CN110382718A - 用于指示具有特定特征的个体中的前列腺癌的存在或不存在的方法 - Google Patents
用于指示具有特定特征的个体中的前列腺癌的存在或不存在的方法 Download PDFInfo
- Publication number
- CN110382718A CN110382718A CN201880009454.1A CN201880009454A CN110382718A CN 110382718 A CN110382718 A CN 110382718A CN 201880009454 A CN201880009454 A CN 201880009454A CN 110382718 A CN110382718 A CN 110382718A
- Authority
- CN
- China
- Prior art keywords
- pca
- individual
- pcags
- snp
- psa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 354
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 352
- 238000000034 method Methods 0.000 title claims abstract description 132
- 239000000090 biomarker Substances 0.000 claims abstract description 135
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 239000003550 marker Substances 0.000 claims abstract description 18
- 108700028369 Alleles Proteins 0.000 claims description 53
- 239000012472 biological sample Substances 0.000 claims description 26
- 102200145956 rs138213197 Human genes 0.000 claims description 25
- 230000035945 sensitivity Effects 0.000 claims description 25
- 239000003446 ligand Substances 0.000 claims description 24
- 239000000523 sample Substances 0.000 claims description 24
- 102100040896 Growth/differentiation factor 15 Human genes 0.000 claims description 21
- 239000013068 control sample Substances 0.000 claims description 19
- 230000002596 correlated effect Effects 0.000 claims description 19
- 238000001574 biopsy Methods 0.000 claims description 18
- 102000001399 Kallikrein Human genes 0.000 claims description 16
- 108060005987 Kallikrein Proteins 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 101710194460 Growth/differentiation factor 15 Proteins 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 239000002773 nucleotide Substances 0.000 claims description 10
- 125000003729 nucleotide group Chemical group 0.000 claims description 9
- 238000012252 genetic analysis Methods 0.000 claims description 8
- 230000027455 binding Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009870 specific binding Effects 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 239000007790 solid phase Substances 0.000 claims description 3
- 238000011895 specific detection Methods 0.000 claims description 3
- 235000006694 eating habits Nutrition 0.000 claims 1
- 239000000779 smoke Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 239000013610 patient sample Substances 0.000 abstract description 2
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 184
- 102100038358 Prostate-specific antigen Human genes 0.000 description 184
- 206010028980 Neoplasm Diseases 0.000 description 30
- 201000011510 cancer Diseases 0.000 description 27
- 238000012216 screening Methods 0.000 description 19
- 102100021088 Homeobox protein Hox-B13 Human genes 0.000 description 16
- 101001041145 Homo sapiens Homeobox protein Hox-B13 Proteins 0.000 description 16
- 210000002307 prostate Anatomy 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 15
- 201000010099 disease Diseases 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 12
- 101001050577 Homo sapiens Kinesin-like protein KIF2A Proteins 0.000 description 10
- 102100023426 Kinesin-like protein KIF2A Human genes 0.000 description 10
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000670 limiting effect Effects 0.000 description 9
- 238000012502 risk assessment Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000003153 chemical reaction reagent Substances 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 210000004907 gland Anatomy 0.000 description 8
- 230000009545 invasion Effects 0.000 description 8
- 102000004169 proteins and genes Human genes 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 7
- 239000012071 phase Substances 0.000 description 7
- 210000002966 serum Anatomy 0.000 description 7
- 101000893549 Homo sapiens Growth/differentiation factor 15 Proteins 0.000 description 6
- 101000692878 Homo sapiens Regulator of MON1-CCZ1 complex Proteins 0.000 description 6
- 238000003556 assay Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 5
- 108010044434 Alpha-methylacyl-CoA racemase Proteins 0.000 description 4
- 102100040410 Alpha-methylacyl-CoA racemase Human genes 0.000 description 4
- 238000002965 ELISA Methods 0.000 description 4
- 239000000427 antigen Substances 0.000 description 4
- 108091007433 antigens Proteins 0.000 description 4
- 102000036639 antigens Human genes 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 210000000664 rectum Anatomy 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 108020004414 DNA Proteins 0.000 description 3
- 102000010911 Enzyme Precursors Human genes 0.000 description 3
- 108010062466 Enzyme Precursors Proteins 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 108010041834 Growth Differentiation Factor 15 Proteins 0.000 description 3
- 241001610351 Ipsa Species 0.000 description 3
- 102000057032 Tissue Kallikreins Human genes 0.000 description 3
- 108010020169 beta-microseminoprotein Proteins 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229940088598 enzyme Drugs 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 108090000765 processed proteins & peptides Proteins 0.000 description 3
- 108010043671 prostatic acid phosphatase Proteins 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 102000004506 Blood Proteins Human genes 0.000 description 2
- 108010017384 Blood Proteins Proteins 0.000 description 2
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 2
- 108010007355 Glutathione S-Transferase pi Proteins 0.000 description 2
- 102000007648 Glutathione S-Transferase pi Human genes 0.000 description 2
- 102100030943 Glutathione S-transferase P Human genes 0.000 description 2
- 101001010139 Homo sapiens Glutathione S-transferase P Proteins 0.000 description 2
- 101710176220 Kallikrein-2 Proteins 0.000 description 2
- 101710180672 Regulator of MON1-CCZ1 complex Proteins 0.000 description 2
- 102100026436 Regulator of MON1-CCZ1 complex Human genes 0.000 description 2
- 102000040739 Secretory proteins Human genes 0.000 description 2
- 108091058545 Secretory proteins Proteins 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 239000003541 chymotrypsin inhibitor Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000009569 green tea Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 210000002540 macrophage Anatomy 0.000 description 2
- 238000002493 microarray Methods 0.000 description 2
- 238000012775 microarray technology Methods 0.000 description 2
- 230000003234 polygenic effect Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 108091035539 telomere Proteins 0.000 description 2
- 210000003411 telomere Anatomy 0.000 description 2
- 102000055501 telomere Human genes 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 229940113178 5 Alpha reductase inhibitor Drugs 0.000 description 1
- 239000002677 5-alpha reductase inhibitor Substances 0.000 description 1
- 108050006400 Cyclin Proteins 0.000 description 1
- 102000016736 Cyclin Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000160765 Erebia ligea Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 108010025252 Kassinin Proteins 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 108700022175 Tissue Kallikreins Proteins 0.000 description 1
- 102000004887 Transforming Growth Factor beta Human genes 0.000 description 1
- 108090001012 Transforming Growth Factor beta Proteins 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007681 bariatric surgery Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002113 chemopreventative effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229960004199 dutasteride Drugs 0.000 description 1
- JWJOTENAMICLJG-QWBYCMEYSA-N dutasteride Chemical compound O=C([C@H]1CC[C@H]2[C@H]3[C@@H]([C@]4(C=CC(=O)N[C@@H]4CC3)C)CC[C@@]21C)NC1=CC(C(F)(F)F)=CC=C1C(F)(F)F JWJOTENAMICLJG-QWBYCMEYSA-N 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 229960004039 finasteride Drugs 0.000 description 1
- DBEPLOCGEIEOCV-WSBQPABSSA-N finasteride Chemical compound N([C@@H]1CC2)C(=O)C=C[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H](C(=O)NC(C)(C)C)[C@@]2(C)CC1 DBEPLOCGEIEOCV-WSBQPABSSA-N 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 210000004602 germ cell Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010166 immunofluorescence Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 208000001022 morbid obesity Diseases 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000902 placebo Substances 0.000 description 1
- 229940068196 placebo Drugs 0.000 description 1
- 210000002381 plasma Anatomy 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000069 prophylactic effect Effects 0.000 description 1
- 201000005825 prostate adenocarcinoma Diseases 0.000 description 1
- 230000037209 prostate health Effects 0.000 description 1
- 108020001775 protein parts Proteins 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 230000005586 smoking cessation Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- ZRKFYGHZFMAOKI-QMGMOQQFSA-N tgfbeta Chemical compound C([C@H](NC(=O)[C@H](C(C)C)NC(=O)CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CC(C)C)NC(=O)CNC(=O)[C@H](C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](N)CCSC)C(C)C)[C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(O)=O)C1=CC=C(O)C=C1 ZRKFYGHZFMAOKI-QMGMOQQFSA-N 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- 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
- G16B10/00—ICT specially adapted for evolutionary bioinformatics, e.g. phylogenetic tree construction or analysis
-
- 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
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- 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
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/118—Prognosis of disease development
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/156—Polymorphic or mutational markers
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/158—Expression markers
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Organic Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Genetics & Genomics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Oncology (AREA)
- General Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Bioethics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Crystallography & Structural Chemistry (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明总体涉及具有作为诊断标志物的潜在效用的各种形式的遗传标志物和各种形式的蛋白的检测和鉴定。通过测定患者样品中多种生物标志物和遗传标志物的水平,且根据预定的公式组合获得的值,可以确定患者是否可能患有前列腺癌或侵袭性前列腺癌。所述方法通过区分具有前列腺癌或侵袭性前列腺癌的特别高风险的遗传亚群来改进。
Description
发明领域
本发明总体涉及具有作为诊断标志物的潜在效用的各种形式的遗传标志物和各种形式的蛋白的检测和鉴定。具体而言,本发明涉及同时使用多种诊断标志物用于改进检测前列腺癌和具体前列腺癌的侵袭性形式。更具体地,本发明涉及同时使用多种诊断标志物用于改进检测具有特定遗传特征的男性的前列腺癌。
发明背景
血清前列腺特异性抗原(PSA)的测量广泛用于筛选和早期检测前列腺癌(PCa)。如EUROPEAN UROLOGY 60 (2011) 21-28中公开的Markus Aly和共同作者的公共报告中“Polygenic Risk Score Improves Prostate Cancer Risk Prediction:Results fromthe Stockholm-1 Cohort Study”(其通过引用并入本文)中所讨论,可通过目前的临床免疫测定测量的血清PSA主要作为游离的“非复合”形式(游离PSA)或作为与a-抗胰凝乳蛋白酶(a-lantichymotrypsin, ACT)的复合物存在。血清中游离PSA与总PSA的比率已被证明显著改善PCa的检测。其他因素,如年龄和记录的家族史还可以进一步改善前列腺癌的检测。与PCa相关的遗传标志物、特别是单核苷酸多态性(SNP)的测量是用于筛选和早期检测前列腺癌的新兴方式。多种PCa相关的SNP的分析可以,与生物标志物如PSA和与关于患者的一般信息组合,通过将几种SNP组合为遗传评分而改善风险评估。
前列腺癌的筛选和早期检测是一项复杂的任务,并且迄今为止,已经证明没有单一生物标志物足够好,足以用于男性群体的特异性和灵敏性定位。因此,已经在组合生物标志物水平上花费尝试,以便产生在PCa的筛选和早期检测中表现更好的公式(formula)。最常见实例是常规的PSA测试,这实际上是“游离”PSA和“总”PSA的评价。PSA作为一种“非复合物”形式和其中PSA与α-抗胰凝乳蛋白酶形成复合物的一种形式存在。另一种此类实例是使用游离PSA、总PSA和PSA的一种或多种酶原形式的浓度的组合用于诊断目的,如WO03100079(METHOD OF ANALYZING PROENZYME FORMS OF PROSTATE SPECIFIC ANTIGEN IN SERUM TOIMPROVE PROSTATE CANCER DETECTION)(其通过引用并入本文)中所述。可以导致PCa的筛选和早期检测的改进性能的PSA浓度和酶原浓度的一种可能组合是φ(phi)指标。开发φ作为PSA、游离PSA和PSA前体形式[-2]proPSA的组合以便用边界线PSA测试(例如,PSA 2-10ng/mL)和非可疑的数字直肠检查更好地检测男性的PCa,如BJU Int.2011 Nov 11. doi:10.1111/j.1464-410X.2011.10751.x中公开的Nichol MB和共同作者的报告“Cost-effectiveness of Prostate Health Index for prostate cancer detection”(其通过引用并入本文)中所公开。另一种这样的实例是psp94和PSA的组合,如US2012021925(DIAGNOSTIC ASSAYS FOR PROSTATE CANCER USING PSP94 AND PSA BIOMARKERS)中所述。
存在用于评估患者是否患有PCa的具有潜在的诊断或预后价值的其他生物标志物,包括MIC-1,如Clin Cancer Res 2009;15(21):OF1–7中公开的David A. Brown和共同作者的报告“Macrophage Inhibitory Cytokine 1:A New Prognostic Marker inProstate Cancer”(其通过引用并入本文)中所述。
过去已经公开了将来自多个来源的信息组合为一种算法模型用于预测PCa风险的尝试。在如Cancer Prev Res (2010), 3(5):611-619中公开的Robert Kleins和共同作者的公开报告“Blood Biomarker Levels to Aid Discovery of Cancer-Related Single-Nucleotide Polymorphisms:Kallikreins and Prostate Cancer”(其通过引用并入本文)中,作者讨论了血液生物标志物可以如何帮助发现新型SNP,而且还表明,对于将基因型和生物标志物水平两者并入预测模型存在潜在作用。此外,该报告提供了证据证明,遗传标志物和生物标志物一致的非累加组合可以具有估计PCa风险的预测价值。后来,Xu和共同发明人公开了用于将遗传标志物与高级前列腺癌关联的方法,其主要用于鉴定适合用于使用专利申请WO2012031207(其通过引用并入本文)中的5-α还原酶抑制剂药物(例如,度他雄胺或非那雄胺)的化学预防治疗的受试者的目的。此外,WO2013172779和WO2014079865描述了将多个信息源馈送至算法中,所述算法估计完整群体的PCa风险。一致地,这些公开内容概述了组合遗传信息和生物标志物浓度用于估计PCa风险、还有高级癌症的目的的现有技术。
PSA筛选和早期检测的当前性能是近似80%的灵敏度和30%的特异性。据估计,近似65%将经历不必要的前列腺活组织检查,且在当前筛选中将错过15-20%的临床相关的前列腺癌。仅在美国,每年进行约100万次活组织检查,这导致约192 000个新病例被诊断。因此,还有诊断性能的小改进将导致由于较少活组织检查导致的医疗保健费用的大量节约以及遭受侵入性诊断程序的人较少。
目前的临床实践(在瑞典)是使用总PSA作为生物标志物用于检测无症状的和早期前列腺癌。对于用前列腺活组织检查的进一步评估的一般截止值是3 ng/mL。然而,由于PSA筛选的消极后果,现在在欧洲或北美没有推荐任何有组织的PSA筛选。
准确地鉴定个体中的侵袭性前列腺癌(aPCa)是特别重要的,因为为个体提供治疗越早,治愈癌症的可能性越大。然而,aPCa的鉴定是困难的,这部分因为需要较大群组以便在开发统计模型中提供足够数目的病例和对照。因此,aPCa的预测模型的可用性低。为群体中的亚组设计模型甚至更加困难,因为完全能够设计这种模型所需的群组大小非常大。
因此,本领域需要鉴定用于预测前列腺癌或侵袭性前列腺癌的改进模型。
发明概述
本发明基于以下发现:不同来源的诊断标志物的组合可以改进检测具有特定遗传特征的男性的特定亚群中的PCa(前列腺癌)或aPCa(侵袭性前列腺癌)的能力。该发现可以导致对社会的重大节约,因为早期鉴定的癌症和具体侵袭性癌症可更容易治疗。
因此,本发明的一个方面提供了用于指示个体中的前列腺癌(PCa)的存在或不存在的方法,其包括以下步骤:
a)进行从所述个体获得的生物样品的遗传分析,其包括确定与PCa遗传亚群(PCaGS)相关的单核苷酸多态性(SNP)的一个或多个定义的风险等位基因的存在或不存在,其中如果所述一个或多个定义的风险等位基因存在于所述样品中,则确定所述个体属于所述PCaGS,并且如果所述SNP的一个或多个风险等位基因不存在于所述样品中,则确定所述个体不属于所述PCaGS;
b)如果在步骤a)中确定所述个体属于PCaGS,则确定和表征所述个体中的一个或多个额外的PCa相关参数,以指示所述PCaGS个体中的PCa的存在或不存在;
c)如果确定步骤a)中的所述个体不属于PCaGS,则
i)测定所述个体中定义量的PCa相关生物标志物的存在或浓度;
ii)通过确定所述个体中的定义量的与PCa相关的SNP的存在或不存在来确定PCa相关遗传状态;
iii)组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成一般PCa群体复合值;
iv)通过将所述一般PCa群体复合值与用已知一般群体PCa的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述一般PCa群体复合值与所述个体中的PCa的存在或不存在相关联。
还提供了这样的方法,其中在步骤b)中:
i. 测定从所述PCaGS的个体获得的生物样品中定义量的PCa相关生物标志物的存在或浓度;
ii. 通过确定所述PCaGS个体中的定义量的与PCa相关的SNP的一个或多个风险等位基因的存在或不存在来确定PCa相关遗传状态;
iii. 组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成PCaGS复合值;
iv. 通过将所述复合值与用已知PCaGS的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述PCaGS复合值与所述个体中的PCa的存在或不存在相关联。
还提供了本文的方法,其中在步骤a)中,如果个体是一个或多个SNP(比值比(oddsratio)为约1.2至2)的纯合子风险等位基因携带者和/或一个或多个SNP(比值比为>2)的杂合子风险等位基因携带者,则确定所述个体属于PCaGS。所述一个或多个SNP可以选自rs16901979、rs7818556、rs12793759和rs138213197。
此外,提供了这样的方法,其中如果个体是两个或更多个不同SNP(其各自的比值比为1.2至2)的杂合子风险等位基因携带者,则确定所述个体属于PCaGS。
还提供了本文的方法,其中在步骤a)中,如果个体携带rs138213197的至少一个风险等位基因,则确定所述个体属于PCaGS。还提供了本文的方法,其中在步骤a)中,如果个体具有超过阈值的遗传风险评分,则确定所述个体属于PcaGS,其中所述遗传风险评分基于一个或多个选自以下的SNP:rs16901979、rs7818556、rs12793759、rs138213197、rs16860513和rs7106762。
在另一个方面,提供了用于进行如本文所公开的方法的测定装置,所述测定装置包含其上固定有至少三种不同类别的配体的固相,其中:
- 所述配体的第一类别特异性结合定义量的PCa相关生物标志物,并且包括特异性结合所述PCa相关生物标志物各自的多种不同配体,且
- 所述配体的第二类别特异性结合定义量的与PCa相关的SNP,并且包括特异性结合所述SNP各自的多种不同配体,且
- 所述配体的第三类别特异性结合一种或多种PCaGS SNP。
在本发明的一个进一步方面,提供了包含如本文所定义的测定装置的测试试剂盒,其进一步包含一种或多种检测分子,其用于特异性检测分别与所述第一、第二和第三类别的配体结合的PCa相关生物标志物、与PCa相关的SNP和PCa遗传亚群(PCaGS) SNP。
在本发明的又另一个方面,提供了可直接加载至数字计算机的内部存储器中的计算机程序产品,其特征在于所述计算机程序包括用于至少执行本文定义的方法的步骤c)iii)和c) iv)和/或如本文所定义的另一种方法的步骤iii)和iv)的软件代码装置。
在又另一个方面,提供了计算机程序,其包含计算机可执行指令,其用于当计算机可执行指令在计算机中包含的处理单元上执行时,引起计算机至少执行如本文所定义的方法的步骤c) iii)和c) iv)和/或如本文所定义的另一种方法的步骤iii)和iv)。
还提供了包含计算机可读存储介质的计算机程序产品,所述计算机可读存储介质具有在其中实施的如本文所提及的计算机程序。
本文还提供了数据处理设备或装置,其包含用于至少实施如本文所定义的方法的步骤c) iii)和c) iv)和/或如本文所定义的另一种方法的步骤iii)和iv)的装置。
还提供了设备,其包含如本文所定义的测定装置和计算机程序产品。
附图简述
图1显示亚群、例如如本文所定义的PcaGS的特殊处理的基本原理的假设说明。
发明详述
为了本申请的目的和为了清楚,进行以下定义:
术语“PSA”通常是指血清前列腺特异性抗原。PSA以不同形式存在,其中术语“游离PSA”是指未结合或不结合至另一种分子的PSA,术语“结合的PSA”是指结合至另一种分子的PSA,且最后,术语“总PSA ”是指游离的PSA和结合的PSA的总和。术语“F/T PSA”是未结合的PSA与总PSA的比率。还存在PSA的分子衍生物,其中术语“proPSA”是指PSA的前体非活性形式,且“完整PSA”是指以完整和非活性形式发现的proPSA的额外形式。
术语“诊断测定”是指病理状况的存在或性质的检测。它可以与 “诊断方法” 互换使用。诊断测定在它们的灵敏度和特异性方面不同。
诊断工具的有用性的一种量度是“受试者工作特征曲线下面积(area under thereceiver – operator characteristic curve)”,其通常被称为ROC-AUC统计。这种广泛接受的量度考虑工具的灵敏度和特异性两者。ROC-AUC量度通常范围为0.5至1.0,其中0.5的值指示该工具不具有诊断价值,且1.0的值指示该工具具有100%灵敏度和100%特异性。
术语“灵敏度”是指本身正确鉴定的所有具有PCa或aPCa的受试者的比例(其等于真阳性的数目除以真阳性和假阴性的数目的总和)。
术语“特异性”是指本身正确鉴定的就PCa而言健康(即不具有PCa)的所有受试者的比例(其等于真阴性的数目除以真阴性和假阳性的数目的总和)。
术语“生物标志物”是指蛋白、蛋白部分、肽或多肽,其可以用作生物标志物,例如用于诊断目的。
术语“激肽释放酶样生物标志物”是指属于蛋白的激肽释放酶家族或与蛋白的激肽释放酶家族相关的蛋白生物标志物,包括但不限于游离形式或复合形式的前列腺特异性抗原(PSA),pro PSA(PSA的同种型的集合),及具体而言截短形式(−2) pro PSA,完整PSA,人前列腺酸性磷酸酶(PAP)和人激肽释放酶2(hK2)。
术语“单核苷酸多态性”(SNP)是指个体的遗传密码中的定义基因座的遗传特性。SNP可以与PCA的增加风险相关,并且因此可以用于个体的诊断或预后评价。单核苷酸多态性数据库(dbSNP)是由国家生物技术信息中心(NCBI)与国家人类基因组研究所(NHGRI)(均位于美国)合作开发和主持的不同物种之内和之间的遗传变异的档案。尽管数据库的名称暗示仅一类多态性的集合(即,单核苷酸多态性(SNP)),但其实际上含有一定范围的分子变异。每个独特提交的SNP记录接受参考SNP ID编号(“rs#”;"refSNP簇")。在本申请中,主要使用rs#编号标识SNP。
术语“侵袭性前列腺癌”(aPCa)是指比平均前列腺癌疾病更严重的病况。aPCa可以以不同方式定义,包括但不限于(a) Gleason评分7或更高的前列腺癌,(b) 三期或更高的肿瘤阶段中的前列腺癌,(c) 具有大于10 ng/mL的PSA值的个体中的前列腺癌,(d) 具有渐增PSA值(小于一年的倍增时间)的个体,和(e) 计算机辅助图像分析(例如,正电子发射断层摄影(PET)或单光子发射计算机化断层摄影(SPECT)或计算机化x射线断层摄影(CT)或磁共振成像(MRI)或超声成像或任何其他计算机辅助图像分析),其指示患者群体的较高四分位数中的肿瘤大小。
术语“医疗史”是指对于任何癌症疾病与历史检查、诊断和/或治疗相关的信息。医疗史的一个非限制性实例是,受试者是否已经先前通过前列腺的活组织检查检查PCa的存在。
术语“复合值(composite value)”是指将与参数类别相关的数据组合成所述参数类别的代表值。复合值通常可以被描述为方程的集合,其中不同的方程适用于其中参数类别的成员的不同子集的测量结果可用的情况。形成特定参数类别的复合值的方法的一个非限制性实例是使用所述类别的成员的可用结果的平均值。本文中,术语“一般PCa群体复合值”以及“PCaGS复合值”还用于进一步定义当从源自相应亚组和一般群体的数据制备时获得的复合值。
本文使用的术语“PCaGS”是前列腺癌遗传亚群的缩写。该术语在本文中意指由其一种或多种遗传特性定义的个体亚群,其中遗传特性是偏离“一般”前列腺癌群体的特性。PCaGS亚组可以通常定义为通过与少数、诸如小于10、诸如1、2、3、4、5、6、7、8、9或10个定义的遗传改变相关的特定遗传特征、诸如SNP的一个或多个定义的风险等位基因鉴定的亚组,其中单独的每个定义的遗传改变或组合的多个定义的遗传改变确定个体是否是PCaGS亚组的成员。合适的“PCaGS”的非限制性实例是携带rs138213197的至少一个风险等位基因的个体。合适的“PCaGS”的另一个非限制性实例是携带多于一个、诸如两个共同使得到PCa的总体风险升高至少20%的SNP的个体。“PCaGS”通常占整个群体的少于20%,且更经常群体的少于10%。PCaGS的一个实例是具有已知单独或一起使PCa的风险增加或降低超过20%的一种或多种遗传特性的个体。因此,通常如上所提及,几个SNP(例如1、2、3、4或5个SNP)经常足以准确地确定特定PCaGS的成员资格。在一些情况下,可以设想更大数目的SNP,诸如5-10或10-15或甚至15-30个SNP,这取决于定义的PCaGS的复杂性。
在本文中,如果属于这种亚群(PCaGS)的个体在用于指示在这种个体中的前列腺癌或侵袭性前列腺癌的存在或不存在的方法中分开处理,则已经证明优点。这意味着对于这样的组,与对于属于“一般”前列腺癌群体的个体相比,其他标准和/或截止值优选用于指示前列腺癌或侵袭性前列腺癌的存在或不存在,如本文进一步定义。如果不考虑这些差异,则存在该方法对于亚组或一般群体或两者产生更高量的假阳性和/或假阴性结果的风险。
“PCa相关参数”在本文中意欲广泛地指代任何进一步参数,其在或者属于PCaGS或者不属于PcaGS的个体中确定,并且改进用于指示如本文所定义的前列腺癌或侵袭性前列腺癌的存在或不存在的方法。对于属于PCaGS的个体,这可以例如意味着以如本文所定义的PCaGS群体依赖性方式(即使用与用于一般PCa群体不同的截止值)测量和处理PSA值和/或将关于PCa相关生物标志物状态和PCa相关遗传状态的数据组合成复合值并与特定PCaGS定义的截止值进行比较,以指示前列腺癌或侵袭性前列腺癌的存在或不存在。
在本文的方法中进行的“遗传分析”是指确定遗传特性,更具体地确定个体中的前列腺癌或侵袭性前列腺癌的一个或多个定义的风险等位基因的存在或不存在。该遗传分析在本文中也可称为确定“PCaGS相关遗传状态”。“遗传分析”步骤还可以包括通过确定所述个体中的定义量的与PCa相关的SNP的存在来确定PCa相关遗传状态的步骤,如本文进一步定义。
术语“参数类别”是指一组或一个家族的相关参数,诸如相关的生物标志物或相关的SNP,这在预测性能的方面是部分或完全冗余的。参数类别的一个实例是“激肽释放酶样生物标志物”,即包括例如PSA、总PSA(tPSA)、完整PSA (iPSA)、游离PSA (fPSA)和hk2的类别。在本发明的预测模型中,其可足以具有每个类别的成员的子集的测量结果(数据),以使每个类别在预测模型中被代表,虽然仅使用各自类别的成员的子集。术语“参数类别”有时在本申请中被称为唯一“类别”。
术语“数据的冗余设计组合”是指通过多次测量获得的数据的组合,以形成一个或多个参数类别或其子集的复合值,其中进行数据的组合,使得可以基于所述类别的数据的子集(例如,其中一些数据丢失或错误)或所述类别的数据的完整集合产生代表一个参数类别的复合值。
当本文提及“定义量”时,这通常涉及本文呈现的方法或装置中使用的PCa相关生物标志物和/或与PCa相关的SNP的量。定义量可以是生物(血液)样品中的PCa相关生物标志物的任何量或浓度(例如表示为ng/ml)。定义量可以是使得能够估计个体的PCa状态的特定SNP的等位基因的任何量或数目。本文还呈现定义量的SNP和PCa相关生物标志物的更具体实例。
详述
本发明提供了辅助估计、检测和/或测定受试者中前列腺癌(PCa)或侵袭性前列腺癌(aPCa)的存在或不存在的诊断方法。本发明针对定义亚群(PCaGS – 前列腺癌遗传亚群)进行调整,以增加本发明在所述亚群内的性能和有用性。尽管本发明可应用于男性个体的一般群体,但可以构建诊断方法用于对于定义亚群以增强的性能检测PCa或aPCa。因此,本发明的本质和本文令人惊讶地显示的是这样的事实,在不希望受理论束缚的情况下,某些个体看起来具有特定生物学,其使得诊断方法和截止值适用于一般群体,不同样适合于属于亚群的个体。在此,这被定义为遗传亚群(PCaGS)。
本发明利用该亚群中的差异来改进用于指示前列腺癌或侵袭性前列腺癌的存在或不存在的先前方法,特别是利用PCa遗传和生物标志物状态用于所述适应症的方法。
具有至少一种已知使PCa风险增加或降低超过20%的单一遗传特性的个体是亚群PCaGS的实例。在第一个提及的亚群内,个体的PCa或aPCa的风险高于一般群体,其在以前已经在例如Ewing CM和共同作者如在N Engl J Med. 2012 Jan 12;366(2):141-9中发表的“Germline mutations in HOXB13 and prostate-cancer risk.”中显示。一个单一遗传突变导致风险大幅增加的事实意味着突变对生物机制具有关键的负面影响。在此类情况下,不希望受理论束缚,生物学本身可能在其他生物标志物方面变得不同,这进而意味着生物标志物的传统限制和范围可能对亚群PCaGS无效。这意味着当评价个体是否处于具有PCa或aPCa的升高风险时,如本文进一步描述的以与一般群体不同的方式处理亚群PCaGS的成员是有益的。
因此,本文提供了用于指示个体中的前列腺癌(PCa)的存在或不存在的方法,其包括以下步骤:
a)进行从所述个体获得的生物样品的遗传分析,其包括确定与PCa遗传亚群(PCaGS)相关的单核苷酸多态性(SNP)的一个或多个定义的风险等位基因的存在或不存在,其中如果所述一个或多个定义的风险等位基因存在于所述样品中,则确定所述个体属于所述PCaGS,并且如果所述SNP的一个或多个定义的风险等位基因不存在于所述样品中,则确定所述个体不属于所述PCaGS;
b)如果在步骤a)中确定所述个体属于PCaGS,则确定和表征所述个体中的一个或多个额外的PCa相关参数,以指示所述PCaGS个体中的PCa的存在或不存在;
c)如果确定步骤a)中的所述个体不属于PCaGS,则
i)测定所述个体中定义量的PCa相关生物标志物的存在或浓度;
ii)通过确定所述个体中的定义量的与PCa相关的SNP的风险等位基因的存在或不存在来确定PCa相关遗传状态;
iii)组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成一般PCa群体复合值;
d)通过将所述一般PCa群体复合值与用已知一般PCa群体的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述一般PCa群体复合值与所述个体中的PCa的存在或不存在相关联。
还提供了这样的方法,其中上述方法的步骤b)包括两个替代方案,即i)指示所述PCaGS个体中的PCa的存在或不存在,或ii)测定和表征所述个体中的一个或多个额外的PCa相关参数以指示所述PCaGS个体中的PCa的存在或不存在。在这个替代方案中,涉及步骤b)的以下步骤将涉及步骤b), ii)。
此外提供了本文的方法,其中在步骤b)中:
i. 测定从所述PCaGS的个体获得的生物样品中定义量的PCa相关生物标志物的存在或浓度;
ii. 通过确定所述PCaGS个体中的定义量的与PCa相关的SNP的一个或多个风险等位基因的存在或不存在来确定PCa相关遗传状态;
iii. 组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成PCaGS复合值;
iv. 通过将所述复合值与用已知PCaGS的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述PCaGS复合值与所述个体中的PCa的存在或不存在相关联。
本文提供的方法可用于指示前列腺癌或侵袭性前列腺癌的存在或不存在。当该方法的目的是指示前列腺癌的存在或不存在时,可以用从已知一般PCa群体获得的样品、用已知PCaGS的对照样品和Pca不存在的对照样品建立截止值。当该方法的目的是指示侵袭性前列腺癌的存在或不存在时,可以用已知一般侵袭性PCa群体的样品、用已知侵袭性PCaGS的对照样品和Pca不存在的对照样品建立截止值。
提供了本文的方法,其中在其步骤a)中,如果个体是一个或多个SNP(比值比为1.2至2)的纯合子风险等位基因携带者和/或一个或多个SNP(比值比为>2)的杂合子风险等位基因携带者,则确定所述个体属于PCaGS。符合这种定义的条件的一个或多个SNP选自rs16901979、rs7818556、rs12793759和rs138213197。
此外,在步骤a)中,如果个体是两个或更多个不同SNP(每个SNP的比值比为1.2至2)的杂合子风险等位基因携带者,则可以确定所述个体属于PCaGS。
额外的SNP呈现于下表1中。表1中列出的SNP在至少一个群组中已被指定大于1.2的比值比,但在其他群组中可能已被指定小于1.2的比值比。因此,表1中的所有SNP都是定义PCaGS的合适候选者。
表 1:SNP比值比。
此外,如果个体携带至少一种已知使PCa风险增加大于20%的单一遗传特性,或者如果所述个体携带两种在一起使前列腺癌的风险增加大于20%的遗传特性,则可以确定所述个体属于PCaGS。
与PCa或aPCa的风险增加近似20%(或更多)相关的遗传改变的实例包括但不限于rs16901979、rs7818556、rs12793759和rs138213197。还存在导致风险显著降低的遗传改变的实例,诸如rs16860513和rs7106762,提及两个非限制性实例。进一步实例在下表2中提及。表2中列出的SNP在至少一个群组中已被指定小于0.8的比值比,但在其他群组中可能已被指定大于0.8的比值比。因此,表2中的所有SNP都是定义PCaGS的合适候选者。
表 2:SNP比值比。
还提供了这样的方法,其中在步骤a)中,如果个体携带rs138213197的至少一个风险等位基因,则确定所述个体属于PCaGS。这一风险等位基因与大于20%的Pca的风险增加相关。还提供了这样的方法,其中在步骤a)中,如果个体具有超过阈值的(PCaGS)遗传风险评分,则确定所述个体属于PcaGS,其中所述遗传风险评分基于一个或多个选自以下的SNP:rs16901979、rs7818556、rs12793759、rs138213197、rs16860513和rs7106762。
在进一步方面,提供了这样的方法,其中在步骤b) ii)中从所述个体获得的所述生物样品中测量PSA值,并且其中用于指示PCaGS个体中的前列腺癌的存在的PSA截止值比用于指示前列腺癌的存在的标准一般群体PSA截止值显著更低。
在这方面,“明显更低”可以是例如比标准截止值低至少约10%,诸如比标准截止值低至少约10%、15%、20%、30%、40%或甚至50%,诸如比其低至少约10%、15%、20%、30%、40%或甚至50%,例如约4.0 ng/ml或3.0 ng/ml,其取决于区域。
还存在应当使用与标准PSA截止值相比“显著更高”的截止值的可能性。在这方面,显著更高的值可以比标准PSA值高约10%,诸如比标准截止值高约10%、15%、20%、30%、40%或甚至50%,诸如比其高10%、15%、20%、30%、40%或甚至50%,例如约4.0 ng/ml或约3.0 ng/ml,其取决于区域。
作为一个实例,在PSA ≥ 4.0 ng/ml被用作一般群体的截止值的假设下,当被定义为PCaGS的成员时,所述PCaGS个体的PSA截止值可以为≥约3.6 ng/ml,所述PCaGS通过作为一个或多个SNP(比值比为1.2至2)的纯合子风险等位基因携带者和/或一个或多个SNP(比值比为>2)的杂合子风险等位基因携带者(例如携带rs16901979、rs7818556、rs12793759和/或rs138213197)来定义,并且其中PSA值≥约3.6 ng/ml指示所述生物样品来源的所述PCaGS个体中的前列腺癌或侵袭性前列腺癌的存在的风险增加。
如先前所提及,提供了这样的方法,其中在步骤a)中,如果个体携带rs138213197的至少一个风险等位基因,则确定所述个体属于PCaGS。还提供了这样的方法,其中在步骤b)中从携带rs138213197的至少一个风险等位基因的所述PCaGS个体获得的所述生物样品中测量PSA值,并且其中如前文所提及,用于指示所述PCaGS个体中的前列腺癌的存在的PSA截止值比用于指示前列腺癌的存在的标准一般群体PSA截止值显著更低。
实施例6的表5、6和7显示PCaGS特异性PSA截止值以分别匹配如用于一般群体用于检测侵袭性前列腺癌的PSA = 3 ng/ml的性能,如用于一般群体用于检测前列腺癌的PSA =3 ng/ml的性能,和用于检测前列腺癌的PSA = 4 ng/mL的性能。因此,可以将这些值设置为用于检测这些特定PCaGS中的PCa的替代PSA截止值。
实施例6的PCaGS包括:
- HOXB13阳性、即rs138213197阳性的个体(PCaGS_ex2),
- 定义含有(rs16901979、rs7818556、rs12793759、rs138213197)的风险评分的PcaGS具有大于0.7的值的个体(PCaGS_61)
- 定义含有(rs16901979、rs7818556、rs12793759、rs138213197、rs16860513、rs7106762)的风险评分的亚组具有大于0.7的值的个体(PCaGS_62)
- 定义含有表1和表2中列出的SNP的风险评分的PcaGS具有大于0.45的值的个体(PCaGS_63)。
这些PcaGS全部都是本公开内容所涵盖的亚群。
如实施例6中所示,为了匹配如用于一般群体用于检测PCaGS_ex2个体中的侵袭性PCa的通常应用的PSA = 3ng/mL的灵敏度或特异性,分别为约2.5至约2.7 ng/mL和约1.3至约1.5 ng/mL的PSA截止值适合于指示在这种PCaGS个体中的侵袭性Pca的存在(表5)。如表6中所见,所述PCaGS个体(PCaGS_ex2)的PSA截止值可以为≥约1.6 ng/ml,其中取决于选择的灵敏度或特异性以及当检测前列腺癌时当匹配如用于一般群体的PSA = 3 ng/mL的性能时,≥约1.6 ng/ml的PSA值可指示所述生物样品来源的所述PCaGS个体中的前列腺癌或侵袭性前列腺癌的存在的风险增加。实施例6的表7说明如何可以将相同的方法应用于PCa亚组以匹配用于检测一般群体中的前列腺癌的通常应用的4 ng/mL的PSA值。以相同的方式,可以从实施例9的表5至7推断其他提及的PCaGS的PSA截止值。
因此,本文还提供了这样的方法,其中用于指示PCaGS个体中的前列腺癌的存在的PSA截止值为约1.8至约2.0 ng/ml或约1.3至约1.5 ng/mL,以分别关于灵敏度和特异性匹配用于一般群体用于检测前列腺癌的约3 ng/mL的PSA的性能。这可以应用于例如在实施例6中鉴定为PCaGS_62的PCaGS。
还提供了这样的方法,其中用于指示所述PCaGS个体中的侵袭性前列腺癌的存在的PSA截止值为约2.7至约2.9 ng/ml或约1.4至约1.5 ng/mL,以分别关于灵敏度和特异性匹配用于一般群体用于检测侵袭性前列腺癌的约3 ng/mL的PSA的性能。这可以应用于例如在实施例6中鉴定为PCaGS_62的PCaGS。
还提供了这样的方法,其中用于指示所述PCaGS个体中的前列腺癌的存在的PSA截止值为约1.5至约1.7 ng/mL或约1.1至约1.3 ng/mL,以分别关于灵敏度和特异性匹配用于一般群体用于检测前列腺癌的约3 ng/mL的PSA的性能。这可以应用于例如在实施例6中鉴定为PCaGS_ex2的PCaGS。
参考实施例6的表5至7,本公开涵盖与所述表中提及的其他PCaGS相关的相同方面。
因此,本文还提供了用于指示个体中的前列腺癌(PCa)的存在或不存在的方法,其包括以下步骤:进行从所述个体获得的生物样品的遗传分析,其包括确定与PCa遗传亚群(PCaGS)相关的单核苷酸多态性(SNP)的一个或多个定义的风险等位基因的存在或不存在,其中如果所述一个或多个定义的风险等位基因存在于所述样品中,则确定所述个体属于所述PCaGS,并且如果所述SNP的一个或多个风险等位基因不存在于所述样品中,则确定所述个体不属于所述PCaGS;并且如果在步骤a)中确定所述个体属于PCaGS,则确定和表征所述PCaGS个体中的一个或多个额外的PCa相关参数,以指示所述PCaGS个体中的PCa的存在或不存在;其中所述PCaGS个体中的所述一个或多个额外的PCa相关参数包括测量所述个体中的PSA值。
尽管本发明主要在与升高风险相关的遗传状态(例如可以与具有PCa或aPCa的风险增加相关的DNA的点突变)的方面进行描述,但本发明也适用于其中遗传状态与具有PCa或PCa的风险降低相关的情况。两个SNP rs16860513和rs7106762代表两个SNP的实例,所述SNP与PCa或aPCa的显著降低的风险相关。在这样的方面,如果个体携带rs16860513或rs7106762的至少一个风险等位基因,则确定所述个体属于PCaGS。
此外,尽管本发明已主要在由于DNA的一个或多个点突变导致的与PCa或aPCa风险升高相关的遗传状态方面进行描述,但本发明也适用于其中遗传状态被确定为序列中的多个核苷酸的缺失、端粒长度的改变、一个或多个染色体的存在或不存在以及类似的更大规模的遗传改变的情况。在这样的方面,如果个体携带序列中的多个核苷酸的缺失、端粒长度的改变、一个或多个染色体的存在或不存在以及类似的更大规模的遗传改变,则确定所述个体属于PCaGS。
还提供了本文的方法,其中由于在第一步骤中的那个,PCaGS从一般群体中“分选出”,指示也在一般群体中的PCa或aPCa的存在或不存在得到改善。
本文提供的方法的基本原理是,以一定方式使用生物标志物和遗传信息的组合,所述方式使得关于个体的评价信息的组合使用改善诊断的质量。
在下面提及在本发明的上下文中有用的类别/动作/参数。应当注意的是,它们中的仅一些也可以以不同的组合用于如本文进一步定义的方法中。
参数/类别/动作,在本文中也定义为“PCa相关参数”
● 从所述患者收集关于PCa的家族史(类别HIST)。
● 收集患者身体数据,诸如体重、BMI、年龄和类似数据(类别PPD)
● 从所述患者获取许多生物样品。
● 在所述生物样品中,定量多种(定义量)的生物标志物(类别生物标志物)的存在或浓度。
● 在所述生物样品中,定量就多种(定义量)的与PCa相关的SNP(类别SNPpc)而言所述患者的遗传状态。
● 确定所述患者是否属于亚群PcaGS。
● 以PCaGS依赖性方式组合来自上述定义的类别中的至少两种的数据,以形成PCaGS复合值,其用于检测早期前列腺癌。
● 通过单独或与进一步数据组合使用所述PCaGS依赖性复合值确定所述患者是否可能患有PCa或aPCa。
因此,所述方法进一步可以包括从所述个体收集关于Pca或aPCa的家族史、治疗史和身体数据;其中在组合数据中包括所述家族史、治疗史和/或身体数据,形成所述复合值。关于所述患者的身体信息通常通过定期体检获得,其中收集年龄、体重、身高、BMI和类似身体数据。
更详细地,包括收集家族史的步骤包括,但不限于,鉴定任何密切相关的男性家庭成员(诸如患者的父亲、兄弟或儿子)是否患有或已经患有PCa或aPCa。
从患者收集生物样品包括但不限于血浆、血清、来自外周血白细胞的DNA和尿液。因此,本文中,所述生物样品可以是血液样品。
在该方法中获得的复合值大于截止值的情况下和/或为了进一步改善该方法的结果,本文提供的方法可以包括额外的步骤。所述截止值可以是如本文所定义的任何截止值。
因此,提供了本文的方法,其进一步包括,如果复合值大于截止值,则推荐所述个体进行活组织检查。方法还可以包括,如果复合值大于截止值,则推荐所述个体改变饮食习惯、减肥、达到低于30的BMI值、定期锻炼和/或停止吸烟。此外,方法可以包括从所述个体收集关于PCa的家族史、治疗史和身体数据;且其中在组合数据中包括所述家族史、治疗史和/或身体数据,形成所述复合值。
生物样品中生物标志物的存在或浓度的定量可以以许多不同的方式进行。一种常用方法是使用酶联免疫吸附测定(ELISA),其使用抗体和校准曲线来评价所选生物标志物的存在和(如果可能)浓度。ELISA测定是本领域中常用且已知的,如从Shiiki N和共同作者在Biomarkers.2011 Sep;16(6):498-503中公开的出版物“Association between salivaPSA and serum PSA in conditions with prostate adenocarcinoma.”(其通过引用并入本文)所明显。另一种常用方法是使用微阵列测定用于定量生物样品中生物标志物的存在或浓度。典型微阵列测定包含平面载玻片,所述平面载玻片上在其载片的一面上的非重叠区域中结合多种不同的捕获试剂(通常是抗体),各自经选择以特异性捕获一种类型的生物标志物。允许生物样品接触所述捕获试剂定位的区域持续定义时间段,随后洗涤捕获试剂的区域。在该点,在生物样品中存在所寻求的生物标志物的情况下,相应的捕获试剂将已经捕获一部分所寻求的生物标志物,并且使之在洗涤后也结合至载玻片。接下来,将一组检测试剂添加至捕获试剂的区域(其现在可能保持结合的生物标志物),所述检测试剂能够(i)结合至如载玻片上呈现的生物标志物和(ii)产生可检测信号(通常通过缀合至荧光染料)。通常要求将一种检测试剂/生物标志物添加至载玻片。存在能够定量生物标志物的存在或浓度的许多其他方法,包括但不限于,免疫沉淀测定、免疫荧光测定、放射免疫测定、和使用基质辅助激光解吸/电离(MALDI)的质谱,仅举几例。
因此,本文中的PCa生物标志物的存在或浓度的测量可以通过使用微阵列技术进行。
通过分析生物样品定量遗传状态通常涉及基于等位基因特异性引物延伸的MALDI质谱分析,尽管其他方法同样适用。这适用于任何类型的遗传状态,即与PCa相关的SNP,和与生物标志物表达相关的SNP。
因此,定义量的SNP的存在或不存在的测量可以通过使用MALDI质谱法进行。
可以进行个体是否属于PcaGS的确定作为确定PCa相关遗传状态的一部分。这意味着不需要额外的测量或数据输入来确定个体是否属于PcaGS亚群。这意味着包括进行从所述个体获得的生物样品的遗传分析(其包括确定与PCa遗传亚群(PCaGS)相关的单核苷酸多态性(SNP)的一个或多个定义的风险等位基因的存在或不存在以确定所述个体是否属于PCa遗传亚群(PCaGS))的步骤还可以包括:i. 测定从所述PCaGS的个体获得的生物样品中定义量的PCa相关生物标志物的存在或浓度;ii. 通过确定所述PCaGS个体中的定义量的与PCa相关的SNP的一个或多个风险等位基因的存在来确定PCa相关遗传状态;iii. 组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成PCaGS复合值;iv. 通过将所述复合值与用已知PCaGS的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述一般群体复合值与所述个体中的PCa的存在或不存在相关联。
用于诊断PCa或aPCa的合适生物标志物包括,但不限于,游离形式或复合形式的前列腺特异性抗原(PSA),pro PSA(PSA的同种型的集合),及具体而言截短形式(−2) proPSA,完整PSA,人前列腺酸性磷酸酶(PAP),人激肽释放酶2(hK2),早期前列腺癌抗原(EPCA),前列腺分泌蛋白(PSP94;也称为β-微精原蛋白和MSMB),谷胱甘肽S-转移酶π(GSTP1),和α-甲基酰基辅酶A消旋酶(AMACR)。可用于改善方法的诊断准确性的相关生物标志物包括巨噬细胞抑制细胞因子1(MIC-1;也称为GDF-15)。
因此,本文的PCa相关生物标志物可以包含一种或多种激肽释放酶样PCa生物标志物,诸如选自(i) PSA、(ii)总PSA (tPSA)、(iii)游离PSA (fPSA)和(iv) hK2的激肽释放酶样PCa生物标志物中的至少一种、诸如两种。
本文的PCa相关生物标志物也可以包含一种或多种激肽释放酶样PCa生物标志物,诸如选自(i) PSA、(ii)总PSA (tPSA)、(iii)完整PSA (iPSA)、(iv)游离PSA (fPSA)和(v)hK2的激肽释放酶样PCa生物标志物中的至少一种、诸如两种。
PCa相关生物标志物还可以包含MIC-1和任选其他MIC-1相关生物标志物,或生物标志物MSMB和任选其他MSMB相关生物标志物。
还提供了如本文先前公开的方法,其中来自至少三种、诸如三种、四种或五种PCa相关生物标志物(诸如激肽释放酶样生物标志物)的数据用于形成所述复合值。在这种方法中,所述方法允许当形成所述复合值时忽略所述PCa相关生物标志物中的至少一种的数据的子集,诸如所述PCa生物标志物中的一种、两种、三种或四种的数据的子集,但是,其中从所述PCa相关生物标志物维持并且在所述方法中使用的数据足以生成复合值。在所述方法中使用的PCa相关生物标志物(诸如激肽释放酶样生物标志物)的量可以是至少三种,或在一些情况下两种生物标志物。
本文中,可以测定生物标志物PSA、iPSA、tPSA、fPSA、MIC-1、MSMB和hK2中的至少一种的浓度。其后,所述复合值可以使用这样的方法计算,其中利用与PCa生物标志物浓度相关的SNP和相应的生物标志物浓度的非累加效应。
PCa生物标志物的存在或浓度的测定可以通过使用微阵列技术来进行,如本文中先前所提及。
在根据本发明的方法的背景下的合适的SNP
可以在本发明的背景下使用的与PCa或aPCa相关的合适SNP包括但不限于:
列表1:
和/或
列表2
和/或
列表3
和/或
列表4:
。
也可以使用任何上述SNP列表中的SNP的子集,诸如包含本文提及的任何SNP列表的约90%的SNP的子集,或包含本文呈现的任何列表中的SNP的约80%、诸如75%、70%、65%或60%的子集。这些可以被置于相同的固体支持物(例如相同载玻片)上,用于在合适的分析仪器中同时检测。该列表还可以含有其他额外的SNP。还可以组合各个列表上存在的SNP。
合适的与除了PCa以外的其他过程相关的SNP包括但不限于rs3213764、rs1354774、rs2736098、rs401681、rs10788160、rs11067228,所有都与PSA的表达水平相关。也可将参数类别定义为“与PSA的浓度相关的SNP”或“与PSA的表达水平相关的SNP”,其包括与PSA的浓度或表达水平相关的SNP。该类别的成员的子集将足以代表预测模型中的类别本身。SNP rs3213764和rs1354774特别与游离PSA的表达水平相关。
合适的与除了PCa以外的其他过程相关的SNP进一步包括但不限于rs1363120、rs888663、rs1227732、rs1054564,所有都与炎症细胞因子生物标志物MIC1的表达水平相关。可将参数类别定义为“与MIC1的浓度相关的SNP”或“与MIC1的表达水平相关的SNP”,其包括与MIC1的浓度或表达水平相关的SNP。该类别的成员的子集将足以代表预测模型中的类别本身。
可将参数类别定义为“与PCa生物标志物浓度相关的SNP”或“与PCa生物标志物表达水平相关的SNP”,其包括与相关生物标志物的浓度或表达水平相关的SNP,所述相关生物标志物诸如游离形式或复合形式的前列腺特异性抗原(PSA),pro PSA(PSA的同种型的集合),及具体而言截短形式(−2) pro PSA,完整PSA,人前列腺酸性磷酸酶(PAP),人激肽释放酶2(hK2),早期前列腺癌抗原(EPCA),前列腺分泌蛋白(PSP94;也称为β-微精原蛋白和MSMB),谷胱甘肽S-转移酶π(GSTP1),α-甲基酰基辅酶A消旋酶(AMACR)和巨噬细胞抑制细胞因子-1(MIC-1;也称为GDF-15)。该类别的成员的子集将足以代表预测模型中的类别本身。
合适的与除了PCa以外的其他过程相关的SNP进一步包括但不限于rs3817334、rs10767664、rs2241423、rs7359397、rs7190603、rs571312、rs29941、rs2287019、rs2815752、rs713586、rs2867125、rs9816226、rs10938397和rs1558902,所有都与个体的BMI相关。如PLoS One.2013 Aug 7;8(8):e70735中公开的Mägi和共同作者的报告“Contribution of 32 GWAS-identified common variants to severe obesity inEuropean adults referred for bariatric surgery” (其通过引用并入本文)中公开了其他合适的与BMI相关的SNP。可将参数类别定义为“与BMI的表达水平相关的SNP”,其包括与个体的BMI相关的SNP。该类别的成员的子集将足以代表预测模型中的类别本身。
提供了这样的方法,其中在所述方法中使用的定义量的与PCa相关的SNP是至少50个SNP,诸如至少55、60、65、60、75、80、85、90、95、100、105、110、115、120、130、140、150、160、170、180、190、200、210、220、230、240、250、260、270、280、290或300个SNP。
本文的方法还允许当形成复合值时忽略SNP的约10%且任选最高达约30%、诸如约15%、20%或30%的数据的子集。
本文的方法中使用的SNP可以选自本文呈现或如本文在任何上下文中进一步提及的列表1、2或3中的任一个的SNP。
当在PCa或aPCa的背景下在如本文所定义的方法中使用SNP时,该列表可以与选自PSA、游离PSA、hK2、MIC-1和MSMB的生物标志物中的一种或多种,诸如来自该组的1、2、3、4、5或6种,诸如至少3种生物标志物进行组合。
当在PCa或aPCa的背景下在如本文所定义的方法中使用SNP的列表时,该列表可以与选自PSA、游离PSA、完整PSA、hK2、MIC-1和MSMB的生物标志物中的一种或多种,诸如来自该组的1、2、3、4、5或6种,诸如至少3种生物标志物进行组合。
如本文先前所提及,遗传状态的确定可以通过使用MALDI质谱法进行。
本文还提供了用于进行如本文所定义的方法的测定装置,所述测定装置包含其上固定有至少三种不同类别的配体的固相,其中:
- 所述配体的第一类别特异性结合定义量的PCa相关生物标志物,并且包括特异性结合所述PCa相关生物标志物各自的多种不同配体,且
- 所述配体的第二类别特异性结合定义量的与PCa相关的SNP,并且包括特异性结合所述SNP各自的多种不同配体,且
- 所述配体的第三类别特异性结合一种或多种PCa遗传亚群(PCaGS) SNP。
PCa遗传亚群(PCaGS) SNP的实例是rs16901979、rs7818556、rs12793759和rs138213197。因此,在所述测定装置中,第三类别可以特异性结合选自以下的SNP中的至少一种:rs16901979、rs7818556、rs12793759和rs138213197。或者,PCa遗传亚群(PCaGS) SNP可以包含比值比小于约0.8的SNP。其他PCaGS的实例也在本文别处提供并且同样适用。
本文还提供了测定装置,其中PCa相关生物标志物是本文先前定义的任何PCa相关生物标志物,并且结合第二类别的配体的与Pca相关的SNP是本文先前定义的任何SNP,诸如列表(列表1-4)中所呈现。
还提供了包含如本文所定义的测定装置的测试试剂盒,所述测试试剂盒进一步包含一种或多种检测分子,其用于特异性检测分别与所述第一、第二和第三类别的配体结合的PCa相关生物标志物、与PCa相关的SNP和/或PCa遗传亚群(PCaGS) SNP。
通常,当在包含处理器和存储器的计算机中执行时,借助计算机程序产品提供如下所述方法步骤中的一个或多个。
因此,本文还提供了可直接加载至数字计算机的内部存储器中的计算机程序产品,其中所述计算机程序产品包含软件代码装置,所述软件代码装置用于至少分别执行涉及以下的步骤:组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成PCaGS复合值或一般PCa群体复合值;和涉及以下的步骤:通过将所述PCaGS复合值或一般PCa群体复合值与用已知PCaGS/PCa不存在的对照样品和已知一般PCa群体PCa/PCa不存在的对照样品建立的预定截止值进行比较,将所述PCaGS复合值或一般PCa群体复合值与所述个体中的PCa或侵袭性PCa的存在相关联,用于指示个体中前列腺癌或侵袭性前列腺癌的存在或不存在。因此,本文提供了可直接加载至数字计算机的内部存储器中的计算机程序产品,其中所述计算机程序包含用于在上面提及的步骤中执行的软件代码装置。
上面提及的方法的步骤也可以描述为用经编程以从上面提及的步骤的数据形成或计算复合值的计算机进行,并且其后该方法用经编程以将复合值与所述个体中的PCa或侵袭性Pca的存在或不存在相关联的计算机进行。
因此,此外,本文还提供了非临时性的有形的计算机可读存储介质,其具有可执行指令,以进行此类计算或形成此类复合值和/或进行如上所述的关联步骤。
本文还提供了设备,其包含如本文所定义的测定装置和计算机程序产品。
如先前已经讨论,PCa筛选效率的性能的评价是困难的。尽管ROC-AUC特征提供关于性能的一些见解,但额外的方法是期望的。用于评价PCa筛选的性能的一种替代方法是以给定灵敏度水平计算阳性活组织检查的百分比和比较使用单独的PSA的筛选与用于筛选的任何新型方法的性能。然而,这要求精确定义PSA的性能。
如J Natl Cancer Inst. 2006 Apr 19;98(8):529-34中公开的报告“Assessingprostate cancer risk:results from the Prostate Cancer Prevention Trial.” (其通过引用并入本文)中IM Thompson和共同作者已经公开PSA筛选的评价性能的一个实例。在该报告中,来自参与前列腺癌预防试验(PCPT)的男性的前列腺活组织检查数据用于测定PSA的灵敏度。总体而言,来自经历前列腺活组织检查的PCPT的安慰剂组的5519个男性,在活组织检查前一年期间进行至少一次PSA测量和数字直肠检查(DRE),并且在包括前列腺活组织检查之前3年期间进行至少两次PSA测量。该报告公开,当使用3 ng/mL的PSA值作为截止值时,将错过约41%的高等级癌症(即,具有7或更高的Gleason评分的癌症)。
如JAMA.2005 Jul 6;294(1):66-70中公开的“Operating characteristics ofprostate-specific antigen in men with an initial PSA level of 3.0 ng/ml orlower”(其通过引用并入本文)中IM Thompson和共同作者已经公开使用相同研究群体的第二次分析。在该报告中,作者呈现了所有前列腺癌(Gleason 7+和Gleason 8+)的PSA的灵敏度和特异性的估计值。当使用3.1 ng/mL作为用于活组织检查的PSA截止值时,估计出对于Gleason 7+肿瘤的56.7%的灵敏度和82.3%的特异性。在该报告中,作者得出结论,不存在对于监测健康男性的前列腺癌同时具有高灵敏度和高特异性的PSA的截点(cut point),而是在PSA的所有值处的前列腺癌风险的连续区(continuum)。这说明使用PSA作为筛选测试的复杂性,但仍承认PSA与前列腺癌的关联。
在获得任何给定的诊断或预后模型在筛选PCa中的预测性能的准确和相当的估计值的困难的一个必然结果是,当计算新型方法与使用单独的PSA相比的相对改善时,计算的相对改善将根据许多因素而变化。影响计算的相对改善的一个重要因素是如何获得对照组(即已知阴性物)。由于对其中没有任何PCa的迹象的受试者上进行活组织检查是不道德的,所以将偏见地选择对照组。因此,新型方法的相对改善将取决于如何选择对照组,且存在多种公知的方法来选择对照组。因此必须鉴于这种方差看到任何报告的估计的改善。就我们的经验所及,我们估计,如果新型方法与使用用于选择对照组的一种公知的方法的单独的PSA值相比的相对改善被报告为15%,则所述新型方法比使用用于选择对照组的任何其他公知的方法的单独的PSA值将好至少10%。
为了在社会中以广泛方式变得可使用,筛选的性能必须满足合理的健康经济优势。粗略估计是,在相同灵敏度水平(即在群体中检测相同数目的前列腺癌)比PSA表现好15%(即,避免了15%的不必要的活组织检查)的筛选方法将具有以广泛方式在公共卫生系统的目前成本水平使用的机会。然而,对于个体的定义亚群,新型筛选方法可以具有与PSA值性能相比更小改善的经济学优势。值得注意的是,即使在发现用于估计PCa风险的组合模型上已经付出显著努力(如本专利申请中的几个引用文件所例举),仅一种这样的组合方法目前在瑞典斯德哥尔摩以受限的方式引入。在欧洲目前没有经常使用此类组合方法。因此,先前已知的多参数方法通常不符合可用于现代健康护理中的社会经济标准。本发明的方法具有比先前呈现的组合方法更好的性能,并且符合由健康护理系统完全考虑的社会经济性能要求。
数据的组合可以是结果的任何种类的算法组合,诸如数据的线性组合,其中所述线性组合改善了诊断性能(例如,如使用ROC-AUC测量)。用于组合成能够产生诊断估计值的模型的其他可能的方法包括(但不限于)非线性多项式、支持向量机、神经网络分类器、判别分析、随机森林、梯度加强、偏最小二乘法、岭回归(ridge regression)、套索法(lasso)、弹性网(elastic nets)、k-最近邻算法。此外,由Springer Series in Statistics, ISBN978-0387848570公开的T Hastie, R Tibshirani和J Friedman的书本“The Elements ofStatistical Learning:Data Mining, Inference, and Prediction, Second Edition”(其通过引用并入本文)描述了许多合适方法,其用于组合数据以便预测或分类特定结果。
将来自不同类别的数据转换成指示患者是否可能患有PCa或aPCa的单一值的算法优选是非线性函数,其中不同类别的依赖性用于进一步增加所述方法的诊断性能。例如,一种重要的依赖性是和与所选生物标志物的预期表达水平相关的任何相关遗传标志物组合的所述生物标志物的测量水平。在患者样品中发现升高浓度的生物标志物且同时所述患者遗传倾向于具有较低水平的所述生物标志物的情况下,升高的生物标志物水平的重要性增加。同样地,如果在遗传倾向于具有高水平的所述生物标志物的患者中的生物标志物水平明显低于正常值,则矛盾的发现增加了生物标志物水平解释的重要性。用于预测常规或侵袭性PCa的风险的算法可受益于使用转换的变量,例如通过使用log10(PSA)值。转换对于具有明显偏离正态分布的分布的变量是特别有利的。可能的变量转换包括,但不限于,对数、倒数、平方和平方根。将每个变量集中于零平均值和单位方差是更常见的。
可以如何进行数据的组合作为如本文所定义的方法的一部分的实例呈现于例如(申请人的)WO2014079865中,并且进一步描述于本文中。
尽管可以以不同的方式进行数据的组合,但可以以以下非限制性方式说明根据本发明的典型程序。
在典型情况下,关于属于参数类别的生物标志物的数据将根据预定的方程组合,以形成和与参数类别本身相关的风险相关的复合值。一个非限制性实例是计算生物标志物类别的成员的所有可用测量值(数据)的平均值,并且使用所述平均值作为代表所述生物标志物类别的复合值。该程序可以清楚地应用,而无论多少生物标志物成员属于该类别。如果类别中包括的生物标志物之一的唯一数据是可用的,则它本身可以用于代表生物标志物类别。对于生物标志物,组合数据的步骤中常用的测量值是生物样品中发现的所述生物标志物的浓度。例如,对于生物标志物PSA和HK2,这最常见地是以单位ng/mL表示的血液样品中生物标志物的浓度。
遗传评分(即遗传学复合值,或更具体地SNP复合值)计算通常基于参数类别中包括的各单独SNP的预定比值比(odds ratio)。对于各SNP,预先确定比值比,即携带SNP(即,具有由SNP定义的风险等位基因)的个体具有所研究的疾病或病况的可能性。对于SNP的比值比的确定通常在大型前瞻性研究中进行,所述大型前瞻性研究涉及数千个具有已知病况或疾病的受试者。
个体的遗传评分,作为非限制性实例,可以根据以下算法计算:对于测试的个体,各SNP以以下方式处理。对于各SNP,个体可以携带两个SNP风险等位基因(对于所述SNP纯合阳性),或者一个风险等位基因(对于所述SNP杂合阳性)或零风险等位基因(对于所述SNP纯合阴性)。SNP的等位基因的数目乘以所述SNP的比值比的自然对数,以形成该特定SNP的风险评价值。这意味着,对于特定SNP阴性(即具有零SNP风险等位基因)的个体将不具有来自所述特定SNP的任何风险贡献。对于测量数据可用的所有SNP重复该程序。当已经计算出所有风险评价值时,计算测量数据可用的SNP的风险贡献的平均值,并且将其用作所述个体的遗传评分,即关于SNP的特定类别的遗传学复合值。该程序可以清楚地应用,而无论多少SNP成员属于该SNP类别。该程序可以进一步应用于定义的(经常是非常高风险或非常低风险)SNP的小子集,以定义个体是否是特定高风险或低风险亚组的成员。
在预测发生PCa或aPCa的风险的模型中,经常存在一种或多种定义的截止值。截止值的选择取决于许多因素,包括但不限于疾病本身的风险和与将没有所述疾病的个体不准确诊断为阳性(假阳性)相关的风险。在通常情况下,预测模型通常是单调函数Y = f(x1,x2, … ,xN),其中具有疾病的估计风险与Y的增加值相关。这意味着,如果截止值被设定在低水平,则该测试将产生大量的假阳性结果,但另一方面将检测到实际上具有疾病的大部分个体。如果截止水平被设定在高值,则出现相反情况,其中具有高于截止水平的Y值的个体将以非常高概率具有疾病,但大量具有疾病的个体将收到阴性测试结果(即大量的假阴性结果)。截止水平的选择取决于许多因素,包括平衡(a)错过具有疾病的个体和(b)治疗不具有疾病的个体的社会经济结果。
在假设图中说明用于特殊处理亚群的一个基本原理(图1)。图1显示24个模拟数据点,其中20个遵循简单的线性关系101,并且四个数据点102偏离较大组。假设这24个数据点的完整数据集代表群体,并且X和Y之间的线性关系应用于24个数据点的完整数据集。这导致虚线110。尽管在数学上是正确的,但虚线110不能准确地描述大多数数据(部分101),因为部分102的偏离特性严重影响数学模型。尽管为了清楚的目的,图1中的假设说明被夸大,但它确实说明亚组或亚群的特殊处理的数学背景。在大数据集诸如遗传和蛋白生物标志物的基于群体的筛选内,获得的数据经常是与优势亚群异质的,所述优势亚群基本上遵循测量的实体和观察到的结果(例如,生物标志物浓度和疾病状态,提及一个实例)之间的简单关系。除了优势亚群以外,将存在表现出明显不同的反应模式的较小亚群。鉴定和排除偏离的亚组或亚群(诸如102)的能力将改进预测模型对于优势亚组101的性能。
当在实践中应用时,将偶尔发生一次或几次测量失败,这是由于例如不可预见的技术问题、人为错误或任何其他意外和不常见的原因。在此类情况下,对于个体获得的数据集将是不完整的。通常,这种不完整的数据集将难以评估,或者甚至不可能评估。然而,本发明依赖于大量其中许多是部分冗余的特征的测量。这意味着,还对于数据集是不完整的个体,在许多情况下将可能根据本发明产生高质量评估。这在类别内是特别真实的,其中例如激肽释放酶样生物标志物是相关且部分冗余的。在技术上,因此可能应用算法两步法,其中将激肽释放酶生物标志物贡献总结为激肽释放酶评分(或激肽释放酶值)。该激肽释放酶评分然后在第二步骤中,将其与其他数据(诸如遗传评分、年龄和家族史,举几个非限制性实例)组合,以便对PCa产生诊断或预后论断。可以对其他类的标志物,诸如与BMI相关的遗传标志物或与转化生长因子β超家族(结构上相关的细胞调节蛋白的大家族,包括MIC-1)相关的蛋白生物标志物(举两个非限制性实例)实施类似的两步程序。
遗传风险评分对于由于例如不可预见的技术问题、人为错误或任何其他意外和不常见的原因导致的数据的小量丢失也是不敏感的。这不是由于冗余,因为一个SNP对风险评分的贡献通常与任何其他SNP是不相关的。在SNP的情况下,由于各SNP导致的风险变化是小的,并且仅通过一致使用多个与病况相关的SNP,对于所述病况的风险变化变得大得足以对模型性能具有影响。这意味着,任何单一SNP对总结果的影响通常小,并且省略几个SNP将通常不以任何大的方式改变总体遗传评分风险评估。大规模遗传测量的典型数据丢失是1-2%的数量级,这意味着如果遗传评分由100个不同的SNP构成,则个体的典型遗传表征将提供关于这些SNP中的约98-99个的信息。在现有技术中,已经显示一些模型承受更大的数据损失,诸如5-7%的信息损失,或7-15%,或甚至15-30%,诸如WO 2014079865(其通过引用并入本文)中所公开。因此,本方法还基于冗余设计的数据组合,如本文别处所定义。
如EUROPEAN UROLOGY 60 (2011) 21 – 28中公开的Markus Aly和共同作者的公开报告“Polygenic Risk Score Improves Prostate Cancer Risk Prediction:Resultsfrom the Stockholm-1 Cohort Study”(其通过引用并入本文)中已经描述了用于组合来自多个来源的信息一种优选的方法。各SNP和活组织检查时的PCa之间的关联使用Cochran-Armitage趋势检验评估。具有95%置信区间的等位基因比值比(OR)使用逻辑回归模型计算。对于每个患者,遗传风险评分通过加和每个SNP的风险等位基因的数目(0、1或2)乘以该SNP的OR的对数而生成。在逻辑回归分析中探索PCa诊断和评估的风险因素之间的关联。与非遗传信息相关的模型的部分包括对数转换的总PSA、对数转换的游离PSA与总PSA比率、活组织检查时的年龄和PCa的家族史(是或否)。重复的10倍交叉验证用于估计活组织检查时PCa的预测概率。ROC-AUC值的百分之九十五置信区间使用正态近似法构建。所有报告的p值基于双侧假设。
在一些情况下,由于能够以统计学合理的方式使用侵袭性前列腺癌作为终点所需的群组大小,并不总是可能区分亚群中的一般前列腺癌和侵袭性前列腺癌。然而,在可能的情况下,对于区分一般前列腺癌和侵袭性前列腺癌存在许多合理的原因。在大多数情况下,前列腺癌是缓慢进展的疾病。大多数男性在生命中晚期确诊的事实意味着,被诊断为前列腺癌的大部分男性死于其他原因。因此,在活组织检查前估计个体是否处于具有前列腺癌和具体侵袭性前列腺癌的升高风险的能力使得可能例如激励个体改变生活方式。戒烟、达到低于30的BMI值和定期锻炼(近似30分钟,一周3-6天)是通常促进严重疾病(包括前列腺癌)的状况中存活的所有因素。因此,如果发现个体具有PCa或aPCa的升高风险,有理由建议所述个体戒烟,试图达到BMI <30且开始锻炼。另一个重要方面是饮食问题。通过改变饮食,可以减少或延迟PCa发生。如J Nutr.2013 Feb;143(2):189-96中公开的出版物“Wholemilk intake is associated with prostate cancer-specific mortality among U.S.male physicians.”(其通过引用并入本文)中Song和共同作者所报道,有证据表明,减少的饮食摄入可以降低PCa发作的风险。对于绿茶的摄入和大豆制品的摄入的积极影响存在类似的证据。因此,如果发现个体具有PCa或aPCa的升高风险,有理由建议所述个体减少乳制品的摄入和增加绿茶和基于大豆的产品的摄入。
本发明现在通过实验部分进一步例举,但不旨在限于此。
实验部分
实施例1
在第一个实施例中,PCaGS_ex1亚组定义如下:
PCaGS_ex1成员具有以下中的一项或两项:
SNP的纯合子风险等位基因携带者,SNP的比值比为1.2至2
SNP的杂合子风险等位基因携带者,SNP的比值比为>2
本实施例中使用的数据集包括来自STHLM3研究的4384个个体,并且对于每个个体,254个不同SNP的基因型(上面的列表2)、蛋白生物标志物浓度(总PSA、游离总PSA、游离完整PSA、hK2、MSMB和MIC1的浓度)、家族史、年龄、前列腺体积和数字直肠结果是已知的。308个个体(7%)是PCaGS亚群的成员。在这308个中,60个(19%)具有Gleason 7+ 癌症。
4384的群组不包括关于种族背景的信息,但是在斯德哥尔摩具有居住地址的当时年龄为50-70岁的随机选择的男性群组。瑞典是多元文化的社会。在2012年,约700 000居民(总共约900万)出生在欧洲以外,主要是在亚洲。出生在欧洲以外的瑞典居民的年龄概况明显不同于本地群体,使得较高年龄(即适合于前列腺癌测试的年龄)更普遍。这意味着该群组中的群体具有来自各个种族的明显影响。
在测量的254个SNP中,以下SNP具有大于1.2的比值比:
rs16901979具有比值比1.44
rs7818556具有比值比1.33
rs12793759具有比值比1.29
rs138213197 (HOXB13)具有比值比3.5
当比较PCaGS_ex1亚群的生物标志物特性与4076个个体的剩余群组(其中701个(17%)具有Gleason评分7+癌症)时,发现以下差异:
与剩余群组相比,PCaGS_ex1组中的PSA的性能明显不同:对于PCaGS组,单独的PSA具有0.76的AUC(相比之下,剩余群组的AUC为0.60)。事实上,具有PSA> 4 ng/mL的PCaGS _ex1个体中的47%也具有Gleason评分7+癌症,而在具有PSA> 4的男性的剩余群组中,仅31%具有Gleason评分7+癌症。
另一个明显的差异是MIC-1:在PCaGS _ex1亚群中,低于平均值的值与癌症风险增加相关,而在剩余群组中,高于平均值的值与癌症风险增加相关。
生物标志物反应改变的事实表明PCaGS_ex1亚群在潜在生物学中具有差异,暂时由基因组的关键突变引起。这意味着通过以与剩余群体不同的方式处理PCaGS _ex1亚群,将对于PCaGS_ex1亚群获得更好的诊断性能。改进对于PCaGS _ex1组的诊断性能的一种简单但强大的方法是对于PCaGS_ex1组使用一个PCaGS_ex1特异性PSA截止值,并且对于不是PCaGS_ex1亚群的成员的个体使用常规PSA截止值。
用于定义高遗传风险组PCaGS_ex1b成员的一种替代方法要求成员符合以下中的一项或多项条件:
SNP的纯合子风险等位基因携带者,SNP的比值比为1.2至2
两个不同SNP的杂合子风险等位基因携带者,每个SNP的比值比为1.2至2
SNP的杂合子风险等位基因携带者,SNP的比值比为>2。
722个个体(17%)是PCaGS_ex1b亚群的成员。在这722个中,149个(21%)具有Gleason 7+ 癌症。
当比较PCaGS_ex1b亚群的生物标志物特性与一般群体时,PSA值截止值将受益于不同。世界上一些区域应用PSA=4 ng/mL作为后续诊断程序的截止值。为了实现与对于一般群体相当的对于PCaGS_ex1b亚组的表现,基于检测定义为Gleason评分6或更高的前列腺癌的性能的比较,PCaGS_ex1b的PSA截止值需要为近似3.6 ng/mL。基于用于本实施例的患者材料,69个个体(群组的1.5%)是属于PCaGS_ex1b亚组且具有3.6 ng/mL和4 ng/mL之间的PSA值的受试者,并且这69个个体,如果根据一般群体方法处理他们,则将不用于随访。
应当注意的是,用于该分析的群组略微偏向低PSA值,意味着PCaGS_ex1b的PSA截止值具有近似性质。期望对不同的群组进行重复以证实PCaGS_ex1b的PSA截止值的正确值。
实施例2
在第二个实施例中,使用与实施例1中相同的数据集,并且PCaGS _ex2亚组被定义为携带rs138213197 (HOXB13)的至少一个风险等位基因的个体。具有大于4.0 ng/mL的PSA值的个体的分布显示于表3中:
良性 | 6或更高的Gleason评分 | 7或更高的Gleason评分 | |
PCaGS_ex2组 | 7 | 26 | 16 |
非PCaGS_ex2组 | 1151 | 830 | 439 |
表 3。
这意味着对于具有大于4.0 ng/mL的PSA值的PCaGS _ex2亚组中的个体,具有前列腺癌(Gleason评分为6或更高)的概率为近似79%,并且具有侵袭性前列腺癌(gleason评分为7或更高)的概率为近似48%。相比之下,不是PCaGS_ex2亚组的成员且具有大于4.0的PSA值的个体具有42%的前列腺癌概率和22%的侵袭性前列腺癌概率。在其中当PSA> 4时PCaGS_ex2组表现出强烈升高的风险概况的这种特殊情况下,绕过侵入性诊断程序(诸如前列腺活组织检查)并立即进行治疗可能是合理的。
世界上一些区域应用PSA=3 ng/mL作为后续诊断程序的截止值。当使用截止值3ng/mL作为参考点比较PCaGS_ex2亚群的PSA值特性与一般群体时,PCaGS_ex2亚群的PSA截止值需要为近似1.6 ng/mL以达到相当的性能(基于检测定义为Gleason评分7或更高的侵袭性前列腺癌的性能的比较)。
应当注意的是,从rs138213197分析的观点来看,用于该分析的群组没有偏向PSA>1 ng/mL。
实施例3
在第三个实施例中,使用与实施例1中相同的数据集,并且PCaGS _ex3亚组由三个SNP定义:rs7818556 (比值比= 1.33),rs9911515 (比值比= 0.8813),rs620861 (比值比=0.9359)。这三个SNP根据下面的方程组合成子集评分变量,且随后用于定义PCaGS_ex3亚组:
子集评分=总和(<风险等位基因的数目> * log(比值比))
PCaGS _ex3 =具有<-0.20的子集评分的个体
其中“总和”表示子集评分是三个SNP的风险等位基因数和对数(比值比)的乘积的总和。子集评分值范围为-0.39至+0.57。血液蛋白生物标志物hk2的性能随子集评分值而变化:对于具有< -0.2的子集评分的个体(n=926),hk2具有0.60的AUC值,而对于剩余群组(具有>= -0.2的子集评分的个体;n = 3433),hk2具有0.59的AUC值。AUC是难以解释的值,并且甚至看起来小的增加也具有临床价值。在所有情况下,本实施例说明处理亚组是有益的,因为一类信息(在该特定情况下的遗传子集评分)可以帮助确定不同类别信息的性能(在这种特定情况下是血液蛋白生物标志物)。
应当注意的是,用于该分析的群组略微偏向低PSA值,意味着该发现具有近似性质。期望对不同的群组进行重复以证实报告的值。
实施例4
在第四个实施例中,使用与实施例1中相同的数据集,并且对于每个个体,近似100个不同的SNP
的基因型、蛋白生物标志物浓度(总PSA、游离总PSA、游离完整PSA、hK2、MSMB和MIC1的浓度)、家族史、年龄、前列腺体积和数字直肠结果是已知的。308个个体(7%)是PCaGS亚群的成员。在这308个中,60个(19%)具有Gleason 7+ 癌症。
本实施例的目的是说明由大量SNP所涵盖的冗余水平。
评估数据集对于(a)包括的所有SNP;(b)包括的SNP的90%(随机选择的),(c)包括的SNP的80%(随机选择的),和(d)包括的SNP的70%(随机选择的)的预测性能(如使用AUC值所测量)。对于SNP包括的每个水平(除了100%包括以外),预测性能的评估重复9次(具有不同的随机选择的SNP子集)。涵盖所有SNP的模型的性能,用于检测Gleason 6和更高(常规和侵袭性)前列腺癌的AUC为0.667,并且用于检测Gleason 7和更高(仅侵袭性)前列腺癌的AUC为0.740。在所有随机减少的数据集中的用于检测Gleason 6或更高的最小AUC值是0.664。在所有随机减少的数据集中的用于检测Gleason 7或更高的最小AUC值是0.737。因此,从整体观点来看,最高达30%的SNP的损失不会不利影响检测Gleason 6和更高前列腺癌的能力,也不会不利影响Gleason 7和更高前列腺癌的能力。
实施例5
在第五个实施例中,使用在同一研究中的稍后时间点收集的原始数据集(具有与实施例1中描述的近似相同的种族背景的混合物),该更新的原始数据集包括超过7000个个体。通过排除具有<3 ng/mL的PSA值的所有个体来减少该原始数据集,留下4035个个体用于分析。在这些中,66个是HOXB13携带者(rs138213197)。对于HOXB13携带者,侵袭性前列腺癌(Gleason评分≥ 7)的总体风险为0.3,意味着66个个体中的20个具有侵袭性前列腺癌Gleason评分≥ 7。
开发了使用以下模型,其中HOXB13未以任何特定方式处理:
方程1:
log(p/(1-p))=-4.24551005+0.14843733*mic1-0.38243626*msmb+12.55589194*hk2+1.28151969*完整psa+0.19889028*总psa-1.32888043*游离psa-3.83565211*比率+0.05372347*年龄+0.11347054*评分+0.36517819*fh-1.29112652*prevBiop+1.09543252*dre-0.02766189*体积
其中mic1、msmb、hk2、完整psa、总psa和游离psa是指各蛋白的血液生物标志物浓度;其中比率是游离psa/总psa;其中评分是反映总体遗传风险的遗传复合评分;其中fh是指家族史(如果父亲/兄弟被诊断为PCa,则为1,否则为0);其中dre是数字直肠检查的坚定性(如果是阳性,则为1,否则为0);并且其中体积是前列腺的体积。
使用该模型,HOXB13携带者的总体风险估计为0.24,其为低估值。
接下来,开发了其中明确处理HOXB13携带者的模型。这意味着该模型包括区分一般群体和HOXB13亚组的术语。
方程2:
log(p/(1-p))=-4.26698201 + 0.14991726*mic1-0.38454609*msmb+12.39441889*hk2+1.29100995*完整psa+0.19610494总psa-1.31565142*游离psa-3.90198926*比率+0.05417630*年龄+0.09326416*评分+0.36655549*fh-1.28523130*prevBiop+1.09301427*dre-0.02746414*体积+0.41023941*hoxb13
其中mic1、msmb、hk2、完整psa、总psa和游离psa是指各蛋白的血液生物标志物浓度;其中比率是游离psa/总psa;其中评分是反映总体遗传风险的遗传复合评分;其中fh是指家族史(如果父亲/兄弟被诊断为PCa,则为1,否则为0);其中dre是数字直肠检查的坚定性(如果是阳性,则为1,否则为0);其中体积是前列腺的体积;并且其中hoxb13表明个体是否是hoxb13风险等位基因携带者(如果是真实的,则为1,否则为0)。因此,方程的最终项(0.41023941*hoxb13)将针对HOXB13阳性男性的遗传亚组调整风险水平。
使用区分HOXB13亚组与剩余群体的该HOXB13模型,HOXB13携带者的总体风险估计为0.3,其为风险的准确估计值。
两种模型对HOXB13阴性个体的性能是几乎相同的:在两种情况下,侵袭性前列腺癌的总体风险准确估计为0.15。HOXB13亚组的小尺寸限制了对群体的剩余部分的模型改进的可能性。
实施例6
如实施例1中所述的群组进行更广泛的分析,其中包括实施例2并用适合于定义PCaGS的高风险SNP的其他潜在组进行修正。
PCaGS_ex2 = 如实施例2中所定义 = HOXB13阳性的个体(n=146)
PCaGS_61 = 定义含有(rs16901979、rs7818556、rs12793759、rs138213197)的风险评分的PcaGS具有大于0.7的值的个体(n=248)
PCaGS_62 = 定义含有(rs16901979、rs7818556、rs12793759、rs138213197、rs16860513、rs7106762)的风险评分的PCaGS具有大于0.7的值的个体(n=222)
PCaGS_63 = 定义含有表1和表2中列出的SNP的风险评分的PcaGS具有大于0.45的值的个体(n=277)。
表4展现应用于完整的群组和四种定义的PcaGS的表明前列腺癌(Gleason评分= 6或更高)的存在的单独的PSA的灵敏度(sens)和特异性(spec)。在通常使用的PSA截止值3ng/mL时,如应用于完整群组的PSA具有约75%的灵敏度和约24%的特异性。包含多种蛋白生物标志物、遗传评分和临床信息的模型,诸如上文实施例5中的方程1,在相同灵敏度下具有近似两倍的特异性(即近似48%的特异性)。为了匹配通常应用的PSA=3ng/mL截止值的灵敏度,PCaGS_ex2将需要约1.6 ng/mL的PSA截止值(如先前在实施例2中所讨论)。为了PCaGS_ex2匹配通常应用的PSA=3ng/mL截止值的特异性,将需要1.2-1.3 ng/mL的PCaGS特异性PSA截止值。对于亚群PCaGS_61,需要约2.0 ng/mL和约1.4-1.5 ng/mL的PCaGS特异性PSA截止值,以匹配对于一般群体通常应用的PSA=3ng/mL截止值的灵敏度和特异性。以相同的方式,对于亚群PCaGS_62,约1.9 ng/mL和约1.4 ng/mL的PCaGS特异性PSA截止值与对于一般群体通常应用的PSA=3ng/mL截止值的灵敏度和特异性以及对于PCaGS_63的约2.6 ng/mL和约2.4-2.5 ng/mL的特异性PSA截止值相匹配。
可以使用PSA=4ng/mL作为对于一般群体通常应用的PSA截止值进行类似的推理,导致其他PCaGS特异性PSA截止值模拟PSA=4ng/mL对于一般群体的灵敏度或特异性。
这也意味着尽管一般群体将受益于复杂的风险评价方程,诸如上面实施例5中的方程1,但特定亚群诸如PCaGS_ex2可以经受基本上更简单的风险方程,因为具有1.6和1.8ng/mL之间的截止值的单独的PSA的性能类似于应用于一般群体的复杂模型。因此,对于PCaGS_ex2亚群,可以替代地省略上述实施例5中的方程1中的几乎所有要素的测量和数据收集,而不会严重损失诊断性能。对所需数据量的这种限制降低了成本(需要进行更少的测量)并且可能缩短向个体报告结果的时间(无需等待来自收集的不同测量值的大量结果)。
表4(粗体 - 对应于PSA 3ng/mL,粗体/斜体对应于PSA 4ng/mL)。
当进行相同的分析用于检测侵袭性PCa(定义为Gleason评分= 7或更高)时,保持如应用于一般群体的PSA = 3 ng/mL的性能的合适的PCaGS PSA截止值显示于表5中。同样在该情况下,与在一般群体上使用PSA = 3ng/mL相比,类似于上述实施例5中的方程1的复杂风险评价方程将导致两倍的特异性。换言之,复杂风险评价方程,诸如应用于一般群体的实施例5中的方程1在灵敏度82%时具有近似50%的特异性,而在一般群体上的PSA = 3ng/mL具有近似26%的特异性和近似82%的灵敏度。
表 5。
当使用侵袭性PCa作为终点时,亚分组的功能甚至更清晰。当对PCaGS_ex2仅应用PSA截止值1.85时,对于该特定亚群,诊断性能优于类似于实施例5中的方程1的复杂风险评价方程,。
因此,只要PSA值可用,对于PCaGS_ex2亚组应用类似于实施例5中的方程1的复杂风险评价方程不是必要的。对于PCaGS_61也是如此,其中2.6 ng/mL的PSA截止值优于类似于实施例5中的方程1的性能复杂风险评价方程。对于PCaGS_62也是如此,但PSA截止值为2.4 ng/mL。
在下面,我们呈现PSA PcaGS截止值,以分别匹配用于一般群体、但用于检测上述四种PCaGS的侵袭性PCa或Pca的PSA = 3 ng/mL和4 ng/mL的性能。
表 6
表 7。
本实施例说明可以定义可以受益于完全不同的生物标志物截止值的遗传亚群(PCaGS)。本实施例还说明特定亚群不需要完整组的生物标志物或SNP,以便可以使用类似于实施例5中的方程1的复杂风险评价方程,这进而意味着对于特定亚组可能省略使用复杂风险评价方程所必需的数据,而不损失诊断表现。
尽管本发明已经关于其优选实施方案(其构成本发明人目前已知的最佳模式)进行描述,但应当理解,可以进行对于本领域普通技术人员显而易见的各种变化和修改,而不脱离所附权利要求所记载的本发明的范围。
Claims (30)
1.用于指示个体中的前列腺癌(PCa)的存在或不存在的方法,其包括以下步骤:
a) 进行从所述个体获得的生物样品的遗传分析,其包括确定与PCa遗传亚群(PCaGS)相关的单核苷酸多态性(SNP)的一个或多个定义的风险等位基因的存在或不存在,其中如果所述一个或多个定义的风险等位基因存在于所述样品中,则确定所述个体属于所述PCaGS,并且如果所述SNP的一个或多个风险等位基因不存在于所述样品中,则确定所述个体不属于所述PCaGS;
b) 如果在步骤a)中确定所述个体属于PCaGS,则确定和表征所述PCaGS个体中的一个或多个额外的PCa相关参数,以指示所述PCaGS个体中的PCa的存在或不存在;
c) 如果确定步骤a)中的所述个体不属于PCaGS,则
i) 测定所述个体中定义量的PCa相关生物标志物的存在或浓度;
ii) 通过确定所述个体中的定义量的与PCa相关的SNP的一个或多个风险等位基因的存在或不存在来确定PCa相关遗传状态;
iii) 组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成一般PCa群体复合值;
iv) 通过将所述一般PCa群体复合值与用已知一般PCa群体的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述一般PCa群体复合值与所述个体中的PCa的存在或不存在相关联。
2.权利要求1的方法,其中在步骤b)中:
i) 测定从所述PCaGS的个体获得的生物样品中定义量的PCa相关生物标志物的存在或浓度;
ii) 通过确定所述PCaGS个体中的定义量的与PCa相关的SNP的一个或多个风险等位基因的存在或不存在来确定PCa相关遗传状态;
iii) 组合来自所述个体的关于所述定义量的PCa相关生物标志物的存在或浓度的数据,以及来自所述个体的关于PCa相关遗传状态的数据,以形成PCaGS复合值;
iv) 通过将所述PCaGS复合值与用已知PCaGS的对照样品和PCa不存在的对照样品建立的预定截止值进行比较,将所述PCaGS复合值与所述个体中的PCa的存在或不存在相关联。
3.权利要求1或2中任一项的方法,其中所述前列腺癌是侵袭性前列腺癌。
4.权利要求1至3中任一项的方法,其中在步骤a)中,如果个体是一个或多个比值比为1.2至2的SNP的纯合子风险等位基因携带者,一个或多个比值比为>2的SNP的杂合子风险等位基因携带者和/或两个或更多个每个SNP具有1.2至2的比值比的不同SNP的杂合子风险等位基因携带者,则确定所述个体属于PCaGS。
5.权利要求4的方法,其中一个或多个SNP选自rs16901979、rs7818556、rs12793759和rs138213197。
6.权利要求1至3中任一项的方法,其中在步骤a)中,如果个体具有超过阈值的遗传风险评分,则确定所述个体属于PcaGS,其中所述遗传风险评分基于一个或多个选自以下的SNP:rs16901979、rs7818556、rs12793759、rs138213197、rs16860513和rs7106762。
7.权利要求1至6中任一项的方法,其中在步骤b)中从所述个体获得的所述生物样品中测量PSA值。
8.权利要求7的方法,其中用于指示PCaGS个体中的前列腺癌的存在的PSA截止值比用于指示前列腺癌的存在的标准一般群体PSA截止值显著更低,诸如比标准截止值低至少约10%,诸如10%、20%、30%、40%或甚至50%。
9.权利要求8的方法,其中用于指示所述PCaGS个体中的前列腺癌的存在的PSA截止值为约1.8至约2.0 ng/ml或约1.3至约1.5 ng/mL,以分别关于灵敏度和特异性匹配用于一般群体用于检测前列腺癌的约3 ng/mL的PSA的性能。
10.权利要求1至4中任一项的方法,其中在步骤a)中,如果个体携带rs138213197的至少一个风险等位基因,则确定所述个体属于PCaGS。
11.权利要求10的方法,其中在步骤b)中从所述PCaGS个体获得的所述生物样品中测量PSA值。
12.权利要求11的方法,其中用于指示所述PCaGS个体中的前列腺癌的存在的PSA截止值比用于指示前列腺癌的存在的标准一般群体PSA截止值显著更低,诸如比标准截止值低至少约10%,诸如10%、20%、30%、40%或甚至50%。
13.权利要求12的方法,其中用于指示所述PCaGS个体中的前列腺癌的存在的PSA截止值为约1.5至约1.7 ng/mL或约1.1至约1.3 ng/mL,以分别关于灵敏度和特异性匹配用于一般群体用于检测前列腺癌的约3 ng/mL的PSA的性能。
14.前述权利要求中任一项的方法,其中定义量的PCa相关生物标志物包含一种或多种激肽释放酶样PCa生物标志物,并且其中所述激肽释放酶样PCa生物标志物中的至少一种、诸如两种选自(i) PSA、(ii)总PSA (tPSA)、(iii)游离PSA (fPSA)和(iv) hK2。
15.前述权利要求中任一项的方法,其中PCa相关生物标志物包含MIC-1和任选其他MIC-1相关生物标志物,或生物标志物MSMB和任选其他MSMB相关生物标志物。
16.权利要求14或15的方法,其中来自至少三种、诸如四种或五种PCa相关生物标志物的数据用于形成所述复合值。
17.前述权利要求中任一项的方法,其中所述方法允许当形成所述复合值时忽略所述PCa相关生物标志物中的至少一种的数据的子集,诸如所述PCa生物标志物中的一种、两种、三种或四种的数据的子集。
18.前述权利要求中任一项的方法,其中在所述方法中使用的定义量的与PCa相关的SNP是至少约50个SNP,诸如至少约55、60、65、60、75、80、85、90、95、100、105、110、115、120、130、140、150、160、170、180、190、200、210、220、230、240、250、260、270、280、290或300个SNP。
19.前述权利要求中任一项的方法,其中所述方法允许当形成遗传复合值时忽略SNP的约10%且最高达约30%、诸如15%、20%或30%的数据的子集。
20.前述权利要求中任一项的方法,其进一步包括,如果复合值大于截止值,则推荐所述个体进行活组织检查。
21.前述权利要求中任一项的方法,其进一步包括,如果复合值大于截止值,则推荐所述个体改变饮食习惯、减肥、达到低于30的BMI值、定期锻炼和/或停止吸烟。
22.前述权利要求中任一项的方法,其进一步包括从所述个体收集关于PCa的家族史、治疗史和身体数据;且其中将所述家族史、治疗史和/或身体数据包括在形成所述复合值的组合数据中。
23.用于进行根据前述权利要求中任一项所述的方法的测定装置,所述测定装置包括其上固定有至少三种不同类别的配体的固相,其中:
- 所述配体的第一类别特异性结合定义量的PCa相关生物标志物,并且包括特异性结合所述PCa相关生物标志物各自的多种不同配体,且
- 所述配体的第二类别特异性结合定义量的与PCa相关的SNP,并且包括特异性结合所述SNP各自的多种不同配体,且
- 所述配体的第三类别特异性结合一个或多个PCa遗传亚群(PCaGS) SNP。
24.权利要求23的测定装置,其中所述第三类别的所述配体特异性结合选自以下的SNP中的至少一种:rs16901979、rs7818556、rs12793759和rs138213197。
25.权利要求23或24的测定装置,其中所述PCa相关生物标志物如权利要求14-17中任一项中所定义,并且结合第二类别的配体的SNP如权利要求18至19中任一项中所定义。
26.测试试剂盒,其包含权利要求23至25中任一项的测定装置,其进一步包含一种或多种检测分子,其用于特异性检测分别与所述第一、第二和第三类别的配体结合的PCa相关生物标志物、与PCa相关的SNP和PCa遗传亚群(PCaGS) SNP。
27.数据处理设备,其包含用于至少实施根据权利要求1所述的方法的步骤c) iii)和c) iv)和/或权利要求2的方法的步骤iii)和iv)的装置。
28.计算机程序,其包含计算机可执行指令,其用于当计算机可执行指令在计算机中包含的处理单元上执行时,引起计算机至少执行权利要求1的步骤c) iii)和c) iv)和/或权利要求2的步骤iii)和iv)。
29.包含计算机可读存储介质的计算机程序产品,所述计算机可读存储介质具有在其中实施的根据权利要求28所述的计算机程序。
30.设备,其包含权利要求23至25的测定装置和权利要求29的计算机程序产品。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE1750080 | 2017-02-01 | ||
SE1750080-2 | 2017-02-01 | ||
PCT/EP2018/052473 WO2018141828A1 (en) | 2017-02-01 | 2018-02-01 | Method for indicating a presence or non-presence of prostate cancer in individuals with particular characteristics |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110382718A true CN110382718A (zh) | 2019-10-25 |
Family
ID=61188779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880009454.1A Pending CN110382718A (zh) | 2017-02-01 | 2018-02-01 | 用于指示具有特定特征的个体中的前列腺癌的存在或不存在的方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20190345565A1 (zh) |
EP (1) | EP3577237B1 (zh) |
JP (2) | JP7138112B2 (zh) |
CN (1) | CN110382718A (zh) |
DK (1) | DK3577237T3 (zh) |
FI (1) | FI3577237T3 (zh) |
WO (1) | WO2018141828A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6678201B2 (ja) * | 2018-06-05 | 2020-04-08 | 日清食品ホールディングス株式会社 | 食品情報提供システム、装置、方法及びプログラム |
GB2599198B (en) * | 2021-06-15 | 2022-12-07 | A3P Biomedical Ab | A method for determining an appropriate time interval for further diagnostic testing for prostate cancer |
WO2023205842A1 (en) * | 2022-04-27 | 2023-11-02 | Genetic Technologies Limited | Methods of assessing risk of developing prostate cancer |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012029080A1 (en) * | 2010-08-30 | 2012-03-08 | Decode Genetics Ehf | Sequence variants associated with prostate specific antigen levels |
WO2012031207A2 (en) * | 2010-09-03 | 2012-03-08 | Wake Forest University Health Sciences | Methods and compositions for correlating genetic markers with prostate cancer risk |
WO2013172779A2 (en) * | 2012-05-16 | 2013-11-21 | Phadia Ab | Method for indicating the presence or non-presence of prostate cancer |
WO2014079865A1 (en) * | 2012-11-20 | 2014-05-30 | Phadia Ab | Method for indicating a presence or non-presence of aggressive prostate cancer |
CA3134289A1 (en) * | 2014-03-11 | 2015-09-17 | Phadia Ab | Method for detecting a solid tumor cancer |
CN104946786A (zh) * | 2015-07-21 | 2015-09-30 | 冯宁翰 | 一种检测前列腺癌易感性的方法及试剂盒 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219840A1 (en) | 2002-05-24 | 2003-11-27 | Mikolajczyk Stephen D. | Method of analyzing proenzyme forms of prostate specific antigen in serum to improve prostate cancer detection |
MX2009004522A (es) * | 2006-10-27 | 2009-07-02 | Decode Genetics | Variantes de suceptibilidad a cancer en chr8q24.21. |
US20120021925A1 (en) | 2009-01-19 | 2012-01-26 | Miraculins, Inc. | Diagnostic assays for prostate cancer using psp94 and psa biomarkers |
CA2891394C (en) * | 2012-11-20 | 2023-03-14 | Phadia Ab | Prognostic method for individuals with prostate cancer |
-
2018
- 2018-02-01 US US16/481,956 patent/US20190345565A1/en active Pending
- 2018-02-01 JP JP2019541445A patent/JP7138112B2/ja active Active
- 2018-02-01 DK DK18703944.1T patent/DK3577237T3/da active
- 2018-02-01 EP EP18703944.1A patent/EP3577237B1/en active Active
- 2018-02-01 FI FIEP18703944.1T patent/FI3577237T3/fi active
- 2018-02-01 WO PCT/EP2018/052473 patent/WO2018141828A1/en unknown
- 2018-02-01 CN CN201880009454.1A patent/CN110382718A/zh active Pending
-
2022
- 2022-09-05 JP JP2022140682A patent/JP2022179483A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012029080A1 (en) * | 2010-08-30 | 2012-03-08 | Decode Genetics Ehf | Sequence variants associated with prostate specific antigen levels |
WO2012031207A2 (en) * | 2010-09-03 | 2012-03-08 | Wake Forest University Health Sciences | Methods and compositions for correlating genetic markers with prostate cancer risk |
WO2013172779A2 (en) * | 2012-05-16 | 2013-11-21 | Phadia Ab | Method for indicating the presence or non-presence of prostate cancer |
WO2014079865A1 (en) * | 2012-11-20 | 2014-05-30 | Phadia Ab | Method for indicating a presence or non-presence of aggressive prostate cancer |
CN105051206A (zh) * | 2012-11-20 | 2015-11-11 | 法迪亚股份有限公司 | 用于指示侵袭性前列腺癌的存在或不存在的方法 |
CA3134289A1 (en) * | 2014-03-11 | 2015-09-17 | Phadia Ab | Method for detecting a solid tumor cancer |
CN104946786A (zh) * | 2015-07-21 | 2015-09-30 | 冯宁翰 | 一种检测前列腺癌易感性的方法及试剂盒 |
Non-Patent Citations (4)
Title |
---|
J. GUDMUNDSSON等: "Genetic Correction of PSA Values Using Sequence Variants Associated with PSA Levels", 《SCIENCE TRANSLATIONAL MEDICINE》 * |
J. GUDMUNDSSON等: "Genetic Correction of PSA Values Using Sequence Variants Associated with PSA Levels", 《SCIENCE TRANSLATIONAL MEDICINE》, 15 December 2010 (2010-12-15) * |
MARKUS ALY等: "Polygenic Risk Score Improves Prostate Cancer Risk Prediction: Results from the Stockholm-1 Cohort Study", 《EUROPEAN UROLOGY》 * |
MARKUS ALY等: "Polygenic Risk Score Improves Prostate Cancer Risk Prediction: Results from the Stockholm-1 Cohort Study", 《EUROPEAN UROLOGY》, 8 January 2011 (2011-01-08) * |
Also Published As
Publication number | Publication date |
---|---|
EP3577237A1 (en) | 2019-12-11 |
JP7138112B2 (ja) | 2022-09-15 |
FI3577237T3 (fi) | 2023-08-29 |
US20190345565A1 (en) | 2019-11-14 |
DK3577237T3 (da) | 2023-08-28 |
JP2020505928A (ja) | 2020-02-27 |
WO2018141828A1 (en) | 2018-08-09 |
EP3577237B1 (en) | 2023-07-19 |
JP2022179483A (ja) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2922967B1 (en) | Method for indicating a presence or non-presence of aggressive prostate cancer | |
RU2720148C9 (ru) | Способ обнаружения солидной злокачественной опухоли | |
US20200010912A1 (en) | Prognostic method for individuals with prostate cancer | |
JP2022179483A (ja) | 特定の特徴を有する個体において前立腺癌の存在または不存在を示すための方法 | |
CN105051206B (zh) | 用于指示侵袭性前列腺癌的存在或不存在的方法 |
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 |