JP7097100B2 - 免疫実体の効率的クラスタリング - Google Patents
免疫実体の効率的クラスタリング Download PDFInfo
- Publication number
- JP7097100B2 JP7097100B2 JP2020506675A JP2020506675A JP7097100B2 JP 7097100 B2 JP7097100 B2 JP 7097100B2 JP 2020506675 A JP2020506675 A JP 2020506675A JP 2020506675 A JP2020506675 A JP 2020506675A JP 7097100 B2 JP7097100 B2 JP 7097100B2
- Authority
- JP
- Japan
- Prior art keywords
- immune
- disease
- disorder
- binding mode
- entities
- 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
- 239000000427 antigen Substances 0.000 claims description 477
- 108091007433 antigens Proteins 0.000 claims description 474
- 102000036639 antigens Human genes 0.000 claims description 474
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 463
- 238000000034 method Methods 0.000 claims description 456
- 230000027455 binding Effects 0.000 claims description 394
- 238000009739 binding Methods 0.000 claims description 394
- 201000010099 disease Diseases 0.000 claims description 246
- 208000035475 disorder Diseases 0.000 claims description 217
- 238000004458 analytical method Methods 0.000 claims description 147
- 238000010801 machine learning Methods 0.000 claims description 104
- 239000013598 vector Substances 0.000 claims description 59
- 230000001900 immune effect Effects 0.000 claims description 48
- 239000000284 extract Substances 0.000 claims description 10
- 102000016266 T-Cell Antigen Receptors Human genes 0.000 description 130
- 108091008874 T cell receptors Proteins 0.000 description 129
- 108090000623 proteins and genes Proteins 0.000 description 93
- 210000004027 cell Anatomy 0.000 description 90
- 239000000126 substance Substances 0.000 description 67
- 108090000765 processed proteins & peptides Proteins 0.000 description 62
- 108091008875 B cell receptors Proteins 0.000 description 59
- 210000001744 T-lymphocyte Anatomy 0.000 description 59
- 239000000203 mixture Substances 0.000 description 55
- 229960005486 vaccine Drugs 0.000 description 52
- 206010028980 Neoplasm Diseases 0.000 description 48
- 102000004196 processed proteins & peptides Human genes 0.000 description 44
- 238000011282 treatment Methods 0.000 description 44
- 108010047041 Complementarity Determining Regions Proteins 0.000 description 42
- 108010019670 Chimeric Antigen Receptors Proteins 0.000 description 40
- 229920001184 polypeptide Polymers 0.000 description 40
- 230000006870 function Effects 0.000 description 38
- 235000018102 proteins Nutrition 0.000 description 37
- 102000004169 proteins and genes Human genes 0.000 description 37
- 230000014509 gene expression Effects 0.000 description 36
- 201000011510 cancer Diseases 0.000 description 35
- 238000004590 computer program Methods 0.000 description 35
- 238000003745 diagnosis Methods 0.000 description 33
- 239000012634 fragment Substances 0.000 description 32
- 125000003275 alpha amino acid group Chemical group 0.000 description 30
- 150000007523 nucleic acids Chemical class 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 27
- 150000001413 amino acids Chemical class 0.000 description 26
- 239000003814 drug Substances 0.000 description 26
- 238000011156 evaluation Methods 0.000 description 25
- 102000039446 nucleic acids Human genes 0.000 description 24
- 108020004707 nucleic acids Proteins 0.000 description 24
- 108091034117 Oligonucleotide Proteins 0.000 description 23
- 230000000694 effects Effects 0.000 description 23
- 229940079593 drug Drugs 0.000 description 21
- 101100112922 Candida albicans CDR3 gene Proteins 0.000 description 20
- 102000040430 polynucleotide Human genes 0.000 description 20
- 108091033319 polynucleotide Proteins 0.000 description 20
- 239000002157 polynucleotide Substances 0.000 description 20
- 239000000090 biomarker Substances 0.000 description 18
- 238000010168 coupling process Methods 0.000 description 18
- 210000000987 immune system Anatomy 0.000 description 18
- 230000002265 prevention Effects 0.000 description 18
- 210000003719 b-lymphocyte Anatomy 0.000 description 17
- 230000008878 coupling Effects 0.000 description 17
- 238000005859 coupling reaction Methods 0.000 description 17
- 230000003993 interaction Effects 0.000 description 17
- 239000000523 sample Substances 0.000 description 17
- 238000003860 storage Methods 0.000 description 17
- 238000003556 assay Methods 0.000 description 16
- 230000001965 increasing effect Effects 0.000 description 15
- 230000002411 adverse Effects 0.000 description 14
- 230000028993 immune response Effects 0.000 description 14
- 230000036039 immunity Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 14
- 206010006187 Breast cancer Diseases 0.000 description 13
- 208000026310 Breast neoplasm Diseases 0.000 description 13
- 239000002671 adjuvant Substances 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 13
- 239000003085 diluting agent Substances 0.000 description 13
- 108020004414 DNA Proteins 0.000 description 12
- 230000003247 decreasing effect Effects 0.000 description 12
- 210000005259 peripheral blood Anatomy 0.000 description 12
- 239000011886 peripheral blood Substances 0.000 description 12
- 239000008194 pharmaceutical composition Substances 0.000 description 12
- 108090000695 Cytokines Proteins 0.000 description 11
- 102000004127 Cytokines Human genes 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 11
- 230000002209 hydrophobic effect Effects 0.000 description 11
- 102000005962 receptors Human genes 0.000 description 11
- 108020003175 receptors Proteins 0.000 description 11
- -1 aromatic amino acid Chemical class 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000000338 in vitro Methods 0.000 description 10
- 230000035772 mutation Effects 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000002773 nucleotide Substances 0.000 description 9
- 125000003729 nucleotide group Chemical group 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 102100026964 M1-specific T cell receptor beta chain Human genes 0.000 description 8
- 108010087408 alpha-beta T-Cell Antigen Receptors Proteins 0.000 description 8
- 239000003181 biological factor Substances 0.000 description 8
- 238000002659 cell therapy Methods 0.000 description 8
- 238000010195 expression analysis Methods 0.000 description 8
- 238000001727 in vivo Methods 0.000 description 8
- 239000000546 pharmaceutical excipient Substances 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 8
- 230000008707 rearrangement Effects 0.000 description 8
- 230000001225 therapeutic effect Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 102100040678 Programmed cell death protein 1 Human genes 0.000 description 7
- 101710089372 Programmed cell death protein 1 Proteins 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 7
- 239000013078 crystal Substances 0.000 description 7
- 239000012636 effector Substances 0.000 description 7
- 210000002865 immune cell Anatomy 0.000 description 7
- 208000015181 infectious disease Diseases 0.000 description 7
- 239000003446 ligand Substances 0.000 description 7
- 239000003550 marker Substances 0.000 description 7
- 108020004999 messenger RNA Proteins 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 150000003384 small molecules Chemical class 0.000 description 7
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 6
- ISAKRJDGNUQOIC-UHFFFAOYSA-N Uracil Chemical compound O=C1C=CNC(=O)N1 ISAKRJDGNUQOIC-UHFFFAOYSA-N 0.000 description 6
- 229940125644 antibody drug Drugs 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 239000003153 chemical reaction reagent Substances 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- NFGXHKASABOEEW-UHFFFAOYSA-N 1-methylethyl 11-methoxy-3,7,11-trimethyl-2,4-dodecadienoate Chemical compound COC(C)(C)CCCC(C)CC=CC(C)=CC(=O)OC(C)C NFGXHKASABOEEW-UHFFFAOYSA-N 0.000 description 5
- 108010074708 B7-H1 Antigen Proteins 0.000 description 5
- 208000035473 Communicable disease Diseases 0.000 description 5
- 229940076838 Immune checkpoint inhibitor Drugs 0.000 description 5
- 102000037984 Inhibitory immune checkpoint proteins Human genes 0.000 description 5
- 108091008026 Inhibitory immune checkpoint proteins Proteins 0.000 description 5
- 101150008942 J gene Proteins 0.000 description 5
- 102100024216 Programmed cell death 1 ligand 1 Human genes 0.000 description 5
- 241000700605 Viruses Species 0.000 description 5
- 239000000969 carrier Substances 0.000 description 5
- 230000003915 cell function Effects 0.000 description 5
- OPTASPLRGRRNAP-UHFFFAOYSA-N cytosine Chemical compound NC=1C=CNC(=O)N=1 OPTASPLRGRRNAP-UHFFFAOYSA-N 0.000 description 5
- 238000003114 enzyme-linked immunosorbent spot assay Methods 0.000 description 5
- 239000012274 immune-checkpoint protein inhibitor Substances 0.000 description 5
- 230000001024 immunotherapeutic effect Effects 0.000 description 5
- 210000004698 lymphocyte Anatomy 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 101150097493 D gene Proteins 0.000 description 4
- 238000002965 ELISA Methods 0.000 description 4
- 238000011510 Elispot assay Methods 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 4
- 108090000790 Enzymes Proteins 0.000 description 4
- 241000701044 Human gammaherpesvirus 4 Species 0.000 description 4
- 102000037982 Immune checkpoint proteins Human genes 0.000 description 4
- 108091008036 Immune checkpoint proteins Proteins 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 108091028043 Nucleic acid sequence Proteins 0.000 description 4
- 102000040945 Transcription factor Human genes 0.000 description 4
- 108091023040 Transcription factor Proteins 0.000 description 4
- 101150117115 V gene Proteins 0.000 description 4
- 210000000612 antigen-presenting cell Anatomy 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000001580 bacterial effect Effects 0.000 description 4
- 210000000170 cell membrane Anatomy 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 239000002299 complementary DNA Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 239000000539 dimer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000037406 food intake Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000009396 hybridization Methods 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 208000020816 lung neoplasm Diseases 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001717 pathogenic effect Effects 0.000 description 4
- 229920000642 polymer Polymers 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 210000001082 somatic cell Anatomy 0.000 description 4
- 235000000346 sugar Nutrition 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000002560 therapeutic procedure Methods 0.000 description 4
- 210000004881 tumor cell Anatomy 0.000 description 4
- 208000023275 Autoimmune disease Diseases 0.000 description 3
- 102000019260 B-Cell Antigen Receptors Human genes 0.000 description 3
- 108010012919 B-Cell Antigen Receptors Proteins 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 3
- 108020004705 Codon Proteins 0.000 description 3
- HMFHBZSHGGEWLO-SOOFDHNKSA-N D-ribofuranose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H]1O HMFHBZSHGGEWLO-SOOFDHNKSA-N 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 229910019142 PO4 Inorganic materials 0.000 description 3
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 3
- PYMYPHUHKUWMLA-LMVFSUKVSA-N Ribose Natural products OC[C@@H](O)[C@@H](O)[C@@H](O)C=O PYMYPHUHKUWMLA-LMVFSUKVSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- HMFHBZSHGGEWLO-UHFFFAOYSA-N alpha-D-Furanose-Ribose Natural products OCC1OC(O)C(O)C1O HMFHBZSHGGEWLO-UHFFFAOYSA-N 0.000 description 3
- 125000000539 amino acid group Chemical group 0.000 description 3
- 230000008827 biological function Effects 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 210000001151 cytotoxic T lymphocyte Anatomy 0.000 description 3
- 230000003013 cytotoxicity Effects 0.000 description 3
- 231100000135 cytotoxicity Toxicity 0.000 description 3
- 239000000032 diagnostic agent Substances 0.000 description 3
- 229940039227 diagnostic agent Drugs 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000001973 epigenetic effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008348 humoral response Effects 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 238000001802 infusion Methods 0.000 description 3
- 238000007918 intramuscular administration Methods 0.000 description 3
- 238000001990 intravenous administration Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 150000002632 lipids Chemical class 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000001404 mediated effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000000825 pharmaceutical preparation Substances 0.000 description 3
- 229940127557 pharmaceutical product Drugs 0.000 description 3
- 239000010452 phosphate Substances 0.000 description 3
- 102000054765 polymorphisms of proteins Human genes 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011321 prophylaxis Methods 0.000 description 3
- 238000000159 protein binding assay Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229940031626 subunit vaccine Drugs 0.000 description 3
- 150000008163 sugars Chemical class 0.000 description 3
- 210000003171 tumor-infiltrating lymphocyte Anatomy 0.000 description 3
- 229940035893 uracil Drugs 0.000 description 3
- 238000002255 vaccination Methods 0.000 description 3
- 108091007741 Chimeric antigen receptor T cells Proteins 0.000 description 2
- 102100029722 Ectonucleoside triphosphate diphosphohydrolase 1 Human genes 0.000 description 2
- 238000000729 Fisher's exact test Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 2
- 108010017213 Granulocyte-Macrophage Colony-Stimulating Factor Proteins 0.000 description 2
- 102100039620 Granulocyte-macrophage colony-stimulating factor Human genes 0.000 description 2
- 101001012447 Homo sapiens Ectonucleoside triphosphate diphosphohydrolase 1 Proteins 0.000 description 2
- 108060003951 Immunoglobulin Proteins 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 2
- 108091005461 Nucleic proteins Proteins 0.000 description 2
- 108010038807 Oligopeptides Proteins 0.000 description 2
- 102000015636 Oligopeptides Human genes 0.000 description 2
- 102100040557 Osteopontin Human genes 0.000 description 2
- 108010003723 Single-Domain Antibodies Proteins 0.000 description 2
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 108010092262 T-Cell Antigen Receptors Proteins 0.000 description 2
- 238000005411 Van der Waals force Methods 0.000 description 2
- JLCPHMBAVCMARE-UHFFFAOYSA-N [3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-hydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methyl [5-(6-aminopurin-9-yl)-2-(hydroxymethyl)oxolan-3-yl] hydrogen phosphate Polymers Cc1cn(C2CC(OP(O)(=O)OCC3OC(CC3OP(O)(=O)OCC3OC(CC3O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c3nc(N)[nH]c4=O)C(COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3CO)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cc(C)c(=O)[nH]c3=O)n3cc(C)c(=O)[nH]c3=O)n3ccc(N)nc3=O)n3cc(C)c(=O)[nH]c3=O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)O2)c(=O)[nH]c1=O JLCPHMBAVCMARE-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000001093 anti-cancer Effects 0.000 description 2
- 230000000840 anti-viral effect Effects 0.000 description 2
- 238000009175 antibody therapy Methods 0.000 description 2
- 239000007864 aqueous solution Substances 0.000 description 2
- 239000002458 cell surface marker Substances 0.000 description 2
- 230000036755 cellular response Effects 0.000 description 2
- 238000002512 chemotherapy Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000002856 computational phylogenetic analysis Methods 0.000 description 2
- 229940104302 cytosine Drugs 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007876 drug discovery Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000002825 functional assay Methods 0.000 description 2
- 210000002443 helper t lymphocyte Anatomy 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229940126546 immune checkpoint molecule Drugs 0.000 description 2
- 238000010166 immunofluorescence Methods 0.000 description 2
- 102000018358 immunoglobulin Human genes 0.000 description 2
- 229940072221 immunoglobulins Drugs 0.000 description 2
- 239000002955 immunomodulating agent Substances 0.000 description 2
- 238000001114 immunoprecipitation Methods 0.000 description 2
- 238000009169 immunotherapy Methods 0.000 description 2
- 238000000126 in silico method Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 238000007912 intraperitoneal administration Methods 0.000 description 2
- 238000007798 limiting dilution analysis Methods 0.000 description 2
- 239000012931 lyophilized formulation Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 201000001441 melanoma Diseases 0.000 description 2
- 238000002887 multiple sequence alignment Methods 0.000 description 2
- 108010091748 peptide A Proteins 0.000 description 2
- 230000010399 physical interaction Effects 0.000 description 2
- 230000004481 post-translational protein modification Effects 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 238000003498 protein array Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 210000003289 regulatory T cell Anatomy 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000007920 subcutaneous administration Methods 0.000 description 2
- 238000010254 subcutaneous injection Methods 0.000 description 2
- 239000007929 subcutaneous injection Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 229940124597 therapeutic agent Drugs 0.000 description 2
- 229940126585 therapeutic drug Drugs 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- FVPXJPVSJNSJBL-UHFFFAOYSA-N 1h-pyrimidine-2,4-dione;1,3-thiazole Chemical class C1=CSC=N1.O=C1C=CNC(=O)N1 FVPXJPVSJNSJBL-UHFFFAOYSA-N 0.000 description 1
- VGONTNSXDCQUGY-RRKCRQDMSA-N 2'-deoxyinosine Chemical group C1[C@H](O)[C@@H](CO)O[C@H]1N1C(N=CNC2=O)=C2N=C1 VGONTNSXDCQUGY-RRKCRQDMSA-N 0.000 description 1
- 102220554166 APC membrane recruitment protein 1_D50A_mutation Human genes 0.000 description 1
- 102220554193 APC membrane recruitment protein 1_E38A_mutation Human genes 0.000 description 1
- 102220554194 APC membrane recruitment protein 1_E39A_mutation Human genes 0.000 description 1
- 102220554196 APC membrane recruitment protein 1_E41A_mutation Human genes 0.000 description 1
- 102220554136 APC membrane recruitment protein 1_E42A_mutation Human genes 0.000 description 1
- 102220553677 APC membrane recruitment protein 1_E48A_mutation Human genes 0.000 description 1
- 102220547941 ASNSD1 upstream open reading frame protein_F43A_mutation Human genes 0.000 description 1
- 102220571521 ATP-dependent DNA helicase Q1_F46A_mutation Human genes 0.000 description 1
- 108700028369 Alleles Proteins 0.000 description 1
- 102220625592 Anaphase-promoting complex subunit 2_E54A_mutation Human genes 0.000 description 1
- 102220478584 Apoptosis regulator Bcl-2_E50A_mutation Human genes 0.000 description 1
- 102220567527 BICD family-like cargo adapter 2_F41A_mutation Human genes 0.000 description 1
- 108010021064 CTLA-4 Antigen Proteins 0.000 description 1
- 102000008203 CTLA-4 Antigen Human genes 0.000 description 1
- 229940045513 CTLA4 antagonist Drugs 0.000 description 1
- 102220530329 Calcium-transporting ATPase type 2C member 1_D41A_mutation Human genes 0.000 description 1
- 101710098119 Chaperonin GroEL 2 Proteins 0.000 description 1
- 108020004635 Complementary DNA Proteins 0.000 description 1
- 102220480289 Copper-transporting ATPase 2_F39A_mutation Human genes 0.000 description 1
- 102220473624 Cytochrome b5_D38A_mutation Human genes 0.000 description 1
- 102220473015 Cytochrome b5_F44A_mutation Human genes 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 238000001712 DNA sequencing Methods 0.000 description 1
- 206010011968 Decreased immune responsiveness Diseases 0.000 description 1
- 102220483252 Diphosphoinositol polyphosphate phosphohydrolase 2_F40A_mutation Human genes 0.000 description 1
- 102220574241 Ellis-van Creveld syndrome protein_D40A_mutation Human genes 0.000 description 1
- 102220574238 Ellis-van Creveld syndrome protein_F52A_mutation Human genes 0.000 description 1
- 108700004922 F42A Proteins 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 108700039691 Genetic Promoter Regions Proteins 0.000 description 1
- 102100039619 Granulocyte colony-stimulating factor Human genes 0.000 description 1
- 102000025850 HLA-A2 Antigen Human genes 0.000 description 1
- 108010074032 HLA-A2 Antigen Proteins 0.000 description 1
- 108010075326 HLA-B51 Antigen Proteins 0.000 description 1
- 108010091938 HLA-B7 Antigen Proteins 0.000 description 1
- 102100034458 Hepatitis A virus cellular receptor 2 Human genes 0.000 description 1
- 101710083479 Hepatitis A virus cellular receptor 2 homolog Proteins 0.000 description 1
- 108010088652 Histocompatibility Antigens Class I Proteins 0.000 description 1
- 102000008949 Histocompatibility Antigens Class I Human genes 0.000 description 1
- 102000018713 Histocompatibility Antigens Class II Human genes 0.000 description 1
- 108010027412 Histocompatibility Antigens Class II Proteins 0.000 description 1
- 101000746367 Homo sapiens Granulocyte colony-stimulating factor Proteins 0.000 description 1
- 101001137987 Homo sapiens Lymphocyte activation gene 3 protein Proteins 0.000 description 1
- 101000613820 Homo sapiens Osteopontin Proteins 0.000 description 1
- 101000662909 Homo sapiens T cell receptor beta constant 1 Proteins 0.000 description 1
- 101000662902 Homo sapiens T cell receptor beta constant 2 Proteins 0.000 description 1
- 101000679306 Homo sapiens T cell receptor gamma constant 1 Proteins 0.000 description 1
- 101000679307 Homo sapiens T cell receptor gamma constant 2 Proteins 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 108010054477 Immunoglobulin Fab Fragments Proteins 0.000 description 1
- 102000001706 Immunoglobulin Fab Fragments Human genes 0.000 description 1
- 102220492671 Integrin alpha-3_F48A_mutation Human genes 0.000 description 1
- 102000013462 Interleukin-12 Human genes 0.000 description 1
- 108010065805 Interleukin-12 Proteins 0.000 description 1
- 108010002350 Interleukin-2 Proteins 0.000 description 1
- 102000000588 Interleukin-2 Human genes 0.000 description 1
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 description 1
- 102000017578 LAG3 Human genes 0.000 description 1
- 102220465493 Lymphocyte activation gene 3 protein_D52A_mutation Human genes 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 108700018351 Major Histocompatibility Complex Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 102220496917 Mth938 domain-containing protein_D46A_mutation Human genes 0.000 description 1
- 102000007474 Multiprotein Complexes Human genes 0.000 description 1
- 108010085220 Multiprotein Complexes Proteins 0.000 description 1
- 101100407308 Mus musculus Pdcd1lg2 gene Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 108091007491 NSP3 Papain-like protease domains Proteins 0.000 description 1
- 238000000636 Northern blotting Methods 0.000 description 1
- 108700001237 Nucleic Acid-Based Vaccines Proteins 0.000 description 1
- 108010081689 Osteopontin Proteins 0.000 description 1
- 101800005149 Peptide B Proteins 0.000 description 1
- 108010043958 Peptoids Proteins 0.000 description 1
- 102220476272 Polyunsaturated fatty acid lipoxygenase ALOX15B_D39A_mutation Human genes 0.000 description 1
- 102220547160 Profilin-3_F42A_mutation Human genes 0.000 description 1
- 108700030875 Programmed Cell Death 1 Ligand 2 Proteins 0.000 description 1
- 102100024213 Programmed cell death 1 ligand 2 Human genes 0.000 description 1
- 102220470155 Protein argonaute-3_D42A_mutation Human genes 0.000 description 1
- 102220469877 Protein argonaute-3_F50A_mutation Human genes 0.000 description 1
- 102220543672 Protein patched homolog 2_E43A_mutation Human genes 0.000 description 1
- 108090000412 Protein-Tyrosine Kinases Proteins 0.000 description 1
- 102000004022 Protein-Tyrosine Kinases Human genes 0.000 description 1
- 238000003559 RNA-seq method Methods 0.000 description 1
- 108700005075 Regulator Genes Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 102220468573 Serine/Arginine-related protein 53_E40A_mutation Human genes 0.000 description 1
- 102220468502 Serine/Arginine-related protein 53_E46A_mutation Human genes 0.000 description 1
- 102220468571 Serine/Arginine-related protein 53_F38A_mutation Human genes 0.000 description 1
- 102220615669 Synaptotagmin-3_E52A_mutation Human genes 0.000 description 1
- 102220602177 Synaptotagmin-3_F54A_mutation Human genes 0.000 description 1
- 230000006044 T cell activation Effects 0.000 description 1
- 230000024932 T cell mediated immunity Effects 0.000 description 1
- 102100037272 T cell receptor beta constant 1 Human genes 0.000 description 1
- 102100037298 T cell receptor beta constant 2 Human genes 0.000 description 1
- 102100022590 T cell receptor gamma constant 1 Human genes 0.000 description 1
- 102100022571 T cell receptor gamma constant 2 Human genes 0.000 description 1
- 230000005867 T cell response Effects 0.000 description 1
- 229940126547 T-cell immunoglobulin mucin-3 Drugs 0.000 description 1
- 102220622474 Transcriptional regulator QRICH1_D43A_mutation Human genes 0.000 description 1
- 102220622391 Transcriptional regulator QRICH1_D44A_mutation Human genes 0.000 description 1
- 241000703392 Tribec virus Species 0.000 description 1
- 241001416177 Vicugna pacos Species 0.000 description 1
- 108010067390 Viral Proteins Proteins 0.000 description 1
- 102220469729 Voltage-dependent L-type calcium channel subunit beta-2_D54K_mutation Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000021736 acetylation Effects 0.000 description 1
- 238000006640 acetylation reaction Methods 0.000 description 1
- 230000008649 adaptation response Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 210000000628 antibody-producing cell Anatomy 0.000 description 1
- 230000000890 antigenic effect Effects 0.000 description 1
- 230000007503 antigenic stimulation Effects 0.000 description 1
- 239000002246 antineoplastic agent Substances 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000006664 bond formation reaction Methods 0.000 description 1
- 210000004899 c-terminal region Anatomy 0.000 description 1
- 239000003560 cancer drug Substances 0.000 description 1
- 229940022399 cancer vaccine Drugs 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 239000002771 cell marker Substances 0.000 description 1
- 238000001516 cell proliferation assay Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004154 complement system Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 208000035250 cutaneous malignant susceptibility to 1 melanoma Diseases 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001461 cytolytic effect Effects 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 229940127089 cytotoxic agent Drugs 0.000 description 1
- 230000001472 cytotoxic effect Effects 0.000 description 1
- 238000002784 cytotoxicity assay Methods 0.000 description 1
- 231100000263 cytotoxicity test Toxicity 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 210000004443 dendritic cell Anatomy 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 239000003889 eye drop Substances 0.000 description 1
- 229940012356 eye drops Drugs 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 102000006815 folate receptor Human genes 0.000 description 1
- 238000004108 freeze drying Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 108020001507 fusion proteins Proteins 0.000 description 1
- 102000037865 fusion proteins Human genes 0.000 description 1
- 238000001415 gene therapy Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000013595 glycosylation Effects 0.000 description 1
- 238000006206 glycosylation reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- SPSXSWRZQFPVTJ-ZQQKUFEYSA-N hepatitis b vaccine Chemical compound C([C@H](NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=1C2=CC=CC=C2NC=1)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](N)CCSC)C(=O)N[C@@H](CC1N=CN=C1)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)OC(=O)CNC(=O)CNC(=O)[C@H](C)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(C)C)NC(=O)CNC(=O)[C@@H](N)CCCNC(N)=N)C1=CC=CC=C1 SPSXSWRZQFPVTJ-ZQQKUFEYSA-N 0.000 description 1
- 229940124736 hepatitis-B vaccine Drugs 0.000 description 1
- 239000000833 heterodimer Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 230000005965 immune activity Effects 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000000951 immunodiffusion Effects 0.000 description 1
- 230000005847 immunogenicity Effects 0.000 description 1
- 238000011532 immunohistochemical staining Methods 0.000 description 1
- 239000002596 immunotoxin Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229940031551 inactivated vaccine Drugs 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000543 intermediate Substances 0.000 description 1
- 230000031146 intracellular signal transduction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 230000029226 lipidation Effects 0.000 description 1
- 239000006193 liquid solution Substances 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 230000002934 lysing effect Effects 0.000 description 1
- 230000002101 lytic effect Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 210000002540 macrophage Anatomy 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000001806 memory b lymphocyte Anatomy 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 210000005087 mononuclear cell Anatomy 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000000822 natural killer cell Anatomy 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000007481 next generation sequencing Methods 0.000 description 1
- 229960003301 nivolumab Drugs 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229940023146 nucleic acid vaccine Drugs 0.000 description 1
- 229920001542 oligosaccharide Polymers 0.000 description 1
- 150000002482 oligosaccharides Chemical class 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002888 pairwise sequence alignment Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 229940023041 peptide vaccine Drugs 0.000 description 1
- 210000003819 peripheral blood mononuclear cell Anatomy 0.000 description 1
- 238000002823 phage display Methods 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000163 radioactive labelling Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000003757 reverse transcription PCR Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 239000002336 ribonucleotide Substances 0.000 description 1
- 102200082808 rs33980484 Human genes 0.000 description 1
- 102220005146 rs35262412 Human genes 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 235000017557 sodium bicarbonate Nutrition 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 108010087686 src-Family Kinases Proteins 0.000 description 1
- 102000009076 src-Family Kinases Human genes 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000002198 surface plasmon resonance spectroscopy Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 229960000814 tetanus toxoid Drugs 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 102000035160 transmembrane proteins Human genes 0.000 description 1
- 108091005703 transmembrane proteins Proteins 0.000 description 1
- 238000010396 two-hybrid screening Methods 0.000 description 1
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 description 1
- 241000712461 unidentified influenza virus Species 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 238000003041 virtual screening Methods 0.000 description 1
- 238000001262 western blot Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C07—ORGANIC CHEMISTRY
- C07K—PEPTIDES
- C07K16/00—Immunoglobulins [IGs], e.g. monoclonal or polyclonal antibodies
-
- 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
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/20—Protein or domain folding
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
- A61K39/00—Medicinal preparations containing antigens or antibodies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
- A61K39/00—Medicinal preparations containing antigens or antibodies
- A61K39/0005—Vertebrate antigens
- A61K39/0011—Cancer antigens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
- A61P37/00—Drugs for immunological or allergic disorders
- A61P37/02—Immunomodulators
-
- C—CHEMISTRY; METALLURGY
- C40—COMBINATORIAL TECHNOLOGY
- C40B—COMBINATORIAL CHEMISTRY; LIBRARIES, e.g. CHEMICAL LIBRARIES
- C40B40/00—Libraries per se, e.g. arrays, mixtures
- C40B40/04—Libraries containing only organic compounds
- C40B40/10—Libraries containing peptides or polypeptides, or derivatives thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/569—Immunoassay; Biospecific binding assay; Materials therefor for microorganisms, e.g. protozoa, bacteria, viruses
- G01N33/56966—Animal cells
- G01N33/56972—White blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
- G01N33/6845—Methods of identifying protein-protein interactions in protein mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6854—Immunoglobulins
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6878—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids in eptitope analysis
-
- 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
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/10—Sequence alignment; Homology search
-
- 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
- G16B40/20—Supervised data analysis
-
- 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
-
- 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
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- C—CHEMISTRY; METALLURGY
- C07—ORGANIC CHEMISTRY
- C07K—PEPTIDES
- C07K2299/00—Coordinates from 3D structures of peptides, e.g. proteins or enzymes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medicinal Chemistry (AREA)
- Biotechnology (AREA)
- Hematology (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Microbiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biochemistry (AREA)
- Cell Biology (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Epidemiology (AREA)
- Pharmacology & Pharmacy (AREA)
- Food Science & Technology (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Veterinary Medicine (AREA)
- Organic Chemistry (AREA)
- Animal Behavior & Ethology (AREA)
- Mycology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioethics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
Description
(1)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップとを
含む、免疫実体の集合を解析する方法。
(2)免疫実体の集合を解析する方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを
包含する、方法。
(3)免疫実体の集合を解析する方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを
包含する、方法。
(4)前記特徴量は配列情報、CDR1-3配列の長さ、配列一致度、フレームワーク領域の配列一致度、分子の全電荷/親水性/疎水性/芳香族アミノ酸の数、各CDR、フレームワーク領域の電荷/親水性/疎水性/芳香族アミノ酸の数、各アミノ酸の数、重鎖-軽鎖の組み合わせ、体細胞変異数、変異の位置、アミノ酸モチーフの存在/一致度、参照配列セットに対する希少度、および参照配列による結合HLAのオッズ比からなる群より選択される少なくとも1つを含む、前記項目のいずれか一項に記載の方法。
(5)前記免疫実体は抗体、抗体の抗原結合断片、B細胞受容体、B細胞受容体の断片、T細胞受容体、T細胞受容体の断片、キメラ抗原受容体(CAR)、またはこれらのいずれかまたは複数を含む細胞である、前記項目のいずれか一項に記載の方法。
(6)前記機械学習による計算は前記特徴量を入力とし、ランダムフォレストまたはブースティングで行い、前記クラスタリングは結合距離に基づく単純な閾値に基づくもの、階層的クラスタリング、あるいは非階層的クラスタリング法で行う、前記項目のいずれか一項に記載の方法。
(7)前記解析は、バイオマーカーの同定、あるいは治療ターゲットとなる免疫実体または該免疫実体を含む細胞の同定のいずれか1つまたは複数を含む、前記項目のいずれか一項に記載の方法。
(8)前記高次元ベクトル空間計算(bb)は教師あり、半教師あり(Siamese network)、または教師なし(Auto-encoder)のいずれかの方法で行い、
前記クラスタリング(cc)は高次元空間上の距離に基づく単純な閾値に基づくもの、階層的クラスタリング、あるいは非階層的クラスタリング法で行う、前記項目のいずれか一項に記載の方法。
(9)前記解析(dd)はバイオマーカーの同定、あるいは治療ターゲットとなる免疫実体または該免疫実体を含む細胞の同定のいずれか1つまたは複数を含む、前記項目のいずれか一項に記載の方法。
(10)前記機械学習は、回帰的な手法、ニューラルネットワーク法、サポートベクトルマシン、およびランダムフォレスト等の機械学習アルゴリズムからなる群より選択される、前記項目のいずれか一項に記載の方法。
(11)前記項目のいずれか一項に記載の方法をコンピュータに実行させるプログラム。
(12)前記項目のいずれか一項に記載の方法をコンピュータに実行させるプログラムを格納した記録媒体。
(13)前記項目のいずれか一項に記載の方法をコンピュータに実行させるプログラムを含むシステム
(14)前記抗原特異性または結合モードについて、生体情報と関連付ける工程を包含するステップを包含する、前記項目のいずれか一項に記載の方法。
(15)前記項目のいずれか一項に記載の方法を用いて、抗原特異性または結合モードが同一である免疫実体を同一のクラスターに分類する工程を包含する、抗原特異性または結合モードのクラスターを生成する方法。
(16)前記項目のいずれか一項に記載の方法で生成されたクラスターに基づき、前記免疫実体の保有者を既知の疾患または障害あるいは生体の状態と関連付ける工程を包含する、疾患または障害あるいは生体の状態を同定する方法。
(17)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、前記生体情報の同定のための組成物。
(18)前記項目のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、疾患または障害あるいは生体の状態を診断するための組成物。
(19)前記項目のいずれか一項に記載の方法に基づいて同定されたエピトープに対する免疫実体を含む、疾患または障害あるいは生体の状態を治療または予防するための組成物。
(20)前記組成物はワクチンを含む、前記項目のいずれか一項に記載の組成物。
(21)前記項目のいずれか一項に記載の方法で同定された抗原特異性または結合モードを有する構造を有する免疫実体(例えば、抗体)、エピトープまたは免疫実体結合物(例えば、抗原)。
(22) 前記免疫実体、エピトープまたは免疫実体結合物について、生体情報と関連付ける工程を包含するステップを包含する、前記項目のいずれかに記載の方法。
(23)前記クラスタリング、分類または解析した免疫実体、エピトープまたは免疫実体結合物を同定する工程をさらに包含する、前記項目のいずれかに記載の方法。
(24)前記同定は、アミノ酸配列の決定、三次元構造の同定、三次元構造以外の構造上の同定、および生物学的機能の同定からなる群より選択される少なくとも1つを含む、前記項目のいずれか一項に記載の方法。
(25)前記同定は、前記免疫実体、エピトープまたは免疫実体結合物の構造を決定することを含む、前記項目のいずれか一項に記載の方法。
(26)前記項目のいずれか一項に記載の分類方法を用いて、抗原特異性または結合モードが同一である免疫実体、エピトープまたは免疫実体結合物を同一のクラスターに分類する工程を包含する、免疫実体、エピトープまたは免疫実体結合物のクラスターを生成する方法。
(27)前記免疫実体、エピトープまたは免疫実体結合物を、その特性および既知の免疫実体、エピトープまたは免疫実体結合物との類似性からなる群より選択される少なくとも1つの評価項目を評価し、所定の基準を満たした免疫実体を対象に前記クラスター分類を行うことを特徴とする、前記項目のいずれか一項に記載の方法。
(28)前記項目のいずれか一項に記載の方法で生成クラスターに基づき同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物の保有者を既知の疾患または障害あるいは生体の状態と関連付ける工程を包含する、疾患または障害あるいは生体の状態の同定法。
(29)前記項目のいずれか一項に記載の方法で生成されたクラスターを一つまたは複数用いて、該クラスターの保有者の疾患または障害あるいは生体の状態を評価する工程を含む、疾患または障害あるいは生体の状態の同定法。
(30)前記評価は、前記複数のクラスターの存在量の順位および/または存在比に基づく分析、または一定数のB細胞を調べ、その中に興味あるBCRと類似のもの/クラスターがあるかどうかという定量による分析からなる群より選択される少なくとも1つの指標を用いてなされる、前記項目のいずれか一項に記載の方法。
(31)前記評価は、前記クラスター以外の指標も用いてなされる、前記項目のいずれか一項に記載の方法。
(32)前記クラスター以外の指標は、疾患関連遺伝子、疾患関連遺伝子の多型、疾患関連遺伝子の発現プロファイル、エピジェネティクス解析、TCRおよびBCRのクラスターの組合せから選択される少なくとも1つを含む、前記項目のいずれか一項に記載の方法。
(33)前記疾患または障害あるいは生体の状態の同定は、前記疾患または障害あるいは生体の状態の診断、予後、薬力学、予測、代替法の決定、患者層の特定、安全性の評価、毒性の評価、およびこれらのモニタリングからなる群より選択される少なくとも1つを含む、前記項目のいずれか一項のいずれかに記載の方法。
(34)前記項目のいずれか一項に記載の方法で同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物、および/または前記項目のいずれか一項に記載の方法で生成されたクラスターを1つまたは複数用いて、疾患または障害あるいは生体の状態の指標となるバイオマーカーの評価を行う工程を含む、該バイオマーカーの評価のための方法。
(35)前記項目のいずれか一項に記載の方法で同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物、および/または前記項目のいずれか一項に記載の方法で生成されたクラスターを1つまたは複数用いて、疾患または障害あるいは生体の状態との関連付け、バイオマーカーを決定する工程を含む、該バイオマーカーの同定のための方法。
(36)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物に対する免疫実体を含む、前記生体情報の同定のための組成物。
(37)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物またはそれを含む免疫実体結合物(例えば、抗原)を含む、前記生体情報の同定のための組成物。
(38)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を含む、前記項目のいずれか一項に記載の疾患または障害あるいは生体の状態を診断するための組成物。
(39)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を標的とする物質を含む、前記項目のいずれか一項に記載の疾患または障害あるいは生体の状態を診断するための組成物。
(40)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を含む、前記項目のいずれか一項に記載の疾患または障害あるいは生体の状態を診断するための組成物。
(41)前記項目のいずれか一項のいずれかに記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を含む、前記項目のいずれか一項に記載の疾患または障害あるいは生体の状態を治療または予防するための組成物。
(42)前記免疫実体は、抗体、抗体の抗原結合断片、T細胞受容体、T細胞受容体の断片、B細胞受容体、B細胞受容体の断片、キメラ抗原受容体(CAR)、これらのいずれかまたは複数を含む細胞(例えば、キメラ抗原受容体(CAR)を含むT細胞)からなる群より選択される、前記項目のいずれか一項に記載の組成物。
(43)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を標的とする物質を含む、前記項目のいずれか一項に記載の疾患または障害あるいは生体の状態を予防または治療するための組成物。
(44)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を含む、前記項目のいずれか一項に記載の疾患または障害あるいは生体の状態を治療または予防するための組成物。
(45)前記組成物はワクチンを含む、前記項目のいずれか一項に記載の組成物。
(46)前記項目のいずれか一項に基づいて同定された抗原特異性または結合モードを有する免疫実体、エピトープまたは免疫実体結合物を含む、疾患または障害あるいは生体の状態を予防または治療するためのワクチンを評価するための組成物。
(47)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムであって、該方法は、
(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと
を包含する、プログラム。
(48)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムであって、該方法は、
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを包含する、プログラム。
(49)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムであって、該方法は、
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、プログラム。
(50)前記項目に記載される1つまたは複数の特徴をさらに含む、前記項目のいずれか一項に記載のプログラム。
(51)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと
を包含する、記録媒体。
(52)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、記録媒体。
(53)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、記録媒体。
(54)前記項目に記載される1つまたは複数の特徴をさらに含む、前記項目のいずれか一項に記載の記録媒体。
(55)免疫実体の集合を解析するシステムであって、該システムは、
(I)少なくとも2つの免疫実体(immunological entity)の特徴量を提供する特徴量提供部と、
(II)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させる機械学習部と、
(III)該抗原特異性または結合モードの分類または異同の決定を行う分類部と
を包含する、システム。
(56)免疫実体の集合を解析するシステムであって、該システムは、
(A)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出する特徴量提供部と、
(B)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定する判定部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
を包含する、システム。
(57)免疫実体の集合を解析するシステムであって、該システムは、
(A)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出する特徴量提供部と、
(B’)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、射影部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
を包含する、システム。
(58)前記項目に記載される1つまたは複数の特徴をさらに含む、前記項目のいずれか一項に記載のシステム。
(59)
前記ステップ(i)または(I)が該少なくとも2つの免疫実体の三次元構造モデルから特徴量を計算することを除くか、
前記ステップ(ii)または(A)が該少なくとも1つの対の三次元構造モデルから特徴量を計算することを除くか、
前記ステップ(iii)または(A)が該少なくとも1つの対をなす配列の免疫実体の三次元構造モデルから特徴量を計算することを除く
ことを特徴とする、項1~58のいずれかに記載の方法、プログラム、記録媒体またはシステム。
(A1)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該ステップは該少なくとも2つの免疫実体の三次元構造モデルから特徴量を計算することを除く、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップとを
含む、免疫実体の集合を解析する方法。
(A2)免疫実体の集合を解析する方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該ステップは該少なくとも1つの対の三次元構造モデルから特徴量を計算することを除く、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを
包含する、方法。
(A3)免疫実体の集合を解析する方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該ステップは該少なくとも1つの対をなす配列の免疫実体の三次元構造モデルから特徴量を計算することを除く、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを
包含する、方法。
(A4)項1~58に記載の1つまたは複数の特徴をさらに含む、項A1~A3のいずれか一項に記載の方法。
(A5)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該ステップは該少なくとも2つの免疫実体の三次元構造モデルから特徴量を計算することを除く、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと
を包含する、記録媒体。
(A6)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該ステップは該少なくとも1つの対の三次元構造モデルから特徴量を計算することを除く、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、記録媒体。
(A7)免疫実体の集合を解析する方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該ステップは該少なくとも1つの対をなす配列の免疫実体の三次元構造モデルから特徴量を計算することを除く、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、記録媒体。
(A8)項1~58に記載の1つまたは複数の特徴をさらに含む、項A5~A7のいずれか一項に記載の記録媒体。
(A9)免疫実体の集合を解析するシステムであって、該システムは、
(I)少なくとも2つの免疫実体(immunological entity)の特徴量を提供する特徴量提供部であって、該特徴量提供部は該少なくとも2つの免疫実体の三次元構造モデルから特徴量を計算することを除く、特徴量提供部と、
(II)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させる機械学習部と、
(III)該抗原特異性または結合モードの分類または異同の決定を行う分類部と
を包含する、システム。
(A10)免疫実体の集合を解析するシステムであって、該システムは、
(A)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出する特徴量提供部であって、該特徴量提供部は該少なくとも1つの対の三次元構造モデルから特徴量を計算することを除く、特徴量提供部と、
(B)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定する判定部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
を包含する、システム。
(A11)免疫実体の集合を解析するシステムであって、該システムは、
(A)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出する特徴量提供部であって、該特徴量提供部は該少なくとも1つの対をなす配列の免疫実体の三次元構造モデルから特徴量を計算することを除く、特徴量提供部と、
(B’)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、射影部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
を包含する、システム。
(A12)項1~58に記載の1つまたは複数の特徴をさらに含む、項A9~A11のいずれか一項に記載のシステム。
(項B1)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップとを
含む、免疫実体の集合を解析する方法。
(項B2)免疫実体の集合を解析する方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを
包含する、方法。
(項B3)免疫実体の集合を解析する方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップとを
包含する、方法。
(項B4)前記特徴量は配列情報、CDR1-3配列の長さ、配列一致度、フレームワーク領域の配列一致度、分子の全電荷/親水性/疎水性/芳香族アミノ酸の数、各CDR、フレームワーク領域の電荷/親水性/疎水性/芳香族アミノ酸の数、各アミノ酸の数、重鎖-軽鎖の組み合わせ、体細胞変異数、変異の位置、アミノ酸モチーフの存在/一致度、参照配列セットに対する希少度、および参照配列による結合HLAのオッズ比からなる群より選択される少なくとも1つを含む、上記項のいずれか一項に記載の方法。
(項B5)前記免疫実体は抗体、抗体の抗原結合断片、B細胞受容体、B細胞受容体の断片、T細胞受容体、T細胞受容体の断片、キメラ抗原受容体(CAR)、またはこれらのいずれかまたは複数を含む細胞である、上記項のいずれか一項に記載の方法。
(項B6)前記機械学習による計算は前記特徴量を入力とし、ランダムフォレストまたはブースティングで行い、
前記クラスタリングは結合距離に基づく単純な閾値に基づくもの、階層的クラスタリング、あるいは非階層的クラスタリング法で行う、
上記項のいずれか一項に記載の方法。
(項B7)前記解析はバイオマーカーの同定、あるいは治療ターゲットとなる免疫実体または該免疫実体を含む細胞の同定のいずれか1つまたは複数を含む、上記項のいずれか一項に記載の方法。
(項B8)前記機械学習は、回帰的な手法、ニューラルネットワーク法、サポートベクトルマシン、およびランダムフォレスト等の機械学習アルゴリズムからなる群より選択される、上記項のいずれか一項に記載の方法。
(項B9)前記特徴量は配列情報、CDR1-3配列の長さ、配列一致度、フレームワーク領域の配列一致度、分子の全電荷/親水性/疎水性/芳香族アミノ酸の数、各CDR、フレームワーク領域の電荷/親水性/疎水性/芳香族アミノ酸の数、各アミノ酸の数、重鎖-軽鎖の組み合わせ、体細胞変異数、変異の位置、アミノ酸モチーフの存在/一致度、参照配列セットに対する希少度、および参照配列による結合HLAのオッズ比からなる群より選択される少なくとも1つを含む、上記項のいずれか一項に記載の方法。
(項B10)前記免疫実体は抗体、抗体の抗原結合断片、B細胞受容体、B細胞受容体の断片、T細胞受容体、T細胞受容体の断片、キメラ抗原受容体(CAR)、またはこれらのいずれかまたは複数を含む細胞である、上記項のいずれか一項に記載の方法。
(項B11)前記高次元ベクトル空間計算に射影するステップ(bb)は教師あり、半教師あり(Siamese network)、または教師なし(Auto-encoder)のいずれかの方法で行い、
前記クラスタリングするステップ(cc)は
高次元空間上の距離に基づく単純な閾値に基づくもの、階層的クラスタリング、あるいは非階層的クラスタリング法で行う、
上記項のいずれか一項に記載の方法。
(項B12)前記解析はバイオマーカーの同定、あるいは治療ターゲットとなる免疫実体または該免疫実体を含む細胞の同定のいずれか1つまたは複数を含む、上記項のいずれか一項に記載の方法。
(項B13)上記項のいずれか一項のいずれか一項に記載の方法をコンピュータに実行させるプログラム。
(項B14)上記項のいずれか一項のいずれか一項に記載の方法をコンピュータに実行させるプログラムを格納した記録媒体。
(項B15)上記項のいずれか一項のいずれか一項に記載の方法をコンピュータに実行させるプログラムを含むシステム。
(項B16)前記抗原特異性または結合モードについて、生体情報と関連付ける工程を包含するステップを包含する、上記項のいずれか一項に記載の方法。
(項B17)上記項のいずれか一項に記載の方法を用いて、抗原特異性または結合モードが同一である免疫実体を同一のクラスターに分類する工程を包含する、抗原特異性または結合モードのクラスターを生成する方法。
(項B18)上記項のいずれか一項に記載の方法で生成されたクラスターに基づき、前記免疫実体の保有者を既知の疾患または障害あるいは生体の状態と関連付ける工程を包含する、疾患または障害あるいは生体の状態を同定する方法。
(項B19)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、前記生体情報の同定のための組成物。
(項B20)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、疾患または障害あるいは生体の状態を診断するための組成物。
(項B21)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、疾患または障害あるいは生体の状態を治療または予防するための組成物。
(項B22)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物を含む、疾患または障害あるいは生体の状態を診断するための組成物。
(項B23)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物を含む、疾患または障害あるいは生体の状態を治療または予防するための組成物。
(項B24)前記組成物はワクチンを含む、上記項のいずれか一項に記載の組成物。
(項B25)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体に基づいて診断する工程を含む、疾患または障害あるいは生体の状態を診断するための方法。
(項B26)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体に基づいて、有害事象を判断する工程を含む、疾患または障害あるいは生体の状態について有害事象を判定するための方法。
(項B27)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体に基づいて診断する工程を含み、ここで、前記少なくとも2つの免疫実体または前記免疫実体の集合は少なくとも1つの健常人由来のものを含む、疾患または障害あるいは生体の状態を診断するための方法。
(項B28)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体の有効量を投与する工程を含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B29)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体の有効量を被験者に投与する工程であって、該被験者は上記項のいずれか一項に記載の方法に基づいて有害事象が生じ得ると判断された被験者を除く、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B30)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体の有効量を投与する工程を含み、ここで、前記少なくとも2つの免疫実体または前記免疫実体の集合は少なくとも1つの健常人由来のものを含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B31)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物に基づいて診断する工程を含む、疾患または障害あるいは生体の状態を診断するための方法。
(項B32)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物に基づいて、有害事象を判断する工程を含む、疾患または障害あるいは生体の状態について有害事象を判定するための方法。
(項B33)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物に基づいて診断する工程を含み、ここで、前記少なくとも2つの免疫実体または前記免疫実体の集合は少なくとも1つの健常人由来のものを含む、疾患または障害あるいは生体の状態を診断するための方法。
(項B34)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物の有効量を投与する工程を含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B35)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物の有効量を投与する工程であって、該被験者は上記項のいずれか一項に記載の方法に基づいて有害事象が生じ得ると判断された被験者を除く、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B36)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物の有効量を投与する工程を含み、ここで、前記少なくとも2つの免疫実体または前記免疫実体の集合は少なくとも1つの健常人由来のものを含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B37)前記免疫実体結合物はワクチンを含む、上記項のいずれか一項に記載の方法。
(項B38)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
含む、疾患または障害あるいは生体の状態を診断するための方法。
(項B38A)上記項に記載の1つまたは複数の特徴をさらに含む、項B38に記載の方法。
(項B39)疾患または障害あるいは生体の状態を診断するための方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、方法。
(項B39A)上記項に記載の1つまたは複数の特徴をさらに含む、項B39に記載の方法。
(項B40)疾患または障害あるいは生体の状態を診断するための方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、方法。
(項B40A)上記項に記載の1つまたは複数の特徴をさらに含む、項B40に記載の方法。
(項B41)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B41A)上記項に記載の1つまたは複数の特徴をさらに含む、項B41に記載の方法。
(項B42)疾患または障害あるいは生体の状態を治療または予防するための方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
(e)(d)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、方法。
(項B42A)上記項に記載の1つまたは複数の特徴をさらに含む、項B42に記載の方法。
(項B43)疾患または障害あるいは生体の状態を治療または予防するための方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、方法。
(項B43A)上記項に記載の1つまたは複数の特徴をさらに含む、項B43に記載の方法。
(項B44)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
含む、疾患または障害あるいは生体の状態を診断するための方法。
(項B44A)上記項に記載の1つまたは複数の特徴をさらに含む、項B44に記載の方法。
(項B45)前記疾患または障害あるいは生体の状態は、有害事象を含む、項B44または44Aに記載の方法。
(項B46)疾患または障害あるいは生体の状態を診断するための方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、方法。
(項B46A)上記項に記載の1つまたは複数の特徴をさらに含む、項B46に記載の方法。
(項B47)前記疾患または障害あるいは生体の状態は、有害事象を含む、項B46または46Aに記載の方法。
(項B48)疾患または障害あるいは生体の状態を診断するための方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、方法。
(項B48A)上記項に記載の1つまたは複数の特徴をさらに含む、項B48に記載の方法。
(項B49)前記疾患または障害あるいは生体の状態は、有害事象を含む、項B48または48Aに記載の方法。
(項B50)(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項B50A)上記項に記載の1つまたは複数の特徴をさらに含む、項B50に記載の方法。
(項B51)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項B50または50Aに記載の方法。
(項B52)疾患または障害あるいは生体の状態を治療または予防するための方法であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
(e)(d)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、方法。
(項B52A)上記項に記載の1つまたは複数の特徴をさらに含む、項B52に記載の方法。
(項B53)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項B52または52Aに記載の方法。
(項B54)疾患または障害あるいは生体の状態を治療または予防するための方法であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、方法。
(項B54A)上記項に記載の1つまたは複数の特徴をさらに含む、項B54に記載の方法。
(項B55)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項B54または54Aに記載の方法。
(項C19)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を用いる工程を含む、前記生体情報の同定のための方法。
(項C20)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を用いて診断する工程を含む、疾患または障害あるいは生体の状態を診断するための方法。
(項C21)上記項のいずれか一項に記載の方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を必要とする被験者に投与する工程を含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項C22)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物を用いて診断する工程を含む、疾患または障害あるいは生体の状態を診断するための方法。
(項C23)上記項のいずれか一項に記載の方法に基づいて同定されたエピトープに対応する免疫実体結合物を必要とする被験者に投与する工程を含む、疾患または障害あるいは生体の状態を治療または予防するための方法。
(項C24)前記組成物はワクチンを含む、上記項のいずれか一項に記載の方法。
(項D38)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は、
(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
含む、プログラム。
(項D38A)上記項に記載の1つまたは複数の特徴をさらに含む、項D38に記載のプログラム。
(項D39)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、プログラム。
(項D39A)上記項に記載の1つまたは複数の特徴をさらに含む、項D39に記載のプログラム。
(項D40)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、プログラム。
(項D40A)上記項に記載の1つまたは複数の特徴をさらに含む、項D40に記載のプログラム。
(項D41)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
含む、プログラム。
(項D41A)上記項に記載の1つまたは複数の特徴をさらに含む、項D41に記載のプログラム。
(項D42)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
(e)(d)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、プログラム。
(項D42A)上記項に記載の1つまたは複数の特徴をさらに含む、項D42に記載のプログラム。
(項D43)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、プログラム。
(項D43A)上記項に記載の1つまたは複数の特徴をさらに含む、項D43に記載のプログラム。
(項D44)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
含む、プログラム。
(項D44A)上記項に記載の1つまたは複数の特徴をさらに含む、項D44に記載のプログラム。
(項D45)前記疾患または障害あるいは生体の状態は、有害事象を含む、項D44または44Aに記載のプログラム。
(項D46)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、プログラム。
(項D46A)上記項に記載の1つまたは複数の特徴をさらに含む、項D46に記載のプログラム。
(項D47)前記疾患または障害あるいは生体の状態は、有害事象を含む、項D46または46Aに記載のプログラム。
(項D48)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、プログラム。
(項D48A)上記項に記載の1つまたは複数の特徴をさらに含む、項D48に記載のプログラム。
(項D49)前記疾患または障害あるいは生体の状態は、有害事象を含む、項D48または48Aに記載のプログラム。
(項D50)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
含む、プログラム。
(項D50A)上記項に記載の1つまたは複数の特徴をさらに含む、項D50に記載のプログラム。
(項D51)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項D50または50Aに記載のプログラム。
(項D52)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
(e)(d)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、プログラム。
(項D52A)上記項に記載の1つまたは複数の特徴をさらに含む、項D52に記載のプログラム。
(項D53)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項D52または52Aに記載のプログラム。
(項D54)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、プログラム。
(項D54A)上記項に記載の1つまたは複数の特徴をさらに含む、項D54に記載のプログラム。
(項D55)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項D54または54Aに記載のプログラム。
(項E38)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は、
(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
含む、記録媒体。
(項E38A)上記項に記載の1つまたは複数の特徴をさらに含む、項E38に記載の記録媒体。
(項E39)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、記録媒体。
(項E39A)上記項に記載の1つまたは複数の特徴をさらに含む、項E39に記載の記録媒体。
(項E40)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、記録媒体。
(項E40A)上記項に記載の1つまたは複数の特徴をさらに含む、項E40に記載の記録媒体。
(項E41)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムであって、該方法は(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
含む、記録媒体。
(項E41A)上記項に記載の1つまたは複数の特徴をさらに含む、項E41に記載の記録媒体。
(項E42)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
(e)(d)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、記録媒体。
(項E42A)上記項に記載の1つまたは複数の特徴をさらに含む、項E42に記載の記録媒体。
(項E43)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、記録媒体。
(項E43A)上記項に記載の1つまたは複数の特徴をさらに含む、項E43に記載の記録媒体。
(項E44)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
含む、記録媒体。
(項E44A)上記項に記載の1つまたは複数の特徴をさらに含む、項E44に記載の記録媒体。
(項E45)前記疾患または障害あるいは生体の状態は、有害事象を含む、項44または44Aに記載の記録媒体。
(項E46)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、記録媒体。
(項E46A)上記項に記載の1つまたは複数の特徴をさらに含む、項E46に記載の記録媒体。
(項E47)前記疾患または障害あるいは生体の状態は、有害事象を含む、項E46または46Aに記載の記録媒体。
(項E48)疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定するステップとを
包含する、記録媒体。
(項E48A)上記項に記載の1つまたは複数の特徴をさらに含む、項E48に記載の記録媒体。
(項E49)前記疾患または障害あるいは生体の状態は、有害事象を含む、項E48または48Aに記載の記録媒体。
(項E50)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は(i)少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
含む、記録媒体。
(項E50A)上記項に記載の1つまたは複数の特徴をさらに含む、項E50に記載の記録媒体。
(項E51)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項E50または50Aに記載の記録媒体。
(項E52)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
(e)(d)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、記録媒体。
(項E52A)上記項に記載の1つまたは複数の特徴をさらに含む、項E52に記載の記録媒体。
(項E53)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項E52または52Aに記載の記録媒体。
(項E54)疾患または障害あるいは生体の状態を治療または予防するための方法をコンピュータに実行させるコンピュータプログラムを格納した記録媒体であって、該方法は:
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与するステップとを
包含する、記録媒体。
(項E54A)上記項に記載の1つまたは複数の特徴をさらに含む、項E54に記載の記録媒体。
(項E55)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項E54または54Aに記載の記録媒体。
(項F38)疾患または障害あるいは生体の状態を診断するためのシステムであって、
(I)少なくとも2つの免疫実体(immunological entity)の特徴量を提供する特徴量提供部と、
(II)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させる機械学習部と、
(III)該抗原特異性または結合モードの分類または異同の決定を行う分類部と
(IV)(III)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定する判定部とを
含む、システム。
(項F38A)上記項に記載の1つまたは複数の特徴をさらに含む、項F38に記載のシステム。
(項F39)疾患または障害あるいは生体の状態を診断するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出する特徴量提供部と、
(B)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定する判定部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
(E)(D)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定する生体状態判定部とを
包含する、システム。
(項F39A)上記項に記載の1つまたは複数の特徴をさらに含む、項F39に記載のシステム。
(項F40)疾患または障害あるいは生体の状態を診断するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出する特徴量提供部と、
(B’)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、射影部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
(E)(D)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定する生体状態判定部とを
包含する、システム。
(項F40A)上記項に記載の1つまたは複数の特徴をさらに含む、項F40に記載のシステム。
(項F41)疾患または障害あるいは生体の状態を治療または予防するためのシステムであって、該システムは
(I)少なくとも2つの免疫実体(immunological entity)の特徴量を提供する特徴量提供部と、
(II)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させる機械学習部と、
(III)該抗原特異性または結合モードの分類または異同の決定を行う分類部と、
(IV)(III)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
含む、システム。
(項F41A)上記項に記載の1つまたは複数の特徴をさらに含む、項F41に記載のシステム。
(項F42)疾患または障害あるいは生体の状態を治療または予防するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出する特徴量提供部と、
(B)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定する判定部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
(E)(D)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
包含する、システム。
(項F42A)上記項に記載の1つまたは複数の特徴をさらに含む、項F42に記載のシステム。
(項F43)疾患または障害あるいは生体の状態を治療または予防するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出する特徴量提供部と、
(B’)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、射影部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と、
(E)(D)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
包含する、システム。
(項F43A)上記項に記載の1つまたは複数の特徴をさらに含む、項F43に記載のシステム。
(項F44)疾患または障害あるいは生体の状態を診断するためのシステムであって、該システムは
(I)少なくとも2つの免疫実体(immunological entity)の特徴量を提供する特徴量提供部であって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、特徴量提供部と、
(II)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させる機械学習部と、
(III)該抗原特異性または結合モードの分類または異同の決定を行う分類部と
(IV)(III)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
含む、システム。
(項F44A)上記項に記載の1つまたは複数の特徴をさらに含む、項F44に記載のシステム。
(項F45)前記疾患または障害あるいは生体の状態は、有害事象を含む、項F44または44Aに記載のシステム。
(項F46)疾患または障害あるいは生体の状態を診断するためのシステムであって、該システムは、
(A)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出する特徴量提供部であって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、特徴量提供部と、
(B)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定する判定部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
(E)(D)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定する生体状態判定部とを
包含する、システム。
(項F46A)上記項に記載の1つまたは複数の特徴をさらに含む、項F46に記載のシステム。
(項F47)前記疾患または障害あるいは生体の状態は、有害事象を含む、項F46または46Aに記載のシステム。
(項F48)疾患または障害あるいは生体の状態を診断するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出する特徴量提供部であって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、特徴量提供部と、
(B’)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、射影部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と、
(E)(D)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を判定する生体状態判定部とを
包含する、システム。
(項F48A)上記項に記載の1つまたは複数の特徴をさらに含む、項F48に記載のシステム。
(項F49)前記疾患または障害あるいは生体の状態は、有害事象を含む、項F48または48Aに記載のシステム。
(項F50)疾患または障害あるいは生体の状態を治療または予防するためのシステムであって、該システムは、
(I)少なくとも2つの免疫実体(immunological entity)の特徴量を提供する特徴量提供部であって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、特徴量提供部と、
(II)該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させる機械学習部と、
(III)該抗原特異性または結合モードの分類または異同の決定を行う分類部と、
(IV)(III)において分類または決定した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
含む、システム。
(項F50A)上記項に記載の1つまたは複数の特徴をさらに含む、項F50に記載のシステム。
(項F51)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項F50または50Aに記載のシステム。
(項F52)疾患または障害あるいは生体の状態を治療または予防するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出する特徴量提供部であって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、特徴量提供部と、
(B)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定する判定部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と
(E)(D)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
包含する、システム。
(項F52A)上記項に記載の1つまたは複数の特徴をさらに含む、項F52に記載のシステム。
(項F53)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項F52または52Aに記載のシステム。
(項F54)疾患または障害あるいは生体の状態を治療または予防するためのシステムであって、該システムは:
(A)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出する特徴量提供部であって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、特徴量提供部と、
(B’)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、射影部と、
(C)該距離に基づいて該免疫実体の集合をクラスタリングするクラスタリング部と、
(D)必要に応じて該クラスタリングによる分類に基づいて解析する解析部と、
(E)(D)において解析した該免疫実体または該免疫実体に対応する免疫実体結合物を投与する投与部とを
包含する、システム。
(項F54A)上記項に記載の1つまたは複数の特徴をさらに含む、項F54に記載のシステム。
(項F55)前記疾患または障害あるいは生体の状態は、有害事象を含むか、または前記治療または予防は有害事象を回避して治療または予防することを含む、項F54または54Aに記載のシステム。
以下に本明細書において特に使用される用語の定義および/または基本的技術内容を適宜説明する。
以下に本発明の好ましい実施形態を説明する。以下に提供される実施形態は、本発明のよりよい理解のために提供されるものであり、本発明の範囲は以下の記載に限定されるべきでないことが理解される。従って、当業者は、本明細書中の記載を参酌して、本発明の範囲内で適宜改変を行うことができることは明らかである。これらの実施形態について、当業者は適宜、任意の実施形態を組み合わせ得る。
1つの局面において、本発明は、(i)少なくとも2つの免疫実体(immunological entity)の特徴量(例えば、配列情報)を提供するステップと、(ii)該特徴量に基づいて、該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、(iii)該抗原特異性または結合モードの分類または異同の決定を行うステップとを含む、免疫実体の抗原特異性または結合モードを分析する方法を提供する。
さらに別の局面では、本発明は、本発明の方法で同定された抗原特異性または結合モードを有するかあるいはそれらに基づく構造を有する免疫実体、エピトープ、免疫実体結合物、抗原特異性、結合モード、抗原(またはそれに対応する免疫実体結合物)、あるいはそれらのクラスターを提供する。ここで定義される免疫実体、エピトープ、免疫実体結合物、抗原特異性、結合モード、抗原等は、本明細書の<(結合モードクラスター化技術)>に記載される任意の特徴を有し得、あるいはそれらの技術で同定、分類またはクラスター化されたものでありうる。ここで、クラスターを生成する方法としては、結合するエピトープ、免疫実体結合物、抗原特異性または結合モードが同一である免疫実体を同一のクラスターに分類する工程、あるいは、結合する免疫実体、抗原特異性または結合モードが同一であるエピトープまたは免疫実体結合物を同一のクラスターに分類する工程を包含することを挙げることができる。好ましい実施形態では、免疫実体、エピトープまたは免疫実体結合物を、その特性および既知の免疫実体、エピトープまたは免疫実体結合物との類似性からなる群より選択される少なくとも1つの評価項目を評価し、所定の基準を満たした免疫実体を対象にクラスター分類を行うことができる。ここで採用され得る基準としては、例えば、複数の前記免疫実体、エピトープ、免疫実体結合物抗原特異性または結合モードが同一である場合、該免疫実体、エピトープ、免疫実体結合物抗原特異性または結合モードの三次元構造が少なくとも一部重複することがあり得、あるいは、複数の前記免疫実体、エピトープ、または免疫実体結合物の抗原特異性または結合モードが同一である場合、該エピトープまたは免疫実体結合物のアミノ酸配列または化学構造の少なくとも一部が重複してもよい。
1つの局面では、本発明は、本発明の方法を実行させるプログラムを提供する。ここで採用され得る任意の特徴は本明細書の<結合モードクラスター化技術>に記載される任意の特徴またはその組み合わせでありうる。
(a)該免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、方法を実行させるプログラムを提供する。特徴量の計算について、三次元構造モデルから特徴量を計算することを除いてもよい。
(aa)該免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)必要に応じて該クラスタリングによる分類に基づいて解析するステップと
を包含する、方法を実行させるプログラムを提供する。特徴量の計算について、三次元構造モデルから特徴量を計算することを除いてもよい。
本発明はまた、実施形態としては、上述の分類またはクラスター化された免疫実体、エピトープ、ポリペプチド、免疫実体結合物(例えば、抗原;抗原としては、エピトープを含むペプチド等の他、糖鎖等翻訳後修飾を含むもの、DNA/RNAといった核酸、低分子も含まれる)、免疫実体または免疫実体結合物またはクラスターに対して実質的類似性を有するか、同一クラスターに属する抗原特異性または結合モードに関連するポリペプチドを含む。他の好ましい実施形態としては、上記のいずれかに対して機能的類似性を有するポリペプチドを含む。さらなる実施形態は、本発明は、上述の分類またはクラスター化されたエピトープ、ポリペプチド、免疫実体結合物(例えば、抗原)、またはクラスター、ならびにそれらに対して実質的類似性を有するポリペプチド、同一クラスターに属する抗原特異性または結合モードに関連するポリペプチドをコードする核酸を含む。ここで採用され得る任意の特徴は本明細書の<結合モードクラスター化技術>に記載される任意の特徴またはその組み合わせ、あるいはそれらの技術で同定、分類またはクラスター化されたものでありうる。
一つの局面において、本発明は、本発明の解析方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、疾患または障害あるいは生体の状態を診断するための組成物を提供する。本発明はまた、本発明の解析方法に基づいて同定された抗原特異性または結合モードを有する免疫実体に基づいて診断するする工程を含む、疾患または障害あるいは生体の状態を診断するための方法を提供する。このような方法は、例えば、抗体医薬、細胞療法等を実施する際の診断などとして応用可能である。
別の局面において、本発明は、本発明の解析方法に基づいて同定された抗原特異性または結合モードを有する免疫実体を含む、疾患または障害あるいは生体の状態を治療または予防するための組成物を提供する。本発明はまた、本発明の解析方法に基づいて同定された抗原特異性または結合モードを有する免疫実体の有効量を投与する工程を含む、疾患または障害あるいは生体の状態を治療または予防するための方法を提供する。このような方法は、抗体医薬、細胞療法等に応用可能である。
(1)特定クラスタが疾患奏功者、薬剤応答患者(いわゆる例外的応答者を含む:https://peoplepoweredmedicine.org/neer)に見つかる、あるいは何らかの比較コホートと比較して有意に高い確率・割合で見つかるものを選択する。
(2)別の指標、例えば癌特異的とされる表面マーカー/遺伝子発現(CD103、CD39等)や免疫チェックポイント分子(PD-1、LAG3、CTLA-4、TIM-3等)のような特定の表面マーカー(またはその組み合わせ)を発現している細胞群の中で見つかる場合、あるいは逆に、同クラスタに含まれる細胞群においてそれらのマーカーの発現が有意に高い場合に、そのような結果を指標として選択する。
(3)クラスタの中から選択された配列がin vitro/ex vivo/in vivo実験等で抗原と結合する、細胞障害性を示す、炎症抑制を示す、等の確認がなされたものを選択する。
(4)(1)~(3)のいずれか2つ((1)および(2)、(2)および(3)ならびに(3)および(1))または(1)~(3)の3つを組み合わせた選択等。
別の局面において、本発明は、本発明の解析方法に基づいて同定されたエピトープに対応する免疫実体結合物を含む、疾患または障害あるいは生体の状態を診断するための組成物を提供する。本発明はまた、本発明の解析方法に基づいて同定されたエピトープに対応する免疫実体結合物に基づいて診断する工程を含む、疾患または障害あるいは生体の状態を診断するための方法を提供する。このような方法は、例えば、ワクチン治療を実施する際の診断などとして応用可能である。あるいは、本発明は、本発明の方法に基づいて同定されたエピトープに対応する免疫実体結合物に基づいて、有害事象を判断する工程を含む、疾患または障害あるいは生体の状態について有害事象を判定するための方法を提供する。あるいは、本発明はまた、本発明の方法に基づいて同定されたエピトープに対応する免疫実体結合物に基づいて診断する工程を含み、ここで、前記少なくとも2つの免疫実体または前記免疫実体の集合は少なくとも1つの健常人由来のものを含む、疾患または障害あるいは生体の状態を診断するための方法を提供する。ここで、本発明は、さらに、解析対象である少なくとも2つの免疫実体または免疫実体の集合に健常人を含めた上で、有害事象を有効に特定することができるようになったことも驚くべき発見であるといえる。
別の局面において、本発明は、本発明の解析方法に基づいて同定されたエピトープに対応する免疫実体結合物を含む、疾患または障害あるいは生体の状態を治療または予防するための組成物を提供する。本発明はまた、本発明の解析方法に基づいて同定されたエピトープに対応する免疫実体結合物の有効量を投与する工程を含む、疾患または障害あるいは生体の状態を治療または予防するための方法を提供する。免疫実体結合物としては、例えば、ワクチンを挙げることができるがこれに限定されない。
(1)特定クラスタが疾患奏功者、薬剤応答患者(いわゆる例外的応答者を含む:https://peoplepoweredmedicine.org/neer)に見つかる、あるいは何らかの比較コホートと比較して有意に高い確率・割合で見つかるものを選択する。
(2)別の指標、例えば癌特異的T細胞マーカー(CD103、CD39)や免疫チェックポイント分子のような特定の表面マーカー(またはその組み合わせ)を発現している細胞群の中で見つかる場合、あるいは逆に、同クラスタに含まれる細胞群においてそれらのマーカーの発現が有意に高い場合に、そのような結果を指標として選択する。
(3)クラスタの中から選択された配列がin vitro/ex vivo/in vivo実験等で抗原と結合する、細胞障害性を示す、炎症抑制を示す、誘導されやすい(エピトープが免疫原性が高い)等の確認がなされたものを選択する。
(4)(1)~(3)のいずれか2つ((1)および(2)、(2)および(3)ならびに(3)および(1))または(1)~(3)の3つを組み合わせた選択等。
な材料から形成することができる。好ましくは、該キットおよび/または容器は、該容器上にある、あるいは該容器に伴う、再構成および/または使用の方法を示す説明書を包含する。例えば、そのラベルは、該乾燥凍結製剤を再構成して上記のペプチド濃度にするという説明を示すことができる。該ラベルは、さらに、該製剤が皮下注射に有用であるもしくは皮下注射のためのものであるという説明を示すことができる。
本明細書において用いられる分子生物学的手法、生化学的手法、微生物学的手法、バイオインフォマティクスは、当該分野において公知であり、周知でありまたは慣用される任意のものが使用され得る。
抗体-抗原複合体の結晶構造から抗原エピトープ特異性に基づいて抗体配列をクラスタリングした。
SAbDab(http://opig.stats.ox.ac.uk/webapps/sabdab-sabpred/Welcome.php,2017年3月16日版)から抗原抗体複合体結晶構造リストをダウンロードした。閾値を3.5Åとして抗体と接触している抗原の重原子を探した。抗原の残基長さが3以上のものを残し、さらに、抗原抗体の配列の重複をCD-HITを用いて除いた。FASTA(デフォルト設定を使用)を用いて抗原配列のローカルアライメントを行い、一致部分を抜き出し、各抗原配列上の抗体配列との接触残基が65%以上保存されていて、5残基以上同一抗原残基に接触しているもので、かつ接触残基のRMSDが5.0A未満のものを同一エピトープを認識するとした。最後に、抗体の重鎖と軽鎖配列を繋げてCD-HITを用いて90%以上の配列相同性があるものは削除した。全体として23,220の対が得られ、そのうち465が正、残りが誤のデータセットとなった。ここから、ランダムに80%を学習セットに使い、残りの20%をテストセットに用いた。(表1、表2)。
それぞれに抗体の対に対して、重鎖と軽鎖それぞれ3つのCDRと4つのFR(フレームワーク)領域を同定した。上記の特徴量を各領域毎に得た。
・BLOSUM62に基づく配列相同性スコア
・アミノ酸配列の長さの差
・アライメントされた残基の個数。
pythonの機械学習用ライブラリである、sklearnのGridSearchCVを用いて、ランダムフォレストのtreeの数と各treeのleafの数を、5回交差検証の結果平均MCC(Matthews correlation coefficient)が最高となるようグリッド探索を行った。最高のMCCを与えるハイパーパラメータは(treeの数、treeのleafの数)=(9,60)となった。
抗体-抗原複合体の結晶構造から抗原エピトープ特異性に基づいて抗体配列をクラスタリングすることができることが判明した。
本実施例では、TCR-pMHC結合情報のみからTCRのクラスタリングを行い、クラスターが異なる結合特異性(モード)を反映していることを示す。
TCR配列データを下記の3つのデータベースから取得した(2017年10月2日データ取得)。
・ATLAS:https://zlab.umassmed.edu/atlas/web/help.php
・VDJdb:https://vdjdb.cdr3.net/
・McPAS-TCR:http://friedmanlab.weizmann.ac.il/McPAS-TCR/
これらのうち、ヒトとマウスに由来するTCRのみを抽出し、重複したエントリ(V遺伝子、J遺伝子、CDR3配列が同じもの)を削除し、結果として10727のユニークなTCRベータ鎖のデータセット(それぞれpMHCの情報があるもの)を作成した。
機械学習に用いる特徴量は以下のものを用いた。
(1) V-、J-遺伝子に基づく特徴量
ヒトおよびマウスのTRAV、TRBV、TRAJ、TRBJ遺伝子のアミノ酸配列情報をIMGT(http://www.imgt.org/vquest/refseqh.html)より取得し、各遺伝子ファミリーのグローバルアライメントを行い、多重配列アライメントを得た。IMGTの定義に基づくCDR1、CDR2、FR1、FR2、FR3、FR4を抜き出した。81番目から86番目(IMGTの定義に基づく)のアミノ酸で定義される、CDR2.5領域(Dash, P., Fiore-Gartland, A. J., Hertz, T., Wang, G. C., Sharma, S., Souquette, A., … Thomas, P. G. (2017). Quantifiable predictive features define epitope-specific T cell receptor repertoires. Nature. https://doi.org/10.1038/nature22383)も抜き出した。
CDR3領域(IMGTの定義に基づいて105番目から117番目のアミノ酸)の配列を抜き出した。データベースに記載してあるものは全長からではなくそのまま使用した。さらに削られたCDR3(CDR3の最初の3つのアミノ酸と最後の2つのアミノ酸を削ったもの)を得た。
個々の領域(CDR1,CDR2,CDR2.5,CDR3,FR1,FR2,FR3,FR4)ごとに、各領域に含まれる側鎖のph7.5における電荷を足し合わせた。
・CDR3領域の疎水性 Kyte&Doolittleの疎水性指数(index of hydrophobicity)を計算した。
(4)対の比較に基づく特徴量
上記のTCRごとの特徴量に加え、全てのTCRの対ごとの特徴量も計算した。
(1)機械学習予測モデル
オープンソースのLightGBM gradient boostingフレームワーク(https://github.com/Microsoft/LightGBM) を用いて、対のTCRが同じエピトープに結合するかどうかを学習させた。この時、以下のハイパーパラメータを最適化した:treeの数、treeごとのleafの数、学習レート、正誤の相対的重み。
予測結果に基づいて階層的クラスタリング法によってクラスタリングを行う。この時、固定された予測値の閾値を設定するが閾値もハイパーパラメータの最適化の際に最適化される。
データセットから生成した対の情報は、結合するエピトープに基づき、80%のエピトープが学習セットに、20%がテストセットに割り振る。この割り振りを10回繰り返す。
ハイパーパラメータは、(treeの数、treeごとのleafの数、学習レート、正誤の相対的重み)=(50,30,0.1,1.6)が最適であった。また階層的クラスタリングの閾値は0.6に設定された。(図2)最適化されたモデルをTCR-pMHC結晶構造が知られているEBV(Epstein-Barr Virus)由来のエピトープを認識するTCRに対して適用した。その結果、同じpMHCでも異なる位置を認識するTCRは別々のクラスターに分かれており、クラスタリング結果は結合モードを反映していることがわかった(図3)。
本実施例では、抗原未知TCRと抗原既知TCR配列とのクラスタリングを行い、抗原既知TCR配列の情報から、抗原未知TCR配列の抗原を予測できることを示す。
国立感染症研究所で得られた14例のヒト検体由来のHIV由来ペプチドA特異的TCR配列115本と、7例のヒト検体由来のHIV由来ペプチドB特異的TCR配列82本と、実施例2で用いたデータセットに含まれる236本の重複のないHIV抗原(7種類)特異的TCRを用いた。
データセットに実施例2の最適なハイパーパラメータを用いて得られた機械学習モデルを適用した。階層的クラスタリングの閾値も同様(0.6)である。クラスタリング結果を図4に示す。ペプチドA特異的配列とB特異的配列が分離していることがわかる。また、実施例2で用いたデータセットが含まれるクラスターはクラスター内のTCR配列が認識するpMHC情報から、認識する抗原が予測された。
本実施例では、乳がん患者と健常人から得られた末梢CD8+T細胞TCR-β鎖の情報から、乳がん患者に特徴的なTCRを抜き出し、乳がんに関連した免疫応答を見出した。
D.J.Munson,et al.,PNAS 113(29)8272-8277, 2016において報告され、Gene Expression Omnibus(GEO)databaseにアップロードされ公開されている乳がん患者20名、健常人6名の末梢血CD8+T細胞受容体β鎖配列情報を利用した。
データセットに実施例2で最適化された機械学習モデルを適用した。各サンプル(ドナー)ごとの配列数が異なるため、最小サンプルの配列数に合わせて100回のサンプリングを行い、各クラスターに属する配列の発現回数を数えた。発現回数の少ないクラスタ(0-1/26人)は検討から除いた。得られたクラスタを用いてベクトルを構築した。
本実施例では、autoencoderを用いて特徴量を抽出し、クラスタリングを行った。
autoencoderの実装にはR.O.Emerson,et al.,Nature Genetics,49(5),659-665,2017で用いられ、Adaptive Biotechnologies,IncのimmunoSEQにて公開されている末梢血T細胞受容体β鎖配列情報を用いた。用いた配列数は全体は1000万配列程度である。
TensorFlowを用いて実装を行なった。入力はV遺伝子配列またはCDR3領域のアミノ酸配列(IMGTの定義に基づく)であった。Autoencoderは対称な3層のfully-connected層から構成される。隠れ層はそれぞれ100,200,500の隠れユニットから構成される。各隠れ層についてbatch normalization、およびReLU型の活性化関数を用いた。Embedding層は50の線型ユニットから構成され、tanh関数を活性化関数に用いた。出力層は線型ユニットから構成され、softmax関数を活性化関数に用い、各ユニットにおける20種類のアミノ酸の確率分布を出力した。
DBSCANの最適なパラメータはgrid searchによって得られた。クラスタリングの評価は一様性スコアを>0.9としながらmodified RANDスコアに拠った。ここで一様性スコアは、クラスタに含まれるTCRの認識するペプチドとMHCの最大のものの割合を表す。得られたRANDスコアは0.022であった。(図8)
本実施例では、乳がん治療の際、治療選択に用いられる遺伝子の発現または変異と免疫応答を紐付けられることを示した。
実施例4と同じデータセットを使用した。実施例5で最適化された機械学習モデルを適用した。ただし、クラスタリングは下記の通り行った。まず、Scipyモジュールを用いて非加重結合法(UPGMA)により50次元のデータから連結行列(linkage matrix)を作成した。ここで、MetricはEuclidianを選択した。次に、連結行列から階層的クラスタリング(固定長: t=0.97を閾値とした)を行った。4サンプル以上からなるクラスタのみを後の計算に用いた。遺伝子に関連する情報は、D.J.Munson,et al.,PNAS 113(29)8272-8277, 2016のTable.1に記載されたHER2+、ER+、PR+の列を利用した。
患者群を、重複を含めCancer(全患者)、HER2+(HER2+患者)、ER+(ER+患者)、PR+(PR+患者)に分割し、Healthy(健常人)と発現差が統計的に有意なクラスターを探索した。実施例2で最適化された機械学習モデルを適用し、発現差をフィッシャーの正確確率推定で推定(p<0.05)した。その結果、がん患者の免疫応答は、各がん患者群に個別の免疫応答と、共通の免疫応答に分けられた。(図9)
本実施例では、実施例4の改変手法として、CDR3の配列類似性を用いて特徴量を抽出し、クラスタリングを行った。
実施例4と同じ、D.J.Munson,et al.,PNAS 113(29)8272-8277, 2016において報告され、Gene Expression Omnibus(GEO)databaseにアップロードされ公開されている乳がん患者20名、健常人6名の末梢血CD8+T細胞受容体β鎖配列情報を利用した。
データセットの末梢血CD8+T細胞受容体β鎖配列情報をV遺伝子、およびCDR3の長さで分割した。ここでV遺伝子配列およびCDR3領域のアミノ酸配列はIMGTの定義に基づく。分割されたデータセットそれぞれに対し、CD-HITによる配列相同性に基づくクラスタリングを行なった。ここで、CD-HITはCDR3配列に適用し、配列相同性の閾値は80%に設定した。クラスタのうち、4人以上のドナーに現れたクラスタのみを解析した。各ドナーをクラスタを基に系統樹解析した(図10)。ここで、系統樹解析はUPGMA法を用いた。(図11)
(診断への応用)
実施例6と同様の診断に本実施例の結果を適用したところ、実施例6と同様にがん患者の免疫応答は、各がん患者群に個別の免疫応答と、共通の免疫応答に分けられることが確認でき、本発明の汎用性が高いことが実証された。
本実施例では、健常人サンプルとの比較により特定の副作用に特有のTCRクラスタを同定し、副作用予測や診断を行った。
肺がん患者で免疫チェックポイント阻害剤適用がある患者に対して、免疫チェックポイント阻害剤を投与した。投与2週間後、またフォローアップとして1ヶ月または3ヶ月後に末梢血から単核球(PBMC)を取得した。その後2例の患者に特定の副作用が出たため、この2名の患者から得られた検体を用いた。また、比較として実施例4で利用したT細胞受容体β鎖配列を用いた。
2例の肺がん患者検体から患者HLAのタイピングを行なった。さらに、同様の副作用患者についての公知の文献を参照し、当該副作用との関連が疑われるHLAのsupertypeを特定した。次に、実施例4で参照したデータセットから同じHLA supertypeを有するドナーのデータを抜き出し、比較セットとした。当該ドナーは65例であった。
(データセット)
感染症疑いの病理または抹消血検体、および特定の感染症との関連(感染症ウイルス抗原との結合)が既知のB細胞/T細胞受容体配列データ(参照データ)を利用する。
参照データと当該検体由来配列を同時にクラスタリングすることにより、感染症が疑われるがPCR等による既存手法で病原体が同定できない例において、病原体特異的免疫細胞が存在することをもって感染源を特定し、確定診断を下すことができる。
ガンに浸潤したT細胞にはガンに特異的なものとそうでないものに分けられる。T細胞受容体クラスタリングにより、これらを分離する。
メラノーマ患者1例由来の癌浸潤T細胞(TIL)を1細胞シーケンシングし、各細胞ごとにT細胞受容体配列を得た。参照用データセットとして実施例4で用いたものを利用する。
癌患者のHLAタイピングを行い、参照用データセットから、最低1つのHLA supertypeが一致するドナーのデータを選択する。この結果、523例のデータが比較データセットとして得られる。比較データセットと癌患者由来T細胞受容体β鎖配列をクラスタリング解析する。クラスタリングは実施例5で用いたものと同じものを適用する。多くのクラスタは健常人由来の比較データセットとの重なりが見られる。ただし、それらのTILにおける細胞数は少なかい。一方で比較データセットとの重なりが小さいものはTIL中での細胞数も多く、癌特異的なものであることを示している。さらに同一患者末梢血由来TCRクラスタを調べ、末梢血にて相対的により増えているクラスタを除くことで、さらに癌特異的なものを絞り込むことができる。これにより、比較データセットを用いて、癌特異的T細胞を同定することができる。
上記実施例、あるいは別の方法(例えば実験的に、あるいは健常人との比較により得られた癌患者特有の配列)で特定された癌特異的T細胞を用いて、免疫チェックポイントあるいは他の抗がん剤の有効性を評価する。
特定の薬剤を投与された患者から得られた癌組織あるいは末梢血由来のT細胞受容体配列を用いて、薬剤投与後の癌特異的T細胞クラスタの数、または配列数を計測する。薬剤有効性と特定クラスタの存在との相関、癌特異的T細胞クラスタの数、または配列数とを紐付けることで、薬剤の有効性評価指標を構築することができる。
略語(Abbreviations)
TCR: T cellreceptor
ML: Machinelearning
CDR:Complementarity-determining region(s)
MCC: Matthewscorrelation coefficient
BLOSUM:BLOcksSUbstitution Matrixa.a. amino acid
(注記)
以上のように、本発明の好ましい実施形態を用いて本発明を例示してきたが、本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。本明細書において引用した特許、特許出願および文献は、その内容自体が具体的に本明細書に記載されているのと同様にその内容が本明細書に対する参考として援用されるべきであることが理解される。本願は、日本国特許庁に2018年3月16日に出願された日本国特許出願特願2018-49440に対して優先権主張を伴うものであり、その出願の内容のすべてが本願において参考として援用され得る。
Claims (9)
- (i)コンピュータに、少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップと、
(ii)該コンピュータに、該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該コンピュータが、該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を該コンピュータが判定するステップとを
含む、疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコードを含むプログラム。 - 疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコードを含むプログラムであって、該方法は:
(a)該コンピュータが、免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップと、
(b)該コンピュータが、該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該コンピュータが、該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該コンピュータが、該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を該コンピュータが判定するステップとを
包含する、プログラム。 - 疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコードを含むプログラムであって、該方法は:
(aa)該コンピュータが、免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップと、
(bb)該コンピュータが、該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該コンピュータが、該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該コンピュータが、該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を該コンピュータが判定するステップとを
包含する、プログラム。 - 疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコードを含むプログラムであって、該方法は:
(i)該コンピュータが、少なくとも2つの免疫実体(immunological entity)の特徴量を提供するステップであって、該少なくとも2つの免疫実体は少なくとも1つの健常人由来のものを含む、ステップと、
(ii)該コンピュータが、該特徴量に基づいて、抗原特異性または結合モードを特定せずに該免疫実体の抗原特異性または結合モードの分析を機械学習させるステップと、
(iii)該コンピュータが、該抗原特異性または結合モードの分類または異同の決定を行うステップと、
(iv)(iii)において分類または決定した該免疫実体に基づいて疾患または障害あるいは生体の状態を該コンピュータが判定するステップとを
含む、プログラム。 - 前記疾患または障害あるいは生体の状態は、有害事象を含む、請求項1または4に記載のプログラム。
- 疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコードを含むプログラムであって、該方法は:
(a)該コンピュータが、免疫実体の集合のメンバーの少なくとも1つの対について特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(b)該コンピュータが、該特徴量を用いた機械学習により該対について抗原特異性または結合モードの間の距離を算出し、または該抗原特異性または結合モードが一致するかどうかを判定するステップと、
(c)該コンピュータが、該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(d)該コンピュータが、該クラスタリングによる分類に基づいて解析するステップと、
(e)(d)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態を該コンピュータが判定するステップとを
包含する、プログラム。 - 前記疾患または障害あるいは生体の状態は、有害事象を含む、請求項2または6に記載のプログラム。
- 疾患または障害あるいは生体の状態を診断するための方法をコンピュータに実行させるコードを含むプログラムであって、該方法は:
(aa)免疫実体の集合のメンバーの少なくとも1つの対をなす配列それぞれについて特徴量を抽出するステップであって、該免疫実体の集合は少なくとも1つの健常人由来のものを含む、ステップと、
(bb)該特徴量を高次元ベクトル空間に射影し、ここで、該メンバーの空間上の距離は該メンバーの機能類似性を反映する、ステップと、
(cc)該距離に基づいて該免疫実体の集合をクラスタリングするステップと、
(dd)該クラスタリングによる分類に基づいて解析するステップと、
(ee)(dd)において解析した該免疫実体に基づいて疾患または障害あるいは生体の状態をプログラムが判定するステップとを
包含する、プログラム。 - 前記疾患または障害あるいは生体の状態は、有害事象を含む、請求項3または8に記載のプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018049440 | 2018-03-16 | ||
JP2018049440 | 2018-03-16 | ||
PCT/JP2019/010861 WO2019177152A1 (ja) | 2018-03-16 | 2019-03-15 | 免疫実体の効率的クラスタリング |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019177152A1 JPWO2019177152A1 (ja) | 2021-03-11 |
JP7097100B2 true JP7097100B2 (ja) | 2022-07-07 |
Family
ID=67907239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020506675A Active JP7097100B2 (ja) | 2018-03-16 | 2019-03-15 | 免疫実体の効率的クラスタリング |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210012858A1 (ja) |
EP (1) | EP3767629A4 (ja) |
JP (1) | JP7097100B2 (ja) |
CN (1) | CN112106141A (ja) |
TW (1) | TW201939514A (ja) |
WO (1) | WO2019177152A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4082445A4 (en) * | 2019-12-27 | 2024-07-17 | Rainbow Inc | INTEGRATED SYSTEM FOR CELL-FREE INTRACRANIAL DELIVERY |
WO2023031207A1 (en) * | 2021-08-31 | 2023-03-09 | University Of Lausanne | Methods for predicting epitope specificity of t cell receptors |
CN114242169B (zh) * | 2021-12-15 | 2023-10-20 | 河北省科学院应用数学研究所 | 一种用于b细胞的抗原表位预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005512044A (ja) | 2001-12-03 | 2005-04-28 | アブジェニックス・インコーポレーテッド | 結合特性に基づく抗体分類 |
US20160266115A1 (en) | 2012-11-13 | 2016-09-15 | Mayo Foundation For Medical Education And Research | Methods and materials for assessing immune system profiles |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1296622C (en) | 1986-08-12 | 1992-03-03 | Jeffrey E. Anderson | Method and apparatus for automated assessment of the immunoregulatory status of the mononuclear leukocyte immune system |
ES2138102T3 (es) | 1989-11-03 | 2000-01-01 | Donald L Morton | Procedimiento para la deteccion de antigeno urinario asociado a tumores. |
US5635363A (en) | 1995-02-28 | 1997-06-03 | The Board Of Trustees Of The Leland Stanford Junior University | Compositions and methods for the detection, quantitation and purification of antigen-specific T cells |
US5830755A (en) | 1995-03-27 | 1998-11-03 | The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | T-cell receptors and their use in therapeutic and diagnostic methods |
US6015884A (en) | 1996-03-28 | 2000-01-18 | The Johns Hopkins University | Soluble divalent and multivalent heterodimeric analogs of proteins |
NZ502168A (en) | 1997-07-10 | 2002-08-28 | Ctl Immunotherapies Corp | Inducing and maintaining a CTL response by delivering antigen to the lymphatic system of a mammal via an external apparatus |
EP1053460A4 (en) * | 1998-01-29 | 2003-06-04 | Yissum Res Dev Co | AN AUTOMATIC METHOD FOR CLASSIFYING MOLECULES |
IL137460A0 (en) * | 2000-07-24 | 2001-07-24 | Yeda Res & Dev | Identifying antigen clusters for monitoring a global state of an immune system |
EP2434420A3 (en) * | 2003-08-01 | 2012-07-25 | Dna Twopointo Inc. | Systems and methods for biopolymer engineering |
JP2006236151A (ja) * | 2005-02-25 | 2006-09-07 | Dainippon Sumitomo Pharma Co Ltd | 機能性生体分子設計方法 |
EP2361930A3 (en) * | 2007-03-26 | 2011-10-26 | Dako Denmark A/S | Multimers of MHC-peptide complexes and uses thereof in Borrelia infectious diseases |
CN102060929A (zh) * | 2010-06-07 | 2011-05-18 | 夏书奇 | T细胞免疫平衡肽 |
WO2016086185A1 (en) * | 2014-11-26 | 2016-06-02 | Ofran Yanay | Computer assisted antibody re-epitoping |
US20190346442A1 (en) * | 2016-04-18 | 2019-11-14 | The Broad Institute, Inc. | Improved hla epitope prediction |
JP6778932B2 (ja) * | 2016-09-16 | 2020-11-04 | 国立大学法人大阪大学 | 免疫実体クラスタリングソフトウェア |
JP6798210B2 (ja) | 2016-09-21 | 2020-12-09 | 日本電気株式会社 | 精算システム、商品登録装置、精算方法およびプログラム |
-
2019
- 2019-03-15 TW TW108108911A patent/TW201939514A/zh unknown
- 2019-03-15 JP JP2020506675A patent/JP7097100B2/ja active Active
- 2019-03-15 WO PCT/JP2019/010861 patent/WO2019177152A1/ja active Application Filing
- 2019-03-15 EP EP19767188.6A patent/EP3767629A4/en active Pending
- 2019-03-15 CN CN201980031770.3A patent/CN112106141A/zh active Pending
- 2019-03-15 US US16/981,629 patent/US20210012858A1/en not_active Abandoned
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005512044A (ja) | 2001-12-03 | 2005-04-28 | アブジェニックス・インコーポレーテッド | 結合特性に基づく抗体分類 |
US20160266115A1 (en) | 2012-11-13 | 2016-09-15 | Mayo Foundation For Medical Education And Research | Methods and materials for assessing immune system profiles |
Also Published As
Publication number | Publication date |
---|---|
WO2019177152A1 (ja) | 2019-09-19 |
JPWO2019177152A1 (ja) | 2021-03-11 |
TW201939514A (zh) | 2019-10-01 |
EP3767629A8 (en) | 2021-04-28 |
CN112106141A (zh) | 2020-12-18 |
EP3767629A4 (en) | 2022-01-19 |
EP3767629A1 (en) | 2021-01-20 |
US20210012858A1 (en) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019204047B2 (en) | Immunosignaturing: a path to early diagnosis and health monitoring | |
JP7097100B2 (ja) | 免疫実体の効率的クラスタリング | |
TW202132573A (zh) | 腫瘤微環境之分類 | |
JP6778932B2 (ja) | 免疫実体クラスタリングソフトウェア | |
CN107817348A (zh) | 发现治疗靶标的方法 | |
JP6500144B1 (ja) | 免疫実体の効率的クラスタリング | |
US20240076368A1 (en) | Methods of classifying and treating patients | |
Grywalska et al. | Chronic lymphocytic leukemia-induced humoral immunosuppression: a systematic review | |
Nielsen et al. | Delayed boosting improves human antigen-specific Ig and B cell responses to the RH5. 1/AS01B malaria vaccine | |
Valentini et al. | Identification of neoepitopes recognized by tumor-infiltrating lymphocytes (TILs) from patients with glioma | |
Zaslavsky et al. | Disease diagnostics using machine learning of immune receptors | |
KR20240000473A (ko) | 암의 표적 치료법 | |
Phetsouphanh et al. | Improvement of immune dysregulation in individuals with long COVID at 24-months following SARS-CoV-2 infection | |
Vlachonikola et al. | The significance of B-cell receptor stereotypy in chronic lymphocytic leukemia: biological and clinical implications | |
Mitra et al. | Current Landscape of Cancer Immunotherapy: Harnessing the Immune Arsenal to Overcome Immune Evasion | |
Regev | Spatially organized multicellular immune hubs in human colorectal cancer | |
Gutiérrez-González et al. | Human antibody immune responses are personalized by selective removal of MHC-II peptide epitopes [preprint] | |
Halperin | Characterization and Analysis of a Novel Platform for Profiling the Antibody Response | |
Lin et al. | Anoikis-related gene signature associates with the immune infiltration and predicts the prognosis of glioma patients | |
Loo et al. | In silico assessment of somatic mutation generated T cell epitopes in various subsets of acute |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200828 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200828 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211029 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20211228 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220228 |
|
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: 20220607 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220620 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7097100 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D04 |