WO2011040532A1 - 癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット - Google Patents

癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット Download PDF

Info

Publication number
WO2011040532A1
WO2011040532A1 PCT/JP2010/067088 JP2010067088W WO2011040532A1 WO 2011040532 A1 WO2011040532 A1 WO 2011040532A1 JP 2010067088 W JP2010067088 W JP 2010067088W WO 2011040532 A1 WO2011040532 A1 WO 2011040532A1
Authority
WO
WIPO (PCT)
Prior art keywords
immunotherapy
gene
cancer
genes
gene set
Prior art date
Application number
PCT/JP2010/067088
Other languages
English (en)
French (fr)
Inventor
伊東　恭悟
正典 野口
山田　亮
七條　茂樹
誠和 小松
Original Assignee
学校法人 久留米大学
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 学校法人 久留米大学 filed Critical 学校法人 久留米大学
Priority to EP10820647A priority Critical patent/EP2484762A4/en
Priority to JP2011534310A priority patent/JP5892794B2/ja
Priority to US13/497,998 priority patent/US20130023432A1/en
Publication of WO2011040532A1 publication Critical patent/WO2011040532A1/ja

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
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P15/00—Drugs for genital or sexual disorders; Contraceptives
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P35/00—Antineoplastic agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61P—SPECIFIC THERAPEUTIC ACTIVITY OF CHEMICAL COMPOUNDS OR MEDICINAL PREPARATIONS
    • A61P37/00—Drugs for immunological or allergic disorders
    • A61P37/02—Immunomodulators
    • A61P37/04—Immunostimulants
    • 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
    • C12Q2600/106—Pharmacogenomics, i.e. genetic variability in individual responses to drugs and drug metabolism
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers

Definitions

  • the present invention relates to a therapeutic effect of immunotherapy for cancer patients and / or a method for predicting prognosis after immunotherapy, and a gene set and kit used in the method. Note that this application claims priority to Japanese Patent Application No. 2009-230279, and the contents of the Japanese patent application are incorporated into this application by reference.
  • Immunotherapy for various types of cancer is partially effective, but it is not the optimal treatment for all patients.
  • One of the causes is that immunotherapy is mediated by immunity that varies greatly among individuals in order to suppress the growth of cancer cells.
  • methods for measuring gene expression levels and predicting the effects of chemotherapy in breast cancer patients are known, but this method is a complex system that combines gene expression with other factors, and is also effective against breast cancer. Only the effect of chemotherapy is targeted (Patent Document 1).
  • Patent Document 1 There is no known method for predicting the therapeutic effects of cancer immunotherapy or the prognosis of patients after immunotherapy.
  • An object of the present invention is to provide a method for accurately predicting the therapeutic effect of immunotherapy for cancer patients.
  • the present inventors tried to predict the therapeutic effect of cancer immunotherapy based on the results obtained by peptide vaccine therapy for prostate cancer patients over many years.
  • gene expression profiles in prostate cancer patients before peptide vaccine therapy were analyzed with a DNA microarray.
  • patients were classified into good prognosis group and poor prognosis group based on survival days after treatment, and the correlation between the expression level of each gene before treatment and survival days after treatment was examined. It became clear that there is a gene with. And it confirmed that the survival days of the patient after an immunotherapy can be estimated from the expression level of these genes, and came to complete this invention.
  • the present invention is a method for predicting the effect of immunotherapy on cancer patients and / or the prognosis after immunotherapy, (1) A step of measuring the expression level of each gene in a gene set consisting of at least one gene selected from the group of genes shown in any of Tables 1 to 5 in a sample collected from a cancer patient before immunotherapy And (2) statistically processing the expression level, and calculating a predicted survival time,
  • a method comprising:
  • the present invention also relates to a gene set for predicting the effect of immunotherapy on cancer patients and / or the prognosis after immunotherapy, which is selected from the group of genes shown in any of Tables 1 to 5.
  • a gene set consisting of genes is provided.
  • the present invention by measuring the gene expression profile of a cancer patient before the start of immunotherapy, it became possible to predict the therapeutic effect of the immunotherapy on the patient and the prognosis after the treatment.
  • the present invention provides information useful for selecting treatments for cancer patients.
  • Distribution of survival days of 40 prostate cancer patients Preprocessing of microarray data. Distribution of top 300 genes by Pearson's product moment correlation coefficient. Survival days prediction rate in each gene selection method. Survival days prediction accuracy by 30 gene sets consisting of genes selected in order from the first gene of the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient. The vertical axis shows the number of patients whose prediction was correct. Comparison of the predicted survival time of each patient (Pearson's product moment correlation coefficient, latent variable 3, gene set of top 50 genes) and actual survival time. Kaplan-Meier survival curve using survival days prediction results. Survival days prediction accuracy by 30 gene sets consisting of genes selected in order from the 300th gene of the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient.
  • the vertical axis shows the number of patients whose prediction was correct. Survival days prediction accuracy with 30 gene sets consisting of genes randomly selected from the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient. The vertical axis shows the number of patients whose prediction was correct. Survival days prediction result when classifying good prognosis group and poor prognosis group with 300 days survival. Survival days prediction result (1) of one gene randomly selected from the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient (the rank of Table 1 is shown on the side of the graph). Survival days prediction result (1) of one gene randomly selected from the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient (the rank of Table 1 is shown on the side of the graph). Survival days prediction result (1) of one gene randomly selected from the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient (the rank of Table 1 is shown on the side of the graph). Survival days prediction result (1) of one gene randomly selected from the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient (the rank of Table 1 is shown on the side of
  • the prediction method of the present invention uses a gene whose expression level is highly correlated with the survival days after immunotherapy of cancer patients.
  • the gene set of the present invention is composed of at least one gene selected from the group of genes shown in any of Tables 1-5. Genes may be selected from the first in Tables 1 to 5, from the 300th, or randomly. In consideration of the prediction rate, it is preferable to select from the first.
  • the cancer patient targeted by the present invention is not particularly limited, and examples thereof include patients with prostate cancer, pancreatic cancer, breast cancer, liver cancer and the like.
  • the present invention is suitably used for prostate cancer patients.
  • the gene expression level may be measured by a conventional method.
  • the method for measuring the expression level include a DNA microarray method, a DNA chip method, a PCR method, a Northern blot method, etc.
  • the DNA microarray method is preferable.
  • a microarray including a probe for a gene to be measured is used.
  • An example of such a microarray is HumanWG-6 v3.0 ExpressionCBeadChip manufactured by llumina.
  • a desired microarray may be produced by synthesizing a probe for the gene to be measured and immobilizing it on a suitable substrate such as a slide glass.
  • Microarray fabrication methods are well known in the art. Analysis of microarray data is also well known and can be performed with reference to, for example, “Springer Fairlark Tokyo Publishing Co., Ltd.” translated by Yuri Hoshida, “Microarray Data Analysis for Integrated Genomics”.
  • the patient sample used for measuring the gene expression level is not limited, but for example, peripheral blood collected from the patient can be used.
  • the measurement of the expression level by the DNA microarray method is, for example, as follows. First, total RNA is extracted from the patient's peripheral blood and purified. Subsequently, biotinylated cRNA is synthesized using Illumina TotalPrep RNA Amplification Kit (Ambion). This biotinylated cRNA is hybridized to a microarray and then reacted with Cy3-labeled streptavidin. The expression level of each gene can be obtained by scanning the microarray after the reaction with a dedicated scanner and digitizing the fluorescence of Cy3 at each spot using dedicated software such as BeadStudio.
  • the predicted survival days of a patient can be calculated by, for example, applying the expression level of each gene of the gene set of the present invention in the patient to the regression equation of PLS regression analysis shown in the following examples.
  • the expression level of each gene of the gene set of the present invention in the cancer patient group of the example or another cancer patient group is measured, and SVM (support vector machine), regularized least square method, principal component analysis method, etc. It is also possible to calculate.
  • the gene set of the present invention is used for predicting the effect of immunotherapy on cancer patients and / or the prognosis after immunotherapy, and is a probe for DNA microarray or a primer for PCR used in the prediction method of the present invention. Or the like can be used for manufacturing the above.
  • the kit of the present invention includes a probe or primer that can measure the expression level of each gene of the gene set of the present invention. Probes and primers for each gene can be synthesized by conventional methods based on the sequence information of that gene.
  • the kit may contain other necessary reagents depending on the measurement method.
  • the kit of the present invention is, for example, a kit used for DNA microarray method, DNA chip method, PCR method, Northern blot method and the like. Examples of the kit for the DNA microarray method include a kit containing a microarray in which the probe is fixed on an appropriate substrate.
  • Example 1 1 Examination of gene expression profile before peptide vaccine therapy by DNA microarray Relapsed prostate in patients with prostate cancer who obtained informed consent according to the protocol approved by Kurume University Ethics Committee as a patient sample in past clinical trials Peripheral blood collected at the time of diagnosis of cancer was used. Forty prostate cancer patients were examined for gene expression profiles before peptide vaccine therapy using a DNA microarray (HumanWG-6 v3.0 Expression BeadChip manufactured by llumina). There were 20 prostate cancer patients in the good prognosis group (surviving days after peptide vaccine therapy of 700 days or more) and 20 in the poor prognosis group (less than 700 days survival time after peptide vaccine therapy) (FIG. 1).
  • RNA from patient peripheral blood TRIzol LS (manufactured by Invitrogen) was added to the patient peripheral blood sample at a ratio of 1: 3, and it became cloudy. 2. 200 ⁇ L of chloroform was added to 750 ⁇ L of the TRIzol LS solution, and after turbidity, the mixture was centrifuged. 3. The supernatant was transferred to a new tube, and 0.55 times the amount of ethanol was added to the supernatant. 4). 3. Use the above column on the SV Total RNA Isolation System (Promega) column. The sample was placed and passed through a filter. 5. The filter was washed with 500 ⁇ L Wash Buffer. 6). Total RNA was eluted with 80 ⁇ L of Nuclease Free Water. 7). RNA concentration was measured using a spectrophotometer, and RNA quality was checked by electrophoresis using an Experion system (Bio-Rad).
  • Double-stranded cDNA synthesis 1. Add 80 ⁇ L of Second Strand Master Mix to the above (1). Of each tube. 2. Each tube was incubated for 2 hours at 16 ° C.
  • cRNA purification 1 350 ⁇ L of cRNA Binding Buffer was added to each tube. 2. 250 ⁇ L of 100% ethanol was added to each tube to make it turbid. 3. 2. The sample was placed on a cRNA Filter Cartridge and passed through a filter by centrifugation. 4. The filter was washed with 650 ⁇ L of Wash Buffer. 5. The cRNA was eluted with 100 ⁇ L of Nuclease Free Water preheated to 50-55 ° C. 6). After measuring the cRNA concentration by OD, it was used as a hybridization sample.
  • Example 2 Selection of gene set to be used for PLS regression model construction
  • the prostate cancer patient of Example 1 was treated with the prognosis group (surviving days 700 days or more) or the poor prognosis group (surviving days 700 days) based on the survival days after peptide vaccine therapy.
  • the gene was selected based on the correlation between the gene expression level of each gene and the number of days of survival, and the expression fluctuation between the good prognosis group and the poor prognosis group. Expression variation was expressed as an increase or decrease in the average expression level of the poor prognosis group compared to the average expression level of the good prognosis group.
  • PLS regression model was constructed in order to predict the number of days of survival after peptide vaccine therapy for each patient. Specifically, from the five gene sets consisting of the top 300 genes (Tables 1 to 5 and FIG. 3) selected by the above five methods, 10 genes from the top are included (ie, 10, 20, (Including 300 genes) were extracted and a PLS regression model was constructed with latent variables 1-10.
  • the regression model was evaluated in the Leave One Out Cross Cross Validation (LOOCV) format. That is, for all 40 prostate cancer patients, a regression model was constructed using the results of 39 patients, and the survival days of the remaining one patient were predicted using the constructed regression model.
  • LOCV Leave One Out Cross Cross Validation
  • Predicted survival days a1g1 + a2g2 + a3g3 + ... + a50g50 + E (Formula 1) (Where, a1, a2, a3,..., A50 are coefficients related to the expression level of each gene constructed as a regression model, and g1, g2, g3, g4,.
  • Table 6 shows the coefficients used for predicting the survival days of each patient using Pearson's product moment correlation coefficient, latent variable 3, and gene set of the top 50 genes.
  • References [1] Bjrn-Helge Mevik and Ron Wehrens Journal of Statistical Software: Vol 18, Issue 2 (2007), " The pls Package: Principal Componentand Partial Least Squares Regression in R " [2] Geladi, P. and B. Kowalski (1986) Partial least-squares regression: Atutorial. Analytica Chimica Acta 185: 1-17. These references are hereby incorporated by reference.
  • the correct answer rate (predictive rate) of each regression model was calculated when the predicted survival days were 700 days or more for patients with good prognosis and less than 700 days for patients with poor prognosis.
  • all 300 genes selected by the above five kinds of statistical methods showed a prediction rate of 80% or more at the maximum (FIG. 4).
  • Pearson's product-moment correlation coefficient, latent variable 3, and gene set of the top 50 genes had the highest prediction rate, 95%.
  • FIG. 5 and FIG. 6 show the survival prediction accuracy by this gene set, and comparison between the predicted survival days and the actual survival days.
  • the patients in the upper right frame and the lower left frame in FIG. 6 correspond to patients whose predicted survival days coincide with actual survival days.
  • Example 2 Gene expression data of 9 prostate cancer patients were further added to the 40 prostate cancer patients of Example 1, and the survival days of 300 days or more were classified as good prognosis groups, and the survival days of less than 300 days were classified as poor prognosis groups.
  • a PLS regression model was constructed using the product-moment correlation coefficient, latent variable 3, and gene set of the top 50 genes to predict the survival days of 9 new prostate cancer patients (FIG. 10). Also in this method, prediction was correct in 8 out of 9 people.
  • Example 3 For the 40 prostate cancer patients of Example 1, a linear regression equation was created from the expression level of each of the top 300 genes (Table 1) selected by Pearson's product moment correlation coefficient and the number of days of survival. Next, the predicted survival days of each patient were calculated from the obtained formula and the expression level in each patient, and the actual survival days were plotted on the x-axis and the calculated predicted survival days were plotted on the y-axis (FIG. 11). The graph shows the results of 10 genes selected from Table 1 taking random numbers between 1 and 300 and assuming this as the rank. As a result, it has been clarified that the survival days can be predicted even when based on the expression level of one gene.
  • Table 1 List of top 300 genes selected by Pearson's product moment correlation coefficient
  • Table 5 List of top 300 genes selected by Spearman rank sum coefficient
  • Table 7 30 gene sets with random selection * Numbers indicate ranks in Table 1.

Landscapes

  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Immunology (AREA)
  • Engineering & Computer Science (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medicinal Chemistry (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • Physics & Mathematics (AREA)
  • Microbiology (AREA)
  • Molecular Biology (AREA)
  • Oncology (AREA)
  • Hospice & Palliative Care (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Endocrinology (AREA)
  • Reproductive Health (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

　本発明は、癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに前記方法に用いる遺伝子セットおよびキットに関する。

Description

癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット
　本発明は、癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに前記方法に用いる遺伝子セットおよびキットに関する。なお、本願は、日本国特許出願第２００９－２３０２７９号に対して優先権を主張するものであり、参照により該日本国特許出願の内容を本願に一体化させる。
　各種がんに対する免疫療法は、一部奏効する症例があるものの、すべての患者にとって最適な治療法とはなりえていない。その原因の一つとして、免疫療法が、がん細胞の増殖を抑えるために個人差の大きい免疫能を介していることが上げられる。がんの免疫療法には、現在その効果を予測する方法がなく、治療を行ってみなければ有効性を判断することができない。これまでに、乳癌患者において遺伝子発現レベルを測定し化学療法の効果を予測する方法が知られているが、この方法は遺伝子発現と他の因子とを組み合わせる複雑な系であり、また、乳癌に対する化学療法の効果のみを対象としている（特許文献１）。がんの免疫療法の治療効果や、免疫療法後の患者の予後を予測する方法はこれまで知られていない。
特表２００８－５３６０９４号公報
　本発明は、癌患者に対する免疫療法の治療効果を精度よく予測する方法を提供することを目的とする。
　本発明者らは、長年におよぶ前立腺癌患者に対するペプチドワクチン療法で得られた結果に基づき、がん免疫療法の治療効果を予測することを試みた。まず、ペプチドワクチン療法前の前立腺癌患者における遺伝子発現プロファイルをＤＮＡマイクロアレイで解析した。次いで、治療後の生存日数を基準として患者を予後良好群と予後不良群に分類し、治療前の各遺伝子の発現レベルと治療後の生存日数との相関を調べたところ、両者の間に相関のある遺伝子が存在することが明らかとなった。そして、これら遺伝子の発現レベルから免疫療法後の患者の生存日数を予測できることを確認し、本発明を完成するにいたった。
　すなわち、本発明は、癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測する方法であって、
（１）免疫療法前の癌患者から採取された試料において、表１～５のいずれかに示す遺伝子の群から選択される少なくとも１の遺伝子からなる遺伝子セットの各遺伝子の発現レベルを測定する工程、および
（２）前記発現レベルを統計処理し、予測生存日数を算出する工程、
　を含む方法を提供する。
　また、本発明は、癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測するための遺伝子セットであって、表１～５のいずれかに示す遺伝子の群から選択される少なくとも１の遺伝子からなる遺伝子セットを提供する。
　さらに、本発明は、癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測するためのキットであって、前記遺伝子セットの各遺伝子に対するプローブまたはプライマーを含むキットを提供する。
　本発明により、癌患者の遺伝子発現プロファイルを免疫療法開始前に測定することで、その患者に対する免疫療法の治療効果および治療後の予後を予測することが可能となった。本発明は、癌患者に対する治療法の選択に有用な情報を提供する。
４０名の前立腺癌患者の生存日数の分布。 マイクロアレイデータの前処理。 Pearsonの積率相関係数による上位３００遺伝子の分布。 各遺伝子選択方法における生存日数予測率。 Pearsonの積率相関係数により選択された上位３００遺伝子（表１）の１番目の遺伝子から順に選択した遺伝子からなる３０の遺伝子セットによる生存日数予測精度。縦軸は予測が正解であった患者数を示す。 各患者の予測生存日数（Pearsonの積率相関係数、潜在変数３、上位５０遺伝子の遺伝子セットによる）と、実際の生存日数との比較。 生存日数予測結果を用いたKaplan-Meier生存曲線。 Pearsonの積率相関係数により選択された上位３００遺伝子（表１）の３００番目の遺伝子から順に選択した遺伝子からなる３０の遺伝子セットによる生存日数予測精度。縦軸は予測が正解であった患者数を示す。 Pearsonの積率相関係数により選択された上位３００遺伝子（表１）からランダムに選択した遺伝子からなる３０の遺伝子セットによる生存日数予測精度。縦軸は予測が正解であった患者数を示す。 生存日数３００日で予後良好群と予後不良群を分類した場合の生存日数予測結果。 Pearsonの積率相関係数により選択された上位３００遺伝子（表１）からランダムに選択した１の遺伝子による生存日数予測結果（１）（表１の順位をグラフ横に示す）。 Pearsonの積率相関係数により選択された上位３００遺伝子（表１）からランダムに選択した１の遺伝子による生存日数予測結果（２）（表１の順位をグラフ横に示す）。 Pearsonの積率相関係数により選択された上位３００遺伝子（表１）からランダムに選択した１の遺伝子による生存日数予測結果（３）（表１の順位をグラフ横に示す）。
　本発明の予測方法は、その発現レベルが癌患者の免疫療法後の生存日数と高い相関を示した遺伝子を利用する。本発明の遺伝子セットは、表１～５のいずれかに示す遺伝子の群から選択される少なくとも１の遺伝子から構成される。遺伝子は、表１～５の１番目から順に選択しても、３００番目から順に選択しても、あるいはランダムに選択してもよい。予測率を考慮すると、１番目から順に選択することが好ましい。
　遺伝子セット中の遺伝子数は、１以上であれば特に制限はない。例えば、１、２、３、４、５、６、７、８、９、１０、２０、３０、４０、５０、６０、７０、８０、９０、１００、１１０、１２０、１３０、１４０、１５０、１６０、１７０、１８０、１９０、２００、２１０、２２０、２３０、２４０、２５０、２６０、２７０、２８０、２９０、３００の遺伝子を選択することができる。
　本発明の対象となる癌患者は特に限定されず、例えば前立腺癌、膵臓癌、乳癌、肝臓癌などの患者が挙げられる。本発明は、なかでも前立腺癌患者に対して好適に用いられる。
　本発明において、免疫療法とは、癌患者における腫瘍抗原タンパク質に対する免疫応答を賦活化することにより癌を治療する方法を意味する。本発明の免疫療法としては、腫瘍抗原ペプチドを用いるペプチドワクチン療法、細胞傷害性Ｔ細胞やナチュラルキラー細胞などのリンパ球を用いる養子免疫療法、腫瘍抗原タンパク質や腫瘍抗原ペプチドを発現するウイルスベクターを生体に導入するＤＮＡワクチン、腫瘍抗原ペプチドを提示する樹状細胞を投与する樹状細胞ワクチンなどが挙げられる。本発明は、ペプチドワクチン療法に特に好適である。
　本発明の方法において、遺伝子の発現レベルは、常套的方法により測定すればよい。発現レベルの測定方法としては、ＤＮＡマイクロアレイ法、ＤＮＡチップ法、ＰＣＲ法、ノーザンブロット法などが挙げられるが、なかでもＤＮＡマイクロアレイ法が好適である。
　ＤＮＡマイクロアレイ法では、測定対象とする遺伝子に対するプローブを含むマイクロアレイを使用する。かかるマイクロアレイとしては、llumina社製　HumanWG-6 v3.0 Expression BeadChipが挙げられる。あるいは、測定対象の遺伝子に対するプローブを合成し、スライドガラスなどの適当な基盤上に固定して、所望のマイクロアレイを作製してもよい。マイクロアレイの作製方法は、当業界にて周知である。マイクロアレイデータの解析も周知であり、例えば「統合ゲノミクスのためのマイクロアレイデータアナリシス」星田有人訳　シュプリンガー・フェアラーク東京社出版を参考に行うことができる。
　遺伝子発現レベルの測定に用いる患者試料は、限定はされないが、例えば患者から採取した末梢血を使用することができる。
　ＤＮＡマイクロアレイ法による発現レベルの測定は、例えば以下のとおりである。はじめに、患者の末梢血から全ＲＮＡを抽出し、精製する。次いで、Illumina TotalPrep RNA Amplification Kit（アンビオン社製）などを使用し、ビオチン化ｃＲＮＡを合成する。このビオチン化ｃＲＮＡをマイクロアレイにハイブリダイズさせ、次いでＣｙ３標識ストレプトアビジンと反応させる。反応後のマイクロアレイを専用のスキャナーでスキャンし、BeadStudioなどの専用ソフトウエアを用いて各スポットのＣｙ３の蛍光を数値化することで、各遺伝子の発現レベルを得ることができる。
　患者の予測生存日数は、例えば、その患者における本発明の遺伝子セットの各遺伝子の発現レベルを以下の実施例に示すＰＬＳ回帰分析の回帰式にあてはめ、算出することができる。あるいは、実施例の癌患者群、または別の癌患者群における本発明の遺伝子セットの各遺伝子の発現レベルを測定し、ＳＶＭ（サポートベクターマシーン）、正則化最小二乗法、主成分分析法などにより算出することも可能である。
　本発明の遺伝子セットは、癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測するために使用されるものであり、本発明の予測方法に用いるＤＮＡマイクロアレイ用のプローブやＰＣＲ用プライマーなどを作製するために用いることができる。
　本発明のキットは、本発明の遺伝子セットの各遺伝子の発現レベルを測定することができる、プローブまたはプライマーを含む。各遺伝子に対するプローブおよびプライマーは、その遺伝子の配列情報に基づき、常套的方法により合成することができる。キットは、測定方法に応じて、その他必要な試薬を含んでいてもよい。本発明のキットは、例えば、ＤＮＡマイクロアレイ法、ＤＮＡチップ法、ＰＣＲ法、ノーザンブロット法などに用いられるキットである。ＤＮＡマイクロアレイ法用のキットとしては、前記プローブが適当な基盤上に固定されたマイクロアレイを含むものが挙げられる。
　実施例１
　１：ＤＮＡマイクロアレイによるペプチドワクチン療法前の遺伝子発現プロファイルの検討
　患者試料として、久留米大学倫理委員会により承認されたプロトコールに即してインフォームドコンセントを得た前立腺癌患者から過去の臨床試験において再燃前立腺癌と診断された時点に収集した末梢血を使用した。４０名の前立腺癌患者において、ＤＮＡマイクロアレイ（llumina社製　HumanWG-6 v3.0 Expression BeadChip）を用いて、ペプチドワクチン療法前の遺伝子発現プロファイルを調べた。前立腺癌患者は、予後良好群（ペプチドワクチン療法後の生存日数７００日以上）２０名、予後不良群（ペプチドワクチン療法後の生存日数７００日未満）２０名であった（図１）。
（Ｉ）患者末梢血からのＲＮＡ抽出・精製
　１．患者末梢血サンプルにTRIzol LS（インビトロジェン社製）を１：３の比率になるように添加し、混濁した。
　２．TRIzol LS溶液７５０μＬに対し、２００μＬのクロロホルムを加え、混濁後、遠心分離した。
　３．上清を新しいチューブに移し、上清の０．５５倍量のエタノールを添加した。
　４．SV Total RNA Isolation System（プロメガ社製）のカラムに上記３．の検体をのせ、フィルターを通した。
　５．フィルターを５００μＬのWash Bufferで洗浄した。
　６．全ＲＮＡを８０μＬのNuclease Free Waterで溶出した。
　７．分光光度計を用いて、ＲＮＡの濃度を測定し、Experionシステム（バイオラッド社製）を用いて電気泳動によりＲＮＡのクオリティをチェックした。
（ＩＩ）Illumina TotalPrep RNA Amplification Kit（アンビオン社製）を用いたマイクロアレイ用ｃＲＮＡの合成
　（１）逆転写による一本鎖ｃＤＮＡの合成
　１．各５００μｇの全ＲＮＡにNuclease Free Waterを加え、１１μＬに調整した。
　２．上記１．の溶液に９μＬのReverse Transcription Master Mixを加え、４２°Ｃで２時間インキュベートした。
　（２）二本鎖ｃＤＮＡ合成
　１．８０μＬの Second Strand Master Mixを、上記（１）２．の各々のチューブに添加した。
　２．各チューブを１６°Ｃで２時間インキュベートした。
　（３）ｃＤＮＡ精製
　１．２５０μＬのcDNA Binding Bufferを各々のチューブに添加した。
　２．上記１．の溶液を、cDNA Filter Cartridgeにのせ、遠心によりフィルターを通した。
　３．フィルターを５００μＬのWash Bufferで洗浄した。
　４．ｃＤＮＡを１９μＬの５０～５５°Ｃに予熱しておいたNuclease Free Waterで溶出した。
　（４）インビトロ転写反応によるｃＲＮＡ合成
　１．７．５μＬのIVT Master Mixを、上記（３）４．で得られたｃＤＮＡサンプルに添加した。
　２．上記１．のチューブを３７℃で１４時間インキュベートした。
　３．上記２．のチューブに７５μＬのNuclease Free Waterを添加した。
　（５）ｃＲＮＡ精製
　１．３５０μＬのcRNA Binding Bufferを各チューブに添加した。
　２．２５０μＬの１００％エタノールを各チューブに加え、混濁した。
　３．上記２．のサンプルをcRNA Filter Cartridgeにのせ、遠心によりフィルターを通した。
　４．６５０μＬのWash Bufferでフィルターを洗浄した。
　５．ｃＲＮＡを１００μＬの５０～５５°Ｃに予熱しておいたNuclease Free Waterで溶出した。
　６．ｃＲＮＡ濃度をＯＤで測定後、ハイブリダイゼーションサンプルとした。
（ＩＩＩ）マイクロアレイハイブリダイゼーション
　（１）ハイブリダイゼーション用ｃＲＮＡの調製
　１．各５００μｇの全ＲＮＡにNuclease Free Waterを加え、１０μＬに調整した。
　２．上記１．の溶液に２０μＬのGEX-HYBを加え、６５℃で５分インキュベートした。
　（２）ハイブリダイゼーション
　１．専用チャンバーにセットしたHumanWG-6 v3.0 Expression BeadChipに、調製済みのｃＲＮＡサンプルをアプライした。
　２．専用チャンバーのふたを閉め、５５℃で１８時間インキュベートした。
（ＩＶ）マイクロアレイ洗浄・染色
　（１）アレイの洗浄
　１．Wash E1BC溶液中で、マイクロアレイのカバーを外した。
　２．アレイを速やかにスライドラックにセットし、５５℃に予熱しておいた1×High-Temp Wash buffer内で１０分間洗浄した。
　３．アレイをWash E1BC溶液中で５分間洗浄した。
　４．アレイをエタノール中で５分間洗浄した。
　５．アレイをWash E1BC溶液中で５分間洗浄した。
　６．染色専用トレイに４ｍｌのブロックE1バッファーを準備し、アレイを一枚ずつセットし、室温で１０分間ブロッキングを行った。
　７．染色専用トレイに２ｍｌのブロックE1バッファーに対して２μＬのストレプトアビジン－Ｃｙ３を加え、アレイを一枚ずつセットし、室温で１０分間染色を行った。
　８．アレイをWash E1BC溶液中で５分間洗浄後、遠心により乾燥した。
（Ｖ）スキャニング、数値化
　１．Illumina社専用スキャナーにアレイをセットし、標準モードでスキャンを行った。
　２．スキャン終了後、専用ソフトウエアBeadStudioを用いて、マイクロアレイ上の各スポットの数値化を行った。
　得られたマイクロアレイデータは、VST（Variance Stabilizing Transformation）、及びRSN（robust spline normalization）を用いて正規化を行なった。陰性対照（マイクロアレイ上に存在しない遺伝子に対するプローブにより測定される遺伝子発現量）に対するPresence Probability <0.05の遺伝子発現量を有意と判断した（図２）。４０名中、７０％以上の患者でPresence Probability <0.05の遺伝子を以下の実験に使用した。
　２：ＰＬＳ回帰モデル構築に用いる遺伝子セットの選択
　実施例１の前立腺癌患者を、ペプチドワクチン療法後の生存日数を基準として予後良好群（生存日数７００日以上）または予後不良群（生存日数７００日未満）に分類し、各遺伝子の遺伝子発現レベルと生存日数との間の相関、および予後良好群と予後不良群との間の発現変動を基準として遺伝子を選択した。発現変動は、予後良好群の平均発現レベルを対照とした、予後不良群の平均発現レベルの増加または減少として表した。
　解析には、以下の５種類の統計学的方法を用いた（Ａ：生存日数と遺伝子発現レベルとの相関を解析、Ｂ：予後良好群と予後不良群との間の発現変動を解析）。

　　Pearsonの積率相関係数　（Ａ）
　　Limmaｂ　（Ｂ）
　　SAMａ　（Ｂ）
　　Rank Prodｃ　（Ｂ）
　　Spearmanの順位和係数　（Ａ）

（参考文献）
ａ　Tusher et al. Significance analysis of microarrays applied to the ionizing radiation response. Proc Natl Acad Sci USA (2001) vol. 98 (9) pp. 5116-21.
ｂ　Smyth. Linear models and empirical bayes methods for assessing differential expression in microarray experiments. Statistical applications in genetics and molecular biology (2004) vol. 3 pp. Article.
ｃ　Breitling et al. Rank products: a simple, yet powerful, new method to detect differentially regulated genes in replicated microarray experiments. FEBS Letters (2004) vol. 573 (1-3) pp. 83-92.
　これらの参考文献は、出典明示により本願明細書の一部とする。
　３：ＰＬＳ回帰モデルの評価
　各患者のペプチドワクチン療法後の生存日数を予測するため、ＰＬＳ（Partial Least Square）回帰モデルを構築した。具体的には、上記５種類の方法で選択された上位３００の遺伝子（表１～５、図３）からなる５つの遺伝子セットから、上位から１０遺伝子ずつを含む（すなわち、それぞれ１０、２０、・・・または３００の遺伝子を含む）３０セットの遺伝子セットを抽出し、潜在変数１～１０でＰＬＳ回帰モデルを構築した。
　回帰モデルの評価は、Leave One Out Cross Validation（LOOCV）形式で行った。すなわち、全４０名の前立腺癌患者について、３９名の結果を用いて回帰モデルを構築し、構築された回帰モデルを用いて残りの１名の患者の生存日数を予測した。
　例として、上位５０遺伝子からなる遺伝子セットによる生存日数の算出方法を説明する。予測生存日数は、以下の回帰式により算出した。

予測生存日数＝ａ１ｇ１＋ａ２ｇ２＋ａ３ｇ３＋・・・＋ａ５０ｇ５０＋Ｅ（式１）

（式中、ａ１、ａ２、ａ３、・・・、ａ５０は、回帰モデル構築された各遺伝子の発現量にかかる係数であり、ｇ１、ｇ２、ｇ３、ｇ４、・・・、ｇ５０は、対象とする患者における各遺伝子の発現レベルであり、Ｅは回帰式の定数項である。）
　Pearsonの積率相関係数、潜在変数３、上位５０遺伝子の遺伝子セットによる各患者の生存日数予測に使用した係数を表６に示す。

（参考文献）
[1] Bjrn-Helge Mevik and Ron Wehrens Journal of Statistical Software: Vol 18, Issue 2 (2007), "The pls Package: Principal Componentand Partial Least Squares Regression in R"
[2] Geladi, P. and B. Kowalski (1986) Partial least-squares regression: Atutorial. Analytica Chimica Acta 185:1-17.
　これらの参考文献は、出典明示により本願明細書の一部とする。
　予測生存日数が、予後良好患者の場合は７００日以上、予後不良患者の場合は７００日未満であった場合に正解とし、各回帰モデルの正解率（予測率）を計算した。回帰モデルの評価の結果、上記５種類の統計学的方法により選択された３００遺伝子は、いずれも最高で８０％以上の予測率を示した（図４）。なかでも、Pearsonの積率相関係数、潜在変数３、上位５０遺伝子の遺伝子セットが最も予測率がよく、９５％であった。この遺伝子セットによる生存日数予測精度、および予測生存日数と実際の生存日数の比較を図５および６に示す。図６の右上枠内および左下枠内の患者は、予測生存日数と実際の生存日数が一致した患者に相当する。左上枠内は、免疫療法後の予後が良好と予測されたにもかかわらず、実際の生存日数が短かった患者を示す。一方、本方法により予後不良と予測されたにもかかわらず、実際の生存日数が長かった患者は存在しなかった（図６、右下枠内）。このことは、本方法により、免疫療法開始前に免疫療法の治療効果が低い患者を予測できることを示す。
　また、Pearsonの積率相関係数、潜在変数３、上位５０遺伝子の遺伝子セットを用いて分類された予後良好群および不良群と、実際の生存日数を用いてKaplan-Meier曲線を描き、ログランク検定を行なったところ、本方法で分類された患者群は、p＝1.6e-10の確率で予後良好群と予後不良群に分類できることが示された。（図７）。
　次いで、表１の遺伝子セットにおいて、下位から順に１０遺伝子ずつを含む（すなわち、それぞれ１０、２０、・・・または３００の遺伝子を含む）３０セットの遺伝子セットを抽出し、潜在変数３でＰＬＳ回帰モデルを構築した（図８）。この場合の予測率は６５～８５％であった。また、同じ３００遺伝子のセットから、ランダムに３０セットの遺伝子セットを抽出し（表７）、潜在変数３でＰＬＳ回帰モデルを構築した（図９）。この場合の予測率は６２．５～８５％であった。以上の結果から、いずれの選択方法でも治療後の生存日数が予測可能であることが明らかとなった。
　実施例２
　実施例１の４０名の前立腺癌患者にさらに９名の前立腺癌患者の遺伝子発現データを加え、生存日数３００日以上を予後良好群、生存日数３００日未満を予後不良群と分類し、Pearsonの積率相関係数、潜在変数３、上位５０遺伝子の遺伝子セットを用いてＰＬＳ回帰モデルを構築し、新たな９名の前立腺癌患者の生存日数を予測した（図１０）。本方法においても、９名中８名で予測が正解であった。
　実施例３
　実施例１の４０名の前立腺癌患者について、Pearsonの積率相関係数で選択された上位３００遺伝子（表１）の各遺伝子の発現レベルと生存日数より、一次線形回帰式を作成した。次いで、得られた式と各患者における発現レベルから各患者の予測生存日数を算出し、実際の生存日数をｘ軸、算出された予測生存日数をｙ軸にとりグラフ化した（図１１）。グラフには、１から３００の間で乱数をとり、これを順位と仮定して表１から選択した１０の遺伝子の結果を示す。その結果、１の遺伝子の発現レベルに基づいた場合でも、生存日数が予測可能であることが明らかとなった。
　表１　Pearsonの積率相関係数で選択された上位３００の遺伝子のリスト
Figure JPOXMLDOC01-appb-T000001
Figure JPOXMLDOC01-appb-T000002
Figure JPOXMLDOC01-appb-T000003
Figure JPOXMLDOC01-appb-T000004
Figure JPOXMLDOC01-appb-T000005
Figure JPOXMLDOC01-appb-T000006
Figure JPOXMLDOC01-appb-T000007
Figure JPOXMLDOC01-appb-T000008
Figure JPOXMLDOC01-appb-T000009
Figure JPOXMLDOC01-appb-T000010
Figure JPOXMLDOC01-appb-T000011
Figure JPOXMLDOC01-appb-T000012
Figure JPOXMLDOC01-appb-T000013
Figure JPOXMLDOC01-appb-T000014
Figure JPOXMLDOC01-appb-T000015
Figure JPOXMLDOC01-appb-T000016
Figure JPOXMLDOC01-appb-T000017
Figure JPOXMLDOC01-appb-T000018
Figure JPOXMLDOC01-appb-T000019
Figure JPOXMLDOC01-appb-T000020
Figure JPOXMLDOC01-appb-T000021
Figure JPOXMLDOC01-appb-T000022
　表２　Limmaで選択された上位３００の遺伝子のリスト
Figure JPOXMLDOC01-appb-T000023
Figure JPOXMLDOC01-appb-T000024
Figure JPOXMLDOC01-appb-T000025
Figure JPOXMLDOC01-appb-T000026
Figure JPOXMLDOC01-appb-T000027
Figure JPOXMLDOC01-appb-T000028
Figure JPOXMLDOC01-appb-T000029
Figure JPOXMLDOC01-appb-T000030
Figure JPOXMLDOC01-appb-T000031
Figure JPOXMLDOC01-appb-T000032
Figure JPOXMLDOC01-appb-T000033
Figure JPOXMLDOC01-appb-T000034
Figure JPOXMLDOC01-appb-T000035
Figure JPOXMLDOC01-appb-T000036
Figure JPOXMLDOC01-appb-T000037
Figure JPOXMLDOC01-appb-T000038
Figure JPOXMLDOC01-appb-T000039
Figure JPOXMLDOC01-appb-T000040
Figure JPOXMLDOC01-appb-T000041
Figure JPOXMLDOC01-appb-T000042
Figure JPOXMLDOC01-appb-T000043
Figure JPOXMLDOC01-appb-T000044
Figure JPOXMLDOC01-appb-T000045
Figure JPOXMLDOC01-appb-T000046
　表３　SAMで選択された上位３００の遺伝子のリスト
Figure JPOXMLDOC01-appb-T000047
Figure JPOXMLDOC01-appb-T000048
Figure JPOXMLDOC01-appb-T000049
Figure JPOXMLDOC01-appb-T000050
Figure JPOXMLDOC01-appb-T000051
Figure JPOXMLDOC01-appb-T000052
Figure JPOXMLDOC01-appb-T000053
Figure JPOXMLDOC01-appb-T000054
Figure JPOXMLDOC01-appb-T000055
Figure JPOXMLDOC01-appb-T000056
Figure JPOXMLDOC01-appb-T000057
Figure JPOXMLDOC01-appb-T000058
Figure JPOXMLDOC01-appb-T000059
Figure JPOXMLDOC01-appb-T000060
Figure JPOXMLDOC01-appb-T000061
Figure JPOXMLDOC01-appb-T000062
Figure JPOXMLDOC01-appb-T000063
Figure JPOXMLDOC01-appb-T000064
Figure JPOXMLDOC01-appb-T000065
Figure JPOXMLDOC01-appb-T000066
Figure JPOXMLDOC01-appb-T000067
Figure JPOXMLDOC01-appb-T000068
Figure JPOXMLDOC01-appb-T000069
Figure JPOXMLDOC01-appb-T000070
　表４　Rank Prodで選択された上位３００の遺伝子のリスト
Figure JPOXMLDOC01-appb-T000071
Figure JPOXMLDOC01-appb-T000072
Figure JPOXMLDOC01-appb-T000073
Figure JPOXMLDOC01-appb-T000074
Figure JPOXMLDOC01-appb-T000075
Figure JPOXMLDOC01-appb-T000076
Figure JPOXMLDOC01-appb-T000077
Figure JPOXMLDOC01-appb-T000078
Figure JPOXMLDOC01-appb-T000079
Figure JPOXMLDOC01-appb-T000080
Figure JPOXMLDOC01-appb-T000081
Figure JPOXMLDOC01-appb-T000083
Figure JPOXMLDOC01-appb-T000084
Figure JPOXMLDOC01-appb-T000085
Figure JPOXMLDOC01-appb-T000086
Figure JPOXMLDOC01-appb-T000087
Figure JPOXMLDOC01-appb-T000089
Figure JPOXMLDOC01-appb-T000090
Figure JPOXMLDOC01-appb-T000091
Figure JPOXMLDOC01-appb-T000092
Figure JPOXMLDOC01-appb-T000093
Figure JPOXMLDOC01-appb-T000094
Figure JPOXMLDOC01-appb-T000095
Figure JPOXMLDOC01-appb-T000096
Figure JPOXMLDOC01-appb-T000097
Figure JPOXMLDOC01-appb-T000098
　表５　Spearmanの順位和係数で選択された上位３００の遺伝子のリスト
Figure JPOXMLDOC01-appb-T000099
Figure JPOXMLDOC01-appb-T000100
Figure JPOXMLDOC01-appb-T000101
Figure JPOXMLDOC01-appb-T000102
Figure JPOXMLDOC01-appb-T000103
Figure JPOXMLDOC01-appb-T000104
Figure JPOXMLDOC01-appb-T000105
Figure JPOXMLDOC01-appb-T000106
Figure JPOXMLDOC01-appb-T000107
Figure JPOXMLDOC01-appb-T000108
Figure JPOXMLDOC01-appb-T000109
Figure JPOXMLDOC01-appb-T000110
Figure JPOXMLDOC01-appb-T000111
Figure JPOXMLDOC01-appb-T000112
Figure JPOXMLDOC01-appb-T000113
Figure JPOXMLDOC01-appb-T000114
Figure JPOXMLDOC01-appb-T000115
Figure JPOXMLDOC01-appb-T000116
Figure JPOXMLDOC01-appb-T000117
Figure JPOXMLDOC01-appb-T000118
Figure JPOXMLDOC01-appb-T000119
Figure JPOXMLDOC01-appb-T000120
　表６　Pearsonの積率相関係数、潜在変数３、上位５０遺伝子の遺伝子セットによる各患者の生存日数予測に使用した係数
Figure JPOXMLDOC01-appb-T000121
Figure JPOXMLDOC01-appb-T000122
Figure JPOXMLDOC01-appb-T000123
Figure JPOXMLDOC01-appb-T000124
Figure JPOXMLDOC01-appb-T000125
　表７　ランダム選択による３０の遺伝子セット
Figure JPOXMLDOC01-appb-T000126
 ＊数字は表１における順位を示す。

Claims (12)

  1. 　癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測する方法であって、以下の工程を含む方法：
    （１）免疫療法前の癌患者から採取された試料において、表１～５のいずれかに示す遺伝子の群から選択される少なくとも１の遺伝子からなる遺伝子セットの各遺伝子の発現レベルを測定する工程、および
    （２）該発現レベルを統計処理し、予測生存日数を算出する工程。
  2. 　統計処理が回帰分析による、請求項１の方法。
  3. 　免疫療法がペプチドワクチン療法である、請求項１または２の方法。
  4. 　癌が前立腺癌である、請求項１～３のいずれかの方法。
  5. 　癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測するための、表１～５のいずれかに示す遺伝子の群から選択される少なくとも１の遺伝子からなる遺伝子セット。
  6. 　該少なくとも１の遺伝子が、表１～５のいずれかに示す遺伝子の群の１番目の遺伝子から順に選択される、請求項５の遺伝子セット。
  7. 　少なくとも１０の遺伝子からなる、請求項５または６の遺伝子セット。
  8. 　免疫療法がペプチドワクチン療法である、請求項５～７のいずれかの遺伝子セット。
  9. 　癌が前立腺癌である、請求項５～８のいずれかの遺伝子セット
  10. 　癌患者に対する免疫療法の効果および／または免疫療法後の予後を予測するためのキットであって、請求項５の遺伝子セットの各遺伝子に対するプローブまたはプライマーを含むキット。
  11. 　ＤＮＡマイクロアレイ法に用いられる、請求項１０のキット。
  12. 　癌が前立腺癌である、請求項１０または１１のキット。
PCT/JP2010/067088 2009-10-02 2010-09-30 癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット WO2011040532A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP10820647A EP2484762A4 (en) 2009-10-02 2010-09-30 METHOD FOR PREDICTING THE THERAPEUTIC EFFECT OF IMMUNOTHERAPY ON A CANCER PATIENTS AND / OR FORECASTING AFTER IMMUNOTHERAPY AND THE KIT AND KIT THEREFOR
JP2011534310A JP5892794B2 (ja) 2009-10-02 2010-09-30 癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット
US13/497,998 US20130023432A1 (en) 2009-10-02 2010-09-30 Method for predicting therapeutic effect of immunotherapy on cancer patient and/or prognosis after immunotherapy, and gene set and kit to be used therin

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2009230279 2009-10-02
JP2009-230279 2009-10-02

Publications (1)

Publication Number Publication Date
WO2011040532A1 true WO2011040532A1 (ja) 2011-04-07

Family

ID=43826344

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2010/067088 WO2011040532A1 (ja) 2009-10-02 2010-09-30 癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット

Country Status (4)

Country Link
US (1) US20130023432A1 (ja)
EP (1) EP2484762A4 (ja)
JP (1) JP5892794B2 (ja)
WO (1) WO2011040532A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012002011A1 (ja) * 2010-06-29 2012-01-05 学校法人 久留米大学 がん患者に対する免疫療法の治療効果の予測方法、ならびに該方法に用いる遺伝子セットおよびキット
CN104583422A (zh) * 2012-06-27 2015-04-29 博格有限责任公司 标志物在诊断和治疗前列腺癌中的用途
JP2016098204A (ja) * 2014-11-21 2016-05-30 学校法人日本大学 前立腺癌の判定、治療選択方法、予防又は治療剤
US10539566B2 (en) 2014-12-08 2020-01-21 Berg Llc Use of markers including filamin A in the diagnosis and treatment of prostate cancer

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016109546A2 (en) * 2014-12-30 2016-07-07 Genentech, Inc. Methods and compositions for prognosis and treatment of cancers
AU2020221613A1 (en) * 2019-02-14 2021-08-05 Katholieke Universiteit Leuven, K.U.Leuven R&D Retrotransposon biomarkers
EP3792632A1 (en) * 2019-09-16 2021-03-17 Vito NV Immunotherapy markers
EP3944863A1 (en) * 2020-07-28 2022-02-02 Fundació Institut Hospital Del Mar D'Investigacions Mèdiques (IMIM) Combined therapy against cancer

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009230279A (ja) 2008-03-19 2009-10-08 Toshiba Corp 情報処理装置および情報処理プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2538300A1 (en) * 2003-09-22 2005-03-31 Green Peptide Co., Ltd. Prognosis in cancer patients vaccinated with a cancer antigen peptide-associated agent
WO2007003397A2 (en) * 2005-07-01 2007-01-11 Epigenomics Ag Method and nucleic acids for the improved treatment of cancers
EP2227558A1 (en) * 2007-11-30 2010-09-15 GlaxoSmithKline Biologicals SA Method for classifying cancer patients as responder or non-responder to immunotherapy

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009230279A (ja) 2008-03-19 2009-10-08 Toshiba Corp 情報処理装置および情報処理プログラム

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BJRN-HELGE MEVIK; RON WEHRENS, JOURNAL OF STATISTICAL SOFTWARE, vol. 18, no. 2, 2007
BREITLING ET AL.: "Rank products: a simple, yet powerful, new method to detect differentially regulated genes in replicated microarray experiments", FEBS LETTERS, vol. 573, no. 1-3, 2004, pages 83 - 92, XP004536206, DOI: doi:10.1016/j.febslet.2004.07.055
GELADI, P.; B. KOWALSKI: "Partial least-squares regression: Atutorial", ANALYTICA CHIMICA ACTA, vol. 185, 1986, pages 1 - 17
KYOGO ITO ET AL.: "Honpo ni Okeru Gan Vaccine Chiryo no Genjo to Mondaiten", BIOTHERAPY, vol. 23, no. 3, May 2009 (2009-05-01), pages 225 - 230, XP008151093 *
See also references of EP2484762A4
SMYTH: "Linear models and empirical bayes methods for assessing differential expression in microarray experiments", STATISTICAL APPLICATIONS IN GENETICS AND MOLECULAR BIOLOGY, vol. 3, 2004
TUSHER ET AL.: "Significance analysis of microarrays applied to the ionizing radiation response", PROC NATL ACAD SCI USA, vol. 98, no. 9, 2001, pages 5116 - 21, XP002967440, DOI: doi:10.1073/pnas.091062498

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012002011A1 (ja) * 2010-06-29 2012-01-05 学校法人 久留米大学 がん患者に対する免疫療法の治療効果の予測方法、ならびに該方法に用いる遺伝子セットおよびキット
CN104583422A (zh) * 2012-06-27 2015-04-29 博格有限责任公司 标志物在诊断和治疗前列腺癌中的用途
EP2867375A4 (en) * 2012-06-27 2016-06-01 Berg Llc USE OF MARKERS IN THE DIAGNOSIS AND TREATMENT OF PROSTATE CANCER
US9797905B2 (en) 2012-06-27 2017-10-24 Berg Llc Use of markers in the diagnosis and treatment of prostate cancer
JP2016098204A (ja) * 2014-11-21 2016-05-30 学校法人日本大学 前立腺癌の判定、治療選択方法、予防又は治療剤
US10539566B2 (en) 2014-12-08 2020-01-21 Berg Llc Use of markers including filamin A in the diagnosis and treatment of prostate cancer

Also Published As

Publication number Publication date
JP5892794B2 (ja) 2016-03-23
JPWO2011040532A1 (ja) 2013-02-28
EP2484762A1 (en) 2012-08-08
EP2484762A4 (en) 2013-03-27
US20130023432A1 (en) 2013-01-24

Similar Documents

Publication Publication Date Title
JP5892794B2 (ja) 癌患者に対する免疫療法の治療効果および／または免疫療法後の予後の予測方法、ならびに該方法に用いる遺伝子セットおよびキット
Nakamizo et al. Single-cell analysis of human skin identifies CD14+ type 3 dendritic cells co-producing IL1B and IL23A in psoriasis
EP3458473B1 (en) Markers selectively deregulated in tumor-infiltrating regulatory t cells.
Kote-Jarai et al. Seven prostate cancer susceptibility loci identified by a multi-stage genome-wide association study
JP5161091B2 (ja) 急性骨髄性白血病患者の抗癌剤治療反応性予測用マーカー
EA021399B1 (ru) Способ идентификации факторов риска заболеваний
KR20100095564A (ko) 항-ｃｄ４０ 항체를 사용한 치료에 대한 ｂ-세포 림프종의 반응성 평가를 위한 방법 및 조성물
Buza et al. Recurrent chromosomal aberrations in intravenous leiomyomatosis of the uterus: high-resolution array comparative genomic hybridization study
CN104334191A (zh) 治疗毛发脱落疾病的方法
CN102186987A (zh) 一种基于基因表达谱的用来标示高风险多发性骨髓瘤的基因组指纹的方法和用途
US10941446B2 (en) Method for identifying kidney allograft recipients at risk for chronic injury
JP2007507460A (ja) 炎症性疾患の治療効力と関連している遺伝子多型の使用
Revez et al. A new regulatory variant in the interleukin-6 receptor gene associates with asthma risk
CN109312327A (zh) 使用一步逆转录模板转换pcr的t细胞受体和b细胞受体库分析系统
US20130157893A1 (en) Method for predicting therapeutic effect of immunotherapy on cancer patient, and gene set and kit to be used in the method
CN106929568A (zh) 用于治疗、诊断和监控狼疮的方法
CN108130368B (zh) lncRNA在制备诊断或预示青少年特发性脊柱侧凸产品中的应用
Tavares et al. Tumour necrosis factor‐alpha (‐308G/A) promoter polymorphism is associated with ulcerative colitis in Brazilian patients
Butler III et al. The genetic relevance of human induced pluripotent stem cell-derived microglia to Alzheimer’s disease and major neuropsychiatric disorders
US20200017921A1 (en) Gene expression markers for predicting overall survival in subjects treated with sipuleucel-t
Salviano-Silva et al. Genetic association and differential expression of HLA Complex Group lncRNAs in pemphigus
KR20140044911A (ko) 신규 팬-cdk 억제제에 의한 유방 종양의 치료에 있어서 층별화 마커로서의 ccne2의 용도
EP4281783A2 (en) Methods to quantify rate of clonal expansion and methods for treating clonal hematopoiesis and hematologic malignancies
Silva et al. Genetic susceptibility loci in rheumatoid arthritis establish transcriptional regulatory networks with other genes
CN105765077B (zh) 测定抗甲状腺药物诱导的粒细胞缺乏症风险的检测方法以及测定用试剂盒

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10820647

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2011534310

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2010820647

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13497998

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE