JP2007518972A - 集中化適応モデル及び遠隔操作サンプルプロセッシングの使用を介した生物学的状態の診断方法 - Google Patents

Abstract

特定の生物学的状態のモデルが作出されうる。上記モデルは未知の生物学的サンプルが特定の生物学的状態を示すかどうかを決定するために使用されうる。これは生物学的サンプル又は上記生物学的サンプルに関連するデータを受容することによりなされうる。上記データが受容された後、上記データは上記モデルに入力されうる。１の態様において、上記生物学的サンプルに関連するデータの取得は第一の場所で行われ、及び上記データを上記モデルに入力することは上記第一の場所とは異なる第二の場所で行われる。上記データが上記モデルと同様に位置しなければ、上記モデルに影響することが許容される場合、上記データは識別パターン内の特定のクラスターの位置に対して固有の効果を有するであろう。モデリングソフトウェアはモデルに対しての、受容されたそれぞれのサンプルが上記モデルの位置に対して有する正味の効果の跡を追うことができる。上記モデルが事前に決定された許容性の外側にずれた場合、上記モデルは更新されうる。さまざまなビジネス関係が、患者に診断を提供するための全体の方法のさまざまな段階を負うよう作出されうる。

Description

発明の分野
本発明は概して集中化バイオインフォマティクスモデリングシステムの使用を介した生物学的データの遠隔操作収集、選択、伝達、及び分析のためのシステムに関する。より詳細には、本発明はバイオインフォマティクスモデリングシステムを精密にする方法に関する。本発明はまたいくらかの診断及びモデリングを行うための組織機構にも関する。最後に、本発明は第一の場所でデータを収集する及び上記データをモデリングシステムにおける分析のために第二の場所に伝達するシステム又は方法に関する。

発明の背景
生物学的サンプルの分析方法は一般的に知られる。典型的な分析において、マススペクトロスコピーの如きハイスループットバイオアッセイは少なくともいくつかのその構成要素生化学成分（例えば、タンパク質、タンパク質断片、ＤＮＡ、ＲＮＡ等）を分離する及び定量化するために生物学的サンプルについて行われうる。マススペクトルの如きバイオアッセイの出力に基づいて、さまざまな診断が行われうる。例えば、特定の疾患状態の診断モデルは、スペクトルが由来するサンプルを、上記疾患状態を有する又は有しない患者から取られたものとして同定するために上記マススペクトルに適用されうる。生物学的サンプルのいくつかの既知の分析方法において、データ取得（すなわち、ハイスループットバイオアッセイのパフォーマンス）及びデータ分析（すなわち、診断モデルの適用）は同じ場所で達成される。

上記診断モデルは、それぞれの上記モデルがモデル化された疾患状態に関して既知の属性を有する（すなわち、上記疾患状態を有する又は有しないことが知られる）限定されている１セットの生物学的サンプルの分析に基づいており、及びそれから上記疾患状態が知られていない生物学的サンプルを評価するために使用される点で、静的であった。上記アプローチは、上記診断モデルを作出するために使用されるサンプルセットは、未知のサンプルが上記モデルによる分析のために引き抜かれるであろう集団の代表であると仮定する。この仮定が妥当でないと証明される場合、上記モデルの妥当性及び利用性は疑わしい。

新規の未知の生物学的サンプルへの診断モデルの適用性をモニターする又は評価する方法について、及び診断モデルが元のサンプルセット及び新規未知サンプルが引き抜かれた集団の間の相違を反映するよう更新されるべきかどうか、いつ更新されるべきか決定することについて要求がある。元のモデルが作出されたものに加えて生物学的サンプルを反映する新規モデルを作出することについてさらに要求がある。最後に、データを第一の場所で取得すること、１サブセットの上記データを上記第一の場所とは異なる第二の場所に伝達すること、及び上記第二の場所で上記データを分析することを含む、生物学的サンプルの分析方法について要求がある。

発明の要約
診断モデルは、生物学的サンプルが特定の生物学的状態を示すかどうかを決定するために構築されうる。上記モデルを構築するために、既知の生物学的状態を有するいくつかのサンプルが分析され、及び特定の生物学的状態に特異的な識別パターンを見つけるためにモデリングプログラムに入力されうる。

サンプルが特定の生物学的状態を有するかどうかを決定するために使用されうる診断モデリング及びパターン認識技術の例は、その両方の内容をそれらを全体として本明細書中に援用する、２００１年６月１９日出願の“Ｈｅｕｒｉｓｔｉｃ Ｍｅｔｈｏｄｓ ｏｆ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ”と題される米国特許出願番号０９／８８３，１９６、現在、米国出願公開公報番号２００２／００４６１９８Ａ１（“Ｈｅｕｒｉｓｔｉｃ Ｍｅｔｈｏｄｓ”）、及び２００１年７月１８日出願の“Ａ Ｐｒｏｃｅｓｓ ｆｏｒ Ｄｉｓｃｒｉｍｉｎａｔｉｎｇ Ｂｅｔｗｅｅｎ Ｂｉｏｌｏｇｉｃａｌ Ｓｔａｔｅｓ Ｂａｓｅｄ ｏｎ Ｈｉｄｄｅｎ Ｐａｔｔｅｒｎｓ ｆｒｏｍ Ｂｉｏｌｏｇｉｃａｌ Ｄａｔａ”と題される米国特許出願番号０９／９０６，６６１、現在、米国出願公開公報番号２００３／０００４４０２（“Ｈｉｄｄｅｎ Ｐａｔｔｅｒｎｓ”）中に開示される、Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ Ｅｎｇｉｎｅ（“ＫＤＥ”）である。ＫＤＥを実行するソフトウェアはＰｒｏｔｅｏｍｅ Ｑｕｅｓｔ（商標）の名の下にＣｏｒｒｅｌｏｇｉｃ Ｓｙｓｔｅｍｓ， Ｉｎｃ．から入手可能である。

作出された後、上記モデルはその状態が未知である新規生物学的サンプルが特定の生物学的状態を示すかどうかを決定するために使用されうる。（例えば、マススペクトルの如きバイオアッセイからの）上記生物学的サンプルを特徴付けるデータは上記モデルと比較され、上記サンプルが上記モデルを作り上げる診断クラスターの１に入るかどうかの評価がなされうる。さらに、上記モデルの持続する存続可能性の評価は、上記クラスターが未知のサンプルデータを組み込む場合、それぞれのクラスターの位置を再計算することにより上記モデルの構成要素診断クラスターの位置を再計算することによりなされうる。この再計算はそれぞれの未知のサンプルについて繰り返されうる。追加の未知のサンプルを用いて再計算されるクラスター中心の位置が事前に決定された許容性を超えて元の中心から離れる場合、上記モデルは上記未知のサンプルが引き抜かれた集団を正確に反映しない及び上記モデルは更新されるべきであるという決定がなされうる。更新された又は新規のモデルはそれから元のサンプルセット及び元のモデルにより分析されたいくつかの又は全ての追加のサンプルに基づいて作出されうる。

取得、診断、モニタリング、及び更新方法のさまざまな部分は１又は１超の実体により行われうる、及びさまざまな関係はモデルを提供すること、サンプルを収集すること、ハイスループットバイオアッセイプロセスを行うこと、上記モデルを用いて患者を診断すること、上記モデルにおけるずれ又は変化をモニターすること、及び上記モデルを更新することを専門にする、実体間及び実体の中で定義されうる。例えば、１の態様において、第一の実体は生物学的データを特徴付けるデータを取得する。１サブセットの上記取得されたデータはそれから第二の実体に（すなわち、インターネット又はイントラネットを介して）送られる。上記第二の実体は上記伝達されたデータをモデルに適用し、及び診断を行う。上記診断はその後上記第二の実体から上記第一の実体へ伝達される。１の態様において、上記第一の実体は上記第二の実体から離れて位置される。

発明の詳細な説明
一般的に、本発明は、既知の生物学的状態を有する患者から取られたはじめの１セットの生物学的サンプルに基づいた診断モデルを用いて未知のサンプルの生物学的状態を決定する方法、上記はじめのサンプルセットは上記未知のサンプルが取られた集団を正確に反映するという仮定の持続する妥当性を評価するために及び上記モデルは更新されるべきであるかどうかを決定するために未知のサンプルを用いる方法、及び少なくともいくつかの新規生物学的サンプルを用いて上記モデルを更新する方法を含む。

さまざまな用語が診断モデル及びそれらの作出、モニタリング、及び更新を示すために本明細書中で使用される。

本明細書中で使用されるとき、上記用語「特徴」はサンプルのバイオアッセイにより作出されるある範囲の値からの値をいう。例えば、タンパク質分離技術によるサンプルに由来するマススペクトルの場合、上記マススペクトルはある範囲のマス対チャージ（ｍ／ｚ）値により定義され、及び特徴は特定のｍ／ｚ値である。

本明細書中で使用されるとき、上記用語「ベクトル」は特徴及び関連する大きさ（マグニチュード）をいう。したがって、マススペクトルについて、ベクトルはマス対チャージ値及びそれに関連する大きさ（マグニチュード）又は幅（アンプリチュード）の両方を有する２次元の値である。

本明細書中で使用されるとき、上記用語「パターン」は１以上の生物学的サンプルを特徴付ける１以上のベクトルの集合をいう。

本明細書中で使用されるとき、上記用語「クラスター」は中心上に中心を置かれた（３次元空間では）球又は（ｎ−次元空間では）超球をいう。中心はしたがってｎ−次元空間における点である。上記ｎ−次元空間におけるそれぞれの次元は特徴に対応しうる、及びしたがって上記ｎ−次元空間におけるいずれの点も１セットのベクトルによって定義されうる。したがって、例えば、マススペクトルにより特徴付けられる生物学的サンプルはｎ−次元空間における点により定義されることができ、その点は上記空間の次元が対応する特徴から決定される上記サンプルについてのベクトルにより定義される位置である。中心、及びしたがって関連するクラスターは複数のサンプルからの特徴付けるスペクトルからのベクトルの加重平均により定義されうる。したがって、１セットの既知の生物学的サンプルに基づいた診断モデルは１サブセットのサンプルについてのベクトルの加重平均により定義されるクラスターを含みうる。サンプルのサブセットは、それぞれのサンプルの特徴付けるベクトルが上記サンプルのベクトルにより定義される中心について事前に決定された半径の超球内にあるものでありうる。

本明細書中で使用されるとき、上記用語「モデル」はｎ−次元空間における１以上のクラスターの集合をいい、ここで、空間の次元、及びクラスターの中心は上記モデルがその診断用であるべきである疾患又は他の生物学的状態について既知の値を有する患者から取られた１セットの生物学的サンプルのバイオアッセイに由来するデータから決定される。上記モデルのその又はそれぞれのクラスターは、例えば、特定の疾患を有する又は有しないのような生物学的状態についての値に関連する。上記用語「モデル」はまた超モデルに合同される複数の上記クラスターモデルをいいうる。

図１は本発明の１の態様にしたがってモデルを作出する、上記モデルを展開する、上記モデルをモニターする、及び必要に応じて上記モデルを精密にする又は更新するプロセスを示すプロセス図である。第一段階は図１中に例示されるように、１０００に分類された段階において示されるように、上記モデルを作出することである。これを行うために、複数のサンプルが段階１０１０で受容される。それぞれのサンプルはその後タンパク質分離に基づいたマススペクトルの如き、バイオアッセイにより段階１０２０で特徴付けられる。上記タンパク質分離はＳＥＬＤＩ又はＭＡＬＤＩの如きチップに基づいた技術により又はエレクトロスプレイイオン化（ＥＳＩ）プロセスにより行われうる。結果のマススペクトルは上記生物学的サンプルを集合的に特徴付ける多数のマス対チャージ値及び関連する幅（アンプリチュード）又は大きさ（マグニチュード）である。これらのマス対チャージ値及び関連する幅（アンプリチュード）は段階１０３０でパターン認識又は発見プログラムに入力されうる。スペクトルデータ中のパターンを同定するために使用されうる１の好適な技術は上記に同定されるＫＤＥである。

一般的に、ＫＤＥは「卵巣癌を有する」又は「卵巣癌を有しない」の如き、「診断」である、すなわち、サンプルを所望の診断カテゴリーに正確に区別する分子発現のパターンについて調べるであろう。ＫＤＥの操作はＨｅｕｒｉｓｔｉｃ Ｍｅｔｈｏｄｓ ａｎｄ Ｈｉｄｄｅｎ Ｐａｔｔｅｒｎｓ ａｐｐｌｉｃａｔｉｏｎｓ中に示され、及び本明細書中では詳細に繰り返されない。

ＫＤＥは（マス対チャージ値及び関連する幅（アンプリチュード）の如き）バイオアッセイデータを受容し、及びｎ−次元空間におけるデータのクラスター（すなわち、隠れたパターン）を同定しようとするであろう、ここで、ｎはスペクトルから選ばれたマス対チャージ値の数であり、及びそれぞれのスペクトルはそれぞれの選択されたマス対チャージ値の大きさ（マグニチュード）を用いてｎ−次元空間にマッピングされうる。それぞれのクラスターは上記モデルが区別することを意図される生物学的状態について好ましくは均質である。例えば、１の態様において、モデルは問題の疾患を有する患者に対応するサンプルのみがマッピングされる少なくとも１のクラスター及び問題の疾患を有しない患者に対応するサンプルのみがマッピングされる少なくとも１のクラスターを有するであろう。他の態様において、上記モデルは炭疽菌の如き病原体を含む生物学的サンプル、及び上記病原体を含まないサンプルを区別することを意図される。

ＫＤＥはしたがって生物学的サンプルから得られたデータ中にある隠れたパターンを発見するために使用されうる。これらの隠れたパターンに基づいて、ＫＤＥは特定の生物学的状態についてモデルを決定する、段階１０４０。

段階１０１０でサンプルを取得する、段階１０２０でタンパク質分離及びマススペクトル分析の如きバイオアッセイ技術を用いて上記サンプルを特徴付ける、及び１０３０の上記データ内のパターンを発見する段階はいくつのサンプルについても行われる。一般的に、より多くのサンプルがモデルを作出するために使用されれば、上記モデルはよりエラー強いものであり、それにより、状態が未知である生物学的サンプルの状態を正確に同定することにおいてその感度及び特異性を増大しうる。

上記モデルが特定の生物学的状態について作出された後、上記モデルはその後１１００として分類される段階において示されるように未知のサンプルに関連する生物学的状態を診断するよう展開されうる。上記モデル展開段階１１００において、未知の状態のサンプルは段階１１１０で受容される。上記に示されるのと同じ様式で、上記サンプルは段階１１２０で特徴付けられる。一旦これらの特徴付けデータが得られたら、上記サンプルは上記特徴付けデータから上記モデルに関連するベクトルを得ることにより段階１１３０で抽出される。したがって、上記モデルのそれぞれの次元（すなわち、特徴）について、対応するマス対チャージ値についての幅（アンプリチュード）が決定される。上記サンプルについてのベクトルはその後上記モデルのｎ−次元空間にマッピングされ、及び上記サンプルベクトルが上記モデルのクラスターの１内に位置するかどうかの決定が段階１１３０でなされる。上記モデルのクラスター（単数又は複数）に対する上記抽出されたサンプルベクトルにより定義される空間中の点のこの比較に基づいて、上記サンプルが取られた患者の生物学的状態の決定が段階１１４０でなされる。それぞれのモデルにおいて、好ましくは、マッピングされる場合、上記生物学的サンプルが疾患状態についての特定の試験済みであるものに関連することを示すであろう（例えば、サンプルは卵巣癌を有する患者から取られたと同定される）、少なくとも１のクラスターがある。それぞれのモデルは好ましくはまた、マッピングされる場合、上記生物学的サンプルが疾患状態についての試験済みであるものを表さないことを示す、少なくとも１のコントロールクラスターを有する。あるいは、上記抽出されたベクトルが上記モデルのどのクラスターについても外側に位置する場合、上記生物学的サンプルに関連するデータからのベクトルは上記モデル内のどのクラスターにも位置しなかったことを意味する、「不確定」の結果が戻されうる。

診断機能を行うことに加えて、診断ツール又はソフトウェアは自己モニタリングでありうる。例えば、サンプル抽出段階１１３０から受容されたデータは上記モデルデータに比較されうる。この比較に基づいて、上記ソフトウェアは、新規未知サンプルが、上記モデルを作出するために使用された既知のサンプルセットが未知のサンプルが引き抜かれる集団の十分な代表ではないということを示すかどうかの評価を行いうる。この評価を行うための１の好適な技術は、上記未知サンプルのベクトルを上記モデルを構築するために使用されたサンプルセットのベクトルと合同することにより、上記未知サンプルが位置するモデルのクラスター中心を再計算することである。その後、（存在する場合）再計算された中心位置及び元の中心位置の間の差が計算され、及びこの差は事前に決定された許容性又は閾値に比較されうる。上記中心位置における差が事前に決定された許容性を超える場合、上記モデルは、以下にさらに詳細に示されるであろうように、更新される必要がありうる。例えば、１の態様において、再計算された中心位置及び元の中心位置の間の差が事前に決定された許容性を超えるとき、コンピュータのディスプレイ上の映像出力の如き出力が（例えば、図１０との関連においてより詳細に示されるように）作出される。さらに、再計算された中心位置及び元の中心位置の間の差が事前に決定された許容性を超えないとき、映像出力の如き出力が作出される。

適切であると決定される場合及びとき、上記診断モデルが適用されるサンプルが上記モデルを更新するために使用されうる。好ましくは、それぞれの上記生物学的サンプルが生物学的状態について試験済みであるものに関連するかどうか、例えば、それぞれのサンプルは、生検又は他の臨床診断の如き決定的な診断技術によるように、上記疾患を有すること又は有しないことを独立に決定された患者から取られたかどうかについての独立した決定又は実証が段階１２００でなされる。上記追加のサンプルのそれぞれについてのこの独立した決定及びサンプル特徴付けデータは、元のモデルを作出するために使用された元の１セットの既知のサンプルについての特徴付けデータに沿って、モデル更新段階１３００に入力されうる。新規の又は更新されたモデルはその後このより大きなセットの既知の状態の生物学的サンプルを用いてＫＤＥ技術を用いて作出されうる。上記更新されたモデルはその後続くモデル決定１１４０において使用されるよう再展開されうる。

図２は本発明の局面にしたがう例示モデルを示す。示されるモデルは３次元空間中にプロットされた２の診断クラスター「Ａ」及び「Ｂ」を有するが、上記モデルはいくつの数の診断クラスター（好ましくは２以上の診断クラスター）及びいくつの数の次元をも含みうる。それぞれの診断クラスターはベクトルの数（この場合、３）により定義され、上記ベクターのそれぞれの１は（空間の対応する次元を定義する）特定のマス対チャージ値及び関連する大きさ（マグニチュード）を有する。図２は３次元空間中にプロットされたクラスター「Ａ」及び「Ｂ」を示すが、次元の数は上記クラスターを定義するベクトルの数により規定される。したがって、上記クラスターは実際にｎ−次元空間中の複数のマス対チャージ値及び大きさ（マグニチュード）のプロットであり、ここで、ｎはそれぞれのクラスターを定義する特徴の数（すなわち、上記モデルにおいて使用されるマス対チャージ値の数）に対応する。

上記クラスターは球として考えられうる。実際上、上記クラスターはおそらく（３超の次元については）超球又は他の超体積により定義されるであろうが、概念化の容易のために、本明細書中で説明される計算は３次元空間で行われると仮定しよう。それぞれのクラスターは上記クラスターに関連するベクトルの合計によりｎ−次元空間において定義される点である中心上に中心を置かれるであろう。

図２は２の中心Ｃ_1,0及びＣ_2,0を示す。それぞれの中心は文字Ｃにより、数の順序付けられた対を伴って表され（すなわち、Ｃ_i,j）、ここで、「ｉ」は任意に表されうる及び記載目的のみのために使用されるクラスター番号であり、及び「ｊ」は上記サンプル集団への上記モデルの適用性のモニタリングに関連する相互作用である。例えば、ｊ＝０は追加のサンプルの効果を考慮に入れない、元のモデルの中心位置を示す；ｊ＝１はこの中心に位置する１の追加の生物学的サンプルに関連するデータの効果を考慮に入れた、中心位置を意味する。この中心は「ずれ中心」として知られる。変動性の「ｊ」が増大するとき、追加の生物学的サンプルの数（又は適応性モデリング相互作用）は増大している（すなわち、それぞれの中心及びクラスターの位置に関連するデータの量は追加のサンプル分増大している）。事前に決定された半径を有する超体積（この場合、球）Ｈ₁、Ｈ₂は上記中心上に中心を置かれて定義されうる。この超体積は、新規生物学的サンプルに関連するデータストリーム（例えば、マススペクトル）から抽出された１セットのベクトルが位置する場合、上記生物学的サンプルが上記クラスターに関連する生物学的状態（例えば、「疾患を有する」又は「疾患を有しない」）をモデルにより割り当てられる領域を定義する。それぞれの超体積Ｈ₁、Ｈ₂は診断モデルにおける１のクラスターを示す。

未知のサンプルがモデルによる診断のために引き抜かれた集団は上記モデルが基づくサンプルが取られた集団とは顕著に異なるかどうかの評価がなされうる。１以上の新規未知生物学的サンプルに関連したデータが受容されるとき、上記データを診断目的のためにモデルと比較することに加えて（又はその代わりに）、上記データはモデルモニタリングソフトウェアに入力され、及び上記モデルと比較されうる。１の態様において、１セットのデータのみが上記ソフトウェアに入力される。上記１セットのデータは単一の生物学的サンプルに関連する。上記データはその後ｎ−次元空間中に（又は示されるように、３次元空間中に）プロットされる。例えば、生物学的サンプルに関連するマススペクトルから抽出されたベクトルは点Ｃ_1,0又はＣ_2,0以外の点に位置しうる。上記ソフトウェアは上記モデルを実際にプロットされた点と比較しうる、及び新規データが上記モデルに対して有しうる効果を決定しうる。

１の態様において、ある生物学的サンプルに関連するデータは一回上記モデルにかけられるが、データを複数回かけることも可能でありうる。

モニターされたモデルのずれの３次元プロットは図３中に示される。図３中に示されるモデルは３次元モデルであるが、実際のモデルはｎ−次元を有しうる。しかしながら、３次元モデルは概念化の目的のために例示される。

１の例において、第一の生物学的サンプルに関連する第一のセットのデータはモデルの中心位置を修正するために使用されうる。第一のクラスターの中心位置は点Ｃ_1,0から点Ｃ_1,1にシフトしうる（又は上記サンプルがその代わりに第二のクラスター中に位置する場合、上記第二のクラスターの中心が点Ｃ_2,0から点Ｃ_2,1にシフトしうる）。この点はその後、例えば、第一の中心についてＴ₁（又は第二の中心についてＴ₂）により定義される体積又は超体積でありうる事前に決定された許容性と比較される（Ｔ₁及びＴ₂のそれぞれはそれぞれの超体積Ｈ₁、Ｈ₂の半径より小さい）。

モデルが作出された後に上記モデルに入力されたそれぞれのサンプルからの追加のデータはクラスターの中心位置に対して比例した効果を有するであろう。例えば、モデルは２１５の生物学的サンプルを用いて構築されることができ、そのうちの１００は第一のクラスターに関連し、及び１１５は第二のクラスターに関連する。モデルが作出された後、上記モデルにかけられたそれぞれの追加のサンプルは対応する中心位置に影響することを許容されうる。ずれ中心は中心のクラスターに対応する全てのサンプル、すなわち、第一のクラスターに関連する元の１００サンプル及び追加のサンプル（単数又は複数）に関連するベクトルの平均として定義される。それゆえ、第一の新規生物学的サンプルは第一のクラスターの中心位置に対して１０００分の２より大きな効果を有するであろう。

第二の生物学的サンプルに関連する第二のセットのデータが考慮に入れられるとき、第一の中心位置は点Ｃ_1,1から点Ｃ_1,2にシフトしうる（又は上記第二のサンプルが第二のクラスターに位置する場合、第二のクラスターについての中心は点Ｃ_2,0から点Ｃ_2,1にシフトしうる）。以前のように、関連する中心の更新された位置はその後関連するクラスターについての事前に決定された許容性（Ｔ₁又はＴ₂）と比較される。

第三の生物学的サンプルに関連する第三のセットのデータが考慮に入れられるとき、例えば、第一の中心位置は点Ｃ_1,2から点Ｃ_1,3にシフトしうる（又は第三のサンプル（及び第二のサンプル）が第二のクラスターに位置する場合、第二のクラスターについての中心は点Ｃ_2,1から点Ｃ_2,2にシフトしうる）。以前のように、関連する中心の更新された位置はその後関連するクラスターについての事前に決定された許容性（Ｔ₁又はＴ₂）と比較される。

上記に示されるこの方法はユーザーが、新規サンプルとモデルが基づいているサンプルとの整合性をモニターすること、及びしたがって新規モデルを作出することが適切でありうるかどうか及びいつ新規モデルを作出することが適切であるかを決定することを許容する。図３中に示される例において、１８の異なるセットのデータの、モデルの中心に対する効果（９セットのデータが２のクラスターのそれぞれに対応する）が示される。これらの異なるセットのデータは、上記に示されるように、２の例示されるクラスターのそれぞれに関連する中心を新しい点に動かす。例えば、第一のクラスターに関連する中心はＣ_1,4に位置され、及びそのクラスターに位置する第四、第五、第六、第七、第八、及び第九のデータセットに関連する追加のデータに基づいてずれ中心Ｃ_1,5、Ｃ_1,6、Ｃ_1,7、Ｃ_1,8及びＣ_1,9に移動しうる、ここで、それぞれのデータセットは独特の生物学的サンプルに関連する。さらに、例えば、第二のクラスターに関連する中心は上記第二のクラスターに位置する９の追加のデータセットに関連する追加のデータに基づいてずれ中心Ｃ_2,9に移動しうる、ここで、それぞれのデータセットは独特の生物学的サンプルに関連する。

図３中に示されるように、第九のサンプルは第二のクラスターについての事前に決定された許容性Ｔ₂の外側に上記中心をずらした。中心が事前に決定された許容性の外側にずれたという決定が一旦なされたら、上記モデルは更新されうる。モデルを更新するための例示的な手順は以下により詳細に議論される。図３中に示されるように、両方のクラスターが事前に決定された許容性の外側にずれた中心を有することは必要でない。例えば、図３は１のクラスターのみが事前に決定された許容性の外側に移動した中心（すなわち、点Ｃ_2,9）を有し；そのクラスターについてこれもまた第九のデータサンプルに関連する点Ｃ_1,9は事前に決定された許容性Ｔ₁の外側に出なかった、例示的な態様を示す。

モデルの中心のずれをモニターする数学的方法の１の例は、ずれ中心及び元の中心の間の距離を比較し、上記距離が事前に決定された閾値を超えるかどうかを決定することを含む。図３中に示される態様において、例えば、点Ｃ_1,0及びＣ_1,1の間の距離は、３次元空間における２の中心の間の距離の数学的表示である：

として数学的に表されうる。この数学モデルは以下のように、ｎがデータセットからのベクター数に基づくｎ−次元空間にさらに拡張されうる：

２点間の距離についてのこの式はその後閾値状態が合うかどうかを決定するために閾値と比較されうる。例えば

ずれ中心Ｃ_1,1が事前に決定された許容性の外側に出る場合、モデルは更新される必要がある。図３中に示される例において、この状態は第一のクラスターに関連する中心のいずれについても満たされないであろう。しかしながら、以下の不等式は、ユーザーに上記モデルが更新及び精密化の必要があるということを合図して、満たされるであろう：

追加のデータセットのための中心のずれをモニターする数学的方法はＣａｒｔｅｓｉａｎ（デカルト）数学の式で示されているが、上記ずれはＥｕｃｌｉｄｉａｎ（ユークリッド）距離計算、Ｈａｍｍｉｎｇ距離計算、及びＭａｈａｌａｎｂｏｉｓ距離計算を含む、いくつかの異なる数学構築物によりモニターされうる。

それぞれのクラスターの中心について９の追加のセットのデータの効果が上記例において示されたが、データセットはいくつでも考慮に入れられうるということが理解されるべきである。

図４及び５はモデルを作出する、上記モデルの中心におけるずれをモニターする、及び上記モデルを精密化する、２の例示的な方法のフローチャートである。図４中に示される態様において、段階４１０で、モデルが作出される。上記に示されるように、上記モデルはＨｅｕｒｉｓｔｉｃ Ｍｅｔｈｏｄｓ特許出願中に示されるように作出されうる。次に、段階４２０で、生物学的サンプルに関連するデータがサンプル取得場所から受容されうる。１の態様において、上記データはインターネット接続、例えば、広域ネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）又はデータのワイアレス通信を含む他のインターネット若しくはイントラネットデータ通信方法上で受容されうる。これらのデータは特定の生物学的サンプルに関連するマススペクトルを作り上げるいくつかのマス対チャージ値及びマススペクトルを作り上げる関連する大きさ（マグニチュード）を含みうる。このマススペクトルは、非限定的に、ＭＡＬＤＩ、ＳＥＬＤＩ、エレクトロスプレイイオン化（ＥＳＩ）又は他のハイスループットプロセスを含む、好適なタンパク質分離技術に基づきうる。以下の図６について示されるように、上記マススペクトルデータはサンプル取得場所又は診断場所で得られうる。

段階４２０で、生物学的サンプルに関連するデータが診断場所で受容された後、段階４３０で、上記データは上記生物学的サンプルが特定の疾患状態に関連するかどうかを決定するためにモデルに入力されうる。診断プログラムは受容したデータを段階４１０で作出したモデルと比較し、診断を決定しうる、及びその後段階４４０で、Ｈｉｄｄｅｎ Ｐａｔｔｅｒｎｓ特許出願中でより詳細に示されるように、その診断を出力するであろう。

生物学的サンプルが疾患状態に関連するかどうかを決定することに加えて、上記モデルの持続する妥当性が、上記に示されるように、上記追加のデータの、上記サンプルが位置するクラスターの中心に対する効果を決定することによりモニターされうる。段階４５０で、ソフトウェアはモデルの関連する中心のずれを決定しうる。段階４６０で、上記ソフトウェアはその後、図３について示されるように、中心のずれの量が事前に決定された閾値を超えるかどうかを決定しうる。中心が事前に決定された閾値を超えるほどずれない場合、上記モデルは上記新規サンプルが引き抜かれる集団での使用に妥当なままであると推定され、及び段階４２０で、追加の生物学的サンプルに関連する追加のデータが受容されうる。中心が事前に決定された許容性を超えてずれた場合、段階４７０で、上記モデルは、好ましくは上記モデルが基づいた元のデータ及び段階４２０で受容された少なくとも１サブセットの新規データ、好ましくは関連する生物学的状態の決定的な診断（例えば、卵巣癌を有すること又は有しないこと）が得られているサブセットを用いることにより、更新される。［場合により、上記モデルの更新は元のモデルのクラスターの１に位置した全てのサンプルを用いて及び上記モデルの診断が正確であったと仮定して行われうる。］更新された（又は新規）モデルはその後追加の未知サンプルを診断するために使用されうる。

図５中に示される方法は、段階５７０で、診断を要請する段階がモデルの更新前に使用される点で、図４の方法と異なる。図４について示されるように、段階５１０で、元のモデルが作出され、及び段階５２０で、特定の生物学的サンプルに関連するデータが受容される。段階５３０で、この受容されたデータはその後診断ソフトウェアに入力され、及び上記モデルと比較される。５４０で、上記診断ソフトウェアはその後診断を出力しうる。図４について示されるように、段階５２０で、生物学的サンプルに関連する新規データの取得のためのモデルの中心のうちの関連する１におけるずれが計算されうる。上記診断ソフトウェアがモデルにおけるクラスターの中心が事前に決定された許容値の外側にずれたこと、及びそれゆえ上記モデルは更新される又は再び作出されるべきであることを一旦決定したら、段階５７０で、それぞれの新規生物学的サンプルが得られた患者の決定的な又は臨床の診断を得るために、例えば、サンプル収集場所又は医師への要請がなされうる。要請された診断は上記診断ソフトウェアを用いて行われた診断とは独立でありうる。一旦診断が受容されたら、（段階５８０で）上記モデルは段階５２０のそれぞれの繰返しにおいて受容されたデータを用いて更新され又は再び作出されうる。一旦上記モデルが更新されたら、それは再展開されうる、及び疾患状態について追加の生物学的サンプルを診断するために使用されうる。

１の態様において、上記診断は、例えば、癌の疾患状態についての生検の如き、診断ソフトウェアとは独立した方法からのものである。患者は、彼らのサンプルが上記モデルをモニターするために利用されるであろうということをサンプル収集場所で通知されうる、及び上記患者はこれに同意することを頼まれうる。さらに、患者は彼らの独立した診断結果（例えば、彼らの生検からの結果）が上記モデルの更新において使用されることを許す同意書にサインすることを要請されうる。１の態様において、同意する患者のみが彼らのサンプルを上記モデルを更新するために使用させるであろう。

上記に示される方法の適用において、上記方法のさまざまな段階又は部分は異なる実体により及び／又は地理的に分散した場所で行われうる、及びさまざまな関係は異なる実体及び／又は場所の中で定義されうる。さまざまな実体及び上記実体間の可能性のある関係を示す図は図６中に示される。患者６１０はサンプル収集場所でサンプル収集者６２０に行き、例えば、血液を取らせうる。この血液は上記に示される生物学的サンプルである。この血液はサンプル収集場所６２０から試験研究室６３０に送られうる。

あるいは、図６中に示されるように、患者６１０は医師６４０に行き、生物学的サンプルを取らせうる。上記生物学的サンプルは医師６４０から試験研究室６３０に送られうる。１の態様において、上記試験研究室は上記生物学的サンプルに関連するマススペクトルデータ（又は他のバイオアッセイデータ）を得うる。これらの結果は試験研究室６３０でコンピュータ読取可能媒体に貯蔵されうる。あるいは、上記マススペクトルはインターネット若しくはイントラネット接続又はワイアレスネットワークを含む電気的輸送方法又はディスケットを用いて診断場所６５０に送られうる。診断ソフトウェアはその後上記データを自動的に受容し、それをモデルと比較し、及び（診断場所６５０でのプロセッサーの計算能力、及びサンプル収集場所６２０及び診断場所６５０の間の接続の帯域幅に因り）ほとんど即座に試験研究室６３０に診断を出力しうる。

図３〜５について示されるように、サンプルが取られた患者集団についてのモデルの妥当性がモニターされうる。１の態様において、モデルは、本明細書中でモデル作出者６６０と呼ばれる、第一の実体により作出されうる。上記モデル作出者はその後上記モデルがモデル提供者６７０により配布されることを許しうる。上記モデル提供者６７０は診断場所６５０からマススペクトルデータ及び診断を受容しうる、及び試験研究室６３０から受容された追加のデータに基づいて上記モデルについてのずれ中心を計算しうる。上記モデルのいずれかの中心におけるずれが閾値の量を超える場合及びそのとき、モデル更新者６８０は精密化されたモデルを作出し、及びそのモデルを上記モデル提供者６７０に提供しうる。

図６中に示される態様において、診断場所６５０、モデル提供者６７０、モデル作出者６６０、及びモデル更新者６８０は別々の実体として示される。これは実情である必要はない。例えば、他の態様において（示されていない）、モデル提供者６７０、モデル作出者６６０、及びモデル更新者６８０は同じ実体でありうる。さらに、この実体はまた診断場所６５０をも含みうる。それゆえ、図６中に示されるそれぞれの機能を行う別々の実体が要る必要はない。

さらに、サンプル収集者６２０及び試験研究室６３０は別々の実体として示されるが、これは例示目的のみのためにそのようになされ、及び当業者は、サンプル収集者６２０及び試験研究室６３０が同じ実体であり及び同じ場所に存在しうることを理解するであろう。

異なる実体中の上記に示される段階／機能の可能性のある分布のいくつかの例は図７中に示される。図７はさまざまな実体及び異なる実体間の関係の１サブセットの可能な組み合わせを示す。実施例１において、７の異なる実体はモデルを提供する７１０、サンプルを収集する７２０、サンプルを特徴付ける７３０、サンプルを抽出する７４０、サンプルを診断する７５０、モデルをモニターする７６０、及びモデルを更新する７７０、異なる段階を行いうる。

実施例２において、サンプル収集７２０、サンプル特徴付け７３０、及びサンプル抽出７４０段階は同じ実体、実体Ｂにより行われうるが、（モデルを提供する７１０、サンプルを診断する７５０、モデルをモニターする７６０及びモデルを更新する７７０）他の段階はそれぞれ別の実体により行われる。

実施例３において、実施例２におけるように、サンプル収集７２０及びサンプル特徴付け７３０の両方の段階は同じ実体、実体Ｂにより行われうる。さらに、サンプル抽出７４０、診断７５０及びモデルをモニターする７６０段階は同じ実体、実体Ｃにより行われうる。最後に、この実施例において、モデルを提供する７１０及びモデルを更新する７７０段階は２の別々の実体（実体Ａ及び実体Ｄ）により行われうる。

実施例４において、実施例２及び３におけるように、サンプル収集７２０及びサンプル特徴付け７３０の両方の段階は同じ実体、実体Ｂにより行われうる。さらに、サンプル抽出７４０、診断７５０、モデルをモニターする７６０、及びモデルを更新する７７０段階は同じ実体、実体Ｃにより行われうる。最後に、この実施例において、モデルを提供する段階７１０は実体Ａにより行われる。

実施例５において、実施例２〜４におけるように、サンプル収集７２０及びサンプル特徴付け７３０の両方の段階は同じ実体、実体Ｂにより行われうるが、モデルを提供する７１０、サンプル抽出７４０、診断７５０、モデルをモニターする７６０、及びモデルを更新する７７０段階は実体Ａにより行われうる。

実施例６において、サンプル収集段階７２０は実体Ｂにより行われうるが、サンプル特徴付け７３０及びサンプル抽出７４０段階は実体Ｃにより行われうる。実施例５におけるように、モデルを提供する７１０、診断７５０、モデルをモニターする７６０、及びモデルを更新する７７０段階は実体Ａにより行われうる。

一般的な関係が図７について示されているが、これらの関係は単に例示であることが意味され、及び図７中に示される、及び本明細書中に示される特定の実施例のさまざまな他の組み合わせを排除するものであると意図されない。例えば、単一の実体は段階７１０〜７７０の全てを行いうる。

上記に示される方法の例示的な実行の一般的な操作がここで示されるであろう。特定の生物学的サンプルから得られた（マススペクトルデータの如き）サンプル特徴付けデータは、リアルタイムで（図８中に示されるように）複数のサンプル収集場所からの情報を受容するよう設定されうる及び上記データを分析し及び研究室、医師のオフィス又は他の離れた場所に実質的に即座の診断フィードバックを提供しうるモデルに対してマッピングされうる。例えば、１の態様において、上記診断フィードバックは（図１０に関連してより詳細に示されるようなコンピュータのディスプレイ上のように）離れた場所で表示される。他の態様において、上記診断フィードバックは結果データベースに送られうる。上記結果データベースは診断フィードバックを検索するために離れた場所からアクセスされうる。上記サンプル特徴付けデータはプロセッシング及び特定の疾患状態についてのモデルとの比較のためにサーバーにインターネット、イントラネット又は他の電気的高速接続上で送られうる。

サンプル収集場所が関連するデータをインターネット又はイントラネット接続上でリアルタイムで診断ソフトウェアに伝達しうる他の態様は、サンプル収集場所でユーザーが、上記サンプルが比較されるべき診断モデル（単数又は複数）を選択することを許容する。例えば、患者が分析のために取られたサンプルを有するとき、上記サンプルが試験されるべき特定の病気又は疾患はまだ医師に明らかでないかもしれない。上記生物学的サンプルに関連するサンプル特徴付けデータはサンプル収集場所でエンドユーザーによりなされた選択に基づいてリアルタイム又はほとんどリアルタイムでいくつかの異なるモデルと比較されうる。例えば、エンドユーザーはサンプルを３の異なる型の癌について試験することを所望しうる。あるいは、試験される生物学的状態は血中のアルコール及び／又はいくつかの異なる麻薬の存在を含みうる。また他の態様において、エンドユーザーは特定の疾患状態について試験することを望みうる、例えば、エンドユーザーは試験される特定の疾患は鎮静しているか、治ったか又は進行中であるかどうかを決定することを望みうる。特徴付けデータからの関連するベクターの抽出は使用されるモデルの選択に応じてエンドユーザーの場所で起こり、したがって、可能性として非常により少ない量のデータがモデルとの比較を行う実体／場所に伝達されることを許容しうる。

例えば、１の態様において、ユーザーの装置（すなわち、マススペクトロメーターを伴うコンピュータ）はユーザーの生物学的サンプルに基づいてデータを収集する。ユーザーは上記生物学的サンプルを示すデータが比較されるべき診断モデル（単数又は複数）を選択しうる。一旦ユーザーが上記生物学的サンプルを示すデータが比較されるべき診断モデル（単数又は複数）を選択したら、ユーザーの装置は（ユーザーの装置から離れて位置されうる）サーバーに選択を伝達する。サーバーはその後ユーザーの装置が生物学的サンプル特徴付けデータを選択されたモデル（単数又は複数）と比較するために必要とされる情報を伝達することを同定し及び要請する。１の態様において、生物学的サンプル特徴付けデータを選択されたモデル（単数又は複数）と比較するために必要とされる情報はユーザーの場所で得られる１サブセットのデータである。ユーザーの装置はその後上記同定された情報をサーバーに伝達し、上記データはサーバーの場所でモデルと比較され、及びサーバーはユーザーの装置に診断を伝達する。したがって、エンドユーザーの装置により収集された全てのデータのうちの少量のみがサーバーに伝達される。１の態様において、ユーザーの装置により収集されたデータの１０％がサーバーに伝達される。他の態様において、ユーザーの装置により収集されたデータの１０％超がサーバーに伝達される。他の態様において、ユーザーの装置により収集されたデータの１０％未満がサーバーに伝達される。また他の態様において、ユーザーの装置により収集されたデータの１％未満がサーバーに伝達される。

他の態様において、全ての特徴付けデータは使用されるモデル（単数又は複数）のユーザーからの伝達に基づいて、モデル比較と同じ実体に／同じ場所に伝達されうる、及び抽出は同じ実体により／同じ場所でなされうる。

他の態様において、サンプル特徴付けデータは得られ、及び診断場所に、取りはずし可能なコンピュータ読取可能媒体、例えば、（記録可能コンパクトディスク（ＣＤ−Ｒ）の如き）光学貯蔵ディスク又は（ディスケットの如き）磁気貯蔵ディスクを介して送られうる又はメールを介して送られうる。上記情報はその後モデルと比較されうる、及び診断は出力され、及び研究室又はサンプル収集場所に送り返されうる。

また他の態様において、サンプルそれ自体がサンプル特徴付けデータを上記生物学的サンプルから取得させるために診断場所に送られうる。上記データはその後コンピュータに入力され、及びモデルと比較されうる。診断はその後出力され、及び研究室に与えられうる。

図８はモデルを用いて生物学的サンプルを診断する、生物学的サンプルに関連する新規に得られたデータからのモデルの中心（単数又は複数）におけるずれをモニターする、及び患者８１０に診断を提供する方法を実行するためのシステムを示す。

図８は本発明の態様にしたがう例示的なネットワーク骨格図を示す。上記ネットワークは１以上のクライアント部分８３０及びサーバー部分８６０を有しうる。その又はそれぞれのクライアント部分８３０はデータ集中クライアント８３３及び結果データベース８３２につなげられうるいくつかの異なるデータ収集クライアント８３１を含みうる。サーバー部分８６０はモデル使用データベース８４０及びモデルサーバー８５０を含みうる。
図８中に示される態様において、生物学的サンプル８２０は患者８１０から取られうる。上記生物学的サンプルはその後データ収集クライアント８３１に送られうる。１の態様において、データ収集クライアント８３１はマススペクトロメーター８３４及びコンピュータワークステーション８３５を含む。データ収集クライアント８３１はマススペクトロメーター８３４を用いて、例えば、生物学的サンプル８２０からサンプル特徴付け（マススペクトル）データを得るであろう。マススペクトロメーター８３４はどんな型のマススペクトロメーターでもありうる、及び使用されるタンパク質分離プロセスは上記に同定されるもののいずれをも含みうる。データ収集クライアント８３１はまたワークステーション８３５を含む。ワークステーション８３５は作出されたモデル（単数又は複数）に関連する特徴を抽出し、それによりサンプルデータを抽出するよう設定されうる。ワークステーション８３５はまた質保証又は質制御プロセスを行うためのソフトウェアコードを含みうる。それぞれのサンプルに関連するデータは適切なサンプル識別名でコードされうる。サンプル識別名は、例えば、サンプル収集場所、特定の患者、及び上記データがマッピングされるモデル（単数又は複数）を同定しうる、例えば、アルファ−数コードを含みうる。

図８は３のデータ収集クライアント８３１を示すが、データ収集クライアント８３１はいくつでもありうる。１の態様において、世界中のそれぞれの都市にデータ収集クライアント８３１が存在しうる。他の態様において、ワークステーション８３５はいくつかのサンプルに関連するデータを貯蔵しうる、及びこれらのデータを定期的にデータ集中クライアント８３３に伝達しうる。データが事前に決定された標準に合うと決定された（すなわち、モデルとの比較に合うと質保証プログラムにより決定された）後、上記データはデータ収集クライアント８３１からデータ集中クライアント８３３に送られうる。データ集中クライアント８３３はデータ収集クライアント８３１から受容したデータを配列させてパッケージにするよう設定されうる。これらのパッケージはモデルサーバーにより容易に同定され及び使用されうるデータの配列である。１の態様において、データ集中クライアント８３３はデータ収集クライアント８３１から受容したデータをログしうる。データ集中クライアント８３３はサーバー部分８６０への骨格ネットワーク又は他のバス上での通信を許容し、及び（クライアント８３０を囲む点線により含まれる）ファイアウォールの向こうに位置されるデータ収集クライアント８３１と通信するためのサーバー部分にとっての唯一の方法でありうる。あるいは、データ集中クライアント８３３は（例えば、ＩＳＤＮ接続を用いて）定期的にモデルサーバーにアクセスし、及び異なるサンプルに関連するいくつかの異なるパッケージを提示しうる。１の態様において、データ集中クライアント８３３は、例えば、毎時間モデルサーバー８５０にパッケージを提示しうる。

データ集中クライアント８３３はデータ収集クライアント８３１から受容したデータの個々のパッケージをモデルサーバー８５０に伝達するよう設定されうる。モデルサーバー８５０はサンプル識別名に関連するモデル識別名を同定し、及びどのモデルに対して上記サンプルをマッピングするかを決定しうる。モデルサーバー８５０はまたモデルが同定された後、適切なモデルに対してサンプルに関連するデータのマッピングを行うよう設定されうる。モデルサーバー８５０は複数のモデルを扱うよう設定されうる。モデルに対してサンプルに関連するデータをマッピングすることに加えて、モデルサーバー８５０は上記データを評価しうる。データ評価はＨｅｕｒｉｓｔｉｃ Ｍｅｔｈｏｄｓ特許出願中により詳細に示される。

データがモデルに対してマッピングされた後、モデルサーバー８５０は上記データをモデル使用データベース８４０に出力しうる。モデル使用データベース８４０はモデルサーバー８５０により受容されたそれぞれのパッケージに関連するデータ及び評価の両方を貯蔵しうる。モデル使用データベース８４０はデータのパッケージ及び上記パッケージに関連するデータの評価を結果データベース８３２に出力しうる。モデル使用データベース８４０からのデータ出力はデータ収集クライアントで上記データに関連した同じ独特の識別名と共に出力されうる。モデル使用データベース８４０はパスワードを介して結果データベース８３２にアクセスしうる。１の態様において、上記パスワードはプロセスを行うためにソフトウェアコード中に貯蔵されうる。

データ収集クライアント８３１でのエンドユーザーは評価された結果を受容するために、例えば、独特のサンプル識別名を用いて、結果データベース８３２に問いうる。１の態様において、データ収集クライアント８３１は、例えば、サンプルに関連する独特のサンプル同定によるまだ結果を受け取っていない患者のリストを含む調査表及びデータ収集クライアント８３３に送られたデータを貯蔵するよう設定されうる。ワークステーション８３５はこの調査票にアクセスしうる、及び評価された試験結果が結果データベース８３２にアップロードされているかどうかを決定するために独特のサンプル識別名で結果データベース８３２に問いうる。１の態様において、この問いは定期的に行われうる；例えば、ワークステーションはエンドユーザーの要求に因り１０分毎に、毎時間、毎日又は他の許容される時間に結果データベースにアクセスしうる。

他の態様において、データ収集クライアント８３１、結果データベース８３２、モデル使用データベース８４０、及びモデルサーバー８５０は同じ機械内に存在しうる。この態様において、通信ネットワークを介して配置される構成要素を有する必要はないであろう。

他の態様において、それぞれのデータ収集クライアント８３１はその独自の結果データベース８３２を含みうる。この態様において、それぞれのデータパッケージはデータ集中クライアント８３３の必要なしにデータ収集クライアント８３１から直接的にモデルサーバー８５０に送られうる。この態様はサンプルが収集場所に物理的に輸送される必要性を減少させるであろう、及び「ターンキーシステム」を確立しうる。

また他の態様において、いくつかのデータ収集クライアント８３１は特定の地理的位置、例えば、日本国にわたり分散されうる。この態様において、データ収集クライアント８３１は、モデルサーバーにパッケージを送る前にサンプルに関連するデータをパッケージにするデータ集中クライアント８３３に接続されうる。追加のデータ収集クライアント８３１は、例えば、欧州にわたり分配されうる、及びデータを欧州データ収集クライアント８３３に関連するデータ集中クライアント８３３に送りうる。この態様において、それぞれの地理的領域、例えば、国、大陸等はその独自のデータ集中クライアント８３３を有しうる。データ集中クライアントはデータをパッケージにし、及び上記データを中枢モデルサーバー８５０に送りうる。代替の態様において、モデルサーバー８５０はそれぞれの地理的位置に位置されうる。

上記に示されるように、本発明に係る方法は個々の生物学的サンプルの生物学的状態を診断するために単一の診断モデルを使用する。単一のモデルの代わりに上記方法のいずれかと共に使用されうる代替のアプローチは個々の生物学的サンプルについての問題の生物学的状態を診断するために複数のモデルを使用する。このアプローチは図９中に図解で示される。このアプローチにおいて、生物学的サンプルに関連する（マススペクトルデータの如き）サンプル特徴付けデータは２以上の個々のモデルを組み込む重複モデル又は「超」モデル９１０に入力されうる。図９中に示される態様において、重複モデル９１０は個々のモデル９１１、９１２、９１３を含む。個々のモデル９１１、９１２、９１３は異なる数の次元を有しうる、生物学的サンプルの異なる特徴に基づいた次元、それらのそれぞれの空間におけるクラスターの異なる数及び／又は位置、及び異なる特異性及び感度を有しうる。異なる特異性及び感度を有する個々のモデルを合同することは特に有益でありうる。例えば、第一のモデル９１１は最も低い感度及び特異性を有しうる、第三のモデル９１３は第一のモデル９１１及び第二のモデル９１２より高い感度及び特異性を有しうる、一方、第二のモデル９１２は第一のモデル９１１より高い感度及び特異性を有しうるが、第三のモデル９１３より高い感度及び特異性は有しない。モデルの順序及び相対的な感度及び特異性は単に例示であり、及び異なる感度及び特異性を有するモデルのいくつの数の配列でも使用されうる。

生物学的サンプルについての抽出された特徴付けデータ（抽出段階は重複モデル９１０の個々の構成要素モデルに必要とされる全てのベクトルを作出する）が重複モデル９１０に入力されるとき、上記データは３のモデルのそれぞれにかけられるであろう、及びそれぞれのモデルは出力９２０で診断を作出する。例えば、第一のモデル９１１は第一の出力９２１を有しうる、第二のモデル９１２は第二の出力９２２を有しうる、及び第三のモデル９１３は第三の出力９２３を有しうる。

図９中に示される態様において、第一の、第二の、及び第三の出力は混合器９２４を介して混合され、単一の診断表示及び上記特定の診断がどのくらい正確か（又は上記診断における信頼のレベルがどのくらい高いか）を与えうる。これは、例えば、色でコード化された表示器によりなされうる。この態様において、色でコード化された出力ディスプレイ９３０が使用される。色でコード化されたディスプレイは、例えば、色、赤９３１、黄９３２、及び緑９３３を表示しうる。１の態様において、出力が赤９３１であるとき、３のモデル９１１、９１２、及び９１３のそれぞれは疾患状態について試験されたものについて陽性診断を出力する。出力が黄９３２であるとき、モデルのうちのいずれか１又は２（例えば、９１１、９１２）は疾患状態について試験されたものについて陽性診断を返す。出力が緑９３３であるとき、モデル９１１、９１２、及び９１３のどれも疾患状態について試験されたものについて陽性診断を出力しない。

重複モデルを用いた本発明の態様において、診断の正確さは改善されうる。しかしながら、プロセッサーはここでは抽出されたデータをいくつかの異なるモデルと比較しなければならないので、モデル全体（図９において、重複モデル９１０）の正確さは計算速度の犠牲を必然的に伴いうる。これは、しかしながら、重複モデル９１０において使用されるモデル９１１、９１２、及び９１３の数を適合させることによることはもちろん、パラレルプロセッシング技術を用いることにより補われうる。

生物学的サンプルは血液であるとして上記に示されているが、どんな生物学的サンプルも好適なバイオアッセイプロセスを用いて分析されうる。例えば、生物学的サンプルとしての血液の使用に加えて、上記生物学的サンプルは血清、唾液、血漿、乳頭吸引物、骨液、脳脊髄液、汗、尿、糞便、涙、気管支洗浄物、綿棒採取物、針吸引物、精液、膣液、射精前精液、組織培養上清、凍結乾燥組織培養物、及びウイルス培養物のいずれか１でありうる。生物学的サンプルはまた液体よりむしろ、気体でありうる、及び（哺乳類の如き）患者から抽出され、患者の外部の空間から得られ又は（モデルが患者よりむしろ問題の領域を分析しようとする場合）公共の空間又は貨物容器の如き問題の領域から単純に取られうる。

重複モデリングは３のモデル９１１、９１２、及び９１３を有するものとして図９について示されたが、いくつの数のモデルも上記重複モデルにおいて使用されうる。例えば、４の、５の又はその他の数のモデルが使用されうる。さらに、エンドユーザーへの出力は色でコード化された表示として示されたが、いかなる型の出力も使用されうる。例えば、それぞれのモデルについての結果を示す詳細なチャートはエンドユーザーのコンピュータに提供され及び／又は表示されうる。あるいは、詳述されたプリントアウトがエンドユーザーに送られうる。視覚出力以外の他の型の出力もまた可能である、例えば、診断のエンドユーザーに警告する可聴出力が視覚出力よりむしろ又は視覚出力と共に使用されうる。

図１０は開示される発明に係る方法及び／又はソフトウェアを実行するために使用されうる、ネットワーク２０５０につなげられたプロセッサーシステム２０１０及び（集合的に、個々に又はサブセットとして装置（単数又は複数）２０６０と本明細書中で呼ばれる）他の装置２０６０ａ、２０６０ｂ、２０６０ｃを含むネットワークシステム２０００の例を示すブロック図である。図１０中のさまざまな要素はネットワークコンピューティング環境２０００中に示され、ここで、プロセッサーシステム２０１０はネットワーク２０５０と相互に連結され、それによりプロセッサーシステム２０１０及び／又は複数の他の装置２０６０は通信しうる。図１０中に示される要素はそのようなプロセッサーシステム２０１０内に含まれうる構成要素及び／又はプロセッサーシステム２０１０と通信しうる装置の例であること、及び上記システムの所望される機能性に因り要素は除かれうる又は追加の要素は追加されうることが理解されるであろう。例えば、プロセッサーシステム２０１０はネットワーク２０５０に独立に機能しうる又は図１０中に示されるよりも多い又は少ない構成要素を含みうる。

図１０中に示されるプロセッサーシステム２０１０は、例えば、商業的に入手可能なパーソナルコンピュータ（ＰＣ）、ワークステーション、ネットワークアプライアンス、ポータブル電子装置又はより複雑でない計算又はプロセッシング装置（例えば、１以上の特定のタスクを行うこと専用の又は他のプロセッサーに基づいた装置）又はネットワーク２０５０を介して通信することができる他の装置でありうる。プロセッサーシステム２０１０のそれぞれの構成要素は図１０中で単一の構成要素として示されるが、プロセッサーシステム２０１０は複数の数の図１０中に示されるいかなる構成要素をも含みうる。さらに、プロセッサーシステム２０１０の複数の構成要素は、所望の場合、単一の構成要素として合同されうる。

プロセッサーシステム２０１０は一般的なプロセッシング操作を行うことができる商業的に入手可能なマイクロプロセッサーでありうるプロセッサー２０１２を含む。例えば、プロセッサー２０１２はＳａｎｔａ Ｃｌａｒａ， ＣａｌｉｆｏｒｎｉａのＩｎｔｅｌ Ｃｏｒｐ．から入手可能な中枢プロセッシングユニット（ＣＰＵｓ）の８０８６ファミリー又は他の同様のプロセッサーから選ばれうる。あるいは、プロセッサー２０１２は１以上の特定の機能を達成する又は１以上の特定の装置又はアプリケーションを使用可能にするよう設計された、アプリケーション特異的統合サーキット（ＡＳＩＣ）又はＡＳＩＣｓの組み合わせでありうる。また他の代替において、プロセッサー２０１２はアナログ若しくはデジタルサーキット又は複数のサーキットの組み合わせでありうる。

プロセッサー２０１２は１以上の個々のサブプロセッサー又はコプロセッサーを場合により含みうる。例えば、プロセッサー２０１２はグラフィックスを描写することができるグラフィックスコプロセッサー、数学的計算を効果的に行うことができる数学コプロセッサー、１以上の装置を制御することができるコントローラー、１以上の検出装置からセンサーの入力を受けることができるセンサーインターフェース等を含みうる。

さらに、プロセッサーシステム２０１０はプロセッサー２０１２の部分を場合により形成しうる又はプロセッサー２０１２の外部に存在しうるコントローラー（示されていない）を含みうる。上記コントローラーは、例えば、プロセッサーシステム２０１０に関連する１以上の装置を制御するよう設定されうる。例えば、コントローラーは入力又は出力装置、センサー又は他の装置の如き、プロセッサーシステム２０１０に統合される１以上の装置を制御するために使用されうる。さらに又はあるいは、コントローラーは周辺装置２０３０、ネットワーク２０５０を介してアクセスされる装置等の如き、プロセッサーシステム２０１０の入力／出力（Ｉ／Ｏ）構成要素２０２０を介してアクセスされうるプロセッサーシステム２０１０の外部の１以上の装置を制御するよう設定されうる。

プロセッサーシステム２０１０はまた記憶構成要素２０１４をも含みうる。図１０中に示されるように、記憶構成要素２０１４は１以上の型のメモリーを含みうる。例えば、記憶構成要素２０１４は読取専用メモリー（ＲＯＭ）構成要素２０１４ａ及びランダムアクセスメモリー（ＲＡＭ）構成要素２０１４ｂを含みうる。記憶構成要素２０１４はまたプロセッサー２０１２により引き出すことができる形でデータを貯蔵することに好適な、及びプロセッサー２０１２により書かれたデータを貯蔵することができる、図１０中に示されない他の型のメモリーをも含みうる。例えば、消去可能プログラム可能読取専用メモリー（ＥＰＲＯＭ）、電子消去可能プログラム可能読取専用メモリー（ＥＥＰＲＯＭ）、フラッシュメモリー及び他の好適な形のメモリーは記憶構成要素２０１４の部分として含まれうる。プロセッサー２０１２は記憶構成要素２０１４と通信し、及び記憶構成要素２０１４内にデータを貯蔵し又は記憶構成要素２０１４内に以前に貯蔵されたデータを引き出しうる。

プロセッサーシステム２０１０はまた１以上のさまざまな異なる型の貯蔵装置でありうる貯蔵構成要素２０１６をも含みうる。例えば、貯蔵構成要素２０１６は記憶構成要素２０１４と同様の装置（例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリー等）でありうる。さらに又はあるいは、貯蔵構成要素２０１６は（ディスク駆動装置又はハードディスク駆動装置の如き）磁気貯蔵装置、コンパクトディスク（ＣＤ）駆動装置、データベース構成要素等でありうる。換言すれば、貯蔵構成要素２０１６はプロセッサーシステム２０１０にアクセス可能なフォーマットのデータを貯蔵するのに好適ないずれの型の貯蔵装置でもありうる。

プロセッサーシステム２０１０のさまざまな構成要素は、プロセッサー２０１２から他の構成要素に命令を運ぶことができる、及びプロセッサーシステム２０１０のさまざまな構成要素の間でデータを運ぶことができる、バス２０１８を介して互いに通信しうる。記憶構成要素２０１４及び／又は貯蔵構成要素２０１６から引き出された又はそれらに書かれたデータはまたバス２０１８を介して通信されうる。

プロセッサーシステム２０１０及びその構成要素は（バス２０１８を介してアクセスされる）入力／出力（Ｉ／Ｏ）構成要素２０２０の方法によりプロセッサーシステム２０１０の外部の装置と通信しうる。本発明の１以上の態様にしたがって、Ｉ／Ｏ構成要素２０２０はさまざまな好適な通信インターフェース及びプロトコルを用いて通信しうる。Ｉ／Ｏ構成要素２０２０はまた、例えば、赤外ポート、光ポート、Ｂｌｕｅｔｏｏｔｈ（登録商標）ワイアレスポート、ワイアレスＬＡＮポート等の如き、ワイアレス接続をも含みうる。さらに、Ｉ／Ｏ構成要素２０２０は標準のシリアルポート、パラレルポート、ユニバーサルシリアルバス（ＵＳＢ）ポート、Ｓ−ビデオポート、広域ネットワーク（ＬＡＮ）ポート、スモールコンピュータシステムインターフェース（ＳＣＳＩ）ポート等の如き、ワイア接続を含みうる。

Ｉ／Ｏ構成要素２０２０の方法により、プロセッサーシステム２０１０はプロセッサーシステム２０１０にローカルな周辺装置２０３０の如き、プロセッサーシステム２０１０の外部の装置と又は（例えば、ネットワーク２０５０を介して）プロセッサーシステム２０１０と離れた装置と通信しうる。Ｉ／Ｏ構成要素２０２０は周辺装置２０３０の如き装置と通信するために使用される１以上の通信プロトコルを用いて通信するよう設定されうる。プロセッサーシステム２０１０と通信する周辺装置２０３０はプロセッサーシステム２０１０によりアクセスされる又はプロセッサーシステム２０１０に関連して使用されることが所望されるどんないくつかの周辺装置２０３０をも含みうる。例えば、プロセッサーシステム２０１０がＩ／Ｏ構成要素２０２０を介して通信しうる周辺装置２０３０は通信構成要素、プロセッサー、記憶構成要素、プリンター、スキャナー、貯蔵構成要素（例えば、外部ディスク駆動装置、ディスクアレイ等）又はプロセッサーシステム２０１０につなげられることが所望される他の装置を含みうる。

プロセッサーシステム２０１０はゲートウェイ（示されていない）の方法、ポイントオブプレゼンス（ＰＯＰ）（示されていない）又は他の好適な方法により、インターネット又は他のネットワークの如き、ネットワーク２０５０と通信しうる。他の装置２０６０はまたネットワーク２０５０にアクセスしうる、及びプロセッサーシステム２０１０と同様であり又はそれとは異なりうる。さらに、他の装置２０６０は、インターネットサービスプロバイダー（ＩＳＰ）、アプリケーションサービスプロバイダー（ＡＳＰ）、ｅメールサーバー又はホスト、掲示板システム（ＢＢＳ）プロバイダー又はホスト、ポイントオブプレゼンス（ＰＯＰ）、ゲートウェイ、プロキシサーバー又は装置２０６０のためのネットワーク２０５０への他の好適な接続点でありうるネットワークサービスプロバイダー（ＮＳＰ）を用いてネットワーク２０５０（及びそれにつなげられた装置）と通信しうる。
本発明のさまざまな特徴は（マススペクトルデータの如き）バイオアッセイデータを比較することによる疾患状態の診断方法に関連して示されている。いくつかの態様において、モデルは適応可能である。他の態様において、モデルは重複する。また他の態様において、モデルは重複し及び適応可能でありうる。さらに、本発明は、それぞれが全体のプロセスの特定の段階又は一部を行う複数の別々の実体間の相互作用を含みうる。しかしながら、多くの段階がさまざまな装置及びバイオインフォマティクス法で実行されうる、及び単一の実体を含むいくつの数の異なる実体によっても行われうることが理解されるであろう。さらに、本発明の範囲及び精神から離れないであろう変形及び改変が存在する。

本発明の態様にしたがってモデルを作出する、上記モデルを展開する、及び上記モデルを更新するプロセスのプロセス図である。 本発明の態様にしたがう２のクラスターを含む３次元モデルの例である。 いくつかのサンプルが考慮に入れられたときの３次元モデル及び再計算された中心位置の例である。 本発明の１の態様にしたがってモデルをモニターすること及び更新することを含む方法を示すフローチャートである。 本発明の他の態様にしたがってモデルをモニターすること及び更新することを含む方法を示すフローチャートである。 本発明のさまざまな態様にしたがう方法に関連しうるさまざまな実体、及び上記実体間の可能性のある関係又は相互作用を示す図である。 本発明のさまざまな態様にしたがう方法に関連しうるさまざまな実体、及び上記実体間の可能性のある関係又は相互作用を示す図である。 本明細書中に開示されるモデリングソフトウェアを用いて診断方法を実行するためのシステムを示す。 本発明の態様にしたがう重複「超」モデルを示す。 本発明の態様にしたがう方法又は方法の部分を行うために使用されうるコンピュータシステムの概略図である。

Claims (35)

1. 患者から取られた生物学的サンプルが上記患者が疾患を有することを示すかどうかを決定する方法であって：
   上記生物学的サンプルの分析を行うことにより得られたデータストリームからの１セットのベクトルについての要求を伝達すること、ここで、上記データストリームは複数のベクトルを有し、上記１セットのベクトルは少なくとも３の及び全てより少ないデータストリームのベクトルを有する；
   第一の場所で、第二の場所からの上記１セットのベクトルを受容すること、ここで、上記第二の場所は上記第一の場所と地理的に異なる；
   診断を決定するために上記１セットのベクトルをモデルに適用すること、ここで、上記診断は上記生物学的サンプルが上記疾患を有する患者から取られたかどうかの表示を含む；及び
   上記診断を伝達すること：
   を含む前記方法。
2. 上記要求を伝達することは上記第一の場所から上記第二の場所に、上記生物学的サンプルの分析を行うことにより得られたデータストリームからの１セットのベクトルについての要求を伝達することを含む、請求項１に記載の方法。
3. 上記適用することは、上記第一の場所で、診断を決定するために上記１セットのベクトルをモデルに適用することを含む、請求項１に記載の方法。
4. 上記診断を伝達することは上記診断を上記第一の場所から上記第二の場所へ伝達することを含む、請求項１に記載の方法。
5. 上記１セットのベクトルは第一のセットのベクトルであり、及び：
   上記第一の場所で、上記第二の場所からの要求を受容すること、ここで、上記要求は上記データストリームが分析されるべき少なくとも２の疾患の同定を含む；及び
   少なくとも３の及び全てより少ないデータストリームのベクトルを有する及び上記第一のセットのベクトル中にない少なくとも１のベクトルを有する第二のセットのベクトルについての要求を伝達すること：
   をさらに含む、請求項１に記載の方法。
6. 上記要求を受容することは上記要求を伝達することより前に起こる、請求項５に記載の方法。
7. 上記データストリームは上記生物学的サンプルについてマススペクトル分析を行うことにより得られる、請求項１に記載の方法。
8. 上記生物学的サンプルは血清、血液、唾液、血漿、乳頭吸引物、骨液、脳脊髄液、汗、尿、糞便、涙、気管支洗浄物、綿棒採取物、針吸引物、精液、膣液、及び射精前精液から成る群から選ばれる、請求項１に記載の方法。
9. 上記疾患は癌である、請求項１に記載の方法。
10. 上記診断は上記第二の場所に位置される結果データベースに伝達される、請求項１に記載の方法。
11. 上記１セットのベクトルは電子的方法を介して受容される、請求項１に記載の方法。
12. 上記１セットのベクトルはネットワーク接続を介して受容される、請求項１に記載の方法。
13. 上記１セットのベクトルは電子データを含む物理的貯蔵媒体を介して受容される、請求項１に記載の方法。
14. 患者から取られた生物学的サンプルが上記患者が疾患を有することを示すかどうかを決定する方法であって：
    患者から取られた生物学的サンプルの分析を行うことにより得られた、複数のベクトルを有するデータストリームを提供すること；
    少なくとも３の及び全てより少ない複数のベクトルが、上記生物学的サンプルが上記患者が上記疾患を有することを示すかどうかを決定するために必要とされるという表示を受容すること；
    必要なベクトルを得るために上記データストリームを抽出すること；及び
    上記必要なベクトルを第一の場所から第二の場所へ伝達すること、ここで、上記第二の場所は上記第一の場所と地理的に異なる：
    を含む方法。
15. 上記受容することは、上記第一の場所で、上記第二の場所から、少なくとも３の及び全てより少ない複数のベクトルが、上記生物学的サンプルが上記患者が上記疾患を有することを示すかどうかを決定するために必要であるという表示を受容することを含む、請求項１４に記載の方法。
16. 上記抽出することは上記第一の場所で上記データストリームを抽出することを含む、請求項１４に記載の方法。
17. 上記第一の場所で、上記第二の場所からの伝達を受容すること、ここで、上記伝達は上記生物学的サンプルが上記患者が上記疾患を有することを示すかどうかを表示する：
    をさらに含む、請求項１４に記載の方法。
18. 上記必要なベクトルは第一のセットの必要なベクトルであり、及び：
    要求を上記第一の場所から上記第二の場所へ伝達すること、ここで、上記要求は上記データストリームが分析されるべき第二の疾患の表示を含む；及び
    上記生物学的サンプルが上記患者が上記第二の疾患を有することを示すかどうかを決定するために必要とされる少なくとも３の及び全てより少ない複数のベクトルである第二のセットの必要なベクトルの表示を受容すること、ここで、上記第二のセットの必要なベクトルは上記第一のセットの必要なベクトル中に含まれない少なくとも１のベクトルを有する：
    をさらに含む、請求項１４に記載の方法。
19. 上記要求を伝達することは上記表示を受容することより前に起こる、請求項１８に記載の方法。
20. 上記データストリームは上記生物学的サンプルについてマススペクトル分析を行うことにより得られる、請求項１４に記載の方法。
21. 患者から取られた生物学的サンプルは第一の生物学的状態のものであるか又は第二の生物学的状態のものであるかを決定する方法であって：
    少なくとも３の及び全てより少ないデータストリームの複数のベクトルを得るために上記生物学的サンプルの分析を行うことにより得られた、複数のベクトルを有するデータストリームを抽出すること；
    上記抽出されたベクトルを第一の場所から第二の場所へ伝達すること、ここで、上記第二の場所は上記第一の場所と地理的に異なる；及び
    上記生物学的サンプルは第一の状態のものであるか又は第二の状態のものであるかを示す伝達を受容すること：
    を含む方法。
22. 上記要求を伝達することは上記表示を受容することより前に起こる、請求項２１に記載の方法。
23. 診断モデルが上記モデルが適用される患者集団に正確に適用可能であるかどうかを決定する方法であって、上記モデルは患者の生物学的状態を決定するよう設定され、上記モデルは１セットのデータストリームに基づき、上記データストリームのそれぞれは既知の生物学的状態の患者から取られた生物学的サンプルの分析を行うことにより得られ、上記モデルは少なくとも３次元を有するベクトル空間中に位置される少なくとも１の診断クラスターを有し、それぞれの次元は上記１セットのデータストリーム中のデータストリームに共通のベクトルに対応し、上記診断クラスターは上記診断クラスターに対応する上記１セットのデータストリームからのベクトル位置に基づいたはじめの中心位置に位置される中心を有し：
    ベクトルセットを受容すること、ここで、上記ベクトルセットは未知の生物学的状態の患者から取られた生物学的サンプルの分析を行うことにより得られたデータストリームからの少なくとも３のベクトルを含む；
    上記ベクトルセットを上記ベクトル空間にマッピングすること；
    上記ベクトルセットが上記診断クラスターに位置する場合、上記ベクトルセット及び上記診断クラスターに対応する上記１セットのデータストリームからのベクトル位置に基づいた上記クラスター中心の更新された位置を計算すること；
    はじめの中心位置及び更新された中心位置の間の距離を決定すること；
    はじめの中心位置及び更新された中心位置の間の距離が事前に決定された閾値より大きい場合、閾値を超えていることを示す出力を提供すること：
    を含む、前記方法。
24. はじめの中心位置及び更新された中心位置の間の距離が事前に決定された閾値より大きい場合、上記ベクトルセット及び既知の生物学的状態の生物学的サンプルに対応する上記データストリームに基づいた新規診断モデルを作出すること：
    をさらに含む、請求項２３に記載の方法。
25. 上記出力は目に見える出力である、請求項２３に記載の方法。
26. 上記出力は第一の出力であり：
    はじめの中心位置及び更新された中心位置の間の距離が閾値より小さい場合、閾値を超えていないことを示す第二の出力を提供すること：
    をさらに含む、請求項２３に記載の方法。
27. 患者から取られた生物学的サンプルが上記患者が疾患を有することを示すかどうかを決定するよう設定されたモデルを更新する方法であって、上記モデルは１セットのデータストリームに基づき、上記データストリームのそれぞれは既知の生物学的状態の患者から取られた生物学的サンプルの分析を行うことにより得られ、上記モデルはベクトル空間中に位置される少なくとも１の診断クラスターを有し：
    ベクトルセットを受容すること、ここで、上記ベクトルセットは未知の生物学的状態の患者から取られた生物学的サンプルの分析を行うことにより得られたデータストリームからの少なくとも３のベクトルを含む；
    上記ベクトルセットを上記ベクトル空間にマッピングすること；
    上記生物学的サンプルが上記患者が上記疾患を有することを示すかどうかを決定するために上記モデルを使用すること；
    上記患者が上記疾患を有するかどうかを示す上記患者の臨床診断を受容すること；及び
    上記１セットのデータストリーム及び上記ベクトルセットを用いて、患者から取られた生物学的サンプルが上記患者が上記疾患を有することを示すかどうかを決定するよう設定される他のモデルを作出すること：
    を含む、前記方法。
28. 未知の生物学的状態の患者に関連するデータストリームは上記生物学的サンプルについてマススペクトル分析を行うことにより得られる、請求項２７に記載の方法。
29. プロセッサーに：
    上記生物学的サンプルの分析を行うことにより得られたデータストリームからの１セットのベクトルについての要求を伝達すること、ここで、上記データストリームは複数のベクトルを有し、上記１セットのベクトルは少なくとも３の及び全てより少ないデータストリームのベクトルを有する；
    第一の場所で、第二の場所からの上記１セットのベクトルを受容すること、ここで、上記第二の場所は上記第一の場所と地理的に異なる；
    診断を決定するために上記１セットのベクトルをモデルに適用すること、ここで、上記診断は上記生物学的サンプルが上記疾患を有する患者から取られたかどうかの表示を含む；及び
    上記診断を伝達すること：
    をさせる命令を表すコードを含む、プロセッサーで読取可能な媒体。
30. プロセッサーに：
    どの複数のベクターが、患者から取られた生物学的サンプルが上記患者が上記疾患を有することを示すかどうかを決定するために必要であるかの表示を受容すること；
    少なくとも３の及び全てより少ないデータストリームの複数のベクトルを得るために、上記生物学的サンプルの分析を行うことにより得られた、複数のベクトルを有するデータストリームを抽出すること；及び
    上記抽出されたベクトルを第一の場所から第二の場所へ伝達すること、ここで、上記第二の場所は上記第一の場所と地理的に異なる：
    をさせる命令を表すコードを含む、プロセッサーで読取可能な媒体。
31. 生物学的サンプルの生物学的状態を決定する方法であって：
    上記生物学的サンプルの分析を行うことにより得られたデータストリームからの１セットのベクトルについての要求を伝達すること、ここで、上記データストリームは複数のベクトルを有し、上記１セットのベクトルは少なくとも３の及び全てより少ないデータストリームのベクトルを有する；
    第一の場所で、第二の場所から上記１セットのベクトルを受容すること、ここで、上記第二の場所は上記第一の場所と地理的に異なる；
    診断を決定するために上記１セットのベクトルをモデルに適用すること、ここで、上記診断は上記生物学的サンプルの生物学的状態の表示を含む；及び
    上記診断を伝達すること：
    を含む方法。
32. 上記生物学的状態の表示は、上記生物学的サンプルが第一の状態のものであるか又は第二の状態のものであるかの表示である、請求項３１に記載の方法。
33. 上記第一の状態は疾患状態であり、上記第二の状態は健康な状態である、請求項３２に記載の方法。
34. 上記第一の状態は生物学的病原体の存在であり、上記第二の状態は上記生物学的病原体の不在である、請求項３２に記載の方法。
35. 上記第一の状態は生物学的毒素の存在である、請求項３２に記載の方法。

Images