JP2020507340A - 精神障害の治療転帰を予測するためのｑｅｅｇ／遺伝学的解析 - Google Patents

精神障害の治療転帰を予測するためのｑｅｅｇ／遺伝学的解析 Download PDF

Info

Publication number
JP2020507340A
JP2020507340A JP2019564366A JP2019564366A JP2020507340A JP 2020507340 A JP2020507340 A JP 2020507340A JP 2019564366 A JP2019564366 A JP 2019564366A JP 2019564366 A JP2019564366 A JP 2019564366A JP 2020507340 A JP2020507340 A JP 2020507340A
Authority
JP
Japan
Prior art keywords
treatment
drug
recommended
qeeg
list
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2019564366A
Other languages
English (en)
Inventor
ジョージ カーペンター，
ジョージ カーペンター，
ブライアン マクドナルド，
ブライアン マクドナルド，
Original Assignee
マインド アナリティクス， インコーポレイテッド
マインド アナリティクス， インコーポレイテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by マインド アナリティクス， インコーポレイテッド, マインド アナリティクス， インコーポレイテッド filed Critical マインド アナリティクス， インコーポレイテッド
Publication of JP2020507340A publication Critical patent/JP2020507340A/ja
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A61B10/02—Instruments for taking cell samples or for biopsy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/26—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving oxidoreductase
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • 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
    • G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
    • G01N33/5044—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics involving specific cell types
    • G01N33/5067—Liver cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Biotechnology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Organic Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Immunology (AREA)
  • Genetics & Genomics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Epidemiology (AREA)
  • Psychology (AREA)

Abstract

定量的ＥＥＧ特徴および少なくとも１つの薬理ゲノミクス変数で構成されるコンビナトリアルアルゴリズムを使用して、ガイドされた薬物治療のための臨床決定を支持する他の現行の方法と比較して大幅に高い予測正確度および有用度が達成される。本方法は、処置にあたる医師に対して、メンタルヘルス障害に対する利用可能な処置の中から多数の薬物クラスおよび作用物質を推奨する、および／または推奨しない実用的所見を伴う報告をもたらす。薬理ゲノミクス試験の予測正確度は平均７３％であるが、本開示のコンビナトリアルアルゴリズムでは、９１％の大幅に高確率な正確度が達成される。

Description

発明の分野
本発明は、精神医学的治療に対する個体の感受性を予測するための脳波記録データの使用の処理に関する。特に、プロセスは、定量的脳波解析（ＱＥＥＧ）を薬理ゲノミクス解析と組み合わせて利用する。薬理ゲノミクス解析は遺伝子セット（例えば、１種よりも多くの遺伝子）からのデータを使用して実施することができるが、単一の遺伝子データをＱＥＥＧ解析と組み合わせて使用することにより、治療有効性断定の正確度の改善がもたらされる。例えば、治療応答に関するＱＥＥＧ解析による治療的予測は、薬理遺伝学的解析（ＰＧｘ）および応答軌跡（ＲＴ）と組み合わせ、ＱＥＥＧ→ＰＧｘ→ＲＴの順序で使用することによって実質的に改善される。
背景
精神医学の分野では、臨床医に患者に対する向精神薬の選択を通知するための、薬剤応答と相関する、生理機能に基づく反復可能な客観的評価基準が長く必要とされている。精神医学は、おそらく、診断または薬剤選択を補助するための認められた客観的データが存在しない唯一の医薬分野である。当該分野に関する標準は、臨床症状のクラスターを表すＤｉａｇｎｏｓｔｉｃ ａｎｄ Ｓｔａｔｉｓｔｉｃａｌ Ｍａｎｕａｌ（ｎｅｅｄ ｐｕｂｌｉｓｈｅｒ）（ＤＳＭ）である。しかし、これらの症状クラスターは、最終的な薬剤応答の比較的不十分な予測因子である（この点をなすために参考および良好な仕方が必要である）。ＤＳＭは、臨床医および研究者の間で共通する用語法を保証する役目を良好に果たしているが、治療にあたる医師に薬剤および他の処置形態に対する可能性のある応答を通知する役目は比較的不十分であると記載されている：
ＤＳＭの版のそれぞれの強みは「信頼性」である−各版で、臨床医が同じ用語を同様に使用することが確実になっている。弱みは、妥当性を欠くことである。虚血性心疾患、リンパ腫、またはＡＩＤＳに関する我々の定義とは異なり、ＤＳＭ診断法は、どんな客観的な試験評価基準でもなく、臨床症状のクラスターに関する共通認識に基づく。
Thomas Insel、Director of the National Institutes of Mental Health（NIMH）（２１０３年）。結果として、薬剤がＤＳＭ診断法のみに基づいて選択された場合、患者が症状の応答または寛解を達成する見込みは比較的乏しい。
ｉ）予測的な単一の遺伝子はなく、ｉｉ）当技術分野ではＩＣＡに起因してＱＥＥＧ特徴を使用するだけではいかなる頑強な所見ももたらされておらず、ｉｉｉ）改善された薬効予測分類器を作成するための経験的仮説がＥＥＧ特徴から選択されていないので、患者の脳波およびゲノム特性に基づいて治療的成功の有効性を予測するための方法が当技術分野において必要とされている。
要旨
本発明は、精神医学的治療に対する個体の感受性を予測するための脳波記録データの使用の処理に関する。特に、プロセスでは、定量的脳波解析（ＱＥＥＧ）を薬理ゲノミクス解析と組み合わせて利用する。薬理ゲノミクス解析は、遺伝子セット（例えば、１種よりも多くの遺伝子）からのデータを使用して実施することができるが、単一の遺伝子データをＱＥＥＧ解析と組み合わせて使用することにより、治療有効性断定の正確度の改善がもたらされる。例えば、治療応答に関するＱＥＥＧ解析による治療的予測は、薬理遺伝学的解析（ＰＧｘ）および応答軌跡（ＲＴ）と組み合わせ、ＱＥＥＧ→ＰＧｘ→ＲＴの順序で使用することによって実質的に改善される。
一実施形態では、本発明は、ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップと、ｃ）前記組織生検材料において少なくとも１つの遺伝子型を同定するステップと、ｄ）前記少なくとも１つのＱＥＥＧ特徴変数を第１のデータベースと比較して、第１の予測有効性スコアに従って優先順位が付けられた第１の治療リストを作成するステップであって、前記第１の治療リストが、第１の推奨治療を含む、ステップと、ｅ）前記少なくとも１つの遺伝子型（または単一の遺伝子型）を第２のデータベースと比較して、第２の予測有効性スコアに従って優先順位が付けられた第２の治療リストを作成するステップであって、前記第２の治療リストが、第２の推奨治療を含む、ステップと、ｆ）前記第１の治療リストと前記第２の治療リストをマッチングして、組み合わせた第１および第２の有効性スコアに従って優先順位が付けられた最終的な治療リストを作成するステップであって、前記最終的な治療リストが、最終的な推奨治療を含む、ステップと、ｇ）前記最終的な推奨治療を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップであって、前記選択された治療が、好ましい範囲内である組み合わせた第１および第２の有効性スコアを含む、ステップとを含む方法を企図している。一実施形態では、前記最終的な推奨治療は、前記第１の推奨治療および前記第２の推奨治療とは異なる。一実施形態では、前記第１の推奨治療および前記第２の推奨治療は同じである。一実施形態では、前記第１の推奨治療および前記第２の推奨治療は異なる。一実施形態では、前記複数の細胞は、患者生検材料に由来する。
一実施形態では、本発明は、ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップと、ｃ）前記少なくとも１つのＱＥＥＧ特徴変数を第１のデータベースと比較して、優先順位が付けられた推奨薬物のリストを同定するステップと、ｄ）前記優先順位が付けられた推奨薬物のリストを、前記組織生検材料に由来する前記複数の細胞を使用してｉｎ ｖｉｔｒｏ酵素代謝アッセイを用いて処理して、代謝速度によって優先順位が付けられた推奨薬物のリストを同定するステップと、ｅ）前記代謝速度により優先順位が付けられた推奨薬物のリスト上の少なくとも１種の薬物とマッチする前記組織生検材料中の非代謝性薬物バイオマーカーを同定することにより、好ましい推奨薬物を選択するステップと、ｆ）前記好ましい推奨薬物を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップとを含む方法を企図している。一実施形態では、非代謝性薬物バイオマーカーは、血液に基づくバイオマーカーである。一実施形態では、非代謝性薬物バイオマーカーは、細胞に基づくバイオマーカーである。一実施形態では、前記複数の細胞は、患者生検材料に由来する。
一実施形態では、本発明は、ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップであって、前記ＱＥＥＧ特徴変数が、所定の薬効予想値を有する、ステップと、ｃ）前記複数の細胞において少なくとも１つの遺伝子型（または単一の遺伝子型）を同定するステップであって、前記少なくとも１つの遺伝子型が所定の薬効予想値を有する、ステップと、ｄ）前記ＱＥＥＧ特徴変数の所定の薬効予想値と前記少なくとも１つの遺伝子型の所定の薬効予想値を組み合わせて、有効性スコアによって優先順位が付けられた推奨薬物のリストを作成するステップと、ｅ）前記推奨薬物の少なくとも１種を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップであって、前記選択された薬物の前記有効性スコアが、好ましい範囲内である、ステップとを含む方法を企図している。一実施形態では、前記複数の細胞は、患者生検材料に由来する。
一実施形態では、本発明は、ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップと、ｃ）前記少なくとも１つのＱＥＥＧ特徴変数を第１のデータベースと比較して、優先順位が付けられた推奨薬物のリストを同定するステップと、ｄ）前記優先順位が付けられた推奨薬物のリストを、前記複数の細胞を使用して少なくとも１つの代謝遺伝子型（または単一の代謝遺伝子型）を用いて処理して、代謝速度によって優先順位が付けられた前記推奨薬物のリストを同定するステップと、ｅ）前記代謝速度遺伝子型により優先順位が付けられた推奨薬物のリスト上の少なくとも１種の薬物とマッチする前記複数の細胞における非代謝性薬物バイオマーカーを同定することにより、好ましい推奨薬物を選択するステップと、ｆ）前記好ましい推奨薬物を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップとを含む方法を企図している。一実施形態では、前記複数の細胞は、患者生検材料に由来する。
定義
本発明の理解を容易にするために、いくつかの用語を以下に定義する。本明細書において定義されている用語は、本発明に関連する分野の当業者に一般に理解される意味を有する。「１つの（ａ）」、「１つの（ａｎ）」および「その（ｔｈｅ）」などの用語は、単数の実体のみではなく、複数の実体も指すことを意図し、また、例示のために具体的な例が使用され得る一般的なクラスも含む。本明細書における用語法は、本発明の具体的な実施形態を記載するために使用されるが、それらの使用は、特許請求の範囲に概説されている以外は本発明の限界を定めるものではない。
「約」または「およそ」という用語は、本明細書で使用される場合、任意のアッセイ測定値のいずれに関しても、所与の測定値の＋／−５％を指す。
「代える」という用語は、本明細書で使用される場合、第１の化合物または薬物の対象への投与を第２の化合物または薬物の対象への投与に切り換えることを指す。
「有する疑いがある」という用語は、本明細書で使用される場合、鑑別診断を提供するには不十分である、患者が示す医学的状態または医学的状態のセット（例えば、予備的症状）を指す。それにもかかわらず、示された状態（複数可）により、診断の基礎になる情報を得るためのさらなる試験（例えば、自己抗体試験）が正当化される。
「リスクがある」という用語は、本明細書で使用される場合、患者に特定の疾患または苦痛の素因を与え得る、患者が示す医学的状態または医学的状態のセットを指す。例えば、これらの状態は、これらに限定されないが、行動的、感情的、化学的、生化学的、または環境的影響を含めた影響に起因し得る。
「遺伝子型」という用語は、本明細書で使用される場合、患者内の定義された核酸配列の特定の遺伝組成を同定する任意の専門語を指す。例えば、遺伝子型は、単一の遺伝子のいくつかの対立遺伝子のいずれか１つを指し得る。あるいは、遺伝子型は、患者の染色体上に順序正しく配置された遺伝子の特定の配列も指し得る。そのような遺伝子型の同定は、これらに限定されないが、核酸配列および／または一塩基多型（ＳＮＰ）を含めた、技術分野で公知の方法によって決定することができる。
「有効量」という用語は、本明細書で使用される場合、臨床的に有益な結果（すなわち、例えば、症状の低減）が達成される、治療剤を含む医薬組成物の特定の量を指す。そのような組成物の毒性および治療有効性は、例えば、ＬＤ５０（集団の５０％に対して致死的な用量）およびＥＤ５０（集団の５０％において治療的に有効な用量）を決定するための、細胞培養物または実験動物における標準の薬学的手順によって決定することができる。毒性効果と治療効果との間の用量比は治療指数であり、ＬＤ５０／ＥＤ５０比として表すことができる。大きい治療指数を示す化合物が好ましい。これらの細胞培養アッセイおよび追加的な動物研究から得られたデータを、ヒトへの使用のための投与量の範囲の製剤化に使用することができる。そのような化合物の投与量は、毒性をほとんどまたは全く伴わずに、ＥＤ５０を含む循環濃度の範囲内に入ることが好ましい。投与量は、用いる剤形、患者の感受性、および投与経路に応じてこの範囲内で変動する。
「症状」という用語は、本明細書で使用される場合、患者によって観察される疾患または身体的障害の任意の主観的または客観的エビデンスを指す。例えば、患者の症状としては、これに限定されないが、普通でない、破壊的、不適切、または問題を引き起こす、持続性または反復性の行動などの行動的症状を挙げることができる。より具体的には、これらに限定されないが、攻撃、犯罪行動、反抗、薬物使用、敵意、不適切な性行動、不注意、隠遁、および／または自傷を含めた行為が行動的症状とみなされる。従来の臨床的な精神医学的診療では、診断は、ＤＳＭ−ＩＶで指し示される行動的症状の有無に高度に依存する。例えば、精神医学的症状としては、これらに限定されないが、不適切な行動、不適切な感情、学習障害、対人関係障害、全般的な不幸感、原因不明の恐怖感、原因不明の不安感、不眠症、不合理な考え、強迫観念、強迫衝動、イライラしやすいこと、神経質になりやすいこと、原因不明の怒り、不必要に他人を非難すること、および／または物質乱用を挙げることができる。あるいは、処置されていない行動障害の主観的エビデンスは、通常、患者の自己申告に基づき、これらに限定されないが、疼痛、頭痛、視覚障害、悪心および／または嘔吐を挙げることができる。あるいは、客観的エビデンスは、通常、これらに限定されないが、体温、全血球計算値、脂質パネル、甲状腺パネル、血圧、心拍数、心電図、組織および／または身体画像スキャンを含めた、医学的試験の結果である。
「疾患」または「医学的状態」という用語は、本明細書で使用される場合、生活機能の性能遮るまたは改変する、生きている動物または植物体またはその部分の１つの正常な状態の任意の機能障害を指す。一般には、際立った徴候および症状によって顕在化し、通常、ｉ）環境因子（栄養不良、工業災害、または気候など）；ｉｉ）特定の感染性因子（寄生虫、細菌、またはウイルスなど）；ｉｉｉ）生物体の固有の欠陥（遺伝子異常など）；および／またはｉｖ）これらの因子の組合せに対する応答である。
「低減する（ｒｅｄｕｃｅ）」、「阻害する（ｉｎｈｉｂｉｔ）」、「減弱させる（ｄｉｍｉｎｉｓｈ）」、「抑制する（ｓｕｐｐｒｅｓｓ）」、「減少させる（ｄｅｃｒｅａｓｅ）」、「防止する（ｐｒｅｖｅｎｔ）」という用語および文法上の等価物（「より低い（ｌｏｗｅｒ）」、「より小さい（ｓｍａｌｌｅｒ）」などを含む）は、処置された対象と比べた、処置されていない対象における任意の症状の表現に関する場合、処置された対象における症状の数量および／または大きさが処置されていない対象よりも、任意の医学的に訓練された人員によって臨床的に意義があると認められる任意の量だけ低いことを意味する。一実施形態では、処置された対象における症状の数量および／または大きさは、処置されていない対象における症状の数量および／または大きさよりも少なくとも１０％低い、少なくとも２５％低い、少なくとも５０％低い、少なくとも７５％低い、および／または少なくとも９０％低い。
「薬物」または「化合物」という用語は、本明細書で使用される場合、所望の効果が達成される、投与することが可能な任意の薬理活性物質を指す。薬物または化合物は、合成のまたは天然に存在する非ペプチド、タンパク質またはペプチド、オリゴヌクレオチドまたはヌクレオチド、多糖または糖であってよい。
「投与される（ａｄｍｉｎｉｓｔｅｒｅｄ）」または「投与すること（ａｄｍｉｎｉｓｔｅｒｉｎｇ）」という用語は、本明細書で使用される場合、組成物を患者に、組成物が患者に対して意図された効果を有するように提供する任意の方法を指す。投与の典型的な方法は、局所組織投与（すなわち、例えば、血管外設置）、経口摂取、経皮吸収パッチ、局部、吸入、坐薬等などの直接的機構による。
「患者」または「対象」という用語は、本明細書で使用される場合、ヒトまたは動物であり、入院している必要はない。例えば、外来患者、養護施設にいる人が「患者」である。患者は、任意の年齢のヒトまたは非ヒト動物を含み得、したがって、成人および若年者（すなわち、小児）の両方を含む。「患者」という用語が、医学的処置の必要性を含蓄するという意図はなく、したがって、患者は、臨床試験であるか基礎科学研究の裏付けとしてかにかかわらず、実験に自発的にまたは非自発的に参加する場合がある。
「サンプル」または「生検材料」という用語は、本明細書で使用される場合、その最も広範な意味で使用され、環境サンプルおよび生体サンプルを含む。そのようなサンプルおよび／または生検材料は、対象または患者の組織に由来する複数の細胞を含有し得る。そのような組織としては、これらに限定されないが、肝組織、頬側組織、骨髄組織、皮膚組織などを挙げることができる。環境サンプルは、土壌および水などの環境に由来する材料を含む。生体サンプルは、ヒトを含めた動物、流体（例えば、血液、血漿および血清）、固体（例えば、便）、組織、液状食物（例えば、乳）、ならびに固形食物（例えば、野菜）であり得る。例えば、肺サンプルは、肺組織に由来する流体および細胞を含む気管支肺胞洗浄（ＢＡＬ）により収集することができる。生体サンプルは、細胞、組織抽出物、体液、細胞から単離された染色体または染色体外エレメント、ゲノムＤＮＡ（溶液中またはサザンブロット解析のためなどに固体支持体に結合したもの）、ＲＮＡ（溶液中またはノーザンブロット解析のためなどに固体支持体に結合したもの）、ｃＤＮＡ（溶液中または固体支持体に結合したもの）などを含み得る。
本特許のファイルは、カラーで製作された少なくとも１つの図面を含有する。カラーの図面を伴う本特許のコピーは、Ｐａｔｅｎｔ ａｎｄ Ｔｒａｄｅｍａｒｋ Ｏｆｆｉｃｅから、要求し、必要な料金を支払えば提供される。
図１は、ＱＥＥＧ／ゲノム治療的予測アルゴリズムの一実施形態の図表を示す。結果は、特定の治療をゲノム解析からのそれらのカテゴリーに従ってプロットする：ｉ）代替を検討（Ｃｏｎｓｉｄｅｒ Ａｌｔｅｒｎａｔｉｖｅｓ）（赤色）；ｉｉ）慎重に使用（Ｕｓｅ Ｗｉｔｈ Ｃａｕｔｉｏｎ）（黄色）；およびｉｉｉ）標準予防措置（Ｓｔａｎｄａｒｄ Ｐｒｅｃａｕｔｉｏｎｓ）（緑色）；ならびにＱＥＥＧ解析を使用した、成功可能性の予測因子：ｉ）それほど可能性が高くない（Ｎｏｔ Ａｓ Ｌｉｋｅｌｙ）（赤色）；ｉｉ）中程度に可能性が高い（Ｍｏｄｅｒａｔｅｌｙ Ｌｉｋｅｌｙ）（白色）；およびｉｉｉ）可能性が高い（Ｌｉｋｅｌｙ）（青色）。緑色のゲノムカテゴリーおよび青色のＱＥＥＧカテゴリー内の治療が最良の候補である一方、赤色のゲノムカテゴリーおよび赤色のＱＥＥＧカテゴリー内の治療が最悪の候補である。 図２は、機械学習に基づいて動作する改善された薬効分類アルゴリズムの一実施形態を示す。 図３は、ＱＥＥＧ特徴変数データと単一の遺伝子からの定量化された遺伝子型データの組合せを用いたｉｎ ｓｉｌｉｃｏ治療有効性予測の例示的なデータを示す。 図４は、ＱＥＥＧ特徴変数と正の患者転帰または負の患者転帰の間の安定な相関パターンを示す例示的なデータを示す。図４Ａ：陰影のない「四角」（例えば、解析ビン）それぞれは、解析の組み入れ判断基準を満たす１つの処置間隔を表す。 図４Ｂ：図４Ａに上書きしたものであり、処置に対して正の転帰を有する患者が薄い陰影が付いた四角として示されている。実線の薄い陰影の付いた曲線は、処置期間にわたる正の応答者の全体的な分布を表す。 図４Ｃ：図４Ａおよび４Ｂに上書きしたものであり、処置に対して負の転帰を有する（例えば、非応答）患者が濃い陰影が付いた四角として示されている。実線の濃い陰影の付いた曲線は、処置期間にわたる非応答者の全体的な分布を表す。 図５は、患者（Ｘ）と同様のＱＥＥＧ特徴変数パターンを有する、フルオキセチンに対する応答者（青色）および非応答者（赤色）の分布を示す代表的なＰＥＥＲ報告を示す。 図６は、予測される治療的応答のための市販のＧｅｎｅＳｉｇｈｔ（登録商標）ゲノム解析の基礎を示す。図６Ａ：「複合表現型」を含む特定の６種の遺伝子を同定して、投与が検討される各薬物のリスクカテゴリー化を決定する。図６Ｂ：抗うつ薬および抗精神病薬を、それらのそれぞれの予測される治療有効性に関して任意の優先順位付けなしに特定のリスクカテゴリーにカテゴリー化する代表的なＧｅｎｅＳｉｇｈｔ報告を示す。 図７は、ＰＥＥＲガイダンスを処置抵抗性うつ病（ＴＲＤ）を有する患者の処置における通常の処置（Ｔｒｅａｔｍｅｎｔ Ａｓ Ｕｓｕａｌ）（ＴＡＵ）と比較した、本明細書で考察される、いくつかのＰＥＥＲのランダム化、二重盲検、対照試験および先行ｒＥＥＧ研究からの典型的な要約データを示す。図７Ａ：Ｖｅｔｅｒａｎｓ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ−Ｓｅｐｕｌｖｅｄａ（J Am Physicians & Surgeons、２００７年）。図７Ｂ：Ｄｅｐｒｅｓｓｉｏｎ Ｅｆｆｉｃａｃｙ Ｐｉｌｏｔ Ｓｔｕｄｙ１２（NCDEU、２００９年）。 図７Ｃ：Ｄｅｐｒｅｓｓｉｏｎ Ｅｆｆｉｃａｃｙ Ｓｔｕｄｙ−Ｈａｒｖａｒｄ／Ｓｔａｎｆｏｒｄ ｍｕｌｔｉ−ｓｉｔｅ（J Psych Res、２０１１年）。図７Ｄ：Ｗａｌｔｅｒ Ｒｅｅｄ ＰＥＥＲ Ｉｎｔｅｒａｃｔｉｖｅ Ｔｒｉａｌ−（Neuropsychiatric Disease and Treatment、２０１６年）。 図８は、ＱＥＥＧ／ゲノム解析評価設計の代表的なフローチャートを示す。
本発明は、精神医学的治療に対する個体の感受性を予測するための脳波記録データの使用の処理に関する。特に、プロセスでは、定量的脳波解析（ＱＥＥＧ）を薬理ゲノミクス解析と組み合わせて利用する。薬理ゲノミクス解析は、遺伝子セット（例えば、１種よりも多くの遺伝子）からのデータを使用して実施することができるが、単一の遺伝子データをＱＥＥＧ解析と組み合わせて使用することにより、治療有効性断定の正確度の改善がもたらされる。例えば、治療応答に関するＱＥＥＧ解析による治療的予測は、薬理遺伝学的解析（ＰＧｘ）および応答軌跡（ＲＴ）と組み合わせ、ＱＥＥＧ→ＰＧｘ→ＲＴの順序で使用することによって実質的に改善される。
一部の実施形態では、本発明は、大規模臨床転帰レジストリーを個人的な生理的データ（電気生理学的データおよび薬理ゲノミクスデータ）ならびに機械学習を組み合わせて、メンタルヘルスにおける処方の正確度を改善する。発明の機構を理解する必要はないが、本明細書において企図されている大規模臨床転帰レジストリーは、高度に構造化されており、これらに限定されないが、ＭＳＳＱＬ、Ｏｒａｃｌｅ、ＭｙＳＱＬなどを含めた従来のデータベースソフトウェアによって管理することができると考えられる。さらに、これらのデータベースソフトウェアプログラムは、薬物による処置の有効性を同定し、改善するためにデータを収集し、解析する本開示の方法に適合すると考えられる。一実施形態では、本方法では、主観的、非生物学的、科学的に妥当でない診断分類学および薬剤選択のための試行錯誤手順に基づいて向精神薬（例えば、例えば、抗うつ薬）を選択する。
本発明のある特定の実施形態は、少なくとも１種の遺伝子を遺伝子型決定して患者における薬効を予測することを含む方法を企図している。一実施形態では、方法は、第２の遺伝子を遺伝子型決定する必要なしに、単一の遺伝子を遺伝子型決定することを含み得る。他の実施形態では、方法は、複数の遺伝子を遺伝子型決定することを含み得、薬効の予測の正確度が、単一の遺伝子のいずれか１つの正確度よりも改善される。本明細書に開示される方法の実施形態内のステップは、任意の順序で実施することができる。しかし、患者の代謝性薬物の遺伝子型または薬物代謝速度のいずれかを決定するステップを最初に実施することが好ましい。発明の機構を理解する必要はないが、患者の代謝性薬物の状態を最初に決定することにより、無益な薬物が迅速に排除され、その結果、ＱＥＥＧ予測因子および非代謝性予測因子を使用するさらなるステップを、シグナル対ノイズ比が大いに増強された条件下で評価することができると考えられる。
Ｉ．治療有効性を予測する現行の脳波記録方法
薬剤選択のための客観的データおよび方法は長く探し求められてきたが、処置応答を個々の生理機能に基づいて予測するための方法の実証された有効性および採用は限られている。定量的脳波記録法（ＱＥＥＧ）は、薬剤選択の予測において、いくらかの限られた成功しか収めていないが、定量的ＥＥＧを使用した最も大規模な臨床試験の１つにおいて、ＥＥＧと定量的ＥＥＧ特徴の間に非常に限られた相関が実証された。同様に、予測的薬理ゲノミクス所見は、薬物動態（例えば、薬物代謝）をモニタリングすることによって薬物利用可能性に焦点が当てられており、これは、集団の限られたセグメントに影響を及ぼす。これらの方法の所見は、異なる身体系および処置経路に対処するという点で相補的であるが、現在までに臨床決定アルゴリズムとは組み合わされていない。
１つの初期研究は、前向き、盲検、対照設計で構成され、脳波記録法に基づく薬剤転帰予測によりガイドされた、医師により処方された薬剤を用いた場合と用いない場合とで、慢性の不応性大うつ病性障害（ＭＤＤ）における転帰が比較された。２つの群間で、処置前と処置後のＨａｍｉｌｔｏｎ Ｄｅｐｒｅｓｓｉｏｎ Ｓｃａｌｅ（ＨＡＭ−Ｄ）およびＢｅｃｋ Ｄｅｐｒｅｓｓｉｏｎ Ｉｎｖｅｎｔｏｒｙスコア（Ｐ＜．００９）およびＣｌｉｎｉｃａｌ Ｇｌｏｂａｌ Ｉｍｐｒｅｓｓｉｏｎ（ＣＧＩ）スコア（Ｐ＝．０２）に統計的有意差があった。ＥＥＧデータによるガイドなしの薬剤選択を用いて臨床的改善が実証されたのは患者６名のうち１名だけであり、これと比較して、ＥＥＧガイダンスを用いた処置では７名中６名であった。このパイロット研究では、処置前ＥＥＧデータにより薬剤応答を予測した。Suffinら、「A QEEG Database Method for Predicting Pharmacotherapeutic Outcome in Refractory Major Depressive Disorders」、J. Am. Phys. Surg.、１２巻（４号）１０４〜１０８頁（２００７年）。
「Ｓｅｑｕｅｎｃｅｄ Ｔｒｅａｔｍｅｎｔ Ａｌｔｅｒｎａｔｉｖｅｓ ｔｏ Ｒｅｌｉｅｖｅ Ｄｅｐｒｅｓｓｉｏｎ」（ＳＴＡＲ＊Ｄ）と題するＮＩＭＨ研究からの最近の結果により、うつ病と診断された患者の寛解を得る見込みは３７％であり、第１の処置エピソードに対する応答を得る見込みは４７％であることが示唆される。これらの寛解率および応答率は、処置の各ステップで大幅に降下し、３回の不成功の薬剤適用試験後に寛解および応答について１３．０％に降下した。再燃率および離脱者率も処置失敗ごとに上昇した（Rushら、２００６年、Wardenら、２００７年）。
客観的な、種々のモダリティに基づいて精神病における生理機能に基づくマーカーを開発するための試みもなされている。例えば、診断および薬剤応答の指標としての遺伝情報は、いくつかの営利事業によって促進されている。Genomind、100 Highpoint Drive、Suite 102、Chalfont、PA 18914、genomind.com。調査されている他のモダリティとしては、ｆＭＲＩ、ＰＥＴ、ＳＰＥＣＴＳ、および血液および／または他の組織中に存在するバイオマーカーが挙げられる。Oliveiraら、「What does brain response to neutral faces tell us about major depression? evidence from machine learning and fMRI」、PLoS One、８巻（４号）：ｅ６０１２１頁（２０１３年）；およびFatemiら、「Altered levels of Reelin and its isoforms in schizophrenia and mood disorders」、Neuroreport.、１２巻（１５号）：３２０９〜３２１５頁（２００１年）。
研究者および臨床医から注目され続けているモダリティの１つはＱＥＥＧである。ＱＥＥＧが由来する脳波記録法（ＥＥＧ）は、脳の機能的接続性を示すものであるのに加えて、安価、非侵襲的であり、会社、自宅、または病院入院患者の状況で施すことができる。Tanら、「The Difference of Brain Functional Connectivity between Eyes-Closed and Eyes-Open Using Graph Theoretical Analysis」、Comput Math Methods Med、２０１３年：９７６３６５頁；およびDe La Fuenteら、「A review of attention-deficit/hyperactivity disorder from the perspective of brain networks」、Front Hum Neurosci.、７巻：１９２頁（２０１３年）。ＱＥＥＧは、ＥＥＧの視覚的解釈とは異なり、経時的に高レベルの反復性および一貫性を示す。Maloneら（２００９年）；Gerberら（２００８年）；およびNapflinら（２００７年）。ＱＥＥＧの別の利点は、無症候性個体のＥＥＧの大規模レポジトリーならびにＥＥＧおよび結果として生じるＱＥＥＧに対する薬剤の効果に関する数多くの研究の存在である。発明の機構を理解する必要はないが、ＱＥＥＧは、デジタルＥＥＧの周波数分解によって生じて、目視試験で入手可能なものよりも多くの情報をＥＥＧからもたらすと考えられる。例えば、ＱＥＥＧは、ＥＥＧの目視試験を強化することを意図するが、目視試験に代わるものではない。
いくつかのＱＥＥＧ解析ソフトウェアツールがヒトＥＥＧのポストホック統計学的評価に関してＦＤＡによって許可されている。Wardenら、「The STAR*D Project results: a comprehensive review of findings」、Curr Psychiatry Rep.、９巻（６号）：４４９〜４５９頁（２００７年）；およびAnonymous、「Neuroguide Analysis System」、Applied Neuroscience, Inc.、228 176th Terrace Drive、St. Petersburg、FL 33708、accessdata.fda.gov/cdrh_docs/pdf4/k041263.pdf。これらのソフトウェアツールはまた、それらの解析の一部として、年齢を釣り合わせた正常者との比較も含有する。これらの正常者の存在により、ＥＥＧの異常のパターンを評価し、カテゴリー化することができる対照群がもたらされる。Thatcherら、「History of the Scientific Standards of QEEG Normative Databases」、In: Budzynskiら、Introduction to Quantitative EEG and Neurofeedback（第２版）、Elsevier, Inc.、２００９年、第２章。
ほとんどのニューロメトリック特徴はそれらの特性が高度に非ガウス性である。この理由で、市販のニューロメトリックソフトウェアでは、対数変換を使用して生データを変換して、分布を本質的によりガウス性にする。多くの定量的ＥＥＧ特徴はまた、年齢と一貫して変動する。患者の年齢と規範的データベース内の対象の年齢の間の差異を説明するために、これらの定量的ＥＥＧ特徴を、線形回帰方程式を使用して年齢回帰して、「標準年齢」の定量的ＥＥＧ特徴を得る。これらの評価基準としては、これらに限定されないが、以下が挙げられる：
・絶対的パワー−周波数バンドのそれぞれ内のＥＥＧ波形のｕＶ２単位で表されるパワー
・相対的パワー−バンドのそれぞれの絶対的パワーのパーセンテージ
・平均周波数−周波数バンドのそれぞれ内の周波数成分の平均。平均周波数を調査することにより、周波数成分が周波数バンドの片側にクラスター化するかどうかに関する情報をもたらすことができる。
・コヒーレンス−２つのチャネル間の電気的活動の同期化の度合いであり、多くの場合、脳の２つの領域間の機能的関連の評価基準と解釈される。Srinivasanら、「EEG and MEG coherence: measures of functional connectivity at distinct spatial scales of neocortical dynamics」、J Neurosci Methods、１６６巻（１号）：４１〜５２頁（２００７年）。
・対称性−２つの電極間の振幅の差異の評価基準。ある特定の対称性のパターンがうつ病および統合失調症についてのマーカーとして仮定されている。Stewartら、「Resting Frontal EEG Asymmetry as an Endophenotype for Depression Risk: Sex-specific Patterns of Frontal Brain Asymmetry」、J Abnorm Psychol.、１１９巻（３号）：５０２〜５１２頁（２０１０年）；およびMerrinら、「EEG asymmetry in schizophrenic patients before and during neuroleptic treatment」、Biol Psychiatry、２１巻（５〜６号）：４５５〜４６４頁（１９８６年）。
大うつ病性障害（ＭＤＤ）の寛解率はあらゆる所与の抗うつ薬に対して低く、予測不可能であり、個体に効果的な処置をマッチさせる十分な能力が実証された生物学的または臨床マーカーは存在しない。個体に対する処置の選択を最適化し（モデレーター）、最終的な処置応答の早期指示をもたらす（メディエーター）、多数の生物学的マーカーの系統的探索から開発されたバイオシグネチャーが必要である。
１つの研究により、処置応答のモデレーターおよびメディエーターを調査する、セルトラリンの多施設、プラセボ対照ランダム化臨床試験の理論的根拠および設計がもたらされた。標的サンプルは、早発性（≦３０歳）再発性ＭＤＤを有する参加者３００名であった。８週間の試験に対する非応答者は、さらなる８週間に関してはブプロピオン（セルトラリン非応答者について）またはセルトラリン（プラセボ非応答者について）のいずれかに対する二重盲検に切り換えた。臨床的モデレーターは、不安うつ病、早期外傷、性別、メランコリー型うつ病および非定型うつ病、怒り発作、第ＩＩ軸障害、過眠／疲労、ならびにうつ病の慢性化を含む。生物学的モデレーターおよびメディエーターには、大脳皮質の厚さ、課題に基づくｆＭＲＩ（報酬および感情的葛藤）、安静時接続性、拡散テンソル画像（ＤＴＩ）、動脈スピン標識化（ＡＳＬ）、脳波記録法（ＥＥＧ）、皮質誘発電位、ならびにベースラインでのみ評価されたＤＴＩ以外の、ベースラインおよび第１週に評価された行動／認知課題が含まれた。多施設にわたるバイオマーカーの評価を標準化すると共に、反復可能な品質管理方法を設け、これらのマーカーを組み込むために高度なデータ解析方法を使用するために研究を設計した。Trivediら、「Establishing moderators and biosignatures of antidepressant response in clinical care (EMBARC): Rationale and design」、J Psychiatr Res.、７８巻：１１〜２３頁（２０１６年）。特に、この研究では、ＳＳＲＩに対する応答が処置前の安静時ＥＥＧアルファまたはシータにより測定されるかどうかおよびＬＤＡＥＰによりモデレートされるかどうかを試験した。この研究のデータ収集は完了しているが、結果の解析および報告はまだ完了していない。
処置抵抗性うつ病の有病率が高いこと、および試行錯誤による有効な処置の発見が長く遅れていることを考慮すると、処置の選択をガイドする能力を有する、処置の転帰に関する妥当なバイオマーカーは、気分障害における最も重要な満たされていないニーズの１つである。この目的のために、数多くの研究により、安静状態ＥＥＧまたは誘発電位を使用した脳波記録法（ＥＥＧ）に由来するバイオマーカーが調査されている。ほとんどの研究では特定のＥＥＧ特徴（またはこれらの組合せ）に焦点が当てられてきたが、つい最近では、経験的仮説を用いずに、最良の予測能力を有するＥＥＧ特徴を定義するために機械学習手法が使用されている。自発ＥＥＧ、誘発電位、およびＥＥＧ源局在化の解析に由来するいくつかの評価基準が抗うつ薬に対する応答に関連付けられており、そのような応答の比較的単純かつ安価な予測因子をもたらす可能性を有する。他の研究により、ベースラインＱＥＥＧパラメーターが、処置下で発現する副作用の総負荷量を予測する、またはより具体的には処置下で発現する自殺念慮を予測する機能も果たし得、これにより、ＥＥＧバイオマーカーの臨床的価値が増強され得ることが示唆されている。Hunterら（２００５年）：Neurophysiologic correlates of side effects in normal subjects randomized to venlafaxine or placebo. Neuropsychopharmacology、３０巻：７９２〜７９９頁：Iosifescuら（２００８年）：Pretreatment frontal EEG and changes in suicidal ideation during SSRI treatment in major depressive disorder. Acta Psychiatr Scand、１１７巻：２７１〜２７６頁；Hunterら（２０１０年）：Brain functional changes(QEEG cordance) and worsening suicidal ideation and mood symptoms during antidepressant treatment. Acta Psychiatr Scand、１２２巻：４６１〜４６９頁；およびIosifescu DV（２０１１年）：Electroencephalography-derived biomarkers of antidepressant response. Harv Rev Psychiatry、１９巻：１４４〜１５４頁。
特に、ｉＳＰＯＴ−Ｄ研究では、ＣＮＳ−覚醒および男女一方に特異的なアルファ非対称所見に加えて一般的な統計的に有意な結果はもたらされなかった。これにより、調査されたＥＥＧバイオマーカーの一部が、それらのデータセットに過剰適合するモデルであることが示され得る。この主題に関する大量の研究に基づいて、本明細書で考察される種々の評価基準がどのように互いに関係するかを理解することが重要である。しかし、この時点で、種々の評価基準間の関係に関する一貫したデータはないと思われる。さらに、ほとんどの研究でＥＥＧ特徴の独特の組合せが提示され、これにより、筋の通った説明モデルまたはメタ解析手法が妨げられる。開発が最も進んでいるバイオマーカーであるシータコーダンスおよびＡＴＲでさえ、それらの有用性に関連する多くの疑問が未解決のままである：非応答を定義するために使用される値は研究によって異なる；結果は、試験された抗うつ薬（大部分はＳＳＲＩ、セロトニンおよびノルエピネフリン再取り込み阻害薬、ならびにブプロピオン）に関してのみ有効であり得；かつ、予測正確度を改善するために予測因子を臨床的な他の評価基準とどのように組み合わせることができるかが不明である。今後の開発のために最も有望な道は、機械学習を使用した研究によって示され、これにより、大きいデータベース（電子医療記録からの臨床的なデータセットを含む）を処理して、予測因子を検証し、それらの臨床有用性を試験することが可能になる。Wadeら、「Using EEG for Treatment Guidance in Major Depressive Disorder」、Biological Psychiatry: Cognitive Neuroscience and Neuroimaging、１巻（５号）：４１１〜４２２頁（２０１６年）。
ＩＩ．治療／ＥＥＧ相互作用
薬剤によりＥＥＧが変更され得ることは、視覚的および定量的脳波記録者によって同様に観察されている。ＱＥＥＧの薬剤誘導性変化は、広範囲の抗うつ薬、ベンゾジアゼピン系薬、刺激薬、抗精神病薬、リチウム塩、および抗痙攣薬に関して報告されている。Thauら、「Effect of lithium on the EEG of healthy males and females. A probability mapping study」、Neuropsychobiology、２０巻（３号）：１５８〜１６３頁（１９８９年）；Salinskyら、「Assessment of CNS effects of antiepileptic drugs by using quantitative EEG measures」、Epilepsia、４４巻（８号）；１０４２〜１０５０頁（２００３年）；Hardmeierら、「Intranasal midazolam: pharmacokinetics and pharmacodynamics assessed by quantitative EEG in healthy volunteers」、Clin Pharmacol Ther.、９１巻（５号）：８５６〜８６２頁（２０１２年）；Kerdarら、「Quantitative effect of treatment with methylphenidate on EEG--a pilot study」、Z Kinder Jugendpsychiatr Psychother.、３５巻（４号）：２４７〜２５５頁（２００７年）；およびClemensら、「Quantitative EEG effects of carbamazepine, oxcarbazepine, valproate, lamotrigine, and possible clinical relevance of the findings」、Epilepsy Research、７０巻（２〜３号）：１９０〜１９９頁（２００６年）。
これらの薬物による変化は、ＱＥＥＧの別個の成分に対する効果に関して特異的であり、対象におけるそれらの効果は、精神医学的症候群ならびに無症候性志願者で一貫している。薬剤により、ヒトＥＥＧが一貫した公知の仕方で変更される場合には、これらの薬剤の効果を使用して患者における観察可能なＱＥＥＧパターンを打ち消すことにより、この情報を使用して臨床的な処置の決定を通知することが可能であり得る。例えば、主要な情動障害を有する患者７０名の研究により、ＱＥＥＧ変数のアレイが、追跡調査６週目において処置前ＨＡＭ−Ｄスコアよりもパロキセチンに対する応答に関してより予測的であることが実証された。Knottら（２０００年）。例えば、大うつ病性障害に関してＤＳＭ判断基準を満たした対象８２名の研究では、ベースライン（処置前）におけるベースライン相対シータパワーにより、ＳＳＲＩまたはベンラファキシンに対する処置応答が６３％の正確度で予測されたこと、および種々のＱＥＥＧ変数で構成される抗うつ薬処置応答（Ａｎｔｉｄｅｐｒｅｓｓａｎｔ Ｔｒｅａｔｍｅｎｔ Ｒｅｓｐｏｎｓｅ）（ＡＴＲ）指数がＳＳＲＩまたはベンラファキシンに対して７０％の正確度で予測的であることが見いだされた。Iosefescuら（２００９年）。
これらの研究では、神経精神医学的診断内に大幅なＱＥＥＧ不均一性が存在することも見いだされた。ＤＳＭ診断カテゴリー内のこれらのサブグループの存在は、これらの診断に対して処方された薬物の示差的な有効性を説明するのに役立ち得、また、ＱＥＥＧパターンが、臨床医が特定の患者に対して最も有効な薬物治療を選択するのを補助する役割を果たすことができ得ることが示唆される。
特定の治療が精神障害に対して効き目のある効果を有するか否かを決定するための取り組みにおいて、脳イメージングが利用されている。大うつ病性障害（ＭＤＤ）を有する患者のおよそ５０％は抗うつ薬処置に最適に応答しない。これが患者集団の大部分であることを考慮すると、どの患者がどの型の処置に応答するかを予測する処置前試験により、時間、費用および患者の負担が減らされ得る。脳イメージングにより、処置の神経生物学およびＭＤＤの病態生理に基づく処置予測因子を同定する手段がもたらされる。Ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｔｕｄｙ Ｔｏ Ｐｒｅｄｉｃｔ Ｏｐｔｉｍｉｚｅｄ Ｔｒｅａｔｍｅｎｔ ｉｎ Ｄｅｐｒｅｓｓｉｏｎ（ｉＳＰＯＴ−Ｄ）は、そのような予測因子を同定するためにイメージングサブスタディが埋め込まれた、多施設、並行モデル、ランダム化臨床試験であった。焦点は、大うつ病性障害およびその処置に関係付けられる脳回路に置かれた。試験全体では、うつ状態の参加者を、エスシタロプラム、セルトラリンまたはベンラファキシン−ＸＲを受けるようにランダム化した（オープンラベル）。参加者を、標準化された多数の臨床的な、認知−感情行動、脳波記録および遺伝学的な評価基準を使用し、ベースライン時および８週間処置後に評価した。全体として、２，０１６名のうつ状態の参加者（１８〜６５歳）が研究に参加し、そのうち標的の１０％を脳イメージングサブスタディ（各処置部門におよそ６７名の参加者）および対照６７名に動員する。構造研究には、高分解能３次元Ｔ１重み付け拡散テンソルおよびＴ２／Ｐｒｏｔｏｎ Ｄｅｎｓｉｔｙスキャンが含まれた。機能的研究には、３つの認知課題（聴覚オドボール、持続処理課題、およびＧｏ−ＮｏＧｏ）および２つの感情課題（非仮面性意識および仮面性無意識感情処理課題）を用いた、標準化された機能的磁気共鳴画像法（ＭＲＩ）が含まれた。８週間の処置後、上記の課題を用いて機能的ＭＲＩを繰り返す。対象の半数（ｎ＝１０２）を使用して予測因子を同定したが、第２の半数を最初に試験し、全体的な解析を試験した対象全員に拡張した。Grieveら、「Brain imaging predictors and the international study to predict optimized treatment for depression：study protocol for a randomized controlled trial」、Trials、１４巻：２２４頁（２０１３年）。
ｉＳＰＯＴ研究からの予備データから、ＥＥＧ後頭部アルファおよび前頭部アルファ非対称（ＦＡＡ）により大うつ病（ＭＤＤ）を有する外来患者を対照から区別されるかどうかを決定し、抗うつ薬処置の転帰を予測し、性別の役割を探究した。対象と比較して、ＭＤＤ参加者において後頭皮質および前頭皮質に関して、またはＦＡＡに関して、ＥＥＧアルファに差異は見いだされなかった。後頭皮質および前頭皮質におけるアルファは処置の転帰には関連付けられなかった。しかし、ＦＡＡに関しては性別および薬物クラス相互作用効果が見いだされた。女性のみにおける比較的大きい右前頭部アルファ（低皮質活性）が、選択的セロトニン再取り込み阻害剤であるエスシタロプラムおよびセルトラリンに対する好都合な応答に関連付けられた。ベンラファキシン持続放出に関してはそのような効果は見いだされなかった。Arnsら、「EEG alpha asymmetry as a gender-specific predictor of outcome to acute treatment with different antidepressant medications in the randomized iSPOT-D study」、Clin Neurophysiol.、１２７巻（１号）：５０９〜５１９頁（２０１６年）。
ＱＥＥＧ解析は、精巧であり、これらに限定されないが、特定の治療に対するＱＥＥＧ多変量パターンおよび応答転帰を含めた患者データを保有する転帰データベースと併せて機能することが実証されている。この解析には、現在ＭＹｎＤ Ａｎａｌｙｔｉｃｓ，Ｉｎｃ．ＣＮＳ Ｒｅｓｐｏｎｓｅ，Ｉｎｃ．という名の企業に対してｒＥＥＧ（登録商標）という商標が認められている。ＣＮＳ ｒｅｓｐｏｎｓｅ［ｏｎｌｉｎｅ］。cnsresponse.com/doc/CNSR_rEEG_Intro_Guide_to_EEG_Recording_v2.0_Mar2009.pdfから入手可能。
Ｒｅｆｅｒｅｎｃｅｄ−ＥＥＧ（ｒＥＥＧ（登録商標））は、主に抵抗性の症例を処置するための精神薬理学的処置をガイドするために使用される、経験的に導かれたバイオマーカーのセットに対して系統立てられたエビデンスに基づく薬剤ガイダンスを提供する。ｒＥＥＧ（登録商標）では、精神医学的総体的症状を有し、その後、臨床応答を記録しながら広範囲の薬剤を用いて処置された患者における、薬剤適用されていない、処置前の定量的ＥＥＧ（ＱＥＥＧ）の大きいデータベースを用いる。これにより、ＥＥＧ異常、薬剤および応答の相関が可能になる。このデータベースにおける臨床応答までの平均時間は４０５日であり、これにより、プラセボ応答などの有効性例外を回避した相関が可能になった。１つのパイロット研究では、ｒＥＥＧガイダンスを、いくつかの主要な学術機関を含む米国内の８カ所の施設で実施された、処置抵抗性うつ病（ＴＲＤ）を有する患者の処置におけるＴｅｘａｓ Ｍｅｄｉｃａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ Ｐｒｏｊｅｃｔ（ＴＭＡＰ）に基づくガイダンスと比較した。ＴＭＡＰうつ病アルゴリズムに基づいて薬剤適用された患者と、ｒＥＥＧによりガイドされた選択肢に基づいて薬剤適用された患者とで、１０週間の処置の転帰を比較するために研究を設計した。これは、多施設、ランダム化、盲検、対照、並行群研究であり、完了者は１８名であった。対象は、４週間の最短期間、適切な用量の少なくとも３種の以前の抗うつ薬レジメンに失敗していた。全ての対象が、現行の全ての薬剤を最低でも５半減期の間休薬し、次いで、ＱＥＥＧを記録し、ｒＥＥＧ技術を利用して解析して、推奨処置を決定した。その後必要条件を満たした対象を、実験（ｒＥＥＧによりガイドされた）群、またはＴＭＡＰを利用する対照群にランダム化した。この研究の結果は以前に報告されている。この事後解析により、ｒＥＥＧ処置群またはＴＭＡＰ処置群のいずれかに関して「等価の」推奨を有し得る対象のサブセットを評価する。
Ｐｕｒｅ ｒＥＥＧによりガイドされた処置をＰｕｒｅ ＴＭＡＰによりガイドされた処置と比較した場合（サブグループ１対３）、結果から、ｒＥＥＧによりガイドされた推奨処置を受けた対象が、ＴＭＡＰによりガイドされた処置とは異なり、同等ではないことが示される。例えば、少なくとも２５点で改善と定義されるＱ−ＬＥＳ−Ｑスコアでの応答（応答または寛解に関する標準化された定義は存在しない）は、ｒＥＥＧによる処置群の２９％で達成されたが、ＴＭＡＰによる処置群では観察されなかった。同様に、ＱＩＤＳに関しては、１０週間の試験にわたり、ｒＥＥＧ群の参加者の５７％および４３％が、それぞれ応答（少なくとも５０％低減）または寛解（生スコア＜６）に達したが、比較して、ＴＭＡＰ群でそれらに達した参加者はいなかった。これらのデータから、ｒＥＥＧによりガイドされた薬剤を用いて処置されたかなり多くの対象がそれぞれの応答／寛解標的に達した一方、ｐｕｒｅＴＭＡＰ群ではそれらに達しなかったことが示される。DeBattistaら、「Review of Current Results in the Use of Referenced-EEG in the Guidance of Psychotropic Medication Selection for Treatment-Resistant Depressed Patients」、NCDEU Poster（２００９年６月）。
最近報告された研究では、ｒＥＥＧとＳＴＡＲ＊Ｄで異なる推奨がもたらされる状況のうつ病の処置に関する、ｒＥＥＧ（登録商標）によりガイドされた薬物治療の有効性が評価された。ランダム化、単純盲検、並行群、１２施設、ＵＳ研究では、ｒＥＥＧによりガイドされた薬物治療とＮＩＨが後援するＳＴＡＲ＊Ｄ研究において報告された最も有効な処置レジメンとを比較した。１種または複数の抗うつ薬が失敗した１８歳以上の比較的処置抵抗性の対象が、ベースラインにおいてＱＩＤＳ−１６−ＳＲスコア≧１３およびＭＡＤＲＳスコア≧２６を有することを要件とした。全ての対象が、ＱＥＥＧおよびｒＥＥＧ報告を受ける前に少なくとも５半減期の間、現行の全ての薬剤を休薬した（一部のプロトコールで指定された例外を伴う）。ｒＥＥＧにランダム化された対象をｒＥＥＧ報告に基づくレジメンに割り当てた。現在のエピソードでＳＳＲＩのみ失敗した対照の対象を、ベンラファキシンＸＲを受けるようにランダム化した。２種以上の抗うつ薬のクラスの抗うつ薬が失敗した対照の対象を、ＳＴＡＲ＊Ｄ研究のステップ２〜４のレジメンを受けるようにランダム化した。処置を１２週間続けた。主要転帰評価基準は、自己採点ＱＩＤＳ−ＳＲ１６およびＱ−ＬＥＳ−Ｑ−ＳＦについてのベースラインからの変化であった。合計１１４名の対象をランダム化し、８９名の対象が評価可能であった。ｒＥＥＧによりガイドされた薬物治療では、主要エンドポイントであるＱＩＤＳ−ＳＲ１６（−６．８対−４．５、ｐ＜０．０００２）およびＱ−ＬＥＳ−Ｑ−ＳＦ（１８．０対８．９、ｐ＜０．０００２）の両方について、それぞれ、対照と比較して、大幅に大きい改善と共に、副次的エンドポイント１２個のうち９個で統計学的優位性が示された。これらの結果から、うつ病の処置におけるｒＥＥＧによりガイドされた精神薬理学の役割、およびｒＥＥＧによりガイドされた薬物治療が、抗うつ薬の薬剤選択をガイドするための臨床的判断を基にする予測的かつ客観的な事務手順であることが示唆される。DeBattistaら、「The use of referenced-EEG (rEEG) in assisting medication selection for the treatment of depression」、Journal of Psychiatric Research、４５巻（１号）：６４〜７５頁（２０１０年）。
ＩＩＩ．Ｐｓｙｃｈｉａｔｒｉｃ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｉｃ Ｅｖａｌｕａｔｉｏｎ Ｒｅｇｉｓｔｒｙ（ＰＥＥＲ）
Ｐｓｙｃｈｉａｔｒｉｃ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｉｃ Ｅｖａｌｕａｔｉｏｎ Ｒｅｇｉｓｔｒｙ（ＰＥＥＲ）は、ＱＥＥＧ由来の異常のパターンおよび患者転帰の歴史的なデータベースを使用して医師の薬剤選択を補助するＱＥＥＧ由来ツールである。
ＰＥＥＲプロセスは、国際１０／２０標準に従う覚醒時デジタルＥＥＧ（すなわち、例えば、目を閉じた状態または目を開けた状態）を収集することによって開始することができる。種々のＥＥＧ収集ハードウェアを支援することができる。発明の機構を理解する必要はないが、そのようなデータ収集プロトコールは、一般に目を開けた状態の正常なＥＥＧデータをコンパイルする従来のＱＥＥＧツール（例えば、Ｎｅｕｒｏｇｕｉｄｅ）に適合すると考えられる。適格患者は、通常、６〜８５歳の間であり、薬剤を用いていない、または、これらに限定されないが、自然療法および薬草製品ならびに血液／脳関門を横断する任意の薬剤を含めた、ＥＥＧに影響を及ぼし得る全ての薬剤を少なくとも５半減期の間用いていないことが好ましい。これらの判断基準は、ほとんどの市販のＱＥＥＧソフトウェアプログラム内の規範的（例えば、例として、対照）データベースとの適合性を確実にするために役立つ。
ほとんどの場合、およそ１０〜２０分の生ＥＥＧで十分である。次いで、ＥＥＧを手動で編集して、少なくとも２分のアーチファクトのないＥＥＧを選択することができる。アーチファクトとしては、これらに限定されないが、瞬目および眼球運動、筋肉の動き、嗜眠状態および／またはその他を挙げることができる。現在利用可能な独立成分解析（ＩＣＡ）に基づく自動アーチファクト除去技法はＰＥＥＲプロセスには使用されないことに関心がもたれるべきである。この編集ステップと並行して、脳波記録者が全体的な品質に関して生ＥＥＧを視覚的に再調査することができる。例えば、この品質再調査により、発作活動または脳症などの肉眼所見が存在しないことを確実にすることができる。
本方法において使用することができるＱＥＥＧソフトウェアの１つは、「ｐｏｓｔ−ｈｏｃ ｓｔａｔｉｓｔｉｃａｌ ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ｈｕｍａｎ ＥＥＧ」としてＦＤＡにより認可されているＮｅｕｒｏｇｕｉｄｅ（登録商標）ソフトウェア（Ａｐｐｌｉｅｄ Ｎｅｕｒｏｓｃｉｅｎｃｅ，Ｉｎｃ．、Ｌａｒｇｏ、ＦＬ、ａｐｐｌｉｅｄｎｅｕｒｏｓｃｉｅｎｃｅ．ｃｏｍ）である。Ｎｅｕｒｏｇｕｉｄｅ（登録商標）ソフトウェアは、ほとんどの市販のＥＥＧ機械に対する支援をもたらし、ほとんどのＥＥＧデジタルファイル形式を支援する。Ｎｅｕｒｏｇｕｉｄｅ（登録商標）ソフトウェアは、必要であれば、支援されるＥＥＧ増幅器の周波数応答特性を説明するための増幅器補正、「標準年齢」の定量的ＥＥＧ特徴を得るための線形回帰方程式を使用した年齢補正、およびＱＥＥＧ特徴を本質的によりガウス性にするためのＱＥＥＧ特徴の変換ももたらす。適量のアーチファクトのないデータを選択した後、Ｎｅｕｒｏｇｕｉｄｅ（登録商標）ソフトウェアにより、ＥＥＧ波形を高速フーリエ変換（ＦＦＴ）によってその周波数成分に変換する。次いで、これらの周波数成分を、デルタ（１．５ｈｚ〜３．５ｈｚ）、シータ（３．５ｈｚ〜７．５ｈｚ）、アルファ（７．５ｈｚ〜１２．５ｈｚ）およびベータ（１２．５ｈｚ〜２５．５ｈｚ）の周波数バンドに集合させる。次いで、Ｎｅｕｒｏｇｕｉｄｅ（登録商標）ソフトウェアにより、これらの周波数バンドから一連の評価基準をコンピュータ計算する。次いで、ＥＥＧシグナルのＦＦＴ分解に由来するこれらの生ＱＥＥＧ評価基準を規範的データベース（例えば、例えば、２カ月から８５歳の範囲の無症候性の対象６２５名からのＥＥＧデータを含むデータベース）と比較することができる。Thatcherら。患者由来のニューロメトリック変数の実際の値と規範的なニューロメトリック変数の間の差異は、Ｚスコアとして表される。
Ａ．ＱＥＥＧ特徴変数の発生
ＰＥＥＲが基づくＮｅｕｒｏｇｕｉｄｅ（登録商標）ソフトウェアを使用したニューロメトリック解析により、ＥＥＧ波形を説明する、Ｚ−スコア化された個々の変数がおよそ７，２００個出力される。このデータを利用可能にするために、ＰＥＥＲデータベースにより、このＺ−スコアデータをより小さいＱＥＥＧ特徴変数のセット（例えば、例えば、多変数）に変換する。一実施形態では、ＱＥＥＧ特徴変数は、ＱＥＥＧ単変量データのセットを保存し、低減する一方で、ある程度の物理的解釈を保持する。一実施形態では、ＰＥＥＲデータベースは、少なくとも２２３個のＱＥＥＧ特徴変数を含む。
Ｂ．特徴変数の既知の患者転帰との相関
一実施形態では、本明細書で企図されている方法は、既知の患者転帰を少なくとも１つのＱＥＥＧ特徴変数と相関付けることを含む。一部の実施形態では、既知の患者転帰はＱＥＥＧ特徴変数パターンと相関し、ＱＥＥＧ特徴変数パターンは、複数の異なるＱＥＥＧ特徴変数を含む。
例えば、患者のＥＥＧデータを、ＱＥＥＧソフトウェア内の規範的データベースとの比較可能性を確実にするＥＥＧプロトコールに従って記録することができる。次いで、患者を、ＤＳＭによりガイドされた方法体系に従って処置し、患者の治療に対する転帰を記録する。処置プロセス中に周期的間隔で患者転帰をＣｌｉｎｉｃａｌ Ｇｌｏｂａｌ Ｉｍｐｒｅｓｓｉｏｎ−Ｉｍｐｒｏｖｅｍｅｎｔ（ＣＧＩ−Ｉ）スコアを使用して薬剤の「処置間隔」と一緒に定量化する（例えば、薬剤投与の開始日および中止日を決定することによって）。ＰＥＥＲデータベースになるように改善された方法体系の元の開発者は、１９９０年代初期に、薬剤を用いていないＥＥＧを収集し、患者転帰をＤＳＭによりガイドされた処置に記録し始めた。Suffinら、「Electroencephalography Based Systems and Methods for Selecting Threapies and Predicting Outcomes」、ＰＣＴ／ＵＳ２００２／０２１９７６。
患者転帰とＱＥＥＧ特徴変数の関係を可視化するために、このプロセスを使用して収集したデータを、ある特定の判断基準を満たす処置間隔にわたって照会する。例となる判断基準のセットは、単一の薬剤が存在し、患者転帰が安定なままであった処置間隔であり得る。一実施形態では、正の患者転帰が少なくとも４５日間安定なままであった。一実施形態では、負の患者転帰が少なくとも７日間安定なままであった。この照会における症例それぞれからの例となる特徴変数の値をヒストグラム上にプロットすることができる。処置組み入れ判断基準の遵守に従って全処置間隔を概説することができる。図４Ａを参照されたい。処置に対する正または負の転帰が示される症例を解析のためにプロットすることができる。図４Ｂおよび４Ｃを参照されたい。この解析により、この特定の特徴変数（または特徴変数パターン）の値が高い患者ほど問題の薬剤、この場合にはＳＳＲＩに応答する傾向が大きいことが容易に示される。薬剤応答者と薬剤非応答者を比較する独立したサンプルに対するｔ検定を実施することにより、＜０．０５のｐ値がもたらされ、これらの分布が異なり、偶然によるものではないという見込みが９５％よりも大きいことが示唆される。この特定の解析では、この関係が、ＱＥＥＧ解析から入手可能な１つの特徴変数（すなわち、ＱＥＥＧ多変量）のみに関して表されることに留意されたい。ＰＥＥＲデータベースと組み合わせると、本方法は、同様の特徴変数パターンを有する他の患者の、非応答者の応答者に対する頻度の図形表示を示す報告をもたらす。図５を参照されたい。この例では、患者（Ｘ）はフルオキセチンに対して非応答者であることが予測され得る。
どの特徴変数のセットが群のメンバーシップ（すなわち、応答者群または非応答者群）を示し得るかを学習するために利用可能な機械学習技法が多く存在することは当業者には公知であろう。そのような機械学習技法には、解析において群の一方に属するあらゆる症例の可能性を示すスコアを導き出すための、利用可能な特徴変数セットに対する線形判別解析である。
Ｃ．モデル較正および交差検証
機械学習モデル開発の結果を、モデルの完全な潜在性を評価するために、モデルの開発に使用されなかったデータに対して厳密に試験することができる。例えば、ＰＥＥＲデータベース方法体系では、標準の１０分割交差検証を使用して開発モデルを試験することができる。この技法では、データを１０群、または「ｆｏｌｄ」に分割する。これらのｆｏｌｄのうち９つを使用してモデルを構築し、１０番目のｆｏｌｄを使用してモデルを試験する。このプロセスを、毎回異なるｆｏｌｄを試験用ｆｏｌｄとして使用して１０回繰り返し、その結果、データセット内の全症例が試験データセットの一部になる機会を得るようにする。モデルについて報告される試験データセットについての実際のおよび予測される統計値（例えば、真陽性、真陰性、偽陽性および／または偽陰性）は、１０回の実行についてのこれらの統計値の平均である。
Ｄ．統合的な解析概念
ＥＥＧ特徴変数および／またはそれらのパターンを使用することは、標準の定量的ＥＥＧとは、定量的ＥＥＧに対して規範的データベースを、次いで、症候データベース（測定された治療応答と相関する特徴的なＱＥＥＧ特徴パターンを有する処置され、診断された患者のデータベース）を参照するという点で異なる。このデータを既知の歴史的転帰と相関付けることにより、治療にあたる臨床医に、自身の独自の臨床的判断と組み合わせてより十分な情報に基づく処置決定を行うことができる、客観的な生理機能に基づく情報をもたらすことができる。
１つの遡及的研究により、摂食障害および併存する大うつ病性障害または双極性障害の一次診断を有する患者３３名のチャートが調査された。患者はＱＥＥＧ評価を受け、それにより、臨床医に処置の選択肢に関する追加的な情報がもたらされた。分析には、この情報に基づく処置を許容した対象２２名が含まれた。臨床的処置のためにＱＥＥＧデータが使用された対象では、付随するうつ症状（ＨＤＲＳスコア）、疾病の全体的な重症度（Ｃｌｉｎｉｃａｌ Ｇｌｏｂａｌ Ｉｍｐｒｅｓｓｉｏｎ−Ｓｅｖｅｒｉｔｙ）、および全体的な臨床的な全般改善（Ｃｌｉｎｉｃａｌ Ｇｌｏｂａｌ Ｉｍｐｒｅｓｓｉｏｎ−Ｉｍｐｒｏｖｅｍｅｎｔ）の大幅な低下が報告された。このコホートでは、ＱＥＥＧ指向型治療後に、ＱＥＥＧ解析前の２年の期間の「試行錯誤」処置と比較して、入院、在宅、および部分入院プログラムの日数がより少ないことも報告された。Greenblattら。
別の遡及的研究では、２００３年から２０１１年半ばまでの間、外来精神医学的診療所においてＱＥＥＧ評価を受けるよう選出された患者４３５名のチャートが再調査された。患者は全員が非精神病性精神医学的患者であり、ほとんどが処置抵抗性であった。２８０名の患者が、Ｃｌｉｎｉｃａｌ Ｇｌｏｂａｌ Ｉｍｐｒｅｓｓｉｏｎｓ−Ｉｍｐｒｏｖｅｍｅｎｔ（ＣＧＩ−Ｉ）尺度の、ベースラインにおける平均スコア４から最大医学的改善（ＭＭＩ）では平均スコア１．８５への大幅な改善が実証された解析に含まれた。Ｑｕａｌｉｔｙ ｏｆ Ｌｉｆｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ（ＱＬＥＳ−Ｑ）スコアはベースラインにおける平均４７．１からＭＭＩでは７１．２へ改善された。さらに、ＭＭＩにおける薬剤の数、ＭＭＩに到達するまでの時間および薬剤適用試験の失敗の数に改善が見られた（Ｈｏｆｆｍａｎ）。
別の研究（Ｄｅｂａｔｔｉｓｔａ）では、ＱＥＥＧによりガイドされた薬物治療と、ＮＩＨが後援するＳＴＡＲ＊Ｄ研究において報告された最も有効な処置レジメンとのランダム化、単純盲検、並行群、１２施設、ＵＳに基づく研究が使用された。１種または複数の抗うつ薬が失敗した１８歳を超える比較的処置抵抗性の対象が、ベースラインにおいてＱＩＤＳ−１６−ＳＲスコア＞１３およびＭＡＤＲＳスコア＞２６を有することを要件とした。全ての対象が、ＱＥＥＧ解析後に治療推奨を伴う報告を受ける前に、現行の全ての薬剤を少なくとも５半減期の間休薬した（一部のプロトコールで指定された例外を伴う）。次いで、対象を治療推奨報告に基づくレジメンに割り当てた。現在のエピソードでＳＳＲＩのみ失敗した対照の対象を、ベンラファキシンＸＲを受けるようにランダム化した。２種よりも多くの異なる抗うつ薬のクラスからの抗うつ薬が失敗した対照の対象を、ＳＴＡＲ＊Ｄ研究のステップ２〜４のレジメンを受けるようにランダム化した。処置間隔は、１２週間であった。主要転帰評価基準は、自己採点ＱＩＤＳ−ＳＲ１６およびＱ−ＬＥＳ−Ｑ−ＳＦについてのベースラインからの変化であった。合計１１４名の対象をランダム化し、そのうち８９名の対象を評価した。ＱＥＥＧによりガイドされた薬物治療では、主要エンドポイントであるＱＩＤＳ−ＳＲ１６（−６．８対−４．５、ｐ＜０．０００２）およびＱ−ＬＥＳ−Ｑ−ＳＦ（１８．０対８．９、ｐ＜０．０００２）の両方に、それぞれ、対照と比較して、大幅に大きい改善が示されたと共に、副次的エンドポイント１２個のうち９個で統計学的優位性が示された。
デジタルＥＥＧは、非侵襲的、無痛性、安価、および広範に入手可能である。多数の研究におけるＰＥＥＲデータベースの使用により、対照を超えて上首尾の患者転帰の頻度が改善されている。これらの結果を臨床的状況に置き換えると、ＰＥＥＲデータベースを使用する手順により、臨床医に、患者における薬剤選択を改善するために使用することができる容易な客観的事務手順がもたらされる。ＰＥＥＲは、臨床医の判断に代わるものではなく、それに基づいて臨床医に他に注意する選択または理由の支援をもたらすものである。精神医学の分野では、薬の他の分野でなされている進歩に歩調を合わせ、患者の信頼を得るために、このようなツールが切実に必要とされている。
Ｅ．ＰＥＥＲ臨床研究結果
１つの最近の研究により、Ｐｓｙｃｈｉａｔｒｉｃ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ Ｅｖａｌｕａｔｉｏｎ Ｒｅｇｉｓｔｒｙ（ＰＥＥＲ）Ｉｎｔｅｒａｃｔｉｖｅ（定量的脳波の、既存の患者転帰のレジストリーとの比較に基づく客観的な付属的ツール）が、うつ病に罹患している対象の処置において現行の標準ケアよりも有効であることが決定された。うつ病の一次診断を有する対象における薬剤選択をガイドすることにおけるＰＥＥＲ Ｉｎｔｅｒａｃｔｉｖｅと、標準の処置とを評価するための、進行中の２年間の前向き、ランダム化、二重盲検、対照研究の暫定報告が最近公開された。Iosifescuら、「The use of the Psychiatric Electroencephalography Evaluation Registry (PEER) to personalize pharmacotherapy」、Neuropsychiatric Disease and Treatment、１２巻：２１３１〜２１４２頁（２０１６年）。２つの軍の病院で処置を受けた対象は、研究群割り当てに関して盲検であり、また、自己申告症状評点も盲検であった。Ｑｕｉｃｋ Ｉｎｖｅｎｔｏｒｙ ｏｆ Ｄｅｐｒｅｓｓｉｖｅ Ｓｙｍｐｔｏｍａｔｏｌｏｇｙ，Ｓｅｌｆ−Ｒｅｐｏｒｔ（ＱＩＤＳ−ＳＲ１６）うつ病スコアが主要な有効性エンドポイントであった。１５０名の対象が定量的脳波記録試験を受け、通常の処置またはＰＥＥＲの情報に基づく薬物治療のいずれかにランダム化された。対照群の対象は、現行の標準ケアであるＶｅｔｅｒａｎｓ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ／Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｄｅｆｅｎｓｅ Ｇｕｉｄｅｌｉｎｅｓに従って処置された。実験群では、主治医が適応内薬剤に対する対象の臨床応答の可能性が順位付けられたＰＥＥＲ報告を受けた。事後暫定解析では、対象を、その後の処置とＰＥＥＲ薬剤ガイダンスの間の一致に基づいてＲｅｐｏｒｔ Ｆｏｌｌｏｗｅｄ群およびＲｅｐｏｒｔ Ｎｏｔ Ｆｏｌｌｏｗｅｄ群に分けた。ＰＥＥＲ推奨の予測妥当性を評価した。結果から、ＰＥＥＲにより推奨される薬剤を用いて処置された対象について、ＰＥＥＲ推奨に従っていない対象と比較して、うつ病スコアの有意に大きい改善（ＱＩＤＳ−ＳＲ１６ Ｐ ０．０３）、自殺念慮の低減（Ｃｏｎｃｉｓｅ Ｈｅａｌｔｈ Ｒｉｓｋ Ｔｒａｃｋｉｎｇ Ｓｃａｌｅ−ＳＲ７ Ｐ ０．００２）、および心的外傷後ストレス障害（ＰＴＳＤ）スコアの改善（ＰＴＳＤ Ｃｈｅｃｋｌｉｓｔ Ｍｉｌｉｔａｒｙ／Ｃｉｖｉｌｉａｎ Ｐ ０．０４）が示された。
ＶＩ．治療予測におけるゲノム解析
Ａ．代謝的ゲノム解析
シトクロムｐ４５０（ＣＹＰ４５０としても公知）代謝経路は、酸化的代謝を引き起こすための酵素としての作用する、多くの生きている種において同定されるヘムタンパク質の非常に大きいファミリーを含む。ｐ４５０酵素は、多くの体組織、特に肝臓および胃腸管に存在し、ホルモン合成および分解、コレステロール合成、ならびにビタミンＤ代謝において重要な役割を果たす。７０００種を超える別個のシトクロムｐ４５０配列が同定されているが、ヒトに存在するのはわずか約５０種である。肝臓シトクロムは、薬物代謝に対するそれらの重要性から、最も広く研究されている。ｐ４５０酵素は、排泄物の尿または胆汁への溶解性を容易にすることにより、薬物代謝において役割を果たし得る。多くの薬物が酵素の誘導または阻害を介してｐ４５０の活性に影響を及ぼす。誘導とは、薬物がより多くのｐ４５０酵素の合成を刺激して代謝能を加速することを意味する。阻害とは、薬物間の酵素結合性部位に対する競合を意味する。２種の薬物が一緒になってＣＹＰ系と違うように相互作用し、ＣＹＰ媒介性代謝の変化を引き起こし得る。結果として生じる代謝的変化は、薬物クリアランスのスピードを速くまたは遅くし、また、薬物により誘導される副作用または薬物が適切な血中レベルを達成できないことに寄与する。最悪の場合、一方の薬物により他方の薬物のＣＹＰ媒介性代謝が阻害され、薬物の蓄積および毒性が導かれ得る。
特に、これらに限定されないが、ＣＹＰ３Ａ４、ＣＹＰ２Ｄ６、ＣＹＰ２Ｃ１９、およびＣＹＰ１Ａ２を含めたｐ４５０酵素は、向精神薬と関連付けられている。ＣＹＰＤ２６は、ヒト代謝活性の顕著な変動をもたらす遺伝的多型を有する。ＣＹＰ２Ｄ６は、競合的に阻害して、薬物代謝に影響を及ぼすことはできるが、誘導することはできない。白色人種のおよそ１０パーセントが、ＣＹＰ２Ｄ６によって代謝される薬物の低メタボライザーであり、特に競合薬を摂取している場合に、薬物蓄積に関していくらかのリスクにさらされる。同様に、アフリカ系アメリカ人およびアジア系アメリカ人の１５〜２０パーセントがＣＹＰ２Ｃ１９の低メタボライザーであり、それと比較して白色人種ではわずか１〜５パーセントが低メタボライザーである。いくつかの抗うつ薬および抗精神病薬薬物はＣＹＰ２Ｄ６によって代謝され、これは、通常の投与量を与えられた遅いメタボライザーは心毒性、体位性低血圧症、または過鎮静のリスクがいくらかあり得ることを意味する。これらの薬物は、ほとんどのＳＳＲＩおよび三環系、ならびに従来のおよび非定型抗精神病薬薬剤を含む。同様に、一部のＳＳＲＩはＣＹＰ３Ａ酵素も阻害する。しかし、阻害の効力は薬物ごとに変動することが強調されることが重要である。
最近の報告の１つでは、ｐ４５０系が、患者が神経精神医学的薬物を用いて上首尾の転帰を有するかどうかの予測においては役立たないであろうことが結論付けられた。参考文献では、ｐ４５０試験により誰が遅い薬物メタボライザーであるか速い薬物メタボライザーであるかは示されるが、どの薬物がどの個々の患者に対して効き目があるかは実際には示されないことが当業者に教示されている。基本的に、ｐ４５０試験により、副作用のリスクの評価が助けられ、また、誰がより緩徐な用量設定または投与量レベルの調整を必要とし得るかが確認されることが示唆される。したがって、速いメタボライザーは有効な治療レベルを達成するためにより高用量の薬剤を必要とし得、遅いメタボライザーはより低用量およびより緩徐な用量設定を必要とし得る。評価から、ｐ４５０により付加される臨床的価値はほとんどの場合、ｉ）ＳＳＲＩ間でのＣＹＰ４５０アイソザイムの代謝的効果は実質的ではない；ｉｉ）これらの薬物の間でのｐ４５０代謝のわずかな差異により、これらの薬剤間の潜在的な副作用の差異が実際より大きいという誤った印象が生じ得る；およびｉｉｉ）経験を積んだ臨床医は、計画的な用量設定によりｐ４５０試験を伴わずに薬物選択および投薬決定を行う、という理由により最小であることが結論付けられる。ｐ４５０は、急性症状プロファイルの慎重な評価、以前の処置応答、および家族歴に代わるものではない。Nierenbergら、「Revisiting the Clinical Utility of Cytochrome p450 in Practice」、Psychiatry（Edgmont）、４巻（１１号）：２８〜３０頁（２００７年）。
大多数の向精神剤が肝臓酵素によって生体内変換されることが報告されている：
Madhusoodananら、「A current review of cytochrome P450 interactions of psychotropic drugs」、Annals Of Clin Psych、２６巻（２号）：１２０〜１３８頁（２０１４年）。
米国の人口のおよそ７５％で薬剤が正常に代謝されず、薬物に対する個々の応答における変動性の２０〜９５％が遺伝学により説明され得る。Villagraら、「Novel drug metabolism indices for pharmacogenetic functional status based on combinatory genotyping of CYP2C9、CYP2C19 and CYP2D6 genes」、Biomarkers In Medicine、５巻（４号）：４２７〜４３８頁（２０１１年）；およびBelleら、「Genetic Factors in Drug Metabolism」、Am Fam Physician.、７７巻（１１号）：１５５３〜１５６０頁（２００８年）。さらに、米国において毎年およそ２２０万の重症薬物有害事象（ＡＤＥ）が起こっており、ｉ）米国における４番目に多い死亡原因になっている。Lazarouら、「Incidence of Adverse Drug Reactions in Hospitalized Patients：A Meta-analysis of Prospective Studies」、JAMA、２７９巻（１５号）：１２００〜１２０５頁（１９９８年）；ｉｉ）毎年約３５億ドルの余分の医療費を占めている（U. S. Center for Disease Control and Prevention; Journal of the American Medical Association）；ｉｉｉ）２０１４年にはメディケア適格病院の４分の３がＡＤＥに関連する再入院で罰金を科されている（Rau J.、「Medicare Fines 2,610 Hospitals In Third Round Of Readmission Penalties」、Kaiser Health News kaiserhealthnews.org/news/medicarereadmissions-penalties-2015（２０１４年）；ｉｖ）ＡＤＥを引き起こす可能性の１つである全ての潜在的に臨床的に有意な薬物相互作用の３３％もの多くが、薬物−遺伝子および薬物−薬物−遺伝子相互作用によって引き起こされ、薬物−薬物相互作用解析単独では見落とされ得る。Verbeurgtら、「How common are drug and gene interactions? Prevalence in a sample of 1143 patients with CYP2C9、CYP2C19 and CYP2D6 genotyping」、Pharmacogenomics、１５巻（５号）：６５５〜６６５頁（２０１４年）。
これを受けて、ＵＳ ＦＤＡにより、ｉ）薬物−遺伝子相互作用を薬物−薬物相互作用と同様の範囲で検討すべきであり、ｉｉ）薬物−遺伝子相互作用を有することがわかっている１００種を超える薬剤にはラベルにＦＤＡ警告が求められ、使用前の薬理遺伝学的試験が推奨されるというガイドラインが提示された。fda.gov/downloads/Drugs/GuidanceComplianceRegulatoryInformation/Guidances/UCM337169.pdf。
これらの結果は、最新の治療戦略によって実施された「試行錯誤」手法の直接的結果であるとみなされる。この行き当たりばったりの手法では、ノンアドヒアランスならびに最適以下の処方および薬物投与などの、薬物に関連する問題が導かれ、診断は米国に１年当たり２９００億ドルもの負担をかけると推定されている。「Thinking Outside the Pillbox：A System-wide Approach to Improving Patient Medication Adherence for Chronic Disease」、A NEHI Research Brief-August 2009: NEHI。例えば、Ｃｙｓｔｉｃ Ｆｉｂｒｏｓｉｓ Ｆｏｕｎｄａｔｉｏｎ、ＢｒｅａｓｔＣａｎｃｅｒ．ｏｒｇ、Ｎａｔｉｏｎａｌ Ｄｏｗｎ Ｓｙｎｄｒｏｍｅ Ｓｏｃｉｅｔｙ、Ａｄｍｉｎｉｓｔｒａｔｉｏｎ ｏｎ Ａｇｉｎｇ、ＣＶＳ Ｐｈａｒｍａｃｙ、Ｗａｌｌ Ｓｔｒｅｅｔ Ｊｏｕｒｎａｌ、Ｍｅｄｃｏ Ｈｅａｌｔｈ Ｓｏｌｕｔｉｏｎｓ；およびＣｅｎｔｅｒｓ ｆｏｒ Ｄｉｓｅａｓｅ Ｃｏｎｔｒｏｌにより報告されている通り、シトクロム変異体は、乳がん、嚢胞性線維症、ダウン症候群、精神医学的、心臓、および疼痛などの状態に関連する一般的な遺伝障害試験よりも多くの患者に影響を及ぼす。さらに、ワンサイズ処方により、処置失敗およびケアの高費用が導かれ得る。例えば、制がん剤は平均して患者の７５％に効果的でない。www.personalizedmedicinecoalition.org/sites/default/files/files/Case_for_PM_3rd_edition.pdf。
最近の再調査により、特定の各医学専門域が、現行の投与プロトコール下では患者応答の予測に関して問題を有することが実証された。例えば：
心臓病学−ＦＤＡは心臓病学的および血液学薬物１６種のラベルに薬理ゲノミクス情報を含めた。これらの薬物のうち９種は、体の高度に変動するＣＹＰ４５０経路によって処理される。Table of Pharmacogenomic Biomarkers in Drug Labels、FDA、Silver Spring、MD（２０１３年）。
老年医学−６５歳を超える個体の４０％が５種またはそれよりも多くの薬剤を摂取しており、これらの高齢米国人の５人に１人は「共存する状態に悪影響を及ぼす場合がある」薬剤を摂取している。Qatoら、「Use of prescription and over-the-counter medications and dietary supplements among older adults in the United States」、JAMA、３００巻（２４号）：２８６７〜２８７８頁（２００８年）；およびLorgunpaiら、「Potential therapeutic competition in community-living older adults in the u.s.: use of medications that may adversely affect a coexisting condition」、PLoS One、９巻（２号）：ｅ８９４４７頁（２０１４年）。
疼痛−持続性の疼痛は成人１億１，６００万人に影響を及ぼしており、毎年Ｕ．Ｓ．ドル５，６００〜６，３５０億の費用がかかっている。ほとんどの疼痛用薬剤（オピオイド）はＣＹＰ４５０酵素によって代謝され、したがって、これらの遺伝子に変異を有する患者は、ＡＤＥまたは処置失敗のリスクが上昇している。Institute of Medicine Committee on Advancing Pain Research, Care, and Education、「Relieving Pain in America: A Blueprint for Transforming Prevention, Care, Education, and Research」、Washington, DC：National Academies Press；２０１１年；およびSmith H.S.、「Opioid Metabolism」、Mayo Clin Proc.、８４巻（７号）：６１３〜６２４頁（２００９年）。
精神医学−抗うつ薬を摂取している患者における代謝機能の低下は、有害効果のリスクの上昇に関連する。Ingelman-Sundbergら、「Influence of cytochrome P450 polymorphisms on drug therapies: pharmacogenetic, pharmacoepigenetic and clinical aspects」、Pharmacol Ther.、１１６巻：４９６〜５２６頁（２００７年）。
ゲノム解析技法の１つは、ＧｅｎｅＳｉｇｈｔ（登録商標）として商業的に公知である。ＧｅｎｅＳｉｇｈｔでは、６種の特定の遺伝子について患者の遺伝子型を決定し、各薬物についての「複合表現型」を作成し、次いで、それを異なるリスクカテゴリー：ｉ）指示通りに使用；ｉｉ）慎重に使用；およびｉｉｉ）慎重に使用／頻繁にモニタリングにカテゴリー化する。図６Ａを参照されたい。このゲノム解析の報告は、各カテゴリーに入る薬物の型のアルファベット順の一覧表である。図６Ｂを参照されたい。ＧｅｎｅＳｉｇｈｔ（登録商標）は、患者の遺伝子型に基づいて各リスクカテゴリー内に提示された薬物間で予測される有効性を順位付けする能力は有さない。
安全かつ有効な薬剤を処方することは、精神医学における難題である。個々の遺伝子に対する薬理ゲノミクス試験の臨床使用ではいくらかの臨床的利益がもたらされたが、大部分は臨床的有用性を示すことに失敗している。しかし、各薬剤についての多数の遺伝子座由来の関連する遺伝的変異が組み込まれた薬理ゲノミクス試験では、多数の臨床試験において臨床的妥当性、有用性および費用の節約が示されている。いくらかの難題が残されてはいるが、「コンビナトリアル薬理ゲノミクス」の臨床的有用性のエビデンスは増している。薬剤選択決定の改善を全体的な目標として精神医学的処置状況で試みを実行するためには薬理ゲノミクス試験の教育の拡大が極めて重要である。Benitezら、「The clinical validity and utility of combinatorial pharmacogenomics: Enhancing patient outcomes」、Applied & Translational Genomics、５巻：４７〜４９頁（２０１５年）。この報告は、ＨＡＭ−Ｄ１７ならびに１６ ｉｔｅｍ Ｃｌｉｎｉｃｉａｎ Ｒａｔｅｄ Ｑｕｉｃｋ Ｉｎｖｅｎｔｏｒｙ ｏｆ Ｄｅｐｒｅｓｓｉｖｅ Ｓｙｍｐｔｏｍａｔｏｌｏｇｙ（ＱＩＤＳ−Ｃ１６）に基づいて、ＧｅｎｅＳｉｇｈｔによりガイドされた群において、標準ケア群と比較して大幅な低減が同定された、最初の前向き、オープンラベル試験の１つを指す。これは、はるかに大規模な研究で反復され、ＱＩＤＳ−Ｃ１６およびＨＡＭ−Ｄ１７、ならびに患者により報告された９ ｉｔｅｍ Ｐａｔｉｅｎｔ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ（ＰＨＱ−９）に関して、ＧｅｎｅＳｉｇｈｔによりガイドされた群において、標準ケアと比較して大幅に改善された応答がもたらされた。最後に、より小規模のプラセボ対照、二重盲検研究では、ＧｅｎｅＳｉｇｈｔ群において標準ケアと比較して改善が示される同様の臨床的意義の傾向により、応答の可能性が２倍になることが言及された。
以前の研究において、コンビナトリアル多重遺伝子薬理ゲノミクス試験（ＧｅｎｅＳｉｇｈｔ）により、大うつ病性障害に対する抗うつ薬処置の有効性がより乏しく、健康管理リソース利用が増大する患者を予測した。別の報告では、臨床的妥当性の解析がこれらの研究からのこれらの複合データに拡大された。４種のシトクロムＰ４５０（ＣＹＰ）酵素（ＣＹＰ２Ｄ６、ＣＹＰ２Ｃ１９、ＣＹＰ２Ｃ９およびＣＹＰ１Ａ２）の遺伝子の対立遺伝子変異、セロトニン輸送体（ＳＬＣ６Ａ４）およびセロトニン２Ａ受容体（ＨＴＲ２Ａ）のコンビナトリアルな使用の転帰予測を、全く同じ対象についての従来の単一遺伝子解析を使用した転帰予測とも比較した。薬理ゲノミクス薬剤ガイダンスによる利益を伴わずに抗うつ標準ケアを用いた通常の処置（ＴＡＵ：ｔｒｅａｔｍｅｎｔ ａｓ ｕｓｕａｌ）を受けた１１９名の完全盲検対象について、ベースラインおよび８〜１０週間後にうつ病スコアを測定した。別の９６名のＴＡＵ対象について、１年間の遡及的チャート再調査において健康管理利用を記録した。全ての対象について臨床研究期間後に遺伝子型決定し、ＣＹＰ酵素またはセロトニンエフェクタータンパク質のいずれかの基質であるＧｅｎｅＳｉｇｈｔパネル薬剤を処方された対象の間で表現型サブグループを作成した。ベースラインにおいて各対象に処方された薬剤に基づいて、コンビナトリアル薬理ゲノミクス（ＣＰＧｘＴＩＡ）ＧｅｎｅＳｉｇｈｔ法では、各対象が緑色（「指示通りに使用」）、黄色（「慎重に使用」）または赤色カテゴリー（「より慎重に使用し、かつより頻繁なモニタリングを伴う」）表現型のいずれかにカテゴリー化された一方、単一遺伝子法では、同じ対象が、従来の表現型（例えば、低、中間、広範囲にわたるまたは超高速ＣＹＰメタボライザー）でカテゴリー化された。ＧｅｎｅＳｉｇｈｔ コンビナトリアルカテゴリー化手法では、ＣＹＰ２Ｄ６、ＣＹＰ２Ｃ１９およびＣＹＰ１Ａ２によって代謝される薬剤処方された赤色カテゴリーの患者についてより不良の転帰が識別され、予測された（それぞれＰ＝０．００３４、Ｐ＝０．０４およびＰ＝０．０３）一方、単一遺伝子表現型では患者転帰の識別はできなかった。ＧｅｎｅＳｉｇｈｔ ＣＰＧｘプロセスでは、これらの同じ３種のＣＹＰにより定義された薬剤サブグループについて健康管理利用および障害請求も識別された。ＣＹＰ２Ｃ１９表現型が、健康管理転帰を予測するための唯一の単一遺伝子手法であった。多遺伝子コンビナトリアル試験により、より不良の抗うつ薬転帰およびうつ状態の対象によるより大きい健康管理利用が、単一の遺伝子に由来する表現型よりも良好に識別され、予測される。この臨床的妥当性は、コンビナトリアル薬理ゲノミクス決定支援について報告された臨床的有用性に寄与する可能性が高い。Altarら、「Clinical validity: Combinatorial pharmacogenomics predicts antidepressant responses and healthcare utilizations better than single gene phenotypes」、Pharmacogenomics J.、１５巻（５号）：４４３〜４５１頁（２０１５年）。
抗うつ薬は、最も広範に処方される薬剤の１つであるにもかかわらず、最初の抗うつ薬試験後に寛解が達成されるのは患者のわずか３５〜４５％である。直接処置費用での処置失敗の財政的負担、障害請求、生産性の低下、および欠勤は、ある程度、最適な薬剤と実際に処方された薬剤とのミスマッチに由来し得る。１つの研究により、うつ病または不安障害のＤＳＭ−ＩＶ−ＴＲ診断を有する患者９６名について８種の直接または間接的な健康管理利用評価基準が評価された、１年間の盲検かつ遡及的研究の結果が報告された。８つの評価基準が、シトクロムＰ４５０遺伝子（ＣＹＰ２Ｄ６、ＣＹＰ２Ｃ１９、ＣＹＰ２Ｃ９およびＣＹＰ１Ａ２）、セロトニン輸送体遺伝子（ＳＬＣ６Ａ４）およびセロトニン２Ａ受容体遺伝子（５ＨＴＲ２Ａ）のＤＮＡ変異に基づいて抗うつ薬に対する応答を予測するために設計された解釈薬理ゲノミクス試験および報告系との関連で評価された。全ての対象に、一般に処方される抗うつ薬または抗精神病薬薬剤２６種の少なくとも１種が処方された。その患者に対して最も問題であると遺伝子に基づく解釈報告により同定され、「赤色ビン」（「慎重に使用かつ頻繁にモニタリング」の薬剤の状態）に入っている薬剤が薬剤レジメンに含まれる対象は、報告により緑色ビン（「指示通りに使用」）または黄色ビン（「慎重に使用」）にカテゴリー化される薬物を摂取した対象よりも、総健康管理受診が６９％多く、一般的な医学的受診が６７％多く、医学的不在日が３倍超多く、障害請求が４倍超多い。摂取された薬剤の数と８つの健康管理利用評価基準のいずれの間にも相関はなかった。これらの結果から、遡及的精神医学的薬理ゲノミクス試験により、健康管理利用および費用の増大を導いた過去の不適切な薬剤選択を同定することができることが実証される。Winnerら、「Psychiatric pharmacogenomics predicts health resource utilization of outpatients with anxiety and depression」、Translational Psychiatry、３巻：ｅ２４２頁（２０１３年）。
Ｂ．非代謝的ゲノム解析
一実施形態では、本発明は、患者の組織生検材料中の非代謝性薬物バイオマーカーを同定するための方法を企図している。一実施形態では、非代謝性薬物バイオマーカーは、精神障害の処置についての治療有効性と相関する。一実施形態では、非代謝性薬物バイオマーカーは、血液に基づくバイオマーカーである。一実施形態では、非代謝性薬物バイオマーカーは、細胞に基づくバイオマーカーである。一実施形態では、血液に基づくバイオマーカーは、イムノアッセイを使用して検出される。一実施形態では、細胞に基づくバイオマーカーは、核酸配列決定およびまたは一塩基多型を使用して検出される。
うつ病は、世界的に主要な精神障害であり、社会に顕著な経済的および感情的負担がかかっている。診断を改善し、薬物発見プロセスを加速するために役立つ頑強なバイオマーカーが必要とされている。その存在をうつ病の発症または存在の確率を予測する、重症度または総体的症状に従って層別化する、予後判定を示し、治療介入に対する応答を予測または追跡するために使用することができる客観的な末梢生理的指標が存在する。最近公開された再調査では、トランスクリプトームバイオマーカー、プロテオミクスバイオマーカー、ゲノムバイオマーカーおよびテロメアバイオマーカーを含めた、うつ病におけるバイオマーカーに関するいくつかの問題が対処された。精神医学的診療所においてバイオマーカーが重要な役割を果たし得ると結論付けられる。Gururajanら、「Molecular biomarkers of depression」、Neurosci Biobehav Rev.、６４巻：１０１〜１３３頁（２０１６年）。
１つの報告により、ＭＤＤに関するバイオマーカーに基づく研究はまだ比較的初期であることが示唆されているにもかかわらず、２つの主要な疑問：ｉ）どのバイオマーカーが、ＭＤＤを有する個体を、ＭＤＤを有さない個体から確実に区別するか；およびｉｉ）どのバイオマーカーが、処置応答者と非応答者を同定または予測することができるか、が強調されている。独立した検証研究がないことにより、最近の前向きな発見の即時有用性が現在のところ限定されているという事実にもかかわらず、抗うつ薬の効力の予測因子に関する有望な結果が現れている。Uddin M.、「Blood-based biomarkers in depression: emerging themes in clinical research」、Mol Diagn Ther.、１８巻（５号）：４６９〜４８２頁（２０１４年）。
大うつ病性障害（ＭＤＤ）についての前臨床的バイオマーカーの調査は、動物モデルの血液または尿中のタンパク質、ペプチド、ｍＲＮＡ、または小分子の数量化を包含する。ほとんどの研究は、うつ病患者において影響を受ける分析物またはホルモンの評価を含めることによって動物モデルを特徴付けることを目的とする。最終目的は、モデルを検証してＭＤＤの神経生物学的基礎をよりよく理解することである。ＭＤＤに関連付けられるストレスホルモンまたは炎症関連分析物が頻繁に測定されている。対照的に、他の研究者は、前臨床モデルにおいて末梢分析物を評価して、結果をその後の臨床的状況に置き換えている。ＭＤＤモデルにおいて、大規模な、仮説を伴わない研究を実施して、候補バイオマーカーを同定する。他の研究では、薬物発見のための新しい標的を提案することが望まれる。予測妥当性が付与された動物モデルを調査し、ストレスホルモンまたは免疫分子などの末梢分析物の評価を含めて、標的の信頼度を増大させる。最後に、抗うつ薬の作用機序は完全には理解されていないので、抗うつ薬処置に関連する分子の変更を調査する研究を末梢分析物レベルで含めることができる。結論として、前臨床的バイオマーカー研究は、臨床試験において試験される新しい候補分析物の同定を助ける。前臨床的バイオマーカー試験はまた、ＭＤＤ病態生理に関する本発明者らの理解を増大させ、新しい薬理学的標的の同定に役立つ。Carboni L.、「Peripheral biomarkers in animal models of major depressive disorder」、Dis Markers.、３５巻（１号）：３３〜４１頁（２０１３年）。
うつ病についての生物学的マーカーを同定するために、１つの再調査刊行物では、うつ病の病態生理に関与することが以前に示唆されたストレス、遺伝的変異、神経伝達物質、ならびにサイトカインおよびケモカインを含めた、うつ病に関与する種々の因子に関する情報を集めることに焦点が当てられた。患者におけるうつ病状態を同定するために遺伝子突然変異、神経伝達物質、およびサイトカインなどのバイオマーカーを使用することができると結論付けられる。Tamatamら、「Genetic biomarkers of depression」、Indian J Hum Genet.、１８巻（１号）：２０〜３３頁（２０１２年）。
大うつ病性障害（ＭＤＤ）は、一般的であり、中等度に遺伝性である。再発および発症時に低年齢であることにより、最大の家族性リスクを伴う症例が特徴付けられる。ＭＤＤおよび神経質な人格形質は遺伝的感受性と重複する。ほとんどのＭＤＤの遺伝的研究では、モノアミン作動性神経伝達に関連する機能的多型の小さいセットが考察されている。メタ解析により、セロトニン輸送体プロモーター領域（５−ＨＴＴＬＰＲ）の多型と双極性障害、自殺行動、およびうつ病に関連する人格形質の間に小さい正の関連が示唆されるが、ＭＤＤ自体に対してはまだである。この多型は、ストレス脆弱性に関連する形質にも影響し得る。うつ病神経生物学のより新しい仮説により、神経毒性および神経保護（神経栄養）プロセス、ならびに視床下部−下垂体軸の過剰活性化に関連する遺伝子のより厳密な研究が示唆され、ＭＤＤの、そのような遺伝子の１つである脳由来神経栄養因子（ＢＤＮＦ）における多型との関連に関する混合エビデンスが伴う。Levinson D.F.、「The genetics of depression：A review」、Biol Psychiatry.、６０巻：８４〜９２頁（２００６年）。
最近、ｒｓ４０１８４とも称される、ＤＡＴ１遺伝子のイントロン１４におけるＣ／Ｔ一塩基多型（ＳＮＰ）が、ＭＤＤの発症に対する、ならびに自殺念慮に対する知覚母性拒絶反応の効果を緩和し、したがって、ＭＤＤの病因における遺伝子と環境（Ｇ×Ｅ）の相互作用を示すものであることが実証された。Haeffelら、「Association between polymorphisms in the dopamine transporter gene and depression：Evidence for a gene-environment interaction in a sample of juvenile detainees」、Psychol Sci.、１９巻：６２〜６９頁（２００８年）。この特定のＳＮＰはまた、注意欠陥多動性障害、双極性障害、および前兆のある片頭痛などのある特定の神経精神医学的疾病および神経性疾病において遺伝学的役割を果たすことも見いだされている。Mickら、「Family based association study of pediatric bipolar disorder and the dopamine transporter gene (SLC6A3)」、Am J Med Genet B Neuropsychiatr Genet.、１４７巻：１１８２〜１１８５頁（２００８年）；およびTodtら、「New genetic evidence for involvement of the dopamine system in migraine with aura」、Hum Genet.、１２５巻：２６５〜２７９頁（２００９年）。
Ｎａ／Ｃｌ依存性基質特異的輸送体であるノルエピネフリン輸送体（ＮＥＴ）は、ニューロンにより放出されたノルエピネフリンのシナプス前終末への迅速な再取り込みによってノルアドレナリン作動性シグナル伝達を終結させる。ＮＥＴは、うつ病などのノルエピネフリン媒介性生理効果に対して優れた調節制御を発揮する。ＮＥＴ遺伝子に隣接するプロモーター領域として、ＮＥＴ Ｔ−１８２Ｃは、転写調節において役割を果たすいくつかのシスエレメントを含有し、このプロモーターＤＮＡ構造の変化により、ＭＤＤに対する素因に関与する転写活性の変更が導かれ得る。Cohenら、「The brain derived neurotrophic factor (BDNF) Val66Met polymorphism and recurrent unipolar depression」，Am J Med Genet B Neuropsychiatr Genet.、１３０巻：３７〜３８頁（２００４年）；Kimら、「A previously undescribed intron and extensive upstream sequence、but not Phox2a-mediated transactivation, are necessary for high level cell type-specific expression of the human norepinephrine transporter gene」、J Biol Chem.、２７４巻：６５０７〜６５１８頁（１９９９年）；およびMeyerら、「Cloning and functional characterization of the human norepinephrine transporter gene promoter」、J Neural Transm.、１０５巻：１３４１〜１３５０頁（１９９８年）。ＮＥＴ遺伝子のエクソン９に位置するサイレントＧ１２８７Ａ多型は、うつ病にかかりやすい因子であり得る。Changら、「Lack of association between the norepinephrine transporter gene and major depression in a Han Chinese population」、J Psychiatry Neurosci.、３２巻：１２１〜１２８頁（２００７年）。
ＢＤＮＦは、動物における抗うつ薬様効果を有する神経増殖因子であり、気分に関連する表現型の病因に関係付けることができる。しかし、ＭＤＤにおけるＢＤＮＦ Ｖａｌ６６Ｍｅｔ多型（ＳＮＰ ｒｓ６２６５）の遺伝子関連研究では、相反する結果がもたらされた。研究のメタ解析により、うつ状態の例（ＭＤＤ）におけるＢＤＮＦ Ｖａｌ６６Ｍｅｔをコードする変異体の発生頻度と非うつ状態の対照を比較した。ＭＤＤは、女性において、および白色人種においてより広く行きわたっており、これはＢＤＮＦ対立遺伝子の発生頻度が民族性によって異なるからである。ＢＤＮＦ Ｖａｌ６６Ｍｅｔ多型は、女性におけるよりも男性におけるＭＤＤの発生により重要なものである。Verhagenら、「Meta-analysis of the BDNF Val66Met polymorphism in major depressive disorder: Effects of gender and ethnicity」、Mol Psychiatry.、１５巻：２６０〜２７１頁（２０１０年）。大うつ病ならびに抗うつ薬処置応答に対するＢＤＮＦ遺伝子変異の影響をさらに明白にするために、３種のＢＤＮＦ多型［ｒｓ７１０３４１１、Ｖａｌ６６Ｍｅｔ（ｒｓ６２６５）およびｒｓ７１２４４４２］の、大うつ病および抗うつ薬処置応答との関連を調査した。Jiangら、「BDNF variation and mood disorders：A novel functional promoter polymorphism and Val66Met are associated with anxiety but have opposing effects」、Neuropsychopharmacol.、３０巻：１３５３〜１３６１頁（２００５年）。全てのＳＮＰが抗うつ薬処置応答に対して主要な効果を有した。結果は、ＢＤＮＦの遺伝的変異と抗うつ薬処置応答または寛解との関連を裏付けるものではない。メランコリー型うつ病に関しては、予備研究から、ＢＤＮＦの遺伝的変異の潜在的な軽微な役割および抗うつ薬処置の転帰が示唆される。Domschkeら、「Brain-derived neurotrophic factor (BDNF) gene: No major impact on antidepressant treatment response」、Int J Neuropsychopharmacol.、１３巻：９３〜１０１頁（２０１０年）。ＢＤＮＦ遺伝子における遺伝的多型の同定、ならびにそれらの発生頻度およびＭＤＤまたは抗うつ薬に対する応答との関連の評価が最近報告された。例えば、一塩基多型（ＳＮＰ）、非翻訳領域、コード配列内、イントロン内、および上流領域；４種の稀なコードＳＮＰのうち３種が同義ではないことが観察された。ＭＤＤを有する患者の対照との関連解析から、６種のＳＮＰがＭＤＤと関連し（ｒｓ１２２７３５３９、ｒｓ１１０３０１０３、ｒｓ６２６５、ｒｓ２８７２２１５１、ｒｓ４１２８２９１８、およびｒｓ１１０３０１０１）、異なるブロック内の２種のハプロタイプ（一方はＶａｌ６６を含み、他方はエクソンＶＩＩＩｈの付近）がＭＤＤと顕著に関連することが示された。１つの最近報告された５’非翻訳領域ＳＮＰ、ｒｓ６１８８８８００は、年齢、性別、薬剤、および２１−ｉｔｅｍ Ｈａｍｉｌｔｏｎ Ｄｅｐｒｅｓｓｉｏｎ Ｒａｔｉｎｇ Ｓｃａｌｅに関するベースラインスコアについて調整した後、抗うつ薬に対する応答と関連付けられた。Licinioら、「Novel sequence variations in the brain-derived neurotrophic factor gene and association with major depression and antidepressant treatment response」、Arch Gen Psychiatry.、６６巻：４８８〜４９７頁（２００９年）。ＢＤＮＦシグナル伝達経路の変更はＭＤＤの病態生理において役割を果たし得る。３種のＢＤＮＦシグナル形質導入経路遺伝子（ＢＤＮＦ、ＧＳＫ３Ｂ、およびＡＫＴ１）の５種のＳＮＰをうつ病の遺伝子バイオマーカーとして使用した。ＧＳＫ３Ｂ ＳＮＰ ｒｓ６７８２７９９とＭＤＤの間の対立遺伝子的関連がこれらのサンプルにおいて見いだされた。さらなる遺伝子−遺伝子相互作用解析により、２遺伝子座ＢＤＮＦ／ＧＳＫ３ＢのＭＤＤとの相互作用の顕著な効果が示され（ＧＳＫ３Ｂ ｒｓ６７８２７９９およびＢＤＮＦ ｒｓ７１２４４４２）、３遺伝子座相互作用（ＧＳＫ３Ｂ ｒｓ６７８２７９９、ＢＤＮＦ ｒｓ６２６５、およびＢＤＮＦ ｒｓ７１２４４４２）についても示された。これらの所見により、漢民族集団においてＧＳＫ３Ｂ遺伝子がＭＤＤについての重要な感受性因子であるという主張が裏付けられる。Zhangら、「Genetic association of the interaction between the BDNF and GSK3B genes and major depressive disorder in a Chinese population」、J Neural Transm.、１１７巻：３９３〜４０１頁（２０１０年）。
５−ＨＴＴ遺伝子は、神経伝達物質を細胞外空間から除去することによって脳セロトニン神経伝達を調節する。選択的セロトニン再取り込み阻害剤の開発以来、うつ病の病因における５−ＨＴＴの推定される役割が探究されてきた。機能的５−ＨＴＴ多型の発見により、うつ病におけるセロトニン作動性ニューロンの役割をさらに綿密に調べるための新規のツールがもたらされた。５−ＨＴＴ遺伝子の多型領域内のモチーフとして２０〜２３塩基対の反復が観察されており、これは２つの広く行きわたっている対立遺伝子として存在する：一方は１４反復からなり（Ｓ対立遺伝子）、他方は１６反復からなる（Ｌ対立遺伝子）。５−ＨＴＴＬＰＲと称されるこのプロモーター領域内の機能的多型により、セロトニン輸送体遺伝子の転写が変更される。Ｓ対立遺伝子は、より低いセロトニンの転写効率を導き、また、不安に関連する人格形質の原因に部分的になり得る。Heilsら、「The human serotonin transporter gene polymorphism-basic research and clinical implications」、J Neural Transm.、１０４巻：１００５〜１０１４頁（１９９７年）；およびHeilsら、「Allelic variation of human serotonin transporter gene expression」、J Neurochem.、１９９６年；６６巻：２６２１〜２６２４頁（１９９６年）。大うつ病エピソードを有する患者の２つの独立した白色人種サンプルにおける処置応答との関連について、ＳＴＡＲＤにおいて２種のセロトニン２Ａ受容体（ＨＴＲ２Ａ）ＳＮＰが抗うつ薬処置応答に関連することが最近報告された（ｒｓ７９９７０１２；ｒｓ１９２８０４０）。ＳＮＰ ｒｓ７９９７０１２は、最初の所見について第１の複製支援を５週間提供した後に寛解と顕著に関連したが、ＳＴＡＲ＊Ｄサンプルと比較して逆の対立遺伝子の関連が伴った。Lucaeら、「HTR2A gene variation is involved in antidepressant treatment response」、Eur Neuropsychopharmacol.、２０巻：６５〜６８頁（２０１０年）。別の一般的な多型は、イントロン２の縦列反復配列多型（ＶＮＴＲ）（ＳＴｉｎ２）であり、これは、９反復（ＳＴｉｎ２．９）、１０反復（ＳＴｉｎ２．１０）、または１２反復（ＳＴｉｎ２．１２）のいずれかからなる３つの対立遺伝子を有し、連鎖不平衡にあり、ＳＴｉｎ２対立遺伝子１０と５−ＨＴＴＬＰＲ Ｌ対立遺伝子の間に正の関連があることが示された。Collierら、「A novel functional polymorphism within the promoter of the serotonin transporter gene：possible role in susceptibility to affective disorders」、Mol Psychiatry.、１巻：４５３〜４６０頁（１９９６年）。ＶＮＴＲにおける変異は、転写調節因子として作用する多型ＶＮＴＲ領域を有する輸送体の発現にも影響を及ぼし得るが、機能に対しては顕著な効果を有さない可能性が高い。McKenzieら、「A serotonin transporter gene intron 2 polymorphic region, correlated with affective disorders, has allele-dependent differential enhancer-like properties in the mouse embryo」、Proc Natl Acad Sci U S A.、９６巻：１５２５１〜１５２５５頁（１９９９年）。
うつ病における炎症の役割は長く疑われてきた。Smith R.S.、「The macrophage theory of depression」、Med Hypotheses、３５巻：２９８〜３０６頁（１９９１年）。それ以来、いくつかの研究により、ＭＤＤまたはうつ病症状と種々の炎症および免疫バイオマーカーの間の関連性が報告されている。Empanaら、「Contributions of depressive mood and circulating inflammatory markers to coronary heart disease in healthy European men: The Prospective Epidemiological Study of Myocardial Infarction (PRIME) Circulation」、１１１巻：２２９９〜２３０５頁（２００５年）；Klingら、「Sustained low-grade pro-inflammatory state in unmedicated, remitted women with major depressive disorder as evidenced by elevated serum levels of the acute phase proteins C-reactive protein and serum amyloid A」、Biol Psychiatry.、６２巻：３０９〜３１３頁（２００７年）；およびMillerら、「Clinical depression and inflammatory risk markers for coronary heart disease」、Am J Cardiol.、９０巻：１２７９〜１２８３頁（２００２年）。
うつ病により、神経内分泌機能および中心脂肪蓄積の変更を通じて炎症が引き起こされ得る。Carneyら、「Depression as a risk factor for cardiac mortality and morbidity: A review of potential mechanisms」、J Psychosom Res.、５３巻：８９７〜９０２頁（２００２年）。しかし、うつ病の病因における炎症性サイトカインの病原的役割が記載されているので、うつ病が炎症の結果である場合もある。Raisonら、「Cytokines sing the blues: inflammation and the pathogenesis of depression」、Trends Immunol.、２７巻：２４〜３１頁（２００６年）。考察は少ないが、第３の可能性は、うつ病が、うつ病および炎症に別々に関連付けられるいくつかの他の基礎をなす側面のマーカーであるというものである。最近、そのような基礎をなす因子が特定の遺伝子構造であり得ることが提唱されている。McCafferyら、「Common genetic vulnerability to depressive symptoms and coronary artery disease: A review and development of candidate genes related to inflammation and serotonin」、Psychosom Med.、６８巻：１８７〜２００頁（２００６年）。
ＭＰＯは、自然免疫系の酵素であり、幅広いアテローム生成促進的特徴を示す。McMillenら、「Expression of human myeloperoxidase by macrophages promotes atherosclerosis in mice」、Circulation、１１１巻：２７９８〜２８０４頁（２００５年）。ＭＰＯは、白血球活性化の際に分泌され、生得的宿主防御に寄与する。しかし、ＭＰＯはまた、酸化ストレスを増大させ、それにより、炎症およびアテローム発生の間の組織損傷に寄与する。例えば、急性うつ状態のＭＤＤ患者の血漿、赤血球、または他の末梢組織において、対照と比較して、抗酸化酵素、特に、スーパーオキシドジスムターゼ（ＳＯＤ）およびマロンジアルデヒドなどの酸化のバイオマーカーのレベルの上昇が見いだされた。他の場合ではそうではないが、一部の場合では、これらの異常は、抗うつ薬処置で低減された。Biliciら、「Antioxidative enzyme activities and lipid peroxidation in major depression: Alterations by antidepressant treatments」、J Affect Disord.、６４巻：４３〜５１頁（２００１年）；およびSarandolら、「Major depressive disorder is accompanied with oxidative stress: Short-term antidepressant treatment does not alter oxidative/antioxidative systems」、Hum Psychopharmacol.、２２巻：６７〜７３頁（２００７年）。ＳＯＤ補酵素濃度もまた、ＭＤＤ患者の死後脳組織（前頭前皮質）において対照脳よりも高い。Michelら、「Evidence for oxidative stress in the frontal cortex in patients with recurrent depressive disorder-A postmortem study」、Psychiatry Res.、１５１巻：１４５〜１５０頁（２００７年）。
Ｖ．コンビナトリアルＱＥＥＧおよびゲノム解析
機械学習適用は、従来の専門家主導の解決法を避けた他の薬の領域において優れた予測正確度が実証されている。特に、実世界データによって訓練された機械学習アルゴリズムでは、神経画像処理、細胞診、および他の診断の専門家によるものを超える臨床薬がもたらされることが実証されている。一部の実施形態では、本発明は、縦断的な転帰の大規模な臨床的なデータベース（例えば、例えば、患者およそ１０，４００名）を参照して個々の電気生理学および薬理ゲノミクス所見からの予測的特徴を同定するための機械学習を企図している。一実施形態では、本発明は、常套的な診療の状況において現在見いだされるものよりも大幅に大きい正確度および実用的所見をもたらすアルゴリズムの組合せを含む「デジタル表現型決定」を企図している。
本発明は、「More Medications≠ Better Outcomes. Centers for Disease Control、IMS Health、２０１６１（２０１６年４月）として要約されている精神医学的処置の分野における現代の問題を解決する方法を提供する。例えば、より多くの人がいっそう今日の処置を受けているが、集団ベースでは、転帰が少しでもより良好であるかは不明である。本明細書で考察した通り、一部の研究により、集団に対する治療の効力を示すことができ、個々の応答は高度に変動し、当業者に「依然として非常に試行錯誤である」と結論付けさせる。Inselら、「NIMH Efforts Seek Personalized Medicine Approaches to Prevent Brain Disorders」、AJMC（２０１４年）。例えば、Ｆｏｏｄ ａｎｄ Ｄｒｕｇ Ａｄｍｉｎｓｉｔｒａｔｉｏｎによる評価から、精神医学的薬物試験のわずか５１％が正の転帰を有し、これは、公開された試験の９４％が正の転帰を有したという当業者の従来の見解から相当異なるものであることがわかった。Turnerら、「Selective Publication of Antidepressant Trials and its Influence on Apparent Efficacy」、NEJM（２００８年）。これを受けて、ケアの品質を改善するために客観的情報を求めていたカリフォルニアの医師のグループによって１９９０年代にＰＥＥＲが開発された。オンラインレジストリーにより、特定の薬剤に関する実世界の転帰が捕捉される−電気生理学の標準の信頼できる評価基準：ＥＥＧを参照した。ＥＥＧのアップロード後、抗生物質アッセイと極めて同様に、ウェブに基づく薬剤応答報告としてＰＥＥＲを医師に送達する。レジストリーは、現在、ｎ＝１０，４００名の独特の患者、ＥＥＧ所見を伴う３８，０００例の転帰相関を示す。
いくつかのＰＥＥＲのランダム化、二重盲検、対照試験および先行ｒＥＥＧ研究では、以下に考察するように、ＰＥＥＲガイダンスを処置抵抗性うつ病（ＴＲＤ）を有する患者の処置における通常の処置（ＴＡＵ）と比較した。図７を参照されたい。これらの研究の４つからのデータ（例えば、Ｖｅｔｅｒａｎｓ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ−Ｓｅｐｕｌｖｅｄａ（J Am Physicians & Surgeons、２００７年）、図７Ａ；Ｄｅｐｒｅｓｓｉｏｎ Ｅｆｆｉｃａｃｙ Ｐｉｌｏｔ Ｓｔｕｄｙ １２（NCDEU、２００９年）、図７Ｂ；Ｄｅｐｒｅｓｓｉｏｎ Ｅｆｆｉｃａｃｙ Ｓｔｕｄｙ − Ｈａｒｖａｒｄ／Ｓｔａｎｆｏｒｄ ｍｕｌｔｉ−ｓｉｔｅ（J Psych Res、２０１１年）、図７Ｃ；およびＷａｌｔｅｒ Ｒｅｅｄ ＰＥＥＲ Ｉｎｔｅｒａｃｔｉｖｅ Ｔｒｉａｌ−（Neuropsychiatric Disease and Treatment、２０１６年）、図７Ｄを参照されたい。全体として、これらの研究から、ＰＥＥＲ薬剤の使用後に有効性が３倍になり、ベースラインからの変化の平均値が、従来の「試行錯誤」処方戦略の下では−１６％であったのとは対照的に、ＰＥＥＲによりガイドされた場合には−４７％であったことが示された。処置効率に関して５０％を超える改善が観察され、ＰＥＥＲ治療後のこれらの対象における改善は、半分よりも少ない臨床的受診で対照群に勝った。Schillerら、「Disrupting Trial & Error: Can "Big Data" Help Physicians Improve Quality of Treatment?」、Military Health Services Research Symposium、Poster、（２０１６年）。
Ａ．ＱＥＥＧおよびゲノム因子の共変量解析
ＱＥＥＧ評価基準、オドボール誘発電位応答（ＥＲＰ）、遺伝子型および神経心理学的試験スコアの全てが、抗うつ薬治療有効性の評価において示差的な予測力を有することが報告されている。各カテゴリーを、抗うつ薬処置の前後の相対的な予測力を決定するために、散布図および相関解析によってＨＡＭ−Ｄスコアの変化に対して個別に評価した。各型の予測因子の個々の寄与を、それぞれのデータをいくつかの統計学的線形回帰モデルの１つに入力することによって決定した。例えば、うつ病治療において、カテコール−Ｏ−メチルトランスフェラーゼ（ＣＯＭＴ）の遺伝子型、ＱＥＥＧ測定値および認知力試験結果の間で相対的な予測力を比較した。特に、全体的な薬効はＭｅｔ／Ｍｅｔ ＣＯＭＴ遺伝子型により最も良好に予測された一方、認知能力は言語記憶能についての神経心理学的試験結果により最も良好に予測され、ＨＡＭ−Ｄ試験スコアの変化に関してはＦｚ電極から測定された前頭部シータパワーのＱＥＥＧ測定値が最良の予測因子であった。Spronkら、「An investigation of EEG, genetic and cognitive markers of treatment response to antidepressant medication in patients with major depressive disorder: A pilot study」、J Affect Disord、１２８巻：４１〜４８頁（２０１１年）。この研究におけるＱＥＥＧ測定値は、パラメトリック統計学的方法に必要な正規分布仮定に近づけるために平方根変換される、生ＥＥＧ測定値の周波数パワースペクトル（例えば、アルファ、ベータ、シータおよびデルタ）への高速フーリエ変換に限定された。これらの研究では、特定の脳領域における活性を反映する特定の多変量決定へのいかなるＱＥＥＧデータのさらなる変換も行わなかった。２種の遺伝子、ＣＯＭＴおよび脳由来神経栄養因子（ＢＤＮＦ）を試験したが、ＣＯＭＴからのデータのみを評価し、潜在的な予測力について検討した。各予測因子を独立に評価した場合の上記の結果にもかかわらず、統合的な統計学的モデルにより４種全ての予測因子のＨＡＭ−Ｄスコア改善の分散に対する同時の相対的寄与を比較した場合、結果が異なった。統合的モデルから、オドボールＥＲＰ（Ｐｚ電極におけるＮ１振幅）および認知力試験からの総記憶スコアが分散の大部分を占めることが示された。特に、これは、ＱＥＥＧ評価基準および／または遺伝子型評価基準の寄与が、オドボールＥＲＰおよび総記憶スコアの寄与と比較した場合に、個別にまたは組合せでのいずれでも有意でなかったことを意味する。研究では、これらの結果が、異なるドメインからの評価基準を組み合わせることの有用性（統合的モデル：Ｒ２＝６０．２％）は、別々のモデル（独立したモデル：Ｒ２＝６３．２％）において分散の合計が説明された通り、個々の含まれる予測因子間で重複をほとんど示さなかった（およそ３％の分散）ことを示すことが結論付けられた。結論として、この研究では、ＱＥＥＧ評価基準を遺伝子型評価基準と組み合わせた場合、それぞれが、特定の回復パラメーターに関して個別に評価した場合いくらかの予測力を有し得るにもかかわらず、抗うつ薬有効性における予測力は見いだされない。
Ｂ．薬効解析への機械学習適用
１つの研究では、抗うつ薬処置の有効性の低さを、患者を介入にマッチングすることによって改善することができるかどうかの決定に関する問題に、機械学習アルゴリズムを適用した。現在のところ、臨床医は、うつ病を有する患者が特定の抗うつ薬に応答するかどうかを評価するための経験的に検証された機構を有さない。患者が、シタロプラムの１２週間の経過から症候の寛解を達成するかどうかを評価するためのアルゴリズムを開発した。Ｓｅｑｕｅｎｃｅｄ Ｔｒｅａｔｍｅｎｔ Ａｌｔｅｒｎａｔｉｖｅｓ ｔｏ Ｒｅｌｉｅｖｅ Ｄｅｐｒｅｓｓｉｏｎ（ＳＴＡＲ＊Ｄ；ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ、番号ＮＣＴ０００２１５２８）のレベル１から、患者により報告されたうつ病データを収集して（ｎ＝４０４１、完了者１９４９名）、処置の転帰に関して最も予測的であった変数を同定し、これらの変数を使用して、臨床的寛解を予測するために機械学習モデルを訓練した。モデルを、独立した臨床試験（Ｃｏｍｂｉｎｉｎｇ Ｍｅｄｉｃａｔｉｏｎｓ ｔｏ Ｅｎｈａｎｃｅ Ｄｅｐｒｅｓｓｉｏｎ Ｏｕｔｃｏｍｅｓ［ＣＯＭＥＤ］；ＣｌｉｎｉｃａｌＴｒｉａｌｓ．ｇｏｖ、番号ＮＣＴ００５９０８６３）からのエスシタロプラム処置群（ｎ＝１５１）を用いて外部検証した。データから、１６４個の患者が報告できる変数から処置の転帰に関して最も予測的であった２５個の変数を同定し、これらを使用してモデルを訓練した。モデルを内部交差検証し、ＳＴＡＲ＊Ｄコホートにおける転帰が見込みを大幅に超える正確度で予測された（６４．６％［ＳＤ ３．２］；ｐ＜０．０００１）。モデルをＣＯＭＥＤのエスシタロプラム処置群（Ｎ＝１５１）において外部検証した（正確度５９．６％、Ｐ＝０．０４３）。モデルはまた、ＣＯＭＥＤにおけるエスシタロプラム−ブプロピオン（buproprion）の組合せ処置群において見込みを大幅に超えて動作したが（ｎ＝１３４；正確度５９．７％、Ｐ＝０．０２３）、ベンラファキシン−ミルタザピンの組合せ群では見込みを超えて動作せず（ｎ＝１４０；正確度５１．４％、ｐ＝０．５３）、基礎をなす機構に対するモデルの特異性が示唆された。これにより、既存の臨床試験データをマイニングすることによって統計学的モデルを構築することにより、特定の抗うつ薬に応答する可能性が高い患者の前向きの同定を行うことができることが示唆される。Chekroudら、「Cross-trial prediction of treatment outcome in depression：a machine learning approach」、Lancet Psychiatry、３巻（３号）：２４３〜２５０頁（２０１６年）。
Ｃ．ＱＥＥＧ特徴変数／単一の遺伝子の組合せ
一実施形態では、本発明は、少なくとも１つのＱＥＥＧ特徴変数および単一の遺伝子遺伝子型を含む患者データの組合せを使用して精神医学的薬効を予測するための方法を企図している。図３を参照されたい。ＱＥＥＧ特徴変数および単一の遺伝子遺伝子型についての組合せデータ解析により、図３のｘ軸に示されている組合せ測定基準をコンピュータ計算し、以下の形態をとった：
（式中、
Ｍ＝０〜１の尺度での薬物についての測定基準の値
Ｇ＝遺伝学的な代謝パネル上の薬物についてのスコア
Ｇ０＝遺伝子試験スコアについての任意の原点
Ｐ＝ＰＥＥＲ報告上の薬物についてのスコア
Ｐ０＝ＰＥＥＲ報告スコアについての任意の原点
一実施形態では、本発明は、少なくとも３つの構成ＥＥＧ値を含むＱＥＥＧ特徴変数を企図している。表１を参照されたい。
一実施形態では、本発明は、少なくとも３つの構成値を含む複数のＱＥＥＧ特徴変数（例えば、多変数）を企図している。一実施形態では、ＱＥＥＧ特徴変数は、７，２００ほどの単変量ＱＥＥＧデータ点の一部に由来する組合せである。一部の実施形態では、本明細書において企図されているＱＥＥＧ特徴変数としては、これらに限定されないが、以下に列挙されているものが挙げられる。表２を参照されたい。
一実施形態では、本発明は、公知の精神的障害を有し、治療転帰が記述されている患者に関する大規模臨床転帰レジストリー（例えば、データベース）においてコンパイルされる、個々の薬剤および薬剤クラスに対する患者の応答／非応答と相関するＱＥＥＧ特徴変数を抽出するために機械学習を使用する方法を企図している。上で列挙した通り、これらのＱＥＥＧ特徴変数は、これらに限定されないが、個体のベースラインＥＥＧの周波数、パワー、コヒーレンス、対称性、相などを含めた測定値をもたらす標準のＱＥＥＧ評価に由来する最大７，２００個の個々の単変量の変数に基づく。
一実施形態では、方法は、機械学習アルゴリズムを使用してＱＥＥＧ特徴変数を選択することをさらに含む。発明の機構を理解する必要はないが、本方法は、薬物治療を個別化するために使用される、現行の方法に対する大幅な改善である。歴史的に、他者が、個々のＱＥＥＧ変数または単一の遺伝子薬理ゲノミクスアッセイを使用して薬剤応答の予測を試みている。しかし、これらの以前の評価には以下の不都合が生じている：
１．ＱＥＥＧ取り組みでは、ほんのわずかな薬剤、またはほんのわずかな専門家により導き出される特徴（ＲＡＣＣ）に限定された所見が得られ、その結果、実世界の臨床的状況での予測性が比較的低くなる（参照：Arnsら、２０１６年、上記）。
２．薬理ゲノミクス所見に関するエビデンスが、集団のわずか約１５％でしか見いだされない薬物代謝、ＣＹＰ４５０酵素に関連する低代謝および／または高代謝に限定されている。
対照的に、本明細書で企図されている発明は、以下を使用することによって応答／非応答の分類器を開発することにより、これらの不都合を克服するものである：
１．縦断的な臨床転帰の最も大きい既存のデータセット（ＰＥＥＲ−Ｐｓｙｃｈｉａｔｒｉｃ ＥＥＧ Ｅｖａｌｕａｔｉｏｎ Ｒｅｇｉｓｔｒｙ、多数の薬剤適用間隔にわたり、ｎ＝１０，４００の独特の患者、３８，０００例の転帰）。個々の薬剤に対する表現型応答の予測への機械学習の独特の寄与が本発明者らの製品の中心にある；ほとんどの薬物試験には、有効な脳評価基準を伴わない小規模のサンプル（積極的に薬剤適用される患者１００〜２００名）が伴うので、任意の１つの薬剤に対する個々の患者の応答を区別するために入手可能な情報が少ない。しかし、個々の薬剤に対する既知の応答者および非応答者に関する大きいデータセットでは、機械学習を使用し、応答を予測するヒトＥＥＧの特異的な特性を同定することができる。
２．追加的な転帰がデータベースに加えられるにつれて予測正確度を改善し続ける機械学習。
３．経験的仮説を用いない−純粋な機械学習（参照：Wadeら、２０１６年、上記）。その代わりに、本発明では、現行の研究で使用されている単一の分類器とは対照的に薬物／薬物クラスごとに改善された多数の分類器を使用する。
４．脳に基づく予測因子の範囲を狭める（予測性を増大させる）ための薬理ゲノミクス。
５．各薬剤および薬剤クラスに対して単一の＃転帰予測／スコアを生じさせるために、組み込まれたコンビナトリアルアルゴリズムを使用する。
発明の機構を理解する必要はないが、本発明は、薬剤応答予測における材料改善であると考えられる。例えば、本発明の開発の結果、以下がもたらされた：
１．予測正確度の、２０１３年の０．８６から本出願日における０．９１への増大。
２．標準のＤＳＭ指向型「試行錯誤」処方治療手法を超える、選択されたＱＥＥＧ予測因子の臨床的成功を実証する第４のランダム化臨床試験の完了（暫定結果が２０１６年８月２８日に公開された）。Iosifescuら、「The use of the Psychiatric Electroencephalography Evaluation Registry (PEER) to personalize pharmacotherapy」、Neuropsychiatric Disease and Treatment、１２巻：２１３１〜２１４２頁（２０１６年）。
３．２つの公開された研究において見られる通り、自殺傾向の低減。例えば、イラク／アフガニスタン退役軍人集団のＷａｌｔｅｒ Ｒｅｅｄ ＰＥＥＲ Ｉｎｔｅｒａｃｔｉｖｅ研究では、医師がＰＥＥＲ Ｒｅｐｏｒｔにおける治療優先順位付けを利用する本方法に従った場合、自殺念慮がさらに７５％減少した。Iosifescuら、「The use of the Psychiatric Electroencephalography Evaluation Registry (PEER) to personalize pharmacotherapy」、Neuropsychiatric Disease and Treatment、１２巻：２１３１〜２１４２頁（２０１６年）；およびDeBattistaら、「The use of referenced-EEG (rEEG) in assisting medication selection for the treatment of depression」、Journal of Psychiatric Research、４５巻（１号）：６４〜７５頁（２０１０年）。
ＶＩ．薬物代謝スクリーニング
一実施形態では、本発明は、特定の患者に対する複数の推奨薬物の代謝速度をスクリーニングすることを含む方法を企図している。一実施形態では、方法は、推奨薬物を患者に投与すること、および薬物動態の代謝プロファイルを作成することを含む。一実施形態では、方法は、前記患者から生検材料組織を取得すること、および生検材料組織由来の細胞を使用したｉｎ ｖｉｔｒｏ代謝アッセイを使用することを含む。
例えば、代謝アッセイは、真核細胞（例えば、動物またはヒト細胞）を成長させ、多重試験形式で試験することを含み得る。特に、アッセイにより、動物細胞の複合代謝プロファイルをもたらすことができる。さらに、アッセイにより、哺乳動物細胞による基質利用に対する推奨薬物の効果が決定され得る。Bochnerら、「Methods and kits for obtaining a metabolic profile of living animal cells」、米国特許第９，２７４，１０１号（参照により本明細書に組み込まれる）。
肝臓ミクロソームシトクロムＰ４５０（ＣＹＰ）形態が薬物および他の化学物質の代謝において役割を有することを示唆する他の報告では、ＣＹＰ形態に対する化学物質の効果を試験するために、ｉｎ ｖｉｔｒｏ系においてヒトおよび実験動物由来の初代肝細胞培養物が使用される。ヒトおよびラット肝細胞におけるＣＹＰ形態の誘導を評価するためのそのような方法では９６ウェルプレート形式での培養を行う。９６ウェルプレート形式の使用により、比較的少数の肝細胞を用いて研究を実施することが可能になり、酵素活性のアッセイ前に細胞を回収し、細胞内画分を調製する必要がなくなる。ヒトおよびラット肝細胞におけるＣＹＰ１Ａ形態およびＣＹＰ３Ａ形態の誘導は、それぞれ７−エトキシレゾルフィンＯ−デエチラーゼ活性およびテストステロン６ｂ−ヒドロキシラーゼ活性を測定することによって決定することができるが、７−ベンジルオキシ−４−トリフルオロメチルクマリン（ＢＦＣ）Ｏ−デベンジラーゼを用いて、ラット肝細胞におけるＣＹＰ１Ａ形態の誘導およびＣＹＰ２Ｂ形態の誘導の両方を評価することができる。Lakeら、「In Vitro Assays for Induction of Drug Metabolism」、In： Hepatocyte Transplantation、４８１巻、４７〜５８頁、Anil Dhawan、Robin D. Hughes（編）（２００９年）。特に、９６ウェルプレート形式で培養したヒトおよびラット肝細胞、ならびにＣＹＰ依存性酵素活性測定の結果を正規化するために使用することができる肝細胞タンパク質含有量に関するアッセイを用いてＣＹＰ依存性酵素アッセイを実施することができる。９６ウェルプレート形式で培養したヒトおよびラット肝細胞におけるＣＹＰ１Ａ形態の誘導についてのマーカーとしての、７−エトキシレゾルフィンＯ−デエチラーゼ活性の使用。ヒト肝臓および齧歯類肝臓の両方におけるＣＹＰ３Ａ形態の特異的マーカーとしてテストステロン６ｂ−ヒドロキシラーゼが周知であり、この活性を培養肝細胞におけるＣＹＰ３Ａ形態の誘導についてのマーカーとして使用することもできる。ラット肝細胞では７−ベンジルオキシ−４−トリフルオロメチルクマリン（ＢＦＣ）Ｏ−デベンジラーゼ活性がＣＹＰ１Ａ形態およびＣＹＰ２Ｂ形態の誘導の両方についての良好なマーカーであることが実証されている。ヒト肝細胞では、この酵素活性は、ＣＹＰ１Ａ形態についてのマーカーであり得、おそらくＣＹＰ３Ａ形態についてのマーカーでもあり得る。インタクトな細胞を使用する場合、ＣＹＰ酵素活性決定のために、細胞内画分ではなく、用いられるＣＹＰ基質の可能性のある第ＩＩ相代謝に注目する必要がある。７−エトキシレゾルフィンＯ−デエチラーゼアッセイを用いると、レゾルフィン生成物が細胞質基質キノンレダクターゼの基質であり得、また、Ｄ−グルクロン酸および硫酸塩ともコンジュゲートし得る。酵素的脱コンジュゲーションの必要性は、ＢＦＣ Ｏ−デベンジラーゼ活性のアッセイにも適用されるが、テストステロン６ｂ−ヒドロキシラーゼアッセイでは酵素的脱コンジュゲーションは必要とされない。肝細胞タンパク質含有量についてのスルホローダミンＢ（ＳＲＢ）タンパク質アッセイも９６ウェルプレート形式で実施することができる。
薬物候補および毒性スクリーニングプロセスは、現在のところ、ｉｎ ｖｉｖｏにおける薬理学および毒性学の本質的な態様を忠実に表すことが予想される初期のｉｎ ｖｉｔｒｏにおける細胞に基づくアッセイからの結果に依拠する。いくつかのｉｎ ｖｉｔｒｏ設計が、スクリーニング効率に有益なようにハイスループットに最適化されており、潜在的に薬理学的に関連するまたは可能性のある毒素分子のライブラリー全体を、組織損傷にまたは治療目標に関連する異なる型の細胞シグナルについてスクリーニングすることが可能になった。特定の細胞型、シグナル伝達経路およびレポーターを選択する多重化された細胞に基づくアッセイ設計のための創造的手法は常套的である。しかし、後期ヒト薬物試験で失敗した、または規制による「ブラックボックス」警告を受けている、または規制当局の認可後に安全性の理由で市場から除去された、新しい化学的実体および生物学的実体の実質的なパーセンテージ（ＮＣＥ／ＮＢＥ）は全て、ｉｎ ｖｉｔｒｏにおける細胞に基づくアッセイおよびその後の前臨床的ｉｎ ｖｉｖｏ研究ではｉｎ ｖｉｖｏにおける薬物候補の動作を理解するための十分な薬理学的なおよび毒性データまたは信頼できる予測能力が依然としてもたらされていないことの強力なエビデンスをもたらす。薬理学および毒性学に関する信頼できるトランスレーショナルなアッセイツールキットがなければ、薬物の開発プロセスは、ｉｎ ｖｉｖｏ研究およびその後の臨床的認可のための最初のｉｎ ｖｉｔｒｏにおける細胞に基づくスクリーニングの取得が高価かつ非効率的である。解離された器官型の、器官／外植片、および３−Ｄ培養物を含めた、一般に用いられるｉｎ ｖｉｔｒｏ研究の方法を、ここで、細胞表現型および生理活性作用物質に対するそれらの対応する応答を決定する細胞および分子間相互作用および生理的パラメーターを保持することに特定の焦点を当てて再調査する。これらのモデルについての別個の利点および性能課題は、薬物毒性のｉｎ ｖｉｖｏ機構を比較するための正確な相関付けに必要な細胞に基づくアッセイおよびそれらの予測能力に関係する。Astashkinaら、「A critical evaluation of in vitro cell culture models for high-throughput drug screening」、Pharmacology & Therapeutics、１３４巻：８２〜１０６頁（２０１２年）。
（実施例Ｉ）
肝臓薬物代謝ｉｎ ｖｉｔｒｏアッセイプロトコール
１．本明細書に記載のＣＹＰ形態の活性は、生存細胞約３０，０００個／ウェルの播種密度を用いる９６ウェルプレート形式で培養された初代ヒト肝細胞と共に使用するのに適している。サンドイッチ培養技法の使用（例えば、コラーゲン、フィブロネクチンまたはマトリゲルなどの適切な細胞外マトリックスでコーティングし、肝細胞を付着させ、次いで、細胞外マトリックスでオーバーレイしたプレートの使用）が推奨される。通常、ヒト肝細胞を制御培地で１〜３日間培養した後、ＣＹＰ形態の誘導剤を用いて処置する。ＣＹＰ形態の誘導を研究するために、初代肝細胞培養物を、試験化合物（すなわち、調査中の化合物）および参照品（以下を参照されたい）を用いて適切な期間（例えば、２または３日間）処置する。通常、培養培地を２４時間間隔で替え、試験化合物および参照品を含有する新鮮な培地で置き換える。試験化合物および参照品は、ＤＭＳＯ中の培養培地に添加することができる。
２．９６ウェルプレートを用いる場合、通常、制御培地で培養した細胞と試験化合物および参照品を用いて処置した細胞の両方について反復実験を実施する。７−エトキシレゾルフィンＯ−デエチラーゼおよびＢＦＣ Ｏ−デベンジラーゼ蛍光アッセイに関しては、最大１２ウェル／プレートを対照（すなわち、ＤＭＳＯ溶媒を含有する制御培地で培養した肝細胞）とし、各試験化合物および参照品の各濃度について最大６ウェル／プレートとすべきである。放射測定テストステロン６ｂ−ヒドロキシラーゼアッセイを用いると、ＨＰＬＣ解析のために十分な体積のインキュベーション培地をもたらすために、各対照および処置について２または３ウェルをプールする必要があり得る。
３．全てのアッセイに関して、適切なブランクを肝細胞調製物の処置と並行して実行すべきである。これらは、オーバーレイ（例えば、コラーゲンまたはマトリゲル１）および制御培地を含有するが肝細胞は含有しない９６ウェルプレート中でのインキュベーションからなる。２つの蛍光アッセイに関しては、通常ブランクウェルは８つで十分であるが、放射測定アッセイに関しては、最大でウェル４つまたは２つもしくはそれよりも多くのウェルのプール４つが必要であり得る。
４．ＣＹＰ形態の誘導研究に関してヒトおよびラット肝細胞調製物の機能的生存能力を評価するために、参照品の使用が推奨される。適切な参照品濃度（注釈３を参照されたい）は以下の通りである：
（ａ）ヒト肝細胞におけるＣＹＰ１Ａ形態の誘導に関しては２および１０ｍＭのＢＮＦを使用し、ラット肝細胞に関しては０．２および２ｍＭのＢＮＦを使用する。
（ｂ）ラット肝細胞におけるＣＹＰ２Ｂ形態の誘導に関しては２００および５００ｍＭのＮａＰＢを使用する。
（ｃ）ヒト肝細胞におけるＣＹＰ３Ａ形態の誘導に関しては２および１０ｍＭのＲＩＦを使用する。研究を２００および５００ｍＭのＮａＰＢを用いて行うこともできる。
（ｄ）ラット肝細胞におけるＣＹＰ３Ａ形態の誘導に関しては２および２０ｍＭのＰＣＮを使用する。
（実施例ＩＩ）
７−エトキシレゾルフィンＯ−デエチラーゼ活性のアッセイ
１．アッセイされる全てのウェルおよびプレートについて、−２０℃のＤＭＳＯ中２ｍＭの７−エトキシレゾルフィンおよびＤＭＳＯ中の２０ｍＭのジクマロールで保管していた一定分量を解凍することにより、十分な７−エトキシレゾルフィン基質溶液を調製する（１００ｍｌ／ウェルで添加した）。３７℃のＲＰＭＩ １６４０（フェノールレッドフリー）培地１ミリリットル当たり、ＤＭＳＯ中、２ｍＭの７−エトキシレゾルフィン４ｍｌ／ｍｌおよび２０ｍＭのジクマロール０．５ｍｌ／ｍｌを添加する。基質溶液（７−エトキシレゾルフィン８ｍＭおよびジクマロール１０ｍＭの最終濃度）をボルテックスミキサーで混合し、インキュベーターに戻す。
２．試験化合物および参照品を用いた処置期間の最後に、培地を除去し、細胞を、２００ｍｌ／ウェルのＲＰＭＩ １６４０（フェノールレッドフリー）培地で、３７℃で洗浄する。プレートをインキュベーターに戻す。
３．ＲＰＭＩ １６４０（フェノールレッドフリー）洗浄培地を各プレートから除去し、１００ｍｌ／ウェルの、８ｍＭの７−エトキシレゾルフィン／１０ｍＭのジクマロール基質溶液を各ウェルに迅速に添加し、プレートを旋回振とう機で５秒間混合する。
４．プレートを組織培養インキュベーターに戻し、３７℃で適切な期間（例えば、およそ３０分間）インキュベートする。
５．インキュベーション期間の最後に、プレートを旋回振とう機で５秒間混合し、培地の一定分量７５ｍｌを各ウェルから取り出して「Ｖ」底９６ウェルプレートに入れ、解析前に−８０℃で保管する。
６．「Ｖ」底９６ウェルプレートを解凍し、１０ｍｌ／ウェルの０．５Ｍ酢酸ナトリウム緩衝剤、ｐＨ５．０および１５ｍｌ／ウェルのβ−グルクロニダーゼ／スルファターゼ溶液（セクション２．２を参照されたい）を全てのウェルに添加し、プレートを旋回振とう機で５秒間混合し、３７℃で２時間インキュベートする。
７．２ｍＭのレゾルフィン標準物質を、ＤＭＳＯ中２ｍＭのレゾルフィンの一定分量を解凍し、ＲＰＭＩ １６４０（フェノールレッドフリー）培地を用いて１０ｍｌを、最終体積１０ｍｌに希釈することによって調製する。２ｍＭのレゾルフィン標準物質の一定分量０（ブランク）、５、１０、１５、２０、２５、３０、４０および５０ｍｌを「Ｖ」底９６ウェルプレートに添加することによって標準曲線を設定し（標準曲線のために、各レゾルフィン濃度に対して８つの反復実験ウェルを使用する）、各ウェルの最終体積が７５ｍｌになるように２５〜７５ｍｌ／ウェルのＲＰＭＩ １６４０（フェノールレッドフリー）培地を添加する。１０ｍｌ／ウェルの０．５Ｍ酢酸ナトリウム緩衝剤、ｐＨ５．０および１５ｍｌ／ウェルのｂ−グルクロニダーゼ／スルファターゼ溶液を全てのウェルに添加し、プレートを旋回振とう機で５秒間混合し、３７℃で２時間インキュベートする。
８．インキュベーション期間の最後に、６０％（ｖ／ｖ）ＡＣＮ中０．２５ＭのＴｒｉｓ、１００ｍｌを全てのウェルに添加し、プレートを旋回振とう機で１５秒間混合する。各ウェルから１５０ｍｌを平底白色ポリスチレン９６ウェルプレートに移す。９６ウェルプレートリーダーを備えた蛍光分光光度計を設定し、それぞれ５３５ｎｍおよび５８２ｎｍの励起波長および５２Ｌａｋｅ ｅｔ ａｌ．発光波長における各ウェルの蛍光を決定する。
９．レゾルフィン標準曲線に関しては、ブランクウェル（レゾルフィン標準物質なし）の蛍光平均値を差し引き、添加したレゾルフィンのピコモルに対して蛍光単位をプロットする（解析したサンプル１５０ｍｌ中、レゾルフィン標準物質は７．５〜７５ｐｍｏｌの範囲である）。
１０．肝細胞サンプルに関しては、ブランクウェル（すなわち、肝細胞を含有しないウェル）の蛍光平均値を試験ウェルから差し引き、標準曲線（上記を参照されたい）を使用し、ウェル当たりの形成されたレゾルフィンのピコモルを決定する。インキュベート時間をおくことにより、結果は、ウェル当たり細胞の数当たり１分当たりに形成されるレゾルフィンのピコモルとして、または各ウェルの肝細胞タンパク質含有量を用いて肝細胞タンパク質１マイクログラム当たり１分当たりに形成されるレゾルフィンのピコモルとしてのいずれかで表される。
（実施例ＩＩＩ）
ＢＦＣ Ｏ−デベンジラーゼ活性のアッセイ
１．アッセイされる全てのウェルおよびプレートについて、−２０℃で保管していた１２．５ｍＭのＢＦＣの一定分量を解凍することにより、十分なＢＦＣ基質溶液を調製する（１００ｍｌ／ウェルで添加する）。３７℃のＲＰＭＩ １６４０（フェノールレッドフリー）培地１ミリリットル当たり、４ｍｌ／ｍｌの１２．５ｍＭのＢＦＣを添加する。基質溶液（最終ＢＦＣ濃度５０ｍＭ）をボルテックスミキサーで混合し、インキュベーターに戻す。
２．試験化合物および参照品を用いた処置期間の最後に、培地を除去し、細胞を、２００ｍｌ／ウェルのＲＰＭＩ １６４０（フェノールレッドフリー）培地で、３７℃で洗浄する。プレートをインキュベーターに戻す。
３．ＲＰＭＩ １６４０（フェノールレッドフリー）洗浄培地を各プレートから除去し、１００ｍｌ／ウェルの５０ｍＭのＢＦＣ基質溶液を各ウェルに迅速に添加し、プレートを旋回振とう機で５秒間混合する。
４．プレートを組織培養インキュベーターに戻し、３７℃で適切な期間（例えば、ラット肝細胞については２０分間）インキュベートする。
５．インキュベーション期間の最後に、プレートを旋回振とう機で５秒間混合し、培地の一定分量７５ｍｌを各ウェルから取り出して「Ｖ」底９６ウェルプレートに入れ、解析前に−８０℃で保管する。
６．「Ｖ」底９６ウェルプレートを解凍し、１０ｍｌ／ウェルの０．５Ｍ酢酸ナトリウム緩衝剤、ｐＨ５．０および１５ｍｌ／ウェルのｂ−グルクロニダーゼ／スルファターゼ溶液を全てのウェルに添加し、プレートを旋回振とう機で５秒間混合し、３７℃で２時間インキュベートする。
７．ＤＭＳＯ中０．６６６７ｍＭのＨＦＣの一定分量を解凍し、１００ｍｌをＲＰＭＩ １６４０（フェノールレッドフリー）培地で最終体積１０ｍｌに希釈することにより、６．６６７ｍＭのＨＦＣ標準物質を調製する。６．６６７ｍＭのＨＦＣ標準物質一定分量０（ブランク）、５、１０、１５、２０、２５、３０、４０および５０ｍｌを「Ｖ」底９６ウェルプレートに添加し（標準曲線のために、各ＨＦＣ濃度に対して８つの反復実験ウェルを使用する）、各ウェルの最終体積が７５ｍｌになるように２５〜７５ｍｌ／ウェルのＲＰＭＩ １６４０（フェノールレッドフリー）培地を添加することによって標準曲線を設定する。１０ｍｌ／ウェルの０．５Ｍ酢酸ナトリウム緩衝剤、ｐＨ５．０および１５ｍｌ／ウェルのβ−グルクロニダーゼ／スルファターゼ溶液を全てのウェルに添加し、プレートを旋回振とう機で５秒間混合し、３７℃で２時間インキュベートする。
８．インキュベーション期間の最後に、６０％（ｖ／ｖ）ＡＣＮ中０．２５ＭのＴｒｉｓ、１００ｍｌを全てのウェルに添加し、プレートを旋回振とう機で１５秒間混合する。各ウェルから１５０ｍｌを平底白色ポリスチレン９６ウェルプレートに移す。９６ウェルプレートリーダーを備えた蛍光分光光度計を設定し、それぞれ４１０ｎｍおよび５１０ｎｍの励起波長および発光波長における各ウェルの蛍光を決定する。
９．ＨＦＣ標準曲線に関しては、ブランクウェル（ＨＦＣ標準物質なし）の蛍光平均値を差し引き、添加したＨＦＣのピコモルに対して蛍光単位をプロットする（分析したサンプル１５０ｍｌ中、ＨＦＣ標準物質は２５〜２５０ｐｍｏｌの範囲である）。
１０．肝細胞サンプルに関しては、ブランクウェル（すなわち、肝細胞を含有しないウェル）の蛍光平均値を試験ウェルから差し引き、標準曲線（上記を参照されたい）を使用し、ウェル当たりに形成されるＨＦＣのピコモルを決定する。インキュベート時間をおくことにより、結果は、ウェル当たり細胞の数当たり１分当たりに形成されるＨＦＣのピコモルとして、または各ウェルの肝細胞タンパク質含有量を用いて肝細胞タンパク質１ミリグラム当たり１分当たりに形成されるＨＦＣのピコモルとしてのいずれかで表される。
（実施例ＩＶ）
テストステロン６ｂ−ヒドロキシラーゼ活性のアッセイ
１．十分な２５０ｍＭの［４−１４Ｃ］テストステロン基質溶液を調製して、１００ｍｌ／ウェルに添加し、各ウェルに０．４ｍＣｉの放射活性を受けさせる。例えば、基質溶液１０ｍｌは、２．５ｍｍｏｌのテストステロンおよび４０ｍＣｉの放射活性を含有する。４０ｍＣｉのストック［４−１４Ｃ］ テストステロンを先細ガラスチューブに添加し、窒素流を用いて溶媒を除去する。次いで、標識されていないテストステロンを含有するＤＭＳＯ、１０ｍｌを添加し、チューブが合計２．５ｍｍｏｌの標識されたテストステロンおよび標識されていないテストステロンを含有するようにする。５４ｍＣｉ／ｍｍｏｌの特異的活性のために、標識されていないテストステロン基質溶液を１７５．９３ｍＭにする。チューブの内容物をボルテックスし、ＤＭＳＯ溶媒を３７℃のＲＰＭＩ １６４０（フェノールレッドフリー）培地１０ｍｌに移し、ボルテックスミキサーで十分に混合する。ＤＭＳＯ、１０ｍｌを先細ガラスチューブに添加し、チューブの内容物をボルテックスし、３７℃のＲＰＭＩ １６４０（フェノールレッドフリー）培地に移す。２回のさらなる１０ｍｌおよび１回の５ｍｌのＤＭＳＯでの洗浄を繰り返す。２５０ｍＭの５４Ｌａｋｅ ｅｔ ａｌ．［４−１４Ｃ］テストステロン基質をボルテックスミキサーで混合し、インキュベーターに戻す。
２．試験化合物および参照品を用いた処置期間の最後に、培地を除去し、細胞を、２００ｍｌ／ウェルのＲＰＭＩ １６４０（フェノールレッドフリー）培地で、３７℃で洗浄する。プレートをインキュベーターに戻す。
３．ＲＰＭＩ １６４０（フェノールレッドフリー）洗浄培地を各プレートから除去し、１００ｍｌ／ウェルの２５０ｍＭの［４−１４Ｃ］テストステロン基質溶液を各ウェルに迅速に添加し、プレートを旋回振とう機で５秒間混合する。
４．プレートを組織培養インキュベーターに戻し、３７℃で適切な期間（例えば、ヒトおよびラット肝細胞について、それぞれ３０分間および２０分間）３７℃でインキュベートする。
５．インキュベーション期間の最後に、プレートを旋回振とう機で５秒間混合し、培地を全てのウェルから取り出してＥｐｐｅｎｄｏｒｆチューブに入れ、必要に応じてウェルをプールする（セクション３．１を参照されたい）。解析前にチューブを−８０℃で保管する。
６．サンプルを解凍し、一定分量を、Ｓｕｐｅｌｃｏｓｉｌ−５ ＬＣ−１８（Ｓｉｇｍａ−Ａｌｄｒｉｃｈ）およびＡＣＮ（Ａ）、超純水（Ｂ）、メタノール（Ｃ）および超純水中１０％（ｖ／ｖ）酢酸（Ｄ）である移動相を用いたＨＰＬＣによって解析する。溶出を、２ｍｌ／分の流速で、１２％Ａ、７３％Ｂ、１０％Ｃおよび５％Ｄで１０分間から開始し、１２％Ａ、６７％Ｂ、１６％Ｃおよび５％Ｄに１４．２分間かけて変化させ、１４％Ａ、８１％Ｃおよび５％Ｄに１分間かけて変化させ、１４％Ａ、８１％Ｃおよび５％Ｄで４分間保持し、１２％Ａ、７３％Ｂ、１０％Ｃおよび５％Ｄに０．８分間かけて変化させ、１２％Ａ、７３％Ｂ、１０％Ｃおよび５％Ｄで４分間保持し、次の注射前に１２％Ａ、７３％Ｂ、１０％Ｃおよび５％Ｄで４分間平衡化して達成する。テストステロンおよび６ｂ−ヒドロキシテストステロンの保持時間は、それぞれ、およそ１８分および１４分である。６ｂ−ヒドロキシテストステロンの形成を放射測定検出によって数量化する。
７．ブランク（肝細胞なし）インキュベーション中に存在するあらゆる材料が少ないサンプルにおいて形成される６ｂ−ヒドロキシテストステロンの量を添加した基質（ウェル当たり２５ｎｍｏｌ）のパーセンテージとして決定する。インキュベート時間をおくことにより、結果は、ウェル当たり細胞の数当たり１分当たりに形成される６ｂ−ヒドロキシテストステロンのピコモルとして、または各ウェルの肝細胞タンパク質含有量を用いて肝細胞タンパク質１ミリグラム当たり１分当たりに形成される６ｂヒドロキシテストステロンのピコモルとしてのいずれかで表される。

Claims (13)

  1. ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、
    ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップと、
    ｃ）前記複数の細胞において少なくとも１つの遺伝子型を同定するステップと、
    ｄ）前記少なくとも１つのＱＥＥＧ特徴変数を第１のデータベースと比較して、第１の予測有効性スコアに従って優先順位が付けられた第１の治療リストを作成するステップであって、前記第１の治療リストが、第１の推奨治療を含む、ステップと、
    ｅ）前記少なくとも１つの遺伝子型を第２のデータベースと比較して、第２の予測有効性スコアに従って優先順位が付けられた第２の治療リストを作成するステップであって、前記第２の治療リストが、第２の推奨治療を含む、ステップと、
    ｆ）前記第１の治療リストと前記第２の治療リストをマッチングして、組み合わせた第１および第２の有効性スコアに従って優先順位が付けられた最終的な治療リストを作成するステップであって、前記最終的な治療リストが、最終的な推奨治療を含む、ステップと、
    ｇ）前記最終的な推奨治療を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップであって、選択された治療が、好ましい範囲内で組み合わせた第１および第２の有効性スコアを含む、ステップと
    を含む方法。
  2. 前記最終的な推奨治療が、前記第１の推奨治療および前記第２の推奨治療とは異なる、請求項１に記載の方法。
  3. 前記第１の推奨治療および前記第２の推奨治療が同じである、請求項１に記載の方法。
  4. 前記第１の推奨治療および前記第２の推奨治療が異なる、請求項１に記載の方法。
  5. ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、
    ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップと、
    ｃ）前記少なくとも１つのＱＥＥＧ特徴変数を第１のデータベースと比較して、優先順位が付けられた推奨薬物のリストを同定するステップと、
    ｄ）前記優先順位が付けられた推奨薬物のリストを、前記複数の細胞を使用してｉｎ ｖｉｔｒｏ酵素代謝アッセイを用いて処理して、代謝速度によって優先順位が付けられた前記推奨薬物のリストを同定するステップと、
    ｅ）前記代謝速度により優先順位が付けられた推奨薬物のリスト上の少なくとも１種の薬物とマッチする前記複数の細胞における非代謝性薬物バイオマーカーを同定することにより、好ましい推奨薬物を選択するステップと、
    ｆ）前記好ましい推奨薬物を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップと
    を含む方法。
  6. 前記非代謝性薬物バイオマーカーが、血液に基づくバイオマーカーである、請求項５に記載の方法。
  7. 前記非代謝性薬物バイオマーカーが、細胞に基づくバイオマーカーである、請求項５に記載の方法。
  8. ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、
    ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップであって、前記ＱＥＥＧ特徴変数が、所定の薬効予想値を有する、ステップと、
    ｃ）前記複数の細胞において少なくとも１つの遺伝子型を同定するステップであって、前記少なくとも１つの遺伝子型が、所定の薬効予想値を有する、ステップと、
    ｄ）前記ＱＥＥＧ特徴変数の所定の薬効予想値と前記少なくとも１つの遺伝子型の所定の薬効予想値を組み合わせて、有効性スコアによって優先順位が付けられた推奨薬物のリストを作成するステップと、
    ｅ）前記推奨薬物の少なくとも１種を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップであって、前記選択された薬物の前記有効性スコアが、好ましい範囲内である、ステップと
    を含む方法。
  9. 前記少なくとも１つの遺伝子型が、非代謝性薬効予測因子をコードする、請求項８に記載の方法。
  10. 前記少なくとも１つの遺伝子型が、代謝性薬効予測因子をコードする、請求項８に記載の方法。
  11. 前記代謝性薬効予測因子を使用して前記少なくとも１種の前記推奨薬物の代謝速度を測定するステップをさらに含む、請求項１０に記載の方法。
  12. ａ）診断された精神障害の少なくとも１つの症状を示している患者から脳波および複数の細胞を収集するステップと、
    ｂ）前記脳波を少なくとも１つの定量的脳波（ＱＥＥＧ）特徴変数に変換するステップと、
    ｃ）前記少なくとも１つのＱＥＥＧ特徴変数を第１のデータベースと比較して、優先順位が付けられた推奨薬物のリストを同定するステップと、
    ｄ）前記優先順位が付けられた推奨薬物のリストを、前記複数の細胞を使用して少なくとも１つの代謝遺伝子型を用いて処理して、代謝速度によって優先順位が付けられた前記推奨薬物のリストを同定するステップと、
    ｅ）前記代謝速度遺伝子型により優先順位が付けられた推奨薬物のリスト上の少なくとも１種の薬物とマッチする前記複数の細胞における非代謝性薬物バイオマーカーを同定することにより、好ましい推奨薬物を選択するステップと、
    ｆ）前記好ましい推奨薬物を、前記少なくとも１つの症状が低減するような条件下で前記患者に投与するステップと
    を含む方法。
  13. 前記複数の細胞が、患者生検に由来する、請求項１２に記載の方法。
JP2019564366A 2017-02-10 2018-02-09 精神障害の治療転帰を予測するためのｑｅｅｇ／遺伝学的解析 Pending JP2020507340A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762457560P 2017-02-10 2017-02-10
US62/457,560 2017-02-10
PCT/US2018/017650 WO2018148564A1 (en) 2017-02-10 2018-02-09 Qeeg/genomic analysis for predicting therapeutic outcome of psychiatric disorders

Publications (1)

Publication Number Publication Date
JP2020507340A true JP2020507340A (ja) 2020-03-12

Family

ID=61557331

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019564366A Pending JP2020507340A (ja) 2017-02-10 2018-02-09 精神障害の治療転帰を予測するためのｑｅｅｇ／遺伝学的解析

Country Status (6)

Country Link
US (1) US20180232486A1 (ja)
EP (1) EP3579747A1 (ja)
JP (1) JP2020507340A (ja)
AU (1) AU2018219346A1 (ja)
CA (1) CA3053349A1 (ja)
WO (1) WO2018148564A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210038150A1 (en) * 2018-03-19 2021-02-11 The Board Of Trustees Of The Leland Stanford Junior University Treatment of depression
JP6562121B1 (ja) * 2018-06-07 2019-08-21 富士通株式会社 学習用データ生成プログラムおよび学習用データ生成方法
WO2020010349A1 (en) * 2018-07-06 2020-01-09 Northwestern University Brain and psychological determinants of placebo response in patients with chronic pain
US20210398631A1 (en) * 2020-06-18 2021-12-23 Genomind, Inc. Systems and methods for displaying a patient specific report
CA3174390A1 (en) * 2020-04-03 2021-10-07 Aifred Health Systems and methods for treatment selection
JP2022112097A (ja) * 2021-01-21 2022-08-02 キヤノンメディカルシステムズ株式会社 医療情報処理装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9274101B2 (en) 2001-04-20 2016-03-01 Biolog, Inc. Methods and kits for obtaining a metabolic profile of living animal cells
US20060129324A1 (en) * 2004-12-15 2006-06-15 Biogenesys, Inc. Use of quantitative EEG (QEEG) alone and/or other imaging technology and/or in combination with genomics and/or proteomics and/or biochemical analysis and/or other diagnostic modalities, and CART and/or AI and/or statistical and/or other mathematical analysis methods for improved medical and other diagnosis, psychiatric and other disease treatment, and also for veracity verification and/or lie detection applications.
WO2009103156A1 (en) * 2008-02-20 2009-08-27 Mcmaster University Expert system for determining patient treatment response

Also Published As

Publication number Publication date
US20180232486A1 (en) 2018-08-16
AU2018219346A1 (en) 2019-09-05
CA3053349A1 (en) 2018-08-16
EP3579747A1 (en) 2019-12-18
WO2018148564A1 (en) 2018-08-16

Similar Documents

Publication Publication Date Title
Abi‐Dargham et al. Candidate biomarkers in psychiatric disorders: state of the field
Ronald et al. Systematic review: how the attention-deficit/hyperactivity disorder polygenic risk score adds to our understanding of ADHD and associated traits
Akoudad et al. Association of cerebral microbleeds with cognitive decline and dementia
JP2020507340A (ja) 精神障害の治療転帰を予測するためのｑｅｅｇ／遺伝学的解析
Walton et al. MB-COMT promoter DNA methylation is associated with working-memory processing in schizophrenia patients and healthy controls
Thambisetty et al. Alzheimer risk variant CLU and brain function during aging
Kim et al. Monoamine transporter gene polymorphisms and antidepressant response in Koreans with late-life depression
Tsuno et al. What is the association between depression and Alzheimer’s disease?
Inkster et al. Association of GSK3β polymorphisms with brain structural changes in major depressive disorder
Connolly et al. A Genome‐Wide Association Study of Autism Incorporating Autism Diagnostic Interview–Revised, Autism Diagnostic Observation Schedule, and Social Responsiveness Scale
Hofman et al. Corpus callosum agenesis: an insight into the etiology and spectrum of symptoms
Ohi et al. The SIGMAR1 gene is associated with a risk of schizophrenia and activation of the prefrontal cortex
Weustenfeld et al. Genotype and phenotype variability in Sjögren‐Larsson syndrome
Gunde et al. White matter hyperintensities in affected and unaffected late teenage and early adulthood offspring of bipolar parents: a two-center high-risk study
Hohmann et al. Association of norepinephrine transporter (NET, SLC6A2) genotype with ADHD-related phenotypes: findings of a longitudinal study from birth to adolescence
Chen et al. Homocysteine levels, MTHFR C677T genotype, and MRI hyperintensities in late-onset major depressive disorder
Klein et al. Imaging genetics in neurodevelopmental psychopathology
Jia et al. Associations of the glycaemic control of diabetes with dementia and physical function in rural-dwelling older Chinese adults: a population-based study
Sombekke et al. HLA-DRB1* 1501 and spinal cord magnetic resonance imaging lesions in multiple sclerosis
Lott et al. Serotonin transporter genotype and acute subjective response to amphetamine
Ticci et al. Bi‐allelic variants in MDH2: Expanding the clinical phenotype
Chang et al. Sex-specific pathways among tri-allelic serotonin transporter polymorphism, trait neuroticism and generalized anxiety disorder
van Eekelen et al. Identification and genetic determination of an early life risk disposition for depressive disorder: Atypical stress‐related behaviour in early childhood
Bijl et al. Association between the CYP2D6* 4 polymorphism and depression or anxiety in the elderly
Sandal et al. Next-generation sequencing in unexplained intellectual disability