JP5632382B2 - 遺伝子コピー数変化のパターンに基づいた非小細胞肺癌のゲノム分類 - Google Patents
遺伝子コピー数変化のパターンに基づいた非小細胞肺癌のゲノム分類 Download PDFInfo
- Publication number
- JP5632382B2 JP5632382B2 JP2011534716A JP2011534716A JP5632382B2 JP 5632382 B2 JP5632382 B2 JP 5632382B2 JP 2011534716 A JP2011534716 A JP 2011534716A JP 2011534716 A JP2011534716 A JP 2011534716A JP 5632382 B2 JP5632382 B2 JP 5632382B2
- Authority
- JP
- Japan
- Prior art keywords
- nci
- data set
- algorithm
- sample
- matrix
- 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.)
- Expired - Fee Related
Links
Images
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- 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
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/30—Unsupervised data analysis
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/118—Prognosis of disease development
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/156—Polymorphic or mutational markers
-
- 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
-
- 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
Description
本出願は、2008年10月31日に出願された米国特許出願第61/110,317号の優先権を主張するものであり、その内容は参照により本明細書に組み込まれている。
該当なし
該当なし
本出願は、EFS−Web経由で提出された配列表を含有し、これによってその全体が参照により組み込まれる。2009年10月27日に作成された前記ASCIIコピーは、9670WOO1.txtと名前が付けられており、サイズは1,110バイトである。
本発明は、非小細胞肺癌(NSCLC)に関連する腫瘍、癌細胞系および対象の試料のゲノムサブグループを定義するための方法に関する。本発明は、対象に施すための1種以上の治療介入の有効性を試験することに使用するために、ゲノムサブグループによって腫瘍、癌細胞系および対象の試料のパネルを構築するための方法にも関する。
癌は、臨床経過、転帰および治療への応答性における相当な変動性を特徴とするゲノム疾患である。この変動性の根底にある主要因子は、癌に固有の遺伝的異質性である。病理組織学的なサブタイプが同じである個々の腫瘍は、細胞DNAにおいて異なる異常を有する。
(a)少なくとも1つのNSCLC細胞を含む、細胞系または腫瘍を含む複数のm個の試料を得るステップ、
(b)ステップ(a)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含むデータセットを取得するステップ、
(c)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータをデータセットから削除すること
を含む、データセットにおいて正常細胞が混入した試料を同定し、混入試料をデータセットから削除するステップ、
(d)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もるステップ、
(e)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算するステップ、
(2)ステップ(e)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止するステップ、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算するステップ、
(4)ステップ(e)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均するステップ、および
(5)試料を、1引く(ステップ(e)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによってr個のサブグループに割り当て、デンドログラムをr個のクラスターにカットするステップ
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てるステップ、
(f)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが腫瘍または細胞系試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定するステップ、および
(g)必要に応じて、ステップ(f)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価するステップ
を含む、非小細胞肺癌ゲノムサブグループのデータベースを得るための方法を対象とする。
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、および
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算すること、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して、約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および、
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによって、r個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、および
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること
を含む方法によって開発されたデータベースを準備すること、
(b)NSCLC細胞を含有すると疑われる試料を準備すること、
(c)ステップ(ii)からのものと同じ、少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第2のデータセットVsampleを取得すること、および
(d)Vsampleからの試料を、Vsampleを、ステップ(i)−(vii)において決定されたクラスターと比較することによって分類すること
を含む、NSCLC腫瘍またはNSCLC細胞系を分類する方法を対象とする。
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて、正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算すること、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによってr個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること、および
(viii)ステップ(vi)において選択された各クラスターから少なくとも1つのNSCLC細胞を選択し、ゲノムサブグループによって定義されたパネルに構築すること
を含む方法で構築された、ゲノムサブグループによって分類されたNSCLC細胞のパネルから、各サブグループからの少なくとも1つのNSCLS細胞系を選択すること、
(b)各サブグループからの少なくとも1つのNSCLC細胞を治療介入と接触させること、
(c)各サブグループからの少なくとも1つのNSCLC細胞を抑えるまたは死滅させるための治療介入の有効性をアッセイすること、
(d)治療介入を、各サブグループからの少なくとも1つのNSCLC細胞を抑えるまたは死滅させるための治療介入の決定された有効性によって分類し、1つのサブグループからの少なくとも1つのNSCLC細胞を抑えるまたは死滅させるが、別のサブグループからのNSCLC細胞を抑えない、または死滅させないことにより、このサブグループのNSCLC細胞を抑えるまたは死滅させるための治療介入の特異性が示されること、
を含む、非小細胞肺癌(NSCLC)細胞を抑えるまたは死滅させるための治療介入を分類する方法を対象とする。治療介入は、放射線療法、化学療法、レーザー療法、光線力学的療法および生物学的療法であり得る。治療介入が化学療法である場合、化学療法は、アリムタ、エルロチニブ、ゲフィチニブ、シスプラチン、ゲムシタビン、パクリタキセル、ビノレルビン、エピルビシン、ビンデシン、ロニダミン、イホスファミド、カルボプラチンおよびドセタキセルおよびイホスファミドからなる群から選択される活性薬剤を含む少なくとも1つの医薬組成物を投与することを含み得る。化学療法は、2種以上の活性薬剤を投与することを含み得る。
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、および
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算すること、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによって、r個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること、および
(viii)ステップ(vi)において選択された各クラスターから少なくとも1つの試料を選択し、ゲノムサブグループによって定義されたパネルに構築すること
を含む、データベースを構築すること、
(b)ステップ(a)のデータベースを分析して各サブグループに対して特徴的なコピー数の異常を決定すること、および
(c)各サブグループについての決定された特徴的なコピー数の異常に基づいて、複数のプローブを設計し、各プローブをゲノムサブグループに割り当てること
を含む、試料からのNSCLC細胞を分類するためのプローブパネルを構築する方法を対象とする。
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、および
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算すること、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによって、r個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、および
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること
についての説明を含む、データベースを構築するための説明書、ならびに
(b)必要に応じて、
HCC827、NCI−H1437、NCI−H1563、NCI−H1568、NCI−H1623、NCI−H1651、NCI−H1693、NCI−H1755、NCI−H1793、NCI−H1838、NCI−H1944、NCI−H1975、NCI−H1993、NCI−H2023、NCI−H2073、NCI−H2085、NCI−H2087、NCI−H2122、NCI−H2126、NCI−H2228、NCI−H2291、NCI−H23、NCI−H2342、NCI−H2347、NCI−H647、NCI−H920、NCI−H969、CLS−54、LX−289、SK−LU−1、H2882、Calu−6、H358およびH460からなる群から選択される第1の細胞系、
NCI−H2405、NCI−H522、SK−MES−1、H157、H1819、H2009、H2887、HCC1171、HCC1359、HCC15、HCC193、HCC366、HCC461、HCC515、HCC78、HOP−62、HOP−92およびNCI−H266からなる群から選択される第2の細胞系および
A549、Calu−3、NCI−H1734、NCI−H838およびHCC95からなる群から選択される第3の細胞系、
またはそれらの単離ゲノムDNA
を含む、NSCLC腫瘍試料を分類するためのキットを対象とする。
HCC827、NCI−H1437、NCI−H1563、NCI−H1568、NCI−H1623、NCI−H1651、NCI−H1693、NCI−H1755、NCI−H1793、NCI−H1838、NCI−H1944、NCI−H1975、NCI−H1993、NCI−H2023、NCI−H2073、NCI−H2085、NCI−H2087、NCI−H2122、NCI−H2126、NCI−H2228、NCI−H2291、NCI−H23、NCI−H2342、NCI−H2347、NCI−H647、NCI−H920、NCI−H969、CLS−54、LX−289、SK−LU−1、H2882、Calu−6、H358およびH460からなる群から選択される第1の細胞系、
NCI−H2405、NCI−H522、SK−MES−1、H157、H1819、H2009、H2887、HCC1171、HCC1359、HCC15、HCC193、HCC366、HCC461、HCC515、HCC78、HOP−62、HOP−92およびNCI−H266からなる群から選択される第2の細胞系および
A549、Calu−3、NCI−H1734、NCI−H838およびHCC95からなる群から選択される第3の細胞系
を含み得る。一部の態様において、mは、前述した細胞系すべてを含む。
本発明は、NSCLC腫瘍を評価し、分類し、階層化すること、ならびにNSCLC腫瘍に対する治療介入の有効性を評価することを提供する。本発明は、マイクロアレイに基づいた比較的なゲノムハイブリダイゼーション技法を利用して、ゲノム全域にわたる規模で遺伝子コピー数の異常性を検出し、したがって、DNAコピー数の変化を伴う染色体異常の全ゲノム的な考察を提供する。以前の病理組織学に基づいた分類スキームと異なり、本発明の方法は、臨床的介入において観察される変動性の背後の主要因子であるNSCLC細胞の遺伝的異質性を確かめる。
1.機械学習アルゴリズム(ランダムフォレストなど)を適用して、正常細胞が著しく混入した試料を同定し、削除するステップ、
2.教師なしクラスタリング(階層クラスタリングなど)を使用して、データをゲノム非負値行列因子分解(gNMF)モデルに適合させる前に、予想されるクラスター数を見積もるステップ、
3.gNMFの多数のランダムスタートを使用し、続いてgNMFから得られたH行列の相関を距離行列として適用して試料を分類するステップ、
4.腫瘍および癌細胞系を、gNMFアルゴリズムを使用していくつかの予想されるクラスター数に分類し、続いてコーフェン相関係数およびベイズ情報量規準(BIC)を使用して最良モデルを選択し、最終的なクラスターの数を決定するステップ、および
5.必要に応じて、10倍安定性検定を適用してクラスターの安定性を評価するステップ
を含む。
ゲノム全般にわたるコピー数のプロファイル、または「コピー数」は、2つ以上の遺伝子座のDNAコピー数の測定値である。コピー数のプロファイルは、細胞が本質的に野生型であり、各遺伝子座が2つのコピーで存在している(二倍体のため、性染色体を除く)場合、または野生型の異常体、すなわち、遺伝子座の増幅および欠失を含有する場合に評価することができる。増幅および欠失は、エレメントの一部およびエレメントの全体、または多くのエレメントに同時に影響を与え得る。コピー数のプロファイルにより、増幅または欠失の正確な数は必ずしも決定されないが、遺伝学的異常性を含有する領域および異常性が欠失であるか増幅であるかは同定される。
「ベイズ情報量規準」または「BIC」は、モデル選択に対する統計的基準として使用されるパラメトリック法を指す。BICは、Schwarz,G.によって、Annals of Statistics 6巻(2号):461−464頁(1978年)において、「Estimating the dimension of a model」に記載されている。BICは式(1)によって定義される:
BIC=−2*lnL+kln(n) (1)
式中、Lは、モデルがデータにどれくらい正確に近似しているかを測定する尤度であり、kはモデルにおいて使用されるパラメータの数であり、nは試料の数である。二次の項、k*ln(n)は、過剰適合を回避するためにモデルにおいて使用されるパラメータの数のペナルティとして機能する。
x(i,j)=|Xi−Xj| (2)
i番目の試料とj番目の試料の間の距離、およびt(i,j)=モデルポイント、TiとTjの間のデンドログラムの距離であり、この距離はこれらの2つのポイントが最初に一緒に連結されるノードの高さである。
V=W*H+e (4)
(式中、Wは各サブグループに対する標準モデルとみなすことができ、Hは各サブグループに属する各試料の相対的な重量とみなすことができ、eはモデル適合の剰余を表し、rはクラスタリングされるサブグループの数である(通常mよりもずっと小さい))。入力としてrおよびVを与えると、gNMFアルゴリズムはまずWおよびHの初期値をランダムに設定し、次いで、式(5)および(6)に従った乗法更新ルールを用いてWおよびHを繰り返し更新する:
1.訓練セット内の事象の数がNである場合、N個の事象をランダムにサンプリングするが、元のデータからの置き換えがある。この試料は、木を成長させるための訓練セットになる。
2.m個の入力変数がある場合、数m<<Mは、各ノードにおいて、m個の変数がMからランダムに選択され、ノードを分割するためにこれらのm個の変数に対する最良の分割が使用されるように特定される。mの値はフォレストが成長する間、一定に保たれる。
3.各木は可能な限りの最大規模まで成長させる。剪定はしない。
1.フォレスト内の任意の2つの木間の相関。相関が大きくなるとフォレストのエラー発生率が増加する。
2.フォレスト内の個々の木それぞれの強度。エラー発生率が低い木は強力な分類器である。個々の木の強度が増加すると、フォレストのエラー発生率が減少する。
本発明の方法において、コピー数のプロファイルの参照データベースが作成され、そこでNSCLC細胞を含む複数(m個)の試料におけるゲノムのコピー数が決定される(mは1から5,000,000までの整数である。例えば、複数の試料は、2個、5個、10個、15個、20個、25個、50個、100個、200個、500個、1,000個、10,000個、50,000個、100,000個の試料、250,000個の試料、500,000個、1,000,000個の試料などであり得る)。次に、NSCLC細胞はコピー数のパターン、コピー数のプロファイルに従ってゲノムサブグループに分類される。これらのサブグループのそれぞれは、遺伝子型に基づいた分類を表すだけではなく、種々の治療介入に対する特徴的な応答性も示すことが予想される。例えば、サブグループの1つが放射線に対して感受性である一方、別のサブグループは化学療法などの薬学的介入に対して感受性である可能性がある。
(i)コピー数領域は少なくとも100個のプローブを含有しなければならない;
(ii)コピー数領域の平均コピー数と隣接するコピー数領域を比較したp値は0.00001未満でなければならない;
(iii)トランジションのシグナル/ノイズ比は0.1超でなければならない。
コピー数の変化領域は、これらの領域における平均コピー数が実質的に1.65未満である(欠失)または2.65超である(増加)場合に、0.01を下回るp値を伴って検出され得る。
診断パネルを構築すると、NSCLCの診断に対する感受性が増加する。これから対象はNSCLCについて診断されるだけでなく、対象は、分類パネルにおける対象のNSCLC遺伝子型の分類に基づいてNSCLCの「ゲノム型」についても診断され得る。このように、治療の成功を高め、対象の生活の質を改善する標的治療介入が施され得る。
以下の実施例は例示する目的のみのものであり、特許請求された発明を限定するものと解釈されるべきではない。所期の発明を同様に首尾よく実行することができる種々の代替の技法および手順が、当業者にとって利用可能である。
本発明者らは、NSCLC分類モデルを確立するために、57の細胞系および245の腫瘍試料を使用した。この研究に使用された細胞系および腫瘍の供給源は上記の表1に列挙されている。腫瘍試料は、種々の供給源から調達された。
AFFYMETRIX(登録商標)GENECHIP(登録商標)Mapping 100K Set SNPアレイ(Matsuzakiら、2004年)(Affymetrix、Inc.、Santa Clara、CA)は、ヒトゲノムにおける一塩基多型(SNP)遺伝子座116,204個を包含し、マーカー間の平均距離は23.6kbである。アレイセットは、2つのチップ、Xba240およびHind240を含む。アッセイは、製造者の指示に従って行われた。簡単に述べると、高分子量のゲノムDNAが、各腫瘍からの組織30mgまたは各細胞系からの細胞5×106個から、QIAGEN(登録商標)DNEASY(登録商標)キット(Qiagen、Valencia、CA)を使用して抽出された。ゲノムDNA250ナノグラムが、HindIIIまたはXbaIのいずれかによって消化された。次いでアダプター(XbaI、5’tctagagatc aggcgtctgt cgtgctcata a 3’;配列番号2;HindIII、5’acgtagatca ggcgtctgtc gtgctcataa 3’;配列番号:3)が、粘着性4塩基対(bp)突出を認識する消化断片にライゲーションされた。アダプター配列(5’attatgagca cgacagacgc ctgatct 3’配列番号1)を認識する一般的なプライマーが、GENEAMP(登録商標)PCR System 9700 (Applied Biosystems、Foster City、CA)において250−2,000bpサイズ範囲で断片を優先的に増幅させるために最適化されたPCR条件を用いて、アダプターにライゲーションされたDNA断片を増幅させるために使用された。MINELUTE(登録商標)96 UF PCR精製システム(Qiagen)を用いた精製後、PCR産物は断片化され、ビオチンで標識され、GENECHIP(登録商標)Mapping 100K Setに16時間ハイブリダイズされた。アレイは、Fluidics Station F−450(Affymetrix)を使用して洗浄され、GENECHIP(登録商標)Scanner 3000 G7(Affymetrix)を使用してスキャンされた。GENECHIP(登録商標)オペレーティングソフトウェア(GCOS)でGENECHIP(登録商標)スキャナーから特徴データを収集し、抽出した。
Genomic Suiteソフトウェア(バージョン6.08.0103)(Partek; St.Louis、MO)が、各遺伝子座のコピー数を決定し、コピー数の変化領域を定義するためのデータを低レベル処理するために使用された。すべてのSNPプローブに対するシグナルを含有するCELファイルが、ソフトウェアにローディングされ、コピー数が、腫瘍または細胞系の試料に対するシグナル強度を、基線2に対して補正された、正常な雌性組織試料48個の参照セットに対するシグナル強度と比較することによって計算された。参照セットは、同じマイクロアレイプラットフォームによって測定された、他の正常試料のセットまたは腫瘍試料と同じ患者からの対合正常組織からなってもよい。
(i)領域は少なくとも100個のプローブを含有しなければならない;
(ii)領域の平均コピー数と隣接するコピー数領域を比較したp値は0.00001未満でなければならない;
(iii)トランジションのシグナル/ノイズ比は0.1超でなければならない。
コピー数の変化領域は、これらの領域の平均コピー数が1.65未満である(欠失)または2.65超である(増加)場合に、0.01を下回るp値を伴って検出された。
腫瘍試料は、腫瘍細胞に存在するコピー数の変化のシグナルを弱める、相当な割合の正常細胞を含有する可能性がある。腫瘍試料と正常試料のコピー数のパターン間の差異を捕捉するための機械学習アルゴリズムが展開され、次いでさらなる分析から、正常物が混入した試料を同定し、排除するために使用された。最初に、コピー数の変化領域の数が最も多い試料のサブセットおよび正常試料のセットが選択された。これら2つの試料群は、パラメータを、腫瘍と正常試料との間の差異を最もよく表すように合わせることによって正常試料と腫瘍試料を分類するために、機械学習アルゴリズム(ランダムフォレスト:RF(Breiman、2001))を訓練するために使用された。次に、訓練された分類アルゴリズムは、残りの試料に適用され;分類子は、正常細胞が混入している試料の確率を表すスコアを各試料に割り当てた。正常細胞混入の確率スコアが50%を超える試料は、クラスタリング解析から除外された。
SNPマイクロアレイによって得られたコピー数のデータ密度は高く、相当量のノイズがあった。したがって、コピー数のデータは、ノイズ、次元およびクラスタリング解析の複雑さを縮小するために平滑化された。各試料における有意に増加または欠失した領域の検出後、隣接する領域は、それらの領域が同様のコピー数変化を有し、それらの領域の距離が500kb未満の場合、合併された。DNAセグメントが、データセット内のすべての試料からの区切り点の連結を使用することによって形成された。各セグメント内のプローブの平均コピー数が、さらなる分析に使用された。このステップにより、ハイスループット分析におけるDNAの増加および欠失の明確な解像が可能になった。
各データセットについて、本発明者らは、ピアソンの非類似性((1−r)/2で定義され、rはピアソン相関である)を用いて腫瘍および細胞系のCGHデータを階層クラスタリングした。階層クラスタリングパターンは、データセット内の予想されるサブグループの数の範囲を導くために、プロットされ、視覚的に検査された。次いで、これらの数は、ゲノム非負値行列因子分解を用いたクラスタリング解析において入力として使用された。
gNMFアルゴリズムが、ステップ5において決定されたクラスター数の範囲を使用して腫瘍および細胞系のCGHデータを分類するために使用された。各クラスター数について、gNMFアルゴリズムが、我々が開発した停止基準を用いて200回実行された。次いで、分類モデルが、1引く(Hの相関行列の平均)に対する階層クラスタリングによって導かれた。
上記のgNMF手順は、最初の階層クラスタリング解析において選出された、いくつかの予想されるr値(サブグループの数)を用いて実行され、サブグループの数が異なるいくつかのモデルが構成された。次いで、コーフェン相関係数およびベイズ情報量規準(BIC)が、腫瘍および細胞系の試料の遺伝子パターンの分布を最もよく反映した最良モデルを選択するために使用された(サブグループの数および各試料のサブグループの1つへの割り当て)。
10倍安定性検定の手順が、分類結果の安定性を評価するために展開された。データセットに対してgNMFを実行し、腫瘍および細胞系の試料をサブグループに割り当てた後、10%の試料がランダムに除外され、同じ手順が残りの90%の試料に対して適用された。この並べ替えによって異なるサブグループに割り当てられた試料の数が計算された。この除外検定は、試料の並べ替えに関してクラスタリングの結果の安定性を表すエラー発生率を導くために、200回繰り返された。同じデータセットに対して同じ手順を用いた階層クラスタリングの安定性も評価され、常にgNMFクラスタリングよりもはるかに高いことが見出された。
ステップ1−2。302のNSCLCの腫瘍および細胞系の試料が調製され、データは実施例2および3に記載の通り処理された。全部で11419のコピー数が有意に変化したセグメントが検出された。
同定されたNSCLCゲノムクラスターが生物学的に有意義な差異を有するかどうかを決定するために、2セットの腫瘍試料が、疾患転帰のアノテーションに使用された。2つの転帰パラメータ、再発するまでの時間(TTR)および全生存(OS)が使用された。
Claims (20)
- 非小細胞肺癌ゲノムサブグループのデータベースを得るための方法であって、
(a)少なくとも1つのNSCLC細胞を含む、細胞系または腫瘍を含む複数のm個の試料を得るステップ、
(b)ステップ(a)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含むデータセットを取得するステップ、
(c)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータをデータセットから削除すること、
を含む、データセットにおいて正常細胞が混入した試料を同定し、混入試料をデータセットから削除するステップ、
(d)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もるステップ、
(e)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算するステップ、
(2)ステップ(e)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止するステップ、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算するステップ、
(4)ステップ(e)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均するステップ、および
(5)試料を、1引く(ステップ(e)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによってr個のサブグループに割り当て、デンドログラムをr個のクラスターにカットするステップ
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てるステップ、
(f)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが腫瘍または細胞系試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定するステップ、および
(g)必要に応じて、ステップ(f)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価するステップ
を含む、方法。 - NSCLC腫瘍またはNSCLC細胞系を分類する方法であって、
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算すること、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによってr個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、および
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること
を含む方法によって開発されたデータベースを準備すること、
(b)NSCLC細胞を含有すると疑われる試料を準備すること、
(c)ステップ(ii)からのものと同じ、少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第2のデータセットVsampleを取得すること、
(d)Vsampleからの試料を、Vsampleをステップ(i)−(vii)において決定されたクラスターと比較することによって分類すること
を含む、方法。 - 教師なしクラスタリングアルゴリズムが階層クラスタリングである、請求項1または2の方法。
- データセットから最終的なクラスターの数を規定するためにコーフェン相関が使用される、請求項1または2の方法。
- データセットから最終的なクラスターの数を規定するためにベイズ情報量規準が使用される、請求項1または2の方法。
- データセットから最終的なクラスターの数を規定するためにコーフェン相関およびベイズ情報量規準が使用される、請求項1または2の方法。
- 複数の試料(m個)が、
HCC827、NCI−H1437、NCI−H1563、NCI−H1568、NCI−H1623、NCI−H1651、NCI−H1693、NCI−H1755、NCI−H1793、NCI−H1838、NCI−H1944、NCI−H1975、NCI−H1993、NCI−H2023、NCI−H2073、NCI−H2085、NCI−H2087、NCI−H2122、NCI−H2126、NCI−H2228、NCI−H2291、NCI−H23、NCI−H2342、NCI−H2347、NCI−H647、NCI−H920、NCI−H969、CLS−54、LX−289、SK−LU−1、H2882、Calu−6、H358およびH460からなる群から選択される第1の細胞系、
NCI−H2405、NCI−H522、SK−MES−1、H157、H1819、H2009、H2887、HCC1171、HCC1359、HCC15、HCC193、HCC366、HCC461、HCC515、HCC78、HOP−62、HOP−92およびNCI−H266からなる群から選択される第2の細胞系および
A549、Calu−3、NCI−H1734、NCI−H838およびHCC95からなる群から選択される第3の細胞系
を含む、請求項1または2の方法。 - 複数の試料(m個)が、CLS−54、LX−289、SK−LU−1、SK−MES−1、H157、H1819、H2009、H2882、H2887、HCC1171、HCC1359、HCC15、HCC193、HCC366、HCC461、HCC515、HCC78、HCC95、HOP−62、HOP−92、NCI−H266、NCI−H1437、NCI−H1563、NCI−H1568、NCI−H1623、NCI−H1651、NCI−H1693、NCI−H1734、NCI−H1755、NCI−H1793、NCI−H1838、NCI−H1944、NCI−H1975、NCI−H1993、NCI−H2023、NCI−H2073、NCI−H2085、NCI−H2087、NCI−H2122、NCI−H2126、NCI−H2228、NCI−H2291、NCI−H23、NCI−H2342、NCI−H2347、NCI−H2405、NCI−H522、NCI−H647、NCI−H838、NCI−H920、NCI−H969、A549、Calu−3、HCC827、Calu−6、H358およびH460細胞系からなる、請求項1または2の方法。
- 非小細胞肺癌(NSCLC)細胞を抑えるまたは死滅させるための治療介入を分類する方法であって、
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて、正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算すること、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)の(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)の(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによってr個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること、および
(viii)ステップ(vi)において選択された各クラスターから少なくとも1つのNSCLC細胞を選択し、ゲノムサブグループによって定義されたパネルに構築すること
を含む方法で構築された、ゲノムサブグループによって分類されたNSCLC細胞のパネルから、各サブグループからの少なくとも1つのNSCLS細胞系を選択すること、
(b)各サブグループからの少なくとも1つのNSCLC細胞を治療介入と接触させること、
(c)各サブグループからの少なくとも1つのNSCLC細胞を抑えるまたは死滅させるための治療介入の有効性をアッセイすること、
(d)治療介入を、各サブグループからの少なくとも1つのNSCLC細胞を抑えるまたは死滅させるための治療介入の決定された有効性によって分類し、1つのサブグループからの少なくとも1つのNSCLC細胞を抑えるまたは死滅させるが、別のサブグループからのNSCLC細胞を抑えない、または死滅させないことにより、このサブグループのNSCLC細胞を抑えるまたは死滅させるための治療介入の特異性が示されること、
を含む、方法。 - 教師なしクラスタリングアルゴリズムが階層クラスタリングである、請求項9の方法。
- データセットから最終的なクラスターの数を規定するためにコーフェン相関が使用される、請求項9の方法。
- データセットから最終的なクラスターの数を規定するためにベイズ情報量規準が使用される、請求項9の方法。
- データセットから最終的なクラスターの数を規定するためにコーフェン相関およびベイズ情報量規準が使用される、請求項9の方法。
- NSCLC細胞が細胞系からのものである、請求項9の方法。
- 複数の試料(m個)が、
HCC827、NCI−H1437、NCI−H1563、NCI−H1568、NCI−H1623、NCI−H1651、NCI−H1693、NCI−H1755、NCI−H1793、NCI−H1838、NCI−H1944、NCI−H1975、NCI−H1993、NCI−H2023、NCI−H2073、NCI−H2085、NCI−H2087、NCI−H2122、NCI−H2126、NCI−H2228、NCI−H2291、NCI−H23、NCI−H2342、NCI−H2347、NCI−H647、NCI−H920、NCI−H969、CLS−54、LX−289、SK−LU−1、H2882、Calu−6、H358およびH460からなる群から選択される第1の細胞系、
NCI−H2405、NCI−H522、SK−MES−1、H157、H1819、H2009、H2887、HCC1171、HCC1359、HCC15、HCC193、HCC366、HCC461、HCC515、HCC78、HOP−62、HOP−92およびNCI−H266からなる群から選択される第2の細胞系および
A549、Calu−3、NCI−H1734、NCI−H838およびHCC95からなる群から選択される第3の細胞系
を含む、請求項9の方法。 - 複数の試料(m個)が、CLS−54、LX−289、SK−LU−1、SK−MES−1、H157、H1819、H2009、H2882、H2887、HCC1171、HCC1359、HCC15、HCC193、HCC366、HCC461、HCC515、HCC78、HCC95、HOP−62、HOP−92、NCI−H266、NCI−H1437、NCI−H1563、NCI−H1568、NCI−H1623、NCI−H1651、NCI−H1693、NCI−H1734、NCI−H1755、NCI−H1793、NCI−H1838、NCI−H1944、NCI−H1975、NCI−H1993、NCI−H2023、NCI−H2073、NCI−H2085、NCI−H2087、NCI−H2122、NCI−H2126、NCI−H2228、NCI−H2291、NCI−H23、NCI−H2342、NCI−H2347、NCI−H2405、NCI−H522、NCI−H647、NCI−H838、NCI−H920、NCI−H969、A549、Calu−3、HCC827、Calu−6、H358およびH460細胞系からなる、請求項9の方法。
- 治療介入が、放射線療法、化学療法、レーザー療法、光線力学的療法および生物学的療法からなる群から選択される少なくとも1つを含む、請求項9の方法。
- 治療介入が化学療法であり、化学療法が、エルロチニブ、ゲフィチニブ、アリムタ、シスプラチン、ゲムシタビン、パクリタキセル、ビノレルビン、エピルビシン、ビンデシン、ロニダミン、イホスファミド、カルボプラチンおよびドセタキセルおよびイホスファミドからなる群から選択される活性薬剤を含む少なくとも1つの医薬組成物を投与することを含む、請求項17の方法。
- 化学療法が2種以上の活性薬剤を投与することを含む、請求項18の方法。
- 試料からのNSCLC細胞を分類するためのプローブパネルを構築する方法であって、
(a)
(i)少なくとも1つのNSCLC腫瘍またはNSCLC細胞系を含む複数のm個の試料を得ること、
(ii)ステップ(i)において得られた各試料から、各染色体からの少なくとも1つの遺伝子座からのコピー数の変化の情報を含む第1のデータセットを取得すること、
(iii)
(1)腫瘍試料と正常試料の間の差異を表すパラメータに合わせた機械学習アルゴリズムをデータに適用すること、
(2)機械学習アルゴリズムによって決定される、正常細胞の混入に対する確率スコアを各試料に割り当てること、および
(3)正常細胞を含有する確率が50%以上であるとスコア化する各試料についてのデータを第1のデータセットから削除すること
を含む、第1のデータセットにおいて正常細胞が混入した試料を同定し、混入試料を第1のデータセットから削除すること、
(iv)データセット内のサブグループの数rを、ピアソンの線形非類似性アルゴリズムを用いた教師なしクラスタリングをデータセットに適用することによって見積もること、
(v)データセット内の各試料を、
(1)乗法的更新を100ステップ行うごとに、式(11)を用いてアルゴリズムの発散を計算するステップ、
(2)ステップ(v)(1)において計算された発散が、アルゴリズムの乗法的更新の前の100ステップに対して計算された発散と比較して約0.001%超減少していない場合にアルゴリズムを停止すること、
(3)アルゴリズムを、選択された実行回数ランダムに繰り返し、式(12)を用いてアルゴリズムの各実行に対してHのピアソン相関係数行列を計算すること、
(4)ステップ(v)(3)から得られたアルゴリズムの各実行について、ピアソン相関係数行列を平均相関行列に達するまで平均すること、および
(5)データセット内の腫瘍および細胞系を、1引く(ステップ(v)(4)において決定された平均相関行列)を用いた教師なしクラスタリングアルゴリズムを適用することによって、r個のサブグループに割り当て、デンドログラムをr個のクラスターにカットすること
を含む改変ゲノム非負値行列因子分解(gNMF)アルゴリズムを用いて少なくとも1つのクラスターに割り当てること、
(vi)コーフェン相関関数、ベイズ情報量規準またはこれらの組合せを適用して、データセットから、それぞれが各試料のそれぞれについてゲノムサブグループを定義する最終的なクラスターの数を規定すること、
(vii)必要に応じて、ステップ(vi)において選択された最終的なクラスターの数の安定性を、10倍の安定性検定を用いて評価すること、および
(viii)ステップ(vi)において選択された各クラスターから少なくとも1つの試料を選択し、ゲノムサブグループによって定義されたパネルに構築すること
を含む、データベースを構築すること、
(b)ステップ(a)のデータベースを分析して各サブグループに対して特徴的なコピー数の異常を決定すること、および
(c)各サブグループについての決定された特徴的なコピー数の異常に基づいて、複数のプローブを設計し、各プローブをゲノムサブグループに割り当てること
を含む、方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11031708P | 2008-10-31 | 2008-10-31 | |
US11028108P | 2008-10-31 | 2008-10-31 | |
US61/110,281 | 2008-10-31 | ||
US61/110,317 | 2008-10-31 | ||
PCT/US2009/062388 WO2010051314A2 (en) | 2008-10-31 | 2009-10-28 | Genomic classification of non-small cell lung carcinoma based on patterns of gene copy number alterations |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012513048A JP2012513048A (ja) | 2012-06-07 |
JP5632382B2 true JP5632382B2 (ja) | 2014-11-26 |
Family
ID=42129537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011534716A Expired - Fee Related JP5632382B2 (ja) | 2008-10-31 | 2009-10-28 | 遺伝子コピー数変化のパターンに基づいた非小細胞肺癌のゲノム分類 |
Country Status (7)
Country | Link |
---|---|
US (1) | US8498820B2 (ja) |
EP (1) | EP2362958A2 (ja) |
JP (1) | JP5632382B2 (ja) |
CN (1) | CN102696034B (ja) |
CA (1) | CA2739457A1 (ja) |
MX (1) | MX2011004588A (ja) |
WO (1) | WO2010051314A2 (ja) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9053159B2 (en) * | 2009-02-09 | 2015-06-09 | The Boeing Company | Non-conformance analysis using an associative memory learning agent |
US8718996B2 (en) * | 2012-07-05 | 2014-05-06 | Biodesix, Inc. | Method for predicting whether a cancer patient will not benefit from platinum-based chemotherapy agents |
US9449143B2 (en) | 2012-08-28 | 2016-09-20 | Inova Health System | Ancestral-specific reference genomes and uses thereof |
JP6469033B2 (ja) * | 2016-02-18 | 2019-02-13 | 日本電信電話株式会社 | 分布推定装置、分布推定方法、及び分布推定プログラム |
CN106055923A (zh) * | 2016-05-13 | 2016-10-26 | 万康源(天津)基因科技有限公司 | 一种基因拷贝数变异分析方法 |
WO2017205691A1 (en) | 2016-05-26 | 2017-11-30 | Cellular Research, Inc. | Molecular label counting adjustment methods |
EP3539035B1 (en) * | 2016-11-08 | 2024-04-17 | Becton, Dickinson and Company | Methods for expression profile classification |
EP3538672A1 (en) | 2016-11-08 | 2019-09-18 | Cellular Research, Inc. | Methods for cell label classification |
TWI676688B (zh) * | 2017-07-17 | 2019-11-11 | 茂英基因科技股份有限公司 | 辨識細胞種類型之方法及系統 |
ES2711163B2 (es) * | 2017-10-23 | 2021-04-14 | Health In Code S L | Sistema y método de detección de variantes genéticas estructurales. |
CN109192246B (zh) * | 2018-06-22 | 2020-10-16 | 深圳市达仁基因科技有限公司 | 检测染色体拷贝数异常的方法、装置和存储介质 |
CN109887544B (zh) * | 2019-01-22 | 2022-07-05 | 广西大学 | 基于非负矩阵分解的rna序列并行分类方法 |
CN113711313A (zh) * | 2019-02-15 | 2021-11-26 | 佰欧迪塞克斯公司 | 用于识别手术后处于高复发风险的早期nsclc患者的预测性测试 |
CN111863159B (zh) * | 2020-06-01 | 2022-02-25 | 中山大学孙逸仙纪念医院 | 一种肿瘤免疫治疗疗效预测的列线图模型的建立方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4683195A (en) * | 1986-01-30 | 1987-07-28 | Cetus Corporation | Process for amplifying, detecting, and/or-cloning nucleic acid sequences |
US4683202A (en) * | 1985-03-28 | 1987-07-28 | Cetus Corporation | Process for amplifying nucleic acid sequences |
US4889818A (en) * | 1986-08-22 | 1989-12-26 | Cetus Corporation | Purified thermostable enzyme |
US5310652A (en) * | 1986-08-22 | 1994-05-10 | Hoffman-La Roche Inc. | Reverse transcription with thermostable DNA polymerase-high temperature reverse transcription |
US5322770A (en) * | 1989-12-22 | 1994-06-21 | Hoffman-Laroche Inc. | Reverse transcription with thermostable DNA polymerases - high temperature reverse transcription |
US5744101A (en) * | 1989-06-07 | 1998-04-28 | Affymax Technologies N.V. | Photolabile nucleoside protecting groups |
US5424186A (en) * | 1989-06-07 | 1995-06-13 | Affymax Technologies N.V. | Very large scale immobilized polymer synthesis |
US5800992A (en) * | 1989-06-07 | 1998-09-01 | Fodor; Stephen P.A. | Method of detecting nucleic acids |
US5143854A (en) * | 1989-06-07 | 1992-09-01 | Affymax Technologies N.V. | Large scale photolithographic solid phase synthesis of polypeptides and receptor binding screening thereof |
EP0604552B1 (en) * | 1991-09-18 | 1997-02-12 | Affymax Technologies N.V. | Method of synthesizing diverse collections of oligomers |
ATE241426T1 (de) * | 1991-11-22 | 2003-06-15 | Affymetrix Inc A Delaware Corp | Verfahren zur herstellung von polymerarrays |
US5384261A (en) * | 1991-11-22 | 1995-01-24 | Affymax Technologies N.V. | Very large scale immobilized polymer synthesis using mechanically directed flow paths |
US5856174A (en) * | 1995-06-29 | 1999-01-05 | Affymetrix, Inc. | Integrated nucleic acid diagnostic device |
US20020068288A1 (en) * | 2000-04-11 | 2002-06-06 | Lodes Michael J. | Compositions and methods for the therapy and diagnosis of lung cancer |
US20030104426A1 (en) * | 2001-06-18 | 2003-06-05 | Linsley Peter S. | Signature genes in chronic myelogenous leukemia |
WO2003082078A2 (en) * | 2002-03-28 | 2003-10-09 | Medical College Of Ohio | Method and compositions for the diagnosis and treatment of non-small cell lung cancer using gene expression profiles |
US20060195266A1 (en) * | 2005-02-25 | 2006-08-31 | Yeatman Timothy J | Methods for predicting cancer outcome and gene signatures for use therein |
CN101297045A (zh) * | 2005-06-03 | 2008-10-29 | 阿威亚拉德克斯股份有限公司 | 肿瘤和组织的鉴定 |
-
2009
- 2009-10-28 EP EP09749265A patent/EP2362958A2/en not_active Withdrawn
- 2009-10-28 MX MX2011004588A patent/MX2011004588A/es active IP Right Grant
- 2009-10-28 US US12/607,079 patent/US8498820B2/en not_active Expired - Fee Related
- 2009-10-28 JP JP2011534716A patent/JP5632382B2/ja not_active Expired - Fee Related
- 2009-10-28 CA CA2739457A patent/CA2739457A1/en not_active Abandoned
- 2009-10-28 CN CN200980143555.9A patent/CN102696034B/zh not_active Expired - Fee Related
- 2009-10-28 WO PCT/US2009/062388 patent/WO2010051314A2/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JP2012513048A (ja) | 2012-06-07 |
CN102696034B (zh) | 2016-01-20 |
MX2011004588A (es) | 2011-08-03 |
EP2362958A2 (en) | 2011-09-07 |
CA2739457A1 (en) | 2010-05-06 |
US20100145893A1 (en) | 2010-06-10 |
WO2010051314A2 (en) | 2010-05-06 |
CN102696034A (zh) | 2012-09-26 |
WO2010051314A3 (en) | 2012-04-05 |
US8498820B2 (en) | 2013-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5632382B2 (ja) | 遺伝子コピー数変化のパターンに基づいた非小細胞肺癌のゲノム分類 | |
JP5570516B2 (ja) | 遺伝子コピー数の変化のパターンに基づいた結腸直腸癌のゲノム分類 | |
JP7368483B2 (ja) | 相同組換え欠損を推定するための統合された機械学習フレームワーク | |
TWI636255B (zh) | 癌症檢測之血漿dna突變分析 | |
JP2022521791A (ja) | 病原体検出のための配列決定データを使用するためのシステムおよび方法 | |
US20050282227A1 (en) | Treatment discovery based on CGH analysis | |
JP5391279B2 (ja) | 1種以上の医薬組成物の有効性を試験することに使用する癌細胞系のパネルを構築するための方法 | |
JP5608169B2 (ja) | 遺伝子コピー数の変化のパターンに基づいた悪性メラノーマのゲノム分類 | |
US20210238668A1 (en) | Biterminal dna fragment types in cell-free samples and uses thereof | |
EP2121988B1 (en) | Prostate cancer survival and recurrence | |
EP2419540B1 (en) | Methods and gene expression signature for assessing ras pathway activity | |
CN115418401A (zh) | 用于膀胱癌的尿监测的诊断测定 | |
CN109971856A (zh) | 用于评估人类受检者罹患肺癌的试剂盒或系统及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120612 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20130701 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130822 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131203 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20140225 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20140304 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140521 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140930 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20141009 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5632382 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |