JP2023545704A - エクスポソーム臨床応用のためのシステム及び方法 - Google Patents
エクスポソーム臨床応用のためのシステム及び方法 Download PDFInfo
- Publication number
- JP2023545704A JP2023545704A JP2023521050A JP2023521050A JP2023545704A JP 2023545704 A JP2023545704 A JP 2023545704A JP 2023521050 A JP2023521050 A JP 2023521050A JP 2023521050 A JP2023521050 A JP 2023521050A JP 2023545704 A JP2023545704 A JP 2023545704A
- Authority
- JP
- Japan
- Prior art keywords
- exposome
- intervention
- subject
- signatures
- subjects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 303
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 241
- 239000000126 substance Substances 0.000 claims description 168
- 201000010099 disease Diseases 0.000 claims description 134
- 239000012472 biological sample Substances 0.000 claims description 119
- 208000035475 disorder Diseases 0.000 claims description 100
- 238000004422 calculation algorithm Methods 0.000 claims description 84
- 238000005259 measurement Methods 0.000 claims description 80
- 230000012010 growth Effects 0.000 claims description 71
- 238000011282 treatment Methods 0.000 claims description 63
- 238000004458 analytical method Methods 0.000 claims description 62
- 238000004445 quantitative analysis Methods 0.000 claims description 52
- 239000000523 sample Substances 0.000 claims description 52
- 230000002123 temporal effect Effects 0.000 claims description 41
- 210000000515 tooth Anatomy 0.000 claims description 35
- 208000029560 autism spectrum disease Diseases 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 33
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 claims description 28
- 238000000095 laser ablation inductively coupled plasma mass spectrometry Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 25
- 235000021436 nutraceutical agent Nutrition 0.000 claims description 25
- 235000015872 dietary supplement Nutrition 0.000 claims description 24
- 239000002417 nutraceutical Substances 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 21
- 208000002551 irritable bowel syndrome Diseases 0.000 claims description 21
- 238000002203 pretreatment Methods 0.000 claims description 21
- 208000017169 kidney disease Diseases 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 19
- 238000003364 immunohistochemistry Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 238000001069 Raman spectroscopy Methods 0.000 claims description 17
- 238000013517 stratification Methods 0.000 claims description 17
- 238000011369 optimal treatment Methods 0.000 claims description 16
- 238000004611 spectroscopical analysis Methods 0.000 claims description 16
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 claims description 15
- 230000006378 damage Effects 0.000 claims description 15
- 230000036541 health Effects 0.000 claims description 15
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 14
- 238000004949 mass spectrometry Methods 0.000 claims description 14
- 238000005381 potential energy Methods 0.000 claims description 14
- 201000000980 schizophrenia Diseases 0.000 claims description 14
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 13
- 229910052791 calcium Inorganic materials 0.000 claims description 13
- 239000011575 calcium Substances 0.000 claims description 13
- 230000002496 gastric effect Effects 0.000 claims description 13
- 229910052749 magnesium Inorganic materials 0.000 claims description 13
- 239000011777 magnesium Substances 0.000 claims description 13
- 230000000926 neurological effect Effects 0.000 claims description 13
- 230000002685 pulmonary effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 13
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 12
- 206010023439 Kidney transplant rejection Diseases 0.000 claims description 12
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 12
- 230000000747 cardiac effect Effects 0.000 claims description 12
- 229910052718 tin Inorganic materials 0.000 claims description 12
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 11
- 229910052802 copper Inorganic materials 0.000 claims description 11
- 239000010949 copper Substances 0.000 claims description 11
- 238000003745 diagnosis Methods 0.000 claims description 11
- 230000002526 effect on cardiovascular system Effects 0.000 claims description 11
- 231100000640 hair analysis Toxicity 0.000 claims description 11
- 210000000282 nail Anatomy 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 229910052725 zinc Inorganic materials 0.000 claims description 11
- 239000011701 zinc Substances 0.000 claims description 11
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 10
- 238000001237 Raman spectrum Methods 0.000 claims description 10
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 10
- 230000002411 adverse Effects 0.000 claims description 10
- 229910052782 aluminium Inorganic materials 0.000 claims description 10
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 10
- 229910052785 arsenic Inorganic materials 0.000 claims description 10
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 10
- 229910052788 barium Inorganic materials 0.000 claims description 10
- DSAJWYNOEDNPEQ-UHFFFAOYSA-N barium atom Chemical compound [Ba] DSAJWYNOEDNPEQ-UHFFFAOYSA-N 0.000 claims description 10
- 229910052797 bismuth Inorganic materials 0.000 claims description 10
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 claims description 10
- XMBWDFGMSWQBCA-UHFFFAOYSA-N hydrogen iodide Chemical compound I XMBWDFGMSWQBCA-UHFFFAOYSA-N 0.000 claims description 10
- 229910052744 lithium Inorganic materials 0.000 claims description 10
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 229910052712 strontium Inorganic materials 0.000 claims description 10
- CIOAGBVUUVVLOB-UHFFFAOYSA-N strontium atom Chemical compound [Sr] CIOAGBVUUVVLOB-UHFFFAOYSA-N 0.000 claims description 10
- 229910052717 sulfur Inorganic materials 0.000 claims description 10
- 239000011593 sulfur Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 8
- 210000004905 finger nail Anatomy 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 210000004906 toe nail Anatomy 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 7
- 238000002705 metabolomic analysis Methods 0.000 claims description 7
- 230000001431 metabolomic effect Effects 0.000 claims description 7
- 238000002600 positron emission tomography Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 210000004209 hair Anatomy 0.000 claims description 6
- BHEPBYXIRTUNPN-UHFFFAOYSA-N hydridophosphorus(.) (triplet) Chemical compound [PH] BHEPBYXIRTUNPN-UHFFFAOYSA-N 0.000 claims description 6
- 208000008839 Kidney Neoplasms Diseases 0.000 claims description 5
- 206010038389 Renal cancer Diseases 0.000 claims description 5
- 201000010982 kidney cancer Diseases 0.000 claims description 5
- 239000002207 metabolite Substances 0.000 claims description 5
- 230000037406 food intake Effects 0.000 claims description 4
- 230000000155 isotopic effect Effects 0.000 claims description 4
- 238000009258 post-therapy Methods 0.000 claims description 4
- 238000002560 therapeutic procedure Methods 0.000 claims description 4
- 150000001413 amino acids Chemical class 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000005842 biochemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims description 3
- 150000002632 lipids Chemical class 0.000 claims description 3
- -1 parabens Chemical class 0.000 claims description 3
- 125000005498 phthalate group Chemical class 0.000 claims description 3
- 230000035790 physiological processes and functions Effects 0.000 claims description 3
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 3
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 3
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 claims description 2
- 150000003862 amino acid derivatives Chemical class 0.000 claims description 2
- 238000003556 assay Methods 0.000 claims description 2
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 claims description 2
- 238000002073 fluorescence micrograph Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 230000006735 deficit Effects 0.000 claims 1
- 208000013403 hyperactivity Diseases 0.000 claims 1
- 230000004066 metabolic change Effects 0.000 claims 1
- 208000012201 sexual and gender identity disease Diseases 0.000 claims 1
- 208000015891 sexual disease Diseases 0.000 claims 1
- 238000010586 diagram Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 51
- 239000003814 drug Substances 0.000 description 35
- 229940079593 drug Drugs 0.000 description 31
- 210000004919 hair shaft Anatomy 0.000 description 25
- 238000003860 storage Methods 0.000 description 20
- 238000010801 machine learning Methods 0.000 description 16
- 208000011654 childhood malignant neoplasm Diseases 0.000 description 14
- 230000037361 pathway Effects 0.000 description 13
- 108010074051 C-Reactive Protein Proteins 0.000 description 12
- 102100032752 C-reactive protein Human genes 0.000 description 12
- 206010028980 Neoplasm Diseases 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 9
- 206010061218 Inflammation Diseases 0.000 description 8
- 230000004054 inflammatory process Effects 0.000 description 8
- 206010003805 Autism Diseases 0.000 description 7
- 208000020706 Autistic disease Diseases 0.000 description 7
- 206010022998 Irritability Diseases 0.000 description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 208000028774 intestinal disease Diseases 0.000 description 7
- 201000005202 lung cancer Diseases 0.000 description 7
- 208000020816 lung neoplasm Diseases 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 7
- 239000000090 biomarker Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000002679 ablation Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 239000011135 tin Substances 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000010186 staining Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000002055 immunohistochemical effect Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- QHMBSVQNZZTUGM-UHFFFAOYSA-N Trans-Cannabidiol Natural products OC1=CC(CCCCC)=CC(O)=C1C1C(C(C)=C)CCC(C)=C1 QHMBSVQNZZTUGM-UHFFFAOYSA-N 0.000 description 2
- 206010052779 Transplant rejections Diseases 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003339 best practice Methods 0.000 description 2
- 230000008238 biochemical pathway Effects 0.000 description 2
- 230000008512 biological response Effects 0.000 description 2
- 238000004820 blood count Methods 0.000 description 2
- QHMBSVQNZZTUGM-ZWKOTPCHSA-N cannabidiol Chemical compound OC1=CC(CCCCC)=CC(O)=C1[C@H]1[C@H](C(C)=C)CCC(C)=C1 QHMBSVQNZZTUGM-ZWKOTPCHSA-N 0.000 description 2
- 229950011318 cannabidiol Drugs 0.000 description 2
- ZTGXAWYVTLUPDT-UHFFFAOYSA-N cannabidiol Natural products OC1=CC(CCCCC)=CC(O)=C1C1C(C(C)=C)CC=C(C)C1 ZTGXAWYVTLUPDT-UHFFFAOYSA-N 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 238000001506 fluorescence spectroscopy Methods 0.000 description 2
- 238000011532 immunohistochemical staining Methods 0.000 description 2
- 238000009616 inductively coupled plasma Methods 0.000 description 2
- 239000003317 industrial substance Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000011133 lead Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 239000000902 placebo Substances 0.000 description 2
- 229940068196 placebo Drugs 0.000 description 2
- 239000006041 probiotic Substances 0.000 description 2
- 235000018291 probiotics Nutrition 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 108010068370 Glutens Proteins 0.000 description 1
- 241000534431 Hygrocybe pratensis Species 0.000 description 1
- 239000012901 Milli-Q water Substances 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000002313 adhesive film Substances 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 238000011325 biochemical measurement Methods 0.000 description 1
- 238000003766 bioinformatics method Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 210000004489 deciduous teeth Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000004268 dentin Anatomy 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- PCXRACLQFPRCBB-ZWKOTPCHSA-N dihydrocannabidiol Natural products OC1=CC(CCCCC)=CC(O)=C1[C@H]1[C@H](C(C)C)CCC(C)=C1 PCXRACLQFPRCBB-ZWKOTPCHSA-N 0.000 description 1
- 208000037765 diseases and disorders Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 235000013350 formula milk Nutrition 0.000 description 1
- 235000021312 gluten Nutrition 0.000 description 1
- 235000006171 gluten free diet Nutrition 0.000 description 1
- 235000020884 gluten-free diet Nutrition 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000608 laser ablation Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000037353 metabolic pathway Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 1
- 238000003068 pathway analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000529 probiotic effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002226 simultaneous effect Effects 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- GPRLSGONYQIRFK-MNYXATJNSA-N triton Chemical compound [3H+] GPRLSGONYQIRFK-MNYXATJNSA-N 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
- G01N27/622—Ion mobility spectrometry
- G01N27/623—Ion mobility spectrometry combined with mass spectrometry
-
- 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
- G01N33/502—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 for testing non-proliferative effects
- G01N33/5038—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 for testing non-proliferative effects involving detection of metabolites per se
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Urology & Nephrology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hematology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
Abstract
複数の対象における各対象についての対応する複数のエクスポソーム特徴を含むエクスポソーム生化学的シグネチャデータベース、及び複数の対象のうちの少なくとも1人の対象の少なくとも1つの介入の少なくとも1つの段階についての介入転帰情報に関する情報を含む介入転帰データベースを含むコンピュータ実装のエクスポソームシステムが提供される。関連付けソフトウェアモジュールが、対応する複数のエクスポソーム特徴と介入転帰情報との間の関連性を判定する。推奨ソフトウェアモジュールは、対応する複数のエクスポソーム特徴、介入転帰情報、及び少なくとも1人の対象について対応する複数のエクスポソーム特徴と臨床表現型情報と介入転帰情報との間の関連性に少なくとも部分的に基づいて、少なくとも1人の対象に対する介入推奨を提供する。【選択図】図5
Description
関連出願の相互参照
本出願は、2020年10月30日に出願された「System and Methods for Screening Temporal Dynamics of Biological Disorders」と題された米国仮特許出願第63/088,375号、2020年12月4日に出願された「Systems and Methods for Dynamic Immunohistochemistry Profiling of Biological Diseases and Disorders」と題された米国仮特許出願第63/121,792号、及び2021年3月23日に出願された「Systems and Methods for Exposomic Clinical Applications」と題された米国仮特許出願第63/164,964号の利益を主張するものであり、その各々が参照により本明細書に完全に組み込まれる。
本出願は、2020年10月30日に出願された「System and Methods for Screening Temporal Dynamics of Biological Disorders」と題された米国仮特許出願第63/088,375号、2020年12月4日に出願された「Systems and Methods for Dynamic Immunohistochemistry Profiling of Biological Diseases and Disorders」と題された米国仮特許出願第63/121,792号、及び2021年3月23日に出願された「Systems and Methods for Exposomic Clinical Applications」と題された米国仮特許出願第63/164,964号の利益を主張するものであり、その各々が参照により本明細書に完全に組み込まれる。
全ての薬学的第3相介入(臨床試験及び他の介入研究デザインを含むが、これらに限定されない)の約50%は、治療の適用に起因する有効性の欠如又は有害作用から失敗する。失敗率が高いことの1つの潜在的な理由は、個体間で大幅に異なることがある人体の入り組んだ複雑な生体である。表面的なスクリーニング基準及び介入についての参加者の適格性だけでは、ヒトの複雑な生体の複雑さを把握することはできない。
したがって、介入を最適化し、標的を絞った薬学的介入を提供し、疾患の早期発症を予測するために、より詳細に患者をスクリーニングするためのシステム及び方法が依然として必要である。
介入及び転帰として生じる市販医薬品の投与のための対象の選択基準についての標準は、範囲が限定されたデータに依存する。体重、性別、慢性疾患、家族の病歴、又は場合によっては採血などの選択基準は、医学界では絶対的基準として広く受け入れられているが、そのようなメタデータは、絶えず変化している個人の独特で複雑な生態の瞬間的なスナップショットにすぎない。そのような臨床メタデータによる個人の粗いカテゴリ化及び分類により、医薬品の投与についての望ましくない副作用及び合併症が生じ、同様の臨床メタデータを有する対象間のばらつきについての明確な理解又は理由付けはなされていない。現在のベストプラクティス及び制定された絶対的基準を改善するには、個人のスクリーニング及び分類のためのより豊かでより代表的なデータセットのために新たに技術を革新しなければならない。
本開示は、対象のエクスポソーム生化学的シグネチャによって対象を分析及び分類することができるシステム及び方法を通じて、これらのニーズに対処する。エクスポソーム生化学的シグネチャ分析は、単一の毛幹、歯、及び爪試料から非侵襲的な方法で50,000以上の生化学的シグネチャを分析することができる。本発明のかかるシステム及び分析方法を用いて、食事、大気汚染、心理的ストレス、農薬、工業用化学物質への曝露などによって誘発される対象の生化学の微妙な変化を調査し、標的とされた医薬品の陽性反応及び転帰と相関させ得る。
エクスポソーム生化学的シグネチャ分析によって生成される膨大なデータセットに加えて、エクスポソーム生化学的シグネチャ分析はまた、対象の生涯にわたる上記生化学的シグネチャの時間的変動についての見識を与えることができる。そのような手法は、寿命を縮める疾患を有する個人をスクリーニングして、どの単一のエクスポソーム生化学的シグネチャ又はエクスポソーム生化学的シグネチャの組み合わせが疾患の発症に寄与するかを判定するために利用され得る。次に、特定された経路を使用して、介入が実質的な影響をもたらし得る段階で、他の点では健康な対象のエクスポソーム生化学的シグネチャから疾患の早期発症を予測することができる統計的モデル、機械学習モデル、及び/又は人工知能予測モデルを訓練し得る。
本明細書に開示される本発明の態様は、コンピュータ実装エクスポソームシステムを提供し、システムは、(a)複数の対象のエクスポソーム特徴を含むエクスポソーム生化学的シグネチャデータベース(EDB)と、(b)複数の対象の臨床表現型情報を含む臨床データベース(CDB)と、(c)少なくとも1つの介入の少なくとも1つの段階についての介入転帰情報に関する情報を含む介入転帰データベース(IODB)と、(d)コンピュータプロセッサであって、(i)EDB、CDB、及びIODBに通信可能に結合された関連付けソフトウェアモジュールであって、関連付けソフトウェアモジュールが、複数の対象のうちの少なくとも1人について、エクスポソーム特徴と、臨床表現型情報と、介入転帰情報との間の関連性を判定するようにプログラムされている、関連付けソフトウェアモジュールと、(ii)EDB、CDB、及びIODBに通信可能に結合された推奨ソフトウェアモジュールと、を備える、コンピュータプロセッサと、を備える、システム。推奨ソフトウェアモジュールは、エクスポソーム特徴、臨床表現型情報、介入転帰情報、及び複数の対象のうちの少なくとも1人についてのエクスポソーム特徴と、臨床表現型情報と、介入転帰情報との間の関連性に少なくとも部分的に基づいて、複数の対象のうちの少なくとも1人についての介入推奨を提供するようにプログラムされる。
いくつかの実施形態では、エクスポソーム特徴は、少なくとも10個、少なくとも100個、少なくとも1,000個、又は少なくとも10,000個の異なるエクスポソーム生化学的特徴を含む。いくつかの実施形態では、介入転帰情報は、少なくとも1つの介入についての非反応者、有害反応者、及び陽性反応者の分類を含む。いくつかの実施形態では、介入転帰は、少なくとも1つの介入の1つ以上の包含基準又は除外基準を含む。いくつかの実施形態では、エクスポソーム特徴は、複数の対象の生体試料をアッセイすることによって得られる。いくつかの実施形態では、生体試料は、歯試料、爪試料、毛髪試料、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、アッセイすることは、質量分析測定値、レーザ誘導破壊分光測定値、レーザアブレーション誘導結合プラズマ質量分析測定値、ラマン分光測定値、破壊分光法、免疫組織化学測定値、又はそれらの任意の組み合わせを取得することを含む。いくつかの実施形態では、質量分析測定は、1つ以上の化学物質の測定を含む。いくつかの実施形態では、1つ以上の化学物質は、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせの化学物質を含む。いくつかの実施形態では、エクスポソーム特徴は、複数の対象の動的時間的生化学反応を含む。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、生体試料の蛍光画像を含む。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、生体試料のラマンスペクトルの空間マップを含む。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、疾患又は障害に関連付けられている。いくつかの実施形態では、疾患又は障害は、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む。いくつかの実施形態では、疾患又は障害は、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害は、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、エクスポソーム特徴は、訓練された統計学的分類器、機械学習分類器、及び/又は人工知能分類器を使用して分析され、疾患又は障害との関連性を判定する。いくつかの実施形態では、分類器は、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される。
本明細書に開示される本発明の態様は、介入の対象を選択するための方法であって、(a)訓練された予測モデルを提供することであって、訓練された予測モデルが、1人以上の対象の臨床メタデータ、エクスポソーム特徴、及び対応する介入転帰情報に関して訓練される、提供することと、(b)介入を求める対象から、生体試料から得られた生化学的シグネチャを検出し、それによって、エクスポソーム特徴を生成することと、(c)訓練された予測モデルを使用して、介入を求める対象の予測された介入転帰情報を予測することであって、介入を求める対象のエクスポソーム特徴及び臨床メタが、訓練された予測モデルへの入力である、予測することと、(d)対象の予測された介入転帰情報に少なくとも部分的に基づいて、対象を介入について選択すること又は対象を介入から除外することと、を含む、方法について説明する。いくつかの実施形態では、生化学的シグネチャは、対象の生体試料をアッセイすることによって得られる。いくつかの実施形態では、生体試料は、歯試料、爪試料、毛髪試料、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、アッセイすることは、レーザアブレーション誘導結合プラズマ質量分析測定値、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、又はそれらの任意の組み合わせからデータを収集することを含む。いくつかの実施形態では、レーザはアブレーション誘導結合プラズマ質量分析測定値、1つ以上の化学物質の測定値を含む。いくつかの実施形態では、1つ以上の化学物質は、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、生化学的シグネチャは、生体試料の蛍光画像を含む。いくつかの実施形態では、生化学的シグネチャは、生体試料のラマンスペクトルの空間マップを含む。いくつかの実施形態では、生化学的シグネチャは、疾患又は障害に関連付けられている。いくつかの実施形態では、疾患又は障害は、心理、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの疾患又は障害の任意の組み合わせを含む。いくつかの実施形態では、疾患又は障害は、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害が、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、訓練された予測モデルは、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される。いくつかの実施形態では、本方法は、対象が介入について選択されたときに、対象を介入に登録することを更に含む。いくつかの実施形態では、本方法は、対象が介入から除外されたときに、対象を別の介入について評価することを更に含む。
本開示の態様は、疾患又は障害のための最適な治療法を必要とする対象における最適な治療法を選択する方法であって、(a)疾患又は障害を有する1人以上の対象からの1つ以上の生体試料から得られた1つ以上の生化学的シグネチャを検出し、それによって、1つ以上の参照エクスポソーム特徴を生成することと、(b)疾患又は障害を有する対象からの1つ以上の生体試料から得られた1つ以上の生化学的シグネチャを検出し、それによって、1つ以上の治療前エクスポソーム特徴を生成することと、(c)疾患又は障害を有する対象に治療を実施することと、(d)治療を受けた後、一定期間が経過した後、疾患又は障害を有する1人以上の対象からの1つ以上の生体試料から得られた1つ以上の生化学的シグネチャを検出し、それによって、1つ以上の治療後エクスポソーム特徴を生成することと、(e)疾患又は疾患を有しない1人以上の対象の1つ以上の参照エクスポソーム特徴と、疾患又は障害を有する1人以上の対象の1つ以上の治療前エクスポソーム特徴と、疾患又は障害を有する1人以上の対象の治療後エクスポソーム特徴との間の差を判定することと、(f)1つ以上の参照エクスポソーム特徴と、1つ以上の治療前エクスポソーム特徴と、1つ以上の治療後エクスポソーム特徴との間の判定された差に少なくとも部分的に基づいて、1つ以上の最適な治療法を選択することと、を含み、1つ以上の最適な治療法が、所定の基準を満たす判定された差に基づいて選択される、方法について説明する。いくつかの実施形態では、最適な治療は、医薬品、栄養補助食品、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、所定の基準は、1つ以上の参照エクスポソーム特徴に対する1つ以上の治療前エクスポソーム特徴と1つ以上の治療後エクスポソーム特徴との間の差を含む。いくつかの実施形態では、期間は、少なくとも約1時間、少なくとも約1日、少なくとも約1週間、少なくとも約1ヶ月、少なくとも約1年、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、差は、1つ以上の参照エクスポソーム特徴に対する1つ以上の治療後エクスポソーム特徴の少なくとも10%の変化を含む。いくつかの実施形態では、治療前エクスポソーム特徴、治療後エクスポソーム特徴、又はこれらの任意の組み合わせが、対象の生体試料をアッセイすることによって得られる。いくつかの実施形態では、生体試料は、歯試料、爪試料、毛髪試料、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、アッセイすることは、レーザアブレーション誘導結合プラズマ質量分析データ、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、又はそれらの任意の組み合わせを取得することを含む。いくつかの実施形態では、レーザアブレーション誘導結合プラズマ質量分析データは、1つ以上の化学物質の測定値を含む。いくつかの実施形態では、1つ以上の化学物質は、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせの化学物質を含む。いくつかの実施形態では、生化学的シグネチャは、生体試料の蛍光画像を含む。いくつかの実施形態では、生化学的シグネチャは、生体試料のラマンスペクトルの空間マップを含む。いくつかの実施形態では、疾患又は障害は、心理、心臓、胃腸、肺、神経、循環器、腎臓、若しくはこれらの任意の組み合わせの疾患又は障害を含む。いくつかの実施形態では、疾患又は障害は、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害が、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、参照エクスポソーム特徴、治療前エクスポソーム特徴、治療後エクスポソーム特徴、又はそれらの任意の組み合わせの間の差は、訓練された統計学的分類器、機械学習分類器、及び/又は人工知能分類器を使用して分析される。いくつかの実施形態では、訓練された分類器は、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される。
上記の背景を考えると、生物学的条件の診断、特に非侵襲的診断のための正確な方法及びシステムが必要である。そのような診断は、生物学的条件の診断のための非侵襲的方法で検出可能なバイオマーカーの正確なプロファイリングに基づき得る。本開示は、対象から非侵襲的に得られた生体試料からの動的生物学的反応データの分析に基づいて、生物学的条件を正確に診断するための改善されたシステム及び方法を提供する。生物学的条件の正確な診断のためのそのような改善されたシステム及び方法は、生体試料の動的免疫組織化学プロファイリングと、疾患状態の評価に向けたそのような動的プロファイルの人工知能データ分析との組み合わせに基づき得る。本開示は、例えば、生物学的条件の診断のための生体試料バイオマーカーを提供することによって、これらのニーズに対処する。生体試料は、漸進的な成長に関連するヒト生体試料を含む。非限定的な実施形態では、生体試料は、毛幹、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせである。本開示の非侵襲的バイオマーカーは、幼児、場合によっては1歳未満の乳児の診断に使用することができる。いくつかの実施形態では、生理学的パラメータは、本明細書の他の箇所に記載されている健康メタデータを含む。いくつかの実施形態では、生理学的パラメータは、血液検査中に測定されたパラメータ、例えば、コレステロール、白血球数、赤血球数、ヘマトクリット、細菌感染の有無などを含む。
ある態様では、本開示は、対象の疾患又は障害のリスクを判定するための方法であって、(a)対象の歯試料を染色して、染色した歯試料を生成することと、(b)染色した歯試料にわたって空間的に蛍光強度を分析することと、(c)蛍光強度の分析に少なくとも部分的に基づいて対象の疾患又は障害のリスクを判定することと、を含む方法を提供する。
いくつかの実施形態では、分析は、基礎となる生物学的プロセスの時間的ダイナミクスを判定する。いくつかの実施形態では、分析は、染色された歯試料の蛍光画像を取得することと、蛍光画像の蛍光強度を分析することとを含む。いくつかの実施形態では、蛍光強度は、空間的に変化している。いくつかの実施形態では、染色された歯試料の蛍光画像を取得することは、反転又は非反転共焦点顕微鏡を使用することを含む。いくつかの実施形態では、歯試料を染色することは、C反応性タンパク質免疫組織化学染色を使用することを含む。いくつかの実施形態では、本方法は、歯試料を切片化することを更に含む。いくつかの実施形態では、歯試料を染色することは、(1)歯試料を切断すること、(2)歯試料を脱石灰化すること、(3)脱石灰化された試料を切片化すること、(4)一次及び二次抗体で脱石灰化された歯の切片を染色すること、(5)共焦点顕微鏡を用いて空間抗体蛍光を測定すること、及び/又は(6)蛍光強度の時間的プロファイルを抽出することを含む。
いくつかの実施形態では、疾患又は障害は、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む。いくつかの実施形態では、疾患又は障害は、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害が、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、対象は、ヒトである。いくつかの実施形態では、対象は、成人である。いくつかの実施形態では、対象は5歳未満である。いくつかの実施形態では、対象は4歳未満である。いくつかの実施形態では、対象は3歳未満である。いくつかの実施形態では、対象は2歳未満である。いくつかの実施形態では、対象は1歳未満である。
本開示の別の態様は、1つ以上のコンピュータプロセッサ及びそれに結合されたコンピュータメモリを備えるシステムを提供する。コンピュータメモリは、1つ以上のコンピュータプロセッサによって実行されると、上記又は本明細書の他の箇所に記載された方法のいずれかを実装するマシン実行可能コードを含む。
本開示の追加の態様及び利点は、本開示の例示的な実施形態のみについて図示し説明する、以下の詳細な説明から当業者に容易に明らかになるであろう。理解されるように、本開示は、他の異なる実施形態が可能であり、そのいくつかの詳細は、全て本開示から逸脱することなく、様々な明白な点で修正が可能である。したがって、図面及び説明は、限定ではなく、本質的に例示とみなされるべきである。
参照による組み込み
本明細書において言及される全ての刊行物、特許、及び特許出願は、各個々の刊行物、特許、又は特許出願が引用により援用されることが具体的かつ個別に示されたときと同程度に、本明細書において引用により援用される。参照により組み込まれた刊行物及び特許又は特許出願が、本明細書に含まれる開示と矛盾する範囲において、本明細書は、そのような矛盾する内容に優先することを意図している。
本明細書において言及される全ての刊行物、特許、及び特許出願は、各個々の刊行物、特許、又は特許出願が引用により援用されることが具体的かつ個別に示されたときと同程度に、本明細書において引用により援用される。参照により組み込まれた刊行物及び特許又は特許出願が、本明細書に含まれる開示と矛盾する範囲において、本明細書は、そのような矛盾する内容に優先することを意図している。
本発明の新規な特徴は、添付の特許請求の範囲に具体的に記載される。本発明の特徴及び利点のより良い理解は、本発明の原理が利用される例示的な実施形態、及び添付の図面(本明細書においても「図」及び「図面」を参照することによって得られるであろう。
本発明の様々な実施形態が本明細書に示され、説明されているが、そのような実施形態が例としてのみ提供されることは、当業者には明らかであろう。本発明から逸脱することなく、当業者には多数の変形、変更、及び置換が想到され得る。本明細書に開示される本発明の実施形態に対する様々な代替手段が、用いられ得ることを理解されたい。
全ての薬学的第3相介入の約50%は、ボランティア参加者が経験する治療の有効性の欠如又は有害作用から失敗する。失敗率が高いことの1つの潜在的な理由は、個体間で大幅に異なることがある人体の入り組んだ複雑な生態である。介入参加者の表面的なスクリーニング基準及び適格性だけでは、複雑なヒトの生態の複雑さを把握することができない。したがって、介入を最適化し、標的を絞った薬学的介入を提供し、疾患の早期発症を予測するために、より詳細に患者をスクリーニングするシステム及び方法に対するニーズは満たされていない。
介入及び転帰として生じる市販医薬品の投与のための対象の選択基準についての標準は、範囲が限定されたデータに依存する。体重、性別、慢性疾患、家族の病歴、又は場合によっては採血などの選択基準は、医学界では絶対的基準として広く受け入れられているが、そのようなメタデータは、絶えず変化している個人の独特で複雑な生理の瞬間的なスナップショットにすぎない。そのような臨床メタデータによる個人の粗いカテゴリ化及び分類により、医薬品の投与についての望ましくない副作用及び合併症が生じ、同様の臨床メタデータを有する対象間のばらつきについての明確な理解又は理由付けはなされていない。現在のベストプラクティス及び制定された絶対的基準を改善するには、個人のスクリーニング及び分類のためのより豊かでより代表的なデータセットのために新たに技術を革新しなければならない。
本開示は、図9に示されるように、それらのエクスポソーム生化学的シグネチャプロファイルによって対象を分析及び分類することができるシステム及び方法を通じて、これらのニーズに対処する。本開示のエクスポソーム特徴分析は、毛幹、歯、指の爪、足指の爪、生理学的パラメータ、又はそれらの任意の組み合わせから、50,000以上の生化学的シグネチャ(図11)を非侵襲的な方法で分析することを含み得る。本発明のそのようなシステム及び分析方法を用いて、例えば、いくつかの要因を挙げると、食事、大気汚染、心理的ストレス、農薬への曝露、又は工業用化学物質(図10)によって誘発される対象の生化学的機能の微妙な変化を調査し、介入反応転帰及び目標とされる非常に有効な医薬品及び栄養補助食品と相関させ得る。
エクスポソーム生化学的シグネチャ分析によって生成される豊富なデータセットに加えて、図10に示されるように、エクスポソーム生化学的シグネチャ分析は、対象の寿命にわたる生化学的シグネチャの時間的変動についての見識を与えることもできる。そのような手法は、寿命を縮める疾患を有する個人をスクリーニングして、どんな単一のエクスポソーム特徴又はエクスポソーム特徴の組み合わせが疾患の発症に寄与するかを判定するために利用され得る。次に、識別された経路を使用して、図13~15に見られるように、介入が実質的な影響を与え得る段階で、他の点では健康な対象のエクスポソーム特徴から疾患の早期発症を予測することができる統計的モデル、機械学習モデル、及び/又は人工知能予測モデルを訓練し得る。
コンピュータ実装エクスポソームシステム
ある態様では、本開示は、1人以上の対象についてのエクスポソーム生化学的シグネチャについての収集、保存、カタログ化、比較、分析、又はそれらの任意の組み合わせのためのコンピュータ実装エクスポソームシステムを提供する。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、介入に参加する対象の選択基準を最適化するために少なくとも部分的に使用され得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、それを必要とする対象についての最適な医薬品又は栄養補助食品治療を提案するために少なくとも部分的に使用される。いくつかの実施形態では、介入は、臨床試験、コミュニティ試験、又はそれらの任意の組み合わせを含み得る。
ある態様では、本開示は、1人以上の対象についてのエクスポソーム生化学的シグネチャについての収集、保存、カタログ化、比較、分析、又はそれらの任意の組み合わせのためのコンピュータ実装エクスポソームシステムを提供する。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、介入に参加する対象の選択基準を最適化するために少なくとも部分的に使用され得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、それを必要とする対象についての最適な医薬品又は栄養補助食品治療を提案するために少なくとも部分的に使用される。いくつかの実施形態では、介入は、臨床試験、コミュニティ試験、又はそれらの任意の組み合わせを含み得る。
図1を参照すると、コンピュータ実装エクスポソームシステム23は、以下のうちの1つ以上を含み得る。(a)エクスポソーム生化学的シグネチャデータベース(EDB)1であって、複数の対象の生化学的シグネチャ情報を更に含み得る、EDB1、(b)臨床データベース(CBD)3であって、複数の対象の臨床表現型情報を更に含み得る、CDB3、(c)介入要件データベース(IODB)5であって、少なくとも1つの介入の少なくとも1つの段階についての介入転帰情報に関する情報を更に含み得る、IODB5、(d)治療データベース(TDB)18、(e)単一のコア若しくはマルチコアプロセッサ、又は並列処理のための複数のプロセッサであり得る処理ユニット(CPU、本明細書では「プロセッサ」及び「コンピュータプロセッサ」でもある)21を含み得るコンピュータシステム11。プロセッサ21は、プログラム又はソフトウェア、例えば、(i)EDB1及びCDB3に通信可能に結合された記憶ユニット19、すなわち、メモリ上に配置され、複数の対象のうちの少なくとも1人に関するエクスポソーム特徴と臨床表現型情報との間の関連付けを判定するようにプログラムされ得る関連付けソフトウェアモジュール、及び(ii)メモリ19上に配置された推奨ソフトウェアモジュールに具体化された一連の機械可読命令を実行し得る。ソフトウェアは、メモリ19からランダムアクセスメモリ(RAM)17又は読み取り専用メモリ(ROM)17にロードされ得、ランダムアクセスメモリ(RAM)17又は読み取り専用メモリ(ROM)17は、複数の対象のうちの少なくとも1人について、エクスポソーム特徴、臨床表現型情報、介入転帰情報、及びエクスポソーム特徴と複数の対象のうちの少なくとも1人の臨床表現型情報との間の関連性に少なくとも部分的に基づいて、介入推奨を提供し得る。
いくつかの実施形態では、エクスポソーム生化学的シグネチャデータベース(EDB)1は、複数の対象からのエクスポソーム特徴を含み得る。エクスポソーム生化学的シグネチャは、図11に見られるように、ペルフルオロ化合物、パラベン、フタル酸塩、脂質、アミノ酸、代謝物、ペプチド、金属、その誘導体、又はそれらの任意の組み合わせの生化学的シグネチャを含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、対象の人生の関数として(例えば、老化の関数として又は時間の関数として)分析又は取得され、この場合、図6A~6Dに見られるようなエクスポソーム生化学的シグネチャの集合が分析されて1つ以上のエクスポソーム特徴が生成され得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャによって表される期間は、少なくとも1時間、少なくとも1日、少なくとも1週間、少なくとも1ヶ月、少なくとも1年、又はそれらの任意の組み合わせを含み得る。
いくつかの実施形態では、エクスポソーム生化学的シグネチャの数は、約10個~約10万個のシグネチャを含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャの数は、約10個のシグネチャ~約100個のシグネチャ、約10個のシグネチャ~約500個のシグネチャ、約10個のシグネチャ~約1,000個のシグネチャ、約10個のシグネチャ~約5,000個のシグネチャ、約10個のシグネチャ~約7,000個のシグネチャ、約10個のシグネチャ~約10,000個のシグネチャ、約10個のシグネチャ~約20,000個のシグネチャ、約10個のシグネチャ~約50,000個のシグネチャ、約10個のシグネチャ~約100,000個のシグネチャ、約100個のシグネチャ~約500個のシグネチャ、約100個のシグネチャ~約1,000個のシグネチャ、約100個のシグネチャ~約5,000個のシグネチャ、約100個のシグネチャ~約7,000個のシグネチャ、約100個のシグネチャ~約10,000個のシグネチャ、約100個のシグネチャ~約20,000個のシグネチャ、約100個のシグネチャ~約50,000個のシグネチャ、約100個のシグネチャ~約100,000個のシグネチャ、約500個のシグネチャ~約1,000個のシグネチャ、約500個のシグネチャ~約5,000個のシグネチャ、約500個のシグネチャ~約7,000個のシグネチャ、約500個のシグネチャ~約10,000個のシグネチャ、約500個のシグネチャ~約20,000個のシグネチャ、約500個のシグネチャ~約50,000個のシグネチャ、約500個のシグネチャ~約100,000個のシグネチャ、約1,000個のシグネチャ~約5,000個のシグネチャ、約1,000個のシグネチャ~約7,000個のシグネチャ、約1,000個のシグネチャ~約10,000個のシグネチャ、約1,000個のシグネチャ~約20,000個のシグネチャ、約1,000個のシグネチャ~約50,000個のシグネチャ、約1,000個のシグネチャ~約100,000個のシグネチャ、約5,000個のシグネチャ~約7,000個のシグネチャ、約5,000個のシグネチャ~約10,000個のシグネチャ、約5,000個のシグネチャ~約20,000個のシグネチャ、約5,000個のシグネチャ~約50,000個のシグネチャ、約5,000個のシグネチャ~約100,000個のシグネチャ、約7,000個のシグネチャ~約10,000個のシグネチャ、約7,000個のシグネチャ~約20,000個のシグネチャ、約7,000個のシグネチャ~約50,000個のシグネチャ、約7,000個のシグネチャ~約100,000個のシグネチャ、約10,000個のシグネチャ~約20,000個のシグネチャ、約10,000個のシグネチャ~約50,000個のシグネチャ、約10,000個のシグネチャ~約100,000個のシグネチャ、約20,000個のシグネチャ~約50,000個のシグネチャ、約20,000個のシグネチャ~約100,000個のシグネチャ、又は約50,000個のシグネチャ~約100,000個のシグネチャを含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャの数は、約10個のシグネチャ、約100個のシグネチャ、約500個のシグネチャ、約1,000個のシグネチャ、約5,000個のシグネチャ、約7,000個のシグネチャ、約10,000個のシグネチャ、約20,000個のシグネチャ、約50,000個のシグネチャ、又は約100,000個のシグネチャを含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャの数は、少なくとも約10個のシグネチャ、約100個のシグネチャ、約500個のシグネチャ、約1,000個のシグネチャ、約5,000個のシグネチャ、約7,000個のシグネチャ、約10,000個のシグネチャ、約20,000個のシグネチャ、又は約50,000個のシグネチャを含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャの数は、最大で約100個のシグネチャ、約500個のシグネチャ、約1,000個のシグネチャ、約5,000個のシグネチャ、約7,000個のシグネチャ、約10,000個のシグネチャ、約20,000個のシグネチャ、約50,000個のシグネチャ、又は約100,000個のシグネチャを含み得る。
いくつかの実施形態では、エクスポソーム生化学的シグネチャは、複数の対象の生体試料をアッセイすることによって得られ得る。いくつかの実施形態では、生体試料は、歯、爪、又は毛幹試料を含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、レーザアブレーション誘導結合プラズマ質量分析測定、レーザ誘導破壊分光測定、質量分析測定、ラマン分光法測定、免疫組織化学測定、分子タグ付け(例えば、蛍光団を用いる)、核磁気共鳴、クロマトグラフィー、又はそれらの任意の組み合わせを使用して取得され得る。いくつかの実施形態では、レーザアブレーション誘導結合プラズマ質量分析測定は、1つ以上の元素化学物質を測定し得る。いくつかの実施形態では、1つ以上の元素化学物質は、本明細書の他の箇所、例えば、表1及び/又は表2に記載されるように、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせの化学物質を含む。いくつかの実施形態では、エクスポソームム生化学的シグネチャ情報は、複数の対象のエクスポソーム時間的生化学的反応を含み得る。いくつかの実施形態では、生化学情報は、生体試料の蛍光画像を含み得る。いくつかの実施形態では、エクスポソーム生化学的シグネチャは、複数の対象の生体試料のラマンスペクトルの空間マップを含み得る。いくつかの実施形態では、エクスポソーム特徴は、疾患又は障害に関連付けられ得る。いくつかの実施形態では、疾患又は障害が、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む。いくつかの実施形態では、疾患又は障害が、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害が、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。
いくつかの実施形態では、複数の化学物質は、表1に列挙されている化学物質から選択される。いくつかの実施形態では、複数の化学物質は、表1に含まれる同位体の少なくとも50%、60%、70%、80%、又は90%を含む。
いくつかの実施形態では、複数の化学物質は、表2に列挙されている化学物質から選択される。いくつかの実施形態では、複数の化学物質は、表2に含まれる同位体の少なくとも50%、60%、70%、80%、又は90%を含む。
いくつかの実施形態では、1つ以上のエクスポソーム特徴は、1つ以上の動的エクスポソーム生化学的シグネチャから計算される。データ分析によって導出されるエクスポソーム特徴は、後続の統計的モデル、機械学習モデル、又は人工知能モデルで利用される記述的統計又はパラメータを含み得る。そのようなエクスポソーム特徴は、1つ以上の動的エクスポソームシグネチャの標準偏差、分散、信頼区間、及び/又は関連するメトリックなどの誤差及び/又はばらつきの平均、中央値、モード、及び範囲などの標準的な記述メトリック及び/又は関連する尺度を含み得る。エクスポソーム特徴の導出は、線形勾配、1つ以上の動的エクスポソームシグネチャの曲率を記述する非線形パラメータ、1つ以上の動的エクスポソームシグネチャの強度の急激な変化、1つ以上の動的エクスポソームシグネチャのベースライン強度の変化、1つ以上の動的エクスポソームシグネチャの周波数ドメイン表現の変化、1つ以上の動的エクスポソームシグネチャのパワースペクトルドメイン表現の変化、再発定量分析パラメータ、交差再発定量分析パラメータ、ジョイント再発定量分析パラメータ、多次元再発定量分析パラメータ、リパヌフスクトル若しくは最大リアプノフ指数の推定、又はそれらの任意の組み合わせを導出するための計算方法の適用を含み得る。
いくつかの実施形態では、1つ以上のエクスポソーム特徴は、1つ以上の動的エクスポソームシグネチャの時間的ダイナミクスの測定を含む。いくつかの実施形態では、時間的ダイナミクスの測定値は、線形勾配、1つ以上の動的エクスポソームシグネチャの曲率を記述する非線形パラメータ、1つ以上の動的エクスポソームシグネチャの強度の急激な変化、1つ以上の動的エクスポソームシグネチャのベースライン強度の変化、1つ以上の動的エクスポソームシグネチャの周波数ドメイン表現の変化、1つ以上の動的エクスポソームシグネチャのパワースペクトルドメイン表現の変化、再発定量分析パラメータ、交差再発定量分析パラメータ、ジョイント再発定量分析パラメータ、多次元再発定量分析パラメータ、リパヌフスペクトルの推定、最大リアプノフ指数、又はそれらの任意の組み合わせを含む。
いくつかの実施形態では、1つ以上のエクスポソーム生化学的シグネチャの再発定量分析、交差再発定量分析、ジョイント再発定量分析、多次元再発定量分析を使用して、本明細書の他の箇所に記載されている予測モデルを訓練するために利用される記述的統計及び/又はパラメータを導出し得る。
場合によっては、再発定量分析パラメータは、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数を含み得る。
場合によっては、1つ以上のエクスポソーム特徴は、1つ以上のアトラクタ(図19B、20B、20D)から導出され得、それによって、1つ以上のアトラクタは、1つ以上の動的エクスポソーム生化学的シグネチャ(図19A、20A、20C)から生成される。いくつかの実施形態では、1つ以上のアトラクタは、ポテンシャルエネルギー分析によって分析され、それによってポテンシャルエネルギーデータ空間を生成する。
いくつかの実施形態では、1つ以上のアトラクタのシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの間に動的関係(図19C)が確立され、分析され、特徴として提供され得る。いくつかの実施形態では、動的関係は、交差収束マッピング(CCM)によって判定される。
場合によっては、1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、積層度、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、1つ以上のアトラクタからネットワークが構築され得る(図21A~B)。いくつかの実施形態では、1つ以上のアトラクタのネットワークの1つ以上のエクスポソーム特徴を分析して、ネットワークの接続性、効率、特徴重要性、経路重要性、関連するグラフ理論に基づくメトリック、又はそれらの任意の組み合わせの分析を判定する。
いくつかの実施形態では、1つ以上の動的エクスポソームシグネチャの1つ以上のエクスポソーム特徴は、表現型エクスポソーム特徴を含む。表現型エクスポソーム特徴は、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトーム、プロテオミック、メタボローム、又はそれらの任意の組み合わせのデータを含み得る。
いくつかの実施形態では、表現型エクスポソーム特徴は、分子表現型を含む。場合によっては、分子表現型は、教師なし分析によって判定され、教師なし分析は、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含む。
いくつかの実施形態では、CBD3は、対象についての臨床表現型データを含み得る。いくつかの実施形態では、臨床表現型データは、複数の対象についての臨床メタデータを含む。いくつかの実施形態では、臨床メタデータは、対象の年齢、性別、体重、身長、血液型、視力、現在の疾患、家族の過去の病歴、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、対象の臨床メタデータ及びエクスポソーム生化学的シグネチャは、個別に検討され得るか、又は組み合わせて検討され得、対象が介入の好適な候補であるかどうかを判定し得る。
いくつかの実施形態では、IODB5は、介入転帰情報を含み得る。いくつかの実施形態では、介入転帰情報は、1つ以上の介入の適格性基準を含み得る。いくつかの実施形態では、介入は、第1、2、3相又はそれらの任意の組み合わせの介入を含み得る。いくつかの実施形態では、介入転帰情報は、陽性反応者、陰性反応者、又は非反応者を含む1人以上の対象の介入転帰分類に関する情報を含み得る。
いくつかの実施形態では、TDB18は、少なくとも部分的に医薬品及び栄養補助食品治療に関連するエクスポソーム特徴を含み得る。いくつかの実施形態では、医薬品及び栄養補助食品のエクスポソーム特徴は、1人以上の対象の1つ以上の生体試料をアッセイすることによって得られる、疾患又は障害のない対象の1つ以上の参照エクスポソーム特徴、疾患又は障害を有する対象の1つ以上の治療前エクスポソーム特徴、及び疾患又は障害を有する対象の1つ以上の治療後エクスポソーム特徴を含み得る。
いくつかの実施形態では、1つ以上の参照動的プロファイル生化学的シグネチャに対する1つ以上の治療前エクスポソーム特徴と1つ以上の治療後エクスポソーム特徴との間の差の分析を使用して、疾患又は障害を有する対象についての1つ以上の最適な医薬品治療、栄養補助食品治療、又はそれらの治療の任意の組み合わせを判定し得る。いくつかの実施形態では、1つ以上の参照エクスポソーム特徴に対する1つ以上の治療後エクスポソーム特徴の差は、疾患又は障害を有する対象に1つ以上の医薬品又は栄養補助食品を推奨するための基礎を提供し得、1人以上の対象のエクスポソーム生化学的シグネチャと組み合わせて使用して、1人以上の対象に1つ以上の疾患又は障害を予防又は治療するための最適な治療を推奨し得る。いくつかの実施形態では、疾患又は障害は、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む。いくつかの実施形態では、疾患又は障害は、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害が、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。いくつかの実施形態では、最適な医薬品又は栄養補助食品治療の基準は、1人以上の対象の所与の対象のエクスポソーム生化学的シグネチャの欠乏に対する補完を含み得る。
いくつかの実施形態では、治療後エクスポソーム特徴のうちの1つ以上の特徴と、1つ以上の参照エクスポソーム特徴との差異。いくつかの実施形態では、特徴は、本明細書の他の箇所に記載するように、全体的な平均、ばらつきの程度、移動平均など、又はそれらの特徴の任意の組み合わせを含む。
いくつかの実施形態では、特徴の差は、約10%~約100%の差を含む。いくつかの実施形態では、特徴の差は、約10%~約20%、約10%~約30%、約10%~約40%、約10%~約50%、約10%~約60%、約10%~約70%、約10%~約80%、約10%~約90%、約10%~約100%、約20%~約30%、約20%~約40%、約20%~約50%、約20%~約60%、約20%~約70%、約20%~約80%、約20%~約90%、約20%~約100%、約30%~約40%、約30%~約50%、約30%~約60%、約30%~約70%、約30%~約80%、約30%~約90%、約30%~約100%、約40%~約50%、約40%~約60%、約40%~約70%、約40%~約80%、約40%~約90%、約40%~約100%、約50%~約60%、約50%~約70%、約50%~約80%、約50%~約90%、約50%~約100%、約60%~約70%、約60%~約80%、約60%~約90%、約60%~約100%、約70%~約80%、約70%~約90%、約70%~約100%、約80%~約90%、約80%~約100%、又は約90%~約100%の差を含む。いくつかの実施形態では、特徴の差は、約10%、約20%、約30%、約40%、約50%、約60%、約70%、約80%、約90%、又は約100%の差を含み得る。いくつかの実施形態では、特徴の差は、少なくとも約10%、約20%、約30%、約40%、約50%、約60%、約70%、約80%、又は約90%の差を含み得る。いくつかの実施形態では、特徴の差は、最大でも約20%、約30%、約40%、約50%、約60%、約70%、約80%、約90%、又は約100%の差を含み得る。
コンピュータシステムは、1つ以上の他のシステムと通信するための通信インターフェース13(例えば、ネットワークアダプタ)、並びにキャッシュ、他のメモリ、データストレージ及び/又は電子ディスプレイアダプタなどの周辺デバイス15を更に含み得る。メモリ17、記憶ユニット19、インターフェース13、及び周辺デバイス15は、マザーボードなどの通信バス(実線)を介してCPU21と通信している。記憶ユニット19は、データを記憶するためのデータ記憶ユニット(又はデータリポジトリ)であり得る。コンピュータシステム11は、通信インターフェース13の助けを借りて、コンピュータネットワーク(「ネットワーク」)に動作可能に結合され得る。ネットワークは、インターネット、エクストラネット、及び/又はインターネットと通信しているイントラネットであり得る。いくつかの実施形態では、ネットワークは、電気通信及び/又はデータネットワークである。ネットワークは、クラウドコンピューティングなどの分散コンピューティングを可能にすることができる1つ以上のコンピュータサーバを含むことができる。ネットワークは、場合によっては、コンピュータシステム11の助けを借りて、ピアツーピアネットワークを実装することができ、ピアツーピアネットワークは、コンピュータシステム11に結合されたデバイスがクライアント又はサーバとして動作することを可能にし得る。
いくつかの実施形態では、EDB1、CDB3、IODB5、及びTDB18は、ネットワーク上に位置し、コンピュータシステム11によってリモートでアクセスされ得る。いくつかの実施形態では、EDB1、CDB3、IODB5、及びTDB18は、個人の健康情報を保護する安全な暗号化ネットワークサーバ上に存在し得る。いくつかの実施形態では、EDB1、CDB3、IODB5、及びTDB18は、病院のネットワーク内又は外部の1つ以上のコンピュータシステム11によってリモートにアクセスされ得る。いくつかの実施形態では、EDB1、CDB3、IODB5、及びTDB18は、推奨事項及びパーソナライズされたデータを見るために、安全なネットワークプロトコルを介して1人以上の対象によってアクセスされ得る。
CPU21は、一連の機械可読命令を実行することができ、命令は、プログラム又はソフトウェアにおいて具現化され得る。命令は、ランダムアクセスメモリ17などのメモリ位置に記憶され得る。命令は、CPU21に送ることができ、その後、本開示の方法を実装するようにCPU21をプログラムするか、又は別様に構成することができる。CPU21によって実行される動作の例は、フェッチ、デコード、実行、及び書き戻しを含むことができる。
CPU21は、集積回路などの回路の一部であり得る。システム11の1つ以上の他の構成要素は、回路に含まれ得る。いくつかの実施形態では、回路は、特定用途向け集積回路(ASIC)である。
記憶ユニット19は、ドライバ、ライブラリ、及び保存されたプログラムなどのファイルを記憶することができる。記憶ユニット19は、ユーザデータ、例えば、ユーザプリファレンス及びユーザプログラムを記憶することができる。いくつかの場合、コンピュータシステム11は、イントラネット又はインターネットを介してコンピュータシステム11と通信しているリモートサーバ上に位置するような、コンピュータシステム11の外部にある1つ以上の追加のデータ記憶ユニットを含むことができる。
コンピュータシステム11は、ネットワークを介して1つ以上のリモートコンピュータシステムと通信し得る。例えば、コンピュータシステム11は、ユーザ(例えば、医療提供者、対象など)のリモートコンピュータシステムと通信することができる。リモートコンピュータシステムの例としては、パーソナルコンピュータ(例えば、ポータブルPC)、スレート又はタブレットPC(例えば、Apple(登録商標)iPad、Samsung(登録商標)Galaxy Tab)、電話、スマートフォン(例えば、Apple(登録商標)iPhone、Android対応デバイス、Blackberry(登録商標))、又はパーソナルデジタルアシスタントが挙げられる。ユーザは、ネットワークを介してコンピュータシステム11にアクセスすることができる。
本明細書に記載される方法は、例えば、メモリ17又は電子記憶ユニット19上など、コンピュータシステム11の電子記憶位置に記憶された機械(例えば、コンピュータプロセッサ)実行可能コードによって実装され得る。機械実行可能コード又は機械可読コードは、ソフトウェアの形態で提供され得る。使用中、コードは、プロセッサ21によって実行され得る。いくつかの実施形態では、コードは、記憶ユニット19から取り込まれ、プロセッサ21によってアクセスできるようにランダムアクセスメモリ17に記憶される。いくつかの状況では、記憶ユニット19は除外され得、機械実行可能命令は、ランダムアクセスメモリ17上に記憶される。
コードは、コードを実行するように適合されたプロセッサを有するマシンとともに使用するように事前にコンパイルされ構成され得るか、又はランタイム中にコンパイルされ得る。コードは、プログラミング言語として供給され得、プログラミング言語としては、コードを事前にコンパイルして実行するのを可能にするか又はコンパイルされた通りに実行するのを可能にするプログラミング言語が選択され得る。
コンピュータシステム11のような本明細書に提供されるシステム及び方法の態様は、プログラミングにおいて具体化され得る。本技術の様々な態様は、典型的には、一種の機械可読媒体上で運ばれるか又は機械可読媒体において具体化される機械(又はプロセッサ)実行可能コード及び/又は関連データの形態である「製品」又は「製造物品」と考えられ得る。機械実行可能コードは、メモリ(例えば、読み取り専用メモリ、ランダムアクセスメモリ、フラッシュメモリ)又はハードディスクなどの電子記憶ユニットに記憶され得る。「記憶」タイプの媒体は、コンピュータ、プロセッサなど、又は様々な半導体メモリ、テープドライブ、ディスクドライブなどの関連モジュールの有形メモリのいずれか又は全てを含むことができ、これらは、ソフトウェアプログラミングのためにいつでも非一時的な記憶を提供し得る。ソフトウェアの全部又は一部は、インターネット又は様々な他の通信ネットワークを介して通信される場合がある。そのような通信は、例えば、あるコンピュータ又はプロセッサから別のコンピュータ、例えば、管理サーバ又はホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にし得る。したがって、ソフトウェア要素を持ち得る別のタイプの媒体は、ローカルデバイス間の物理インターフェースを介して、有線及び光固定回線ネットワークを通じて、並びに様々なエアリンク上で使用されるような光学、電気、及び電磁波を含む。また、有線又は無線リンク、光リンクなどのようなそのような波を運ぶ物理的要素は、ソフトウェアを持つ媒体とみなされ得る。本明細書で使用される場合、非一時的な有形の「記憶」媒体に限定されない限り、コンピュータ又は機械「可読媒体」などの用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。
したがって、コンピュータ実行可能コードなどの機械可読媒体は、有形記憶媒体、搬送波媒体、又は物理的伝送媒体を含むが、これらに限定されない多くの形態をとり得る。不揮発性記憶媒体は、例えば、任意のコンピュータなどの記憶デバイスのいずれかなどの光学又は磁気ディスクを含み、このような記憶媒体を使用して、図面に示されるデータベースなどを実装することができる。揮発性記憶媒体は、そのようなコンピュータプラットフォームのメインメモリなどの動的メモリを含む。有形伝送媒体には、同軸ケーブル、銅線、及びコンピュータシステム内のバスを構成するワイヤを含む光ファイバーが含まれる。搬送波伝送媒体は、電気シグナル若しくは電磁シグナル、又は無線周波数(RF)及び赤外線(IR)データ通信中に生成されるものなどの音響波若しくは光波の形態をとることができる。したがって、コンピュータ可読媒体の一般的な形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、CD-ROM、DVD又はDVD-ROM、任意の他の光学媒体、パンチカードペーパーテープ、穴のパターンを有する任意の他の物理記憶媒体、RAM、ROM、PROM及びEPROM、FLASH-EPROM、任意の他のメモリチップ又はカートリッジ、データ又は命令を伝送する搬送波、そのような搬送波を伝送するケーブル若しくはリンク、又はコンピュータがプログラミングコード及び/若しくはデータを読み取ることができる任意の他の媒体を含む。これらの形態のコンピュータ可読媒体の多くは、1つ以上の命令の1つ以上のシーケンスを実行のためにプロセッサに搬送することに関与し得る。
コンピュータシステム11は、例えば、蛍光画像データ、蛍光強度データ、炎症の時間的プロファイル、及び機械学習分類を提供するためのユーザインターフェース(UI)9を含む電子ディスプレイ7を含むか、又はそれと通信することができる。UIの例としては、限定されないが、グラフィカルユーザインターフェース(GUI)及びウェブベースのユーザインターフェースが挙げられる。
本開示の方法及びシステムは、1つ以上のアルゴリズムによって実装することができる。アルゴリズムは、本明細書の他の箇所に記載される中央処理ユニット21による実行時に、ソフトウェアによって実施され得る。
予測モデル
本明細書の開示の態様は、コンピュータに実装されたエクスポソームシステム23上に実装された訓練された予測モデルを含み得る。いくつかの実施形態では、訓練された予測モデルは、対象の介入の成功確率の遡及的又は前向き予測、介入を必要とする対象の医薬品又は栄養補助食品治療、又はそれらの任意の組み合わせを提供するように構成され得る。いくつかの実施形態では、訓練された予測モデルは、統計的分類器、機械学習分類器、人工知能分類器、分類器のアンサンブル、又はそれらの任意の組み合わせを含み得る。
本明細書の開示の態様は、コンピュータに実装されたエクスポソームシステム23上に実装された訓練された予測モデルを含み得る。いくつかの実施形態では、訓練された予測モデルは、対象の介入の成功確率の遡及的又は前向き予測、介入を必要とする対象の医薬品又は栄養補助食品治療、又はそれらの任意の組み合わせを提供するように構成され得る。いくつかの実施形態では、訓練された予測モデルは、統計的分類器、機械学習分類器、人工知能分類器、分類器のアンサンブル、又はそれらの任意の組み合わせを含み得る。
分類器は、1つ以上の統計的アルゴリズム、機械学習アルゴリズム、又は人工知能アルゴリズムを備え得る。利用されるアルゴリズムの例としては、サポートベクトルマシン(SVM)、ナイーブベイズ分類、ランダムフォレスト、ニューラルネットワーク(深層ニューラルネットワーク(DNN)、再帰ニューラルネットワーク(RNN)、深層RNN、長期短期記憶(LSTM)再帰ニューラルネットワーク(RNN)、又はゲート付き再帰ユニット(GRU)、又は他の教師あり学習アルゴリズム、又は教師なし機械学習、統計的深層学習アルゴリズム、分類及び回帰のための浅層学習アルゴリズムが挙げられ得る。分類器は、同様に、複数の予測モデルからなるアンサンブルモデルの推定を伴い得、例えば、勾配ブースト決定木の構築において、勾配ブーストなどの技法を利用し得る。分類器は、患者データに対応する1つ以上の訓練データセットを使用して訓練され得る。いくつかの実施形態では、1つ以上の訓練データセットは、エクスポソーム生化学的シグネチャ、動的エクスポソーム生化学的シグネチャ、臨床メタデータ、臨床試験情報、医薬品及び栄養補助食品治療のエクスポソーム特徴、又はそれらの任意の組み合わせを含み得る。
いくつかの実施形態では、訓練データ特徴は、生体試料から生成された対象の動的エクスポソーム生化学的シグネチャデータを含み得る。所与の対象の各生体試料について、訓練対象の生体試料上の基準線の複数の位置をサンプリングして、そこから測定値を生成し、それによって複数のエクスポソーム生化学的シグネチャを取得し得る。対応する複数のエクスポソーム生化学的シグネチャにおける各エクスポソーム生化学的シグネチャは、対応する複数の位置における異なる位置に対応し、対応する複数の位置における各位置は、対応する生体試料の異なる成長期間を表す。次に、生体試料のそれぞれの位置を分析し(例えば、レーザアブレーション誘導結合プラズマ質量分析計(LA-ICP-MS)、蛍光画像センサ、又はラマン分光計を使用して)、複数のトレースを得る。対応する複数のトレース内の各トレースは、対応する複数の動的エクスポソーム生化学的シグネチャから経時的に集合的に判定される、対応する物質の存在量測定に対応する。
いくつかの実施形態では、標識は、例えば、陽性反応、陰性反応(すなわち、有害反応)、又は非反応者などの介入転帰を含み得る。介入転帰は、介入中に提供される治療の実施後の期間までの陽性反応、陰性反応、又は非反応イベントの分類に関連する時間的特徴を含み得る。そのような期間は、例えば、約1時間、約2時間、約3時間、約4時間、約6時間、約8時間、約10時間、約12時間、約14時間、約16時間、約18時間、約20時間、約22時間、約24時間、約2日、約3日、約4日、約5日、約6日、約7日、約10日、約2週間、約3週間、約4週間、約1ヶ月、約2ヶ月、約3ヶ月、約4ヶ月、約6ヶ月、約8ヶ月、約10ヶ月、約1年、又は約1年を超え得る。
分類器を訓練するための入力特徴は、データをビンに集約することによって、又は代替的にワンホットエンコーディングを使用することによって構造化され得る。入力はまた、固定された期間にわたって別々のエクスポソーム特徴又は他の測定値との間で計算された相互相関、及び本明細書の他の箇所に記載される離散導関数又は連続した測定値間の有限差などの、前述の入力から導出された特徴値又はベクトルも含み得る。そのような期間は、例えば、約1時間、約2時間、約3時間、約4時間、約6時間、約8時間、約10時間、約12時間、約14時間、約16時間、約18時間、約20時間、約22時間、約24時間、約2日、約3日、約4日、約5日、約6日、約7日、約10日、約2週間、約3週間、約4週間、約1ヶ月、約2ヶ月、約3ヶ月、約4ヶ月、約6ヶ月、約8ヶ月、約10ヶ月、約1年、又は約1年を超え得る。
訓練記録は、観察結果のシーケンスから構築され得る。そのようなシーケンスは、データ処理を容易にするために固定された長さを含み得る。例えば、シーケンスは、ゼロパディングされ得るか、又は単一の患者の記録の独立したサブセットとして選択され得る。
(例えば、モデルの重み及び相関を判定することによって)分類器モデルを訓練して、リアルタイムの分類又は予測を生成するために、データセットを使用してモデルを訓練することができる。そのようなデータセットは、統計的に有意な分類又は予測を生成するのに十分な大きさであり得る。例えば、データセットは、動的プロファイル生物学的シグネチャデータ及び病院又は他の臨床環境からの他の臨床メタデータ測定値を含む、非特定化データのデータベースを含み得る。
データセットは、訓練データセット、開発データセット、及びテストデータセットなどのサブセット(例えば、離散又は重複)に分割され得る。例えば、データセットは、データセットの80%を含む訓練データセットと、データセットの20%を含むテストデータセットとに分割され得る。訓練データセットは、データセットの約10%、約20%、約30%、約40%、約50%、約60%、約70%、約80%、又は約90%を含み得る。開発データセットは、データセットの約10%、約20%、約30%、約40%、約50%、約60%、約70%、約80%、又は約90%を含み得る。テストデータセットは、データセットの約10%、約20%、約30%、約40%、約50%、約60%、約70%、約80%、又は約90%を含み得る。訓練セット(例えば、訓練データセット)は、サンプリングの独立性を確保するために、1人以上の対象コホートに対応するデータのセットのランダムサンプリングによって選択され得る。代替的に、訓練セット(例えば、訓練データセット)は、サンプリングの独立性を確保するために、1人以上の対象コホートに対応するデータのセットの比例サンプリングによって選択され得る。
モデル予測の精度を向上させ、モデルの過剰適合を低減するために、データセットを増強して、訓練セット内の試料の数を増加させ得る。例えば、データ増強は、訓練記録内の観察結果の順序を再配置することを含み得る。欠落した観察結果を有するデータセットを収容するために、欠落データを帰属させる方法、例えば、前方充填、後方充填、線形補間、及びマルチタスクガウスプロセスが使用され得る。交絡因子を除去するために、データセットがフィルタリングされ得る。例えば、データベース内では、対象のサブセットは除外され得る。
いくつかの実施形態では、過剰適合を防止するために、分類器を訓練する間に、ドロップアウト又は正則化などのデータサイエンス技法を使用し得る。ニューラルネットワークは、複数のサブネットワークを含み得、それらの各々は、異なるタイプの出力情報の分類又は予測を生成するように構成される(例えば、ニューラルネットワークの全体的な出力を形成するために組み合わされ得る)。分類器は、代替的に、ランダムフォレスト、分類及び回帰木、サポートベクトルマシン、判別分析、回帰技法、並びにそれらのアンサンブル及び勾配ブースト変形形態を含む統計的アルゴリズム又は関連するアルゴリズムを利用し得る。
いくつかの実施形態では、本開示のシステム及び方法は、疾患又は障害の治療を積極的に受けている患者のための病院環境に展開される。分類器が最適な医薬品又は栄養補助食品の分類又は予測を生成するとき、通知(例えば、アラート又はアラーム)が生成され、病院内の医師、看護師、又は患者の治療チームの他のメンバーなどの医療提供者に送信され得る。通知は、自動電話、ショートメッセージサービス(SMS)又はマルチメディアメッセージサービス(MMS)メッセージ、電子メール、ダッシュボード内のアラート、又はそれらの任意の組み合わせを介して送信され得る。通知は、介入の転帰の予測又は最適な医薬品若しくは栄養補助食品などの出力情報を含み得る。
分類器モデルのパフォーマンスを検証するために、異なるパフォーマンスメトリックが生成され得る。例えば、受信者動作曲線の下の面積(AUROC)を使用して、分類器の予測能力を判定し得る。例えば、分類器は、特異性及び感度が調整可能であるように、調整可能な分類閾値を使用し得、受信者動作曲線(ROC)を使用して、特異性及び感度の異なる値に対応する異なる動作点を識別し得る。
いくつかの実施形態では、予測方法のパフォーマンスは、予測された陽性症例及び実際の陽性症例、予測された陽性症例及び実際の陰性症例、予測された陰性症例及び実際の陰性症例、及び/又は予測された陰性症例及び実際の陽性症例の頻度及び重複を提供する表を構築することによって評価される。いくつかの場合では、構築された表は、混同行列であり得る。いくつかの場合では、混同行列の交差表は、所与の予測閾値で、本明細書の他の箇所に記載されるシステム及び方法に関連付けられた感度、特異性、精度、及び関連するパフォーマンスメトリックを提供し得る。
いくつかの実施形態では、データセットが十分に大きくない場合など、交差検証を実行して、異なる訓練及びテストデータセットにわたる分類モデルの堅牢性を評価し得る。
感度、特異性、精度、陽性予測値(PPV)、陰性予測値(NPV)、AUPRC、AUROCなどのパフォーマンスメトリックを計算するために、以下の定義が使用され得る。「偽陽性」とは、陽性の転帰又は結果が誤って生成された転帰を指し得る(例えば、介入に対する陽性反応者として分類された対象が、介入に参加することの悪影響又は否定的な影響を経験する)。「真の陽性」は、陽性の転帰又は結果が正しく生成された転帰を指し得る(例えば、対象は介入に対する陽性反応者として分類され、対象は陽性反応を経験する)。「偽陰性」は、陰性の転帰又は結果が生成された転帰を指し得る(例えば、対象は、介入に参加した後に対象が非反応者又は陽性反応者である場合、陰性反応者として分類される)。「真陰性」とは、陰性の転帰又は結果が生成された転帰を指し得る(例えば、対象は陰性反応者として分類され、介入に参加した後、対象は介入の医薬品治療に不利に反応する)。
いくつかの実施形態では、分類器は、予測精度尺度に対応する最小所望値を有するなど、精度又はパフォーマンスのための特定の所定の条件が満たされるまで訓練され得る。例えば、予測精度尺度は、介入の転帰の正確な予測、又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択に対応し得る。診断精度測定の例としては、疾患又は障害の検出又は予測の診断精度に対応する、受信者動作特性(ROC)曲線(AUROC)の感度、特異性、陽性予測値(PPV)、陰性予測値(NPV)、精度、精度再現率曲線下面積(AUPRC)、及び曲線下面積(AUC)が挙げられ得る。
例えば、かかる所定の状態は、介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測する感度が、例えば、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の値を含むことであり得る。
別の例として、かかる所定の状態は、介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測する特異性が、例えば、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の値を含むことであり得る。
別の例として、かかる所定の状態は、介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測する陽性予測値(PPV)が、例えば、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の値を含むことであり得る。
別の例として、かかる所定の状態は、介入又は最適な医薬品若しくは栄養補助食品の推奨及び/又は選択の転帰の陰性予測値(NPV)が、例えば、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の値を含むことであり得る。
別の例として、かかる所定の状態は、介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測する受信者動作特性(ROC)曲線(AUROC)の曲線の下の面積(AUC)が、少なくとも約0.50、少なくとも約0.55、少なくとも約0.60、少なくとも約0.65、少なくとも約0.70、少なくとも約0.75、少なくとも約0.80、少なくとも約0.85、少なくとも約0.90、少なくとも約0.95、少なくとも約0.96、少なくとも約0.97、少なくとも約0.98、又は少なくとも約0.99の値を含むことであり得る。
別の例として、かかる所定の状態は、介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測する精度再現率曲線の下の面積(AUPRC)が、少なくとも約0.10、少なくとも約0.15、少なくとも約0.20、少なくとも約0.25、少なくとも約0.30、少なくとも約0.35、少なくとも約0.40、少なくとも約0.45、少なくとも約0.50、少なくとも約0.55、少なくとも約0.60、少なくとも約0.65、少なくとも約0.70、少なくとも約0.75、少なくとも約0.80、少なくとも約0.85、少なくとも約0.90、少なくとも約0.95、少なくとも約0.96、少なくとも約0.97、少なくとも約0.98、又は少なくとも約0.99の値を含むことであり得る。
いくつかの実施形態では、訓練された分類器は、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の感度を用いた介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測するように訓練又は構成され得る。
いくつかの実施形態では、訓練された分類器は、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の特異性を用いた介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測するように訓練又は構成され得る。
いくつかの実施形態では、訓練された分類器は、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の陽性予測値(PPV)を用いた介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測するように訓練又は構成され得る。
いくつかの実施形態では、訓練された分類器は、少なくとも約50%、少なくとも約55%、少なくとも約60%、少なくとも約65%、少なくとも約70%、少なくとも約75%、少なくとも約80%、少なくとも約85%、少なくとも約90%、少なくとも約95%、少なくとも約96%、少なくとも約97%、少なくとも約98%、又は少なくとも約99%の陰性予測値(NPV)を用いた介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測するように訓練又は構成され得る。
いくつかの実施形態では、訓練された分類器は、少なくとも約0.50、少なくとも約0.55、少なくとも約0.60、少なくとも約0.65、少なくとも約0.70、少なくとも約0.75、少なくとも約0.80、少なくとも約0.85、少なくとも約0.90、少なくとも約0.95、少なくとも約0.96、少なくとも約0.97、少なくとも約0.98、又は少なくとも約0.99の受信者動作特性(ROC)曲線の曲線下の面積(AUC)(AUROC)を用いた介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測するように訓練又は構成され得る。
いくつかの実施形態では、訓練された分類器は、少なくとも約0.10、少なくとも約0.15、少なくとも約0.20、少なくとも約0.25、少なくとも約0.30、少なくとも約0.35、少なくとも約0.40、少なくとも約0.45、少なくとも約0.50、少なくとも約0.55、少なくとも約0.60、少なくとも約0.65、少なくとも約0.70、少なくとも約0.75、少なくとも約0.80、少なくとも約0.85、少なくとも約0.90、少なくとも約0.95、少なくとも約0.96、少なくとも約0.97、少なくとも約0.98、又は少なくとも約0.99の精度再現率曲線下の面積(AUPRC)を用いた介入又は最適な医薬品若しくは栄養補助食品の推奨及び/若しくは選択の転帰を予測するように訓練又は構成され得る。
いくつかの実施形態では、分類器は、ニューラルネットワーク又は畳み込みニューラルネットワークである。Vincent et al.,2010,“Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion,”J Mach Learn Res 11,pp.3371-3408、Larochelle et al.,2009,“Exploring strategies for training deep neural networks,”J Mach Learn Res 10,pp.1-40、及びHassoun,1995,Fundamentals of Artificial Neural Networks,Massachusetts Institute of Technologyを参照されたい。各文献は参照により本明細書に組み込まれる。
SVMは、Cristianini and Shawe-Taylor,2000,“An Introduction to Support Vector Machines,”Cambridge University Press,Cambridge; Boser et al.,1992,”A training algorithm for optimal margin classifiers,”in Proceedings of the 5 th Annual ACM Workshop on Computational Learning Theory,ACM Press,Pittsburgh,Pa.,pp.142-152、Vapnik,1998,Statistical Learning Theory,Wiley,New York; Mount,2001,Bioinformatics: sequence and genome analysis,Cold Spring Harbor Laboratory Press,Cold Spring Harbor,N.Y.、Duda,Pattern Classification,Second Edition,2001,John Wiley & Sons,Inc.,pp.259,262 -265、及びHastie,2001,The Elements of Statistical Learning,Springer,New York;及びFurey et al.,2000,Bioinformatics 16,906-914に記載されている。各文献は参照により本明細書に組み込まれる。分類に使用する場合、SVMは、バイナリラベル付けされたデータの所与のセットを、ラベル付けされたデータから最大限離れたハイパープレーンを用いて分離する。線形分離が不可能な場合、SVMは、特徴空間への非線形マッピングを自動的に実現する「カーネル」技法と組み合わせて動作することができる。特徴空間内のSVMによって見出される超平面は、入力空間内の非線形決定境界に対応する。
意思決定木は、Duda,2001,Pattern Classification,John Wiley & Sons,Inc.,New York,pp.395-396によって概略的に説明されており、この文献は参照により本明細書に組み込まれる。決定木に基づく方法は、特徴空間を長方形のセットに分割し、各々に(定数のような)モデルを適合させる。いくつかの実施形態では、決定木は、ランダムフォレスト回帰である。使用され得る1つの特定のアルゴリズムは、分類及び回帰木(CART)である。他の特定の決定木アルゴリズムには、ID3、C4.5、MART、及びランダムフォレストが含まれるが、これらに限定されない。CART、ID3、及びC4.5は、Duda,2001,Pattern Classification,John Wiley & Sons,Inc.,New York.pp.396-408 and pp.411-412に記載されており、この文献は参照により本明細書に組み込まれる。CART、MART、及びC4.5は、Hastie et al.,2001,The Elements of Statistical Learning,Springer-Verlag,New York,Chapter 9に記載されており、この文献の全体が参照により本明細書に組み込まれる。ランダムフォレストは、Breiman,1999,“Random Forests-Random Features,”Technical Report 567,Statistics Department,U.C.Berkeley,September 1999に記載されており、この文献の全体が参照により本明細書に組み込まれる。
クラスタリング(例えば、教師なしクラスタリングモデルアルゴリズム及び教師ありクラスタリングモデルアルゴリズム)は、Duda and Hart,Pattern Classification and Scene Analysis,1973,John Wiley & Sons,Inc.,New York(以下、「Duda1973」)の211~256頁に記載されており、この文献の全体が参照に本明細書に組み込まれる。Duda1973のセクション6.7で説明されているように、クラスタリング問題はデータセット内の自然なグループ分けを見つけることの1つとして説明されている。自然なグループ分けを識別するために、2つの問題が対処される。第一に、2つの試料間の類似性(又は非類似性)を測定する方法が、判定される。このメトリック(類似性尺度)は、あるクラスタ内の試料が他のクラスタ内の試料よりも互いに似ていることを確認するために使用される。第二に、類似性尺度を使用して、データをクラスタに分割するためのメカニズムが、判定される。類似性尺度は、Duda1973のセクション6.7において考察されており、クラスタリング調査を開始する1つの方法は、距離関数を定義し、訓練セット内の全ての試料ペア間の距離の行列を計算することであると記載されている。距離が類似性の良好な尺度である場合、同じクラスタ内の参照エンティティ間の距離は、異なるクラスタ内の参照エンティティ間の距離よりも有意に短くなる。しかし、Duda1973の215頁に記載されているように、クラスタリングは距離メトリックの使用を必要としない。例えば、非計量相似関数s(x,x’)は、2つのベクトルxとx’を比較するために使用することができる。従来、s(x,x’)は対称関数であり、xとx’が何らかの形で「類似している」ときに値が大きい。非計量相似関数s(x,x’)の一例は、Duda1973の218頁に提供されている。データセット内の点間の「類似性」又は「非類似性」を測定するための方法が選択されると、クラスタリングは、データの任意のパーティションのクラスタリング品質を測定する基準関数を必要とする。基準関数を極度化するデータセットのパーティションは、データをクラスタ化するために使用される。Duda1973の217頁を参照されたい。基準関数は、Duda1973のセクション6.8において考察されている。最近では、Duda et al.Pattern Classification,2 nd edition,John Wiley & Sons,Inc.New Yorkが公開されている。537~563頁は、クラスタリングについて詳細に記載している。クラスタリング技法に関する詳細は、Kaufman and Rousseeuw,1990,Finding Groups in DataAn Introduction to Cluster Analysis,Wiley,New York,N.Y.、Everitt,1993,Cluster analysis(3d ed.),Wiley,New York,N.Y.、及びBacker,1995,Computer-Assisted Reasoning in Cluster Analysis,Prentice Hall,Upper Saddle River,New Jerseyに記載されている。これらの文献の各々が参照により本明細書に組み込まれる。本開示で使用することができる特定の例示的なクラスタリング技法としては、階層クラスタリング(最近傍アルゴリズム、最遠隣法アルゴリズム、平均リンケージアルゴリズム、重心アルゴリズム、又は平方和アルゴリズムを用いた凝集クラスタリング)、k平均クラスタリング、ファジーk平均クラスタリングアルゴリズム、及びJarvis-Patrickクラスタリングが挙げられるが、これらに限定されない。いくつかの実施形態では、クラスタリングは、訓練セットがクラスタ化されるときにどんなクラスタが形成されるべきかについての先入観が課されない、教師なしクラスタリングを含む。
マルチカテゴリロジットモデルのような回帰モデルは、Agresti,An Introduction to Categorical Data Analysis,1996,John Wiley & Sons,Inc.,New York,Chapter 8に記載されており、この文献は参照によりその全体が本明細書に組み込まれる。いくつかの実施形態では、分類器は、Hastie et al.,2001,The Elements of Statistical Learning,Springer-Verlag,New Yorkに開示されている回帰モデルを利用し、この文献は参照によりその全体が本明細書に組み込まれる。いくつかの実施形態では、勾配ブーストモデルが、例えば、本明細書に記載される分類アルゴリズムに対して使用される。これらの勾配ブーストモデルは、Boehmke,Bradley; Greenwell,Brandon(2019).“Gradient Boosting”.Hands-On Machine Learning with R.Chapman & Hall.pp.221-245.ISBN978-1-138-49568-5.に記載されており、この文献の全体が参照により本明細書に組み込まれる。いくつかの実施形態では、アンサンブルモデリング技法が、例えば、本明細書に記載される分類アルゴリズムに対して使用される。これらのアンサンブルモデリング技法は、本明細書の分類モデルの実装形態に記載されており、Zhou Zhihua(2012).Ensemble Methods: Foundations and Algorithms.Chapman and Hall/CRC.ISBN978-1-439-83003-1に記載されており、この文献の全体が参照により本明細書に組み込まれる。
いくつかの実施形態では、機械学習分析は、データ分析を実行するための命令を含む、図1の1つ以上のプログラム(例えば、非永続的メモリ(すなわち、RAM又はROM)17又は記憶ユニット19(すなわち、ハードディスク)に記憶された1つ以上のプログラム)を実行するデバイスによって実行される。いくつかの実施形態では、データ分析は、少なくとも1つのプロセッサ(例えば、処理コア21)と、データ分析を実行するための命令を含むメモリ(例えば、非永続的メモリ17又は記憶ユニット19に記憶された1つ以上のプログラム)と、を備える、システムによって実行される。
介入層化予測モデル
いくつかの実施形態では、予測モデル26は、図2Aに見られるように、1人以上の対象のエクスポソーム特徴に基づいて、介入転帰の確率を予測するように訓練され得る1つ以上の分類器を含み得る。いくつかの実施形態では、分類器を訓練するための入力は、対象の臨床メタデータ20、対象のエクスポソーム生化学的シグネチャデータ22、及び対象の対応する介入転帰24を含み得る。いくつかの実施形態では、所与の対象に対する介入転帰は、非反応者、有害反応者、又は陽性反応者を含み得る。いくつかの実施形態では、予測モデルは最初に、介入からの治療を受けた1人以上の対象のデータセット上で訓練され得る。いくつかの実施形態では、分類器を訓練するために使用される訓練データセットは、例えば、対象の臨床メタデータ及び対応する対象のエクスポソーム生化学的シグネチャプロファイル、又はエクスポソーム生化学的シグネチャプロファイルから、例えば、本明細書の他の箇所に記載されるRQA及び介入転帰を介して導出される特徴から生成され得る。
いくつかの実施形態では、予測モデル26は、図2Aに見られるように、1人以上の対象のエクスポソーム特徴に基づいて、介入転帰の確率を予測するように訓練され得る1つ以上の分類器を含み得る。いくつかの実施形態では、分類器を訓練するための入力は、対象の臨床メタデータ20、対象のエクスポソーム生化学的シグネチャデータ22、及び対象の対応する介入転帰24を含み得る。いくつかの実施形態では、所与の対象に対する介入転帰は、非反応者、有害反応者、又は陽性反応者を含み得る。いくつかの実施形態では、予測モデルは最初に、介入からの治療を受けた1人以上の対象のデータセット上で訓練され得る。いくつかの実施形態では、分類器を訓練するために使用される訓練データセットは、例えば、対象の臨床メタデータ及び対応する対象のエクスポソーム生化学的シグネチャプロファイル、又はエクスポソーム生化学的シグネチャプロファイルから、例えば、本明細書の他の箇所に記載されるRQA及び介入転帰を介して導出される特徴から生成され得る。
いくつかの実施形態では、臨床メタデータ特徴は、電子カルテ(EMR)、生理学的測定、及び介入転帰から導出された対象の人口統計情報を含み得る。更に、訓練特徴は、例えば、動的エクスポソーム生化学的シグネチャデータのある範囲又はカテゴリのなどの臨床特性を含み得る。例えば、所与の時点で所与の患者から収集された特徴のセットは、対象の健康状態又はステータスを示すことができるCBD3及びEDB1のシグネチャとして集合的に機能し得る。
いくつかの実施形態では、訓練された予測モデル32は、図2Bに見られるように、介入に参加することに関心のある対象に関して介入転帰の予測を提供するように構成された、本明細書の他の箇所に記載される訓練された分類器を含み得る。いくつかの実施形態では、1人以上の対象の臨床メタデータ28及び対応するエクスポソーム特徴30は、訓練された予測モデル32への入力として供給され得る。訓練された予測モデル32は、次いで、予測された対象の試験的転帰34の確率を出力し得る。いくつかの実施形態では、予測された対象の試験的転帰の出力確率は、陽性反応者、陰性若しくは有害反応者、又は非反応者の分類を含み得る。いくつかの実施形態では、対象の臨床メタデータは、対象の年齢、性別、体重、身長、血液型、視力、現在の疾患、家族の過去の病歴、又はそれらの任意の組み合わせなどの臨床メタデータを含み得る。様々な機械学習技法は、機械学習技法の出力が、分類器の後続の層又はサブセクションへの入力特徴として使用され得るようにカスケード接続され得る。
最適な医薬品又は栄養補助食品選択予測モデル
いくつかの実施形態では、予測モデル42は、1つ以上の分類器を含み得、これらの分類器は、本明細書の他の箇所に記載されており、図3Aに見られるように、それぞれの1つ以上のエクスポソーム特徴から導出される特徴に基づいて、1人以上の対象の所与の疾患又は障害に対して投与される最適な医薬品又は栄養補助食品を予測するように構成された訓練された予測モデル48を生成するように訓練され得る。いくつかの実施形態では、統計的分類器、機械学習分類器、及び/又は人工知能分類器を訓練するための入力は、(a)対象の疾患又は障害36、(b)1つ以上のエクスポソーム特徴から導出される対象の治療前特徴38、(c)投与される医薬品又は栄養補助食品治療40、及び(d)1つ以上のエクスポソーム特徴における対象の治療後特徴と、疾患又は障害のない対象の生化学的シグネチャから導出される1つ以上の特徴のエクスポソーム特徴から導出される1つ以上の参照特徴と比較した際のパーセント差を含み得る。
いくつかの実施形態では、予測モデル42は、1つ以上の分類器を含み得、これらの分類器は、本明細書の他の箇所に記載されており、図3Aに見られるように、それぞれの1つ以上のエクスポソーム特徴から導出される特徴に基づいて、1人以上の対象の所与の疾患又は障害に対して投与される最適な医薬品又は栄養補助食品を予測するように構成された訓練された予測モデル48を生成するように訓練され得る。いくつかの実施形態では、統計的分類器、機械学習分類器、及び/又は人工知能分類器を訓練するための入力は、(a)対象の疾患又は障害36、(b)1つ以上のエクスポソーム特徴から導出される対象の治療前特徴38、(c)投与される医薬品又は栄養補助食品治療40、及び(d)1つ以上のエクスポソーム特徴における対象の治療後特徴と、疾患又は障害のない対象の生化学的シグネチャから導出される1つ以上の特徴のエクスポソーム特徴から導出される1つ以上の参照特徴と比較した際のパーセント差を含み得る。
いくつかの実施形態では、訓練された予測モデル48は、本明細書の他の箇所に記載される訓練された分類器を含み得、この分類器は、図3Bに見られるように、対象の治療後の1つ以上のエクスポソーム特徴と、1つ又は1つ以上の参照エクスポソーム特徴との間のパーセント差の予測50を提供するように構成される。いくつかの実施形態では、訓練された予測モデルは、(a)対象の臨床データ44、(b)検討中の医薬品又は栄養補助食品治療46、及び(c)対象の1つ以上の治療前エクスポソーム特徴を入力としてとり得る。いくつかの実施形態では、1つ以上の医薬品又は栄養補助食品治療が検討され得る。
エクスポソームクラスタ分析
いくつかの実施形態では、図7A~7Bに見られるように、1人以上の対象の1つ以上のエクスポソームシグネチャプロファイルをクラスタリング方法によって分析して、疾患又は障害に基づいて対象を分類又はグループ化し得る。1人以上の対象は、1つ以上のエクスポソーム特徴104のエクスポソームデータクラスタ97、100によって表される。対象の1つ以上のエクスポソーム特徴は、分析又は分類のためにコホートの平均102と比較され得る。代替的に、エクスポソーム特徴を使用して、臨床介入の前、最中、又は後の対象をサブタイプ化して、どの対象が所与の介入に対して陽性反応、陰性反応、又は無反応を示し得るかを理解し得る。
いくつかの実施形態では、図7A~7Bに見られるように、1人以上の対象の1つ以上のエクスポソームシグネチャプロファイルをクラスタリング方法によって分析して、疾患又は障害に基づいて対象を分類又はグループ化し得る。1人以上の対象は、1つ以上のエクスポソーム特徴104のエクスポソームデータクラスタ97、100によって表される。対象の1つ以上のエクスポソーム特徴は、分析又は分類のためにコホートの平均102と比較され得る。代替的に、エクスポソーム特徴を使用して、臨床介入の前、最中、又は後の対象をサブタイプ化して、どの対象が所与の介入に対して陽性反応、陰性反応、又は無反応を示し得るかを理解し得る。
方法
本明細書の開示の態様は、疾患又は障害を有する対象に対する介入最適化方法及び最適な医薬品及び/又は栄養補助食品推奨の推奨方法を含み得る。いくつかの実施形態では、本明細書に記載される方法は、本明細書の他の箇所に記載される本開示のシステム上で実行され得る。
本明細書の開示の態様は、疾患又は障害を有する対象に対する介入最適化方法及び最適な医薬品及び/又は栄養補助食品推奨の推奨方法を含み得る。いくつかの実施形態では、本明細書に記載される方法は、本明細書の他の箇所に記載される本開示のシステム上で実行され得る。
介入最適化
いくつかの実施形態では、本開示の方法は、図4に見られるように、対象60に対する介入の転帰を最適化する方法を含み得る。いくつかの実施形態では、介入は、第I相、第II相、第III相、又はこれらの任意の組み合わせの介入における臨床試験研究を含み得る。いくつかの実施形態では、本方法は、(a)訓練された予測モデルを提供するステップ61であって、訓練された予測モデルが、1人以上の対象の臨床メタデータ、エクスポソーム特徴、及び対応する介入転帰情報に関して訓練される、提供するステップ61と、(b)介入を求める対象から、生体試料から得られた生化学的シグネチャから導出された特徴を検出し、それによって、遡及的エクスポソーム生化学的シグネチャを生成するステップ62と、(c)訓練された予測モデルを使用して、介入を求める対象の予測された介入転帰情報を予測するステップ64であって、介入を求める対象の遡及的エクスポソーム生化学的シグネチャプロファイル及び対象の臨床メタが、訓練された予測モデルへの入力である、予測するステップ64と、(d)対象の予測された介入転帰情報に少なくとも部分的に基づいて、対象を介入について選択するか、又は対象を介入から除外するステップ66と、を含む。代替的に、介入は、臨床環境で実施される場合、又はされない場合がある、コミュニティ試験を含み得る。
いくつかの実施形態では、本開示の方法は、図4に見られるように、対象60に対する介入の転帰を最適化する方法を含み得る。いくつかの実施形態では、介入は、第I相、第II相、第III相、又はこれらの任意の組み合わせの介入における臨床試験研究を含み得る。いくつかの実施形態では、本方法は、(a)訓練された予測モデルを提供するステップ61であって、訓練された予測モデルが、1人以上の対象の臨床メタデータ、エクスポソーム特徴、及び対応する介入転帰情報に関して訓練される、提供するステップ61と、(b)介入を求める対象から、生体試料から得られた生化学的シグネチャから導出された特徴を検出し、それによって、遡及的エクスポソーム生化学的シグネチャを生成するステップ62と、(c)訓練された予測モデルを使用して、介入を求める対象の予測された介入転帰情報を予測するステップ64であって、介入を求める対象の遡及的エクスポソーム生化学的シグネチャプロファイル及び対象の臨床メタが、訓練された予測モデルへの入力である、予測するステップ64と、(d)対象の予測された介入転帰情報に少なくとも部分的に基づいて、対象を介入について選択するか、又は対象を介入から除外するステップ66と、を含む。代替的に、介入は、臨床環境で実施される場合、又はされない場合がある、コミュニティ試験を含み得る。
場合によっては、対象の1つ以上のエクスポソーム特徴を使用して、所与の介入の有効性又は効果を判定し得る。例えば、図6A~Dに見られるように、対象の生体試料のエクスポソーム分析により、エクスポソーム特徴を生成することは、鉛ベースの中毒介入の有効性に関する洞察を提供し得る。図6Aは、日数のx軸及びエクスポソームシグネチャ強度のy軸を有する、エクスポソーム生化学的シグネチャ81を示す。図6Aは、示される介入の開始点77及び終了点79を有するスズのエクスポソームシグネチャを表す。図6B~Dは、介入85、89、及び93を受けなかった1人以上の対象について、介入83、87、及び91を受けた対象と比較して、それぞれ、鉛、カルシウム、及びマグネシウムのエクスポソームシグネチャについての対照的なエクスポソーム生化学的シグネチャを示す。この特定の例では、図6Cにおける鉛のエクスポソーム生化学的シグネチャが減少することが観察され得、介入が有効であることが証明され得ることを示す。しかしながら、マグネシウムなどの他のエクスポソームシグネチャが増加し、望ましくない効果をもたらす可能性があることも観察され得る。いくつかの実施形態では、生化学的シグネチャのかかるエクスポソーム特徴は、介入の有効性を観察するか、又は介入の標的ではない1つ以上のエクスポソーム特徴の望ましくない増加又は減少の兆候を補完するために補助的介入を推奨するために利用される。いくつかの実施形態では、介入効果又は有効性分析のそのような手法は、意図されていない適用のための介入を再利用するために、又は介入が最初に意図されていなかった疾患又は障害からの症状を補助するために使用される。
いくつかの実施形態では、介入を受けた対象から取得されたエクスポソーム特徴は、複数の分析モジュールを用いて更に分析される。いくつかの実施形態では、第1の分析モジュール(モジュール1)は、要素シグナル強度に対する臨床介入の効果に焦点を当てており、介入の時間経過が、エクスポソーム生化学的シグネチャシグナル強度のタイミングと比較して確立される。エクスポソーム生化学的シグネチャの時変シグナル強度は、臨床的介入のタイミングに対して日付を示すことができ、これにより、エクスポソーム生化学的シグネチャシグナルの強度を、介入前、介入時、又は介入後に生じるものとして表すことができる。これらの期間中のエクスポソーム生化学的シグネチャシグナル強度は、その期間中に検出された平均又は中央値エクスポソーム生化学的シグネチャシグナル強度などの要約統計を介して、対象のレベルで集約することができる。介入の効果は、従来の一般的な線形モデルの適用を通じて、研究に参加する対象間で評価することができ、ここでは、介入の効果に対応するエクスポソーム生化学的シグネチャシグナル強度の統計的に有意な差を同定するために、介入の前後のエクスポソーム生化学的シグネチャシグナル強度が全ての対象にわたって比較される。この文脈では、統計的有意性は、標準的な確率的仮説検定によって評価される。
いくつかの実施形態では、第2の分析モジュール(モジュール2)は、複数のエクスポソーム特徴、すなわち、生化学的シグネチャ経路に対する介入の同時効果に焦点を当てることを含み得る。モジュール1のように、このモジュールは、介入の時間経過が、エクスポソーム生化学的シグネチャシグナル強度のタイミングに対して確立されたときに適用され得、それによって、記述的統計での介入前、介入時、及び介入後の強度の集約が可能になる。個人レベルで導出された集約尺度は、次いで、臨床試験の参加者間でプールされ、多変量モデルの構築に使用される。これらは、主成分分析、因子分析、又は関連する方法などの教師なし分析の形態をとることができ、これにより、次元削減技法が、複数のエクスポソーム生化学的シグネチャ経路のエクスポソーム生化学的シグネチャシグナル強度を要約するメトリック(主成分、因子スコア)を導出するために適用され、モジュール1のように、臨床介入に関連する仮説をテストするために、その後の一般的な線形モデルにおいて使用され得る。代替的に、部分最小二乗、部分最小二乗判別分析、線形判別分析、加重分位和回帰、又はベイジアンカーネルマシン回帰などの教師あり次元削減技法を使用して、介入の効果を、複数のエクスポソーム生化学シグネチャ全体にわたるエクスポソーム生化学シグネチャシグナル強度の変化に直接関連付けることができる。
いくつかの実施形態では、第3の分析モジュール(モジュール3)は、介入の正確なタイミングが不明な状況、又は介入の効果がタイムラグ効果を有すると予想される実施形態において使用され、例えば、エクスポソーム生化学的シグネチャシグナル強度の変化が、治療後ある程度の時間にわたって現れない場合、又は治療誘発変化のタイミングが個人間で異なる場合に使用される。これらの場合、計量経済学から導出されるモデリング戦略が使用され得、特に、分布ラグモデル及び関連する非線形手法の実装形態が使用され得る。これらの方法は、モジュール2のように、例えば、遅延加重分位点合計回帰の実施による、複数のエクスポソーム生化学的シグネチャにおける介入効果の同時評価を含むように拡張され得る。代替的な分析戦略は、移動平均法、自己励起閾値自己回帰(SETAR)モデル、自己回帰移動平均モデル(ARMA)、ベイジアン変化点検出、及び関連する方法論、特に縦断モデリング及び変化点検出に関連する、変化点検出方法の使用を含み得る。
いくつかの実施形態では、第4の分析モジュール(モジュール4)は、先行モデルとは異なり、縦断生化学的シグネチャプロファイルシグナルの分析から導出されるシグナルダイナミクスの分析に焦点を当て得る。この文脈におけるシグナルダイナミクスは、生化学的シグネチャプロファイルシグナル強度の分析から導出されるパラメータを指し、このような分析は、周期性、エントロピー、及び定常性などの基礎プロセスを記述するパラメータの推定を含み得る。これを達成するための1つの手法は、各対象試験参加者において測定された個々の生化学的シグネチャプロファイルシグナルへの再発定量分析(RQA)の適用を含み得る。所与の生化学的シグネチャプロファイル経路の各縦断測定について、RQAの適用は、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数の任意の組み合わせを含む、複数の定量的尺度又は特徴をもたらし得る。これらの特徴は、複数の生化学的シグネチャ経路から抽出され得、交差定量分析(CRQA)を介して経路間の相互作用の分析から抽出され得、その後の分析に使用され、各対象から導出される特徴がプールされ、介入に関連する研究全体の効果をテストするために使用される。この手法は、一部の対象がプラセボ治療を受けた場合の症例対照研究デザインに特に適用可能であり、有利には、介入とプラセボ実験条件との間の要素シグナルダイナミクスの違いが区別される。そのような文脈では、RQA/CRQAから導出されたパラメータを、例えば、一般的な線形モデルを介して、従来の分析フレームワークにおいて試験し、治療条件間のシグナルパラメータの差を評価し得る。この手法は、モジュール1及び2に記載されるものと同様の症例にも適用可能であり得、モジュール1及び2では、所与の治療の経過時間が既知であり、有利には、治療前、治療時、及び治療後の状態が区別される。この文脈では、RQA/CRQAが、治療前、治療時、及び治療後の条件に対応する全元素トレースのサブセットに適用され得るか、又は、ウィンドウビニング技法を利用するRQA/CRQAの変形態様が、RQA/CRQAパラメータの縦断尺度を導出するために利用され得、続いて、これらのパラメータをモジュール1、2、又は3に記載される方法で分析し得る。これらの条件の任意の組み合わせにおいて、RQA及び関連する方法を介した動的シグナル分析から導出される特徴は、モジュール2に記載されるように、生化学的シグネチャプロファイルに基づいて対象を細分類するために、教師あり及び教師なし次元削減技法においても使用され得る。これらの手法は、介入の前に、患者/参加者のサブタイプを同定するという目標に向けて使用することができ、又は、関連する代謝経路に臨床介入の効果を関連付けるために、治療の後に使用することができる。図8に見ることができるように、自閉症スペクトラム障害(ASD)を有する対象によって提供された毛髪試料を、この方法を介して分析した。得られた映像は、この場合は、元素プロファイルのRQAにk平均クラスタリングを適用することによって、生化学的シグネチャプロファイルの分析から導出された3つのASDサブタイプを示す。その後、対象タイプの指定をその後の臨床分析及び意思決定に使用することができる。
医薬品及び栄養補助食品の推奨
いくつかの実施形態では、本開示の方法は、図5に見られるように、疾患又は障害を有する対象に対する最適な医薬品及び/又は栄養補助食品推奨の方法68を含み得る。いくつかの実施形態では、本方法は、(a)1つ以上の生体試料から得られた1つ以上の生化学的シグネチャから導出された特徴を疾患又は障害のない1人以上の対象から検出し、それによって1つ以上の参照エクスポソーム特徴を生成するステップ70と、(b)1つ以上の生体試料から得られた1つ以上の生化学的シグネチャから導出された特徴を疾患又は障害のある対象から検出し、それによって、治療前エクスポソーム特徴の1つ以上の特徴を生成するステップ71と、(c)疾患又は障害のある対象に治療を実施するステップ72と、(d)治療を受けた後、一定期間が経過した後、1つ以上の生体試料から得られた1つ以上のエクスポソーム特徴を疾患又は障害のある1人以上の対象から検出し、それによって、1つ以上の治療後エクスポソーム特徴を生成するステップ73と、(e)障害又は疾患のない1人以上の対象の参照エクスポソーム特徴と、疾患又は障害のある1人以上の対象の1つ以上の治療前エクスポソーム特徴と、疾患若しくは障害のある1人以上の対象の1つ以上の治療後エクスポソーム特徴の1つ以上の特徴間の差を判定するステップ74と、(f)1つ以上の参照エクスポソーム特徴、1つ以上の治療前エクスポソーム特徴、及び1つ以上の治療後エクスポソーム特徴の特徴間の判定された差に少なくとも部分的に基づいて、1つ以上の最適な治療法を選択することと、を含み得、1つ以上の最適な治療法が、所定の基準を満たす判定された差に基づいて選択される75。
いくつかの実施形態では、本開示の方法は、図5に見られるように、疾患又は障害を有する対象に対する最適な医薬品及び/又は栄養補助食品推奨の方法68を含み得る。いくつかの実施形態では、本方法は、(a)1つ以上の生体試料から得られた1つ以上の生化学的シグネチャから導出された特徴を疾患又は障害のない1人以上の対象から検出し、それによって1つ以上の参照エクスポソーム特徴を生成するステップ70と、(b)1つ以上の生体試料から得られた1つ以上の生化学的シグネチャから導出された特徴を疾患又は障害のある対象から検出し、それによって、治療前エクスポソーム特徴の1つ以上の特徴を生成するステップ71と、(c)疾患又は障害のある対象に治療を実施するステップ72と、(d)治療を受けた後、一定期間が経過した後、1つ以上の生体試料から得られた1つ以上のエクスポソーム特徴を疾患又は障害のある1人以上の対象から検出し、それによって、1つ以上の治療後エクスポソーム特徴を生成するステップ73と、(e)障害又は疾患のない1人以上の対象の参照エクスポソーム特徴と、疾患又は障害のある1人以上の対象の1つ以上の治療前エクスポソーム特徴と、疾患若しくは障害のある1人以上の対象の1つ以上の治療後エクスポソーム特徴の1つ以上の特徴間の差を判定するステップ74と、(f)1つ以上の参照エクスポソーム特徴、1つ以上の治療前エクスポソーム特徴、及び1つ以上の治療後エクスポソーム特徴の特徴間の判定された差に少なくとも部分的に基づいて、1つ以上の最適な治療法を選択することと、を含み得、1つ以上の最適な治療法が、所定の基準を満たす判定された差に基づいて選択される75。
いくつかの実施形態では、疾患又は障害のない1人以上の対象の1つ以上の参照エクスポソーム特徴、疾患又は障害のある1人以上の対象の1つ以上の治療前エクスポソーム特徴、及び疾患又は障害のある1人以上の対象の1つ以上の治療後エクスポソーム特徴の間の差を判定することは、本明細書の他の箇所に記載されている予測モデルによって実施され得る。
いくつかの実施形態では、図16~18に見られるように、対象に対する最適な医薬品及び/又は栄養補助食品推奨の方法を使用して、介入(例えば、医薬品及び/又は栄養補助食品)によって影響を受けるエクスポソーム生化学的シグネチャ経路の影響及び/又は重要性を分析する。場合によっては、介入と対照群のエクスポソーム生化学的シグネチャ経路の特徴を比較し得る。いくつかの実施形態では、介入は、プロバイオティクスの使用(図16)、グルテンフリーの食事(図17)、カンナビジオール、亜鉛(図18)、又はそれらの任意の組み合わせを含む。場合によっては、介入は、乳児用調製粉乳として送達され得る(図18)。エクスポソーム生化学的シグネチャ経路分析の特徴の転帰は、疾患又は障害に対して相補的なエクスポソーム生化学的シグネチャ経路又は場合によっては疾患又は障害によって同様の影響を受けるエクスポソーム生化学的シグネチャ経路を用いた推奨される介入を含み得る。いくつかの実施形態では、疾患又は障害は、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む。いくつかの実施形態では、疾患又は障害は、癌、例えば、小児癌、肺癌などを含む。いくつかの実施形態では、疾患又は障害が、例えば、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、小児癌、又はそれらの任意の組み合わせを含む。
健康転帰の判定
いくつかの実施形態では、本開示は、図22に見られるように、対象の1つ以上の動的エクスポソーム特徴2301の1つ以上の定量メトリックを出力するための方法について説明する。本方法は、以下の動作、すなわち、(a)対象から生体試料を受け取ること2300と、(b)対象の生体試料から1つ以上の動的エクスポソームシグネチャを判定すること2302と、(c)1つ以上の動的エクスポソームシグネチャのうちの第1の1つ以上の特徴を計算すること2304であって、1つ以上の特徴の各特徴が1つ以上の定量メトリックを含む、計算すること2304と、(d)対象の1つ以上の特徴の1つ以上の定量メトリックを出力すること2306と、を含み得る。
いくつかの実施形態では、本開示は、図22に見られるように、対象の1つ以上の動的エクスポソーム特徴2301の1つ以上の定量メトリックを出力するための方法について説明する。本方法は、以下の動作、すなわち、(a)対象から生体試料を受け取ること2300と、(b)対象の生体試料から1つ以上の動的エクスポソームシグネチャを判定すること2302と、(c)1つ以上の動的エクスポソームシグネチャのうちの第1の1つ以上の特徴を計算すること2304であって、1つ以上の特徴の各特徴が1つ以上の定量メトリックを含む、計算すること2304と、(d)対象の1つ以上の特徴の1つ以上の定量メトリックを出力すること2306と、を含み得る。
いくつかの実施形態では、本方法は、対象の1つ以上の特徴の正規化スコアと、対象の第2のセットの、1つ以上の特徴の1つ以上の定量メトリックの正規化スコアとの関連性に少なくとも部分的に基づいて、対象の健康転帰を出力することを更に含む。場合によっては、対象の第2のセットの、1つ以上の特徴の1つ以上の定量メトリックは、データベース内に記憶され得、データベースは、ローカルサーバ又はクラウドベースサーバである。場合によっては、健康転帰は、疾患状態、疾患サブタイプ、臨床サブタイプ、生理機能に関連する非臨床サブグループ分け、人体測定指標、行動指標、社会経済指標、ボディマス指数、知能指数、社会経済的地位、又はそれらの任意の組み合わせの診断を含み得る。いくつかの実施形態では、1つ以上の特徴は、1つ以上の動的なエクスポソームシグネチャの時間的ダイナミクスの測定を含む。
場合によっては、時間的ダイナミクスの測定値は、線形勾配、1つ以上の動的エクスポソームシグネチャの曲率を記述する非線形パラメータ、1つ以上の動的エクスポソームシグネチャの強度の急激な変化、1つ以上の動的エクスポソームシグネチャのベースライン強度の変化、1つ以上の動的エクスポソームシグネチャの周波数ドメイン表現の変化、1つ以上の動的エクスポソームシグネチャのパワースペクトルドメイン表現の変化、再発定量分析パラメータ、交差再発定量分析パラメータ、ジョイント再発定量分析パラメータ、多次元再発定量分析パラメータ、リパヌフスペクトルの推定、最大リアプノフ指数、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、疾患状態は、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、癌、又はそれらの任意の組み合わせを含む。
場合によっては、1つ以上の動的エクスポソームシグネチャの1つ以上の特徴は、表現型特徴を含み得、ここで、表現型特徴は、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能的磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトミック、プロテオミック、メタボロミック、又はそれらの任意の組み合わせのデータを含む。いくつかの実施形態では、1つ以上の特徴は、1つ以上のアトラクタから導出される。場合によっては、1つ以上の動的エクスポソームシグネチャは、質量分析法、レーザアブレーション誘導結合プラズマ質量分析法、レーザ誘導破壊分光法、ラマン分光法、免疫組織化学蛍光法、又はそれらの任意の組み合わせによって測定され得る。場合によっては、生体試料は、毛髪、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせを含み得る。場合によっては、表現型特徴は、分子表現型を含み得る。場合によっては、分子表現型は、教師なし分析によって判定され得、教師なし分析は、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含み得る。
いくつかの実施形態では、再発定量分析パラメータは、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数を含む。いくつかの実施形態では、本方法は、ポテンシャルエネルギー分析によって1つ以上のアトラクタを分析し、それによってポテンシャルエネルギーデータ空間を生成することを更に含む。場合によっては、対象の1つ以上の動的エクスポソームシグネチャは、遡及的動的エクスポソームデータ、前向き動的エクスポソームデータ、又はそれらの任意の組み合わせの動的エクスポソームデータを含み得る。場合によっては、本方法は、1つ以上のアトラクタのシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の数、又はそれらの任意の組み合わせの間の動的関係を分析することを更に含み得る。いくつかの実施形態では、動的関係は、交差収束マッピング(CCM)によって判定される。1つ以上の動的エクスポソームシグネチャを低減させて、低減させた1つ以上のエクスポソーム動的シグネチャとすることを更に含む、請求項1に記載の方法。場合によっては、本方法は、1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、1つ以上のアトラクタのネットワークを構築することを更に含み得る。場合によっては、本方法は、1つ以上のアトラクタのネットワークの1つ以上の特徴を分析して、ネットワークの接続性、効率、特徴重要性、経路重要性、関連するグラフ理論に基づくメトリック、又はそれらの任意の組み合わせを判定することを更に含み得る。
表現型データの予測
いくつかの実施形態では、本開示は、図23に見られるように、1人以上の対象の表現型データの予測を出力するための方法2401について説明する。本方法は、以下の動作、すなわち、(a)対象の第1のセットから1つ以上の生体試料及び表現型データを受け取ること2400と、(b)対象の第1のセットの1つ以上の生体試料からエクスポソームシグネチャの第1のセットを判定すること2402と、(c)エクスポソームシグネチャの第1のセットの特徴の第1のセットを計算すること2404と、(d)対象の第1のセットの特徴及び表現型データの第1のセットを使用して予測モデルを訓練すること2406と、(e)対象の第1のセットとは異なる対象の第2のセットから1つ以上の生体試料を受け取ること2408と、(f)対象の第2のセットの1つ以上の生体試料からエクスポソームシグネチャの第2のセットを判定すること2410と、(g)エクスポソームシグネチャの第2のセットから特徴の第2のセットを計算すること2412と、(h)表現型データの第2のセットを訓練された予測モデルに入力することによって判定される対象の第2のセットの表現型データの予測を出力すること2414と、を含み得る。
いくつかの実施形態では、本開示は、図23に見られるように、1人以上の対象の表現型データの予測を出力するための方法2401について説明する。本方法は、以下の動作、すなわち、(a)対象の第1のセットから1つ以上の生体試料及び表現型データを受け取ること2400と、(b)対象の第1のセットの1つ以上の生体試料からエクスポソームシグネチャの第1のセットを判定すること2402と、(c)エクスポソームシグネチャの第1のセットの特徴の第1のセットを計算すること2404と、(d)対象の第1のセットの特徴及び表現型データの第1のセットを使用して予測モデルを訓練すること2406と、(e)対象の第1のセットとは異なる対象の第2のセットから1つ以上の生体試料を受け取ること2408と、(f)対象の第2のセットの1つ以上の生体試料からエクスポソームシグネチャの第2のセットを判定すること2410と、(g)エクスポソームシグネチャの第2のセットから特徴の第2のセットを計算すること2412と、(h)表現型データの第2のセットを訓練された予測モデルに入力することによって判定される対象の第2のセットの表現型データの予測を出力すること2414と、を含み得る。
いくつかの実施形態では、特徴の第1及び第2のセットは、1つ以上の定量メトリックを含む。場合によっては、1つ以上の定量メトリックは、エクスポソームシグネチャの第1及び第2のセットの時間的ダイナミクスの測定を含み得る。場合によっては、時間的ダイナミクスの測定は、線形勾配、エクスポソーム小体シグネチャの第1及び第2のセットの曲率を記述する非線形パラメータ、エクスポソームシグネチャの第1及び第2のセットの強度の急激な変化、エクスポソームシグネチャの第1及び第2のセットのベースライン強度の変化、エクスポソームシグネチャの第1及び第2のセットの周波数ドメイン表現の変化、エクスポソームシグネチャの第1及び第2のセットのパワースペクトルドメイン表現の変化、再発定量分析パラメータ、交差定量分析パラメータ、ジョイント再発定量分析パラメータ、多次元再発定量分析パラメータ、リパヌフスペクトルの推定若しくは最大リアプノフ指数の推定、又はそれらの任意の組み合わせを含み得る。
いくつかの実施形態では、特徴の第1及び第2のセットは、表現型特徴を含み、ここで、表現型特徴は、疾患状態又は健康状態を含み、ここで、疾患状態は、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎臓病、腎臓移植拒絶、癌、又はそれらの任意の組み合わせを含み得る。場合によっては、表現型特徴は、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能的磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトミック、プロテオミック、メタボロミック、又はそれらの任意の組み合わせのデータを更に含み得る。
場合によっては、特徴の第1及び第2のセットは、1つ以上のアトラクタとして表され得るか、又は1つ以上のアトラクタから導出され得る。いくつかの実施形態では、1つ以上のアトラクタは、リミットサイクルアトラクタ、双安定アトラクタ、又はそれらの任意の組み合わせである。いくつかの実施形態では、エクスポソームシグネチャの第1及び第2のセットは、質量分析、レーザアブレーション誘導結合プラズマ質量分析、ラマン分光法、免疫組織化学蛍光、又はそれらの任意の組み合わせによって測定される。場合によっては、第1及び第2の対象の1つ以上の生体試料は、毛髪、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせを含み得る。
いくつかの実施形態では、表現型特徴は、分子表現型を含む。場合によっては、分子表現型は、教師なし分析によって判定され得、教師なし分析は、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含む。場合によっては、再発定量分析パラメータは、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又はそれらの任意の組み合わせを含み得る。
場合によっては、本方法は、ポテンシャルエネルギー分析によって1つ以上のアトラクタを分析することを更に含み、それによってポテンシャルエネルギーデータ空間を生成することができる。いくつかの実施形態では、エクスポソームシグネチャの第1及び第2のセットは、遡及的エクスポソームデータ、前向きエクスポソームデータ、又はそれらの任意の組み合わせのエクスポソームデータを含む。
いくつかの実施形態では、本方法は、1つ以上のアトラクタの再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの間の動的関係を更に分析する。いくつかの実施形態では、動的関係は、交差収束マッピング(CCM)によって判定される。
場合によっては、本方法は、1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、1つ以上のアトラクタのネットワークを構築することを更に含み得る。いくつかの実施形態では、本方法は、1つ以上のアトラクタのネットワークの1つ以上の特徴を分析して、ネットワークの接続性、効率、特徴重要性、経路重要性、関連するグラフ理論に基づくメトリック特徴重要性、経路重要性、又はそれらの任意の組み合わせを判定することを更に含む。
上記のステップは、方法又は動作のセットの各々を示すが、当業者は、本明細書に記載の教示に基づいて多くの変形態様を認識するであろう。これらのステップは、異なる順序で完了することができる。ステップは、追加又は省略され得る。いくつかのステップは、サブステップを含み得る。多くのステップは、有益である限り頻繁に繰り返され得る。
方法又は動作のセットの各々のステップの1つ以上は、本明細書に記載されるような回路、例えば、フィールドプログラマブルゲートアレイのためのプログラマブルアレイロジックなどのプロセッサ又は論理回路の1つ以上を用いて実行され得る。回路は、本明細書の他の箇所に記載されている方法又は動作セットの各々のステップの1つ以上を提供するようにプログラムされ得、プログラムは、例えば、コンピュータ可読メモリ上に記憶されたプログラム命令、又はプログラム可能アレイロジック又はフィールドプログラマブルゲートアレイなどの論理回路のプログラムされたステップを含み得る。
実施例1:生体試料からのエクスポソーム生化学的シグネチャの取得
レーザアブレーション誘導結合されたプラズマ質量分析(LA-ICP-MS)を使用して生体試料から時間的エクスポソーム生化学的シグネチャを取得した。この特定の実施例では、毛幹試料を使用し、化学物質エクスポソームデータを取得した。対象から毛幹を採取し、試料を1つ以上の溶媒及び/又は界面活性剤で洗浄し、続いて乾燥させることによって前処理した。特に、毛幹試料を、TRITON X-100及び超純金属遊離水(例えば、MILLI-Q水)で洗浄し、オーブン(例えば、60℃)で一晩乾燥させた。前処理は、接着フィルム(例えば、両面テープ)を有するガラススライド(例えば、顕微鏡ガラススライド)上に毛幹を配置することによって、測定のために毛幹を準備することを更に含む。毛幹は、毛幹が実質的にまっすぐになるように位置付けられる。次いで、分析のために、毛幹を備えたスライドガラスをLA-ICP-MSシステムに配置する。
レーザアブレーション誘導結合されたプラズマ質量分析(LA-ICP-MS)を使用して生体試料から時間的エクスポソーム生化学的シグネチャを取得した。この特定の実施例では、毛幹試料を使用し、化学物質エクスポソームデータを取得した。対象から毛幹を採取し、試料を1つ以上の溶媒及び/又は界面活性剤で洗浄し、続いて乾燥させることによって前処理した。特に、毛幹試料を、TRITON X-100及び超純金属遊離水(例えば、MILLI-Q水)で洗浄し、オーブン(例えば、60℃)で一晩乾燥させた。前処理は、接着フィルム(例えば、両面テープ)を有するガラススライド(例えば、顕微鏡ガラススライド)上に毛幹を配置することによって、測定のために毛幹を準備することを更に含む。毛幹は、毛幹が実質的にまっすぐになるように位置付けられる。次いで、分析のために、毛幹を備えたスライドガラスをLA-ICP-MSシステムに配置する。
分析は、LA-ICP-MSシステムが毛幹試料にアブレーションを施して毛幹から表面の汚物及び/又は不純物を除去するプレアブレーションステップを完了することによって開始される。プレアブレーションは、低いレーザエネルギー、すなわち、約10%のレーザエネルギーを用いて行われ、毛幹試料の表面上の粒子のみを剥離するが、表面の下方の粒子を剥離しない。プレアブレーションは、193nmのレーザ波長及び0.6J/cm2未満のレーザエネルギー(例えば、レーザエネルギーは、0.6J/cm2、0.5J/cm2、0.4J/cm2、0.3J/cm2、0.2J/cm2、又は0.1J/cm2である)を使用して実施される。
プレアブレーション後、LA-ICP-MSシステムは、10μm~30μmのレーザスポットサイズを有する1.8J/cm2未満のレーザエネルギーを毛幹試料に照射し、毛幹試料の基準線に沿ったそれぞれの位置から化学試料を取得する。毛幹に沿った各位置は、対象の人生の2.2時間又は130分の時間を近似する。レーザ照射は、毛幹の全長を空間的に照射し、毛幹の任意の場所で粒子を生成し、次いで粒子は、誘導結合されたプラズマでイオン化される。次いで、質量分析計は、得られた化学試料を分析し、与えられた空間位置にどんな化学物質がどれだけの量存在するかについてのそれぞれの化学物質データ読み出しを行う。このプロセスを繰り返し、毛幹の根元から、根元から最も遠い毛幹の先端まで、毛幹に沿った複数の位置で化学物質データを順次収集する。時間を示す位置データ、及び毛幹の各場所に存在するそれぞれの同位体を、更なる分析のために相関させる。
エクスポソーム生化学的シグネチャの極端なピークを除去し、データを滑らかにするスパイク除去によって、出力データを更に分析し処理する。毛幹に沿った各隣接測定値間の平均絶対差を計算することによって外れ値を識別する。前の点からの平均絶対差が平均の3つの標準偏差を超えていることを示す値を外れ値としてフラグ付けする。次いで、これらの外れ値を移動中央値フィルタに置き換え、移動中央値フィルタは、10個の隣接するデータポイントのビン内の元のエクスポソーム生化学的シグネチャの移動中央値を計算する。
次いで、元素シグナル強度及びシグナルダイナミクスに対する臨床介入の効果を識別する様々なバイオ情報分析方法において、処理されたデータを使用することができる。
実施例2:疾患リスクを判定するための歯試料中の動的分子プロファイル。
本開示の方法及びシステムを使用して、歯試料における分子プロファイルを生成し、その後分析し、対象における疾患リスクを判定した。一般に、生物学的反応(例えば、炎症)の時間的ダイナミクスは、試料(例えば、歯試料)に刷り込まれていることが見出され、時間的ダイナミクスを分析して対象における疾患リスクを判定することができる。炎症のマーカーであるC反応性タンパク質(CRP)について動的分子プロファイルを生成した。歯のバイオマーカーを使用して、2組の子供、すなわち、自閉症スペクトラム障害の第1の組(37症例)及び自閉症スペクトラム障害のない第2の組(77対照)における胎児(出生前)発達及び幼児期を含む期間中にCRP及び炎症の動的時系列プロファイルを生成した。時系列CRPプロファイルを分析して、自閉症症例と対照を正確に区別したCRPシグナルのダイナミクスの新しい特徴を明らかにした。例えば、1歳前に存在していた炎症プロファイルは、症例と対照との間で大きな差があった。これに対して、自閉症の臨床診断は、通常、3~4歳ごろに判定される。
本開示の方法及びシステムを使用して、歯試料における分子プロファイルを生成し、その後分析し、対象における疾患リスクを判定した。一般に、生物学的反応(例えば、炎症)の時間的ダイナミクスは、試料(例えば、歯試料)に刷り込まれていることが見出され、時間的ダイナミクスを分析して対象における疾患リスクを判定することができる。炎症のマーカーであるC反応性タンパク質(CRP)について動的分子プロファイルを生成した。歯のバイオマーカーを使用して、2組の子供、すなわち、自閉症スペクトラム障害の第1の組(37症例)及び自閉症スペクトラム障害のない第2の組(77対照)における胎児(出生前)発達及び幼児期を含む期間中にCRP及び炎症の動的時系列プロファイルを生成した。時系列CRPプロファイルを分析して、自閉症症例と対照を正確に区別したCRPシグナルのダイナミクスの新しい特徴を明らかにした。例えば、1歳前に存在していた炎症プロファイルは、症例と対照との間で大きな差があった。これに対して、自閉症の臨床診断は、通常、3~4歳ごろに判定される。
各小児対象から一次歯の試料を得た。歯試料を切り開き、脱石灰化し、免疫組織化学染色(例えば、デンタイン)を歯試料に塗布した。免疫組織化学染色は、歯試料の成長リングに沿ってC反応タンパク質(炎症の分子マーカー)を効果的にマッピングして、出生前及び出生後の期間にわたる炎症の時間的プロファイルを作成した。時間的プロファイルを、本開示の機械学習アルゴリズムを使用して分析し、高度に正確な分類器を訓練して、疾患リスク(例えば、自閉症)を判定した。
図12は、経時的な対象の毎日のC反応性タンパク質プロファイルの例を示し、ここで、y軸は、CRP強度を示し、x軸は、発育年齢を示す。小児対象の発育年齢は、妊娠第2期(例えば、対象が出生前段階にあった出生の140日前に始まる)から約6ヵ月齢までの期間を含む。図12に示されるように、出生前に高いCRP強度を有する自閉症の小児の炎症(CRP強度によって示される)プロファイル。
実施形態
実施形態1.コンピュータ実装エクスポソームシステムであって、(a)エクスポソーム生化学的シグネチャデータベース(EDB)であって、複数の対象についてのエクスポソーム特徴を含む、EDBと、(b)介入転帰データベース(IODB)であって、少なくとも1つの介入の少なくとも1つの段階のための介入転帰情報に関する情報を含む、IODBと、(c)コンピュータプロセッサであって、(i)EDB及びIODBに通信可能に結合された関連付けソフトウェアモジュールであって、複数の対象のうちの少なくとも1人についてのエクスポソーム特徴と、臨床表現型情報と、介入転帰情報との間の関連性を判定するようにプログラムされている、関連付けソフトウェアモジュールと、(ii)EDB及びIODBに通信可能に結合された推奨ソフトウェアモジュールであって、複数の対象のうちの少なくとも1人についてのエクスポソーム特徴、臨床表現型情報、介入転帰情報、及びエクスポソーム特徴と、臨床表現型情報と、介入転帰情報との間の関連性に少なくとも部分的に基づいて、複数の対象のうちの少なくとも1人について介入推奨を提供するようにプログラムされている、推奨ソフトウェアモジュールと、を備える、コンピュータプロセッサと、を備える、コンピュータ実装エクスポソームシステム。
実施形態1.コンピュータ実装エクスポソームシステムであって、(a)エクスポソーム生化学的シグネチャデータベース(EDB)であって、複数の対象についてのエクスポソーム特徴を含む、EDBと、(b)介入転帰データベース(IODB)であって、少なくとも1つの介入の少なくとも1つの段階のための介入転帰情報に関する情報を含む、IODBと、(c)コンピュータプロセッサであって、(i)EDB及びIODBに通信可能に結合された関連付けソフトウェアモジュールであって、複数の対象のうちの少なくとも1人についてのエクスポソーム特徴と、臨床表現型情報と、介入転帰情報との間の関連性を判定するようにプログラムされている、関連付けソフトウェアモジュールと、(ii)EDB及びIODBに通信可能に結合された推奨ソフトウェアモジュールであって、複数の対象のうちの少なくとも1人についてのエクスポソーム特徴、臨床表現型情報、介入転帰情報、及びエクスポソーム特徴と、臨床表現型情報と、介入転帰情報との間の関連性に少なくとも部分的に基づいて、複数の対象のうちの少なくとも1人について介入推奨を提供するようにプログラムされている、推奨ソフトウェアモジュールと、を備える、コンピュータプロセッサと、を備える、コンピュータ実装エクスポソームシステム。
実施形態2.臨床データベース(CDB)を更に備え、CDBは、複数の対象に関する臨床表現型情報を含む、実施形態1に記載のシステム。
実施形態3.エクスポソーム生化学的シグネチャが、少なくとも100、少なくとも1,000、又は少なくとも10,000個の異なるエクスポソーム生化学的シグネチャを含む、実施形態1に記載のシステム。
実施形態4.介入転帰情報が、少なくとも1つの介入についての非反応者、有害反応者、及び陽性反応者の分類を含む、実施形態1に記載のシステム。
実施形態5.介入転帰が、少なくとも1つの介入のための1つ以上の包含基準又は除外基準を含む、実施形態1に記載のシステム。
実施形態6.エクスポソーム生化学的シグネチャが、複数の対象の生体試料をアッセイすることによって得られる、実施形態1に記載のシステム。
実施形態7.生体試料が、歯試料、爪試料、毛髪試料、生理学的パラメータ、又はそれらの任意の組み合わせを含む、実施形態6に記載のシステム。
実施形態8.アッセイすることが、質量分析測定値、レーザアブレーション誘導結合プラズマ質量分析測定値、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、又はそれらの任意の組み合わせを取得することを含む、実施形態6に記載のシステム。
実施形態9.質量分析測定が、1つ以上の化学物質の測定を含む、実施形態8に記載のシステム。
実施形態10.1つ以上の化学物質が、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はこれらの任意の組み合わせを含む、実施形態9に記載のシステム。
実施形態11.エクスポソーム特徴が、複数の対象の動的時間的生化学反応の特徴を含む、実施形態1に記載のシステム。
実施形態12.エクスポソーム生化学的シグネチャが、生体試料の蛍光画像を含む、実施形態1に記載のシステム。
実施形態13.エクスポソーム生化学的シグネチャが、生体試料のラマンスペクトルの空間マップを含む、実施形態1に記載のシステム。
実施形態14.エクスポソーム生化学的シグネチャが、疾患又は障害に関連付けられる、実施形態1に記載のシステム。
実施形態15.疾患又は障害が、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎臓病、腎移植拒絶反応、癌、又はそれらの任意の組み合わせを含む、実施形態14に記載のシステム。
実施形態16.エクスポソーム特徴が、訓練された分類器を使用して分析され、疾患又は障害との関連性を判定する、実施形態1に記載のシステム。
実施形態17.訓練された分類器が、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される、実施形態16に記載のシステム。
実施形態18.対象を介入について選択するための方法であって、(a)訓練された予測モデルを提供することであって、訓練された予測モデルが、1人以上の対象の臨床メタデータ、エクスポソーム特徴、及び対応する介入転帰情報に基づいて訓練される、提供することと、(b)介入を求める対象から、生体試料から得られた生化学的シグネチャを検出し、それによって、前向きエクスポソーム特徴を生成することと、(c)訓練された予測モデルを使用して、介入を求める対象の予測された介入転帰情報を予測することであって、介入を求める対象のエクスポソーム特徴及び臨床メタが、訓練された予測モデルへの入力である、予測することと、(d)対象の予測された介入転帰状態に少なくとも部分的に基づいて、介入の対象を選択するか、又は対象を介入から除外することと、を含む。
実施形態19.生化学的シグネチャが、対象の生体試料をアッセイすることによって得られる、実施形態18に記載の方法。
実施形態20.生体試料が、歯試料、爪試料、毛試料、又はそれらの任意の組み合わせを含む、実施形態19に記載の方法。
実施形態21.アッセイは、レーザアブレーション誘導結合プラズマ質量分析測定値、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、又はそれらの任意の組み合わせからデータを収集することを含む、実施形態19に記載の方法。
実施形態22.前記レーザアブレーション誘導結合プラズマ質量分析測定が、1つ以上の元素化学物質の測定を含む、実施形態21に記載の方法。
実施形態23.1つ以上の元素化学物質が、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はこれらの任意の組み合わせを含む、実施形態22に記載の方法。
実施形態24.生化学的シグネチャが、生体試料の蛍光画像を含む、実施形態18に記載の方法。
実施形態25.生化学的シグネチャが、生体試料のラマンスペクトルの空間マップを含む、実施形態18に記載の方法。
実施形態26.生化学的シグネチャが疾患又は障害に関連付けられる、実施形態18に記載の方法。
実施形態27.疾患又は障害が、精神、心臓、胃腸、肺、神経、循環器、腎臓、若しくはこれらの任意の組み合わせの疾患又は障害を含む、実施形態26に記載の方法。
実施形態28.訓練された予測モデルが、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される、実施形態18に記載の方法。
実施形態29.対象が介入について選択されたときに、対象を介入に登録することを更に含む、実施形態18に記載の方法。
実施形態30.対象が介入から除外されたときに、対象を別の介入について評価することを更に含む、実施形態18に記載の方法。
実施形態31.疾患又は障害のための最適な治療法を必要とする対象における最適な治療法を選択する方法であって、(a)1つ以上の生体試料から得られた1つ以上の生化学的シグネチャを疾患又は障害のない1人以上の対象から検出し、それによって1つ以上の参照エクスポソーム特徴を生成することと、(b)1つ以上の生体試料から得られた1つ以上の生化学的シグネチャの特徴を疾患又は障害のある対象から検出し、それによって1つ以上の治療前エクスポソーム特徴を生成することと、(c)疾患又は障害のある対象に治療を実施することと、(d)治療を受けた後、一定期間が経過した後、1つ以上の生体試料から得られた1つ以上の生化学的シグネチャの特徴を疾患又は障害のある1人以上の対象から検出し、それによって、1つ以上の治療後エクスポソーム特徴を生成することと、(e)疾患又は疾患のない1人以上の対象の1つ以上の参照エクスポソーム特徴と、疾患又は障害のある1人以上の対象の1つ以上の治療前エクスポソーム特徴と、疾患又は障害のある1人以上の対象の1つ以上の治療後エクスポソーム特徴との間の差を判定することと、(f)1つ以上の参照エクスポソーム特徴、1つ以上の治療前エクスポソーム特徴、及び1つ以上の治療後エクスポソーム特徴の間の判定された差に少なくとも部分的に基づいて、1つ以上の最適な治療を選択することと、を含み、1つ以上の最適な治療が、所定の基準を満たす判定された差に基づいて選択される、方法。
実施形態32.最適な治療が、医薬品、栄養補助食品、又はそれらの任意の組み合わせを含み得る、実施形態31に記載の方法。
実施形態33.所定の基準が、1つ以上の参照エクスポソーム特徴に対する1つ以上の治療前エクスポソーム特徴と1つ以上の治療後エクスポソーム特徴との間の差を含む、実施形態31に記載の方法。
実施形態34.期間が、少なくとも約1時間、少なくとも約1日、少なくとも約1週間、少なくとも約1ヶ月、少なくとも約1年、又はそれらの任意の組み合わせを含む、実施形態33に記載の方法。
実施形態35.差が、1つ以上の参照エクスポソーム特徴に対する1つ以上の治療後エクスポソーム特徴の少なくとも10%の変化を含む、実施形態33に記載の方法。
実施形態36.治療前エクスポソーム特徴、治療後エクスポソーム特徴、又はこれらの任意の組み合わせが、対象の生体試料をアッセイすることによって得られる、実施形態31に記載の方法。
実施形態37.生体試料が、歯試料、爪試料、毛髪試料、生理学的パラメータ、又はそれらの任意の組み合わせを含む、実施形態36に記載の方法。
実施形態38.アッセイすることが、レーザアブレーション誘導結合プラズマ質量分析測定値、レーザ誘導破壊分光法測定値、ラマン分光法測定値、免疫組織化学測定値、又はそれらの任意の組み合わせを取得することを含む、実施形態36に記載の方法。
実施形態39.レーザアブレーション誘導結合プラズマ質量分析が、1つ以上の元素化学物質の測定を含む、実施形態38に記載の方法。
実施形態40.1つ以上の元素化学物質が、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はこれらの任意の組み合わせを含む、実施形態39に記載の方法。
実施形態41.生化学的シグネチャが、生体試料の蛍光画像を含む、実施形態31に記載の方法。
実施形態42.生化学的シグネチャが、生体試料のラマンスペクトルの空間マップを含む、実施形態31に記載の方法。
実施形態43.疾患又は障害が、精神、心臓、胃腸、肺、神経、循環器、腎臓、若しくはこれらの任意の組み合わせの疾患又は障害を含む、実施形態31に記載の方法。
実施形態44.参照エクスポソーム特徴、治療前エクスポソーム特徴、治療後エクスポソーム特徴、又はそれらの任意の組み合わせの間の差が、訓練された分類器を使用して分析される、実施形態31に記載の方法。
実施形態45.訓練された分類器が、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される、実施形態44に記載の方法。
実施形態46.複数の対象における介入の効果を評価するための方法であって、複数の対象における各々の対象について、各々の対象の化学ダイナミクスに関連付けられた対応する生体試料上の基準線に沿った複数の位置における各々の位置をサンプリングし、それによって、各々の対象に対する対応する複数の化学試料を取得することであって、複数の化学試料における各々の化学試料が、複数の位置における異なる位置に対応し、複数の位置における各位置が、化学ダイナミクスに関連する対応する生化学サンプルの成長の異なる期間を表し、複数の位置が、介入前の成長期間を表す1つ以上の位置、介入中の成長期間を表す1つ以上の位置、及び介入後の成長期間を表す1つ以上の位置を含む、サンプリングすることと、複数の対象におけるそれぞれの対象について、それぞれの対象についての対応する複数の化学試料を質量分析計によって分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、複数のトレースにおける各トレースが、複数の化学試料から経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、分析することと、複数の化学物質における1つ以上の化学物質の各々について、対応する同位体データセットを生成することであって、同位体データセットが、介入前の生体試料成長期間に対応する介入前特徴のセットであって、複数の対象におけるそれぞれの対象について、介入前の成長期間を表す1つ以上の位置から測定されたそれぞれの化学物質の濃度から導出された1つ以上の特徴を含む、介入前特徴のセットと、介入中の生体試料成長期間に対応する介入特徴のセットであって、複数の対象におけるそれぞれの対象について、介入前の成長期間を表す1つ以上の位置から測定されたそれぞれの化学物質の濃度から導出された1つ以上の特徴を含む、介入特徴のセットと、介入後の生体試料成長期間に対応する介入後特徴のセットであって、複数の対象におけるそれぞれの対象について、介入後の成長期間を表す1つ以上の位置から測定されたそれぞれの化学物質の濃度から導出された1つ以上の特徴を含む、介入後特徴のセットとを含む、生成することと、1つ以上の化学物質における各化学物質について対応する同位体データセットを使用して、介入に応答して化学ダイナミクスにおける変化を評価することと、を含む、方法。
実施形態47.評価が、1つ以上の化学物質の各々について、(i)介入前特徴のセット及び(ii)介入特徴のセット及び介入後特徴のセットの一方又は両方を使用して確率的仮説検定を実行することを含む、実施形態46に記載の方法。
実施形態48.複数の対象における介入の効果を評価するための方法であって、複数の対象における各々のそれぞれの対象について、それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、それぞれの対象についての対応する複数の化学試料を取得することであって、複数の化学試料における各々の化学試料が、複数の位置における異なる位置に対応し、複数の位置における各位置が、化学ダイナミクスに関連する生体試料の成長の異なる期間を表し、複数の位置が、介入前の成長期間を表す1つ以上の位置と、介入中の成長期間を表す1つ以上の位置と、介入後の成長期間を表す1つ以上の位置とを含む、サンプリングすることと、複数の対象におけるそれぞれの対象について、それぞれの対象についての対応する複数の化学試料を質量分析計によって分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、複数のトレースにおける各トレースが、複数の化学試料から経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、分析することと、複数の化学物質における2つ以上の化学物質のセットについて、それぞれの集約同位体データセットを生成することであって、集約同位体データセットが、介入前の生体試料成長期間に対応する介入前特徴のセットであって、複数の対象におけるそれぞれの対象について、介入前の成長期間を表す1つ以上の位置から測定された2つ以上の化学物質の各々の濃度から導出された特徴から形成された1つ以上の次元削減成分の値を含む、介入前特徴のセットと、介入中の生体試料成長期間に対応する介入特徴のセットであって、複数の対象におけるそれぞれの対象について、介入中の成長期間を表す1つ以上の位置から測定された2つ以上の化学物質の各々の濃度から導出された特徴から形成された1つ以上の次元削減成分の値を含む、介入特徴のセットと、介入後の生体試料成長期間に対応する介入後特徴のセットであって、複数の対象におけるそれぞれの対象について、介入後の成長期間を表す1つ以上の位置から測定された2つ以上の化学物質の各々の濃度から導出された特徴から形成された1つ以上の次元削減成分の値を含む、介入特徴のセットと、集約同位体データセットを使用して、介入に応答して化学ダイナミクスにおける変化を評価することと、を含む、方法。
実施形態49.評価が、(i)介入前特徴のセット及び(ii)介入特徴のセット及び介入後特徴のセットの一方又は両方を使用して確率的仮説検定を実行することを含む、実施形態48に記載の方法。
実施形態50.介入前特徴のセット、介入特徴のセット、及び介入後特徴のセットの各々について、次元削減成分の値は、複数の対象における単一のそれぞれの対象から測定された2つ以上の化学物質の各々の特徴から導出される特徴から各々判定される、実施形態48又は49に記載の方法。
実施形態51.介入前特徴のセット、介入特徴のセット、及び介入後特徴のセットの各々について、次元削減成分の値は、複数の対象の複数のそれぞれの対象から測定された2つ以上の化学物質の各々の特徴から導出される特徴の集合体から各々判定される、実施形態48又は49に記載の方法。
実施形態52.成長期間を表す1つ以上の位置から測定されたそれぞれの化学物質の濃度から導出される1つ以上の特徴が、濃度、その正規化された濃度、又は関連する記述的統計量若しくはその導出されたパラメータである、実施形態46~51のいずれか1つに記載の方法。
実施形態53.成長期間を表す1つ以上の位置から測定されたそれぞれの化学物質の濃度から導出される1つ以上の特徴が、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発の回数におけるシャノンエントロピー、及び最も確率の高い再発の回数からなる群から選択され、これらの尺度は、再発定量分析パラメータ、交差再発定量分析パラメータ、ジョイント再発定量分析パラメータ、及び/又は多次元再発定量分析の適用によって導出される、実施形態46~51のいずれか一項に記載の方法。
実施形態54.複数の対象における介入の効果を評価する方法であって、複数の対象における各々の対象について、それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、それぞれの対象についての対応する複数の化学試料を取得することであって、複数の化学試料における各化学試料が、複数の位置における異なる位置に対応し、複数の位置における各位置が、化学ダイナミクスに関連する対応する生体試料の異なる成長期間を表す複数の位置における各位置であり、複数の位置が、介入前の成長期間を表す1つ以上の位置、介入中の成長期間を表す1つ以上の位置、及び介入後の成長期間を表す1つ以上の位置を含む、サンプリングすることと、複数の対象のそれぞれの対象について、それぞれの対象についての対応する複数の化学サンプルを質量分析計を用いて分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、複数のトレースにおける各トレースが、複数の化学サンプルから経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、分析することと、複数の対象におけるそれぞれの対象について、及び複数の化学物質における2つ以上の化学物質のセットについて、分散ラグモデル又は同様の非線形分散モデルを複数の位置から測定されたそれぞれの化学物質の濃度に介入に対する時間の関数として適用し、時間の関数としての、それぞれの対象におけるそれぞれの化学物質の濃度への介入の寄与を表す対応する寄与データセットを生成することと、複数の対象におけるそれぞれの対象から得た、1つ以上の化学物質の各々ついての対応する寄与データを使用して介入に対する反応における化学ダイナミクスの変化を評価することと、を含む、方法。
実施形態55.複数の対象における介入の効果を評価するための方法であって、複数の対象のそれぞれの対象について、それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、それぞれの対象についての対応する複数の化学試料を取得することであって、複数の化学試料における各化学試料が、複数の位置における異なる位置に対応し、複数の位置における各位置が、化学ダイナミクスに関連する対応する生体試料の異なる成長期間を表す複数の位置における各位置であり、複数の位置が、介入前の成長期間を表す1つ以上の位置、介入中の成長期間を表す1つ以上の位置、及び介入後の成長期間を表す1つ以上の位置を含む、サンプリングすることと、複数の対象の各々の対象について、それぞれの対象についての対応する複数の化学サンプルを質量分析計を用いて分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、複数のトレースにおける各トレースが、複数の化学サンプルから経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、分析することと、複数の対象におけるそれぞれの対象について、及び複数の化学物質における2つ以上の化学物質のセットについて、それぞれの対象についての異なる成長期間にわたって測定された2つ以上の化学物質の各々の濃度から導出された特徴から形成される1つ又は複数の次元削減成分の値を含む特徴のセットを含む対応する集約同位体データセットを生成することと、複数の対象におけるそれぞれの対象について、分散ラグモデル又は同様の非線形分散モデルを介入に対する時間の関数として対応する集約同位体データセットに適用して、時間の関数としての、それぞれの対象における2つ以上の化学物質のセットの濃度への介入の寄与を表す対応する寄与データセットを生成することと、複数の対象におけるそれぞれの対象に対応する寄与データを使用して介入に対する反応における化学ダイナミクスの変化を評価することと、を含む、方法。
実施形態56.介入が、栄養補助組成物の摂取である、実施形態46~55のいずれか1つに記載の方法。
実施形態57.化学ダイナミクスの変化の評価に応答して、栄養補助組成物の組成を変更して、栄養補助組成物の摂取の効果を調整することを更に含む、実施形態56に記載の方法。
実施形態58.化学ダイナミクスの変化の評価に応答して、1つ以上の健康補助食品を摂取することによって栄養補助食品の摂取を補完することを更に含む、実施形態56に記載の方法。
実施形態59.介入に応答して、1つ以上の追加の代謝産物の代謝の変化を評価することを更に含む、実施形態46~58のいずれか1つに記載の方法。
実施形態60.1つ又は追加の代謝物が、ペルフルオロ化合物、パラベン、フタル酸塩、脂質、アミノ酸、アミノ酸誘導体、及びペプチドからなる群から選択される、実施形態59に記載の方法。
実施形態61.対象の1つ以上のエクスポソームシグネチャの1つ以上の定量メトリックを出力する方法であって、(a)対象から生体試料を受け取ることと、(b)対象の生体試料から1つ以上のエクスポソームシグネチャを判定することと、(c)1つ以上のエクスポソームシグネチャの第1の1つ以上の特徴を計算することであって、1つ以上の特徴の各特徴が、1つ以上の定量メトリックを含む、計算することと、(d)対象の1つ以上の特徴の1つ以上の定量メトリックを出力することと、を含む、方法。
実施形態62.対象の1つ以上の特徴の正規化されたスコアと、対象の第2のセットの、1つ以上の特徴の1つ以上の定量メトリックの正規化されたスコアとの関連性に少なくとも部分的に基づいて、対象の健康転帰を出力することを更に含む、実施形態60に記載の方法。
実施形態63.対象の第2のセットの、1つ以上の特徴の1つ以上の定量メトリックが、データベースに記憶され、データベースが、ローカルサーバ又はクラウドベースのサーバである、実施形態61に記載の方法。
実施形態64.健康転帰が、疾患状態、疾患サブタイプ、臨床サブタイプ、生理機能に関連する非臨床サブグループ分け、人体測定指標、行動指標、社会経済指標、ボディマス指数、知能指数、社会経済的地位、又はそれらの任意の組み合わせの診断を含む、実施形態61に記載の方法。
実施形態65.1つ以上の特徴が、1つ以上のエクスポソームシグネチャの時間的ダイナミクスの測定を含む、実施形態60に記載の方法。
実施形態66.時間的ダイナミクスの測定は、線形勾配、1つ以上のエクスポソームシグネチャの曲率を記述する非線形パラメータ、1つ以上のエクスポソームシグネチャの強度の急激な変化、1つ以上のエクスポソームシグネチャのベースライン強度の変化、1つ以上のエクスポソームシグネチャの周波数ドメイン表現の変化、1つ以上のエクスポソームシグネチャのパワースペクトルドメイン表現の変化、再発定量分析パラメータ、交差再発定量分析パラメータ、ジョイント再発定量分析パラメータ、多次元再発定量分析パラメータ、リパヌフスペクトルの推定、最大リアプノフ指数、又はそれらの任意の組み合わせを含む、実施形態64に記載の方法。
実施形態67.疾患状態が、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎臓病、腎移植拒絶反応、癌、又はそれらの任意の組み合わせを含む、実施形態63に記載の方法。
実施形態68.1つ以上のエクスポソームシグネチャの1つ以上の特徴が表現型特徴を含み、表現型特徴が、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能的磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトミック、プロテオミック、メタボロミック、又はそれらの任意の組み合わせのデータを含む、実施形態64に記載の方法。
実施形態69.1つ以上の特徴が1つ以上のアトラクタから導出される、実施形態60に記載の方法。
実施形態70.1つ以上のエクスポソームシグネチャが、質量分析法、レーザアブレーション誘導結合プラズマ質量分析法、レーザ誘導破壊分光法、ラマン分光法、免疫組織化学蛍光法、又はこれらの任意の組み合わせによって測定される、実施形態60に記載の方法。
実施形態71.生体試料が、毛髪、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせを含む、実施形態60に記載の方法。
実施形態72.表現型特徴が分子表現型を含む、実施形態67に記載の方法。
実施形態73.分子表現型が、教師なし分析によって判定され、教師なし分析が、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含む、実施形態71に記載の方法。
実施形態74.再発定量分析パラメータが、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数を含む、実施形態65に記載の方法。
実施形態75.ポテンシャルエネルギー分析によって1つ以上のアトラクタを分析し、それによってポテンシャルエネルギーデータ空間を生成することを更に含む、実施形態68に記載の方法。
実施形態76.対象の1つ以上のエクスポソームシグネチャが、遡及的エクスポソームデータを含む、実施形態60に記載の方法。
実施形態77.1つ以上のアトラクタのシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの間の動的関係を分析することを更に含む、実施形態68に記載の方法。
実施形態78.動的関係が、交差収束マッピング(CCM)によって判定される、実施形態76に記載の方法。
実施形態79.1つ以上のエクスポソームシグネチャを削減された1つ以上のエクスポソームシグネチャに削減することを更に含む、実施形態60に記載の方法。
実施形態80.1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、1つ以上のアトラクタのネットワークを構築することを更に含む、実施形態68に記載の方法。
実施形態81.1つ以上のアトラクタのネットワークの1つ以上の特徴を分析して、ネットワーク接続性、効率、特徴重要性、経路重要性、関連するグラフ理論ベースのメトリック、又はそれらの任意の組み合わせを判定することを更に含む、実施形態79に記載の方法。
実施形態82.1人以上の対象の表現型データの予測を出力する方法であって、(a)対象の第1のセットから1つ以上の生体試料及び表現型データを受け取ることと、(b)対象の第1のセットの1つ以上の生体試料からエクスポソームシグネチャの第1のセットを判定することと、(c)エクスポソームシグネチャの第1のセットの特徴の第1のセットを計算することと、(d)特徴の第1のセット及び対象の第1のセットの表現型データを使用して予測モデルを訓練することと、(e)対象の第1のセットとは異なる対象の第2のセットから1つ以上の生体試料を受け取ることと、(f)対象の第2のセットの1つ以上の生体試料からエクスポソームシグネチャの第2のセットを判定することと、(g)エクスポソームシグネチャの第2のセットから特徴の第2のセットを計算することと、(h)特徴の第2のセットを訓練された予測モデルに入力することによって判定された対象の第2のセットの表現型データの予測を出力することと、を含む、方法。
実施形態83.特徴の第1及び第2のセットが1つ以上の定量メトリックを含む、実施形態81に記載の方法。
実施形態84.1つ以上の定量メトリックが、1つ以上のエクスポソームシグネチャの時間的ダイナミクスの測定値を含む、実施形態82に記載の方法。
実施形態85.時間的ダイナミクスの測定値が、線形勾配、エクスポソームシグネチャの第1及び第2のセットの曲率を記述する非線形パラメータ、第1及び第2のエクスポソームシグネチャセットの強度の急激な変化、第1及び第2のエクスポソームシグネチャセットのベースライン強度の変化、第1及び第2のエクスポソームシグネチャセットの周波数ドメイン表現の変化、第1及び第2のエクスポソームシグネチャセットのパワースペクトルドメイン表現の変化、再発定量分析パラメータ、交差定量分析パラメータ、ジョイント再発定量分析パラメータ、多次元再発定量分析パラメータ、リパヌフスペクトルの推定、若しくは最大リアプノフ指数、又はそれらの任意の組み合わせを含む、実施形態83に記載の方法。
実施形態86.特定の第1及び第2のセットが、表現型特徴を含み、表現型特徴が、疾患状態又は健康状態を含み、疾患状態が、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎移植拒絶、癌、又はそれらの任意の組み合わせを含む、実施形態82に記載の方法。
実施形態87.表現型特徴が、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトミック、プロテオミック、メタボロミック、又はそれらの任意の組み合わせのデータを更に含む、実施形態85に記載の方法。
実施形態88.特徴の第1及び第2のセットが、1つ以上のアトラクタとして表されるか、又は1つ以上のアトラクタから導出される、実施形態81に記載の方法。
実施形態89.1つ以上のアトラクタが、リミットサイクルアトラクタ、双安定アトラクタ、又はそれらの任意の組み合わせである、実施形態87に記載の方法。
実施形態90.エクスポソームシグネチャの第1及び第2のセットが、質量分析法、レーザアブレーション誘導結合プラズマ質量分析法、レーザ誘導分解分光法、ラマン分光法、免疫組織化学蛍光法、又はそれらの任意の組み合わせによって測定される、実施形態81に記載の方法。
実施形態91.第1及び第2の対象の1つ以上の生体試料が、毛髪、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせを含む、実施形態81に記載の方法。
実施形態92.表現型特徴が分子表現型を含む、実施形態85に記載の方法。
実施形態93.分子表現型が、教師なし分析によって判定され、教師なし分析が、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含む、実施形態91に記載の方法。
実施形態94.再発定量分析パラメータが、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又はそれらの任意の組み合わせを含む、実施形態84に記載の方法。
実施形態95.ポテンシャルエネルギー分析によって1つ以上のアトラクタを分析し、それによってポテンシャルエネルギーデータ空間を生成することを更に含む、実施形態87に記載の方法。
実施形態96.エクスポソームシグネチャの第1及び第2のセットが、遡及的動的エクスポソームデータベース、前向き動的エクスポソームデータベース、又はそれらの任意の組み合わせの動的エクスポソームデータを含む、実施形態81に記載の方法。
実施形態97.1つ以上のアトラクタの再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又は任意の組み合わせの間の動的関係を分析することを更に含む、実施形態87に記載の方法。
実施形態98.動的関係が、交差収束マッピング(CCM)によって判定される、実施形態96に記載の方法。
実施形態99.1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、1つ以上のアトラクタのネットワークを構築することを更に含む、実施形態87に記載の方法。
実施形態100.1つ以上のアトラクタのネットワークの1つ以上の特徴を分析して、ネットワーク接続性、効率、特徴重要性、経路重要性、関連するグラフ理論ベースのメトリック特徴重要性、経路重要性、又はそれらの任意の組み合わせを判定することを更に含む、実施形態98に記載の方法。
Claims (107)
- コンピュータ実装エクスポソームシステムであって、
1つ以上のプロセッサと、
前記1つ以上のプロセッサによってアドレス指定可能なメモリと、を備え、前記メモリが、
(a)エクスポソーム生化学的シグネチャデータベース(EDB)であって、複数の対象における各対象についての対応する複数のエクスポソーム特徴を電子形態で含む、EDBと、
(b)介入転帰データベース(IODB)であって、前記複数の対象のうちの少なくとも1人の対象の少なくとも1つの介入の少なくとも1つの段階についての介入転帰情報についての情報を電子形態で含む、IODBと、を記憶し、
前記メモリが、前記1つ以上のプロセッサによる実行のための少なくとも1つのプログラムを更に記憶し、前記少なくとも1つのプログラムが、
(i)前記EDB及び前記IODBに通信可能に結合された関連付けソフトウェアモジュールであって、前記少なくとも1人の対象の少なくとも1つの段階についての前記対応する複数のエクスポソーム特徴と前記介入転帰情報との間の関連性を判定するようにプログラムされている、関連付けソフトウェアモジュールと、
(ii)前記EDB及び前記IODBに通信可能に結合された推奨ソフトウェアモジュールであって、前記少なくとも1人の対象についての前記対応する複数のエクスポソーム特徴、前記少なくとも1人の対象についての前記介入転帰情報、及び前記少なくとも1人の対象についての前記対応する複数のエクスポソーム特徴と、前記臨床表現型情報と、前記介入転帰情報との間の関連性に少なくとも部分的に基づいて、少なくとも1人の対象に対する介入推奨を提供するようにプログラムされた推奨ソフトウェアモジュールと、を含む、コンピュータ実装エクスポソームシステム。 - 前記メモリが、臨床データベース(CDB)を更に記憶し、前記CDBが、前記複数の対象についての臨床表現型情報を含み、
前記関連付けソフトウェアモジュールが、前記少なくとも1人の対象についての前記対応する複数のエクスポソーム特徴、前記臨床表現型情報、及び前記介入転帰情報との間の関連性を判定するようにプログラムされ、
前記推奨ソフトウェアモジュールが、前記少なくとも1人の対象の前記対応する複数のエクスポソーム特徴、前記少なくとも1人の対象の前記臨床表現型情報、前記少なくとも1人の対象の前記介入転帰情報、及び前記少なくとも1人の対象の前記対応する複数のエクスポソーム特徴と、前記臨床表現型情報と、前記介入転帰情報との間の関連性に少なくとも部分的に基づいて、前記少なくとも1人の対象に前記介入推奨を提供するように通信可能にプログラムされている、請求項1に記載のコンピュータ実装エクスポソームシステム。 - 前記EDBが、少なくとも100、少なくとも1,000、又は少なくとも10,000人の対象のそれぞれについての明確で対応する複数のエクスポソーム特徴を含む、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記複数の対象のうちの少なくとも1人の対象の少なくとも1つの介入の少なくとも1つの段階についての介入転帰情報に関する前記情報が、無反応者、有害反応者、又は陽性反応者の分類を含む、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記複数の対象のうちの少なくとも1人の対象の少なくとも1つの介入の少なくとも1つの段階についての介入転帰情報に関する前記情報が、1つ以上の包含基準又は除外基準を含む、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記複数の対象のうちの対象の前記対応する複数のエクスポソーム特徴が、前記対象の生体試料をアッセイすることによって得られる、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記生体試料が、歯試料、爪試料、毛髪試料、又はそれらの任意の組み合わせを含む、請求項6に記載のコンピュータ実装エクスポソームシステム。
- 前記アッセイすることが、質量分析測定値、レーザアブレーション誘導結合プラズマ質量分析測定値、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、生理学的パラメータ、又はそれらの任意の組み合わせを取得することを含む、請求項6に記載のコンピュータ実装エクスポソームシステム。
- 前記アッセイすることが、1つ以上の質量分析測定値を取得することを含み、前記1つ以上の質量分析測定値が、1つ以上の化学物質の測定値を含む、請求項6に記載のコンピュータ実装エクスポソームシステム。
- 前記1つ以上の化学物質が、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせを含む、請求項9に記載のコンピュータ実装されたエクスポソームシステム。
- 前記複数の対象のうちの対応する対象の前記対応する複数のエクスポソーム特徴が、前記対応する対象の1つ以上の動的時間的生化学反応の1つ以上の特徴を含む、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記複数の対象のうちの対応する対象についての前記対応する複数のエクスポソーム特徴が、前記対応する対象の1つ以上の生体試料の1つ以上の蛍光画像を含む、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記複数の対象のうちの対応する対象についての前記対応する複数のエクスポソーム特徴が、前記対応する対象の生体試料の1つ以上のラマンスペクトルの1つ以上の空間マップを含む、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記複数の対象の各対応する対象についての各対応する複数のエクスポソーム特徴が、前記対応する対象における疾患若しくは障害がないこと、疾患若しくは障害があること、又は疾患若しくは障害の苦痛の程度に関連付けられる、請求項1に記載のコンピュータ実装エクスポソームシステム。
- 前記疾患又は障害が、精神、心臓、胃腸、肺、神経、循環、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む、請求項14に記載のコンピュータ実装型エクスポソームシステム。
- 前記少なくとも1つのプログラムが、訓練されたモデルを使用して前記対応する複数のエクスポソーム特徴を分析して、疾患又は障害との関連性を判定するための命令を更に含む、請求項14に記載のコンピュータ実装エクスポソームシステム。
- 前記訓練されたモデルは、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される、請求項16に記載のコンピュータ実装エクスポソームシステム。
- 対象を第1の介入について選択するための方法であって、
(a)訓練された予測モデルを提供することであって、前記訓練された予測モデルが、訓練コホートの1つ以上の臨床メタデータ、エクスポソーム特徴、及び対応する介入転帰情報に関して訓練される、提供することと、
(b)前記対象から得られた生体試料を使用して生化学的シグネチャを検出し、それによって、複数の前向きエクスポソーム特徴を生成することと、
(c)前記対象の前記複数の前向きエクスポソーム特徴及び臨床メタデータを前記訓練された予測モデルに入力し、それによって前記対象の予測される介入転帰情報を取得することと、
(d)少なくとも部分的に、前記対象の前記予測される介入転帰情報に基づいて、前記対象を前記第1の介入について選択すること、又は前記対象を前記第1の介入から除外することと、を含む、方法。 - 前記生化学的シグネチャが、前記対象の生体試料をアッセイすることによって得られる、請求項18に記載の方法。
- 前記生体試料が、歯試料、爪試料、毛髪試料、又はそれらの任意の組み合わせを含む、請求項19に記載の方法。
- 前記アッセイすることが、レーザアブレーション誘導結合プラズマ質量分析測定値、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、又はそれらの任意の組み合わせからデータを収集することを含む、請求項19に記載の方法。
- 前記アッセイすることが、レーザアブレーション誘導結合プラズマ質量分析測定値からデータを収集することを含み、前記レーザアブレーション誘導結合プラズマ質量分析測定値が、1つ以上の元素化学物質の測定値を含む、請求項19に記載の方法。
- 前記1つ以上の元素化学物質が、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせを含む、請求項22に記載の方法。
- 前記生化学的シグネチャが、前記生体試料のラマンスペクトルの空間マップを含む、請求項18に記載の方法。
- 前記生化学的シグネチャが、疾患又は障害に関連付けられる、請求項18に記載の方法。
- 前記疾患又は障害が、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む、請求項26に記載の方法。
- 前記訓練された予測モデルが、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される、請求項18に記載の方法。
- 前記方法が、前記対象が前記第1の介入について選択されるときに、前記対象を前記第1の介入に登録することを更に含む、請求項18に記載の方法。
- 前記対象が前記第1の介入から除外されたときに、前記対象を第2の介入について評価することを更に含む、請求項18に記載の方法。
- 疾患又は障害のための最適な治療法を選択する方法であって、
(a)疾患又は障害のない1人以上の対象からの1つ以上の生体試料から得られた1つ以上の生化学的シグネチャを検出し、それによって、1つ以上の参照エクスポソーム特徴を生成することと、
(b)疾患又は障害のある1人以上の対象からの1つ以上の生体試料から得られた1つ以上の生化学的シグネチャの特徴を検出し、それによって1つ以上の治療前エクスポソーム特徴を生成することと、
(c)前記疾患又は障害のある前記1人以上の対象に治療を実施することと、
(d)前記治療を受けた後、一定期間が経過した後に、前記疾患又は障害を有する前記1人以上の対象からの1つ以上の生体試料から得られた1つ以上の生化学的シグネチャの特徴を検出し、それによって、1つ以上の治療後エクスポソーム特徴を生成することと、
(e)前記障害又は疾患のない前記1人以上の対象の前記1つ以上の参照エクスポソーム特徴と、前記疾患又は障害のある前記1人以上の対象の前記1つ以上の治療前エクスポソーム特徴と、前記疾患又は障害のある前記1人以上の対象の前記1つ以上の治療後エクスポソーム特徴との間の差を判定することと、
(f)前記1つ以上の参照エクスポソーム特徴と、前記1つ以上の治療前エクスポソーム特徴と、前記1つ以上の治療後エクスポソーム特徴との間の前記判定された差に少なくとも部分的に基づいて、1つ以上の最適な治療を選択することであって、前記1つ以上の最適な治療は、所定の基準を満たす前記判定された差に基づいて選択される、選択することと、を含む、方法。 - 前記1つ以上の最適な治療における最適な治療が、医薬品、栄養補助食品、又はそれらの任意の組み合わせを含む、請求項30に記載の方法。
- 前記所定の基準が、前記1つ以上の参照エクスポソーム特徴に対する前記1つ以上の治療前エクスポソーム特徴と前記1つ以上の治療後エクスポソーム特徴との間の差を含む、請求項30に記載の方法。
- 前記期間が、少なくとも約1時間、少なくとも約1日、少なくとも約1週間、少なくとも約1ヶ月、少なくとも約1年、又はそれらの任意の組み合わせを含む、請求項30に記載の方法。
- 前記差が、前記1つ以上の参照エクスポソーム特徴に対する前記1つ以上の治療後エクスポソーム特徴の少なくとも10%の変化を含む、請求項30に記載の方法。
- 前記1つ以上の治療前エクスポソーム特徴、前記1つ以上の治療後エクスポソーム特徴、又はこれらの任意の組み合わせが、対応する対象の生体試料をアッセイすることによって得られる、請求項30に記載の方法。
- 前記生体試料が、歯試料、爪試料、毛髪試料、又はそれらの任意の組み合わせを含む、請求項35に記載の方法。
- 前記アッセイすることが、レーザアブレーション誘導結合プラズマ質量分析、レーザ誘導破壊分光測定値、ラマン分光測定値、免疫組織化学測定値、又はそれらの任意の組み合わせを取得することを含む、請求項35に記載の方法。
- 前記アッセイすることが、レーザアブレーション誘導結合プラズマ質量分析を取得することを含み、前記レーザアブレーション誘導結合プラズマ質量分析が、1つ以上の元素化学物質の測定を含む、請求項35に記載の方法。
- 前記1つ以上の元素化学物質が、アルミニウム、ヒ素、バリウム、ビスマス、カルシウム、銅、ヨウ化物、鉛、リチウム、マグネシウム、マンガン、リン、硫黄、スズ、ストロンチウム、亜鉛、又はそれらの任意の組み合わせを含む、請求項38に記載の方法。
- 前記疾患又は障害のある前記1人以上の対象からの前記1つ以上の生体試料中の生体試料から得られる前記1つ以上の生化学的シグネチャにおける生化学的シグネチャが、前記生体試料の蛍光画像を含む、請求項31に記載の方法。
- 前記疾患又は障害のある前記1人以上の対象からの前記1つ以上の生体試料中の生体試料から得られる前記1つ以上の生化学的シグネチャにおける生化学的シグネチャが、前記生体試料のラマンスペクトルの空間マップを含む、請求項31に記載の方法。
- 前記疾患又は障害が、精神、心臓、胃腸、肺、神経、循環器、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む、請求項31に記載の方法。
- 前記障害又は疾患のない前記1人以上の対象の前記1つ以上の参照エクスポソーム特徴と、前記疾患又は障害を有する前記1人以上の対象の前記1つ以上の治療前エクスポソーム特徴と、前記疾患又は障害を有する前記1人以上の対象の前記1つ以上の治療後エクスポソーム特徴との間の前記差を、訓練されたモデルを使用して分析する、請求項31に記載の方法。
- 前記訓練されたモデルが、ニューラルネットワークアルゴリズム、サポートベクトルマシンアルゴリズム、決定木アルゴリズム、教師なしクラスタリングアルゴリズム、教師ありクラスタリングアルゴリズム、回帰アルゴリズム、勾配ブーストアルゴリズム、及びそれらの任意の組み合わせからなる群から選択される、請求項43に記載の方法。
- 複数の対象における介入の効果を評価するための方法であって、
前記複数の対象のそれぞれの対象について、前記それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、前記それぞれの対象について対応する複数の化学試料を取得することであって、前記複数の化学試料における各化学試料が、前記複数の位置における異なる位置に対応し、前記複数の位置における各位置が、前記化学ダイナミクスに関連する前記対応する生体試料の異なる成長期間を表し、前記複数の位置が、
前記介入前の成長期間を表す1つ以上の位置、
前記介入中の成長期間を表す1つ以上の位置、及び
前記介入後の成長期間を表す1つ以上の位置を含む、取得することと、
前記複数の対象のそれぞれの対象について、前記それぞれの対象についての前記対応する複数の化学試料を質量分析計を用いて分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、前記複数のトレースにおける各トレースが、前記複数の化学試料から経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、取得することと、
前記複数の化学物質における1つ以上の化学物質の各々について、対応する同位体データセットを生成することであって、前記同位体データセットが、
前記介入前の前記生体試料成長期間に対応する介入前特徴のセットであって、前記複数の対象におけるそれぞれの対象について、前記介入前の成長期間を表す前記1つ以上の位置から測定された前記それぞれの化学物質の前記濃度から導出された1つ以上の特徴を含む、介入前特徴のセットと、
前記介入中の前記生体試料成長期間に対応する介入特徴のセットであって、前記複数の対象におけるそれぞれの対象について、前記介入中の成長期間を表す前記1つ以上の位置から測定された前記それぞれの化学物質の前記濃度から導出された1つ以上の特徴を含む、介入特徴のセットと、
介入後の前記生体試料成長期間に対応する介入後の特徴のセットであって、前記複数の対象のそれぞれの対象について、前記介入後の成長期間を表す前記1つ以上の位置から測定された前記それぞれの化学物質の前記濃度から導出された1つ以上の特徴を含む、介入後の特徴のセットと、を含む、生成することと、
前記1つ以上の化学物質の各化学物質について、前記対応する同位体データセットを使用して、前記介入に応答して化学ダイナミクスの変化を評価することと、を含む、方法。 - 前記評価することが、前記複数の化学物質の各々について、(i)前記介入前特徴のセット並びに(ii)前記介入特徴のセット及び前記介入後特徴のセットの一方又は両方を使用して確率的仮説検定を実行することを含む、請求項45に記載の方法。
- 複数の対象における介入の効果を評価するための方法であって、
前記複数の対象のそれぞれの対象について、前記それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、前記それぞれの対象について対応する複数の化学試料を取得することであって、前記複数の化学試料における各化学試料が、前記複数の位置における異なる位置に対応し、前記複数の位置における各位置が、前記化学ダイナミクスに関連する前記対応する生体試料の異なる成長期間を表し、前記複数の位置が、
前記介入前の成長期間を表す1つ以上の位置、
前記介入中の成長期間を表す1つ以上の位置、及び
前記介入後の成長期間を表す1つ以上の位置を含む、取得することと、
前記複数の対象のそれぞれの対象について、前記それぞれの対象についての前記対応する複数の化学試料を質量分析計を用いて分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、前記複数のトレースにおける各トレースが、前記複数の化学試料から経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、取得することと、
前記複数の化学物質における2つ以上の化学物質のセットについて、それぞれの集約同位体データセットを生成することであって、前記集約同位体データセットが、
前記介入前の生体試料成長に対応する介入前特徴のセットであって、前記複数の対象におけるそれぞれの対象について、前記介入前の成長期間を表す前記1つ以上の位置から測定された前記2つ以上の化学物質の各々の濃度から導出される特徴から形成される1つ以上の次元削減成分の値を含む、介入前特徴のセットと、
前記介入中の生体試料成長に対応する介入特徴のセットであって、前記複数の対象におけるそれぞれの対象について、前記介入中の成長期間を表す前記1つ以上の位置から測定された前記2つ以上の化学物質の各々の濃度から導出される特徴から形成される1つ以上の次元削減成分の値を含む、介入特徴のセットと、
前記介入後の生体試料成長に対応する介入後特徴のセットであって、前記複数の対象のそれぞれの対象について、前記介入後の成長期間を表す前記1つ以上の位置から測定された前記2つ以上の化学物質のセットの各々の濃度から導出される特徴から形成される1つ以上の次元削減成分の値を含む、介入後特徴のセットと、を含む、生成することと、
前記集約同位体データセットを使用して、前記介入に応答して化学ダイナミクスの変化を評価することと、を含む、方法。 - 前記評価することが、(i)前記介入前特徴のセット、並びに(ii)前記介入特徴のセット及び前記介入後特徴のセットの一方又は両方を使用して確率的仮説検定を実行することを含む、請求項47に記載の方法。
- 前記介入前特徴のセット、前記介入特徴のセット、及び前記介入後特徴のセットの各々について、前記次元削減成分の前記値が、前記複数の対象の単一のそれぞれの対象から測定された前記2つ以上の化学物質の各々の特徴から導出された前記特徴から判定される、請求項47又は48に記載の方法。
- 前記介入前特徴のセット、前記介入特徴のセット、及び前記介入後特徴のセットの各々について、前記次元削減成分の前記値が、前記複数の対象における複数のそれぞれの対象から測定された前記2つ以上の化学物質のセットの各々の前記特徴から導出された前記特徴の集合から判定される、請求項48又は49に記載の方法。
- 成長期間を表す前記1つ以上の位置から測定された前記それぞれの化学物質の前記濃度から導出される前記1つ以上の特徴が、前記濃度、その正規化された濃度、又は関連する記述的統計量若しくはその導出されたパラメータである、請求項47~50のいずれか一項に記載の方法。
- 成長期間を表す前記1つ以上の位置から測定された前記それぞれの化学物質の濃度から導出された前記1つ以上の特徴が、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発の回数におけるシャノンエントロピー、及び最も確率の高い再発の回数からなる群から選択され、これらの尺度が、再発定量分析パラメータ、交差再発定量分析パラメータ、ジョイント再発定量分析パラメータ、及び/又は多次元再発定量分析の適用によって導出される、請求項46~51のいずれか一項に記載の方法。
- 複数の対象における介入の効果を評価するための方法であって、
前記複数の対象のそれぞれの対象について、前記それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、前記それぞれの対象について対応する複数の化学試料を取得することであって、前記複数の化学試料における各化学試料が、前記複数の位置における異なる位置に対応し、前記複数の位置における各位置が、前記化学ダイナミクスに関連する前記対応する生体試料の異なる成長期間を表し、前記複数の位置が、
前記介入前の成長期間を表す1つ以上の位置、
前記介入中の成長期間を表す1つ以上の位置、及び
前記介入後の成長期間を表す1つ以上の位置を含む、取得することと、
前記複数の対象のそれぞれの対象について、前記それぞれの対象についての前記対応する複数の化学試料を質量分析計を用いて分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、前記複数のトレースにおける各トレースが、前記複数の化学試料から経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、取得することと、
前記複数の対象におけるそれぞれの対象について、及び前記複数の化学物質の1つ以上の化学物質の各々について、分散ラグモデル又は同様の非線形分散モデルを、前記複数の位置から測定された前記それぞれの化学物質の濃度又は前記複数の位置から導出された特徴に、前記介入に対する時間の関数として適用し、時間の関数としての、前記それぞれの対象における前記それぞれの化学物質の前記濃度への前記介入の寄与を表す対応する寄与データセットを生成することと、
前記複数の対象におけるそれぞれの対象からの、前記1つ以上の化学物質の各々についての前記対応する寄与データセットを使用して、前記介入に応答する化学ダイナミクスの変化を評価することと、を含む、方法。 - 複数の対象における介入の効果を評価するための方法であって、
前記複数の対象のそれぞれの対象について、前記それぞれの対象の化学ダイナミクスに関連する対応する生体試料上の基準線に沿った複数の位置におけるそれぞれの位置をサンプリングし、それによって、前記それぞれの対象について対応する複数の化学試料を取得することであって、前記複数の化学試料における各化学試料が、前記複数の位置における異なる位置に対応し、前記複数の位置における各位置が、前記化学ダイナミクスに関連する前記対応する生体試料の異なる成長期間を表し、前記複数の位置が、
前記介入前の成長期間を表す1つ以上の位置、
前記介入中の成長期間を表す1つ以上の位置、及び
前記介入後の成長期間を表す1つ以上の位置を含む、取得することと、
前記複数の対象のそれぞれの対象について、前記それぞれの対象についての前記対応する複数の化学試料を質量分析計を用いて分析し、それによって、複数のトレースを含む対応する第1のデータセットを取得することであって、前記複数のトレースにおける各トレースが、前記複数の化学試料から経時的に集合的に判定された複数の化学物質における対応する化学物質の濃度である、取得することと、
前記複数の対象のそれぞれの対象について、及び前記複数の化学物質の2つ以上の化学物質のセットについて、前記それぞれの対象についての異なる成長期間にわたって測定された前記2つ以上の化学物質の各々の濃度から導出された特徴から形成される1つ以上の次元削減成分の値を含む特徴のセットを含む対応する集約同位体データセットを生成することと、
前記複数の対象のそれぞれの対象について、分散ラグモデル又は同様の非線形分散モデルを前記介入に対する時間の関数として前記対応する集約同位体データセットに適用して、時間の関数として、前記それぞれの対象における前記2つ以上の化学物質のセットの前記濃度に対する前記介入の寄与を表す対応する寄与データセットを生成することと、
前記複数の対象におけるそれぞれの対象についての前記対応する寄与データを使用して、前記介入に応答する化学ダイナミクスの変化を評価することと、を含む、方法。 - 前記介入が、栄養補助組成物の摂取である、請求項47~54のいずれか一項に記載の方法。
- 化学ダイナミクスの変化の評価に応答して、前記栄養補助組成物の組成物を変更して、前記栄養補助組成物の前記摂取の効果を調整することを更に含む、請求項55に記載の方法。
- 前記化学ダイナミクスの変化の評価に応答して、前記栄養補助組成物の摂取を1つ以上の健康補助食品の摂取で補うことを更に含む、請求項55に記載の方法。
- 前記介入に応答して、1つ以上の追加の代謝産物の代謝の変化を評価することを更に含む、請求項46~57のいずれか一項に記載の方法。
- 前記1つ又は追加の代謝物が、ペルフルオロ化合物、パラベン、フタル酸塩、脂質、アミノ酸、アミノ酸誘導体、及びペプチドからなる群から選択される、請求項58に記載の方法。
- 第1の対象の1つ以上のエクスポソームシグネチャの1つ以上の定量メトリックを出力する方法であって、
(a)前記第1の対象から生体試料を受け取ることと、
(b)前記第1の対象の前記生体試料から1つ以上のエクスポソームシグネチャを判定することと、
(c)前記1つ以上のエクスポソームシグネチャの第1の1つ以上の特徴を計算することであって、前記第1の1つ以上の特徴の各特徴が1つ以上の定量メトリックを含む、計算することと、
(d)前記第1の対象の前記第1の1つ以上の特徴の前記1つ以上の定量メトリックを出力することと、を含む、方法。 - 前記第1の対象の前記第1の1つ以上の特徴の正規化スコアと、第2の対象の前記第1の1つ以上の特徴の第2のセットの正規化スコアとの関連に少なくとも部分的に基づいて、前記第1の対象の健康転帰を出力することを更に含む、請求項60に記載の方法。
- 前記第1の1つ以上の特徴の前記第2のセットが、データベースに記憶され、前記データベースが、ローカルサーバ、クラウドベースサーバ、又は仮想マシン上でホストされる、請求項61に記載の方法。
- 前記健康転帰が、疾患状態、疾患サブタイプ、臨床サブタイプ、生理機能に関連する非臨床サブグループ分け、人体測定指標、行動指標、社会経済指標、ボディマス指数、知能指数、社会経済状態、又はそれらの任意の組み合わせの診断を含む、請求項61に記載の方法。
- 前記第1の1つ以上の特徴が、前記1つ以上のエクスポソームシグネチャの時間的ダイナミクスの測定を含む、請求項60に記載の方法。
- 前記時間的ダイナミクスの前記測定が、線形勾配の判定、前記1つ以上のエクスポソームシグネチャの曲率を記述する複数の非線形パラメータの判定、前記1つ以上のエクスポソームシグネチャの強度の急激な変化の判定、前記1つ以上のエクスポソームシグネチャのベースライン強度の1つ以上の変化の判定、前記1つ以上のエクスポソームシグネチャの周波数ドメイン表現の変化の判定、前記1つ以上のエクスポソームシグネチャのパワースペクトルドメイン表現の変化の判定、1つ以上の再発定量分析パラメータの判定、1つ以上の交差再発定量分析パラメータの判定、1つ以上のジョイント再発定量分析パラメータの判定、1つ以上の多次元再発定量分析パラメータの判定、リパヌフスペクトルの推定、最大リアプノフ指数の判定、又はそれらの任意の組み合わせを含む、請求項64に記載の方法。
- 前記健康転帰が、疾患状態の診断を含み、前記疾患状態が、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎疾患、腎臓移植拒絶、癌、又はそれらの任意の組み合わせを含む、請求項61に記載の方法。
- 前記1つ以上のエクスポソームシグネチャの前記第1の1つ以上の特徴が、表現型特徴を含み、前記表現型特徴が、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトミック、プロテオミック、メタボロミック、又はそれらの任意の組み合わせのデータを含む、請求項60に記載の方法。
- 前記第1の1つ以上の特徴が、1つ以上のアトラクタから導出される、請求項60に記載の方法。
- 前記1つ以上のエクスポソームシグネチャが、質量分析法、レーザアブレーション誘導結合プラズマ質量分析法、レーザ誘導破壊分光法、ラマン分光法、免疫組織化学蛍光法、又はそれらの任意の組み合わせによって測定される、請求項60に記載の方法。
- 前記生体試料が、毛髪、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせを含む、請求項60に記載の方法。
- 前記表現型特徴が、分子表現型を含む、請求項67に記載の方法。
- 前記分子表現型が、教師なし分析によって判定され、教師なし分析が、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含む、請求項71に記載の方法。
- 前記時間的ダイナミクスの前記測定が、1つ以上の前記再発定量分析パラメータの判定を含み、前記1つ以上の前記再発定量分析パラメータが、再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、又は最も確率の高い再発の回数を含む、請求項64に記載の方法。
- ポテンシャルエネルギー分析によって前記1つ以上のアトラクタを分析し、それによってポテンシャルエネルギーデータ空間を生成することを更に含む、請求項68に記載の方法。
- 前記第1の対象の前記1つ以上のエクスポソームシグネチャが、遡及的エクスポソームデータ、前向きエクスポソームデータ、又はそれらの任意の組み合わせのエクスポソームデータを含む、請求項60に記載の方法。
- 前記1つ以上のアトラクタのシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの間の動的関係を分析することを更に含む、請求項68に記載の方法。
- 前記動的関係が、交差収束マッピング(CCM)によって判定される、請求項76に記載の方法。
- 前記1つ以上のエクスポソームシグネチャを削減された1つ以上のエクスポソームシグネチャに削減することを更に含む、請求項60に記載の方法。
- 前記1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、前記1つ以上のアトラクタのネットワークを構築することを更に含む、請求項68に記載の方法。
- 前記1つ以上のアトラクタの前記ネットワークの1つ以上の特徴を分析して、ネットワーク接続性、効率、特徴重要性、経路重要性、関連するグラフ理論ベースのメトリック、又はそれらの任意の組み合わせを判定することを更に含む、請求項79に記載の方法。
- 1人以上の対象の表現型データの予測を出力する方法であって、
(a)1つ以上の生体試料及び表現型データを対象の第1のセットから受け取ることと、
(b)前記対象の第1のセットの1つ以上の生体試料からエクスポソームシグネチャの第1のセットを判定することと、
(c)前記エクスポソームシグネチャの第1のセットの特徴の第1のセットを計算することと、
(d)前記対象の第1のセットの前記特徴の第1のセット及び表現型データを用いて予測モデルを訓練することと、
(e)前記対象の第1のセットとは異なる対象の第2のセットから1つ以上の生体試料を受け取ることと、
(f)前記対象の第2のセットの前記1つ以上の生体試料からエクスポソームシグネチャの第2のセットを判定することと、
(g)前記エクスポソームシグネチャの第2のセットから特徴の第2のセットを計算することと、
(h)前記訓練された予測モデルに前記特徴の第2のセットを入力することによって判定される前記対象の第2のセットの前記表現型データの前記予測を出力することと、を含む、方法。 - 前記特徴の第1及び第2のセットが、1つ以上の定量メトリックを含む、請求項81に記載の方法。
- 前記1つ以上の定量メトリックが、前記1つ以上のエクスポソームシグネチャの時間的ダイナミクスの測定を含む、請求項82に記載の方法。
- 前記時間的ダイナミクスの前記測定が、線形勾配の判定、前記第1及び第2のエクスポソームシグネチャセットの曲率を記述する1つ以上の非線形パラメータの判定、前記第1及び第2のエクスポソームシグネチャセットの強度の1つ以上の急激な変化の判定、前記第1及び第2のエクスポソームシグネチャセットのベースライン強度の1つ以上の変化の判定、前記第1及び第2のエクスポソームシグネチャセットの周波数ドメイン表現の1つ以上の変化の判定、前記第1及び第2のエクスポソームシグネチャセットのパワースペクトルドメイン表現の1つ以上の変化の判定、1つ以上の再発定量分析パラメータの判定、1つ以上の交差再発定量分析パラメータの判定、1つ以上のジョイント再発定量分析パラメータの判定、1つ以上の多次元再発定量分析パラメータの判定、リパヌフスペクトル若しくは最大リアプノフ指数の推定、又はそれらの任意の組み合わせを含む、請求項83に記載の方法。
- 前記特徴の第1及び第2のセットが、表現型特徴を含み、前記表現型特徴が、疾患状態又は健康状態を含み、前記疾患状態が、自閉症スペクトラム障害(ASD)、注意欠陥多動性障害(ADHD)、筋萎縮性側索硬化症(ALS)、統合失調症、過敏性腸疾患(IBD)、小児腎臓病、腎臓移植拒絶、癌、又はそれらの任意の組み合わせを含む、請求項82に記載の方法。
- 前記表現型特徴が、心電図(ECG)、脳波、磁気共鳴イメージング(MRI)、機能磁気共鳴イメージング(fMRI)、陽電子放射断層撮影(PET)、ゲノム、エピゲノム、トランスクリプトミック、プロテオミック、メタボロミック、又はそれらの任意の組み合わせのデータを更に含む、請求項85に記載の方法。
- 前記特徴の第1及び第2のセットが、1つ以上のアトラクタとして表されるか、又はそれから導出される、請求項81に記載の方法。
- 前記1つ以上のアトラクタが、リミットサイクルアトラクタ、双安定アトラクタ、又はそれらの任意の組み合わせである、請求項87に記載の方法。
- 前記エクスポソームシグネチャの第1及び第2のセットが、質量分析法、レーザアブレーション誘導結合プラズマ質量分析法、レーザ誘導破壊分光法、ラマン分光法、免疫組織化学蛍光法、又はそれらの任意の組み合わせによって測定される、請求項81に記載の方法。
- 前記第1及び第2の対象の前記1つ以上の生体試料が、毛髪、歯、足指の爪、指の爪、生理学的パラメータ、又はそれらの任意の組み合わせを含む、請求項81に記載の方法。
- 前記表現型特徴の第1のセット及び前記表現型特徴の第2のセットが各々、複数の分子表現型を含む、請求項85に記載の方法。
- 前記分子表現型が、教師なし分析によって判定され、教師なし分析が、クラスタリング、次元削減、因子分析、積層オートエンコーディング、又はそれらの任意の組み合わせを含む、請求項91に記載の方法。
- 前記時間的ダイナミクスの前記測定が、1つ以上の再発定量分析パラメータの判定を含み、前記1つ以上の再発定量分析パラメータが、1つ以上の再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、最も確率の高い再発の回数、又はそれらの任意の組み合わせを含む、請求項83に記載の方法。
- ポテンシャルエネルギー分析によって前記1つ以上のアトラクタを分析し、それによってポテンシャルエネルギーデータ空間を生成することを更に含む、請求項87に記載の方法。
- 前記第1及び第2のエクスポソームシグネチャのセットが、遡及的エクスポソームデータ、前向きエクスポソーム、又はそれらの動的エクスポソームデータの任意の組み合わせを含む、請求項81に記載の方法。
- 前記1つ以上のアトラクタの再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又は任意の組み合わせの間の動的関係を分析することを更に含む、請求項87に記載の方法。
- 前記動的関係が、交差収束マッピング(CCM)によって判定される、請求項96に記載の方法。
- 前記1つ以上のアトラクタの時間的エクスポソームデータシグナル再発率、確定性、平均対角長、最大対角長、発散、対角長におけるシャノンエントロピー、再発の傾向、重層性、トラッピング時間、最大垂直線長、垂直線長におけるシャノンエントロピー、平均再発時間、再発時間におけるシャノンエントロピー、及び最も確率の高い再発の回数、又はそれらの任意の組み合わせの類似性に基づいて、前記1つ以上のアトラクタのネットワークを構築することを更に含む、請求項87に記載の方法。
- 前記1つ以上のアトラクタの前記ネットワークの1つ以上の特徴を分析して、ネットワーク接続性、効率、特徴重要性、経路重要性、関連するグラフ理論ベースのメトリック特徴重要性、経路重要性、又はそれらの任意の組み合わせを判定することを更に含む、請求項98に記載の方法。
- 前記生化学的シグネチャが、前記生体試料の蛍光画像を含む、請求項18に記載の方法。
- 前記訓練されたモデルが、リグレッサ又は分類器である、請求項16に記載のコンピュータ実装のエクスポソームシステム。
- 前記訓練されたモデルが、1つ以上の回帰タスク、1つ以上の分類タスク、又は1つ以上の回帰タスクと1つ以上の分類タスクの両方の組み合わせを含む、請求項16に記載のコンピュータ実装エクスポソームシステム。
- 前記疾患又は障害が、精神心臓、胃腸、肺、神経、循環、腎臓、又はこれらの任意の組み合わせの疾患又は障害を含む、請求項16に記載のコンピュータ実装型エクスポソームシステム。
- 前記訓練された予測モデルが、リグレッサ又は分類器である、請求項18に記載の方法。
- 前記訓練された予測モデルが、1つ以上の回帰タスク、1つ以上の分類タスク、又は1つ以上の回帰タスクと1つ以上の分類タスクの両方の組み合わせを含む、請求項18に記載の方法。
- 前記訓練されたモデルが、リグレッサ又は分類器である、請求項44に記載の方法。
- 前記訓練されたモデルが、1つ以上の回帰タスク、1つ以上の分類タスク、又は1つ以上の回帰タスク及び1つ以上の分類タスクの両方の組み合わせを含む、請求項44に記載の方法。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063088375P | 2020-10-06 | 2020-10-06 | |
US63/088,375 | 2020-10-06 | ||
US202063121792P | 2020-12-04 | 2020-12-04 | |
US63/121,792 | 2020-12-04 | ||
US202163164964P | 2021-03-23 | 2021-03-23 | |
US63/164,964 | 2021-03-23 | ||
PCT/US2021/053838 WO2022076603A1 (en) | 2020-10-06 | 2021-10-06 | Systems and methods for exposomic clinical applications |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023545704A true JP2023545704A (ja) | 2023-10-31 |
Family
ID=81126047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023521050A Pending JP2023545704A (ja) | 2020-10-06 | 2021-10-06 | エクスポソーム臨床応用のためのシステム及び方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20230368921A1 (ja) |
EP (1) | EP4226233A1 (ja) |
JP (1) | JP2023545704A (ja) |
KR (1) | KR20230107219A (ja) |
AU (1) | AU2021357811A1 (ja) |
CA (1) | CA3194166A1 (ja) |
MX (1) | MX2023003752A (ja) |
WO (1) | WO2022076603A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024076667A1 (en) * | 2022-10-05 | 2024-04-11 | Lambor Siddhant Meenor | System and method for multi-user storage and retrieval of databased chemical kinetics |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150031064A1 (en) * | 2009-04-01 | 2015-01-29 | Ridge Diagnostics, Inc. | Multiple biomarker panels to stratify disease severity and monitor treatment of depression |
EP3526348A4 (en) * | 2016-10-17 | 2020-06-24 | Lociomics Corporation | HIGH RESOLUTION GENOME SPATIAL ANALYSIS OF TISSUE AND CELL AGGREGATES |
EP3622423A1 (en) * | 2017-05-12 | 2020-03-18 | The Regents of The University of Michigan | Individual and cohort pharmacological phenotype prediction platform |
US20200063202A1 (en) * | 2018-04-25 | 2020-02-27 | Juneau Biosciences, L.L.C. | Methods of using genetic markers associated with endometriosis |
-
2021
- 2021-10-06 MX MX2023003752A patent/MX2023003752A/es unknown
- 2021-10-06 US US18/248,138 patent/US20230368921A1/en active Pending
- 2021-10-06 AU AU2021357811A patent/AU2021357811A1/en active Pending
- 2021-10-06 JP JP2023521050A patent/JP2023545704A/ja active Pending
- 2021-10-06 EP EP21878486.6A patent/EP4226233A1/en active Pending
- 2021-10-06 CA CA3194166A patent/CA3194166A1/en active Pending
- 2021-10-06 KR KR1020237014981A patent/KR20230107219A/ko unknown
- 2021-10-06 WO PCT/US2021/053838 patent/WO2022076603A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20230368921A1 (en) | 2023-11-16 |
KR20230107219A (ko) | 2023-07-14 |
WO2022076603A1 (en) | 2022-04-14 |
AU2021357811A1 (en) | 2023-06-08 |
AU2021357811A9 (en) | 2024-05-30 |
MX2023003752A (es) | 2023-06-23 |
CA3194166A1 (en) | 2022-04-14 |
EP4226233A1 (en) | 2023-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210343384A1 (en) | Systems and methods for managing autoimmune conditions, disorders and diseases | |
Juutinen et al. | Parkinson’s disease detection from 20-step walking tests using inertial sensors of a smartphone: Machine learning approach based on an observational case-control study | |
Navaneeth et al. | A dynamic pooling based convolutional neural network approach to detect chronic kidney disease | |
US20240112803A1 (en) | Systems and Methods for Dynamic Raman Profiling of Biological Diseases and Disorders | |
Khan et al. | An effective approach for early liver disease prediction and sensitivity analysis | |
JP5963198B2 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
JP2023545704A (ja) | エクスポソーム臨床応用のためのシステム及び方法 | |
US20240003813A1 (en) | Systems and Methods for Dynamic Immunohistochemistry Profiling of Biological Disorders | |
Varghese et al. | Machine Learning in the Parkinson’s disease smartwatch (PADS) dataset | |
JP2016201123A (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
CN116615702A (zh) | 用于暴露组学临床应用的系统和方法 | |
WO2023196463A1 (en) | Systems and methods for space health exposomics | |
US20170340272A1 (en) | Decision support system for cns drug development | |
Piri | Developing and deploying data mining techniques in healthcare | |
TW202348982A (zh) | 用於生物疾病及疾患之動態拉曼剖析之系統及方法以及其特徵工程方法 | |
Upadhyay et al. | Comprehensive Systematic Computation on Alzheimer's Disease Classification | |
Afrin | Survival Analysis for Big Data | |
Roncero-Parra et al. | Inter-hospital moderate and advanced Alzheimer's disease detection through convolutional neural networks | |
Sree et al. | MACHINE LEARNING MODEL FOR AUTISM PREDICTION IN TODDLERS | |
Kashyap et al. | Revolutionizing healthcare with data science: early disease identification and prediction system | |
Yadav et al. | Artificial Intelligence: A Promising Tool in Diagnosis of Respiratory Diseases | |
Irfan et al. | Machine learning in neurological disorders: A multivariate LSTM and AdaBoost approach to Alzheimer's disease time series analysis | |
WO2023240117A1 (en) | Systems and methods for dynamic immunohistochemistry profiling of biological disorders and feature engineering thereof | |
Prasad et al. | A Multi-Stage Approach for Cardiovascular Risk Assessment from Retinal Images Using an Amalgamation of Deep Learning and Computer Vision Techniques | |
Huang et al. | From Data to Insight: Predicting Interstitial Glucose in Healthy Cohort with Non-invasive Sensor Technology and Machine Learning |