CN108348547B - 用于匹配肿瘤学特征的系统和方法 - Google Patents

用于匹配肿瘤学特征的系统和方法 Download PDF

Info

Publication number
CN108348547B
CN108348547B CN201680062051.4A CN201680062051A CN108348547B CN 108348547 B CN108348547 B CN 108348547B CN 201680062051 A CN201680062051 A CN 201680062051A CN 108348547 B CN108348547 B CN 108348547B
Authority
CN
China
Prior art keywords
tumor
protein activity
proteins
compound
cancer
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.)
Active
Application number
CN201680062051.4A
Other languages
English (en)
Other versions
CN108348547A (zh
Inventor
安德里亚·卡利法诺
马里亚诺·贾维尔·阿尔瓦雷茨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Columbia University in the City of New York
Original Assignee
Columbia University in the City of New York
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Columbia University in the City of New York filed Critical Columbia University in the City of New York
Publication of CN108348547A publication Critical patent/CN108348547A/zh
Application granted granted Critical
Publication of CN108348547B publication Critical patent/CN108348547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
    • G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2500/00—Screening for compounds of potential therapeutic value
    • G01N2500/20—Screening for compounds of potential therapeutic value cell-free systems

Abstract

本文公开了基于蛋白质活性特征分析疾病或病症(例如，肿瘤)的技术。一种示例性方法可包括定量测量来自疾病或病症的样品中的多种主调节蛋白的蛋白质活性；以及由所述主调节蛋白的所述定量的蛋白质活性分析所述肿瘤。还公开了鉴定治疗疾病或病症(例如，抑制肿瘤细胞生长)的一种或多种化合物的方法。

Description

用于匹配肿瘤学特征的系统和方法
相关申请案
本申请要求2015年8月28日提交的美国临时申请连续案第62/211,562号和2015年11月10日提交的第62/253,342号的优先权，所述申请连续案的内容以全文引用的方式并入本文，并对其要求优先权。
授权信息
本发明是在政府支持下进行的，由国家卫生研究院(National Institutes ofHealth)授予批准号CA121852和CA168426。政府在本发明中具有一定权利。
发明背景
精密癌症医学领域之某些努力是基于对“可靶向性致癌基因突变”的鉴定，假定其药理学抑制作用将引发致癌基因成瘾1。尽管此方法已整合到临床癌症治疗中，但仍存在挑战。
首先，基于可靶向性突变2对癌症患者阶层化已显示，某些成人恶性肿瘤总体缺少可靶向性变化或在无药可靶向的致癌基因(例如，RAS/MYC家族蛋白质)或不具有特征性治疗价值的基因3中呈现出突变。另外，尽管致癌基因标靶可以实现初始反应，但之后可能由于出现抗药性而快速复发4,5。而且，对成百种细胞系和化合物的分析表明，除了少量典型的目标(例如，尤其为ERBB2、EGFR、mTOR、ALK、MET、PI3K和ESR1)以外，单基因突变可能对相应蛋白质的抑制剂的敏感性的综合预测较差6。
药物敏感性代表一种多因子多基因(即，复杂的)表型，突出了需要新颖的方法来补充和延展可靶向性变化方式。因此，需要一种新颖的方法来补充和延展可靶向性变化方式。
发明概要
本发明公开的主题提供用于鉴定代表特异性蛋白质(例如，主调节(“MR”)蛋白)在组织中的异常活性的特征并将所述特征与其它组织特征进行匹配的系统和方法，包括用特异性小分子或生物制剂进行后续治疗。如本文中所用，术语“主调节(MR)”指的是基于预定统计阈值(例如，约0.01或0.01以下的p值)，针对多次假设检验校准的包括这些特征的组织中的异常活化/失活蛋白质。这些MR蛋白对于肿瘤生存力可能是必需的，而且因此代表一类新的治疗目标，通常不同于传统致癌蛋白。
根据本发明公开的主题的某些实施方案，所述系统和方法可用于鉴定基于MR活性特征相似性而言代表具有相似药物敏感性的疾病或病症(例如，肿瘤)的生物学样品，鉴定在特异性组织中恢复MR活性的药物和小分子化合物及鉴定在恢复MR蛋白的活性中具有补充作用的药物，因此代表候选的协同药物对。
本发明公开的主题可基于对(例如，驱动肿瘤细胞状态的特异性MR蛋白的)肿瘤检查点活性的鉴定和逆转。例如，可基于调节肿瘤细胞表型的实际MR蛋白的状态和/或作用来匹配肿瘤、模型和药物反应。
本发明公开的主题提供分析疾病或病症的方法。在某些实施方案中，一种示例性方法包括定量测量来自所述疾病或病症的样品中的多种MR蛋白的蛋白质活性；以及由MR蛋白的定量的蛋白质活性来分析所述疾病或病症。样品可选自由以下各项组成的组：组织提取物、细胞、组织、器官、血液、血清、体液及其组合。
在某些实施方案中，所述分析评估或鉴定MR蛋白失调状态。在某些实施方案中，MR蛋白失调状态包括异常活化MR蛋白和异常失活MR蛋白。
在某些实施方案中，所述分析产生关于疾病或病症的MR特征谱。关于疾病或病症亚型的MR特征谱可用于鉴定细胞系或模型作为所述疾病或病症的体内或体外模型的方法中。所述方法可包括定量测量来自细胞系或模型中的MR蛋白的蛋白质活性以及由MR蛋白的定量的蛋白质活性来分析细胞系或模型从而获得所述细胞系或模型的MR特征谱。在某些实施方案中，所述方法包括评估细胞系或模型的MR特征谱与疾病或病症的MR特征谱之间的相似性。所述方法可导致鉴定MR特征谱与疾病或病症的MR特征谱实质上在统计学上相似(p-值为约1×10-5或1×10-5以下)的匹配疾病/病症细胞系或模型。在某些实施方案中，所述模型选自来源于患者的肿瘤异种移植模型、小鼠异种移植模型以及转基因小鼠模型。
本发明公开的主题还提供用于鉴定治疗疾病或病症的化合物的方法。在某些实施方案中，一种示例性方法包括定量测量来自疾病或病症的样品中的多种MR蛋白的蛋白质活性；使所述样品暴露于所述化合物；定量测量化合物处理的样品中的多种MR蛋白的蛋白质活性；以及定量评估与未用化合物处理的来自疾病或病症的样品或暴露于用于递送化合物的媒介物的模型相比，在化合物处理的样品中的多种MR蛋白的蛋白质活性的逆转。在某些实施方案中，媒介物可为二甲亚砜(DMSO)。化合物诱导多种MR蛋白的蛋白质活性总体逆转表明所述化合物抑制肿瘤的肿瘤细胞生长。
本发明公开的主题还提供用于鉴定协同治疗疾病或疾病的一对第一化合物和第二化合物的方法。在某些实施方案中，所述方法包括定量测量来自疾病或病症的样品中的多种MR蛋白的蛋白质活性；使来自疾病或病症的第一样品暴露于第一化合物；使来自疾病或病症的第二样品暴露于第二化合物；以及定量评估与未用第一或第二化合物处理的来自疾病或病症的样品或暴露于用于递送第一或第二化合物的媒介物的模型相比，在第一化合物和第二化合物处理的样品中的多种MR蛋白的蛋白质活性的逆转。在某些实施方案中，如果满足以下准则中的一项或多项：(a)如果第一化合物和第二化合物使MR蛋白活化或失活发生交叉代表MR蛋白的蛋白质活性的更具统计学显著性的逆转；(b)如果第一化合物和第二化合物使MR蛋白活化或失活发生联合代表MR蛋白的蛋白质活性的更具统计学显著性的逆转；以及(c)如果第一化合物和第二化合物个别逆转的MR被预测为肿瘤状态的协同调节剂，那么所述对则被鉴定为能够协同治疗疾病或病症。
此外，本发明公开的主题提供用于评估化合物治疗疾病或病症的体内治疗作用的方法。在某些实施方案中，一种示例性方法包括定量测量来自疾病或病症的样品中的多种MR蛋白的蛋白质活性；使样品暴露于化合物；定量测量化合物处理的样品中的多种MR蛋白的蛋白质活性；以及定量评估与来自未用化合物治疗的所述疾病或病症或暴露于用于递送化合物的媒介物的模型的样品相比，在化合物处理的样品中的多种MR蛋白的蛋白质活性的逆转。化合物诱导多种MR蛋白的蛋白质活性总体逆转表明所述化合物将可能在体内有效治疗所述疾病或病症。
化合物可选自小分子化合物、肽、核酸、寡核苷酸、抗体、适体、其修饰型式以及其组合。
疾病或病症可为肿瘤或肿瘤亚型。肿瘤可选自胶质母细胞瘤、脑膜瘤、白血病、淋巴瘤、肉瘤、类癌、神经内分泌癌、副神经节瘤、黑素瘤、前列腺癌、胰腺癌、膀胱癌、胃癌、结肠癌、乳腺癌、头颈癌、肾癌、胃部癌瘤、小肠癌、卵巢癌、肝细胞癌、子宫体癌以及肺癌。
在本文公开的任何方法中，定量测量多种MR蛋白的蛋白质活性可直接或间接基于MR蛋白的调节子的表达，和/或直接或间接基于MR蛋白的调节子的富集。在某些实施方案中，特异性蛋白质(例如，MR蛋白)的调节子在特异性组织中的表达不同于在对照组织中的表达(例如，所有疾病/病症(例如，肿瘤)相关样品、标准样品或未经处理样品的平均值)。
在本文公开的任何方法中，定量测量多种MR蛋白的蛋白质活性可包括通过计算机由MR蛋白的调节子的基因表达谱推断多种MR蛋白的蛋白质活性。在某些实施方案中，基因表达谱来源于体内模型。在某些实施方案中，基因表达谱来源于体外模型。MR蛋白的调节子可通过精确蜂窝网络重构演算法(ARACNe)来推断。通过计算机推断多种MR蛋白的蛋白质活性可通过诸如主调节推理算法(MARINA)和通过富集调节子分析虚拟推断蛋白质活性(VIPER)的技术来进行。VIPER技术在与本案同时提交的标题为“Virtual Inference OfProtein Activity By Regulon Enrichment分析”的美国专利申请案No.:15/248,975中有所描述，所述申请案以全文引用的方式并入。
附图简单说明
图1A和1B描绘关于mRNA(“101”)、反相蛋白质阵列(“102”)和VIPER推断的蛋白质活性(“103”)特征的相关系数和相对排位的概率密度。
图2A-2C描绘关于基因表达(A和C)和VIPER推断的蛋白质活性(B)的热图。红色表示上调基因或活化蛋白质，蓝色表示下调基因或失活蛋白质，灰色表示缺失数据。
图3描绘确认MCF7细胞中VIPER推断的MYC抑制剂。*p<0.05；**p<0.01；***p<0.001。
图4A和4B。(A)NET-MET检查点MR在药物反应VIPER推断的蛋白质活性特征上的富集。(B)Entinostat(通过oncoMatch方法鉴定的HDAC抑制剂)、Belinostat(不影响NET-MET检查点的HDAC抑制剂)和Tivantinib对H-STS异种移植生长的作用。
图5A和5B。(A)展示根据每种药物对组合MoA与单独化合物MoA(表示为第一行和列的蓝色强度)相比而言富集增加所推断的协同分值(表示为红色强度)的热图。(B)展示预测14种评估化合物的所有组合的协同相互作用的接收器操作特征曲线。指出通过Bliss加和性发现具有协同性(2012DREAM挑战数据集)的16个化合物对。8/16(50％)的协同对被确认为10％FPR。
图6A-6E。(A)4个细胞系的OncoMatch分值，表明其概括个别肿瘤转移的NET-MET检查点的程度。(B和C)两位患者的NET-MET检查点在H-STS细胞系VIPER推断的蛋白质活性特征上的富集。(D)显示作为173个基底乳腺癌样品(行)每一者的模型的55个细胞系(列)的oncoMatch分值的热图。只有p-值<10-10的匹配以橙色显示。(E)选择3个最佳覆盖基底乳腺癌肿瘤空间(173种肿瘤)的细胞系。“601”条表示细胞系-特异性覆盖。“602”条表示累积覆盖。
图7A和7B描绘EP-NET分子亚型。(A)基于其基因表达谱对211种EP-NET样品进行无监督聚类分析。(B)基于5,578种调节蛋白质的VIPER推断蛋白质活性进行无监督聚类分析。
图8A和8B描绘转移过程的主调节因子。(A)显示与每一种可能的样品对之间的肝脏转移相关的50种最失调蛋白质的保存的热图。(B)显示来自四个群集的每一者的20种最失调蛋白质的相对蛋白质活性的热图。
图9A-9E描绘NET细胞系和异种移植模型中的转移主调节因子的保存。(A)来自每次转移的100种最失调蛋白质在每种细胞系上的富集及H-STS异种移植模型蛋白质活性特征。(B-E)对每种选定转移中的50种最活化和50种最失活蛋白质对于H-STS细胞系的蛋白质活性特征(B和C)和H-STS异种移植模型(D和E)的基因集富集分析。
图10A-10E描绘恢复转移调节检查点的小分子化合物。(A)患者-0转移检查点MR在H-STS细胞中由6种选定化合物诱导的蛋白质活性特征上的富集。(B和C)由媒介物对照物和6种选定化合物中的每一种处理的H-STS异种移植物的生长曲线。(D)患者-0转移检查点在H-STS异种移植物中由4种选定化合物诱导的蛋白质活性特征上的富集。(E)H-STS异种移植检查点在H-STS异种移植物中由4种选定化合物诱导的蛋白质活性特征上的富集。
图11描绘作为EP-NET的模型的相互作用组可靠性。小提琴图显示绝对标准化富集分值(|NES|)的概率密度和根据|NES|累积概率的面积计算的积分网络分值(参考图13A和13B)。通过VIPER计算211个EP-NET样品和25个评估相互作用组中表示的所有调节蛋白质的NES(参考表2)。
图12A-12C描绘对211个EP-NET样品的无监督分析。(A)显示捕获211个EP-NET表达谱的35％方差的前5种主要组分的散点图。(B)表达数据的2D-tSNE投影。(C)211个EP-NET样品的VIPER推断蛋白质活性的2D-tSNE投影。
图13A-13G描绘群集可靠性。(A)由211个EP-NET样品的表达谱和VIPER推断的蛋白质活性谱估算的群集可靠性的概率密度图(参考图13D)。(B)根据累积概率曲线面积计算的完整群集结构的积分可靠性分值。(C)211个EP-NET表达(“1301”)或VIPER推断的蛋白质活性谱(“1302”)的一致群集的不同群集结构(不同数量的群集)的积分可靠性分值。(D)在4个和5个群集中一致聚类后，211个EP-NET表达和VIPER推断的蛋白质活性谱分别的群集可靠性分值。(E和F)来自基于表达的4个群集结构和基于VIPER推断的蛋白质活性数据的5个群集结构的各个样品的群集可靠性(E)和轮廓分值(F)。(G)H-STS异种移植模型的群集从属关系。
图14A和14B描绘转移过程MR。(A)66种NET肝转移之间保持25种最活化和25种最失活的MR。(B)基于转移过程调节因子的最佳数量的群集。
图15描绘oncoTreat分析的结果。热图显示每种肿瘤和H-STS异种移植模型的保守MR在由H-STS细胞上的每种药物干扰所引发的蛋白质活性特征上的富集。富集强度显示为–log10(p-值)并由数字表示。此分析中仅包括在MR水平上与H-STS异种移植模型显示显著相似性的转移。左侧的富集图显示由异种移植模型概括的患者-0MR在每种药物干扰蛋白质活性特征上的富集。
具体实施方式
本发明公开的主题提供匹配由基因表达谱推断的特征(包括蛋白质活性特征)的方法。蛋白质活性特征例如可通过VIPER来推断。本文中公开的方法可用于鉴定：(a)由于其蛋白质活性谱(匹配模型的特例(细胞系、类器官、小鼠模型等))而与来源于患者的组织样品(例如，肿瘤)相似的生物学样品，因为其概括了确定组织细胞表型的关键蛋白质的活性，(b)作为单一药剂用于恢复细胞状态的主调节因子且因此尤其使细胞表型失去稳定而因此消除肿瘤生存力的药物和小分子，和(c)在恢复细胞状态的主调节因子中显示协同(即，高于加合)作用且因此在使细胞表型失去稳定和消除肿瘤生存力中协同作用的药物。
被称作主调节因子(MR)的关键蛋白质为基于统计显著性阈值(例如，针对多重假设检验校正的约0.01或0.01以下的p-值)，与对照组织相比具有最高阳性(异常活化)和最高阴性(异常失活)差异活性的那些蛋白质。对照组织可包括肿瘤所来源于的正常组织(例如，对于乳腺癌而言为正常乳腺上皮)、转移样品的原发性肿瘤或具有抗药性个体之药物敏感性肿瘤。对于特定肿瘤而言，MR之完整集合被称作肿瘤检查点。
在肿瘤组织的情况下，MR蛋白已证实构成肿瘤状态的关键决定因素，且因此构成肿瘤特异性依赖的关键决定因素，其异常活性对于肿瘤生存力而言是必要的。因此，以单一药剂或组合形式恢复特定肿瘤的特定MR集合(例如，肿瘤检查点)的药物代表潜在有价值的治疗选择。
用于比较样品、肿瘤和模型的某些方法是基于其基因表达或蛋白质丰度水平的相似性或基因变异的守恒性。当前两个在种群水平上可靠且适用于亚型发现时，其在单一肿瘤和单一细胞水平上可为嘈杂的(即，可再生性差)(参考图1A、1B和2B)。图1A说明基于表达(“101”)和VIPER推断的蛋白质活性(“103”)，在来自相同B-细胞亚型的样品之间计算的相关系数的概率密度。图1B说明通过TCGA分析，来自一种基底乳腺癌肿瘤的最过度表达的基因(mRNA，“101”)、丰度蛋白质(RPPA，“102”)或活化蛋白质(VIPER，“103”)在另一种基底乳腺癌肿瘤上的相对排位的概率密度。另一方面，假定基因变异有多种可能组合而且所述变异与肿瘤亚型之间的相关性较差，那么基因变异的守恒性可能再生性较差。基于基因表达或VIPER推断的蛋白质活性对自单一胶质母细胞瘤肿瘤分离的单细胞进行无监督聚类分析，并将结果展示在图2A(关于基因表达)和2B-2C(关于VIPER推断的蛋白质活性)中。尽管基于基因表达(参考图2A)无法检测清楚的分层，但涉及VIPER推断的蛋白质活性的分析显示出两个亚群中的细胞明显分离，这通过原神经和间质亚型的先前特征化的调节子的不同蛋白质活性来确定(参考图2B)。图2C展示与图2B中相同的细胞(列)和基因(行)配置，表明无法从基因表达谱数据直接来鉴定亚群和相关的基因。
当与基因表达和蛋白质丰度(RPPA)(参考图1A和1B)相比时，涉及由基因表达分析推断的蛋白质活性特征(例如，VIPER推断的蛋白质活性特征)且尤其涉及肿瘤检查点的示范性公开方法可以是稳定的。这可涉及到由基因表达分析推断的蛋白质活性(例如，VIPER推断的蛋白质活性)的两种重要特性：(1)通过整合数十至数百个基因的表达推断蛋白质活性(例如，VIPER推断的蛋白质活性)，这构成对所评估蛋白质(其调节子)活性的内源性多路报告基因分析，而RNA表达和RPPA取决于对单一物种的噪声测量；以及(2)只可以(例如，通过VIPER)捕获由转录调节程序产生的基因表达图式，其因此有效地(例如，通过VIPER)去除由技术误差(包括分批作用)产生的图式。
示范性公开的方法(例如，下文论述的OncoMatch和OncoTreat方法)可涉及(例如，在驱动肿瘤细胞状态的蛋白质上)肿瘤检查点的保守性，且因此可基于调节肿瘤细胞表型的实际蛋白质的状态和作用来匹配肿瘤、模型和药物反应。
如本文中所用，术语“约”或“大约”意思是如本领域一般技术人员所确定的特定值在可接受的误差范围内，这将部分取决于该值如何测量或确定，即测量系统的限制。例如，“约”意思是根据本领域实践可在3个或3个以上标准偏差以内。或者，“约”意思是可在给定值的至多20％、优选至多10％、更优选至多5％且又更优选至多1％的范围内。或者，尤其对于生物学系统或方法而言，该术语意思是可在某个值的某个数量级以内、优选在5倍以内且更优选在2倍以内。
1.主调节蛋白和肿瘤检查点
根据本发明公开的主题，主调节(MR)蛋白包括其活性在统计学上显著失调的蛋白质(包括活化和失活蛋白质)–其转录目标(调节子)以特异性统计显著性阈值(例如，p-值为约0.01或0.01以下)在疾病或病症(例如，肿瘤)中差异性表达。
如本文中所用，术语“肿瘤检查点”指的是包含用于特异性肿瘤的多种MR蛋白(例如，其协调活性对于维持肿瘤生存力而言必要的MR蛋白)的关键调节模块。MR蛋白在肿瘤检查点中的协调异常活性对于维持肿瘤细胞状态而言是必要的，且因此对于确保肿瘤生存力而言也是必要的。
将这些模块称为肿瘤检查点的原因在于–尽管作为高速公路检查点–其引导并整合来自广泛和不同范围上游突变和异常信号的信令流。
例如，如淋巴瘤7,8、胶质母细胞瘤9、前列腺癌10,11和乳腺癌12中所示，遗传学和/或药理学MR蛋白抑制作用可导致体外和体内肿瘤检查点萎陷和肿瘤生存力丧失。此概念进一步延伸到抗药性已致使鉴定出其药理学抑制作用挽救药物敏感性的MR蛋白，包括在白血病13和乳腺癌12中。Stat3、CEBP-β和CEBP-δ被鉴定为胶质母细胞瘤的肿瘤检查点；FOXM1和CENPF被鉴定为前列腺癌的肿瘤检查点；Notch-1、RUNX1、TLX1和TLX3被鉴定为白血病的肿瘤检查点；Myc、BCL6和BCL2被鉴定为淋巴瘤的肿瘤检查点；AKT1被鉴定为对糖皮质激素治疗具有抗性的T-细胞急性淋巴母细胞性白血病(T-ALL)的肿瘤检查点；且MYCN和TEAD4被鉴定为神经母细胞瘤的肿瘤检查点。
肿瘤检查点中的MR极少突变或甚至差异性表达9,10；相反，它们实现了紧密自动调节的模块，该模块整合了上游路径中多种且不同的遗传和表观变化谱的作用7,14。
MR蛋白引起肿瘤必要性7和合成致死性8-10,12，因此代表了典型的非致癌基因依赖性15,16并且可以暗示一类新的药理学目标。MR蛋白可以使用主调节推理算法(MARINa)9,17以及其单一样品等效物通过富集调节子分析虚拟推断蛋白质活性(VIPER)18，通过用代表完整肿瘤亚型或个别肿瘤样品的肿瘤相关基因表达特征来询问全基因组调节网络而有效地且系统性地优先化。对MARINa/VIPER推断的MR蛋白的功能性和生物化学评估已产生70％至80％范围内的有效率8-10,12。VIPER技术在与本案同时提交的标题为“Virtual InferenceOf Protein Activity By Regulon Enrichment分析”的美国专利申请案No.:15/248,975中有所描述，所述申请案以全文引用的方式并入。
2.分析疾病或病症的方法
本发明公开的方法在蛋白质活性水平上定量组织、细胞培养物或单一细胞样品或特异性干扰与所关注细胞状态(特征在于其细胞状态的主调节(MR)蛋白)或肿瘤检查点(在肿瘤的情况下)之间的保守性程度。可以通过推断所关注表型的细胞状态的MR蛋白，接着计算所述主调节因子在第二组织或细胞的整个调节蛋白质活性特征上的富集来进行分析，或对应于化学干扰而获得分析。富集可以通过VIPER领域的分析性等级富集分析算法来计算。
在某些实施方案中，分析疾病或病症(例如，肿瘤)的方法包括定量测量来自疾病或病症的样品中的多种MR蛋白的蛋白质活性；以及由所述MR蛋白的定量的蛋白质活性分析疾病或病症。
所述方法致使确定所述疾病或病症(例如，肿瘤)的主调节(MR)特征谱。如本文中所用，“所述疾病或病症的主调节(MR)特征谱”指的是作为疾病或病症特征的主调节因子(MR)的蛋白质活性谱。所述MR特征谱是对来自疾病或病症的样品中的多种MR蛋白的蛋白质活性与在足够对照或参考(例如，健康个体、不同类型的疾病或病症或疾病或病症的不同阶段)中的所述MR蛋白的蛋白质活性相比进行定量确定的结果，由此鉴定哪种MR蛋白组合可以相对于对照或参考来区分疾病、疾病或病症的类型或阶段。
由本发明公开的方法获得的特征谱使得能够诊断常见疾病或疾病状态(例如，肿瘤)、区分疾病或病症(例如，肿瘤)的不同类型(亚型)、区分疾病或病症(例如，肿瘤)的不同阶段(例如，转移过程)、预测诊断疾病或病症(例如，肿瘤)的进一步演变和鉴定对特定治疗的反应。所述分析方法可用于鉴定癌类型，包括(但不限于)恶性肿瘤、良性肿瘤、原发性肿瘤、继发性肿瘤、侵袭性肿瘤和非侵袭性肿瘤。
分析疾病或病症(例如，肿瘤)可评估或鉴定MR蛋白失调状态。在某些实施方案中，MR蛋白失调状态包括异常活化MR蛋白和异常失活MR蛋白。
在某些实施方案中，鉴定MR蛋白的能力取决于组织特异性调节的准确模型的可用性，代表转录因子(TF)的直接靶点和信令蛋白(SP)的最不直接靶点。如由大量实验验证分析9,10,17,21所支持的，可以通过使用细胞网络准确重构算法(ARACNe)19,20分析大型肿瘤-特异性基因表达谱数据集来有效地推断TF和SP。对肿瘤-特异性基因表达谱的ARACNe分析可产生肿瘤-特异性调节网络(相互作用组)，其可用于对于最佳聚类分析而言基于个别样品来评估蛋白质活性，以及用于阐明新的MR。
MR蛋白的蛋白质活性可直接或间接基于MR蛋白的调节子的表达。另外或或者，蛋白质活性可直接或间接基于MR蛋白的调节子的富集。如本文中所用，术语“调节子”指的是蛋白质(例如MR蛋白)的转录靶点。特异性蛋白质(例如，MR蛋白)的调节子与在对照组织(例如，所有肿瘤相关样品、标准样品或未经处理样品的平均值)中相比，在特异性组织中可差异性地表达。可以通过准确细胞网络重构算法(ARACNe)推断特异性蛋白质(例如，MR蛋白)的调节子。
在某些实施方案中，定量测量MR蛋白的蛋白质活性包括通过计算机由MR蛋白的调节子的基因表达谱推断MR蛋白的蛋白质活性。基因表达谱可来源于体内模型。另外或或者，基因表达谱可来源于体外模型。通过计算机推断MR蛋白的蛋白质活性可以通过合适的数据分析系统(例如，MARINA和/或VIPER技术)来进行。在某些实施方案中，所述技术为VIPER。
VIPER使得可以基于个别样品由基因表达谱数据通过计算机推断蛋白质活性。VIPER通过系统性地分析蛋白质调节子的表达推断蛋白质活性18。VIPER使用由给定蛋白(诸如TF的靶点)最直接调节的基因表达作为其活性的准确报告体。使用MARINA17分析由ARACNe19,20推断的TF靶点可有效地鉴定特异性细胞表型的驱动基因，这可以通过实验来验证9,17。尽管VIPER采用与MARINA相同的原理，但其实施经过特别论证的复杂算法来估算调节子活性，考虑到了调节子的行为模式、调节子-靶基因相互作用可信度和每种靶基因调节的多效性。另外，VIPER可有效地延伸到信号转导蛋白。VIPER技术在Alvarez等人,Nat.Genet.(2016)；48(8):838:847、美国专利临时申请案No.62/211,373和与本案同时提交的标题为“Virtual Inference Of Protein Activity By Regulon Enrichment分析”的美国专利申请案No.:15/248,975中有所描述，所述申请案以全文引用的方式并入。
使用VIPER由单一样品转录组读数推断的蛋白质活性可成为比基因表达更稳定的细胞状态描述项18。原因有三点。第一，与基因表达相比，VIPER推断的蛋白质活性代表了对细胞状态更直接和机械化的决定因素；第二，尽管个别基因表达测量相当嘈杂(即，再现性差)且再现性差，但VIPER由大量(数十至数百个)其转录靶点(例如，蛋白质的调节子)的表达推断蛋白质活性，因此产生更高的准确性和可再现性18；第三，有效地排除了与调节模型不一致的偏差和技术噪音，因此有效地去除了混杂数据的主要来源。VIPER可以根据组织来源有效地分离样品。
对代表对体外或体内化合物干扰的细胞反应的基因表达特征进行VIPER分析可以鉴定代表物理性化合物靶点(例如，化合物代表高亲和性底物的酶)和效应物(例如，不直接与药物结合，但对于其发挥其药理学活性而言所必需的蛋白质)的MR，也称作化合物作用机制(MoA)。VIPER在阐明化合物MoA方面可优于基因表达分析。这可能是因为小分子通常在转译后起作用来影响其标靶/效应物的活性(而非表达)，这影响其转录靶点的表达。实际上，此分析可用于鉴定有效标靶MR蛋白活性的药剂(参考图3)。图3显示从24h时的每种化合物IC20开始1/2时对应于4倍连续稀释液的基于TERT-启动子-荧光素酶的报道体分析活性的结果，以确保亚致死方案下的操作。通过VIPER预测抑制MYC蛋白质活性的前10种化合物中的七种显示其活性对基于TERT-启动子的报道体分析的剂量依赖性抑制作用。
在某些实施方案中，所述疾病或病症为肿瘤或肿瘤亚型。如本文中所用，术语“肿瘤亚型”指的是具有类似分子特征的肿瘤总称。样品的非限制性实例包括组织提取物、细胞、组织、器官、血液、血清、体液及其组合。肿瘤的非限制性实例包括胶质母细胞瘤、脑膜瘤、白血病、淋巴瘤、肉瘤、类癌、神经内分泌癌、副神经节瘤、黑素瘤、前列腺癌、胰腺癌、膀胱癌、胃癌、结肠癌、乳腺癌、头颈癌、肾癌、胃部癌瘤、小肠癌、卵巢癌、肝细胞癌、子宫体癌以及肺癌。其它疾病或病症包括(但不限于)神经退化性病症(例如，肌萎缩性脊髓侧索硬化症、帕金森氏病(Parkinson’s disease)和阿尔茨海默病(Alzheimer disease)等)、糖尿病、肥胖症和其它代谢性疾病。
3.鉴定用于治疗疾病或病症的化合物的方法
当必需的一个MR或多个MR(例如，一对MR)的活性消除时，整个MR活性模式可能萎陷。这是因为MR通常以紧密(即，高度互连)调节模块形式操作，充当调节开关来维持正常或肿瘤相关的细胞状态。因此，可以通过测量VIPER推断的肿瘤-MR的总体蛋白质活性变化，接着在代表性细胞中进行处理来筛选或鉴定抑制一种或多种必需MR的化合物(参考图4A)。对于恢复完整肿瘤检查点的活性具有最大作用的化合物可以通过靶向一种或多种必需的MR或MR对来实现此作用，并因此可消除体内肿瘤发生。
本发明公开的方法涉及使化合物(例如，小分子)优先作为MR抑制剂来诱发药物介导的肿瘤检查点萎陷和体内消退，包括基于个别患者。候选MR蛋白已个别地证实鉴定必需的MR7,12或合成的致死性MR对8-10。对于在精确癌症医学情形下优先化患者治疗而言，此方法可能是缓慢、昂贵且无效的。然而，由于必需MR或MR对的抑制作用可诱发总体肿瘤检查点萎陷(即，模块中所有MR的活性总体逆转)，因此使用患者-特异性肿瘤检查点活性(即，完整MR蛋白特征的特征)作为基因报道体分析来鉴定能够诱发肿瘤检查点萎陷且随后诱发体内肿瘤生存力丧失的化合物，而不需要大量且耗时的MR验证是极为合理的。
本发明公开的主题提供一种鉴定用于治疗疾病或病症(例如，抑制肿瘤细胞生长)的化合物的方法。在某些实施方案中，所述疾病或病症为肿瘤或肿瘤亚型。在某些实施方案中，所述方法包括：定量测量来自疾病或病症(例如，肿瘤)的样品中的多种MR蛋白的蛋白质活性；使所述样品暴露于所述化合物；定量测量所述化合物处理的样品中的多种MR蛋白的蛋白质活性；以及定量评估与未用所述化合物处理的来自所述疾病或病症(例如，肿瘤)的样品或暴露于用于递送所述化合物的媒介物(例如，DMSO)的模型相比，在所述化合物处理的样品中的多种MR蛋白的蛋白质活性的逆转。化合物诱导多种MR蛋白的蛋白质活性总体逆转表明所述化合物治疗疾病或病症(例如，肿瘤)。
化合物处理后的多种MR蛋白的蛋白质活性的总体逆转可基于化合物处理后失活的MR蛋白在肿瘤中异常活化的MR蛋白中的富集和/或化合物处理后活化的MR蛋白在肿瘤中异常失活的MR蛋白中的富集的统计学显著性来评估。aREA技术可用于测量蛋白质富集的统计学显著性。蛋白质富集的统计学显著性可通过任何合适的富集分析来测量，包括(但不限于)在预定p-值阈值下的基因集富集分析或相关方法(例如，p-值为约0.01或0.01以下(例如，1×10-5，针对多重假设检验进行校正)。
化合物的非限制性实例包括小分子化合物、肽、核酸、寡核苷酸、抗体、适体、其修饰型式以及其组合。
通过使用本发明公开的筛选方法，恩替诺特被鉴定为用于恢复直肠神经内分泌肿瘤转移(NET-MET)肿瘤检查点的最有效药剂(参考图4A)。药物MoA信息使用来源于NET肝转移的细胞系(H-STS)来推断，其概述了由患者样品推断的肿瘤检查点(图6A)。当在异种移植模型中试验时，恩替诺特完全消除了肿瘤生长(图4B)。
本发明公开的主题还提供一种鉴定协同治疗疾病或病症(例如，抑制肿瘤细胞生长)的一对化合物(第一化合物和第二化合物)的方法。在某些实施方案中，所述方法包括：定量测量来自疾病或病症(例如，肿瘤)的样品中的多种MR蛋白的蛋白质活性；使来自所述疾病或病症的第一样品暴露于第一化合物；使来自所述疾病或病症(例如，肿瘤)的第二样品暴露于第二化合物；以及定量评估相对于未用所述化合物处理的来自所述疾病或病症(例如，肿瘤)的样品或暴露于用于递送所述化合物的媒介物(例如，DMSO)的模型而言，在第一和第二化合物处理的样品中的所述多种MR蛋白的蛋白质活性的逆转。
评估一对第一与第二化合物是否协同可基于以下标准中的一项或多项：(a)如果所述第一化合物和第二化合物使MR蛋白活化或失活发生交叉代表所述MR蛋白的蛋白质活性的更具统计学显著性的逆转；(b)如果所述第一化合物和第二化合物使MR蛋白活化或失活发生联合代表所述MR蛋白的蛋白质活性的更具统计学显著性的逆转；以及(c)如果所述第一化合物和第二化合物个别逆转的MR被预测为疾病/病症(例如，肿瘤)状态的协同调节剂。此情形下更具统计学显著性是由所述化合物与最显著的个别化合物的组合获得的统计学显著性差异来定义。所述差异可在标准化的富集分值水平上进行计算。
当组合的作用高于个别药剂的加合作用时，获得化合物之间的协同相互作用。这是尤为重要的，因为协同化合物组合可能在使用比分开使用化合物时所需要的剂量更低的剂量时实现治疗作用，以此方式减少化合物相关的毒性和不需要的副作用。根据与用于使个别化合物与肿瘤检查点相匹配类似的推理(参考图4A)，影响肿瘤检查点MR的互补子集的化合物可协同诱导细胞生存力损失。
4.鉴定疾病或病症的细胞系和模型的方法
通过直接匹配构成肿瘤检查点的MR的失调蛋白质活性，本发明公开的方法可用于鉴定代表研究患者-特异性疾病或病症(例如，肿瘤)的最佳替代模型的细胞系或模型(例如，基因工程化小鼠模型或来源于患者的异种移植(PDX)模型)，因为其概括了肿瘤检查点中的关键MR。匹配质量可以基于活化和失活MR蛋白在如通过诸如GSEA或aREA的基因集富集分析方法所计算的在细胞系或模型中最活化或失活的蛋白质中的富集统计学显著性来评估。
因此，本发明公开的主题提供一种用于鉴定作为患者-特异性疾病或病症的体外或体内模型的细胞系或模型的方法，所述模型例如用以增加在这些模型中可消除生存力的药物在所述患者体内可起作用的可信度。在某些实施方案中，所述疾病或病症为肿瘤或肿瘤亚型.
所述方法可包括定量测量细胞系或模型中的MR蛋白的蛋白质活性以及由所述MR蛋白的定量的蛋白质活性分析所述细胞系或模型以获得所述细胞系或模型的MR特征谱。另外，所述方法可包括评估所述细胞系或模型的MR特征谱与所述疾病或病症(例如，肿瘤或肿瘤亚型)的MR特征谱之间的相似性，从而鉴定出MR特征谱与所述疾病或病症(例如，肿瘤或肿瘤亚型)的MR特征谱在统计学上实质上相似(p-值为1×10-5或1×10-5以下)的相匹配疾病/病症(例如，肿瘤或肿瘤亚型)细胞系或模型。模型的非限制性实例包括PDX模型、小鼠异种移植模型以及转基因小鼠模型。
进行此分析以选择H-STS作为概括几种直肠NET-MET的肿瘤检查点的NET细胞系(参考图6A和6B)、优先化概括95％的TCGA基底乳腺癌肿瘤的检查点的3个细胞系的集合(参考图6D和6E)并选择侵袭性前列腺癌的最适当的基因工程化小鼠模型。
5.评估化合物用于治疗的体内治疗作用的方法
本发明公开的方法可用于评估化合物或一对化合物在其治疗性地应用于疾病或病症(例如，肿瘤)患者之前在临床前模型中体内概括其体外预测作用的程度。这可以通过计算肿瘤检查点MR在由对来源于体内模型的表达谱数据进行VIPER-分析所获得的化合物诱导的蛋白质活性特征上的富集来进行。
本发明公开的主题提供评估化合物用于治疗疾病或病症的体内治疗作用的方法。在某些实施方案中，所述疾病或病症为肿瘤。所述方法可包括定量测量来自疾病或病症(例如，肿瘤)的样品中的多种MR蛋白的蛋白质活性；使所述样品暴露于所述化合物；定量测量经所述化合物处理的样品中的多种MR蛋白的蛋白质活性；以及定量评估与未用所述化合物处理的来自所述疾病或病症(例如，肿瘤)的样品或暴露于用于递送所述化合物的媒介物(例如，DMSO)的模型相比，经所述化合物处理的样品中的多种主调节蛋白的蛋白质活性的逆转。诱导多种MR蛋白的蛋白质活性总体逆转的化合物表示所述化合物将可能在体内有效治疗所述疾病或病症(例如，肿瘤)(参考图10D和10E)。
实施例
以下实施例仅说明本发明公开的主题，且不应理解为以任何方式加以限制。
实施例1–验证通过VIPER预测的Myc抑制剂
17-AAG、尿囊素、阿莫沙平(amoxapine)、氯噻酮(chlorthalidone)、氯马斯汀(clemastine)、地拉卓(dilazep)、依托泊苷(etoposide)、氟维司群(fulvestrant)、呋喃唑酮(furazolidone)和离子霉素(ionomycin)通过VIPER预测为Myc抑制剂。对这些化合物进行基于TERT-启动子-荧光素酶的报道体分析来评估其Myc抑制活性。如图3中所示，通过VIPER预测抑制Myc蛋白质活性的这10种化合物中的七种显示其活性对基于TERT-启动子的报道体分析的剂量依赖性抑制作用。
实施例2–鉴定协同恢复肿瘤检查点的化合物
根据三个时间点(6h、12h和24h)和2种浓度(24h时的IC20及其1/10)下，14种不同化合物对OCI-LY3 DLBCL细胞的干扰产生一式三份基因表达谱。使用这些数据预测化合物协同作用。在用91种独特化合物对中的每一种进行处理后，自每种化合物IC50开始使用4×4稀释基质产生60h时的CellTiterGlo细胞生存力分析的第二数据集来评估所公开的方法，且31个另外进行DREAM/NCI药物敏感性挑战。通过使用第二集合计算超过Bliss的量(Excess Over Bliss，EOB)来实验性地评估协同作用；也就是说，两种化合物的组合作用是比其个别作用的总和显著更大或更小(Bliss独立性)。通过比较多次评估的平均值与这些测量值的标准偏差相比的差异来评估统计学显著性。由此使用EOB将化合物对分级为最协同至最拮抗。所公开的方法尚未研发用于预测拮抗作用，且因此仅对协同作用进行评估。就此而言，它优于所有其它31种方法，尤其使次优技术的敏感性加倍。实际上，在前10％的最显著预测中，约60％经实验验证为具有协同性(参考图5A和5B)。
实施例3–鉴定恩替诺特作为用于恢复直肠神经内分泌肿瘤转移(NET-MET)肿瘤检 查点的最有效药剂
对于包括恩替诺特在内的几种药物获得药物引发的VIPER推断的蛋白质活性特征。如图4A中所示，在所有检验的药物中，恩替诺特是用于恢复直肠神经内分泌肿瘤转移(NET-MET)肿瘤检查点的最有效药剂。使用来源于NET肝转移的细胞系(H-STS)推断药物MoA信息，如图6A中所示，其概括了由患者样品推断的肿瘤检查点。如图4B中所示，当在异种移植模型(H-STS异种移植模型)中检验时，恩替诺特完全消除了肿瘤生长，而贝利司他(一种不影响NET-MET检查点的HDAC抑制剂)不消除肿瘤生长。
实施例4–选择概括肿瘤检查点的细胞系
通过直接匹配构成肿瘤检查点的MR的失调蛋白质活性，选择H-STS作为概括直肠NET-MET肿瘤检查点的NET细胞系(参考图6A和6B)，并将3个细胞系的集合优先作为概括95％的TCGA基底乳腺癌肿瘤的检查点的乳腺癌细胞系(参考图6D和6E)。
实施例5–全身药理学靶向神经内分泌肿瘤中的主调节蛋白：精确癌症医学应用的 一种新策略
概述
本实施例涉及一种使用对主调节(MR)蛋白的全身性鉴定和药理学抑制作用的新的精确癌症医学方法(“OncoTreat”；也称为“OncoMatch”)，其经过协调的异常活性代表了癌细胞的关键依赖性。基于大规模扰动分析的分析，经过FDA批准和调查的化合物基于其消除MR活性的能力而优先化。OncoTreat应用于来源于胰腺(PAN-NET)、小肠(SI-NET)和结肠直肠(RE-NET)基元的一群211种肠胰腺神经内分泌肿瘤(EP-NET)。RNASeq谱首先用于组装EP-NET-特异性调节模型，其询问鉴定对于维持转移肿瘤状态而言所必需的MR蛋白。对代表108种化合物对EP-NET细胞的干扰的RNASeq谱进行分析基于其消除个别患者的MR活性模式的能力而使其优先。体内验证证明诱发最深刻检查点MR活性逆转的化合物引发强烈的体内反应，表明此方法可基于致癌基因成瘾来延伸和补充精确癌症医学方法。
引言
在精确癌症医学方面的新兴努力几乎无不断言鉴定“可靶向性致癌基因突变”，假定其药理学抑制作用将引发致癌基因成瘾1。尽管已取得将此方法快速整合到临床癌症护理中的显著初步成功，但仍出现了重大挑战。首先，基于可靶向性突变对癌症患者进行划分2已表明大多数成年恶性肿瘤总体缺少可靶向性变化，或在无成药性致癌基因(例如，RAS/MYC家族蛋白质)中或在具有非特征性治疗价值的基因中存在突变3。另外，尽管致癌基因有时可实现显著的初始反应，但这些时常由于出现抗药性而紧接着快速复发4,5。最后，对数百种细胞系和化合物进行分析表明，除了少量良好表征的靶点(例如，尤其为ERBB2、EGFR、mTOR、ALK、MET、PI3K和ESR1)以外，单基因突变为对相应蛋白质的抑制剂具有敏感性的不良整体预测6。这并非完全出乎意料，因为药物敏感性明确代表了一种多因子、多基因(即，复杂的)表型，因此进一步突出了对用于补充和延伸可靶向性改变模式的新方法的迫切需求。
OncoTreat或OncoMatch采用系统性策略使小分子化合物优先作为MR抑制剂诱发药物介导的肿瘤检查点萎陷和体内消退，包括基于个别患者。候选MR蛋白已个别地证实鉴定必需的MR7,12或合成的致死性MR对8-10。对于在精确癌症医学情形下优先化患者治疗而言，此方法可能是缓慢、昂贵且无效的。然而，由于必需MR或MR对的抑制作用已证实诱发总体肿瘤检查点萎陷(即，模块中所有MR的活性总体逆转)，因此使用患者-特异性肿瘤检查点活性(即，完整MR蛋白特征的特征)作为基因报道体分析来鉴定能够诱发肿瘤检查点萎陷且随后诱发体内肿瘤生存力丧失的化合物，而不需要大量且耗时的MR验证是极为合理的。
在罕见的一类肠胰腺神经内分泌肿瘤(EP-NET)上检验OncoTreat或OncoMatch，代表胰腺、小肠和直肠NET。它们一旦经历转移过程，这些肿瘤基本上无法治愈而且预后较差。使用按17种基本原则收集的211个新鲜冷冻的EP-NET患者样品群组，可基于个别肿瘤优先化负责转移过程的MR蛋白，然后对具有不同EP-NET细胞敏感性的一组108种化合物进行优先化，基于其对这些MR的活性模式进行总体逆转的能力，而非基于生存力分析。在被选择使个别患者的MR活性谱特定匹配的肿瘤异种移植中进行验证证实了OncoTreat或OncoMatch方案的适用性，并且证明OncoTreat或OncoMatch方案可为精确癌症医学中基于基因工程的策略提供重要的补充。
方法
药剂功效评估：根据制造商说明配制所有试验药剂。从第0天开始，每周两次用数显卡尺测量肿瘤大小，并记录每组的数据，包括个别和平均估计的肿瘤体积(平均TV±SEM)。使用下式计算肿瘤体积：TV＝宽度2×长度×π/2。
肿瘤生长抑制作用和RECIST：研究结束时，通过下式：％TGI＝[1-(Tf-Ti)/(Cf-Ci)]×100，使用初始(i)和最终(f)的肿瘤测量值计算并报道每个处理组(T)相对于对照组(C)的肿瘤生长抑制作用百分比值(％TGI)。报道肿瘤体积>第0天测量值的120％的个别小鼠被认为患有进行性疾病(PD)。未充分萎缩或肿瘤体积未充分增加的个别小鼠被认为患有稳定疾病(SD)。在七天时间内两次连续测量报道肿瘤体积≤第0天测量值的70％的个别小鼠被认为是部分响应者(PR)。如果PR持续直到研究结束，就使用下式：％TR＝(1-Tf/Ti)×100来确定肿瘤消退百分比(％TR)；计算整个处理组的平均值。在七天时间内两次连续测量均缺少明显肿瘤的个别小鼠被分类为完全响应者(CR)。此研究中收集的所有数据进行电子管理并储存在冗余服务器系统上。
结果
组装并表征EP-NET肿瘤群体：为鉴定并在药理学上靶向维持转移EP-NET细胞状态的MR蛋白，可利用在北美、欧洲和亚洲根据17种不同原则(即，国际NET联盟，iNETCon)组装的211种新鲜冷冻样品大集合。所述集合包括来自胰腺(分别为PanNET：83和30)、小肠(分别为SI-NET：44和37)和结肠直肠(分别为RE-NET：3和15)EP-NET的原发性和转移性样品。分离总的RNA并通过Illumina TruSeq分析以30M SE读数的平均深度进行测序(表1)。
表1：EP-NET分析样品。以百万计的映射器读数。
/>
/>
/>
组装EP-NET特异性调节模型：鉴定MR蛋白的能力取决于组织特异性调节的准确模型的可用性，代表转录因子(TF)的直接靶点和信令蛋白(SP)的最不直接靶点。如由大量实验验证分析9,10,17,21所支持的，已证实两者可以通过使用细胞网络准确重构算法(ARACNe)19,20分析大型肿瘤-特异性基因表达谱数据集来有效地推断。
对211个EP-NET RNASeq谱的ARACNe分析产生包含5,631种调节蛋白之间在20,136个靶基因上的571,499种调节相互作用的肿瘤-特异性调节网络(相互作用组)。调节蛋白包括1,785种TF和3,846种SP。此网络随后用于基于个别样品来评估蛋白质活性以用于最佳聚类分析以及用于阐明肿瘤发展的新的主调节因子(MR)。
对ARACNe推断的相互作用组的另一种评估证实与对EP-NET特异性样品的分析高度相关，且与先前产生并验证的其它相互作用组实质上不同，这可能不适用于下文论述的分析(参考图12)。当网络模型并不代表组织特异性调节作用时，所述主调节分析产生极少且几乎不显著的结果。本文中，与24种其它相互作用组相比时，EP-NET相互作用组产生211种EP-NET特征的最强烈富集(表2和图11)，表明在所有25种试验的相互作用组中，EP-NET是作为用于EP-NET情形特异性转录调节的模型的最佳相互作用组。
表2：相互作用组
鉴定EP-NET分子亚型：对EP-NET谱的无监督分析表明转录组中存在的强大组织来源组分。特定而言，基于对转录数据的奇异值分解(SVD)分析，对前5种主要组分的分析捕获33％的总样品方差并与原发性肿瘤位点部分聚类，而无论样品代表原发性、淋巴结或肝转移(图12A)。基于EP-NET转录组在两个方向上的t分布随机邻域嵌入(t-SNE)投影进一步证实此观察结果(图12B)。图12A描绘显示捕获211个EP-NET表达谱的35％方差的前5种主要组分的散点图。组织来源由不同颜色表示。原发性肿瘤用圆形表示，而MET用三角形表示。图12B描绘表达数据的2D-tSNE投影。不同颜色表示不同的组织来源。图12C描绘211EP-NET样品的VIPER推断的蛋白质活性的2D-tSNE投影。符号的颜色表示组织来源，其形状表示其状态为原发性肿瘤(圆形)或MET(三角形)。云图的颜色表示根据图7B的群集从属关系。
在基于围绕中心点的分割算法(PAM)的一致聚类分析后进行群集可靠性分析一致地表明也与原发性肿瘤位点部分共分离的四个群集中的样品的最佳分割(图13C和图7A)。特定而言，群集1至3中分别高度富集SI-NET、Pan-NET和Rec-NET样品，而群集4包括来自SI-NET和Pan-NET的样品(图7A)。
图13A描绘由211个EP-NET样品的表达谱和VIPER推断的蛋白质活性谱估计的群集可靠性的概率密度图(参考图13D)。图13B描绘根据累积概率曲线面积计算的完整群集结构的综合可靠性分值。图13C描绘对于211个EP-NET表达(“1301”)或VIPER推断的蛋白质活性谱(“1302”)的一致群集而言，不同群集结构(群集数量不同)的综合可靠性分值。图13D描绘分别在4个和5个群集中一致聚类分析后，211个EP-NET表达和VIPER推断的蛋白质活性谱的群集可靠性分值。水平黑线表示FDR<0.01的阈值。图13E和13F描绘来自基于表达的4个群集结构和基于VIPER推断的蛋白质活性数据的5个群集结构的每个样品的群集可靠性(E)和轮廓分值(F)。图13G描绘H-STS异种移植模型的群集从属关系。显示基于蛋白质活性特征之间的相关性，来自5个群集中每一者的样品在与异种移植模型的距离上的富集。富集显著性由柱状图显示为–log10(p-值)。
使用VIPER由单一样品转录组读数推断的蛋白质活性可成为比基因表达更稳定的细胞状态描述项18。原因有三点。第一，与基因表达相比，VIPER推断的蛋白质活性代表了对细胞状态更直接和机械化的决定因素；第二，尽管个别基因表达测量相当嘈杂且再现性差，但VIPER由大量(数十至数百个)其转录靶点(即，蛋白质的调节子)的表达推断蛋白质活性，因此产生更高的准确性和可再现性18；第三，有效地排除了与调节模型不一致的偏差和技术噪音，因此有效地去除了混杂数据的主要来源。VIPER可以根据组织来源有效地分离样品。EP-NET相互作用组可用于使用VIPER将211种个别转录谱转化为网络中表示的5,578种调节蛋白的等效蛋白质活性谱18。
VIPER推断的蛋白质活性根据组织来源有效地分离样品。基于无监督PAM的一致聚类分析以及通过t-SNE将蛋白质活性数据投影至二维空间鉴定了代表分子结构不同的EP-NET亚型的5种严重不同群集(图7B和12C)。这些群集包括SI-NET特异性群集(C1：图7B中的“701”和图12C中的“1201”)、Pan-NET特异性群集(C3：图7B中的“703”和图12C中的“1203”)、Rec-NET群集(C4：图7B中的“704”和图12C中的“1204”)，且两个异种群集主要包括Pan-NET和SI-NET样品(C2：图7B中的“702”和图12C中的“1202”；以及C5：图7B中的“705”和图12C中的“1205”)，参考图7B和12C。使用相同颜色的方案代表t-SNE投影中属于这些群集的样品，由此通过两种无监督分析方法突出基本上等同的群集结构(图7B和12C)。图7A显示基于其基因表达谱对211种EP-NET样品进行无监督聚类分析的结果。热图显示加权皮尔森相关系数。将样品分成4个群集并根据其轮廓分值来进行分类(在热图右侧用颜色条表示)。每个群集的平均轮廓分值用数字表示。组织来源由顶部水平条表示：直肠(红色；图12A和12B中的“1206”)、小肠(绿色；图12A和12B中的“1207”)和胰腺(蓝色；图12A和12B中的“1208”)。胃泌素、升糖素、胰岛素、生长抑素和VIP的表达水平(RPKM)由底部热图表示。图7B显示基于VIPER推断的5,578种调节蛋白的蛋白质活性的无监督聚类分析结果。热图显示由aREA技术计算的比例相似性分值。
群集可靠性分析证实基于蛋白质活性的群集显著地优于基于更嘈杂的基因表达的群集(图13C-13F；p<10-15，U-检验)。除了由蛋白质活性获得的更可靠的群集以外，两种群集结构明显相似(根据排列检验，调节随机指标：0.57，p<10-5)。有趣的是，Pan-NET肿瘤分为三个不同群集，与可能的细胞来源相一致，包括胃泌素瘤、胰岛素瘤(“702”)、升糖素瘤(“703”)和非分泌性胰腺-NET(“705”)(图7B)。这些结果明确证实EP-NET中强烈的组织来源表观遗传记忆，而与肿瘤阶段无关。
推断转移过程的MR蛋白：为鉴定负责转移过程(MET)表型的主调节蛋白，EP-NET相互作用组可由代表原发性肿瘤与肝转移(MET-GES)之间的细胞状态转变的基因表达特征来询问。在临床上，转移到肝确定转变成了一种难治愈形式的疾病，伴有不良预后。如前文所示，这些MR蛋白中的一些将代表与转移形式疾病相关的重要肿瘤依赖性，这在药理学上可定为标靶。
为直接说明肿瘤发展机制的潜在异质性以及证实解释MR依赖性和相关小分子抑制剂的推荐患者-特异性方法，基于个体分析69种转移样品。特定而言，针对群集中所有原发性样品的平均值(图7B)，通过对此群集中的每个肝转移样品(即，C1至C5)进行差异性表达分析而产生个别MET-GES特征。211种样品中的3种无法可靠地进行聚类分析(群集可靠性FDR>0.01)，包括1种胰腺肿瘤和2种小肠原发性肿瘤。这些样品不考虑进行进一步分析。然后针对EP-NET相互作用组使用VIPER分析个别的MET-GES来鉴定在转移过程期间负责直接调节基因表达谱变化的MR蛋白。
转移过程MR在C1至C5分子群集内部和之间均明显保守。实际上，如由每种转移过程特征所鉴定的，前25种最活化和25种最失活的MR在通过VIPER由其它MET-GES特征推断的蛋白质活性的总排名中高度富集。特定而言，2,346种可能的转移样品对中的1,416对显示显著的MR重叠(FDR<0.01)(图8A和12A)。
无监督一致聚类分析证实存在代表高度保守、但不同的转移过程机制的四种不同群集(MC1至MC4)(图8A)，每个群集共用大的共同MR子集(图8B)。图8A描绘显示每个可能的样品对之间与肝转移相关的前50种最失调蛋白质的保守的热图。基于转移驱动因素保守将样品分为4个群集并根据轮廓分值进行分类。组织来源由第一颜色条表示：直肠(红色)、小肠(绿色)和胰腺(蓝色)。对应于图7B的群集由第二颜色条中的相同颜色来表示。图8B描绘显示来自四个群集中每一者的前20种最失调蛋白质的相对蛋白质活性的热图。右侧的颜色条表示组织来源且对应于图7B中描绘的五个群集。在图线右侧指示单一样品轮廓分值和群集平均值。
有趣的是，当将5种分子亚型群集与四种肿瘤发展群集相比较时，其间存在极其微弱的相关性，其中来自C1的大多数样品聚类在MC5中，其中富集SI-NET，而来自C4的大多数样品落在MC1中，其中富集Rec-NET。然而，所有三种MC群集均由来自不同亚型的样品组成，证明转移过程机制大致上与原发性肿瘤位点和亚型特点无关。
选择适当体外模型用于MR验证和药物分析：基于个别样品的实验MR验证要求可获得适当的体外和体内模型。这尤其与评估分析来自患者的样品是否可以阐释可以通过诱发MR活性逆转消除体内肿瘤生存力(即，肿瘤检查点萎陷)的小分子化合物有关。EP-NET的特征在于缺少可用的高保真性模型，包括细胞系和异种移植。考虑先前在文献中表征的来自EP-NET患者的五种细胞系并显示呈现某些特征，包括表达嗜铬粒蛋白A和生长抑素受体II，代表了这些肿瘤的特点。特定而言，考虑由单一SI-NET患者分离的三种同基因细胞系，包括由原发性肿瘤(P-STS)、淋巴结转移(L-STS)和肝转移(H-STS)分离22，由不同SI-NET患者(KRJ-I)分离的另一细胞系23和由具有神经内分泌特征的不良分化盲肠腺癌(NCI-H716)分离的细胞系。
为评估这些细胞系作为数据集中表示的个别患者转移的体外模型的价值，通过针对作为原发性肿瘤的代表的P-STS细胞系产生每种转移性细胞系的MET-GES发展特征来进行细胞系-特异性MET MR分析。可通过aREA技术18进行计算来确定是否每位患者的每种细胞系MR活性特征中均富集前100种MR。
可用的EP-NET细胞系显著概括69种来自转移患者的样品中20种的MR。H-STS细胞系受到特别关注是因为其来源于转移性病变，而同基因细胞系P-STS由原发性的NET肿瘤确立。H-STS概述17种肿瘤的MR(邦弗朗尼(Bonferroni)调整p<10-10，图9A)。具体而言，其概括基本上大部分RE-NET样品(8/11，73％)和一些SI-NET(2/28，7.1％)和Pan-NET(7/30，23％)样品的MR，包括oncoTreat分析所基于的所关注的一位Pan-NET患者的MR(P0)(图9A和9B)。选择其MR未由H-STS细胞系适当概括的一位患者用于比较目的(P1，图9C)。图9A描绘来自每次转移的前100种最失调蛋白质在每个细胞系和H-STS异种移植模型蛋白质活性特征上的富集。图谱顶部的颜色条表示原发性肿瘤的组织来源。蓝色三角形表示两个Pan-NET转移(患者-0和患者-1)，此分析的详图展示在B至E版面中。图9B-9E描绘关于每种选择的转移中的前50种最活化和前50种最失活蛋白质在H-STS细胞系(B和C)和H-STS异种移植模型(D和E)的蛋白质活性特征上的基因集富集分析结果。转移中的失活(“901”)和活化(“902”)蛋白质的富集分值以曲线显示。转移中的前50种最失调蛋白质如投射在H-STS和异种移植蛋白质活性特征上的垂直线表示，表示为图谱底部的比色刻度尺。
对H-STS异种移植模型的转录组分析显示与分子群集C5(图7B中的“705”和图12C中的“1205”)的明确相似性(参考图13G)。有趣的是，此异种移植模型概括69种转移性肿瘤中32种的转移MR，包括73％的RE-NET(8种肿瘤)、32％的SI-NET(9种肿瘤)和50％的Pan-NET(15种肿瘤)(图9A、9D和9E)。
系统性推断MR活性抑制剂：为鉴定能够消除驱使转移发展的MR活性特征的候选小分子化合物，询问先前在Broad Institute,Cambridge,MA筛选的一个504种化合物库针对一组242种基因表征的癌细胞系(CCL)的差异活性，其中354种先前已公布6。在可用的神经内分泌肿瘤细胞系中重新筛选所有504种化合物，包括H-STS、L-STS、P-STS、KRJ-I和NCI-H716。如由剂量反应曲线下的面积(AUC)所测量，基于其对于细胞生存力的差异活性，选择NET相关细胞中与其它242CCL相比前108种最具有不同活性的化合物。在哥伦比亚大学的HTS设备中重复这些化合物的剂量反应曲线并与在Broad产生的那些曲线进行比较。总而言之，这些研究呈现AUC史比尔曼相关系数为0.71的显著重叠(p＝1×10-10)。
为评估这些化合物诱发肿瘤检查点萎陷(即，来源于患者的MR活性谱总体逆转)的能力，在以两种亚致死性化合物浓度(72h IC20和此浓度的1/10，一式两份)的H-STS细胞干扰后的6h和24h产生基因表达谱。对于长期反应而言，认为24h时间点信息量更大。通过对由经处理细胞以及由经对照媒介物(DMSO)处理的细胞纯化的RNA进行30M SE读数IlluminaTruSeq分析产生这些信息。这确保了可检验出无法诱发细胞死亡过程，而因此如实地概括出化合物的作用机制(MoA)而非与细胞死亡相关的机制和程序的最高化合物浓度。尽管在体外2D培养物中未有效概括出体内端点表型(例如，肿瘤生存力)，但化合物MoA在两种情形下均合理地充分概括。一种目标可为鉴定能够在肿瘤调节情形的相对如实模型中体外逆转MR活性特征的化合物，从而来评估这些化合物是否具有体内活性。
通过VIPER分析药物特征来评估蛋白质活性在干扰前后的变化。具体来说，通过在所有时间点和浓度下对经化合物处理和经对照媒介物处理的细胞进行差异性表达产生RX-GES，并通过VIPER针对EP-NET相互作用组进行分析。这将相互作用组中表示的所有5,602种调节蛋白分为在药物干扰后活性受到最大抑制的调节蛋白至活性增加最多的调节蛋白。对由H-STS异种移植模型完整表示的患者样品进行aREA分析来评估转移发展MR在药物干扰后活性受到最大逆转的蛋白质中的富集。由于在H-STS小鼠异种移植模型中进行这些预测的验证，因此分析局限于在H-STS异种移植中概括的每种NET-MET MR。这并未危及所述方法的普遍性。相反，它们允许最佳地调节结果以在体外和体内模型中可用于最佳地设计验证分析。因此，OncoTreat方法使用使患者-特异性MR活性特征发生最佳逆转的小分子化合物优先化的能力。
鉴定三种使选择的患者(P0，参考图6A)和H-STS异种移植特异性MET-MR活性(邦弗朗尼调整p值<10-10)发生显著逆转的药物，包括HDAC1/3抑制剂(恩替诺特)、蛋白质布罗莫结构域(bromodomain)抑制剂(I-BET151)和NF-κB抑制剂(甲基巴多索隆，bardoxolonemethyl)。其中，恩替诺特在H-STS异种移植模型概括的患者0MET-MR程序和异种移植模型的MR两者中均显示最显著逆转(图10A-10C)。图15显示46种选定化合物在患者0、H-STS异种移植和31种其MR显示由H-STS异种移植模型概括的其它肿瘤上的oncoTreat(或oncoMatch)结果(参考图9A)。图15描绘患者0中的前50种最活化(在富集图中以红色显示)和前50种最失活(以蓝色显示)蛋白质在由每种化合物在H-STS细胞系中干扰所引发的蛋白质活性特征上的富集。热图显示如通过测量32种肿瘤样品和一种异种移植样品MR各自在由化合物对H-STS细胞的干扰所引发的蛋白质活性特征上的富集，由aREA技术定量的MR逆转的统计学显著性，表示为–log10(p-值)。彩色条表示每种评估肿瘤的组织来源。
体内药物验证：在裸小鼠中有效嫁接的H-STS细胞和所得异种移植肿瘤的RNASeq显示与来源于患者MR明显重叠(图9A和9D)。选择六种化合物用于体内验证(图10A)，包括显著消除患者-0和异种移植MR的活性的两种化合物：恩替诺特(最优先化的化合物)和I-BET151(一种布罗莫结构域抑制剂)；一种使患者-0MR逆转而不使异种移植MR逆转的化合物：甲基巴多索隆，一种氧化应激活化剂/NFκB抑制剂；一种使异种移植逆转而不使患者-0MR逆转的化合物：替凡替尼，一种作为微管抑制剂的具有补充活性的c-Met抑制剂；以及一种对患者-0或异种移植MR均未显示显著逆转作用的化合物：PDX101(贝利司他)，一种pan-HDAC抑制剂。在不显示活性的化合物中选择后者化合物，因为从药理学角度而言，其应具有与恩替诺特类似的作用，但预计两种化合物位于MR-特征逆转活性的相反端。
通过皮下注射H-STS细胞确定的在NOD-SCIDS小鼠异种移植中的体内验证首先在Champions Oncology进行，然后独立地在哥伦比亚大学的小鼠医院设备中得以证实。当肿瘤大小达到250mm3时，将小鼠记入治疗组并治疗25天。参考方法中，每周两次用数显卡尺测量肿瘤大小。当在高水平替凡替尼(在200mg/kg/剂量下43％的TGI和100mg/kg/剂量下28％的TGI)观察到轻度肿瘤生长抑制作用(TGI)时，肿瘤仍在发展，虽然速度比对照物更慢。用贝利司他治疗的肿瘤显示最小程度的TGI，在20mg/kg/剂量水平下的TGI仅为8％。形成鲜明对比的是，用恩替诺特治疗显示高水平的肿瘤消退(TR)，在25mg/kg/剂量下为68％TR和112％TGI，且在50mg/kg/剂量下为58％TR和110％TGI。用恩替诺特治疗在100mg/kg/剂量下具有毒性，然而此组中唯一幸存的动物显示49％的肿瘤消退。这些结果概括在表3和图10B中。
表3：肿瘤体积和药剂活性数据
*PD-进行性疾病；SD-稳定性疾病；PR-部分反应；CR-完全反应
**五只动物中有四只在试验一周时死亡，可能是由于药物毒性的结果；结果代表唯一幸存的动物
哥伦比亚的追踪研究证明了恩替诺特的最初观察结果，完全消除了肿瘤生长(图10C)。关于甲基巴多索隆，仅在评估的最后两个时间点观察到肿瘤生长的微弱减少，而且与I-BET151和硼替佐米(Bortezomib)的媒介物对照物相比无显著差异(图10C)。与化合物体外干扰作用(图10A)相一致，在第三次投药后3小时分析异种移植转录组显示恩替诺特、I-BET151和甲基巴多索隆对患者-0检查点蛋白质活性的强烈抑制作用，而硼替佐米无作用(图10D)。类似地，同一分析显示只有恩替诺特对H-STS异种移植检查点具有显著抑制作用。这与甲基巴多索隆、I-BET151和硼替佐米对异种移植肿瘤生长的不良作用和恩替诺特引发的强烈消除作用相一致(图10B和10C)。总而言之，尽管由体外H-STS干扰分析推断的恩替诺特、I-BET151和甲基巴多索隆对患者-0检查点活性逆转的作用在异种移植模型中得以证实，但只有恩替诺特使H-STS异种移植检查点的活性逆转并消除了肿瘤生长(图10)。
图10A描绘由H-STS细胞中的6种选定化合物引发的患者-0转移检查点MR在蛋白质活性特征上的富集。图10B和10C描绘在由媒介物对照物治疗的同时且由6种选定化合物中的每一者治疗的H-STS异种移植的生长曲线。曲线显示个别动物的肿瘤体积(图10B)或8只动物的平均值±SEM(图10C)。图10D描绘H-STS异种移植中的4种选定化合物引发的患者-0转移检查点在蛋白质活性特征上的富集。图10E描绘由H-STS异种移植中的4种选定化合物引发的H-STS异种移植检查点在蛋白质活性特征上的富集。
论述
尽管已获得成功，但致癌基因成瘾范例1已显示出愈来愈多的挑战，包括肿瘤序列中由基因变化可鉴定的新的高穿透性可靶向性靶点数量正在减少、大部分癌症患者中缺少可靶向性突变以及靶向治疗后的高复发频率。实际上，在基于肿瘤遗传学用靶向抑制剂进行治疗时，只有5％至11％的患者经历无进展的生存率增加(Mardis个人通信)。
某些结果已证实，存在新一类的蛋白质(主调节因子)负责机械性地实施特异性肿瘤的转录特征。可以通过基于调节网络的分析，甚至基于个别患者来有效地鉴定MR蛋白18，尽管它们极少突变或差异性地表达。此实施例证明了使用OncoTreat分析，无偏差地评估FDA批准的药物和研究的化合物使患者-特异性MR活性特征发生逆转的能力对于优先化可消除肿瘤体内生存力的化合物而言是有效的。
在罕见的肿瘤类型(EP-NET)中检验OncoTreat方法，此肿瘤类型众所周知缺少可靶向的变化，而且在文献中也缺乏特征。此种选择刻意表明所建议的方法可有效地以无偏差的方式甚至适用于在分子水平时具有极少可用信息的肿瘤。实际上，此实施例中呈现的分析的更复杂组分是对来自17个合作中心的大量EP-NET肿瘤的集合和分析，从而为组装调节模型以及用转移发展的特征对其进行询问提供充分的数据。然而，OncoTreat方法是完全广泛化的，并在涵盖14种罕见且无法治疗的恶性肿瘤的更广泛研究中进行试验。
验证分析证明，预计对MR-特征逆转具有高活性、中等活性和无活性的药物分别产生肿瘤消退作用、肿瘤生长减少作用和无作用，由此实质上验证了此方法。显然，所有这些化合物均已基于其对EP-NET细胞系的高度差异毒性而优先化，由此证明了体外毒性并非是体内活性的良好预测，即使在两种分析中使用相同的细胞系。也重要的是应注意，由基于VIPER的干扰谱分析优先化的顶级药物引发了实际上所有前50种主调节蛋白(即，整个肿瘤检查点模块)的深度逆转。由于这些化合物不可能代表如此大且独特的蛋白质集合的特异性抑制剂和活化剂，因此这证明了肿瘤检查点代表了可以通过药理学干预全面切断的紧密自调式模块。这在先前例如在神经胶质瘤9和前列腺癌10的协同MR对的RNAi介导的沉默中已有报道，这导致了整个MR模块萎陷。因此，此实施例中呈现的这些分析进一步证明了肿瘤检查点模块作为调节开关负责维持肿瘤状态稳定性的重要作用。
由于OncoTreat方法基于患者-特异性MR特征优先化化合物活性，因此优先化的药物自然与基于MR的生物标记相结合用于选择响应者和非响应者群组。有趣的是，如关于EP-NET肿瘤所示，在少量亚型中聚集的患者各自呈现出实际上相同的MR活性谱。这证明了更普遍治疗的可能性，尽管在基因水平上存在肿瘤异质性。因此，OncoTreat方法可适用于有效产生篮式研究设计，其中患者可根据其特异性MR特征指定到不同治疗组。
如果对靶向治疗有响应的患者聚集在相对小量的不同MR特征中，这就证明一旦每种亚型试验足够量的PDX模型，即可基于先前在代表与患者的MR活性特征紧密匹配的PDX模型中的反应来确定对其它患者的治疗。另外，体外筛选化合物的能力可导致在逆转的MR活性特征中，而非在生理学上不可实现的浓度下评估有效的化合物活性。这例如可以通过在最大耐受剂量下体内研究化合物PD、通过在体内干扰肿瘤异种移植后分析最优先化的化合物的基因表达图式而得以解决。这也将解决与体外和体内差异性化合物活性相关的潜在问题，尽管与表型端点截然相反的化合物作用机制在这些情况下相对完全保守。
结论
如该实施例中所示，OncoTreat或OncoMatch方法是精确癌症医学中具有高度创新性且广泛适用的基于RNA的方法。它为基于个别患者优先化治疗策略提供了广泛并且获得实验验证的框架。具体来说，通过根据情况特定的调节网络分析，通过同时鉴定关键的肿瘤依赖性和最佳适用于消除其活性的药物来优先化治疗策略。这种方法已在罕见的肿瘤情形-肠胰腺神经内分泌肿瘤中进行检验-为经过完全体内验证的治疗策略。
参考文献清单
1Weinstein，I.B.Cancer.Addiction to oncogenes--the Achilles heal ofcancer.Science 297，63-64(2002).
2Commo，F.et al.Impact of centralization on aCGH-based genomicprofiles for precision medicine in oncology.Ann Oncol 26，582-588(2015).
3MacConaill，L.E.et al.Prospective Enterprise-Level MolecularGenotyping of a Cohort of Cancer Patients.The Journal of moleculardiagnostics：JMD(2014)；16(6)：660-72.
4Jang，S.&Atkins，M.Which drug，and when，for patients with BRAF-mutantmelanoma？Lancet Oncol.14(2)，e60-69(2013).
5Davoli，A.，Hocevar，B.A.&Brown，T.L.Progression and treatment of HER2-positive breast cancer.Cancer Chemother Pharmacol 65，611-623(2010).
6Basu，A.et al.An interactive resource to identify cancer genetic andlineage dependencies targeted by small molecules.Cell 154，1151-1161(2013).
7Compagno，M.et al.Mutations of multiple genes cause deregulation ofNF-kappaB in diffuse large B-cell lymphoma.Nature 459，717-721(2009).
8Bisikirska，B.et al.Elucidation and Pharmacological Targeting ofNovel Molecular Drivers of Follicular Lymphoma Progression.Cancer Res(2016)；76(3)：664-74).
9Carro，M.S.etal.The transcriptional network for mesenchymaltransformation of brain tumnours.Nature 463，318-325(2010).
10Aytes，A.et al.Cross-species regulatory network analysis identifiesa synergistic interaction between FOXM1 and CENPF that drives prostate cancermalignancy.Cancer Cell 25，638-651(2014).
11Mitrofanova，A.，Aytes，A.，Shen，C.，Abate-Shen，C.&Califano，A.Asystemsbiology approach to predict drug response for human prostate cancer based onin vivo preclinical analyses of mouse models.Cell Reports 12，1-12(2015).
12Rodriguez-Barrueco，R.et al.Inhibition of the autocrine IL-6-JAK2-STAT3-calprotectin axis as targeted therapy for HR-/HER2+breast cancers.GenesDev 29，1631-1648(2015).
13Piovan，E.et al.Direct reversal of glucocorticoid resistance by AKTinhibition in acute lymphoblastic leukemia.Cancer Cell 24，766-776(2013).
14Chen，J.C.et al.Identification of Causal Genetic Drivers of HumanDisease through Systems-Level Analysis of Regulatory Networks.Cell 159，402-414(2014).
15Luo，J.，Solimini，N.L.&Elledge，S.J.Principles of cancer therapy：oncogene and non-oncogene addiction.Cell 136，823-837(2009).
16Schreiber，S.L.et al.Towards patient-based cancer therapeutics.NatBiotechnol28，904-906(2010).
17Lefebvre，C.et al.A human B-cell interactome identifies MYB andFOXMl as master regulators of proliferation in germinal centers.Mol Syst Biol6，377(2010).
18Alvarez，M.J.et al.Functional characterization of somatic mutationsin cancer using network-based inference of protein activity.Nat Genet(2016)；48(8)：838：847.
19Basso，K.et al.Reverse engineering of regulatory networks in human Bcells.NatGenet 37，382-390(2005).
20Margolin，A.A.et al.ARACNE：an algorithm for the reconstruction ofgene regulatory networks in a mammalian cellular context.BMC bioinformatics7Suppl 1，S7(2006).
21Basso，K.et al.Integrated biochemical and computational approachidentifies BCL6 direct target genes controlling multiple pathways in normalgerminal center B cells.Blood 115，975-984(2010).
22Pfragner，R.et al.Establishment and characterization of three novelcell lines-P-STS，L-STS，H-STS-derived from a human metastatic midgutcarcinoid.Anticancer Res 29，1951-1961(2009).
23Pfragner，R.et al.Establishment of a continuous cell line from ahuman carcinoid of the small intestine(KRJ-I).International journal ofoncology 8，513-520(1996).
除了描述和主张的各个实施方案以外，公开的主题也涉及具有本文中公开和主张的其它特征组合的其它实施方案。因此，本文提出的特定特征可在所公开主题的范畴内以其它方式相互组合，使得所公开的主题包括本文公开的特征的任何合适组合。关于所公开主题的特定实施方案的以上描述是出于说明和描述目的提出的。并非预期是详尽的或将所公开的主题局限于所公开的那些实施方案。
本领域技术人员将显而易见，在不偏离所公开主题的精神或范畴下，可对所公开主题的组合物和方法进行各种修改和变化。因此，预期所公开的主题包括在随附权利要求书及其等效物范畴内的修改和变化。
本说明书中的所有专利和公布均以引用的方式并入本文中，其引用程度就如同特定地且个别地将各个独立的专利和公布以及序列以引用的方式并入一般。

Claims (9)

1.一种筛选治疗疾病或病症的化合物的方法，所述方法包括：
定量测量来自所述疾病或病症的测试样品中的多种主调节蛋白的蛋白质活性，其中所述定量测量所述多种主调节蛋白的蛋白质活性是直接或间接基于所述主调节蛋白的调节子的表达，并且其中所述定量测量所述多种主调节蛋白的蛋白质活性包括通过计算机由所述主调节蛋白的调节子的基因表达谱推断所述多种主调节蛋白的蛋白质活性，其中所述通过计算机推断所述多种主调节蛋白的蛋白质活性通过VIPER技术来进行；
使所述样品暴露于所述化合物；
定量测量所述化合物处理的样品中的所述多种主调节蛋白的蛋白质活性，其中所述定量测量所述多种主调节蛋白的蛋白质活性是直接或间接基于所述主调节蛋白的调节子的表达，并且其中所述定量测量所述多种主调节蛋白的蛋白质活性包括通过计算机由所述主调节蛋白的调节子的基因表达谱推断所述多种主调节蛋白的蛋白质活性，其中所述通过计算机推断所述多种主调节蛋白的蛋白质活性再次通过VIPER技术来进行；以及
定量评估与未用所述化合物处理的来自所述疾病或病症的样品或暴露于用于递送所述化合物的媒介物的模型相比，在所述化合物处理的样品中的所述多种主调节蛋白的蛋白质活性的逆转。
2.如权利要求1所述的方法，其中化合物诱导所述多种主调节蛋白的蛋白质活性总体逆转表明所述化合物治疗所述疾病或病症。
3.如权利要求2所述的方法，其中所述化合物选自由以下各项组成的组：小分子化合物、肽、核酸、寡核苷酸、抗体、适体、其修饰型式以及其组合。
4.如权利要求1-3中任一项所述的方法，其中所述疾病或病症为肿瘤。
5.如权利要求4所述的方法，其中所述肿瘤选自由以下各项组成的组：胶质母细胞瘤、脑膜瘤、白血病、淋巴瘤、肉瘤、类癌、神经内分泌癌、副神经节瘤、黑素瘤、前列腺癌、胰腺癌、膀胱癌、胃癌、结肠癌、乳腺癌、头颈癌、肾癌、胃部癌瘤、小肠癌、卵巢癌、肝细胞癌、子宫体癌以及肺癌。
6.如权利要求1-5中任一项所述的方法，其中所述定量测量所述多种主调节蛋白的蛋白质活性是直接或间接基于所述主调节蛋白的调节子的富集。
7.如权利要求1所述的方法，其中所述基因表达谱来源于体内模型。
8.如权利要求1所述的方法，其中所述基因表达谱来源于体外模型。
9.如权利要求1-7中任一项所述的方法，其中所述调节子是通过ARACNe来推断。
CN201680062051.4A 2015-08-28 2016-08-26 用于匹配肿瘤学特征的系统和方法 Active CN108348547B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201562211562P 2015-08-28 2015-08-28
US62/211,562 2015-08-28
US201562253342P 2015-11-10 2015-11-10
US62/253,342 2015-11-10
PCT/US2016/049063 WO2017040311A1 (en) 2015-08-28 2016-08-26 Systems and methods for matching oncology signatures

Publications (2)

Publication Number Publication Date
CN108348547A CN108348547A (zh) 2018-07-31
CN108348547B true CN108348547B (zh) 2023-09-22

Family

ID=58103455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680062051.4A Active CN108348547B (zh) 2015-08-28 2016-08-26 用于匹配肿瘤学特征的系统和方法

Country Status (6)

Country Link
US (2) US10777299B2 (zh)
EP (1) EP3340996B1 (zh)
CN (1) CN108348547B (zh)
ES (1) ES2913294T3 (zh)
HK (1) HK1257686A1 (zh)
WO (1) WO2017040311A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017040315A1 (en) 2015-08-28 2017-03-09 The Trustees Of Columbia University In The City Of New York Virtual inference of protein activity by regulon enrichment analysis
CN109658984B (zh) * 2018-12-18 2021-12-03 北京深度制耀科技有限公司 一种信息推荐和信息推荐模型训练方法、相关装置
CN109949268A (zh) * 2019-01-24 2019-06-28 郑州大学第一附属医院 一种基于机器学习的肝细胞癌分化水平分级方法
KR20210143258A (ko) 2019-03-27 2021-11-26 카리오팜 쎄라퓨틱스, 인코포레이티드 셀리넥소를 위한 바이오마커
GB201905181D0 (en) * 2019-04-11 2019-05-29 Arrayjet Ltd Method and apparatus for substrate handling and printing
WO2021163338A1 (en) 2020-02-11 2021-08-19 Karyopharm Therapeutics Inc. Xpo1 inhibitors for use in treating cancer
WO2021252900A1 (en) 2020-06-11 2021-12-16 Karyopharm Therapeutics Inc. Biomarkers for response to exportin-1 inhibitors in multiple myeloma patients
WO2021252905A1 (en) 2020-06-11 2021-12-16 Karyopharm Therapeutics Inc. Biomarkers for response to exportin-1 inhibitors in diffuse large b-cell lymphoma patients
CN113249326A (zh) * 2021-04-19 2021-08-13 佛山市第一人民医院（中山大学附属佛山医院） 一种筛选肿瘤抗原特异性tcr序列的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102292456A (zh) * 2008-12-05 2011-12-21 俄亥俄州立大学研究基金会 用于诊断和治疗卵巢癌的基于microRNA 的方法和组合物

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1159615A2 (en) 1999-03-10 2001-12-05 National Institutes of Health, as represented by the Secretary, Department of Health and Human Services of the Government Universal protein array system
WO2004007531A2 (en) 2002-07-17 2004-01-22 Arqule, Inc. Activated checkpoint therapy and methods of use thereof
US8497292B2 (en) * 2005-12-28 2013-07-30 Translational Therapeutics, Inc. Translational dysfunction based therapeutics
US20110172929A1 (en) 2008-01-16 2011-07-14 The Trustees Of Columbia University In The City Of System and method for prediction of phenotypically relevant genes and perturbation targets
WO2011028819A1 (en) 2009-09-01 2011-03-10 The Trustees Of Columbia University In The City Of New York Synergistic transcription modules and uses thereof
US20130144584A1 (en) 2011-12-03 2013-06-06 Medeolinx, LLC Network modeling for drug toxicity prediction
US9690844B2 (en) 2014-01-24 2017-06-27 Samsung Electronics Co., Ltd. Methods and systems for customizable clustering of sub-networks for bioinformatics and health care applications
WO2015127104A1 (en) 2014-02-19 2015-08-27 The Trustees Of Columbia University In The City Of New York Method and Composition for Diagnosis or Treatment of Aggressive Prostate Cancer

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102292456A (zh) * 2008-12-05 2011-12-21 俄亥俄州立大学研究基金会 用于诊断和治疗卵巢癌的基于microRNA 的方法和组合物

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Elucidating Compound Mechanism of Action by Network Perturbation Analysis;Jung Hoon Woo 等;《CELL》;20150716;第162卷;第441-451页 *
Master regulators of FGFR2 signalling and breast cancer risk;Michael N. C. Fletcher 等;《NATURE COMMUNICATIONS》;20130917;第4卷(第1期);第1-12页 *

Also Published As

Publication number Publication date
EP3340996A1 (en) 2018-07-04
ES2913294T3 (es) 2022-06-01
HK1257686A1 (zh) 2019-10-25
US20170056530A1 (en) 2017-03-02
EP3340996A4 (en) 2019-06-12
EP3340996B1 (en) 2022-02-23
US10777299B2 (en) 2020-09-15
CN108348547A (zh) 2018-07-31
US20210257044A1 (en) 2021-08-19
WO2017040311A1 (en) 2017-03-09

Similar Documents

Publication Publication Date Title
CN108348547B (zh) 用于匹配肿瘤学特征的系统和方法
Hovestadt et al. Medulloblastomics revisited: biological and clinical insights from thousands of patients
Sachamitr et al. PRMT5 inhibition disrupts splicing and stemness in glioblastoma
Menyhárt et al. Molecular markers and potential therapeutic targets in non-WNT/non-SHH (group 3 and group 4) medulloblastomas
Offin et al. Frequency and outcomes of brain metastases in patients with HER2‐mutant lung cancers
Morrissy et al. Divergent clonal selection dominates medulloblastoma at recurrence
Wang et al. Genetic and clinical characterization of B7‐H3 (CD276) expression and epigenetic regulation in diffuse brain glioma
Hao et al. Gene mutations in primary tumors and corresponding patient-derived xenografts derived from non-small cell lung cancer
Findlay et al. Pharmaco-proteogenomic profiling of pediatric diffuse midline glioma to inform future treatment strategies
Collisson et al. What are we learning from the cancer genome?
Kober et al. Expression of mitochondrial dysfunction-related genes and pathways in paclitaxel-induced peripheral neuropathy in breast cancer survivors
Sun et al. Identification of COL1A1 as an invasion‑related gene in malignant astrocytoma
Zhao et al. Novel modeling of cancer cell signaling pathways enables systematic drug repositioning for distinct breast cancer metastases
Iyer et al. ERBB2 and KRAS alterations mediate response to EGFR inhibitors in early stage gallbladder cancer
CN102473202A (zh) 用于预测药物在患者中的疗效的方法
Jessa et al. K27M in canonical and noncanonical H3 variants occurs in distinct oligodendroglial cell lineages in brain midline gliomas
Jamieson et al. The pain interactome: connecting pain-specific protein interactions
Wong et al. Core and specific network markers of carcinogenesis from multiple cancer samples
Johnson et al. Genomic profiling of a Hepatocyte growth factor-dependent signature for MET-targeted therapy in glioblastoma
Wulandari et al. Bioinformatic analysis of CCA-1.1, a novel curcumin analog, uncovers furthermost noticeable target genes in colon cancer
Joshi et al. Pharmacologically controlling protein-protein interactions through epichaperomes for therapeutic vulnerability in cancer
Ye et al. Dual-targeting strategy using trastuzumab and lapatinib in a patient with HER2 gene amplification in recurrent metachronous metastatic gallbladder carcinoma
Byeon et al. Benefit of Targeted DNA Sequencing in Advanced Non–Small-Cell Lung Cancer Patients Without EGFR and ALK Alterations on Conventional Tests
Beypinar et al. The relationship between EGFR mutation and metastasis pattern in lung adenocarcinoma
Akil et al. Efficacy of targeted radionuclide therapy using [131I] ICF01012 in 3D pigmented BRAF-and NRAS-mutant melanoma models and In vivo NRAS-mutant melanoma

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant