JP2019537790A - Ｍｄｓからａｍｌへの移行およびそれに関する予測方法 - Google Patents

Abstract

企図したシステムおよび方法は、ＭＤＳ細胞とＡＭＬ細胞との間の有意で差次的な発現レベルおよび／または経路の活性を有する選択した特性に基づく予測モデルを使用して、ＭＤＳからＡＭＬへの移行までの期間の予測を可能にする。【選択図】図８Ａ

Description

本願は、２０１６年１０月２７日に出願の米国仮特許出願第６２／４１３９１７号および２０１６年１２月１日に出願の同６２／４２９０３６号に対する優先権を主張する。

本発明の分野
本発明の分野は、ＭＤＳ（骨髄異形成症候群）からＡＭＬ（急性骨髄性白血病）への進行の予測および解析に関するオーミクス解析の方法である。

以下の説明は、本発明の理解に有用であり得る情報を含んでいる。これは、本明細書中提供される情報のいかなるものも従来技術であるかもしくはここで請求される発明に関連していると承認するものではなく、または、具体的もしくは暗示的に言及されているいかなる刊行物も従来技術であると承認するものではない。

本明細書中同定されている全ての刊行物および特許出願は、各個別の刊行物または特許出願が、具体的かつ個別に参照として援用されるように表されている場合と同じ度合で参照として援用されている。援用された参照文献におけるある用語の定義または使用が、本明細書中提供される用語の定義と矛盾または食い違っている場合、本明細書中提供される用語の定義を適用し、参照文献中の同用語の定義は適用しない。

骨髄異形成症候群（ＭＤＳ）は、骨髄不全、異形成、および急性骨髄性白血病（ＡＭＬ）への移行の可能性の増大を特徴とする、一群のクローン性造血性障害を構成している。ＭＤＡは、一般に、「原発性」（またはｄｅ ｎｏｖｏ）および「治療関連性」（以前の細胞傷害性の化学療法に続発）に分類され、いずれも、造血性幹細胞の自己再生および分化の異常により生じると考えられている。

多くの異なる病態が、共通する臨床的特徴に基づき「ＭＤＳ」という傘の下に共に分類されており、よって、観察される幅広い多様性の原因である。この疾患を有する患者の診断は、時に困難であり得る。同様に、予後の決定および適切な治療の選択は、臨床特徴（たとえば血球減少、年齢、パフォーマンスステータス）、および細胞学的パラメータ（たとえば芽球の計数、形態、核型）を考慮した、予後判定システムの慎重な適用を必要とする。不良な細胞遺伝学などの要因は、ＭＤＳの生存の低下に関連している。

細胞遺伝学、患者のパフォーマンスステータス、および赤血球（ＲＢＳ）輸血依存など、ＭＤＳ患者の予後および治療の選択に有意に影響を及ぼし得るいくつかの要因が同定されている。多くの研究により、患者のパフォーマンスステータスは、ＭＤＳまたはＡＭＬに関する強化化学療法を受けた患者、特に高齢の個体における全生存率または無イベント生存率に、反比例することが示されている。ＭＤＳの適切な診断および分類は、臨床的特徴および検査／病理知見（たとえば芽球の計数、末梢血の血球計数、細胞遺伝学）の両方の正確な評価に依存している。この目的のために、良好に調製された骨髄のスメアおよび生検材料が、絶対に必要である。残念なことに、このような方法は、かなりの時間および訓練した専門家による考察を必要とし、加えて多くの費用がかかる。

より最近では、様々な遺伝子の状態が、ＭＤＳおよびＡＭＬに関する治療の感受性、予後、生存期間などに関連している。たとえば、レナリドミドでの治療後に持続性の赤血球または細胞遺伝学的な寛解を達成できなかったｄｅｌ（５ｑ）ＭＤＳを有する患者は、クローン性の進化およびＡＭＬへの進行に関するリスクが上昇することが示された（Ａｎｎ Ｈｅｍａｔｏｌ． ２０１０ Ａｐｒ；８９（４）：３６５−７４参照）。別の研究では、ウィルムス腫瘍の遺伝子ＷＴ１が骨髄異形成症候群の疾患進行の診断にとって良好なマーカーであることが報告され（Ｌｅｕｋｅｍｉａ １９９９ Ｍａｒ；１３（３）：３９３−９参照）、および診断時のＷＴ１およびＢＡＡＬＣ遺伝子発現の複合評価が、骨髄異形成症候群を有する患者における無白血病生存率の予測を恐らくは改善することが報告された（Ｌｅｕｋ Ｒｅｓ． ２０１５ Ａｕｇ；３９（８）：８６６−７３参照）。同様に、国際特許出願公開公報第２０１０／０８７７０２号に論述されるように、ＴＥＴ２遺伝子における個別の変異が、ＭＤＳまたはＡＭＬに関する診断マーカーであることが報告された。

なおさらに公知の試験では、米国特許公開公報第２０１４／０１２７６９０号に論述されるように、体細胞の非サイレント変異シグネチャーが、ＭＤＳの生存性を予測することが報告されており、国際特許公開公報第２０１３／０５６１８４号は、薬物、化合物、食事、治療、または処置が、癌もしくは癌幹細胞、または白血病の癌幹細胞の予防、改善、進行の遅延、転移の停止もしくは遅延、または完全もしくは部分的寛解を引き起こすために有効または効果的であるかどうかを試験するための方法を教示している。しかしながら、公知の方法はいずれも、ＭＤＳからＡＭＬへの移行までの期間を確実に予測することができない。

よって、ＭＤＳと診断された患者に適切な治療の選択肢を選択する際に医師に手引きを支援する、ＭＤＳからＡＭＬへの移行までの期間を予測できる、改良された予後試験が、依然として必要とされている。

本発明の主題は、ＭＤＳからＡＭＬへの移行までの期間を、特に回帰に基づくモデルにおいて差次的に発現した遺伝子および／または推測される経路の活性を使用することにより、特定のオーミクスの特性に基づき予測することができる様々な方法を目的とする。

本発明の主題の一態様では、本発明者らは、骨髄異形成細胞を含む試料の複数の遺伝子の発現を定量化するステップを含む、ＭＤＳからＡＭＬへの移行までの期間を予測する方法であって、上記複数の遺伝子が、ｍＲＮＡの発現および推測される経路の活性のうちの少なくとも１つに関して、ＭＤＳとＡＭＬとの間で平均以上の差異を有する方法を企図している。別のステップでは、ＭＤＳとＡＭＬとの間で平均以上の差異を有する複数の遺伝子を、ＭＤＳからＡＭＬへの移行の可能性がある期間を計算するために予測モデルに使用する。

一部の実施形態では、複数の遺伝子は、ｍＲＮＡの発現に関してＭＤＳとＡＭＬとの間で平均以上の差異を有し、他の実施形態では、複数の遺伝子は、推測される経路の活性に関してＭＤＳとＡＭＬとの間で平均以上の差異を有する。さらに、複数の遺伝子が、ＣＨＤ４、ＧＰＡＴＣＨ２Ｌ、ＦＡＭ２１２Ａ、ＥＸＴ２、ＭＡＣＦ１、ＲＴＫＮ、ＺＳＣＡＮ２、ＲＮＦ２２０、ＹＥＡＴＳ２、ＥＲＧＩＣ１、ＺＮＦ６１８、ＭＢＴＤ１、ＣＸＸＣ５、およびＤＵＳＰ１０からなる群から選択されることが企図されている。異なる観点からみると、予測モデルは、少なくとも５０個の遺伝子が、ｔ検定および０．０５のαにより決定した場合に差次的に発現している、複数の差次的に発現した遺伝子に基づくことができる（たとえば図７に示されるように）。

本発明の主題に限定されるものではないが、予測モデルは、回帰アルゴリズム、より好ましくはｌａｓｓｏ最小角回帰アルゴリズムを使用して形成され得る。さらに、予測モデルが少なくとも最大１２０ケ月の予測を提供すること、および／または複数の遺伝子の発現を定量化するステップが全トランスクリプトームＲＮＡｓｅｑデータを使用することが好ましい。さらに、企図した方法が、全トランスクリプトームＲＮＡｓｅｑのデータにおいて新薬の開発につながる標的を同定するステップ、および任意選択で治療推奨を含むレポートを作製または更新するステップをさらに含み得ることが企図されている。

よって本発明の主題のさらなる別の態様において、本発明者らはまた、ＭＤＳがＡＭＬに移行する期間を予測するためのモデルを作製する方法をも企図している。好ましいモデルは、一般に、ＭＤＳ細胞を含む試料の複数の遺伝子の発現を定量化するステップと、ＡＭＬ細胞を含む試料の複数の遺伝子の発現を定量化する別のステップとを含む（典型的には全トランスクリプトーム ＲＮＡｓｅｑのデータを使用して行われる）。任意選択で、次に、推測される経路の活性を、ＭＤＳ細胞を含む試料の複数の遺伝子およびＡＭＬ細胞を含む試料の複数の遺伝子に関して計算する。さらなる別のステップでは、ｍＲＮＡの発現および推測される経路の活性のうちの少なくとも１つに関するＭＤＳ細胞とＡＭＬ細胞との間で平均以上の差異を有する複数の遺伝子を同定し、ＭＤＳ細胞とＡＭＬ細胞との間での平均以上の差異を有する複数の遺伝子を使用して、ＭＤＳからＡＭＬへの移行の可能性がある期間を計算する予測モデルを形成する。

最も典型的には、複数の遺伝子が、ｍＲＮＡ発現に関してＭＤＳとＡＭＬとの間で平均以上の差異を有し、および／または推測される経路の活性に関してＭＤＳとＡＭＬとの間で平均以上の差異を有する。上述のように、予測モデルは、少なくとも５０個の遺伝子が、ｔ検定および０．０５のαにより決定した場合に差次的に発現している、複数の差次的に発現した遺伝子に基づくことができることが企図されている。たとえば、ＭＤＳ細胞とＡＭＬ細胞との間で平均以上の差異を有する適切な遺伝子として、ＣＨＤ４、ＧＰＡＴＣＨ２Ｌ、ＦＡＭ２１２Ａ、ＥＸＴ２、ＭＡＣＦ１、ＲＴＫＮ、ＺＳＣＡＮ２、ＲＮＦ２２０、ＹＥＡＴＳ２、ＥＲＧＩＣ１、ＺＮＦ６１８、ＭＢＴＤ１、ＣＸＸＣ５、およびＤＵＳＰ１０が挙げられる。さらに企図される態様では、予測モデルは、回帰アルゴリズム（たとえばｌａｓｓｏ 最小角回帰アルゴリズム）を使用して形成される。

本発明の主題の様々な目的、特性、態様、および利点が、同様の数字が同様の構成要素を表す添付の図面と共に、好ましい実施形態の以下の詳細な説明からより明らかとなるであろう。

図１は、ＭＤＳからＡＭＬへの移行までの期間の関数としての変異量を表すグラフである。 図２は、ＡＭＬ患者の腫瘍におけるネオエピトープのクローン性およびサブクローン性の割合を表すグラフである。 図３は、ＭＤＳにおける遺伝子発現と比較した、ＡＭＬ細胞における全ての遺伝子の発現の変化を表すグラフである。 図４は、ＭＤＳにおける遺伝子発現と比較した、ＡＭＬ細胞における選択した遺伝子の発現の変化を表すグラフである。 図５は、ＭＤＳにおける遺伝子発現と比較した、ＡＭＬ細胞における選択した遺伝子の推測される経路の活性の変化を表す１つのグラフである。 図６は、ＭＤＳにおける遺伝子発現と比較した、ＡＭＬ細胞における選択した遺伝子の推測される経路の活性の変化を表す別のグラフである。 図７は、同じ患者のＭＤＳ細胞とＡＭＬ細胞との間で有意で差次的に発現した遺伝子のヒートマップである。 図８Ａは、移行までの期間の関数を表すグラフであり、図８Ｂは、関数で使用した遺伝子および関数のパフォーマンスパラメータを列挙した表である。

ここで、本発明者らは、ＭＤＳのＡＭＬへの移行までの期間を、差次的に発現した遺伝子および／または差次的な経路の活性を有する遺伝子に関して形成された予測アルゴリズムを使用して、比較的高い精度で予測できることを発見した。特に、選択した遺伝子の差次的な発現および／または差次的な経路の活性は、ＡＭＬへと移行するＭＤＳの変異により生成されたネオエピトープの全体の変異率、一遺伝子変異、および存在または種類よりも、有意に強力な予測力を保持した。また本発明者らは、ＭＤＳではコードするクローン性の変異量は比較的低いが、疾患がＭＤＳからＡＭＬへと移行する際に、全体の遺伝子発現（ＣＤ３４を除く）において広範囲にわたり有意な変化が存在したことを発見した。

選択した遺伝子における特定の変異に関して、本発明者らはまた、ＭＤＳからＡＭＬへの移行に（必然的または間接的に）関連し得る変異の小さなサブセットをも発見した。具体的には、以下により詳細に示されているように、大部分のＡＭＬ細胞は、Ｍｙｃ、ＦＬＴ３（Ｍｙｂの高い発現の原因でもある）、およびＡＰＦ２において高い発現を呈した。他方で、疾患が進行すると、転写は、ＦＯＸＭ１の実質的なダウンレギュレーションを減少させ、ＧＡＴＡ１の発現が低減した。

よって、これら知見に基づき、進行、特にＭＤＳからＡＭＬへの移行までの期間を予測する様々な方法が、これら知見を使用して企図されている。最も好ましい態様では、単一マーカーによる変動が、段階的予測（たとえば３ケ月、２ケ月、もしくは１ケ月、または２週間、またはさらには１週間の時間分解能の中で）を提供する可能性がないため、予測は、単一のマーカーの定量化に基づいて行われない。よって、本発明者らは、最も差次的に発現した遺伝子および／または経路の活性を使用する多因子分析を使用して、患者がＭＤＳからＡＭＬへの移行に要する可能性がある期間に関する情報を提供できる予測モデルを生成できるかどうかを調査した。このような段階的情報は、適切な治療の選択にとって特に重要である。さらにまた、ＭＤＳが個々の診断および予後マーカーを同定することが困難である様々なサブ疾患（ｓｕｂ ｄｉｓｅａｓｅ）の集合であるため、多因子予測アルゴリズムは有益である。

多くの遺伝子が、ＭＤＳからＡＭＬへの移行に関してネガティブな発現バイアスを有するという予想外の発見に基づき、本発明者らは、１つ以上の遺伝子に差次的な発現パターンが存在するかどうかを調査した。特に、以下により詳細に示されているように、ＭＤＳとＡＭＬとの間で有意な差次的な発現を有する遺伝子は、ＭＤＳからＡＭＬへの移行までの期間をこれら遺伝子の発現値に相関させる解析において、機械学習の統計学的に意味のある特性としての役割を果たした。結果として、ＭＤＳのＡＭＬへの移行を定量的に予測することができる統計モデルを定義することができる（ＭＤＳまたはＡＭＬの状態を単純に診断することとは対照的に）。驚くべきことに、以下により詳細に示されているように、得られたモデルは、比較的単純であり、比較的少ない数の、選択した遺伝子の発現データのみを必要とした。

実施例
ＭＤＳのＡＭＬへの移行の予測マーカーを同定するための第１の試みにおいて、本発明者らは、異なる移行期間および変異量、特にはタンパク質をコードする遺伝子配列の変異量を有する患者データを比較した。同じ患者由来のＭＤＳ細胞およびＡＭＬ細胞の全ゲノムシークエンスと、たとえば米国特許第９７２１０６２号に記載のＢＡＭＢＡＭを使用する増分位置誘導同期アライメント（ｉｎｃｒｅｍｅｎｔａｌ ｌｏｃａｔｉｏｎ ｇｕｉｄｅｄ ｓｙｎｃｈｒｏｎｏｕｓ ａｌｉｇｎｍｅｎｔ）とを使用して、オーミクス解析を行った。図１は、このような解析からの例示的な結果を表す。容易に明らかであるように、３８カ月未満の予測期間を有する患者集団では、変異の変化の中央値は、約＋２．５のコード変異であり、３８カ月超かつ８０ケ月未満の移行期間を有する患者集団では、変異の変化の中央値は、約−２．０のコード変異であった。他方で、８０ケ月超の移行期間を有する患者では、変異の変化の中央値は、約＋１５．０のコード変異であった。このような増加は、少なくとも表面上は有意であったが、このデータは、定量的かつ予測的なモデルのための信頼できる基盤を提供することができなかった。

ＭＤＳのＡＭＬへの移行までの期間を予測するための見込みのある指針としてすべての遺伝子に関する変異の変化を解析する際に、本発明者らは、いくつかの遺伝子が、差次的な変異量を有していたことに注目した。興味深いことに、例示的に表１に示すように、ＭＤＳからＡＭＬへの移行の際に、変異が失われた遺伝子もあれば、変異が増大した遺伝子も存在した。特に、患者の一部は、ＦＬＴ３およびＩＤＨ１の変異を有していた。さらに、ＮＢＰＦ遺伝子などの大きな遺伝子が、恐らくは偶発的な変異により、多く影響を受けたことが注目された。よって、これら変異は、ドライバー変異よりもパッセンジャー変異を表すと思われる。特異性の観点から有意ではあるが、これら変異の変化は、定量的な予測モデルにとって十分ではなかった。中でも特に、ＡＭＬ段階での多数の遺伝子の停止は、芽球集団が出現する状況と合致しており、この状況で細胞は、分化しないおよびアポトーシスしない、という２つの重要な段階を終える。よって、これらの特異的な遺伝子および経路は、診断および予後での使用にとって重要であると考えられる。たとえば、ＢＣＬ２ファミリーのような生存率に関連する遺伝子およびＣＡＳＰＡＳＥ経路または炎症促進性サイトカインカスケードのようなアポトーシスに関連する遺伝子がある。リボソームタンパク質の関与および遺伝的変異よりもハプロ不全のこれらの量的効果は、ＭＤＳにおいて確立されており、先天性貧血でも見いだされている。リボソームの問題は、先天性および後天性の貧血に関連している。

同じ比較のための全ゲノム解析を使用し、変異した配列の発現をさらに検討することにより、本発明者らは、コードし発現したＤＮＡセグメントにおけるネオエピトープが、定量的予測モデルの基礎としての役割を果たすことができるかどうかをさらに調べた。例示的な結果を図２に示し、ここで各バーは、個々の患者に関する差次的な記録（ＭＤＳ対ＡＭＬ）を表す。グラフの各バーにおけるより濃色の部分は、クローン性のネオエピトープ（少なくとも９０％の、ネオエピトープのクローン性の割合）を表し、淡色の部分は、サブクローン上のエピトープ（９０％未満の、ネオエピトープのクローン性の割合）を表す。結果として、クローン性のエピトープもサブクローン性のエピトープも、定量的予測モデルの基礎としての役割を果たすことはできなかった。

しかしながら、予想外なことに、本発明者らは、遺伝子発現の解析時に、図３のグラフで見ることができるように、遺伝子の実質的な部分が、有意に低い度合に発現したことを観測した。ここで、丸として表された各データ点は、データ点に関して−ｌｏｇ_１０ＦＤＲ補正ｐ値（ｑ値）に対してプロットした単一の遺伝子に関する差次的な発現強度（ｎ倍のｍＲＮＡとして）を表す。グラフから容易にわかるように、著しい割合の遺伝子が実質的に同じ比率で発現しており、ＭＤＳからＡＭＬへの移行時に、いくつかの遺伝子は強力に過剰発現し、他の多くの遺伝子は有意に過少発現した。よって、第１の近似では、遺伝子の全体の発現レベルは、ＭＤＳからＡＭＬへの移行期間を計算するための基礎としての役割を果たすことが可能であったと考えられる。大量のＲＮＡｓｅｑデータ（たとえば少なくとも１００個の遺伝子、少なくとも５００個の遺伝子、少なくとも１，０００個の遺伝子、少なくとも５，０００個）から定量的かつ予測的なモデルを作製することを排除しないが、本発明者らは、選択した遺伝子が、所望の予測精度で、いくつかのデータポイントを使用できる定量的かつ予測的なモデルの候補特性であり得ると考えた。

この目的のために、本発明者らは、差次的に発現した遺伝子のうちどれが、発現において有意で強力な差異を有したかを、ＲＮＡｓｅｑデータ（場合により、同様に全ゲノムまたはエキソームシークエンシングデータ）に基づき調べた。さらにまた、本発明者らは、経路解析アルゴリズムにおいて差次的に発現した遺伝子の関数を使用して、推測される経路の活性において最大の差異をもたらす発現遺伝子を同定した。より具体的には、本発明者らは、国際特許公開公報第２０１３／０６２５０５号に記載される遺伝子モデルでのデータ統合を使用した経路認識アルゴリズムを使用して、差次的に発現した遺伝子の作用を決定した。当然、多くの代替的な経路解析モデルも適切であると考えられ、すべての既知の経路解析モデルが本明細書中で企図されていることを理解すべきである。
より具体的には、表２は、ｍＲＮＡ発現の対にした差異（ＡＭＬ対ＭＤＳ）の最大の中央値を有する遺伝子を列挙しており、表３は、推測される経路の活性の対にした差異（ＡＭＬ対ＭＤＳ）の最大の中央値を有する遺伝子を列挙している。表４は、最も大きな推測される経路の活性の中央値を有する遺伝子を列挙している（対をなすＭＤＳに対し正規化したＡＭＬ）。

上記のデータおよび表２〜４から容易に理解できるように、遺伝子発現の有意な差異および推測される経路の活性の変化が発見された。よって、変化した遺伝子は、ＭＤＳとＡＭＬとの間を区別するため、ならびに／または移行までの期間および／もしくは移行の可能性を予測するためにモデルにおいて使用することができる。さらに本発明者らは、高い差次的な発現および推測される経路の活性の差異を有する選択した遺伝子は、転写因子であるか、または転写因子および／もしくはこれら因子の標的に密接に関連することに注目した。よって、本発明の主題の少なくとも一部の態様では、本発明者らは、ＭＤＳ／ＡＭＬの移行の診断および／または予測モデルにおけるこれらの遺伝子および／またはこれらの因子の標的の使用を企図している。

図４は、ＡＭＬとＭＤＳとの比較における選択した遺伝子の遺伝子発現の倍率変化を例示的に表すグラフであり、図５〜６は、選択した遺伝子について、ＡＭＬとＭＤＳとの間での推測される経路の活性の例示的な対にした差異を表すグラフである。ＡＭＬとＭＤＳとの間での顕著な発現の差異に基づき、本発明者らは、特定の遺伝子が、定量的かつ予測的なモデルで使用できるかどうかを調べた。図７は、遺伝子発現において統計的に有意な差異を有する９５個の差次的に発現した遺伝子に関する例示的なヒートマップである。ここで、ＡＭＬとＭＤＳとの間の発現を、ｔ検定を使用して比較し、＞１９Ｋの仮説を試験するためにボンフェローニで補正した０．０５のα値を有することが示された。当然、統計的なカットオフおよび特定の比較方法が変化し得ることを理解すべきである。よって、全ての代替的な方法は、本明細書中での使用に適切であると考えられる。別の計算において、次に本発明者らは、移行の予測因子を形成するために９５個の差次的に発現した遺伝子を使用した。

より具体的には、１つの例では、４／２６個の試料を、バリデーションのため保持した。３つの正規化を比較し、１０個の回帰アルゴリズムを、６分割交差検証で試験した。図８に示すように、Ｌａｓｓｏ最小角回帰（ＬａｓｓｏＬＡＲＳ）を用いて行った生の発現データが、試料の試験において最も良好な成績であった（平均ＲＭＳＥ＝６５．０４、平均ｃ−統計量は０．５８であった）。興味深いことに、Ｌａｓｓｏにより、特性が最初の９５から１４減少し、これによって、予測および定量的解析が比較的単純となる。図８Ａからわかるように、図８Ｂに列挙した遺伝子の発現の値から定量的に予測する、完全に訓練された回帰関数を形成することができる。

コンピュータ用のいかなる言語も、サーバ、インターフェース、システム、データベース、エージェント、ピア、エンジン、コントローラを含むコンピュータ装置、または他の種類の個々もしくは集合的に作動するコンピュータ装置のいずれかの適切な組み合わせを含むと読み取るべきであることに留意されたい。コンピュータ装置は、接触可能な非一時性のコンピュータ可読記憶媒体（たとえばハードドライブ、ソリッドステートドライブ、ＲＡＭ、フラッシュ、ＲＯＭなど）に保存されたソフトウェアの指示を実行するように構成されたプロセッサを含むことを理解すべきである。ソフトウェアの指示は、好ましくは、開示の装置に関して以下に論述した役割、責任能力、または他の機能を提供するようにコンピュータ装置を構成する。特に好ましい実施形態では、恐らくはＨＴＴＰ、ＨＴＴＰＳ、ＡＥＳ、公開鍵／秘密鍵の交換、ウェブサービスのＡＰＩ、既知の金融取引プロトコル、または他の電子的な情報交換の方法に基づき、様々なサーバ、システム、データベース、またはインターフェースは、標準化したプロトコルまたはアルゴリズムを使用して、データを交換する。データ交換は、好ましくは、パケット交換ネットワーク、インターネット、ＬＡＮ、ＷＡＮ、ＶＰＮ、または他の種類のパケット交換ネットワーク上で行われる。

一部の実施形態では、数値パラメータは、報告された有効数字の数に照らして、および基本的な丸め技術を適用することにより解釈すべきである。本発明の一部の実施形態の幅広い範囲を説明する数値範囲およびパラメータは近似値であるが、特定の実施例に記載の数値は、実施できる限り正確に報告されている。本発明の一部の実施形態に提示されている数値は、これらの各試験の測定で見いだされる標準偏差に必然的に起因する特定の誤差を含み得る。さらに、文脈が反対の意味を表さない限り、本明細書中記載のすべての範囲は、それらの終点を含むと解釈すべきであり、制限のない範囲は、商業的に実用的な値を含むと解釈すべきである。同様に、すべての値の列挙は、文脈が反対の意味を表さない限り、中間の値を含むとみなすべきである。

すでに記載されたもの以外のより多くの修正が、本明細書中の発明の概念から逸脱することなく可能であることは、当業者にとって明らかである。よって本発明の主題は、添付の特許請求の範囲を除き限定されるものではない。さらに、明細書および特許請求の範囲の両方を解釈する際に、全ての用語は、文脈と一致する最も幅広い可能な方法で解釈すべきである。特に、用語「含む（ｃｏｍｐｒｉｓｅｓ）」および「含むこと（ｃｏｍｐｒｉｓｉｎｇ）」は、要素、構成要素、またはステップを非排他的に表すと解釈すべきであり、これは、記載の要素、構成要素、またはステップが、明記されていない他の要素、構成要素、またはステップと共に存在してもよく、利用されてもよく、組み合わせてもよいことを表している。本明細書中の記載および続く特許請求の範囲にわたり使用する場合、「ａ」、「ａｎ」、および「ｔｈｅ」の意味は、文脈が特段他の意味を表さない限り複数形を含む。同様に、本明細書中の記載で使用する場合、「ｉｎ」の意味は、文脈が特段他の意味を表さない限り「ｉｎ」および「ｏｎ」を含む。

Claims (20)

1. 患者におけるＭＤＳからＡＭＬへの移行までの期間を予測する方法であって、
   骨髄異形成細胞を含む前記患者の試料の複数の遺伝子の発現を定量化するステップであって、前記複数の遺伝子が、ｍＲＮＡの発現および推測される経路の活性のうちの少なくとも１つに関して、ＭＤＳとＡＭＬとの間で平均以上の差異を有する、ステップと、
   ＭＤＳからＡＭＬへの移行の可能性がある期間を計算するために、ＭＤＳとＡＭＬとの間で平均以上の差異を有する前記複数の遺伝子を予測モデルに使用するステップと
   を含む、方法。
2. 前記複数の遺伝子が、ｍＲＮＡの発現に関してＭＤＳとＡＭＬとの間で平均以上の差異を有する、請求項１に記載の方法。
3. 前記複数の遺伝子が、推測される経路の活性に関してＭＤＳとＡＭＬとの間で平均以上の差異を有する、請求項１または２に記載の方法。
4. 前記複数の遺伝子が、ＣＨＤ４、ＧＰＡＴＣＨ２Ｌ、ＦＡＭ２１２Ａ、ＥＸＴ２、ＭＡＣＦ１、ＲＴＫＮ、ＺＳＣＡＮ２、ＲＮＦ２２０、ＹＥＡＴＳ２、ＥＲＧＩＣ１、ＺＮＦ６１８、ＭＢＴＤ１、ＣＸＸＣ５、およびＤＵＳＰ１０からなる群から選択される、請求項１〜３のいずれか１項に記載の方法。
5. 前記予測モデルが、少なくとも５０個の遺伝子が、ｔ検定および０．０５のαにより決定した場合に差次的に発現している、複数の差次的に発現した遺伝子に基づいている、請求項１〜４のいずれか１項に記載の方法。
6. 前記複数の差次的に発現した遺伝子が、図７の差次的に発現した遺伝子からなる群から選択される、請求項５に記載の方法。
7. 前記予測モデルが、回帰アルゴリズムを使用して形成されている、請求項１〜６のいずれか１項に記載の方法。
8. 前記回帰アルゴリズムが、ｌａｓｓｏ最小角回帰である、請求項７に記載の方法。
9. 前記予測モデルが、少なくとも最大１２０ケ月の予測を提供する、請求項１〜８のいずれか１項に記載の方法。
10. 前記複数の遺伝子の発現を定量化するステップが、全トランスクリプトームＲＮＡｓｅｑデータを使用する、請求項１〜９のいずれか１項に記載の方法。
11. 前記全トランスクリプトームＲＮＡｓｅｑのデータにおいて新薬となり得る標的を同定するステップをさらに含む、請求項１０に記載の方法。
12. 治療推奨を含むレポートを作製または更新するステップをさらに含む、請求項１〜１１のいずれか１項に記載の方法。
13. ＭＤＳからＡＭＬへの移行の期間を予測するためのモデルを作製する方法であって、
    ＭＤＳ細胞を含む試料の複数の遺伝子の発現を定量化するステップと、
    ＡＭＬ細胞を含む試料の複数の遺伝子の発現を定量化するステップと、
    任意選択で、前記ＭＤＳ細胞を含む試料の複数の遺伝子および前記ＡＭＬ細胞を含む試料の複数の遺伝子に関して、推測される経路の活性を計算するステップと、
    ｍＲＮＡの発現および推測される経路の活性のうちの少なくとも１つに関して、前記ＭＤＳ細胞と前記ＡＭＬ細胞との間での平均以上の差異を有する複数の遺伝子を同定するステップと、
    前記ＭＤＳ細胞と前記ＡＭＬ細胞との間で平均以上の差異を有する複数の遺伝子を使用して、ＭＤＳからＡＭＬへの移行の可能性がある期間を計算する予測モデルを形成するステップと
    を含む、方法。
14. 前記複数の遺伝子が、ｍＲＮＡの発現に関してＭＤＳとＡＭＬとの間で平均以上の差異を有する、請求項１３に記載の方法。
15. 前記複数の遺伝子が、推測される経路の活性に関してＭＤＳとＡＭＬとの間で平均以上の差異を有する、請求項１３〜１４のいずれか１項に記載の方法。
16. 前記予測モデルが、少なくとも５０個の遺伝子が、ｔ検定および０．０５のαにより決定した場合に差次的に発現している、複数の差次的に発現した遺伝子に基づいている、請求項１３〜１５のいずれか１項に記載の方法。
17. 前記ＭＤＳ細胞と前記ＡＭＬ細胞との間で平均以上の差異を有する複数の遺伝子が、ＣＨＤ４、ＧＰＡＴＣＨ２Ｌ、ＦＡＭ２１２Ａ、ＥＸＴ２、ＭＡＣＦ１、ＲＴＫＮ、ＺＳＣＡＮ２、ＲＮＦ２２０、ＹＥＡＴＳ２、ＥＲＧＩＣ１、ＺＮＦ６１８、ＭＢＴＤ１、ＣＸＸＣ５、およびＤＵＳＰ１０からなる群から選択される、請求項１３〜１６のいずれか１項に記載の方法。
18. 前記予測モデルが、回帰アルゴリズムを使用して形成されている、請求項１３〜１８のいずれか１項に記載の方法。
19. 前記回帰アルゴリズムが、ｌａｓｓｏ最小角回帰である、請求項１８に記載の方法。
20. 前記発現を定量化するステップが、全トランスクリプトームＲＮＡｓｅｑデータを使用する、請求項１３〜１９のいずれか１項に記載の方法。