发明的其它实施方案中,它可用于在用单独进行的或在标准治疗环境中进行的DNA损伤组合疗法治疗的食道癌中评价超声内镜、CT、螺旋CT、FDG-PET、病理性、组织学响应。
可以使用在一种或多种核酸或它们的生物学衍生物例如编码蛋白的样品中用于检测、定量和定性RNA、DNA或蛋白的基于阵列或非阵列的方法,包括定量PCR(QPCR)、酶联免疫吸附测定(ELISA)或免疫组化(IHC)等。
从被测定的样品获得表达谱之后,将表达谱与参考或对照谱相比较以对细胞或组织的治疗响应表型进行诊断,并由此对获得样品的宿主的治疗响应表型进行诊断。本文所使用的关于表达谱的术语“参考”和“对照”表示基因或基因产物表达或特定生物标志物的表达水平的标准化模式,其是用于解释给定患者的表达分类器并归类于预后或预测类别的。参考或对照表达谱可以是从已知具有所需表型的样品获得的谱,所述所需表型例如,响应表型,且因此可以是阳性参考或对照谱。此外,参考谱可以来自已知不具有所需表型的样品,且因此是阴性参考谱。
如果使用定量PCR作为定量一种或多种核酸的水平的方法,该方法可以通过测量由双重标记的荧光探针(例如探针或分子信标或FRET/Light Cycler探针)释放的荧光来定量PCR产物积累。一些方法可能不需要单独的探针,例如Scorpion和Ampliflyor系统,其中探针被构建到引物中。
在特定的实施方案中,将获得的表达谱与单一参考谱相比较以获得关于被测定的样品的表型的信息。在其它的实施方案中,将获得的表达谱与两种或更多种不同的参考谱相比较以获得关于测定的样品的表型的更深入的信息。例如,可将获得的表达谱与阳性和阴性参考谱相比较以获得关于样品是否具有感兴趣的表型的确定的信息。
可利用任何方便的方法进行所获得的表达谱与一种或多种参考谱的比较,其中多种方法是阵列领域的技术人员已知的,例如,通过比较表达谱的数字图像、通过比较表达数据的数据库等。描述表达谱比较的方法的专利包括,但不限于,美国专利Nos.6308170和6228575,通过引用将其公开内容合并入本文。比较表达谱的方法也在上面描述。
比较步骤产生了有关所获得的表达谱与一种或多种参考谱的相似或相异程度的信息,该相似信息被用来确定被测定的样品的表型。例如,与阳性对照的相似性表明测定的样品具有与响应性参考样品相似的响应性表型。相似地,与阴性对照的相似性表明测定的样品具有与无响应性参考样品相似的无响应性表型。
可进一步将生物标志物的表达水平与不同的参考表达水平相比较。例如,参考表达水平可以是预定的标准表达参考水平,以评价生物标志物或生物标志物集合的表达是否提供信息,并作出评价确定患者是有响应还是无响应。此外,确定生物标志物的表达水平可以与同生物标志物同时测量的表达的内部参考标志物水平相比较,以作出评价确定患者是有响应还是无响应。例如,并非由本发明的生物标志物组成但已知证明为恒定表达水平的不同的标志物套组的表达可作为内部参考标志物水平被评估,并与该参考相比较而确定生物标志物的表达水平。在一个可选的实例中,非肿瘤样品的组织样品中的选定生物标志物的表达可以作为内部参考标志物水平被评估。在某些方面,生物标志物的表达水平可被确定为具有提高的表达。在其它方面,生物标志物的表达水平可被确定为具有降低的表达。表达水平可被确定为与参考水平相比较在表达上提供的信息无变化。在其它方面,相对于由本文所提供的方法确定的预定的标准表达水平来确定表达水平。
本发明还涉及指导患者的常规治疗。诊断测试显示其为对于直接或间接影响DNA损伤和/或DNA损伤修复种类的药物的响应者的患者,可被施用该疗法,并且该患者和肿瘤学家都能有信心认为患者将会受益。由诊断测试确定无响应者的患者可被鉴别为使用更可能为他们提供益处的替代疗法。
本发明还涉及选择用于临床测试的患者,其中新型药物种类直接或间接影响DNA损伤和/或DNA损伤修复,以治疗OAC。具有潜在的响应者的试验群体的富集将有助于在相关标准下对该药物进行更彻底的评价。
本发明还进一步涉及将患者诊断为患有或者易于发展为与DNA损伤响应缺陷(DDRD)有关的OAC的方法。DDRD在本文中被定义为其中患者的一个或多个细胞具有降低的修复DNA损伤的能力的任何病况。DDRD诊断可以与范可尼贫血/BRCA途径中的突变相关联。DDRD诊断还可以与腺癌相关联。诊断患有食道腺癌(OAC)的个体的方法可以包括:
a.测量从个体获得的测试样品中的一个或多个生物标志物的表达水平,其中一个或多个生物标志物选自表1A、1B、2A、2B、3或4;
b.得到记录表达水平的测试得分;
c.提供阈值得分,其包含将测试得分与OAC的诊断相关联的信息;
d.以及将测试得分与阈值得分相比较;其中当测试得分超过阈值得分时,确定个体患有OAC或易于发展为OAC。
诊断方法可以包括以下步骤:从个体获得测试样品;测量测试样品中一个或多个生物标志物的表达水平,其中一个或多个生物标志物选自由CXCL10、MX1、IDO1、IF144L、CD2、GBP5、PRAME、ITGAL、LRP4和APOL3组成的组;得到记录表达水平的测试得分;提供阈值得分,其包含将测试得分与OAC的诊断相关联的信息;以及将测试得分与阈值得分相比较;其中当测试得分超过阈值得分时,确定个体患有该癌症或易于发展为该癌症。利用本文提供的教导,包括实施例1的教导,本领域普通技术人员可以确定合适的阈值得分和合适的生物标志物权重。
在其它实施方案中,将患者诊断为患有或者易于发展为与DDRD有关的OAC的方法包括测量测试样品中一个或多个生物标志物的表达水平,其中一个或多个生物标志物选自由CXCL10、MX1、IDO1、IF144L、CD2、GBP5、PRAME、ITGAL、LRP4、APOL3、CDR1、FYB、TSPAN7、RAC2、KLHDC7B、GRB14、AC138128.1、KIF26A、CD274、CD109、ETV7、MFAP5、OLFM4、PI15、FOSB、FAM19A5、NLRC5、PRICKLE1、EGR1、CLDN10、ADAMTS4、SP140L、ANXA1、RSAD2、ESR1、IKZF3、OR2l1P、EGFR、NAT1、LATS2、CYP2B6、PTPRC、PPP1R1A和AL137218.1组成的组。表2A和2B提供了示例性的基因标签(或基因分类器),其中生物标志物分别由其中所列的40个基因产物或44个基因产物所组成,且其中阈值得分来源于其中所列的单个基因产物权重。在这些实施方案中的一个中,其中生物标志物由表2B所列的44个基因产物所组成,并且生物标志物与表2B中提供的权重相关联,超过阈值得分,例如0.3681的阈值得分的测试得分指示着OAC或易于发展为OAC的诊断。
附图说明
图1:DDRD标签的Kaplan Meier曲线图,预测用肿瘤辅助化疗治疗的EAC患者中的无复发生存率(RFS)。:
图2:DDRD标签的Kaplan Meier曲线图,预测用肿瘤辅助化疗治疗的EAC患者中的总体生存率(PFS)。
图3:DDRD标签的Kaplan Meier曲线图,预测没有用肿瘤辅助化疗治疗的EAC患者中的生存率(PFS)。
以举例的方式,而非限制的方式提供下述实施例。
实施例
实施例1-DDRD测定对食道腺癌(OAC)的应用和验证
方法
样品
46个FFPE化疗前(基于铂的;顺铂治疗)食道内窥镜组织活检样品被用于证明DDRD测定(基于表2B中所列的44个基因)在食道癌(OAC)中的预测能力,其中所述样品具有适当的人组织使用的伦理学声明和知情同意书。每个样品收到五个FFPE组织切片以及每个样品具有“被标记的”苏木精&曙红(H&E)染色切片。对于病理亚型复查H&E切片,并标记进行显微解剖。
基因表达谱分析
根据合适的标准操作程序(SOPs)在质控环境下处理所有样品。
每个样品的所有5个切片被宏观解剖,并用Ambion RecoverAll试剂盒提取。裂解物被分为两半,并且对于大部分情况来说,仅需要一半材料就足以进行谱分析。在两种情况下,宏观解剖材料的两个等分样都被提取。样品被随机分为3批并被提取。
在提取样品之后,使用Nanodrop 1000分光光度计确定浓度。对于5个样品需要真空浓缩以产生适合于cDNA扩增的RNA浓度。
所有36个RNA样品,无论其是原始的初步提取物、是真空浓缩的还是次级重提取的,使用NUGEN V3FFPE Amplification试剂盒进行扩增。使用FFPE WTASystem对46个样品进行谱分析。在使用分光光度计和Agilent 2100Bioanalyzer对产生的cDNA进行质控之后,将样品片段化,并使用NuGEN Encore Biotin模组进行标记。在片段化QC之后,使片段化的和标记的产物与Xcel阵列杂交,根据NuGEN的在Affymetrix阵列上杂交的指导进行。
阵列QC
在微阵列谱分析之后,进行质控(QC)评估。使用Almac的专有工具箱评估样品和阵列的质量。四十六个样品没有通过微阵列QC。该样品在图像分析、当前描述(presentcall)、比例因子和分布上没有通过。因此在后续分析中使用45个样品。
数据准备
使用Almac的具有RMA设定(背景校正,使用平均值的中位数进行的分位数标准化;以及中位数平滑汇总(median polish summarisation))的预处理工具箱对样品进行预处理。对于代表DDRD基因的探针集进行交叉作图,以提取相关的探针集进行分析。
计算分类器得分
确定映射到分类器中的基因的探针集,排除反义探针集(如果可以的话)。计算与分类器中每一个基因相关的所有探针集的中位数强度,获得缩减基因强度矩阵。如果对于在特定阵列平台上的基因不存在探针集,则使用观察到的来自训练数据的平均值作为替换。计算每一个样品的所有探针集的中位数值,并从缩减基因强度矩阵中减去该值。
分类器得分计算为标签中基因表达的加权和。
其中wi是每一个基因的权重,bi是基因特异性的偏差,它是每个基因相对于训练数据的平均中心所必需的(表4),a中位数是阵列上所有探针集的中位数表达强度,gei是预处理之后观察到的基因表达水平,以及k=0.3738是恒定偏移。
对每一个样品计算分类器得分,然后使用该分类器得分将患者从更可能响应至更不可能响应进行分层。
结果
表5无复发生存的多变量分析(43个样品,20个无复发事件和23个复发事件)
使用Cox比例风险回归,在无复发生存上DDRD测定有统计学显著效果。当模型中包括其它重要风险因素时,效果是统计学显著的(风险比0.07,95%CI(0.007,0.643),p=0.019)。模型中包括的协变量由临床专家指导。
表6总生存的多变量分析(43个样品,17个无复发事件和26个复发事件)
使用Cox比例风险回归,在总生存上DDRD测定有统计学显著效果。当模型中包括其它重要风险因素时,效果是统计学显著的(风险比0.11,95%CI(0.014,0.885),p=0.038)。模型中包括的协变量由临床专家指导。
结论
提供证据证明,在食道癌中,在调整了其它重要的协变量之后,DDRD测定是无复发生存(p=0.019)和总生存(p=0.038)的显著预测因素。
实施例2
背景
食道癌是全世界第八常见的癌症,每年有480,000个病例被诊断。在英国,在过去45年中男性中该疾病的发病率上升了68%,最常见的病理亚型是腺癌。食道腺癌(OAC)的这种上升的原因还不清楚,但这种肿瘤的进展与癌前化生病况,巴雷特食道症密切相关。这是由于胃食管返流疾病引起的,并且吸烟、酒精摄入与肥胖是OAC的最强的危险因素之一。尽管尽量对巴雷特食道症进行筛选,并且通过预手术选择有可能从治愈性手术获益的OAC患者,生存率仍然很低。5年生存率是13%,即使是在早期局限性疾病中,这个数字也很少超过40%。肿瘤辅助疗法或围手术期疗法已证明显著提高总生存率,但是对于个体患者来说,最佳的方法仍然不清楚。存在迫切的需要鉴别能预测响应的生物标志物,使得临床医生能够将患者分层至最有益处的肿瘤辅助疗法。
食道腺癌患者群体
考虑到OAC中最有活性的药物之一是DNA损伤剂顺铂,我们决定研究DDRD标签在OAC中的效力。我们分析了63例福尔马林固定的石蜡包埋的(FFPE)预处理内窥镜组织活检样本,这些样本来自北爱尔兰癌症中心2004年到2010年间的早期OAC患者,它们先用基于顺铂的肿瘤辅助化疗进行治疗,然后进行手术切除(表7和8)。
本实施例中使用的63个样品包括45个来自实施例1的样品。我们对另一个小的样品集进行了谱分析,并将两个样品集合并起来进行该分析。相应地,实施例1中所述的方法被应用于该实施例。
在标记进行宏观解剖之前复查活检组织的病理亚型,对含有至少70%腺癌组织的样品进行下一步操作。根据Mandard Score(<3=病理响应)对匹配的切除样本评分,从63个FFPE组织活检样本中的62个(98.4%)中提取足量的RNA,并与XcelTM阵列杂交,所述XcelTM阵列是被优化用于保存的FFPE组织的基于cDNA微阵列的技术(Almac/Affymetrix)。所有样品都进行DDRD测定的评分。
通过Kaplan-Meier分析和Cox比例风险回归评价DDRD得分和预后之间的相关性。总共13个样品(21%)被定性为DDRD阳性,其余49个样品(79%)为DDRD阴性。DDRD测定阳性证明与无复发生存(RFS)具有统计学显著的相关性(HR 0.33;95%CI 0.13-0.87;p=0.024),相对于DDRD-ve患者的33.9个月,DDRD+ve患者的中位数RFS为65.2个月(图1)。当在模型中排除了其它风险因素时,在进行了多变量分析之后,DDRD测定对于RFS的效果仍然是统计学显著的(HR 0.31,95%CI(0.110,0.877),p=0.027)(表9)。DDRD+ve患者中的中位数总生存率(OS)显著较高(94.3个月相对于32.2个月;HR 0.32;95%CI 0.12-0.82;p=0.017)(图2)。当在模型中排除了其它风险因素时,在进行了多变量分析之后,DDRD测定对于OS的效果仍然是统计学显著的(HR 0.36,95%CI(0.132,0.953),p=0.040)。这些结果表明DDRD测定在早期食道腺癌的肿瘤辅助化疗中是强预测标志物。
表9:对于无复发生存,DDRD测定的预测值的多变量分析
表10:对于总生存,DDRD测定的预测值的多变量分析
OAC-化疗初始中的DDRD
为了确定DDRD测定的预测是否独立于治疗,将其应用于75个新鲜冷冻的组织样品,所述组织样品来源于食道和胃食道交界肿瘤的可能的治愈性切除。这些切除是在1992年到200年之间进行的,没有患者接受肿瘤辅助化疗。使用定制的Agilent 44K 60-mer寡-微阵列对所有样品进行分析。如图3所示,在DDRD阳性和阴性人群中没有生存率的差异,HR0.64(95%CI 0.17-2.43)。正在寻找进一步的基于Affymetrix的验证集,以在数据集之间提供一致性分析平台。
结论
·DDRD测定可以个性化选择治疗方案,并改善早期EAC患者的结果。
·在EAC中由FFPE组织开发出首个基于阵列的生物标志物。
·对98%的预处理FFPE内窥镜活检组织成功进行了转录谱分析。
·DDRD测定证明与预后具有强的相关性。
·与测定阴性人群相比,阳性DDRD测定结果预测提高的RFS(HR 0.31,95%CI(0.11-0.88),p=0.027)和OS(HR 0.36,95%CI(0.13-0.95),p=0.04)。
·与DDRD阴性患者的17%相比,DDRD阳性患者的五年生存率为59%。
·正在进行该验证集的扩展,以增加该分析的统计学功效。
·将在未来的临床试验中评估DDRD测定在早期EAC中的作用。
本发明的各个实施方案的范围不受到本文所述的特定实施方案的限制。事实上,除了本文所述的那些之外,根据前述的描述和所附的附图,各个实施方案的不同修改对于本领域技术人员来说将会变得显而易见。这种修改落在所附的权利要求的范围内。而且,在适当的情况下,本文所述的所有实施方案被认为广泛地应用于并结合任何和所有其它相容的实施方案。
本文所应用的各个出版物,通过引用其全文将其公开内容合并入本文。
Claims (31)
1.预测患有食道腺癌(OAC)的个体对用DNA损伤治疗剂进行的治疗的响应性的方法,包括:
a.测量由所述个体获得的测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自表2B、1A、1B、2A、3和/或4;
b.得到记录表达水平的测试得分;
c.提供阈值得分,其包含将测试得分与响应性相关联的信息;
d.以及将测试得分与阈值得分相比较;其中当测试得分超过阈值得分时预测为有响应性,和/或当测试得分未超过阈值得分时,预测为无响应性。
2.权利要求1的方法,其中所述一个或多个生物标志物选自由CXCL10、MX1、IDO1、IF144L、CD2、GBP5、PRAME、ITGAL、LRP4和APOL3组成的组,和/或由CDR1、FYB、TSPAN7、RAC2、KLHDC7B、GRB14、AC138128.1、KIF26A、CD274、CD109、ETV7、MFAP5、OLFM4、PI15、FOSB、FAM19A5、NLRC5、PRICKLE1、EGR1、CLDN10、ADAMTS4、SP140L、ANXA1、RSAD2、ESR1、IKZF3、OR2l1P、EGFR、NAT1、LATS2、CYP2B6、PTPRC、PPP1R1A和AL137218.1组成的组。
3.权利要求2的方法,包括测量全部生物标志物的表达水平。
4.权利要求1-3任一项的方法,其中使用引物和/或探针测量表达水平,所述引物和/或探针与表1A(SEQ ID NO:1-24)、表1B(SEQ ID NO:25-50)和/或表3(SEQ ID NO:51-230)所示的靶序列的至少之一结合。
5.权利要求1-4任一项的方法,其中OAC是早期、晚期或转移性疾病。
6.权利要求1-5任一项的方法,其中DNA损伤治疗剂包含选自由DNA损伤剂、DNA修复靶向疗法、DNA损伤信号传导抑制剂、DNA损伤诱导的细胞周期停滞的抑制剂、组蛋白脱乙酰酶抑制剂、热休克蛋白抑制剂和DNA合成抑制剂组成的组的一种或多种物质。
7.权利要求6的方法,其中DNA损伤治疗剂包括含铂的剂、核苷类似物例如吉西他滨或5-氟脲嘧啶或其前药例如卡培他滨、蒽环霉素例如表阿霉素或阿霉素、烷化剂例如环磷酰胺、电离辐射或辐射和化疗的组合(放化疗)的一种或多种。
8.权利要求1-7任一项的方法,其中DNA损伤治疗剂包括含铂的剂。
9.权利要求8的方法,其中基于铂的剂选自顺铂、卡铂和奥沙利铂。
10.权利要求1-9任一项的方法,其预测对于用DNA损伤治疗剂和其它疗法一起进行的治疗的响应性。
11.权利要求10的方法,其中其它疗法是有丝分裂剂。
12.权利要求11的方法,其中有丝分裂抑制剂是长春花生物碱或紫杉烷。
13.权利要求12的方法,其中长春花生物碱是长春瑞滨。
14.权利要求12的方法,其中紫杉烷是紫杉醇或多西紫杉醇。
15.权利要求1-9任一项的方法,其预测对包含DNA损伤治疗剂的组合疗法的响应性,其中所述组合疗法选自:
a.顺铂/卡铂和5-氟脲嘧啶
b.顺铂/卡铂和卡培他滨
c.表阿霉素/阿霉素、顺铂/卡铂和氟脲嘧啶
d.表阿霉素/阿霉素、奥沙利铂和卡培他滨
e.顺铂/卡铂和紫杉醇
f.顺铂/卡铂和伊立替康
g.顺铂/卡铂和长春瑞滨。
16.权利要求15的方法,其中组合疗法进一步包含一种或多种紫杉烷例如紫杉醇、拓扑异构酶抑制剂例如伊立替康、长春花生物碱例如长春瑞滨或放化疗。
17.权利要求1-16任一项的方法,其中所述治疗是肿瘤辅助治疗和/或辅助治疗。
18.权利要求1-17任一项的方法,其中如果预测为有响应性,则用DNA损伤治疗剂治疗所述个体。
19.权利要求1-17任一项的方法,其中如果预测为无响应性,则不用DNA损伤治疗剂治疗所述个体。
20.权利要求1-19任一项的方法,其中所述治疗是基于铂的疗法的肿瘤辅助治疗。
21.权利要求19的方法,其中如果预测为无响应性,则用有丝分裂抑制剂治疗所述个体。
22.权利要求1-21任一项的方法,其中有响应性包含或是提高的总生存率、无进展生存率和/或无疾病生存率。
23.(a)治疗食道腺癌(OAC)的方法,包括给受试者施用DNA损伤治疗剂,其中所述受试者基于测试得分被预测为对DNA损伤治疗剂有响应,所述测试得分衍生自从个体获得的测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自表2B、1A、1B、2A、3和/或4中所列出的那些;或者
(b)DNA损伤治疗剂在治疗食道腺癌(OAC)的方法中的应用,其中所述受试者基于测试得分被预测为对DNA损伤治疗剂有响应,所述测试得分衍生自从个体获得的测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自表2B、1A、1B、2A、3和/或4中所列出的那些。
24.(a)治疗食道腺癌(OAC)的方法,包括给受试者施用有丝分裂抑制剂,其中所述受试者基于测试得分被预测为对DNA损伤治疗剂无响应,所述测试得分衍生自从个体获得的测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自表2B、1A、1B、2A、3和/或4中所列出的那些;或者
(b)DNA损伤治疗剂在治疗食道腺癌(OAC)的方法中的应用,其中所述受试者基于测试得分被预测为对DNA损伤治疗剂无响应,所述测试得分衍生自从个体获得的测试样品中的一个或多个生物标志物的表达水平,其中所述一个或多个生物标志物选自表2B、1A、1B、2A、3和/或4中所列出的那些。
25.权利要求23或24的方法或应用,其中已经根据权利要求1-22任一项请求保护的方法获得测试得分。
26.用于预测患有食道腺癌(OAC)的个体对用DNA损伤治疗剂进行的治疗的响应性的试剂盒,包含引物或探针,所述引物或探针与表3所示的靶序列(SEQ ID NO:51-230)的至少一个杂交。
27.权利要求26的试剂盒,其中所述引物或探针与表3所示的靶序列的至少10个杂交。
28.权利要求26或27的试剂盒,进一步包含DNA损伤治疗剂。
29.权利要求28的试剂盒,其中所述DNA损伤治疗剂以特别用于治疗OAC的剂型提供。
30.权利要求29的试剂盒,其中所述治疗是肿瘤辅助治疗或辅助治疗。
31.权利要求26-30任一项的试剂盒,其中所述DNA损伤治疗剂包括基于铂的剂。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB1316027.0 | 2013-09-09 | ||
GBGB1316027.0A GB201316027D0 (en) | 2013-09-09 | 2013-09-09 | Molecular diagnostic test for oesophageal cancer |
PCT/GB2014/052727 WO2015033172A1 (en) | 2013-09-09 | 2014-09-09 | Molecular diagnostic test for oesophageal cancer |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105874080A true CN105874080A (zh) | 2016-08-17 |
Family
ID=49486941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480059197.4A Pending CN105874080A (zh) | 2013-09-09 | 2014-09-09 | 用于食道癌的分子诊断测试 |
Country Status (12)
Country | Link |
---|---|
US (1) | US20160222460A1 (zh) |
EP (1) | EP3044327A1 (zh) |
JP (1) | JP2016531579A (zh) |
KR (1) | KR20160057416A (zh) |
CN (1) | CN105874080A (zh) |
AU (1) | AU2014316823A1 (zh) |
CA (1) | CA2923527A1 (zh) |
GB (1) | GB201316027D0 (zh) |
IL (1) | IL244471A0 (zh) |
MX (1) | MX2016003077A (zh) |
SG (1) | SG11201601721UA (zh) |
WO (1) | WO2015033172A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106520925A (zh) * | 2016-10-14 | 2017-03-22 | 浙江大学 | 一种用于检测食道癌的引物组及检测方法 |
CN107680018A (zh) * | 2017-09-27 | 2018-02-09 | 杭州铭师堂教育科技发展有限公司 | 一种基于大数据及人工智能的高考志愿填报系统及方法 |
CN110246544A (zh) * | 2019-05-17 | 2019-09-17 | 暨南大学 | 一种基于整合分析的生物标志物选择方法及系统 |
CN110499366A (zh) * | 2018-10-26 | 2019-11-26 | 德阳市人民医院 | Pi15作为骨关节炎标志物的应用 |
CN112292697A (zh) * | 2018-04-13 | 2021-01-29 | 弗里诺姆控股股份有限公司 | 用于生物样品的多分析物测定的机器学习实施方式 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110079599B (zh) | 2013-03-15 | 2024-06-04 | 豪夫迈·罗氏有限公司 | 治疗pd-1和pd-l1相关疾患的生物标志物和方法 |
WO2015181342A1 (en) | 2014-05-29 | 2015-12-03 | Spring Bioscience Corporation | Pd-l1 antibodies and uses thereof |
MX2017000419A (es) | 2014-07-11 | 2017-08-16 | Genentech Inc | Anticuerpos anti-pd-l1 y sus usos de diagnóstico. |
DK3254110T3 (da) | 2015-02-03 | 2020-05-18 | Ventana Med Syst Inc | Histokemisk test til vurdering af ekspression af programmeret død-ligand 1 (pd-l1) |
CN105861741B (zh) * | 2016-06-24 | 2019-10-01 | 河北医科大学第四医院 | Senp3基因及其表达产物作为食管癌的诊治靶标 |
GB201716712D0 (en) * | 2017-10-12 | 2017-11-29 | Inst Of Cancer Research: Royal Cancer Hospital | Prognostic and treatment response predictive method |
US20220251657A1 (en) * | 2021-01-29 | 2022-08-11 | Board Of Regents, The University Of Texas System | Genomic diagnostic method and kit to diagnose early esophageal cancer and barretts esophagus |
WO2024097998A1 (en) * | 2022-11-04 | 2024-05-10 | Foundation Medicine, Inc. | Composite immune biomarkers and uses thereof |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010040083A2 (en) * | 2008-10-03 | 2010-04-08 | The U.S.A., As Represented By The Secretary, Department Of Health And Human Services | Gene expression predictors of chemoresistance |
WO2011153545A2 (en) * | 2010-06-04 | 2011-12-08 | Bioarray Therapeutics, Inc. | Gene expression signature as a predictor of chemotherapeutic response in breast cancer |
WO2012037378A2 (en) * | 2010-09-15 | 2012-03-22 | Almac Diagnostics Limited | Molecular diagnostic test for cancer |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6686155B2 (en) * | 2001-06-14 | 2004-02-03 | Response Genetics, Inc. | Method of determining a chemotherapeutic regimen based on glutathione-S-transferase pi expression |
AU2002326356A1 (en) * | 2001-07-09 | 2003-01-29 | Aphton Corporation | Treatment and prevention of cancerous and pre-cancerous conditions of the liver, lung and esophagus |
US7892740B2 (en) * | 2006-01-19 | 2011-02-22 | The University Of Chicago | Prognosis and therapy predictive markers and methods of use |
WO2008089465A2 (en) * | 2007-01-18 | 2008-07-24 | University Of Southern California | Gene polymorphisms as sex-specific predictors in cancer therapy |
PT3301446T (pt) * | 2009-02-11 | 2020-07-14 | Caris Mpi Inc | Perfilagem molecular de tumores |
-
2013
- 2013-09-09 GB GBGB1316027.0A patent/GB201316027D0/en not_active Ceased
-
2014
- 2014-09-09 CN CN201480059197.4A patent/CN105874080A/zh active Pending
- 2014-09-09 MX MX2016003077A patent/MX2016003077A/es unknown
- 2014-09-09 EP EP14766775.2A patent/EP3044327A1/en not_active Withdrawn
- 2014-09-09 US US14/917,925 patent/US20160222460A1/en not_active Abandoned
- 2014-09-09 AU AU2014316823A patent/AU2014316823A1/en not_active Abandoned
- 2014-09-09 WO PCT/GB2014/052727 patent/WO2015033172A1/en active Application Filing
- 2014-09-09 SG SG11201601721UA patent/SG11201601721UA/en unknown
- 2014-09-09 CA CA2923527A patent/CA2923527A1/en not_active Abandoned
- 2014-09-09 JP JP2016539638A patent/JP2016531579A/ja active Pending
- 2014-09-09 KR KR1020167009346A patent/KR20160057416A/ko not_active Application Discontinuation
-
2016
- 2016-03-07 IL IL244471A patent/IL244471A0/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010040083A2 (en) * | 2008-10-03 | 2010-04-08 | The U.S.A., As Represented By The Secretary, Department Of Health And Human Services | Gene expression predictors of chemoresistance |
WO2011153545A2 (en) * | 2010-06-04 | 2011-12-08 | Bioarray Therapeutics, Inc. | Gene expression signature as a predictor of chemotherapeutic response in breast cancer |
WO2012037378A2 (en) * | 2010-09-15 | 2012-03-22 | Almac Diagnostics Limited | Molecular diagnostic test for cancer |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106520925A (zh) * | 2016-10-14 | 2017-03-22 | 浙江大学 | 一种用于检测食道癌的引物组及检测方法 |
CN107680018A (zh) * | 2017-09-27 | 2018-02-09 | 杭州铭师堂教育科技发展有限公司 | 一种基于大数据及人工智能的高考志愿填报系统及方法 |
CN112292697A (zh) * | 2018-04-13 | 2021-01-29 | 弗里诺姆控股股份有限公司 | 用于生物样品的多分析物测定的机器学习实施方式 |
CN110499366A (zh) * | 2018-10-26 | 2019-11-26 | 德阳市人民医院 | Pi15作为骨关节炎标志物的应用 |
CN110246544A (zh) * | 2019-05-17 | 2019-09-17 | 暨南大学 | 一种基于整合分析的生物标志物选择方法及系统 |
CN110246544B (zh) * | 2019-05-17 | 2021-03-19 | 暨南大学 | 一种基于整合分析的生物标志物选择方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
SG11201601721UA (en) | 2016-04-28 |
JP2016531579A (ja) | 2016-10-13 |
CA2923527A1 (en) | 2015-03-12 |
GB201316027D0 (en) | 2013-10-23 |
KR20160057416A (ko) | 2016-05-23 |
IL244471A0 (en) | 2016-04-21 |
WO2015033172A1 (en) | 2015-03-12 |
MX2016003077A (es) | 2016-07-21 |
AU2014316823A1 (en) | 2016-04-28 |
EP3044327A1 (en) | 2016-07-20 |
US20160222460A1 (en) | 2016-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103299188B (zh) | 用于癌症的分子诊断试验 | |
CN105874079A (zh) | 用于肺癌的分子诊断测试 | |
CN105874080A (zh) | 用于食道癌的分子诊断测试 | |
CN103733065B (zh) | 用于癌症的分子诊断试验 | |
CN108138236A (zh) | 用于癌症中免疫治疗的基因标签 | |
CN105102631A (zh) | 用于癌症的分子诊断测试 | |
AU2012261820A1 (en) | Molecular diagnostic test for cancer | |
JP2019527544A (ja) | 分子マーカー、参照遺伝子、及びその応用、検出キット、並びに検出モデルの構築方法 | |
JP2011523049A (ja) | 頭頚部癌の同定、モニタリングおよび治療のためのバイオマーカー | |
CN105986034A (zh) | 一组胃癌基因的应用 | |
CN106164296A (zh) | 用于预测对抗血管生成药的应答和癌症预后的分子诊断测试 | |
CN103958695A (zh) | 一种通过检测生物液体中miRNA来鉴定患早期肺癌的无症状高风险个体的方法 | |
WO2013052480A1 (en) | Marker-based prognostic risk score in colon cancer | |
EP3666906A1 (en) | Methods and kits for the prognosis of squamous cell carcinomas (scc) | |
CN104204223B (zh) | 用于睾丸癌的体外诊断或预后的方法 | |
CN104169434A (zh) | 一种用于卵巢癌的体外诊断或预后的方法 | |
CN104169435A (zh) | 用于肺癌的体外诊断或预后的方法 | |
CN117568482A (zh) | 用于胃癌预后的分子标记物及其应用 | |
CN104024434A (zh) | 用于前列腺癌的体外诊断或预后的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160817 |