[发明专利]甲状腺癌生物标志物

说明书

发明背景

序列表

本申请包含以ASCII形式通过EFS-Web提交的序列表并且通过引用以其整体并入此处。将创建于2013年3月5日的所述ASCII拷贝命名为0051-0096-WO1_SL.txt且大小为5,019字节。

发明领域

本文提供的方法将微阵列数据用于特征选择并随后使用选定的靶标以用新的临床样本测定数据产生工业标准的实时定量(qPCR)阵列以便建立分类模型。这种多步骤方法克服了传统生物标志物鉴定的缺点。

发明背景

在使用传统方法对甲状腺结节的临床分类中具有挑战。 这些挑战影响临床决策并导致非必需手术的执行。虽然一些研究者已经探索了使用新的分子分类法以克服这些挑战，但是这些努力在临床环境下仍然远没有实现。

甲状腺结节在大多数人群中常见。例如，据估计2010年在美国会验明44,670名新病患。通常侵入诊断法对于病患中结节类型的准确诊断是必需的。自从1970年代引进以来，细针抽吸活组织检查(FNAB)提供了最重要的诊断手段，然而20-30%的FNAB细胞学结果仍然不确定。尽管可重复不确定的、可疑的或非诊断的FNAB，但这些只对于小部分的病患有帮助而且需要额外的费用和侵入步骤。

许多研究者已经尝试开发其他的诊断测定法和生物标志物以提高诊断精确度。例如，细针抽吸活组织检查(FNAC)在更好的精确度上具有它的价值但其局限性在滤泡性甲状腺癌(FTC)中尤其明显。免疫组化生物标志物例如Hector Battifora间皮细胞1 (HBME-1)、高分子量细胞角蛋白19 (CK19)和半乳凝素-3已经展现出具有甲状腺癌相关的表达，但是它们的表达在灵敏性和特异性上高度可变。其他尝试例如恶性甲状腺细胞中使用基因重排和/或体细胞突变的研究已取得的进展有限。进一步的研究已聚焦于转化/乳头状甲状腺癌的重排(RET/PTC)，其中已发现BRAF和RAS基因的重排和突变增加诊断、预后和验证研究的精确性。最后，微阵列基因概况分析已展示有助于良性结节和恶性肿瘤的分类。但是，这些研究大多数仅专注于简单的微阵列分析和验证以鉴定在良性和恶性群体之间差异表达的基因。显然，使用生物信息学模型的更稳健的测定和更精密的分析将更好地适应肿瘤异质性的挑战和临床样本的复杂性，尤其对于甲状腺瘤。 

但是，基于微阵列的测定具有一些固有缺点。他们对样本质量敏感，这在临床环境中通常表现为挑战。基于微阵列的技术也需要增加的样本制备时间和复杂的数据分析程序。

传统地，微阵列被直接用于生物标志物特征(signature)的产生。然而，微阵列的直接使用在临床环境中产生了许多挑战，尽管观测到一些重要的靶标，但是并没有形成如何将通过微阵列实验所得的观察结果转化为用户友好的临床检测的共识。对于传统直接使用微阵列的另一个缺点是不同微阵列平台间的标准化。存在多种微阵列平台，其各自使用截然不同的基因集合并采用不同杂交和信号检测方法。例如，一些微阵列包含可变长度的cDNA，而其它微阵列包含小的寡核苷酸序列。不同微阵列平台的使用使得额外的平台间的标准化和转化工作成为必要，这使结果一致性较低且增加出错的风险。

研究者们已将例如无监管的分级聚类和2组k-平均数聚类等传统发现聚类分析用于甲状腺癌鉴定的靶标鉴定和最终分类。除了良好设计的基于多模型的特征筛选和qPCR阵列优化外，本文还提供用于监管的机器学习的新训练样本集，其随后用于普遍接受的分类方法——随机森林(Random forest)中用于最终恶性甲状腺结节鉴定。

传统地，用于分类的发现工具的使用限制了他们用于临床诊断的潜在应用。Marschall Stevens Runge在他的著作“Principles of molecular medicine (分子医药原理)”中陈述，“分析的非监管方法，包括主要成分分析、分级聚类、k-平均数聚类和自组织图，可用作用于类别发现的工具。”此外，“用于确定在疾病状况间基因表达概况的差异的非监管方法具有可通过使用监管的学习方法规避的限制。”本文提供的方法将监管的机器学习方法用于恶性甲状腺结节和良性结节的分类并避免先前方法的问题和限制。

发明概述