CN110945357A - 用于对心血管再生的响应的预测的方法 - Google Patents

用于对心血管再生的响应的预测的方法 Download PDF

Info

Publication number
CN110945357A
CN110945357A CN201880048074.9A CN201880048074A CN110945357A CN 110945357 A CN110945357 A CN 110945357A CN 201880048074 A CN201880048074 A CN 201880048074A CN 110945357 A CN110945357 A CN 110945357A
Authority
CN
China
Prior art keywords
preferably selected
insulin
growth factor
response
prediction
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.)
Granted
Application number
CN201880048074.9A
Other languages
English (en)
Other versions
CN110945357B (zh
Inventor
G·施泰因霍夫
J·内斯特鲁克
M·沃尔费恩
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.)
Universitat Rostock Zentrale Universitatsverwaltung Referat 11 Recht
Original Assignee
Universitat Rostock Zentrale Universitatsverwaltung Referat 11 Recht
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 Universitat Rostock Zentrale Universitatsverwaltung Referat 11 Recht filed Critical Universitat Rostock Zentrale Universitatsverwaltung Referat 11 Recht
Publication of CN110945357A publication Critical patent/CN110945357A/zh
Application granted granted Critical
Publication of CN110945357B publication Critical patent/CN110945357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/68Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • CCHEMISTRY; METALLURGY
    • C12BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12QMEASURING 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
    • C12Q1/00Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6844Nucleic acid amplification reactions
    • C12Q1/686Polymerase chain reaction [PCR]
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5094Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for blood cell populations
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53Immunoassay; Biospecific binding assay; Materials therefor
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • CCHEMISTRY; METALLURGY
    • C12BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12QMEASURING 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
    • C12Q1/00Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/475Assays involving growth factors
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/475Assays involving growth factors
    • G01N2333/50Fibroblast growth factors [FGF]
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/475Assays involving growth factors
    • G01N2333/505Erythropoietin [EPO]
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/52Assays involving cytokines
    • G01N2333/53Colony-stimulating factor [CSF]
    • G01N2333/535Granulocyte CSF; Granulocyte-macrophage CSF
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/575Hormones
    • G01N2333/58Atrial natriuretic factor complex; Atriopeptin; Atrial natriuretic peptide [ANP]; Brain natriuretic peptide [BNP, proBNP]; Cardionatrin; Cardiodilatin
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/78Connective tissue peptides, e.g. collagen, elastin, laminin, fibronectin, vitronectin, cold insoluble globulin [CIG]
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00Detection or diagnosis of diseases
    • G01N2800/32Cardiovascular disorders
    • G01N2800/323Arteriosclerosis, Stenosis
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00Detection or diagnosis of diseases
    • G01N2800/32Cardiovascular disorders
    • G01N2800/324Coronary artery diseases, e.g. angina pectoris, myocardial infarction
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00Detection or diagnosis of diseases
    • G01N2800/32Cardiovascular disorders
    • G01N2800/325Heart failure or cardiac arrest, e.g. cardiomyopathy, congestive heart failure
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00Detection or diagnosis of diseases
    • G01N2800/52Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00Detection or diagnosis of diseases
    • G01N2800/60Complex ways of combining multiple protein biomarkers for diagnosis
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16BBIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Food Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Organic Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Biophysics (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • General Engineering & Computer Science (AREA)
  • Ecology (AREA)
  • Endocrinology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioethics (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)

Abstract

本发明涉及一种用于对心血管再生的响应的预测的方法,其包括生物标志物的使用。此外,本发明涉及一种用于在用于对心血管再生的响应的预测的方法中使用的生物标志物的组合、一种用于执行根据本发明的方法的计算机设备以及一种适配于执行本发明的方法的设备。

Description

用于对心血管再生的响应的预测的方法
技术领域
本发明涉及一种用于对心血管再生的响应的预测的方法,其包括生物标志物的使用。此外,本发明涉及一种用于在用于对心血管再生的响应的预测的方法中使用的生物标志物的组合、一种用于执行根据本发明的方法的计算机设备以及一种适配于执行本发明的方法的设备。
背景技术
在过去的16年中,用于修复心脏组织的再生疗法一直处于临床前期和临床开发的前沿。自2001年首次在人体内施用和最初有前景的临床试验以来,在不同的方法中,在心脏组织中直接施用骨髓干细胞仍然是临床研究中最关注的重点(Stamm C,Westphal B,Kleine HD等,Lancet.2003;361(9351):45-46;Tse HF,Kwong YL,Chan JK,Lo G,Ho CL,Lau CP.Lancet 2003;361(9351):47-9;Stamm C,Kleine HD,Choi YH等,J ThoracCardiovasc Surg 2007;133(3):717-25)。然而,在这些试验中,在治疗组和安慰剂组中均可观察到LVEF(左心室射血分数)以及非响应的患者的临床上相关的改进(Timothy D H,Lem M,Jay H T,Circulation Research 2016;119:404-406;Nasseri B A,Ebell W,Dandel M等,Eur Heart J.2014,35(19):1263-74;Bartunek J,Terzic A,Davison B A等,Eur.Heart J.2016Dec 23.pii:ehw543.doi:10.1093/eurheartj/ehw543)。
这就提出了关于与干细胞施用无关的再生机制的诱导以及与CD34+内皮祖细胞(EPC)相关的血管修复的潜在抑制因素的问题(Werner N,Kosiol S,Schiegl T等人,NEngl J Med.2005;353(10):999-1007)。关于最近发表的假设,应当注意,CD133/CD34+外周循环EPC的关键的作用可能与心脏再生的缺乏相关(Taylor DA,Perin EC,Willerson JT等,Cell Transplant 2016;25(9):1675-1687;Bhatnagar A,Bolli R,Johnstone BH等,AmHeart J 2016;179:142-50;Contreras A,Orozco AF,Resende M等,Basic Res Cardiol2017;112(1):3)。
因此,心脏再生的机制和骨髓干细胞调节血管生成的作用仍然未解决。
发明人现在已经指出一种确定用于对心血管再生的响应的预测的方法,所述方法包括生物标志物的确定。因此,本发明涉及一种根据本申请的权利要求1的用于对心血管再生的响应的预测的方法,所述方法包括生物标志物的确定。此外,本发明涉及一种用于在用于对心血管再生的响应的预测的方法中使用的生物标志物的组合、一种用于执行这样的方法的计算机设备以及一种适配于执行本发明的方法的设备。
因此,本发明涉及一种用于对心血管再生的响应的预测的方法,其中方法包括
(i)确定受试者的样本中的以下的各生物标志物的量,其中生物标志物选自生长因子、淋巴细胞衔接蛋白质、糖蛋白、脑钠肽(BNP)、循环内皮祖细胞(EPC)、循环内皮细胞(CEC)、循环血小板、循环单核细胞(MNC)和亚群以及在MNC亚群上的受体/配体表达的组,
(ii)将该被确定的量与基线值和/或基准比较,
(iii)基于比较的结果预测对受试者中的心血管修复的响应是被预期的、不被预期的还是含糊不定的。
优选地,本发明的方法是一种离体方法。此外,该方法可以包括除上文明确地提到的那些之外的步骤。例如,另外的步骤可以涉及样本预处理或通过方法获得的结果的另外的评估或使用。方法可以手动执行或通过自动化辅助。优选地,步骤(i)可以全部地或部分地通过自动化辅助,例如通过合适的机器人和传感设备。步骤(ii)和/或步骤(iii)可以通过数据处理单元辅助,该数据处理单元执行分别的比较和/或预测。
有利地,通过使用本发明的方法,对心血管再生的响应的预测准确性能够提高到大于约80%,更优选大于约85%,甚至更优选大于约90%。
如在本文中使用的术语“预测”意指就在所述心脏疗法之后如本文其他地方所详细描述的心血管系统的功能改善而言,评估所述受试者将受益于心脏干细胞疗法的可能性。
如本领域技术人员应理解的是,这样的评价通常不旨在对于100%的待被诊断的受试者是正确的。然而,该术语要求评价对于受试者的统计学显著部分(例如同期群研究中的同期群)是正确的。本领域的技术人员可以使用各种公知的统计学评估工具立即确定一个部分是否是统计学显著的,例如通过确定置信区间、p值确定、学生t检验(Student’s t-test)、Mann-Whitney检验等等。有关详细信息见1983年于纽约John Wiley&Sons出版社出版的作者Dowdy和Wearden的Statistics for Research。优选的置信区间是至少90%、至少95%、至少97%、至少98%或至少99%。p值优选为0.1、0.05、0.01、0.005或0.0001。
如在本文中使用的术语“心血管再生”包括与心血管系统相关的疾病的再生和/或治疗和/或改善。
术语“生物标志物”涉及分子,其存在、不存在或量与医学的病症或倾向相关。生物标志物可以是在受试者中出现的任何分子和/或细胞或其亚群。典型地,生物标志物是蛋白质、肽、小分子或核酸例如DNA或RNA,或细胞和其亚群。根据本发明,该术语优选涉及蛋白质和肽,即生长激素例如VEGF、FGF或促红细胞生成素,淋巴细胞衔接蛋白质例如SH2B3,糖蛋白例如玻连蛋白或GCSF,脑钠肽例如NT-前脑钠素,细胞因子例如TNF,白介素例如IL-6、IL-8或IL-10,干扰素例如人干扰素γ诱导蛋白10,胰岛素样生长因子结合蛋白例如胰岛素样生长因子结合蛋白-2和/或胰岛素样生长因子结合蛋白-3,胰岛素样生长因子优选选自IGF2,趋化蛋白例如SDF-1以及多蛋白E3泛素连接酶复合物例如SCF。
此外,根据本发明,生物标志物涉及细胞和其亚群,即在其表面上具有或不具有分化簇(CD)例如CD45、CD117、CD184、CD133和/或CD146的循环内皮祖细胞(EPC),在其表面上具有或不具有CD31、CD133、CD146、CD105和/或CD34的循环内皮细胞(CEC),循环血小板,循环单核细胞(MNC)和亚群,以及MNC亚群上的受体/配体表达,其具有或不具有CD184、CD309,细胞粘附分子(CAM)和/或整合素受体。
确定本说明书中提到的生物标志物的量涉及优选半定量地或定量地测量量或浓度。测量可以直接地或间接地进行。直接测量涉及基于从生物标志物本身获得的的信号测量生物标志物的量或浓度并且该信号的强度与样本中存在的生物标志物的分子的数目相关。这样的信号(在本文中有时称作强度信号)可以例如通过测量生物标志物的特定的物理或化学性质的强度值来获得。间接测量包括测量从次级组分(即不是生物标志物本身的组分)或生物读出系统例如可测量的细胞应答、配体、标记或酶促反应产物获得的信号。
根据本发明,确定生物标志物的量能够通过用于确定样本中的肽、蛋白质、小分子、核酸例如DNA或RNA或细胞或其亚群的量的全部已知的方法实现。所述方法包括免疫测定法和可以利用以各种夹心三明治、竞争或其他测定形式中的标记分子的方法。这样的测定法优选基于检测剂例如抗体,其特异性识别待确定的生物标志物。检测剂应该直接地或间接地能够产生指示生物标志物存在或不存在的信号。此外,优选地,信号强度可以直接地或间接地与样本中存在的生物标志物的量相关(例如成反比例)。其他合适的方法包括测量对于生物标志物特异性的物理或化学性质,例如其精确的分子质量或核磁共振谱(NMRspectrum)。所述方法优选包括生物传感器、与免疫确定法耦合的光学装置、FACS分析、生物芯片,分析装置例如质谱仪、NMR分析仪或色谱装置。此外,方法包括基于ELISA的微板方法(micro-plate ELISA-based methods)、全自动或机器人免疫测定法、酶法钴结合测定法(enzymatic Cobalt binding assays)和乳胶凝集测定法。
优选地,确定生物标志物的量包括以下步骤:(a)将细胞与生物标志物接触适当的一段时间,所述细胞能有道细胞应答,其强度指示生物标志物的量,(b)测量细胞应答。为了测量细胞应答,优选地样本或经处理的样本被添加至细胞培养物并且测量内部或外部的细胞应答。细胞应答可以包括报告基因的可测量的表达或物质的分泌,例如肽、多肽或小分子。该表达或物质应产生与生物标志物的量相关的强度信号。
还优选地,确定生物标志物的量包括测量从样本中的生物标志物可获得的比强度信号的步骤。如上文描述的,这样的信号可以是针对生物标志物观察在质谱或针对生物标志物的核磁共振谱中的m/z变量所观察的信号强度。
如在本文中使用的术语“量”涵盖生物标志物的绝对量、生物标志物的相对量或浓度以及与其相关的或可由其衍生的任何值或参数。这些值或参数包括通过直接测量来自从肽获得的所有特定物理或化学性质的强度信号值,例如质谱或核磁共振谱中的强度值。此外,涵盖在本说明书中别处详细说明的通过间接测量获得的所有值或参数,例如在对从特异性地结合的配体获得的强度信号或肽的响应中从生物读出系统确定的响应水平。应理解的是,与上文提到的量或参数相关的值也能够通过所有标准数学运算获得并且可以在没有尺寸的情况下使用,例如,在本文其他地方描述的评分系统中。
如在本文中使用的术语“比较”涵盖将待分析的样本所包含的生物标志物的量与本说明书中别处详细说明的合适的基准源的量比较。应理解的是,如在本文中使用的比较是指相应的参数或值的比较,例如,绝对量与绝对的基准量比较,而浓度与基准浓度比较,或从测试样本获得的强度信号与基准样本的相同类型的强度信号比较。然而,根据本发明还设想,基于生物标志物的测量到的量计算值。将该值与基准间隔进行比较,所述基准间隔从对包括心脏干细胞治疗的预定义的应答者和非应答者的一组受试者的数量进行的多元判别分析得出。可以在下面的随附示例中找到更多详细信息。
本发明的方法中提到的比较可以手动或计算机辅助进行。对于计算机辅助的比较,可以将测定量的值与对应于由计算机程序存储在数据库中的合适基准的值进行比较。计算机程序可以进一步评估比较的结果,即以合适的输出格式自动地提供所需的评估。优选地,这种评估通过机器学习(ML)来执行。基于测定的量和基准的比较,可以预测对心脏再生的响应,例如,心脏干细胞治疗后心脏的功能改善。特别地,应该可能预测是否存在高概率(即受试者将是应答者)、低概率(即受试者将是非应答者)或受试者是含糊不定的。因此,选择参考量,使得比较量中的差异或相似性允许识别属于展示具有缺血性或非缺血性脑损伤的急性炎症的症状的受试者的组的那些测试受试者。方法允许排除(排斥)或识别(划入)患有(i)缺血性脑损伤或(ii)非缺血性脑损伤的受试者作为受试者。
如在本文中使用的术语“基准”是指基于生物标志物的量的值、阈值或间隔,其允许将受试者分配为可预期受益于心脏疗法的受试者组、可预期不受益于心脏疗法的受试者组或那些含糊不定的受试者组。
这样的基准可以是将这些组彼此分离的阈值量。通过在本文中其他地方提到的统计检验基于来自已知受益于心脏疗法的受试者或受试者组或已知不受益于该疗法的受试者或受试者组或已知为含糊不定的受试者或受试者组的生物标志物的量可以立即计算出分离两个组的合适的阈值量。
原则上,也可以通过应用标准的统计方法,根据给定生物标志物的平均值或平均值,为上述同期群的受试者计算基准。特别地,通过其受试者工作特征曲线(ROC)最好地描述测试(例如旨在诊断或不诊断事件的方法)的准确性(尤其见Zweig 1993,Clin.Chem.39:561-577)。因此,用于本发明的上述方法的基准可以通过以下方式产生:建立用于如上文描述的同期群的ROC并从中推导出阈值量。根据对于诊断方法期望的灵敏度和特异性,ROC图允许推导出合适的阈值。
术语“样本”是指体液样本,并且优选(全)血液、血浆或血清的样本。然而,该术语还涵盖通过例如预处理步骤衍生自上述全血、血浆或血清的所有样本,如通过例如部分纯化获得的血液、血浆或血清的部分。
如在本文中使用的术语“受试者”是指动物,优选哺乳动物并且最优选人类。受试者应需要心脏疗法。优选地,需要心脏疗法的受试者患有心脏病例如心力衰竭或冠状动脉疾病,例如在心肌梗塞之后,并且更优选患有心力衰竭。
根据本发明的方法作出的预测还允许评估是否概率是高的,并且因此预期出现受试者中心脏系统的功能改善,或是否概率是使得疗法成功是含糊不定的或是否概率是低的,并且因此预期将不出现受试者中心脏系统的功能改善。
本发明还涉及用于在用于对心血管再生的响应的预测的方法中使用的选自生长因子、淋巴细胞衔接蛋白质、糖蛋白、脑钠肽(BNP)、循环内皮祖细胞(EPC)、循环内皮细胞(CEC)、循环血小板、循环单核细胞和亚群以及在MNC亚群上的受体/配体表达的组的生物标志物的组合。
此外,本发明涉及一种计算机设备,该计算机设备包括处理器和耦合至处理器的编码一个或多个机器学习(ML)模型的存储器,其中该程序使处理器执行以下方法,该方法包括
(i)将根据本发明的一个或多个生物标志物的确定的量与基线值和/或基准比较,
(ii)基于比较的结果预测对受试者中的心血管再生的响应是被预期的、不被预期的还是含糊不定的。
此外,本发明涉及一种适配于执行本发明的方法的设备,该设备包括
(i)分析单元,该分析单元用于确定受试者的样本中的根据本发明的各生物标志物的量,以及
(ii)(如上述的)根据本发明的计算机设备。
如在本文中使用的术语“设备”涉及一种系统,该系统包括彼此可操作地连接以允许根据本发明的方法进行诊断的前述单元。在本文其他地方公开了可用于分析单元的优选的检测剂。优选的检测剂是抗体或其他的特异性地结合至生物标志物并且形成可检测的复合物的蛋白质。优选地,分析单元包括固定在固体支持物上呈固定形式的所述检测剂,所述固体支持物与样本接触,该样本包含待确定其量的生物标志物。样本。此外,分析单元可以还包括检测器,该检测器确定特异性地结合至生物标志物的检测剂的量。经确定的量可以被传输至评估单元。评估单元包括数据处理元件例如计算机,其具有应用算法以执行经确定的量和合适的基准之间的比较。合适的基准可以来源于用于产生基准量的受试者的样本,如上文其他地方描述的。结果可以作为参数诊断原始数据的输出给出,优选作为绝对量或相对量。应理解的是,这些数据将需要临床医生的解释。然而,还设想专家系统设备,其中输出包括无需专业的临床医生解释的已处理的诊断原始数据。
本发明的其他优选实施方式从从属权利要求连同以下描述中得出,其中,特定类别的专利权利要求可以由不同类别的从属权利要求形成,并且不同的实施例的技术特征可以组合为新的实施例。应理解的是,上文和下文所做出的术语的定义和解释据此适配于本说明书和所附的权利要求中描述的所有的实施方式。在下文中,进一步详细说明了本发明的方法的具体实施方式。
有益地,通过实施根据本发明的方法,预测准确性的灵敏度和特异性可以高于约80%,优选地高于约85%,更优选地高于约90%。因此,本发明的方法在施用昂贵的和累赘的治疗措施例如心脏疗法之前改进临床医生的决策。做出正确的决定,即只有在有效的情况下才进行治疗,鉴于成本后果,当然对于单个患者以及公共卫生系统本身而言也将是有益的。
在本发明的研究中已经有利地发现,分析心脏疗法之前从需要心脏疗法的受试者例如患有心力衰竭的受试者取得的样本中的生物标志物的组合的量允许预测受试者是否将从治疗中受益,因为在疗法之后心脏再生或心血管修复被改善,其中生长因子优选选自VEGF和/或促红细胞生成素并且可选地选自FGF,淋巴细胞衔接蛋白质优选选自SH2B3,糖蛋白优选选自玻连蛋白并且可选地选自GCSF,脑钠肽优选选自NT-前脑钠素,循环内皮祖细胞(EPC)优选选自CD45+、CD117+、CD184+、CD133+、CD146+细胞,循环内皮细胞(CEC)优选选自CD133+、CD146+、CD105+、CD34+细胞、循环血小板、循环单核细胞和亚群,以及在MNC亚群上的受体/配体表达优选选自CD184+和/或CD309+细胞、细胞粘附分子(CAM)和/或整合素受体。用于测量分别的生物标志物的量的技术全部是本领域中熟知的。
通过使用机器学习(ML)优选进一步辅助方法,因为不必进行单独比较。此外,机器学习有益地起平衡和加权参数的作用,从而进一步提高预测的可靠性。因此,本发明的有利的方法优选通过机器学习辅助,以促进和提高预测准确性。根据本发明,术语“机器学习”涉及能够从数据学习并且对其进行预测的算法的研究和构建,算法在此通过自始至终从样本输入构建模型做出数据驱动的预测或决定来克服严格地静态的程序指令。
在本发明的方法的优选的实施方式中,这样的方法使用另外的生物标志物,其中另外的生物标志物优选选自细胞因子、白介素、干扰素、胰岛素样生长因子结合蛋白、胰岛素样生长因子、趋化蛋白和/或多蛋白E3泛素连接酶复合物的组。
根据这样的方法,细胞因子优选选自TNF,白介素优选选自IL-6、IL-8和/或IL-10,干扰素优选选自人干扰素γ诱导蛋白10,胰岛素样生长因子结合蛋白优选选自胰岛素样生长因子结合蛋白-2和/或胰岛素样生长因子结合蛋白-3,胰岛素样生长因子优选选自IGF2,趋化蛋白优选选自SDF-1和/或多蛋白E3泛素连接酶复合物优选选自SCF。
在另一优选的实施方式中,方法用于对干细胞疗法的响应和/或血管生成响应的诱导和/或包括心肌梗塞、中风和外周缺血性血管疾病、心脏病在内的心血管疾病的组织修复和/或缺血预处理的术前预测。这样的疗法可以包括用于使用心血管植入体或支架、心室辅助装置(VAD)、起搏器和/或封堵器或合适的封闭设备的治疗。此外,这样的疗法可以包括糖尿病、肿瘤疾病、腹泻、风湿性疾病、传染性疾病、败血症和/或高血压的治疗。特别地,方法用于左心室心脏功能的改善的术前预测,例如跟随在急性ST段抬高型心肌梗死形成(STEMI)和冠状动脉三支病变之后的左心室射血分数(LVEF)的劣化,随后通过急性经皮冠状动脉介入治疗(PCI)和继发冠状动脉旁路移植术(CABG)血运重建治疗。
在又一优选的实施方式中,用于对心脏再生特别是对心血管疾病中的干细胞疗法和/或血管生成响应的诱导和/或组织修复的响应的预测的方法使用从患有心脏病和/或动脉硬化的受试者取得的样本。这样的样本可以具体地从患有心绞痛、急性心肌损伤、细胞坏死、心肌肥大、心力衰竭优选缺血性心力衰竭、非缺血性心力衰竭、心肌炎、心房颤动、心室颤动和/或动脉硬化的受试者取得。
根据一个优选的实施方式,方法包括作至少两个、三个、四个、五个、六个或更多个时间点的比较的结果的曲线。有利地,这样的时间点包括在手术前以及在手术后约1天、3天、10天、90天和/或180天取得的样本。通过分析至少两个、三个、四个、五个、六个或更多个时间点的样本,预测准确性的特异性能够有利地增加至大于90%,优选大于91%、92%、93%、94%、95%并且甚至更多。
有利的方法的另一实施方式包括临床诊断参数的使用。具体地,这些参数选自集落形成单位(CFU)希尔测定法(Hill assay)、基质胶小室测定法(Matrigel Plug assay)、重量和/或左心室收缩末期容积(LVESV)。
根据下一优选的实施方式,方法用于剖析(profiling)血管生成响应。
又一优选的实施方式包括有利的方法,该方法还包括分析RNA和/或DNA和/或mRNA序列和/或功能性RNA,例如microRNA和/或非编码RNA和/或包含诊断特征的SNP。在本发明的内容内,RNA和/或DNA和/或SNP的这样的特征分析可以通过机器学习和/或路径分析进行和/或支持。在本发明的内容中,路径分析用于识别路径内相关RNA和/或DNA和/或SNP或从所关心的RNA、DNA和/或SNP重新构建路径。
此外,根据另一优选的实施方式,有利的方法可以包括采用RNA和/或DNA序列分析和/或网络路径分析来分析药代动力学和药物遗传学数据。这样的药代动力学数据尤其可以从被给予来自选自以下的组的药物治疗的受试者获得:他汀、乙酰水杨酸(ASS)、β受体阻滞剂、血管紧张素转化酶(ACE)抑制剂、血管紧张素II(ATII)受体拮抗剂、醛固酮拮抗剂、利尿剂、Ca拮抗剂、抗心律失常剂、洋地黄、苯丙香豆素和/或硝酸盐。
下一优选的实施方式可以另外地使用受试者的表型的分析,例如体重的分析。
根据另一更优选的实施方式,用于心血管修复的预测的方法包括用于使用CD133阳性干细胞的移植的干细胞疗法。这样的干细胞疗法可选地可以与用于诱导心脏再生的CABG血运重建和/或PCI组合。然而,特别优选的实施方式包括心脏干细胞疗法还包括冠状动脉旁路移植手术。
有利地,在心脏干细胞疗法之后心脏再生和/或心脏的功能改善伴随有至少5%的LVEF的增加。
本发明的上述方法不限于仅施用于人类受试者,而是还可以包括动物。然而,方法优选施用于人类受试者。根据本发明,这样的受试者的样本可以来源于血液,特别是外周血液和/或血清和/或血浆样本和/或组织活检样本和/或循环(干)细胞例如内皮祖细胞(EPC)的样本。
如上文描绘的,本发明还涉及用于在用于对心血管再生的响应的预测的方法中使用的选自生长因子、淋巴细胞衔接蛋白质、糖蛋白、脑钠肽、循环内皮祖细胞、循环内皮细胞、循环血小板、循环单核细胞和其亚群以及在MNC亚群上的受体/配体表达的组的生物标志物的组合。有利地,方法是体外或体外方法。
优选地,生物标志物在用于对心血管再生的响应的预测的方法中使用,方法包括
(i)确定受试者的样本中的各生物标志物的量,
(ii)将经确定的量与基线值和/或基准比较,
(iii)基于比较的结果预测对受试者中的心血管修复的响应是被预期的、不被预期的还是含糊不定的。
根据一个优选的实施方式,生长因子优选选自VEGF和/或促红细胞生成素并且可选地选自FGF,淋巴细胞衔接蛋白质优选选自SH2B3,糖蛋白优选选自玻连蛋白并且可选地选自GCSF,以及脑钠肽优选选自NT-前脑钠素。
此外,生物标志物的组合优选地包含其他生物标志物,该其他生物标志物选自细胞因子、白介素、干扰素、胰岛素样生长因子结合蛋白、趋化蛋白和/或多蛋白E3泛素连接酶复合物的组。甚至更优选地,细胞因子选自TNF,白介素选自IL-6、IL-8和/或IL-10,干扰素选自人干扰素γ诱导蛋白10,胰岛素样生长因子结合蛋白选自胰岛素样生长因子结合蛋白-2和/或胰岛素样生长因子结合蛋白-3,胰岛素样生长因子优选地选自IGF2,趋化蛋白选自SDF-1,和/或多蛋白E3泛素连接酶复合物选自SCF。
根据本发明的一个优选的实施方式,上文的生物标志物的组合在用于对心血管再生的响应的预测的方法中使用,其中方法还包括对临床诊断数据和/或RNA和/或mRNA和/或功能性RNA例如microRNA和/或非编码RNA和/或SNP的分析,和/或对药代动力学数据的分析,和/或对表型例如体重的分析。
又更优选地,有利的方法和/或上文的生物标志物的有利的组合用于对干细胞疗法的响应的术前预测并且其中干细胞疗法伴随有CABG。
如在本文中使用的术语“干细胞疗法”涉及全部治疗方法,其包括将外源性心肌细胞移植到待治疗对象的心脏。这种心肌细胞可以通过将非心肌细胞祖细胞重编程为心肌细胞来产生。被重编程的细胞可以是胚胎干细胞、诱导多能干细胞、多功能心脏祖细胞、成肌细胞或骨髓衍生干细胞。此外,也可以使用成熟的心肌细胞,特别是如果受激重新进入有丝分裂细胞周期的话。更优选地,根据本发明的心脏干细胞疗法包括CD133阳性细胞、最优选CD133阳性骨髓单核细胞的移植。细胞可以作为分离的单一的细胞或在预形成排列例如通过组织工程过程形成的组织块中被移植。优选地,细胞根据本发明通过心肌内注射被移植。此外,术语心脏干细胞疗法可以还涵盖另外的治疗措施例如伴随移植过程的药物治疗或其他的治疗措施例如外科手术。优选地,根据本发明的心脏干细胞疗法还包括如下文所附的实施例中描述的冠状动脉旁路移植手术。
如在本文中使用的术语“心脏的功能改善”是指当比较在受试者的治疗之前和之后的LVEF时观察到的心脏的LVEF的显著的增加。优选地,显著的增加是在治疗之后观察到的LVEF的5%或更多的增加。小于5%的增加被视为是非显著的。除功能改善外,还可考虑的其他参数包括:灌注缺损尺寸减少超过10%,通过MIBI SPECT量化左心室收缩末期容积(LVESV)减少超过10%以及经胸超声心动图测得的收缩期峰值速度的增加超过10%。
如在本文中使用的心力衰竭是指心脏的任何功能障碍,包括左侧心力衰竭、右侧心力衰竭或双心室心力衰竭。典型地,如在本文中提到的术语心力衰竭是导致减少的射血分数的左侧心力衰竭,例如显著地减少的LVEF。心力衰竭的进一步的症状是临床医生熟知的。如在本文中提到的心力衰竭涵盖急性和慢性心力衰竭形式和任何严重阶段,例如根据纽约心脏病协会(NYHA)分类系统NYHAI至IV的所有阶段的左侧心力衰竭。
如在本文中使用的术语“血管内皮生长因子(VEGF)”是指刺激血管生成、血管形成和血管通透性的可溶性多肽生长因子。它由各种细胞类型产生。存在五种不同的VEGF多肽,VEGF-A、胎盘生长因子(PGF)、VEGF-B、VEGF-C和VEGF-D。如在本文中使用的,优选地,设想为VEGF-A。存在由已知的VEGF-A选择性剪切产生的各种亚型。最突出的是VEGF121、VEGF121b、VEGF145、VEGF165、VEGF165b、VEGF189和VEGF206
优选地,VEGF是指如在Tischer 1991,J.Biol.Chem.266(18):11947-11954中描述的人VEGF-A(公开的是VEGF-A的最长的亚型)。对于氨基酸序列,也见例如基因库登录号NP_001020537.2,GI:76781480(基因库可从美国NCBI获得,网址为www.ncbi.nlm.nih.gov/entrez)。该术语还涵盖上文提到的人VEGF多肽的变体。这样的变体具有与上文提到的VEGF多肽至少相同的基本的生物学和免疫学性质。特别地,如果它们是通过本说明书中提到的相同特异性确定法可检测的,例如通过使用特异性地识别所述VEGF多肽的多克隆抗体或单克隆抗体的ELISA确定法,则它们具有相同的基本生物学和免疫学性质。此外,应理解的是,根据本发明提到的变体应当具有由于至少一个氨基酸置换、删除和/或添加而不同的氨基酸序列,其中变体的氨基酸序列仍然与特异性VEGF多肽的氨基酸序列优选分别至少50%、60%、70%、80%、85%、90%、92%、95%、97%、98%或99%相同,优选在该人VEGF的整个长度上。两个氨基酸序列之间的同一性的程度可以通过本领域中熟知的算法来确定。优选地,同一性的程度通过在比较窗口上比较两个最佳比对序列被确定,其中比较窗口中的氨基酸序列的片段可以包含如与基准序列(不包含添加或缺失)比较的添加或缺失(例如空位或突出端)以实现最佳比对。百分数通过以下计算:确定两个序列中相同的氨基酸残基在其出现的位置的数目以获得匹配位置的数目,将匹配位置的数目除以比较窗口中的位置的总数以及将结果乘以100以获得序列同一性的百分数。用于比较的序列的最佳比对可以通过以下被进行:通过Smith 1981,Add.APL.Math.2:482公开的局部同源性算法、通过Needleman1970,J.Mol.Biol.48:443的同源比对算法、通过对于Pearson 1988,Proc.Natl.Acad Sci.(USA)85:2444的相似性方法的检索、通过这些算法的计算机化执行(Wisconsin GeneticsSoftware Package中的GAP,BESTFIT,BLAST,FAST,PASTA以及TFASTA,Genetics ComputerGroup(GCG),575Science Dr.,Madison,WI),或通过目测检查。考虑到两个序列已经为了比较被识别,优选采用GAP和BESTFIT以确定它们的最佳比对,从而同一性程度。优选地,使用空位权重的默认值5.00和空位权重长度的默认值0.30。上文提到的变体可以是等位基因变体或任何其他的物种特异性同源、旁系同源或直向同源。上文提到的变体可以是等位基因变体或任何其他的物种特异性同源、旁系同源或直向同源。此外,本文中提到的变体包括特异性VEGF多肽或上述类型的变体的片段或子单元,只要这些片段具有如上文提到的基本的免疫学和生物学性质。这样的片段可以是例如VEGF多肽的降解产物。如果变体可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述VEGF多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则认为变体具有相同的基本的生物学和免疫学性质。优选的测定法在所附的实施例中描述。还包括由于翻译后修饰例如磷酸化或十四烷基化而不同的变体。VEGF可以以结合或游离形式被检测到或作为样本中的总的VEGF量被检测到。
如在本文中使用的术语“成纤维细胞生长因子(FGF)”是指生长因子家族,其成员涉及血管生成、伤口愈合、胚胎发育和各种内分泌信号传导途径。
如在本文中使用的术语“促红细胞生成素(EPO)”是指作为细胞因子的可溶性多肽。典型地,在低氧条件下其由肾细胞产生。
优选地,EPO是指人IL-6,例如在Yanagawa 1984,J.Biol.Chem.259(5):2707-2710中描述。更优选地,人IL-6具有如在基因库登录号p01588.1,GI:119526中示出的氨基酸序列。该术语还涵盖上文提到的人EPO多肽的变体。这样的变体具有至少与如上文提到的EPO多肽相同的基本的生物学和免疫学性质。特别地,如果它们可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述EPO多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则它们具有相同的基本的生物学和免疫学性质。此外,应理解的是,根据本发明提到的变体可以具有由于至少一个氨基酸置换、删除和/或添加而不同的氨基酸序列,其中变体的氨基酸序列仍然与特异性IL-6的氨基酸序列优选至少50%、60%、70%、80%、85%、90%、92%、95%、97%、98%或99%相同。变体可以是等位基因变体、剪接变体或任何其他的物种特异性同源、旁系同源或直向同源。此外,本文中提到的变体包括特异性EPO的片段或上文提到的类型的变体,只要这些片段具有如上文提到的基本的免疫学和生物学性质。这样的片段可以是例如EPO的降解产物。如果变体可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述EPO多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则认为变体具有相同的基本的生物学和免疫学性质。优选的测定法在所附的实施例中描述。还包括由于翻译后修饰例如磷酸化或十四烷基化而不同的变体。
如在本文中使用的术语“SH2B衔接蛋白质3(SH2B3)”是指淋巴细胞衔接蛋白质(LNK)。SH2B3是人类中由染色体12上的SH2B3基因编码的蛋白质。其在许多组织和细胞类型中普遍表达(Li Y,He X,Schembri-King J,Jakes S,Hayashi J,May 2000.Journal ofImmunology.164(10):5199-206)。
如在本文中使用的术语“玻连蛋白(VTN)是指在血清、细胞外基质和骨骼中丰富地发现的血液结合素家族的糖蛋白(Boron,Walter F.and Boulpaep,Emile L.“MedicalPhysiology”.Saunders,2012,第1097页)。在人类中其由VTN基因编码。玻连蛋白结合至整合素α-Vβ-3并且因此促进细胞粘附和细胞扩散。其还抑制末端细胞溶解补充路径的膜破坏作用,并且结合至多种舍平类(丝氨酸蛋白酶抑制剂)。它是分泌蛋白并且以单链形式或被二硫键保持在一起的夹持的双链形式存在。玻连蛋白被认为与止血和恶性肿瘤有关。
术语“粒细胞集落刺激因子(G-CSF或GCSF)”,也被称为集落刺激因子3(CSF 3),是刺激骨髓以产生粒细胞和干细胞并且将它们释放入血液流中的糖蛋白。在功能上,其是细胞因子和荷尔蒙,一种集落刺激因子类型,并且由许多不同的组织产生。G-CSF还刺激中性粒细胞前体和成熟嗜中性白细胞的存活、增殖、分化和功能。
术语“脑钠肽或B型钠尿肽(BNP)”,也称为心含心室利钠肽或利钠肽B,是响应于心肌细胞(心肌细胞)的过度拉伸而由心脏的心室分泌的32个氨基酸多肽。BNP的释放受到钙离子调节。BNP被这样命名是因为其最初在猪脑的提取物中发现,虽然在人类中其主要在心室中产生。BNP被分泌附接至被称为NT-前脑钠素的激素原中的76个氨基酸N末端片段。一旦被释放,BNP结合至并且激活心房利钠因子(NPRA),并且结合至较少程度的NPRB,以与心房利钠肽(ANP)相似的方式,但是以10倍更低的亲合力。然而,BNP的生物半衰期是ANP的生物半衰期的长度的二倍,并且NT-前脑钠素的生物半衰期甚至更长,使这些肽在诊断血液检验中比ANP更好地靶向。
如在本文中使用的术语“白介素-6(IL-6)”涉及为促发炎细胞因子和抗炎肌肉激素的可溶性多肽。其由T-细胞和巨噬细胞产生。
优选地,IL-6是指人IL-6,例如在Wong 1988,Behring Inst.Mitt 83:40-47中描述的。更优选地,人IL-6具有如在基因库登录号p05231.1,GI:124347中示出的氨基酸序列。该术语还涵盖上文提到的人IL-6多肽的变体。这样的变体具有至少与如上文提到的IL-6多肽相同的基本的生物学和免疫学性质。特别地,如果它们可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述IL-6多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则它们具有相同的基本的生物学和免疫学性质。此外,应理解的是,根据本发明提到的变体可以具有由于至少一个氨基酸置换、删除和/或添加而不同的氨基酸序列,其中变体的氨基酸序列仍然与特异性IL-6的氨基酸序列优选至少50%、60%、70%、80%、85%、90%、92%、95%、97%、98%或99%相同。变体可以是等位基因变体、剪接变体或任何其他的物种特异性同源、旁系同源或直向同源。此外,本文中提到的变体包括特异性IL-6的片段或上文提到的类型的变体,只要这些片段具有如上文提到的基本的免疫学和生物学性质。这样的片段可以是例如IL-6的降解产物。如果变体可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述IL-6多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则认为变体具有相同的基本的生物学和免疫学性质。优选的测定法在所附的实施例中描述。还包括由于翻译后修饰例如磷酸化或十四烷基化而不同的变体。
如在本文中使用的术语“干扰素γ诱导蛋白质10(IP-10)”是指是属于CXC趋化因子家族的细胞因子的可溶性多肽。其由单核细胞、内皮细胞和成纤维细胞产生。
优选地,IP-10是指人IP-10,例如在Booth 2002,Biochemistry 41(33):10418-10425中描述的。更优选地,人IP-10具有如在基因库登录号p02778.2,GI:21542456中示出的氨基酸序列。该术语还涵盖上文提到的人IP-10多肽的变体。这样的变体具有至少与如上文提到的IP-10多肽相同的基本的生物学和免疫学性质。特别地,如果它们可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述IL-10多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则它们具有相同的基本的生物学和免疫学性质。此外,应理解的是,根据本发明提到的变体可以具有由于至少一个氨基酸置换、删除和/或添加而不同的氨基酸序列,其中变体的氨基酸序列仍然与特异性IP-10的氨基酸序列优选至少50%、60%、70%、80%、85%、90%、92%、95%、97%、98%或99%相同。变体可以是等位基因变体、剪接变体或任何其他的物种特异性同源、旁系同源或直向同源。此外,在本文中提到的变体包括特异性IP-10的片段或上文提到的类型的变体,只要这些片段具有如上文提到的基本的免疫学和生物学性质。这样的片段可以是例如IP-10的降解产物。如果变体可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述IL-10多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则认为变体具有相同的基本的生物学和免疫学性质。优选的测定法在所附的实施例中描述。还包括由于翻译后修饰例如磷酸化或十四烷基化而不同的变体。
如在本文中使用的术语“胰岛素样生长因子-结合蛋白质3(IGFBP-3)”涉及为胰岛素样生长因子家族的生长因子的可溶性多肽。其由各种细胞产生。
优选地,IGFBP-3是指人IGFBP-3,例如在Thweatt 1993,DNA Seq 4(1):43-46中描述的。更优选地,人lL-6具有如在基因库登录号p17936.1,GI:146327827中示出的氨基酸序列。该术语还涵盖上文提到的人IGFBP-3多肽的变体。这样的变体具有至少与如上文提到的IGFBP-3多肽相同的基本的生物学和免疫学性质。特别地,如果它们可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述IGFBP-3多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则它们具有相同的基本的生物学和免疫学性质。此外,应理解的是,根据本发明提到的变体可以具有由于至少一个氨基酸置换、删除和/或添加而不同的氨基酸序列,其中变体的氨基酸序列仍然与特异性IGFBP-3的氨基酸序列优选至少50%、60%、70%、80%、85%、90%、92%、95%、97%、98%或99%相同。变体可以是等位基因变体、剪接变体或任何其他的物种特异性同源、旁系同源或直向同源。此外,本文中提到的变体包括特异性IGFBP-3的片段或上文提到的类型的变体,只要这些片段具有如上文提到的基本的免疫学和生物学性质。这样的片段可以是例如IGFBP-3的降解产物。如果变体可通过本说明书中提及的相同特异性测定法检测,例如通过使用特异性识别所述IGFBP-3多肽的多克隆抗体或单克隆抗体的ELISA测定法检测,则认为变体具有相同的基本的生物学和免疫学性质。优选的确定法在所附的实施例中描述。还包括由于翻译后修饰例如磷酸化或十四烷基化而不同的变体。
如在本文中使用的术语“胰岛素样生长因子(IGF2)”是指与胰岛素具有结构相似性的三种蛋白激素之一。IFG2被认为由肝脏分泌并且在血液中循环。其具有生长调节、胰岛素样以及促有丝分裂的活性。生长因子具有主要的但是非绝对的对生长激素的依赖。其被认为是主要的胎儿生长因子。
术语“基质细胞衍生因子(SDF1)”,也称为C-X-C改性趋化因子12(CXCL12),是人类中由染色体10上的CXCL12基因编码的趋化蛋白。其在许多组织和细胞类型中普遍表达。基质细胞衍生因子1-α和1-β是属于趋化因子家族的小细胞因子,其成员激活白血球并且经常被促发炎刺激物例如脂多糖、TNF或IL1诱导。趋化因子的特点在于形成两个二硫键的四个保守半胱氨酸的存在。
术语“含有skp、cullin、f-box的复合物(或SCF)”是指多蛋白E3泛素连接酶复合物,其催化用于蛋白酶体降解的蛋白质的泛素化。其在参与细胞周期的蛋白质的泛素化中具有重要作用并且还标记各种其他的用于破坏的细胞蛋白质。
确定生物标志物的量可以优选地包括以下步骤:(a)将生物标志物与特异性的配体接触,(b)(可选地)移除未结合的配体,(c)测量已结合的配体的量。已结合的配体将产生强度信号。根据本发明的结合包括共价结合和非共价结合二者。根据本发明的配体可以是任何结合至本文描述的肽或多肽或蛋白质或核酸或细胞的化合物,例如肽、多肽、核酸或小分子。优选的配体包括抗体、核酸、肽或多肽例如用于肽或多肽的受体或结合伴侣和包括用于肽的结合域的其片段,以及适体例如核酸或肽适体。用于制备这样的配体的方法是本领域熟知的。例如,合适的抗体或适体的识别和生产也由商业供应商提供。本领域的技术人员熟悉用于开发具有更高的亲合力或特异性的此类配体的衍生物的方法。例如,随机突变可以被引入核酸、肽或多肽中。然后,可以根据本领域已知的筛选方法例如噬菌体展示对这些变体进行结合测试。如在本文中提到的抗体包括多克隆和单克隆抗体及其片段,例如能够结合抗原或半抗原的Fv、Fab和F(ab)2片段。本发明还包括单链抗体和人源化杂交抗体,其中表现出期望的抗原特异性的非人供体抗体的氨基酸序列与人类受体抗体的序列组合。供体序列通常至少包含供体的结合抗原的氨基酸残基,但也可能包含供体抗体的其他的结构上和/或功能上相关的氨基酸残基。这样的嵌合体可以通过本领域中熟知的多种方法制备。优选地,配体或剂特异性地结合至肽或多肽。根据本发明的特异性结合意指配体或剂不应该实质上结合至(与其“交叉反应”)待分析的样本中存在的另一肽、多肽或物质。优选地,特异性结合的肽或多肽应该以比任何其他的相关的肽或多肽至少3倍更高、更优选至少10倍更高并且甚至更优选至少50倍更高的亲合力结合。如果仍然可以明确区分和测量非特异性结合,例如根据其在Western Blot上的大小或样本中相对较高的丰度,则可以容忍非特异性结合。样本配体的结合可以通过任何本领域已知的方法被测量。优选地,所述方法是半定量的或定量的。在下文中描述用于确定生物标志物的其他合适的技术。
首先,配体的结合可以例如通过NMR或表面等离子体共振直接测量。第二,如果配体也用作感兴趣的生物标志物的酶活性的底物,那么酶促反应产物可以被测量(例如蛋白酶的量可以通过测量裂解底物的量被测量,例如在免疫印迹上)。可选择地,配体本身可以展示酶的性质并且“配体/肽或多肽”复合物或被生物标志物结合的配体可以分别与允许通过强度信号的产生检测的合适的底物接触。为了测量酶促反应产物,优选底物的量是饱和的。在反应之前底物也可以被可检测的标签标记。优选地,样本与底物接触持续足够的时间段。足够的时间段是指用于产生产物的可检测的、优选可测量的量所需要的时间。代替测量产物的量,可以测量用于出现给定的(例如可检测的)量的产物所需要的时间。第三,配体可以被共价地或非共价地偶联至允许配体的检测和测量的标签。标记可以通过直接的或间接的方法进行。直接标记涉及标签的直接地(共价地或非共价地)偶联至配体。间接标记涉及第二配体与第一配体(共价地或非共价地)结合。第二配体应该特异性地结合至第一配体。第二配体可以与合适的标签偶联和/或为与第二配体结合的第三配体的靶标(受体)。第二配体、第三配体或甚至更高级配体的使用经常用于增加信号。合适的第二配体和更高级配体可以包括抗体、第二抗体和熟知的链亲和素生物素体系。如本领域已知的那样,配体或底物也可以被一个或更多个标签“加标签”。然后,这样的标签可以用于靶向更高级配体。合适的标签包括生物素、洋地黄毒苷、组氨酸标签(His-tag)、谷胱甘肽-S-转移酶、FLAG、GFP、myc-tag、甲型流感病毒血凝素(HA)、麦芽糖结合蛋白质等。在肽或多肽的情况下,标签优选在N末端和/或C末端。合适的标签是通过合适的检测方法可检测的任何标签。典型的标记包括金颗粒、乳胶珠、吖啶酯、鲁米诺、钌、酶活性标记、放射性标记、磁性标记(“例如磁性珠”,包括顺磁性的和超顺磁性的标记)和荧光标记。酶活性标记包括例如辣根过氧化物酶、碱性磷酸酶、β-半乳糖苷酶、荧光素酶及其衍生物。用于检测的合适的底物包括二氨基联苯胺(DAB)、3,3'-5,5'-四甲基联苯胺、NBT-BCIP(4-硝基氯化物四唑蓝)和5-溴-4-氯-3-吲哚基磷酸。合适的酶-底物组合可以导致显色反应产物、荧光或化学发光,其可以根据本领域已知的方法测量(例如使用感光胶片或合适的照相机系统)。至于测量酶促反应,上文给出的标准类似地适用。典型的荧光标记包括荧光蛋白质(例如GFP和其衍生物)、Cy3、Cy5、德克萨斯红、荧光素和Alexa染料。其他荧光标记例如从Molecular Probes(奥勒冈州)可购得。此外,设想将量子点用作荧光标记。典型的放射性标记包括35S、125I、32P、33P等。放射性标记可以通过任何已知的和合适的方法,例如感光胶片或磷光体成像器被检测。
生物标志物的量可以也优选如下确定:(a)将包含用于如上文详细描述的生物标志物的配体的固体载体与包含生物标志物的样本接触以及(b)测量结合至载体的生物标志物的量。配体优选选自由核酸、肽、多肽、抗体和适体组成的组,优选在固体载体上以固定形式存在。用于制造固体载体的材料是本领域中熟知的并且包括,除了别的以外,可商购获得的柱材料、聚苯乙烯珠、乳胶珠、磁性珠、胶体金属微粒、玻璃和/或硅芯片和表面、硝化纤维素带、膜、片材、duracytes、反应盘的孔和壁、塑料管等。配体或试剂可以结合至许多不同的载体。熟知的载体的实施例包括玻璃、聚苯乙烯、聚氯乙烯、聚丙烯、聚乙烯、聚碳酸酯、葡聚糖、尼龙、直链淀粉、天然的和改性的纤维素、聚丙烯酰胺、琼脂糖和磁铁矿。为了本发明的目的,载体的性质可以是可溶解的或者不可溶解的。用于固定所述一个或更多个配体的合适的方法是熟知的并且包括但不限于离子的、疏水的或共价的相互作用和类似的。
根据本发明的合适的测量方法还包括FACS分析、放射免疫检定法(RIA)、酶联免疫吸附确定法(ELISA)、夹心酶免疫试验、电化学发光夹心免疫确定法(ECLIA)、离解增强镧系元素荧光免疫确定法(DELFIA)、闪烁迫近分析法(SPA)或固相免疫试验。本领域已知的其他方法,例如凝胶电泳、2D凝胶电泳、SDS聚丙烯酰胺凝胶电泳(SDS-PAGE)、Western Blot和质谱(MS)可以单独地或与如上文描述的标签或其他的检测方法组合地使用。
为了执行本发明的方法,提供适配于执行本发明的方法的试剂盒,其中根据本发明的试剂盒包括用于确定受试者的样本中的上文的生物标志物中的至少一个的量的检测剂。这样的试剂盒有利地允许直接进行本发明的方法和/或根据本发明的一个或更多个生物标志物的测量和/或确定。
如在本文中使用的术语“试剂盒”是指上文提到的组分的集合,优选地,组分被分离地或在单一的容器内提供。试剂盒还可以包括用于执行本发明的方法的指令。这些指令可以以手动形式或可以通过能够执行在本发明的方法中提到的比较并且当在计算机或数据处理设备上实施时据此建立诊断的计算机程序代码被提供。计算机程序代码可以在数据存储介质或设备例如存储介质(例如压缩光盘、USB驱动器或外部硬盘)上或直接地在计算机或数据处理设备上被提供。此外,试剂盒可以优选地包括用于基准量的标准,如在本文中在别处详细地描述的。
附图说明
本发明的其他特征来自与权利要求和附图组合的实施例。在具体实施方式中,单个特征可以与其他特征组合实现,并且不限制本发明的保护范围。根据本发明的实施例的以下描述可能涉及附图,由此
图1描绘了应答者和非应答者的外周血液中的SH2B3表达分析。在冠状动脉旁路移植术(CABG)血运重建之前从21名患者中获得全血样本。使用2-ΔΔCT方法计算SH2B3的相对表达(a)和相应的ΔCT值(b)。所有值均以平均值±SEM表示,并归一化为GAPDH和POLR2A。n=13(应答者);n=8(非应答者)。ΔCT值:p=0.073。
图2示出涉及无监督的ML的三维t分布随机邻域嵌入(t-SNE)计算。这种独立的方法减少给定的参数集例如生物标志物概况的维数,并且因此计算同样涉及新计算的特征的变量x、y和z,其用于将患者分为不同的组。随后通过多项式(n3)方程对该模型进行拟合,以将z轴作为地理曲线可视化。之后,为应答者(黑色点)和非应答者(灰色点)患者分别添加相应的颜色。通过黑色的和灰色的虚线概略地概括所分类的组。经过3000次迭代之后获得结果。每个圆形指示应答者和非应答者之间的比率的计算。非应答者组更有可能位于较小的z值(z<20,比率<42%)。应答者趋向于聚集在包括大于69%的比率的浅灰色区域(z>20)内。
图3描绘了对于临床和临床实验室数据集组的术前和术后时间点(0天至180天)的ML预测结果以区分应答者和非应答者。图表示出了五个独立特征选择的ML模型的真阳性预测率(用于特征选择的AdaBoost和用于最终预测的随机森林(RF))。误差线指示在100次迭代之后获得的构建的模型的相应精度标准差。根据单向方差分析,100次模型迭代有显着差异(p<0.001)。
图4示出PERFECT试验的结果。通过独特的术前外周血参数特征与骨髓/血液CD133+、CD34+、CD117+、EPC和血管生成应答相关联,在PERFECT试验中对主要终点结果应答者进行诊断区分。
具体实施方式
实施例
下面的实施例将仅举例说明本发明。无论如何,它们不应被解释为限制本发明的范围。
实施例1:临床研究设计和评估
在心肌梗塞和缺血性心肌病之后患有心力衰竭的患者中诱导心脏再生的目标是使用多种方法,包括干细胞疗法。因此,缺乏疗效和缺乏应答可预测性已成为治疗标准化和成功的主要障碍。
进行临床试验来评估患有缺血性心力衰竭和射血分数失败的患者是否为干细胞疗法合适的候选者并且能够以高概率心脏再生受益于所述干细胞疗法。该临床试验描述了反应者和非反应者之间心脏恢复的显着差异,这与外周血中血管生成因子的特定特征组成有关。在下文详细描述临床研究的进行。
罗斯托克大学(Rostock University)心脏外科系进行了一项伴随对照、前瞻性、随机、双盲多中心试验的研究(“骨髓干细胞的心肌内移植联合冠状动脉旁路移植手术(PERFECT)”)。该试验评估了心肌内注射CD133+细胞对心肌梗塞后左室射血分数降低和存在左心室局部化运动/运动功能减退/灌注不足区域的冠状动脉疾病患者的疗效和安全性。先前的结果表明某些再生因子与患者对治疗(CABG或CABG plus CD133+干细胞注射)的响应之间存在密切关系。选择通过MRI测量的LVEF增加最少5%,以指明在随后6至12个月的功能改善。LVEF增加大于5%的患者被定义为应答者,增加小于5%或LVEF减少的患者被定义为非应答者。
生物标志物
预先指定:在39个患者的同期群中骨髓(BM)和外周血液(PB)中测试不同的造血的和内皮的CD133+EPC亚群和血管生成容量,采用共表达分析使用四激光流式细胞术(LSRII,Becton Dickinson,海德堡,德国)用于EPC的共染色板计数(共染色板CD133、34、117、184、309、105、45)和循环内皮细胞(CEC)(共染色板:CD31、146、34、45、105、184、309)以及体外CFU-EC、CFU-Hill和体内基质胶塞测定法。对于爱泼斯坦-巴尔二氏病毒(EBV)、巨细胞病毒(CMV)和细小病毒,通过在外周血液血清中的IgG和抗原分析进行NT-前脑钠素以及病毒分析。对于血清血管生成因子和细胞因子进行最终数据闭包之前的事后分析。事后分析:在外周血液(PB)中的BM亚群分析和SH2B3 mRNA RT-PCR:在BM CD133+和PBMNC样本中研究生物标志物的方法和分析使用流式微珠阵列(CBA)和酶联免疫吸附测定法(ELISA)以及RT-PCR。
统计分析
在样本大小计算中忽略了按中心进行的主要分析的分层。代替在主要分析中使用的协方差分析(ANCOVA),考虑了方差相等的双样本t检验方案。假设双侧I型误差(a)为5%且II型误差(β)为10%(即功效为90%)确定样本大小。两组术后6个月LVEF差异为4%至5%的情况被认为是临床相关差异。差异为4.5且标准差为7.5,每组至少需要n=60名患者,并且另外有15%的退出率,将总共至少142名患者随机分组。使用商业程序nQueryAdvisor5.0,第8节,表MTT0-1(Hofmann WK,de Vos S,Elashoff D等,Lancet 2002;359(9305):481-6)计算样本大小。使用中心和非中心t分布实现计算,其中非中心参数是√nδ/√2并且δ被定义为效应量|μ1-μ2|/σ(O'Brien R G,Muller K E,Signified power analysis fort-tests through multivariate hypothesis.In L K Edward(Ed.)Applied analysis ofvariance in behavioral science,1993,New York,Marcel Dekker)。
由Koehler有限责任公司进行统计分析、最终数据集计算和准备,通过采用监督式和非监督式机器学习(ML)算法获得具有机器学习识别关键的特征和综合的患者数据分级的数据分析(Kuhn M,J Statistical Software,2008;28(5):1-26)。数据经过预处理,同时删除了具有低方差和高相关性的特征,以遵循最佳实践建议进行降维。丢失的测量值填充有如标准数据插补实践中经常使用的零。比较下面的监督式算法:AdaBoost、支持向量机(SVM)和随机森林(RF)(Forman G and Cohen I,2004.“Learning from Little:Comparison of Classifiers Given Little Training”doi:10.1007/978-3-540-30116-5_17)。小型临床数据集通常容易过度拟合。使用适合在小型数据集上进行训练的分类器,以用于比较几乎未训练的给定的特征,并根据准确性和针对过度拟合的鲁棒性选择最合适的算法(Saeb AT,Al-Naqeb D.Scientifica(Cairo).2016;2016:2079704.doi:10.1155/2016/2079704.Epub 2016May 30)。监督式ML模型已经被10倍交叉验证。然后从AdaBoost和RF进行功能选择,以进一步将功能数量减少到少于20个。采用t分布随机邻域嵌入(t-SNE)用于非监督式机器学习分类和非线性的降维(Maaten L V D&Hinton G,Visualizing Datausing t-SNE.Journal of Machine Learning Research,2008;9:2579–2605.Doi http:// jmlr.org/papers/v9/vandermaaten08a.html)。
结果
用于安全集(SAS)的患者的组和符合方案集(PPS)的患者的组中的患者基线特征的分析随后是预先指定的同期群分析SAS(n=77)和PPS(n=58)安慰剂对比CD133+的描述。另外地进行事后分析以分析影响主要终点结果的因素。为此,患者被分组为应答者(在180天LVEF增加>5%)或和非应答者(在180天LVEF增加<5%)。根据该事后分析35/58(60.3%)的患者为治疗应答者并且23/58(39.7%)没有LVEF的改善。这种应答者/非应答者(NR)比率与安慰剂组(57/43%(R/NR:17/13患者(pt.)))中和CD133+组(64/36%(R/NR:18/10pt.))中相似的(安慰剂对比CD133+:p=0.373)。
疗效结果分析
PPS疗效分析组(n=58)的特点在于(在静止时在MRI中测量的)MI后泵功能降低,具有基线LVEF 33.5%,SD±6.26%[Min-Max 25-49],n=58。预先指定的主要终点:在治疗后六个月左心室功能显示出LVEF的+9.6%±SD 11.3%[Min-Max-13-42]的相当大的增加,p<0.001(n=58)。为了区别通过CABG血运重建的左心室功能的早期改善和稍后的心肌逆向重塑,亚组患者在出院时可以进行附加的中间MRI分析(n=29)。这主要表明后期(10天至180天)ΔLVEF增加了+6.5%,SD±7.92%[Min-Max-11-23],p=0.007(n=29)。在主要终点的ANCOVA分析中安慰剂组在180天时从基线LVEF 33.5%提高至42.3%(ΔLVEF+8.8%,SE±2.17%[CI 38.0,46.6],p<0.001;n=30)并且CD133+组LVEF从33.5%提高至43.9%(ΔLVEF+10.4%,SE±2.33%[CI 39.0,48.5],p<0.001;n=28)。具有+2.58±SE 3.13%[CI-3.7-8.9],p=0.414的CD133+对比安慰剂的治疗组差异在ANCOVA分析中不是统计学上显著的。CD133+干细胞组显示主要在后期阶段(10天至180天ΔLVEF)+8.8%,SD±6.38%[Min-Max 4-10],p=0.001(n=14)的ΔLVEF改善,对比安慰剂对照(10天至180天ΔLVEF)+4.3%,SD±8.8%[Min-Max-11-23],p=0.077(n=15)。
应答者(R)/非应答者(NR)
在事后主要终点分析中治疗应答者被定义为具有在180天高于基线5%的ΔLVEF。在58个患者的同期群中35个应答者的传播中的结果的特点在于在ANCOVA中在180天ΔLVEF的+17.1%的总的增加;SE±2.08%[CI 12.9.;21.3],R对比NR,p<0.0001(180d/0),n=58。LVEF增加是在CD133+中+19.1%并且在安慰剂中+13.9%,p=0.099,n=35(数据未示出)。相反地,非应答者显示出在180天0%的ΔLVEF,SE±5.73%[CI 22.3;44.8]p=0.287(安慰剂/NR+3.3%,CD133+/NR-2.4%)。
事后次要终点:应答者显示出LV维度的显著的减少(LVEDV p=0.008,LVESV p=0.0001)以及NT-pro-BNP的减少,p=0.0002与非应答者相比。这不通过6MWT(p=0.811)的相似的改善反映。在具有疤痕大小R的改善的应答者中发现心肌内组织痊愈,对比NR-8.19gSE±3.5g,p=0.0238。经CD133+治疗的NR还显示疤痕大小(CD133+NRΔ疤痕大小180d/0:-13.9g,SD±20.9g安慰剂NR+11.9,SD±16.7g,p=0.008,n=20)和无法存活的组织(Δ无法存活的组织180d/0:CD133+NR-12.4g,SD±19.3g对比安慰剂NR+11.5g,SD±12.0g,p=0.004,n=19)的减少(数据未示出)。这种趋势在应答者中未观察到:疤痕大小(CD133+NR对比安慰剂NR-1.9,SD±16.0g对比安慰剂+2.5,SD±13.2g,p=0.398,n=33)和无法存活的组织(CD133+NR对比安慰剂NR-1.4,SD±16.7g对比安慰剂+1.8,SD±12.3g,p=0.544,n=32)。长期幸存:中期幸存是76.9±3.32个月(R)对比+72.3±5.0个月(NR),HR 0.3[Cl0.07-1.2];p=0.067。
发现治疗前外周血液中的循环EPC(CD133+/CD34+/CD117+)在NR与R相比减少二分之一。对于CD34+MNC亚群,术前血液水平是(R):CD34+0.072%,SD±0.05%对比(NR)0.039%,SD±0.017,R对比NR p=0.027。发现术前对于CD133+,CD133+和CD117+亚群差异相似(术前.R对比NR:CD133+0.048%,SD±0.031%对比0.021%,SD±0.011%,p=0.005;CD133+CD117+0.019%,SD±0.016%对比0.007%,SD±0.008%,p=0.024,n=23)(参见表1)。对于安慰剂和CD133+的比较未发现该差异(安慰剂对比CD133+组:CD34+p=0.975;CD133+p=0.995;CD133+CD117+p=0.892;n=24)(表1)。相反地,CD146+CEC在非应答者对比应答者中显示出更高的术前水平(p=0.053)(表1)。
术后NR中EPC的减少保持显著直至出院:外周血液CD34+(NR对比Rp=0.026术前和10天)和CD133+CD117+(NR对比R p=0.024术前和10天),尽管有EPO的术后的增加的水平(NR:术前16.9U/ml,SD±14.1U/ml;NR10天:42.1U/ml,SD±23.9U/ml;p=0.006术前/10天)和IP10/CXCL10的减少(NR术前:157.6pg/ml,SD±94.5pg/ml;NR10天:95.8pg/ml,SD±85.2pg/ml;p=0.01术前/10天)。
术前治疗应答者的特征为促血管新生因子的较低的血清水平例如VEGF(p=0.056R/NR),EPO(p=0.023R/NR),CXCL10/IP10(p=0.076R/NR),IGFBP-3的较高的水平(p=0.089R/NR)(表1),以及在10天介入之后VEGF的强烈诱导(+26.6pg/ml,p=0.015手术前/10天),对比非应答者(+1.2pg/ml,p=0.913术前/10天)(表1)。分离的骨髓CD133+细胞对于其体外通过CFU-EC以及体内通过基质胶塞的血管生成潜力全部测试为阳性(数据未示出)。
术前血小板计数在NR(208x109/L,SD±51.2 109/L[CI 73-311],n=23)对比R(257x109/L,SD±81.5 109/L[CI 123-620],n=35)在治疗之前减少(NR对比R:p=0.004,n=58)。通过发现减少的PB血小板和CD133+CD34+EPC计数怀疑骨髓干细胞抑制,测试SH2B3mRNA的RT-PCR基因表达分析,其编码LNK衔接子蛋白质SH2B3,其与对于即时冷冻血液样本中的EPC和巨核细胞的造血干细胞应答的抑制相关联。在21个患者中的第一分析揭示了非应答者的外周血液中的增加的mRNA表达的趋势(p=0.073)(参见表1,图1)。
表1:血液中与血管生成有关的生物标志物的分析。应答者对比非应答者和安慰剂对比CD133+组被分析术前(评价I)和术后10天(出院)之间的外周血液样本的生物标志物的改变。数据来源于具有完全的分析(符合方案集临床数据集和生物标志物)的患者组(同期群)。在该同期群中所有样本被立即处理以避免由于储存或运输导致的样本的任何改变。数据被表达为:平均值±标准差、0天和10天时间点之间的P值、应答者/非应答者之间的PA值、对于每个时间点的干细胞/对照(PB-外周血液,EPO-促红细胞生成素)。
Figure BDA0002369686240000241
Figure BDA0002369686240000251
Figure BDA0002369686240000252
为了识别对于R/NR的诊断响应信号,将机器学习方法用作用于预测在心脏干细胞疗法和CABG外科手术之后的功能改善的工具。进行第一分析以特别地排除小的人群中的过度拟合。然后,通过非监督式ML研究来自PERFECT临床数据库的盲患者数据,其能够聚集相近的患者并且揭示不同的组。研究潜在的细分,对所有时间点进行第一行监督式ML分析以将患者特征分为两个不同的组中。计算在180天根据ΔLVEF独立分配患者特征,确定了>5%的预选择准则(参见表2,图2)。
然后,使用机器学习算法调查对于响应特征决定性的参数。为此,潜在的PERFECT临床数据集和生物标志物实验室测量被组合并且分析来验证在CABG程序之前和之后对于应答者和非应答者的参数曲线的分类特异性。具体地,使用可区分的主要终点参数和次要终点参数以及血小板和白血球计数。仅使用临床参数(n=160)分类就得出假设平均准确性为63.35%的应答者的特异性(180天)(表2)。然而,结合术前临床数据(n=49)和生物标志物实验室参数(n=142),发现术前已测外周血液中血管生成/EPC/CEC相关参数的敏感性更高,分别假设最大准确性为81.64%±SE 0.51%[CI 80.65-82.65](n=31)(表2)。有趣地,17/20个相关的参数与血管生成参数、骨髓EPC/CEC响应、NT前脑钠素和外周血液中的SH2B3基因表达相关(表2)。使用临床参数和生物标志物参数二者,对于应答者的术前预测准确性为79.35%±SE 0.24%[CI 78.87-79.84](n=31)并且对于非应答者为83.95%±SE0.93%[CI 82.10-85.80](n=31)。在10天(n=382)的术后评估揭示82.12%±SE 0.28%[CI 81.56-82.67](n=31)(R)和85.89%±SE 0.67%[CI 84.56-87.22](n=31)(NR)的预测准确性,而0天至180天组合的临床和生物标志物分析(n=522)允许94.77%±SE 0.43%[CI 93.92-95.63](n=31)(R)和92.44%±SE 0.60%[CI 91.24-93.64](n=31)(NR)的预测准确性(参见图3)。
基于我们的机器学习途径的特征选择导致对于缺乏响应和心脏再生的诱导的决定性因素的识别,这可以用于在治疗之前诊断R/NR选择并且在治疗期间监控。对于外周血液中的实验室诊断的核心因素是NT-前脑钠素、VEGF、促红细胞生成素、玻连蛋白、循环EPC/CEC/血小板、SH2B3 mRNA表达,用于外周血液的CFU-Hill确定法/基质胶塞以及重量和LVESV指数。我们发现所识别的因素的统计相关性并且使用反复交叉验证计算其用于应答者和非应答者患者的选择的诊断用途(参见图4)。
通过ML选择实验室生物标志物子集连同临床试验的特异性特征。在下文表2中描绘计算选择的特征和生物标志物。预测的准确性被确定为高于80%。
表2:用于应答者和非应答者的诊断辨别的机器学习选择的参数。
Figure BDA0002369686240000261
Figure BDA0002369686240000271
在此示例性描述的本发明可以在本文没有具体公开的任何一个或多个元素、一个或多个限定的情况下适当第实施。因此,例如,在本文的每种情况下,术语“包括”、“基本上由……组成”和“由……组成”中的任何一个都可以用其它两个术语中的任何一个代替。已经采用的术语和表达用作描述性术语而非限制性术语,并且不意图在使用这样的术语和表达时排除所示出的和描述的技术特征的任何等效物或其部分,但应意识到,各种修改是在要求保护的本发明的范围内可能的。因此,应该理解,虽然已经通过优选的实施方式和可选择的技术特征具体公开了本发明,但是本领域技术人员可以对本文公开的概念进行修改和变型,并且这样的修改和变化视为在本发明的如被所附的权利要求限定的范围内。
关于本说明书中引用的所有参考文献,其全部公开内容和本说明书中具体提及的公开内容通过引用并入本文。
缩写词
AE=不良事件(Adverse Event)
AESI=特别关注的不良事件(Adverse Event of Special Interest)
AHA=美国心脏协会(American Heart Association)
ANCOVA=协方差分析(Analysis of covariance)
BM=骨髓(Bone marrow)
BMSC=骨髓干细胞(Bone marrow stem cells)
CABG=冠状动脉旁路移植术(Coronary Artery Bypass Graft)
CAP-EPC=浓缩环境颗粒物-内皮祖细胞(Concentrated Ambient Particles-Endothelial Progenitor Cells)
CBA=流式微珠阵列(Cytometric Bead Array)
CCS=加拿大心血管学会(Canadian Cardiovascular Society)
CCTRN=心血管细胞疗法研究网络(Cardiovascular Cell Therapy ResearchNetwork)
CD=分化簇(Cluster of Differentiation)
CEC=在外周血液中测量的循环内皮细胞、CEC组、CD(Circulating endothelialcells,CEC panel,CDs measured in PB)
CFU=集落形成单位(Colony-forming unit)
CI=置信区间(Confidence interval)
CMV=巨细胞病毒(Cytomegalovirus)
EA=早期抗原(Early Antigen)
EBNA1=EBV-核抗原1(EBV-Nuclear Antigen 1)
EBV=爱泼斯坦-巴尔二氏病毒(Epstein-Barr-Virus)
EC=内皮细胞(Endothelial Cells)
ECG=超声心动描记术(Echocardiography)
ELISA=酶联免疫吸附确定法(Enzyme-Linked Immunosorbent Assay)
EPC=在外周血液中测量的内皮祖细胞、EPC组、CD(Endothelial ProgenitorCells,EPC panel,CDs measured in PB)
EPO=促红细胞生成素(Erythropoietin)
GMP=生产质量管理规范(Good Manufacturing Practice)
HR=风险比率(Hazard ratio)
HIF=缺氧诱导因子,转录因子(Hypoxia-Inducible Factor,transcriptionfactor)
ICH GCP=用于临床试验管理规范的三方协调指导原则(Tripartite GuidelinesGuideline for Good Clinical Practice)
IGF-1=胰岛素样生长因子1(Insulin-like Growth Factor 1)
IGFBP2/3=胰岛素样生长因子-结合蛋白2/3(Insulin-like Growth Factor-Binding Protein 2/3)
IHG=根据ISHAGE指南进行的分析(Analysis performed in accordance withISHAGE guidelines)
IL=白介素(Interleukin)
IP-10=干扰素γ诱导蛋白质10(Interferon Gamma-induced Protein 10),也称作C-X-C改性趋化因子10(C-X-C motif chemokine 10)(CXCL10)
LMCA=左冠状动脉主干(Left Main Coronary Artery)
LVEDV=左心室舒张末期容积(Left Ventricular End Diastolic Volume)
LVEF=左心室射血分数(Left Ventricular Ejection Fraction)
LVESD=左心室收缩末期内径(Left Ventricular End Systolic Dimension)
MACE=主要不良心血管事件(Major Adverse Cardiovascular Events)
ML=机器学习(Machine learning)
MNC=单核细胞(Mononuclear cell)
MRI=磁共振成像(Magentic Resonance Imaging)
6MWT=6分钟步行试验(6-Minute Walk Test)
NT-前脑钠素=B型脑钠肽(B-type Brain Natruretic Peptide)
PB=外周血液(Peripheral blood)
PBMNC=从外周血液分离的单核细胞(mononuclear cells isolated fromperipheral blood)
PCI=经皮冠状动脉介入(Percutaneous Coronary Intervention)
PEI=Paul-Ehrlich研究所(Paul-Ehrlich Institute)
PPS=用于符合方案集的患者的组(Group of patients for per-protocol set)
SAE=严重不良事件(Serious adverse event)
SAS=用于安全集的患者的组(Group of patients for safety set)
SDF-1=基质细胞衍生因子1(Stromal Cell-derived Factor 1)
SH2B3=Lnk[Src同源性2-B3(SH2B3)]属于具有重要的衔接子功能的含有SH2的蛋白质家族
SCF=干细胞因子(Stem Cell Factor)
STEMI=ST段抬高型心肌梗死(ST-segment Elevation Infarction)
SUSAR=可疑且非预期严重不良反应(Suspected Unexpected Serious AdverseReaction)
TNF=肿瘤坏死因子(Tumor Necrosis Factor)
t-SNE=t分布随机邻域嵌入(t-distributed stochastic neighbourembedding)
VCA=病毒衣壳抗原(Virus-Capsid-Antigen)
VEGF=血管内皮生长因子(Vascular Endothelial Growth Factor)
VEGF rec=血管内皮生长因子受体(Vascular Endothelial Growth FactorReceptor)
VEGFR2/KDR=血管内皮生长因子受体2/激酶插入结构域(Vascular EndothelialGrowth Factor Receptor 2/Kinase Insert Domain)

Claims (26)

1.一种用于对心血管再生的响应的预测的方法,其中所述方法包括
(i)确定受试者的样本中以下各生物标志物的量,其中所述生物标志物选自生长因子、淋巴细胞衔接蛋白质、糖蛋白、脑钠肽(BNP)、循环内皮祖细胞(EPC)、循环内皮细胞(CEC)、循环血小板、循环单核细胞和亚群以及在MNC亚群上的受体/配体表达的组,
(ii)将该被确定的量与基线值和/或基准比较,
(iii)基于所述比较的结果预测对所述受试者中的心脏修复的响应是被预期的、不被预期的还是含糊不定的。
2.根据权利要求1所述的方法,其中预测准确性的灵敏度和特异性大于约80%。
3.根据权利要求1或2所述的方法,其中所述生长因子优选选自VEGF和/或促红细胞生成素,所述淋巴细胞衔接蛋白质优选选自SH2B3,所述糖蛋白优选选自玻连蛋白以及所述脑钠肽优选选自NT-前脑钠素。
4.根据权利要求1、2或3所述的方法,其中所述方法使用另外的生物标志物,其中所述另外的生物标志物选自细胞因子、白介素、干扰素、胰岛素样生长因子结合蛋白、胰岛素样生长因子、趋化蛋白和/或多蛋白E3泛素连接酶复合物的组。
5.根据权利要求4所述的方法,其中所述细胞因子优选选自TNF,所述白介素优选选自IL-6、IL-8和/或IL-10,所述干扰素优选选自人干扰素γ诱导蛋白10,所述胰岛素样生长因子结合蛋白优选选自胰岛素样生长因子结合蛋白-2和/或胰岛素样生长因子结合蛋白-3,所述胰岛素样生长因子优选选自IGF2,所述趋化蛋白优选选自SDF-1和/或所述多蛋白E3泛素连接酶复合物优选选自SCF。
6.根据前述权利要求中任一项所述的方法,其中所述方法用于对干细胞疗法的响应和/或血管生成响应的诱导和/或包括心肌梗塞、中风和外周缺血性血管疾病、心脏病在内的心血管疾病的组织修复和/或缺血预处理的术前预测。
7.根据前述权利要求中任一项所述的用于对干细胞疗法的响应的预测的方法,其中所述样本取自患有心脏病和/或动脉硬化的受试者。
8.根据前述权利要求中任一项所述的方法,其中所述方法包括作至少两个、三个、四个、五个、六个或更多个时间点的比较的结果的曲线。
9.根据权利要求8所述的方法,其中预测准确性的灵敏度和特异性大于90%。
10.根据前述权利要求中任一项所述的方法,其中所述方法还包括临床诊断参数的使用。
11.根据前述权利要求中任一项所述的方法,其中所述方法用于剖析血管生成响应。
12.根据前述权利要求中任一项所述的方法,其中所述方法还包括分析RNA和/或mRNA序列和/或功能性RNA例如microRNA和/或非编码RNA和/或包含诊断特征的SNP。
13.根据前述权利要求中任一项所述的方法,其中所述方法还包括采用RNA和/或DNA序列分析和/或网络路径分析来分析药代动力学和药物遗传学数据。
14.根据前述权利要求中任一项所述的方法,其中所述方法还包括表型的分析。
15.根据前述权利要求中任一项所述的方法,其中所述干细胞疗法包括CD133阳性干细胞的移植。
16.根据前述权利要求中任一项所述的方法,其中所述受试者是人类。
17.根据前述权利要求中任一项所述的方法,其中所述样本是血液、血清和/或血浆样本和/或组织活检样本和/或循环干细胞例如EPC的样本。
18.生物标志物的组合,其用于:用于对心血管再生的响应的预测的方法,所述生物标志物选自生长因子、淋巴细胞衔接蛋白质、糖蛋白、循环内皮祖细胞(EPC)、循环内皮细胞(CEC)、循环血小板、循环单核细胞(MNC)和亚群、在MNC亚群上的受体/配体表达以及脑钠肽(BNP)的组。
19.根据权利要求18所述的生物标志物的组合,其用于:用于对心血管再生的响应的预测的方法,其中所述生长因子优选选自VEGF和/或促红细胞生成素,所述淋巴细胞衔接蛋白质优选选自SH2B3,所述糖蛋白优选选自玻连蛋白以及所述脑钠肽优选选自NT-前脑钠素。
20.根据权利要求18或19所述的生物标志物的组合,其中所述组合还包括选自细胞因子、白介素、干扰素、胰岛素样生长因子结合蛋白、胰岛素样生长因子、趋化蛋白和/或多蛋白E3泛素连接酶复合物的组的一个或更多个生物标志物。
21.根据权利要求20所述的生物标志物的组合,其中所述细胞因子优选选自TNF,所述白介素优选选自IL-6、IL-8和/或IL-10,所述干扰素优选选自人干扰素γ诱导蛋白10,所述胰岛素样生长因子结合蛋白优选选自胰岛素样生长因子结合蛋白-2和/或胰岛素样生长因子结合蛋白-3,所述胰岛素样生长因子优选选自IGF2,所述趋化蛋白优选选自SDF-1和/或所述多蛋白E3泛素连接酶复合物优选选自SCF。
22.根据权利要求18至21中任一项所述的生物标志物的组合,其用于:用于对心血管再生的响应的预测的方法,其中所述方法还包括对临床诊断数据和/或RNA和/或mRNA和/或功能性RNA例如microRNA和/或非编码RNA和/或SNP的分析,和/或对药代动力学数据的分析和/或对表型的分析。
23.根据权利要求6或17所述的方法或根据权利要求18至21中任一项所述的生物标志物的组合,其中所述方法和/或所述生物标志物用于对干细胞疗法的响应的术前预测并且其中所述干细胞疗法伴随有冠状动脉旁路移植术(CABG)。
24.一种试剂盒,其适配于执行根据权利要求1至17中任一项所述的方法,其中所述试剂盒包括检测剂,所述检测剂用于确定所述受试者的样本中的权利要求1至5所述的各生物标志物的量。
25.一种计算机设备,所述计算机设备包括处理器和耦合至所述处理器的编码一个或多个机器学习(ML)模型的存储器,其中所述程序使所述处理器执行以下方法,所述方法包括
(i)将根据权利要求1至5中任一项所述的一个或更多个生物标志物的被确定的量与基线值和/或基准比较,
(ii)基于所述比较的结果预测对所述受试者中的心血管再生的响应是被预期的、不被预期的还是含糊不定的。
26.一种设备,所述设备适配于执行根据权利要求1至17中任一项所述的方法,所述设备包括
(i)分析单元,所述分析单元用于确定所述受试者的样本中的根据权利要求1至5中任一项所述的各生物标志物的量,以及
(ii)根据权利要求25所述的计算机设备。
CN201880048074.9A 2017-07-18 2018-07-16 用于对心血管再生的响应的预测的方法 Active CN110945357B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102017116204.6A DE102017116204A1 (de) 2017-07-18 2017-07-18 Verfahren zur Vorhersage der Antwort auf die kardiovaskuläre Regeneration
DE102017116204.6 2017-07-18
PCT/EP2018/069307 WO2019016156A1 (en) 2017-07-18 2018-07-16 METHOD FOR PREDICTING THE RESPONSE TO CARDIOVASCULAR REGENERATION

Publications (2)

Publication Number Publication Date
CN110945357A true CN110945357A (zh) 2020-03-31
CN110945357B CN110945357B (zh) 2024-05-31

Family

ID=

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100129440A1 (en) * 2006-10-18 2010-05-27 Yong Zhao Embryonic-like stem cells derived from adult human peripheral blood and methods of use
CN101940591A (zh) * 2010-08-27 2011-01-12 上海士腾生物技术有限公司 促血管再生或新生的制剂及其制备方法
CN101940594A (zh) * 2010-08-27 2011-01-12 上海士腾生物技术有限公司 用于治疗缺血性心血管疾病的制剂及其制备方法
US20110256105A1 (en) * 2007-11-02 2011-10-20 The Johns Hopkins University Cardiac stem cell and myocyte secreted paracrine factors
CN102438636A (zh) * 2009-05-20 2012-05-02 卡迪欧参生物科技有限公司 用于治疗心脏疾病的药物组合物
WO2015144767A1 (en) * 2014-03-26 2015-10-01 Roche Diagnostics Gmbh Igfbp7 for diagnosing diastolic dysfunction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100129440A1 (en) * 2006-10-18 2010-05-27 Yong Zhao Embryonic-like stem cells derived from adult human peripheral blood and methods of use
US20110256105A1 (en) * 2007-11-02 2011-10-20 The Johns Hopkins University Cardiac stem cell and myocyte secreted paracrine factors
CN102438636A (zh) * 2009-05-20 2012-05-02 卡迪欧参生物科技有限公司 用于治疗心脏疾病的药物组合物
CN101940591A (zh) * 2010-08-27 2011-01-12 上海士腾生物技术有限公司 促血管再生或新生的制剂及其制备方法
CN101940594A (zh) * 2010-08-27 2011-01-12 上海士腾生物技术有限公司 用于治疗缺血性心血管疾病的制剂及其制备方法
WO2015144767A1 (en) * 2014-03-26 2015-10-01 Roche Diagnostics Gmbh Igfbp7 for diagnosing diastolic dysfunction

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FRANCOIS HADDAD等: "Immunologic Network and Response to Intramyocardial CD34+ Stem Cell Therapy in Patients With Dilated Cardiomyopathy" *

Also Published As

Publication number Publication date
US20200174020A1 (en) 2020-06-04
EP3655775A1 (en) 2020-05-27
SG11201912233TA (en) 2020-01-30
DE102017116204A1 (de) 2019-01-24
EP3655775C0 (en) 2023-06-07
JP7403162B2 (ja) 2023-12-22
JP2020527710A (ja) 2020-09-10
EP3655775B1 (en) 2023-06-07
WO2019016156A1 (en) 2019-01-24
KR102535577B1 (ko) 2023-05-23
AU2018302405A1 (en) 2020-01-16
US11714093B2 (en) 2023-08-01
KR20200031121A (ko) 2020-03-23
CA3069874A1 (en) 2019-01-24

Similar Documents

Publication Publication Date Title
JP7045349B2 (ja) 拡張機能障害を診断するためのigfbp7
JP7033634B2 (ja) 心不全の治療選択におけるバイオマーカー
JP7403162B2 (ja) 心臓血管再生に対する応答の予測方法
AU2012324967B2 (en) Troponin and BNP based diagnosis of risk patients and cause of stroke
EP3472622B1 (en) Circulating angiopoietin-2 (ang-2) for the prediction of recurrence of atrial fibrillation
EP1722232A1 (en) Devices and methods for diagnosing or predicting early stage cardiac dysfunctions
US20200333360A1 (en) NT-proANP AND NT-proBNP FOR THE DIAGNOSIS OF STROKE
CN110945357B (zh) 用于对心血管再生的响应的预测的方法
JP6595641B2 (ja) 心不全の診断
KR20200013636A (ko) 골수 반응 및 면역 반응의 예측을 위한 sh2b 어댑터 단백질 3
US20160054318A1 (en) Method for the diagnosis of neuromyelitis optica
Felker et al. Biologic markers in acute heart failure
EP2508890A1 (en) CAIX based diagnosis of heart failure

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
CB02 Change of applicant information

Country or region after: Germany

Address after: Rostock, Germany

Applicant after: UNIVERSITAT ROSTOCK

Address before: Rostock, Germany

Applicant before: Rostock University Administration Center 1 1 Law Department

Country or region before: Germany

GR01 Patent grant