JP2018512128A - アルツハイマー病集団を含む集団を分類するための方法 - Google Patents
アルツハイマー病集団を含む集団を分類するための方法 Download PDFInfo
- Publication number
- JP2018512128A JP2018512128A JP2017546932A JP2017546932A JP2018512128A JP 2018512128 A JP2018512128 A JP 2018512128A JP 2017546932 A JP2017546932 A JP 2017546932A JP 2017546932 A JP2017546932 A JP 2017546932A JP 2018512128 A JP2018512128 A JP 2018512128A
- Authority
- JP
- Japan
- Prior art keywords
- data points
- assay
- sample
- alzheimer
- disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- 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
- G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
- G01N33/5091—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing the pathological state of an organism
-
- 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
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
- G01N33/6896—Neurological disorders, e.g. Alzheimer's disease
-
- 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
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
-
- 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
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G01N2800/28—Neurological disorders
- G01N2800/2814—Dementia; Cognitive disorders
- G01N2800/2821—Alzheimer
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Immunology (AREA)
- Biotechnology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Genetics & Genomics (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Microbiology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Cell Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Tropical Medicine & Parasitology (AREA)
- Databases & Information Systems (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
Abstract
本開示は、2つ以上の異なる集団、たとえば、アルツハイマー病を分類するための方法を記載する。本開示は、アルツハイマー病患者の同年齢対照および非アルツハイマー病型認知症患者からの分離を増強するための新規の2段階分析、たとえば関連するバイオマーカーを利用する。分析は、変数、たとえば、ウシ胎児血清、患者の年齢,および/またはタンパク質濃度により変更される入力変数における出力変数の線形依存性を説明する。【選択図】 図1
Description
[0001]本出願は、2015年3月6日に出願された米国仮特許出願第62/129,715号および2015年7月30日に出願された米国仮特許出願第62/198,838に対して35U.S.C.§119下の優先権の利益を主張し、それぞれの出願の各々の内容は参照によりここに組み込まれる。
[0002]
[0003]アルツハイマー病(AD)は、記憶および認知機能の進行性の低下により特徴付けられる神経変性障害である。五百万人を超える米国人が、この進行性で致命的な疾患と共に生きていると推定される。アルツハイマー病は、脳細胞を破壊し、記憶の喪失、ならびにクオリティオブライフを低減する思考および行動に関する問題を引き起こす。ADには公知の治療法はないが、症状の処置により、ADに罹患している、何百万もの人々、および彼らの家族のクオリティオブライフを改善することができる。ADの早期診断は、クオリティオブライフを最大にする選択を行う時間を患者に与え、未知の問題についての不安を低減し、将来について計画するためにより多くの時間を与え、処置から恩恵を受けるより良好な機会をもたらす。
[0003]アルツハイマー病(AD)は、記憶および認知機能の進行性の低下により特徴付けられる神経変性障害である。五百万人を超える米国人が、この進行性で致命的な疾患と共に生きていると推定される。アルツハイマー病は、脳細胞を破壊し、記憶の喪失、ならびにクオリティオブライフを低減する思考および行動に関する問題を引き起こす。ADには公知の治療法はないが、症状の処置により、ADに罹患している、何百万もの人々、および彼らの家族のクオリティオブライフを改善することができる。ADの早期診断は、クオリティオブライフを最大にする選択を行う時間を患者に与え、未知の問題についての不安を低減し、将来について計画するためにより多くの時間を与え、処置から恩恵を受けるより良好な機会をもたらす。
[0004]しかしながら、ADについての診断の不正確さは、早期段階において特に、重大な神経変性および認知障害を予防するためのその治療介入を困難にする。したがって、アルツハイマー病を診断するための感度および特異度の高い試験が必要である。
[0005]ADについてのバイオマーカーアッセイは、アッセイに用いる前の細胞の状態に関連する入力変数により影響される。F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013);F.V.Chirila et al.,J.Alzheimer’s Disease 42,1279−94(2014);W.Q.Zhao et al.,Neurobiol.Dis.11,166−183(2002);T.K.Khan et al.,Proc.Natl.Acad.Sci.U.S.A.103(35),13203−13207(2006);T.K.Khan et al.,Neurobiol Aging 31(6),889−900(2008);T.K.Khan et al.,Neurobiol.Dis.34(2),332−329(2009)。このような入力変数には、細胞密度(細胞間相互作用)、患者の年齢、継代数(細胞集団複製の数)、同様に他のアッセイ成分、たとえば、Matrigel(商標)、ダルベッコ改変イーグル培地(DMEM)、またはウシ胎児血清(FBS)が含まれる。細胞ベースアッセイが、実用上の価値に到達する前に長く多変量解析を受けなければならないことが頻繁にある。
[0006]たとえば、FBSロット間の変動は、しばしばアッセイの出力を変化させ、カットオフをシフトさせる。このようなシフトは図1(A)、(C)、および図2(A)〜(B)に示され、Ln(細胞密度)における、単位凝集体面積の自然対数(Ln(面積/数))により測定される、ヒト皮膚線維芽細胞凝集の依存性が示される。F.V.Chirila et al.,J Alzheimer’s Disease 33,165−176(2013);F.V.Chirila et al.,J.Alzheimer’s Disease 42,1279−94(2014)。この研究では、3つの異なる会社(すなわち、Gemini Bio Products、Gibco Laboratories、およびAtlanta Biologicals,Inc.)に由来する5つのFBSロットを使用した。
[0007]しかしながら、たとえば、アルツハイマー病についての診断アッセイの事例では、FBSロットを見出すために長く労力を要するプロセスとなることがあり、細胞ベースアッセイ(たとえば、細胞凝集アッセイについてLn(A/N)およびネットワーク複雑性アッセイについてフラクタル次元)の出力について、良好なダイナミックレンジ(たとえば、ADおよびACおよび/または非ADD集団の間を良好に分離する)が提供される。たとえば、10から15のFBSロットを試験し、次にダイナミックレンジ、患者の異なるクラスの間の可分性(separability)、変動係数、直線性などの観点でランク付けしなければならないことになる。このアプローチは、アッセイの実用上の価値に到達することにおいては遅延と解釈される。アッセイが既に商業的に利用可能である場合には、患者について結果を得ることは、FBSロットが、別のFBSロットを選ぶために必要とされる機能的な品質管理(QC)に起因して変化するときにはいつでも遅延することになる。さらに、ロット間FBS変動は、アッセイが異なるクラスの患者を識別するため用いられる場合の事例では、固定されたカットオフの使用が不可能となり、カットオフは新しいロットが用いられるたびに再調整しなければならないことになる。
[0008]ロット間変動をバイパスする1つの戦略は、FBSを無血清培地で置きかえることである。D.W.Jayme et al.,Nature 334,547−548(1988);H.Haniu et al.,Toxicol In Vitro 27(6),1679−85(2013);E.Falkner et al.,Toxicol In Vitro 20,395−400(2006);D.Brunner et al.,ALTEX 27(1),53−62(2010);J.van der Valk et al.,Toxicol In Vitro.24(4),1053−1063(2010);D.W.Jayme et al.,Cytotechnology 33(1−3),27−36(2000)。この戦略は、細胞がより均一に成長することを可能にする。結果として、いくつかの細胞の特性は、FBSの変化に対する傾向性が少なくなる。しかしながら、この戦略は、より労働集約的であり、より高価であり、成長因子の制御の性質に起因して全ての細胞ベースアッセイについて成功しないであろう。実用上の観点から、より高価であり、より労働集約的な方法は、より高いコストおよびより低い利幅であると解釈される。さらに、血清が、無血清培地に対して好ましい状況がある。H.Haniu et al.,Toxicol In Vitro 27(6),1679−85(2013)。
[0009]ここで開示される方法による、別の戦略は、FBSロットにかかわらず同じカットオフを提供して、FBSロット間の比較をより容易にする。
[0010]ここで開示されるAD診断アッセイの検証プロセスの間に、発明者らは、驚くべきことに、患者の分類が2つの予想外の変数に依存することを発見した。第1の変数xは、細胞密度の自然対数により測定される、実験前の細胞の状態である。第2の変数yは、ウシ胎児血清(FBS)と呼ばれるヒト皮膚線維芽細胞に供給される培地の成分の1つである。第1の変数であるLn(細胞密度)における依存性は直線的であるが、第2の変数であるFBSロットは別個の様式でデータクラスの線形パラメーターを変更する(図1(A)、(C)および図2(A)〜(B))。
[0011]最適な診断(すなわち、2つのクラスの患者の線形依存性が、第2の変数で別個に変化される場合に、それらの間の分離)を決定するため、発明者らは、第2の変数に関して最適な選択をもたらす2段階方法を開発した。
[0012]したがって、本発明者らは、1つ以上のバイオマーカーに基づいて、2つ以上のAD集団、たとえば、ADクラス1(C1)および同年齢対照クラス2(C2)を分類するための新規方法を開発した。たとえば、本発明者らは、驚くべきことに、診断アッセイ測定値、実験前の細胞密度およびFBSにおける、Ln(面積/数)(F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013);F.V.Chirila et al.,J Alzheimer’s Disease 42,1279−94(2014)を参照されたい)の依存性を説明する新規の2段階方法を発見した。結果として、これらの新規方法は、他の分野の研究、たとえば、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学にも適用することができる。
[0013]いくつかの態様において、バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団を同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団から分類するための方法であって:
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること
を含み、
AD集団のAC集団および/または非ADD集団からの分離をもたらす方法が、ここで開示される。
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること
を含み、
AD集団のAC集団および/または非ADD集団からの分離をもたらす方法が、ここで開示される。
[0014]バイオマーカーに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)対象から生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行うこと;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること
を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法もここで開示される。
(a)対象から生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行うこと;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること
を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法もここで開示される。
[0015]種々の態様において、バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団を同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団から分類するための方法であって:
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、およびアルツハイマー病特異的な分子バイオマーカー(ASDMB)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること
を含み、
AD集団とAC集団および/または非ADD集団の分離をもたらす、方法が、ここで開示される。
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、およびアルツハイマー病特異的な分子バイオマーカー(ASDMB)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること
を含み、
AD集団とAC集団および/または非ADD集団の分離をもたらす、方法が、ここで開示される。
[0016]いくつかの態様において、バイオマーカーに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)対象から生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、およびアルツハイマー病特異的な分子バイオマーカー(ASDMB)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法が、ここで開示される。
(a)対象から生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、およびアルツハイマー病特異的な分子バイオマーカー(ASDMB)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法が、ここで開示される。
[0017]種々の態様において、ウシ胎児血清(FBS)でのアッセイを用いて、2つ以上のFBSロットについてランク付けした順位を確立するための方法であって:
(a)2つ以上の異なる集団から生物学的試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成すること、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の異なる集団が分離される、下方の平行移動工程を逆転させること;ならびに
(g)2つ以上の異なる集団のダイナミックレンジをプロットすること
を含み、プロットは、2つ以上のFBSロットのランク付けした順位をもたらす、方法が、ここで開示される。
(a)2つ以上の異なる集団から生物学的試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成すること、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の異なる集団が分離される、下方の平行移動工程を逆転させること;ならびに
(g)2つ以上の異なる集団のダイナミックレンジをプロットすること
を含み、プロットは、2つ以上のFBSロットのランク付けした順位をもたらす、方法が、ここで開示される。
[0018]いくつかの態様において、ウシ胎児血清(FBS)でのアッセイを用いて、少なくとも1つの試験されていないFBSロットをランク付けする方法であって:
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットでアッセイを行うこと;
(c)2つ以上の追加のFBSロットを用いる生物学的アッセイで、2つ以上の集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の集団の対象が分離される、下方の平行移動工程を逆転させること;
(h)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(i)2つ以上の追加のFBSロットおよび試験されていないFBSロットのダイナミックレンジをプロットすること
を含み、プロットは、全体のFBSロットのランク付けした順位をもたらす、方法が、ここで開示される。
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットでアッセイを行うこと;
(c)2つ以上の追加のFBSロットを用いる生物学的アッセイで、2つ以上の集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の集団の対象が分離される、下方の平行移動工程を逆転させること;
(h)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(i)2つ以上の追加のFBSロットおよび試験されていないFBSロットのダイナミックレンジをプロットすること
を含み、プロットは、全体のFBSロットのランク付けした順位をもたらす、方法が、ここで開示される。
[0019]種々の態様において、ウシ胎児血清(FBS)でのアッセイを用いて、少なくとも1つの試験されていないFBSロットをランク付けする方法であって:
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットで生物学的アッセイを行うこと;
(c)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(d)試験したFBSロットのランク付けした順位に、試験されていないFBSロット正規化結果をプロットすることを含む方法が、ここで開示される。
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットで生物学的アッセイを行うこと;
(c)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(d)試験したFBSロットのランク付けした順位に、試験されていないFBSロット正規化結果をプロットすることを含む方法が、ここで開示される。
[0020]いくつかの態様において、診断システムに基づいて、2つ以上の異なる集団を分類するための方法であって:
(a)2つ以上の異なる集団から分類のための試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程(d)を逆転させること
を含み、2つ以上の異なる集団の分離をもたらす、方法が、ここで開示される。
(a)2つ以上の異なる集団から分類のための試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程(d)を逆転させること
を含み、2つ以上の異なる集団の分離をもたらす、方法が、ここで開示される。
[0021]種々の態様において、診断システムに基づいて、それを必要とする対象をある集団に分類するための方法であって:
(a)分類するための試料を得ること;
(b)試料においてアッセイを行うこと;
(c)アッセイで、2つ以上の異なる集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)試料からアッセイ結果を正規化すること;ならびに
(i)試料のアッセイ結果から2つ以上の集団のそれぞれまでの距離を決定すること
を含み、試料のアッセイ結果から集団までの最短距離が分類である、方法が、ここで開示される。
(a)分類するための試料を得ること;
(b)試料においてアッセイを行うこと;
(c)アッセイで、2つ以上の異なる集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)試料からアッセイ結果を正規化すること;ならびに
(i)試料のアッセイ結果から2つ以上の集団のそれぞれまでの距離を決定すること
を含み、試料のアッセイ結果から集団までの最短距離が分類である、方法が、ここで開示される。
[0022]本開示の他の側面および態様が、明記されるまたは以下の詳細な説明から容易に明らかとなろう。前述の一般的説明および以下の詳細な説明の両方は、例示的なおよび説明的なもののみであり、特許請求の範囲の限定であることを意図するものではないことが理解される。
[0035]以下は、本明細書において用いられる用語の定義である。本明細書の群または用語について提供される初期の定義は、別段の記載がない限り、個々にまたは別の群の部分として、本明細書を通して、その群または用語に適用される。
[0036]略語:AD:アルツハイマー病;AC:認知症になっていない同年齢対照;非ADD:非アルツハイマー型認知症;S=任意の診断システム;C1,C2,...,Cn:データの2つ以上のクラス;D=データクラス間の距離。
[0037]ここで用いられる場合、単数形「1つの(a)」、「1つの(an)」、および「その(the)」は、文脈が別段指示しない限り、複数の参照物を含む。
[0038]ここで用いられる場合、アルツハイマー病集団は、アルツハイマー病患者集団、同年齢対照(AC)集団、および/または非アルツハイマー病型認知症(非ADD)集団を意味することができる。
[0039]ここで用いられる場合、用語「対象」は、一般的に、生物を指す。対象は、ヒトまたはヒト細胞を含む哺乳動物または哺乳動物細胞でありうる。該用語はまた、細胞またはこのような細胞のドナーもしくはレシピエントを含む、生物を指す。種々の態様において、用語「対象」は、ここに記載される化合物または薬学的組成物のレシピエントである、ヒト、哺乳動物および非哺乳動物、たとえば、非ヒト霊長類、マウス、ウサギ、ヒツジ、イヌ、ネコ、ウマ、ウシ、ニワトリ、両生類、ならびに爬虫類が含まれるがこれらに限定されない、任意の動物(たとえば、哺乳動物)を指す。いくつかの状況下で、用語「対象」および「患者」は、ここでヒト対象と交換可能に使用される。
[0040]バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団と同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団を分類するための新規方法であって:
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること、
を含み、AD集団とAC集団および/または非ADD集団の分離をもたらす、方法を、本発明者らは発見した。
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること、
を含み、AD集団とAC集団および/または非ADD集団の分離をもたらす、方法を、本発明者らは発見した。
[0041]いくつかの態様において、方法の第1段階に関して、切片による2つ以上のクラスの患者の距離保存(すなわち、等長変換)に基づく正規化の新規アプローチが提供される。H.S.M.Coxeter,Introduction to Geometry,John Wiley&Sons.Inc.,New York(1961);I.M.Yaglom,Geometric Transformations I, II, III,Mathematical Association of America)を参照されたい。この方法の第1段階は、2つ以上のデータクラスの正規化、すなわち傾き=0、および固定されたカットオフの確立である。しかしながら、第1段階であるため、2つのクラスの患者の分離は指数関数的に増大する。この段階の最後には、データクラスは、固定されたカットオフに関して平行、水平、対称であり、切片により分類される。したがって、いくつかの態様において、方法の第1段階は、4つの等長変換を用い、傾きを横断的に正規化し、固定されたカットオフを設定し、患者のクラス間の距離を指数関数的に増大させる。
[0042]いくつかの態様において、第1段階は、広範囲の診断システムにおける線形近似の切片についてのソーティング手順として作用する(図3および10を参照されたい)。種々の態様において、これらの診断システムは、以下から選択される:(1)AD診断アッセイ(F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013);F.V.Chirila et al.,J.Alzheimer’s Disease 42,1279−94(2014));(2)機械学習(D.Elizondo,IEEE TRANSACTIONS ON NEURAL NETWORKS 17(2),330−344(2006));(3)神経ネットワーク(F.Lavigne et al.,Front Psychol.5(842),1−24(2014);D.L.Alkon et al.,Biological Plausibility of Synaptic Associative Memory Models(1994)in Learning As Self−organization 247−259(2013);D.L.Alkon et al.,Biol.Cybern.62,363−376(1990);M.Blair et al.,Memory and Cognition 29(8)1153−1164(2001));(4)データマイニング(R.Haralick et al.,Pattern Recognition 3587,132−14(2005));(5)遺伝子発現(S.Tavazoie et al.,Nat. Genet.22(3),281−285 (1999);P.T.Spellman et al.,Molec.Biol.of the Cell 9,3273−3297(1998));(6)パターンもしくは顔認識(A.L.Yarbus et al.,Biofizika.6(2),52−56(1961);K.T.Blackwell et al.,J.Experimental&Theoretical Artificial Intelligence 9(4),491−508(1997));(7)認知心理学((F.Lavigne et al.,Front Psychol.5(842),1−24(2014);D.L.Alkon et al.,Biological Plausibility of Synaptic Associative Memory Models(1994)in Learning As Self−organization 247−259(2013);D.L.Alkon et al.,Biol.Cybern.62,363−376(1990);M.Blair et al.,Memory and Cognition 29(8),1153−1164(2001);J.B.Talcott et al.,Neuropsychologia 51(3),472−481(2013));ならびに(8)天文学(I.M.Yaglom,Geometric Transformations I,II,III,Mathematical Association of America;D.Elizondo,IEEE TRANSACTIONS ON NEURAL NETWORKS 17(2)330−344(2006);F.Lavigne et al.,Front Psychol.5(842),1−24(2014);D.L.Alkon et al.,Biological Plausibility of Synaptic Associative Memory Models(1994)in Learning As Self−organization(2013))。
[0043]バイオマーカーに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)対象から生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行うこと;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法を、本発明者らはさらに発見した。
(a)対象から生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行うこと;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法を、本発明者らはさらに発見した。
[0044]方法の第2段階について、第1段階からもたらさせる固定されたカットオフを有する正規化データクラスは、第2の変数、たとえばウシ胎児血清と比較される。いくつかの態様において、この第2段階は、以下の分類のための2つの基準を採用する:(1)データクラス間の距離D=[(XC1−XC2)2+(YC1−YC2)2]1/2、ならびに(2)データクラス間の距離により正規化した平均変動係数<CV>/D=[(CVC1+CVC2)/2]/D(図1(B)および(D))。したがって、いくつかの態様において、第2段階は、患者のクラスの間の距離および距離により正規化した平均変動係数を使用し、それらを別個の変数y(たとえば、ウシ胎児血清ロット)でランク付けしてもよい。この依存性(標準曲線と呼ばれる)D=D(Ranky)は、直線的である。
[0045]一般論として、ここに開示される方法は、変数の1つxにおいて線形依存性を示し、線形依存性は第2の変数yで別個に変化する、2つのデータクラス(C1,C2)を分離するシステムSの状態をランク付けすることを含む。いくつかの態様において、データクラスDの間の距離により測定される、システムS=S(C1,C2,x,y)に関して2つのクラスの患者の分離は、別個の変数yでランク付けされるD=D(Ranky)。
[0046]いくつかの態様において、ここに開示されるAD診断アッセイは、たとえば、細胞密度、FBS、年齢などの予想外の変数も取り扱う場合に、患者を診断するための定量的なフレームワークを確立する。このAD診断アッセイに関する戦略は、FBSロットを変化させる場合に、有意に低減された品質管理(QC)期間を含む。いくつかの態様において、開示される方法は、線形近似を確立するため、患者のそれぞれのクラスにおいて要求される、より少数の試料(<5)を必要とする。低減されたQC期間は、アッセイの実用上の価値を増大させる、その理由は、試験所が、細胞ベースアッセイを用い、FBSロットまたは無FBS培地の異なる変種での出力シフトに直面する際に援助しうるからである。いくつかの態様において、ここで開示される方法は、タイプS=S(C1,C2,...,Cn,x,y)のAD診断アッセイに適用されてもよい。
[0047]ここで記載される方法は、線形依存性または線形入出力関数を示す任意のシステムに対して一般的な適用可能性を有する。たとえば、方法は、分離される必要があるデータクラスの数の観点で制限はない。いくつかの態様において、2段階手順は、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学などの分野で採用されてもよい。たとえば、種々の態様において、2段階分析は、等長変換による変動に対する補正のための標準化した方法を提供するため、FBSおよび無FBS培地の販売会社により利用されてもよい。いくつかの態様において、2段階手順を採用することにより少なくとも1つのFBSロットをスクリーニングするための方法が、ここで開示される。
[0048]いくつかの態様において、FBSでのアッセイを用いて、2つ以上のウシ胎児血清(FBS)ロットについてランク付けした順位を確立するための方法であって:
(a)2つ以上の異なる集団から生物学的試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の異なる集団が分離される、下方の平行移動工程を逆転させること;ならびに
(g)2つ以上の異なる集団のダイナミックレンジをプロットすること、を含み、プロットは、2つ以上のFBSロットのランク付けした順位をもたらす、方法が、ここで開示される。
(a)2つ以上の異なる集団から生物学的試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の異なる集団が分離される、下方の平行移動工程を逆転させること;ならびに
(g)2つ以上の異なる集団のダイナミックレンジをプロットすること、を含み、プロットは、2つ以上のFBSロットのランク付けした順位をもたらす、方法が、ここで開示される。
[0049]いくつかの態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含む。種々の態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含み、第3の複数のデータポイントは非ADD試料を含む。非ADD試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択されてもよい。
[0050]いくつかの態様において、試料は、ヒト皮膚線維芽細胞を含む。
[0051]種々の態様において、ダイナミックレンジは、2つ以上の異なる集団の間の距離に基づく。種々の態様において、ダイナミックレンジは、距離により正規化した平均変動係数に基づく。
[0052]FBSでのアッセイを用いて、少なくとも1つの試験されていないウシ胎児血清(FBS)ロットをランク付けする方法であって:
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットでアッセイを行うこと;
(c)2つ以上の追加のFBSロットを用いる生物学的アッセイで、2つ以上の集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の集団の対象が分離される、下方の平行移動工程を逆転させること;
(h)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(i)2つ以上の追加のFBSロットおよび試験されていないFBSロットのダイナミックレンジをプロットすること、を含み、プロットは、全体のFBSロットのランク付けした順位をもたらす、方法も、ここで開示される。
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットでアッセイを行うこと;
(c)2つ以上の追加のFBSロットを用いる生物学的アッセイで、2つ以上の集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、2つ以上の集団の対象が分離される、下方の平行移動工程を逆転させること;
(h)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(i)2つ以上の追加のFBSロットおよび試験されていないFBSロットのダイナミックレンジをプロットすること、を含み、プロットは、全体のFBSロットのランク付けした順位をもたらす、方法も、ここで開示される。
[0053]いくつかの態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含む。種々の態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含み、第3の複数のデータポイントは非ADD試料を含む。非ADD試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択されてもよい。
[0054]いくつかの態様において、試料は、ヒト皮膚線維芽細胞を含む。
[0055]種々の態様において、ダイナミックレンジは、2つ以上の異なる集団の間の距離に基づく。種々の態様において、ダイナミックレンジは、距離により正規化した平均変動係数に基づく。
[0056]いくつかの態様において、FBSでのアッセイを用いて、少なくとも1つの試験されていないウシ胎児血清(FBS)ロットをランク付けする方法であって:
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットで生物学的アッセイを行うこと;
(c)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(d)試験したFBSロットのランク付けした順位に、試験されていないFBSロット正規化結果をプロットすることを含む、方法が、ここで開示される。いくつかの態様において、アッセイは、診断アッセイ、たとえば、アルツハイマー病に関する診断アッセイである。
(a)試験されていないFBSロットを得ること;
(b)試験されていないFBSロットで生物学的アッセイを行うこと;
(c)試験されていないFBSロットからバイオマーカー結果を正規化すること;
(d)試験したFBSロットのランク付けした順位に、試験されていないFBSロット正規化結果をプロットすることを含む、方法が、ここで開示される。いくつかの態様において、アッセイは、診断アッセイ、たとえば、アルツハイマー病に関する診断アッセイである。
[0057]いくつかの態様において、方法において等長変換を、自動化のため用いてもよい。傾きを横断するデータクラスの正規化および固定されたカットオフの確立によって、第2の変数y(たとえば、FBSロット)の比較および分類が可能になる。いくつかの態様において、ここで開示される方法は、参照標準、すなわち、ダイナミックレンジDと別個の変数yのランクの間の線形依存性D=D(Ranky)をさらに確立する。別個の変数y(たとえば、FBSロット)における任意の他の新規条件は、この参照標準と比較されてもよい。いくつかの態様において、試験されていないFBSロットのランクは、新規y−状態(たとえば、FBSロット)が、1次標準曲線における位置に基づいて、良好なダイナミックレンジDおよび正規化した変動係数<CV>/Dによるノイズの小さいレベルを有する場合、直ちに決定することができる(図4を参照されたい)。
[0058]いくつかの態様において、試料は、ヒト対象から得られた少なくとも1つの細胞を含む。いくつかの態様において、少なくとも1つの細胞は、末梢細胞(すなわち、非CNS組織から得られた細胞)である。いくつかの態様において、少なくとも1つの細胞は、線維芽細胞である。種々の態様において、線維芽細胞は、皮膚線維芽細胞である。線維芽細胞の細胞前駆体、たとえば誘導多能性幹細胞(IPSC)も用いられてもよい。たとえば、ヒト皮膚線維芽細胞からIPSCを得る最近の技術は、複数種の細胞、たとえば神経細胞へのIPSCの分化を可能にし、皮膚線維芽細胞とIPSCが分化した神経細胞との両方においてAβの不均衡を示した。Whalley K.,”Neurodegenerative disease:Dishing up Alzheimer’s disease,”Nature Reviews Neuroscience 13,149(March 2012)|doi:10.1038/nrn3201。
[0059]いくつかの態様において、試料は、皮膚細胞、血液細胞(リンパ球)、および口腔粘膜細胞から選択される少なくとも1つの細胞を含む。
[0060]非アルツハイマー病細胞は、たとえば同年齢対照から選択されてもよい。いくつかの態様において、同年齢対照は、非ADの認知症になっていない集団から選択される。いくつかの態様において、同年齢対照は、非ADの認知症になっている集団、たとえばハンチントン舞踏病またはパーキンソン病を有する患者から選択される。
[0061]少なくとも1つの細胞は、成長のため培地において培養されてもよい。いくつかの態様において、培地は、FBSを含む。いくつかの態様において、細胞は、タンパク質混合物、たとえば、ゼラチン状のタンパク質混合物である培地において培養される。非限定的な例示的なゼラチン状のタンパク質混合物は、Matrigel(商標)である。Matrigel(商標)は、エンゲルブレス−ホルム−スワーム(Engelbreth-Holm-Swarm)(EHS)マウス肉腫細胞により分泌されるゼラチン状のタンパク質混合物の商品名であり、BD Biosciencesにより販売される。この混合物は、多くの組織において見られる複雑な細胞外環境と似ており、細胞生物学者により細胞培養の基質として用いられる。
[0062]いくつかの態様において、少なくとも1つの細胞は、細胞外基質タンパク質を含む調製物において培養される。いくつかの態様において、調製物は、ラミニン、コラーゲン、ヘパリン硫酸プロテオグリカン、エンタクチン/ナイドジェン、および/またはその組み合わせを含む。いくつかの態様において、調製物は、腫瘍、たとえばEHSマウス肉腫から抽出される。調製物は、成長因子、たとえばTGF−ベータ、上皮成長因子、インスリン様成長因子、線維芽細胞成長因子、組織プラスミノーゲン活性化因子、および/もしくは他の成長因子、またはその組み合わせをさらに含んでもよい。特定の態様において、成長因子は、EHSマウス肉腫において自然に生じる。細胞外基質タンパク質はまた、多数の他のタンパク質を含有してもよい。
[0063]いくつかの態様において、少なくとも1つの細胞は、基底膜調製物において培養される。いくつかの態様において、調製物は可溶化される。いくつかの態様において、基底膜調製物は、腫瘍、たとえば細胞外基質タンパク質に富む腫瘍であるEHSマウス肉腫から抽出される。その主要な構成成分は、ラミニン、コラーゲンIV、ヘパリン硫酸プロテオグリカン、およびエンタクチン/ナイドジェンである。いくつかの態様において、調製物は、TGF−ベータ、上皮成長因子、インスリン様成長因子、線維芽細胞成長因子、組織プラスミノーゲン活性化因子、および/またはEHS腫瘍において自然に生じてもよいか、または生じなくてもよい他の成長因子を含有する。BD Matrigel Matrix Growth Factor Reduced(GFR)は、より高度に定義された基底膜調製物を必要とする適用に特に十分に適合することが分かっている。
[0064]培養後短時間のうちに、測定可能な細胞ネットワークが形成される。この期間は、たとえば細胞タイプおよび状態を考慮して変動してもよいが、一般的に、この期間は、約1時間以下の範囲、約10分〜約60分の範囲、たとえば約10分〜約45分またはそれらの間の任意の時間にある。ある時間、たとえばおよそ5時間後、これらのネットワークは変性し始め、エッジが後退して、測定可能な「集塊」または凝集体が残る。いくつかの態様において、少なくとも1つの細胞を培養するための期間は、約1時間〜約72時間、たとえば約12時間〜約72時間、または約24時間〜約48時間から選択される。特定の態様において、期間は、約48時間、またはその任意の1時間の増分区分(increment subdivision)である。
[0065]方法は、培養された細胞を期間の最後にイメージングすることをさらに含んでもよい。画像は、当該技術分野において公知の技術に従い取得されてもよい。たとえば細胞ネットワークの画像は、倒立顕微鏡、たとえばWestern Digital AMID Model 2000で取得されてもよく、所望の拡大率において画像取得ソフトウエアを介してコンピューターにより制御されてもよい。適当なイメージング技術は、共焦点顕微鏡、位相差、明視野、蛍光、微分干渉コントラスト、およびロボットシステムを含むが、これらに限定されない。
[0066]いくつかの態様において、ここで開示される方法は、バイオマーカーアッセイに基づいて、2つ以上のAD集団を分類する。バイオマーカーアッセイは、任意のAD診断アッセイであってもよい。たとえば、AD診断アッセイは、細胞凝集、フラクタル次元、プロテインキナーゼC(PKC)イプシロン、アルツハイマー病特異的バイオマーカー(ADSMB)、空隙度(lacunarity)、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブ(ADNI:Alzheimer's disease Neuroimagining Initiative)バイオマーカーを含むが、これらに限定されない。
[0067]細胞凝集
[0068]いくつかの態様において、AD診断アッセイは、細胞凝集である。たとえば、凝集体の面積は、任意の適当な方法により、たとえば楕円を凝集体にわたり近似することにより、決定することができる。凝集体のカウント、ならびに凝集体面積の決定は、手動で行うことができるか、またはたとえば当該技術分野で公知の画像処理技術により、自動化することができる。
[0068]いくつかの態様において、AD診断アッセイは、細胞凝集である。たとえば、凝集体の面積は、任意の適当な方法により、たとえば楕円を凝集体にわたり近似することにより、決定することができる。凝集体のカウント、ならびに凝集体面積の決定は、手動で行うことができるか、またはたとえば当該技術分野で公知の画像処理技術により、自動化することができる。
[0069]いくつかの態様において、細胞密度は、μm2または視野当たりの細胞の数に基づき測定される。特定の態様において、細胞密度は、10×画像当たりの細胞の数を測定することにより測定される。特定の態様において、細胞密度の関数としての凝集体の数当たりの平均面積の変化率は、320〜550個の細胞/10x画像の境界、またはたとえば330〜500個の細胞/10x画像の境界内で評価される。
[0070]細胞凝集率は、凝集体の数当たりの平均面積の変化率を細胞密度の関数として評価することにより、決定される。いくつかの態様において、細胞密度の関数としての凝集体の数当たりの平均面積の変化率は、凝集体の数当たりの平均面積と細胞密度との間の線形近似の傾きを決定することにより、評価される。
[0071]ヒト対象から得られ培養された細胞の凝集率は、非アルツハイマー病対照細胞を用いて決定された凝集率と比較される。ヒト対象由来の培養された細胞の凝集率が、非アルツハイマー病対照細胞を用いて決定された凝集率と比較して高い場合、診断はアルツハイマー病について陽性である。
[0072]フラクタル次元
[0073]いくつかの態様において、AD診断アッセイは、フラクタル次元である。たとえば、ヒト皮膚線維芽細胞ネットワークの複雑性は、これらのフラクタル次元を計算することにより数量化することができる。フラクタル分析は、AD、AC、および非ADD細胞を区別するための基準としてネットワークの複雑性を利用する。ADに罹患している患者から得られた線維芽細胞は、組織培養において成長させる場合に、AC細胞よりも統計的に有意により低いフラクタル次元を有する。フラクタル次元により測定されるネットワークの複雑性はまた、ACおよび非ADD線維芽細胞と比較して、ADから取られた線維芽細胞に関して著明に異なる。したがって、ヒト皮膚線維芽細胞ネットワークAD事例の複雑性の低減により、ACと非ADD事例の区別が提供される。
[0073]いくつかの態様において、AD診断アッセイは、フラクタル次元である。たとえば、ヒト皮膚線維芽細胞ネットワークの複雑性は、これらのフラクタル次元を計算することにより数量化することができる。フラクタル分析は、AD、AC、および非ADD細胞を区別するための基準としてネットワークの複雑性を利用する。ADに罹患している患者から得られた線維芽細胞は、組織培養において成長させる場合に、AC細胞よりも統計的に有意により低いフラクタル次元を有する。フラクタル次元により測定されるネットワークの複雑性はまた、ACおよび非ADD線維芽細胞と比較して、ADから取られた線維芽細胞に関して著明に異なる。したがって、ヒト皮膚線維芽細胞ネットワークAD事例の複雑性の低減により、ACと非ADD事例の区別が提供される。
[0074]ネットワーク変性(たとえば、約48時間)の後、細胞は、遊走し、数日内にコンフルエンスに到達する。この回復は、フラクタル次元における直線的な増大により取得される。したがって、フラクタル曲線の傾きおよび切片により測定されるような回復は、AD、非ADD、およびAC細胞の間の数量化可能な差を示す。
[0075]フラクタル次元は、N(s)=(1/s)Dに一般化することができ、式中のDは次元であり、整数または非整数であってもよい。両側の対数を取るとlog(N(s))=D log(1/s)が与えられ、フラクタル次元はlog(1/s)に対してlog(N(s))をプロットすることにより決定することができる。傾きが非整数である場合、次元はフラクショナル(フラクタル)次元である。
[0076]未処理画像(たとえば、デジタル画像)を2つのガウスの差などを用いるエッジ検出手順を通してフィルター処理した後、フラクタル次元は標準のボックスカウンティング手順を用いて計算してもよい。エッジ検出は、たとえば、画像輝度が急に変化するまたは他の不連続性を有する、デジタル画像における識別点に向けたアルゴリズムを指すため、画像処理の分野、特に特徴検出および特徴抽出の領域において用いられる用語である。
[0077]結像モデルに対するむしろ一般的な仮定のもと、画像輝度における不連続性は、深さにおける不連続性、表面配向における不連続性、材料特性における変化およびシーンイルミネーションにおける変動の1つ以上に相当する可能性があることを示すことができる。
[0078]画像にエッジ検出器を適用することにより、オブジェクトの境界、表面マーキングの境界、同様に表面配向における不連続性に相当する曲線を示す1セットの連結曲線が導かれうる。したがって、画像にエッジ検出器を適用することにより、処理されるデータの量が有意に低下されうる、したがって、関連性がより少ないと考慮されうる情報がフィルターを通して出されるが、画像の重要な構造上の特性は保存される。したがって、エッジ検出工程が成功する場合、オリジナル画像中の情報内容を解釈する引き続くタスクは実質的に単純化されうる。
[0079]エッジ検出のための方法は、探索ベースおよびゼロ交差ベースの2つのカテゴリーに一般にグループ分けすることができる。探索ベース方法は、通常、グラジエント規模などの1次導関数式であるエッジ強度の測定値を最初に計算すること、通常、グラジエント方向であるエッジの局所の配向性の計算された推定値を用いてグラジエント規模の局所の方向極大値(local directional maxima)を次に探索することによりエッジを検出する。ゼロ交差ベースの方法は、通常、ラプラシアンのゼロ交差または非線形微分式のゼロ交差である、エッジを見出すために、画像から計算された2次導関数式におけるゼロ交差を探索する。エッジ検出に対する前処理工程として、スムージング段階、たとえば、ガウススムージングが適用されてもよい。他の態様において、ノイズフィルタリングアルゴリズムが採用されてもよい。
[0080]公開されているエッジ検出方法は、適用されるスムージングフィルターのタイプおよびエッジ強度の測定が計算される様式において主に異なる。多くのエッジ検出方法は画像グラジエントの計算に頼っているので、それらはx−およびy−方向におけるグラジエント推定を計算するために用いられるフィルターのタイプにおいても異なる。
[0081]フラクタル次元は、画像がボックスでカバーされるボックスカウンティング手順を用いて、たとえばコンピューターにより決定される。目標は、画像をカバーするために要求されるボックスの数が、どのようにしてボックスのサイズで変化するかを決定することである。オブジェクトが1次元、たとえば、線である場合、上記の通り関係性はN(s)=(1/s)1であり、高次についても同様である。いくつかの態様において、ボックスカウンティング手順は、細胞試料のデジタル画像を用いてコンピューター上で実行される。
[0082]ADに関する陽性診断は、Aβ処理した試験細胞についてのフラクタル次元が、無処置の試験細胞についてのフラクタル次元未満である場合になされる。ADに関する陽性診断は、Aβ処理した試験細胞とAD対照細胞との間のフラクタル次元の差が、統計的に有意である場合になされる。
[0083]空隙度
[0084]いくつかの態様において、AD診断アッセイは、空隙度である。ここで用いられる場合、「空隙度」は、どのようにしてフラクタルによって空間を充填させるかの基準を指す。それを用いることにより、同じフラクタル次元を共有しうると同時に、非常に視覚的に異なって現れる、フラクタルおよびテクスチュアがさらに分類される。高密度なフラクタルは、低い空隙度を有する。フラクタルの粗さが増大するにつれて、空隙度は低減し;直観的に空隙は「ギャップ」を意味する(より多くのギャップ=より高い空隙度)。たとえば、ここに参照によって組み込まれる、米国特許出願公開第2014/0248648号を参照されたい。
[0084]いくつかの態様において、AD診断アッセイは、空隙度である。ここで用いられる場合、「空隙度」は、どのようにしてフラクタルによって空間を充填させるかの基準を指す。それを用いることにより、同じフラクタル次元を共有しうると同時に、非常に視覚的に異なって現れる、フラクタルおよびテクスチュアがさらに分類される。高密度なフラクタルは、低い空隙度を有する。フラクタルの粗さが増大するにつれて、空隙度は低減し;直観的に空隙は「ギャップ」を意味する(より多くのギャップ=より高い空隙度)。たとえば、ここに参照によって組み込まれる、米国特許出願公開第2014/0248648号を参照されたい。
[0085]空隙度は、細胞ネットワーク中のギャップを数量化する複雑性識別(complexity discrimination)のための補足的な基準である。AD細胞株は、ACおよび非ADD個体からの細胞株と比較した場合に平均空隙度の増大を示す。
[0086]ここで開示される空隙度分析方法は、識別の第2レベルとして用いられる複雑性の補足的な基準として、線維芽細胞パターンのギャップを数量化する。平均空隙度は、ACおよび非ADD線維芽細胞との比較ではAD線維芽細胞に対してより高い。典型的には、ネットワーク変性が最大化される、すなわち、単離された凝集物のみが可視である場合に、空隙度が増大し、ピークに達する。空隙度は、ネットワーク再生が開始される際に低下する。
[0087]ADに関する陽性診断は、Aベータ処理した試験細胞についての空隙度が、無処置の試験細胞についての空隙度より大きい場合になされる。いくつかの態様において、ADに関する陽性診断は、Aβ処理した試験細胞とAD対照細胞との間の空隙度の差が、統計的に有意である場合になされる。
[0088]細胞遊走
[0089]いくつかの態様において、AD診断アッセイは、細胞凝集である。細胞遊走は、AD、AC、および非ADD細胞を区別することを可能にする。自由に遊走している細胞(freely migrating cell)は、凝集物に付着しない細胞と定義される。自由に遊走している細胞は、培養の間に、異なる時間で計数されてもよい。たとえば、時間t1およびt2に関して、遊走率はR=(N2−N1)/ΔT(式中、ΔT=t2−t1は細胞遊走カウントの間の時間間隔であり、N1およびN2は時間t1およびt2で遊走している細胞の数である)として計算される。たとえば、いくつかの態様において、自由に遊走している細胞の数は、プレーティング後約24時間、たとえば、プレーティング後約36時間、約48時間、約50時間、約52時間、約55時間、約57時間、または約60時間計数されてもよい。少なくとも1つの態様において、遊走率はN1=プレーティング後48時間およびN2=プレーティング後55時間の時間に計数される。いくつかの態様において、初期細胞密度は、制御される。少なくとも1つの態様において、初期細胞密度は、約50個の細胞/mm3に制御される。
[0089]いくつかの態様において、AD診断アッセイは、細胞凝集である。細胞遊走は、AD、AC、および非ADD細胞を区別することを可能にする。自由に遊走している細胞(freely migrating cell)は、凝集物に付着しない細胞と定義される。自由に遊走している細胞は、培養の間に、異なる時間で計数されてもよい。たとえば、時間t1およびt2に関して、遊走率はR=(N2−N1)/ΔT(式中、ΔT=t2−t1は細胞遊走カウントの間の時間間隔であり、N1およびN2は時間t1およびt2で遊走している細胞の数である)として計算される。たとえば、いくつかの態様において、自由に遊走している細胞の数は、プレーティング後約24時間、たとえば、プレーティング後約36時間、約48時間、約50時間、約52時間、約55時間、約57時間、または約60時間計数されてもよい。少なくとも1つの態様において、遊走率はN1=プレーティング後48時間およびN2=プレーティング後55時間の時間に計数される。いくつかの態様において、初期細胞密度は、制御される。少なくとも1つの態様において、初期細胞密度は、約50個の細胞/mm3に制御される。
[0090]ADに関する陽性診断は、遊走している細胞の数が、同年齢対照(AC)または非アルツハイマー病型認知症(非ADD)患者についての遊走している細胞の数未満である場合になされる。いくつかの態様において、ADに関する陽性診断は、ADとACまたはADと非ADD細胞の間の遊走している細胞の数における差が、平均から1標準偏差未満である場合になされる。少なくとも1つの態様において、約0.3hr-1より低い遊走率は、ADを示す。
[0091]PKCイプシロン
[0092]いくつかの態様において、AD診断アッセイは、PKCイプシロンである。たとえば、特にαおよびεのプロテインキナーゼC(PKC)アイソザイムは、シナプスの欠損、Aβおよびアミロイドプラークの生成、ならびに神経原繊維性タングル中のtauのGSK−3β媒介性過剰リン酸化を含む、AD病状の主要な側面の調節に重要な役割を果たす。AD特異的なシグナル伝達欠陥の証拠は、末梢組織、たとえば、血液、皮膚線維芽細胞、および眼球組織において以前から見出されている。PKC−εは、AD皮膚線維芽細胞における正確なADバイオマーカーである。
[0092]いくつかの態様において、AD診断アッセイは、PKCイプシロンである。たとえば、特にαおよびεのプロテインキナーゼC(PKC)アイソザイムは、シナプスの欠損、Aβおよびアミロイドプラークの生成、ならびに神経原繊維性タングル中のtauのGSK−3β媒介性過剰リン酸化を含む、AD病状の主要な側面の調節に重要な役割を果たす。AD特異的なシグナル伝達欠陥の証拠は、末梢組織、たとえば、血液、皮膚線維芽細胞、および眼球組織において以前から見出されている。PKC−εは、AD皮膚線維芽細胞における正確なADバイオマーカーである。
[0093]PKCイプシロンレベルは、同年齢対照(AC)よりアルツハイマー病対象(AD)においてより低い。すなわち、ヒト対象においてアルツハイマー病を診断する方法は、以下の工程:
a)前記ヒト対象におけるPKCイプシロンレベルを決定すること、および
b)前記ヒト対象におけるPKCイプシロンレベルを対照者におけるPKCイプシロンレベルと比較すること
を含み、前記方法は、前記ヒト対象におけるPKCイプシロンレベルが、前記対照者におけるPKCイプシロンレベルより低い場合、前記ヒト対象におけるアルツハイマー病を示す。たとえば、内容がここに参照によって組み込まれる、米国特許出願公開第2014/0038186号を参照されたい。
a)前記ヒト対象におけるPKCイプシロンレベルを決定すること、および
b)前記ヒト対象におけるPKCイプシロンレベルを対照者におけるPKCイプシロンレベルと比較すること
を含み、前記方法は、前記ヒト対象におけるPKCイプシロンレベルが、前記対照者におけるPKCイプシロンレベルより低い場合、前記ヒト対象におけるアルツハイマー病を示す。たとえば、内容がここに参照によって組み込まれる、米国特許出願公開第2014/0038186号を参照されたい。
[0094]アルツハイマー病特異的分子バイオマーカー(ADSMB)
[0095]いくつかの態様において、AD診断アッセイは、アルツハイマー病特異的分子バイオマーカー(ADSMB)またはAD指標である。たとえば、それぞれの内容がここに参照によって組み込まれる、米国特許第7,595,167号および米国特許出願公開第2014/0031245号を参照されたい。たとえば、診断方法およびアルツハイマー病を処置するため有用な化合物のスクリーニングの方法は、アルツハイマー病に関する固有の分子バイオマーカーに基づく。アルツハイマー病に特異的な分子バイオマーカー(ADSMB)の数値は、特定の変数、たとえば、アッセイに使用される細胞、アッセイに使用されるプロテインキナーゼC活性化因子およびリン酸化の比率の測定の標的とされる特定のMAPキナーゼタンパク質に依存する。
[0095]いくつかの態様において、AD診断アッセイは、アルツハイマー病特異的分子バイオマーカー(ADSMB)またはAD指標である。たとえば、それぞれの内容がここに参照によって組み込まれる、米国特許第7,595,167号および米国特許出願公開第2014/0031245号を参照されたい。たとえば、診断方法およびアルツハイマー病を処置するため有用な化合物のスクリーニングの方法は、アルツハイマー病に関する固有の分子バイオマーカーに基づく。アルツハイマー病に特異的な分子バイオマーカー(ADSMB)の数値は、特定の変数、たとえば、アッセイに使用される細胞、アッセイに使用されるプロテインキナーゼC活性化因子およびリン酸化の比率の測定の標的とされる特定のMAPキナーゼタンパク質に依存する。
[0096]たとえば、アルツハイマー病特異的分子バイオマーカーは、炎症性メディエータである、ブラジキニンで刺激された細胞におけるリン酸化されたErk1とリン酸化されたErk2との比を決定すること、これからブラジキニン(すなわち、炎症性メディエータ)を欠く対照溶液(ビヒクル)で刺激された細胞におけるリン酸化されたErk1とリン酸化されたErk2との比を差し引くことによって測定されうる。特定の態様において、差がゼロよりも大きい場合(すなわち、正の値)、これがアルツハイマー病の診断である。差がゼロ未満またはゼロと等しい場合、これがアルツハイマー病の非存在を示す。
[0097]アルツハイマー病特異的分子バイオマーカーは、炎症性メディエータである、ブラジキニンでの細胞の刺激後に2つのリン酸化されたMAPキナーゼタンパク質の比を決定することにより測定される。分子バイオマーカーは、ブラジキニン(すなわち、炎症性メディエータ)で刺激された細胞における第1のリン酸化されたMAPキナーゼタンパク質とリン酸化された第2のMAPキナーゼタンパク質との比を決定すること、これからブラジキニンを欠く対照溶液(ビヒクル)で刺激された細胞におけるリン酸化された第1のMAPキナーゼタンパク質とリン酸化された第2のMAPキナーゼタンパク質との比を差し引くことによって測定されうる。特定の好ましい態様において、差がゼロよりも大きい場合(すなわち、正の値)、これがアルツハイマー病の診断である。差がゼロ未満またはゼロと等しい場合、これがアルツハイマー病の非存在を示す。
[0098]アルツハイマー病特異的分子バイオマーカーは、アルツハイマー病と診断された患者から得た細胞試料(AD細胞)における正の数値である。アルツハイマー病特異的分子バイオマーカーがブラジキニンで刺激されたAD細胞におけるリン酸化されたErk1とリン酸化されたErk2との比を決定することによって測定される場合、AD細胞におけるアルツハイマー病特異的分子バイオマーカーに関する正の数値は約ゼロから約0.5の範囲であってもよい。
[0099]アルツハイマー病特異的分子バイオマーカーは、非アルツハイマー型認知症(非ADD細胞)、たとえば、パーキンソン病またはハンチントン病または臨床の精神分裂病と診断された対象から得た細胞において測定される場合、負の数値である。アルツハイマー病特異的分子バイオマーカーがブラジキニンで刺激された非ADD細胞におけるリン酸化されたErk1とリン酸化されたErk2との比を決定することによって測定される場合、負の数値は約ゼロから約−0.2または約−0.3の範囲であってもよい。
[00100]アルツハイマー病特異的分子バイオマーカーは、アルツハイマー病を有していない患者から得た同年齢対照細胞(AC細胞)からの細胞試料における負の数値、ゼロまたは非常に低い正の数値であってもよい。アルツハイマー病特異的分子バイオマーカーがブラジキニンで刺激されたAC細胞におけるリン酸化されたErk1とリン酸化されたErk2との比を決定することによって測定される場合、AC細胞におけるアルツハイマー病特異的分子バイオマーカーは約0.05未満から約−0.2の範囲であってもよい。
[00101]アルツハイマー病特異的分子バイオマーカーは、ブラジキニンで刺激された細胞におけるリン酸化されたErk1とリン酸化されたErk2との比からブラジキニンを欠く溶液で刺激された細胞におけるリン酸化されたErk1とリン酸化されたErk2との比を引いて計算することにより測定されてもよい。これは以下のように表現される:アルツハイマー病特異的分子バイオマーカー={(pErk1/pErk2)ブラジキニン}−{(pErk1/pErk2)ビヒクル}。
[00102]具体的に意図されるプロテインキナーゼC活性化因子は:ブラジキニン;アルファ−APPモジュレーター;ブリオスタチン1;ブリオスタチン2;DHI;1,2−ジオクタノイル−sn−グリセロール;FTT;グニディマクリン、ステレラ カマエヤスメ(Stellera chamaejasme L.);(−)−インドラクタムV;リポキシンA4;リングビアトキシンA、ミクロモノスポラ属種(Micromonospora sp.);オレイン酸;1−オレオイル−2−アセチル−sn−グリセロール;4アルファ−ホルボール;ホルボール−12,13−ジブチラート;ホルボール−12,13−ジデカノアート;4α−ホルボール−12,13−ジデカノアート;ホルボール−12−ミリスチン酸エステル−13−アセテート;L−α−ホスファチジルイノシトール−3,4−二リン酸エステル、ジパルミトイル−、ペンタアンモニウム塩;L−α−ホスファチジルイノシトール−4,5−二リン酸エステル、ジパルミトイル−、ペンタアンモニウム塩;L−α−ホスファチジルイノシトール−3,4,5−三リン酸エステル、ジパルミトイル−、ヘプタアンモニウム塩;1−ステアロイル−2−アラキドノイル−sn−グリセロール;チメレアトキシン(Thymelea hirsuta L.);インシュリン、ホルボールエステル、リゾホスファチジルコリン、リポ多糖、アントラサイクリンダンノルビシン(anthracycline dannorubicin)および硫酸バナジルを含むが、これらに限定されない。同様に含まれるものは、「ブリオログ(bryologues)」として知られる化合物である。ブリオログは、たとえば、Wender et al.Organic letters(United States)May 12,2005,7(10)p1995−8;Wender et al.Organic letters(United States)Mar.17,2005,7(6)p1177−80;Wender et al.Journal of Medicinal Chemistry(United States)Dec.16,2004,47(26)p6638−44において記載される。プロテインキナーゼC活性化因子は、ここで開示される診断方法、キットおよび化合物をスクリーニングする方法において単独でまたは任意の他のプロテインキナーゼC活性化因子と組み合わされてもよい。
[00103]PKCアイソザイム指標
[00104]いくつかの態様において、AD診断アッセイは、PKCアイソザイム指標である。たとえば、PKCアイソザイム指標は、候補対象からのおよび任意に非AD対照者(AC)からの末梢細胞における定常状態またはリン酸化されたPKCアイソザイムのレベルを測定することを含む。たとえば、ここに参照によって組み込まれる、米国特許出願公開第2011/0212474号を参照されたい。連続的にまたは同時に、第1のPKCアイソザイムの定常レベルは、Aβペプチドの非存在下および存在下においてADとAC対象両方からの末梢細胞において測定して、PKCアイソザイムレベルの第1の比(Aβペプチドの非存在下のPKCアイソザイムレベル/Aβペプチドの存在下でのPKCアイソザイムレベル)を生成する。第2のPKCアイソザイム比はまた、再びAβペプチドの非存在下および存在下で、対象からの末梢細胞において第2のPKCアイソザイムの定常状態またはリン酸化されたレベルを測定することにより得られる。これらの測定の結果を次に用いて第3の比を構築し、ここで、第1の比(Aβペプチドと接触されていない細胞において得られた第1のPKCアイソザイムのレベル/Aβペプチドと接触された細胞において得られた第1のPKCアイソザイムのレベル)は、第2の比(Aβペプチドと接触されていない細胞における第2のPKCアイソザイムのレベル/Aβペプチドと接触された細胞における第2のPKCアイソザイムのレベル)で割ってPKCアイソザイム指標を生成する。
[00104]いくつかの態様において、AD診断アッセイは、PKCアイソザイム指標である。たとえば、PKCアイソザイム指標は、候補対象からのおよび任意に非AD対照者(AC)からの末梢細胞における定常状態またはリン酸化されたPKCアイソザイムのレベルを測定することを含む。たとえば、ここに参照によって組み込まれる、米国特許出願公開第2011/0212474号を参照されたい。連続的にまたは同時に、第1のPKCアイソザイムの定常レベルは、Aβペプチドの非存在下および存在下においてADとAC対象両方からの末梢細胞において測定して、PKCアイソザイムレベルの第1の比(Aβペプチドの非存在下のPKCアイソザイムレベル/Aβペプチドの存在下でのPKCアイソザイムレベル)を生成する。第2のPKCアイソザイム比はまた、再びAβペプチドの非存在下および存在下で、対象からの末梢細胞において第2のPKCアイソザイムの定常状態またはリン酸化されたレベルを測定することにより得られる。これらの測定の結果を次に用いて第3の比を構築し、ここで、第1の比(Aβペプチドと接触されていない細胞において得られた第1のPKCアイソザイムのレベル/Aβペプチドと接触された細胞において得られた第1のPKCアイソザイムのレベル)は、第2の比(Aβペプチドと接触されていない細胞における第2のPKCアイソザイムのレベル/Aβペプチドと接触された細胞における第2のPKCアイソザイムのレベル)で割ってPKCアイソザイム指標を生成する。
[00105]いくつかの態様において、入力変数は、出力または従属変数(たとえば、エンジンについて、燃料−空気比は独立/入力変数であるが、排気またはパワーは従属/出力変数である)の変化を引き起こす独立変数である。(f(x)=a*x+b)のような式において、たとえば、xは、従属/出力変数である線形関数fに関する独立/入力変数である。いくつかの態様において、アルツハイマー病を診断する場合に、入力変数は、細胞密度(細胞間相互作用)、患者の年齢、継代数(細胞集団複製の数)、同様に他のアッセイ成分、たとえば、Matrigel(商標)、ダルベッコ改変イーグル培地(DMEM)、またはウシ胎児血清(FBS)、供給時間(feeding time)、または細胞周期における任意の変数を含むが、これらに限定されない。
[00106]いくつかの態様において、出力変数は、入力/独立変数の結果として変化する従属変数である。たとえば、アルツハイマー病を診断する場合に、出力変数は、(面積/数)の自然対数(たとえば、バイオマーカーが線維芽細胞凝集である場合、入力変数は細胞密度の自然対数およびウシ胎児血清である)、および傾きの逆数(たとえば、バイオマーカーがフラクタル次元である場合、入力変数はフラクタル曲線に対する切片である)を含むが、これらに限定されない。
[00107]いくつかの態様において、バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団と同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団を分類するための方法であって:
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること、
を含み、AD集団とAC集団および/または非ADD集団の分離をもたらす、方法が、ここで開示される。
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること、
を含み、AD集団とAC集団および/または非ADD集団の分離をもたらす、方法が、ここで開示される。
[00108]いくつかの態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含む。種々の態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含み、第3の複数のデータポイントは非ADD試料を含む。非ADD試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択されてもよい。
[00109]いくつかの態様において、試料はヒト皮膚線維芽細胞を含み、これはウシ胎児血清において培養されてもよい。
[00110]いくつかの態様において、バイオマーカーは、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、およびアルツハイマー病特異的分子バイオマーカー(ASDMB)から選択される。いくつかの態様において、バイオマーカーが線維芽細胞凝集体である場合、出力変数は(面積/数)の自然対数であり、入力変数は細胞密度の自然対数およびウシ胎児血清である。種々の態様において、バイオマーカーがフラクタル次元である場合、入力変数はフラクタル曲線に対する切片であり、出力変数は傾きの逆数である。
[00111]いくつかの態様において、方法は、普遍的なカットオフ値を確立することをさらに含む。種々の態様において、工程(c)を行うことはシグナル対ノイズ比に基づくカットオフ値を有する識別限界を確立することを含み、AD集団、AC集団および/または非ADD集団から生成される複数のデータポイントはカットオフ値を交差しない。
[00112]種々の態様において、バイオマーカーアッセイに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)対象から生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行うこと;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法が、ここで開示される。
(a)対象から生物学的試料を得ること;
(b)生物学的試料においてバイオマーカーアッセイを行うこと;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法が、ここで開示される。
[00113]いくつかの態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含む。種々の態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含み、第3の複数のデータポイントは非ADD試料を含む。非ADD試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択されてもよい。
[00114]いくつかの態様において、試料はヒト皮膚線維芽細胞を含み、これはウシ胎児血清において培養されてもよい。
[00115]いくつかの態様において、バイオマーカーは、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、およびアルツハイマー病特異的分子バイオマーカー(ASDMB)から選択される。いくつかの態様において、バイオマーカーが線維芽細胞凝集体である場合、出力変数は(面積/数)の自然対数であり、入力変数は細胞密度の自然対数およびウシ胎児血清である。種々の態様において、バイオマーカーがフラクタル次元である場合、入力変数はフラクタル曲線に対する切片であり、出力変数は傾きの逆数である。
[00116]いくつかの態様において、方法は、普遍的なカットオフ値を確立することをさらに含む。種々の態様において、工程(c)を行うことはシグナル対ノイズ比に基づくカットオフ値を有する識別限界を確立することを含み、AD集団、AC集団および/または非ADD集団から生成される複数のデータポイントはカットオフ値を交差しない。
[00117]バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団と同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団を分類するための方法であって:
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブ(ADNI)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること、を含み、AD集団とAC集団および/または非ADD集団の分離をもたらす、方法も、ここで開示される。
(a)AD集団、AC集団、および/または非ADD集団から分類のための生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブ(ADNI)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること、を含み、AD集団とAC集団および/または非ADD集団の分離をもたらす、方法も、ここで開示される。
[00118]いくつかの態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含む。種々の態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含み、第3の複数のデータポイントは非ADD試料を含む。非ADD試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択されてもよい。
[00119]バイオマーカーアッセイに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)対象から皮膚線維芽細胞を提供すること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブ(ADNI)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成すること、ここで、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成すること、ここで、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法も、ここで開示される。
(a)対象から皮膚線維芽細胞を提供すること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブ(ADNI)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成すること、ここで、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する;
(c)バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成すること、ここで、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)対象からバイオマーカー結果を正規化すること;ならびに
(i)対象のバイオマーカー結果から2つ以上の集団のそれぞれまでの距離を決定すること、を含み、対象のバイオマーカー結果から集団までの最短距離が診断である、方法も、ここで開示される。
[00120]いくつかの態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含む。種々の態様において、第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはAD試料を含み、第3の複数のデータポイントは非ADD試料を含む。非ADD試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択されてもよい。
[00121]種々の態様において、診断システムに基づいて、2つ以上の異なる集団を分類するための方法であって:
(a)2つ以上の異なる集団から分類のための試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+bで(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程(d)を逆転させること、を含み、2つ以上の異なる集団の分離をもたらす、方法が、ここで開示される。いくつかの態様において、診断システムは、アルツハイマー診断アッセイ、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択される。
(a)2つ以上の異なる集団から分類のための試料を得ること;
(b)試料においてアッセイを行い、複数のデータポイントを生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+bで(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程(d)を逆転させること、を含み、2つ以上の異なる集団の分離をもたらす、方法が、ここで開示される。いくつかの態様において、診断システムは、アルツハイマー診断アッセイ、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択される。
[00122]診断システムに基づいて、それを必要とする対象をある集団に分類するための方法であって:
(a)分類するための試料を得ること;
(b)試料においてアッセイを行うこと;
(c)アッセイで、2つ以上の異なる集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)試料からアッセイ結果を正規化すること;ならびに
(i)試料のアッセイ結果から2つ以上の集団のそれぞれまでの距離を決定すること
を含み、試料のアッセイ結果から集団までの最短距離が分類である、方法も、ここで開示される。いくつかの態様において、診断システムは、アルツハイマー診断アッセイ、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択される。
(a)分類するための試料を得ること;
(b)試料においてアッセイを行うこと;
(c)アッセイで、2つ以上の異なる集団から複数のデータポイントを提供することまたは生成することであって、アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)試料からアッセイ結果を正規化すること;ならびに
(i)試料のアッセイ結果から2つ以上の集団のそれぞれまでの距離を決定すること
を含み、試料のアッセイ結果から集団までの最短距離が分類である、方法も、ここで開示される。いくつかの態様において、診断システムは、アルツハイマー診断アッセイ、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択される。
[実施例]
[00123]材料および方法
[00124]本研究において用いた保存細胞株および新たな細胞株。40人の患者由来の皮膚線維芽細胞試料−Coriell Institute for Medical Research(Camden、NJ)により提供された24個の保存試料(表1)、およびMarshall University(Huntington、WV)により提供された診療所からの16例(表2)−を用いて、実施例実験を行った。
[00123]材料および方法
[00124]本研究において用いた保存細胞株および新たな細胞株。40人の患者由来の皮膚線維芽細胞試料−Coriell Institute for Medical Research(Camden、NJ)により提供された24個の保存試料(表1)、およびMarshall University(Huntington、WV)により提供された診療所からの16例(表2)−を用いて、実施例実験を行った。
[00125]線維芽細胞を、12ウェルのプレート上の3−D matrix(Matrigel、BD Biosciences、San Jose、CA)の厚い層(約1.8mm)に蒔いた。Chirila F.V. et al.,J.Alzheimer’s Disease,33,165−176(2013)を参照されたい。入手可能な患者情報をCoriellウェブサイト(http://ccr.coriell.org/)に掲載する。分析した細胞株(40)は、剖検および遺伝的な家族歴を含む、いくつかの判定基準に基づいていた。試料(7)の有意な数を、二重盲検条件下(表1)で研究し、さらなる試料により新たに得られた皮膚試料における診断上の相違が確認された。同年齢対照(AC)試料は、皮膚生検摘出の日に認知症になっていなかった。全ての試料は、死後に得たAG08245の1つの例外を除き生前に得た。保存皮膚線維芽細胞は、液体窒素下の凍結ストックであった。これらの凍結試料を解凍した後、初代培養を確立し、継続的継代を終始続けた。本研究において用いた全ての細胞株は初代細胞株であり、不死化させるために処理しなかった。
[00126]新たに採取した線維芽細胞を次の通りに得た。患者および対照からの皮膚組織のパンチ生検(2〜3mm、上腕)を得た。5〜15回継代の細胞を用いた(表2)。
[00127]初期の細胞密度を、50個の細胞/mm3に制御し、それぞれのウェルについて10%ウシ胎仔血清および1%ペニシリン/ストレプトマイシン(PS)を含むダルベッコ改変イーグル培地1.5mlと共にホモジナイズした。細胞を、CO2、水ジャケットインキュベーター(Forma Scientific)において蒔いた後最大7日維持した。
[00128]画像取得。10xおよび4x対物レンズを用いて、画像収集ソフトウエア(Micron 2.0.0)を介してコンピューターにより制御した、倒立顕微鏡(Westover Digital AMID Model 2000、Westover Scientific、Bothell WA)で、細胞ネットワークの画像を取得した。ウェル当たり取得した5つ〜9つの画像、および細胞株当たり3つのウェルを、典型的に用いた。1日目は毎時に、2日目は1時間おきに、および残りの3日は1日3回で画像を取得した。画像を、NIH(http://rsbweb.nih.gov/ij/)から無料で入手可能なソフトウエア、ImageJで処理した。
[00129]画像数量化。中心画像に対して1画像フィールドを動かすことにより、同一の標準的パターン、中心(1)、上方(2)、下方(3)、左(4)、右(5)を用いて、ウェル当たり5つの画像を最初に得た。F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013)を参照されたい。処理において後に、調べる面積を増大し、診断の判別性に影響することなく変動係数をさらに改善するために、四角形のコーナーを6から9の画像で埋めることにより、画像の数を5から9に増大させた。画像1は、ウェルの中心に常に位置した。ウェルの中心を決定するため、以下の方法のうちの1つを用いた:
a)4x拡大率下でのライブ画像は対称であるべきであり、すなわち、4つのコーナーの陰影は、位置合わせした顕微鏡(aligned microscope)に対して等しい面積を有すべきである;
b)針で中心をマークする;
c)格子付プレート(Pioneer Scientific;Shrewsbury、MA)を用いる(ここで、中心の四角は、中心の行または列において常に6番目である。画像の数量化については、2セットのツール:最初に、顕微鏡に付随するソフトウエア、Micronにより提供される通り手動;後に、NIHからの無料で入手可能なソフトウエアであるImageJ(http://rsbweb.nih.gov/ij/)を用いて自動)。
a)4x拡大率下でのライブ画像は対称であるべきであり、すなわち、4つのコーナーの陰影は、位置合わせした顕微鏡(aligned microscope)に対して等しい面積を有すべきである;
b)針で中心をマークする;
c)格子付プレート(Pioneer Scientific;Shrewsbury、MA)を用いる(ここで、中心の四角は、中心の行または列において常に6番目である。画像の数量化については、2セットのツール:最初に、顕微鏡に付随するソフトウエア、Micronにより提供される通り手動;後に、NIHからの無料で入手可能なソフトウエアであるImageJ(http://rsbweb.nih.gov/ij/)を用いて自動)。
[00130]初期の細胞カウントについて、慣習的ImageJ plug−inを用い、「スペックル除去(despeckle)」を3回実施し、画像を半径0.5の最小フィルターを用いて3回フィルター処理し、「バックグラウンド減算(Subtract Background)」を、回転半径20を用いて実行した。最後に、画像を2値化し、「粒子解析(Analyze Particles)」をサイズ範囲180〜無限大において実行した。これらのImageJコマンドの全てをループの内側で実行し、自動的に1個の細胞株由来の全ての画像の分析が可能になった。同一画像における手動の細胞カウントを用いることにより、ImageJ plug−inを調整し、相対誤差は7%未満であった。
[00131]10x画像当たりの細胞の標的数は、初期細胞濃度、50個の細胞/μlに対応する417であった。45〜60個の細胞/μlの細胞濃度の変動を可能にした。画像における細胞分布の不均一性を最小限にするために、10x画像当たり195〜650個の細胞の範囲から外れた画像を除外した。48時間における細胞凝集体について、Micronソフトウエアによる手動楕円近似を用いた。
[00132]フラクタル次元および空隙度。フラクタルおよび空隙度解析に関して、「ボックスカウンティング」方法を用いるFracLac_2.5 plug−in(http://rsbweb.nih.gov/ij/plugins/fraclac/fraclac.html)を用いた。回復傾きおよび切片を、20−80%範囲の最小−最大差において線形近似することによりモニターした。平均空隙度を、0〜120時間計算した。
[00133]凝集体の数当たりの平均面積(A/N)。凝集体の数当たりの平均面積を次の方法で計算した。それぞれの画像について、平均凝集体面積<A>iおよび凝集体の数Niを計算した。次に、それぞれの画像について、比<A>i/Niを評価した。典型的には、ウェル当たり5つの画像を用い、それぞれのウェルについて、数当たりの平均面積を
として評価した。
さらなる平均値化を、3つのウェルに対して行った:
さらなる平均値化を、3つのウェルに対して行った:
。
次に、この測定値の自然対数
次に、この測定値の自然対数
を、それぞれの細胞株について計算した(図1)。凝集体を、Micron 2.0ソフトウエアを用いて手動で楕円近似し、その面積および数を記録した。ImageJについての自動スクリプトを開発し、これは手動楕円近似と十分に一致した。これら2つのアプローチは、互いの1標準偏差内であった。
[00134]細胞密度。検証プロセスの間に、発明者らは、驚くべきことに、細胞密度が、アッセイの出力に影響することができる陰の変数であることを発見した。この細胞密度は、アッセイにおいて細胞を用いる前のT25フラスコにおけるものである。細胞密度を、血球計数器で測定される平均細胞数に基づいて計算した。細胞の総数をトリプシン処理後に用いられた培地の体積に基づいて最初に推定し、次に、この細胞の総数をフラスコの表面25cm2で割った。細胞密度はまた、細胞コンフルエンスの間接的な測定値である。
[00135]統計分析。データクラス間の可分性は、関心領域(xmin,xmax)における平均近似関数、すなわち、Sep={[f(xmin)+f(xmin)/2−[g(xmin)+g(xmin)/2}の間の差と定義される。オーバーラップ確率は、両側検定での単純t検定関数および不等分散を有する2つの試料から計算される。図2からの確率表面(probability surface)の構築についての詳細は、F.V.Chirila et al.,J Alzheimer’s Disease 33,165−176(2013)およびF.V.Chirila et al.,J Alzheimer’s Disease 42,1279−94(2014)に記載される。
[00136]データ分析。データ分析については、Gnuplot4.4を用いた。Gnuplot4.4は、無料で入手可能なソフトウエア(http://www.gnuplot.info)である。生データポイントの近似について、Gnuplot由来のビルトインの近似関数を用いた、これは非線形最小2乗(NLLS)Marquardt−Levenbergアルゴリズムの実行に用いられる。別段特定されない限り、エラーバーは平均の標準誤差(SEM)である。Gnuplotが選択された、その理由は、全ての工程が、可視化され、ソースコードとして「.gnu」ファイル形式にセーブすることができ、回復および可視化を容易にするからである。しかしながら、この方法は、選り抜きの他のソフトウエア、たとえば、CまたはC++において、容易に実行することができる。全ての工程は標準であり、その理由は、これらが、データクラスの傾きおよび切片に依存し、したがって、自動化される傾向があるからである。
[00137]確率分布。全てのアルツハイマー病患者(AD)および全ての同年齢対照患者(AC)について、Ln(細胞密度)およびLn(面積/数)についての値を、ポイントの密度に対して逆比例する間隔にビニングし、それぞれの変数についてガウス関数を用いて近似し、次に、正規化2次元分布に統合した。
[00138]等長変換。アルゴリズムの第1段階に関する4つの等長変換を、Gnuplotにおいてステップバイステップ方式で実行し、容易な検証のためにgnuファイルとしてセーブした。これらの4つの等長変換は、それぞれのデータクラスについて、初期近似パラメーターである傾きおよび切片に基づくものである。
目的および実験
[00139]目的
[00140]ここで開示される研究の目的には、皮膚線維芽細胞を用いる、ADに関する末梢性バイオマーカーについての検証が含まれる。詳細な実験方法は、ここに簡単に記載され、F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013);F.V.Chirila et al.,J.Alzheimer’s Disease 42,1279−94(2014)において詳細に記載される。検証研究の目標は、ADの診断に影響し、次に、これらの依存性を数量化しうる変数(たとえば、陰のまたは予想外の変数)を見出すことであった。別の目標は、これらの変数におけるアッセイの依存性を除去しうる、修正手順を適用することであった。
目的および実験
[00139]目的
[00140]ここで開示される研究の目的には、皮膚線維芽細胞を用いる、ADに関する末梢性バイオマーカーについての検証が含まれる。詳細な実験方法は、ここに簡単に記載され、F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013);F.V.Chirila et al.,J.Alzheimer’s Disease 42,1279−94(2014)において詳細に記載される。検証研究の目標は、ADの診断に影響し、次に、これらの依存性を数量化しうる変数(たとえば、陰のまたは予想外の変数)を見出すことであった。別の目標は、これらの変数におけるアッセイの依存性を除去しうる、修正手順を適用することであった。
[00141]異なるFBSロットが関与するアッセイ検証の間に行われるいくつかの実験のデータ分析も、ここで開示される。さらに、無作為に生成されたデータセットをここで開示される方法の普遍性を強調するため例示し、同じ線形ランク付関係性D=D(Ranky)を発見した。
[00142]例
例1
異なるFBSロットについてのアルツハイマー病診断アッセイ
[00143]図1(A)および図2(A)〜(B)は、異なるFBSロットについてのAD診断アッセイに関する入出力関数を示す。図1において、FBS A14はGemini Bio Productsから(三角)、FBS 941はGibco Laboratoriesから(四角)、FBS D11はAtlanta Biologicalsから(円)である。図2において、FBSロットA92はGemini Bio Productsから(図2(A))、FBSロット692はGibco Laboratoriesから(図2(B))である。さらに、図2において、nは、患者の数を表す。アッセイ出力Ln(A/N)は、クラス1−(AD;中空の記号)およびクラス2−(AC;塗りつぶした記号)の2つのクラスの患者に関して、および5つのFBSロットに関してアッセイ入力Ln(細胞密度)に直線的に依存する。図1(A)および図2(A)〜(B)に示される通り、アッセイ入力におけるアッセイ出力の依存性は、使用されたFBSロットにかかわらず直線的である。しかしながら、それぞれのFBSロットでは、線形依存性において軽微な差、すなわち、それぞれのクラスの患者に関して傾きおよび切片において差が存在する。FBSロットにおけるこの依存性は、カットオフにおいて、したがって、診断アッセイにおいて変化するため、実用的な意味合いを有する。
例1
異なるFBSロットについてのアルツハイマー病診断アッセイ
[00143]図1(A)および図2(A)〜(B)は、異なるFBSロットについてのAD診断アッセイに関する入出力関数を示す。図1において、FBS A14はGemini Bio Productsから(三角)、FBS 941はGibco Laboratoriesから(四角)、FBS D11はAtlanta Biologicalsから(円)である。図2において、FBSロットA92はGemini Bio Productsから(図2(A))、FBSロット692はGibco Laboratoriesから(図2(B))である。さらに、図2において、nは、患者の数を表す。アッセイ出力Ln(A/N)は、クラス1−(AD;中空の記号)およびクラス2−(AC;塗りつぶした記号)の2つのクラスの患者に関して、および5つのFBSロットに関してアッセイ入力Ln(細胞密度)に直線的に依存する。図1(A)および図2(A)〜(B)に示される通り、アッセイ入力におけるアッセイ出力の依存性は、使用されたFBSロットにかかわらず直線的である。しかしながら、それぞれのFBSロットでは、線形依存性において軽微な差、すなわち、それぞれのクラスの患者に関して傾きおよび切片において差が存在する。FBSロットにおけるこの依存性は、カットオフにおいて、したがって、診断アッセイにおいて変化するため、実用的な意味合いを有する。
例2A
方法の第1段階
[00144]ここで開示される方法における第1段階は、5つの工程を含む(たとえば、図3を参照されたい)。
方法の第1段階
[00144]ここで開示される方法における第1段階は、5つの工程を含む(たとえば、図3を参照されたい)。
[00145]工程1は、従属/入出力関数が直線的である、表示を見出すこと、および患者のクラスを線形関数で近似することを含む。2つのクラスの患者について、この表示は、Ln(A/N)対Ln(細胞密度)プロットにおけるものである(図1(A)および図2(A)〜(B)を参照されたい)。方法の普遍性を強調するため、3対のデータクラスを、図1(A)からの生データの近似線に基づいて、生成した。次に、ノイズを、傾きおよび切片に付した(図1(C)を参照されたい)。研究した3つの異なる条件のうち、1つの異なる条件を選んで(図1(C)におけるFBSロット941に対応する2つの線を参照されたい)、方法の第1段階の例として示した。近似関数は、クラス1−AD皮膚試料(四角)についてf(x)=a*x+bであり、クラス2−AC試料(円)についてg(x)=c*x+dである(図3(A))。
[00146]工程2は、すなわち、切片、すなわち、「−b」および「−d.」を差し引くことにより、データクラスを原点に平行移動させることを含む(図3(B)を参照されたい)。
[00147]工程3は、近似線の俯角、すなわち、「−atan(a)」および「−atan(c)」によりデータクラスを回転させることを含む(図3(C)を参照されたい)。
[00148]工程4は、切片「+b」および「+d」によりデータを平行移動させることにより工程2からの切片でのデータのシフトを逆転させることを含む(図3(D)を参照されたい)。
[00149]工程5は、ギャップの中間「(b+d)/2」に固定されたカットオフを設定すること、したがって、差[8−(b+d)/2]によりデータを平行移動させることを含む(図3(E)を参照されたい)。最終工程は、図3(F)に描写され、図3(A)からの生データクラスと比較することができる。
[00150]したがって、第1段階は、線形化および近似工程ならびに平行移動、回転、平行移動、平行移動の4つの等長変換を含む。
[00151]最初の4つの工程は、近似パラメーター、すなわち、傾きおよび切片に依存し、これが線形化および近似工程を作り上げる。図3(工程5)における最終工程は、固定されたカットオフに関する任意の値を有し、これに8の値を割り当てた。しかしながら、固定されたカットオフが第2の変数y(ここで、異なるFBSロット)における全ての異なる条件について固定されている限り、第2の変数に関するランク付けおよび分類は、固定されたカットオフの選択に依存しない。
例2B
方法の第1段階の結果
[00152]いくつかの態様において、方法の第1段階は、以下を作り出す:
(a)データセットの切片、すなわち、「b」および「d」によるデータセットの分類;
(b)傾きの正規化、傾き=0、および2つのデータクラスを平行にする;
(c)固定されたカットオフに関する等距離データクラス(すなわち、両方のデータクラス)は、切片の間で半分の差((b−d)/2)である;ならびに
(d)固定されたカットオフ(図1(B)、(D))。最初の3つの等長変換について用いられるパラメーターは、それぞれのデータクラスに関する線形近似の傾きおよび切片によりセットされる。第四の等長変換は、任意であるが、固定されたカットオフを有する。この第2の変数に関する分類は、任意のカットオフに依存しない。この方法の第1段階の標準的な性質に起因して、結果は、患者のクラス間の測定可能な距離Dである(図1(B)、(D))。いくつかの態様において、アッセイの出力は、たとえば、用いられるFBSロットであってもよい、第2の変数yの関数としてソーティングされてもよい(図4)。
方法の第1段階の結果
[00152]いくつかの態様において、方法の第1段階は、以下を作り出す:
(a)データセットの切片、すなわち、「b」および「d」によるデータセットの分類;
(b)傾きの正規化、傾き=0、および2つのデータクラスを平行にする;
(c)固定されたカットオフに関する等距離データクラス(すなわち、両方のデータクラス)は、切片の間で半分の差((b−d)/2)である;ならびに
(d)固定されたカットオフ(図1(B)、(D))。最初の3つの等長変換について用いられるパラメーターは、それぞれのデータクラスに関する線形近似の傾きおよび切片によりセットされる。第四の等長変換は、任意であるが、固定されたカットオフを有する。この第2の変数に関する分類は、任意のカットオフに依存しない。この方法の第1段階の標準的な性質に起因して、結果は、患者のクラス間の測定可能な距離Dである(図1(B)、(D))。いくつかの態様において、アッセイの出力は、たとえば、用いられるFBSロットであってもよい、第2の変数yの関数としてソーティングされてもよい(図4)。
例3A
方法における第2段階の説明
[00153]固定されたカットオフならびに2つのデータクラス平行、水平(傾き=0)、および等距離で、第2の変数y(たとえば、FBSロット)に関する分類が行われてもよい(図1(B)、(D))。患者の2つのデータクラス間のダイナミックレンジについての測定値は、距離D=[(XAD−XAC)2+(YAD−YAC)2]1/2である(図1(D)、図4(A)〜(B))。アッセイノイズレベルの測定値について、提案される測定値は、データクラス間の距離により正規化した2つのデータクラスについての平均変動係数<CV>/D=[100*(CVAD+CVAC)/2]/Dである(図1(D)、図4(C)〜(D))。
方法における第2段階の説明
[00153]固定されたカットオフならびに2つのデータクラス平行、水平(傾き=0)、および等距離で、第2の変数y(たとえば、FBSロット)に関する分類が行われてもよい(図1(B)、(D))。患者の2つのデータクラス間のダイナミックレンジについての測定値は、距離D=[(XAD−XAC)2+(YAD−YAC)2]1/2である(図1(D)、図4(A)〜(B))。アッセイノイズレベルの測定値について、提案される測定値は、データクラス間の距離により正規化した2つのデータクラスについての平均変動係数<CV>/D=[100*(CVAD+CVAC)/2]/Dである(図1(D)、図4(C)〜(D))。
例3B
方法における第2段階の結果
[00154]図4(A)および(C)は、距離Dによりランク付けした生データおよび距離により正規化した平均変動係数<CV>/Dを示す。図4(B)および(D)は、図1(C)からのノイズデータに関する、同じ測定値、距離Dおよび距離により正規化した平均変動係数<CV>/Dを示す。第2の変数y/FBSロットに関して、両方の測定値の直線性、距離D、および平均の正規化した変動係数<CV>/Dは、著しい。驚くべきことに、図1(C)からのノイズデータは生データと同じランク付けを算出し、非常に近い線形依存性は第2の変数(たとえば、FBSロット)に関する明確な分類を可能にする。さらに、この線形依存性D=D(Ranky)は、患者のクラス間の最適な分離が、たとえば、低くランク付けされたFBSロットに関して生じることを示す。
方法における第2段階の結果
[00154]図4(A)および(C)は、距離Dによりランク付けした生データおよび距離により正規化した平均変動係数<CV>/Dを示す。図4(B)および(D)は、図1(C)からのノイズデータに関する、同じ測定値、距離Dおよび距離により正規化した平均変動係数<CV>/Dを示す。第2の変数y/FBSロットに関して、両方の測定値の直線性、距離D、および平均の正規化した変動係数<CV>/Dは、著しい。驚くべきことに、図1(C)からのノイズデータは生データと同じランク付けを算出し、非常に近い線形依存性は第2の変数(たとえば、FBSロット)に関する明確な分類を可能にする。さらに、この線形依存性D=D(Ranky)は、患者のクラス間の最適な分離が、たとえば、低くランク付けされたFBSロットに関して生じることを示す。
例4
未知のy−状態(たとえば、FBSロット)の分類
[00155]方法の第1段階の後、正規化した形態におけるデータクラス間の距離Dは、第2の変数y(たとえば、FBSロット)のランクに直線的に依存する。たとえば、図4(A)〜(B)を参照されたい。
未知のy−状態(たとえば、FBSロット)の分類
[00155]方法の第1段階の後、正規化した形態におけるデータクラス間の距離Dは、第2の変数y(たとえば、FBSロット)のランクに直線的に依存する。たとえば、図4(A)〜(B)を参照されたい。
[00156]任意の新しいおよび試験されていないFBSロットyuは、同じ1次標準曲線D=D(Ranky)に収まる。最適なFBSロットは大きいダイナミックレンジD(すなわち、小さいランク)を有するが、最適以下のロットは小さいダイナミックレンジD(すなわち、大きいランク)を有する。これは、線形依存性D=D(Ranky)参照標準と呼ばれる。FBSロットのランクにかかわらず、この表示は、シグナルプラスノイズがカットオフラインに交差しない範囲に使用することができる。
[00157]加えて、試験されていないFBSロットは、図4から参照標準曲線を用いて測定することができる。任意の試験されていないFBSロットについて、およそデータクラス当たり5個の試料/患者が、それぞれのクラスC1;f(x)=a*x+b、C2;g(x)=c*x+dに関する線形依存性を決定するために必要とされる。いくつかの態様において、データクラス当たり3から5個の範囲の試料/患者が、線形依存性を決定するために必要とされうる。この依存性が確立されると、ここで記載される2段階方法を用いて、参照標準曲線D=D(Ranky)において新しいFBSロットyuがランク付けされうる(図4を参照されたい、線は最適な近似である)。最適なy−状態/FBSロットは、良好なダイナミックレンジ(大きいD)および低いノイズ、小さい<CV>/D、すなわち、低いランクを有する。これにより、FBSロットがランク付けされたら(たとえば、矢印をつけた未知のFBSロット(U)の両方は、Dおよび変動係数に対してプロットされたことを示す、図4(A)〜(B)を参照されたい)、分離境界/カットオフ関数および識別限界を決定することができる。次に、任意の未知の試料を分類することができる。
例5
データクラス分離境界−カットオフ関数の確立
[00158]実用上および検証上の観点から、2つの線形データクラス間の分離境界/カットオフを定義する明確な関数を確立することが望ましい(たとえば、図5における太線を参照されたい)。第1の変数xにおける、患者の2つのクラスの線形依存性が与えられると、カットオフも、線形関数であると推測され、また患者の2つのクラスへの距離、すなわち、近似線が等しい(dAD=dAC)位置として解析的に判明しうる。カットオフについての式は、角の二等分線に対する式により与えられる。正の解だけが、ここで開示される方法におけるカットオフ位置に使用可能である:
カットオフ(x)=({c+a[(c2+1)/(a2+1)]1/2}x+d+b[(c2+1)/(a2+1)]1/2)/{1+[(c2+1)/(a2+1)]1/2}(図5における太線)。
データクラス分離境界−カットオフ関数の確立
[00158]実用上および検証上の観点から、2つの線形データクラス間の分離境界/カットオフを定義する明確な関数を確立することが望ましい(たとえば、図5における太線を参照されたい)。第1の変数xにおける、患者の2つのクラスの線形依存性が与えられると、カットオフも、線形関数であると推測され、また患者の2つのクラスへの距離、すなわち、近似線が等しい(dAD=dAC)位置として解析的に判明しうる。カットオフについての式は、角の二等分線に対する式により与えられる。正の解だけが、ここで開示される方法におけるカットオフ位置に使用可能である:
カットオフ(x)=({c+a[(c2+1)/(a2+1)]1/2}x+d+b[(c2+1)/(a2+1)]1/2)/{1+[(c2+1)/(a2+1)]1/2}(図5における太線)。
[00159]いくつかの態様において、このアプローチの変形が、切片の内側でクラスが未決定である切片の百分率で上方および下方にシフトした平行線を形成する、特定の百分率のバンドとしてカットオフ(x)ライン付近の領域を定義することにより用いられてもよい(図5(B)破線を参照されたい)。しかしながら、この戦略は、シグナル対ノイズ比(SNR)、<CV>/D、および2つのデータクラスが近似線の交点にどれほど近いかにおいて、比較されることが要求される2つのデータクラスのダイナミックレンジDに依存する(例10を参照されたい)。
例6
未知の試料の分類
[00160]入力変数における患者の2つのクラスに関する線形依存性が確立されると、任意の未知の試料は、その位置(たとえば、(xu,yu))から2つの近似線f(x)=a*x+b、g(x)=c*x+dへの最短距離に基づいて、クラス1−ADまたはクラス2−ACとして類別されうる(図5(A)中の点線/破線を参照されたい)。(xu,yu)に位置する未知の試料とACクラスに対する近似線の間の距離は、AC近似線に対する垂直セグメント線により与えられる(図5(A)中の点線を参照されたい)。同様に、未知の試料(xu,yu)からの距離およびADクラスに対する近似線は、AD近似線に対する垂直セグメント線により与えられる(図5(A)中の破線を参照されたい)。最短距離がdAC、すなわち、dAC<dADである場合、その事例はクラス2−ACである(図5(A)における円)。最短距離がdAD、すなわち、dAD<dACである場合、その事例はクラス1−ADである(図5(A)における四角)。ここで記載される距離dACおよびdADは、解析的な作図(analytical description)を有する。未知の試料の分類は、識別限界次第でありうる(例10を参照されたい)。
未知の試料の分類
[00160]入力変数における患者の2つのクラスに関する線形依存性が確立されると、任意の未知の試料は、その位置(たとえば、(xu,yu))から2つの近似線f(x)=a*x+b、g(x)=c*x+dへの最短距離に基づいて、クラス1−ADまたはクラス2−ACとして類別されうる(図5(A)中の点線/破線を参照されたい)。(xu,yu)に位置する未知の試料とACクラスに対する近似線の間の距離は、AC近似線に対する垂直セグメント線により与えられる(図5(A)中の点線を参照されたい)。同様に、未知の試料(xu,yu)からの距離およびADクラスに対する近似線は、AD近似線に対する垂直セグメント線により与えられる(図5(A)中の破線を参照されたい)。最短距離がdAC、すなわち、dAC<dADである場合、その事例はクラス2−ACである(図5(A)における円)。最短距離がdAD、すなわち、dAD<dACである場合、その事例はクラス1−ADである(図5(A)における四角)。ここで記載される距離dACおよびdADは、解析的な作図(analytical description)を有する。未知の試料の分類は、識別限界次第でありうる(例10を参照されたい)。
[00161]上記で考察した概念の例は、クラスの対間のカットオフ関数の基礎において、無作為に生成された120試料を、クラス1−AD、クラス2−AC、クラス3−非ADD(F.V.Chirila et al.,J.Alzheimer’s Disease 33,165−176(2013)を参照されたい)として分類した、図6(C)および(D)において説明される。手順の第1段階は、他の陰の変数、たとえば、y/FBSロットで、3つのデータクラスを解いて正規化してアッセイ性能をさらに分類した。
例7
参照標準D=D(Ranky)の確立
[00162]この例において、3つの異なる会社からの5つのFBSロットは、第2の変数
参照標準D=D(Ranky)の確立
[00162]この例において、3つの異なる会社からの5つのFBSロットは、第2の変数
に対する別個の値とみなされる。図1(A)および(C)は、3つのFBSロットに対するFBSロット変動性を説明する。この第2の変数に関する不偏性の分類が、この研究の結果である(図4を参照されたい)。いくつかの態様において、方法の第1段階は、異なるFBSロットの偏りのない定量的な比較を可能にする、固定されたカットオフ(たとえば、8)を確立することによる標準化を可能にする。いくつかの態様において、方法の第2段階は、データクラスD間の距離に基づいておよび正規化した変動係数<CV>/Dに基づいて、5つのFBSロットがランク付けされることを可能にする(図4を参照されたい)。興味深いことに、ランク付けは、第2の変数に関して、線形依存性を示し、これは参照標準D=D(Ranky)と呼ばれる。さらに、この線形依存性は、3対の無作為に生成されたデータセットについても追随される(図7を参照されたい)。
[00163]実用上の観点から、ここで開示される方法は、QC時間を低減させるとの利点を提供する。実用上、FBSロット間変動問題が、取り除かれる。さらに、ここで記載される範囲内の任意のロットは、たとえば、典型的には、少数の試料、たとえば、一般的にデータクラス当たり5個未満の試料有するデータクラス内で線形依存性を確立した後に用いることができる。いくつかの態様において、シグナル対ノイズ比は、運用範囲を識別限界まで制限しうる(例10を参照されたい)。
例8
3つのデータクラスについての第1段階の一般化(フラクタル次元)
[00164]いくつかの態様において、方法の分析の第1段階を、異なる時点にフラクタル次元で皮膚線維芽細胞ネットワーク複雑性を数量化する異なるAD診断アッセイで検証した(F.V.Chirila et al.,J Alzheimer’s Disease 33,165−176(2013))。フラクタル曲線を構築し、次に、曲線の直線部分を傾きおよび切片を抽出した線で近似した。このアッセイで3つのクラスの患者を研究した、クラス1−AD、クラス2−同年齢の認知症になっていない対照(AC)、およびクラス3−非アルツハイマー病型認知症(非ADD)、これにはハンチントン舞踏病(HD)およびパーキンソン病(PD)患者が含まれる(図6(A)〜(B)を参照されたい)。このアッセイについて、線形表現は、フラクタル曲線の直線部分の1/傾き対切片として提示される。たとえば、図6(A)(AD試料(四角)、AC試料(円)、および非ADD試料(三角)についての生データを示す)を参照されたい。図6(B)に示される通り、3つのクラスAD、AC、非ADDについて方法の第1段階を用いた場合に、固定されたカットオフの正規化および設定が達成される。さらに、120の無作為な代理データを、この1/傾き対切片平面において生成した(図6(C))。これらの代理データは、このアッセイで試験されうる未知の試料の役割を果たす。カットオフを角の二等分線の式を用いることにより確立し、次に、方法の分析の第1段階を用いて、データを正規化し、2つの重要なデータクラスADおよび非ADDの間に固定されたカットオフを設定した。図6(D)を参照されたい。いくつかの態様において、この一般化は、図6(A)において記載される線形依存性を変化させる予想外の変数が存在する、システムにおける方法の第2部分を適用するための段階を設定する。いくつかの態様において、FBSロットは、このアッセイにおける予想外の変数である。しかしながら、他の変数、たとえば、Matrigel(商標)中のタンパク質濃度はまた、図6(A)からの線形依存性を変化させうる。
3つのデータクラスについての第1段階の一般化(フラクタル次元)
[00164]いくつかの態様において、方法の分析の第1段階を、異なる時点にフラクタル次元で皮膚線維芽細胞ネットワーク複雑性を数量化する異なるAD診断アッセイで検証した(F.V.Chirila et al.,J Alzheimer’s Disease 33,165−176(2013))。フラクタル曲線を構築し、次に、曲線の直線部分を傾きおよび切片を抽出した線で近似した。このアッセイで3つのクラスの患者を研究した、クラス1−AD、クラス2−同年齢の認知症になっていない対照(AC)、およびクラス3−非アルツハイマー病型認知症(非ADD)、これにはハンチントン舞踏病(HD)およびパーキンソン病(PD)患者が含まれる(図6(A)〜(B)を参照されたい)。このアッセイについて、線形表現は、フラクタル曲線の直線部分の1/傾き対切片として提示される。たとえば、図6(A)(AD試料(四角)、AC試料(円)、および非ADD試料(三角)についての生データを示す)を参照されたい。図6(B)に示される通り、3つのクラスAD、AC、非ADDについて方法の第1段階を用いた場合に、固定されたカットオフの正規化および設定が達成される。さらに、120の無作為な代理データを、この1/傾き対切片平面において生成した(図6(C))。これらの代理データは、このアッセイで試験されうる未知の試料の役割を果たす。カットオフを角の二等分線の式を用いることにより確立し、次に、方法の分析の第1段階を用いて、データを正規化し、2つの重要なデータクラスADおよび非ADDの間に固定されたカットオフを設定した。図6(D)を参照されたい。いくつかの態様において、この一般化は、図6(A)において記載される線形依存性を変化させる予想外の変数が存在する、システムにおける方法の第2部分を適用するための段階を設定する。いくつかの態様において、FBSロットは、このアッセイにおける予想外の変数である。しかしながら、他の変数、たとえば、Matrigel(商標)中のタンパク質濃度はまた、図6(A)からの線形依存性を変化させうる。
例9
方法の普遍性
[00165]いくつかの態様において、ここで開示される方法は、一般的であり、分離される2つ以上の患者のクラス(C1,C2,...,Cn)での、他の診断システムSに対する適用可能性を有し、これは第2の変数
方法の普遍性
[00165]いくつかの態様において、ここで開示される方法は、一般的であり、分離される2つ以上の患者のクラス(C1,C2,...,Cn)での、他の診断システムSに対する適用可能性を有し、これは第2の変数
での別個の変化での、変数xの1つにおけるアッセイ出力の線形依存性を示す。さらに、いくつかの態様において、方法の第1段階は、正規化される必要があるデータクラスの数の観点で制限はない。方法の第2段階について、いくつかの態様において、2つを超えるデータクラスが分離される必要がある場合、決定は分離される必要がある2つの最も重要なクラスについてなされなければならない。図7は、無作為に生成されたデータクラスC1およびC2に対する、方法の第1および第2段階を説明する。2段階手順の普遍性を実証するため、円、四角、および三角として表される、2つの無作為に生成されたデータクラスを、タイプa*exp(−x/b)(式中のaおよびbは、パラメーターである)の指数関数から考慮した(図7(A)を参照されたい;中空の記号は上方のデータセットを表し、塗りつぶした記号は下方のデータセットを表す)。クラス1を関数c1(x)={exp[−x/(2+0.2*rand(0)]}+2*rand(0)*{exp[−x/(2+.2*rand(0))}により生成し、クラス2を関数c2(x)={0.2*exp[−x/(3+0.3*rand(0))]}+2*rand(0)*{0.2*exp[−x/(3+0.3*rand(0))]}により生成し、ここで、rand(0)は0〜1の乱数を生成する。これらの無作為に生成されたデータクラスは、線形依存性を示す(図7(A))。第2の陰の変数yとの線形依存性の変化を模倣するため、赤色、緑色、および青色として3対のデータクラス標識を生成した(図7(A))。2段階手順を適用後、ダイナミックレンジDとランクの間の同様の線形依存性を決定した、図7(B)、D=D(Ranky)。いくつかの態様において、AD診断アッセイに関して見出された参照標準は、データ分類を必要とし、xにおいて直線的である陰の変数でカットオフにおける変化を有し、第2の変数yでの線形近似パラメーターを変化させる、他のシステムについて見出されうる。
[00166]追加の例は、3つのクラスのデータについて図6に与えられ、そのうちの2群、ADおよび非ADD患者、の間の分離が、関心のある2つの集団として識別された。この決定に基づいて、固定されたカットオフが、これらの2つのクラスの間に確立され、さらに任意の他の陰の変数yでの数量化およびランク付けが可能になる。
例10
ノイズレベルによる識別限界/d−limitの確立
[00167]いくつかの態様において、データにおけるシグナルに関するノイズのレベルは、2つのクラスが分離境界/カットオフに対して交差する、患者の2つの線形クラスの交点の重要な近似となりうる(図8(A)〜(B)を参照されたい)。図8(A)中の垂直の破線は、識別限界(d−limit)を定義する。識別限界の右に向かって、シグナル対ノイズ比(SNR)は乏しい。たとえば、示される通り、クラス1からの51データポイントのうち11およびクラス2からの51データポイントのうち18は、カットオフラインに対して交差する。図8(A)からの垂直の破線は、シグナルプラスノイズがカットオフラインと交わる場所に位置する。SNR比は、距離により正規化した平均変動係数<CV>/Dと密接に関連する。ここで、d−limitは、高い細胞密度が、細胞凝集に基づく、この診断アッセイに望ましくないことを示唆する。
ノイズレベルによる識別限界/d−limitの確立
[00167]いくつかの態様において、データにおけるシグナルに関するノイズのレベルは、2つのクラスが分離境界/カットオフに対して交差する、患者の2つの線形クラスの交点の重要な近似となりうる(図8(A)〜(B)を参照されたい)。図8(A)中の垂直の破線は、識別限界(d−limit)を定義する。識別限界の右に向かって、シグナル対ノイズ比(SNR)は乏しい。たとえば、示される通り、クラス1からの51データポイントのうち11およびクラス2からの51データポイントのうち18は、カットオフラインに対して交差する。図8(A)からの垂直の破線は、シグナルプラスノイズがカットオフラインと交わる場所に位置する。SNR比は、距離により正規化した平均変動係数<CV>/Dと密接に関連する。ここで、d−limitは、高い細胞密度が、細胞凝集に基づく、この診断アッセイに望ましくないことを示唆する。
例11
理論的な考察
[00168]患者の2種のクラス、AD患者(C1;f(x)=ax+b)、およびAC対照(C3;g(x)=cx+d)に対応する図1(A)および(C)からのFBS 941に対する2つの近似線を、(C2;l(x)=mx+n)と標識された中間的な傾きを有する線と同様に用いた。これらの3つのデータクラスを、ここで開示される理論的な研究についての生データとして用いた。図9(A)を参照されたい。これらの近似線の緻密さ(thickness)も、C1からC3に低減し、3つのデータクラスを容易に区別することができる。方法の第1段階からの最初の3つの等長変換、平行移動、回転、平行移動を、3つのデータクラスに適用した(図9(B))。結果は、図9(A)からの(x,y)セグメントの図9(B)における異なる平面(長さ、切片)へのマッピングである。プロセス中で、データクラスを、平行(および水平)、すなわち傾きゼロにした。方法の分析の第1段階を見る別の様式は、傾きの横断的な正規化(傾き=0)と同時に、切片b、n、dによりデータクラスをソーティングすることである。
理論的な考察
[00168]患者の2種のクラス、AD患者(C1;f(x)=ax+b)、およびAC対照(C3;g(x)=cx+d)に対応する図1(A)および(C)からのFBS 941に対する2つの近似線を、(C2;l(x)=mx+n)と標識された中間的な傾きを有する線と同様に用いた。これらの3つのデータクラスを、ここで開示される理論的な研究についての生データとして用いた。図9(A)を参照されたい。これらの近似線の緻密さ(thickness)も、C1からC3に低減し、3つのデータクラスを容易に区別することができる。方法の第1段階からの最初の3つの等長変換、平行移動、回転、平行移動を、3つのデータクラスに適用した(図9(B))。結果は、図9(A)からの(x,y)セグメントの図9(B)における異なる平面(長さ、切片)へのマッピングである。プロセス中で、データクラスを、平行(および水平)、すなわち傾きゼロにした。方法の分析の第1段階を見る別の様式は、傾きの横断的な正規化(傾き=0)と同時に、切片b、n、dによりデータクラスをソーティングすることである。
[00169]関心領域中のラインセグメントの全長は、L={X射影/cos[atan(傾き)]}により与えられ、この特定の事例(図9(A))ではX射影は10であり、x範囲を表すが、傾きは近似線の傾き、すなわち、a、m、cである。全長(L)を説明するため、3つのデータクラスに対する3つの値を、図9(B)における右手側に四角、円、および三角でプロットした。長さ(L)は傾きに第一に依存(図9(C))するが、X射影/X範囲にも依存する(図9(D))。方法の別の説明について、ポイント(たとえば、四角、円、三角)を、図9(A)および(C)に示される3つのデータクラスに関してプロットした。この曲線に沿ったデータクラスC1(四角)とC3(円)の間の距離は、方法の第2段階(図1(D)および図4(A)〜(B)を参照されたい)に定義され、また5つのFBSロットをランク付けることに用いられた、ダイナミックレンジDに比例する。
[00170]方法の第1段階によるデータを解くプロセス(図9(A)〜(B)を参照されたい)において、データクラス間の分離は指数関数的に増大した(図9(E)〜(F)を参照されたい)。たとえば、最小の記号を有するセグメントは、図9(A)中で互いに非常に近いが、図9(B)中では、より大きな分離を有する。方法の第1段階は、図9(E)〜(F)により示される通り、セグメント間の距離を増幅し、この増幅は、線の交点が接近するにつれて指数関数的に増大する。データクラス間の距離が増幅すると、ノイズも分析の第1段階により増幅される。いくつかの態様において、ここで開示される方法は、識別限界d−limitを超えて運用することはできない(図8(B)を参照されたい)。したがって、指数関数的な増幅は、このFBSロットについて9.8に等しいd−limitで停止する。
[00171]方法セクションにおいてSep関数として定義される通り、患者のクラス間の可分性は、方法の第1段階により作り出される、指数関数的な増幅の結果として、少なくとも2桁の規模で増大する。いくつかの態様において、5つのFBSロットについて方法の第1段階を適用後、Sep関数の百分率増大は、200から2500%の範囲である。さらに、t検定により測定される患者のクラス間のオーバーラップ確率は、方法の第1段階を適用後、数桁の規模で低減する。
例12
臨床試験データの分類
[00172]いくつかの態様において、ここで開示される方法はまた、臨床試験データの分離を強化するため用いられてもよい。たとえば、図11は、ブリオスタチンまたはプラセボの投与の3時間後のミニメンタルステート検査(MMSE)またはFolstein試験における変化対48時間での神経心理状態反復性バッテリー(RBANS)における変化を示す。図11(A)は、依存性が、ブリオスタチンとプラセボの両方について直線的であることを示す。いくつかの態様において、ここで開示される等長変換を臨床試験データに適用して、図11(B)に示される通り、2つの群を変化させてもよい。MMSE(図11(C))における変化の平均値プラス平均の標準誤差に基づくと、いくつかのオーバーラップが存在し、分離がMann−Whitney U−検定(アルファ0.10、図11(E))下ならびにウィルコクソン検定(アルファ0.10、データは示さず)またはt−検定(アルファ=0.097、データは示さず)下で統計的に有意である。ここで開示される等長変換を用いた後、分離は、明確であり(図11(D))、Mann−Whitney U−検定(任意のアルファ、すなわち、理想的な事例、図11(F))下で統計的に有意である。
臨床試験データの分類
[00172]いくつかの態様において、ここで開示される方法はまた、臨床試験データの分離を強化するため用いられてもよい。たとえば、図11は、ブリオスタチンまたはプラセボの投与の3時間後のミニメンタルステート検査(MMSE)またはFolstein試験における変化対48時間での神経心理状態反復性バッテリー(RBANS)における変化を示す。図11(A)は、依存性が、ブリオスタチンとプラセボの両方について直線的であることを示す。いくつかの態様において、ここで開示される等長変換を臨床試験データに適用して、図11(B)に示される通り、2つの群を変化させてもよい。MMSE(図11(C))における変化の平均値プラス平均の標準誤差に基づくと、いくつかのオーバーラップが存在し、分離がMann−Whitney U−検定(アルファ0.10、図11(E))下ならびにウィルコクソン検定(アルファ0.10、データは示さず)またはt−検定(アルファ=0.097、データは示さず)下で統計的に有意である。ここで開示される等長変換を用いた後、分離は、明確であり(図11(D))、Mann−Whitney U−検定(任意のアルファ、すなわち、理想的な事例、図11(F))下で統計的に有意である。
[00173]
例13
遺伝学および天文学の分類
[00174]いくつかの態様において、ここで開示される方法は、たとえば、酵母(Saccharomyces cerevisaie)の2種の細胞周期調節遺伝子および低い表面輝度銀河の回転曲線に関する生データの分離を強化するために用いられてもよい。Spellman P.T.et al.,Comprehensive Identification of Cell Cycle−Regulated Genes of the Yeast Saccharomyces cervisiae by Microarray Hybridization,Mole.Biol.Of the Cell 9,3273−3297(1998);Kuzio de Naray,T.,McGaugh,S.S.deBlok,W.J.G.&Bosma,A.,High Resolution Optical Velocity Fields of 11 Low Surface Brightness Galaxies,ApJS 165,461−479(2008);Kuzio de Naray,T.,McGaugh,S.S.deBlok,W.J.G.&Bosma,A.Mass Models of Low Surface Brightness Galaxies with High Resolution Optical Velocity Fields,ApJ 676,920−943(2008)。図10(a)は、酵母(Saccharomyces cerevisaie)の2種の細胞周期調節遺伝子に関する生データをプロットする;図10(c)は、酵母(Saccharomyces cerevisaie)の2種の細胞周期調節遺伝子に関するアルゴリズム最適化データである。図10(b)は、低い表面輝度銀河の回転曲線をプロットし、8つの低い表面輝度銀河に関する速度対半径が、8つのデータクラス(C1-8)について原点に近接する線形依存性を示す;図10(d)は、銀河の半径が70arsecであるとした場合に銀河の観察速度がどれほどであるかを示す、アルゴリズム最適化データである。
例13
遺伝学および天文学の分類
[00174]いくつかの態様において、ここで開示される方法は、たとえば、酵母(Saccharomyces cerevisaie)の2種の細胞周期調節遺伝子および低い表面輝度銀河の回転曲線に関する生データの分離を強化するために用いられてもよい。Spellman P.T.et al.,Comprehensive Identification of Cell Cycle−Regulated Genes of the Yeast Saccharomyces cervisiae by Microarray Hybridization,Mole.Biol.Of the Cell 9,3273−3297(1998);Kuzio de Naray,T.,McGaugh,S.S.deBlok,W.J.G.&Bosma,A.,High Resolution Optical Velocity Fields of 11 Low Surface Brightness Galaxies,ApJS 165,461−479(2008);Kuzio de Naray,T.,McGaugh,S.S.deBlok,W.J.G.&Bosma,A.Mass Models of Low Surface Brightness Galaxies with High Resolution Optical Velocity Fields,ApJ 676,920−943(2008)。図10(a)は、酵母(Saccharomyces cerevisaie)の2種の細胞周期調節遺伝子に関する生データをプロットする;図10(c)は、酵母(Saccharomyces cerevisaie)の2種の細胞周期調節遺伝子に関するアルゴリズム最適化データである。図10(b)は、低い表面輝度銀河の回転曲線をプロットし、8つの低い表面輝度銀河に関する速度対半径が、8つのデータクラス(C1-8)について原点に近接する線形依存性を示す;図10(d)は、銀河の半径が70arsecであるとした場合に銀河の観察速度がどれほどであるかを示す、アルゴリズム最適化データである。
[00175]
例14
アルツハイマー病診断の年齢依存性
[00176]図12は、アルツハイマー病診断アッセイについての年齢依存性を解決するための方法の検証を説明する。図12(a)において、生データが提示され、2つのデータクラスであるクラス1−AD−四角およびクラス2−AC円、患者の年齢に対するアッセイ出力Ln(A/N)の線形依存性が示される。図12(b)は、同じ2つのクラスの患者についてのアルゴリズム正規化データを示す。
例14
アルツハイマー病診断の年齢依存性
[00176]図12は、アルツハイマー病診断アッセイについての年齢依存性を解決するための方法の検証を説明する。図12(a)において、生データが提示され、2つのデータクラスであるクラス1−AD−四角およびクラス2−AC円、患者の年齢に対するアッセイ出力Ln(A/N)の線形依存性が示される。図12(b)は、同じ2つのクラスの患者についてのアルゴリズム正規化データを示す。
[00177]考察
[00178]いくつかの態様において、ここで開示される方法は、第2の別個の変数yに関して変化し、したがって、カットオフ値を変化させる、患者の2つ以上の線形クラス(C1,C2,...,Cn)についての診断上の分離を増大させることに適用される。いくつかの態様において、方法の第1段階は、傾きに関してデータクラスを正規化し(すなわち、傾き=0)、切片によりデータクラスをソーティングし、固定されたカットオフを確立し、固定されたカットオフに関してデータクラスを等距離とする。いくつかの態様において、方法の第2段階は、第2の変数y(たとえば、FBSロット)に関して出力をランク付けする。ランク付けは、ダイナミックレンジDの測定値およびシグナル対ノイズ比<CV>/Dに基づき、参照標準D=D(Ranky)と呼ばれる。上記で考察した通り、この参照標準は、対のデータクラスが無作為に生成された場合でさえ直線的である。
[00178]いくつかの態様において、ここで開示される方法は、第2の別個の変数yに関して変化し、したがって、カットオフ値を変化させる、患者の2つ以上の線形クラス(C1,C2,...,Cn)についての診断上の分離を増大させることに適用される。いくつかの態様において、方法の第1段階は、傾きに関してデータクラスを正規化し(すなわち、傾き=0)、切片によりデータクラスをソーティングし、固定されたカットオフを確立し、固定されたカットオフに関してデータクラスを等距離とする。いくつかの態様において、方法の第2段階は、第2の変数y(たとえば、FBSロット)に関して出力をランク付けする。ランク付けは、ダイナミックレンジDの測定値およびシグナル対ノイズ比<CV>/Dに基づき、参照標準D=D(Ranky)と呼ばれる。上記で考察した通り、この参照標準は、対のデータクラスが無作為に生成された場合でさえ直線的である。
[00179]いくつかの態様において、ここで開示される方法は、分離D(たとえば、ADと同年齢対照の間)のランク付けを、第2の変数(たとえば、FBSロット)がこの分離を変化させる場合に、必要とする診断アッセイと伴に用いられてもよい。上記で考察した通り、ここで開示される方法は、3つの会社からの5つのロットのウシ胎児血清(FBS)および参照標準D=D(Ranky)を構築するため無作為に生成されたデータクラスに用いられた。いくつかの態様において、参照標準は、任意の未知のFBSロットの分類に用いられてもよい。方法の第1段階はまた、ネットワーク複雑性を測定する異なるアッセイで検証され、3つのデータクラスAD患者、同年齢対照(AC)、および非ADD患者に対して一般化された。しかしながら、いくつかの態様において、同じ第1段階は、より大きな数のデータクラスに対して一般化することができる。方法は、無作為に生成された試料および3つのクラスの患者(図6および図7(A)〜(B))で試験された。
[00180]いくつかの態様において、手順の第1段階は、変数(たとえば、陰のまたは予想外の)に直線的に依存する、分離する任意のクラスの患者(C1,C2,...,Cn)に適用される(図7を参照されたい)。これらのデータクラスは、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択されてもよい。2段階手順の普遍性を実証するため、円、四角、および三角として表される、2つの無作為に生成されたデータクラスを、タイプa*exp(−x/b)(式中、aおよびbは、パラメーターである)の指数関数から考慮した(図7(A)を参照されたい;中空の記号は上方のデータセットを表し、塗りつぶした記号は下方のデータセットを表す)。
[00181]いくつかの態様において、ここで開示される方法は、分離されるデータクラスの切片が統計的に有意である限り、特定の結果を作り出す。種々の態様において、方法はまた、シグナル対ノイズ比(SNR)が、分離境界/カットオフラインに交差しない程度十分に大きい(すなわち、識別限界(d−limit)の左手側にある)、限りにおいては、特定の結果を作り出す(図8(A)を参照されたい)。小さいシグナル対ノイズ比(すなわち、識別限界(d−limit)の右手側にある)について(図8(B)を参照されたい)、方法は、推定目的だけのために適用することができる。
[00182]いくつかの態様において、第1の変数xにおける線形依存性が、確立される必要がある。実用上および検証上の観点から、線形依存性は、非線形の依存性と比較される場合に、等長変換を介して操作されてもよい。したがって、この方法は、その表示において、第1の変数xにおける依存性が直線的であることを決定する。初期依存性が非線形であり、指数関数的に推測することができる場合、変換(たとえば、自然対数プロット)により、依存性を線形化することができる。このプロセスは、しばしば「線形化」と呼ばれる。ここで開示されるAD診断アッセイの1つについて、A/NよりもLn(A/N)のプロットが、Ln(細胞密度)と対比して提示される場合に、この線形化に到る。ここで開示される第2のAD診断アッセイはまた、線形依存性を有する(図6を参照されたい)。線形依存性/入出力関数はまた、一般的に任意のシステムの予測可能性のために望ましい、その理由は、システムの独立変数/入力における小さい摂動が、予想可能性を生じ、従属変数/出力における小さい摂動と直線的に関連しうるからである。
[00183]結論
[00184]いくつかの態様において、ここで開示される方法の2段階手順は、出力が2つの変数(たとえば、実験の細胞密度およびFBS)に依存する、AD診断アッセイに適用されてもよい。変数の1つにおけるアッセイ出力の依存性は、直線的である。第2の変数は、患者/データのそれぞれのクラスに対する線形依存性のパラメーター(すなわち、傾きおよび切片)を変化させる。
[00184]いくつかの態様において、ここで開示される方法の2段階手順は、出力が2つの変数(たとえば、実験の細胞密度およびFBS)に依存する、AD診断アッセイに適用されてもよい。変数の1つにおけるアッセイ出力の依存性は、直線的である。第2の変数は、患者/データのそれぞれのクラスに対する線形依存性のパラメーター(すなわち、傾きおよび切片)を変化させる。
[00185]いくつかの態様において、ここで開示される方法の第1段階は、傾きを横断して線形依存性を正規化し(傾き=0)、患者/データのクラスを平行にし、および固定されたカットオフに関して等距離にする。患者/データのクラスを解くプロセス内で、患者のクラス間の距離は、指数関数的に増大する。シグナル対ノイズ比により、2つのクラスの患者が、角の二等分線の式としてここに解析的に定義される、カットオフ境界に対して交差する、位置として識別限界(d−limit)が確立される。
[00186]いくつかの態様において、方法の第1段階はまた、アルツハイマー病、同年齢対照、および非アルツハイマー病型認知症患者の3つのクラスの患者の間を区別する、AD診断アッセイに適用される。
[00187]いくつかの態様において、方法の第2段階は、距離および正規化した変動係数により患者の正規化したクラスをランク付けする。この標準曲線は、線形D=D(Ranky)である。
[00188]いくつかの態様において、他のAD診断アッセイに関する1次標準曲線D=D(Ranky)の普遍性を強調するため、対の無作為なデータクラスを用いた。
Claims (51)
- バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団を同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団から分類するための方法であって:
(a)前記AD集団、前記AC集団、および/または前記非ADD集団から分類のための生物学的試料を得ること;
(b)前記生物学的試料に対して前記バイオマーカーアッセイを行い、複数のデータポイントを生成することであって、前記アッセイは入力変数および出力変数を含み、前記アッセイ出力変数は前記アッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること
を含み、前記AD集団の前記AC集団および/または前記非ADD集団からの分離をもたらす方法。 - 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含む、請求項1に記載の方法。
- 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含み、第3の複数のデータポイントは非アルツハイマー病型認知症試料を含む、請求項1に記載の方法。
- 前記非アルツハイマー病型認知症試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択される、請求項3に記載の方法。
- 前記試料はヒト皮膚線維芽細胞を含む、請求項1に記載の方法。
- 前記ヒト皮膚線維芽細胞は、ウシ胎児血清において培養される、請求項5に記載の方法。
- 前記バイオマーカーは、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブバイオマーカー(ADNI)から選択される、請求項5に記載の方法。
- 前記バイオマーカーが線維芽細胞凝集体である場合、前記出力変数は(面積/数)の自然対数であり、前記入力変数は細胞密度の自然対数およびウシ胎児血清である、請求項7に記載の方法。
- 前記バイオマーカーがフラクタル次元である場合、前記入力変数はフラクタル曲線に対する切片であり、前記出力変数は傾きの逆数である、請求項7に記載の方法。
- 普遍的なカットオフ値を確立することをさらに含む、請求項1に記載の方法。
- 工程(c)を行うことは、シグナル対ノイズ比に基づくカットオフ値を有する識別限界を確立することを含み、前記AD集団、前記AC集団および/または前記非ADD集団から生成される複数のデータポイントはカットオフ値を交差しない、請求項10に記載の方法。
- バイオマーカーに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)前記対象から生物学的試料を得ること;
(b)前記生物学的試料においてバイオマーカーアッセイを行うこと;
(c)前記バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、前記アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)前記対象からバイオマーカー結果を正規化すること;ならびに
(i)前記対象のバイオマーカー結果から前記2つ以上の集団のそれぞれまでの距離を決定すること、を含み、前記対象のバイオマーカー結果から集団までの最短距離が診断である方法。 - 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含む、請求項12に記載の方法。
- 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含み、第3の複数のデータポイントは非アルツハイマー病型認知症試料を含む、請求項12に記載の方法。
- 前記非アルツハイマー病型認知症試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択される、請求項14に記載の方法。
- 前記試料はヒト皮膚線維芽細胞を含む、請求項12に記載の方法。
- 前記ヒト皮膚線維芽細胞は、ウシ胎児血清において培養される、請求項16に記載の方法。
- 前記バイオマーカーは、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブバイオマーカー(ADNI)から選択される、請求項16に記載の方法。
- 前記バイオマーカーが線維芽細胞凝集体である場合、入力変数は(面積/数)の自然対数であり、出力変数はウシ胎児血清である、請求項18に記載の方法。
- 前記バイオマーカーがフラクタル次元である場合、入力変数はフラクタル曲線に対する切片であり、出力変数は傾きの逆数である、請求項18に記載の方法。
- 普遍的なカットオフ値を確立することをさらに含む、請求項12に記載の方法。
- 工程(c)を行うことはシグナル対ノイズ比に基づく識別限界を確立することを含み、2つ以上のAD集団から生成される複数のデータポイントはカットオフ値を交差しない、請求項21に記載の方法。
- バイオマーカーアッセイに基づいて、アルツハイマー病(AD)集団を同年齢対照(AC)集団および/または非アルツハイマー病型認知症(非ADD)集団から分類するための方法であって:
(a)前記AD集団、前記AC集団、および/または前記非ADD集団から分類のための生物学的試料を得ること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブバイオマーカー(ADNI)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、前記アッセイは入力変数および出力変数を含み、前記アッセイ出力変数は前記アッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること
を含み、前記AD集団と前記AC集団および/または前記非ADD集団の分離をもたらす方法。 - 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含む、請求項23に記載の方法。
- 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含み、第3の複数のデータポイントは非アルツハイマー病型認知症試料を含む、請求項23に記載の方法。
- 前記非アルツハイマー病型認知症試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択される、請求項25に記載の方法。
- バイオマーカーに基づいて、それを必要とする対象をアルツハイマー病(AD)集団に分類するための方法であって:
(a)前記対象から皮膚線維芽細胞を提供すること;
(b)ウシ胎児血清で培養された細胞において、細胞凝集、フラクタル次元、プロテインキナーゼCイプシロン、アルツハイマー病特異的な分子バイオマーカー(ASDMB)、空隙度、細胞遊走、PKCアイソザイム指標、およびアルツハイマー病神経画像処理イニシアティブバイオマーカー(ADNI)から選択されるバイオマーカーアッセイを行い、複数のデータポイントを生成することであって、前記アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)前記バイオマーカーアッセイで、2つ以上のAD集団から複数のデータポイントを提供することまたは生成することであって、前記アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)前記対象からバイオマーカー結果を正規化すること;ならびに
(i)前記対象のバイオマーカー結果から前記2つ以上の集団のそれぞれまでの距離を決定すること
を含み、前記対象のバイオマーカー結果から集団までの最短距離が診断である方法。 - 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含む、請求項27に記載の方法。
- 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含み、第3の複数のデータポイントは非アルツハイマー病型認知症試料を含む、請求項27に記載の方法。
- 前記非アルツハイマー病型認知症試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択される、請求項29に記載の方法。
- ウシ胎児血清(FBS)でのアッセイを用いて、2つ以上のFBSロットについてランク付けした順位を確立するための方法であって:
(a)2つ以上の異なる集団から生物学的試料を得ること;
(b)前記試料においてアッセイを行い、複数のデータポイントを生成することであって、前記アッセイは入力変数および出力変数を含み、前記アッセイ出力変数は前記アッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、前記2つ以上の異なる集団が分離される、下方の平行移動工程を逆転させること;ならびに
(g)前記2つ以上の異なる集団のダイナミックレンジをプロットすること
を含み、前記プロットは、2つ以上のFBSロットのランク付けした順位をもたらす方法。 - 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含む、請求項31に記載の方法。
- 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含み、第3の複数のデータポイントは非アルツハイマー病型認知症試料を含む、請求項31に記載の方法。
- 前記非アルツハイマー病型認知症試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択される、請求項33に記載の方法。
- 前記試料はヒト皮膚線維芽細胞を含む、請求項31に記載の方法。
- 前記ダイナミックレンジは、前記2つ以上の異なる集団の間の距離に基づく、請求項31に記載の方法。
- 前記ダイナミックレンジは、距離により正規化した平均変動係数に基づく、請求項31に記載の方法。
- ウシ胎児血清(FBS)でのアッセイを用いて、少なくとも1つの試験されていないFBSロットをランク付けする方法であって:
(a)試験されていないFBSロットを得ること;
(b)前記試験されていないFBSロットでアッセイを行うこと;
(c)2つ以上の追加のFBSロットを用いる生物学的アッセイで、2つ以上の集団から複数のデータポイントを提供することまたは生成することであって、前記アッセイは入力変数および出力変数を含み、前記アッセイ出力変数は前記アッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させることであって、前記2つ以上の集団の対象が分離される、下方の平行移動工程を逆転させること;
(h)前記試験されていないFBSロットからバイオマーカー結果を正規化すること;
(i)前記2つ以上の追加のFBSロットおよび前記試験されていないFBSロットのダイナミックレンジをプロットすること
を含み、前記プロットは、全体のFBSロットのランク付けした順位をもたらす方法。 - 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含む、請求項38に記載の方法。
- 第1の複数のデータポイントは対照を含み、第2の複数のデータポイントはアルツハイマー病試料を含み、第3の複数のデータポイントは非アルツハイマー病型認知症試料を含む、請求項38に記載の方法。
- 前記非アルツハイマー病型認知症試料は、ハンチントン舞踏病試料およびパーキンソン病試料から選択される、請求項40に記載の方法。
- 前記試料はヒト皮膚線維芽細胞を含む、請求項38に記載の方法。
- 前記ダイナミックレンジは、前記2つ以上の異なる集団の間の距離に基づく、請求項38に記載の方法。
- 前記ダイナミックレンジは、距離により正規化した平均変動係数に基づく、請求項38に記載の方法。
- ウシ胎児血清(FBS)でのアッセイを用いて、少なくとも1つの試験されていないFBSロットをランク付けする方法であって:
(a)試験されていないFBSロットを得ること;
(b)前記試験されていないFBSロットで生物学的アッセイを行うこと;
(c)前記試験されていないFBSロットからバイオマーカー結果を正規化すること;
(d)試験したFBSロットのランク付けした順位に、試験されていないFBSロット正規化結果をプロットすること
を含む方法。 - 前記アッセイは診断アッセイである、請求項45に記載の方法。
- 前記診断アッセイは、アルツハイマー病に関するものである、請求項46に記載の方法。
- 診断システムに基づいて、2つ以上の異なる集団を分類するための方法であって:
(a)前記2つ以上の異なる集団から分類のための試料を得ること;
(b)前記試料においてアッセイを行い、複数のデータポイントを生成することであって、前記アッセイは入力変数および出力変数を含み、前記アッセイ出力変数は前記アッセイ入力変数に直線的に依存する、複数のデータポイントを生成すること;
(c)それぞれの複数のデータポイントを線形関数f(x)=a*x+bで(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(d)それぞれの線形関数について、切片「b」を差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(e)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;ならびに
(f)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程(d)を逆転させること
を含み、前記2つ以上の異なる集団の分離をもたらす方法。 - 前記診断システムは、アルツハイマー診断アッセイ、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択される、請求項48に記載の方法。
- 診断システムに基づいて、それを必要とする対象をある集団に分類するための方法であって:
(a)分類するための試料を得ること;
(b)前記試料においてアッセイを行うこと;
(c)前記アッセイで、2つ以上の異なる集団から複数のデータポイントを提供することまたは生成することであって、前記アッセイは入力変数および出力変数を含み、アッセイ出力変数はアッセイ入力変数に直線的に依存する、複数のデータポイントを提供することまたは生成すること;
(d)それぞれの複数のデータポイントを線形関数f(x)=a*x+b(式中、「a」は傾きであり、「x」はx−入力であり、「b」はy−切片である)で近似すること;
(e)それぞれの線形関数について、切片bを差し引くことにより、それぞれの複数のデータポイントを原点に平行移動させること;
(f)それぞれの線形関数について、atan(a)によりそれぞれの複数のデータポイントを反時計回りに回転させること;
(g)それぞれの線形関数について、切片bにより上方にそれぞれの複数のデータポイントを平行移動させることにより下方の平行移動工程を逆転させること;
(h)前記試料からアッセイ結果を正規化すること;ならびに
(i)前記試料のアッセイ結果から前記2つ以上の集団のそれぞれまでの距離を決定することを含み、前記試料のアッセイ結果から集団までの最短距離が分類である方法。 - 前記診断システムは、アルツハイマー診断アッセイ、機械学習、神経ネットワーク、データマイニング、遺伝子発現、パターンもしくは顔認識、認知心理学、または天文学から選択される、請求項50に記載の方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562129715P | 2015-03-06 | 2015-03-06 | |
US62/129,715 | 2015-03-06 | ||
US201562198838P | 2015-07-30 | 2015-07-30 | |
US62/198,838 | 2015-07-30 | ||
PCT/US2016/021101 WO2016144838A1 (en) | 2015-03-06 | 2016-03-06 | Methods for classifying populations including alzheimer's disease populations |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018512128A true JP2018512128A (ja) | 2018-05-17 |
Family
ID=55650692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017546932A Pending JP2018512128A (ja) | 2015-03-06 | 2016-03-06 | アルツハイマー病集団を含む集団を分類するための方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3265810A1 (ja) |
JP (1) | JP2018512128A (ja) |
CA (1) | CA2978740A1 (ja) |
WO (1) | WO2016144838A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180282784A1 (en) * | 2017-03-31 | 2018-10-04 | NeuroDiagnostics LLC | LYMPHOCYTE-BASED PKCe TEST FOR ALZHEIMER'S DISEASE |
CN117051096A (zh) * | 2017-12-08 | 2023-11-14 | 神经Gx有限责任公司 | 用于阿尔茨海默病的同步化细胞周期基因表达测试及相关治疗方法 |
JPWO2020241836A1 (ja) * | 2019-05-31 | 2020-12-03 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090029873A1 (en) | 2005-10-11 | 2009-01-29 | Blanchette Rockefeller Neurosciences Institute | Alzheimer's Disease-Specific Alterations of the Erk1/Erk2 Phosphorylation Ratio-Alzheimer's Disease-Specific Molecular Biomarkers (Adsmb) |
US7595167B2 (en) | 2005-10-11 | 2009-09-29 | Blanchette Rockefeller Neurosciences Institute | Alzheimer's disease-specific alterations of the Erk1/Erk2 phosphorylation ratio |
BR112012007557A2 (pt) | 2009-10-02 | 2017-05-02 | Blanchette Rockefeller Neurosciences Inst | alterações anormais de processamento de isozimas de pkc em células periféricas da doença de alzheimer |
WO2011041761A1 (en) * | 2009-10-02 | 2011-04-07 | Blanchette Rockefeller Neurosciences Institute | Fibroblast growth patterns for diagnosis of alzheimer's disease |
JP5902103B2 (ja) | 2010-02-22 | 2016-04-13 | ブランシェット・ロックフェラー・ニューロサイエンスィズ・インスティテュート | プロテインキナーゼcイプシロン(pkc−イプシロン)タンパク質レベルの、アルツハイマー病に特異的な変化 |
EP3279638A1 (en) | 2011-05-12 | 2018-02-07 | Daniel L. Alkon | Peripheral diagnostic methods for screening alzheimer's disease using beta amyloid and intercellular communication |
-
2016
- 2016-03-06 CA CA2978740A patent/CA2978740A1/en not_active Abandoned
- 2016-03-06 WO PCT/US2016/021101 patent/WO2016144838A1/en active Application Filing
- 2016-03-06 EP EP16714094.6A patent/EP3265810A1/en not_active Withdrawn
- 2016-03-06 JP JP2017546932A patent/JP2018512128A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3265810A1 (en) | 2018-01-10 |
CA2978740A1 (en) | 2016-09-15 |
WO2016144838A1 (en) | 2016-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8658134B2 (en) | Fibroblast growth patterns for diagnosis of Alzheimer's disease | |
Lefebvre et al. | Automated segmentation and tracking of mitochondria in live-cell time-lapse images | |
Yang et al. | Real-time electrical impedance-based measurement to distinguish oral cancer cells and non-cancer oral epithelial cells | |
US11099174B2 (en) | Peripheral diagnostic methods for screening Alzheimer's disease using beta amyloid and intercellular communication | |
Topman et al. | A method for quick, low-cost automated confluency measurements | |
JP2018512128A (ja) | アルツハイマー病集団を含む集団を分類するための方法 | |
US20230111650A1 (en) | Lymphocyte-Based PKCe Test for Alzheimer's Disease | |
Rocha et al. | Biomolecular phenotyping and heterogeneity assessment of mesenchymal stromal cells using label-free Raman spectroscopy | |
JP6679489B2 (ja) | アルツハイマー病についての有効な末梢診断法に対する凝集率の収束 | |
Bergstrand et al. | Fast, streamlined fluorescence nanoscopy resolves rearrangements of SNARE and cargo proteins in platelets co-incubated with cancer cells | |
Siddiqui et al. | Evaluation of gammah2ax in buccal cells as a molecular biomarker of DNA damage in Alzheimer’s disease in the AIBL study of ageing | |
Staszowska et al. | The Rényi divergence enables accurate and precise cluster analysis for localization microscopy | |
Kuhl et al. | 4D tumorigenesis model for quantitating coalescence, directed cell motility and chemotaxis, identifying unique cell behaviors, and testing anticancer drugs | |
Wang et al. | Automated confluence measurement method for mesenchymal stem cell from brightfield microscopic images | |
Sasaki et al. | Image-based cell quality assessment: modeling of cell morphology and quality for clinical cell therapy | |
Padman et al. | Immunofluorescence-based measurement of autophagosome formation during mitophagy | |
Farid et al. | Quantifying Compartment-Specific Protein Translocation in Astrocytes by Object-Oriented Image Analysis: Mitochondrial Translocation of PKCδ | |
US20230352149A1 (en) | Single-cell morphology analysis for disease profiling and drug discovery | |
EP3645734B1 (en) | A method for quantifying the cultivability of individual bacterial cells using culture independent parameters | |
Ahern et al. | Hyperoxia impairs pro-angiogenic RNA production in preterm endothelial colony-forming cells |