KR20210103452A

KR20210103452A - 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물, 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법 및 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩

Info

Publication number: KR20210103452A
Application number: KR1020210107667A
Authority: KR
Inventors: 정종선; 이선호; 홍종희; 최익원
Original assignee: (주)신테카바이오
Priority date: 2018-10-18
Filing date: 2021-08-13
Publication date: 2021-08-23
Also published as: KR20200054855A; KR20200054060A; KR20200044677A; KR20200054058A; KR20200054857A; KR20200054059A; KR20200054856A

Abstract

본 발명은 혈액암 약물반응성 기능 정보를 포함하는 하플로타입(haplotype) 바이오마커를 예측하여, 혈액암 약물 반응성을 신뢰성 있게 예측 및 약 레이블링을 할 수 있게 하는 새로운 학습 모델인 GBLscan (Cancer Biomarker Labeling Scan)을 이용한 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물에 관한 것으로, 본 발명은 혈액암 약물에 대한 반응성 판단을 위하여, 유전자 발현을 조절하는 변이가 포함된 마커들의 조합으로 구성되는 바이오 마커 조성물에 있어서, 상기 바이오 마커 조성물은, 13_37746458_AA_A(마커1), 16_46710765_T_A(마커2), 11_63382198_CA_C(마커3), 14_68477626_CT_C(마커4) 및 7_151221500_CT_C(마커5)를 포함하여 구성된다. 이와 같은 본 발명에 의하면, 본 발명에서는 혈액암 관련 약물들에 대한 바이오 마커들을 통해, 혈액암 약물에 대하여, 대상자 유전형질별 민감성을 예측할 수 있으므로, 개인별 맞춤의학 분야뿐만 아니라 신약 후보군 발굴에 효과적인 예비검증이 이루어지도록 하는 효과가 있다.

Description

혈액암 약물 반응성 판단을 위한 바이오 마커 조성물, 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법 및 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩 { Bio-Marker Composition for Prediction of Drug for Blood cancer Sensitivity, Estimation Method for Prediction of Drug for Blood cancer Sensitivity using Bio-Marker Composition and Diagnosing Chip for Detection of Bio-Marker Composition for Prediction of Drug for Blood cancer Sensitivity }

본 발명은 혈액암 약물반응성 및 유전자발현정보 및 복제수변이(CNV)를 이용한 기능 정보를 포함하는 하플로타입(haplotype) 바이오마커를 예측하여, 혈액암 약물 반응성을 신뢰성 있게 예측 및 약 레이블링을 할 수 있게 하는 새로운 학습 모델인 GBLscan (Cancer Biomarker Labeling Scan)을 이용한 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물에 관한 것이다.

최근에 차세대시퀀싱 (NGS, next generation sequencing) 기술의 혁신으로 복잡하고 다양한 암을 이해하는데 많은 발전이 이루어졌다. 또한, 국제적인 컨소시엄의 노력으로 이러한 암 종의 체세포 돌연변이에 대한 카탈로그뿐만 아니라 총체적인 암 유발 돌연변이(driver mutation) 데이터베이스도 개발 및 발표되었다[선행기술문헌 001 참조].

이러한 국제적인 컨소시엄 연구 성과로 인해서 개별 종양의 특정 유전체 지문(genomic fingerprint)에 대한 암 맞춤치료에 대한기대 또한 급속도로 커지게 되었다.

그러나 현재 암 환자 및 제약업계를 포함한 의료계의 모든 이해 관계자들에게 임상에서 승인되고 사용되는 새로운 맞춤 암 치료제는 여전히 충분하지 않은 실정이다[선행기술문헌 002 참조]. 따라서, 유전체정보와 항암제의 반응 사이의 개인 맞춤을 위한 연관성을 예측하기 위한 효율적이고 체계적인 접근이 필요하게 되었다.

그리고 암 세포주 및 약물 독성 데이터의 분자 프로파일링 데이터를 통합하기 위해 여러 가지 협력 컨소시엄이 이루어졌다[www.lincsproject.org, 선행기술문헌 003 참조]. 이러한 컨소시엄은 항암제 독성 및 개인에 특화된 맞춤 약물을 예측할 수 있는 유전체 바이오마커 (biomarker)를 밝히는 것이 가장 중요한 목표이다.

암에서의 약물 독성을 위한 세포주 유전체 DB중에서 GDSC (GDSC, Genomics of Drug Sensitivity in Cancer)는 공개적으로 이용 가능한 데이터베이스의 한 예이다. 특히, GDSC는 265개의 항암 화합물에 대하여 1,070 개의 인간 암세포의 약물 독성 정보를 실험적으로 측정한 공용 데이터베이스이다[선행기술문헌 004 참조].

여기서 사용된 GDSC의 세포주 프로젝트는 다음의 사이트에서 공개되었다 (CCLP: COSMIC Cell Lines Project, http://cancer.sanger.ac.uk/cell_lines). 이러한 공용 자원은 유전체 기반 정밀 암 치료제 실현에 큰 도움이 될것으로 기대된다.

그러나 이러한 데이터베이스의 잠재적인 가치에도 불구하고 높은 차원의 데이터와 복잡성으로 인해 통합 분석에는 많은 기술적인 문제가 존재한다. 따라서, 항암 약물 독성에서 분자 바이오마커를 체계적으로 규명하기 위한 많은 계산방법이 개발되었지만[선행기술문헌 003 참조], 이러한 노력에도 불구하고 약물 독성은 특정 세포주 및 주어진 유전자 변이 세트에 제한되는데, 이는 모든 사람의 유전정보는 모두 다르고, 공통적인 변이는 전체에서 일부분이기 때문이다.

정보 기술의 최근 발전으로 앞에서 언급한 복잡한 문제를 해결하기 위해 점점 더 많이 사용되는 방법이 딥러닝 모델(deep learning model) 또는 심층학습 모델이라 부른다[선행기술문헌 005 참조]. 딥러닝 학습 방법은 대량의 고차원 원시 데이터로부터 심층 기계 학습을 하는 기술의 한 분야이다.

최근까지는 학습을 하기에 계산 양의 한계로 직접적으로 많은 제한이 있었지만, 그러나 방법론적 개선과 병렬 컴퓨팅에 의한 강력한 기계를 사용하면서 수천 개의 숨겨진 유닛을 포함하는 다양한 레이어로 딥러닝 학습 모델을 교육할 수 있게 되었다[선행기술문헌 006 참조].

한편, 약리적, 유전체, 전사체 및 후성유전체 데이터와 그들의 약물반응성 데이터와 같은 여러 유형의 구조 정보를 조작할 수 있기 때문에 최소한의 지침으로 약물-표적 상호 작용 예측에 적합하게 되었다[선행기술문헌 005 참조].

제약 업계는 신약 개발을 위해 이러한 유형의 데이터를 활용하는 딥러닝 학습에 많은 기대감을 보여주기 시작했다. 최근에는 약물 개발에서 인공 지능을 사용하여 몇 가지 유망한 결과가 입증되었고[선행기술문헌 007 참조], 약물-표적 프로파일 및 다른 전통적인 기계 학습 모델에 비해 우수한 예측 정확도를 갖는 약물 재사용(drug repositioning)도 가능해졌다. 그러나 대다수의 접근방법은 오히려 개념 증명에 그쳤고, 딥러닝 학습을 통한 약물 발견의 생산 가능 솔루션은 부족한 현실이다.

현재 PubChem(pubchem.ncbi.nlm.nih.gov)은 미국 NCBI(국립기술정보센터)에서 운영하고 있고, 약 1억개 화합물(compounds), 2억 개의 물질(substances) 및 바이오에세이(bioassay)정보를 보유하고 있다(en.wikipedia.org/wiki/PubChem).

또한, 이러한 화합물(compound)은 약리적 작용기(pharmacophore descriptor)로 표현하는 많은 방법들이 존재한다[선행기술문헌 008 참조]. 그 중에서 파델(PaDELL) 방법은 약물에서 1,875 (1D 및 2D 1,444개, 그리고 3D 431개) 특징(feature) 및 12개의 지문(전체 약 16,092 비트)으로 표현할 수 있다[선행기술문헌 008 참조].

그리고 유전체에서 변이는 다양한 특징들을 추출할 수 있다. 특히, 질병원인 변이를 추출하는 종래의 방법들은 다양한 문헌에 개시된 바 있다.

따라서, 종래기술은 개별적으로 QSAR(Quantitative structureactivity relationship), 약물 세포독성 데이터를 사용한 약물개발, 딥러닝 (Deep Learning)기반 전장유전체(whole genome sequencing)의 발현조절, 구조적 변이 등이 독립적으로 적용되어 활용되었다.

그러나 본 발명에서는 약물(drugs)-세포(cell lines)-독성(IC50) 데이터에 이종 특성정보(유전체정보, QSAR정보 및 발현정보)를 통합한 AI 딥러닝 방법인 CDRscan(Cancer drug response scanning)은 예측 정확도가 이전 컴퓨터 모델링 접근법과 비교하여 현저히 향상되었고, 특히, 버추얼 약물(drugs) vs. 버추얼 세포(cell lines) 혹은 표적단백질의 상호작용 모델을 제안한 바 있다.

여기서, 2개의 다른 이종 특성 버추얼 정보는 첫 번째가 약물인 경우, 파델(PaDELL) 방법 혹은 선행기술문헌 029 내지 033에 개시된 방법 들이 적용될 수 있다.

그리고 두 번째는 전장 유전체(혹은 표적 단백질)의 지문(Genomic fingerprint, or a set of mutation features)에 대한 문헌방법으로 설명이 될 수 있고, 가장 표준적인 딥러닝 방법은 선행기술문헌 009에 개시된 바와 같다.

따라서 본 방법은 정확한 약물반응 예측모델 및 약물 재사용/재배치(drug repositioning), 화학 물질의 스크리닝 및 새로운 항암제 후보 발굴 및 환자 맞춤형 항암제 선택을 위한 임상의사결정지원시스템(Clinical decision supporting system) 에 사용될 수 있다.

그리고 최근에 재사용/재배치 (drug repositioning)관련 암약물반응스켄(CDRscan) 논문이 본사에 의하여 출판이 되었다[선행기술문헌 010 참조].

즉, 유전자발현 및 시스템적 통계적인 방식으로 주어진 약물 및 표적유전자 약 그리고 표적 후보유전자들의 발현정보 및 바이오마커 정보를 활용한 약물반응성 연구가 최근에 발표되었다.

본 논문에서는 바이오마커 자체에 대한 연구는 없었지만, 알려진 유전자 바이오마커 및 발현정보를 활용하여 주요표적에 대한 주요 약물 몇 개에 대하여 저해 능력(inhibition)을 CCLE(Cancer Cell Line Encyclopedia), CTRP(Cancer Therapeutics Response Portal, Broad) 및 일부 GDSC를 활용하여 예측(CARE)하고 검증하는 결과를 보여주었다[선행기술문헌 011 참조].

또한, eQTL (expression and Quantitative Trait Loci), 즉 발현과 유전체 변이간의 질병 혹은 표현형 연관관계에 대한 주요 연구가 많이 발표되었다[선행기술문헌 012 참조]. 그리고, pQTL (protein and Quantitative Trait Loci), 즉 단백질 생성과 유전체 변이간의 질병 혹은 표현형 연관관계에 대한 주요 연구 역시 많이 발표되었다[선행기술문헌 013 참조].

그러나 cQTL (Copy Number Variation and Quantitative Trait Loci), 즉 약물반응성 및 유전자 복제수 증가 혹은 감소 변이인 CNV(copy number variation)와 유전체 변이간의 약물반응 혹은 약물 표현형 연관관계에 대한 연구는 아직까지 발표된 적이 없다.

따라서, 본 GBLscan(genetic biomarker label scan)방법에서는 (a) eQTL (expression and Quantitative Trait Loci), 즉 발현과 유전체 변이간의 질병 혹은 표현형 연관관계, (b) cQTL (Copy Number Variation and Quantitative Trait Loci), 즉 유전자 복제 수 변이(copy amplification) 및 감소 (copy deletion)과의 연관관계는 아직 참고문헌이 존재하지 않는다.

본 발명에서 약물타입(DrugClass)에 대한 정의는 약물 표적들의 타입(type) 및 약물의 관능기적 유사한 기능 타입, 혹은, 약물이 영향을 주는 범주의 유전자그룹, 약물 패스웨이(drug pathway) 혹은 약물 시그널링 패스웨이(drug signaling pathway), 등은 모두 하나의 통칭 약물타입(DrugClass)로 설명을 한다. 또한, 기능하플로타입은 일반적으로 사용하는 하플로타입인 유전자에서 페이싱(phasing)이 된 여러개의 로커스 (locus)들에 대한 반수체(haplotype)과 달리, 본 발명에서는 인간유전체 버전인 Dec. 2013 (GRCh38/hg38): Genome Reference Consortium Human 38 (GCA_000001405.15), https://www.ncbi.nlm.nih.gov/assembly/GCF_000001405.26 를 기반으로 차세대 시퀀싱 리드(read) 데이터를 정렬을 하게 되면, 각 유전자 로커스에서 지노타입 형태로 정보가 읽히게 된다. 이러한 지노타입형태는 1:homo, 2:hetero 혹은 3: alt home형태로 표현 되는데, 그러한 지노타입의 모음을 상대 하프로타입 이라고 할 수 있다. 그리고 특정 로커스의 단일 혹은 조합으로 구성된 상대 하플로타입이 특정 유전자의 발현과 연관이 있다면 이것을 기능하프로타입이라고 본 발명에서 정의한다.

한편, 아래 첨부된 비 특허 선행기술 문헌을 주요 내용별로 구분하면, 비특허문헌,

(001 - 002)은 유전체 정보와 항암제의 반응 사이의 연관성 논문이고;

(003 - 004)은 암 유전체 약물독성 및 COSMIC 세포주 프로젝트 문헌이며;

(005 - 006)은 딥러닝 심층학습 모델의 약리학 및 유전체관련 논문이고;

(007)은 딥러닝 심층학습 모델의 신약 개발에 사용된 논문이고;

(008)은 약물 및 변이를 특징(feature)으로 표현하는 방법 및 논문이고;

(009 - 010)은 딥러닝 방법론 및 알고리즘에 대한 논문이고;

(011)은 약물 재창출 혹은 약물반응성 예측 논문이고,

(012 - 013)은 eQTL 및 pQTL 방법론 및 알고리즘에 대한 논문이다.

(001) Forbes, S. A., et al. COSMIC: somatic cancer genetics at high-resolution. Nucleic Acids Research. 45, 777-783 (2017). (002) Williams SP, & McDermott U. The pursuit of therapeutic biomarkers with high-throughput cancer cell drug screens. Cell Chemical Biology. 24, 1066-1074 (2017). (003) Barretina, J, et al. The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity. Nature. 483, 603-7 (2012). (004) Yang, W., et al. Genomics of Drug Sensitivity in Cancer (GDSC): a resource for therapeutic biomarker discovery in cancer cells. Nucleic Acids Research. 41, 955-961 (2013). (005) Vanhaelen, Q., et al.. Design of efficient computational workflows for in silico drug repurposing. Drug Discovery Today. 22, 210-222 (2017). (006) Dahl, G. E., Jaitly, N. & Salakhutdinov, R. Multi-task neural networks for QSAR predictions. arXiv:1406.1231 (2014). (007) Baskin, I.I., Winkler, D. & Tetko, I.V. A renaissance of neural networks in drug discovery. Expert Opinion on Drug Discovery. 11, 785-95 (2016). (008) Yap CW. PaDEL-Descriptor: An open source software to calculate molecular descriptors and fingerprints. Journal of Computational Chemistry. 32, 1466-1474(2011) (009) Deep Learning: Yann Lecun, Y., Bengio, Y. & Hinton, G. Nature. 521, 436-444 (2015) (010) Cancer Drug Response Profile scan (CDRscan): A Deep Learning Model That Predicts Drug Effectiveness from Cancer Genomic Signature: Yoosup Chang, Scientific Report,. 8857 (2018) (011) Genome-scale signatures of gene interaction from compound screens predict clinical efficacy of targeted cancer therapies. Peng Jiang, et al., Cell Systems, 6,1-12 (2018) (012) eQTL: Maud Fagny, et al., PNAS, E7841-E7850 (2017) (013) pQTL: Jerome Carayol, et al., Nat Commun., 8:2084 (2017)

본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로, 본 발명은 전술한 바와 같은 기술배경 및 사회적 요구에 따라, 암 약물의 반응성을 반응 대상 유전체의 유전특성 및 지문을 기능성 정보를 가진 하플로타입으로 변환하여 높은 정밀도의 약물 적응증 및 민감성 예측 시스템을 제공하기 위한 것으로, 본 발명의 구체적인 목적은, 공지된 비-임상용 세포주 유전체, 그것 들의 유전자 발현정보 및 유전자 복제수변이, 그리고 생체내 약물반응과 관련을 양적형질위치(QTL: quantitative trait loci)들의 모음(기능성 하플로타입) 정보기반 선형 회귀 모델링 및 딥러닝 기계학습을 신뢰성 있게 예측할 수 있는 예측 시스템을 제공하기 위한 것이다.

그리고 본 발명에서는 본 발명에 의한 GBLscan방법에 의해 유전자 RNA발현 및 복제수변이(CNV)와 상관관계가 높은 양적 형질 위치 (QTL)들을 수집하여 기능정보를 가진 다중변이기반 하플로타입을 생성하고 약물 민감성 및 반응성을 효과적으로 필터링하는 가상임상(In Silico Clinical Trial)을 위한 약물 반응성을 예측하는 방법을 제공하기 위한 것이다.

상기한 바와 같은 목적을 달성하기 위한 본 발명의 특징에 따르면, 본 발명은 검사 대상 양적형질 위치(QTL)들의 위치 모음 생성하는 단계와; 기능 하플로타입(FRH)과 약물반응 상관관계 계산하는 단계와; 그리고, 기능 하플로타입기반 약물반응 예측모델 생성하는 단계로 구성된다.

우선, 양적형질 위치 (QTL)들의 위치 모음 생성하기 위한 제1단계에서는; 기능 연관 하플로타입(FRH)과 약물반응성 상관관계 계산을 수행하기 위하여, (A) 약 1,000개의 세포주에서 약 4백만 변이와 약 20,000 유전자 발현 상관관계 계산하고, 그리고, (B) 약물(265개)과 1,000개 셀라인 유전체의 각 20,000여개 유전자발현 및 유전자 복제수변이 들과의 상관관계 계산한다.

이때, (A)단계 및 (B)단계는 공통 변수로 유전자 발현 및 유전자 복제수변이들을 모두 포함하는데, 이러한 공통변수인 유전자발현 정보를 활용하여 약물반응에 영향을 주는, 다중 혹은 단일변이와 연관을 가진 변이를 수집한다. 이것을 양적형질 위치 (QTL)들의 위치 모음이라고 한다.

그리고 유전체통합 DB에서 각 세포주 유전체에서 단일 및 다중변이정보를 수집하여 기능 하플로타입을 만들고 동일 세포주에서 약물반응성 정보와 함께 추출하고, 이러한 기능 하플로타입 들을 기능 하플로타입, FRH(Functionally relevant haplotope)으로 정의하고, FRH를 해시넘버 (hash number)로 표현 한다.

그리고 제2단계에서는, 기능하플로타입(FRH)과 약물반응 상관관계 계산하기 위하여, 하플로타입(FRH)를 해시넘버(hash number)로 변한하고, 변환된 해시넘버를 사용하여 약물반응성정보와 조합 상관관계 테스트(Pairwise Pearson Test)를 수행하고, 이를 모든 암 종에서 위의 작업을 반복 한다.

기능하플로타입기반 약물반응 예측모델 생성하는 제3단계에서는, 특정 암에서 약물 패스웨이(drug pathway)기반 약물반응 예측모델 생성관련 과정을 다음과 같이 수행한다.

(1) 기능연관 하플로타입과 특정 암 및 특정약물 패스웨이(Drug Pathway)와 관련된 각 약물과 상관관계를 계산하고, (2) 기능하플로타입 및 약물반응성 상관관계 메트릭스에서 X축 및 Y축의 상관관계 정보를 클러스터링을 하며, (3) 각 예측모델에서 유의성(p-value)이 높은 것을 수집하여 모델에 상호작용 기능을 모델에 적용하여 선형 회귀 모델을 계산한다, 그리고, 마지막으로 (4) NGS 데이터를 입력으로 하여 약물반응성과 연관을 가진 기능하플로타입를 계산하고 선형 회귀 모델을 사용하여 약물반응성을 예측한다.

그리고 본 발명은, 전술한 바와 같은 기능 하플로타입 정보를 활용하여 약물반응성 예측 모델을 계산하기 위해, 검사 대상 유전체로부터 수집된 염기서열에서 다수의 변이들을 활용하여 기능 하플로타입 들을 계산하는 단계와: 선형 회귀 모델의 해를 계산하는 단계와; 이러한 해를 이용하여 암약물 중에 민감성이 높은 암 약물을 선별하는 시스템을 포함한다.

한편, 본 발명의 다양한 실시예 중 일 실시예를 설명하면, 본 발명은 (A) 약물반응에 영향을 미치는 변이들에 대한 양적형질위치(QTL)들의 위치모음을 산출하는 단계와; (B) 상기 양적형질위치(QTL)에 포함된 변이에 대한 기능하플로타입을 생성하는 단계와; (C) 상기 기능하플로타입을 기반으로 변이와 약물반응 상관관계 계산하는 단계; 그리고 (D) 상기 기능하플로타입을 기반으로 약물반응성을 예측하는 단계를 포함하여 수행될 수 있다.

이때, 상기 제(A)단계의 양적형질위치(QTL)들의 위치모음을 산출은, (A1) 복수의 세포주로부터 변이들과 유전자 RNA 발현의 상관관계를 도출하는 단계와; (A2) 약물들과 복수의 셀라인 유전체에 포함된 유전자 RNA발현 및 유전자 복제수변이(CNV)들과의 상관관계 도출하는 단계와; (A3) 상기 제(A1)단계 및 제(A2)단계에서 공통 적으로 상관관계에 영향을 미치는 유전자 RNA 발현 또는 유전자 복제수변이에 대한 유전자 발현 정보를 산출하는 단계; 그리고 (A4) 상기 유전자 발현정보에 관여된 단일 또는 다중 변이를 산출하여, 약물반응에 영향을 미치는 변이들에 대한 양적형질위치(QTL)를 산출하는 단계를 포함하여 수행되는 양적형질위치(QTL)들의 위치모음 생성 단계를 포함하여 수행될 수 있다.

그리고 상기 제(B)단계의 기능하플로타입의 생성은, 유전체통합DB로부터 양적형질위치(QTL)에 포함된 단일 또는 다중변이에 대한 하플로타입을 약물반응성과 함께 추출하여 생성될 수도 있다.

또한, 상기 기능하플로타입은, 유전자 RNA발현(Exp)과 약물반응성과의 상관관계 정보와; 유전자 다중변이(loci)와 약물반응성과의 상관관계 정보를 포함하여 구성될 수도 있다.

한편, 상기 기능하플로타입은, 유전자 복제수변이(CNV)와 약물반응성과의 상관관계 정보와; 유전자 다중변이(loci)와 약물반응성과의 상관관계 정보를 포함하여 구성될 수도 있다.

여기서 상기 유전자 다중변이(loci)는, 양적형질위치(QTL)기반으로 선별된 로커스(locus)들의 모음일 수도 있다.

그리고 상기 유전체통합DB는, 지노타입(Genotype)으로 구성된 셀라인(Cell Lines) 통합 DB일 수도 있다.

또한, 상기 약물 반응성은, ln Ic50 값으로 표현될 수도 있다.

그리고 상기 유전자 RNA발현은, 과발현(over-expression), 변화없음(normal) 및 저발현(under-exprfession)으로 구분될 수도 있다.

또한, 상기 복제수변이(CNV)는, 증폭(amplification), 변화없음(normal) 및 감소(deletion)로 구분될 수도 있다.

한편, 상기 제(C)단계의 상관관계 계산은, (C1) 유전자 다중변이(loci)와 연관된 유전자 RNA발현(Exp)를 판별하는 단계와; (C2) 상기 기능하플로타입으로부터 상기 유전자 RNA발현(Exp)에 대한 약물반응성을 산출하여 상기 유전자 다중변이(loci)에 대한 약물반응성을 판별하는 단계; 그리고 (C3) 상기 기능하플로타입에 포함된 유전자 다중변이(loci)와 약물반응성과의 상관관계 정보로부터 산출된 약물반응성과 상기 제(C2)단계에서 판별된 약물반응성을 비교하여 검증하는 단계를 포함하여 수행될 수도 있다.

그리고 상기 제(C1)단계의 연관은, 상기 유전자 다중변이(loci)가 포함된 세포주 및 상기 세포주에 포함된 유전자 RNA발현(Exp)정보를 판별함에 의해 수행될 수도 있다.

또한, 상기 제(D)단계의 약물반응성을 예측은, 유전자 RNA발현 차이에 대한 약물반응의 차이가 과발현보다 저발현이 큰 경우, 유전자 RNA의 저발현이 약물반응에 민감한 것으로 판단하고; 유전자 RNA발현 차이에 대한 약물반응의 차이가 과발현보다 저발현이 작은 경우, 유전자 RNA의 과발현이 약물반응에 민감한 것으로 판단할 수도 있다.

그리고 상기 제(D)단계의 약물반응성을 예측은, 과발현 집단의 유전자 RNA발현 차이에 대한 약물반응 절대값 민감도 최고치의 차이값이 저발현 집단의 유전자 RNA발현 차이에 대한 약물반응 절대값 민감도 최고치의 차이값보다 크면, 유전자 RNA의 과발현이 유전자 다중변이(loci)타입과 연관된 것으로 판별하고; 과발현 집단의 유전자 RNA발현 차이에 대한 약물반응 절대값 민감도 최고치의 차이값이 저발현 집단의 유전자 RNA발현 차이에 대한 약물반응 절대값 민감도 최고치의 차이값보다 작으면, 유전자 RNA의 저발현이 유전자 다중변이(loci)타입과 연관된 것으로 판별할 수도 있다.

한편, 상기 기능하플로타입은, 해시넘버 (hash number)로 표현될 수도 있다.

그리고 상기 기능하플로타입과 약물반응의 상관관계는, 해시넘버를 이용하여, 약물반응성정보와 조합상관관계 테스트(Pairwise Pearson Test)를 수행함에 의해 산출될 수도 있다.

한편, 본 발명은 전술한 바와 같은 방법으로 기능하플로타입을 생성하는 약물반응성, 유전자발현정보 및 복제수 변이를 이용한 기능하플로타이핑 시스템을 포함한다.

이때, 상기 기능하플로타입은, 약물에 대한 반응성 진단, 약물에 대한 환자군을 선별하는 동반진단을 위한 바이오마커 발굴, 약물표적발굴 또는 약물에 대한 가상임상에 사용될 수도 있다.

위에서 살핀 바와 같은 본 발명에 의한 가상임상을 위한 혈액암 약물반응성에 관한 본 발명에서는 다음과 같은 효과를 기대할 수 있다.

즉, 본 발명에서는 혈액암 관련 약물들에 대한 바이오 마커들을 통해, 혈액암 약물에 대하여, 대상자 유전형질별 민감성을 예측할 수 있으므로, 개인별 맞춤의학 분야뿐만 아니라 신약 후보군 발굴에 효과적인 예비검증이 이루어지도록 하는 효과가 있다.

그리고 본 발명에서는 체내(in vivo), 체외(in vitro) 혹은 유전정보에 대한 알려진 약물의 반응성 결과들로부터, 약리 효과가 밝혀지지 않은 약물의 반응성 정도를 예측할 수 있는 효과가 있다.

또한, 본 발명은 유전체의 변이정보에 대한 약물을 구성하는 약리 관능기의 반응성 상관관계를 도출할 수 있으므로, 분석대상인 유전체의 변이 및 약물의 약리 관능기를 추출하면, 해당 유전체에 대한 약물의 반응성 정도를 신뢰성 있게 예측할 수 있는 효과가 있다.

그리고 본 발명은 유전체의 변이 특성정보에 대한 약물타입의 반응성 상관관계를 도출할 수 있으므로, 분석대상인 유전체의 변이에 대한 특성정보 및 약물타입정보를 알면, 해당 유전체에 대한 약물의 반응성 정도를 신뢰성 있게 예측할 수 있는 효과가 있다.

이를 통해 본 발명은, 미지의 고분자화합물(약물 개발 대상 물질)의 특정 유전체를 포함하는 세포주 혹은 인체에 대한 반응성을 임상시험 전에 예측할 수 있으므로, 신약 개발에 따른 시간 및 비용을 현저하게 줄일 수 있는 효과가 있으며, 이미 개발된 약물에 대하여도, 임상에서 밝혀진 유전체 이외의 다른 유전체에 대한 반응성 정도를 미리 예측할 수 있으므로 기존 약물에 대한 다른 용도의 발견 및 부작용 발견에 대한 연구 비용 및 시간을 현저히 줄여주는 효과가 있다.

도 1은 본 발명에 의한 약물반응예측을 위한 양적 형질 위치(QTL), 유전복제수변이 및 RNA발현예를 도시한 예시도.
도 2는 본 발명에 의한 유전적 바이오마커를 활용한 약물반응성 계산 스키마를 도시한 예시도.
도 3은 본 발명에 의한 유방암의 유전적 바이오마커와 약물반응성의 관계를 도시한 예시도.
도 4는 본 발명에 의한 NGS입력과 약물반응 및 RNA발현 네트워크를 도시한 예시도.
도 5는 본 발명에 의한 세포주 약물반응 값(IC50)과 기능하플로타입의 상관관계를 도시한 예시도.
도 6은 본 발명에 의한 양적형질 위치(QTL)와 약물반응 상관관계를 도시한 예시도.
도 7은 본 발명에 의한 변이, RNA발현, 유전자복제수변이 및 약물반응 네트워크를 도시한 예시도.
도 8은 본 발명에 의한 변이와 상관관계 세포주, 암, 약물반응, RNA발현 및 CNV증폭 예를 도시한 예시도.
도 9는 본 발명에 의한 기능하플로타입과 약물반응성 상관관계 계산 스키마를 도시한 예시도.
도 10은 본 발명에 의한 기능하플로타입와 약물반응성 네트워크를 도시한 예시도.
도 11은 본 발명에 의한 기능하플로타입과 유전자발현 및 유전자복제수변이 예를 도시한 예시도.
도 12는 본 발명에 의한 기능하플로타입 정의를 도시한 예시도.
도 13은 본 발명에 의한 FRH 방법과 유전자 발현과 약물 반응성 예측 예를 도시한 예시도.
도 14는 본 발명에 의한 FRH의 일 예시로 평균 IC50 값의 차이가 1.0인 실시예를 도시한 예시도.
도 15는 본 발명에 의한 FRH의 일 예시로 평균 IC50 값의 차이가 1.5인 실시예를 도시한 예시도.
도 16은 본 발명에 의한 기능하플로타입과 유전자발현 실시 예를 도시한 예시도.
도 17은 본 발명에 의한 특정 암 약물 패스웨이(pathway)기반 약물반응 예측모델 생성예를 도시한 예시도.
도 18은 본 발명에 의한 기능하플로타입과 약물반응성 연관관계 R^2를 도시한 예시도.
도 19는 도 18에 도시된 예에서, Afatinib 약물과 FRH 상관관계가 높은 FRH의 실시예를 도시한 예시도.
도 20은 도 18에 도시된 예에서, Afatinib 약물과 FRH 상관관계가 높은 FRH를 사용한 예측 모델의 일 실시예를 도시한 예시도.
도 21은 본 발명에 의한 FRH를 사용한 혈액암의 약물반응성 예측의 일 실시예를 도시한 예시도.
도 22는 본 발명에 의한 FRH를 사용한 활용가능 시스템의 일 예를 도시한 예시도.
도 23은 본 발명에 의한 FRH 바이오마커를 이용하여 암 및 약물 동반진단 칩을 제작하는 방법의 일 예를 도시한 예시도.
도 24는 본 발명에 의한 바이오마커 표현구조의 구성을 설명하는 예시도.
도 25는 주요 바이오마커들의 혈액암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 26은 주요 바이오마커들에 의해 발현된 유전자들과 혈액암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 27은 주요 바이오마커들의 여성암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 28은 주요 바이오마커들에 의해 발현된 유전자들과 여성암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 29는 주요 바이오마커들의 뇌종양 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 30은 주요 바이오마커들에 의해 발현된 유전자들과 뇌종양 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 31은 주요 바이오마커들의 두경부암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 32는 주요 바이오마커들에 의해 발현된 유전자들과 두경부암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 33은 주요 바이오마커들의 폐암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 34는 주요 바이오마커들에 의해 발현된 유전자들과 폐암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 35는 주요 바이오마커들의 육종암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.
도 36은 주요 바이오마커들에 의해 발현된 유전자들과 육종암 약물들에 대한 상관도(P-vlaue)값들을 표시한 그래프.

이하에서는 첨부된 도면을 참조하여 본 발명의 구체적인 실시예에 의한 가상임상을 위한 암약물반응성, 연계된 유전자발현정보 및 복제수 변이를 이용한 기능 하플로타이핑 시스템 및 방법을 살펴보기로 한다.

설명에 앞서 먼저, 본 발명의 효과, 특징 및 이를 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예에서 명확해진다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이며, 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

도 1은 본 발명에 의한 약물반응예측을 위한 양적 형질 위치(QTL), 유전복제수변이 및 RNA발현예를 도시한 예시도이고, 도 2는 본 발명에 의한 유전적 바이오마커를 활용한 약물반응성 계산 스키마를 도시한 예시도이며, 도 3은 본 발명에 의한 유방암의 유전적 바이오마커와 약물반응성의 관계를 도시한 예시도이고, 도 4는 본 발명에 의한 NGS입력과 약물반응 및 RNA발현 네트워크를 도시한 예시도이며, 도 5는 본 발명에 의한 세포주 약물반응 값(IC50)과 기능하플로타입의 상관관계를 도시한 예시도이고, 도 6은 본 발명에 의한 양적형질 위치(QTL)와 약물반응 상관관계를 도시한 예시도이며, 도 7은 본 발명에 의한 변이, RNA발현, 유전자복제수변이 및 약물반응 네트워크를 도시한 예시도이고, 도 8은 본 발명에 의한 변이와 상관관계 세포주, 암, 약물반응, RNA발현 및 CNV증폭 예를 도시한 예시도이며, 도 9는 본 발명에 의한 기능하플로타입과 약물반응성 상관관계 계산 스키마를 도시한 예시도이고, 도 10은 본 발명에 의한 기능하플로타입와 약물반응성 네트워크를 도시한 예시도이며, 도 11은 본 발명에 의한 기능하플로타입과 유전자발현 및 유전자복제수변이 예를 도시한 예시도이고, 도 12는 본 발명에 의한 기능하플로타입 정의를 도시한 예시도이며, 도 13은 본 발명에 의한 FRH 방법과 유전자 발현과 약물 반응성 예측 예를 도시한 예시도이고, 도 14는 본 발명에 의한 FRH의 일 예시로 평균 IC50 값의 차이가 1.0인 실시예를 도시한 예시도이며, 도 15는 본 발명에 의한 FRH의 일 예시로 평균 IC50 값의 차이가 1.5인 실시예를 도시한 예시도이고, 도 16은 본 발명에 의한 기능하플로타입과 유전자발현 실시 예를 도시한 예시도이며, 도 17은 본 발명에 의한 특정 암 약물 패스웨이(pathway)기반 약물반응 예측모델 생성예를 도시한 예시도이고, 도 18은 본 발명에 의한 기능하플로타입과 약물반응성 연관관계 R^2를 도시한 예시도이며, 도 19는 도 18에 도시된 예에서, Afatinib 약물과 FRH 상관관계가 높은 FRH의 실시예를 도시한 예시도이고, 도 20은 도 18에 도시된 예에서, Afatinib 약물과 FRH 상관관계가 높은 FRH를 사용한 예측 모델의 일 실시예를 도시한 예시도이며, 도 21은 본 발명에 의한 FRH를 사용한 혈액암의 약물반응성 예측의 일 실시예를 도시한 예시도이고, 도 22는 본 발명에 의한 FRH를 사용한 활용가능 시스템의 일 예를 도시한 예시도이며, 도 23은 본 발명에 의한 FRH 바이오마커를 이용하여 암 및 약물 동반진단 칩을 제작하는 방법의 일 예를 도시한 예시도이고, 도 24는 본 발명에 의한 바이오마커 표현구조의 구성을 설명하는 예시도이다.

본 발명은 기본적으로, (A) 암 환자에게서 임상적으로 추출하기 어려운 유전자 RNA 발현정보 및 복제수변이 정보를 양적형질 위치(QTL)를 선행 계산하고, (B) 비임상 세포주 DB(GDSC 및 CCLE)와 같은 공용 데이터를 이용하여 유전자 RNA 발현정보 및 복제수변이 정보와 약물반응성 상관관계 실험 정보를 확보한 후, 상기 제(A)단계 및 제(B)단계를 통합하여 양적형질 위치(QTL)와 암약물반응 상관성을 계산하여 예측모델을 생성한다.

그리고 암 환자에게서 획득될 수 있는 유전체 정보를 기반으로 기능정보를 포함한 하플로타입을 계산하여 암환자의 약물반응성정보를 예측한다.

도 1에는 약물반응예측을 위한 양적 형질 위치(QTL), 유전복제수변이 및 RNA발현 예가 도시되어 있다. 즉, ①의 eQTL 실험 예문에서는, 변이와 발현의 직접(cis) 및 간접(trans)방식에 의해 조절되는 것이 나타나있고, ②의 Drug-Gene Expression은 약물과 RNA 발현의 상관관계를 보여준다. 그리고 ③의 Drug Cell viabillity는 약물의 농도와 세포의 활성관계를 보여주고, ④의 Drug-CNV는 약물의 농도와 유전자 복제수 변이(CNV)와의 상관관계를 보여준다. 그리고 ⑤의 Expression-CNV는 유전자 발현과 복제수 변이(CNV)와 상관관계를 보여준다.

즉, 도 1은 약물의 농도와 RNA 발현 및 유전자복제수변이(CNV)가 서로 상관관계를 가지고 있다는 것을 보여주고, 또한, 많은 경우에 RNA발현 및 유전자복제수변이(CNV)는 그것의 원인이 되는 단일 및 다중 변이와의 상관관계가 있음을 보여준다.

도 2에는 유전적 바이오마커를 활용한 약물반응성 계산 스키마에 있어, 대부분의 알려진 활성 약물이 약물에 민감한 군과 약물에 저항성을 주는 군으로 나누어지고, 이때, 민감성 및 저항성은 유전적 바이오마커와 밀접하게 연결되어 있다.

여기서, 유전적 바이오마커는 생식 및 체세포 변이, 드라이버변이, 복제수변이, 기능 하플로타입 변이, 후성 변이인 methylation 및 유전자 발현 등으로 구성된다.

그리고, 도 3에는 유방암의 유전적 바이오마커와 약물반응성의 관계의 일예가 도시되어 있다. 유전적바이오마커들의 메커니즘을 나타내는 A) 계략도에서 Her2 유전자가 과발현되어 있을 때, 세포표면 수용체를 표적으로 하는 약물인 tratuzumab와 세포 내부의 cytoplasm에서의 길항제를 표적으로 하는 lapatinib 및 두 개의 바이오마커 PI3CA와 PTEN의 위치가 나타나 있다. B) 그래프에는 tratuzumab 및 lapatinib의 경우 wild type과 PI3CA가 변이를 가진 경우와, PTEN까지 기능을 못하는 경우에 대하여 약물반응성이 계산된 결과가 나타나 있고, 약물 pathway 메카니즘에서 약물표적의 위치에 따라 바이오마커의 변이가 1개 및 2개에 대한 약물반응성이 달라짐이 도시되어 있다.

한편, 도 4에는 NGS 입력과 약물반응 및 RNA발현 네트워크의 일 예가 도시되어 있다.

NGS 입력과 약물반응 및 RNA발현 네트워크의 기본 구조는, A) NGS 입력데이터로부터 선행으로 계산된 양적형질 위치(QTL)기반 유전자 RNA 과발현/저발현 및 유전자 복제수 변이의 증폭/감소를 예측하고, B) 비임상(in vitro) 공용 약물 반응성 데이터와 유전자발현 데이터와 상관관계 정보를 이용하여, C) 임상(in vivo)에서 양적형질 위치(QTL)기반 약물반응을 예측한다.

본 발명은 A) 양적형질 위치(QTL) 정보를 확보하고, B) 유전자 RNA 발현정보와 약물반응성 실험데이터를 라이브러리(DB)화하고, C) 약물반응성을 예측하는 과정으로 설명될 수 있다. 이는 일반적으로 환자에 대하여 B) 단계의 약물반응정보 및 유전자발현 정보를 짧은 시간에 확보하기가 어럽거나 일부는 거의 불가하기 때문이다.

따라서, 도 1 내지 도 4는 환자로부터는 유전체정보 및 RNA발현정보 기반 양적형질 위치(QTL) 정보와 관련을 가진 단일 및 다중 변이정보를 확보하고, 공용 약물반응성 정보인 비임상(in vitro) 세포주 실험 정보와 연결을 만들고, 임상(in vivo)에서 환자에게 적용하는 방식이다.

도 5는 세포주 약물반응 값(IC50)과 기능하플로타입의 상관관계 예시도로, 도 5에는 최종적으로 세포주들과 약물반응성 정보 및 기능하플로타입의 상관관계를 Pearson 상관관계로 계산하는 예가 도시되어 있다. 도 5에서는 265개 약물을 18(Dn)개 약물 pathway로 분류하여 적용을 하고, 기능하플로타입은 12개 암종(Cancer N)에 대하여 각 세포주 유전체에서 양적형질 위치(QTL) 정보기반으로 이미 약물반응과 관련을 가지고 있는 변이들의 조합(다중변이)들을 해시 수(hash number)로 바꾸어서, Pearson 상관관계를 구하는 형태의 계략도를 보여준다.

그리고 도 6은 양적형질 위치(QTL)와 약물반응 상관관계 예시도도를 보여 주고 있다. ①은 eQTL, ②는 cQTL, ③은 dQTL, ④는 유전자 RNA 발현과 유전자복제수변이의 상관관계, ⑤는 약물농도와 유전자 RNA발현, ⑥은 약물농도와 유전자복제수변이와의 상관관계를 보여준다.

본 발명에서 ① eQTL 및 ② cQTL이 사용되고, ③ 내지 ⑥은 결과물로서 혹은 상관관계가 있는 상태를 보여준다.

도 7은 변이, RNA발현, 유전자복제수변이 및 약물반응의 네트워크 구조를 나타내는 예시도로, 도 6에 도시된 내용을 서로 간의 연관성 관점으로 네트워킹을 만든 계략도이고, 지노타입(단일 변이), 하플로타입(조합 및 다중변이) 및 약물반응과의 조건식들의 관계를 보여준다.

본 발명에서 기능하플로타입은 단일변이 및 다중변이를 모두를 통칭한다.

그리고 각 변이들은 모두 양적형질 위치(QTL)의 방법에 의하여, 유전자 RNA 발현과 유전자복제수변이의 상관관계가 p-value < 10^5 이하로 정하여 수집된다.

한편, 도 8에는 변이와 상관관계 세포주, 암, 약물반응, RNA 발현 및 CNV 증폭의 예가 도시되어 있다. 이때, 상호 연관된 변이와 세포주, 암, 약물반응, RNA 발현 및 CNV 증폭의 예는 최종적으로 선별된 양적형질 위치(QTL)기반 약물반응성-변이-RNA발현-CNV가 하나의 객체로서 묶여 있다.

또한, 변이(지노타입)은 염색체의 위치, 변이 타입, 아미노산변이, 바이오마커로서의 활용 유무정보 등과도 연결될 수 있다.

*한편, 도 9에 도시된 기능하플로타입과 약물반응성 상관관계 계산 스키마에 의하면, 본 발명은 크게 제1단계 및 제2단계로 구성된다.

제1단계는 양적형질 위치(QTL)들의 위치 모음을 생성하는 단계이고, 제2단계는 기능하플로타입과 약물반응 상관관계 계산하는 단계이다.

구체적으로, 제1단계는 1) 변이(전체 4백만)와 유전자들(20,000)의 발현 상관관계 계산하는 단계와, 2) 약물(265개)과 셀라인 유전체(1,000개)의 유전자발현과(각 20,000 여개)의 상관관계 계산하는 단계와, 3) 1) 및 2)에서 다중 혹은 단일변이와 연관을 가진 유전자발현 패턴이 같은 것을 수집하는 단계 및 4) 유전체통합DB에서 하플로타입(단일 및 다중변이)을 약물반응성과 함께 추출하는 단계를 포함하여 수행된다.

그리고 제2단계는 5) 이와 같은 하플로타입을 기능과 연관관계 하플로타입인 기능하플로타입(FRH)으로 정의하고, FRH를 해시넘버 (hash number)로 표현하는 단계 및 6) 해시넘버와 약물반응성 조합 상관관계 테스트(Pairwise Pearson Test)를 계산하는 단계를 포함하여 수행되고, 이들 과정을 모든 암 종에서 반복 수행한다.

또한, 도 10에는 기능하플로타입과 약물반응성의 네트워크가 도시된 것으로, 도 9에 도시된 기능 하플로타이핑 방법을 구현하기 위한 시스템을 나타낸다.

즉, QTL방법에 의한 단일 혹은 다중변이와 유전자 RNA발현 및 약물 반응데이터의 관계 및 Genotype으로 구성된 Cell Lines(c1~c-N) 통합 DB에서 다중변이를 추출하여 기능하플로타입을 추출하는 과정이 도시되어 있다.

그리고 도 11의 기능하플로타입과 유전자 RNA 발현 및 유전자복제수변이 예시도에는, 기능적인 관점에서 도 9의 과정을 구체적으로 설명을 한다.

즉, A)는 약물반응성 정보와 유전자 RNA발현의 관계를 최종결과물인 다중면이(loci)와 Exp으로 표현되고, 약물반응성 정보와 유전자복제수변이(CNV)의 관계를 loci와 CNV로 표현됨을 나타내고 있다.

그리고 B)는 이에 대한 상세 스키마로, 약물의 경우 Ln Ic50의 경우 '-2'는 민감성을 나타내고, '0'은 중간 민감성을 나타내며, '2'는 약물내성을 나타낸다.

한편, 다중변이(loci)는 양적형질 위치(QTL)기반으로 선별된 locus들의 모음으로 설명되고, loci는 다양한 타입인 loci-1, loci-2, ... loci-N으로 표현이 되며, 각 loci 타입은 전체 집단에서의 빈도(frequency)를 가지게 된다.

그리고 각각의 빈도 군에서 평균 약물반응성 정보인 ln IC50값(X, Y, …Z)이 산출된다.

한편, 유전자 RNA발현의 경우는 3가지 다른 발현 패턴을 가지는데, 이는 과발현(over-expression), 변화없음(normal), 및 저발현(under-exprfession)형식으로 표현이 될 수 있고, loci 타입과 같은 방식으로 각 타입에서 빈도(frequency)가 그룹화가 될 수 있고, 각 그룹에서의 평균 Ln IC50값(X', Y', …Z')이 산출된다.

그리고 같은 방식으로 복제수변이인 CNV의 경우도 증폭(amplification), 변화없음(normal) 및 감소(deletion)로 구분되고, 각 빈도(frequency) 군(group)에서 평균 약물반응성 정보인 ln IC50값(X", Y", …Z")이 산출된다.

또한, loci, gene-exp, gene-CNV 모두 다 빈도값이 가중치형태로 0~1의 스케일로 표현될 수 있다.

따라서, B)는 loci와 Exp, loci와 CNV에 가중치가 곱해진 것으로 설명될 수 있다.

도 12는 기능 하플로타입 정의를 나타내는 것으로, 본 발명에서 상대 기능 하플로타입(relative-Haplotype)이라 함은, 기능하플로타입(FRH)과 eQTL에서 유의성을 주는 locus들의 조합(Loci)으로서 기능적으로 연관된 하플로타입 관계를 말한다.

여기서, 기능하플로타입은 게놈 어셈블버전인 Dec. 2013 (GRCh38/hg38): Genome Reference Consortium Human 38 (GCA_000001405.15), https://www.ncbi.nlm.nih.gov/assembly/GCF_000001405.26 참고(reference)서열을 기준으로 개별 세포주 및 개인이 다른 다형성정보(allele)를 가진 형태로 정의된다. 그리고 FRH(Exp | IC50)는 유전자 발현차이에 대한 약물반응 절대값 민감도 차이(Normal 대 Over 혹은 Under)를 나타내고, FRH(Loci | IC50)는 세포주 들에 대한 기능적으로 연관된 하플로타입에 대응된 약물반응 절대값 민감도 차이를 말한다.

따라서, 약물반응값과 유전자 RNA발현의 관계와, Loci의 특정 타입과 같은 패턴의 유전자 RNA발현을 연결을 지을 수 있고, 일 예로, 도 12에서, [2]의 loci-3과 [1]Exp-over와 연결되어 있음을 보여준다.

즉, loci-3은 RNA발현이 over가 되는 것과 QTL관계에 있고, RNA발현이 over가 되어 있을 때 약물반응성 값은 loci-3의 약물발현성 값과 같은 것으로 예측할 수 있다.

*또한, [3]에 도시된 바와 같이, FRH(Exp | IC50)은 변화없음(normal)에서의 약물반응성값과 비교하여 절대값 약물반응성 차이가 큰 값(max)를 나타내고, FRH(Loci | IC50)는 다양한 하플로타입에서의 약물반응 변화없음(normal)에서의 약물반응성 값과 비교하여 절대값 약물반응성 차이가 가장 큰 값(max)를 나타낸다.

한편, 도 13에는 FRH 방법과 유전자 발현과 약물 반응성을 예측한 예를 통하여, 도 12에 정의된 하플로타입을 좀 더 구체적으로 설명을 할 수 있다.

즉, 도 13의 [1] 및 [2]은 유전자 발현차이에 대한 약물반응 절대값 민감도 max 차이(Normal 대 Over 혹은 Under)를 각각 나타내고, [3]은 세포주 들에 대한 기능적으로 연관된 하플로타입에 대응된 약물반응 절대값 민감도 max 차이를 나타내며, [4]는 발현 차이에 대한 약물반응의 차이가 저발현 보다 더 크면 s=1, 그리고, 그 반대면 s=0이라 정의하는 것을 나타낸다. 따라서, s=1은 과발현이 약물반응에 민감하다는 것이고, S=0은 저발현이 약물반응이 민감하다는 것을 의미한다.

그리고 [5]는 [1] 및 [2]에서 정의한 ds^over가 ds^under보다 크면 m=1, 그렇지 않으면 m=0이라 정의하는 것을 나타내고, m=1이면 특정 loci타입이 유전자의 경우 과발현을 의미하고, m=0일 경우 유전자의 저발현이 특정 loci타입와 연관됨을 의미한다.

한편, 도 14는 FRH의 한 예시로 평균 IC50 값의 차이가 '1.0'인 예의 데이터를 표로 보여준다. 여기서, 평균 약물반응성(LN IC50)이 1인 경우 높은 양성 상관관계를 보인다 (pval <2.812*10^-7).

그리고, 도 15는 FRH의 한 예시로 평균 IC50 값의 차이가 '1.5'인 예의 데이터를 표로 보여준다. 여기서, 평균 약물반응성(LN IC50)이 1.5인 경우 훨씬 높은 음성 상관관계를 보인다 (pval <7.191*10^-7).

또한, 도 16에는 기능적으로 연관된 하플로타입과 유전자발현 실시예가 도시되어 있다.

이 실시예의 경우, 혈액암(blood)의 경우, FRH이 4개의 타입을 포함하는 것을 보여준다. 이때, 변이(locus위치)는 1: Ref Homo, 2: Hetero, 3: Alt Homo의 3개의 다른 지노타입(genotype)으로 설명이 된다.

그리고 첫 번째 컬럼의 혈액암(blood)에서 2개의 locus의 조합으로 표현하면, 각 타입의 빈도(frequency)는 두 번째 컬럼, '12'는 1명, '21'은 1명, '11'은 2명 그리고 '22'는 153명으로 다수를 보여준다.

또한, Afatinib 약물에 대하여 '11'의 경우 유전자발현은 과발현(2.404)이고, 약물반응성(LN IC50)은 -1.21, 즉 Afatinib 약물에 대하여 민감성이 있다는 것을 보여준다. 이 예시의 내용을 요약하면, 2개의 locus를 조합으로 하는 FRH는 '11' 타입에서 EGFR 유전자가 과발현되고, 그것이 원인이 되어서 약물반응성이 민감하다. 따라서, FRH는 '11' 타입을 가지는 세포주 및 환자는 Afatinib약물에 민감하다고 예측할 수 있다.

그리고 도 17에는 특정 암 약물 패스웨이(pathway)기반 약물반응 예측모델 생성 방법이 도시되어 있다. 이에 도시된 바와 같이, 특정 암 약물 패스웨이(pathway)기반 약물반응 예측모델은 1) 기능연관 하플로타입(FRH)과 특정암의 특정약물 패스웨이(Drug Pathway)와 관련된 각 약물과의 상관관계를 계산하고, 2) FRH 및 약물반응성 상관관계로 구성되는 메트릭스 X축 및 Y축의 상관관계 정보를 클러스터링을 하고, 3) 예측모델에서 유의성(p-value)이 높은 것을 수집하여, 이들의 상호작용 기능을 모델에 적용하고, 4) NGS 데이터를 입력으로 하여 약물반응성과 연관을 가진 FRH를 계산하여 약물반응성을 예측한다.

한편, 도 18에 도시된 기능하플로타입과 약물반응성 연관관계 R^2는 도 17의 예측모델 생성 방법의 2)상관관계 정보의 클러스터링 과정의 일 예를 설명한다. 여기서, 암 타입은 혈액암이고, Y: EGFR pathway 9 drugs, X: FRH 하플로타입 그리고 각 pixel은 약물반응값과 FRH의 Pearson 상관관계를 나타내고, 여기서 *는 유의성(pval<0.05)을 나타내고, **는 유의성(pval<0.01)을 나타낸다.

또한, 파랑색은 양성으로의 상관관계를 보여주고, 주황색은 음성으로의 상관관계을 보여준다.

그리고 도 19는 도 18의 예에서, Afatinib 약물과 FRH 상관관계가 높은 FRH의 예를 보여준다. 특히, 4개 FRH(LAMC2_2, JPH1_2, PRKCB_3, CML_1)와 약물반응성 상관관계를 결과를 나타내고 있다.

한편, 도 20은 도 18의 예에서, Afatinib 약물과 FRH 상관관계가 높은 FRH를 사용한 예측 모델의 일 예로, 도 17의 예측모델 생성 방법의 3) 상호작용 기능을 모델에 적용한 일 예를 설명한다. 특히, p-val<0.01이하인 FRH 21개는 상호작용 텀(term)으로 넣고, 선형 회귀(Leaner Regression)모델을 적용한 예시이다. 이 경우는 Pearson 상관관계가 0.89이다.

또한, 도 21은 혈액암 환자 1명 유전체의 기능하플로타입을 가지고 다양한 약물(AP-24534, PAC-1, Obatoclax Mesylate, Bleomycin 등)에 대한 예측된 IC50(real)값들을 보여준다. 이 결과 어떤 약물은 높은 민감도가 예측된 반면, 떤 약물은 높은 저항성이 예측된 것으로 나타난다. 그리고 실제값(IC50(real))의 민감도와 기능하플로타입 군의 평균 IC50(ave)값 사이에 일치성이 있음을 보여준다.

한편, 도 22에 도시된 바와 같이, 본 발명에 의한 차세대시퀀싱데이터 기반의 개인별 기능하플로타입들이 수집되면 다양한 영역에서 활용이 가능하다. 즉, 가상임상시험 및 실제임상시험, 신약표적발굴, 질병 약물 민감도 진단, 및 동반진단 바이오마커 발굴 시스템 등에 활용가능하다.

본 발명에서는 전술한 바와 같은 기능하플로타입을 통하여, 약물 반응성을 진단하는데 유의성있는 바이오 마커들을 발굴하였다.

발굴된 바이오 마커는 변이를 포함하는 DNA 염기로 크게 암의 종류(CancerClass) 별로 해당 암에 대한 약물의 반응성에 영향을 미치는 바이오 마커들과, 약물의 작용 경로(pathway) 및 표정 대상에 따라 구분되는 약물타입(DrugClass)에 별로 약물의 반응성에 영향을 미치는 바이오 마커들로 구분된다.

이하에서는 이와 같은 바이오 마커들을 종류별로 구분하여 정리하기로 한다.

먼저, 암타입(CancerClass)에 대한 구분 종류가 [표 1]에 정리되어 있다.

암타입(CancerClass)에 속하는 TCGA(the cancer genome atlas)의 정의

구분	CancerClass	TCGA	CANCER_NAME
1	혈액암(blood)	ALL LAML LCML	Acute lymphoblastic leukemia, Acute Myeloid Leukemia, Chronic Myelogenous Leukemia
2	여성암(breast, ovary)	BRCA BLCA UCEC OV CESC	Bladder Urothelial Carcinoma, Breast invasive carcinoma, Ovarian serous cystadenocarcinoma, Cervical squamous cell carcinoma and endocervical adenocarcinoma, Uterine Corpus Endometrial Carcinoma
3	뇌종양(brain)	LGG NB GBM	Glioblastoma multiforme, Brain Lower Grade Glioma, Neuroblastoma (nb)
4	두경부암(head&neck)	HNSC THCA	Head and Neck squamous cell carcinoma, Thyroid carcinoma
5	폐암(lung)	LUAD LUSC NSCLC	Lung adenocarcinoma, Lung squamous cell carcinoma
6	육종암(bone)	SARC	Sarcoma

위 [표 1]에 기재된 Cancer Class는 암발생부위 및 원인별 구분으로, 혈액암(blood), 여성암(breast, ovary), 뇌종양(brain), 두경부암(head&neck), 폐암(lung), 육종암(bone)으로 구분된다.

그리고 TCGA는 'The cancer genome atlas'에서 분류한 세부 암 유형을 나타내고, 각 항목에 대한 정보가 [표 1]에 기재되어 있다.

전술한 바와 같이, 본 발명에서는 기능하플로타입을 이용한 GBLscan을 통하여, 각 암 종류별로, 약물에 대한 반응성에 영향을 미치는 바이오마커를 산출하였다.

구체적으로, 암타입(Cancer Class)의 구분 별로, 혈액암(blood)의 바이오 마커 225개(표 2참조), 여성암(breast, ovary) 바이오 마커 50개(표 4참조), 뇌종양(brain)의 바이오 마커 894개(표 6참조), 두경부암(head&neck)의 바이오 마커 32개(표 8참조), 폐암(lung)의 바이오 마커 277개(표 10참조), 육종암(bone)의 바이오 마커 331개(표 12참조)이다.

아래 [표 2] 내지 [표 12]에는 암 종류별로 본 발명에 의해 발굴된 바이오 마커가 표시되어 있다. 여기서 바이오 마커는 단일변이 및 다중변이의 조합일 수 있고, 변이의 형태 역시 단일염기다형성변이(SNV), 인델(Indel), 유전자 복제수 변이(CNV), 염색체 전위(chromosomal rearrangement) 등 다양한 형태의 변이일 수 있다.

한편, 본 발명에서 표시되는 Gene_EXP는 도 24에 도시된 바와 같이, 해당 바이오마커의 mRNA 발현유전자의 명칭을 나타낸다. 그리고 상기 바이오 마커는 『표식1_표식2_표식3_표식4』의 형태로 표현되는데, 표식1은 변이가 포함된 염색체번호를 나타내는 것으로 1 내지 22 또는 X, Y 중 어느 하나의 값을 갖는다. 그리고 표식2는 해당 염색체 상에서 변이가 발생된 염기서열의 시작위치를 나타내는 것이며, 표식3은 변이 전 정상 염기를 나타내는 것으로 참조게놈(GRCh/hg38 기준)상의 해당 위치의 염기를 말한다. 한편, 표식4는 변이된 염기를 나타내는 것이다.

즉, [표 2] 내지 [표 12] 및 [표 15] 내지 [표 27]에 표시된 『표식1_표식2_표식3_표식4』의 형태로 표현된 변이는, 표식1 염색체에 있어, 표식2 번째 부터의 표식3 염기가 표식4로 변이된 염기서열을 말한다.

따라서, 이때, 바이오 마커는 구체적으로, 표식1 염색체에 있어, 표식2 번째 위치에서부터의 표식3의 염기 길이까지의 자리가 표식4의 염기로 구성되는 염기서열을 말한다.

예를 들어, [표 2]의 서열1의 바이오마커가 『14_30910985_T_G』로 표현되었는데, 이는 14번 염색체의 30910985번째 염기가 G인 염기서열이 바이오 마커임을 의미하고, [표 2]의 서열5의 바이오마커가 『13_113524119_TGTCA_T, 13_113510211_T_C, 13_113495576_T_C, 13_113503637_G_T, 13_113539563_C_T』로 표현되었는데, 이는 13번 염색체의 113524119번째 염기부터 113524123까지의 염기가 T이고(4자리의 염기는 '결실'됨을 의미한다), 13번 염색체의 113510211번째 염기가 C이며, 13번 염색체의 113495576번째 염기가 C이고, 13번 염색체의 113503637번째 염기가 T이며, 13번 염색체 113539563번째 염색체가 T인 염기서열이 바이오마커임을 의미한다.

도 24에 도시된 예를 살피면, [표 23]의 서열 29에 기재된 바이오 마커는, 'SLC6A12'염색체에서, 2번 염색체의 190673067번째 염기가 GT이고, 9번째 염색체의 114323991번째 염기가 G인 것을 의미한다. 이때, 2번 염색체의 190673067번째 염기는 G가 GT로 치환된 것임을 말한다.

한편, 1 내지 22번 염색체의 전체 염기서열은 전술한 바와 같이, 게놈 어셈블버전인 Dec. 2013 (GRCh38/hg38): Genome Reference Consortium Human 38 (GCA_000001405.15), https://www.ncbi.nlm.nih.gov/assembly/GCF_000001405.26 참고(reference)서열을 기준으로 한다.

[표 2]에는 혈액암(blood) 약물에 연관된 FRH 들과, 이와 연관된 혈액암 약물들 및 FRH를 정의하는 마커들이 정리되어 있다.

또한, [표 3] 에는 [표 2]에 제시된 FRH들의 반응성(P-value) 정도를 산출한 결과가 정리되어 있다.

이들 표에서 FRH는 『FRH명칭_포함된 마커수』형태로 표시되었고, 『Var_Exp(pval)』는 각 마커가 해당 유전자 발현에 미치는 상관도(Pvlaue)값을 의미하고, 『Var_Drug(pval)』는 해당 마커가 약물의 반응성에 미치는 상관도(P-vlaue)값을 의미하는 것으로, [표 2]에 정리된 약물의 순서에 따라 각 약물에 대한 반응성 상관도 값이 구분인자 『/』로 구분되어 정리되어 있으며, 『Exp_Drug(pval)』해당 유전자 발현이 약물 반응성이 미치는 상관도(Pvlaue)값이 [표 2]에 정리된 약물의 순서에 따라 정리되어 있고, 『Ave_VarDrug(pval)』는 『Var_Drug(pval)』산출값들의 평균값을 의미하며, 『Rank』는 해당 FRH가 유의성 있게 영향을 미치는 혈액암 약물의 수를 의미한다.

이들 반응성 검증결과로부터, Var_Exp(pval)이 낮을수록, Var_Drug(pval) 및 이의 평균값인 Ave_VarDrug(pval)이 낮을수록, Exp_Drug(pval)이 낮을수록, Rank 수가 높을수록 해당 마커가 약물 반응성을 판단하기 위한 바이오마커로 실효성이 높은 것으로 판단할 수 있다.

한편, 도 25에는 표 2에 기재된 바이오마커들 중 주요 바이오마커들의 혈액암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있고, 도 26에는 주요 바이오마커들에 의해 발현된 유전자들과 혈액암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

유전자 및 약물별 발현 관련 기능하플로타입 변이

관련유전자	약물명	약물 code	ClinicalTrial (Bloodcancer)	Var(마커), FRH
MYB	ABT-263	1011	inventigational	13_37746458_AA_A 16_46710765_T_A 11_63382198_CA_C 14_68477626_CT_C 7_151221500_CT_C
	ABT-888	1018	Phase I
	Afatinib	1032	Phase II
	Axitinib	1021	Phase II
	Bosutinib	1019	Phase III
	Cytarabine	1006	Phase IV
	Gefitinib	1010	Phase II
	Lenalidomide	1020	Phase IV
	Nilotinib	1013	Phase IV
	Olaparib	1017	Phase II
	Olaparib	1495	Phase II
	PD-0332991	1054	Phase I
	Vismodegib	1033	Phase II
CCND3	Bryostatin	197	Phase II	14_68477626_CT_C 7_151221500_CT_C
	Cytarabine	1006	Phase IV
	Olaparib	1495	Phase II
	Palbociclib	1054	Phase I
CLEC11A	Quizartinib	254	Phase III	16_46710765_T_A 5_179863845_T_G
CLEC11A	Selumetinib	1498	Phase II	16_46710765_T_A 5_179863845_T_G
SLFN11	Cisplatin	1005	Phase II	1_215675245_T_C
	Cytarabine	1006	Phase IV
	Etoposide	134	Phase IV
	Gemcitabine	135	Phase II
	Mitomycin-C	136	Phase I
	Talazoparib	1259	Phase II
GLUL	Axitinib	1021	Phase II	16_46710765_T_A
	Imatinib	34	Phase IV
	Nilotinib	1013	Phase IV
ARRB1	Selumetinib	1498	Phase II	16_46710765_T_A
UBASH3B	Cytarabine	1006	Phase IV	14_68477626_CT_C
UBASH3B	Palbociclib	1054	Phase I	14_68477626_CT_C
TNFRSF1A	Selumetinib	1498	Phase II	16_46710765_T_A 6_71969190_A_G
TNFRSF1A	Trametinib	1372	Phase II	16_46710765_T_A 6_71969190_A_G
FLT3	Cabozantinib	249	Phase I	2_110841381_C_T
	Midostaurin	153	Phase III
	Quizartinib	254	Phase III
TAF3	Selumetinib	1498	Phase II	1_75148689_A_T
TAF3	Trametinib	1372	Phase II	1_75148689_A_T

유전자 및 약물별 기능하플로타입에 따른 상관도 및 반응성 검증결과

관련유전자	약물명	Var_Drug(pval)	Exp_Drug(pval)	Var_Exp(pval)	반응성
MYB	ABT-263	0.00067418	0.00000001	2.44E-11	민감
	ABT-888	0.000770681	0.003563123	2.44E-11	민감
	Afatinib	0.003470781	0.011052464	2.44E-11	민감
	Axitinib	0.000765635	6.92E-07	2.44E-11	민감
	Bosutinib	0.000545979	0.002198223	2.44E-11	민감
	Cytarabine	0.000162263	1.91E-08	2.44E-11	민감
	Gefitinib	0.00035849	0.178381086	2.44E-11	민감
	Lenalidomide	0.003858986	0.028671936	2.44E-11	민감
	Nilotinib	0.000181347	2.60E-05	2.44E-11	민감
	Olaparib	2.33E-06	9.43E-05	2.44E-11	민감
	Olaparib	0.000222215	2.14E-05	2.44E-11	민감
	PD-0332991	2.99E-05	1.18E-09	2.44E-11	민감
	Vismodegib	0.006664862	0.120451258	2.44E-11	민감
CCND3	Bryostatin	0.000284833	3.74E-07	1.00E-10	민감
	Cytarabine	4.08E-05	1.33E-09	1.00E-10	민감
	Olaparib	0.012017653	1.76E-06	1.00E-10	민감
	Palbociclib	0.007738993	1.86E-07	1.00E-10	민감
CLEC11A	Quizartinib	0.035922739	3.78E-05	1.00E-10	민감
CLEC11A	Selumetinib	0.000172467	2.02E-05	1.00E-10	민감
SLFN11	Cisplatin	0.008405657	7.93E-07	1.49E-06	민감
	Cytarabine	0.006637672	2.01E-07	1.49E-06	민감
	Etoposide	0.018399047	8.07E-08	1.49E-06	민감
	Gemcitabine	6.56E-09	2.30E-06	1.49E-06	민감
	Mitomycin-C	0.000416087	5.51E-11	1.49E-06	민감
	Talazoparib	3.28E-06	1.51E-12	1.49E-06	민감
GLUL	Axitinib	0.006750424	3.21E-07	2.83E-07	민감
	Imatinib	0.013252365	2.00E-06	2.83E-07	민감
	Nilotinib	0.000231857	4.53E-06	2.83E-07	민감
ARRB1	Selumetinib	0.0149371	3.48E-06	3.40E-06	민감
UBASH3B	Cytarabine	0.000299579	4.72E-08	1.85E-06	민감
UBASH3B	Palbociclib	0.012034947	9.21E-07	1.85E-06	민감
TNFRSF1A	Selumetinib	0.018289425	2.03E-09	1.56E-08	민감
TNFRSF1A	Trametinib	0.033576685	1.27E-05	1.56E-08	민감
FLT3	Cabozantinib	0.042229392	0.000254892	1.45E-07	민감
	Midostaurin	0.014883091	0.013113312	1.45E-07	민감
	Quizartinib	0.022311882	0.010959182	1.45E-07	민감
TAF3	Selumetinib	0.000561221	5.38E-07	1.04E-07	저항
TAF3	Trametinib	5.84E-05	4.01E-05	1.04E-07	저항

한편, 도 27에는 주요 바이오마커들의 여성암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있고, 도 28에는 주요 바이오마커들에 의해 발현된 유전자들과 여성암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.그리고 도 29에는 주요 바이오마커들의 뇌종양 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있고, 도 30에는 주요 바이오마커들에 의해 발현된 유전자들과 뇌종양 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

또한, 도 31에는 주요 바이오마커들의 두경부암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있고, 도 32에는 주요 바이오마커들에 의해 발현된 유전자들과 두경부암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

그리고, 도 33에는 주요 바이오마커들의 폐암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있고, 도 34에는 주요 바이오마커들에 의해 발현된 유전자들과 폐암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

또한, 도 35에는 주요 바이오마커들의 육종암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있고, 도 36에는 주요 바이오마커들에 의해 발현된 유전자들과 육종암 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

다음으로, 본 발명에서 기능하플로타입을 이용한 GBLscan을 통하여 산출된, 각 약물타입 별로 약물에 대한 반응성에 영향을 미치는 바이오마커에 대하여 설명한다.

특정 pathway & signaling를 표적으로 하는 약물타입(DrugClass) 정의

구분	DrugClass	Drugs	Pathway & signaling(Target gene & function)
1	ABL	Imatinib, GNF-2, Dasatinib, Saracatinib, WH-4-023, Bosutinib, Ponatinib, HG-5-113-01, Nilotinib	ABL, SRC, KIT, PDGFR, ABL1,TEC, LOK, LTK, TRCB,
2	CHROMATIN	Phenformin, AICA_Ribonucleotide, Daporinad	HDAC, RAR, HDAC inhibitor Class I, IIa, IIb, IV; HDAC6, EGFR, G9a(EHMT2), GLP(EHMT1), Q8TEK3 (DOT1L), BRD2, BRD3, BRD4
3	EGFR	Gefitinib, Erlotinib, Cetuiximab, Lapatinib, Afatinib, HG-5-88-01, CP724714, Pelitinib	ERBB2, EGFR, ADCK4
4	ERK_MAPK	Dabrafenib, VX-11e, AZ628, Selumetinib, CI-1040, PD0325901, Selumetinib, Refametinib, Trametinib, TL-2-105, HG6-64-1, PLX-4720, SB590885, SL0101, CMK, FMK, FR=180204	MAP2K1 (MEK1), MAP2K2 (MEK2), BRAF, ERK, RSK, AURKB, PIM3, CRAF, BRAFV600E, TAK, MAP4K5
5	IGFR	CSK1904529A, BMS-536924, BMS-754807, Linsitinib	IGF1R
6	MITOSIS	Dacinostat, JQ1, SGC0946, VNLG/124, UNC0638, Belinostat, CUDC-101, Vorinostat, CAY10603, AR-42, I-BET-762, Tubastatin A, PFI-1, Entinostat, JQ12	AURKB, MPS1, KIF11, AURKA, PLK3, AURKC, FLT3, ABL1, JAK2, PLK3

한편, 도 37에는 주요 바이오마커들의 ABL 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

그리고 도 38에는 주요 바이오마커들의 CHROMATIN 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

또한, 도 39에는 주요 바이오마커들의 EGRF 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

*그리고 도 40에는 주요 바이오마커들의 ERK_MAPK 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

또한, 도 41에는 주요 바이오마커들의 IGFR 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

*그리고 도 42에는 주요 바이오마커들의 MITOSIS 약물들에 대한 상관도(P-vlaue)값들이 그래프로 표시되어 있다.

한편, 도 23에는 6개 암타입과 6개 약물타입에 대한 약물의 동반진단을 위한 바이오마커 검출에 사용되는 검사칩을 제작하는 방법이 도시되어 있다.

도 23에 도시된 바와 같이, 제1단계에서, [표 1] 및 [표 14]에 특정된 암타입 및 약물타입에 대한 각 바이오마커들에 대한 진단칩을 제작하거나, 상기 암타입 및 약물타입에 대한 모든 바이오마커만들거나 혹은 전체 을 모두 하나의 칩을 제작하고, 환자로부터 약물타입 또는 암타입과 관련된 FRH 마커에 대하여, 도 18의 도시된 실시예(혈액암의 약물타입 중의 하나인 EGFR pathway) 약물반응과 연관이 높은 한 세트의 FRH 및 특정암에 연관성이 높은 전체 FRH를 사용하여, 도 20의 Linear Regression 예측모델을 생성하는 형식으로 약물반응성을 예측할 수 있다. 따라서, 본 특허에서 정리한 6개 암타입(CancerClass) 및 6개 약물타입(DrugClass)에 특이한 FRH 바이오마커들을 이용하여 다양한 암 및 암약물 동반진단 칩을 도 23처럼 제작하여 활용할 수 있다.

마지막으로, 본 발명의 대상인 혈액암 약물에 대한 반응성 판단을 위한, 바이오 마커 조성물에 대하여 요약하면, [표 2]에 개시된 각각의 마커들이 유의성 있는 것으로 산출되었고, 이들 마커중 MYB 유전자 발현과 연관된 마커 13_37746458_AA_A, 16_46710765_T_A, 1_63382198_CA_C, 14_68477626_CT_C 및 7_151221500_CT_C이 주요한 마커 조합으로 판단되었다.

물론, 본 발명에 의한 바이오 마커 조성물은 이와 더불어 [표 21]에 정리된 주요 바이오 마커들을 더 포함하여 구성될 수 있고, [표 2] 및 [표 21]에 개시된 마커들을 다양한 조합에 의해 구성될 수 있다.

혈액암 관련 유의성 마커

No.	변이 유전자	Var (마커), FRH
1	CCND3_2	14_68477626_CT_C / 7_151221500_CT_C
2	CLEC11A_2	16_46710765_T_A / 5_179863845_T_G
3	SLFN11_1	1_215675245_T_C
4	GLUL_1	16_46710765_T_A
5	ARRB1_1	16_46710765_T_A
6	UBASH3B_1	14_68477626_CT_C
7	TNFRSF1A_2	16_46710765_T_A / 6_71969190_A_G
8	FLT3_1	2_110841381_C_T
9	TAF3_1	1_75148689_A_T
10	RNF169_1	6_119180436_T_TAA
11	AGTRAP_1	2_178769706_G_T
12	DDX60L_1	6_143772215_C_T
13	MARCH9_1	14_30910985_T_G
14	OSBPL5_1	2_232380431_T_C
15	ZNF22_1	2_97507111_G_A
16	DGAT1_3	3_38910262_T_C / 11_18484005_G_A / 3_38905381_A_T
17	ORMDL3_2	19_49044101_A_G / 2_178769706_G_T
18	ROPN1L_2	16_33978977_C_T / 2_200876848_T_C
19	MSI2_1	22_43972861_C_T
20	PSTPIP2_2	6_143772215_C_T / 6_143760631_C_A
21	MYL6B_1	11_284257_G_A
22	LPAR6_2	X_136033510_GA_G / 12_131908770_A_C
23	RIPK2_5	6_152444591_GA_G / 19_13993876_CT_C / 13_37746457_TAA_TA / 5_64507681_TA_T / 10_67956845_TA_T
24	KIF15_1	15_100152748_G_A
25	ATP11A_2	2_85880864_T_C / 3_132388903_G_A
26	ZYX_1_9	11_129905704_C_T
27	SNRPG_5_5	7_12369637_C_A / 7_12369701_C_T / 7_12369909_A_G / 7_12361157_C_T / 7_12361395_C_T
28	RABGAP1_4_4	3_10260372_A_G / 17_20204460_T_C / 17_20357788_A_G / 17_20205876_C_T
29	AEBP1_5_4	16_13922252_CT_C / 13_37746457_TAA_TA / 1_108982799_TA_T / 6_152444591_GA_G / 17_64858885_TA_T
30	HNRNPA0_5_7	11_63382198_CA_C / 15_42211755_GA_G / 15_55680462_CT_C / 20_34750522_TA_T / 11_33353067_AT_A
31	PVRL2_1_15	17_999610_T_C
32	KIAA1377_1_4	19_2896950_T_C
33	THEM4_5_4	13_37746457_TAA_TA / 7_151221500_CT_C / 1_108982799_TA_T / 2_53919250_GA_G / 15_42211755_GA_G
34	RBM15B_4_4	11_63382198_CA_C / 5_75576972_GA_G / 8_73582883_GA_G / 10_67956845_TA_T
35	C10orf11_1_7	1_13344015_T_C
36	NSMAF_1_7	1_117088769_T_C
37	FRAT2_2_9	1_215813880_T_C / 1_215838019_T_C
38	LRPAP1_2_3	7_36335190_G_A / 22_39052745_T_C
39	PRAM1_3_3	7_128805316_G_A / 2_178769706_G_T / 2_232380380_A_G
40	RAG1_2_3	19_11301321_TA_T / 4_105719027_C_A
41	CARHSP1_2_3	14_68477626_CT_C / 13_24781827_GTT_GT
42	MBLAC1_1_3	3_179365291_C_T
43	RAG2_3_4	3_112112876_TA_T / 12_21806064_CA_C / 19_11301321_TA_T
44	HNMT_1_4	1_1756186_T_C
45	KCTD7_2_5	11_63719914_T_C / 11_63646490_AAAAT_A
46	GSN_1_6	11_129905704_C_T
47	CBFB_2_5	15_74183919_A_G / 3_112112876_TA_T
48	FBXO33_1_4	8_143538013_T_C
49	ZBED4_2_4	7_100590017_T_G / 22_23698377_AT_A
50	COPS8_5_6	11_69072603_C_T / 11_124023539_A_G / 16_57082546_T_C / 6_31878964_C_A / 7_100220478_G_A
51	ISG20_1_12	5_179863845_T_G
52	LGALS12_3_4	14_63384641_T_C / 7_128804766_A_G / 7_128805316_G_A
53	SNRNP48_5_3	16_57460490_GA_G / 16_30280420_GA_G / 8_108228149_GA_G / 1_179120104_GA_G / 9_67192757_GA_G
54	VPS37C_3_4	5_146267624_CT_C / 3_160416453_CT_C / 12_15623289_TA_T
55	ATP6V0A1_1_3	11_63382198_CA_C
56	HEATR5A_5_6	7_151221500_CT_C / 9_120989554_CT_C / 4_106236542_TA_T / 7_77937691_AT_A / 15_42211755_GA_G
57	ENG_2_8	3_186558604_C_T / 22_29806785_G_C
58	USF1_5_7	6_163478762_CT_C / 17_46332538_GT_G / 7_74758055_CT_C / 9_100450496_GT_G / 1_176043330_GA_G
59	GRB10_2_11	12_56425138_C_T / 7_51028450_A_G
60	ZNF415_2_4	1_225147359_GT_G / 19_1057777_GA_G
61	DMTF1_1_4	1_16758972_T_G
62	MSL2_4_5	13_37746457_TAA_TA / 8_73582883_GA_G / 5_64507681_TA_T / 7_73465568_GA_G
63	ATP7B_2_6	5_176347862_G_T / 5_176336593_G_A
64	MANBAL_1_5	1_24074187_A_G
65	STOX1_1_3	9_67192757_GA_G
66	PRKCB_2_4	2_68818005_T_G / 1_24074187_A_G
67	PNPLA8_3_5	17_21300996_G_T / 17_21301003_T_C / 17_21301006_A_G
68	ACCS_3_2	11_44107740_C_A / 9_61066407_C_T / 7_135196179_C_T
69	BANP_1_2	9_33270750_G_T
70	ARID1A_2_3	7_21862122_CT_C / 11_63382198_CA_C
71	ELOVL5_1_4	13_37746457_TAA_TA
72	N4BP2_5_2	19_11301321_TA_T / 5_146267624_CT_C / 9_120989554_CT_C / 13_37746457_TAA_TA / 16_84087473_CAA_C
73	LIMS2_5_3	3_196805277_CT_C / 11_63382198_CA_C / 15_41478441_CT_C / 6_166418092_GA_G / 14_54478163_TA_T
74	DPCD_1_2	15_42211755_GA_G
75	KATNB1_5_2	4_183646278_TA_T / 20_38562748_GT_G / 1_84490478_CT_C / 2_200412288_CT_C / X_19006308_TA_T
76	RBM18_1_3	10_131944182_G_C
77	EWSR1_1_2	14_68477626_CT_C
78	SDC4_1_5	1_24074187_A_G
79	LCK_5_3	6_163478762_CT_C / 10_70860377_CT_C / 13_37746457_TAA_TA / 5_64507681_TA_T / 5_146267624_CT_C
80	GNA15_1_9	9_33798019_A_G
81	S1PR2_2_8	1_204261453_G_A / 3_54386725_A_G
82	SOX4_2_2	13_37746457_TAA_TA / 6_152444591_GA_G
83	MPP1_1_19	9_33798019_A_G
84	TRIM26_1_5	11_129905704_C_T
85	NRN1_2_2	20_24959128_C_T / 6_136108863_GA_G
86	PHACTR2_1_4	5_146013801_C_T
87	TRAF3IP2_2_2	1_149929093_CA_C / 12_27688992_CT_C
88	MLF1IP_1_2	10_69097096_G_A
89	PELI2_5_7	3_129433338_GT_G / 19_11301321_TA_T / 6_152444591_GA_G / 5_60605865_GA_G / 11_63382198_CA_C
90	HNRNPA1L2_1_2	11_33353067_AT_A
91	BCL11B_5_3	13_24781827_GTT_GT / 10_67956845_TA_T / 3_196805277_CT_C / 11_63382198_CA_C / 19_13993876_CT_C
92	TTF1_5_6	8_28850105_GA_G / 6_163478762_CT_C / 13_37746457_TAA_TA / 11_63382198_CA_C / 5_146267624_CT_C
93	SKA3_1_2	6_163478762_CT_C
94	ECI1_1_2	1_247588429_C_G
95	LAPTM4B_1_8	20_56366031_C_T
96	C11orf74_4_5	2_237751320_TAA_T / 16_21533198_T_C / 2_216109160_C_A / 16_21520152_G_A
97	RNF24_1_12	5_179863845_T_G
98	CRB3_1_4	15_98922244_C_T
99	CNTROB_5_3	16_15068286_TA_T / 5_64507681_TA_T / 8_42906145_TC_T / 3_129433338_GT_G / 1_179120104_GA_G
100	KIAA1967_5_2	11_107336715_TA_T / 1_22491646_AT_A / 22_23698377_AT_A / 13_37746457_TAA_TA / 3_196805277_CT_C
101	KRT10_1_3	7_92671549_C_T
102	VIT_1_2	1_176944072_A_T
103	TMEM173_2_7	1_201199371_G_A / 1_201200426_T_G
104	SGCB_1_3	17_40035671_A_G
105	DTD1_3_4	5_77411610_TA_T / 2_15396385_GA_G / 11_63382198_CA_C
106	DYSF_1_3	1_25390874_C_G
107	AP2S1_1_3	10_68572309_C_T
108	EMILIN2_1_11	5_179863845_T_G
109	SLC38A1_1_6	7_114653804_G_T
110	SGSM2_4_1	13_97982483_AT_A / 2_63842143_GA_G / 7_77256452_A_G / 4_84631729_G_T
111	ADAM15_1_1	1_75148689_A_T
112	JPH1_2_1	16_81858185_C_G / 5_128345465_A_C
113	S100A8_1_3	12_11091570_G_A
114	SQSTM1_2_1	13_24781827_GTT_GT / 19_11301321_TA_T
115	ANXA2_1_1	4_36214492_A_T
116	CMBL_1_2	11_117203393_G_A
117	CABLES2_1_1	17_74794950_A_G
118	NDST3_2_1	13_24781827_GTT_GT / 11_90163472_A_C
119	LMNA_1_1	12_120579461_C_T
120	SP1_5_1	14_35627049_G_GA / 7_23187041_C_T / 2_61835958_TA_T / X_52753184_G_T / 2_119608507_T_G
121	CDCA7_1_2	20_46358679_C_G
122	NFYB_1_1	20_46358679_C_G
123	SLFN5_2_1	4_186199057_C_A / 6_116125413_A_G
124	CREG1_3_1	9_12704725_C_T / 17_47820165_C_A / 17_47819112_T_C
125	DAD1_1_1	12_54182016_C_A
126	SURF4_1_4	14_101856659_C_G
127	CDK6_1_1	9_33798019_A_G
128	TBCD_5_1	11_63382198_CA_C / 10_67956845_TA_T / 14_68477626_CT_C / 13_37746457_TAA_TA / 8_73582883_GA_G
129	FLRT3_1_1	17_8012602_G_A
130	FUCA2_2_1	12_10418492_T_G / 1_3385157_C_T
131	MAPK7_1_1	7_73465568_GA_G
132	IER3_1_1	20_62310091_T_G
133	U2AF1_1_1	9_76023648_GA_G
134	PLA2G12A_1_3	1_70189288_A_C
135	CBX2_2_1	2_161993434_TA_T / 12_109568919_GT_G
136	MGAT4A_5_1	13_37746457_TAA_TA / 20_2493490_GA_G / 6_41090123_AT_A / 2_53919250_GA_G / 16_30280420_GA_G
137	STARD10_1_1	20_62327488_A_C
138	CSRNP2_1_1	22_29978883_CT_C
139	DOK2_2_1	2_23637298_G_A / 2_23642306_G_A
140	VOPP1_1_1	22_38427824_A_C
141	PLOD1_1_1	10_99880039_G_A
142	C3AR1_1_1	7_147977856_A_T
143	CYSLTR1_1_1	11_129905704_C_T
144	S100A6_1_1	12_125519394_A_T
145	ZADH2_1_1	4_86769845_A_G
146	EXOSC9_5_2	8_108228149_GA_G / 16_57460490_GA_G / 6_31657145_CA_C / 15_50725184_GT_G / 20_33367013_TA_T
147	ZC3H4_2_1	1_247256362_C_T / 1_247256207_T_C
148	BARD1_1_2	9_133405414_T_G
149	MCL1_1_1	14_60466034_G_A
150	NINL_3_4	13_24781827_GTT_GT / 13_37746457_TAA_TA / 11_33353067_AT_A
151	HYI_5_1	7_151221500_CT_C / 19_1057777_GA_G / 15_42211755_GA_G / 15_34915209_AT_A / 6_30329241_CA_C
152	USP49_1_1	7_147638841_CT_C
153	EPB41_1_3	11_1758992_A_C
154	NFAM1_1_1	9_15848985_C_T
155	SIVA1_5_1	6_163478762_CT_C / 13_37746457_TAA_TA / 2_161993434_TA_T / 9_120989554_CT_C / 13_39034198_TA_T
156	LRG1_1_2	13_28073352_GA_G
157	TMPRSS15_1	21_39898596_C_A
158	G0S2_1	5_35904512_G_T
159	PPIP5K2_2	2_178769706_G_T / 11_129905704_C_T
160	AGPAT3_4	17_76289951_CA_C / 2_63842143_GA_G / 13_97982483_AT_A / 12_48679260_CA_C
161	AS3MT_5	7_20786651_GA_G / 13_24781827_GTT_GT / 7_77937691_AT_A / 3_160416453_CT_C / 5_95507014_TA_T
162	PIK3R3_1	2_53919250_GA_G
163	CRY1_2	19_1057777_GA_G / 9_33798019_A_G
164	ZNF367_1	12_48679260_CA_C
165	CAV2_3	12_6952191_A_C / 1_24074187_A_G / 2_68818005_T_G
166	PRKAR2A_5	13_37746457_TAA_TA / 7_73465568_GA_G / 7_77937691_AT_A / 12_107746489_GT_G / 6_136108863_GA_G
167	CDH3_1	1_24074187_A_G
168	PCYOX1L_1	5_122946014_G_GT
169	RNF13_1	10_69097096_G_A
170	CD7_2	5_111103810_A_G / 5_111118983_A_G
171	ZDHHC20_2	21_38451144_T_G / 11_47588455_A_C
172	LGALS3_1	20_47169235_T_C
173	FANCD2_1	5_161895646_GT_G
174	TLX2_1	1_157833087_T_C
175	IFT122_1	9_33798019_A_G
176	ZNF423_5	3_9977055_TA_T / 7_77937691_AT_A / 21_32744756_GA_G / 11_63382198_CA_C / 9_120989554_CT_C
177	KDELR1_2	17_62447686_C_T / X_49304797_C_G
178	UFM1_1	8_7811967_A_G
179	ANKRD22_1	7_38349808_A_G
180	PLAGL1_3	11_118551711_A_G / 7_93426338_G_A / 16_28902389_G_T
181	ZAP70_5	13_37746457_TAA_TA / 6_163478762_CT_C / 22_29978883_CT_C / 7_77937691_AT_A / 5_71545270_TA_T
182	OSBPL11_3	17_4896602_C_T / 10_122336546_A_C / 10_122336520_T_C
183	TSPAN7_2	6_152444591_GA_G / 2_210663103_GTT_GT
184	SPAG7_1	20_63968004_C_T
185	ABCB10_1	3_52786995_A_G
186	WDR83_4	16_57460490_GA_G / 14_103670339_GT_G / 1_225147359_GT_G / 16_30280420_GA_G
187	SLC25A29_5	12_25215659_AT_A / 5_70067144_CA_C / 21_32744756_GA_G / 11_63382198_CA_C / 7_28494775_GT_G
188	SGPP1_1	1_153645034_CT_C
189	CD59_1	13_23593366_T_A
190	MRPS21_5	1_148124171_A_G / 1_247841358_T_G / 3_197622346_A_C / 7_100884179_T_G / 11_72220933_A_C
191	ILF2_1	19_13993876_CT_C
192	NRM_1	11_4082830_A_C
193	FEM1C_1	1_15443607_G_A
194	PRCP_1	3_53179641_T_C
195	P4HB_1	2_71427045_G_A
196	CD44_1	8_132137720_G_A
197	DCTN4_1	X_3271895_G_A
198	YIPF5_1	18_63655761_T_C
199	AGPAT2_1	21_25714604_C_A
200	FAM136A_1	16_50711362_A_C
201	TSPAN32_5	22_45399045_C_A / 22_45383455_A_G / 22_45322160_A_G / 4_147906782_T_C / 9_32472897_A_G
202	PLA2G16_1	11_71605554_A_C
203	MET_2	11_71605554_A_C / 19_39902109_T_G
204	TMEM97_1	2_113939939_A_G
205	ZNF839_1	10_70301448_T_G
206	ERMAP_4	4_25662622_G_A / 2_160137837_C_T / 10_111079134_C_A / 2_160138253_A_G
207	TMEM150A_1	10_88602550_CT_C
208	PDIA5_1	11_18534402_T_C
209	CLIP1_3	11_24976472_CTGTT_C / 7_1155657_T_TC / 7_1092820_C_T
210	NUDT2_1	14_94592125_A_C
211	SMYD2_1	6_26443625_C_A
212	TMPO_1	10_69097096_G_A
213	ZC4H2_5	19_1057777_GA_G / 13_91728769_CA_C / 13_24781827_GTT_GT / 16_30280420_GA_G / 7_77937691_AT_A
214	TXLNB_1	20_56366031_C_T
215	CHID1_3	15_78939184_A_AG / 15_78922969_A_C / 1_53250744_G_A
216	TBXAS1_2	1_13104901_G_A / 1_13116020_T_C
217	KLHL25_5	12_48679260_CA_C / 3_129433338_GT_G / 13_97982483_AT_A / 6_70861991_TA_T / 6_43525297_GT_G
218	CSF3R_5	16_57082546_T_C / 9_137986862_A_C / 16_57081660_C_T / 17_7771466_C_T / 17_7801487_C_G
219	SEPHS1_1	2_232087433_CT_C
220	TRAT1_3	10_67956845_TA_T / 20_47180038_AT_A / 16_84013157_C_T
221	BET1_1	1_1638657_A_G
222	ZNF238_1	2_151617472_C_A
223	BST1_1	3_75338856_G_A
224	CITED4_1	3_75338856_G_A

여기서, FRH는 유전자 발현에 연관된 변이들을 하플로타입으로 정리한 것을 나타내고, 유전자에 부가되어 표시된 숫자는 각 발현 유전자에 연관된 마커의 개수를 의미한다.

용어의 설명

본 발명에서 약물타입(DrugClass)에 대한 정의는 약물 표적들의 타입(type) 및 약물의 관능기적 유사한 기능 타입, 혹은, 약물이 영향을 주는 범주의 유전자그룹, 약물 패스웨이(drug pathway) 혹은 약물 시그널링 패스웨이(drug signaling pathway), 등은 모두 하나의 통칭 약물타입(DrugClass)로 설명 하는 용어이다. FRH는 기능하프로타입(functionally related relative haplotype)을 나타내는 용어이고, eQTL은 발현에 대한 양적형질위치 (expression quantitative trait loci)을 나타내는 용어이며, FRH(Exp|IC50)는 과/저(over/under) 발현된 군집에 대한 IC50의 평균값을 나타내는 용어이고, FRH(CNV|IC50)는 증폭/삭제(amplification/deletion) 군집에 대한 IC50의 평균값을 나타내는 용어이며, FRH(loci|IC50)는 주어딘 loci타입 군집에 대한 IC50의 평균값을 나타내는 용어이고, GDSC는 Genomics of Drug Sensitivity in Cancer을 나타내는 용어이며, CCLP는 COSMIC Cell Lines Project을 나타내는 용어로 웹페이지 http://cancer.sanger.ac.uk/cell_lines로부터 확인할 수 있고, CNV는 복제수변이(Copy number variation)을 나타내는 용어이며, GBLscan는 암동반진단마커 스켄(Cancer Biomarker Labeling Scan)을 나타내는 용어이고, ISCT는 가상임상(In Silico Clinical Trial)을 나타내는 용어이다.

본 발명의 권리는 위에서 설명된 실시예에 한정되지 않고 청구범위에 기재된 바에 의해 정의되며, 본 발명의 분야에서 통상의 지식을 가진 자가 청구범위에 기재된 권리범위 내에서 다양한 변형과 개작을 할 수 있다는 것은 자명하다.

본 발명은 암을 포함하는 질병 관련 특이 유전자 변이 지문 (Genetic Variation Fingerprints)과 약물의 분자 약리관능기의 결합분석에 의해 약물의 반응성을 신뢰성 있게 예측할 수 있는 새로운 선형 회귀 모델인 약물 적응증 및 반응 예측 시스템 및 방법인 GBLscan (Genetic Biomarker Scan)에 관한 것으로, 본 발명에 의하면, 본 발명에서는 체외 및 체내 임상시험으로부터 수집되는 유전체에 대한 약물의 반응성 결과들로부터, 약리 효과가 밝혀지지 않은 유전체와 약물의 반응성 정도를 예측할 수 있는 효과가 있다.

Claims

혈액암 약물에 대한 반응성 판단을 위하여, 유전자 발현을 조절하는 변이가 포함된 마커들의 조합으로 구성되는 바이오 마커 조성물에 있어서,
상기 바이오 마커 조성물은,
13_37746458_AA_A(마커1), 16_46710765_T_A(마커2), 11_63382198_CA_C(마커3), 14_68477626_CT_C(마커4) 및 7_151221500_CT_C(마커5)를 포함하여 구성되고:
상기 혈액암 약물은,
ABT-263, ABT-888, Afatinib, Axitinib, Bosutinib, Cytarabine, Gefitinib, Lenalido,mide, Nilotinib, Olaparib, PD-0332991 및 Vismodegib 임을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 1 항에 있어서,
상기 혈액암 약물은,
Bryostatin 및 Palbociclib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 2 항에 있어서,
상기 바이오 마커 조성물은,
5_179863845_T_G를 더 포함하여 구성되고:
상기 혈액암 약물은,
Quizartinib 및 Selumetinib_1498 를 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 3 항에 있어서,
상기 바이오 마커 조성물은,
1_215675245_T_C를 더 포함하여 구성되고:
상기 혈액암 약물은,
Cisplatin 및 Etoposide, Gemcitabine, Mitomycin-C 및 Talazoparib 를 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 4 항에 있어서,
상기 혈액암 약물은,
Imatinib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 5 항에 있어서,
상기 혈액암 약물은,
Selumetinib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 6 항에 있어서,
상기 바이오 마커 조성물은,
6_71969190_A_G를 더 포함하여 구성되고:
상기 혈액암 약물은,
Trametinib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 7 항에 있어서,
상기 바이오 마커 조성물은,
2_110841381_C_T를 더 포함하여 구성되고:
상기 혈액암 약물은,
Cabozantinib 및 Midostaurin 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
제 8 항에 있어서,
상기 바이오 마커 조성물은,
1_75148689_A_T를 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물.
혈액암 약물에 대한 반응성 판단을 위하여, 유전자 발현을 조절하는 변이가 포함된 마커들의 조합으로 구성되는 바이오 마커 조성물을 검출하여 혈액암에 대한 반응성을 판단하는 방법에 있어서,
상기 바이오 마커 조성물은,
13_37746458_AA_A(마커1), 16_46710765_T_A(마커2), 11_63382198_CA_C(마커3), 14_68477626_CT_C(마커4) 및 7_151221500_CT_C(마커5)를 포함하여 구성되고:
상기 혈액암 약물은,
ABT-263, ABT-888, Afatinib, Axitinib, Bosutinib, Cytarabine, Gefitinib, Lenalido,mide, Nilotinib, Olaparib, PD-0332991 및 Vismodegib 임을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 10 항에 있어서,
상기 혈액암 약물은,
Bryostatin 및 Palbociclib 을 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 11 항에 있어서,
상기 바이오 마커 조성물은,
5_179863845_T_G를 더 포함하여 구성되고:
상기 혈액암 약물은,
Quizartinib 및 Selumetinib_1498 를 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 12 항에 있어서,
상기 바이오 마커 조성물은,
1_215675245_T_C를 더 포함하여 구성되고:
상기 혈액암 약물은,
Cisplatin 및 Etoposide, Gemcitabine, Mitomycin-C 및 Talazoparib 를 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 13 항에 있어서,
상기 혈액암 약물은,
Imatinib 을 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 14 항에 있어서,
상기 혈액암 약물은,
Selumetinib 을 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 15 항에 있어서,
상기 바이오 마커 조성물은,
6_71969190_A_G를 더 포함하여 구성되고:
상기 혈액암 약물은,
Trametinib 을 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 16 항에 있어서,
상기 바이오 마커 조성물은,
2_110841381_C_T를 더 포함하여 구성되고:
상기 혈액암 약물은,
Cabozantinib 및 Midostaurin 을 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
제 17 항에 있어서,
상기 바이오 마커 조성물은,
1_75148689_A_T를 더 포함하여 구성됨을 특징으로 하는 바이오 마커 조성물을 이용한 혈액암 약물 반응성 판단 방법.
혈액암 약물에 대한 반응성 판단을 위하여, 유전자 발현을 조절하는 변이가 포함된 마커들의 조합으로 구성되는 바이오 마커 조성물을 검출하는 진단칩에 있어서,
상기 바이오 마커 조성물은,
13_37746458_AA_A(마커1), 16_46710765_T_A(마커2), 11_63382198_CA_C(마커3), 14_68477626_CT_C(마커4) 및 7_151221500_CT_C(마커5)를 포함하여 구성되고:
상기 혈액암 약물은,
ABT-263, ABT-888, Afatinib, Axitinib, Bosutinib, Cytarabine, Gefitinib, Lenalido,mide, Nilotinib, Olaparib, PD-0332991 및 Vismodegib 임을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 19 항에 있어서,
상기 혈액암 약물은,
Bryostatin 및 Palbociclib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 20 항에 있어서,
상기 바이오 마커 조성물은,
5_179863845_T_G를 더 포함하여 구성되고:
상기 혈액암 약물은,
Quizartinib 및 Selumetinib_1498 를 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 21 항에 있어서,
상기 바이오 마커 조성물은,
1_215675245_T_C를 더 포함하여 구성되고:
상기 혈액암 약물은,
Cisplatin 및 Etoposide, Gemcitabine, Mitomycin-C 및 Talazoparib 를 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 22 항에 있어서,
상기 혈액암 약물은,
Imatinib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 23 항에 있어서,
상기 혈액암 약물은,
Selumetinib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 24 항에 있어서,
상기 바이오 마커 조성물은,
6_71969190_A_G를 더 포함하여 구성되고:
상기 혈액암 약물은,
Trametinib 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 25 항에 있어서,
상기 바이오 마커 조성물은,
2_110841381_C_T를 더 포함하여 구성되고:
상기 혈액암 약물은,
Cabozantinib 및 Midostaurin 을 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.
제 26 항에 있어서,
상기 바이오 마커 조성물은,
1_75148689_A_T를 더 포함하여 구성됨을 특징으로 하는 혈액암 약물 반응성 판단을 위한 바이오 마커 조성물 검출용 진단칩.