JP2023549520A - 治療結果を向上させるためのシステムおよび方法 - Google Patents
治療結果を向上させるためのシステムおよび方法 Download PDFInfo
- Publication number
- JP2023549520A JP2023549520A JP2023528571A JP2023528571A JP2023549520A JP 2023549520 A JP2023549520 A JP 2023549520A JP 2023528571 A JP2023528571 A JP 2023528571A JP 2023528571 A JP2023528571 A JP 2023528571A JP 2023549520 A JP2023549520 A JP 2023549520A
- Authority
- JP
- Japan
- Prior art keywords
- subjects
- microbial
- nucleic acid
- treatment
- cell
- 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 abstract description 234
- 238000011282 treatment Methods 0.000 title claims description 230
- 230000000813 microbial effect Effects 0.000 claims abstract description 346
- 150000007523 nucleic acids Chemical class 0.000 claims abstract description 228
- 108020004707 nucleic acids Proteins 0.000 claims abstract description 221
- 102000039446 nucleic acids Human genes 0.000 claims abstract description 221
- 239000000203 mixture Substances 0.000 claims abstract description 201
- 239000003814 drug Substances 0.000 claims abstract description 24
- 206010028980 Neoplasm Diseases 0.000 claims description 126
- 230000001225 therapeutic effect Effects 0.000 claims description 111
- 238000010801 machine learning Methods 0.000 claims description 67
- 208000005443 Circulating Neoplastic Cells Diseases 0.000 claims description 52
- 230000002411 adverse Effects 0.000 claims description 48
- 238000011528 liquid biopsy Methods 0.000 claims description 44
- 230000004044 response Effects 0.000 claims description 38
- 201000011510 cancer Diseases 0.000 claims description 32
- 244000005700 microbiome Species 0.000 claims description 31
- 230000011987 methylation Effects 0.000 claims description 30
- 238000007069 methylation reaction Methods 0.000 claims description 30
- 239000012472 biological sample Substances 0.000 claims description 27
- 210000001808 exosome Anatomy 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 208000006265 Renal cell carcinoma Diseases 0.000 claims description 20
- 201000006612 cervical squamous cell carcinoma Diseases 0.000 claims description 17
- 210000002966 serum Anatomy 0.000 claims description 17
- 208000031261 Acute myeloid leukaemia Diseases 0.000 claims description 16
- 208000030808 Clear cell renal carcinoma Diseases 0.000 claims description 16
- 208000000461 Esophageal Neoplasms Diseases 0.000 claims description 16
- 208000032320 Germ cell tumor of testis Diseases 0.000 claims description 16
- 201000010915 Glioblastoma multiforme Diseases 0.000 claims description 16
- 208000031671 Large B-Cell Diffuse Lymphoma Diseases 0.000 claims description 16
- 206010027406 Mesothelioma Diseases 0.000 claims description 16
- 208000033776 Myeloid Acute Leukemia Diseases 0.000 claims description 16
- 206010030155 Oesophageal carcinoma Diseases 0.000 claims description 16
- 206010036790 Productive cough Diseases 0.000 claims description 16
- 206010038019 Rectal adenocarcinoma Diseases 0.000 claims description 16
- 206010038389 Renal cancer Diseases 0.000 claims description 16
- 206010039491 Sarcoma Diseases 0.000 claims description 16
- 208000000102 Squamous Cell Carcinoma of Head and Neck Diseases 0.000 claims description 16
- 208000034254 Squamous cell carcinoma of the cervix uteri Diseases 0.000 claims description 16
- 208000024770 Thyroid neoplasm Diseases 0.000 claims description 16
- 208000009956 adenocarcinoma Diseases 0.000 claims description 16
- 208000020990 adrenal cortex carcinoma Diseases 0.000 claims description 16
- 208000007128 adrenocortical carcinoma Diseases 0.000 claims description 16
- 230000001580 bacterial effect Effects 0.000 claims description 16
- 206010005084 bladder transitional cell carcinoma Diseases 0.000 claims description 16
- 201000001528 bladder urothelial carcinoma Diseases 0.000 claims description 16
- 210000004369 blood Anatomy 0.000 claims description 16
- 239000008280 blood Substances 0.000 claims description 16
- 201000007983 brain glioma Diseases 0.000 claims description 16
- 208000011892 carcinosarcoma of the corpus uteri Diseases 0.000 claims description 16
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 16
- 208000006990 cholangiocarcinoma Diseases 0.000 claims description 16
- 201000010897 colon adenocarcinoma Diseases 0.000 claims description 16
- 208000029742 colonic neoplasm Diseases 0.000 claims description 16
- 208000030381 cutaneous melanoma Diseases 0.000 claims description 16
- 206010012818 diffuse large B-cell lymphoma Diseases 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 16
- 201000004101 esophageal cancer Diseases 0.000 claims description 16
- 210000003608 fece Anatomy 0.000 claims description 16
- 230000002538 fungal effect Effects 0.000 claims description 16
- 201000006585 gastric adenocarcinoma Diseases 0.000 claims description 16
- 208000005017 glioblastoma Diseases 0.000 claims description 16
- 201000000459 head and neck squamous cell carcinoma Diseases 0.000 claims description 16
- 206010073071 hepatocellular carcinoma Diseases 0.000 claims description 16
- 208000030776 invasive breast carcinoma Diseases 0.000 claims description 16
- 210000004185 liver Anatomy 0.000 claims description 16
- 201000005249 lung adenocarcinoma Diseases 0.000 claims description 16
- 201000005243 lung squamous cell carcinoma Diseases 0.000 claims description 16
- 208000019420 lymphoid neoplasm Diseases 0.000 claims description 16
- 201000010302 ovarian serous cystadenocarcinoma Diseases 0.000 claims description 16
- 210000002381 plasma Anatomy 0.000 claims description 16
- 201000005825 prostate adenocarcinoma Diseases 0.000 claims description 16
- 201000001281 rectum adenocarcinoma Diseases 0.000 claims description 16
- 210000003296 saliva Anatomy 0.000 claims description 16
- 201000003708 skin melanoma Diseases 0.000 claims description 16
- 210000003802 sputum Anatomy 0.000 claims description 16
- 208000024794 sputum Diseases 0.000 claims description 16
- 210000004243 sweat Anatomy 0.000 claims description 16
- 210000001138 tear Anatomy 0.000 claims description 16
- 208000002918 testicular germ cell tumor Diseases 0.000 claims description 16
- 208000008732 thymoma Diseases 0.000 claims description 16
- 201000002510 thyroid cancer Diseases 0.000 claims description 16
- 210000002700 urine Anatomy 0.000 claims description 16
- 201000005290 uterine carcinosarcoma Diseases 0.000 claims description 16
- 230000003612 virological effect Effects 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 claims description 15
- 206010073251 clear cell renal cell carcinoma Diseases 0.000 claims description 15
- 231100000844 hepatocellular carcinoma Toxicity 0.000 claims description 15
- 206010052747 Adenocarcinoma pancreas Diseases 0.000 claims description 14
- 241000282412 Homo Species 0.000 claims description 14
- 206010073310 Occupational exposures Diseases 0.000 claims description 14
- 230000009084 cardiovascular function Effects 0.000 claims description 14
- 235000005911 diet Nutrition 0.000 claims description 14
- 230000000378 dietary effect Effects 0.000 claims description 14
- 229940079593 drug Drugs 0.000 claims description 14
- 230000007661 gastrointestinal function Effects 0.000 claims description 14
- 230000036737 immune function Effects 0.000 claims description 14
- 231100000675 occupational exposure Toxicity 0.000 claims description 14
- 201000002094 pancreatic adenocarcinoma Diseases 0.000 claims description 14
- 102000009027 Albumins Human genes 0.000 claims description 13
- 108010088751 Albumins Proteins 0.000 claims description 13
- 201000009030 Carcinoma Diseases 0.000 claims description 13
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 13
- 208000005565 Marijuana Use Diseases 0.000 claims description 13
- 241000208125 Nicotiana Species 0.000 claims description 13
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 13
- 230000003907 kidney function Effects 0.000 claims description 13
- 230000003908 liver function Effects 0.000 claims description 13
- 230000035935 pregnancy Effects 0.000 claims description 13
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 claims description 12
- 206010004593 Bile duct cancer Diseases 0.000 claims description 12
- 206010014733 Endometrial cancer Diseases 0.000 claims description 12
- 206010014759 Endometrial neoplasm Diseases 0.000 claims description 12
- 208000026900 bile duct neoplasm Diseases 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- 238000003780 insertion Methods 0.000 claims description 12
- 230000037431 insertion Effects 0.000 claims description 12
- 239000002773 nucleotide Substances 0.000 claims description 12
- 125000003729 nucleotide group Chemical group 0.000 claims description 12
- 201000010279 papillary renal cell carcinoma Diseases 0.000 claims description 12
- 208000028591 pheochromocytoma Diseases 0.000 claims description 12
- 102000054765 polymorphisms of proteins Human genes 0.000 claims description 12
- 230000008707 rearrangement Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 208000008839 Kidney Neoplasms Diseases 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 11
- 210000003734 kidney Anatomy 0.000 claims description 11
- 201000010982 kidney cancer Diseases 0.000 claims description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 11
- 230000007067 DNA methylation Effects 0.000 claims description 10
- 230000006093 RNA methylation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 206010066901 Treatment failure Diseases 0.000 claims description 8
- 240000006365 Vitis vinifera Species 0.000 claims description 8
- 235000014787 Vitis vinifera Nutrition 0.000 claims description 8
- 201000001441 melanoma Diseases 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 229940124597 therapeutic agent Drugs 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 abstract 1
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 57
- 108020004414 DNA Proteins 0.000 description 57
- 230000015654 memory Effects 0.000 description 17
- 201000010099 disease Diseases 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 150000001875 compounds Chemical class 0.000 description 11
- 230000004797 therapeutic response Effects 0.000 description 11
- 108091092259 cell-free RNA Proteins 0.000 description 10
- 201000005969 Uveal melanoma Diseases 0.000 description 8
- 230000008901 benefit Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010200 validation analysis Methods 0.000 description 8
- 206010061332 Paraganglion neoplasm Diseases 0.000 description 7
- 230000006651 lactation Effects 0.000 description 7
- 208000007312 paraganglioma Diseases 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 102000004190 Enzymes Human genes 0.000 description 5
- 108090000790 Enzymes Proteins 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 201000004202 endocervical carcinoma Diseases 0.000 description 5
- 230000002974 pharmacogenomic effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 201000010174 renal carcinoma Diseases 0.000 description 5
- 206010033128 Ovarian cancer Diseases 0.000 description 4
- 206010061535 Ovarian neoplasm Diseases 0.000 description 4
- 238000000338 in vitro Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 241000124008 Mammalia Species 0.000 description 3
- 238000003559 RNA-seq method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241001524109 Dietzia Species 0.000 description 2
- 241000736262 Microbiota Species 0.000 description 2
- 241001136275 Sphingobacterium Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000010228 ex vivo assay Methods 0.000 description 2
- 210000004907 gland Anatomy 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 238000000099 in vitro assay Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 201000010198 papillary carcinoma Diseases 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000069 prophylactic effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 238000007671 third-generation sequencing Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010046766 uterine cancer Diseases 0.000 description 2
- 208000012991 uterine carcinoma Diseases 0.000 description 2
- 241000590020 Achromobacter Species 0.000 description 1
- 241000726119 Acidovorax Species 0.000 description 1
- 241001156619 Alicycliphilus Species 0.000 description 1
- 241001626813 Anoxybacillus Species 0.000 description 1
- 241001482139 Asanoa Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000928573 Cutibacterium Species 0.000 description 1
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241001001076 Hydrocarboniphaga Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000186359 Mycobacterium Species 0.000 description 1
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 241000588843 Ochrobactrum Species 0.000 description 1
- 241000605894 Porphyromonas Species 0.000 description 1
- 241001161494 Proteiniphilum Species 0.000 description 1
- 241000589516 Pseudomonas Species 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 241000383837 Sphingobium Species 0.000 description 1
- 241000122971 Stenotrophomonas Species 0.000 description 1
- 241001265507 Thermaerobacter Species 0.000 description 1
- 241001453270 Thiomonas Species 0.000 description 1
- 241000694893 Tistrella Species 0.000 description 1
- 206010070863 Toxicity to various agents Diseases 0.000 description 1
- 241000529915 Xylophilus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000423 cell based assay Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000002939 deleterious effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 201000008361 ganglioneuroma Diseases 0.000 description 1
- SDUQYLNIPVEERB-QPPQHZFASA-N gemcitabine Chemical compound O=C1N=C(N)C=CN1[C@H]1C(F)(F)[C@H](O)[C@@H](CO)O1 SDUQYLNIPVEERB-QPPQHZFASA-N 0.000 description 1
- 229960005277 gemcitabine Drugs 0.000 description 1
- 238000013412 genome amplification Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- -1 ingestion Chemical compound 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 210000003292 kidney cell Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007481 next generation sequencing Methods 0.000 description 1
- 201000011330 nonpapillary renal cell carcinoma Diseases 0.000 description 1
- 235000021436 nutraceutical agent Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 231100000004 severe toxicity Toxicity 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 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
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6869—Methods for sequencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- 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
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Biology (AREA)
- Organic Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
【解決手段】微生物および/または非微生物核酸組成物に基づいて、治療剤の結果を改善するためのシステム、および方法が提供される。【選択図】図1A
Description
(関連出願の相互参照)
本出願は、2020年11月12日に出願された米国仮特許出願第63/112,972号の利益を主張し、その全体が、参照により本明細書に援用される。
本出願は、2020年11月12日に出願された米国仮特許出願第63/112,972号の利益を主張し、その全体が、参照により本明細書に援用される。
薬理ゲノミクスとは、対象に投与する前に治療的介入の適合性または潜在的な有効性を決定するために、対象のゲノムデータを活用することである。新しい治療剤を投与する前に、所与の治療剤を代謝する酵素をコードする対象のゲノムを配列決定および解析して、対象を医薬品毒性リスク(risk of pharmaceutical toxicity)にさらすか、または所与の化合物を代謝するために潜在的に有益な動態プロファイルを提供する酵素変異が存在するかどうかを決定する。薬理ゲノミクス検査がなければ、所与の化合物の治療リスクまたは恩恵は不明であり、多様なゲノムデータを有する集団を標的にするには不十分になる恐れがある。酵素を代謝する薬剤の対象の個々の突然変異を調査することに加え、薬理ゲノミクスは、多くの他の臨床的および非臨床的な測定もしくは報告書を、対象の基本的な遺伝子構成(genetic make-up)と統合し、薬剤のインビボ(in-vivo)での性能および安全性に寄与し得る要因を統合的に理解できることを目的とする。そのような要因には、日光、感染、病気、職業性被爆(occupational exposures)、心理状態、食事要因、心血管機能(cardiovascular function)、胃腸機能(gastrointestinal function)、免疫機能(immunologic function)、ストレス、飢餓などが含まれるが、これらに限定されない。しかしながら、このような要因には、対象の様々なマイクロバイオームの寄与および、対象のマイクロバイオームが対象の生態に及ぼし得る潜在的な影響が含まれていない。したがって、対象者のマイクロバイオームが薬学的な治療剤に及ぼす可能性がある影響を特定する方法に対する満たされないニーズが存在する。
本明細書に提供されるのは、所与の対象に対する所与の化合物の治療結果を将来的に(prospectively)または遡及的に(retrospectively)判断するためのシステムおよびそれらの使用方法である。いくつかの実施形態では、投与された治療剤は、対象のがんを処置し得る。いくつかの実施形態では、対象はヒトまたはヒト以外の他の哺乳動物である。いくつかの実施形態では、所与の対象者のマイクロバイオームは、強化された動態プロファイルまたは医薬品毒性に向けた所与の化合物の代謝に対するマイクロバイオームの影響を判断するために、分析され得る。いくつかの実施形態では、所与の個体のマイクロバイオームは、処置されたがんに対して固有であり得る。いくつかの実施形態では、マイクロバイオームは、対象の液体生検からDNAまたはRNAの無細胞微生物核酸組成物を単離させることによりスクリーニングされ得る。いくつかの実施形態では、微生物核酸組成物は、核酸配列決定技術によって判定され得る。
本明細書に提供される本開示の態様は、いくつかの実施形態では、予測モデルを生成するための方法であって、(a)(i)第1のセットの1以上の対象の1つ以上の液体生検であって、前記1つ以上の液体生検(liquid biopsy)が1つ以上の微生物および非微生物核酸組成物を含む、液体生検と、(ii)治療処置を施された前記第1のセットの1以上の対象の少なくとも1つの治療結果と、を受け取る工程と、(b)前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における1つ以上の配列を決定する工程と、(c)前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との間の相関性を決定する工程と、(d)前記相関性を備えた予測モデルを生成する工程であって、前記予測モデルは、治療処置が施される際に、第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列の前記予測モデルへの入力に基づいて前記第2のセットの1以上の対象の少なくとも1つの治療結果の予測を提供するよう構成され、前記第1のセットの1以上の対象は、前記第2のセットの1以上の対象とは異なる、工程、を含む方法を含んでいる。いくつかの実施形態では、第1または第2のセットの1以上の対象の少なくとも1つの治療結果は、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む。いくつかの実施形態では、治療処置はがんを処置する。いくつかの実施形態では、予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置した対象の治療結果を分析するために使用される。いくつかの実施形態では、前記予測モデルは、人工知能機械学習モデルを含み、前記人工知能機械学習モデルは、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列、ならびに前記第1のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と、前記少なくとも1つの治療結果との間の前記相関性を用いて訓練される。いくつかの実施形態では、前記第2のセットの1以上の対象の治療結果は、治療的介入の前に、治療臨床試験対象を応答群(responder group)、非応答群、非有害群(adverse group)、および有害群にトリアージ方式で順序付ける(triage)ために使用される。いくつかの実施形態では、予測モデルは遡及的に使用される。いくつかの実施形態では、第2のセットの1以上の対象の前記予測モデルによる前記少なくとも1つの治療結果は、1つ以上のがんの治療に対する応答の過程(course)を長期的にモデリングするために利用される。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物または非微生物核酸組成物は、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、またはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、受け取る工程は、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む。いくつかの実施形態では、予測モデルは機械学習モデルである。いくつかの実施形態では、予測モデルは正則化された機械学習モデルである。いくつかの実施形態では、予測モデルは1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、予測モデルは、前記第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する。いくつかの実施形態では、第1または第2のセットの1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、1つ以上対象の第1または第2のセットは、ヒトである。いくつかの実施形態では、前記液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む。
本明細書に記載される本開示の別の態様は、いくつかの実施形態では、1以上の対象の治療処置の予測を生成するための方法を含み、この方法は、(a)第1のセットの1以上の対象の1つ以上の生体試料(biological sample)を提供する工程であって、前記第1のセットの1以上の対象は、治療処置が施された場合の治療処置の結果を含む、工程と、(b)前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物を配列決定する工程であって、それにより1つ以上の配列を生成する、工程と、(c)第1のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列ならびに前記治療処置の結果を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを作成する工程と、(d)前記第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列、臨床メタデータ、および施される前記治療処置を前記予測モデルに入力することによって、前記第2のセットの1以上の対象の治療処置の予測を生成する工程、を含む。いくつかの実施形態では、治療処置はがんを処置する。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とする。いくつかの実施形態では、治療結果は、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される。いくつかの実施形態では、訓練済み予測モデルは遡及的に使用される。いくつかの実施形態では、訓練済みの予測モデルは、1つ以上のがんの治療に対する反応の経過を長期的にモデリングするために利用される。いくつかの実施形態では、訓練済み予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せのための処置を受けた1以上の対象の治療処置の予測を分析するために使用される。いくつかの実施形態では、予測モデルは機械学習モデルを含む。いくつかの実施形態では、機械学習モデルは正則化された機械学習モデルである。いくつかの実施形態では、機械学習モデルは1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、予測モデルは、前記第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する。いくつかの実施形態では、第1または第2のセットの1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、第1または第2のセットの1以上の対象はヒトである。いくつかの実施形態では、1つ以上の生体試料は液体生検である。いくつかの実施形態では、1つ以上の生体試料は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそのいずれかの組合せである。いくつかの実施形態では、第1または第2のセットの1以上の対象の処置結果は、有効性、不全、安全性、有害な副作用、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、該方法は、前記第1または第2のセットの対象の1つ以上の生体試料の前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物を濃縮する工程をさらに含む。
本明細書に記載の本開示の別の態様は、いくつかの実施形態では、予測モデルを生成する方法を含み、この方法は、(a)(i)1つ以上の微生物核酸組成物を含む、1以上の対象の1つ以上の液体生検、および(ii)臨床試験において処置を受けている前記1つ以上の対象の少なくとも1つの治療結果を受け取る工程と、(b)前記1以上の対象の前記1つ以上の微生物核酸組成物における1つ以上の配列を解析する工程と、(c)前記1つ以上の微生物核酸組成物における前記1つ以上の配列および前記1以上の対象の前記少なくとも1つの治療結果を用いて予測モデルを生成する工程と、を含む。いくつかの実施形態では、少なくとも1つの治療結果は、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1以上の対象の1つ以上の微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌源、またはそれらのいずれかの組合せを起源とするものを含む。いくつかの実施形態では、処置はがんを処置する。いくつかの実施形態では、予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置した対象の前記治療結果を分析するよう構成される。いくつかの実施形態では、予測モデルは、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される。いくつかの実施形態では、予測モデルは遡及的に使用される。いくつかの実施形態では、予測モデルは、対象の第2のセットの1つ以上の微生物核酸組成物における1つ以上の配列に応答して、少なくとも1つの治療結果の予測を提供し、1つ以上のがんの前記処置に対する応答の経過を長期的にモデリングするよう構成される。いくつかの実施形態では、1つ以上の液体生検は、非微生物核酸組成物をさらに含み、前記1つ以上の微生物核酸組成物または非微生物核酸組成物は、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDELS)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1つ以上の非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、受け取る工程は、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはそれらのいずれかの組合せを含む、1以上の対象の非ゲノムデータをさらに含む。いくつかの実施形態では、予測モデルは機械学習モデルである。いくつかの実施形態では、予測モデルは正則化された機械学習モデルである。いくつかの実施形態では、予測モデルは1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、予測モデルは、前記1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する。いくつかの実施形態では、1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、1以上の対象はヒトである。いくつかの実施形態では、1つ以上の液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、該方法は、前記1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物または非微生物核酸組成物における前記1つ以上の配列との間の相関性を決定する工程をさらに含む。
本明細書における本開示の別の態様は、いくつかの実施形態では、予測モデルを利用して1以上の対象に対する治療処置の予測を提供するためのコンピュータ実装方法(computer implemented method)を含み、該方法は、(a)1つ以上の非微生物および微生物核酸組成物における遺伝子配列を含む、第1のセットの1以上の対象の1つ以上の液体生検、ならびに処置にさらされた場合の前記1以上の対象の対応する少なくとも1つの治療結果を受け取る工程と、(b)前記第1のセットの1以上の対象の前記遺伝子配列および前記対応する治療応答を用いて予測モデルを訓練する工程であって、それによって訓練済みの予測モデルを生成する、工程と、(c)第2のセットの1以上の対象の微生物および非微生物核酸配列および施されることになっている対応する処置が入力された場合に、前記訓練済みの予測モデルを使用して治療処置の予測を出力する工程と、を含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の少なくとも1つの治療結果は、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む。いくつかの実施形態では、処置はがんを処置する。いくつかの実施形態では、予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置した対象の治療結果を分析するよう構成される。いくつかの実施形態では、予測モデルは、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される。いくつかの実施形態では、予測モデルは遡及的に使用される。いくつかの実施形態では、第2のセットの1以上の対象の前記予測モデルによる前記少なくとも1つの治療結果は、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される。いくつかの実施形態では、第1または第2のセットの1以上の対象の微生物または非微生物核酸組成物は、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDELs)、ゲノム増幅および再編成、またはそれらのいずれかの組合せを含む。いくつかの実施形態では、第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、受け取る工程は、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはそれらのいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む。いくつかの実施形態では、予測モデルは機械学習モデルである。いくつかの実施形態では、予測モデルは正則化された機械学習モデルである。いくつかの実施形態では、予測モデルは1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、予測モデルは、前記第1または第2のセットの1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する。いくつかの実施形態では、第1または第2のセットの1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、第1または第2のセットの1以上の対象はヒトである。いくつかの実施形態では、1つ以上の液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、該方法は、前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との間の相関性を決定する工程をさらに含む。
いくつかの実施形態では、対象の微生物核酸組成と治療結果との間の相関性が、予測モデルにおいて展開かつ実施され得る。いくつかの実施形態では、相関性は、1以上の対象に対する所与の化合物の治療結果と、そのそれぞれの1つ以上の微生物核酸組成物との間で展開される。いくつかの実施形態では、予測モデルは、機械学習モデルまたは機械学習モデルのアンサンブルであり得る。いくつかの実施形態では、予測モデルは、DNAまたはRNAの1つ以上の微生物核酸組成物に基づいて、所与の対象に対する所与の化合物の将来的または遡及的治療結果を予測し得る。
本明細書に開示される態様は、臨床試験データ解析システムのための方法を提供し、該方法は、(a)臨床試験において処置を受けている1以上の対象から(i)1つ以上の微生物核酸組成物を含む液体生検と、(ii)少なくとも1つの治療結果と、受け取る工程、および(b)1以上の対象の1つ以上の微生物核酸組成物における配列を解析する工程、(c)1以上の対象の少なくとも1つの治療結果と1つ以上の微生物核酸組成物における配列との間の相関性を決定する工程、ならびに(d)相関性を用いて予測モデルを生成する工程であって、予測モデルが、1以上の対象の1つ以上の微生物核酸組成物の少なくとも1つの治療結果を提供する、工程を含む。いくつかの実施形態では、受け取る工程は、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはいずれかの組合せを含む、1以上の対象の非ゲノムデータをさらに含む。いくつかの実施形態では、少なくとも1つの治療結果は、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、微生物の無細胞微生物DNA(cfDNA)、無細胞微生物RNA(cfRNA)、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む。いくつかの実施形態では、処置はがんに対するものである。いくつかの実施形態では、予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、腎臓褐色細胞がん、腎臓明細胞がん、腎臓乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置した対象の治療結果を分析するために使用される。いくつかの実施形態では、予測モデルは人工知能機械学習モデルを含み、人工知能機械学習モデルは、1以上の対象の1つ以上の微生物核酸組成物、および1以上の対象の1つ以上の微生物核酸組成物と少なくとも1つの治療結果との間の相関性、を用いて訓練される。いくつかの実施形態では、1以上の対象の少なくとも1つの治療結果の予測モデルは、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される。いくつかの実施形態では、予測モデルは遡及的に使用される。いくつかの実施形態では、前記予測モデルによる少なくとも1つの治療結果は、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される。いくつかの実施形態では、1以上の微生物核酸組成物は、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、またはそれらのいずれかの組合せを含む。いくつかの実施形態では、1以上の微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、予測モデルは機械学習モデルである。いくつかの実施形態では、予測モデルは正則化された機械学習モデルである。いくつかの実施形態では、予測モデルは1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、予測モデルは、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の1つ以上の微生物特徴を選択的に保持する。いくつかの実施形態では、1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、1以上の対象はヒトである。いくつかの実施形態では、液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む。
本明細書に開示される態様は、治療処置研究データ解析システムのための方法を提供し、該方法は、(a)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の有効性の結果が実証される、工程と、(b)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の不全の結果が実証される、工程と、(c)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の安全性の結果が実証される、工程と、(d)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の有害な副作用の結果が実証される、工程と、(e)前記1以上の対象の1つ以上の生体試料の1つ以上の微生物核酸組成物を濃縮する工程と、(f)前記1以上の対象の前記1つ以上の微生物核酸組成物を分析する工程と、(g)対象の処置結果と核酸組成物との間の相関性を決定する工程と、(h)対象の微生物核酸組成物、および対象の微生物核酸組成物と治療処置の結果との間の相関性、を用いて人工知能を訓練する工程と、(i)訓練済みの人工知能を用いて処置結果予測モデル結果を生成する工程とを含む。いくつかの実施形態では、処置はがんを処置することである。いくつかの実施形態では、微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、微生物核酸組成物は、微生物の無細胞微生物DNA(cfDNA)、無細胞微生物RNA(cfRNA)、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とする。いくつかの実施形態では、前記未知の対象の前記処置結果の予測モデルは、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される。いくつかの実施形態では、処置結果予測モデルは遡及的に使用される。いくつかの実施形態では、処置結果予測のモデルは、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される。いくつかの実施形態では、処置結果の予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せの処置を受けた対象の治療結果を分析するために使用される。いくつかの実施形態では、人工知能は機械学習モデルである。いくつかの実施形態では、人工知能は正則化された機械学習モデルである。いくつかの実施形態では、人工知能は1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、処置結果の予測モデルは、ノイズとして分類される1つ以上の微生物核酸を同定かつ除去すると同時に、シグナルと称される他の1つ以上の微生物特徴を選択的に保持する。いくつかの実施形態では、1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、1以上の対象はヒトである。いくつかの実施形態では、1つ以上の生体試料は液体生検である。いくつかの実施形態では、1つ以上の生体試料は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せである。
本明細書に開示される態様は、治療処置研究データ解析システムのための方法を提供し、該方法は、(a)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の有効性の結果が実証される、工程と、(b)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の不全の結果が実証される、工程と、(c)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の安全性の結果が実証される、工程と、(d)1以上の対象の1つ以上の生体試料を提供する工程であって、治療処置の有害な副作用の結果が実証される、工程と、(e)前記1以上の対象の1つ以上の生体試料の1つ以上の微生物核酸組成物を濃縮する工程と、(f)前記1以上の対象の前記1つ以上の微生物核酸組成物を分析する工程と、(g)前記1以上の対象の前記1つ以上の非微生物核酸組成物を分析する工程と、(h)前記1以上の対象の1つ以上の非ゲノムデータを受け取る工程と、(i)人工知能を訓練する工程であって、訓練セットが、1つ以上の微生物核酸組成物、1つ以上の非微生物核酸組成物、1つ以上の非ゲノムデータ、および1以上の対象の治療処置の結果を含む、工程と、(j)前記訓練済みの人工知能を用いて、処置結果の予測モデルの結果を生成する工程と、を含む。いくつかの実施形態では、治療処置研究データ分析システムのための方法は、訓練済みの人工知能を用いて未知の対象の処置結果を予測する工程をさらに含む。いくつかの実施形態では、1以上の対象はヒト以外の哺乳動物である。いくつかの実施形態では、1つ以上の生体試料は液体生検である。いくつかの実施形態では、1つ以上の生体試料は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せである。いくつかの実施形態では、非微生物核酸組成物は、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、またはそれらのいずれかの組合せを含む。いくつかの実施形態では、非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、非ゲノムデータは、前記1以上の対象の性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、および他の薬物、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、治療処置はがんを処置することである。いくつかの実施形態では、微生物核酸組成物は、無細胞(cf)核酸を含む。いくつかの実施形態では、微生物核酸組成物は、微生物の無細胞微生物DNA(cfDNA)、無細胞微生物RNA(cfRNA)、あるいはそれらのいずれかの組合せを含む。いくつかの実施形態では、1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とする。いくつかの実施形態では、未知の対象の処置結果の処置結果の予測モデルは、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される。いくつかの実施形態では、予測モデルは遡及的に使用される。いくつかの実施形態では、治療結果予測のモデルは、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される。いくつかの実施形態では、処置結果の予測モデルは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せの処置を受けた対象の治療結果を分析するために使用される。いくつかの実施形態では、予測モデルは機械学習モデルである。いくつかの実施形態では、予測モデルは正則化された機械学習モデルである。いくつかの実施形態では、予測モデルは1つ以上の機械学習モデルの組合せである。いくつかの実施形態では、処置結果の予測モデルは、ノイズとして分類される1つ以上の微生物核酸を同定かつ除去すると同時に、シグナルと称される他の1つ以上の微生物特徴を選択的に保持する。
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ている。本発明の特徴およ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を示す以下の詳細な説明、および添付の図面を参照することによって得られるであろう。
予測モデルの訓練スキームの例、および様々な可能性のある応答プロファイル(response profile)を示すシグネチャを同定するための訓練済みのモデルの使用を示す。図1Aは、遡及的な対象のデータを用いた予測モデルの例示的な学習構造、および治療剤を投与する前に、対象の治療応答または安全性プロファイル(safety profile)を予測するための、そのような学習済みモデルの使用を例証する。
予測モデルの訓練スキームの例、および様々な可能性のある応答プロファイルを示すシグネチャを同定するための訓練済みのモデルの使用を示す。図1Aは、遡及的な対象のデータを用いた予測モデルの例示的な学習構造、および治療剤を投与する前に、対象の治療応答または安全性プロファイルを予測するための、そのような学習済みモデルの使用を例証する。図1Bは、1以上の対象の1つ以上の微生物および/または非微生物核酸組成物に基づいて、1以上の対象の応答プロファイルを予測するために、図1Aの訓練済みモデルの使用を例証する。
予測モデルの訓練スキームの例、および様々な可能性のある応答プロファイルを示すシグネチャを同定するための訓練済みのモデルの使用を示す。図1Cは、本明細書におけるいくつかの実施形態において記載されるように、対象の1つ以上の微生物核酸組成物、既知の治療応答プロファイルまたは安全性プロファイル、あるいは任意選択でそれらの臨床メタデータ、またはそれらのいずれかの組合せに基づいて、異なる可能性のある応答プロファイルを示すシグネチャを同定するための、図1Aにおいて生成された予測モデルの使用を示す。
本明細書におけるいくつかの実施形態に記載されるように、訓練済みのモデルのアンサンブルのための将来的な予測スキームを示す。
本明細書におけるいくつかの実施形態に記載されるように、卵巣がんを有する対象の無細胞RNA配列決定データを用いてフィルタリングし、かつ予測モデルを生成するための実験データを示す。
本明細書におけるいくつかの実施形態に記載されるように、卵巣がんを有する対象の無細胞RNA配列決定データを用いてフィルタリングし、かつ予測モデルを生成するための実験データを示す。
本明細書におけるいくつかの実施形態に記載されるように、卵巣がんを有する対象の無細胞RNA配列決定データを用いてフィルタリングし、かつ予測モデルを生成するための実験データを示す。
本明細書におけるいくつかの実施形態において記載される、予測モデルを訓練し、かつ実施することに適したコンピュータシステムを示す。
治療結果は、それぞれのゲノム構成に基づいて個人間で異なり得る。特に、所与の治療剤を適切に代謝するための酵素代謝活性を変化させる、対象のゲノム内の変異は、重度な毒性、重度な副作用、あるいは潜在的に有益な代謝動態プロファイルをもたらす場合がある。いくつかの態様では、このような必要な酵素をコードする対象のゲノムは、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、ストレス、発熱、飢餓、アルコール摂取、タバコまたはマリファナの使用(例えば、経口可能および/または喫煙)、年齢、性別、妊娠、授乳、運動、日光曝露、疾患の有無、感染症の有無、職業性被爆、心理状態、薬学的および/または栄養補助食品化合物の摂取、概日的および季節的変動、あるいはそれらの組合せを含む外的因子によって影響され得るが、これらに限定されない。しかしながら、対象のマイクロバイオームは、そのような影響力のある因子の1つとして、または別の可能性のある、薬学的代謝の直接的な影響力があるものとして検討されていない。本明細書に提供されるのは、治療結果を改善するように構成され得る方法およびシステムであり、これらは、循環微生物および非微生物核酸組成物を検出し、治療処置を受けている第1のセットの1以上の対象の前記微生物および非微生物組成物を、前記対象の少なくとも1つの介入の結果と相関させることによって、第2のセットの1以上の対象の、対応する1つ以上の微生物核酸組成物および非微生物核酸組成物による治療有効性を予測し、かつ治療を施すことを誘導することができる。
本明細書に開示されるシステムおよび方法は、試験データ解析システムを含み得、該試験データ解析システムおよび方法は、前記対象の1つ以上の微生物核酸組成物および非微生物核酸組成物を考慮して、所与の化合物に対する対象の治療応答の将来的な予測または遡及的な予測を提供し得る。いくつかの実施形態では、該方法は、1以上の対象の1つ以上の微生物核酸組成物、1つ以上の非微生物核酸組成物、非ゲノムメタデータ、および対応する治療結果の間の相関性を決定することを含み得る。いくつかの実施形態では、1以上の対象はヒト以外の哺乳動物であり得る。いくつかの実施形態では、1以上の対象はヒトであり得る。いくつかの実施形態では、1つ以上の微生物および/または非微生物核酸組成物は、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、またはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、1つ以上の非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、治療処置はがんの処置を含み得る。
いくつかの実施形態では、がんは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを含み得る。
いくつかの実施形態では、がんは、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを含み得る。
本明細書に記載の方法およびシステムは、対象の液体生検の微生物および非微生物核酸組成物を組合せて使用することにより、所与の対象に対する所与の治療処置の治療結果の予想を上回る予測精度を提供する。当業者であれば、薬理ゲノミクスの発達した科学的理解に基づいて、ヒトゲノムと、治療化合物の薬物動態(pharmacokinetics)における測定可能な変化をもたらす変異との間の関連を日常的に適用し、解明することを目的にするであろう。微生物ゲノミクスが薬理ゲノミクスに影響を及ぼすことが判明している範囲、例えば、局所腫瘍微生物叢(local tumor microbiota)による化学療法化合物ゲムシタビンの効果の減弱は、日常的な科学的反復実験の範囲を超えている。そのような科学的実現はよく理解されておらず、確立された科学的原理を反復するだけでは実現できないので、本明細書に記載された方法およびシステムの新規性および非自明性の特徴付けに寄与する。
微生物および非微生物核酸組成物の単離
いくつかの実施形態では、本明細書に開示される方法は、1以上の対象の1つ以上の液体生検を単離、濃縮、精製および/または分析する方法を含み得る。いくつかの場合では、1以上の対象の1つ以上の液体生検は、1つ以上の無細胞微生物および/または非微生物核酸組成物を含み得る。いくつかの場合では、1つ以上の液体生検は、ヒトおよび/またはヒト以外の哺乳動物の液体生検を含み得る。いくつかの実施形態では、本明細書に記載される方法およびシステムは、1つ以上のヒトおよび/またはヒト以外の哺乳動物の液体生検試料を処理することで、例えば、液体生検の残りの部分から1つ以上の無細胞微生物および/または非微生物核酸組成物を単離する液体生検を精製することができる。いくつかの実施形態では、ヒトおよび/またはヒト以外の哺乳動物の生体試料は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、液体生検は、1つ以上の微生物または非微生物核酸物質をすべて単離するために、液体生検を精製するためのさらなる処理を必要とし得る。いくつかの実施形態では、1つ以上の非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、あるいはそれらのいずれかの組合せの生命のドメインなど、哺乳動物以外の生命のドメインを起源とし得る。
いくつかの実施形態では、本明細書に開示される方法は、1以上の対象の1つ以上の液体生検を単離、濃縮、精製および/または分析する方法を含み得る。いくつかの場合では、1以上の対象の1つ以上の液体生検は、1つ以上の無細胞微生物および/または非微生物核酸組成物を含み得る。いくつかの場合では、1つ以上の液体生検は、ヒトおよび/またはヒト以外の哺乳動物の液体生検を含み得る。いくつかの実施形態では、本明細書に記載される方法およびシステムは、1つ以上のヒトおよび/またはヒト以外の哺乳動物の液体生検試料を処理することで、例えば、液体生検の残りの部分から1つ以上の無細胞微生物および/または非微生物核酸組成物を単離する液体生検を精製することができる。いくつかの実施形態では、ヒトおよび/またはヒト以外の哺乳動物の生体試料は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、液体生検は、1つ以上の微生物または非微生物核酸物質をすべて単離するために、液体生検を精製するためのさらなる処理を必要とし得る。いくつかの実施形態では、1つ以上の非微生物核酸組成物は、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、1つ以上の微生物核酸組成物は、ウイルス、細菌、古細菌、真菌の源、あるいはそれらのいずれかの組合せの生命のドメインなど、哺乳動物以外の生命のドメインを起源とし得る。
微生物核酸配列決定および治療予測モデル生成
本明細書の他の箇所に記載される、1つ以上の液体生検の1つ以上の微生物および/または非微生物核酸組成物を精製するにあたり、本明細書に開示される本発明のシステムおよび方法は、いくつかの実施形態では、1つ以上の微生物および/または非微生物核酸組成物を処理および分析する方法を含み得る。いくつかの場合では、該方法は、(a)1つ以上の微生物および/または非微生物核酸組成物を配列決定し、それにより1つ以上の微生物および/または非微生物核酸組成物配列を生成する工程と、および(b)1つ以上の微生物および/または非微生物核酸組成物配列を用いて予測モデルを生成する工程、を含み得る。いくつかの実施形態では、配列決定の方法は、次世代配列決定またはロングリード配列決定(すなわち、第3世代配列決定)、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、予測モデルは、図1A~1Bに見られるような訓練済み予測モデル(107)を含み得る。いくつかの実施形態では、訓練済みの予測モデルは、訓練済みの機械学習モデルを含み得る。いくつかの実施形態では、予測モデルは、正則化された機械学習モデルであり得る。いくつかの実施形態では、訓練済みの機械学習モデルは、線形回帰、ロジスティック回帰、決定木、サポートベクターマシン(SVM)、ナイーブベイズ、k近傍法(kNN)、k平均法、ランダムフォレスト、またはそれらのいずれかの組合せモデルを含み得る。いくつかの実施形態では、予測モデルは、図2に見られるように、1つ以上の訓練済みの予測モデル(203、204、および205)の組合せであり得る。いくつかの実施形態では、1つ以上の予測モデルの出力は、対象の治療応答または安全性プロファイル(207)を予測するために、別の訓練済みの予測モデル(206)によってさらに分析され得る。いくつかの実施形態では、訓練済みの機械学習モデルは、対象の1つ以上の微生物および/または非微生物核酸配列の遡及的な分析を提供し得る。
本明細書の他の箇所に記載される、1つ以上の液体生検の1つ以上の微生物および/または非微生物核酸組成物を精製するにあたり、本明細書に開示される本発明のシステムおよび方法は、いくつかの実施形態では、1つ以上の微生物および/または非微生物核酸組成物を処理および分析する方法を含み得る。いくつかの場合では、該方法は、(a)1つ以上の微生物および/または非微生物核酸組成物を配列決定し、それにより1つ以上の微生物および/または非微生物核酸組成物配列を生成する工程と、および(b)1つ以上の微生物および/または非微生物核酸組成物配列を用いて予測モデルを生成する工程、を含み得る。いくつかの実施形態では、配列決定の方法は、次世代配列決定またはロングリード配列決定(すなわち、第3世代配列決定)、あるいはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、予測モデルは、図1A~1Bに見られるような訓練済み予測モデル(107)を含み得る。いくつかの実施形態では、訓練済みの予測モデルは、訓練済みの機械学習モデルを含み得る。いくつかの実施形態では、予測モデルは、正則化された機械学習モデルであり得る。いくつかの実施形態では、訓練済みの機械学習モデルは、線形回帰、ロジスティック回帰、決定木、サポートベクターマシン(SVM)、ナイーブベイズ、k近傍法(kNN)、k平均法、ランダムフォレスト、またはそれらのいずれかの組合せモデルを含み得る。いくつかの実施形態では、予測モデルは、図2に見られるように、1つ以上の訓練済みの予測モデル(203、204、および205)の組合せであり得る。いくつかの実施形態では、1つ以上の予測モデルの出力は、対象の治療応答または安全性プロファイル(207)を予測するために、別の訓練済みの予測モデル(206)によってさらに分析され得る。いくつかの実施形態では、訓練済みの機械学習モデルは、対象の1つ以上の微生物および/または非微生物核酸配列の遡及的な分析を提供し得る。
いくつかの実施形態では、機械学習モデルは、図1Aに見られるように、第1のセットの対象の1つ以上の無細胞微生物および/または非微生物核酸配列(103)、所与の1つ以上の治療処置(102)に対する対象の既知の治療応答又は安全性プロファイルと、ならびに/あるいは任意選択で対象の臨床非ゲノムメタデータ(101)、の遡及的な訓練および検証データセットを用いて訓練され得る。いくつかの実施形態では、治療処置に対する治療応答、安全性プロファイル、または結果は、対象を応答者または非応答者として分類し得る。いくつかの実施形態では、治療応答、安全性プロファイル、または結果は、対象を、所与の治療処置に対する非有害応答者または有害応答者としてさらに分類し得る。いくつかの実施形態では、対象の任意選択で臨床非ゲノムメタデータは、対象の性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはそれらのいずれかの組合せを含み得る。いくつかの例では、対象(101、102、103)の訓練セットおよび試験セットの対象(105、106)は、同じまたは異なる対象のセットであり得る。いくつかの場合では、試験-検証データ比は、少なくとも10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、または90:10の試験-検証データセットを含み得る。いくつかの例では、試験-検証データセットの比は、多くとも10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、または90:10の試験-検証データセットを含み得る。
本明細書に開示される態様は、予測モデル(図1A)を訓練する方法を提供し、該方法は、(a)(i)1以上の対象の1つ以上の配列決定された微生物かつ/あるいは非微生物核酸組成物(103)と、(ii)任意選択で1以上の対象の臨床メタデータ(101)と、および(iii)1以上の対象の所与の治療処置(102)に対する治療応答と、を含む訓練および検証データセットとして提供する工程、(b)試験-検証データセット上で予測モデルを訓練する工程、ならびに(c)予測モデルの予測精度を評価する工程を含む。
いくつかの実施形態では、一度予測モデルが訓練されると、対象の1つ以上の微生物および/または非微生物核酸組成物(109)ならびに任意選択で臨床メタデータ(110)が、図1Bに見られるように、治療応答または安全性プロファイル(108)を予測するために、訓練済みの予測モデル(107)への入力として使用され得る。いくつかの実施形態では、訓練済みの予測モデルは、対象の1つ以上の微生物および/または非微生物核酸組成物(109)ならびに任意選択で対象の臨床メタデータ(110)の入力に対する将来的および/または遡及的な治療応答あるいは安全性プロファイル予測(108)を提供し得る。
いくつかの実施形態では、訓練済み予測モデル(107)によって行われる将来的な予測(108)は、図1Cに見られるように、治療非応答者もしくは負の安全性プロファイル(112)を示す機械学習シグネチャ、治療応答者または正の安全性プロファイル(113)を示す機械学習由来のシグネチャ、またはそれらのいずれかの組合せを含み得る。いくつかの実施形態では、訓練済みの予測モデルは、ML由来のシグネチャ(112、113)、またはそれらのいずれかの組合せを提供し得、これらは(i)対象の1つ以上の微生物および/または非微生物核酸組成物(111)、(ii)対象の既知の治療応答または安全性プロファイル(110)、(iii)対象の任意選択で臨床メタデータ(109)、あるいはそれらのいずれかの組合せを含む対象の遡及的データに基づく。いくつかの実施形態では、将来的な予測は、少なくとも1つの治療処置に対する応答を含み得る。いくつかの実施形態では、訓練済みの予測モデルは、ノイズとして分類される1つ以上の微生物および/または非微生物核酸を同定かつ除去すると同時に、シグナルと称される他の1つ以上の微生物および/または非微生物配列を選択的に保持し得る。いくつかの実施形態では、将来的な予測応答は、臨床試験における1以上の対象参加者に対して、応答者または非応答者として分類された対象を含み得る。いくつかの実施形態では、将来的な予測応答は、臨床試験における1以上の対象参加者について、有害または非有害応答者としてさらに分類された対象を含み得る。いくつかの実施形態では、予測モデルの治療応答または安全性プロファイルパラメータは、1つ以上のがんの治療に対する応答の経過の長期的なモデリングを提供するために利用され得る。
コンピュータシステム
図4は、本明細書に記載される予測モデルを実装および/または訓練することに適したコンピュータシステム(401)を示す。コンピュータシステム(401)は、例えば、対象の1つ以上の無細胞微生物および/または非微生物核酸配列、1つ以上の所与の治療処置に対する対象の既知の治療応答または安全性プロファイル、ならびに/あるいは対象の臨床非ゲノムメタデータなど、本開示の情報の様々な側面を処理し得る。コンピュータシステム(401)は、電子機器であり得る。電子機器は、モバイル電子機器あり得る。
図4は、本明細書に記載される予測モデルを実装および/または訓練することに適したコンピュータシステム(401)を示す。コンピュータシステム(401)は、例えば、対象の1つ以上の無細胞微生物および/または非微生物核酸配列、1つ以上の所与の治療処置に対する対象の既知の治療応答または安全性プロファイル、ならびに/あるいは対象の臨床非ゲノムメタデータなど、本開示の情報の様々な側面を処理し得る。コンピュータシステム(401)は、電子機器であり得る。電子機器は、モバイル電子機器あり得る。
コンピュータシステム(401)は、中央処理装置(CPU、本明細書では「プロセッサ」および「コンピュータプロセッサ」とも)(405)を含み得、これは、シングルコアまたはマルチコアプロセッサ、あるいは並列処理のための複数のプロセッサであり得る。コンピュータシステム(401)は、メモリまたはメモリ位置(404)(例えば、ランダムアクセスメモリ、リードオンリーメモリ、フラッシュメモリ)、電子記憶装置(406)(例えば、ハードディスク)、1つ以上の他の機器と通信するための通信インターフェース(408)(例えば、ネットワークアダプタ)、ならびにキャッシュ、他のメモリ、データ記憶および/または電子ディスプレイアダプタなどの周辺機器(407)をさらに含み得る。メモリ(404)、記憶装置(406)、インターフェース(408)、および周辺機器(407)は、マザーボードなどの通信バス(実線)を介してCPU(405)と通信する。記憶装置(406)は、データを記憶するためのデータ記憶装置(またはデータリポジトリ)であり得る。コンピュータシステム(401)は、通信インターフェース(408)により、コンピュータネットワーク(「ネットワーク」)(400)に動作可能に結合され得る。ネットワーク(400)は、インターネットおよび/またはエクストラネット、あるいはインターネットと通信するイントラネットおよび/またはエクストラネットであり得る。ネットワーク(400)は、いくつかの場合では、通信ネットワークおよび/またはデータネットワークであり得る。ネットワーク(400)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し得る、1つ以上のコンピュータサーバを含み得る。ネットワーク(400)は、コンピュータシステム(401)によるいくつかの場合では、ピアツーピアネットワークを実装し得、これにより、コンピュータシステム(401)に結合された機器がクライアントまたはサーバとして動作することが可能になる。
CPU(405)は、プログラムまたはソフトウェアにおいて具現化され得る機械可読命令のシーケンスを実施し得る。命令は、CPU(405)に指示され得、CPU(405)は、その後、本開示の方法を実装するためにCPU(405)をプログラムまたは他の方法で構成し得る。CPU(405)によって実行される動作の例には、フェッチ、デコード、実行、およびライトバックが含まれ得る。
CPU(405)は、集積回路などの回路の一部であり得る。システム(401)の1つ以上の他の構成要素は、回路に含まれ得る。いくつかの場合では、回路は特定用途向け集積回路(ASIC)である。
記憶装置(406)は、ドライバ、ライブラリおよび保存されたプログラムなどのファイルを記憶し得る。記憶装置(406)は、対象の1つ以上の無細胞微生物および/または非微生物核酸配列、所与の1つ以上の治療処置に対する対象の既知の治療応答または安全性プロファイル、ならびに/あるいは対象の臨床非ゲノムメタデータを記憶し得る。コンピュータシステム(401)は、いくつかの場合では、イントラネットまたはインターネットを介してコンピュータシステム(401)と通信しているリモートサーバー上に位置するなど、コンピュータシステム(401)の外部にある1つ以上の追加のデータ記憶装置を含み得る。
本明細書に記載される方法は、例えば、メモリ(404)または電子記憶装置(406)上など、コンピュータ機器(401)の電子記憶位置上に記憶された機械(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施され得る。機械実行可能コードまた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(405)によって実行され得る。いくつかの例では、コードは記憶装置(406)から読み出され、プロセッサ(405)がすぐにアクセスができるようにメモリ(404)に記憶され得る。いくつかの例では、電子記憶装置(406)は除外され、機械実行可能な命令がメモリ(404)に記憶され得る。
コードは、プリコンパイルされ、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機械と共に使用するように構成され得るか、または実行中にコンパイルされ得る。
コードは、コードをプリコンパイルまたはアズコンパイル(as complied)方式で実行することを可能にするために選択され得るプログラミング言語で供給され得る。
コードは、コードをプリコンパイルまたはアズコンパイル(as complied)方式で実行することを可能にするために選択され得るプログラミング言語で供給され得る。
本明細書において提供されるコンピュータシステム(401)などのシステムおよび方法の態様は、プログラミングにおいて具現化され得る。該技術の様々な態様は、一般的に、一種の機械可読媒体上で続行されるか、または具現化される機械(もしくはプロセッサ)実行可能コードおよび/または関連データの形態の「製品」もしくは「製造品」と考え得る。機械実行可能コードは、メモリ(例えば、リードオンリーメモリ、ランダムアクセスメモリ、フラッシュメモリ)などの電子記憶装置、またはハードディスクに記憶され得る。「記憶」タイプの媒体は、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、コンピュータの有形メモリ、プロセッサなど、もしくはその関連モジュールのいずれかまたはすべてを含み得、ソフトウェアプログラミングのための非一時的な記憶をいつでも提供し得る。ソフトウェアのすべてまたは一部は、インターネットまたは他の様々な通信ネットワークを介して通信され得ることがある。そのような通信は、例えば、管理サーバまたはホストコンピュータからアプリケーションサーバーのコンピュータプラットフォームへなど、あるコンピュータまたはプロセッサから別のものへのソフトウェアのロードを可能にし得る。こうして、ソフトウェア要素を搭載し得る別のタイプの媒体には、光波、電波、および電磁波が含まれ得、これらは、ローカル機器間の物理的インターフェースを横断して、有線および光固定回線ネットワークを介し、および様々なエアリンクに渡るなどして使用される。有線または無線リンク、光リンクなどの、そのような波を搬送する物理的要素も、ソフトウェアを搭載する媒体と考えられ得る。本明細書で用いられる場合、非一時的な有形の「記憶」媒体に限定されない限り、コンピュータまたは機械「可読媒体」などの用語は、プロセッサに実行の命令を提供することに関与する、いかなる媒体を指す。
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、搬送波媒体また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(Non-volatile storage media)には、例えば、データベースなどを実装するために使用され得る、任意のコンピュータ(複数可)などにおける任意の記憶機器などの、光ディスクまたは磁気ディスクが含まれ得る。
揮発性記憶媒体(Volatile storage media)には、こ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が含まれる。有形伝送媒体には、コンピュータ機器内のバスを含むワイヤを含む、同軸ケーブル、銅線および光ファイバが含まれる。搬送波伝送媒体は、電気信号や電磁信号、あるいは無線周波数(RF)および赤外線(IR)データ通信中に生成されるような音響波もしくは光波の形態をとることができる。コンピュータ可読媒体の一般的な形態には、したがって、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、他の任意の磁気媒体、CD-ROM、DVDまたはDVD-ROM、他の任意の光学媒体、パンチカード紙テープ、孔パターンを有する他の任意の物理的記憶媒体、RAM、ROM、PROMおよびEPROM、FLASH-EPROM、他の任意のメモリチップまたはカートリッジ、データまた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またはリンク、あるいはコンピュータがプログラミングコードおよび/またはデータから読み取り得る他の任意の媒体が含まれる。コンピュータ可読媒体のこれらの形態の多くは、プロセッサに実行のための1つ以上の命令シーケンスを搬送することに関与し得る。
不揮発性記憶媒体(Non-volatile storage media)には、例えば、データベースなどを実装するために使用され得る、任意のコンピュータ(複数可)などにおける任意の記憶機器などの、光ディスクまたは磁気ディスクが含まれ得る。
揮発性記憶媒体(Volatile storage media)には、こ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が含まれる。有形伝送媒体には、コンピュータ機器内のバスを含むワイヤを含む、同軸ケーブル、銅線および光ファイバが含まれる。搬送波伝送媒体は、電気信号や電磁信号、あるいは無線周波数(RF)および赤外線(IR)データ通信中に生成されるような音響波もしくは光波の形態をとることができる。コンピュータ可読媒体の一般的な形態には、したがって、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、他の任意の磁気媒体、CD-ROM、DVDまたはDVD-ROM、他の任意の光学媒体、パンチカード紙テープ、孔パターンを有する他の任意の物理的記憶媒体、RAM、ROM、PROMおよびEPROM、FLASH-EPROM、他の任意のメモリチップまたはカートリッジ、データまた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またはリンク、あるいはコンピュータがプログラミングコードおよび/またはデータから読み取り得る他の任意の媒体が含まれる。コンピュータ可読媒体のこれらの形態の多くは、プロセッサに実行のための1つ以上の命令シーケンスを搬送することに関与し得る。
コンピュータシステムは、電子ディスプレイ(402)を含むか、またはそれと通信し得、該電子ディスプレイは、ドナーのパラメータを入力するため、およびドナーのパラメータと生成されたモデルとの関連を表示するためのユーザインターフェース(UI)(403)を含む。UIの例には、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)およびウェブベースのユーザインターフェースが含まれる。
本開示の方法およびシステムは、本明細書に開示されるように、1つ以上のアルゴリズムによって、および1つ以上のプロセッサに提供される命令によって、実装される場合がある。アルゴリズムは、中央処理装置(405)による実行時に、ソフトウェアの方法によって実装される場合がある。アルゴリズムは、例えば、ランダムフォレスト、グラフィカルモデル、サポートベクターマシンまたはその他のものの場合がある。
上記の工程は、実施例に従ったシステムの方法を示しているが、当業者であれば、本明細書に記載された教示に基づいて多くの変形形態を認識するであろう。該工程は異なる順序で完了され得る。工程は追加または削除し得る。工程の一部はサブ工程を含み得る。工程の多くは、プラットフォームにとって有益であれば、頻繁に繰り返され得る。
定義
他に定義されない限り、本明細書で使用されるすべての術語、表記、および他の技術かつ科学用語または専門用語は、主張される主題が関係している当業者によって一般的に理解されるのと同じ意味を有することが意図される。いくつかの場合では、一般的に理解される意味を有する用語は、明確化のため、および/または、すぐに参照できるように、本明細書において定義され、ならびにそのような定義を本明細書に含めることは、必ずしも、当該技術分野において一般的に理解されるものとの実質的な相違を表すと解釈される必要はない。
他に定義されない限り、本明細書で使用されるすべての術語、表記、および他の技術かつ科学用語または専門用語は、主張される主題が関係している当業者によって一般的に理解されるのと同じ意味を有することが意図される。いくつかの場合では、一般的に理解される意味を有する用語は、明確化のため、および/または、すぐに参照できるように、本明細書において定義され、ならびにそのような定義を本明細書に含めることは、必ずしも、当該技術分野において一般的に理解されるものとの実質的な相違を表すと解釈される必要はない。
本出願の全体にわたって、様々な実施形態が範囲形式(range format)で掲示される。範囲形式での記載は、単に便宜上かつ簡潔のためであることが理解される必要があり、本開示の範囲に対する柔軟性のない制限として解釈される必要がない。
したがって、範囲の記載は、その範囲内の個々の数値と同様に、すべての可能な部分範囲を具体的に開示しているとみなされる必要がある。例えば、1から6までなどの範囲の記載は、その範囲の、例えば、1、2、3、4、5、および6といった個々の数値に加え、1から3まで、1から4まで、1から5まで、2から4まで、2から6まで、3から6までなどの部分範囲、およびその範囲内の個々の数値、を具体的に開示したとみなされる必要がある。このことは、範囲の広さに関係なく適用される。
したがって、範囲の記載は、その範囲内の個々の数値と同様に、すべての可能な部分範囲を具体的に開示しているとみなされる必要がある。例えば、1から6までなどの範囲の記載は、その範囲の、例えば、1、2、3、4、5、および6といった個々の数値に加え、1から3まで、1から4まで、1から5まで、2から4まで、2から6まで、3から6までなどの部分範囲、およびその範囲内の個々の数値、を具体的に開示したとみなされる必要がある。このことは、範囲の広さに関係なく適用される。
本明細書及び特許請求の範囲において使用される場合、単数形「a」、「an」、および「the」は、文脈上明らかにそうでないことが指示されない限り、複数の参照を含む。例えば、用語「試料」は、それらの混合物を含む複数の試料を含む。
「決定する」、「測定する」、「評価する(evaluating)」、「評価する(assessing)」、「アッセイする」、および「分析する」という用語は、測定の形態を指すために、本明細書においてしばしば互換的に使用される。該用語には、要素が存在するか否かを判定すること(例えば、検出)が含まれる。これらの用語は、定量的、定性的、または定量的かつ定性的な判定を含む場合がある。評価することは、相対的または絶対的である場合がある。「~の存在を検出する」ことには、文脈に応じて、それが存在するか否かを決定することに加えて、存在するものの量を決定することを含む場合がある。
「対象」、「個体」、または「患者」という用語は、本明細書にしばしば互換的に使用される。対象は、発現された遺伝物質を含有する生物学的実体であり得る。生物学的実体は、植物、動物、または、例えば、細菌、ウイルス、真菌、および原生動物を含む微生物であり得る。対象は、インビボ(in vivo)で得られた、もしくはインビトロ(in vitro)で培養された生物学的実体の組織、細胞およびそれらの子孫であり得る。対象は哺乳動物であり得る。哺乳動物はヒトであり得る。対象は、疾患のリスクが高いと診断、または疑われ得る。いくつかの場合では、対象は疾患のリスクが高いと診断、または疑われるとは限らない。
「インビボ」という用語は、対象の体内で起こる事象を説明するために使用される。
「エクスビボ」(ex vivo)という用語は、対象の体外で起こる事象を説明するために使用される。エクスビボアッセイは、対象に対して実施されない。むしろ、それは対象とは別の試料に対して実施される。試料に対して実施されるエクスビボアッセイの例は、「インビトロ」アッセイである。
「インビトロ」という用語は、材料が得られる生物学的供給源(biological source)から分離されるような、実験試薬を保持するための容器に収容された状態で起こる事象を記載するために使用される。インビトロアッセイには、生細胞又は死細胞が用いられる細胞ベースのアッセイを包含する場合がある。インビトロアッセイには、無傷細胞(intact cell)を全く用いない無細胞アッセイも包含する場合がある。
本明細書で使用される場合、「約」という用語は、その数値のプラスまたはマイナス10%の数値を指す。ある範囲の「約」という用語は、その範囲の最小値のマイナス10%の値、およびその範囲の最大値のプラス10%の値を指す。
絶対的または連続的な用語、例えば、「するであろう」、「しないであろう」、「することになる」、「することにはならない」、「しなければならない」、「してはならない」、「第1に」、「最初に」、「次に」、「その後に」、「前に」、「後に」、「最後に」、および「最後に」の使用は、本明細書に開示される本実施形態の範囲を限定することを意図するものではなく、例示的なものである。
本明細書に記載される任意のシステム、方法、ソフトウェア、組成物、およびプラットフォームは、モジュール式であり、連続的な工程に限定されない。したがって、「第1」、「第2」などの用語は、必ずしも優先順位、重要性の順序、または行為の順序を意味するものではない。
本明細書で使用される場合、「処置」または「処置する」という用語は、レシピエント(recipient)における有益な、または所望の結果を得るための医薬品または他の介入レジメンに関して使用される。有益または所望の結果には、治療の有益性および/または予防の有益性が含まれるが、これらに限定されない。治療上の有益性とは、症状または処置されている基礎疾患の治癒もしくは改善を指し得る。また、治療の有益性は、対象が依然として基礎疾患に罹患し得るにもかかわらず、対象において改善が観察されるように、基礎疾患に関連する生理的症状の1つ以上の治癒または改善によって達成される場合がある。予防的効果には、疾患または疾病の発現を遅延、予防もしくは排除すること、疾患または疾病の症状の発症を遅延もしくは排除すること、疾患または疾病の進行を遅らせる、停止もしくは回復させること、あるいはそれらのいずれかの組合せが含まれる。予防の利益性のために、特定の疾患を発病させるリスクのある対象、または疾患の生理的症状の1つ以上が報告されている対象は、この疾患の診断がなされていなかったとしても、処置を受け得る。
本明細書で使用されている段落の見出しは、単に整理する目的のためのものであり、記載されている主題を限定するものとして解釈されるものではない。
実施形態1
予測モデルを生成するための方法であって、
(a)i. 第1のセットの1以上の対象の1つ以上の液体生検であって、1つ以上の微生物および非微生物核酸組成物を含む液体生検、ならびに
ii.治療処置を施された前記第1のセットの1以上の対象の少なくとも1つの治療結果を受け取る工程と、
(b)前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物の核酸組成物における1つ以上の配列を決定する工程と、
(c)前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との相関性を決定する工程と、
(d)前記相関性を備えた予測モデルを生成する工程であって、前記予測モデルは、第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列の前記予測モデルへの入力に基づいて、前記治療処置が施される際に、前記第2のセットの1以上の対象の少なくとも1つの治療結果の予測を提供するよう構成され、前記第1のセットの1以上の対象は、前記第2のセットの1以上の対象とは異なる、工程と
を含む方法。
実施形態2
前記第1または第2のセットの1以上の対象の前記少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態3
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態1に記載の方法。
実施形態4
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態5
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、実施形態1に記載の方法。
実施形態6
前記治療処置が、がんを処置する、実施形態1に記載の方法。
実施形態7
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療結果を分析するために使用される、実施形態1に記載の方法。
実施形態8
前記予測モデルが人工知能機械学習モデルを含み、前記人工知能機械学習モデルが、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と前記少なくとも1つの治療結果との前記相関性とを用いて訓練される、実施形態1に記載の方法。
実施形態9
前記第2のセットの1以上の対象の前記治療結果が、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される、実施形態1に記載の方法。
実施形態10
前記予測モデルが遡及的に使用される、実施形態1に記載の方法。
実施形態11
前記第2のセットの1以上の対象の、前記予測モデルの前記少なくとも1つの治療結果が、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、実施形態1に記載の方法。
実施形態12
前記第1または第2のセットの1以上の対象の1つ以上の微生物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態13
前記第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態14
受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物、あるいはいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む、実施形態1に記載の方法。
実施形態15
前記予測モデルが機械学習モデルである、実施形態1に記載の方法。
実施形態16
前記予測モデルが、正則化された機械学習モデルである、実施形態1に記載の方法。
実施形態17
前記予測モデルが、1つ以上の機械学習モデルの組合せである、実施形態1に記載の方法。
実施形態18
前記予測モデルが、第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する、実施形態1に記載の方法。
実施形態19
前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、実施形態1に記載に方法。
実施形態20
前記第1または第2のセットの1以上の対象がヒトである、実施形態1に記載の方法。
実施形態21
前記液体生検が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態22
1以上の対象の治療処置の予測を生成するための方法であって、
(e)第1のセットの1以上の対象の1つ以上の生体試料を提供する工程であって、前記第1のセットの1以上の対象は、治療処置が施された場合の治療処置の結果を含む、工程と、
(f)前記第1のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物を配列決定する工程であって、それにより1つ以上の配列を生成する、工程と、
(g)前記第1のセットの1以上の対象の微生物および非微生物核酸組成物における前記1つ以上の配列、および前記治療処置の結果を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを作製する、工程と、
(h)第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列、臨床メタデータ、および施される前記治療処置を前記予測モデルに入力することによって、前記第2のセットの1以上の対象の治療処置の予測を生成する工程と
を含む方法。
実施形態23
前記治療処置が、がんを処置する、実施形態22に記載の方法。
実施形態24
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態22に記載の方法。
実施形態25
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態22に記載の方法。
実施形態26
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とする、実施形態22に記載の方法。
実施形態27
前記治療処置の予測が、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される、実施形態22に記載の方法。
実施形態28
前記訓練済みモデルが遡及的に使用される、実施形態22に記載の方法。
実施形態29
前記訓練済みモデルが、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、実施形態22に記載の方法。
実施形態30
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せの処置を受けた1以上の対象の前記治療処置の予測を分析するために使用される、実施形態22に記載の方法。
実施形態31
前記予測モデルが機械学習モデルを含む、実施形態22に記載の方法。
実施形態32
前記機械学習モデルが、正則化された機械学習モデルである、実施形態31に記載の方法。
実施形態33
前記機械学習モデルが、1つ以上の機械学習モデルの組合せである、実施形態31に記載の方法。
実施形態34
前記予測モデルは、前記第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する、実施形態22に記載の方法。
実施形態35
前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、実施形態22に記載の方法。
実施形態36
前記第1または第2のセットの1以上の対象がヒトである、実施形態22に記載の方法。
実施形態37
前記1つ以上の生体試料が液体生検である、実施形態22に記載の方法。
実施形態38
前記1つ以上の生体試料が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せである、実施形態22に記載の方法。
実施形態39
前記第1または第2のセットの1以上の対象の処置結果が、有効性、不全、安全性、有害な副作用、またはそれらのいずれかの組合せを含む、実施形態22に記載の方法。
実施形態40
前記第1または第2のセットの1以上の対象の1つ以上の生体試料の、前記第1または第2のセットの1以上の対象の微生物および非微生物核酸組成物を濃縮する工程をさらに含む、実施形態22に記載の方法。
実施形態41
予測モデルを生成する方法であって、
(d)i.1つ以上の微生物核酸組成物を含む、1以上の対象の1つ以上の液体生検、および
ii.臨床試験において処置を受けている前記1以上の対象の少なくとも1つの治療結果を受け取る工程と、
(e)前記1以上の対象の前記1つ以上の微生物核酸組成物における1つ以上の配列を解析する工程と、
(f)前記1つ以上の微生物核酸組成物における前記1つ以上の配列、および前記1以上の対象の前記少なくとも1つの治療結果を用いて予測モデルを生成する工程と
を含む方法。
実施形態42
前記少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態43
前記1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態41に記載の方法。
実施形態44
前記1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態45
前記1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、実施形態41に記載の方法。
実施形態46
前記処置が、がんを処置する、実施形態41に記載に方法。
実施形態47
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療結果を分析するよう構成される、実施形態41に記載の方法。
実施形態48
前記予測モデルが、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される、実施形態41に記載の方法。
実施形態49
前記予測モデルが遡及的に使用される、実施形態41に記載の方法。
実施形態50
前記予測モデルが、第2のセットの対象の1つ以上の微生物核酸組成物における1つ以上の配列に応答して、少なくとも1つの治療結果の予測を提供して、1つ以上のがんの前記処置に対する応答の経過を長期的にモデリングするよう構成される、実施形態41に記載の方法。
実施形態51
前記1つ以上の液体生検が非微生物核酸組成物をさらに含み、前記1つ以上の微生物核酸組成物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDELS)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態52
前記1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、実施形態51に記載の方法。
実施形態53
受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはいずれかの組合せを含む、前記1以上の対象の非ゲノムデータをさらに含む、実施形態41に記載の方法。
実施形態54
前記予測モデルが機械学習モデルである、実施形態41に記載の方法。
実施形態55
前記予測モデルが、正則化された機械学習モデルである、実施形態41に記載の方法。
実施形態56
前記予測モデルが、1つ以上の機械学習モデルの組合せである、実施形態41に記載の方法。
実施形態57
前記予測モデルが、前記1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する、実施形態41に記載の方法。
実施形態58
前記1以上の対象がヒト以外の哺乳動物である、実施形態41に記載の方法。
実施形態59
前記1以上の対象がヒトである、実施形態41に記載の方法。
実施形態60
前記1つ以上の液体生検が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態61
前記1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物または非微生物核酸組成物における前記1つ以上の配列との相関性を決定することをさらに含む、実施形態51に記載の方法。
実施形態62
予測モデルを利用して1以上の対象に対する治療処置の予測を提供するためのコンピュータ実装型の方法であって、前記方法は、
(d)1つ以上の非微生物および微生物核酸組成物における遺伝子配列を含む第1のセットの1以上の対象の液体生検、および処置にさらされた場合の前記第1のセットの1以上の対象の対応する少なくとも1つの治療結果を受け取る工程と、
(e)前記第1のセットの1以上の対象の前記遺伝子配列および前記対応する治療応答を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを生成する、工程と、
(f)第2のセットの1以上の対象の微生物および非微生物核酸配列、および対応する施されることとなる処置が入力された場合に、前記訓練済みの予測モデルを使用して治療処置の予測を出力する工程と
を含む方法。
実施形態63
前記第1または第2のセットの1以上の対象の少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態64
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態62に記載の方法。
実施形態65
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態66
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、実施形態62に記載の方法。
実施形態67
前記処置が、がんを処置する、実施形態62に記載の方法。
実施形態68
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療結果を分析するよう構成される、実施形態62に記載の方法。
実施形態69
前記予測モデルが、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される、実施形態62に記載の方法。
実施形態70
前記予測モデルは遡及的に使用される、実施形態62に記載の方法。
実施形態71
第2のセットの1以上の対象の前記予測モデルによる前記少なくとも1つの治療結果が、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、実施形態62に記載の方法。
実施形態72
前記第1または第2のセットの1以上の対象の微生物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態73
前記第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態74
受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む、実施形態62に記載の方法。
実施形態75
前記予測モデルが機械学習モデルである、実施形態62に記載の方法。
実施形態76
前記予測モデルが、正則化された機械学習モデルである、実施形態62に記載の方法。
実施形態77
前記予測モデルが、1つ以上の機械学習モデルの組合せである、実施形態62に記載の方法。
実施形態78
前記予測モデルが、前記第1または第2のセットの1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する、実施形態62に記載の方法。
実施形態79
前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、実施形態62に記載の方法。
実施形態80
前記第1または第2のセットの1以上の対象がヒトである、実施形態62に記載の方法。
実施形態81
前記1つ以上の液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態82
前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との間の相関性を決定する工程をさらに含む、実施形態62に記載の方法。
予測モデルを生成するための方法であって、
(a)i. 第1のセットの1以上の対象の1つ以上の液体生検であって、1つ以上の微生物および非微生物核酸組成物を含む液体生検、ならびに
ii.治療処置を施された前記第1のセットの1以上の対象の少なくとも1つの治療結果を受け取る工程と、
(b)前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物の核酸組成物における1つ以上の配列を決定する工程と、
(c)前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との相関性を決定する工程と、
(d)前記相関性を備えた予測モデルを生成する工程であって、前記予測モデルは、第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列の前記予測モデルへの入力に基づいて、前記治療処置が施される際に、前記第2のセットの1以上の対象の少なくとも1つの治療結果の予測を提供するよう構成され、前記第1のセットの1以上の対象は、前記第2のセットの1以上の対象とは異なる、工程と
を含む方法。
実施形態2
前記第1または第2のセットの1以上の対象の前記少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態3
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態1に記載の方法。
実施形態4
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態5
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、実施形態1に記載の方法。
実施形態6
前記治療処置が、がんを処置する、実施形態1に記載の方法。
実施形態7
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療結果を分析するために使用される、実施形態1に記載の方法。
実施形態8
前記予測モデルが人工知能機械学習モデルを含み、前記人工知能機械学習モデルが、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と前記少なくとも1つの治療結果との前記相関性とを用いて訓練される、実施形態1に記載の方法。
実施形態9
前記第2のセットの1以上の対象の前記治療結果が、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される、実施形態1に記載の方法。
実施形態10
前記予測モデルが遡及的に使用される、実施形態1に記載の方法。
実施形態11
前記第2のセットの1以上の対象の、前記予測モデルの前記少なくとも1つの治療結果が、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、実施形態1に記載の方法。
実施形態12
前記第1または第2のセットの1以上の対象の1つ以上の微生物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態13
前記第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態14
受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物、あるいはいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む、実施形態1に記載の方法。
実施形態15
前記予測モデルが機械学習モデルである、実施形態1に記載の方法。
実施形態16
前記予測モデルが、正則化された機械学習モデルである、実施形態1に記載の方法。
実施形態17
前記予測モデルが、1つ以上の機械学習モデルの組合せである、実施形態1に記載の方法。
実施形態18
前記予測モデルが、第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する、実施形態1に記載の方法。
実施形態19
前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、実施形態1に記載に方法。
実施形態20
前記第1または第2のセットの1以上の対象がヒトである、実施形態1に記載の方法。
実施形態21
前記液体生検が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む、実施形態1に記載の方法。
実施形態22
1以上の対象の治療処置の予測を生成するための方法であって、
(e)第1のセットの1以上の対象の1つ以上の生体試料を提供する工程であって、前記第1のセットの1以上の対象は、治療処置が施された場合の治療処置の結果を含む、工程と、
(f)前記第1のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物を配列決定する工程であって、それにより1つ以上の配列を生成する、工程と、
(g)前記第1のセットの1以上の対象の微生物および非微生物核酸組成物における前記1つ以上の配列、および前記治療処置の結果を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを作製する、工程と、
(h)第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列、臨床メタデータ、および施される前記治療処置を前記予測モデルに入力することによって、前記第2のセットの1以上の対象の治療処置の予測を生成する工程と
を含む方法。
実施形態23
前記治療処置が、がんを処置する、実施形態22に記載の方法。
実施形態24
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態22に記載の方法。
実施形態25
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態22に記載の方法。
実施形態26
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とする、実施形態22に記載の方法。
実施形態27
前記治療処置の予測が、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される、実施形態22に記載の方法。
実施形態28
前記訓練済みモデルが遡及的に使用される、実施形態22に記載の方法。
実施形態29
前記訓練済みモデルが、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、実施形態22に記載の方法。
実施形態30
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せの処置を受けた1以上の対象の前記治療処置の予測を分析するために使用される、実施形態22に記載の方法。
実施形態31
前記予測モデルが機械学習モデルを含む、実施形態22に記載の方法。
実施形態32
前記機械学習モデルが、正則化された機械学習モデルである、実施形態31に記載の方法。
実施形態33
前記機械学習モデルが、1つ以上の機械学習モデルの組合せである、実施形態31に記載の方法。
実施形態34
前記予測モデルは、前記第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する、実施形態22に記載の方法。
実施形態35
前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、実施形態22に記載の方法。
実施形態36
前記第1または第2のセットの1以上の対象がヒトである、実施形態22に記載の方法。
実施形態37
前記1つ以上の生体試料が液体生検である、実施形態22に記載の方法。
実施形態38
前記1つ以上の生体試料が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せである、実施形態22に記載の方法。
実施形態39
前記第1または第2のセットの1以上の対象の処置結果が、有効性、不全、安全性、有害な副作用、またはそれらのいずれかの組合せを含む、実施形態22に記載の方法。
実施形態40
前記第1または第2のセットの1以上の対象の1つ以上の生体試料の、前記第1または第2のセットの1以上の対象の微生物および非微生物核酸組成物を濃縮する工程をさらに含む、実施形態22に記載の方法。
実施形態41
予測モデルを生成する方法であって、
(d)i.1つ以上の微生物核酸組成物を含む、1以上の対象の1つ以上の液体生検、および
ii.臨床試験において処置を受けている前記1以上の対象の少なくとも1つの治療結果を受け取る工程と、
(e)前記1以上の対象の前記1つ以上の微生物核酸組成物における1つ以上の配列を解析する工程と、
(f)前記1つ以上の微生物核酸組成物における前記1つ以上の配列、および前記1以上の対象の前記少なくとも1つの治療結果を用いて予測モデルを生成する工程と
を含む方法。
実施形態42
前記少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態43
前記1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態41に記載の方法。
実施形態44
前記1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態45
前記1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、実施形態41に記載の方法。
実施形態46
前記処置が、がんを処置する、実施形態41に記載に方法。
実施形態47
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療結果を分析するよう構成される、実施形態41に記載の方法。
実施形態48
前記予測モデルが、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される、実施形態41に記載の方法。
実施形態49
前記予測モデルが遡及的に使用される、実施形態41に記載の方法。
実施形態50
前記予測モデルが、第2のセットの対象の1つ以上の微生物核酸組成物における1つ以上の配列に応答して、少なくとも1つの治療結果の予測を提供して、1つ以上のがんの前記処置に対する応答の経過を長期的にモデリングするよう構成される、実施形態41に記載の方法。
実施形態51
前記1つ以上の液体生検が非微生物核酸組成物をさらに含み、前記1つ以上の微生物核酸組成物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDELS)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態52
前記1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、実施形態51に記載の方法。
実施形態53
受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはいずれかの組合せを含む、前記1以上の対象の非ゲノムデータをさらに含む、実施形態41に記載の方法。
実施形態54
前記予測モデルが機械学習モデルである、実施形態41に記載の方法。
実施形態55
前記予測モデルが、正則化された機械学習モデルである、実施形態41に記載の方法。
実施形態56
前記予測モデルが、1つ以上の機械学習モデルの組合せである、実施形態41に記載の方法。
実施形態57
前記予測モデルが、前記1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する、実施形態41に記載の方法。
実施形態58
前記1以上の対象がヒト以外の哺乳動物である、実施形態41に記載の方法。
実施形態59
前記1以上の対象がヒトである、実施形態41に記載の方法。
実施形態60
前記1つ以上の液体生検が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せを含む、実施形態41に記載の方法。
実施形態61
前記1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物または非微生物核酸組成物における前記1つ以上の配列との相関性を決定することをさらに含む、実施形態51に記載の方法。
実施形態62
予測モデルを利用して1以上の対象に対する治療処置の予測を提供するためのコンピュータ実装型の方法であって、前記方法は、
(d)1つ以上の非微生物および微生物核酸組成物における遺伝子配列を含む第1のセットの1以上の対象の液体生検、および処置にさらされた場合の前記第1のセットの1以上の対象の対応する少なくとも1つの治療結果を受け取る工程と、
(e)前記第1のセットの1以上の対象の前記遺伝子配列および前記対応する治療応答を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを生成する、工程と、
(f)第2のセットの1以上の対象の微生物および非微生物核酸配列、および対応する施されることとなる処置が入力された場合に、前記訓練済みの予測モデルを使用して治療処置の予測を出力する工程と
を含む方法。
実施形態63
前記第1または第2のセットの1以上の対象の少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態64
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、実施形態62に記載の方法。
実施形態65
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態66
前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、実施形態62に記載の方法。
実施形態67
前記処置が、がんを処置する、実施形態62に記載の方法。
実施形態68
前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療結果を分析するよう構成される、実施形態62に記載の方法。
実施形態69
前記予測モデルが、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される、実施形態62に記載の方法。
実施形態70
前記予測モデルは遡及的に使用される、実施形態62に記載の方法。
実施形態71
第2のセットの1以上の対象の前記予測モデルによる前記少なくとも1つの治療結果が、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、実施形態62に記載の方法。
実施形態72
前記第1または第2のセットの1以上の対象の微生物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態73
前記第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態74
受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む、実施形態62に記載の方法。
実施形態75
前記予測モデルが機械学習モデルである、実施形態62に記載の方法。
実施形態76
前記予測モデルが、正則化された機械学習モデルである、実施形態62に記載の方法。
実施形態77
前記予測モデルが、1つ以上の機械学習モデルの組合せである、実施形態62に記載の方法。
実施形態78
前記予測モデルが、前記第1または第2のセットの1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する、実施形態62に記載の方法。
実施形態79
前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、実施形態62に記載の方法。
実施形態80
前記第1または第2のセットの1以上の対象がヒトである、実施形態62に記載の方法。
実施形態81
前記1つ以上の液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せを含む、実施形態62に記載の方法。
実施形態82
前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との間の相関性を決定する工程をさらに含む、実施形態62に記載の方法。
本明細書に記載される実施例のそれぞれは、他の1つ以上の実施例と組合せる場合がある。さらに、1つ以上の実施例の1つ以上の構成要素を他の実施例と組合せる場合がある。
実施例1:無細胞微生物叢から良好な治療反応を呈する対象を決定するための予測モデルを生成する工程
卵巣がんを患う33体の対象の血清無細胞RNA(cell free RNA)(cfRNA)配列決定データ(https://www.ebi.ac.uk/ena/browser/view/PRJNA517159?show=xrefs)を利用して、治療介入を行った場合にどの対象が良好な反応を示すか、または不良な結果となるかを予測できる予測モデルを生成した。モデル生成に先立ち、33体の対象(22体は治療的介入に対して良好な結果、11体は治療的介入に対して不良な結果)のcfRNAを配列決定し(約100万対のリード/試料)、所与の対象に対する介入結果を標識した。次に、33体の対象の配列決定されたリードをフィルタリングかつ処理し、その結果を図3Aに示した。次に、33体の対象のcfRNAの配列決定データを、ヒトゲノムデータベース(例えば、Genome Reference Consortium Human GRCh38)に対してアラインメントおよびフィルタリングして、ヒト哺乳動物配列決定リードのすべてを除去し、試料あたり約2700ヒットをもたらした。非哺乳類のcfDNA配列決定リードを、微生物参照ゲノムデータベース(例えば、Web of Life(WOL))に対するクエリ(query)を介して分類学的に割り当て、最後に、分類学的に分類されたリードを、既知の汚染菌(contaminant)である非哺乳類の微生物、ウイルスなどのライブラリに対してフィルタリングし、除染された配列決定リードおよびその関連する存在量(associated abundances)をもたらした。次に、除染された配列決定リードを使用して、1つ以上の予測モデルを一つ抜き交差検証(leave one out cross-validation)で訓練した。訓練済みの予測モデルは、治療的介入を受けた後の良好な結果の対象と不良な結果の対象を区別するにあたって、0.713の受信者操作特性曲線下面積(a receiver operating characteristic area under the curve)を提供した(図3B)。予測モデルの上位20の特徴は、図3Cに見られるように、スフィンゴビウム(Sphingobium)、マイコバクテリウム(Mycobacterium)、ハイドロカルボニファーガ(Hydrocarboniphaga)、アリシクリフィルス(Alicycliphilus)、スフィンゴバクテリウム(Sphingobacterium)、アクロモバクタ(Achromobacter)、チオモナス(Thiomonas)、テルモエロバクタ(Thermaerobacter)、シュードモナス(Pseudomonas)、アノキシバチルス(Anoxybacillus)、ダイエチア(Dietzia)、オクロバクトラム(Ochrobacrum)、ポルフィロモナス(Porphyromonas)、チストレラ(Tistrella)、ステノトロホモナス(Stenotrophomonas)、アシドボラックス(Acidovorax)、キューティバクテリウム(Cutibacterium)、プロテイニフィラム(Proteiniphilum)、アサノア(Asanoa)、およびキシロフィルス(Xylophilus)であると決定された。
卵巣がんを患う33体の対象の血清無細胞RNA(cell free RNA)(cfRNA)配列決定データ(https://www.ebi.ac.uk/ena/browser/view/PRJNA517159?show=xrefs)を利用して、治療介入を行った場合にどの対象が良好な反応を示すか、または不良な結果となるかを予測できる予測モデルを生成した。モデル生成に先立ち、33体の対象(22体は治療的介入に対して良好な結果、11体は治療的介入に対して不良な結果)のcfRNAを配列決定し(約100万対のリード/試料)、所与の対象に対する介入結果を標識した。次に、33体の対象の配列決定されたリードをフィルタリングかつ処理し、その結果を図3Aに示した。次に、33体の対象のcfRNAの配列決定データを、ヒトゲノムデータベース(例えば、Genome Reference Consortium Human GRCh38)に対してアラインメントおよびフィルタリングして、ヒト哺乳動物配列決定リードのすべてを除去し、試料あたり約2700ヒットをもたらした。非哺乳類のcfDNA配列決定リードを、微生物参照ゲノムデータベース(例えば、Web of Life(WOL))に対するクエリ(query)を介して分類学的に割り当て、最後に、分類学的に分類されたリードを、既知の汚染菌(contaminant)である非哺乳類の微生物、ウイルスなどのライブラリに対してフィルタリングし、除染された配列決定リードおよびその関連する存在量(associated abundances)をもたらした。次に、除染された配列決定リードを使用して、1つ以上の予測モデルを一つ抜き交差検証(leave one out cross-validation)で訓練した。訓練済みの予測モデルは、治療的介入を受けた後の良好な結果の対象と不良な結果の対象を区別するにあたって、0.713の受信者操作特性曲線下面積(a receiver operating characteristic area under the curve)を提供した(図3B)。予測モデルの上位20の特徴は、図3Cに見られるように、スフィンゴビウム(Sphingobium)、マイコバクテリウム(Mycobacterium)、ハイドロカルボニファーガ(Hydrocarboniphaga)、アリシクリフィルス(Alicycliphilus)、スフィンゴバクテリウム(Sphingobacterium)、アクロモバクタ(Achromobacter)、チオモナス(Thiomonas)、テルモエロバクタ(Thermaerobacter)、シュードモナス(Pseudomonas)、アノキシバチルス(Anoxybacillus)、ダイエチア(Dietzia)、オクロバクトラム(Ochrobacrum)、ポルフィロモナス(Porphyromonas)、チストレラ(Tistrella)、ステノトロホモナス(Stenotrophomonas)、アシドボラックス(Acidovorax)、キューティバクテリウム(Cutibacterium)、プロテイニフィラム(Proteiniphilum)、アサノア(Asanoa)、およびキシロフィルス(Xylophilus)であると決定された。
実施例2:対象の微生物および非微生物核酸組成物を用いて予測モデルを生成する工程
1以上の対象の液体生検の微生物および非微生物核酸組成物の複合データセットを利用し、所与の1つ以上の治療化合物に対する対象の応答を決定するにあたって、予測モデルの予測精度を向上させた。1つ以上の治療用化合物で処置された対象の1つ以上の治療用微生物核酸組成物および非微生物核酸組成物を、1つ以上の液体生検試料から決定するが、液体生検構成要素の残りの部分から1つ以上の微生物核酸組成物および非微生物核酸組成物を単離し、配列決定するための従来のインビトロでの実験手順を用いる。代わりに、またはそれに加えて、対象の微生物および非微生物核酸組成物における1つ以上の配列に、本明細書の他の箇所に記載される1つ以上の予測モデルを訓練するために、データベースからアクセスする。1つ以上の予測モデルを、対象の微生物および非微生物の1つ以上の配列、1つ以上の治療剤に対する治療応答および/または安全性プロファイル、ならびに臨床メタデータの第1のセットを用いて訓練および試験する。1つ以上の予測モデルを、試験:検証データセットが少なくとも10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、または90:10の試験-検証データセット比で訓練する。次いで、1つ以上の予測モデルを用いて、対象の1つ以上の微生物かつ非微生物核酸組成物および/または対象のメタデータを訓練済みの予測モデルに入力することによって、第2のセットの1以上の対象1つ以上の治療剤に対する治療応答の予測および/または安全性プロファイルを提供する。
1以上の対象の液体生検の微生物および非微生物核酸組成物の複合データセットを利用し、所与の1つ以上の治療化合物に対する対象の応答を決定するにあたって、予測モデルの予測精度を向上させた。1つ以上の治療用化合物で処置された対象の1つ以上の治療用微生物核酸組成物および非微生物核酸組成物を、1つ以上の液体生検試料から決定するが、液体生検構成要素の残りの部分から1つ以上の微生物核酸組成物および非微生物核酸組成物を単離し、配列決定するための従来のインビトロでの実験手順を用いる。代わりに、またはそれに加えて、対象の微生物および非微生物核酸組成物における1つ以上の配列に、本明細書の他の箇所に記載される1つ以上の予測モデルを訓練するために、データベースからアクセスする。1つ以上の予測モデルを、対象の微生物および非微生物の1つ以上の配列、1つ以上の治療剤に対する治療応答および/または安全性プロファイル、ならびに臨床メタデータの第1のセットを用いて訓練および試験する。1つ以上の予測モデルを、試験:検証データセットが少なくとも10:90、20:80、30:70、40:60、50:50、60:40、70:30、80:20、または90:10の試験-検証データセット比で訓練する。次いで、1つ以上の予測モデルを用いて、対象の1つ以上の微生物かつ非微生物核酸組成物および/または対象のメタデータを訓練済みの予測モデルに入力することによって、第2のセットの1以上の対象1つ以上の治療剤に対する治療応答の予測および/または安全性プロファイルを提供する。
Claims (82)
- 予測モデルを生成するための方法であって、
(a)i. 第1のセットの1以上の対象の1つ以上の液体生検であって、1つ以上の微生物および非微生物核酸組成物を含む液体生検、ならびに
ii.治療処置を施された前記第1のセットの1以上の対象の少なくとも1つの治療結果を受け取る工程と、
(b)前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物の核酸組成物における1つ以上の配列を決定する工程と、
(c)前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物の前記1つ以上の配列との相関性を決定する工程と、
(d)前記相関性を備えた予測モデルを生成する工程であって、前記予測モデルは、第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列の前記予測モデルへの入力に基づいて、前記治療処置が施される際に、前記第2のセットの1以上の対象の少なくとも1つの治療結果の予測を提供するよう構成され、前記第1のセットの1以上の対象は、前記第2のセットの1以上の対象とは異なる、工程と
を含む方法。 - 前記第1または第2のセットの1以上の対象の前記少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、請求項1に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、請求項1に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、請求項1に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、請求項1に記載の方法。
- 前記治療処置が、がんを処置する、請求項1に記載の方法。
- 前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療の結果を分析するために使用される、請求項1に記載の方法。
- 前記予測モデルが人工知能機械学習モデルを含み、前記人工知能機械学習モデルが、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と、前記第1のセットの1以上の対象の前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列と前記少なくとも1つの治療結果との前記相関性とを用いて訓練される、請求項1に記載の方法。
- 前記第2のセットの1以上の対象の前記治療結果が、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される、請求項1に記載の方法。
- 前記予測モデルが遡及的に使用される、請求項1に記載の方法。
- 前記第2のセットの1以上の対象の、前記予測モデルの前記少なくとも1つの治療結果が、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、請求項1に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、請求項1に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、請求項1に記載の方法。
- 受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物、あるいはそれらのいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む、請求項1に記載の方法。
- 前記予測モデルが機械学習モデルである、請求項1に記載の方法。
- 前記予測モデルが、正則化された機械学習モデルである、請求項1に記載の方法。
- 前記予測モデルが、1つ以上の機械学習モデルの組合せである、請求項1に記載の方法。
- 前記予測モデルが、第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する、請求項1に記載の方法。
- 前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、請求項1に記載に方法。
- 前記第1または第2のセットの1以上の対象がヒトである、請求項1に記載の方法。
- 前記液体生検が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、あるいはそれらのいずれかの組合せを含む、請求項1に記載の方法。
- 1以上の対象の治療処置の予測を生成するための方法であって、
(e)第1のセットの1以上の対象の1つ以上の生体試料を提供する工程であって、前記第1のセットの1以上の対象は、治療処置が施された場合の治療処置の結果を含む、工程と、
(f)前記第1のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物を配列決定する工程であって、それにより1つ以上の配列を生成する、工程と、
(g)前記第1のセットの1以上の対象の微生物および非微生物核酸組成物における前記1つ以上の配列、および前記治療処置の結果を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを作製する、工程と、
(h)第2のセットの1以上の対象の1つ以上の微生物および非微生物核酸組成物における1つ以上の配列、臨床メタデータ、および施される前記治療処置を前記予測モデルに入力することによって、前記第2のセットの1以上の対象の治療処置の予測を生成する工程と
を含む方法。 - 前記治療処置が、がんを処置する、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とする、請求項22に記載の方法。
- 前記治療処置の予測が、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるために使用される、請求項22に記載の方法。
- 前記訓練済みモデルが遡及的に使用される、請求項22に記載の方法。
- 前記訓練済みモデルが、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、請求項22に記載の方法。
- 前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せの処置を受けた1以上の対象の前記治療処置の予測を分析するために使用される、請求項22に記載の方法。
- 前記予測モデルが機械学習モデルを含む、請求項22に記載の方法。
- 前記機械学習モデルが、正則化された機械学習モデルである、請求項31に記載の方法。
- 前記機械学習モデルが、1つ以上の機械学習モデルの組合せである、請求項31に記載の方法。
- 前記予測モデルは、前記第1または第2の1以上の対象の、ノイズとして分類される1つ以上の微生物または非微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物または非微生物特徴を選択的に保持する、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象がヒトである、請求項22に記載の方法。
- 前記1つ以上の生体試料が液体生検である、請求項22に記載の方法。
- 前記1つ以上の生体試料が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せである、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象の処置結果が、有効性、不全、安全性、有害な副作用、またはそれらのいずれかの組合せを含む、請求項22に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の生体試料の、前記第1または第2のセットの1以上の対象の微生物および非微生物核酸組成物を濃縮する工程をさらに含む、請求項22に記載の方法。
- 予測モデルを生成する方法であって、
(d)i.1つ以上の微生物核酸組成物を含む、1以上の対象の1つ以上の液体生検、および
ii.臨床試験において処置を受けている前記1以上の対象の少なくとも1つの治療結果を受け取る工程と、
(e)前記1以上の対象の前記1つ以上の微生物核酸組成物における1つ以上の配列を解析する工程と、
(f)前記1つ以上の微生物核酸組成物における前記1つ以上の配列、および前記1以上の対象の前記少なくとも1つの治療結果を用いて予測モデルを生成する工程と
を含む方法。 - 前記少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、請求項41に記載の方法。
- 前記1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、請求項41に記載の方法。
- 前記1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、請求項41に記載の方法。
- 前記1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、請求項41に記載の方法。
- 前記処置が、がんを処置する、請求項41に記載に方法。
- 前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療の結果を分析するよう構成される、請求項41に記載の方法。
- 前記予測モデルが、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される、請求項41に記載の方法。
- 前記予測モデルが遡及的に使用される、請求項41に記載の方法。
- 前記予測モデルが、第2のセットの対象の1つ以上の微生物核酸組成物における1つ以上の配列に応答して、少なくとも1つの治療結果の予測を提供して、1つ以上のがんの前記処置に対する応答の経過を長期的にモデリングするよう構成される、請求項41に記載の方法。
- 前記1つ以上の液体生検が非微生物核酸組成物をさらに含み、前記1つ以上の微生物核酸組成物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDELS)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、請求項41に記載の方法。
- 前記1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、請求項51に記載の方法。
- 受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはそれらのいずれかの組合せを含む、前記1以上の対象の非ゲノムデータをさらに含む、請求項41に記載の方法。
- 前記予測モデルが機械学習モデルである、請求項41に記載の方法。
- 前記予測モデルが、正則化された機械学習モデルである、請求項41に記載の方法。
- 前記予測モデルが、1つ以上の機械学習モデルの組合せである、請求項41に記載の方法。
- 前記予測モデルが、前記1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する、請求項41に記載の方法。
- 前記1以上の対象がヒト以外の哺乳動物である、請求項41に記載の方法。
- 前記1以上の対象がヒトである、請求項41に記載の方法。
- 前記1つ以上の液体生検が、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せを含む、請求項41に記載の方法。
- 前記1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物または非微生物核酸組成物における前記1つ以上の配列との相関性を決定することをさらに含む、請求項51に記載の方法。
- 予測モデルを利用して1以上の対象に対する治療処置の予測を提供するためのコンピュータ実装方法であって、前記方法は、
(d)1つ以上の非微生物および微生物核酸組成物の遺伝子配列を含む第1のセットの1以上の対象の液体生検、および処置にさらされた場合の前記第1のセットの1以上の対象の対応する少なくとも1つの治療結果を受け取る工程と、
(e)前記第1のセットの1以上の対象の前記遺伝子配列および前記対応する治療応答を用いて予測モデルを訓練する工程であって、それにより訓練済みの予測モデルを生成する、工程と、
(f)第2のセットの1以上の対象の微生物および非微生物核酸配列、および対応する施されることとなる処置が入力された場合に、前記訓練済みの予測モデルを使用して治療処置の予測を出力する工程と
を含む方法。 - 前記第1または第2のセットの1以上の対象の少なくとも1つの治療結果が、治療の有効性、治療不全、治療の安全性、治療の有害な副作用、またはそれらのいずれかの組合せを含む、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、無細胞(cf)核酸を含む、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、微生物の無細胞微生物DNA(cf-mbDNA)、無細胞微生物RNA(cf-mbRNA)、またはそれらのいずれかの組合せを含む、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の微生物核酸組成物が、ウイルス、細菌、古細菌、真菌の源、またはそれらのいずれかの組合せを起源とするものを含む、請求項62に記載の方法。
- 前記処置が、がんを処置する、請求項62に記載の方法。
- 前記予測モデルが、急性骨髄白血病、副腎皮質がん、膀胱尿路上皮がん、低悪性度脳神経膠腫、浸潤性乳がん、子宮頸部扁平上皮がんおよび子宮頸部内腺がん、胆管がん、結腸腺がん、食道がん、多形膠芽腫、頭頸部扁平上皮がん、嫌色素性腎がん、腎臓腎明細胞がん、腎臓乳頭状腎細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ球新生物びまん性大細胞型B細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫および傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、またはぶどう膜黒色腫、あるいはそれらの組合せを処置された対象の治療の結果を分析するよう構成される、請求項62に記載の方法。
- 前記予測モデルが、治療的介入の前に、治療臨床試験対象を応答群、非応答群、非有害群、および有害群にトリアージ方式で順序付けるよう構成される、請求項62に記載の方法。
- 前記予測モデルは遡及的に使用される、請求項62に記載の方法。
- 第2のセットの1以上の対象の前記予測モデルによる前記少なくとも1つの治療結果が、1つ以上のがんの治療に対する応答の過程を長期的にモデリングするために利用される、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象の微生物または非微生物核酸組成物が、1つ以上の一塩基多型(SNP)、挿入および/または欠失(INDEL)、ゲノム増幅および再編成、あるいはそれらのいずれかの組合せを含む、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象の1つ以上の非微生物核酸組成物が、無細胞腫瘍DNA、無細胞腫瘍RNA、エクソソーム由来腫瘍DNA、エクソソーム由来腫瘍RNA、循環腫瘍細胞由来DNA、循環腫瘍細胞由来RNA、無細胞腫瘍DNAのメチル化パターン、無細胞腫瘍RNAのメチル化パターン、循環腫瘍細胞由来DNAのメチル化パターン、および/または循環腫瘍細胞由来RNAのメチル化パターン、あるいはそれらのいずれかの組合せを含む、請求項62に記載の方法。
- 受け取る工程が、性別、年齢、体重、ボディマス指数、食事因子、心血管機能、胃腸機能、免疫機能、肝機能、腎機能、アルブミン濃度、アルコール摂取、タバコまたはマリファナの使用、妊娠、授乳、運動、併存疾患、職業性被爆、心理状態、他の薬物あるいはそれらのいずれかの組合せを含む、前記第1のセットの1以上の対象の非ゲノムデータをさらに含む、請求項62に記載の方法。
- 前記予測モデルが機械学習モデルである、請求項62に記載の方法。
- 前記予測モデルが、正則化された機械学習モデルである、請求項62に記載の方法。
- 前記予測モデルが、1つ以上の機械学習モデルの組合せである、請求項62に記載の方法。
- 前記予測モデルが、前記第1または第2のセットの1以上の対象の、ノイズとして分類される1つ以上の微生物核酸組成物を同定かつ除去すると同時に、シグナルと称される他の前記1つ以上の微生物特徴を選択的に保持する、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象がヒト以外の哺乳動物である、請求項62に記載の方法。
- 前記第1または第2のセットの1以上の対象がヒトである、請求項62に記載の方法。
- 前記1つ以上の液体生検は、全血、血漿、血清、唾液、痰、尿、脳脊髄液、汗、涙、呼気凝縮液、糞便、またはそれらのいずれかの組合せを含む、請求項62に記載の方法。
- 前記第1のセットの1以上の対象の前記少なくとも1つの治療結果と、前記1つ以上の微生物および非微生物核酸組成物における前記1つ以上の配列との間の相関性を決定する工程をさらに含む、請求項62に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063112972P | 2020-11-12 | 2020-11-12 | |
US63/112,972 | 2020-11-12 | ||
PCT/US2021/058999 WO2022103975A1 (en) | 2020-11-12 | 2021-11-11 | Systems and methods to improve therapeutic outcomes |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023549520A true JP2023549520A (ja) | 2023-11-27 |
Family
ID=81602617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023528571A Pending JP2023549520A (ja) | 2020-11-12 | 2021-11-11 | 治療結果を向上させるためのシステムおよび方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20240071616A1 (ja) |
EP (1) | EP4244856A1 (ja) |
JP (1) | JP2023549520A (ja) |
KR (1) | KR20230133272A (ja) |
CN (1) | CN117083679A (ja) |
CA (1) | CA3198341A1 (ja) |
WO (1) | WO2022103975A1 (ja) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10619210B2 (en) * | 2014-02-07 | 2020-04-14 | The Johns Hopkins University | Predicting response to epigenetic drug therapy |
CN116640849A (zh) * | 2015-10-09 | 2023-08-25 | 夸登特健康公司 | 使用无细胞dna的基于群体的治疗推荐 |
-
2021
- 2021-11-11 KR KR1020237019487A patent/KR20230133272A/ko unknown
- 2021-11-11 EP EP21892818.2A patent/EP4244856A1/en active Pending
- 2021-11-11 WO PCT/US2021/058999 patent/WO2022103975A1/en active Application Filing
- 2021-11-11 JP JP2023528571A patent/JP2023549520A/ja active Pending
- 2021-11-11 CA CA3198341A patent/CA3198341A1/en active Pending
- 2021-11-11 US US18/252,706 patent/US20240071616A1/en active Pending
- 2021-11-11 CN CN202180089749.6A patent/CN117083679A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20230133272A (ko) | 2023-09-19 |
EP4244856A1 (en) | 2023-09-20 |
CA3198341A1 (en) | 2022-05-19 |
CN117083679A (zh) | 2023-11-17 |
US20240071616A1 (en) | 2024-02-29 |
WO2022103975A1 (en) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alasoo et al. | Shared genetic effects on chromatin and gene expression indicate a role for enhancer priming in immune response | |
Newman et al. | Determining cell type abundance and expression from bulk tissues with digital cytometry | |
Robertson et al. | Comprehensive molecular characterization of muscle-invasive bladder cancer | |
Lenz et al. | Adipose tissue in health and disease through the lens of its building blocks | |
Rizzetto et al. | Impact of sequencing depth and read length on single cell RNA sequencing data of T cells | |
JP6791598B2 (ja) | 異なる細胞サブセットの比率の決定方法およびシステム | |
US20210057042A1 (en) | Systems and methods for detecting cellular pathway dysregulation in cancer specimens | |
Delhalle et al. | A roadmap towards personalized immunology | |
Siejka-Zielińska et al. | Cell-free DNA TAPS provides multimodal information for early cancer detection | |
Milanez-Almeida et al. | Cancer prognosis with shallow tumor RNA sequencing | |
Winter et al. | Making the case for chromatin profiling: a new tool to investigate the immune-regulatory landscape | |
Acevedo et al. | Epigenetic alterations in skin homing CD4+ CLA+ T cells of atopic dermatitis patients | |
Lu et al. | Heterogeneity and transcriptome changes of human CD8+ T cells across nine decades of life | |
Liepelt et al. | Differential gene expression in circulating CD14+ monocytes indicates the prognosis of critically ill patients with sepsis | |
Yin et al. | Identification of long non-coding RNA competing interactions and biological pathways associated with prognosis in pediatric and adolescent cytogenetically normal acute myeloid leukemia | |
Carreras et al. | Artificial intelligence analysis of the gene expression of follicular lymphoma predicted the overall survival and correlated with the immune microenvironment response signatures | |
Machan et al. | Subcutaneous panniculitis-like T-cell lymphoma, lupus erythematosus profundus, and overlapping cases: molecular characterization through the study of 208 genes | |
Ruf et al. | Protein binding partners of dysregulated miRNAs in Parkinson’s disease serum | |
Krali et al. | DNA methylation signatures predict cytogenetic subtype and outcome in pediatric acute myeloid leukemia (AML) | |
Leal-Calvo et al. | A new paradigm for leprosy diagnosis based on host gene expression | |
D’Ambrosi et al. | Combinatorial blood platelets-derived circRNA and mRNA signature for early-stage lung cancer detection | |
Fardin et al. | The l 1-l 2 regularization framework unmasks the hypoxia signature hidden in the transcriptome of a set of heterogeneous neuroblastoma cell lines | |
Polano et al. | A new epigenetic model to stratify glioma patients according to their immunosuppressive state | |
Shannon et al. | Enumerateblood–an R package to estimate the cellular composition of whole blood from Affymetrix Gene ST gene expression profiles | |
Koh et al. | Discovery of novel recurrent mutations and clinically meaningful subgroups in nodal marginal zone lymphoma |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231018 |