CN113439212A - 用于确定侵袭性前列腺癌的生物标志物组合 - Google Patents
用于确定侵袭性前列腺癌的生物标志物组合 Download PDFInfo
- Publication number
- CN113439212A CN113439212A CN201980079046.8A CN201980079046A CN113439212A CN 113439212 A CN113439212 A CN 113439212A CN 201980079046 A CN201980079046 A CN 201980079046A CN 113439212 A CN113439212 A CN 113439212A
- Authority
- CN
- China
- Prior art keywords
- subject
- aggressive
- psa
- leptin
- prostate cancer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4375—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the male reproductive system
- A61B5/4381—Prostate evaluation or disorder diagnosis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
- G01N33/57434—Specifically defined cancers of prostate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/74—Chemical 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/82—Translation products from oncogenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/56—Staging of a disease; Further complications associated with the disease
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/60—Complex ways of combining multiple protein biomarkers for diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- General Physics & Mathematics (AREA)
- Biotechnology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Hospice & Palliative Care (AREA)
- Oncology (AREA)
- Endocrinology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Gynecology & Obstetrics (AREA)
- Reproductive Health (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了用于诊断侵袭性前列腺癌的方法，包括但不限于，辨别侵袭性和非侵袭性形式的前列腺癌的方法，以及基于与非侵袭性前列腺癌或未患有前列腺癌的对象的混合对照群体比较检测侵袭性前列腺癌的方法。
Description
通过交叉引用并入
本申请要求澳大利亚临时专利申请号2018903763和2019900406的优先权，其全部内容通过交叉引用并入本文。
技术领域
本发明总体上涉及免疫学和药物领域。更具体地，本发明涉及通过评估生物标志物和临床变量的各种组合诊断对象的侵袭性和非侵袭性形式的前列腺癌。
背景技术
前列腺癌是最常被诊断的内脏癌，是男性癌症死亡的第二大主要原因。根据国家癌症研究所的SEER计划和疾病控制中心的国家健康统计中心，2018年估计发生了164,690例前列腺癌(占所有新癌症病例的9.5％)，其中估计有29,430例死亡(占所有癌症死亡的4.8％)(参见SEER癌症统计资料：Prostate Cancer.National CancerInstitute.Bethesda,MD, http://seer.cancer.gov/statfacts/html/prost.html)。侵袭性前列腺癌(定义为Gleason 3+4或更高) 与非侵袭性前列腺癌(定义为Gleason 3+3或更低)的相对比例在研究之间有差异。最近针对 1012名美国男性进行PSA升高的前列腺活检的研究表明，有542例男性前列腺癌活检阴性， 239例患有Gleason 3+3前列腺癌，231例患有Gleason 3+4或更高的前列腺癌(Parekh等Eur Urol.2015Sep；68(3)：464-70)。
前列腺癌常用的筛查试验包括直肠指检(DRE)和血液中前列腺特异性抗原(PSA)的检测。DRE是侵入性的和不精确的，并且有充分的文献记录了PSA分析导致假阴性(即未检测到癌症)和假阳性(即在不存在的情况下指示有癌症)的普遍发生。在通过DRE或PSA筛查进行阳性诊断后，确认性诊断测试包括经直肠超声、活检和经直肠磁共振成像(MRI)活检。这些技术是侵入性的，并且给被检查的对象造成极大的不适。
2012年，美国预防服务工作组(USPTF)发布了一项针对使用PSA测试进行常规前列腺癌筛查的建议。这导致PSA测试结果升高后进行活检的男性人数减少，并且侵袭性前列腺癌的男性比例增加(Fleshner&Carlsson,Nature Reviews Urology,第15卷,第532–534页,2018)。
对更方便、可靠和准确的诊断测试存在普遍需要，其能够区分侵袭性和非侵袭性形式的前列腺癌并检测侵袭性前列腺癌。
发明内容
本发明人已经鉴定出对检测侵袭性前列腺癌有效的生物标志物和临床变量的组合。因此，本文公开的生物标志物/临床变量组合可以用于检测对象中侵袭性前列腺癌的存在或不存在。
本发明至少涉及以下系列的以下编号的实施方案：
实施方案1.一种用于在测试对象中诊断侵袭性前列腺癌(CaP)的方法，包括：
(a)检测来自所述测试对象的生物样品中的一种或多种分析物，从而获得所述测试对象的生物样品中每种所述分析物的分析物水平，并获得来自所述测试对象的两个或多个临床变量测量值；和
(b)将适当的算法和/或变换应用于所述测试对象的所述临床变量测量值和分析物水平的组合，从而生成测试对象得分值以与阈值进行比较；和
(c)通过比较所述测试对象得分值和所述阈值，确定所述测试对象是否具有侵袭性 CaP，
其中：
所述一种或多种分析物包含瘦蛋白或由瘦蛋白组成，
所述两个或多个临床变量包括以下的至少两项：总PSA、DRE、对象年龄、前列腺体积，并且
所述阈值通过以下确定：
在一系列生物样品中检测所述一种或多种分析物，所述一系列生物样品从具有侵袭性 CaP的对象群体和不具有侵袭性CaP的对照对象群体中获得，从而获得所述系列的每个所述生物样品中每种所述分析物的分析物水平；
以允许辨别侵袭性CaP和不存在侵袭性CaP的方式，将所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的所述两个或多个临床变量测量值相组合，从而生成所述阈值。
实施方案2.根据实施方案1所述的方法，其中对照对象的群体包括不患有前列腺癌的对象和患有非侵袭性前列腺癌的对象。
实施方案3.一种识别测试对象是否患有非侵袭性或侵袭性前列腺癌(CaP)的方法，包括：
(a)检测来自所述测试对象的生物样品中的一种或多种分析物，从而获得所述测试对象的生物样品中每种所述分析物的分析物水平，并获得来自所述测试对象的两个或多个临床变量测量值；和
(b)将适当的算法和/或变换应用于所述临床变量测量值和分析物水平的组合，从而生成测试对象得分值以与阈值进行比较；和
(c)通过比较所述测试对象得分值和所述阈值，确定所述测试对象是具有非侵袭性还是侵袭性CaP，
其中
先前已确定所述测试对象患有前列腺癌或具有患有前列腺癌的可能性(例如，通过基于PSA的测试、直肠指检(DRE)、家族史、基于超声的测试、磁共振成像(MRI)、尿液生物标志物测试、基于外泌体的测试中的任何一项或多项)，
所述一种或多种分析物包含瘦蛋白或由瘦蛋白组成，
所述两个或多个临床变量包括以下的至少两项：总PSA、DRE、对象年龄、前列腺体积，并且
所述阈值通过以下确定：
在一系列生物样品中检测所述一种或多种分析物，所述一系列生物样品从具有侵袭性 CaP的对象群体和具有非侵袭性CaP的对照对象群体中获得，从而获得所述系列的每个所述生物样品中每种所述分析物的分析物水平；
以允许辨别侵袭性CaP和非侵袭性CaP的方式，将所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的所述两个或多个临床变量测量值相组合，从而生成所述阈值。
实施方案4.根据实施方案1或实施方案3所述的方法，其中对照对象群体具有由3+3 的Gleason得分定义的非侵袭性CaP。
实施方案5.根据实施方案1至3中任一项所述的方法，其中在执行所述方法之前确定所述阈值。
实施方案6.根据实施方案1至5中任一项所述的方法，其中所述两个或多个临床变量和所述一种或多种分析物包括以下任一项：
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7和VEGF；
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7、VEGF、骨桥蛋白和CD40L；
-总PSA、％游离PSA、前列腺体积、瘦蛋白、骨桥蛋白和HE4.WFDC2；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF和IL-7；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、先前的阴性活检、VEGF-C、骨桥蛋白、
GPC-1、CD40L、proPSA、％游离PSA。
实施方案7.根据实施方案1至6中任一项所述的方法，包括选择组合的分析物和/或临床变量测量值的子集以产生所述阈值。
实施方案8.根据实施方案1至7中任一项所述的方法，其中将所述系列的每个所述分析物水平与所述两个或多个临床变量测量值的所述组合包括将所述临床变量测量值的逻辑回归得分与分析物水平根据下式以最大化所述辨别的方式相组合：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数，不包括变量年龄；
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数。
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，和
系数i是变量的优势比的自然对数。
实施方案9.根据实施方案1至8中任一项所述的方法，其中所述将适当的算法和/或变换应用于所述临床变量测量值和/或分析物水平的组合包括使用指数函数、对数函数、幂函数和/或根函数。
实施方案10.根据实施方案1至9中任一项所述的方法，其中应用于所述测试对象的所述临床变量测量值和分析物水平的组合的所述适当的算法和/或变换根据以下公式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数，不包括变量年龄；
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数；
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数；
并且所述适当的算法和/或变换用于生成与所述阈值比较的对象测试得分，从而确定所述测试对象是否患有侵袭性前列腺癌。
实施方案11.根据实施方案1至10中任一项所述的方法，其中所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的所述两个或多个临床变量测量值的所述组合最大化所述辨别。
实施方案12.根据实施方案1至11中任一项所述的方法，其中以如下方式进行所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的两个或多个临床变量测量值的所述组合：
(i)降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率；和/或
(ii)提高辨别具有侵袭性CaP的对象和所述对照对象的灵敏度；和/或
(iii)提高辨别具有侵袭性CaP的对象和所述对照对象的特异性。
实施方案13.根据实施方案12所述的方法，其中以降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率的方式进行所述组合包括选择合适的真阳率和/或真阴率。
实施方案14.根据实施方案12所述的方法，其中以降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率的方式进行所述组合最小化了所述错误分类率。
实施方案15.根据实施方案12所述的方法，其中以降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率的方式进行所述组合包括通过识别真阳率与真阴率相交的点最小化具有侵袭性CaP的对象与所述对照对象之间的错误分类率。
实施方案16.根据实施方案12所述的方法，其中以增加在具有侵袭性CaP的对象和所述对照对象之间辨别的灵敏度的方式进行所述从组合的临床变量测量值和/或组合的分析物水平中选择阈值增加或最大化所述灵敏度。
实施方案17.根据实施方案12所述的方法，其中以增加在具有侵袭性CaP的对象和所述对照对象之间辨别的特异性的方式进行所述从组合的临床变量测量值和/或组合的分析物水平中选择阈值增加或最大化所述特异性。
实施方案18.根据实施方案1至17中任一项所述的方法，其中所述两个或多个临床变量和所述一种或多种分析物由以下任一项组成：
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7和VEGF；
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7、VEGF、骨桥蛋白和CD40L；
-总PSA、％游离PSA、前列腺体积、瘦蛋白、骨桥蛋白和HE4.WFDC2；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF和IL-7；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、先前的阴性活检、VEGF-C、骨桥蛋白、 GPC-1、CD40L、proPSA、％游离PSA。
实施方案19.根据实施方案1至18中任一项所述的方法，其中所述测试对象先前已经接收侵袭性前列腺癌的阳性指示。
实施方案20.根据实施方案1至19中任一项所述的方法，其中所述测试对象先前已经通过直肠指检(DRE)和/或通过PSA测试接收侵袭性前列腺癌的阳性指示。
实施方式21.根据实施方案1至20中任一项所述的方法，其中所述检测来自所述测试对象的生物样品中的一种或多种分析物包括：
(i)测量指示每个所述分析物水平的一个或多个荧光信号；
(ii)获得生物样品中所述分析物的重量/体积的测量值；
(iii)测量指示每个所述分析物水平的吸光度信号；或者
(iv)使用选自以下的技术：质谱法、蛋白质阵列技术、高效液相色谱(HPLC)、凝胶电泳、放射性标记及其任何组合。
实施方案22.根据实施方案1-21中任一项所述的方法，其中使每个所述样品与第一和第二抗体群体接触以检测每种所述分析物，其中每个所述抗体群体对一种所述分析物具有结合特异性并且第一和第二抗体群体具有不同的分析物结合特异性。
实施方案23.根据实施方案22所述的方法，其中所述第一和/或第二抗体群体被标记。
实施方案24.根据实施方案23所述的方法，其中第一和/或第二抗体群体包含选自放射性标记、荧光标记、生物素-亲和素扩增系统、化学发光系统、微球和胶体金的标记。
实施方案25.根据实施方案20至24中任一项所述的方法，其中每个所述抗体群体与分析物的结合通过选自以下的技术检测：免疫荧光、放射性标记、免疫印迹、蛋白质印迹、酶联免疫吸附测定(ELISA)、流式细胞仪、免疫沉淀、免疫组织化学、生物膜测试、亲和环测试、抗体阵列光密度测试和化学发光。
实施方案26.根据实施方案1至25中任一项所述的方法，其中从每个所述群体获得的所述系列生物样品和所述测试对象的生物样品各自是全血、血清、血浆、唾液、泪液、尿液或组织。
实施方案27.根据实施方案1至26中任一项所述的方法，其中所述测试对象、具有侵袭性CaP的所述对象群体和所述对照对象的群体是人类。
实施方案28.根据实施方案1至27中任一项所述的方法，其中对来自所述测试对象的生物样品或从每个所述群体获得的所述系列生物样品中的每种所述分析物的所述检测包括直接检测所述分析物。
实施方案29.根据实施方案1至28中任一项所述的方法，其中对来自所述测试对象的生物样品或从每个所述群体获得的所述系列生物样品中的每种所述分析物的所述检测包括检测编码所述分析物的核酸。
附图说明
现在将参考附图，仅通过举例来描述本发明的优选实施方案，其中：
图1是流程图，显示了侵袭性前列腺癌的典型临床诊断途径的阶段。
图2示出了用于实施本发明的诊断方法的示例性策略。
图3是显示从患者的病历获得的PSA浓度(ng/ml)与在中心测量的试验样品PSA之间的相关性的图。
图4是中心活检结果与在当地获得的活检结果的比较。
图5描绘了基于在模型1[侵袭性前列腺癌(AgCaP)与非侵袭性前列腺癌(NoAgCap)比较]下生成的PSA水平(模型拟合：逻辑回归)的ROC曲线分析。
图6描绘了基于在模型2(AgCaP与NoAgCap比较)下生成的前列腺体积(PV)(模型拟合：逻辑回归)的ROC曲线分析。
图7描绘了基于在模型3(AgCaP与NoAgCap比较)下生成的瘦蛋白(模型拟合：逻辑回归)的ROC曲线分析。
图8描绘了基于在模型4(AgCaP与NoAgCap比较)下生成的％游离PSA(模型拟合：逻辑回归)的ROC曲线分析。
图9描绘了基于在模型5(AgCaP与NoAgCap比较)下生成的PHI(模型拟合：逻辑回归)的ROC曲线分析。
图10描绘了基于在模型6(AgCaP与NoAgCap比较)下生成的PSA、PV和瘦蛋白(模型拟合：逻辑回归)的ROC曲线分析。
图11描绘了基于在模型7a(AgCaP与NoAgCap比较)下生成的PSA、PV、瘦蛋白、年龄、IL-7和VEGF(模型拟合：逻辑回归)的ROC曲线分析。
图12描绘了基于在模型7b(AgCaP与NoAgCap比较)下生成的PSA、PV、瘦蛋白、年龄、IL-7和VEGF(模型拟合：逻辑回归)的ROC曲线分析。
图13描绘了基于在模型8(AgCaP与NoAgCap比较)下生成的PSA、PV、瘦蛋白、年龄、VEGF、IL-7、骨桥蛋白和CD40L(模型拟合：逻辑回归)的ROC曲线分析。
图14描绘了基于在模型9(AgCaP与NoAgCap比较)下生成的PSA、％游离PSA、PV、瘦蛋白、骨桥蛋白和HE4.WFDC2(模型拟合：逻辑回归)的ROC曲线分析。
图15描绘了基于在模型10(AgCaP与NoAgCap比较)下生成的DRE(模型拟合：逻辑回归)的ROC曲线分析。
图16描绘了基于在模型11(AgCaP与NoAgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF和IL-7(模型拟合：逻辑回归)的ROC曲线分析。
图17描绘了基于在模型12(AgCaP与NoAgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF和骨桥蛋白(模型拟合：逻辑回归)的ROC曲线分析。
图18描绘了基于在模型13(AgCaP与NoAgCap比较)下生成的GPC-1(模型拟合：逻辑回归)的ROC曲线分析。
图19描绘了基于在模型14(AgCaP与NoAgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF、IL-7和GPC-1(模型拟合：逻辑回归)的ROC曲线分析。
图20描绘了基于在模型15(AgCaP与NoAgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF、骨桥蛋白和GPC-1(模型拟合：逻辑回归)的ROC曲线分析。
图21描绘了基于在模型14b(AgCaP与NOT-AgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF、IL-7和GPC-1(模型拟合：逻辑回归)的ROC曲线分析。
图22描绘了基于在模型15b(AgCaP与NOT-AgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF、骨桥蛋白和GPC-1(模型拟合：逻辑回归)的ROC曲线分析。
图23描绘了基于在模型16(AgCaP与NOT-AgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF、IL-7、GPC-1和％游离PSA(模型拟合：逻辑回归)的ROC曲线分析。
图24描绘了基于在模型17(AgCaP与NOT-AgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、VEGF、骨桥蛋白、GPC-1和％游离PSA(模型拟合：逻辑回归)的ROC曲线分析。
图25描绘了基于在模型18(AgCaP与NOT-AgCap比较)下生成的PSA、DRE、瘦蛋白、年龄、CD-40L、VEGF-C、骨桥蛋白、GPC-1、％游离PSA，先前阴性活检和 proPSA(模型拟合：逻辑回归)的ROC曲线分析。
图26描绘在(A)所有PSA范围、(B)PSA范围4-10ng/ml或(C)PSA 4-10ng/ml，年龄>50并且正常DRE状态中
模型7b、PSA、pro2PSA、％游离PSA和PHI的ROC 曲线的比较。
图27显示了测试群体中无癌症、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及模型7b的分类。
图28显示了图27患者的真假阳性和真假阴性之间的细目分类，以及模型7b的阳性和阴性预测值。
图29显示了测试群体中无癌症、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及模型8的分类。
图30显示了图29患者的真假阳性和真假阴性之间的细目分类，以及模型8的阳性和阴性预测值。
图31显示了测试群体中无癌症、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及模型11的分类。
图32显示了图31患者的真假阳性和真假阴性之间的细目分类，以及模型11的阳性和阴性预测值。
图33显示了测试群体中无癌症、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及模型12的分类。
图34显示了图33患者的真假阳性和真假阴性之间的细目分类，以及模型12的阳性和阴性预测值。
图35显示了测试群体中无癌症、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及模型14的分类。
图36显示了图35患者的真假阳性和真假阴性之间的细目分类，以及模型14的阳性和阴性预测值。
图37显示了测试群体中无癌症、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及模型15的分类。
图38显示了图37患者的真假阳性和真假阴性之间的细目分类，以及模型15的阳性和阴性预测值。
定义
如在本申请中所使用的，单数形式“一个(a)”，“一种(an)”和“所述(the)”包含复数提及物，除非上下文另外明确规定。例如，短语“抗体”也包括多种抗体。
如本文所用，术语“包含”意指“包括”。词语“包含”的变型诸如“含有”具有相应变化的含义。因此，例如，“包含”分析物A和临床变量A的生物标志物/临床变量组合可以仅由分析物A和临床变量A组成，或者可以包括一种或多种其他成分(例如，分析物B和/或临床变量B)。
如本文所用，术语“侵袭性前列腺癌”和“侵袭性CaP”是指主要Gleason得分为3或更高且次要Gleason得分为4或更高(GS>3+4)的前列腺癌。
如本文所用，术语“非侵袭性前列腺癌”和“非侵袭性CaP”是指主要Gleason得分小于或等于3且次要Gleason得分小于4(GS<3+3)的前列腺癌。在本申请中描述的对象样品集中未报告小于3的主要Gleason得分，因此术语GS3+3也用于非侵袭性前列腺癌。
如本文所用，术语“临床变量”涵盖与评估前列腺疾病相关的任何因素、测量、物理特征，包括但不限于：年龄、前列腺体积、PSA水平、游离PSA、总PSA、％游离PSA、[- 2]ProPSA、PSA速度、PSA密度、前列腺健康指数、直肠指检(DRE)、种族背景、前列腺癌的家族史、先前对前列腺癌的阴性活检。
如本文所用，术语“总PSA”是指能够测量样品中游离和复杂PSA的测试。
如本文所用，术语“％游离PSA”是指样品中游离/总PSA的比率，以百分比表示。
如本文所用，术语“proPSA”是指能够测量样品中的[-2]proPSA蛋白的测试。
如本文所用，术语PHI是指前列腺健康指数值，其是通过使用例如BeckmanCoulter Access 2分析仪和相关的Hybritech测定测量总PSA、游离PSA(fPSA)和[-2]proPSA而计算出的数字。PHI使用公式[-2]proPSA/fPSA×√PSA计算。
如本文所用，术语“VEGF”应理解为包括其替代名称VEGFA。
如本文所用，术语“生物样品”和“样品”涵盖取自对象的任何体液或组织，包括但不限于唾液样品、泪液样品、血液样品、血清样品、血浆样品、尿液样品或其子级分。
如本文所用，术语“诊断(diagnosing)”和“诊断(diagnosis)”是指本领域普通技术人员可以通过其估计甚至确定对象是否患有给定疾病或病症的方法。可以例如基于一种或多种诊断指标进行诊断，例如，如本文所述检测生物标志物和/或临床特征的组合，其水平指示了病症的存在、严重程度或不存在。这样，术语“诊断(diagnosing)”和“诊断(diagnosis)”因此也包括鉴定发展为侵袭性前列腺癌的风险。
如本文所使用的，术语“对象”和“患者”可以互换使用，并且包含具有经济、社会或研究重要性的任何动物，包含牛、马、绵羊、灵长类、鸟类和啮齿类动物。因此，“对象”可以是哺乳动物，例如人类或非人类哺乳动物。如本文所用，相对于生物分子(例如抗体)，术语“分离的”是不含其天然存在的至少一些组分的生物分子。
如本文所用，术语“抗体(antibody)”和“抗体(antibodies)”包括IgG(包括IgG1、IgG2、 IgG3和IgG4)、IgA(包括IgA1和IgA2)、IgD、IgE、IgM和IgY、完整抗体，包括单链完整抗体，及其抗原结合片段。抗原结合抗体片段包括但不限于Fv、Fab、Fab'和F(ab')2、Fd、单链Fv(scFv)、单链抗体、二硫键连接的Fv(sdFv)和包含VL或VH结构域的片段。抗体可以来自任何动物来源或合适的生产宿主。包括单链抗体的抗原结合抗体片段可单独包含可变区或与以下全部或部分结合的可变区：铰链区、CH1、CH2和CH3结构域。还包括可变区和铰链区、CH1、CH2和CH3结构域的任何组合。抗体可以是特异性结合生物分子的单克隆抗体、多克隆抗体、嵌合抗体、多特异性抗体、人源化抗体和人单克隆抗体和多克隆抗体。抗体可以是双特异性抗体、avibody、双抗体、三抗体、四抗体、纳米抗体、单结构域抗体、 VHH结构域、人抗体、完全人源化抗体、部分人源化抗体、抗运载蛋白(anticalin)、adnectin 或亲和体(affibody)。
如本文所用，关于抗体、抗体变体、抗体衍生物、抗原结合片段等的术语“特异性结合”和“特异性地结合”是指其优先于其他非靶分子结合给定靶分子的能力。例如，如果抗体、抗体变体、抗体衍生物或抗原结合片段(“分子A”)能够“特异性结合”或“特异性地结合”至给定靶分子(“分子B”)，则分子A具有辨别分子B和任何其他数量的潜在替代性结合配偶体的能力。因此，当暴露于作为潜在结合配偶体的多种不同但同样可及的分子时，分子A将选择性地结合于分子B，而其他替代的潜在结合配偶体将基本上不被分子A结合。通常，分子A 将优先结合于分子B比其他潜在结合配偶体更频繁至少10倍、优选地50倍、更优选地100倍并且最优选地大于100倍。分子A可以能够以弱的但可检测的水平与不是分子B的分子结合。这通常被称为背景结合，并且可以容易地与分子B特异性结合区分开，例如通过使用适当的对照。
如本文所使用的，术语“试剂盒”是指用于递送材料的任何递送系统。此类递送系统包含允许将反应试剂(例如适当容器中的标记、参考样品、支持材料等)和/或支持材料(例如，缓冲液、用于执行测定的书面说明等)从一个位置储存、运输或递送到另一个位置的系统。例如，试剂盒可以包含含有相关反应试剂和/或支持材料的一个或多个外壳(例如盒子)。
将理解的是，当涉及数值范围时，在本文中使用术语“在……之间”涵盖所述范围的每个端点处的数值。例如，长度为10个残基与20个残基之间的多肽包含长度为10个残基的多肽和长度为20个残基的多肽。
本文中对现有技术文件的任何描述或本文中衍生自或基于这些文件的陈述并非承认所述文件或衍生的陈述是相关技术的公知常识的一部分。出于描述的目的，除非另外说明，否则本文所参考的所有文件均通过引用整体全文并入本文。
缩写
如本文所用，缩写“CaP”是指前列腺癌。
如本文所用，缩写“LG”和“HG”是指“低等级”(即Gleason 3+3)和“高等级”(即Gleason 3+4或更高)的前列腺癌。
如本文所用，缩写“Acc”是指准确率。
如本文所用，缩写“Sens”是指灵敏度。
如本文所用，缩写“Spec”或“Specs”是指特异性。
如本文所用，缩写“Log”是指自然对数。
如本文所用，缩写“DRE”是指直肠指检。
如本文所用的缩写“NPV”是指阴性预测值。
如本文所用，缩写“PPV”是指阳性预测值。
如本文所用，缩写“AgCaP”是指侵袭性前列腺癌，其定义为Gleason得分为3+4或更高的前列腺癌。
如本文所用，缩写“NoAgCaP”是指非侵袭性前列腺癌，其定义为Gleason得分为3+3的前列腺癌。
如本文所用，缩写“NOT-AgCaP”是指来自没有侵袭性前列腺癌的对象的样品。这些对象可患有非侵袭性前列腺癌或根本没有前列腺癌。
具体实施方式
开发可靠、方便和准确的测试方法以诊断侵袭性前列腺癌仍然是一个重要目标，尤其是在治疗干预成功机会最高的早期阶段。尤其是，最初的筛查程序(例如DRE和PSA)无法有效地区分非侵袭性和侵袭性前列腺癌。本发明提供了指示对象中侵袭性前列腺癌的生物标志物和/或临床变量的组合，所述对象可能先前已经被确定为具有侵袭性前列腺癌的形式，或者可选地基于一种或多种替代诊断测试(例如DRE、PSA测试)被怀疑患有侵袭性前列腺癌的形式。因此，生物标志物/临床变量组合可以以各种方法和测定形式用于区分患有侵袭性前列腺癌的对象和不患有侵袭性前列腺癌的对象，包括例如患有非侵袭性前列腺癌的对象和没有前列腺癌的对象(例如患有良性前列腺增生的对象和健康对象)。
侵袭性前列腺癌
本发明提供了用于诊断侵袭性前列腺癌的方法。所述方法包括如本文所述检测生物标志物和临床变量的一种或多种组合。
本领域普通技术人员熟知用于对不同前列腺癌Gleason等级和Epstein得分进行分类的标准临床测试和参数(参见例如“2018Annual Report on Prostate Diseases”,Harvard Health Publications(Harvard Medical School),2018；其全部内容通过交叉引用并入本文)。
如本领域普通技术人员已知的，可以根据疾病的进展将前列腺癌分类为多个阶段。通过显微镜评估，已知前列腺随着前列腺癌进展的增加而散开并失去均匀的结构。
作为非限制性实例，可以使用AJCC TNM分阶段系统，Whitmore-Jewett系统和/或D'Amico风险类别将前列腺癌的进展分类为阶段。本领域的普通技术人员熟悉这种分类系统、它们的特征和它们的用途。
作为进一步非限制性实例，本领域普通技术人员众所周知的分级前列腺癌的合适系统是“Gleason分级系统”。该系统为从患有前列腺癌的对象获得的组织样品中的癌症的两个最大区域中的每个区域分配等级。等级范围从1-5，1是最不具有侵袭性的形式，5是最具有侵袭性的形式。转移常见为4级或5级，但很少发生在例如3级肿瘤中。然后将两个等级相加，以产生Gleason得分。2-4分被认为是低等级；5-7是中等级；和8-10是高等级。Gleason评分低的肿瘤通常可能以足够缓慢的速度生长，以至于在患者一生中均不会对患者构成重大威胁。
如本领域技术人员已知的，前列腺癌可以具有不同等级的区域，在这种情况下，可以将各个等级分配给构成大多数前列腺癌的两个区域。将这两个等级相加即可得出Gleason评分/总和，并且一般来说，分配的第一个数字是肿瘤中最常见的等级。例如，如果Gleason得分/总和写为‘3+4’，则表示大多数肿瘤为3级，少部分肿瘤为4级，Gleason得分/总和为7。
Gleason得分/总和为3+4及以上可指示根据本发明的侵袭性前列腺癌。可选地，Gleason得分/总和小于3+4可指示根据本发明的非侵袭性前列腺癌。
本领域普通技术人员还已知的另一种对前列腺癌进行分级的可选系统是“Epstein分级系统”，其将总等级组分配为1-5。Epstein系统的好处是，由于预后大不相同，因此给 Gleason得分7(3+4)和Gleason得分7(4+3)分配了不同的总得分。Gleason得分“3+4”表示 Epstein等级组为2；Gleason得分“4+3”表示Epstein等级组为3。
生物标志物和临床变量标志
根据本发明的方法，可以通过测量本文中鉴定的一个或多个临床变量以及本文中鉴定的一种或多种生物标志物的水平的组合方法来识别侵袭性前列腺癌。
本文考虑的生物标志物可以是分析物。本文考虑的分析物对于本领域普通技术人员来说给予其常规和惯常含义，并且是指但不限于生物样品(例如血液、脑脊髓液、尿液、眼泪、淋巴液、唾液、间质液、汗液等)中的可以检测和量化的物质或化学成分。非限制性实例包括细胞因子、趋化因子以及细胞表面受体及其可溶形式。
如本文考虑的临床变量可以与前列腺癌(例如非侵袭性和/或侵袭性形式)相关联或以其他方式指示前列腺癌。临床变量可以另外与其他疾病或病症相关联。与本发明有关的临床变量的非限制性实例包括对象年龄、前列腺体积、PSA水平(游离PSA、总PSA、％游离PSA、 [-2]ProPSA)、PSA速度、PSA密度、前列腺健康指数、直肠指检(DRE)、种族背景、前列腺癌的家族史、先前对前列腺癌的阴性活检。
作为非限制性实例，根据本发明的临床变量和生物标志物的组合可以用于区分非侵袭性和侵袭性形式的前列腺癌，和/或基于与患有非侵袭性前列腺癌或没有前列腺癌的对象的混合群体对照的比较来诊断侵袭性前列腺癌。临床变量和生物标志物的组合可以包括一、二、三、四、五或五个以上的单个生物标志物与一、二、三、四、五或五个以上的单个临床变量组合，或由其组成。
不受限制地，根据本发明的用于诊断侵袭性前列腺癌的临床变量、生物标志物及其组合可以包括以下或由以下组成：
-总PSA
-前列腺体积
-直肠指检
-瘦蛋白
-前列腺体积，瘦蛋白
-总PSA，瘦蛋白
-对象年龄，瘦蛋白
-％游离PSA，瘦蛋白
-前列腺体积，总PSA，瘦蛋白
-前列腺体积，％游离PSA，瘦蛋白
-总PSA，％游离PSA，瘦蛋白
-前列腺体积，对象年龄，瘦蛋白
-总PSA，对象年龄，瘦蛋白
-％游离PSA，对象年龄，瘦蛋白
-总PSA，前列腺体积，瘦蛋白，对象年龄，IL-7，VEGF
-总PSA，前列腺体积，瘦蛋白，对象年龄，IL-7，VEGF，骨桥蛋白，CD40L
-总PSA，％游离PSA，前列腺体积，瘦蛋白，骨桥蛋白，HE4.WFDC2
-总PSA，DRE，瘦蛋白，对象年龄，IL-7，VEGF
-总PSA，DRE，瘦蛋白，对象年龄，骨桥蛋白，VEGF
-总PSA，DRE，瘦蛋白，对象年龄，IL-7，VEGF，GPC-1
-总PSA，DRE，瘦蛋白，对象年龄，骨桥蛋白，VEGF，GPC-1
-总PSA，DRE，瘦蛋白，对象年龄，VEGF，IL-7，GPC-1，％游离PSA
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1、％游离PSA
-总PSA、DRE、瘦蛋白、对象年龄、先前的阴性活检、VEGF-C、骨桥蛋白、GPC-1、CD40L、proPSA、％游离PSA。
生物标志物的检测和定量
可以使用本领域普通技术人员已知的任何合适方法在生物样品中检测根据本发明的生物标志物或生物标志物的组合。
在一些实施方案中，对生物标志物或生物标志物的组合进行定量以得出样品中生物标志物或生物标志物的组合的特定水平。可以根据本文提供的方法分析生物标志物的水平，并与临床变量组合使用以提供诊断。
在给定的生物样品中检测生物标志物可以提供能够测量的输出，从而提供量化存在的生物标志物水平的手段。输出信号的测量可用于生成指示每单位生物样品体积中生物标志物净重的数字(例如pg/mL；μg/mL；ng/mL等)。
仅作为非限制性实例，生物标志物的检测可以在指示样品中生物标志物水平的一个或多个荧光信号中结束。这些荧光信号可以直接用于根据本发明的方法进行诊断确定，或者可选地可以出于相同的目的被转换成不同的输出(例如，在上段中列出的每体积重量)。
可以使用本领域已知的合适方法来检测和定量根据本发明的生物标记，所述方法包括例如蛋白质组学技术和利用编码生物标记的核酸的技术。
合适的蛋白质组学技术的非限制性示例包括质谱法、蛋白质阵列技术(例如蛋白质芯片)、凝胶电泳和其他依赖于对生物标志物具有特异性的抗体的方法，包括免疫荧光、放射标记、免疫组织化学、免疫沉淀、蛋白质印迹分析、酶联免疫吸附测定(ELISA)、荧光细胞分选(FACS)、免疫印迹、化学发光和/或其他用于用抗体检测蛋白质的已知技术。
依赖于核酸检测的合适技术的非限制性实例包括检测DNA、RNA(例如mRNA)、 cDNA等的那些技术，例如基于PCR的技术(例如定量实时PCR；SYBR-绿色染料染色)、紫外光谱法、杂交测定法(例如狭缝印迹杂交)和微阵列。
具有针对根据本发明的生物标志物的结合特异性的抗体，包括单克隆抗体和多克隆抗体，是容易获得的，并且可以从多种商业来源购买(例如Sigma-Aldrich、Santa CruzBiotechnology、Abcam、Abnova、R&D Systems等)。另外地或可替代地，可以使用本领域中的标准方法产生对根据本发明的具有对生物标志物的结合特异性的抗体。产生能够产生单克隆抗体的杂交瘤细胞的技术是本领域众所周知的。非限制性实例包括杂交瘤方法(参见Kohler和Milstein，(1975)Nature，256：495-497；Coligan等人Methods In MolecularBiology(Humana Press 1992)中的2.5.1-2.6.7节；和Harlow and Lane Antibodies:ALaboratory Manual,page 726(Cold Spring Harbor Pub.(1988))、产生人单克隆抗体的EBV-杂交瘤方法(参见Cole等人，1985，Monoclonal Antibodies and Cancer Therapy,Alan R.Liss,Inc.,pp.77-96)、人B细胞杂交瘤技术(参见Kozbor等，1983，ImmunologyToday 4:72)和三瘤技术。
在一些实施方案中，使用酶联免疫吸附测定法(ELISA)实现生物样品(例如体液或组织样品)中生物标志物的检测/定量。ELISA可以例如基于比色法、化学发光法和/或荧光法。适用于本发明方法的ELISA可以采用任何合适的捕获试剂和可检测试剂，包括抗体及其衍生物、蛋白质配体等。
作为非限制性实例，在直接ELISA中，可以通过直接吸附到测定板上或通过使用附着于板表面的捕获抗体来固定目的生物标志物。然后可以使用酶偶联的一抗(直接检测)或匹配的一组未标记的一抗和偶联的二抗(间接检测)进行抗原检测。间接检测方法可以利用标记的二抗进行检测，该二抗具有对一抗的结合特异性。捕获物(如果使用的话)和/或一抗可以源自不同的宿主物种。
在一些实施方案中，ELISA是竞争性ELISA、夹心ELISA、细胞内ELISA或 ELISPOT(酶联免疫斑点测定)。
制备和进行ELISA的方法是本领域普通技术人员众所周知的。程序上的考虑因素例如ELISA板的选择和包被、适当抗体或探针的使用、封闭缓冲液和洗涤缓冲液的使用、检测步骤的细节(例如放射性或荧光标签、酶底物等)在本领域已确立并且是常规的(例如，参见“The Immunoassay Handbook.Theory and applications of ligand binding,ELISAand related techniques”,Wild,D.(Ed),第4版,2013,Elsevier)。
在其他实施方案中，使用蛋白质印迹法实现对生物样品(例如，体液或组织样品)中的生物标志物的检测/定量。蛋白质印迹法是本领域普通技术人员众所周知的(参见例如Harlow 和Lane.Using antibodies.A Laboratory Manual.Cold Spring Harbor,NewYork:Cold Spring Harbor Laboratory Press,1999；Bold和Mahoney,AnalyticalBiochemistry 257,185-192,1997)。简而言之，可以将对给定生物标志物具有结合亲和力的抗体用于定量已经通过凝胶电泳基于大小分离的蛋白质混合物中的生物标志物。可以将由例如硝酸纤维素或聚偏二氟乙烯(PVDF) 制成的膜放置在凝胶附近，该凝胶包含来自生物样品的蛋白质混合物，并施加电流以诱导蛋白质从凝胶迁移到膜上。然后可以使膜与对感兴趣的生物标志物具有特异性的抗体接触，并使用二抗和/或检测试剂将其可视化。
在其他实施方案中，使用多重蛋白测定法(例如平面测定法或基于珠的测定法)实现对生物样品(例如体液或组织样品)中的多个生物标记物的检测/定量。商业上有许多多重蛋白测定形式可用(例如，Bio-rad、Luminex、EMD Millipore、R&D Systems)，并且合适的多重蛋白测定法的非限制性实例在本说明书的实施例部分中描述。
在其他实施方案中，通过流式细胞术实现对生物样品(例如体液或组织样品)中生物标志物的检测/定量，流式细胞术是一种对悬浮在流体流中的靶标实体(例如细胞和蛋白质)进行计数、检查和分类的技术。它允许同时对流经光学/电子检测设备的实体的物理和/或化学特征进行多参数分析(例如目标生物标志物量化)。
在其他实施方案中，通过免疫组织化学或免疫细胞化学实现对生物样品(例如体液或组织样品)中生物标志物的检测/定量，所述免疫组织化学或免疫细胞化学是通过使用对组织或细胞中的抗原具有结合特异性的抗体或蛋白质结合剂将蛋白质在组织切片或细胞中定位的过程。通过用产生颜色(例如辣根过氧化物酶和碱性磷酸酶)或荧光(例如异硫氰酸荧光素 (FITC)或藻红蛋白(PE))的标签标记抗体/试剂，可以实现可视化。
本领域普通技术人员将认识到，根据本发明用于检测生物标志物或编码它们的核酸的具体方法是常规选择的问题，其不需要创造性的投入。
测量临床变量
可以使用本领域普通技术人员已知的任何合适方法评估/测量/量化根据本发明的临床变量或临床变量的组合。
在一些实施方案中，临床变量可以包括例如通过病历可访问的相对简单的一个或多个参数(例如年龄)。
在其他实施方案中，可能需要通过医学和/或本领域普通技术人员已知的其他方法来评估临床变量。例如，前列腺体积可能需要通过使用超声的技术(例如，经腹超声、经直肠超声)、磁共振成像等技术进行测量。DRE结果通常被评定为正常或异常/可疑。
与本发明的诊断方法有关的临床变量可以使用另外的或替代的方法评估、测量和/或定量，所述其他的或替代的方法包括例如直肠指检、活检和/或MRI融合。
临床变量例如PSA水平、游离PSA、总PSA、％游离PSA、[-2]ProPSA可以通过使用临床免疫测定法例如Beckman Coulter Access 2分析仪和相关的Hybritech测定法或其他类似测定法来确定。可以使用公式[-2]proPSA/fPSA×√PSA PSA速度从这些测量值中得出PHI。
生物标志物分析、临床变量和诊断
根据本发明的方法，临床变量和/或生物标志物的给定组合的评估可以用作诊断侵袭性前列腺癌或确定目标对象中不存在侵袭性前列腺癌的基础。
关于评估组合的生物标志物成分，这些方法通常包括分析给定生物样品或一系列生物样品中的目标生物标志物，以得出样品中生物标志物的定量度量。合适的生物标志物包括但不限于上文标题为“生物标志物和临床变量标志”部分以及本申请的实施例中提及的那些生物标志物和生物标志物组合。仅作为非限制性实例，定量测量可以是荧光信号或吸光度信号的形式，如通过设计用于检测和定量生物标志物的测定所产生的。另外地或可替代地，可以以样品中生物标志物的重量/体积测量值的形式提供定量测量。
类似地，关于评估组合的临床变量成分，可以进行特征例如对象年龄和/或前列腺体积的评估，并产生代表值(例如，数值)。合适的临床变量包括但不限于上文标题为“生物标志物和临床变量标志”部分以及本申请的实施例中提及的那些临床变量。
在一些实施方案中，本发明的方法可以包括已知患有侵袭性前列腺癌、已知患有非侵袭性癌症或已知未患有前列腺癌(例如，良性前列腺增生患者群体和/或健康患者群体)的患者群体中生物标志物水平和临床变量的比较。例如，可以从与患有非侵袭性前列腺癌的患者相比的患有侵袭性前列腺癌的患者获得的一系列生物学样品中确定生物标志物的水平和/或临床变量的度量。侵袭性前列腺癌的特征可以是最低Gleason等级或得分/总和(例如至少7(例如3+4或4+3、5+2)或至少8(例如4+4、5+3或3+5)。
可以共同分析每个单个群体的样品中观察到的生物标志物水平以及每个群体中个体的临床变量，以确定阈值，该阈值可以用作诊断侵袭性前列腺癌或者没有侵袭性前列腺癌的基础。例如，可以分析来自已经确认或怀疑患有侵袭性前列腺癌的患者的生物样品，并结合临床变量的评估确定根据本发明的靶生物标志物的水平。将患者样品中生物标志物和临床变量的水平与患者群体产生的阈值进行比较，可以作为诊断侵袭性前列腺癌或不存在侵袭性前列腺癌的基础。
因此，在一些实施方案中，本发明的方法包括诊断给定患者是否患有侵袭性前列腺癌。例如，作为DRE和/或PSA测试的结果，患者可能先前已经被确认患有或怀疑患有前列腺癌。在这种情况下，根据避免了对前列腺活检的需要的本文所述方法，确定患者是否可能患有侵袭性前列腺癌是对患者有利的。
在没有任何特定限制的情况下，根据本发明的诊断方法可以涉及辨别对象是否患有侵袭性前列腺癌。该方法可以包括从活检确定为患有非侵袭性前列腺癌的第一组患者中获得第一系列生物样品，以及从活检确定为患有侵袭性前列腺癌的第二组患者中获得第二系列生物样品。可以通过测量诸如对象年龄和/或前列腺体积和/或DRE状态之类的临床变量并检测第一和第二系列生物样品中一、二、三、四、五或五种以上生物标志物的水平/浓度，从而获得每个系列的每个生物样品中每种生物标志物的生物标志物水平，生成用于区分第一和第二患者组的阈值。在确定是否存在侵袭性前列腺癌时，将临床变量和前列腺体积视为“变量”。可以以允许区分来自第一和第二组患者的样品的方式来组合变量。可以以适当的方式从组合的变量值中选择阈值或概率得分，例如以下方法中的任何一种或多种：降低第一和第二组患者之间的错误分类率；提高或最大化区分第一和第二组患者的灵敏度；和/或提高或最大化区分第一和第二组患者的特异性；和/或提高或最大化区分第一和第二组患者的准确性。从测试对象及其生物样品获得的单个或组合变量值的适当的算法和/或变换可用于生成变量值以与阈值进行比较。在一些实施方案中，对用于导出阈值和/或测试对象得分的一个或多个变量进行加权。
在一些实施方案中，如果根据组合的生物标志物水平和/或临床变量所产生的对象的得分小于阈值，则该对象可以接受针对侵袭性前列腺癌的阴性诊断。在一些实施方案中，如果根据组合的生物标志物水平和/或临床变量所产生的对象的得分小于阈值，则该对象接受针对侵袭性前列腺癌的阳性诊断。在一些实施方案中，如果根据组合的生物标志物水平和/ 或临床变量所产生的对象的得分大于阈值，则该对象接受针对侵袭性前列腺癌的阴性诊断。在一些实施方案中，如果根据组合的生物标志物水平和/或临床变量所产生的对象的得分大于阈值，则患者接受针对侵袭性前列腺癌的阳性诊断。
在本申请的实施例中描述了进行这些分析的合适且非限制性的方法。
此类方法的一个非限制性实例是接收者工作特性(Receiver OperatingCharacteristic)(ROC)曲线分析。通常，ROC分析可涉及将每个测试患者的分类与基于适当参考标准的'真实'分类进行比较。以这种方式对多个患者进行分类可以得出灵敏度和特异性的量度。灵敏度通常是正确分类的患者在所有真阳性患者中所占的比例，特异性是正确分类的病例在所有真阴性患者中所占的比例。通常，取决于为确定阳性分类而选择的阈值，在灵敏度和特异性之间可能存在权衡。低阈值通常可具有高灵敏度但相对较低的特异性。相反，高阈值通常可能具有低灵敏度但相对较高的特异性。ROC曲线可通过水平反转灵敏度与特异性的关系图来生成。所得的反转水平轴为假阳性分数，其等于从1中减去的特异性。ROC 曲线下的面积(AUC)可以解释为在可能的特异性的整个范围内的平均灵敏度，或在可能的灵敏度的整个范围内的平均特异性。AUC代表总体准确性量度，也代表涵盖所有可能的解释阈值的准确性量度。
尽管涵盖了使用整个ROC曲线分析的方法，但也意在将这些方法扩展到局部区域的统计分析(局部AUC分析)。在局部AUC分析中沿水平或垂直轴选择合适的范围可至少部分取决于临床目的。在重要的是高精度地检测侵袭性前列腺癌的临床环境中，可以使用与高灵敏度(低假阴性)相对应的相对较高的假阳性分数的范围。可替代地，在重要的是排除侵袭性前列腺癌的存在的临床环境中，可以使用与高特异性(高真阳性)相当的相对较低的假阳性分数的范围。
对象、样品和对照
本文所指的对象或患者包括具有经济、社会或研究重要性的任何动物，包括牛、马、绵羊、犬、灵长类、鸟类和啮齿物种。因此，对象或患者可以是哺乳动物，例如人类或非人类哺乳动物。本文所述的对象和患者可能患有或可能未患有侵袭性前列腺癌，或可能患有或可能未患有非侵袭性前列腺癌。
根据本发明的方法，可以评估给定对象的临床变量，并且将输出与在来自对象的样品中测量的生物标志物水平相结合。
根据本发明的方法使用的样品可以是适合于允许技术人员进行分析的形式。合适的样品包括各种体液，例如血液、血浆、血清、精液、尿液、眼泪、脑脊液、淋巴液、唾液、间质液、汗液等。按摩前列腺后可得到尿液。
样品可以是组织样品，例如组织的活检，或者是从组织刮下的表面样品。组织可以来自前列腺。在另一个实施方案中，可以通过形成由组织制成的细胞的悬浮液来制备样品。
在一些实施方案中，本发明的方法可以涉及对照样品的使用。
对照样品是取自没有侵袭性前列腺癌的个体的任何相应样品(例如组织样品、血液、血浆、血清、精液、泪液或尿液)。在某些实施方案中，对照样品可以包含编码根据本发明的生物标志物的核酸材料或由其组成。
在一些实施方案中，对照样品可以包括标准样品。标准样品可以在被认为是对照水平的水平上提供生物标志物的参考量。例如，可以制备标准样品以模拟来自可能有或可能没有侵袭性前列腺癌的一个或多个对象的一个或多个样品中本文所述的生物标志物的量或水平 (例如，来自多个样品的量或水平的平均值)。
在一些实施方案中，可以利用对照数据。当用作参考时，对照数据可以包括数据的汇编，例如其可以包含在提供被认为是对照水平的生物标志物和/或临床变量特征的数量或水平的表格、图表、图形(例如数据库或标准曲线)中。可以例如通过获得来自一个或多个患有或可能不患有侵袭性前列腺癌的对象的一个或多个样品中的生物标志物的量或水平(例如，来自多个样品的量或水平的平均值)来汇编这样的数据。通过评估一个或多个可能患有或可能不患有侵袭性前列腺癌的对象中的变量，可以获得临床变量对照数据。
试剂盒
本文还考虑了用于执行本发明方法的试剂盒。
试剂盒可包含适合于检测本文所述的一种或多种生物标志物的试剂，包括但不限于以上标题为“生物标志物和临床变量标志”部分中提及的那些生物标志物和生物标志物的组合。
作为非限制性实例，试剂盒可包含一种或一系列能够与本文所述的一种或一系列生物标志物特异性结合的抗体。
另外地或替代地，试剂盒可包含用于确定对象的临床变量(例如PSA水平)和/或用于准备和/或进行能够量化本文所述的一种或多种生物标志物的测定法的试剂和/或组分(例如，用于执行ELISA、基于多珠的Luminex测定法、流式细胞仪、蛋白质印迹、免疫组织化学、凝胶电泳(适用于蛋白质和/或核酸分离)和/或定量PCR的试剂。
另外地或可替代地，试剂盒可包括用于从对象获得和/或处理如本文所述的生物样品的设备。
本领域普通技术人员将理解的是，在不脱离广泛描述的本发明的精神或范围的情况下，可以对如在特定实施方案中公开的本发明进行多种变化和/或修改。因此，本实施方案在所有方面都应被认为是说明性的而非限制性的。
实施例
现在将参考具体实施例描述本发明，所述实施例不应以任何方式构成限制。
实施例1：背景和研究设计
1.1临床诊断途径
图1显示了侵袭性前列腺癌的典型临床诊断途径。
简单来说：
1.初级保健医师将PSA结果升高的患者转介给泌尿科医生。
2.泌尿科医生重复PSA测试。
3.如果超过年龄调整的PSA临界值，则患者将进行活检。
4.如果活检显示Gleason得分为3+4(或更高)，则启动各种方式进行治疗，例如手术、放射线、药物。
5.如果活检显示Gleason得分为3+3，则医生可考虑经会阴活检、MRI或主动监测。
图2概括了用于实施本发明的诊断方法的示例性策略。简单来说：
1.初级保健医师将PSA结果升高的患者转介给泌尿科医生。
2.泌尿科医师重复PSA并执行根据本发明的诊断方法
3.如果该方法确定为‘无侵袭性癌症’，则患者不进行活检，而是在3-6个月内进行随访，可能在1年后活检
5.如果该方法提供了侵袭性的诊断，则泌尿科医生会进行活检。如果活检显示Gleason得分为3+4(或更高)，则用各种方式进行治疗，例如手术、放射线、药物。
6.如果活检显示Gleason得分为3+3，则可以考虑经会阴活检、MRI或主动监测。
1.2模型开发概述
以下是用于识别模型组件的策略的汇总：
-从代表性的同时期美国患者群中收集样品(‘CUSP’前瞻性试验)。
-使用当前的前列腺癌诊断测试来测量样品：PSA、％游离PSA、前列腺健康指数(PHI)。注意，proPSA值是从PHI测试测量中获得的。
-测量了风险计算器中使用的临床变量(年龄、种族背景、PSA、DRE、前列腺体积、家族史、先前的活检结果)。
-确定了该群组中区分侵袭性和非侵袭性CaP的临床测试/因素的性能。
-使用一组多种生物标记物测量样品。
-进行在该群组中区分侵袭性和非侵袭性CaP的临床变量和单个生物标志物的单变量分析。
-结合临床测试/因素和生物标志物开发了模型，并添加了多达5种生物标志物
-还使用现有的临床测试/因素并添加一种、两种或三种新标志物开发了模型(注意，此方法可将需要添加到现有测试中的新标志物的数量减至最少)。
1.3患者群组和试验参数
设计了一项前瞻性临床试验，以收集来自美国的代表性的同时期患者群。这意味着该研究在美国具有不同种族的代表性频率，也反映了无癌症、非侵袭性前列腺癌或侵袭性前列腺癌的同时期流行率。入选该试验的所有患者均以提升的年龄调整后的PSA为依据提供，并在他们当地临床位置进行了活检。收集血清和血浆样品以及血液样品以进行标准化PSA 测试(在Abbott Architect机器上的中心实验室中进行)。除了在当地进行活检评估外，还由一名病理学家进行了中心活检复查。中心PSA值和中心活检分类用于模型开发。中心PSA与用于纳入试验的PSA的相关性很高(图3)。同样，本地Gleason与中心Gleason得分之间总体上也具有高度相关性(图4)，但是中心Gleason得分显示14种非侵袭性癌症升级为侵袭性癌症，等级从侵袭性癌症降一级为非侵袭性癌症。
前瞻性非随机病例对照研究被设计为具有主要和次要终点：
主要终点：检测前列腺癌与非前列腺癌患者
次要终点：侵袭性(定义为Gleason≥3+4)与非侵袭性(定义为Gleason 3+3)前列腺癌的分化
该研究在美国的12个研究中心进行，共计384个对象：
第1组(正常健康)：52名患者
第2组(前列腺活检)：332(100％)患者
群组A：148位患者(45％)，无癌症
群组B：64位患者(19％)，GS＝6，CaP
群组C：120位患者(36％)，GS≥7(≥3+4)，CaP
收集血清和血浆样品，并复查标准化PSA测试和集中病理(Gleason得分和Epstein得分)。
入选标准如下：
第1组：健康正常(HN)
-50岁以上的对象
-低PSA(最多12个月前执行)，低PSA低定义为：50至60岁之间<1.5ng/mL，60 岁以上<3ng/mL
-签署知情同意书
第2组：前列腺活检
-40岁以上的对象
-因高PSA而被转诊或接受过二次或重复前列腺活检的所有测试对象，其中高PSA定义为：40至49岁之间≥1ng/ml，50至60岁之间≥2ng/mL，60岁及以上≥3 ng/mL
-签署知情同意书。
第1组的排除标准如下：
1.除基础皮肤癌或鳞状皮肤癌外，任何具有癌症病史的对象。
2.没有PSA结果或PSA不在最多12个月的批准期限内的任何对象。
3.在抽血后72小时内具有DRE、射精或进行了剧烈骑行的任何对象。
4.在抽血前6周内接受其他下尿路操作(定义为泌尿外科手术，包括前列腺活检)的任何对象。
5.研究者复查定义为患有良性前列腺增生的任何对象。
6.除非最后一次服用后至少30天清洗，否则所有服用锯棕榈的对象均被排除在外。
7.任何接受雄激素剥夺疗法的对象
8.除非自上次服用后至少30天清洗，否则任何服用Casadex的对象均被排除在外。
9.当前正在服用实验药物的任何患者-安慰剂对照或未知药物
10.除非服用最后一次非那雄胺至少有6周的清洗以及最后一次服用度他雄胺至少有 6个月的清洗，否则任何服用5种α-还原酶抑制剂的对象均被排除在外。
11.研究者确认目前正在患前列腺炎、直肠痛或尿路感染的任何对象。
第2组前列腺癌活检的排除标准如下：
1.除基础皮肤癌或鳞状皮肤癌外，任何具有不是前列腺癌的癌症病史的对象。
2.没有PSA结果或PSA不在最多12个月的批准期限内的任何对象。
3.在抽血后72小时内具有DRE、射精或进行了剧烈骑行的任何对象
4.在抽血前6周内接受其他下尿路操作(定义为泌尿外科手术，包括前列腺活检)的任何对象。
5.除非自上次服用后至少30天清洗，否则任何服用锯棕榈的对象均被排除在外。
6.任何接受雄激素剥夺疗法的对象
7.除非自上次服用后至少30天清洗，否则任何服用Casadex的对象均被排除在外。
8.当前正在服用实验药物的任何患者-安慰剂对照或未知药物。
9.除非服用最后一次非那雄胺至少有6周的清洗以及最后一次服用度他雄胺至少有 6个月的清洗，否则任何服用5种α-还原酶抑制剂的对象均被排除在外。
10.研究者确认目前正在患前列腺炎、直肠痛或尿路感染的任何对象。
下表1-4概述了研究患者特征。
表1：患者特征–年龄和BMI(CaP–前列腺癌，LG CaP–Gleason 3+3前列腺癌，HG CaPGleason≥3+4前列腺癌)
表2：患者特征–DRE和Gleason/Epstein得分(DRE：直肠指检)
表3：患者特征–前列腺体积和家族史
表4：患者特征–不同层级的PSA
1.4样品采集
将从患者采集的全血样品保存在4℃下，并在采集后2小时内进行离心分离，以分离出血清成分，然后将其保存在-20℃下。将样品从采集地点运出，然后解冻、等分并保存在- 80℃下。
1.5多分析物阵列
将患者血清样品在室温下解冻，然后转移至1.5mL离心管中。在室温下将样品以20,000g离心5分钟。避免任何沉淀或脂质层，将每个样品的中间部分转移至96孔板中，并用适当的缓冲液稀释。将这些样品板储存在-80℃，直到可以按照制造商的说明在AustralianProteome Analysis Facility进行处理和运行为止。根据制造商的说明，使用Bioplex 200分析仪对样品进行分析。
从R&D系统获得了两个定制试剂盒用于此分析：
每个试剂盒中包含的细胞因子和生长因子如下：
29重：NT-proANP，催乳素，ANGPTL3，激肽释放酶3.PSA，内皮糖蛋白，HGF， VEGF-C，CD31.Pecam1，Tie-2，SCF，VEGF R2.KDR.Flk-1，ErbB2.Her2， CXCL13.BLC.BCA-1，IL-7，FGF-b，HE4.WFDC-2，血管生成素-1，MADCAM-1，瘦蛋白，BDNF，CD40配体，IL-18，IL-6Rα，uPA.尿激酶，PDGF-AB，骨桥蛋白，间皮素，EGF，CXCL12.SDF-1α
3重：VEGF(VEGFA)，G-CSF，Glypican-1
1.6前列腺健康指数(PHI)测试
将样品送往澳大利亚布里斯班的Sullivan Nicolaides实验室进行测试。PHI测试包括总 PSA、游离PSA和[-2]ProPSA组分的测量，然后使用算法将其组合以给出PHI得分。可以通过将游离PSA浓度除以总PSA浓度并表示为百分比，计算游离PSA百分比(％游离PSA)。
1.7模型开发和结果
使用来自临床试验第2组的经活检证实为前列腺癌确诊的患者的样品，用于开发区分侵袭性(Gleason≥3+4)与非侵袭性前列腺癌患者的模型。
生成了组合数据库，其将临床和人口统计学因素与分析物样品值相联系。在初步研究之后，使用了源自血清而非血浆的分析物浓度。
使用29重和3重Luminex试剂盒测量样品。在模型开发过程中排除了极度溶血的样品。将测量的高于重组蛋白标准曲线最高标准的样品分析物浓度设置在最高标准值。将测量的低于重组蛋白质标准曲线最低标准的蛋白质浓度设置在最低标准值。
临床数据可用于184例CaP患者(64例非侵袭性和120例侵袭性癌症患者)。由于极度溶血，除去了5个样品，剩下179名CaP患者(62名非侵袭性CaP和117名AgCaP)可供分析。这些患者中有169例(56个非侵袭性CaP，113个AgCaP)具有前列腺体积数据，其中这些患者中179个(117个AgCaP与62个Non-Ag CaP)具有DRE数据，176个患者具有％游离PSA 和PHI(62个非侵袭性CaP，114个AgCaP)。166名患者(56名非侵袭性和110名AgCaP)具有每个数据成分(包括PV、％PSA和PHI)以进行分析。
模型开发的目的是改善当前可用的临床测试(例如PSA、前列腺体积、％游离PSA或PHI)的准确预测侵袭性和非侵袭性前列腺癌的存在的能力。探索性模型开发工作表明，瘦蛋白是高性能多变量模型的常见组成部分，因此被选择用于更详细的研究。
对PSA(模型1)、前列腺体积(模型2)和瘦蛋白(模型3)、％游离PSA(模型4)和PHI(模型5)进行了模型开发和ROC分析(侵袭性前列腺癌与非侵袭性前列腺癌)。
(a)基于PSA的ROC分析-模型1
模型1(PSA)的算法输出如下所示：
-P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
-Logit(P)＝Log(P/1-P)
-
-在模型1的情况，有1个变量。应用PSA的变换，然后乘以系数。最后，将得到的乘积求和以得到Logit(P)值，然后使用以下公式将其用于确定侵袭性癌症的概率：
-
-例如，
-Logit(P)模型1＝-3.1011+1.9875*log(中心PSA)
-
在图5/表5-7中示出了在模型1下对PSA水平进行的ROC曲线分析的结果。
表5
表6
表7
(b)基于前列腺体积(PV)的ROC分析–模型2
模型2(PV)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型2的情况，有1个变量。应用PV的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型2＝4.1767-0.9440*log(前列腺体积)
·
在模型2下对PV进行的ROC曲线分析的结果如图6/表8-10所示。
表8
表9
表10
(c)基于瘦蛋白的ROC分析-模型3
模型3(瘦蛋白)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型3的情况下，有1个变量。应用瘦蛋白的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型3＝3.7217-0.3403*log(瘦蛋白)
·
在模型3下对瘦蛋白进行的ROC曲线分析的结果显示在图7/表11-13中。
表11
表12
表13
(d)基于％游离PSA的ROC分析-模型4
模型4的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型4的情况下，有1个变量。应用每个变量的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型4＝5.740625-1.953958*Log(％游离PSA)
在图8/表14-16中显示了在模型4下对％游离PSA进行的ROC曲线分析的结果。
表14
表15
表16
(e)基于PHI的ROC分析-模型5
模型5(PHI)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型5的情况下，有1个变量。应用每个变量的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型5＝-8.765445+2.397622*log(PHI)
·
图9/表17-19显示了在模型5下对PHI进行的ROC曲线分析的结果。
表17
表18
表19
(f)基于PSA、PV和瘦蛋白的ROC分析-模型6
模型6(PSA、PV和瘦蛋白)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·对于模型6，有3个变量。应用每个变量的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型6＝3.5843+2.0527*log(中心PSA)-1.1245*log(前列腺体积)-0.2974* log(瘦蛋白)
·
图10/表20-22显示了在模型6下对PSA、PV和瘦蛋白进行的ROC曲线分析的结果。
表20
表21
表22
PSA、PV和瘦蛋白形成核心组合。然后，使用这三个组分作为核心/统一特征并合并其他分析物以提高性能，开发了其他模型。
为了进一步开发多变量模型，使用了以下步骤：
1.将组合的数据集导入到装有以下软件包的R1计算机程序中
-BMA2，SURF3,4，caret5，ROCR6，pROC7，统计数据包。
2.R中的贝叶斯模型平均(BMA)和随机森林(RF)函数用于使用22种分析物和3个临床变量的子集生成模型。
-22种分析物：VEGF，G-CSF，Glypican-1，NT-proANP，激肽释放酶3，HGF， VEGF-C，Tie-2，VEGF R2/KDR/Flk-1，ErbB2/Her2，CXCL13.BLC.BCA-1，IL-7， HE4.WFDC2，MADCAM-1，瘦蛋白，CD40L，IL-18，IL.6.R.α，uPA.尿激酶， PDGF.AB，骨桥蛋白，间皮素。
-3个临床变量：PSA、年龄、PV
3.贝叶斯模型平均(BMA)通过根据近似后验模型概率对模型类别中的最佳模型求平均，解决了变量选择问题中固有的模型不确定性。在Occam的窗口中，指定排除模型的最大比率的数字设置为20。BMA导致每个变量在顶层模型中的存在非零(百分比)的后验概率。
选择具有最高后验概率的前10个变量(每个变量存在于顶层模型中)进行进一步分析。它们是：中心PSA，年龄，骨桥蛋白，前列腺体积，IL-7，VEGF，CD40L， CXCL13.BLC.BCA-1，瘦蛋白，MADCAM-1。
随机森林(RF)采用一系列变量的随机子集来开发多个决策树。分类(是否为AgCaP)基于大多数决策树之间的协议。在每个决策树中，计算每个变量的重要性。
变量选择过程包括三个步骤：阈值步骤、解释步骤和预测步骤。但是，在本研究中，只关注阈值步骤。具体来说，RF致力于根据其平均变量重要性从数据集中消除不相关的变量。结果中仅显示具有高平均变量重要性(高于导出的阈值)的变量。
从随机森林方法中选择了14个变量：中心PSA，IL-7，前列腺体积，VEGF-C，年龄，瘦蛋白，骨桥蛋白，VEGF，间皮素，Tie-2，HE4.WFDC2，PDGF.AB，CD40L，激肽释放酶
13种分析物(IL-7，VEGF-C，瘦蛋白，骨桥蛋白，VEGF，间皮素，Tie-2， HE4.WFDC2，PDGF.AB，CD40L，激肽释放酶，CXCL13.BLC.BCA-1，MADCAM-1)和3 个临床变量(PSA，年龄，PV)在BMA或RF结果中以高频率出现。选择了这16个变量以进行进一步的研究和模型开发。在这些变量中，BMA和RF结果之间有五种(瘦蛋白、VEGF、 IL-7、骨桥蛋白和CD40L)分析物和三个临床变量(PSA、年龄、PV)重叠。
4.基于169名具有完整数据的CaP患者人群，使用来自前13种分析物和3个临床变量的变量子集，拟合了一系列多元逻辑回归模型，但有以下限制：每个模型的最大变量数为8；激肽释放酶3变量被排除，因为它是中心PSA的冗余度量。注意，在建模之前，所有变量(年龄除外)均已通过自然对数函数进行了变换。
5.在基于群体进行模型拟合之后，得出权重和公式作为多元逻辑回归函数的结果。
6.在同一数据集(169名CaP患者)上计算模型的AUC，并进行比较。
7.在将每个模型的最大变量数设置为5时，优选的标志物集为：中心PSA、PV、瘦蛋白、年龄、IL-7和VEGF。模型7a和7b包含PSA、PV和瘦蛋白的核心组分以及三个其他组分(年龄、IL-7和VEGF)。这些模型的不同之处在于，模型7b使用值的对数变换(“年龄”除外)，而模型7a不使用。
8.模型8包含8个变量(中心PSA，PV，瘦蛋白，年龄，VEGF，IL-7，骨桥蛋白和CD40L)，并提供了最高的AUC得分(0.87)
9.通过强制中心PSA、PV和％游离PSA并将附加变量数限制为3来开发模型9。模型9由中心PSA、PV、瘦蛋白、％游离PSA、HE4.WDC-2和骨桥蛋白组成
10.将模型7a、7b、8和9应用于169名CaP患者的整个群体。根据他们的个人资料，每位患者都有一种AgCaP风险，这是相应模型的结果，范围为0至100％。确定每个模型的最佳灵敏度/特异性阈值，此时模型具有最大精度或最大尤登指数(＝灵敏度+特异性-1)。
11.切割点是基于定义的灵敏度、最大尤登指数的点或最大精度的点确定的。这为“阳性/ 阴性”测试提供了限定的灵敏度/特异性性能。
12.为了评估患者，将变量值输入模型，并且输出值是该患者患有侵袭性CaP的概率。然后可以将其与所选的切割点进行比较，以在限定的灵敏度/特异性参数内将测试称为阳性或阴性。
(g)基于PSA、PV、瘦蛋白、年龄、IL-7和VEGF的ROC分析-模型7a
模型7a(PSA、PV、瘦蛋白、年龄、IL-7和VEGF)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型7a的情况下，有6个变量。每个变量乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型7a＝-6.75+0.2021*中心PSA+-0.02569*前列腺体积+-0.000037*瘦蛋白+ 0.08445*年龄+0.008446*VEGF+0.1127*IL-7
·
在图11/表23-25中示出了在模型7a下对PSA、PV、瘦蛋白、年龄、IL-7和VEGF进行的ROC曲线分析的结果。
表23
表24
表25
模型7b(PSA、PV、瘦蛋白、年龄、IL-7和VEGF)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型7b的情况下，有6个变量。应用每个变量的变换(年龄除外)，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型7b＝
-5.20325+1.67631*Log(中心.PSA)-1.34584*Log(前列腺体积)-0.42687* Log(瘦蛋白)+0.0876*年龄+0.65834*Log(VEGF)+1.25366*Log(IL-7)
在图12/表26-28中示出了在模型7b下对PSA、PV、瘦蛋白、年龄、IL-7和VEGF进行的ROC曲线分析的结果。
表26
表27
表28
(h)基于PSA、PV、瘦蛋白、年龄、IL-7、VEGF、骨桥蛋白和CD40L的ROC分析–模型 8
模型8的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·对于模型8，有8个变量。应用每个变量的变换(年龄除外)，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型8＝-0.4229547+0.1035684*年龄-1.1836569*
log(前列腺体积)+1.7680206*log(中心PSA)-0.4264460*log(瘦蛋白)+
0.5401469*VEGF+1.4127687*
IL.7.-1.2848626*骨桥蛋白+0.7690301*CD40.配体
图13/表29-31显示了在模型8下对中心PSA、PV、瘦蛋白、年龄、VEGF、IL-7、骨桥蛋白和CD40L进行的ROC曲线分析结果。
表29
表30
表31
(i)使用强制变量进行ROC分析–模型9
还研究了一种替代建模方法(称为“强制”方法)。此方法要求在模型开发过程中使用 PSA、前列腺体积和％游离PSA(所有这些都针对前列腺癌进行常规测量)。
基于它们在之前建模方法中的性能，选择12种分析物用于强制模型开发(VEGF、Glypican-1、NT-proANP、CXCL13.BLC.BCA-1、Tie-2、HE4.WFDC2、uPA.尿激酶、骨桥蛋白、CD40L、瘦蛋白、IL-7、ErbB2/Her2)。对3个临床变量(中心PSA、％游离PSA、PV) 进行了多重逻辑回归分析，但有以下限制：仅将最佳的2或3个变量添加到PSA、％游离 PSA和前列腺体积中。计算每个模型的AUC，并使用DeLong检验和bootstrap8方法与基本模型(PSA、％游离PSA和前列腺体积)进行比较。报告了具有统计上较高的AUC的模型。
基于中心PSA、％游离PSA、PV、瘦蛋白、骨桥蛋白和HE4.WFDC2的模型9产生了最佳的AUC(0.84)。尽管不是强制变量，但瘦蛋白仍存在于该模型中，进一步支持了其在区分侵袭性前列腺癌患者中的效用。
模型9的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·对于模型9，有6个变量。应用每个变量的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型9＝5.0147+1.8264*Log(中心PSA)-0.7433*Log(前列腺体积)-0.4531*Log(瘦蛋白)-1.0442*Log(％游离PSA)+1.4347*Log(HE4.WFDC2)+ 1.1126*Log(骨桥蛋白)
·
在模型9下对中心PSA、％游离PSA、PV、瘦蛋白、骨桥蛋白和HE4.WFDC2进行的 ROC曲线分析结果在图14/表32-34显示。
表32
表33
表34
(j)通过用前列腺体积代替DRE得出的模型。
DRE状态比前列腺体积更容易获得，并且在测试人群中也很好地区分了侵袭性和非侵袭性前列腺癌。DRE(模型10)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型1b的情况下，有1个变量。应用DRE的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型DRE＝0.4470+1.0411*DRE(如果可疑则为1，如果为其他则为0)
·
在图15/表35-37中显示了在模型10下对DRE进行的ROC曲线分析的结果。
表35
表36
表37
用DRE代替了前列腺体积，并且使用前列腺体积性能良好的组合开发了新模型。模型11(PSA、DRE、瘦蛋白、年龄、IL-7和VEGF)的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型1的情况下，有1个变量。应用PSA的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型＝-9.05328+0.06691×年龄+1.32477×DRE+1.78725* log(中心PSA)-0.45548×log(瘦蛋白)+0.77175×log(VEGF)+1.05352× log(IL-7)
在图16/表38-40中示出了在模型11下对PSA、DRE、瘦蛋白、年龄、IL-7和VEGF 进行的ROC曲线分析的结果。与原始模型7b(AUC 0.840)相比，模型11保留了0.827的良好AUC，这表明DRE可以替代具有可接受AUC性能的前列腺体积。
表38
表39
表40
(k)将骨桥蛋白纳入模型
DRE已成功用模型11代替前列腺体积。因此，使用骨桥蛋白(在高性能模型中出现的另一种分析物)代替IL-7进行了类似的替代，以生成DRE、PSA、年龄、瘦蛋白、VEGF和骨桥蛋白的组合(模型12)。模型12的算法输出如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型1的情况下，有1个变量。应用PSA的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型＝-0.7819839+0.0639165×年龄+1.2799035×DRE+1.2799035*log(中心PSA)-0.4206831×log(瘦蛋白)+0.8441242×log(VEGF)-0.6754611× log(骨桥蛋白)
在模型12下对PSA、DRE、瘦蛋白、年龄、VEGF和骨桥蛋白进行的ROC曲线分析的结果显示在图17/表41-43中。与原始模型11(AUC 0.827)相比，模型12保留了0.83的良好AUC，这表明骨桥蛋白可以替代具有可接受AUC性能的IL-7。
表41
表42
表43
(l)将Glypican-1纳入模型
Glypican-1以前在将前列腺癌与正常或良性患者样品区分开来方面性能良好(Campbell et al,2017,Levin et al 2018)8,9。下面显示了模型13下GPC-1的算法输出：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型1的情况下，有1个变量。应用PSA的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型＝1.8437572-0.1248303*log(GPC-1)
·
图18/表44-46显示了在模型13下对Glypican-1进行的ROC曲线分析的结果。
表44
表45
表46
ROC曲线分析和工作实例的结果表明，尽管在其他样品组中性能出色，但在该患者试验组中，GPC-1自身区分侵袭性和非侵袭性前列腺癌的能力有限。
为了测试GPC-1是否有助于先前鉴定的生物标志物组合的性能，将其分别添加到用于模型11和12的分析物组合中以生成模型14(DRE、PSA、年龄、瘦蛋白、VEGF、IL-7和 GPC-1)和模型15(DRE、PSA、年龄、瘦蛋白、VEGF、骨桥蛋白和GPC-1)。
模型14的算法如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型1的情况下，有1个变量。应用PSA的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型1＝-4.5807193+0.0686203×年龄+1.3580828×DRE+1.7851868*log(中心PSA)-0.4064453×log(瘦蛋白)+0.8059637×log(VEGF)+1.1115531× log(IL-7)-0.5485615×log(GPC1)
·
在模型14下执行的ROC曲线分析的结果如图19/表47-49所示。
表47
表48
表49
模型15的算法(DRE、PSA、年龄、瘦蛋白、VEGF、骨桥蛋白、GPC-1)如下所示：
·P是患者患有侵袭性前列腺癌的概率。换句话说，患者患前列腺癌的风险为P。
·Logit(P)＝Log(P/1-P)
·
·在模型1的情况下，有1个变量。应用PSA的变换，然后乘以系数。最后，将所得乘积求和，以得出Logit(P)值。然后使用以下公式将其用于确定侵袭性癌症的概率：
·
·例如，
·Logit(P)模型＝0.7699219+0.0642377×年龄+1.2897028×DRE+2.0477033* log(中心PSA)-0.4024161×log(瘦蛋白)+0.8531346×log(VEGF)-0.6665009× log(骨桥蛋白)-0.1922037×log(GPC1)
在模型15下进行的ROC曲线分析的结果如图20/表50-52所示。
表50
表51
表52
(m)开发AgCaP和NOT AgCaP(即非侵袭性CaP和无CaP)的模型
将模型14和15应用于整个可评估的患者群体(320例患者)以生成ROC曲线。这些模型分别产生0.77和0.77的AUC。
针对320个可评估的患者群体优化了模型14和15的系数，并生成了ROC曲线以生成模型 14b和15b。这些模型均产生0.78的AUC。
图21以及表53和表54显示了模型14b的ROC曲线分析结果。
表53
表54
图22以及表55和表56显示了模型15b的ROC曲线分析结果。
表55
表56
为了提高算法的性能，通过添加％游离PSA开发了进一步的模型(模型16和17)。
模型16由总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1、％游离PSA组成，并且AUC为0.83
模型16的ROC曲线分析结果如图23以及表57和58所示。
表57
表58
模型17由总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1、％游离PSA组成，并且AUC为0.83
模型17的ROC曲线分析结果如图24以及表59和60所示。
表59
表60
(n)开发AgCaP和NOT AgCaP(即非侵袭性CaP和无CaP)的其他模型
使用320位可评估的患者(62位CaP、117位AgCaP和141位无CaP)开发了针对AgCaP与 NOT-AgCaP的进一步模型。为模型开发选择的变量包括临床因素和可溶性分析物，如下：
PSA，患者年龄，VEGF，Glypican-1，NTProANP，VEGF-C，Tie2，VEGFR2，ErbB2 Her2，CXCK13/BLC/BCA1，IL-7，HE4，瘦蛋白，CD40L，uPA/尿激酶，骨桥蛋白，pro2PSA，％游离PSA，种族，先前的活检状态，DRE和家族史。
模型18来自贝叶斯模型平均(BMA)分析和逻辑回归建模，并包含以下组分：
-总PSA、DRE、瘦蛋白、对象年龄、先前的阴性活检、VEGF-C、骨桥蛋白、 GPC-1、CD40L、proPSA、％游离PSA。
在区分AgCaP和NOT AgCaP时，模型18的AUC为0.88。
模型18的ROC曲线分析结果如图25以及表61和表62所示。
表61
表62
1.5固定灵敏度分别为90％和95％时，不同模型对AgCaP与noAgCaP进行区分的性能
在尤登指数和固定灵敏度分别为90％和95％下，检查了区分AgCaP和noAgCaP的不同模型、组分和当前测试(PSA、％游离PSA和PHI)的特异性(表63)。在这些切割点，模型 7a和b、8、9、11、12、14和15的特异性始终比其他测试更高。
与模型11相比，GPC-1的纳入使模型14的AUC略有增加(0.828vs.0.827)，并且特异性也有所提高(63％vs.60％)，此时敏感度阈值为90％(参见表63)。与模型12相比，模型14在尤登指数上还显示出更高的灵敏度(灵敏度为86％vs75％)。由于尤登指数被认为是ROC曲线上提供最稳定的测试性能特征的点，因此在需要高灵敏度的算法中纳入GPC-1可能是有益的。与模型12相比，在模型15中纳入GPC-1没有改变AUC或在尤登指数下的性能，但导致特异性略有降低，90％下(58％对55％)和95％下(50％对47％)。
表63
1.6固定灵敏度分别为90％和95％时，不同模型对AgCaP与NOT-AgCaP进行区分的性能在尤登指数和固定灵敏度分别为90％和95％下，检查了区分AgCaP和NOT-AgCaP的不同模型的特异性(表64)。与亲本模型14b和15b相比，纳入％游离PSA可以增加模型16和17 的AUC，并且在90％和95％的灵敏度切割点上显示出比其他测试更高的特异性。模型18的AgCaP对非AgCaP的AUC性能最高(0.88)。
表64
1.7模型7b结果与不同PSA范围内的其他临床测试的比较–总PSA、％游离PSA和PHI–AgCaP对noAgCaP
在区分该患者样品集中的侵袭性和非侵袭性前列腺癌方面，将模型7b的性能与现有前列腺癌临床测试(PSA、pro2PSA、％游离PSA和PHI)进行比较。图26显示了利用PSA、pro2PSA、％游离PSA和PHI的
模型7b的ROC曲线。图26A显示了所有PSA值的患者，图26B显示了PSA值在4-10ng/ml的患者的测试性能，而图26C显示了DRE正常、>50岁且PSA4-10ng/ml(PHI测试的指征)的患者的测试性能。在所有组中，模型7b算法均显示出比其他测试更高的ROC曲线。
表65显示了这些测试的比较性能(AUC、灵敏度、特异性)以及优势比和p值。模型7b算法优于所有患者亚组中的所有其他测试，并且除正常DRE中的PHI、>50岁和PSA 4- 10ng/ml亚组外(可能是由于该组中的小数字)所有组中该模型都是统计学上显著不同的。
表65
1.7使用测试测定法检测具有侵袭性CaP的患者
开发了模型7b、8、11、12、14和15，以区分非侵袭性和侵袭性前列腺癌患者。在临床使用中，它们将应用于出现PSA升高的患者，并将用于指导活检决策，如图2所示。为了在这种情况下测试模型的效用，使用先前为每个模型确定的切割点，将它们应用于来自试验第2组的所有可评估患者的数据。每位患者的测试结果分为阳性或阴性，并确定每位患者的数字。根据无癌、无侵袭性(GS3+3)和具有侵袭性(GS 3+4及以上)来确定每个组的细分，以确定真阳性、真阴性、假阳性、假阴性、阳性预测值(PPV)和阴性预测值(NPV)。将模型 7b(图27和图28)、模型8(图29和图30)、模型11(图31和图32)、模型12(图33和图34)、模型14(图35和图36)和模型15(图37和图38)在95％灵敏度下以分割点进行评价。显示了每个测试人群的无癌、非侵袭性癌症和侵袭性前列腺癌的频率分布，以及各个测试的分类。在选定的切割点，显示了侵袭性癌症的检出率。还显示了由于阴性测试结果而可以节省的活检数量，以及漏诊的Gleason≥3+4或Gleason≥4+3癌症的数量。
结果总结在表66中。注意，灵敏度为95％时的特异性可能与表63不同，因为表66中的特异性是指更大数据集的性能，该更大数据集还包含没有前列腺癌的患者，而表63显示了仅侵袭性和非侵袭性癌症组的性能。
表66
表66表明，对于GS≥3+4前列腺癌，不同模型均具有高的阴性预测值。包含前列腺体积的模型比使用DRE的模型具有更高的特异性和活检结果。
与模型11和12相比，纳入GPC-1导致在模型14和15中检测到的总癌症数量有小增加。该增加是由于GS3+3癌症的检测增加而GS≥3+4癌症的检测没有损失。
Claims (29)
1.一种用于在测试对象中诊断侵袭性前列腺癌(CaP)的方法，包括：
(a)检测来自所述测试对象的生物样品中的一种或多种分析物，从而获得所述测试对象的生物样品中每种所述分析物的分析物水平，并获得来自所述测试对象的两个或多个临床变量测量值；和
(b)将适当的算法和/或变换应用于所述测试对象的所述临床变量测量值和分析物水平的组合，从而生成测试对象得分值以与阈值进行比较；和
(c)通过比较所述测试对象得分值和所述阈值，确定所述测试对象是否具有侵袭性CaP，
其中：
所述一种或多种分析物包含瘦蛋白或由瘦蛋白组成，
所述两个或多个临床变量包括以下的至少两项：总PSA、DRE、对象年龄、前列腺体积，并且
所述阈值通过以下确定：
在一系列生物样品中检测所述一种或多种分析物，所述一系列生物样品从具有侵袭性CaP的对象群体和不具有侵袭性CaP的对照对象群体中获得，从而获得所述系列的每个所述生物样品中每种所述分析物的分析物水平；
以允许辨别侵袭性CaP和不存在侵袭性CaP的方式，将所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的所述两个或多个临床变量测量值相组合，从而生成所述阈值。
2.根据权利要求1所述的方法，其中对照对象的群体包括不患有前列腺癌的对象和患有非侵袭性前列腺癌的对象。
3.一种识别测试对象是否患有非侵袭性或侵袭性前列腺癌(CaP)的方法，包括：
(a)检测来自所述测试对象的生物样品中的一种或多种分析物，从而获得所述测试对象的生物样品中每种所述分析物的分析物水平，并获得来自所述测试对象的两个或多个临床变量测量值；和
(b)将适当的算法和/或变换应用于所述临床变量测量值和分析物水平的组合，从而生成测试对象得分值以与阈值进行比较；和
(c)通过比较所述测试对象得分值和所述阈值，确定所述测试对象是具有非侵袭性还是侵袭性CaP，
其中
先前已确定所述测试对象患有前列腺癌或具有患有前列腺癌的可能性(例如，通过基于PSA的测试、直肠指检(DRE)、家族史、基于超声的测试、磁共振成像(MRI)、尿液生物标志物测试、基于外泌体的测试中的任何一项或多项)，
所述一种或多种分析物包含瘦蛋白或由瘦蛋白组成，
所述两个或多个临床变量包括以下的至少两项：总PSA、DRE、对象年龄、前列腺体积，并且
所述阈值通过以下确定：
在一系列生物样品中检测所述一种或多种分析物，所述一系列生物样品从具有侵袭性CaP的对象群体和具有非侵袭性CaP的对照对象群体中获得，从而获得所述系列的每个所述生物样品中每种所述分析物的分析物水平；
以允许辨别侵袭性CaP和非侵袭性CaP的方式，将所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的所述两个或多个临床变量测量值相组合，从而生成所述阈值。
4.根据权利要求1或权利要求3所述的方法，其中对照对象群体具有由3+3的Gleason得分定义的非侵袭性CaP。
5.根据权利要求1至4中任一项所述的方法，其中在执行所述方法之前确定所述阈值。
6.根据权利要求1至5中任一项所述的方法，其中所述两个或多个临床变量和所述一种或多种分析物包括以下任一项：
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7和VEGF；
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7、VEGF、骨桥蛋白和CD40L；
-总PSA、％游离PSA、前列腺体积、瘦蛋白、骨桥蛋白和HE4.WFDC2；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF和IL-7；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、先前的阴性活检、VEGF-C、骨桥蛋白、GPC-1、CD40L、proPSA、％游离PSA。
7.根据权利要求1至6中任一项所述的方法，包括选择组合的分析物和/或临床变量测量值的子集以产生所述阈值。
8.根据权利要求1至7中任一项所述的方法，其中将所述系列的每个所述分析物水平与所述两个或多个临床变量测量值的所述组合包括将所述临床变量测量值的逻辑回归得分与分析物水平根据下式以最大化所述辨别的方式相组合：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数，不包括变量年龄；
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数，
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，和
系数i是变量的优势比的自然对数。
9.根据权利要求1至8中任一项所述的方法，其中所述将适当的算法和/或变换应用于所述临床变量测量值和分析物水平的组合包括使用指数函数、对数函数、幂函数和/或根函数。
10.根据权利要求1至9中任一项所述的方法，其中应用于所述测试对象的所述临床变量测量值和分析物水平的组合的所述适当的算法和/或变换根据以下公式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数，不包括变量年龄；
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数，
变换后变量i是变量i值的自然对数；
或根据下式：
其中：
P是测试对象患有侵袭性前列腺癌的概率，
系数i是变量的优势比的自然对数；
并且所述适当的算法和/或变换用于生成与所述阈值比较的对象测试得分，从而确定所述测试对象是否患有侵袭性前列腺癌。
11.根据权利要求1至10中任一项所述的方法，其中所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的所述两个或多个临床变量测量值的所述组合最大化所述辨别。
12.根据权利要求1至11中任一项所述的方法，其中以如下方式进行所述系列的每个所述分析物水平与从所述群体的每个所述对象获得的两个或多个临床变量测量值的所述组合：
(i)降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率；和/或
(ii)提高辨别具有侵袭性CaP的对象和所述对照对象的灵敏度；和/或
(iii)提高辨别具有侵袭性CaP的对象和所述对照对象的特异性。
13.根据权利要求12所述的方法，其中以降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率的方式进行所述组合包括选择合适的真阳率和/或真阴率。
14.根据权利要求12所述的方法，其中以降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率的方式进行所述组合最小化了所述错误分类率。
15.根据权利要求12所述的方法，其中以降低具有侵袭性CaP的对象与所述对照对象之间的错误分类率的方式进行所述组合包括通过识别真阳率与真阴率相交的点最小化具有侵袭性CaP的对象与所述对照对象之间的错误分类率。
16.根据权利要求12所述的方法，其中以提高在具有侵袭性CaP的对象和所述对照对象之间辨别的灵敏度的方式进行所述从组合的临床变量测量值和组合的分析物水平中选择阈值提高或最大化了所述灵敏度。
17.根据权利要求12所述的方法，其中以提高在具有侵袭性CaP的对象和所述对照对象之间辨别的特异性的方式进行所述从组合的临床变量测量值和组合的分析物水平中选择阈值提高或最大化了所述特异性。
18.根据权利要求1至17中任一项所述的方法，其中所述两个或多个临床变量和所述一种或多种分析物由以下任一项组成：
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7和VEGF；
-总PSA、前列腺体积、瘦蛋白、对象年龄、IL-7、VEGF、骨桥蛋白和CD40L；
-总PSA、％游离PSA、前列腺体积、瘦蛋白、骨桥蛋白和HE4.WFDC2；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF和IL-7；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、IL-7、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、VEGF、骨桥蛋白、GPC-1、％游离PSA；
-总PSA、DRE、瘦蛋白、对象年龄、先前的阴性活检、VEGF-C、骨桥蛋白、GPC-1、CD40L、proPSA、％游离PSA。
19.根据权利要求1至18中任一项所述的方法，其中所述测试对象先前已经接收侵袭性前列腺癌的阳性指示。
20.根据权利要求1至19中任一项所述的方法，其中所述测试对象先前已经通过直肠指检(DRE)和/或通过PSA测试接收侵袭性前列腺癌的阳性指示。
21.根据权利要求1至20中任一项所述的方法，其中所述检测来自所述测试对象的生物样品中的一种或多种分析物包括：
(i)测量指示每个所述分析物水平的一个或多个荧光信号；
(ii)获得生物样品中所述分析物的重量/体积的测量值；
(iii)测量指示每个所述分析物水平的吸光度信号；或者
(iv)使用选自以下的技术：质谱法、蛋白质阵列技术、高效液相色谱(HPLC)、凝胶电泳、放射性标记及其任何组合。
22.根据权利要求1-21中任一项所述的方法，其中使每个所述样品与第一和第二抗体群体接触以检测每种所述分析物，其中每个所述抗体群体对一种所述分析物具有结合特异性并且第一和第二抗体群体具有不同的分析物结合特异性。
23.根据权利要求18所述的方法，其中所述第一和/或第二抗体群体被标记。
24.根据权利要求19所述的方法，其中第一和/或第二抗体群体包含选自放射性标记、荧光标记、生物素-亲和素扩增系统、化学发光系统、微球和胶体金的标记。
25.根据权利要求18至20中任一项所述的方法，其中每个所述抗体群体与分析物的结合通过选自以下的技术检测：免疫荧光、放射性标记、免疫印迹、蛋白质印迹、酶联免疫吸附测定(ELISA)、流式细胞仪、免疫沉淀、免疫组织化学、生物膜测试、亲和环测试、抗体阵列光密度测试和化学发光。
26.根据权利要求1至25中任一项所述的方法，其中从每个所述群体获得的所述系列生物样品和所述测试对象的生物样品各自是全血、血清、血浆、唾液、泪液、尿液或组织。
27.根据权利要求1至26中任一项所述的方法，其中所述测试对象、具有侵袭性CaP的所述对象群体和所述对照对象群体是人类。
28.根据权利要求1至27中任一项所述的方法，其中对来自所述测试对象的生物样品或从每个所述群体获得的所述系列生物样品中的每种所述分析物的所述检测包括直接检测所述分析物。
29.根据权利要求1至28中任一项所述的方法，其中对来自所述测试对象的生物样品或从每个所述群体获得的所述系列生物样品中的每种所述分析物的所述检测包括检测编码所述分析物的核酸。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| AU2018903763 | 2018-10-05 | ||
| AU2018903763A AU2018903763A0 (en) | 2018-10-05 | Biomarker combinations for determining aggressive prostate cancer | |
| AU2019900406 | 2019-02-08 | ||
| AU2019900406A AU2019900406A0 (en) | 2019-02-08 | Biomarker combinations for determining aggressive prostate cancer | |
| PCT/AU2019/051080 WO2020069580A1 (en) | 2018-10-05 | 2019-10-04 | Biomarker combinations for determining aggressive prostate cancer |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113439212A true CN113439212A (zh) | 2021-09-24 |
Family
ID=70054936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980079046.8A Pending CN113439212A (zh) | 2018-10-05 | 2019-10-04 | 用于确定侵袭性前列腺癌的生物标志物组合 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230333111A1 (zh) |
| EP (1) | EP3861348A4 (zh) |
| CN (1) | CN113439212A (zh) |
| AU (1) | AU2019352906A1 (zh) |
| WO (1) | WO2020069580A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024183110A1 (zh) * | 2023-03-07 | 2024-09-12 | 厦门大学 | 一种前列腺癌高特异性光谱检测方法与癌症判断装置 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115427811A (zh) * | 2020-04-23 | 2022-12-02 | 日兴生物科技有限公司 | 前列腺癌诊断的相关方法 |
| EP4172629A4 (en) * | 2020-06-30 | 2024-07-10 | Minomic Int Ltd | BIOMARKER COMBINATIONS FOR DETERMINING AGGRESSIVE PROSTATE CANCER |
| IT202000029948A1 (it) * | 2020-12-04 | 2022-06-04 | Nib Biotec S R L | Metodo per la diagnosi di tumore alla prostata in pazienti in differente fascia di età |
| WO2024082026A1 (en) * | 2022-10-20 | 2024-04-25 | Minomic International Ltd. | Methods for detecting aggressive prostate cancer |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120270742A1 (en) | 2011-04-21 | 2012-10-25 | Fleshner Neil E | Obesity Dependent Adipokine Biomarkers for Prostate Cancer |
| US20180224454A1 (en) * | 2015-07-22 | 2018-08-09 | Minomic International Ltd. | Biomarker combinations for prostate disease |
| ITUA20161418A1 (it) * | 2016-03-07 | 2017-09-07 | Univ Degli Studi Di Torino | Biomarcatori urinari per la diagnosi del carcinoma della prostata |
-
2019
- 2019-10-04 WO PCT/AU2019/051080 patent/WO2020069580A1/en active Application Filing
- 2019-10-04 CN CN201980079046.8A patent/CN113439212A/zh active Pending
- 2019-10-04 EP EP19868261.9A patent/EP3861348A4/en active Pending
- 2019-10-04 US US17/282,612 patent/US20230333111A1/en active Pending
- 2019-10-04 AU AU2019352906A patent/AU2019352906A1/en active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024183110A1 (zh) * | 2023-03-07 | 2024-09-12 | 厦门大学 | 一种前列腺癌高特异性光谱检测方法与癌症判断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3861348A1 (en) | 2021-08-11 |
| US20230333111A1 (en) | 2023-10-19 |
| EP3861348A4 (en) | 2022-07-20 |
| WO2020069580A1 (en) | 2020-04-09 |
| AU2019352906A1 (en) | 2021-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113439212A (zh) | 用于确定侵袭性前列腺癌的生物标志物组合 | |
| CN103140760B (zh) | 结肠直肠癌的诊断 | |
| TWI698639B (zh) | 前列腺抗原標準品及其用途 | |
| CA2725442A1 (en) | An assay to detect a gynecological condition | |
| AU2016297676B2 (en) | Biomarker combinations for prostate disease | |
| US20230305009A1 (en) | Biomarker combinations for determining aggressive prostate cancer | |
| JP7547332B2 (ja) | 膀胱癌の検出 | |
| US11791043B2 (en) | Methods of prognosing early stage breast lesions | |
| US11448650B2 (en) | Methods for diagnosing high-risk cancer using polysialic acid and one or more tissue-specific biomarkers | |
| US20240345092A1 (en) | Risk prediction model for prostate cancer | |
| US20230176061A1 (en) | Methods for diagnosing high-risk cancer using polysialic acid and one or more tissue-specific biomarkers | |
| WO2024082026A1 (en) | Methods for detecting aggressive prostate cancer | |
| US20240255528A1 (en) | Fibrosis biomarkers for non-alcoholic fatty liver disease |
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 |