KR20120046171A - 관상동맥질환 위험성의 결정 - Google Patents

관상동맥질환 위험성의 결정 Download PDF

Info

Publication number
KR20120046171A
KR20120046171A KR1020127001127A KR20127001127A KR20120046171A KR 20120046171 A KR20120046171 A KR 20120046171A KR 1020127001127 A KR1020127001127 A KR 1020127001127A KR 20127001127 A KR20127001127 A KR 20127001127A KR 20120046171 A KR20120046171 A KR 20120046171A
Authority
KR
South Korea
Prior art keywords
marker
term
computer
dataset
subject
Prior art date
Application number
KR1020127001127A
Other languages
English (en)
Inventor
스티븐 로젠버그
마이클 알. 엘라쇼프
필립 베이네크
제임스 에이. 윙로브
와이트모어 지. 팅글리
수잔 이. 다니엘스
Original Assignee
카디오디엑스, 아이엔씨.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 카디오디엑스, 아이엔씨. filed Critical 카디오디엑스, 아이엔씨.
Publication of KR20120046171A publication Critical patent/KR20120046171A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • 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
    • G01N33/5308—Immunoassay; Biospecific binding assay; Materials therefor for analytes not provided for elsewhere, e.g. nucleic acids, uric acid, worms, mites
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • 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
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • 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
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/112—Disease subtyping, staging or classification
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/16—Primer sets for multiplex assays
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biotechnology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Organic Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)

Abstract

대상의 관상동맥질환을 평가하는데 유용한 마커 및 방법을 제공하고, 아울러 마커의 발현 여부를 평가하기 위한 키트를 제공한다. 또한 샘플을 스코어링하고 선택적으로 분류하기 위한 컴퓨터 시스템 뿐만 아니라, 마커에 기초한 예측성 모델 및 모델의 소프트웨어를 제공한다.

Description

관상동맥질환 위험성의 결정{DETERMINATION OF CORONARY ARTERY DISEASE RISK}
본 발명은 마커 발현 측정값에 기초하여 관상동맥질환 (coronary artery disease, CAD)위험성의 정도를 결정하기 위한 예측성 모델, 그것의 사용방법 및 그것을 구현하기 위한 컴퓨터 시스템 및 소프트웨어에 관한 것이다.
CAD 및 심근경색증의 사망률 및 질병률은 세계적으로 주요한 건강 문제이다. 최근 CAD 유병율의 주요한 결정인자는 성별, 연령 및 흉통 유형이다.1,2 당뇨병, 흡연, 이상지질혈증 및 가족력과 같은 다른 위험 인자는 장래의 심혈관 질환 위험성과 더 연관되어 있다.3 덧붙여서, 죽상동맥경화증은 면역 세포의 혈관 벽으로의 이동 및 활성화를 포함하는, 침습성 염증 요소를 가진다.4,5 실제로, 그러한 세포들이 순환 혈액으로부터 유도되고 순환 혈액과 반응하기 때문에, 순환하는 혈액 세포 유전자 발현의 정량 측정은 CAD의 정도 (extent)를 반영한다.6, 7 이러한 관찰은 세포 유형 분배에 있어서 2가지 모두의 변화를 적절하게 반영하는데, 심혈관 질환8에 대한 예후값 및 구체적인 세포 유형 또는 계통 내에서 유전자 발현 변화가 그것이다.
CAD 검출용 "금본위 표준 (gold standard)"는 침습성 관상동맥 혈관조영검사이다; 그러나, 이것은 비용이 많이 들고, 환자에게 위험할 수 있다. 혈관조영검사 전에, 심근 관류 영상 (myocardial perfusion imaging, MPI) 및 CT-혈관조영검사과 같은 비-침습성 진단 방식이 이용될 수 있지만, 그러나 이것은 방사선 노출, 조영제 (contrast agent) 민감성을 포함하는 문제를 포함하기 때문에, 폐쇄 CAD 판별에 있어서만 적당한 수준으로 추가된다.9, 10
Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. N Engl J Med. 1979;300(24):1350-1358. Chaitman BR, Bourassa MG, Davis K, Rogers WJ, Tyras DH, Berger R, Kennedy JW, Fisher L, Judkins MP, Mock MB, Killip T. Angiographic prevalence of high-risk coronary artery disease in patient subsets (CASS). Circulation. 1981;64(2):360-367. Ridker PM, Buring JE, Rifai N, Cook NR. Development and validation of improved algorithms for the assessment of global cardiovascular risk in women: the Reynolds Risk Score. Jama. 2007;297(6):611-619. Hansson GK, Libby P, Schonbeck U, Yan ZQ. Innate and adaptive immunity in the pathogenesis of atherosclerosis. Circ Res. 2002;91(4):281-291. Libby P, Ridker PM, Maseri A. Inflammation and atherosclerosis. Circulation. 2002;105(9):1135-1143. Sinnaeve PR, Donahue MP, Grass P, Seo D, Vonderscher J, Chibout SD, Kraus WE, Sketch M, Jr., Nelson C, Ginsburg GS, Goldschmidt-Clermont PJ, Granger CB. Gene expression patterns in peripheral blood correlate with the extent of coronary artery disease. PLoS One. 2009;4(9):e7037. Wingrove JA, Daniels SE, Sehnert AJ, Tingley W, Elashoff MR, Rosenberg S, Buellesfeld L, Grube E, Newby LK, Ginsburg GS, Kraus WE. Correlation of Peripheral-Blood Gene Expression With the Extent of Coronary Artery Stenosis. Circulation: Cardiovascular Genetics. 2008;1(1):31-38. Horne BD, Anderson JL, John JM, Weaver A, Bair TL, Jensen KR, Renlund DG, Muhlestein JB. Which white blood cell subtypes predict increased cardiovascular risk? J Am Coll Cardiol. 2005;45(10):1638-1643. Gibbons RJ, Abrams J, Chatterjee K, Daley J, Deedwania PC, Douglas JS, Ferguson TB, Jr., Fihn SD, Fraker TD, Jr., Gardin JM, O'Rourke RA, Pasternak RC, Williams SV. ACC/AHA 2002 guideline update for the management of patients with chronic stable angina--summary article: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines (Committee on the Management of Patients With Chronic Stable angina). J Am Coll Cardiol. 2003;41(1):159-168. Patel MR, Peterson ED, Dai D, Brennan JM, Redberg RF, Anderson HV, Brindis RG, Douglas PS. Low diagnostic yield of elective coronary angiography. N Engl J Med. 2010;362(10):886-895. Wang L, Hauser ER, Shah SH, Pericak-Vance MA, Haynes C, Crosslin D, Harris M, Nelson S, Hale AB, Granger CB, Haines JL, Jones CJ, Crossman D, Seo D, Gregory SG, Kraus WE, Goldschmidt-Clermont PJ, Vance JM. Peakwide mapping on chromosome 3q13 identifies the kalirin gene as a novel candidate gene for coronary artery disease. Am J Hum Genet. 2007;80(4):650-663. Rosenberg S, Elashoff MR, Beineke P, Daniels SE, Wingrove JA, Tingley WG, Sager PT, Sehnert AJ, Yau Y, Kraus W, Newby L, Schwartz R, Voros S, Ellis S, Tahirkheli N, Waksman R, McPherson J, Lansky A, Schork N, Winn M, Topol E. Multi-Center Validation of the Diagnostic Accuracy of a Blood-based Gene Expression Test for Assessment of Obstructive Coronary Artery Disease in Non-Diabetic Patients. Submitted; 2010. Zheng Q, Wang XJ. GOEAST: a web-based software toolkit for Gene Ontology enrichment analysis. Nucleic Acids Res. 2008;36(Web Server issue):W358-363. Brunet JP, Tamayo P, Golub TR, Mesirov JP. Metagenes and molecular pattern discovery using matrix factorization. Proc Natl Acad Sci U S A. 2004;101(12):4164-4169. Tibshirani R. Regression shrinkage and selection via the lasso. J. Royal Statistical Society B. 1996;58:267-288. Brown PJ. Measurement, Regression, and Calibration. Oxford, UK: Oxford University Press; 1994. Hamblin M, Chang L, Fan Y, Zhang J, Chen YE. PPARs and the cardiovascular system. Antioxid Redox Signal. 2009;11(6):1415-1452. Ellegren H, Parsch J. The evolution of sex-biased genes and sex-biased gene expression. Nat Rev Genet. 2007;8(9):689-698. Hong MG, Myers AJ, Magnusson PK, Prince JA. Transcriptome-wide assessment of human brain and lymphocyte senescence. PLoS One. 2008;3(8):e3024. Rana JS, Boekholdt SM, Ridker PM, Jukema JW, Luben R, Bingham SA, Day NE, Wareham NJ, Kastelein JJ, Khaw KT. Differential leucocyte count and the risk of future coronary artery disease in healthy men and women: the EPIC-Norfolk Prospective Population Study. J Intern Med. 2007;262(6):678-689. Su AI, Wiltshire T, Batalov S, Lapp H, Ching KA, Block D, Zhang J, Soden R, Hayakawa M, Kreiman G, Cooke MP, Walker JR, Hogenesch JB. A gene atlas of the mouse and human protein-encoding transcriptomes. Proc Natl Acad Sci U S A. 2004;101(16):6062-6067. Hasegawa H, Yamada Y, Harasawa H, Tsuji T, Murata K, Sugahara K, Tsuruda K, Masuda M, Takasu N, Kamihira S. Restricted expression of tumor necrosis factor-related apoptosis-inducing ligand receptor 4 in human peripheral blood lymphocytes. Cell Immunol. 2004;231(1-2):1-7. Lim SY, Raftery MJ, Goyette J, Hsu K, Geczy CL. Oxidative modifications of S100 proteins: functional regulation by redox. J Leukoc Biol. 2009. Yamasaki S, Ishikawa E, Sakuma M, Hara H, Ogata K, Saito T. Mincle is an ITAM-coupled activating receptor that senses damaged cells. Nat Immunol. 2008;9(10):1179-1188. Teixeira VH, Olaso R, Martin-Magniette ML, Lasbleiz S, Jacq L, Oliveira CR, Hilliquin P, Gut I, Cornelis F, Petit-Teixeira E. Transcriptome analysis describing new immunity and defense genes in peripheral blood mononuclear cells of rheumatoid arthritis patients. PLoS One. 2009;4(8):e6803. Chung CP, Oeser A, Raggi P, Gebretsadik T, Shintani AK, Sokka T, Pincus T, Avalos I, Stein CM. Increased coronary-artery atherosclerosis in rheumatoid arthritis: relationship to disease duration and cardiovascular risk factors. Arthritis Rheum. 2005;52(10):3045-3053. Cruz-Munoz ME, Dong Z, Shi X, Zhang S, Veillette A. Influence of CRACC, a SLAM family receptor coupled to the adaptor EAT-2, on natural killer cell function. Nat Immunol. 2009;10(3):297-305. Kim DK, Kabat J, Borrego F, Sanni TB, You CH, Coligan JE. Human NKG2F is expressed and can associate with DAP12. Mol Immunol. 2004;41(1):53-62. Whitman SC, Rateri DL, Szilvassy SJ, Yokoyama W, Daugherty A. Depletion of natural killer cell function decreases atherosclerosis in low-density lipoprotein receptor null mice. Arterioscler Thromb Vasc Biol. 2004;24(6):1049-1054. Major AS, Fazio S, Linton MF. B-lymphocyte deficiency increases atherosclerosis in LDL receptor-null mice. Arterioscler Thromb Vasc Biol. 2002;22(11):1892-1898. Robertson AK, Hansson GK. T cells in atherogenesis: for better or for worse? Arterioscler Thromb Vasc Biol. 2006;26(11):2421-2432. Park MY, Hastie T, Tibshirani R. Averaged gene expressions for regression. Biostatistics. 2007;8(2):212-227.
CAD 환자를 확실히 판별할 수 있는 비침습성 혈액 테스트는 현저한 임상적 유용성을 가질 것이다. 따라서, 죽상동맥경화증 (atherosclerosis)에 대한 투병에 있어서 주요한 발전은, 환자의 CAD 정도의 진단 및 평가에 있어서 도움을 줄 수 있는 비-침습성 진단 테스트의 개발일 것이다. 본 발명은 상기와 같은 목적을 가지고 마커 발현 및 임상 인자 (예컨대, 나이 및 성별)을 이용하는 알고리즘의 개발 및 타당성 검증에 대하여 기술한다.
대상으로부터 얻어진 첫 번째 샘플 스코어링용 컴퓨터 구현 방법으로서,
첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것; 및 컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것을 포함하며, 상기 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대한 정량 발현 데이터를 포함하고;
상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3 TFCP2 또는 DDX18를 포함하고;
용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함하고;
용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19을 포함하고, 마커 8은 SPIB 또는 BLK을 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2을 포함하고;
용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 마커 11은 S100A12 또는 MMP9을 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP을 포함하고, 마커 13은 S100A8 또는 NAMPT을 포함하고, 마커 14는 RPL28 또는 SSRP1을 포함하고;
용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 마커 15는 S100A12 또는 MMP9을 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP을 포함하고, 마커 17은 S100A8 또는 NAMPT을 포함하고, 마커 18은 AQP9 또는 GLT1D1을 포함하고, 마커 19는 NCF4 또는 NCF2을 포함하고;
용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 마커 20은 CASP5 또는 H3F3B을 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고; 및
용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 마커 27은 SLAMF7 또는 CX3CR1을 포함하고, 마커 28은 KLRC4 또는 CD8A을 포함하고, 마커 29는 CD3D 또는 LCK을 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하며,
상기 컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것은 상기 첫 번째 스코어를 통해 대상에서 CAD를 예측하는 것인, 컴퓨터 구현 방법을 개시한다.
일 구현예에서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 2개 이상의 마커 세트에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 3개 이상의 마커 세트에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 4개 이상의 마커 세트에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 5개 이상의 마커 세트에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 6개 이상의 마커 세트에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들에 대한 정량 발현 데이터를 포함한다.
일 구현예에서, 상기 해석 함수는 예측 모델에 기반한다. 일 구현예에서, 상기 예측 모델은 부분최소제곱 모델 (partial least squares model), 로지스틱 회귀분석 모델 (logistic regression model), 선형 회귀분석 모델 (linear regression model), 선형 판별분석 모델 (linear discriminant analysis model), 능형 회귀분석 모델 (ridge regression model) 및 트리-기반 반복 분할 모델 (tree-based recursive partitioning model)으로 구성된 군에서 선택된다. 일 구현예에서, 상기 예측 모델의 수행은 0.68 내지 0.70 정도의 곡선하면적 (area under the curve, AUC)에 의하여 특징된다. 일 구현예에서, 상기 예측 모델의 수행은 0.70 내지 0.79 범위의 곡선하면적 (area under the curve, AUC)이 특징이다. 일 구현예에서, 상기 예측 모델의 수행은 0.80 내지 0.89 범위의 곡선하면적 (area under the curve, AUC)이 특징이다. 일 구현예에서, 상기 예측 모델의 수행은 0.90 내지 0.99 범위의 곡선하면적 (area under the curve, AUC)이 특징이다.
일 구현예에서, 상기 첫 번째 데이터세트는 임상 인자를 더 포함한다. 일 구현예에서, 상기 임상 인자는 연령, 성별, 흉통 유형, 호중구 수치, 인종, 유병 기간, 확장기 혈압, 수축기 혈압, 가족력 변수, 병력 변수, 병 증상 변수, 키, 체중, 체-질량 지수, 안정시의 심박수 및 흡연/비흡연 상태로 구성된 군에서 선택된다.
일 구현예에서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 첫 번째 샘플을 얻고 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하는 것을 포함한다. 일 구현예에서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하였던 제삼자로부터 첫 번째 데이터세트를 받는 것을 포함한다.
일 구현예에서, 상기 방법은 첫 번째 스코어에 따라서 상기 첫 번째 샘플을 분류하는 것을 포함한다. 일 구현예에서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 존재 또는 CAD의 부재를 예측하는 것이다. 일 구현예에서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 정도 (extent)를 예측하는 것이다. 일 구현예에서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 위험성을 예측하는 것이다.
일 구현예에서, 상기 첫 번째 샘플은 말초혈액세포 (peripheral blood cell)를 포함한다. 일 구현예에서, 상기 말초혈액세포는 백혈구를 포함한다. 일 구현예에서, 상기 첫 번째 샘플은 말초혈액세포로부터 추출한 RNA를 포함한다.
일 구현예에서, 상기 정량 발현 데이터는 혼성화 데이터로부터 유래된 것이다. 일 구현예에서, 상기 정량 발현 데이터는 중합효소 연쇄 반응 (polymerase chain reaction) 데이터로부터 유래된 것이다. 일 구현예에서, 상기 정량 발현 데이터는 항체 결합 분석 (antibody binding assay)으로부터 유래된 것이다. 일 구현예에서, 상기 첫 번째 데이터세트는 기억 장치에 저장된 것으로부터 얻어지는 것이다.
일 구현예에 있어서, 상기 대상은 인간이다. 일 구현예에서, 상기 대상은 안정 흉통을 가진다. 일 구현예에서, 상기 대상은 전형적 협심증 또는 비정형적 협심증 또는 협심증 유사증상 (anginal equivalent)을 가진다. 일 구현예에서, 상기 대상은 과거 심근경색증 진단을 받지 않은 것을 특징으로 한다. 일 구현예에서, 상기 대상은 혈관재생 (revascularization) 수술을 거치지 않은 것을 특징으로 한다. 일 구현예에서, 상기 대상은 당뇨병을 가지지 않는다. 일 구현예에서, 상기 대상은 염증 상태 또는 감염 상태에 있지 않다. 일 구현예에서, 상기 대상은 현재 스테로이드, 면역억제제 또는 화학요법제를 복용하지 않는 것을 특징으로 한다.
본 명세서는 또한 대상으로부터 얻어진 첫 번째 샘플 스코어링용 컴퓨터 구현 방법으로서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것; 및 컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것을 포함하며,
상기 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것에 있어서, 첫 번째 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4 및 CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 발현 데이터를 포함하며,
상기 컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것은 첫 번째 스코어를 통해 대상에서 CAD를 예측하는 것인, 대상으로부터 얻어진 첫 번째 샘플 스코어링용 컴퓨터 구현 방법.을 개시한다.
일 구현예에서, 상기 첫 번째 데이터세트는 임상 인자를 포함한다. 일 구현예에서, 상기 임상 인자은 연령 및/또는 성별이다. 일 구현예에서, 상기 임상 인자은 연령, 성별, 흉통 유형, 호중구 수치, 인종, 유병 기간, 확장기 혈압, 수축기 혈압, 가족력 변수, 병력 변수, 병 증상 변수, 키, 체중, 체-질량 지수, 안정시 심박수 및 흡연/비흡연 상태로 구성된 군에서 선택된다.
일 구현예에서, 상기 첫 번째 데이터세트는 3개 이상의 마커에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 4개 이상의 마커에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 5개 이상의 마커에 대한 정량 발현 데이터를 포함한다. 일 구현예에서, 상기 첫 번째 데이터세트는 6개 이상의 마커에 대한 정량 발현 데이터를 포함한다.
일 구현예에서, 상기 해석 함수는 예측 모델에 기반한 것이다. 일 구현예에서, 상기 임상 예측 모델은 부분최소제곱 모델 (partial least squares model), 로지스틱 회귀분석 모델 (logistic regression model), 선형 회귀분석 모델 (linear regression model), 선형 판별분석 모델 (linear discriminant analysis model), 능형 회귀분석 모델 (ridge regression model) 및 트리-기반 반복 분할 모델 (tree-based recursive partitioning model)으로 구성된 군에서 선택된다. 일 구현예에서, 상기 예측 모델의 수행은 0.68 내지 0.70 범위의 곡선하면적 (area under the curve, AUC)이 특징이다. 일 구현예에서, 상기 예측 모델의 수행은 0.70 내지 0.79 범위의 곡선하면적 (area under the curve, AUC)이 특징이다. 일 구현예에서, 상기 예측 모델의 수행은 0.80 내지 0.89 정도의 곡선하면적 (area under the curve, AUC)이 특징이다. 일 구현예에서, 상기 예측 모델의 수행은 0.90 내지 0.99 범위의 곡선하면적 (area under the curve, AUC)이 특징이다.
일 구현예에서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 첫 번째 샘플을 얻고 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하는 것을 포함한다. 일 구현예에서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하였던 제삼자로부터 첫 번째 데이터세트를 받는 것을 포함한다.
일 구현예에서, 상기 방법은 첫 번째 스코어에 따라서 상기 첫 번째 샘플을 분류하는 것을 포함한다. 일 구현예에서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 존재 또는 CAD의 부재를 예측하는 것이다. 일 구현예에서, 상기 방법은 상기 분류하는 것을 통해 대상에서 CAD의 정도를 예측하는 것이다. 일 구현예에서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 위험성을 예측하는 것이다.
일 구현예에서, 상기 첫 번째 샘플은 말초혈액세포 (peripheral blood cell)를 포함한다. 일 구현예에서, 상기 말초혈액세포는 백혈구를 포함한다. 일 구현예에서, 상기 첫 번째 샘플은 말초혈액세포로부터 추출한 RNA를 포함한다.
일 구현예에서, 상기 정량 발현 데이터는 혼성화 데이터 (hybridization data)로부터 유래된다. 일 구현예에서, 상기 정량 발현 데이터는 중합효소 연쇄 반응 (polymerase chain reaction) 데이터로부터 유래된다. 일 구현예에서, 상기 정량 발현 데이터는 항체 결합 분석 (antibody binding assay)으로부터 유래된다. 일 구현예에서, 상기 첫 번째 데이터세트는 기억 장치 (storage memory)에 저장된 것으로부터 얻어진다.
일 구현예에서, 상기 대상은 인간이다. 일 구현예에서, 상기 대상은 안정 흉통 (stable chest pain)을 가진다. 일 구현예에서, 상기 대상은 전형적 협심증 또는 비정형적 협심증 또는 협심증 유사증상 (anginal equivalent)을 가진다. 일 구현예에서, 상기 대상은 과거 심근경색증 진단을 받지 않은 것을 특징으로 한다. 일 구현예에서, 상기 대상은 혈관재생 (revascularization) 수술을 거치지 않은 것을 특징으로 한다. 일 구현예에서, 상기 대상은 당뇨병을 가지지 않는다. 일 구현예에서, 상기 대상은 염증 상태 또는 감염 상태에 있지 않는다. 일 구현예에서, 상기 대상은 현재 스테로이드, 면역억제제 또는 화학요법제를 복용하지 않은 것을 특징으로 한다.
본 발명은 또한 대상의 CAD 예측용 시스템으로서,
대상으로부터 얻어진 샘플과 연관된 데이터세트 저장용 기억 장치; 및 해석 함수를 이용하는 스코어 결정용 기억 장치에 연결되어 소통하는 프로세서로서 상기 스코어를 통해 대상에서 CAD를 예측하는 프로세서를 포함하며, 상기 기억장치에 있어서, 상기 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것이고;
상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 여기에 있어서 마커 1은 AF161365을 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커3은 TFCP2 또는 DDX18를 포함하고;
용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 여기에 있어서 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함하고;
용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 여기에 있어서 마커 7은 CD79B 또는 CD19을 포함하고, 마커 8은 SPIB 또는 BLK을 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2을 포함하고;
용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서 마커 11은 S100A12 또는 MMP9을 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP을 포함하고, 마커 13은 S100A8 또는 NAMPT을 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B을 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1를 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고, 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 대상의 CAD 예측용 시스템을 개시한다.
또한 본 발명은 컴퓨터로 실행가능한 프로그램 코드를 저장하는 컴퓨터로 판독가능한 기록매체로서,
상기 프로그램 코드는 대상으로부터 얻어진 샘플과 연관된 데이터세트 저장용 프로그램 코드; 및 해석 함수를 이용하는 스코어 결정용 프로그램 코드로서 상기 스코어를 통해 대상에서 CAD를 예측하는 프로그램 코드를 포함하며, 상기 데이터세트 저장용 프로그램 코드에 있어서 상기 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대하여 정량 발현 데이터를 포함하고;
상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 여기에 있어서 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3은 TFCP2 또는 DDX18를 포함하고;
용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 여기에 있어서 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함하고;
용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 여기에 있어서 마커 7은 CD79B 또는 CD19를 포함하고, 마커 8은 SPIB 또는 BLK를 포함하고, 마커 9는 CD3D 또는 LCK를 포함하고, 마커 10은 TMC8 또는 CCT2를 포함하고;
용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서, 마커 11은 S100A12 또는 MMP9를 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP를 포함하고, 마커 13은 S100A8 또는 NAMPT를 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 상기 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B를 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 상기 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 컴퓨터로 판독가능한 기록매체를 개시한다.
본 발명은 또한 대상의 CAD 예측용 방법으로서,
대상으로부터 샘플을 얻는 단계로서 상기 샘플은 복수의 분석물을 포함하는 단계;
상기 샘플과 시약을 접촉시키는 단계;
상기 시약과 복수의 분석물 사이에서 복수의 복합체를 생성시키는 단계;
상기 샘플과 연관된 데이터세트를 얻기 위하여 복수의 복합체를 검출하는 단계; 및 해석 함수를 이용하는 데이터세트로부터 스코어를 결정하는 것을 포함하는 단계로서 상기 스코어를 통해 대상에서 CAD를 예측하는 단계를 포함하며, 상기 복합체를 검출하는 단계에 있어서 상기 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7을 포함하는데,
상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3은 TFCP2 또는 DDX18를 포함하고;
용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18을 포함하고,
용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19를 포함하고, 마커 8은 SPIB 또는 BLK를 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2를 포함하고;
용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서, 마커 11은 S100A12 또는 MMP9를 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP를 포함하고, 마커 13은 S100A8 또는 NAMPT를 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 상기 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B를 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 상기 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 대상의 CAD 예측용 방법을 개시한다.
또한 본 발명은 대상의 CAD 예측용 키트로서,
상기 키트는, 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대한 대상의 정량 발현 데이터로부터 얻어지는 샘플을 결정하기 위한 복수의 시약을 포함하는 시약의 세트; 및 샘플로부터 정량 데이터를 결정하기 위하여 복수의 시약을 이용하는 지시서로서 상기 지시서는, 스코어를 결정하기 위한 명령을 포함하고 상기 스코어를 통해 대상에서 CAD를 예측하는 지시서를 포함하며,
상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3은 TFCP2 또는 DDX18를 포함하고;
용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18을 포함하고;
용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19를 포함하고, 마커 8은 SPIB 또는 BLK를 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2를 포함하고;
용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서, 마커 11은 S100A12 또는 MMP9를 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP를 포함하고, 마커 13은 S100A8 또는 NAMPT를 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 상기 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B를 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 상기 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 대상의 CAD 예측용 키트를 개시한다.
일 구현예에서, 상기 명령은 마이크로어레이 분석을 수행하라는 명령을 포함한다. 일 구현예에서, 상기 명령은 중합효소 연쇄 반응 (polymerase chain reaction) 데이터를 수행하라는 명령을 포함한다.
본 발명은 또한 대상의 CAD 예측용 시스템으로서,
상기 시스템은 대상으로 얻어진 샘플과 연관된 데이터세트를 저장하기 위한 기억 장치; 및 해석 함수를 이용하는 스코어 결정용 기억 장치에 연결되어 소통하는 프로세서로서 상기 스코어를 통해 대상에서 CAD를 예측하는 프로세서를 포함하며, 상기 기억 장치에 있어서 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, and CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 발현 데이터를 포함하는 대상의 CAD 예측용 시스템을 개시한다.
또한 본 발명은 컴퓨터로 실행가능한 프로그램 코드를 저장하는 컴퓨터로 판독가능한 기록매체로서,
프로그램 코드는 대상으로부터 얻어진 샘플과 연관된 데이터세트 저장용 프로그램 코드; 및 해석 함수를 이용하는 스코어 결정용 프로그램 코드로서, 상기 스코어를 통해 대상에서 CAD를 예측가능한 프로그램 코드를 포함하며, 데이터세트 저장용 프로그램 코드에 있어서 상기 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4 및 CD8A로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 분석 데이터를 포함하는 컴퓨터로 판독가능한 기록매체를 개시한다.
본 발명은 또한 대상의 CAD 예측용 방법으로서,
대상으로부터 샘플을 얻는 단계로서 상기 샘플은 복수의 분석물을 포함하는 단계;
상기 샘플과 시약을 접촉시키는 단계;
상기 시약과 복수의 분석물 사이에서 복수의 복합체를 생성시키는 단계;
상기 샘플과 연관된 데이터세트를 얻기 위하여 복수의 복합체를 검출하는 단계; 및 해석 함수를 이용하는 데이터세트로부터 스코어를 결정하는 것을 포함하는 단계로서 상기 스코어를 통해 대상에서 CAD를 예측하는 단계를 포함하며, 상기 복합체를 검출하는 단계에 있어서 상기 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, and CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 발현 데이터를 포함하는 대상의 CAD 예측용 방법을 개시한다.
또한 본 발명은 대상의 CAD 예측용 키트로서,
상기 키트는, AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, 및 CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 대상의 정량 발현 데이터로부터 얻어진 샘플을 결정하기 위한 복수의 시약을 포함하는 시약의 세트; 및 샘플로부터 정량 데이터를 결정하기 위하여 복수의 시약을 이용하는 지시서로서 상기 지시서는 스코어를 결정하기 위한 명령을 포함하고 상기 스코어를 통해 대상에서 CAD를 예측하는 지시서를 포함하는, 대상의 CAD 예측용 키트를 개시한다.
본 발명의 특징, 관점 및 장점은 다음의 설명 및 이어지는 도면에 의하여 더 잘 이해될 것이다.
도 1-유전자 발견 (Gene Discovery), 알고리즘 개발 (Algorithm Development) 및 환자 타당성 검증 (Validation Patient) 및 논리 흐름도 (Logic Flow Schematic). 최초의 유전자 발견 (CATHGEN 저장소)은 당뇨병 및 비-당뇨병 환자 모두를 포함한다. 대응표본 마이크로어레이 분석에서 비-당뇨병 환자가 개입된 개별 위험 평가 및 관상 트리 (Coronary Tree) 유래의 유전자 발견 (PREDICT)은 CATHGEN 어레이 유전자와 공통적인 655개의 유의 유전자 (significant gene)를 수득하였다. RT-PCR에 있어서 113개의 유전자들이 선택되어 640개의 PREDICT 환자 샘플에서 시험되었고, 이것으로부터 최종 알고리즘이 도출되었고 고정되었으며, 뒤이어 PREDICT 타당성 검증 코호트 (N=526)에서의 타당성 검사를 수행하였다.
도 2-CATHGEN 마이크로어레이 분석으로부터 당뇨 대 비-당뇨 유의 유전자의 RT-PCR 분석. 비-당뇨 (ND) 및 당뇨 (D) 환자의 CATHGEN 마이크로어레이 코호트로부터 선별된 개별 유전자의 유의성을 보여준다. 각각의 서브세트에서 CAD 로지스틱 회귀분석의 성별/연령이 조정된 p-값을 나타내었다 (로그 스케일). 유의한 p 값 (<0.05)은 유전자 기호와 함께 붉은 색으로 나타내었고 (사분면의 좌측 상단 및 우측 하단), 비-유의한 것은 검은 색으로 나타내었다 (사분면의 우측 상단).
도 3-마이크로어레이, RT-PCR 및 알고리즘 유전자원의 벤다이어그램. 전체 7718개 유전자에서 655개의 유전자가 교집합을 가지고 CATHGEN 및 PREDICT 마이크로어레이 분석으로부터 2438개 및 5935개 각각의 유전자가 동정되었다. 113개 RT-PCR 유전자에 대하여, 52개는 PREDICT 유래이고, 22개는 CATHGEN 유래이며, 29개는 양쪽 모두에 해당되었다; 10개는 양쪽에 대하여 표준 유전자이거나 또는 종래 연구로부터 알게 된 것이었다.7 20개의 유익한 유전자를 포함하는 최종 알고리즘: 10개는 양쪽 모두의 마이크로어레이 연구로부터 온 것이고, 8개는 PREDICT만으로 알게 된 것이며, 2개는 CATHGEN만으로 알게 된 것이다.
도 4-상기 113개의 PCR 유전자에 대하여 림프구 분획 (y-축) 및 호중구 분획 (x-축)에 대한 PCR 유전자 발현의 연관성이 PREDICT 알고리즘 개발 코호트에서 측정되었다. 연관성의 정도는 0.6까지이고, 39개의 유전자가 동일한 역치에서 림프구 수치와 연관되어 있는 반면에 총 42개 유전자는 >0.2에서 호중구 분획과 연관되어 있다. 유전자들은 표 2의 넘버링 방식 (numbering scheme)을 이용하여 동정한다.
도 5-알고리즘 구조 및 유전자의 도표. 상기 알고리즘은 남성 및 여성에 대한 중첩 유전자 발현 함수를 포함하는데, 전자에 대하여 성별-특이적 선형 연령 함수를 가지고 후자에 대하여 비-선형 연령 함수를 가진다. 유전자 발현 요소를 위하여, 4개의 용어에서 16/23 유전자는 성 독립성을 가진다: 용어 1-호중구 활성화 및 세포자살, 용어 3-T 세포 비율에 따른 NK 세포 활성화, 용어 4, T 세포에 대한 B 세포의 비율 및 용어 5-TFCP2 및HNRPF에 대하여 표준화된 AF289562 발현. 추가로, 용어 2는 여성에 있어서 전체 호중구 유전자 발현(AQP9, NCF4)에 표준화되고 남성에 있어서 RPL28 (림프구)에 표준화된 3개의 성별-독립적 호중구/선천성 면역 유전자 (S100A8, S100A12, CLEC4E)로 구성된다. 최종적인 남성 특이적 용어는 TSPAN16의 표준화된 발현이다. 알고리즘 스코어는 1.821- .755*용어1-.406*용어3 -.308*용어2*성별 -.137*용어4 -.548*용어2*(1-성별) -.246*용어5 -.481*용어6*성별 +.851*성별 +.045*성별*연령 +.123*(1-성별)*max(0,연령-55)으로 정의되는데, 여기에 있어서 성별이 (0=여성, 1=남성), 0/1 로 나타내고 연령은 년으로 나타내며, (하기 Methods Section)에 기재된 것과 같이 계산되었다.
도 6-크로스 타당성 검증 추정 (Cross-Validation Estimate) 및 독립 타당성 검증 간의 알고리즘 수행의 비교. 알고리즘의 크로스 타당성 검증 (밑줄) 및 독립 타당성 검증 (실선)의 ROC 커브는 0.50 AUC (점선)에 상대적인 것을 보여준다. 상기 95% 신뢰성 구간은 입체 영역 (solid areas)으로 표시된다. 상기 AUC 값은 크로스-타당성 검증에 대하여 0.77 (95% CI, 0.73-0.81)이고 독립-타당성 검증 코호트에 대하여 0.70 (95% CI, 0.65-0.75, p=10-16)이다.
도 7-알고리즘 개발 및 타당성 검증에 대한 PREDICT 시험으로 얻어진 환자의 분포. 포함/제외의 기준을 만족한 1569명의 대상에서 226명은 유전자 발견을 위하여 이용되었다. 나머지 1343명은 보이는 바와 같이, 알고리즘 개발 (694명) 및 타당성 검토 (649명)를 위해 독립적인 코호트로 나누었다 : 상기 코호트에서 94%의 환자는 동일한 센터에서 왔다. 알고리즘 개발을 위하여 총 640개의 환자 샘플이 사용되었다. 54명은 불완전한 데이터 (Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. N Engl J Med. 1979;300(24):1350-8.), 부적절한 혈액량 (Stangl V, Witzel V, Baumann G, Stangl K. Current diagnostic concepts to detect coronary artery disease in women. Eur Heart J. 2008;29(6):707-17.), 실험 및 임상 기록간의 성별 부조합 (Gibbons RJ, Abrams J, Chatterjee K, et al. ACC/AHA 2002 guideline update for the management of patients with chronic stable angina--summary article: a report of the American College of Cardiology/American Heart Association Task Force on practice guidelines (Committee on the Management of Patients With Chronic Stable Angina). J Am Coll Cardiol. 2003;41(1):159-68.), 또는 통계학적 가외치 평가 (Cook NR, Ridker PM. Advances in measuring the effect of individual predictors of cardiovascular risk: the role of reclassification measures. Ann Intern Med. 2009;150(11):795-802.)에 의하여 제외되었다. 코호트의 타당성 검증을 위하여 총 123개의 샘플은 부적절한 혈액량 또는 RNA 수득률 (43), 게노믹 DNA의 현저한 오염 (78) 또는 구체화된 통계학적 가외치 평가 (2)에 기초하여 제외되었다.
도 8-pt 함수를 이용한 진단에 대한 순편익 커브 (net benefit curve), 양성 오류 및 음성 오류간의 교환을 나타내는 역치 확률. 상기 커브는 pt에 대한 가능한값의 정도를 넘어서는, 스코어>pt = 양성의 결정 규칙에 따라서 순편익을 수량화한다. 상기 참고 라인은 a) 모든 양성 대상 (더 낮은 커브) 또는 b) 모든 음성 대상 (순편익 = 0일 때의 선)의 순편익을 반영한다. 상기 유전자 발현 알고리즘에 대한 순편익 커브는 최고점 커브 (top curve)로 보이고, pt에 대하여 임상적으로 관련된 정도를 넘는 참고 라인 모두에 비하여 더 크다.
도 9- 알고리즘 및 임상 변수에 대한 타당성 검사 코호트 수행의 ROC 분석.알고리즘 수행은 다이아몬드-포레스터 (Diamond-Forrester)에 의하여 임상 인자에 추가된다. ROC 분석에서 D-F 스코어 및 알고리즘 스코어 (굵은 실선)의 조합과 D-F 스코어 단독 (---)의 비교를 보여준다. 상기 AUC=0.50 라인 (얇은 실선)은 참고로서 보여진다. 상기 526명의 타당성 검증 코호트 환자 중 525명 전체가 D-F 스코어로 계산하기 위하여 이용가능한 정보를 가졌다. 2개의 ROC 커브에 대한 AUC는 0.721 ±0.023 및 0.663± 0.025, p = 0.003이다.
도 10-타당성 검증 코호트에서 % 최대 협착증 (Maximum Stenosis)상의 알고리즘 스코어의 의존성. 각각의 환자에 대한 질환 정도는 QCA 최대 % 협착에 의하여 수량화되었고 5개의 카테고리로 그룹화되었다: 측정할 수 있는 질병이 없는, ≥1 혈관에서 1-24%, 25-49%, 1 혈관 >50% 및 >1 혈관 >50%. 각각의 그룹에 대한 상기 평균 알고리즘 스코어는 보여지고; 에러 바 (error bars)는 95% 신뢰 구간에 대응한다.
본 출원은 2009년 6월 15일에 출원된 미국 가출원 제61/187,203호와 2009년 9월 23일에 출원된 미국 가출원 제61/245,190호에 기초하여 우선권을 주장하며, 상기 개시한 것들은 전체가 참조로서 본 명세서에 채용된다.
정의
일반적으로, 청구항 및 상세한 설명에서 사용된 용어들은 당업자에 의하여 이해되는 일반적인 의미를 가지도록 의도된 것이다. 어떤 용어들은 추가적인 명료성을 제공하기 위하여 아래에서 정의된다. 일반적인 의미와 제공된 정의 간에 충돌이 있는 경우, 제공된 정의를 사용한다.
용어 "급성 관동맥 증후군 (acute coronary syndrome)" 은 모든 형태의 불안정 관상 동맥 질환 (unstable coronary artery disease)을 포함한다.
용어 "관상 동맥 질환 (coronary artery disease)" 또는 "CAD"는 관상 동맥에 영향을 미치는 모든 형태의 죽상동맥경화증 질환을 포함한다.
용어 "Ct"는 사이클 역치 (cycle threshold)를 의미하는 것이고 형광 값 (fluorescent value)이 세트 역치 (set threshold)를 넘는 PCR 사이클 수로서 정의된다. 따라서, 낮은 Ct 값은 높은 수준의 발현에 대응하는 것이고, 높은 Ct 값은
낮은 수준의 발현에 대응하는 것이다.
용어 "Cp"는 교차점을 의미하는 것이고, 예컨대 라이트사이클러 (LightCycler)와 같은 실시간 PCR 기계에서 표준 증폭 커브의 로그-선형 부분의 가장 좋은 피트와 노이즈 밴드 (noise band) (백그라운드 형광 측정에 따라 놓여진)의 교집합으로 정의된다.
용어 "FDR"은 오류발견율 (false discovery rate)를 의미한다. FDR은 무작위로 치환된 데이터세트를 분석하고 주어진 p-값 역치에서 유전자의 평균적인 수를 표로 만들어서 어림할 수 있다.
용어 "GL" "GM" 및 "GU" 각각은 알고리즘 개발 데이터 세트에서 상기 유전자에 대한 Cp의 첫 번째 퍼센타일 (percentile), 중앙값 (median) 및 99번째 퍼센타일을 의미한다.
용어 "마커 (marker)" 또는 "마커들 (markers)"은 지질 (lipids), 리포단백질 (lipoproteins), 단백질 (proteins), 사이토카인 (cytokines), 케모카인 (chemokines), 성장 인자 (growth factors), 펩티드 (peptides), 핵산 (nucleic acids), 유전자 (genes) 및 올리고뉴클레오티드 (oligonucleotides), 이와 관련된 복합체와 함께, 대사물질 (metabolites), 돌연변이 (mutations), 변이체 (variants), 다형성 (polymorphisms), 변형 (modifications), 단편 (fragments), 소단위 (subunits), 분해산물, 성분 (elements) 및 다른 분석물 (analytes) 또는 샘플-유래 단위들(sample-derived measures)을 제한없이 포함한다. 마커는 복제개수에서의 변형, 돌연변이 단백질, 돌연변이 핵산, 및/또는 전사 변이체를 또한 포함할 수 있고, 상기 변형된 상황에서, 복제개수에서의 변형 및/또는 전사 변이체는 예측 모델을 생성하는데 유용하거나, 또는 관련 마커를 이용하여 개발된 예측 모델에서 유용하다 (예컨대, 상기 단백질 또는 핵산의 비-돌연변이 버전, 대체 전사 등등).
용어 "고연관 유전자 발현 (highly correlated gene expression)" 또는 "고연관 마커 발현 (highly correlated marker expression)"은 관상 동맥 질환의 예측 모델에서 서로 교체할 수 있는 용도를 가지는 충분한 정도의 연관성을 갖는 유전자 또는 마커의 발현 값을 의미한다. 예를 들어, 만약 발현 값 X를 가지는 유전자 x는 예측 모델을 세우기 위하여 사용된다면, 발현 값 Y를 가지는 고연관 유전자 y는 당업자에게 자명하고 본 개시에 이익이 되는 쉬운 방법으로, 예측 모델로 대체될 수 있다. Y = a + bX일 경우에 유전자 x 및 y의 발현 값에 간의 대략적인 선형 관계를 추정하여, 그 후 X는 예측 모델에서 (Y-a)/b으로 대체될 수 있다. 비-선형 연관성에 대하여, 유사한 수학적 변형은 유전자 y의 발현값을 대응하는 유전자 x의 발현값으로 효과적으로 변환시키는데 사용될 수 있다. 용어 "고연관 마커" 또는 "고연관 대체 마커" 는 예를 들면 상기 기준에 기반한 예측 모델로 대체 및/또는 추가될 수 있는 마커를 의미하는 것이다. 고연관 마커는 2가지 이상의 방법으로 사용될 수 있다: (1) 원마커 대신 고연관 마커로의 대체 및 CAD 위험 예측용 새로운 무델의 생성에 의하여; 또는 (2) 존재하는 CAD 위험성 예측용 모델에서 원마커를 고연관 마커로 치환함에 의하여.
용어 "포유동물 (mammal)"은 인간 및 인간이 아닌 동물을 포함하는 것이고 인간, 인간이 아닌 영장류, 개, 고양이, 쥐, 소, 말, 및 돼지를 포함하지만 이에 제한되지 않는다.
용어 "메타유전자 (metagene)"는 예측 모델 (Brunet, J.P., et al. Proc. Natl. Acad. Sciences 2004;101(12):4164-9)에서 한 요소로 사용될 수 있는 단일 값을 생성하기 위하여 결합되는 발현 값을 가지는 유전자의 세트를 의미하는 것이다.
용어 "심근경색증 (myocardial infarction)"은 허혈성 심근 괴사 (ischemic myocardial necrosis)를 의미하는 것이다. 이것은 보통 심근 부분, 심장의 근육 조직으로 가는 관상동맥의 혈류량이 급격히 감소됨에 따른 결과이다. 심근 경색증은 ST-상승 (ST-elevation) 및 비-ST 상승 MI (불안정 협심증이라고도 불린다)로 분류될 수 있다. 심근 괴사는 어느 하나의 분류에 따른 결과이다. ST-상승 (ST-elevation) 또는 비-ST 상승 MI 분류에서 어느 하나의 심근경색증은 죽상동맥경화증의 심혈관 질환의 불안정한 유형이다.
용어 "샘플 (sample)"은 정맥천자 (venipuncture), 배설 (excretion), 사출 (ejaculation), 마사지 (massage), 생체검사 (biopsy), 바늘 흡입 (needle aspirate), 세척 샘플 (lavage sample), 스크래핑 (scraping), 절개술 (surgical incision) 또는 인터벤션 (intervention) 또는 당업계에 알려진 다른 방법으로 대상으로부터 얻어진 단세포 또는 다세포 또는 세포의 단편 또는 체액의 분액을 포함한다.
용어 "대상 (subject)" 은 세포, 조직 또는 대상, 인간 또는 인간이 아닌, 생체 내, 생체 외 또는 시험관 내, 남성 또는 여성을 포함한다.
용어 "샘플과 연관된 데이터세트를 얻는 것"은 하나 이상의 샘플로부터 결정된 데이터의 세트를 얻는 것을 포함한다. 데이터세트를 얻는 것은 샘플을 얻는 것 및 상기 데이터를 결정하기 위하여 실험적으로 샘플을 프로세싱하는 것을 포함한다. 상기 문구는 데이터세트를 실험적으로 결정하기 위하여, 또한, 예컨대 상기 샘플을 프로세싱했던 제 3자로부터 데이터 세트를 받는 것을 포함한다. 추가적으로, 상기 문구는 하나 이상의 데이터베이스 또는 하나 이상의 공개물 또는 데이터베이스 및 공개물의 조합 유래의 마이닝 데이터 (mining data)를 포함한다. 데이터세트는 기억 장치 상에서 저장된 것을 포함하는 다양한 알려진 방법들에 의하여 당업자에 의하여 얻어질 수 있다.
용어 "임상 인자"는 예컨대, 질병의 활성 또는 심각함과 같은 대상 조건의 측정을 의미하는 것이다. "임상 인자"는 비-샘플 마커 및/또는 연령 또는 성별과 같은, 다른 대상의 특성이라면 제한 없이 포함하는, 대상의 건강 상태의 모든 마커를 포함한다. 임상 인자는 대상의 샘플 (또는 샘플의 모집단) 평가 또는 결정된 조건 하에서 대상으로부터 얻어질 수 있다. 임상 인자는 또한 마커 및/또는 유전자 발현 대리와 같은 다른 파라미터에 의하여 예측될 수 있다.
본 발명의 명세서 및 덧붙인 청구항에서 사용된 단수형 "a", "an", "and", "the"는 명확히 다른 뜻이 쓰인 것이 아니라면 복수의 지시체를 포함한다.
방법
마커 및 임상 인자
본 발명의 하나 또는 그 이상의 마커의 수량은 값으로 나타내어질 수 있다. 값은 어떤 조건 하에서 샘플의 평가로부터 얻어진 하나 이상의 수치일 수 있다. 상기 값은 예를 들면, 실험실에서 수행된 분석에 의하여 샘플로부터 실험적으로 얻어진 측정값을 포함할 수 있고, 그렇지 않으면 실험실과 같은 서비스 제공자로부터 데이터를 얻거나, 또는 예컨대 기억 장치와 같이 데이터세트가 저장된 데이터베이스 또는 서버로부터 얻어질 수 있다.
일 구현예에서, 하나 또는 그 이상의 마커의 수량은 하나 또는 그 이상의
AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, HNRPF, ACBD5, TFCP2, DDX18, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, CD8A, CD3D, LCK, TMC8 또는 CCT2의 발현 레벨과 연관된 수치일 수 있고, 어떤 조건 하에서 샘플의 평가로부터 얻어질 수 있다. 이러한 명명법은 인간 유전체 유전자 명명 위원회 (Human Genome Organisation (HUGO) Gene Nomenclature Committee (HGNC))에 의하여 제공된 가이드라인에 부합하는 인간 유전자를 의미하는 것으로 사용된다. 더욱이 각각의 인간 유전자에 대한 정보, 예컨대 수탁 번호 및 알리아제 (aliases)는 HGNC Search genenames.org 웹사이트 상의 검색 페이지에 유전자 이름을 입력하여 발견될 수 있다. 예를 들면, 2010년 6월 1일 HGNC 웹사이트의 간편 검색 필드에 "CD3D"를 입력하면, CD3D (CD3d 분자, delta (CD3-TCR 복합체))의 승인된 유전자 이름, 시퀀스 수탁 아이디 CD3D (X01451; NM_000732), 및 과거 CD3D의 기호를 (T3D)확인할 수 있다. 더욱이 인간 유전자 이름은 아래의 실시예 부분에서 제공된다.
일 구현예에서, 조건은 하나의 임상 인자 또는 복수의 임상 인자를 포함할 수 있다. 일 구현예에서, 임상 인자는 데이터세트 내에 포함될 수 있다. 데이터 세트는 하나 또는 그 이상, 둘 또는 그 이상, 셋 또는 그 이상, 넷 또는 그 이상, 다섯 또는 그 이상, 여섯 또는 그 이상, 일곱 또는 그 이상, 여덟 또는 그 이상, 아홉 또는 그 이상, 열 또는 그 이상, 열하나 또는 그 이상, 열둘 또는 그 이상, 열셋 또는 그 이상, 열넷 또는 그 이상, 열다섯 또는 그 이상, 열여섯 또는 그 이상, 열일곱 또는 그 이항, 열여덟 또는 그 이상, 열아홉 또는 그 이상, 스물 또는 그 이상, 스물하나 또는 그 이상, 스물둘 또는 그 이상, 스물셋 또는 그 이상, 스물넷 또는 그 이상, 스물다섯 또는 그 이상, 스물여섯 또는 그 이상, 스물일곱 또는 그 이상, 스물여덟 또는 그 이상, 스물아홉 또는 그 이상, 서른 또는 그 이상의 겹치거나 별개의 임상 인자를 포함할 수 있다. 임상 인자는, 예를 들면, 질병이 존재하거나 부존재하는 대상의 조건일 수 있다. 그렇지 않으면, 또는 추가적으로, 임상 인자는 대상의 건강 상태일 수 있다. 그렇지 않으면, 또는 추가적으로 임상 인자는 연령, 성별, 흉통 유형, 호중구 수치, 인종, 유병기간, 확장기 혈압, 수축기 혈압 가족력 파라미터, 병력 파라미터, 병의 증상 파라미터, 키, 몸무게, 체-질량 지수, 안정시 심박수 및 흡연/비흡연 상태일 수 있다. 임상 인자는 상기 대상이 안정 흉통을 가지는지, 상기 대상이 전형적 협심증을 가지는지, 상기 대상이 비정형적 협심증을 가지는지, 상기 대상이 협심증 유사증상을 가지는지, 상기 대상이 과거 MI 진단을 받은 적이 있는지, 상기 대상이 혈관재생 과정을 가진 적이 있는지, 상기 대상이 당뇨병을 가지는지, 상기 대상이 면역 질환을 가지는지, 상기 대상이 감염 질환을 가지는지, 상기 대상이 스테로이드를 복용하는지, 상기 대상이 면역억제제를 복용하는지, 및/또는 상기 대상이 화학요법제를 복용하는지 여부를 포함할 수 있다. 임상 인자의 다른 예시는 표 및 도면에 나타나 있다.
일 구현예에서, 마커의 연관값은 대상으로부터 얻어진 샘플과 연관된 데이터세트를 포함할 수 있다. 데이터세트는 둘 또는 그 이상, 셋 또는 그 이상, 넷 또는 그 이상, 다섯 또는 그 이상, 여섯 또는 그 이상, 일곱 또는 그 이상, 여덟 또는 그 이상, 아홉 또는 그 이상, 열 또는 그 이상, 열하나 또는 그 이상, 열둘 또는 그 이상, 열셋 또는 그 이상, 열넷 또는 그 이상, 열다섯 또는 그 이상, 열여섯 또는 그 이상, 열일곱 또는 그 이항, 열여덟 또는 그 이상, 열아홉 또는 그 이상, 스물 또는 그 이상, 스물하나 또는 그 이상, 스물둘 또는 그 이상, 스물셋 또는 그 이상, 스물넷 또는 그 이상, 스물다섯 또는 그 이상, 스물여섯 또는 그 이상, 스물일곱 또는 그 이상, 스물여덟 또는 그 이상, 스물아홉 또는 그 이상, 서른 또는 그 이상 마커의 마커 발현값을 포함할 수 있다. 예를 들어, 데이터세트는 AF161365, HNRPF, ACBD5; AF161365, HNRPF; 또는 AF161365, ACBD5에 대한 발현값을 포함할 수 있다. 아래의 실시예 부분에서 다른 조합에 대하여 더 자세히 기재한다.
일 구현예에서, 하나 또는 그 이상의 마커는 용어들로 나누어질 수 있다. 용어들은 하나의 마커를 포함할 수 있지만, 일반적으로 세 개 또는 그 이상의 마커를 포함할 수 있다. 용어들은 대상으로부터 얻어진 샘플과 연관된 데이터세트에서 포함될 수 있다. 상기 데이터세트는 하나 또는 그 이상의 용어, 둘 또는 그 이상의 용어, 셋 또는 그 이상의 용어, 넷 또는 그 이상의 용어, 다섯 또는 그 이상의 용어, 여섯 또는 그 이상의 용어, 일곱 또는 그 이상의 용어, 여덟 또는 그 이상의 용어, 아홉 또는 그 이상의 용어, 또는 열 또는 그 이상의 용어를 포함할 수 있다. 일 구현예에서, 용어는 하나 또는 그 이상, 둘 또는 그 이상, 셋 또는 그 이상, 넷 또는 그 이상, 다섯 또는 그 이상, 여섯 또는 그 이상, 일곱 또는 그 이상, 여덟 또는 그 이상, 아홉 또는 그 이상, 열 또는 그 이상, 열하나 또는 그 이상, 열둘 또는 그 이상, 열셋 또는 그 이상, 열넷 또는 그 이상, 열다섯 또는 그 이상, 열여섯 또는 그 이상, 열일곱 또는 그 이항, 열여덟 또는 그 이상, 열아홉 또는 그 이상, 스물 또는 그 이상, 스물하나 또는 그 이상, 스물둘 또는 그 이상, 스물셋 또는 그 이상, 스물넷 또는 그 이상, 스물다섯 또는 그 이상, 스물여섯 또는 그 이상, 스물일곱 또는 그 이상, 스물여덟 또는 그 이상, 스물아홉 또는 그 이상, 서른 또는 그 이상 마커를 포함할 수 있다. 일 구현예에서, 상기 마커는 7개의 개별 용어로 나누어진다 : 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6, 및 용어 7. 일 구현예에서, 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3 TFCP2 또는 DDX18를 포함할 수 있다. 일 구현예에서, 용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함할 수 있다. 일 구현예에서, 용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19을 포함하고, 마커 8은 SPIB 또는 BLK을 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2을 포함할 수 있다. 일 구현예에서, 용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 마커 11은 S100A12 또는 MMP9을 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP을 포함하고, 마커 13은 S100A8 또는 NAMPT을 포함하고, 마커 14는 RPL28 또는 SSRP1을 포함할 수 있다. 일 구현예에서, 용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 마커 15는 S100A12 또는 MMP9을 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP을 포함하고, 마커 17은 S100A8 또는 NAMPT을 포함하고, 마커 18은 AQP9 또는 GLT1D1을 포함하고, 마커 19는 NCF4 또는 NCF2을 포함할 수 있다. 일 구현예에서, 용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 마커 20은 CASP5 또는 H3F3B을 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함할 수 있다. 일 구현예에서, 용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 마커 27은 SLAMF7 또는 CX3CR1을 포함하고, 마커 28은 KLRC4 또는 CD8A을 포함하고, 마커 29는 CD3D 또는 LCK을 포함하고, 마커 30은 TMC8 또는 CCT2를 포함할 수 있다.
다른 구현예에서, 본 발명은 대상과 연관된 샘플을 얻는 것을 포함하는데, 상기 샘플은 하나 또는 그 이상의 마커를 포함한다. 상기 샘플은 대상에 의하여 또는 예컨대 전문 의료진과 같은, 제 3자에 의하여 얻어질 수 있다. 전문 의료진의 예는 내과의사, 응급 구조대원, 간호사, 최초 반응자 (first responders), 심리학자, 임상 물리 의료인 (medical physics personnel), 임상 간호사 (nurse practitioners), 외과의사, 치과의사 및 당업계에 알려진 다른 전문 의료진을 포함한다. 샘플은 말초혈액세포 (peripheral blood cell), 분리된 백혈구 또는 말초혈액세포 또는 분리된 백혈구로부터 추출된 RNA를 포함할 수 있다. 상기 샘플은 어떤 체액으로부터 얻어질 수 있는데, 예를 들면, 양수, 안방수 (aqueous humor), 담즙, 림프, 모유, 조직액, 혈액, 혈장, 귀지 (earwax), 쿠퍼액 (사정 전 액), 유미 (chyle), 유미즙 (chyme), 여성의 사정액 (female ejaculate), 월경, 점액, 타액, 소변, 구토, 눈물, 질 윤활액, 땀, 혈청, 정액, 피지, 고름, 흉수, 뇌척수, 윤활액, 세포내액 및 유리체액이 있다. 실시예에서, 상기 샘플은 헌혈에 의하여 얻어지는데, 전문 의료진이 주사기 등을 이용하여 대상으로부터 피를 뽑는다. 상기 체액은 그 후 분석을 이용하여 하나 또는 그 이상의 마커의 값을 결정하기 위하여 시험될 수 있다. 하나 또는 그 이상의 마커의 값은 그리고 나서 본 발명의 방법을 이용하여 분석을 수행하는 자에 의하여 평가되거나 본 발명의 방법을 이용하여 평가하는 제 3자에게 보내질 수 있다.
해석 함수
일 구현예에서, 해석 함수는 예측 모델에 의하여 생성되는 함수일 수 있다. 해석 함수는 또한 복수의 예측 모델에 의하여 생성될 수 있다. 일 구현예에서, 해석 함수는 용어 Norm1, Norm2, NKup, Tcell, Bcell, Neut, Nup, Ndown, SCA1, AF2, TSPAN, SEX 및 INTERCEPT를 포함할 수 있다. 관계된 구현예에서, Norm1 = RPL28, Norm2 = (.5*HNRPF + .5*TFCP2), NKup = (.5*SLAMF7 + .5*KLRC4), Tcell = (.5*CD3D + .5*TMC8), Bcell = (2/3 *CD79B + 1/3 * SPIB), Neut = (.5*AQP9 + .5*NCF4), Nup = (1/3 * CASP5 + 1/3*IL18RAP + 1/3*TNFAIP6), Ndown = (.25*IL8RB + .25*TNFRSF10C + .25*TLR4 + .25*KCNE3), SCA1 = (1/3*S100A12 + 1/3*CLEC4E + 1/3*S100A8), AF2 = AF289562, TSPAN은 (AF161365-Norm2 > 6.27 또는 AF161365=NoCall)인 경우에는 1이고, 그렇지 않으면 0이다. 남성은 SEX = 1 이고, 여성은 0이다. 관계된 구현예에서, 남성에 대하여, INTERCEPT = Intercept + SEX + MAGE *AGE, (연령은 년 단위), 여성에 대하여, INTERCEPT = Intercept + OFAGE2 *max(0,AGE-60), (연령은 년 단위), 이다. 관계된 구현예에서, 계수 (coefficients) Intercept = 1.82120871, SEX = 0.851181, OFAGE2 = 0.123283, MAGE = 0.044868, TSPAN = -0.48182, AF2　=　--0.24592, Bcell = -0.13717, SCA1M = -0.30754, NeutF = -0.54778, Nupdown = -0.75514, 및 NK = -0.40579이다. 관계된 구현예에서, 스코어는 INTERCEPT-Nupdown *( Nup - Ndown) - NK*( NKup - Tcell) - SCA1M *SEX*( SCA1- Norm1) - Bcell * ( Bcell- Tcell) - NeutF *(1-SEX)*( SCA1- Neut) - TSPANcoef *SEX*(TSPAN) - AF2 *( AF2- Norm2)에 의하여 결정된다. 일 구현예에서, 해석 함수는 연령, 성 (즉, 성별) 및 하나 또는 그 이상의 용어의 어떤 선형 조합을 포함할 수 있다.
일 구현예에서, 예측성 모델은 부분최소제곱 모델 (partial least squares model), 로지스틱 회귀분석 모델 (logistic regression model), 선형 회귀분석 모델 (linear regression model), 선형 판별분석 모델 (linear discriminant analysis model), 능형 회귀분석 모델 (ridge regression model) 및 트리-기반 반복 분할 모델 (tree-based recursive partitioning model)을 포함할 수 있다. 일 구현예에서, 예측 모델은 또한 서포트 벡터 머신 (Support Vector Machines), 2차 판별 분석 (quadratic discriminant analysis) 또는 LASSO 회귀분석 모델을 포함할 수 있다. Elements of Statistical Learning, Springer 2003, Hastie, Tibshirani, Friedman을 보라; 이것은 전체 목적을 위하여 참고문헌으로 포함된다. 예측 모델 수행은 곡선하면적 (area under the curve, AUC)에 의하여 특징될 수 있다. 일 구현예에서, 예측 모델 수행은 0.68 내지 0.70 정도의 AUC에 의하여 특징된다. 일 구현예에서, 예측 모델 수행은 0.70 내지 0.79 정도의 AUC에 의하여 특징된다. 예측 모델 수행은 0.80 내지 0.89 정도의 AUC에 의하여 특징된다. 예측 모델 수행은 0.90 내지 0.99 정도의 AUC에 의하여 특징된다.
분석
하나 또는 그 이상의 마커에 대한 분석의 예는 DNA 분석, 마이크로어레이, 중합효소 연쇄 반응 (polymerase chain reaction, PCR), RT-PCR, 서던 블롯 (Southern blots), 노던 블롯 (Northern blots), 항체-결합 분석 (antibody-binding assays), 효소 면역 측정법 (enzyme-linked immunosorbent assays ,ELISAs), 유세포 분석 (flow cytometry), 단백질 분석, 웨스턴 블롯 (Western blots), 비탁분석 (nephelometry), 비탁법 (turbidimetry), 크로마토그래피, 질량 분석기, RIA, 면역형광법 (immunofluorescence), 면역화학형광검사 (immunochemiluminescence), 면역전기화학형광검사 (immunoelectrochemiluminescence) 또는 경쟁 면역분석법을 포함하지만 이에 제한되지 않는 면역분석법, 면역침강법 (immunoprecipitation) 및 아래 실시예 부분에서 기재되는 분석을 포함한다. 상기 분석으로부터 얻어진 정보는 수량화될 수 있고 본 발명의 컴퓨터 시스템으로 보내질 수 있다. 본 발명은 또한 관찰되는 패턴 또는 형광에 의하여 수량화될 수 있는데, 이것은 리더 또는 컴퓨터 시스템에 의하여 사용자에 의하거나 자동으로 수량화된 척도 (quantitative measure)로 해석될 수 있다. 일 구현예에서, 상기 대상은 또한 분석 정보 외에 다른 정보를 컴퓨터 시스템에 제공할 수 있는데, 이것은 인종, 키, 몸무게, 연령, 성, 눈동자 색, 머리카락 색, 가족력 및 상기 기술한 임상 요인과 같은, 사용자에게 유용할 수 있는 다른 정보이다.
유익한 마커 그룹
본 발명의 범위에 포함되는, 이름, 수탁 번호 또는 시퀀스에 의하여 본 발명에서 인식된 특정, 예시적인 마커에 더하여, 예시된 시퀀스에 대하여 90%이상 또는 95%이상 또는 97%이상 또는 그 이상의 상동성을 가지는 변이체 시퀀스 또는 예시된 유전자 또는 시퀀스에 의하여 암호화되는 단백질들에 대하여 90%이상 또는 95%이상 또는 97%이상 또는 그 이상의 상동성을 가지는 시퀀스를 가지는 암호화 단백질의 발현 값을 이용하는 모든 CAD의 작동가능 예측 모델 및 그것을 사용하여 샘플을 스코어링하고 선택적으로 분류하는 방법이 있다. 시퀀스 동일성의 퍼센트는 당업계에 잘 알려진 알고리즘을 이용하여 결정할 수 있고, 이것은 예를 들면, Stephen F. Altschul et al., J. Mol. Biol. 215:403-410 (1990)에서 기재되고 미국국립보건원 (National Institutes of Health)에 의하여 운영되는 생물정보센터 (National Center for Biotechnology Information) 웹사이트에서 이용가능한 BLASTn 및 BLASTp를 포함한다. 아래 기재한 본 발명의 실시예와 같이, 예시적인 마커 발현 값에 더하거나 대신하여, 대표마커 발현값의 발현에 고연관된 것으로 알려지거나 이후 알려지는 마커 발현 측정을 이용하는 모든 작동가능한 예측성 모델 및 그것을 이용하여 샘플을 스코어링하고 선택적으로 분류하는 방법을 포함한다. 본 발명의 목적을 위하여, 상기 고연관 유전자는 본 발명의 청구항에 기재한 정도 내에서 또는 대안으로서 상기 예시적인 마커에 대한 등가물을 포함하는 것으로 고려된다. 상기 대표 마커에 대하여 고연관된 발현 값을 가지는 마커의 동정 및 예측 모델의 한 요소로서 그들의 용도는 당업계의 일반적인 기술 수준 내에서 잘 알려져 있다. 하기의 실시예 부분에서 고연관 마커를 동정하고 그들을 CAD의 예측 모델에서 알고리즘 마커 대신 대체하는 방법 및 그들을 이용하여 샘플을 스코어링하고 선택적으로 분류하는 방법의 무수한 예시를 제공한다.
컴퓨터 구현
일 구현예에서, 컴퓨터는 칩셋에 연결된 하나 이상의 프로세서를 포함한다. 또한 칩셋에 연결되는 것은 메모리, 저장 장치, 키보드, 그래픽 어댑터 (graphics adapter), 포인팅 디바이스 (pointing device) 및 네트워크 아답터 (network adapter)이다. 디스플레이는 그래픽 어댑터와 연결된다. 일 구현예에서, 상기 칩셋의 기능성은 메모리 컨트롤러 허브 (memory controller hub) 및 I/O 컨트롤러 허브에 의하여 제공된다. 다른 구현예에서, 상기 메모리는 칩셋 대신에 프로세서에 직접적으로 연결된다.
저장 장치는 하드 드라이브, CD-ROM (compact disk read-only memory), DVD 또는 단단한 상태의 메모리 장치와 같은, 데이터를 유지할 수 있는 능력이 있는 어떤 장치이다. 상기 메모리는 프로세서에 의하여 사용된 데이터 및 지시를 유지한다. 상기 포인팅 디바이스는 마우스, 트랙볼 (track ball) 또는 다른 유형의 포인팅 디바이스 일 수 있고, 키보드와 조합하여 입력 데이터를 컴퓨터 시스템으로 보내는데 사용된다. 상기 그래픽 어댑터는 디스플레이 상에서 이미지 및 다른 정보를 나타낸다. 상기 네트워크 아답터는 근거리 또는 장거리 통신망으로 컴퓨터 시스템과 연결된다.
당업계에 알려진 바와 같이, 컴퓨터는 과거 기재된 것보다 차이점 및/또는 다른 구성을 가질 수 있다. 추가적으로, 상기 컴퓨터는 어떤 구성이 없을 수 있다. 더욱이, 상기 저장 장치는 컴퓨터로부터 가깝거나 및/또는 멀리 있을 수 있다 (광저장장치영역네트워크 (storage area network, SAN) 내에 포함되는 바와 같이).
당업계에 알려진 바와 같이, 상기 컴퓨터는 본 명세서에서 기술하는 기능성을 제공하기 위한 컴퓨터 프로그램 모듈을 실행하기 위하여 맞춰진다. 본 명세서에서 사용하는 용어 "모듈"은 특화된 기능성을 제공하기 위하여 이용되는 컴퓨터 프로그램 로직을 의미하는 것이다. 그러므로, 모듈은 하드웨어, 펌웨어 (firmware), 및/또는 소프트웨어에서 구현될 수 있다. 일 구현예에서, 프로그램 모듈은 저장 장치에 저장되고, 메모리에 로딩되어 프로세서에 의하여 실행된다.
둘 또는 그 이상의 핵산 또는 폴리펩티드 시퀀스와 관련하여 상기 용어 퍼센트 "동일성 (identity),"은 아래 기재된 시퀀스 비교 알고리즘 중의 하나 (예컨대, BLASTP 및 BLASTN 또는 당업자가 이용가능한 다른 알고리즘) 또는 육안 검사를 이용하여 측정되는 것과 같이 최대 대응 (maximum correspondence)에 대해 비교하거나 정렬될 때, 동일한 아미노산 잔기 또는 뉴클레오티드의 특정한 퍼센트를 가지는 둘 또는 그 이상의 시퀀스 또는 서브시퀀스를 의미한다. 본 출원에 대하여, 상기 퍼센트 "동일성"은 비교되는 시퀀스의 영역, 예컨대 기능성 도메인상에 존재할 수 있거나 또는, 대안으로서 비교된 두 개의 기퀀스의 전체 길이를 넘어서 존재할 수 있다.
상기 시퀀스 비교에 대하여, 전형적인 하나의 시퀀스는 시험 시퀀스 (test sequences)가 비교되는 참고 시퀀스 (reference sequences )로서 기능한다. 시퀀스 비교 알고리즘을 사용하였을 때, 시험 및 참고 시퀀스는 컴퓨터로 입력되고, 서브시퀀스 좌표 (subsequence coordinates)가 지정되며, 만약 필요하다면, 시퀀스 알고리즘 프로그램 파라미터가 지정된다. 그리고 나서 상기 시퀀스 비교 알고리즘은 지정된 프로그램 파라미터에 기초하여, 참고 시퀀스에 대한 시험 시퀀스의 퍼센트 시퀀스 동일서을 계산한다.
비교를 위한 시퀀스의 적당한 정렬은 예를 들어, Smith & Waterman, Adv. Appl. Math. 2:482 (1981)의 상대 상동성 (local homology) 알고리즘에 의하여, Needleman & Wunsch, J. Mol. Biol. 48:443 (1970)의 상동성 정렬 알고리즘에 의하여, Pearson & Lipman, Proc. Nat'l. Acad. Sci. USA 85:2444 (1988)의 유사성 방법에 대한 조사에 의하여, 상기 알고리즘의 컴퓨터화에 의하여 (GAP, BESTFIT, FASTA, and TFASTA in the Wisconsin Genetics Software Package, Genetics Computer Group, 575 Science Dr., Madison, Wis.), 또는 육안 검사에 의하여 (통상 상기 Ausubel et al.를 보라) 수행될 수 있다.
퍼센트 시퀀스 동일성 및 시퀀스 유사성을 결정하기 위해 적절한 알고리즘의 예는 BLAST 알고리즘이고, 이것은 Altschul et al., J. Mol. Biol. 215:403-410 (1990)에 기재되어 있다. BLAST 분석을 수행하기 위한 소프트웨어는 생물정보센터 (National Center for Biotechnology Information) 를 통하여 공중이 이용가능하다.
본 명세서에 기재된 전체 구현예는 본 명세서에서 기재된 것과 다른 및/또는 차이가 나는 모듈을 포함할 수 있다. 추가로, 모듈에 기인하는 기능성은 다른 구현예에서 다른 또는 차이가 나는 모듈을 이용하여 수행될 수 있다. 더욱이, 본 명세서는 경우에 따라서 명확성과 편리성을 위하여 상기 용어 "모듈"을 생략한다.
[ 실시예 ]
이하 본 발명을 수행하기 위한 구체적인 구현예의 실시예이다. 상기 실시예는 오직 예시적인 목적으로 제공되는 것이고, 어떠한 방법으로도 본 발명의 정도를 제한하기 위한 것이 아니다. 사용된 수 (예컨대, 총량, 온도 등등)에 대하여 정확성을 보장하기 위하여 노력했지만 , 그러나 약간의 실험적인 잘못 또는 편차는 물론 허용되어야 한다. 본 발명은 별도로 지시하는 바가 없는 한, 당업계의 일반적인 정도에서, 단백질 화학, 생화학, 재조합 DNA 기술 및 약리학의 종래 방법들이 사용될 것이다. 상기 기술은 문헌에서 자세히 설명된다. 예컨대, T.E. Creighton, Proteins : Structures and Molecular Properties (W.H. Freeman and Company, 1993); A.L. Lehninger, Biochemistry (Worth Publishers, Inc., current addition); Sambrook, et al., Molecular Cloning : A Laboratory Manual (2nd Edition, 1989); Methods In Enzymology (S. Colowick and N. Kaplan eds., Academic Press, Inc.); Remington's Pharmaceutical Sciences, 18th Edition (Easton, Pennsylvania: Mack Publishing Company, 1990); Carey and Sundberg Advanced Organic Chemistry 3 rd Ed . (Plenum Press) Vols A and B(1992)를 보라.
재료 및 방법
일반적인 연구 디자인
전체적인 연구 디자인은 도 1에서 보인다. 상기 연구는 뚜렷하고 연속되는 4 단계를 가진다. 상기의 PREDICT 임상 시도 등록 정보는 clinicaltrials.gov 웹사이트 상에서, 2010년 5월 28일, NCT00500617로 이용가능하다.
단계 Ⅰ- CATHGEN 발견
단계 1은 듀크 대학교 CATHGEN 등록소, 리트로스펙티브 혈액 저장소 (retrospective blood repository)11 에서의 초기 유전자 발견 (Initial Gene Discovery)이었다. 요약하면, 이 저장소의 198명의 대상 (88명은 실험군, 110명은 대조군)은 2004년 8월 내지 2005년 11월에 등록되었다. 임상적 포함 및 불포함의 기준은 이전에 기술하였고 당뇨병 및 비-당뇨병 환자를 모두 포함하는 것이다. 7 모든 CATHGEN 환자는 실험에 동의하였고 본 연구 프로토콜은 듀크대 IRB에 의하여 승인되었다. 마이크로어레이는 CAD 민감성 유전자를 동정하기 위하여 수행되었고, 유전자의 서브세트는 RT-PCR 복제를 위하여 선별되었다. 상기 단계에 의하여 주어진 조사 결과에 의하면, 비-당뇨 대상만이 그 후에 포함되었다.
단계 Ⅱ- PREDICT 발견
단계 2는 다르게 발현되는 유전자를 동정하기 위하여 198명의 환자들 (연령 및 성별을 일치시킨 99개의 실험군:대조군 쌍)에 대하여 마이크로어레이 분석을 수행하는 PREDICT 연구로 대상의 예측 유전자를 발견하는 것이었다.
단계 Ⅲ- PREDICT 개발
단계 3은 임상 인자, 혈액 세포 수, 유전자 발현 및 CAD 간의 연관성을 결정하기 위하여, 640명의 환자 (210명은 실험군, 430명은 대조군)로 예측 알고리즘을 개발하는 것이었다.
단계 Ⅳ- PREDICT 타당성 검증
단계 Ⅲ이 완료되고 난 후에 상기 고정 알고리즘은 526명의 환자 (192명의 실험군, 334명의 대조군)의 독립 코호트 (independent cohort)에서 예측 타당성이 검증되었다.
PREDICT 유래 대상은, 만약 그들이 흉통, 협심증 유사 증상의 의심, 또는 예전의 MI, 혈관 재생 또는 CAD가 알려지지 않았던 CAD의 고위험군을 가진다면, 자격이 있었다. 자세한 포함/제외 기준은 기술되었다.12 당뇨병 상태는 임상 동정, 혈당 (비-단식 ≥200 또는 단식시 ≥126), 로어헤모글로빈 (rorhemoglobin) A1c, (≥6.5) 또는 당뇨 약물 처방에 의하여 정의되었다. 차이점이 있는 완전한 혈구수가 모든 환자로부터 얻어졌다. PREDICT 환자는 동의하였고, 본 연구 프로토콜은 WIRB (Western Institutional Review Board)로부터 승인받았다.
혈액 수집, RNA 정제 및 RT - PCR
전체 혈액 샘플은 제조업자의 지시에 따라 심혈관 조영술 전에 PAXgene® 튜브에서 수집되었고, 그리고 나서 -20oC에서 냉동되었다. 상기 CATHGEN 샘플에 대하여, RNA는 기재한 바와 같이 정제되었고 (PreAnalytix, Franklin Lakes, NJ), 뒤이어 정량 분석을 수행하였다 (Ribogreen, Molecular Probes, Eugene, OR). PREDICT 샘플에 대하여, Agencourt RNAdvance 시스템을 이용하는 자동화된 방법이 이용되었다. 마이크로어레이 샘플은 라벨이 붙여졌고 제조자의 프로토콜을 이용하여 41K 인간 전체 게놈 분석법(Agilent, PN #G4112A)으로 혼성화되었다. PREDICT 마이크로어레이에 대하여, 모든 일치된 쌍은 라벨이 붙여졌고 마이크로어레이 배치 효과(batch effect)를 최소화하기 위하여 함께 혼성화되었다. 마이크로어레이 데이터 세트는 GEO (GSE 20686)에 맡겨졌다.
앰플리콘 디자인 (Amplicon design), cDNA 합성 및 RT-PCR은 이전에 기술된 바와 같이 수행되었다.7, 12 모든 PCR 반응은 분석에 사용된 3배 및 중앙 값으로 수행되었다. 상기 프라이머 및 탐침은 아래 시퀀스 리스팅 정보에서 보인다. 마커 CD3D에 대한 프라이머 및 탐침은 Applied Biosystems, Inc. (Assay ID: Hs00174158_m1; Part No. 4331182)에서 상업적으로 얻을 수 있다.
세포 유형 특이적 유전자 발현 측량에 대한 전체 혈액 세포의 분획화
세포 분획화는 EDTA 튜브에서 수집된 신선한 혈액으로 수행되었다. 4명의 다른 공여자로부터 모여진 혈액 120 ml을 1X PBS와 1:1로 희석하였다. 상기 혈액의 15%는 밀도 원심분리를 이용하여 과립성 백혈구 (granulocyte) 분리에 이용하였고, 85%의 혈액은 T 세포, B 세포, NK 세포, 및 단핵구 분획 전에 PBMC 분리에 이용되었다.
말초 혈액 단핵구 세포 ( Peripheral Blood Mononuclear Cell , PBMC ) 분리
PBMC는 밀도 원심분리를 이용하여 분리되었다. 20 ml의 희석된 혈액은 50ml 원뿔형 튜브에서 20ml Histopaque 1077 (Sigma Cat No.10771) 상에서 적층하였고, 400Xg에서 30분동안 상온에서 원심분리되었다. 상기 PBMC 층은 새로운 튜브로 주의깊게 흡입시키고, 1X PBS (phosphate-buffered saline)로 두번 세척하고 200Xg 에서 10분동안 원심분리하였다.상기 세척된 PBMC는 콜드 버퍼 1 (1X PBS , 0.1% BSA 및2mM EDTA)에서 재현탁하였고 얼음에 저장하였다. 상기 세포의 5% 는 RLT 버퍼 (Qiagen RNeasy Mini kit, Cat No. 74104)에서 예비-선택 (pre-selection) RNA 분리를 위하여 용해되었다.
과립성 백혈구 분리
과립성 백혈구 (호중구 (neutrophils), 호산구 (eosinophils), 호염구 (basophils))는 두 개의 다른 밀도 배지를 이용하여 밀도 원심분리로 정제되었다. 15ml 원뿔모양 튜브에서, 3ml Hisopaque 1077는 3ml Histopaque 1119 (Sigma Cat No.11191)상에서 적층시켰다. 그 후에 상기 희석된 혈액의 6ml는 Histopaque 1077 상에서 층을 이루었다. 상기 튜브는 실온 (RT)에서 30분동안 700Xg로 원심분리되었다. 과립성 백혈구 층은 그 후에 새로운 튜브로 흡입되었고 2번 세척하였다. 상기 펠렛은 과립성 백혈구 RNA 분리를 위하여 RLT 버퍼에서 재현탁되었다.
마그네틱 비드를 이용하는 양성 세포 분리
다음의 세포 유형은 (T 세포, B 세포, 천연 킬러 (NK) 세포, 단핵구) 다음의 시약 및 추천된 공정을 이용하는 PBMC로부터 양성적으로 선별되었다.
CD8+ T 세포 - Dynal®CD8 양성 분리 키트 (Invitrogen Cat. No.113.33D)
CD3+ T 세포 -Dynabeads®CD3 (Invitrogen Cat. No.111.51D)
CD19+ B 세포 -Dynabeads®CD19 pan B (Invitrogen Cat. No.111.43D)
CD14+ 단핵구 -Dynabeads®CD14 (monocytes/macrophages) (Invitrogen Cat. No.111.49D)
마우스 항-인간 CD56 항체 (BD bioscience Cat No.556325)와 교차 연결된 CD56+ NK 세포-Dynabeads®Pan Mouse IgG (Invitrogen Cat. No.110.41)
요약하면, PBMC는 항체-결합 마그네틱 비드와 함께 4℃에서 20 분동안 배양되었고 자석 상에서 버퍼 1로 3번 세척되었다. 그 후, 상기 선별된 세포는 RNA 분리를 위하여 RLT 버퍼에서 재현탁되었다.
RNA 분리
RLT 버퍼에서 RNA 샘플은 제조자의 지시에 따라 Qiagen RNeasy Mini kit를 이용하여 정제하였다.
심혈관 조형술 분석 및 실험군 :대조군 정의
모든 환자는 현지 기관의 프로토콜에 기반하여 혈관조영술 및 혈관조영도를 수행하기 위하여 임상적으로 언급되었다. CATHGEN 환자에 대하여, 임상의 혈관조영술 해석은 하나의 주요한 혈관 (vessel)에서 >75%의 최대 협착증 (stenosis)을 보이거나 두 개의 혈관에서 >50%의 최대 협착증을 보이는 실험군 및 모든 주요 혈관에서 <25%의 협착증을 보이는 대조군으로 정의되었다.
PREDICT 환자에 있어서, 중앙 연구소 QCA 판독 (Cardiovascular Research Foundation New York)이 실험군: 대조군 분류를 위하여 이용되었다. 실험군은 하나 이상의 주요한 관상동맥 혈관에서 >50%의 협착증을 가졌고 대조군은 모든 주요한 혈관에서 <50%의 협착증을 가졌다.
유전자 발현 및 세포 유형 분배간의 연관성
전체 혈구수 및 데이터베이스 유전자 발현 분석 (SymAtlas)간의 연관성은 세포-유형 선별 유전자를 고도로 동정하는데 사용되었다. 추가적으로, 양성 항체 선별 또는 밀도 원심분리에 의한 전체 혈액 세포의 분획화는 특정 세포 분획상에서 수행되었고, 그 후에 RT-PCR을 수행하였다.
통계학적 방법
모든 통계학적 방법은 R 소프트웨어 패키지를 이용하여 수행되었다. 상기 사용된 통계학적 방법은 아래에서 더 자세히 기술되고 참조되었다.
어레이 표준화
어레이 표준화를 위하여 아길런트 (Agilent) 가공처리된 신호 값은 절사평균 (trimmed mean) 100을 가지도록 조정되었고 그 후 log2로 변형되었다. 정상 어레이 QC 메트릭 (QC metrics)(퍼센트 존재, 쌍 연관성 및 신호 세기)은 질적 평가를 위해 이용하였고, 198 CATHGEN에서 3개 및 210 PREDICT에서 12개의 샘플이 제거된 결과를 얻었다.
어레이 분석
CATHGEN 어레이에 있어서, 로지스틱 회귀분석 (비조정된 그리고 조정된 성별/연령)은 실험군:대조군 상태와 연관된 유전자 발현을 평가하기 위하여 사용되었다. PREDICT 어레이에 있어서, 주어진 대응표본 디자인에서, 조건부의 로지스틱 회귀분석이 사용되었다. 오류 발견율은 다중비교를 설명하기 위하여 사용되었다. GOEAST는 유전자 온톨로지 (Gene Ontology, GO) 용어13의 과표현 (over-representation)을 결정하기 위하여 이용되었다.
유전자 선별
RT-PCR을 위한 유전자는 유의성, 폴드-체인지 (fold-change), 경로 분석 및 문헌적인 도움에 기초하여 선별되었다. 유전자: 유전자 연관성에 기초하는 계층 군집화는 RT-PCR 유전자가 다중 군집을 대표함을 보장하였다. 표준화 유전자는 저분산, 적절한 고발현 및 실험군:대조군 상황, 성별, 연령 또는 세포 수와의 비 유의성에 기반하여 선별되었다.
PCR 통계학적 분석
임상/인구학적 인자는 일변수 및 다변수 로지스틱 회귀분석을 이용하여 CAD 연계에 대하여 평가되었다. CAD 및 다른 임상/인구학적 인자와 연관된 유전자 발현은 확실한 로지스틱 회귀분석 (비조정된 그리고 조정된 성별/연령)에 의하여 평가되었다.7
알고리즘 개발 및 타당성 검증
계층 군집화는 연관성 컷오프을 이용하는 그룹 유전자로 이용되었다. 군집은 연관 구조, 알려진 생물학 및 세포 수 연관에 기초하여 표준화된 유전자 및 메타-유전자1 4로 줄어들었다. 고연관성 및 반대 질환 조절을 가지는 메타-유전자쌍에 있어서, 비율 용어 (로그 스케일과는 다른)가 정의되었다. 결과물과 독립적으로 연관된 메타-유전자는, 변수 선별 동안 허락되는 메타-유전자 상호작용에 의한 성별15로 LASSO 법에 의하여 선별되었다.
최종 알고리즘은 능형 회귀분석 모델 (ridge regression)16을 이용하여 확정되었고, 여기에 있어서 상기 결과물에서의 변수는 실험군:대조군 상황이고 예측변수는 LASSO-선별 메타 유전자 및 성별-특이적 연령 용어이다. 성별은 두 부분으로 이루어진 예측자이었고, 연령은 남성에 대하여 분리된 슬로프를 갖는 선형 예측자이었으며, 여성 >60, 및 남성 <60이었다. 유전자 발현 용어 불이익은 크로스-타당성 검증 및 이전의 증거에 기초하였다. 모델 수행은 리브-원-아웃 (leave-one-out) 크로스-타당성 검증을 이용하여 평가되었다. 알고리즘 수행은 일차적인 종말점으로서 ROC 분석과 함께 독립적인 환자 코호트에서 타당성이 검증되었다.
알고리즘 계산 및 변형
데이터 전처리 및 QC 단계
1) 각각의 알고리즘 유전자/샘플에 대한 3배수 웰즈 (wells)의 중앙값을 계산한다.
a. 만약 하나의 웰이 알림을 가지지 않는다면, 남아있는 2개의 웰의 중앙값을 취한다
b. 만약 2개 또는 3개의 웰이 알림을 가지지 않는다면, 상기 알고리즘 유전자는 해당 샘플에 대하여 알림을 받지 않는다
2) 만약 AF161365 (TSPAN16)가 알림을 받지 않는다면, 38값을 해당 유전자에 대한 중앙값으로 귀속 (imput)시킨다
3) 만약 AF161365이외의 다른 알고리즘 유전자가 알림을 받지 않는다면, 상기 샘플은 Missing Gene Cp.에 대하여 실패한 것이다. 알고리즘 개발에서 640개의 샘플 중 어느 것도 상기 메트릭을 실패하지 않을 것이다.
4) AF161365를 제외한 알고리즘 유전자 SD의 중앙값을 계산하라. 만약 이 값이 15보다 크다면, 해당 샘플은 High Replicate SD에 대하여 실패한 것이다
5) 각각의 알고리즘 유전자 i에 대하여, GLi보다 작은 값을 GLi로 치환함으로써 Cp 값을 내려라. 이 값은 알고리즘 개발 세트에서 해당 유전자에 대한 Cp의 첫번째 퍼센타일을 표현한다.
6) 각각의 알고리즘 유전자 i에 대하여, GUi 보다 큰 값을 GUi로 치환함으로써 Cp 값을 올려라. 이 값은 알고리즘 개발 세트에서 해당 유전자에 대한 Cp의 99번째 퍼센타일을 표현한다.
7) 각각의 알고리즘 유전자 i에 대하여, 그것의 Cp 값 및 GMi간 차이의 절대값을 계산하라, 여기에 있어서 GMi가 상기 알고리즘 개발 세트에서 해당 유전자에 대한 Cp의 중앙값을 표현한다. 이 값을 알고리즘 유전자 (AF161365을 제외하는)를 가로질러 합하라. 만약 합계가 27.17보다 크다면, 상기 샘플은 Expression Profile Out of Range에 실패한 것이다. 27.17은 상기 알고리즘 개발 세트 내에서 해당 메트릭의 가장 큰 값을 나타낸 것이다.
어떤 구현예에서, 알고리즘 스코어는 대상에 대하여 계산되지 않을 것이다. 그 이유는 낮은 PAXgene® 튜브 혈액량, 실험실의 QC 실패 등등을 포함한다. 비록 이러한 대상이 분석 세트에서 포함되지 않을 것이지만, 상기 실패가 발생하는 빈도를 표로 만들 것이다. 다이아몬드 포레스터 스코어 (Diamond Forrester scores)가 결여된 대상은 분석 세트에 포함되지 않을 것이다.
알고리즘 계산
1) Norm1 = RPL28로 정의한다.
2) Norm2 = (.5*HNRPF + .5*TFCP2)로 정의한다.
3) NKup = (.5*SLAMF7 + .5*KLRC4)로 정의한다.
4) Tcell = (.5*CD3D + .5*TMC8)로 정의한다.
5) Bcell = (2/3 *CD79B + 1/3 * SPIB)로 정의한다.
6) Neut = (.5*AQP9 + .5*NCF4)로 정의한다.
7) Nup = (1/3 * CASP5 + 1/3*IL18RAP + 1/3*TNFAIP6)로 정의한다.
8) Ndown = (.25*IL8RB + .25*TNFRSF10C + .25*TLR4 + .25*KCNE3)로 정의한다.
9) SCA1 = (1/3*S100A12 + 1/3*CLEC4E + 1/3*S100A8)로 정의한다.
10) AF2 = AF289562로 정의한다.
11) TSPAN = 만약 (AF161365-Norm2 > 6.27 또는 AF161365=알림없음)이면 1, 그렇지 않으면 0으로 정의한다.
12) 남성에 대하여 SEX= 1, 여성에 대하여 SEX= 0
13) Intercept는
a. 남성에 대하여, INTERCEPT = 2.672 + 0.0449*연령
b. 여성에 대하여, INTERCEPT = 1.821 + 0.123*(연령-60),
(만약 음성 (negative)이 0으로 정해지면)
정의한다.
14) 스코어 = INTERCEPT -0.755 *( Nup - Ndown) -0.406*( NKup - Tcell)-0.308 *SEX*( SCA1- Norm1)- 0.137* ( Bcell- Tcell)- 0.548 *(1-SEX)*( SCA1- Neut)- 0.482 *SEX*(TSPAN)- 0.246 *( AF2- Norm2)로 정의한다
스코어 변환
정의된 상기 종말점 분석은 처리하지 않은(raw) 알고리즘 스코어를 이용하여 수행하였다. 임상적 보고의 목적으로, 뿐만 아니라 제시의 용이성을 위하여, 처리하지 않은 스코어는 다음과 같이 임상 용도의 편리성을 위하여 디자인된 스케일과 함께 변환된 스코어로 변환될 수 있다:
처리하지 않은 스코어 (Raw Score)를 입력하라
만약 Raw Score< -2.95이라면, RawScore = -2.95로 놓아라
만약 Raw Score> 1.57이라면, RawScore = 1.57로 놓아라
Raw Score = 2.95 + RawScore
최종 스코어 = RawScore*40/4.52
가장 가까운 정수로 최종 스코어를 반올림하라
만약 최종 스코어가 40보다 크다면, 40에 놓아라
만약 최종 스코어가 1보다 작다면, 1에 놓아라
얻어진 값은 최종 변환된 스코어이다
스코어 타당성의 평가
총 41개의 복제 샘플이 거대한 PAXgene® 혈액 집단으로부터 시험되었다. 이러한 복제에 대한 처리하지 않은 스코어의 표준 편차는 .13이었다. 주어진 처리하지 않은 스코어 주변의 신뢰 구간은 그 후 처리하지 않는 스코어 플러스 또는 마이너스 1.96*.13이었다. 이러한 신뢰 구간의 상부 또는 하부 경계선은 0 내지 40 스케일로 선형으로 변형되었고, 그 후에 위에서 기재한 공산 (likelihood) 함수로의 스코어를 이용하는 공산 근처에서 신뢰 구간으로 변형되었다.
실시예 1: 인구학적 데이터
CATHGEN 등록소 및 PREDICT 연구 환자 코호트의 인구학적 특징 기준치는 표 1에서 나타나 있다. 일반적으로, CAD 환자군은 주로 남자, 고연령자, 높은 SBP를 가지고, 이상지질혈증이 심한 군이다.
실시예 2: 단계 I: 초기 유전자 개발 ( CATHGEN )
총 2438개의 유전자가 대상체 195명의 실험군:대조군 분석에서 유의미한 CAD 연관 (p <0.05)을 보였다 (도 1). 유전자 발현의 임상 또는 인류학적 인자의 분석은 가장 유의미하게 당뇨병을 나타냈다 (p=0.0006, 표 3). 통계학적 유의성 및 생물학적 관련성에 기반하여, 88개의 유전자 (표 4)는 동일한 샘플 상에서 RT-PCR 분석을 위하여 선별되었다. 비당뇨 및 당뇨 서브세트 (N = 124 및 71, 각각)에서의 CAD-유전자 발현 분석은, 교차지점 없이, 각각에 대하여 (p<0.05), 42 및 12개의 유의미한 유전자를 보여주었다 (도 2). 추가적인 수행은 따라서 비-당뇨에 한정되었다.
우리는 강력한 당뇨-유전자 발현 반응이 CATHGEN 코호트에서 CAD 위험성에 영향을 주어서 , 이에 따라서 PREDICT 비-당뇨에 대한 알고리즘 개발을 제한하는 것을 확인하였다. 상기 CATHGEN 당뇨병 대상은 질환 심각성 및 약물 치료의 다양성의 정도를 포함하고, 일부는 유전자 발현을 조절하고 심혈관 질환에 영향을 준다. 17
실시예 3 : 단계 II : 비-당뇨 유전자 개발 ( PREDICT )
210명의 PREDICT 환자 샘플 상의 마이크로어레이 CAD 유전자 발견은 연령, 성별 및 마이크로어레이 배치 (batch) 공정의 혼입 효과를 줄이기 위하여, 짝지은 실험군:대조군 실험 디자인을 사용하였다. QC 컷오프 후 99쌍의 실험군:대조군 상의 CAD 분석은 CATHGEN 결과와 공통적으로 655개의 유전자와 함께 5935개의 유의미한 유전자 (p <0.05)를 수득하였다 (도 3, 표 5).
개발 유전자의 경로 분석
상기 655개의 유전자의 유전자 온톨로지 (GO) 분석은 대체적으로 염증, 세포 및 스트레스 반응, 세포 죽음 및 세포자살을 반영하는 189개의 유의미한 생물학적 공정 용어 (p<0.05, Table 6)를 동정하였다. 상기 세포 및 분자 온톨로지는 미토콘드리아 기능, 세포자살의 단백질 분해효소 작용자 활성 및 항원 결합을 포함하여, 32개 및 49개 용어 각각의 강화를 나타내었다.
유전자 선별
총 113개의 유전자 (표 2)는 통계학적 유의성, 생물학적 관련성 및 PREDICT 개발 코호트에서 RT-PCR에 의하여 측정된 유전자 발현 및 CAD의 사전 연관성에 의하여 선별되었다. PREDICT에서 세포 수와 연관된 것들, 알려져 있는 세포-유형 특이적 마커 및 후보 표준화 유전자 또한 표현되었다.
실시예 4: 단계 III : 예측 알고리즘 개발 ( PREDICT )
상기 알고리즘은 RT-PCR 및 PREDICT 개발 코호트 유래의 임상 데이터를 이용하여 얻어졌다. CAD:유전자 발현 연관에 대한 가장 유의미한 임상 인자는 연령, 성별, 흉통 유형 및 호중구 수이었다. 연령 및 성별은 CAD (표 1)에 대한 독립 위험성 인자이었고 유의미한 유전자 발현 연관성을 보여주었다. 흉통 유형 또한 유의미한 독립 위험성 인자 (p=0.005)이었지만, 유전자 발현에 독립적이었다. 호중구 수는 113개의 RT-PCR 유전자 중 93개의 발현에 유의미하게 연관 (양성 또는 음성)되었고, 남성에 대하여 CAD에 유의미하게 연관 (p=0.049)되지만, 여성에 대하여는 (p=0.77) 그렇지 않다. 모든 유전자에 대한 호중구 및 림프구 분획에 대한 유전자 발현의 연관성이 계산되었다 (표 4). >0.2의 연관성 컷오프 (correlation cut-off)은 39개의 유전자를 림프구-연관 유전자로 수득하였고 42개의 유전자를 호중구-연관 유전자로 수득하였다. 호중구-연관 유전자는 CAD 상태에 따라 상승 또는 하강 조절을 보인 반면, 림프구-연관 유전자는 일반적으로 하강 조절을 보였다. 림프구 유전자는 성에 독립적으로 하강-조절을 보인 반면, 호중구 관련 유전자 (남성 40/42 유전자 상승-조절, 여성 41/42 하강-조절)는 유의미한 성-특이적 조절을 보였다.
113개 PCR 유전자의 계층 군집화는 결과적으로 림프구 또는 호중구 연관 유전자 내에서 더 좋은 연관성 하위구조를 가지는 18개의 연관된 군집을 가져왔다 (표 2). T-세포 (군집 1,2,3), B-세포 (군집 3) 및 NK 세포 (군집 12)를 나타내는 3개의 림프구 하위그룹이 있었다. 3개의 호중구 하위그룹은 또한 동정되었다: 이전에 기술되었던 호중구 유전자 (IL8RB, S100A8, S100A12, TXN, BCL2A1; 군집 13, 16); 새롭게 동정된 상승-조절 호중구 유전자 (CLEC4E, CASP5, TNFAIP6; 군집 16) 및 하강-조절 호중구 유전자 (KCNE3, TLR4, TNFRSF10C; 군집 13, 14).7 군집 4-11의 29개의 유전자는 명확한 세포-유형 연관성을 가지지 않았다.
알고리즘 도출
상기 연관성 및 세포-유형 분석에 기초하여, 15개의 메타 유전자 및 3개의 표준화 유전자가 모델 변수 선별에 대하여 입력으로 정의되었다. LASSO법에 의한 선별, 및 능형 회귀분석에 의한 무게 벌칙 (weight penalization)은, 6개의 메타 유전자에서 20개의 CAD-연관 유전자 및 3개의 표준화 유전자를 포함하는, 최종의, 잠그어진 (locked) 알고리즘이라는 결과를 가져왔다 (도 5). 상기 알고리즘 스코어는 예측 회귀분석 모델값으로 정의되었다.
요약
PCR 알고리즘 개발 세트는 CAD, 임상 인자 및 유전자 발현 간의 관계를 조사하기 위하여 충분히 파워되었다. CAD에 대한 가장 유의미한 독립 임상 위험 인자는 알고리즘 수행을 평가하기 위하여 참고로서 이용되는 그것의 용도를 뒷받침하는 12, 연령, 성 및 흉통 유형, CAD 공사에 대한 다이아몬드-포레스터 위험 모델의 요소들1이었다.
연령, 성, CAD 및 유전자 발현간의 관계는 복잡하다. 연령 증가 및 남성은 순환하는 세포에 있어서 유전자 발현에 영향을 주는 CAD에 대한 잘 알려진 위험-인자이다.18,19 유전자의 대부분이 림프구 또는 호중구 분획과 연관된 본 연구에서 RT-PCR에 의하여 측정되었다 (도 4; 39 및 42 유전자 각각에 대하여 r >0.2). 호중구-연관 그룹에서 유전자는 우리가 앞서 동정하였던 다수를 포함한다 (군집 6,13,14; 표 2).7 림프구 그룹 유전자는 T-세포 (CD3, TMC8), B-세포 (SPIB, CD79B) 및 NK-세포 (SLAMF7, KLRC4) (군집 1,3, 및 12, 각각에 대하여)에서 발현되는 것으로 알려진 유전자를 포함한다. 림프구-연관 유전자 발현은 증가된 심혈관 위험성과 연관된 감소된 림프구 수와 일치하는, 성별-독립적 방식으로 CAD와 함께 감소한다.8 반면에, 호중구-연관 유전자는 CAD에 대하여 유의미한 성별-특이적 발현 차이점을 보인다: 더 높은 CAD 위험성과 연관된 남성에 있어서 증가된 과립성백혈구 수를 보이는 반면 여성에 있어서 더 작은 영향을 미치는 것과 일치하는 것으로서, 남성에 있어서 호중구 유전자의 95%가 증가-조절된 반면, 여성에 있어서 98%가 감소-조절되었다. 20
알고리즘 용어의 생물학적 유의미성
상기 알고리즘에 대한 블록을 세우는 것으로서의 연관된 메타 유전자의 용도는 유전자 발현 세포-유형 특이성을 현저하게 반영한 것이다. 상기 알고리즘 유전자는 호중구, NK 세포, B 및 T-림프구를 포함하는 순환세포의 다중 유형에 있어서 선별적으로 발현되는데21, 이는 아마도 죽상동맥경화증에서 후천성 또는 선천성의 면역 반응 모두를 위한 역할을 뒷받침한다.4
우선적으로 호중구에서 발현되는 알고리즘 용어 1 유전자 (도 5)는, 카스파제-5가 CAD와 함께 증가됨에 따라 호중구 세포자살을 반영할 수 있고, 반면에, TNFRSF10C, TRAIL의 항-세포자살 유인용 수용체, 는 감소된다.22 CAD와 함께 증가-조절된 용어 2 유전자는 선천성 면역 활성화 (S100A8 and S100A12),23 및 세포 괴사 반응 (CLEC4E)을 모두 반영하는 것 같다.24 S100A8 및 S100A12는 만성적인 염증 질환에서 증가-조절되는데, 아마도 조금 더 일반적인 병리생리학적 신호를 반영하는 것이며, 류마티즘 관절염과 같은 질환에서 증가된 CAD와 일치하는 것이다.25,26
용어 2는 성별 특이적 방식으로 표준화된다. RPL28에 대한 남성 표준화에서, 이것은 림프구에서 강하게 발현되고, 이는 호중구 대 림프구 비율을 반영하는데, 이것은 CAD 집단에서 MI 또는 사멸에 대한 예후이다. 8 AQP9 및 NCF4에 대한 여성 표준화에 있어서, 2개의 CAD 무감각 호중구 유전자는 S100s 및 CLEC4E의 호중구 상승-조절의 평가를 허용한다.
용어 3은 T-세포 특이 유전자 (TMC8 and CD3D)로 표준화된, 2개의 NK 세포 수용체, SLAMF7 및 KLRC4로 구성된다. SLAMF7은 NK 세포 기능을 특이적으로 활성화시키면서 B 및 T 세포를 저해한다.27 KLRC4는 또한 NK 세포 활성화와 관련된 것 같다.28 NK 세포는 마우스 모델 및 인간 모두에서 죽상동맥경화증과 연관되어 왔고, 감소된 림프구 수는 심장병과 연관되어 왔다.8,29
용어 4는 B/T-세포 비율의 측정에 기초한 유전자 발현이다. T 세포의 역할은 복잡한 반면, B 세포는 마우스 모델에서 죽종-보호성 (athero-protective)인 것으로 관찰되었다.30,31 본 연구에서 B-세포 특이 유전자의 명백한 상승-조절은 CAD와 연관되고, 아마도, 병에 대한 면역 반응을 가리킨다. AF289562 (AF2) 및 TSPAN16에 기반하는, 나머지 2개의 용어는 알려지지 않은 기능을 가지는 유전자이다.
실시예 5: 단계 IV : 예측성 알고리즘 타당성 검증 ( PREDICT )
PREDICT 개발 세트의 ROC 분석에서, 추정된 크로스-타당성 검증 알고리즘 AUC는 0.77 (95% CI 0.73 내지 0.81)이었고; 526명의 환자 (192명의 실험군, 324명의 대조군)의 독립 PREDICT 타당성 검증에 있어서 예상되는 타당성은 0.70 (95% CI = 0.65 내지 0.75)의 AUC를 얻었다 (도 6).
단계 Ⅲ 및 Ⅳ에서 알고리즘 개발을 위하여, 우리는 강력한 접근을 사용하였는데, 이것은 빌딩 블록으로써 메타 유전자를 사용함에 의하여, 어떠한 단일 유전자의 효과를 최소화하는 것이었다. 14, 32 벌칙 단계별 로지스틱 회귀분석 (Penalized stepwise logistic regression (LASSO))은 과적합 (over-fitting)의 공산을 감소하는, 후보 변수 (15 메타 유전자)의 수를 매우 초과하는 640명의 환자 데이터 세트로부터 유의미한 메타-유전자들을 선별하였다. 나아가, 개별 용어의 과적을 최소화하기 위하여, 메타 유전자 계수는 능형 회귀분석을 이용하여 벌칙을 과하였다.
상기 크로스-타당성 검증 모델의 AUC는 0.77 (95% CI 0.73 내지 0.81)이었고, 이는 상기 알고리즘 스코어가 유의미한 CAD 예측자임을 나타내는 것이며, 타당성 검증 코호트 AUC는 중첩된 신뢰 구간을 갖는 (95% CI = 0.65 내지 0.75), 0.70이었다. 이러한 적절한 감소는 우리가 각각의 반응 동안 용어들을 재선별하지 않았던 것과 같이, 지나치게 낙관적인 크로스-타당성 검증 결과를 반영할 수 있다.
그러므로, 1500명 이상 환자의, RT-PCR 데이터 세트 및 마이크로어레이의 시리즈를 이용하여, 우리는 23개의 유전자 발현 수준, 성별 및 연령으로 구성되는 알고리즘을 도출하고 타당성을 검증하였고, 이것은 비-당뇨 환자에서 폐쇄 CAD의 공산을 평가하는 것이다.
실시예 6: 상기 실시예의 요약
본 연구는 비-당뇨 환자에서 폐쇄 CAD 공산의 평가를 위한 전체 혈액 유래 RT-PCR에 기초한 유전자 발현 알고리즘의 개발 및 타당성 검증에 관한 것이고, 몇몇의 주요한 발견을 포함한다. 우선, CAD가 있는 당뇨병 환자와 없는 당뇨병 환자를 구분하는 유전자 발현 패턴은 당뇨가 없는 환자의 것과는 매우 달랐다. 초기 유전자 발견 코호트에서, 2438개의 유전자는 실험군 대 대조군에서 다르게 발현되었다. 둘째로, 비-당뇨 환자에서의 PREDICT 유전자 발견 코호트에서,5935개의 유전자는 다르게 발현되었고 655개는 초기 유전자 발견 유전자들과 겹쳐졌다. 전체 연관성 및 생물학적 유의미성에 기반하여, 이러한 655개의 유전자 중 113개는, 독립 알고리즘 개발 코호트에서 RT-PCR 분석을 위해 선별되었고 (단계Ⅲ), 이것은 또한 임상 인자, 세포 수 및 유전자 발현 사이에서의 관계를 동정하였다. 23개의 유전자 발현 레벨, 연령 및 성별을 포함하는 상기 알고리즘은 상기 데이터로부터 얻어졌고 고정되었다. 그 후에 0.70 (95% CI = 0.65 내지 0.75; p=10-16) 의 AUC를 가지는, 예측성 PREDICT 타당성 검증 코호트, 단계 Ⅳ에서 유의미한 진단 정확도를 가지는 것으로 예측되었다.
우리는 2개 이상의 인자 때문에, 우리의 결과가 우수한 것으로 고려한다. 첫 번째, 우리는 독립된 환자들에서 정량적 RT-PCR 측정에 의하여 확인되는 초기 마이크로어레이 기반의 유전자 발견을 가지고, >1,500명 환자를 포함하는, 주의깊게 디자인된, 연속의, 4 단계 연구를 이용하였다. 둘째, 우리는 더 정확한 금본 표준을 수득하는, CAD 실험군 및 대조군을 정의하기 위하여 QCA를 이용하였다.
실시예 7: 상기 알고리즘으로부터 하나의 용어의 제거.
다음에 뒤따르는 실시예의 시리즈에서 (7-47), 우리는 용어, 마커 및 통계학적 방법의 차이에 대한 알고리즘 개발 공정 및 알고리즘의 민감성을 시험하였다. 각각의 실시예는 다음의 동일한 일반적인 과정을 따른다 : 1) 타당한 대체 모델 접근을 동정한다 (예컨대, 더 적은 용어, 대체 마커 등등); 2) 적절한 용어들 및/또는 적절한 마커들에 가중치를 주는 것을 포함하는, 대체 접근에 기초한 알고리즘을 다시 세운다; 및 3) 새로운 모델이 유의미한 예상 정확도를 유지하는지 평가한다.
상기 일곱개의 용어에서 떨어진 하나의 부재시 CAD의 공산을 결정하는 알고리즘의 능력이 평가되었다. 단일한 용어는 다른 용어 및 연령 및 성별의 임상 인자가 유지되는 동안, 알고리즘으로부터 연속적으로 제거되었다. 예를 들면, 용어 1은 용어 2-7 및 임상 요인 (연령 및 성별)이 알고리즘에서 유지되는 동안 알고리즘으로부터 제거되었다. 용어 1-7에서 마커는 아래 테이블에 나타나 있다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 (logistic regression) 및 능형 회귀분석 (ridge regression). 모든 분석에 있어서, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 예를 들어, 용어 1은 알고리즘으로부터 제거되었고 바뀐 알고리즘은 다음과 같다 :
알고리즘 계산 ( 능형 회귀분석; 용어 1의 제거)
1) Norm1 = RPL28로 정의한다.
2) Norm2 = (.5*HNRPF + .5*TFCP2)로 정의한다.
3) NKup = (.5*SLAMF7 + .5*KLRC4)로 정의한다.
4) Tcell = (.5*CD3D + .5*TMC8)로 정의한다.
5) Bcell = (2/3 *CD79B + 1/3 * SPIB)로 정의한다.
6) Neut = (.5*AQP9 + .5*NCF4)로 정의한다.
7) Nup = (1/3 * CASP5 + 1/3*IL18RAP + 1/3*TNFAIP6)로 정의한다.
8) Ndown = (.25*IL8RB + .25*TNFRSF10C + .25*TLR4 + .25*KCNE3)로 정의한다.
9) SCA1 = (1/3*MMP9 + 1/3*CLEC4E + 1/3*S100A8)로 정의한다.
10) AF2 = AF289562로 정의한다.
11) 남성의 경우 SEX= 1, 여성의 경우 SEX= 0
12) Intercept는 다음과 같이 정의한다.
a. 남성의 경우, INTERCEPT = 0.70 + 0.044*연령
b. 여성의 경우, INTERCEPT = 0.38 + 0.126*(연령-60)
(만약 음성이 0으로 정해진다면)
13) 스코어 = INTERCEPT -0.39 *( Nup - Ndown) -0.26*( NKup - Tcell) -0.33 * SEX*( SCA1- Norm1)- 0.06* ( Bcell- Tcell)- 0.07 *(1-SEX)*( SCA1- Neut)- 0.26 *( AF2- Norm2)정의한다
유사한 알고리즘 개발 절차는 아래의 다른 실시예뿐 아니라 본 실시예에서 다른 용어를 연속적으로 제거하기 위하여 사용되었다. 결과의 평균 및 표준편차뿐 아니라 상기 각각의 계산을 위한 통계의 요약은 표 7에서 보인다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간에서 AUC의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 모든 6개 용어의 세트는 상기 DF 모델보다 더 유의미했으며, 이는 알고리즘이 일 용어의 제거 후에도 CAD의 공산의 예측성을 유지하는 것을 가리킨다.
Figure pct00001
실시예 8: 알고리즘으로부터 2개 용어의 제거.
7개의 용어에서 2개가 부재하는 경우 상기 알고리즘의 공산을 결정하기 위하여 알고리즘의 능력이 평가되었다. 별개의 2개 용어가 다른 용어 및 연령 및 성의 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 예를 들어, 용어 6-7은 알고리즘에서 용어 1-5 및 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 모든 가능한 5개 용어 조합이 평가되었다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 상기 결과의 평균 및 표준편차 뿐 아니라 각각의 계산에 대한 통계의 요약은 표 9에서 제시된다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 모든 5개 용어의 세트는 상기 DF모델보다 더 유의미했으며, 이는 알고리즘이 두 개의 용어의 제거 후에도 CAD의 공산의 예측성을 유지하는 것을 가리킨다.
실시예 9: 알고리즘으로부터 3개 용어의 제거.
7개의 용어에서 3개가 부재하는 경우 상기 알고리즘의 공산을 결정하기 위하여 알고리즘의 능력이 평가되었다. 별개의 3개 용어가 다른 용어 및 연령 및 성의 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 예를 들어, 용어 5-7은 알고리즘에서 용어 1-4 및 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 모든 가능한 4개 용어 조합이 평가되었다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 상기 결과의 평균 및 표준편차 뿐 아니라 각각의 계산에 대한 통계의 요약은 표 10에서 제시된다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 모든 5개 용어의 세트는 상기 DF 모델보다 더 유의미했으며 이는 알고리즘이 세 개 용어의 제거 후에도 CAD의 공산의 예측성을 유지하는 것을 가리킨다.
실시예 10: 알고리즘으로부터 4개 용어의 제거.
7개의 용어에서 4개가 부재하는 경우 상기 알고리즘의 공산을 결정하기 위하여 알고리즘의 능력이 평가되었다. 별개의 4개 용어가 다른 용어 및 연령 및 성의 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 예를 들어, 용어 4-7은 알고리즘에서 용어 1-3 및 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 모든 가능한 3개 용어 조합이 평가되었다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 상기 결과의 평균 및 표준편차 뿐 아니라 각각의 계산에 대한 통계의 요약은 표 11에서 제시된다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 모든 3개 용어의 세트는 알고리즘이 네 개 용어의 제거 후에 CAD의 공산의 예측성을 유지하는 것을 가리키는 상기 DF 모델보다 더 유의미했다.
실시예 11: 알고리즘으로부터 5개 용어의 제거.
7개의 용어에서 5개가 부재하는 경우 상기 알고리즘의 공산을 결정하기 위하여 알고리즘의 능력이 평가되었다. 별개의 5개 용어가 다른 용어 및 연령 및 성의 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 예를 들어, 용어 3-7은 알고리즘에서 용어 1-2 및 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 모든 가능한 2개 용어 조합이 평가되었다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 상기 결과의 평균 및 표준편차 뿐 아니라 각각의 계산에 대한 통계의 요약은 표 12에서 제시된다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 모든 2개 용어의 세트는 기 DF 모델보다 더 유의미했으며 이는 알고리즘이 다섯 개 용어의 제거 후에도 CAD의 공산의 예측성을 유지하는 것을 가리킨다.
실시예 12: 알고리즘으로부터 6개 용어의 제거.
7개의 용어에서 6개가 부재하는 경우 상기 알고리즘의 공산을 결정하기 위하여 알고리즘의 능력이 평가되었다. 별개의 6개 용어가 다른 용어 및 연령 및 성의 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 예를 들어, 용어 2-7은 알고리즘에서 용어 1 및 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 상기 결과의 평균 및 표준편차 뿐 아니라 각각의 계산에 대한 통계의 요약은 표 13에서 제시된다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 모든 1개 용어의 세트는 상기 DF 모델보다 더 유의미했으며 이는 알고리즘이 여섯 개 용어의 제거 후에도 CAD의 공산의 예측성을 유지하는 것을 가리킨다.
실시예 13: 알고리즘으로부터 모든 7개 용어의 제거.
7개의 마커에서 7개가 부재하는 경우 상기 알고리즘의 공산을 결정하기 위하여 알고리즘의 능력이 평가되었다. 별개의 7개 용어가 다른 용어 및 연령 및 성의 임상 인자가 유지되는 동안 알고리즘으로부터 제거되었다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 상기 결과의 평균 및 표준편차 뿐 아니라 각각의 계산에 대한 통계의 요약은 표 14에서 제시된다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 표 8을 보라. 시험되었던 상기 연령, 성, 0개 마커의 합에 의한 발현 용어 세트는 상기 DF 모델보다 더 유의미했으며 이는 알고리즘이 일곱 개 마커 발현 용어의 제거 후에도 CAD의 공산의 예측성을 유지하는 것을 가리킨다. 이것은 성별 및 연령에 무게를 두는 상기 알고리즘이 DF 모델에서 임상 인자에 무게를 두는 것보다 우수하다는 것을 의미한다.
실시예 14: S100A12 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다 (표 1b 및 표 2를 보라). 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위하여,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체하는 모델에 대하여 계산되었다. 본 실시예에서, MMP9는 상기 알고리즘의 모든 관련 용어에서 S100A12대신 대체되었고, 이러한 MMP9는 용어 4 및 용어 5에서 S100A12 대신 대체되었다. 예컨대, S100A12가 알고리즘에서 MMP9로 대체되었을 때, 상기 바뀐 알고리즘은 아래와 같다:
알고리즘 계산 ( 로지스틱 회귀분석, MMP9 로의 S100A12 대신 대체
1) Norm1 = RPL28로 정의하라.
2) Norm2 = (.5*HNRPF + .5*TFCP2)로 정의하라.
3) NKup = (.5*SLAMF7 + .5*KLRC4)로 정의하라.
4) Tcell = (.5*CD3D + .5*TMC8)로 정의하라.
5) Bcell = (2/3 *CD79B + 1/3 * SPIB)로 정의하라.
6) Neut = (.5*AQP9 + .5*NCF4)로 정의하라.
7) Nup = (1/3 * CASP5 + 1/3*IL18RAP + 1/3*TNFAIP6)로 정의하라.
8) Ndown = (.25*IL8RB + .25*TNFRSF10C + .25*TLR4 + .25*KCNE3)로 정의하라.
9) SCA1 = (1/3*MMP9 + 1/3*CLEC4E + 1/3*S100A8)로 정의하라.
10) AF2 = AF289562로 정의하라.
11) TSPAN= 만약 (AF161365-Norm2 > 6.27 또는 AF161365=알림없음)이면 1, 그렇지 않으면 0으로 정의하라.
12) 남성에 대하여 SEX= 1, 여성에 대하여 SEX= 0
13) Intercept는 다음과 같이 정의하라.
a. 남성에 대하여, INTERCEPT = 5.28 + 0.047*연령
b. 여성에 대하여, INTERCEPT = 4.44 + 0.120*(연령-60),
(만약 음성이 0으로 정해지면)
14) 스코어 = INTERCEPT -1.05 *( Nup - Ndown) -0.56*( NKup - Tcell) -0.35 * SEX*( SCA1- Norm1)- 0.30* ( Bcell- Tcell)- 0.89 *(1-SEX)*( SCA1- Neut)- 0.87 *SEX*(TSPAN)- 0.38 *( AF2- Norm2)로 정의하라
유사한 알고리즘 개발 절차가 아래 실시예에서 사용되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 15: CLEC4E 의 연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, ALOX5AP는 상기 알고리즘의 모든 관련 용어에서 CLEC4E 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 16: S100A8 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, NAMPTP는 상기 알고리즘의 모든 관련 용어에서 S100A8 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 17: CASP5 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위하여, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, H3F3B는 상기 알고리즘의 모든 관련 용어에서 CASP5 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 18: IL18RAP 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, TXN는 상기 알고리즘의 모든 관련 용어에서 IL18RAP 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 19: TNFAIP6 의 고연관 대체마커로의 교체
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위하여, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, PLAUR는 상기 알고리즘의 모든 관련 용어에서 TNFAIP6 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 20: AQP9 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, GLT1D1은 상기 알고리즘의 모든 관련 용어에서 AQP9 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 21: NCF4 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위하여, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, NCF2는 상기 알고리즘의 모든 관련 용어에서 NCF4로 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 22: CD3D 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위하여, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체하는 모델에 대하여 계산되었다. 본 실시예에서, LCK는 상기 알고리즘의 모든 관련 용어에서 CD3D 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 23: TMC8 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위하여, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, CCT2는 상기 알고리즘의 모든 관련 용어에서 TMC8 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 24: CD79B 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, CD19는 상기 알고리즘의 모든 관련 용어에서 CD79B 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 25: SPIB 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, BLK는 상기 알고리즘의 모든 관련 용어에서 SPIB 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 26: HNRPF 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체하는 모델에 대하여 계산되었다. 본 실시예에서, ACBD5는 상기 알고리즘의 모든 관련 용어에서 HNRPF 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 27: TFCP2 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체하는 모델에 대하여 계산되었다. 본 실시예에서, DDX18은 상기 알고리즘의 모든 관련 용어에서 TFCP2 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 28: RPL28 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체하는 모델에 대하여 계산되었다. 본 실시예에서, SSRP1은 상기 알고리즘의 모든 관련 용어에서 RPL28 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 29: AF289562 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, CD248은 상기 알고리즘의 모든 관련 용어에서 AF289562 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 30: SLAMF7 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, CX3CR1은 상기 알고리즘의 모든 관련 용어에서 SLAMF7 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 31: KLRC4 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, CD8A는 상기 알고리즘의 모든 관련 용어에서 KLRC4 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 32: IL8RB 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, BCL2A1은 상기 알고리즘의 모든 관련 용어에서 IL8RB 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 33: TNFRSF10C 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, PTAFR은 상기 알고리즘의 모든 관련 용어에서 TNFRSF10C 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 34: KCNE3 의 고연관 대체마커로의 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, LAMP2는 상기 알고리즘의 모든 관련 용어에서 KCNE3 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 35 : TLR 의 고연관마커로의 교체
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 이러한 특정한 교체에 대한 상관값은 표 15에 보인다. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 상기 분석을 위해, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 하나의 유전자를 대체한 모델에 대하여 계산되었다. 본 실시예에서, TYROBP는 상기 알고리즘의 모든 관련 용어에서 TLR4 대신 대체되었다. 상기 계산에 대한 통계의 요약은 표 15에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. DF AUC 에 대한 표 16을 보라. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 36: 5개 알고리즘 마커의 별개의 5개 고연관 대체마커로의 무작위 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 고연관 대체마커에 대하여 표 15를 보라. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서,ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에, 별개의 5개 알고리즘 마커를 5개의 고연관 마커 대신 무작위로 치환하는 모델을 위해 계산되었다. 상기 무작위 마커 치환을 위하여, 100번의 반복이 각각 구동되었고 상기 평균 및 표준편차가 계산되었다. 상기 계산에 대한 통계의 요약은 표 16에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간에서 AUC의 더 크고 더 높은 경계선은 DF 모델보다 더 유의미하게 고려되었다.대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 37: 10개 알고리즘 마커의 별개의 10개 고연관 대체마커로의 무작위 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 고연관 대체마커에 대하여 표 15를 보라. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에, 별개의 10개 알고리즘 마커를 10개의 고연관 마커 대신 무작위로 치환하는 모델을 위해 계산되었다. 상기 무작위 마커 치환을 위하여, 100번의 반복이 각각 구동되었고 상기 평균 및 표준편차가 계산되었다. 상기 계산에 대한 통계의 요약은 표 16에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 38: 15개 알고리즘 마커의 별개의 15개 고연관 대체마커로의 무작위 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 고연관 대체마커에 대하여 표 15를 보라. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에, 별개의 15개 알고리즘 마커를 15개의 고연관 마커 대신 무작위로 치환하는 모델을 위해 계산되었다. 상기 무작위 마커 치환을 위하여, 100번의 반복이 각각 구동되었고 상기 평균 및 표준편차가 계산되었다. 상기 계산에 대한 통계의 요약은 표 16에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 39: 20개 알고리즘 마커의 별개의 20개 고연관 대체마커로의 무작위 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 고연관 대체마커에 대하여 표 15를 보라. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭이었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에, 별개의 20개 알고리즘 마커를 20개의 고연관 마커 대신 무작위로 치환하는 모델을 위해 계산되었다. 상기 무작위 마커 치환을 위하여, 100번의 반복이 각각 구동되었고 상기 평균 및 표준편차가 계산되었다. 상기 계산에 대한 통계의 요약은 표 16에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 40: 모든 알고리즘 마커의 별개의 고연관 대체마커로의 무작위 교체.
각각의 알고리즘 마커에 대하여, 고연관된, 비-알고리즘 대체 마커는 상기 기재한 단계 Ⅲ PCR 데이터 세트로부터 동정되었다. 각각의 마커에 대하여, 상기 마커와 다른 마커들 사이의 피어슨 상관 값 (Pearson correlation value)이 계산되었고 그 후에 우리는 관심있는 알고리즘 마커에 대하여 최대의 연관성을 보이는 대체 마커를 골랐다. 이러한 대체물은 대체 마커가 알고리즘 용어에서 한 번을 초과하여 사용되지 않았던 제한 조건 하에서, 알고리즘 마커에 대하여 고연관성을 가지는 마커이었다. 고연관 대체마커에 대하여 표 15를 보라. 2개의 통계학적 방법이 평가를 위하여 사용되었다: 로지스틱 회귀분석 및 능형 회귀분석. 모든 분석에 있어서, ROC 곡선하면적 (AUC)은 우선적으로 사용된 정확도 메트릭었다. AUC는 크로스 타당성 검증을 이용하여 계산되었다. 정확도는 한번에 모든 알고리즘 마커를 고연관 마커 대신 무작위 치환하는 모델을 위해 계산되었다. 상기 무작위 마커 치환을 위하여, 100번의 반복이 각각 구동되었고 상기 평균 및 표준편차가 계산되었다. 상기 계산에 대한 통계의 요약은 표 16에서 나타낸다. 다이아몬드 포레스터 (Diamond Forrester, DF)의 AUC에 대한 신뢰구간의 상부 경계보다 더 높은 AUC는 DF 모델보다 더 유의미하게 고려되었다. 대체 마커와 함께하는 상기 알고리즘은 DF 모델보다 더 유의미하게 유지되는데 이는 고연관 대체 마커로의 상기 알고리즘 마커의 교체 후에도, CAD의 공산 예측성을 유지하는 것을 가리킨다.
실시예 41: 용어 1로부터 마커의 제거.
용어 1 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서의 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 CAD의 예측성을 유지하는 것을 발견하였다. 표 17을 보라.
실시예 42: 용어 2로부터 마커의 제거 2.
용어 2 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서의 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 CAD의 예측성을 유지하는 것을 발견하였다. 표 18을 보라.
실시예 43: 용어 3으로부터 마커의 제거.
용어 3 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서의 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 LCK/CCT2/CD19/BLK; LCK/CD19/BLK; CCT2/CD19/BLK; LCK/CCT2/CD19; LCK/CD19; CCT2/CD19; CD3D/CD19; LCK/CD19; 및 CCT2/CD19를 제외하고는, CAD의 예측성을 유지하는 것을 발견하였다. 표 19를 보라. TMC8/CD19는 능형 회귀분석을 이용하는 AUC가 계산되었을 때, CAD의 예측성이었지만, 로지스틱 회귀분석을 이용하는 AUC가 계산되었을 때는 그렇지 않았다. 표 19를 보라.
실시예 44: 용어 4로부터 마커의 제거.
용어 4 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서의 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 CAD의 예측성을 유지하는 것을 발견하였다. 표 20을 보라.
실시예 45: 용어 5로부터 마커의 제거.
용어 5 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서의 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 MMP9/ALOX5AP/GLT1D1/NCF2; MMP9/ALOX5AP/NAMPT/NCF2; MMP9/GLT1D1/NCF2; MMP9/ALOX5AP/NCF2; MMP9/NAMPT/NCF2; MMP9/GLT1D1; ALOX5AP/NCF2; MMP9/NCF2; ALOX5AP/AQP9; 및 ALOX5AP/NCF2을 제외하고는, CAD의 예측성을 유지하는 것을 발견하였다. 표 21을 보라. ALOX5AP/NCF4는 능형 회귀분석을 이용하는 AUC가 계산되었을 때, CAD의 예측성이었지만, 로지스틱 회귀분석을 이용하는 AUC가 계산되었을 때는 그렇지 않았다. 표 21을 보라.
실시예 46: 용어 6으로부터 마커의 제거.
용어 6 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 H3F3B/TXN/BCL2A1/LAMP2/TYROBP; H3F3B/TXN/BCL2A1/LAMP2; H3F3B/TXN/BCL2A1/TYROBP; TXN/PLAUR/BCL2A1/TYROBP; H3F3B/TXN/PLAUR/BCL2A1; H3F3B/BCL2A1/TYROBP; TXN/BCL2A1/TYROBP; H3F3B/TXN/BCL2A1; H3F3B/TXN/TYROBP; TXN/PLAUR/BCL2A1; TXN/PLAUR/BCL2A1; H3F3B/BCL2A1; H3F3B/TYROBP; TXN/BCL2A1; TXN/TYROBP; TXN/IL8RB; 및 TXN/TNFRSF10C을 제외하고는, CAD의 예측성을 유지하는 것을 발견하였다.. 표 22를 보라.
실시예 47: 용어 7로부터 마커의 제거.
용어 7 알고리즘 및 고연관 치환 마커들은 상기 알고리즘이 그들의 부존재하에서 CAD의 공산의 예측성을 유지하는지 아닌지를 결정하기 위하여 알고리즘으로부터 제거되었다. 모든 다른 마커 및 그들과 연관된 마커들은 알고리즘으로부터 제거되었고, 따라서 이 분석에서 각각의 용어는 그것 자체로 고려되었다. 모델에서 각각의 용어는 델타 용어 (delta term)이고, 델타 용어의 좌측 면 상에서 n_i 마커 및 델타 용어의 우측 면 상에서 m_i 마커를 동반한다. 우리는 오직 하나의 n_i 좌측 면 마커 및 하나의 가능한 m_i 우측면 마커가 상기 용어에서 사용되었던 '리듀스된 용어 (reduced terms)', 2개의 마커를 시험하였다. 그러므로 n_i*m_i 가능한 2개의 마커 리듀스된 용어가 있었다. 우리는 또한 상기 대체마커 뿐 아니라 상기 알고리즘 마커 모두에 대한 완벽한 용어로부터 마커의 연속적인 제거에 의하여 생산되는 '리듀스된 용어'를 시험하였다.
리듀스된 용어 각각에 대하여, 모델은 성별, 연령 및 리듀스된 용어를 포함하여 잘 맞았고, 크로스-타당성 검증된 AUC의 값이 추정되었다. 상기 크로스 검증된 AUC 값은 성, 연령 및 전체 용어를 포함한 모델로부터 얻어진 AUC 값과 비교되었다. 각각의 리듀스된 용어에 대하여, 우리는 여전히 상기 용어의 통계적으로 유의미한 예측 효과가 있는지, 즉 AUC에서 상기 감소가 CAD의 예측성에서 이익이 되지 않는 마커 리듀스된 세트를 만드는데 충분한지를 시험하였다. 상기 동일한 과정은 연관된 교체 마커가 원래 알고리즘 마커 대신에 이용되었던 모든 리듀스된 마커 세트에 대하여 반복되었다.
우리는 이러한 분석에서 생산된 모든 리듀스된 용어가 MMP9/ALOX5AP/GLT1D1/NCF2; MMP9/ALOX5AP/NAMPT/NCF2; MMP9/GLT1D1/NCF2; MMP9/ALOX5AP/NCF2; MMP9/NAMPT/NCF2; MMP9/GLT1D1; ALOX5AP/NCF2; MMP9/NCF2; ALOX5AP/AQP9; 및 ALOX5AP/NCF2을 제외하고는, CAD의 예측성을 유지하는 것을 발견하였다. 표 23을 보라.
실시예 48: 비-당뇨 환자의 CAD 평가를 위한 알고리즘의 진단 정확도의 타당성 검증.
여기에서 우리는 CAD로 의심되는 비-당뇨병 환자에서, ≥50% 혈관 내경 협착증 (luminal diameter stenosis)을 초래하는 하나 또는 그 이상의 관성 죽상동맥경화증 병변으로 정의되는, 폐쇄 CAD의 공산에 대한 유전자 발현 알고리즘의 초기 예상 타당성 검증을 보고한다.
방법
일반적인 연구 디자인 및 연구 집단
대상은 2007년 7월부터 2009년 4월 사이에, 39개의 센터 (US) 예측 연구, PREDICT에 등록되었다. 상기 연구는 모든 참가 센터 및 서면으로 동의한 환자에 대하여 기관감사위원회 (institutional review board)에서 승인되었다. 진단용 관상동맥의 혈관 조영에 적용된 대상은 만약 그들이 흉통을 가진 병력, 협심증 유사 증상에 대한 의심 또는 CAD의 고위험을 가지지 않았다면, 이전에 심근 경색증 (MI), 혈관재생술 또는 폐쇄 CAD를 갖고 있지 않았다면, 대상이 되었다. 대상이 만약 카테터법에서, 급성 MI, 고위험 불안정 협심증, 심각한 비-관상동맥 심장 질환 (울혈성 심부전증, 심근증 또는 판막증),침습성의 감염 또는 염증성 질환을 가졌거나, 또는 면역억제제 또는 화학요법제를 복용하였다면, 대상이 될 수 없다.
본 초기 알고리즘 개발 및 타당성 검증은 비-당뇨병에 중점을 둔 것이므로, 등재 기준을 만족시키는 2418명의 등록된 대상으로부터, 606명의 당뇨병 환자가 제외되었다. 1812명의 남은 환자에서, 237명은 혈관 조영 이미지가 QCA에 대해 부적당하였고, 6명은 사용될 수 없는 혈액 샘플을 가졌다. 남아있는 1569명의 대상에 대하여, 226명은 유전자 발견에 이용되었고 (Elashoff MR, Wingrove JA, Beineke P, et al. Development of a Blood-based Gene Expression Algorithm for Assessment of Obstructive Coronary Artery Disease in Non-Diabetic Patients, submitted. Circulation:CardiovascularGenetics.2010); 남아있는 1343명은 등록일을 기준으로 독립 알고리즘 개발 및 타당성 검증 코호트로 순차적으로 나뉘었다 (도 7).
임상 평가 및 수량화될 수 있는 관상동맥 혈관조영술
인구학적, 약물치료, 병력 및 프레젠테이션을 포함하는 사전에 구체화된 임상 데이터 및 MPI 결과는 표준화된 데이터 수집 방법을 이용하는 연구 부서에서 조사 연구 협동자에 의하여 얻어졌고 데이터는 독립 연구 모니터 (independent study monitors)에 의하여 검증되었다.
관상동맥 혈관조영술은 컴퓨터의 지원을 받는 QCA에 의하여 분석되었다. 구체적으로, 사이트 프로토콜 (site protocol)에 의하여 수행되는, 임상적으로 표시된 관상동맥 혈관조영술은 디지털화되었고, 뉴욕의 심혈관질환 연구 재단에서 타당성이 검증된 정량적 프로토콜로 분석되고 재동정되었다 (Lansky AJ, Popma JJ. Qualitative and quantitative angiography Philadelphia, PA: Saunders; 1998 Text Book of Interventional Cardiology)). 임상 및 유전자 발현 데이터를 알지 못하는, 훈련된 기술자는, >1.5mm의 직경을 가지는 혈관에서 >10% 협심증 직경 (diameter stenosis, DS)의 모든 병변을 육안으로 동정하였다. CMS 메디스 (Medis) 시스템을 이용하여, (Medis, version 7.1, Leiden, the Netherlands), 기술자는 가장 가까운 중심부 비-질환 장소와 말단 비-질환 장소 사이에서 병변을 가로지르는 혈관 내강을 추적하였다. 상기의 최소 혈관 내강 직경 (minimal lumen diameter, MLD), 참고 혈관 내강 직경 (reference lumen diameter) (RLD = 병변의 중심부 및 말단 정상 분절의 평균 직경) 및 %DS (%DS = (1 - MLD/RLD) x 100)를 그 후에 계산하였다.
연령, 성별 및 흉통 유형으로 구성된, 상기 다이아몬드-포레스터 (Diamond-Forrester, D-F) 위험 스코어는 상기 유전자 발현 스코어가 임상 인자에 추가된 값을 평가하기 위하여 예측적으로 선택되었다 (Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. N Engl J Med.1979;300(24):1350-8). 흉통 유형 (전형적인 협심증, 비정형적 협심증 및 비 협심증 흉통)의 D-F 분류는 대상 인터뷰에 기초하여 부여되었고 (Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. N Engl J Med.1979;300(24):1350-8), D-F 스코어가 부여되었다 (Chaitman BR, Bourassa MG, Davis K, et al. Angiographic prevalence of high-risk coronary artery disease in patient subsets (CASS). Circulation.1981;64(2):360-7). 흉통 증상이 없는 대상은 비-협심증 흉통으로 분류되었다.
MPI는 근거리 프로토콜에 따라서 임상적으로 지시된 바와 같이 수행되었고, 유전자 발현 또는 카테터법 데이터에는 접근 못하지만, 임상 데이터에는 접근할 수 있는 근거리 리더 (reader)에 의하여 해석되었다. MPI는 만약 ≥1의 폐쇄 CAD와 일치하는 가역성의 또는 고정된 결점이 보고된 경우, 양성으로 정의되었다.
폐쇄 CAD 및 진단 그룹 정의
폐쇄 CAD를 가지는 환자 (N=192)들은, QCA에 의해 ≥50% 혈관 내경 협착을 초래하는 주요 관상동맥 혈관에서 (≥1.5mm 혈관 내경), ≥1 죽상관상동맥경화증 플라그를 가지는 환자로서 예측적으로 정의하고; 비-폐쇄 CAD (N=334)를 갖는 환자는 >50%의 병변을 가지지 않는 환자로 정의되었다.
혈액 샘플
관상동맥의 혈관조영술 전에, 정맥 혈액 샘플이 PAXgene®RNA-preservation 튜브에서 수집되었다. 샘플은 제조자의 지시에 따라서 처리되었고, 그 후에 -20oC에서 냉동되었다.
RNA 정제 및 RT - PCR
Agencourt RNAdvance 시스템을 이용하여 전체 혈액 샘플로부터 얻어진 자동화된 RNA 정제, cDNA 합성 및 RT-PCR이 기재한 바와 같이 수행되었다 (Elashoff MR, Wingrove JA, Beineke P, et al. Development of a Blood-based Gene Expression Algorithm for Assessment of Obstructive Coronary Artery Disease in Non-Diabetic Patients, submitted. Circulation : Cardiovascular Genetics. 2010.). 모든 PCR 반응은 분석을 위하여 사용되었던 중앙값 및 3배수로 구동되었다. 게노믹 DNA 오염은 이어맞춤접합 (splice-junction) 기간동안 (spanning)의 발현값과 TFCP2 및 HNRPF의 발현값으로 표준화된 인트론의 AD0RA3 분석의 비교에 의하여 탐지되었다. 상기 RPS4Y1 분석은 모든 환자에 대한 성별의 확인으로 구동되었고; 환자가 만약 임상 데이터와 명백하게 불일치하다면 제외되었다. 샘플 QC 메트릭 및 합격-불합격 기준은 미리 정의되었고 기술되어진 결과의 평가 전에 적용되었다 (Elashoff MR, Wingrove JA, Beineke P, et al. Development of a Blood-based Gene Expression Algorithm for Assessment of Obstructive Coronary Artery Disease in Non-Diabetic Patients, submitted. Circulation : Cardiovascular Genetics. 2010.)
통계학적 방법
표24에 대한 분석은 SAS Version 9.1 (SAS Institute Inc, Cary, NC, USA)을 사용하였다. 모든 다른 분석은 R Version 2.7 (R Foundation for Statistical Computing, Vienna, Austria)을 사용하여 수행되었다. 다르게 특정되지 않았다면, 연속적인 변수에 대한 단일변인 비교는 t-테스트 및 카이제곱법 (Chi-square)에 의한 단정적인 변수로 행해졌다.
유전자 발현 알고리즘 스코어
상기 알고리즘은 타당성 검증 연구 전에 고정되었다. 미처리 알고리즘 스코어는 모든 통계적 분석에서 기술되고 사용되었던 성별, 연령 및 23개의 알고리즘 유전자에 대한 중앙 발현값으로부터 계산되었고; 스코어는 보고의 편이성을 위하여 0-40 스케일로 선형으로 변형되었다.
ROC 평가 및 AUC 비교
ROC 커브는 a) 유전자 발현 알고리즘 스코어, b) D-F 위험 스코어, c) 알고리즘 스코어와 D-F 위험 스코어의 조합 모델 , d) MPI 및 e) 알고리즘 스코어와 MPI의 조합 모델에 대해 평가되었다. 표준 방법은 (Newson R. Confidence intervals for rank statistics: Somers' D and extensions. Stata Journal. 2006;6:309-334.) 실증적인 ROC 커브 및 연관된 AUCs 및 AUC 표준 오차를 평가하기 위하여 사용되었다. 상기 Z-테스트는 AUC 대 무작위 (AUC = .50)를 시험하기 위하여 사용되었다.
대응표본 AUC 비교: i) 유전자 발현 알고리즘 스코어 플러스 D-F 위험 스코어 대 D-F 위험 스코어, 및 ii) 유전자 발현 알고리즘 스코어 플러스 MPI 대 MPI; 는 부트스트랩 (bootstrap)에 의하여 수행되었다. 각각의 비교에 있어서, 10,000 부트스트랩이 반복적으로 구동되었고, 상기 관찰된 AUC 차이가 계산되었다. 상기 부트스트랩되어진 AUC 차이의 중앙값은 AUC 차이를 추정하기 위하여 이용되었고, 상기 p-값은 부트스트랩되어진 AUC 차이의 실증적인 분배를 이용하여 평가되었다 (즉, 실증적인 분배에서 0 AUC 차이에 대하여 관찰된 변위치 (quantile)).
로지스틱 회귀분석
로지스틱 회귀분석 모델의 시리즈는 두 부분으로 이루어진 의존 변수로서 질환 상태에 맞춰졌고, 내재적 모델 간의 공산 비율 테스트를 이용하여 비교되었다. 비교는 다음과 같다 : i) 유전자 발현 알고리즘 스코어 플러스 D-F 리스크 스코어 대 D-F 위험 스코어 단독; ii) 유전자 발현 알고리즘 스코어 플러스 MPI 대 MPI 단독; iii) 유전자 발현 알고리즘 스코어 대 유전자 발현 알고리즘 스코어의 인구학적 요소.
최대 퍼센트 협착증에 대한 알고리즘 스코어의 연관
연속적인 변수로서의 퍼센트 최대 협착증 및 알고리즘 스코어 사이의 연관성은 선형 회귀분석에 의하여 평가되었다. 협착값은 5개의 증가 카테고리로 분류되었고 (평가할 수 없는 질환, ≥1 혈관에서 1-24%, 25-49%, 1 혈관 ≥50%, 및 >1 혈관 ≥50%) 및 ANOVA는 알고리즘 스코어 크로스 카테고리에서 선형의 동향 (linear trend )으로 시험되기 위하여 사용되었다.
질환 상태의 재분류
유전자 발현 알고리즘 스코어 및 D-F 위험 스코어는 저위험 (20% 내지 <20%), 중간위험 (≥20%,<50%) 및 고위험 (≥50%) 폐쇄 CAD 공산으로 정의되었다. MPI 결과는 음성 (무결손/가능한 고정된 또는 가역적 결손) 또는 양성 (고정된 또는 가역적 결손)으로 분류되었다. D-F 위험 스코어 분석에 대하여, 재분류된 대상은 i) 저 또는 고 알고리즘 위험에 대한 D-F 중간 위험, ii) 알고리즘 저위험에 대한 D-F 고위험 또는 iii) 고 알고리즘에 대한 D-F 저위험으로 정의되었다. MPI 분석에 대하여, 재분류된 대상은 i) 알고리즘 스코어 기초 저위험에 대한 MPI 양성 또는 ii) 알고리즘 스코어 기초 고위험에 대한 MPI 음성을 포함하였다. D-F 위험 스코어 또는 MPI 중 하나와 비교된 유전자 발현 알고리즘 스코어 (및 연관된 p-값)의 순재분류개선 (Net reclassification improvement , NRI)은 기술되어진 바와 같이 계산되었다 (Pencina MJ, D'Agostino RB, Sr., D'Agostino RB, Jr., Vasan RS. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med. 2008;27(2):157-72; discussion 207-12.). NRI는 재분류 임상 이점의 평가이고, 재분류 분획 및 정확도 모두에 대하여 민감하다.
NRI 공식
NRI는 '정확한' 방향으로 분류가 일어나는 환자들을 양성 재분류함으로 고려된다 (고위험 분류로 이동하는 질환 대상 및 저위험 분류로 이동하는 비-질환 대상). 유사하게, NRI는 부정확한 방향으로 분류가 일어나는 환자들을 음성 재분류함으로 고려된다 (저위험 분류로 이동하는 질환 대상 및 고위험 분류로 이동하는 비질환 대상). NRI 공식은 그 후에 양성 재분류 분획 및 음성 재분류 분획 사이의 차이점이다.
NRI=( pup,events - pdown,events) - ( pup,nonevents - pdown,nonevents)
여기에 있어서:
pup,events = # events moving up/# events
pdown,events = # events moving down# events
pup,nonevents = # nonevents moving up/# nonevents
pdown,nonevents = #nonevents moving down/# nonevents
유의성 테스트에 대하여,
z=NRI/(ve+vne)1/2
여기에 있어서:
ve=( pup,events+ pdown,events)/#events
vne=( pup,nonevents+ pdown,nonevents)/#nonevents
({Pencina et al., 2008} 유래의 공식)
로지스틱 회귀분석
승산비 (Odds Ratio)
D-F 위험 스코어 모델
Figure pct00002
유전자 발현 알고리즘 스코어 + D-F 위험 스코어
Figure pct00003
MPI 모델
Figure pct00004
유전자 발현 알고리즘 스코어 + MPI
Figure pct00005
순편익 분석
비커스 (Vickers) {Vickers et al., 2008}는 pt 함수, 양성 오류 및 음성 오류 사이에서 트레이드오프 (trade-off)를 나타내는 역치 확률 진단용 순편익 커브 (net benefit curve)를 정의하였다. 상기 커브는 pt에 대한 가능한 값의 정도를 넘어서는, 스코어 >pt = 양성의 결정규칙을 따라 순편익을 수량화한다. 상기 참고 라인은 a) 모든 대상 양성 (도 8에서 더 낮은 커브) 또는 b) 모든 대상 음성 (순편익 = 0에서의 선)의 순편익을 반영한다. 유전자 발현 알고리즘에 대한 순편익 커브는 도 8에서 더 높은 커브이고, pt에 대하여 임상적으로 관련된 정도 이상의 참고 줄 모두보다 더 크다.
전체 임상 모델
방법
상기 유전자 발현 알고리즘의 추가된 값을 더 평가하기 위하여 '전체' 임상 인자 모델이 개발 세트에서 폐쇄 질환 및 비폐쇄질환 사이의 일도량 (univariate) 유의성 (p<.05)을 보이는 11개의 임상 인자를 포함하여 개발되었다. 상기 11개의 인자는 다음과 같았다 :
성별
연령
흉통 유형
인종
스타틴 사용
아스피린 사용
항 혈소판 사용
ACE 저해제 사용
수축기 혈압
고혈압
이상지질혈증
로지스틱 회귀분석 모델은 예측자 변수로서 상기 11개의 인자 및 의존 변수로서 질환 상태를 이용하여 맞춰졌다. 대상의 '전체 임상 모델 스코어'는 이 모델로부터 얻어진 값으로 예측되었다.
결과
결과는 타당성 검증 세트로 보고된다. 전체 임상 모델의 AUC는 .732이었고, 유전자 발현 알고리즘 플러스 전체 임상 모델에 대한 AUC는 .745 (p=.09)이었다. 상기 유전자 발현 알고리즘 플러스 전체 임상 모델 대 전체 임상모델 단독의 내재적 로지스틱 회귀분석 비교는 .014의 p-값을 주었다.
상기 유전자 발현 알고리즘 플러스 전체 임상 모델 대 전체 임상 모델 단독의 NRI는 10% (p=.02)이었다.
논의
여기에서 평가된 전체 임상 모델은 알고리즘 스코어가 PREDICT 집단에서 알려지거나 명백한 임상 인자에 추가되는 컨셉을 더 뒷받침한다. 이 모델은 다이아몬드-포레스터 공식에 대하여 행해졌던 것처럼, 독립 타당성 검증의 부족을 겪었고, 1차 비교자 (comparator)로서 그의 역할을 강화한다.
통계학적 가외치 분석
샘플은 다음 기준에 기초한 유전자 발현 가외치로 분류되었다 : ∑|gi-mi|>27, 여기에 있어서 전체 개발 세트에 대하여 gi은 i번째 유전자에 대한 발현값이고, mi는 i번째 유전자에 대한 중앙 발현값이다.
결과
2007년 7월부터 2009년 4월 사이에 등록된, PREDICT 시도로부터 얻어진 총 1343명의 비-당뇨 환자들은 독립 개발 (N= 694) 및 타당성 검증 (N= 649) 세트로 연속적으로 할당되었다. 비-당뇨 환자에 대한 상기 제한은 당뇨 상태에 의존하는 CAD 분류자 유전자 세트에서 관찰된, 유의미한 차이점에 기초하였다 (Elashoff MR, Wingrove JA, Beineke P, et al. Development of a Blood-based Gene Expression Algorithm for Assessment of Obstructive Coronary Artery Disease in Non-Diabetic Patients, submitted. Circulation : Cardiovascular Genetics. 2010.). 상기 환자의 흐름, 세트 배치 및 제외는 도 7에서 보인다. 질환 상태에 의한 이러한 세트의 인류학적 및 임상적 특징은, 제외 후에, 표 24에서 요약된다. 상기 개발 및 타당성 검증 세트의 임상적 특징은 유사하다. 전체적으로, 대상은 57% 남성이었고, 37%는 폐쇄성 CAD를 가졌으며 26%는 CAD가 검출되지 않았다. 양쪽 코호트 모두에서 폐쇄 CAD와 연관된 유의미한 임상 또는 인류학적 변수는 연령 증가, 남성, 흉통 유형, 상승된 수축기 혈압 (모두 p< 0.001), 고혈압 (p=0.001) 및 백인 (p=0.015)이었다.
상기 유전자 발현 알고리즘은 상기 기재한 바와 같이, >1 주요 관상 동맥에서, QCA에 의하여 ≥50% 협착으로 정의되는 폐쇄 CAD와 함께 개발되었다. 이것은 대략적으로 임상의 혈관 조영술 리드 (read)에 기초한 65-70% 협착증에 대응한다. 6개의 용어, 4 개의 성별-독립적 및 2개의 성별-특이적 그룹으로 묶이는, 상기 23개의 알고리즘 유전자는 도면에서 도식으로 보인다. 그 다음 분석은 독립 타당성 검증 세트만에 대한 것이다.
ROC 분석
상기 예상되어 정의된 일차 종말점은 질환 상태의 알고리즘 스코어 예측에 대한 ROC 커브 아래의 면적이었다. 상기 AUC는 남성 (0.66) 및 여성 서브세트 (0.65) (p <0.001 각각에 대하여)에 있어서 독립적으로 유의미하게 수행되어, 0.70 ±0.02, (p<0.001)이었다. 임상 비교자로서, 우리는 다이아몬드-포레스터 (D-F) 위험 스코어를 사용하는데, 현재의 CAD의 공산을 수량화하기 위하여 개발되었고, 거대한 코호트에서 현재의 CAD의 타당성이 검증되었다 (Diamond GA, Forrester JS. Analysis of probability as an aid in the clinical diagnosis of coronary-artery disease. N Engl J Med. 1979;300(24):1350-8.; Chaitman BR, Bourassa MG, Davis K, et al. Angiographic prevalence of high-risk coronary artery disease in patient subsets (CASS). Circulation. 1981;64(2):360-7.). ROC 분석은 D-F 위험성 스코어 단독과 비교하여, 알고리즘 스코어 및 D-F 위험 스코어의 조합에 대하여 더 높은 AUC를 보였다 (AUC 0.72 대 0.66, p=0.003, 도 9).
PREDICT에서 이미지화되는 비-침습성의 가장 우세한 형태는 MPI이다. 타당성 검증 세트에서, 310명의 환자들은 임상적으로 지시된 MPI를 수행하였고, 그 중의 72%는 양성이었다. 비교 ROC 분석은 결합된 알고리즘 스코어 및 MPI 대 MPI 단독에 대하여 증가된 AUC를 보였다 (AUC 0.70 대 0.54, p <0.001).
민감성, 특이성
민감성 (Sensitivity) 및 특이성 (specificity)은 14.75의 알고리즘 스코어 역치에서, 상기 값 미만의 스코어를 가지는 33%의 환자에 대하여, 20%의 질환 공산에 대응하여, 결정되었다. 상기 역치에서, 43%의 특이성과 함께 85%의 민감성을 보였고, 음성 및 양성 예상 값에 대하여 각각 83% 및 46%로 대응하였다.
회귀분석
내재적 로지스틱 회귀분석 모델 (방법을 보라)의 시리즈는 상기 알고리즘 및 다른 예측자의 독립적인 기여를 평가하기 위하여 사용되었다. 알고리즘 스코어는 D-F 위험 스코어 (p<0.001)에 추가되었고, MPI에 추가되었으며 (p<0.001), 상기 알고리즘 유전자 발현 용어는 알고리즘 인류학적 용어에 추가 (p=0.003)되었다 (방법을 보라).
질환 심각성과의 연관
상기 알고리즘 스코어는 최대 퍼센트 협착증 (R=0.34, p<0.001) 과 연관되었고, 상기 평균 알고리즘 스코어는 퍼센트 최대 협착증의 증가와 함께 일관성있게 증가되었다 (p< 0.001, 도 10).폐쇄 CAD가 있는 환자 및 없는 환자에 대한 평균 스코어는 각각 25 및 17이었다.
재분류
재분류는 AUC와 같은 표준 측량보다 조금 더 임상적으로 관련된 예측자의 비교 수행 측량일 수 있다 (Cook NR, Ridker PM. Advances in measuring the effect of individual predictors of cardiovascular risk: the role of reclassification measures. Ann Intern Med. 2009;150(11):795-802.). 표 25A 및 표 25B는 D-F 위험 스코어 및 MPI와 비교한 유전자 발현 알고리즘에 대한 재분류 결과를 보여준다. 본 연구에서 D-F 위험 스코어와 비교되는 유전자 발현 알고리즘 스코어에 대한 순재분류개선은 20% (p<0.001)이었고, MPI 와 비교되는 경우 21% (p<0.001)이었다.
중간값의 D-F 위험 스코어를 가지는 대상에서, 환자의 78% (75/96)는 유전자 발현 알고리즘에 의하여 재분류되었다. 구체적으로, 상기 중간값 D-F 그룹에 대하여, 22% (21/96)는 저위험으로서 정확히 재분류되었고 8% (7/96)는 저위험으로서 부정확하게 재분류되었고; 27% (26/96)는 고위험으로서 정확히 재분류되었고 22% (21/96)는 고위험으로서 부정확하게 재분류되었다. 추가적인 38명의 D-F 저 위험 대상 (15%)은 고위험으로 재분류되었고 (22명은 정확하게, 16명은 부정확하게) 및 28명의 D-F 고위험 대상 (16%)은 저위험으로 재분류되었다 (22명은 정확하게, 6명은 부정확하게). 전체적으로, 재분류 오류가 일어날 때, 그들은 PPV보다 더 높은 NPV를 가지는 유전자 발현 알고리즘과 일치하는, 더 높은 위험 카테고리이었다.
논의
본 연구는 비-당뇨 환자에서, 순환하는 전체 혈액 세포, 연령 및 성별에서의 유전자 발현에 기초한 QCA에 의하여, 정의된 폐쇄 CAD에 대한 비-침습성 시험의 타당성을 예측적으로 검증한다. 상기 연구는 혈액에서의 유전자 발현 변화와 CAD와의 연관성에 대한 우리의 과거 작업 (Wingrove JA, Daniels SE, Sehnert AJ, et al. Correlation of Peripheral-Blood Gene Expression With the Extent of Coronary Artery Stenosis. Circulation: Cardiovascular Genetics. 2008;1(1):31-38.)을 ROC 분석에 의하여 폐쇄 CAD를 가지는 비-당뇨 환자에 대한 분류자의 예측 타당성 검증으로 확대한 것이다 (Elashoff MR, Wingrove JA, Beineke P, et al. Development of a Blood-based Gene Expression Algorithm for Assessment of Obstructive Coronary Artery Disease in Non-Diabetic Patients, submitted. Circulation : Cardiovascular Genetics. 2010.). 본 시험은 폐쇄 CAD의 더 높은 공산 및 더 높은 최대 퍼센트 협착에 대응하는 더 놓은 스코어를 가지는 수치적인 스코어 (0-40)를 수득한다.
NRI에 의하여 잡힌 것처럼, 환자의 임상적 위험 또는 상태의 재분류는 비교적인 ROC 분석보다 잠재적인 바이오마커를 평가하는 것에 대하여 더 적절한 측량일 수 있음을 제시한다 (Pencina MJ, D'Agostino RB, Sr., D'Agostino RB, Jr., Vasan RS. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med. 2008;27(2):157-72; discussion 207-12.; Cook NR, Ridker PM. Advances in measuring the effect of individual predictors of cardiovascular risk: the role of reclassification measures. Ann Intern Med. 2009;150(11):795-802.). 상기 유전자 발현 알고리즘 스코어는 D-F 스코어에 대하여 20% 상대성의 NRI에 의하여 보여지는 것처럼 임상 CAD 평가의 정확도를 개선한다. 상기 가장 우세한 비-침습성 시험, MPI에 대하여, 비록 이러한 결과가 혈관조영술적으로 언급된 상기 집단에서 내재하는 의뢰 편이 (referral bias)에 대하여 혼동이 있겠지만, NRI 는 21%이었다. 전체적으로, MPI 결과 또는 D-F 위험 카테고리에 독립적인, 유전자 발현 스코어의 증가는, 일관성있게 폐쇄 CAD의 증가된 위험성을 가져온다 (표 25A,B).
이러한 유전자-발현 시험은 그것이 오직 표준의 정맥 채혈만을 요구하고, 방사선, 정맥혈의 조영 또는 생리학 및 약학의, 스트레스 요인을 필요로 하지 않기 때문에 현재의 비-침습성 CAD 진단 방법보다 임상적으로 이익을 가질 수 있다. CAD의 비-침습성 평가를 개선함에 의하여 가능한 임상적 이익은 폐쇄 CAD가 없는 환자에서 침습성 진단의 관상동맥 혈관조영을 줄일 수 있다는 것이다. 상기 타당성 검증 코호트에서, 예를 들면, 침습성 혈관조영을 경험하는 환자의 37%만이 폐쇄성 CAD이고 상기와 같은 비율은 여성에 있어서 현저하게 낮아진다 (26%). 폐쇄 CAD의 정확한 정의에 대한 매우 낮은 민감성과 함께, 매우 큰 등록소에서 이전에 알려진 CAD가 없는 환자에 대하여 혈관조영상의 폐쇄 CAD의 유사한 전체 비율이 현재 보고되었다 (Patel MR, Peterson ED, Dai D, et al. Low diagnostic yield of elective coronary angiography. N Engl J Med. 2010;362(10):886-95.). 여기에서 기술한 유전자-발현 시험은 비록 이러한 환자의 대부분이 또한 임상 인자 분석에 의하여 저위험을 가짐에도 불구하고, 침습 혈관촬영이 수행된 환자의 33%에서 페쇄 CAD의 낮은-공산 (<20%)으로 동정되었다 (표 25A).
결론
우리는 침습성 혈관 조영에 의하여 정의되는 것처럼, 비-당뇨 환자에서 폐쇄 CAD의 공산을 결정하기 위하여, 말초 혈액 기반 유전자 발현 시험의 예측성 다-중심 (multi-center) 타당성 검증을 기술한다. 이러한 시험은 환자 CAD 상태 분류에 의하여 측정되는 것처럼 임상 인자 및 비-침습성 이미지에 대한 추가적인 정보를 제공한다. 이러한 시험의 임상적 용도는 CAD로 의심이 되는 환자를 시험하는 것을 더 줄일 수 있는 것이다.
본 발명이 우선적인 실시예 및 다양한 대체 실시예에 대하여 참고문헌과 함께 보여지고 기술되는 동안, 본 발명의 목적 및 정도를 벗어남이 없이 형태 및 상세사항을 다양하게 변형하여 당업자에게 이해될 것이다.
모든 참고문헌, 명세서의 부분 내에서 언급된 등록된 특허 및 출원 특허는 그들 전체에서 모든 목적을 위하여 참고문헌으로서 여기에 포함된다.
표
Figure pct00006
Figure pct00007
Figure pct00008

Figure pct00009

Figure pct00010
Figure pct00011
Figure pct00012
Figure pct00013
Figure pct00014
Figure pct00015
Figure pct00016
Figure pct00017
Figure pct00018
Figure pct00019
Figure pct00020
Figure pct00021
Figure pct00022
Figure pct00023
Figure pct00024

Figure pct00025

Figure pct00026

Figure pct00027

Figure pct00028
Figure pct00029

Figure pct00030

Figure pct00031

Figure pct00032

Figure pct00033
Figure pct00034
Figure pct00035
Figure pct00036
Figure pct00037

Figure pct00038
Figure pct00039

Figure pct00040

Figure pct00041
Figure pct00042

Figure pct00043

Figure pct00044

Figure pct00045
Figure pct00046

Figure pct00047

Figure pct00048

Figure pct00049

Figure pct00050
Figure pct00051
Figure pct00052

Figure pct00053

Figure pct00054

Figure pct00055
Figure pct00056

Figure pct00057

Figure pct00058

Figure pct00059
Figure pct00060

Figure pct00061

Figure pct00062

Figure pct00063

Figure pct00064

Figure pct00065

Figure pct00066

Figure pct00067

Figure pct00068
Figure pct00069

Figure pct00070

Figure pct00071

Figure pct00072

Figure pct00073

Figure pct00074

Figure pct00075

Figure pct00076

Figure pct00077

Figure pct00078

Figure pct00079

Figure pct00080

Figure pct00081

Figure pct00082

Figure pct00083

서열목록
Figure pct00084

Figure pct00085
SEQUENCE LISTING <110> CARDIODX, INC. <120> DETERMINATION OF CORONARY ARTERY DISEASE RISK <130> 24026-16859 PCT <140> PCT/US2010/038712 <141> 2010-06-15 <150> 61/245,190 <151> 2009-09-23 <150> 61/187,203 <151> 2009-06-15 <160> 66 <170> PatentIn version 3.5 <210> 1 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 1 acaggaggga gggatgca 18 <210> 2 <211> 20 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 2 gccaatcacc tgcctaatgc 20 <210> 3 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 3 tcaggcagcc ccccagag 18 <210> 4 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 4 acctgagtcc cagacttttc act 23 <210> 5 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 5 ccactacagg aatccaccag aag 23 <210> 6 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 6 cttcagagct ggaaacaa 18 <210> 7 <211> 24 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 7 cgagcaacct tgacaagaga tttc 24 <210> 8 <211> 26 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 8 ggtaaatgtg ctctttgatg ttgaca 26 <210> 9 <211> 17 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 9 cctgtggttt cattttc 17 <210> 10 <211> 20 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 10 cagacgctgc tgatcatcct 20 <210> 11 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 11 tcgtaggtgt gatcttcctc cat 23 <210> 12 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 12 ccttgctgtc atccttgtc 19 <210> 13 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 13 ggacggcaca cctttgaca 19 <210> 14 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 14 cctccagggt agctatgttg ttg 23 <210> 15 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 15 cccagaagct cagagact 18 <210> 16 <211> 24 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 16 agcctgtgtt tgcttgaaag agat 24 <210> 17 <211> 29 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 17 tcttctgctt ctcttaataa tgctcacaa 29 <210> 18 <211> 20 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 18 tcttctgcat acactcctcc 20 <210> 19 <211> 20 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 19 ccccattgtg gtcacaggaa 20 <210> 20 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 20 ccagggcaag ctttctaaac cat 23 <210> 21 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 21 acgttcttac tagtttccc 19 <210> 22 <211> 27 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 22 tctctaaggc tctatcagtt ctgacat 27 <210> 23 <211> 29 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 23 gctggaacca tatatgaaac tacgatact 29 <210> 24 <211> 21 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 24 cctacaaaca cagtgattac a 21 <210> 25 <211> 25 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 25 tgtattggag tactggagca gaaca 25 <210> 26 <211> 27 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 26 ctgttggaat atgtaatcca ctcctca 27 <210> 27 <211> 17 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 27 caatgacgtg ctttctg 17 <210> 28 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 28 ctcccagaag cgcctctt 18 <210> 29 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 29 gggacaccgt cagctcatg 19 <210> 30 <211> 17 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 30 cacgcagaag gacaact 17 <210> 31 <211> 22 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 31 tctctaaggg tgagctgaag ca 22 <210> 32 <211> 26 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 32 ccaggccttg gaatatttca tcaatg 26 <210> 33 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 33 caaacaccat caagaatat 19 <210> 34 <211> 25 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 34 gaagaaattg ctagagaccg agtgt 25 <210> 35 <211> 25 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 35 gcaccatcag tgttgatatc caact 25 <210> 36 <211> 21 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 36 cacccttttt cctgatatac t 21 <210> 37 <211> 24 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 37 agcaaatacg gtttactcca ctgt 24 <210> 38 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 38 ggcatcgtga gcagtgagt 19 <210> 39 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 39 ttttccatct ttttcggtat ttc 23 <210> 40 <211> 15 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 40 gaggccctcg tggct 15 <210> 41 <211> 17 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 41 tggtacaggc gcagctt 17 <210> 42 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 42 cttgcgagtc cctgcctc 18 <210> 43 <211> 25 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 43 acagaacttt caggaagaag catgt 25 <210> 44 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 44 ccgcactcct acttcagtat gat 23 <210> 45 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 45 acaatgaaag cagaaacc 18 <210> 46 <211> 27 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 46 gggaagagtg gatgttatca ttgagaa 27 <210> 47 <211> 26 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 47 ggatgaacat tcttttctgg gaacct 26 <210> 48 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 48 atgtgtctgg aattaatg 18 <210> 49 <211> 17 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 49 cacaggctcc ggaagca 17 <210> 50 <211> 17 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 50 cgcgacaggt cctccac 17 <210> 51 <211> 16 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 51 ctggtgtggc aggttc 16 <210> 52 <211> 23 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 52 ggagatgagc ttccagatga cat 23 <210> 53 <211> 24 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 53 agctgtcact gaagcatcac ttag 24 <210> 54 <211> 19 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 54 catcagtaca ggaaatgtc 19 <210> 55 <211> 25 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 55 ggaatgaaaa ctccccagag atgtg 25 <210> 56 <211> 25 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 56 caggacgtac aattactgac ttgga 25 <210> 57 <211> 18 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 57 ctagggcacc tgctacac 18 <210> 58 <211> 20 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 58 gccttggaac acaccttcgt 20 <210> 59 <211> 24 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 59 caggacacac ttccgatgga ttta 24 <210> 60 <211> 15 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 60 ccccaggagt tgctg 15 <210> 61 <211> 22 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 61 ccagaagtgt ctcccactga ag 22 <210> 62 <211> 21 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 62 ggtgatcttg ggtgtggctt t 21 <210> 63 <211> 20 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 63 tttgtggctt aaaaacaacc 20 <210> 64 <211> 22 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 64 cggaccacca tcaacaagaa tg 22 <210> 65 <211> 22 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic primer <400> 65 ttcttgcgga tcatgtgtct ga 22 <210> 66 <211> 15 <212> DNA <213> Artificial Sequence <220> <223> Description of Artificial Sequence: Synthetic probe <400> 66 ctcgcgccac gctca 15

Claims (82)

  1. 대상으로부터 얻어진 첫 번째 샘플 스코어링용 컴퓨터 구현 방법으로서,상기 방법은
    첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것; 및
    컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것을 포함하며, 상기 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것에 있어서,
    상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대한 정량 발현 데이터를 포함하고;
    상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3 TFCP2 또는 DDX18를 포함하고;
    용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함하고;
    용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19을 포함하고, 마커 8은 SPIB 또는 BLK을 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2을 포함하고;
    용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 마커 11은 S100A12 또는 MMP9을 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP을 포함하고, 마커 13은 S100A8 또는 NAMPT을 포함하고, 마커 14는 RPL28 또는 SSRP1을 포함하고;
    용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 마커 15는 S100A12 또는 MMP9을 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP을 포함하고, 마커 17은 S100A8 또는 NAMPT을 포함하고, 마커 18은 AQP9 또는 GLT1D1을 포함하고, 마커 19는 NCF4 또는 NCF2을 포함하고;
    용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 마커 20은 CASP5 또는 H3F3B을 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고; 및
    용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 마커 27은 SLAMF7 또는 CX3CR1을 포함하고, 마커 28은 KLRC4 또는 CD8A을 포함하고, 마커 29는 CD3D 또는 LCK을 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하며,
    상기 컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것은 상기 첫 번째 스코어를 통해 대상에서 CAD를 예측하는 것인, 컴퓨터 구현 방법.
  2. 제1항에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 2개 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것인, 컴퓨터 구현 방법.
  3. 제1항에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 3개 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것인, 컴퓨터 구현 방법.
  4. 제1항에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 4개 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것인, 컴퓨터 구현 방법.
  5. 제1항에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 5개 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것인, 컴퓨터 구현 방법.
  6. 제1항에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성되는 군에서 선택되는 6개 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것인, 컴퓨터 구현 방법.
  7. 제1항에 있어서, 상기 첫 번째 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들에 대한 정량 발현 데이터를 포함하는 것인, 컴퓨터 구현 방법.
  8. 제1항에 있어서, 상기 해석 함수는 예측 모델에 기반한 것인, 컴퓨터 구현 방법.
  9. 제8항에 있어서, 상기 첫 번째 데이터세트는 임상 인자를 더 포함하는 것인, 컴퓨터 구현 방법.
  10. 제9항에 있어서, 상기 임상 인자는 연령, 성별, 흉통 유형, 호중구 수치, 인종, 유병 기간, 확장기 혈압, 수축기 혈압, 가족력 변수, 병력 변수, 병 증상 변수, 키, 체중, 체-질량 지수, 안정시의 심박수 및 흡연/비흡연 상태로 구성된 군에서 선택되는 것인, 컴퓨터 구현 방법.
  11. 제8항에 있어서, 상기 예측 모델은 부분최소제곱 모델 (partial least squares model), 로지스틱 회귀분석 모델 (logistic regression model), 선형 회귀분석 모델 (linear regression model), 선형 판별분석 모델 (linear discriminant analysis model), 능형 회귀분석 모델 (ridge regression model) 및 트리-기반 반복 분할 모델 (tree-based recursive partitioning model)으로 구성된 군에서 선택되는 것인, 컴퓨터 구현 방법.
  12. 제1항에 있어서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 첫 번째 샘플을 얻고 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하는 것을 포함하는, 컴퓨터 구현 방법.
  13. 제1항에 있어서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하였던 제삼자로부터 첫 번째 데이터세트를 받는 것을 포함하는, 컴퓨터 구현 방법.
  14. 제1항에 있어서, 상기 방법은, 첫 번째 스코어에 따라서 상기 첫 번째 샘플을 분류하는 것을 더 포함하는, 컴퓨터 구현 방법.
  15. 제14항에 있어서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 존재 또는 CAD의 부재를 예측하는 것인, 컴퓨터 구현 방법.
  16. 제14항에 있어서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 정도 (extent)를 예측하는 것인, 컴퓨터 구현 방법.
  17. 제14항에 있어서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 위험성을 예측하는 것인, 컴퓨터 구현 방법.
  18. 제1항에 있어서, 상기 방법은, 첫 번째 스코어에 기초하여 CAD의 위험성을 평가하는 것을 더 포함하는, 컴퓨터 구현 방법.
  19. 제1항에 있어서, 상기 예측 모델의 수행은 0.68 내지 0.70 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  20. 제1항에 있어서, 상기 예측 모델의 수행은 0.70 내지 0.79 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  21. 제1항에 있어서, 상기 예측 모델의 수행은 0.80 내지 0.89 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  22. 제1항에 있어서, 상기 예측 모델의 수행은 0.90 내지 0.99 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  23. 제1항에 있어서, 상기 첫 번째 샘플은 말초혈액세포 (peripheral blood cell)를 포함하는, 컴퓨터 구현 방법.
  24. 제23항에 있어서, 상기 말초혈액세포는 백혈구를 포함하는, 컴퓨터 구현 방법.
  25. 제1항에 있어서, 상기 첫 번째 샘플은 말초혈액세포로부터 추출한 RNA를 포함하는, 컴퓨터 구현 방법.
  26. 제1항에 있어서, 상기 정량 발현 데이터는 혼성화 데이터로부터 유래된 것인, 컴퓨터 구현 방법.
  27. 제1항에 있어서, 상기 정량 발현 데이터는 중합효소 연쇄 반응 (polymerase chain reaction) 데이터로부터 유래된 것인, 컴퓨터 구현 방법.
  28. 제1항에 있어서, 상기 정량 발현 데이터는 항체 결합 분석 (antibody binding assay)으로부터 유래된 것인, 컴퓨터 구현 방법.
  29. 제1항에 있어서, 상기 첫 번째 데이터세트는 기억 장치에 저장된 것으로부터 얻어지는 것인, 컴퓨터 구현 방법.
  30. 제1항에 있어서, 상기 대상은 인간인, 컴퓨터 구현 방법.
  31. 제1항에 있어서, 상기 대상은 안정 흉통을 가지는, 컴퓨터 구현 방법.
  32. 제1항에 있어서, 상기 대상은 전형적 협심증 또는 비정형적 협심증 또는 협심증 또는 협심증 유사증상 (anginal equivalent)을 가지는, 컴퓨터 구현 방법.
  33. 제1항에 있어서, 상기 대상은 과거 심근경색증 진단을 받지 않은, 컴퓨터 구현 방법.
  34. 제1항에 있어서, 상기 대상은 혈관재생 (revascularization) 수술을 거치지 않은, 컴퓨터 구현 방법.
  35. 제1항에 있어서, 상기 대상은 당뇨병을 가지지 않는, 컴퓨터 구현 방법.
  36. 제1항에 있어서, 상기 대상은 염증 상태 또는 감염 상태에 있지 않는, 컴퓨터 구현 방법.
  37. 제1항에 있어서, 상기 대상은 현재 스테로이드, 면역억제제 또는 화학요법제를 복용하지 않는, 컴퓨터 구현 방법.
  38. 대상으로부터 얻어진 첫 번째 샘플 스코어링용 컴퓨터 구현 방법으로서, 상기 방법은
    첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것; 및
    컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것을 포함하며,
    상기 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것에 있어서, 첫 번째 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4 및 CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 발현 데이터를 포함하며,
    상기 컴퓨터 프로세서에 의하여, 해석 함수를 이용하여 첫 번째 데이터세트로부터 첫 번째 스코어를 결정하는 것은 첫 번째 스코어를 통해 대상에서 CAD를 예측하는 것인, 대상으로부터 얻어진 첫 번째 샘플 스코어링용 컴퓨터 구현 방법.
  39. 제38항에 있어서, 상기 첫 번째 데이터세트는 3개 이상의 마커에 대한 정량 발현 데이터를 포함하는 것을 특징으로 하는, 컴퓨터 구현 방법.
  40. 제38항에 있어서, 상기 첫 번째 데이터세트는 4개 이상의 마커에 대한 정량 발현 데이터를 포함하는 것을 특징으로 하는, 컴퓨터 구현 방법.
  41. 제38항에 있어서, 상기 첫 번째 데이터세트는 5개 이상의 마커에 대한 정량 발현 데이터를 포함하는 것을 특징으로 하는, 컴퓨터 구현 방법.
  42. 제38항에 있어서, 상기 첫 번째 데이터세트는 6개 이상의 마커에 대한 정량 발현 데이터를 포함하는 것을 특징으로 하는, 컴퓨터 구현 방법.
  43. 제38항에 있어서, 상기 해석 함수는 예측 모델에 기반한 것을 특징으로 하는, 컴퓨터 구현 방법.
  44. 제43항에 있어서, 상기 임상 인자는 연령 및/또는 성별인 것을 특징으로 하는, 컴퓨터 구현 방법.
  45. 제43항에 있어서, 상기 임상 인자는 연령, 성별, 흉통 유형, 호중구 수치, 인종, 유병 기간, 확장기 혈압, 수축기 혈압, 가족력 변수, 병력 변수, 병 증상 변수, 키, 체중, 체-질량 지수, 안정시의 심박수 및 흡연/비흡연 상태로 구성된 군에서 선택되는 것인, 컴퓨터 구현 방법.
  46. 제43항에 있어서, 상기 예측 모델은 부분최소제곱 모델 (partial least squares model), 로지스틱 회귀분석 모델 (logistic regression model), 선형 회귀분석 모델 (linear regression model), 선형 판별분석 모델 (linear discriminant analysis model), 능형 회귀분석 모델 (ridge regression model) 및 트리-기반 반복 분할 모델 (tree-based recursive partitioning model)으로 구성된 군에서 선택되는 것인, 컴퓨터 구현 방법.
  47. 제38항에 있어서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 첫 번째 샘플을 얻고 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하는 것을 포함하는, 컴퓨터 구현 방법.
  48. 제38항에 있어서, 첫 번째 샘플과 연관된 첫 번째 데이터세트를 얻는 것은, 상기 첫 번째 데이터세트를 실험적으로 결정하기 위하여 상기 첫 번째 샘플을 처리하였던 제삼자로부터 첫 번째 데이터세트를 받는 것을 포함하는, 컴퓨터 구현 방법.
  49. 제38항에 있어서, 상기 방법은, 첫 번째 스코어에 따라서 상기 첫 번째 샘플을 분류하는 것을 더 포함하는, 컴퓨터 구현 방법.
  50. 제49항에 있어서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 존재 또는 CAD의 부재를 예측하는 것인, 컴퓨터 구현 방법.
  51. 제49항에 있어서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 정도를 예측하는 것인, 컴퓨터 구현 방법.
  52. 제49항에 있어서, 상기 방법은, 상기 분류하는 것을 통해 대상에서 CAD의 위험성을 예측하는 것인, 컴퓨터 구현 방법.
  53. 제38항에 있어서, 상기 방법은, 첫 번째 스코어에 기초하여 CAD 위험성을 평가하는 것을 더 포함하는, 컴퓨터 구현 방법.
  54. 제38항에 있어서, 상기 예측 모델의 수행은 0.68 내지 0.70 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  55. 제38항에 있어서, 상기 예측 모델의 수행은 0.70 내지 0.79 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  56. 제38항에 있어서, 상기 예측 모델의 수행은 0.80 내지 0.89 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  57. 제38항에 있어서, 상기 예측 모델의 수행은 0.90 내지 0.99 범위의 곡선하면적 (area under the curve, AUC)이 특징인, 컴퓨터 구현 방법.
  58. 제38항에 있어서, 상기 첫 번째 샘플은 말초혈액세포 (peripheral blood cell)를 포함하는, 컴퓨터 구현 방법.
  59. 제58항에 있어서, 상기 말초혈액세포는 백혈구인, 컴퓨터 구현 방법.
  60. 제38항에 있어서, 상기 첫 번째 샘플은 말초혈액세포로부터 추출한 RNA를 포함하는, 컴퓨터 구현 방법.
  61. 제38항에 있어서, 상기 정량 발현 데이터는 혼성화 데이터 (hybridization data)로부터 유래된 것인, 컴퓨터 구현 방법.
  62. 제38항에 있어서, 상기 정량 발현 데이터는 중합효소 연쇄 반응 (polymerase chain reaction) 데이터로부터 유래된 것인, 컴퓨터 구현 방법.
  63. 제38항에 있어서, 상기 정량 발현 데이터는 항체 결합 분석 (antibody binding assay)으로부터 유래된 것인, 컴퓨터 구현 방법.
  64. 제38항에 있어서, 상기 첫 번째 데이터세트는 기억 장치 (storage memory)에 저장된 것으로부터 얻어지는 것인, 컴퓨터 구현 방법.
  65. 제38항에 있어서, 상기 대상은 인간인, 컴퓨터 구현 방법.
  66. 제38항에 있어서, 상기 대상은 안정 흉통 (stable chest pain)을 가지는, 컴퓨터 구현 방법.
  67. 제38항에 있어서, 상기 대상은 전형적 협심증 또는 비정형적 협심증 또는 협심증 유사증상 (anginal equivalent)을 가지는, 컴퓨터 구현 방법.
  68. 제38항에 있어서, 상기 대상은 과거 심근경색증 진단을 받지 않은, 컴퓨터 구현 방법.
  69. 제38항에 있어서, 상기 대상은 혈관재생 (revascularization) 수술을 거치지 않은, 컴퓨터 구현 방법.
  70. 제38항에 있어서, 상기 대상은 당뇨병을 가지지 않는, 컴퓨터 구현 방법.
  71. 제38항에 있어서, 상기 대상은 염증 상태 또는 감염 상태에 있지 않는, 컴퓨터 구현 방법.
  72. 제38항에 있어서, 상기 대상은 현재 스테로이드, 면역억제제 또는 화학요법제를 복용하지 않는 것을 특징으로 하는, 컴퓨터 구현 방법.
  73. 대상의 CAD 예측용 시스템으로서, 상기 시스템은
    대상으로부터 얻어진 샘플과 연관된 데이터세트 저장용 기억 장치; 및
    해석 함수를 이용하는 스코어 결정용 기억 장치에 연결되어 소통하는 프로세서로서 상기 스코어를 통해 대상에서 CAD를 예측하는 프로세서를 포함하며,
    상기 기억장치에 있어서, 상기 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대한 정량 발현 데이터를 포함하는 것이고;
    상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 여기에 있어서 마커 1은 AF161365을 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커3은 TFCP2 또는 DDX18를 포함하고;
    용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 여기에 있어서 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함하고;
    용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 여기에 있어서 마커 7은 CD79B 또는 CD19을 포함하고, 마커 8은 SPIB 또는 BLK을 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2을 포함하고;
    용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서 마커 11은 S100A12 또는 MMP9을 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP을 포함하고, 마커 13은 S100A8 또는 NAMPT을 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
    용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
    용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B을 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1를 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
    용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고, 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 대상의 CAD 예측용 시스템.
  74. 컴퓨터로 실행가능한 프로그램 코드를 저장하는 컴퓨터로 판독가능한 기록매체로서, 상기 기록매체는
    대상으로부터 얻어진 샘플과 연관된 데이터세트 저장용 프로그램 코드; 및
    해석 함수를 이용하는 스코어 결정용 프로그램 코드로서 상기 스코어를 통해 대상에서 CAD를 예측하는 프로그램 코드를 포함하며,
    상기 데이터세트 저장용 프로그램 코드에 있어서 상기 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대하여 정량 발현 데이터를 포함하고;
    상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 여기에 있어서 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3은 TFCP2 또는 DDX18를 포함하고;
    용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 여기에 있어서 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18를 포함하고;
    용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 여기에 있어서 마커 7은 CD79B 또는 CD19를 포함하고, 마커 8은 SPIB 또는 BLK를 포함하고, 마커 9는 CD3D 또는 LCK를 포함하고, 마커 10은 TMC8 또는 CCT2를 포함하고;
    용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서, 마커 11은 S100A12 또는 MMP9를 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP를 포함하고, 마커 13은 S100A8 또는 NAMPT를 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
    용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 상기 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
    용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B를 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
    용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 상기 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 컴퓨터로 판독가능한 기록매체.
  75. 대상의 CAD 예측용 방법으로서,
    대상으로부터 샘플을 얻는 단계로서 상기 샘플은 복수의 분석물을 포함하는 단계;
    상기 샘플과 시약을 접촉시키는 단계;
    상기 시약과 복수의 분석물 사이에서 복수의 복합체를 생성시키는 단계;
    상기 샘플과 연관된 데이터세트를 얻기 위하여 복수의 복합체를 검출하는 단계; 및
    해석 함수를 이용하는 데이터세트로부터 스코어를 결정하는 것을 포함하는 단계로서 상기 스코어를 통해 대상에서 CAD를 예측하는 단계를 포함하며,
    상기 복합체를 검출하는 단계에 있어서 상기 데이터세트는 용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7을 포함하는데,
    상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3은 TFCP2 또는 DDX18를 포함하고;
    용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18을 포함하고,
    용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19를 포함하고, 마커 8은 SPIB 또는 BLK를 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2를 포함하고;
    용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서, 마커 11은 S100A12 또는 MMP9를 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP를 포함하고, 마커 13은 S100A8 또는 NAMPT를 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
    용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 상기 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
    용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B를 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
    용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 상기 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 대상의 CAD 예측용 방법.
  76. 대상의 CAD 예측용 키트로서, 상기 키트는,
    용어 1, 용어 2, 용어 3, 용어 4, 용어 5, 용어 6 및 용어 7의 마커 세트들로 구성된 군에서 선택되는 하나 이상의 마커 세트에 대한 대상의 정량 발현 데이터로부터 얻어지는 샘플을 결정하기 위한 복수의 시약을 포함하는 시약의 세트; 및
    샘플로부터 정량 데이터를 결정하기 위하여 복수의 시약을 이용하는 지시서로서 상기 지시서는, 스코어를 결정하기 위한 명령을 포함하고 상기 스코어를 통해 대상에서 CAD를 예측하는 지시서를 포함하며,
    상기 용어 1은 마커 1, 마커 2 및 마커 3을 포함하는데, 마커 1은 AF161365를 포함하고, 마커 2는 HNRPF 또는 ACBD5를 포함하고, 마커 3은 TFCP2 또는 DDX18를 포함하고;
    용어 2는 마커 4, 마커 5 및 마커 6을 포함하는데, 마커 4는 AF289562 또는 CD248를 포함하고, 마커 5는 HNRPF 또는 ACBD5를 포함하고, 마커 6은 TFCP2 또는 DDX18을 포함하고;
    용어 3은 마커 7, 마커 8, 마커 9 및 마커 10을 포함하는데, 마커 7은 CD79B 또는 CD19를 포함하고, 마커 8은 SPIB 또는 BLK를 포함하고, 마커 9는 CD3D 또는 LCK을 포함하고, 마커 10은 TMC8 또는 CCT2를 포함하고;
    용어 4는 마커 11, 마커 12, 마커 13 및 마커 14를 포함하는데, 여기에 있어서, 마커 11은 S100A12 또는 MMP9를 포함하고, 마커 12는 CLEC4E 또는 ALOX5AP를 포함하고, 마커 13은 S100A8 또는 NAMPT를 포함하고, 마커 14는 RPL28 또는 SSRP1를 포함하고;
    용어 5는 마커 15, 마커 16, 마커 17, 마커 18 및 마커 19를 포함하는데, 여기에 있어서 상기 마커 15는 S100A12 또는 MMP9를 포함하고, 마커 16은 CLEC4E 또는 ALOX5AP를 포함하고, 마커 17은 S100A8 또는 NAMPT를 포함하고, 마커 18은 AQP9 또는 GLT1D1를 포함하고, 마커 19는 NCF4 또는 NCF2를 포함하고;
    용어 6은 마커 20, 마커 21, 마커 22, 마커 23, 마커 24, 마커 25 및 마커 26을 포함하는데, 여기에 있어서 마커 20은 CASP5 또는 H3F3B를 포함하고, 마커 21은 IL18RAP 또는 TXN을 포함하고, 마커 22는 TNFAIP6 또는 PLAUR을 포함하고, 마커 23은 IL8RB 또는 BCL2A1을 포함하고, 마커 24는 TNFRSF10C 또는 PTAFR를 포함하고, 마커 25는 KCNE3 또는 LAMP2를 포함하고, 마커 26은 TLR4 또는 TYROBP를 포함하고;
    용어 7은 마커 27, 마커 28, 마커 29 및 마커 30을 포함하는데, 여기에 있어서 상기 마커 27은 SLAMF7 또는 CX3CR1를 포함하고, 마커 28은 KLRC4 또는 CD8A를 포함하고 마커 29는 CD3D 또는 LCK를 포함하고, 마커 30은 TMC8 또는 CCT2를 포함하는 대상의 CAD 예측용 키트.
  77. 제76항에 있어서, 상기 지시서는 마이크로어레이 분석을 수행하라는 지시를 포함하는, 대상의 CAD 예측용 키트.
  78. 제76항에 있어서, 상기 지시는 중합효소 연쇄 반응 (polymerase chain reaction) 데이터를 수행하라는 지시를 포함하는, 대상의 CAD 예측용 키트.
  79. 대상의 CAD 예측용 시스템으로서, 상기 시스템은
    대상으로 얻어진 샘플과 연관된 데이터세트를 저장하기 위한 기억 장치; 및
    해석 함수를 이용하는 스코어 결정용 기억 장치에 연결되어 소통하는 프로세서로서 상기 스코어를 통해 대상에서 CAD를 예측하는 프로세서를 포함하며,
    상기 기억 장치에 있어서 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, and CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 발현 데이터를 포함하는 대상의 CAD 예측용 시스템.
  80. 컴퓨터로 실행가능한 프로그램 코드를 저장하는 컴퓨터로 판독가능한 기록매체로서, 상기 기록매체는
    대상으로부터 얻어진 샘플과 연관된 데이터세트 저장용 프로그램 코드; 및
    해석 함수를 이용하는 스코어 결정용 프로그램 코드로서, 상기 스코어를 통해 대상에서 CAD를 예측가능한 프로그램 코드를 포함하며,
    데이터세트 저장용 프로그램 코드에 있어서 상기 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4 및 CD8A로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 분석 데이터를 포함하는 컴퓨터로 판독가능한 기록매체.
  81. 대상의 CAD 예측용 방법으로서, 상기 방법은
    대상으로부터 샘플을 얻는 단계로서 상기 샘플은 복수의 분석물을 포함하는 단계;
    상기 샘플과 시약을 접촉시키는 단계;
    상기 시약과 복수의 분석물 사이에서 복수의 복합체를 생성시키는 단계;
    상기 샘플과 연관된 데이터세트를 얻기 위하여 복수의 복합체를 검출하는 단계; 및
    해석 함수를 이용하는 데이터세트로부터 스코어를 결정하는 것을 포함하는 단계로서 상기 스코어를 통해 대상에서 CAD를 예측하는 단계를 포함하며,
    상기 복합체를 검출하는 단계에 있어서 상기 데이터세트는 임상 인자 및 AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, and CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 정량 발현 데이터를 포함하는 대상의 CAD 예측용 방법.
  82. 대상의 CAD 예측용 키트로서,
    상기 키트는, AF161365, HNRPF, ACBD5, TFCP2, DDX18, AF289562, CD248, CD79B, CD19, SPIB, BLK, CD3D, LCK, TMC8, CCT2, S100A12, MMP9, CLEC4E, ALOX5AP, S100A8, NAMPT, RPL28, SSRP1, AQP9, GLT1D1, NCF4, NCF2, CASP5, H3F3B, IL18RAP, TXN, TNFAIP6, PLAUR, IL8RB, BCL2A1, TNFRSF10C, PTAFR, KCNE3, LAMP2, TLR4, TYROBP, SLAMF7, CX3CR1, KLRC4, 및 CD8A으로 구성된 군에서 선택되는 2개 이상의 마커에 대한 대상의 정량 발현 데이터로부터 얻어진 샘플을 결정하기 위한 복수의 시약을 포함하는 시약의 세트; 및
    샘플로부터 정량 데이터를 결정하기 위하여 복수의 시약을 이용하는 지시서로서 상기 지시서는 스코어를 결정하기 위한 명령을 포함하고 상기 스코어를 통해 대상에서 CAD를 예측하는 지시서를 포함하는, 대상의 CAD 예측용 키트.
KR1020127001127A 2009-06-15 2010-06-15 관상동맥질환 위험성의 결정 KR20120046171A (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US18720309P 2009-06-15 2009-06-15
US61/187,203 2009-06-15
US24519009P 2009-09-23 2009-09-23
US61/245,190 2009-09-23

Publications (1)

Publication Number Publication Date
KR20120046171A true KR20120046171A (ko) 2012-05-09

Family

ID=43356727

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020127001127A KR20120046171A (ko) 2009-06-15 2010-06-15 관상동맥질환 위험성의 결정

Country Status (13)

Country Link
US (3) US9122777B2 (ko)
EP (1) EP2443449B1 (ko)
JP (1) JP2012529914A (ko)
KR (1) KR20120046171A (ko)
CN (1) CN102803951A (ko)
AU (1) AU2010260152A1 (ko)
BR (1) BRPI1010693A2 (ko)
CA (1) CA2765145A1 (ko)
DK (1) DK2443449T3 (ko)
EA (1) EA201270020A1 (ko)
IL (1) IL216875A0 (ko)
SG (2) SG10201403152QA (ko)
WO (1) WO2010148017A1 (ko)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012006632A2 (en) 2010-07-09 2012-01-12 Somalogic, Inc. Lung cancer biomarkers and uses thereof
WO2010148017A1 (en) 2009-06-15 2010-12-23 Cardiodx, Inc. Determination of coronary artery disease risk.
BR112013003391B8 (pt) 2010-08-13 2022-10-25 Somalogic Inc Método para diagnosticar câncer pancreático em um indivíduo
WO2012094366A1 (en) * 2011-01-06 2012-07-12 Cardiodx, Inc. Circulating mirnas as biomarkers for coronary artery disease
CA3074279C (en) * 2011-09-30 2021-10-19 Somalogic, Inc. Cardiovascular risk event prediction and uses thereof
CN104101715A (zh) * 2014-07-15 2014-10-15 重庆医科大学附属儿童医院 检测dock8蛋白的试剂盒及非诊断目的检测dock8蛋白的方法
WO2016076899A1 (en) 2014-11-14 2016-05-19 Medidata Solutions, Inc. System and method for determining subject conditions in mobile health clinical trials
CA2991868A1 (en) 2015-07-31 2017-02-09 Vascular Biogenics Ltd. Motile sperm domain containing protein 2 and cancer
WO2017021855A2 (en) * 2015-07-31 2017-02-09 Vascular Biogenics Ltd. Motile sperm domain containing protein 2 and inflammation
CA2996191A1 (en) * 2015-09-01 2017-03-09 Cardiodx, Inc. Markers for coronary artery disease and uses thereof
US11056218B2 (en) 2016-05-31 2021-07-06 International Business Machines Corporation Identifying personalized time-varying predictive patterns of risk factors
CN106327476A (zh) * 2016-08-25 2017-01-11 于洋 一种ct图像处理方法及装置
US20180057882A1 (en) 2016-09-01 2018-03-01 The George Washington University Blood rna biomarkers of coronary artery disease
US10832815B2 (en) 2017-05-18 2020-11-10 International Business Machines Corporation Medical side effects tracking
CN107238712B (zh) * 2017-06-05 2018-12-28 中国人民解放军沈阳军区总医院 血浆s100a12在st段抬高型心肌梗死预后中的应用
CN107271681A (zh) * 2017-06-05 2017-10-20 中国人民解放军沈阳军区总医院 血浆s100a12在st段抬高型心肌梗死早期诊断中的应用
CN107292128A (zh) * 2017-06-27 2017-10-24 湖南农业大学 一种配对互作基因检测方法及预测模型
CN107937521B (zh) * 2017-11-19 2019-01-04 武汉迈特维尔生物科技有限公司 用于检测肾上腺皮质癌的试剂盒
US20210217485A1 (en) * 2018-01-15 2021-07-15 Chang Gung Memorial Hospital, Linkou Method of establishing a coronary artery disease prediction model for screening coronary artery disease
CN111354464B (zh) * 2018-12-24 2024-05-17 深圳先进技术研究院 Cad预测模型建立方法、装置以及电子设备
CN111789949A (zh) * 2019-04-08 2020-10-20 北京昱嘉科技集团有限公司 基于特异性趋化因子受体的阿尔兹海默病治疗靶点
RU2740246C1 (ru) * 2020-03-20 2021-01-12 Жанна Залкуфовна Отарова Способ определения высокого риска атеросклероза сонных артерий при ревматоидном артрите
IL301202A (en) 2020-09-10 2023-05-01 Vascular Biogenics Ltd Antibodies against MOTILE SPERM DOMAIN CONTAINING PROTEIN 2 and methods of using them
CN112835316B (zh) * 2021-01-06 2022-04-19 重庆医科大学 新生儿败血症休克预测系统及监控设备
CN113295874B (zh) * 2021-05-25 2022-03-04 广东源心再生医学有限公司 一种用于瓣膜性心脏病辅助诊断的新型标志物、辅助诊断的产品
CN113667739B (zh) * 2021-08-27 2023-12-26 河北医科大学第二医院 冠状动脉疾病的诊断标志物组合
CN113667740B (zh) * 2021-08-27 2023-12-26 河北医科大学第二医院 分子标志物组合在诊断心血管疾病中的应用

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020151479A1 (en) * 2000-01-31 2002-10-17 Rosen Craig A. Nucleic acids, proteins, and antibodies
US7235358B2 (en) * 2001-06-08 2007-06-26 Expression Diagnostics, Inc. Methods and compositions for diagnosing and monitoring transplant rejection
US20030099958A1 (en) * 2001-09-05 2003-05-29 Vitivity, Inc. Diagnosis and treatment of vascular disease
US20050032066A1 (en) * 2003-08-04 2005-02-10 Heng Chew Kiat Method for assessing risk of diseases with multiple contributing factors
US20070238124A1 (en) * 2003-10-16 2007-10-11 Chibout Salah D Differentially expressed genes related to coronary artery disease
JP2007515155A (ja) 2003-10-16 2007-06-14 ノバルティス アクチエンゲゼルシャフト 異なって発現される冠動脈疾患関連遺伝子
US20060099608A1 (en) * 2004-03-29 2006-05-11 Medstar Research Institute Methods of diagnosing cardiovascular disease
EP1907858A4 (en) * 2005-06-13 2009-04-08 Univ Michigan COMPOSITIONS AND METHODS OF TREATMENT AND DIAGNOSIS OF CANCER
US20070015170A1 (en) * 2005-07-12 2007-01-18 Oy Jurilab Ltd Method and kit for detecting a risk of coronary heart disease
EP1933880A4 (en) * 2005-09-09 2009-11-18 Quark Pharmaceuticals Inc OLIGORIBONUCLEOTIDES AND METHODS OF USE IN THE TREATMENT OF CARDIOVASCULAR DISEASES
US20080057590A1 (en) * 2006-06-07 2008-03-06 Mickey Urdea Markers associated with arteriovascular events and methods of use thereof
US20080300797A1 (en) * 2006-12-22 2008-12-04 Aviir, Inc. Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease
DK2471954T3 (en) 2007-02-21 2016-09-12 Decode Genetics Ehf Susceptibility genetic variants associated with cardiovascular diseases
US7695916B2 (en) * 2007-03-22 2010-04-13 Celera Corporation Genetic polymorphisms associated with coronary events and drug response, methods of detection and uses thereof
DK2155907T3 (da) 2007-04-30 2015-08-31 Decode Genetics Ehf Genetiske varianter nyttige til risikovurdering af koronararteriesygdom og myokardieinfarkt
EP2212441A2 (en) 2007-10-11 2010-08-04 Cardio Dx, Inc. Predictive models and methods for diagnosing and assessing coronary artery disease
WO2010038104A1 (en) * 2008-10-03 2010-04-08 INSERM (Institut National de la Santé et de la Recherche Médicale) Combination of cardiovascular risk factors for the diagnosis/prognosis of a cardiovascular disease/event.
WO2010148017A1 (en) 2009-06-15 2010-12-23 Cardiodx, Inc. Determination of coronary artery disease risk.

Also Published As

Publication number Publication date
IL216875A0 (en) 2012-02-29
EP2443449A4 (en) 2012-12-26
EP2443449A1 (en) 2012-04-25
DK2443449T3 (en) 2017-05-15
WO2010148017A1 (en) 2010-12-23
EP2443449B1 (en) 2017-04-12
US20140156198A1 (en) 2014-06-05
EA201270020A1 (ru) 2012-07-30
CN102803951A (zh) 2012-11-28
BRPI1010693A2 (pt) 2019-07-16
US9122777B2 (en) 2015-09-01
US8914240B2 (en) 2014-12-16
SG10201403152QA (en) 2014-08-28
AU2010260152A1 (en) 2012-02-02
US20110015865A1 (en) 2011-01-20
US20150315652A1 (en) 2015-11-05
JP2012529914A (ja) 2012-11-29
CA2765145A1 (en) 2010-12-23
SG176692A1 (en) 2012-01-30

Similar Documents

Publication Publication Date Title
DK2443449T3 (en) DETERMINATION OF RISK OF CORONARY ARTERY DISEASE
Wright et al. Diagnosis of Kawasaki disease using a minimal whole-blood gene expression signature
Elashoff et al. Development of a blood-based gene expression algorithm for assessment of obstructive coronary artery disease in non-diabetic patients
Park et al. Assessment and diagnostic relevance of novel serum biomarkers for early decision of ST-elevation myocardial infarction
Gomatos et al. Prognostic markers in acute pancreatitis
Su et al. Childhood asthma clusters reveal neutrophil‐predominant phenotype with distinct gene expression
Parkes et al. An integrated molecular diagnostic report for heart transplant biopsies using an ensemble of diagnostic algorithms
Kim et al. Gene expression profiles associated with acute myocardial infarction and risk of cardiovascular death
WO2018160548A1 (en) Markers for coronary artery disease and uses thereof
CA3000192C (en) Biomarkers and methods for assessing psoriatic arthritis disease activity
CA2710286A1 (en) Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease
JP2012501181A (ja) バイオマーカー・プロファイルを測定するためのシステムおよび方法
JP2014531202A (ja) 喫煙状態を判定するための方法および組成物
US20230018537A1 (en) Predicting and addressing severe disease in individuals with sepsis
WO2019139950A1 (en) Processes for genetic and clinical data evaluation and classification of complex human traits
EP3146077A1 (en) Tissue molecular signatures of kidney transplant rejections
CN115701286A (zh) 使用无循环mRNA谱分析检测阿尔茨海默病风险的系统和方法
Hassoun et al. Setting up of a machine learning algorithm for the identification of severe liver fibrosis profile in the general US population cohort
Tcheandjieu et al. High heritability of ascending aortic diameter and multi-ethnic prediction of thoracic aortic disease
KR20210016373A (ko) 아급성 (subacute) 이식 거부 및 다른 이식 상태들의 검출을 위한 전-게놈 (genome-wide) 분류자
US20230203584A1 (en) Methods of predicting aneurysms of the ascending and descending aorta
JP2011004743A (ja) 関節リウマチ患者におけるインフリキシマブ薬効の有効性を判別する方法
WO2015179771A2 (en) Molecular signatures for distinguishing liver transplant rejections or injuries
Halloran et al. Redefining the molecular rejection states in 3230 heart transplant biopsies: Relationships to parenchymal injury and graft survival
EP3344986A1 (en) Markers for coronary artery disease and uses thereof

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid