CN109790203A - 自身免疫疾病的诊断和治疗方法 - Google Patents

自身免疫疾病的诊断和治疗方法 Download PDF

Info

Publication number
CN109790203A
CN109790203A CN201780051046.8A CN201780051046A CN109790203A CN 109790203 A CN109790203 A CN 109790203A CN 201780051046 A CN201780051046 A CN 201780051046A CN 109790203 A CN109790203 A CN 109790203A
Authority
CN
China
Prior art keywords
peptide
sample
peptides
group
sledai
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
Application number
CN201780051046.8A
Other languages
English (en)
Inventor
迈克尔·威廉·罗
西奥多·迈克尔·塔拉索
乔纳森·斯科特·梅尔尼克
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.)
Cooper Science
Original Assignee
Language Of Health Co
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 Language Of Health Co filed Critical Language Of Health Co
Publication of CN109790203A publication Critical patent/CN109790203A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01N33/564—Immunoassay; Biospecific binding assay; Materials therefor for pre-existing immune complex or autoimmune disease, i.e. systemic lupus erythematosus, rheumatoid arthritis, multiple sclerosis, rheumatoid factors or complement components C1-C9
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07K—PEPTIDES
    • C07K14/00—Peptides having more than 20 amino acids; Gastrins; Somatostatins; Melanotropins; Derivatives thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/10—Musculoskeletal or connective tissue disorders
    • G01N2800/101—Diffuse connective tissue disease, e.g. Sjögren, Wegener's granulomatosis
    • G01N2800/104—Lupus erythematosus [SLE]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/24—Immunology or allergic disorders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/56—Staging of a disease; Further complications associated with the disease
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/60—Complex ways of combining multiple protein biomarkers for diagnosis

Abstract

本文提供了用于检测和诊断自身免疫疾病(包括系统性红斑狼疮)的方法、测定和装置。本文提供的方法、测定和装置分析肽阵列上外周血抗体的结合模式，该肽阵列与当前的系统性红斑狼疮临床评估标准良好地相关。

Description

自身免疫疾病的诊断和治疗方法
交叉引用
本专利申请要求于2016年6月20日提交的序号为62/352,519的美国申请以及于2016年11月11日提交的序号为62/421,185的美国申请的权益；这两篇美国申请均通过引用整体并入本文。
背景技术
自身免疫疾病患者可经历慢性活动性疾病、波动的缓解和突发循环，或长时间的静止期。准确地检测和确定患者的状态对于开出适当的药物方案、评价治疗结果、确定患者亚组以及早期检测突发至关重要，以便改善自身免疫疾病患者的治疗结果。
发明内容
本文提供了用于确定或诊断受试者中免疫介导的疾病活动性的方法、测定和装置。免疫介导的疾病活动性包括但不限于自身免疫疾病活动性、传染病活动性、癌症活动性和糖尿病活动性。
因此，本文公开了用于确定受试者的自身免疫疾病活动性的方法、测定和装置，所述方法包括：使来自受试者的样品与肽阵列接触，该肽阵列在该阵列的不同特征上包含多个不同的肽；检测所述样品中存在的抗体与所述肽阵列上的一组肽的结合，以获得结合信号的模式，其中该组肽指示自身免疫疾病活动性；以及将所述结合信号与从具有一系列疾病活动性的参考组中的多个受试者获得的参考结合信号进行比较，以确定所述受试者中的自身免疫疾病活动性的存在和/或严重程度。
在一些实施方案中，所述肽阵列包含至少10,000个不同的肽、至少50,000个不同的肽或至少100,000个不同的肽。在其他实施方案中，所述阵列上的不同的肽是沉积的。在另外其他实施方案中，所述阵列上的不同的肽是原位合成的。在额外其他实施方案中，肽的原位合成包含少于20种不同的氨基酸。在一些实施方案中，在所述肽阵列的合成过程中排除半胱氨酸、甲硫氨酸、异亮氨酸和苏氨酸。
在一个实施方案中，所述自身免疫疾病包括系统性红斑狼疮(SLE)、类风湿性关节炎、舍格伦综合征、多发性硬化、溃疡性结肠炎、银屑病关节炎、硬皮病和/或I型糖尿病。在其他实施方案中，所述自身免疫疾病是系统性红斑狼疮(SLE)。在其他实施方案中，参考样品中指示SLE的一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分至少为12的参考组受试者中较高。在另外其他实施方案中，参考样品中指示SLE的一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分小于2的参考受试者中较低。在一个实施方案中，参考样品中指示SLE的一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分至少为12的参考组受试者中较低。在另一个实施方案中，参考样品中指示SLE的一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分小于2的参考组受试者中较低。在另一个实施方案中，参考样品中指示SLE的一组肽对于图13A-13G所列的一种或多种序列基序或氨基酸而言富集超过100％。在另外其他实施方案中，参考样品中指示自身免疫病症的一组肽的平均结合信号在来自具有高疾病活动性的所述参考组的受试者中低于来自具有更高疾病活动性的所述参考组受试者的所述肽的平均结合信号。
在其他实施方案中，与肽阵列中的其余肽相比，指示SLE的一组肽对于至少一种或多种氨基酸而言富集至少150％。在其他实施方案中，该组肽包含至少10种肽、至少20种肽、至少30种肽、至少40种肽、至少50种肽、至少60种肽、至少70种肽、至少80种肽、至少90种肽或至少100种肽，指示自身免疫疾病活动性。在一个实施方案中，所获得的结合信号模式对选自低疾病活动性、中度疾病活动性和严重疾病活动性的所述自身免疫疾病活动性进行分类。在另一个实施方案中，在0.60至0.70、0.70至0.79、0.80至0.89或0.90至1.0范围内的所计算的受试者工作特征(ROC)曲线下面积(AUC)确定所述受试者中自身免疫疾病活动性的存在和/或严重程度。
在其他实施方案中，一系列疾病活动性由一种或多种临床状况的存在来确定，所述临床状况包括高抗dsDNA抗体、低补体蛋白C3、低补体蛋白C4、高抗核抗体(ANA)、高蛋白尿、面颊疹、CNS表现、关节炎、血细胞减少、盘状红斑、口腔溃疡、肾脏表现、免疫、光敏性和浆膜炎。在一些实施方案中、一系列疾病活动性进一步由一种或多种临床状况的存在来确定，所述临床状况包括高抗dsDNA抗体、低补体蛋白C3、低补体蛋白C4、高抗核抗体(ANA)、高蛋白尿、面颊疹、CNS表现、关节炎、血细胞减少、盘状红斑、口腔溃疡、肾脏表现、免疫、光敏性和浆膜炎。在另外其他实施方案中，一系列疾病活动性进一步由一种或多种临床状况的已知生物标志物的存在来确定。
在一个实施方案中，所述受试者是人。在另一个实施方案中，所述样品是血液样品。在其他实施方案中，所述血液样品选自全血、血浆或血清。在一个实施方案中，所述样品是血清样品。在另外其他实施方案中，所述样品是血浆样品。在额外其他实施方案中，所述样品是干燥的血液样品。在另外其他实施方案中，所述肽阵列上的至少10,000个不同的肽的长度为至少5个氨基酸。在其他实施方案中，所述肽阵列上的至少10,000个不同的肽的长度为至少5至15个氨基酸。在另一个实施方案中，所述至少10,000个不同的肽由少于20种氨基酸合成。在其他实施方案中，通过排除半胱氨酸、甲硫氨酸、异亮氨酸和苏氨酸中的一个或多个来合成肽阵列上的至少10,000个不同的肽。
本文还公开了从样品获得的指示自身免疫病症的受试者的免疫特征，其中该免疫特征包含来自包含至少10,000个肽的肽阵列上的一组肽的结合模式。在一些实施方案中，与所述肽阵列上的其余肽相比，所述免疫特征包括该组肽中至少一种氨基酸的至少150％富集。在其他实施方案中，所述肽阵列包含至少5,000个不同的肽、至少50,000个不同的肽、至少100,000个不同的肽、至少250,000个肽、至少330,000个肽。在其他实施方案中，所述肽阵列上至少10,000个不同肽的长度为5至15个氨基酸。
本文还公开了用于确定受试者的自身免疫疾病活动性的系统，该系统包括：(a)包含至少10,000个原位合成的不同肽的肽阵列，其中来自受试者的样品与该肽阵列接触；(b)检测器，其用于检测所述样品中存在的抗体与所述阵列上的一组肽的结合，以获得结合信号的组合；(c)数字处理装置，其用于分析和比较所述结合信号组合与一组或多组参考结合信号的组合，其中所述参考结合信号组合的所述组中的每一组包含从多个健康受试者获得的结合信号的组合，从而确定所述受试者是否患有自身免疫疾病。在一些实施方案中，所述自身免疫疾病是SLE。
援引并入
本说明书中提及的所有出版物、专利和专利申请均通过引用并入本文，其程度如同特别且单独地指出每个单独的出版物、专利或专利申请通过引用而并入。
附图说明
本专利或申请文件含有至少一幅彩色附图。具有彩色附图的本专利或专利申请公开的副本将在请求和支付必要费用后由主管局提供。
本发明的新颖特征在所附的权利要求中具体阐述。通过参考以下对利用本发明的原理的说明性实施方案加以阐述的详细描述以及附图，将会获得对本发明的特征和优点的更好的理解，在这些附图中：
图1A显示用于评估系统性红斑狼疮诊断和评估的临床和实验室表现的SLEDAI评分表。
图1B显示用于评估系统性红斑狼疮诊断和评估的临床和实验室表现的SLEDAI评分表的续表。
图2显示本研究中SLE患者的概况。
图3是显示自身蛋白质/抗原如何能导致肽微阵列中免疫特征上调和下调的途径。
图4是区分活动性SLE疾病与非活动性SLE疾病的肽的火山图。
图5是与SLEDAI指数中列出的多种生物标志物(抗dsDNA、UPCR(尿蛋白/肌酸酐比)和C3蛋白)相比，疾病活动性的免疫特征(IMS)模型的受试者工作特征(ROC)曲线。
图6示出SLE受试者之间基于t检验p值的前702种肽的热图。
图7显示映射到已知和推测的SLE抗原的免疫特征(IMS)肽。
图8显示受试者的交叉验证的SVM分类器预测，证明较高的SLE活动性容易与缓解区分开。
图9显示IMS模型与已知生物标志物抗dsDNA、C3、C4和UPCR的预测能力的比较。该数据例证了免疫特征模型也可以估计SLEDAI评分，或优于这些标准生物标志物。
图10显示测量的结合变化图，以监测患者的疾病状态和活动性水平。这通过相对于在鉴别肽中获得的肽强度拟合SLEDAI评分变化的弹性网模型来完成。该数据支持相比于其他生物标志物的变化，抗体结合的变化与SLEDAI的变化更密切相关。
图11显示当免疫特征与生物标志物测定组合时，在预测狼疮和与SLEDAI变化相关联方面的改善。
图12进一步证明了与缓解相比，随着SLEDAI评分的增加，免疫应答的差异增加。
图13A-13G显示在肽中富含的肽基序和氨基酸，它们与根据SLEDAI评分的诊断相关。
具体实施方式
检测和诊断免疫介导的病症，如自身免疫病症，具有挑战性，患者很难获得准确或正确的诊断。自身免疫疾病仍然是发病率和死亡率的主要原因。在许多情况下，由于这些疾病的性质密切相关，患者经常被误诊为其他自身免疫状况。目前还没有可靠的生物标志物可用于检测和评估自身免疫疾病或病症。及时治疗，例如与系统性红斑狼疮相关的突发的及时治疗，不会导致更好的直接结果，但会预防累积的慢性器官损伤。因此，对疾病活动性的灵敏和特异性诊断仍然是未得到满足的重要临床需求。参见Oglesby等人,Impact ofearly versus late systemic lupus erythematosus diagnosis on clinical andeconomic outcomes.Applied Health Economics&Health Policy.12(2):179-90,2014；Lisnevskaia等人,Systemic lupus erythematosus.Lancet.384(9957):1878-88,2014。
临床研究常用的替代方法是使用评分系统来评价受试者中自身免疫状况的生理学和生物化学表现。例如，对临床受试者最常用的狼疮活动性研究是系统性红斑狼疮疾病活动指数(SLEDAI)。SLEDAI是24种临床表现和实验室检查的列表，如癫痫、精神病、器质性脑综合征、视力障碍、其他神经系统问题、脱发、新皮疹、肌肉无力、关节炎、血管炎症、口疮、深呼吸时加重的胸痛，以及胸膜炎和/或心包炎和发热的表现。分析的实验室结果包括尿液分析检验、血液补体水平、抗DNA抗体水平升高、低血小板计数和低白细胞计数。根据过去10天内患者是否存在这些表现对每一项进行评分。参见图1A和图1B。
SLEDAI指数需要对不同的临床和实验室检查类别(包括器官累及)进行加权。例如，关节痛和肾脏疾病各乘以4，但中枢神经系统神经系统表现乘以8。然后将指定的加权评估值加和成最终得分，其范围从0至105，得分大于20是异常或罕见的。然而，虽然对于如何对这些评分进行分类没有达成共识，但已显示SLEDAI评分为6或更高与需要治疗的活动性疾病一致，而评分低于3通常被认为是无活动性的。评分为4至15指示轻度或中度疾病，而大于15被认为是重度的。已经报道，临床上有意义上的差异是6分的改善或8分的恶化。
SLEDAI评估在红斑狼疮国家评估雌激素安全性(SELENA)试验中进行了修改，也称为SELENA-SLEDAI突发指数。虽然SELENA-SLEDAI对每一项的临床活动性的定义提供了一些阐述，但SLEDAI分析中开发和表征的基本前提和评分系统并没有显著变化。
用于评估系统性红斑狼疮的其他临床评估工具包括BILAG(不列颠群岛狼疮活动性组)，这是一项包含86个问题的医师对特定器官功能的评估，包括针对给定器官系统将多个表现和实验室检查汇总组合成单个评分。此外，其他疾病或病症也有类似的相关分析，这些相关分析也可用于建立或评定疾病活动性，包括针对类风湿性关节炎的DAS28(疾病活动性评分)，针对癌症病症的TNM(肿瘤，结节，转移)分期系统，Nottingham分级系统(也称为Scarff-Bloom-Richardson分级系统的Elston-Ellis修改)，用于预测和诊断前列腺癌的Gleason评分系统等。
由于疾病评分系统的复杂性，诸如SLEDAI、BILAG和其他相关检验等疾病评分系统最常用于研究或临床试验中，以评价新药的有效性。然而，临床医生(例如，风湿病科医生)的常规使用是不切实际的。需要有简单、准确的分子检测来改善患者的医护。
本文公开了鉴别外周血抗体与肽阵列结合的差异模式的方法、测定和装置。患者样品与阵列的差异结合导致指示患者疾病状态的特定结合模式或特征。这些结合特征可以准确地确定或诊断疾病活动性，包括但不限于自身免疫疾病活动性、传染病活动性、癌症活动性和糖尿病疾病活动性。例如，本文公开的方法和装置可以鉴别或确定SLE患者的疾病状态，从而与临床评估结果相关联，如SLEDAI或BILAG。
通过本文公开的方法、装置和测定获得的差异结合活性或特征(也称为“免疫特征”)也与已知的疾病评分系统相关。例如，当与包括例如SLEDAI、SELENA-SLEDAI、BILAG、DAS28、TNM、Nottingham分级系统和/或Gleason评分系统等已知免疫介导疾病评分系统相比时，与分析并诊断为患有免疫介导病症的患者相比，用所公开的方法和阵列获得的免疫特征结合模式具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。在优选的实施方案中，已知的免疫介导疾病评分系统是SLEDAI或SELENA-SLEDAI。所鉴别的免疫特征结合模式可包括但不限于肽序列、肽基序、氨基酸含量或检测到的免疫特征结合模式的其他区别特征。
如本文所公开的，AUC可以被解释为根据已知评分系统的活动性疾病患者比根据已知评分系统的非活动性疾病患者具有更高的免疫特征结合模式相关值的概率。
在其他实施方案中，当与包括例如SLEDAI、SELENA-SLEDAI、BILAG、DAS28或其他临床自身免疫疾病评分系统等已知自身免疫疾病评分系统相比时，与分析并诊断为患有自身免疫病症的患者相比，用所公开的方法和阵列获得的SLE患者的免疫特征结合模式具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分低于2的患者相比，用所公开的方法和阵列获得的SLE患者的免疫特征结合模式具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分为2至8的患者相比，用所公开的方法和阵列获得的SLE患者的免疫特征结合模式具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分至少为12的患者相比，用所公开的方法和阵列获得的SLE患者的免疫特征结合模式具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在更进一步的实施方案中，与使用包括例如SLEDAI、SELENA-SLEDAI、BILAG、DAS28、TNM、Nottingham分级系统和/或Gleason评分系统等已知免疫介导疾病评分系统分析并诊断为患有免疫介导病症的患者相比，至少0.00005％、至少0.0001％、至少0.0005％、至少0.0001％、至少0.005％、至少0.01％、至少0.05％、至少0.1％、至少0.5％、至少1.0％、至少1.5％、至少2％、至少3％、至少4％、至少5％或至少10％包含用所公开的方法和阵列获得的免疫特征结合模式的肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。在优选的实施方案中，已知的免疫介导疾病评分系统是SLEDAI或SELENA-SLEDAI。
在更进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统分析并诊断的评分低于2的SLE患者相比，至少0.00005％、至少0.0001％、至少0.0005％、至少0.0001％、至少0.005％、至少0.01％、至少0.05％、至少0.1％、至少0.5％、至少1.0％、至少1.5％、至少2％、至少3％、至少4％、至少5％或至少10％包含用所公开的方法和阵列获得的免疫特征结合模式的肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在更进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统分析并诊断的评分为2至8的SLE患者相比，至少0.00005％、至少0.0001％、至少0.0005％、至少0.0001％、至少0.005％、至少0.01％、至少0.05％、至少0.1％、至少0.5％、至少1.0％、至少1.5％、至少2％、至少3％、至少4％，至少5％或至少10％包含用所公开的方法和阵列获得的免疫特征结合模式的肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在更进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统分析并诊断的评分至少为12的SLE患者相比，至少0.00005％、至少0.0001％、至少0.0005％、至少0.0001％、至少0.005％、至少0.01％、至少0.05％、至少0.1％、至少0.5％、至少1.0％、至少1.5％、至少2％、至少3％、至少4％、至少5％或至少10％包含用所公开的方法和阵列获得的免疫特征结合模式的肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在更进一步的实施方案中，与使用包括例如SLEDAI、SELENA-SLEDAI、BILAG、DAS28、TNM、Nottingham分级系统和/或Gleason评分系统等已知免疫介导疾病评分系统分析并诊断为患有免疫介导病症的患者相比，用所公开的方法和阵列获得的免疫特征结合模式的至少1种肽、至少2种肽、至少3种肽、至少4种肽、至少5种肽、至少6种肽、至少7种肽、至少8种肽、至少9种肽、至少10种肽、至少15种肽、至少20种肽、至少25种肽、至少30种肽、至少35种肽、至少40种肽、至少45种肽、至少50种肽、至少55种肽、至少60种肽、至少65种肽、至少70种肽、至少75种肽、至少80种肽、至少85种肽、至少90种肽、至少95种肽或至少100种肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。在优选的实施方案中，已知的免疫介导疾病评分系统是SLEDAI或SELENA-SLEDAI。
在更进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统分析并诊断的评分低于2的SLE患者相比，用所公开的方法和阵列获得的免疫特征结合模式的至少1种肽、至少2种肽、至少3种肽、至少4种肽、至少5种肽、至少6种肽、至少7种肽、至少8种肽、至少9种肽、至少10种肽、至少15种肽、至少20种肽、至少25种肽、至少30种肽、至少35种肽、至少40种肽、至少45种肽、至少50种肽、至少55种肽、至少60种肽、至少65种肽、至少70种肽、至少75种肽、至少80种肽、至少85种肽、至少90种肽、至少95种肽或至少100种肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在更进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统分析并诊断的评分为2至8的SLE患者相比，用所公开的方法和阵列获得的免疫特征结合模式的至少1种肽、至少2种肽、至少3种肽、至少4种肽、至少5种肽、至少6种肽、至少7种肽、至少8种肽、至少9种肽、至少10种肽、至少15种肽、至少20种肽、至少25种肽、至少30种肽、至少35种肽、至少40种肽、至少45种肽、至少50种肽、至少55种肽、至少60种肽、至少65种肽、至少70种肽、至少75种肽、至少80种肽、至少85种肽、至少90种肽、至少95种肽或至少100种肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在更进一步的实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统分析并诊断的评分至少为12的SLE患者相比，用所公开的方法和阵列获得的免疫特征结合模式的至少1种肽、至少2种肽、至少3种肽、至少4种肽、至少5种肽、至少6种肽、至少7种肽、至少8种肽、至少9种肽、至少10种肽、至少15种肽、至少20种肽、至少25种肽、至少30种肽、至少35种肽、至少40种肽、至少45种肽、至少50种肽、至少55种肽、至少60种肽、至少65种肽、至少70种肽、至少75种肽、至少80种肽、至少85种肽、至少90种肽、至少95种肽或至少100种肽具有至少0.6、至少0.65、至少0.7、至少0.75、至少0.8、至少0.85、至少0.9、至少0.95、至少0.97、至少0.99或至少1.0的受试者工作特征(ROC)曲线下面积(AUC)。
在一些实施方案中，与使用包括例如SLEDAI、SELENA-SLEDAI、BILAG、DAS28、TNM、Nottingham分级系统和/或Gleason评分系统等已知免疫介导疾病评分系统分析的患者相比，用本文公开的方法和阵列获得的免疫特征结合模式与至少50％、至少55％、至少60％、至少65％、至少70％、至少75％、至少80％、至少85％、至少90％、至少95％、至少96％、至少97％、至少98％或至少99％的分析并诊断为患有免疫介导病症的患者相关。在优选的实施方案中，已知的免疫介导疾病评分系统是SLEDAI或SELENA-SLEDAI。
在其他实施方案中，用本文公开的方法和阵列获得的用于诊断或检测患者的自身免疫病症的免疫特征结合模式与至少50％、至少55％、至少60％、至少65％、至少70％、至少75％、至少80％、至少85％、至少90％、至少95％、至少96％、至少97％、至少98％或至少99％的使用自身免疫疾病评分系统如SLEDAI、SELENA-SLEDAI、DAS28或BILAG评分系统分析并诊断为患有自身免疫病症的患者相关。
在其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分低于2的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合模式与至少50％、至少55％、至少60％、至少65％、至少70％、至少75％、至少80％、至少85％、至少90％、至少95％、至少96％、至少97％、至少98％或至少99％的分析并诊断为SLE的患者相关。
在其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分为2至12的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合模式与至少50％、至少55％、至少60％、至少65％、至少70％、至少75％、至少80％、至少85％、至少90％、至少95％、至少96％、至少97％、至少98％或至少99％的分析并诊断为SLE的患者相关。
在其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分至少为12的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合模式与至少50％、至少55％、至少60％、至少65％、至少70％、至少75％、至少80％、至少85％、至少90％、至少95％、至少96％、至少97％、至少98％或至少99％的分析并诊断为SLE的患者相关。
在另外其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分小于2的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合信号更高。在另外其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分小于2的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合信号更低。
在另外其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分为2至8的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合信号更高。在另外其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分为2至8的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合信号更低。
在另外其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分至少为12的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合信号更高。在另外其他实施方案中，与使用SLEDAI或SELENA-SLEDAI评分系统评分至少为12的患者相比，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合信号更低。
在另外其他实施方案中，用本文公开的方法和阵列获得的用于诊断或检测患者的免疫介导疾病的免疫特征结合模式对于包含免疫介导疾病的免疫特征的肽的至少一种氨基酸而言富集至少100％、至少125％、至少150％、至少175％、至少200％、至少225％、至少250％、至少275％、至少300％、至少350％、至少400％、至少450％或至少500％。
富集基序从重要肽列表中鉴别出来，除非该列表的长度少于100种肽，在这种情况下，使用基于与Welch's t-检验相关的p值的前500种肽。将该肽列表中的不同n-聚体与总文库中相同大小的n-聚体进行比较，以确定任何n-聚体是否富集。富集倍数通过确定基序(例如ABCD)在列表中出现的次数除以该基序(ABCD)在文库中出现的次数来计算。该值进一步除以基序类型(例如，四聚体)在文库中出现的相对次数(即，列表中所有四聚体的总数除以文库中四聚体的总数)。富集(E)计算可表示为：
E＝(m/M)/(t/T)
其中m为该基序作为识别肽列表的一部分出现的次数；M为该基序在文库中出现的总次数；t为该基序类型在列表中出现的次数；T为该基序在文库中出现的次数。富集倍数也可以报告为富集百分比，即“富集值”乘以100。
在另外其他实施方案中，用本文公开的方法和阵列获得的用于诊断或检测患者的自身免疫疾病的免疫特征结合模式对于包含自身免疫疾病或病症的免疫特征的肽的至少一种氨基酸而言富集至少100％、至少125％、至少150％、至少175％、至少200％、至少225％、至少250％、至少275％、至少300％、至少350％、至少400％、至少450％或至少500％。在优选的实施方案中，该自身免疫病症是SLE。
在另外其他实施方案中，用本文公开的方法和阵列获得的用于诊断或检测患者的SLE的免疫特征结合模式对于包含用于检测或诊断SLE的免疫特征的肽的至少一种氨基酸而言富集至少100％、至少125％、至少150％、至少175％、至少200％、至少225％、至少250％、至少275％、至少300％、至少350％、至少400％、至少450％或至少500％。
在一些实施方案中，用本文公开的方法和阵列获得的用于诊断或检测患者的自身免疫疾病的免疫特征结合模式包含至少1、至少2、至少3、至少4、至少5、至少6个、至少7个、至少8个、至少9个或至少10个肽基序。在一些实施方案中，该基序与肽阵列上的肽至少25％相同、至少30％相同、至少40％相同、至少50％相同、至少60％相同、至少70％相同、至少80％相同、至少90％相同、至少95％相同或至少99％相同。在其他实施方案中，该基序与肽阵列上的肽至少25％相似、至少30％相似、至少40％相似、至少50％相似、至少60％相似、至少70％相似、至少80％相似、至少90％相似、至少95％相似或至少99％相似。在另外其他实施方案中，用于诊断或检测患者的自身免疫疾病的基序是图13A-13G中列出的基序或氨基酸中的至少一种。
治疗和状况
本发明的方法和阵列提供用于检测和诊断自身免疫病症的方法、测定和装置。本文公开的实施方案的方法和阵列可用于，例如，筛选受试者中的免疫病症。受试者可以是人、豚鼠、狗、猫、马、小鼠、兔和各种其他动物。受试者可以是任何年龄，例如，受试者可以是婴儿、幼儿、儿童、青春期前儿童、青少年、成年或老年个体。
受试者的状况可以对应于疾病或健康状况。在一些实施方案中，受试者的状况是健康状况，并且本发明的方法监测该健康状况。在一些实施方案中，受试者的状况是疾病状况，并且本发明的方法用于诊断/监测该状况的状态和/或进展。本发明的方法还可用于预防状况。在一些实施方案中，本发明的方法与预防性处理结合使用。
在一些实施方案中，本发明的方法是诊断或确定受试者是否存在自身免疫病症的方法，该方法包括：a.使肽阵列与来自个体患者或受试者的第一生物样品接触；b.检测第一生物样品中的抗体与所述肽阵列的结合，以获得第一免疫特征谱；c.使肽阵列与来源于患有已知自身免疫病症的个体的对照样品接触；d.检测所述对照样品中的抗体与所述肽阵列的结合，以获得第二免疫特征谱；e.比较第一免疫特征谱与第二免疫特征谱，以确定患者或受试者是否患有自身免疫疾病或病症。
在另外其他实施方案中，本发明的方法是确定受试者中自身免疫病症的疾病状态或进展的方法，该方法包括：a.使肽阵列与来自患有已知自身免疫病症的个体患者或受试者的第一生物样品接触；b.检测第一生物样品中的抗体与所述肽阵列的结合，以获得第一免疫特征谱；c.使肽阵列与来源于患有已知阶段的自身免疫病症的个体的对照样品接触；d.检测所述对照样品中的抗体与所述肽阵列的结合，以获得第二免疫特征谱；e.比较第一免疫特征谱与第二免疫特征谱，以确定患有自身免疫疾病或病症的患者或受试者的疾病阶段或进展。
在一些实施方案中，所述免疫特征可用于增强或改善已知的生物标志物分析。例如，在系统性红斑狼疮(SLE)中，生物标志物可以是抗dsDNA抗体、补体蛋白C3、补体蛋白C4、抗核抗体(ANA)、蛋白尿、面颊疹、CNS表现、关节炎、血细胞减少、盘状红斑、口腔溃疡、肾脏表现、免疫、光敏性、浆膜炎或其组合。在一些情况下，所述免疫特征可以改善生物标志物诊断或分析的灵敏度和特异性。在其他情况下，所述免疫特征可以提高生物标志物诊断或分析的准确性。在另外其他情况下，所述免疫特征可以将使用至少一种生物标志物的测定或诊断试剂盒的测定性能提高至少10％、20％、30％、40％、50％、60％、70％、80％、90％或99％。
本发明的阵列和方法可用于，例如，诊断或检测患者或受试者是否患有自身免疫疾病或病症。可用本发明的阵列和方法诊断、监测、预防和/或治疗的自身免疫疾病或病症的非限制性实例包括：系统性红斑狼疮(SLE)、类风湿性关节炎、舍格伦综合征、多发性硬化、溃疡性结肠炎、银屑病关节炎、硬皮病和/或I型糖尿病。
在一些实施方案中，本发明的方法是诊断或检测自身免疫病症的方法，该方法包括：a)使肽阵列与来自患者或受试者的第一生物样品接触；b)检测第一生物样品中的抗体与肽阵列的结合，以获得第一免疫特征谱；c)使肽阵列与来源于患有已知自身免疫疾病或病症的个体的对照样品接触；d)检测所述对照样品中的抗体与所述肽阵列的结合，以获得第二免疫特征谱；e)比较第一免疫特征谱与第二免疫特征谱，并鉴别与第二免疫特征谱相比，在第一免疫特征谱中结合更少或更多抗体的差异结合的肽；以及f)确定该患者或受试者是否患有自身免疫疾病或病症。
在一些实施方案中，本发明的方法是用于确定自身免疫病症的疾病状态或进展的方法，该方法包括：a)使肽阵列与来自患有自身免疫疾病或病症的患者或受试者的第一生物样品接触；b)检测第一生物样品中的抗体与所述肽阵列的结合，以获得第一免疫特征谱；c)使肽阵列与来源于患有已知阶段或状态的自身免疫疾病或病症的个体的对照样品接触；d)检测所述对照样品中的抗体与所述肽阵列的结合，以获得第二免疫特征谱；e)比较第一免疫特征谱与第二免疫特征谱，并鉴别与第二免疫特征谱相比，在第一免疫特征谱中结合更少或更多抗体的差异结合的肽；以及f)确定该患有自身免疫疾病或病症的患者或受试者的疾病状态或进展。
与免疫系统相关的病症的非限制性实例可包括：自身免疫病症、炎性疾病、HIV、类风湿性关节炎、1型糖尿病、系统性红斑狼疮、硬皮病、多发性硬化、重症联合免疫缺陷(SCID)、DiGeorge综合征、共济失调性毛细血管扩张症(ataxia-telangiectasia)、季节性变态反应、常年性变态反应、食物变态反应、过敏反应(anaphylaxis)、肥大细胞增多症、变应性鼻炎、特应性皮炎、帕金森病、阿尔茨海默病、脾功能亢进、白细胞粘附缺陷、X连锁淋巴增生性疾病、X连锁无丙种球蛋白血症、选择性免疫球蛋白A缺乏、高IgM综合征、自身免疫性淋巴增生综合征、Wiskott-Aldrich综合征、慢性肉芽肿病、常见变异型免疫缺陷(CVID)、超免疫球蛋白E综合征和桥本甲状腺炎(Hashimoto's thyroiditis)。
在优选的实施方案中，所述免疫病症是自身免疫病症。在一些实施方案中，所述自身免疫病症选自I型糖尿病、类风湿性关节炎、多发性硬化、炎性肠病、系统性红斑狼疮、银屑病和硬皮病。
在进一步的实施方案中，本文公开的方法、装置和测定测量本文使用的样品的结合，以产生免疫特征。在一些情况下，测量的结合活性与模拟表位或非表位结合相互作用的结合有关。在一些情况下，模拟表位结合相互作用可具有比同源表位更高的结合亲和力。在其他情况下，模拟表位结合相互作用可具有比同源表位更低的结合亲和力。虽然测量的结合相互作用的相应溶液相结合可能较低，但构建本文使用和公开的微阵列以增强一系列结合相互作用的检测，而这些结合相互作用在基于溶液相的测定中可能未检测到。
因此，在一些情况下，构建与本文提供的方法、装置和测定结合使用的微阵列，以增强本文使用的样品与阵列上的肽之间的结合活性的相互作用和检测。在一些情况下，同一或相同的肽在微阵列的指定特征内以高密度间隔，在一些情况下为约0.1nm至20nm、约0.5nm至15nm、约0.5nm至10nm、间隔约0.5nm至约7nm、间隔约1nm至约6nm、间隔约1nm至约5nm、间隔约1nm至约4nm、间隔约1nm至约3nm、间隔约1nm至约2nm、间隔约1至约1.5nm、约10nm至20nm、约15nm至20nm、约10nm至15nm、约12nm至17nm、约16nm至20nm或约14nm至18nm。在一些情况下，同一或相同的肽在微阵列的指定特征内彼此间隔小于约7nm、小于约6nm、小于约5nm、小于约4nm、小于约3nm、小于约2nm或小于约1nm。在其他情况下，同一或相同的肽在微阵列的指定特征内间隔大于约5nm、大于约6nm、大于约7nm、大于约8nm、大于约9nm、大于约10nm、大于约11nm、大于约12nm、大于约13nm、大于约14nm、大于约15nm、大于约16nm、大于约17nm、大于约18nm、大于约19nm、大于约20nm。在另外其他情况下，同一或相同的肽在微阵列上的指定特征内间隔约1nm、约2nm、约3nm、约4nm、约5nm、约6nm、约7nm、约8nm、约9nm、约10nm、约11nm、约12nm、约13nm、约14nm、约15nm、约16nm、约17nm、约18nm、约19nm或约20nm。
在一些实施方案中，本文使用的微阵列上的肽在阵列的表面上原位合成，或沉积并结合到阵列的表面上。在一些情况下，以任何方式使用少于20种不同的氨基酸合成所述肽。在其他情况下，在肽的合成过程中至少排除氨基酸甲硫氨酸、半胱氨酸、异亮氨酸和苏氨酸。
本发明可提供一种预防状况的方法，该方法包括：a)提供来自受试者的复杂生物样品；b)使所述复杂生物样品与肽阵列接触，其中所述肽阵列包含能够结合复杂生物样品中的至少一种抗体的不同肽；c)测量所述复杂生物样品与多个不同肽的结合以形成免疫特征；d)将所述免疫特征与状况相关联；以及e)接受针对所述状况的处理。在一些实施方案中，本发明的方法可与预防性处理结合使用。
在一些实施方案中，所述患者或受试者患有例如病原体的感染。病原体可以是病原性病毒或病原性细菌。病原性病毒和/或病原性细菌的感染可引起状况，例如，炎症。病原性细菌的非限制性实例可见于：a)博德特氏菌属(Bordetella genus)，如百日咳博德特氏菌(Bordetella pertussis)种；b)疏螺旋体属(Borrelia genus)，如布氏疏螺旋体(Borrelia burgdorferi)种；c)布鲁氏菌属(Brucelia genus)，如流产布鲁氏菌(Brucellaabortus)、狗布鲁氏菌(Brucella canis)、羊布鲁氏菌(Brucela meliterisis)和/或猪布鲁氏菌(Brucella suis)种；d)弯曲杆菌属(Campylobacter genus)，如空肠弯曲杆菌(Campylobacter jejuni)种；e)衣原体和嗜衣原体属(Chlamydia and Chlamydophilagenus)，如肺炎衣原体(Chlamydia pneumonia)、沙眼衣原体(Chlamydia trachomatis)和/或鹦鹉热嗜衣原体(Chlamydophila psittaci)种；f)梭菌属(Clostridium genus)，如肉毒梭菌(Clostridium botulinum)、艰难梭菌(Clostridium difficile)、产气荚膜梭菌(Clostridium perfringens)、破伤风梭菌(Clostridium tetani)种；g)棒状杆菌属(Corynebacterium genus)，如白喉棒状杆菌(Corynebacterium diphtheria)种；h)肠球菌属(Enterococcus genus)，如粪肠球菌(Enterococcus faecalis)和/或屎肠球菌(Enterococcus faecium)种；i)埃希氏菌属(Escherichia genus)，如大肠杆菌(Escherichia coli)种；j)弗朗西丝氏菌属(Francisella genus)，如土拉热弗朗西丝氏菌(Francisella tularensis)种；k)嗜血杆菌属(Haemophilus genus)，如流感嗜血杆菌(Haemophilus influenza)种；l)螺杆菌属(Helicobacter genus)，如幽门螺杆菌(Helicobacter pylori)种；m)军团菌属(Legionella genus)，如嗜肺军团菌(Legionellapneumophila)种；n)钩端螺旋体属(Leptospira genus)，如问号钩端螺旋体(Leptospirainterrogans)种；o)利斯特氏菌属(Listeria genus)，单核细胞增生利斯特氏菌(Listeriamonocytogenes)种；p)分枝杆菌属(Mycobacterium genus)，如麻风分枝杆菌(Mycobacterium leprae)、结核分支杆菌(mycobacterium tuberculosis)和/或溃疡分枝杆菌(mycobacterium ulcerans)种；q)支原体属(Mycoplasma genus)，如肺炎支原体(Mycoplasma pneumonia)种；r)奈瑟氏球菌属(Neisseria genus)，如淋病奈瑟氏球菌(Neisseria gonorrhoeae)和/或脑膜炎奈瑟氏球菌(Neisseria meningitidia)种；s)假单胞菌属(Pseudomonas genus)，如绿脓假单胞菌(Pseudomonas aeruginosa)种；t)立克次氏体属(Rickettsia genus)，如立氏立克次氏体(Rickettsia rickettsii)种；u)沙门氏菌属(Salmonella genus)，如伤寒沙门氏菌(Salmonella typhi)和/或鼠伤寒沙门氏菌(Salmonella typhimurium)种；v)志贺氏菌属(Shigella genus)，如索氏志贺氏菌(Shigella sonnei)种；w)葡萄球菌属(Staphylococcus genus)，如金黄色葡萄球菌(Staphylococcus aureus)、表皮葡萄球菌(Staphylococcus epidermidis)和/或腐生葡萄球菌(Staphylococcus saprophyticus)种；x)链球菌属(Streptpcoccus genus)，如无乳链球菌(Streptococcus agalactiae)、肺炎链球菌(Streptococcus pneumonia)和/或酿脓链球菌(Streptococcus pyogenes)种；y)密螺旋体属(Treponema genus)，如苍白密螺旋体(Treponema pallidum)种；z)弧菌属(Vibrio genus)，如霍乱弧菌(Vibrio cholera)；和/或aa)耶尔森氏菌属(Yersinia genus)，如鼠疫耶尔森氏菌(Yersinia pestis)种。
病毒的非限制性实例可见于以下病毒科，并用示例性种来说明：a)腺病毒科(Adenoviridae)，如腺病毒种；b)疱疹病毒科(Herpesviridae)，如1型单纯疱疹、2型单纯疱疹、水痘-带状疱疹病毒、EB病毒(Epstein-barr virus)、人巨细胞病毒、8型人疱疹病毒种；c)乳头瘤病毒科(Papillomaviridae)，如人乳头瘤病毒种；d)多瘤病毒科(Polyomaviridae)，如BK病毒、JC病毒种；e)痘病毒科(Poxviridae)，如天花种；f)肝脱氧核糖核酸病毒科(Hepadnaviridae)，如乙型肝炎病毒种；g)细小病毒科(Parvoviridae)，如人博卡病毒、细小病毒B19种；h)星形病毒科(Astroviridae)，如人星形病毒种；i)嵌杯样病毒科(Caliciviridae)，如诺沃克病毒(Norwalk virus)种；j)黄病毒科(Flaviviridae)，如丙型肝炎病毒、黄热病病毒、登革热病毒、西尼罗病毒种；k)披膜病毒科(Togaviridae)，如风疹病毒种；l)戊型肝炎病毒科(Hepeviridae)，如戊型肝炎病毒种；m)逆转录病毒科(Retroviridae)，如人免疫缺陷病毒(HIV)种；n)正粘病毒科(Orthomyxoviridaw)，如流感病毒种；o)砂粒样病毒科(Arenaviridae)，如瓜纳里托病毒(Guanarito virus)、呼宁病毒(Junin virus)、拉沙病毒(Lassa virus)、马秋博病毒(Machupo virus)和/或萨比亚病毒(Sabiávirus)种；p)本扬病毒科(Bunyaviridae)，如克里米亚-刚果出血热病毒(Crimean-Congo hemorrhagic fever virus)种；q)纤丝病毒科(Filoviridae)，如埃博拉病毒和/或马尔堡病毒(Marburg virus)种；副粘病毒科(Paramyxoviridae)，如麻疹病毒、腮腺炎病毒、副流感病毒、呼吸道合胞体病毒、人偏肺病毒、亨德拉病毒(Hendra virus)和/或尼帕病毒(Nipah virus)种；r)弹状病毒科(Rhabdoviridae)属，如狂犬病病毒种；s)呼肠孤病毒科(Reoviridae)，如轮状病毒、环状病毒、科罗拉多壁虱热病毒(Coltivirus)和/或版纳病毒(Banna virus)种。在一些实施方案中，未指定病毒的病毒科，如丁型肝炎。
在一些实施方案中，本发明提供了一种提供治疗的方法，该方法包括：a)接收来自受试者的复杂生物样品；b)使所述复杂生物样品与肽阵列接触，其中所述肽阵列包含能够结合所述生物样品中的至少一种抗体的不同肽；c)测定所述抗体与多个不同肽的结合以形成免疫特征；d)将所述免疫特征与状况相关联；以及e)提供针对所述状况的治疗。
在一些实施方案中，本发明可提供一种诊断或检测自身免疫病症的方法，该方法包括：a)接收来自受试者的复杂生物样品；b)使所述复杂生物样品与肽阵列接触，其中所述肽阵列包含能够结合所述生物样品中的至少一种抗体的不同肽；c)测定所述抗体与所述肽阵列中的一组不同肽的结合以形成免疫特征；以及d)基于所述免疫特征检测或诊断自身免疫状况。
在一些实施方案中，本发明的方法可用作诊断、监测和治疗状况的方法。治疗状况的方法可能需要开出以治疗受试者的状况或疾病为目标的治疗剂的处方。在一些实施方案中，可以以下述剂量范围开出治疗剂：约1mg至约2000mg；约5mg至约1000mg、约10mg至约500mg、约50mg至约250mg、约100mg至约200mg、约1mg至约50mg、约50mg至约100mg、约100mg至约150mg、约150mg至约200mg、约200mg至约250mg、约250mg至约300mg、约300mg至约350mg、约350mg至约400mg、约400mg至约450mg、约450mg至约500mg、约500mg至约550mg、约550mg至约600mg、约600mg至约650mg、约650mg至约700mg、约700mg至约750mg、约750mg至约800mg、约800mg至约850mg、约850mg至约900mg、约900mg至约950mg或约950mg至约1000mg。使用者还可以根据例如疾病的严重程度、受试者的身体参数(体重、身高和其他特征)以及所开出治疗剂的给药频率来调节治疗剂的剂量要求。
在一些实施方案中，开出至少1mg、至少5mg、至少15mg、至少15mg、至少20mg、至少25mg、至少30mg、至少35mg、至少40mg、至少45mg、至少50mg、至少55mg、至少60mg、至少65mg、至少70mg、至少80mg、至少85mg、至少90mg、至少100mg、至少150mg、至少200mg、至少250mg、至少300mg、至少350mg、至少400mg、至少450mg、至少500mg、至少550mg、至少600mg、至少650mg、至少700mg、至少750mg、至少800mg、至少850mg、至少900mg、至少950mg或至少1000mg的治疗剂。
使用者可以使用本发明的阵列和方法来确定受试者或患者的健康状态或状况。许多使用者可使用本发明的方法来鉴定和/或提供状况的治疗。使用者可以是，例如，希望监测其自身健康的人。使用者可以是，例如，卫生保健提供者。卫生保健提供者可以是，例如，医师。在一些实施方案中，使用者是照顾受试者的卫生保健提供者。可以是本发明的使用者的医师和卫生保健提供者的非限制性实例可包括麻醉师、减肥手术专业人员、血库输血医学专业人员、心脏电生理学医生、心脏外科医生、心脏病科医生、注册护理助理、临床心脏电生理学专业人员、临床神经生理学专业人员、临床护理专业人员、结直肠外科医生、重症护理医学专业人员、重症护理外科手术专业人员、牙科保健员、牙科医生、皮肤科医师、急诊医疗技师、急诊医学医师、胃肠外科医生、血液病医生、临终关怀和姑息医学专业人员、顺势疗法专业人员、传染病专业人员、内科医生、颌面外科医生、医务助理、体检医生(medicalexaminer)、医学遗传学家、医疗肿瘤学家、助产师、新生儿-围产期专业人员、肾病医生、神经科医生、神经外科医生、核医学专业人员、护士、开业护士、产科医师、肿瘤科医生、口腔外科医生、口腔正畸医师、整形外科专业人员、疼痛控制专业人员、病理学医师、儿科医师、灌注师、牙周病医师、整形外科医生、足病医生、直肠科医生、假肢专业人员、精神科医生、肺脏科医生、放射科医生(radiologist)、外科医生、胸科专业人员、移植专业人员、血管专业人员、血管外科医生和兽医。利用本发明的阵列和方法确定的诊断可并入受试者的病历中。获得的免疫特征随后可用于鉴定治疗靶标并针对根据本文公开的方法和装置鉴定的自身免疫病症开发对于个体的治疗。
因此，本文公开的方法、系统和阵列装置能够筛选、鉴定治疗靶标，鉴定疫苗靶标，和/或在疾病和/或状况的早期阶段治疗该疾病和/或状况。例如，本文公开的方法、系统和阵列装置能够在传统的基于生物标志物的测定之前数天或数周检测、诊断和监测疾病和/或状况。此外，仅需要一个阵列，即一个免疫特征测定，即可检测、诊断和监测疾病和状况(包括炎性状况、癌症和病原性感染)的副谱(side spectra)。
分类算法
多种算法和分类器可用于对在免疫特征分析阵列中获得的数据进行分类和/或分析。朴素贝叶斯(Bayes)算法由于其基本的数学性质而可以适应在多层免疫特征分析微阵列数据中隐藏的复杂模式。一种基本的分类算法——线性判别分析(LDA)——广泛用于分析生物医学数据，以便对两种或更多种疾病类别进行分类。例如，LDA可以是分类算法。一种更复杂的分类方法——支持向量机(SVM)，使用数学内核通过超平面分离类别，将原始预测子投影到更高维空间。一些常见的内核包括线性、多项式、S型或径向基函数。(Kukreja等人,BMC Bioinformatics.2012；13:139)中描述了对本领域中描述的常用分类器的比较研究。
阵列平台
在一些实施方案中，本文公开了提供允许增加化学文库合成的多样性和保真度的阵列平台的方法和过程，阵列平台包含阵列表面上的多个单独特征。每个特征通常包含在阵列表面上原位合成的多个单独分子，其中分子在特征内是相同的，但是分子的序列或同一性在特征之间不同。阵列分子包括但不限于核酸(包括DNA、RNA、核苷、核苷酸、结构类似物或其组合)、肽、肽-模拟物及其组合等，其中阵列分子可包含分子中天然或非天然单体。这样的阵列分子包括大合成肽阵列的合成。在一些实施方案中，阵列中的分子为模拟表位，一种模拟表位结构并能够结合表位引发的抗体的分子。在一些实施方案中，阵列中的分子为互补位或互补位模拟物，其包含与抗原表位结合的抗体(或T细胞受体)的可变区中的位点。在一些实施方案中，本发明的阵列为包含随机、伪随机或最大多样化肽序列的肽阵列。
本文公开的技术包括光刻阵列合成平台，该光刻阵列合成平台合并半导体制造过程和组合化学合成以在硅晶片上产生基于阵列的文库。通过利用光刻特征图案化的巨大进步，该阵列合成平台具有高度可扩展性，并且能够在8英寸晶片上产生具有4000万个特征的组合化学文库。使用半导体晶片生产设备在10,000级洁净室中进行光刻阵列合成，以实现高再现性。当将晶片切割成标准显微镜载玻片尺寸时，每个载玻片含有超过300万个不同的化学实体。
在一些实施方案中，具有通过本文公开的光刻技术产生的化学文库的阵列用于基于免疫的诊断测定，例如称为免疫特征测定。使用来自与阵列结合的一滴血液的患者抗体库，结合阵列的荧光结合剖面图像提供了足够的信息来对疾病与健康进行分类。
在一些实施方案中，正在开发用于临床应用的免疫特征测定以诊断/监测自身免疫疾病并评估对自身免疫治疗的应答。免疫特征测定的示例性实施方案详细描述于题为“Compound Arrays for Sample Profiling”的美国预授权公开号2012/0190574和题为“Immunosignaturing:A Path to Early Diagnosis and Health Monitoring”的美国预授权公开号2014/0087963”中，对于这样的公开内容，这两篇申请都通过引用并入本文。本文开发的阵列使用包括椭圆偏光法、质谱分析法和荧光的正交分析方法在每个合成阵列内结合分析测量能力。这些测量能够对阵列合成性能进行纵向定性和定量评估。
在一些实施方案中，检测肽阵列上的抗体结合提出了一些可通过本文公开的技术解决的挑战。因此，在一些实施方案中，本文公开的阵列和方法利用阵列表面上的特定涂层和官能团密度，其可调节进行免疫特征测定所必需的所需性质。例如，通过用适度亲水的单层聚乙二醇(PEG)、聚乙烯醇、羧甲基葡聚糖及其组合涂覆硅表面，可以使肽阵列上的非特异性抗体结合最小化。在一些实施方案中，所述亲水单层是均匀的。其次，使用使肽远离表面移动的间隔物将合成的肽与硅表面连接，使得肽以无阻碍的方向呈递给抗体。
检测器装置
在一些实施方案中，本文公开的系统、平台和方法包括用于检测本文公开的阵列形式上的结合(包括本文公开的肽阵列上的抗体结合)的检测器装置。在一些实施方案中，与光学检测方法(ccd、pmt、其他光学检测器、光学滤光器和其他光学检测装置)结合使用，抗体结合的检测通过光学检测实时地或以定时间隔来报告。在某些情况下，通过将光学检测转换为AFU(任意荧光单位)或通过阻抗测量或其他电化学传感将其转化为电信号，报告最终结合活性的定量。在其他情况下，通过光或电磁能量的发射或吸收来检测抗体结合，无论是在可见范围内，还是从应用于肽装置的探针上的光学可检测标记来检测。光学可检测的标记包括但不限于荧光、化学发光、电化学发光、发光、磷光、荧光偏振和电荷标记。在一些情况下，荧光标记的探针仅在特定靶标或抗体的存在下有活性，使得来自样品的荧光响应表示靶标或抗体的存在。
在一些情况下，利用光传递方案来提供抗体结合的光学激发和/或发射和/或检测。在某些实施方案中，这包括使用流动池材料(热聚合物，如丙烯酸(PMMA)环烯烃聚合物(COP)、环烯烃共聚物(COC)等)作为光波导，以消除使用外部组件的需要。此外，在一些情况下，光源-发光二极管-LED、垂直腔表面发射激光器-VCSEL和其他照明方案直接集成在匣盒或检测装置内，或直接构建在肽阵列表面上，以具有内部控制且供电的光源。PMT、CCD或CMOS检测器也可以内置在检测装置或匣盒中。
数字处理设备
在一些实施方案中，本文所述的系统、平台、软件、网络和方法包括数字处理设备或其使用。在进一步的实施方案中，数字处理设备包括一个或多个硬件中央处理单元(CPU)，即执行设备功能的处理器。在更进一步的实施方案中，数字处理设备进一步包含被配置为进行可执行指令的操作系统。在一些实施方案中，数字处理设备任选地连接计算机网络。在进一步的实施方案中，数字处理设备任选地连接到因特网，使得其访问万维网。在更进一步的实施方案中，数字处理设备任选地连接到云计算基础设施。在其他实施方案中，数字处理设备任选地连接到内联网。在其他实施方案中，数字处理设备任选地连接到数据存储设备。
根据本文的描述，作为非限制性实例，合适的数字处理设备包括服务器计算机、台式计算机、膝上型计算机、笔记本计算机、次笔记型计算机、上网本计算机、记事本计算机、机顶计算机、手持式计算机、互联网设备、移动智能电话、平板计算机、个人数字助理、视频游戏控制台和媒介物。本领域技术人员将认识到，许多智能电话适用于本文所述的系统。本领域技术人员还将认识到，具有可选计算机网络连接的选择电视、视频播放器和数字音乐播放器适用于本文所述的系统。合适的平板计算机包括具有本领域技术人员已知的小册子、平板和可转换配置的平板计算机。
在一些实施方案中，数字处理设备包括被配置为执行可执行指令的操作系统。操作系统为例如包含程序和数据的软件，该软件管理设备的硬件并为应用程序的执行提供服务。本领域技术人员将认识到，作为非限制性实例，合适的服务器操作系统包括FreeBSD、OpenBSD、Linux、Mac OS X Windows和本领域技术人员将认识到，作为非限制性实例，合适的个人计算机操作系统包括 Mac OS和类似UNIX的操作系统如在一些实施方案中，操作系统由云计算提供。本领域技术人员还将认识到，作为非限制性实例，合适的移动智能电话操作系统包括 OS、Research InBlackBerry WindowsOS、WindowsOS、和
在一些实施方案中，数字处理设备包括存储和/或存储器设备。该存储设备和/或存储器设备是用于临时或永久地存储数据或程序的一个或多个物理设备。在一些实施方案中，该设备是易失性存储器且需要电力来维护存储的信息。在一些实施方案中，该设备是非易失性存储器，并且在数字处理设备未通电时保留存储的信息。在进一步的实施方案中，非易失性存储器包含闪速存储器。在一些实施方案中，非易失性存储器包含动态随机存取存储器(DRAM)。在一些实施方案中，非易失性存储器包含铁电随机存取存储器(FRAM)。在一些实施方案中，非易失性存储器包含相变随机存取存储器(PRAM)。在其他实施方案中，该设备是存储设备，作为非限制性实例，该存储设备包括CD-ROM、DVD、闪速存储器设备、磁盘驱动器、磁带驱动器、光盘驱动器和基于云计算的存储器。在进一步的实施方案中，存储和/或存储器设备是诸如本文公开的那些设备的组合。
在一些实施方案中，数字处理设备包括用于向用户发送视觉信息的显示器。在一些实施方案中，显示器是阴极射线管(CRT)。在一些实施方案中，显示器是液晶显示器(LCD)。在进一步的实施方案中，显示器是薄膜晶体管液晶显示器(TFT-LCD)。在一些实施方案中，显示器是有机发光二极管(OLED)显示器。在各种其他实施方案中，在OLED显示器上是无源矩阵OLED(PMOLED)或有源矩阵OLED(AMOLED)显示器。在一些实施方案中，显示器是等离子显示器。在其他实施方案中，显示器是视频投影仪。在更进一步的实施方案中，显示器是诸如本文公开的那些设备的组合。
在一些实施方案中，数字处理设备包括用于从用户接收信息的输入设备。在一些实施方案中，输入设备是键盘。在一些实施方案中，输入设备是指向设备，作为非限制性实例，该指示设备包括鼠标、跟踪球、跟踪板、操纵杆、游戏控制器或触笔。在一些实施方案中，输入设备是触摸屏或多点触摸屏。在其他实施方案中，输入设备是用于捕获语音或其他声音输入的麦克风。在其他实施方案中，输入设备是用于捕获运动或视觉输入的摄像机。在更进一步的实施方案中，输入设备是诸如本文公开的那些设备的组合。
在一些实施方案中，数字处理设备包括数码相机。在一些实施方案中，数码相机捕捉数字图像。在一些实施方案中，数码相机是自动对焦相机。在一些实施方案中，数码相机是电荷耦合器件(CCD)相机。在进一步的实施方案中，数码相机是CCD摄像机。在其他实施方案中，数码相机是互补金属氧化物半导体(CMOS)相机。在一些实施方案中，数码相机捕捉静止图像。在其他实施方案中，数码相机捕捉视频图像。在各种实施方案中，合适的数码相机包括100万、200万、300万、400万、500万、600万、700万、800万、900万、1000万、1100万、1200万、1300万、1400万、1500万、1600万、1700万、1800万、1900万、2000万、2100万、2200万、2300万、2400万、2500万、2600万、2700万、2800万、2900万、3000万像素和更高像素的相机，包括其中的增量。在一些实施方案中，数码相机是标准清晰度相机。在其他实施方案中，数码相机是HD摄像机。在进一步的实施方案中，HD摄像机捕获具有至少约1280x约720像素或至少约1920x约1080像素的图像。在一些实施方案中，数码相机捕获彩色数字图像。在其他实施方案中，数码相机捕获灰度数字图像。在各种实施方案中，数字图像以任何合适的数字图像格式存储。作为非限制性实例，合适的数字图像格式包括联合图像专家组(JPEG)、JPEG2000、可交换图像文件格式(Exif)、标记图像文件格式(TIFF)、RAW、便携式网络图形(PNG)、图形交换格式(GIF)、位图(BMP)、便携式像素图(PPM)、便携式灰度图(PGM)、便携式位图文件格式(PBM)和WebP。在各种实施方案中，数字图像以任何合适的数字视频格式存储。作为非限制性实例，合适的数字视频格式包括AVI、MPEG、MP4、WindowsDivXTM、Flash Video、Ogg Theora、WebM和RealMedia。
非暂时性计算机可读存储介质
在一些实施方案中，本文公开的系统、平台、软件、网络和方法包括用程序编码的一个或多个非暂时性计算机可读存储介质，该程序包括可由任选的联网的数字处理设备的操作系统执行的指令。在进一步的实施方案中，计算机可读存储介质是数字处理设备的有形组件。在更进一步的实施方案中，计算机可读存储介质任选地可从数字处理设备移除。在一些实施方案中，作为非限制性实例，计算机可读存储介质包括CD-ROM、DVD、闪速存储器设备、固态存储器、磁盘驱动器、磁带驱动器、光盘驱动器、云计算系统和服务器等。在一些情况下，所述程序和指令在介质上永久地、基本上永久地、半永久地或非暂时地编码。
计算机程序
在一些实施方案中，本文公开的系统、平台、软件、网络和方法包括至少一个计算机程序。计算机程序包括可在数字处理设备的CPU中执行的指令序列，该指令序列被编写以进行指定的任务。鉴于本文提供的公开内容，本领域技术人员将认识到，计算机程序可用各种语言的各种版本来编写。在一些实施方案中，计算机程序包含一个指令序列。在一些实施方案中，计算机程序包含多个指令序列。在一些实施方案中，从一个位置提供计算机程序。在其他实施方案中，从多个位置提供计算机程序。在各个实施方案中，计算机程序包括一个或多个软件模块。在各种实施方案中，计算机程序部分或全部包括一个或多个web应用程序、一个或多个移动应用程序、一个或多个独立应用程序、一个或多个web浏览器插件、扩展、加载项或附加项或其组合。
Web应用程序
在一些实施方案中，计算机程序包括web应用程序。鉴于本文提供的公开内容，本领域技术人员将认识到，在各种实施方案中，web应用程序利用一个或多个软件框架和一个或多个数据库系统。在一些实施方案中，基于诸如.NET或Ruby on Rails(RoR)的软件框架创建web应用程序。在一些实施方案中，web应用程序利用一个或多个数据库系统，作为非限制性实例，该数据库系统包括关系数据库系统、非关系数据库系统、面向对象的数据库系统、关联数据库系统和XML数据库系统。在进一步的实施方案中，作为非限制性实例，合适的关系数据库系统包括SQL服务器、mySQLTM和本领域技术人员还将认识到，在各种实施方案中，web应用程序以一种或多种语言的一个或多个版本编写。Web应用程序可以用一种或多种标记语言、表示定义语言、客户端脚本语言、服务器端编码语言、数据库查询语言或其组合来编写。在一些实施方案中，web应用程序在某种程度上以诸如超文本标记语言(HTML)、可扩展超文本标记语言(XHTML)或可扩展标记语言(XML)的标记语言编写。在一些实施方案中，web应用程序在某种程度上以诸如级联样式表(CSS)的表示定义语言编写。在一些实施方案中，web应用程序在某种程度上以诸如异步Javascript和XML(AJAX)、动作脚本、Javascript或的客户端脚本语言编写。在一些实施方案中，web应用程序在某种程度上以诸如Active Server Pages(ASP)、Perl、JavaTM、JavaServer Pages(JSP)、超文本预处理器(PHP)、PythonTM、Ruby、Tcl、Smalltalk、或Groovy的服务器端编码语言编写。在一些实施方案中，web应用程序在某种程度上以诸如结构化查询语言(SQL)的数据库查询语言编写。在一些实施方案中，web应用程序集成了诸如Lotus的企业服务器产品。在一些实施方案中，用于为艺术家提供允许艺术家上传信息和媒体文件的职业发展网络的网络应用程序包括媒体播放器元件。在各种进一步的实施方案中，媒体播放器元件利用许多合适的多媒体技术中的一种或多种，作为非限制性实例，该多媒体技术包括HTML 5、JavaTM和
移动应用程序
在一些实施方案中，计算机程序包括提供给移动数字处理设备的移动应用程序。在一些实施方案中，移动应用程序在其制造时被提供给移动数字处理设备。在其他实施方案中，经由本文所述的计算机网络将移动应用程序提供给移动数字处理设备。
鉴于本文提供的公开内容，使用本领域已知的硬件、语言和开发环境，通过本领域技术人员已知的技术创建移动应用程序。本领域技术人员将认识到，移动应用程序是用几种语言来编写的。作为非限制性实例，合适的编程语言包括C、C++、C#、Objective-C、JavaTM、Javascript、Pascal、Object Pascal、PythonTM、Ruby、VB.NET、WML和具有或不具有CSS的XHTML/HTML或其组合。
合适的移动应用程序开发环境可从多个来源获得。作为非限制性实例，商业上可用的开发环境包括AirplaySDK、alcheMo、Celsius、Bedrock、FlashLite、.NET Compact Framework、Rhomobile和WorkLight移动平台。其他开发环境可免费获得，作为非限制性实例，该其他开发环境包括Lazarus、MobiFlex、MoSync和Phonegap。此外，移动设备制造商分发软件开发者工具包，作为非限制性实例，该软件开发者工具包包括iPhone和iPad(iOS)SDK、AndroidTMSDK、SDK、BREW SDK、OS SDK、Symbian SDK、webOS SDK和Mobile SDK。
本领域技术人员将认识到，多个商业论坛可用于分发移动应用程序，作为非限制性实例，该商业论坛包括App Store、AndroidTMMarket、AppWorld、用于Palm设备的App Store、App Catalog for webOS、Marketplacefor Mobile、用于设备的Ovi Store、Apps和DSi Shop。
独立应用程序
在一些实施方案中，计算机程序包括独立应用程序，该独立应用程序是作为独立计算机进程运行的程序，而不是现有进程的附加项(例如，不是插件)。本领域技术人员将认识到经常编译独立应用程序。编译器是将用编程语言编写的源代码转换为二进制目标代码如汇编语言或机器代码的计算机程序。作为非限制性实例，合适的编译编程语言包括C、C++、Objective-C、COBOL、Delphi、Eiffel、JavaTM、Lisp、PythonTM、Visual Basic和VB.NET或其组合。通常至少部分地执行编译以创建可执行程序。在一些实施方案中，计算机程序包括一个或多个可执行编译的应用程序。
软件模块
在各个实施方案中，本文公开的系统、平台、软件、网络和方法包括软件、服务器和数据库模块。鉴于本文提供的公开内容，使用本领域已知的机器、软件和语言，通过本领域技术人员已知的技术创建软件模块。本文公开的软件模块以多种方式实现。在各种实施方案中，软件模块包含文件、代码段、编程对象、编程结构或其组合。在进一步的各种实施方案中，软件模块包含多个文件、多个代码段、多个编程对象、多个编程结构或其组合。在各种实施方案中，作为非限制性实例，一个或多个软件模块包含web应用程序、移动应用程序和独立应用程序。在一些实施方案中，软件模块在一个计算机程序或应用程序中。在其他实施方案中，软件模块在多于一个计算机程序或应用程序中。在一些实施方案中，软件模块托管在一台机器上。在其他实施方案中，软件模块托管在多于一台机器上。在进一步的实施方案中，软件模块托管在云计算平台上。在一些实施方案中，软件模块托管在一个位置中的一个或多个机器上。在其他实施方案中，软件模块托管在多于一个位置中的一个或多个机器上。
实施例
实施例1-SLE患者样品的检测
背景/方法：本研究设计包括来自183名患者的356个样品，这些患者在诊断时符合SLE的ACR标准。选择样品以涵盖与收集的样品相关的多种SLEDAI评分，其范围为缓解(SLEDAI评分＝0)、轻度(SLEDAI评分＝1-4)、中度(SLEDAI评分＝5-10)和重度(SLEDAI得分大于11)。
根据美国风湿病学会(ACR)制定的标准筛查患者，以诊断和鉴别SLE患者。该研究中90％的受试者为女性，年龄范围为1至69岁(中值为39岁)，52％的受试者为西班牙裔，31％为非裔美国人，12％为非裔加勒比海人，5％为其他或混合血统。
收集患者样品长达10个时间点，每位患者的抽血次数范围为1至10次抽血。抽血之间测量中值为6个月(范围为1周至4年)。将样品在含有126,000个独特肽的肽阵列上孵育，洗涤，与第二抗体孵育，以显现阵列上的肽：抗体相互作用，再次洗涤，并成像。
如下处理数据：测量每个数据点的强度，然后对其进行对数转换，并通过减去其中值强度进行归一化。通过t检验鉴别与活动性疾病相关的肽；通过Pearson相关性鉴别与SLEDAI评分相关的肽。使用支持向量机(SVM)分类器训练和区分缓解和每个样品中SLE活动水平的增加。参见Cortes,C.；Vapnik,V.(1995)."Support-vector networks".MachineLearning.20(3):273–297。SVM找到分离肽类别的最佳超平面，本情况基于免疫特征肽(immunosignature peptide)信号。在“特征空间”中，每种肽的信号是表征每个样品的维度。“支持向量”是定义类别间边界的训练样本，即那些最难分类的数据点。
也使用SLEDAI的回归模型，并使用弹性网特征选择(参见，例如，Zou,Hui；Hastie,Trevor(2005)."Regularization and Variable Selection via the Elastic Net".Journal of the Royal Statistical Society,Series B:301–320；Hastie,Tibshiraniand Friedman,The Elements of Statistical Learning,第2版(2008))程序进行训练，以限制模型复杂性。弹性网方法应用岭回归和LASSO罚分，其中相关的特征往往成组删除。简而言之，岭回归限制了系数的和，以减少过拟合，同时减小系数的大小，但不消除特征。LASSO方法增加了导致特征选择的二次项，但是当特征相关时，特征选择是不稳定的。使用5折交叉验证校正过度拟合。参见图3；另见Frank.E Harrell,Jr.,Regression ModellingStrategies,Springer Science+Business Media Inc.(2001)。
结果：图4示出了区分活动性SLE与非活动性(缓解)SLE患者的肽的火山图。x轴是针对平均活动性疾病(平均值(活动性))与平均非活动性疾病(平均值(非活性))之比得到的p值(Welch t-检验)。此外，用免疫特征肽阵列(IMS)获得的区别肽对针对抗dsDNA、UPCR(尿蛋白/肌酐比值)和C3蛋白生物标志物测量的灵敏度和特异性表现作图。图5显示与生物标志物ds-DNA、C3和蛋白尿相比，疾病活动性的免疫特征(IS)模型的受试者工作特征曲线，其用于鉴别患有活动性疾病的患者(SLEDAI>0)。灰色区域表示IS模型的95％置信区间，使用5折交叉验证进行评估。对极端评分(SLEDAI>8对0)的训练改善了区分，并且在应用于极端对比时表现更好。例如，SLEDAI>15对0的分类器的AUC为0.90(95％CI 0.88-0.92)。初步分析表明，通过IS可将样品分成低、中、高疾病活动性。还确定了线性IS模型(r2＝0.23)、C3(r2＝0.17)和抗dsDNA(r2＝0.13)与SLEDAI的相关性。
图6示出了所述测定中与SLEDAI结果相关的前702种肽。首先根据SLEDAI检验评分对患者进行分组，然后根据鉴别的肽进行群集。还鉴定了前面的每种相关肽的氨基酸组成。使用前面的肽搜索人类蛋白质组数据库，以确定与已知人蛋白质比对的肽。参见图7。首先获得总重叠评分，以将区别肽的分布映射到蛋白质组。进一步分析前20个重叠评分，发现其对应于参与炎症的已知蛋白质，包括HTN(1,3)、PROK2和CCL28，以及钙信号传导(例如，NRGN和S100Z)、核糖体蛋白(RPL39(L))以及与DNA和染色质调节相关的蛋白质，包括组蛋白2B(FM、FWT)、VCX(1、2、3A)、TNP1、PRR13和TP53TC3。此外，还发现了与包括CCER1、LCE1A和C1orf115在内的未表征的蛋白质的比对。还显示了示例性肽与NRGN的比对，具有与所得区别肽共同的特征。
图8显示了活动性与非活动性SLE的一系列SVM分类器。该图表明，SLE的较高活动性易于与缓解期的SLE受试者区分开。
结果还表明免疫特征模型可以与SLEDAI评分相关，与标准生物标志物一样好或更好的相关。此外，
图9显示交叉验证的模型预测。确定免疫特征分类、补体和抗dsDNA、C3、C4和UPCR生物标志物与SLEDAI评分的相关性。该数据表明免疫特征模型(IMS模型)相对于若干生物标志物(包括抗DNA、C3、C4和UPCR生物标志物)的准确性。图10中的纵向结果表明，与包括C3、抗DNA和UPCR在内的其他生物标志物的变化相比，免疫特征模型(ISM模型)中的抗体结合与SLEDAI的变化更为密切相关。
图11进一步表明免疫特征对生物标志物预测能力的改善，反之亦然。医生访视之间的生物标志物变化通常用于监测患者的疾病活动性。使用连续抽血之间肽强度的变化和/或抗dsDNA、UPCR和C3生物标志物的变化(n＝167)拟合SLEDAI评分变化的弹性网模型。虽然如上所述，免疫特征中所见的抗体结合的变化(参见图11，中间图)提供了比单独或组合(即，抗dsDNA+UPCR+C3(图11，左图))的生物标志物变化更好的SLEDAI状态变化的替代物，但是与生物标志物变化组合时，免疫特征测定也受益于提高的可预测性。参见图11，右图。
图12进一步表明与缓解相比，随着SLEDAI评分的增加而增加的免疫应答的差异。在该研究中，使用经训练的支持向量机(SVM)分类器区分活动性疾病和非活动性疾病。一系列模型用增加SLEDAI阈值定义的“活动性”进行训练。这仅与对每位患者的第一次抽血的训练相比。使用5折交叉验证控制训练集中的过度拟合。使用未在训练中使用的其他抽血来验证所述模型。
结论：使用肽阵列上的外周血抗体的特异性结合模式的简单测试可以提供对SLE疾病活动性的单一分子测定。
实施例2-SLEDAI诊断与SLE疾病活动性的相关性
使用一组患有SLE的受试者中的受试者，如以上实施例1所述确定用于诊断和鉴定SLE疾病活动性的免疫特征。如实施例1所述进行免疫特征测定，并扫描，以获得每个特征的信号强度测量值。通过平均肽强度的t检验和不等方差的Welch调整来确定显示组间差异信号的肽特征。对于每种对比，开发了二元分类器。
确定了将SLE与SLEDAI评分相关联的重要的肽。图13A-13G显示了在该研究中的区别显著肽中富集的基序和氨基酸。在图13A-13G的各表中：
“n”＝基序在前面的区别肽中出现的次数；
n.lib＝基序在阵列文库中出现的次数
“富集”＝相对于基序在阵列文库中出现的次数，基序在前面的区别肽中的富集倍数。
P＝基序在前面的区别肽中的出现的统计显著性
富集倍数＝(基序(例如，ABCD)在列表中出现的次数/该基序(ABCD)在文库中出现的次数)/(该基序类型(例如，四聚体)在列表中出现的总数/文库中该基序类型(例如，四聚体)的总数)。富集百分比是“富集”X 100。
虽然本文已经示出并描述了本发明的优选实施方案，但对于本领域技术人员将显而易见的是，这些实施方案仅以示例的方式提供。本领域技术人员在不脱离本发明的情况下现将会想到多种变化、改变和替代。应当理解，本文中所述的本发明实施方案的各种替代可用于实施本发明。旨在以下权利要求限定本发明的范围，并由此涵盖这些权利要求范围内的方法和结构及其等同物。

Claims (58)

1.一种用于确定受试者的自身免疫疾病活动性的方法，所述方法包括：
(a)使来自受试者的样品与肽阵列接触，该肽阵列在该阵列的不同特征上包含多个不同的肽；
(b)检测所述样品中存在的抗体与所述肽阵列上的一组肽的结合，以获得结合信号的模式，其中该组肽指示自身免疫疾病活动性；以及
(c)将所述结合信号与从具有一系列疾病活动性的参考组中的多个受试者获得的参考结合信号进行比较，以确定所述受试者中的自身免疫疾病活动性的存在和/或严重程度。
2.如权利要求1所述的方法，其中所述肽阵列包含至少10,000个不同的肽。
3.如权利要求1所述的方法，其中所述肽阵列包含至少50,000个不同的肽。
4.如权利要求1所述的方法，其中所述肽阵列包含至少100,000个不同的肽。
5.如权利要求1所述的方法，其中所述阵列上的不同的肽是沉积的。
6.如权利要求1所述的方法，其中所述阵列上的不同的肽是原位合成的。
7.如权利要求6所述的方法，其中肽的原位合成包含少于20种不同的氨基酸。
8.如权利要求7所述的方法，其中在所述肽阵列的合成过程中排除半胱氨酸、甲硫氨酸、异亮氨酸和苏氨酸。
9.如权利要求1所述的方法，其中所述自身免疫疾病包括系统性红斑狼疮(SLE)、类风湿性关节炎、舍格伦综合征、多发性硬化、溃疡性结肠炎、银屑病关节炎、硬皮病和/或I型糖尿病。
10.如权利要求1所述的方法，其中所述自身免疫疾病是系统性红斑狼疮(SLE)。
11.如权利要求10所述的方法，其中所述参考样品中指示SLE的所述一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分至少为12的参考组受试者中较高。
12.如权利要求10所述的方法，其中所述参考样品中指示SLE的所述一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分小于2的参考受试者中较低。
13.如权利要求10所述的方法，其中所述参考样品中指示SLE的所述一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分至少为12的参考组受试者中较低。
14.如权利要求10所述的方法，其中所述参考样品中指示SLE的所述一组肽的结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分小于2的参考组受试者中较低。
15.如权利要求11-14所述的方法，其中所述参考样品中指示SLE的所述一组肽对于图13A-13G中所列的一种或多种序列基序或氨基酸而言富集超过100％。
16.如权利要求1所述的方法，其中所述参考样品中指示自身免疫病症的所述一组肽的平均结合信号在来自具有高疾病活动性的所述参考组的受试者中低于在来自具有更高疾病活动性的所述参考组受试者的所述肽的平均结合信号。
17.如权利要求11-15所述的方法，其中与所述肽阵列中其余的肽相比，指示SLE的所述一组肽对于至少一种或多种氨基酸而言富集至少150％。
18.如权利要求1-17所述的方法，其中所述一组肽包含至少10种肽、至少20种肽、至少30种肽、至少40种肽、至少50种肽、至少60种肽、至少70种肽、至少80种肽、至少90种肽或至少100种肽，指示自身免疫疾病活动性。
19.如权利要求1所述的方法，其中所获得的结合信号模式对选自低疾病活动性、中度疾病活动性和严重疾病活动性的所述自身免疫疾病活动性进行分类。
20.如权利要求1所述的方法，其中0.60至0.70、0.70至0.79、0.80至0.89或0.90至1.0范围的所计算的受试者工作特征(ROC)曲线下面积(AUC)确定所述受试者中自身免疫疾病活动性的存在和/或严重程度。
21.如权利要求11-16所述的方法，其中一系列疾病活动性进一步由一种或多种临床状况的存在来确定，所述临床状况包括高抗dsDNA抗体、低补体蛋白C3、低补体蛋白C4、高抗核抗体(ANA)、高蛋白尿、面颊疹、CNS表现、关节炎、血细胞减少、盘状红斑、口腔溃疡、肾脏表现、免疫、光敏性和浆膜炎。
22.如权利要求1-21所述的方法，其中一系列疾病活动性进一步由一种或多种临床状况的已知生物标志物的存在来确定。
23.如上述权利要求中任一项所述的方法，其中所述受试者是人。
24.如权利要求23所述的方法，其中所述样品是选自全血、血浆或血清的血液样品。
25.如上述权利要求中任一项所述的方法，其中所述样品是血清样品。
26.如上述权利要求中任一项所述的方法，其中所述样品是血浆样品。
27.如上述权利要求中任一项所述的方法，其中所述样品是干燥的血液样品。
28.如权利要求1所述的方法，其中所述肽阵列上的至少10,000个不同肽的长度为至少5个氨基酸。
29.如权利要求1所述的方法，其中所述肽阵列上的至少10,000个不同肽的长度为至少5至15个氨基酸。
30.如权利要求1所述的方法，其中至少10,000个不同的肽由少于20种氨基酸合成。
31.如权利要求1所述的方法，其中通过排除半胱氨酸、甲硫氨酸、异亮氨酸和苏氨酸中的一个或多个来合成所述肽阵列上的至少10,000个不同的肽。
32.从样品获得的指示自身免疫疾病的受试者的免疫特征，其中该免疫特征包含来自包含至少10,000个肽的肽阵列上的一组肽的结合模式。
33.如权利要求32所述的免疫特征，其中与所述肽阵列上的其余肽相比，所述免疫特征包括所述一组肽中的至少一种氨基酸的至少150％富集。
34.如权利要求32和33所述的免疫特征，其中所述肽阵列包含至少5,000个不同的肽。
35.如权利要求32-34所述的免疫特征，其中所述肽阵列包含至少50,000个不同的肽。
36.如权利要求32-35所述的免疫特征，其中所述肽阵列包含至少100,000个不同的肽。
37.如权利要求32-36所述的免疫特征，其中所述肽阵列包含至少250,000个肽。
38.如权利要求32-37所述的免疫特征，其中所述肽阵列包含至少330,000个肽。
39.如权利要求32-38所述的免疫特征，其中所述自身免疫疾病包括系统性红斑狼疮(SLE)、类风湿性关节炎、舍格伦综合征、多发性硬化、溃疡性结肠炎、银屑病关节炎、硬皮病和/或I型糖尿病。
40.如权利要求32-39所述的免疫特征，其中所述自身免疫疾病是系统性红斑狼疮(SLE)。
41.如权利要求40所述的免疫特征，其中所述参考样品中指示SLE的所述一组肽的平均结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分至少为12的参考组受试者中较高。
42.如权利要求40所述的免疫特征，其中在使用SLEDAI或SLEDAI-SELENA评分系统时，所述参考样品中指示SLE的所述一组肽的平均结合信号在评分小于2的参考受试者中较低。
43.如权利要求40所述的免疫特征，其中所述参考样品中指示SLE的所述一组肽的平均结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分至少为12的参考组受试者中较低。
44.如权利要求40所述的免疫特征，其中所述参考样品中指示SLE的所述一组肽的平均结合信号在使用SLEDAI或SLEDAI-SELENA评分系统时评分小于2的参考组受试者中较低。
45.如权利要求41-44所述的免疫特征，其中所述参考样品中指示SLE的所述一组肽对于图13A-13G所列的一种或多种序列基序或氨基酸而言富集超过100％。
46.如权利要求32-45所述的免疫特征，其中所述参考样品中指示自身免疫病症的所述一组肽的平均结合信号在来自具有高疾病活动性的所述参考组的受试者中低于来自具有更高疾病活动性的所述参考组受试者的所述肽的平均结合信号。
47.如权利要求32-45所述的免疫特征，其中所述一组肽的平均结合信号对选自低疾病活动性、中度疾病活动性和严重疾病活动性的所述疾病活动性进行分类。
48.如权利要求47所述的免疫特征，其中获得的平均结合信号的方法性能以在0.60至0.70、0.70至0.79、0.80至0.89或0.90至1.0的范围内的受试者工作特征(ROC)曲线下面积(AUC)来表征。
49.如权利要求32-48所述的免疫特征，其中一系列疾病活动性由一种或多种临床状况的存在来确定，所述临床状况包括高抗dsDNA抗体、低补体蛋白C3、低补体蛋白C4、高抗核抗体(ANA)、高蛋白尿、面颊疹、CNS表现、关节炎、血细胞减少、盘状红斑、口腔溃疡、肾脏表现、免疫、光敏性和浆膜炎。
50.如权利要求32-49所述的免疫特征，其中所述受试者是人。
51.如权利要求32-50所述的免疫特征，其中所述样品是血液样品。
52.如权利要求32-51所述的免疫特征，其中所述血液样品选自全血、血浆或血清。
53.如权利要求32-52所述的免疫特征，其中所述样品是血清样品。
54.如权利要求32-53所述的免疫特征，其中所述样品是血浆样品。
55.如权利要求32-54所述的免疫特征，其中所述样品是干燥的血液样品。
56.如权利要求32所述的免疫特征，其中所述肽阵列上至少10,000个不同肽的长度为5-15个氨基酸。
57.一种用于确定受试者的自身免疫疾病活动性的系统，所述系统包括：
(a)包含至少10,000个原位合成的不同肽的肽阵列，其中来自受试者的样品与该肽阵列接触；
(b)检测器，其用于检测所述样品中存在的抗体与所述阵列上的一组肽的结合，以获得结合信号的组合；以及
(c)数字处理装置，其用于分析和比较所述结合信号组合与一组或多组参考结合信号的组合，其中所述参考结合信号组合的所述组中的每一组包含从多个健康受试者获得的结合信号的组合，从而确定所述受试者是否患有自身免疫疾病。
58.如权利要求57所述的系统，其中所述自身免疫疾病是SLE。
CN201780051046.8A 2016-06-20 2017-06-20 自身免疫疾病的诊断和治疗方法 Pending CN109790203A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662352519P 2016-06-20 2016-06-20
US62/352,519 2016-06-20
US201662421185P 2016-11-11 2016-11-11
US62/421,185 2016-11-11
PCT/US2017/038392 WO2017223117A1 (en) 2016-06-20 2017-06-20 Methods for diagnosis and treatment of autoimmune diseases

Publications (1)

Publication Number Publication Date
CN109790203A true CN109790203A (zh) 2019-05-21

Family

ID=60784034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780051046.8A Pending CN109790203A (zh) 2016-06-20 2017-06-20 自身免疫疾病的诊断和治疗方法

Country Status (8)

Country Link
US (1) US11774446B2 (zh)
EP (1) EP3472181A4 (zh)
JP (1) JP2019526786A (zh)
KR (1) KR20190019190A (zh)
CN (1) CN109790203A (zh)
AU (1) AU2017281040A1 (zh)
CA (1) CA3028975A1 (zh)
WO (1) WO2017223117A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3472201A4 (en) 2016-06-20 2020-05-13 Healthtell Inc. METHOD FOR DIFFERENTIAL DIAGNOSIS OF AUTOIMMUNE DISEASES
WO2017223117A1 (en) 2016-06-20 2017-12-28 Healthtell Inc. Methods for diagnosis and treatment of autoimmune diseases
CN110168370A (zh) 2016-11-11 2019-08-23 健康之语公司 用于鉴定候选生物标志物的方法
WO2019209874A2 (en) * 2018-04-24 2019-10-31 Healthtell Inc. Markers of immune wellness and methods of use thereof
CN114270191A (zh) * 2019-08-29 2022-04-01 国立大学法人东北大学 炎症性肠病诊断方法、诊断探针和诊断试剂盒

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060121490A1 (en) * 2004-12-02 2006-06-08 Wei-Wu He Host cell and polypeptide arrays and use thereof
US20120190574A1 (en) * 2009-06-19 2012-07-26 The Arizona Board of Regents, A body Corporate of the State of Arizona for and on behalf of Arizona Compound Arrays for Sample Profiling
US20140087963A1 (en) * 2012-08-29 2014-03-27 Arizona Board of Regents, a body Corporate of the State of Arizona, Acting for and on Behalf of Ariz Immunosignaturing: a path to early diagnosis and health monitoring
US20140349888A1 (en) * 2012-02-07 2014-11-27 Vibrant Holdings, Llc Substrates, Peptide Arrays, and Methods
CN104769168A (zh) * 2012-09-05 2015-07-08 亚利桑那州评议委员会,亚利桑那州法人团体,代理和代表亚利桑那州立大学 发现治疗靶标的方法
WO2016040703A1 (en) * 2014-09-10 2016-03-17 Vibrant Holdings, Llc Peptide microarrays and novel biomarkers for celiac disease

Family Cites Families (154)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NZ207394A (en) 1983-03-08 1987-03-06 Commw Serum Lab Commission Detecting or determining sequence of amino acids
US5759774A (en) 1988-05-18 1998-06-02 Cobe Laboratories, Inc. Method of detecting circulating antibody types using dried or lyophilized cells
US5424186A (en) 1989-06-07 1995-06-13 Affymax Technologies N.V. Very large scale immobilized polymer synthesis
US5143854A (en) 1989-06-07 1992-09-01 Affymax Technologies N.V. Large scale photolithographic solid phase synthesis of polypeptides and receptor binding screening thereof
US6346413B1 (en) 1989-06-07 2002-02-12 Affymetrix, Inc. Polymer arrays
DE69128362T2 (de) 1990-06-01 1998-05-20 Chiron Corp Zusammensetzungen und verfahren zur identifizierung von molekülen mit biologischer wirksamkeit
US5449754A (en) 1991-08-07 1995-09-12 H & N Instruments, Inc. Generation of combinatorial libraries
AU669489B2 (en) 1991-09-18 1996-06-13 Affymax Technologies N.V. Method of synthesizing diverse collections of oligomers
DE69233331T3 (de) 1991-11-22 2007-08-30 Affymetrix, Inc., Santa Clara Kombinatorische Strategien zur Polymersynthese
DE69333087T2 (de) 1992-10-01 2004-05-06 The Trustees Of Columbia University In The City Of New York Komplexe kombinatorische chemische banken, die mit markierungen versehen sind
CN1134156A (zh) 1993-11-02 1996-10-23 阿菲马克斯技术公司 合成和筛选多种分子
EP0758313A4 (en) 1994-05-06 1999-09-15 Pharmacopeia Inc COMBINATORIAL LIBRARY OF DIHYDROBENZOPYRANES
US5571639A (en) 1994-05-24 1996-11-05 Affymax Technologies N.V. Computer-aided engineering system for design of sequence arrays and lithographic masks
US6287850B1 (en) 1995-06-07 2001-09-11 Affymetrix, Inc. Bioarray chip reaction apparatus and its manufacture
US5663046A (en) 1994-06-22 1997-09-02 Pharmacopeia, Inc. Synthesis of combinatorial libraries
GB9425729D0 (en) 1994-09-14 1995-02-22 British Telecomm Otical device
US5599695A (en) 1995-02-27 1997-02-04 Affymetrix, Inc. Printing molecular library arrays using deprotection agents solely in the vapor phase
US5624711A (en) 1995-04-27 1997-04-29 Affymax Technologies, N.V. Derivatization of solid supports and methods for oligomer synthesis
US5861247A (en) 1996-01-26 1999-01-19 University Of Chicago Rapid method to detect duplex formation in sequencing by hybridization methods
US6706875B1 (en) 1996-04-17 2004-03-16 Affyemtrix, Inc. Substrate preparation process
WO1998029736A1 (en) 1996-12-31 1998-07-09 Genometrix Incorporated Multiplexed molecular analysis apparatus and method
US5902475A (en) 1997-04-08 1999-05-11 Interventional Technologies, Inc. Method for manufacturing a stent
US6087102A (en) 1998-01-07 2000-07-11 Clontech Laboratories, Inc. Polymeric arrays and methods for their use in binding assays
AU2586799A (en) 1998-02-06 1999-08-23 Affymetrix, Inc. Method of quality control in manufacturing processes
US6723517B1 (en) 1998-06-02 2004-04-20 Minerva Biotechnologies Corporation Use of self-assembled monolayers to probe the structure of a target molecule
US6897073B2 (en) 1998-07-14 2005-05-24 Zyomyx, Inc. Non-specific binding resistant protein arrays and methods for making the same
US6406921B1 (en) 1998-07-14 2002-06-18 Zyomyx, Incorporated Protein arrays for high-throughput screening
US6780582B1 (en) 1998-07-14 2004-08-24 Zyomyx, Inc. Arrays of protein-capture agents and methods of use thereof
DE60031506T2 (de) 1999-01-08 2007-08-23 Applera Corp., Foster City Fasermatrix zum zusammenbringen von chemischen stoffen, sowie verfahren zur herstellung und anwendung davon
JP4355384B2 (ja) 1999-01-14 2009-10-28 キヤノン株式会社 パターン露光方法、露光装置、核酸アレイの形成方法及びペプチドアレイの形成方法
CA2365250A1 (en) 1999-02-17 2000-08-24 Glycominds Ltd. Combinatorial complex carbohydrate libraries and methods for the manufacture and uses thereof
WO2000075373A2 (en) 1999-05-20 2000-12-14 Illumina, Inc. Combinatorial decoding of random nucleic acid arrays
US6573369B2 (en) 1999-05-21 2003-06-03 Bioforce Nanosciences, Inc. Method and apparatus for solid state molecular analysis
US6660479B2 (en) 1999-06-07 2003-12-09 Samsung Electronics Co., Ltd. Process for preparing peptide nucleic acid probe using polymeric photoacid generator
KR20010001577A (ko) 1999-06-07 2001-01-05 윤종용 고분자 광산발생제를 이용한 올리고펩티드 핵산 탐침의 제조방법
WO2000079326A1 (en) 1999-06-18 2000-12-28 Genomic Solutions Inc. An automated, ccd-based microarray imaging system
US6465183B2 (en) 1999-07-01 2002-10-15 Agilent Technologies, Inc. Multidentate arrays
US6346423B1 (en) 1999-07-16 2002-02-12 Agilent Technologies, Inc. Methods and compositions for producing biopolymeric arrays
EP1289646A2 (de) 2000-02-03 2003-03-12 Deutsches Krebsforschungszentrum Stiftung Des Öffentlichen Rechts Verfahren und vorrichtung zur synthese und analyse von trägergebundenen arrays von oligomeren, insbesondere von primerpaaren für die pcr, sowie träger mit oligomeren
US6824669B1 (en) 2000-02-17 2004-11-30 Motorola, Inc. Protein and peptide sensors using electrical detection methods
US20100184620A1 (en) 2000-02-24 2010-07-22 Leszek Rychlewski Method of biological and medical diagnostics using immune patterns obtained with arrays of peptide probes
US6413722B1 (en) 2000-03-22 2002-07-02 Incyte Genomics, Inc. Polymer coated surfaces for microarray applications
AU5951201A (en) 2000-05-04 2001-11-12 Univ Yale High density protein arrays for screening of protein activity
EP2279757A3 (en) 2000-06-02 2011-08-03 Bracco Suisse SA Compounds for targeting endothelial cells
US7148058B2 (en) 2000-06-05 2006-12-12 Chiron Corporation Protein microarrays on mirrored surfaces for performing proteomic analyses
US6511277B1 (en) 2000-07-10 2003-01-28 Affymetrix, Inc. Cartridge loader and methods
US6890760B1 (en) 2000-07-31 2005-05-10 Agilent Technologies, Inc. Array fabrication
US6567163B1 (en) 2000-08-17 2003-05-20 Able Signal Company Llc Microarray detector and synthesizer
US6545758B1 (en) 2000-08-17 2003-04-08 Perry Sandstrom Microarray detector and synthesizer
AU2001292959A1 (en) 2000-09-22 2002-04-02 Clontech Laboratories, Inc. Highly sensitive proteomic analysis methods and kits and systems for practicing the same
US7130458B2 (en) 2000-10-24 2006-10-31 Affymetrix, Inc. Computer software system, method, and product for scanned image alignment
US6877665B2 (en) 2000-11-20 2005-04-12 Ecrio, Inc. System, method, and apparatus for communicating information encoded in a light-based signal using a fob device
JP4594588B2 (ja) 2001-04-10 2010-12-08 ザ ボード オブ トラスティーズ オブ ザ リランド スタンフォード ジュニア ユニヴァーシティ 抗体特異的プロファイルの治療的および診断的使用方法
WO2002090985A1 (fr) 2001-05-07 2002-11-14 Kiyoshi Nokihara Plateau a peptide immobilise et procede d'analyse de proteine cible au moyen de celui-ci
US7695919B2 (en) 2001-05-10 2010-04-13 Battelle Energy Alliance, Llc Antibody profiling sensitivity through increased reporter antibody layering
US6989276B2 (en) 2001-05-10 2006-01-24 Battelle Energy Alliance, Llc Rapid classification of biological components
USRE44031E1 (en) 2001-05-10 2013-02-26 Battelle Energy Alliance, Llc Antibody profiling sensitivity through increased reporter antibody layering
US20050009204A1 (en) 2003-07-11 2005-01-13 Ye Fang Multiplexed binding assays for receptor arrays
EP1402064A4 (en) 2001-05-30 2005-08-24 Gene Therapy Systems Inc PROTEIN NETWORKS AND METHODS AND SYSTEMS FOR PRODUCING THEM
US6989267B2 (en) 2001-07-02 2006-01-24 Agilent Technologies, Inc. Methods of making microarrays with substrate surfaces having covalently bound polyelectrolyte films
WO2003019192A1 (en) 2001-08-27 2003-03-06 The Trustees Of Boston University Apparatus, composition and method for proteome profiling
US20040253636A1 (en) 2001-09-27 2004-12-16 Mikhail Soloviev Method of protein analysis
US9222938B2 (en) 2001-12-04 2015-12-29 Michael Tainsky Neoepitope detection of disease using protein arrays
US20040048311A1 (en) 2002-01-24 2004-03-11 Dana Ault-Riche Use of collections of binding sites for sample profiling and other applications
US6919181B2 (en) 2002-03-25 2005-07-19 Agilent Technologies, Inc. Methods for generating ligand arrays
US6946410B2 (en) 2002-04-05 2005-09-20 E. I. Du Pont De Nemours And Company Method for providing nano-structures of uniform length
AU2003245269A1 (en) 2002-05-03 2003-11-17 Vialogy Corporation System and method for characterizing microarray output data
JP2006511819A (ja) 2002-05-10 2006-04-06 イピトミ バイオシステムズ インコーポレイテッド ユニーク認識配列及びタンパク質分析におけるその利用方法
CA2490009A1 (en) 2002-06-21 2003-12-31 Dyax Corporation Serum protein-associated target-specific ligands and identification method therefor
WO2004003233A1 (en) 2002-06-28 2004-01-08 Rosetta Inpharmatics Llc Methods to assess quality of microarrays
US20040063902A1 (en) 2002-07-25 2004-04-01 Miranda Leslie Philip Side chain anchored thioester and selenoester generators
US20060013971A1 (en) 2002-10-25 2006-01-19 Tienteh Chen Porous inkjet recording material
EP1585806A2 (en) 2002-10-30 2005-10-19 Pointilliste, Inc. Methods for producing polypeptide-tagged collections and capture systems containing the tagged polypeptides
AU2003300815A1 (en) 2002-12-05 2004-06-30 Incyte Corporation Protein modification and maintenance molecules
US8073626B2 (en) 2003-01-31 2011-12-06 Agilent Technologies, Inc. Biopolymer array reading
CN1438324A (zh) 2003-03-10 2003-08-27 东南大学 一种寡聚核苷酸微阵列芯片及其制备方法
US7534563B2 (en) 2003-06-30 2009-05-19 Agilent Technologies, Inc. Methods for producing ligand arrays
AU2004262301A1 (en) 2003-07-25 2005-02-10 Platypus Technologies, Llc Liquid crystal based analyte detection
WO2005050224A2 (en) 2003-11-13 2005-06-02 Epitome Biosystems Inc. Small molecule and peptide arrays and uses thereof
JP5553954B2 (ja) 2003-11-15 2014-07-23 ポリファー リミテッド テンプレート固定β−ヘアピンループ模倣体とそのファージディスプレイにおける使用
US7588906B2 (en) 2004-02-24 2009-09-15 Wisconsin Alumni Research Foundation Hydrogels for biomolecule analysis and corresponding method to analyze biomolecules
US20060024677A1 (en) 2004-07-20 2006-02-02 Morris David W Novel therapeutic targets in cancer
US20060052948A1 (en) 2004-09-09 2006-03-09 Jorn Gorlach Method of identifying drugs, targeting moieties or diagnostics
JP5755398B2 (ja) 2005-03-18 2015-07-29 ノヴォ ノルディスク アー／エス 伸長されたｇｌｐ−１化合物
US20070003954A1 (en) 2005-05-12 2007-01-04 The Board Of Regents Of The University Of Texas System Protein and antibody profiling using small molecule microarrays
US7507480B2 (en) 2005-05-31 2009-03-24 Brookhaven Science Associates, Llc Corrosion-resistant metal surfaces
US20070015172A1 (en) 2005-06-01 2007-01-18 Z-Biomed, Inc. Expression profiles for microbial infection
US20070099256A1 (en) 2005-10-28 2007-05-03 Narayan Sundararajan Chemical derivatization, detection, and identification of peptide and protein modifications
US20070122841A1 (en) 2005-11-30 2007-05-31 Rajasekaran John J Massively parallel synthesis of proteinaceous biomolecules
DE102005060920A1 (de) 2005-12-18 2007-06-21 Charité - Universitätsmedizin Berlin Peptide für die Wechselwirkung mit alpha-helikalen Coiled-Coil-Strukturen und/oder Coiled-Coil-Sequenzen, davon abgeleitete Mittel und ihre Verwendung
TW200734641A (en) 2005-12-26 2007-09-16 Inst Of Microchemical Technology Microchip for immunoassay, kit for immunoassay and immunoassay method
EP2008100A4 (en) 2006-04-18 2009-12-16 Univ Leland Stanford Junior ESTABLISHING ANTIBODY PROFILES FOR DETERMINING PATIENT SENSITIVITY TO TREATMENT
US7923054B2 (en) 2006-04-19 2011-04-12 Gore Enterprise Holdings, Inc. Functional porous substrates for attaching biomolecules
CA2655563A1 (en) 2006-06-15 2007-12-21 Van Andel Research Institute Methods for detecting molecular complexes
WO2007149982A2 (en) 2006-06-22 2007-12-27 The Brigham And Women's Hospital, Inc. Diagnosis of autoimmune disease
WO2008003100A2 (en) 2006-06-29 2008-01-03 Xiaolian Gao Make and use of surface molecules of varied densities
US8242058B2 (en) 2006-07-21 2012-08-14 Wisconsin Alumni Research Foundation Reagents and methods for appending functional groups to proteins
KR100813262B1 (ko) 2006-07-25 2008-03-13 삼성전자주식회사 광 촉매를 이용한 패터닝된 스팟 마이크로어레이의 제조방법 및 상기 방법에 의해 제조된 마이크로어레이
ITTO20060614A1 (it) 2006-08-21 2008-02-22 Uni Degli Studi Del Piemonte "diagnosi differenziale per la sclerodermia"
US8088596B2 (en) 2006-10-10 2012-01-03 Oakland University Method of microorganism detection using carbohydrate and lectin recognition
US20110143953A1 (en) 2006-10-16 2011-06-16 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona Synthetic Antibodies
JP2010510528A (ja) 2006-11-22 2010-04-02 ライフ テクノロジーズ コーポレーション 自己免疫疾患のバイオマーカー
US20100064393A1 (en) 2006-11-29 2010-03-11 Novozymes, Inc. Bacillus liceniformis chromosome
US7622295B2 (en) 2006-12-19 2009-11-24 Edelmira Cabezas Molecular microarrays and helical peptides
US8545809B2 (en) 2007-01-11 2013-10-01 Immunomedics, Inc. Methods and compositions for improved 18F labeling of proteins, peptides and other molecules
US20080188618A1 (en) 2007-01-23 2008-08-07 Greving Matthew P Porous Acrylate Copolymer Films and Uses Therefor
WO2008151146A2 (en) 2007-06-01 2008-12-11 Digitab, Inc. Peptide arrays and methods of use
WO2008157640A2 (en) 2007-06-18 2008-12-24 Illumina, Inc. Microfabrication methods for the optimal patterning of substrates
US20090142792A1 (en) 2007-06-21 2009-06-04 Robinson William H Biomarkers for the diagnosis of autoimmune disease
WO2009015357A1 (en) 2007-07-25 2009-01-29 University Of Louisville Research Foundation, Inc. Exosome-associated microrna as a diagnostic marker
US20110046015A1 (en) 2008-01-29 2011-02-24 Hiroyuki Honda Peptide immobilization solution and use thereof
US20120021967A1 (en) 2008-04-23 2012-01-26 Arizona Board of Regents, A Body Corporate of the State Of Arizona Acting for and Behalf of Arizona Synthetic antibodies
EP2145898A1 (en) 2008-07-15 2010-01-20 CHIESI FARMACEUTICI S.p.A. Anti-amyloid immunogenic compositions, methods and uses
WO2010043668A1 (en) 2008-10-17 2010-04-22 Zentech S.A. Dried blood spots for blood analysis
US7993583B2 (en) 2008-10-29 2011-08-09 Lawrence Livermore National Security, Llc Passive microfluidic array card and reader
GB2467704B (en) 2008-11-07 2011-08-24 Mlc Dx Inc A method for determining a profile of recombined DNA sequences in T-cells and/or B-cells
US20160041153A1 (en) 2008-11-12 2016-02-11 Kirk Brown Biomarker compositions and markers
CA2755983A1 (en) 2009-03-23 2010-09-30 The Walter And Eliza Hall Institute Of Medical Research Compounds and methods for modulating an immune response
JP2011001344A (ja) 2009-04-30 2011-01-06 L'oreal Sa アミノトリアルコキシシランまたはアミノトリアルケニルオキシシラン組成物を用いたヒトケラチン繊維の明色化および／または着色ならびに装置
US20120189702A1 (en) 2009-08-06 2012-07-26 Albert Einstein College Of Medicine Of Yeshiva University Cell therapy for treatment of liver failure
GB0915332D0 (en) 2009-09-02 2009-10-07 Univ Leuven Kath New methods for diagnosing autoimmune diseases
US8969009B2 (en) 2009-09-17 2015-03-03 Vicki S. Thompson Identification of discriminant proteins through antibody profiling, methods and apparatus for identifying an individual
EP2488865A1 (en) 2009-10-13 2012-08-22 Università Degli Studi Di Verona Antibody associated with autoimmune pancreatitis and uses thereof
US20130035254A1 (en) * 2010-02-12 2013-02-07 Tel Hashomer Medical Research Infras Diagnosis of systemic lupus erythematosus (sle)
JP2013520208A (ja) * 2010-02-24 2013-06-06 ザ・ボード・オブ・トラスティーズ・オブ・ザ・レランド・スタンフォード・ジュニア・ユニバーシティ 自己免疫疾患の診断、予後判定、及び処置法
JP5808349B2 (ja) 2010-03-01 2015-11-10 カリス ライフ サイエンシズ スウィッツァーランド ホールディングスゲーエムベーハー セラノーシスのためのバイオマーカー
WO2011150168A1 (en) 2010-05-28 2011-12-01 Gen9, Inc. Methods and devices for in situ nucleic acid synthesis
US9567378B2 (en) 2010-06-03 2017-02-14 New York University In situ oriented immobilization of proteins on a support
TW201144805A (en) 2010-06-08 2011-12-16 Academia Sinica Microfluidic device
ES2373262B1 (es) 2010-07-16 2013-05-06 Consejo Superior De Investigaciones Científicas (Csic) Método de diagnóstico diferencial de la enfermedad de chagas.
EP2633067B1 (en) 2010-10-27 2023-06-28 CapitalBio Technology Corporation Luminophore-labeled molecules coupled with particles for microarray-based assays
US9346892B2 (en) 2011-03-18 2016-05-24 Roche Nimble Gen, Inc. Methods for synthesis of an oligopeptide microarray
WO2013120499A1 (en) 2012-02-15 2013-08-22 Curevac Gmbh Nucleic acid comprising or coding for a histone stem-loop and a poly (a) sequence or a polyadenylation signal for increasing the expression of an encoded pathogenic antigen
US20130310265A1 (en) 2012-03-21 2013-11-21 North Carolina State University Methods of preparing cyclic peptides and uses thereof
AU2013284452B2 (en) 2012-06-27 2017-08-31 Siscapa Assay Technologies, Inc. Multipurpose mass spectrometric assay panels for peptides
JP2015528912A (ja) 2012-07-23 2015-10-01 アンスティチュ ナショナル ドゥ ラ サンテ エ ドゥ ラ ルシェルシュ メディカル 強皮症の診断方法
US10046293B2 (en) 2012-10-17 2018-08-14 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona In situ chemical patterning
US20150119289A1 (en) 2012-10-24 2015-04-30 Medeolinx, LLC Methods to determine candidate biomarker panels for a phenotypic condition of interest
US9809854B2 (en) * 2012-11-15 2017-11-07 New York Society For The Ruptured And Crippled Maintaining The Hospital For Special Surgery Biomarkers for disease activity and clinical manifestations systemic lupus erythematosus
JP2016502095A (ja) 2012-12-16 2016-01-21 イエダ・リサーチ・アンド・デベロツプメント・カンパニー・リミテツド 特異的抗体プロファイルを使用した自己免疫疾患の診断
US9970932B2 (en) 2013-03-15 2018-05-15 Arizona Board Of Regents On Behalf Of Arizona State University Non-covalent patterned chemical features and use thereof in MALDI-based quality control
CN103776891B (zh) 2013-09-04 2017-03-29 中国科学院计算技术研究所 一种检测差异表达蛋白质的方法
WO2015095136A1 (en) * 2013-12-17 2015-06-25 Arizona Board Of Regents On Behalf Of Arizona State University Immunosignature based diagnosis and characterization of canine lymphoma
US10571477B2 (en) 2014-07-07 2020-02-25 Protagen Gmbh Marker sequences for diagnosing and stratifying systemic sclerosis patients
US20170212101A1 (en) 2014-07-18 2017-07-27 Cdi Laboratories, Inc. Methods and compositions to identify, quantify, and characterize target analytes and binding moieties
US10094825B2 (en) 2015-07-30 2018-10-09 The Florida International University Board Of Trustees Predictive biomarkers for detection of organ damage in autoimmune illnesses and other diseases
US10758886B2 (en) * 2015-09-14 2020-09-01 Arizona Board Of Regents On Behalf Of Arizona State University Conditioned surfaces for in situ molecular array synthesis
WO2017223117A1 (en) 2016-06-20 2017-12-28 Healthtell Inc. Methods for diagnosis and treatment of autoimmune diseases
EP3472201A4 (en) 2016-06-20 2020-05-13 Healthtell Inc. METHOD FOR DIFFERENTIAL DIAGNOSIS OF AUTOIMMUNE DISEASES
CN116514861A (zh) 2016-11-09 2023-08-01 库博科学公司 预组装的、受保护的、化学稳定的化学选择性接头
AU2017359450A1 (en) 2016-11-09 2019-05-30 HealthTell, Inc. Coatings with tunable amine density
CN110168370A (zh) 2016-11-11 2019-08-23 健康之语公司 用于鉴定候选生物标志物的方法
CN110546157A (zh) 2017-02-22 2019-12-06 健康之语公司 筛查感染的方法
JP2020524275A (ja) 2017-06-19 2020-08-13 ヘルステル・インコーポレイテッドＨｅａｌｔｈｔｅｌｌ Ｉｎｃ． 鑑別診断のための免疫シグネチャー

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060121490A1 (en) * 2004-12-02 2006-06-08 Wei-Wu He Host cell and polypeptide arrays and use thereof
US20120190574A1 (en) * 2009-06-19 2012-07-26 The Arizona Board of Regents, A body Corporate of the State of Arizona for and on behalf of Arizona Compound Arrays for Sample Profiling
US20130079250A1 (en) * 2009-06-19 2013-03-28 The Arizona Board of Regents, A body Corporate of the State of Arizona for and on behalf of Arizona Compound Arrays for Sample Profiling
US20140349888A1 (en) * 2012-02-07 2014-11-27 Vibrant Holdings, Llc Substrates, Peptide Arrays, and Methods
US20140087963A1 (en) * 2012-08-29 2014-03-27 Arizona Board of Regents, a body Corporate of the State of Arizona, Acting for and on Behalf of Ariz Immunosignaturing: a path to early diagnosis and health monitoring
CN104781668A (zh) * 2012-08-29 2015-07-15 亚利桑那州评议委员会,亚利桑那州法人团体,代理和代表亚利桑那州立大学 免疫特征分析:通向早期诊断和健康监测的途径
CN104769168A (zh) * 2012-09-05 2015-07-08 亚利桑那州评议委员会,亚利桑那州法人团体,代理和代表亚利桑那州立大学 发现治疗靶标的方法
WO2016040703A1 (en) * 2014-09-10 2016-03-17 Vibrant Holdings, Llc Peptide microarrays and novel biomarkers for celiac disease

Also Published As

Publication number Publication date
JP2019526786A (ja) 2019-09-19
WO2017223117A1 (en) 2017-12-28
EP3472181A4 (en) 2020-05-13
AU2017281040A1 (en) 2019-01-24
US20190234945A1 (en) 2019-08-01
EP3472181A1 (en) 2019-04-24
US11774446B2 (en) 2023-10-03
CA3028975A1 (en) 2017-12-28
KR20190019190A (ko) 2019-02-26

Similar Documents

Publication Publication Date Title
Rock Artificial Intelligence (AI) in Arkansas (AR)
CN109790203A (zh) 自身免疫疾病的诊断和治疗方法
Borzì et al. Prediction of freezing of gait in Parkinson’s disease using wearables and machine learning
Makaremi et al. Deep learning and artificial intelligence for the determination of the cervical vertebra maturation degree from lateral radiography
US11747334B2 (en) Methods for differential diagnosis of autoimmune diseases
Aich et al. A supervised machine learning approach to detect the on/off state in Parkinson’s disease using wearable based gait signals
CN107817348A (zh) 发现治疗靶标的方法
US20200209236A1 (en) Methods for identifying candidate biomarkers
JP2020511633A (ja) 感染のスクリーニング方法
JP2020524275A (ja) 鑑別診断のための免疫シグネチャー
Washington et al. Training an emotion detection classifier using frames from a mobile therapeutic game for children with developmental disorders
Friedrich et al. A deep learning approach for TUG and SPPB score prediction of (pre-) frail older adults on real-life IMU data
Ustad et al. Validation of an activity type recognition model classifying daily physical behavior in older adults: the HAR70+ model
Alkahtani et al. Deep learning algorithms to identify autism spectrum disorder in children-based facial landmarks
Chase et al. Sleep measurement using wrist-worn accelerometer data compared with Polysomnography
Germanotta et al. Evaluation of Gait Smoothness in Patients with Stroke Undergoing Rehabilitation: Comparison between Two Metrics
Gong et al. Classifying tremor dominant and postural instability and gait difficulty subtypes of Parkinson’s disease from full-body kinematics
Chen et al. Machine learning-guided prediction of central anterior chamber depth using slit lamp images from a portable smartphone device
Bonnechère Integrating Rehabilomics into the Multi-Omics Approach in the Management of Multiple Sclerosis: The Way for Precision Medicine?
Huang et al. Automated detection of GFAP-labeled astrocytes in micrographs using YOLOv5
Wu et al. Kinect-based objective evaluation of bradykinesia in patients with Parkinson's disease
Park et al. Machine learning predictive model for aspiration screening in hospitalized patients with acute stroke
Wahab Sait Artificial Intelligence-Driven Eye Disease Classification Model
Dadu ML-assisted therapeutics for neurodegenerative disorders
Faghri et al. Identification and prediction of Parkinson’s disease subtypes and progression using machine learning in two cohorts.

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40008448

Country of ref document: HK

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211111

Address after: Arizona, USA

Applicant after: Cooper Science

Address before: California, USA

Applicant before: Healthy language company