KR20200049861A - 미생물 관련 유의 지수 메트릭스 - Google Patents

미생물 관련 유의 지수 메트릭스 Download PDF

Info

Publication number
KR20200049861A
KR20200049861A KR1020207010694A KR20207010694A KR20200049861A KR 20200049861 A KR20200049861 A KR 20200049861A KR 1020207010694 A KR1020207010694 A KR 1020207010694A KR 20207010694 A KR20207010694 A KR 20207010694A KR 20200049861 A KR20200049861 A KR 20200049861A
Authority
KR
South Korea
Prior art keywords
microbial
determining
user
significance index
abundance
Prior art date
Application number
KR1020207010694A
Other languages
English (en)
Inventor
재커리 압테
제시카 리치맨
다니엘 알모나시드
파트리시오 라고스
리카르도 카스트로
파즈 타피아
Original Assignee
소마젠 인크
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 소마젠 인크 filed Critical 소마젠 인크
Publication of KR20200049861A publication Critical patent/KR20200049861A/ko

Links

Images

Classifications

    • 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
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • C12Q1/689—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for bacteria
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/112—Disease subtyping, staging or classification
    • 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
    • G01N33/98—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving alcohol, e.g. ethanol in breath
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

예를 들어 적어도 하나의 미생물-관련 컨디션을 특성화하기 위한, 방법 및/또는 시스템의 구현예로 다음을 포함할 수 있다: 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트(예를 들어, 양의 상관관계와 같은 양의 연관성, 음의 상관관계와 같은 음의 연관성 및 연관성이 없거나 최소의 상관관계와 같은 비-연관성 중 적어도 하나 등)를 결정하는 단계; 미생물 분류군 세트에 대한 레퍼런스 특징(예를 들어, 레퍼런스 풍부도 범위 등) 세트를 결정하는 단계; 및 레퍼런스 특징 세트 및 연관성 세트에 기초하여, 하나 이상의 유의 지수 메트릭(significance index metric)을 결정하는 단계.

Description

미생물 관련 유의 지수 메트릭스
본 출원은 2017년 9월 14일에 출원된 미국 가출원 시리얼 번호 62/558,489 의 우선권을 주장하며, 이들은 이의 전체가 본원에 참조로 포함된다.
마이크로바이옴(microbiome)은 유기체와 관련된 커멘설(commensal), 공생(symbiotic), 및 병원성 미생물의 생태 공동체를 포함할 수 있다. 인간의 마이크로바이옴의 특성화는 복잡한 프로세스이다. 인간의 마이크로바이옴은 인간 세포보다 10배를 초과하는 더 많은 미생물 세포를 포함하지만, 인간의 마이크로바이옴의 특성화는 샘플 가공 기술, 유전자 분석 기술 및 대량의 데이터를 가공하기 위한 자원의 한계로 인해 여전히 초기 단계에 있다. 현재의 지식은 여러 건강 컨디션과 연관된 마이크로바이옴의 역할을 명확하게 확립했으며, 인간 질병 발달에 대하여 점점 더 높이 평가되는 숙주 유전적 및 환경적 요인의 매개자가 되었다. 마이크로바이옴은 다수의 건강/질병-관련 상태에서 적어도 부분적인 역할을 하는 것으로 의심된다. 또한, 마이크로바이옴은 인간, 식물 및/또는 동물 건강에 대한 환경적 요인의 영향을 매개할 수 있다. 사용자의 건강에 영향을 미치는 마이크로바이옴의 깊은 의미를 고려하면, 마이크로바이옴의 특성화와 관련된 노력이 추구되어야 한다. 그러나, 인간의 마이크로바이옴을 분석하고 그리고/또는 얻은 통찰에 기초한 치료적 조치를 제공하기 위한 기존의 접근법은 많은 의문에 답하지 못하였다.
적어도 하나의 미생물-관련 컨디션을 특성화하기 위한, 방법 및/또는 시스템의 구현예로 다음을 포함할 수 있다:
미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트(예를 들어, 양의 상관관계와 같은 양의 연관성, 음의 상관관계와 같은 음의 연관성 및 연관성이 없거나 최소의 상관관계와 같은 비-연관성 중 적어도 하나 등)를 결정하는 단계; 미생물 분류군 세트에 대한 레퍼런스(reference, 기준) 특징(예를 들어, 레퍼런스 풍부도 범위 등) 세트를 결정하는 단계; 및 레퍼런스 특징 세트 및 연관성 세트에 기초하여, 하나 이상의 유의 지수 메트릭(significance index metric)을 결정하는 단계.
방법(100) 및/또는 시스템(200)의 구현예는 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션(예를 들어, 여기서 메트릭스가 미생물 조합과 하나 이상의 미생물-관련 컨디션 사이의 연관성의 객관적 측정을 제공할 수 있는 경우; 기타) 사이의 연관성을 특성화하는 하나 이상의 메트릭스(metrics)(예를 들어, 유의 지표 메트릭스)을 결정하는 기능을 할 수 있다. 특정 예에서, 유의 지수 메트릭스는 하나 이상의 사용자를 특성화(예를 들어, 사용자로부터의 새로운 사용자 샘플 등에 기초하여); 진단 용이화; 치료적 개입 용이화; 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션 사이의 관계와 관련한 통찰 발견(uncovering insights); 및/또는 임의의 다른 적절한 혜택을 부여하기 위해 사용될 수 있다.
도 1-2는 방법의 구현예의 변형을 나타내는 플로우챠트를 포함하며;
도 3은 시스템의 구현예를 포함하며;
도 4는 방법의 구현예의 변형을 나타내는 플로우챠트를 포함하며;
도 5는 방법의 구현예의 변형에서 유의 지수 메트릭 빈도의 그래프 표현을 포함하고;
도 6은 방법의 구현예의 변형에서 크론병 예측 머신 러닝 모델에 대한 메트릭스의 그래프 표현을 포함하고;
도 7a-7e는 방법의 구현예의 변형에서 카페인 소비 예측 머신 러닝 모델에 대한 메트릭스의 그래프 표현을 포함하고;
도 8a-8d는 유의 지수 메트릭스를 포함하는 통지의 예를 포함하고;
도 9는 방법의 구현예의 변형을 나타내는 개략도를 포함하며;
도 10은 하나 이상의 모델로 유의 지수 메트릭스를 결정하는 변형을 포함하고;
도 11은 방법의 구현예의 변형에서 치료적 개입을 용이하게 하는 것을 포함하고;
도 12는 방법의 구현예의 변형의 개략도를 포함하고;
도 13은 방법의 구현예의 변형의 개략도를 포함하고;
도 14는 방법의 구현예의 변형의 개략도를 포함하고;
도 15는 방법의 구현예의 변형의 개략도를 포함하고;
도 16은 방법의 구현예의 변형의 개략도를 포함한다.
이하의 구현들의 설명은 구현들을 한정하려는 것이 아니라, 어느 당업자가 만들고 사용할 수 있게 하기 위한 것이다.
1. 개요
도 1-2, 4 및 9에 도시된 바와 같이, 방법(100)의 구현예(예를 들어, 적어도 하나의 미생물-관련 컨디션 등을 특성화하기 위한 것 등)는 하기를 포함할 수 있다: 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트(예를 들어, 양의 상관관계와 같은 양의 연관성, 음의 상관관계와 같은 음의 연관성 및 연관성이 없거나 최소의 상관관계와 같은 비-연관성 중 적어도 하나 등)를 결정하는 단계 S110; 미생물 분류군 세트에 대한 레퍼런스 특징(예를 들어, 레퍼런스 풍부도 범위 등) 세트를 결정하는 단계 S120; 및 레퍼런스 특징 세트 및 연관성 세트에 기초하여, 하나 이상의 유의 지수 메트릭스(significance index metrics)를 결정하는 단계 S130.
특정 예에서, 방법 (100)은(예를 들어, 적어도 하나의 미생물-관련 컨디션 등을 특성화 하기 위한 것 등) 하기를 포함할 수 있다: 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트를 결정하는 단계로서, 여기서 연관성 세트는 양의 연관성, 음의 연관성 및 비-연관성 중 적어도 하나를 포함하는 단계; 적어도 하나의 미생물-관련 컨디션과 연관된; 미생물 분류군 세트에 대한 레퍼런스 풍부도 범위 및 연관성 세트를 결정하는 단계로서, 여기서 상기 레퍼런스 풍부도 범위는 적어도 하나의 미생물-관련 컨디션과 관련되며; 및/또는 미생물 분류군 세트에 대한 레퍼런스 풍부도 범위 및 연관성 세트에 기초하여, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트의 특성화와 연관된 유의 지수 메트릭(significance index metric)을 결정하는 단계.
상기 방법(100)의 구현예는 추가적으로 또는 대안적으로 다음 중 하나 이상을 포함할 수 있다: 하나 이상의 유의 지수 메트릭스에 기초하여 하나 이상의 미생물-관련 컨디션의 진단을 용이하게 하는 단계 S140; 하나 이상의 유의 지수 메트릭스에 기초하여 하나 이상의 미생물-관련 컨디션에 대한 치료적 개입을 용이하게 하는 단계 S150; 및/또는 임의의 다른 적절한 프로세스.
방법(100) 및/또는 시스템(200)의 구현예는 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션(예를 들어, 여기서 메트릭스가 미생물 조합과 하나 이상의 미생물-관련 컨디션 사이의 연관성의 객관적 측정을 제공할 수 있는 경우; 기타) 사이의 연관성을 특성화하는 하나 이상의 메트릭스(metrics)(예를 들어, 유의 지표 메트릭스)을 결정하는 기능을 할 수 있다. 특정 예에서, 유의 지수 메트릭스는 하나 이상의 사용자를 특성화(예를 들어, 사용자로부터의 새로운 사용자 샘플 등에 기초하여); 진단 용이화; 치료적 개입 용이화; 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션 사이의 관계와 관련한 통찰 발견(uncovering insights); 및/또는 임의의 다른 적절한 혜택을 부여하기 위해 사용될 수 있다.
특정 예에서, 방법(100)(예를 들어, 사용자와 관련하여 적어도 하나의 미생물-관련 컨디션을 특성화하기 위한 것 등)은 하기를 포함할 수 있다: 사용자로부터 샘플을 수집하는 단계로서, 여기서 샘플은 적어도 하나의 미생물-관련 컨디션을 포함하며; 샘플에 기초하여, 미생물과 연관된 사용자 마이크로바이옴 조성 특징을 결정하는 단계; 및/또는 사용자에 대해, 사용자 마이크로바이옴 조성 특징들(예를 들어, 미생물 분류군 세트에 대한 풍부도 범위 및/또는 레퍼런스 풍부도 등)에 기초하여, 사용자 마이크로바이옴과 적어도 하나의 미생물-관련 컨디션 사이의 연관성을 특성화 하는 유의 지수 메트릭, 미생물 분류군 세트와 연관된 레퍼런스 마이크로바이옴 조성 특징(예를 들어, 미생물 분류군 세트에 대한 풍부도 범위 및/또는 레퍼런스 풍부도 등), 및 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트를 결정하는 단계. 변형에서, 샘플 수집, 마이크로바이옴 특징 (예를 들어, 마이크로바이옴 조성 특징) 결정 및/또는 방법(100)의 구현예의 적절한 프로세스는 2018년 8월 28일에 출원된 미국 특허 출원 제16/115,542호 및/또는 2018년 7월 27일에 출원된 미국 특허 출원 제16/047,840호에 기술된 및/또는 이와 유사한 적절한 임의의 방식으로 수행될 수 있으며, 이들은 이의 전체가 본원에 참조로 포함된다.
추가적으로 또는 대안적으로, 상기 방법(100) 및/또는 시스템(200)의 구현예는 바이오마커로서 사용하기 위한(예를 들어, 진단 프로세스용, 치료 프로세스 용 등), 유의 지수(significance index) 결정에서의 사용과 같이, 마이크로바이옴 특징, 보충 특징(예를 들어, 보충 데이터로부터 도출된) 및/또는 하나 이상의 미생물-관련 컨디션과 연관된 다른 적절한 데이터(예를 들어, 이와 양의 상관관계인, 음의 상관관계인 것 등)를 식별하도록 기능 할 수 있다. 예로서, 미생물-관련 컨디션(및/또는 유의 지수 및/또는 다른 적절한 측면)은 적어도 하나 이상의 마이크로바이옴 조성(예를 들어, 마이크로바이옴 조성 다양성 등), 마이크로바이옴 기능(예를 들어, 마이크로바이옴 기능적 다양성 등), 및/또는 다른 적절한 마이크로바이옴-관련 특면 중 적어도 하나 이상과 관련될 수 있다.
추가적으로 또는 대안적으로, 방법(100) 및/또는 시스템(200)의 구현예는 예를 들어, 다수의 분류군과 다수의 미생물-관련 컨디션 사이의 다수의 연관성을 특성화 하는 것과 관련하여(예를 들어, 임의의 수의 분류군이 임의의 적절한 수치 관계로 임의의 수의 미생물-관련 조건과 연관될 수 있는 경우; 등), 미생물-관련 컨디션의 패널(panel)(예를 들어, 컨디션 유형(type)에 의해 분류된 패널 등)에 대한 하나 이상의 메트릭스(예를 들어, 유의 지수 메트릭스)를 결정하는 기능을 할 수 있다. 추가적으로 또는 대안적으로, 구현예는 본 명세서에서 설명된 임의의 적절한 기능을 수행할 수 있다.
변형 예에서, 사용자 집단(예를 들어, 하나 이상의 미생물-관련 컨디션과 양의 상관, 음의 상관, 무관의 관계가 있는; 하나 이상의 미생물-관련 컨디션과 관련된 대상자 집단; 과학적인 상호 심사 논문과 같은 정보 소스에서 파생된 데이터 등)으로부터의 데이터는, 미생물-관련 건강 상태 및/또는 개선 영역(예를 들어, 진단 목적 등을 위해)을 지시하는 것과 같이, 예를 들어 후속 사용자(subsequent users)의 특성화를 위한, 유의 지수 메트릭스를 결정하기 위해, 및/또는 예를 들어 하나 이상의 미생물-관련 컨디션과 연관된, 치료적 개입(예를 들어, 하나 이상의 요법의 촉진; 하나 이상의 미생물-관련 컨디션과 관련된 향상된 건강 상태와 상관된 상태와 같은, 하나 이상의 원하는 평형 상태의 세트를 향한 사용자의 마이크로바이옴의 조성 및/또는 기능적 다양성의 조절을 용이하게 하는 것; 등)을 용이하게 하기 위해 사용될 수 있다. 방법(100)의 변형은, 하나 이상의 미생물-관련 컨디션과 같은, 시간의 경과에 따른 보충 데이터 프로세싱에 대해 추가적으도 또는 대안적으로, 신체 부위에 걸쳐(예를 들어, 코 부위, 내장 부위, 입 부위, 피부 부위, 생식기 부위와 같은 특정 신체 부위 유형에 대응하는 수집 부위와 같은, 사용자의 샘플 수집 부위; 등에 걸쳐), 시간의 경과에 따른(over time)(예를 들어, 요법 레지멘(regimen)의 코스 동안, 미생물-관련 컨디션을 가진 사용자의 경험의 정도 등을 통해; 도 13에 나타난 바와 같이; 등) 사용자로부터의 추가 샘플의 수집 및 분석(예를 들어, 유의 지수 모델을 이용한)을 통해서와 같이, 사용자에게 제공되는 요법의 선택, 모니터링(예를 들어, 효능 모니터링, 등) 및/또는 요법의 조절을 추가로 용이하게 할 수 있다.
변형 예에서, 방법(100) 및/또는 시스템(200)의 구현예는 2018년 7월 27일에 출원된 미국 특허출원 제16/047,840호에 기술된 특성화 및/또는 요법과 같은 하나 이상의 미생물-관련 컨디션과 연관된 하나 이상의 미생물-관련 특성화 및/또는 요법을 결정하기 위한 유의 지수 메트릭스를 결정할 수 있으며, 이는 본원에 그 전체가 참조로 포함된다.
방법(100) 및/또는 시스템(200)의 구현예는 추가로 또는 대안적으로 하나 이상의 미생물-관련 컨디션에 대한 특성화 (예를 들어, 진단 등) 및/또는 요법을 생성 및/또는 촉진(예를 들어, 제공, 제공, 관련 통지 등)할 수 있다.
미생물-관련 컨디션은 하기 중 하나 이상을 포함할 수 있다: 질병, 증상, 원인(예를 들어, 트리거(triggers) 등), 장애, 연관 위험(associated risk)(예를 들어, 성향 스코어 등), 연관 중증도, 행동(예를 들어, 카페인 소비, 알코올 소비, 당 소비, 습관, 식이요법 등), 및/또는 미생물-관련 컨디션과 연관된 임의의 다른 적절한 측면. 미생물-관련 컨디션은 하기 중 임의의 하나 이상을 포함할 수 있는 하나 이상의 질병-관련 컨디션을 포함할 수 있다: 위장-관련 컨디션(예를 들어, 과민성 대장 증후군, 염증성 장 질환, 궤양성 대장염, 섹리악병, 크론병, 블로우팅(bloating), 치질 질환, 변비, 역류, 혈변, 설사 등); 알레르기-관련 컨디션(예를 들어, 밀, 글루텐, 유제품, 콩, 땅콩, 조개, 견과류, 계란 등과 관련된 알레르기 및/또는 과민증(intolerance)); 운동-관련 컨디션(예를 들어, 통풍, 류마티스 관절염, 골관절염, 반응성 관절염, 다발성 경화증, 파킨슨 병 등); 암-관련 컨디션(예를 들어, 림프종; 백혈병; 모세포종; 생식 세포 종양; 암종; 육종; 유방암; 전립선 암; 기저 세포 암; 피부암; 결장암; 폐암; 임의의 적합한 생리학적 영역과 관련된 암 컨디션; 등); 심혈관-관련 컨디션(예를 들어, 관상동맥 심장 질환; 염증성 심장 질환; 판막 심장 질환; 비만; 뇌졸중; 등); 빈혈 컨디션(예, 지중해 빈혈증(thalassemia); 겸상 적혈구; 악성(pernicious); 판코니(fanconi); 혈우병; 재생불량성(aplastic); 철분 결핍 등), 신경-관련 컨디션(예를 들어, ADHD, ADD, 불안, 아스퍼거 증후군, 자폐증, 만성 피로 증후군, 우울증 등); 자가면역-관련 컨디션(예를 들어, 스프루(Sprue), AIDS, 쇼그렌(Sjogren's), 루푸스 등); 내분비-관련 컨디션(예를 들어, 비만, 그레이브스 병, 하시모토 갑상선염, 대사성 질환, I형 당뇨병, II형 당뇨병 등); 피부-관련 컨디션(예를 들어, 여드름, 피부염, 습진, 주사비(rosacea), 건성 피부, 건선, 비듬, 광과민성, 거친 피부, 가려움증(itching), 플레이킹(flaking), 스케일링, 벗겨짐(peeling), 미세한 선 또는 균열, 어두운 피부를 가진 개체의 회색 피부, 발적, 피가 나고 감염을 일으킬 수 있는 균열과 같은 깊은 균열, 두피의 피부 가려움증 및 스케일링, 자극성 지성 피부와 같은 지성 피부, 모발 관리 제품과 같은 제품에 대한 피부 민감도, 두피 마이크로바이옴의 불균형 등); 라임병 컨디션; 의사소통-관련 컨디션; 수면-관련 컨디션; 대사-관련 컨디션, 체중-관련 컨디션, 통증-관련 컨디션, 유전자-관련 컨디션, 만성 질환, 및/또는 임의의 다른 적정한 유형의 질병-관련 컨디션.
변형에서, 미생물-관련 컨디션은 2018년 8월 28일에 출원된 미국 특허 출원 제16/115,542호에 기술된 하나 이상의 여성의 건강-관련 컨디션(예를 들어, 생식계-관련 컨디션 등)을 포함할 수 있으며, 이들은 이의 전체가 본원에 참조로 포함되고, 예를 들어 여기서 유의 지수 메트릭스는 하나 이상의 여성의 건강-관련 컨디션 및/또는 다른 적절한 미생물-관련 컨디션에 대해 결정 및/또는 사용될 수 있다.
추가로 또는 대안적으로, 미생물-관련 컨디션은 하기 중 임의의 하나 이상을 포함할 수 있는 인간 행동 컨디션의 하나 이상을 포함할 수 있다: 식이(diet)-관련 컨디션(예를 들어, 카페인 소비, 알코올 소비, 당 소비, 인공 감미료 소비, 잡식성, 채식주의자, 완전 채식주의자, 설탕 소비, 산 소비 다른 음식 품목 소비, 식이 보충제 소비, 식이 행동 등), 프로바이오틱-관련 행동(예, 소비, 회피 등), 습관적 행동(예를 들어, 흡연; 저, 중 및/또는 극한 운동 컨디션과 같은 운동 컨디션 등), 폐경기, 다른 생물학적 프로세스, 사회적 행동, 다른 행동 및/또는 임의의 다른 적절한 인간 행동 컨디션. 컨디션은 임의의 적절한 표현형(예를 들어, 인간, 동물, 식물, 균체(fungi body)에 대해 측정 가능한 표현형, 등)과 연관될 수 있다. 변형에서, 방법(100) 및/또는 시스템(200)의 구현예의 일부는, 하나 이상의 유의 지수 메트릭스에 기초하는 바와 같이, 하나 이상의 미생물-관련 컨디션(예를 들어, 피부-관련 컨디션 등)을 겪고 있는 사용자에 대한 하나 이상의 표적된 요법의 촉진(예를 들어, 제공, 추천 등)을 용이하게 하기 위해 사용될 수있다.
변형 예에서, 샘플(예를 들어, 본 명세서에 기재된)은 내장 수집 부위(예를 들어, 내장 부위의 신체 부위 유형에 상응함), 피부 수집 부위(예를 들어, 피부 부위의 신체 부위 유형에 상응함), 코 수집 부위(예를 들어, 코 부위의 신체 부위 유형에 상응함), 입 수집 부위(예를 들어, 입 부위의 신체 부위 유형에 상응함), 및 생식기 수집 부위(예를 들어, 생식기 부위의 신체 부위 유형에 상응함) 중 적어도 하나를 포함하는 하나 이상의 수집 부위에 상응할 수 있다.
상기 방법(100) 및/또는 시스템(200)의 구현예는 미생물-관련 특성화에 대해 사용자로부터 하나 이상의 생물학적 샘플(예, 하나 이상의 수집 부위에 걸쳐 수집된)을 프로세싱하기 위한 유의 지수 결정 프로세스, 그리고/또는 하나 이상의 샘플 핸들링 프로세스를 적용하는 것과 관련된 것과 같이, 단일 사용자에 대해, 사용자에 대한 유의 지수 메트릭을 결정하고, 마이크로바이옴-관련 특성화, 치료적 개입 용이화, 및/또는 다른 적합한 목적을 위해 실행될 수 있다. 추가적으로 또는 대안적으로, 구현예는, 대상자 집단(population of subject)(예, 사용자 포함, 사용자 불포함)에 대해 실행될 수 있으며, 여기서 대상자 집단은 어느 적절한 유형의 특성(예, 미생물-관련 컨디션, 인구통계 특징, 행동, 마이크로바이옴 조성 및/또는 기능 등과 관련된)에 대해 어느 다른 대상자와 유사하거나 그리고/또는 유사하지 않은 대상자를 포함할 수 있으며; 사용자의 서브그룹(예, 미생물-관련 특성화 및/또는 요법 결정 등에 영향을 미치는 특성과 같은 특성을 공유하는)에 대해 실행될 수 있으며; 식물, 동물, 미생물, 및/또는 어느 다른 적절한 엔티티(entities) 등에 대해 실행될 수 있다. 따라서, 대상자 세트(예, 대상자 집단, 대상자 세트, 사용자 서브그룹 등)로부터 도출된 정보는 후속 사용자에 대해 추가의 통찰을 제공하도록 사용될 수 있다. 변형으로, 생물학적 샘플의 총 세트는 하기 중 하나 이상의 사용자를 포함하는 것과 같이, 광범위하게 다양한 사용자들과 관련되고 프로세싱된다: 상이한 인구 통계(예를 들어, 성별, 연령, 결혼 상태, 민족, 국적, 사회경제적 상태, 성적 취향 등), 상이한 미생물-관련 컨디션(예, 건강 및 질병 상태; 상이한 유전자 성향 등), 상이한 생활 상황(예, 혼자 사는 것, 애완 동물과 함께 사는 것, 중요한 다른 사람과 함께 사는 것, 아이와 함께 사는 것 등), 상이한 다이어트 습관(예, 잡식성, 채식주의자, 완전 채식주의자, 설탕 소비, 산 소비, 카페인 소비 등), 상이한 행동 경향(예를 들어, 신체 활동 수준, 약물 사용, 알코올 사용 등), 상이한 수준의 이동성(예를 들어, 주어진 시간 내에 이동한 거리 관련) 및/또는 어느 다른 적합한 특성(예를 들어, 마이크로바이옴 조성 및/또는 기능에 영향을 미치는 특성, 이와 상관 관계가 있는 특성 및/또는 기타 이와 관련된 특성 등). 예를 들어, 사용자의 수가 증가함에 따라, 상기 방법(100) 및/또는 시스템(200)의 일부에서 구현된 프로세스의 예측력은, (예를 들어, 사용자에 대한 샘플을 위한 상이한 수집 부위와 관련하여) 이들의 마이크로바이옴에 기초하여 후속 사용자들(예를 들어, 다양한 특성을 갖는 등)의 특성화에 관련된 것과 같이, 증가할 수 있다. 그러나, 상기 방법(100) 및/또는 시스템(200)의 구현예의 일부는 임의의 적절한 엔티티 또는 엔티티들에 대해 임의의 적절한 방식으로 수행 및/또는 구성될 수 있다.
변형으로, 방법(100)의 구현의 일부는 어느 적절한 순서로 반복적으로 수행될 수 있으며 및/또는 시스템(200)의 구현의 어느 적절한 구성 요소는, 예컨대 방법(100)의 구현의 어느 적절한 부분 및/또는 시스템(200)의 구현예의 임의의 적절한 구성 요소를 개선하도록 반복적으로 적용될 수 있다. 변형으로, 방법(100)은, 예를 들어, 추가 정보 소스, 샘플(예를 들어, 시간에 걸쳐 대상자로부터 수집된 샘플, 하나 이상의 미생물-관련 컨디션 및/또는 치료적 개입 등) 및/또는 다른 적합한 구성을 수집 및 분석함으로써, 하나 이상의 미생물-관련 데이터베이스의 개량(refine)(예를 들어, 미생물 분류군과 미생물-관련 컨디션 사이의 연관성 포함; 효과 크기 메트릭스 포함; 레퍼런스 풍부도 범위와 같은 레퍼런스 마이크로바이옴 특징을 포함; 등)을 가능하게 하기 위해 반복적으로 수행될 수 있다. 변형에서, 방법(100)은 유의 지수 메트릭스와 관련된 정확도 및/또는 다른 적절한 측면을 개선하기 위해 유의 지수 메트릭스를 결정하기 위한 정제 프로세스를 포함할 수 있다.
본원에 기술된 데이터(예를 들어, 유의 지수 메트릭스, 효과 크기 메트릭스, 분류군 식별자(identifiers), 연관성, 마이크로바이옴 특징, 사용자 특징, 레퍼런스 특징, 미생물 데이터베이스, 모델들, 미생물-관련 특성화, 보충 데이터, 통지 등)는 임의의 적절한 시간적 지표(예를 들어, 초, 분, 시간, 일, 주, 월, 년, 등)와 연관될 수 있으며, 이는 다음 중 하나 이상을 포함한다: 데이터가 수집된(예를 들어, 샘플이 수집된 시기를 나타내는 시간적 지표 등), 결정된, 전송된, 수신된, 및/또는 그렇지 않으면 다르게 프로세싱된 시기를 나타내는 시간적 지표; 데이터에 의해 기술된 콘텐츠에 컨텍스트를 제공하는 시간적 지표(예를 들어, 유의 지수 메트릭스와 관련된 시간적 지표 등); 시간적 지표의 변화(예를 들어, 요법을 받는 것에 대한 반응과 같은 시간 경과에 따른 미생물-관련 특성화의 변화; 샘플 수집, 샘플 분석, 미생물-관련 특성화 또는 사용자에게 요법의 제공, 및/또는 상기 방법(100)의 다른 적절한 부분의 지연 등); 및/또는 시간과 관련된 다른 적절한 지표.
추가적으로 또는 대안적으로, 파라미터, 메트릭스, 입력(input), 출력(output) 및/또는 다른 적합한 데이터는 하기를 포함하는 값 유형(value type)과 관련될 수 있다: 스코어(예를 들어, 성향 스코어; 특징 관련성 스코어; 상관 스코어, 공분산 스코어, 마이크로바이옴 다양성 스코어, 심각도(severity, 중증도) 스코어 등), 개별 값(예를 들어, 상이한 컨디션, 상이한 수집 부위 등에 대한, 컨디션 성향 스코어와 같은, 개별 미생물-관련 스코어 등), 집계 값(예를 들어, 상이한 컨디션, 상이한 수집 부위, 분류군 등에 대한 개별 미생물-관련 스코어에 기초한 전체 스코어 등), 이진 값(binary values)(예를 들어, 건강 샘플 또는 미생물-관련 컨디션에 존재하는 샘플 등의 분류 등), 상대 값(예를 들어, 상대적 분류학적 그룹 풍부도, 상대적 마이크로바이옴 기능적 풍부도, 상대적 특징 풍부도 등), 분류(예를 들어, 사용자에 대한 미생물-관련 컨디션 분류 및/또는 진단; 컨디션에 대한 미생물-관련 컨디션 클러스터 분류; 특징 분류; 행동 분류; 인구통계 분류 등), 신뢰 수준(예를 들어, 유의 지수 메트릭스 및/또는 다른 적절한 데이터 등과 연관된 것 등), 식별자(identifiers), 스펙트럼에 따른 값 및/또는 어느 다른 적합한 유형의 값. 본원에 기술된 임의의 적합한 유형의 데이터는(예를 들어, 본원에 기술된 상이한 분석 기술, 모델 및/또는 다른 적합한 구성 요소에 대한) 입력으로서 사용될 수 있고, (예를 들어, 상이한 분석 기술, 모듈 등의) 출력으로서 생성될 수 있고, 그리고/또는 상기 방법(100) 및/또는 시스템(200)과 관련된 임의의 적합한 구성 요소에 대해 임의의 적절한 방식으로 조작될 수 있다.
본원에 기술된 방법(100) 및/또는 프로세스의 하나 이상의 인스탄스(instances) 및/또는 일부는, 이벤트(예를 들어, 상기 방법(100)의 일부의 수행)를 트리거 하기 위해, 시간적 관계에서(예를 들어, 실질적으로 동시에, 이에 반응하여, 순차적으로, 이전에, 후속적으로 등), 비동기적으로(asynchronously)(예를 들어, 순차적으로), 동시에(예를 들어, 병렬 데이터 프로세싱; 동시 교차-컨디션 분석; 다중 샘플 프로세싱; 미생물-관련 컨디션의 패널을 실질적으로 동시에 평가하기 위한 샘플 프로세싱 및 분석 수행; 유의 지수 메트릭스, 미생물 데이터세트, 마이크로바이옴 특징을 컴퓨터로 결정하고, 그리고/또는 복수의 사용자에 대해 병렬로 미생물-관련 컨디션을 특성화하는 것; 예를 들어, 시스템 프로세싱 능력을 향상시키기 위해 병렬적 컴퓨팅을 위한 상이한 스레드(threads) 상에서 동시에 하는 것과 같이), 그리고/또는 상기 시스템(200)의 하나 이상의 인스탄스, 구성 요소, 및/또는 본원에 기술된 엔티티를 이용함으로써 그리고/또는 이용하여 임의의 적절한 시간 및 빈도로 어느 적절한 순서로, 수행될 수 있다.
추가적으로 또는 대안적으로, 상기 방법(100) 및/또는 시스템(200)의 구현예는, 하나 이상의 유의 지수 메트릭스 결정에 사용가능한 미생물 데이터세트 및/또는 마이크로바이옴 특징을 결정하기 위해, 2018년 8월 28일에 출원된 미국 특허 출원 제16/115,542호에 기술된 임의의 적절한 샘플 프로세싱 작업을 수행할 수 있다. 예를 들어, 상기 방법(100) 및/또는 시스템(200)은, 하나 이상의 생물학적 샘플을 시퀀싱하기 위해(예를 들어, 생물학적 샘플 등으로부터 미생물 핵산을 시퀀싱하기 위해), 하나 이상의 시퀀싱 시스템(215)(예를 들어, 차세대 시퀀싱 시스템, 표적화된 앰플리콘 시퀀싱을 위한 시퀀싱 시스템, 시퀀싱-합성 기술, 캐필러리 시퀀싱 기술, 생거 시퀀싱 기술, 파이로시퀀싱 기술, 나노포어 시퀀싱 기술 등)의 적용에 기초하여 미생물 시퀀싱 데이터세트 및/또는 다른 적절한 미생물 데이터를 만들 수 있다. 차세대 시퀀싱 시스템(예를 들어, 차세대 시퀀싱 플랫폼 등)은 고-처리량 시퀀싱(예를 들어, 고-처리량 시퀀싱 기술; 대규모 병렬 시그네이처 시퀀싱, 폴로니 시퀀싱, 454 파이로시퀀싱, 일루미나 시퀀싱, SOLiD 시퀀싱, Ion Torrent 반도체 시퀀싱, DNA 나노볼 시퀀싱, Heliscope 단일 분자 시퀀싱, 단일 분자 실시간(SMRT) 시퀀싱, Nanopore DNA 시퀀싱 등을 통해 용이하게 된), 임의의 세대 번호의 시퀀싱 기술(예를 들어, 차세대 시퀀싱 기술, 3세대 시퀀싱 기술, 4세대 시퀀싱 기술 등), 앰플리콘-연관 시퀀싱(예를 들어, 표적화된 앰플리콘 시퀀싱), 합성에 의한 시퀀싱(sequencing-by-synthesis), 터널링 전류 시퀀싱, 하이브리드화에 의한 시퀀싱, 질량 분석법 시퀀싱, 현미경-기반 기술, 및/또는 임의의 적절한 차세대 시퀀싱 기술을 위해 임의의 적절한 시퀀싱 시스템을 포함할 수 있다.
도 3에 도시된 바와 같이, (예를 들어, 미생물-관련 컨디션을 특성화하기 위한) 시스템(200)의 구현예는 다음 중 어느 하나 이상을 포함할 수 있다: 미생물 데이터세트(예를 들어, 미생물 유전 서열; 미생물 서열 데이터세트 등)의 결정을 용이하게 하기 위해, 하나 이상의 사용자(예를 들어, 인간 대상자, 환자, 동물 대상자, 환경 생태계, 보살핌 제공자 등)로부터 생물학적 샘플(예를 들어, 사용자에 의해 수집되고, 전처리 시약을 포함하는 용기에 포함된 것 등)을 수집 및/또는 가공하기 위해 작동가능한 취급 시스템(예를 들어, 샘플 취급 시스템; 시퀀싱 시스템 215 등을 포함)(210); 유의 지수 메트릭스를 결정하도록 작동가능한 미생물-관련 특성화 시스템(220)(예를 들어, 미생물 데이터세트 및/또는 다른 적절한 데이터 등에 기초한 것과 같은, 마이크로바이옴 조성 특징; 마이크로바이옴 기능적 특징; 다양성 특징; 상대적 풍부도 범위 등); 미생물-관련 특성화(예를 들어, 미생물-관련 컨디션 특성화, 요법-관련 특성화, 사용자를 위한 특성화 등); (예를 들어, 하나 이상의 맹장-관련 컨디션 등을 위하여 하나 이상의 맹장-관련 컨디션에 기초한) 하나 이상의 미생물-관련 컨디션을 위해 치료적 개입(예를 들어, 요법 촉진 것 등)을 용이하게 하도록 작동가능한 요법 용이화 시스템(230); 유의 지수 메트릭스 및/또는 임의의 적절한 데이터를 나타내기 위한 인터페이스(240); 하나 이상의 샘플을 수집하기 위한 샘플 키트(250); 및/또는 다른 적절한 구성 요소. 상기 시스템(200)의 구현예의 구성 요소는 일반적으로 별개의 구성 요소로서 기술되지만, 이들은 물리적 및/또는 논리적으로 임의의 방식으로 통합될 수 있다. 일 예에서, 상기 시스템(200)의 구현은 요법 용이화 시스템(230)을 생략할 수 있다. 추가적으로 또는 대안적으로, 상기 시스템(200)의 구현예의 기능은 임의의 적절한 시스템 구성 요소들 사이에 임의의 적절한 방식으로 분배될 수 있다. 그러나, 상기 시스템(200)의 구현예의 구성 요소는 임의의 적합한 방식으로 구성될 수 있다.
그러나, 방법(100) 및/또는 시스템 (200)은 임의의 적절한 방식으로 구성될 수 있다.
2.1 연관성 세트의 결정
방법(100)의 구현예는 하나 이상의 미생물 분류군과 하나 이상의 미생물-관련 컨디션 사이의 연관성 세트를 결정하는 단계 S110를 포함할 수 있으며, 이는 유의 지수 메트릭스의 결정에 사용하기 위한 연관성을 결정하는 기능을 할 수 있다.
연관성은 임의의 하나 이상의 양의 연관성(예를 들어, 양의 상관, 인과적 연관 등); 음의 연관성(예를 들어, 음의 상관성, 인과적 연관성 등); 비-연관성(예를 들어, 상관 관계 없음 등); 및/또는 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션 간의 임의의 다른 유형의 연관성(예를 들어, 관계, 사이의 연결 등).
임의의 적합한 수의 분류군은 임의의 적합한 수치 관계(예를 들어, 1 내지 다수; 다수 내지 1, 등)에서, 임의의 적합한 수의 미생물-관련 컨디션과 관련될 수 있다.
연관성 세트의 결정은 프로세싱 컨디션-관련 정보 소스(예를 들어, 과학 문헌, 임상 시험 등과 같은 제3자 정보 소스, 컨디션에 관한 정보를 포함하는 소스, 관련 미생물 분류군, 관련 마커, 독점 소스(proprietary source), 제1자(first parties) 소스 등)을 포함할 수 있다. 변형으로, 블록 S110은 (예를 들어, 마커의 인간 큐레이션(curation), 연관성, 효과 크기, 효과 크기 계산을 위해 사용가능한 데이터, 및/또는 관련 정보 등으로) 컨디션-관련 정보 소스를 수동으로 프로세싱하여 연관성 세트 및/또는 다른 적절한 파라미터를 결정하는 단계를 포함할 수 있다. 다른 변형에서, 블록 S110은 컨디션-관련 정보 소스를 자동으로 처리하는 것을 포함할 수 있다. 예를 들어, 블록 S110은 하기를 포함할 수 있다: 온라인 정보 소스들의 리스트를 생성하는 단계; 리스트에 기초하여 온라인 정보 소스를 얻는 단계; 온라인 정보 소스를 프로세싱하여 (예를 들어, 자연 언어(natural language) 프로세싱 기술 등을 적용하여) 분류군, 관련 컨디션 및/또는 기타 관련 데이터 세트를 추출하여 관련성 세트 및/또는 다른 적절한 데이터를 생성하는 단계를 포함한다. 다른 예에서, 정보 소스를 자동으로 처리하는 것은 하나 이상의 미생물-관련 컨디션과 관련된 분류의 유형을 추출하는 것과 같이, 정보 소스를 분석하기 위해, 자연 언어 처리 접근법 및/또는 다른 적절한 접근법을 적용하는 것을 포함할 수 있다.
변형에서, 연관성 세트를 결정하는 단계는 하나 이상의 컨디션에 기초할 수 있다(예를 들어, 컨디션이 충족되는 경우, 하나 이상의 유의 지수 메트릭스 결정에서 다운스트림 프로세싱을 위한 것과 같은 연관성을 사용하는 것; 상기 연관성을 이용하여 미생물-관련 데이터베이스를 이용하여 업데이트 하는 것 등). 컨디션은 하기 중 하나 이상을 포함할 수 있다: 인간 또는 동물과 같은 대상 유형, 인간 또는 동물에 관한 특성과 관련된 것과 같은 대상 조건; 하나 이상의 연관성을 식별하는데 사용되는 샘플에 대한 샘플링 위치와 관련한 샘플 컨디션; 연관성을 식별하는데 사용되는 분석 기술의 유형과 관련한 분석 기술 컨디션; 정보 소스에 의해 제공되고 및/또는 연관성을 특성화 하는데 사용되는 메트릭스의 유형과 관련된 메트릭 컨디션; 및/또는 임의의 다른 적합한 유형의 컨디션.
특정 예에서, 연관성을 결정하는 것은 하기를 포함하는 두 가지 컨디션에 기초할 수 있다(예를 들어, 두 가지 컨디션이 충족되는 경우, 하나 이상의 유의 지수 메트릭스 결정에서 다운스트림 프로세싱과 같은 연관성을 사용하는 것; 두 가지 컨디션이 충족되는 경우, 미생물-관련 데이터베이스를 연관성을 이용하여 업데이트 하는 것): (l) 정보 소스에 사용된 샘플은 성인 인간이었으며 적절한 샘플링 장소에서 수집한 것; 및 (2) 연관성의 방향(예를 들어, 분류군과 미생물-관련 컨디션 사이의 양의 연관성, 분류군과 미생물-관련 컨디션 사이의 음의 연관성 여부, 또는 분류군과 미생물-관련 컨디션 사이의 비-관련성 여부 등)을 설명하는 메트릭스, 효과 크기 메트릭스(예를 들어, 풍부도와 하나 이상의 미생물 분류군 및 하나 이상의 미생물-관련 컨디션 사이와 같은, 상관 계수; z-스코어 등) 및/또는 효과 크기 메트릭스를 계산할 수 있는 데이터(예를 들어, 여기서 이러한 메트릭스가 상관 계수 및/또는 z-스코어 등과 같은 효과 크기 메트릭스로 변환될 수 있는 경우), 예를 들어, 컨디션 및/또는 임의의 다른 적절한 메트릭스가 있거나 없는 대조군 및 연구 그룹의 평균, 표준 편차, 샘플 크기, 승산비(odds ratios), 위험 비, 대조군 및 연구 그룹 내 개체의 비율 중 하나 이상. 특정 예에서, 연관성을 결정하는 것은(예를 들어, 컨디션이 충족되는 경우, 하나 이상의 유의 지수 메트릭스 결정에서 다운스트림 프로세싱을 위한 것과 같은 연관성을 사용하는 것; 연관성을 이용하여 미생물-관련 데이터베이스를 업데이트 하는 것 등) 거짓 또는 가짜(spurious) 효과를 참으로 간주할 확률 5% 미만(즉, P-값(Value) <0.05)에 기초하여, 예를 들어, 분류군과 미생물-관련 컨디션 사이에 통계적으로 유의한 연관성이 있음을 나타낼 수 있다. 그러나, 연관성을 결정하기 위한 컨디션은 임의의 적절한 방식으로 구성 될 수 있다.
변형에서, 하나 이상의 연관성을 결정하는 것은 하나 이상의 연관성을 설명하는 하나 이상의 파라미터를 결정하는 것을 포함할 수 있다. 하나 이상의 연관성을 설명하는 파라미터는 하기 중 하나 이상을 포함할 수 있다: 효과 크기 메트릭스(예를 들어, 하나 이상의 미생물 분류군의 풍부도와 하나 이상의 미생물-관련 컨디션 사이의 상관 계수; z-스코어 등) 효과 크기 메트릭스의 데이터 가능화 계산(data enabling calculation), 평균, 표준 편차, 샘플 크기, 승산비, 위험비(risk ratios), 컨디션 및/또는 다른 적절한 메트릭스를 갖거나 갖지 않는 연구 그룹 및 컨트롤에서의 개체 비율, 실험적 파라미터, 신뢰 수준, 샘플 특성, 컨디션 유형과 관련된 파라미터(예를 들어, 대상자 파라미터, 샘플 파라미터, 분석 기술 파라미터, 메트릭 파라미터 등), 정보 소스에서 제공된 파라미터 및/또는 기타 적절한 유형의 파라미터.
연관성 세트(및/또는 마이크로바이옴 특징, 레퍼런스 특징, 사용자 특징 등)를 결정하는 단계는 미생물 데이터세트(예를 들어, 마이크로바이옴 특징; 하나 이상의 미생물-관련 컨디션과 관련된; 등), 보충 데이터세트 및/또는 2018년 8월 28일 출원된 미국 특허출원 제16/115,542호 및/또는 2018년 7월 27일자로 출원된 미국 특허출원 제16/047,840호에 기술된 포함된 및/또는 유사한 방식과 같은 다른 적절한 데이터에 기초할 수 있으며, 이들은 이의 전체가 본원에 참조로 포함된다.
연관성 세트를 결정하는 단계는 결정된 연관성 세트에 기초하여, 예를 들어 연관성 세트의 결정에 대응하여, 하나 이상의 미생물-관련 데이터베이스를 생성 및/또는 업데이트(예를 들어, 데이터 개량(refining), 추가, 삭제 등)하는 것을 포함할 수 있으나(예를 들어, 하나 이상의 미생물-관련 데이터베이스에 대해 추가의 연관성을 추가), 미생물-관련 데이터베이스를 생성 및/또는 업데이트 하는 것은 임의의 적절한 시간 및 빈도로 임의의 적절한 방식으로 수행될 수 있다.
그러나, 연관성 세트(예를 들어, 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션 사이 등) 및/또는 임의의 적합한 파라미터(예를 들어, 효과 크기 추정치, 기타 데이터 등)를 결정하는 단계 S110은 임의의 적합한 방식으로 수행될 수 있다.
2.2 레퍼런스 특징 세트의 결정
방법(100)의 구현예는 하나 이상의 미생물 분류군(예를 들어, 하나 이상의 미생물-관련 컨디션과 연관성이 결정된 미생물 분류군)에 대한 레퍼런스 특징 세트(예를 들어, 레퍼런스 풍부도 범위 등)를 결정하는 단계 S120를 포함할 수 있으며, 이는 유의 지수 메트릭스의 결정에 사용하기 위한 특징을 결정하도록 기능 할 수 있다.
레퍼런스 특징은 바람직하게는, 예를 들어 하나 이상의 미생물 분류군에 대하여하나 이상의 미생물-관련 컨디션과의 연관성이 결정된(S110에 관하여), 하나 이상의 미생물 분류군과 연관된다(예를 들어, 설명, 대응하는 등). 추가로 또는 대안적으로, 레퍼런스 특징은 임의의 하나 이상의 마이크로바이옴 조성물(예를 들어, 마이크로바이옴 조성 다양성 등), 마이크로바이옴 기능 (예를 들어, 마이크로 바이 옴 기능적 다양성 등), 임의의 적합한 대상자 및/또는 사용자(예를 들어, 임의의 적합한 그룹, 서브 그룹 및/또는 대상자 세트 및/또는 사용자) 및/또는 임의의 다른 적합한 측면과 연관될 수 있다.
레퍼런스 특징은 바람직하게는 하나 이상의 미생물-관련 컨디션과 연관된 하나 이상의 분류군에 대한 레퍼런스 풍부도 범위(예를 들어, 레퍼런스 상대 풍부 범위)를 포함한다. 일 예에서, 레퍼런스 풍부도 범위(및/또는 하나 이상의 사용자에 대응하는 사용자 풍부도 범위 및/또는 임의의 적절한 풍부도 범위 등)는 하나 이상의 건강한 풍부도 범위(예를 들어, 미생물 관련 컨디션이 없는 대상자를 기초로 하여 유래된 건강 범위와 같은, 미생물-관련 컨디션과 관련된 분류군의 풍부도의 건강 범위에 상응하는 등), 건강하지 않은 풍부도 범위(예를 들어, 미생물-관련 컨디션을 갖는 대상자에 기초하여 유래된 건강에 해로운 풍부도와 같은 미생물-관련 컨디션과 관련된 분류군의 풍부도의 건강하지 않은 범위에 상응하는 등), 낮은 풍부도 범위, 정상 풍부도 범위, 높은 풍부도 범위, 부재 풍부도, 중간 풍부도 범위, 범위에 대한 백분위(percentiles)(예를 들어, 임의의 적합한 대상자 그룹, 샘플 등에 관하여) 및/또는 임의의 다른 적합한 유형의 존재비 범위 중 하나 이상을 포함할 수 있다. 그러나, 미생물 풍부도 범위는 임의의 적합한 방식으로 구성될 수 있다.
레퍼런스 특징은 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션 사이의 연관성을 결정하는 변형에 사용된 동일하거나 상이한 정보 소스로부터 결정될 수 있다(예를 들어, 레퍼런스 특징을 제공하는 동일한 정보 소스, 예를 들어, 분류군 세트와 미생물- 관련 컨디션 사이의 연관성에 대한 레퍼런스 풍부도 범위 등).
추가로 또는 대안적으로, 레퍼런스 특징은 분류군과 미생물-관련 컨디션 사이의 하나 이상의 연관성을 결정하는 것과 유사하거나 상이한 임의의 적합한 방식으로 결정될 수 있다. 변형에서, 레퍼런스 특징을 결정하는 것은 하나 이상의 미생물-관련 컨디션과 관련된 대상의 집합적 집단(aggregate population)(예를 들어, 컨디션을 갖는 대상의 서브그룹; 컨디션을 갖지 않는 대상의 서브그룹 등을 포함)으로부터 수집된 샘플에 대한 샘플 처리 및 생물정보학 분석에 기초하여 레퍼런스 특징을 결정하는 것을 포함할 수 있다. 변형에서, 레퍼런스 특징을 결정하는 것은 하나 이상의 정보 소스, 경험적 분석(empirical analysis), 샘플 처리, 생물 정보학 분석 및/또는 임의의 다른 적합한 프로세스에 기초할 수 있다.
방법(100)의 구현예의 레퍼런스 특징, 사용자 특징 및/또는 임의의 적합한 부분의 결정은 사전-전처리(pre-preprocessing)(예를 들어, 정보 소스로부터 추출된 데이터, 미생물 데이터세트, 마이크로바이옴 특징 및/또는 유의 지수 메트릭스 결정과 같은 다운스트림 프로세싱의 용이화를 위한 다른 적합한 데이터를 위한) 적용을 포함할 수 있다. 예를 들어, 특성화 프로세스를 수행하는 단계는 하기 중 적어도 하나에 의해 데이터세트를 필터링하는 단계(예를 들어, 레퍼런스 특징과 같은 마이크로바이옴 특징을 결정하기 위해 분석 기술 세트를 적용하기 전에, 예를 들어 정보 소스로부터 추출된 데이터 세트를 필터링하는 것, 미생물 서열 데이터 세트를 필터링하는 것, 등)를 포함할 수 있다: 생물학적 샘플 세트(예를 들어, 하나 이상의 미생물-관련 컨디션 등과 관련된)의 제1 샘플 이상치(outliers)에 상응하는 제1 샘플 데이터를 제거하는 단계로, 예를 들어 여기서 상기 제1 샘플 이상치는 주요 성분 분석(principal component analysis), 치수 감소 기술 및 다변량 방법론 중 적어도 하나에 의해 결정되며; 생물학적 샘플 세트의 제2 샘플 이상치에 상응하는 제2 샘플 데이터를 제거하는 단계로, 여기서, 상기 제2 샘플 이상치는 마이크로바이옴 특징 세트에 대한 상응하는 데이터 품질에 기초하여 결정될 수 있으며(예를 들어, 임계 컨디션(threshold condition) 아래의 고품질 데이터를 갖는 다수의 마이크로바이옴 특징에 상응하는 샘플 제거 등); c) 임계 샘플 수 컨디션을 만족시키지 못하는 마이크로바이옴 특징에 대한 샘플 번호에 기초하여 마이크로바이옴 특징 세트로부터 하나 이상의 마이크로바이옴 특징을 제거하는 단계로, 여기서 샘플 수는 마이크로바이옴 특징에 대한 고품질 데이터와 관련된 다수의 샘플에 상응하고; 및/또는 본원에 기술된 임의의 적합한 데이터에 대한 임의의 다른 적절한 필터링 기술. 그러나, 사전-전처리는 임의의 적절한 방식으로 임의의 적합한 분석 기술로 수행될 수 있다.
레퍼런스 특징, 사용자 특징 및/또는 다른 적합한 특징(예를 들어, 마이크로바이옴 특징, 보충 특징 등)을 결정하는 단계는 컴퓨터를 사용한(computational) 방법(예를 들어, 통계 방법, 머신 러닝 방법, 인공 지능 방법, 생물정보학 방법, 본원에 기술된 다른 접근법 등)을 사용하여 대상, 샘플, 데이터세트 및/또는 다른 적합한 구성 요소를 하나 이상의 특징과 관련하여 나타내는 것으로 및/또는 다른 방식으로 특성화할 수 있다(예를 들어, 여기서 사용자 마이크로바이옴 특징을 결정하는 단계는 하나 이상의 미생물-관련 컨디션 등과 상관되고 및/또는 다른 방식으로 연관된 것으로 식별된 마이크로바이옴 특징에 대한 특징 값, 예컨대 하나 이상의 미생물-관련 컨디션을 갖는 사용자 세트 특유의 특징과 같은 특징 값을 결정하는 것을 포함할 수 있다. 그러나, 임의의 적절한 분석 기술(예를 들어, 본 명세서에 기술된)이 방법(100)의 특징을 결정 및/또는 구현예의 적절한 부분을 수행하는 데 사용될 수 있다. 일 예에서, 레퍼런스 특징 및/또는 적절한 특징을 결정하는 단계는 단변량 통계 테스트, 다변량 통계 테스트, 차원 축소 기술 및 인공 지능 접근법 중 적어도 하나를 포함하는 분석 기술 세트를 적용하는 단계를 포함할 수 있으며, 예를 들어, 여기서 상기 특징은 유의 지수 메트릭스의 결정과 관련된 컴퓨팅 시스템 관련 기능을 개선할 수 있다(예를 들어, 정확성, 오류 감소, 처리 속도, 스케일링 등과 관련하여). 일 예에서, 마이크로바이옴 특징(예를 들어, 사용자 마이크로바이옴 특징 등)을 결정하는 단계는 마이크로바이옴 조성 다양성 특징 및 마이크로바이옴 기능적 다양성 특징, 마이크로바이옴 조성 다양성 특징 및 마이크로바이옴 기능적 다양성 특징 중 적어도 하나의 부재, 제1 미생물-관련 컨디션과 관련된 상이한 분류학적 그룹의 상대적 풍부도를 나타내는 상대적 풍부도, 상이한 분류 학적 그룹과 관련된 적어도 두 마이크로바이옴 사이의 비를 나타내는 비율 특징, 상이한 분류학적 그룹 사이의 상호작용을 설명하는 상호작용 특징, 및 예를 들어 하나 이상의 미생물-관련 컨디션에 관하여(예를 들어, 이와 관련된)와 같은 상이한 분류학적 그룹 사이의 계통발생적 거리를 기술하는 계통발생적 거리 특징 중 적어도 하나의 존재를 결정하기 위해 분석 기술 세트를 적용하는 것을 포함할 수 있으며, 예를 들어 여기서 상기 분석 기술 세트는 일변량 통계 테스트, 다변량 통계 테스트, 치수 감소 기술 및 인공 지능 접근법 중 적어도 하나를 포함할 수 있다.
변형에서, 하나 이상의 샘플과 관련된(예를 들어, 하나 이상의 미생물-관련 컨디션을 갖거나 갖지 않는 대상으로부터 등의) 마이크로바이옴의 대표 미생물 그룹의 식별 시, 마이크로바이옴의 조성적 및/또는 기능적 측면과 관련된(예를 들어, 이로부터 도출된) 특징이 결정될 수 있다. 변형으로, 특징을 생성하는 것은 유의 지수 메트릭스 결정 및/또는 방법(100)의 구현예의 적절한 부분에 유용한 마커를 식별하기 위해, 다중위치 서열 타이핑(MSLT)에 기초한 특징을 생성하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 단계는 특정 미생물 분류군 그룹의 존재 또는 부재, 및/또는 나타난 미생물 분류군 그룹 간의 비율을 기술하는 특징을 결정하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 것은 다음 중 하나 이상을 기술하는 특징을 결정하는 것을 포함할 수 있다: 표현된 분류학적 그룹(분류군)의 양, 표현된 분류학적 그룹의 네트워크, 상이한 분류학적 그룹의 표현에서의 상관관계, 상이한 분류학적 그룹 간의 상호작용, 상이한 분류학적 그룹에 의해 생성된 생성물, 상이한 분류학적 그룹에 의해 생성된 생성물 간의 상호작용, 사멸된 및 살아있는 미생물 간의 비율(예를 들어, RNA의 분석에 기초한, 상이한 표현된 분류학적 그룹에 대해), 계통발생학적 거리(예를 들어, 칸토로비치-루빈스타인 거리(Kantorovich-Rubinstein distances), 와세르스타인 거리(Wasserstein distances) 등의 면에서), 임의의 다른 적절한 분류 그룹-관련 특징(들), 어느 다른 적절한 유전적 또는 기능적 견지(들).
추가로 또는 대안적으로, 특징을 결정하는 단계는, 예를 들어 sparCC 접근법을 사용하거나, GAAS(Genome Relative Abundance and Average size) 접근법을 사용하거나 및/또는 서열-유사성 데이터를 이용하여 하나 이상의 미생물 그룹의 상대 풍부도의 최대 가능성 추정을 수행하는 혼합 모델 이론을 사용한 게놈 상대 풍부도(Genome Relative Abundance using Mixture Model theory(GRAMMy)) 접근법을 사용하여 상이한 미생물 그룹의 상대 풍부도를 기술하는 특징을 생성하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 단계는 풍부도 메트릭스로부터 도출된 분류학적 변형의 통계적 측정을 생성하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 것은 (예를 들어, 다른 분류군의 풍부도에 영향을 미치는 분류군의 풍부도에서의 변화와 관련하여) 상대적 풍부도 요인과 관련된 (예를 들어, 도출된) 특징을 결정하는 것을 포함할 수 있다. 추가로 또는 대안적으로, 특징을 결정하는 것은 하나 이상의 분류학적 그룹의 존재를 기술하는 정성적 특징의 생성을 별개로 및/또는 조합하여 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 것은 생물학적 샘플과 관련된 마이크로바이옴의 미생물을 특성화하는 유전자 마커(예를 들어, 대표적인 16S, 18S 및/또는 ITS 서열)와 관련된 특징의 생성을 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 것은 특정 유전자 및/또는 특정 유전자를 갖는 유기체의 기능적 연관성과 관련된 특징의 생성을 포함할 수 있다. 추가적으로 또는 대안적으로, 특징을 결정하는 것은 분류군 및/또는 분류군에 기인한 생성물의 병원성에 관련된 특징의 생성을 포함할 수 있다. 추가로 또는 대안적으로, 특징을 결정하는 단계는 정보 소스, 생물학적 샘플의 핵산의 서열 분석 및 맵핑, 및/또는 임의의 적합한 접근법으로부터 유도된 것과 같은 다른 적합한 특징(들)의 결정을 포함할 수 있다. 예를 들어, 특징(들)은 조합적(예를 들어, 쌍, 트리플렛을 포함), 상관적(예를 들어, 상이한 특징들 사이의 상관과 관련됨) 및/또는 특징의 변화(예를 들어, 일시적인 변화, 샘플 부위에 걸친 변화 등, 공간적 변화 등)와 관련될 수 있다.
변형에서, 특징을 결정하는 단계는 하나 이상의 수집 부위(예를 들어, 내장 부위, 코 부위, 피부 부위, 생식기 부위, 입 부위 등)와 관련된 하나 이상의 부위-특이성을 결정하는 것을 포함할 수 있다. 일 예에서, 부위-특이적 특징 세트는 제1 신체 부위와 연관된 부위-특이적 특징의 제1 서브세트 및 제2 신체 부위와 연관된 부위-특이적 특징의 제2 서브세트를 포함할 수 있다. 그러나, 다중-부위 분석은 임의의 적절한 방식으로 수행될 수 있다.
변형에서, 특징을 결정하는 단계는 집단-레벨 및/또는 다른 적절한 데이터를 처리하기 위해 컴퓨터로 구현된 규칙(예를 들어, 모델, 특징 선택 규칙 등)을 적용하는 단계를 포함할 수 있으나, 추가적으로 또는 대안적으로 인류통계학적-특이적 기준(예를 들어, 요법 레지멘(therapy regimens), 식이 레지멘, 신체 활동 레지멘, 민족성, 연령, 성별, 무게, 행동 등과 같은 하나 이상의 인류통계학적 특징을 공유하는 서브그룹), 컨디션-특이적 기준(예를 들어, 특정 미생물-관련 컨디션을 나타내는 서브그룹, 미생물-관련 컨디션의 조합, 미생물-관련 컨디션에 대한 트리거, 관련된 증상 등), 샘플 유형-특이적 기준(예를 들어, 상이한 수집 부위에서 유래된 마이크로바이옴을 데이터를 처리하기 위한 상이한 컴퓨터-구현 규칙 적용; 등), 사용자 기준(예를 들어, 상이한 사용자를 위한 상이한 컴퓨터-구현 규칙; 등) 및/또는 임의의 다른 적합한 기준 상에서 마이크로바이옴-관련 데이터를 처리하기 위한 컴퓨터-구현 규칙을 적용하는 것을 포함한다. 일 예에서, 특징을 결정하는 단계는 사용자 집단으로부터 하나 이상의 서브 그룹으로 사용자를 할당하는 단계; 및 상이한 서브 그룹에 대한 특징(예를 들어, 사용된 특징 유형의 세트; 특징으로부터 생성된 특성화 모델의 유형 등)을 결정하기 위해 상이한 컴퓨터-구현된 규칙을 적용하는 단계를 포함한다. 그러나, 컴퓨터-구현된 규칙을 적용하는 단계는 유의 지수 메트릭스를 결정하는 단계 S130와 같이, 방법(100)의 구현예의 임의의 적합한 부분에 대해 임의의 적절한 방식으로 수행될 수 있다.
특징을 결정하는 단계는 하나 이상의 풍부도 범위(예를 들어, 레퍼런스 마이크로바이옴 파라미터 범위; 건강한 레퍼런스 상대 풍부도 범위, 여기서 상기 범위는 건강한 마이크로바이옴 및/또는 하나 이상의 컨디션의 부재와 연관될 수 있음; 하나 이상의 컨디션의 존재 및/또는 위험과 관련된 위험(risk) 레퍼런스 상대 풍부도 범위; 하나 이상의 분류군의 풍부도에 대한 위한 미생물 조성 범위; 샘플에 존재하는 미생물의 계통발생적 다양성; 하나 이상의 분류군과 관련된 기능적 특징에 대한 미생물 기능적 다양성 범위; 등), 예를 들어 레퍼런스 풍부도 범위 및/또는 사용자 풍부도 범위, 및/또는 하나 이상의 유의 지수 메트릭스가 사용자 마이크로바이옴 파라미터(예를 들어 사용자 풍부도등)와 레퍼런스 마이크로바이옴 파라미터 범위(예를 들어, 상이한 박테리아 표적에 대한 건강한 레퍼런스 범위 밖의 풍부도를 나타내는 사용자 마이크로바이옴 파라미터에 기초하여 미생물-관련 컨디션과 관련된 박테리아 표적과 관련하여 마이크로바이옴 조성에 대한 열악한 유의 지수 메트릭을 갖는 것으로 사용자를 특성화하는 것; 등) 사이의 비교에 기초할 수 있는 경우와 같은, 임의의 적절한 풍부도 범위를 결정하는 단계를 포함할 수 있다. 마이크로바이옴 파라미터 범위는 임의의 적절한 형태(예를 들어, 카운트 등)로 임의의 적합한 하한 및 상한을 가질 수 있다. 레퍼런스 마이크로바이옴 파라미터 범위는 임의의 적절한 신뢰 구간(예를 들어, 사용자 집단에 걸친 99% 신뢰 구간)을 나타내는 범위를 포함할 수 있다. 일 예에서, 레퍼런스 상대 풍부도 범위는 해당 분류군에 상응하는 판독 횟수를 총 판독 횟수(예를 들어, 클러스터링 및 필터링된 판독의 총 수)로 나눈 것에 기초하여 임의의 적합한 분류군에 대해 계산될 수 있지만; 그러나, 레퍼런스 상대 풍부도 범위는 임의의 적절한 방식으로 계산될 수 있다.
변형에서, 레퍼런스 풍부도 범위 및/또는 적합한 특징을 결정하는 단계는 경험적으로 수행될 수 있다. 예를 들어, 블록 S130은 사용자 집단으로부터 생물학적 샘플 및 보충 데이터세트를 수집하는 단계를 포함할 수 있다. 사용자 집단은 마이크로바이옴 조성의 임의의 적절한 상태, 마이크로바이옴 계통 다양성, 마이크로바이옴 기능적 다양성, 컨디션 및/또는 다른 적합한 특성과 관련된 사용자를 포함할 수 있으며, 여기서 상기 보충 데이터 세트(예를 들어, 사용자와 관련된 모바일 장치에서 실행되는 애플리케이션에서 디지털 방식으로 설문을 실시하는 경우)는 특징에 대해 유용한 정보를 줄 수 있다. 특정 예에서, 방법(100)은 하기를 포함할 수 있다: 건강한 사용자의 집단으로부터 생물학적 샘플을 처리하는 단계; 미생물 서열을 결정하기 위해 생물학적 샘플을 처리하는 단계; 각각의 사용자에 대해(예를 들어, 하나 이상의 미생물-관련 컨디션 등과 관련 및/또는 잠재적으로 관련된 것으로 결정된 분류군 세트로부터) 각각의 분류군의 상대적 존재비를 결정하는 단계; 및 건강한 사용자 집단에 걸친 상대적 풍부도에 기초하여 각각의 분류군에 대한 건강한 범위(및/또는 건강하지 않은 범위)를 생성하는 단계. 그러나, 경험적으로 레퍼런스 마이크로바이옴 파라미터 범위를 결정하는 것은 임의의 적합한 방식으로 수행 될 수 있다. 특정 예에서, 보충 데이터는 대상 세트로부터 대상의 서브세트에 대한 적어도 하나의 미생-관련 컨디션이 없음을 나타낼 수 있고; 여기서 마이크로바이옴 특징의 세트를 결정하는 단계는 미생물 서열 데이터세트에 기초하여, 대상자의 서브 세트와 관련된 건강한 레퍼런스 마이크로바이옴 파라미터 범위를 결정하는 단계를 포함할 수 있고; 그리고 여기서 하나 이상의 유의 지수 메트릭스를 결정하는 단계는 보충 데이터 및/또는 건강한 레퍼런스 마이크로바이옴 파라미터 범위에 기초 할 수 있다. 변형에서, 레퍼런스 마이크로바이옴 파라미터 범위를 결정하는 단계는 컨디션-관련 정보 소스를 수동으로 및/또는 자동으로 처리하는 것과 같이, 비-경험적으로(non-empirically) 수행 될 수 있다.
하나 이상의 레퍼런스 특징(예를 들어, 풍부도 범위 등)을 하나 이상의 특성 (예를 들어, 분류군, 컨디션 등)과 관련된 하나 이상의 사용자 마이크로바이옴 특징(예를 들어, 풍부도 등)과 비교하는 단계가, 사용자 마이크로바이옴 파라미터 값이 레퍼런스 마이크로바이옴 파라미터 범위 안 또는 밖에 속하는지 여부에 기초하여 사용자가 특성(예를 들어, 건강한 마이크로바이옴 등)을 갖거나 특성을 갖지 않는 것으로 특성화하는 단계를 포함하는 ,하나 이상의 유의 지수 메트릭스를 결정하는 단계에 사용될 수 있다.
레퍼런스 특징을 결정하는 단계는(예를 들어, 하나 이상의 미생물-관련 데이터베이스 등에서), 예를 들어 하나 이상의 유의 지수 메트릭스를 결정하는데 사용되는 레퍼런스 특징의 세트를 개선하기 위해(예를 들어, 미생물 분류군과 미생물-관련 컨디션 사이의 하나 이상의 연관성을 특성화하는 것과 관련한 것과 같은, 유의 지수 메트릭스의 정확성을 개선하기 위하여), 레퍼런스 특징을 업데이트 하는 단계를 추가로 또는 대안적으로 포함할 수 있다.
그러나, 레퍼런스 특징을 결정하는 단계(S120)는 임의의 적절한 방식으로 수행될 수 있다.
2.3 유의 지수 메트릭 결정.
방법(100)의 구현예는 하나 이상의 유의 지수 메트릭스를 결정하는 단계(예를 들어, 연관성 세트 및 레퍼런스 특징 세트 등에 기초하여) S130을 포함할 수 있으며, 이는 하나 이상의 미생물 분류군과 하나 이상의 미생물-관련 컨디션 사이의 하나 이상의 연관성의 특성화와 관련된 하나 이상의 메트릭스를 결정하는 기능을 할 수 있다.
유의 인덱스 메트릭스는 바람직하게는 분류군 세트와 하나 이상의 미생물-관련 컨디션 사이의 연관성의 정도를 기술하지만, 그러나 추가로 또는 대안적으로 사용자, 하나 이상의 미생물-관련 컨디션에 대한 경향, 하나 이상의 미생물-관련 컨디션에 대한 위험, 하나 이상의 미생물-관련 컨디션 특성화를 결정하기 위해 사용할 수 있는 특성(예를 들어, 진단, 진단을 용이하게 하기 위한 다른 적절한 데이터, 등), 하나 이상의 요법을 결정하기 위해 사용할 수 있는 특성(예를 들어, 하나 이상의 미생물-관련 컨디션에 대한 치료적 개입을 용이하게 하기 위한 등) 및/또는 임의의 적합한 측면과 관련될 수 있다.
유의 지수 메트릭스는 스코어(예를 들어, 0 내지 100의 범위 및/또는 임의의 적절한 범위로 표현된), 사용자에 대한 성향 스코어(예를 들어, 사용자 마이크로바이옴 특징 및/또는 다른 적절한 사용자 데이터 등에 기초한 하나 이상의 미생물-관련 컨디션에 대한 사용자 성향 기술 등), 분류(예를 들어, 머신 러닝 모델에 의해; 하나 이상의 미생물-관련 컨디션의 존재 또는 부재의 분류; 컨디션 중증도와 관련된 것과 같은, 하나 이상의 미생물-관련 컨디션과 관련된 임의의 적적한 분류) 중 임의의 하나 이상을 포함할 수 있고, 그리고/또는 본원에 기술된 임의의 적합한 형태의 데이터를 포함할 수 있다.
유의 지수 메트릭스는 임의의 수의 연관성(예를 들어, 분류군과 미생물-관련 컨디션 사이 등), 사용자(예를 들어, 하나 이상의 미생물-관련 컨디션에 대한 사용자의 경향을 설명하는 경향 스코어 등), 분류군, 미생물-관련 컨디션 및/또는 임의의 적합한 성분에 대한 것일 수 있다.
방법(100) 및/또는 시스템(200)의 유의 지수 메트릭스 및/또는 구현예의 임의의 적절한 부분을 결정하는 단계는 하기 중 하나 이상을 포함하는 분석 기술을 이용하는 것을 포함할 수 있다: 단일변량 통계 테스트, 다변량 통계 테스트, 차원 감소 기술(dimensionality reduction techniques), 인공 지능 접근법(예를 들어, 머신 러닝 접근법, 등), 데이터에 대한 패턴 인식 수행(예를 들어, 미생물-관련 컨디션과 마이크로바이옴 특징 사이의 상관관계 식별, 등), 다중 소스로부터의 데이터 융합(예를 들어, 데이터로부터 추출된 마이크로바이옴 특징에 기초한 것과 같이, 하나 이상의 미생물-관련 컨디션과 관련된 다수의 사용자로부터의 마이크로바이옴 데이터 및/또는 보충 데이터에 기초한 특성화 모델 생성; 등), 값들의 조합(예를 들어, 값의 평균, 등), 압축, 변환(예를 들어, 디지털-아날로그 변환, 아날로그-디지털 변환), 데이터에 대한 통계적 추정 수행(예를 들어, 오디너리 리스트 스퀘어 회귀(ordinary least squares regression), 논-네거티브 리스트 스퀘어 회귀(non-negative least squares regression), 주성분 분석, 능선 회귀(ridge regression), 등), 웨이브 변조(wave modulation), 정규화, 업데이팅(예를 들어, 시간 경과에 따른 프로세싱된 생물학적 샘플에 기초한 특성화 모델 및/또는 요법 모델, 등), 순위화(랭킹, ranking)(예를 들어, 마이크로바이옴 특징; 요법; 등), 가중화(weighting)(예를 들어, 마이크로바이옴 특징; 등), 유효화(validating), 필터링(예를 들어, 기준선 보정, 데이터 크로핑(data cropping), 등), 노이즈 감소, 스무딩(smoothing), 채우기(예를 들어, 갭 채우기), 정렬, 모델 피팅(fitting), 비닝(binning), 윈도잉, 클리핑(clipping), 변환(transformation), 수학적 연산(예를 들어, 미분, 이동 평균, 합산, 빼기, 곱하기, 나누기, 등), 데이터 결합, 다중화, 역다중화(demultiplexing), 보간(interpolating), 외삽, 클러스터링, 이미지 프로세싱 기술, 기타 신호 프로세싱 작업, 기타 이미지 프로세싱 작업, 시각화 및/또는 임의의 기타 적합한 프로세싱 작업.
인공 지능 접근법은 다음 중 임의의 하나 이상을 포함한다: 감독 학습(supervised learning)(예를 들어, 로지스틱 회귀(logistic regression) 사용, 역전파 신경망(back propagation neural networks) 사용, 랜덤 포레스트 사용, 결정 트리(decision trees), 등), 비감독 학습(예를 들어, 아프리오리(Apriori) 알고리즘 사용, K-평균(K-means) 클러스터링 사용), 반-감독 학습, 딥 러닝 알고리즘(예를 들어, 신경망, 제한된 볼츠만 머신(restricted Boltzmann machine), 딥 빌리프 네트워크 방법(deep belief network method), 컨볼루셔널 신경망 방법(convolutional neural network method), 반복 신경망 방법(recurrent neural network method), 스택형 자동-인코더 방법(stacked auto-encoder method), 등), 강화 학습(예를 들어, Q-러닝(Q-learning) 알고리즘 사용, 시간 차이 학습(temporal difference learning) 사용), 회귀 알고리즘(예를 들어, 오디너리 리스트 스퀘어, 로지스틱 회귀, 단계적 회귀, 다변량 적응 회귀 스플라인(multivariate adaptive regression splines), 국소 추정 산점도 스무딩(locally estimated scatterplot smoothing), 등), 인스턴스-기반 방법(instance-based method)(예를 들어, k-최근접 이웃(k-nearest neighbor), 학습 벡터 양자화(learning vector quantization), 자가-조직화 맵(self-organizing map), 등), 정규화 방법(예를 들어, 능선 회귀, 최소 절대 쉬링키지 및 선택 오퍼레이터(least absolute shrinkage and selection operator), 엘라스틱 네트(elastic net), 등), 결정 트리 학습 방법(예를 들어, 분류 및 회귀 트리, 반복 이분법 3, C4.5(iterative dichotomiser 3, C4.5), 카이-제곱 자동 상호작용 감지(chi-squared automatic interaction detection), 결정 스텀프(decision stump), 랜덤 포레스트, 다변량 적응 회귀 스플라인, 구배 부스팅 머신(gradient boosting machines), 등), 베이지안 방법(Bayesian method)(예를 들어, 나이브 베이즈(naive Bayes), 평균 원-디펜던스 추정기(averaged one-dependence estimators), 베이지안 빌리프 네트워크, 등), 커널 방법(kernel method)(예를 들어, 서포트 벡터 머신, 방사형 기본 함수(radial basis function), 선형 판별 분석(linear discriminate analysis), 등), 클러스터링 방법(예를 들어, k-평균 클러스터링, 기대 최대화, 등), 관련 규칙 학습 알고리즘(예를 들어, 아프리오리 알고리즘, 이틀랏(Eclat) 알고리즘, 등), 인공 신경망 모델(예를 들어, 퍼셉트론(Perceptron) 방법, 역-전파(back-propagation) 방법, 홉필드(Hopfield) 네트워크 방법, 자가-조직화 맵 방법, 학습 벡터 양자화 방법, 등), 앙상블 방법(예를 들어, 부스팅, 부스트래핑된 집합, 에이다부스트(AdaBoost), 스택된 일반화, 구배 부스팅 머신 방법, 랜덤 포레스트 방법, 등) 및/또는 임의의 적합한 인공 지능 접근법. 그러나, 데이터 프로세싱은 임의의 적합한 방식으로 이용될 수 있다.
유의 지수 메트릭스는 추가로 또는 대안적으로, 예를 들어 하나 이상의 미생물-관련 컨디션과 하나 이상의 분류군 사이의 연관성을 특성화 하는 유의 지수 메트릭스와 같은, 부위-특이적 유의 지수 메트릭스(예를 들어, 내장 부위, 생식기 부위, 코 부위, 피부 부위, 입 부위 및/또는 다른 적절한 부위를 포함하는, 하나 이상의 신체 부위에 특이적인 등)를 포함할 수 있으며, 여기서 상기 연관성은 특정한 신체 부위에 특이적일 수 있다. 예를 들어, 동일한 신체 부위 및 미생물-관련 컨디션에 대해, 분류군과의 연관성은 관련된 하나 이상의 신체 부위에 기초하여(예를 들어, 코 부위와 비교하여 내장 부위에 대한 상이한 연관성 등) 상이할 수 있다(예를 들어, 상이한 분류군과의 연관성일 수 있음). 특정 예에서, 유의 지수 메트릭스는 관련된 하나 이상의 신체 부위에 기초하여(예를 들어, 유의 지수 메트릭스의 값, 유의 인덱스 메트릭스의 유형) 달라질 수 있다. 예를 들어, 서로 다른 부의-특이적 유의 지수 모델이 생성, 적용 및/또는 다른 방식으로 처리될 수 있다. 특정 예에서, 상이한 부위-특이적 유의 지수 모델은, 부위-특이적 유의 지수 모델이 연관된 하나 이상의 신체 부위와 관련된 부위-특이적 특징과 같은, 상이한 마이크로바이옴 특징에 기초하여 생성, 적용 및/또는 다른 방식으로 처리될 수 있다.(예를 들어, 대상자의 내장 수집 부위에서 수집된 샘플로부터 유래된 및/또는 하나 이상의 미생물-관련 컨디션과 상관된 내장 부위-특이적 특징을, 내장 부위-특이적 특징 결정, 사용자 내장 부위에서 수집된 사용자 샘플에 기초한 유의 지수 메트릭스를 결정하는데 적용될 수 있는 내장 부위-특이적 유의 지수 모델 생성 및/또는 다른 적절한 목적을 위해, 사용). 부위-특이적 모델, 부위-특이적 특징, 샘플, 부위-특이적 요법 및/또는 다른 적절한 엔티티(entities)(예를 들어, 신체 부위와 연관될 수있는 등)는 바람직하게는 코 부위, 내장 부위(예를 들어, 대변 샘플 등에 기초하여 특성화될 수 있는), 피부 부위, 생식기 부위(예를 들어, 질 부위 등), 입 부위 및/또는 임의의 적절한 신체 영역을 포함하는 적어도 하나의 신체 부위(예를 들어, 샘플 수집 부위에 상응하는 등)와 연관된다. 그러나, 부위-특이적 유의 지수 메트릭스는 임의의 방식으로 구성될 수 있고 임의의 적절한 방식으로 결정될 수있다.
변형에서, 하나 이상의 유의 지수 메트릭스를 결정하는 단계는 하나 이상의 분류군과 하나 이상의 미생물-관련 컨디션 사이의 하나 이상의 연관성과 관련된 (예를 들어, 기술, 특성화 등) 하나 이상의 효과 크기 메트릭스에 기초할 수 있다. 효과 크기 메트릭스는 바람직하게는 상관 계수(예를 들어, 분류군에 대한 풍부도와 미생물-관련 컨디션 사이)를 포함하지만, 추가로 또는 대안적으로 z-스코어 및/또는 임의의 적합한 유형의 메트릭스(예를 들어, 본원에 기술된 것 등)를 포함할 수 있다. 특정 예에서, 유의 지수 메트릭스를 결정하는 단계는, 미생물 분류군 세트에 대한 레퍼런스 풍부도 범위 세트(및/또는 적합한 레퍼런스 특징)에 기초하여, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 효과 크기 메트릭을 결정하는 단계; 및 상기 효과 크기 메트릭스에 기초하여 유의 지수 메트릭스를 결정하는 단계를 포함할 수 있다.
일 예에서, 하나 이상의 정보 소스(예를 들어, 평균, 표준 편차, 샘플 크기, 컨디션이 있거나 없는 대조군 및 연구 그룹의 개체 비율, 등)로부터 추출된 데이터는 하나 이상의 효과 크기 메트릭스 유형(예를 들어, 상관 계수, 등)으로 변환될 수 있다. 특정 예에서, 효과 크기 메트릭스에 기초하여 효과 크기 메트릭스의 유형 및/또는 유의도 메트릭스(significance metrics) 결정의 적절한 부분으로의 변환은 하나 이상의 컴퓨팅 시스템(예를 들어, 미생물-관련 데이터베이스를 포함하는 것과 같은, 원격 컴퓨팅 시스템 )등) 및/또는 임의의 적합한 구성 요소를 통해 수행될 수 있다. 일 예에서, 유의 지수는 복수의 개별 효과 크기 메트릭스들의 조합으로부터 획득된 전체젓인 상관 계수에 기초하여 계산될 수 있다.
특정 예에서, (예를 들어, 과학적 동료-검토 논문 등과 같은 정보 소스로부터 추출된 데이터의 변환을 통해 획득된) 상관 계수는(예를 들어, 피셔 변환을 사용하여) 하기를 사용하여 z-스코어로 변환될 수 있다.
Figure pct00001
여기서 r은 상관 계수에 해당하고; 여기서 메타 분석이 수행될 수 있으며(예를 들어, 여기서 z-스코어가 종속 변수로 간주되고 분류군이 독립 인자로 포함되는 경우); 여기서 상이한 분류군이 하나 이상의 미생물-관련 컨디션과 상이한 연관성을 가지며(예를 들어, 다른 영향 등); 예를 들어 여기서, 사용된 정보 소스가 모든 정보 소스의 서브세트이고, 실제 효과 크기가 모든 경우에 동일하지 않은 것으로 가정되고, 랜덤 효과 모델이 적합하도록 동기부여하고 여기서 사용된 정보 소스가 랜덤 효과로서 포함되고; 그리고 여기서 분석의 출력은 각각의 분류군에 대한 z-스코어의 예측된 값을 포함할 수 있고, 그리고/또는 상기 z-스코어는 상관계수로 변형될 수 있다(예를 들어 돌아가는 변환(transformed back)).
일 예에서(예를 들어, 제1 실시예에서, 표 1에 나타난 바와 같이, 예를 들어 표 1은, 0과 100 사이에서 리스케일링(rescale)되는, 각각의 유의 지수 메트릭스에 대한 관찰된 및 이론적인 최대값 및 최소값을 포함하며; 제1 실시예에서, 도 5에 나타난 바와 같이, 예를 들어, 여기서 도 5는, 본원에 기술된 분석 기술을 사용하는 것과 같이, 처리된 샘플에 대해 유의성 지수 메트릭스의 빈도(frequencies)의 히스토그램을 포함하며, 여기서 X-축은 레퍼런스 샘플로부터의 최대 및 최소 관측 값을 사용하여 0-1 범위로 스케일링 된 유의 지수 메트릭스를 나타내며; 여기서 결과는 모든 관련 분류군에 대한 0 상대적 풍부도를 갖는 샘플에 상응하는 단일 주요 피크가 포함됨 등;) 유의 지수 결정은 하기에 기초할 수 있으며
Figure pct00002
여기서
Figure pct00003
= 결과물 함수(product function)(예를 들어, 제1 결과물 함수는 직접 연관된 분류군에 걸쳐 실행되는 반면, 제2 결과물 함수는 역으로 연관된 분류군에 걸쳐 실행됨), ra = 연관된 분류군의 상관 계수(예를 들어, 양의 상관관계; 표 2에 나타난 바와 같은), ria = 역으로 연관된(iversely associated ) 유기체의 상관 계수(예를 들어, 음의 상관; 표 2에 나타난 바와 같은); 예를 들어, 여기서 연관성의 풍부도 및 방향에 따라, 샘플에서 연관된(예를 들어, 양으로 연관된) 분류군이 낮거나 정상적 풍부도로 발견되는 경우, 샘플에서 전혀 발견되지 않는 경우, 또는 역으로 연관된(예를 들어, 음으로 연관된) 분류군이 풍부하게 발견될 때 상관관계(correlation)는 "보호적(protective)"으로 분류되고; 그리고/또는 연관된 분류군이 샘플에서 양성일 때, 상기 분류군이 풍부하게 존재하는 경우, 또는 역으로 연관된 분류군이 샘플에서 낮거나 정상적인 풍부도로 발견되는 경우, 상관관계는 "패널티(penalty)"으로 분류된다. 특정 예에서, 효과 크기 메트릭스를 결정하는 단계는, 메타 분석에 기초하여, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 상관계수 세트를 결정하는 단계를 포함할 수 있고; 그리고 여기서 효과 크기 메트릭스에 기초하여 유의 지수 메트릭스를 결정하는 단계는 상관계수 세트에 기초하여 유의 인덱스 메트릭을 결정하는 단계를 포함할 수 있다. 특정 예에서, 사용자에 대한 유의 지수 메트릭스를 결정하는 단계는 사용자 마이크로바이옴 조성 특징 및 미생물 분류군 세트와 적어도 하나 사이의 연관성 세트에 대한 상관 계수 세트에 기초하여 유의 지수 메트릭스를 결정하는 것을 포함할 수 있다.
일 예에서(예를 들어, 표 1 및 도 5에 도시된 바와 같은 제2 실시예)에서, 각각의 z-스코어(예를 들어, 분류군으로부터 각 개체의 샘플을 발견)는 연관성의 방향 (예를 들어, 분류군과 미생물-관련 컨디션 사이의 양의 또는 음의(역의)) 및 샘플 내의 유기체의 풍부도(예를 들어, 분류군에 상응하는 등)에 의존하는 인자에 의해 곱해질 수 있으며(예를 들어, 낮음, 보통 또는 높음); 여기서 상기 총 z-스코어는 각 분류군으로부터의 개별 스코어를 곱하여 결정될 수 있고; 및/또는 여기서 수정된 스코어를 1에서 빼서 다음을 기반으로 확률(probability)을 획득한다:
확률((probability) = 1 - (Z_스코어*풍부도 승수(multiplier))
여기서 풍부도 승수는, 다음과 같이, 분류군의 풍부도 및 연관성의 방향에 기초하여 결정된다:
역으로(inversely) 연관된 / 낮은 풍부도 = 0
역으로 연관된 / 정상(normal) 풍부도 = 1
역으로 연관된 / 높은 풍부도 = 1
연관된 / 낮은 풍부도 = 0
연관된 / 정상(normal) 풍부도 = 0
연관된 / 높은 풍부도 = 1
여기서, 예를 들어 z-스코어를 상관계수로 다시 변환하기 전과 같이, 추가적이거나 대안적인 승수(예를 들어, 가중치(weights))가 추가될 수 있고; 그리고/또는 여기서 하나 이상의 총 z-스코어가, 역 피셔(Fisher) 변환을 통해서와 같이, 상관계수로 다시 변환될 수 있다:
Figure pct00004
여기서 r은 상관계수에 해당하고, 여기서 -1에서 1까지의 스코어를 얻을 수 있으며, 그리고 여기서 연관성의 백분율을 획득하기 위해, 상기 스코어는 100을 곱할 수 있다. 특정 예에서, 효과 크기 메트릭스를 결정하는 단계는 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 z-스코어 세트를 결정하는 단계; 및 미생물 분류군 세트 및 상기 미생물 분류군 세트와 상기 적어도 하나의 미생물-관련 컨디션 사이의 양의 연관성 및 음의 연관성 중 적어도 하나에 대한 레퍼런스 풍부도 범위에 기초하여 z-스코어 세트를 수정하는 단계를 포함할 수 있고; 여기서 효과 크기 메트릭스에 기초하여 유의 지수 메트릭스를 결정하는 단계는 수정된 z-스코어 세트에 기초하여 유의 지수 메트릭스를 결정하는 단계를 포함할 수 있다. 특정 예에서, 사용자에 대한 유의 지수 메트릭스를 결정하는 단계는 사용자 마이크로바이옴 조성 특징 및 레퍼런스 마이크로바이옴 조성 특징과, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 z-스코어 세트에 기초하여 결정된 수정된 z-스코어 세트에 기초하여 유의 지수 메트릭스를 결정하는 단계를 포함할 수 있다.
예를 들어, 유의 지수 메트릭스를 결정하는 단계는, 메타 분석 수행 및 하나 이상의 풍부도 승수(예를 들어, 전술한 것 등)를 이용한 출력의 가중화(weighinh)를 포함하는 바와 같은, 라우리(Lowry) 방법(예를 들어, 샘플 내 단백질 농도 결정 등을 위한); (예를 들어, 미생물-관련 컨디션과의 연관성에 상응하는 등) 분류군 세트의 모의 샘플(mock sample) 및 풍부도의 랜덤 조합을 생성하는 단계; 풍부도에 기초하여 검정곡선(calibration)을 결정하는 단계; 및 유의 지수를 결정하기 위해 교정 곡선과 함께 보간 프로세스에서 실제 샘플(예를 들어, 대상, 사용자 등으로부터의)을 사용하는 단계를 기반으로 할 수 있다. 특정 예에서, 효과 크기 메트릭스를 결정하는 단계는 레퍼런스 풍부도 범위 및 미생물 분류군 세트에 대한 풍부도의 랜덤 세트로부터 유도된 교정 곡선에 기초하여 보간 프로세스를 수행하는 단계를 포함할 수 있고; 그리고 여기서 효과 크기 메트릭스에 기초하여 유의 지수 메트릭을 결정하는 단계는 보간 프로세스에 기초하여 유의 지수 메트릭스를 결정하는 단계를 포함할 수 있다. 특정 예에서, 사용자에 대한 유의 지수 메트릭스를 결정하는 단계는 사용자 마이크로바이옴 조성 특징(및/또는 적합한 사용자 마이크로바이옴 특징) 및 레퍼런스 마이크로바이옴 조성 특징(및/또는 적절한 레퍼런스 특징) 및 미생물 분류군 세트에 대한 풍부도의 랜덤 세트로부터 유도된 교정 곡선을 이용한 보간 프로세스에 기초하여 유의 지수 메트릭스를 결정하는 단계를 포함할 수 있다. 그러나, 효과 크기 메트릭스에 기초하여 하나 이상의 유의 지수 메트릭스를 결정하는 단계는 임의의 적절한 방식으로 수행될 수 있다.
변형에서, 하나 이상의 유의 지수 메트릭스를 결정하는 단계는 효과 크기 메트릭스 및 사용자 특징(예를 들어, 사용자 풍부도, 사용자 마이크로바이옴 조성 특징과 같은 사용자 마이크로바이옴 특징 등)에 기초하여 하나 이상의 성향 스코어를 결정하는 단계를 포함할 수 있다. 특정 예에서, 유의 지수 메트릭을 결정하는 단계는 미생물 분류군 세트에 대한 효과 크기 메트릭 및 사용자 풍부도에 기초하여, 사용자 마이크로바이옴 및 적어도 하나의 미생물-관련 컨디션 사이의 연관성을 설명하는 사용자에 대한 성향 스코어를 결정하는 단계를 포함할 수 있다. 특정 예에서, 사용자 마이크로바이옴 조성 특징은 미생물 분류군 세트에 대한 사용자 풍부도를 포함하고, 여기서 레퍼런스 마이크로바이옴 조성 특징은 미생물 분류군 세트에 대한 레퍼런스 풍부도 범위를 포함하고, 그리고 여기서 유의 지수 메트릭을 결정하는 단계는 레퍼런스 풍부도 범위 및 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 기초하여 결정된 사용자 풍부도 및 효과 크기 메트릭스에 기초하여, 사용자 마이크로바이옴과 적어도 하나의 미생물-관련 컨디션 사이의 연관성을 특성화하는 사용자에 대한 경향 스코어를 결정하는 것을 포함한다.
일 예(예를 들어, 표 1 및 도 5에 도시된 바와 같은 제3 실시예)에서, 성향 스코어를 결정하는 것은 다음에 기초할 수 있다:
Figure pct00005
여기서 fth는 h번째 사용자에 대한 f번째 분류군의 상대적 풍부도에 해당하고, ct는 효과 크기에 상응한다. 일 예(예를 들어, 표 1 및 도 5에 도시된 바와 같은 제4 실시예)에서, 성향 스코어를 결정하는 것은 효과 크기의 유의도(significance)에 기초할 수 있고, 여기서 성향 스코어를 결정하는 것은 다음에 기초할 수 있다 :
Figure pct00006
여기서 BF 파라미터는 베이즈 팩터(Bayes Factor)(예를 들어, 표 2에 도시 된 바와 같음)에 상응하며, 이는 상관계수를 확률로 변환한다(예를 들어, 표 2에 도시된 바와 같이). 제3 실시예와 관련된(예를 들어, 식 등을 사용하여 계산된) 성향 스코어 및 제4 실시예와 관련된(예를 들어, 식 등을 사용하여 계산된) 성향 스코어는 각각 제5 및 제6 실시예(예를 들어, 표 1 및 도 6에 도시된 바와 같이)에서, 표준 정규 분포의 변위치(quantile)을 사용하여(예를 들어, 0 상대적 풍부도를 갖는 분류군에 의해 만들어진 스코어에 대한 명백한 불연속성을 개선하기 위하는 등) 분류군 빈도를 마이너스에서 양의 무한대에 이르는 연속 범위로 변환함으로써, 공식화(formulated)할 수 있으며; 예를 들어 여기서 1/10000의 가짜수(pseudocount)가 두 스코어에 대한 풍부도에 적용될 수 있다. 특정 예에서, 성향 스코어를 결정하는 단계는 사용자 풍부도, 효과 크기 메트릭스 및 효과 크기에 대한 유의도 메트릭에 기초하여 성향 스코어를 결정하는 단계를 포함한다.
일 예에서(예를 들어, 유의 지수의 변동이 사용자들 사이의 분류군 풍부도 및 효과 크기 메트릭스의 크기 등의 변동에 의해 영향을 받을 수 있는 경우; 등), 예측가능한 최소값 및 최대 값의 바운딩(bounding with)에 기초하는 것과 같이, 성향 스코어가 정규화 될 수 있다. 특정 예에서, 정규화된 성향 스코어(및/또는 다른 적합한 정규화된 유의 지수 메트릭스)는 다음에 기초하여 결정될 수 있다:
Figure pct00007
예를 들어, 여기서 최소 및 최대 값이 사용자로부터의 처리된 샘플에 기초하여 경험적으로 결정되고(예를 들어, 샘플에 대한 스코어가 각 분류군의 관측 된 풍부도 범위 등을 커버할 수 있는 경우 등), 정보 소스에 기초하여 결정되고, 및/또는 다른 방식으로 결정될 수 있고; 그리고 여기서 최소값 및 최대값을 업데이트 할 수 있다(예를 들어, 새로 처리된 샘플 등을 기초로). 특정 예에서, 유의 지수 메트릭을 결정하는 단계는 미생물 분류군 세트에 대한 경험적 풍부도 범위 세트에 기초하여 성향 스코어를 정규화하는 단계를 포함한다. 특정 예에서, 질 샘플의 세트(및/또는 다른 적합한 샘플)는 인간 유두종 바이러스(HPV)(및/또는 다른 적합한 미생물 관련 컨디션; 등)와 연관된 분류군 세트에 대한 경험적 풍부도를 결정하기 위해 처리될 수 있고, 여기서 최소 및 최대 풍부도 및/또는 최소 및 최대 유의성 지수 메트릭 스코어에 대응하는 풍부도가 유의 지수 메트릭스의 상한 및 하한을 결정하는데 사용될 수 있으며, 이는 각각 100의 스코어 및 0의 스코어로 바뀌어질 수 있다. 일 예에서, 성향 스코어 및/또는 임의의 다른 적합한 메트릭스의 정규화는 하기의 하나 이상을 포함할 수 있다: 메트릭을 결정하는데 사용된 메트릭 유형 및/또는 파라미터의 관찰된 최소 및/또는 최대 값에 기초하여 결정된 메트릭스를 스케일링하는 단계(예를 들어, 프로세싱 샘플에 기초하여; 새로운 샘플의 프로세싱에 기초하여 업데이트하는 단계 등); 수동 및/또는 자동 분석에 기초(예를 들어, 표적 미생물-관련 컨디션과 관련된 미생물-관련 컨디션과의 상관관계에 기초하는 것과 같이, 사용에 대한 적합성과 관련하여)하는 바와 같이, 메트릭 유형의 최소값 및 / 또는 최대 값을 결정하는데 사용되는 샘플을 필터링 하는 단계 등); 추가 데이터(예를 들어, 추가 처리된 샘플로부터)가 이용가능해져 극단 값의 영향을 낮추고 새로운 최대값 및/또는 최소값을 추정할 수 있도록 허용하기 위한 것과 같이, 샘플 세트로부터 관측 값 분포의 경험적 백분위 수로서 최대값 및/또는 최소값 선택(예를 들어, 99%보다 낮은 또는 높은 백분위 수 등); 보다 많은 데이터의 사용이 가능해짐에 따라 새로운 최대 및 최소 값의 자동 추정을 가능하게 하고 극단적인 값의 효과를 낮추기 우해, 모든 데이터의 사용을 가능하게 하고 데이터 세트의 보다 더 큰 부분에 대해 더 중요하게 가중치를 두는 것과 같이, 특정 백분위 수를 선택하지 않고도 극단의 이상치(outlier) 영향 낮춤; 및/또는 다른 적합한 공정. 그러나, 성향 스코어를 결정하는 것은 임의의 적합한 방식으로 수행될 수 있다.
변형에서, 하나 이상의 유의 지수 메트릭스를 결정하는 단계는 하나 이상의 샘플에 대해 결정된(예를 들어, 식별된, 할당된 등) 하나 이상의 라벨에 기초할 수 있다. 일 예에서, 라벨은 적어도 하나의 미생물-관련 컨디션과 관련된 분류군 세트에 상응하는, 샘플에서, 분류군의 풍부도에 기초하여 할당될 수 있다. 특정 예에서, 방법(100)은 하기를 포함할 수 있다: 주어진 샘플에 대한 분류군 세트에 대한 풍부도를 결정하는 단계; 하나 이상의 미생물-관련 컨디션과 관련된 각각의 분류군에 대한 풍부도를 건강한 풍부도 범위와 비교하는 단계; 및 하기에 기초하여 각각의 분류군-컨디션 연관성에 대한 라벨(예를 들어, "플래그")을 할당하는 단계
낮은-정상-높은 범위의 풍부도: 플래그는 분류군이 건강 컨디션과 직접적으로 상관관계되고 풍부도가 '높음'인 경우에 적용;
낮은-정상-높은 범위의 풍부도: 플래그는 분류군이 건강 컨디션과 역으로 상관관계(inversely correlated)되고 풍부도가 '낮음'인 경우에 적용;
부재-중간-높은 범위의 풍부도: 플래그는 분류군 풍부도가 '높음'인 경우에 적용;
낮은-정상 범위의 풍부도: 플래그는 분류군이 건강 컨디션과 역으로 상관관계되고 풍부도가 '낮음'인 경우에 적용;
정상-높은 범위의 풍부도: 플래그는 분류군이 건강 컨디션과 직접적으로 상관관계되고 풍부도가 '높음'인 경우에 적용;
음의-양의(negative-positive): 플래그는 분류군이 '양성(positive)'일 때 적용(예를 들어, 샘플 내 0이 아닌 풍부도를 가짐);
여기서 각각의 미생물-관련 컨디션에 대해, 할당된 라벨(예를 들어, "플래그")의 수를 세고, 그리고 다음에 기초하여 유의도를 계산할 수 있다:
(A / B) × 100
여기서 A = 컨디션에 대한 라벨이 있는 분류군의 수; 그리고 B = 해당 컨디션과 연관된 총 분류군이다. 특정 예에서, 유의 지수 메트릭을 결정하는 단계는 사용자 샘플에 대한 라벨 세트를 결정하는 단계를 포함하고, 여기서 라벨 세트를 결정하는 단계는 분류군에 대한 레퍼런스 풍부도 범위와 관련된 분류군에 대한 사용자 풍부도에 의한 풍부도 컨디션의 충족, 및 분류군과 적어도 하나의 미생물-관련 컨디션 사이의, 연관성 세트의, 연관성에 의한 연관성 유형 컨디션의 충족에 기초하여 미생물 분류군 세트의 분류군에 대한 라벨 세트의 라벨을 결정하는 단계, 및 상기 라벨 세트에 기초하여, 사용자 샘플과 연관된 사용자에 대한 유의 지수 메트릭을 결정하는 단계를 포함한다. 그러나, 하나 이상의 라벨에 기초하여 유의 지수 메트릭스를 결정하는 단계는 임의의 적합한 방식으로 결정될 수 있다.
변형에서, 하나 이상의 유의 지수 메트릭스를 결정하는 단계는, 건강한 또는 관심이 있는 특정한 미생물-관련 컨디션을 갖는 사용자로부터 오는 샘플의 확률을 계산하는 것과 같은, 하나 이상의 인공 지능 접근법(예를 들어, 머신 러닝 모델; 인공 지능 접근법을 적용하는 유의 지수 모델 등)에 기초할 수 있다. 하나 이상의 인공 지능 접근법에 기초하여 하나 이상의 유의 지수 메트릭스를 결정하는 단계는 하기 중 하나 이상을 포함할 수 있다: 변환(transforming)(예를 들어, 중심 로그 비율 변환(centered log ratio transformation), 아이소머릭 로그 비율(isometric log ratio) 변환); 분류 및/또는 개선된 출력 정확도에 가장 크게 기여하는 특징들을 선택하기 위한 특징 선택과 관련하여 필터링하는 단계; 임의의 적합한 머신 러닝 알고리즘을 적용(예를 들어, 본원에 기술된 머신 러닝 모델의 유형을 트레이닝 및/또는 처리하기 위해); 모델 선택(예를 들어, 정확도 비교 등에 기초하여, 상이한 유형의 머신 러닝 모델 중에서 선택하기 위해); 샘플(및/또는 사용자 등)을 건강하 또는 하나 이상의 미생물-관련 컨디션 존재로 분류하기 위한 것과 같은, 하나 이상의 컴포넌트(예를 들어, 샘플)를 분류하기 위한 머신 러닝 모델 적용; 및/또는 다른 적합한 공정. 특정 예에서, 방법(100)은 하나 이상의 샘플에 존재하는 미생물의 풍부도에 대한 하나 이상의 중심 로그 비율 및/또는 아이소머릭 로그 비율 변환을 수행하는 단계; 건강하거나 또는 미생물-관련 컨디션이 존재하는 샘플의 분류에 가장 크게 기여하는 분류군에 상응하는 특징만을 선택하기 위해, 데이터 세트를 필터링하는 단계; 건강하거나 또는 미생물-관련 컨디션이 존재하는 사용자로부터의 샘플(예를 들어, 새로운 샘플)을 분류하기 위한 머신 러닝 모델을 훈련시키기 위한 다른 인공 지능 접근법 세트(예를 들어, 랜덤 포레스트 분류기, 서포트 벡터 머신, 로지스틱 회귀, K-평균, 가장 가까운 이웃(closest neighbors) 등) 및/또는 다른 적절한 분석 기술을 수행; 및 머신 러닝 모델에 의해 산출된 확률에 기초하여, 하나 이상의 샘플을 하나의 샘플을 건강하거나 또는 미생물-관련 컨디션이 존재하는 것으로 분류하기 위해, 입력으로서 사용자 특징(예를 들어, 사용자 샘플에 기초하여 생성된 미생물 서열 데이터세트로부터 유래된 등)을 사용하는 것과 같은 하나 이상의 선택된 머신 러닝 모델을 적용하는 단계를 포함할 수 있다. 특정 예에서, 머신 러닝 모델은 그룹에 속하는 확률(예를 들어, 건강 또는 미생물-관련 컨디션)을 출력할 수 있으며, 여기서 유의 지수 메트릭은 다음에 기초하여 결정될 수 있다:
유의 지수 = ( "미생물-관련 컨디션" 그룹에 속할 확률) × 100
여기서 결정된 유의 지수 메트릭은 하나 또는 다른 그룹(예를 들어, 건강한 그룹 또는 미생물-관련 컨디션 그룹 등)에 대한 근접성 스코어로서뿐만 아니라, 추가로 또는 대안적으로 하나의 카테고리 또는 다른 카테고리에 속할 확률로서 사용될 수 있고; 그리고 여기서 유의 지수 메트릭스는 건강한 사용자 또는 하나 이상의 미생물-관련 컨디션(예를 들어, 하나 이상의 진단을 수행 또는 촉진하는 등)을 갖는 사용자로부터 오는 것으로 미생물 샘플을 분류하기 위해 사용될 수 있다.
특정 예에서, 유의 지수 메트릭을 결정하는 단계는, 사용자 마이크로바이옴 조성 특징들(예를 들어, 하나 이상의 미생물-관련 컨디션 등과 연관된 분류군 세트에 대한 사용자 풍부도) 및 연관성 세트와 레퍼런스 풍부도 범위 세트로부터 유래된 머신 러닝 모델(예를 들어, 하나 이상의 미생물-관련 컨디션과 관련된 분류군 세트에 대한 등)에 기초하여, 적어도 하나의 미생물-관련 컨디션에 대한 사용자의 건강 상태와 연관된 마이크로바이옴-관련 컨디션 분류를 결정하는 단계를 포함한다. 특정 예에서, 유의 지수 메트릭을 결정하는 단계는 사용자 마이크로바이옴 조성 특징(예를 들어, 하나 이상의 미생물-관련 컨디션과 관련된 분류군 세트에 대한 사용자 풍부도 등) 및 연관성 세트와 레퍼런스 마이크로바이옴 조성 특징 세트로부터 유래된 머신 러닝 모델에 기초하여, 적어도 하나의 미생물-관련 컨디션에 대한 사용자의 건강 상태와 관련된 미생물-관련 컨디션 분류를 결정하는 단계를 포함한다.
인공 지능 접근법은 임의의 적절한 유형의 유의 지수 메트릭스(예를 들어, 본원에 기술된 등)를 결정하기 위한 것과 같은, 임의의 적합한 수 및 유형의 분류, 확률 및/또는 다른 적합한 출력을 결정하는데 사용될 수 있다. 예를 들어, 머신 러닝 모델은 하나 이상의 미생물-관련 컨디션(예를 들어, 건강의 라벨 및 컨디션의 상이한 중증도; 상이한 컨디션에 대한 상이한 라벨, 여기서 상기 모델의 출력은 각각의 상이한 미생물-관련 컨디션을 나타낼 확률을 포함할 수 있음.)에 대한 적절한 적절한 수의 라벨을 이용하여 트레이닝 될 수 있다.
상이한 유의 지수 모델(예를 들어, 유의 지수 모델의 상이한 조합; 상이한 분석 기술을 적용하는 상이한 모델; 상이한 입력 및/또는 출력 유형; 시간 및/또는 빈도와 관련된 것과 같이 상이한 방식으로 적용; 상이한 유의 지수 접근법, 예를 들어 본원에 기술된 변형 등과 관련하여)은 하기 중 하나 이상에 기초하여 적용될 수 있다(예를 들어, 도 14-15 등에 도시된 바와 같이, 실행, 선택, 검색, 저장, 트레이닝, 생성): 미생물 관련-컨디션(예를 들어, 상이한 유의 지수 모델이, 상이한 미생물-관련 컨디션 및/또는 컨디션의 조합 등과 관련된 데이터를 처리하기 위해 상이한 수준의 적합성을 갖는 경우와 같이, 미생물-관련 컨디션 또는 특성화되는 컨디션에 따라 상이한 유의 지수 모델을 사용), 분류군 (예를 들어, 관련성 있는 하나 이상의 미생물 관련-컨디션과 관련된 분류군의 유형과 같은, 유의 지수 지메트릭스를 결정하는 데 관련된 분류군의 유형에 따라 다른 유의 지수 모델 사용), 사용자 (예를 들어, 상이한 사용자 데이터 및/또는 특성, 인구통계학적 특성, 유전학, 환경 요인 등을 기반으로 하는 다른 유의 지수 모델), 미생물-관련 특성화(예를 들어, 분류의 식별 대 미생물-관련 컨디션에 대한 성향 스코어 결정을 위한 것과 같은, 진단-관련 특성화 대 요법-관련 특성화와 같은, 상이한 유형의 특성화에 대한 상이한 유의 지수 모델; 등), 요법(예를 들어, 상이한 요법의 효능을 결정 및/또는 모니터링 하기 위한 상이한 유의 지수 모델 등), 신체 부위(예를 들어, 상이한 샘플 수집 위치로부터의 생물학적 샘플에 상응하는 미생물 데이터세트를 처리하기 위한 상이한 유의 지수 모델; 등), 보충 데이터(예를 들어, 상이한 유형의 사용자 데이터 등을 예측하기 위한 상이한 모델 등) 및/또는 임의의 다른 적절한 구성 요소. 그러나, 유의 지수 모델(예를 들어, 도 10에 도시된 바와 같은)은 유의 지수 메트릭 결정을 용이하게 하기 위해 임의의 적절한 방식으로 조정 및/또는 사용될 수 있다.
추가적으로 또는 대안적으로, 하나 이상의 유의 지수 메트릭스를 결정하는 단계(S130) 및/또는 방법(100)의 임의의 적절한 구현예의 부분을 결정하는 것은 2018년 7월 27일자로 출원된 미국 특허 출원 제16/047,840호에 기재된 분석 기술의 임의의 적절한 조합(예를 들어, 임의의 적절한 방식으로)을 이용할 수 있으며, 이들은 이의 전체가 본원에 참조로 포함된다. 그러나, 유의 지수 메트릭스를 결정하는 단계(S130)는 임의의 적절한 방식으로 수행될 수 있다.
2.4 진단을 용이하게 하는 단계
방법(100)의 구현예는 추가로 또는 대안적으로 하나 이상의 유의 지수 메트릭스(및/또는 관련 데이터)에 기초하여 하나 이상의 미생물-관련 컨디션의 진단을 용이하게 하는 단계 S140를 포함할 수 있으며, 이는 유의 지수 메트릭스 및/또는 관련 데이터를 하나 이상의 미생물-관련 컨디션의 진단 및/또는 진단을 돕는 데 사용하도록 기능 할 수 있다. 예들에서, 계산된 성향 스코어, 분류(예를 들어, 머신 러닝 모델 사용), 할당된 라벨 세트 및/또는 다른 적절한 유의 지수 메트릭스 및/또는 관련 데이터가 진단에 사용될 수 있다. 일 예에서, 방법(100)은 유의 지수 메트릭에 기초하여 적어도 하나의 미생물-관련 컨디션에 대한 사용자의 진단을 용이하게 하는 단계를 포함 할 수 있다.
진단을 용이하게 하는 단계는 다른 적합한 진단 데이터(예를 들어, 사용자에 의해 제공되는 보충 데이터 등) 및/또는 진단 절차(예를 들어, 컴퓨터 단층 촬영 (CT 스캔), 초음파, 생검, 혈액 검사, 암 스크리닝 검사, 소변 검사 진단 영상, 미생물-관련 컨디션과 관련된 다른 적절한 진단 절차, 설문-관련 정보 및/또는 임의의 다른 적합한 테스트 등)를 사용하기 위해 추가로 또는 대안적인 방식으로 유의 지수 메트릭스를 사용하는 단계를 포함할 수 있다. 특정 예에서, 진단을 용이하게 하는 단계는 사용자에게 하나 이상의 진단 절차를 겪고 및/또는 하나 이상의 컨디션과 같은 투가의 진단-관련 데이터를 요청하도록 추천하는 단계를 포함할 수 있다(예를 들어, 하나 이상의 미생물-관련 컨디션의 존재 가능성을 지시하는 컨디션 등). 특정 예에서, 진단, 추가 진단 절차 추천 및/또는 추가 진단-관련 데이터 요청은 임계 컨디션을 만족하는 계산된 성향 스코어; 임계 컨디션을 만족시키는 분류군에 할당된 다수의 라벨(예를 들어, "플래그"); 또는 임계 컨디션을 만족시키는 확률 출력(예를 들어, 분류에 상응)에 대응할 수 있다. 추가로 또는 대안적으로, 임계 컨디션 및/또는 다른 적절한 유형의 컨디션이 방법(100)의 구현예의 임의의 적절한 부분에 대해 임의의 적절한 방식으로 사용될 수 있다. 그러나, 하나 이상의 다른 프로세스와 함께 유의 지수 메트릭스를 사용하는 것은 임의의 적절한 방식으로 수행될 수 있다.
진단을 용이하게 하는 단계(S140), 치료적 개입을 용이하게 하는 단계(S150) 및/또는 방법(100)의 다른 적절한 구현예의 부분은 하나 이상의 특징(예를 들어, 본 명세서에 설명되고; S120과 관련하여 결정된; 사용자 특징들; 레퍼런스 특징들; 보충 특징들 등) 및/또는 임의의 다른 적절한 데이터에 기초할 수 있다(예를 들어, 모델에 대한 입력으로서 사용될 수 있고, 계산에 대한 입력으로서 사용될 수 있는 등).
진단을 용이하게 하는 단계는 하기 중 하나 이상을 포함할 수 있다: 진단을 제공하는 단계; 진단 추천을 제공하는 단계(예를 들어, 진단 절차를 수행하기 위해 케어(care) 제공자를 찾는 단계 등); 유의 지수 메트릭스 및/또는 다른 관련 데이터를 하나 이상의 엔티티(예를 들어, 케어 제공자, 케어 제공자가 진단을 수행하는데 사용하기 위해 등)에게 전송하는 단계; 사용자에게 보고서를 제공하는 단계(예를 들어, 사용자 장치 등); 및/또는 임의의 다른 적절한 진단-관련 프로세스.
진단을 용이하게 하는 단계는 하나 이상의 미생물-관련 컨디션(예를 들어, 하나 이상의 미생물-관련 컨디션과 관련된 분류군에 대한 건강한 풍부도 범위를 향한 사용자 마이크로바이옴의 변조(modulation); 등)과 관련된 사용자 건강 상태를 개선하기 위한 사용자 마이크로바이옴의 변조와 같이, 요법의 후속적인 촉진을 자극할 수 있는, 사용자에 대한 미생물-관련 컨디션의 검출을 용이하게 하는 단계를 포함 할 수 있다. 추가로 또는 대안적으로, 진단 절차는 하기 중 하나 이상을 포함할 수 있다: 의학적 이력 분석, 영상 검사, 세포 배양 시험, 항체 시험, 피부 찌름(prick) 시험, 패치 시험, 혈액 시험, 유발 검사(challenge test), 방법(100)의 구현예의 일부 수행, 및/또는 미생물-관련 컨디션의 검출(예를 들어, 관찰, 예측 등)을 용이하게 하기 위한 임의의 다른 적절한 절차. 추가적으로 또는 대안적으로, 진단 장치-관련 정보 및/또는 다른 적절한 진단 정보는 진단 및/또는 치료적 개입을 용이하게 하는 것과 관련하여 처리될 수 있고 및/또는 방법(100)의 구현예의 일부의 임의의 적합한 부분과 관련하여 수집, 사용 및/또는 달리 처리될 수 있다.
2.5 치료적 개입을 용이하게 하는 단계(Facilitating therapeutic intervention)
방법(100)의 구현예는 추가적으로 또는 대안적으로 하나 이상의 미생물-관련 컨디션에 대한 치료적 개입을 용이하게 하는 단계 S150을 포함할 수 있고(예를 들어, 하나 이상의 유의 지수 메트릭스 및/또는 연관성 데이터에 기초), 이는 하나 이상의 미생물-관련 컨디션과 관련하여 사용자의 건강 상태를 개선하는 것과 같이, 사용자를 위한 하나 이상의 요법과 관련하여 치료적 개입을 용이하게 하는데(예를 들어 요법 촉진, 요법 제공 등) 유의 지수 메트릭스 및/또는 연관성 데이터를 사용하도록 하는 기능을 할 수 있다. 일 예에서, 방법(100)은 유의 지수 메트릭에 기초하여 적어도 하나의 미생물-관련 컨디션에 대해 사용자에 대한 치료적 개임을 용이하게 하는 단계를 포함할 수 있다.
치료적 개입을 용이하게 하는 단계는 치료적 개입의 식별, 선택, 랭킹(ranking), 우선순위 결정(prioritizing), 예측, 단념(discouraging) 및/또는 다른 방식으로 용이하게 하는 단계를 포함할 수 있다. 예를 들어, 치료적 개입을 용이하게하는 단계는 프로바이오틱-기반 요법, 박테리오파지-기반 요법, 소분자-기반 요법, 및/또는 대상자의 마이크로바이옴 조성, 기능, 다양성 및/또는 다른 특징(예를 들어 임의의 적절한 부위에서의 마이크로바이옴 등)을, 예를 들어 하나 이상의 미생물-관련 컨디션의 상태를 수정하기 위한 것과 같은 사용자 건강의 촉진 및/또는 다른 적절한 목적에 있어서, 건강한 마이크로바이옴 조성(예를 들어, 건강 레퍼런스 풍부도 범위 내 풍부도 등)을 향하는 것과 같은, 바라는 상태로(예를 들어 평형 상태 등) 변화시킬 수 있는 요법과 같은, 다른 적합한 요법 중 하나 이상을 결정하는 것을 포함할 수 있다.
요법(미생물-관련 요법 등)은 하기 중 하나 이상을 포함할 수 있다: 소모품(consumable)(예를 들어, 프로바이오틱 요법, 프리(pre)바이오틱 요법, 항생제와 같은 약물, 알레르기 또는 감기 약물, 박테리오파지-기반 요법, 기저 컨디션(underlying conditions)에 대한 소모품, 소분자 요법, 등); 장치-관련 요법(예를 들어, 모니터링 장치; 센서-기반 장치; 의료 장비; 이식형 의료 장비, 등); 외과 수술; 심리관련 요법(예를 들어, 인지 행동 요법, 불안 요법, 대화 요법, 정신 역학 요법, 행동-중심(action-oriented) 요법, 합리적인 정서 행동 요법, 대인정신 요법, 이완 훈련, 심호흡 기술, 점진적 근육 이완, 명상, 등); 행동 수정 요법(예를 들어, 운동 증가와 같은 신체 활동 권장 사항; 설탕 섭취 감소, 야채 섭취 증가, 생선 섭취 증가, 카페인 소비 감소, 알코올 소비 감소, 탄수화물 섭취 감소와 같은 식이 권장 사항; 담배 섭취 감소와 같은 흡연 권장 사항; 체중-관련 권장 사항; 수면 습관 권장 사항 등); 국소 투여 요법(예를 들어, 국소적 프로바이오틱, 프리바이오틱 및/또는 항생제; 박테리오파지-기반 요법); 환경 요인 수정 요법; 하나 이상의 미생물-관련 컨디션과 관련된 임의의 다른 적합한 견지의 수정; 및/또는 임의의 다른 적합한 요법(예를 들어, 하나 이상의 미생물-관련 컨디션과 관련된 건강 상태를 개선하기 위한 요법, 예를 들어 하나 이상의 미생물-관련 컨디션의 위험을 감소시키기 위한 요법 등과 같은 하나 이상의 미생물-관련 컨디션과 관련된 건강 상태를 개선하기 위해). 일 예에서, 요법의 유형은 하기 중 하나 이상을 포함할 수 있다: 프로바이오틱 요법, 박테리오파지-기반 요법, 소분자-기반 요법, 인지/행동 요법, 물리적 재활 요법, 임상 요법, 약물-요법, 식이(diet)-관련 요법 및/또는 사용자의 건강을 증진시키는 데 있어서 임의의 다른 적절한 방식으로 작동하도록 설계된 임의의 다른 적절한 요법.
변형에서, 요법은 하나 이상의 신체 부위와 관련된 부위-특이적 요법을, 예를 들어 사용자의 하나 이상의 상이한 신체 부위(예를 들어, 하나 이상의 상이한 수집 부위, 등)에서 마이크로바이옴 조성 및/또는 기능의 수정(modification)을 용이하게 하기 위해, 예를 들어 내장 부위, 코 부위, 피부 부위, 입 부위 및/또는 생식기 부위와 관련된 미생물의 표적화 및/또는 변환과 같이, 하나 이상의 사용자 신체 부위에서의 마이크로바이옴과 같이, 하나 이상의 사용자 신체 부위를 특히 표적하는 것으로 구성된 하나 이상의 요법과 관련하여 치료학적 개입을 용이하게 하는 단계에 의한 것과 같이, 예를 들어 하나 이상의 미생물-관련 컨디션의 개선을 용이하게 하기 위해(예를 들어, 특정 사용자 신체 부위에서 사용자 마이크로바이옴 조성 및/또는 기능을 표적 마이크로바이옴 조성 및/또는 기능으로, 예를 들어 특정 신체 부위에서의 마이크로바이옴 조성 및/또는 기능 및 건강한 마이크로바이옴 상태와 관련된 및/또는 하나 이상의 미생물-관련 컨디션의 결여 등과 관련하여 수정함으로써) 포함할 수 있다. 부위-특이적 요법과 관련하여 치료적 개입을 용이하게하는 단계는 부위-특이적 유의 지수 메트릭스에 기초할 수 있다(예를 들어, 부위-특이적 요법을 용이하게 하여 부위에서의 관련 미생물-관련 컨디션과 관련된 분류군과 같은, 상응하는 부위-특이적 유의 지수 메트릭을 결정하는데 사용된 분류군을 포함하는 건강한 마이크로바이옴 조성을 향하여 특정 부위에서 마이크로바이옴 조성을 수정하는 단계; 등). 부위-특이적 요법은 임의의 하나 이상의 소모품(예를 들어, 하나의 신체 부위 마이크로바이옴 및/또는 임의의 적합한 신체 부위와 관련된 마이크로바이옴을 표적으로 하는 등); 국소 요법(예를 들어, 피부 마이크로바이옴, 코 마이크로바이옴, 입 마이크로바이옴, 생식기 마이크로바이옴 등을 수정하기 위해); 및/또는 다른 적합한 유형의 요법을 포함할 수 있다. 예를 들어, 방법(100)은 사용자로부터 제1 신체 부위(예를 들어, 장 부위, 피부 부위, 생식기 부위, 입 부위 및 코 부위 중 적어도 하나를 포함)와 관련된 샘플을 수집하는 단계; 제1 신체 부위와 관련된 부위-특이적 조성 특징을 결정하는 단계; 부위-특이적 조성 특징에 기초하여 미생물-관련 컨디션에 대한 사용자에 유의 지수 메트릭을 결정하는 단계; 및 유의 지수 메트릭에 기초하여, 미생물-관련 컨디션의 개선을 용이하게 하기 위해, 사용에 대한 제1 부위-특이적 요법과 관련하여 치료적 개입을 용이하게 하는 단계(예를 들어, 제1 부위-특이적 요법을 사용자에게 제공하는 것 등)를 포함할 수 있으며, 여기서 제1 부위-특이적 요법은 제1 신체 부위와 관련된다. 일 예에서, 방법(100)은 제1 부위-특이적 요법과 관련하여 치료적 개입을 용이하게 한 후(예를 들어, 제1 부위-특이적 요법의 제공 후, 등) 사용자로부터 제2 신체 부위(예를 들어, 내장 부위, 피부 부위, 생식기 부위, 입 부위 및 코 부위 중 적어도 하나를 포함하는 등)와 관련된 치료 후 샘플을 수집하는 단계; 상기 제2 신체 부위와 관련된 부위 특이적 특징에 기초하여 상기 미생물-관련 컨디션에 대한 사용자에 대한 치료 후 유의 지수 메트릭을 결정하는 단계; 및 치료 후 유의 지수 메트릭에 기초하여, 미생물-관련 컨디션의 개선을 용이하게 하기 위해, 사용자에 대한 제2 부위-특이 적 요법과 관련하여 치료 개입을 용이하게 하는 단계(예를 들어, 사용자에게 제2 부위-특이적 요법을 제공하는 단계 등)를 포함할 수 있으며, 여기서 제2 부위-특이적 요법은 제2 신체 부위와 관련되는 것이다. 그러나, 유의 지수 메트릭스(예를 들어, 부위-특이적 또는 부위-비의존적)는 임의의 적합한 시간 및 빈도(예를 들어, 치료-전, 치료-후, 사용자의 마이크로바이옴의 임의의 적절한 단계에서; 임의의 적절한 시간 표시기에서 등)에서 결정되고 및/또는 사용될 수 있다.
변형에서, 요법은 하나 이상의 박테리오파지-기반 요법(예를 들어, 소모품의 형태, 국소 투여 요법의 형태 등)을 포함 할 수 있으며, 여기서 대상자에서 나타나는(represented in) 특정 박테리아(또는 다른 미생물)에 특이적인 박테리오파지의 하나 이상의 집단(population)은(예를 들어, 콜로니 형성 유닛 측면에서) 특정 박테리아의 집단을 하향-조절(down-regulate)하거나 또는 상기 특정 박테리아의 집단을 다른 방식으로 제거하는데 사용될 수 있다. 이와 같이, 박테리오파지-기반 요법은 대상자에서 나타나는 박테리아의 바람직하지 않은 집단(들)의 크기(들)를 감소시키기 위해 사용될 수 있다. 추가적으로 또는 대안적으로, 박테리오파지-기반 요법은 사용된 박테리오파지(들)에 의해 표적화되지 않은 박테리아 집단의 상대적 풍부도를 증가시키기 위해 사용될 수 있다. 그러나, 박테리오파지-기반 요법은 임의의 적합한 방식으로 마이크로바이옴의 특성(예를 들어, 마이크로바이옴 조성, 마이크로바이옴 기능 등)을 조절하는데 사용될 수 있고 및/또는 임의의 적합한 목적으로 사용될 수 있다.
하나 이상의 프로바이오틱 요법 및/또는 다른 적합한 요법에 대하여, 주어진 분류 학적 그룹과 관련된 미생물 및/또는 임의의 적절한 미생물 조합이 십만(0.1 million) 내지 100억(10 billion) CFU의 용량 및/또는 임의의 적합한 양으로 제공 될 수 있다(예를 들어, 요법에 대응하여 환자의 마이크로바이옴의 포지티브 조정(positive adjustment)을 예측하는 요법 모델로부터 결정된 바와 같은; 상이한 분류군에 대해 상이한 양; 상이한 분류군에 대해 동일하거나 유사한 양; 등). 예를 들어, 대상자는 그/그녀의 하기 중 하나 이상에 맞추어진 투약계획(regimen)에 따른 프로바이오틱 제형(formulation)을 포함하는 캡슐을 섭취하도록 지시될 수 있다: 생리(예를 들어, 체질량 지수, 체중, 키), 인구 통계학적 특성(예를 들어, 성별, 연령), 장내세균불균형(dysbiosis)의 중증도, 약물에 대한 민감성 및 기타 적절한 요인. 예를 들어, 프로바이오틱 요법 및/또는 프리바이오틱 요법이 하나 이상의 맹장- 관련 컨디션의 개선을 용이하게 하기 위해(예를 들어, 조성, 기능 등과 관련하여) 사용자 마이크로바이옴을 조절하는데 사용될 수 있다. 예를 들어, 치료적 개입의 용이화는, 예를 들어 하나 이상의 맹장-관련 컨디션의 개선 용이화 등을 위해, 사용자에게 하나 이상의 프로바이오틱 요법 및/또는 프리바이오틱 요법을 장려(예를 들어, 추천, 관련하여 사용자에게 정보제공, 제공, 투여, 획득의 용이화, 등)하는 단계를 포함할 수 있다.
변형에서, 요법은 본 명세서에 기술된 임의의 적절한 분류군(하나 이상의 미생물-관련 컨디션 등과 관련된 하나 이상의 마이크로바이옴 조성 특징과 관련하여), 및/또는 임의의 적절한 분류학적 그룹과 관련된 임의의 다른 적절한 미생물(예를 들어, 마이크로바이옴 특징과 관련한 것과 같이, 본원에 기술된 분류군으로부터의 미생물; 본원에 기술된 기능적 특징과 관련된 분류군 등) 중 적어도 하나 이상의 임의의 조합과 관련된 프로바이오틱 요법 및/또는 프리바이오틱요법 중 하나 이상(예를 들어, 임의의 적절한 상대적인 양 및/또는 농도 등과 같은, 임의의 적절한 양 및/또는 농도에서의, 하나 이상의 조합을 포함하는 등)을 포함할 수 있다. 하나 이상의 프로바이오틱 요법 및/또는 다른 적합한 요법에 대하여, 주어진 분류학적 그룹과 관련된 미생물 및/또는 임의의 적절한 미생물 조합이 십만(0.1 million) 내지 100억(10 billion) CFU의 용량 및/또는 임의의 적합한 양으로 제공될 수 있다(예를 들어, 요법에 대응하여 환자의 마이크로바이옴의 양성 조정(positive adjustment)을 예측하는 요법 모델로부터 결정된 바와 같은; 상이한 분류군에 대해 상이한 양; 상이한 분류군에 대해 동일하거나 유사한 양; 등). 예를 들어, 대상자은 그/그녀의 하기 중 하나 이상에 맞추어진 레지멘(regimen)에 따른 프로바이오틱 제형(formulation)을 포함하는 캡슐을 섭취하도록 지시될 수 있다: 생리학(예를 들어, 체질량 지수, 체중, 키), 인구 통계학적 특성(예를 들어, 성별, 연령), 장내세균불균형(dysbiosis)의 중증도, 약물에 대한 민감성 및 기타 적절한 요인. 예를 들어, 프로바이오틱 요법 및/또는 프리바이오틱 요법이 하나 이상의 미생물-관련 컨디션의 개선을 용이하게 하기 위해(예를 들어, 조성, 기능 등과 관련하여) 사용자 마이크로바이옴을 조절하는데 사용될 수 있다. 예를 들어, 치료적 개입의 용이화는, 예를 들어 하나 이상의 미생물-관련 컨디션의 개선 용이화 등을 위해, 사용자에게 하나 이상의 프로바이오틱 요법 및/또는 프리바이오틱 요법을 촉진(promoting)(예를 들어, 추천, 관련하여 사용자에게 정보제공, 제공, 투여, 획득의 용이화, 등)하는 단계를 포함할 수 있다.
프로바이오틱 요법의 특정 실시예에서, 도 11에서 보여지는 바와 같이, 후보 요법은 다음 중 하나 이상을 수행할 수 있다: 물리적 장벽을 제공함으로써 (예를 들어, 군락 저항성(colonization resistance)에 의해) 상피세포 내로 병원체 진입을 차단, 배상 세포(goblet cell)의 자극에 의한 점막 장벽 형성 유도, 대상자의 상피 세포 사이의 정점 치밀이음(apical tight junctions)의 무결성 향상(예를 들어, 조나-오클루덴 1(zona-occluden 1)의 조절 자극에 의해, 치밀이음 단백질 재분포 방지에 의해), 항균 인자 생성, 항-염증성 사이토카인 생산 자극(예를 들어, 수지상 세포의 시그널링 및 조절 T-세포의 유도에 의해), 면역 반응의 촉발, 및 장내세균불균형 상태로부터 대상자의 마이크로바이옴을 조정하는 임의의 기타 적합한 기능 수행. 그러나, 프로바이오틱 요법 및/또는 프리바이오틱 요법은 임의의 적합한 방식으로 구성될 수 있다.
다른 특정 실시예에서, 요법은 의료-디바이스 기반 요법(예를 들어, 인간 행동 수정과 관련된, 질병-관련 컨디션의 치료와 관련된, 등)을 포함 할 수 있다.
추가적으로 또는 대안적으로, 치료적 개입을 용이하게 하는 단계는 건강이 양호한 것으로 식별된 대상자 집단의 대상자로부터 평가된, "정상(normal)" 또는 기준선 마이크로바이옴 조성 및/또는 기능적 특징의 식별을 기반으로 할 수 있다. 양호한 건강 상태인 것으로 특성화된 (예를 들어, 특성화 프로세스의 특징을 사용하여) 대상자 집단의 대상자 서브세트의 식별 시, 양호한 건강 상태의 대상자에 대한 마이크로바이옴 조성 및/또는 기능적 특징을 조절하는 요법이 (예를 들어 유의 ㅈ지 메트릭스를 사용하는 등에 의해) 결정 및/또는 촉진될 수 있다. 요법은 추가로 또는 대안적으로 장내세균불균형(dysbiosis)의 상태에 있는 대상자의 마이크로바이옴을 확인된 베이스라인 마이크로바이옴 조성 및/또는 기능적 특징 중 하나로 향하도록 할 수 있는 요법을 포함 할 수 있다.
프로바이오틱 요법 및/또는 프리바이오틱 요법과 관련된(예를 들어, 하나 이상의 유의 지수 메트릭스에 기초하여해 결정된 것과 같은, 프로바이오틱 요법과 관련된, 등) 미생물 조성은 배양 가능한(예를 들어, 스케일러블한(scalable) 요법을 제공하도록 확장될 수 있는) 및/또는 비-치명적인(예를 들어, 원하는 치료 용량에서 비-치명적인) 미생물을 포함할 수 있다. 나아가, 미생물 조성은 대상자의 마이크로바이옴에 급성 또는 온건한(moderated) 영향을 갖는 단일 유형의 미생물을 포함할 수 있다. 추가적으로 또는 대안적으로, 미생물 조성은 대상자의 마이크로바이옴을 원하는 상태로 유도하는데 서로 협력하도록 구성된 다중 유형의 마이크로바이옴의 균형 잡힌 조합을 포함할 수 있다. 예를 들어, 프로바이오틱 요법에서 다중 유형의 박테리아의 조합은 대상자의 마이크로바이옴에 긍정적으로 영향을 미치는 강력한 효과를 갖는 제2 박테리아 유형에 의해 사용되는 생산물을 생성하는 제1 박테리아 유형을 포함할 수 있다. 추가적으로 또는 대안적으로, 프로바이오틱 요법에서의 다중 유형의 박테리아의 조합은 대상자의 마이크로바이옴에 긍정적으로 영향을 미치는 동일한 기능을 갖는 단백질을 생성하는 여러 박테리아 유형을 포함할 수 있다.
프로바이오틱 및/또는 프리바이오틱 조성은 자연적으로 또는 합성적으로 유래될 수 있다. 예를 들어, 일 적용으로, 프로바이오틱 조성은 분변 물질 또는 기타 생물학적 물질(예를 들어, 방법(100)의 구현예의 하나 이상의 프로세스를 사용하여 식별된 바와 같이, 베이스라인 마이크로바이옴 조성 및/또는 기능적 특징을 갖는 하나 이상의 대상자의 것)로부터 자연적으로 유래될 수 있다. 추가적으로 또는 대안적으로, 프로바이오틱 조성은 베이스라인 마이크로바이옴 조성 및/또는 기능적 특징에 기초하여 합성적으로 유래될 수 있다(예를 들어, 벤치탑(benchtop) 방법을 사용하여 유도될 수 있다). 변형으로, 프로바이오틱 요법에 사용될 수 있는 미생물 제제는 다음 중 하나를 포함할 수 있다: 효모(예를 들어, 사카로미세스 보울라디(Saccharomyces boulardii)), 그람-음성 박테리아(예를 들어, 이. 콜라이 니슬(E. coli Nissle), 그람-양성 박테리아(예를 들어, 비피도박테리아 비피덤, 비피도박테리아 인판티스(Bifidobacteria infantis), 락토바실루스 람노서스(Lactobacillus rhamnosus), 락토코커스 락티스(Lactococcus lactis), 락토바실루스 플란타럼(Lactobacillus plantarum), 락토바실러스 아시도필루스(Lactobacillus acidophilus), 락토바실루스 카세이(Lactobacillus casei), 바실루스 폴리페르멘티커스(Bacillus polyfermenticus), 등) 및 임의의 기타 적합한 유형의 미생물 제제. 그러나, 프로바이오틱 요법, 프리바이오틱 요법 및/또는 기타 적합한 요법은 본원에 설명된 임의의 적합한 분류군과 관련된 임의의 적합한 미생물 조합을 포함할 수 있고, 그리고/또는 요법은 임의의 적합한 방식으로 구성될 수 있다.
변형으로, 치료적 개입을 용이하게 하는 단계(예를 들어, 요법 제공, 등) 및/또는 방법(100)의 다른 적절한 부분은 추천 요법, 다른 형태의 요법, 유의 지수 메트릭스, 진단, 진단 권장사항(diagnostic recommendations), 및/또는 기타 적합한 데이터(예를 들어 본원에 기술된 등)와 관련하여 사용자에게 통지를 제공하는 단계(예를 들어, 도 8a-8d, 12 및 16에 나타난 바와 같이)를 포함할 수 있다. 특정 예에서, 치료적 개입을 용이하게 하는 단계(예를 들어, 요법을 제공하는 단계 등)는 요법 권장사항(예를 들어, 유의 지수 메트릭스 및/또는 유의 지수 메트릭스로부터 유래된 데이터 등을 제공하는 것과 같이, 실질적으로 동시에, 동일한 보고서에서와 같이 등) 및/또는 다른 적절한 요법-관련 정보(예를 들어, 요법 효능; 다른 개별 사용자, 사용자의 서브그룹 및/또는 사용자 집단과의 비교; 요법 비교; 히스토릭 요법 및/또는 관련된 요법-관련 정보; 인지 행동 요법과 같은 심리 요법 가이드; 등)를 제공하는 단계를 포함할 수 있다. 통지는 웹 인터페이스(예를 들어, 사용자와 관련된 및 식별하는 사용자 계정 등을 통해)에 제공 될 수 있다. 통지는 어플리케이션, 웹 인터페이스 및/또는 통지 제공을 위해 구성된 클라이언트에게 메세지 전달을 실행하는 전자 디바이스(예를 들어, 개인용 컴퓨터, 모바일 디바이스, 태블릿, 웨어러블, 머리에 착용하는 웨어러블 컴퓨팅 디바이스, 손목에 착용하는 웨어러블 컴퓨팅 디바이스, 등)에 의해 사용자에게 제공될 수 있다. 일 실시예에서, 사용자와 관련된 개인용 컴퓨터 또는 랩톱의 웹 인터페이스는 사용자에 의해, 사용자의 사용자 계정에 액세스를 제공할 수 있으며, 여기서 사용자 계정은 사용자의 마이크로바이옴과 관련된 정보(예를 들어, 미생물-관련 컨디션과의 상관관계의 사용자의 마이크로바이옴의 측면의 상세한 특성화에 관한 등), 및/또는 (예를 들어, 블록 S140 및/또는 S170, 등에서 생성된) 제안된 치료적 조치에 관한 통지를 포함한다. 다른 실시예에서, 개인 전자 디바이스(예를 들어, 스마트 폰, 스마트 워치, 머리에 착용하는 스마트 디바이스)에서 실행되는 어플리케이션은, 유의 지수 메트릭스에 기반한 요법 제안과 관련된 것과 같은, 통지(예를 들어, 디스플레이로, 햅틱으로(haptically), 청각적 방식 등으로)를 제공하도록 구성될 수 있다. 통지 및/또는 프로바이오틱 요법은 추가적으로 또는 대안적으로 사용자와 관련된 주체(예를 들어, 간병인, 배우자, 중요한 다른 사람, 건강관리 전문가, 등)를 통해 직접 제공될 수 있다. 변형으로, 통지는 추가적으로 또는 대안적으로, 주체가 요법의 제공을 용이하게 할 수 있는 경우와 같이, 사용자와 관련된 주체(예를 들어, 건강관리 전문가)에게 제공될 수 있다(예를 들어, 처방에 의해, 치료적 세션을 수행하는 것에 의해, 컴퓨팅 디바이스의 광학 및/또는 오디오 센서를 이용한 디지털 원격 의료 세션을 통하여, 등). 그러나, 통지를 제공하고 그리고/또는 다른 방식으로 치료적 개입을 용이하게 하는 단계는 임의의 적합한 방식으로 수행된다.
그러나, 치료적 개입을 용이하게 하는 단계 S150은 임의의 적절한 방식으로 수행될 수 있다.
3. 실시예
특정 예에서, 카페인 소비 모델과 같은(예를 들어, 사용자가 특정 음식 또는 음료를 섭취하는지, 특정 식이를 따르는지 여부와 같은 식이-관련 컨디션 분류를 결정하기 위한) 하나 이상의 식이-관련 컨디션 모델(예를 들어, 및/또는 다른 적합한 유의 지수 모델 및/또는 관련 모델; 및/또는 본원에 기술된 바와 같은 임의의 적합한 식이-관련 컨디션에 대한 다른 적합한 모델)이, 예를 들어, 마이크로바이옴 조성 특징(예를 들어, 카페인 소비와 관련된 분류군에 대한 사용자 풍부도 등과 같은 사용자 마이크로바이옴 조성 특징 등) 및/또는 다른 적합한 특징(예를 들어, 보충 특징들, 마이크로바이옴 기능적 기능 등)에 기초하여 카페인 소비 메트릭(예를 들어, 사용자가 카페인 소비자인지 아닌지에 대한 분류 등)과 같은, 식이-관련 컨디션 메트릭을 예측하기 위해, 처리(예를 들어, 생성되고, 트레이닝되고, 적용되는, 등)될 수 있다. 특정 예에서, 분류군(및/또는 관련 풍부도)은, 예를 들어 분류군이 추가로 또는 대안적으로 하나 이상의 다른 미생물-관련 컨디션(예를 들어, 질병 등)과 관련될 수 있는 경우, 예를 들어, 마이크로바이옴에 대한 식이 영향의 결정이, 예를 들어 진단 및/또는 치료와 관련한 것과 같은, 마이크로바이옴에 대한 추론 및/또는 다른 적절한 통찰(insight), 미생물-관련 컨디션의 상태, 및/또는 다른 적절한 미생물 및/또는 미생물-관련 컨디션 통찰을 가능할 수 있는 경우, 하나 이상의 식이-관련 컨디션(예를 들어, 식이 프로파일; 소비된 음식의 종류 등)과 관련될 수 있다. 특정 예에서, 카페인 소비자 모델은 카페인 소비자 및 비-카페인 소비자에 대한 분류군 풍부도를 기술하는 특징에 기초하여 트레이닝 및/또는 다른 방식으로 처리될 수 있다. 특정 예에서, 상이한 인공 지능 접근법이 서포트 벡터 머신(SVM) 모델(예를 들어, 도 7b-7e에 도시된 바와 같은) 및/또는 랜덤 포레스트 분류기 모델(예를 들어, 도 7a에 도시된 바와 같은)을 포함하는, 상이한 머신 학습 모델을 트레이닝 하기 위해 적용될 수 있다. 특정 예에서, 카페인 소비자 예측(예를 들어, 카페인 소비자 모델 등을 처리하기 위한) 및/또는 다른 적합한 식-관련 컨디션 예측(예를 들어, 분류 등)을 위한 마이크로바이옴 조성 특징(및/또는 다른 적합한 마이크로바이옴 특징) 다음을 포함하는 하나 이상의 분류와 연관될 수 있다: 알리스티페스(Alistipes); 아네로트룬쿠스(Anaerotruncus); 박테로이데스(Bacteroides); 비피도박테리움(Bifidobacterium); 빌로필라(Bilophila); 블라우티아(Blautia); 부티리시모나스(Butyricimonas); 클로스트리디움(Clostridium); 콜린셀라(Collinsella); 에리시페라토클로스트리디움(Erysipelatoclostridium); 페칼리박테리움(Faecalibacterium); 플라보박테리움(Flavobacterium); 플라보니프락토르(Flavonifractor); 그라눌리카텔라(Granulicatella); 헤스펠리아(Hespellia); 인테스티니모나스(Intestinimonas); 클루이베라(Kluyvera); 라크노스피라(Lachnospira); 마르빈브리안티아(Marvinbryantia); 오도리박터(Odoribacter); 오실리박터(Oscillibacter); 파라박테로이데스(Parabacteroides); 파스콜락토박테리움(Phascolarctobacterium); 슈도부티리비브리오(Pseudobutyrivibrio); 로제부리아(Roseburia); 스트렙토코쿠스(Streptococcus); 서브돌리그라눌룸(Subdoligranulum); 슈테렐라(Sutterella); 및/또는 테리스포로박터(Terrisporobacter). 특정 예에서, 마이크로바이옴 조성 특징에 대한 분류군은, 예를 들어 랜덤 포레스트 접근에서 "중요도 스코어(importance score)"에 기초하는 것과 같은, 임의의 적절한 수단을 통해 선택될 수 있다. 특정 예에서, 미생물-관련 컨디션 분류를 결정하는 단계는 머신 러닝 모델 및 미생물 분류군 세트와 관련된 사용자 마이크로바이옴 조성 특징에 기초하여 사용자에 대한 카페인 소비 분류를 결정하는 단계를 포함하며, 여기서 미생물 분류군 세트는 다음 중 적어도 하나를 포함한다: 알리스티페스(Alistipes); 아네로트룬쿠스(Anaerotruncus); 박테로이데스(Bacteroides); 비피도박테리움(Bifidobacterium); 빌로필라(Bilophila); 블라우티아(Blautia); 부티리시모나스(Butyricimonas); 클로스트리디움(Clostridium); 콜린셀라(Collinsella); 에리시페라토클로스트리디움(Erysipelatoclostridium); 페칼리박테리움(Faecalibacterium); 플라보박테리움(Flavobacterium); 플라보니프락토르(Flavonifractor); 그라눌리카텔라(Granulicatella); 헤스펠리아(Hespellia); 인테스티니모나스(Intestinimonas); 클루이베라(Kluyvera); 라크노스피라(Lachnospira); 마르빈브리안티아(Marvinbryantia); 오도리박터(Odoribacter); 오실리박터(Oscillibacter); 파라박테로이데스(Parabacteroides); 파스콜락토박테리움(Phascolarctobacterium); 슈도부티리비브리오(Pseudobutyrivibrio); 로제부리아(Roseburia); 스트렙토코쿠스(Streptococcus); 서브돌리그라눌룸(Subdoligranulum); 슈테렐라(Sutterella); 및 테리스포로박터(Terrisporobacter). 특정 예에서, 미생물-관련 컨디션 분류를 결정하는 단계는 머신 러닝 모델 및 미생물 분류군 세트와 관련된 사용자 마이크로바이옴 조성 특징에 기초하여 사용자에 대한 다이어트-관련 컨디션과 관련된, 식이-관련 컨디션 분류를 결정하는 단계를 포함한다. 분류군. 특정 예에서, 식이-관련 컨디션은 카페인 소비, 알코올 소비, 인공 감미료 소비 및 설탕 소비 중 적어도 하나를 포함하며; 여기서 미생물-관련 컨디션 분류를 결정하는 단계는 카페인 소비 분류, 알코올 소비 분류, 인공 감미료 소비 분류 및 당 소비 분류 중 적어도 하나를 결정하는 단계를 포함한다.
특정 예에서, 하나 이상의 유의 지수 메트릭스는 하나 이상의 HPV 컨디션 및/또는 임의의 적합한 여성의 건강-관련 컨디션 (예를 들어, 본원에 기술된 바와 같이, 도 8a-8d에 도시된 바와 같이)에 대해 결정될 수 있으며, 예를 들어 사용자의 질 마이크로바이옴 조성이 하나 이상의 여성의 건강-관련 컨디션이 없는 건강한 개첼ㅎ부터의 것과 어떻게 유사하거나 또는 벗어나 있는지 특성화하기 위해 결정될 수 있다.
마이크로바이옴 분석은 미생물에 의해 야기되는, 상관되는, 및/또는 다른 방식으로 미생물과 관련된 미생물-관련 컨디션에 대한 정확하고 그리고/또는 효율적인 미생물-관련 특성화(예를 들어, 사용자 마이크로바이옴의, 사용자 샘플의, 사용자의, 등) 및/또는 요법 제공(예를 들어, 상기 방법(100)의 구현예의 일부 등에 따라)을, 예를 들어 유의 지수 메트릭스의 결정 및/또는 사용을 통해서와 같이, 가능하게 할 수 있다. 상기 기술의 특정 예는 기존의 접근법에 의해 직면하는 여러 가지 어려움을 극복할 수 있다. 첫째, 기존의 접근법은 환자가 한 명 이상의 보살핌 제공자를 방문하여, 미생물-관련 컨디션에 대한 것과 같은, 특성화 및/또는 요법 권장을 받아야 하며, 이는 진단 및/또는 치료 전에 경과한 시간의 양, 건강 보살핌 품질의 불일치, 및/또는 보살핌 제공자 방문의 다른 견지와 관련된 비효율성 및/또는 건강-위험에 이르게 할 수 있다. 둘째, 인간 게놈 시퀀싱을 위한 기존의 유전자 시퀀싱 및 분석 기술은 마이크로바이옴에 적용될 때 호환불가능하거나 및/또는 비효율적일 수 있다(예를 들어, 인간 마이크로바이옴은 인간의 세포보다 10배 이상의 미생물 세포를 포함할 수 있고; 실행가능한 분석 기술 및 상기 분석 기술을 레버리징(leveraging)하는 수단은 상이할 수 있고; 이때 증폭 편향을 감소시키기 위한 것과 같이, 최적 샘플 프로세싱 기법이 다를 수 있고; 이때 미생물-관련 특성화에 대한 상이한 접근이 이용될 수 있으며; 이때 컨디션 및 상관성의 유형이 다를 수 있고; 이때 관련된 컨디션의 원인 및/또는 관련된 컨디션에 대한 실행가능한 요법이 다를 수 있고; 이때 서열 레퍼런스 데이터베이스(sequence reference databases)가 다를 수 있고; 마이크로바이옴은 상이한 수집 부위에서와 같이 사용자의 상이한 신체 부위에 따라 다를 수 있는 경우 등). 셋째, 시퀀싱 기술(예를 들어, 차세대 시퀀싱, 관련된 기술 등)의 시작(onset)은 존재하지도 않은 기술적인 문제들(예를 들어, 생성된 서열 데이터의 과잉에 대한 데이터 프로세싱 및 분석 문제; 다중 방식 프로세싱에서의 다수의 생물학적 샘플 프로세싱에 대한 문제; 정보 디스플레이 문제; 요법 예측 문제; 요법 제공 문제, 등)을 야기시켰지만, 유전 물질의 시퀀싱과 관련된 속도 및 데이터 생성에서 전례 없는 진보를 가져왔다. 상기 방법(100) 및/또는 시스템(200)의 특정 실시예들은 적어도 위에 기술한 어려움에 대해 기술적으로 뿌리내린(technologically-rooted) 해결책을 제공할 수 있다.
첫째, 상기 기술의 특정 실시예는 엔티티(entities)(예를 들어, 사용자, 생물학적 샘플, 의료기기를 포함하는 요법 용이화 시스템 등)를 상이한 상태(states) 또는 사물로 변형시킬 수 있다. 예를 들어, 상기 기술은 생물학적 샘플을 하나 이상의 미생물-관련 컨디션과 관련하여(예를 들어, 차세대 시퀀싱 시스템, 다중 증폭 수행의 사용 등을 통해), 사용자를 특성화하는 데 사용할 수 있는, 유의 지수 메트릭스를 생성하기 위해 시퀀싱되고 분석될 수 있는 구성 요소로 변형시킬 수 있다. 다른 실시예에서, 상기 기술은 요법(예를 들어, 마이크로바이옴-관련 특성화에 기초하여 개인맞춤화된 요법 등)을 식별, 단념 및/또는 촉진(예를 들어, 제시, 권장, 제겅, 관리 등)할 수 있으며, 그리고/또는 다른 방식으로, 예를 들어 유의 지수 메트릭스에 기초하여, 치료적 개입을 용이하게 할 수 있으며(예를 들어, 사용자의 마이크로바이옴 조성, 마이크로바이옴 기능성 등의 변형을 용이하게 함), 이는 하나 이상의 미생물-관련 컨디션을 예방 및/또는 개선할 수 있고, 예를 들어 이에 의해, 예를 들어 하나 이상의 마이크로바이옴 특징을 적용하는 것에 기초하여(예를 들어, 마이크로바이옴 특징과 하나 이상의 미생물-관련 컨디션 사이의 상관관계, 관련 및/또는 다른 적절한 연관을 적용하는 것 등), 상기 마이크로바이옴 및/또는 상기 환자의 건강을 변형(예를 들어, 미생물-관련 컨디션과 관련된 건강 상태 향상 등)시킬 수 있다. 또 다른 실시예에서, 상기 기술은 내장, 코, 피부, 입, 및/또는 생식기 마이크로바이옴과 관련된 다른 부위와 관련된 미생물을 표적하고 그리고/또는 변형시키는 것과 같이, 사용자의 하나 이상의 상이한 신체 부위에서(예를 들어, 하나 이상의 상이한 수집 부위 등) 마이크로바이옴 조성 및/또는 기능을 변형시킬 수 있다(예를 들어, 하나 이상의 부위-특이적 요법과 관련하여 치료적 중재를 촉진함으로써; 등). 또 다른 실시예에서, 상기 기술은 (예를 들어, 실행할 요법 용이화 시스템에 대한 제어 명령을 생성함으로써) 요법을 촉진하기 위한 요법 용이화 시스템(예를 들어, 식이요법(dietary) 시스템, 자동화 의약 디스펜서; 행동 조절 시스템; 진단 시스템; 질병 요법 용이화 시스템 등)을 제어할 수 있고, 이에 의해, 상기 요법 용이화 시스템을 변형시킬 수 있다.
둘째, 상기 기술의 특정 실시예는 이전에 실행할 수 없었던 기능의 컴퓨터 성능을 용이하게 하는 것에 의한 것과 같이, 컴퓨터-관련 기술(예를 들어, 미생물-관련 컨디션에 대한 미생물-관련 데이터의 저장, 검색 및/또는 프로세싱에 있어서 컴퓨터 효율의 향상; 생물학적 샘플 프로세싱과 관련된 컴퓨터 프로세싱 등)의 향상을 도모할 수 있다. 예를 들어, 상기 기술은 미생물-관련 특성화(예를 들어 진단 등)를 향상시키고 그리고/또는 미생물-관련 컨디션에 대한 치료적 개입을 용이하게 하기 위한 것과 같이, 유의 지수 메트릭스 결정을 위해, 논-제네릭 미생물 데이터세트 및/또는 마이크로바이옴 특징(예를 들어, 샘플 처리 기술 및/또는 시퀀싱 기술 등의 진보로 인해 최근 생성될 수 있고 및/또는 실행 가능한)에 대해 논-제네릭 방식으로 분석 기술 세트를 적용할 수 있다.
셋째, 상기 기술의 특정 실시예는 프로세싱 속도, 미생물-관련 특성화, 정확도, 마이크로바이옴-관련 요법 결정 및 촉진, 및/또는 미생물-관련 컨디션과 관련된 다른 적절한 견지에서의 향상을 도모할 수 있다. 예를 들어, 상기 기술은 하나 이상의 유형의 미생물-관련 컨디션에 대한 특정 관련성의 마이크로바이옴 특징(예를 들어, 미생물-관련 컨디션에 대해 관련된 프로세싱된 마이크로바이옴 특징; 다수의 미생물-관련 컨디션과 관련된 교차-컨디션 마이크로바이옴 특징 등)을 결정, 선택 및/또는 다른 방식으로 프로세싱하기 위해 논-제네릭 미생물 데이터세트를 활용할 수 있으며, 이는 정확도의 개선(예를 들어, 가장 관련 있는 마이크로바이옴 특징을 사용함으로써; 맞춤화된 분석 기술을 활용함으로써 등); 프로세싱 속도의 개선(예를 들어, 관련 마이크로바이옴 특징의 서브세트를 선택함으로써; 차원수(dimensionality) 감소 기술을 수행함으로써; 맞춤화된 분석 기술을 활용함으로써 등), 및/또는 다른 컴퓨터의(computational) 개선(예를 들어, 미생물-관련 컨디션의 표시 등과 같은, 표현형 예측 관련), 다른 적절한 특성화, 치료적 개입 용이화, 및/또는 다른 적절한 목적과 관련된 개선을 용이하게 할 수 있다. 특정 실시예에서, 상기 기술은 특성화 및/또는 요법(예를 들어, 모델 등을 통해)을 생성, 적용 및/또는 다른 방식으로 용이화 하기 위해서 방대하고 잠재적인(예를 들어, 서열 데이터와 같은 방대한 마이크로바이옴 데이터로부터 추출가능한; 일변수 통계학적 테스트에 의해 식별가능한 등) 특징들의 풀(pool of features)로부터 특징의 최적 서브세트(예를 들어, 하나 이상의 미생물-관련 컨디션과 관련된 마이크로바이옴 기능적 특징들; 미생물-관련 컨디션과 관련된 분류그룹의 건강, 존재, 부재 및/또는 다른 적절한 범위를 나타내는 레퍼런스 상대적 풍부도 특징들(reference relative abundance features)과 같은 마이크로바이옴 조성 다양성 특징들; 미생물-관련 컨디션 및/또는 요법 반응과 상관된 레퍼런스 상대적 풍부도 특징들과 비교될 수 있는 사용자 상대적 풍부도 특징들(user relative abundance features) 등)를 선택하기 위한 특징-선택 규칙들(feature-selection rules)(예를 들어, 조성, 기능에 대한 마이크로바이옴 특징-선택 규칙; 보충 데이터세트로부터 추출된 보충 특징들에 대한 마이크로바이옴 특징-선택 규칙 등)을 적용할 수 있다. 마이크로바이옴(예를 들어, 인간 마이크로바이옴, 동물 마이크로바이옴, 등)의 잠재적인 크기는 과다한 데이터로 번역될 수 있고, 이는 미생물-관련 컨디션과 관련하여 실행가능한 마이크로바이옴 통찰을 얻기 위하여 방대한 배열의 데이터를 프로세싱하고 분석하는 방법에 대한 의문을 제기한다. 그러나, 상기 특징-선택 규칙들 및/또는 다른 적절한 컴퓨터-실행가능 규칙들은 다음 중 하나 이상을 가능하게 할 수 있다: 보다 짧은 생성 및 실행 시간(예를 들어, 모델을 생성 및/또는 적용하기 위한; 미생물-관련 특성화 및/또는 관련 요법을 결정하기 위한; 등); 최적화된 샘플 프로세싱 기술(예를 들어, 특이성을 개선하고, 증폭 바이어스(bias), 및/또는 다른 적절한 파라미터를 감소시키기 위해 최적화하는 것과 같이, 프라이머 유형 사용을 통한 생물학적 샘플로부터의 미생물 핵산, 다른 생체분자, 및/또는 분류그룹, 서열, 및/또는 미생물-관련 컨디션과 관련된 다른 적절한 데이터의 컴퓨터적인 분석을 통해 식별되는 다른 샘플 프로세싱 요소의 변형을 개선시키는 것); 모델의 단순화를 통해 결과의 효율적인 해석 용이화; 과다적합(overfitting)의 감소; 미생물-관련 컨디션과 관련되어 시간 경과에 따른 다수의 사용자에 대한 미생물-관련 특성화를 생성, 저장, 및 적용하는 것과 관련된 네트워크 효과(예를 들어, 미생물-관련 특성화의 예측력 및/또는 요법 결정을 개선하기 위해 증가하는 사용자 수와 관련된 증가하는 마이크로바이옴-관련 데이터의 양의 수집 및 프로세싱을 통해); 데이터 저장 및 검색 개선(예를 들어, 유의 지수 모델을 저장 및/또는 검색하는 것; 상이한 미생물-관련-컨디션을 갖는, 상이한 사용자 및/또는 사용자 세트와 관련된 것과 같은 특정 모델을 저장하는 것; 사용자 계정과 관련된 미생물 데이터세트를 저장하는 것; 예를 들어 유의 지수 메트릭스와 관련하여, 하나 이상의 요법 및/또는 상기 요법을 받는 사용자와 관련된 요법 모니터링 데이터를 저장하는 것; 미생물-관련 컨디션에 대한 개인맞춤형 특성화 및/또는 치료의 전달을 개선하기 위한 특징들, 미생물-관련 특성화, 및/또는 사용자, 사용자 세트, 및/또는 다른 엔티티와 관련된 다른 적절한 데이터를 저장하는 것), 및/또는 기술적인 영역에 대한 다른 적절한 개선.
넷째, 상기 기술의 특정 실시예는 샘플 취급 시스템, 미생물-관련 특성화 시스템, 및 복수의 사용자를 포함하는 구성에 걸친 기능성의 창의적인 분포에 다다를 수 있으며, 여기서 상기 샘플 취급 시스템은 상기 복수의 사용자로부터 생물학적 샘플의 프로세싱을 실질적으로 동시에 (예를 들어, 다중 방식으로) 취급할 수 있고, 이는 미생물-관련 컨디션에 대한 (예를 들어, 사용자의 식이 행동, 프로바이오틱스-관련 행동, 의료 이력, 인구통계, 다른 행동, 선호도 등과 같은 사용자의 마이크로바이옴에 맞춤화된) 개인맞춤형 특성화 및/또는 요법을 생성하는 데 상기 미생물-관련 특성화 시스템에 의해 활용될 수 있다.
다섯째, 상기 기술의 특정 실시예는 적어도, 유전체학, 미생물학, 마이크로바이옴-관련 컴퓨테이션, 진단학, 치료학, 마이크로바이옴-관련 디지털 의학, 디지털 의학 일반, 모델링, 및/또는 기타 관련 분야의 기술분야를 개선할 수 있다. 일 예로, 상기 기술은 미생물-관련 컨디션에 대한 (예를 들어, 진단에 사용되어 치료적 개입을 용이하게 하는 바이오마커로서 작용할 수 있는) 관련 미생물 특징의 컴퓨터상의 식별에 의한 것과 같이, 상이한 미생물-관련 컨디션을 모델링하고 그리고/또는 특성할 수 있다. 다른 실시예로, 상기 기술은 다수의 미생물-관련 컨디션(예를 들어, 질병, 표현형 등)과 관련된(예를 들어, 전체적으로 공유, 전체적으로 상관적인 것 등) 교차-컨디션 마이크로바이옴 특징들을 식별 및 평가하기 위한 교차-컨디션 분석을 수행할 수 있다. 이러한 마이크로바이옴 특징들의 식별 및 특성화는 동시이환(comorbid) 및/또는 다중-동시이환 미생물-관련 컨디션(예를 들어, 환경적 요인과 연관될 수 있고, 이에 따라 마이크로바이옴과 연관될 수 있는 등)의 위험 및 유행을 감소시킴으로써, (예를 들어, 진단 및 치료적 개입을 용이하게 하는 것에 의한 것과 같이, 집단 및 개별 수준에서 등) 개선된 건강 케어 실행(health care practices)을 용이하게 할 수 있다. 특정 예에서, 기술은 기술 분야의 개선을 제공하는 것과 같이, 비전통적인 프로세스(예를 들어, 샘플 처리 프로세스, 컴퓨터의 분석 프로세스 등)를 적용할 수 있다.
여섯째, 상기 기술은 상기 방법(100) 및/또는 시스템(200) 구현예와 관련된 적절한 부분을 수행하는 데 있어서, 전문화된 컴퓨팅 디바이스(예를 들어, 차세대 시퀀싱 시스템; 미생물-관련 특성화 시스템; 요법 용이화 시스템 등과 같은 샘플 취급 시스템과 관련된 디바이스 등)를 활용할 수 있다.
그러나, 상기 기술의 특정 실시예는 미생물-관련 특성화, 마이크로바이옴 조절을 위해, 그리고/또는 상기 방법(100)의 적절한 구현예 부분을 수행하기 위해, 일반화되지 않은 요소 및/또는 시스템(200)의 적절한 구현예 요소를 사용하는 맥락에서 임의의 적절한 개선을 제공할 수 있다.
4. 기타.
그러나, 방법(100)의 구현은 대상자로부터 생물학적 샘플의 수신, 대상자로부터 생물학적 샘플의 프로세싱, 생물학적 샘플로부터 유래된 데이터 분석, 및 맞춤화된 진단의 제공 및/또는 대상자의 특정 마이크로바이옴 조성 및/또는 기능적 특징에 따른 프로바이오틱-기반 요법을 제공을 용이하게 하는데 사용될 수 있는 모델 생성을 용이하게 하도록 구성된 기타 임의의 적합한 블록 또는 단계를 포함할 수 있다.
방법(100) 및/또는 시스템(200)의 구현예는 임의의 변형(예를 들어, 구현예, 변형, 실시예, 특정 실시예, 도면, 등)을 포함하는, 다양한 시스템 요소 및 다양한 방법 프로세스의 모든 조합 및 치환을 포함할 수 있으며, 여기서 방법(100) 및/또는 본원에 설명된 프로세스의 구현예의 부분은 비동기적으로(asynchronously)(예를 들어, 연속적으로), 동시에(예를 들어, 병렬적으로), 또는 임의의 다른 적합한 순서로, 시스템(200) 및/또는 본원에 설명된 다른 엔티티의 하나 이상의 인스턴스(instances), 엘리먼트(elements), 구성 및/또는 기타 측면에 의해 그리고/또는 이를 사용하여 수행될 수 있다.
본원에 설명된 임의의 변형(예를 들어, 구현예, 변형, 실시예, 특정 실시예, 도면, 등) 및/또는 본원에 설명된 변형의 임의의 일부는 추가적으로 또는 대안적으로 조합, 집합, 배제, 사용, 연속 수행, 병렬 수행되고, 그리고/또는 다른 방식으로 적용될 수 있다.
방법(100) 및/또는 시스템(200)의 구현예의 일부는 컴퓨터-판독 가능 지침을 저장하는 컴퓨터-판독 가능 매체를 수신하도록 구성된 기계로서 적어도 부분적으로 구현 및/또는 실행될 수 있다. 상기 지침은 시스템과 통합될 수 있는 컴퓨터-실행 가능 구성에 의해 실행될 수 있다. 컴퓨터-판독 가능 매체는 RAMs, ROMs, 플래시 메모리, EEPROMs, 광학 디바이스(CD 또는 DVD), 하드 드라이브, 플로피 드라이브, 또는 임의의 적합한 디바이스와 같은 임의의 적합한 컴퓨터-판독 가능 매체에 저장될 수 있다. 컴퓨터-실행 가능 구성은 일반 또는 어플리케이션 특정 프로세서일 수 있지만, 그러나 임의의 적합한 전용 하드웨어 또는 하드웨어/펌웨어 조합 디바이스가 대안적으로 또는 추가적으로 지침을 실행할 수 있다.
당업자는 앞선 상세한 설명 및 도면 및 청구범위로부터 인식할 수 있는 바와 같이, 청구 범위에 정의된 범위를 벗어나지 않고 방법(100), 시스템(200), 및/또는 변형의 구현에 대한 수정 및 변화가 이루어질 수 있다.
유의 지수 메트릭/스코어 샘플 이론적인(theoretical)
최소 최대 최소 최대
제1 실시예 1.4 87.38 0 88.43
제2 실시예 0 99.99 0 99.99
제3 실시예 -40.71 45.45 -41.0 64.0
제4 실시예 -17.34 45.45 -17.46 63.9
제5 실시예 -4.59 1.42 -5.10 2.38
제6 실시예 -4.20 0.34 -5.92 2.38
분류군 상관계수 베이어스(Bayes) 팩터 연관성의 확률;연관성의 확률로 BF(Bayes factor)를 이용하여 계산 = BF/(1+ BF)
Fusobacterium nucleatum -0.1 0.14 0.12
Gardnerella 0.083 0.42 0.29
Gardnerella vaginalis 0.34 5.81 0.85
Lactobacillus iners -0.41 0.74 0.42
Sneathia 0.64 35453.65 0.99

Claims (24)

  1. 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의, 양(positive)의 연관성, 음(negative)의 연관성 및 비-연관성(non-association) 중 적어도 하나를 포함하는, 연관성 세트를 결정하는 단계;
    미생물 분류군 세트에 대하여, 적어도 하나의 미생물-관련 컨디션과 연관된, 레퍼런스 풍부도 범위 세트를 결정하는 단계; 및
    미생물 분류군 세트에 대한 레퍼런스 풍부도 범위 및 연관성 세트에 기초하여, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트의 특성화와 연관된 유의 지수 메트릭(significance index metric)을 결정하는 단계를 포함하는, 적어도 하나의 미생물-관련 컨디션을 특성화하는 방법.
  2. 제1항에 있어서, 유의 지수 메트릭을 결정하는 단계는,
    미생물 분류군 세트에 대한 레퍼런스 풍부도 범위 세트에 기초하여, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 효과 크기 메트릭스(metrics)를 결정하는 단계; 및
    상기 효과 크기 메트릭스에 기초하여 유의 지수 메트릭을 결정하는 단계
    를 포함하는, 방법.
  3. 제2항에 있어서, 상기 효과 크기 메트릭스를 결정하는 단계는, 메타(meta)-분석에 기초하여, 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 상관계수 세트를 결정하는 단계를 포함하고,
    여기서 상기 효과 크기 메트릭스에 기초하여 유의 지수 메트릭을 결정하는 단계는 상기 상관계수 세트에 기초하여 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  4. 제2항에 있어서, 효과 크기 메트릭스를 결정하는 단계는
    미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 z-스코어 세트를 결정하는 단계; 및
    미생물 분류군 세트에 대한 레퍼런스 풍부도 범위 및 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 양의 연관성 및 음의 연관성 중 적어도 하나에 기초하여 z-스코어 세트를 수정하는 단계를 포함하고; 그리고
    여기서 효과 크기 메트릭스에 기초하여 유의 지수 메트릭을 결정하는 단계는 수정된 z-스코어 세트에 기초하여 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  5. 제2항에 있어서, 효과 크기 메트릭스를 결정하는 단계는 레퍼런스 풍부도 범위 및 미생물 분류군 세트에 대한 풍부도 랜덤 세트로부터 유래된 검정곡선(calibration curve)에 기초하여 보간 공정(interpolation process)을 수행하는 단계를 포함하고,
    여기서 효과 크기 메트릭스에 기초하여 유의 지수 메트릭을 결정하는 단계는 보간 공정에 기초하여 상기 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  6. 제2항에 있어서, 유의 지수 메트릭을 결정하는 단계는 효과 크기 메트릭 및 미생물 분류군 세트에 대한 사용자 풍부도에 기초하여 사용자 마이크로바이옴과 적어도 하나의 미생물-관련 컨디션 사이의 연관성을 기술하는, 사용자에 대한 성향 스코어(propensity score)를 결정하는 단계를 포함하는, 방법.
  7. 제6항에 있어서, 유의 지수 메트릭을 결정하는 단계는 미생물 분류군 세트에 대한 경험적(empirical) 풍부도 범위 세트에 기초하여 성향 스코어(propensity score)를 정상화(normalizing)하는 단계를 포함하는, 방법.
  8. 제1항에 있어서, 상기 유의 지수 메트릭을 결정하는 단계는,
    사용자 샘플에 대한 라벨(labels) 세트를 결정하는 단계로서, 이때 라벨 세트를 결정하는 단계는 분류군에 대한 레퍼런스 풍부도 범위에 관련된 분류군에 대한 사용자 풍부도에 의한 풍부도 컨디션의 충족(satisfaction), 및 분류군과 적어도 하나의 미생물-관련 컨디션 사이의, 연관성 세트의, 연관에 의한 연관성 유형 컨디션의 충족에 기초하여 미생물 분류군 세트의 분류에 대한 라벨 세트의 라벨을 결정하는 단계, 및
    라벨 세트를 기반으로, 사용자 샘플과 연관된 사용자에 대한 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  9. 제1항에 있어서, 상기 유의 지수 메트릭을 결정하는 단계는 레퍼런스 풍부도 범위 세트 및 연광성 세트로부터 유래된 머신 러닝 모델 및 사용자 마이크로바이옴 조성 특징에 기초하여, 적어도 하나의 미생물-관련 컨디션에 대한 사용자의 건강 상태와 연관된 미생물-관련 컨디션 분류를 결정하는 단계를 포함하는, 방법.
  10. 제1항에 있어서, 유의 지수 메트릭 및 미생물 분류군 세트와 연관된 미생물을 포함하는 사용자 샘플에 기초하여 적어도 하나의 미생물-관련 컨디션에 대한 사용자에 대한 진단을 용이하게 하는 단계를 더 포함하는, 방법.
  11. 제1항에 있어서, 유의 지수 메트릭 및 미생물 분류군 세트와 연관된 미생물을 포함하는 사용자 샘플에 기초하여 적어도 하나의 미생물-관련 컨디션에 대한 사용자에 대한 치료적 개입을 용이하게 하는 단계를 더 포함하는, 방법.
  12. 적어도 하나의 미생물-관련 컨디션과 관련된 미생물을 포함하는 샘플을 사용자로부터 수집하는 단계;
    상기 샘플에 기초하여, 미생물과 관련된 사용자 마이크로바이옴 조성 특징을 결정하는 단계; 및
    사용자에 대해, 사용자 마이크로바이옴 조성 특징, 미생물 분류군 세트와 연관된 레퍼런스 마이크로바이옴 조성 특징, 및 미생물 분류군 세트와 미생물-관련 컨디션 중 적어도 하나 사이의 연관성 세트에 기초하여, 사용자 마이크로바이옴과 적어도 하나의 미생물-관련 컨디션 사이의 연관성을 특성화하는 유의 지수 메트릭을 결정하는 단계
    를 포함하는, 사용자와 관련된 적어도 하나의 미생물-관련 컨디션을 특성화하는 방법.
  13. 제12항에 있어서, 상기 사용자에 대한 유의 지수 메트릭을 결정하는 단계는 상기 사용자 마이크로바이옴 조성 특징 및 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 상관계수 세트에 기초하여 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  14. 제12항에 있어서, 사용자에 대한 유의 지수 메트릭을 결정하는 단계는
    사용자 마이크로바이옴 조성 특징, 및 레퍼런스 마이크로바이옴 조성 특징 및 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 대한 z-스코어(score) 세트에 기초하여 결정된 수정된 z-스코어 세트에 기초하여 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  15. 제12항에 있어서, 사용자에 대한 유의 지수 메트릭을 결정하는 단계는,
    레퍼런스 마이크로바이옴 조성 특성 및 미생물 분류군 세트에 대한 풍부도 랜덤 세트로부터 유래된 검정(calibration)곡선을 이용한 보간 공정(interpolation process) 및 사용자 마이크로바이옴 특징에 기초하여 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.
  16. 제12항에 있어서, 사용자 마이크로바이옴 조성 특징은 미생물 분류군 세트에 대한 사용자 풍부도를 포함하고, 여기서 상기 레퍼런스 마이크로바이옴 조성 특징은 미생물 분류군 세트에 대한 레퍼런스 풍부도 범위를 포함하고, 그리고 여기서 유의 지수 메트릭을 결정하는 단계는 레퍼런스 풍부도 범위 및 미생물 분류군 세트와 적어도 하나의 미생물-관련 컨디션 사이의 연관성 세트에 기초하여 결정된 효과 크기 메트릭스 및 사용자 풍부도에 기초하여, 사용자 마이크로바이옴과 적어도 하나의 미생물-관련 컨디션 사이의 연관성을 특성화하는, 사용자에 대한 성향 스코어를 결정하는 단계를 포함하는, 방법.
  17. 제16항에 있어서, 성향 스코어를 결정하는 단계는 사용자 풍부도, 효과 크기 메트릭스 및 효과 크기에 대한 유의 메트릭스에 기초하여 성향 스코어를 결정하는 단계를 포함하는, 방법.
  18. 제16항에 있어서, 유의 지수 메트릭을 결정하는 단계는 미생물 분류군 세트에 대한 경험적(empirical) 풍부도 범위 세트에 기초하여 성향 스코어를 정상화(normalizing)하는 단계를 포함하는, 방법.
  19. 제12항에 있어서, 상기 유의 지수 메트릭을 결정하는 단계는,
    샘플에 대한 라벨 세트를 결정하는 단계로서, 이때 라벨 세트를 결정하는 단계는 분류군에 대한 레퍼런스 풍부도 범위에 관련된 분류군에 대한 사용자 풍부도에 의한 풍부도 컨디션의 충족(satisfaction) 및 분류군과 적어도 하나의 미생물-관련 컨디션 사이의, 연관성 세트의, 연관성에 의한 연관성 유형 컨디션의 충족에 기초하여 미생물 분류군 세트의 분류군에 대한 라벨 세트의 라벨을 결정하는 단계, 및
    라벨 세트에 기초하여 사용자에 대한 유의 지수 메트릭을 결정하는 단계를 포함하는, 방법.

  20. 제12항에 있어서, 상기 유의 지수 메트릭을 결정하는 단계는, 사용자 마이크로바이옴 조성 특징 및 연관성 세트 및 레퍼런스 마이크로바이옴 조성 특징 세트로부터 유도된 머신 러닝 모델에 기초하여, 적어도 하나의 미생물-관련 컨디션에 대한 사용자의 건강 상태와 연관된 미생물-관련 컨디션 분류를 결정하는 단계를 포함하는 방법.
  21. 제20항에 있어서, 상기 미생물-관련 컨디션 분류를 결정하는 단계는 머신 러닝 모델 및 미생물 분류군 세트와 관련된 사용자 마이크로바이옴 조성 특징에 기초하여 사용자에 대한, 식이(diet)-관련 컨디션과 연관된, 식이-관련 컨디션 분류를 결정하는 단계를 포함하는, 방법.
  22. 제21항에 있어서, 식이-관련 컨디션은 카페인 소비, 알코올 소비, 인공 감미료 소비 및 설탕 소비 중 적어도 하나를 포함하고;
    상기 미생물-관련 컨디션 분류를 결정하는 단계는 머신 러닝 모델 및 미생물 분류군 세트와 연관된 사용자 마이크로바이옴 조성 특징에 기초하여 사용자에 대한, 카페인 소비 분류, 알코올 소비 분류, 인공 감미료 소비 분류 및 설탕 소비 분류 중 적어도 하나를 결정하는 단계를 포함하며,
    이때 상기 미생물 분류군 세트는 하기 중 적어도 하나를 포함하는, 방법:
    알리스티페스(Alistipes); 아네로트룬쿠스(Anaerotruncus); 박테로이데스(Bacteroides); 비피도박테리움(Bifidobacterium); 빌로필라(Bilophila); 블라우티아(Blautia); 부티리시모나스(Butyricimonas); 클로스트리디움(Clostridium); 콜린셀라(Collinsella); 에리시페라토클로스트리디움(Erysipelatoclostridium); 페칼리박테리움(Faecalibacterium); 플라보박테리움(Flavobacterium); 플라보니프락토르(Flavonifractor); 그라눌리카텔라(Granulicatella); 헤스펠리아(Hespellia); 인테스티니모나스(Intestinimonas); 클루이베라(Kluyvera); 라크노스피라(Lachnospira); 마르빈브리안티아(Marvinbryantia); 오도리박터(Odoribacter); 오실리박터(Oscillibacter); 파라박테로이데스(Parabacteroides); 파스콜락토박테리움(Phascolarctobacterium); 슈도부티리비브리오(Pseudobutyrivibrio); 로제부리아(Roseburia); 스트렙토코쿠스(Streptococcus); 서브돌리그라눌룸(Subdoligranulum); 슈테렐라(Sutterella); 및 테리스포로박터(Terrisporobacter).
  23. 제12항에 있어서, 상기 유의 지수 메트릭에 기초하여 적어도 하나의 미생물-관련 컨디션에 대한 사용자에 대한 진단을 용이하게 하는 단계를 더 포함하는, 방법.
  24. 제12항에 있어서, 상기 유의 지수 메트릭에 기초하여 적어도 하나의 미생물-관련 컨디션에 대한 사용자에 대한 치료적 개입을 용이하게 하는 단계를 더 포함하는, 방법.
KR1020207010694A 2017-09-14 2018-09-14 미생물 관련 유의 지수 메트릭스 KR20200049861A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762558489P 2017-09-14 2017-09-14
US62/558,489 2017-09-14
PCT/US2018/051222 WO2019055874A1 (en) 2017-09-14 2018-09-14 SIGNIFICANT INDEX MEASUREMENTS RELATING TO A MICROORGANISM

Publications (1)

Publication Number Publication Date
KR20200049861A true KR20200049861A (ko) 2020-05-08

Family

ID=63714165

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207010694A KR20200049861A (ko) 2017-09-14 2018-09-14 미생물 관련 유의 지수 메트릭스

Country Status (8)

Country Link
US (2) US11621055B2 (ko)
EP (1) EP3682036A1 (ko)
JP (1) JP2020533998A (ko)
KR (1) KR20200049861A (ko)
CN (1) CN111164224A (ko)
AU (1) AU2018334252A1 (ko)
SG (1) SG11202001860QA (ko)
WO (1) WO2019055874A1 (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190211378A1 (en) * 2015-09-09 2019-07-11 uBiome, Inc. Method and system for microbiome-derived diagnostics and therapeutics for cerebro-craniofacial health
EP3682036A1 (en) * 2017-09-14 2020-07-22 Psomagen, Inc. Microorganism-related significance index metrics
US10692183B2 (en) * 2018-03-29 2020-06-23 Adobe Inc. Customizable image cropping using body key points
JP7298870B2 (ja) * 2019-03-15 2023-06-27 慶應義塾 分子動力学データ解析装置及びプログラム
US11139063B1 (en) 2020-12-29 2021-10-05 Kpn Innovations, Llc. Systems and methods for generating a microbiome balance plan for prevention of bacterial infection
CN112906776B (zh) * 2021-02-05 2024-02-27 安徽容知日新科技股份有限公司 一种指标数据处理方法、装置和计算设备
CN113220810B (zh) * 2021-04-16 2022-02-18 昆明理工大学 一种多源物种分布数据处理方法及装置
CN114530249A (zh) * 2022-02-15 2022-05-24 北京浩鼎瑞生物科技有限公司 一种基于肠道微生物的疾病风险评估模型构建方法及应用
CN115273987B (zh) * 2022-09-23 2023-01-20 中国农业科学院农业质量标准与检测技术研究所 一种特征品质成分的识别方法、系统、设备及存储介质
CN115881229B (zh) * 2022-12-16 2024-01-09 迪辅乐生物(上海)有限公司 基于肠道微生物信息的过敏预测模型构建方法
CN118161131B (zh) * 2024-05-10 2024-07-19 四川省医学科学院·四川省人民医院 一种放疗期间皮肤防辐射管理调节系统及方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60135366D1 (de) * 2000-04-18 2008-09-25 Virco Bvba Methode zur bestimmung der resistenz gegen medikamente
US20080318210A1 (en) * 2003-08-27 2008-12-25 Rosetta Genomics Bioinformatically detectable group of novel regulatory viral and viral associated oligonucleotides and uses thereof
WO2012050513A1 (en) * 2010-10-11 2012-04-19 Baeckhed Fredrik Method for identifying a risk of cardiovascular disease by analysing oral microbiota
US10480037B2 (en) * 2011-09-23 2019-11-19 Laboratory Corporation Of America Holdings Methods and systems for predicting HIV-1 coreceptor tropism
US20140335534A1 (en) * 2013-05-09 2014-11-13 The Procter & Gamble Company Method And System For Identifying A Biomarker Indicative Of Health Condition
AU2015209718B2 (en) 2014-01-25 2021-03-25 Macrogen Inc. Method and system for microbiome analysis
WO2015166492A2 (en) * 2014-04-28 2015-11-05 Yeda Research And Development Co. Ltd. Microbiome response to agents
WO2016007544A1 (en) * 2014-07-11 2016-01-14 Matatu, Inc. Use of a gut microbiome as a predictor of animal growth or health
US10265009B2 (en) 2014-10-21 2019-04-23 uBiome, Inc. Method and system for microbiome-derived diagnostics and therapeutics for conditions associated with microbiome taxonomic features
EP3347495A4 (en) * 2015-09-09 2019-08-21 Ubiome, Inc. METHOD AND SYSTEM FOR MICROBIOMY-DERIVED DIAGNOSES AND THERAPEUTIC AGENTS FOR DISEASES ASSOCIATED WITH GASTROINTESTINAL HEALTH
WO2017044886A1 (en) * 2015-09-09 2017-03-16 uBiome, Inc. Method and system for microbiome-derived diagnostics and therapeutics for bacterial vaginosis
US20170329919A1 (en) * 2016-05-10 2017-11-16 Sphere3, LLC Personalized user interfaces presenting care tasks
US11015154B2 (en) * 2016-11-09 2021-05-25 The Regents Of The University Of California Methods for identifying interactions amongst microorganisms
EP3682036A1 (en) * 2017-09-14 2020-07-22 Psomagen, Inc. Microorganism-related significance index metrics

Also Published As

Publication number Publication date
WO2019055874A1 (en) 2019-03-21
CN111164224A (zh) 2020-05-15
SG11202001860QA (en) 2020-03-30
US11621055B2 (en) 2023-04-04
EP3682036A1 (en) 2020-07-22
JP2020533998A (ja) 2020-11-26
US20200286623A1 (en) 2020-09-10
US20190080046A1 (en) 2019-03-14
AU2018334252A1 (en) 2020-04-23

Similar Documents

Publication Publication Date Title
US11621055B2 (en) Microorganism-related significance index metrics
AU2018318756B2 (en) Disease-associated microbiome characterization process
US10388407B2 (en) Method and system for characterizing a headache-related condition
US11001900B2 (en) Method and system for characterization for female reproductive system-related conditions associated with microorganisms
CN111278995A (zh) 表征与微生物相关联的女性生殖系统有关状况的方法和系统
CN108350510A (zh) 用于胃肠健康相关病症的源自微生物群系的诊断及治疗方法和系统
AU2022202660A1 (en) Method and system for characterization for appendix-related conditions associated with microorganisms
US20180342322A1 (en) Method and system for characterization for appendix-related conditions associated with microorganisms
US20200202979A1 (en) Nasal-related characterization associated with the nose microbiome
CN108348167A (zh) 用于脑-颅面健康相关病症的源自微生物群系的诊断及治疗方法和系统
JP2019521706A (ja) 微生物ゲノム薬理学のための方法およびシステム
Curry et al. It takes guts to learn: machine learning techniques for disease detection from the gut microbiome
Bhadra et al. Enhancing the efficacy of depression detection system using optimal feature selection from EHR
US20190019575A1 (en) Nasal-related characterization associated with the nose microbiome
Quinn et al. Signal from noise: Using machine learning to distil knowledge from data in biological psychiatry
Yang et al. Integrating artificial intelligence in exploring multiscale gut microbiota and diet relations for health promotion: A comprehensive review
Kasabov et al. Integrating local and personalised modelling with global ontology knowledge bases for biomedical and bioinformatics decision support
Mbatha et al. Artificial Intelligence Application to Microbiomics Data for Improved Clinical Decision Making in Precision Oncology
Kim Relating Lifestyle Log Factors to Human Health Statuses Using Machine Learning: A Feasibility Study
Razali et al. Conceptual model for prediction of individual risk in developing colorectal cancer (CRC) using hybrid meta-analysis and machine learning techniques
Myers An Exploratory Analysis of the DADA2 and uBiome Pipelines
EP3687375A1 (en) Method and system for characterizing a headache-related condition

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application