[发明专利]乳腺癌分类的相关材料和方法

说明书

技术领域

本发明涉及乳腺癌分类的材料和方法。特别地但非排他性地，本发明涉及基于基因表达数据的乳腺癌分类。这种分类为患者预后(包括预测治疗响应)、诊断和治疗提供重要信息。

背景技术

基因组范围绘谱技术如DNA微列阵和SAGE日益增长地被研究人员用来表征多种癌症类型的分子表型。在乳腺癌的研究中，一些小组包括发明人在内，以前已经用基因表达数据来鉴定多种乳腺肿瘤“分子标志物(molecular signature)”并界定了临床相关的肿瘤亚型(1-5)。尽管就该主题已经报道了这些工作，但大多数先前的研究通常采用标准分析技术如等级聚类(hierarchical clustering，HC)和主成分分析(principal components analysis，PCA)来界定肿瘤或基因的组。

本发明人以前已经证实，乳腺癌中大部分固有基因表达的改变可被归因于属于不同的“分子亚型”的不同肿瘤(如ER+和ER-，和ERBB2+肿瘤)。

尽管这些研究毫无疑问是成功的，但许多这种标准算法同时也具有广为人知的局限(6，7)。例如，传统的HC算法通常根据基因在所有样品(肿瘤)数据集中的总体表现来聚类基因，实际上，某些基因可能仅在某些肿瘤亚型中被强烈地调控，而在其它肿瘤亚型中被弱化至极微小地调控(1)。另外，标准技术通常不能界定多种分子标志物之间的相关性，于是不能鉴定它们之间潜在的相互作用。由于这些局限，发明人认为大量的新的生物学信息仍然深埋于这些大规模数据集中，如果被挖掘出来，则可以加深我们对乳腺癌生物学的了解，致使诊断和治疗方面得以改进。

发明内容

近年来，Barkai和他的同事们描述了一种新的分析方法，标志物分析法(signature analysis，SA)。该方法被具体地设计用于克服传统的聚类问题(6，7)。当把此方法用于表达数据集时，SA可鉴定出被称之为“转录模块”(transcriptional modules，TMs)的独立单元，在特定的实验条件下，这些单元含有被紧密地共调控的基因的群(6)。大多数聚类方法是同时优化所有的聚类来对基因进行分组，与此相反，SA对基因的指定依赖于背景(context-dependent)，并且在不同的TM之间可能存在基因的重叠。在预测基因功能和界定生物学相关性方面，SA和其变体已被证实优于传统的聚类算法(6，7)。

发明人首次将SA应用于一组自制的(in house)乳腺癌表达谱。他们发现，SA可把肿瘤和基因分类为不同的模块(module)(命名为“肿瘤模块”，TuM，来反映SA在肿瘤中的特定应用)，许多模块与先前报导的乳腺肿瘤标志物和分子亚型相一致。例如参见PCT/GB2004/004195，其被引入此处作为参考文献。除了这种证实原理的结果，SA还产生了几个令人吃惊的新发现。第一，SA成功地把以前同源的标志物分解到独立的模块，提示前者可能实际上由多个相关但可能又独立的生物程序组成。第二，SA在雌激素受体阳性(ER+)肿瘤中揭示了新的有关凋亡的基因标志物，它与低组织学分级明显相关(P＜0.001)，但与ER状态无关。在两个独立的数据集中进一步证实了该标志物与低组织学分级的相关性，证实了该标志物的可靠性。第三，SA界定了肿瘤模块之间的相关性，并意外发现ERBB2+肿瘤和免疫系统正向相关，提示两种组织类型之间存在实质性的串话(cross-talk)。

这些结果显示即使经过在先前的实质性分析后，仍会有大量的新的生物学信息被深埋于这些大规模的数据集中，这些信息可以通过使用适当的分析技术使之显现。

特别地，发明人首次采用SA表征乳腺肿瘤表达谱的数据集。除了再次发现许多以前描述过的乳腺癌中的基因表达标志物外，SA还鉴定出一个新的基因表达标志物(TuM1)，该标志物显著地富含于与凋亡有关的基因中并独立于ER状态地与低组织学分级相关。因此，TuM1标志物与以前报导的低组织学分级标志物不同，所述的以前报导的低组织学分极标志物倾向于包含与ER状态有关的基因，如GATA3(4)。

重要的是，发明人进一步证实这个新的表达标志物可作为乳腺癌激素治疗响应的预测性标志物。另外，凋亡相关基因的过表达显示这些肿瘤会对化疗的敏感性增加。

相应地，整体上本发明提供了下述材料和方法，所述材料和方法用于使用标志物分析法，尤其是迭代标志物分析法(iterativesignature analysis，ISA)将乳腺肿瘤分类为分子亚型和模块；并且，本发明还提供了下述材料和方法，所述材料和方法用于基于SA和ISA分析所述肿瘤的表达谱给出预后和/或治疗方案。