JP6883584B2 - マルチオミック癌プロファイルを用いて機能的な患者固有の体細胞異常を識別するための統合された方法及びシステム - Google Patents
マルチオミック癌プロファイルを用いて機能的な患者固有の体細胞異常を識別するための統合された方法及びシステム Download PDFInfo
- Publication number
- JP6883584B2 JP6883584B2 JP2018530190A JP2018530190A JP6883584B2 JP 6883584 B2 JP6883584 B2 JP 6883584B2 JP 2018530190 A JP2018530190 A JP 2018530190A JP 2018530190 A JP2018530190 A JP 2018530190A JP 6883584 B2 JP6883584 B2 JP 6883584B2
- Authority
- JP
- Japan
- Prior art keywords
- gene
- genes
- data
- regulatory
- target gene
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Description
本出願は、2015年8月27日に出願された米国仮出願第62/210,502号に対する優先権を主張し、その全体が参照により本明細書に具体的に組み込まれる。
本発明は、RNAseqベースの発現データ、コピー数多型(CNV:copy number variation)データ及びDNAメチル化データのように共同キュレートされた生物学的経路ネットワーク情報及びオミックスデータを組み込む、遺伝子間調節影響ネットワーク(gene-gene regulatory influence network)を構築し、RNAseqベースの遺伝子発現、アレイベースのDNAメチル化(エピジェネティック)及びSNPアレイベースの体細胞コピー数変異(sCNA:somatic copy-number alterations)を含む、マルチオミック(multi-omic)患者固有測定値と比較することにより、患者固有の遺伝子発現予測を提供するためのデータ駆動型の統合システム及び方法に関する。より具体的には、患者固有の遺伝子発現予測は、癌及び癌治療に関連する予測情報を提供するために、個々の患者サンプルにおいて期待されるレベルから、遺伝子発現レベルの有意な偏差及び不一致を識別するために使用される。
十分にキュレートされた公的に利用可能な経路ネットワークから生物学的ネットワーク経路情報を取得し、該経路情報を受け取るように構成されたプロセッサ上へその経路情報を入力することにより、関心のある各特定の標的遺伝子についての上流調節親遺伝子情報(upstream regulatory parent gene information)の第1データセットを決定するステップと;
適用することにより、各々の特定の標的遺伝子について、該遺伝子の発現レベルとそれ自身のゲノム及びエピジェネティック状態(epigenetic status)、並びにその上流転写調節因子(upstream transcriptional regulator)の間の関係を捕捉する調節ツリー(regulatory tree)を決定するステップであって、関心のある遺伝子は、ルートノードに存在し、ツリーの葉は、直接又は中間のシグナリングパートナーを介して間接的にその転写を潜在的に調節する遺伝子のすべてを表す、ステップと;
RNAseq発現データ、コピー数多型データ及びDNAメチル化データのような測定ベースのオミックスデータ(measurement-based omics data)の第2データセットを決定し、測定ベースのオミックスデータを、当該データを受け取るように構成されたプロセッサ上へ入力するステップと;
コンピュータによって演算技術を適用し、特定の遺伝子発現レベルを調節ツリーの葉に関連する測定値に関連付けるために、遺伝子のエピジェネティック情報及び調節ネットワーク状態に基づいて、関心のある各遺伝子について非線形関数を学習するステップであって、非線形関数のパラメータは、ツリー内のルートノードにより近いノードの潜在的により強い調節影響を捕捉するために新規な深さペナリゼーション機構(novel depth penalization mechanism)を組み込んだベイジアン推論法を使用して推定される、ステップと;
コンピュータによって分析技術を適用して、関心のある各遺伝子の発現レベルを予測するステップと;
所望の標的遺伝子の観察された発現レベルに関連する患者固有の情報を決定し、該患者固有の情報を第3データセットに入力するステップであって、患者固有の情報は、RNA発現データ、CNVデータ、メチル化データ及び体細胞突然異常データ等の新たな癌サンプルデータを含む、ステップと;
患者固有の情報及び予測発現レベル情報を使用して、所与のサンプル内の所望の標的遺伝子について予測された発現レベルと観察された発現レベルとの間の相対的な患者固有の不一致スコアを計算するステップと;
すべてのテストサンプルについて取得された活性化及び不一致スコアを評価して、標的遺伝子の発現レベルの不一致とその特定の遺伝子の上流調節ネットワークにおける体細胞突然変異との間の統計的に有意な関連を発見するステップと;
を含む。
十分にキュレートされた生物学的ネットワーク経路情報から得られる関心のある各特定の標的遺伝子についての上流調節親遺伝子情報の第1データセットであって、そのような経路情報を受け取るように構成されたプロセッサに含まれる第1データセットと;
各々の特定の標的遺伝子について、該標的遺伝子の発現レベルとその標的遺伝子自体のゲノム及びエピジェネティック状態、並びにその上流転写調節因子の間の関係を捕捉する調節ツリーであって、関心のある遺伝子が、ルートノードに存在し、ツリーの葉は、直接又は中間のシグナリングパートナーを介して間接的にその転写を潜在的に調節する遺伝子のすべてを表す、調節ツリーと;
RNAseq発現データ、コピー数多型データ及びDNAメチル化データのような測定ベースのオミックスデータの第2データセットであって、そのようなデータを受け取るように構成されたプロセッサ上にも配置される第2データセットと;
標的遺伝子のエピジェネティック情報及び調節ネットワーク状態から決定された各標的遺伝子について学習される非線形関数であって、該非線形関数は、その特定の標的遺伝子の発現レベルを調節ツリーに関連する測定値に関連付け、非線形関数のパラメータは、ツリーのルートノードにより近いノードの潜在的により強い調節影響を捕捉するための新規な深さペナリゼーション機構を組み込んだベイジアン推論法を使用して推定される、非線形関数と;
標的遺伝子の観察された発現レベルに関連する患者固有の情報の第3データセットであって、患者固有の情報は、RNA発現データ、CNVデータ、メチル化データ及び体細胞突然変異データ等の新しい癌サンプルデータを含む、第3データセットと;
を備え、
標的遺伝子の発現レベルは非線形関数を利用して決定され、所与のサンプル内の標的遺伝子について予測された発現レベルと観察された発現レベルとの間の相対的な患者固有の不一致スコアを決定し;
標的遺伝子の観察された発現レベルに関連する患者固有の情報の第3データセットについて、活性化及び不一致スコアを決定し、患者固有の情報は、RNA発現データ、CNVデータ、メチル化データ及び体細胞突然変異データ等の新しい癌サンプルデータを含み、
標的遺伝子の発現レベルは非線形関数を利用して決定され、所与のサンプル内の標的遺伝子について予測された発現レベルと観察された発現レベルとの間の相対的な患者固有の不一致スコアを決定し;
すべてのテストサンプルについて取得された活性化及び不一致スコアを評価して、これにより、標的遺伝子の発現レベルの不一致とその特定の遺伝子の上流調節ネットワークにおける体細胞突然変異との間の統計的に有意な関連を識別する。
遺伝子転写は複雑な生物学的プロセスであり、生物学的経路データベースに注釈を付けるように、複数の相互作用するタンパク質及び複合体、並びにDNAメチル化の程度及び保持しているDNAセグメントのコピー数を通して異なるレベルで調節される。経路ネットワークは、細胞内相互作用及び遺伝子調節ネットワークをネットワーク形式で提示するために広く使用されている。ネットワークはノードとエッジの有向グラフを構築する。ノードは、遺伝子、タンパク質、RNA、miRNA、タンパク質複合体、シグナル受容体のよう多様な範囲のエンティティから、更にはアポトーシス、減数分裂、有糸分裂及び細胞増殖といった抽象的プロセスからも構成され得る。ネットワークエッジは、相互作用するノードのペアを決定し、各相互作用のタイプを指定する。いくつかの公に入手可能な経路ネットワークが、様々な種と組織タイプとの間の細胞内活動をモデル化するために開発されている。
本発明の方法の第2ステップは、ルートノードに存在する遺伝子の発現レベルをその調節ネットワーク及びそれ自体のエピジェネティック情報(例えばDNAメチル化及びCNV)に関連付ける関数(function)を学習することである。関数を「学習する」ことは、標的遺伝子の発現に対する調節遺伝子の発現レベルの影響を定量化することを意味する。また、この方法では、標的遺伝子のモデルをトレーニングする。そのようなモデルでは、(以下のベイジアンモデル推定、特にβgを推定する方法で説明されるように)トレーニングデータで観察されるようなペアワイズの影響に基づいて、親遺伝子について異なる係数を割り当てる。複数のDNAメチル化プローブは、遺伝子のコード又は調節領域と重複する可能性があるため、本発明は、最小、最大及び加重平均値といったいくつかの代表的な統計値を含めることによってメチル化測定値を活用する。ここで、加重平均を計算する際には、更なる正確性のために10プローブ未満の領域は除外する。したがって、遺伝子gが、
極端に高い又は低い値のみがモデルに寄与する場合を説明するソフト閾値処理関数
所与のサンプルについて標的遺伝子gの破壊を評価するために、活性化スコアAg (new)及び不一致スコアCg (new)を取得する。ここで最初のものは、その調節ネットワークと一貫性のある遺伝子発現レベルを示し、2つめは、(潜在的に体細胞突然変異に関連付けられる)遺伝子の調節解除(deregulation)を指示する遺伝子の期待値からの偏差を示す。
遺伝子の発現レベルは、調節ネットワークにおける体細胞突然変異の存在によって予測値から逸脱する可能性があり、これにより調節機能の損失/増加をもたらすことがある。すなわち、調節遺伝子のいずれかにおける突然変異は、遺伝子発現の調節におけるその適切な役割に影響を与え、標的遺伝子発現に偏差を課すことがある。本方法のモジュール4は、下流標的遺伝子の不一致スコアに対する調節遺伝子の体細胞突然変異の影響を評価する方法論を提供する。したがって、このモジュールは、モジュール3によって提供される活性化及び一貫性スコアをとり、新たなテストサンプルごとに、有意に不一致な遺伝子を識別し、このような遺伝子が現在の遺伝子又は調節サブネットワーク内のCNV異常又は体細胞突然変異によって潜在的に引き起こされるかどうかを検査する。
本発明の方法の予測力を説明するために、その性能を、LASSO、RIDGE及び弾性ネット回帰を含む、いくつかの最適に近い最先端の点推定器(point-estimators)と比較する。
Claims (8)
- コンピュータシステムによって、調節不全遺伝子を引き起こす患者固有の体細胞異常を識別する方法であって:
前記コンピュータシステムのプロセッサが、生物学的ネットワーク経路情報を取得することにより、各標的遺伝子について上流調節親遺伝子情報の第1データセットを決定するステップと;
前記プロセッサが、前記標的遺伝子の各々について、前記第1データセットから調節サブネットワークを決定するステップであって、前記調節サブネットワークは、前記標的遺伝子の発現レベルと前記標的遺伝子のゲノム及びエピジェネティック状態、並びにその遺伝子の上流転写調節因子の関係を備える、ステップと;
前記プロセッサが、RNAseq発現データ、コピー数多型データ及びDNAメチル化データのうちの少なくとも1つを含む、測定ベースのオミックスデータの第2データセットを決定するステップと;
前記プロセッサが、前記第1データセットと前記第2データセットを統合するステップと;
前記プロセッサが、前記統合された第1及び第2データセットから、前記標的遺伝子の各々について非線形関数を生成するステップであって、前記非線形関数は、前記調節サブネットワークに関連付けられる測定値に、前記遺伝子の発現レベルを関連付ける、ステップと;
前記プロセッサが、前記標的遺伝子の各々について、該標的遺伝子についての前記非線形関数を使用して、期待される発現レベルを計算するステップと;
前記プロセッサが、前記標的遺伝子について観察された遺伝子発現レベルに関連し、かつ前記標的遺伝子のうちの1つ以上についての前記決定された調節サブネットワーク内の1つ以上の親遺伝子のシーケンスを備える、患者固有の情報の第3データセットを決定するステップと;
前記プロセッサが、前記標的遺伝子の各々について、期待される遺伝子発現レベルと観察された患者固有の発現レベルとの間の患者固有の不一致スコアを計算するステップと;
前記プロセッサが、前記標的遺伝子の各々について、患者固有の活性化スコアを計算するステップであって、前記活性化スコアは、正規分布としてモデル化された遺伝子発現レベル分布を使用して得られる、ステップと;
前記プロセッサが、発現レベルが前記期待される発現レベルと有意に不一致な患者固有の標的遺伝子を識別するために、すべての患者サンプルについての活性化及び不一致スコアを評価するステップと;
前記プロセッサが、標的遺伝子の発現レベルにおける不一致と、その特定の標的遺伝子の上流調節ネットワークにおける体細胞突然変異との間の統計的に有意な関連を識別するステップであって、突然変異が識別された特定の標的遺伝子の上流調節ネットワークにおける各親遺伝子について、前記計算された患者固有の不一致スコア、前記特定の標的遺伝子の上流調節ネットワーク内の遺伝子及び1つ以上の突然変異を含む1組の遺伝子に少なくとも部分的に基づいて、体細胞突然変異の機能的影響スコアを計算するステップを含む、ステップと;
前記プロセッサが、前記特定の標的遺伝子の前記上流調節ネットワーク内の2つ以上の親遺伝子についての前記計算された機能的影響スコアに基づいて、最も影響力のある親遺伝子を決定するステップであって、該最も影響力のある親遺伝子は、前記特定の標的遺伝子の前記上流調節ネットワーク内の他の親遺伝子と比較して、前記標的遺伝子の発現に影響を与えた可能性が最も高い、突然変異した親遺伝子を備える、ステップと;
前記プロセッサが、前記の有意な不一致を有する標的遺伝子を異常又は調節不全遺伝子として報告するステップであって、該報告は、前記の有意な不一致を有する標的遺伝子のうちの1つ以上について最も影響力のある標的遺伝子の識別を含む、ステップと;
を含む、方法。 - 前記非線形関数は、前記測定ベースのオミックスデータから得られる前記遺伝子のエピジェネティック情報及び前記遺伝子の調節サブネットワークの状態に基づいて決定される、
請求項1に記載の方法。 - 前記非線形関数は、サブネットワーク内の調節遺伝子の潜在的により強い影響を捕捉するグローバル深さペナルティメカニズムを用いて決定される、
請求項2に記載の方法。 - 前記患者固有の情報は、RNA発現データ、CNVデータ、メチル化データ及び体細胞突然変異データのような癌サンプルデータを含む、
請求項1に記載の方法。 - 個々の患者サンプルにおける遺伝子発現レベルの有意な偏差及び不一致を識別するための統合された統一ネットワークを備えるシステムであって:
キュレートされた生物学的ネットワーク経路情報から取得される各標的遺伝子についての上流調節親遺伝子情報の第1データセットであって、前記経路情報を受け取るように構成されたプロセッサ上に配置され、前記標的遺伝子の発現レベルと前記標的遺伝子のゲノム及びエピジェネティック状態、並びにその遺伝子の上流転写調節因子の関係を備える前記第1データセットと;
前記標的遺伝子の発現レベルと前記標的遺伝子のゲノム及びエピジェネティック状態、並びにその上流転写調節因子の関係を捕捉する各固有の標的遺伝子についての調節ツリーであって、前記第1データセットから決定される調節ツリーと;
RNAseq発現データ、コピー数多型データ及びDNAメチル化データのうちの少なくとも1つを含む、測定ベースのオミックスデータの第2データセットであって、そのようなデータを受け取るように構成されるプロセッサ上に配置される第2データセットと;
各標的遺伝子についての非線形関数であって、該非線形関数のパラメータは、修正ベイジアン推論法を使用して決定される、非線形関数と;
前記標的遺伝子についての観察された発現レベルに関連し、かつ前記標的遺伝子のうちの1つ以上についての前記決定された調節サブネットワーク内の1つ以上の親遺伝子のシーケンスを備える、患者固有の情報の第3データセットであって、前記患者固有の情報は、新たな癌サンプルデータを含む、患者固有の情報の第3データセットと;
を備え、
前記標的遺伝子の発現レベルは前記非線形関数を利用して決定され、関連する患者固有の不一致スコアは、所与のサンプル内の前記標的遺伝子について予測された発現レベルと観察された発現レベルとの間で決定され、
活性化及び不一致スコアがすべてのテストサンプルについて決定され、これにより、前記標的遺伝子の発現レベルの不一致とその特定の遺伝子の上流調節ネットワークにおける体細胞突然変異との間の統計的に有意な関連は、(i)突然変異が識別された特定の標的遺伝子の上流調節ネットワークにおける各親遺伝子について、計算された患者固有の不一致スコア、前記特定の標的遺伝子の上流調節ネットワーク内の遺伝子及び1つ以上の突然変異を含む1組の遺伝子に少なくとも部分的に基づいて、体細胞突然変異の機能的影響スコアを計算するステップと;(ii)前記特定の標的遺伝子の前記上流調節ネットワーク内の2つ以上の親遺伝子についての前記計算された機能的影響スコアに基づいて、最も影響力のある親遺伝子を決定するステップであって、該最も影響力のある親遺伝子は、前記特定の標的遺伝子の前記上流調節ネットワーク内の他の親遺伝子と比較して、前記標的遺伝子の発現に影響を与えた可能性が最も高い、突然変異した親遺伝子を備える、ステップと;を備えるプロセスによって、識別され、前記活性化スコアは、正規分布としてモデル化された遺伝子発現レベル分布を使用して得られる、システム。 - 前記非線形関数は、前記測定ベースのオミックスデータから得られる前記遺伝子のエピジェネティック情報及び前記遺伝子の調節サブネットワークの状態に基づいて決定される、
請求項5に記載のシステム。 - 前記修正ベイジアン推論法によって決定される前記非線形関数は、サブネットワーク内の調節遺伝子の潜在的により強い影響を捕捉するグローバル深さペナルティメカニズムを組み込む、
請求項6に記載のシステム。 - 前記患者固有の情報は、RNA発現データ、CNVデータ、メチル化データ及び体細胞突然変異データのような癌サンプルデータを含む、
請求項5に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562210502P | 2015-08-27 | 2015-08-27 | |
US62/210,502 | 2015-08-27 | ||
PCT/IB2016/055092 WO2017033154A1 (en) | 2015-08-27 | 2016-08-26 | An integrated method and system for identifying functional patient-specific somatic aberations using multi-omic cancer profiles |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018532214A JP2018532214A (ja) | 2018-11-01 |
JP6883584B2 true JP6883584B2 (ja) | 2021-06-09 |
Family
ID=56920891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018530190A Active JP6883584B2 (ja) | 2015-08-27 | 2016-08-26 | マルチオミック癌プロファイルを用いて機能的な患者固有の体細胞異常を識別するための統合された方法及びシステム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20180247010A1 (ja) |
EP (1) | EP3341875A1 (ja) |
JP (1) | JP6883584B2 (ja) |
CN (1) | CN108292326B (ja) |
WO (1) | WO2017033154A1 (ja) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3083820A1 (en) * | 2017-11-28 | 2019-06-06 | Csts Health Care Inc. | Incorporation of fusion genes into ppi network target selection via gibbs homology |
CN110853706B (zh) * | 2018-08-01 | 2022-07-22 | 中国科学院深圳先进技术研究院 | 一种整合表观遗传组学的肿瘤克隆组成构建方法及系统 |
CN110889822B (zh) * | 2018-08-17 | 2023-06-06 | 台湾积体电路制造股份有限公司 | 晶圆设计影像分析方法、系统与非暂态计算机可读取媒体 |
CN109411015B (zh) * | 2018-09-28 | 2020-12-22 | 深圳裕策生物科技有限公司 | 基于循环肿瘤dna的肿瘤突变负荷检测装置及存储介质 |
CN109300502A (zh) * | 2018-10-10 | 2019-02-01 | 汕头大学医学院 | 一种从多组学数据中分析关联变化模式的系统和方法 |
CN113228194A (zh) * | 2018-10-12 | 2021-08-06 | 人类长寿公司 | 用于癌症基因组和临床数据综合分析的多组学搜索引擎 |
US20220076785A1 (en) * | 2018-12-21 | 2022-03-10 | Phil Rivers Technology, Ltd. | Method for acquiring intracellular deterministic event, electronic device and storage medium |
CN110675912B (zh) * | 2019-09-17 | 2022-11-08 | 东北大学 | 一种基于结构预测的基因调控网络构建方法 |
CN111009292B (zh) * | 2019-11-20 | 2023-04-21 | 华南理工大学 | 基于单样本sKLD指标检测复杂生物系统相变临界点的方法 |
JP6777351B2 (ja) * | 2020-05-28 | 2020-10-28 | 株式会社テンクー | プログラム、情報処理装置および情報処理方法 |
EP4191594A4 (en) * | 2020-07-28 | 2024-04-10 | Xcoo Inc | PROGRAM, LEARNING MODEL, INFORMATION PROCESSING DEVICE AND METHOD, AND LEARNING MODEL GENERATION METHOD |
CN112270952B (zh) * | 2020-10-30 | 2022-04-05 | 广西师范大学 | 一种识别癌症驱动通路的方法 |
CN112820353B (zh) * | 2021-01-22 | 2023-10-03 | 中山大学 | 一种分析细胞命运转换关键转录因子的方法及系统 |
CN113113083B (zh) * | 2021-04-09 | 2022-08-09 | 山东大学 | 集体细胞突变数据和蛋白质网络的肿瘤驱动通路预测系统 |
WO2023097238A1 (en) * | 2021-11-23 | 2023-06-01 | The Board Of Trustees Of The Leland Stanford Junior University | Methods and systems for learning gene regulatory networks using sparse gaussian mixture models |
CN116486908B (zh) * | 2023-03-13 | 2024-03-15 | 大理大学 | 单细胞miRNA海绵网络推理方法、装置、设备及存储介质 |
CN116805513B (zh) * | 2023-08-23 | 2023-10-31 | 成都信息工程大学 | 一种基于异构图Transformer框架的癌症驱动基因预测与分析方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2430142A1 (en) * | 2000-12-07 | 2002-06-13 | Phase It Intelligent Solutions Ag | Expert system for classification and prediction of genetic diseases |
AU2003258247A1 (en) * | 2002-08-15 | 2004-03-03 | Farmer, Charles, Davis. Jr. | Medical decision support systems utilizing gene expression and clinical information and method for use |
WO2008050356A1 (en) * | 2006-10-27 | 2008-05-02 | Decode Genetics | Cancer susceptibility variants on chr8q24.21 |
US8498821B2 (en) * | 2008-10-31 | 2013-07-30 | Abbvie Inc. | Genomic classification of malignant melanoma based on patterns of gene copy number alterations |
US9074206B2 (en) * | 2008-11-13 | 2015-07-07 | Fudan University | Compositions and methods for micro-RNA expression profiling of colorectal cancer |
WO2011125917A1 (ja) * | 2010-03-31 | 2011-10-13 | 国立大学法人熊本大学 | 統合プロテオーム解析用データ群の生成方法ならびに同生成方法にて生成した統合プロテオーム解析用データ群を用いる統合プロテオーム解析方法、およびそれを用いた原因物質同定方法 |
EP2549399A1 (en) * | 2011-07-19 | 2013-01-23 | Koninklijke Philips Electronics N.V. | Assessment of Wnt pathway activity using probabilistic modeling of target gene expression |
KR20140104993A (ko) * | 2011-12-16 | 2014-08-29 | 크리티컬 아웃컴 테크놀로지스 인크. | 암치료를 결정하기 위한 프로그램가능한 세포 모델 |
CA2888125A1 (en) * | 2012-10-09 | 2014-04-17 | Five3 Genomics, Llc | Systems and methods for learning and identification of regulatory interactions in biological pathways |
CN105404793B (zh) * | 2015-12-07 | 2018-05-11 | 浙江大学 | 基于概率框架和重测序技术快速发现表型相关基因的方法 |
-
2016
- 2016-08-26 JP JP2018530190A patent/JP6883584B2/ja active Active
- 2016-08-26 EP EP16763967.3A patent/EP3341875A1/en not_active Withdrawn
- 2016-08-26 CN CN201680049945.XA patent/CN108292326B/zh active Active
- 2016-08-26 US US15/755,878 patent/US20180247010A1/en not_active Abandoned
- 2016-08-26 WO PCT/IB2016/055092 patent/WO2017033154A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2017033154A1 (en) | 2017-03-02 |
CN108292326B (zh) | 2022-04-01 |
EP3341875A1 (en) | 2018-07-04 |
US20180247010A1 (en) | 2018-08-30 |
CN108292326A (zh) | 2018-07-17 |
JP2018532214A (ja) | 2018-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6883584B2 (ja) | マルチオミック癌プロファイルを用いて機能的な患者固有の体細胞異常を識別するための統合された方法及びシステム | |
Cooke et al. | A unified haplotype-based method for accurate and comprehensive variant calling | |
Gerds et al. | The performance of risk prediction models | |
US20220076789A1 (en) | Filtering genetic networks to discover populations of interest | |
BR112019027179A2 (pt) | interpretação de variantes genéticas e genômicas por meio de uma estrutura de aprendizagem profunda de mutação computacional e experimental integrada | |
JP2005531853A (ja) | Snp遺伝子型クラスタリングのためのシステムおよび方法 | |
US20200239965A1 (en) | Source of origin deconvolution based on methylation fragments in cell-free dna samples | |
JP2022516152A (ja) | 転移性組織サンプルのトランスクリプトームデコンボリューション | |
JP2021503922A (ja) | ターゲットシーケンシングのためのモデル | |
US10699802B2 (en) | Microsatellite instability characterization | |
Telesca et al. | Modeling dependent gene expression | |
CN110289047A (zh) | 基于测序数据的肿瘤纯度及绝对拷贝数预测方法及系统 | |
Rahnenführer et al. | Statistical analysis of high-dimensional biomedical data: a gentle introduction to analytical goals, common approaches and challenges | |
Chen et al. | A nonparametric approach to detect nonlinear correlation in gene expression | |
Kumar et al. | Integrating Diverse Omics Data Using Graph Convolutional Networks: Advancing Comprehensive Analysis and Classification in Colorectal Cancer | |
Li et al. | An empirical Bayes approach for multiple tissue eQTL analysis | |
Kundu et al. | Bayesian variable selection with graphical structure learning: Applications in integrative genomics | |
US20200105374A1 (en) | Mixture model for targeted sequencing | |
Razi et al. | Non-linear Bayesian framework to determine the transcriptional effects of cancer-associated genomic aberrations | |
KR102659915B1 (ko) | 환자의 의학적 정보를 예측하기 위한 유전자 선별 방법 및 이의 활용 | |
US20230342364A1 (en) | Filtering individual datasets in a database | |
Rotolo et al. | High-dimensional, penalized-regression models in time-to-event clinical trials | |
Fu | Differential Dependency Network and Data Integration for Detecting Network Rewiring and Biomarkers | |
Ogundijo | Bayesian Inference for Genomic Data Analysis | |
US20220293212A1 (en) | Method for automatically predicting treatment management factor characteristics of disease and electronic apparatus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180427 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190823 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201020 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210118 |
|
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: 20210413 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210510 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6883584 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |