ES3043308T3 - Systems and methods for using sequencing data for pathogen detection - Google Patents

Systems and methods for using sequencing data for pathogen detection

Info

Publication number
ES3043308T3
ES3043308T3 ES20762886T ES20762886T ES3043308T3 ES 3043308 T3 ES3043308 T3 ES 3043308T3 ES 20762886 T ES20762886 T ES 20762886T ES 20762886 T ES20762886 T ES 20762886T ES 3043308 T3 ES3043308 T3 ES 3043308T3
Authority
ES
Spain
Prior art keywords
cancer
genes
classifier
subject
hpv
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
ES20762886T
Other languages
English (en)
Inventor
Ariane Lozac'hmeur
Denise Lau
Aly A Khan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tempus AI Inc
Original Assignee
Tempus AI Inc
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 Tempus AI Inc filed Critical Tempus AI Inc
Application granted granted Critical
Publication of ES3043308T3 publication Critical patent/ES3043308T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/28—Compounds containing heavy metals
    • A61K31/282—Platinum compounds
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/33—Heterocyclic compounds
    • A61K31/335—Heterocyclic compounds having oxygen as the only ring hetero atom, e.g. fungichromin
    • A61K31/337—Heterocyclic compounds having oxygen as the only ring hetero atom, e.g. fungichromin having four-membered rings, e.g. taxol
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/33—Heterocyclic compounds
    • A61K31/395—Heterocyclic compounds having nitrogen as a ring hetero atom, e.g. guanethidine or rifamycins
    • A61K31/495—Heterocyclic compounds having nitrogen as a ring hetero atom, e.g. guanethidine or rifamycins having six-membered rings with two or more nitrogen atoms as the only ring heteroatoms, e.g. piperazine or tetrazines
    • A61K31/505—Pyrimidines; Hydrogenated pyrimidines, e.g. trimethoprim
    • A61K31/513—Pyrimidines; Hydrogenated pyrimidines, e.g. trimethoprim having oxo groups directly attached to the heterocyclic ring, e.g. cytosine
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K31/00—Medicinal preparations containing organic active ingredients
    • A61K31/33—Heterocyclic compounds
    • A61K31/555—Heterocyclic compounds containing heavy metals, e.g. hemin, hematin, melarsoprol
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K33/00—Medicinal preparations containing inorganic active ingredients
    • A61K33/24—Heavy metals; Compounds thereof
    • A61K33/243—Platinum; Compounds thereof
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07K—PEPTIDES
    • C07K16/00—Immunoglobulins [IG], e.g. monoclonal or polyclonal antibodies
    • C07K16/18—Immunoglobulins [IG], e.g. monoclonal or polyclonal antibodies against material from animals or humans
    • C07K16/22—Immunoglobulins [IG], e.g. monoclonal or polyclonal antibodies against material from animals or humans against growth factors ; against growth regulators
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
    • A61K45/00—Medicinal preparations containing active ingredients not provided for in groups A61K31/00 - A61K41/00
    • A61K45/06—Mixtures of active ingredients without chemical characterisation, e.g. antiphlogistics and cardiaca
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Medicinal Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Organic Chemistry (AREA)
  • Inorganic Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biochemistry (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Medicines Containing Material From Animals Or Micro-Organisms (AREA)
  • Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)

Abstract

Se proporcionan sistemas y métodos para entrenar un clasificador y discriminar entre una primera afección oncogénica asociada a una infección oncogénica patógena y una segunda afección oncogénica no asociada a dicha infección. Se proporcionan sistemas y métodos para distinguir entre cánceres asociados a infecciones oncogénicas patógenas que contribuyen a la patología oncogénica y cánceres no asociados a infecciones oncogénicas patógenas. Se proporcionan sistemas y métodos para tratar el cáncer según su asociación con una infección oncogénica patógena. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN
[0003] Sistemas y procedimientos para usar datos de secuenciación para la detección de patógenos
[0005] Referencia cruzada a solicitudes relacionadas
[0007] Campo técnico
[0009] La presente divulgación se refiere en general al uso de perfiles de expresión de tejido canceroso para detectar infecciones patógenas oncogénicas en pacientes con cáncer.
[0011] Antecedentes
[0013] La oncología de precisión es la práctica de adaptar la terapia del cáncer a un individuo en particular, por ejemplo, teniendo en cuenta la patología única, genómica, epigenética y/o perfil transcriptómico de un tumor individual. Por el contrario, los tratamientos convencionales contra el cáncer se basan simplemente en el tipo de cáncer que se está tratando. Por ejemplo, convencionalmente, todos los cánceres de mama se tratarían con un primer régimen terapéutico mientras que todos los cánceres de pulmón se tratarían con un segundo régimen terapéutico. La oncología de precisión surge de muchas observaciones de que diferentes pacientes diagnosticados con el mismo tipo de cáncer, por ejemplo, cáncer de mama, responden de manera muy diferente al mismo régimen de tratamiento. Con el tiempo, los investigadores han identificado marcadores genómicos, epigenéticos y transcriptómicos que facilitan cierto nivel de predicción en cuanto a cómo responderá un cáncer individual a una modalidad de tratamiento particular.
[0015] El uso de terapias dirigidas ha proporcionado mejoras significativas en los resultados de los pacientes con cáncer, especialmente en términos de supervivencia libre de progresión. Radovich et al., Oncotarget, 7:56491-500 (2016). Evidencia reciente reportada por el ensayo IMPACT, que implicó pruebas genéticas de tumores en etapa avanzada de 3.743 pacientes y donde aproximadamente el 19 % de los pacientes recibieron terapias dirigidas adaptadas basadas en la biología de su tumor, mostró una tasa de respuesta del 16,2 % en pacientes con tratamientos adaptados frente al 5,2 % en pacientes con tratamientos no adaptados. Bankhead, "IMPACT Trial: Support for Targeted Cancer Tx Approaches", MedPageToday, 5 de junio de 2018. El estudio IMPACT también descubrió que las tasas de supervivencia general a tres años para los pacientes que recibieron una terapia molecularmente compatible fueron más del doble que las de los pacientes sin compatibilidad (15 % frente a 7 %). Id.; ASCO Post, "2018 ASCO: el ensayo IMPACT adapta el tratamiento a cambios genéticos en el tumor para mejorar la supervivencia a través de múltiples afecciones de cáncer", El ASCO POST, 6 de junio de 2018. La estimación de la proporción de pacientes para los que las pruebas genéticas cambian la trayectoria de su atención varía ampliamente, de aproximadamente el 10 % a más del 50 %. Fernandes et al., Clinics, 72:588-94 (2017).
[0017] La terapia dirigida a alteraciones genómicas específicas ya es el estándar de atención en varios tipos de tumores, por ejemplo, como se sugiere en las directrices de la red nacional integral del cáncer (NCCN, del inglés National Comprehensive Cancer Network) para melanoma, cáncer colorrectal y cáncer de pulmón no microcítico. Las pocas, mutaciones bien conocidas en las directrices de la NCCN se pueden identificar en pacientes con cáncer usando ensayos individuales o paneles pequeños de secuenciación de próxima generación (NGS, del inglés next generation sequencing). Sin embargo, para que el mayor número de pacientes con cáncer se beneficie de la oncología personalizada, es necesario un análisis patológico, genómico, epigenético y/o transcriptómico más completo para facilitar el uso de indicaciones de medicamentos fuera de lo indicado, terapia de combinación o inmunoterapia agnóstica de tejido. Schwaederle et al., JAMA Oncol., 2:1452-59 (2016); Schwaederle et al., J Clin Oncol., 32:3817-25 (2015); y Wheler et al., Cancer Res., 76:3690-701 (2016).
[0019] La presencia de infecciones patógenas oncogénicas representa del 10 al 12 % de todos los cánceres. Por ejemplo, el cáncer gástrico es la tercera causa más común de muerte por cáncer en todo el mundo, con más de 700.000 muertes estimadas atribuidas al cáncer gástrico en 2012. Ferlay, et al., "Cancer Incidence and Mortality Worldwide", IARC CancerBase 11 [Internet], Lyon, Francia: International Agency for Research on Cancer (2013). Además de factores genéticos, se cree que la carcinogénesis gástrica está asociada con múltiples factores ambientales, incluyendo la infección por virus de Epstein-Barr (VEB, del inglés Epstein-Barr virus). Burkeet al.,Mod Pathol., 3:377-380 (1990). De hecho, la investigación reciente del atlas del genoma del cáncer ha proporcionado una clasificación molecular que define el cáncer gástrico positivo para VEB como un subtipo específico. Cancer Genome Atlas Research Network, Nature, 513(7517):202-09 (2014).
[0021] Como tal, la presencia de tales patógenos oncogénicos afecta al pronóstico del cáncer asociado. En consecuencia, cuando un sujeto tiene un tipo de cáncer que se sabe que surge con frecuencia junto con un patógeno oncogénico, es importante tener conocimiento del estado patógeno del sujeto porque puede cambiar las opciones de tratamiento del sujeto. Por ejemplo, numerosos ensayos clínicos que investigan el beneficio de la reducción de la dosis de radiación o quimioterapia para los cánceres de cabeza y cuello positivos para el VPH han mostrado resultados prometedores. Adicionalmente, los tumores asociados a patógenos tienen más probabilidades de presentar niveles más altos de inflamación e infiltración inmune, lo que los convierte en buenos candidatos para la inmunoterapia.
[0022] Un inconveniente del diagnóstico convencional de patógenos oncogénicos es que, para determinar si un sujeto sufre un patógeno particular, se realiza un ensayo completamente independiente por separado y aparte de los ensayos que se usaron para diagnosticar un sujeto con cáncer en primera instancia o que se usaron para evaluar una etapa del cáncer. Por ejemplo, en el caso de VEB, se realizan procedimientos de laboratorio separados, tales como hibridación in situ (ISH, del inglés in situ hybridization) o reacción en cadena de la polimerasa (PCR, del inglés polymerase chain reaction) para tejido resecado, biopsia o sangre o ensayo inmunoabsorbente ligado a enzimas (ELISA, del inglés enzyme-linked immunosorbent assay) o ensayo de inmunofluorescencia (IFA, del inglés immunofluorescence assay) para muestras de suero para detectar la infección por VEB. Esto no es satisfactorio porque aumenta el gasto de diagnóstico y, en algunos casos, donde la prueba de patógenos solo se realiza después de que se haya diagnosticado un tipo de cáncer que se sabe que está asociado con un patógeno oncogénico, retrasa el desarrollo de un plan de tratamiento para el sujeto hasta que se hayan obtenido los resultados del ensayo de patógenos.
[0024] Saba et al., (2015) Head and Neck Pathol. 9:233-235 describe el perfilado transcripcional del carcinoma de células escamosas orofaríngeas (OPSCC, del inglés orophaeyngeal squamous cell carcinoma) y describe que la agrupación no supervisada de un panel de expresión génica 230 distingue OPSCC positivo para VPH del negativo para VPH.
[0025] Sumario
[0027] Ante los antecedentes anteriores, lo que se requiere en la técnica son sistemas y procedimientos mejorados para la detección de patógenos que determinen directamente la presencia de una detección de patógenos dada sin un requisito de un ensayo independiente separado para la detección de patógenos.
[0029] En consecuencia, se proporcionan procedimientos mejorados para distinguir cánceres asociados con infecciones patógenas oncogénicas que contribuyen a la patología del cáncer y cánceres que no están asociados con infecciones patógenas oncogénicas. Los procedimientos mejorados para tratar a pacientes con cáncer, basados en si su cáncer está asociado con una infección patógena oncogénica, también se proporcionan. La presente divulgación aborda esta necesidad. La presente invención se define en las reivindicaciones que acompañan y proporciona un procedimiento implementado por ordenador para asignar terapia para cáncer de cabeza y cuello o de cuello uterino en un paciente humano con cáncer. El procedimiento comprende la etapa (A) de determinar si el paciente humano con cáncer está infectado con un virus oncogénico de virus de papiloma humano (VPH) mediante: obtención de un conjunto de datos para el paciente humano con cáncer, comprendiendo el conjunto de datos una pluralidad de valores de abundancia, en donde: cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en un tejido canceroso del sujeto; e introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos una primera afección de cáncer asociada con la infección por VPH y una segunda afección de cáncer asociada con un estado libre de VPH basándose en los valores de abundancia de la pluralidad de genes, en el tejido canceroso del sujeto. El procedimiento comprende la etapa (B) de asignar una terapia para el cáncer de cabeza y cuello o de cuello uterino mediante: cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VPH, asignar una primera terapia adaptada para el tratamiento de cáncer de cabeza y cuello o de cuello uterino asociado con una infección por VPH y cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con un virus oncogénico de VPH, asignar una segunda terapia adaptada para el tratamiento de cáncer de cabeza y cuello o de cuello uterino no asociado con una infección por VPH. La pluralidad de genes comprende: (i) al menos diez genes seleccionados de KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1; o (ii) SMC1B, CDKN2A y EFNB3 y al menos otros dos genes seleccionados de: KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1. La divulgación también describe procedimientos para identificar conjuntos de genes que se expresan de manera diferencial en cánceres que están asociados con una infección por patógenos oncogénicos con respecto a cánceres que no están asociados con una infección por patógenos oncogénicos. La divulgación también describe procedimientos para entrenar clasificadores para distinguir entre cánceres asociados con una infección por patógenos oncogénicos y cánceres que no están asociados con una infección por patógenos oncogénicos basándose en los genes identificados que están regulados de manera diferencial en los dos tipos de cáncer. En consecuencia, procedimientos para clasificar el cáncer en pacientes como asociados con una infección por patógenos oncogénicos o no asociados con una infección por patógenos oncogénicos, usando los clasificadores entrenados, también se describen. Estos procedimientos, a su vez, permiten el tratamiento diferencial de los pacientes basándose en si su cáncer está asociado o no con una infección por patógenos oncogénicos.
[0031] También se describen, pero no forman parte de la materia objeto reivindicada, procedimientos para entrenar un clasificador para discriminar entre una primera afección de cáncer y una segunda afección de cáncer, donde la primera afección de cáncer está asociada con una infección por un primer patógeno oncogénico y la segunda afección de cáncer está asociada con un estado libre de patógenos oncogénicos. El procedimiento incluye, en un ordenador, obtener un conjunto de datos que incluye, para cada respectivo sujeto en una pluralidad de sujetos de una especie: (i) una correspondiente pluralidad de valores de abundancia, en donde cada respectivo valor de abundancia en la correspondiente pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en una muestra de tumor del respectivo sujeto y (ii) una indicación de la afección de cáncer del respectivo sujeto, donde la indicación de afección de cáncer identifica si el respectivo sujeto tiene la primera afección de cáncer o la segunda afección de cáncer y en donde la pluralidad de sujetos incluye un primer subconjunto de sujetos que están afectados por la primera afección de cáncer y un segundo subconjunto de sujetos que están afectados por la segunda afección.
[0033] El procedimiento incluye entonces identificar un conjunto de genes discriminatorios usando la correspondiente pluralidad de valores de abundancia y la respectiva indicación de la afección de cáncer de los respectivos sujetos en la pluralidad de sujetos, donde el conjunto de genes discriminatorios incluye un subconjunto de la pluralidad de genes.
[0034] En algunos ejemplos, la identificación del conjunto de genes discriminatorios comprende realizar una regresión del conjunto de datos basándose en todos o un subconjunto de la pluralidad de valores de abundancia en la pluralidad de sujetos contra la respectiva indicación de afección de cáncer en la pluralidad de sujetos usando un algoritmo de regresión para asignar de ese modo un coeficiente de regresión correspondiente, en una pluralidad de coeficientes de regresión, a cada respectivo gen en la pluralidad de genes y seleccionar aquellos genes en la pluralidad de genes para el conjunto de genes discriminatorios a los que se les asigna un coeficiente por el algoritmo de regresión que satisface un umbral de coeficiente.
[0036] En algunos ejemplos alternativos, la identificación del conjunto de genes discriminatorios comprende dividir el conjunto de datos en una pluralidad de conjuntos, donde cada conjunto en la pluralidad de conjuntos incluye dos o más sujetos que están afectados por la primera afección de cáncer y dos o más sujetos que están afectados por la segunda afección, regresión independiente de cada respectivo conjunto en la pluralidad de conjuntos basándose en todos o en un subconjunto de la pluralidad de valores de abundancia en los sujetos del respectivo conjunto contra la respectiva indicación de afección de cáncer en el sujeto del respectivo conjunto usando un algoritmo de regresión para asignar de ese modo un correspondiente coeficiente de regresión, en una pluralidad de coeficientes de regresión, a cada respectivo gen en la pluralidad de genes y seleccionar aquellos genes en la pluralidad de genes para el conjunto de genes discriminatorios a los que se les asigna un coeficiente por el algoritmo de regresión que satisface un umbral de coeficiente para al menos un porcentaje umbral de la pluralidad de conjuntos. En algunas realizaciones, la pluralidad de conjuntos consiste en entre cinco y cincuenta conjuntos (por ejemplo, diez conjuntos).
[0038] En algunos ejemplos, el coeficiente umbral es cero. El umbral de coeficiente se satisface cuando el valor absoluto del correspondiente coeficiente de regresión es mayor que cero.
[0040] En algunos ejemplos, el algoritmo de regresión divulgado anteriormente es una regresión logística. En algunas de dichas realizaciones, la regresión logística asume:
[0043]
[0046] donde Xi = (xii, Xi<2>, ..., xik) son la correspondiente pluralidad de valores de abundancia para la pluralidad de genes de la muestra de tumor del correspondiente sujetoith,Y • {0, 1} es una etiqueta de clase que tiene el valor "1" cuando el correspondiente sujetoitiene la primera afección de cáncer y tiene el valor "0" cuando el correspondiente sujetoitiene la segunda afección de cáncer, dondeP(Y= 1|Xi) es la probabilidad estimada de que el correspondiente sujeto ith es un miembro de la primera clase de cáncer. Por otra parte, •<0>es una intersección y • j =(j= 1,...k)es la pluralidad de coeficientes de regresión, donde cada respectivo coeficiente de regresión en la pluralidad de coeficientes de regresión es para un correspondiente gen en la pluralidad de genes. En tales realizaciones, el correspondiente sujetoithse asigna a la primera clase de cáncer cuandoP(S= 1|Xi) supera un valor umbral predefinido (0,5) y a la segunda clase de cáncer de lo contrario.
[0048] En algunos ejemplos, la regresión logística es la regresión del operador de selección y contracción logística mínima absoluta (LASSO, del inglés least absolute shrinkage and selection operator). En tales realizaciones, el estimador
[0049] LASSO logísticoP°' •••’ $ *se define como el minimizador de la probabilidad logarítmica negativa:
[0051] min(Sr=1[-y;(/?0+P ix( -P kX ik )l°g(! exP(/?o A xí -P k * i k ) ) ] ).
[0052] sujeto a la limitación
[0054] En algunos ejemplos, el algoritmo de regresión es regresión logística con regularización L1 o L2.
[0056] El procedimiento incluye además el uso de los respectivos valores de abundancia para el conjunto de genes discriminatorios y la respectiva indicación de la afección de cáncer en la pluralidad de sujetos para entrenar un clasificador (por ejemplo, un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agolpamiento) para discriminar entre la primera afección de cáncer y la segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes discriminatorios.
[0058] También se describen, pero no forman parte de la materia objeto reivindicada, procedimientos para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto, donde la primera afección de cáncer está asociada con la infección por un primer patógeno oncogénico y la segunda afección de cáncer está asociada con un estado libre de patógenos oncogénicos. El procedimiento incluye obtener un conjunto de datos del sujeto, incluyendo el conjunto de datos una pluralidad de valores de abundancia, donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en un tejido canceroso del sujeto. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado de acuerdo con una cualquiera de las metodologías descritas en el presente documento.
[0059] También se describen, pero no forman parte de la materia objeto reivindicada, sondas de ácido nucleico para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, donde la primera afección de cáncer está asociada con una infección por patógenos oncogénicos y la segunda afección de cáncer está asociada con un estado libre de patógenos oncogénicos. Las sondas de ácido nucleico tienen secuencias de ácido nucleico que son complementarias o idénticas a las secuencias de los genes identificados como expresados de manera diferencial en cánceres asociados con una infección por patógenos oncogénicos.
[0061] También se describe, pero no forma parte de la materia objeto reivindicada, un procedimiento para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto con un primer tipo de cáncer, donde la primera afección de cáncer está asociada con la infección por un primer patógeno oncogénico y la segunda afección de cáncer está asociada con un estado libre de patógenos oncogénicos. El procedimiento incluye obtener un conjunto de datos del sujeto, teniendo el conjunto de datos una pluralidad de valores de abundancia (por ejemplo, valores de expresión de ARNm relativos), donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en un conjunto de genes discriminatorios, en un tejido canceroso del sujeto. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos la primera afección de cáncer y la segunda afección de cáncer basándose en valores de abundancia para el conjunto de genes discriminatorios en un tejido canceroso de un sujeto, determinándose de este modo la afección de cáncer del sujeto.
[0063] En algunos ejemplos, el primer tipo de cáncer es el cáncer de mama, cáncer de pulmón, cáncer de próstata, cáncer colorrectal, cáncer de riñón, cáncer de útero, cáncer de páncreas, cáncer de esófago, cáncer de cabeza/cuello, cáncer de ovario, cáncer hepatobiliar, cáncer de cuello uterino, cáncer tiroideo o cáncer de vejiga.
[0065] En algunos ejemplos, el conjunto de datos incluye además un recuento de alelos variantes para uno o más alelos variantes en uno o más locus en el genoma del tejido canceroso del sujeto.
[0067] En algunos ejemplos, la primera afección de cáncer está asociada con la infección por un primer patógeno oncogénico seleccionado del grupo que consiste en el virus de Epstein-Barr (VEB), el virus de la hepatitis B (VHB), el virus de la hepatitis C (VHC), virus del papiloma humano (VPH), virus linfotrópico de linfocitos T humanos (HTLV-1), virus del sarcoma asociado de Kaposi (KSHV) y el poliomavirus de células de Merkel (MCV).
[0069] En algunos ejemplos, la primera afección de cáncer se selecciona del grupo que consiste en de cuello uterino asociado con el virus del papiloma humano (VPH), cáncer de cabeza y cuello asociado con VPH, cáncer gástrico asociado con el virus de Epstein-Barr (VEB), cáncer nasofaríngeo asociado con VEB, linfoma de Burkitt asociado con VEB, linfoma de Hodgkin asociado con VEB, cáncer de hígado asociado con el virus de la hepatitis B (VHB), cáncer de hígado asociado con el virus de la hepatitis C (VHC), sarcoma de Kaposi asociado con el virus del sarcoma asociado de Kaposi (KSHV), leucemia/linfoma de células T del adulto asociado con el virus linfotrópico de células T humano (HTLV-1) y carcinoma de células de Merkel asociado con el poliomavirus de células de Merkel (MCV).
[0071] En algunos ejemplos, la primera afección de cáncer está asociada con la infección por un virus oncogénico del virus del papiloma humano (VpH) y la segunda afección de cáncer está asociada con un estado libre de VPH y el conjunto de genes discriminatorios incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 3. En algunos ejemplos, la primera afección de cáncer es el cáncer de cuello uterino asociado con la infección por un virus del papiloma humano (VPH). En algunos ejemplos, la primera afección de cáncer es el cáncer de cabeza y cuello asociado con la infección por un virus del papiloma humano (VPH). En algunas realizaciones, el conjunto de genes discriminatorios incluye al menos diez genes seleccionados de los genes enumerados en la tabla 3. En algunas realizaciones, el conjunto de genes discriminatorios incluye al menos veinte genes seleccionados de los genes enumerados en la tabla 3. En algunas realizaciones, el conjunto de genes discriminatorios incluye al menos los veinticuatro genes enumerados en la tabla 3. En algunas realizaciones, el conjunto de datos también incluye un recuento de alelos variantes para TP53 (ENSG00000141510) y CDKN2A (ENSG00000147889) en el genoma del tejido canceroso del sujeto.
[0073] En algunos ejemplos que no son parte de las reivindicaciones, el procedimiento también incluye tratar al sujeto por cáncer de cuello uterino, cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VPH, mediante administración de una primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado con una infección por VPH, y cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con un virus oncogénico de VPH, administración de una segunda terapia adaptada para el tratamiento del cáncer de cuello uterino no asociado con una infección por VPH. En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado con una infección por VPH incluye una vacuna terapéutica o una terapia celular adoptiva. En algunas realizaciones, la segunda terapia adaptada para el tratamiento del cáncer de cuello uterino no asociado con una infección por VPH es la quimioterapia. En algunas realizaciones, la quimioterapia incluye la administración conjunta de cisplatino y un segundo agente terapéutico seleccionado del grupo que consiste en 5-fluorouracilo, paclitaxel y bevacizumab.
[0075] En algunos ejemplos que no son parte de las reivindicaciones, el procedimiento también incluye tratar al sujeto por cáncer de cabeza y cuello, cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VPH, mediante administración de una primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado con una infección por VPH y cuando el resultado del clasificador indica que el paciente con humano con cáncer no está infectado con un virus oncogénico de VPH, administración de una segunda terapia adaptada para el tratamiento del cáncer de cabeza y cuello no asociado con una infección por VPH. En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado con una infección por VPH incluye una vacuna terapéutica, un inhibidor del punto de control inmunitario o un inhibidor de PI3K. En algunas realizaciones, la segunda terapia adaptada para el tratamiento del cáncer de cabeza y cuello no asociado con una infección por VPH incluye quimioterapia. En algunas realizaciones, la quimioterapia incluye la administración de cisplatino, y la segunda terapia también incluye radioterapia concurrente o quimiorradiación postoperatoria.
[0077] En algunos ejemplos, la primera afección de cáncer está asociada con la infección por un virus oncogénico del virus de Epstein-Barr (VEB) y la segunda afección de cáncer está asociada con un estado libre de VEB y el conjunto de genes discriminatorios incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 4. En algunos ejemplos, la primera afección de cáncer es cáncer gástrico asociado con infección por un virus de Epstein-Barr (VEB). En algunos ejemplos, el conjunto de genes discriminatorios incluye los nueve genes enumerados en la tabla 4. En algunos ejemplos, el conjunto de datos también incluye un recuento de alelos variantes para TP53 (ENSG00000141510) y PIK3CA (ENSG00000121879) en el genoma del tejido canceroso del sujeto.
[0079] En algunos ejemplos que no son parte de las reivindicaciones, el procedimiento también incluye tratar al sujeto por cáncer gástrico, cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VEB, mediante administración de una primera terapia adaptada para el tratamiento del cáncer gástrico asociado con una infección por VEB y cuando el resultado del clasificador indica que el paciente con humano con cáncer no está infectado con un virus oncogénico de VEB, administración de una segunda terapia adaptada para el tratamiento del cáncer gástrico no asociado con una infección por VEB. En algunos ejemplos, la primera terapia adaptada para el tratamiento del cáncer gástrico asociado con una infección por VEB incluye un inhibidor de punto de control inmunitario. En algunas realizaciones, la segunda terapia adaptada para el tratamiento del cáncer gástrico no asociado con una infección por VEB incluye quimioterapia. En algunas realizaciones, la quimioterapia incluye la administración de un agente terapéutico seleccionado del grupo que consiste en paclitaxel, carboplatino, cisplatino, 5-fluorouracilo y oxaliplatino.
[0081] En algunos ejemplos que no son parte de las reivindicaciones, el procedimiento también incluye tratar al sujeto por cáncer, cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con el primer patógeno oncogénico, mediante administración de una primera terapia adaptada para el tratamiento del primer tipo de cáncer asociado con la infección por el primer patógeno oncogénico y cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con el primer patógeno oncogénico, administración de una segunda terapia adaptada para el tratamiento del primer tipo de cáncer asociado con un estado libre de patógenos oncogénicos.
[0082] En algunos ejemplos, el clasificador se entrenó mediante un procedimiento que incluye (1) obtener un conjunto de datos que comprende, para cada respectivo sujeto en una pluralidad de sujetos de una especie: (i) una correspondiente pluralidad de valores de abundancia, en donde cada respectivo valor de abundancia en la correspondiente pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en una muestra de tumor del respectivo sujeto y (ii) una indicación de la afección de cáncer del respectivo sujeto, en donde la indicación de afección de cáncer identifica si el respectivo sujeto tiene la primera afección de cáncer o la segunda afección de cáncer y en donde la pluralidad de sujetos incluye un primer subconjunto de sujetos que están afectados por la primera afección de cáncer y un segundo subconjunto de sujetos que están afectados por la segunda afección; (2) identificar el conjunto de genes discriminatorios usando la correspondiente pluralidad de valores de abundancia y la respectiva indicación de la afección de cáncer de los respectivos sujetos en la pluralidad de sujetos, en donde el conjunto de genes discriminatorios comprende un subconjunto de la pluralidad de genes; y (3) usar los respectivos valores de abundancia para el conjunto de genes discriminatorios y la respectiva indicación de la afección de cáncer en la pluralidad de sujetos para entrenar un clasificador para discriminar entre la primera afección de cáncer y la segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes discriminatorios.
[0083] Otras realizaciones se refieren a sistemas, dispositivos portátiles de consumo y medios legibles por ordenador asociados a los procedimientos descritos en el presente documento.
[0085] Como se divulga en el presente documento, cualquier realización divulgada en el presente documento puede aplicarse a cualquier aspecto.
[0087] Los expertos en la técnica reconocerán aspectos adicionales y ventajas de la presente divulgación a partir de la siguiente descripción detallada, en donde solo se muestran y describen realizaciones ilustrativas de la presente divulgación. Como se comprenderá, la presente divulgación presenta posibilidad de otras y diferentes realizaciones y sus diversos detalles pueden sufrir modificaciones en diversos aspectos, todo ello sin apartarse de la divulgación. En consecuencia, los dibujos y la descripción han de considerarse ilustrativos por naturaleza y no como restrictivos.
[0088] Breve descripción de los dibujos
[0090] Las figuras 1A y 1B ilustran colectivamente un diagrama de bloques de un dispositivo informático de ejemplo, de acuerdo con algunas realizaciones de la presente divulgación.
[0092] Las figuras 2A, 2B, 2C, 2D y 2E proporcionan colectivamente un diagrama de flujo de procesos y características para entrenar un clasificador para discriminar entre una primera afección de cáncer asociada con la infección por un primer patógeno oncogénico y una segunda afección de cáncer asociada con un estado libre de patógenos oncogénicos, en el que los bloques opcionales se indican con recuadros discontinuos, según algunos ejemplos de la presente divulgación.
[0094] La figura 3 proporciona un diagrama de flujo de procesos y características para discriminar entre una primera afección de cáncer asociada con la infección por un primer patógeno oncogénico y una segunda afección de cáncer asociada con un estado libre de patógenos oncogénicos y opcionalmente tratar la afección de cáncer basándose en el estado del patógeno oncogénico del cáncer, según algunos ejemplos de la presente divulgación.
[0096] La figura 4A proporciona un desglose de las composiciones de los conjuntos de datos de entrenamiento y prueba de TGCA para entrenar un clasificador para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VPH y una segunda afección de cáncer no asociada con una infección viral oncogénica por VPH, de acuerdo con algunas realizaciones de la presente divulgación.
[0098] La figura 4B ilustra características de un tejido canceroso que son útiles para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VPH y una segunda afección de cáncer no asociada con una infección viral oncogénica por VPH, de acuerdo con algunas realizaciones de la presente divulgación.
[0099] La figura 4C ilustra métricas de rendimiento para una máquina de vectores de soporte entrenada, con respecto al conjunto de datos de entrenamiento, para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VPH y una segunda afección de cáncer no asociada con una infección viral oncogénica por VPH, de acuerdo con algunas realizaciones de la presente divulgación.
[0101] La figura 4D ilustra métricas de rendimiento para una máquina de vectores de soporte entrenada, con respecto a un conjunto de datos de validación, para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VPH y una segunda afección de cáncer no asociada con una infección viral oncogénica por VPH, de acuerdo con algunas realizaciones de la presente divulgación.
[0103] La figura 5A proporciona un desglose de las composiciones de los conjuntos de datos de entrenamiento y prueba de TGCA para entrenar un clasificador para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VEB y una segunda afección de cáncer no asociada con una infección viral oncogénica por VEB, según algunos ejemplos de la presente divulgación.
[0105] La figura 5B ilustra características de un tejido canceroso que son útiles para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VEB y una segunda afección de cáncer no asociada con una infección viral oncogénica por VPH, según algunos ejemplos de la presente divulgación.
[0107] La figura 5C ilustra métricas de rendimiento para una máquina de vectores de soporte entrenada, con respecto al conjunto de datos de entrenamiento, para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VEB y una segunda afección de cáncer no asociada con una infección viral oncogénica por VEB, según algunos ejemplos de la presente divulgación.
[0109] La figura 5D ilustra métricas de rendimiento para una máquina de vectores de soporte entrenada, con respecto a un conjunto de datos de validación, para discriminar entre una primera afección de cáncer asociada con una infección viral oncogénica por VEB y una segunda afección de cáncer no asociada con una infección viral oncogénica por VEB, según algunos ejemplos de la presente divulgación.
[0110] La figura 6A ilustra el análisis de componentes principales de las características de expresión de los genes identificados en el ejemplo 3 para expresarse de forma diferencial en cánceres de cabeza y cuello y de cuello uterino asociados con una infección viral por VPH, en muestras de tejido de cánceres de cabeza y cuello y de cuello uterino, de acuerdo con algunas realizaciones de la presente divulgación.
[0112] La figura 6B ilustra el análisis de componentes principales de las características de expresión de los genes identificados en el ejemplo 4 para expresarse de forma diferencial en cánceres gástricos asociados con una infección viral por VEB, en muestras de tejido de cánceres de cabeza y cuello y de cuello uterino, según algunos ejemplos de la presente divulgación.
[0114] La figura 7A ilustra un informe a modo de ejemplo para un cáncer escamoso de cabeza y cuello positivo para VPH, de acuerdo con algunas realizaciones de la presente divulgación.
[0116] La figura 7B ilustra un informe a modo de ejemplo para un cáncer de cuello uterino positivo para VPH, de acuerdo con algunas realizaciones de la presente divulgación.
[0118] Referencias numéricas correspondientes indican componentes correspondientes en todas las diversas vistas de los dibujos.
[0120] Descripción detallada
[0122] La presente divulgación proporciona sistemas y procedimientos útiles para distinguir cánceres asociados con infecciones por patógenos oncogénicos que contribuyen a la patología del cáncer de cánceres que no están asociados con infecciones por patógenos oncogénicos. La presente divulgación proporciona, además, sistemas y procedimientos útiles para tratar a pacientes con cáncer, basándose en si su cáncer está asociado con una infección por patógenos oncogénicos o no.
[0124] Ventajosamente, los sistemas y procedimientos descritos en el presente documento permiten la detección de patógenos oncogénicos en cánceres, sin la necesidad de ensayos de diagnósticos adicionales. De manera sorprendente, se descubrió que las infecciones por patógenos oncogénicos podrían identificarse basándose en los niveles de expresión de ARNm en una biopsia tumoral. Como tal, los ensayos adicionales desarrollados para identificar ácidos nucleicos o componentes proteicos de estos patógenos se vuelven innecesarios por la presente divulgación. Más bien, se puede realizar un único análisis de expresión de ARNm para caracterizar el perfil transcripcional del cáncer y determinar si está asociado con una infección por patógenos oncogénicos. Por ejemplo, como se informa en el ejemplo 3, un clasificador de máquina de vector de soporte entrenado solo con datos de expresión de ARNm y dos estados de alelo identificaron la infección por VPH en cánceres de cabeza y cuello y de cuello uterino con una especificidad del 99 % y una sensibilidad del 99 %. De forma similar, como se informa en el ejemplo 4, un clasificador de máquina de vector de soporte entrenado solo con datos de expresión de ARNm y dos estados de alelo identificaron la infección por VEB en cáncer gástrico con una especificidad del 99 % y una sensibilidad del 95 %.
[0126] Por ejemplo, la presente divulgación describe procedimientos para entrenar un clasificador para discriminar entre la primera y la segunda afección de cáncer, donde la primera afección de cáncer está asociada con la infección por un primer patógeno oncogénico y la segunda afección de cáncer está asociada con un estado libre de patógenos oncogénicos. De conformidad con el procedimiento, haciendo referencia a la figura 4A, se obtiene un conjunto de datos que tiene una correspondiente pluralidad de valores de abundancia para cada respectivo sujeto en una pluralidad de sujetos de una especie. Cada respectivo valor de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en una muestra de tumor del respectivo sujeto. El conjunto de datos comprende además una indicación de la afección de cáncer de cada respectivo sujeto rastreado por el conjunto de datos. La indicación de afección de cáncer identifica si un sujeto tiene la primera o segunda afección de cáncer (por ejemplo, cáncer de cabeza y cuello o de cuello uterino VPH positivo o cáncer de cabeza y cuello o de cuello uterino VPH negativo como se ilustra en la figura 4A).
[0128] En algunos ejemplos, cada uno de los sujetos tiene un cáncer particular con el mismo origen (por ejemplo, cáncer gástrico como se ilustra en la figura 5A) y lo que delimita si el sujeto está en la primera clase de cáncer o en la segunda clase de cáncer es si el sujeto también está afectado o no por un patógeno oncogénico (por ejemplo, el virus VEB en el caso de la figura 5A) que se sabe que se asocia con este cáncer, de modo que el pronóstico de aquellos sujetos con el cáncer que también están afectados por el patógeno oncogénico es diferente del pronóstico de aquellos sujetos con el cáncer que no están afectados por el patógeno oncogénico. Algunos de los sujetos rastreados por el conjunto de datos (un primer subconjunto de sujetos) están afectados por la primera afección de cáncer mientras que algunos de los sujetos rastreados por el conjunto de datos (un segundo subconjunto de sujetos) están afectados por la segunda afección. A continuación, se identifica un conjunto de genes discriminatorios usando la correspondiente pluralidad de valores de abundancia y la respectiva indicación de la afección de cáncer de los respectivos sujetos en la pluralidad de sujetos. El conjunto de genes discriminatorios comprende un subconjunto de la pluralidad de genes. En general, los niveles de abundancia (por ejemplo, expresión) de tales genes discrimina entre la primera y segunda afección de cáncer. Los detalles con respecto al conjunto de genes discriminatorios se divulgan en lo sucesivo haciendo referencia al bloque 218 de la figura 2C. La figura 4B ilustra un conjunto de genes discriminatorios para cánceres asociados con VPH (cánceres de cabeza y cuello y cánceres de cuello uterino) mientras que la figura 5B ilustra un conjunto de genes discriminatorios para cáncer asociado con VEB (cáncer gástrico)
[0130] Los respectivos valores de abundancia para el conjunto de genes discriminatorios y la respectiva indicación de afección de cáncer a través de la pluralidad de sujetos se usan para entrenar un clasificador para discriminar entre la primera y segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes discriminatorios. En algunos casos opcionales, el clasificador entrenado se usa para clasificar un sujeto de prueba en un primer cáncer o en una segunda afección (o determinar una probabilidad de que el sujeto de prueba tenga la primera o segunda afección de cáncer) introduciendo una pluralidad de valores de abundancia de prueba en el clasificador entrenado. En dichos ejemplos, cada respectivo valor de abundancia en la pluralidad de pruebas de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en la pluralidad de genes, en una muestra de tumor del sujeto de prueba. En algunos casos opcionales, el resultado del clasificador entrenado se usa para proporcionar una intervención terapéutica o formación de imágenes del sujeto de prueba basándose en una determinación de que el sujeto de prueba tiene la primera afección de cáncer o la segunda afección de cáncer (o la probabilidad de que el sujeto de prueba tenga la primera o segunda afección de cáncer).
[0132] Definiciones.
[0134] La terminología utilizada en la presente divulgación tiene el propósito de describir solo realizaciones concretas y no pretende ser limitante de la invención. Tal como se usa en la descripción de la invención y en las reivindicaciones que acompañan, las formas en singular "un", "uno/una" y "el/la" pretenden incluir también las formas en plural, a menos que el contexto indique claramente lo contrario. Se entiende también que el término "y/o" tal como se usan en el presente documento se refiere y abarca todas y cada una de las posibles combinaciones de uno o más de los elementos enumerados asociados. Se entenderá adicionalmente que las expresiones "comprende" y/o "que comprende", cuando se usan en la presente memoria descriptiva, especifican la presencia de características, números enteros, etapas, operaciones, elementos y/o componentes indicados, pero no excluyen la presencia ni la adición de otra u otras características, números enteros, etapas, operaciones, elementos, componentes y/o grupos de estos.
[0135] Como se usa en el presente documento, el término "si" puede interpretarse como "cuando" o "sobre" o "en respuesta a la determinación" o "en respuesta a la detección", dependiendo del contexto. De forma similar, la expresión "si se determina" o "si se detecta [una afección o evento establecido]" puede interpretarse como "al determinar" o "en respuesta a la determinación" o "al detectar [la afección o evento establecido]" o "en respuesta a la detección de [la afección o evento indicado]", dependiendo del contexto.
[0137] También se entenderá que, aunque los términos primero, segundo, etc., pueden usarse en el presente documento para describir diversos elementos, estos elementos no deben estar limitados por estos términos. Estos términos solo se usan para distinguir un elemento de otro. Por ejemplo, un primer sujeto podría denominarse un segundo sujeto y, de forma similar, un segundo sujeto podría denominarse primer sujeto, sin alejarse del alcance de la presente divulgación. El primer sujeto y el segundo sujeto son ambos sujetos, pero no son el mismo sujeto. Además, los términos "sujeto", "usuario", y "paciente" se usan indistintamente en el presente documento.
[0139] Como se usa en el presente documento, el término "sujeto" se refiere a cualquier organismo vivo o no vivo, que incluye, aunque no de forma limitativa, un ser humano (por ejemplo, un ser humano masculino, ser humano femenino, feto, mujer gestante, niño o similar), un mamífero no humano o un animal no humano. Cualquier humano o animal no humano puede servir como sujeto, incluyendo, pero sin limitación, mamífero, reptil, aviar, anfibio, pez, ungulado, rumiante, bovino (por ejemplo, ganado), equino (por ejemplo, caballo), caprinos y ovinos (por ejemplo, oveja, cabra), porcino (por ejemplo, cerdo), camélido (por ejemplo, camello, llama, alpaca), mono, simio (por ejemplo, gorila, chimpancé), úrsido (por ejemplo, oso), ave de corral, perro, gato, ratón, rata, pez, delfín, ballena y tiburón. En algunas realizaciones, un sujeto es un hombre o una mujer de cualquier etapa (por ejemplo, un hombre, una mujer o un niño).
[0140] Como se usa en el presente documento, los términos "control", "muestra de control", "referencia", "muestra de referencia", "normal", y "muestra normal" describen una muestra de un sujeto que no tiene una afección particular o, de otra manera, está sano. En un ejemplo, un procedimiento como se divulga en el presente documento se puede realizar en un sujeto que tiene un tumor, donde la muestra de referencia es una muestra tomada de un tejido sano del sujeto. Se puede obtener una muestra de referencia del sujeto o de una base de datos. La referencia puede ser, por ejemplo, un genoma de referencia que se usa para mapear lecturas de secuencia obtenidas a partir de la secuenciación de una muestra del sujeto. Un genoma de referencia puede referirse a un genoma haploide o diploide, cuyas lecturas de secuencias de la muestra biológica y la muestra constitutiva se puede alinear y comparar. Un ejemplo de muestra constitucional puede ser ADN de glóbulos blancos obtenidos del sujeto. Para un genoma haploide, solo puede haber un nucleótido en cada locus. Para un genoma diploide, pueden identificarse loci heterozygous; cada loci heterozygous puede tener dos alelos, donde cualquiera de los alelos puede permitir una coincidencia para la alineación con el locus.
[0142] Como se usa en el presente documento, el término "locus" se refiere a una posición (por ejemplo, un sitio) dentro de un genoma, es decir, en un cromosoma particular. En algunas realizaciones, un locus se refiere a una única posición de nucleótido dentro de un genoma, es decir, en un cromosoma particular. En algunas realizaciones, un locus se refiere a un pequeño grupo de posiciones de nucleótidos dentro de un genoma, por ejemplo, como se define por una mutación (por ejemplo, sustitución, inserción o deleción) de nucleótidos consecutivos dentro de un genoma de cáncer. Debido a que las células de mamífero normales tienen genomas diploides, un genoma de mamífero normal (por ejemplo, un genoma humano) tendrá generalmente dos copias de cada locus en el genoma o al menos dos copias de cada locus ubicado en los cromosomas autosómicos, es decir, una copia en el cromosoma autosómico materno y una copia en el cromosoma autosómico paterno.
[0144] Como se usa en el presente documento, el término "alelo" se refiere a una secuencia particular de uno o más nucleótidos en un locus cromosómico.
[0146] Como se usa en el presente documento, el término "alelo de referencia" se refiere a la secuencia de uno o más nucleótidos en un locus cromosómico que es el alelo predominante representado en ese locus cromosómico dentro de la población de la especie (por ejemplo, la secuencia de "tipo salvaje") o un alelo que está predefinido dentro de un genoma de referencia para la especie.
[0148] Como se usa en el presente documento, la expresión "alelo variante" se refiere a una secuencia de uno o más nucleótidos en un locus cromosómico que no es el alelo predominante representado en ese locus cromosómico dentro de la población de la especie (por ejemplo, no la secuencia de "tipo salvaje") o no un alelo que está predefinido dentro de un genoma de referencia para la especie.
[0150] Como se usa en el presente documento, la expresión "variante de un solo nucleótido" o "SNV (del inglés single nucleotide variant)" se refiere a una sustitución de un nucleótido por un nucleótido diferente en una posición (por ejemplo, sitio) de una secuencia de nucleótidos, por ejemplo, una secuencia leída de un individuo. Una sustitución de una primera nucleobase X por una segunda nucleobase Y puede indicarse como "X>Y". Por ejemplo, una SNV de citosina a timina puede indicarse como "C>T".
[0152] Como se usa en el presente documento, el término "mutación" o "variante" se refiere a un cambio detectable en el material genético de una o más células. En un ejemplo particular, se pueden encontrar una o más mutaciones en, y pueden identificar, células cancerosas (porejemplo,las mutaciones conductoras y pasajeras). Una mutación puede transmitirse desde una célula aparente a una célula hija. Un experto en la materia apreciará que una mutación genética(por ejemplo,una mutación conductora) en una célula progenitora puede inducir diferentes mutaciones adicionales(por ejemplo,mutaciones pasajeras) en una célula hija. Una mutación generalmente se produce en un ácido nucleico. En un ejemplo particular, una mutación puede ser un cambio detectable en uno o más ácidos desoxirribonucleicos o fragmentos de éstos. Una mutación generalmente se refiere a nucleótidos que se agregan, eliminan, sustituyen por, invierten o transponen a una nueva posición en un ácido nucleico. Una mutación puede ser una mutación espontánea o una mutación inducida experimentalmente. Una mutación en la secuencia de un tejido particular es un ejemplo de un "alelo específico de tejido". Por ejemplo, un tumor puede tener una mutación que dé como resultado un alelo en un locus que no se produce en las células normales. Otro ejemplo de un "alelo específico de tejido" es un alelo específico de feto que se produce en el tejido fetal, pero no el tejido materno.
[0154] Como se usa en el presente documento, el término "cáncer", "tejido canceroso" o "tumor" se refiere a una masa anormal de tejido en la que el crecimiento de la masa supera y no está coordinado con el crecimiento de tejido normal. Un cáncer o tumor puede definirse como "benigno" o "maligno" dependiendo de las siguientes características: grado de diferenciación celular que incluye morfología y funcionalidad, velocidad de crecimiento, invasión local y metástasis. Un tumor "benigno" puede diferenciarse bien, tiene un crecimiento característicamente más lento que un tumor maligno y permanece localizado en el sitio de origen. De forma adicional, en algunos casos, un tumor benigno no tiene la capacidad de infiltrarse, invadir o producir metástasis en lugares distantes. Un tumor "maligno" puede ser mal diferenciado (anaplasia), tiene un crecimiento característicamente rápido acompañado de infiltración progresiva, invasión y destrucción del tejido circundante. Además, un tumor maligno tiene la capacidad de metastatizar a lugares distantes. En consecuencia, una célula cancerosa es una célula que se encuentra dentro de la masa anormal de tejido cuyo crecimiento no está coordinado con el crecimiento del tejido normal. En consecuencia, una "muestra de tumor" se refiere a una muestra biológica obtenida o derivada de un tumor de un sujeto, como se describe en el presente documento.
[0156] Como se usa en el presente documento, una "afección de cáncer asociada con una infección por patógenos oncogénicos", ya sea genéricamente o con referencia a un patógeno oncogénico específico, se refiere a la afección en la que un sujeto con cáncer, afectado por un cáncer específico, se ve afectado además por un patógeno(por ejemplo,virus) que se sabe que se asocia con el cáncer específico.
[0158] Como se usa en el presente documento, una "afección de cáncer que no está asociada con una infección por patógenos oncogénicos", ya sea genéricamente o con referencia a un patógeno oncogénico específico, se refiere a la afección en la que un sujeto con cáncer, afectado por un cáncer específico, específicamente no está afectado por un patógeno(por ejemplo,virus) que se sabe que se asocia con el cáncer específico.
[0160] Como se usa en el presente documento, las expresiones "secuenciación", "determinación de la secuencia" y similares, como se usa en el presente documento, se refieren en general a todos y cada uno de los procesos bioquímicos que pueden usarse para determinar el orden de las macromoléculas biológicas, como ácidos nucleicos o proteínas. Por ejemplo, los datos de secuenciación pueden incluir todas o una porción de las bases de nucleótidos en una molécula de ácido nucleico tal como un transcrito de ARNm o un locus genómico.
[0162] Como se usa en el presente documento, la expresión "lecturas de secuencia" o "lecturas" se refiere a secuencias de nucleótidos producidas por cualquier proceso de secuenciación descrito en el presente documento o conocido en la técnica. Las lecturas se pueden generar a partir de un extremo de fragmentos de ácido nucleico ("lecturas de extremo único") y, a veces, se generan a partir de ambos extremos de ácidos nucleicos (por ejemplo, lecturas de extremos emparejados, lecturas de doble extremo). La longitud de la lectura de secuencia a menudo se asocia con la tecnología de secuenciación particular. Los procedimientos de alto rendimiento, por ejemplo, proporcionan lecturas de secuencia que pueden variar en tamaño de decenas a cientos de pares de bases (pb). En algunas realizaciones, las lecturas de secuencia son de una longitud promedio, media o normal de aproximadamente 15 pb a 900 pb de longitud (por ejemplo, aproximadamente 20 pb, aproximadamente 25 pb, aproximadamente 30 pb, aproximadamente 35 pb, aproximadamente 40 pb, aproximadamente 45 pb, aproximadamente 50 pb, aproximadamente 55 pb, aproximadamente 60 pb, aproximadamente 65 pb, aproximadamente 70 pb, aproximadamente 75 pb, aproximadamente 80 pb, aproximadamente 85 pb, aproximadamente 90 pb, aproximadamente 95 pb, aproximadamente 100 pb, aproximadamente 110 pb, aproximadamente 120 pb, aproximadamente 130, aproximadamente 140 pb, aproximadamente 150 pb, aproximadamente 200 pb, aproximadamente 250 pb, aproximadamente 300 pb, aproximadamente 350 pb, aproximadamente 400 pb, aproximadamente 450 pb o aproximadamente 500 pb. En algunas realizaciones, las lecturas de secuencia son de una longitud promedio, media o normal de aproximadamente 1000 pb, 2000 pb, 5000 pb, 10.000 pb o 50.000 pb. La secuenciación de nanoporos, por ejemplo, puede proporcionar lecturas de secuencia que pueden variar en tamaño de decenas a cientos a miles de pares de bases. La secuenciación paralela de Illumina puede proporcionar lecturas de secuencia que no varían tanto, por ejemplo, la mayoría de las lecturas de secuencia pueden ser inferiores a 200 pb. Una lectura de secuencia (o lectura de secuenciación) puede referirse a información de secuencia correspondiente a una molécula de ácido nucleico (porejemplo,una cadena de nucleótidos). Por ejemplo, una lectura de secuencia puede corresponder a una cadena de nucleótidos(porejemplo,aproximadamente 20 a aproximadamente 150) de parte de un fragmento de ácido nucleico, puede corresponder a una cadena de nucleótidos en uno o ambos extremos de un fragmento de ácido nucleico o puede corresponder a nucleótidos del fragmento de ácido nucleico completo. Una lectura de secuencia puede obtenerse de diversos modos, por ejemplo, mediante técnicas de secuenciación o utilizando sondas, por ejemplo, en matrices de hibridación o sondas de captura o técnicas de amplificación, como la reacción en cadena de la polimerasa (PCR) o la amplificación lineal con un único cebador o la amplificación isotérmica.
[0164] Como se usa en el presente documento, la expresión "segmento de lectura" o "leer" se refiere a cualquier secuencia de nucleótidos que incluye lecturas de secuencia obtenidas de un individuo y/o secuencias de nucleótidos derivadas de la secuencia inicial leída de una muestra obtenida de un individuo. Por ejemplo, un segmento de lectura puede referirse a una lectura de secuencia alineada, a una lectura de secuencia colapsada o a una lectura unida. Además, un segmento de lectura puede referirse a una base de nucleótido individual, tal como a una variante de nucleótido individual.
[0166] Como se usa en el presente documento, la expresión "profundidad de lectura", "profundidad de secuenciación" o "profundidad" se refiere a un número total de segmentos leídos de una muestra obtenida de un individuo en una posición, región o locus dado. El locus puede ser tan pequeño como un nucleótido o tan grande como un brazo cromosómico o tan grande como todo el genoma. La profundidad de secuenciación puede expresarse como "Yx", por ejemplo, 50x, 100x, etc., donde "Y" se refiere al número de veces que se cubre un locus con una lectura de secuencia. En algunas realizaciones, la profundidad se refiere a la profundidad de secuenciación promedio a través del genoma, a través del exoma o a través de un panel de secuenciación dirigido. La profundidad de secuenciación también puede aplicarse a múltiples loci, a todo el genoma, en cuyo caso Y puede referirse al número promedio de veces que se secuencian los locus o un genoma haploide, un genoma completo o un exoma completo, respectivamente. Cuando se cita una profundidad media, la profundidad real para diferentes loci incluidos en el conjunto de datos puede abarcar un intervalo de valores. La secuenciación ultra profunda puede referirse a una profundidad de secuenciación de al menos 100x en un locus.
[0168] Como se usa en el presente documento, la expresión "amplitud de secuenciación" se refiere a qué fracción de un exoma de referencia particular (por ejemplo, exoma de referencia humano), un genoma de referencia particular(por ejemplo,genoma de referencia humano) o parte del exoma o genoma se ha analizado. El denominador de la fracción podría ser un genoma enmascarado repetido y, por lo tanto, el 100% puede corresponder a todo el genoma de referencia menos las partes enmascaradas. Un exoma o genoma con repetición enmascarada puede referirse a un exoma o genoma en el que las repeticiones de secuencia están enmascaradas(por ejemplo,las lecturas de secuencia se alinean con porciones no enmascaradas del exoma o genoma). Se puede enmascarar cualquier parte de un exoma o genoma y, por lo tanto, se puede enfocar en cualquier parte particular de un exoma o genoma de referencia. La secuenciación amplia puede referirse a la secuenciación y análisis de a al menos el 0,1 % del exoma o genoma.
[0169] Como se usa en el presente documento, la expresión, "exoma de referencia" se refiere a cualquier exoma particular conocido, secuenciado o caracterizado, ya sea parcial o completo, de cualquier tejido de cualquier organismo o patógeno que pueda usarse para hacer referencia a secuencias identificadas de un sujeto. Exomas de referencia a modo de ejemplo usados para sujetos humanos, así como muchos otros organismos, se proporcionan en los ejemplos 1 y 2.
[0171] Como se usa en el presente documento, la expresión "genoma de referencia" se refiere a cualquier genoma conocido particular, secuenciado o caracterizado, ya sea parcial o completo, de cualquier organismo o patógeno que pueda usarse para hacer referencia a secuencias identificadas de un sujeto. Los genomas de referencia a modo de ejemplo utilizados para sujetos humanos, así como muchos otros organismos, se proporcionan en el navegador de genomas en línea alojado por el centro nacional de información biotecnológica ("NCBI", del inglés National Center for Biotechnology Information) o la Universidad de California, Santa Cruz (UCSC). Un "genoma" se refiere a la información genética completa de un organismo o patógeno, expresada en secuencias de ácidos nucleicos. Como se usa en el presente documento, una secuencia de referencia o un genoma de referencia a menudo es una secuencia genómica ensamblada o parcialmente ensamblada de un individuo o de múltiples individuos. En algunas realizaciones, un genoma de referencia es una secuencia genómica ensamblada o parcialmente ensamblada de uno o más individuos humanos. El genoma de referencia puede verse como un ejemplo representativo del conjunto de genes de una especie. En algunas realizaciones, un genoma de referencia comprende secuencias asignadas a los cromosomas. Los genomas de referencia humanos a modo de ejemplo incluyen, pero sin limitación, NCBI compilación 34 (equivalente de UCSC: hg16), NCBI compilación 35 (equivalente de UCSC: hg17), NCBI compilación 36,1 (equivalente de UCSC: hg18), GRCh37 (equivalente de UCSC: hg19) y GRCh38 (equivalente de UCSC: hg38).
[0173] Como se usa en el presente documento, el término "ensayo" se refiere a una técnica para determinar una propiedad de una sustancia, por ejemplo, un ácido nucleico, una proteína, una célula, un tejido o un órgano. Un ensayo (porejemplo,un primer ensayo o un segundo ensayo) puede comprender una técnica para determinar la variación del número de copias de los ácidos nucleicos en una muestra, el estado de metilación de los ácidos nucleicos en una muestra, la distribución de tamaño de fragmento de ácidos nucleicos en una muestra, el estado mutacional de los ácidos nucleicos en una muestra o el patrón de fragmentación de los ácidos nucleicos en una muestra. Cualquier ensayo conocido por un experto en la materia puede usarse para detectar cualquiera de las propiedades de los ácidos nucleicos mencionadas en el presente documento. Las propiedades de un ácido nucleico pueden incluir una secuencia, identidad genómica, número de copias, estado de metilación en una o más posiciones de nucleótidos, tamaño de los ácidos nucleicos, presencia o ausencia de una mutación en el ácido nucleico en una o más posiciones de nucleótidos y patrón de fragmentación de un ácido nucleico(por ejemplo,la posición o posiciones de nucleótido en las que se fragmenta un ácido nucleico). Un ensayo o procedimiento puede tener una sensibilidad y/o especificidad particular y su utilidad relativa como herramienta de diagnóstico puede medirse usando estadísticas de ROC-AUC.
[0174] El término "clasificación", como se usa en el presente documento, se refiere a cualquier número o números u otros caracteres distintos que se asocian a una propiedad particular de una muestra. Por ejemplo, un símbolo "+" (o la palabra "positivo") podría significar que una muestra está clasificada como con supresiones o amplificaciones. En otro ejemplo, el término "clasificación" puede referirse a un estado de infección por patógenos oncogénicos, a una cantidad de tejido tumoral en el sujeto y/o muestra, a un tamaño del tumor en el sujeto y/o muestra, a un estadio del tumor en el sujeto, a una carga tumoral en el sujeto y/o muestra y a la presencia de metástasis tumorales en el sujeto. La clasificación puede ser binaria (p. ej., positiva o negativa) o tener más niveles de clasificación (p. ej., una escala de 1 a 10 o de 0 a 1). Los términos "corte" y "umbral" se refieren a números predeterminados utilizados en una operación. Por ejemplo, un tamaño de corte puede referirse a un tamaño por encima del cual se excluyen los fragmentos. Un valor umbral puede ser un valor por encima o por debajo del cual se aplica una determinada clasificación. Cualquiera de estas expresiones puede utilizarse en cualquiera de estos contextos.
[0176] Como se usa en el presente documento, el término "abundancia relativa" puede referirse a una relación de una primera cantidad de fragmentos de ácido nucleico que tienen una característica particular (por ejemplo, alineación con una región particular del exoma) con una segunda cantidad de fragmentos de ácido nucleico que tienen una característica particular (por ejemplo, alineación con una región particular del exoma). En un ejemplo, la abundancia relativa puede referirse a una relación del número de transcritos de ARNm que codifican un gen particular en una muestra (por ejemplo, alineándose con una región particular del exoma) con el número total de transcritos de ARNm en la muestra.
[0177] Como se usa en el presente documento, la expresión "clasificador no entrenado" se refiere a un clasificador que no se ha entrenado en un conjunto de datos de entrenamiento.
[0179] Como se usa en el presente documento, una "cantidad eficaz" o "cantidad terapéuticamente eficaz" es una cantidad suficiente para afectar a un resultado clínico beneficioso o deseado tras el tratamiento. Se puede administrar una cantidad eficaz a un sujeto en una o más dosis. En términos de tratamiento, una cantidad eficaz es una cantidad que es suficiente para paliar, mejorar, estabilizar, revertir o ralentizar la progresión de la enfermedad, o reducir de otro modo las consecuencias patológicas de la enfermedad. La cantidad eficaz se determina generalmente por el médico sobre una base caso por caso y está comprendida en los conocimientos de un experto en la materia. Se tienen en cuenta normalmente varios factores cuando se determina una dosificación adecuada para lograr una cantidad eficaz. Estos factores incluyen la edad, el sexo y el peso del sujeto, la afección que se está tratando, la gravedad de la afección y la forma y concentración eficaz del agente terapéutico administrado.
[0181] Como se usa en el presente documento, el término "sensibilidad" o "tasa de verdaderos positivos" (TPR, del inglés true positive rate) se refiere al número de verdaderos positivos dividido por la suma del número de verdaderos positivos y falsos negativos. La sensibilidad puede caracterizar la capacidad de un ensayo o procedimiento para identificar correctamente una proporción de la población que realmente tiene una afección. Por ejemplo, la sensibilidad puede caracterizar la capacidad de un procedimiento para identificar correctamente el número de sujetos dentro de una población que tiene cáncer. En otro ejemplo, la sensibilidad puede caracterizar la capacidad de un procedimiento para identificar correctamente el uno o más marcadores indicativos de cáncer.
[0183] Como se usa en el presente documento, el término "especificidad" o "tasa de verdaderos negativos" (TNR, del inglés true negative rate) se refiere al número de verdaderos negativos dividido por la suma del número de verdaderos negativos y falsos positivos. La especificidad puede caracterizar la capacidad de un ensayo o procedimiento para identificar correctamente una proporción de la población que realmente no tiene una afección. Por ejemplo, la especificidad puede caracterizar la capacidad de un procedimiento para identificar correctamente el número de sujetos dentro de una población que no tiene cáncer. En otro ejemplo, la especificidad caracteriza la capacidad de un procedimiento para identificar correctamente uno o más marcadores indicativos de cáncer.
[0185] La terminología usada en el presente documento tiene el fin de describir únicamente casos particulares y no pretende ser limitativa. Como se usa en el presente documento, las formas en singular "un", "uno/una" y "el/la" pretenden incluir también las formas en plural, a menos que el contexto indique claramente lo contrario. Además, en la medida en que los términos "que incluye", "incluye", "que tiene/n", "tiene", "con" o las variantes de éstos, se usan en la descripción detallada y/o en las reivindicaciones, tales términos pretenden ser inclusivos de una manera similar a la expresión "que comprende".
[0187] Algunos de los aspectos se describen haciendo referencia a los ejemplos de aplicaciones como ilustración. Debe entenderse que muchos detalles específicos, relaciones y procedimientos se exponen para proporcionar una completa compresión de las características descritas en el presente documento. El experto habitual en la materia pertinente, sin embargo, reconocerá fácilmente que se pueden poner en práctica las características descritas en el presente documento sin uno o más de los detalles específicos o con otros procedimientos. Las características descritas en el presente documento no se limitan al orden de actos o eventos ilustrado, ya que algunos actos pueden tener lugar en diferentes órdenes y/o simultáneamente a otros actos o eventos. Además, no es necesario que todos los actos o eventos ilustrados implementen una metodología de acuerdo con las características descritas en el presente documento.
[0189] A continuación, se hará referencia en detalle a realizaciones, cuyos ejemplos se ilustran en los dibujos adjuntos. En la siguiente descripción detallada, se exponen numerosos detalles específicos con el fin de proporcionar una comprensión exhaustiva de la presente divulgación. Sin embargo, será evidente para un experto en la materia que la presente divulgación se puede poner en práctica sin uno o más de estos detalles específicos. En otros casos, procedimientos bien conocidos, modos de proceder, componentes, circuitos y redes no se han descrito en detalle para no oscurecer innecesariamente aspectos de las realizaciones.
[0191] Ejemplos de realizaciones del sistema.
[0193] Ahora que se ha proporcionado una visión general de algunos aspectos de la presente divulgación y de algunas definiciones usadas en la presente divulgación, se describen los detalles de un sistema a modo de ejemplo junto con la figura 1. La figura 1 es un diagrama de bloques que ilustra un sistema 100 de acuerdo con algunas implementaciones. El dispositivo 100 en algunas implementaciones incluye una o más unidades de procesamiento CPU 102 (también denominadas procesadores), una o más interfaces de red 104, una interfaz de usuario 106, una memoria no persistente 111, una memoria persistente 112 y uno o más buses de comunicación 114 para interconectar estos componentes. El uno o más buses de comunicación 114 incluyen opcionalmente circuitería (a veces denominada conjunto de chips) que interconecta y controla comunicaciones entre componentes de sistema. La memoria no persistente 111 normalmente incluye memoria de acceso aleatorio de alta velocidad, tal como DRAM, SRAM, DDR RAM, ROM, EEPROM, memoria flash, mientras que la memoria persistente 112 normalmente incluye CD-ROM, discos versátiles digitales (DVD) u otro almacenamiento óptico, casetes magnéticos, cinta magnética, almacenamiento en disco magnético u otros dispositivos de almacenamiento magnéticos, dispositivos de almacenamiento de disco magnético, dispositivos de almacenamiento de disco óptico, dispositivos de memoria flash u otros dispositivos de almacenamiento de estado sólido no volátiles. La memoria persistente 112 incluye opcionalmente uno o más dispositivos de almacenamiento ubicados remotamente desde la(s) CPU 102. La memoria persistente 112 y el dispositivo o dispositivos de memoria no volátil dentro de la memoria no persistente 112, comprenden un medio de almacenamiento legible por ordenador no transitorio. En algunas implementaciones, la memoria no persistente 111 o, como alternativa, el medio de almacenamiento legible por ordenador no transitorio almacena los siguientes programas, módulos y estructuras de datos o un subconjunto de los mismos, a veces junto con la memoria persistente 112:
[0194] - un sistema operativo 116 opcional, que incluye procedimientos para manejar diversos servicios de sistema básicos y para realizar tareas dependientes de hardware;
[0195] - un módulo de comunicación de red opcional (o instrucciones) 118 para conectar el sistema 100 con otros dispositivos y/o una red de comunicación 105;
[0196] - un módulo de entrenamiento de clasificador 120 opcional para entrenar clasificadores que distinguen una primera afección de cáncer, asociada a una infección por patógenos oncogénicos, de una segunda afección de cáncer, que no está asociada a una infección por patógenos oncogénicos;
[0197] - una memoria de datos opcional para conjuntos de datos de muestras de tumores de sujetos de entrenamiento 122 que incluyen datos de expresión de uno o más sujetos de entrenamiento 124, donde los datos de expresión incluyen una pluralidad de datos de abundancia para cada uno de una pluralidad de genes 126, soporte para una pluralidad de alelos variantes para cada uno de uno o más genes 127 y una afección de cáncer 128;
[0198] - un módulo de validación de clasificador 130 opcional para validar clasificadores que distinguen una primera afección de cáncer, asociada a una infección por patógenos oncogénicos, de una segunda afección de cáncer, que no está asociada a una infección por patógenos oncogénicos;
[0199] - una memoria de datos opcional para conjuntos de datos de muestras de tumores de sujetos de validación que incluyen datos de expresión de uno o más sujetos de entrenamiento, donde los datos de expresión incluyen una pluralidad de datos de abundancia para cada uno de una pluralidad de genes y una afección de cáncer;
[0200] - un módulo de clasificación de pacientes 134 opcional para clasificar un cáncer en un paciente como una afección de cáncer, asociada a una infección por patógenos oncogénicos o como una segunda afección de cáncer, que no está asociada a una infección por patógenos oncogénicos, usando un clasificador, por ejemplo, según se entrena usando el módulo de entrenamiento de clasificador 120;
[0201] - una memoria de datos opcional para construcciones de datos para pacientes con cáncer 136 que incluye datos de expresión de uno o más pacientes con cáncer 140, donde los datos de expresión incluyen una pluralidad de datos de abundancia para cada uno de una pluralidad de genes 142; y
[0202] - una memoria de datos opcional para construcciones de datos para pacientes con cáncer 138 que incluye datos de alelos variantes de uno o más pacientes con cáncer 144, donde los datos de alelos variantes incluyen una pluralidad de soportes para alelos variantes para cada uno de uno o más genes 146.
[0204] En diversas implementaciones, uno o más de los elementos identificados anteriormente se memorizan en uno o más de los dispositivos de memoria mencionados anteriormente y corresponden a un conjunto de instrucciones para realizar una función descrita anteriormente. Los módulos, datos o programas(por ejemplo,conjuntos de instrucciones) identificados anteriormente no necesitan implementarse como programas de software, modos de proceder, conjuntos de datos o módulos separados y, por lo tanto, diversos subconjuntos de estos módulos y datos pueden combinarse o reorganizarse de otra manera en diversas implementaciones. En algunas implementaciones, la memoria no persistente 111 almacena opcionalmente un subconjunto de los módulos y estructuras de datos identificados anteriormente. Además, en algunas realizaciones, la memoria almacena módulos y estructuras de datos adicionales no descritos anteriormente. En algunas realizaciones, uno o más de los elementos identificados anteriormente se memorizan en un sistema informático, diferente de aquel del sistema de visualización 100, que es accesible por el sistema de visualización 100, de modo que el sistema de visualización 100 puede recuperar todos o una parte de tales datos cuando sea necesario.
[0206] Aunque la figura 1 muestra un "sistema 100", la figura pretende ser más una descripción funcional de las diversas características que pueden estar presentes en los sistemas informáticos que un esquema estructural de las implementaciones descritas en el presente documento. En la práctica, como entienden los expertos en la materia, los elementos mostrados por separado podrían combinarse y algunos elementos podrían separarse. Asimismo, aunque la figura 1 representa ciertos datos y módulos en la memoria no persistente 111, algunos o todos estos datos y módulos pueden estar en la memoria persistente 112.
[0208] Entrenamiento de clasificador.
[0210] Si bien se ha divulgado un sistema de acuerdo con la presente divulgación haciendo referencia a la figura 1, se proporciona una visión general de los procedimientos de acuerdo con la presente divulgación junto con la figura 2A. En el bloque 204 de la figura 2A se obtiene un conjunto de datos. El conjunto de datos comprende una correspondiente pluralidad de valores de abundancia para cada respectivo sujeto de una pluralidad de sujetos de una especie. Cada respectivo valor de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en una muestra de tumor del respectivo sujeto. El conjunto de datos comprende además una indicación de la afección de cáncer de cada respectivo sujeto rastreado por el conjunto de datos. La indicación de afección de cáncer identifica si un sujeto tiene la primera o segunda afección de cáncer.
[0212] Cada uno de los sujetos puede tener un cáncer particular con el mismo origen (por ejemplo, cáncer de estómago) y lo que delimita si el sujeto está en la primera clase de cáncer o en la segunda clase de cáncer es si el sujeto también está afectado o no por un patógeno oncogénico que se sabe que se asocia con este cáncer, de manera que el pronóstico de aquellos sujetos con el cáncer, que también están afectados por el patógeno oncogénico, es diferente del pronóstico de aquellos sujetos con el cáncer que no están afectados por el patógeno oncogénico. Por ejemplo, en el caso de que el patógeno oncogénico específico sea el virus de Epstein Barr (VEB), cada uno de los sujetos tiene un tumor de cáncer gástrico y lo que determina si un respectivo sujeto está en la primera o segunda clase de cáncer es si el sujeto también sufre VEB.
[0214] En algunos casos, cada uno de los sujetos tiene un cáncer que está asociado con un conjunto de cánceres y lo que delimita si el sujeto está en la primera clase de cáncer o en la segunda clase de cáncer es si el sujeto también está afectado o no por un patógeno oncogénico que se sabe que se asocia con cualquiera de los respectivos cánceres en este conjunto de cánceres, de manera que el pronóstico de aquellos sujetos con el respectivo cáncer en el conjunto de cánceres, que también están afectados por el patógeno oncogénico, es diferente del pronóstico de aquellos sujetos con el respectivo cáncer que no están afectados por el patógeno oncogénico. Por ejemplo, en el caso de que el patógeno oncogénico específico sea el virus del papiloma humano (VPH), el conjunto de cánceres es carcinoma de células escamosas de cabeza y cuello y cáncer de cuello uterino. Esto quiere decir, cada sujeto tiene un carcinoma de células escamosas de cabeza y cuello o tiene cáncer de cuello uterino y lo que determina si un respectivo sujeto está en la primera o segunda clase de cáncer es si el sujeto también está afectado por el VPH.
[0216] En algunos ejemplos, cada uno de los sujetos tiene un cáncer expuesto en la columna 2 de la misma fila expuesta en la tabla 1 que sigue y lo que delimita si el sujeto está en la primera clase de cáncer o en la segunda clase de cáncer es si el sujeto también está afectado o no por el patógeno de la columna 1 de esa misma fila en la tabla 1 que sigue. Véase, por ejemplo, Flora and Bonanni, Carcinogenesis 32(6), págs. 787-795.
[0218] T l 1 - inf i n r n i n n r n h m n .
[0220]
[0222] Como se usa en el presente documento, la expresión "microbioma intestinal humano" se refiere a todos los microorganismos que viven en el tracto digestivo humano, un subconjunto que ha resultado ser oncogénico. Por ejemplo, los patógenos que se ha hipotetizado que causan o están correlacionados con, los cánceres de colon o colorrectal incluyen bacterias sulfidogénicas (por ejemplo,Fusobacterium, DesulfovibrioyBilophila wadsworthia), Streptococcus bovisyFusobacterium nucleatum.Para información adicional, véase, Dahmus et al., 2018, J Gastrointest Oncol., 9 (4), págs. 769-77.
[0224] Algunos de los sujetos rastreados por el conjunto de datos (un primer subconjunto de sujetos) están afectados por la primera afección de cáncer mientras que algunos de los sujetos rastreados por el conjunto de datos (un segundo subconjunto de sujetos) están afectados por la segunda afección. Más detalles relativos a tales conjuntos de datos se divulgan a continuación haciendo referencia al bloque 202 de la figura 2B.
[0226] A continuación, en el bloque 218 de la figura 2A, se identifica un conjunto de genes discriminatorios usando la correspondiente pluralidad de valores de abundancia y la respectiva indicación de la afección de cáncer de los respectivos sujetos en la pluralidad de sujetos. El conjunto de genes discriminatorios comprende un subconjunto de la pluralidad de genes. En general, los niveles de abundancia(por ejemplo,expresión) de tales genes discrimina entre la primera y la segunda afección de cáncer. Más detalles relativos al conjunto de genes discriminatorios se divulgan a continuación haciendo referencia al bloque 218 de la figura 2C.
[0228] A continuación, en el bloque 242 de la figura 2A, los respectivos valores de abundancia para el conjunto de genes discriminatorios y la respectiva indicación de la afección de cáncer a través de la pluralidad de sujetos se usan para entrenar un clasificador para discriminar entre la primera y la segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes de discriminación. Más detalles relativos al entrenamiento de tales clasificadores basados en el conjunto de genes discriminatorios se divulgan a continuación haciendo referencia al bloque 242 de la figura 2E.
[0230] Por otra parte, haciendo referencia al bloque 246 de la figura 2A, en algunas realizaciones opcionales, el clasificador entrenado se usa para clasificar un sujeto de prueba en el primer cáncer o en la segunda afección (o determinar una probabilidad de que el sujeto de prueba tenga la primera o segunda afección de cáncer) mediante introducción de una pluralidad de valores de abundancia de prueba en el clasificador. En tales realizaciones, cada respectivo valor de abundancia en la pluralidad de pruebas de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en la pluralidad de genes, en una muestra de tumor del sujeto de prueba. El sujeto de prueba es un sujeto cuya pluralidad de pruebas de valores de abundancia no se usaron para entrenar el clasificador. Asimismo, en casos típicos, un sujeto de prueba es un sujeto para el que no se ha confirmado si el sujeto tiene la primera o la segunda afección de cáncer. Más detalles relativos al diagnóstico de un sujeto de prueba usando el clasificador entrenado de acuerdo con la presente divulgación se divulgan a continuación haciendo referencia al bloque 246 de la figura 2E.
[0232] Por otra parte, haciendo referencia al bloque 248 de la figura 2A, el resultado del clasificador entrenado puede usarse para proporcionar una intervención terapéutica o formación de imágenes del sujeto de prueba basándose en una determinación de que el sujeto de prueba tiene la primera afección de cáncer o la segunda afección de cáncer (o la probabilidad de que el sujeto de prueba tenga la primera o la segunda afección de cáncer). Más detalles relativos a tales opciones de tratamiento que surgen como resultado de la aplicación del clasificador entrenado con respecto a los datos de abundancia de la pluralidad de genes de prueba se divulgan a continuación haciendo referencia al bloque 248 de la figura 2E.
[0234] Ahora que se ha proporcionado una visión general de los procedimientos divulgados junto con la figura 2A, la atención se dirige a las figuras 2B a 2E, que proporcionan detalles adicionales relativos a los procedimientos divulgados.
[0235] Bloque 202.Haciendo referencia al bloque 202 de la figura 2A, se proporcionan procedimientos para entrenar un clasificador para discriminar entre una primera afección de cáncer y una segunda afección de cáncer. Tal como se ha analizado anteriormente, la primera afección de cáncer está asociada a la infección por un primer patógeno oncogénico y la segunda afección de cáncer está asociada a un estado libre de patógenos oncogénicos. A continuación, se describen ejemplos no limitados de cánceres que se sabe que están asociados a infecciones por patógenos oncogénicos, haciendo referencia a la figura 3. En consecuencia, en algunas realizaciones, la primera afección de cáncer es un tipo particular de cáncer que está asociado a una infección patógena oncogénica particular, por ejemplo, como se describe a continuación, y la segunda afección de cáncer es el mismo tipo particular de cáncer que no está asociado a la infección patógena oncogénica particular. Por ejemplo, en una realización, la primera afección de cáncer es cáncer de cuello uterino asociado a una infección por VPH y la segunda afección de cáncer es cáncer de cuello uterino que no está asociado a una infección por patógenos.
[0237] Bloque 204.Haciendo referencia al bloque 204 de la figura 2A, se obtiene un conjunto de datos que comprende una correspondiente pluralidad de valores de abundancia para cada respectivo sujeto en una pluralidad de sujetos de una única especie. Cada respectivo valor de abundancia en la correspondiente pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en una muestra de tumor del respectivo sujeto. El conjunto de datos comprende además una indicación de la afección de cáncer del respectivo sujeto. La indicación de afección de cáncer identifica si el respectivo sujeto tiene la primera o segunda afección de cáncer. La pluralidad de sujetos incluye un primer subconjunto de sujetos que están afectados por la primera afección de cáncer y un segundo subconjunto de sujetos que están afectados por la segunda afección.
[0239] Bloque 206.Haciendo referencia a la figura 206, en algunas realizaciones, la correspondiente pluralidad de valores de abundancia se obtiene mediante secuenciación de ARN. La secuenciación de ARN es una metodología para la creación de perfiles de ARN basada en la secuenciación de próxima generación que permite la medición y comparación de patrones de expresión génica en una pluralidad de sujetos. En algunas realizaciones, millones de cadenas cortas, denominadas 'lecturas de secuencia', se generan a partir de la secuenciación de posiciones aleatorias de ADNc preparado a partir de los ARN de entrada que se obtienen del tejido tumoral de un sujeto. Estas lecturas pueden mapearse computacionalmente en un genoma de referencia para revelar un 'mapa transcripcional', donde el número de lecturas de secuencia alineadas con cada gen proporciona una medida de su nivel de expresión (por ejemplo, abundancia). La secuenciación de próxima generación se divulga en Shendure, 2008, "Next-generation DNA sequencing", Nat. Biotechnology 26, págs. 1135-1145. La secuenciación de ARN se divulga en Nagalakshmi et al., 2008, "The transcriptional landscape of the yeast genome defined by RNA sequencing", Science 320, págs. 1344­ 1349; y Finotell and Camillo, 2014, "Measuring differential gene expression with RNA-seq: challenges and strategies for data analysis", Briefings in Functional Genomics 14(2), págs. 130-142.
[0241] De conformidad con el bloque 206, para cada muestra de tumor para cada sujeto en la pluralidad de sujetos, los ARN en la muestra de interés se fragmentan inicialmente y se transcriben inversamente en ADN complementarios (ADNc). Los ADNc obtenidos se amplifican a continuación y se someten a secuenciación de ADN de próxima generación (NGS, del inglés next-generation sequencing). En principio, se puede usar cualquier tecnología de NGS para secuenciación de ARN. En algunas realizaciones se utiliza el secuenciador de Illumina (véase Internet en illumina.com).Véase,Wang, Z.,et al.,"RNA-Seq: a revolutionary tool for transcriptomics", Nat Rev Genet., 10(1):57-63 (2009). Los millones de lecturas cortas generadas para cada muestra de este tipo se mapean en un genoma de referencia y el número de lecturas se alinea con cada gen, llamados 'recuentos', proporciona una medida digital de los niveles de expresión génica en la muestra que se investiga.
[0243] En algunas realizaciones alternativas, en lugar de usar secuenciación de ARN, se utilizan micromatrices para medir los valores de abundancia de genes. Este tipo de micromatrices se divulgan en Wang et al., 2009, "RNA-Seq: a revolutionary tool for transcriptomics", Nat Rev Genet 10, págs. 57-63; Roy et al. 2011, "A comparison of analog and next-generation transcriptomic tools for mammalian studies", Brief Funct Genomic 10:135-150; Shendure, 2008, "The beginning of the end for microarrays?", Nat Methods 5, págs. 585-587; Cloonan et al., 2008, "Stem cell transcriptome profiling via massive-scale mRNA sequencing", Nat. Methods 5, págs. 613-619; Mortazavi et al., 2008, "Mapping and quantifying mammalian transcriptomes by RNA-Seq", Nat Methods 5, págs. 621-628; y Bullard et al., 2010, "Evaluation of statistical methods for normalization and differential expression in mRNA-Seq experiments" BMC Bioinformatics 11, pág. 94.
[0245] La primera etapa computacional del análisis de datos de secuenciación de ARN es el mapeo de lectura: las lecturas se alinean con un genoma o transcriptoma de referencia identificando regiones génicas que coinciden con las secuencias de lectura. Se puede utilizar cualquiera de una variedad de herramientas de alineación para esta tarea. Véase, por ejemplo, Hatem et al., 2013, "Benchmarking short sequence mapping tools", BMC bioinformatics 14, pág.
[0246] 184; y Engstrom et al., "Systematic evaluation of spliced alignment programs for RNA-seq data, Nat Methods 10, págs.
[0247] 1185-1191. En algunas realizaciones, el proceso de mapeo comienza construyendo un índice del genoma de referencia o de las lecturas, que a continuación se usa para recuperar el conjunto de posiciones en la secuencia de referencia donde es más probable que las lecturas se alineen. Una vez que se ha identificado este subconjunto de posibles ubicaciones de mapeo, la alineación se realiza en estas regiones candidatas con algoritmos más lentos y más sensibles. Véase, por ejemplo, Hatem et al., 2013, "Benchmarking short sequence mapping tools", BMC bioinformatics 14: pág. 184; y Flicek and Birney, 2009, "Sense from sequence reads: methods for alignment and assembly", Nat Methods 6(supl. 11), S6-S12. En algunas realizaciones, las herramientas de mapeo son una metodología que hace uso de una tabla fragmentada o hace uso de una transformada de Burrows-Wheeler (BWT). Véase, por ejemplo, Li and Homer, 2010, "A survey of sequence alignment algorithms for next-generation sequencing", Brief Bioinformatics 11, págs. 473-483.
[0249] Después de mapear, las lecturas alineadas con cada unidad de codificación, tal como exón, transcripción o gen, se utilizan para calcular recuentos, para proporcionar una estimación de su nivel de abundancia (por ejemplo, expresión). En algunas realizaciones, dicho recuento considera el número total de lecturas que se superponen a los exones de un gen. Sin embargo, debido a que, en algún caso, algunas de las lecturas de secuencia se mapean fuera de los límites de los exones conocidos, las realizaciones alternativas tienen consideración la longitud total de un gen, también contando lecturas de intrones. Aún más, en algunas realizaciones se usan lecturas empalmadas para modelar la abundancia de diferentes isoformas de empalme de un gen. Véase, por ejemplo, Trapnell et al., 2010, "Transcript assembly and quantification by RNA-Seq reveals unannotated transcripts and isoform switching during cell differentiation", Nat Biotechnol 28, págs. 511-515; y Gatto et al, 2014, "Fine-Splice, enhanced splice junction detection and quantification: a novel pipeline based on the assessment of diverse RNA-Seq alignment solutions", Nucleic Acids Res 42, pág. e71.
[0251] Como se ha explicado anteriormente, la cuantificación de la abundancia de genes a partir de datos de secuenciación de ARN se implementa típicamente en la tubería de análisis a través de dos etapas computacionales: la alineación de las lecturas con un genoma o transcriptoma de referencia y la posterior estimación de las abundancias de genes e isoformas basándose en lecturas alineadas. Desafortunadamente, las lecturas generadas por las tecnologías de secuenciación de ARN más utilizadas son generalmente mucho más cortas que las transcripciones de las que se muestrean. Como consecuencia, en presencia de transcripciones con secuencias similares, no siempre es posible asignar de manera única lecturas de secuencia corta a un gen específico. Tales lecturas de secuencia se denominan "multilecturas" porque son homólogas a más de una región del genoma de referencia. En algunas realizaciones, tales multilecturas se descartan, esto es, no contribuyen a los recuentos de abundancia de genes. En algunas realizaciones, programas tales como MMSEQ o RSEM, se utilizan para resolver la ambigüedad. Véase, por ejemplo, Turro et al., 2011, "Haplotype and isoform specific expression estimation using multi-mapping RNAseq reads", Genome Biol 12, pág. R13; y Nicolae et al., "Estimation of alternative splicing isoform frequencies from RNA-Seq data", Algorithms Mol Biol 6, pág. 9.
[0253] Otro aspecto de la secuenciación de ARN es la normalización de recuentos de lectura de secuencia. En algunas realizaciones, esto incluye la normalización para tener en cuenta diferentes profundidades de secuenciación.Véase,por ejemplo, Lin et al., 2011, "Comparative studies of de novo assembly tools for next-generation sequencing technologies", Bioinformatics 27, págs. 2031-2037; Robinson Oshlack, 2010, "A scaling normalization method for differential expression analysis of RNA-seq data", Genome Biol 11, pág. R25; y Li et al., 2012, "Normalization, testing, and false discovery rate estimation for RNA-sequencing data, Biostatistics 13, págs. 523-538. En algunas realizaciones, los recuentos de lectura de secuencia se normalizan para tener en cuenta el sesgo de longitud del gen. Véase, Finotell and Camillo, 2014, "Measuring differential gene expression with RNA-seq: challenges and strategies for data analysis", Briefings in Functional Genomics 14(2), págs. 130-142.
[0255] Bloque 208.Haciendo referencia al bloque 208 de la figura 2B, en algunas realizaciones, cada sujeto de la pluralidad de sujetos está afectado por un primer tipo de cáncer. En otras palabras, en algunas realizaciones, cada sujeto en la base de datos 122 está afectado por el mismo tipo de cáncer. En algunas de dichas realizaciones, cada sujeto de la pluralidad de sujetos tiene cáncer de mama, cáncer de pulmón, cáncer de próstata, cáncer colorrectal, cáncer de riñón, cáncer de útero, cáncer de páncreas, cáncer de esófago, cáncer de cabeza/cuello, cáncer de ovario, cáncer hepatobiliar, cáncer de cuello uterino, cáncer tiroideo o cáncer de vejiga.
[0257] Bloque 210.Haciendo referencia al bloque 208 de la figura 2B, en algunas realizaciones, cada sujeto de la pluralidad de sujetos está afectado por un primer estadio de un primer tipo de cáncer. En otras palabras, en algunas realizaciones, cada sujeto de la base de datos 122 está afectado por el mismo tipo de cáncer y este cáncer está en el mismo estadio. En algunas de dichas realizaciones, cada sujeto de la pluralidad de sujetos tiene cáncer de mama, cáncer de pulmón, cáncer de próstata, cáncer colorrectal, cáncer de riñón, cáncer de útero, cáncer de páncreas, cáncer de esófago, cáncer de cabeza/cuello, cáncer de ovario, cáncer hepatobiliar, cáncer de cuello uterino, cáncer tiroideo o cáncer de vejiga. Asimismo, en dichas realizaciones, el estadio de este cáncer en cada sujeto de la pluralidad de sujetos es cáncer en estadio I, estadio II, estadio III o estadio IV.
[0259] Bloques 212-214.Haciendo referencia al bloque 212 de la figura 2B y al bloque 214 de la figura 2C, la cohorte usada en los procedimientos divulgados es de tamaño suficiente para desarrollar un clasificador que tenga un rendimiento adecuado para examinar sujetos para determinar si tienen una primera o segunda afección de cáncer. Por tanto, en algunas realizaciones, la pluralidad de sujetos comprende un centenar de sujetos, el primer subconjunto de sujetos (aquellos que tienen la primera afección de cáncer) comprende veinte sujetos y el segundo subconjunto de sujetos (aquellos que tienen la segunda afección de cáncer) comprende veinte sujetos. Esto es solo un ejemplo. En otras realizaciones, la pluralidad de sujetos comprende un millar de sujetos, el primer subconjunto de sujetos comprende cien sujetos y el segundo subconjunto de sujetos comprende cien sujetos. En otras realizaciones adicionales, la pluralidad de sujetos comprende cien, quinientos, dos mil, cuatro mil o diez mil sujetos, el primer subconjunto de sujetos comprende cien sujetos, quinientos sujetos o mil sujetos y el segundo subconjunto de sujetos comprende cien sujetos, quinientos sujetos o mil sujetos. En algunas realizaciones, la mayoría de los sujetos tienen la primera afección de cáncer frente a la segunda afección de cáncer. Por ejemplo, en algunas realizaciones, más del diez por ciento, más del veinte por ciento, más del treinta por ciento, más del cuarenta por ciento, más del cincuenta por ciento, más del sesenta por ciento, más del setenta por ciento, más del ochenta por ciento o más del noventa por ciento de los sujetos del conjunto de datos 122 tienen la primera afección de cáncer mientras que el resto tiene la segunda afección de cáncer.
[0261] Bloque 216.Haciendo referencia al bloque 216 de la figura 2C, en algunas realizaciones, los procedimientos divulgados se usan con sujetos de entrenamiento que son humanos. Aunque cada sujeto de entrenamiento del conjunto de datos 122 es de la misma especie, no hay ningún requisito de que la especie sea humana. En algunas realizaciones, la especie es canina, bovina, porcina o alguna otra especie.
[0263] Bloque 218.Haciendo referencia al bloque 218 de la figura 2C, una vez que se ha obtenido un conjunto de datos 122 que comprende una pluralidad correspondiente de valores de abundancia para cada respectivo sujeto de una pluralidad de sujetos de una sola especie, el conjunto de datos 122 se usa para identificar un conjunto de genes discriminatorios usando los valores de abundancia y la respectiva indicación de la afección de cáncer de los respectivos sujetos de la pluralidad de sujetos del conjunto de datos 122. El conjunto de genes discriminatorios comprende un subconjunto de la pluralidad de genes. Los procedimientos específicos para identificar el conjunto de genes discriminatorios de acuerdo con algunas realizaciones de la divulgación se detallan a continuación haciendo referencia a los bloques 226 a 240.
[0265] Bloques 220-224.Haciendo referencia al bloque 220 de la figura 2C, en algunas realizaciones, la especie que se tiene en consideración es humana, la pluralidad de genes (para los que se tienen en consideración datos de abundancia) incluye diez mil o más genes, por ejemplo, el xGen Exome Research Panel v1.0 (IDT) abarca una región objetivo de 39 Mb que incluye 19.396 genes(véase,Nguyen, A.,et al.,"Multiplexed Hybrid Capture for Whole Exome Sequencing", Technical Note, Integrated DNA Technologies, Inc., (2018)) y el conjunto de genes discriminatorios consiste en entre cinco y cuarenta genes. Haciendo referencia al bloque 222 de la figura 2C, en algunas realizaciones, el sujeto es un ser humano, la pluralidad de genes incluye cinco mil genes y el conjunto de genes discriminatorios consiste en entre cinco y veinticinco genes. También son posibles otros intervalos. Por ejemplo, en algunas realizaciones, la pluralidad de genes (para los que se tienen en consideración datos de abundancia) incluye al menos doscientos, quinientos, mil, dos mil, tres mil, cuatro mil, cinco mil, seis mil, siete mil, ocho mil, nueve mil, diez mil, quince mil o veinte mil genes y el conjunto de genes discriminatorios consiste en entre cinco genes y quinientos genes, en entre cinco genes y cien genes, en entre cinco genes y cincuenta genes o en entre cinco genes y veinticinco genes. Independientemente del intervalo, el gen discriminatorio es inferior a la pluralidad original de genes. En algunas realizaciones, el conjunto de discriminación consiste en al menos cuatro veces menos genes que la pluralidad de genes en el conjunto de datos 122 (porejemplo,una caída de 1000 genes a 250 genes o menos). Al seleccionar menos genes para el conjunto de genes discriminatorios de los que están disponibles en el conjunto de datos 122, los algoritmos para discriminar entre el primer y el segundo estado pueden entrenarse en datos más reducidos más informativos(por ejemplo,datos de abundancia para menos genes), lo que conduce a un entrenamiento computacionalmente más eficiente de clasificadores que discriminan entre el primer y segundo estado de cáncer. Tales mejoras en la eficiencia computacional, debido al tamaño reducido del conjunto de genes discriminatorios, puede usarse ventajosamente o bien para acelerar el entrenamiento del clasificador o usarse para mejorar el rendimiento de tales clasificadores (por ejemplo,a través de un entrenamiento más extenso del clasificador). En algunas realizaciones, el conjunto de genes discriminatorios consiste en al menos cuatro veces, cinco veces, seis veces, siete veces, ocho veces, nueve veces, diez veces, veinte veces, treinta veces, cuarenta o cincuenta veces menos genes que la pluralidad de genes en el conjunto de datos 122. Por otra parte, reducir el número de genes utilizados para el análisis mejora el modelo, evitando el sobreajuste de los datos.
[0267] Bloque 226.Haciendo referencia al bloque 226 de la figura 2C, en algunas realizaciones, la identificación del conjunto de genes discriminatorio comprende realizar una regresión del conjunto de datos 122 basándose en todos o un subconjunto de la pluralidad de valores de abundancia 126 a través de la pluralidad de sujetos de entrenamiento 124 con respecto a la respectiva indicación de afección de cáncer 128 a través de la pluralidad de sujetos de entrenamiento 124 usando un algoritmo de regresión para asignar de ese modo un correspondiente coeficiente de regresión, en una pluralidad de coeficientes de regresión, a cada respectivo gen de la pluralidad de genes. Por tanto, en dichas realizaciones, la afección de cáncer es la variable dependiente y los valores de abundancia de genes son las variables independientes. En tales realizaciones, los genes de la pluralidad de genes que se seleccionan para el conjunto de genes discriminatorios, son aquellos genes a los que se ha asignado un coeficiente por parte del algoritmo de regresión que satisface un umbral de coeficiente. En tales realizaciones, un gen cuyo coeficiente satisface un umbral de coeficiente se considera lo suficientemente significativo como para tener un efecto apreciable en la variable dependiente, clase de cáncer y, por lo tanto, se retiene para el conjunto de genes discriminatorios. Más detalles sobre tal regresión en realizaciones particulares de la presente divulgación se presentan a continuación.
[0269] Bloques 228 a 232.Haciendo referencia al bloque 228 de la figura 2D, en algunas realizaciones, la identificación del conjunto de genes discriminatorios comprende dividir el conjunto de datos en una pluralidad de conjuntos(por ejemplo,entre cinco y cincuenta conjuntos, exactamente 10 conjuntos,etc.).Cada conjunto de la pluralidad de conjuntos incluye dos o más sujetos que están afectados por la primera afección de cáncer y dos o más sujetos que están afectados por la segunda afección de cáncer. Entonces, cada respectivo conjunto de la pluralidad de conjuntos se hace retroceder independientemente basándose en todos o un subconjunto de la pluralidad de valores de abundancia a través de los sujetos del respectivo conjunto con respecto a la respectiva indicación de afección de cáncer a través de los sujetos del respectivo conjunto usando el algoritmo de regresión para de ese modo asignar un coeficiente de regresión correspondiente, en la pluralidad de coeficientes de regresión, a cada respectivo gen de la pluralidad de genes. Aquellos genes a los que se les asigna un coeficiente de regresión por parte del algoritmo de regresión que satisface un umbral de coeficiente para al menos un porcentaje umbral de la pluralidad de conjuntos, se seleccionan para el conjunto de genes discriminatorios. Haciendo referencia a la figura 230, en algunas realizaciones, el coeficiente umbral es cero. En algunas realizaciones, el porcentaje umbral requerido es al menos el cuarenta por ciento de la pluralidad de conjuntos. Por tanto, a modo ilustrativo, considérese el caso en el que hay 10 conjuntos. En un caso de este tipo, para que el gen A se incluya en el conjunto de genes discriminatorios, el coeficiente de regresión para el gen A, tras la regresión de cada uno de los 10 conjuntos con respecto a la afección de cáncer, necesitaría satisfacer un umbral de regresión en 4 de los 10 conjuntos. Si el umbral de regresión es cero, lo que significa que se requiere un coeficiente de regresión positivo para satisfacer el umbral de regresión, el coeficiente de regresión para el gen A en al menos cuatro de los diez conjuntos debería ser positivo. En algunas realizaciones, se aplica un umbral al valor absoluto del coeficiente. Sin embargo, en algunas realizaciones descritas en el presente documento, el umbral se establece en 0 porque la regresión LASSO está diseñada para devolver coeficientes dispersos. En algunas realizaciones, el porcentaje umbral requerido es al menos el cincuenta por ciento, al menos el sesenta por ciento, al menos el setenta por ciento, al menos el ochenta por ciento, al menos el noventa por ciento o toda la pluralidad de conjuntos. Haciendo referencia a la figura 232, en algunas realizaciones, el umbral del coeficiente de regresión es mayor que cero(por ejemplo,0,1, 0,2, 0,3 o algún otro valor positivo). Se apreciará que requerir coeficientes de regresión más grandes sirve para aumentar la rigurosidad de lo que se requiere para que un gen se incluya en el conjunto de datos de discriminación. En determinadas realizaciones alternativas, un coeficiente de regresión satisface un umbral de coeficiente de regresión cuando el valor absoluto del coeficiente de regresión tras la regresión es distinto de cero, superior a 0,1 o superior a 0,2.
[0271] Bloques 234-240.Se observará que la variable dependiente usada en la identificación del conjunto de genes discriminatorios adopta una de dos etiquetas, la primera afección de cáncer o la segunda afección de cáncer. En consecuencia, haciendo referencia al bloque 234 de la figura 2D, en algunas realizaciones, el algoritmo de regresión es una regresión logística que supone:
[0272]
[0275] En este caso, x¡ = (x¡i, x¡<2>, x¡k) son la correspondiente pluralidad de valores de abundancia para la pluralidad de genes de la muestra de tumor del correspondiente sujeto /th. Además, Y • {0, 1} es la etiqueta de clase que tiene el valor "1" cuando el correspondiente sujetoitiene la primera afección de cáncer y que tiene el valor "0" cuando el correspondiente sujeto i tiene la segunda afección de cáncer. Por tanto, P(Y = 1|<x>¡) es la probabilidad estimada de que el correspondiente sujeto ith sea un miembro de la primera clase de cáncer. El término<* 0>es una intersección y *j =(j= 1, ... k) es la pluralidad de coeficientes de regresión. Cada respectivo coeficiente de regresión en la pluralidad de coeficientes de regresión es para un correspondiente gen de la pluralidad de genes. Más específicamente, cada respectivo coeficiente de regresión es para el valor de abundancia de un correspondiente gen de la pluralidad de genes a través de los sujetos de entrenamiento 124 en el conjunto de datos 122. En la regresión logística de acuerdo con tales realizaciones, el correspondiente sujeto Zth se asigna a la primera clase de cáncer cuandoP(Y= 1|x¡) supera un valor umbral predefinido y a la segunda clase de cáncer de lo contrario. En algunas realizaciones, este valor umbral predefinido es 0,5. En algunas realizaciones, este valor umbral predefinido es un número entre 0,25 y 0,75.
[0277] Haciendo referencia a la figura 238, en algunas realizaciones, la regresión logística es la regresión del operador de selección y contracción logística mínima absoluta (LASSO, del inglés least absolute shrinkage and selection operator).
[0278] En tales realizaciones, el estimador LASSO logístico
se define como el minimizador de la probabilidad logarítmica negativa:
[0281] min(2r=i[-y¿(/?oPix£ ...¡ikx ik) log
[0283] y k \oI < ^
[0284] sujeto a la limitación — . En este caso, que es • >0, es un parámetro de ajuste que controla la dispersión del estimador (porejemplo,el número de coeficientes de regresión con un valor de cero) y se selecciona en la práctica usando, por ejemplo, muestras de validación o validación cruzada. En algunas realizaciones, el paquete glmnet en R se usa para obtener el estimador LASSO logístico. Véase Friedman et al., 2008, "Regularization Paths for Generalized Linear Models via Coordinate Descent", Journal of Statistical Software 33(1); y Kim, 2018, "Logistic LASSO regression for the diagnosis of breast cancer using clinical demographic data and the BI-RADS lexicon for ultrasonography", Ultrasonography 37, págs. 36-42.
[0286] En algunas realizaciones, se usa un procedimiento de regularización distinto de LASSO para identificar los genes de la pluralidad de genes que discriminan entre el primer y segundo estado de cáncer basándose en valores de abundancia de genes a través de los sujetos de entrenamiento 124 del conjunto de datos 122. Por ejemplo, en algunas realizaciones, se usa una red elástica para identificar los genes de la pluralidad de genes que discriminan entre el primer y segundo estado de cáncer basándose en valores de abundancia de genes en los sujetos de entrenamiento 124 del conjunto de datos 122.VéaseZou and Hastie, 2005, "Regularization and variable selection via the elastic net, J R Stat Soc Series B Stat Methodol 67, págs. 301-320. En algunas realizaciones, se usa una penalización laplaciana escasa para identificar los genes en la pluralidad de genes que discriminan entre el primer y segundo estado de cáncer, basándose en valores de abundancia de genes a través de los sujetos de entrenamiento 124 del conjunto de datos 122. Véase Huang et al., 2011, "The sparse Laplacian shrinkage estimator for high-dimensional regression, Ann Stat 39, págs. 2021-2046. En algunas realizaciones, red elástica, grupo LASSO (Yuan and Lin, 2006, "Model Selection and Estimation in Regression with Grouped Variables", Journal of the Royal Statistical Society. Series B Statistical Methodology 68(1), págs. 49-67), fused LASSO (Tibshirani et al., 2005, "Sparsity and Smoothness via the Fused lasso", Journal of the Royal Statistical Society. Series B Statistical Methodology 67(1), págs. 91-108), quasi-norms and bridge regression (Fu, 1998, "The Bridge versus the Lasso", Journal of Computational and Graphical Statistics 7(3), págs. 397-416) o se usa LASSO adaptativo para identificar los genes de la pluralidad de genes que discriminan entre el primer y segundo estado de cáncer basándose en valores de abundancia de genes a través de los sujetos de entrenamiento 124 del conjunto de datos 122. Haciendo referencia al bloque 240 de la figura 2E, en algunas realizaciones, el algoritmo de regresión incluye un término de regularización L1 (LASSO) o L2 (Ridge).
[0288] Bloques 242-244.La divulgación anterior detalla cómo se usan los valores de abundancia 126 de genes de los sujetos 124 en un conjunto de entrenamiento 122 para identificar un conjunto de genes discriminatorios cuyos valores de abundancia discriminan colectivamente entre un primer y segundo estado de cáncer. Una vez que se identifica este conjunto de genes discriminatorios, el conjunto de entrenamiento 122 se usa entonces para entrenar formalmente un clasificador que puede discriminar entre el primer y segundo estado de cáncer para un sujeto de prueba usando los valores de abundancia de los genes discriminatorios que se miden a partir de una muestra biológica tomada de un sujeto de prueba. En realizaciones típicas, no se conoce el estado de cáncer de este sujeto de prueba. Esto quiere decir, si bien se puede saber que el sujeto de prueba tiene un cáncer particular, no se sabe si el sujeto ha sido afectado por un patógeno que tiene un efecto adverso sobre el pronóstico del cáncer del sujeto. En realizaciones típicas, la muestra biológica usada para medir los valores de abundancia de genes del sujeto de prueba es un tumor sólido dentro del sujeto de prueba. Haciendo referencia a la figura 242, en algunas realizaciones, los respectivos valores de abundancia para el conjunto de genes discriminatorios y la respectiva indicación de la afección de cáncer en la pluralidad de sujetos se usan para entrenar un clasificador para discriminar entre la primera afección de cáncer y la segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes discriminatorio. En algunas realizaciones, tal como se divulga en los ejemplos que siguen, se hace uso de características adicionales además de los valores de abundancia del conjunto de genes discriminatorios para entrenar el clasificador. Por ejemplo, en algunas realizaciones, la ausencia de presencia de mutaciones específicas en genes seleccionados también se usa para entrenar el clasificador junto con los valores de abundancia para el conjunto de genes discriminatorios.
[0290] Haciendo referencia al bloque 244 de la figura 2E, en algunas realizaciones, a modo de ejemplo no limitante, el clasificador usado en el bloque 242 es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte (SVM), un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión, un algoritmo de agrupamiento o combinaciones de éstos.
[0292] Se divulgan algoritmos de regresión logística adecuados para su uso como el clasificador del bloque 242, por ejemplo, en Agresti, An Introduction to Categorical Data Analysis, 1996, Capítulo 5, págs. 103-144, John Wiley & Son, Nueva York.
[0294] Los algoritmos de red neuronal, incluyendo algoritmos de red neuronal convolucional, adecuados para su uso como el clasificador del bloque 242 se divulgan en, por ejemplo, Vincent et al., 2010, "Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion", J Mach Learn Res 11, págs. 3371­ 3408; Larochelle et al., 2009, "Exploring strategies for training deep neural networks", J Mach Learn Res 10, págs. 1­ 40; y Hassoun, 1995, Fundamentals of Artificial Neural Networks, Massachusetts Institute of Technology. Una red neuronal tiene una estructura en capas que incluye una capa de unidades de entrada (y la polarización) conectadas por una capa de ponderaciones a una capa de unidades de salida. Para la regresión, la capa de unidades de salida normalmente incluye solo una unidad de salida. Sin embargo, las redes neuronales pueden manejar múltiples respuestas cuantitativas de una manera perfecta. En las redes neuronales multicapa, hay unidades de entrada (capa de entrada), unidades ocultas (capa oculta) y unidades de salida (capa de salida). Existe, además, una única unidad de polarización que está conectada a cada unidad distinta de las unidades de entrada. Las redes neuronales de ejemplo adicionales adecuadas para su uso como el clasificador del bloque 242 se divulgan en Duda et al., 2001, Pattern Classification, segunda edición, John Wiley & Sons, Inc., Nueva York; y Hastie et al., 2001, The Elements of Statistical Learning, Springer-Verlag, Nueva York. Las redes neuronales de ejemplo adicionales adecuadas para su uso como el clasificador del bloque 242 también se describen en Draghici, 2003, Data Analysis Tools for DNA Microarrays, Chapman & Hall/CRC; y Mount, 2001, Bioinformatics: sequence and genome analysis, Cold Spring Harbor Laboratory Press, Cold Spring Harbor, Nueva York.
[0296] Los algoritmos de SVM adecuados para su uso como el clasificador del bloque 242 se describen en, por ejemplo, Cristianini and Shawe-Taylor, 2000, "An Introduction to Support Vector Machines", Cambridge University Press, Cambridge; Boser et al., 1992, "A training algorithm for optimal margin classifiers", in Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory,<a>C<m>Press, Pittsburgh, Pa., págs. 142-152; Vapnik, 1998, Statistical Learning Theory, Wiley, Nueva York; Mount, 2001, Bioinformatics: sequence and genome analysis, Cold Spring Harbor Laboratory Press, Cold Spring Harbor, Nueva York.; Duda, Pattern Classification, segunda edición, 2001, John Wiley & Sons, Inc., págs. 259, 262-265; y Hastie, 2001, The Elements of Statistical Learning, Springer, Nueva York; and Furey et al., 2000, Bioinformatics 16, 906-914. Cuando se usa para la clasificación, Los SVM separan un conjunto dado de conjunto de entrenamiento de datos etiquetados binarios (en este caso, la primera y segunda afección de cáncer de cada sujeto en el conjunto de datos 122) con un hiperplano que está lo más distante posible de los datos etiquetados. Para los casos en los que no es posible una separación lineal, Los SVM pueden funcionar en combinación con la técnica de 'núcleos, que realiza automáticamente un mapeo no lineal de un espacio de características. El hiperplano encontrado por el SVM en el espacio de características corresponde a un límite de decisión no lineal en el espacio de entrada.
[0298] Se divulgan clasificadores Naive Bayes adecuados para su uso como el clasificador del bloque 242, por ejemplo, en Ng et al., 2002, "On discriminative vs. generative classifiers: A comparison of logistic regression and naive Bayes", Advances in Neural Information Processing Systems, 14.
[0300] Los algoritmos de árboles de decisión adecuados para su uso como el clasificador del bloque 242 se describen en, por ejemplo, Duda, 2001, Pattern Classification, John Wiley & Sons, Inc., Nueva York, págs. 395-396. Los procedimientos basados en árboles dividen el espacio de características en un conjunto de rectángulos y, a continuación, ajustan un modelo (como una constante) en cada uno. En algunas realizaciones, el árbol de decisión es una regresión de bosque aleatorio. Un algoritmo específico que puede usarse como el clasificador del bloque 244 es un árbol de clasificación y regresión (CART). Otros ejemplos de algoritmos de árbol de decisión específicos que pueden usarse como el clasificador del bloque 244 incluyen, pero sin limitación, ID3, C4.5, MART y bosques aleatorios. CART, ID3 y C4.5 se describen en Duda, 2001, Pattern Classification, John Wiley & Sons, Inc., Nueva York. Págs.
[0301] 396-408 y págs. 411-412. CART, MART y C4.5 se describen en Hastie et al., 2001, The Elements of Statistical Learning, Springer-Verlag, Nueva York, capítulo 9. Los bosques aleatorios se describen en Breiman, 1999, "Random Forests--Random Features", Technical Report 567, Statistics Department, U.C. Berkeley, septiembre de 1999.
[0302] Se describen algoritmos de agrupamiento adecuados para su uso como el clasificador del bloque 242, por ejemplo, en páginas 211-256 de Duda and Hart, Pattern Classification and Scene Analysis, 1973, John Wiley & Sons, Inc., Nueva York, (en lo sucesivo en el presente documento "Duda 1973"). Como se establece en la sección 6.7 de Duda 1973, el problema de agrupamiento se describe como uno de encontrar agrupaciones naturales en un conjunto de datos. Para identificar agrupaciones naturales, se abordan dos cuestiones. En primer lugar, se determina una forma de medir la similitud (o disimilitud) entre dos muestras. Esta métrica (medida de similitud) se usa para garantizar que las muestras en una agrupación se parecen más entre sí que a las muestras en otras agrupaciones. En este caso, la medida de similitud está en los niveles de abundancia del conjunto de genes discriminatorios a través del conjunto de datos de entrenamiento 122. En segundo lugar, se determina un mecanismo para dividir los datos en agrupaciones usando la medida de similitud. Las medidas de similitud se analizan en la sección 6.7 de Duda 1973, donde se establece que una forma de comenzar una investigación de agrupamiento es definir una función de distancia y calcular la matriz de distancias entre todos los pares de muestras en un conjunto de datos. Si la distancia es una buena medida de similitud, entonces la distancia entre muestras en la misma agrupación será significativamente menor que la distancia entre muestras en diferentes agrupaciones. Sin embargo, como se indica en la página 215 de Duda 1973, el agrupamiento no requiere el uso de una medición de distancia. Por ejemplo, se puede usar una función de similitud no métrica s(x, x') para comparar dos vectores x y x'. Convencionalmente, s(x, x') es una función simétrica cuyo valor es grande cuando x y x' son de alguna manera "similares". Un ejemplo de una función de similitud no métrica s(x, x') se proporciona en la página 216 de Duda 1973.
[0304] Una vez que se ha seleccionado un procedimiento para medir la "similitud" o "disimilitud" entre puntos en un conjunto de datos, el agrupamiento hace uso de una función de criterio que mide la calidad de agrupamiento de cualquier partición de los datos. Las particiones del conjunto de datos que extremizan la función de criterio se usan para agrupar los datos. Véanse las páginas 217 de Duda 1973. Las funciones de criterio se analizan en la sección 6.8 de Duda 1973. Más recientemente, Duda et al., Pattern Classification, 2.a edición, John Wiley & Sons, Inc. New York, ha sido publicado. Las páginas 537-563 describen el agrupamiento en detalle. Más información sobre técnicas de agrupamiento adecuadas para su uso como el clasificador en el bloque 242 se divulga en Kaufman and Rousseeuw, 1990, Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, Nueva York, Nueva York.; Everitt, 1993, Cluster analysis (tercera edición), Wiley, Nueva York, Nueva York.; y Backer, 1995, Computer-Assisted Reasoning in Cluster Analysis, Prentice Hall, Upper Saddle River, N.J. Las técnicas de agrupamiento a modo de ejemplo particulares que se pueden usar como el clasificador del bloque 242 incluyen, pero sin limitación, agrupamiento jerárquico (agrupamiento aglomerativo usando el algoritmo del vecino más cercano, algoritmo del vecino más lejano, el algoritmo de enlace promedio, el algoritmo de centroide o el algoritmo de suma de cuadrados), agrupamiento de k-medias, algoritmo de agrupamiento de k-medias difusas y agrupamiento de Jarvis-Patrick.
[0306] En algunas realizaciones, el clasificador usado para el bloque 242 es un algoritmo de vecino más cercano. Para los vecinos más cercanos, dado un punto de consulta x<0>(un sujeto de prueba), los k puntos de entrenamiento x^, r, ... , k (aquí los sujetos de entrenamiento) más cercanos en distancia a x<0>se identifican y luego el punto x<0>se clasifica usando los k vecinos más cercanos. En este caso, la distancia a estos vecinos es una función de los valores de abundancia del conjunto de genes discriminatorios. En algunas realizaciones, La distancia euclidiana en el espacio de características se usa para determinar la distancia comod®=•x®- x(0)«. Típicamente, cuando se usa el algoritmo de vecino más cercano, los datos de abundancia usados para calcular el discriminador lineal se normalizan para tener media cero y varianza 1. La regla del vecino más cercano se puede refinar para abordar problemas de anteriores de clase desiguales, costes diferenciales de clasificación errónea y selección de características. Muchos de estos refinamientos implican alguna forma de votación ponderada para los vecinos. Para obtener más información sobre el análisis de vecino más cercano, véase Duda, Pattern Classification, segunda edición, 2001, John Wiley & Sons, Inc; y Hastie, 2001, The Elements of Statistical Learning, Springer, Nueva York.
[0308] Bloques 246-248.La divulgación anterior describe el entrenamiento de un clasificador usando los valores de abundancia de un conjunto de genes discriminatorios.
[0310] Haciendo referencia al bloque 246, en algunas realizaciones, el clasificador entrenado se usa entonces para clasificar un sujeto de prueba para determinar si el sujeto de prueba tiene la primera afección de cáncer o la segunda afección de cáncer introduciendo una pluralidad de valores de abundancia de prueba en el clasificador. En tales realizaciones, cada respectivo valor de abundancia en la pluralidad de pruebas de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en la pluralidad de genes y, más específicamente, en el conjunto de genes discriminatorios, en una muestra biológica(por ejemplo,muestra de tumor) del sujeto de prueba. En respuesta a esta entrada, el clasificador especifica si el sujeto de prueba tiene la primera afección de cáncer o la segunda afección de cáncer.
[0312] Haciendo referencia al bloque 246, en algunas realizaciones alternativas, el clasificador entrenado se usa para determinar la posibilidad o probabilidad de que un sujeto de prueba tenga la primera afección de cáncer o la segunda afección. Esto se hace en tales realizaciones introduciendo una pluralidad de prueba de valores de abundancia en el clasificador. En tales realizaciones, cada respectivo valor de abundancia en la pluralidad de pruebas de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en la pluralidad de genes (más específicamente en el conjunto de genes discriminatorios) en una muestra biológica(por ejemplo,muestra de tumor) del sujeto de prueba. En respuesta a esta entrada, el clasificador especifica una posibilidad o probabilidad de que el sujeto de prueba tenga la primera afección de cáncer o, como alternativa, una posibilidad o probabilidad de que el sujeto de prueba tenga la segunda afección de cáncer.
[0314] Haciendo referencia al bloque 248, en algunas realizaciones, se proporciona una intervención terapéutica o formación de imágenes del sujeto de prueba basándose en una determinación de que el sujeto de prueba tiene la primera afección de cáncer o la segunda afección de cáncer (o la posibilidad de que el sujeto de prueba tenga la primera o segunda afección de cáncer). A continuación, se proporcionan ejemplos de tales terapias condicionales junto con la figura 3. Por ejemplo, en la siguiente tabla 2 se proporcionan ejemplos no limitados de ensayos clínicos en curso de terapias para tipos de cáncer particulares que están asociados con infecciones por patógenos oncogénicos.
[0316] Pipeline de análisis de ARN
[0318] En algunas realizaciones, los procedimientos y sistemas descritos en el presente documento se realizan junto con la secuenciación de moléculas de ARN aisladas de una muestra biológica de un paciente. En algunas realizaciones, un archivo FASTQ o formato de archivo equivalente, de los datos de secuenciación es el resultado de dicha reacción de secuenciación.
[0320] En algunas realizaciones, cada archivo FASTQ contiene lecturas que pueden ser lecturas de extremo emparejado o individuales y pueden ser lecturas cortas o lecturas largas, donde cada lectura muestra una secuencia detectada de nucleótidos en una molécula de ARNm que se aisló de la muestra del paciente, inferida usando el secuenciador para detectar la secuencia de nucleótidos contenida en una molécula de ADNc generada a partir de las moléculas de ARNm aisladas durante la preparación de la biblioteca. Cada lectura en el archivo FASTQ también está asociada con una calificación de calidad. La calificación de calidad puede reflejar la posibilidad de que se haya producido un error durante el procedimiento de secuenciación que afectó a la lectura asociada.
[0322] Cada archivo FASTQ puede procesarse mediante una pipeline de bioinformática. En diversas realizaciones, la pipeline de bioinformática puede filtrar datos FASTQ. Filtrar datos FASTQ puede incluir corregir errores de secuenciador y eliminar (recortar) secuencias o bases de baja calidad, secuencias de adaptador, contaminación, lecturas quiméricas, secuencias sobrerrepresentadas, sesgos causados por la preparación de bibliotecas, amplificación o captura u otros errores. Lecturas completas, nucleótidos individuales o múltiples nucleótidos que es probable que tengan errores pueden descartarse en función de la calificación de calidad asociada con la lectura en el archivo FASTQ, de la tasa de error conocida del secuenciador y/o de una comparación entre cada nucleótido en la lectura y uno o más nucleótidos en otras lecturas que se han alineado en la misma ubicación en el genoma de referencia. El filtrado puede hacerse en parte o en su totalidad mediante diversas herramientas de software. Los archivos FASTQ pueden analizarse para una evaluación rápida del control de calidad y las lecturas, por ejemplo, mediante un software de control de calidad de datos de secuenciación tal como AfterQC, Kraken, RNA-SeQC, FastQC, (véase Illumina, BaseSpace Labs o https://www.illumina.com/products/by-type/informatics-products/basespace-sequence-hub/apps/fastqc.html) u otro programa de software similar. Para lecturas de extremo emparejado, las lecturas pueden fusionarse.
[0324] Para cada archivo FASTQ, cada lectura en el archivo puede alinearse con la ubicación en el genoma de referencia que tiene una secuencia que coincide mejor con la secuencia de nucleótidos en la lectura. Hay muchos programas de software diseñados para alinear lecturas, por ejemplo, Bowtie, Burrows Wheeler Aligner (BWA), programas que usan un algoritmo de Smith-Waterman, etc. La alineación puede dirigirse usando un genoma de referencia (por ejemplo, GRCh38, hg38, GRCh37, otros genomas de referencia desarrollados por el Genome Reference Consortium, etc.) comparando las secuencias de nucleótidos en cada lectura con porciones de la secuencia de nucleótidos en el genoma de referencia para determinar la porción de la secuencia del genoma de referencia que es más probable que corresponda a la secuencia en la lectura. La alineación puede tener en cuenta los sitios de empalme de ARN. La alineación puede generar un archivo SAM, que almacena las ubicaciones del inicio y el final de cada lectura en el genoma de referencia y la cobertura (número de lecturas) para cada nucleótido en el genoma de referencia. Los archivos SAM pueden convertirse a archivos BAM, Los archivos BAM pueden ordenarse y las lecturas duplicadas pueden marcarse para su eliminación.
[0326] En un ejemplo, el software kallisto puede usarse para la alineación y la cuantificación de lectura de ARN (véase Nicolas L Bray, Harold Pimentel, Páll Melsted and Lior Pachter, Near-optimal probabilistic RNA-seq quantification, Nature Biotechnology 34, 525-527 (2016), doi:10.1038/nbt.3519). En una realización alternativa, la cuantificación de lectura de ARN puede realizarse usando otro software, por ejemplo, Sailfish or Salmon (véase Rob Patro, Stephen M. Mount y Carl Kingsford (2014) Sailfish permite la cuantificación de isoformas sin alineación a partir de lecturas de secuenciación de ARN utilizando algoritmos ligeros. Nature Biotechnology (doi:10.1038/nbt.2862) o Patro, R., Duggal, G., Love, M. I., Irizarry, R. A., & Kingsford, C. (2017). Salmon proporciona una cuantificación rápida y consciente del sesgo de la expresión de la transcripción. Nature Methods.). Estos procedimientos de cuantificación de secuenciación de ARN pueden no requerir alineación. Hay muchos paquetes de software que pueden usarse para la normalización, análisis cuantitativo y análisis de expresión diferencial de datos de secuenciación de ARN.
[0328] Para cada gen, se puede calcular el recuento de lecturas de ARN sin procesar para un gen dado. Los recuentos de lectura sin procesar se pueden guardar en un archivo tabular para cada muestra, donde las columnas representan genes y cada entrada representa el recuento de lecturas de ARN sin procesar para ese gen. En un ejemplo, el software de alineación kallisto calcula los recuentos de lectura de ARN sin procesar como una suma de la probabilidad, para cada lectura, de que la lectura se alinea con el gen. Por lo tanto, los recuentos sin procesar no son números enteros en este ejemplo.
[0330] Los recuentos de lectura de ARN sin procesar pueden normalizarse para corregir el contenido de GC y la longitud del gen, por ejemplo, usando la normalización cuantil completa y ajustada para la profundidad de secuenciación, por ejemplo, utilizando el procedimiento del factor de tamaño. En un ejemplo, La normalización del recuento de lecturas de ARN se realiza de acuerdo con los procedimientos divulgados en el documento de solicitud de patente de EE. UU. n.° 16/581,706 o en el documento PCT19/52801, titulado Methods of Normalizing and Correcting RNA Expression Data y presentado el 24 de septiembre de 2019. La justificación para la normalización es que el número de copias de cada molécula de ADNc en el secuenciador puede no reflejar la distribución de las moléculas de ARNm en la muestra del paciente. Por ejemplo, durante la preparación de biblioteca, amplificación y etapas de captura, ciertas porciones de moléculas de ARNm pueden estar sobrerrepresentadas o subrepresentadas debido a artefactos que surgen durante diversos aspectos del cebado de la transcripción inversa causados por hexámeros aleatorios, amplificación (enriquecimiento por PCR), agotamiento del ARNr y unión de la sonda y errores producidos durante la secuenciación que pueden deberse al contenido de GC, longitud de lectura longitud del gen y otras características de las secuencias en cada molécula de ácido nucleico. Cada recuento de lectura de ARN sin procesar para cada gen puede ajustarse para eliminar o reducir la representación excesiva o insuficiente causada por cualquier sesgo o artefacto de los protocolos de secuenciación de NGS. Los recuentos de lectura de ARN normalizados pueden guardarse en un archivo tabular para cada muestra, donde las columnas representan genes y cada entrada representa el recuento de lecturas de ARN normalizado para ese gen.
[0332] Un conjunto de valores de transcriptoma puede referirse a recuentos de lectura de ARN normalizados o recuentos de lectura de ARN sin procesar, como se ha descrito anteriormente.
[0334] Entrenamiento de clasificador de VPH
[0336] En un aspecto no reivindicado, la divulgación proporciona un procedimiento para entrenar un clasificador para detectar la infección por el virus del papiloma humano (VPH) en un cáncer. El procedimiento incluye obtener valores de abundancia 126, por ejemplo, niveles de expresión de ARNm, para genes que son informativos para evaluar el estado de VPH de los cánceres asociados con VPH, de un conjunto de entrenamiento de sujetos 124 con un cáncer asociado a VPH y estado de VPH conocido. El procedimiento incluye entonces entrenar un clasificador, por ejemplo, usando el módulo de entrenamiento de clasificador 120, con respecto a, para cada respectivo sujeto de entrenamiento, al menos (i) los valores de abundancia 126 y (ii) el estado de VPH del cáncer del paciente. En algunas realizaciones, el clasificador también se entrena con respecto al estado de uno o más alelos variantes 127 en el cáncer de cada sujeto de entrenamiento.
[0338] En algunos ejemplos, cada sujeto de entrenamiento tiene un cáncer asociado con el VPH seleccionado de cáncer de cuello uterino, carcinoma escamocelular de cabeza y cuello, cáncer de ovario, cáncer de pene, cáncer faríngeo, cáncer de ano, cáncer de vagina y cáncer de vulva. En algunas realizaciones, un clasificador se entrena con respecto a datos de pacientes que tienen todos el mismo tipo de cáncer, por ejemplo, cáncer de cuello uterino, carcinoma escamocelular de cabeza y cuello, cáncer de ovario, cáncer de pene, cáncer faríngeo, cáncer de ano, cáncer de vagina o cáncer de vulva. Sin embargo, ya que el entrenamiento del clasificador generalmente se mejora aumentando el tamaño del conjunto de datos de entrenamiento, en algunas realizaciones, el clasificador se entrena contra datos de pacientes que tienen dos o más tipos de cánceres asociados con el VPH, por ejemplo, dos, tres, cuatro, cinco, seis, siete o los ocho de cáncer de cuello uterino, carcinoma escamocelular de cabeza y cuello, cáncer de ovario, cáncer de pene, cáncer faríngeo, cáncer de ano, cáncer de vagina y cáncer de vulva. En una realización particular, ejemplificada por el ejemplo 3, cada sujeto de entrenamiento tiene carcinoma de células escamosas de cabeza y cuello o cáncer de cuello uterino. Según la materia objeto reivindicada, se usa un clasificador entrenado para discriminar entre al menos una primera afección de cáncer asociada con la infección por VPH y una segunda afección de cáncer asociada con un estado libre de VPH basándose en los valores de abundancia de una pluralidad de genes para determinar si un paciente humano está infectado con un virus del VPH. Esto se usa para asignar una terapia para cáncer de cabeza y cuello o de cuello uterino en el paciente.
[0340] Según la materia objeto reivindicada, el clasificador se entrena con respecto a valores de abundancia para una pluralidad de genes seleccionados de los enumerados en la tabla 3, por ejemplo, KRT86, CRISPLD1, DSG1, SESN3, DAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1. Como se reportó anteriormente, por ejemplo, haciendo referencia al ejemplo 3, se descubrió que estos veinticuatro genes se expresaban diferencialmente, dependiendo del estado de VPH del sujeto, en al menos ocho de los diez conjuntos de entrenamiento formados a partir de datos de expresión de cánceres de cuello uterino o de cabeza y cuello con estados de VPH conocidos en The Cancer Genome Atlas (TCGA). Sin embargo, los expertos apreciarán que, en algunos casos, el uso de diferentes conjuntos de datos de entrenamiento puede producir diferentes resultados, por ejemplo, uno o más de estos genes pueden no ser informativos en al menos el 80 % de los pliegues de entrenamiento y/o uno o más genes que no son informativos en al menos el 80 % de los pliegues de entrenamiento en el estudio informado en el ejemplo 3 pueden ser informativos. Estas diferencias pueden surgir, por ejemplo, cuando se usan diferentes criterios para seleccionar la población de entrenamiento, por ejemplo, diferentes criterios de inclusión y/o exclusión tales como el tipo de cáncer, características personales (por ejemplo, la edad, el sexo, etnia, antecedentes familiares, estado de tabaquismo, etc.) o simplemente usando un conjunto de datos más pequeño o más grande.
[0342] En consecuencia, en algunas realizaciones, el clasificador se entrena con respecto a al menos cinco de los genes enumerados en la tabla 3, comprendiendo al menos SMC1B, CDKN2A y EFNB3. En algunas realizaciones, el clasificador se entrena con respecto a al menos diez de los genes enumerados en la tabla 3. En algunas realizaciones, el clasificador se entrena con respecto a al menos quince de los genes enumerados en la tabla 3. En algunas realizaciones, el clasificador se entrena con respecto a al menos veinte de los genes enumerados en la tabla 3. En algunas realizaciones, el clasificador se entrena con respecto a los veinticuatro genes enumerados en la tabla 3. En algunas realizaciones, el clasificador está entrenado con respecto a 5, 6, 7, 8 o 9, de los genes enumerados en la tabla 3 y comprende SMC1B, CDKN2A y EFNB3 y/o al menos 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21,22, 23 o los 24 genes enumerados en la tabla 3. Por otra parte, en algunas realizaciones, el clasificador también se entrena con respecto a los valores de abundancia para uno o más genes no enumerados en la tabla 3. En algunas realizaciones, el clasificador también se entrena con respecto al valor de abundancia para 1,2, 3, 4, 5, 6, 7, 8, 9, 10 o más genes no enumerados en la tabla 3. En algunas realizaciones, el clasificador también se entrena con respecto a los valores de abundancia para 1-10 genes no enumerados en la tabla 3. En algunas realizaciones, el clasificador también se entrena con respecto a 1-5 genes no enumerados en la tabla 3. En otras realizaciones, el clasificador no se entrena con respecto los valores de abundancia para ningún gen no enumerado en la tabla 3.
[0344] Por otra parte, los expertos apreciarán que algunas características, por ejemplo, valores de abundancia para un gen particular, serán más informativas que otras características en un clasificador particular. Una medida del poder predictivo de respectivas características en un clasificador basándose en múltiples características es el coeficiente de regresión calculado para las características durante el entrenamiento del modelo. Los coeficientes de regresión describen la relación entre cada característica y la respuesta del modelo. El valor de coeficiente representa el cambio medio en la respuesta dado un aumento de una unidad en el valor de característica. Como tal, al menos para variables del mismo tipo, la magnitud, por ejemplo, valor absoluto, de un coeficiente de regresión se correlaciona con la importancia de la característica en el modelo. Esto quiere decir, cuanto mayor sea la magnitud del coeficiente de regresión, más importante será la variable para el modelo. Por ejemplo, como se informa en el ejemplo 3, en un clasificador de máquina de vectores de soporte (SVM) particular entrenado con respecto a los valores de abundancia de los veinticuatro genes enumerados en la tabla 3, así como un estado de alelo variante para los genes TP53 y CDKN2A, solo seis de los 24 genes tenían coeficientes de regresión con magnitudes de al menos 0,5-CDKN2A (1,13), SMC1B (1,02), EFNB3 (-0,97), KCNS1 (0,74), CCND1 (-0,65) y RNF212 (0,517).
[0346] Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 3, basándose en, al menos en parte, la importancia de las respectivas características en uno o más modelos de clasificación. Por ejemplo, en algunas realizaciones, uno o más genes con menor poder predictivo en un modelo de clasificación pueden omitirse durante el entrenamiento del clasificador. Por ejemplo, en algunas realizaciones, las características utilizadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,5, por ejemplo, CDKN2A, SMC1B, EFNB3, KCNS1, CCND1 y RNF212. En algunas realizaciones, las características usadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,4. En algunas realizaciones, las características usadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,3. En algunas realizaciones, las características usadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,2. En algunas realizaciones, las características usadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,1.
[0348] De forma similar, el tamaño del conjunto de características puede verse afectado por qué características se incluyen y/o excluyen. Por ejemplo, en algunas realizaciones, si se incluyen características particulares que tienen un alto poder predictivo en un modelo de clasificación, se pueden incluir menos características totales en el modelo. Por ejemplo, en algunas realizaciones, si los valores de abundancia para SMC1B, CDKN2A y EFNB3 están incluidos en el modelo, los valores de abundancia para no más de dos de los otros genes cuyos valores de abundancia se usan como características en la tabla 5 deben incluirse en el modelo. En consecuencia, en algunas realizaciones, las características utilizadas para entrenar el modelo incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros dos genes cuyos valores de abundancia se usan como características en la tabla 5. En algunas realizaciones, las características utilizadas para entrenar el modelo incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros cinco genes cuyos valores de abundancia se usan como características en la tabla 5. En algunas realizaciones, las características utilizadas para entrenar el modelo incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros diez genes cuyos valores de abundancia se usan como características en la tabla 5. En algunas realizaciones, las características utilizadas para entrenar el modelo incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros quince genes cuyos valores de abundancia se usan como características en la tabla 5.
[0349] De forma similar, en algunas realizaciones, si las características que tienen un alto poder predictivo se excluyen del modelo de clasificación, pueden incluirse en el modelo más de las otras características. Por ejemplo, en algunas realizaciones, si los valores de abundancia para uno o más de SMC1B, CDKN2A y EFNB3 no están incluidos en el modelo, los valores de abundancia para al menos quince de los otros cuyos valores de abundancia se usan como características en la tabla 5, se incluyen en el modelo. En algunas realizaciones, si los valores de abundancia para uno o más de SMC1B, CDKN2A y EFNB3 no están incluidos en el modelo, los valores de abundancia para al menos veinte de los otros genes cuyos valores de abundancia se usan como características en la tabla 5, se incluyen en el modelo. En algunas realizaciones, si los valores de abundancia para uno o más de SMC1B, CDKN2A y EFNB3 no están incluidos en el modelo, los valores de abundancia para al menos 15, 16, 17, 18, 19, 20 o todos los 21 de los otros genes cuyos valores de abundancia se usan como características en la tabla 5, se incluyen en el modelo. Por supuesto, también están disponibles otras métricas para evaluar la importancia de una característica en un modelo, tales como coeficientes de regresión estandarizados y cambio en R-cuadrado cuando la característica se agrega al modelo en último lugar.
[0350] Al seleccionar un conjunto de características, el experto en la materia también tendrá en consideración el grado en el que las características se correlacionan entre sí. La correlación es una medida estadística de cuán linealmente dependientes son dos variables entre sí. Como tal, dos características correlacionadas proporcionan información duplicada a un modelo predictivo, lo que puede ser perjudicial para un clasificador. Como tal, hay varias razones por las que una característica correlacionada puede excluirse de un modelo. Por ejemplo, eliminar una característica correlacionada hará que el algoritmo sea más rápido, ya que cuanto mayor sea el número de características en un clasificador, más cálculos deberán realizarse. Eliminar una característica correlacionada también puede eliminar el sesgo dañino, que surge de la correlación, de un modelo. Finalmente, eliminar una característica correlacionada puede hacer que el modelo sea más interpretable.
[0351] Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 3, basándose en, al menos en parte, la correlación entre respectivas características en uno o más modelos de clasificación. En algunas realizaciones, la selección de eliminar una u otra característica de un conjunto de características correlacionadas se informa por parte de los poderes predictivos de las dos características, por ejemplo, sus respectivos coeficientes de regresión. Por ejemplo, los valores de expresión génica para ENSG00000105278 (CXCL14) y ENSG00000077935 (SMC1B) están altamente correlacionados en el conjunto de características enumerado en la tabla 3 (correlación = 0,718983175). En consecuencia, en algunas realizaciones, el conjunto de características no incluye ni CXCL14 ni SMC1B. En algunas realizaciones, CXCL14, en lugar de SMC1B, se excluye del conjunto de características porque, tal como se indica en la tabla 5, SMC1B tiene un coeficiente de regresión más alto (1,02) que CXCL14 (-0,29) en el modelo de SVM descrito en el ejemplo 3.
[0352] Como se indica en la tabla 6, diez pares de características de expresión génica tienen una correlación de al menos 0,6. En consecuencia, en algunas realizaciones, una característica en al menos un par de características que tiene una correlación de al menos 0,6 se excluye del modelo. En algunas realizaciones, una característica en al menos dos pares de características que tienen una correlación de al menos 0,6 se excluye del modelo. En otras realizaciones, se excluye del modelo una característica en al menos 3, 4, 5, 6, 7, 8, 9 o todos los 10 pares de características que tienen una correlación de al menos 0,6. En algunas realizaciones, una característica excluida es la característica en un par de características altamente correlacionadas que tienen el coeficiente de regresión más bajo informado en la tabla 5. Por ejemplo, haciendo referencia a la tabla 6, la característica que tiene el coeficiente de regresión más bajo en cada par altamente correlacionado (por ejemplo, correspondiente a una correlación de al menos 0,6) es:
[0353] • Par 1 = DSG1
[0354] • Par 2 = ZFR2
[0355] • Par 3 = RNF212
[0356] • Par 4 = SYCP2
[0357] • Par 5 = ZFR2
[0358] • Par 6 = MYO3A
[0359] • Par 7 = SYCP2
[0360] • Par 8 = DSG1
[0361] • Par 9 = KCNS1
[0362] • Par 10 = ZFR2
[0364] En consecuencia, en algunas realizaciones, uno o más de DSG1, ZFR2, RNF212, SYCP2, MYO3A y KCNS1 se excluyen del conjunto de características sobre la base de que son la característica menos informativa en un par de características altamente correlacionadas.
[0366] Sin embargo, en algunas realizaciones, este proceso de selección no permite que ambas características de un par de características altamente correlacionadas se excluyan del conjunto de características, por ejemplo, sobre la base de que ambos genes son la característica menos informativa en al menos uno de los pares de características altamente correlacionados. Por tanto, en algunas realizaciones, uno o más de SYCP2, MYO3A y KCNS1 no están excluidos del conjunto de características. De forma similar, en algunas realizaciones, este proceso de selección no permite que características altamente informativas, por ejemplo, características con coeficientes de regresión de al menos 0,5, sean excluidas del conjunto de características. Por tanto, en algunas realizaciones, uno o ambos de RNF212 y KCNS1 no están excluidos del conjunto de características.
[0368] En consecuencia, en una realización, el conjunto de características incluye valores de abundancia para al menos KRT86, CRISPLD1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1.
[0370] De forma similar, en una realización, el conjunto de características incluye valores de abundancia para al menos KRT86, CRISPLD1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, RNF212, MKRN3, MYL1, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1.
[0372] De forma similar, en una realización, el conjunto de características incluye valores de abundancia para al menos KRT86, CRISPLD1, SESN3, DAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1.
[0374] En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos. En algunas realizaciones, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos.
[0376] En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 85% y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos. En algunas realizaciones, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos.
[0378] En algunas realizaciones, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunas realizaciones, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura 2.
[0380] Entrenamiento de clasificador de VEB
[0382] En un aspecto que no es parte de las reivindicaciones, la divulgación proporciona un procedimiento para entrenar un clasificador para detectar la infección por el virus de Epstein-Barr (VEB) en un cáncer. El procedimiento incluye obtener valores de abundancia 126, por ejemplo, niveles de expresión de ARNm, para genes que son informativos para evaluar el estado de VEB de cánceres asociados con VEB, de un conjunto de entrenamiento de sujetos 124 con un cáncer asociado a VEB y estado de VEB conocido. El procedimiento incluye entonces entrenar un clasificador, por ejemplo, usando el módulo de entrenamiento de clasificador 120, con respecto a, para cada respectivo sujeto de entrenamiento, al menos (i) los valores de abundancia 126 y (ii) el estado de VEB del cáncer del paciente. En algunas realizaciones, el clasificador también se entrena con respecto al estado de uno o más alelos variantes 127 en el cáncer de cada sujeto de entrenamiento.
[0384] En algunos ejemplos, cada sujeto de entrenamiento tiene un cáncer asociado con VEB seleccionado de linfoma de Burkitt, linfoma angiocéntrico de células T sinonasal, linfoma no Hodgkin, linfoma de Hodgkin, carcinoma nasofaríngeo y cáncer gástrico. En algunas realizaciones, un clasificador se entrena con respecto a datos de pacientes que tienen todos el mismo tipo de cáncer, por ejemplo, linfoma de Burkitt, linfoma angiocéntrico de células T sinonasal, linfoma no Hodgkin, linfoma de Hodgkin, carcinoma nasofaríngeo o cáncer gástrico. Sin embargo, ya que el entrenamiento del clasificador generalmente se mejora aumentando el tamaño del conjunto de datos de entrenamiento, en algunas realizaciones, el clasificador se entrena con respecto a datos de pacientes que tienen dos o más tipos de cánceres asociados con VEB, por ejemplo, dos, tres, cuatro, cinco o los seis del linfoma de Burkitt, linfoma angiocéntrico de células T sinonasal, linfoma no Hodgkin, linfoma de Hodgkin, carcinoma nasofaríngeo y cáncer gástrico. En una realización particular, ejemplificada por el ejemplo 4, cada sujeto de entrenamiento tiene cáncer gástrico.
[0386] En algunos ejemplos, el clasificador se entrena con respecto a valores de abundancia para una pluralidad de genes seleccionados de los enumerados en la tabla 4, por ejemplo, SCNN1A, CDX1, KCNK15, Pr Kc G, KRT7, NKD2, GPR158, CLDN3 y ZNF683. Como se reportó anteriormente, por ejemplo, haciendo referencia al ejemplo 4, se descubrió que estos nueve genes se expresaban diferencialmente, dependiendo del estado de VEB del sujeto, en al menos el 80 % de los conjuntos de entrenamiento de cáncer gástrico en The Cancer Genome Atlas (TCGA). Sin embargo, los expertos apreciarán que, en algunos casos, el uso de diferentes conjuntos de datos de entrenamiento puede producir diferentes resultados, por ejemplo, uno o más de estos genes pueden no ser informativos en al menos el 80 % de los pliegues de entrenamiento y/o uno o más genes que no son informativos en al menos el 80 % de los pliegues de entrenamiento en el estudio reportado en el ejemplo 4 pueden ser informativos. Estas diferencias pueden surgir, por ejemplo, cuando se usan diferentes criterios para seleccionar la población de entrenamiento, por ejemplo, diferentes criterios de inclusión y/o exclusión tales como el tipo de cáncer, características personales (por ejemplo, la edad, el sexo, etnia, antecedentes familiares, estado de tabaquismo, etc.) o simplemente usando un conjunto de datos más pequeño o más grande.
[0388] En consecuencia, en algunos ejemplos, el clasificador se entrena con respecto a al menos cinco de los genes enumerados en la tabla 4. En algunos ejemplos, el clasificador se entrena con respecto a al menos seis de los genes enumerados en la tabla 4. En algunos ejemplos, el clasificador se entrena con respecto a al menos siete de los genes enumerados en la tabla 4. En algunos ejemplos, el clasificador se entrena con respecto a al menos ocho de los genes enumerados en la tabla 4. En algunos ejemplos, el clasificador se entrena con respecto a los nueve genes enumerados en la tabla 4. Por otra parte, en algunos ejemplos, el clasificador también se entrena con respecto a los valores de abundancia para uno o más genes no enumerados en la tabla 4. En algunos ejemplos, el clasificador también se entrena con respecto al valor de abundancia para 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 o más genes no enumerados en la tabla 4. En algunos ejemplos, el clasificador también se entrena con respecto a los valores de abundancia para 1-10 genes no enumerados en la tabla 4. En algunos ejemplos, el clasificador también se entrena con respecto a 1-5 genes no enumerados en la tabla 4. En otros ejemplos, el clasificador no se entrena con respecto los valores de abundancia para ningún gen no enumerado en la tabla 4.
[0390] Por otra parte, los expertos apreciarán que algunas características, por ejemplo, valores de abundancia para un gen particular, serán más informativas que otras características en un clasificador particular. Una medida del poder predictivo de respectivas características en un clasificador basándose en múltiples características es el coeficiente de regresión calculado para las características durante el entrenamiento del modelo. Los coeficientes de regresión describen la relación entre cada característica y la respuesta del modelo. El valor de coeficiente representa el cambio medio en la respuesta dado un aumento de una unidad en el valor de característica. Como tal, al menos para variables del mismo tipo, la magnitud, por ejemplo, valor absoluto, de un coeficiente de regresión se correlaciona con la importancia de la característica en el modelo. Esto quiere decir, cuanto mayor sea la magnitud del coeficiente de regresión, más importante será la variable para el modelo. Por ejemplo, como se informa en el ejemplo 4, en un clasificador de máquina de vectores de soporte (SVM) particular entrenado con respecto a los valores de abundancia de los nueve genes enumerados en la tabla 4, así como un estado de alelo variante para los genes TP53 y PIK3CA, solo cuatro de los nueve genes tenían coeficientes de regresión con magnitudes de al menos 0,75-SCNN1<a>(-1,26), KCNK15 (-1,04), KRT7 (-0,94) y CLDN3 (-1,68).
[0392] Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 4, basándose en, al menos en parte, la importancia de las respectivas características en uno o más modelos de clasificación. Por ejemplo, en algunas realizaciones, uno o más genes con menor poder predictivo en un modelo de clasificación pueden omitirse durante el entrenamiento del clasificador. Por ejemplo, en algunos ejemplos, las características utilizadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,75, por ejemplo, SCNN1A (-1,26), KCNK15 (-1,04), KRT7 (-0,94) y CLDN3 (-1,68). En algunos ejemplos, las características usadas para el entrenamiento incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,6.
[0394] De forma similar, el tamaño del conjunto de características puede verse afectado por qué características se incluyen y/o excluyen. Por ejemplo, en algunas realizaciones, si se incluyen características particulares que tienen un alto poder predictivo en un modelo de clasificación, se pueden incluir menos características totales en el modelo. Por ejemplo, en algunos ejemplos, si los valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 están incluidos en el modelo, los valores de abundancia para no más de uno de los otros genes enumerados en la tabla 4 deben incluirse en el modelo. En consecuencia, en algunos ejemplos, las características utilizadas para entrenar el modelo incluyen valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 y al menos uno de los otros genes enumerados en la tabla 4. En algunos ejemplos, las características utilizadas para entrenar el modelo incluyen valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 y al menos otros dos genes enumerados en la tabla 4. SCNN1A, KCNK15, KRT7 y CLDN3 y al menos otros tres genes enumerados en la tabla 4. SCNN1A, KCNK15, KRT7 y CLDN3 y al menos otros cuatro genes enumerados en la tabla 4.
[0396] De forma similar, en algunos ejemplos, si las características que tienen un alto poder predictivo se excluyen del modelo de clasificación, pueden incluirse en el modelo más de las otras características. Por ejemplo, en algunos ejemplos, si los valores de abundancia para uno o más de SCNN1A, KCNK15, KRT7 y CLDN3 no están incluidos en el modelo, los valores de abundancia para al menos cuatro de los otros genes enumerados en la tabla 4 se incluyen en el modelo. En algunos ejemplos, si los valores de abundancia para uno o más de SCNN1A, KCNK15, KRT7 y CLDN3 no están incluidos en el modelo, los valores de abundancia para los cinco de los otros genes enumerados en la tabla 4 se incluyen en el modelo.
[0398] Por supuesto, también están disponibles otras métricas para evaluar la importancia de una característica en un modelo, tales como coeficientes de regresión estandarizados y cambio en R-cuadrado cuando la característica se agrega al modelo en último lugar.
[0400] Al seleccionar un conjunto de características, el experto en la materia también tendrá en consideración el grado en el que las características se correlacionan entre sí. La correlación es una medida estadística de cuán linealmente dependientes son dos variables entre sí. Como tal, dos características correlacionadas proporcionan información duplicada a un modelo predictivo, lo que puede ser perjudicial para un clasificador. Como tal, hay varias razones por las que una característica correlacionada puede excluirse de un modelo. Por ejemplo, eliminar una característica correlacionada hará que el algoritmo sea más rápido, ya que cuanto mayor sea el número de características en un clasificador, más cálculos deberán realizarse. Eliminar una característica correlacionada también puede eliminar el sesgo dañino, que surge de la correlación, de un modelo. Finalmente, eliminar una característica correlacionada puede hacer que el modelo sea más interpretable. Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 3, basándose en, al menos en parte, la correlación entre respectivas características en uno o más modelos de clasificación. Por ejemplo, el análisis estadístico del modelo de SVM entrenado en el ejemplo 4 reveló que los valores de expresión génica para ENSG00000135480 (KRT7) y ENSG00000124249 (KCNM5) estaban altamente correlacionados (0,650). En consecuencia, en algunas realizaciones, el valor de abundancia para uno de KRT7 y KCNK15 se excluye del conjunto de características.
[0401] Por ejemplo, el conjunto de características puede incluir valores de abundancia para al menos SCNN1A, CDX1, KCn K15, PRKCG, NKD2, GPR158, CLDN3 y ZNF683. En otro ejemplo, el conjunto de características incluye valores de abundancia para al menos SCNN1A, CDX1, PRKCG, KRT7, NKD2, GPR158, CLDN3 y ZNF683.
[0403] En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos. En algunos ejemplos, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos.
[0405] En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos. En algunos ejemplos, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos.
[0407] En algunos ejemplos, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunas realizaciones, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura 2.
[0409] Procedim ientos de clasificación.
[0411] La divulgación describe procedimientos para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, donde la primera afección de cáncer está asociada a una infección por un patógeno oncogénico y la segunda afección de cáncer está asociada a un estado libre de patógenos oncogénicos. Generalmente, los procedimientos incluyen la obtención de datos de abundancia, por ejemplo, niveles de expresión relativos, para una pluralidad de genes que se expresan diferencialmente en tejido canceroso asociado a infecciones por patógenos oncogénicos y el mismo tipo de tejido canceroso que no está asociado a una infección por patógenos oncogénicos. Los datos de abundancia se introducen entonces en un clasificador que está entrenado para discriminar entre la primera afección de cáncer y la segunda afección de cáncer, al menos en parte, basándose en la abundancia de los genes que se expresan diferencialmente en los dos tipos de tejidos cancerosos. Ejemplos del entrenamiento de tales clasificadores se han proporcionado anteriormente junto con la descripción de la figura 2.
[0413] Muchas de las realizaciones que serán descritas en lo sucesivo, junto con la figura 3, se refieren a análisis realizados usando datos de expresión del exorna de un paciente con cáncer, por ejemplo, obtenido de una muestra del tejido canceroso del paciente. Generalmente, estas realizaciones son independientes y, por tanto, no dependen de ningún procedimiento de generación de datos de expresión particular, por ejemplo, secuenciación, hibridación y/o metodologías de qPCR. Sin embargo, en algunas realizaciones, los procedimientos descritos a continuación incluyen una o más etapas (301) de generación de datos de expresión.
[0415] En algunas realizaciones, estos procedimientos incluyen obtener (302) una muestra del tejido canceroso. Los procedimientos para obtener muestras de tejido canceroso se conocen en la técnica y dependen del tipo de cáncer del que se toman muestras. Por ejemplo, las biopsias de médula ósea y el aislamiento de las células tumorales circulantes se pueden utilizar para obtener muestras de cánceres de sangre, las biopsias endoscópicas se pueden usar para obtener muestras de cánceres del tracto digestivo, vejiga y pulmones, biopsias con aguja (por ejemplo, aspiración con aguja fina, aspiración con aguja gruesa, biopsia asistida por vacío y biopsia guiada por imágenes, pueden usarse para obtener muestras de tumores subdérmicos, biopsias de piel, por ejemplo, biopsia por afeitado, biopsia por punción, biopsia por incisión y biopsia por escisión, se pueden usar para obtener muestras de cánceres dérmicos, y se pueden usar biopsias quirúrgicas para obtener muestras de cánceres que afectan a los órganos internos de un paciente.
[0417] En algunas realizaciones, se aísla (304) entonces el ARNm de la muestra del tejido canceroso. En la técnica se conocen muchas técnicas para el aislamiento de ARN a partir de una muestra de tejido. Por ejemplo, extracción ácida con tiocianato de guanidinio-fenol-cloroformo(véase,por ejemplo, Chomczynski and Sacchi, Nat Protoc, 1(2):581-85 (2006)) y adsorción de perlas de sílice/fibra de vidrio(véase,por ejemplo, Poeckh, T.et al.,Anal Biochem., 373(2):253-62 (2008)). La selección de cualquier técnica de aislamiento de ARN particular para su uso junto con las realizaciones descritas en el presente documento está dentro de la experiencia del experto en la materia, quién tendrá en consideración el tipo de tejido, el estado del tejido, por ejemplo, fresco, congelado, fijado en formalina, embebido en parafina (FFPE) y el tipo de análisis de ácido nucleico que se va a realizar con la muestra de ARN.
[0419] En algunas realizaciones, el ARN se aísla de muestras de sangre y/o secciones de tejido (por ejemplo, una biopsia de tumor) usando reactivos disponibles comercialmente, por ejemplo, proteinasa K, TURBO DNasa-I y/o perlas XP limpias de ARN. En algunas realizaciones, el ARN aislado se somete a un protocolo de control de calidad para determinar la concentración y/o cantidad de las moléculas de ARN, incluyendo el uso de un tinte fluorescente y de un lector de microplacas de fluorescencia, de espectrofluorómetro estándar o fluorómetro de filtro.
[0421] En algunas realizaciones, los datos de expresión se obtienen directamente del ARNm aislado, por ejemplo, mediante secuenciación directa de ARN (314). Los procedimientos para secuenciar directamente ARN son bien conocidos en la técnica.Véase,por ejemplo, Ozsolak F.,et al.,Nature 461:814-18( 2009) y Garalde, D.R.,et al.,Nat Methods, 15(3):201-206 (2018).
[0423] En otras realizaciones, los datos de expresión se obtienen a través de un intermedio de ADNc. En consecuencia, en algunas realizaciones, el ARN aislado se usa para crear una biblioteca de ADNc mediante la síntesis de ADNc (310). En algunas realizaciones, las bibliotecas de ADNc se preparan a partir de ARN aislado que se purifica y selecciona para la selección del tamaño de la molécula de ADNc usando reactivos disponibles comercialmente, por ejemplo, Roche KAPA Hyper Beads. En otro ejemplo, se puede usar un kit de New England Biolabs (NEB).
[0425] En algunas realizaciones, la preparación de la biblioteca de ADNc incluye la ligadura de adaptadores en las moléculas de ADNc. Por ejemplo, adaptadores UDI, tales como adaptadores de extremo dual Roche SeqCap o adaptadores UMI (por ejemplo, adaptadores en Y de longitud completa o rechonchos) pueden ligarse a las moléculas de ADNc. Los adaptadores son moléculas de ácido nucleico que pueden servir como códigos de barras para identificar moléculas de ADNc de acuerdo con la muestra de la que se derivaron y/o para facilitar el procesamiento bioinformático aguas abajo y/o la reacción de secuenciación de próxima generación. La secuencia de nucleótidos en los adaptadores puede ser específica de una muestra para distinguir las muestras. Los adaptadores pueden facilitar la unión de las moléculas de ADNc para anclar moléculas de oligonucleótidos en la celda de flujo del secuenciador y pueden servir como semilla para el proceso de secuenciación proporcionando un punto de partida para la reacción de secuenciación.
[0427] Las bibliotecas de ADNc pueden amplificarse y purificarse usando reactivos, por ejemplo, perlas de limpieza de Axygen MAG PCR. A continuación, la concentración y/o la cantidad de las moléculas de ADNc pueden cuantificarse utilizando un tinte fluorescente y un lector de microplacas de fluorescencia, espectrofluorómetro estándar o fluorómetro de filtro.
[0428] En algunas realizaciones, tanto para la secuenciación directa de ARN como antes de la construcción de la biblioteca de ADNc, el ARN aislado se enriquece (308) primero para un tipo deseado de ARN (por ejemplo, ARNm) o especie (por ejemplo, transcritos de ARNm específicos), antes de la construcción de la biblioteca de ADNc. Los procedimientos para enriquecer moléculas de ARN deseadas son bien conocidos en la técnica. Por ejemplo, las moléculas de ARNm se pueden enriquecer, por ejemplo, en relación con otras moléculas de ARN en una preparación de ARN total, usando técnicas de afinidad de oligo-dT(véase,por ejemplo, Rio, D.C., et al., Cold Spring Harb Protoc., julio de 2010 1;2010(7)). También se pueden aislar transcritos de ARNm específicos, por ejemplo, usando sondas de hibridación que se unen específicamente a una o más secuencias de ARNm de interés.
[0429] En algunas realizaciones, las bibliotecas de ADNc se agrupan y se tratan con reactivos para reducir la captura fuera del objetivo, por ejemplo, COT-1 humano y/o bloqueadores universales IDT xGen, antes de secarse al vacío. Las agrupaciones pueden entonces resuspenderse en una mezcla de hibridación, por ejemplo, IDT xGen Lockdown y se pueden agregar sondas a cada grupo, por ejemplo, sondas IDT xGen Exome Research Panel v1.0, sondas IDT xGen Exome Research Panel v2.0, otros paneles de sonda IDT, paneles de sonda Roche u otras sondas. Las agrupaciones se pueden incubar en una incubadora, máquina de p Cr , baño de agua u otro dispositivo de modulación de temperatura para permitir la hibridación de las sondas. Las agrupaciones pueden mezclarse a continuación con perlas recubiertas de estreptavidina u otro medio para capturar moléculas de sonda de ADNc hibridadas, especialmente moléculas de ADNc que representan exones del genoma humano. En otra realización, puede usarse la captura de poliA. Las agrupaciones pueden amplificarse y purificarse una vez más usando reactivos disponibles comercialmente, por ejemplo, el kit de amplificación de biblioteca KAPA HiFi y las perlas de limpieza Axygen MAG PCR, respectivamente.
[0431] La construcción de bibliotecas de ADNc a partir de ARNm aislado también es bien conocida en la técnica. En algunas realizaciones, la construcción de la biblioteca de ADNc se realiza mediante la síntesis de ADN de primera cadena a partir del ARNm aislado usando una transcriptasa inversa, seguido de la síntesis de la segunda cadena usando una ADN polimerasa. Los procedimientos de ejemplo para la síntesis de ADNc se describen en McConnell and Watson, 1986, FEBS Lett. 195, 1- 2), págs. 199-202; Lin and Ying, 2003, Methods Mol Biol. 221, págs. 129-143 y Oh et al., 2003, Exp Mol Med. 35 (6), págs. 586-90.
[0433] La biblioteca de ADNc también puede analizarse para determinar el tamaño de fragmento de las moléculas de ADNc, que puede hacerse a través de técnicas de electroforesis en gel y puede incluir el uso de un dispositivo tal como un LabChip GX Touch. Las agrupaciones pueden amplificarse en agrupaciones usando un kit (por ejemplo, kits de agrupaciones de extremo emparejado de Illumina con entrada de pico PhiX). En un ejemplo, la preparación de la biblioteca de ADNc y/o las etapas de captura del exoma completo pueden realizarse con un sistema automatizado, usando un robot de manipulación de líquidos (por ejemplo, un SciClone NGSx).
[0435] La amplificación de biblioteca puede realizarse en un dispositivo, por ejemplo, un C-Bot2 de Illumina y la célula de flujo resultante que contiene bibliotecas de ADNc capturadas en el objetivo amplificadas puede secuenciarse en un secuenciador de próxima generación, por ejemplo, un Illumina HiSeq 4000 o un Illumina NovaSeq 6000 a una profundidad objetivo única seleccionada por el usuario, por ejemplo, 300x, 400x, 500x, 10.000x, etc. El secuenciador de próxima generación puede generar un FASTQ, BCL u otro archivo para cada muestra de paciente o cada celda de flujo.
[0437] Si dos o más muestras de pacientes se procesan simultáneamente en la misma celda de flujo del secuenciador, las lecturas de múltiples muestras de pacientes pueden estar contenidas en el mismo archivo BCL inicialmente y luego dividirse en un archivo FASTQ separado para cada paciente. Una diferencia en la secuencia de los adaptadores usados para cada muestra de paciente podría servir al propósito de un código de barras para facilitar la asociación de cada lectura con la muestra de paciente correcta y colocarla en el archivo FASTQ correcto.
[0439] Los procedimientos para la secuenciación de ARNm son bien conocidos en la técnica. En algunas realizaciones, la secuenciación de ARNm se realiza mediante secuenciación de exoma completo (WES, del inglés whole exome sequencing). Generalmente, La WES se realiza aislando el ARN de una muestra de tejido, seleccionando opcionalmente las secuencias deseadas y/o agotando las moléculas de ARN no deseadas, generando una biblioteca de ADNc y, a continuación, secuenciando la biblioteca de ADNc (312), por ejemplo, utilizando técnicas de secuenciación de próxima generación (NGS). Para una revisión del uso de técnicas de secuenciación de exoma completo en el diagnóstico de cáncer,véase,Serrati et al., 2016, Onco Targets Ther. 9, págs. 7355-7365.
[0441] Los procedimientos de secuenciación de próxima generación se conocen bien en la técnica, incluyendo la tecnología de síntesis (Illumina), la pirosecuenciación (454 Life Sciences), la tecnología de semiconductores de iones (secuenciación de torrente de iones), la secuenciación en tiempo real de una única molécula (Pacific Bio), la secuenciación por ligadura (secuenciación SOLiD), la secuenciación de nanoporos (Oxford Nanopore Technologies) o la secuenciación de extremos emparejados. En algunas realizaciones, la secuenciación masivamente paralela se realiza usando secuenciación por síntesis con terminadores de colorante reversibles.
[0443] En algunas realizaciones, las lecturas de secuencia pueden alinearse con un exoma de referencia o un genoma de referencia usando procedimientos conocidos en la técnica para determinar la información de posición de alineación. La información de posición de alineación puede indicar una posición inicial y una posición final de una región en el genoma de referencia que corresponde a una base de nucleótido inicial y una base de nucleótido final de una lectura de secuencia dada. La información de posición de alineación también puede incluir longitud de lectura de secuencia, que se puede determinar a partir de la posición inicial y la posición final. Una región en el genoma de referencia puede estar asociada a un gen o a un segmento de un gen. Ejemplos no limitados de software bien conocido para ensamblar y gestionar información de transcriptoma a partir de datos de secuenciación de ARN incluyen TopHat y Cufflinks,véase,Trapnell et al., 2012, Nat Protoc. 7 (3), págs. 562-578.Véase,además, Hintzsche et al., 2016, Int J Genomics 7983236.
[0444] En otras realizaciones, los datos de expresión se generan por hibridación (313) de la biblioteca de ADNc, por ejemplo, usando una micromatriz. El uso de perfiles génicos basados en micromatrices para identificar la expresión génica diferencial después de la infección por patógenos se conoce en la técnica. Por ejemplo,véase,Adomas et al., 2008, Tree Physiol. 28 (<6>), págs. 885-897. De forma similar, en otras realizaciones, se usan otros procedimientos más para cuantificar la expresión basándose en una biblioteca de ADNc, por ejemplo, PCR cuantitativa en tiempo real (RT-qPCR).Véase,por ejemplo, Wagner, 2013, Methods Mol Biol. 1027, págs. 19-45.
[0446] Como se ha ilustrado con respecto a la figura 3, en algunas realizaciones, se realiza el procedimiento 300, al menos parcialmente, en un sistema informático (por ejemplo, el sistema informático<10 0>en la figura<1>) que tiene uno o más procesadores y memoria que almacena uno o más programas para su ejecución por el uno o más procesadores para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto, donde la primera afección de cáncer está asociada con la infección por un primer patógeno oncogénico y la segunda afección de cáncer está asociada con un estado libre de patógenos oncogénicos. Algunas operaciones del procedimiento 300 están, opcionalmente, combinadas y/o el orden de algunas operaciones está, opcionalmente, cambiado.
[0448] En algunas realizaciones, el procedimiento incluye obtener un conjunto de datos del sujeto, incluyendo el conjunto de datos una pluralidad de valores de abundancia, donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en un tejido canceroso del sujeto. En algunas realizaciones, los valores de abundancia obtenidos se determinan de acuerdo con cualquiera de las metodologías descritas con respecto al subprocedimiento 301. En algunas realizaciones, los datos de abundancia se generan previamente y se comunican al sistema informático<10 0>a través de una red, por ejemplo, una interfaz de red 104. El procedimiento 300 incluye a continuación la introducción (316) del conjunto de datos en un clasificador entrenado para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, donde la primera afección de cáncer está asociada a una infección por un patógeno oncogénico y la segunda afección de cáncer está asociada a un estado libre de patógenos oncogénicos. Ejemplos de tales clasificadores se proporcionan anteriormente en relación con la figura 2. De este modo, el procedimiento determina
[0449] (320) si el sujeto tiene la primera afección de cáncer, asociada a la infección por patógenos oncogénicos o la segunda afección de cáncer, que no está asociada a la infección por patógenos oncogénicos.
[0451] En algunas realizaciones, el procedimiento 300 también incluye la introducción de un recuento de alelos variantes para uno o más alelos variantes en uno o más locus en el genoma del tejido canceroso del sujeto en el clasificador. Esto quiere decir, en algunas realizaciones, que el clasificador también se entrena con respecto a datos relacionados con la presencia o ausencia de uno o más alelos variantes en sujetos con cánceres que están asociados a una infección por patógenos oncogénicos o no asociados a una infección por patógenos oncogénicos. En algunas realizaciones, el uno o más alelos variantes se seleccionan de alelos variantes en un gen seleccionado del grupo que consiste en TP53 (ENSG00000141510), CDKN2A (ENSG00000147889) y PIK3CA (ENSG00000121879).
[0453] En algunos ejemplos, el sujeto padece cáncer de mama, cáncer de pulmón, cáncer de próstata, cáncer colorrectal, cáncer de riñón, cáncer de útero, cáncer de páncreas, cáncer de esófago, cáncer de cabeza/cuello, cáncer de ovario, cáncer hepatobiliar, cáncer de cuello uterino, cáncer de tiroides o cáncer de vejiga. En realizaciones de la invención reivindicada, el sujeto padece cáncer de cabeza/cuello o cáncer de cuello uterino.
[0455] En algunos ejemplos, la primera afección de cáncer está asociada a la infección por un primer patógeno oncogénico seleccionado del virus de Epstein-Barr (VEB), el virus de la hepatitis B (VHB), el virus de la hepatitis C (VHC), virus del papiloma humano (VPH), virus linfotrópico de linfocitos T humanos (HTLV-1), virus del sarcoma asociado de Kaposi (KSHV) y el poliomavirus de células de Merkel (MCV). De acuerdo con la invención reivindicada, la primera afección de cáncer está asociada a una infección por VPH.
[0457] Más específicamente, la primera afección de cáncer se selecciona de cáncer de cuello uterino asociado al virus del papiloma humano (VPH), cáncer de cabeza y cuello asociado a VPH. En algunos ejemplos que no son parte de las reivindicaciones, la primera afección de cáncer se selecciona de cáncer de cuello uterino asociado al virus del papiloma humano (VPH), cáncer de cabeza y cuello asociado con VPH, cáncer gástrico asociado con el virus de Epstein-Barr (VEB), cáncer nasofaríngeo asociado con VEB, linfoma de Burkitt asociado con VEB, linfoma de Hodgkin asociado con VEB, cáncer de hígado asociado con el virus de la hepatitis B (VHB), cáncer de hígado asociado con el virus de la hepatitis C (VHC), sarcoma de Kaposi asociado con el virus del sarcoma asociado de Kaposi (KSHV), leucemia/linfoma de células T del adulto asociado con el virus linfotrópico de células T humano (HTLV-1) y carcinoma de células de Merkel asociado con el poliomavirus de células de Merkel (MCV). Para un sumario de las afecciones de cáncer que se sabe que están asociadas a una infección viral oncogénica,véase,de Flora, 2011, "The prevention of infection-associated cancers", Carcinogenesis 32, págs. 787-795.
[0459] En consecuencia, cuando la primera afección de cáncer es un tipo particular de cáncer asociado a un patógeno oncogénico particular, la segunda afección de cáncer es el mismo tipo particular de cáncer no asociado a ninguna infección del patógeno oncolítico particular. Por ejemplo, cuando la primera afección de cáncer es cáncer de cuello uterino asociado a una infección por el virus del papiloma humano (VPH), la segunda afección de cáncer es cáncer de cuello uterino que no está asociado a una infección por el virus del papiloma humano (VPH). Por otra parte, como se ha descrito anteriormente, el clasificador usado para discriminar entre las dos afecciones de cáncer se entrena con respecto a un conjunto de datos que incluye al menos valores de abundancia de genes (por ejemplo, perfiles de expresión de ARNm) de sujetos que se sabe que tienen cáncer de cuello uterino asociado a una infección por el virus del papiloma humano (VPH) y de sujetos que se sabe que tienen cáncer de cuello uterino que no está asociado a una infección por el virus del papiloma humano (VPH).
[0461] En algunas realizaciones, el procedimiento incluye además asignar una terapia para el sujeto que comprende una primera terapia (322) adaptada para el tratamiento de la primera afección de cáncer, asociada a la infección patógena oncogénica o una segunda terapia (324) adaptada para el tratamiento de la segunda afección de cáncer, no asociada a la infección por patógenos oncogénicos.
[0463] En consecuencia, en una realización no reivindicada, se proporciona un procedimiento para tratar el cáncer en un paciente humano. El procedimiento incluye determinar si el paciente está infectado con un patógeno oncogénico vinculado a la patología del cáncer obteniendo un conjunto de datos para el paciente, incluyendo el conjunto de datos una pluralidad de valores de abundancia, e introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos una primera afección de cáncer asociada a una infección del patógeno oncogénico y una segunda afección de cáncer que no está asociada a una infección del patógeno oncogénico. Cada valor de abundancia en el conjunto de datos cuantifica un nivel de expresión de un gen correspondiente que resulta expresarse diferencialmente en cánceres asociados a una infección del patógeno oncogénico y cánceres que no están asociados a una infección del patógeno oncogénico. En algunos ejemplos, los genes para los que se usan valores de abundancia para discriminar entre afecciones de cáncer para cualquier tipo particular de cáncer se seleccionan de acuerdo con cualquiera de las metodologías de selección descritas anteriormente haciendo referencia a la figura 2. De forma similar, en algunos ejemplos, el clasificador usado se entrena de acuerdo con cualquiera de las metodologías de entrenamiento descritas anteriormente haciendo referencia a la figura<2>.
[0465] En algunas realizaciones, si se determina que el sujeto tiene una primera afección de cáncer, asociada a una infección por patógenos oncogénicos, el procedimiento incluye la asignación de inmunoterapia al sujeto. En algunas realizaciones, si se determina que el sujeto tiene una segunda afección de cáncer, que no está asociada a una infección por patógenos oncogénicos, el procedimiento incluye la asignación de quimioterapia al sujeto.
[0467] Como se resume en la tabla 2, varios ensayos clínicos están en curso para el tratamiento de tumores asociados a virus. En consecuencia, en algunas realizaciones, los procedimientos descritos en el presente documento incluyen asignar un tratamiento para un cáncer particular asociado a una infección viral oncogénica particular, como se enumera en la tabla 2. Por ejemplo, en algunas realizaciones, tras una determinación de que el sujeto tiene un cáncer de cuello uterino de fase 3 asociado a una infección por VPH, al sujeto se le asigna un régimen de dosificación terapéuticamente eficaz de axalimogene filolisbac, que es una Listeria monocytogenes atenuada viva transfectada con plásmidos que codifican la proteína VPH-16E7 fusionada a un fragmento truncado de laLmproteína listeriolisina O.
[0469] T l 2. En líni r l r mi n n r i inf i n vir l n ni .
[0471]
[0472]
[0474] Infecciones virales oncogénicas p o r VPH.
[0475] En algunas realizaciones, los procedimientos descritos en el presente documento se refieren a la clasificación y/o asignación de tratamiento de cánceres que se sabe que están asociados a una infección por el virus del papiloma humano (VPH). Como se reporta en el ejemplo 3, los veinticuatro genes enumerados en la tabla 3 y mostrados en la figura 4B, resultaron expresarse diferencialmente en al menos ocho de los diez conjuntos de entrenamiento formados a partir de datos de expresión de cánceres de cuello uterino o de cabeza y cuello con estados de VPH conocidos en The Cancer Genome Atlas (TCGA). En consecuencia, los niveles de expresión de una pluralidad de los genes enumerados en la tabla 3 se usan para la clasificación de un cáncer de cuello uterino o un cáncer de cabeza y cuello como asociado a una infección por VPH o no asociado a una infección por VPH. En algunas realizaciones, niveles de expresión de al menos 2, 3, 4, 5,<6>, 7,<8>, 9 de los genes enumerados en la tabla 3 y que incluyen al menos SMC1B, CDKN2A y EFNB3 y/o al menos 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 o todos los 24 de los genes enumerados en la tabla 3 se usan para la clasificación de un cáncer de cuello uterino o un cáncer de cabeza y cuello como asociado a una infección por VPH o no asociado a una infección por VPH.
[0476] Tabla 3.Se ha descubierto que los genes se expresan diferencialmente en al menos el 80 % de los conjuntos de entrenamiento de cáncer de cuello uterino o cáncer de cabeza cuello derivados de la base de datos de TCGA.
[0479]
[0480]
[0483] En una realización, un procedimiento comprende discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, en donde la primera afección de cáncer está asociada a una infección por un virus oncogénico del virus del papiloma humano (VPH) y la segunda afección de cáncer está asociada a un estado libre de VPH. El procedimiento incluye obtener un conjunto de datos del sujeto, por ejemplo, como se describe anteriormente haciendo referencia a la figura 3. El conjunto de datos incluye una pluralidad de valores de abundancia del sujeto, donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en un tejido canceroso del sujeto. En algunas realizaciones, la pluralidad de genes incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 3, comprendiendo al menos SMC1B, CDKN2A y EFNB3. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos la primera afección de cáncer y la segunda afección de cáncer basándose en los valores de abundancia de la pluralidad de genes. En algunas realizaciones, el clasificador se entrena de acuerdo con cualquiera de las metodologías descritas anteriormente, con respecto a la figura<2>.
[0484] En algunas realizaciones, la primera afección de cáncer es cáncer de cuello uterino asociado a una infección por VPH y la segunda afección de cáncer es cáncer de cuello uterino que no está asociado a una infección por VPH. En algunas realizaciones, la primera afección de cáncer es cáncer de cabeza y cuello asociado a una infección por VPH y la segunda afección de cáncer es cáncer de cabeza y cuello que no está asociado a una infección por VPH. En algunas realizaciones, el cáncer de cabeza y cuello es una forma específica de cáncer de cabeza y cuello, por ejemplo, cáncer hipofaríngeo, cáncer de laringe, cáncer de labios y de la cavidad oral, cáncer escamoso metastásico de cuello con tumor primario oculto, cáncer nasofaríngeo, cáncer orofaríngeo, cáncer de seno paranasal y de cavidad nasal o cáncer de glándula salival.
[0486] En algunas realizaciones, la pluralidad de genes incluye al menos diez de los genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de genes incluye al menos quince de los genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de genes incluye al menos veinte de los genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de genes incluye todos los genes enumerados en la tabla 3. En alguna realización, la pluralidad de genes incluye uno o más genes que no se enumeran en la tabla 3, por ejemplo, 1, 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más de los genes no enumerados en la tabla 3. En algunas realizaciones, la pluralidad de genes incluye no más de 20 genes. En algunas realizaciones, la pluralidad de genes incluye no más de 25 genes. En algunas realizaciones, la pluralidad de genes incluye no más de 50 genes. En algunas realizaciones, la pluralidad de genes incluye no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0488] En algunas realizaciones, el conjunto de datos también incluye un recuento de alelos variantes para uno o más alelos en uno o más locus en el genoma del tejido canceroso del sujeto. En algunas realizaciones, el recuento de alelos variantes es<1>, que representa un estado en el que el sujeto porta el alelo variante, o<0>, que representa un estado en el que el sujeto no porta el alelo variante. En algunas realizaciones, el alelo variante es una variante somática, que se origina en la línea germinal del sujeto. En algunas realizaciones, el alelo variante es una variante derivada del cáncer, que se origina a partir del tejido canceroso. En algunas realizaciones, el alelo variante se localiza en el gen TP53 (ENSG00000141510) o CDKN2A (ENSG00000147889).
[0490] En algunas realizaciones, el clasificador está entrenado para determinar el estado de VPH de un sujeto de prueba que tiene un cáncer asociado a VPH seleccionado de cáncer de cuello uterino, carcinoma escamocelular de cabeza y cuello, cáncer de ovario, cáncer de pene, cáncer faríngeo, cáncer de ano, cáncer de vagina y cáncer de vulva. En algunas realizaciones, el clasificador está entrenado para determinar el estado de VPH de un paciente de prueba que tiene un cáncer específico asociado al VPH, por ejemplo, cáncer de cuello uterino, carcinoma escamocelular de cabeza y cuello, cáncer de ovario, cáncer de pene, cáncer faríngeo, cáncer de ano, cáncer de vagina o cáncer de vulva. Sin embargo, ya que el entrenamiento del clasificador generalmente se mejora aumentando el tamaño del conjunto de datos de entrenamiento, en algunas realizaciones, el clasificador se entrena contra datos de pacientes que tienen dos o más tipos de cánceres asociados con el VPH, por ejemplo, dos, tres, cuatro, cinco, seis, siete o los ocho de cáncer de cuello uterino, carcinoma escamocelular de cabeza y cuello, cáncer de ovario, cáncer de pene, cáncer faríngeo, cáncer de ano, cáncer de vagina y cáncer de vulva. En una realización particular, ejemplificada por el ejemplo 3, el clasificador está entrenado con respecto a sujetos que tienen carcinoma de células escamosas de cabeza y cuello o cáncer de cuello uterino. Sin embargo, en algunas realizaciones, un clasificador entrenado con respecto a pacientes que tienen uno o más tipos de cáncer asociado al VPH es útil para determinar el estado del VPH de un paciente que tiene un tipo diferente de cáncer asociado al VPH.
[0492] En algunas realizaciones, las características del clasificador incluyen valores de abundancia para una pluralidad de genes seleccionados de los enumerados en la tabla 3, por ejemplo, KRT<8 6>, CRISPLD1, DSG1, SESn 3, DAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1. Como se reportó anteriormente, por ejemplo, haciendo referencia al ejemplo 3, se descubrió que estos veinticuatro genes se expresaban diferencialmente, dependiendo del estado de VPH del sujeto, en al menos ocho de los diez conjuntos de entrenamiento formados a partir de datos de expresión de cánceres de cuello uterino o de cabeza y cuello con estados de VPH conocidos en The Cancer Genome Atlas (TCGA). Sin embargo, los expertos apreciarán que, en algunos casos, el uso de diferentes conjuntos de datos de entrenamiento puede producir diferentes resultados, por ejemplo, uno o más de estos genes pueden no ser informativos en al menos el 80 % de los pliegues de entrenamiento y/o uno o más genes que no son informativos en al menos el 80 % de los pliegues de entrenamiento en el estudio informado en el ejemplo 3 pueden ser informativos. Estas diferencias pueden surgir, por ejemplo, cuando se usan diferentes criterios para seleccionar la población de entrenamiento, por ejemplo, diferentes criterios de inclusión y/o exclusión tales como el tipo de cáncer, características personales (por ejemplo, la edad, el sexo, etnia, antecedentes familiares, estado de tabaquismo, etc.) o simplemente usando un conjunto de datos más pequeño o más grande.
[0494] En consecuencia, en algunas realizaciones, las características del clasificador incluyen al menos cinco de los genes enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen al menos diez de los genes enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen al menos quince de los genes enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen al menos veinte de los genes enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen los veinticuatro genes enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen 5,<6>, 7,<8>, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 o todos los 24 de los genes enumerados en la tabla 3. Por otra parte, en algunas realizaciones, las características del clasificador incluyen los valores de abundancia para uno o más genes no enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen valores de abundancia para 1, 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más genes no enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen los valores de abundancia para<1 - 10>genes no enumerados en la tabla 3. En algunas realizaciones, las características del clasificador incluyen los valores de abundancia para 1­ 5 genes no enumerados en la tabla 3. En otras realizaciones, las características del clasificador no incluyen los valores de abundancia para ningún gen no enumerado en la tabla 3.
[0496] Por otra parte, los expertos apreciarán que algunas características, por ejemplo, valores de abundancia para un gen particular, serán más informativas que otras características en un clasificador particular. Una medida del poder predictivo de respectivas características en un clasificador basándose en múltiples características es el coeficiente de regresión calculado para las características durante el entrenamiento del modelo. Los coeficientes de regresión describen la relación entre cada característica y la respuesta del modelo. El valor de coeficiente representa el cambio medio en la respuesta dado un aumento de una unidad en el valor de característica. Como tal, al menos para variables del mismo tipo, la magnitud, por ejemplo, valor absoluto, de un coeficiente de regresión se correlaciona con la importancia de la característica en el modelo. Esto quiere decir, cuanto mayor sea la magnitud del coeficiente de regresión, más importante será la variable para el modelo. Por ejemplo, como se informa en el ejemplo 3, en un clasificador de máquina de vectores de soporte (SVM) particular entrenado con respecto a los valores de abundancia de los veinticuatro genes enumerados en la tabla 3, así como un estado de alelo variante para los genes TP53 y CDKN2A, solo seis de los 24 genes tenían coeficientes de regresión con magnitudes de al menos 0,5-CDKN2A (1,13), SMC1B (1,02), EFNB3 (-0,97), KCNS1 (0,74), CCND1 (-0,65) y RNF212 (0,517).
[0498] Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 3, basándose en, al menos en parte, la importancia de las respectivas características en uno o más modelos de clasificación. Por ejemplo, en algunas realizaciones, uno o más genes con menor poder predictivo en un modelo de clasificación pueden omitirse durante el entrenamiento del clasificador. Por ejemplo, en algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,5, por ejemplo, CDKN2A, SMC1B, EFNB3, KCNS1, CCND1 y RNF212. En algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,4. En algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,3. En algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,2. En algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,1.
[0499] De forma similar, el tamaño del conjunto de características puede verse afectado por qué características se incluyen y/o excluyen. Por ejemplo, en algunas realizaciones, si se incluyen características particulares que tienen un alto poder predictivo en un modelo de clasificación, se pueden incluir menos características totales en el modelo. Por ejemplo, en algunas realizaciones, si los valores de abundancia para SMC1B, CDKN2A y EFNB3 están incluidos en el modelo, los valores de abundancia para no más de dos de los otros genes cuyos valores de abundancia se usan como características en la tabla 5 deben incluirse en el modelo. En consecuencia, en algunas realizaciones, las características del clasificador incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros dos genes cuyos valores de abundancia se usan como características en la tabla 5. En algunas realizaciones, las características del clasificador incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros cinco genes cuyos valores de abundancia se usan como características en la tabla 5. En algunas realizaciones, las características del clasificador incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros diez genes cuyos valores de abundancia se usan como características en la tabla 5. En algunas realizaciones, las características del clasificador incluyen valores de abundancia para SMC1B, CDKN2A y EFNB3 y al menos otros quince genes cuyos valores de abundancia se usan como características en la tabla 5.
[0501] De forma similar, en algunas realizaciones, si las características que tienen un alto poder predictivo se excluyen del modelo de clasificación, pueden incluirse en el modelo más de las otras características. Por ejemplo, en algunas realizaciones, si los valores de abundancia para uno o más de SMC1B, CDKN2A y EFNB3 no están incluidos en el modelo, los valores de abundancia para al menos quince de los otros cuyos valores de abundancia se usan como características en la tabla 5, se incluyen en el modelo. En algunas realizaciones, si los valores de abundancia para uno o más de SMC1B, CDKN2A y EFNB3 no están incluidos en el modelo, los valores de abundancia para al menos veinte de los otros genes cuyos valores de abundancia se usan como características en la tabla 5, se incluyen en el modelo. En algunas realizaciones, si los valores de abundancia para uno o más de SMC1B, CDKN2A y EFNB3 no están incluidos en el modelo, los valores de abundancia para al menos 15, 16, 17, 18, 19, 20 o todos los 21 de los otros genes cuyos valores de abundancia se usan como características en la tabla 5, se incluyen en el modelo.
[0502] Por supuesto, también están disponibles otras métricas para evaluar la importancia de una característica en un modelo, tales como coeficientes de regresión estandarizados y cambio en R-cuadrado cuando la característica se agrega al modelo en último lugar.
[0504] Al seleccionar un conjunto de características, el experto en la materia también tendrá en consideración el grado en el que las características se correlacionan entre sí. La correlación es una medida estadística de cuán linealmente dependientes son dos variables entre sí. Como tal, dos características correlacionadas proporcionan información duplicada a un modelo predictivo, lo que puede ser perjudicial para un clasificador. Como tal, hay varias razones por las que una característica correlacionada puede excluirse de un modelo. Por ejemplo, eliminar una característica correlacionada hará que el algoritmo sea más rápido, ya que cuanto mayor sea el número de características en un clasificador, más cálculos deberán realizarse. Eliminar una característica correlacionada también puede eliminar el sesgo dañino, que surge de la correlación, de un modelo. Finalmente, eliminar una característica correlacionada puede hacer que el modelo sea más interpretable.
[0506] Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 3, basándose en, al menos en parte, la correlación entre respectivas características en uno o más modelos de clasificación. En algunas realizaciones, la selección de eliminar una u otra característica de un conjunto de características correlacionadas se informa por parte de los poderes predictivos de las dos características, por ejemplo, sus respectivos coeficientes de regresión. Por ejemplo, los valores de expresión génica para ENSG00000105278 (CXCL14) y ENSG00000077935 (SMC1B) están altamente correlacionados en el conjunto de características enumerado en la tabla 3 (correlación = 0,718983175). En consecuencia, en algunas realizaciones, el conjunto de características no incluye ni CXCL14 ni SMC1B. En algunas realizaciones, CXCL14, en lugar de SMC1B, se excluye del conjunto de características porque, tal como se indica en la tabla 5, SMC1B tiene un coeficiente de regresión más alto (1,02) que CXCL14 (-0,29) en el modelo de SVM descrito en el ejemplo 3.
[0508] Como se indica en la tabla<6>, diez pares de características de expresión génica tienen una correlación de al menos 0,6. En consecuencia, en algunas realizaciones, una característica en al menos un par de características que tiene una correlación de al menos 0,6 se excluye del modelo. En algunas realizaciones, una característica en al menos dos pares de características que tienen una correlación de al menos 0,6 se excluye del modelo. En otras realizaciones, se excluye del modelo una característica en al menos 3, 4, 5,<6>, 7,<8>, 9 o todos los 10 pares de características que tienen una correlación de al menos 0,6. En algunas realizaciones, una característica excluida es la característica en un par de características altamente correlacionadas que tienen el coeficiente de regresión más bajo informado en la tabla 5. Por ejemplo, haciendo referencia a la tabla<6>, la característica que tiene el coeficiente de regresión más bajo en cada par altamente correlacionado (por ejemplo, correspondiente a una correlación de al menos<0>,<6>) es:
[0510] • Par 1 = DSG1
[0512] • Par 2 = ZFR2
[0514] • Par 3 = RNF212
[0516] • Par 4 = SYCP2
[0518] • Par 5 = ZFR2
[0520] • Par<6>= MYO3A
[0522] • Par 7 = SYCP2
[0523] • Par<8>= DSG1
[0525] • Par 9 = KCNS1
[0527] • Par 10 = ZFR2
[0529] En consecuencia, en algunas realizaciones, uno o más de DSG1, ZFR2, RNF212, SYCP2, MYO3A y KCNS1 se excluyen del conjunto de características sobre la base de que son la característica menos informativa en un par de características altamente correlacionadas.
[0531] Sin embargo, en algunas realizaciones, este proceso de selección no permite que ambas características de un par de características altamente correlacionadas se excluyan del conjunto de características, por ejemplo, sobre la base de que ambos genes son la característica menos informativa en al menos uno de los pares de características altamente correlacionados. Por tanto, en algunas realizaciones, uno o más de SYCP2, MYO3A y KCNS1 no están excluidos del conjunto de características. De forma similar, en algunas realizaciones, este proceso de selección no permite que características altamente informativas, por ejemplo, características con coeficientes de regresión de al menos 0,5, sean excluidas del conjunto de características. Por tanto, en algunas realizaciones, uno o ambos de RNF212 y KCNS1 no están excluidos del conjunto de características.
[0533] En consecuencia, en una realización, el conjunto de características incluye valores de abundancia para al menos KRT<8 6>, CRISPLD1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1.
[0535] De forma similar, en una realización, el conjunto de características incluye valores de abundancia para al menos KRT<8 6>, CRISPLD1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, RNF212, MKRN3, MYL1, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1.
[0537] De forma similar, en una realización, el conjunto de características incluye valores de abundancia para al menos KRT<8 6>, CRISPLD1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGB1, CCND1, LCE1F y KCNS1.
[0539] En algunas realizaciones, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunas realizaciones, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura<2>.
[0541] En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos. En algunas realizaciones, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos.
[0543] En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos<100>construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos. En algunas realizaciones, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos.
[0545] En algunas realizaciones, el procedimiento incluye además asignar terapia al sujeto basándose en la clasificación de la afección de cáncer, por ejemplo, basándose en si el cáncer del sujeto está asociado o no a una infección viral por VPH.
[0547] En consecuencia, en una realización que no es parte de las reivindicaciones, se proporciona un procedimiento para tratar cáncer de cuello uterino en un paciente humano con cáncer. El procedimiento incluye determinar si el paciente humano con cáncer está infectado con un virus oncogénico del virus del papiloma humano (VPH) obteniendo un conjunto de datos para el paciente humano con cáncer, incluyendo el conjunto de datos una pluralidad de valores de abundancia donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un gen correspondiente, en una pluralidad de genes, y la pluralidad de genes incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 3. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos una primera afección de cáncer de cuello uterino asociada a la infección por VPH y una segunda afección de cáncer de cuello uterino asociada con un estado libre de VPH basándose en los valores de abundancia de la pluralidad de genes, en el tejido canceroso del sujeto. En algunos ejemplos, el clasificador se entrena de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura 2. El procedimiento incluye entonces tratar el cáncer de cuello uterino. Cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VPH, administración de una primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado a una infección por VPH. Cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con un virus oncogénico de VPH, administración de una segunda terapia adaptada para el tratamiento del cáncer de cuello uterino no asociado con una infección por VPH.
[0549] En algunos ejemplos, la pluralidad de genes incluye al menos diez de los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye al menos quince de los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye al menos veinte de los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye todos los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye uno o más genes que no se enumeran en la tabla 3, por ejemplo, 1, 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más de los genes no enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye no más de 20 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 25 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 50 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0551] En algunas realizaciones, el conjunto de datos también incluye un recuento de alelos variantes para uno o más alelos en uno o más locus en el genoma del tejido canceroso del sujeto. En algunas realizaciones, el recuento de alelos variantes es<1>, que representa un estado en el que el sujeto porta el alelo variante, o<0>, que representa un estado en el que el sujeto no porta el alelo variante. En algunas realizaciones, el alelo variante es una variante somática, que se origina en la línea germinal del sujeto. En algunas realizaciones, el alelo variante es una variante derivada del cáncer, que se origina a partir del tejido canceroso. En algunas realizaciones, el alelo variante se localiza en el gen TP53 (ENSG00000141510) o CDKN2A (ENSG00000147889).
[0553] En algunas realizaciones, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunas realizaciones, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura<2>.
[0554] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado a una infección por VPH es una vacuna terapéutica. En algunas realizaciones, la vacuna terapéutica se selecciona de axalimogene filolisbac (Advaxis), TG4001 (Transgene), GX-188E (Genexine), VGX-3100 (Inovio), MEDI-0457 (Inovio), INO-3106 (Inovio), TA-CIN (Cancer Research Technology), TA-HPV (Cancer Research Technology), ISA-101 (Isa) y PepCan (Universidad de Arkansas).
[0556] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado a una infección por VPH es una terapia celular adoptiva. En algunas realizaciones, la terapia celular adoptiva incluye la administración de células T específicas de VPH, por ejemplo, como se describe para el ensayo clínico ID NCT02379520 o NCT03197025 (Baylor College of Medicine).
[0558] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado a una infección por VPH es un inhibidor de punto de control inmunitario. En algunas realizaciones, el inhibidor de punto de control inmunitario es nivolumab (Bristol-Myers Squibb).
[0560] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado a una infección por VPH es un inhibidor de PI3K. En algunas realizaciones, el inhibidor de PI3K es AMG319 (Amgen) o BKM120 (Novartis).
[0562] De forma similar, en una realización que no es parte de las reivindicaciones, se proporciona un procedimiento para tratar el cáncer de cabeza y cuello en un paciente humano con cáncer. El procedimiento incluye determinar si el paciente humano con cáncer está infectado con un virus oncogénico del virus del papiloma humano (VPH) obteniendo un conjunto de datos para el paciente humano con cáncer, incluyendo el conjunto de datos una pluralidad de valores de abundancia donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un gen correspondiente, en una pluralidad de genes, y la pluralidad de genes incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 3. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos una primera afección de cáncer de cabeza y cuello asociada a una infección por VPH y una segunda afección de cáncer de cabeza y cuello asociada a un estado libre de VPH basándose en los valores de abundancia de la pluralidad de genes, en el tejido canceroso del sujeto. En algunos ejemplos, el clasificador se entrena de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura 2. El procedimiento incluye entonces tratar el cáncer de cabeza y cuello. Cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VPH, el procedimiento incluye administrar una primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado a una infección por VPH. Cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con un virus oncogénico de VPH, el procedimiento incluye administrar una segunda terapia adaptada para el tratamiento del cáncer de cabeza y cuello no asociado a una infección por VPH.
[0564] En algunos ejemplos, la pluralidad de genes incluye al menos diez de los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye al menos quince de los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye al menos veinte de los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye todos los genes enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye uno o más genes que no se enumeran en la tabla 3, por ejemplo, 1,2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más de los genes no enumerados en la tabla 3. En algunos ejemplos, la pluralidad de genes incluye no más de 20 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 25 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 50 genes. En algunas realizaciones, la pluralidad de genes incluye no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0566] En algunas realizaciones, el conjunto de datos también incluye un recuento de alelos variantes para uno o más alelos en uno o más locus en el genoma del tejido canceroso del sujeto. En algunas realizaciones, el recuento de alelos variantes es<1>, que representa un estado en el que el sujeto porta el alelo variante, o<0>, que representa un estado en el que el sujeto no porta el alelo variante. En algunas realizaciones, el alelo variante es una variante somática, que se origina en la línea germinal del sujeto. En algunas realizaciones, el alelo variante es una variante derivada del cáncer, que se origina a partir del tejido canceroso. En algunas realizaciones, el alelo variante se localiza en el gen TP53 (ENSG00000141510) o CDKN2A (ENSG00000147889).
[0568] En algunas realizaciones, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunas realizaciones, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura<2>.
[0570] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado a una infección por VPH es una vacuna terapéutica. En algunas realizaciones, la vacuna terapéutica se selecciona de axalimogene filolisbac (Advaxis), TG4001 (Transgene), GX-188E (Genexine), VGX-3100 (Inovio), MEDI-0457 (Inovio), INO-3106 (Inovio), TA-CIN (Cancer Research Technology), TA-HPV (Cancer Research Technology), ISA-101 (Isa) y PepCan (Universidad de Arkansas).
[0572] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado a una infección por VPH es una terapia celular adoptiva. En algunas realizaciones, la terapia celular adoptiva incluye la administración de células T específicas de VPH, por ejemplo, como se describe para el ensayo clínico ID NCT02379520 o NCT03197025 (Baylor College of Medicine).
[0574] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado a una infección por VPH es un inhibidor de punto de control inmunitario. En algunas realizaciones, el inhibidor de punto de control inmunitario es nivolumab (Bristol-Myers Squibb).
[0576] En algunas realizaciones, la primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado a una infección por VPH es un inhibidor de PI3K. En algunas realizaciones, el inhibidor de PI3K es AMG319 (Amgen) o BKM120 (Novartis).
[0578] Conjuntos de sondas de VPH.
[0580] En algunas realizaciones, la presente divulgación proporciona sondas para unir, enriquecer y/o detectar moléculas de ácido nucleico, por ejemplo, transcritos de ARNm que se aíslan de una muestra de tejido canceroso de un sujeto y/o moléculas de ADNc preparadas a partir de esos transcritos de ARNm, que son informativos de si el sujeto tiene una primera afección de cáncer asociada a una infección viral oncogénica por VPH o una segunda afección de cáncer que no está asociada a una infección viral oncogénica por VPH. Generalmente, las sondas incluyen ADN, ARN o una estructura de ácido nucleico modificada con una secuencia base que es complementaria de una molécula de ácido nucleico de interés. En consecuencia, cuando la sonda está diseñada para hibridar con una molécula de ARNm aislada del tejido canceroso, la sonda incluirá una secuencia de ácido nucleico que es complementaria a la cadena codificante del gen a partir del cual se originó el transcrito, es decir, la sonda incluirá una secuencia antisentido del gen. Sin embargo, cuando la sonda diseñada para hibridar una molécula de ADNc, la sonda puede contener o bien una secuencia que es complementaria a la secuencia codificante del gen de interés (una secuencia antisentido) o una secuencia que es idéntica a la secuencia codificante del gen de interés (una secuencia sentido), porque las moléculas en la biblioteca de ADNc son de doble cadena.
[0582] En algunas realizaciones, las sondas incluyen secuencias de ácido nucleico adicionales que no comparten ninguna homología con la secuencia génica de interés. Por ejemplo, en algunas realizaciones, las sondas también incluyen secuencias de ácido nucleico que contienen una secuencia identificadora, por ejemplo, un identificador molecular único (UMI, del inglés unique molecular identifier), por ejemplo, que es único para una muestra de tejido canceroso particular o paciente con cáncer. Los ejemplos de estas secuencias identificadoras se describen, por ejemplo, en Kivioja et al., 2011, Nat. Methods 9(1), págs. 72-74 e Islam et al., 2014, Nat. Methods 11(2), págs.<1 6 3>-<6 6>. De forma similar, en algunas realizaciones, las sondas también incluyen secuencias de ácido nucleico cebador útiles para amplificar la molécula de ácido nucleico de interés, por ejemplo, utilizando PCR. En algunas realizaciones, las sondas también incluyen una secuencia de captura diseñada para hibridar con una secuencia anti-captura para recuperar la molécula de ácido nucleico de interés de la muestra.
[0584] Igualmente, en algunas realizaciones, la sonda incluye un resto de afinidad no de ácido nucleico unido de forma covalente a la molécula de ácido nucleico que es complementaria al gen de interés, para recuperar la molécula de ácido nucleico de interés. Los ejemplos no limitados de restos de afinidad de ácido no nucleico incluyen biotina, digoxigenina y dinitrofenol. En algunas realizaciones, la sonda está unida a una superficie o partícula de estado sólido, por ejemplo, una tira reactiva o perla magnética, para recuperar el ácido nucleico de interés.
[0586] En consecuencia, en una realización, la divulgación proporciona una pluralidad de sondas de ácido nucleico para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, donde la primera afección de cáncer está asociada a la infección por un virus oncogénico del virus del papiloma humano (VPH) y la segunda afección de cáncer está asociada a un estado libre de VPH. La pluralidad de sondas de ácido nucleico incluye al menos cinco sondas de ácido nucleico y cada una de las al menos cinco sondas de ácido nucleico incluye una respectiva secuencia de ácido nucleico que es idéntica o complementaria a al menos<10>bases consecutivas de un transcrito de ARN de un respectivo gen diferente seleccionado de los genes enumerados en la tabla 3.
[0588] En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye al menos diez sondas con secuencias que son complementarias o idénticas a secuencias de diferentes genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye al menos quince sondas con secuencias que son complementarias o idénticas a secuencias de diferentes genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye al menos veinte sondas con secuencias que son complementarias o idénticas a secuencias de diferentes genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que son complementarias o idénticas a las secuencias de todos los genes enumerados en la tabla 3. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye 2, 3, 4, 5,<6>, 7,<8>, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23 o 24 sondas con secuencias que son complementarias o idénticas a secuencias de diferentes genes enumerados en la tabla 3.
[0589] En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye una o más sondas que se unen a una secuencia de un gen que no se enumera en la tabla 3. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye al menos 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más sondas que se unen a una secuencia de un gen que no se enumera en la tabla 3. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 20 genes. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 25 genes. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 50 genes. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0591] En algunas realizaciones, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 15 bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 3. En algunas realizaciones, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 30 bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 3. En algunas realizaciones, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 50 bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 3. En algunas realizaciones, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200 o más bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 3.
[0593] Infecciones virales oncogénicas p o r VEB.
[0595] En algunas realizaciones que no son parte de las reivindicaciones, los procedimientos descritos en el presente documento se refieren a la clasificación y/o tratamiento de cánceres que se sabe que están asociados con una infección por el virus de Epstein-Barr (VEB). Como se informa en el ejemplo 4, a continuación, los veinticuatro genes enumerados en la tabla 4 y mostrados en la figura 5B, resultaron expresarse diferencialmente en al menos ocho de los diez conjuntos de entrenamiento formados a partir de datos de expresión de cáncer gástrico con estados de VEB conocidos en The Cancer Genome Atlas (TCGA). En consecuencia, en algunos ejemplos, los niveles de expresión de uno o más de los genes enumerados en la tabla 4 se usan para la clasificación de cáncer gástrico como asociado con una infección por VEB o no asociado con una infección por VEB. En algunos ejemplos, los niveles de expresión de al menos 2, 3, 4, 5,<6>, 7,<8>o los 9 genes enumerados en la tabla 4 se usan para la clasificación del cáncer gástrico como asociado con una infección por VEB o no asociado con una infección por VEB.
[0597] Tabla 4.Genes que resultaron expresarse diferencialmente en al menos el 80 % de los conjuntos de entrenamiento n r ri riv l T A.
[0599]
[0602] En un ejemplo, se proporciona un procedimiento para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, en donde la primera afección de cáncer está asociada con una infección por un virus oncogénico del virus de Epstein-Barr (VEB) y la segunda afección de cáncer está asociada con un estado libre de VEB. El procedimiento incluye obtener un conjunto de datos del sujeto, por ejemplo, como se describe anteriormente haciendo referencia a la figura 3. El conjunto de datos incluye una pluralidad de valores de abundancia del sujeto, donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en un tejido canceroso del sujeto. En algunos ejemplos, la pluralidad de genes incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 4. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos la primera afección de cáncer y la segunda afección de cáncer basándose en los valores de abundancia de la pluralidad de genes. En algunas realizaciones, el clasificador se entrena de acuerdo con cualquiera de las metodologías descritas anteriormente, con respecto a la figura<2>.
[0604] En algunos ejemplos, la pluralidad de genes incluye todos los genes enumerados en la tabla 4. En algunos ejemplos, la pluralidad de genes incluye uno o más genes que no se enumeran en la tabla 4, por ejemplo, 1, 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más de los genes no enumerados en la tabla 4. En algunos ejemplos, la pluralidad de genes incluye no más de 20 genes. En algunas realizaciones, la pluralidad de genes incluye no más de 25 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 50 genes. En algunas realizaciones, la pluralidad de genes incluye no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0606] En algunos ejemplos, el conjunto de datos también incluye un recuento de alelos variantes para uno o más alelos en uno o más locus en el genoma del tejido canceroso del sujeto. En algunos ejemplos, el recuento de alelos variantes es<1>, que representa un estado en el que el sujeto porta el alelo variante, o<0>, que representa un estado en el que el sujeto no porta el alelo variante. En algunos ejemplos, el alelo variante es una variante somática, que se origina en la línea germinal del sujeto. En algunos ejemplos, el alelo variante es una variante derivada del cáncer, que se origina a partir del tejido canceroso. En algunas realizaciones, el alelo variante se localiza en el gen TP53 (ENSG00000141510) o PIK3CA (ENSG00000121879).
[0608] En algunos ejemplos, el clasificador está entrenado para determinar el estado de VEB de un sujeto de prueba que tiene un cáncer asociado con VEB seleccionado de linfoma de Burkitt, linfoma angiocéntrico de células T sinonasal, linfoma no Hodgkin, linfoma de Hodgkin, carcinoma nasofaríngeo y cáncer gástrico. En algunos ejemplos, el clasificador está entrenado para determinar el estado de VEB de un paciente de prueba que tiene un cáncer asociado a VEB específico, por ejemplo, linfoma de Burkitt, linfoma angiocéntrico de células T sinonasal, linfoma no Hodgkin, linfoma de Hodgkin, carcinoma nasofaríngeo o cáncer gástrico. Sin embargo, ya que el entrenamiento del clasificador generalmente se mejora aumentando el tamaño del conjunto de datos de entrenamiento, en algunas realizaciones, el clasificador se entrena con respecto a datos de pacientes que tienen dos o más tipos de cánceres asociados con VEB, por ejemplo, dos, tres, cuatro, cinco o los seis del linfoma de Burkitt, linfoma angiocéntrico de células T sinonasal, linfoma no Hodgkin, linfoma de Hodgkin, carcinoma nasofaríngeo y cáncer gástrico. En un ejemplo particular, ejemplificado por el ejemplo 4, el clasificador está entrenado con respecto a pacientes que tienen cáncer gástrico. Sin embargo, en algunos ejemplos, un clasificador entrenado con respecto a pacientes que tienen uno o más tipos de cáncer asociado a VEB es útil para determinar el estado de VEB de un paciente que tiene un tipo diferente de cáncer asociado a VEB.
[0610] En algunos ejemplos, las características del clasificador incluyen valores de abundancia para una pluralidad de genes seleccionados de los enumerados en la tabla 4, por ejemplo, SCNN1A, CDX1, KCNK15, Pr Kc G, KRT7, NKD2, GPR158, CLDN3 y ZNF683. Como se reportó anteriormente, por ejemplo, haciendo referencia al ejemplo 4, se descubrió que estos nueve genes se expresaban diferencialmente, dependiendo del estado de VEB del sujeto, en al menos el 80 % de los conjuntos de entrenamiento de cáncer gástrico en The Cancer Genome Atlas (TCGA). Sin embargo, los expertos apreciarán que, en algunos casos, el uso de diferentes conjuntos de datos de entrenamiento puede producir diferentes resultados, por ejemplo, uno o más de estos genes pueden no ser informativos en al menos el 80 % de los pliegues de entrenamiento y/o uno o más genes que no son informativos en al menos el 80 % de los pliegues de entrenamiento en el estudio reportado en el ejemplo 4 pueden ser informativos. Estas diferencias pueden surgir, por ejemplo, cuando se usan diferentes criterios para seleccionar la población de entrenamiento, por ejemplo, diferentes criterios de inclusión y/o exclusión tales como el tipo de cáncer, características personales (por ejemplo, la edad, el sexo, etnia, antecedentes familiares, estado de tabaquismo, etc.) o simplemente usando un conjunto de datos más pequeño o más grande.
[0612] En consecuencia, en algunos ejemplos, las características del clasificador incluyen al menos cinco de los genes enumerados en la tabla 4. En algunas realizaciones, las características del clasificador incluyen al menos seis de los genes enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen al menos siete de los genes enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen al menos ocho de los genes enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen los nueve genes enumerados en la tabla 4. Por otra parte, en algunos ejemplos, las características del clasificador también incluyen los valores de abundancia para uno o más genes no enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen el valor de abundancia para 1, 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más genes no enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen los valores de abundancia para 1-10 genes no enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen 1-5 genes no enumerados en la tabla 4. En otros ejemplos, las características del clasificador no incluyen los valores de abundancia para ningún gen no enumerado en la tabla 4.
[0614] Por otra parte, los expertos apreciarán que algunas características, por ejemplo, valores de abundancia para un gen particular, serán más informativas que otras características en un clasificador particular. Una medida del poder predictivo de respectivas características en un clasificador basándose en múltiples características es el coeficiente de regresión calculado para las características durante el entrenamiento del modelo. Los coeficientes de regresión describen la relación entre cada característica y la respuesta del modelo. El valor de coeficiente representa el cambio medio en la respuesta dado un aumento de una unidad en el valor de característica. Como tal, al menos para variables del mismo tipo, la magnitud, por ejemplo, valor absoluto, de un coeficiente de regresión se correlaciona con la importancia de la característica en el modelo. Esto quiere decir, cuanto mayor sea la magnitud del coeficiente de regresión, más importante será la variable para el modelo. Por ejemplo, como se informa en el ejemplo 4, en un clasificador de máquina de vectores de soporte (SVM) particular entrenado con respecto a los valores de abundancia de los nueve genes enumerados en la tabla 4, así como un estado de alelo variante para los genes TP53 y PIK3CA, solo cuatro de los nueve genes tenían coeficientes de regresión con magnitudes de al menos 0,75-SCNN1<a>(-1,26), KCNK15 (-1,04), KRT7 (-0,94) y CLDN3 (-1,68).
[0616] Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 4, basándose en, al menos en parte, la importancia de las respectivas características en uno o más modelos de clasificación. Por ejemplo, en algunas realizaciones, uno o más genes con menor poder predictivo en un modelo de clasificación pueden omitirse durante el entrenamiento del clasificador. Por ejemplo, en algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,75, por ejemplo, SCNN1A (-1,26), KCNK15 (-1,04), KRT7 (-0,94) y CLDN3 (-1,68). En algunas realizaciones, las características del clasificador incluyen al menos las características de expresión génica enumeradas en la tabla 5 con un coeficiente de regresión de al menos 0,6.
[0617] De forma similar, el tamaño del conjunto de características puede verse afectado por qué características se incluyen y/o excluyen. Por ejemplo, en algunos ejemplos, si se incluyen características particulares que tienen un alto poder predictivo en un modelo de clasificación, se pueden incluir menos características totales en el modelo. Por ejemplo, en algunos ejemplos, si los valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 están incluidos en el modelo, los valores de abundancia para no más de uno de los otros genes enumerados en la tabla 4 deben incluirse en el modelo. En consecuencia, en algunos ejemplos, las características del clasificador incluyen valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 y al menos uno de los otros genes enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 y al menos otros dos genes enumerados en la tabla 4. En algunos ejemplos, las características del clasificador incluyen valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 y al menos otros tres genes enumerados en la tabla 4. En algunas realizaciones, las características del clasificador incluyen valores de abundancia para SCNN1A, KCNK15, KRT7 y CLDN3 y al menos otros cuatro genes enumerados en la tabla 4.
[0619] De forma similar, en algunos ejemplos, si las características que tienen un alto poder predictivo se excluyen del modelo de clasificación, pueden incluirse en el modelo más de las otras características. Por ejemplo, en algunas realizaciones, si los valores de abundancia para uno o más de SCNN1A, KCNK15, KRT7 y CLDN3 no están incluidos en el modelo, los valores de abundancia para al menos cuatro de los otros genes enumerados en la tabla 4 se incluyen en el modelo. En algunos ejemplos, si los valores de abundancia para uno o más de SCNN1A, KCNK15, KRT7 y CLDN3 no están incluidos en el modelo, los valores de abundancia para los cinco de los otros genes enumerados en la tabla 4 se incluyen en el modelo.
[0621] Por supuesto, también están disponibles otras métricas para evaluar la importancia de una característica en un modelo, tales como coeficientes de regresión estandarizados y cambio en R-cuadrado cuando la característica se agrega al modelo en último lugar.
[0623] Al seleccionar un conjunto de características, el experto en la materia también tendrá en consideración el grado en el que las características se correlacionan entre sí. La correlación es una medida estadística de cuán linealmente dependientes son dos variables entre sí. Como tal, dos características correlacionadas proporcionan información duplicada a un modelo predictivo, lo que puede ser perjudicial para un clasificador. Como tal, hay varias razones por las que una característica correlacionada puede excluirse de un modelo. Por ejemplo, eliminar una característica correlacionada hará que el algoritmo sea más rápido, ya que cuanto mayor sea el número de características en un clasificador, más cálculos deberán realizarse. Eliminar una característica correlacionada también puede eliminar el sesgo dañino, que surge de la correlación, de un modelo. Finalmente, eliminar una característica correlacionada puede hacer que el modelo sea más interpretable. Como tal, el experto en la materia puede seleccionar un conjunto de características que incluya menos de todos los genes enumerados en la tabla 3, basándose en, al menos en parte, la correlación entre respectivas características en uno o más modelos de clasificación. Por ejemplo, el análisis estadístico del modelo de SVM entrenado en el ejemplo 4 reveló que los valores de expresión génica para ENSG00000135480 (KRT7) y ENSG00000124249 (KCNK15) estaban altamente correlacionados (0,650). En consecuencia, en algunas realizaciones, el valor de abundancia para uno de KRT7 y KCNK15 se excluye del conjunto de características.
[0624] Por ejemplo, en un ejemplo, el conjunto de características incluye valores de abundancia para al menos SCNN1A, CDX1, k Cn K15, Pr Kc G, NKD2, GPR158, CLDN3 y ZNF683. En otro ejemplo, el conjunto de características incluye valores de abundancia para al menos SCNN1A, CDX1, PRKCG, KRT7, NKD2, GPR158, CLDN3 y ZNF683.
[0626] En algunos ejemplos, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunos ejemplos, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura<2>.
[0628] En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos 50 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos. En algunos ejemplos, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 50 construcciones de datos.
[0630] En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 % y una sensibilidad de al menos el 70 % para un conjunto de datos de validación de al menos 100 construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 75 % y una sensibilidad de al menos el 75 % para un conjunto de datos de validación de al menos<10 0>construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 80 % y una sensibilidad de al menos el 80 % para un conjunto de datos de validación de al menos<10 0>construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunas realizaciones, el clasificador tiene una especificidad de al menos el 85 % y una sensibilidad de al menos el 85 % para un conjunto de datos de validación de al menos<10 0>construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 90 % y una sensibilidad de al menos el 90 % para un conjunto de datos de validación de al menos<100>construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 95 % y una sensibilidad de al menos el 95 % para un conjunto de datos de validación de al menos<10 0>construcciones de datos, por ejemplo, donde ninguna de las construcciones de datos en el conjunto de datos de validación se usó en el entrenamiento del clasificador. En algunos ejemplos, el clasificador tiene una especificidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos. En algunas realizaciones, el clasificador tiene una sensibilidad de al menos el 70 %, 75 %, 80 %, 85 %, 90 %, 95 %, 96 %, 97 %, 98 %, 99 % o más para un conjunto de datos de validación de al menos 100 construcciones de datos.
[0632] En algunos ejemplos, el procedimiento incluye, además, asignar terapia y/o administrar terapia al sujeto basándose en la clasificación de la afección de cáncer, por ejemplo, basándose en si el cáncer del sujeto está asociado o no a una infección viral por VEB.
[0634] En consecuencia, en un ejemplo, se proporciona un procedimiento para tratar cáncer gástrico en un paciente humano con cáncer. El procedimiento incluye determinar si el paciente humano con cáncer está infectado con un virus oncogénico del virus de Epstein-Barr (VEB) obteniendo un conjunto de datos para el paciente humano con cáncer, incluyendo el conjunto de datos una pluralidad de valores de abundancia donde cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un gen correspondiente, en una pluralidad de genes, y la pluralidad de genes incluye al menos cinco genes seleccionados de los genes enumerados en la tabla 4. El procedimiento incluye entonces introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos una primera afección de cáncer gástrico asociada a una infección por VEB y una segunda afección de cáncer gástrico asociada con un estado libre de VEB basándose en los valores de abundancia de la pluralidad de genes, en el tejido canceroso del sujeto. En algunos ejemplos, el clasificador se entrena de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura 2. El procedimiento incluye entonces tratar el cáncer gástrico. Cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VEB, administración de una primera terapia adaptada para el tratamiento del cáncer gástrico asociado a una infección por VEB. Cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con un virus oncogénico de VEB, administración de una segunda terapia adaptada para el tratamiento del cáncer gástrico no asociado con una infección por VEB.
[0636] En algunos ejemplos, la pluralidad de genes incluye todos los genes enumerados en la tabla 4. En algunos ejemplos, la pluralidad de genes incluye uno o más genes que no se enumeran en la tabla 4, por ejemplo, 1, 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más de los genes no enumerados en la tabla 4. En algunos ejemplos, la pluralidad de genes incluye no más de 20 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 25 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 50 genes. En algunos ejemplos, la pluralidad de genes incluye no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0638] En algunos ejemplos, el conjunto de datos también incluye un recuento de alelos variantes para uno o más alelos en uno o más locus en el genoma del tejido canceroso del sujeto. En algunos ejemplos, el recuento de alelos variantes es<1>, que representa un estado en el que el sujeto porta el alelo variante, o<0>, que representa un estado en el que el sujeto no porta el alelo variante. En algunos ejemplos, el alelo variante es una variante somática, que se origina en la línea germinal del sujeto. En algunos ejemplos, el alelo variante es una variante derivada del cáncer, que se origina a partir del tejido canceroso. En algunas realizaciones, el alelo variante se localiza en el gen TP53 (ENSG00000141510) o PIK3CA (ENSG00000121879).
[0640] En algunos ejemplos, como se describe anteriormente haciendo referencia a la figura 2, el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación. En algunas realizaciones, el clasificador se entrenó de acuerdo con una metodología descrita anteriormente, haciendo referencia a la figura<2>.
[0642] En algunos ejemplos, la primera terapia adaptada para el tratamiento del cáncer gástrico asociado a una infección por VEB es una terapia celular adoptiva. En algunas realizaciones, la terapia celular adoptiva incluye ATA 129 (Atara), EBVST (Tessa) o CMD-003 (Cell Medica).
[0644] En algunos ejemplos, la primera terapia adaptada para el tratamiento del cáncer gástrico asociado a una infección por VEB es un inhibidor de punto de control inmunitario. En algunos ejemplos, el inhibidor del punto de control inmunitario es Pembrozilumab (Merck) o nivolumab (Bristol-Myers Squibb).
[0646] En algunos ejemplos, la primera terapia adaptada para el tratamiento del cáncer gástrico asociado a una infección por VEB es un inhibidor de BTK. En algunos ejemplos, el inhibidor de BTK es ibrutinib (Pharmacyclics).
[0648] Generación de informe
[0650] En algunas realizaciones, los procedimientos descritos en el presente documento incluyen una etapa de generación de un informe de paciente para el estado de cáncer de un sujeto de prueba. El informe puede presentarse a un paciente, médico, personal médico o investigador en una copia digital (por ejemplo, un objeto JSON, un archivo pdf o una imagen en un sitio web o portal), en una copia impresa (por ejemplo, impresa en papel u otro medio tangible), como audio (por ejemplo, grabado o retransmitido) o en otro formato.
[0652] El informe incluye información relacionada con las características específicas del cáncer del paciente, por ejemplo, variantes genéticas detectadas, anomalías epigenéticas, infección patógena oncogénica asociada y/o anomalías patológicas. En algunas realizaciones, otras características de la muestra y/o registros clínicos de un paciente también se incluyen en el informe. En algunas realizaciones, el informe incluye información sobre ensayos clínicos para los que el paciente es elegible, terapias que son específicas para el cáncer del paciente y/o posibles efectos adversos terapéuticos asociados con las características específicas del cáncer del paciente, por ejemplo, las variaciones genéticas del paciente, anomalías epigenéticas, infecciones patogénicas oncogénicas asociadas y/o anomalías patológicas u otras características de la muestra del paciente y/o registros clínicos.
[0654] En algunas realizaciones, los resultados incluidos en el informe y/o cualquier resultado adicional (por ejemplo, de la pipeline de bioinformática), se utilizan para consultar una base de datos de datos clínicos, por ejemplo, para determinar si existe una tendencia que muestre que una terapia particular fue eficaz en el tratamiento (por ejemplo, ralentizando o deteniendo la progresión del cáncer) en otros pacientes que tienen las mismas o similares características.
[0656] En algunas realizaciones, los resultados se utilizan para diseñar estudios basados en células de la biología del paciente, por ejemplo, experimentos con organoides tumorales. Por ejemplo, un organoide puede modificarse genéticamente para que tenga las mismas características que la muestra y puede observarse después de la exposición a una terapia para determinar si la terapia puede reducir la tasa de crecimiento del organoide y, por lo tanto, es probable que reduzca la tasa de crecimiento del paciente asociado con la muestra. De forma similar, en algunas realizaciones, los resultados se utilizan para dirigir estudios sobre organoides tumorales derivados directamente del paciente. Un ejemplo de la experimentación anterior se describe en la solicitud de patente provisional de patente de Estados Unidos N.° 62/944,292, presentada el 5 de diciembre de 2019.
[0658] En algunas realizaciones, el informe del paciente incluye una sección sobre el estado de infección por patógenos oncogénicos del sujeto. Por ejemplo, Las figuras 7A y 7B ilustran información a modo de ejemplo proporcionada tras el diagnóstico de cáncer de cabeza y cuello positivo para VPH y cáncer de cuello uterino positivo para VPH, respectivamente.
[0659] Conjuntos de sondas V EB.
[0661] En algunas realizaciones que no son parte de las reivindicaciones, la presente divulgación proporciona sondas para unir, enriquecer y/o detectar moléculas de ácido nucleico, por ejemplo, transcritos de ARNm que se aíslan de una muestra de tejido canceroso de un sujeto y/o moléculas de ADNc preparadas a partir de esos transcritos de ARNm, que son informativos de si el sujeto tiene una primera afección de cáncer asociada con a infección viral oncogénica por VEB o una segunda afección de cáncer que no está asociada a una infección viral oncogénica por VEB. Generalmente, las sondas incluyen ADN, ARN o una estructura de ácido nucleico modificada con una secuencia base que es complementaria de una molécula de ácido nucleico de interés. En consecuencia, cuando la sonda está diseñada para hibridar con una molécula de ARNm aislada del tejido canceroso, la sonda incluirá una secuencia de ácido nucleico que es complementaria a la cadena codificante del gen a partir del cual se originó el transcrito, por ejemplo, la sonda incluirá una secuencia antisentido del gen. Sin embargo, cuando la sonda diseñada para hibridar una molécula de ADNc, la sonda puede contener o bien una secuencia que es complementaria a la secuencia codificante del gen de interés (una secuencia antisentido) o una secuencia que es idéntica a la secuencia codificante del gen de interés (una secuencia sentido), porque las moléculas en la biblioteca de ADNc son de doble cadena.
[0662] En algunos ejemplos, las sondas incluyen secuencias de ácido nucleico adicionales que no comparten ninguna homología con la secuencia génica de interés. Por ejemplo, en algunas realizaciones, las sondas también incluyen secuencias de ácido nucleico que contienen una secuencia identificadora, por ejemplo, un identificador molecular único (UMI, del inglés unique molecular identifier), por ejemplo, que es único para una muestra de tejido canceroso particular o paciente con cáncer. Los ejemplos de estas secuencias identificadoras se describen, por ejemplo, en Kivioja et al., 2011, Nat. Methods 9(1):72-74 e Islam et al., 2014, Nat. Methods 11(2), págs. 163-66. De forma similar, en algunas realizaciones, las sondas también incluyen secuencias de ácido nucleico cebador útiles para amplificar la molécula de ácido nucleico de interés, por ejemplo, utilizando PCR. En algunas realizaciones, las sondas también incluyen una secuencia de captura diseñada para hibridar con una secuencia anti-captura para recuperar la molécula de ácido nucleico de interés de la muestra.
[0664] Igualmente, en algunos ejemplos, la sonda incluye un resto de afinidad no de ácido nucleico unido de forma covalente a la molécula de ácido nucleico que es complementaria al gen de interés, para recuperar la molécula de ácido nucleico de interés. Los ejemplos no limitados de restos de afinidad de ácido no nucleico incluyen biotina, digoxigenina y dinitrofenol. En algunas realizaciones, la sonda está unida a una superficie o partícula de estado sólido, por ejemplo, una tira reactiva o perla magnética, para recuperar el ácido nucleico de interés.
[0666] En consecuencia, en una realización no reivindicada, la divulgación proporciona una pluralidad de sondas de ácido nucleico para discriminar entre una primera afección de cáncer y una segunda afección de cáncer en un sujeto humano, donde la primera afección de cáncer está asociada a una infección por un virus oncogénico del virus de Epstein-Barr (VEB) y la segunda afección de cáncer está asociada a un estado libre de VEB. La pluralidad de sondas de ácido nucleico incluye al menos cinco sondas de ácido nucleico y cada una de las al menos cinco sondas de ácido nucleico incluye una respectiva secuencia de ácido nucleico que es idéntica o complementaria a al menos<10>bases consecutivas de un transcrito de ARN de un respectivo gen diferente seleccionado de los genes enumerados en la tabla 4.
[0668] En algunos ejemplos, la pluralidad de sondas de ácido nucleico incluye al menos diez sondas con secuencias que son complementarias o idénticas a secuencias de diferentes genes enumerados en la tabla 4. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye 2, 3, 4, 5,<6>, 7,<8>o 9 sondas con secuencias que son complementarias o idénticas a secuencias de diferentes genes enumerados en la tabla 4.
[0670] En algunos ejemplos, la pluralidad de sondas de ácido nucleico incluye una o más sondas que se unen a una secuencia de un gen que no se enumera en la tabla 4. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye al menos 2, 3, 4, 5,<6>, 7,<8>, 9, 10 o más sondas que se unen a una secuencia de un gen que no se enumera en la tabla 4. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 20 genes. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 25 genes. En algunas realizaciones, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 50 genes. En algunos ejemplos, la pluralidad de sondas de ácido nucleico incluye sondas con secuencias que se unen a no más de 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200, 250 o 300 genes.
[0672] En algunos ejemplos, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 15 bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 4. En algunos ejemplos, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 30 bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 4. En algunos ejemplos, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 50 bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 4. En algunos ejemplos, cada sonda de la pluralidad de sondas incluye una secuencia de ácido nucleico que es idéntica o complementaria a al menos 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 125, 150, 175, 200 o más bases consecutivas de un transcrito de ARN de interés, por ejemplo, un transcrito de un gen enumerado en la tabla 4.
[0673] Plataforma de atención médica digital y de laboratorio
[0675] En algunas realizaciones, los procedimientos y sistemas descritos anteriormente se utilizan en combinación con, o como parte de, una plataforma de atención médica digital y de laboratorio que generalmente está dirigida a la atención médica y la investigación. Debe entenderse son posibles que muchos usos de los procedimientos y sistemas descritos anteriormente, en combinación con dicha plataforma. Un ejemplo de una plataforma de este tipo se describe en la solicitud de patente de Estados Unidos N.° 16/657,804, titulada "Data Based Cancer Research and Treatment Systems and Methods" y presentada el 18/10/2019.
[0677] Por ejemplo, una implementación de una o más realizaciones de los procedimientos y sistemas como se ha descrito anteriormente puede incluir microservicios que constituyen una plataforma de atención médica digital y de laboratorio que soporta diagnóstico y selección de tratamiento para cánceres asociados a infecciones por patógenos oncogénicos. Las realizaciones pueden incluir un único microservicio para ejecutar y entregar diagnóstico y selección de tratamiento para cánceres asociados a infecciones por patógenos oncogénicos o pueden incluir una pluralidad de microservicios, cada uno con una función particular, que conjuntamente implementan una o más de las realizaciones anteriores. En un ejemplo, un primer microservicio puede ejecutar la clasificación para entregar un diagnóstico a un segundo microservicio para recomendar modalidades de tratamiento apropiadas para un cáncer asociado a una infección por patógenos oncogénicos. De forma similar, el segundo microservicio puede ejecutar análisis terapéuticos para suministrar modalidades terapéuticas recomendadas, de acuerdo con una realización descrita anteriormente.
[0679] Cuando las realizaciones anteriores se ejecutan en uno o más microservicios con o como parte de una plataforma de atención médica digital y de laboratorio, uno o más de tales microservicios pueden ser parte de un sistema de gestión de órdenes que orquesta la secuencia de eventos según sea necesario en el momento apropiado y en el orden apropiado necesario para instanciar las realizaciones anteriores. Se divulga un sistema de gestión de órdenes basado en microservicios, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/873693, titulada "Adaptive Order Fulfillment and Tracking Methods and Systems", presentada el 12/7/2019.
[0681] Por ejemplo, continuando con el primer y segundo microservicio anteriores, un sistema de gestión de órdenes puede notificar al primer microservicio que se ha recibido una orden para clasificar un estado de patógeno oncogénico de un cáncer y está lista para su procesamiento. El primer microservicio puede ejecutar y notificar al sistema de gestión de órdenes una vez que la entrega de la clasificación está lista para el segundo microservicio. Además, el sistema de gestión de órdenes puede identificar que se cumplen los parámetros de ejecución (requisitos previos) para el segundo microservicio, incluyendo que el primer microservicio se ha completado y notificar al segundo microservicio que puede continuar procesando la orden para recomendar modalidades de tratamiento apropiadas para un cáncer asociado a una infección por patógenos oncogénicos, de acuerdo con una realización anterior.
[0683] Cuando la plataforma de atención médica digital y de laboratorio incluye además un sistema analizador genético, el sistema analizador genético puede incluir paneles dirigidos y/o sondas de secuenciación. Se divulga un ejemplo de un panel dirigido, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/902,950, titulada "System and Method for Expanding Clinical Options for Cancerpatients using Integrated Genomic Profiling" y presentada el 19/9/19. En un ejemplo, los paneles dirigidos pueden permitir la entrega de resultados de secuenciación de próxima generación para detectar una infección por patógenos oncogénicos de acuerdo con una realización anterior. Se divulga un ejemplo del diseño de sondas de secuenciación de próxima generación, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/924,073, titulada "Systems and Methods for Next Generation Sequencing Uniform Probe Design" y presentada el 21/10/19.
[0685] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, una pipeline de bioinformática, los procedimientos y sistemas descritos anteriormente pueden utilizarse después de la finalización o finalización sustancial de los sistemas y procedimientos utilizados en la pipeline de bioinformática. Como ejemplo, la pipeline de bioinformática puede recibir resultados de secuenciación genética de próxima generación y devolver un conjunto de archivos binarios, tales como uno o más archivos BAM, reflejando recuentos de lectura de ADN y/o ARN alineados con un genoma de referencia. Los procedimientos y sistemas descritos anteriormente pueden utilizarse, por ejemplo, para ingerir los recuentos de lectura de ADN y/o ARN y producir una clasificación para el estado de patógeno oncogénico del sujeto como resultado.
[0687] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, un normalizador de datos de ARN, cualquier recuento de lectura de ARN puede normalizarse antes de las realizaciones de procesamiento como se han descrito anteriormente. Se divulga un ejemplo de un normalizador de datos de ARN, por ejemplo, en la solicitud de patente de Estados Unidos N.° 16/581.706, titulada "Methods of Normalizing and Correcting RNA Expression Data", y presentada el 24/9/19.
[0689] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, un deconvolucionador de datos genéticos, se puede utilizar cualquier sistema y procedimiento para deconvolucionar para analizar datos genéticos asociados a una muestra que tiene dos o más componentes biológicos para determinar la contribución de cada componente a los datos genéticos y/o determinar qué datos genéticos se asociarían con cualquier componente de la muestra si estuviera purificado. Se divulga un ejemplo de un deconvolucionador de datos genéticos, por ejemplo, en la solicitud de patente de Estados Unidos N.° 16/732,229 y en el documento PCT19/69161, ambos titulados "Transcriptome Deconvolution of Metastatic Tissue Samples" y presentadas el 31/12/19, La solicitud provisional de patente de EE. UU. N.° 62/924,054, titulada "Calculating Cell-type RNA Profiles for Diagnosis and Treatment" y presentada el 21/10/19 y la solicitud provisional de patente de EE. UU. N.° 62/944,995, titulada "Rapid Deconvolution of Bulk RNA Transcriptomes for Large Data Sets (Inclusive Transcriptomes of Specimens Have Two or More Tissue Types)" y presentada el 6/12/19.
[0691] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, un llamador de expresión de ARN automatizado, los niveles de expresión de ARN pueden ajustarse para expresarse como un valor relativo a un nivel de expresión de referencia, que a menudo se hace para preparar múltiples conjuntos de datos de expresión de ARN para su análisis para evitar artefactos causados cuando los conjuntos de datos tienen diferencias porque no se han generado utilizando los mismos procedimientos, equipos y/o reactivos. Se divulga un ejemplo de un llamador de expresión de ARN automatizado, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/943,712, titulada "Systems and Methods for Automating RNA Expression Calls in a Cancer Prediction Pipeline" y presentada el 4/12/19.
[0693] La plataforma de atención médica digital y de laboratorio puede incluir, además, uno o más motores de conocimiento para entregar información, características o determinaciones relacionadas con un estado de enfermedad que pueden basarse en datos genéticos y/o clínicos asociados con un paciente y/o muestra. Los motores de conocimiento ilustrativos pueden incluir un motor de tumor de origen desconocido, un motor de pérdida de homocigosidad (LOH, del inglés loss of homozygosity) de antígeno leucocitario humano (HLA, del inglés human leukocyte antigen), un motor de carga mutacional tumoral, un motor de estado PD-L1, un motor de deficiencia en la recombinación homóloga, un motor de informe de activación de vía celular, un motor de infiltración inmune, un motor de inestabilidad de microsatélites, un motor de estado de infección por patógenos y así sucesivamente. Se divulga un ejemplo de motor de tumor de origen desconocido, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/855,750, titulada "Systems and Methods for Multi-Label Cancer Classification" y presentada el 31/5/19. Se divulga un ejemplo de un motor de LOH de HLA, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/889,510, titulada "Detection of Human Leukocyte Antigen Loss of Heterozygosity" y presentada el 20/8/19. Se divulga un ejemplo de un motor de carga mutacional tumoral (TMB, del inglés tumor mutational burden), por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/804458, titulada "Assessment of Tumor Burden Methodologies for Targeted Panel Sequencing" y presentada el 12/2/19. Se divulga un ejemplo de un motor de estado PD-L1, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/854400, titulada "A Pan-Cancer Model to Predict The PD-L1 Status of a Cancer Cell Sample Using RNA Expression Data and Other Patient Data" y presentada el 30/5/19. Se divulga un ejemplo adicional de un motor de estado de PD-L1, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/824039, titulada "PD-L1 Prediction Using H&E Slide Images" y presentada el 26/3/19. Se divulga un ejemplo de un motor de deficiencia de recombinación homóloga, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/804730, titulada "An Integrative Machine-Learning Framework to Predict Homologous Recombination Deficiency" y presentada el 12/2/19. Se divulga un ejemplo de un motor de informe de activación de vía celular, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/888,163, titulada "Cellular Pathway Report" y presentada el 16/8/19. Se divulga un ejemplo de un motor de infiltración inmune, por ejemplo, en la solicitud de patente de Estados Unidos N.° 16/533.676, titulada "A Multi-Modal Approach to Predicting Immune Intraction Based on Integrated RNA Expression and Imaging Features" y presentada el 6/8/19. Se divulga un ejemplo adicional de un motor de infiltración inmune, por ejemplo, en la solicitud de patente de Estados Unidos N.° 62/804.509, titulada "Comprehensive Evaluation of RNA Immune System for the Identification ofpatients with an Immunologically Active Tumor Microenvironment" y presentada el 12/2/19. Se divulga un ejemplo de un motor MSI, por ejemplo, en la solicitud de patente de Estados Unidos N.° 16/653.868, titulada "Microsatellite Instability Determination System and Related Methods" y presentada el 15/10/19. Se divulga un ejemplo adicional de un motor MSI, por ejemplo, en la solicitud de patente provisional de Estados Unidos N.° 62/931600, titulada "Systems and Methods for Detecting Microsatellite Instability of a Cancer Using a Liquid Biopsy" y presentada el 6/11/19.
[0695] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, un motor de generación de informes, los procedimientos y sistemas descritos anteriormente pueden utilizarse para crear un informe resumido del perfil genético de un paciente y los resultados de uno o más motores de conocimiento para su presentación a un médico. Por ejemplo, el informe puede proporcionar al médico información sobre la medida en que la muestra que se secuenció contenía tejido tumoral o normal de un primer órgano, un segundo órgano, un tercer órgano y así sucesivamente. Por ejemplo, el informe puede proporcionar un perfil genético para cada uno de los tipos de tejido, tumores u órganos en la muestra. El perfil genético puede representar secuencias genéticas presentes en el tipo de tejido, tumor u órgano y puede incluir variantes, niveles de expresión, información sobre productos génicos u otra información que podría derivarse del análisis genético de un tejido, tumor u órgano. El informe puede incluir terapias y/o ensayos clínicos emparejados basándose en una porción o la totalidad del perfil genético o hallazgos y sumarios del motor de conocimiento. Por ejemplo, las terapias pueden adaptarse de acuerdo con los sistemas y procedimientos divulgados en la solicitud de patente provisional de Estados Unidos N.° 62/804,724, titulada "Therapeutic Suggestion Improvements Gained Through Genomic Biomarker Matching Plus Clinical History", presentada el 12/2/2019. Por ejemplo, los ensayos clínicos pueden adaptarse de acuerdo con los sistemas y procedimientos divulgados en la solicitud de patente provisional de Estados Unidos N.° 62/855,913, titulada "Systems and Methods of Clinical Trial Evaluation", presentada el 31/5/2019.
[0697] El informe puede incluir una comparación de los resultados con una base de datos de resultados de muchos especímenes. Un ejemplo de procedimientos y sistemas para comparar resultados con una base de datos de resultados se divulga en la solicitud de patente provisional de Estados Unidos N.° 62/786,739, titulada "A Method and Process for Predicting and Analysing Patient Cohort Response", Progression and Survival" y presentada el 31/12/18. La información puede usarse, a veces junto con información similar de muestras adicionales y/o información de respuesta clínica, para descubrir biomarcadores o diseñar un ensayo clínico.
[0699] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, la aplicación de una o más de las realizaciones del presente documento a organoides desarrollados en relación con la plataforma, los procedimientos y sistemas pueden usarse para evaluar adicionalmente los datos de secuenciación genética derivados de un organoide para proporcionar información sobre la medida en que el organoide que se secuenció contenía un primer tipo de célula, un segundo tipo de célula, un tercer tipo de célula y así sucesivamente. Por ejemplo, el informe puede proporcionar un perfil genético para cada uno de los tipos de células en la muestra. El perfil genético puede representar secuencias genéticas presentes en un tipo de célula dado y puede incluir variantes, niveles de expresión, información sobre productos génicos u otra información que podría derivarse del análisis genético de una célula. El informe puede incluir terapias adaptadas basándose en una porción o toda la información deconvolucionada. Estas terapias pueden probarse en el organoide, derivados de ese organoide y/u organoides similares para determinar la sensibilidad de un organoide a esas terapias. Por ejemplo, los organoides pueden cultivarse y analizarse de acuerdo con los sistemas y procedimientos divulgados en la solicitud de patente de Estados Unidos N.° 16/693,117, titulada "Tumor Organoid Culture Compositions, Systems, and Methods", presentada el 22/11/2019; La solicitud provisional de patente de EE. UU. N.° 62/924621, titulada "Systems and Methods for Predicting Therapeutic Sensitivity", presentada el 22/10/2019; y la solicitud provisional de patente de EE. UU. N.° 62/944,292, titulada "Análisis de organoide fenotípico a gran escala", presentada el 5/12/2019.
[0701] Cuando la plataforma de atención médica digital y de laboratorio incluye, además, la aplicación de uno o más de los anteriores en combinación con o como parte de un dispositivo médico o una prueba desarrollada en laboratorio que generalmente está dirigida a la atención médica y la investigación, dichos resultados de prueba o dispositivo médico desarrollados en laboratorio pueden mejorarse y personalizarse mediante el uso de inteligencia artificial. Un ejemplo de pruebas desarrolladas en laboratorio, especialmente aquellas que pueden mejorarse mediante inteligencia artificial, se divulga, por ejemplo, en la solicitud provisional de patente de Estados Unidos N.° 62/924,515, titulada "Artificial Intelligence Assisted Precision Medicine Enhancements to Standardized Laboratory Diagnostic Testing" y presentada el 22/10/19.
[0703] Debería entenderse que los ejemplos dados anteriormente son ilustrativos y no limitan los usos de los sistemas y procedimientos descritos en el presente documento en combinación con una plataforma de atención médica digital y de laboratorio.
[0705] Ejemplos.
[0707] Ejemplo 1 - el A tlas del genoma del cáncer (TCGA, del inglés The Cáncer Genome Atlas)
[0709] Los datos usados para entrenar los clasificadores presentados en los ejemplos 2 y 3 que siguen se obtuvieron de The Cancer Genome Atlas (TCGA). Brevemente, el conjunto de datos TCGA es un conjunto de datos disponible públicamente que comprende más de dos petabytes de datos genómicos de más de<11 . 0 00>pacientes con cáncer, incluyendo información clínica sobre los pacientes con cáncer, metadatos sobre las muestras (por ejemplo, el peso de una porción de muestra, etc.) recogidos de tales pacientes, diapositivas de histopatología de porciones de muestra e información molecular derivada de las muestras (por ejemplo, expresión de ARNm/ARNmi, expresión de proteínas, número de copias,etc.).El conjunto de datos TCGA incluye datos sobre 33 cánceres diferentes: mama (carcinoma ductal de mama, carcinoma lobular de mama) sistema nervioso central (glioblastoma multiforme, glioma de grado inferior), endocrino (carcinoma adrenocortical, carcinoma papilar de tiroides, paraganglioma y feocromocitoma), gastrointestinal (colangiocarcinoma, adenocarcinoma colorrectal, cáncer de esófago, carcinoma hepatocelular de hígado, adenocarcinoma ductal pancreático y cáncer de estómago), ginecológico (cáncer de cuello uterino, cistadenocarcinoma seroso de ovario, carcinosarcoma uterino y carcinoma endometrial del cuerpo uterino), cabeza y cuello (carcinoma de células escamosas de cabeza y cuello, melanoma uveal), hematológico (leucemia mieloide aguda, timoma), piel (melanoma cutáneo), tejido blando (sarcoma), torácico (adenocarcinoma de pulmón, carcinoma de células escamosas de pulmón y mesotelioma) y urológico (carcinoma de células renales cromófobas, carcinoma de riñón de células claras, carcinoma papilar renal, adenocarcinoma de próstata, cáncer de células germinales testiculares y carcinoma de vejiga urotelial).
[0711] Ejemplo 2 - perfilado de expresión de ARN
[0713] Haciendo referencia a la figura 3, el perfil de expresión de genes útil para determinar el estado viral de VPH se determinó a partir de una muestra de tumor de un cáncer de cabeza y cuello.
[0714] De conformidad con el bloque 302 de la figura 3, se obtuvo una biopsia tumoral de un cáncer de cabeza y cuello de un paciente con cáncer, usando una técnica de biopsia como se describe en el presente documento. La biopsia se congeló instantáneamente en nitrógeno líquido poco después de retirarla del paciente.
[0716] De conformidad con el bloque 304 de la figura 3, se aisló ARNm de la muestra de tumor. Brevemente, el bloque de tejido de muestra se retiró del nitrógeno líquido y un bloque de 5 mm x 5 mm x 5 mm de la muestra se extrajo y se diseccionó usando un cuchillo frío. La muestra diseccionada se mezcló con reactivo TRIzol (Chomczynski and Sacchi, 1987, Anal Biochem. 162(1), págs. 156-59) y se homogeneizó mediante tres ciclos cortos, por ejemplo, 60 segundos, 30 segundos y 30 segundos, utilizando un homogeneizador de tejidos. Se añadió cloroformo a la muestra de tumor homogeneizada y se mezcló la reacción. Después de la separación de fases, la fase acuosa de la reacción se retiró y se mezcló con partes iguales de isopropanol, para precipitar el ARN. La reacción se centrifugó para sedimentar el ARN, el sobrenadante se eliminó. El sedimento se lavó dos veces con etanol frío y luego se secó al aire. El ARN extraído se resuspendió entonces en agua libre de RNasa.
[0718] Haciendo referencia al bloque 306 de la figura 3, el ARNm en el ARN aislado se cuantificó posteriormente mediante secuenciación del exoma completo. De conformidad con el bloque 308 de la figura 3, el ARNm se aisló del ARN extraído mediante hibridación con perlas magnéticas conjugadas con oligo(dT) calentando el ARN extraído para romper las estructuras secundarias y, a continuación, incubando el ARN con las perlas conjugadas con oligo(dT) con el ARN desnaturalizado a temperatura ambiente en tampón de hibridación. Las perlas se recuperaron y se lavaron dos veces con tampón de hibridación. A continuación, el ARNm hibridado se eluyó mediante calentamiento y se recuperó de la reacción.
[0720] De conformidad con el bloque 310 de la figura 3, se construyó una biblioteca de ADNc a partir del ARNm aislado. Brevemente, se añadieron cationes divalentes al ARNm aislado para fragmentar las moléculas a alta temperatura. El ARNm fragmentado se precipitó incubando a -80 °C en etanol con pH 5,2, usando glucógeno como molécula portadora. El ARNm se sedimentó por centrifugación, se lavó con etanol al 70 %, se secó al aire, entonces se resuspendió en agua libre de RNasa. La síntesis de ADN de la primera cadena se realizó usando cebadores aleatorios y una enzima transcriptasa inversa. A continuación, se realizó la síntesis de ADN de la segunda cadena usando una ADN polimerasa en presencia de RNasaH, para formar ADNc de doble cadena. Los salientes 5' creados por la síntesis de la segunda cadena se repararon usando las polimerasas de ADN T4 y Klenow, para formar extremos romos. Los extremos 3' del ADNc de extremo romo se adenilaron usando ADN polimerasa de Klenow. Los adaptadores se ligaron a los extremos del ADNc adenilado usando ADN ligasa T4 y las plantillas de ADNc se purificaron y dimensionaron mediante electroforesis en agarosa. Opcionalmente, las plantillas de ADNc purificadas se enriquecen mediante amplificación por PCR, formando así la biblioteca de ADNc final.
[0722] De conformidad con el bloque 312 de la figura 3, la secuenciación del exoma completo de la biblioteca de ADNc se realizó utilizando las tecnologías de ADN integradas (IDT) tecnología XGEN® LOCKDOWN® con el panel de investigación xGen Exome. Brevemente, el panel de investigación xGen Exome cubre 51 Mb de espacio de muestra en mosaico de extremo a extremo del genoma humano, proporcionando una cobertura profunda y uniforme para la captura de objetivos de exoma completo. La biblioteca de A<d>N<c>se hibridó con muestras de captura de ADN biotinilado que cubren un exoma humano de referencia. Las muestras hibridadas se recuperaron uniéndose a perlas de estreptavidina. Se realizó una PCR posterior a la captura para enriquecer las secuencias capturadas. A continuación, los productos amplificados se secuenciaron utilizando la tecnología de secuenciación por síntesis (SBS, del inglés sequencing by synthesis) (Bently et al., 2008, Nature 456(7218), págs. 53-59).
[0724] Los datos de secuenciación de ARN se normalizaron posteriormente usando datos de longitud de genes, datos de contenido de guanina-citosina (GC) y datos de profundidad de secuenciación, normalizando los datos de longitud de genes para al menos un gen para reducir el sesgo sistemático, normalizando los datos de contenido de GC para el al menos un gen para reducir el sesgo sistemático y normalizando la profundidad de los datos de secuenciación para cada muestra, como se describe en el documento de solicitud provisional de los Estados Unidos N.° 62/735349 y en el documento de solicitud de patente de los Estados Unidos N.° 16/581706. Los datos de secuenciación de ARN también se corrigieron con respecto a un conjunto de datos de expresión génica estándar comparando los datos de secuencia para al menos un gen en el conjunto de datos de expresión génica con los datos de secuencia en el conjunto de datos de expresión génica estándar, como se describe en el documento de solicitud provisional de los Estados Unidos N.° 62/735349 y en el documento de solicitud de patente de los Estados Unidos N.° 16/581706. Los datos de expresión de ARN normalizados y corregidos para los veinticuatro genes identificados en la tabla 3, así como los estados de alelos CDKN2A y TP53 del paciente, se introdujeron entonces en el clasificador de detección de VPH entrenado en el ejemplo 3, para determinar el estado viral de VPH del paciente.
[0726] Ejemplo 3 - detección del virus del papiloma humano
[0728] Haciendo referencia a las figuras 4A a 4D, se entrenó un clasificador para determinar el estado viral del VPH usando la expresión génica de los datos de secuencia de ARN tumoral de una población de entrenamiento, donde cada sujeto en la población de entrenamiento había sido diagnosticado con carcinoma de células escamosas de cabeza y cuello o con cáncer de cuello uterino.
[0729] De acuerdo con el bloque 204 de la figura 2A, se obtuvo un conjunto de datos de entrenamiento. En este caso, el conjunto de datos comprendía una pluralidad correspondiente de valores de abundancia para cada sujeto en la TCGA, que se describe en el ejemplo<1>, que tenían cáncer de cuello uterino o cáncer de cabeza y cuello con un estado de VPH conocido. Como se ilustra en la figura 4A, había 427 sujetos en la TCGA que cumplían estos criterios de selección y, por lo tanto, servían como la pluralidad de sujetos del conjunto de datos de entrenamiento. De los 427 sujetos, 263 tenían cáncer de cabeza y cuello y 164 cáncer de cuello uterino. De los 263 sujetos que tenían cáncer de cabeza y cuello, 32 dieron positivo para VPH y 231 dieron negativo para VPH. De los 164 sujetos que tenían cáncer de cuello uterino, 156 dieron positivo para VPH y<8>dieron negativo para VPH. Por lo tanto, de los 427 sujetos, se consideró que 188 sujetos tenían la primera afección de cáncer (afectados por VPH y con cáncer de cabeza y cuello o de cuello uterino) y se consideró que los 239 sujetos restantes tenían la segunda afección de cáncer (no afectado por VPH, pero con cáncer de cabeza y cuello o de cuello uterino).
[0731] A continuación, de acuerdo con el bloque 218 de la figura 2C y el bloque 228 de la figura 2D, los valores de expresión génica de los datos de ARN de exorna completo en el conjunto de datos de TCGA para los 427 sujetos se usaron para identificar un conjunto de genes discriminatorios por regresión, en la que los valores de expresión génica obtenidos a partir de los datos de expresión de ARNm de exoma completo para los 427 sujetos en el conjunto de datos de TCGA sirvieron como variables independientes y la indicación de si un respectivo sujeto tenía la primera afección de cáncer (afectado por VPH y con cáncer de cabeza y cuello o de cuello uterino ) o la segunda afección de cáncer (no afectado por el VPH, pero con cáncer de cabeza y cuello o de cuello uterino) sirvieron como la variable dependiente. Más específicamente, de acuerdo con el bloque 228 de la figura 2D, el conjunto de datos consistente en 427 sujetos se dividió en diez conjuntos (diez divisiones). Cada conjunto incluía dos o más sujetos afectados por la primera afección de cáncer y dos o más sujetos afectados por la segunda afección de cáncer. Cada respectivo conjunto de los diez conjuntos (divisiones) se sometió independientemente a una regresión en la que los datos de expresión de ARNm de exoma completo para los sujetos del respectivo conjunto sirvieron como variables independientes y la indicación de si un respectivo sujeto en el respectivo conjunto tenía la primera o segunda afección de cáncer sirvió como variable dependiente. Cada regresión (división) se realizó con regularización L1 (LASSO) de acuerdo con el bloque 238 de la figura 2E. Dado que la regularización L1 conduce a coeficientes dispersos, solo un pequeño subconjunto de genes tenía coeficientes distintos de cero para cada conjunto. Solo los genes con coeficientes distintos de cero en más del 80 % de los conjuntos se incluyeron en el modelo final. En otras palabras, solo aquellos genes que tenían coeficientes de regresión distintos de cero para al menos ocho de los diez conjuntos (divisiones) se aceptaron en el conjunto discriminatorio de genes en función de sus datos de expresión. La lista de genes que cumplieron este requisito son los enumerados en la figura 4B, en los que el tipo de característica es "expresión génica". Además, La figura<6>A ilustra el análisis de componentes principales de los valores de abundancia de los genes enumerados en la figura 4B a través del conjunto de entrenamiento. La figura<6>A ilustra que un gráfico del primer y segundo valor de PCA para cada uno de los sujetos en el conjunto de entrenamiento se desglosa en dos grupos distintos, correspondiente a la primera afección de cáncer (grupo 602) y segunda afección de cáncer (604), que indica el poder de los valores de abundancia de los genes enumerados en la figura 4B para discriminar entre la primera y segunda afección de cáncer.
[0733] En algunas realizaciones, se incluyeron genes adicionales en el conjunto discriminatorio de genes basándose en la presencia o ausencia de mutaciones (por ejemplo, el número de mutaciones) en los genes adicionales. En este ejemplo, como se detalla en la figura 4B, los genes CDKN2A y TP53 se incluyeron en el conjunto de genes discriminatorios y la característica para estos genes fue el número de veces que se observaron mutaciones en estos genes en cada uno de los 427 respectivos sujetos del conjunto de entrenamiento.
[0735] A continuación, de acuerdo con el bloque 242 de la figura 2E, los respectivos valores de abundancia para el conjunto de genes de discriminación y la respectiva indicación de la afección de cáncer en los 427 sujetos se usaron para entrenar un clasificador para discriminar entre la primera y la segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes de discriminación. En un primer modelo, el clasificador utilizado fue un clasificador de regresión logística con una regularización L1, en el que el entrenamiento fue de los 427 sujetos, pero solo usando niveles de abundancia de genes TCGA para los genes enumerados en la figura 4B para los que la característica es "expresión génica". En un segundo modelo, el clasificador utilizado fue un clasificador de regresión logística con una regularización L1, en el que el entrenamiento fue en los 427 sujetos usando los niveles de abundancia de genes TCGA para los genes enumerados en la figura 4B para los que la característica es "expresión génica", así como los recuentos de mutaciones TCGA para los dos genes en la figura 4B para los que la característica es " número de mutaciones". En un tercer modelo, el clasificador utilizado fue un clasificador de máquina de vectores de soporte (SVM) de Scikit-learn, como se divulga en Pedregosa et al. 2011, "Machine Learning in Python", JMLR 12, págs. 2825­ 2830, en cuyo caso el entrenamiento fue en los 427 sujetos, pero solo usando los niveles de abundancia de genes TCGA para los genes enumerados en la figura 4B para los que la característica es "expresión génica". Cuando se valida con respecto a datos de una cohorte de 133 sujetos con cáncer de cuello uterino o cáncer de cabeza y cuello y un estado de VPH conocido, el clasificador ejecuta con una especificidad del 92,5 % y una sensibilidad del 89,7 %.
[0736] En un cuarto modelo, el clasificador utilizado fue este mismo clasificador SVM, en el que el entrenamiento fue en los 427 sujetos usando los niveles de abundancia de genes TCGA para los genes enumerados en la figura 4B para los que la característica es "expresión génica", así como los recuentos de mutaciones TCGA para los dos genes en la figura 4B para los que la característica es " número de mutaciones". El rendimiento de este clasificador entrenado se reporta en la figura 4C. Los coeficientes de regresión y las estadísticas de correlación para cada una de las características utilizadas en el modelo se muestran a continuación en las tablas 5 y<6>, respectivamente. Los parámetros de SVM usados fueron clase _peso: ninguno, decisión_función_forma: ovo, gamma, escaras, núcleo, lineal, probabilidad: verdadero encogiendo: falso y tol: 1. Como se ilustra en la figura 4C, la SVM entrenada predice el tipo de cáncer de los 427 sujetos, es decir, si los sujetos tienen el primer tipo de cáncer (afectados por VPH y que tienen cáncer de cabeza y cuello o de cuello uterino) o el segundo tipo de cáncer (no afectados por VPH, pero que tienen cáncer de cabeza y cuello o de cuello uterino) con una especificidad del 99 % y una sensibilidad del 99 % para el conjunto de entrenamiento de 427 sujetos. A continuación, el clasificador se validó con respecto a datos de una cohorte de 133 sujetos con cáncer de cuello uterino o cáncer de cabeza y cuello y un estado de VPH conocido. El clasificador identificó correctamente el estado de infección por VPH de 122 de los 133 sujetos de validación, con una especificidad del 95 % y una sensibilidad del 87,5 %.
[0738] Tabla 5.Coeficientes de regresión para características usadas en el segundo modelo de SVM para detección de
[0740] VPH.
[0742]
[0743] continuación
[0744]
[0746] Tabla 6.Estadísticas de correlación para las características usadas en el segundo modelo de SVM para la detección de VPH.
[0747]
[0748] continuación
[0749]
[0750] continuación
[0751]
[0752] continuación
[0753]
[0754] continuación
[0755]
[0756] continuación
[0758]
[0761] Para validar el modelo, el clasificador de SVM entrenado reportado en la figura 4C se probó con respecto a una población de validación que no se había usado para entrenar el clasificador. Como se detalla en la figura 4A, el conjunto de datos de validación comprendía una correspondiente pluralidad de valores de abundancia para cada sujeto en un conjunto de datos denominado el conjunto de datos de "prueba", que se describe en el ejemplo 2, que tenían cáncer de cuello uterino o cáncer de cabeza y cuello con un estado de VPH conocido. Como se ilustra en la figura 4A, se seleccionaron 133 sujetos del conjunto de datos de validación que satisficieron estos criterios de selección y sirvieron como la pluralidad de sujetos del conjunto de datos de validación. De los 133 sujetos de validación, 93 tenían cáncer de cabeza y cuello y 40 cáncer de cuello uterino. De los 93 sujetos que tenían cáncer de cabeza y cuello, 28 dieron positivo para VPH y 65 dieron negativo para VPH. De los 40 sujetos que tenían cáncer de cuello uterino, 28 dieron positivo para VPH y 12 dieron negativo para VPH. Por lo tanto, de los 133 sujetos de validación, se consideró que 56 sujetos de validación tenían la primera afección de cáncer (afectados por VPH y que tenían cáncer de cabeza y cuello o de cuello uterino) y se consideró que los 77 sujetos de validación restantes (no afectados por el VPH, pero que tenían cáncer de cabeza y cuello o de cuello uterino) tenían la segunda afección de cáncer.
[0762] Cada uno de los 133 sujetos de validación se ejecutó con respecto a la SVM entrenada cuyo rendimiento se reporta en la figura 4C y, por lo tanto, fue asignado por la SVM a la primera o segunda clase de cáncer. Esto quiere decir, los valores de abundancia de genes para los genes enumerados en la figura 4B en los que el tipo de característica era "expresión génica" y el recuento de mutaciones en los dos genes enumerados en la figura 4B en los que el tipo de característica era "número de mutaciones" se midieron a partir de una muestra de tumor para cada uno de los 133 sujetos de validación y estos datos para cada sujeto de validación se introdujeron por separado en el modelo de SVM entrenado de la figura 5C. Como se ilustra en la figura 4D, la SVM entrenada tenía una especificidad del 95 % y una sensibilidad del<88>% para la clase de cáncer en los 133 sujetos de validación. Se descubrió que la adición de la covariable del número de mutaciones en los genes TP53 y CDKN2A a la SVM no cambia la precisión, pero mejora el AUC de 0,97 a 0,98. Este ejemplo muestra que el modelo de SVM entrenado predice con precisión la infección viral en tumores usando datos de expresión de a Rn .
[0764] Este ejemplo confirma que las infecciones virales generalmente están asociadas a una regulación positiva de las respuestas inmunitarias. Este ejemplo muestra adicionalmente que la detección viral basada en datos de transcriptoma completos es una herramienta clínica útil por derecho propio y, además, se puede combinar con procedimientos de diagnóstico existentes para proporcionar conocimientos sobre el estado viral y el microentorno tumoral en una única prueba.
[0766] Ejemplo 4 - detección del virus de Epstein Barr
[0768] Haciendo referencia a las figuras 5A a 5D, se entrenó un clasificador para determinar el estado viral de VEB usando la expresión génica de los datos de secuenciación de ARN tumorales de una población de entrenamiento, donde cada sujeto en la población de entrenamiento había sido diagnosticado con cáncer gástrico.
[0770] De acuerdo con el bloque 204 de la figura 2A, se obtuvo el conjunto de datos de entrenamiento. En este caso, el conjunto de datos comprendía una pluralidad correspondiente de valores de abundancia para cada sujeto en la TCGA, que se describe en el ejemplo 1, que tenía cáncer gástrico con estado de VEB conocido. Como se ilustra en la figura 5A, había 212 sujetos en la TCGA que cumplían estos criterios de selección y, por lo tanto, servían como la pluralidad de sujetos del conjunto de datos de entrenamiento. De los 212 sujetos, 21 dieron positivo para VEB y 191 dieron negativo para VEB. Por tanto, de los 212 sujetos, se consideró que 21 sujetos tenían la primera afección de cáncer (afectados por VEB y que tenían cáncer gástrico) y se consideró que los 191 sujetos restantes tenían la segunda afección de cáncer (no afectados por VEB, pero que tenían cáncer gástrico).
[0772] A continuación, de acuerdo con el bloque 218 de la figura 2C y el bloque 228 de la figura 2D, los valores de expresión génica de los datos de ARN de exoma completo en el conjunto de datos de TCGA para los 212 sujetos se usaron para identificar un conjunto de genes discriminatorios por regresión, en el que los valores de expresión génica obtenidos a partir de los datos de expresión de ARNm de exoma completo para los 212 sujetos en el conjunto de datos de TCGA sirvieron como variables independientes y la indicación de si un respectivo sujeto tenía la primera afección de cáncer (afectado por VEB y con cáncer gástrico) o la segunda la afección de cáncer (no afectado por VEB pero con cáncer gástrico) sirvió como variable dependiente. Más específicamente, de acuerdo con el bloque 228 de la figura 2D, el conjunto de datos consistente en 212 sujetos se dividió en diez conjuntos (diez divisiones). Cada conjunto incluía dos o más sujetos afectados por la primera afección de cáncer y dos o más sujetos afectados por la segunda afección de cáncer. Cada respectivo conjunto de los diez conjuntos (divisiones) se sometió independientemente a una regresión en la que los datos de expresión de ARNm de exoma completo para los sujetos del respectivo conjunto sirvieron como variables independientes y la indicación de si un respectivo sujeto en el respectivo conjunto tenía la primera o segunda afección de cáncer sirvió como variable dependiente. Cada regresión (división) se realizó con regularización L1 (LASSO) de acuerdo con el bloque 238 de la figura 2E. Dado que la regularización L1 conduce a coeficientes dispersos, solo un pequeño subconjunto de genes tenía coeficientes distintos de cero para cada conjunto. Solo los genes con coeficientes distintos de cero en más del 80 % de los conjuntos se incluyeron en el modelo final. En otras palabras, solo aquellos genes que tenían coeficientes de regresión distintos de cero para al menos ocho de los diez conjuntos (divisiones) se aceptaron en el conjunto discriminatorio de genes en función de sus datos de expresión. La lista de genes que cumplieron este requisito son los enumerados en la figura 5B, en los que el tipo de característica es "expresión génica". Además, la figura<6>B ilustra el análisis de componentes principales de los valores de abundancia de los genes enumerados en la figura 5B a través del conjunto de entrenamiento. La figura<6>B ilustra que un gráfico del primer y segundo valor de PCA para cada uno de los sujetos en el conjunto de entrenamiento se desglosa en dos grupos distintos, correspondiente a la primera afección de cáncer (grupo 606) y segunda afección de cáncer (606), que indica el poder de los valores de abundancia de los genes enumerados en la figura 5B para discriminar entre la primera y segunda afección de cáncer.
[0774] En algunas realizaciones, se incluyeron genes adicionales en el conjunto discriminatorio de genes basándose en la presencia o ausencia de mutaciones (por ejemplo, el número de mutaciones) en los genes adicionales. En este ejemplo, como se detalla en la figura 5B, los genes PIK3CA y TP53 se incluyeron en el conjunto de genes discriminatorios y la característica para estos genes fue el número de veces que se observaron mutaciones en estos genes en cada uno de los<2 1 2>respectivos sujetos del conjunto de entrenamiento.
[0775] A continuación, de acuerdo con el bloque 242 de la figura 2E, los respectivos valores de abundancia para el conjunto de genes de discriminación y la respectiva indicación de la afección de cáncer en los<2 1 2>sujetos se usaron para entrenar un clasificador para discriminar entre la primera y la segunda afección de cáncer en función de los respectivos valores de abundancia para el conjunto de genes de discriminación. En un primer modelo, el clasificador utilizado fue un clasificador de regresión logística con una regularización L1, en el que el entrenamiento fue de los 212 sujetos, pero solo usando niveles de abundancia de genes TCGA para los genes enumerados en la figura 5B para los que la característica es "expresión génica". En un segundo modelo, el clasificador utilizado fue un clasificador de regresión logística con una regularización L1, en el que el entrenamiento fue en los 212 sujetos usando los niveles de abundancia de genes TCGA para los genes enumerados en la figura 5B para los que la característica es "expresión génica", así como los recuentos de mutaciones TCGA para los dos genes en la figura 5B para los que la característica es " número de mutaciones". En un tercer modelo, el clasificador utilizado fue un clasificador de máquina de vectores de soporte (SVM) de Scikit-learn, como se divulga en Pedregosa et al. 2011, "Machine Learning in Python", JMLR 12, págs. 2825­ 2830, en cuyo caso el entrenamiento fue en los 212 sujetos, pero solo usando los niveles de abundancia de genes TCGA para los genes enumerados en la figura 5B para los que la característica es "expresión génica". Cuando se valida con respecto a datos de una cohorte de 55 sujetos con cáncer gástrico y un estado de VEB conocido, el clasificador identifica correctamente el estado de infección por VEB de 54 o los 55 sujetos de validación, con una especificidad del 100 % y una sensibilidad del 75 %.
[0777] En un cuarto modelo, el clasificador utilizado fue este mismo clasificador SVM, en cuyo caso el entrenamiento fue en los 212 sujetos y usando los niveles de abundancia de genes de TCGA para los genes enumerados en la figura 4B para los que la característica es "expresión génica", así como los recuentos de mutaciones de TCGA para los dos genes en la figura 4B para los que la característica es "número de mutaciones". El rendimiento de este clasificador entrenado se reporta en la figura 5C. Los coeficientes de regresión y las estadísticas de correlación para cada una de las características utilizadas en el modelo se muestran a continuación en las tablas 7 y<8>, respectivamente. Los parámetros de SVM usados fueron clase _peso: ninguno,
[0778] decisión_función_forma: ovo, gamma, escaras, núcleo, lineal, probabilidad: verdadero encogiendo: falso y tol: 1. Como se ilustra en la figura 5C, la SVM entrenada predice el tipo de cáncer de los 212 sujetos, es decir, si los sujetos tienen el primer tipo de cáncer (afectados por VEB y que tienen cáncer gástrico) o el segundo tipo de cáncer (no afectados por VEB, pero que tienen cáncer gástrico) con una especificidad del 99 % y una sensibilidad del 95 % para el conjunto de entrenamiento de 212 sujetos. A continuación, el clasificador se validó con respecto a los datos de una cohorte de 55 sujetos con cáncer gástrico y un estado de VEB conocido. El clasificador identificó correctamente el estado de infección por VEB de 54 de los 55 sujetos de validación, con una especificidad del 100 % y una sensibilidad del 75 %.
[0780] Tabla 7.Coeficientes de regresión para características usadas en el segundo modelo de SVM para detección de
[0782] VEB.
[0784]
[0787] Tabla 8.Estadísticas de correlación para las características usadas en el segundo modelo de SVM para la detección de VEB.
[0789]
[0790] continuación
[0792]
[0795] Para validar el modelo, el clasificador de SVM entrenado reportado en la figura 5C se probó con respecto a una población de validación que no se había usado para entrenar el clasificador. Como se detalla en la figura 5A, el conjunto de datos de validación comprendía una correspondiente pluralidad de valores de abundancia para cada sujeto en un conjunto de datos denominado el conjunto de datos de "prueba", que se describe en el ejemplo 2, que tenía cáncer gástrico con estado de VEB conocido. Como se ilustra en la figura 5A, se seleccionaron 55 sujetos del conjunto de datos de validación que satisficieron estos criterios de selección y sirvieron como la pluralidad de sujetos del conjunto de datos de validación. De los 55 sujetos de validación, 4 dieron positivo para VEB y 51 dieron negativo para VEB. Por tanto, de los 55 sujetos de validación, se consideró que 4 sujetos de validación tenían la primera afección de cáncer (afectados por VEB y que tenían cáncer gástrico) y se consideró que los 51 sujetos restantes (no afectados por VEB, pero con cáncer gástrico) tenían la segunda afección de cáncer.
[0797] Cada uno de los 55 sujetos de validación se ejecutó con respecto a la SVM entrenada cuyo rendimiento se reporta en la figura 5C y, por lo tanto, fue asignado por la SVM a la primera o segunda clase de cáncer. Esto quiere decir, los valores de abundancia de genes para los genes enumerados en la figura 5B en los que el tipo de característica era "expresión génica" y el recuento de mutaciones en los dos genes enumerados en la figura 5B en los que el tipo de característica era "número de mutaciones" se midieron a partir de una muestra de tumor para cada uno de los 55 sujetos de validación y estos datos para el sujeto de validación se introdujeron por separado en el modelo de SVM entrenado de la figura 5C. Como se ilustra en la figura 5D, la SVM entrenada tenía una especificidad del 75 % y una sensibilidad del 100 % para la clase de cáncer usando dichos datos en los 55 sujetos de validación. Este ejemplo muestra que el modelo de SVM entrenado predice con precisión la infección viral en tumores usando datos de expresión de ARN. Este ejemplo confirma que las infecciones virales generalmente están asociadas a una regulación positiva de las respuestas inmunitarias. Este ejemplo muestra adicionalmente que la detección viral basada en datos de transcriptoma completos es una herramienta clínica útil por derecho propio y, además, se puede combinar con procedimientos de diagnóstico existentes para proporcionar conocimientos sobre el estado viral y el microentorno tumoral en una única prueba.
[0799] Ejemplo 5 - obtención de datos de recuento de ARN normalizados
[0801] En este ejemplo, las muestras de pacientes se procesaron a través de secuenciación de próxima generación (NGS) de lectura corta de exoma completo de ARN para generar datos de secuenciación de ARN y los datos de secuenciación de ARN se procesaron mediante una tubería de bioinformática para generar un perfil de expresión de secuenciación de ARN para cada muestra de paciente. Específicamente, el ácido nucleico total de tumor sólido (ADN y ARN) se extrajo de secciones de tejido f Fp E macrodiseccionado y se digirió con proteinasa K para eliminar proteínas. El ARN se purificó del ácido nucleico total mediante TURBO DNase-I para eliminar el ADN, seguido de una limpieza de reacción usando perlas de XP de limpieza de ARN para eliminar las proteínas enzimáticas. El ARN aislado se sometió a un protocolo de control de calidad usando tinte fluorescente RiboGreen para determinar la concentración de las moléculas de ARN.
[0803] La preparación de la biblioteca se realizó utilizando el kit KAPA Hyper Prep en el que 100 ng de ARN se fragmentaron por calor en presencia de magnesio a un tamaño promedio de 200 pb. A continuación, las bibliotecas se transcribieron inversamente en ADNc y los adaptadores de extremo dual SeqCap de Roche se ligaron en el ADNc. A continuación, las bibliotecas de ADNc se purificaron y se sometieron a selección de tamaño usando KAPA Hyper Beads. A continuación, las bibliotecas se amplificaron por PCR durante 10 ciclos y se purificaron usando perlas de limpieza Axygen MAG PCR. El control de calidad se realizó utilizando un kit fluorescente PicoGreen para determinar la concentración de la biblioteca de ADNc. Las bibliotecas de ADNc se agruparon entonces en reacciones de hibridación de<6>plex. Cada agrupación se trató con bloqueadores universales COT-1 humano e IDT xGen antes de secarse en una aspiradora. Las agrupaciones de ARN se resuspendieron entonces en la mezcla de hibridación IDT xGen Lockdown y se agregaron sondas de IDT xGen Exome Research Panel v1.0 a cada agrupación. Las agrupaciones se incubaron para permitir que las sondas se hibridaran. Las agrupaciones se mezclaron entonces con perlas recubiertas de estreptavidina para capturar las moléculas hibridadas de ADNc. Las agrupaciones se amplificaron y purificaron una vez más usando el kit de amplificación de biblioteca KAPA HiFi y las perlas de limpieza Axygen MAG PCR, respectivamente. Se realizó una etapa de control de calidad final que implica la cuantificación de la agrupación mediante PicoGreen y LabChip GX Touch para evaluar el tamaño de fragmento de la agrupación. Las agrupaciones se amplificaron en agrupaciones utilizando kits de agrupaciones de extremos emparejados de Illumina con un PhiX-spike en Illumina C-Bot2 y la celda de flujo resultante que contenía bibliotecas de ADNc capturadas amplificadas en el objetivo se secuenció en un Illumina HiSeq 4000 a una profundidad única promedio en el objetivo de 500x para generar un archivo FASTQ.
[0805] En este ejemplo, la preparación de la biblioteca de ADNc se realizó con un sistema automatizado, usando un robot de manipulación de líquidos (SciClone NGSx).
[0807] Cada archivo FASTQ contenía una lista de lecturas de extremo emparejado generadas por el secuenciador de Illumina, cada una de las cuales se asoció con una calificación de calidad. Las lecturas en cada archivo FASTQ fueron procesadas por una pipeline de bioinformática. Los archivos FASTQ se analizaron utilizando FASTQC para una evaluación rápida del control de calidad y las lecturas. Para cada archivo FASTQ, cada lectura en el archivo se alineó con un genoma de referencia (GRch37) usando el software de alineación kallisto. Esta alineación generó un archivo SAM y cada archivo SAM se convirtió a BAM, Los archivos BAM se ordenaron y los duplicados se marcaron para su eliminación.
[0809] Para cada gen, el recuento de lecturas de ARN sin procesar para un gen dado se calculó mediante el software de alineación kallisto como una suma de la probabilidad, para cada lectura, de que la lectura se alinea con el gen. Por lo tanto, los recuentos sin procesar no son números enteros en este ejemplo. Los recuentos de lectura sin procesar se guardaron en un archivo tabular para cada paciente, donde las columnas representaban genes y cada entrada representaba el recuento de lecturas de ARN sin procesar para ese gen.
[0811] Los recuentos de lectura de ARN sin procesar se normalizaron para corregir el contenido de GC y la longitud del gen usando la normalización cuantil completa y se ajustaron para la profundidad de secuenciación a través del procedimiento del factor de tamaño. Los recuentos de lectura de ARN normalizados se guardaron en un archivo tabular para cada paciente, donde las columnas representaban genes y cada entrada representaba el recuento de lecturas de ARN sin procesar para ese gen.
[0813] Referencias citadas y realizaciones alternativas
[0814] La presente invención puede implementarse como un producto de programa de ordenador que comprende un mecanismo de programa de ordenador embebido en un medio de almacenamiento legible por ordenador no transitorio. Por ejemplo, el producto de programa de ordenador podría contener los módulos de programa mostrados en cualquier combinación de las figuras 1A, 1B y/o como se describe en las figuras 2A, 2B, 2C, 2D, 2E y 3. Estos módulos de programa pueden almacenarse en un CD-ROM, DVD, producto de almacenamiento de disco magnético, memoria USB o cualquier otro producto de almacenamiento de datos o programas legible por ordenador no transitorio.

Claims (15)

1. REIVINDICACIONES
1. Un procedimiento implementado por ordenador para asignar terapia para cáncer de cabeza y cuello o de cuello uterino en un paciente humano con cáncer, comprendiendo el procedimiento:
(A) determinar si el paciente humano con cáncer está infectado con un virus oncogénico del virus del papiloma humano (VPH) mediante:
obtención de un conjunto de datos para el paciente humano con cáncer, comprendiendo el conjunto de datos una pluralidad de valores de abundancia, en donde:
cada respectivo valor de abundancia en la pluralidad de valores de abundancia cuantifica un nivel de expresión de un correspondiente gen, en una pluralidad de genes, en un tejido canceroso del sujeto, e
introducir el conjunto de datos en un clasificador entrenado para discriminar entre al menos una primera afección de cáncer asociada a la infección por VPH y una segunda afección de cáncer asociada a un estado libre de VPH basándose en los valores de abundancia de la pluralidad de genes, en un tejido canceroso del sujeto; y
(B) asignar una terapia para el cáncer de cabeza y cuello o de cuello uterino mediante:
cuando el resultado del clasificador indica que el paciente humano con cáncer está infectado con un virus oncogénico de VPH, asignar una primera terapia adaptada para el tratamiento de cáncer de cabeza y cuello o de cuello uterino asociado a una infección por VPH y,
cuando el resultado del clasificador indica que el paciente humano con cáncer no está infectado con un virus oncogénico de VPH, asignar una segunda terapia adaptada para el tratamiento de cáncer de cabeza y cuello o de cuello uterino no asociado a una infección por VPH;
en donde la pluralidad de genes comprende:
(i) al menos diez genes seleccionados de KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1; o
(ii) SMC1B, CDKN2A y EFNB3 y al menos otros dos genes seleccionados de: KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1.
2. El procedimiento de la reivindicación 1, en donde la pluralidad de genes comprende al menos veinte genes seleccionados de KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1.
3. El procedimiento de la reivindicación 1, en donde la pluralidad de genes comprende al menos los veinticuatro de los siguientes genes: KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1.
4. El procedimiento de una cualquiera de las reivindicaciones 1-3, en donde la pluralidad de genes incluye no más de 300 genes.
5. El procedimiento de una cualquiera de las reivindicaciones 1-4, que comprende además: determinar la pluralidad de valores de abundancia mediante secuenciación de ARN de una muestra del tejido canceroso del paciente humano.
6. El procedimiento según una cualquiera de las reivindicaciones 1-5, en donde el conjunto de datos comprende además un recuento de alelos variantes para uno o más alelos en uno o más locus en el genoma del tejido canceroso del sujeto.
7. El procedimiento de la reivindicación 6, en donde el uno o más alelos variantes se seleccionan de alelos variantes en un gen TP53 (ENSG00000141510) o CDKN2A (ENSG00000147889).
8. El procedimiento según una cualquiera de las reivindicaciones 1-7, en donde el clasificador es un algoritmo de regresión logística, un algoritmo de red neuronal, un algoritmo de red neuronal convolucional, un algoritmo de máquina de vectores de soporte, un algoritmo Naive Bayes, un algoritmo de vecino más cercano, un algoritmo de árboles potenciados, un algoritmo de bosque aleatorio, un algoritmo de árbol de decisión o un algoritmo de agrupación.
9. El procedimiento según una cualquiera de las reivindicaciones 1-8, en donde la primera terapia adaptada para el tratamiento del cáncer de cuello uterino asociado a una infección por VPH es una vacuna terapéutica o una terapia celular adoptiva o en donde la primera terapia adaptada para el tratamiento del cáncer de cabeza y cuello asociado a una infección por VPH es una vacuna terapéutica, un inhibidor del punto de control inmunitario o un inhibidor de PI3K.
10. El procedimiento según una cualquiera de las reivindicaciones 1-9, en donde la segunda terapia adaptada para el tratamiento de cáncer de cabeza y cuello o de cuello uterino no asociado a una infección por VPH es quimioterapia o en donde la segunda terapia es quimioterapia y la quimioterapia incluye la administración de cisplatino.
11. El procedimiento de la reivindicación 10, en donde la segunda terapia, cuando se adapta para el tratamiento del cáncer de cuello uterino, comprende además la administración conjunta de un segundo agente terapéutico seleccionado del grupo que consiste en 5-fluorouracilo, paclitaxel y bevacizumab o en donde la segunda terapia, cuando se adapta para el tratamiento de cáncer de cabeza y cuello, comprende además radioterapia concurrente o quimiorradiación posoperatoria.
12. El procedimiento de la reivindicación 1(ii) o de cualquiera de las reivindicaciones 2-11 cuando dependen de la reivindicación 1(ii), en donde la pluralidad de genes comprende al menos diez genes seleccionados de KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, SMC1B, CDKN2A, EFNB3, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1.
13. El procedimiento de la reivindicación 1(i) o de cualquiera de las reivindicaciones 2-11 cuando dependen de la reivindicación 1(i), en donde la pluralidad de genes comprende SMC1B, CDKN2A y EFNB3 y al menos otros dos genes seleccionados de KRT86, CRISPLD1, DSG1, SESN3, ADAMTS20, IRX1, CXCL14, ZFR2, RNF212, MKRN3, SYCP2, MYL1, MYO3A, RNASE10, GALNT13, C19orf26, MUC4, PCDHGBI, CCNDI1, LCEIF y KCNS1.
14. Un dispositivo electrónico, que comprende:
uno o más procesadores;
memoria; y
uno o más programas, en donde el uno o más programas se almacenan en la memoria y están configurados para ser ejecutados por el uno o más procesadores, incluyendo el uno o más programas instrucciones para realizar cualquiera de los procedimientos de las reivindicaciones 1 a 13.
15. Un medio de almacenamiento legible por ordenador no transitorio que almacena uno o más programas, comprendiendo el uno o más programas instrucciones, que, cuando son ejecutadas por un dispositivo electrónico con uno o más procesadores y una memoria, hacen que el dispositivo realice cualquiera de los procedimientos de las reivindicaciones 1 a 13.
ES20762886T 2019-02-26 2020-02-26 Systems and methods for using sequencing data for pathogen detection Active ES3043308T3 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962810849P 2019-02-26 2019-02-26
PCT/US2020/019899 WO2020176620A1 (en) 2019-02-26 2020-02-26 Systems and methods for using sequencing data for pathogen detection

Publications (1)

Publication Number Publication Date
ES3043308T3 true ES3043308T3 (en) 2025-11-25

Family

ID=72141819

Family Applications (1)

Application Number Title Priority Date Filing Date
ES20762886T Active ES3043308T3 (en) 2019-02-26 2020-02-26 Systems and methods for using sequencing data for pathogen detection

Country Status (5)

Country Link
US (2) US11043304B2 (es)
EP (1) EP3931360B1 (es)
JP (2) JP7813140B2 (es)
ES (1) ES3043308T3 (es)
WO (1) WO2020176620A1 (es)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021081253A1 (en) * 2019-10-22 2021-04-29 Tempus Labs, Inc. Systems and methods for predicting therapeutic sensitivity
US20230197269A1 (en) 2020-02-18 2023-06-22 Tempus Labs, Inc. Systems and methods for detecting viral dna from sequencing
CA3174332A1 (en) 2020-04-21 2021-10-28 Jason PERERA Tcr/bcr profiling
EP4271837A4 (en) 2020-12-31 2025-10-15 Tempus Ai Inc SYSTEMS AND METHODS FOR DETECTING MULTIMOLECULAR BIOMARKERS
EP4275208A1 (en) 2021-01-07 2023-11-15 Tempus Labs, Inc. Systems and methods for joint low-coverage whole genome sequencing and whole exome sequencing inference of copy number variation for clinical diagnostics
CN112766352B (zh) * 2021-01-13 2024-03-29 大连海事大学 一种基于极端梯度提升算法的新型冠状病毒分类方法
WO2022159774A2 (en) 2021-01-21 2022-07-28 Tempus Labs, Inc. METHODS AND SYSTEMS FOR mRNA BOUNDARY ANALYSIS IN NEXT GENERATION SEQUENCING
WO2022165069A1 (en) * 2021-01-29 2022-08-04 Foundation Medicine, Inc. Methods and systems for characterizing and treating combined hepatocellular cholangiocarcinoma
US12361542B2 (en) 2021-03-03 2025-07-15 Tempus Ai, Inc. Systems and methods for deep orthogonal fusion for multimodal prognostic biomarker discovery
WO2023064309A1 (en) 2021-10-11 2023-04-20 Tempus Labs, Inc. Methods and systems for detecting alternative splicing in sequencing data
WO2023091316A1 (en) 2021-11-19 2023-05-25 Tempus Labs, Inc. Methods and systems for accurate genotyping of repeat polymorphisms
CN113921079B (zh) * 2021-12-06 2022-03-18 四川省肿瘤医院 基于免疫相关基因的msi预测模型构建方法
CN116631500A (zh) * 2021-12-30 2023-08-22 天津金匙医学科技有限公司 非核心型耐药基因
AU2023226165A1 (en) * 2022-02-25 2024-10-03 Tempus Ai, Inc. Probe sets for a liquid biopsy assay
EP4239647A1 (en) 2022-03-03 2023-09-06 Tempus Labs, Inc. Systems and methods for deep orthogonal fusion for multimodal prognostic biomarker discovery
CN114891870A (zh) * 2022-06-26 2022-08-12 杭州奥明医学检验实验室有限公司 一种基于mNGS检测致癌病原体的方法、系统及装置
CN116110496A (zh) * 2023-01-05 2023-05-12 深圳市海普洛斯医疗系统科技有限公司 接头序列快速检测方法、装置、设备及存储介质
US20240355485A1 (en) 2023-04-13 2024-10-24 Tempus Ai, Inc. Systems and methods for predicting clinical response
TWI826332B (zh) * 2023-06-08 2023-12-11 宏碁股份有限公司 建立疾病預測模型的方法及系統
US20250111910A1 (en) 2023-09-29 2025-04-03 Tempus Al, Inc. Methods and systems for disease phenotyping using multimodal ehr data and weak supervision
WO2025096464A1 (en) 2023-10-31 2025-05-08 Tempus Ai, Inc. Estimation of circulating tumor fraction using off-target reads of targeted-panel sequencing
US20250259702A1 (en) 2024-02-12 2025-08-14 Tempus Ai, Inc. Methods and systems for determining blood tumor mutational burden in a liquid biopsy assay
US20250316338A1 (en) 2024-04-04 2025-10-09 Tempus Ai, Inc. Methods and systems for tumor informed circulating tumor fraction estimation

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080003565A1 (en) * 2006-05-02 2008-01-03 Government Of The Us, As Represented By The Secretary, Department Of Health And Human Services Viral nucleic acid microarray and method of use
WO2009015294A1 (en) * 2007-07-24 2009-01-29 Wisconsin Alumni Research Foundation Biomarkers for human papillomavirus-associated cancers
EP2364371A4 (en) * 2008-11-24 2012-05-02 Univ Loma Linda BIOMARKER FOR DETECTING HEADS AND HALSTUMORS
US9551700B2 (en) * 2010-12-20 2017-01-24 Milagen, Inc. Device and methods for the detection of cervical disease
RU2463610C1 (ru) * 2011-03-22 2012-10-10 Федеральное бюджетное учреждение науки "Государственный научный центр вирусологии и биотехнологии "Вектор" (ФБУН ГНЦ ВБ "Вектор") СПОСОБ ИЗГОТОВЛЕНИЯ ПАНЕЛИ СЫВОРОТОК С HBsAg AD- И AY-СУБТИПОВ ДЛЯ КОНТРОЛЯ КАЧЕСТВА ДИАГНОСТИКИ ГЕПАТИТА В
WO2017070709A1 (en) * 2015-10-23 2017-04-27 The Regents Of The University Of Colorado A Body Corporate Prognosis and treatment of squamous cell carcinomas
EP3510173A4 (en) * 2016-09-07 2020-05-20 Veracyte, Inc. METHODS AND SYSTEMS FOR DETECTING COMMON INTERSTITIAL PNEUMONIA
GB202209539D0 (en) * 2017-06-13 2022-08-10 Bostongene Corp Systems and methods for identifying cancer treatments from normalized biomarker scores
CN111868260B (zh) 2017-08-07 2025-02-21 约翰斯霍普金斯大学 用于评估和治疗癌症的方法和材料
WO2019032525A1 (en) * 2017-08-07 2019-02-14 Genecentric Therapeutics, Inc. PROCESS FOR SUBTYPING EPIDERMOID CARCINOMA OF HEAD AND NECK
DE102017216112A1 (de) 2017-09-12 2019-03-14 Thyssenkrupp Ag Aussetz-System und Aussetz-Verfahren mit zusammenziehbarem Vorleinenausleger
FR3072170B1 (fr) 2017-10-05 2020-10-16 Spade Dispositif de surveillance pour la detection, en continu, de defauts dans une section de canalisation et systeme de surveillance equipe d’au moins deux dispositifs de surveillance

Also Published As

Publication number Publication date
US20210272695A1 (en) 2021-09-02
US11043304B2 (en) 2021-06-22
JP2022521791A (ja) 2022-04-12
WO2020176620A1 (en) 2020-09-03
JP2025106239A (ja) 2025-07-15
EP3931360A1 (en) 2022-01-05
EP3931360A4 (en) 2022-11-23
EP3931360B1 (en) 2025-08-27
JP7813140B2 (ja) 2026-02-12
US20200273576A1 (en) 2020-08-27

Similar Documents

Publication Publication Date Title
ES3043308T3 (en) Systems and methods for using sequencing data for pathogen detection
JP7689557B2 (ja) 相同組換え欠損を推定するための統合された機械学習フレームワーク
ES2989374T3 (es) Sistemas y procedimientos para predecir el estado de deficiencia de recombinación homóloga de una muestra
EP4008005B1 (en) Methods and systems for detecting microsatellite instability of a cancer in a liquid biopsy assay
US20200395097A1 (en) Pan-cancer model to predict the pd-l1 status of a cancer cell sample using rna expression data and other patient data
ES2990062T3 (es) Sistemas y métodos para determinar si un sujeto tiene una condición de cáncer utilizando aprendizaje por transferencia
US20210358626A1 (en) Systems and methods for cancer condition determination using autoencoders
US20260120798A1 (en) Systems and methods for classifying patients with respect to multiple cancer classes
CN112602156A (zh) 用于检测残留疾病的系统和方法
EP4680766A1 (en) White blood cell contamination detection
CN120770051A (zh) 用于设计患者特异性检测组套的技术和使用该技术检测微小残留病灶的方法
US20250125050A1 (en) Systems and methods for molecular residual disease liquid biopsy assay
US20250179586A1 (en) Systems and methods for detecting somatic variants derived from circulating tumor nucleic acids
WO2025122662A1 (en) Systems and methods for detecting somatic variants derived from circulating tumor nucleic acids
HK40087494A (zh) 使用自动编码器确定癌症状态的系统和方法
HK40040539A (en) Systems and methods for determining tumor fraction in cell-free nucleic acid