JP7536738B2

JP7536738B2 - 無細胞ｄｎａを使用する集団ベースの処置レコメンダ

Info

Publication number: JP7536738B2
Application number: JP2021198384A
Authority: JP
Inventors: エルトーキーヘルミー; タラサズアミルアリ
Original assignee: ガーダントヘルス，インコーポレイテッド
Priority date: 2015-10-09
Filing date: 2021-12-07
Publication date: 2024-08-20
Anticipated expiration: 2036-10-07
Also published as: US20200395100A1; US11756655B2; JP2024167909A; JP6991134B2; CN108474040A; JP2022043124A; US20180300456A1; EP3359694A4; US20240153593A1; CN108474040B; EP4462438A2; CN116640849A; EP4462438A3; JP2018537754A; EP3359694A1; WO2017062867A1

Description

相互参照
本出願は、２０１５年１０月９日に出願された米国仮出願番号第６２／２３９，３９０号の利益を主張しており、この仮出願は、その全体が参考として本明細書中に援用される。

背景
個々の患者は、医療処置に異なる応答を示すが、これは部分的には、遺伝子発現に影響を与える遺伝子およびエピジェネティックな差異のためである。これらの差異は、正常宿主組織に存在する場合があり、または形質転換の際にがん細胞によって獲得される場合もある。そのような差異は、薬物の薬物動態（例えば、代謝または輸送）または薬力学（例えば、標的または酵素調節）；放射線への宿主組織感受性；薬物および放射線を含む細胞傷害剤への悪性細胞の感受性；および侵入および転移する悪性細胞の能力を含む処置応答の多様な構成成分に影響を与える場合がある。

がんを処置することが非常に困難である理由の１つは、現在の検査方法がしばしば具体的ながんに有効な薬物処置を適合させる医師の役に立たないことである。さらに疾患状態自体が変動する標的である場合がある－がん細胞は絶えず変化および変異している。がん腫瘍は、持続的にそれらの固有のゲノム物質を血流に排出するが、不運にもこれらの決定的なゲノム「シグナル」は、非常に弱いため、次世代配列決定を含む現在のゲノム分析技術は、そのようなシグナルを、散発的にまたは末期的に高い腫瘍負荷を有する患者において検出できるだけである。これについての主な理由は、そのような技術が、がんに関連する新たな（ｄｅｎｏｖｏ）ゲノム変化を確実に検出するために必要であるものよりも数桁高い場合がある誤差率およびバイアスによって悩まされていることである。したがって、がんに対する有効な処置を判定するためのシステムおよび方法の改善が必要である。

発明の要旨
本発明は、予測された治療応答に基づいてがん患者を分類するためのシステムおよび方法に関する。

一態様では本開示は、対象の疾患状態を分析するための方法であって、２回またはそれより多くの時点での対象の遺伝子情報を遺伝子分析機、例えばＤＮＡ配列決定装置で特徴付けるステップ；および２名もしくはそれより多くの人または２回もしくはそれより多くの時点からの情報を使用して、対象の遺伝子情報の特徴付けにおいて調整された検査結果を生成するステップによる、方法を提供する。

別の態様では、ＤＮＡ配列決定装置を使用して、遺伝子情報を作成するステップ；疾患を有する複数の個体それぞれについての、（１）第１の時点で作成された個体由来の遺伝子情報、および（２）第２の、後の時点で判定された１つまたは複数の治療介入への個体の処置応答を含む訓練用データセットをコンピュータメモリに受け取るステップ；およびデータセットを使用して機械学習アルゴリズムを履行して、少なくとも１つのコンピュータ履行分類アルゴリズムを作成するステップであって、分類アルゴリズムが対象由来の遺伝子情報に基づいて、治療介入への対象の治療応答を予測する、ステップによって疾患を検出するためのシステムおよび方法が開示される。本明細書において使用される場合、治療応答は、具体的な治療介入への処置応答である。

別の態様では方法は、複数の時点でのがんポリヌクレオチドの出現頻度を決定するステップ；複数の時点それぞれでの出現頻度についての誤差範囲を決定するステップ；先と後との時点間で、誤差範囲が（１）重複、出現頻度の安定性を示している、（２）後の時点での誤差範囲外の増加、出現頻度における増加を示している、または（３）後の時点での誤差範囲外の減少、出現頻度における減少を示している、のいずれかを判定するステップによって、対象由来の試料中のがんポリヌクレオチドの量の経時的な傾向を検出する。

さらに別の態様では方法は、遺伝子分析機、例えばＤＮＡ配列決定装置で無細胞核酸を配列決定するステップ；後の（例えば、最新の）配列リードを少なくとも２回の時点からの過去の配列リードと比較するステップ、およびそれにより診断の確度指標を更新するステップ；および配列リードの診断の確度指標に基づいて、個体における遺伝子変化の存在もしくは不在および／または遺伝的変動の量を検出するステップによって、異常な細胞活性を検出する。遺伝子分析機は、遺伝子分析のための任意のシステム、例えば配列決定（ＤＮＡ配列決定装置）またはハイブリダイゼーション（マイクロアレイ、蛍光インサイチュハイブリダイゼーション、バイオナノゲノミクス）によるなどを含む。

別の態様では方法は、遺伝子分析機、例えばＤＮＡ配列決定装置による後の（例えば、最新の）配列リードを過去の期間からの過去の配列リードと比較することによってコンセンサス配列を作成するステップ、および過去の配列リードに基づいて診断の確度指標を更新するステップであって、各コンセンサス配列はタグ付き親ポリヌクレオチドのセット中の固有のポリヌクレオチドに対応する、ステップ、ならびに対象中の細胞外ポリヌクレオチドの遺伝子プロファイルを作成するステップであって、遺伝子プロファイルが、コピー数多型または変異分析からもたらされる複数のデータを含む、ステップによって、対象から得られた無細胞または実質的に無細胞の試料における変異を検出する。

別の態様では、タグ付き親ポリヌクレオチドの少なくとも１つのセットを提供するステップ、およびタグ付き親ポリヌクレオチドの各セットについて；増幅された後代ポリヌクレオチドの対応するセットを作成するようにセット中のタグ付き親ポリヌクレオチドを増幅するステップ；遺伝子分析機、例えばＤＮＡ配列決定装置で、増幅された後代ポリヌクレオチドのセットのサブセットを配列決定して、配列決定リードのセットを作成するステップ；および配列決定リードのセットをたたんで、最新の配列リードを少なくとも１つの過去の期間からの過去の配列リードと比較することによってコンセンサス配列のセットを生成するステップ、およびそれにより診断の確度指標を更新するステップであって、各コンセンサス配列はタグ付き親ポリヌクレオチドのセット中の固有のポリヌクレオチドに対応する、ステップによって異常な細胞活性を検出するための方法が本明細書において開示される。

さらに別の態様では方法は、対象由来の身体試料からの細胞外ポリヌクレオチドを遺伝子分析機、例えばＤＮＡ配列決定装置で配列決定するステップ；細胞外ポリヌクレオチドそれぞれについて、複数の配列決定リードを作成するステップ；設定閾値に合致しないリードを除外するステップ；配列決定由来の配列リードを参照配列にマッピングするステップ；マッピング可能な各塩基位置で、参照配列の変種と配列比較されるマッピングされた配列リードのサブセットを特定するステップ；マッピング可能な各塩基位置について、（ｂ）マッピング可能な各塩基位置についての配列リードの総数に対する（ａ）参照配列と比較した変種を含むマッピングされた配列リードの数の比を算出するステップ；および最新の配列リードを少なくとも１つの他の時点からの過去の配列リードと比較するステップ、およびそれにより診断の確度指標を更新するステップによって、対象から得られた無細胞または実質的に無細胞の試料における変異を検出する。

さらなる態様では、後の（例えば、最新の）配列リードを少なくとも１つの他の時点からの過去の配列リードと比較するステップ、およびそれにより診断の確度指標を更新するステップであって、各コンセンサス配列はタグ付き親ポリヌクレオチドのセット中の固有のポリヌクレオチドに対応する、ステップ、ならびに対象中の細胞外ポリヌクレオチドの遺伝子プロファイルを作成するステップであって、遺伝子プロファイルがコピー数多型または変異分析からもたらされる複数のデータを含む、ステップ、によって対象における異常状態の不均質性の特徴付け方法が本明細書において開示される。

上記のシステム／方法の履行は、次の１つまたは複数を含んでよい。方法は、対象中の細胞外ポリヌクレオチドの遺伝子プロファイルを作成するステップを含み、ここで遺伝子プロファイルは、コピー数多型または変異分析からもたらされる複数のデータを含む。方法は、第１の時点からの情報が第２の時点からの情報を確認する場合に、後続の特徴付けにおいて診断の確度指標を増加させるステップを含む。診断の確度指標は、第１の時点からの情報が第２の時点からの情報を確認する場合に、後続の特徴付けにおいて増加されてよい。方法は、第１の時点からの情報が第２の時点からの情報と矛盾する場合に、後続の特徴付けにおいて診断の確度指標を減少させるステップを含む。

上記システムの利点は、次の１つまたは複数を含んでよい。腫瘍由来コピー数異常、単一ヌクレオチド多型およびメチル化変化は、本発明を使用して検出でき、情報は精度を上げるために集団に適用されてよい。同様にシステムは、末梢血に放出された循環腫瘍細胞（ＣＴＣ）および無細胞循環腫瘍ＤＮＡ（ｃｔＤＮＡ）での、治療標的および薬物耐性を付与する遺伝子変更の分析を含んで遺伝子的に類似の場合についての処置を特定できる。ＣＴＣおよびｃｔＤＮＡの両方は、集団での新規薬物および薬物組合せを評価する補完的な情報を提供する。液体バイオプシーコンセプトは、がんを有する患者での薬物耐性のより良い理解および臨床管理に寄与する。末梢血中の循環腫瘍細胞（ＣＴＣ）の計数および特徴付けは、重要な予後情報を提供でき、治療の有効性をモニターすることを補助できる。現在のアッセイがアポトーシス性と生存可能なＣＴＣとを識別できないことから、単一の上皮がん細胞からのタンパク質分泌／放出／排出を検出するフルオロＥＰＩＳＰＯＴアッセイは、乳房、結腸、前立腺、頭頸部および卵巣がんならびにメラノーマについて使用できる。システムは、診断用バイオマーカー発見－および体液での検証の特別な需要および課題に合致するようにあらゆるハイスループット技術（例えば、平面およびビーズマイクロアレイ、マイクロ流体定量的ＰＣＲ、ルミネックスビーズ技術）を可能にする。４大がん実体（乳房、結腸、前立腺、肺）についての自己抗体およびＤＮＡメチル化に基づく診断用マーカーパネルは、血清または血漿で実施できる。システムは、診断マトリクスとして血液、尿または唾液を扱うことができる。ゲノム分析技術構造は、次世代配列決定によって生じるノイズおよびひずみをほとんどゼロに低減する。デジタル配列決定は、がんにおける作用可能な腫瘍特異的ゲノム変化の超高忠実度、単一分子検出を比類ない特異性と広さを伴って可能にする。言い換えると、臨床医は現在、患者の全身でのがんのゲノムの広がり（ｄｉｍｅｎｓｉｏｎ）を非侵襲性に観察できる。システムは、腫瘍バイオプシー外側の耐性および感受性変異を包括的に検出する。単純な採血は、ＳＮＶ、ＣＮＶ、インデル、および多数の塩基対にわたる再編成を含む多数の遺伝子を検査し、処置管理を補助する。システムはまた、がんのゲノムの広がりを患者に対する処置レジメンを導くために使用できるようにする。薬物処置有効性と患者試料での分子マーカーの存在または不在との間の相関は、処置を改善するために使用できる。得られる勧告および臨床レポートは、理解のために直感的であり、検査工程に基礎レベルの知識が必要であり、検査結果を記載するために使用される科学的用語を熟知している必要がある。これは、検査の指示および検査結果の解釈を説明する追加的な教育用材料を必要とすることなく行われる。検査室レポートは、情報を理解し、臨床診療に正しく適用するための処置専門家の能力を補助するための重要な情報に集中している。レポートは、複雑なＤＮＡ検査情報の正しい解釈を促進する。遺伝子検査結果の伝達の改善は、遺伝子検査結果の誤解釈の低減をもたらし、ＤＮＡ配列決定結果に基づく介入または処置の送達を改善する。

一態様では本開示は、治療応答予測因子を作成するための方法であって、遺伝子分析機を使用して、遺伝子情報を作成するステップ；疾患を有する複数の個体それぞれについての、（１）第１の時点で作成された個体由来の遺伝子情報、および（２）第２の、後の時点で判定された１つまたは複数の治療介入への個体の処置応答を含む訓練用データセットをコンピュータメモリに受け取るステップ；およびデータセットを使用して機械学習アルゴリズムを履行して、少なくとも１つのコンピュータ履行分類アルゴリズムを作成するステップであって、分類アルゴリズムが対象由来の遺伝子情報に基づいて、対象の治療応答を予測する、ステップを含む、方法を提供する。

一部の実施形態では機械学習アルゴリズムは、サポートベクターマシン、ランダムフォレスト、最近隣分析、線形回帰、二分決定木、判別分析、ロジスティック分類指標およびクラスター分析から選択される教師ありまたは教師なし学習アルゴリズムからなる群から選択される。一部の実施形態では方法は、２回またはそれより多くの時点での検査に基づいて腫瘍発達の方向性を予測するステップを含む。一部の実施形態では作成された予測は、遠隔転移発達の確率を決定するステップを含む。一部の実施形態では訓練用データセットは、がんのステージ、外科的手技の種類、年齢、腫瘍のグレード、腫瘍浸潤の深度、術後合併症の発生および血管侵入の存在からなる群から選択される臨床データをさらに含む。一部の実施形態では遺伝子情報は、がん細胞のゲノム構成を定義する変数を含む。一部の実施形態では遺伝子情報は、単一の播種性がん細胞のゲノム構成を定義する変数を含む。一部の実施形態では方法は、訓練用データセットを前処理するステップを含む。一部の実施形態では訓練用データセットを前処理するステップは、提供されたデータをクラス条件付き確率に変換するステップを含む。

一部の実施形態では遺伝子情報は、個体由来の無細胞ＤＮＡ中の１つまたは複数の遺伝子座からの配列または存在量データを含む。一部の実施形態では処置応答は、第２の、後の時点で作成された個体由来の遺伝子情報を含む。一部の実施形態では疾患状態は、がんであり、遺伝子分析機は、ＤＮＡ配列決定装置である。

一態様では本開示は、遺伝子分析機を使用して、対象についての遺伝子情報を作成するステップ；遺伝子情報を含む検査データセットをコンピュータメモリに受け取るステップ；およびコンピュータ履行分類アルゴリズムを履行するステップであって、分類アルゴリズムが、遺伝子情報に基づいて、治療介入への対象の治療応答を予測する、ステップを含む方法を提供する。

一部の実施形態では方法は、腫瘍の発達を予測するステップを含む。一部の実施形態では方法は、遠隔転移の発達を予測するステップを含む。一部の実施形態では訓練用データセットは、がんのステージ、外科的手技の種類、年齢、腫瘍のグレード、腫瘍浸潤の深度、術後合併症の発生および血管侵入の存在からなる群から選択される変数をさらに含む。一部の実施形態では遺伝子情報は、がん細胞のゲノム構成を定義する変数を含む。一部の実施形態では遺伝子情報は、単一の播種性がん細胞のゲノム構成を定義する変数を含む。一部の実施形態では方法は、検査データセットを前処理するステップを含む。一部の実施形態では検査データセットを前処理するステップは、提供されたデータをクラス条件付き確率に変換するステップを含む。一部の実施形態では、２０個またはそれより少ない変数が選択される。一部の実施形態では、１０個またはそれより少ない変数が選択される。一部の実施形態では分類アルゴリズムは、人工神経ネットワークを用いる。一部の実施形態では人工神経ネットワークは、ベイジアン（Ｂａｙｅｓｉａｎ）フレームワークを使用して訓練される。

一態様では本開示は、対象の疾患状態を分析するための方法であって、２回またはそれより多くの時点での対象の遺伝子情報についてのデータを遺伝子分析機から受け取るステップ；２回またはそれより多くの時点からの情報を使用して、対象の遺伝子情報の特徴付けにおいて調整された検査結果を作成するステップ；遺伝子情報に適合している対象を集団から特定するステップ；および遺伝子情報に適合している対象の過去の処置に基づいて処置を勧告するステップを含む、方法を提供する。一部の実施形態では方法は、最新の配列リードを過去の配列リードと比較するステップおよびそれにより診断の確度指標を更新するステップを含む。一部の実施形態では方法は、最新の配列リードについての信頼区間を作成するステップを含む。一部の実施形態では方法は、信頼区間を１つまたは複数の過去の信頼区間と比較するステップおよび重複する信頼区間に基づいて疾患進行を判定するステップを含む。

一部の実施形態では方法は、第１の時点からの情報が第２の時点からの情報を確認する場合に、後続のまたは以前の特徴付けにおいて診断の確度指標を増加させるステップを含む。一部の実施形態では、特徴付けは、対象由来の試料中のＤＮＡからの配列リードの収集物で検出される１つまたは複数の遺伝子変種の出現頻度を決定するステップを含み、調整された検査結果を作成するステップは、遺伝子情報に適合している対象につき２回またはそれより多くの時点での１つまたは複数の遺伝子変種の出現頻度を比較するステップを含む。一部の実施形態では、特徴付けは、適合している対象由来の試料中のＤＮＡからの配列リードの収集物から検出される１つまたは複数の遺伝子座でのコピー数多型の量を決定するステップを含み、調整された検査結果を作成するステップは、２回またはそれより多くの時点での量を比較するステップを含む。一部の実施形態では、特徴付けは、健康または疾患の診断を行うステップを含む。

一部の実施形態では遺伝子情報は、疾患関連またはがん関連遺伝子変種を含むゲノムの一部分由来の配列データを含む。一部の実施形態では方法は、２回またはそれより多くの時点での対象由来の試料におけるポリヌクレオチドのリード深度を増大させることによって、遺伝子変種を検出する感度を上昇させるステップを含む。一部の実施形態では、特徴付けは、対象由来の試料中の疾患ポリヌクレオチドの存在の診断を行うステップを含み、同じ遺伝子変種が複数の試料採取例または時点のノイズ範囲に検出される場合に、調整が、陰性または不確定から陽性に診断を調整するステップを含む。一部の実施形態では、特徴付けは、対象由来の試料中の疾患ポリヌクレオチドの存在の診断を行うステップを含み、同じ遺伝子変種がより早い時点でノイズ範囲内に、および後の時点でノイズ範囲を超えて検出される場合に、調整が、より早い時点からの特徴付けにおいて陰性または不確定から陽性に診断を調整するステップを含む。一部の実施形態では、特徴付けは、対象由来の試料中の疾患ポリヌクレオチドの存在の診断を行うステップを含み、同じ遺伝子変種がより早い時点でノイズ範囲内に、および後の時点でノイズ範囲を超えて検出される場合に、調整が、より早い時点からの特徴付けにおいて陰性または不確定から陽性に診断を調整するステップを含む。

一態様では本開示は、ａ）対象由来の複数の核酸試料を提供するステップであって、試料が連続した時点で収集される、ステップ；ｂ）試料由来のポリヌクレオチドを配列決定するステップ；ｃ）各試料中のポリヌクレオチド内の複数の体細胞変異体それぞれの定量測定を決定するステップ；ｄ）連続した時点の少なくとも１つでゼロではない量で存在するこれらの体細胞変異について連続した時点のそれぞれにおける体細胞変異体の相対量をグラフに表すステップ；およびｅ）遺伝子的に類似している対象の群由来の変異体を関連付け、遺伝子的に類似している対象についての過去の処置データに基づいて処置勧告を作成するステップを含む方法を提供する。

一態様では本開示は、遺伝子分析機によって作成されたデータからがん処置を勧告するための方法であって、がんを患っている人の集団から遺伝子プロファイルが適合している１人または複数人の対象を特定するステップおよび適合している対象由来の過去の処置データを検索するステップ；および適合している対象の前病歴に基づき、最良の処置選択肢を特定するステップ；紙のまたは電子的な患者検査レポートに勧告を与えるステップを含む、方法を提供する。一部の実施形態では方法は、疾患負担を推測するために体液に基づく検査で検出されたゲノム変化の大きさの組合せを使用するステップを含む。一部の実施形態では方法は、疾患負担を推測するために、検出された変異の対立遺伝子割合、対立遺伝子の不均衡、または遺伝子特異的適用範囲を使用するステップを含む。一部の実施形態では全体のスタック高は、個体における全体の疾患負担または疾患負担スコアを表している。一部の実施形態では各ゲノム変化を表すために異なる色が使用される。一部の実施形態では、検出された変化のサブセットだけがプロットされる。一部の実施形態ではサブセットは、ドライバーの変化である可能性、または処置への応答の増大もしくは低減との関連に基づいて選択される。一部の実施形態では方法は、ゲノム検査についての検査レポートを作成するステップを含む。一部の実施形態では非線形スケールは、それぞれの代表的なゲノム変化の高さまたは幅を表すために使用される。一部の実施形態では、以前の検査の点のプロットがレポートに表される。一部の実施形態では方法は、各検査結果の変化率および／または定量精度に基づいて疾患の進行または寛解を推定するステップを含む。一部の実施形態では方法は、介入検査点の間での治療介入を表示するステップを含む。
本発明は、例えば、以下の項目を提供する。
（項目１）
治療応答予測因子を作成するための方法であって、
遺伝子分析機を使用して、遺伝子情報を作成するステップ；
疾患を有する複数の個体それぞれについての、（１）第１の時点で作成された個体由来の遺伝子情報、および（２）第２の、後の時点で判定された１つまたは複数の治療介入への前記個体の処置応答を含む訓練用データセットをコンピュータメモリに受け取るステップ；および
前記データセットを使用して機械学習アルゴリズムを履行して、少なくとも１つのコンピュータ履行分類アルゴリズムを作成するステップであって、前記分類アルゴリズムが対象由来の遺伝子情報に基づいて、前記対象の治療応答を予測する、ステップ
を含む、方法。
（項目２）
前記機械学習アルゴリズムが、サポートベクターマシン、ランダムフォレスト、最近隣分析、線形回帰、二分決定木、判別分析、ロジスティック分類指標およびクラスター分析から選択される教師ありまたは教師なし学習アルゴリズムからなる群から選択される、項目１に記載の方法。
（項目３）
２回またはそれより多くの時点での検査に基づいて腫瘍発達の方向性を予測するステップを含む、項目１に記載の方法。
（項目４）
作成された予測が、遠隔転移発達の確率を決定するステップを含む、項目１に記載の方法。
（項目５）
前記訓練用データセットが、がんのステージ、外科的手技の種類、年齢、腫瘍のグレード、腫瘍浸潤の深度、術後合併症の発生および血管侵入の存在からなる群から選択される臨床データをさらに含む、項目１に記載の方法。
（項目６）
前記遺伝子情報が、がん細胞のゲノム構成を定義する変数を含む、項目１に記載の方法。
（項目７）
前記遺伝子情報が、単一の播種性がん細胞のゲノム構成を定義する変数を含む、項目１に記載の方法。
（項目８）
前記訓練用データセットを前処理するステップを含む、項目１に記載の方法。
（項目９）
前記訓練用データセットを前処理するステップが、提供されたデータをクラス条件付き確率に変換するステップを含む、項目８に記載の方法。
（項目１０）
前記遺伝子情報が、前記個体由来の無細胞ＤＮＡ中の１つまたは複数の遺伝子座からの配列または存在量データを含む、項目１に記載の方法。
（項目１１）
前記処置応答が、第２の、後の時点で作成された前記個体由来の遺伝子情報を含む、項目１に記載の方法。
（項目１２）
疾患状態が、がんであり、前記遺伝子分析機が、ＤＮＡ配列決定装置である、項目１に記載の方法。
（項目１３）
遺伝子分析機を使用して、対象についての遺伝子情報を作成するステップ；
前記遺伝子情報を含む検査データセットをコンピュータメモリに受け取るステップ；および
コンピュータ履行分類アルゴリズムを履行するステップであって、前記分類アルゴリズムが、前記遺伝子情報に基づいて、治療介入への前記対象の治療応答を予測する、ステップ
を含む方法。
（項目１４）
腫瘍の発達を予測するステップを含む、項目１３に記載の方法。
（項目１５）
遠隔転移の発達を予測するステップを含む、項目１３に記載の方法。
（項目１６）
前記訓練用データセットが、がんのステージ、外科的手技の種類、年齢、腫瘍のグレード、腫瘍浸潤の深度、術後合併症の発生および血管侵入の存在からなる群から選択される変数をさらに含む、項目１３に記載の方法。
（項目１７）
前記遺伝子情報が、がん細胞のゲノム構成を定義する変数を含む、項目１３に記載の方法。
（項目１８）
前記遺伝子情報が、単一の播種性がん細胞のゲノム構成を定義する変数を含む、項目１３に記載の方法。
（項目１９）
前記検査データセットを前処理するステップを含む、項目１３に記載の方法。
（項目２０）
前記検査データセットを前処理するステップが、提供されたデータをクラス条件付き確率に変換するステップを含む、項目１９に記載の方法。
（項目２１）
２０個またはそれより少ない変数が選択される、項目１３に記載の方法。
（項目２２）
１０個またはそれより少ない変数が選択される、項目１３に記載の方法。
（項目２３）
前記分類アルゴリズムが、人工神経ネットワークを用いる、項目１３に記載の方法。
（項目２４）
前記人工神経ネットワークが、ベイジアンフレームワークを使用して訓練される、項目２３に記載の方法。
（項目２５）
対象の疾患状態を分析するための方法であって、
２回またはそれより多くの時点での対象の遺伝子情報についてのデータを遺伝子分析機から受け取るステップ；
前記２回またはそれより多くの時点からの前記情報を使用して、前記対象の遺伝子情報の特徴付けにおいて調整された検査結果を作成するステップ；
遺伝子情報に適合している対象を集団から特定するステップ；および
遺伝子情報に適合している対象の過去の処置に基づいて処置を勧告するステップ
を含む、方法。
（項目２６）
最新の配列リードを過去の配列リードと比較するステップおよびそれにより診断の確度指標を更新するステップを含む、項目２５に記載の方法。
（項目２７）
最新の配列リードについての信頼区間を作成するステップを含む、項目２５に記載の方法。
（項目２８）
前記信頼区間を１つまたは複数の過去の信頼区間と比較するステップおよび重複する信頼区間に基づいて疾患進行を判定するステップを含む、項目２５に記載の方法。
（項目２９）
第１の時点からの情報が第２の時点からの情報を確認する場合に、後続のまたは以前の特徴付けにおいて診断の確度指標を増加させるステップを含む、項目２５に記載の方法。（項目３０）
特徴付けが、前記対象由来の試料中のＤＮＡからの配列リードの収集物で検出される１つまたは複数の遺伝子変種の出現頻度を決定するステップを含み、調整された検査結果を作成するステップが、遺伝子情報に適合している前記対象につき２回またはそれより多くの時点での前記１つまたは複数の遺伝子変種の出現頻度を比較するステップを含む、項目２５に記載の方法。
（項目３１）
特徴付けが、適合している対象由来の試料中のＤＮＡからの配列リードの収集物から検出される１つまたは複数の遺伝子座でのコピー数多型の量を決定するステップを含み、調整された検査結果を作成するステップが、前記２回またはそれより多くの時点での量を比較するステップを含む、項目２５に記載の方法。
（項目３２）
特徴付けが、健康または疾患の診断を行うステップを含む、項目２５に記載の方法。
（項目３３）
遺伝子情報が、疾患関連またはがん関連遺伝子変種を含むゲノムの一部分由来の配列データを含む、項目２５に記載の方法。
（項目３４）
２回またはそれより多くの時点での前記対象由来の試料におけるポリヌクレオチドのリード深度を増大させることによって、遺伝子変種を検出する感度を上昇させるステップを含む、項目２５に記載の方法。
（項目３５）
特徴付けが、前記対象由来の試料中の疾患ポリヌクレオチドの存在の診断を行うステップを含み、同じ遺伝子変種が複数の試料採取例または時点のノイズ範囲に検出される場合に、調整が、陰性または不確定から陽性に診断を調整するステップを含む、項目２５に記載の方法。
（項目３６）
特徴付けが、前記対象由来の試料中の疾患ポリヌクレオチドの存在の診断を行うステップを含み、同じ遺伝子変種がより早い時点でノイズ範囲内に、および後の時点でノイズ範囲を超えて検出される場合に、調整が、より早い時点からの特徴付けにおいて陰性または不確定から陽性に診断を調整するステップを含む、項目２５に記載の方法。
（項目３７）
ａ）対象由来の複数の核酸試料を提供するステップであって、前記試料が連続した時点で収集される、ステップ；
ｂ）前記試料由来のポリヌクレオチドを配列決定するステップ；
ｃ）各試料中の前記ポリヌクレオチド内の複数の体細胞変異体それぞれの定量測定を決定するステップ；
ｄ）前記連続した時点の少なくとも１つでゼロではない量で存在するような体細胞変異について連続した時点のそれぞれにおける体細胞変異体の相対量をグラフに表すステップ；および
ｅ）遺伝子的に類似している対象の群由来の変異体を関連付け、前記遺伝子的に類似している対象についての過去の処置データに基づいて処置勧告を作成するステップ
を含む方法。
（項目３８）
遺伝子分析機によって作成されたデータからがん処置を勧告するための方法であって、
がんを患っている人の集団から遺伝子プロファイルが適合している１人または複数人の対象を特定するステップおよび適合している対象由来の過去の処置データを検索するステップ；および
前記適合している対象の前病歴に基づき、最良の処置選択肢を特定するステップ；
紙のまたは電子的な患者検査レポートに勧告を与えるステップ
を含む、方法。
（項目３９）
疾患負担を推測するために体液に基づく検査で検出されたゲノム変化の大きさの組合せを使用するステップを含む、項目３８に記載の方法。
（項目４０）
前記疾患負担を推測するために、検出された変異の対立遺伝子割合、対立遺伝子の不均衡、または遺伝子特異的適用範囲を使用するステップを含む、項目３８に記載の方法。
（項目４１）
全体のスタック高さが個体における全体の疾患負担または疾患負担スコアを表している、項目３８に記載の方法。
（項目４２）
各ゲノム変化を表すために異なる色が使用される、項目３８に記載の方法。
（項目４３）
検出された変化のサブセットだけがプロットされる、項目３８に記載の方法。
（項目４４）
サブセットが、ドライバーの変化である可能性、または処置への応答の増大もしくは低減との関連に基づいて選択される、項目４３に記載の方法。
（項目４５）
ゲノム検査についての検査レポートを作成するステップを含む、項目３８に記載の方法。
（項目４６）
非線形スケールが、それぞれの代表的なゲノム変化の高さまたは幅を表すために使用される、項目３８に記載の方法。
（項目４７）
以前の検査の点のプロットが、前記レポートに表される、項目３８に記載の方法。
（項目４８）
各検査結果の変化率または定量精度に基づいて疾患の進行または寛解を推定するステップを含む、項目３８に記載の方法。
（項目４９）
介入検査点の間での治療介入を表示するステップを含む、項目３８に記載の方法。

本開示の他の目的は、後続の明細書および特許請求の範囲を読むことによって当業者に明らかになり得る。
参照による組込み

本明細書において述べられるすべての刊行物、特許および特許出願は、それぞれ個々の刊行物、特許または特許出願が参照により組み込まれることが具体的および個別に示されたのと同程度に参照により本明細書に組み込まれる。

本開示の新規な特徴は、添付の特許請求の範囲に具体的に記載される。本開示の特性および有利点のより良い理解は、本開示の原理が利用される例示的実施形態を記載する以下の詳細な記載および添付の図を参照することによって得られる。

図１Ａは、例示的集団に基づく遺伝子がん処置システムを示す図である。

図１Ｂは、例示的レコメンダ集団に基づく遺伝子がん処置を示す図である。

図１Ｃは、検査結果に合わせて処置を勧告するための例示的システムを示す図である。

図１Ｄは、ＤＮＡ配列のリーディングにおける誤差率およびバイアスを低減し、集団検査結果に基づいてユーザーのために遺伝レポートを作成するための例示的工程を示す図である。

図２Ａ～２Ｂは、ユーザーに遺伝子検査結果をレポートし、集団データに基づいて処置を勧告するために例示的工程を示す図である。図２Ａ～２Ｂは、ユーザーに遺伝子検査結果をレポートし、集団データに基づいて処置を勧告するために例示的工程を示す図である。

図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。図２Ｃ～２Ｉは、例示的遺伝子検査レポートから書かれている内容を示す図である。

図３Ａ～３Ｂは、変異を検出し、検査結果をユーザーにレポートするための例示的工程を示す図である。図３Ａ～３Ｂは、変異を検出し、検査結果をユーザーにレポートするための例示的工程を示す図である。

発明の詳細な説明
がんは、がんの種類の多さおよび具体的な種類のがんが個体においてどのように顕在化するかの両方に関して特に不均質な疾患である。このため、所与の患者のための最良の処置過程を予測することは困難である。本開示は、がん患者に対する治療結果を改善するためのシステムおよび方法を提供する。

図１Ａを参照して、集団に基づく遺伝子がん処置システムが示されている。一実施形態ではシステムは、がん対象または患者の集団から病歴無細胞ＤＮＡ（ｃｆＤＮＡ）を取り出す（２）。取り出すことは、処置を受けている患者からまたは健常者から捕捉された遺伝子データを使用して行われる。データの取り出しが行われると、システムは、過去の成果に基づいておよび対象／患者の遺伝子特徴に処置を適合させることによって処置を勧告できる。最初にシステムは、遺伝子特徴を含む対象判定基準を得る（４）。次にシステムは、類似の遺伝子特徴を有する類似の対象を特定する（６）。次いでシステムは、これらの類似する対象から成功する処置を特定する（８）。類似する対象に対する過去の処置および結果に基づいて、システムは現在の対象のために勧告される処置を特定する（１０）。

次にシステムは、処置工程を反復的にモニターする。これは、後続の遺伝子のリーディングを通じて行われる（１２）。リーディングに基づいてシステムは、最良の適合処置を特定し、成果および後続の遺伝子分析に基づいて処置を勧告する（１４）。次いでシステムは、患者がポジティブな結果を有するかどうかを追跡する（１６）。患者が治癒しない場合、追加的処置が１２にループバックすることによる勧告に基づいて行われるか、そうでなければ患者は放免される（１８）。

図１Ｂは、例示的レコメンダ（ｒｅｃｏｍｍｅｎｄｅｒ）２９０を示す。このシステムでは、臨床情報２１０はデータベースアレイに保存される。例えばシステムは、医師および検査室からの患者情報をこのデータベースに保存できる。ゲノム配列などのテキストデータ２２０および各患者についての組織学的レポートも捕捉される。例えばデータは、多次元がんゲノムデータセットの双方向調査のためのオープンアクセスリソースであり、２０のがん研究から５，０００個を超える腫瘍試料由来のデータへのアクセスを現在提供しているｃＢｉｏＣａｎｃｅｒＧｅｎｏｍｉｃｓＰｏｒｔａｌ（ｈｔｔｐ：／／ｃｂｉｏｐｏｒｔａｌ．ｏｒｇ）由来であってよい。ｃＢｉｏＣａｎｃｅｒＧｅｎｏｍｉｃｓＰｏｒｔａｌは、複雑なゲノムデータと、分子プロファイルおよび大規模がんゲノミクスプロジェクト由来の臨床特性への迅速、直感的および高品質のアクセスを必要としているがん研究者らとの間の障壁を顕著に低下させており、研究者らがこれらの豊富なデータセットを生物学的洞察および臨床応用に転換できるようにしている。ＣＴスキャンなどの画像データ２３０は、ＭＲＩスキャン、超音波スキャン、骨スキャン、ＰＥＴスキャン、骨髄検査、バリウムＸ線、内視鏡検査、リンパ管造影、ＩＶＵ（静脈性尿路造影）またはＩＶＰ（ＩＶ腎盂造影）、腰椎穿刺、膀胱鏡検査、免疫学的検査（抗マリグニン抗体スクリーニング）およびがんマーカー検査などの他の情報と共に捕捉されてよい。次いで特徴はエクストラクタ２４０によって抽出される。次いで特性は、神経ネットワーク２５０、ベクターマシン２６０および隠れマルコフマシン（ＨＭＭ）２７０などの１つまたは複数の分類指標によって使用されてよい。一部の実施形態では神経ネットワークは、ベイジアンフレームワークを使用して訓練される。次いで分類指標の出力は、推論ユニットまたはエンジン２８０に提供される。結果はレコメンダ２９０の出力として提供され、その結果は図１Ｃのレポート作成器２１によってレポートにおいて使用される。一部の実施形態では上記カテゴリーの２つまたはそれより多くからのデータは、単一のカテゴリーからのデータよりもさらに安定な分類を作成するために利用されてよい。

一部の実施形態では構築されていないテキストは、入手可能な組織学的レポートから取得される。テキストは、塩基多型を低減するために最初に正規化される：アクロニム、数および大きさの形式は標準化され、関連略号は展開され、異綴語は共通形式にマッピングされ、任意の無情報文字列は除去される。正規化ルールのセットは通常の表現を使用してコードされ、単純な検索置換操作を使用して履行される。

一部の実施形態は、塩基品質、マッピング品質、鎖バイアスおよびテール距離などの他の利用可能な情報から利益を得る一方で、検証された体細胞変異試料で訓練された特性に基づく分類指標を使用する。対での正常／腫瘍バムファイルが与えられると、実施形態は各候補部位が体細胞性である確率を出力する。本明細書に記載のシステムおよび方法を通じて、本開示は、治療介入への処置応答を分類し、次に所与の個体が具体的な分類（例えば、処置に応答性、処置に非応答性または完全応答性もしくは部分応答性などの応答の具体的なレベル）に該当するかどうかを判定する方法を提供する。

一部の実施形態では方法は、（ａ）複数の異なるクラスを提供するステップであって、各クラスが特徴（例えば、１つまたは複数のコホート由来）を共有する対象のセットを表す、ステップ；（ｂ）クラスそれぞれに属する複数の試料それぞれ由来の無細胞ＤＮＡ分子の代表的な多パラメーターモデルを提供するステップであって、それにより訓練用データセットを提供する、ステップ；および（ｃ）１つまたは複数の訓練された分類指標を作るために訓練用データセットで学習アルゴリズムを訓練するステップであって、訓練された各分類指標が検査試料を複数のクラスの１つまたは複数に分類する、ステップを含む訓練された分類指標を作るために提供される。

例として、訓練された分類指標は、ランダムフォレスト、神経ネットワーク、サポートベクターマシンおよび線形分類指標からなる群から選択される学習アルゴリズムを使用できる。複数の異なるクラスそれぞれは、健常、乳がん、結腸がん、肺がん、膵臓がん、前立腺がん、卵巣がん、メラノーマおよび肝がんからなる群から選択されてよい。

訓練された分類指標は、対象由来の試料の分類方法に適用されてよい。この分類方法は、（ａ）対象由来の検査試料から無細胞ＤＮＡ分子の代表的な多パラメーターモデルを提供するステップ；および（ｂ）訓練された分類指標を使用して検査試料を分類するステップを含んでよい。検査試料が１つまたは複数のクラスに分類された後、対象での治療介入は試料の分類に基づいて実施されてよい。

一部の実施形態では訓練セットは、神経ネットワークまたはサポートベクターマシンなどの機械学習ユニットに提供される。訓練セットを使用して機械学習ユニットは、１つまたは複数の治療介入への処置応答に従って試料を分類するためのモデルを作成できる。これは、「呼び出し（ｃａｌｌｉｎｇ）」とも称される。開発されたモデルは、検査ベクターの任意の部分からの情報を採用することができる。

一部の実施形態では、いくつかの個体の集団由来のＤＮＡは、多重アレイのセットによって分析されてよい。各多重アレイについてのデータは、その具体的なアレイに含有される情報を使用して自己正規化されてよい。この正規化アルゴリズムは、２色チャネルにおいて観察された名目強度変動、チャネル間のバックグラウンド差異、および色素間のクロストーク可能性について調整されてよい。次いで各塩基位置の挙動は、ＳＮＰ遺伝子型判定でのいくつかの生物学的経験則を組み込んでいるクラスター形成アルゴリズムを使用してモデル化されてよい。３個より少ないクラスターが観察される場合（例えば、低いマイナーな対立遺伝子出現頻度のため）、欠損しているクラスターの場所および形状は、神経ネットワークを使用して推定できる。クラスターの形状およびそれら相互の相対的距離に依存して、統計的スコアが考案できる（訓練スコア）。ＧｅｎＣａｌｌＳｃｏｒｅなどのスコアは、ヒト専門家の視覚的および経験的システムによって行われる評価を模倣するように設計される。さらに、これは上下鎖由来の遺伝子型判定データを使用して進化される。このスコアは、訓練スコアを作るためにいくつかのペナルティー項（例えば、低強度、既存と予測のクラスター間のミスマッチ）と組み合わされてよい。クラスター位置および各ＳＮＰについての形状と共に訓練スコアは、呼び出しアルゴリズムによる使用のために保存される。

治療応答を呼び出すために呼び出しアルゴリズムは、疾患または状態を有する複数の個体の遺伝子情報および処置応答を利用してよい。データは、（クラスター形成アルゴリズムについてと同じ手順を使用して）最初に正規化されてよい。呼び出し操作（分類）は、例えばベイジアンモデルを使用して実施されてよい。各呼び出しについてスコア、呼び出しスコアは、訓練スコアとデータ対モデルフィットスコアとの積であってよい。すべての処置応答をスコア化した後、アプリケーションは合成スコアを計算できる。

一部の実施形態では訓練用データセットは、がんのステージ、外科的手技の種類、年齢、腫瘍のグレード、腫瘍浸潤の深度、術後合併症の発生および血管侵入の存在からなる群から選択される臨床データを含む。一部の実施形態では訓練用データセットは、提供されたデータをクラス条件付き確率に変換することを含んで前処理される。

別の実施形態は、各患者についての組織学的レポートのコーパスにおけるワード出現に基づいて、各がんステージカテゴリーについての統計的分類指標、具体的にはサポートベクターマシンを訓練するために機械学習技法を使用する。次いで新規レポートは、最も可能性が高いステージに従って分類されてよく、集団ステージ分けデータの収集および分析を促進する。
・サポートベクターマシン（ＳＶＭ）パッケージの形式へのデータの変換
・データ上でのスケーリング実施
・ＲＢＦカーネルを考慮
・最良のパラメーターＣおよびγを見出すためのクロス検証を使用
・訓練セット全体を訓練するために最良のパラメーターＣおよびγを使用
・検査
・患者データでの始動
本実施形態は、Ｃでのサポートベクターマシン（ＳＶＭ）のオープンソース実装であるＳＶＭ^{ｌｉｇｈｔ}を使用する。プログラムの主な特性は次のとおり：
高速最適化アルゴリズム
実現可能な最急降下に基づいた作業設定選択
「縮小」発見的
カーネル評価のキャッシング
線形の場合でのフォールディングの使用
分類および回帰課題の解決。多変数および構造化された出力のためにＳＶＭｓｔｒｕｃｔを使用
順位付け課題の解決（例えば、ＳＴＲＩＶＥＲ検索エンジンでの検索機能を学習）。
誤差率、精度および再現率のＸｉＡｌｐｈａ推定を計算
誤差率、精度および再現率のＬｅａｖｅ－Ｏｎｅ－Ｏｕｔ推定を効率的に計算
ラージ変換ＳＶＭ（ＴＳＶＭ）（スペクトルグラフ変換器も参照されたい）を近似的に訓練するためのアルゴリズムを含む
原価モデルおよび例依存的原価でＳＶＭを訓練できる
双対変数の特定ベクターからの再起動を許可
数千のサポートベクターを扱う
数十万の訓練例を扱う
標準的カーネル関数を支持、およびユーザー自身のものをユーザーに定義させる
スパースベクター提示を使用

一部の実施形態では機械学習アルゴリズムは、サポートベクターマシン、ランダムフォレスト、最近隣分析、線形回帰、二分決定木、判別分析、ロジスティック分類指標およびクラスター分析から選択される教師ありまたは教師なし学習アルゴリズムからなる群から選択される。

次に図１Ｃを参照して、がん検査結果およびそれによる処置選択肢をレポートするためのレポート作成器２１を含むシステムが模式的に例示される。レポート作成器システムは、通信回線を通じた遠隔データサイトまたは検査室２２、医療行為／ヘルスケア提供者（処置専門家）２４および／または患者／対象２６、との直接通信を確立するように構成された中央データ処理システムであってよい。検査室２２は、医療検査室、診断検査室、医療施設、医療行為、ポイントオブケア検査デバイスまたは対象臨床情報を作成できる任意の他の遠隔データサイトであってよい。対象臨床情報は、これだけに限らないが、臨床検査データ、Ｘ線データ、診察および診断を含む。ヘルスケア提供者または診療所２６は、医師、看護師、在宅医療者、技師および医師の補助者などの医療サービス提供者を含み、診療所はヘルスケア提供者が配属された任意の医療ケア施設である。ある特定の場合では、ヘルスケア提供者／診療所は、遠隔データサイトでもある。がん処置実施形態では対象は、特にがんに罹患していてよい。

がん対象２６についての他の臨床情報は、当業者が容易に特定できる具体的ながんに方向付けられた臨床検査、画像化または医学的手順の結果を含む。がんについての臨床情報の適切な提供源の一覧として、これだけに限らないが、ＣＴスキャン、ＭＲＩスキャン、超音波スキャン、骨スキャン、ＰＥＴスキャン、骨髄検査、バリウムＸ線、内視鏡検査、リンパ管造影、ＩＶＵ（静脈性尿路造影）またはＩＶＰ（ＩＶ腎盂造影）、腰椎穿刺、膀胱鏡検査、免疫学的検査（抗マリグニン抗体スクリーニング）およびがんマーカー検査が挙げられる。

対象２６の臨床情報は、検査室２２から手動でまたは自動的に得ることができる。システムの簡潔さのために情報は、既定のまたは一定の時間間隔で自動的に得られる。一定の時間間隔は、検査室データの収集が時間、日、週、月、年などの時間測定に基づいて本明細書に記載の方法およびシステムによって自動的に行われる時間間隔を指す。本発明の一実施形態ではデータの収集および処理は、少なくとも１日１回行われる。一実施形態ではデータの伝達および収集は、毎月１回、２週間ごとまたは週に１回または２、３日に１回行われる。代替的に情報の検索は、既定のしかし一定ではない時間間隔で行われてよい。例えば第１の検索ステップは１週間後に行われてよく、第２の検索ステップは１ヵ月後に行われてよい。データの伝達および収集は、管理される障害の性質ならびに対象の必要とされる検査および診察の頻度に従ってカスタマイズされてよい。

図１Ｄは、腫瘍応答マップおよび関連する変化の概要を含む、遺伝レポートを作成するための例示的工程を示す。この工程は、がんに関連する新たなゲノム変化を確実に検出するために必要であるよりも数桁高い場合がある誤差率およびバイアスを低減する。工程は、最初に遺伝子材料の供給源として体液試料（例えば、血液、血清、血漿、尿、脳脊髄液、唾液、便、リンパ液、滑膜液、嚢胞液、腹水、胸水、羊水、絨毛膜絨毛試料、着床前胚由来の液、胎盤試料、洗浄および頸部膣液、間質液、頬スワブ試料、痰、気管支洗浄、Ｐａｐスメア試料、または眼液）を収集することによって遺伝子情報を捕捉し、次いで工程は材料を配列決定する（７１）。例えば試料中のポリヌクレオチドは、配列決定されてよく、複数の配列リードを作成する。ポリヌクレオチドを含む試料中の腫瘍負荷は、試料から生成された配列リードの総数に対する、変種を保有する配列リードの相対的な数として推定できる。同様に、コピー数変種の場合、腫瘍負荷は、検査および対照遺伝子座での配列リードの総数の相対的過剰（遺伝子重複の場合）または相対的欠乏（遺伝子削減の場合）として推定できる。そのため例えばランは、癌遺伝子遺伝子座にマッピングされた１０００個のリードを作成でき、その９００個は野生型に対応し、１００個はこの遺伝子でのコピー数変種を示すがん変異体に対応する。一部の実施形態では遺伝子情報は、がん細胞のゲノム構成または単一の播種性がん細胞のゲノム構成を定義する変数を含む。一部の実施形態では遺伝子情報は、個体由来の無細胞ＤＮＡ中の１つまたは複数の遺伝子座からの配列または存在量データを含む。例示的標本収集物および遺伝子材料の配列決定についてのさらなる詳細は、下の図３Ａ～３Ｂに考察されている。

次に遺伝子情報は、処理される（７２）。次いで遺伝子変種は、特定される。遺伝子変種は、配列変種、コピー数変種およびヌクレオチド修飾変種を含む。配列変種は、遺伝子ヌクレオチド配列における変動である。コピー数変種は、ゲノムの一部分のコピー数における野生型からの逸脱である。遺伝子変種は、例えば単一ヌクレオチド多型（ＳＮＰ）、挿入、欠失、逆位、塩基転換、移行、遺伝子融合、染色体融合、遺伝子短縮化、コピー数多型（例えば、異数性、部分異数性、倍数性、遺伝子増幅）、核酸化学的修飾での異常な変化、エピジェネティックなパターンでの異常な変化および核酸メチル化での異常な変化を含む。次いで工程は、遺伝子材料を含有する試料中の遺伝子変種の出現頻度を決定する。この工程はノイズが多いことから、工程はノイズから情報を分離する（７３）。遺伝子変種の検出感度は、ポリヌクレオチドのリード深度を増大させることによって上昇させることができる（例えば、２回またはそれより多くの時点での対象由来の試料においてより大きなリード深度で配列決定することによる）。

配列決定方法は、誤差率を有する。例えばＩｌｌｕｍｉｎａのｍｙＳｅｑｓｙｓｔｅｍは、１桁台前半の数字での誤差率パーセントを生じる場合がある。したがって１０００個の配列リードの遺伝子座へのマッピングについて、約５０個のリード（約５％）が誤差を含むことが予測され得る。ＷＯ２０１４／１４９１３４（TalasazおよびEltoukhy）に記載のものなどのある特定の方法論は、誤差率を顕著に低減できる。誤差は、試料中に低レベルで存在するがん由来のシグナルを不明瞭にし得るノイズを作る。したがって試料が腫瘍負荷を配列決定システム誤差率付近のレベル、例えばおよそ０．１％～５％で有する場合、がんによる遺伝子変種に対応するシグナルを、ノイズによるものと識別することは困難である可能性がある。

がんの診断は、ノイズの存在下であっても遺伝子変種を分析することによって行うことができる。分析は、配列変種の出現頻度またはＣＮＶのレベルに基づくことができ（７４）、ノイズ範囲で遺伝子変種を検出するための診断確度指標またはレベルは確立できる（７５）。

次に工程は、診断確度を増加させる。これは、診断の確度を増加させるために複数の測定値を使用して（６）、または代替的にがんが進行している、寛解にあるもしくは安定しているかどうかを判定する複数の時点（例えば、２、３、４、５、６、７、８、９、１０回またはそれより多くの時点）での測定値を使用して（７７）行うことができる。診断的確度は、疾患状態を特定するために使用できる。例えば対象から採取された無細胞ポリヌクレオチドは、正常細胞由来のポリヌクレオチドおよびがん細胞などの疾患細胞由来のポリヌクレオチドを含む場合がある。がん細胞由来のポリヌクレオチドは、体細胞変異およびコピー数変種などの遺伝子変種を保有している場合がある。対象由来の試料からの無細胞ポリヌクレオチドを配列決定すると、これらのがんポリヌクレオチドは配列変種としてまたはコピー数変種として検出される。無細胞ポリヌクレオチドの試料中の腫瘍ポリヌクレオチドの相対量は、「腫瘍負荷」と称される。

パラメーターの測定は、それらがノイズ範囲にあるかどうかにかかわらず、信頼区間を有して提供されてよい。経時的に検査されると、信頼区間を経時的に比較することによってがんが進行している、安定しているまたは寛解にあるかどうかを判定できる。信頼区間が重複しない場合、これは疾患の方向性を示している。

次に工程は、遺伝レポート／診断を作成する。最初に工程は、類似する遺伝子プロファイルを有する集団から過去の処置を検索する（７８）。工程は、変異傾向を示す複数の測定値について遺伝子グラフを作成すること（７９）ならびに処置結果および選択肢を示すレポートを作成すること（８０）を含む。

１つの適用は、がんの検出である。多数のがんが本明細書に記載の方法およびシステムを使用して検出できる。がん細胞は、多くの細胞と同様に、古い細胞が死に、より新しい細胞によって置き換えられる代謝回転速度によって特徴付けられ得る。一般に死細胞は、所与の対象の血管系との接触でＤＮＡまたはＤＮＡの断片を血流へ放出する場合がある。これは、疾患の種々のステージの際のがん細胞にも言える。がん細胞は、疾患のステージに応じて、コピー数多型および変異などの種々の遺伝子異常によっても特徴付けられる。この現象は、本明細書に記載の方法およびシステムを使用して個々のがんの存在または不在を検出するために使用できる。

例えばがんの危険を有する対象由来の血液は、採血され、無細胞ポリヌクレオチドの集団を生成するために本明細書に記載のとおり調製されてよい。一例ではこれは、無細胞ＤＮＡであってよい。本開示のシステムおよび方法は、そのある特定のがんに存在する可能性がある変異またはコピー数多型を検出するために用いられてよい。方法は、疾患の症状または他のホールマークの欠如にもかかわらず、身体におけるがん性細胞の存在の検出を補助できる。

本明細書において使用される場合、用語「がん」は、これだけに限らないが、種々の種類の悪性新生物を含み、その大部分が周囲の組織に侵入でき、異なる部位に転移する可能性がある（例えば、すべての目的のためにその全体が参照により本明細書に組み込まれるPDR Medical Dictionary、第１版（１９９５年）を参照されたい）。用語「新生物」および「腫瘍」は、正常よりさらに急速な細胞プロリファレーションによって増殖し、プロリファレーションを開始する刺激が除去された後も増殖し続ける異常組織を指す。そのような異常組織は、構造的構成および正常組織との機能的協調の部分的なまたは完全な欠如を示し、良性（良性腫瘍など）または悪性（悪性腫瘍など）のいずれかである可能性がある。がんの一般的カテゴリーの例として、これだけに限らないが、癌（例えば、一般的な形態の乳房、前立腺、肺および結腸のがんなどの上皮細胞由来の悪性腫瘍）、肉腫（結合組織または間葉系細胞由来の悪性腫瘍）、リンパ腫（造血細胞由来の悪性病変）、白血病（造血細胞由来の悪性病変）ならびに生殖細胞腫瘍（全能性細胞由来腫瘍、成人では精巣または卵巣において最もしばしば見出される；胎児、乳児および幼児では、身体正中、特に尾骨の先端で最もしばしば見出される）、芽細胞腫瘍（典型的には未成熟または胚性組織に似ている悪性腫瘍）などが挙げられる。本発明により包含されることが意図される新生物の種類の例として、これだけに限らないが、神経組織、造血組織、乳房、皮膚、骨、前立腺、卵巣、子宮、子宮頸部、肝臓、肺、脳、喉頭、胆嚢、膵臓、直腸、副甲状腺、甲状腺、副腎、免疫系、頭頸部、結腸、胃、気管支および／または腎臓のがんに伴う新生物が挙げられる。具体的な実施形態では、検出できるがんの種類および数として、これだけに限らないが、血液がん、脳がん、肺がん、皮膚がん、鼻がん、咽頭がん、肝がん、骨がん、リンパ腫、膵臓がん、皮膚がん、腸がん、直腸がん、甲状腺がん、膀胱がん、腎臓がん、口腔がん、胃がん、固形腫瘍、不均質腫瘍、均質腫瘍などが挙げられる。

がんの早期検出において、本明細書に記載のいずれのシステムおよび方法も、変異検出またはコピー数多型検出を含んでがんを検出するために利用できる。これらのシステムおよび方法は、がんを生じるまたはがんから生じる可能性がある多数の遺伝子異常を検出するために使用できる。これらは、これだけに限らないが、変異、変異、インデル、コピー数多型、塩基転換、移行、逆位、欠失、異数性、部分的異数性、倍数性、染色体不安定性、染色体構造変化、遺伝子融合、染色体融合、遺伝子短縮化、遺伝子増幅、遺伝子重複、染色体損傷、ＤＮＡ損傷、核酸化学修飾における異常な変化、エピジェネティックパターンにおける異常な変化、核酸メチル化における異常な変化、感染およびがんを含むことができる。

追加的に本明細書に記載のシステムおよび方法は、ある特定のがんの特徴付けを補助するためにも使用できる。本開示のシステムおよび方法から作成された遺伝子データは、開業医ががんの具体的な形態をより良好に特徴付けられるようにできる場合がある。しばしばがんは、組成およびステージの両方で不均質である。遺伝子プロファイルデータは、具体的な亜型の診断または処置において重要である可能性があるがんの具体的な亜型の特徴付けを可能にする場合がある。この情報は、がんの具体的な種類の予後に関する手掛かりも対象または開業医に提供できる。

本明細書で提供するシステムおよび方法は、具体的な対象における既知のがん、または他の疾患をモニターするために使用できる。これは、対象または開業医のいずれかが処置選択肢を疾患の進行に応じて適合できるようにする場合がある。この例では本明細書に記載のシステムおよび方法は、具体的な対象の疾患の経過の遺伝子プロファイルを構築するために使用できる。一部の場合ではがんは、進行し、さらに攻撃的におよび遺伝子的に不安定になる場合がある。他の例ではがんは、良性、不活性または休止状態のままである場合がある。本開示のシステムおよび方法は、疾患進行を判定することにおいて有用であり得る。

さらに本明細書に記載のシステムおよび方法は、具体的な処置選択肢の有効性を判定することにおいて有用である場合がある。一例では、処置が成功すると、より多くのがんが死滅し、ＤＮＡが排出される場合があることから、良好な処置選択肢は対象の血液中で検出されるコピー数多型または変異の量を実際に増大させることができる。他の例では、これは生じない場合がある。別の例では、おそらくある特定の処置選択肢は、がんの遺伝子プロファイルと経時的に相関する場合がある。この相関は、治療を選択することにおいて有用である場合がある。追加的にがんが処置後に寛解にあると観察される場合、本明細書に記載のシステムおよび方法は、残った疾患または疾患の再発をモニターすることにおいて有用である場合がある。

本明細書に記載の方法およびシステムは、がんだけに関連する変異およびコピー数多型の検出だけに限定されなくてよい。種々の他の疾患および感染は、早期の検出およびモニタリングが好適である可能性がある他の種類の状態を生じる場合がある。例えばある特定の場合、遺伝性障害または感染性疾患は、対象内である特定の遺伝的モザイク現象を生じる場合がある。この遺伝的モザイク現象は、観察できるコピー数多型および変異を生じる場合がある。別の例では本開示のシステムおよび方法は、身体内の免疫細胞のゲノムをモニターするためにも使用できる。Ｂ細胞などの免疫細胞は、ある特定の疾患の存在で急速なクローン増殖を受ける場合がある。クローン増殖は、コピー数多型検出を使用してモニターでき、ある特定の免疫状態をモニターできる。この例ではコピー数多型分析は、具体的な疾患がどのように進行する可能性があるかのプロファイルを作成するために経時的に実施されてよい。

さらに本開示のシステムおよび方法は、細菌またはウイルスなどの病原体によってもたらされる場合に全身性感染自体をモニターするためにも使用できる。コピー数多型またはさらに変異検出は、病原体の集団が感染の経過の際にどのように変化するかを判定するために使用できる。これは、ＨＩＶ／ＡＩＤｓまたは肝炎感染などの慢性感染症の際に、ウイルスが感染の経過の際に生活環状態を変化させ、および／またはさらに病原性の形態に変異する場合があることから特に重要である可能性がある。

本開示のシステムおよび方法が使用される場合があるさらに別の例は、移植対象のモニタリングである。一般に移植組織は、移植において身体によってある程度の拒絶を受ける。本開示の方法は、免疫細胞が移植組織を破壊しようと試みる場合に、宿主の身体の拒絶活性を判定またはプロファイルするために使用されてよい。これは、移植組織の状況のモニタリングおよび処置の経過の変更または拒絶の予防において有用である可能性がある。

さらに本開示の方法は、対象における異常な状態の不均質性を特徴付けるために使用でき、方法は対象における細胞外ポリヌクレオチドの遺伝子プロファイルを作成するステップであって、遺伝子プロファイルがコピー数多型および変異分析から生じる複数のデータを含む、ステップを含む。これだけに限らないが、がんを含む一部の場合では、疾患は不均質である場合がある。疾患細胞は、同一でない場合がある。がんの例では一部の腫瘍は、異なる種類の腫瘍細胞、がんの異なるステージにある一部の細胞を含むことが公知である。他の例では不均質性は、疾患の複数の病巣を含む場合がある。さらにがんの例では、１つまたは複数の病巣がおそらく原発部位から拡がった転移（遠隔転移としても公知）の結果である、複数の腫瘍病巣がある場合がある。

本開示の方法は、不均質な疾患における異なる細胞由来の遺伝子情報の総和であるプロファイル、フィンガープリントまたはデータのセットを作成するために使用できる。このデータのセットは、コピー数多型および変異分析を単独または組合せで含んでよい。

追加的に本開示のシステムおよび方法は、がんまたは胎児期由来の他の疾患の診断、予測、モニターまたは観察のために使用できる。すなわちこれらの方法論は、そのＤＮＡおよび他のポリヌクレオチドが母胎の分子と共に循環している可能性がある生まれる前の対象におけるがんまたは他の疾患の診断、予測、モニターまたは観察のために、妊娠中の対象において用いられてよい。

さらにこれらのレポートは、インターネットを介して電子的に提出され、アクセスされる。配列データの分析は、対象の場所以外のサイトで行われる。レポートは、作成され、対象の場所に伝達される。インターネット可能なコンピュータを介して対象は、その腫瘍負荷を示すレポートにアクセスする。

アノテートされた情報は、他の薬物処置選択肢を選択するためにおよび／または保険会社に薬物処置選択肢についての情報を提供するためにヘルスケア提供者によって使用されてよい。方法は、例えばthe NCCN Clinical Practice Guidelines in Oncology（商標）またはthe American Society of Clinical Oncology (ASCO)診療ガイドラインにある状態のために薬物処置選択肢をアノテートするステップを含んでよい。

レポートにおいて層別化される薬物処置選択肢は、追加的薬物処置選択肢を列挙することによってレポートでアノテートされてよい。追加的薬物処置は、承認適応症外使用のためのＦＤＡ承認薬であってよい。１９９３年包括的財政調整法（ＯＢＲＡ）の条項は、メディケアに標準医学一覧（standard medical compendia）に含まれる抗がん薬の承認適応症外使用を負担するように要求している。アノテートリストのために使用される薬物は、the National Comprehensive Cancer Network (NCCN) Drugs and Biologics Compendium（商標）、Thomson Micromedex DrugDex（登録商標）、Elsevier Gold Standard's Clinical Pharmacology compendiumおよびAmerican Hospital Formulary Service-Drug Information Compendium（登録商標）を含むＣＭＳ承認一覧に見出すことができる。

薬物処置選択肢は、具体的な状況の１つまたは複数の分子マーカーを有するがんを処置することにおいて有用である可能性がある実験的薬物を列挙することによってアノテートできる。実験的薬物は、ｉｎｖｉｔｒｏデータ、ｉｎｖｉｖｏデータ、動物モデルデータ、前臨床試験データまたは臨床試験データが入手可能である薬物であってよい。データは、例えば、American Journal of Medicine、Annals of Internal Medicine、Annals of Oncology、Annals of Surgical Oncology、Biology of Blood and Marrow Transplantation、Blood、Bone Marrow Transplantation、British Journal of Cancer、British Journal of Hematology、British Medical Journal、Cancer、Clinical Cancer Research、Drugs、European Journal of Cancer （以前はthe European Journal of Cancer and Clinical Oncology）、Gynecologic Oncology、International Journal of Radiation, Oncology, Biology, and Physics、The Journal of the American Medical Association、Journal of Clinical Oncology、Journal of the National Cancer Institute、Journal of the National Comprehensive Cancer Network (NCCN)、Journal of Urology、Lancet、Lancet Oncology、Leukemia、The New England Journal of MedicineおよびRadiation Oncologyを含むCMS Medicare Benefit Policy Manualに列挙される学術雑誌において見出される査読医学文献において発表されていてよい。

薬物処置選択肢は、列挙された薬物を薬物に関する科学的情報に繋ぐ電子ベースレポートにリンクを提供することによってアノテートされてよい。例えばリンクは、薬物についての臨床試験に関する情報のために提供されてよい（ｃｌｉｎｉｃａｌｔｒｉａｌｓ．ｇｏｖ）。レポートがコンピュータまたはコンピュータウェブサイトを介して提供される場合、リンクは、脚注、ウェブサイトへのハイパーリンンク、ポップアップボックスまたは情報を含むフライオーバーボックスなどであってよい。レポートおよびアノテートされた情報は、印刷された書式で提供されてよく、アノテーションは、例えば参考文献への脚注であってよい。

レポートにおいて１つまたは複数の薬物処置選択肢をアノテートするための情報は、例えば科学的情報を保管している商業実体によって提供されてよい。ヘルスケア提供者は、がん対象などの対象をアノテートされた情報に列挙された実験的薬物で処置でき、ヘルスケア提供者はアノテートされた薬物処置選択肢にアクセスでき、科学的情報を検索でき（例えば、医学雑誌の論文を印刷する）、薬物処置の提供についての還付のための依頼書と共にそれを保険会社に提出（例えば、印刷された雑誌の論文）できる。医師は、還付を可能にするためのさまざまな診断関連群（ＤＲＧ）コードのいずれも使用できる。

レポートにおける薬物処置選択肢は、薬物が影響を与える経路における他の分子構成成分に関する情報でアノテートされてもよい（例えば、薬物標的である細胞表面受容体の下流のキナーゼを標的化する薬物についての情報）。薬物処置選択肢は、１つまたは複数の他の分子経路構成成分を標的化する薬物についての情報でアノテートされてよい。経路に関する情報の特定および／またはアノテーションは、別の会社に外注または下請けに出されてよい。アノテートされた情報は、例えば薬物名（例えば、承認適応症外使用のためのＦＤＡ承認薬物；ＣＭＳ承認一覧に見出される薬物、および／または科学（医学）雑誌論文に記載された薬物）、１つまたは複数の薬物処置選択肢に関する科学的情報、１つまたは複数の薬物に関する科学的情報への１つまたは複数のリンク、１つまたは複数の薬物に関する臨床試験情報（例えば、ｃｌｉｎｉｃａｌｔｒｉａｌｓ．ｇｏｖ／からの情報）、薬物に関する科学的情報の引用のための１つまたは複数のリンクなどであってよい。アノテートされた情報は、レポートの任意の場所に挿入されてよい。アノテートされた情報は、レポートの複数の場所に挿入されてよい。アノテートされた情報は、階層化された薬物処置選択肢についてのセクション近くでレポートに挿入されてよい。アノテートされた情報は、階層化された薬物処置選択肢から離れた頁でレポートに挿入されてよい。階層化された薬物処置選択肢を含まないレポートは、情報でアノテートされてよい。

提供される方法は、対象（例えば、がん対象）から単離された試料（例えば、腫瘍細胞）への薬物の効果を調査するための手段も含んでよい。がん対象からの腫瘍を使用するｉｎｖｉｔｒｏ培養は、当業者に公知の技法を使用して確立できる。提供される方法は、前記ｉｎｖｉｔｒｏ培養および／または異種移植モデルを使用するＦＤＡ承認適応症外使用薬物または実験的薬物のハイスループットスクリーニングを含む場合もある。提供される方法は、再発の検出のための腫瘍抗原をモニターするステップも含んでよい。

レポートは作成され、がんを有する対象についてゲノム位置およびコピー数多型をマッピングする。これらのレポートは、既知の結果を有する対象の他のプロファイルと比較して、具体的ながんが攻撃性であり、処置に耐性であることを示すことができる。対象は、ある期間モニターされ、再検査される。その期間の最後にコピー数多型プロファイルが劇的に増加し始めた場合、これは、現在の処置が働いていないことを示している可能性がある。比較は、他の前立腺対象の遺伝子プロファイルで行われる。例えば、コピー数多型におけるこの増加が、がんが進行していることを示すと判定されると、処方された元の処置レジメンがもはやがんを処置しておらず、新たな処置が処方される。

図２Ａ～２Ｂは、遺伝レポートおよび診断を作成するための一実施形態をより詳細に示す。一履行では図２Ｂは、非ＣＮＶレポート変異体対立遺伝子出現頻度を処理するために図１Ａのシステムによって実行される例示的疑似コードを示す。しかしシステムは、ＣＮＶレポート変異体対立遺伝子出現頻度も同様に処理できる。

次に図２Ａを検討すると、工程はＤＮＡ配列決定装置から遺伝子情報を受け取る（３０）。次いで工程は、特定の遺伝子変化およびその量を決定する（３２）。次に腫瘍応答マップが作成される。マップを作成するために工程は、すべての検査点にわたってレンダーリングするために各遺伝子変化についての量を正規化し、次いで倍率を作成する（３４）。本明細書において使用される場合、用語「正規化する」は、異なるスケールで測定された値を名目上共通のスケールに調整する手段を一般に指す。例えば異なる点で測定されたデータは、すべての値が共通のスケールにサイズ変更され得るように変換／調整される。本明細書において使用される場合、用語「倍率」は、ある量を計るまたは拡大する数を一般に指す。例えば、方程式ｙ＝Ｃｘにおいて、Ｃはｘについての倍率である。Ｃはｘの係数でもあり、ｙ対ｘの比例の定数と称される場合もある。値は、視覚的に分かりやすい共通スケールにプロットできるように正規化される。倍率は、プロットされる値に対応する正確な高さを知るために使用される（例えば１０％変異体対立遺伝子出現頻度は、レポート上では例えば１ｃｍを意味する）。倍率は、すべての検査点に適用され、それにより全体の倍率であると見なされる。各検査点について工程は、情報を腫瘍応答マップにレンダーリングする（３６）。操作３６では工程は、決定された倍率を使用して変化および相対的高さをレンダーリングし（４２）、各変化について固有の視覚指標を割り当てる。応答マップに加えて工程は、変化および処置選択肢の概要を作成する。同様に具体的な遺伝子変化を補助できる臨床試験からの情報および他の有益な処置提案は、用語、検査方法論の説明と共に示され、他の情報はレポートに加えられ、ユーザーに提供される。

一履行ではコピー数多型は、グラフとしてレポートされてよく、ゲノム中の種々の位置およびそれぞれの位置でのコピー数多型の対応する増加または減少または維持を示している。追加的にコピー数多型は、無細胞ポリヌクレオチド試料中にどれだけの疾患材料（またはコピー数多型を有する核酸）が存在するかを示す百分率スコアをレポートするために使用されてよい。

これらのレポートは、インターネットを介して電子的に提出され、アクセスされる。配列データの分析は、対象の場所以外のサイトで行われる。レポートは、作成され、対象の場所に伝達される。インターネット可能なコンピュータを介して対象は、その腫瘍負荷を示すレポートにアクセスする。

次に、例示的遺伝子検査工程の詳細が開示される。次に図３Ａを検討すると、例示的工程は、血液試料または他の身体試料から遺伝子材料を受け取る（１０２）。工程は、遺伝子材料からのポリヌクレオチドをタグ付き親ヌクレオチドに変換する（１０４）。タグ付き親ヌクレオチドは、増幅後代ポリヌクレオチドを産生するために増幅される（１０６）。増幅ポリヌクレオチドのサブセットは、配列リードを作成するために配列決定され（１０８、固有のタグ付き親ヌクレオチドからそれぞれ生成されるファミリーにグループ化される（１１０）。選択された遺伝子座で工程は、各ファミリー信頼スコアを各ファミリーに割り当てる（１１２）。次にコンセンサスが過去のリーディングを使用して決定される。これは、各ファミリーについての過去の信頼スコアを再検討することによって行われ、一致する過去の信頼スコアが存在する場合、それにより最新の信頼スコアは増加される（１１４）。過去の信頼スコアはあるがそれらが一致しない場合、一実施形態では最新の信頼スコアは変更されない（１１６）。他の実施形態では信頼スコアは、一致しない過去の信頼スコアについて既定の様式で調整される。これが、ファミリーが検出された最初の場合では、最新の信頼スコアは、それらが誤ったリーディングである可能性があることから、低減される場合がある（１１８）。工程は、タグ付き親ポリヌクレオチドのセット中の遺伝子座でのファミリーの出現頻度を信頼スコアに基づいて推測できる。次いで遺伝子検査レポートは上に考察したとおり作成される（１２０）。

一部の実施形態では、検出された変化のサブセットだけがプロットされる。一部の実施形態ではサブセットは、ドライバーの変化である可能性、または処置への応答の増大もしくは低減との関連に基づいて選択される。一部の実施形態では、疾患負担を推測するために体液に基づく検査で検出されたゲノム変化の大きさの組合せが使用される。一部の実施形態では、検出された変異の対立遺伝子割合、対立遺伝子の不均衡、または遺伝子特異的適用範囲は疾患負担を推測するために使用される。一部の実施形態では全体のスタック高は、対象における全体の疾患負担または疾患負担スコアを表している。一部の実施形態では各遺伝子変種を表すために異なる色が使用される。一部の実施形態では、検出された遺伝子変種のサブセットだけがプロットされる。一部の実施形態ではサブセットは、ドライバーの変化である可能性、または処置への応答の増大もしくは低減との関連に基づいて選択される。

変異またはコピー数多型検出のための情報を増強するために経時的な情報が図３Ａ～３Ｂでは使用されたが、他の共通方法も適用できる。他の実施形態では歴史的比較が、遺伝的多型の例を検出するために具体的な参照配列への他のコンセンサス配列マッピングと共に使用される場合がある。具体的な参照配列へのコンセンサス配列マッピングは測定され、対照試料に対して正規化されてよい。参照配列への分子マッピングの測定は、コピー数が変動しているまたはヘテロ接合性が失われているゲノム中の領域を特定するためにゲノム全体で比較されてよい。共通方法は、例えばデジタル通信理論、情報理論または、バイオインフォマティクス由来のコンセンサス配列構築の線形または非線形方法（投票、平均化、統計的、最大事後もしくは最大尤度検出、動的プログラミング、ベイジアン、隠れマルコフまたはサポートベクターマシン方法など）を含む。配列リード適用範囲が判定された後、確率論的モデル化アルゴリズムは、各ウインドウ領域についての正規化核酸配列リード適用範囲を別々のコピー数状態に変換するために適用される。一部の場合では、このアルゴリズムは、次の：隠れマルコフモデル、動的プログラミング、サポートベクターマシン、ベイジアンネットワーク、トレリスデコーディング、ビタビデコーディング、期待値最大化、カールマンフィルタリング方法論および神経ネットワークの１つまたは複数を含んでよい。

人工神経ネットワーク（ＮＮｅｔ）は脳の神経構造に基づいて「ニューロン」のネットワークを模倣する。それらは、記録を１度に１個ずつまたは一括様式で処理し、記録のそれらの分類（これは最初は大部分は無作為である）を記録の既知の実際の分類と比較することによって「学習」する。ＭＬＰ－ＮＮｅｔでは、第１の記録の最初の分類からの誤差は、ネットワークにフィードバックされ、２回目にネットワークのアルゴリズムを修正するために使用され、多数の反復について同様。

神経ネットワークは、データケース（列）がネットワークに１回に１個ずつ提示される反復学習工程を使用し、入力値に関連するウエイトは毎回調整される。

すべてのケースが提示された後、工程はしばしば最初からもう一度やり直す。この学習フェーズの際に、ネットワークは、投入試料の正しい分類標識を予測できるようにウエイトを調整することによって学習する。神経ネットワーク学習は、ユニット間のコネクションから「コネクショニスト学習」とも称される。神経ネットワークの有利点として、ノイズの多いデータへのそれらの高い耐性および、それらが訓練されていないパターンを分類するそれらの能力が挙げられる。１つの神経ネットワークアルゴリズムは、レーベンバーグ・マカートなどの逆伝搬アルゴリズムである。ネットワークが具体的な適用のために構築されると、そのネットワークは訓練される準備ができている。この工程を開始するために初期ウエイトは無作為に選択される。次いで訓練または学習が始まる。

ネットワークは、隠れた層でウエイトおよび関数を使用して、訓練データ中の記録を１回に１個処理し、次いで得られた出力を望ましい出力と比較する。次いで誤差は、システムを通じて伝搬されて戻り、処理される次の記録への適用のためにシステムにウエイトを調整させる。ウエイトが継続的に微調整されることから、この工程は繰り返される。ネットワークの訓練の際にデータの同じセットは、接続ウエイトが継続的に改善されるように何度も処理される。

一実施形態では、訓練用データセットでの機械学習ユニットの訓練ステップは、検査試料に適用するための１つまたは複数の分類モデルを作成できる。これらの分類モデルは、治療介入への対象の応答を予測するために検査試料に適用されてよい。

図３Ｂに示すとおり、対照試料または参照配列との配列適用範囲の比較は、ウインドウにわたる正規化を補助できる。本実施形態では無細胞ＤＮＡは、血液などの容易に入手できる体液から抽出および単離される。例えば、無細胞ＤＮＡは、これだけに限らないが、イソプロパノール沈殿および／またはシリカベース精製を含む当技術分野において公知の種々の方法を使用して抽出されてよい。無細胞ＤＮＡは、がんを有さない対象、がんの危険を有する対象またはがんを有することが既知である対象（例えば他の手段を通じて）などの任意の数の対象から抽出されてよい。

単離／抽出ステップに続いて、任意の多数の異なる配列決定操作は、無細胞ポリヌクレオチド試料に実施されてよい。試料は、１つまたは複数の試薬（例えば、酵素、固有識別子（例えば、バーコード）、プローブなど）での配列決定前に処理されてよい。試料がバーコードなどの固有識別子で処理される一部の場合では、試料または試料の断片は、固有識別子で個々にまたはサブグループでタグ付けされてよい。次いでタグ付き試料は、個々の分子が親分子まで追跡され得る配列決定反応などの下流適用において使用できる。

無細胞ポリヌクレオチドは、具体的なポリヌクレオチドの後続の特定および由来を可能にするためにタグ付けまたは追跡されてよい。個々のまたはサブグループのポリヌクレオチドへの識別子（例えば、バーコード）の割り当ては、固有の同一性が個々の配列または配列の断片に割り当てられるようにできる場合がある。これは、個々の試料由来のデータの取得を可能にする場合があり、試料の平均に限定されない。一部の例では核酸または１本鎖由来の他の分子は、共通のタグまたは識別子を共有でき、それによりその鎖由来であることが後に特定できる。同様に、核酸の１本鎖由来のすべての断片は、同じ識別子またはタグでタグ付けされてよく、それにより親鎖由来の断片の後続の特定を可能にする。他の場合では遺伝子発現産生物（例えば、ｍＲＮＡ）は、バーコード、またはそれが付着している配列との組合せでのバーコードが計数され得ることから、発現を定量するためにタグ付けされてよい。さらに他の場合ではシステムおよび方法は、ＰＣＲ増幅対照として使用できる。そのような場合ではＰＣＲ反応由来の複数の増幅産生物が同じタグまたは識別子でタグ付けされてよい。産生物が後に配列決定され、配列差異を実証した場合、同じ識別子を有する産生物内の差異は、ＰＣＲ誤差が原因である可能性がある。追加的に個々の配列は、リード自体の配列データの特徴に基づいて特定できる。例えば、個々の配列決定リードの始め（開始）および最後（停止）部分での固有の配列データの検出は、単独でまたは個々の分子に固有の同一性を割り当てるための各配列リード固有配列の長さもしくは塩基対の数との組合せで使用されてよい。核酸の１本鎖由来の断片は、固有の同一性を割り当てられ、それにより親鎖由来の断片の後続の特定を可能にする場合がある。これは、変動を限定するための最初の出発遺伝子材料の制約と共に使用できる。

さらに、個々の配列決定リードの始め（開始）および最後（停止）部分での固有の配列データならびに配列決定リード長を使用することは、単独でまたはバーコードの使用との組合せで使用されてよい。一部の場合ではバーコードは、本明細書に記載のとおり固有であってよい。他の場合ではバーコード自体は、固有でなくてよい。この場合、個々の配列決定リードの始め（開始）および最後（停止）部分での配列データならびに配列決定リード長との組合せでの固有でないバーコードの使用は、個々の配列への固有の同一性の割り当てを可能にする場合がある。同様に、固有の同一性を割り当てられた核酸の１本鎖由来の断片は、それにより親鎖由来の断片の後続の特定を可能にする場合がある。

一般に本明細書で提供する方法およびシステムは、下流適用配列決定反応のための無細胞ポリヌクレオチド配列の調製のために有用である。しばしば配列決定方法は、古典的サンガー配列決定である。

本明細書において使用される場合、用語「配列決定」は、生体分子、例えばＤＮＡまたはＲＮＡなどの核酸の配列を決定するために使用される任意の多数の技術を指す。例示的配列決定方法として、これだけに限らないが、標的化配列決定、単分子リアルタイム配列決定、エクソン配列決定、電子顕微鏡ベース配列決定、パネル配列決定、トランジスタ媒介配列決定、直接配列決定、ランダムショットガン配列決定、サンガーダイデオキシターミネーション配列決定、全ゲノム配列決定、ハイブリダイゼーションによる配列決定、パイロシークエンシング、キャピラリー電気泳動、ゲル電気泳動、二重鎖配列決定、サイクル配列決定、単塩基伸長配列決定、固相配列決定、ハイスループット配列決定、超並列シグネチャー配列決定、エマルジョンＰＣＲ、低変性温度ＰＣＲでの同時増幅（ＣＯＬＤ－ＰＣＲ）、多重ＰＣＲ、可逆的ダイターミネーターによる配列決定、ペアエンド配列決定、ニアターム配列決定、エクソヌクレアーゼ配列決定、ライゲーションによる配列決定、ショートリード配列決定、単一分子配列決定、合成による配列決定、リアルタイム配列決定、リバースターミネーター配列決定、ナノポア配列決定、４５４配列決定、ＳｏｌｅｘａＧｅｎｏｍｅＡｎａｌｙｚｅｒ配列決定、ＳＯＬｉＤ（商標）配列決定、ＭＳ－ＰＥＴ配列決定、およびこれらの組合せが挙げられる。一部の実施形態では配列決定は、例えばＩｌｌｕｍｉｎａまたはＡｐｐｌｉｅｄＢｉｏｓｙｓｔｅｍｓから商業的に入手できる遺伝子分析機などの遺伝子分析機によって実施されてよい。一部の実施形態では配列決定方法は、超並列配列決定であってよい、すなわちポリヌクレオチド分子少なくとも１００個、１０００個、１０，０００個、１００，０００個、１００万個、１０００万個、１億個または１０億個の同時（または高速で連続した）配列決定である。

配列決定方法は、試料調製、配列リードを作成するための調製試料中のポリヌクレオチドの配列決定ならびに、試料について定量的および／または定性的遺伝子情報を作成するための配列リードのバイオインフォマティクス操作を典型的には含む。試料調製は、使用される配列決定プラットホームに適合する形態に試料中のポリヌクレオチドを変換することを典型的には含む。この変換は、ポリヌクレオチドをタグ付けすることを含んでよい。本発明のある特定の実施形態ではタグは、ポリヌクレオチド配列タグを含む。配列決定において使用される変換方法論は、効率が１００％でない場合がある。例えば、試料中のポリヌクレオチドが変換効率約１～５％で変換される、すなわち試料中のポリヌクレオチドの約１～５％がタグ付きポリヌクレオチドに変換されることは珍しくない。タグ付き分子に変換されなかったポリヌクレオチドは、配列決定のためのタグ付きライブラリーに提示されない。したがって、開始遺伝子材料中に低出現頻度で提示される遺伝子変種を有するポリヌクレオチドは、タグ付きライブラリーで提示されない場合があり、したがって配列決定または検出されない場合がある。変換効率を上昇させることによって、開始遺伝子材料中のポリヌクレオチドがタグ付きライブラリーに提示され、その結果として配列決定によって検出される確率は上昇する。さらに、ライブラリー調製の低変換効率課題に直接取り組むよりも、今日までの大部分のプロトコールは１マイクログラムより多いＤＮＡを投入材料として必要としている。しかし、投入試料材料が限られているまたは低提示でのポリヌクレオチドの検出が望ましい場合、高変換効率は、試料を効率的に配列決定できるおよび／またはそのようなポリヌクレオチドを適切に検出できる。

一般に変異検出は、精製および単離されたゲノムまたはトランスクリプトームの選択的に濃縮された領域で実施されてよい（３０２）。本明細書に記載の、これだけに限らないが遺伝子、癌遺伝子、腫瘍抑制遺伝子、プロモーター、制御配列エレメント、非コード領域、ｍｉＲＮＡ、ｓｎＲＮＡなどを含み得る特定の領域は、無細胞ポリヌクレオチドの全集団から選択的に増幅できる。これは、本明細書に記載のとおり実施されてよい。一例では多重配列決定は、個々のポリヌクレオチド配列についてのバーコード標識を伴ってまたは伴わずに使用されてよい。他の例では配列決定は、当技術分野において公知の任意の核酸配列決定プラットホームを使用して実施されてよい。このステップは、複数のゲノム断片配列リードを作成する（３０４）。追加的に参照配列は、別の対象から採取された対照試料から得られる。一部の場合では対照対象は、公知の遺伝子異常または疾患を有さないことが既知である対象であってよい。一部の場合ではこれらの配列リードは、バーコード情報を含有できる。他の例ではバーコードは利用されない。

配列決定後、リードに品質スコアが割り当てられる。品質スコアは、これらのリードが後続の分析において有用であるかどうかを閾値に基づいて示す、リードの提示であり得る。一部の場合では一部のリードは、後続のマッピングステップを行うために十分な品質または長さでない。少なくとも９０％、９５％、９９％、９９．９％、９９．９９％または９９．９９９％の品質スコアを有する配列決定リードは、データセットから除外される場合がある。他の場合では、少なくとも９０％、９５％、９９％、９９．９％、９９．９９％または９９．９９９％の品質スコアが割り当てられた配列決定リードは、データセットから除外される場合がある。ステップ３０６では、指定の品質スコア閾値に合致するゲノム断片リードが参照ゲノムまたは変異を含有しないことが公知である参照配列にマッピングされる。配列比較をマッピングした後、配列リードはマッピングスコアを割り当てられる。マッピングスコアは、各位置が一意的にマッピング可能であるかどうかを示す参照配列にマッピングバックする提示またはリードであってよい。場合により、リードは変異分析に無関係な配列であってよい。例えば一部の配列リードは、混入ポリヌクレオチド由来であってよい。少なくとも９０％、９５％、９９％、９９．９％、９９．９９％または９９．９９９％のマッピングスコアを有する配列決定リードは、データセットから除外される場合がある。他の場合では、少なくとも９０％、９５％、９９％、９９．９％、９９．９９％または９９．９９９％未満のマッピングスコアが割り当てられた配列決定リードは、データセットから除外される場合がある。

マッピング可能な各塩基について、マッピング可能性についての最小閾値に合致しない塩基または低品質塩基は、参照配列中に見出される対応する塩基によって置き換えられる場合がある。

リード適用範囲が確認され得、各リード中の対照配列と比較した変種塩基が特定されると、変種塩基の出現頻度は、変種を含有するリードの数をリードの総数で割ることによって算出できる。これは、ゲノム中のマッピング可能な各位置についての比として表現できる。

各塩基位置について４個すべてのヌクレオチド、シトシン、グアニン、チミン、アデニンの出現頻度は、参照配列と比較して分析される。確率論的または統計学的モデル化アルゴリズムは、各塩基変種についての出現頻度状態を反映するためにそれぞれのマッピング可能な位置を正規化された比に変換するために適用される。一部の場合このアルゴリズムは、次の：隠れマルコフモデル、動的プログラミング、サポートベクターマシン、ベイジアンまたは確率的モデリング、トレリスデコーディング、ビタビデコーディング、期待値最大化、カールマンフィルタリング方法論および神経ネットワークの１つまたは複数を含む場合がある。

ステップ３１２では、各塩基位置の別々の変異状態は、参照配列のベースラインと比較して高出現頻度の変動を有する塩基変種を特定するために利用できる。一部の場合ではベースラインは、少なくとも０．０００１％、０．００１％、０．０１％、０．１％、１．０％、２．０％、３．０％、４．０％５．０％、１０％または２５％の出現頻度を表す場合がある。他の場合ではベースラインは、少なくとも０．０００１％、０．００１％、０．０１％、０．１％、１．０％、２．０％、３．０％、４．０％５．０％、１０％または２５％の出現頻度を表す場合がある。一部の場合では塩基変種または変異を有するすべての近接塩基位置は、変異の存在または不在をレポートするためにセグメントに統合されてよい。一部の場合では種々の位置は、それらが他のセグメントと統合される前にフィルターされてよい。

各塩基位置についての変動の出現頻度の算出後、参照配列と比較して対象由来の配列における特異的位置についての最も大きな偏差を有する変種は、変異として特定される。一部の場合では変異は、がん変異である場合がある。他の場合では変異は、疾患状態と相関する場合がある。

変異または変種は、これだけに限らないが、単塩基置換、またはスモールインデル、塩基転換、移行、逆位、欠失、短縮化もしくは遺伝子短縮化が挙げられる遺伝子異常を含む場合がある。一部の場合では変異は、最大で長さ１、２、３、４、５、６、７、８、９、１０、１５または２０ヌクレオチドである場合がある。他の場合では変異は、長さ少なくとも１、２、３、４、５、６、７、８、９、１０、１５または２０ヌクレオチドである場合がある。

次にコンセンサスが過去のリーディングを使用して判定される。これは、対応する塩基についての過去の信頼スコアを再検討することによって行われ、一致する過去の信頼スコアが存在する場合、それにより最新の信頼スコアは増加される（３１４）。過去の信頼スコアはあるがそれらが一致しない場合、一実施形態では最新の信頼スコアは変更されない（３１６）。他の実施形態では信頼スコアは、一致しない過去の信頼スコアについて既定の様式で調整される。これが、ファミリーが検出される最初の場合では、最新の信頼スコアは、それらが誤ったリーディングである可能性があることから、低減される場合がある（３１８）。次いで工程は、各塩基あたりの変動の出現頻度を各塩基位置について別々の変種状態に変換する（３２０）。

多数のがんが本明細書に記載の方法およびシステムを使用して検出できる。がん細胞は、多くの細胞と同様に、古い細胞が死に、より新しい細胞によって置き換えられる代謝回転速度によって特徴付けられ得る。一般に死細胞は、所与の対象の血管系との接触で、ＤＮＡまたはＤＮＡの断片を血流へ放出する場合がある。これは、疾患の種々のステージの際のがん細胞にも言える。がん細胞は、疾患のステージに応じて、コピー数多型および変異などの種々の遺伝子異常によっても特徴付けられてよい。この現象は、本明細書に記載の方法およびシステムを使用して個々のがんの存在または不在を検出するために使用できる。

検出できるがんの種類および数として、これだけに限らないが、血液がん、脳がん、肺がん、皮膚がん、鼻がん、咽頭がん、肝がん、骨がん、リンパ腫、膵臓がん、皮膚がん、腸がん、直腸がん、甲状腺がん、膀胱がん、腎臓がん、口腔がん、胃がん、固形腫瘍、不均質腫瘍、均質腫瘍などが挙げられ得る。

システムおよび方法は、がんを生じるまたはがんから生じる可能性がある多数の遺伝子異常を検出するために使用できる。これらは、これだけに限らないが、変異、変異、インデル、コピー数多型、塩基転換、移行、逆位、欠失、異数性、部分的異数性、倍数性、染色体不安定性、染色体構造変化、遺伝子融合、染色体融合、遺伝子短縮化、遺伝子増幅、遺伝子重複、染色体損傷、ＤＮＡ損傷、核酸化学修飾における異常な変化、エピジェネティックパターンにおける異常な変化、核酸メチル化における異常な変化、感染およびがんを含むことができる。

追加的に本明細書に記載のシステムおよび方法は、ある特定のがんの特徴付けを補助するためにも使用できる。本開示のシステムおよび方法から作成された遺伝子データは、開業医ががんの具体的な形態をより良好に特徴付けられるようにする場合がある。しばしばがんは、組成およびステージの両方で不均質である。遺伝子プロファイルデータは、具体的な亜型の診断または処置において重要である可能性があるがんの具体的な亜型の特徴付けを可能にする場合がある。この情報は、がんの具体的な種類の予後に関する手掛かりも対象または開業医に提供できる。

本明細書で提供するシステムおよび方法は、具体的な対象における既知のがん、または他の疾患をモニターするために使用できる。これは、対象または開業医のいずれかが処置選択肢を疾患の進行に応じて適合できるようにする場合がある。この例では本明細書に記載のシステムおよび方法は、具体的な対象の疾患の経過の遺伝子プロファイルを構築するために使用できる。一部の場合ではがんは、進行し、さらに攻撃的におよび遺伝子的に不安定になる場合がある。他の例ではがんは、良性、不活性または休止状態のままである場合がある。本開示のシステムおよび方法は、疾患進行を判定することにおいて有用である場合がある。

さらに本明細書に記載のシステムおよび方法は、具体的な処置選択肢の有効性を判定することにおいて有用である場合がある。一例では、処置が成功すると、より多くのがんが死滅し、ＤＮＡが排出される場合があることから、良好な処置選択肢は対象の血液中で検出されたコピー数多型または変異の量を実際に増大させることができる。他の例では、これは生じない場合がある。別の例では、おそらくある特定の処置選択肢は、がんの遺伝子プロファイルと経時的に相関する場合がある。この相関は、治療を選択することにおいて有用である場合がある。追加的にがんが処置後に寛解にあると観察される場合、本明細書に記載のシステムおよび方法は、残った疾患または疾患の再発をモニターすることにおいて有用である場合がある。

本明細書に記載の方法およびシステムは、がんだけに関連する変異およびコピー数多型の検出だけに限定されなくてよい。種々の他の疾患および感染は、早期の検出およびモニタリングが好適である可能性がある他の種類の状態を生じる場合がある。例えばある特定の場合、遺伝性障害または感染性疾患は、対象内である特定の遺伝的モザイク現象を生じる場合がある。この遺伝的モザイク現象は、観察できるコピー数多型および変異を生じる場合がある。別の例では本開示のシステムおよび方法は、身体内の免疫細胞のゲノムをモニターするためにも使用できる。Ｂ細胞などの免疫細胞は、ある特定の疾患の存在で急速なクローン増殖を受ける場合がある。クローン増殖は、コピー数多型検出を使用してモニターでき、ある特定の免疫状態はモニターできる。この例ではコピー数多型分析は、具体的な疾患がどのように進行する可能性があるかのプロファイルを作成するために経時的に実施されてよい。

本開示のシステムおよび方法が使用され得るさらに別の例は、移植対象のモニタリングである。一般に移植組織は、移植において身体によってある程度の拒絶を受ける。本開示の方法は、免疫細胞が移植組織を破壊しようと試みる場合に、宿主の身体の拒絶活性を判定またはプロファイルするために使用されてよい。これは、移植組織の状況のモニタリングおよび処置の経過の変更または拒絶の予防において有用である可能性がある。

さらに本開示の方法は、対象における異常な状態の不均質性を特徴付けるために使用でき、方法は対象における細胞外ポリヌクレオチドの遺伝子プロファイルを作成するステップであって、遺伝子プロファイルがコピー数多型および変異分析から生じる複数のデータを含む、ステップを含む。これだけに限らないががんを含む一部の場合では、疾患は不均質である場合がある。疾患細胞は、同一でない場合がある。がんの例では一部の腫瘍は、異なる種類の腫瘍細胞、がんの異なるステージにある一部の細胞を含むことが公知である。他の例では不均質性は、疾患の複数の病巣を含む場合がある。さらにがんの例では、１つまたは複数の病巣がおそらく原発部位から拡がった転移の結果である、複数の腫瘍病巣がある場合がある。

本開示の方法は、不均質な疾患における異なる細胞由来の遺伝子情報の総和であるフィンガープリントまたはデータのセットを作成またはプロファイルするために使用できる。このデータのセットは、コピー数多型および変異分析を単独または組合せで含んでよい。

追加的に本開示のシステムおよび方法は、がんまたは胎児期由来の他の疾患の診断、予測、モニターまたは観察のために使用できる。すなわちこれらの方法は、そのＤＮＡおよび他のポリヌクレオチドが母胎の分子と共に循環している可能性がある生まれる前の対象におけるがんまたは他の疾患の診断、予測、モニターまたは観察のために、妊娠中の対象において用いられてよい。

レポートにおいて層別化される薬物処置選択肢は、追加的薬物処置選択肢を列挙することによってレポートでアノテートされてよい。追加的薬物処置は、承認適応症外使用のためのＦＤＡ承認薬であってよい。１９９３年包括的財政調整法（ＯＢＲＡ）の条項は、メディケアに標準医学一覧に含まれる抗がん薬の承認適応症外使用を負担するように要求している。アノテートリストのために使用される薬物は、the National Comprehensive Cancer Network (NCCN) Drugs and Biologics Compendium（商標）、Thomson Micromedex DrugDex（登録商標）、Elsevier Gold Standard's Clinical Pharmacology
compendiumおよびAmerican Hospital Formulary Service-Drug Information Compendium（登録商標）を含むＣＭＳ承認一覧に見出すことができる。

薬物処置選択肢は、具体的な状況の１つまたは複数の分子マーカーを有するがんを処置することにおいて有用である可能性がある実験的薬物を列挙することによってアノテートできる。実験的薬物は、ｉｎｖｉｔｒｏデータ、ｉｎｖｉｖｏデータ、動物モデルデータ、前臨床試験データまたは臨床試験データが入手可能である薬物であってよい。データは、例えば、American Journal of Medicine、Annals of Internal Medicine、Annals of Oncology、Annals of Surgical Oncology、Biology of Blood and Marrow Transplantation、Blood、Bone Marrow Transplantation、British Journal of Cancer、British Journal of Hematology、British Medical Journal、Cancer、Clinical Cancer Research、Drugs、European Journal of Cancer（以前はthe European Journal of Cancer and Clinical Oncology）、Gynecologic Oncology、International Journal of Radiation, Oncology, Biology, and Physics、The Journal of the American Medical Association、Journal of Clinical Oncology、Journal of the National Cancer Institute、Journal of the National Comprehensive Cancer Network (NCCN)、Journal of Urology、Lancet、Lancet Oncology、Leukemia、The New England Journal of MedicineおよびRadiation Oncologyを含むCMS Medicare Benefit Policy Manualに列挙される学術雑誌において見出される査読医学文献において発表されていてよい。

レポートにおいて１つまたは複数の薬物処置選択肢をアノテートするための情報は、科学的情報を保管している商業実体によって提供されてよい。ヘルスケア提供者は、がん患者などの対象をアノテートされた情報に列挙された実験的薬物で処置でき、ヘルスケア提供者はアノテートされた薬物処置選択肢にアクセスでき、科学的情報を検索でき（例えば、医学雑誌の論文を印刷する）、薬物処置の提供についての還付のための依頼書と共にそれを保険会社に提出（例えば、印刷された雑誌の論文）できる。医師は、還付を可能にするためのさまざまな診断関連群（ＤＲＧ）コードのいずれも使用できる。

レポートにおける薬物処置選択肢は、薬物が影響を与える経路における他の分子構成成分に関する情報でアノテートされてもよい（例えば、薬物標的である細胞表面受容体の下流のキナーゼを標的化する薬物についての情報）。薬物処置選択肢は、１つまたは複数の他の分子経路構成成分を標的化する薬物についての情報でアノテートされてよい。経路に関する情報の特定および／またはアノテーションは、別の会社に外注または下請けに出されてよい。

アノテートされた情報は、例えば薬物名（例えば、承認適応症外使用のためのＦＤＡ承認薬物；ＣＭＳ承認一覧に見出される薬物、および／または科学（医学）雑誌論文に記載された薬物）、１つまたは複数の薬物処置選択肢に関する科学的情報、１つまたは複数の薬物に関する科学的情報への１つまたは複数のリンク、１つまたは複数の薬物に関する臨床試験情報（例えば、ｃｌｉｎｉｃａｌｔｒｉａｌｓ．ｇｏｖ／からの情報）、薬物に関する科学的情報の引用のための１つまたは複数のリンクなどであってよい。

アノテートされた情報は、レポートの任意の場所に挿入されてよい。アノテートされた情報は、レポートの複数の場所に挿入されてよい。アノテートされた情報は、階層化された薬物処置選択肢についてのセクション近くでレポートに挿入されてよい。アノテートされた情報は、階層化された薬物処置選択肢から離れた頁でレポートに挿入されてよい。階層化された薬物処置選択肢を含まないレポートは、情報でアノテートされてよい。

システムは、対象（例えば、がん患者）から単離された試料（例えば、腫瘍細胞）への薬物の効果についてのレポートも含んでよい。がん患者からの腫瘍を使用するｉｎｖｉｔｒｏ培養は、当業者に公知の技法を使用して確立できる。システムは、前記ｉｎｖｉｔｒｏ培養および／または異種移植モデルを使用するＦＤＡ承認適応症外使用薬物または実験的薬物のハイスループットスクリーニングを含む場合もある。システムは、再発の検出のための腫瘍抗原のモニタリングも含んでよい。

システムは、がんを有する対象のレポートのインターネット接続可能アクセスを提供できる。システムは、携帯用ＤＮＡ配列決定装置または卓上型ＤＮＡ配列決定装置を使用できる。ＤＮＡ配列決定装置は、ＤＮＡ配列決定工程を自動化するために使用される科学機器である。ＤＮＡ試料を所与として、ＤＮＡ配列決定装置は、４個の塩基：アデニン、グアニン、シトシンおよびチミンの順序を決定するために使用される。ＤＮＡ塩基の順序は、リードと称されるテキスト文字列としてレポートされる。一部のＤＮＡ配列決定装置は、それらがヌクレオチドに付着された蛍光色素から生じる光シグナルを分析することから光学機器と見なされる場合もある。

ＤＮＡ配列決定装置は、ＤＮＡの化学修飾に続く特異的塩基での切断に基づくギルバートの配列決定方法を応用できる、またはダイデオキシヌクレオチド鎖終結に基づくサンガーの技法を応用できる。サンガー方法は、その効率の増大および低放射活性のために普及した。ＤＮＡ配列決定装置は、ＤＮＡ増幅（ポリメラーゼ連鎖反応－ＰＣＲ）を必要としない技法を使用でき、配列決定前の試料調製を迅速化し、誤差を低減する。付加的に配列決定データは、相補鎖でのヌクレオチド付加によって生じる反応からリアルタイムで収集される。例えばＤＮＡ配列決定装置は、蛍光色素を含有する酵素によってヌクレオチドが相補鎖に付加されるときに発光される光（カメラによって捕捉される）によって配列決定データが作成される、単一分子リアルタイム（ＳＭＲＴ）と称される方法を利用できる。代替的にＤＮＡ配列決定装置は、ナノポアセンシング技術に基づく電子システムを使用できる。

データは、ＤＮＡ配列決定装置によって直接接続を通じてまたはインターネットを通じて処理のためのコンピュータに送られる。システムのデータ処理態様は、デジタル電子回路で、すなわちコンピュータハードウェア、ファームウェア、ソフトウェアもしくはこれらの組合せで履行されてよい。本発明のデータ処理装置は、プログラム可能なプロセッサによる実行のために機械可読保存デバイスに実体的に埋め込まれたコンピュータプログラム製品で履行されてよく；本発明のデータ処理方法ステップは、入力データを操作し、出力を作成することによって本発明の関数を実施するための説明プログラムを実行するプログラム可能なプロセッサによって実施されてよい。本発明のデータ処理態様は、データ保存システムからデータおよび説明を受け取るためならびにデータ保存システムにデータおよび説明を伝えるために連結された少なくとも１つのプログラム可能なプロセッサ、少なくとも１つの入力デバイス、ならびに少なくとも１つの出力デバイスを含むプログラム可能なシステムで実行可能である１つまたは複数のコンピュータプログラム中で有利に履行され得る。各コンピュータプログラムは、所望により高レベル手続き型もしくはオブジェクト指向プログラム言語で、またはアセンブリでもしくは機械語で実装されてよく；いずれの場合でも言語は、コンパイラ型またはインタープリタ型言語であってよい。好適なプロセッサとして、例示の方法により、一般的および特別な目的のマイクロプロセッサが挙げられる。一般にプロセッサは、読み取り専用メモリおよび／またはランダムアクセスメモリから説明およびデータを受け取る。実体的に埋め込まれたコンピュータプログラム説明およびデータのために好適な保存デバイスは、例示の方法により、ＥＰＲＯＭ、ＥＥＰＲＯＭおよびフラッシュメモリーデバイスなどの半導体メモリーデバイス；内蔵ハードディスクおよびリムーバブルディスクなどの磁気ディスク；光磁気ディスク；およびＣＤ－ＲＯＭディスクが挙げられるすべての形態の不揮発性メモリを含む。任意の前述のものは、ＡＳＩＣ（特定用途向け集積回路）によって補完されるまたはそれに組み込まれてよい。

ユーザーとの相互作用を提供するために、本発明は、ユーザーに情報を表示するためのモニターまたはＬＣＤ（液晶ディスプレイ）スクリーンなどの表示デバイスおよび、ユーザーがコンピュータシステムに入力できるようにするキーボード、マウスもしくはトラックボールなどの二次元ポインティングデバイスまたはデータグローブもしくはジャイロマウスなどの三次元ポインティングデバイスなどの入力デバイスを有するコンピュータシステムの使用を実装されてよい。コンピュータシステムは、コンピュータプログラムがユーザーと相互作用するグラフィカルユーザーインターフェースを提供するようにプログラムされてよい。コンピュータシステムは、バーチャルリアリティ、三次元ディスプレイインターフェースを提供するようにプログラムされてよい。

本発明の好ましい実施形態は、本明細書に示され、記載されたが、そのような実施形態が例示の方法によってのみ提供されることは当業者に明らかである。多くの変動、変化および置き換えが、本発明から逸脱することなく当業者に見出される。本明細書に記載の本発明の実施形態への種々の変更を、本発明を実施する際に用いることができることは理解されるべきである。後続の特許請求の範囲が本発明の範囲を定義すること、ならびにこれらの特許請求の範囲内の方法および構造物ならびにそれらの等価物は、それにより網羅されることが意図される。

Claims

システムを生成する方法であって、該方法が、
少なくとも１つのデータベースにおける複数の対象のそれぞれから得られた遺伝子情報および臨床情報を保存するステップであって、該複数の対象のうちの所与の対象由来の遺伝子情報が、２回またはそれより多くの時点での該所与の対象から得られた遺伝子材料を含む１つまたは複数の試料から決定され、前記遺伝子情報が、（１）第１の時点での該複数の対象のうちの該所与の対象由来の遺伝子情報、および（２）第２の、後の時点での該複数の対象のうちの該所与の対象由来の遺伝子情報を含み、そして、該（１）の遺伝子情報と該（２）の遺伝子情報とを比較することによって、診断の確度指標を更新する、ステップと、
少なくとも１つのエクストラクタを該少なくとも１つのデータベースに動作可能に接続するステップであって、該エクストラクタが、該少なくとも１つのデータベースに保存されている該遺伝子情報および該臨床情報から１つまたは複数の特徴を抽出するように構成されている、ステップと、
少なくとも１つのレコメンダに含まれる１つまたは複数の分類器の訓練プロセスを実行するステップであって、該訓練プロセスが、
共有する特徴を有する対象の個々のセットを特定することによって、対象の複数のクラスを決定することと、
多パラメーターモデルを使用して訓練データセットを生成するステップであって、該訓練データセットが、該複数のクラスの各クラスに属する対象の試料のポリヌクレオチドの特徴を示す、ことと、
該訓練データセットを使用して機械学習アルゴリズムを訓練して、１つまたは複数の訓練された分類器を生成することであって、該１つまたは複数の訓練された分類器の個々の訓練された分類器が、検査試料について該複数のクラスのうちの１つまたは複数のクラスを決定する、ことと、
該少なくとも１つのレコメンダを該少なくとも１つのエクストラクタに動作可能に接続して、それによって該システムを生成することと
を含む、ステップと
を含み、該少なくとも１つのレコメンダが、該１つまたは複数の訓練された分類器を実装して、該１つまたは複数の特徴の分析に少なくとも部分的に基づき、該複数の対象のうちの少なくとも１人の検査対象のがんについての複数の処置選択肢の中から処置を選択するように構成されている、方法。
前記複数の対象が、がんを有する対象を含む、請求項１に記載の方法。
前記複数の対象が、がんが検出されない対象を含む、請求項１に記載の方法。
少なくとも１つの遺伝子分析機を該システムに動作可能に接続するステップであって、該遺伝子分析機が、前記遺伝子情報を分析するように構成されている、ステップをさらに含む、請求項１に記載の方法。
少なくとも１つのレポート作成器を前記少なくとも１つのレコメンダに動作可能に接続するステップであって、該少なくとも１つのレポート作成器が、前記選択された処置に対応する情報を含むレポートを生成するように構成されている、ステップをさらに含む、請求項１に記載の方法。
前記遺伝子情報が、構築されていないテキストデータを含む、請求項１に記載の方法。
少なくとも１つのデータベースアレイ中に前記臨床情報を保存するステップであって、前記臨床情報が、医師および検査室の検査結果からの患者情報を含む、ステップをさらに含む、請求項１に記載の方法。
前記複数の対象の少なくとも一部から得られる前記臨床情報の少なくとも一部をクラス条件付き確率に変換することによって、前記訓練データセットを前処理するステップを含む、請求項１に記載の方法。
前記臨床情報が、コンピュータ断層撮影（ＣＴ）スキャン、磁気共鳴画像法（ＭＲＩ）スキャン、超音波スキャン、骨スキャン、ポジトロン放出断層撮影（ＰＥＴ）スキャン、骨髄検査、Ｘ線、内視鏡検査、リンパ管造影、静脈性尿路造影（ＩＶＵ）、静脈性腎盂造影（ＩＶＰ）、腰椎穿刺、膀胱鏡検査、免疫学的検査、組織学的レポート、またはがんマーカー検査を含む、請求項１に記載の方法。
前記システムを使用して、がんを有する前記少なくとも１人の検査対象についての前記処置過程を予測するステップをさらに含む、請求項１に記載の方法。
少なくとも１つの分類器を前記少なくとも１つのエクストラクタおよび前記少なくとも１つのレコメンダに動作可能に接続するステップであって、該少なくとも１つの分類器が、前記遺伝子情報および前記臨床情報から抽出される前記１つまたは複数の特徴を分類するように構成されている、ステップをさらに含む、請求項１に記載の方法。
前記少なくとも１人の検査対象の試料が、無細胞ポリヌクレオチドまたは腫瘍試料に由来するポリヌクレオチドのうちの少なくとも１つを含む、請求項１に記載の方法。
前記複数のクラスが、がんが検出されない対象、乳がんを有する対象、結腸がんを有する対象、肺がんを有する対象、膵臓がんを有する対象、前立腺がんを有する対象、卵巣がんを有する対象、メラノーマを有する対象、および肝がんを有する対象からなる群から選択される、請求項１に記載の方法。
前記１つまたは複数の特徴が、治療介入への処置応答を含み、前記少なくとも１つの分類器が、前記１つまたは複数の特徴を分類して、１つまたは複数の処置分類を生成するように構成されている、請求項１１に記載の方法。
前記１つまたは複数の処置分類が、処置に応答性、処置に非応答性、または処置に対する応答のレベルを含む、請求項１４に記載の方法。
前記少なくとも１つの分類器が、１つまたは複数の人工神経ネットワーク、ランダムフォレスト、線形分類器、サポートベクターマシン、または隠れマルコフマシン（ＨＭＭ）を含む、請求項１１に記載の方法。
前記少なくとも１つの分類器が、前記１つまたは複数の人工神経ネットワークを含み、前記方法が、ベイジアンフレームワークを使用して前記１つまたは複数の人工神経ネットワークを訓練するステップを含む、請求項１６に記載の方法。
少なくとも１つの推論ユニットを前記少なくとも１つの分類器および前記少なくとも１つのレコメンダに動作可能に接続するステップをさらに含む、請求項１１に記載の方法。
前記少なくとも１つの分類器の出力が、前記少なくとも１つの推論ユニットに提供される、請求項１８に記載の方法。
前記１つまたは複数の特徴が、一塩基変異（ＳＮＶ）または挿入または欠失（インデル）を含む作用可能な腫瘍特異的ゲノム変化を含む、請求項１に記載の方法。