CN106461639B - 预测转化为糖尿病的多标记物风险参数 - Google Patents

Abstract

本申请涉及使用进展的短期风险(STR)和长期风险的定义数学模型，评估受试者发展2型糖尿病的风险的方法、系统和线路。所述评估能够对具有相同葡萄糖测量的患者，特别是具有中等或低(正常)空腹血糖(FPG)值的那些患者的风险分级。STR或IR(胰岛素抵抗)模型可包括炎性生物标记物，例如受试者的至少一个生物样品的GlycA和多个选择的脂蛋白组分的NMR衍生的测量。本发明的实施方案还提供生成作为β‑细胞功能障碍或损伤的标记物的STR评分的方法、系统和线路。

Description

预测转化为糖尿病的多标记物风险参数

版权保护

本专利文件的一部分公开内容包含受到版权保护的材料。版权所有者，LipoScience, Inc.，对由专利文件或专利公开的任何人的转载不持异议(当其出现在专利商标局专利文件或记录中时)，但无论如何另外保留所有版权的权利。

相关申请

本申请要求2014年1月6日提交的美国临时专利申请系列号61/923,855的权益和优先权，其内容通过引用结合到本文中，如同在此全面描述一样。

发明领域

本发明一般涉及体外生物样品的分析。

发明背景

2型糖尿病(T2DM或"糖尿病")是在美国和其它国家中最昂贵和负担沉重的慢性疾病之一。T2DM的定义特征是高血糖症，一种因有缺陷的或缺乏的胰岛素分泌响应所致的碳水化合物(葡萄糖)利用受损的反映。T2DM是早在多年前开始的代谢紊乱的晚期表现。其原因被认为是胰岛素抵抗的进行性增加，伴有β-细胞功能恶化。只要胰腺β-细胞能够分泌足够的胰岛素以补偿靶组织对胰岛素的降血糖作用的进行性抵抗，患者就能够维持正常空腹葡萄糖水平。作为进行性β-细胞功能障碍(其导致面对胰岛素抵抗增加时不能维持胰岛素分泌过多)的后果，出现高血糖症和转变为T2DM。

2型糖尿病传统上通过检测血中升高的葡萄糖(糖)水平(高血糖症)来诊断。虽然高血糖症定义糖尿病，但它是在从胰岛素抵抗导向全面爆发的糖尿病的事件链中很晚的发展阶段。因此，在发展经典症状，例如高血糖症之前，具有鉴定受试者是否面临发展2型糖尿病的风险(即，易患该病症)的方法应是迫切需要的。如果不能实际的预防该病的发病，早期检测该疾病的指标(如，在葡萄糖水平升高到足以认为是高血糖症之前检测)可导致该疾病的更有效的治疗。

最直接和准确的评估胰岛素抵抗的方法是费力和费时的，因而对于临床应用是不切实际的。在这些研究方法中的"金标准"是高胰岛素血症正常血糖钳夹试验，其在钳夹试验期间量化最大葡萄糖处置率(GDR，与胰岛素抵抗成反比)。另一个有些不太可能再现(CV14-30%)的费力的研究方法是使用最小模型分析的经常取样的静脉内葡萄糖耐量试验(IVGTT)，其测量胰岛素敏感性(S_i)，胰岛素抵抗的反面。

进展为2型糖尿病的风险目前主要通过空腹葡萄糖评估，浓度100-125 mg/dL定义高-风险"糖尿病前期"状况，并且对此T2DM目前被限定在具有空腹血糖水平在126 mg/dL和以上的患者中。然而，患有糖尿病前期的个体患者(面临在最近的将来发展为T2DM的最大风险的那些患者)的实际风险变化很大。

NMR光谱已被用来同时测量低密度脂蛋白(LDL)、高密度脂蛋白(HDL)，和极低密度脂蛋白(VLDL)，如来自体外血浆或血清样品的LDL、HDL和VLDL颗粒子集。见，美国专利号4,933,844和6,617,167，其内容通过引用结合到本文中，如同在此全面描述一样。Otvos等的美国专利号6,518,069描述葡萄糖和/或某些脂蛋白值的NMR衍生的测量以评估患者发展T2DM的风险。

一般来说，为评估在血浆和/或血清样品中的脂蛋白，NMR谱的化学位移区域内的多个NMR光谱衍生信号的振幅由复合的甲基信号包迹线的去卷积导出以产生子集浓度。子集由许多(通常超过60)离散的与NMR频率和脂蛋白直径相关的贡献子集信号代表。NMR评估能够审视NMR信号以产生不同的亚群浓度，通常为73个离散的亚群，27个为VLDL，20个为LDL和26个为HDL。这些亚群能够被进一步表征为与VLDL、LDL或HDL子集内的特定尺寸范围有关。

一种先进的脂蛋白测试板，例如LIPOPROFILE® 脂蛋白试验，从LipoScience,Raleigh, N.C.获得，通常包括合计所有HDL子集的浓度的总高密度脂蛋白颗粒(HDL-P)测量(如，HDL-P数)和合计所有LDL子集(如，LDL-P数)的浓度的总低密度脂蛋白颗粒(LDL-P)测量。LDL-P和HDL-P数以浓度单位例如nmol/L表示那些各自颗粒的浓度。LipoScience还已发展脂蛋白-基胰岛素抵抗和敏感性指数("LP-IR™"指数)，如在美国专利号8,386,187中所述，其内容通过引用结合到本文中，如同在此全面描述一样。

图1A说明在T2DM发病前，胰岛素抵抗和胰岛素生产变化，以及在进展期间发生的β-细胞功能障碍的时间表。葡萄糖在进展至T2DM期间的快速增加前可保持相对稳定。参见，例如Mason等, Diabetes 2007; 56: 2054-6。图1B说明各个葡萄糖范围和T2DM进展的连续性，糖尿病并发症能够在T2DM进展期间发生。具有100-110 mg/dL的范围的葡萄糖的许多个体不发展至T2DM，而具有90-99 mg/dL的范围的"正常"葡萄糖的其他个体，例如，可在不到5年内发展为糖尿病。目前糖尿病进展的风险主要通过葡萄糖测量来评估，所述测量是恶化葡萄糖代谢的反应，而不是其原因。存在对可更好地将发展为糖尿病的那些与将不会发展为糖尿病的那些区分开来的试验的未满足的诊断需求。见，AACE Prediabetes ConsensusStatement, Endocr Pract. 2008; 14 (No. 7) 941。

仍然存在对能够在疾病发病前预测或评价个人发展2型糖尿病的风险和/或鉴定那些处于早期进展的风险的个体的评估的需求，以致干预可被用来延迟进展和/或处理心血管风险。

概述

本发明的实施方案提供以下多标记物：(i) 胰岛素抵抗("IR")，(如，eLP-IR)和(ii) 能够评价任何水平的血糖过多的糖尿病风险的空腹血浆生物样品的短期糖尿病风险因子(SDRF)。

本发明的实施方案提供使用多参数(多变量)风险进展模型，一个对于与短期风险("STR") (如，试验后少于3年，例如在6个月、1年、2年或3年内)相关的SDRF的模型和另一个对于可能是用于STR和长期风险 ("LTR") (如，试验后大于3年，例如3.5年、4年、5年、或 5-10年之间)二者的重要的风险参数的IR的模型，受试者在未来发展2型糖尿病的风险评价。

SDRF可作为评分提供。SDRF评分与短期风险呈正相关，因此被认为是与β细胞功能呈负相关或与胰腺β细胞功能障碍呈正相关。

IR评分可使用"eLP-IR" (延长的脂蛋白胰岛素抵抗)评分确定。

STR模型(用逻辑回归评价)。IR模型可基于至少一个研究群体，用线性回归模型对HOMA-IR或Si (胰岛素敏感性，如通过频繁地采样的静脉内葡萄糖耐量试验所评价的)之一或者二者进行评价。

本发明的实施方案可使用多参数糖尿病风险参数作为糖尿病风险模型的输入数据，以生成在限定的时间表，通常5年内与转化的风险有关的糖尿病风险指数(DRI)评分。

用于风险模型的系数可由对于各自短期和长期糖尿病转化(每个IR模型)的逻辑回归限定，生成可合并各种标记物输入数据的方程式。

SDRF参数(对于STR)和IR参数可作为在定义的范围内的数值评分或值提供，较低的数表示较低的风险，而较高的值表示较高的风险。在一些实施方案中，SDRF和IR评分可合并以提供糖尿病风险指数("DRI")评分。

本发明的实施方案可提供含有来自用于通常与在试验后3-7年之间的时间表(如约5年)相关的DRI评分或"糖尿病风险指数"的SDRF和IR两种模型的组成成分的逻辑回归模型。

本发明的实施方案能够生成可被用来鉴定面临风险患者的STR评估，所述患者可从改善或稳定β-细胞功能的疗法受益和/或改善患者产生胰岛素的能力。已考虑到这样的疗法的一个非限制性实例可以是再生HDL输注疗法，其已被用于心肌梗塞后患者。

本发明的实施方案可提供用于药物疗法、药物发现和/或临床试验的STR评分。STR评分可用作鉴定功能障碍和/或β-细胞功能变化的标记物。

STR评分可以是关于定义的群体的相对评分或绝对评分。STR评分可对受试者采用基线STR评分和随后的STR评分，其中变化反映了自给予的疗法或药物发现计划的改变。

STR、IR和/或DRI评分可在给予药物疗法之前、期间和/或之后生成，以鉴定对受试者的各自评分的变化，因而从药物疗法鉴定有益的或负面的变化。

SDRF和/或STR评分可用来评估可改善或稳定β-细胞功能和/或产生胰岛素的能力的疗法或药物或用来评估药物的不需要的副作用。

风险评价可生成各自的STR、IR和DRI评分，其对超出单独葡萄糖测量的风险进行分级并可消除葡萄糖测量。

DRI评分，当使用时，可基于使用来自SDRF和IR两种风险预测模型的一些或全部组成成分的约5年转化风险的风险预测模型，其可使用不同定义的加权因子进行加权，以生成DRI评分。风险评价可考虑葡萄糖测量。当使用时，葡萄糖测量可帮助建立转化为2型糖尿病的时间表和/或用于风险的评估。可使用糖尿病风险指数评分而无需葡萄糖信息并可反映与潜在的代谢问题相关的短期和长期两种风险。

多变量模型可用来评价用于临床试验的患者或在临床试验期间，在一种或多种疗法期间评价患者，用于药物开发、用于药物疗法选择或受试者的适应症，和/或以鉴定或监测抗肥胖药物或其它药物疗法候选者。

短期多变量模型可包括GlycA (一种与高密度脂蛋白(HDL)颗粒的定义的亚群浓度相关的脂蛋白组分(HMP))的NMR测量，和GlycA乘以HMP (高密度脂蛋白(HDL)颗粒的定义的亚群的浓度)，HMPxGlycA的测量的相互作用参数。

虽然GlycA可以是一种优选的炎性标记物，但可使用其它炎性标记物，包括，例如，纤维蛋白原、结合珠蛋白、α-1-酸糖蛋白、CRP (C-活性蛋白)、hs)CRP (高敏感性CRP)，或IL-L (白介素-6)。

HDL亚群可仅包括中等HDL颗粒子集(HMP)。中等HDL-P指HDL颗粒的亚群，其排除小和大HDL颗粒子集且精确的尺寸的范围可在测量方法和研究群体之间变化，其使用风险模型(通常至少一个限定的研究群体的逻辑回归模型)，短期或基于IR的长期风险模型的任一个或二者使糖尿病的风险最大化。

仅仅通过举例的方式，中等HDL-P可仅包括直径在约8.3 nm (平均)至上限值9.4nm (平均)或10.0 nm (平均)或10.2 nm (平均)之间的HDL颗粒。

SDRF和/或STR风险模型可包括为受损的胰岛素分泌和/或胰腺β-细胞功能障碍的标记物的组成成分。

DRI风险模型可包括为胰岛素抵抗的标记物以及SDRF标记物或SDRF评分的组成成分。

IR 多变量模型可包括至少一个定义的脂蛋白组分和至少一个定义的支链氨基酸。任选地，所述模型可包括至少一个炎性生物标记物。长期(IR)多变量模型可包括缬氨酸，和从相同NMR谱衍生的多个脂蛋白组分(如，子集)。多个脂蛋白组分可包括LP-IR和VMP(极低密度脂蛋白颗粒的定义的亚群的浓度，中等VLDL子集颗粒数量或"中等VLDL-P")。

术语"中等VLDL颗粒"或"VMP"指具有直径/粒度在35-60 nm (平均)之间的颗粒的浓度。

DRI风险模型可包括来自SDRF和IR模型的组成成分，通常来自每种模型的3种，包括来自STR模型的HMP、GlycA、HMPxGlycA和来自IR模型的LP-IR、缬氨酸和中等-VLDL-P。

本发明的实施方案包括方法、线路、NMR分光计或NMR分析仪，和处理器，其通过使用定义的短期和长期多成分风险进展模型，评估体外血浆或血清患者样品的NMR谱，评估发展糖尿病的未来风险和/或对具有正常葡萄糖或稍稍升高的葡萄糖的那些进行风险分级。

在一些实施方案中，STR和IR评分可以加权以生成在限定的数值范围内的DRI评分。在一些实施方案中，IR评分可以加权以说明IR相对于SDRF对经历5-年(或其它更长期转化时间)的风险所作出的更大的贡献。

本发明的实施方案涉及评估受试者发展2型糖尿病和/或具有胰腺β细胞损伤和/或功能障碍的风险的方法。所述方法包括：使用发展2型糖尿病的风险的定义数学模型，编程计算受试者的短期糖尿病风险因子(SDRF)评分。定义数学模型包括作为模型的组成部分的定义的高密度脂蛋白颗粒(HDL-P)亚群的浓度测量、至少一个炎性标记物的浓度测量和至少一个相互作用参数的浓度测量，其与各自定义的系数在数学上合并以生成计算的SDRF评分。当SDRF评分处于群体标准的第三个三分位值或更大的值时，受试者面临在3年内转化为2型糖尿病的风险和/或面临β细胞功能障碍的风险。

定义的HDL-P亚群可以是中等HDL-P。

炎性标记物可以是GlycA。相互作用参数可以是GlycA乘以中等HDL-P的浓度。当中等HDL-P和Glyc A值处于群体标准的第三个三分位值时，受试者面临β细胞功能障碍的风险。

所述方法可包括使用胰岛素抵抗的定义数学模型，编程计算受试者的胰岛素抵抗(IR)评分。

用于IR评分的胰岛素抵抗的定义数学模型可包括多个组成成分，包括定义的HDL-P亚群的浓度测量，其可以是用来计算SDRF评分的定义的HDL-P亚群的浓度测量；炎性标记物的测量；VLDL-P (极低密度脂蛋白/乳糜微粒子集)的定义的亚群的测量；具有在0-100之间的范围的IR指数，该范围表示从低至高，胰岛素敏感性至胰岛素抗性；和从受试者的至少一个体外生物样品获得的支链氨基酸(BCAA)的测量。

IR的定义数学模型的组成成分能够数学上合并以生成IR评分。

VLDL-P的定义的亚群的测量可以是中等VLDL-P的浓度，且其中BCAA是缬氨酸。

所述方法可包括通过合并SDRF评分和IR评分，编程计算糖尿病风险评分。

SDRF和IR评分的系数可从包括SDRF和IR的逻辑回归模型导出，以使用至少一个定义的群体研究预测转化为糖尿病的实际5年转化率，从而生成具有在5年内转化的风险的DRI评分而不考虑受试者的葡萄糖值。

所述方法可包括评估测量的受试者的葡萄糖和/或HbA1c值和电子形式提供基于葡萄糖测量和DRI评分的、转化为2型糖尿病风险评估的5年风险的报告。

SDRF评分可使用以下方程式计算：SDRF评分= - (A) (HDL-P_MED) - (B) (GlycA)+ (C) (GlycA x HDL-P_MED)，其中A、B和C可以是来自作为发展2型糖尿病的风险的定义数学模型的用于短期转化为糖尿病的逻辑回归模型的定义的β系数。GlycA可以是炎性标记物，HDL-P_MED是中等尺寸的HDL-P亚群，和GlycA x HDL-P_MED可以是相互作用参数。

IR评分可以是eLP-IR评分并使用以下方程式计算：eLP-IR = (A) (LP-IR) + (B)(缬氨酸) – (C) (VLDL-P_MED) – (D)(HDL-P_MED) + (E)(GlycA)。A、B、C、D和E可以是来自用于胰岛素抵抗的线性回归模型的定义的β系数。GlycA可以是炎性标记物，HDL-P_MED可以是中等HDL-P亚群的浓度，VLDL-P_MED可以是中等VLDL-P亚群的浓度，缬氨酸可以是支链氨基酸，和LP-IR可以是使用6种确定的脂蛋白子集计算的脂蛋白胰岛素抵抗指数并具有表示胰岛素敏感性至胰岛素抗性的在0-100范围内的数值。

所述方法也可包括以下各项的至少一个：使用SDRF评分评估药物疗法，评估临床试验，或评估药物发现的候选物。

所述方法可包括从各自的生物样品计算随时间推移的多个SDRF评分，从而评估SDRF评分的变化以鉴定β-细胞功能障碍的变化。

与SDRF评分有关的原始评分可以是在-6.4和-1.6之间，其中-4.1可能与研究群体的大约第25个百分位数相关和>-3.8可能与大约第75个百分位数相关。评分≥-3.8值可指示β细胞功能障碍和/或早期转化为2型糖尿病的风险增加，这样的风险与血糖值无关，其能够对具有普通血糖测量的受试者用不同SDRF评分将转化为2型糖尿病的风险分级。

SDRF评分能够在定义的数值评分范围内用与群体标准的第四个四分位值(4Q)、第五个五分位值(5Q)或第10个十分位值相关的评分在报告中提供，反映了相对于较低评分在2年内发展2型糖尿病和/或β细胞功能障碍和/或损伤的风险增加。

HDL-P亚群可仅包括具有8.3 nm至9.4 nm、10.0 nm或10.2 nm之一之间的直径的中等HDL颗粒子集。

所述方法可包括使用以下方程式生成DRI评分：DRI评分= X(IR评分) + Y(SDRF)。X和Y可以是使用限定的研究群体，在具有葡萄糖<110 mg/dL的人群中，由用于5-年糖尿病转化的逻辑回归模型定义的系数，且其中DRI评分使用在可能的DRI原始评分范围内的多个相等的子部分，被数学改变为DRI评分范围。

原始DRI评分可以是在约-3.0至约1.8之间。

本发明的实施方案可涉及鉴定面临风险的患者的方法，所述患者可从改善或稳定β-细胞功能和/或改善患者产生胰岛素的能力的疗法中获益。所述方法可包括通过合并受试者的生物样品的限定脂蛋白和代谢物组分的测量，电子上生成短期风险评分，其中组分包括高密度脂蛋白颗粒(HDL-P)亚群和使用HDL-P亚群和炎性标记物的相互作用参数。

其它实施方案涉及鉴定可能从药物疗法例如再生HDL输注以改善胰腺β细胞功能和/或抑制2型糖尿病(T2DM)获益的受试者的方法，所述方法可包括使用受试者的生物样品限定的脂蛋白和代谢物组分的测量，生成定义的短期糖尿病风险因子(SDRF)评分。组分包括高密度脂蛋白颗粒(HDL-P)亚群和使用HDL-P亚群和炎性标记物的相互作用参数；和鉴定具有相对于定义的群体标准的增加的SDRF评分的受试者，其指示受试者可能从改善胰腺β细胞功能和/或抑制T2DM的疗法受益。

所述方法可使用至少一个处理器进行。

用于SDRF评分的生物样品的测量的全部或一些可以都是NMR衍生的测量。

其它实施方案涉及评估患者转化为2型糖尿病的风险的方法，其通过以下步骤进行：

(a) 使用以下方程式编程计算SDRF评分：SDRF评分= - (A) (HDL-P_MED) - (B)(GlycA) + (C) (GlycA x HDL-P_MED)，

其中A、B和C是来自作为发展2型糖尿病风险的定义数学模型的用于短期转化为糖尿病的逻辑回归模型的定义的β系数，和其中GlycA是炎性标记物，HDL-P_MED是中等尺寸的HDL-P亚群，和GlycA x HDL-P_MED是相互作用参数；

(b) 编程计算eLP-IR评分并使用以下方程式：eLP-IR = (A) (LP-IR) + (B)(缬氨酸) – (C) (VLDL-P_MED) – (D)(HDL-P_MED) + (E)(GlycA)，

其中A、B、C、D和E是来自用于胰岛素抵抗的线性回归模型的定义的β系数，其中GlycA是炎性标记物，HDL-P_MED是中等HDL-P亚群的浓度，VLDL-P_MED是中等VLDL-P亚群的浓度，缬氨酸是支链氨基酸，和LP-IR是使用6种确定的脂蛋白子集计算的脂蛋白胰岛素抵抗指数并具有表示胰岛素敏感性至胰岛素抗性的在0-100范围内的数值，和

(c) 使用以下方程式编程生成DRI原始评分：DRI原始评分= X(eLP-IR) + Y(SDRF)，

其中X和Y是使用限定的研究群体，在具有葡萄糖<110 mg/dL的人群中，由5-年糖尿病转化的逻辑回归模型定义的系数，且其中DRI原始评分使用在可能的DRI原始评分范围内的多个相等的子部分，被数学上改变为在0-10或1-10之间的范围。

本领域的普通技术人员从阅读以下附图和优选的实施方案的详细描述中将理解本发明的其它特征、优点和细节，这样的描述仅仅是本发明的示例性说明。关于一个实施方案描述的特征可与其它实施方案结合，尽管在下文没有具体地讨论。即是说，要注意到，本发明关于一个实施方案描述的方面，可结合到不同实施方案中，虽然没有相对具体的讨论。即是说，所有实施方案和/或任何实施方案的特征能够以任何方式和/或组合结合。申请人保留更改任何原始提交的权利要求或提交任何相应的新的权利要的权利，包括能够修改任何原始提交的权利要求以依赖任何其它权利要求的任何特征和/或结合任何其它权利要求的任何特征的权利，尽管没有以那种方式原始要求。本发明的前述和其它方面在以下提出的说明书中详细地解释。

如本领域技术人员根据本公开内容将能理解的，本发明的实施方案可包括方法、系统、装置和/或计算机程序产品或其组合。

附图简述

本专利或申请文件包含至少一幅彩色绘图。具有彩色绘图的本专利或专利申请出版物的复制件将按要求和支付所需费用后由政府机构提供。

图1A是说明2型糖尿病进展的病理生理学的图。

图1B是说明2型糖尿病进展的连续性与恶化糖尿病并发症的实例的图。

图2A是说明基于两个分开的多参数风险模型的糖尿病风险预测的图，根据本发明的实施方案，一个用于与β细胞功能障碍相关的短期风险和一个用于IR。

图2B是说明基于具有炎性标记物的示例性特殊组分和BCAA (支链氨基酸)的两个分开的多参数风险模型的糖尿病风险预测的图，根据本发明的实施方案，一个用于短期风险和一个用于胰岛素抵抗。

图3A和3B说明具有根据本发明实施方案的示例性尺寸范围的脂蛋白亚群。

图4是基于根据本发明的实施方案与易发糖尿病的关系(正性和负性)，用于糖尿病风险评价的示例性HDL亚群分组的图。

图5是显示根据本发明的实施方案，在图4中根据尺寸分组的不同HDL亚群的风险相关性的图。

图6A是基于MESA 5-年T2DM转化(n=359/4211)的糖尿病转化率对比葡萄糖分类(低风险、中度风险、高风险)的图，说明了对根据本发明的实施方案的中度风险葡萄糖患者，分级或更好地鉴定面临增加的进展为T2DM风险的患者的未满足的需要。

图6B基于IRAS 5-年 T2DM转化(n=134/978)的糖尿病转化率对比葡萄糖分类(低风险、中度风险、高风险)的图，说明了对根据本发明的实施方案的中度风险葡萄糖患者，分级或更好地鉴定面临增加的进展为T2DM风险的患者的未满足的需要。

图7是MESA研究群体(n=3450)的特征的表。

图8是说明根据本发明的实施方案的GlycA峰区(跨越该区的放大图)的NMR谱。

图9是对中等HDL-P (HDL-P_MED)的3个定义的水平(高、中和低)的GlycA水平预测的短期糖尿病转化率的图，说明以根据本发明的实施方案的大约第80个百分位数水平的GlycA (相对于群体标准)，从"好"转变为"差"的高水平的中等HDL-P。

图10是类似于图2的框图，说明可与所注明的各组成成分使用，以生成eLP-IR和SDRF评分的示例性系数，其可以单独使用或组合使用以形成根据本发明的实施方案的DRI评分。

图11A是在根据本发明的实施方案的动脉粥样硬化的多种族研究(MESA)中，通过DRI评分(n=1-10)预测的糖尿病转化率(%)对比葡萄糖分类(mg/dL单位)的图。

图11B是在根据本发明的实施方案的IRAS (胰岛素抵抗动脉粥样硬化研究)中，通过DRI评分(n=1-10)预测的糖尿病转化率(%)对比葡萄糖分类(mg/dL单位)的图。

图12是有助于根据本发明实施方案的胰岛素抵抗的eLP-IR多标记物参数的参数的图。

图13是有助于根据本发明实施方案的短期风险的SDRF多标记物参数的参数的图。

图14是说明在IRAS (n=134/976)中，在5.2年随访期间转化为糖尿病的图，其验证使用根据本发明的实施方案的MESA开发的模型。

图15是根据本发明的实施方案，在根据他们的GlycA和中等HDL-P (HDL-P_MED)的水平(低、中或高)划分的9个亚组的IRAS参与者(全部具有低于或等于110 mg/dL的空腹葡萄糖)中说明5-年转化为糖尿病的实际率(%)的图。在记录的850位参与者中，有88位转化为糖尿病。

图16是假设具有高和低水平的胰岛素抵抗和SDRF的患者随时间推移的空腹葡萄糖水平(mg/dL)的示例性图，以说明SDRF和IR (eLP-IR，例如)可被用来预测葡萄糖值是否将随时间推移而稳定或具有在未来，例如，根据本发明的实施方案无论是短期或是长期导致糖尿病的迹线。颜色编码区分了具有随时间推移的稳定的葡萄糖水平(绿色)的那三个患者与可能转化为糖尿病(红色)的那些患者。

图17是提供测量短期风险，例如SDRF评分的示例性报告，可监测其变化以评价随时间推移的β-细胞功能/功能障碍。

图18是可提供根据本发明的实施方案的DRI评分、IR评分(与胰岛素抵抗有关)和STR评分(与β-细胞功能相关)的一个或多个的示例性患者报告的示意图。

图19是可用来评估DRI评分、IR评分或STR评分的一个或多个随时间推移的变化的示例性图，其可基于根据本发明的实施方案的疗法的剂量或类型或与其相关。

图20A-20C说明具有与风险种类有关的DRI评分的示例性患者报告，以根据本发明的实施方案预测在限定的时间表例如5年内对T2DM的转化。

图21是根据本发明的实施方案，使用STR、IR和/或DRI风险指数模块和/或线路分析患者的风险的系统示意图。

图22是根据本发明的实施方案的NMR光谱装置的示意图。

图23是根据本发明的实施方案的数据处理系统的示意图。

图24是根据本发明的实施方案，能够用来评价在未来发展T2DM和/或患有糖尿病前期的风险的示例性操作的流程图。

本发明的前述和其它目的和方面在以下提出的说明书中详细地解释。

本发明的实施方案的详细描述

本发明现在在下文参照附图更全面地进行描述，其中显示了本发明的实施方案。然而，本发明可以许多不同的形式体现，而不应视为限制在此提出的实施方案；更恰当地说，提供这些实施方案以使本公开内容将变得充分和完整，并将本发明的范围完全传达给本领域技术人员。

同样的数字始终指同样的要素。在图中，某些线的厚度、层、组分、要素或特征为清楚起见可被夸大。在说明书和图中，术语"图"可与缩略形式"图(FIG.)"和"图(Fig.)"互换使用。

虚线说明任选的特征或操作，除非另外指明。

本文所用的术语仅仅是为了描述特定实施方案的目的并且不打算限制本发明。如本文所用的，单数形式“一”、“一个”和“该”意欲还包括复数形式，除非文中另外清楚地指明。还应该理解，术语"包含"和/或"含有"，当用于本说明书时，特指所述特征、整数、步骤、操作、要素和/或组分的存在，但不排除一个或多个其它特征、整数、步骤、操作、要素、组分和/或其组合的存在或添加。如本文所用的，术语"和/或"包括一个或多个相关的所列项目的任何和全部组合。如本文所用的，短语例如" X和Y之间"和"大约X和Y之间"应该被解释为包括X和Y。如本文所用的，短语例如"大约X和Y之间"意指"在约X和约Y之间"。如本文所用的，短语例如"从约X至Y"意指"从约X至约Y"。

用于糖尿病风险指数或评分的风险进展模型的组成成分的示例性描述在2013年3月14日提交的美国专利申请系列号13/830,784和2013年6月7日提交的PCT/US2013/044679中有描述，其内容通过引用结合到本文中，如同在此全面描述一样。

除非另外限定，本文所用的所有术语(包括科技术语)具有本发明所属领域普通技术人员通常理解的相同意义。应该进一步理解，术语，例如在常用词典中定义的那些术语，应该被解释为具有与它们在该申请的上下文和相关领域的意义一致的意义，并且不应被解释为一个理想化或过于正式的意义，除非本文有如此明确的定义。为了简洁和/或清楚起见，众所周知的功能或结构可能不会详细描述。

术语"约"指特定值或数量的+/- 10% (均值或平均数)。

术语"糖尿病前期"指患者或受试者的风险状态而不是疾病状态。因此，术语"糖尿病前期"指尚未被诊断患有2型糖尿病的人，并且如由美国糖尿病协会(American DiabetesAssociation)目前所定义的，与具有在100和125 mg/dL之间的空腹血糖水平，在140-199(mg/dL)之间的口服葡萄糖耐量试验水平或在5.7-6.4之间的A1C %的个体有关(如在下表1中所表示的) (对于每种类型的试验，所述水平越高，则2型糖尿病的风险越高)。

表1：糖尿病和糖尿病前期的血试验水平

对于在糖尿病前期范围内的所有3次试验，试验结果越高，糖尿病的风险越大。参见，美国糖尿病协会(American Diabetes Association)。糖尿病中的医疗保健标准—2012. Diabetes Care. 2012:35 (增刊1): S12，表2。

本发明的实施方案可特别地适合于将具有相同或类似的空腹葡萄糖水平的患者的风险分级。一般来说，可以设想STR和IR评分，单独或结合为DRI评分，可被用来单独或与FPG或其它葡萄糖测量例如A1C (一种使用血红蛋白A1C的非-空腹样品)或口服葡萄糖耐量测量一起对在未来发展2型糖尿病的风险进行分级。STR、IR或DRI糖尿病风险评分的一个或多个可被用来对具有相同葡萄糖水平，但不同基础代谢状况的患者的2型糖尿病风险进行分级。

SDRF与β细胞功能障碍的联系目前是理论上的，因为到本专利申请的申请日为止，已确定没有SDRF与β细胞功能的客观测量实际相关的直接证据(没有许多证据且它们不是很好的证据)。然而，由于SDRF仅有助于短期而不是长期风险并且独立于IR，强烈地暗示与β细胞功能障碍的联系，如果目前只有一个推论的话。

本发明的实施方案能够在相对短的时帧，通常5年内提供基于IR状态和β细胞功能的"累积的"糖尿病风险。这种风险是由胰岛素抵抗(一种无论什么时帧内的糖尿病风险的必要成分)以及也由通常为晚期表现的β-细胞功能障碍(仅仅影响相对短期的转化，通常在2-3年内)造成的。为评价在5年内转化为T2DM的风险，可采用IR (如，eLP-IR)和β-细胞功能障碍(SDRF)二者的评估。如果涉及的时帧更短而不是更长，总体风险的β-细胞部分的相对重要性更大，或许占3-年转化风险的~50%，5-年转化风险的~30%，和10-年转化风险(累积)的<10%。因此，本发明的实施方案能够提供5-年糖尿病风险(DRI评分)的新的多标记物，其能够结合IR评分和SDRF评分。

所涉及的时间段越长，IR相对于SDRF对糖尿病的风险就更重要。在一些特定的实施方案中，这些离散的评分的一种或两种可以被"加权"为与所涉及风险的时帧相关。例如，IR (如，eLP-IR)和SDRF的组分部分可被加权，以具有超过测量的SDRF值的增加的值，生成DRI评分。生成DRI评分的一个方程式显示如下：

DRI评分= XIR+ YSDRF　　　　　　方程式1

DRI评分可以是IR评分和SDRF评分的组合，和X和Y是定义的系数，其中对于LTRDRI评估，X>Y。例如，对于5年风险的转化时间表，X可以是约70%和Y可以是约30%。X和Y可具有其它值。表2包括对转化为DRI评分的5年风险的相对权重集的实例，其在一些实施方案中可具有1、10或100的最大值。显而易见的是，随着评估窗口/风险期增加，SDRF评分可降低与DRI风险的相关性。

表2 IR和SDRF权重

在一些实施方案中，分析可使用来自一个或多个具有5年(或其它合适的)观察期的研究群体的糖尿病转化数据，以运行包括以下预测变量的逻辑回归分析：年龄、性别、种族、空腹葡萄糖、IR (如，eLP-IR或其它IR测量)和SDRF。从这个预测模型，可生成用于IR和SDRF的系数。然后DRI可以按照方程式(1)计算为定义的系数(X)乘以IR (如，eLP-IR)加定义的系数(Y)乘以SDRF。用于分析的时帧越长，IR评分相对于SDRF评分将是更主要的。即是说，β系数将提供将不需要任何其它权重的相关统计关系的数值。

本发明的实施方案提供DRI评分的临床输出以及能够合并以产生DRI评分的两个多标记物参数的一个或两个：IR参数(如，eLP-IR评分)，其可通过饮食、锻炼和减肥和/或胰岛素增敏药物而设定，和β-细胞功能障碍部分，SDRF，其可通过针对这种功能障碍的药物而有效地设定。测量和报告升高的SDRF的另一个理由是要患者警惕糖尿病在其不久的未来出现的可能性，因此更迫切地做一些相关的事情(通过最小程度地减肥加药物)。

本发明的实施方案可使用STR评分以鉴定可从改善或稳定β细胞功能的药物疗法获益的患者。

本发明的实施方案可使用STR评分以评估药物疗法、临床试验和/或有利于药物发现。

术语"患者"被广泛使用且指提供生物样品供试验或分析的个体。

术语"GlycA"指可从测量来自包含N-乙酰基葡糖胺和/或N-乙酰基半乳糖胺部分的急性期反应物糖蛋白的碳水化合物部分，更特别地来自2-NAcGlc和2-NAcGal甲基的质子的复合NMR信号衍生的生物标记物。GlycA信号的中心在约47℃(+/-0.5℃)时，在血浆NMR谱的约2.00 ppm处。峰位置独立于分光计领域，但可根据生物样品的分析温度而变化并且在尿生物样品中没有发现。因此，如果试验样品的温度改变，则GlycA峰区可变化。图8说明根据本发明的实施方案的GlycA峰区(跨越该区的放大图)的NMR谱。

GlycA NMR信号可包括在限定的峰区的NMR信号的子集以仅仅包括临床相关信号贡献并可排除对在该区的信号的蛋白质贡献，如将进一步在下文所讨论的。

如本文所用的，化学位移位置(ppm)指内部参照于2.519 ppm的CaEDTA信号的NMR谱。因此，本文所讨论和/或要求的注明的峰位置可根据化学位移如何生成或参照而变化，如本领域技术人员熟知的。因此，为清楚起见，某些描述和/或要求的峰位置具有在其它相应的化学位移中的等效的不同峰位置，如本领域技术人员熟知的。

术语"生物样品"指人或动物的体外血、血浆、血清、CSF、唾液、灌洗液、痰或组织样品。本发明的实施方案可特别地适合于评估人血浆或血清生物样品，特别是对于GlycA (其在例如尿中未发现)。血浆或血清样品可以是空腹或非-空腹的。当葡萄糖通过NMR测量时，生物样品通常是空腹血浆或血清样品。然而，葡萄糖可用任何适当的方法测量。

术语"群体标准"和"标准"指由具有足够大的样本以代表总体人群的一个或多个大型研究例如动脉粥样硬化(MESA)的Framingham子代(Framingham Offspring)研究或多种族研究或其它研究限定的值。然而，本发明不限于在MESA或Framingham中的群体值，因为目前定义的正常和面临风险的群体值或水平可随时间的推移而变化。因此，可提供与来自风险段(如，四分位数或五分位数)限定的群体值相关的参考范围并用来评价具有临床疾病状态的升高或减少的水平和/或风险。

如本文所用的，术语"NMR谱分析"意指使用质子(¹H)核磁共振光谱技术，以获得能够测量存在于生物样品，如血浆或血清中的各自参数的数据。

"测量"及其派生词指测定某些脂蛋白子集的水平或浓度，可包括测量其平均粒度。

术语"NMR衍生的"意指在NMR分光计中使用来自体外生物样品的一个或多个扫描的NMR信号/光谱计算有关的测量。

术语"脂蛋白组分"指在与脂蛋白颗粒相关的数学风险模型中的脂蛋白组分，包括脂蛋白的一个或多个子集(亚型)的尺寸和/或浓度。脂蛋白组分可包括任何脂蛋白颗粒子集、浓度、尺寸、比率和/或脂蛋白参数的数学乘积(乘)和/或定义的脂蛋白参数的或与其它参数例如GlycA合并的脂蛋白子集测量。

术语"相互作用参数"指合并(乘)为数学乘积和/或比率的至少两个不同定义的患者参数，通常一个参数是HDL-P亚群，而另一个是炎性标记物。相互作用参数的实例包括，但不限于HDL的亚群，如中等HDL-P ("HMP")/总HDL-P、(HMP)(GlycA)、(HMP)(HZ)，和/或炎性标记物与定义的脂蛋白亚群，如GlycA与HMP的比率。术语"HZ"指平均HDL-尺寸。GlycA是炎性生物标记物。其它炎性生物标记物可用于相互作用参数，如CRP (C-反应性蛋白质)、hs-CRP (高-敏感性CRP)、IL-6 (白介素-6)、纤维蛋白原、结合珠蛋白，和α-1-酸糖蛋白。

术语"数学模型"和"模型"可互换使用，并且当与STR和/或DRI ("糖尿病风险指数")一起使用时，指用来评估受试者在未来的时间段发展2型糖尿病的风险的风险统计学模型，或者当与IR一起使用时，指基于一个或多个研究群体的得自胰岛素抵抗(一种糖尿病风险的良好预测指标)模型的风险。STR表示一个短于长期风险(LTR)的时间段。风险模型可以是或包括任何合适的模型包括，但不限于，逻辑模型、混合模型或分级线性模型的一个或多个。STR和DRI风险模型可提供基于在限定的时帧内(通常对于STR在0-3年内和对于LTR大于3年)转化为2型糖尿病的概率的风险测量。STR/SDRF风险模型可在试验后持续一段少于3年的时帧，例如6个月、1年、1.5年、2年、2.5年或3年内。对于STR和LTR 长期风险，例如，试验后大于3年，例如3.5年、4年、5年或5-10年内，IR风险可以是重要的风险参数。

DRI时间段可以在约5-7年之间，更通常约5年。STR、IR和/或DRI风险模型能够对发展T2DM的风险进行分级，如通过标准χ2和/或p值(后者具有充分代表性的研究群体)测量的。

表3：MESA随访期

表3显示对于不同MESA访问(随访检查)的随访时间。STR参数能够从回归模型导出，以预测在访问2诊断的糖尿病。平均随访时间是1.6年(最小0.9年；最大3.4年)。图13显示在MESA中的访问2或3诊断的DM。IR参数可具有从STR至LTR的任何时帧，而SDRF在STR中是唯一相关的。在一些实施方案中，IR模型能够从预测HOMA-IR的线性回归模型导出(如图12中所示)。

本领域技术人员应该理解，几乎所有群体研究进行随访某一固定的时间段(如，5年)并在已诊断出糖尿病的时间段期间不再监测。如此回归模型是累积的测量，包括一些较早转化为糖尿病的人和较晚转化为糖尿病的人。

术语"LP-IR"评分指基于脂蛋白的胰岛素抵抗评分，其使用与不同定义的脂蛋白组分相关的风险评分的总和，评价受试者从胰岛素敏感至胰岛素抵抗的胰岛素敏感性。为详细地讨论LP-IR评分，参见，例如美国专利号8,386,187和Shalaurova I等, Lipoprotein Insulin Resistance Index: A Lipoprotein Particle–Derived Measure of Insulin Resistance，Metabolic Syndrome and Related Disorders, Vol. 12, No. 8, Oct.2014, pp. 422-429，其内容通过引用结合到本文中，如同在此全面描述一样。一般来说，大的VLDL、VLDL尺寸，和小的LDL具有正风险相关性，而大的HDL、LDL尺寸和HDL尺寸具有负相关。这6种组分可被用来生成LP-IR评分(见，例如图2B中底下一排指示的与LP-IR相关的组分)，其通常为1-100之间的评分，其中各组分的风险评分变化，如在美国专利号8,386,187的表3中所述的。LP-IR评分可使用脂蛋白的NMR衍生的测量或其它测量方法计算。

本发明的实施方案可使用包括与糖尿病病理生理学相关联的生物标记物的风险模型，所述生物标记物包括以下的两种或更多种：胰岛素抵抗、受损的β-细胞功能或受损的胰岛素分泌、炎症和有缺陷的非-胰岛素(NI)依赖性葡萄糖吸收。

HDL的作用是复杂的，而HDL-C被认为是相对粗糙的生物标记物。最近，研究者已提出HDL是在糖尿病病理生理学中的一个积极参与者而不是旁观者。参见，Drew等，The Emerging Roles of HDL in Glucose Metabolism, Nat. Rev., Endocrinol., 8, 237-245 (2012). 2012年1月24日在线公开。

从正常到糖尿病的血糖迹线通常可以长期还算稳定的葡萄糖水平为特征，在此期间增加的胰岛素抵抗通过增加的β-细胞胰岛素分泌来补偿，随后急剧增加，在β-细胞质量和功能的损失导致的糖尿病诊断前通常少于约3年。参见，例如Tabak AG等, Lancet 2009:373: 2215-21，其内容通过引用结合到本文中，如同在此全面描述一样。短期转化为糖尿病可能具有胰岛素抵抗和β-细胞功能障碍或损伤。与IR有关的标记物预测与转化的时帧无关的易于发生的糖尿病。然而，提高短期转化的预测的、独立于IR和葡萄糖的标记物并不能独立地提高由IR标记物提供的长期转化的预测。

参考图2A，本发明的实施方案使用至少两个分开的脂蛋白的多标记物和代谢参数，提供糖尿病风险评估。两个多标记物参数包括定义的脂蛋白和代谢参数。两个多标记物参数如下所示：(i) 用于胰岛素抵抗的IR风险因子评分，其包括多个定义的脂蛋白和代谢参数和(ii) 用于β-细胞功能障碍的STR或SDRF风险因子评分，其包括多个定义的脂蛋白和代谢参数，其中一些可与用于STR风险因子评分的参数重叠。STR风险因子评分可包括多个分开的值的组合(如，总和)，其与多个或全部以下组分有关：中等HDL-P、炎性标记物和相互作用参数。相互作用参数可以是炎性标记物和定义的HDL-P亚群，通常为中等HDL-P。

IR风险因子可包括唯一的IR指数或可包括IR指数和其它定义的脂蛋白和代谢参数。例如，IR风险因子评分可使用多个或全部以下组分的分开的值或评分的组合生成：(a)炎性标记物，(b) 中等HDL-P，(c) 中等VLDL-P，(d) 一个或多个支链氨基酸(BCAA)和(e)具有限定的数值范围的胰岛素抵抗指数。BCAA可包括缬氨酸、亮氨酸和异亮氨酸中的一个或多个，其可通过NMR或其它方法测量。为讨论BCAA的NMR测量，参见，例如PCT/US2013/064142，其内容通过引用结合到本文中，如同在此全面描述一样。

IR风险因子可以是LP-IR或eLP-IR (下文进一步讨论)或其它合适的胰岛素抵抗指数。例如，使用在授权于Hu等 ("Hu")的US 2009/0155826中鉴定的代谢物的胰岛素抵抗指数，其内容通过引用结合到本文中，如同在此全面描述一样。Hu提出使用生物标记物，即使用表4、5、6、7、8、9A、9B、27、28和29 (段落98)的一个或多个中的生物标记物，评估胰岛素抵抗。在测定一个或多个生物标记物的水平后，可将所述水平与疾病或病症参考水平比较，以确定一个或多个生物标记物各自的分级。分级可以使用任何算法集合在一起以创建一种对受试者的评分，例如，胰岛素抵抗(IR)评分(段落106)。段落107继续给出了IR评分的实例：100表示2型糖尿病，而评分少于25可表示正常葡萄糖耐受。

参考图2B，脂蛋白和代谢物参数的两个分开的多标记物显示为(i) 针对IR风险因子评分的扩展的LP-IR胰岛素抵抗("eLP-IR")评分和(ii) 针对STR因子评分的短期糖尿病风险因子("SDRF")评分。SDRF评分可包括至少一个相互作用参数，如GlycA x中等HDL-P所示的。多标记物参数的两个分开的风险因子评分可评价体外生物样品中的任何水平血糖过多的糖尿病风险。生物样品可以是空腹血浆生物样品。

虽然eLP-IR指数通过举例的方式，使用LP-IR显示，可采用具有定义的范围的其它胰岛素抵抗指数或评分。

eLP-IR评分是LP-IR评分的扩展版本，因为它包括LP-IR评分(具有由在从LP-IR框延伸的线内在图底部上的组分指示的6种注明的脂蛋白组分)以及另外的定义的组分，包括(如所示的) GlycA、中等HDL-P、中等VLDL-P和缬氨酸。其它BCAA可被包括或用来代替缬氨酸，包括，例如，亮氨酸和异亮氨酸。GlycA是炎性生物标记物和其它炎性生物标记物可被包括或代替GlycA，例如，纤维蛋白原、hs-CRP、CRP、IL-6或结合珠蛋白。

SDRF评分可包括中等HDL-P和至少一个炎性标记物(显示为GlycA)，以及至少一个相互作用参数。相互作用参数不用于eLP-IR或LP-IR评分，因为它与长期风险无关(其在统计学上与胰岛素抵抗无关，但与糖尿病风险相关)。此外，可使用不同炎性标记物或相互作用参数。显著地，相互作用参数，例如HDL-P_MED和GlycA的相互作用被认为反映这些变量与β-细胞功能障碍的关系。结果提供对于HDL在糖尿病病理生理学中的多重作用和对于炎症HDL功能性调节的最近证据的流行病学支持。图9图解说明了HDL功能的调节，例如，随着炎症的水平的增加(如通过GlycA所评价的)，从负性改变为正性风险因子。虽然对于MESA显示为约第80位百分位数的GlycA，使用IRAS鉴定第65位百分位数值，二者均在约350-360 µmol/L的水平。

数学模型可使用其它临床参数例如性别、年龄、BMI、是否使用高血压药、葡萄糖等。

虽然已设想STR、IR和DRI参数可作为在限定的数值范围内的数值评分提供，其中较低的评分与较低的转化为糖尿病的风险有关，而较高的评分与较高的风险有关，风险评分或指数能够以不同方式在患者报告中提出。STR、IR和DRI评分可作为数字或字母数字混编表示的结果提供，通常含有关于定义的等级或在值的定义范围内的数值评分。例如，在特定实施方案中，STR、IR和/或DRI评分可作为例如，在低端上的0和1之间至高端上的10或100的定义范围内的评分提供或包括这样的评分。范围的实例包括：0-0.1、0-1、0-5、0-10、1-10、0-24、1-24、0-100、1-100、10-100、0-1000、1-1000、10-1000等。通常，最低的数与最小的风险有关，而较高的数与在未来发展T2DM的增加的风险有关。在该范围内的较低的值可以是"0"以上例如1、2、3、4或5等，或可以甚至是负数(如，-1、-2、-3、-4、-5等)。其它指数实例包括，例如，字母与数字混合编排的指标或甚至图标注明的风险程度，包括但不限于，"LR1"(低风险)、IR5 (中度风险)和"HR9" (高风险)，术语例如"DRI正性"、"DRI高"、"DRI中性"、"DRI低"、"DRI好"、"DRI差"、"DRI警戒"等。

IR、STR或DRI评分可都在0-10或1-10之间。

IR评分和SDRF评分可具有在0-100或1-100之间的范围和DRI评分可具有0-10或1-10的范围，因为风险模型可将定义的小系数应用于各风险模型的不同组分，例如，少于0.001值应用于IR评分，通常约0.009 (图10)。

如以上所注明的，STR、IR和DRI糖尿病风险指数或评分可消除葡萄糖测量。因此，例如，可对患者计算STR、IR或DRI评分中的一个或多个作为筛选试验或将独立于葡萄糖的风险分级。即是说，STR/IR或DRI可被用来对具有葡萄糖水平低于110 mg/dL，例如，在80-110 mg/dL之间的患者的风险分级和/或可独立于空腹葡萄糖或其它血糖过多的测量来预测糖尿病转化。

为帮助理解由SDRF和IR两个不同的测量提供的信息，指导方针和/或电子程序可提供给临床医师，当提供两个数据点时，会生成试验结果。合并的数据评估可作为从实验室或从供给公司，例如，LipoScience (Raleigh, NC)的下载来提供。指导方针可提供给临床医师，以致临床医师能够理解由STR和/或DRI评分提供的风险分级并可通知临床医师是否预约对患者而言可能是更加耗时、昂贵或不方便的葡萄糖攻击试验。也可提供能够生成基于STR、IR和/或DRI评分的风险信息的电子风险分析线路(如，一个通过互联网可访问的入口)。

STR/SDRF、IR和/或DRI评分可独立于葡萄糖测量和/或不需要同时的葡萄糖测量来生成并可用来使临床医师考虑各患者可能属于何种风险分类。

脂蛋白包括在血浆、血清、全血和淋巴中发现的广泛种类的颗粒，含有各种类型和量的甘油三酯、胆固醇、磷脂、鞘脂和蛋白质。这些各种颗粒允许在血中的其它疏水性脂质分子的溶解并发挥与脂肪分解、脂肪生成和脂质在肠、肝、肌肉组织和脂肪组织之间的转运有关的多种功能。在血和/或血浆中，脂蛋白已用许多方式分类，通常基于物理性质例如密度或电泳迁移率或载脂蛋白A-1 (Apo A-1)，在HDL中的主要蛋白质的测量。

基于核磁共振-确定的粒径的分类区分基于尺寸或尺寸的范围的截然不同的脂蛋白颗粒。例如，NMR测量能够鉴定至少15种截然不同的脂蛋白颗粒亚型，包括至少5种亚型的高密度脂蛋白(HDL)，至少4亚型的低密度脂蛋白(LDL)，和至少6亚型的极低密度脂蛋白(VLDL)，其可指定为TRL (富含甘油三酯的脂蛋白) V1-V6。

NMR衍生的估计的脂蛋白尺寸，例如，对于H1-H26的HDL-P粒径，不是精确的，但近似估计每个子集的尺寸范围。其它方法可提供与NMR估算的子集尺寸相关的不同的尺寸范围。

此外，也要注意到，虽然脂蛋白颗粒的NMR测量特别适合于本文所述的分析，考虑到现在或将来的其它技术可被用来测量这些参数，因而本发明的实施方案并不局限于这种测量方法。也应考虑到可采用使用NMR的不同方案(如，包括不同的去卷积(deconvolving)方案)以代替本文描述的去卷积方案。参见，例如，Kaess等，The lipoprotein subfractionprofile: heritability and identification of quantitative trait loci, J LipidRes. Vol. 49 pp. 715-723 (2008)；和Suna等, 1H NMR metabolomics of plasmalipoprotein subclasses: elucidation of metabolic clustering by self-organizing maps, NMR Biomed. 2007；20: 658-672。采用一种基于密度的分离技术的用于评估脂蛋白颗粒和离子迁移率分析的浮选和超滤是用于测量脂蛋白子集颗粒浓度的替代技术。可有效地采用垂直自动剖析方法或其它亚组分分类方法。参见，Martin等, High-density lipoprotein subfractions: Current views and clinical practiceapplications, Trends Endocrinol Metab, 2014；25；329-336，其内容通过引用结合到本文中，如同在此全面描述一样。

根据本发明的一些特定实施方案，脂蛋白子集分组可包括具有浓度的各子集，其可合计在一起以确定VLDL-P、HDL-P和LDL-P数。须注意所注明的"小、大和中"尺寸的范围可以变化或被重新定义以扩大或缩小其上限或下限值或甚至排除在所注明的范围内的某些范围。注明的粒度通常指平均测量，但可采用其它分界。图3A和3B说明不同亚群的脂蛋白的示例性尺寸的范围。本发明的实施方案将脂蛋白颗粒分类为由基于功能/代谢相关性的尺寸范围分组的子集，所述功能/代谢相关性通过其与脂质和代谢变量的相关性评价。因此，如以上所注明的，评估能够测量脂蛋白颗粒的超过20种离散的亚群(尺寸)，通常约30-80种之间的不同尺寸亚群(或甚至更多)。

对于GlycA测量计算，当采用时，HDL和LDL分组的离散的数可少于用来定量地测量脂蛋白子集的那些(在此NMR被用于脂蛋白测量)。不同尺寸的子集可从其光谱不同的脂质甲基NMR信号的振幅来定量。参见，Jeyarajah等, Lipoprotein particle analysis by nuclear magnetic resonance spectroscopy, Clin Lab Med. 2006；26: pp. 847-870，其内容通过引用结合到本文中，如同在此全面描述一样。

术语"LDL-P"指合计定义的LDL子集浓度的低密度脂蛋白颗粒数(LDL-P)测量(如，LDL-P数)。总DL-P可使用合计所有LDL子集(大和小) (包括在18-23 nm之间的尺寸)的浓度(µmol/L)的总低密度脂蛋白颗粒(LDL-P)测量生成。在一些实施方案中，LDL-P测量可使用选择的LDL子集的组合(而不是所有LDL子集亚群的全部)。如本文所用的，术语"小LDL颗粒"通常包括其尺寸范围在从约18至少于20.5 nm之间，通常在19-20 nm之间的颗粒。术语"大LDL颗粒"包括直径范围在约20.5-23 nm之间的颗粒。须注意颗粒的LDL子集可被分到其它尺寸的范围内。例如，"小"尺寸可以是在约19-20.5 nm之间，中间尺寸可以是在约20.5-21.2 nm之间，和大尺寸可以是在约21.2-23 nm之间。另外，中等-密度脂蛋白颗粒("IDL"或"IDL-P")，其直径范围在约23-29 nm之间，可被包括在定义为"大" LDL (或甚至是小的VLDL)的颗粒中。因此，例如，LDL子集可在19-28 nm之间。

术语"HDL-P"指定义的脂蛋白子集亚群的浓度的高密度脂蛋白颗粒数(HDL-P)测量(如，HDL-P数)。总HDL-P可使用总高密度脂蛋白颗粒(HDL-P)测量来生成，所述测量合计了所有的尺寸范围在约7 nm-约15 nm之间，通常在7.3或7.4和13.5或14 nm之间的HDL子集(其可基于尺寸分组为不同尺寸的种类，例如大、中和小)的浓度(µmol/L)。

HDL子集颗粒通常范围是在约7 nm-约15 nm，更通常约7.3 nm-约14 nm (如，7.4nm-13.5 nm)之间。HDL-P浓度，至少当通过某些方法包括NMR去卷积测量时，是其HDL-子集的各自亚群的颗粒浓度的合计。HDL亚群可包括中等HDL颗粒子集(HMP)。中等HDL-P，其在本文可与缩写词"HMP"或"HDL-P_MED"或"med-HDL-P"互换使用，指排除小和大HDL颗粒子集的HDL颗粒的定义的亚群。HMP/med-HDL-P/HDL-P_MED的精确的尺寸范围可在测量方法和研究群体之间变化。

然而，如本领域技术人员熟知的，可选择HMP/med-HDL-P/HDL-P_MED，以及用于不同IR/STR风险模型的其它脂蛋白亚群，以采用风险模型(通常地，至少一个限定的研究群体的逻辑回归模型)，短期或长期多参数STR和IR风险模型之一或二者，使转化为糖尿病的风险的相关性最大化。

图5图解说明通过来自MESA的尺寸和易于发生的糖尿病风险相关性分组的HDL亚群。如本文注明的，HDL-PMED子集的HDL尺寸可以变化并可取决于研究群体中的风险相关性，该图显示与尺寸的不同分组(仅通过举例的方式)的负和正相关性。该图说明26种HDL亚群的9个不同尺寸的分组或亚群与根据本发明的实施方案选择的HDL子集的其它分组的3个框的糖尿病风险相关性。来自逻辑回归模型的χ2值指示如在6年的随访期间的MESA研究群体中，在具有411例诊断的易于发生的糖尿病病例的4968名MESA参与者(全部9种亚群包括在对年龄、性别、种族和葡萄糖调节的相同逻辑回归模型中)中测定的风险相关性的强度和征兆。

在一些实施方案中，HDL-P的不同亚群可通过从1-26的数目鉴定，其中"1"表示在HDL类中最小的尺寸亚群和"26"是HDL类中最大的尺寸亚群，如在图4中所示。

HMP可包括，例如，各自亚群的具有对应于H9-H14或H9-H15，和任选的H9-H17的尺寸的HDL颗粒。图4说明任选的、可被用来限定med-HDL-P亚群的不同示例性子集分组。可基于90 mg/dL (或甚至更低)-110 mg/dL的(空腹)葡萄糖测量选择这些尺寸的种类，以对具有在群体标准中的中度风险的个体优化风险分级。即是说，对于特定参数，脂蛋白子集亚群或组别可基于研究群体例如MESA、IRAS和/或Framingham的统计学分析进行选择，以确定各个亚群应如何基于与T2DM有关的，而不是LP-IR或胰岛素抵抗有关的风险分组。

在一些实施方案中，中等HDL-P (HMP/HDL-P_MED)可与以下范围之一的HDL-P有关：8.3-9.2 nm、8.3-9.4 nm、8.3-9.7 nm、8.3-10 nm或8.3 nm-10.2 nm (基于NMR测量的估算尺寸)。

在IRAS研究数据集中的糖尿病预测在有点更窄的尺寸范围内表现更好，而在MESA研究数据集(其产生8.3 nm-10.0 nm的中等HDL-P跨度)中没有太差。然而中等HDL-P的上限范围可以是9.4 nm、10.0 nm或10. 2 nm，或甚至例如稍高或较低。

术语"大VLDL颗粒"指在60 nm或60 nm以上例如在60-260 nm之间的颗粒。术语"中等VLDL颗粒" ("medVLDL-P"或"VLDL-Pmed")指具有尺寸在35-60 nm之间的颗粒。术语"小VLDL颗粒"指在29-35 nm之间的颗粒。术语"VLDL-P"指合计定义的VLDL子集的浓度的极低密度脂蛋白颗粒数(VLDL-P)测量(如，VLDL-P数)。总VLDL-P可通过合计所有VLDL子集(大、中和小)的浓度(nmol/L)生成。对于中和大VLDL的精确尺寸范围可在测量方法和研究群体之间变化，但各自与可基于不同的子集分组的风险相关性定义的脂蛋白的定义亚群相关。

如以上所注明的，本发明的实施方案使用患者或受试者体外生物样品的不同定义的脂蛋白和代谢物生物标记物或参数的风险的定义数学模型，提供 STR、IR和DRI评分，以在T2DM发病前，鉴定可从药物、医学、食物、锻炼或其它干预受益的面临风险的患者或受试者。

在临床试验和/或药物发现期间，STR、IR和/或DRI的一个或多个评分也可或备选地用来监测代谢或细胞功能的正面或负面变化。

STR、IR和/或DRI评估可与葡萄糖测量分离并可相对容易地生成为筛选工具并能够比用常规试验更早的时间鉴定面临风险的个体。

如本文所用的"未处理的生物样品"指这样的生物样品，其与质谱分析的样品制备不同，在其获得后不经受造成生物样品物理或化学变化的处理(但可使用缓冲剂和稀释剂)。因此，一旦获得生物样品，来自生物样品的成分没有改变或除去。例如，一旦获得血清生物样品，血清并未经受从血清除去成分的处理。在一些实施方案中，未处理的生物样品不经历过滤和/或超滤过程。

在一些实施方案中，患者葡萄糖测量可经由生物样品NMR谱的NMR分析，以及脂蛋白颗粒测量、GlycA和缬氨酸测量获得。然而，葡萄糖测量(当使用时)可供选择地以常规化学方法获得。

在一些特定的实施方案中，已考虑可分析单一(血/血浆)体外生物样品的GlycA、缬氨酸和脂蛋白的NMR测量，以提供重要的临床信息和/或进一步改善预测或评估患者或受试者在未来发展2型糖尿病和/或具有糖尿病前期的风险。

图6A是根据本发明的实施方案，基于MESA 5-年T2DM转化(n=359/4211)的糖尿病转化率对比葡萄糖分类(低风险、中度风险、高风险)的图，说明对中度风险葡萄糖患者分级或更好地鉴定面临增加的进展为T2DM患者的未满足的需要。图6B是根据本发明的实施方案，基于IRAS 5-年T2DM转化(n=134/978)的糖尿病转化率对比葡萄糖分类(低风险、中度风险、高风险)的图，也说明对面临增加的进展为T2DM的患者，特别是对被认为是处于低或中度风险葡萄糖区的那些患者分级或更好地鉴定他们的未满足的需要。图6A/6B对比基于葡萄糖水平("低" <100；"高" >=100，如由"糖尿病前期"的名称所暗示的在升高的范围100-125的葡萄糖水平)指定的风险和在y轴分类(暗含)为不高(<15% 5-年转化)、"高" 15-25%，和"极高" (>25%)所示的实际风险。在MESA中，例如，具有葡萄糖<100的39 + 87 "低风险"人群发展为糖尿病，如此他们的风险实际上是不低的。本发明的实施方案提供的DRI评分可将公认的"低风险"个体细分为具有真正的低风险的那些个体和具有高或甚至极高风险的其它个体(由各葡萄糖分类内预测的糖尿病率的宽范围所较好显示的)。

图7是MESA研究群体(n=3450)的特征的图。

图8是显示GlycA、缬氨酸和脂蛋白子集峰区的NMR谱图。

图9是通过GlycA水平(µmol/L)对HDL-P_MED (高、中和低)的3种定义的水平，预测短期糖尿病转化率的图，说明高HDL-P_MED在大约第80位百分位数水平的GlycA从"好"转化为"差"。高HDL-PMED线由上升到右侧更高风险的最高线的左侧的低线表示。低HDL-P_MED线用线上的星星显示，说明其随着GLycA水平上升(当炎症增加时)而降低风险相关性。

HDL-P_MED值可以是9、12.9和17.17，表示第25、50、和75位百分位数。对于在MESA (n=181/3450)中短期转化为糖尿病而言，预测的转化为糖尿病的概率可以用于预言的具有空腹血糖(FPG) =105 mg/dL和第50位百分位数的eLP-IR评分(0.90)的60岁高加索女性的逻辑回归为基础。

GlycA的浓度范围通常是在约220-500 µmol/L之间，包括其端值。

图10是类似于图2B的框图，说明具有示例性系数的示例性数学方程式，所述系数可与注明的各自的组分一起使用，以生成eLP-IR和SDRF评分。eLP-IR评分可与SDRF评分结合生成DRI评分。在一些实施方案中，可提供各评分或可提供不同的评分之一给用户以供评估。

eLP-IR评分通常范围是从约0.1至1.8并可使用群体标准例如MESA作为参照群体，以百分位数值报告给患者和/或临床医师。

SDRF评分通常范围在从约-6.4至-1.6之间并且也可以百分位单位报告。

为报告目的，通常将DRI评分转化，以使范围在1和10之间。即是说，本文给出的示例性范围是eLP-IR和SDRF的"原始"输出值，即由图10金字塔形底部的2个方程式产生的值。为报告目的，SDRF和eLP-IR值可以在数学上改变/转化为百分位数值(例如，给出1-100评分)。

图11A是显示在MESA研究中，在分别为<95 mg/dL、95-99 mg/dL和100-110 mg/dL的葡萄糖分类的参与者中，DRI-预测的糖尿病转化率(%)的范围的垂直矩形的图，以说明DRI评分如何能够对在同样窄的葡萄糖范围内的人群风险进行分级。

图11B是根据本发明的实施方案，显示在IRAS研究中，在<95 mg/dL、95-99 mg/dL和100-110 mg/dL的葡萄糖分类内的参与者中的DRI-预测的糖尿病转化率(%)范围的类似的图，其证实MESA导出的DRI风险模型可对在相同葡萄糖范围内的个人风险进行分级。

图12是显示在MESA (n=3446)中，在预测胰岛素抵抗(如通过HOMA-IR评价)的3种线性回归模型中包括的参数的图。各参数与胰岛素抵抗的相关性强度作为在每一个标准偏差增量的ln (HOMA-IR)中的差值给出。eLP-IR可根据本发明的实施方案，由具有在方程式2A中注明的示例性β-系数的模型2参数表示，这有助于胰岛素抵抗的eLP-IR多标记物参数。方程式2B是方程式2A的更普及版本，识别系数值(由A-E显示)可不同于方程式2A中所示的那些(基于例如不同的研究群体和/或不同的炎性标记物、不同IR或不同BCAA参数)。

eLP-IR = (0.00935) (LP-IR) + (0.001687) (缬氨酸) – (0.002594) (VLDL-P_MED) – (0.01096) (HDL-P_MED) + (0.000848) (GlycA) 方程式2A

eLP-IR = (A) (LP-IR) + (B) (缬氨酸) – (C) (VLDL-P_MED) – (D)(HDL-P_MED) +(E)(GlycA) 方程式2B

图13是根据本发明实施方案有助于短期风险的SDRF多标记物参数(来自在具有作为因变量的短期(n=181/3450)或长期(n=286/3269)糖尿病转化的MESA中的逻辑回归)的参数的图。各参数在不同模型中的相关性强度由每一个标准偏差增量的优势率(OR)给出。SDRF使用方程式3A，使用来自用于短期糖尿病转化的模型4的β-系数导出。方程式3B是方程式3A的更普及的版本，识别系数值(由A-C显示)可不同于方程式3A中所示的那些(例如基于不同的研究群体和/或基于不同炎性标记物，或不同的相互作用参数)。

SDRF=-(0.352) (HDL-P_MED)-(0.0108) (GlycA)+(0.000969) (GlycA x HDL-P_MED)方程式3A

SDRF = -(A) (HDL-P_MED)-(B) (GlycA)+(C) (GlycA x HDL-P_MED) 方程式3B

为报告目的，分别得自方程式2A和3A的“原始” eLP-IR和SDRF风险评分，可转化为基于参考群体例如MESA内的百分位数值的范围1-100之间的各个评分。在eLP-IR的这样的情况下，<0.7 (<第25位百分位数)和>1.1 (≥第75位百分位数)的值可分别表示发展2型糖尿病的低风险和高风险。在SDRF的情况下，<-4.1 (<第25位百分位数)和>-3.8 (≥第75位百分位数)的值可分别表示在相对短的时间段内转化为糖尿病的低风险和高风险。SDRF和eLP-IR的原始评分范围的实例在下表4中提供。

表4 在MESA中用于eLP-IR和SDRF评分的百分位数值

对于IR (如，eLP-IR)定义的HDL-P亚群可不同于用于SDRF的HDL-P亚群，但通常是用来计算SDRF评分的相同定义的HDL-P亚群的相同浓度测量。

SDRF和eLP-IR评分或参数可被合并成一个复合或累积的DRI评分。在一些实施方案中，SDRF和IR评分(如，eLP-IR)系数(权重)可在具有葡萄糖<110 mg/dL的人群中，使用5-年糖尿病转化的逻辑回归模型进行选择/限定。为此目的，可使用MESA或其它数据。选择的权重因子可以在不同的研究中，在评价IRAS的5-年风险中证实。

生成在MESA (5-y)和IRAS (5-y)二者以及MESA长期(~10-y)中的逻辑模型，以提供SDRF和eLP-IR在那3种情况下的系数和卡方值的实例。这些仅仅作为eLP-IR和/或SDRF组分的实例，例如缬氨酸或GlycA测定可被调节或可使用例如其它IR模型/评分、其它炎性标记物或其它BCAA。如本领域技术人员熟知的，逻辑模型可用不同的组分来运行以选择/定义系数。表5是显示可被用来提供用于DRI评分的X和Y因子(方程式1)的示例性系数，以及在10年转化中几乎没有价值的SDRF的图表。

表5 用于DRI评分的示例性X和Y系数

在一些实施方案中，"原始" DRI值的范围可在从约-3.0至约+1.8，但其它原始评分范围也是可能的。DRI原始评分可任选地转化为限定的标准化评分范围例如1-10或0-10。

因此，例如，在一些实施方案中，使用第一套系数(MESA 5-年)，DRI方程式可以是：DRI = 2.1017 (eLP-IR) + 0.5163 (SDRF)。

在一些实施方案中，不使用百分位数，DRI范围可以被分割成一组相等的部分，例如10-50，通常20个相等的部分，以将原始值转化为范围从1至10 (增量为0.5)的DRI评分值(即，0.5、1.0、1.5、......10)，以提供风险评价，每一个中较大的值表示与较低的值相比风险增加。

图14是说明在IRAS中，在5.2年随访期间转化为糖尿病(n=134/976)的图表，其验证了使用根据本发明的实施方案的MESA开发的模型。数据是以具有5-年糖尿病转化(实际5.2年转化)作为因变量的IRAS中的逻辑回归为基础的。5个回归模型的相对预测值通过可能性比率(LR) χ² 统计学和在ROC曲线下的面积(AUC)给出。指示的变量的相关性强度由每一个标准偏差增量的优势率(OR)给出。S_i是通过经常取样的静脉内葡萄糖耐量试验测量的胰岛素敏感性。图14还显示相对于先前LP-IR，通过eLP-IR提供的改善的糖尿病风险相关性(124.2对比119.9) LRχ²。

图15是说明根据本发明的实施方案，在9个亚组的IRAS参与者(全部具有空腹葡萄糖低于或等于110 mg/dL)中由他们的GlycA和HDL-P_MED的水平(通过三分组分为低、中或高)分类的，基于观察的(未预测的) 5-年糖尿病转化率的相互作用参数的意义的图。例如，当GlycA水平低(底部三分位)时，HDL-P_MED水平相对于糖尿病风险呈强烈的负相关(当HDL-P_MED分别呈现高对比低的关系时，则比率为2.3%对比10.1%)。然而，当GlycA水平高(上部三分位)时，具有高水平的HDL-P_MED是不好的，但实际上比具有低HDL-P_MED水平(12.9%率)更差(17.8%转化率)。

图16是根据本发明的实施方案，对于具有高或低水平的胰岛素抵抗(IR)和SDRF评分的假设患者随时间推移(年)的空腹葡萄糖(mg/dL)的示例性图，以说明SDRF和IR (eLP-IR，例如)评分可与中间或低葡萄糖值一起使用，以预测葡萄糖值是否随时间推移是稳定的，或具有在未来(例如，或者短期或者长期)导致糖尿病的迹线。例如，当SDRF评分和IR评分二者表示为升高(如，超过第75位百分位数)时，则葡萄糖迹线在相对短的时帧(例如，从试验时起的约2-3年或更短)内更可能升高。

图17是提供短期风险测量，例如，SDRF评分的示例性报告，可监测其变化以评价随时间推移的β-细胞功能/功能障碍并在报告中作为参考或历史分段提供。在第三个三分位或以上的原始STR评分，如≥-3.8 (≥第75位百分位数)可指示在相对短的时间段(如试验后2年或更短)内转化为糖尿病的高风险。

图20A-20C也是提供具有不同葡萄糖水平的相同DRI评分的示例性报告。所述报告也可提供对炎性标记物(如，GlycA)和BCAA，如缬氨酸的分开的评分。

DRI评分也可提供相关的5-年风险分类。5-年风险时间表被认为具有对患者的临床意义，可能引起或促使患者采取更积极的反应，例如，相对于较长时间表的食疗、锻炼或药物疗法。然而，可使用较长的时间表。DRI评分(如，糖尿病风险指数)可单独或与相对于患者的FPG评分的风险图的解释节段一起提供。历史报告可使STR或DRI评分与FPG评分相关。即使FPG评分保持相对水平，STR、IR或DRI评分可指示朝向糖尿病的进展，如果这些分数增加的话。

图20A-20C说明具有相同7.5 DRI评分的患者可分别具有基于他们的FPG水平，显示为极高、高和低的5-年风险分类的不同风险。

图18是示例性患者报告的示意图，其可提供根据本发明的实施方案的DRI评分、IR评分(与胰岛素抵抗有关)和STR评分(与β-细胞功能相关)的一个或多个与其它脂蛋白和/或代谢物参数(如，炎性标记物)。

图19是可被用来评估DRI评分、IR评分或STR评分中的一个或多个随时间推移的变化的示例图，其可基于根据本发明的实施方案的疗法的剂量或类型或与其相关。

GlycA水平可经NMR以可通过乘以17.8转化为甲基浓度单位(umol/L)的"任意单位"测量。

现在参考图21，可以设想，在一些特定的实施方案中，STR、IR和/或DRI评分的测量的大多数(如果不是全部的话)可根据或使用与或至少部分地与如关于例如下图22和/或美国专利号8,013,602中所述的NMR临床分析仪22开机通信的系统10进行，所述专利的内容通过引用结合到本文中，好象在此全面叙述一样。

系统10可包括TR、IR和/或DRI糖尿病风险指数(如，评分)模块370，以收集适合于确定风险评分(如，HDL亚群、GlycA、缬氨酸)的一个或全部组成成分的数据。系统10可包括分析线路20，其包括至少一个能够为分析仪22联机或至少部分地从分析仪22远程遥控的处理器20p。如果是后者，模块370和/或线路20可以在服务器150上完全或部分地驻留。服务器150可使用包括应要求经由计算机网络提供计算资源的云计算来提供。资源可以体现为各种基础设施服务(如 计算机、存储等)以及应用程序、数据库、文件服务、电子邮件等。在传统的计算模式中，数据和软件二者通常完全包含在用户的计算机上；在云计算中，用户的计算机可包含极少的软件或数据(或许是操作系统和/或网络浏览器)，并可起着几乎不超过在外部计算机网络上发生的处理过程的显示终端的功能。云计算服务(或多个云资源的聚合)一般可称为"云"。云存储可包括一个网络化的计算机数据存储的模型，其中数据存储在多个虚拟服务器上，而不是被托管在一个或多个专用服务器上。数据传输可被加密且可使用任何适当的防火墙以符合行业或监管标准例如HIPAA，通过互联网进行。术语"HIPAA"指由Health Insurance Portability and Accountability Act限定的美国法律。患者数据可包括登录号或标识符、性别、年龄和测试数据。

分析的结果可以经由计算机网络，例如互联网，通过电子邮件等传输给患者、临床医师网站50 (其可包括电子显示屏50D)、传输给健康保障机构52或药房51和/或患者53。结果可从分析网站直接发送或可被间接发送。结果可以打印出来并经由传统邮件发送。这种信息也可传输给药房和/或医疗保险公司，或甚至给患者，其监测可导致不利事件风险增加的处方或药物使用或设置医疗警报以防止冲突药物的处方。结果可经由电子邮件发送给患者的"家庭"计算机或一个普适计算设备例如智能手机或笔记本等。结果可作为例如总体报告的电子邮件附件或作为一个文本消息警示。

仍参考图21，与不同的用户，例如临床医师网站50、患者52D和/或试验或实验室网站60连接的一个或多个电子装置50D、51D、53D、60D可被配置为访问与各自的电子装置的显示屏通信的电子分析线路155。分析线路155可以在服务器150上托管并可提供一个互联网入口或可下载的APP或用于各种装置的其它计算机程序。线路155可被配置为允许用户，例如临床医师进入以下的一个或多个：(i) 患者的葡萄糖值，(ii) 患者的葡萄糖值和糖尿病风险指数评分，或(iii) 糖尿病风险指数评分。线路可以基于患者的标识符或其它密码登录(sign-in)自动填充不同的数据场或允许用户进入对各患者的STR、IR或DRI评分的一个或多个和葡萄糖测量。分析线路可被配置为跟踪STR、IR和/或DRI评分随时间推移的变化并生成能够发送给临床医师、患者或其它用户的电子报告。分析线路也可发送推荐复试、后续试验等的通知，例如，如果STR、IR或DRI风险评分升高或在低风险值以上，如在中度风险分类中，线路可通知临床医师，葡萄糖试验可能是适宜的或发送通知给患者，与医生商量，看葡萄糖检测是否合适或后续的DRI试验的增加的监测时间间隔是否可能是合乎需要的。

分析线路155和/或20能够生成风险进展路径或分析，以提供对具有相同葡萄糖值(当葡萄糖值处于中度风险范围，当空腹血糖水平在90-110 mg/dL之间，A1C %水平在5.7-6.4之间或口服葡萄糖耐量水平在140-199 mg/dL之间)的患者在未来发展2型糖尿病的风险分级的图形信息。电子分析线路可以是在云中或其它可通过互联网227访问的联机服务器150或可与不同的客户体系架构联系，如将为本领域技术人员理解的。因此，临床医师、患者或其它用户能够生成定制的关于风险进展的报告或另外获得风险分级信息。

现在参考图22，说明对各自的生物样品采集至少一个NMR谱的系统207。系统 207包括用于获得对样品NMR测量的NMR数据的NMR分光计 22s和/或分析仪22。在一个实施方案中，配置分光计 22s以便在约400 MHz处对质子信号进行NMR信号采集；在其它实施方案中，测量可在约200MHz-约900 MHz之间或其它合适的频率下进行。也可使用对应于期望的操作磁场强度的其它频率。通常，安装作为温度控制器的质子流探头，以维持样品温度在47 +/-0.5摄氏度。分光计 22s可用数字计算机214或其它信号处理单元控制。计算机211应该能够进行快速的傅立叶变换。它也可包括到另一个处理器或计算机213的数据连接 212和可连接到一个硬存储单元215和/或远程服务器150的直接内存访问存取通道214 (图15)。

数字计算机211也可包括一组模拟数字转换器、数字到模拟转换器和慢设备I/O端口，所述端口通过脉冲控制和接口线路216连接至分光计的工作元件。这些元件包括RF发射机217，其产生由数字计算机211指示的RF激励脉冲的持续时间、频率和幅度，和RF功率放大器218，后者放大脉冲并将其耦合到围绕样品单元220和/或流动探针220p的RF发射线圈219。在由超导磁体 221产生的9.4 Tesla极化磁场的存在下，由激励样品产生的NMR信号被线圈222接收并应用到RF接收器223。放大和滤过的NMR信号在224被解调并将所得的正交信号应用于接口线路216，在那里它们通过数字计算机211被数字化并输入。糖尿病风险评估模块 370或分析线路20或155 (图21)可位于与数字计算机211连接的一个或多个处理器中和/或在可现场或远程，通过一个全球范围内的网络，如互联网227可访问的辅助计算机213或其它计算机。

在从测量单元220中的样品获得NMR数据后，通过计算机211的处理产生另一个可(如果需要)存储在存储器 215中的文件。这种第二文件是数字表示的化学位移谱，并且它随后被读取到计算机213供存储在其存储器 225或与一个或多个服务器连接的数据库中。在存储在其内存中的程序的指导下，计算机213，其可以是个人，笔记本电脑，台式机，工作站，笔记本、平板电脑或其它计算机，按照本发明的教义处理化学位移谱以生成可输出到打印机226或电子存储的报告并中继到想要的电子邮件地址或URL。本领域技术人员将认识到，也可使用其它输出装置，例如计算机显示屏，笔记本，智能手机等，以显示结果。

本领域技术人员应该意识到，由计算机213及其分开的存储器 225进行的功能也可结合到由分光计的数字计算机211执行的功能中。在这样的情况下，打印机226可直接连接至数字计算机211。其它接口和输出设备也可以使用，如为本领域技术人员熟知的。

本发明的实施方案可采取完全的软件实施方案或合并软件和硬件方面的实施方案的形式，所有这些在本文通常被称为"线路"或"模块"。

如本领域技术人员将能理解的，本发明可体现为装置、方法、数据或信号处理系统，或计算机程序产品。因此，本发明可采取完全的软件实施方案，或合并软件和硬件方面的实施方案的形式。此外，某些本发明的实施方案可采取在具有在介质中体现的计算机-可用程序代码意义的计算机-可用存储介质上的计算机程序产品的形式。可使用任何合适的计算机可读介质，包括硬盘、CD-ROMs、光存储装置，或磁性存储装置。

计算机-可用或计算机-可读介质可以是，但不限于，电子、磁性、光学、电磁、红外，或半导体系统、设备、装置，或传输介质。计算机-可读介质的更具体的实例(非-穷举列表)将包括以下：具有一个或多个电线的电气连接、便携式计算机的软盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤，和便携式加密光盘只读存储器(CD-ROM)。注意到计算机-可用或计算机-可读介质甚至可以是纸张或另一个合适的介质，该程序被打印在该介质上，因为该程序可以通过例如光学扫描纸张或其它介质被电子俘获，然后编译、解释或以适当的方式另外处理(如果必要)，然后存储在计算机内存中。

进行本发明的操作的计算机程序编码可以用一种面向对象的编程语言例如Java7、Smalltalk、Python、Labview、C++，或VisualBasic编写。然而，用于进行本发明的操作的计算机程序编码也可用传统的程序编程语言，例如"C"编程语言或甚至汇编语言编写。程序代码可以完全在用户的计算机上，部分在用户的计算机上，作为单置的软件包，部分在用户的计算机上和部分在远程计算机或完全在远程计算机上执行。在后一种情况下，远程计算机可通过局域网(LAN)或广域网(WAN)或安全区域网络(SAN)连接到用户的计算机，或可连接至外部计算机(例如，通过使用互联网服务供应商的互联网)。

本文的某些图的流程图和框图说明根据本发明的分析模型和评估系统和/或程序的体系机构、功能和可能实现的操作。在这一点上，流程图或框图中的每个方块表示一个模块、节段、操作，或部分代码，其包含一个或多个可执行的实施指定逻辑函数的说明指令。还应该注意到，在一些备选的实施中，在方块中注明的功能可能不以图中注明的顺序发生。例如，连续显示的2个区块事实上可能是同时执行的或方块可能有时会以相反的次序执行，这取决于所涉及的功能。

图23是数据处理系统305的示例性实施方案的框图，其说明根据本发明的实施方案的系统、方法，和计算机程序产品。处理器 310通过地址/数据总线348与存储器314通信。处理器 310可以是任何商业上可获得的或自定义的微处理器。储存器314表示内存设备的整体层次结构，其包含用来执行数据处理系统305的功能的软件和数据。储存器314可包括，但不限于，以下类型的装置：cache、ROM、PROM、EPROM、EEPROM、闪存、SRAM，和DRAM。

如在图23中所示，储存器314可包括几类用于数据处理系统 305的软件和数据：操作系统 352；应用程序354；输入/输出(I/O)设备驱动器358；STR、IR和/或DRI风险评分模块370和数据 356。模块 370可考虑定义的多标记物STR的定义的代谢物和脂蛋白参数和IR参数的水平，其可包括在限定的时间表，例如，下一个5年或具有糖尿病前期的可能性，在发展2型糖尿病的风险的多参数数学模型中，对GlycA、脂蛋白组分和缬氨酸并且还任选地对葡萄糖的测量。

数据 356可包括脂蛋白和代谢物参数362的信号(成分和/或复合光谱线形)或测量数据，其可从数据或信号采集系统 320获得。如可被本领域技术人员理解的，操作系统352可以是适合使用以下数据处理系统的任何操作系统：例如得自InternationalBusiness Machines Corporation, Armonk, Armonk, NY的OS/2、AIX或OS/390，得自Microsoft Corporation, Redmond, WA的WindowsCE、WindowsNT、Windows95、Windows98、Windows2000或WindowsXP，得自Palm, Inc.的PalmOS，得自Apple Computer的MacOS，UNIX、FreeBSD或Linux，专有操作系统或专用操作系统，例如，嵌入式数据处理系统。

I/O设备驱动器358 通常包括通过操作系统 352经应用程序354访问的常规软件，以与装置例如I/O数据端口、数据存储 356和某些储存器314元件和/或分析仪22通信。应用程序354是实施数据处理系统 305的各种特征并可包括至少一种应用的示例性程序，其支持根据本发明的实施方案的操作。最后，数据 356代表由应用程序354、操作系统 352、I/O设备驱动器358和可驻存在储存器314中的其它软件程序使用的静态和动态数据。

虽然，例如参考图23中的为一种应用程序的模块 370说明了本发明，如本领域技术人员将能理解的，其它配置也可采用，同时仍可从本发明的讲述中受益。例如，模块 370也可结合到操作系统 352、I/O设备驱动器358或数据处理系统 305的其它这样的逻辑分割中。因此，本发明不应视为限制于图23中的配置，其意欲涵盖任何能够进行本文所述操作的配置。

图24是能够进行本发明的实施方案的示例性操作的流程图。在一些实施方案中，炎性标记物是NMR衍生的GlycA，其可使用与块500、502、515、520和任选的503、412和522相关的行动。然而，根据一些实施方案，当采用其它炎性标记物时，该方法可仅包括块423、524、525和526。

如果GlycA是炎性标记物，该方法可包括获得(测量的)生物样品(如，血浆或血清)的拟合区域的NMR谱的复合包迹线NMR谱(块500)。NMR复合信号包迹线使用具有HDL、LDL和VLDL/Chylos组分和与至少GlycA峰区有关的多个曲线拟合(如，Lorentzian)函数定义的模型在电子上去卷积，所述峰区集中在与GlycA (块502)有关的定义的化学位移位置(如，2.00 ppm)。可合计与GlycA有关的峰区的曲线拟合函数的定义的数量(块515)。转化因子可被应用于合计函数以生成GlycA (块520)的计算的测量。

所述方法可包括提供STR风险因子评分以鉴定潜在的β-细胞功能障碍和/或损伤或β-细胞状态的变化(块523)。状态的变化可以例如是与疗法，例如药物疗法有关的改善或进一步损伤。

所述方法可包括提供与胰岛素抵抗有关的IR风险评分和通常在5-7年内转化或进展为2型糖尿病的风险(块524)。

所述方法可包括合并IR和STR评分(块525)和基于合并的IR和STR评分作为DRI评分鉴定患者是否面临发展2型糖尿病的风险和/或具有糖尿病前期(块526)。IR评分可加权以具有相对于其未-加权评分的增加的值，以提供对DRI评分相对于STR评分的更大的输入或可在长期评估中天然具有更为优势的评分。

STR和IR评分可使用与定义的脂蛋白和代谢物参数的定义系数有关的定义的风险模型生成，以生成STR和IR评分，所述评分生成在1-10之间的范围的DRI评分。

任选地，DRI和/或GlycA评分可在患者和/或临床试验报告中提供(块522)。

定义的GlycA去卷积模型可包括密度大于约1.21g/L的蛋白质信号组分，其可自信号复合包迹线中去卷积/分离(块503)。

前述是本发明的示例性说明并不视为限制本发明。虽然已经描述本发明的几个示例性实施方案，本领域技术人员将容易地理解，许多修饰在实质上不背离本发明的新的讲述和优点的情况下，在示例性实施方案中是可能的。因此，所有这样的修饰意欲包括在如在权利要求书中限定的本发明范围内。在权利要求书中，方法-加-功能条款，当使用时，意欲覆盖本文描述为执行所述功能的结构且不仅仅是结构等价物，而且还有等同结构。因此，要理解，前述是本发明的示例性说明，并不视为限制于公开的具体实施方案，而对公开的实施方案，以及其它实施方案的修饰意欲包括在所附权利要求书的范围内。本发明由以下的权利要求书限定，权利要求书的等同物被包括在其中。

Claims (20)

1.一种计算机可读介质，包括使用发展2型糖尿病的风险的定义数学模型，其中该数学模型用于评估受试者发展2型糖尿病的风险的方法，该方法包括：

使用发展2型糖尿病的风险的定义数学模型，编程计算受试者的短期糖尿病风险因子(SDRF)评分，其中定义数学模型包括定义的高密度脂蛋白颗粒(HDL-P)亚群的浓度测量、至少一种炎性标记物的浓度测量和至少一个相互作用参数的浓度测量作为模型的组成部分，其与各自定义的系数在数学上合并以生成计算的SDRF评分，且其中当SDRF评分处于群体标准的第三个三分位值或更大的值时，受试者面临在3年内转化为2型糖尿病的风险；

其中SDRF评分采用以下方程式计算：

SDRF评分= - (A) (HDL-P_MED) - (B) (GlycA) + (C) (GlycA x HDL-P_MED)，

其中A、B和C是来自作为发展2型糖尿病的风险的定义数学模型的用于短期转化为糖尿病的逻辑回归模型的定义的β系数，和其中GlycA是炎性标记物，HDL-P_MED是中等大小的HDL-P亚群，和GlycA x HDL-P_MED是相互作用参数。

2.权利要求1的可读介质，其还包括使用胰岛素抵抗的定义数学模型，编程计算受试者的胰岛素抵抗(IR)评分，其中用于IR评分的胰岛素抵抗的定义数学模型包括多个组成成分，所述组成部分包括定义的HDL-P亚群的浓度测量，其是用来计算SDRF评分的定义的HDL-P亚群的浓度测量；炎性标记物的测量；VLDL-P (极低密度脂蛋白/乳糜微粒子集)的定义亚群的测量；具有在0-100之间的范围的IR指数，该范围表示从低至高，胰岛素敏感性至胰岛素抗性；和从受试者的至少一种体外生物样品获得的支链氨基酸(BCAA)的测量，

其中IR评分是eLP-IR评分并使用以下方程式计算：

eLP-IR = (A) (LP-IR) + (B)(缬氨酸) – (C) (VLDL-P_MED) – (D)(HDL-P_MED) + (E)(GlycA)，

其中A、B、C、D和E是来自用于胰岛素抵抗的线性回归模型的定义的β系数，VLDL-P_MED是中等VLDL-P亚群的浓度，缬氨酸是支链氨基酸。

3.权利要求2的可读介质，其中IR的定义数学模型的组成成分经数学合并以生成IR评分。

4.权利要求2的可读介质，其还包括通过合并SDRF评分和IR评分，编程计算糖尿病风险评分。

5.权利要求4的可读介质，其中SDRF和IR评分的系数从包括SDRF和IR的逻辑回归模型导出，以使用至少一个定义的群体研究，从而生成具有在5年内转化的风险的DRI评分，而不考虑受试者的葡萄糖值，来预测实际5年糖尿病转化率。

6.权利要求1的可读介质，其还包括评估受试者的测量的葡萄糖和/或HbA1c值，和基于葡萄糖测量和DRI评分以电子形式提供转化为2型糖尿病风险评估的5年风险的报告。

7.权利要求2的可读介质，LP-IR是使用6个定义的脂蛋白子集计算的脂蛋白胰岛素抵抗指数并具有在表示胰岛素敏感性至胰岛素抗性的0-100范围内的数值。

8.权利要求1的可读介质，其还包括以下的至少一项：使用SDRF评分，评估药物疗法、评估临床试验或评估药物发现的候选物。

9.权利要求1的可读介质，其还包括从各自的生物样品计算随时间推移的多个SDRF评分，从而评估SDRF评分的变化以鉴定受试者产生胰岛素的能力的变化。

10.权利要求1的可读介质，其中与SDRF评分有关的原始评分是在-6.4和-1.6之间，其中-4.1与研究群体的大约第二十五个百分点相关和>-3.8与大约第七十五个百分点相关，和其中≥-3.8的值指示早期转化为2型糖尿病的风险增加，所述风险与血糖值无关，其可用不同SDRF评分，对具有普通血糖测量的受试者转化为2型糖尿病的风险分级。

11.权利要求1的可读介质，其中SDRF评分以定义的数值评分范围在报告中提供，评分与群体标准的第四个四分位值(4Q)、第五个五分位值(5Q)或第十个十分位值有关，其反映了相对于较低评分，在2年内发展2型糖尿病的风险增加。

12.权利要求1的可读介质，其中HDL-P亚群仅包含具有8.3 nm至9.4 nm之间的直径的中等HDL颗粒子集。

13.权利要求1的可读介质，其中HDL-P亚群仅包含直径在8.3nm至10.0nm之间的中等HDL颗粒亚群。

14.权利要求1的可读介质，其中HDL-P亚群仅包含直径在8.3nm至10.2nm之间的中等HDL颗粒亚群。

15.权利要求2的可读介质，其还包括使用以下方程式生成DRI评分：

DRI评分= X(IR评分) + Y(SDRF)，

其中X和Y是使用限定的研究群体，在具有葡萄糖<110 mg/dL的人群中，由用于5-年糖尿病转化的逻辑回归模型定义的系数，且其中DRI评分使用在可能的DRI原始评分范围内的多个相等的子部分被数学改变为DRI评分范围。

16.一种计算机可读介质，包括用于鉴定面临风险的患者的算法，所述患者可从改善患者产生胰岛素的能力的疗法获益，该算法包括：

采用定义的数学模型，通过合并受试者的生物样品的限定的脂蛋白和代谢物组分的测量，以电子形式生成短期糖尿病风险评分，其中所述组分包括高密度脂蛋白颗粒(HDL-P)亚群和使用HDL-P亚群和炎性标记物的相互作用参数；

比较生成的评分与限定的群体标准；和

鉴定受试者可能从改善患者产生胰岛素的能力的疗法获益，

其中使用以下方程式编程计算SDRF评分：

SDRF评分= - (A) (HDL-P_MED) - (B) (GlycA) + (C) (GlycA x HDL-P_MED)，

其中A、B和C为来自作为发展2型糖尿病的风险的定义数学模型的用于短期转化为糖尿病的逻辑回归模型的定义的β系数，和其中GlycA是炎性标记物，HDL-P_MED是中等大小的HDL-P亚群，和GlycA x HDL-P_MED是相互作用参数。

17.一种计算机可读介质，包括用于鉴定受试者的算法，所述受试者可能从用于抑制2型糖尿病(T2DM)的药物疗法例如再生HDL输注受益，该算法包括：

使用受试者的生物样品限定的脂蛋白和代谢物组分的测量，生成定义的短期糖尿病风险因子(SDRF)评分，其中所述组分包括高密度脂蛋白颗粒(HDL-P)亚群和使用HDL-P亚群和炎性标记物的相互作用参数；和

鉴定具有相对于定义的群体标准的增加的SDRF评分的受试者，所述评分指示受试者可能从抑制T2DM的疗法受益，

其中使用以下方程式编程计算SDRF评分：

SDRF评分= - (A) (HDL-P_MED) - (B) (GlycA) + (C) (GlycA x HDL-P_MED)，

其中A、B和C为来自作为发展2型糖尿病的风险的定义数学模型的用于短期转化为糖尿病的逻辑回归模型的定义的β系数，和其中GlycA是炎性标记物，HDL-P_MED是中等大小的HDL-P亚群，和GlycA x HDL-P_MED是相互作用参数。

18.权利要求1、16和17中任一项的可读介质，其使用至少一个处理器进行。

19.权利要求1、16和17中任一项的可读介质，其中用于SDRF评分的生物样品的测量是NMR衍生的测量。

20.一种计算机可读介质，包括用于评估患者转化为2型糖尿病的风险的算法，其包括：

(a) 使用以下方程式编程计算SDRF评分：

SDRF评分= - (A) (HDL-P_MED) - (B) (GlycA) + (C) (GlycA x HDL-P_MED)，

其中A、B和C为来自作为发展2型糖尿病的风险的定义数学模型的用于短期转化为糖尿病的逻辑回归模型的定义的β系数，和其中GlycA是炎性标记物，HDL-P_MED是中等大小的HDL-P亚群，和GlycA x HDL-P_MED是相互作用参数；

(b) 编程计算eLP-IR评分并使用以下方程式：

eLP-IR = (A) (LP-IR) + (B)(缬氨酸) – (C) (VLDL-P_MED) – (D)(HDL-P_MED) + (E)(GlycA)，

其中A、B、C、D和E是来自用于胰岛素抵抗的线性回归模型的定义的β系数，其中GlycA是炎性标记物，HDL-P_MED是中等HDL-P亚群的浓度，VLDL-P_MED是中等VLDL-P亚群的浓度，缬氨酸是支链氨基酸，和LP-IR是使用6个确定的脂蛋白子集计算的脂蛋白胰岛素抵抗指数并具有表示胰岛素敏感性至胰岛素抗性的0-100范围内的数值，和

(c) 使用以下方程式编程生成DRI原始评分：

DRI原始评分= X(eLP-IR) + Y(SDRF)，

其中X和Y是使用限定的研究群体，在具有葡萄糖<110 mg/dL的人群中，由用于5-年糖尿病转化的逻辑回归模型定义的系数，且其中DRI原始评分使用在可能的DRI原始评分范围内的多个相等的子部分，被数学上改变为在0-10或1-10之间的范围。

Images