CN115397452A - 肺生物标志物及其使用方法 - Google Patents

肺生物标志物及其使用方法 Download PDF

Info

Publication number
CN115397452A
CN115397452A CN202180026941.0A CN202180026941A CN115397452A CN 115397452 A CN115397452 A CN 115397452A CN 202180026941 A CN202180026941 A CN 202180026941A CN 115397452 A CN115397452 A CN 115397452A
Authority
CN
China
Prior art keywords
protein
particles
sample
classifier
biomarker
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180026941.0A
Other languages
English (en)
Inventor
约翰·E·布卢姆
威廉·C·曼宁
格雷戈里·特罗亚诺
阿西姆·西迪基
马振明
奥米德·C·法罗哈扎德
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.)
PROTEC CO Ltd
Original Assignee
PROTEC CO Ltd
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 PROTEC CO Ltd filed Critical PROTEC CO Ltd
Publication of CN115397452A publication Critical patent/CN115397452A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P35/00—Antineoplastic agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P43/00—Drugs for specific purposes, not provided for in groups A61P1/00-A61P41/00
    • 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
    • G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
    • G01N33/54313—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals the carrier being characterised by its particulate form
    • G01N33/54326—Magnetic particles
    • 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
    • G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
    • G01N33/551—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals the carrier being inorganic
    • G01N33/552—Glass or silica
    • 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
    • G01N33/57423—Specifically defined cancers of lung
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/12—Pulmonary diseases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
    • G01N30/8686—Fingerprinting, e.g. without prior knowledge of the sample components
    • 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
    • G01N33/543—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals
    • G01N33/54313—Immunoassay; Biospecific binding assay; Materials therefor with an insoluble carrier for immobilising immunochemicals the carrier being characterised by its particulate form
    • G01N33/54346—Nanoparticles
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/40—Population genetics; Linkage disequilibrium

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Hematology (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Medicinal Chemistry (AREA)
  • Biotechnology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Food Science & Technology (AREA)
  • Cell Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Microbiology (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Hospice & Palliative Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Oncology (AREA)
  • General Chemical & Material Sciences (AREA)

Abstract

本文公开了与疾病状态例如肺癌相关的生物标志物，以及发现或使用所述生物标志物的方法。本文还公开了建立在所述生物标志物上的分类器和检测来自对象的样品中的疾病状态的方法。

Description

肺生物标志物及其使用方法
交叉引用
本申请要求于2020年1月30日提交的美国临时申请号62/967,995的权益，该临时申请通过引用以其整体并入本文中。
背景技术
NSCLC的早期检测是获得良好预后的关键，但在开发有用的临床试验方面进展甚微。鉴于血浆与体内几乎所有组织接触，血浆中的蛋白质应该是有价值的生物标志物发现基质。然而，由于若干因素，包括其广泛范围的浓度(例如，10个数量级)，血浆蛋白质可能存在问题。已试图采用复杂的生化工作流程来规避这些挑战，但在实践上它们难以足以用于确保研究验证性和重复性的大型的研究。可替代地，生物标志物研究限于评估或重新评估临床表现没有实质性改善的已知标志物。
发明内容
本文公开了用于分析蛋白质-颗粒相互作用和蛋白质-蛋白质相互作用的系统和方法。生物分子和颗粒之间的相互作用以及颗粒上的蛋白质-蛋白质相互作用可以提供对生物样品之间蛋白质-蛋白质相互作用的见解。
在各个方面，本公开提供了一种方法，所述方法包括：获得包含来自生物分子冠(coronas)的蛋白质信息的数据集，所述生物分子冠对应于与来自对象的生物流体样品一起孵育的物理化学上不同的颗粒；以及基于所述数据集使用分类器来鉴定指示对象的健康状态、癌症状态或其共病的生物流体样品。
在一些方面，癌症是非小细胞肺癌(NSCLC)并且共病是肺部共病。在一些方面，肺部共病是除了非小细胞肺癌以外的慢性肺病。在一些方面，肺部共病选自：慢性阻塞性肺病(COPD)、肺气肿、心血管疾病、高血压、肺纤维化、哮喘、慢性肺病及其任何组合。在一些方面，癌症状态以约80％或更高的灵敏度或特异性被鉴定。
在一些方面，所述蛋白质信息包括选自以下的蛋白质的表达信息：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。在一些方面，蛋白质信息包括选自以下的蛋白质的表达信息：ANGL6、HTRA1、PXDN、ANTR2、CSPG2、ANTR1、NOTUM、CILP1、CAN2和GP1BB。
在一些方面，获得数据集包括使生物流体样品与物理化学上不同的颗粒接触以形成生物分子冠。在一些方面，物理化学上不同的颗粒包括脂质颗粒、金属颗粒、二氧化硅颗粒或聚合物颗粒。在一些方面，物理化学上不同的颗粒包括羧酸盐颗粒、聚丙烯酸颗粒、葡聚糖颗粒、聚苯乙烯颗粒、二甲胺颗粒、氨基颗粒、二氧化硅颗粒或N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺颗粒。
在一些方面，获得数据集包括通过质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色或其组合检测生物分子冠的蛋白质。在一些方面，获得数据集包括通过质谱检测生物分子冠的蛋白质。在一些方面，获得数据集包括测量指示生物分子冠的蛋白质的存在、不存在或数量的读出。
在一些方面，分类器是通过去除或滤除与急性期反应相关的生物分子而产生。在一些方面，NSCLC包括早期NSCLC(1期、2期或3期)。在一些方面，NSCLC包括晚期NSCLC(4期)。在一些方面，所述方法进一步包括基于疾病状态向对象施用NSCLC治疗。在一些方面，所述分类器相对于使用来自经耗减的血浆样品的蛋白质组数据生成的第二分类器具有增加的蛋白质检测一致性。
在一些方面，生物流体包括已去除红细胞的血液样品。在一些方面，生物流体包括血浆。
在各个方面，本公开提供了一种评估癌症状态的方法，所述方法包括：测量来自疑似患有癌症的对象的生物流体样品中的生物标志物以获得生物标志物测量值，其中所述生物标志物包含选自以下的一种或多种生物标志物：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、炭疽毒素受体2(ANTR2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、血小板糖蛋白质Ibβ链(GP1BB)。
在一些方面，测量一种或多种生物标志物包括使用与蛋白质结合并产生可检测信号的检测试剂。在一些方面，测量一种或多种生物标志物包括测量指示一种或多种生物标志物的存在、不存在或数量的读出。在一些方面，测量生物标志物包括进行质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色或其组合。在一些方面，测量生物标志物包括进行质谱。在一些方面，测量生物标志物包括进行免疫测定。在一些方面，测量生物标志物包括使生物流体样品与多个物理化学上不同的纳米颗粒接触。
在一些方面，癌症包括肺癌。在一些方面，所述方法进一步包括将分类器应用于生物标志物测量值。在一些方面，分类器将癌症与慢性肺病、慢性阻塞性肺病、肺气肿、心血管疾病、高血压、肺纤维化或哮喘区分开。
在一些方面，癌症包括非小细胞肺癌(NSCLC)。在一些方面，NSCLC包括早期NSCLC(1期、2期或3期)。在一些方面，所述方法进一步包括将分类器应用于生物标志物测量值，其中所述分类器包括将早期NSCLC和晚期NSCLC区分开的特征。在一些方面，特征包括选自以下的多种生物标志物之一：SDC1、OC085、KV401、MYL6、JIP2、HV459、HV461、HV169、HNRPC、ROA1、STON2、LV301、KVD20、SAE1、PDE5A、RTN3、HV373、LV325、H2B1C、H2B1D、H2B1H、H2B1K、H2B1L、H2B1M、H2B1N、H2B2F、H2BFS和NMT1。在一些方面，所述方法进一步包括将分类器应用于生物标志物测量值，其中所述分类器包括将NSCLC存在或不存在区分开的特征。在一些方面，特征包括选自以下的多种生物标志物之一：SDC1、ANGL6、PXDN、ANTR1、OC085、SAA2、HTRA1、KPCB、KV401、OCL18、MYL6、ANTR2、GTPB2、HDGF、TBA1A、CSRP1、TCO2、CSPG2、PTPRZ、ILF2、SIAT1、ITA2B、DOK2、H31、H31T、H32、H33、H3C、RAC2、ARRB1、DHB4、HV102、RHG18、GDF15、PCSK6、FHOD1或ITLN2。
在一些方面，所述方法进一步包括基于生物标志物测量值将对象鉴定为患有癌症。在一些方面，所述方法进一步包括向对象施用癌症治疗。
在一些方面，生物流体包括已去除红细胞的血液样品，或包括血浆。在一些方面，对象是人。
在各个方面，本公开提供了一种方法，包括：(a)测定来自对象的生物样品以鉴定生物分子；(b)基于(a)中鉴定的所述生物分子使用分类器(例如经训练的分类器)来鉴定所述样品或所述对象对于非小细胞肺癌是阳性或阴性，其中使用来自包括已知健康样品和已知非小细胞肺癌样品的训练样品的数据来训练所述经训练的分类器，并且其中使用具有物理化学上不同的性质的多个颗粒测定所述训练样品以产生所述数据。
在一些方面，所述生物分子包括蛋白质。在一些方面，所述生物分子是蛋白质。在一些方面，所述数据包括鉴定所述训练样品中蛋白质存在或不存在的蛋白质组数据。在一些方面，所述经训练的分类器被配置为去除急性期反应偏倚或应激蛋白质偏倚。在一些方面，所述经训练的分类器包括与蛋白质相关的特征，其中选择所述特征以排除所述生物样品中的急性期反应和/或应激蛋白质偏倚。
在一些方面，所述分类器的所述特征排除选自以下的蛋白质：C-反应蛋白质(CRP)、触珠蛋白质和S10a8/9。在一些方面，所述分类器的所述特征排除CRP、触珠蛋白质和S10a8/9。在一些方面，所述分类器的所述特征排除表5中列出的蛋白质。在一些方面，所述分类器的所述特征包括表7中列出的多种蛋白质。在一些方面，所述分类器的所述特征列于表7中。在一些方面，所述特征包括微管蛋白质α-1A链(TBA1A)和多配体蛋白聚糖-1(SDC1)。
在一些方面，所述方法进一步包括从对象获得生物样品。在一些方面，所述生物样品是复杂生物样品。在一些方面，所述复杂生物样品是血浆样品或血清样品。在一些方面，所述具有物理化学上不同的性质的多个颗粒包括表4中列出的两种或更多种颗粒。在一些方面，所述具有物理化学上不同的性质的多个颗粒列于表4中。在一些方面，相对于使用来自与所述已知健康样品和所述已知非小细胞肺癌样品相同的对象的经耗减的血浆样品的蛋白质组数据训练的分类器，所述经训练的分类器基于曲线下面积(AUC)具有改进的性能。
在一些方面，所述方法进一步包括输出指示所述样品或所述对象对所述非小细胞肺癌呈阳性或阴性的报告。在一些方面，所述测定包括进行质谱或ELISA，并且其中所述生物分子包括蛋白质。在一些方面，所述测定包括靶向质谱。在一些方面，所述经训练的分类器是经训练的算法。在一些方面，所述已知非小细胞肺癌样品包括早期(1-3期)非小细胞肺癌样品。在一些方面，所述经训练的分类器鉴定所述样品或所述对象对于所述非小细胞肺癌呈阳性和所述非小细胞肺癌的阶段。
在一些方面，所述方法进一步包括以大于约80％的灵敏度鉴定所述样品或所述对象对于非小细胞肺癌呈阳性或阴性。在一些方面，灵敏度大于约85％、约90％、约95％或约99％。在一些方面，所述方法进一步包括以大于约80％的特异性鉴定所述样品或所述对象对于非小细胞肺癌呈阳性或阴性。在一些方面，特异性大于约85％、约90％、约95％或约99％。
通过引用并入
本说明书中提到的所有出版物、专利和专利申请都以相同的程度通过引用并入本文中，就如同每个单独的出版物、专利或专利申请被明确地并单独地指出通过引用而并入一样。
附图说明
本专利或申请文件包含至少一个彩色附图。经请求并且支付必要的费用，专利局将提供具有(一个或多个)彩色附图的本专利或专利申请公开文本的副本。本公开的新颖特征在所附的权利要求书中具体阐述。通过参考以下阐述其中利用了本公开的原理的说明性实施方案的详细描述以及附图，将更好地理解本公开的特征和优点，附图中：
图1显示了NSCLC生物标志物发现研究中268名对象的年龄和性别分组。
图2显示了每个研究组(包括健康、共病、NSCLC 1期“NSCLC_1”、NSCLC 2期“NSCLC_2”、NSCLC 3期“NSCLC_3”和NSCLC 4期“NSCLC_4”)的蛋白质计数。
图3显示了经耗减的血浆DP和颗粒组(panel)的蛋白质计数。
图4显示了针对颗粒组和经耗减的血浆(DP)中所有10种颗粒类型，在对象之间蛋白质的分数检测相比于所述蛋白质的平均丰度的结果汇总。
图5显示了交叉验证的颗粒组分类器的性能，其中x轴显示呈假阳性的分类分数，而y轴显示呈真阳性的分类分数。
图6显示了针对经耗减的血浆(左)和10-颗粒组(右)，健康相比于NSCLC(1、2和3期)的随机森林模型图，并描绘了x轴上的假阳性分数和y轴上的真阳性分数。
图7显示了在研究样品之间分类器特征的性能。
图8显示了10轮10倍交叉验证的10次迭代的结果，其中对象类别分配随机化，假阳性分数在x轴上，真阳性分数在y轴上。
图9显示了已去除经耗减的血浆中发现的蛋白质后，通过MRM-MS分析13种肽和通过ELISA分析2种蛋白质的ROC图。
图10显示了所有研究组比较的随机森林模型。
图11显示了研究组比较中重要特征的差异。
图12显示了1种颗粒类型到12种颗粒类型的组大小的蛋白质计数(例如从冠分析鉴定的蛋白质数量)。
图13显示了被编程或以其他方式配置为实现本文提供的方法的计算机系统。
图14显示了用于本文所述分类器的一些生物标志物的示例。
图15显示了生物标志物的示例。
具体实施方式
本文公开了基于具有新颖多颗粒类型组平台的深层血浆蛋白质谱来鉴定用于健康相比于非小细胞肺癌(NSCLC)的基于蛋白质的高性能分类器的组合物和方法。本文公开的组合物和方法通过使用本文公开的用于定量血浆蛋白质的颗粒类型组的新颖蛋白质组谱分析平台而实现了优异的基于蛋白质的NSCLC生物标志物发现。颗粒(例如，纳米颗粒)可以特异性地且可重复地从生物流体中检测蛋白质子集，并且对于蛋白质组谱分析具有高效率和有效性。本文公开的低复杂性颗粒组工作流程使得能够研究诸如本文所述的规模和更大规模。通过与健康和肺部共病对照对象相比对NSCLC对象进行图谱分析，使用基于颗粒的平台来鉴定多蛋白质分类组。这些分类器包括以前未知的在NSCLC中起作用的蛋白质。因此，本文公开的颗粒组能够鉴定用于改进的早期疾病检测的新标志物。
在一项试验中，本文公开的颗粒组在7周内鉴定了288名对象中的1,779种蛋白质，通过颗粒平台的简单性和稳健性实现了该通量。健康相比于早期NSCLC(1、2和3期)分类器(AUC 0.90)的性能包括已知和未知在NSCLC中发挥作用的蛋白质。因此，本文公开的蛋白质能够实现用于早期疾病检测的更好测定。这标志着深度血浆蛋白质生物标志物谱分析研究首次实现了与基于基因组学的研究相匹配的通量，并实现了包括蛋白质和核酸在内的互补研究。
本公开还提供了使用经训练的分类器来将样品分类为健康、共病或NSCLC的方法，这是通过用被发现与NSCLC相关并且灵敏且特异性地将NSCLC区分于健康和共病状态的生物标志物训练所述分类器。
本文公开的生物标志物被发现是通过使用具有一种或多种不同颗粒类型的颗粒组，随后将所述颗粒组与样品一起孵育以在所述颗粒的表面上形成生物分子冠，并测定生物分子冠中的蛋白质。颗粒组可以有多种不同的颗粒类型，其将来自样品的蛋白质富集到在不同颗粒类型表面上形成的不同生物分子冠上。本文公开的颗粒组中包括的颗粒类型特别适合于以无偏的方式在宽动态范围内富集高数量的蛋白质。选择包含在本公开的颗粒组中的颗粒类型的组合在其物理化学性质(例如，尺寸、表面电荷、核心材料、壳材料、表面化学、孔隙率、形态和其他性质)方面是变化的。然而，颗粒类型也可以共享所述物理化学性质中的几种。本文所用的“生物分子冠”可与术语“蛋白质冠”互换使用，并意指在颗粒与样品(例如，血浆)接触后在颗粒表面上形成蛋白质层。这种方法可互换地称为冠分析，或在一些实施例中称为“Proteograph”分析，它将多颗粒类型蛋白质冠策略与质谱(MS)相结合。本文公开的颗粒组中包括的颗粒类型可以是超顺磁性的，因此，在样品中孵育颗粒之后，从样品中的未被结合的蛋白质(未被吸附到颗粒表面形成冠的蛋白质)中快速分开或分离。生物分子可以包括蛋白质。包括生物分子冠或蛋白质冠的方法可以包括生物分子或蛋白质，反之亦然。
本文公开的方法包括：获得包含来自生物分子冠的蛋白质信息的数据集，所述生物分子冠对应于与来自对象的生物流体样品一起孵育的物理化学上不同的颗粒；以及基于所述数据集使用分类器来鉴定指示对象的健康状态、癌症状态或其共病的生物流体样品。
本文公开的方法包括：获得包含在生物分子冠中检测到的蛋白质的数据集，所述生物分子冠对应于与生物样品一起孵育的物理化学上不同的颗粒，所述生物样品包括已去除红细胞的生物流体或血液样品(例如无细胞生物样品，例如血浆)；以及使用分类器根据所述数据集鉴定疾病状态。
本文公开了评估癌症状态的方法，所述方法包括：测量来自疑似患有癌症的对象的生物样品中的生物标志物以从诸如本文所述的那些生物标志物获得生物标志物测量值。生物标志物可以包含选自以下的一种或多种生物标志物：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、炭疽毒素受体2(ANTR2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、血小板糖蛋白质Ibβ链(GP1BB)。
本文公开了用于测定来自疑似患有肺癌的对象的样品中的一种或多种生物标志物的方法，所述方法包括：测量所述样品中选自诸如以下生物标志物中的一种或多种生物标志物：血管生成素相关蛋白质6(ANGL6)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、60S酸性核糖体蛋白质P2(RLA2)、和血小板糖蛋白质Ibβ链(GP1BB)或其肽片段，以检测所述一种或多种生物标志物的存在、不存在或数量。
本文公开了用于测定来自疑似患有非小细胞肺癌(NSCLC)的对象的样品中的一种或多种生物标志物的方法，所述方法包括：测量所述样品中选自诸如以下生物标志物中的一种或多种生物标志物：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)或血小板糖蛋白质Ibβ链(GP1BB)或其肽片段，以检测所述一种或多种生物标志物的存在、不存在或数量。
本文公开了治疗方法，所述方法包括：(a)获得或接收来自疑似患有肺癌的对象的样品中的选自诸如以下生物标志物中的一种或多种生物标志物的测量值：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)或其肽片段，和(b)基于在(a)中测量的一种或多种生物标志物的存在，对所述对象施用肺癌治疗，并且基于(a)中一种或多种生物标志物的不存在，监测所述对象但不向所述对象提供肺癌治疗。
本文公开了方法，所述方法包括(a)测定来自对象的生物样品以鉴定生物分子；和(b)基于(a)中鉴定的生物分子使用分类器来鉴定样品对非小细胞肺癌(NSCLC)是阳性或阴性，其中所述分类器是用来自样品的数据生成的，对所述样品使用具有物理化学上不同性质的多个颗粒进行测定以产生所述数据。
本文公开了系统，所述系统包括：(a)通信接口，其通过通信网络接收来自多个颗粒的生物分子数据，所述多个颗粒具有物理化学上不同的性质并且已经暴露于来自对象的包含生物分子的样品；和(b)与所述通信接口通信的计算机，其中所述计算机包括计算机处理器和计算机可读介质，所述计算机可读介质包括机器可执行代码，所述机器可执行代码在由所述计算机处理器执行时实现包括以下步骤的方法：(i)通过通信网络接收生物分子数据，(ii)组合所述生物分子数据以生成所述样品的生物分子指纹，以及(iii)为所述生物分子指纹分配标签，其中所述标签对应于对象中的非小细胞肺癌(NSCLC)的存在或不存在。
本文公开了系统，所述系统包括：通信接口，所述通信接口通过通信网络接收来自疑似患有非小细胞肺癌(NSCLC)的对象的样品的生物标志物数据，其中样品包含生物标志物，并且其中所述生物标志物包含选自以下的一种或多种生物标志物：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)或血小板糖蛋白质Ibβ链(GP1BB)或其肽片段。
生物标志物
本文公开的生物标志物(例如与疾病状态(例如NSCLC、共病、或健康状态)相关)可以包括以下中的至少一种：蛋白质S100-A9(P06702；S10A9_人)、C-反应蛋白质(P02741；CRP_人)、间α胰蛋白酶抑制剂重链H2(P19823；ITIH2_人)、蛋白质S100-A8(P05109；S10A8_人)、丝氨酸蛋白酶HTRA1(Q92743；HTRA1_人)、血管生成素相关蛋白质6(Q8NI99；ANGL6_人)、触珠蛋白质相关蛋白质(P00739；HPTR_人)、C-C基序趋化因子18(P55774；CCL18_人)、肌动蛋白质，细胞质1(P60709；ACTB_人)、肌动蛋白质，细胞质2(P63261；ACTG_人)、血清淀粉样蛋白质A-1蛋白质(P0DJI8；SAA1_人)、免疫球蛋白质κ恒定区(P01834；IGKC_人)、血管生成素相关蛋白质6(Q8NI99；ANGL6_人)、过氧蛋白质同源物(Q92743；PXDN_人)、炭疽毒素受体2(P58335；ANTR2_人)、微管蛋白质α-1A链(Q71U36；TBA1A_人)、多配体蛋白聚糖-1(P18827；SDC1_人)、血清淀粉样蛋白质A-2蛋白质(P0DJI9；SAA2_人)、多功能蛋白质聚糖核心蛋白质(P13611；CSPG2_人)、炭疽毒素受体1(Q9H6X2；ANTR1_人)、棕榈油酰-蛋白质羧酸酯酶NOTUM(Q6P988；NOTUM_人)、软骨中间层蛋白质1(O75339；CILP1_人)、钙蛋白酶-2催化亚基(P17655；CAN2_人)、60S酸性核糖体蛋白质P2(P05387；RLA2_人)、β-半乳糖苷α-2,6-唾液酸转移酶1(P15907；SIAT1_人)和血小板糖蛋白质Ibβ链(P13224；GP1BB_人)。生物标志物可以包括图11中的任何生物标志物或多个生物标志物。任何一种或多种上述生物标志物以各种组合可用于训练分类器以区分对象是否患有肺癌(例如，NSCLC)或是否患有共病或是否健康。在一些实施方案中，至少一种所述生物标志物、至少两种所述生物标志物、至少三种所述生物标志物、至少四种所述生物标志物、至少五种所述生物标志物、至少六种所述生物标志物、至少七种所述生物标志物、至少八种所述生物标志物、至少九种所述生物标志物、至少10种所述生物标志物、至少15种所述生物标志物、至少20种所述生物标志物、至少25种所述生物标志物或所有所述生物标志物一起可用于训练分类器以区分对象是否患有肺癌(例如，NSCLC)或是否患有共病或是否健康。在一些实施方案中，至少一种所述生物标志物、至少两种所述生物标志物、至少三种所述生物标志物、至少四种所述生物标志物、至少五种所述生物标志物、至少六种所述生物标志物、至少七种所述生物标志物、至少八种所述生物标志物、至少九种所述生物标志物、至少10种所述生物标志物、至少15种所述生物标志物、至少20种所述生物标志物、至少25种所述生物标志物或所有所述生物标志物一起可以用于诊断性测定以确定对象是否患有肺癌。可以使用本文公开的经训练的分类器进行诊断性测定。
本公开提供了用于检测复杂生物样品中的低丰度肽的方法。由于高浓度的白蛋白、免疫球蛋白质和其他高丰度血液蛋白质，所以本公开的许多诊断性肽无法通过传统的血液分析方法获得。诊断性肽的浓度可能比血液样品中最高丰度的蛋白质低3-、4-、5-、6-、7-、8-、9-、10-、11-、12-或更多个数量级，因此许多传统的蛋白质组学方法无法检测到。本公开不仅提供了用于从复杂生物样品例如血浆中富集低丰度生物分子(例如蛋白质)的方法，而且还提供了用于定量富集的生物分子的方法。
表1中提供了肺癌诊断性肽的示例。本公开的方法可以包括测定来自对象的样品以检测在表1中列出的肽中的一种或多种肽或肽片段的存在、不存在或丰度。在一些情况下，所述方法包括鉴定表1中列出的肽中两种肽或肽片段的丰度之间的比率。在一些情况下，所述方法包括鉴定表1中列出的肽中肽或肽片段的丰度与来自相同生物样品的单独肽之间的比率。例如，方法可以包括鉴定来自疑似患有肺癌的对象的血浆样品中APOC1和铜蓝蛋白质的相对丰度的比率。在一些情况下，所述方法包括测定样品以检测血管生成素相关蛋白质6(ANGL6)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、60S酸性核糖体蛋白质P2(RLA2)和血小板糖蛋白质Ibβ链(GP1BB)中的一种或多种肽或肽片段的存在、不存在或丰度。在一些情况下，所述方法包括测定样品以检测表1中列出的肽中的至少2、至少3、至少4、至少5、至少6、至少8、至少10、至少12、至少15、至少20、至少25、至少30或至少35种肽或肽片段的存在、不存在或丰度。
本公开的方法能够定量跨越宽浓度范围的不同生物标志物。在一些情况下，癌症(例如，NSCLC)由来自患者样品的两种或更多种蛋白质的相对浓度来证明。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少2种肽之间的丰度(例如浓度)比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少3种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少4种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少5种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少6种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少7种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少8种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少9种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少10种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少12种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少15种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少20种肽之间的丰度比率。在一些情况下，本公开的方法包括鉴定表1中列出的肽中的至少25种肽之间的丰度比率。在一些情况下，样品是血液样品(例如血浆)。
在一些情况下，所述方法包括测定样品以检测ANGL6、NOTUM、CILP1、RLA2或GP1BB中的至少2种、至少3种、至少4种或全部5种的存在、不存在或丰度。在一些情况下，表1中列出的肽中的一种或多种肽或肽片段选自肌动蛋白质(例如，β肌动蛋白质)、炭疽毒素受体2、软骨中间层蛋白质1、胶原凝集素11和激肽释放酶结合蛋白质(kallistatin)。在一些情况下，来自表1中所列肽的一种或多种肽或肽片段选自血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。在一些情况下，来自表1中所列肽的一种或多种肽或肽片段选自生物标志物，其中一种或多种生物标志物进一步包含富含亮氨酸的α-2-糖蛋白质(A2GL)、肌动蛋白质，细胞质1(ACTB)、肌动蛋白质，细胞质2(ACTG)、载脂蛋白质C-I(APOC1)、载脂蛋白质M(APOM)、电压依赖性钙通道亚基α-2/δ-1(CA2D1)、钙粘蛋白质-13(CAD13)、β-Ala-His二肽酶(CNDP1)、睫状神经营养因子受体亚基α(CNTFR)、胶原凝集素-11(COL11)、C-反应蛋白质(CRP)、血红蛋白质亚基α(HBA)、触珠蛋白质相关蛋白质(HPT)、触珠蛋白质相关蛋白质(HPTR)、间α胰蛋白酶抑制剂重链H2(ITIH2)、激肽释放酶结合蛋白质(KAIN)、血浆激肽释放酶(KLKB1)、神经细胞粘附分子1(NCAM1)、蛋白质S100-A8(S10A8)、蛋白质S100-A9(S10A9)、和染色体蛋白质4结构维持(SMC4)。在一些情况下，表1中列出的肽中的一种或多种肽或肽片段选自A2GL、ACTB、ACTG、APOC1、APOM、CA2D1、CAD13、CNDP1、CNTFR、COL11、CRP、HBA、HPT、HPTR、ITIH2、KAIN、KLKB1、NCAM1、S10A8、S10A9或SMC4。在一些情况下，表1中列出的肽中的一种或多种肽或肽片段包含A2GL、ACTB、ACTG、APOC1、APOM、CA2D1、CAD13、CNDP1、CNTFR、COL11、CRP、HBA、HPT、HPTR、ITIH2、KAIN、KLKB1、NCAM1、S10A8、S10A9或SMC4中的至少2、至少3、至少4、至少5、至少6、至少7、至少8、至少9、至少10、至少11、至少12、至少13、至少14、至少15、至少16、至少17、至少18、至少19或至少20种。
表1–诊断性肽
Figure BDA0003874417360000151
Figure BDA0003874417360000161
Figure BDA0003874417360000171
在一些情况下，方法包括检测选自以下的一种或多种肽的存在、不存在或丰度：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。在一些情况下，方法包括鉴定选自以下的两种肽的丰度之间的比率：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。在一些情况下，方法包括检测选自以下的至少2种、至少3种、至少4种、至少5种、至少6种、至少8种、至少10种、至少12种或至少15种肽的存在、不存在或丰度：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。
生物标志物(例如蛋白质)可以包括血管生成素相关蛋白质、丝氨酸蛋白酶、过氧蛋白质同源物、C-C基序趋化因子、炭疽毒素受体、微管蛋白质、多配体蛋白聚糖蛋白质、血清淀粉样蛋白质A蛋白质、多功能蛋白质聚糖蛋白质、炭疽毒素受体蛋白质、棕榈油酰-蛋白质羧酸酯酶蛋白质、软骨中间层蛋白质、钙蛋白酶蛋白质或亚基、60S酸性核糖体蛋白质、β-半乳糖苷α-2,6-唾液酸转移酶蛋白质或血小板糖蛋白质、或任何上述蛋白质的亚基或片段。生物标志物可以包括血管生成素相关蛋白质。生物标志物可以包括丝氨酸蛋白酶。生物标志物可以包括过氧蛋白质同源物。生物标志物可以包括C-C基序趋化因子。生物标志物可以包括炭疽毒素受体。生物标志物可以包括微管蛋白质。生物标志物可以包括多配体蛋白聚糖蛋白质。生物标志物可以包括血清淀粉样蛋白质A蛋白质。生物标志物可以包括多功能蛋白质聚糖蛋白质。生物标志物可以包括炭疽毒素受体蛋白质。生物标志物可以包括棕榈油酰蛋白质羧酸酯酶蛋白质。生物标志物可以包括软骨中间层蛋白质。生物标志物可以包括钙蛋白酶蛋白质或亚基。生物标志物可以包括60S酸性核糖体蛋白质。生物标志物可以包括β-半乳糖苷α-2,6-唾液酸转移酶蛋白质。生物标志物可以包括血小板糖蛋白质。生物标志物可以被分泌。
生物标志物(例如蛋白质)可以包括血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)或血小板糖蛋白质Ibβ链(GP1BB)。生物标志物(例如蛋白质)可以包括血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。在一些情况下，生物标志物是分泌型蛋白质。
生物标志物可以包括ANGL6、HTRA1、PXDN、ANTR2、CSPG2、ANTR1、NOTUM、CILP1、CAN2或GP1BB。生物标志物可以包括ANGL6、HTRA1、PXDN、ANTR2、CSPG2、ANTR1、NOTUM、CILP1、CAN2和GP1BB。
在一些情况下，方法包括测定血浆样品以检测表1中列出的肽中的一种或多种肽或肽片段的存在、不存在或丰度。在一些情况下，方法包括测定血沉棕黄层样品以检测表1中列出的肽中的一种或多种肽或肽片段的存在、不存在或丰度。在一些情况下，方法包括测定粒细胞样品以检测表1中列出的肽中的一种或多种肽或肽片段的存在、不存在或丰度。在一些情况下，方法包括测定均质化组织(例如均质化肺活检组织样品)以检测表1中列出的肽中的一种或多种肽或肽片段的存在、不存在或丰度。
本方法能够从复杂生物样品中快速和深入地进行生物分子谱分析。在许多情况下，方法检测和鉴定数百或数千种不同的生物分子。这种广泛的分析不仅能够对复杂样品进行更深入的谱分析，而且还增加了肽各自的诊断效用。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少50种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少100种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少200种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少400种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少600种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少800种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少1000种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少1200种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少1400种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少1600种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括测定来自对象的样品以检测来自生物样品的至少1800种肽以及在表1中列出的肽中的一种或多种另外的肽或肽片段的存在、不存在或丰度。本公开的方法可以包括鉴定具有至少50、至少100、至少200、至少400、至少600、至少800、至少1000、至少1200、至少1400、至少1600或至少1800种肽的至少一个子集和表1中列出的肽中的一种或多种另外的肽或肽片段之间的丰度或信号强度(例如，质谱信号强度)比率。
本公开的方法可以包括随时间监测肺癌。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少两种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少三种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少四种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少五种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少六种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少七种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少八种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少九种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少十种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少十二种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少十五种肽。方法可以包括在两个不同时间点从患者收集两个样品，并检测每个样品中表1中列出的肽中的至少二十种肽。可以相隔至少1周、至少2周、至少3周、至少4周、至少5周、至少6周、至少8周、至少12周、至少15周、至少18周、至少24周、至少36周、至少52周、至少78周、至少104周、至少130周、至少156周、至少208周或至少260周收集两个样品中的第二个。可以在癌症治疗(例如化学疗法)的过程中收集一个样品或两个样品，以确定治疗的功效。可以在癌症缓解阶段期间收集样品以检测复发、休眠或进展到完全缓解。
本文公开了包括生物标志物的方法。生物标志物可以包括血管生成素相关蛋白质6(ANGL6)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、60S酸性核糖体蛋白质P2(RLA2)和血小板糖蛋白质Ibβ链(GP1BB)，或其肽片段。生物标志物可以包括以下中的至少1种、至少2种、至少3种或至少4种：ANGL6、NOTUM、CILP1、RLA2或GP1BB。生物标志物可以包括ANGL6、NOTUM、CILP1、RLA2和GP1BB。在一些情况下，任何这些生物标志物都可用于鉴定肺癌。生物标志物可以被包括在用于区分肺癌的分类器中。
本文公开了包括生物标志物的方法。生物标志物可以包括血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)或血小板糖蛋白质Ibβ链(GP1BB)、或其肽片段。生物标志物可以包括以下中的至少1、至少2、至少3、至少4、至少5、至少6、至少7、至少8、至少9、至少10、至少11、至少12、至少13、至少14或至少15种：ANGL6、HTRA1、PXDN、CCL18、ANTR2、TBA1A、SDC1、SAA2、CSPG2、ANTR1、NOTUM、CILP1、CAN2、RLA2、SIAT1或GP1BB。生物标志物可以包括ANGL6、HTRA1、PXDN、CCL18、ANTR2、TBA1A、SDC1、SAA2、CSPG2、ANTR1、NOTUM、CILP1、CAN2、RLA2、SIAT1和GP1BB。生物标志物可以被包括在分类器中。
本文公开了包括生物标志物的方法。生物标志物可以包括富含亮氨酸的α-2-糖蛋白质(A2GL)、肌动蛋白质，细胞质1(ACTB)、肌动蛋白质，细胞质2(ACTG)、载脂蛋白质C-I(APOC1)、载脂蛋白质M(APOM)、电压依赖性钙通道亚基α-2/δ-1(CA2D1)、钙粘蛋白质-13(CAD13)、β-Ala-His二肽酶(CNDP1)、睫状神经营养因子受体亚基α(CNTFR)、胶原凝集素-11(COL11)、C-反应蛋白质(CRP)、血红蛋白质亚基α(HBA)、触珠蛋白质相关蛋白质(HPT)、触珠蛋白质相关蛋白质(HPTR)、间α-胰蛋白酶抑制剂重链H2(ITIH2)、激肽释放酶结合蛋白质(KAIN)、血浆激肽释放酶(KLKB1)、神经细胞粘附分子1(NCAM1)、蛋白质S100-A8(S10A8)、蛋白质S100-A9(S10A9)或染色体蛋白质4结构维持(SMC4)。生物标志物可以包括以下中的至少1、至少2、至少3、至少4、至少5、至少6、至少7、至少8、至少9、至少10、至少11、至少12、至少13、至少14、至少15、至少16、至少17、至少18、至少19或至少20种：A2GL、ACTB、ACTG、APOC1、APOM、CA2D1、CAD13、CNDP1、CNTFR、COL11、CRP、HBA、HPT、HPTR、ITIH2、KAIN、KLKB1、NCAM1、S10A8、S10A9或SMC4。生物标志物可以包括A2GL、ACTB、ACTG、APOC1、APOM、CA2D1、CAD13、CNDP1、CNTFR、COL11、CRP、HBA、HPT、HPTR、ITIH2、KAIN、KLKB1、NCAM1、S10A8、S10A9和SMC4。生物标志物可以被包括在分类器中。
本文公开了包括生物标志物(或多种生物标志物)的方法或分类器。生物标志物可以包括ANGL6。生物标志物可以包括HTRA1。生物标志物可以包括PXDN。生物标志物可以包括CCL18。生物标志物可以包括ANTR2。生物标志物可以包括TBA1A。生物标志物可以包括SDC1。生物标志物可以包括SAA2。生物标志物可以包括CSPG2。生物标志物可以包括ANTR1。生物标志物可以包括NOTUM。生物标志物可以包括CILP1。生物标志物可以包括CAN2。生物标志物可以包括RLA2。生物标志物可以包括SIAT1。生物标志物可以包括GP1BB。生物标志物可以包括A2GL。生物标志物可以包括ACTB。生物标志物可以包括ACTG。生物标志物可以包括APOC1。生物标志物可以包括APOM。生物标志物可以包括CA2D1。生物标志物可以包括CAD13。生物标志物可以包括CNDP1。生物标志物可以包括CNTFR。生物标志物可以包括COL11。生物标志物可以包括CRP。生物标志物可以包括HBA。生物标志物可以包括HPT。生物标志物可以包括HPTR。生物标志物可以包括ITIH2。生物标志物可以包括KAIN。生物标志物可以包括KLKB1。生物标志物可以包括NCAM1。生物标志物可以包括S10A8。生物标志物可以包括S10A9。生物标志物可以包括SMC4。
本文公开了包括生物标志物的方法或分类器。生物标志物可以排除ANGL6。生物标志物可以排除HTRA1。生物标志物可以排除PXDN。生物标志物可以排除CCL18。生物标志物可以排除ANTR2。生物标志物可以排除TBA1A。生物标志物可以排除SDC1。生物标志物可以排除SAA2。生物标志物可以排除CSPG2。生物标志物可以排除ANTR1。生物标志物可以排除NOTUM。生物标志物可以排除CILP1。生物标志物可以排除CAN2。生物标志物可以排除RLA2。生物标志物可以排除SIAT1。生物标志物可以排除GP1BB。生物标志物可以排除A2GL。生物标志物可以排除ACTB。生物标志物可以排除ACTG。生物标志物可以排除APOC1。生物标志物可以排除APOM。生物标志物可以排除CA2D1。生物标志物可以排除CAD13。生物标志物可以排除CNDP1。生物标志物可以排除CNTFR。生物标志物可以排除COL11。生物标志物可以排除CRP。生物标志物可以排除HBA。生物标志物可以排除HPT。生物标志物可以排除HPTR。生物标志物可以排除ITIH2。生物标志物可以排除KAIN。生物标志物可以排除KLKB1。生物标志物可以排除NCAM1。生物标志物可以排除S10A8。生物标志物可以排除S10A9。生物标志物可以排除SMC4。
分类器
本文所述的方法可以包括分类器的使用。本文描述的方法可以包括生成分类器。本文描述的方法可以包括使用分类器来基于数据集鉴定疾病状态。本文所述的方法可以包括将分类器应用于生物标志物测量值。
确定与疾病或病症和/或疾病状态相关的蛋白质集的方法包括分析至少一个或两个样品的生物标志物(例如冠或蛋白质)。此确定、分析或统计分类通过本领域已知的方法进行，包括但不限于例如，各种有监督和无监督的数据分析、机器学习、深度学习、和聚类方法(包括层次聚类分析(HCA))、主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)、随机森林、逻辑回归、决策树、支持向量机(SVM)、k-最近邻、朴素贝叶斯、线性回归、多项式回归、用于回归的SVM、K-均值聚类、和隐式马尔可夫模型等。换句话说，将每个样品(例如在冠中)的蛋白质相互比较/分析，以统计显著性地确定对象的蛋白质之间的共同模式，从而确定与疾病或病症或疾病状态相关联的蛋白质集。任何这样的方法都可以用于生成用于本文的分类器。
可以使用深度学习、层次聚类分析、主成分分析、偏最小二乘判别分析、随机森林分类分析、支持向量机分析、k-最近邻分析、朴素贝叶斯分析、K-均值聚类分析或隐式马尔可夫分析来用一种或多种生物标志物训练模型。可以使用深度学习用一种或多种生物标志物训练模型。可以使用层次聚类分析用一种或多种生物标志物训练模型。可以使用主成分分析用一种或多种生物标志物训练模型。可以使用偏最小二乘判别分析用一种或多种生物标志物训练模型。可以使用随机森林分类分析用一种或多种生物标志物训练模型。可以使用支持向量机分析用一种或多种生物标志物训练模型。可以使用k-最近邻分析用一种或多种生物标志物训练模型。可以使用朴素贝叶斯分析用一种或多种生物标志物训练模型。可以使用K-均值聚类分析用一种或多种生物标志物训练模型。可以使用隐式马尔可夫分析用一种或多种生物标志物训练模型。本文描述的方法可以包括模型的使用。方法可以包括生成模型。
可以用来自对照对象的对照样品中的(例如本文所述的任何那些)生物标志物的测量值来训练模型。在一些情况下，用于训练模型的一种或多种生物标志物不包括经耗减的血浆蛋白质。对照对象可以具有特定阶段的NSCLC。
通常，机器学习算法用于构建模型，所述模型基于描述示例的输入特征(例如，健康、共病或NSCLC 1、2或3期)为示例准确分配类别标签。在一些情况下，将机器学习和/或深度学习方法用于本文描述的方法可能是有利的。例如，可以使用机器学习将一系列生物标志物与各种疾病状态(例如，没有疾病、疾病的前兆、患有疾病的早期或晚期等)相关联。例如，在一些情况下，一个或多个机器学习算法与本发明的方法联合使用来分析由蛋白质冠检测和获得的数据以及由此衍生的蛋白质集。例如，在一个实施方案中，机器学习可以与本文所述的颗粒组耦合，以不仅确定对象是否是癌症的前期、患有癌症或没有癌症或出现癌症，而且区分癌症的类型，例如，区分肺癌例如NSCLC。所述分类器相对于使用来自经耗减的血浆样品的蛋白质组数据生成的第二分类器具有增加的蛋白质检测一致性。例如，分类器可以通过使样品与颗粒接触来产生，并且相对于使用来自未与颗粒接触的经耗减的血浆样品的蛋白质组数据产生的第二分类器，可以具有增加的蛋白质检测一致性。
通过本领域已知的方法进行确定、分析或统计分类，包括但不限于例如，各种有监督和无监督的数据分析和聚类方法(例如层次聚类分析(HCA))、主成分分析(PCA)、偏最小二乘判别分析(PLSDA)、机器学习(也称为随机森林)、逻辑回归、决策树、支持向量机(SVM)、k-最近邻、朴素贝叶斯、线性回归、多项式回归、用于回归的SVM、K-均值聚类和隐式马尔可夫模型等。系统或方法可以分析生物标志物，例如本公开的蛋白质集或蛋白质冠。该分析可以包括比较/分析一个或多个(例如几个)样品的生物标志物以统计学显著地确定生物标志物之间的共同模式来确定与生物状态相关的生物标志物(例如蛋白质集)。所述系统或方法可以开发分类器，以检测和鉴别不同的蛋白质集或蛋白质冠(例如，蛋白质冠的组成的特征)。从本文所述的方法或系统(例如，包括传感器阵列的系统)收集的数据可用于训练机器学习算法，例如从患者接收阵列测量值并输出来自每个患者的特定生物分子冠组合物的算法。
机器学习可以概括为学习机器在经历了学习数据集之后准确执行新的、未见的示例/任务的能力。机器学习可以包括以下概念和方法。有监督学习概念可以包括AODE；人工神经网络，诸如反向传播、自动编码器、Hopfield网络、玻尔兹曼机、受限玻尔兹曼机和尖峰神经网络；贝叶斯统计，诸如贝叶斯网络、贝叶斯知识库；基于案例的推理；高斯过程回归；基因表达式编程；数据分组处理方法(GMDH)；归纳逻辑程序设计；基于实例的学习；惰性学习；学习自动机；学习矢量量化；逻辑模型树；最小消息长度(决策树、决策图等)、例如最近邻算法和类比建模；概率近似正确学习(PAC)学习；链波下降规则，其是一种知识获取方法；符号机器学习算法；支持向量机；随机森林；分类器的集成，例如自助法集结(Bootstrapaggregating)(袋装)和增强方法(元算法)；有序分类；信息模糊网络(IFN)；条件随机场；ANOVA；线性分类器，诸如费雪线性判别、线性回归、逻辑回归、多项逻辑回归、朴素贝叶斯分类器、感知机、支持向量机；二次分类器；k-最近邻；增强法；决策树，诸如C4.5、随机森林、ID3、CART、SLIQ Sprint；贝叶斯网络，诸如朴素贝叶斯；和隐式马尔可夫模型。无监督学习概念可以包括；期望最大化算法；矢量量化；生成地形图；信息瓶颈法；人工神经网络，诸如自组织映射；关联规则学习，诸如Apriori算法，Eclat算法和FPgrowth算法；层次聚类，诸如单链锁聚类和概念聚类；聚类分析，例如K-均值算法、模糊聚类、DBSCAN和OPTICS算法；和异常值检测，例如局部异常值因子。半监督学习概念可以包括：生成模型；低密度分离；基于图的方法；和协同训练。强化学习概念可以包括：时间差异学习；Q-学习；学习自动机；和SARSA。深度学习概念可以包括：深度信念网络；深度玻尔兹曼机；深度卷积神经网络；深度递归神经网络；和分层时间记忆。
本文所述的方法可以包括使用分类器来鉴定或区分疾病状态，例如癌症(例如肺癌或NSCLC)。分类器可以将疾病状态与共病诸如慢性肺病、慢性阻塞性肺病、肺气肿、心血管疾病、高血压、肺纤维化或哮喘区分开。
分类器可以通过去除或滤除与急性期反应相关的生物分子来生成。在一些方面，所述分类器被配置为去除急性期反应偏倚或应激蛋白质偏倚。在一些方面，所述分类器包括与蛋白质相关的特征。可以选择所述特征以排除所述生物样品中的急性期反应和/或应激蛋白质偏倚。
分类器可以包括图11中的特征(例如生物标志物信息)以区分疾病状态或其他状态(例如健康或共病状态)。图11中的任何特征或生物标志物可用于区分疾病状态或其他状态的方法中。生物标志物信息可以包括包含生物标志物的表达水平或量的信息。
分类器可以包括用于区分NSCLC的存在或不存在的特征。例如，所述特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：SDC1、ANGL6、PXDN、ANTR1、CC085、SAA2、HTRA1、KPCB、KV401、CCL18、MYL6、ANTR2、GTPB2、HDGF、TBA1A、CSRP1、TCO2、CSPG2、PTPRZ、ILF2、SIAT1、ITA2B、DOK2、H31、H31T、H32、H33、H3C、RAC2、ARRB1、DHB4、HV102、RHG18、GDF15、PCSK6、FHOD1或ITLN2，或其任何组合。任何这些特征或生物标志物都可以被包含在区分NSCLC存在或不存在的方法中。
分类器可以包括用以区分健康状态和早期NSCLC(例如NSCLC 1、2和/或3期)的特征。此类特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：SDC1、ANGL6、PXDN、ANTR1、SAA2、HTRA1、CCL18、MYL6、ANTR2、TBA1A、TCO2、CSPG2、SIAT1、H31、H31T、H32、H33、H3C或HV102，或其任何组合。任何这些特征或生物标志物都可以被包括在区分健康状态和早期NSCLC的方法中。
分类器可以包括用于区分健康状态和晚期NSCLC(例如NSCLC 4期)的特征。此类特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：SDC1、ANGL6、PXDN、ANTR1、CC085、HTRA1、CCL18、MYL6、HDGF、TBA1A、ILF2、SIAT1、H31、H31T、H32、H33、H3C、GDF15或PCSK6，或其任何组合。任何这些特征或生物标志物都可以被包含在区分健康状态和晚期NSCLC的方法中。
分类器可以包括用于区分健康状态和共病的特征。此类特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：SAA2、HTRA1、SYWC、RAB14、CSPG2、CTHR1、ITA6、FA8、ITA2B、DOK2、CILP1、CD9、CD36、INF2、CYFP1、ACTA或ACTH，或其任何组合。任何这些特征或生物标志物都可以被包含在区分健康状态和共病的方法中。
分类器可以包括用于区分早期NSCLC和晚期NSCLC的特征。例如，所述特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：SDC1、CC085、KV401、MYL6、JIP2、HV459、HV461、HV169、HNRPC、ROA1、STON2、LV301、KVD20、SAE1、PDE5A、RTN3、HV373、LV325、H2B1C、H2B1D、H2B1H、H2B1K、H2B1L、H2B1M、H2B1N、H2B2F、H2BFS或NMT1，或其任何组合。任何这些特征或生物标志物都可以被包含在区分早期NSCLC和晚期NSCLC的方法中。
分类器可以包括用于区分早期NSCLC和共病的特征。例如，所述特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：ANGL6、ANTR1、CC085、SAA2、KPCB、GTPB2、HDGF、CSRP1、TCO2、PTPRZ、DOK2、RAC2、ARRB1或DHB4，或其任何组合。任何这些特征或生物标志物都可以被包含在区分早期NSCLC和共病的方法中。
分类器可以包括用于区分晚期NSCLC和共病的特征。例如，所述特征可以包括关于多种生物标志物中的一种的信息，所述生物标志物包括：SDC1、ANGL6、PXDN、ANTR1、CC085、CCL18、HNRPC、HDGF、CSRP1、PTPRZ、ILF2、ITA2B、RHG18、FHOD1或ITLN2，或其任何组合。任何这些特征或生物标志物都可以被包含在区分晚期NSCLC和共病的方法中。
疾病检测
本文公开的一种或多种生物标志物可用于检测来自对象的样品中的癌症的测定中。例如，在一些实施方案中，本文公开的生物标志物可用于检测来自对象的样品中的肺癌。肺癌可以是非小细胞肺癌(NSCLC)。肺癌可以是肺腺鳞癌。肺癌可以包括肺结节。肺癌可以是或包括转移性肺癌。肺癌可以是大细胞神经内分泌癌。肺癌可以是唾液腺型肺癌。肺癌可以是间皮瘤。在一些情况下，本公开提供了从来自患者的样品中鉴定本文公开的肺癌生物标志物的方法(例如，通过质谱或ELISA)。在一些情况下，本公开提供了从对象获得样品、将所述样品与本文公开的颗粒组一起孵育以及对在颗粒组的各种颗粒类型上形成的生物分子冠进行靶向质谱以评估本文公开的与NSCLC相关的一种或多种生物标志物的存在或不存在的方法。本文公开的分类器可用于进一步处理使用上述方法获得的蛋白质数据，以将样品分类为健康、共病或NSCLC。
本公开的生物标志物不仅可以用于检测肺癌的存在，而且还可以鉴定患者中肺癌的类型和阶段。由于对介导肺癌进展的遗传和分子因素知之甚少，因此确定肺癌阶段、类型和恶性程度通常超出了本方法的范围。虽然治疗成功高度依赖于准确的肺癌表征，但目前用于确定患者肺癌状态信息的方法通常是缓慢的、侵入性的、昂贵的和耗时的。长期以来，人们迫切需要能够准确诊断肺癌阶段和类型的快速、非侵入性方法。本发明的组合物和方法通过能够从少量患者样品中鉴定和表征肺癌来弥补这一缺点。
在许多情况下，本公开的组合物或方法可以从来自患者的少于100mL、少于50mL、少于30mL、少于25mL、少于20mL、少于15mL、少于10mL、少于8mL、少于6mL、少于5mL、少于3mL、少于2mL或少于1mL的血液(例如，血浆)鉴定肺癌。此外，本公开的许多组合物和方法可以从来自患者的少于100mL、少于50mL、少于30mL、少于25mL、少于20mL、少于15mL、少于10mL、少于8mL、少于6mL、少于5mL、少于3mL、少于2mL或少于1mL的血液(例如血浆)确定肺癌类型。本公开的方法和组合物还可以从来自患者的少于100mL、少于50mL、少于30mL、少于25mL、少于20mL、少于15mL、少于10mL、少于8mL、少于6mL、少于5mL、少于3mL、少于2mL或少于1mL的血液(例如，血浆)确定肺癌的阶段。
本公开的方法可以包括监测患者的癌症进展。本公开的各种方法能够区分健康、早期和晚期癌症。本公开的方法还能够确定患者是完全缓解还是部分缓解。因此，方法可以包括分析在不同时间点从患者收集的样品。这种方法可以鉴定并跟踪患者的健康或癌症进展，而无需侵入性或昂贵的程序。追踪早期癌症对患者来说可能尤其具有挑战性和时间密集性，因为小的局部癌症通常需要活检或长时间的成像才能进行检测。相反，本公开提供了仅通过血液分析来追踪小的和局部的癌症的各种方法。例如，患有0期或1期肺癌的患者可以进行与本公开的方法一致的双月血浆分析以监测癌症转移或进展。患者可以每天、每周两次、每周、每两周、每月、每双月、每季度(每3个月一次)、每年两次、每年或每两年间隔进行本公开的诊断性分析。可以定期监测患者以跟踪缓解、早期癌症状态、晚期癌症状态，或健康或癌前状态的维持。在一些情况下，本公开的颗粒和方法可用于在肺癌的症状出现之前多达一年、多达两年、多达三年、多达四年、多达五年、多达六年、多达七年、多达八年、多达九年、多达十年、多达十五年、多达二十年或多达二十五年诊断肺癌。
在一些情况下，从获得样品、样品制备、将颗粒组与样品一起孵育以及LC-MS(例如，靶向质谱)到鉴定蛋白质或蛋白质群组的整个测定时间可以是约8小时。在一些实施方案中，整个测定时间(从单个池化样品，包括样品制备和LC-MS)可以是约至少1小时、至少2小时、至少3小时、至少4小时、至少5小时、至少6小时、至少7小时、至少8小时、至少9小时、至少10小时、低于20小时、低于19小时、低于18小时、低于17小时、低于16小时、低于15小时、低于14小时、低于13小时、低于12小时、低于11小时、低于10小时、低于9小时、低于8小时、低于7小时、低于6小时、低于5小时、低于4小时、低于3小时、低于2小时、低于1小时、至少5分钟至10分钟、至少10分钟至20分钟、至少20分钟至30分钟、至少30分钟至40分钟、至少40分钟至50分钟、至少50分钟至60分钟、至少1小时至1.5小时、至少1.5小时至2小时、至少2小时至2.5小时、至少2.5小时至3小时、至少3小时至3.5小时、至少3.5小时至4小时、至少4小时至4.5小时、至少4.5小时至5小时、至少5小时至5.5小时、至少5.5小时至6小时、至少6小时至6.5小时、至少6.5小时至7小时、至少7小时至7.5小时、至少7.5小时至8小时、至少8小时至8.5小时、至少8.5小时至9小时、至少9小时至9.5小时、或至少9.5小时至10小时。
可以以约80％或更高的灵敏度或特异性鉴定疾病状态。可以以约85％或更高的灵敏度或特异性鉴定疾病状态。可以以约90％或更高的灵敏度或特异性鉴定疾病状态。可以以约95％或更高的灵敏度或特异性鉴定疾病状态。
在一些实施方案中，可以使用本文公开的任何生物标志物来构建本文公开的任何分类器以确定来自对象的样品是否具有选自以下的疾病状态：健康、共病、NSCLC 1期、NSCLC 2期、NSCLC 3期、NSCLC 4期或NSCLC 1、2或3期。在一些实施方案中，分类器能够以高灵敏度和高特异性将样品区分为健康相比于NSCLC 1、2或3期。在一些实施方案中，分类器能够以高灵敏度和高特异性将样品区分为共病相比于NSCLC 1、2或3期。
本公开提供了许多可以诊断各种癌症包括肺癌的肽。在一些情况下，单个肽的不存在、存在或丰度可以指示特定的癌症。然而，在许多情况下，对本文公开的多种肽的集体分析可以产生显著较高准确度的诊断。本公开的方法不仅可以鉴定患者中的癌症，而且可以鉴定阶段(例如，I期相比于II期、I期相比于III期、早期相比于晚期)、转移程度和原发组织或部位。此外，本公开的方法可以补充另一种形式的分析。例如，组织活检的免疫组织学分析可以与血浆蛋白质组学分析相结合，以提高癌症诊断的准确性。可替代地，本公开的单一方法可能足以用于准确的癌症诊断。
本公开的许多方法的优点可以是低侵入性和最小的患者参与。在许多情况下，本公开的诊断性肽可以在血液(例如，全血、粒细胞、血沉棕黄层或血浆)样品中鉴定，并且可以提供与强化组织活检或冗长且昂贵的成像程序相等或更多的诊断性见解。
本文所述的方法可以包括检测或辨别疾病状态。疾病状态可以包括癌症。疾病状态可以包括肺癌。疾病状态可以包括非小细胞肺癌(NSCLC)。肺癌可以包括NSCLC。NSCLC可以包括早期NSCLC(例如1期NSCLC、2期NSCLC或3期NSCLC)。NSCLC可以包括晚期NSCLC(例如4期NSCLC)。
本文所述的方法可包括基于生物标志物测量值将对象鉴定为具有疾病状态诸如癌症。本文公开了评估癌症状态的方法。所述方法可以包括测量生物样品中的生物标志物。样品可以来自疑似患有癌症的对象。测量可以是为了获得生物标志物测量值。所述方法可以包括获得生物标志物测量值。生物标志物可包括本文所述的生物标志物。
本文所述的方法可以包括基于在对象中获得的生物标志物测量值，将来自对象的生物样品鉴定为指示对象的健康状态、癌症状态或其共病。癌症可以是肺癌，例如NSCLC。所述方法可以包括使用分类器，例如本文描述的分类器。所述方法可以区分共病和癌症状态。所述方法可以区分健康状态和癌症状态。所述方法可以区分共病和健康状态。肺部共病可以包括除了癌症以外的疾病。
本文所述的方法可以鉴定或区分共病。共病可以是肺部共病。肺部共病可以包括除了癌症以外的肺部疾病。肺部共病可以选自：慢性阻塞性肺病(COPD)、肺气肿、心血管疾病、高血压、肺纤维化、哮喘、慢性肺病及其任何组合。肺部共病可以包括COPD。肺部共病可以包括肺气肿。肺部共病可以包括心血管疾病。肺部共病可以包括高血压。肺部共病可以包括肺纤维化。肺部共病可以包括哮喘。肺部共病可以包括慢性肺病。
本文公开了一种用于测定来自疑似患有肺癌的对象的样品中的一种或多种生物标志物的方法。所述方法可以包括测量样品中的一种或多种生物标志物。测量可以包括检测一种或多种生物标志物的存在。测量可以包括检测一种或多种生物标志物的不存在。测量可以包括检测一种或多种生物标志物的量。生物标志物可包括选自以下的生物标志物：血管生成素相关蛋白质6(ANGL6)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、60S酸性核糖体蛋白质P2(RLA2)和血小板糖蛋白质Ibβ链(GP1BB)，或其肽片段。
本文公开了一种用于测定来自疑似患有肺癌的对象的样品中的一种或多种生物标志物的方法，所述肺癌包括非小细胞肺癌(NSCLC)。测量可以包括检测一种或多种生物标志物的存在。测量可以包括检测一种或多种生物标志物的不存在。测量可以包括检测一种或多种生物标志物的量。生物标志物可以包括选自以下的生物标志物：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)或血小板糖蛋白质Ibβ链(GP1BB)、或其肽片段。
方法可以包括将生物标志物的量与对照进行比较。对照可以包括指数。对照可以包括阈值。对照可以包括来自对照对象的对照样品。在一些情况下，对照样品包括血液样品、血浆样品或血清样品。在一些情况下，对照对象没有肺癌。
在一些情况下，肺癌包括1-4期NSCLC。在一些情况下，对象患有肺癌。在一些情况下，对照对象患有1-4期NSCLC。在一些情况下，对象的NSCLC包含与对照对象的NSCLC不同的阶段。
对照对象可能患有慢性肺病、慢性阻塞性肺病、肺气肿、心血管疾病、高血压、肺纤维化或哮喘。对照对象可能患有肺病。对照对象可能患有慢性肺病。对照对象可能患有慢性阻塞性肺病。对照对象可能患有肺气肿。对照对象可能患有心血管疾病。对照对象可能患有高血压。对照对象可能患有纤维化。对照对象可能患有肺纤维化。对照对象可能患有哮喘。
方法可以包括基于一种或多种生物标志物的测量将对象鉴定为患有肺癌或没有肺癌。方法可以包括基于一种或多种生物标志物的测量来鉴定样品中肺癌细胞或其组分的存在或不存在。一种或多种生物标志物的存在可以指示样品中NSCLC细胞或其组分的存在。方法可以包括基于一种或多种生物标志物的测量来鉴定对象患有肺癌的可能性。方法可以包括基于一种或多种生物标志物的测量将对象鉴定为患有肺癌。方法可以包括基于测量来鉴定癌症的阶段。
方法可以包括测定来自对象的生物样品以鉴定生物分子。方法可以包括使用分类器以基于所鉴定的生物分子来鉴定样品对非小细胞肺癌(NSCLC)呈阳性。方法可以包括使用分类器以基于所鉴定的生物分子来鉴定样品对非小细胞肺癌(NSCLC)呈阴性。分类器可以使用来自样品的数据来生成，对所述样品使用具有物理化学上不同性质的多个颗粒进行测定以产生所述数据。分类器可以使用来自样品的数据进行训练，其中所述样品包括已知的健康样品和已知的NSCLC样品。生物分子可以包括本文所述的蛋白质或生物标志物。数据可以包括鉴定样品中蛋白质的存在或不存在的蛋白质组数据。
检测方法
本公开提供了用于从生物样品中检测生物分子(例如蛋白质生物标志物)的各种方法。可以使用多种不同的分析技术来鉴定、测量和定量生物样品的生物分子(例如蛋白质组)数据。例如，蛋白质组数据可以使用SDS-PAGE或任何基于凝胶的分离技术来分析。可替代地，可以使用质谱、高效液相色谱、LC-MS/MS、埃德曼降解、免疫亲和技术、结合试剂分析(例如，免疫染色或适体结合测定)、酶联免疫吸附测定(ELISA)、色谱法、蛋白质印迹分析、质谱分析或其任何组合来鉴定、测量和定量蛋白质组数据。在分析之前，生物分子可以在颗粒或颗粒组上富集。来自生物样品的生物分子的子集可以被收集在颗粒上，任选地洗脱到溶液中，任选地进行处理(例如，消化或化学还原)，并进行分析。基于颗粒的生物分子收集可以从生物样品中富集生物分子，从而能够快速检测和定量低丰度的生物分子。
本公开的用于检测生物分子的各种方法包括结合试剂分析。生物样品或从生物样品收集的生物分子可以与靶特异性结合试剂接触，例如抗体、亲和体(affibody)、affimer、α体(alphabody)、avimer、DARPin、嵌合抗原受体、T-细胞受体、适体或其片段。结合试剂可以是可检测的。结合试剂可以包含能够通过核酸测序分析来检测和定量结合试剂的条形码序列。结合试剂可以包含光学可检测的标记或部分(例如，荧光蛋白质例如GFP或YFP或荧光染料)。结合试剂分析可以包含多种结合试剂，其靶向多种生物分子并包含不同的可检测信号(例如，核酸条形码序列或光学可检测性部分)，从而能够对来自样品的选定生物标志物进行多重检测和定量。例如，样品可以与多种抗体接触，所述抗体包含不同的可检测性标记并靶向来自表1中列出的蛋白质中的不同蛋白质。在一些情况下，结合试剂可以与共价或非共价固定到基底(例如，膜、表面、树脂或载玻片)的生物分子接触。在一些情况下，结合试剂可以与吸附到颗粒上(例如，设置在颗粒的生物分子冠中)的生物分子接触。
本公开的用于检测生物分子的各种方法包括ELISA。方法可以包括夹心ELISA分析，其中将生物分子(例如，来自表1中列出的肽中的肽)与固定于固相的第一抗体和偶联到可检测性部分(例如，光学可检测性染料分子)的第二抗体接触，其中第一抗体包含针对生物分子上第一表位的第一互补位，并且第二抗体包含针对生物分子上第二表位的第二互补位。ELISA测定可以包括将目的生物分子固定到基底(例如，载玻片或多孔板的孔底部)，并且使生物分子与对生物分子具有结合亲和力的第一抗体接触。第一抗体可与可检测性部分偶联，或可与第二抗体接触，所述第二抗体与可检测性部分偶联并与第一抗体结合。ELISA测定可以包括用于靶检测和定量的低检测限(例如，>1pg/ml)，因此可以适用于分析本文公开的癌症生物标志物。
本公开的方法可以包括对生物分子诸如蛋白质、肽或其部分的质谱分析。质谱分析可以与色谱分离技术例如液相色谱串联进行，以便对生物分子或生物分子片段在不同时间点进行质谱分析。质谱分析可以包括两个或更多个质量分析步骤(例如，串联质谱)，以便离子被片段化，然后进行进一步分析。
本文所述的方法可以包括测量来自对象的样品中的生物标志物(例如，一种或多种生物标志物)。测量生物标志物可以包括执行测定方法。测量生物标志物可以包括进行质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色或其组合。测量生物标志物可以包括进行质谱。测量生物标志物可以包括进行色谱。测量生物标志物可以包括进行液相色谱。测量生物标志物可以包括进行高效液相色谱。测量生物标志物可以包括进行固相色谱。测量生物标志物可以包括进行侧向流动测定。测量生物标志物可以包括进行免疫测定。测量生物标志物可以包括进行酶联免疫吸附测定。测量生物标志物可以包括进行印迹，例如蛋白质印迹。测量生物标志物可以包括进行斑点印迹。测量生物标志物可以包括进行免疫染色。测量生物标志物可以包括使生物样品与物理化学上不同的多个纳米颗粒接触。测量生物标志物可以包括执行测定方法的组合。例如，本文描述的方法可以包括使用颗粒，然后进行免疫测定，例如ELISA，以评估生物分子或蛋白质冠的蛋白质或生物分子。本文所述的方法可包括通过质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色或其组合来检测生物分子冠的蛋白质。本文所述的方法可以包括通过质谱检测生物分子冠的蛋白质。
测量生物标志物可以包括使用与蛋白质结合并产生可检测信号的检测试剂。本文所述的方法可以包括检测蛋白质，包括测量指示蛋白质的存在、不存在或量的读出。测量生物标志物可以包括测量指示一种或多种生物标志物的存在、不存在或量的读出。
方法可以包括在测量生物标志物之前浓缩样品中的生物标志物。测量生物标志物可以包括浓缩样品。测量生物标志物可以包括过滤样品。测量生物标志物可以包括离心样品。
测量生物标志物可以包括使样品与测定试剂接触。测定试剂可以包括颗粒。测定试剂可以包括抗体。测定试剂可以包括生物分子结合分子。
颗粒和类型
疾病检测方法可以包括使用颗粒。本文所述的方法可以包括使生物样品与物理化学上不同的颗粒接触以形成生物分子冠。颗粒可以从生物样品中吸附生物分子，从而在颗粒表面上形成生物分子冠。在与生物样品接触时，颗粒可吸附多种肽、蛋白质、核酸、脂质、糖类、小分子(例如代谢物(天然和外来)、萜烯、聚酮化合物和环肽)或其任何组合。因此，方法可以包括从颗粒上的生物样品(例如，复杂的生物样品，例如人血浆)收集生物分子的子集，以及分析在颗粒上收集的生物分子，分析生物样品中剩余的生物分子，或分析在颗粒上收集的生物分子和生物样品中剩余的生物分子。生物分子、生物分子冠或其部分可在分析之前从颗粒洗脱并进入溶液中。
可以利用颗粒特性和生物分子冠组成之间的关系来操纵从样品中收集生物分子。在一些情况下，颗粒组特性可能有利于特定生物分子类型、家族或超家族的结合。例如，人表达来自Ras超家族的超过100种蛋白质，它们在20千道尔顿(kDa)N末端结构域内共享保守的GTP结合基序。可以对颗粒或颗粒集合(例如，包含5种类型颗粒的混合物)进行官能化，以便有利于Ras蛋白质的吸附，因此可以被调整为从复杂生物样品中优先吸附Ras蛋白质，从而使其能够富集以供进一步分析。
颗粒或不同颗粒的混合物可以被定制以广谱分析样品。在许多生物样品中，少数生物分子构成了生物材料的大部分。例如，人血浆中超过99％的蛋白质质量仅占大约3500种人血浆蛋白质中的20种。对此类样品的分析可能极具挑战性，因为少量的丰富生物分子会使检测或富集方案饱和。可以调整颗粒或多种颗粒类型的集合以广谱分析复杂生物样品，从而从复杂生物样品中低丰度生物分子优先于或随同高丰度生物分子富集。颗粒或多种颗粒类型的集合可以包括对大量生物分子的相似结合亲和力，因此有利于从样品中吸附大量生物分子。颗粒可能对样品中的高丰度蛋白质或高丰度蛋白质集具有低亲和力，因此可以优先吸附和富集低丰度生物分子。颗粒的集合可以包括对不同类型或类别的生物分子具有亲和力的颗粒类型，以便颗粒的集合从样品中吸附大范围的生物分子。因此，本公开提供了范围广泛的具有不同物理化学性质的颗粒类型。
与本文公开的方法一致的颗粒类型可以由各种材料制成。例如，与本公开一致的颗粒材料包括金属、聚合物、磁性材料和脂质。磁性颗粒可以是氧化铁颗粒。金属材料的示例包括金、银、铜、镍、钴、钯、铂、铱、锇、铑、钌、铼、钒、铬、锰、铌、钼、钨、钽、铁和镉中的任何一种或任何组合，或US7749299(其内容通过引用而整体并入本文)中描述的任何其他材料。颗粒可以是磁性的(例如，铁磁性的或亚铁磁性的)。例如，颗粒可以包括超顺磁性氧化铁纳米颗粒(SPION)。
颗粒可以包括多个物理化学上不同的颗粒(例如，2组或更多组物理化学颗粒，其中一组颗粒在物理化学上不同于另一组颗粒。物理化学上不同的颗粒可以包括脂质颗粒、金属颗粒、二氧化硅颗粒或聚合物颗粒。物理化学上不同的颗粒可以包括羧酸盐颗粒、聚丙烯酸颗粒、葡聚糖颗粒、聚苯乙烯颗粒、二甲胺颗粒、氨基颗粒、二氧化硅颗粒或N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺颗粒。
颗粒可以包含聚合物。聚合物的示例包括以下中的任何一种或任何组合：聚乙烯、聚碳酸酯、聚酸酐、聚羟基酸、聚富马酸丙酯、聚己内酯、聚酰胺、聚缩醛、聚醚、聚酯、聚(原酸酯)、聚氰基丙烯酸酯、聚乙烯醇、聚氨酯、聚磷腈、聚丙烯酸酯、聚甲基丙烯酸酯、聚氰基丙烯酸酯、聚脲、聚苯乙烯、或聚胺、聚亚烷基二醇(例如，聚乙二醇(PEG)、聚酯(例如，聚(丙交酯-乙交酯)(PLGA)、聚乳酸、或聚己内酯)、或两种或更多种聚合物的共聚物，例如聚亚烷基二醇的共聚物(例如，PEG)和聚酯(例如，PLGA)。聚合物可以是脂质封端的聚亚烷基二醇和聚酯，或US9549901(其内容通过引用而整体并入本文)中公开的任何其他材料。
颗粒可以包含脂质。可用于形成本公开的颗粒的脂质的示例包括阳离子、阴离子和带电中性的脂质。例如颗粒可由以下中的任何一种或其任何组合制成：二油酰磷脂酰甘油(DOPG)、二酰基磷脂酰胆碱、二酰基磷脂酰乙醇胺、神经酰胺、鞘磷脂、脑磷脂、胆固醇、脑苷脂和甘油二酯、二油酰磷脂酰胆碱(DOPC)、二肉豆蔻酰磷脂酰胆碱(DMPC)、和二油酰磷脂酰丝氨酸(DOPS)、磷脂酰甘油、心磷脂、二酰基磷脂酰丝氨酸、二酰基磷脂酸、N-十二烷酰基磷脂酰乙醇胺、N-琥珀酰磷脂酰乙醇胺、N-戊二酰磷脂酰乙醇胺、赖氨酰磷脂酰甘油、棕榈酰磷脂酰甘油(POPG)、卵磷脂、溶血卵磷脂、磷脂酰乙醇胺、溶血磷脂酰乙醇胺、二油酰磷脂酰乙醇胺(DOPE)、二棕榈酰磷脂酰乙醇胺(DPPE)、二肉豆蔻酰磷酸乙醇胺(DMPE)、双硬脂酰-磷脂酰-乙醇胺(DSPE)、棕榈酰油酰-磷脂酰乙醇胺(POPE)、棕榈酰油酰磷脂酰胆碱(POPC)、蛋磷脂酰胆碱(EPC)、双硬脂酰磷脂酰胆碱(DSPC)、二油酰磷脂酰胆碱(DOPC)、二棕榈酰磷脂酰胆碱(DPPC)、二油酰磷脂酰甘油(DOPG)、二棕榈酰磷脂酰甘油(DPPG)、棕榈酰磷脂酰甘油(POPG)、16-O-单甲基PE、16-O-二甲基聚乙烯、18-1-反式PE、棕榈酰油酰-磷脂酰乙醇胺(POPE)、1-硬脂酰-2-油酰-磷脂酰乙醇胺(SOPE)、磷脂酰丝氨酸、磷脂酰肌醇、鞘磷脂、脑磷脂、心磷脂、磷脂酸、脑苷脂、双十六烷基磷酸、和胆固醇、或US9445994(其全部内容以引用的方式并入本文)中列出的任何其他材料。
表2中提供了本公开的颗粒的示例。
表2-本公开的示例颗粒
Figure BDA0003874417360000411
本公开的颗粒类型的示例可以是羧酸盐(柠檬酸盐)超顺磁性氧化铁纳米颗粒(SPION)、酚醛包覆的SPION，二氧化硅包覆的SPION、聚苯乙烯包覆的SPION、羧基化聚(苯乙烯-共-甲基丙烯酸)包覆的SPION、N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺包覆的SPION、聚(N-(3-(二甲基氨基)丙基)甲基丙烯酰胺)(PDMAPMA)包覆的SPION、1,2,4,5-苯四甲酸包覆的SPION、聚(乙烯基苄基三甲基氯化铵)(PVBTMAC)包覆的SPION、羧酸盐、PAA包覆的SPION、聚(低聚(乙二醇)甲基醚甲基丙烯酸酯)(POEGMA)包覆的SPION、羧酸盐微颗粒、聚苯乙烯羧基官能化的颗粒、羧酸包覆的颗粒、二氧化硅颗粒、直径约150nm的羧酸颗粒、直径约0.4-0.6μm的氨基表面微颗粒、直径约0.1-0.39μm的二氧化硅氨基官能化的微颗粒、直径约0.1-0.39μm的Jeffamine表面颗粒、直径约2.0-2.9μm的聚苯乙烯微颗粒、二氧化硅颗粒、具有直径约50nm的原始涂层的羧基化颗粒、直径约0.13μm的包覆有基于葡聚糖的涂层的颗粒、或具有低酸度的二氧化硅硅烷醇包覆的颗粒。
可制备与本公开一致的颗粒，并在以宽范围的尺寸在生物流体中孵育后用于形成蛋白质冠的方法中。本公开的颗粒可以是纳米颗粒。本公开的纳米颗粒的直径可以为约10nm至约1000nm。例如，本文公开的纳米颗粒的直径可以是至少10nm、至少100nm、至少200nm、至少300nm、至少400nm、至少500nm、至少600nm、至少700nm、至少800nm、至少900nm、10nm至50nm、50nm至100nm、100nm至150nm、150nm至200nm、200nm至250nm、250nm至300nm、300nm至350nm、350nm至400nm、400nm至450nm、450nm至500nm、500nm至550nm、550nm至600nm、600nm至650nm、650nm至700nm、700nm至750nm、750nm至800nm、800nm至850nm、850nm至900nm、100nm至300nm、150nm至350nm、200nm至400nm、250nm至450nm、300nm至500nm、350nm至550nm、400nm至600nm、450nm至650nm、500nm至700nm、550nm至750nm、600nm至800nm、650nm至850nm、700nm至900nm或10nm至900nm。纳米颗粒的直径可以小于1000nm。
本公开的颗粒可以是微颗粒。微颗粒可以是直径约1μm至约1000μm的颗粒。例如，本文公开的微颗粒的直径可以是至少1μm、至少10μm、至少100μm、至少200μm、至少300μm、至少400μm、至少500μm、至少600μm、至少700μm、至少800μm、至少900μm、10μm至50μm、50μm至100μm、100μm至150μm、150μm至200μm、200μm至250μm、250μm至300μm、300μm至350μm、350μm至400μm、400μm至450μm、450μm至500μm、500μm至550μm、550μm至600μm、600μm至650μm、650μm至700μm、700μm至750μm、750μm至800μm、800μm至850μm、850μm至900μm、100μm至300μm、150μm至350μm、200μm至400μm、250μm至450μm、300μm至500μm、350μm至550μm、400μm至600μm、450μm至650μm、500μm至700μm、550μm至750μm、600μm至800μm、650μm至850μm、700μm至900μm或10μm至900μm。微颗粒的直径可以小于1000μm。
表面积和质量之间的比率可以是颗粒特性的决定因素。例如，颗粒从溶液中吸附的生物分子的数量和类型可能随着颗粒的表面积比质量比率的不同而变化。本文公开的颗粒可具有3至30cm2/mg、5至50cm2/mg、10至60cm2/mg、15至70cm2/mg、20至80cm2/mg、30至100cm2/mg、35至120cm2/mg、40至130cm2/mg、45至150cm2/mg、50至160cm2/mg、60至180cm2/mg、70至200cm2/mg、80至220cm2/mg、90至240cm2/mg、100至270cm2/mg、120至300cm2/mg、200至500cm2/mg、10至300cm2/mg、1至3000cm2/mg、20至150cm2/mg、25至120cm2/mg或40至85cm2/mg的表面积比质量比率。小颗粒(例如，直径为50nm或更小)可以具有显著更高的表面积比质量比率，部分原因是质量对直径的依赖性比表面积的依赖性更高。在一些情况下(例如，对于小颗粒)，颗粒的表面积比质量比率可以为200至1000cm2/mg、500至2000cm2/mg、1000至4000cm2/mg，2000至8000cm2/mg，或4000至10000cm2/mg。在一些情况下(例如，对于大颗粒)，颗粒的表面积比质量比率可以为1至3cm2/mg、0.5至2cm2/mg、0.25至1.5cm2/mg，或0.1至1cm2/mg。
在一些情况下，与本文所述的方法一起使用的多个颗粒(例如，多个颗粒组)可以具有表面积比质量比率的范围。在一些情况下，多个颗粒的表面积比质量比率的范围小于100cm2/mg、80cm2/mg、60cm2/mg、40cm2/mg、20cm2/mg、10cm2/mg、5cm2/mg或2cm2/mg。在一些情况下，多个颗粒的表面积比质量比率在多个颗粒之间的变化不超过40％、30％、20％、10％、5％、3％、2％或1％。在一些情况下，多个颗粒可以包含至少2、3、4、5、6、7、8、9、10、12、15、20或更多种不同类型的颗粒。
在一些情况下，多个颗粒(例如，颗粒组中的多个颗粒)可以具有更宽范围的表面积比质量比率。在一些情况下，多个颗粒的表面积比质量比率的范围大于100cm2/mg、150cm2/mg、200cm2/mg、250cm2/mg、300cm2/mg、400cm2/mg、500cm2/mg、800cm2/mg、1000cm2/mg、1200cm2/mg、1500cm2/mg、2000cm2/mg、3000cm2/mg、5000cm2/mg、7500cm2/mg、10000cm2/mg，或更大。在一些情况下，多个颗粒(例如，组内的多个颗粒)的表面积比质量比率可以变化超过100％、200％、300％、400％、500％、1000％、10000％或更多。在一些情况下，具有宽范围的表面积比质量比率的多个颗粒包含至少2、3、4、5、6、7、8、9、10、12、15、20或更多种不同类型的颗粒。
表面官能团可包括可聚合性官能团、带正电或带负电的官能团、两性离子官能团、酸性或碱性官能团、极性官能团或其任何组合。表面官能团可以包含羧基基团、羟基基团、硫醇基基团、氰基基团、硝基基团、铵基基团、烷基基团、咪唑鎓基团、锍基团、吡啶鎓基团、吡咯烷鎓基团、鏻基团、氨基丙基基团、胺基团、硼酸基团、N-琥珀酰亚胺酯基团、PEG基团、链霉亲和素、甲醚基团、三乙氧基丙基氨基硅烷基团、PCP基团、柠檬酸盐基团、硫辛酸基团、BPEI基团、或其任意组合。多个颗粒中的颗粒可以选自：胶束、脂质体、氧化铁颗粒、银颗粒、金颗粒、钯颗粒、量子点、铂颗粒、钛颗粒、二氧化硅颗粒、金属或无机氧化物颗粒、合成聚合物颗粒、共聚物颗粒、三元共聚物颗粒、具有金属核心的聚合物颗粒、具有金属氧化物核心的聚合物颗粒、聚苯乙烯磺酸盐颗粒、聚环氧乙烷颗粒、聚乙二醇颗粒、聚乙烯亚胺颗粒、聚乳酸颗粒、聚已酸内酯颗粒、聚乙醇酸颗粒、聚(丙交酯-共-乙交酯聚合物颗粒、纤维素醚聚合物颗粒、聚乙烯吡咯烷酮颗粒、聚乙烯乙酸酯颗粒、聚乙烯吡咯烷酮-乙酸乙烯酯共聚物颗粒、聚乙烯醇颗粒、丙烯酸酯颗粒、聚丙烯酸颗粒、絮凝酸共聚物颗粒、聚乙烯膦酸酯颗粒、聚亚烷基颗粒、羧基乙烯基聚合物颗粒、海藻酸钠颗粒、角叉菜胶颗粒、黄原胶颗粒、阿拉伯树胶颗粒、阿拉伯胶颗粒、瓜尔豆胶颗粒、支链淀粉颗粒、琼脂颗粒、甲壳素颗粒、壳聚糖颗粒、果胶颗粒、卡拉亚胶颗粒、刺槐豆胶颗粒、麦芽糖糊精颗粒、直链淀粉颗粒、玉米淀粉颗粒、马铃薯淀粉颗粒、大米淀粉颗粒、木薯淀粉颗粒、豌豆淀粉颗粒、红薯淀粉颗粒、大麦淀粉颗粒、小麦淀粉颗粒、羟丙基化高直链淀粉颗粒、糊精颗粒、果聚糖颗粒、埃尔西南(elsinan)颗粒、麸质颗粒、胶原蛋白质颗粒、乳清蛋白质分离颗粒、酪蛋白质颗粒、奶蛋白质颗粒、大豆蛋白质颗粒、角蛋白质颗粒、聚乙烯颗粒、聚碳酸酯颗粒、聚酐颗粒、聚羟基酸颗粒、聚富马酸丙酯颗粒、聚已酸内酯颗粒、聚胺颗粒、聚缩醛颗粒、聚醚颗粒、聚酯颗粒、聚(原酸酯)颗粒、聚氰基丙烯酸酯颗粒、聚氨酯颗粒、聚磷腈颗粒、聚丙烯酸酯颗粒、聚甲基丙烯酸酯颗粒、聚氰基丙烯酸酯颗粒、聚脲颗粒、聚胺颗粒、聚苯乙烯颗粒、聚(赖氨酸)颗粒、壳聚糖颗粒、葡聚糖颗粒、聚(丙烯酰胺)颗粒、衍生的聚(丙烯酰胺)颗粒、明胶颗粒、淀粉颗粒、壳聚糖颗粒、葡聚糖颗粒、明胶颗粒、淀粉颗粒、聚-β-氨基-酯颗粒、聚(酰胺基胺)颗粒、聚乳酸-共-乙醇酸颗粒、聚酐颗粒、可生物还原的聚合物颗粒、和2-(3-氨基丙基氨基)乙醇颗粒、及其任何组合。
多个颗粒(例如物理化学上不同的颗粒)可以包括选自以下的一种或多种颗粒类型：羧酸盐(柠檬酸盐)超顺磁性氧化铁纳米颗粒(SPION)、酚醛包覆的SPION，二氧化硅包覆的SPION、聚苯乙烯包覆的SPION、羧基化聚(苯乙烯-共-甲基丙烯酸)包覆的SPION、N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺包覆的SPION、聚(N-(3-(二甲基氨基)丙基)甲基丙烯酰胺)(PDMAPMA)包覆的SPION、1,2,4,5-苯四甲酸包覆的SPION、聚(乙烯基苄基三甲基氯化铵)(PVBTMAC)包覆的SPION、羧酸盐、PAA包覆的SPION、聚(低聚(乙二醇)甲基醚甲基丙烯酸酯)(POEGMA)包覆的SPION、羧酸盐微颗粒、聚苯乙烯羧基官能化的颗粒、羧酸包覆的颗粒、二氧化硅颗粒、羧酸颗粒、氨基表面颗粒、二氧化硅氨基官能化的颗粒、Jeffamine表面颗粒、聚苯乙烯颗粒、直径约0.13μm的包覆有基于葡聚糖的涂层的颗粒、或二氧化硅硅烷醇包覆的颗粒。
多个颗粒(例如物理化学上不同的颗粒)可以包括选自以下的一种或多种颗粒类型：羧酸盐(柠檬酸盐)超顺磁性氧化铁纳米颗粒(SPION)、酚醛包覆的SPION，二氧化硅包覆的SPION、聚苯乙烯包覆的SPION、羧基化聚(苯乙烯-共-甲基丙烯酸)包覆的SPION、N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺包覆的SPION、聚(N-(3-(二甲基氨基)丙基)甲基丙烯酰胺)(PDMAPMA)包覆的SPION、1,2,4,5-苯四甲酸包覆的SPION、聚(乙烯基苄基三甲基氯化铵)(PVBTMAC)包覆的SPION、羧酸盐、PAA包覆的SPION、聚(低聚(乙二醇)甲基醚甲基丙烯酸酯)(POEGMA)包覆的SPION、羧酸盐微颗粒、聚苯乙烯羧基官能化的颗粒、羧酸包覆的颗粒、二氧化硅颗粒、羧酸颗粒、氨基表面颗粒、二氧化硅氨基官能化的颗粒、Jeffamine表面颗粒、聚苯乙烯颗粒、直径约0.13μm的包覆有基于葡聚糖的涂层的颗粒、或二氧化硅硅烷醇包覆的颗粒。
多个颗粒(例如物理化学上不同的颗粒)可以包括选自二氧化硅颗粒、聚(丙烯酰胺)颗粒、聚乙二醇颗粒或其组合中的一种或多种颗粒类型。一种或多种颗粒可以包括顺磁性或超顺磁性核心材料。颗粒可包括二氧化硅颗粒。颗粒可包括聚(丙烯酰胺)颗粒。颗粒可包括聚乙二醇颗粒。
多个颗粒可以包括多种颗粒类型。在一些情况下，多个颗粒包括至少2种类型的颗粒。在一些情况下，多个颗粒包括至少3种类型的颗粒。在一些情况下，多个颗粒包括至少5种类型的颗粒。在一些情况下，多个颗粒包括至少6种类型的颗粒。在一些情况下，多个颗粒包括至少8种类型的颗粒。在一些情况下，多个颗粒包括至少10种类型的颗粒。在一些情况下，多个颗粒包括至少12种类型的颗粒。在一些情况下，多个颗粒包括至少15种类型的颗粒。在一些情况下，多个颗粒包括至少18种类型的颗粒。在一些情况下，多个颗粒包括至少20种类型的颗粒。
颗粒可以包括具有不同特性的层。颗粒可以包含具有第一组特性的核心和具有第二组特性的壳。颗粒可以包含具有不同特性的多个壳(例如，包含第一材料的核心、包含第二材料的内壳和包含第三材料的外壳)。颗粒的层可以包含多种材料。例如，颗粒的层可以包含多种聚合物。聚合物可以均匀地散布在层内，可以相分离，或者可以不均匀地施加。
在一些情况下，一种或多种物理化学性质选自：组成、尺寸、表面电荷、疏水性、亲水性、表面官能度、表面形貌、表面曲率、形状及其任何组合。在一些实施例中，表面官能团包括化学官能化。在一些实施方案中，小分子官能化包括胺官能化、羧酸盐官能化、单糖官能化、寡糖官能化、磷酸糖官能化、硫酸糖官能化、醇官能化、醚官能化、酯官能化、酰胺官能化、碳酸酯官能化、氨基甲酸酯官能化、脲官能化、苄基官能化、苯基官能化、苯酚官能化、苯胺官能化、咪唑官能化、吲哚官能化、氟化物官能化、氯化物官能化、溴化物官能化、硫化物官能化、硝基官能化、硫醇官能化、含氮碱基官能化、氨基丙基官能化、硼酸官能化、N-琥珀酰亚胺酯官能化、PEG官能化、甲醚官能化、三乙氧基丙基氨基硅烷官能化、硅烷氧基官能化、酚醛官能化、有机硅烷官能化、乙二醇官能化、PCP官能化、柠檬酸酯官能化、硫辛酸官能化、或其任意组合。在一些实施方案中，小分子官能化包括二氧化硅官能化颗粒、胺官能化颗粒、硅烷氧基官能化颗粒、聚苯乙烯官能化颗粒和糖官能化颗粒。在一些实施方案中，小分子官能化包括胺官能化、磷酸糖官能化、羧酸盐官能化、二氧化硅官能化、有机硅烷官能化或其任何组合。在一些实施方案中，小分子官能化包括二氧化硅官能化、乙二醇官能化和胺官能化或其任何组合。
本公开的颗粒可以合成，或者本公开的颗粒可以从商业供应商处购买。例如，与本公开一致的颗粒可以从商业供应商处购买，包括Sigma-Aldrich、Life Technologies、Fisher Biosciences、nanoComposix、Nanopartz、Spherotech和其他商业供应商。本公开的合适颗粒可从商业供应商处购买并进一步改性、包覆或官能化。
本公开包括组合物和方法，其包含在至少一种物理化学性质上不同的两种或更多种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少2种至至少20种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少3种至至少6种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少4种至至少8种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少4种至至少10种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少5种至至少12种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少6种至至少14种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少8种至至少15种颗粒。这样的组合物和方法可以包含来自多个颗粒中的在至少一种物理化学性质上不同的至少10种至至少20种颗粒。此类组合物和方法可以包含至少2种不同颗粒类型，至少3种不同颗粒类型、至少4种不同颗粒类型、至少5种不同颗粒类型、至少6种不同颗粒类型、至少7种不同颗粒类型、至少8种不同颗粒类型、至少9种不同颗粒类型、至少10种不同颗粒类型、至少11种不同颗粒类型、至少12种不同颗粒类型、至少13种不同颗粒类型、至少14种不同颗粒类型、至少15种不同颗粒类型、至少20种不同颗粒类型、至少25种颗粒类型或至少30种不同颗粒类型。
本公开的颗粒可以与生物样品(例如，生物流体)接触以形成生物分子冠。在接触复杂的生物样品时，多个颗粒中的一种或多种类型的颗粒可以吸附100种或更多种类型的蛋白质(例如，在生物样品的包含100pM的一种类型的颗粒的100μl等分试样中，约1010个给定类型的颗粒共同可以吸附100种或更多种类型的蛋白质)。可以例如通过离心、磁分离、过滤或重力分离将颗粒和生物分子冠从生物样品分离。可以使用多种分离技术将颗粒类型和生物分子冠从生物样品分离。分离技术的非限制性示例包括磁分离、基于柱的分离、过滤、基于旋转柱的分离、离心、超速离心、基于密度或梯度的离心、重力分离或其任何组合。可以对分离的颗粒和生物分子冠进行蛋白质冠分析。蛋白质冠分析可以包括鉴定生物分子冠中的一种或多种蛋白质，例如通过质谱。方法可以包括使单一颗粒类型(例如，表2中列出的类型的颗粒)与生物样品接触。方法还可以包括使多种颗粒类型(例如，表2中提供的多种颗粒类型)与生物样品接触。多种颗粒类型可以组合并与单个样品体积中的生物样品接触。在将随后的颗粒类型与生物样品接触之前，多种颗粒类型可以顺序地与生物样品接触并从生物样品分离。与总蛋白质分析方法相比，生物分子冠的蛋白质冠分析可以压缩分析的动态范围。
使生物样品与颗粒或多个颗粒接触可以包括将规定浓度的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将1pM至100nM的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将1pM至500pM颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将10pM至1nM的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将100pM至10nM的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将500pM至100nM的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将50μg/ml至300μg/ml(颗粒质量比生物样品体积)的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将100μg/ml至500μg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将250μg/ml至750μg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将400μg/ml至1mg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将600μg/ml至1.5mg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将800μg/ml至2mg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将1mg/ml至3mg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将2mg/ml至5mg/ml的颗粒添加到生物样品中。使生物样品与颗粒或多个颗粒接触可以包括将5mg/ml的颗粒添加到生物样品中。
多个颗粒中的颗粒可以具有不同程度的尺寸和形状均匀性。特定类型的颗粒集合的直径标准偏差可以小于该颗粒类型的平均直径的20％、10％、5％或2％(例如，对于具有平均直径100nm的颗粒而言小于2nm)。这可对应于包含多个颗粒的样品的低多分散性指数小于2、小于1、小于0.8、小于0.6、小于0.5、小于0.4、小于0.3、小于0.2、小于0.1或小于0.05。相反，多个颗粒的平均尺寸和形状可以具有高度的变化。包含多个颗粒的样品的多分散性指数可以大于3、大于4、大于5、大于8、大于10、大于12、大于15或大于20。多个颗粒之间的尺寸和形状均匀性可能影响吸附到颗粒上的生物分子的数量和类型。对于某些方法，颗粒之间的尺寸均匀性(例如，低多分散性指数)能够使特定生物分子的富集程度更高，富集的生物分子丰度与颗粒类型之间的对应性更强。对于某些方法，低尺寸均匀性能够收集更多类型的生物分子。
本文公开的方法包括获得包含在生物分子冠中检测到的蛋白质的数据集，所述生物分子冠对应于与生物样品一起孵育的物理化学上不同的颗粒。生物样品可以包括已去除红细胞的血液样品(例如无细胞样品)。物理化学上不同类型的颗粒产生不同的生物分子冠。物理化学上不同类型的颗粒产生不同的生物标志物。物理化学上不同类型的颗粒产生不同的质谱模式。
颗粒组
本公开提供了用于测定样品中蛋白质的组合物及其使用方法。本文描述的组合物包括包含一种或多于一种不同颗粒类型的颗粒组。本文所述的颗粒组可以在单个组中的颗粒类型的数量和颗粒类型的多样性方面变化。例如，组中的颗粒可基于尺寸、多分散性、形状和形态、表面电荷、表面化学和官能化以及基材而变化。组可与待分析蛋白质和蛋白质浓度的样品一起孵育。样品中的蛋白质吸附在颗粒组中不同颗粒类型的表面而形成蛋白质冠。吸附到颗粒组中某一颗粒类型的确切蛋白质和蛋白质浓度可取决于所述颗粒类型的组成、大小和表面电荷。因此，由于吸附不同的蛋白质集、特定蛋白质的不同浓度或其组合，组中的每种颗粒类型可具有不同的蛋白质冠。组中的每种颗粒类型可能具有互斥的蛋白质冠，或者可能具有重叠的蛋白质冠。重叠的蛋白质冠可以在蛋白质同一性、蛋白质浓度或两者上重叠。
本公开还提供了用于根据样品类型选择在组中包含的颗粒类型的方法。组中包括的颗粒类型可以是为去除高丰度蛋白质而优化的颗粒的组合。对于包含在组中也是一致的颗粒类型是被选择用于吸附特定目的蛋白质的那些颗粒类型。颗粒可以是纳米颗粒。颗粒可以是微颗粒。颗粒可以是纳米颗粒和微颗粒的组合。
本文公开的颗粒组可用于在宽动态范围内鉴定本文公开的不同蛋白质的数量，和/或本文公开的任何特定蛋白质。例如，本文公开的包含不同颗粒类型的颗粒组可以在样品(例如，血浆样品)中存在蛋白质的整个动态范围内富集样品中的蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少2个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少3个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少4个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少5个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少6个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少7个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少8个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少9个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少10个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少11个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在至少12个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在3至5个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在3至6个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在4至8个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在5至8个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在6至10个数量级的动态范围内富集蛋白质。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组在8至12个数量级的动态范围内富集蛋白质。例如，颗粒组可以收集样品中mM和fM浓度的蛋白质，从而在12个数量级范围内富集蛋白质。
包含本文公开的任何数量的不同颗粒类型的颗粒组富集单一蛋白质或蛋白质群组。在一些情况下，单一蛋白质或蛋白质群组可以包含具有不同翻译后修饰的蛋白质。例如，颗粒组中的第一颗粒类型可以富集具有第一翻译后修饰的蛋白质或蛋白质群组，颗粒组中的第二颗粒类型可以富集具有第二翻译后修饰的相同蛋白质或相同蛋白质群组，颗粒组中的第三颗粒类型可以富集缺乏翻译后修饰的相同蛋白质或相同蛋白质群组。在一些情况下，包括本文公开的任何数量的不同颗粒类型的颗粒组通过与单一蛋白质或蛋白质群组的不同结构域、序列或表位结合来富集单一蛋白质或蛋白质群组。例如，颗粒组中的第一颗粒类型可以通过结合到蛋白质或蛋白质群组的第一结构域来富集蛋白质或蛋白质群组，并且颗粒组中的第二颗粒类型可以通过结合到蛋白质或蛋白质群组的第二结构域来富集相同的蛋白质或相同的蛋白质群组。
颗粒组可以包括具有二氧化硅和聚合物表面的颗粒的组合。例如，颗粒组可以包括二氧化硅薄层包覆的SPION、聚(二甲基氨基丙基甲基丙烯酰胺)(PDMAPMA)包覆的SPION和聚(乙二醇)(PEG)包覆的SPION。与本公开一致的颗粒组还可以包含两种或更多种颗粒，所述颗粒选自二氧化硅包覆的SPION、N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺包覆的SPION、PDMAPMA包覆的SPION、羧基官能化的聚丙烯酸包覆的SPION、氨基表面官能化SPION、聚苯乙烯羧基官能化SPION、二氧化硅颗粒和葡聚糖包覆的SPION。与本公开一致的颗粒组还可以包含选自以下的两种或更多种颗粒：不含表面活性剂的羧酸盐微颗粒、羧基官能化的聚苯乙烯颗粒、二氧化硅包覆的颗粒、二氧化硅颗粒、葡聚糖包覆的颗粒、油酸包覆的颗粒、硼化纳米粉末包覆的颗粒、PDMAPMA包覆的颗粒、聚(甲基丙烯酸缩水甘油酯-苄胺)包覆的颗粒，和聚(N-[3-(二甲基氨基)丙基]甲基丙烯酰胺-共-[2-(甲基丙烯酰氧基)乙基]二甲基-(3-磺丙基)氢氧化铵、P(DMAPMA-共-SBMA)包覆的颗粒。与本公开一致的颗粒组可包含二氧化硅包覆的颗粒、N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺包覆的颗粒，聚(N-(3-(二甲基氨基)丙基)甲基丙烯酰胺)(PDMAPMA)-包覆的颗粒、磷酸糖官能化的聚苯乙烯颗粒、胺官能化的聚苯乙烯颗粒、聚苯乙烯羧基官能化的颗粒、泛素官能化的聚苯乙烯颗粒、葡聚糖包覆的颗粒、或其任何组合。
本文所公开的颗粒组可用于使用本文所述的工作流程(对应于颗粒组中不同颗粒类型的不同生物分子冠的MS分析，统称为“Proteograph”工作流程)来鉴定许多蛋白质、肽或蛋白质群组。如本文所公开的特征强度源自在样品的质谱仪运行的质荷比相比于强度的曲线图上看到的离散尖峰(“特征”)的强度。这些特征可以对应于多肽和/或蛋白质的可变电离片段。使用本文所述的数据分析方法，特征强度可以被分类到蛋白质群组中。蛋白质群组是指由共享的肽序列鉴定的两种或更多种蛋白质。可替代地，蛋白质群组可以指使用独特鉴定序列鉴定的一种蛋白质。例如，如果在样品中，测定了两种蛋白质(蛋白质1:XYZZX和蛋白质2:XYZYZ)之间共享的肽序列，则蛋白质群组可以是具有两个成员(蛋白质1和蛋白质2)的“XYZ蛋白质群组”。可替代地，如果肽序列是单个蛋白质(蛋白质1)独有的，则蛋白质群组可以是具有一个成员(蛋白质1)的“ZZX”蛋白质群组。每个蛋白质群组可以由多于一个肽序列支持。根据本公开检测或鉴定的蛋白质可指在样品中检测到的不同蛋白质(例如，相对于使用质谱检测到的其他蛋白质不同)。因此，分析存在于与颗粒组中不同颗粒类型相对应的不同冠中的蛋白质，产生大量的特征强度。当特征强度被处理成不同肽时，这个数量减少，当不同肽被处理成不同的蛋白质时，这个数量进一步减少，当肽被分组成蛋白质群组(共享不同肽序列的两种或更多种蛋白质)时，这个数量进一步减少。
本文公开的用于评估与肺癌(例如，NSCLC)相关的一种或多种生物标志物的存在或不存在的颗粒组可具有至少1种不同颗粒类型、至少2种不同颗粒类型、至少3种不同颗粒类型、至少4种不同颗粒类型、至少5种不同颗粒类型、至少6种不同颗粒类型、至少7种不同颗粒类型、至少8种不同颗粒类型、至少9种不同颗粒类型、至少10种不同颗粒类型、至少11种不同颗粒类型、至少12种不同颗粒类型、至少13种不同颗粒类型、至少14种不同颗粒类型、至少15种不同颗粒类型、至少16种不同颗粒类型、至少17种不同颗粒类型、至少18种不同颗粒类型、至少19种不同颗粒类型、至少20种不同颗粒类型、至少25种不同颗粒类型、至少30种不同颗粒类型、至少35种不同颗粒类型、至少40种不同颗粒类型、至少45种不同颗粒类型、至少50种不同颗粒类型、至少55种不同颗粒类型、至少60种不同颗粒类型、至少65种不同颗粒类型、至少70种不同颗粒类型、至少75种不同颗粒类型、至少80种不同颗粒类型、至少85种不同颗粒类型、至少90种不同颗粒类型、至少95种不同颗粒类型、至少100种不同颗粒类型、1至5种不同颗粒类型、5至10种不同颗粒类型、10至15种不同颗粒类型、15至20种不同颗粒类型、20至25种不同颗粒类型、25至30种不同颗粒类型、30至35种不同颗粒类型、35至40种不同颗粒类型、40至45种不同颗粒类型、45至50种不同颗粒类型、50至55种不同颗粒类型、55至60种不同颗粒类型、60至65种不同颗粒类型、65至70种不同颗粒类型、70至75种不同颗粒类型、75至80种不同颗粒类型、80至85种不同颗粒类型、85至90种不同颗粒类型、90至95种不同颗粒类型、95至100种不同颗粒类型、1至100种不同颗粒类型、20至40种不同颗粒类型、5至10种不同颗粒类型、3至7种不同颗粒类型、2至10种不同颗粒类型、6至15种不同颗粒类型或10至20种不同颗粒类型。在特定实施方案中，本公开提供了具有3至10种颗粒类型的组大小。在特定实施方案中，本公开提供了具有4至11种不同颗粒类型的组大小。在特定实施方案中，本公开提供了具有5至15种不同颗粒类型的组大小。在特定实施方案中，本公开提供了具有5至15种不同颗粒类型的组大小。在特定实施方案中，本公开提供了具有8至12种不同颗粒类型的组大小。在特定实施方案中，本公开提供了具有9至13种不同颗粒类型的组大小。在特定实施方案中，本公开提供了具有10种不同颗粒类型的组大小。颗粒类型可以包括纳米颗粒类型。
颗粒组可以设计为广谱分析蛋白质组，例如人血浆蛋白质组。分析人蛋白质组的一个主要挑战是，人血浆中大约3500种蛋白质的质量的超过99％仅由20种蛋白质贡献。血浆分析方法通常被这20种蛋白质饱和，并提供对剩余蛋白质的最小谱分析深度。本公开的颗粒组可以包含颗粒组合，其促进从单个生物样品收集至少200、至少300、至少400、至少500、至少600、至少700、至少800、至少900、至少1000、至少1100、至少1200、至少1300、至少1400、至少1500、至少1600、至少1700、至少1800、至少1900、至少2000、至少2100或至少2200种不同的蛋白质。本公开的颗粒组可以包含颗粒组合，其促进从复杂生物样品(例如人血浆)收集至少4％、至少5％、至少6％、至少8％、至少10％、至少12％、至少15％、至少20％、至少25％、至少30％、至少35％、至少40％、至少45％、至少50％、至少55％、至少60％、至少65％或至少70％的蛋白质类型。这可以通过提供具有不同蛋白质结合特征的多个颗粒(例如，作为颗粒组)来实现。颗粒组可以包括两种颗粒，所述颗粒在与生物样品接触时形成具有少于80％、少于70％、少于60％、少于50％、少于40％、少于30％、少于25％、少于20％、少于15％或少于10％的共同蛋白质的蛋白质冠。在一些情况下，生物样品是人血浆。
增加组中颗粒类型的数量可以增加给定样品中可鉴定的蛋白质数量。增加组大小可如何增加所鉴定的蛋白质的数量的示例如图12所示，其中一种颗粒类型的组大小鉴定419种不同蛋白质，两种颗粒类型的组大小鉴定588种不同蛋白质，三种颗粒类型的组大小鉴定727种不同蛋白质，四种颗粒类型的组大小鉴定844种不同蛋白质，五种颗粒类型的组大小鉴定934种不同蛋白质，六种颗粒类型的组大小鉴定1008种不同蛋白质，七种颗粒类型的组大小鉴定1075种不同蛋白质，八种颗粒类型的组大小鉴定1133种不同蛋白质，九种颗粒类型的组大小鉴定1184种不同蛋白质，10种颗粒类型的组大小鉴定1230种不同蛋白质，11种颗粒类型的组大小鉴定1275种不同蛋白质，12种颗粒类型的组大小鉴定1318种不同蛋白质。
生物样品中的生物标志物分析
本文公开的组合物及其使用方法可以鉴定生物样品(例如，生物流体)中的大量独特蛋白质。可以使用本文描述的方法(例如蛋白质冠分析)分析的生物样品的非限制性示例包括生物流体样品(例如，脑脊液(CSF)、滑膜液(SF)、尿、血浆、血清、泪、精液、全血、奶、乳头抽出物、导管灌洗液、阴道流体、鼻流体、耳流体、胃流体、胰流体、小梁流体、肺灌洗液、前列腺流体、痰、粪便、支气管灌洗液、来自拭子的流体、支气管吸出物、汗或唾液)、流体化的固体(例如，组织匀浆)、或来自细胞培养物的样品。例如，本文公开的颗粒可以与本文公开的任何生物样品一起孵育以形成蛋白质冠，所述蛋白质冠包含至少100种独特蛋白质、至少120种独特蛋白质、至少140种独特蛋白质、至少160种独特蛋白质、至少180种独特蛋白质、至少200种独特蛋白质、至少220种独特蛋白质、至少240种独特蛋白质、至少260种独特蛋白质、至少280种独特蛋白质、至少300种独特蛋白质、至少320种独特蛋白质、至少340种独特蛋白质、至少360种独特蛋白质、至少380种独特蛋白质、至少400种独特蛋白质、至少420种独特蛋白质、至少440种独特蛋白质、至少460种独特蛋白质、至少480种独特蛋白质、至少500种独特蛋白质、至少520种独特蛋白质、至少540种独特蛋白质、至少560种独特蛋白质、至少580种独特蛋白质、至少600种独特蛋白质、至少620种独特蛋白质、至少640种独特蛋白质、至少660种独特蛋白质、至少680种独特蛋白质、至少700种独特蛋白质、至少720种独特蛋白质、至少740种独特蛋白质、至少760种独特蛋白质、至少780种独特蛋白质、至少800种独特蛋白质、至少820种独特蛋白质、至少840种独特蛋白质、至少860种独特蛋白质、至少880种独特蛋白质、至少900种独特蛋白质、至少920种独特蛋白质、至少940种独特蛋白质、至少960种独特蛋白质、至少980种独特蛋白质、至少1000种独特蛋白质、100至1000种独特蛋白质、150至950种独特蛋白质、200至900种独特蛋白质、250至850种独特蛋白质、300至800种独特蛋白质、350至750种独特蛋白质、400至700种独特蛋白质、450至650种独特蛋白质、500至600种独特蛋白质、200至250种独特蛋白质、250至300种独特蛋白质、300至350种独特蛋白质、350至400种独特蛋白质、400至450种独特蛋白质、450至500种独特蛋白质、500至550种独特蛋白质、550至600种独特蛋白质、600至650种独特蛋白质、650至700种独特蛋白质、700至750种独特蛋白质、750至800种独特蛋白质、800至850种独特蛋白质、850至900种独特蛋白质、900至950种独特蛋白质、950至1000种独特蛋白质。在一些情况下，相似数量的蛋白质可以在不使用颗粒的情况下或使用本文所述的测定方法进行评估。在一些实施方案中，可以单独或组合使用几种不同类型的颗粒来鉴定特定生物样品中的大量蛋白质。换句话说，颗粒可以被多路复用以结合和鉴定生物样品中的大量蛋白质。
本文公开的组合物和方法可用于鉴定特定生物样品中的各种生物状态。例如，生物状态可以指特定蛋白质或蛋白质集的升高的或降低的水平，或者可以通过两种或更多种生物分子的丰度之间的比率来证明。在其他示例中，生物状态可以指疾病例如癌症的鉴定。可以将一种或多种颗粒类型与生物样品(例如人血浆)一起孵育，从而形成蛋白质冠。然后可以分析所述蛋白质冠以鉴定蛋白质模式。分析可以包括凝胶电泳、质谱、色谱、ELISA、免疫组织学或其任何组合。蛋白质冠分析(例如，通过质谱或凝胶电泳)可称为冠分析。可以将蛋白质的模式与对对照样品进行的相同方法进行比较。在比较蛋白质模式时，可以确定第一样品包含升高水平的对应于特定类型肺癌的标志物。因此，颗粒及其使用方法可用于诊断特定疾病状态。
测定可以包括颗粒的蛋白质收集、蛋白质消化和质谱分析(例如，MS、LC-MS、LC-MS/MS)。消化可以包括化学消化，例如通过溴化氰或2-硝基-5-硫氰基苯甲酸(NTCB)。消化可以包括酶消化，例如通过胰蛋白酶或胃蛋白酶。消化可以包括通过多种蛋白酶的酶消化。消化可包含选自以下的蛋白酶：胰蛋白酶、糜蛋白酶、Glu C、Lys C、弹性蛋白酶、枯草杆菌蛋白酶、蛋白酶K、凝血酶、因子X、Arg C、木瓜蛋白酶、Asp N、嗜热菌蛋白酶、胃蛋白酶、天冬氨酰蛋白酶、组织蛋白酶D、锌金属蛋白酶、糖蛋白质肽链内切酶、脯氨酸、氨肽酶、异戊二烯蛋白酶、半胱天冬酶、kex2内切蛋白酶、或其任意组合。消化方法可以随机切割肽或可以在特定位置或一组位置切割肽。测定可以利用多种消化方法(例如，两种或更多种蛋白酶)。测定可以包括将样品分成多个部分，并使这些部分经受不同的消化方法和单独的分析(例如，单独的质谱分析)。消化可以在特定位置(例如，在甲硫氨酸处)或序列(例如，谷氨酸-组氨酸-谷氨酸)处切割肽。消化可以区分相似的蛋白质。例如，测定可以用第一消化方法将8种不同的蛋白质作为单个蛋白质群组分析，以及第二消化方法将其作为具有不同信号的8种单独蛋白质分析。消化可产生8至15个氨基酸的平均肽片段长度。消化可产生12至18个氨基酸的平均肽片段长度。消化可产生15至25个氨基酸的平均肽片段长度。消化可产生20至30个氨基酸的平均肽片段长度。消化可产生30至50个氨基酸的平均肽片段长度。
本公开的各种方法能够在宽浓度范围内进行测量。生物分子分析方法通常仅限于狭窄的浓度范围。例如，质谱蛋白质组学分析的浓度通常限制在3、4或5个数量级。因此，相对高浓度的生物分子(例如，以mg/ml浓度存在)的存在可能会掩盖对低浓度生物分子的检测，此外可能会限制低浓度生物分子定量的准确性。本公开的方法可以检测跨至少5个、至少6个、至少7个、至少8个、至少9个、至少10个、至少11个或至少12个数量级浓度的分子。因此，本公开的方法可以检测和定量来自单个样品的相对高浓度的生物分子和相对低浓度的生物分子，而无需首先从样品中耗减生物分子。例如，与本公开一致的血浆测定可以同时定量来自单个未经耗减的血浆样品的白蛋白(以约40mg/ml存在)和白细胞介素10(以约6pg/ml存在)，从而同时检测两种浓度相差约10个数量级的物质。
动态范围
本文所述的一些方法(例如生物分子冠分析)可以包括在宽动态范围内测定本公开的样品中的生物分子。样品中测定的生物分子的动态范围可以是通过测定方法(例如质谱、色谱、凝胶电泳、光谱或免疫测定)对样品中包含的生物分子测量的生物分子丰度范围。例如，能够在宽动态范围内检测蛋白质的测定法可能能够检测丰度非常低的蛋白质到丰度非常高的蛋白质。分析的动态范围可能与作为生物分子丰度函数的分析信号强度的斜率直接相关。例如，具有低动态范围的测定可能具有作为生物分子丰度函数的测定信号强度的低(但正)斜率，例如，对于具有低动态范围的测定，针对高丰度生物分子检测到的信号与针对低丰度生物分子检测到的信号的比率可能低于具有高动态范围的测定。在特定情况下，动态范围可以指样品或测定方法中蛋白质的动态范围。
本文所述的方法可以压缩测定的动态范围。如果作为生物分子丰度函数的测定信号强度的斜率低于其他测定的斜率，则测定的动态范围可以相对于另一测定被压缩。例如，与单独使用质谱、直接对样品测定的血浆样品相比或与数据库中提供的蛋白质丰度值相比，使用质谱进行蛋白质冠分析测定的血浆样品可能具有压缩的动态范围(例如，Keshishian等人,Mol.Cell Proteomics 14,2375–2393(2015)提供的数据库，本文也称为“Carr数据库”)。使用质谱进行生物分子冠分析相比于单独使用质谱，压缩的动态范围可以检测生物样品中更多的低丰度生物分子。
在分析(例如，质谱或ELISA分析)之前收集颗粒上的生物分子可能会压缩分析的动态范围。在生物样品中以106:1的比例存在的两种蛋白质可能被差异吸附在颗粒上并洗脱到溶液中，使得它们的新比例为104:1。这种差异吸附可以同时检测浓度差大于分析技术动态范围的两种生物分子。例如，质谱分析通常仅限于测量4-6个数量级浓度范围内的物质，因此无法同时检测以108倍浓度差存在的两种生物分子。基于生物分子冠的样品富集可以相对于第二生物分子(例如第二蛋白质)浓缩稀释的生物分子(例如第一蛋白质)，从而能够使用一种分析方法同时检测两种生物分子。类似地，基于颗粒的富集可以实现样品中低浓度生物分子的定量。可定量分析物的动态范围通常比可检测分析物的动态范围窄。例如，ELISA通常覆盖2-3个数量级的动态范围，同时提供小于2个数量级的准确浓度定量。基于颗粒的富集可以增加所需浓度范围内的生物分子靶标的数量，从而能够同时定量存在于生物样品中的其浓度超出分析技术的浓度定量的动态范围的两种或更多种生物分子。
因此，本公开的各种方法包括检测生物样品中存在的大于检测方法的动态范围的浓度差的两种生物分子。本文公开的许多生物标志物对跨越的浓度范围超出了生物分子分析技术(例如，免疫染色或LC-MS/MS)的检测极限，因此在没有本公开的基于富集的方法的情况下可能是无法鉴定或无法定量的。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少3个数量级的两种生物分子(例如两种蛋白质)(例如，1mg/ml和1μg/ml，或50μM和50nM)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少4个数量级的两种生物分子(例如两种蛋白质)(例如，1mg/ml和100ng/ml，或50μM和5nM)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少5个数量级的两种生物分子(例如两种蛋白质)(例如检测人血浆中的HBA和NOTUM)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少5个数量级的两种生物分子(例如两种蛋白质)(例如检测人血浆中的ITIH2和ANGL6)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少6个数量级的两种生物分子(例如两种蛋白质)(例如检测人血浆中的HBA和NOTUM)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少7个数量级的两种生物分子(例如两种蛋白质)(例如检测人血浆中的铜蓝蛋白质和RLA2)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少7个数量级的两种生物分子(例如两种蛋白质)(例如检测人血浆中的人血清白蛋白和CAN2)。在一些情况下，本公开的方法包括检测生物样品中浓度相差至少7个数量级的两种生物分子(例如两种蛋白质)(例如检测人血浆中的人血清白蛋白和白细胞介素6))。
蛋白质组分析测定的动态范围可以是最高丰度蛋白质(例如，丰度最高的10％蛋白质)产生的信号与最低丰度蛋白质(例如，丰富最低的10％蛋白质)产生的信号的比率。压缩蛋白质组分析的动态范围可包括相对于第二蛋白质组分析测定，降低针对第一蛋白质组分析测定的最高丰度蛋白质产生的信号与最低丰度蛋白质产生的信号的比率。本文公开的蛋白质冠分析测定法可以相对于总蛋白质分析方法(例如质谱、凝胶电泳或液相色谱)的动态范围压缩动态范围。
本文提供了几种用于压缩生物分子分析测定的动态范围以促进相对于高丰度生物分子检测低丰度生物分子的方法。例如，本公开的颗粒类型可用于连续检测样品。在样品中孵育颗粒类型后，在颗粒类型的表面上形成生物分子冠。如果在不使用所述颗粒类型的情况下直接在样品中检测生物分子，例如通过样品的直接质谱分析，则与将生物分子定向在颗粒类型的表面上相比，动态范围可以跨越更宽的浓度范围或更多数量级。因此，使用本文公开的颗粒类型可用于压缩样品中生物分子的动态范围。不受理论限制，可以观察到这种效应，因为在颗粒类型的生物分子冠中更多地捕获更高亲和力、更低丰度的生物分子以及在颗粒类型的生物分子冠中更少地捕获更低亲和力、更高丰度的生物分子。
蛋白质组分析测定的动态范围可以是由蛋白质组分析测定测量的蛋白质信号图的斜率，其作为样品中蛋白质总丰度的函数。压缩动态范围可以包括相对于由第二蛋白质组学测定测量的作为样品中蛋白质总丰度的函数的蛋白质信号图的斜率，降低由蛋白质组分析测定测量的作为样品中蛋白质总丰度的函数的蛋白质信号图的斜率。本文公开的蛋白质冠分析测定法可以相对于总蛋白质分析方法(例如质谱、凝胶电泳或液相色谱)的动态范围压缩动态范围。
样品和对象
本文所述的方法可以包括使用样品，例如生物样品。例如，方法可以包括确定样品中的一种或多种生物标志物测量值。生物样品可以来自对象。生物样品可以包括已去除红细胞的血液样品。例如，生物样品可以包括血浆样品。生物样品可以包括血清样品。生物样品可以包括血液或血液成分。
与本文公开的评估与疾病状态诸如肺癌(例如，NSCLC)相关的一种或多种生物标志物的存在或不存在的方法一致的样品包括来自对象的生物样品。对象可以是人或非人动物。生物样品可以是生物流体。例如生物流体可以是血浆、血清、CSF、尿、泪、细胞裂解物、组织裂解物、细胞匀浆、组织匀浆、乳头抽出物、粪便样品、滑膜液和全血、或唾液。样品也可以是非生物样品，例如水、奶、溶剂或任何均质化为流体状态的样品。所述生物样品可以包含多种蛋白质或蛋白质组数据，可在将蛋白质吸附到组中的各种颗粒类型的表面并随后消化蛋白质冠之后对其进行分析。蛋白质组数据可以包括核酸、肽或蛋白质。本文中的任何样品可以包含多种不同的分析物，其可使用本文公开的组合物和方法进行分析。分析物可以是蛋白质、肽、小分子、核酸、代谢物、脂质或任何可能与颗粒类型表面结合或相互作用的分子。
生物样品可以包括生物流体样品，例如脑脊液(CSF)、滑膜液(SF)、尿、血浆、血清、泪、沟液、精液、全血、奶、乳头抽出物、导管灌洗液、阴道流体、鼻流体、耳流体、胃流体、胰流体、小梁流体、肺灌洗液、前列腺流体、痰、粪便、支气管灌洗液、来自拭子的流体、支气管吸出物、汗或唾液。生物流体可以是流体化的固体，例如组织匀浆，或从生物样品中提取的流体。生物样品可以是例如组织样品或细针抽吸(FNA)样品。生物样品可以是细胞培养样品。例如，可用于本文公开的方法的样品可包括在细胞培养物中生长的细胞或可包括取自细胞培养物的无细胞材料。生物流体可以是流体化的生物样品。例如，生物流体可以是流体化的细胞培养提取物。可以从流体样品中提取样品，或者可以从固体样品中提取样品。例如，样品可以包括从流体化的固体(例如，挥发性有机化合物)中提取的气态分子。
与本公开一致的方法可以包括从生物样品中收集(例如，分离、富集或纯化)物质种类。所述物质种类可以是生物分子(例如蛋白质)、生物大分子结构(例如肽聚集体或核糖体)、细胞或组织。可以从生物样品中选择性地收集所述物质种类。例如，方法可以包括从组织(例如，作为组织活检)或从诸如全血、血浆或血沉棕黄层的生物流体(例如，作为液体活检)中分离癌细胞。所述物质种类可以在分析之前进行处理。例如，蛋白质可以被还原和降解，核酸可以与组蛋白质分离，或者细胞可以被裂解。
方法可以包括从生物样品中收集组织或细胞。可以从组织或液体生物样品中收集组织或细胞。可以直接从患者收集组织或细胞。可以从疑似癌变或癌前病变的组织收集组织或细胞。在一些情况下，组织或细胞选自从患者分离的生物样品。所述方法可以包括鉴定来自生物样品的目的细胞或组织子切片。例如，方法可以包括在经胸肺活检中分离肺组织，通过免疫组织染色鉴定潜在的癌细胞，以及分离潜在的癌细胞以供进一步分析。
方法可以包括两种或更多种物质种类的平行分析。可以比较物质种类以确定样品的疾病状态(例如，疾病的类型和阶段)。所述物质种类可以来自单个对象(例如，疑似患有早期非小细胞肺癌的单个患者)，或来自不同的对象(例如，健康患者和肺癌患者)。物质种类可包括健康物质种类和患病物质种类或潜在患病物质种类。可以从相同的生物样品，例如从单个组织切片，或从不同的生物样品，例如从单独的血液和组织样品收集物种。
两个或更多个物质种类的平行分析可以提高诊断的准确性。在一些情况下，多个物质种类分析包括已知的健康物质种类和疑似或已知的患病物质种类(例如，来自健康组织的细胞和来自癌组织的细胞)。健康和患病物质种类的分析可以鉴定患病物质种类的疾病阶段。在一些情况下，第一物质种类可能被怀疑包含疾病，而第二物质种类(例如，血浆样品的部分)可能包含该疾病的潜在生物标志物。在特定情况下，第一物质种类可能被怀疑包含疾病，而第二物质种类可能包含血液或血液样品的部分(例如，血浆或血沉棕黄层)。例如，可以通过DNA测序将鳞状细胞鉴定为癌性细胞，然后根据患者的血浆蛋白质组图谱将其鉴定为早期癌细胞。
本文公开了用于多组学分析的组合物和方法。“多组学”或“多组学的”可指用于大规模分析生物分子的分析方法，其中数据集是多个组，例如蛋白质组、基因组、转录组、脂质体和代谢组。多组学数据的非限制性示例包括蛋白质组数据、基因组学数据、脂质组学数据、糖组学数据、转录组学数据或代谢组学数据。“生物分子”中“生物分子冠”可指可由生物有机体产生或存在于生物有机体中的任何分子或生物组分。生物分子的非限制性示例包括蛋白质(蛋白质冠)、多肽、多糖、糖、脂质、脂蛋白质、代谢物、寡核苷酸、核酸(DNA、RNA、微RNA、质粒、单链核酸、双链核酸)、代谢组，以及小分子如初级代谢物、次级代谢物和其他天然产物，或其任何组合。在一些实施方案中，生物分子选自蛋白质、核酸、脂质和代谢物。
在一些情况下，样品可能会在生物标志物分析之前被耗减。可以使用市售的试剂盒耗减样品。例如，可用于耗减样品的试剂盒可以是基于旋转柱的耗减试剂盒、白蛋白耗减试剂盒、免疫耗减试剂盒或丰富蛋白质耗减试剂盒。可用于样品耗减的试剂盒的非限制性示例包括PureProteomeTM人白蛋白/免疫球蛋白质耗减试剂盒(EMD Millipore Sigma)、
Figure BDA0003874417360000651
免疫亲和性白蛋白&IgG耗减试剂盒(Millipore Sigma)、
Figure BDA0003874417360000652
蛋白质耗减试剂盒(Millipore Sigma)、Top 12丰富蛋白质耗减旋转柱(Pierce)或ProteomePurifyTM免疫耗减试剂盒(R&D Systems)。耗减可以从样品中去除高浓度的生物分子。例如，方法可以包括在低浓度生物标志物分析之前从血浆样品中去除白蛋白。样品可以包括经耗减的血浆。
本文描述或使用的样品可以来自对象。对象可以是脊椎动物。对象可以是哺乳动物。对象可以是人。对象可以至少18岁。
治疗
本文公开了包括向有需要的对象施用治疗或疗法的方法。本公开的各种方法包括治疗有需要的患者的疾病状态，例如癌症，其中在患者的样品中鉴定出生物标志物，例如来自表1中所列肽的肽。治疗或疗法可以响应于或基于本文所述的生物标志物测量值来施用。可以使用本文描述的方法测量生物标志物。
本文所述的方法可以包括向对象施用癌症治疗。本文所述的方法可以包括向对象施用肺病治疗。本文所述的方法可以包括向对象施用肺癌治疗。本文所述的方法可以包括向对象施用不同于癌症治疗的肺病治疗。本文所述的方法可以包括向对象施用NSCLC治疗。本文所述的方法可以包括基于对象的疾病状态向对象施用癌症治疗。本文所述的方法可以包括基于对象的疾病状态向对象施用肺治疗。本文所述的方法可以包括基于对象的疾病状态向对象施用NSCLC治疗。
本文公开了治疗方法，所述方法可以包括获得或接收本文所述的一种或多种生物标志物的测量值。测量可以在来自疑似患有肺癌的对象的样品中。所述方法可以包括基于一种或多种生物标志物的存在向对象施用肺癌治疗。所述方法可以包括基于一种或多种生物标志物的不存在来监测对象而不向对象提供肺癌治疗。一些实施方案包括将对象鉴定为患有肺癌并施用治疗。
生物标志物可以包括肽。在一些情况下，在患者的样品中鉴定出表1中列出的肽中的至少两种肽、至少三种肽、四种肽、五种肽、八种肽、十种肽、十五种肽或二十种肽。在一些情况下，治疗类型、持续时间、剂量或频率由表1中列出的在患者样品中鉴定的肽中的肽的组合或相对丰度确定。在一些情况下，治疗功效由表1中列出的在患者样品中鉴定的肽中的肽的组合或肽相对丰度确定。在一些情况下，来自表1中列出的肽中的肽的组合或肽相对丰度将患者诊断为患有或没有癌症。在一些情况下，来自表1中列出的肽中的肽的组合或肽相对丰度诊断癌症的类型。在一些情况下，来自表1中列出的肽中的肽的组合或相对丰度表明是否应该或不应该对患者施用癌症治疗。在一些情况下，样品是血浆样品。在一些情况下，癌症是肺癌，例如NSCLC。
本公开的各种方法包括跟踪癌症治疗的进展。方法可以包括在一段时间内从患者收集的多个样品中的生物标志物检测。在一些情况下，方法包括测量来自患者的样品中表1中列出的肽中的至少一种肽的水平在一段时间内的变化，以确定是否停止或改变(例如，调整施用频率或剂量)治疗。例如，方法可以包括测量以每两周间隔从患者收集的血浆样品中选自ANGL6、NOTUM、CILP1、RLA2和GP1BB中的至少两种蛋白质的浓度，并根据所述至少两种蛋白质浓度的变化确定何时停止治疗或开始二次治疗。
在一些情况下，治疗包括化学疗法。在一些情况下，化学疗法包括阿霉素(adriamycin)、安吖啶(amsacrine)、硫唑嘌呤(azathioprine)、博来霉素(bleomycin)、白消安(busulfan)、卡培他滨(capecitabine)、卡铂(carboplatin)、苯丁酸氮芥(chlorambucil)、顺铂(cisplatin)、环磷酰胺(cyclophosphamide)、阿糖胞苷(cytarabine)、柔红霉素(daunorubicin)、多西他赛(docetaxel)、阿霉素(doxorubicin)、表柔比星(epirubicin)、依托泊苷(etoposide)、氟尿苷(floxuridine)、氟达拉滨(fludarabine)、吉西他滨(gemcitabine)、异环磷酰胺(ifosfamide)、异丙铂(iproplatin)、伊立替康(irinotecan)、亚叶酸(leucovorin)、二氯甲基二乙胺(mechlorethamine)、美法仑(melphalan)、巯基嘌呤(mercaptopurine)、甲氨蝶呤(methotrexate)、丝裂霉素(mitomycin)、米托蒽醌(mitoxantrone)、亚硝基脲(nitrosoureas)、奥沙利铂(oxaliplatin)、紫杉醇(paclitaxel)、普卡霉素(plicamycin)、鬼臼毒素(podophyllotoxin)、沙铂(satraplatin)、螺铂(spiroplatin)、替尼泊苷(teniposide)、噻替派(thiotepa)、拓扑替康(topotecan)、乌拉莫司汀(uramustine)、长春碱(vinblastine)、长春新碱(vincristine)、长春地辛(vindesine)、长春瑞滨(vinorelbine)、奥沙利铂(oxaliplatin)、顺铂(cisplatin)、卡铂(carboplatin)、螺铂(spiroplatin)、异丙铂(iproplatin)、沙铂(satraplatin)、环磷酰胺(cyclophosphamide)、异环磷酰胺(ifosfamide)、苯丁酸氮芥(chlorambucil)、白消安(busulfan)、美法仑(melphalan)、二氯甲基二乙胺(mechlorethamine)、乌拉莫司汀(uramustine)、噻替派(thiotepa)、亚硝基脲(nitrosoureas)、5-氟尿嘧啶(5-fluorouracil)、硫唑嘌呤(azathioprine)、6-巯基嘌呤(6-mercaptopurine)、甲氨蝶呤(methotrexate)、亚叶酸(leucovorin)、卡培他滨(capecitabine)、阿糖胞苷(cytarabine)、氟尿苷(floxuridine)、氟达拉滨(fludarabine)、吉西他宾(gemcitabin)、长春新碱(vincristine)、长春碱(vinblastine)、长春瑞滨(vinorelbine)、长春地辛(vindesine)、鬼臼毒素(podophyllotoxin)、紫杉醇(paclita)、多西他赛(docetaxel)、伊立替康(irinotecan)、拓扑替康(topotecan)、安吖啶(amsacrine)、依托泊苷(etoposide)、替尼泊苷(teniposide)、阿霉素(doxorubicin)、阿霉素(adriamycin)、柔红霉素(daunorubicin)、表柔比星(epirubicin)、放线菌素(actinomycin)、博来霉素(bleomycin)、丝裂霉素(mitomycin)、米托蒽醌(mitoxantrone)、普利霉素(plicamycin)或其任意组合。在一些情况下，治疗包括免疫疗法。在一些情况下，治疗包括激素疗法。在一些情况下，治疗包括单克隆抗体治疗。在一些情况下，治疗包括mTOR抑制剂。在一些情况下，治疗包括干细胞移植。在一些情况下，治疗包括放射疗法。在一些情况下，治疗包括基因疗法。在一些情况下，治疗包括嵌合抗原受体(CAR)-T细胞或转基因T细胞施用。在一些情况下，治疗包括切除手术。例如，CT扫描可以鉴定患者的腺癌肿瘤，并且分析来自患者血液样品的选自ANGL6、NOTUM、CILP1、RLA2和GP1BB中的蛋白质可以确定肿瘤是恶性的，并且因此，切除肿瘤可能会带来良好的结果。
在一些情况下，治疗包括癌症治疗。在一些情况下，治疗包括多种癌症治疗。癌症治疗的示例包括：抗癌剂的示例包括：阿贝西利(Abemaciclib)、醋酸阿比特龙(Abiraterone Acetate)、紫杉醇(紫杉醇白蛋白稳定纳米颗粒制剂)(Abraxane(Paclitaxel Albumin-stabilized Nanoparticle Formulation))、ABVD、ABVE、ABVE-PC、AC、阿卡拉布替尼(Acalabrutinib)、AC-T、雅美罗(Actemra)(托珠单抗(Tocilizumab))、安适利(Adcetris)(维布妥昔单抗/本妥昔单抗(Brentuximab Vedotin))、ADE、ado曲妥珠单抗(Ado-Trastuzumab Emtansine)、阿霉素(Adriamycin)(盐酸阿霉素(DoxorubicinHydrochloride))、马来酸阿法替尼(Afatinib Dimaleate)、癌伏妥(Afinitor)(依维莫司(Everolimus))、阿肯佐(Akynzeo)(纳图匹坦和盐酸帕洛诺司琼(Netupitant andPalonosetron Hydrochloride))、阿尔达拉(Aldara)(咪喹莫特(Imiquimod))、阿地白介素(Aldesleukin)、阿雷替尼(Alecensa)(艾乐替尼(Alectinib))、阿列克替尼(Alectinib)、阿仑单抗(Alemtuzumab)、爱宁达(Alimta)(培美曲塞二钠(Pemetrexed Disodium))、Aliqopa(盐酸库潘尼西(Copanlisib Hydrochloride))、注射用爱克兰(Alkeran forInjection)(美法仑盐酸盐(Melphalan Hydrochloride))、爱克兰片剂(Alkeran Tablets)(美法仑(Melphalan))、帕洛诺司琼(Aloxi)(盐酸帕洛诺司琼(PalonosetronHydrochloride))、阿培利司(Alpelisib)、布吉他滨(Alunbrig)(布加替尼(Brigatinib))、阿梅鲁兹(Ameluz)(氨基乙酰丙酸盐酸盐(Aminolevulinic Acid Hydrochloride))、氨磷汀(Amifostine)、氨基乙酰丙酸盐酸盐(Aminolevulinic Acid Hydrochloride)、阿那曲唑(Anastrozole)、阿帕鲁胺(Apalutamide)、阿瑞匹坦(Aprepitant)、安然爱斯普(Aranesp)(阿法达贝泊汀(Darbepoetin Alfa))、阿可达(Aredia)(帕米膦酸二钠(PamidronateDisodium))、瑞宁得(Arimidex)(阿那曲唑(Anastrozole))、阿诺新(Aromasin)(依西美坦(Exemestane))、奈拉宾(Arranon)(奈韦拉平(Nelarabine))、三氧化二砷(ArsenicTrioxide)、奥法木(Arzerra)(奥法木单抗(Ofatumumab))、菊欧文氏杆菌天冬酰胺酶(Asparaginase Erwinia chrysanthemi)、Asparlas(Calaspargase Pegol-mknl)、阿特利珠单抗(Atezolizumab)、阿伐普利替尼(Avapritinib)、阿瓦斯汀(Avastin)(贝伐单抗(Bevacizumab))、阿维鲁单抗(Avelumab)、西罗来塞-阿卡他近(AxicabtageneCiloleucel)、阿西替尼(Axitinib)、Ayvakit(阿瓦普利替尼(Avapritinib))、阿扎胞苷(Azacitidine)、阿泽德拉(Azedra)(碘苄胍I131(Iobenguane I 131))、巴尔韦萨(Balversa)(厄达非替尼(Erdafitinib))、巴文乔(Bavencio)(阿维鲁单抗(Avelumab))、BEACOPP、Belantamab Mafodotin-blmf、Beleodaq(贝利司他(Belinostat))、贝利司他(Belinostat)、盐酸苯达莫司汀(Bendamustine Hydrochloride)、Bendeka(盐酸苯达莫司汀(Bendamustine Hydrochloride))、BEP、Besponsa(奥英妥珠单抗(InotuzumabOzogamicin))、贝伐珠单抗(Bevacizumab)、贝沙罗汀(Bexarotene)、比卡鲁胺(Bicalutamide)、BiCNU(卡莫司汀(Carmustine))、比尼美替尼(Binimetinib)、Blenrep(Belantamab Mafodotin-blmf)、硫酸博来霉素(Bleomycin Sulfate)、布利妥莫单抗(Blinatumomab)、布林赛特(Blincyto)(博纳吐单抗(Blinatumomab))、硼替佐米(Bortezomib)、博苏里夫(Bosulif)(博舒替尼(Bosutinib))、博舒替尼(Bosutinib)、Braftovi(康奈非尼(Encorafenib))、维汀-布仑妥昔单抗(Brentuximab Vedotin)、Brexucabtagene Autoleucel、布加替尼(Brigatinib)、泽布替尼(Zanubrutinib)、BuMel、白消安(Busulfan)、Busulfex(白消安)、卡巴他赛(Cabazitaxel)、Cablivi(卡帕珠单抗-yhdp(Caplacizumab-yhdp))、卡博替尼(Cabometyx)(卡博替尼-S-苹果酸盐(Cabozantinib-S-Malate))、卡博替尼-S-苹果酸盐(Cabozantinib-S-Malate)、CAF、Calaspargase Pegol-mknl、Calquence(阿卡拉布替尼(Acalabrutinib))、Campath(阿仑单抗(Alemtuzumab))、Camptosar(盐酸伊立替康(Irinotecan Hydrochloride))、卡培他滨(Capecitabine)、Caplacizumab-yhdp、卡马替尼盐酸盐(Capmatinib Hydrochloride)、CAPOX、Carac(氟尿嘧啶--外用(Fluorouracil--Topical))、卡铂(Carboplatin)、卡铂-紫杉醇(CARBOPLATIN-TAXOL)、卡非佐米(Carfilzomib)、卡莫司汀(Carmustine)、卡莫司汀植入物(Carmustine Implant)、康士得(Casodex)(比卡鲁胺(Bicalutamide))、CEM、西米普利单抗(Cemiplimab-rwlc)、色瑞替尼(Ceritinib)、柔红霉素(Cerubidine)(盐酸柔红霉素(Daunorubicin Hydrochloride))、希瑞适(Cervarix)(重组HPV二价疫苗(RecombinantHPV Bivalent Vaccine))、西妥昔单抗(Cetuximab)、CEV、苯丁酸氮芥(Chlorambucil)、苯丁酸氮芥-强的松(CHLORAMBUCIL-PREDNISONE)、CHOP、顺铂(Cisplatin)、克拉屈滨(Cladribine)、氯法拉滨(Clofarabine)、Clolar(氯法拉滨(Clofarabine))、CMF、富马酸考比替尼(Cobimetinib Fumarate)、Cometriq(卡博替尼-S-苹果酸盐(Cabozantinib-S-Malate))、Copanlisib盐酸盐、COPDAC、Copiktra(杜韦利西布(Duvelisib))、COPP、COPP-ABV、Cosmegen(更生霉素(Dactinomycin))、科泰利克(Cotellic)(富马酸考比替尼(Cobimetinib Fumarate))、克唑替尼(Crizotinib)、CVP、环磷酰胺(Cyclophosphamide)、Cyramza(雷莫芦单抗(Ramucirumab))、阿糖胞苷(Cytarabine)、达拉非尼甲磺酸盐(Dabrafenib Mesylate)、达卡巴嗪(Dacarbazine)、Dacogen(地西他滨(Decitabine))、达克替尼(Dacomitinib)、放线菌素(Dactinomycin)、达雷妥木单抗(Daratumumab)、达雷妥木单抗和透明质酸酶-fihj(Daratumumab and Hyaluronidase-fihj)、阿法达贝泊汀(Darbepoetin Alfa)、达洛鲁胺(Darolutamide)、Darzalex(达雷木单抗(Daratumumab))、Darzalex Faspro(达雷木单抗和透明质酸酶-fihj(Daratumumab and Hyaluronidase-fihj))、达沙替尼(Dasatinib)、盐酸柔红霉素(Daunorubicin Hydrochloride)、盐酸柔红霉素(Daunorubicin Hydrochloride)和阿糖胞苷脂质体(Cytarabine Liposome)、Daurismo(格拉吉布马来酸盐(Glasdegib Maleate))、地西他滨(Decitabine)、地西他滨(Decitabine)和塞达尿苷(Cedazuridine)、去纤维钠(Defibrotide Sodium)、Defitelio(去纤维钠(Defibrotide Sodium))、地加瑞克(Degarelix)、地尼白介素(DenileukinDiftitox)、地诺单抗(Denosumab)、地塞米松(Dexamethasone)、盐酸右雷佐生(Dexrazoxane Hydrochloride)、地努妥昔单抗(Dinutuximab)、多西他赛(Docetaxel)、Doxil(盐酸阿霉素脂质体(Doxorubicin Hydrochloride Liposome))、盐酸多柔比星(Doxorubicin Hydrochloride)、盐酸阿霉素脂质体(Doxorubicin HydrochlorideLiposome)、度伐鲁单抗(Durvalumab)、杜韦利西布(Duvelisib)、Efudex(氟尿嘧啶--外用(Fluorouracil--Topical))、Eligard(醋酸亮丙瑞林(Leuprolide Acetate))、埃利泰克(Elitek)(拉布立酶(Rasburicase))、表柔比星(Ellence)(盐酸表柔比星(EpirubicinHydrochloride))、依洛妥珠单抗(Elotuzumab)、依洛沙汀(Eloxatin)(奥沙利铂(Oxaliplatin))、艾曲波帕乙醇胺(Eltrombopag Olamine)、Elzonris(Tagraxofusp-erzs)、依马单抗-lzsg(Emapalumab-lzsg)、Emend(阿瑞匹坦(Aprepitant))、Empliciti(埃罗妥珠单抗(Elotuzumab))、依那西尼甲磺酸盐(Enasidenib Mesylate)、恩科拉非尼(Encorafenib)、维汀-恩弗妥单抗-ejfv(Enfortumab Vedotin-ejfv)、Enhertu(Fam-德喜曲妥珠单抗-nxki(Fam-Trastuzumab Deruxtecan-nxki))、恩曲替尼(Entrectinib)、恩杂鲁胺(Enzalutamide)、盐酸表柔比星(Epirubicin Hydrochloride)、EPOCH、阿法依伯汀(Epoetin Alfa)、Epogen(阿法依伯汀(Epoetin Alfa))、爱必妥(Erbitux)(西妥昔单抗(Cetuximab))、厄达非替尼(Erdafitinib)、甲磺酸艾日布林(Eribulin Mesylate)、Erivedge(维莫德吉(Vismodegib))、Erleada(阿帕鲁胺(Apalutamide))、盐酸厄洛替尼(Erlotinib Hydrochloride)、门冬酰胺酶(Erwinaze)(天菊欧文氏杆菌天冬酰胺酶(Asparaginase Erwinia chrysanthemi))、氨磷汀(Ethyol)(阿米福汀(Amifostine))、依托泊磷(Etopophos)(磷酸依托泊苷(Etoposide Phosphate))、依托泊苷(Etoposide)、磷酸依托泊苷(Etoposide Phosphate)、依维莫司(Everolimus)、雷洛昔芬(Evista)(盐酸雷洛昔芬(Raloxifene Hydrochloride))、Evomela(美法仑盐酸盐(MelphalanHydrochloride))、依西美坦(Exemestane)、5-FU(氟尿嘧啶注射液(FluorouracilInjection))、5-FU(氟尿嘧啶--外用(Fluorouracil--Topical))、Fam-德喜曲妥珠单抗-nxki(Fam-Trastuzumab Deruxtecan-nxki)、法乐通(Fareston)(托瑞米芬(Toremifene))、Farydak(帕比司他(Panobinostat))、Faslodex(氟维司群(Fulvestrant))、FEC、盐酸费德拉替尼(Fedratinib Hydrochloride)、Femara(来曲唑(Letrozole))、非格司亭(Filgrastim)、Firmagon(地加瑞克(Degarelix))、氟达拉滨磷酸盐(FludarabinePhosphate)、Fluoroplex(氟尿嘧啶--外用(Fluorouracil--Topical))、氟尿嘧啶注射液(Fluorouracil Injection)、氟尿嘧啶--外用(Fluorouracil--Topical)、氟他胺(Flutamide)、FOLFIRI、FOLFIRI-贝伐单抗(FOLFIRI-BEVACIZUMAB)、FOLFIRI-西妥昔单抗(FOLFIRI-CETUXIMAB)、FOLFIRINOX、FOLFOX、Folotyn(普拉曲沙(Pralatrexate))、福马替尼二钠(Fostamatinib Disodium)、Fulphila(乙二醇化非格司亭(Pegfilgrastim))、FU-LV、氟维司群(Fulvestrant)、Gamifant(依马单抗-lzsg(Emapalumab-lzsg))、Gardasil(重组HPV四价疫苗(Recombinant HPV Quadrivalent Vaccine))、Gardasil9(重组HPV九价疫苗(Recombinant HPV Nonavalent Vaccine))、Gavreto(普拉塞替尼(Pralsetinib))、Gazyva(奥比妥珠单抗(Obinutuzumab))、吉非替尼(Gefitinib)、盐酸吉西他滨(Gemcitabine Hydrochloride)、吉西他滨-顺铂(GEMCITABINE-CISPLATIN)、吉西他滨-奥沙利铂(GEMCITABINE-OXALIPLATIN)、奥-吉妥珠单抗(Gemtuzumab Ozogamicin)、吉西他滨(Gemzar)(盐酸吉西他滨(Gemcitabine Hydrochloride))、Gilotrif(马来酸阿法替尼(Afatinib Dimaleate))、富马酸吉特替尼(Gilteritinib Fumarate)、格拉吉布马来酸盐(Glasdegib Maleate)、格列卫(Gleevec)(甲磺酸伊马替尼(Imatinib Mesylate))、卡莫司汀植入膜剂(Gliadel Wafer)(卡莫司汀植入物(Carmustine Implant))、谷卡匹酶(Glucarpidase)、醋酸戈舍瑞林(Goserelin Acetate)、格拉司琼(Granisetron)、盐酸格拉司琼(Granisetron Hydrochloride)、Granix(非格司亭(Filgrastim))、Halaven(甲磺酸艾日布林(Eribulin Mesylate))、Hemangeol(盐酸普萘洛尔(PropranololHydrochloride))、Herceptin Hylecta(曲妥珠单抗(Trastuzumab)和透明质酸酶-oysk(Hyaluronidase-oysk))、Herceptin(曲妥珠单抗(Trastuzumab))、重组HPV二价疫苗(HPVBivalent Vaccine)、重组HPV九价疫苗(HPV Nonavalent Vaccine)、重组HPV四价疫苗(HPVQuadrivalent Vaccine)、Hycamtin(盐酸拓扑替康(Topotecan Hydrochloride))、Hydrea(羟基脲素(Hydroxyurea))、羟基脲素(Hydroxyurea)、Hyper-CVAD、Ibrance(帕博西尼(Palbociclib))、替坦-艾瑞妥莫单抗(Ibritumomab Tiuxetan)、依鲁替尼(Ibrutinib)、ICE、Iclusig(盐酸帕纳替尼(Ponatinib Hydrochloride))、伊达比星PFS(Idamycin PFS)(盐酸伊达比星(Idarubicin Hydrochloride))、盐酸伊达比星(IdarubicinHydrochloride)、艾代拉里斯(Idelalisib)、Idhifa(依那西尼甲磺酸盐(EnasidenibMesylate))、Ifex(异环磷酰胺(Ifosfamide))、异环磷酰胺(Ifosfamide)、IL-2(阿地白介素(Aldesleukin))、甲磺酸伊马替尼(Imatinib Mesylate)、Imbruvica(依鲁替尼(Ibrutinib))、Imfinzi(德鲁瓦单抗(Durvalumab))、咪喹莫德(Imiquimod)、Imlygic(拉赫-他利莫近(Talimogene Laherparepvec))、Infugem(盐酸吉西他滨(GemcitabineHydrochloride))、Inlyta(阿昔替尼(Axitinib))、奥星-艾诺妥珠单抗(InotuzumabOzogamicin)、Inqovi(地西他滨(Decitabine)和塞达尿苷(Cedazuridine))、Inrebic(盐酸费德拉替尼(Fedratinib Hydrochloride))、干扰素α-2b(Interferon Alfa-2b)、重组、白介素-2(Interleukin-2)(阿地白介素(Aldesleukin))、干扰素A(Intron A)(重组干扰素α-2b(Recombinant Interferon Alfa-2b))、碘苄胍I 131(Iobenguane I 131)、艾匹利木单抗(Ipilimumab)、易瑞沙(Iressa)(吉非替尼(Gefitinib))、盐酸伊立替康(IrinotecanHydrochloride)、盐酸伊立替康脂质体(Irinotecan Hydrochloride Liposome)、艾沙妥昔单抗-irfc(Isatuximab-irfc)、罗米地辛(Istodax)(罗米地辛(Romidepsin))、伊沃西尼布(Ivosidenib)、伊沙匹隆(Ixabepilone)、艾沙佐米柠檬酸盐(Ixazomib Citrate)、Ixempra(伊沙匹隆(Ixabepilone))、Jakafi(磷酸鲁索替尼(Ruxolitinib Phosphate))、JEB、Jelmyto(丝裂霉素(Mitomycin))、Jevtana(卡巴他赛(Cabazitaxel))、Kadcyla(曲妥珠单抗-厄塔毒素(Ado-Trastuzumab Emtansine))、Kepivance(帕利夫明(Palifermin))、可瑞达(Keytruda)(派姆单抗(Pembrolizumab))、Kisqali(瑞博西利(Ribociclib))、Koselugo(司美替尼硫酸盐(Selumetinib Sulfate))、Kymriah(替沙仑赛(Tisagenlecleucel))、Kyprolis(卡非佐米(Carfilzomib))、兰瑞肽醋酸盐(Lanreotide Acetate)、二甲磺酸拉帕替尼(Lapatinib Ditosylate)、拉罗替尼硫酸盐(Larotrectinib Sulfate)、甲磺酸乐伐替尼(Lenvatinib Mesylate)、乐伐替尼(Lenvima)(甲磺酸乐伐替尼(LenvatinibMesylate))、来曲唑(Letrozole)、亚叶酸钙(Leucovorin Calcium)、Leukeran(苯丁酸氮芥(Chlorambucil))、醋酸亮丙瑞林(Leuprolide Acetate)、Levulan Kerastik(氨基酮戊酸盐酸盐(Aminolevulinic Acid Hydrochloride))、Libtayo(西米普利单抗-rwlc(Cemiplimab-rwlc))、洛莫司汀(Lomustine)、Lonsurf(氟尿定(Trifluridine)和盐酸替吡拉西(Tipiracil Hydrochloride))、Lorbrena(劳拉替尼(Lorlatinib))、劳拉替尼(Lorlatinib)、Lumoxiti(帕舒托-莫塞妥莫单抗-tdfk(Moxetumomab Pasudotox-tdfk))、Lupron Depot(醋酸亮丙瑞林(Leuprolide Acetate))、鲁比卡丁(Lurbinectedin)、罗特西普-aamt(Luspatercept-aamt)、Lutathera(镥Lu 177-Dotatate)、镥(Lu177-Dotatate)、Lynparza(奥拉帕尼(Olaparib))、Marqibo(硫酸长春新碱脂质体(Vincristine SulfateLiposome))、Matulane(盐酸丙卡巴肼(Procarbazine Hydrochloride))、盐酸甲氮芥(Mechlorethamine Hydrochloride)、醋酸甲地孕酮(Megestrol Acetate)、Mekinist(曲美替尼(Trametinib))、Mektovi(比尼替尼(Binimetinib))、美法仑(Melphalan)、美法仑盐酸盐(Melphalan Hydrochloride)、巯基嘌呤(Mercaptopurine)、美司钠(Mesna)，Mesnex(美司钠(Mesna))、甲氨蝶呤钠(Methotrexate Sodium)、溴化甲基纳曲酮(MethylnaltrexoneBromide)、米哚妥林(Midostaurin)、丝裂霉素(Mitomycin)、盐酸米托蒽醌(MitoxantroneHydrochloride)、莫加木单抗-kpkc(Mogamulizumab-kpkc)、Monjuvi(他法西他单抗-cxix(Tafasitamab-cxix))、Moxetumomab Pasudotox-tdfk、Mozobil(普乐沙福(Plerixafor))、MVAC、Mvasi(贝伐单抗(Bevacizumab))、Myleran(白消安(Busulfan))、Mylotarg(奥-吉妥珠单抗(Gemtuzumab Ozogamicin))、纳米粒紫杉醇(Nanoparticle Paclitaxel)(紫杉醇白蛋白稳定纳米粒子制剂(Paclitaxel Albumin-stabilized NanoparticleFormulation))、奈西妥木单抗(Necitumumab)、奈拉滨(Nelarabine)、马来酸来那替尼(Neratinib Maleate)、Nerlynx(马来酸来那替尼(Neratinib Maleate))、奈妥吡坦(Netupitant)和盐酸帕洛诺司琼(Palonosetron Hydrochloride)、Neulasta(培非格司亭(Pegfilgrastim))、Neupogen(非格司亭(Filgrastim))、Nexavar(甲苯磺酸索拉非尼(Sorafenib Tosylate))、Nilandron(尼鲁米特(Nilutamide))、尼洛替尼(Nilotinib)、尼鲁米特(Nilutamide)、Ninlaro(艾沙佐米柠檬酸盐(Ixazomib Citrate))、尼拉帕尼甲苯磺酸盐一水合物(Niraparib Tosylate Monohydrate)、尼沃鲁单抗(Nivolumab)、Nplate(咯咪珀咯(Romiplostim))、Nubeqa(达罗他胺(Darolutamide))、Nyvepria(乙二醇化非格司亭(Pegfilgrastim))、奥比妥珠单抗(Obinutuzumab)、Odomzo(索尼德吉(Sonidegib))、OEPA、奥法妥木单抗(Ofatumumab)、OFF、奥拉帕尼(Olaparib)、高三尖杉酯碱(OmacetaxineMepesuccinate)、Oncaspar(培门冬酶(Pegaspargase))、盐酸昂丹司琼(OndansetronHydrochloride)、Onivyde(盐酸伊立替康脂质体(Irinotecan HydrochlorideLiposome))、Ontak(地尼白介素(Denileukin Diftitox))、Onureg(阿扎胞苷(Azacitidine))、Opdivo(纳武单抗(Nivolumab))、OPPA、甲磺酸奥斯替尼(OsimertinibMesylate)、奥沙利铂(Oxaliplatin)、紫杉醇(Paclitaxel)、紫杉醇白蛋白稳定纳米颗粒制剂(Paclitaxel Albumin-stabilized Nanoparticle Formulation)、PAD、Padcev(维汀-恩弗妥单抗-ejfv(Enfortumab Vedotin-ejfv))、帕柏西利(Palbociclib)、帕利夫明(Palifermin)、盐酸帕洛诺司琼(Palonosetron Hydrochloride)、盐酸帕洛诺司琼(Palonosetron Hydrochloride)和奈妥吡坦(Netupitant)、帕米膦酸二钠(PamidronateDisodium)、帕尼妥木单抗(Panitumumab)、帕比司他(Panobinostat)、盐酸帕唑帕尼(Pazopanib Hydrochloride)、PCV、PEB、培门冬酶(Pegaspargase)、培非格司亭(Pegfilgrastim)、聚乙二醇干扰素α-2b(Peginterferon Alfa-2b)、PEG-Intron(聚乙二醇干扰素α-2b(Peginterferon Alfa-2b))、Pemazyre(佩米替尼(Pemigatinib))、兰洛利珠单抗(Pembrolizumab),培美曲塞二钠(Pemetrexed Disodium)、佩米替尼(Pemigatinib)、Perjeta(珀妥珠单抗(Pertuzumab))、珀妥珠单抗(Pertuzumab)、珀妥珠单抗(Pertuzumab)、曲妥珠单抗(Trastuzumab)、和透明质酸酶-zzxf(Hyaluronidase-zzxf)、佩西达替尼盐酸盐(Pexidartinib Hydrochloride)、Phesgo(帕妥珠单抗(Pertuzumab)、曲妥珠单抗(Trastuzumab)、和透明质酸酶-zzxf(Hyaluronidase-zzxf))、Piqray(阿培利司(Alpelisib))、普乐沙福(Plerixafor)、维汀-珀拉妥珠单抗-piiq(Polatuzumab Vedotin-piiq)、Polivy(维汀-珀拉妥珠单抗-piiq(Polatuzumab Vedotin-piiq))、盐酸帕纳替尼(Ponatinib Hydrochloride)、Portrazza(耐昔妥珠单抗(Necitumumab))、Poteligeo(莫格利珠单抗-kpkc(Mogamulizumab-kpkc))、普拉曲沙(Pralatrexate)、普拉塞替尼(Pralsetinib)、强的松(Prednisone)、盐酸丙卡巴肼(Procarbazine Hydrochloride)、Procrit(阿法依伯汀(Epoetin Alfa))、Proleukin(阿地白介素(Aldesleukin))、Prolia(狄诺塞麦(Denosumab))、Promacta(艾曲波帕(Eltrombopag Olamine))、盐酸普萘洛尔(Propranolol Hydrochloride)、Provenge(西普鲁塞-T(Sipuleucel-T))、Purinethol(巯嘌呤(Mercaptopurine))、Purixan(巯基嘌呤(Mercaptopurine))、Qinlock(瑞普替尼(Ripretinib))、镭223二氯化物(Radium 223Dichloride)、盐酸雷洛昔芬(RaloxifeneHydrochloride)、雷姆赛卢单抗(Ramucirumab)、拉布立酶(Rasburicase)、拉武珠单抗-cwvz(Ravulizumab-cwvz)、Rebrozyl(鲁斯帕西普-aamt(Luspatercept-aamt))、R-CHOP、R-CVP、重组人乳头瘤病毒(HPV)二价疫苗(Recombinant Human Papillomavirus(HPV)Bivalent Vaccine)、重组人乳头瘤病毒(HPV)九价疫苗(Recombinant HumanPapillomavirus(HPV)Nonavalent Vaccine)、重组人乳头瘤病毒(HPV)四价疫苗(Recombinant Human Papillomavirus(HPV)Quadrivalent Vaccine)、重组干扰素α-2b(Recombinant Interferon Alfa-2b)、瑞拉非尼(Regorafenib)、Relistor(溴化甲基纳曲酮(Methylnaltrexone Bromide))、R-EPOCH、Retacrit(阿法依伯汀(Epoetin Alfa))、Retevmo(塞尔帕替尼(Selpercatinib))、瑞博西尼(Ribociclib)、R-ICE、瑞普替尼(Ripretinib)、Rituxan(利妥昔单抗(Rituximab))、RituxanHycela(利妥昔单抗(Rituximab)和人透明质酸酶(Hyaluronidase Human))、利妥昔单抗(Rituximab)、利妥昔单抗(Rituximab)和人透明质酸酶(Hyaluronidase Human)、盐酸罗拉匹坦(RolapitantHydrochloride)、洛米迪星(Romidepsin)、洛米洛司亭(Romiplostim)、Rozlytrek(恩曲替尼(Entrectinib))、Rubidomycin(盐酸柔红霉素(Daunorubicin Hydrochloride))、Rubraca(瑞卡帕布樟脑磺酸盐(Rucaparib Camsylate))、瑞卡帕布樟脑磺酸盐(RucaparibCamsylate)、磷酸鲁索替尼(Ruxolitinib Phosphate)、Rydapt(米哚妥林(Midostaurin))、戈沙妥珠单抗-hziy(Sacituzumab Govitecan-hziy)、Sancuso(格拉司琼(Granisetron))、Sarclisa(艾沙妥昔单抗-irfc(Isatuximab-irfc))、硬化溶胶胸膜内气溶胶(SclerosolIntrapleural Aerosol)(滑石粉(Talc))、塞利尼索(Selinexor)、赛培替尼(Selpercatinib)、司美替尼硫酸盐(Selumetinib Sulfate)、司妥昔单抗(Siltuximab)、西普鲁塞-T(Sipuleucel-T)、Somatuline Depot(兰瑞肽醋酸盐(Lanreotide Acetate))、索尼地吉(Sonidegib)、索拉非尼甲苯磺酸盐(Sorafenib Tosylate)、Sprycel(达沙替尼(Dasatinib))、STANFORD V、无菌滑石粉(Sterile Talc Powder)(滑石粉(Talc))、Steitalc(滑石粉(Talc))、Stivarga(瑞戈非尼(Regorafenib))、苹果酸舒尼替尼(Sunitinib Malate)、Sustol(格拉司琼(Granisetron))、Sutent(苹果酸舒尼替尼(Sunitinib Malate))、Sylatron(聚乙二醇干扰素α-2b(Peginterferon Alfa-2b))、Sylvant(司妥昔单抗(Siltuximab))、Synribo(高三尖杉酯碱(OmacetaxineMepesuccinate))、Tabloid(硫鸟嘌呤(Thioguanine))、Tabrecta(盐酸卡马替尼(Capmatinib Hydrochloride))、TAC、他法西他单抗-cxix(Tafasitamab-cxix)、Tafinlar(甲磺酸达拉菲尼(Dabrafenib Mesylate))、Tagraxofusp-erzs、Tagrisso(甲磺酸奥斯替尼(Osimertinib Mesylate))、他拉唑帕尼甲苯磺酸盐(Talazoparib Tosylate)、滑石(Talc)、拉赫-他利莫近(Talimogene Laherparepvec)、Talzenna(他拉唑帕尼甲苯磺酸盐(Talazoparib Tosylate))、枸橼酸它莫西芬(Tamoxifen Citrate)、Tarceva(盐酸厄洛替尼(Erlotinib Hydrochloride))、Targretin(贝沙罗汀(Bexarotene))、Tasigna(尼罗替尼(Nilotinib))、Tavalisse(福马替尼二钠(Fostamatinib Disodium))、Taxotere(多西他赛(Docetaxel))、他泽美司他氢溴酸盐(Tazemetostat Hydrobromide)、Tazverik(他泽美司他氢溴酸盐(Tazemetostat Hydrobromide))、Tecartus(Brexucabtagene Autoleucel)、Tecentriq(阿特珠单抗(Atezolizumab))、Temodar(替莫唑胺(Temozolomide))、替莫唑胺(Temozolomide)、特罗莫司(Temsirolimus)、硫鸟嘌呤(Thioguanine)、噻替派(Thiotepa)，Tibsovo(艾伏尼布(Ivosidenib))、Tisagenlecleucel、托西利珠单抗(Tocilizumab)、Tolak(氟尿嘧啶--外用(Fluorouracil--Topical))、盐酸托泊替康(TopotecanHydrochloride)、托瑞米芬(Toremifene)、Torisel(西罗莫司脂化物(Temsirolimus))、Totect(盐酸右雷佐生(Dexrazoxane Hydrochloride))、TPF、曲贝替定(Trabectedin)、曲美替尼(Trametinib)、曲妥珠单抗(Trastuzumab)、曲妥珠单抗(Trastuzumab)和透明质酸酶-oysk(Hyaluronidase-oysk)、Treanda(盐酸苯达莫司汀(BendamustineHydrochloride))、Trexall(甲氨蝶呤钠(Methotrexate Sodium))、曲氟尿苷(Trifluridine)和盐酸替吡拉西(Tipiracil Hydrochloride)、Trisenox(三氧化二砷(Arsenic Trioxide))、Trodelvy(戈沙妥珠单抗-hziy(Sacituzumab Govitecan-hziy))、Truxima(利妥昔单抗(Rituximab))、图卡替尼(Tucatinib)、Tukysa(图卡替尼(Tucatinib))、Turalio(盐酸佩西达替尼(Pexidartinib Hydrochloride))、Tykerb(二甲磺酸拉帕替尼(Lapatinib Ditosylate))、Ultomiris(拉武珠单抗-cwvz(Ravulizumab-cwvz))、Undencyca(培非格司亭(Pegfilgrastim))、Unituxin(恩杂鲁胺(Dinutuximab))、尿苷三乙酸酯(Uridine Triacetate)、VAC、戊柔比星(Valrubicin)、Valstar(戊柔比星(Valrubicin))、凡德他尼(Vandetanib)、VAMP、Varubi(盐酸罗拉匹坦(RolapitantHydrochloride))、Vectibix(帕尼单抗(Panitumumab))、VeIP、Velcade(硼替佐米(Bortezomib))、维拉非尼(Vemurafenib)、Venclexta(维奈托克(Venetoclax))、维奈托克(Venetoclax)、Verzenio(阿贝西利(Abemaciclib))、Vidaza(阿扎胞苷(Azacitidine))、硫酸长春碱(Vinblastine Sulfate)、长春新碱硫酸盐(Vincristine Sulfate)、长春新碱硫酸盐脂质体(Vincristine Sulfate Liposome)、酒石酸长春瑞滨(VinorelbineTartrate)、VIP、维莫德吉(Vismodegib)、Vistogard(尿苷三乙酸酯(UridineTriacetate))、Vitrakvi(硫酸拉罗替尼(Larotrectinib Sulfate))、Vizimpro(达克替尼(Dacomitinib))、Voraxaze(谷卡匹酶(Glucarpidase))、伏立诺他(Vorinostat)、Votrient(盐酸帕唑帕尼(Pazopanib Hydrochloride))、Vyxeos(盐酸柔红霉素(DaunorubicinHydrochloride)和阿糖胞苷脂质体(Cytarabine Liposome))、Xalkori(克唑替尼(Crizotinib))、Xatmep(甲氨蝶呤钠(Methotrexate Sodium))、Xeloda(卡培他滨(Capecitabine))、XELIRI、XELOX、Xgeva(地诺单抗(Denosumab))、Xofigo(镭223二氯化物(Radium 223Dichloride))、Xospata(富马酸吉特替尼(Gilteritinib Fumarate))、Xpovio(塞利尼索(Selinexor))、Xtandi(恩杂鲁胺(Enzalutamide))、Yervoy(伊匹单抗(Ipilimumab))、Yescarta(西罗来塞-阿卡他近(Axicabtagene Ciloleucel))、Yondelis(曲贝替定(Trabectedin))、Yonsa(醋酸阿比特龙(Abiraterone Acetate))、Zaltrap(Ziv-阿柏西普(Ziv-Aflibercept))、扎鲁替尼(Zanubrutinib)、Zarxio(非格司亭(Filgrastim))、Zejula(尼拉帕尼甲苯磺酸盐一水合物(Niraparib TosylateMonohydrate))、Zelboraf(维莫非尼(Vemurafenib))、Zepzelca(卢比替定(Lurbinectedin))、Zevalin(替伊莫单抗(Ibritumomab Tiuxetan))、Ziextenzo(培非格司亭(Pegfilgrastim))、Zinecard(盐酸右雷佐生(Dexrazoxane Hydrochloride))、Zirabev(贝伐珠单抗(Bevcizumab))、Ziv-阿柏西普(Ziv-Aflibercept)、Zofran(盐酸昂丹司琼(Ondansetron Hydrochloride))、Zoladex(醋酸戈舍瑞林(Goserelin Acetate))、唑来膦酸(Zoledronic Acid)、Zolinza(伏立诺他(Vorinostat))、Zometa(唑来膦酸(ZoledronicAcid))、Zyclara(咪喹莫特(Imiquimod))、Zydelig(艾代拉里斯(Idelalisib))、Zykadia(色瑞替尼(Ceritinib))、或Zytiga(醋酸阿比特龙(Abiraterone Acetate))。
试剂盒
本公开的各个方面提供了用于检测(例如，定量)本文公开的生物标志物的试剂盒。试剂盒可以包含用于检测来自表1的肽的试剂，例如抗SAA2抗体。试剂盒可以包含用于检测来自表1的多种肽的多种试剂。试剂盒可以包含用于ELISA测定的试剂。试剂盒还可以包含用于检测不能用作特定癌症的生物标志物的生物分子的试剂。例如，试剂盒可以包含用于定量生物样品中的ANTR1和ANTR2的试剂，以及用于定量铜蓝蛋白质的试剂，使得ANTR1和ANTR2特异性试剂从样品中产生癌症特异性信息，并且铜蓝蛋白质特异性试剂被配置为用作校准标准或对照。试剂盒可包含用于检测来自表1的至少一种肽、来自表1的至少两种肽、来自表1的至少三种肽、来自表1的至少四种肽、来自表1的至少五种肽、来自表1的至少六种肽、来自表1的至少八种肽、来自表1的至少十种肽、来自表1的至少十二种肽、来自表1的至少十五种肽、来自表1的至少二十种肽、来自表1的至少二十五种肽、来自表1的至少三十种肽、来自表1的至少四十种肽的试剂，任选地连同用于检测表1中没有列出的至少一种肽的试剂或多种试剂。例如，试剂盒可以包含用于检测至少一种、至少两种、至少三种、至少四种、至少五种、至少六种、至少八种、至少十种、至少十二种、至少十五种、至少二十种、至少二十五、至少三十或至少四十种来自表1的肽的ELISA试剂以及任选地对于表1中未列出的至少一种肽的ELISA试剂。
试剂盒可以包含靶向至少一种、至少两种、至少三种、至少四种、至少五种、至少六种、至少八种、至少十种、至少十二种、至少十五种、至少二十种、至少二十五、至少三十或至少四十种来自表1的肽的多种抗体以及任选地对于表1中未列出的至少一种肽的多种抗体。
试剂盒可以包括颗粒或颗粒组。来自颗粒组的颗粒可以共同提供(例如，作为混合物)或单独提供。例如，试剂盒可以包括具有8种颗粒类型的颗粒组，每种颗粒类型提供在96孔板内的单独孔中。试剂盒可以包含颗粒组，所述颗粒组包含表2中的颗粒中的至少一种、至少两种、至少三种、至少四种、至少五种、至少六种、至少八种、至少十种、至少十二种或至少十五种。试剂盒可以包含多种组合物，所述组合物包含不同条件下(例如，与不同缓冲液或溶液混合或悬浮在不同缓冲液或溶液中)或不同量的相同颗粒或多个颗粒。例如，孔板可以包含具有20μg颗粒的一组孔、具有40μg颗粒的一组孔和具有80μg颗粒的一组孔。试剂盒可以包含用于悬浮颗粒、从颗粒洗脱生物分子或用于洗涤颗粒的缓冲液。试剂盒可以包含用于化学修饰(例如，还原剂)或消化(例如，蛋白酶)蛋白质的试剂。试剂盒可以包含多种试剂，用于从样品中富集蛋白质子集的试剂(例如，颗粒组)和制备蛋白质子集以进行质谱分析的试剂(例如，胰蛋白酶、缓冲液、烷基化试剂和还原剂)。试剂盒可以包含用于裂解病毒或细胞的试剂(例如，裂解缓冲液)。
试剂盒可配置用于多重分析。试剂盒可以包括多种试剂，并且可以被配置为在不同条件下或用不同试剂检测生物样品的多个部分。试剂盒可以包括多个分区，例如孔板内的多个孔或多个Eppendorf管。分区可以预先包装有试剂。例如，试剂盒可以包括具有多个孔的孔板，这些孔含有对来自表1的不同肽具有特异性的不同亲和试剂。
试剂盒可以与商业仪器兼容。例如，试剂盒可以包括配置用于在酶标仪中进行荧光测量的孔板，或者可以包括与商业质谱仪兼容的样品瓶。
系统
本公开提供了可以实施本文描述的方法的系统。所述系统可以包括被编程为实施本公开的方法的计算机控制系统。图13显示了被编程或以其他方式配置为实现本文提供的方法的计算机系统。计算机系统1401可以调节本文公开的测定的各个方面，所述测定能够自动化(例如，本文公开的任何试剂在基底上的移动)。计算机系统1401可以是用户的电子设备或相对于电子设备远程定位的计算机系统。电子设备可以是移动电子设备。
计算机系统1401包括中央处理单元(CPU，本文也称为“处理器”和“计算机处理器”)1405，其可以是单核或多核处理器，或者是用于并行处理的多个处理器。计算机系统1401还包括存储器或存储器位置1410(例如，随机存取存储器、只读存储器、闪存)，电子存储单元1415(例如，硬盘)，用于与一个或多个其他系统通信的通信接口1420(例如，网络适配器)，以及外围设备1425，例如高速缓存、其他存储器、数据存储和/或电子显示适配器。存储器1410，存储单元1415，接口1420和外围设备1425通过通信总线(实线)如母板与CPU1405通信。存储单元1415可以是用于存储数据的数据存储单元(或数据存储库)。计算机系统1401可以借助于通信接口1420可操作地耦合到计算机网络(“网络”)1430。网络1430可以是因特网、内联网和/或外联网、或者与因特网通信的内联网和/或外联网。在一些情况下，网络1430是电信和/或数据网络。网络1430可以包括一个或多个计算机服务器，其可以启用分布式计算，例如云计算。网络1430在一些情况下借助于计算机系统1401可实现对等网络，其可使耦合到计算机系统1401的设备表现为客户端或服务器。
CPU 1405可以执行一系列机器可读指令，其可以具体化在程序或软件中。指令可以存储在存储器位置，例如存储器1410。可以将指令引导到CPU 1405，CPU 1405随后可以程序化设定为或另外配置CPU 1405以执行本公开的方法。由CPU 1405执行的操作的示例可以包括获取、解码、执行和回写。
CPU 1405可以是电路例如集成电路的部分。系统1401的一个或多个其他组件可以包括在电路中。在一些情况下，该电路是专用集成电路(ASIC)。
存储单元1415可以存储文件，例如驱动程序、库和保存的程序。存储单元1415可以存储用户数据，例如用户偏好和用户程序。在一些情况下，计算机系统1401可以包括在计算机系统1401外部的一个或多个附加数据存储单元，例如位于通过内联网或因特网与计算机系统1401通信的远程服务器上。
计算机系统1401可以通过网络1430与一个或多个远程计算机系统通信。例如，计算机系统1401可以与用户的远程计算机系统通信。远程计算机系统的示例包括个人计算机(例如便携式PC)，触屏电脑或平板电脑(例如，
Figure BDA0003874417360000841
iPad、
Figure BDA0003874417360000842
Galaxy Tab)，电话，智能电话(例如，
Figure BDA0003874417360000843
iPhone、支持Android的设备、
Figure BDA0003874417360000844
)，或个人数字助理。用户可以经由网络1430访问计算机系统1401。
本文中描述的方法可以通过存储在计算机系统1401的电子存储位置上，如例如在存储器1410或电子存储单元1415上的机器(例如，计算机处理器)可执行代码来实现。机器可执行代码或机器可读代码可以以软件的形式提供。在使用期间，代码可由处理器1405执行。在一些情况下，可以从存储单元1415中检索代码并将其存储在存储器1410上用于处理器1405随时访问。在一些情况下，可以排除电子存储单元1415，并且将机器可执行指令存储在存储器1410上。
可以预编译和配置代码以用于具有适于执行代码的处理器的机器，或者可以在运行时期间编译。代码可以以编程语言提供，可以选择该编程语言使代码能够以预编译或如编译的方式执行。
本文提供的系统和方法的各方面，例如计算机系统1401，可以具体化在编程中。该技术的各个方面可以被认为是通常以一种类型的机器可读介质中承载或具体化的机器(或处理器)可执行代码和/或相关数据的形式的“产品”或“制品”。机器可执行代码可以存储在电子存储单元，例如存储器(例如，只读存储器，随机存取存储器，闪存)或硬盘上。“存储”型介质可以包括计算机的有形存储器、处理器等、或其相关模块，例如各种半导体存储器、磁带驱动器、磁盘驱动器等的任何一个或全部，其可以随时提供非暂时性存储用于软件编程。软件的全部或部分有时可以通过因特网或各种其他电信网络进行通信。例如，这类通信可以使软件从一个计算机或处理器加载到另一个计算机或处理器，例如，从管理服务器或主计算机加载到应用服务器的计算机平台。因此，可承载软件元件的另一类型的介质包括光波、电波和电磁波，例如在本地设备之间的物理接口上、通过有线和光陆线网络以及通过各种空中链路使用的光波、电波和电磁波。携带这类波的物理元件，例如有线或无线链路、光链路等，也可以被认为是承载软件的介质。如本文所使用的，除非限定为非暂时性的有形“存储”介质，诸如计算机或机器“可读介质”之类的术语是指参与向处理器提供指令以供执行的任何介质。
因此，机器可读介质如计算机可执行代码可以采用许多形式，包括但不限于，有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘，如任何计算机等中的任何存储设备，如可用于实现附图中所示的数据库等。易失性存储介质包括动态存储器，例如这类计算机平台的主存储器。有形传输介质包括同轴电缆；铜线和光纤，包括在计算机系统内构成总线的线。载波传输介质可以采用电或电磁信号，或声波或光波的形式，例如在射频(RF)和红外(IR)数据通信期间产生的那些。因此，计算机可读介质的常见形式包括，例如：软盘(floppy disk)，软磁盘(flexible disk)，硬盘，磁带，任何其他磁介质，CD-ROM，DVD或DVD-ROM，任何其他光学介质，穿孔卡纸带，任何其他带孔图案的物理存储介质，RAM，ROM，PROM和EPROM，FLASH-EPROM，任何其他存储器芯片或盒式磁带，传输数据或指令的载波，传输此类载波的电缆或链路，或计算机可从中读取编程代码和/或数据的任何其他介质。许多这些形式的计算机可读介质可涉及将一个或多个指令的一个或多个序列传送到处理器以供执行。
计算机系统1401可以包括电子显示器1435或与之通信，电子显示器1435包括用户界面(UI)1440，用于提供例如使用本文公开的方法鉴定的蛋白质的读出。UI的示例包括但不限于图形用户界面(GUI)和基于web的用户界面。
可以通过一种或多种算法来执行本公开的方法和系统。可以在由中央处理单元1405执行时通过软件实现算法。
系统诸如计算机系统可以适于实现本文所述的方法。例如，本文描述的系统可以实现本文描述的统计、分类或机器学习方法。从传感器阵列收集的数据可用于训练机器学习算法，例如从对象接收测定测量值并从每个对象输出特定测定结果的算法。在训练算法之前，可以首先对来自阵列的原始数据进行降噪，以减少单个变量中的可变性。
系统可以包括中央计算机服务器，所述中央计算机服务器被编程以实现本文所述的方法。服务器可以包括中央处理单元(CPU，也称为“处理器”)，其可以是单核处理器、多核处理器或用于并行处理的多个处理器。服务器还可以包括存储器(例如，随机存取存储器、只读存储器、闪存)；电子存储单元(例如硬盘)；用于与一个或多个其他系统通信的通信接口(例如网络适配器)；以及可以包括高速缓存、其他存储器、数据存储和/或电子显示适配器的外围设备。存储器、存储单元、接口和外围设备可以通过诸如主板的通信总线(实线)与处理器通信。存储单元可以是用于存储数据的数据存储单元。服务器借助于通信接口可操作地耦合到计算机网络(“网络”)。网络可以是因特网、内联网和/或与因特网、远程通信或数据网络通信的内联网和/或外联网。在一些情况下，在服务器的帮助下，网络可以实现对等网络，所述对等网络可以使耦合到服务器的设备表现为客户端或服务器。
存储单元可以存储文件(如对象报告)、和/或与关于个人的数据的通信、或者与本公开相关联的数据的任何方面。
计算机服务器可以通过网络与一个或多个远程计算机系统通信。所述一个或多个远程计算机系统可以是，例如个人计算机、笔记本电脑、平板电脑、电话、智能电话或掌上电脑。
在某些应用中，计算机系统包括单个服务器。在其他情况下，该系统包括通过内联网、外联网和/或因特网彼此通信的多个服务器。
服务器可适于存储本文提供的测量数据或数据库、来自对象的患者信息，例如病史、家族史、人口统计数据和/或与特定应用潜在相关的其他临床或个人信息。这样的信息可以存储在存储单元或服务器上，并且这样的数据可以通过网络传输。
如本文所述的方法可以通过存储在服务器的电子存储位置上(例如，存储在存储器或电子存储单元上)的机器(或计算机处理器)可执行代码(或软件)来实现。在使用过程中，代码可以由处理器执行。在一些情况下，代码可以从存储单元中检索并存储在存储器上，以供处理器随时访问。在某些情况下，可以排除电子存储单元，而将机器可执行指令存储在内存中。可替代地，代码可以在第二计算机系统上执行。
在此提供的系统和方法的方面，例如服务器，可以在编程中体现。技术的各个方面可以被认为是作为典型地以机器(或处理器)可执行代码和/或相关联的数据的形式的“产品”或“制品”，所述机器(或处理器)可执行代码和/或相关联的数据被携带在一种类型的机器可读介质上或体现在一种类型的机器可读介质中。机器可执行代码可以存储在电子存储单元上，如存储器(例如，只读存储器、随机存取存储器、闪存)或硬盘。“存储”类型介质可包括计算机、处理器等的任何或所有有形存储器或其相关模块，如各种半导体存储器、磁带驱动器、磁盘驱动器等，其可随时为软件编程提供非瞬时存储。软件的全部或部分有时可以通过因特网或各种其他电信网络进行通信。例如，这类通信可以使软件从一个计算机或处理器加载到另一个计算机或处理器，例如，从管理服务器或主计算机加载到应用服务器的计算机平台。因此，可承载软件元件的另一类型的介质包括光波、电波和电磁波，例如在本地设备之间的物理接口上、通过有线和光陆线网络以及通过各种空中链路使用的光波、电波和电磁波。携带这类波的物理元件，例如有线或无线链路、光链路等，也可以被认为是承载软件的介质。如本文所使用的，除非限定为非暂时性的有形“存储”介质，诸如计算机或机器“可读介质”之类的术语可以是指参与向处理器提供指令以供执行的任何介质。
本文描述的计算机系统可以包括用于执行本文描述的任何算法或基于算法的方法的计算机可执行代码。在一些应用中，本文描述的算法将利用包括至少一个数据库的存储器单元。
与本公开有关的数据可以通过网络或连接发送以供接收者接收和/或审查。接收者可以是但不限于报告所涉对象；或其照料者，例如，健康护理提供者、管理者、其他健康护理专业人员或其他护理者；执行和/或订购分析的人或实体。接收者也可以是用于存储此类报告的本地或远程系统(例如，服务器或“云计算”架构的其他系统)。在一个实施方案中，计算机可读介质包括适于传输使用本文所述方法的生物样品的分析结果的介质。
本文提供的系统和方法的方面可以在编程中体现。技术的各个方面可以被认为是作为典型地以机器(或处理器)可执行代码和/或相关联的数据的形式的“产品”或“制品”，所述机器(或处理器)可执行代码和/或相关联的数据被携带在一种类型的机器可读介质上或体现在一种类型的机器可读介质中。机器可执行代码可以存储在电子存储单元，例如存储器(例如，只读存储器，随机存取存储器，闪存)或硬盘上。“存储”类型介质可包括计算机、处理器等的任何或所有有形存储器或其相关模块，如各种半导体存储器、磁带驱动器、磁盘驱动器等，其可随时为软件编程提供非瞬时存储。软件的全部或部分有时可以通过因特网或各种其他电信网络进行通信。例如，这类通信可以使软件从一个计算机或处理器加载到另一个计算机或处理器，例如，从管理服务器或主计算机加载到应用服务器的计算机平台。因此，可承载软件元件的另一类型的介质包括光波、电波和电磁波，例如在本地设备之间的物理接口上、通过有线和光陆线网络以及通过各种空中链路使用的光波、电波和电磁波。携带这类波的物理元件，例如有线或无线链路、光链路等，也可以被认为是承载软件的介质。如本文所使用的，除非限定为非暂时性的有形“存储”介质，诸如计算机或机器“可读介质”之类的术语是指参与向处理器提供指令以供执行的任何介质。
因此，机器可读介质例如计算机可执行代码可以采用许多形式，包括但不限于，有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘，例如任何计算机等中的任何存储设备，例如可用于实现附图中所示的数据库等。易失性存储介质包括动态存储器，例如这类计算机平台的主存储器。有形传输介质包括同轴电缆；铜线和光纤，包括在计算机系统内构成总线的线。载波传输介质可以采用电或电磁信号，或声波或光波的形式，例如在射频(RF)和红外(IR)数据通信期间产生的那些。因此，计算机可读介质的常见形式包括，例如：软盘(floppy disk)，软磁盘(flexible disk)，硬盘，磁带，任何其他磁介质，CD-ROM，DVD或DVD-ROM，任何其他光学介质，穿孔卡纸带，任何其他带孔图案的物理存储介质，RAM，ROM，PROM和EPROM，FLASH-EPROM，任何其他存储器芯片或盒式磁带，传输数据或指令的载波，传输此类载波的电缆或链路，或计算机可从中读取编程代码和/或数据的任何其他介质。许多这些形式的计算机可读介质可涉及将一个或多个指令的一个或多个序列传送到处理器以供执行。
系统可以包括通信接口，所述通信接口接收来自对象的包含生物分子的样品的生物分子数据。样品可以已经暴露于具有物理化学上不同的性质的多个颗粒。可以通过通信网络接收生物分子数据。
系统可以包括从疑似患有非小细胞肺癌(NSCLC)的对象的样品接收生物标志物数据的通信接口。生物标志物可以包含本文所述的一种或多种生物标志物。
系统可以包括与通信接口通信的计算机。计算机可以包括计算机处理器。计算机可以包括计算机可读介质，所述计算机可读介质包括机器可执行代码，所述机器可执行代码在由计算机处理器执行时实现方法。所述方法可以包括(i)通过通信网络接收生物分子数据，(ii)组合所述生物分子数据以生成所述样品的生物分子指纹，和/或(iii)为所述生物分子指纹分配标签。标签可以对应于本文所述的疾病状态。标签可以对应于对象中非小细胞肺癌(NSCLC)的存在或不存在。系统可以包括被配置为输出关于标签的信息的输出设备。
系统可以包括通信接口，其接收来自疑似患有癌症或肺癌例如非小细胞肺癌(NSCLC)的对象的样品的生物标志物数据。样品可包括本文所述的一种或多种生物标志物。可以通过通信网络接收生物分子数据。
系统可以包括生成生物分子数据的测定装置。测定装置可以通过执行测定的至少一个方面产生生物分子数据，所述测定包括质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色。在一些情况下，测定装置通过通信网络传输生物分子数据。测定装置可以包括质谱仪。生物分子数据可以包括质谱。测定装置可以包括色谱装置(例如液相色谱装置或高效液相色谱装置)。生物分子数据可以包括色谱数据。测定装置可以包括侧向流动测定装置。生物分子数据可以包括侧向流动测定数据。测定装置可以包括免疫测定装置(例如酶联免疫吸附测定装置、蛋白质印迹装置、斑点印迹装置或免疫染色装置)。生物分子数据可以包括免疫测定数据，例如图像或印迹。
实施例
以下实施例是说明性的，并且不限于本文所述的装置、系统、流体装置、试剂盒和方法的范围。
实施例1
非小细胞肺癌(NSCLC)研究
此实施例说明了非小细胞肺癌(NSCLC)研究。
样品的设计和收集，数据的收集。在多个站点收集以下三个组的数据：NSCLC(所有阶段)、肺部共病和健康对照。样品选择、纳入和排除标准如下：1)年龄≥18岁，知情同意，能够捐献50mL；2)既往无任何癌症病史；3)对于NSCLC对象，新诊断的癌症经病理证实且未接受过先前疗法；4)对于肺部共病对照，对象患有以下的多种中的一种：COPD、肺气肿、心血管疾病、高血压、肺纤维化、哮喘、任何其他慢性肺病；5)对于健康对照，对象是来自采集站点的非NSCLC非肺部招回者(可能患有其他疾病)。对于诊断后程序和诊断意识的NSCLC对象，诊断程序的中位时间为26天，并且在诊断后信息就诊期间或立即治疗前收集样品。收集的数据包括：1)纳米颗粒组数据：10种颗粒类型在经耗减的血浆(“DP”)中孵育，样品在每种颗粒类型/DP的4个板上随机分配，收集的数据包括测定过程和质谱(MS)注射对照；2)靶向MS数据：基于已知组开发并实施了来自31种蛋白质的51种肽的分析；和3)ELISA数据：对2种候选蛋白质(包括CA-125和CK19)实施了测定。在为期9周的研究中纳入了288名对象。
24个站点用于收集对象样品，样品被分组为NSCLC 1、2、3期(早期)、NSCLC 4期(晚期)或健康和肺部共病对照组。样品包括血浆和血清管、PAXgene RNA管和Streck血细胞收集管。随机选择的288名年龄和性别匹配的对象队列用于NP蛋白质谱分析。通过数据独立采集质谱(DIA-MS)评估来自由NP结合的蛋白质的肽。还准备经耗减的血浆用于分析。268个对象样品提供了组中所有10种颗粒类型和经耗减的血浆的完整数据集；(80名健康，80名共病对照，61名早期NSCLC(1、2和3期)和47名晚期NSCLC(4期)。所有288个样品的MS数据采集耗时7周。从历史上看，仅有经耗减的血浆的分析一直没有成效。颗粒组的蛋白质谱分析深度允许在分类器分析之前通过计算机模拟(in silico)去除与经耗减的血浆相关的所有蛋白质。这集中于分析在这种规模的研究中若非如此则无法观察到的新蛋白质。使用随机森林模型进行10轮10倍交叉验证，对研究组的每个成对比较进行分类分析。
对象是年龄和性别匹配的，并且来自多个站点的数据被包含在每个类别中(共病、健康、NSCLC 1期“NSCLC_1”、NSCLC 2期“NSCLC_2”、NSCLC 3期“NSCLC_3”和NSCLC 4期“NSCLC_4”)以避免偏倚。图1显示了NSCLC生物标志物发现研究中268名对象的年龄和性别分组。NSCLC 1、2和3期被合称为“早期NSCLC”，以提高创建分类器的能力。如表3所示，该研究在用于健康(80名对象)相比于NSCLC(61名对象)分类研究的141名对象中按类别划分没有年龄或性别偏倚。
表3–年龄和性别统计验证
Figure BDA0003874417360000921
以下表4中显示了10-颗粒类型组中的颗粒类型汇总，所有这些都是超顺磁性的。
表4–10-颗粒类型组
Figure BDA0003874417360000922
NSCLC研究的初步观察结果定量了使用10-颗粒类型组观察到的蛋白质数量。使用10-颗粒类型组在样品之间观察到的平均蛋白质计数为1,797±337。图2显示了每个研究组(包括健康、共病、NSCLC1期“NSCLC_1”、NSCLC 2期“NSCLC_2”、NSCLC 3期“NSCLC_3”和NSCLC4期“NSCLC_4”)的蛋白质计数。图3显示了经耗减的血浆DP和颗粒组的蛋白质计数。
据观察，在类似强度的基础上，与经耗减的血浆相比，颗粒实现了优越的蛋白质检测一致性。评估了作为强度函数的蛋白质群组检测的变异。在NSCLC研究(n＝82)的健康对象中检测到的蛋白质按颗粒类型进行评分，包括检测到给定蛋白质的对象数量和该蛋白质的平均信号强度。图4显示了针对颗粒组中所有10种颗粒类型和经耗减的血浆(DP)，蛋白质在对象之间的分数检测相比于所述蛋白质的平均丰度的结果汇总。曲线是数据的平滑拟合。如图4所示，颗粒在检测一致性方面优于经耗减的血浆。在给定的强度下，经耗减的血浆在样品之间表现出蛋白质的最低分数检测。
平均而言，使用多颗粒类型组从268个对象样品中的每个样品中检测到1,779种蛋白质，相比之下，使用经耗减的血浆仅检测到413种蛋白质。
健康相比于早期NSCLC(1、2、3期)的分类。最初的分类器构建在经耗减的血浆(“DP”)和10-颗粒类型组(“组”)之间显示出相当的高性能。对这两种方法的重要特征的检查揭示了可能的急性期反应(APR)或应激相关蛋白质作为初始分类的驱动因素。诊断程序本身和对象的诊断意识可能触发作为(人工)分类器信号的APR和其他应激相关蛋白质。去除与在经耗减的血浆中也发现的蛋白质相关的任何颗粒组特征去除了潜在的偏倚。此选项不适用于“浅层”谱分析工作。最终交叉验证的分类器利用了在颗粒组情况下可用的深度谱分析。图5显示了交叉验证的颗粒组分类器的性能，其中x轴显示呈假阳性的分类分数，而y轴显示呈真阳性的分类分数。在经耗减的血浆和10-颗粒类型组(“组”)中观察到APR和应激蛋白质偏倚。如下表5和表6所示，顶级特征被鉴定为与APR和相关蛋白质有关，它们是初始分类的主要驱动因素。重要性得分表明APR蛋白质，特别是CRP，驱动了分类器的初始性能。图6显示了针对经耗减的血浆(左)和10-颗粒类型组(右)，健康相比于NSCLC(1、2和3期)的随机森林模型图，并描绘了x轴上的假阳性分数和y轴上的真阳性分数。
表5-经耗减的血浆
Figure BDA0003874417360000931
Figure BDA0003874417360000941
表6–10-颗粒类型组
Figure BDA0003874417360000942
Figure BDA0003874417360000951
*CRP
￥触珠蛋白质
Figure BDA0003874417360000952
S10a8/9
最终的分类器包括突出无偏蛋白质组的重要性的特征。该最终分类器使用已知对NSCLC具有高重要性和低重要性的蛋白质以及对NSCLC没有先前重要性的蛋白质。表7显示了最终分类器中的蛋白质。OT得分是蛋白质的OpenTargets数据库得分。OT得分为0表示该蛋白质在OpenTargets中没有针对肺癌的条目。这些蛋白质是上述研究中新发现的特征。更高的OT得分有效地证实了分类器建立在与肺癌相关的蛋白质上。例如，TBA1A和SDC1是肺癌的药物靶点并且属于分类器的部分。
表7–最终分类器中最重要的蛋白质
Figure BDA0003874417360000953
Figure BDA0003874417360000961
包含NSCLC分类器的顶级特征与共病分类器的比较表明可以实现临床辨别的显著差异。此外，根据OpenTargets(OT)注释判断，对NSCLC 20个顶级分类器特征的检查突出了已知和未知在NSCLC中发挥作用的蛋白质。
图7显示了研究样品之间的分类器特征的性能。在每个图表中，在所有对象数据中针对各种颗粒类型，显示了20个顶级特征的蛋白质水平的差异。y轴上0.3的差异表示蛋白质水平的大约2倍变化。数据适用于ELISA确认。
图8显示了10轮10倍交叉验证的10次迭代的结果，其中对象类别分配随机化，假阳性分数在x轴上，真阳性分数在y轴上。由于对少量样品进行测量可能导致过度拟合，其中一些特征随机地将两组分开，因此进行了十轮10倍交叉验证以避免过度拟合。对象类别(“健康”或“NSCLC”)被随机化10次。每次都进行新的十轮10倍交叉验证。图8中显示的数据是去除经耗减的血浆中发现的蛋白质后，10-颗粒类型组蛋白质数据集中存在的特征。类别随机分类器的平均曲线下面积(AUC)为0.52±0.04(最大值：0.58)。在随机森林分类器构建中没有观察到过度拟合。
通过靶向质谱(MS)和ELISA评估候选标志物的性能。靶向MS和ELISA用于评估从已发表的NSCLC分类器组中鉴定的候选标志物。51种肽被MS靶向，2种蛋白质被ELISA检测。如对于上述颗粒组数据，在经耗减的血浆中检测到的蛋白质从考虑中去除。图9显示了去除经耗减的血浆中发现的蛋白质后，通过MRM-MS分析13种肽和通过ELISA分析2种蛋白质的ROC图。x轴显示假阳性分数，y轴显示真阳性分数。表8显示了通过靶向MS和ELISA检测到的蛋白质。
表8–通过靶向MS和ELISA检测到的蛋白质
AUC Uniprot 模式
0.81 CA125 ELISA
0.67 MMP9 MRM
0.66 MMP9 MRM
0.63 *CEAM5 MRM
0.60 *CEAM5 MRM
0.58 IL6RA MRM
0.58 GSLG1 MRM
0.57 CK19 ELISA
0.55 SPB4 MRM
0.55 FRIL MRM
0.53 MIF MRM
0.52 ENOG MRM
0.51 HS90A MRM
0.51 SCF MRM
0.50 ENOG MRM
*CEA
图10显示了所有研究组比较的随机森林模型。所有研究组比较的分类器包括在所有分类器构建中去除经耗减的血浆相关特征后的十轮10倍交叉验证。去除经耗减的血浆相关的蛋白质后，健康相比于早期NSCLC随机分类达到0.90的平均AUC。相同健康对象相比于晚期NSCLC和共病对象的比较分别达到0.98和0.84的平均AUC。
图11显示了研究组比较中重要特征的差异。描述了与6个成对分组中的每一组的20个顶级特征相关的蛋白质的比较。
在图14中所示的一种分析，分类器中前17种蛋白质中的13种(76％)是分泌型蛋白质。在该分析中，在血浆中，Proteograph在参考血浆中获取的蛋白质中约有28％是分泌型蛋白质。分泌型蛋白质可能在癌症疾病和治疗的机制中发挥重要作用。一些癌症驱动突变是针对细胞内蛋白质(例如BRAF、KRAS、PIK3CA、TP53)或受体蛋白质(例如EGFR)。图15包括关于一些生物标志物的一些任选细节。
实施例2
肺癌的检测
该实施例说明了使用经训练以使用本文公开的生物标志物来区分各种生物状态的分类器来检测肺癌。药物被工程化为靶向表7中列出的任何一种生物标志物，包括ANGL6_人、HTRA1_人、PXDN_人、CCL18_人、ANTR2_人、TBA1A_人、SDC1_人、SAA2_人、CSPG2_人、ANTR1_人、NOTUM_人、CILP1_人、CAN2_人、RLA2_人、SIAT1_人或GP1BB_人。任选地，药物靶向ANGL6_人、HTRA1_人、PXDN_人、CCL18_人、ANTR2_人、TBA1A_人、SDC1_人、SAA2_人、CSPG2_人、ANTR1_人、NOTUM_人、CILP1_人、CAN2_人、RLA2_人、SIAT1_人或GP1BB_人中的多于一种。
将样品从对象获得并与本文公开的颗粒组(例如表4的10-颗粒组)一起孵育。将颗粒与样品分离以去除未被结合的蛋白质，并通过质谱对颗粒上的生物分子冠分析一种或多种上述生物标志物。经训练的分类器(经训练以基于一种或多种上述生物标志物来区分健康、共病和NSCLC 1、2和3期生物状态)用于确定样品的生物状态。
实施例3
肺癌的治疗
该实施例说明了用靶向本文公开的生物标志物的药物治疗肺癌。药物被工程化为靶向表7中列出的任何一种生物标志物，包括ANGL6_人、HTRA1_人、PXDN_人、CCL18_人、ANTR2_人、TBA1A_人、SDC1_人、SAA2_人、CSPG2_人、ANTR1_人、NOTUM_人、CILP1_人、CAN2_人、RLA2_人、SIAT1_人或GP1BB_人。任选地，药物靶向ANGL6_人、HTRA1_人、PXDN_人、CCL18_人、ANTR2_人、TBA1A_人、SDC1_人、SAA2_人、CSPG2_人、ANTR1_人、NOTUM_人、CILP1_人、CAN2_人、RLA2_人、SIAT1_人或GP1BB_人中的多于一种。该药物通过化学合成或重组表达制造。将药物施用给有需要的对象。对象患有肺癌。在向对象施用后，肺癌的症状得到缓解和/或肺癌细胞被靶向并消除。
虽然在本文已经示出和描述了本公开的优选实施方案，但是对本领域技术人员而言显而易见的是，仅通过举例的方式来提供这样的实施方案。在不脱离本公开内容的情况下，本领域技术人员现在将想到许多变型、改变和替代。应当理解，在实践本公开时可以采用本文所述的本公开的实施方案的各种替代方案。所附权利要求旨在限定本公开内容的范围，并且由此覆盖这些权利要求的范围内的方法和结构及其等同方案。

Claims (70)

1.一种方法，包括：
获得包含来自生物分子冠的蛋白质信息的数据集，所述生物分子冠对应于与来自对象的生物流体样品一起孵育的物理化学上不同的颗粒；以及
基于所述数据集，使用分类器来鉴定指示所述对象的健康状态、癌症状态或其共病的所述生物流体样品。
2.根据权利要求1所述的方法，其中所述癌症是非小细胞肺癌(NSCLC)并且所述共病是肺部共病。
3.根据权利要求2所述的方法，其中所述肺部共病是除了非小细胞肺癌以外的慢性肺病。
4.根据权利要求2所述的方法，其中所述肺部共病选自：慢性阻塞性肺病(COPD)、肺气肿、心血管疾病、高血压、肺纤维化、哮喘、慢性肺病及其任何组合。
5.根据权利要求1-4中任一项所述的方法，其中所述癌症状态以约80％或更高的灵敏度或特异性被鉴定。
6.根据权利要求1-5中任一项所述的方法，其中所述蛋白质信息包括选自以下的蛋白质的表达信息：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、C-C基序趋化因子18(CCL18)、炭疽毒素受体2(ANTR2)、微管蛋白质α-1A链(TBA1A)、多配体蛋白聚糖-1(SDC1)、血清淀粉样蛋白质A-2蛋白质(SAA2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、60S酸性核糖体蛋白质P2(RLA2)、β-半乳糖苷α-2,6-唾液酸转移酶1(SIAT1)和血小板糖蛋白质Ibβ链(GP1BB)。
7.根据权利要求1-6中任一项所述的方法，其中所述蛋白质信息包括选自以下的蛋白质的表达信息：ANGL6、HTRA1、PXDN、ANTR2、CSPG2、ANTR1、NOTUM、CILP1、CAN2和GP1BB。
8.根据权利要求1-7中任一项所述的方法，其中所述蛋白质信息包括分泌型蛋白质的表达信息。
9.根据权利要求1-8中任一项所述的方法，其中获得数据集包括使所述生物流体样品与所述物理化学上不同的颗粒接触以形成所述生物分子冠。
10.根据权利要求1-9中任一项所述的方法，其中所述物理化学上不同的颗粒包括脂质颗粒、金属颗粒、二氧化硅颗粒或聚合物颗粒。
11.根据权利要求1-10中任一项所述的方法，其中所述物理化学上不同的颗粒包括羧酸盐颗粒、聚丙烯酸颗粒、葡聚糖颗粒、聚苯乙烯颗粒、二甲胺颗粒、氨基颗粒、二氧化硅颗粒或N-(3-三甲氧基甲硅烷基丙基)二亚乙基三胺颗粒。
12.根据权利要求1-11中任一项所述的方法，其中获得数据集包括通过质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色或其组合检测所述生物分子冠的蛋白质。
13.根据权利要求1-12中任一项所述的方法，其中获得数据集包括通过质谱检测所述生物分子冠的蛋白质。
14.根据权利要求1-13中任一项所述的方法，其中获得数据集包括测量指示所述生物分子冠的蛋白质的存在、不存在或数量的读出。
15.根据权利要求1-14中任一项所述的方法，其中所述分类器是通过去除或滤除与急性期反应相关的生物分子而产生。
16.根据权利要求2-15中任一项所述的方法，其中所述NSCLC包括早期NSCLC(1期、2期或3期)。
17.根据权利要求2-15中任一项所述的方法，其中所述NSCLC包括晚期NSCLC(4期)。
18.根据权利要求1-17中任一项所述的方法，其中所述方法进一步包括基于疾病状态向所述对象施用NSCLC治疗。
19.根据权利要求1-18中任一项所述的方法，其中所述分类器相对于使用来自经耗减的血浆样品的蛋白质组数据生成的第二分类器具有增加的蛋白质检测一致性。
20.根据权利要求1-19中任一项所述的方法，其中所述生物流体包括已去除红细胞的血液样品。
21.根据权利要求1-20中任一项所述的方法，其中所述生物流体包括血浆。
22.一种评估癌症状态的方法，包括：
测量来自疑似患有所述癌症的对象的生物流体样品中的生物标志物以获得生物标志物测量值，其中所述生物标志物包含选自以下的一种或多种生物标志物：血管生成素相关蛋白质6(ANGL6)、丝氨酸蛋白酶HTRA1(HTRA1)、过氧蛋白质同源物(PXDN)、炭疽毒素受体2(ANTR2)、多功能蛋白质聚糖核心蛋白质(CSPG2)、炭疽毒素受体1(ANTR1)、棕榈油酰-蛋白质羧酸酯酶NOTUM(NOTUM)、软骨中间层蛋白质1(CILP1)、钙蛋白酶-2催化亚基(CAN2)、血小板糖蛋白质Ibβ链(GP1BB)。
23.根据权利要求22所述的方法，其中测量所述一种或多种生物标志物包括使用与蛋白质结合并产生可检测信号的检测试剂。
24.根据权利要求22或23所述的方法，其中测量所述一种或多种生物标志物包括测量指示所述一种或多种生物标志物的存在、不存在或数量的读出。
25.根据权利要求22-24中任一项所述的方法，其中测量所述生物标志物包括进行质谱、色谱、液相色谱、高效液相色谱、固相色谱、侧向流动测定、免疫测定、酶联免疫吸附测定、蛋白质印迹、斑点印迹或免疫染色或其组合。
26.根据权利要求22-25中任一项所述的方法，其中测量所述生物标志物包括进行质谱。
27.根据权利要求22-26中任一项所述的方法，其中测量所述生物标志物包括进行免疫测定。
28.根据权利要求22-27中任一项所述的方法，其中测量所述生物标志物包括使所述生物流体样品与多个物理化学上不同的纳米颗粒接触。
29.根据权利要求22-28中任一项所述的方法，其中所述癌症包括肺癌。
30.根据权利要求22-29中任一项所述的方法，进一步包括将分类器应用于所述生物标志物测量值。
31.根据权利要求30所述的方法，其中所述分类器将所述癌症与慢性肺病、慢性阻塞性肺病、肺气肿、心血管疾病、高血压、肺纤维化或哮喘区分开。
32.根据权利要求22-31中任一项所述的方法，其中所述癌症包括非小细胞肺癌(NSCLC)。
33.根据权利要求32所述的方法，其中所述NSCLC包括早期NSCLC(1期、2期或3期)。
34.根据权利要求32所述的方法，进一步包括将分类器应用于所述生物标志物测量值，其中所述分类器包括将早期NSCLC和晚期NSCLC区分开的特征。
35.根据权利要求34所述的方法，其中所述特征包括选自以下的多种生物标志物之一：SDC1、OC085、KV401、MYL6、JIP2、HV459、HV461、HV169、HNRPC、ROA1、STON2、LV301、KVD20、SAE1、PDE5A、RTN3、HV373、LV325、H2B1C、H2B1D、H2B1H、H2B1K、H2B1L、H2B1M、H2B1N、H2B2F、H2BFS和NMT1。
36.根据权利要求32所述的方法，进一步包括将分类器应用于所述生物标志物测量值，其中所述分类器包括将NSCLC存在或不存在区分开的特征。
37.根据权利要求36所述的方法，其中所述特征包括选自以下的多种生物标志物之一：SDC1、ANGL6、PXDN、ANTR1、OC085、SAA2、HTRA1、KPCB、KV401、OCL18、MYL6、ANTR2、GTPB2、HDGF、TBA1A、CSRP1、TCO2、CSPG2、PTPRZ、ILF2、SIAT1、ITA2B、DOK2、H31、H31T、H32、H33、H3C、RAC2、ARRB1、DHB4、HV102、RHG18、GDF15、PCSK6、FHOD1或ITLN2。
38.根据权利要求22-37中任一项所述的方法，进一步包括基于所述生物标志物测量值将所述对象鉴定为患有所述癌症。
39.根据权利要求22-38中任一项所述的方法，进一步包括向所述对象施用癌症治疗。
40.根据权利要求22-39中任一项所述的方法，其中所述生物流体包括已去除红细胞的血液样品，或包括血浆。
41.根据权利要求22-40中任一项所述的方法，其中所述对象是人。
42.一种方法，包括：
(a)测定来自对象的生物样品以鉴定生物分子；
(b)基于(a)中鉴定的所述生物分子使用经训练的分类器来鉴定所述样品或所述对象对于非小细胞肺癌是阳性或阴性，其中使用来自包括已知健康样品和已知非小细胞肺癌样品的训练样品的数据来训练所述经训练的分类器，并且其中使用具有物理化学上不同的性质的多个颗粒测定所述训练样品以产生所述数据。
43.根据权利要求42所述的方法，其中所述生物分子包括蛋白质。
44.根据权利要求42所述的方法，其中所述生物分子是蛋白质。
45.根据权利要求42-44中任一项所述的方法，其中所述数据包括鉴定所述训练样品中蛋白质存在或不存在的蛋白质组数据。
46.根据权利要求42-45中任一项所述的方法，其中所述经训练的分类器被配置为去除急性期反应偏倚或应激蛋白质偏倚。
47.根据权利要求42-46中任一项所述的方法，其中所述经训练的分类器包括与蛋白质相关的特征，其中选择所述特征以排除所述生物样品中的急性期反应和/或应激蛋白质偏倚。
48.根据权利要求47所述的方法，其中所述分类器的所述特征排除选自以下的蛋白质：C-反应蛋白质(CRP)、触珠蛋白质和S10a8/9。
49.根据权利要求47所述的方法，其中所述分类器的所述特征排除CRP、触珠蛋白质和S10a8/9。
50.根据权利要求47所述的方法，其中所述分类器的所述特征排除表3中列出的蛋白质。
51.根据权利要求47-50中任一项所述的方法，其中所述分类器的所述特征包括分泌型蛋白质。
52.根据权利要求47-51中任一项所述的方法，其中所述分类器的所述特征包括表5中列出的多种蛋白质。
53.根据权利要求52所述的方法，其中所述分类器的所述特征列于表5中。
54.根据权利要求47-53所述的方法，其中所述特征包括微管蛋白质α-1A链(TBA1A)和多配体蛋白聚糖-1(SDC1)。
55.根据权利要求42-54中任一项所述的方法，进一步包括从对象获得生物样品。
56.根据权利要求55所述的方法，其中所述生物样品是复杂生物样品。
57.根据权利要求56所述的方法，其中所述复杂生物样品是血浆样品或血清样品。
58.根据权利要求42-57中任一项所述的方法，其中所述具有物理化学上不同的性质的多个颗粒包括表2或表4中列出的两种或更多种颗粒。
59.根据权利要求42-58中任一项所述的方法，其中所述具有物理化学上不同的性质的多个颗粒列于表2中。
60.根据权利要求42-59中任一项所述的方法，其中相对于使用来自与所述已知健康样品和所述已知非小细胞肺癌样品相同的对象的经耗减的血浆样品的蛋白质组数据训练的分类器，所述经训练的分类器基于AUC具有改进的性能。
61.根据权利要求42-60中任一项所述的方法，进一步包括输出指示所述样品或所述对象对所述非小细胞肺癌呈阳性或阴性的报告。
62.根据权利要求42-61中任一项所述的方法，其中所述测定包括进行质谱或ELISA，并且其中所述生物分子包括蛋白质。
63.根据权利要求42-62中任一项所述的方法，其中所述测定包括靶向质谱。
64.根据权利要求42-63中任一项所述的方法，其中所述经训练的分类器是经训练的算法。
65.根据权利要求42-64中任一项所述的方法，其中所述已知非小细胞肺癌样品包括早期(1-3期)非小细胞肺癌样品。
66.根据权利要求42-60中任一项所述的方法，其中所述经训练的分类器鉴定所述样品或所述对象对于所述非小细胞肺癌呈阳性和所述非小细胞肺癌的阶段。
67.根据权利要求42-66中任一项所述的方法，进一步包括以大于约80％的灵敏度鉴定所述样品或所述对象对于非小细胞肺癌呈阳性或阴性。
68.根据权利要求67所述的方法，其中所述灵敏度大于约85％、约90％、约95％或约99％。
69.根据权利要求42-68中任一项所述的方法，进一步包括以大于约80％的特异性鉴定所述样品或所述对象对于非小细胞肺癌呈阳性或阴性。
70.根据权利要求69所述的方法，其中所述特异性大于约85％、约90％、约95％或约99％。
CN202180026941.0A 2020-01-30 2021-01-27 肺生物标志物及其使用方法 Pending CN115397452A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062967995P 2020-01-30 2020-01-30
US62/967,995 2020-01-30
PCT/US2021/015339 WO2021154893A1 (en) 2020-01-30 2021-01-27 Lung biomarkers and methods of use thereof

Publications (1)

Publication Number Publication Date
CN115397452A true CN115397452A (zh) 2022-11-25

Family

ID=77078503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180026941.0A Pending CN115397452A (zh) 2020-01-30 2021-01-27 肺生物标志物及其使用方法

Country Status (8)

Country Link
US (2) US11664092B2 (zh)
EP (1) EP4096694A4 (zh)
JP (1) JP2023513470A (zh)
CN (1) CN115397452A (zh)
AU (1) AU2021213150A1 (zh)
CA (1) CA3165068A1 (zh)
GB (1) GB2603051B (zh)
WO (1) WO2021154893A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347643A (zh) * 2023-12-05 2024-01-05 成都泰莱生物科技有限公司 用于判断肺部结节良恶性的代谢标志物组合及其筛选方法和应用

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2021213150A1 (en) 2020-01-30 2022-08-04 Prognomiq Inc Lung biomarkers and methods of use thereof
US20220260559A1 (en) * 2020-11-04 2022-08-18 Seer, Inc. Biomarkers for diagnosing alzheimer's disease
WO2023039479A1 (en) * 2021-09-10 2023-03-16 PrognomIQ, Inc. Direct classification of raw biomolecule measurement data
JP2024534992A (ja) 2021-09-13 2024-09-26 プログノミック インコーポレイテッド 生体分子の増強された検出および定量
WO2023164697A2 (en) * 2022-02-28 2023-08-31 PrognomIQ, Inc. Glycoprotein assessment
WO2023240046A2 (en) * 2022-06-07 2023-12-14 PrognomIQ, Inc. Multi-omics assessment

Family Cites Families (102)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7099502B2 (en) 1999-10-12 2006-08-29 Biodiscovery, Inc. System and method for automatically processing microarrays
US7567870B1 (en) 2000-07-31 2009-07-28 Institute For Systems Biology Multiparameter analysis for predictive medicine
EP1425586B1 (en) 2001-09-14 2007-11-21 Electrophoretics Limited Mass labels
DE60207979T2 (de) 2002-03-05 2006-09-28 Epigenomics Ag Verfahren und Vorrichtung zur Bestimmung der Gewebespezifität von freier DNA in Körperflüssigkeiten
GB0305796D0 (en) 2002-07-24 2003-04-16 Micromass Ltd Method of mass spectrometry and a mass spectrometer
AU2003236461B2 (en) 2002-08-29 2009-05-28 Epigenomics Ag Improved method for bisulfite treatment
US7632686B2 (en) 2002-10-03 2009-12-15 Anderson Forschung Group High sensitivity quantitation of peptides by mass spectrometry
US7425700B2 (en) 2003-05-22 2008-09-16 Stults John T Systems and methods for discovery and analysis of markers
GB0315991D0 (en) 2003-07-08 2003-08-13 Dakocytomation Denmark As Standard
US20060183128A1 (en) 2003-08-12 2006-08-17 Epigenomics Ag Methods and compositions for differentiating tissues for cell types using epigenetic markers
US7998554B2 (en) 2004-07-06 2011-08-16 Bridgestone Corporation Hydrophobic surfaces with nanoparticles
GB0428191D0 (en) 2004-12-23 2005-01-26 Cambridge Display Tech Ltd Digital signal processing methods and apparatus
US7749299B2 (en) 2005-01-14 2010-07-06 Cabot Corporation Production of metal nanoparticles
US9002652B1 (en) 2005-01-27 2015-04-07 Institute For Systems Biology Methods for identifying and using organ-specific proteins in blood
WO2007014322A2 (en) 2005-07-27 2007-02-01 University Of Houston Nanomagnetic detector array for biomolecular recognition
US8668978B2 (en) 2005-12-01 2014-03-11 Northeastern University Multi-biomarker biosensor
US8849576B2 (en) 2006-04-28 2014-09-30 Hakima Amri Phylogenetic analysis of mass spectrometry or gene array data for the diagnosis of physiological conditions
US7899625B2 (en) 2006-07-27 2011-03-01 International Business Machines Corporation Method and system for robust classification strategy for cancer detection from mass spectrometry data
KR100846354B1 (ko) 2007-03-21 2008-07-15 (주) 프로탄바이오 혈청 당단백질부터 분리한 폐암 진단용 마커
US7815803B2 (en) 2007-06-14 2010-10-19 Roche Diagnostics Operations, Inc. Preparation of samples for LC-MS/MS using magnetic particles
EP3115469B1 (en) * 2007-11-19 2020-04-29 Celera Corporation Lung cancer markers and uses thereof
EP2124051A1 (en) 2008-05-23 2009-11-25 ETH Zurich Method for rapid generation of phosphorylation profiles, the detection of in vivo phosphorylation sites of kinases and phosphatases and their use as diagnostic markers in cells, tissues and body fluids
WO2010097785A1 (en) 2009-02-26 2010-09-02 University College Dublin, National University Of Ireland, Dublin A method for the selective concentration of a specific low abundance biomolecule
US20110171323A1 (en) * 2010-01-09 2011-07-14 The Translational Genomics Research Institute Methods and kits to predict prognostic and therapeutic outcome in small cell lung cancer
CN102812358A (zh) 2010-01-14 2012-12-05 中央佛罗里达大学研究基金会有限公司 生物分子和生物分子复合物(bmc)的检测和分析方法及其在研究和医疗诊断中的应用
US9149432B2 (en) 2010-03-19 2015-10-06 Massachusetts Institute Of Technology Lipid vesicle compositions and methods of use
US20130080073A1 (en) 2010-06-11 2013-03-28 Waters Technologies Corporation Techniques for mass spectrometry peak list computation using parallel processing
EP2591357A4 (en) 2010-07-09 2014-01-01 Somalogic Inc BIOMARKER FOR LUNG CANCER AND USE
WO2012031205A2 (en) 2010-09-03 2012-03-08 The Brigham And Women's Hospital, Inc. Lipid-polymer hybrid particles
EP2527459A1 (en) * 2011-05-02 2012-11-28 Rheinische Friedrich-Wilhelms-Universität Bonn Blood-based gene detection of non-small cell lung cancer
US8748352B2 (en) 2011-08-16 2014-06-10 Battelle Memorial Institute Peptide and protein biomarkers for type 1 diabetes mellitus
US11913957B2 (en) * 2011-12-21 2024-02-27 Biodesix, Inc. Compositions, methods and kits for diagnosis of lung cancer
US9201044B2 (en) 2011-12-21 2015-12-01 Integrated Diagnostics, Inc. Compositions, methods and kits for diagnosis of lung cancer
US10024860B2 (en) 2012-03-28 2018-07-17 Massachusetts Institute Of Technology Cancer-related extracellular matrix signatures and related methods and products
WO2013152989A2 (en) 2012-04-10 2013-10-17 Eth Zurich Biomarker assay and uses thereof for diagnosis, therapy selection, and prognosis of cancer
US9218690B2 (en) 2012-08-29 2015-12-22 Ge Aviation Systems, Llc Method for simulating hyperspectral imagery
US20140106976A1 (en) 2012-10-15 2014-04-17 The Board Of Trustees Of The Leland Stanford Junior University Compressed Sensing for Simultaneous Measurement of Multiple Different Biological Molecule Types in a Sample
JP6395718B2 (ja) 2012-11-19 2018-09-26 アプトン バイオシステムズ インコーポレイテッド 単一分子検出を用いた分子分析物のデジタル分析の方法
US10378053B2 (en) 2017-03-17 2019-08-13 Apton Biosystems, Inc. Sequencing and high resolution imaging
US10829816B2 (en) 2012-11-19 2020-11-10 Apton Biosystems, Inc. Methods of analyte detection
EP2971174A4 (en) 2013-03-14 2017-06-14 Genomedx Biosciences Inc. Cancer biomarkers and classifiers and uses thereof
CN109813914A (zh) 2013-06-07 2019-05-28 皮尔斯生物科技有限公司 通过质谱分析用复用内标物对蛋白质和蛋白质修饰的绝对定量
CA2938451C (en) 2014-01-30 2023-10-17 The Regents Of The University Of California Methylation haplotyping for non-invasive diagnosis (monod)
US20150253341A1 (en) 2014-02-10 2015-09-10 Merck Sharp & Dohme Corp. Quantification of tau in biological samples by immunoaffinity enrichment and mass spectrometry
PL4026917T3 (pl) 2014-04-14 2024-04-08 Yissum Research And Development Company Of The Hebrew University Of Jerusalem Ltd. Metoda i zestaw do określania śmierci komórek lub tkanek albo tkankowego lub komórkowego pochodzenia dna za pomocą analizy metylacji dna
DK3543356T3 (da) 2014-07-18 2021-10-11 Univ Hong Kong Chinese Analyse af methyleringsmønster af væv i DNA-blanding
US9710606B2 (en) 2014-10-21 2017-07-18 uBiome, Inc. Method and system for microbiome-derived diagnostics and therapeutics for neurological health issues
CN107110853A (zh) 2015-01-09 2017-08-29 阿通诺米斯公司 确定TNFα抑制药及其相应抗药抗体的量的通用测定法
US9984201B2 (en) 2015-01-18 2018-05-29 Youhealth Biotech, Limited Method and system for determining cancer status
US20160260594A1 (en) 2015-03-02 2016-09-08 Bayspec, Inc. Sample Inlet and Vacuum System for Portable Mass Spectrometer
US10329258B2 (en) 2015-04-30 2019-06-25 University Of Washington CGAS in systemic lupus erythematosus (SLE)
CA2990316A1 (en) 2015-06-25 2016-12-29 Metanomics Health Gmbh Means and methods for diagnosing pancreatic cancer in a subject based on a biomarker panel
US10878320B2 (en) 2015-07-22 2020-12-29 Qualcomm Incorporated Transfer learning in neural networks
US20170076195A1 (en) 2015-09-10 2017-03-16 Intel Corporation Distributed neural networks for scalable real-time analytics
US10886007B2 (en) 2015-11-23 2021-01-05 The Board Of Trustees Of The Leland Stanford Junior University Methods and systems for identification of biomolecule sequence coevolution and applications thereof
EP3390657B1 (en) 2015-12-17 2020-09-16 Illumina, Inc. Distinguishing methylation levels in complex biological samples
US10802027B2 (en) 2016-05-05 2020-10-13 Biodesix, Inc. Compositions, methods and kits for diagnosis of lung cancer
US10752655B2 (en) 2016-06-05 2020-08-25 Board Of Regents, The University Of Texas System Dual mass spectrometry-cleavable crosslinking reagents for protein-protein interactions
US11499196B2 (en) 2016-06-07 2022-11-15 The Regents Of The University Of California Cell-free DNA methylation patterns for disease and condition analysis
US9589374B1 (en) 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
GB201615128D0 (en) 2016-09-06 2016-10-19 Univ Manchester Methods
PL3554681T3 (pl) 2016-12-16 2022-05-16 The Brigham And Women's Hospital, Inc. Sposób na matryce sensorowe koron białkowych do wczesnego wykrywania chorób
US20210072255A1 (en) 2016-12-16 2021-03-11 The Brigham And Women's Hospital, Inc. System and method for protein corona sensor array for early detection of diseases
EP3559259A4 (en) 2016-12-21 2020-08-26 The Regents of the University of California DECONVOLUTION AND DETECTION OF RARE DNA IN PLASMA
US11179441B2 (en) 2017-01-06 2021-11-23 The Board Of Trustees Of The Leland Stanford Junior University Ciliary neurotrophic factor receptor ligands and methods of using the same
EP3361256A1 (en) 2017-02-08 2018-08-15 Fundación para la Investigación Médica Aplicada In vitro method for the diagnosis of lung cancer
WO2018148600A1 (en) 2017-02-09 2018-08-16 Board Of Regents, The University Of Texas System Methods for the detection and treatment of lung cancer
BR112019018272A2 (pt) 2017-03-02 2020-07-28 Youhealth Oncotech, Limited marcadores metilação para diagnosticar hepatocelular carcinoma e câncer
US11573239B2 (en) 2017-07-17 2023-02-07 Bioinformatics Solutions Inc. Methods and systems for de novo peptide sequencing using deep learning
US11694769B2 (en) 2017-07-17 2023-07-04 Bioinformatics Solutions Inc. Systems and methods for de novo peptide sequencing from data-independent acquisition using deep learning
CA3072195A1 (en) 2017-08-07 2019-04-04 The Johns Hopkins University Methods and materials for assessing and treating cancer
EP3679378A2 (en) 2017-09-05 2020-07-15 DiscernDx, Inc. Automated sample workflow gating and data analysis
US11607458B2 (en) 2017-10-25 2023-03-21 Georgia State University Research Foundation, Inc. Enrichment-triggered chemical delivery system
US20210190781A1 (en) 2018-03-17 2021-06-24 University Of Central Florida Research Foundation, Inc. Detection of Interaction Between an Assay Substance and Blood or Blood Components for Immune Status Evaluation and Immune-Related Disease Detection and Diagnosis
EP3776381A4 (en) 2018-04-13 2022-01-05 Freenome Holdings, Inc. IMPLEMENTATION OF MACHINE LEARNING FOR MULTI-ANALYTE TESTS OF BIOLOGICAL SAMPLES
GB2590185B (en) * 2018-04-23 2022-09-28 Seer Inc Systems and methods for complex biomolecule sampling and biomarker discovery
CN112823054A (zh) 2018-07-27 2021-05-18 维拉维斯公司 用于检测生物标志物的方法
CN109470859A (zh) 2018-11-04 2019-03-15 华东医院 一种外泌体蛋白作为鉴别肺结节良恶性标志物及其应用
EP3877400A4 (en) * 2018-11-07 2022-09-07 Seer, Inc. COMPOSITIONS, METHODS AND SYSTEMS FOR CROWN PROTEIN ANALYSIS AND THEIR USES
WO2020102043A1 (en) 2018-11-15 2020-05-22 Ampel Biosolutions, Llc Machine learning disease prediction and treatment prioritization
GB2612911B (en) 2019-02-14 2023-11-22 Mirvie Inc Methods and systems for determining a pregnancy-related state of a subject
WO2020198209A1 (en) 2019-03-26 2020-10-01 Seer, Inc. Compositions, methods and systems for protein corona analysis from biofluids and uses thereof
WO2020243526A1 (en) 2019-05-31 2020-12-03 410 Ai, Llc Estimating predisposition for disease based on classification of artificial image objects created from omics data
CN114746420A (zh) 2019-06-17 2022-07-12 苏特罗生物制药公司 用于癌症治疗和诊断的作为Toll样受体（TLR）7/8激动剂的1-(4-(氨基甲基)苄基)-2-丁基-2H-吡唑并[3,4-c]喹啉-4-胺衍生物及相关化合物以及其抗体药物偶联物
US20210005327A1 (en) 2019-07-05 2021-01-07 Molecular You Corporation Method and system for personalized, molecular based health management and digital consultation and treatment
US20210031166A1 (en) 2019-07-29 2021-02-04 University Of Utah Solid Phase Microextraction Membranes Impregnated with Gold Nanoparticles: Creation of Novel SERS-Enhancing Substrates
CA3146525A1 (en) 2019-08-05 2021-02-11 William Manning Systems and methods for sample preparation, data generation, and protein corona analysis
EP4013772A4 (en) 2019-08-13 2024-06-05 Washington University METHODS FOR DETECTING MTBR-TAU ISOFORMS AND THEIR USE
WO2021087407A1 (en) * 2019-11-02 2021-05-06 Seer, Inc. Systems for protein corona analysis
AU2021213150A1 (en) 2020-01-30 2022-08-04 Prognomiq Inc Lung biomarkers and methods of use thereof
US11232936B2 (en) 2020-05-28 2022-01-25 Thermo Finnigan Llc Absolute quantitation of a target analyte using a mass spectrometer
JP2023534985A (ja) 2020-07-20 2023-08-15 シアー， インコーポレイテッド 粒子およびアッセイ方法
GB202012434D0 (en) 2020-08-10 2020-09-23 Univ Manchester Multiomic analysis of nanoparticle-coronas
JP2023545017A (ja) 2020-10-02 2023-10-26 ボード オブ レジェンツ，ザ ユニバーシティ オブ テキサス システム 肺がんの検出及び治療のための方法
US20220260559A1 (en) 2020-11-04 2022-08-18 Seer, Inc. Biomarkers for diagnosing alzheimer's disease
US20240125795A1 (en) 2021-02-26 2024-04-18 Seer, Inc. Apparatus for biomolecule assay
WO2022212583A1 (en) 2021-03-31 2022-10-06 PrognomIQ, Inc. Multi-omic assessment
US11994455B2 (en) 2021-04-01 2024-05-28 Ondavia, Inc. Analyte quantitation using Raman spectroscopy
WO2023039479A1 (en) 2021-09-10 2023-03-16 PrognomIQ, Inc. Direct classification of raw biomolecule measurement data
JP2024534992A (ja) 2021-09-13 2024-09-26 プログノミック インコーポレイテッド 生体分子の増強された検出および定量
WO2023164697A2 (en) 2022-02-28 2023-08-31 PrognomIQ, Inc. Glycoprotein assessment
WO2023240046A2 (en) 2022-06-07 2023-12-14 PrognomIQ, Inc. Multi-omics assessment

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117347643A (zh) * 2023-12-05 2024-01-05 成都泰莱生物科技有限公司 用于判断肺部结节良恶性的代谢标志物组合及其筛选方法和应用
CN117347643B (zh) * 2023-12-05 2024-02-06 成都泰莱生物科技有限公司 用于判断肺部结节良恶性的代谢标志物组合及其筛选方法和应用

Also Published As

Publication number Publication date
GB2603051A (en) 2022-07-27
EP4096694A4 (en) 2024-01-24
WO2021154893A1 (en) 2021-08-05
US12087405B2 (en) 2024-09-10
AU2021213150A1 (en) 2022-08-04
CA3165068A1 (en) 2021-08-05
GB2603051B (en) 2023-04-26
US11664092B2 (en) 2023-05-30
US20220148680A1 (en) 2022-05-12
US20220334118A1 (en) 2022-10-20
JP2023513470A (ja) 2023-03-31
EP4096694A1 (en) 2022-12-07

Similar Documents

Publication Publication Date Title
US11664092B2 (en) Lung biomarkers and methods of use thereof
CN109070040B (zh) 用于疾病的早期检测的蛋白质冠传感器阵列的系统和方法
JP7507276B2 (ja) タンパク質コロナ解析のための組成物、方法およびシステムならびにそれらの使用
US20220328129A1 (en) Multi-omic assessment
US20230324401A1 (en) Particles and methods of assaying
JP2024050933A (ja) サンプル調製、データ生成、タンパク質コロナ分析のためのシステムおよび方法
CN114206214A (zh) 用于生物流体的蛋白质冕分析的组合物、方法和系统及其用途
US20230178176A1 (en) Direct classification of raw biomolecule measurement data
WO2023240046A2 (en) Multi-omics assessment
CN217505762U (zh) 用于测定生物样品的装置
US20230223111A1 (en) Multi-omic assessment
CN117396983A (zh) 多组学评估
GB2607436A (en) Multi-omic assessment
US20240353419A1 (en) Particles and methods of assaying
Rao et al. Designing nanotheranostics with machine learning
CN117202991A (zh) 用于生物分子测定的装置
Raijiwala et al. An Analytical Approach to Investigate Nanoparticle–Protein Corona Complexes
WO2024211060A2 (en) Methods and systems for classifying pixelated raw mass spectrometry data
Cottingham Research Profile: A new pipeline for biomarker discovery and validation

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