JP2012517215A - 胸部腫瘍のサブ分類のための方法 - Google Patents

Abstract

一つ以上のＣｐＧジヌクレオチドのゲノムメチル化状態を決定するステップを有する、乳癌疾患の分析のための方法が提供される。更にまた、データ処理装置で実行されるとき、当該方法のステップを実施するのに適しているソフトウェアコードを有するコンピュータ可読媒体に格納されるコンピュータプログラムが提供される。臨床医を支援するための手段を有する装置も提供される。

Description

本発明は、一般に、生物学及び生命情報科学の分野に関係する。特に本発明は、癌腫瘍の分類の分野に関係し、更に特に、癌腫瘍の分類の際に補助となるメチル化された部位を特定することに関係する。

世界的に、乳癌は、肺癌、胃癌、肝癌及び大腸癌の後の癌死の５番目に最も多い死因である。女性の中で、乳癌は、最も多い癌であって、癌死の最も多い死因である。

乳癌は、外科的に除去される胸部組織の病理検査により診断される。診断の後、正しい治療を選択するとき、臨床医を援助するため腫瘍タイプを分析することが重要である。従来において、斯様な分析は、２つのカテゴリに従って実施される。

第１のカテゴリは、Ｎｏｔｔｉｎｇｈａｍ Ｐｒｏｇｎｏｓｔｉｃ Ｉｎｄｅｘ（ＮＰＩ）のような臨床予後指標を定めるために、腫瘍サイズ、ＥＲ／ＰＲ状態、リンパ節陰性等のような免疫組織病理変数の使用を含む。斯様な指標の課題は、非常に保守的なことを示していることであり、よって通常は、疾患再発の危険度が低いときでも、患者に積極的治療を受けさせてしまう。

第２のカテゴリは、多数の遺伝子、通常は約５００の遺伝子の発現量（ｅｘｐｒｅｓｓｉｏｎ ｌｅｖｅｌ）の測定、及び遺伝子の相対的な発現量に基づいてサブタイプの確率を計算することを含む。この方法は、組織取り扱い要件に関して非常に高コストである。実験装置の必要性により、臨床設定で実施することも難しい。

ＤＮＡメチル化、遺伝で受け継ぎ、その後元のＤＮＡ配列を変えずに除去できるＤＮＡの一種の化学修飾は、遺伝子制御の最もよく研究されたエピジェネティックなメカニズムである。ＣｐＧアイランドと呼ばれるベース（塩基）の線形配列内のグアニンヌクレオチドの次にシトシンヌクレオチドが発生するＤＮＡの領域がある。

ＣｐＧアイランドは、通常の細胞において一般に重くメチル化される。しかしながら、腫瘍形成の間、低メチル化がこれらのアイランドで発生し、これは結果的に特定の繰り返しの表現となる。これら低メチル化事象はまた、幾つかの癌の発病度に相関する。癌のような病変で起こる特定の状況、刷り込み、発現、組織特異性、又はＸ染色体不活化の下で、遺伝子関連のアイランドは、重くメチル化される。特に、癌において、腫瘍抑制因子に最も近いアイランドのメチル化は頻繁な事象であり、しばしば、第２の対立遺伝子が欠失（ヘテロ接合性欠失（ＬＯＨ））により失われるとき発生する。メチル化されたアイランドで一般に見られる幾つかの腫瘍抑制因子は、ｐ１６、Ｒａｓｓｆ１ａ及びＢＲＣＡ１である。

結腸直腸及び前立腺癌のためのエピジェネティックなマーカーが報告されている。例えば、Ｅｐｉｇｅｎｏｍｉｃｓ ＡＧ社（ベルリン、ドイツ）は、血漿内の結腸直腸癌検診のためのマーカーとして、Ｓｅｐｔｉｎ９を持つ。癌の特異的治療反応を予測するためにメチル化部位を使用し、適切な治療を推奨する方法が、米国特許出願公開公報ＵＳ２００５００２１２４０Ａ１に開示されている。しかしながら、この方法により予測される結果は、臨床診療において直接適用できないので、限定的である。従って、時間的に効果的で、信頼性が高く、費用効果的である乳癌疾患の分析のための方法を持つことは有利である。

従って、本発明は、当技術分野の上記欠失及び不具合の一つ以上を、単独で又は組合せて好ましくは緩和し、軽減し、又は除去しようとし、添付の請求項に従って乳癌疾患の分析のための方法を提供することにより、少なくとも上述の課題を解決する。

本発明の態様によると、乳癌疾患の分析のための方法が開示される。当該方法は、ＳＥＱ ＩＤ ＮＯ．１からＳＥＱ ＩＤ ＮＯ．６００までの配列のグループから選択される配列内の一つ以上のＣｐＧジヌクレオチドのゲノムメチル化状態を決定する方法を有する。当該方法は、メチル化パターンを使用して、癌腫瘍を特徴づける改良された能力を提供する。

配列ＳＥＱ ＩＤ ＮＯ．１乃至６００の対象の領域は、（それぞれの「染色体（Ｃｈｒｏｍｏｓｏｍｅ）」の「スタート（Ｓｔａｒｔ）」及び「エンド（Ｅｎｄ）」として）表１に示される。

この態様は、胸部細胞の増殖性疾患の非常に特定の分類を可能にするという点で、従来技術を超える改良を提示する。

本発明の態様において、コンピュータプログラムが開示される。コンピュータプログラムは、データ処理装置で実行されるとき、本発明の態様による方法のステップを実施するのに適しているソフトウェアコードを有するコンピュータ可読媒体に格納される。

本発明の態様において、装置が開示される。装置は、幾つかの実施例に従って方法を実施するのに適している手段を有する。これの持つ利点は、臨床医を支援することである。

本願で、請求される配列は、示される配列の反転補足である配列も包含する。

本発明のこれら及び他の態様、特徴並びに利点は、添付の図面を参照して、本発明の実施例の以下の説明から明らかに説明されるだろう。

図１は、幾つかの実施例による方法の概略図である。 図２は、５つの測定１〜５のデータセット２０の概略図である。 図３は、５つの測定１〜５の第１のサブセット３０の概略図３０である。 図４は、５つの測定１〜５の第２のサブセット４０の概略図である。 図５は、クラスタ５１、５２、５３の具体例であり、図５Ａが第１のクラスタ５１であり、図５Ｂが第２のクラスタ５２であり、図５Ｃが第３のクラスタ５３である。 図６は、実施例によるコンピュータプログラムの概略図である。 図７は、実施例による装置の概略図である。

本発明の幾つかの実施例は、当業者が本発明を実施可能なように、添付の図面を参照して以下に詳細に説明されるだろう。しかしながら、本発明は、多くの異なる形式で実施されてもよく、ここで説明される実施例に限定されるものと解釈されてはならない。むしろ、これらの実施例は、この開示が完全であって完了していて、当業者に本発明の範囲を充分に伝えるように提供されている。実施例は、本発明を限定しないが、本発明は、添付の請求項によってのみ限定される。更にまた、添付の図面に図示される具体例の詳細な説明で使用される用語は、本発明を限定的にすることを意図していない。

幾つかの実施例による着想は、乳癌疾患を分析するためにＤＮＡ配列の小さな選択を使用する方法である。分析は、本願で開示される配列又はその反転補足の何れかで、一つ以上のＣｐＧジヌクレオチドのゲノムメチル化状態を決定することによりなされる。

幾つかのＤＮＡ配列、配列番号１乃至６００は、驚くべきことに、細分類腫瘍により乳癌を分析するために用いられるエピジェネティックなマーカーとして作用することがわかった。従来技術では、遺伝子発現に基づいて乳癌を細分類（サブタイプ）することが可能である。５つの異なるサブタイプ、管腔（内腔）Ａ、管腔Ｂ、基礎、ＥＲＢＢ２過剰発現及び正常が報告された。発明者は、ＤＮＡメチル化を使用して、同じサブタイプを特定した。

ＤＮＡ配列番号１乃至６００は、８３個の胸部腫瘍セット間で、メチル化のために１５００００個の個別のゲノム座を分析することにより特定された。腫瘍標本に関する臨床情報の有効性は、乳癌サブタイプ、組織学及び腫瘍積極性との関連で、ＤＮＡメチル化の調査を可能にした。５つの主要な乳癌分子サブタイプ、管腔Ａ及びＢ、基礎、ＥＲＢＢ２過剰発現、正常が特定された。最初に、メチル化を使用して腫瘍セットの監視されていないクラスタ形成に関する調査が実行されたが、腫瘍セットの監視されていないクラスタ形成は、表現分析により特定された又はされていない主要な管腔及び基礎分類を繰り返す。フィルタ基準が、クラスタ形成時に使われる特徴を特定するために用いられた。この基準は、８３個の腫瘍サンプル間で最も変化したトップ５００の座であった。この時、通常の組織から腫瘍と区別されたトップ１００座が加えられた。表１に示されるこれら６００の特徴は、表現サブタイプデータが利用できた８３個の腫瘍をクラスタ化するために用いられた。これらの６００の座に基づいてサンプルのピアソン相関及び完全な結合で階層的なクラスタ形成は、表現分析によりできるものに驚くほど類似するデンドログラム（系統樹）を与えた。
表１ 癌の分類のための６００の特徴

実施例では、図１による方法１０が提供される。前記方法１０は、ＳＥＱ ＩＤ１乃至ＳＥＱ ＩＤ ＮＯ．６００によるメチル化分類リストから少なくとも一つのポストを有する特徴サブセットを選択するステップ１００を有する。

特徴サブセットを選択するステップ１００は、Ｎ値のベクトルｍ_ｉの形式で各サンプル（ｓ_ｉ、ｉ＝１．．Ｍ）に対するメチル化特徴を持つデータセットを前提として、各特徴サブセットの適合性を特徴づけるための完全なリンケージ及びピアソン相関で、階層的クラスタ形成に基づいて実施され、ここで、ｍ_ｉ，ｊは、ｉ番目のサンプル及びｊ番目のプローブに対するメチル化状態を供給する。通常、測定された信号の幾つかの統計分析は、上記の階層的クラスタ形成方法に入力されるべき一組のプローブ（特徴）を作る。

特徴サブセット選択１００は、遺伝的アルゴリズム（ＧＡ）を使用し、これは、特徴サブセットの幾つかの特性をある程度特徴づけるフィットネス関数に基づいて特徴サブセットを繰り返し評価する。実施例では、ピアソン相関及び完全なリンケージでの階層的クラスタ形成は、特徴サブセットがどれくらい良好かを判断するためのフィットネス関数として使用される。

以下の例が、原理を例証するために用いられる。

図２は、測定値のデータセット２０を示し、この場合１〜５で示される５つのサンプルは、文字Ａ乃至Ｈで示される８つの特徴で特徴づけられる。図３及び図４は、データセットから行（特徴）を選択することにより測定値データセットから生成される２つの特徴サブセットを示す。図３は、１〜５として示される５つのサンプルで、特徴が４つしかない第１の特徴サブセット３０を示す。図４は、１〜５として示される５つのサンプルで、特徴が６つしかない第２の特徴サブセット４０を示す。

次に、クラスタ形成が実施される。図５は、ピアソン相関及び完全なリンケージでの階層的クラスタ形成に従属するときの図２乃至図４からのデータセットに基づくクラスタ又はデンドログラムを示す。図５Ａは、全体のデータセット２０に基づいく第１のクラスタ５１を示す。図５Ｂは、第１の特徴サブセット３０に基づく第２のクラスタ５２を示し、図５Ｃは、第２の特徴サブセット４０に基づく第３のクラスタ５３を示す。

データセットをクラスタ化した後、全てのクラスタ形成結果のランク付けが実施される。一つの実施例では、クラスタ分析方法が、ランキングのために用いられる。例えば、これらの有効性に基づいて、例えばクラスタ結合又は分離に関して、個々のクラスタを特徴づけて、ランクを付けることは可能である。これは、当業者によく知られている複数の態様の１つでなされてもよい。よって、サンプルをクラスタ化するために用いられるとき、これらが生成するクラスタの品質に基づいて、２つ以上の特徴サブセットにランクを付けることは可能である。

他の実施例では、サンプルの幾つか特性（例えば病変に基づく癌サブタイプ）が、ランクを付けるために使われる。この特性から、同じ又は関係するサブタイプが一緒にグループ化される。例えば、図２乃至図４から５つのサンプルがそれぞれこれら｛１＝Ｘ、２＝Ｘ、３＝Ｙ、４＝Ｙ、５＝Ｘ｝に関連した以下のサブタイプラベルを持つ場合、このときこれは、図５に示される３つのクラスタのための以下のラベルグループ化を作るだろう。Ａ：｛ＸＸＹ、ＹＸ｝；Ｂ：｛ＸＹ、ＹＸＸ｝；Ｃ：｛ＸＸＸ、ＹＹ｝。この場合、図５Ｃにより表される第２のサブセット４０は、正しくサブタイプを一緒にクラスタ形成するので、第１の特徴サブセット３０、又は全体のデータセット２０に基づくクラスタ化と比較して明らかにより良好である。

実施例では、２つのクラスタ形成出力Ｄ１及びＤ２が、クラスタに基づいて比較される。最初に、Ｎ個の（Ｃ_１、Ｃ_２．．．Ｃ_Ｎ）クラスタが、クラスタ形成により作られ、デンドログラムに基づいて得られる。それから、特性が、シルエット幅―ＳＩＬ（Ｃ_ｉ）のようなポピュラーな方法で、クラスタに基づいて計算される。ここで、クラスタ形成の単一の数の特徴が、以下の式により得られる。
ＡＶＧＳＩＬ（Ｄ）＝（ＳＵＭ［ｉ＝１．．Ｎ］ＳＩＬ（Ｃ_ｉ））／Ｎ

ＡＶＧＳＩＬ（Ｄ_１）とＡＶＧＳＩＬ（Ｄ_２）とを比較することにより、どのクラスタ形成が好ましいか決定される。他の実施例では、データ構造ＧがＮｘＬの大きさを持つマトリックスの形式で構築され、ここで、Ｌはサンプルが利用できる異なるラベルの数である。ラベル｛Ｘ．Ｙ｝でＬ＝２、又はラベル｛正常、悪性の癌、悪性でない癌｝に対してＬ＝３。このとき、各クラスタｉ（ｉ＝１．．Ｎ）に対して、Ｌ値は、Ｇから各要素ｇ_ｉｊに対して以下の態様で得られる。
ｇ_ｉｊ＝カウント（クラスタｉにおけるサンプル、ラベルｊを持つ）

ここで、各クラスタＣ_ｉの均一性を計算することが可能である：
ＵＮＩＦＯＲＭＩＴＹ（Ｃ_ｉ）＝ｍａｘ（Ｇ内の行ｉのカウント）／ｓｕｍ（Ｇ内の行ｉのカウント）

最後に、クラスタ化がクラスタ形成の単一の数特徴として以下で特徴づけられる。
ＡＶＧＵＮＩＦＯＲＭＩＴＹ（Ｄ）＝ＳＵＭ［ｉ＝１．．Ｎ］（ＵＮＩＦＯＲＭＩＴＹ（Ｃ_ｉ））／Ｎ
ＡＶＧＵＮＩＦＯＲＭＩＴＹ（Ｄ_１）とＡＶＧＵＮＩＦＯＲＭＩＴＹ（Ｄ_２）とを比較することにより、どのクラスタ形成が好ましいかが決定される。

この選択プロセスの反復的な繰り返しは、ＧＡにより発見される特徴サブセットのクラスタ化の品質を徐々に精練する。多くの繰り返しの後、全ての評価された特徴サブセットは、ＧＡ実行の間、これらのパフォーマンスに基づいて更にフィルタリングされる。一つの実施例では、特徴サブセットは、臨床サンプルの層別化の平均的クラスタ形成パフォーマンスによりソートされる。他の実施例では、平均的パフォーマンスに加えて、特徴サブセットは、これらの持続的な再評価に基づいてフィルタリングされる。換言すれば、更なる評価のために繰り返し選択される特徴サブセットは、たった２、３の繰り返しの後で要件から落とされる特徴サブセットより好まれる。ＧＡ特徴サブセット選択の最終出力は、異なる初期条件を持つ複数の例を実行させ、これらの例の各々からフィルタ処理された特徴サブセットを合併することである。斯様な評価からの特徴サブセットが、表３Ａにリストされる。更にまた、ＧＡ実行の集まりの累積的な特徴が得られ、サブセットの単一のセット内の特徴サブセットを集める特徴サブセットを生成するために用いられる。一つの実施例では、特徴サブセットの各特徴の外観が計数され、６００個の特徴の各々の利用の程度を与える全体のヒストグラムが得られる。この情報に基づいて、例えば一つの実施例では、６００個の特徴のペアをなす発生の頻度が、サブセットの単一のセット内のＧＡ実行を要約する特徴サブセット（いわゆる傾向パターン）を構築するために用いられる。表３Ｂは、長さ４５及び６０の斯様な特徴サブセットを供給する。

特徴サブセットの例は、表２、表３Ａ及び表３Ｂに提供される。よって、実施例では、特徴サブセットは、表２にリストされる選択の１つによるＣｐＧジヌクレオチドを有する。
表２ 特徴サブセット （各サブセットは、表１のＦｒａｇＩＤ：ｓに対応する数により示される配列の選択を有する。）

実施例では、特徴サブセットは、表３Ａにリストされる選択の１つによるＣｐＧジヌクレオチドを有する。
表３Ａ 特徴サブセット （各サブセットは、表１のＦｒａｇＩＤ：ｓに対応する数により示される配列の選択を有する。）

実施例では、特徴サブセットは、表３Ｂにリストされる選択の１つによるＣｐＧジヌクレオチドを有する。
表３Ｂ 特徴サブセット （各サブセットは、表１のＦｒａｇＩＤ：ｓに対応する数により示される配列の選択を有する。）

実施例では、方法１０は、マーカーパネルに対応する配列のグループから選択される配列の一つ以上のＣｐＧジヌクレオチドのメチル化状態を決定するステップ１２０を有し、これは結果的にメチル化分類リストとなる。特徴サブセットに対応する、被験者のＤＮＡ分子のメチル化状態を決定するステップ１２０のための多数の方法がある。ＤＮＡは、当業者に知られているＤＮＡを精製するための任意の方法により得られてもよい。実施例では、メチル化状態は、重亜硫酸塩塩基配列決定、ピロ塩基配列決定、メチル化感受性一本鎖形態分析（ＭＳ―ＳＳＣＡ）、高解像度メチル化分析（ＨＲＭ）、メチル化感受性単一のヌクレオチドプライマ伸展（ＭＳ―ＳｎｕＰＥ）、ベース特有の開裂／ＭＡＬＤＩ―ＴＯＦ、メチル化特有のＰＣＲ（ＭＳＰ）、マイクロアレイベースの方法、ｍｓｐＩ開裂のグループから選択される一つ以上の方法により決定される（１００）。

実施例では、方法１０は、また、メチル化分類リストを統計学的に分析するステップ１２０を有し、このようにして被験者の乳癌のカテゴリを得る。これは、臨床研究からサンプル及び被験者メチル化データを一緒にクラスタ形成することによりなされる。結果としてクラスタ形成は、その後（例えば、クラスタ形成しているデンドログラムをＮ個のサブツリーに切ることにより）Ｎ個のグループに分割される。被験者を含むサブツリーは研究サンプルに存在する乳癌のカテゴリに対して評価され、被験者サンプルはサブツリーの主要サンプルのカテゴリに割り当てられる。

実施例では、方法１０は、更に、乳癌の５つの主要サブタイプのうちの１つに帰属するとして被験者を分類するステップ１３０を有する。

図６による実施例では、コンピュータプログラム６０が供給される。コンピュータプログラム６０は、コンピュータ可読媒体に格納され、コンピュータによる処理特性を持つ装置により動くとき、幾つかの実施例で規定された方法ステップの全てを実施するために設けられた第１、第２、第３及び第４のコードセグメント６１、６２、６３及び６４を有する。

図７による実施例では、臨床医を支援するための装置７０が供給される。装置７０は、ＳＥＱ ＩＤ ＮＯ．１乃至ＳＥＱ ＩＤ ＮＯ．６００によるメチル化分類リストから、少なくとも一つのポストを有する特徴サブセットを選択するための手段７００を有する。更にまた、装置７０は、特徴サブセットに対応する、被験者のＤＮＡの一つ以上のＣｐＧジヌクレオチドのメチル化状態を決定するための手段７１０を有する。更にまた、装置７０は、メチル化分類リストを統計学的に分析し、よって、被験者の乳癌のカテゴリを得るための手段７２０を有する。更にまた、装置７０は、乳癌の５つの主要サブタイプのうちの１つに帰属するとして被験者を分類するための手段７３０を有する。前記手段７００、７１０、７２０、７３０は、互いに動作的に接続されている。

本発明は、ハードウェア、ソフトウェア、ファームウェア又はこれらの組み合わせを含む何れの適当な形式で実行できる。しかしながら、好ましくは、本発明は、一つ以上のデータプロセッサ及び／又はデジタル信号プロセッサで走るコンピュータソフトウェアとして実行できる。本発明の実施例の要素及び部品は、適当な態様で物理的、機能的及び論理的に実行されてもよい。実際、機能は、単一のユニット、複数のユニット又は他の機能的ユニットの一部として実行されてもよい。このように、本発明は、単一のユニットで実行されてもよいし、異なるユニット及びプロセッサ間に物理的及び機能的に分配されてもよい。

本発明は、特定の実施例に関連して説明されたが、ここで述べられた特定の形式に限定されることが意図されていない。むしろ、本発明の範囲は、添付の請求項によってのみ限定され、上記特定の形式以外の他の実施例は、これら添付の請求項の範囲内に等しくあり得る。

請求項において、用語「有する」は、他の要素又はステップの存在を除外しない。更にまた、個別にリストされているが、複数の手段、要素、又は方法のステップは、例えば単一のユニット又はプロセッサにより実行されてもよい。加えて、個別の特徴は、別々の請求項に含まれているが、これらは好適に組み合わせられてもよく、異なる請求項に含まれていることは、特徴の組み合わせが実現可能でない、及び／又は有利でないことを暗示しない。加えて、単数の符号は、複数を除外しない。よって、「ａ」、「ａｎ」、「第１の」、「第２の」等の符号は複数を除外しない。請求項の参照符号は、単なる明確な例として提供されていて、いずれにしても請求項の範囲を限定するものと解釈されない。

１０ 方法
１００ 選択ステップ
１１０ 決定ステップ
１２０ 分析ステップ
１３０ 分類ステップ
２０ データセット
３０ 第１の特徴サブセット
４０ 第２の特徴サブセット
５１ 第１のクラスタ
５２ 第２のクラスタ
５３ 第３のクラスタ
６０ コンピュータプログラム
６１ 第１のコードセグメント
６２ 第２のコードセグメント
６３ 第３のコードセグメント
６４ 第４のコードセグメント
７０ 装置
７００ 選択手段
７１０ 決定手段
７２０ 分析手段
７３０ 分類手段
１〜５ サンプル番号

Claims (13)

1. ＳＥＱ ＩＤ ＮＯ．１乃至ＳＥＱ ＩＤ ＮＯ．６００からなる配列のグループから選択される配列の一つ以上のＣｐＧジヌクレオチドのゲノムメチル化状態を決定するステップを有する乳癌疾患の分析のための方法。
2. 前記分析は被験者の乳癌の分類であり、ＳＥＱ ＩＤ ＮＯ．１乃至ＳＥＱ ＩＤ ＮＯ．６００によるメチル化分類リストから少なくとも一つのポストを有する特徴サブセットを選択するステップと、前記特徴サブセットに対応する被験者のＤＮＡの一つ以上のＣｐＧジヌクレオチドのメチル化状態を決定するステップと、前記メチル化分類リストを統計学的に分析して、被験者の乳癌のカテゴリを得るステップとが実施される、請求項１に記載の方法。
3. 乳癌の５つの主要サブタイプの１つに帰属するとして被験者を分類するステップが実施される、請求項１又は２に記載の方法。
4. メチル化状態が配列のサブグループに対して決定され、前記サブグループが表２、表３Ａ又は表３Ｂから選択される、請求項１、２又は３に記載の方法。
5. メチル化状態は、特徴サブセットを選択することにより決定される配列のサブグループに対して決定される、請求項１、２又は３に記載の方法。
6. 特徴サブセット選択は、階層的クラスタ形成を持つ遺伝的アルゴリズムである、請求項５に記載の方法。
7. メチル化状態は、特徴サブセット選択の出力の要約により決定される配列のサブグループに対して決定される、請求項１、２又は３に記載の方法。
8. 特徴サブセット選択の出力の要約は、ＳＥＱ ＩＤ ＮＯ．１乃至ＳＥＱ ＩＤ ＮＯ．６００からなる配列のグループから選択される配列のペアとなる発生及び特徴サブセットの各特徴の外観のカウントである、請求項７に記載の方法。
9. 配列のペアとなる発生及び特徴サブセットの各特徴の外観のカウントがサイズ４５である、請求項８に記載の方法。
10. 配列のペアとなる発生及び特徴サブセットの各特徴の外観のカウントがサイズ６０である、請求項８に記載の方法。
11. メチル化状態が、重亜硫酸塩塩基配列決定、ピロ塩基配列決定、メチル化感受性一本鎖形態分析（ＭＳ―ＳＳＣＡ）、高解像度メチル化分析（ＨＲＭ）、メチル化感受性単一のヌクレオチドプライマ伸展（ＭＳ―ＳｎｕＰＥ）、ベース特有の開裂／ＭＡＬＤＩ―ＴＯＦ、メチル化特有のＰＣＲ（ＭＳＰ）、マイクロアレイベースの方法、及びｍｓｐＩ開裂のグループから選択される一つ以上の方法により決定される、請求項１乃至４の何れか一項に記載の方法。
12. データ処理装置で実行されるとき、請求項２、３、４又は７に記載の方法のステップを実施するソフトウェアコードを有するコンピュータ可読媒体に格納されるコンピュータプログラム。
13. ＳＥＱ ＩＤ ＮＯ．１乃至ＳＥＱ ＩＤ ＮＯ．６００によるメチル化分類リストから少なくとも一つのポストを有する特徴サブセットを選択するための手段と、前記特徴サブセットに対応する被験者のＤＮＡの一つ以上のＣｐＧジヌクレオチドのメチル化状態を決定するための手段と、前記メチル化分類リストを統計学的に分析して、被験者の乳癌のカテゴリを得るための手段と、乳癌の５つの主要サブタイプの１つに帰属するとして被験者を分類する手段とを有し、これらの手段が互いに動作的に接続されている、臨床医を支援するための装置。

Images