專利名稱：臨床截止值的評價的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用于提高預(yù)測疾病對藥物抗性的精度的方法和系統(tǒng)。更具體地說，本發(fā)明提供用于評價在藥物敏感性中預(yù)先存在的變異(無論天然存在的或通過先前的藥物接觸選擇的)對治療反應(yīng)的影響，以便在臨床上建立用于表型或基因型的抗性測試的相關(guān)截止值。
在本文中引用的所有出版物、專利和專利申請被全部引入作為參考。
用于測定疾病對藥物抗性的技術(shù)變得越來越重要。自從第一篇報道的出版物揭示了在出現(xiàn)的病毒抗性和臨床進(jìn)展之間的相關(guān)性以來，用于測定病原體對藥物抗性的技術(shù)已經(jīng)逐漸地被列入治療性給藥方案的臨床研究中(參見Brendan Larder等，HIV Resistance andImplications for Therapy(1998)，在此引用作為參考)。例如，當(dāng)出現(xiàn)病毒感染時，一些研究表明p53突變也可以是對特異性抗癌的藥物治療法、放射治療或基因治療的腫瘤應(yīng)答預(yù)示物。這是在乳腺癌中的情況其中最初的研究表明順鉑和三苯氧胺在具有p53突變的腫瘤的患者中是更有效的。因此，抗性監(jiān)測的目的在于提供必要的信息以使醫(yī)師能對單個患者開出最適組合的藥物。
當(dāng)更多的治療選擇隨時間而變得可用時，預(yù)期抗性測試在疾病的控制和治療中以及個性化治療方法的研究中起重要作用[參見，如Haulbrich等，JAIDS，2001，26S1，S51-S59]。
此外，抗藥性疾病的數(shù)量也在增長。在實驗室中，表型分析方法可測量病原體在不同藥物存在時的生長能力。這通常表示為IC50或IC90值的變化倍數(shù)(IC50或IC90值是分別抑制50％或90％病原體群體復(fù)制的藥物濃度)。例如，高抗性病毒可顯示IC50增加50倍或甚至100倍。一些病毒突變僅僅使IC50增大2-3倍。另一方面，病原體對給定的藥物表現(xiàn)過敏性。例如，已經(jīng)表明HIV突變組合可導(dǎo)致病原體對給定的藥物的過敏性。
不同于基因型分析，表型分析是敏感性的直接測量法，它反映了所有已知或未知的突變對病原體群體在藥物的存在下的行為的影響和相互作用。
藥物敏感性表型分析的應(yīng)用依賴于IC50倍數(shù)增加的“截止”值在該截止值時病原體被認(rèn)為是抗性的。如本文所用的術(shù)語“截止值”，是指以上敏感性的閾值變化，其中病原體被分類為對特定藥物具有下降的敏感性。如本文所用的藥物“抗性”，與藥物針對病原體的抗性、靈敏度、敏感性或有效性的能力有關(guān)。
關(guān)于目前使用中的一些截止值的相關(guān)性，最近一直有爭論。例如，對于病毒感染，某些組群目前使用技術(shù)上的截止值，其中所述的截止值對于每次藥物測試通常是相同值，并且其沒有通過臨床標(biāo)準(zhǔn)進(jìn)行測定但通過例如在單個野生型標(biāo)準(zhǔn)病毒的重復(fù)測試中所示的變量分析法進(jìn)行測定。通過用標(biāo)準(zhǔn)參照病毒進(jìn)行重復(fù)測試，測量了測試的再現(xiàn)性，并將截止值設(shè)定在該水平(如，IC50的2.5倍的增大)。這提供了大體上依賴于所述測定的分析性能的截止值。該方法受到未考慮在藥物應(yīng)答中基于群體的變異的限制。此外，所述的方法無法解釋對于不同藥物給藥方案的不同應(yīng)答。在該方法中，針對所有可用的藥物設(shè)定單個截止值的局限性是該方法很少教導(dǎo)臨床醫(yī)師有關(guān)在通過測試所報道的敏感性方面的任何變化的重要性。實際上，一些病毒學(xué)的截止值明顯地不符合已知的應(yīng)答數(shù)據(jù)。例如，無核苷酸逆轉(zhuǎn)錄酶抑制劑(NNRTIs)的低水平抗性的指示物在以前未治療的個體中無法引起藥物的鈍化應(yīng)答(Harrigan等，Bacheler等，4th International Workshop onHIV Drug Resistance and Treatment Strategies，Sitges，西班牙，Abstr.(2000))。其它測定法具有主要基于測定法再現(xiàn)性的截止值，對每種藥物是它們相同的，或者不與藥物在臨床實踐中是否對病原體起作用關(guān)聯(lián)，因此是相當(dāng)隨機的。
已經(jīng)描述了用來發(fā)展更多有意義的、生物學(xué)上相關(guān)的在HIV治療中使用的藥物截止值的方法。例如，Virco測量了分離自1000個未治療的患者以及成千上萬個沒有抗性突變的HIV-1樣本的IC50值。計算了每種藥物的敏感性的平均數(shù)和范圍。然后將截止值設(shè)定在平均值之上的兩個標(biāo)準(zhǔn)偏差外。統(tǒng)計項是指落在所述截止值之上的測試結(jié)果可以被說成是以97.5％的置信度高于正常的敏感性范圍(Harrigan等，World-wide variation in HIV-1 phenotypic susceptibility in untreatedindividualsbiologically relevant values for resistance testing.2001.AIDS 151671-1677)。由于未治療的和未突變的病毒的敏感性在藥物之間變化很大，因此對于每種藥物所預(yù)測的生物學(xué)截止值是不同的。
采用生物學(xué)截止值已改變了所報導(dǎo)的HIV的抗性數(shù)量。例如，在5000個隨機的臨床樣本的研究中，雙脫氧核苷類似物的生物學(xué)截止值低于以前所用的截止值，這揭示了更高的和更多的抗性實際發(fā)生率。相反地，無核苷逆轉(zhuǎn)錄酶抑制劑的截止值高于以前所用的截止值。
然而，盡管生物學(xué)截止值是對以前所用的隨機截止值的一個巨大的改進(jìn)，然而在預(yù)測的閾值和觀測的倍數(shù)抗性(在該倍數(shù)抗性之上，臨床應(yīng)答實際上降低了)之間仍然存在差異。因此對能夠建立臨床上相關(guān)的截止值抗性變化倍數(shù)的方法有很大需求。
本發(fā)明以新方法的形式提供解決這些問題的辦法，用于評價預(yù)先存在的藥物敏感性的變化(無論天然存在的或通過先前的藥物接觸選擇的)對治療應(yīng)答的影響，以便在臨床上建立用于表型或基因型的抗性測試的相關(guān)截止值。
發(fā)明概述根據(jù)本發(fā)明，提供了用于評價患者中致病性病原體對藥物治療應(yīng)答的診斷方法，方法包括將感染患者的病原體的抗性值的變化倍數(shù)與臨床截止值比較，所述的截止值是在觀測臨床應(yīng)答的臨床上協(xié)變量中的抗性值的變化倍數(shù)；其中通過將采用針對致病性病原體的藥物治療的患者群體的臨床應(yīng)答確定作為感染患者的病原體的抗性變化倍數(shù)的函數(shù)來建立模型，從而建立所述的臨床截止值。
根據(jù)本發(fā)明，建立了抗性倍數(shù)閾值，在該值之上在臨床范圍中將疾病分類為抗藥性的類別。該方法將致病性病原體對特定藥物的治療應(yīng)答作為初始(baseline)病原體載量(load)、初始抗性、靶向病原體的共同給藥的藥物的初始活性以及治療史的函數(shù)而建立模型。“初始病原體載量”是指在用藥物治療開始時，所測量患者的病原體載量?！俺跏伎剐宰兓稊?shù)”是指在治療開始時，通過感染患者的病原體所展現(xiàn)的對候選藥物的抗性變化倍數(shù)?！鞍邢虿≡w的共同給藥的藥物的初始活性”是指與其治療應(yīng)答模型正在被建立的藥物聯(lián)合給藥的每種藥物針對病原體的活性?！爸委熓贰笔侵富颊?并因此，病原體)以前的藥物接觸。
在優(yōu)選的實施方案中，將所述的截止值作為在所治療的患者中治療反應(yīng)數(shù)據(jù)的函數(shù)，考慮初始病原體載量、初始抗性變化倍數(shù)、靶向病原體的共同給藥的初始活性以及治療史，來測定所述的截止值。
因此該方法以不同初始抗性水平提供了臨床結(jié)果的預(yù)測。根據(jù)這種方法，通過將藥物治療結(jié)果(病原體載量和應(yīng)答速率的下降值)作為初始抗性變化倍數(shù)的函數(shù)來建立模型，其中通過參照可測量抗藥性表型或可預(yù)測來自病原體基因型的抗藥性表型的系統(tǒng)(例如VirtuaIPhenotype，Virco)來測定初始抗性變化倍數(shù)。該模型考慮了共同給藥、初始病原體載量以及任選的治療史的影響，以避免由臨床上重要特征的不均衡而引入的任何偏差。從該模型，能夠在不同的病原體初始抗性變化倍數(shù)水平上產(chǎn)生預(yù)測結(jié)果。
使用該方法，將通過比較基因型和表型(例如，VirtualPhenotype)而獲得的抗性變化倍數(shù)值與臨床結(jié)果相關(guān)聯(lián)。這是唯一的方法；其他的研究小組使用不同的方法，依靠這些方法將特定的突變或?qū)嶋H的表型結(jié)果與臨床結(jié)果相關(guān)聯(lián)。
本發(fā)明的方法相對于目前使用的方法是有優(yōu)勢的。例如，常規(guī)方法無法充分解釋基于群體的藥物過敏性的可變性。在本方法中，群體可包括首次治療的和經(jīng)歷了治療的患者，并可以是不限于例如單一性別、年齡、種族或性別特征的混和群體。
本發(fā)明的方法也可解釋在群體中對于不同藥物的不同應(yīng)答。通過該方法測定的藥物特異性臨床截止值在評價對病原體敏感株的抗性中是更可靠的參數(shù)。
該方法也允許根據(jù)所研究的群體類型的不同對使用該方法確定的臨床截止值進(jìn)行重新計算，即與對于相同藥物的成年群體相比，兒科群體可具有針對特定藥物的不同的臨床截止值。
特別重要的是，使用得自于聯(lián)合治療的應(yīng)答數(shù)據(jù)，該方法允許以均一、科學(xué)的方式測定基本數(shù)據(jù)庫上所有市場銷售的藥物的臨床截止值。通過參照有限量的數(shù)據(jù)，測定了目前可用的截止值，并且該截止值與使用不同方法所測定的截止值可能不一致。根據(jù)本發(fā)明，通過將針對由特定的病原體引起的疾病的藥物來治療的患者群體的臨床應(yīng)答作為感染患者的病原體的抗性變化倍數(shù)的函數(shù)的來建立模型，從而確定臨床截止值。使用本領(lǐng)域已知的方法，可確定病原體的抗性變化倍數(shù)。簡單地說，將患者樣本對特定藥物的敏感性與參照樣本對相同藥物的敏感性進(jìn)行比較。這可通過下列步驟進(jìn)行a)測定患者樣本對藥物的敏感性；b)測定參照樣本對藥物的敏感性；以及c)從在步驟a)中獲得的敏感性除以在b)中獲得的敏感性的商值確定患者抗性變化倍數(shù)。在共同未決的申請WO01/79540和WO02/33402中詳細(xì)描述了實施這些步驟的優(yōu)選方法的實例。對于本領(lǐng)域技術(shù)人員而言，等同的方法是顯而易見的。
在發(fā)明的優(yōu)選實施方案中，通過參照病原體載量下降的對數(shù)值來計算抗性變化倍數(shù)截止值。在所述的方法中，使用一組來自含有病原體的患者的治療應(yīng)答數(shù)據(jù)，優(yōu)選實施線性回歸分析，其中根據(jù)下列方程式，將感染患者i的病原體的病原體載量下降的對數(shù)值LogPL dropi模型化為影響病原體載量下降的因素的所有單個作用的總和LogPLdropi＝β0+β1Log(初始PLi)+β2(PSSi)+β3(1/FCi)+εi在該方程式中，初始PLi代表在開始通過藥物治療時，所測量的患者的病原體載量。
PSSi是表型敏感性得分，代表在患者的背景治療給藥方案中，排除了有助于治療應(yīng)答的模型建立的藥物的活性藥物的數(shù)量。
FCi是初始抗性變化倍數(shù)。
β0是截距。
β1是代表初始PLi的對數(shù)值的每單位增加的病原體載量下降的對數(shù)值增加的系數(shù)。就HIV和HCV感染而言，通過有效的商業(yè)化測定法，易于測量初始PLi。
β2是表示在背景治療方法中，敏感性藥物數(shù)的每單位增加的病原體載量下降的對數(shù)值的增加的系數(shù)。
β3是表示FCi的倒數(shù)的每單位增量的病原體載量下降值的對數(shù)值增加的系數(shù)。該系數(shù)值是所述模型的輸出量的一部分。
εi是代表在模型化的預(yù)測值和以試驗方式確定的測量值之間的差異的誤差項。
使用計算機分析程序包例如PROC LIFEREG，可以計算線性回歸模型中的系數(shù)。PROC LIFEREG是SAS(Statistical Analysis System)軟件內(nèi)部的可對核查的數(shù)據(jù)實施線性回歸的一個程序。通過缺省，使用忽略核查的普通最小二乘法(OLS)，LIFEREG程序計算參數(shù)的初始值。通過嵴穩(wěn)定化的Newton-Raphson算法，使概率函數(shù)的對數(shù)最大化。
正如通過VirtualPhenotypeTM或其它算法從病原體基因型所預(yù)測的，或正如通過實際的表型測試所測量的，PSSi(表型的敏感性得分)代表在患者背景治療方案中的活性藥物的數(shù)量。
該項的目的在于允許從已經(jīng)被收集用于接受了藥物的組合的患者的治療應(yīng)答數(shù)據(jù)中提取藥物特異性的值。在這種方法中，僅僅提取研究中的特定藥物的相關(guān)抗性數(shù)據(jù)。根據(jù)背景給藥方案，考慮其它的藥物；其對于不同患者可以是不同的。因為沒有充足的數(shù)據(jù)來進(jìn)行另外的聲音分析，有必要用不同的背景給藥方案一起來分析患者。
在分析期間，不得不考慮到不同的背景給藥方案以不同的方式影響臨床結(jié)果。為了做到這一點，通過測定活性藥物的數(shù)量并因此設(shè)計PSS(根據(jù)VirtualPhenotype，優(yōu)選判斷為活性的)，來概括背景藥物的活性。然后將PSS引入模型中。
在一個優(yōu)選的實施方案中，可以根據(jù)所述測定的、預(yù)備性的臨床截止值來計算PSS。DeGruttola等人詳細(xì)地討論了PSS概念(AntiviralTherapy 2000；541-48)。此外，Bosch等人(AIDS 2003，171-9)、Katzenstein等人(AIDS 2003；17821-830)以及Haubrich等人(″Delavirdine Hypersusceptibility(DLV HS)Virological Response andPhenotypic Cut-Points-Results from ACTG359″；11th Conference onRetroviruses and Opportunistic Infections held on 8-11 February 2004in San Francisco，CA，美國)討論了作為PSS變量的連續(xù)PSS概念。通過能使截止值限定到恒定值的迭代法，可測定PSS。在該模型的連續(xù)迭代中，可使用在該模型的首次迭代中限定的、基于預(yù)備性臨床截止值的PSS分值。
作為初始變化倍數(shù)的FCi，等同于初始抗性變化倍數(shù)。本文中可互換使用這些術(shù)語。它是特異于患者的名詞，并基于藥物敏感性表型測試進(jìn)行測定，或基于感染特定患者的病原體的基因型進(jìn)行預(yù)測。由該基因型的病原體所顯示的表型可以以多種方式進(jìn)行預(yù)測；通常，這樣的技術(shù)將基因型與從被相似基因型的病原體感染的患者組中收集的表型數(shù)據(jù)進(jìn)行比較。然而，這無法改變這樣的事實，即這種抗性變化倍數(shù)具有最初感染單個患者的特異性病原體菌株的特征。
例如，初始抗性變化倍數(shù)的預(yù)測可利用基于規(guī)則的，或其它不太直接的測定病原體抗藥性表型的系統(tǒng)。不太直接的系統(tǒng)的實例是Virtual Phenotype(Virco，Inc.；PCT/EPO1/04445)?；蛘邔Τ跏伎剐宰兓稊?shù)的預(yù)測可使用用于從基因型信息確定表型的其它系統(tǒng)，例如用于根據(jù)基因型信息確定病原體的抗藥性表型的神經(jīng)網(wǎng)絡(luò)(參見，例如，美國專利申請?zhí)?9/589,167；PCT/EP01/06360)。神經(jīng)網(wǎng)絡(luò)可以被用于鑒定可賦予藥物抗性的、并限定抗藥性的遺傳基礎(chǔ)的突變(突變體)或突變模式。
截距β0，是用于參照組(即具有一種為1的初始病原體載量的患者的理論組，其在背景中具有無限的抗性變化倍數(shù)并且沒有敏感的藥物)的估測的病原體載量下降的對數(shù)值。該項的目的在于提高模型的擬合。如果它不被包括在內(nèi)，則迫使擬合曲線通過原點(在零抗性變化倍數(shù)時PL下降的對數(shù)值為零)，這可產(chǎn)生不太實際的模型。
誤差項εi，代表在模型的預(yù)測值和以試驗方式確定的測量值之間的差值，即在患者的實際應(yīng)答和預(yù)測應(yīng)答之間的差值。由于將更多數(shù)據(jù)引入模型，則引入了與臨床截止值的測定有關(guān)的附加因素。這將改善模型的擬合，并因此降低預(yù)測的誤差。通過使誤差項最小化，可同時估測所有的β項。
在本發(fā)明的該實施方案的方法中，檢查(在由病原體載量試劑盒的檢測極限所引起的測定范圍之外的病原體載量)可影響結(jié)果，因此優(yōu)選應(yīng)用考慮了檢查的方法。優(yōu)選地，通過試圖構(gòu)建與外推法一致的模型，來處理檢查值。該模型適用于任何所述的方法。因此通過用最大似然率估計值代替檢查值并假定知道測量誤差的標(biāo)準(zhǔn)偏差，來建立檢查值模型。例如，在用檢查值實施分析的統(tǒng)計分析程序包SAS中使用PROC LIFEREG預(yù)編程的程序，可處理檢查值。
上述線性回歸法的一個優(yōu)點是可研究關(guān)于在病原體載量中變化的定量數(shù)據(jù)，因為病原體載量被認(rèn)為是可連續(xù)變化的。因此這考慮了數(shù)據(jù)中存在的最大信息量。在該模型(例如，背景給藥方案)中對評估值進(jìn)行協(xié)變量校正，因此不會遭受協(xié)變量不均衡的痛苦。結(jié)論被限制在具有協(xié)變量的患者它們在臨床應(yīng)答數(shù)據(jù)庫中的數(shù)據(jù)集中是有代表性的。
如果相關(guān)，則將其它初始特征引入線性回歸中，導(dǎo)致在以上所給的方程式中引入新項。附加初始特征的實例包括先前治療的總持續(xù)時間和實施治療的時間。例如，通過在以上給定的模型方程中加入項β4(持續(xù)時間)，可以對評估值進(jìn)行持續(xù)時間的校正。
此外，可考慮附加因素，包括每類藥物的敏感性得分(除背景治療cPSS的總靈敏度得分之外)、先前的藥物接觸(首次是或否；首次接觸蛋白酶抑制劑是或否；首次接觸核苷酸RT抑制劑是或否；等等)。對于本領(lǐng)域技術(shù)人員而言，進(jìn)一步的實例是顯而易見的。
可將cPSS的二次項加入模型中。
在將抗性變化倍數(shù)引入模型之前，可以轉(zhuǎn)換它。例如，對倍數(shù)變化實施從FC-3到FC1的冪變換。
因此，以上所示方程式的更通用的形式可表示為LogPLdropi＝β0+β1Log(初始PLi)+β2(cPSSi)+β3(cPSSi)2+β4(FCi)p+β5(H5)+…+βn(Hn)+εi其中p是冪變換(例如從-3到1)，并且H5到Hn是治療史參量(例如首次抗逆轉(zhuǎn)錄病毒治療，首次NRTI治療，等等…)或描述作為某種治療種類的函數(shù)的背景治療(例如與研究中的藥物同時攝取的活性NRTI的數(shù)量)的參量。
以下是用于單個藥物的分析數(shù)據(jù)集(8周結(jié)果)的特征的實例
如上所述，臨床截止值測定對藥物具有減弱的預(yù)測臨床的抗性變化倍數(shù)。在另一個僅僅將病原體分為敏感性的或抗性的方面中，本發(fā)明該方面的方法優(yōu)選地引入了三種分類，即“敏感性的”，與對藥物治療具有最大應(yīng)答相關(guān)聯(lián)的；“中等的”，與對藥物治療具有減弱的、但仍然具有顯著應(yīng)答相關(guān)聯(lián)的；以及“抗性的”，與對藥物治療即使有也是很少的應(yīng)答相關(guān)聯(lián)的。例如，通過一組與HIV應(yīng)答相關(guān)的定義，可以將“敏感性的”分類為預(yù)測的病原體載量下降超過約0.6logs，將“中等抗性”分類為預(yù)測的病原體載量下降介于約0.2logs和約0.6logs之間，以及將“抗性”分類為預(yù)測的病原體載量下降低于約0.2logs。在另一個組定義中，將“敏感性”分類為預(yù)測的病原體載量下降介于約0.5logs和1.0logs之間。使用這些定義，計算的截止值是高度依賴于協(xié)變量。
在本發(fā)明另外的優(yōu)選實施方案中，通過參照對于患者的藥物治療敏感的病原體概率(即本文中的術(shù)語成功的概率)來計算截止值抗性變化倍數(shù)值。在所述的方法中，優(yōu)選的通過使用來自臨床應(yīng)答數(shù)據(jù)集的數(shù)據(jù)實施邏輯回歸分析，來計算成功的概率，其中根據(jù)下列方程式建立成功的概率模型成功的概率＝[exp(β0+β1Log(初始VLi)+β2(PSSi)+β3(1/FCi))]/[1+exp(β0+β1Log(初始VLi)+β2(PSSi)+β3(1/FCi))]方程式中的項與用于本發(fā)明的上述實施方案的那些項相同。
該邏輯回歸方法不會遭受來自上述用于線性回歸模型的檢查問題的痛苦。此外，成功的概率是解釋臨床結(jié)果的直觀方式。一個缺點是通過將病原體載量分類成成功的和失敗的，則失去了關(guān)于連續(xù)可變的病原體載量的信息部分。
就線性回歸而言，也可就協(xié)變量對評估值進(jìn)行校正。
此外，類似于本發(fā)明第一個所述實施方案的方法，也優(yōu)選第二個所述實施方案的方法引入了三種分類敏感性的、中等抗性的和抗性的。基于“將最大效果定義為在約1倍變化的抗性變化倍數(shù)時或通過分離自患者的野生型病毒所表現(xiàn)的變化倍數(shù)時的治療效果，以及將最小效果定義為具有很高的抗性變化倍數(shù)時的治療效果”，(即當(dāng)曲線到達(dá)曲線的平穩(wěn)段時)，“效果范圍”是介于最大效果和最小效果之間的差值。可將最大效果定義為在約0.7和約1.2抗性變化倍數(shù)之間時的抗性變化倍數(shù)的治療效果。
優(yōu)選地，將“敏感性的”基因型分類成超過所述效果范圍約78-85％的預(yù)期治療效果的類別。優(yōu)選地，將“中等抗性的”分類成處于所述效果范圍的約15-25％至約75-85％的預(yù)期治療效果的類別。優(yōu)選地，將“抗性的”分類成低于所述效果范圍約15-25％的預(yù)期治療效果的類別。與以前所述的、使用預(yù)測的病原體載量下降的方法相比，使用該方法所計算的截止值較少依賴于協(xié)變量。然而，對于不同的協(xié)變量，效果范圍將會變化。
采用這種方法，鑒定了每種藥物的兩種截止值代表應(yīng)答開始受損時的變化倍數(shù)的“下限”截止值，和代表所述應(yīng)答基本上消失時的變化倍數(shù)的“上限”截止值。
將上限截止值和下限截止值分別定義為與≥0.6和≤0.2的預(yù)期的病毒載量下降的對數(shù)值相關(guān)聯(lián)的變化倍數(shù)。
可將下限截止值和上限截止值分別定義為在給藥方案中與預(yù)期的藥物參照活性的20％和80％降低量相關(guān)聯(lián)的變化倍數(shù)。
因此，下限截止值和上限截止值的第一個定義(定義1)是分別具有預(yù)期的≥0.6和≤0.2的病毒載量下降的對數(shù)值的變化倍數(shù)。
下限截止值和上限截止值的第二個定義(定義2)是分別與預(yù)期的給藥方案中的藥物參照活性的20％和80％降低量相關(guān)聯(lián)的變化倍數(shù)。
截止值的第三個定義(定義3)是最佳地區(qū)分成功治療的患者和不成功治療的患者的變化倍數(shù)。
在本發(fā)明的一個實施方案中，定義1被應(yīng)用于除了替諾福韋之外還攝取了兩種有效藥物并具有初始Log(VI)＝4的群體上的替諾福韋，在3.73.變化倍數(shù)時得到了預(yù)測的-0.6的病毒載量下降對數(shù)值。
如果將定義2應(yīng)用于線性回歸模型，預(yù)測的病毒載量的對數(shù)值的下降量在變化倍數(shù)為1時可以是-1.48，在最大變化倍數(shù)時是-0.28。因此，效果范圍可以是-0.28+1.48＝1.2。在變化倍數(shù)為5時(并且該值被認(rèn)為是上限臨床截止值)觀測到這種效果范圍的20％。在變化倍數(shù)為1.25時(并且該值被認(rèn)為是下限臨床截止值)觀測到這種效果范圍的80％。
對于該實施方案，當(dāng)患者的FC是0.8時(低于下限臨床截止值)，預(yù)測到正常的臨床應(yīng)答。如果患者的FC是2時(高于下限臨床截止值并低于上限臨床截止值)，預(yù)測到減少的臨床應(yīng)答。如果該FC是7時(高于臨床截止值)，則預(yù)測臨床應(yīng)答為最小值。
在一種實施方案中，當(dāng)應(yīng)用定義2并且將邏輯模型用于替諾福韋時，在1.2FC時測定了下限截止值和在3.81PC時測定了上限截止值。
下表描述了對于在給藥方案中采用2種活性藥物并且初始Log(VL)＝4的群體，本發(fā)明的用于替諾福韋的許多個實施方案。
在進(jìn)一步的實施方案中，對于具有初始病毒載量的對數(shù)值＝5的患者和除了d4T(雙脫氧胸苷)之外還攝取了兩種活性藥物的所有患者，將定義1應(yīng)用于線性回歸模型時，預(yù)測到對于d4T的任何變化倍數(shù)，病毒載量下降量超過Log(拷貝數(shù)/ml)＝0.6。對于具有初始病毒載量的對數(shù)值＝5并且除了d4T之外還攝取了無活性藥物的患者，在2.6和4.0的變化倍數(shù)時預(yù)測到病毒載量下降的對數(shù)值是-0.6和-0.2。
在另一個實施方案中，如果使用線性回歸建立病毒載量模型，使用適于lopinavir/r的定義2，對于整個群體所預(yù)測的下限截止值和上限截止值分別是8和69；而如果使用邏輯回歸建立失敗率模型，對于具有Log(初始VL/背景PSS)＝4/2、5/0和5/2的群體，下限截止值和上限截止值分別是11和64、10和60、以及9和58。
在另一個實施方案中，對于增強的沙喹那韋(saquinavir)對于邏輯模型，使用定義2所測定的下限截止值和上限截止值分別是1.7和13.2，并且對于具有Log(初始病毒載量)/背景給藥方案的表型敏感性得分＝4/2和5/0的群體，所測定的下限截止值和上限截止值分別是1.7和12.9。在相同的情況中，對于整個群體，通過線性回歸沙喹那韋/r的下限截止值和上限截止值分別是1.6和12.3。
下表顯示了使用初步的線性回歸分析和定義2模型化的許多實施方案
表中方括號之間的值是90％置信度限度，正如通過自引法(bootstrapping)所測定的。
在另一個實施方案中，在8周后，對于未增強的PIs，使用定義2模型化的下限臨床截止值是1.1到1.2，以及對于未增強的PIs，上限臨床截止值是2.0-3.4。增強的PIs的臨床截止值更高下限臨床截止值是-1.5-6.9，而上限臨床截止值是6.8-5.6。
在D4T的一個實施例中，線性回歸模型包括VL下降值＝2.91-0.63Log(初始VL)-1.66(FC-0.6)-0.99(cPSS)+0.15(cPSS2)-0.18(PSS[NRTI]+0.91(NRTI[首次])。
使用PROC LIFEREG，計算了線性回歸模型中的系數(shù)。
NRTI[首次]值代表患者是否首次接觸核苷RT抑制劑。如果是，則值＝1，如果不是，則值＝0。PSS[NRTI]代表NRTIs的表型敏感性得分，即在用于患者的背景給藥方案中活性NRTIs的數(shù)量。
在另一個實施例中，將線性回歸模型應(yīng)用于8周的病毒載量應(yīng)答，并將其作為初始表型抗性的函數(shù)而建立模型?；颊呖删哂谐跏疾《据d量的對數(shù)值＝4.0和背景給藥方案的2.0cPSS得分。
在本發(fā)明另外的優(yōu)選實施方案中，通過構(gòu)建分類樹來計算截止值的抗性值變化倍數(shù)，以便在用特殊藥物治療后，分類將具有不可檢測的病原體載量的患者概率值分類為成功或失敗。該方法構(gòu)造樹狀結(jié)構(gòu)規(guī)則以便(治療后病原體載量是不可檢測的)將患者分類為成功和失敗。例如對于病毒，將不可檢測的病原體載量定義為低于每毫升400病毒拷貝數(shù)的病毒載量。這樣的分類樹的優(yōu)點在于盡管受到其結(jié)果沒有考慮某些其它相關(guān)參數(shù)值的限制，它仍是非常直觀的并且易于解釋。因此這樣的參數(shù)的不均衡可影響某種參數(shù)所獲得的結(jié)果。然而，這樣的分類樹提供了對幾個參數(shù)重要性的了解，并且這在上述的線性回歸和邏輯回歸方法的擬合過程中是非常有用的。
分類樹提出了問題，其中對每個問題的回答導(dǎo)致在每個階段采取分類樹的左側(cè)或右側(cè)分支。例如，第一個問題優(yōu)選考慮所述病原體基因型對有關(guān)藥物的抗性的變化倍數(shù)，例如對藥物TDF(替諾福韋)的變化倍數(shù)是＜1.35嗎？如果是，則采用左側(cè)分枝，如果不是，則采用右側(cè)分支。如前述本發(fā)明方面的方法那樣，問詢的其它因素包括初始病原體載量的對數(shù)值和表型敏感性得分。在最后的分枝的末端處的數(shù)字代表應(yīng)答速率(1＝100％應(yīng)答)。在圖8a、圖8b和圖8c中提供了根據(jù)本發(fā)明的分類樹的實例。
在本發(fā)明的這個實施方案中，將臨床截止值定義為在成功的治療和失敗的治療之間進(jìn)行最好的區(qū)分的抗性的倍數(shù)變化閾值，即在將分類樹分叉成左側(cè)和右側(cè)分支的問詢中所提出的最適宜的值。這樣將群體分成兩個子群一個具有高成功率而另一個具有低成功率。選擇臨床截止值作為在兩個組之間產(chǎn)生盡可能大的差值的變化倍數(shù)。
優(yōu)選地，對于每個數(shù)據(jù)集和候選藥物，實施本發(fā)明的上述實施方案的兩種或所有三種方法。以這種方式對每種所述方法計算臨床截止值。從分析結(jié)果，考慮到單個方法的優(yōu)點和缺點，選擇下限截止值和上限截止值的最適宜值。只有當(dāng)所述方法的結(jié)果是一致的或者能夠解釋可能的不一致性時才進(jìn)行這種選擇。如果在所述結(jié)果之間有不能解釋的不一致性，則可以得出結(jié)論在確定臨床截止值之前需要收集更多的數(shù)據(jù)。
例如，如果不同方法的結(jié)果是一致的(優(yōu)選臨床截止值差值＜0.5)，那么認(rèn)為預(yù)測是一致的。如果結(jié)果的差值大于那個值，則需要解釋這種差值。例如，如果我們假定群體含有90％檢查值并且線性回歸產(chǎn)生0.9的臨床截止值，同時邏輯回歸產(chǎn)生3.5臨床截止值，那么在該實例中線性回歸結(jié)果是不太可靠的，因為不得不對檢查值進(jìn)行過多的校正，并且由“全程”觀測所提供的信息太少。
使用自舉法或者通過重復(fù)所述的步驟幾次，可確認(rèn)該模型。
或者，通過計算和諧指數(shù)(concordance index)(c指數(shù))，可證實模型(Harrell F.E.，LeeKL.和Mark D.B.-Multivariable prognosticmodelsissues in developing models，evaluating assumptions andadequacy，and measuring and reducing errors-Statist.Med.1996；15361-387)，其中描述了所有模型如何辯別具有不同應(yīng)答的患者。
根據(jù)用于模型發(fā)展的數(shù)據(jù)集和另外的測試數(shù)據(jù)集，可以計算該c指數(shù)。如果在兩種c指數(shù)之間的差值是很小，這意味著如果應(yīng)用于新的數(shù)據(jù)，該模型沒有失去它們的預(yù)測能力。
當(dāng)確認(rèn)模型時，可考慮的另外的因素是與使用生物學(xué)截止值所測定的機會比率相比，使用臨床截止值所測定的機會比率。這些比率代表被截止值標(biāo)記為抗性的成為組中的應(yīng)答者的機會被截止值標(biāo)記為敏感性的成為組中的應(yīng)答者的機會的比值。以這種方式，可以評價截止值如何在逐個藥物的基礎(chǔ)上執(zhí)行其任務(wù)。該機會比率越遠(yuǎn)離1，在抗性類別和臨床結(jié)果之間的相關(guān)性則越強。上述具體定義的機會比率產(chǎn)生了小于1的數(shù)，因為作為應(yīng)答者的機會應(yīng)當(dāng)在更高抗性類別中是較小的。使用另一種方式，當(dāng)抗性提高時應(yīng)答的概率將下降。另外，如果CCO的機會比率小于BCO的機會比率，可以得出結(jié)論CCO與臨床結(jié)果有更強的相關(guān)性，因此產(chǎn)生比BCO更好的預(yù)測。
也可能研究攝取了多一種活性藥物的患者與攝取了少一種活性藥物的患者的應(yīng)答速率的差異。這種不同類型的機會比率是攝取了更多活性藥物的人的應(yīng)答機會與攝取了更少活性藥物的人的應(yīng)答機會的比值。在這種情況下，機會比率應(yīng)大于1，因為應(yīng)答的概率將會隨著攝取的活性藥物數(shù)量的增加而增加。在這種情況下，更大的機會比率表明與臨床結(jié)果更強的相關(guān)性。在一個數(shù)據(jù)集中，使用本文中第33頁中所述的CCO，當(dāng)使用臨床截止值進(jìn)行計算時，對于每種額外加入的活性藥物，應(yīng)答機會比率是3.01，而當(dāng)使用生物學(xué)截止值進(jìn)行計算時，對于每種額外加入的活性藥物，應(yīng)答機會比率是2.32。
邏輯回歸模型可用于確定機會比率。除了用抗性類別替代模型中的變化倍數(shù)之外，使用的模型與上述邏輯回歸模型相同。從該模型獲得的抗性類別的系數(shù)是Log(機會比率)。使用該模型的優(yōu)點是可針對初始病毒載量和背景給藥方案的cPSS得分來調(diào)整機會比率的估計值。
下表中顯示了許多實施方案，該表給出了使用幾種藥物的定義2和線性回歸建模的并且使用C指數(shù)和CCO機會比率確認(rèn)了的帶有置信區(qū)間的下限截止值和上限截止值。
對于每種可能的藥物或已知的或懷疑的與疾病抗性有關(guān)的治療劑、或者可預(yù)期出現(xiàn)對其的抗性的藥物，可以重復(fù)本發(fā)明的方法。因此，根據(jù)本發(fā)明的另一個實施方案，所產(chǎn)生的臨床截止值可表示為針對用于每種病原體的單個藥物或單個治療劑的截止值列表。
如本文所用的，術(shù)語“藥物”包括但不限于，藥品、殺細(xì)菌劑、殺真菌劑、抗生素，或抗癌劑、抗病毒劑、抗細(xì)菌劑、抗真菌劑、抗寄生蟲劑或用于治療或治療性治療的任何其它化合物或組合物。
“患者”可以是患有疾病或者需要或期望治療疾病的任何生物體，特別是人或其它哺乳動物。患者包括任何哺乳動物，包括家畜或?qū)櫸铮约鞍ㄈ魏文挲g的或任何發(fā)育狀態(tài)的人。用于建立與抗性變化倍數(shù)分布有關(guān)的治療應(yīng)答的患者組可以是低至10到50個患者、50到500患者，或者，更優(yōu)選包括500或更多患者的群體?？剐宰兓稊?shù)分布可以是正態(tài)分布(高斯分布)或者可以是非正態(tài)分布?？蓪⒎钦龖B(tài)分布變換，以獲得正態(tài)分布。
患者樣本可來自對一種或多種藥物具有或沒有抗性的首次治療的或多次治療的患者。
如本文所用的，術(shù)語“疾病”是指由感染了病原體所引起的疾病。如本文所用的術(shù)語“病原體”，是廣泛使用的，并且不僅僅涉及致病微生物，還包括引起疾病的任何刺激物。其實例包括細(xì)菌、病毒(例如人類免疫缺陷病毒(H1V)、丙型肝炎(HCV)或乙型肝炎(HBV))、朊病毒、藻類、真菌、原生動物以及惡性細(xì)胞。本發(fā)明特別可用于病毒性疾病例如HIV。
本文中將“患者樣本”定義為從患有或預(yù)測患有由病原體所引起疾病的個體中獲得的任何樣本，包括組織(例如血液、血清血漿)、尿液、唾液、精液、母乳、糞便、粘液樣本、細(xì)胞培養(yǎng)物中的細(xì)胞、可以被進(jìn)一步培養(yǎng)的細(xì)胞、活組織檢查樣本等。在一個實施方案中，對于感染了HIV的患者，可使用含有病毒的任何生物樣本。在這種患者樣本中，可使用病原體本身，或者使用源自病原體的蛋白質(zhì)或核酸。優(yōu)選地，病原體是病毒，例如逆轉(zhuǎn)錄病毒。優(yōu)選生物樣本含有選自HIV、HCV(丙型肝炎病毒)以及HBV(乙型肝炎病毒)的病毒。在另一個實施方案中，對于癌癥患者，患者樣本可含有細(xì)胞、組織細(xì)胞、突變的細(xì)胞、惡性細(xì)胞、癌細(xì)胞、完整的或部分的腫瘤、活組織檢查組織，等。優(yōu)選地，病原體是惡性細(xì)胞?！皡⒄諛颖尽北欢x為標(biāo)準(zhǔn)實驗室的參照病原體，例如在HIV的情形下，HIV LAI IIIB病毒株。一種通常被用作HIV參照“野生型”序列的菌株是HXB2。該病毒基因組包含9718bp，其Genbank登錄號是NCBI M38432或K03455(Ginumber327742)。從公開可用的數(shù)據(jù)庫可容易地獲得本發(fā)明中用于特定的疾病、由特定的病原體所引起的感染或疾病領(lǐng)域的參照序列或野生型序列。
對藥物的“易感性”或“敏感性”是指疾病、和/或病原體受藥物影響的能力?！翱剐浴笔侵讣膊『?或病原體不受藥物影響的程度。通過IC50值可表達(dá)疾病對藥物的敏感性、易感性或抗性。IC50值是與在不存在藥物時病原體的生長相比，給定的藥物引起病原體生長下降的濃度。疾病對藥物的抗性可由表型或基因型的改變所引起?；蛐偷母淖儼ㄍ蛔?、單核苷酸多態(tài)性、微衛(wèi)星變異、和/或后成變異例如甲基化?；蛐透淖兓蚍g后修飾可影響表型突變。
能測量在存在藥物(藥品)時病原體的生長能力的變化的任何方法，可用于本發(fā)明的方法。所述的表型分析方法包括本領(lǐng)域技術(shù)人員所知的所有方法。也可應(yīng)用已知的基因型分析方法。
例如，通過舉例說明，適用于本發(fā)明的細(xì)菌表型分析方法包括，但不限于抑制性的區(qū)域直徑測量法(參見，如，Guoming等，SexTransm.Dis.27(2)115-8(2000))、比色指示劑法(參見，如，Lozano-Chiu等，Diagn Microbiol Infect Dis.1998 Jul；31(3)417-24)，以及液體培養(yǎng)基大稀釋法(參見，如，Iwen等，J.Clin.Microbiol.34(7)1779-83(1996))。
作為另外的舉例說明的實例，適用于本發(fā)明的病原體表型分析方法包括但不限于，噬菌斑還原測定法、PBMC p24生長抑制測定法(參見，如，Japour等，Antimicrob Agents Chemother.1993 May；37(5)1095-101；Kusumi等，J.ViroL 66875-885(1992))、重組病毒測定法(參見，如，Kellam & Larder，Antimicrob.Agents Chemother.3823-30(1994))，以及Pauwels等，2nd International Workshop on HIV DrugResistance and Treatment Strategies，Lake Maggiore，意大利，Abstr.51(1998))、使用作為標(biāo)記物的GFP來評價抗病毒抑制劑的易感性(Marschall等，Institute of Clin.and Mol.Virol.，Universityof Erlanger Nuremberg，Schlobgarten，德國)；以及細(xì)胞培養(yǎng)物測定法(Hayden等，N.Eng.J.Med.3211696-702(1989))。
盡管本發(fā)明可與測定抗性的任何表型或基因型測量測試或分析一起使用，但是下列說明書計劃用于描述本發(fā)明另外可能的用途。
在一個實施方案中，臨床截止值可聯(lián)合直接表型分析，例如AntivirogramTM(Virco，Inc.；WO97/27480，US6,221,578)一起被使用。該分析是在受控的實驗室條件中，測量源自單個患者的HIV對各種現(xiàn)用的抗HIV藥物的抗性水平的表型抗性分析。病毒的抗性“性狀”可以是許多不同突變的效果，以及它們之間的復(fù)雜的相互作用，包括甚至仍未得到鑒定的遺傳變化的綜合結(jié)果。換句話說，它是一種直接的抗性量度。
測試提供了病毒對所有可用藥物的抗性的定量測量值。這可用術(shù)語IC50表示。然后將其與完全敏感的非突變″野生型″病毒的IC50相比。然后將抽樣的病毒對每種藥物的抗性用“與野生型相比，IC50中的變化倍數(shù)”表示。
如本申請中所述的，將“臨床截止值”加入到報告中能使醫(yī)生鑒定不再有臨床活性的的藥物(藥品)，并幫助醫(yī)生為單個患者選擇最適的藥物組合。在一個實施方案中，本發(fā)明的方法涉及用于測定患者對至少一種HIV藥物的抗性(包括對本文中所測定的至少一種藥物的抗性值的臨床截止值的倍數(shù)變化)的診斷工具。該診斷工具包括表型抗性測試，例如Antivirogram、Virtua Phenotyping和Phenosense。
本發(fā)明包括測定對HIV化合物(例如替諾福韋、lopinavir)和在WO99/67417、EP-A-945443以及WO00/27825中公開的那些化合物的抗性的方法。其它藥物的實例對于本領(lǐng)域技術(shù)人員是眾所周知的。
在一個實施方案中，使用例如Isom等人公開的技術(shù)(WO99/37821，Delaney等，Antimicrob.Agents Chemotherap.2001，45(6)1705-1713)，來監(jiān)測藥物對HBV的影響。
在一個實施方案中，使用例如根據(jù)Rice(WO97108310，WO98/39031)和Barthenschlager(EP1043399)所述的技術(shù)，可測定藥物對HCV的影響。
本發(fā)明的主要目的在于預(yù)測疾病對特定藥物的抗性。此外，然而，本發(fā)明包括評價目前使用的藥物的方法并因而監(jiān)測藥物，著眼于評價藥物的有效性的方法、和設(shè)計另一種藥物(藥品)的方法、或如果認(rèn)為合適就優(yōu)化藥物的方法。所述的方法包括從患者獲得含有導(dǎo)致疾病的病原體的樣本，然后實施在本發(fā)明上述的任何一個或多個實施方案中描述的步驟。
顯而易見的是，技術(shù)人員理解當(dāng)本發(fā)明已經(jīng)在下列涉及病毒(特別是HIV)的實例中得到描述時，本發(fā)明對任何疾病情況(其中期望它使表型特征和基因型信息聯(lián)系起來)具有廣闊的適用性，并評價抗性變化倍數(shù)在臨床上是顯著的閾值。本領(lǐng)域技術(shù)人員可通過HIV病毒容易地進(jìn)行本發(fā)明的下列討論、并經(jīng)過常規(guī)技術(shù)練習(xí)將本發(fā)明應(yīng)用于其它疾病(例如其它的病毒感染、惡性細(xì)胞、癌癥、細(xì)菌感染、其它的病原體，等)、和使基因型信息與預(yù)測的表型應(yīng)答相關(guān)、評價抗藥性、以及最終研制用于特定患者的藥物治療方法。本領(lǐng)域技術(shù)人員也知曉許多病毒種類包括許多菌株，例如，HIV除了包括HIV-1外還包括HIV-2，并且兩個組可以被進(jìn)一步分組(例如對于HIV-1來說為組O和組M)。
上述方法是診斷方法。本發(fā)明的另外方面提供用于實施本發(fā)明上述任何一種診斷方法的診斷試劑盒。本發(fā)明還涉及根據(jù)本文所述的用于任何上述方法的診斷系統(tǒng)。
根據(jù)另一個實施方案，本發(fā)明涉及用于預(yù)測致病性病原體對藥物的臨床應(yīng)答的診斷系統(tǒng)，包括a)用于獲得致病性病原體的遺傳序列的裝置；b)用于獲得致病性病原體的遺傳序列中鑒定至少一種突變的裝置；c)包含基因型入口的基因型數(shù)據(jù)庫裝置；d)包含患者的應(yīng)答值的變化倍數(shù)的表型的表型數(shù)據(jù)庫裝置；e)包含作為患者樣本參照的藥物治療的臨床應(yīng)答的臨床應(yīng)答數(shù)據(jù)庫裝置；f)將基因型入口與表型關(guān)聯(lián)起來的相關(guān)裝置，其中基因型入口與所獲得的致病性病原體的遺傳序列相對應(yīng)；g)用于通過測定患者的應(yīng)答變化倍數(shù)是否高于截止值而建立致病性病原體對藥物的臨床應(yīng)答的模型的裝置，其中使用臨床應(yīng)答數(shù)據(jù)庫裝置來測定截止值，并且該截止值包括應(yīng)答值的變化倍數(shù)，在該值下觀測到臨床上相應(yīng)減少臨床應(yīng)答；以及h)用于通過測定患者應(yīng)答的變化倍數(shù)是否高于截止值而預(yù)測疾病對藥物的臨床應(yīng)答的裝置。
如上所述，將所述的截止值作為所治療的患者中治療應(yīng)答數(shù)據(jù)的函數(shù)，考慮初始病原體載量、初始抗性的倍數(shù)變化、靶向病原體的共同給藥的藥物的初始活性以及治療史，來測定所述的截止值。用于預(yù)測抗性的裝置優(yōu)選是計算機裝置。
本發(fā)明的另外方面還涉及適于實施本發(fā)明上述的任何一種方法的計算機或基于計算機的系統(tǒng)。
在本發(fā)明的一個優(yōu)選實施方案中，所述的計算機可包括引入了適于儲存數(shù)據(jù)的存儲裝置的處理裝置；用于輸入與由特定的致病性病原體所顯示的基因型有關(guān)的數(shù)據(jù)的裝置；以及保存在所述計算機存儲器中的計算機軟件裝置，該計算機軟件裝置適于實施根據(jù)本發(fā)明的上述任何一種實施方案的方法以及適于輸出致病性病原體對藥物的抗性的預(yù)測。
本發(fā)明該方面的計算機系統(tǒng)包括中央處理器；用于輸入要求的輸入裝置；輸出裝置；存儲器；以及至少一條連接所述的中央處理器、存儲器、輸入裝置和輸出裝置的總線。該存儲器應(yīng)是儲存了一個模塊，該模塊被構(gòu)造成使得在一收到要建立致病性病原體對藥物應(yīng)答的模型的要求時，它就實施在本發(fā)明上述任何一種方法中所列出的步驟。在本發(fā)明的這些實施方案的裝置和系統(tǒng)中，通過從局域位置例如存儲器或磁盤驅(qū)動器，或者通過網(wǎng)絡(luò)例如因特網(wǎng)從遠(yuǎn)端登錄位置下載數(shù)據(jù)來輸入數(shù)據(jù)。如果需要，可以通過鍵盤輸入數(shù)據(jù)。
產(chǎn)生的結(jié)果可以以任何便利的形式進(jìn)行輸出，例如，輸出到打印機、文字處理程序、圖形觀察程序或屏幕顯示裝置。其它便利的形式對于技術(shù)人員而言是顯而易見的。
適于預(yù)測致病性病原體對藥物的抗性的裝置優(yōu)選地包括計算機軟件裝置。由于有技術(shù)的讀者會理解，一旦理解了本發(fā)明的新穎的有創(chuàng)造性的教導(dǎo)，可設(shè)計許多不同的計算機軟件裝置來實施該教導(dǎo)。
根據(jù)本發(fā)明的另外方面，提供了與計算機聯(lián)合使用的計算機程序產(chǎn)品，所述的計算機程序包括計算機可讀的存儲介質(zhì)以及其內(nèi)含的計算機程序機構(gòu)，該計算機程序機構(gòu)包括模塊，其中對模塊進(jìn)行配置以使模塊剛一收到要預(yù)測疾病對藥物的抗性的要求，它就實施在本發(fā)明的上述任何一種方法中所列出的步驟。
本發(fā)明還涉及用于產(chǎn)生、提供以及傳輸上述方法的結(jié)果的系統(tǒng)、計算機程序產(chǎn)品、商業(yè)方法、服務(wù)器端系統(tǒng)和客戶端系統(tǒng)以及方法。
現(xiàn)在通過參考實施本發(fā)明方法的特定系統(tǒng)的實例，來描述本發(fā)明。正如技術(shù)人員所理解的，這些具體舉例說明的實施方案的變型當(dāng)然是可能的，而不會背離本發(fā)明的范圍。
附圖簡述

圖1a本發(fā)明中使用的臨床數(shù)據(jù)庫結(jié)構(gòu)的實例。
圖1bd4T的分析數(shù)據(jù)集的實例。
圖2a顯示檢查的和未經(jīng)檢查的觀測值的線性回歸曲線的實例，其中將病毒載量下降的對數(shù)值作為初始抗性的變化倍數(shù)的函數(shù)來建立模型。
圖2b作為對于核苷(核苷酸)RT抑制劑的初始表型抗性的函數(shù)的8周病毒載量應(yīng)答的線性回歸曲線的實例。
圖2c作為對于增強的和未增強的蛋白酶抑制劑的初始表型抗性的函數(shù)的8周病毒載量應(yīng)答的線性回歸曲線的實例。
圖2d病毒載量的變化與對于neviripine(NVP)的NNRTI的初始倍數(shù)變化的對比的實例。
圖2e病毒載量的變化與對于依法韋侖(EFV)的初始倍數(shù)變化的對比的實例。
圖2f應(yīng)答％作為核苷(核苷酸)抑制劑的初始抗性的函數(shù)所作的藥效曲線圖。
圖2g應(yīng)答％作為增強的和未增強的蛋白酶抑制劑的初始抗性的函數(shù)所作的藥效曲線圖。
圖3aTNF的線性回歸曲線的實例，其中將病毒載量下降的對數(shù)值作為初始抗性的變化倍數(shù)的函數(shù)來建立模型，并且使用臨床截止值的第一個定義。
圖3bd4T的線性回歸曲線的實例，其中將病毒載量的下降作為變化倍數(shù)的函數(shù)來建立模型，并且使用臨床截止值的第二個定義。
圖4aTDF的線性回歸曲線的實例，其中將病毒載量下降的對數(shù)值作為初始抗性的變化倍數(shù)的函數(shù)來建立模型，并且使用臨床截止值的第二定義。
圖4b如果使用線性回歸建立病毒載量的模型，使用洛匹那韋/r的定義2所測定的下限截止值和上限截止值的實例。
圖4c如果使用線性回歸建立病毒載量的模型，則使用AZT的定義2所測定的下限截止值和上限截止值的實例。曲線顯示病毒載量的變化與變化倍數(shù)。
圖4d如果使用線性回歸建立病毒載量的模型，則使用AZT的定義2所測定的下限截止值和上限截止值的實例。曲線顯示參照應(yīng)答的損失％與變化倍數(shù)。
圖5aTNF的邏輯回歸曲線的實例，其中將失敗的概率作為初始抗性的變化倍數(shù)的函數(shù)來建立模型，并且使用臨床截止值的第二個定義。
圖5b如果使用邏輯回歸建立失敗率的模型，則使用洛匹那韋/r的定義2所測定的下限截止值和上限截止值的實例。
圖6TNF的線性回歸曲線的實例，其中將病毒載量下降的對數(shù)值作為初始抗性的變化倍數(shù)的函數(shù)來建立模型，并且使用臨床截止值的第三個定義。
圖7TNF的邏輯回歸曲線的實例，其中將失敗的概率作為初始抗性的變化倍數(shù)的函數(shù)來建立模型，并且使用臨床截止值的第三個定義。
圖8aTNF的分類樹實例。其產(chǎn)生的結(jié)果具有與線性和邏輯回歸方法相同的級序。
圖8b3TC的分類樹實例。
圖8c假定將失敗的給藥方案分類為成功的給藥方案的成本是將成功的給藥方案分類為失敗的給藥方案的成本的1.5倍時，TDF的分類樹實例。
圖9通過具有90％置信區(qū)間的自舉法，核苷(核苷酸)和增強的及未增強的蛋白酶抑制劑的初步的YirtualPhenotypeTM臨床截止值的最初證實的實例。
實施例測定臨床截止值的方法描述步驟1臨床數(shù)據(jù)庫和分析數(shù)據(jù)集根據(jù)允許薈萃分析(meta-analysis)的普通結(jié)構(gòu)，將采用含有替諾福韋的給藥方案的患者的研究的數(shù)據(jù)庫并且由患者的初始人口特征、具有病毒載量的臨床輸出結(jié)果和抗性數(shù)據(jù)(倍數(shù)變化)組成的數(shù)據(jù)庫，調(diào)出并且重新作圖。所述結(jié)構(gòu)由以下組成初始序列、病毒載量數(shù)據(jù)集、病毒載量測量值和取樣日期(例如在開始新的給藥方案3個月內(nèi)的病毒載量，在開始新的給藥方案8周和/或24周后的病毒載量評價值)、含有CD4+計數(shù)和取樣日期的CD4+數(shù)據(jù)集、含有根據(jù)不同抗病毒劑和取樣日期而變化的抗性數(shù)據(jù)集；具有患者信息(例如年齡、性別、種族、治療史)的患者數(shù)據(jù)集；具有藥物的給藥方案、起始和終止日期、劑量、配方、攝取頻率、抗性試驗后的給藥方案變化的治療數(shù)據(jù)集。在圖1a中顯示了所述臨床數(shù)據(jù)庫的結(jié)構(gòu)。下表顯示了單個藥物的分析數(shù)據(jù)集(8周輸出)特征的實例。
圖1b顯示了d4T的分析數(shù)據(jù)集的實例。病毒載量應(yīng)答數(shù)據(jù)包括檢查值(＜400拷貝/ml)。通過在SAS(proc lifereg)中進(jìn)行最大似然率估計，來估計置于未檢的分布函數(shù)下的參數(shù)。將病毒載量應(yīng)答數(shù)據(jù)針對初始病毒載量和cPSS進(jìn)行校正。
步驟2建立模型將臨床輸出結(jié)果作為通過虛擬表型(參見WO01/79540和WO02/33402；也可參見http://www.vircolab.com)，確定的初始變化倍數(shù)的函數(shù)來建立模型。所應(yīng)用的模型是線性回歸、邏輯回歸和分類樹。這些模型也考慮了伴隨的HIV藥物(PSS)的、初始病原體載量(初始Log(Vl)i)以及任選的治療史的影響，以避免由重要特征的不均衡而引入的任何偏差。從該模型，能夠在病原體的初始抗性變化倍數(shù)的不同水平上進(jìn)行臨床結(jié)果的預(yù)測。
在線性回歸模型中，所提出的方程式是下列LogVL下降值i＝β0+β1*初始Log(Vl)i+β2*PSSi+β3*(1/FC)i+ξi其中i代表患者，β0代表截距，β1、β2和β3系數(shù)表示分別在背景給藥方案中初始Log(VL)、靈敏性藥物數(shù)量和初始變化倍數(shù)的倒數(shù)的每單位增量的病毒載量下降的對數(shù)值的增量。ξi是隨機誤差項，表示患者與由模型預(yù)測的值的偏差。評價所有因子之間的相互作用，如果相關(guān)，則引入其它初始特征，即治療史。在應(yīng)用回歸模型之后，得到如圖2a中所描繪的曲線。
在圖2b和圖2c中顯示了表示作為初始表型抗性的函數(shù)的8周病毒載量應(yīng)答的線性回歸模型的曲線實例。所示的曲線用于那些其初始病毒載量的對數(shù)值＝4.0并且背景給藥方案的cPSS得分為2.0的患者。圖2b顯示了核苷(核苷酸)RT抑制劑(在FC＝5時，從上到下的各條曲線代表d4T、TDF、ddI、EC、ABC、3TC以及AZT)的模型。圖2c顯示了增強的和未增強的蛋白酶抑制劑(在FC＝10時，從上到下的各條曲線代表左上圖-NVP和LPV/r；右上圖-IDV和IDV/r；右下圖-SQV/r和SQV；左下圖-APV/r和APV)的模型。
關(guān)于非核苷(核苷酸)RT抑制劑的建立臨床輸出模型的基本論點是在經(jīng)歷NNRTI的患者中，初始變化倍數(shù)對當(dāng)前NNRTIs的治療應(yīng)答幾乎沒有影響。對于neviripine的NNRTI，觀測到了倍數(shù)變化值的極化(參見圖2d)。此外，對于依法韋侖，觀測到了倍數(shù)變化值的極端廣度的分散(參見圖2e)。
在線性回歸模型的一個優(yōu)選實施方案中，引入了更多因素以得到對病毒載量應(yīng)答的更精密的預(yù)測。這些因素除了包括背景治療(cPSS)的總靈敏度得分之外包括例如還每個藥物類別的敏感性得分、以前接觸藥物(首次(是/否)，首次接觸PIs、首次接觸NRTI′s，等…)。此外在優(yōu)選的實施方案中，在將數(shù)值插入模型之前，可變換變化倍數(shù)。對變化倍數(shù)的變換包括從范圍FC-3到FC1的冪變換。此外，優(yōu)選在cPSS中引入二次項。
因此，以上所給的方程式的更廣義的形式可以被表示為Log(PL下降i)＝β0+β1Log(初始PLi)+β2(cPSSi)+β3(cPSSi)2+β4(FCi)p+β5(H5)+…+βn(Hn)+εi其中p是冪變換(例如范圍從-3到1)，并且H5到Hn是治療史參量(例如首次抗逆轉(zhuǎn)錄病毒治療、首次NRTI治療，等…)或描述作為某種治療種類的函數(shù)的背景治療(例如與研究中的藥物同時攝取的活性NRTI′s的數(shù)量)的參量。
在圖2f和圖2g中顯示了顯示使用該模型所計算的線性回歸模型的曲線實例。這里，數(shù)據(jù)展示的不同在于畫出了應(yīng)答％，正如對于優(yōu)選的CCO定義所定義的，而沒有畫出病毒載量的下降。
在所述的邏輯回歸中，提出的方程式是下列成功的概率＝[exp(β0+β1Log(初始VLi)+β2(PSSi)+β3(1/FCi))]/[1+exp(β0+β1Log(初始VLi)+β2(PSSi)+β3(1/FCi))]其中β1、β2和β3代表模型中對應(yīng)因子的成功的機會比率的Log。在應(yīng)用邏輯回歸模型之后，得到如圖5a和圖7中所述的曲線。在分類樹模型中，構(gòu)造樹結(jié)構(gòu)的規(guī)則以便將患者分類為成功(治療后病原體載量是不可檢測的)和失敗。至于其它的技術(shù)，則考慮相同的參數(shù)。在使用分類樹模型之后，得到圖8中所示的分類樹。
當(dāng)?shù)玫教幱跈z測極限之下的病毒載量結(jié)果時，當(dāng)計算病毒載量的下降值并使用線性回歸模型中的值時，如果考慮檢測極限值，則可以引入偏差。為了避免這一點，需要考慮核查并因此在SAS程序包中使用PROC LIFEREG裝置。
該回歸模型一個優(yōu)點是它考慮了存在于數(shù)據(jù)中的最大量的信息，即它使特異的臨床應(yīng)答與特異的變化倍數(shù)相關(guān)聯(lián)，而，另外的兩種模型將患者聚集成兩組(有效組對無效組)，因此不考慮相同組內(nèi)部在應(yīng)答方面的差異。在所述模型中(如背景給藥方案)計對協(xié)變量來校正評估值，因此它們不會遭受協(xié)變量不均衡所帶來的痛苦。結(jié)論局限于帶有協(xié)變量的患者(表示在臨床數(shù)據(jù)庫中)。
邏輯回歸不會受核查問題困擾，并且成功的概率是一種解釋臨床結(jié)果的直觀方式。然而，通過將病毒載量二分為成功和失敗，則失去了可連續(xù)變化的病毒載量信息的部分。就線性回歸而言，也針對協(xié)變量校正了評估值。
分類樹是非常直觀的并且易于解釋，但是它們的缺點是其決定不考慮其它相關(guān)參數(shù)的值。這意味著其它參數(shù)的不均衡可能影響考慮了某種參數(shù)所作出的決定。然而，它們提供了對幾個參數(shù)重要性的洞察，并且這可有助于其它方法的擬合過程。圖8a、圖8b以及圖8c顯示了分類樹的實例。圖8b顯示了3TC的分類樹，同時圖8c顯示TDF的分類樹，假定將失敗的給藥方案分類為成功的給藥方案的成本是將成功的給藥方案分類為失敗的給藥方案的成本的1.5倍。
步驟3測定臨床截止值。
在前面的步驟2中，在所開發(fā)的模型中預(yù)測了臨床應(yīng)答。方法是要對每種藥物鑒定兩個截止值代表應(yīng)答開始受損時的變化倍數(shù)的″下限″截止值，和代表所述應(yīng)答基本上消失時的變化倍數(shù)的″上限″截止值。為了確定能夠觀測到臨床上相關(guān)的減少的臨床應(yīng)答時的變化倍數(shù)，考慮了三種臨床截止值的定義定義1敏感的預(yù)測的病毒載量下降超過0.6對數(shù)值。
中等抗性的預(yù)測的病毒載量下降在0.2和0.6對數(shù)值之間。
抗性的預(yù)測的病毒載量下降低于0.2對數(shù)值。
將上限截止值和下限截止值分別定義為具有≥0.6和≤0.2的預(yù)期的病毒載量下降的對數(shù)值的變化倍數(shù)。
該臨床截止值的定義說明整個組合給藥方案的效力，并且該定義高度依賴于所分析的特定患者給藥方案的特征。
定義2將最大效果定義為在變化倍數(shù)＝1時的治療效果，并將最小效果定義為在很高變化倍數(shù)時(即當(dāng)曲線達(dá)到平臺時)的治療效果。那么效果范圍是介于最大效果和最小效果之間的差值。
敏感的性預(yù)測的治療效果超過所述效果范圍的80％。
中等抗性的預(yù)測的治療效果在所述效果范圍的20％和80％之間。
抗性的預(yù)測的治療效果低于所述效果范圍的20％。
可將下限截止值和上限截止值分別定義為在所述的給藥方案中與預(yù)期的藥物參照活性的20％和80％的降低量相關(guān)聯(lián)的變化倍數(shù)。
使用定義2而得到的截止值不說明整個治療的給藥方案的效力，而是給出了一個在給藥方案中藥物活性的評估值。病毒載量下降的絕對值依賴于特異性的協(xié)變量。
定義3定義3是定義2的變型。將下限截止值定義為最佳地區(qū)分治療成功的患者和治療失敗的患者的變化倍數(shù)。
使用定義3，通過分類樹所測定的斷點僅僅適于患者亞組，除非在第一目錄結(jié)點處選擇變化倍數(shù)。分類樹便于解釋，但截止值沒有指示預(yù)計的整個給藥方案或給藥方案中的藥物的病毒載量下降的大小。通過線性回歸模型和邏輯回歸模型測定的斷點接近如定義2所定義的下限截止值(除了增強的蛋白酶抑制劑之外)。
對于除了攝取替諾福韋之外還攝取了兩種活性藥物并具有初始Log(Vl)＝4的群體，將該方法應(yīng)用于替諾福韋。
當(dāng)我們將定義1應(yīng)用于線性回歸模型時，在變化倍數(shù)＝3.73時，在觀測到的病毒載量的對數(shù)值下降值是-0.6(圖3a)。不能得到更高的截止值，因為即使對于替諾福韋的高初始變化倍數(shù)，該群體也經(jīng)歷了大于0.2的Log(VL)下降值。通過該群體中活性的背景給藥方案的作用，能夠解釋這一點。
當(dāng)我們將定義2應(yīng)用于線性回歸模型(圖4a)時，在變化倍數(shù)＝1時，觀察到的病毒載量的對數(shù)值的下降量是-1.48；在漸近的變化倍數(shù)時則是-0.28。因此，效果范圍是-0.28+1.48＝1.2。
在變化倍數(shù)為5時(并且該值被認(rèn)為是上限臨床截止值)觀測到所述效果范圍的20％。
在變化倍數(shù)1.25時(并且該值被認(rèn)為是下限臨床截止值)觀測到所述效果范圍的80％。
根據(jù)該回歸模型來預(yù)測抗性，我們確定患者的抗性變化倍數(shù)是否高于、低于根據(jù)定義2所計算的臨床截止值，還是在其之間。因此，當(dāng)患者的FC等于0.8時(低于下限臨床截止值)，預(yù)計正常的臨床應(yīng)答。如果患者的FC等于2時(高于下限臨床截止值并低于上限臨床截止值)，預(yù)計減少的臨床應(yīng)答。如果患者的FC等于7時(高于臨床截止值)，那么預(yù)計臨床應(yīng)答為最低值。
也可將定義2應(yīng)用于邏輯模型(圖5a)，并在1.2FC時產(chǎn)生下限截止值，在3.81FC時產(chǎn)生上限截止值。在圖6和圖7中描述了定義3的結(jié)果。
在下表中概括了對于在給藥方案中采用2種活性藥物并且初始Log(VL)＝4的群體的替諾福韋結(jié)果。
從該表中可推導(dǎo)的是對于除了攝取替諾福韋之外還攝取了2種活性藥物并具有初始Log(VL)＝4的患者群體，對于該定義，下限截止值是1.2，上限截止值范圍是從3.81到5。通過不同定義所測定的截止值的偏差，是由于協(xié)變量例如PSS和Log(VL)的不同影響所致。也就是說，當(dāng)使用定義1時，協(xié)變量的影響是顯著的；當(dāng)使用定義2時，協(xié)變量的影響是不太顯著的。
定義1僅僅能夠應(yīng)用于線性回歸模型。使用定義1所測定的臨床截止值高度依賴于亞群體的特性。這歸因于“定義1描述了整個藥物給藥方案的效力，而定義2僅僅與所考慮的藥物的活性及其抗性分布相關(guān)”這樣的事實。換句話說，背景給藥方案的活性與研究中的藥物一起確定患者將體驗的病毒載量下降，因此這依賴于背景給藥方案的截止值。
線性回歸模型和邏輯回歸模型都產(chǎn)生相似的定義2的結(jié)果。
對于具有初始病毒載量對數(shù)值＝5的患者和除了攝取d4T(雙脫氧胸苷)之外還攝取了兩種活性藥物的所有患者，當(dāng)我們將定義1應(yīng)用于線性回歸模型時，預(yù)測到對于d4T的任何變化倍數(shù)的超過0.6Log(拷貝/ml)的病毒載量下降量(圖3b)。對于具有初始病毒載量對數(shù)值＝5并且除了攝取d4T之外還攝取了無活性藥物的患者，在2.6和4.0的變化倍數(shù)時，預(yù)測病毒載量下降量是對數(shù)值＝0.6和對數(shù)值＝-0.2(參見圖3b)。
如圖4b中所示，如果使用線性回歸來建立病毒載量模型，對于整個群體對于洛匹那韋/r使用定義2，所測定的下限截止值和上限截止值分別是8和69；而如果使用邏輯回歸建立失敗率模型，對于具有Log(初始VL/背景PSS)＝4/2、5/0和5/2的群體，下限截止值和上限截止值分別是11和64、10和60、以及9和58(參見圖5b)。在這實例中，PSS不具有統(tǒng)計學(xué)上的顯著性。
對于增強的沙奎那韋對于邏輯模型，使用定義2所測定的下限截止值和上限截止值是1.7和13.2，并且對于分別具有Log(初始病毒載量)/背景給藥方案的表型敏感性得分＝4/2和5/0的群體，所測定的下限截止值和上限截止值分別是1.7和12.9。對于整個群體，根據(jù)沙奎那韋/r對于線性回歸所測定的下限截止值和上限截止值分別是1.6和12.3。
在圖4c和圖4d中顯示了如果使用線性回歸建立病毒載量的模型，使用AZT的定義2所測定的下限截止值和上限截止值。圖4c顯示了病毒載量的變化與變化倍數(shù)，而圖4d顯示了參照應(yīng)答的損失％與變化倍數(shù)。
具有＞13000個患者的記錄的進(jìn)一步的試驗，得到了大約3150種具有所需要的初始變量和輸出變量的給藥方案，其范圍從包含增強SQV軟凝膠的60種給藥方案到包含3TC的1546種給藥方案。中值初始病毒載量的對數(shù)值范圍是從3.8(采用替諾福韋的給藥方案)到4.7(采用增強的印地那韋的給藥方案)。背景給藥方案的中值PSS是2(范圍為0-7)。下表顯示了核苷(核苷酸)和來自初步的線性回歸分析的增強的和未增強蛋白酶抑制劑的初步的VirtualPhenotypeTM臨床截止值的結(jié)果。在方括號中，以95％的置信區(qū)間顯示了與在8周時病毒學(xué)應(yīng)答減少20％和與最大應(yīng)答相比病毒學(xué)應(yīng)答減少80％相關(guān)聯(lián)的變化倍數(shù)值。
在邏輯回歸模型中測定了相似的值。雖然單個患者的病毒學(xué)應(yīng)答的大小受協(xié)變量例如病毒載量和PSS的影響，但是與所述效果范圍的分?jǐn)?shù)相關(guān)聯(lián)的FC值不受影響。
另外的測試結(jié)果顯示對于野生型臨床分離物，在8周后應(yīng)答減少了20％的臨床截止值較低(對于未增強的PIs，是1.1到1.2)，但高于Virco類型預(yù)測的交化倍數(shù)(對于NRTIs是0.73(ABC)到1.07(AZT)，對于PIs是0.63(APV)到0.87(NFV))。對于未增強的PIs應(yīng)答減少80％的臨床截止值是3.4(APV、IDV)。對于增強的PIs，臨床截止值較高減少20％的是1.5(APV/r)，減少80％的是6.8(APV/r)。在所分析的治療給藥方案中，通過這些臨床截止值所限定的敏感性類別顯示了對于包括所述藥物的給藥方案的病毒學(xué)應(yīng)答的不同比例對于低于下限臨床截止值的變化倍數(shù)，為70到92％，對于處于上限臨床截止值和下限截止值之間的變化倍數(shù)，為39到68％，以及對于超過上限臨床截止值的變化倍數(shù)，為18到50％。
在另一個實例中，使用下列線性回歸，當(dāng)Log(初始VL)＝4、下限參照變化倍數(shù)＝0.9和上限參照變化倍數(shù)＝3、cpss＝2、PSS[NR1T]＝1以及NRTI[首次]＝0時，采用臨床截止值定義2，對于d4T，采用下列線性回歸模型VL下降值＝2.91-0.63Log(初始VL)-1.66(FC-0.6)-0.99(cPSS)+0.15(cPSS2)-0.18(PSS[NRTI]+0.91(NRTI[首次])。
NRTI[首次]值代表患者是否首次接觸核苷RT抑制劑。如果是，則值＝1，如果不是，則值＝0。PSS[NRTI}代表NRTIs的表型敏感性得分，即在患者的背景給藥方案中活性NRTIs的數(shù)量。
階段1在下限參照FC(藥物是完全活性的)時計算VL下降值，在上限參照FC(藥物的活性最低)時計算VL下降值。這導(dǎo)致下限VL下降值＝-2.94，上限VL下降值＝-2.03。
階段2當(dāng)藥物已失去其20％活性時，計算VL下降值，并且當(dāng)藥物已失去其80％活性時，計算VL下降值。對于失去20％的活性，所得到的VL下降值＝-2.76，對于失去80％的活性，則VLF下降值是-2.21。
階段3通過將VL下降值插入上述方程式中并計算FC，來測定相當(dāng)與在失去20％和80％活性時的VL下降值相當(dāng)?shù)淖兓稊?shù)。所得到的FC值＝1.08和2.18。因此，分別將d4T的下限臨床截止值和上限截止值模型化為1.1和2.2。
步驟4截止值的確認(rèn)使用自舉法并且通過重復(fù)上述的步驟幾次，可確認(rèn)該模型。自舉法是一種重新取樣技術(shù)，其中通過從原始群體隨機地抽取樣本來產(chǎn)生與原始群體大小相同的假擬群體。對這些群體中的每一個的分析可得到對所述臨床截止值的取樣可變性的辨別力。
圖9顯示了通過具有90％置信區(qū)間的自舉法，最初確認(rèn)核苷(核苷酸)和增強的及未增強的蛋白酶抑制劑的初步的YirtualPhenotypeTM臨床截止值。
為了評價分析結(jié)果的堅定性，從不同的著眼處理該問題。通過引入更多的數(shù)據(jù)集和通過考慮患者的更多的特征，可對所得的臨床截止值進(jìn)行進(jìn)一步的精煉。通過未見到的數(shù)據(jù)上進(jìn)行該模型，也可對所得的臨床截止值進(jìn)行進(jìn)一步的精煉。
對模型進(jìn)行驗證的另一種方法包括計算和諧指數(shù)(c指數(shù))，所述的指數(shù)描述了所有模型如何能夠辨別具有不同應(yīng)答的患者。根據(jù)用于模型研究的數(shù)據(jù)集和測試數(shù)據(jù)集，計算該c指數(shù)。如果在這兩種c指數(shù)之間差值是少的，這意味著如果應(yīng)用于新的數(shù)據(jù)，該模型不會失去它們的預(yù)測能力。當(dāng)使用線性回歸的優(yōu)選實施方案時(其中除了包括背景治療和以前接觸藥物(例如首次，首次與PIs接觸，首次與NRTIs接觸)的總靈敏度得分之外還包括每類敏感性藥物的附加因素)，下表含有關(guān)于每種待測藥物的驗證方法。測試數(shù)據(jù)的c指數(shù)和確認(rèn)數(shù)據(jù)c指數(shù)欄涉及初始測試數(shù)據(jù)集和用于確認(rèn)目的的新建數(shù)據(jù)集的c指數(shù)。采用相應(yīng)置信區(qū)間引證了模型化的臨床截止值的下限截止值和上限截止值。
以CCO機會比率和BCO機會比率起頭的欄代表被所述的截止值標(biāo)記為抗性的成為組中的應(yīng)答者的機會。與被所述的截止值標(biāo)記為敏感性的成為組中的應(yīng)答者的機會的比值。例如，如果在抗性組中有四個非應(yīng)答者和一個應(yīng)答者，并且在敏感組中有四個應(yīng)答者和兩個非應(yīng)答者，則在抗性組中成為應(yīng)答者的機會是1∶4＝0.25，在敏感組中成為應(yīng)答者的機會是4∶2＝2。這意味著機會比率是0.25/2＝0.125。換句話說，在抗性組中成為應(yīng)答者的幾率是在敏感組中成為應(yīng)答者的幾率的0.125倍。該機會比率越遠(yuǎn)離1，在抗性類別和臨床結(jié)果之間的相關(guān)性則越強。
根據(jù)臨床截止值或生物學(xué)截止值，可以進(jìn)行組中的分離(抗性的/敏感性的)。這意味著可將基于臨床截止值(CCO)的機會比率與基于生物學(xué)截止值(BCO)的機會比率進(jìn)行比較。如果CCO的機會比率小于BCO的機會比率，可以得出結(jié)論CCO給出了優(yōu)于BCO的預(yù)測。
在實踐中，邏輯回歸模型被用于測定機會比率。除了用抗性類別替代模型中的變化倍數(shù)之外，使用的模型與先前描述的邏輯回歸模型相似。從所述模型獲得的抗性類別的系數(shù)是Log(機會比率)。使用該模型的優(yōu)點是可以針對初始病毒載量和背景給藥方案的cPSS得分來調(diào)整機會比率的估計量。在一個數(shù)據(jù)集中，使用本文第33頁中所述的CCOs，當(dāng)使用臨床截止值進(jìn)行計算時，對于每種額外加入的活性藥物，應(yīng)答的機會比率是3.01，并且當(dāng)使用生物學(xué)截止值進(jìn)行計算時，對于每種額外加入的活性藥物，應(yīng)答的機會比率是2.32。這些機會比率是攝取了更多活性藥物的人與攝取了更少活性藥物的人的應(yīng)答機會的比值。這里的機會比率應(yīng)大于1，因為應(yīng)答的概率隨著攝取的活性藥物數(shù)目的增加而提高。在這種情況下，更大的機會比率表明與臨床結(jié)果更強的相關(guān)性。
權(quán)利要求
1.一種用于評價患者中由性病原體引起的疾病對藥物治療應(yīng)答的診斷方法，該方法包括將感染患者的病原體的抗性值的變化倍數(shù)與臨床截止值比較，所述的截止值是在觀測到臨床應(yīng)答的臨床上相關(guān)偏差時的抗性值的變化倍數(shù)；其中通過將采用針對由致病性病原體引起的疾病的藥物所治療的患者群體的臨床應(yīng)答作為感染患者的病原體的抗性值的變化倍數(shù)的函數(shù)建立模型，來建立臨床截止值。
2.根據(jù)權(quán)利要求1中所述的方法，其中將所述的截止值作為所治療的患者中治療應(yīng)答數(shù)據(jù)的函數(shù)?？紤]初始病原體載量、初始抗性的變化倍數(shù)、以及靶向病原體的共同給藥的藥物的初始活性，來測定所述的截止值。
3.根據(jù)權(quán)利要求1中所述的方法，其中通過參照病原體載量下降來計算所述的截止值。
4.根據(jù)權(quán)利要求3中所述的方法，其中通過參照病原體載量下降的對數(shù)值來計算所述的截止值。
5.根據(jù)權(quán)利要求4中所述的方法，其中使用來自治療應(yīng)答數(shù)據(jù)集的數(shù)據(jù)進(jìn)行線性回歸分析，來計算病原體載量下降的對數(shù)值，其中根據(jù)下列方程式，將感染患者i的病原體的病原體載量下降的對數(shù)值LogPL dropi模型化為影響病原體載量下降的因素的所有單個作用的總和LogPLdropi＝β0+β1Log(初始PLi)+β2(PSSi)+β3(1/FCi)+εi其中初始PLi是代表在開始通過藥物治療時，所測量的患者的病原體載量，PSSi是表型敏感性得分，代表在患者的背景治療給藥方案中，排除了有助于治療應(yīng)答模型建立的藥物的活性藥物的數(shù)量，F(xiàn)Ci是初始抗性的變化倍數(shù)，β0是截距，β1是代表對于初始PLi對數(shù)值的每單位增量，病原體載量下降的對數(shù)值增加的系數(shù)，β2是代表對于背景治療給藥方案中敏感性藥物數(shù)量的每單位增量，病原體載量下降的對數(shù)值增加的系數(shù)，β3是表示對于FCi的倒數(shù)的每單位增量，病原體載量下降的對數(shù)值增加的系數(shù)，并且其中誤差項εi代表在模型化的預(yù)測值和以實驗方式確定的測量值之間的差值。
6.根據(jù)權(quán)利要求4中所述的方法，其中通過使用來自治療應(yīng)答數(shù)據(jù)集的數(shù)據(jù)進(jìn)行線性回歸分析，來計算病原體載量下降的對數(shù)值，其中根據(jù)下列方程式，將感染患者i的病原體的病原體載量下降的對數(shù)值LogPL dropi模型化為影響病原體載量下降的因素的所有單個作用的總和LogPLdropi＝β0+β1Log(初始PLi)+β2(cPSSi)+β3(cPSSi)2+β4(FCi)p+β5(H5)+...+βn(Hn)+εi其中該方程式中的項與權(quán)利要求5中所給出的項相同，另外，p是冪變換(例如從-3到1)，并且H5到Hn是治療史參量或描述作為某種治療類別的函數(shù)的背景治療的參量。
7.根據(jù)權(quán)利要求1中所述的方法，其中通過參照對于患者的藥物治療敏感的病原體的概率來計算截止應(yīng)答值，此處稱為成功的概率。
8.根據(jù)權(quán)利要求7中所述的方法，其中使用來自臨床應(yīng)答數(shù)據(jù)集的數(shù)據(jù)實施邏輯回歸分析，來計算成功的概率，其中根據(jù)下列方程式建立成功的概率模型成功的概率＝[exp(β0+β1Log(初始PLi)+β2(PSSi)+β3(1/FCi))]/[1+exp(β0+β1Log(初始PLi)+β2(PSSi)+β3(1/FCi))]，其中初始PLi代表在開始通過藥物治療時，所測量的患者的病原體載量，F(xiàn)Ci是初始抗性的變化倍數(shù)，β0是截距，PSSi是表型敏感性得分，代表在患者的背景治療給藥方案中，排除了有助于治療應(yīng)答模型建立的藥物的活性藥物的數(shù)量，β1是代表對于初始PLi對數(shù)值的每單位增量，病原體載量下降的對數(shù)值增加的系數(shù)，β2是代表對于背景治療給藥方案中敏感性藥物數(shù)量的每單位增量，病原體載量下降的對數(shù)值的增加的系數(shù)，β3是表示對于FCi的倒數(shù)的每單位增量，病原體載量下降的對數(shù)值增加的系數(shù)。
9.根據(jù)權(quán)利要求1中所述的方法，其中通過參照獲得治療成功或治療失敗的患者的似然性，來計算抗性變化倍數(shù)的截止值，其中成功的定義是在使用分類樹并采用特定藥物治療后，具有不可檢測的病原體載量。
10.根據(jù)權(quán)利要求9中所述的方法，其中將臨床的截止值定義為能在治療成功的群體和治療失敗的群體之間進(jìn)行最佳區(qū)分的抗性變化倍數(shù)的閾值。
11.根據(jù)前述權(quán)利要求中任何一項所述的方法，其中通過將致病性病原體的基因型與從被相似基因型的病原體所感染的患者組中收集的表型數(shù)據(jù)進(jìn)行比較，來測定初始抗性的變化倍數(shù)。
12.根據(jù)權(quán)利要求11中所述的方法，其中使用虛擬表型系統(tǒng)或其變體來測定初始抗性的變化倍數(shù)。
13.根據(jù)權(quán)利要求1中所述的方法，其摻入了權(quán)利要求5、6、8和9中所述的方法。
14.根據(jù)前述權(quán)利要求中任何一項所述的方法，其是計算機實施的方法。
15.根據(jù)權(quán)利要求14中所述的方法，其是自動化方法。
16.根據(jù)前述權(quán)利要求中任何一項所述的方法，其中從選自血液樣品、活組織檢查樣品、血漿樣品、唾液樣品、組織樣品以及體液樣品或粘液樣品的患者樣本中得到致病性病原體。
17.根據(jù)前述權(quán)利要求中任何一項所述的方法，其中致病性病原體是病毒。
18.根據(jù)權(quán)利要求17中所述的方法，其中致病性病毒選自HIV、HCV和HBV。
19.根據(jù)前述權(quán)利要求中任何一項所述的方法，其中對于許多候選藥物實施該方法，以便提供有關(guān)由病原體對候選藥物抗菌譜所顯示的預(yù)測的抗性倍數(shù)的信息。
20.一種用于在患者中優(yōu)化藥物療法的診斷方法，包括對于各種藥物或藥物組合，實施根據(jù)前述權(quán)利要求中任何一項所述的方法，其中所述的藥物或藥物組合被認(rèn)為可得到一系列的藥物抗性表型并因此評價多種藥物或藥物組合對感染患者的病原體的效力，以及選擇預(yù)測對于該病原體具有最低倍數(shù)的抗性的藥物或藥物組合。
21.根據(jù)前述權(quán)利要求中任何一項所述的方法用于評估患者療法的效率或用于評價或優(yōu)化療法的用途。
22.一種用于預(yù)測致病性病原體的藥物的臨床應(yīng)答的診斷系統(tǒng)，包含a)用于獲得致病性病原體的遺傳序列的裝置；b)用于在致病性病原體的遺傳序列中鑒定至少一種突變的裝置；c)包含基因型入口的基因型數(shù)據(jù)庫裝置；d)包含患者的應(yīng)答值的變化倍數(shù)的表型的表型數(shù)據(jù)庫裝置；e)包含作為患者樣本參照的藥物治療的臨床應(yīng)答的臨床應(yīng)答數(shù)據(jù)庫裝置；f)將基因型入口與表型關(guān)聯(lián)起來的相關(guān)裝置，其中基因型入口與所獲得的致病性病原體的遺傳序列相對應(yīng)；g)用于通過測定患者的應(yīng)答變化倍數(shù)是否高于截止值而建立致病性病原體對藥物的臨床應(yīng)答的模型的裝置，其中使用臨床應(yīng)答數(shù)據(jù)庫裝置來測定截止值，并且該截止值包括應(yīng)答值的變化倍數(shù)，在該值下觀測到臨床上相關(guān)的減少的臨床應(yīng)答；以及h)用于通過測定患者應(yīng)答的變化倍數(shù)是否高于截止值而預(yù)測疾病對藥物的臨床應(yīng)答的裝置。
23.根據(jù)權(quán)利要求22中所述的診斷系統(tǒng)，其中將所述的截止值作為所治療的患者中治療應(yīng)答數(shù)據(jù)的函數(shù)，考慮初始病原體載量、初始抗性的變化倍數(shù)、靶向病原體的共同給藥的藥物的初始活性以及治療史，來測定所述的截止值。
24.適用于實施權(quán)利要求1-19中任何一項所述的方法的計算機裝置或基于計算機的系統(tǒng)。
25.一種與計算機聯(lián)合使用的計算機程序產(chǎn)品，所述的計算機程序包括計算機可讀的存儲介質(zhì)以及其中內(nèi)含的計算機程序機構(gòu)，該計算機程序機構(gòu)包括模塊，其中對模塊進(jìn)行配置以使模塊剛一收到要預(yù)測致病性病原體引起的疾病對藥物的應(yīng)答的要求，它就實施根據(jù)權(quán)利要求1-19中任何一項所述的方法。
全文摘要
本發(fā)明描述了用于提高預(yù)測疾病對藥物抗性的精度的方法和系統(tǒng)。更具體地說，提供用于評價在藥物敏感性中預(yù)先存在的變異(無論天然存在的或通過先前的藥物接觸選擇的)對治療反應(yīng)的影響，以便在臨床上建立用于表型或基因型的抗性測試的相關(guān)截止值。
文檔編號C12Q1/70GK1942879SQ200580011758
公開日2007年4月4日 申請日期2005年3月1日 優(yōu)先權(quán)日2004年3月2日
發(fā)明者L·T·巴徹勒, B·R·A·溫特斯 申請人:沃爾科公司