JP5213228B2 - 臨床的カット−オフ値の推測 - Google Patents

Description

発明の背景

本発明は、薬剤に対する疾患の耐性を推測する精度を改善するための方法および系に関する。より詳細には、本発明は表現型または遺伝子型の耐性試験について、臨床的に関連のあるカット−オフ値（ｃｕｔ−ｏｆｆ ｖａｌｕｅ）を確立するために、天然に存在するか、または事前の薬剤暴露により選択されたどちらかの薬剤感受性における既存の変動が、治療応答に及ぼす影響を評価する方法を提供する。

本明細書で引用するすべての公報、特許および特許出願は、参考文献により全部、編入される。

薬剤に対する疾患の耐性を測定するための技術は、ますます重要になっている。ウイルス耐性の発生と臨床的進行との間の相関を示唆する最初の報告が発行されてから、薬剤に対する病原体の耐性を測定する技術は、治療法の臨床的研究にますます取り入れられるようになった（非特許文献１を参照にされたい。引用により本明細書に編入する）。例えばウイルス感染として、いくつかの研究はｐ５３の突然変異も特異的な抗ガン剤治療、放射線治療または遺伝子療法に対する腫瘍の応答を推測できることを示す。これは初期の研究が、シスプラチンおよびタモキシフェンがｐ５３の突然変異を有する腫瘍を有する個体に、より効果的であることを示す乳癌の場合である。すなわち耐性監視の目的は、医師が個々の患者に最適な薬剤の組合わせ物を処方することを可能にするために必要な情報を提供することである。

時が経つにつれより多くの治療的選択が可能になれば、耐性試験は疾患の管理および治療、ならびに個別化された治療計画の開発に重要な役割を果たすと期待される［例えば、非特許文献２を参照にされたい］。

さらに薬剤耐性疾患の数も増えている。表現型の型別法は、病原体が研究室で種々の薬剤の存在下で成長する能力を測定する。これは通常、ＩＣ_５０またはＩＣ_９０値の倍数変化（ｆｏｌｄ ｃｈａｎｇｅ）（ＩＣ_５０またはＩＣ_９０値は、それぞれ病原体集団の５０％または９０％が複製を阻害される薬剤濃度である）として表す。例えば高度に耐性なウイルスは、例えばＩＣ_５０において５０またはさらに１００倍の増加を示す。例えば幾つかのウイルスの突然変異では、ＩＣ_５０がわずか２〜３倍に増加するだけである。一方、病原体は所定の薬剤に対する過敏性を示す可能性がある。例えばＨＩＶの突然変異の組み合わせが所定の薬剤に対する病原体の過敏性を導くことができると証明された。

遺伝子型の型別とは異なり、表現型の型別法は感受性の直接的測定であり、薬剤の存在下で、病原体集団の挙動について、既知または未知のすべての突然変異の効果および相互作用を反映している。

薬剤感受性の表現型による型別の用途は、例えば病原体が耐性と考えられるＩＣ_５０での「カット−オフ」値の倍数的増加（ｆｏｌｄ ｉｎｃｒｅａｓｅ）に依存する。本明細書で使用する用語「カット−オフ値」は、病原体が特定の薬剤に関して低下した感受性を有すると分類されるよりも上の感受性における閾値変化を称する。本明細書で使用する薬剤「耐性」は、病原体に対する薬剤の抵抗能力、感度、感受性または効能を意味する。

最近、現在使用されている幾つかのカット−オフ値の関連性に関する議論があった。例えばウイルス感染に関して、あるグループは各薬剤試験について通常は同じ値であり、そして臨床的基準ではなく、例えば１つの野生型標準ウイルスの反復的試験で見られるアッセイの変動性により決定される技術的なカット−オフ値を使用する。標準参照ウイルスを用いて繰り返し試験を行うことにより、試験の再現性が測定され、そしてカット−オフ値がこのレベル（例えばＩＣ_５０において２．５倍の増加）に設定される。これはアッセイの分析性能に大きく依存するカット−オフ値を提供する。この取り組みは薬剤応答性において集団に基づく変動を考慮しない点で限界がある。さらにそのような取り組みは、異なる薬剤処方に対する異なる応答性を説明しない。このようにすべての利用可能な薬剤に関して１つのカット−オフ値を設定する限界は、試験により報告される感受性におけるいかなる変化の有意性についても、医師に知らせることが大変少ない点である。実際に幾つかのウイルス学的カット−オフ値は、既知の応答データとは明らかに一致しない。例えば非ヌクレオチド逆転写酵素インヒビター（ＮＮＲＴＩ）に対する低レベルの耐性の表示は、これまでに治療されなかった個体には薬剤に対する鈍い応答を導かない（非特許文献３）。主にアッセイの再現性に基づくカット−オフ値を有する他のアッセイは、各薬剤について同じであるか、または薬剤が臨床的な現場で病原体に対して効くのかどうかには関係なく、したがって、むしろ恣意的である。

ＨＩＶ治療に使用する薬剤について、より意味のある、生物学的に関連性のあるカット−オフ値を開発するための方法がすでに記載されている。例えばヴィルコ（Ｖｉｒｃｏ）は１，０００名の未治療患者に由来する単離物、ならびに耐性突然変異を持たないＨＩＶ−１の数千のサンプルについて、ＩＣ_５０値を測定した。各薬剤について、感受性の平均および範囲を算出した。ついでカット−オフ値は平均より上の２つの標準偏差で設定した。この統計用語は、カット−オフの上回るある試験結果が、９７．５％の信頼で標準的感受性の範囲の上にあると言うことができる（非特許文献４）。未治療および非変異ウイルスの感受性は薬剤毎にかなり変動するので、予想される生物学的カット−オフ値は各薬剤について異なる。

生物学的カット−オフ値の使用は、ＨＩＶについて報告される耐性の量を変えた。例えばジデオキシヌクレオシド類似体に関する生物学的カット−オフ値は、これまでに使用していたカット−オフ値より低く、そして５，０００名の無作為な臨床サンプルの実験では、耐性のより高い、そしてより現実的な発生が明らかとなった。逆に、非ヌクレオシド逆転写酵素インヒビターに関するカット−オフ値は、これまでに使用していた値より高い。

しかし生物学的カット−オフ値はこれまでに使用していた恣意的なカット−オフ値よりも大きく改善されたものの、予想される閾値とその上で臨床的応答が実際に下がる観察された倍数耐性との間には未だ隔たりがある。このように臨床的に関連性のあるカット−オフ値の倍数変化耐性値を確立できる方法が大いに必要である。

本発明は表現型または遺伝子型の耐性試験に関して、臨床的に関連性のあるカット−オフ値を確立するために、自然に存在するか、または事前の薬剤暴露により選択されたどちらかの薬剤感受性における既存の変動が、治療応答に及ぼす影響を評価する新規方法の形式で、こらの問題を解決する。

参考文献

Ｂｒｅｎｄａｎ Ｌａｒｄｅｒ ｅｔ ａｌ．，ＨＩＶ耐性および治療との関係（ＨＩＶ Ｒｅｓｉｓｔａｎｃｅ ａｎｄ Ｉｍｐｌｉｃａｔｉｏｎｓ ｆｏｒ Ｔｈｅｒａｐｙ）、１９９８ Ｈａｕｌｂｒｉｃｈ ｅｔ ａｌ．ＪＡＩＤＳ，２６Ｓ１、Ｓ５１−Ｓ５９、２００１ Ｈａｒｒｉｇａｎ ｅｔ ａｌ．，Ｂａｃｈｅｌｅｒ ｅｔ ａｌ．，第４回ＨＩＶ薬剤耐性および治療法に関する国際ワークショップ（４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ ＨＩＶ Ｄｒｕｇ Ｒｅｓｉｓｔａｎｃｅ ａｎｄ Ｔｒｅａｔｍｅｎｔ Ｓｔｒａｔｅｇｉｅｓ），シトゲス、スペイン、要約、２０００ Ｈａｒｒｉｇａｎ ｅｔ ａｌ．，未治療個体におけるＨＩＶ−１表現型の感受性における世界的変動：耐性試験のための生物的に関連する値（Ｗｏｒｌｄ−ｗｉｄｅ ｖａｒｉａｔｉｏｎ ｉｎ ＨＩＶ−１ ｐｈｅｎｏｔｙｐｉｃ ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｉｎ ｕｎｔｒｅａｔｅｄ ｉｎｄｉｖｉｄｕａｌｓ；ｂｉｏｌｏｇｉｃａｌｌｙ ｒｅｌｅｖａｎｔ ｖａｌｕｅｓ ｆｏｒ ｒｅｓｉｓｔａｎｃｅ ｔｅｓｔｉｎｇ），ＡＩＤＳ １５：１６７１−１６７７，２００１

発明の要約
本発明に従えば、患者について病原体により引き起こされる疾患の薬剤に対する治療応答を予想する診断方法が提供され、この方法は：
臨床的応答の臨床的に関連する変動が観察される倍数変化耐性値である臨床的カット−オフ値に対して、病原体に感染している患者の倍数変化耐性値を比較することを含んでなり；
ここで臨床的カット−オフ値は、病原体に感染している患者の倍数変化耐性の関数として、病原体により引き起こされる疾患に対して薬剤で治療した患者集団の臨床的応答をモデル化することにより確立される。

本発明に従い、閾値倍数耐性が確立され、その上で疾患は臨床的内容において薬剤に対して耐性であると分類される。この方法は、疾患を引き起こす病原体の特定の薬剤に対する治療応答を、ベースラインの病原体負荷量（ｂａｓｅｌｉｎｅ ｐｈａｔｈｏｇｅｎｉｃ ｌｏａｄ）、ベースラインの耐性、病原体を標的とする同時投与薬剤のベースライン活性および治療歴の関数としてモデル化する。「ベースラインの病原体負荷量」とは、薬剤による治療の開始時に測定される患者の病原体負荷量を意味する。「ベースラインの倍数変化耐性」とは、治療の開始時に患者に感染している病原体により現される候補薬剤に対する倍数変化耐性を意味する。「病原体を標的とする同時投与薬剤のベースライン活性」とは、治療応答がモデル化される薬剤と組み合わせて投与される各薬剤の病原体に対する活性を意味する。「治療歴」とは、患者の事前の薬剤暴露（したがって病原体暴露）を意味する。

好適な態様では、カット−オフ値はベースラインの病原体負荷量、ベースラインの倍数変化耐性、病原体を標的とする同時投与薬剤のベースライン活性および治療歴を考慮して、治療個体を対象とした治療応答データの関数として定められる。

この方法はこのように、異なるレベルのベースライン耐性で臨床的成果の推測を提供する。この方法論に従い、治療の成果（病原体負荷量および応答率の低下）は、病原体の遺伝子型から薬剤耐性の表現型を測定し、または薬剤耐性の表現型を推測する系（ＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標）、ヴィルコのような）を参照することにより、測定されるベースラインの倍数変化耐性の関数として薬剤によりモデル化される。このモデルは、同時投与される薬剤、ベースラインの病原体負荷量および場合により臨床的に重要な特性の不均衡により導入される任意の偏りを回避するために処理歴の効果を考慮する。モデルから、成果の推測は病原体の異なるレベルのベースライン倍数変化耐性で作成され得る。

この方法論を使用して、遺伝子型と表現型（例えばＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標））の比較により得られる倍数変化耐性値を、臨床的成果と関連させる。これは独自な取り組みであり；他の研究グループは、特定の突然変異または実際の表現型の結果を臨床的成果と関連つける異なる取り組みを使用する。

本発明の方法は現在使用されている方法よりも有利である。例えば従来の取り組みは薬剤の感受性において集団に基づく変動性を完全に説明しない。本方法では、集団に治療を受けていない（ナイーブ）患者および治療を経験した患者を含むことができ、そして限定するわけではないが例えば１つの性別、年齢、人種または性的行動である混合集団でもよい。

また本発明の方法は異なる薬剤に対して、集団における異なる応答性も説明する。この取り組みにより測定される薬剤特異的な臨床的カット−オフ値は、病原体の感受性株に関する耐性の予想において、より信頼性のあるパラメーターである。

またこの方法は、試験した集団の種類に依存して再計算される方法を使用して、臨床的なカット−オフ値を確立することを可能とし、すなわち特定の薬剤に関して、小児集団は同じ薬剤に関する成人集団のカット−オフ値とは異なる臨床的なカット−オフ値を有する可能性がある。

中でも特に重要であるのは、この方法論が併用療法に対する応答から誘導されるデータを使用して、実質的なデータベースについて均一な科学的様式ですべての市販されている薬剤に関する臨床的なカット−オフ値の決定を可能とする点である。現在利用可能なカット−オフ値は、限定された量のデータを参照することにより決定され、そしてそれらは異なる取り組みを使用して決定されるので一致しないかもしれない。

本発明に従えば、臨床的なカット−オフ値は、薬剤で治療した患者集団の臨床的応答を、特定の病原体により引き起こされる疾患に対して、病原体に感染してい患者の倍数変化耐性の関数としてモデル化することにより確立される。病原体に関する倍数変化耐性は、当該技術分野で知られている方法を使用して確立することができる。簡単に説明すると、特定の薬剤に関する患者サンプルの感受性は、同じ薬剤に関する参照サンプルの感受性と比較される。これはａ）薬剤に関して患者サンプルの感受性を測定し；ｂ）薬剤に関して参照サンプルの感受性を測定し；ｃ）そして工程ｂ）で得た感受性に対する工程ａ）で得た感受性の商から患者の倍数変化耐性を決定することにより行うことができる。これらの工程を行うために好適な方法の例は、同時係属出願である国際公開第０１／７９５４０号および同第０２／３３４０２号パンフレットに詳細に記載されている。均等な方法が当業者には明らかであろう。

本発明の好適な態様では、カット−オフ倍数変化耐性値が、病原体負荷量の対数の低下を参照とすることにより算出される。そのような方法では、好ましくは病原体を持つ個体からの治療応答データの組を使用して線形回帰分析が行われ、ここで病原体に感染している患者ｉに関するｌｏｇ病原体負荷量の低下ＬｏｇＰＬ ｄｒｏｐ _ｉ は以下の式：

に従い病原体負荷量の低下に影響を与える因子に関するすべての個別要因の総和としてモデル化される。

この式において、ベースラインＰＬ _ｉ は薬剤による治療の開始に測定される患者の病原体負荷量を表す。

ＰＳＳ _ｉ は、治療応答への要因がモデル化される薬剤を除き、患者へのバックグラウンド治療法において、活性薬剤の数を表す表現型感受性スコアである。

ＦＣ _ｉ はベースラインの倍数変化耐性である。

β_０はインターセプト（ｉｎｔｅｒｃｅｐｔ）である。

β_１はベースラインＰＬ _ｉ の対数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を表す係数である。ＨＩＶおよびＨＣＶ感染の場合、ベースラインＰＬ _ｉ は確認されている市販のアッセイにより容易に定量される。

β_２はバックグラウンド治療法において、感受性薬剤数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を示す係数である。

β_３はＦＣ _ｉ の逆数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を示す係数である。この係数の値は、記載したモデルの出力の一部である。

ε_ｉは、モデル化した推測と実験的に決定した測定との間の差異を表す誤差項である。

線形回帰モデルにおける係数は、ＰＲＯＣ ＬＩＦＥＲＥＧのようなコンピューター分析パッケージを使用して計算することができる。ＰＲＯＣ ＬＩＦＥＲＥＧは、打ち切った（ｃｅｎｓｏｒｅｄ）データについて線形回帰を行うＳＡＳ（統計分析システム）ソフトウェア中の手法である。デフォルトにより、ＬＩＦＥＲＥＧ手法は打ち切りを無視する通常の最小２乗（ＯＬＳ）を使用して、このパラメーターに関する初期値をコンピューター処理する。対数尤度関数は、リッジ−安定化ニュートン−ラフソン計算法により最大化される。

表現型感受性スコアＰＳＳｉは、ＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標）または他の計算法による病原体の遺伝子型から予想されるような、あるいは実際の表現型試験により測定されるような、患者へのバックグラウンドの治療方法において活性な薬剤の数を表す。この項の目的は、薬剤の組み合わせ物を受けた患者について集めた治療応答データから、薬剤特異的値を抽出できるようにすることである。このように、調査中の特定の薬剤にのみ関連する耐性データが抽出される。他の薬剤はバックグラウンド処方と考え；これは患者が異なれば異なってよい。信頼できる分析を行うために、異なるバックグラウンド処方の患者を一緒に分析しなければ十分なデータにならないので、そうすることが必要である。

この分析中、異なるバックグラウンド処方が臨床的成果に異なる様に影響を及ぼすことを考慮しなければならない。これを行うために、バックグラウンド薬剤の活性は活性薬剤の数を決定すること、すなわちＰＳＳ（好ましくはＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標）に従い活性であると判断する）を考案することによりまとめられる。ついでＰＳＳをモデルに含める。

好適な態様では、ＰＳＳは記載するように決定される予備的な臨床的カット−オフ値に基づき算出することができる。ＰＳＳの概念は、ＤｅＧｒｕｔｔｏｌａ ｅｔ ａｌ．（Ａｎｔｉｖｉｒａｌ Ｔｈｅｒａｐｙ ２０００；５：４１−４８）により詳細に検討されている。さらにＰＳＳの変動として連続的ＰＳＳの概念がＢｏｓｃｈ ｅｔ ａｌ．（ＡＩＤＳ２００３，１７：１−９）；Ｋａｔｚｅｎｓｔｅｉｎ ｅｔ ａｌ（ＡＩＤＳ２００３；１７：８２１−８３０）；およびＨａｕｂｒｉｃｈ ｅｔ ａｌ．（デラヴィルジン超感受性（ＤＬＶ ＨＳ）；ウイルス学的応答および表現型カット−ポイント−ＡＣＴＧ３５９からの結果（Ｄｅｌａｖｉｒｄｉｎｅ Ｈｙｐｅｒｓｕｓｃｅｐｔｉｂｉｌｉｔｙ（ＤＬＶ ＨＳ）：Ｖｉｒｏｌｏｇｉｃａｌ Ｒｅｓｐｏｎｓｅ ａｎｄ Ｐｈｅｎｏｔｙｐｉｃ Ｃｕｔ−Ｐｏｉｎｔｓ−Ｒｅｓｕｌｔｓ ｆｒｏｍ ＡＣＴＧ３５９）：第１１回レトロウイルスおよび日和見感染会議、２００４年２月８〜１１日開催、米国、カリフォルニア州、サンフランシスコにて）により検討されている。ＰＳＳはカット−オフ値が一定値になるように反復プロセスにより決定することができる。それに続くモデルの反復では、モデルの最初の反復で定めた予備的な臨床的カット−オフ値に基づくＰＳＳスコアを利用することができる。

ベースラインの倍数変化ＦＣ_ｉは、ベースラインの倍数変化耐性に等しい。これらの用語は本明細書では互換可能に使用する。これは患者に特異的な用語であり、そして薬剤感受性表現型試験により決定され、または病原体に感染している特定の患者の遺伝子型に基づき推測される。この遺伝子型の病原体により現される表現型は、多くの方法で推測することができる；一般にそのような技術は類似の遺伝子型の病原体に感染した患者群から集めた表現型に対して遺伝子型を比較する。しかしこれは、この倍数変化耐性がベースラインで個別の患者に感染している特異的な病原体株の特性であるという事実を変えない。

例えば、ベースラインの倍数変化耐性の推測は、規則に基づくか、または病原体の薬剤耐性表現型を決定する他のあまり直接的ではない系を活用することができる。直接性が低い系の例はＶｉｒｔｕａｌ Ｐｈｅｎｏｔｙｐｅ（ヴィルコ社；ＰＣＴ／ＥＰ０１／０４４４５）である。ベースラインの倍数変化耐性の推測はあるいは、その遺伝子型の情報に基づき病原体の薬剤耐性表現型を決定するニューラル（ｎｅｕｒａｌ）ネットワークのような、遺伝子型情報から表現型を決定するための他の系を使用することができる（例えば米国特許出願第０９／５８９，１６７号明細書；ＰＣＴ／ＥＰ０１／０６３６０号明細書を参照にされたい）。ニューラルネットワークは、薬剤に対する耐性を付与し、そして薬剤耐性の遺伝的基礎を定める突然変異（１つまたは複数）または突然変異パターンを同定するために使用することができる。

インターセプトβ_０は、参照群（すなわち１つのベースラインの病原体負荷量、無限の倍数変化耐性およびバックグラウンドに感受性薬剤が無い患者の理論的群）に関するｌｏｇ病原体負荷量の低下の推測である。この項の目的は、モデルの適合性を改善することである。もしこれを含めなければ、挿入曲線は原点を通って進むようにされ（ゼロの倍数変化耐性でゼロのＬｏｇ ＰＬ低下）、これは非現実的なモデルを導く恐れがある。

誤差の項ε_ｉは、モデル化した推測と実験的に決定した測定の間の差異、すなわち患者の実際の応答と推測される応答との間の差異を表す。モデルにより多くのデータが加われば、臨床的カット−オフ値の決定に関連するさらなる因子が加わる。これはモデルの適合性を改善し、したがって推測の誤差が減少する。すべてのβ項は、誤差項を最小化することにより同時に推測される。

本発明のこの態様の方法論では、打ち切り（病原体負荷キットの検出限界により生じるアッセイ範囲を超えた病原体の負荷）が結果に影響を与え、したがって打ち切りを考慮する手順が適用されることが好ましい。好ましくは、打ち切った値は外挿から一致するモデルを構築することにより処理する。このモデルは任意の記載した方法に適用可能である。このように打ち切った値は、打ち切った値を最大の見込み推測に置き換え、測定誤差の標準偏差の知識を仮定することによりモデル化される。例えば打ち切った値は、打ち切った値で分析を行う統計分析パッケージＳＡＳにおいて、ＰＲＯＣ ＬＩＦＥＲＥＧプレ−プログラム法を使用して処理することができる。

病原体負荷量は連続的に変動し得ると考えるので、上記の線形回帰法の利点は、病原体負荷量における変化に関する定量的データを研究できる点である。したがってこれはデータ中に存在する最大量の情報を考慮する。予想はモデル中ノ共変量について補正され（例えばバックグラウンド処方）、したがって共変量の不均衡に悩まされない。結論は、臨床的応答のデータベース中のデータセットで表される共変量を持つ患者に限られる。

他のベースライン特性も、関連性があれば線形回帰に加えることができ、上記式にさらに新たな項が加わる。さらなるベースライン特性の例には、以前の治療の総期間、および治療薬が投与された時期を含む。例えば推測は、上記に与えたモデル式に項β_４（期間）を加えることにより期間について補正することができる。

さらに薬剤の種類あたりの感受性スコア（バックグラウンド治療の全体的な感受性スコアに加えて；ｃＰＳＳ）、薬剤に対する以前の暴露（受けていない：イエスまたはノー；プロテアーゼインヒビターを受けていない：イエスまたはノー；ヌクレオチドＲＴインヒビターを受けていない：イエスまたはノー；およびその他）を含め、さらなる因子を考慮してもよい。さらなる例は、当業者には明らかであろう。

ｃＰＳＳに関する二次項をモデルに加えてもよい。

倍数変化耐性は、モデルに入れる前に変換することができる。例えばＦＣ^−３〜ＦＣ^１の範囲のべき乗変換を倍数変化について行ってもよい。

したがって、上に提示した式のより一般化された形は：

式中、ｐはべき乗変換（例えば−３から１の範囲）であり、そしてＨ_５〜Ｈ_ｎは治療歴パラメーター（例えば抗ウイルス療法を受けていない、ＮＲＴＩ治療を受けていない、等）、または特定の治療薬の種類の関数としてバックグラウンド治療を記載するパラメーター（例えば調査中の薬剤と同時に摂取した活性なＮＲＴＩの数）である、
として表すことができる。

個々の薬剤に関して分析のデータベース（８週間の成果）の特性の例は以下の形式である：

上記のように、臨床的カット−オフ値は、薬剤に対して低下した予想臨床的応答の倍数変化耐性を決定する。病原体を単に感受性または耐性と分類することに代えて、本発明の観点の方法は、好ましくは３つの分類を包含し、すなわち「感受性」、これは薬剤治療に対して最大の応答に結び付けられ、「中程度」、これは薬剤治療に対する応答が減少しているが、それでも有意であることに結び付けられ、そして「耐性」、これは薬剤治療に対する応答がほとんどないことに結び付けられる。例えばＨＩＶ応答に関する１組の定義により、「感受性」は約０．６ｌｏｇよりも大きな推測病原体負荷量の低下と分類することができ、「中程度の耐性」は約０．２から約０．６ｌｏｇの間の推測病原体負荷量の低下と分類することができ、そして「耐性」は、約０．２ｌｏｇよりも低い推測病原体負荷量の低下と分類することができる。別の定義の組では、「感受性」は約０．５ｌｏｇから１．０ｌｏｇの間の予想病原体負荷量の低下と分類することができる。これらの定義を使用して算出されるカット−オフ値は、共変量に高度に依存している。

本発明のさらに好適な態様では、カット−オフ倍数変化耐性値は、本明細書で成功のＰｒｏｂと名付けた、患者への薬剤による治療に感受性の病原体の確率を参照にして算出される。そのような方法では、好ましくは成功のＰｒｏｂは臨床的応答データセットからのデータを使用してロジスティック回帰分析を行うことにより算出され、ここで成功のＰｒｏｂは以下の式：

に従いモデル化される。

式中の各用語は、上記の本発明の態様について上に記載した用語と同じである。

このロジスティック回帰法は、線形回帰モデルについて上に記載した打ち切りの問題に煩わされない。さらに成功の確率は臨床的な成果を解釈する直観的（ｉｎｔｕｔｉｖｉｅ）法である。１つの欠点は、病原体負荷量を成功および失敗に分類することにより、連続的に変動する病原体負荷量の情報の一部が失われる点である。

また推測は線形回帰のように共変量について補正することもできる。

ここでもまた、本発明の最初に記載した態様の方法のように、第２に記載する態様の方法は好ましくは３つの分類、感受性、中程度の耐性および耐性を包含する。最大の効果は約１倍の変化の倍数変化耐性で治療効果として定められるか、または患者に由来する野生型のウイルス単離物により表される倍数変化として定められ、そして最小効果は大変高い倍数変化耐性（すなわち曲線がプラトーに達する場合）での治療効果としてと定められるということに基づき、「効果範囲」は、最大効果と最小効果との間の差異である。最大効果は、約０．７から約１．２倍の間の変化耐性で倍数変化耐性の治療効果と定めることができる。

好ましくは「感受性」遺伝子型は、効果範囲の約７８〜８５％よりも高い推測される治療効果として分類される。好ましくは「中程度の耐性」は、効果範囲の約１５〜２５％から約７５〜８５％の間の推測治療効果として分類される。好ましくは「耐性」は効果範囲の約１５〜２５％よりも低い推測治療効果として分類される。この方法を使用して算出したカット−オフ値は、予想病原体負荷量の低下を使用する以前に記載された方法よりも共変量への依存が低い。しかし効果範囲は異なる共変量で変動する。

この取り組みで、薬剤あたり２つのカット−オフ値が同定される：応答が失われ始める倍数変化を表す「より下の」カット−オフ値、および応答が本質的に無くなる倍数変化を表す「より上の」カット−オフ値。

より下の、およびより上のカット−オフ値は、それぞれ＞０．６および＜０．２の予想されるｌｏｇウイルス負荷量の低下における倍数変化と定義され得る。

より下の、およびより上のカット−オフ値は、処方内の薬剤の参照活性の予想される２０％および８０％減少にそれぞれ関連する倍数変化と定義され得る。

したがって第１定義（定義１）の下の、および上のカット−オフ値は、それぞれ＞０．６および＜０．２の予想されるｌｏｇウイルス負荷量の低下における倍数変化である。

第２定義（定義２）のより下の、およびより上のカット−オフ値は、処方内の薬剤の参照活性の予想される２０％および８０％減少にそれぞれ関連する倍数変化である。

カット−オフの第３定義（定義３）は、患者を成功した治療と不成功の治療に最適に識別する倍数変化である。

本発明の１つの態様では、定義１はテノホビルの外に２種の活性薬剤を摂取し、そして４のベースラインＬｏｇ（ＶＩ）を有する集団に関して、テノホビルについて適用され、３．７３の倍数変化で−０．６のｌｏｇウイルス負荷量で予想される低下を与える。

定義２が線形回帰モデルに適用される場合、ｌｏｇウイルス負荷量において予想される低下は、１の倍数変化で−１．４８となり得、そして最大の倍数変化で−０．２８となり得る。したがって効果的範囲は−０．２８＋１．４８＝１．２となり得る。この効果範囲の２０％が５の倍数変化で観察された（そしてこの値はより上の臨床的カット−オフ値と考えられた）。効果範囲の８０％は、１．２５の倍数変化で観察された（そしてこの値は下回る臨床的カット−オフ値と考えられた）。

この態様について、患者のＦＣが０．８である時（より下の臨床的カット−オフ値を下回る）、標準の臨床応答が予想される。患者のＦＣが２である場合（より下の臨床的カット−オフ値を上回る、そしてより上の臨床的カット−オフ値を下回る）、減少した臨床応答が予想される。ＦＣが７である場合（臨床的カット−オフ値を上回る）、臨床応答は最小であると予想される。

定義２が適用され、そしてロジスティックモデルをテノホビルについて使用する場合の態様では、１．２ＦＣの低いカット−オフ値および３．８１ＦＣの高いカット−オフ値が決定される。

以下の表は、処方において２種の活性薬剤、そして４のベースラインＬｏｇ（ＶＬ）の集団について、テノホビルに関する本発明の多数の態様を表す。

さらなる態様では、定義１を５のｌｏｇベースラインウイルス負荷量を有する患者、およびｄ４Ｔ（スタブジン）に加えて２種の活性薬剤を摂取しているすべての患者について線形回帰モデルで適用し、ｄ４Ｔの任意の倍数変化について０．６ｌｏｇコピー／ｍＬよりも高いウイルス負荷量の低下を推測する。ウイルス負荷量の低下は、５のｌｏｇベースラインのウイルス負荷量およびｄ４Ｔに加えて活性薬剤を摂取していない患者について、２．６および４．０の倍数変化で、−０．６ｌｏｇおよび−０．２ｌｏｇになると予想される。

別の態様では、ロピナビル／ｒに関して定義２を使用して予想されるより下の、およびより上のカット−オフ値は、ウイルス負荷量が線形回帰を使用してモデル化される場合には全集団についてそれぞれ８および６９であり、そして失敗率がロジスティック回帰を使用してモデル化される場合には、それぞれ４／２、５／０および５／２のｌｏｇベースラインＶＬ／バックグラウンドＰＳＳの集団について、より下の、およびより上のカット−オフ値はそれぞれ１１および６４、１０および６０、そして９および５８である。

別の態様では、バックグラウンド処方についてそれぞれ４／２および５／０のｌｏｇベースラインウイルス負荷量／表現型感受性スコアを有する集団について、ロジスティックモデルに関して追加投与されたサキナビルについて定義２を使用して決定したより下の、およびより上のカット−オフ値は、それぞれ１．７および１３．２、そして１．７および１２．９である。同じ状況下で、サキナビル／ｒに関する線形回帰によるより下の、およびより上のカット−オフ値は、全集団についてそれぞれ１．６および１２．３である。

以下の表は、予備的な線形回帰分析および定義２を使用してモデル化した多数の態様を示す。

表中の括弧内の値は、ブートストラッピングにより決定される９０％信頼限界である。

別の態様では、８週間後に定義２を使用してモデル化したより下の臨床的カットオフ値は、追加投与しないＰＩについて１．１〜１．２であり、そしてより上の臨床的カットオフ値は追加投与しないＰＩについて２．０〜３．４であった。追加投与したＰＩに関する臨床的カットオフ値は高かった；下のＣＣＯ−１．５〜６．９、そして上のＣＣＯ６．８〜５６。

Ｄ４Ｔに関する例では、線形回帰のモデルは：

を含んでなる。

線形回帰のモデルにおける係数は、ＰＲＯＣ ＬＩＦＥＲＥＧを使用して算出した。

ＮＲＴＩ［ナイーブ］値は、患者がヌクレオチドＲＴインヒビターを受けていないかどうかを表す。イエスの場合は値＝１、ノーの場合は値＝０である。ＰＳＳ［ＮＲＴＩ｝はＮＲＴＩに関する表現型感受性スコア、すなわち患者へのバックグラウンド処方において活性なＮＲＴＩの数を表す。

Ｌｏｇ（ベースラインＶＬ）＝４、より下の参照倍数変化＝０．９およびより上の参照倍数変化＝３、ｃＰＳＳ＝２、ＰＳＳ［ＮＲＴＩ］＝１、そしてＮＲＴＩ［ナイーブ］＝０である場合、モデル化されたより下およびより上のＣＣＯは、定義２を使用してそれぞれ１．１および２．２とモデル化される。

別の態様では、線形回帰モデルを８週目のウイルス負荷量応答に適用し、そしてベースライン表現型耐性の関数としてモデル化する。個体はｌｏｇベースラインウイルス負荷量＝４．０およびバックグラウンド処方について２．０のｃＰＳＳスコアを有することができる。

本発明のさらに好適な態様では、カット−オフ倍数変化耐性値は、特定の薬剤で治療した後に患者が検出不可能な病原体付加量を有する見込みを成功または失敗として分類するための分類系図を構築することにより算出される。この方法は、患者を成功（治療後に検出できない病原体負荷量）および失敗に分類するための系図で構成された規則を構築する。例えばウイルスについて検出不可能な病原体負荷量は、ｍｌあたり４００個のウイルスコピー未満のウイルス負荷量と定義することができる。そのような分類系図は、大変視覚的であり、そして解釈し易い点で有利であるが、決定が特定の他の関連するパラメーターの値を考慮していないという限界に問題がある。したがってそのようなパラメーターに関する不均衡は、特定のパラメーターを採用する決定に影響を与える。しかしそのような系図は、いくつかのパラメーターの重要性に洞察を提供し、そしてこれは上に記載した線形回帰およびロジスティック回帰の取り組みの適合プロセスに役立ち得る。

分類系図はクエリを提示し、ここで各クエリに対する答えで、系図の左または右枝を各段階で取るようになる。例えば第１クエリは、好ましくは問題の薬剤に対する病原体の遺伝子型の倍数耐性を考慮する（例えば薬剤ＴＤＦ（テノホビル）に関する倍数変化は＜１．３５であるか？ もしイエスであれば、左枝を取り、ノーの場合は右枝を取る）。すでに記載した本発明の観点の方法を用いるように、提示される他の因子には、ｌｏｇベースライン病原体負荷量および表現型感受性スコアを含む。最後の分枝の終わりの数は、応答率（１＝１００％応答）を表す。本発明による分類系図の例は、図８ａ、ｂおよびｃに提供される。

本発明の態様では、臨床的カット−オフ値は成功と不成功治療との間を最高に識別するようにする倍数変化耐性閾値として定義され、すなわち最適な値は系図を左および右分枝に二分するクエリを提示した。このように集団は２つのサブグループに分割される：１つは高い成功率を有し、そしてもう１つは低い成功率を有する。臨床的カット−オフ値は２グループの間に出来る限り大きな差異を作る倍数変化として選択される。

好ましくは本発明の上記の態様の２もしくは３つすべての方法を、各データセットおよび候補薬剤について行う。この様式で臨床的カット−オフ値は、各取り組みについて算出することができる。別個の取り組みの利点および欠点を考慮しながら、分析結果から、低い、および高いカット−オフ値に関して最も適切な値を選択する。この選択は取り組みの結果が一致する場合、または可能な不一致を説明できる場合にのみなされる。結果の間に説明できない不一致がある場合、臨床的カット−オフ値が決定され得る前に、より多くのデータを集める必要があると結論づけることができる。

例えば異なる取り組みの結果が一致すれば（好ましくは臨床的カット−オフ値の差異＜０．５）、この推測は一致していると見なす。結果がそれより大きく異なれば、その乖離を説明する必要がある。例えば我々は集団が９０％の打ち切った値を含み、そして線形回帰が０．９の臨床的カット−オフ値を与えるが、ロジスティック回帰が３．５の臨床的カット−オフ値を与えるならば、この例では打ち切るために大すぎる補正がなされ、そして「完全な」考察により与えられた情報が少なすぎるので、線形回帰の結果は信頼性が低いと想定する。

このモデルはブートストラッピングを使用して、または記載した工程を数回反復することにより確認することができる。

あるいはモデルは一致指数（ｃ−指数：ｃｏｎｃｏｒｄａｎｃｅ ｉｎｄｅｘ）を計算することにより確認することができ（Ｈａｒｒｅｌｌ Ｆ．Ｅ．，Ｌｅｅ Ｋ．Ｌ．ａｎｄ Ｍａｒｋ Ｄ．Ｂ．−多変量性の予後モデル：開発中のモデルに関する記事、仮定および妥当性を評価し、そして誤差を測定し、そして減らす（Ｍｕｌｔｉｖａｒｉａｂｌｅ ｐｒｏｇｎｏｓｔｉｃ ｍｏｄｅｌｓ：ｉｓｓｕｅｓ ｉｎ ｄｅｖｅｌｏｐｉｎｇ ｍｏｄｅｌｓ，ｅｖａｌｕａｔｉｎｇ ａｓｓｕｍｐｔｉｏｎｓ ａｎｄ ａｄｅｑｕａｃｙ，ａｎｄ ｍｅａｓｕｒｉｎｇ ａｎｄ ｒｅｄｕｃｉｎｇ ｅｒｒｏｒｓ）−Ｓｔａｔｉｓｔ．Ｍｅｄ．１９９６；１５：３６１−３８７）、これはどのようにすべてのモデルが異なる応答を有する患者間を識別できるかを記載する。

ｃ−指数はモデルの開発に使用したデータ組、およびさらなる試験データ組について計算することができる。２つのｃ−指数間の差異が小さい場合、これはモデルが新しいデータに適用された場合にそれらの推測能力を失わないことを意味する。

モデルを確認する場合に考慮することができるさらなる因子は、生物学的カット−オフ値を使用して決定した見込み比と比べた、臨床的カット−オフ値を使用して定めた見込み比である。これらの比は、カット−オフ値により感受性と標識されるグループ中の応答者となる見込みにより分割された、カット−オフ値により耐性と標識されるグループ中の応答者となる見込みを表す。このように、カット−オフ値がいかに十分に薬剤基準により薬剤について行われるかを評価することが可能である。見込み比が１から離れるほど、耐性種と臨床的成果との間の相関は強力である。上記のように特定される見込み比は、応答者の確率がより高い耐性種の中では小さくなるはずであることから、１よりも小さい数を生じる。言い換えれば、応答の確率は耐性が増加すれば下がる。さらにＣＣＯに関する見込み比がＢＣＯに関する見込み比よりも小さい場合、ＣＣＯは臨床的成果とさらに強く相関し、したがってＢＣＯよりも良い推測を与えると結論することができる。

また、摂取している１つの活性薬剤が多い患者 対 摂取している１つの活性薬剤が少ない患者に関する応答比における差異を検討することも可能である。このように異なるタイプの見込み比は、より少ない活性薬剤を摂取している人に関する見込みに対して、より多くの活性薬剤を摂取している人の応答の見込み比である。この場合、摂取する活性薬剤の数が増加すれば、応答の確率は上がるので、見込み比は＞１となるはずである。この場合、より大きな見込み比が臨床的成果とのより強い相関を表す。本明細書の３６頁に説明するＣＣＯ組を使用した１つのデータセットでは、加えたさらなる活性薬剤あたりの応答に関する見込み比は、臨床的カット−オフ値を使用して算出した時には３．０１であり、そして生物学的カット−オフ値を使用して算出した時には２．３２であった。

ロジスティック回帰のモデルは、見込み比を決定するために使用することができる。使用するモデルは、モデル中の倍数変化を耐性種に置き換えた点を除いて上記のロジスティック回帰のモデルと同じである。モデルから得られる耐性種に関する係数は、ｌｏｇ（見込み比）である。このモデルを使用する利点は、見込み比の推測をベースラインのウイルス負荷量およびバックグラウンド処方のｃＰＳＳスコアに適合させることができる点である。

多数の態様を以下の表に示し、この表は数種の薬剤に関して定義２および線形回帰モデルを使用してモデル化された信頼区間を有するより下およびより上のカット−オフに関する値を与え、そしてＣ−指数およびＣＣＯ見込み比を使用して確認した。

本発明の方法は、各可能な薬剤あるいは疾患耐性と関連していることが知られているか、もしくは疑われ、またはそれに対する耐性が出現すると予想される治療薬について反復することができる。そのように本発明の別の態様に従い、作成された臨床的なカット−オフ値は、各病原体に関して、個々の薬剤または個々の治療薬に対する、または関するカットオフ値のリストとして提示され得る。

本明細書で使用する用語「薬剤」は、限定するわけではないが製薬、殺バクテリア剤、殺菌・カビ剤、抗生物質または抗ガン剤、抗ウイルス剤、抗−バクテアリ抗−菌・カビ剤、抗−寄生虫剤または治療もしくは治療的治療に使用され得る他の化合物または組成物を含む。

「患者」は疾患に罹患しているか、または疾患に関する治療が必要または望まれる生物、特にヒトまたは他の哺乳動物であることができる。患者には、家畜またはペットを含む任意の哺乳動物を含み、そして任意の年齢または発育段階のヒトを含む。倍数変化耐性の分布の関数として治療応答を確立するために有用な患者群は、わずか１０〜５０名の患者、５０〜５００名の患者、またはさらに好ましくは５００名以上の患者から構成される。分布の倍数変化耐性は正規分布（ガウス分布）であることができ、または非ガウス分布であることができる。非正規分布は正規分布を得るために変換することができる。

患者サンプルは、１もしく複数の薬剤に対して耐性があるか、または無い、治療を受けていないか、または治療を体験した個体であることができる。

本明細書で使用する用語「疾患」は、病原体の感染により引き起こされる疾患を称する。本明細書で使用する用語「病原体」は広く使用し、そして病原性微生物のみを指すのではなく、任意の疾患を引き起こす感染源を含む。例には、バクテリア、ヒト免疫不全症ウイルス（ＨＩＶ）、Ｃ型肝炎（ＨＣＶ）またはＢ型肝炎（ＨＢＶ）のようなウイルス、プリオン、藻類、菌類および原生生物および悪性細胞を含む。本発明はＨＩＶのようなウイルス疾患に特に有用である。

本明細書で使用する用語「患者サンプル」とは、病原体により引き起こされる疾患に罹患しているか、または疾患に罹患することが予想される個体から得た任意のサンプルと定義し、そして血液、血清血漿、尿、唾液、精液、乳、糞、粘膜サンプル、細胞培養中の細胞、さらに培養できる細胞、生検サンプル等のような組織を含む。１つの態様では、ＨＩＶに感染した患者について、ウイルスを含有する任意の生物学的サンプルを使用することができる。患者サンプルの中で、病原体自体を使用することができるか、または病原体に由来するタンパク質もしくは核酸を使用することができる。好ましくは病原体はレトロウイルスのようなウイルスである。好ましくは生物学的サンプルは、ＨＩＶ、ＨＣＶ（Ｃ型肝炎ウイルス）およびＨＢＶ（Ｂ型肝炎ウイルス）から選択されるウイルスを含む。別の態様では、ガン患者について、患者サンプルは細胞、組織細胞、変異した細胞、悪性細胞、ガン細胞、全もしくは部分腫瘍、生検組織等を含むことができる。好ましくは病原体は悪性細胞である。「参照サンプル」とは、例えばＨＩＶ の場合はＨＩＶ ＬＡＩ ＩＩＩＢ株のような標準的な研究用の参照病原体と定める。ＨＩＶについて参照の「野生型」配列として一般に使用される１つの株は、ＨＸＢ２である。このウイルスゲノムは９７１８ｂｐを含んでなり、そしてＧｅｎＢａｎｋでの寄託番号ＮＣＢＩ Ｍ３８４３２またはＫ０３４５５（ｇｉ番号：３２７７４２）を有する。特異的な疾患、感染または特異的な病原体により引き起こされる特異的な疾患の分野において、本発明で使用するための参照または野生型配列は、公に利用可能なデータベースから容易に得ることができる。

薬剤に対する「感受性（ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ）」または「感受性（ｓｅｎｓｉｔｉｖｉｔｙ）」とは、薬剤により影響を受ける疾患、および／または病原体の能力を称する。「耐性」とは、疾患および／または病原体が薬剤により影響を受けない程度を称する。薬剤に対する疾患の感受性、感受性または耐性は、ＩＣ_５０値の平均により表すことができる。ＩＣ_５０値は薬剤が存在しない病原体の成長に比べて、所定の薬剤が病原体に成長に減少をもたらす濃度である。薬剤に対する疾患の耐性は、表現型または遺伝子型の改変により生じ得る。遺伝子型の改変には突然変異、単一ヌクレオチド多形、マイクロサテライト変異、および／またはメチル化のような後生的変異まを含む。表現型の変異は遺伝子型の変異により、または翻訳後修飾により影響を受け得る。

薬剤（１または複数）の存在下で、病原体が成長する能力における変化を測定することができる任意の方法を本発明の方法に使用することができる。そのような表現型の型別法には、当業者に既知のすべての方法を含む。既知の遺伝子型の型別法も本発明に応用可能である。

例えば具体的説明の例として、本発明に使用するために適するバクテリアの表現型の型別法は、限定するわけではないが阻止性帯直径（例えばＧｕｏｍｉｎｇ ｅｔ ａｌ．，Ｓｅｘ Ｔｒａｎｓｍ．Ｄｉｓ．２７（２）：１１５−８（２０００）を参照にされたい）、比色表示法（例えばＬｏｚａｎｏ−Ｃｈｉｕ ｅｔ ａｌ．Ｄｉａｇｎ．Ｍｉｃｒｏｂｉｏｌ．Ｉｎｆｅｃｔ．Ｄｉｓ．１９９８ Ｊｕｌ；３１（３）：４１７−２４）を参照にされたい）、およびブロスマクロダイリューション法（ｂｒｏｔｈ ｍａｃｒｏｄｉｌｕｔｉｏｎ ｍｅｔｈｏｄ）（例えばＩｗｅｎ ｅｔ ａｌ．，Ｊ．Ｃｌｉｎ．Ｍｉｃｒｏｂｉｏｌ．３４（７）：１７７９−８３（１９９６）を参照されたい）を含む。

さらなる具体的説明例として、本発明での使用に適する病原体の表現型の型別法には、限定するわけではないがプラーク減少アッセイ、ＰＢＭＣ ｐ２４成長阻止アッセイ（例えばＪａｐｏｕｒ ｅｔ ａｌ．，Ａｎｔｉｍｉｃｒｏｂ．Ａｇｅｎｔｓ Ｃｈｅｍｏｔｈｅｒ．１９９３ Ｍａｙ；３７（５）：１０９５−１０１；Ｋｕｓｕｍｉ ｅｔ ａｌ．，Ｊ．Ｖｉｒｏｌ．６６：８７５−８８５（１９９２））、組換えウイルスアッセイ（例えばＫｅｌｌａｍ ＆ Ｌａｒｄｅｒ，Ａｎｔｉｍｉｃｒｏｂ．Ａｇｅｎｔｓ Ｃｈｅｍｏｔｈｅｒ．３８：２３−３０（１９９４）；およびＰａｕｗｅｌｓ ｅｔ ａｌ．，ＨＩＶ薬剤耐性および治療法に関する第２回国際ワークショプ（２ｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ ＨＩＶ Ｄｒｕｇ Ｒｅｓｉｓｔａｎｅ ａｎｄ Ｔｒｅａｔｍｅｎｔ Ｓｔｒａｔｅｇｉｅｓ）、マジョーレ湖、イタリア、要約５１（１９９８））；抗−ウイルスインヒビターの感受性を評価するためのマーカーとしてのＧＦＰの使用（Ｍａｒｓｃｈａｌｌ ｅｔ ａｌ．，医学及び分子ウイルス学研究所（Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｃｌｉｎ．ａｎｄ Ｍｏｌ．Ｖｉｒｏｌ．）、アーランガー−ニュルンベルグ大学、シュロブガルテン、ドイツ）；および細胞培養アッセイ（Ｈａｙｄｅｎ ｅｔ ａｌ．，Ｎ．Ｅｎｇ．Ｊ．Ｍｅｄ．３２１：１６９６−７０２（１９８９））を含む。

本発明は任意の表現型または遺伝子型を測定する試験、または耐性を測定するアッセイに使用することができるが、以下の説明は本発明のさらに可能な応用を説明するために計画する。

１つの態様では、臨床的カット−オフ値を直接的な表現型アッセイ、例えばＡｎｔｉｖｉｒｏｇｒａｍ（商標）（ヴィルコ社；国際公開第９７／２７４８０号パンフレット、米国特許第６，２２１，５７８号明細書）と提携して使用することができる。このアッセイは管理された研究室の条件下で、現在利用可能な各抗−ＨＩＶ剤に対して患者個体に由来するＨＩＶの耐性レベルを測定する表現型の耐性アッセイである。ウイルスの耐性「挙動」は、未だに同定されていない遺伝子変化を含む多くの異なる突然変異およびそれらの間の相互作用の効果が合わさった結果であり得る。換言すると、これは耐性の直接的測定である。

この試験はすべての利用可能な薬剤に対するウイルス耐性の定量的尺度を提供する。これはＩＣ_５０により表される。次いでこれを完全に感受性の非−突然変異「野生型」ウイルスに関するＩＣ_５０と比較する。次いで採取したウイルスの各薬剤に対する耐性を、野生型と比べたＩＣ_５０における倍数の変化で表す。

本出願に記載する「臨床的カット−オフ値」を報告に加えることにより、医師はもはや臨床的に活性ではなく、そして個別の患者のためには薬剤の最適な組み合わせの選択として役立たない薬剤（１もしくは複数）を同定することができるようになる。１つの態様では、本発明の方法は、本発明の方法は患者の少なくとも１つのＨＩＶ剤に対する耐性を測定するための診断用の道具に関し、これは本明細書で測定されるような該少なくとも１つの薬剤に関する臨床的なカット−オフ倍数変化耐性値を含んでなる。診断用の道具にはＡｎｔｉｖｉｒｏｇｒａｍ（商標）、ＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｉｎｇ（商標）およびＰｈｅｎｏｓｅｎｓｅのような表現型耐性試験を含む。

本発明はテノホビル、ロピナビルおよび国際公開第９９／６７４１７号パンフレット、欧州特許出願公開第９４５４４３号明細書および国際公開第００／２７８２５号パンフレットに開示されている化合物のようなＨＩＶ化合物に対する耐性の決定するための方法を含む。薬剤の他の例は当業者には周知である。

１つの態様では、ＨＢＶに及ぼす薬剤の効果はＩｓｏｍ ｅｔ ａｌ．（国際公開第９９／３７８２１号パンフレット、Ｄｅｌａｎｅｙ ｅｔ ａｌ．，Ａｎｔｉｍｉｃｒｏｂ．Ａｇｅｎｔｓ Ｃｈｅｍｏｔｈｅｒａｐ．２００１，４５（６）１７０５−１７１３）により開示されているような技法を使用して監視することができる。

１つの態様では、治療に向けた薬剤のＨＣＶに及ぼす効果は、Ｒｉｃｅ（国際公開第９７１０８３１０号、同第９８／３９０３１号パンフレット）およびＢａｒｔｈｅｎｓｃｈｌａｇｅｒ（欧州特許第１０４３３９９号明細書）により記載されている技法を使用して測定することができる。

本発明の主目的は、特定薬剤に対する疾患の耐性を推測することである。しかしさらに本発明は、現在適用されている薬剤を評価する方法、およびこれらの薬剤を、その薬剤の効力を評価し、そして代替薬剤（１もしくは複数）を提案するか、または適切であるかどうか薬剤を至適化する視点から監視する方法を包含する。そのような方法には、疾患を引き起こす病原体を含有するサンプルを患者から得、そして次いで上記の本発明の態様の１もしくは複数に記載する工程を行うことを含む。

当業者には本発明が以下の実施例で、ウイルス、特にＨＩＶウイルスについて記載されているが、本発明は遺伝子型の情報を表現型のプロファイルと相関させ、そして倍数変化耐性が臨床的に有意である閾値を評価することが望まれる任意の疾患状態に広い応用性を有することが明白である。当業者はＨＩＶウイルスを用いた本発明の以下の検討を直ちに取り入れ、そして日常的な技術の実行を通して本発明を他の疾患（他のウイルス感染、悪性細胞、ガン、バクテリア感染、他の病原体等のような）に応用して、遺伝子情報を予想される表現型応答と相関させ、薬剤耐性を評価し、そして最終的に特定の患者に関する薬剤の治療法を開発することができる。また当業者は、多くのウイルス種が多くの株から構成されていることを知っており；例えばＨＩＶはＨＩＶ−１に加えてＨＩＶ−２を含んでなり、そして両群ともさらなる群に分割される（ＨＩＶ−１についてはＯおよびＭ群のような）。

上記方法は診断法である。本発明のさらなる観点では、上記の本発明の任意の１つの診断法を行うための診断キットを提供する。さらに本発明は任意の上記方法に使用するために、本明細書に記載するような診断系に関する。

さらに別の態様に従い、本発明は疾患を引き起こす病原体の薬剤に対する臨床的応答を推測する診断系に関し、これは：ａ）疾患を生じる病原体の遺伝子配列を得るための手段；ｂ）疾患を生じる病原体の遺伝子配列中に少なくとも１つの突然変異を同定するための手段；ｃ）遺伝子型の登録を含んでなる遺伝子型データベース手段；ｄ）患者の表現型の倍数変化応答値を含んでなる表現型データベース手段；ｅ）参照サンプルの患者について、薬剤治療データに対する臨床的応答を含んでなる臨床的応答データベース手段；ｆ）遺伝子型の登録を表現型と相関させる相関手段、ここで遺伝子型の登録は疾患を生じる病原体の得られた遺伝子配列に対応する；ｇ）患者の倍数変化応答がカット−オフ値の上かどうかを決定することにより、疾患を生じる病原体の薬剤に対する臨床的応答をモデル化する手段、ここでカット−オフ値は臨床的応答データベース手段を使用して決定され、そして臨床的に関連する減少した臨床的応答が観察される倍数変化応答値を含んでなる；およびｈ）患者の倍数変化応答がカット−オフ値の上であるかどうかを決定することにより、疾患の薬剤に対する臨床的応答を推測する手段を含んでなる。

上記のようにカット−オフ値は、ベースラインの病原体負荷量、ベースラインの倍数変化耐性、病原体を標的とする同時投与薬剤のベースライン活性および治療歴を考慮して、治療個体を対象とした治療応答データの関数として定められる。耐性を推測する手段は好ましくはコンピューター手段である。

本発明のさらなる観点は、上記の本発明の任意の１つの方法を行うために適合されたコンピューター装置またはコンピューターに基づくシステムに関する。

本発明の好適な態様では、該コンピューター装置は、データを保存するために適合したメモリー手段を包含する処理手段；特定の疾患を引き起こす病原体により表される遺伝子型に関連するデータを入力するための手段；および上記の本発明の任意の１つの態様による方法を行い、疾患を引き起こす病原体の薬剤に対する耐性の推測を出力するために適合した該コンピューターのメモリー中に保存されたコンピューターソフトウェア手段を含んでなることができる。

本発明のこの観点のコンピューターシスステムは、中央処理ユニット；要求を入力するための入力デバイス；出力デバイス；メモリー；および中央処理ユニット、メモリー、入力デバイスおよび出力デバイスに連結された少なくとも１つのバスを含んでなることができる。メモリーは、疾患を引き起こす病原体の薬剤に対する応答をモデル化するための要求を受けると、上記の本発明の任意の１つの方法に列挙した工程を行うように設定されたモジュールを保存すべきである。

本発明のこれら態様の装置およびシステムでは、データはメモリーまたはディスクドライブのようなローカルサイトから、あるいはインターネットのようなネットワーク上でアクセスしたリモートサイトからデータをダウンロードすることにより入力することができる。データは必要によりキーボードにより入力してもよい。

作成された結果は、任意の都合が良い形式で、例えばプリンター、ワードプロセッシングプログラム、グラフィックビューイングプログラム、またはスクリーンディスプレイデバイスに出力することができる。他の好都合な形式は当業者に明白である。

疾患を引き起こす感染源の薬剤に対する耐性を予想するように適合された手段は、好ましくはコンピューターソフトウェア手段を含んでなる。当業者は、いったん新規および革新的な本発明の教示が認められれば、多くの異なるコンピューターソフトウェア手段をこの教示を実行するために計画することができると考えるだろう。

さらに本発明の観点に従い、コンピューターと提携して使用するためのコンピュータープログラム製品が提供され、該コンピュータープログラムは、コンピューターが読み取り可能な保存媒体およびその中に取り込まれたコンピュータープログラムメカニズムを含んでなり、コンピュータープログラムメカニズムは、疾患の薬剤に対する耐性を推測するための要求を受けると、上記の本発明の任意の１つの方法に列挙された工程を行うように設定されたモジュールを含んでなる。

さらに本発明は、システム、コンピュータープログラム製品、ビジネスメソッド、サーバー側および顧客側のシステム、および上記方法の結果の作成、提供および伝達法に関する。

これから本発明を、本発明の方法を実施する具体的系を特定参照を用いた実施例により記載する。当業者にはこの具体的に説明する態様からの変更は、もちろん本発明の範囲から逸脱せずに可能であることを認識している。

臨床的カット−オフ値の決定の工程説明
工程１：臨床的データベースおよび分析データ組
テノホビルを含む処方を受け、そして患者のベースラインの個体群統計学的特性、ウイルス負荷量および耐性データ（倍数変化）を含む臨床的成果からなる患者に関する実験のデータベースを引き出し、メタ−分析を可能にする通常の構造に従い再マップした。構造は、ベースライン配列、ウイルス負荷量データ組、ウイルス負荷量測定およびサンプリングデータ（例えば新しい処方の開始から３か月以内のウイルス負荷量、および新しい処方を始めてから８および／または２４週間後のウイルス負荷量の評価）、ＣＤ４＋カウントおよびサンプリングデータを含むＣＤ４＋データセット、種々の抗ウイルスに対する倍数変化およびサンプリング日を含む耐性データ組；年齢、性別、人種、治療歴のような患者情報を含む患者のデータ組；薬剤処方、開始および終了日、用量、配合、摂取頻度、耐性試験後の処方の変更を含む治療データセットからなった。そのような臨床データベースの構造は、図１ａに見ることができる。以下の表は、個々の薬剤に関する分析データセット（８週目の結果）の特徴の例を示す。

図１ｂは、ｄ４Ｔに関する分析データセットの例を示す。ウイルス負荷量応答データは、打ち切った（＜４００個のコピー／ｍｌ）値を含む。元になる打ち切っていない分布のパラメーターは、ＳＡＳ（ｐｒｏｃ ｌｉｆｅｒｅｇ）における最大の見込み予想により推測された。ウイルス負荷量応答データは、ベースラインウイルス負荷量およびｃＰＳＳについて補正される。
工程２：モデル化
臨床的成果の結果（ウイルス負荷量および応答率の低下）は、バーチャルな表現型（国際公開第０１／７９５４０号および同第０２／３３４０２号パンフレット；ならびにｈｔｔｐ：／／ｗｗｗ．ｖｉｒｃｏｌａｂ．ｃｏｍも参照にされたい）により決定したようなベースラインの倍数変化（ＦＣ）の関数としてモデル化された。適用したモデルも、線形回帰、ロジスティク回帰および分類系図であった。またこれらのモデルは、同時のＨＩＶ剤（ＰＳＳ）の効果、ベースラインウイルス負荷量（ベースラインＬｏｇ（Ｖｌ）_ｉ）、そして場合により重要な特性の不均衡により導入される偏りを回避するための治療歴を考慮する。このモデルから、臨床的成果の推測は、異なるレベルのベースライン倍数変化耐性で行うことができた。

線形回帰のモデルでは、提案される式は以下の通り：

式中、ｉは患者を表し、β０は切片、β１、β２およびβ３係数はそれぞれ、ベースラインｌｏｇＶＬの単位増加あたりのｌｏｇウイルス負荷量の低下における増加、バックグラウンド処方における感受性薬剤の数、およびベースライン倍数変化の逆数を示した。ζ_ｉは無作為の誤差項であり、モデルにより推測される値から患者の偏差を示した。すべての因子間の相互作用を評価し、そして他のベースライン特性、すなわち治療歴を関連がある場合には加えた。回帰モデルを適用した後、図２ａに表す曲線を得た。

ベースラインの表現型耐性の関数として、８週目のウイルス負荷量応答の線形回帰モデルを示す曲線の例を、図２ｂおよび２ｃに示す。示す曲線は、ｌｏｇベースラインウイルス負荷量＝４．０、そしてバックグラウンド処方に関する２．０のｃＰＳＳスコアを持つ個体について示す。図２ｂは、ヌクレオシド（チド）ＲＴインヒビターに関するモデルを示す（ＦＣ＝５で上から下へ、各曲線はｄ４Ｔ；ＴＤＦ；ｄｄＩ；ＥＣ；ＡＢＣ；３ＴＣおよびＡＺＴ）。図２ｃは追加投与したか、および追加投与していないプロテアーゼインヒビター（ＦＣ＝１０で上から下へ、各曲線は：上左グラフ−ＮＶＰおよびＬＰＶ／ｒ；上右グラフ−ＩＤＶおよびＩＤＶ／ｒ；下右グラフ−ＳＱＶ／ｒおよびＳＱＶ；下左グラフＡＰＶ／ｒおよびＡＰＶを示す）に関するモデルを示す。

非ヌクレオシド（チド）ＲＴインヒビターに関する臨床的成果のモデル化を含む基本的論点は、ベースライン倍数変化がＮＮＲＴＩ体験患者における現行のＮＮＲＴＩに対する治療応答にほとんど効果が無い点である。ネビルピンのＮＮＲＴＩについて、倍数変化値の偏り（ｐｏｌａｒｉｓａｔｉｏｎ）が観察される（図２ｄを参照）。さらにエファビレンズについては、倍数変化値の極端に広い分布が観察される（図２ｅを参照）。

線形回帰モデルの好適な態様では、ウイルス負荷量応答のさらに洗練された予想を得るために、より多くの因子が含まれる。これらの因子には、例えばバックグラウンド治療の全体的な感受性スコアに加えて、薬剤種毎の感受性スコア（ｃＰＳＳ）、薬剤に対する事前の暴露（暴露されていないか（イエス／ノー）、ＰＩに対して暴露されていないか、ＮＲＴＩに対して暴露されていないか等）を含む。さらに好適な態様では、倍数変化は数値をモデルに挿入する前に変換される。倍数変換に対する変換は、ＦＣ^−３からＦＣ^１の範囲でのべき乗変換を含んでなる。さらにｃＰＳＳでの２次項も好ましく加えられる。

したがって、上で与えた式のより一般的な形は：

と表現することができ、ここでｐはべき乗変換（例えば−３から１の範囲）、そしてＨ_５〜Ｈ_ｎは治療歴パラメーター（例えば抗レトロウイルス治療をうけていない、ＮＲＴＩ治療を受けていない等）、または特定の治療薬の種類（例えば調査中の薬剤と一緒に摂取した活性なＮＲＴＩの数）の関数としてバックグラウンド治療を説明するパラメーターである。

このモデルを使用して算出される線形回帰モデルを示す曲線の例は、図２ｆおよび２ｇに示される。ここでデータの提示は、ウイルス負荷量の低下ではなく好適なＣＣＯ定義について算出されるような応答％がプロットされる点で異なる。

ロジスティック回帰では、提案される式は以下の通り：

ここでβ１、β２およびβ３は、モデル中の対応する因子に関するｌｏｇ成功の見込み比を表した。ロジスティック回帰モデルを適用した後、図５ａおよび７に表す曲線を得た。分類系図モデルでは、患者を成功（治療後の検出できないウイルス負荷量）および失敗に分類するために、系図の構造化法則を構築した。他の技法と同じパラメーターを考慮した。図８に示す系図が、分類系図モデル適用した後に得られた。

検出限界未満のウイルス負荷量の結果が得られる場合、ウイルス負荷量の低下を計算し、そしてこれらを線形回帰モデルで使用した時に検出限界値が考えられるならば、偏りを導入することができる。これを回避するために、打ち切りを考慮することが必要となり、したがってＳＡＳパッケージ中のＰＲＯＣ ＬＩＦＥＲＥＧ機能（ｆａｃｉｌｉｔｙ）を利用した。

この回帰モデルの利点は、データに存在する最大量の情報を考慮することであり、すなわち具体的な臨床的応答と具体的な倍数変化を相関させることである。これに対して他の２つのモデルは、患者を２つの群（成功対失敗）にまとめ、これは同じ群中の応答における差異を考慮していない。モデルでは共変量に関する推測を補正し（例えばバックグラウンド処方）、したがって推測は共変量における不均衡に悩まされない。結論は臨床的データベースで表される共変量を持つ患者に限定される。

ロジスティック回帰は打ち切りの問題に煩わされず、そして成功の確率は臨床的成果を解釈する直観的方法である。しかしウイルス負荷量を成功および失敗に入れる（ｂｉｎｎｉｎｇ）ことにより、連続的に変動し得るウイルス負荷量の情報の一部が失われる。また推測は、線形回帰のように共変量についても補正される。

分類系図は大変視覚的であり、そして解釈し易いが、それらは決定が他の関連するパラメーターの値を考慮していないという欠点を有する。これは他のパラメーターに関する不均衡が特定のパラメーターについて採用した決定に影響を及ぼし得ることを意味する。しかしそれらは幾つかのパラメーターの重要性における洞察を提供し、そしてこれは他の取り組みの適応工程に役立ち得る。図８ａ、８ｂおよび８ｃは分類系図の例を示す。図８ｂは３ＴＣに関する分類系図を示し、一方図８ｃはＴＤＦに関する分類系図を示し、失敗した処方を成功と分類するコストが、成功した処方を失敗と分類する経費の１．５倍であると見積もる。
工程３：臨床的カット−オフ値の決定
臨床的応答は、前の工程２で開発したモデルで推測された。この取り組みは薬剤あたり２つのカットオフ値を同定することである。応答が失われ始める倍数変化を表す「より下の」カットオフ値、および応答が本質的に無くなる倍数変化を表す「より上の」カットオフ値。臨床的に関連する減少した臨床的応答が観察できる倍数変化を決定するために、３つの臨床的カット−オフ値の定義が考えられた。
定義１：
感受性：予想されるウイルス負荷量の低下が０．６ｌｏｇより大きい。
中程度の耐性：予想されるウイルス負荷量の低下が０．２と０．６ｌｏｇの間。
耐性：予想されるウイルス負荷量の低下が０．２ｌｏｇ未満。

低いおよび高いカットオフ値は、それぞれ＞０．６および＜０．２の予想されるｌｏｇウイルス負荷量低下の倍数変化として定義される。

この臨床的カット−オフ値の定義は、併用療法全体の効力を取り扱い、そして分析した具体的な患者の処方の特性に高度に依存している。
定義２：
最大効果は、倍数変化１での治療効果と定義され、そして最小効果は大変高い倍数変化（すなわち曲線がプラトーに達した場合）での治療効果と定義された。次いで効果範囲は、最大効果と最小効果間の差異であった。
感受性：予想される治療効果が効果範囲の８０％より高い。
中程度の耐性：予想される治療効果が効果範囲の２０％から８０％の間。
耐性：予想される治療効果が効果範囲の２０％未満。

低いおよび高いカットオフ値はそれぞれ、処方中の薬剤の参照活性の予想される２０％および８０％低下に関連する倍数変化と定義する。

定義２を使用して得られたカットオフ値は、治療方法全体の効力を扱ってはおらず、むしろ処方中の薬剤の活性の推測を与える。ウイルス負荷量の低下の絶対的規模は、特異的な共変量に依存する。
定義３：
定義３は定義２の変形であった。より下のカット−オフ値は、患者を成功と不成功治療との間で最も最適に識別する倍数変化と定義された。

定義３を使用すると、分類系図により決定される分岐点は、倍数変化が最初の枝で選択されない限り患者のサブセットにのみ応用可能である。分類系図は解釈し易いが、カットオフ値は処方全体または処方中の薬剤について推測されるウイルス負荷量の低下の規模を示さない。線形およびロジスティック回帰モデルにより決定される分岐点は、追加投与されるプロテアーゼインヒビターを除いて定義２により定められるより下のカットオフ値に近い。

この方法を、テノホビルの外に２種の活性薬剤を摂取し、そして４のベースラインＬｏｇ（Ｖ１）のベースラインを持つ集団についてテノホビルに適用した。

我々が定義１を線形回帰モデルに適用する場合、ｌｏｇウイルス負荷量において観察される低下は、倍数変化３．７３で−０．６であった（図３ａ）。この集団は、テノホビルについて高いベースラインの倍数変化でも０．２より高いＬｏｇ（ＶＬ）における低下を体験したので、高いカット−オフ値は引き出せなかった。これはこの集団における活性なバックグラウンド処方により説明することができた。

我々が定義２を線形回帰モデルに適用する場合（図４ａ）、ｌｏｇウイルス負荷量において観察される低下は、倍数変化１で−１．４８であり、そして漸近的な倍数変化で−０．２８であった。したがって効果範囲は−０．２８＋１．４８＝１．２であった。

この効果範囲の２０％が倍数変化５で観察された（そしてこの値はより上の臨床的カット−オフ値と考えられた）。

この効果範囲の８０％が倍数変化１．２５で観察された（そしてこの値はより下の臨床的カット−オフ値と考えられた）。

この回帰モデルに従い耐性を推測するために、我々は患者の倍数変化耐性が定義２に従い算出される臨床的カット−オフ値のより上、より下または間であるかどうかを決定した。そのように患者のＦＣが０．８である時（より下の臨床的カット−オフ値を下回る）、正常な臨床的応答が推測された。患者のＦＣが２である場合（より下の臨床的カットオフ値を上回り、より上の臨床的カットオフ値を下回る）、減少した臨床的応答が予想された。ＦＣが７である場合（臨床的カット−オフ値を上回る）、臨床的応答は最小と推測された。

また定義２はロジスティックモデルに適用され（図５ａ）、そしてこれは１．２ＦＣで低いカット−オフ値を生じ、そして３．８１ＦＣで、より高いカット−オフ値を生じた。定義３の結果は図６および７に表す。

処方中に２種の活性薬剤、そして４のベースラインＬｏｇ（ＶＬ）を有する集団に関するテノホビルの結果を、以下の表にまとめる。

表から、テノホビルの外に２種の活性薬剤を摂取し、そして４のベースラインＬｏｇ（ＶＬ）を有する患者集団に関して、定義に関する低いカット−オフ値は１．２であり、そして高いカット−オフ値は３．８１から５の範囲であることを導くことができる。異なる定義により決定されるカット−オフ値における変動は、ＰＳＳおよびｌｏｇＶＬのような共変量の異なる影響の結果である。すなわち共変量の影響は、定義１を使用する場合に有意であり、そして定義２を使用する場合には有意性が低い。

定義１は線形回帰モデルにのみ適用することができる。適用１を使用して決定した臨床的カット−オフ値は、サブグループの特性に高度に依存している。これは定義１が薬剤処方全体の効力を説明する一方、定義２は考察している薬剤の活性およびその耐性プロファイルのみに関連しているという事実によるものである。換言すると、調査中の薬剤と一緒にバックグラウンド処方の活性は、患者が体験するであろうウイルス負荷量の低下を定め、したがってカット−オフ値のバックグラウンド処方依存性を定める。バックグラウンド処方の活性は深い様式（ｐｒｏｆｏｕｎｄ ｗａｙ）で耐性プロファイルを変化させず、したがって臨床的カット−オフ値は集団の特性でそれほど変動することはない。

線形回帰およびロジスティック回帰の両モデルは、定義２について類似の結果を与える。

我々が定義１を、５のｌｏｇベースラインウイルス負荷量の患者、およびｄＴ４（スタブジン）に加えて２種の活性薬剤を摂取しているすべての患者について、線形回帰モデルに適用する場合、ｄＴ４の任意の倍数変化について０．６ｌｏｇコピー／ｍＬよりも高いウイルス負荷量の低下が予想される（図３ｂを参照）。ウイルス負荷量の低下は、５のｌｏｇベースラインウイルス負荷量の患者、およびｄＴ４に加えてさらなる活性剤を摂取していない患者について、２．６および４．０の倍数変化で−０．６ｌｏｇおよび−０．２ｌｏｇになると予想される（図３ｂ）。

ロピナビル／ｒについて定義２を使用して決定されたより下およびより上のカットオフ値は、ウイルス負荷量が線形回帰を使用してモデル化される場合には全集団についてそれぞれ８および６９で図４ｂにて示されるが、失敗率がロジスティック回帰を使用してモデル化される場合、４／２、５／０および５／２のｌｏｇベースラインＶＬ／バックグラウンドＰＳＳの集団については、より下およびより上のカット−オフ値はそれぞれ１１および６４、１０および６０、そして９および５８である（図５ｂを参照）。ＰＳＳはこの例では統計的に有意ではない。

ロジスティックモデルについて、追加投与したサキナビルに関して定義２を使用して決定したより下およびより上のカットオフ値は、それぞれ４／２および５／０のｌｏｇベースラインウイルス負荷量／バックグラウンド処方に関する表現型感受性スコアの集団について、それぞれ１．７および１３．２、そして１．７および１２．９であった。サキナビル／ｒに関する線形回帰による下および上のカットオフ値は、全集団についてそれぞれ１．６および１２．３であった。

ＡＺＴについて定義２を使用して決定したより下およびより上のカットオフ値は、ウイルス負荷量が線形回帰を使用してモデル化される場合に図４ｃおよび４ｄに示す。図４ｃはウイルス負荷量 対 倍数変化を示すが、図４ｄは参照応答の損失％ 対 倍数変化を表す。

さらに＞１３，０００名の患者に関する記録を用いた試験は、追加投与したＳＱＶソフトゲルを含む６０処方から３ＴＣを含む１５４６の範囲の、必要なベースラインおよび成果変動量を持つ〜３１５０処方を生じた。ｌｏｇベースラインウイルス負荷量の中央値は、３．８（テノホビルを用いた処方）から４．７（追加投与したインジナビルを用いた処方）の範囲であった。バックグラウンド処方のＰＳＳ中央値は、２であった（範囲０−７）。以下の表は、予備的な線形回帰分析からヌクレオシド（チド）および追加投与した、および追加投与しないプロテアーゼインヒビターについて、予備的ＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標）臨床的カットオフ値の結果を示す。最大応答と比べて８週目のウイルス学的応答の２０％減少およびウイルス学的応答の８０％減少に関連する倍数変化値を、四角い括弧中に９５％の信頼区間で示す。

同様の値をロジスティック回帰モデルで決定した。個々の患者に関するウイルス学的応答の規模はウイルス負荷量およびＰＳＳのような共変量により影響を受け、効果範囲の画分に関連するＦＣ値には影響を受けなかった。

さらなる試験結果は、８週間後に２０％減少した応答に関する臨床的カットオフ値は低いが（追加投与しないＰＩについて１．１〜１．２）、野生型の臨床的単離物について推測されるＶｉｒｃｏ型の倍数変化よりも高かった（ＮＲＴＩについては０．７３（ＡＢＣ）〜１．０７（ＡＺＴ）、ＰＩについては０．６３（ＡＰＶ）〜０．８７（ＮＦＶ）。８０％減少した応答に関する臨床的カットオフ値は、追加投与しないＰＩについて３．４（ＡＰＶ、ＩＤＶ）であった。追加投与したＰＩに関する臨床的カットオフ値は高かった：２０％減少については１．５（ＡＰＶ／ｒ）、そして８０％減少については６．８（ＡＰＶ／ｒ）。分析した治療法の中で、これらの臨床的カットオフ値により定められるクラスの感受性は、薬剤を含む処方に対して異なる率のウイルス学的応答（８週目のＢＱＬについて、１．０ｌｏｇよりも大きいウイルス負荷量の低下）を示した：より低い臨床的カットオフ値を下回る倍数変化については７０〜９２％、より上とより下の臨床的カットオフ値の間の倍数変化については３９〜６８％、そしてより上の臨床的カットオフ値より高い倍数変化については１８〜５０％。

別の例では、以下の線形回帰モデルをｄ４Ｔについて使用し、Ｌｏｇ（ベースラインＶＬ）＝４、下の参照倍数変化＝０．９、そして上の参照倍数変化＝３、ｃＰＳＳ＝２、ＰＳＳ［ＮＲＴＩ］＝１そしてＮＲＴＩ［ナイーブ］＝０の時に、臨床的カットオフ定義２を用い、以下の線形回帰を使用する：

ＮＲＴＩ［ナイーブ］値は、患者がヌクレオシドＲＴインヒビターを受けていない（ナイーブ）かどうかを表す値である。イエスの場合、値＝１であり、ノーならば値＝０である。ＰＳＳ［ＮＲＴＩ｝は、ＮＲＴＩに関する表現型の感受性スコアを表し、すなわち患者に関するバックグラウンド処方において活性なＮＲＴＩの数を表す。
工程１：下の参照ＦＣ（薬剤が完全に活性である）でのＶＬ低下を算出し、そして上の参照ＦＣ（薬剤の最小活性）でのＶＬ低下を算出する。これにより−２．９４の下のＶＬ低下、そして−２．０３の上のＶＬ低下が導かれる。
工程２：薬剤がその活性を２０％失った時のＶＬ低下、および薬剤がその活性の８０％を失った時のＶＬ低下を算出する。これにより２０％に関してはＶＬ低下＝−２．７６、そして活性の８０％損失に関しては−２．２１の値を与える。
工程３：上記式にＶＬ低下に関する値を挿入し、そしてＦＣを計算することにより２０％および８０％活性損失でのＶＬ低下に等しい倍数変化を決定する。これにより１．０８および２．１８のＦＣ値を与える。その結果、ｄ４Ｔに関するより下およびより上の臨床的カットオフ値は、それぞれ１．１および２．２とモデル化される。
工程４：カット−オフ値の確認
このモデルはブートストラッピングを使用し、そして上記工程を数回繰り返すことにより確認した。ブートストラッピングは、元の集団と同じサイズの偽集団を、元の集団から無作為にサンプルを引き出すことにより作成する再サンプリング技法である。これら各集団の分析は、臨床的カットオフ値の標本変動性（ｓａｍｐｌｉｎｇ ｖａｒｉａｔｉｏｎ）の意味を与える。

図９は９０％の信頼区間を有するブートストラッピングにより、ヌクレオシド（チド）および追加投与した、および追加投与しないプロテアーゼインヒビターに関する予備的ＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標）臨床的カットオフ値の初期の確認を示す。

問題は確固とした分析結果を評価するために異なる観点から取り組む。得られた臨床的カット−オフ値は、さらなるデータ組を加え、そして患者の特性をさらに考慮することによりさらに洗練させることができる。また得られた臨床的カット−オフ値は、未知のデータについてこのモデルを使用することによりさらに洗練させることもできる。

モデルの別の確認法には、すべてのモデルがどのように異なる応答の患者間を識別できるのかを記載する一致指数（ｃ−指数）の計算を含む。このｃ−指数はモデルを開発するために使用したデータ組および試験データ組について計算される。２つのｃ−指数間の差異が小さければ、これはモデルが新しいデータに適用された場合、モデルがそれらの推測能力を失わないことを意味する。以下の表は、バックグラウンド治療の全体的な感受性スコア、および薬剤に対する事前の暴露（例えばナイーブ、ＰＩに対してナイーブ、ＮＲＴＩに対してナイーブ）に加えて、さらに種類毎の感受性薬剤の因子を含む線形回帰の好適な態様を使用してモデル化した場合、試験した各薬剤に関する確認手順に関する情報を含む。試験データのｃ−指数および確認データのｃ−指数カラムは、確認目的のための元の試験データ組および新たなデータ組に関するｃ−指数に関連する。モデル化した臨床的カットオフ値の下および上の値に、対応する信頼区間を引用する。

ＣＣＯ見込み比およびＢＣＯ見込み比と表題を付けたカラムは、カットオフ値により耐性と標識された群内の応答者の見込みを、カットオフ値により感受性と標識された群内の応答者の見込みで除算した商を表す。例えば耐性群内に４名の非応答者および１名の応答者があり、感受性群内に４名の応答者および２名の非応答者があれば、耐性群内の応答者の見込みは１：４＝０．２５であり、そして感受性群内の応答者の見込みは４：２＝２である。これは見込み比＝０．２５／２＝０．１２５を意味している。換言すると、耐性群内の応答者の見込みは感受性群内の応答者の見込みの０．１２５倍である。見込み比が１から離れるほど、耐性クラスと臨床的成果との間の相関が強い。

群内の乖離（耐性／感受性）は、臨床的カットオフ値または生物学的カットオフ値に基づき行うことができる。これは臨床的カットオフ値（ＣＣＯ）に基づく見込み比および生物学的カットオフ値（ＢＣＯ）に基づく見込み比を比較できることを意味している。ＣＣＯに関する見込み比がＢＣＯに関する見込み比よりも小さい場合、ＣＣＯがＢＣＯよりも良い推測を与えることを意味する。

実際にロジスティック回帰モデルは、見込み比を決定するために使用される。使用したモデルはモデル中の倍数変化が耐性クラスに置き換えられる点を除いて、前に記載したロジスティック回帰モデル同様である。モデルから得られる耐性クラスに関する係数は、ｌｏｇ（見込み比）である。このモデルを使用する利点は、見込み比の予想がベースラインのウイルス負荷量およびバックグラウンド処方のｃＰＳＳスコアについて調整できる点である。１つのデータセットについて、本明細書の３６頁で述べたＣＣＯ組を使用して、さらに加えた活性薬剤についての応答に関する見込み比は、臨床的カットオフ値を使用して算出した時に３．０１であり、そして生物学的カットオフ値を使用して算出した時に２．３２であった。これらの見込み比は、より少ない活性薬剤を摂取している人に関する見込みに対して、より多くの活性薬剤を摂取している人に関する応答の見込み比である。ここで見込み比は、応答の確率が摂取している活性薬剤数が増えれば上がるので＞１となるべきである。この場合、より大きな見込み比は臨床的成果とのより強い相関を示す。

図１ａは、本発明で使用する臨床的データベースの構造例である。図１ｂは、ｄ４Ｔに関する例示的な分析データセットである。 図２ａは、打ち切った、および打ち切っていない観察を表す線形回帰曲線の例であり、ここでｌｏｇウイルス負荷量の低下は、ベースライン倍数変化耐性の関数としてモデル化される。図２ｂは、ヌクレオシド（チド）ＲＴインヒビターに関するベースライン表現型耐性の関数として、８週目のウイルス負荷量応答の線形回帰曲線の例である。図２ｃは、追加投与した、および追加投与していないプロテアーゼインヒビターに関するベースライン表現型耐性の関数として、８週目のウイルス負荷量応答の線形回帰曲線の例である。図２ｄは、ネビルピン（ＮＶＰ）のＮＲＴＩに関する、ウイルス負荷量 対 ベースライン倍数変化における変化の例である。図２ｅは、エファビレンズ（ＥＦＶ）に関する、ウイルス負荷量 対 ベースライン倍数変化における変化の例である。図２ｆは、ヌクレオシド（チド）インヒビターに関して、ベースライン耐性の関数としての応答％としてプロットされた薬剤効果である。図２ｇは、追加投与した、および追加投与していないプロテアーゼインヒビターに関して、ベースライン耐性の関数としての応答％としてプロットされた薬剤効果である。 図３ａは、ＴＮＦに関する線形回帰曲線の例であり、ここでｌｏｇウイルス負荷量の低下は、ベースライン倍数変化耐性の関数としてモデル化され、そして臨床的カット−オフ値の第１定義を適用する。図３ｂは、ｄ４Ｔに関する線形回帰曲線の例であり、ここでウイルス負荷量の低下は、倍数変化の関数としてモデル化され、そして臨床的カット−オフ値の第２定義を適用する。 図４ａは、ＴＤＦに関する線形回帰曲線の例であり、ここでｌｏｇウイルス負荷量の低下は、ベースライン倍数変化耐性の関数としてモデル化され、そして臨床的カット−オフ値の第２定義を適用する。図４ｂは、ウイルス負荷量が線形回帰を使用してモデル化される場合、ロピナビル／ｒについて定義２を使用して決定された下および上のカットオフ値の例である。図４ｃは、ウイルス負荷量が線形回帰を使用してモデル化される場合、ＡＺＴについて定義２を使用して決定された下および上のカットオフ値の例である。曲線はウイルス負荷量 対 倍数変化におけ変化を示す。図４ｄは、ウイルス負荷量が線形回帰を使用してモデル化される場合、ＡＺＴについて定義２を使用して決定された下および上のカットオフ値の例である。曲線は参照応答の損失％ 対 倍数変化を示す。 図５ａは、ＴＮＦに関するロジスティック回帰曲線の例であり、ここで失敗の確率はベースライン倍数変化耐性の関数としてモデル化され、そして臨床的カット−オフ値の第２定義を適用する。図５ｂは、失敗率がロジスティック回帰を使用してモデル化される場合、ロピナビル／ｒについて定義２を使用して決定された下および上のカットオフ値の例である。 ＴＮＦに関する線形回帰曲線の例であり、ここでｌｏｇウイルス負荷量の低下はベースライン倍数変化耐性の関数としてモデル化され、そして臨床的カット−オフ値の第３定義を適用する。 ＴＮＦに関するロジスティック回帰曲線の例であり、ここで失敗の確率はベースライン倍数変化耐性の関数としてモデル化され、そして臨床的カット−オフ値の第３定義を適用する。 図８ａは、ＴＮＦに関する分類系図の例である。これは線形およびロジスティック回帰法と同じ次元の結果を与える。図８ｂは、３ＴＣに関する分類系図の例である。図８ｃは、ＴＤＦに関する分類系図の例であり、失敗処方を成功と分類するコストは、成功処方を失敗と分類するコストの１．５倍と仮定する。 ヌクレオシド（チド）および追加投与した、および追加投与しないプロテアーゼインヒビターに関する予備的なＶｉｒｔｕａｌＰｈｅｎｏｔｙｐｅ（商標）の臨床的カットオフ値の、９０％信頼区間を有するブートストラッピングによる初期確認の例である。

Claims (18)

1. 病原体により引き起こされる疾患の薬剤に対する治療応答を推測するための方法であって、臨床的応答の臨床的に関連する変動が観察される倍数変化耐性値である臨床的カット−オフ値に対して、病原体に感染している患者の倍数変化耐性値を比較することを含んでなり、ここで臨床的カット−オフ値が、病原体に感染している患者の倍数変化耐性の関数として、病原体により引き起こされる疾患に対して薬剤で治療した患者集団の臨床的応答をモデル化することにより確立され、
   ここで、倍数変化耐性値は、ａ）薬剤に関して患者サンプルの感受性を測定し；ｂ）薬剤に関して参照サンプルの感受性を測定し；ｃ）そして工程ｂ）で得た感受性に対する工程ａ）で得た感受性の商を計算することにより決定され、
   また、ここで、疾患を引き起こす病原体が、血液サンプル、生検サンプル、血漿サンプル、唾液サンプル、組織サンプルおよび体液または粘膜サンプルから選択される患者のサンプルから得られる、
   上記方法。
2. カット−オフ値が、ベースラインの病原体負荷量、ベースラインの倍数変化耐性および病原体を標的とする同時投与薬剤のベースライン活性を考慮して、治療個体を対象とした治療応答データの関数として定められる請求項１に記載の方法。
3. カット−オフ値が病原体負荷量の低下を参照にして算出される請求項１に記載の方法。
4. カット−オフ値がｌｏｇ病原体負荷量の低下を参照にして算出される請求項３に記載の方法。
5. ｌｏｇ病原体負荷量の低下が、治療応答データのデータセットからのデータを使用して線形回帰分析を行うことにより算出され、ここで病原体に感染している患者ｉに関するｌｏｇ病原体負荷量の低下ＬｏｇＰＬ ｄｒｏｐ_iは以下の式：
   

   

   ここで、ベースラインＰＬ_iは薬剤による治療の開始に測定された患者の病原体負荷量を表し、
   ＰＳＳ_iは、処置応答への要因がモデル化される薬剤を除いて、患者へのバックグラウンド治療方法において活性な薬剤の数を表す表現型感受性スコアであり、
   ＦＣ_iはベースラインの倍数変化耐性であり、
   β₀は切片であり、
   β₁はベースラインＰＬ_iの対数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を表す係数であり、
   β₂はバックグラウンド治療方法において、感受性薬剤数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を示す係数であり、
   β₃はＦＣ_iの逆数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を示す係数である、
   に従い病原体負荷量の低下に影響を与える因子に関する個別要因の総和としてモデル化され、そして誤差項ε_iは、モデル化した推測と実験的に決定した測定との間の差異を表す、請求項４に記載の方法。
6. ｌｏｇ病原体負荷量の低下が、治療応答データのデータセットからのデータを使用して線形回帰分析を行うことにより算出され、ここで病原体に感染している患者ｉに関するｌｏｇ病原体負荷量の低下ＬｏｇＰＬ ｄｒｏｐ_iは以下の式：
   

   

   ここで、式中の用語は請求項５において示した用語と同じであり、そしてさらにｐは（例えば−３から１の範囲の）べき乗変換であり、そしてＨ₅〜Ｈ_nは治療歴パラメーターまたは特定の治療薬の種類の関数としてバックグラウンド治療を記載するパラメーターである、に従い病原体負荷量の低下に影響を与える因子に関する個別要因の総和としてモデル化される請求項４に記載の方法。
7. カット−オフ応答値が、ここで成功のＰｒｏｂと名称される患者についての病原体が薬剤治療によって影響を受ける確率を参照にすることにより算出される請求項１に記載の方法。
8. 成功のＰｒｏｂが治療応答データのデータセットからのデータを使用してロジスティック回帰分析を行うことにより算出され、ここで成功のＰｒｏｂは以下の式：
   

   

   ここで、ベースラインＰＬ₁は薬剤による治療の開始時に測定された患者の病原体負荷量を表し、
   ＰＳＳ_iは、治療応答への要因がモデル化される薬剤を除き、患者へのバックグラウンド治療方法において活性な薬剤の数を表す表現型感受性スコアであり、
   ＦＣ_iはベースラインの倍数変化耐性であり、
   β₀はインターセプト、
   β₁はベースラインＰＬ_iの対数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を表す係数であり、
   β₂はバックグラウンド治療方法において、感受性薬剤数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を示す係数であり、そして
   β₃はＦＣ_iの逆数の単位増加あたりのｌｏｇ病原体負荷量の低下の増加を示す係数である、
   によりモデル化される請求項７に記載の方法。
9. カット−オフ倍数変化耐性値が、治療が成功または失敗する患者の見込みを参照にすることにより算出され、ここで成功の定義は、分類系図を使用して特定の薬剤を用いた治療後の病原体負荷量が検出不可能なことである請求項１に記載の方法。
10. 臨床的カット−オフ値が、成功した治療集団と不成功の治療集団との間を最高に識別する倍数変化耐性閾値と定義される請求項９に記載の方法。
11. ベースラインの倍数変化耐性が、類似する遺伝子型の病原体に感染した患者群から集めた表現型のデータに対して、疾患を引き起こす病原体の遺伝子型を比較することにより決定される、請求項１〜１０のいずれか１項に記載の方法。
12. ベースラインの倍数変化耐性が、Ｖｉｒｔｕａｌ Ｐｈｅｎｏｔｙｐｅシステムまたはその変形を使用して決定される、請求項１１に記載の方法。
13. コンピューター実行型の方法である請求項１〜１２のいずれか１項に記載の方法。
14. 自動化された方法である請求項１３に記載の方法。
15. 疾患を引き起こす病原体がウイルスである請求項１〜１４のいずれか１項に記載の方法。
16. 疾患を引き起こすウイルスがＨＩＶ、ＨＣＶおよびＨＢＶから選択される請求項１５に記載の方法。
17. 患者の薬剤療法を至適化するための方法であって、一連の薬剤耐性の表現型を取得し、したがって複数の薬剤または薬剤の組み合わせが、患者に感染している病原体に及ぼす効果を評価するために考えられる各薬剤または薬剤の組み合わせについて、請求項１〜１６のいずれか１項に記載の方法を行い、そして病原体が最低の倍数耐性を有すると推測される薬剤または薬剤の組み合わせを選択することを含んでなる上記方法。
18. 患者の治療の効率を評価するために、または治療を評価もしくは至適化するための請求項１〜１７のいずれか１項に記載の方法。

Images