[发明专利]用于评估药物效力的系统和方法

权利要求书

1.一种计算机实现的方法，包括：

向经训练的机器学习分类器输入非训练受试者的基因组信息，非训练受试者的基因组信息包括从非训练受试者获得的肿瘤谱的特征，其中

所述经训练的机器学习分类器依据多个训练受试者的基因组信息和该多个训练受试者每一个对治疗的反应性进行训练，所述治疗包含检查点抑制，所述多个训练受试者的基因组信息包括从该多个训练受试者之每一个获得的肿瘤谱的特征，其中所述机器学习分类器经训练以预测对所述治疗的反应性；

使用经训练的机器学习分类器，生成非训练受试者的检查点抑制反应性分类，其中该检查点抑制反应性分类预测非训练受试者对检查点抑制的反应性；以及

使用图形化用户界面，报告非训练受试者的检查点抑制反应性分类,

其中所述从非训练受试者获得的肿瘤谱的特征中的至少一些、或从一个或多个训练受试者获得的肿瘤谱的特征中的至少一些选自：由全部突变组成的总突变负荷，由非同义突变组成的总突变负荷、β2微球蛋白(B2M)表达、蛋白酶体亚基β10(PSMB10)表达、抗原肽转运蛋白1(TAP1)表达、抗原肽转运蛋白2(TAP2)表达、人白细胞抗原A(HLA-A)表达、主要组织相容性复合体I类B(HLA-B)表达、主要组织相容性复合体I类C(HLA-C)表达、主要组织相容性复合体II类DQα1(HLA-DQA1)表达、HLA II类组织相容性抗原DRB1β链(HLA-DRB1)表达、HLAI类组织相容性抗原α链E(HLA-E)表达、自然杀伤细胞颗粒蛋白7(NKG7)表达、趋化因子样受体1(CMKLR1)表达、分化抗原簇8(CD8)表达细胞的肿瘤浸润、分化抗原簇4(CD4)表达细胞的肿瘤浸润、分化抗原簇19(CD19)表达细胞的肿瘤浸润、颗粒酶A(GZMA)表达、穿孔素-1(PRF1)表达、程序性细胞死亡1配体2(PDL2)表达、淋巴细胞活化基因3(LAG3)表达、具有Ig结构域和ITIM结构域的T细胞免疫受体(TIGIT)表达、分化抗原簇276(CD276)表达、趋化因子(C-C基序)配体5(CCL5)、CD27表达、趋化因子(C-X-C基序)配体9(CXCL9)表达、C-X-C基序趋化因子受体6(CXCR6)、吲哚胺2,3-双加氧酶(IDO)表达、信号转导和转录激活因子1(STAT1)表达、3-岩藻糖基-N-乙酰基-乳糖胺(CD15)表达、白介素-2受体α链(CD25)表达、siglec-3(CD33)、分化抗原簇39(CD39)表达、分化抗原簇(CD118)表达、叉头框P3(FOXP3)表达、及前述两者或更多者的任何组合。

2.根据权利要求1所述的方法，其中，所述从非训练受试者获得的肿瘤谱的特征中的至少一些、或所述从一个或多个训练受试者获得的肿瘤谱的特征中的至少一些，还包括以下之一或多个：细胞毒性T淋巴细胞相关蛋白4(CTLA4)表达、程序性细胞死亡蛋白1(PD1)表达、或程序性死亡-配体1(PDL1)表达。

3.根据权利要求1所述的方法，其中，训练特征中的至少一些或非训练特征中的至少一些包含基因集。

4.根据权利要求3所述的方法，其中使用单样本基因集富集分析，选择基因集。

5.根据权利要求1所述的方法，其中机器学习分类器是随机森林。

6.根据权利要求5所述的方法，其中训练机器学习分类器时使用至少50,000棵树。

7.根据权利要求1所述的方法，其中检查点抑制反应性分类包含预测得分和一个或多个特征标识符，并且所述一个或多个特征标识符选自特征效价、特征重要性和特征权重。

8.根据权利要求7所述的方法，其中图形化用户界面将特征标识符作为环带扇形的方面报告，其中环带扇形的角度报告特征重要性，环带扇形的外半径报告特征权重，并且环带扇形的颜色报告特征效价。

9.根据权利要求8所述的方法，其中一个特征的特征重要性包括所述特征的Gini指数下降。