[go: up one dir, main page]

JPWO2021112918A5 - - Google Patents

Download PDF

Info

Publication number
JPWO2021112918A5
JPWO2021112918A5 JP2022532765A JP2022532765A JPWO2021112918A5 JP WO2021112918 A5 JPWO2021112918 A5 JP WO2021112918A5 JP 2022532765 A JP2022532765 A JP 2022532765A JP 2022532765 A JP2022532765 A JP 2022532765A JP WO2021112918 A5 JPWO2021112918 A5 JP WO2021112918A5
Authority
JP
Japan
Prior art keywords
machine learning
group
treatment
computers
data
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.)
Granted
Application number
JP2022532765A
Other languages
Japanese (ja)
Other versions
JP7624992B2 (en
JP2023504270A (en
Publication date
Priority claimed from PCT/US2019/064078 external-priority patent/WO2020113237A1/en
Application filed filed Critical
Priority claimed from PCT/US2020/035990 external-priority patent/WO2021112918A1/en
Publication of JP2023504270A publication Critical patent/JP2023504270A/en
Publication of JPWO2021112918A5 publication Critical patent/JPWO2021112918A5/ja
Priority to JP2025008224A priority Critical patent/JP2025069209A/en
Application granted granted Critical
Publication of JP7624992B2 publication Critical patent/JP7624992B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Description

[本発明1001]
対象の疾患もしくは障害の治療の有効性を予測するための機械学習モデルの訓練において使用するための入力データ構造を生成するための、データ処理装置であって、
該データ処理装置が、1つまたは複数のプロセッサと、該1つまたは複数のプロセッサによって実行される場合に該1つまたは複数のプロセッサに動作を実行させる命令を記憶する1つまたは複数の記憶デバイスとを含み、
該動作が、
該データ処理装置により、1つまたは複数のバイオマーカーデータ構造および1つまたは複数の転帰データ構造を得る工程；
該データ処理装置により、対象と関連付けされた1つまたは複数のバイオマーカーを表す第一のデータを該1つまたは複数のバイオマーカーデータ構造から抽出し、疾患もしくは障害および治療を表す第二のデータを該1つまたは複数の転帰データ構造から抽出し、該疾患もしくは障害のための治療の転帰を表す第三のデータを抽出する工程；
該データ処理装置により、該1つまたは複数のバイオマーカーを表す第一のデータおよび該疾患もしくは障害および治療を表す第二のデータに基づいて、機械学習モデルへ入力するためのデータ構造を生成する工程；
該データ処理装置により、該生成されたデータ構造を該機械学習モデルへの入力として提供する工程；
該データ処理装置により、該生成されたデータ構造の該機械学習モデルの処理に基づいて、該機械学習モデルによって生成された出力を得る工程；
該データ処理装置により、該疾患もしくは障害のための治療の転帰を表す第三のデータと、該機械学習モデルによって生成された出力との間の差を決定する工程；ならびに
該データ処理装置により、該疾患もしくは障害のための治療の転帰を表す第三のデータと、該機械学習モデルによって生成された出力との間の差に基づいて、該機械学習モデルの1つまたは複数のパラメータを調節する工程
を含む、前記データ処理装置。
[本発明1002]
1つまたは複数のバイオマーカーのセットが、表2～8のいずれか1つに記載された1つまたは複数のバイオマーカーを含む、本発明1001のデータ処理装置。
[本発明1003]
1つまたは複数のバイオマーカーのセットが、本発明1002のバイオマーカーのそれぞれを含む、本発明1001のデータ処理装置。
[本発明1004]
1つまたは複数のバイオマーカーのセットが、本発明1002のバイオマーカーの少なくとも1つを含み；任意で、1つまたは複数のバイオマーカーのセットが、表5、表6、表7、表8中のマーカーまたはそれらの任意の組み合わせを含み；または任意で、1つまたは複数のバイオマーカーのセットが、全エクソーム、全ゲノムおよび／または全トランスクリプトームを実質的に含む、本発明1001のデータ処理装置。
[本発明1005]
特定の治療に対する対象の治療反応性を予測するための機械学習モデルの訓練において使用するための入力データ構造を生成するための、データ処理装置であって、
該データ処理装置が、1つまたは複数のプロセッサと、該1つまたは複数のプロセッサによって実行される場合に該1つまたは複数のプロセッサに動作を実行させる命令を記憶する1つまたは複数の記憶デバイスとを含み、
該動作が、
該データ処理装置により、第一の分散データソースから、対象と関連付けされた1つまたは複数のバイオマーカーのセットを表すデータを構造化する第一のデータ構造を得る工程であって、該第一のデータ構造が、該対象を同定するキーバリューを含む、工程；
該データ処理装置により、該第一のデータ構造を1つまたは複数のメモリデバイスに記憶する工程；
該データ処理装置により、第二の分散データソースから、該1つまたは複数のバイオマーカーを有する対象の転帰データを表すデータを構造化する第二のデータ構造を得る工程であって、該転帰データが、疾患もしくは障害、治療、および該治療の有効性の指標を同定するデータを含み、該第二のデータ構造も、該対象を同定するキーバリューを含む、工程；
該データ処理装置により、該第二のデータ構造を1つまたは複数のメモリデバイスに記憶する工程；
該データ処理装置により、かつ該メモリデバイスに記憶された該第一のデータ構造および該第二のデータ構造を使用することにより、（i）1つまたは複数のバイオマーカーのセット、該疾患もしくは障害、および治療を表すデータ、ならびに（ii）該疾患もしくは障害のための治療の有効性の指標を提供するラベルを含む、ラベル付き訓練データ構造を生成する工程であって、該データ処理装置によりかつ該第一のデータ構造および第二のデータ構造を使用することにより生成する工程が、該データ処理装置により、該対象を同定するキーバリューに基づいて、該対象と関連付けされた1つまたは複数のバイオマーカーのセットを表すデータを構造化する第一のデータ構造と、該1つまたは複数のバイオマーカーを有する対象の転帰データを表す第二のデータ構造とを相関させることを含む、工程；ならびに
該データ処理装置により、該生成されたラベル付き訓練データ構造を使用して、機械学習モデルを訓練する工程であって、該生成されたラベル付き訓練データ構造を使用して機械学習モデルを訓練する工程が、該データ処理装置により、該生成されたラベル付き訓練データ構造を該機械学習モデルへの入力として該機械学習モデルに提供することを含む、工程
を含む、前記データ処理装置。
[本発明1006]
動作が、
データ処理装置により、機械学習モデルから、生成されたラベル付き訓練データ構造の機械学習モデルの処理に基づいて該機械学習モデルによって生成された出力を得る工程；ならびに
該データ処理装置により、該機械学習モデルによって生成された出力と、疾患もしくは障害のための治療の有効性の指標を提供するラベルとの間の差を決定する工程
をさらに含む、本発明1005のデータ処理装置。
[本発明1007]
動作が、
データ処理装置により、機械学習モデルによって生成された出力と、疾患もしくは障害のための治療の有効性の指標を提供するラベルとの間の決定された差に基づいて、該機械学習モデルの1つまたは複数のパラメータを調節する工程
をさらに含む、本発明1006のデータ処理装置。
[本発明1008]
1つまたは複数のバイオマーカーのセットが、表2～8のいずれか1つに記載された1つまたは複数のバイオマーカーを含み；任意で、1つまたは複数のバイオマーカーのセットが、表5、表6、表7、表8中のマーカーまたはそれらの任意の組み合わせを含み；または任意で、1つまたは複数のバイオマーカーのセットが、全エクソーム、全ゲノムおよび／または全トランスクリプトームを実質的に含む、本発明1005のデータ処理装置。
[本発明1009]
1つまたは複数のバイオマーカーのセットが、本発明1008のバイオマーカーのそれぞれを含む、本発明1005のデータ処理装置。
[本発明1010]
1つまたは複数のバイオマーカーのセットが、本発明1008のバイオマーカーの1つを含む、本発明1005のデータ処理装置。
[本発明1011]
本発明1001～1010のいずれかの動作のそれぞれに対応する工程を含む、方法。
[本発明1012]
1つまたは複数のコンピュータと、該1つまたは複数のコンピュータによって実行される場合に該1つまたは複数のコンピュータに本発明1001～1010のいずれかの動作のそれぞれを実行させる命令を記憶する1つまたは複数のデータ記憶媒体とを含む、システム。
[本発明1013]
1つまたは複数のコンピュータによって実行可能であり、そのように実行される場合に該1つまたは複数のコンピュータに本発明1001～1010のいずれかの動作を実行させる命令
を含むソフトウェアを記憶する、非一時的コンピュータ可読媒体。
[本発明1014]
エンティティの分類のための方法であって、
複数の機械学習モデルの各特定の機械学習モデルに関し、
予測または分類を決定するように訓練された特定の機械学習モデルに、分類されるエンティティの種類を表す入力データを提供し、
該特定の機械学習モデルによる入力データの処理に基づいて該特定の機械学習モデルによって生成された、複数の候補エンティティクラスの初期エンティティクラスへのエンティティ分類を表す出力データを得る工程；
該複数の機械学習モデルのそれぞれに関して得られた出力データを投票ユニットに提供する工程であって、該提供された出力データが、該複数の機械学習モデルのそれぞれによって決定された初期エンティティクラスを表すデータを含む、工程；ならびに
該投票ユニットにより、該提供された出力データに基づいて、該エンティティのための現実のエンティティクラスを決定する工程
を含む、前記方法。
[本発明1015]
エンティティのための現実のエンティティクラスが、提供された出力データに多数決原理を適用することによって決定される、本発明1014の方法。
[本発明1016]
投票ユニットにより、提供された出力データに基づいて、エンティティのための現実のエンティティクラスを決定する工程が、
該投票ユニットにより、複数の候補エンティティクラスの各初期エンティティクラスの出現回数を決定すること；ならびに
該投票ユニットにより、該複数の候補エンティティクラスのうち、最大の出現回数を有する初期エンティティクラスを選択すること
を含む、本発明1014または1015の方法。
[本発明1017]
複数の機械学習モデルの各機械学習モデルが、ランダムフォレスト分類アルゴリズム、サポートベクターマシン、ロジスティック回帰、k近傍法モデル、人工ニューラルネットワーク、単純ベイズモデル、二次判別分析、またはガウス過程モデルを含む、本発明1014～1016のいずれかの方法。
[本発明1018]
複数の機械学習モデルの各機械学習モデルが、ランダムフォレスト分類アルゴリズムを含む、本発明1014～1016のいずれかの方法。
[本発明1019]
複数の機械学習モデルが、同じタイプの分類アルゴリズムの複数の表現を含む、本発明1014～1018のいずれかの方法。
[本発明1020]
入力データが、（i）エンティティ属性、および（ii）疾患もしくは障害のための治療の種類を表す、本発明1014～1018のいずれかの方法。
[本発明1021]
複数の候補エンティティクラスが、反応クラスまたは非反応クラスを含む、本発明1020の方法。
[本発明1022]
エンティティ属性が、エンティティのための1つまたは複数のバイオマーカーを含む、本発明1020または1021の方法。
[本発明1023]
1つまたは複数のバイオマーカーが、エンティティのすべての公知の遺伝子よりも少ない遺伝子のパネルを含む、本発明1022の方法。
[本発明1024]
1つまたは複数のバイオマーカーが、エンティティのためのすべての公知の遺伝子を含む遺伝子のパネルを含む、本発明1022の方法。
[本発明1025]
1つまたは複数のバイオマーカーが、表2～8のいずれか1つに記載された1つまたは複数のバイオマーカーを含み；任意で、1つまたは複数のバイオマーカーが、表5、表6、表7、表8中のマーカーまたはそれらの任意の組み合わせを含み；または任意で、1つまたは複数のバイオマーカーが、全エクソームおよび／または全トランスクリプトームを実質的に含む、本発明1022の方法。
[本発明1026]
入力データが、疾患もしくは障害の種類を表すデータをさらに含む、本発明1020～1025のいずれかの方法。
[本発明1027]
1つまたは複数のコンピュータと、該1つまたは複数のコンピュータによって実行される場合に該1つまたは複数のコンピュータに本発明1014～1026のいずれかの動作のそれぞれを実行させる命令を記憶する1つまたは複数のデータ記憶媒体とを含む、システム。
[本発明1028]
1つまたは複数のコンピュータによって実行可能であり、そのように実行される場合に該1つまたは複数のコンピュータに本発明1014～1026のいずれかの動作を実行させる命令
を含むソフトウェアを記憶する、非一時的コンピュータ可読媒体。
[本発明1029]
対象におけるがん由来の細胞を含む生体試料を得る工程；ならびに
該生体試料中の少なくとも1つのバイオマーカーを評価するためのアッセイを実施する工程
を含む、方法であって、
該バイオマーカーが、
（a）MYC、EP300、U2AF1、ASXL1、MAML2およびCNTRLの1、2、3、4、5または6個すべてを含む、グループ1；
（b）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRNおよびCDX2の1、2、3、4、5、6、7または8個すべてを含む、グループ2；
（c）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、HOXA11、AURKA、BIRC3、IKZF1、CASP8およびEP300の1、2、3、4、5、6、7、8、9、10、11、12、13または14個すべてを含む、グループ3；
（d）PBX1、BCL9、INHBA、PRRX1、YWHAE、GNAS、LHFPL6、FCRL4、AURKA、IKZF1、CASP8、PTENおよびEP300の1、2、3、4、5、6、7、8、9、10、11、12または13個すべてを含む、グループ4；
（e）BCL9、PBX1、PRRX1、INHBA、GNAS、YWHAE、LHFPL6、FCRL4、PTEN、HOXA11、AURKAおよびBIRC3の1、2、3、4、5、6、7、8、9、10、11または12個すべてを含む、グループ5；
（f）BCL9、PBX1、PRRX1、INHBAおよびYWHAEの1、2、3、4または5個すべてを含む、グループ6；
（g）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1およびMNX1の1、2、3、4、5、6、7、8、9、10、11、12、13、14または15個すべてを含む、グループ7；
（h）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1およびEZRの1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、44または45個すべてを含む、グループ8；ならびに
（i）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKAおよびHOXA11の1、2、3、4、5、6、7、8、9、10または11個すべてを含む、グループ9
のうちの少なくとも1つを含む、前記方法。
[本発明1030]
生体試料が、ホルマリン固定パラフィン包埋（FFPE）組織、固定組織、コア針生検、穿刺吸引液、非染色スライド、新鮮凍結（FF）組織、ホルマリン試料、核酸もしくはタンパク質分子を保存する溶液に含まれる組織、新鮮な試料、悪性流体、体液、腫瘍試料、組織試料またはそれらの任意の組み合わせを含む、本発明1029の方法。
[本発明1031]
生体試料が固形腫瘍からの細胞を含む、本発明1029または1030の方法。
[本発明1032]
生体試料が体液を含む、本発明1029または1030の方法。
[本発明1033]
体液が、悪性流体、胸膜液、腹膜液またはそれらの任意の組み合わせを含む、本発明1029～1032のいずれかの方法。
[本発明1034]
体液が、末梢血、血清、血漿、腹水、尿、脳脊髄液（CSF）、痰、唾液、骨髄、滑液、眼房水、羊水、耳垢、母乳、気管支肺胞洗浄液、精液、前立腺液、カウパー腺液、尿道球腺液、女性射精液、汗、糞便、涙液、嚢胞液、胸膜液、腹膜液、心膜液、リンパ液、糜粥、乳糜、胆汁、間質液、月経分泌物、膿、皮脂、嘔吐物、膣分泌液、粘膜分泌液、水便、膵液、鼻腔からの洗浄液、気管支肺吸引液、胞胚腔液または臍帯血を含む、本発明1029～1033のいずれかの方法。
[本発明1035]
評価が、バイオマーカーごとにタンパク質または核酸の存在、レベルまたは状態を決定することを含み、任意で、該核酸が、デオキシリボ核酸（DNA）、リボ核酸（RNA）またはそれらの組み合わせを含む、本発明1029～1034のいずれかの方法。
[本発明1036]
（a）タンパク質の存在、レベルまたは状態が、免疫組織化学（IHC）、フローサイトメトリー、イムノアッセイ、抗体もしくはその機能的断片、アプタマーまたはそれらの任意の組み合わせを使用して決定される；および／または
（b）核酸の存在、レベルまたは状態が、ポリメラーゼ連鎖反応（PCR）、インサイチューハイブリダイゼーション、増幅、ハイブリダイゼーション、マイクロアレイ、核酸シーケンシング、ダイターミネータシーケンシング、パイロシーケンシング、次世代シーケンシング（NGS；ハイスループットシーケンシング）またはそれらの任意の組み合わせを使用して決定される、
本発明1035の方法。
[本発明1037]
核酸の状態が、配列、変異、多型、欠失、挿入、置換、転座、融合、切断、重複、増幅、反復、コピー数、コピー数多型（CNV；コピー数変化；CNA)、またはそれらの任意の組み合わせを含む、本発明1036の方法。
[本発明1038]
核酸の状態がコピー数を含む、本発明1037の方法。
[本発明1039]
グループ1のすべてのメンバー（すなわちMYC、EP300、U2AF1、ASXL1、MAML2およびCNTRL）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1040]
グループ2のすべてのメンバー（すなわちMYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRNおよびCDX2）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1041]
グループ3のすべてのメンバー（すなわちBCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、HOXA11、AURKA、BIRC3、IKZF1、CASP8およびEP300）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1042]
グループ4のすべてのメンバー（すなわちPBX1、BCL9、INHBA、PRRX1、YWHAE、GNAS、LHFPL6、FCRL4、AURKA、IKZF1、CASP8、PTENおよびEP300）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1043]
グループ5のすべてのメンバー（すなわちBCL9、PBX1、PRRX1、INHBA、GNAS、YWHAE、LHFPL6、FCRL4、PTEN、HOXA11、AURKAおよびBIRC3）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1044]
グループ6のすべてのメンバー（すなわちBCL9、PBX1、PRRX1、INHBAおよびYWHAE）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1045]
グループ7のすべてのメンバー（すなわちBCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1およびMNX1）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1046]
グループ8のすべてのメンバー（すなわちBX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1およびEZR）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1047]
グループ9のすべてのメンバー（すなわちBCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKAおよびHOXA11）またはそれらに近接するゲノム領域のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1048]
（a）グループ1およびグループ2の少なくとも1つもしくはすべてのメンバーまたはそれらに近接するゲノム領域；
（b）グループ3の少なくとも1つもしくはすべてのメンバーまたはそれらに近接するゲノム領域；または
（c）グループ2、グループ6、グループ7、グループ8およびグループ9の少なくとも1つもしくはすべてのメンバーまたはそれらに近接するゲノム領域
のコピー数を決定するためのアッセイを実施する工程を含む、本発明1038の方法。
[本発明1049]
バイオマーカーのコピー数を参照コピー数（例えば二倍体）と比較し、コピー数多型（CNV）を有するバイオマーカーを同定する工程をさらに含む、本発明1038～1048のいずれかの方法。
[本発明1050]
CNVを有する遺伝子またはそれに近接する領域を同定する分子プロファイルを生成する工程をさらに含む、本発明1049の方法。
[本発明1051]
PTENタンパク質の存在またはレベルが決定され、任意で、該PTENタンパク質の存在またはレベルが、免疫組織化学（IHC）を使用して決定される、本発明1029～1050のいずれかの方法。
[本発明1052]
TOPO1および1つまたは複数のミスマッチ修復タンパク質（例えばMLH1、MSH2、MSH6およびPMS2）を含むタンパク質のレベルを決定する工程をさらに含み、任意で、該PTENタンパク質の存在またはレベルが、免疫組織化学（IHC）を使用して決定される、本発明1029～1051のいずれかの方法。
[本発明1053]
1つのタンパク質または複数のタンパク質のレベルを、該1つのタンパク質または該複数のタンパク質のそれぞれの参照レベルと比較する工程をさらに含む、本発明1051または1052の方法。
[本発明1054]
参照レベルとは異なる、例えば該参照レベルとは有意に異なるレベルを有するタンパク質を同定する分子プロファイルを生成する工程をさらに含む、本発明1053の方法。
[本発明1055]
評価されたバイオマーカーに基づいてがん治療のベネフィットの増加または減少を予測する工程をさらに含み、任意で、該治療が、プラチナベース化学療法またはプラチナベース化学療法を含む併用療法を含み、任意で、該プラチナベース化学療法が、シスプラチン、カルボプラチン、オキサリプラチン、および／またはネダプラチンを含み、該プラチナベース化学療法を含む併用療法が、FOLFOX、FOLFOXIRI、および／またはFOLFIRINOXを含む、本発明1029～1054のいずれかの方法。
[本発明1056]
治療のベネフィットの増加または減少を予測する工程が、
（a）本発明1038～1048のいずれかの決定されたコピー数；および／または
（b）本発明1050または1054の分子プロファイル
に基づく、本発明1055の方法。
[本発明1057]
本発明1038～1048のいずれかの決定されたコピー数に基づいて治療のベネフィットの増加または減少を予測する工程が、投票モジュールの使用を含む、本発明1056の方法。
[本発明1058]
投票モジュールが、本発明1014～1026のいずれかのものである、本発明1057の方法。
[本発明1059]
投票モジュールが、少なくとも1つのランダムフォレストモデルの使用を含む、本発明1057または1058の方法。
[本発明1060]
投票モジュールの使用が、機械学習分類モデルを、グループ2、グループ6、グループ7、グループ8およびグループ9のそれぞれに関して得られたコピー数に適用することを含み、任意で、各機械学習分類モデルがランダムフォレストモデルであり、任意で、該ランダムフォレストモデルが、表10に記載されるものである、本発明1057～1059のいずれかの方法。
[本発明1061]
対象が、前記治療で以前に治療されたことがない、本発明1055～1060のいずれかの方法。
[本発明1062]
がんが、転移がん、再発がんまたはそれらの組み合わせを含む、本発明1029～1061のいずれかの方法。
[本発明1063]
対象が、がんの治療を以前に受けたことがない、本発明1029～1062のいずれかの方法。
[本発明1064]
ベネフィットの増加を有すると予測される治療を対象に投与する工程をさらに含む、本発明1055～1063のいずれかの方法。
[本発明1065]
ベネフィットの減少を有すると予測される治療を対象に投与しない工程をさらに含む、本発明1055～1064のいずれかの方法。
[本発明1066]
無増悪生存期間（PFS）、無病生存期間（DFS）または寿命が、前記治療の投与によって延長される、本発明1064または1065の方法。
[本発明1067]
がんが、急性リンパ芽球性白血病；急性骨髄性白血病；副腎皮質がん；AIDS関連がん；AIDS関連リンパ腫；肛門がん；虫垂がん；星状細胞腫；非定型奇形腫様／ラブドイド腫瘍；基底細胞がん；膀胱がん；脳幹部神経膠腫；脳腫瘍、脳幹部神経膠腫、中枢神経系非定型奇形腫様／ラブドイド腫瘍、中枢神経系胚芽腫、星状細胞腫、頭蓋咽頭腫、上衣芽腫、上衣腫、髄芽腫、髄様上皮腫、中間型松果体実質腫瘍、テント上原始神経外胚葉性腫瘍および松果体芽腫；乳がん；気管支腫瘍；バーキットリンパ腫；原発不明がん（CUP）；カルチノイド腫瘍；原発不明がん腫；中枢神経系非定型奇形腫様／ラブドイド腫瘍；中枢神経系胚芽腫；子宮頸がん；小児がん；脊索腫；慢性リンパ性白血病；慢性骨髄性白血病；慢性骨髄増殖性障害；結腸がん；結腸直腸がん；頭蓋咽頭腫；皮膚T細胞リンパ腫；内分泌膵島細胞腫瘍；子宮内膜がん；上衣芽腫；上衣腫；食道がん；鼻腔神経芽細胞腫；ユーイング肉腫；頭蓋外胚細胞腫瘍；性腺外胚細胞腫瘍；肝外胆管がん；胆嚢がん；胃がん（gastric (stomach) cancer）；消化管カルチノイド腫瘍；消化管間質細胞腫瘍；消化管間質腫瘍（GIST）；妊娠性絨毛性腫瘍；神経膠腫；毛様細胞性白血病；頭頸部がん；心臓がん；ホジキンリンパ腫；下咽頭がん；眼内黒色腫；膵島腫瘍；カポジ肉腫；腎臓がん；ランゲルハンス細胞組織球症；喉頭がん；口唇がん；肝臓がん；悪性線維性組織球腫骨がん；髄芽腫；髄様上皮腫；黒色腫；メルケル細胞がん；メルケル細胞皮膚がん；中皮腫；原発不明転移性扁平上皮性頸部がん；口腔がん（mouth cancer）；多発性内分泌腫瘍症候群；多発性骨髄腫；多発性骨髄腫／形質細胞腫瘍；菌状息肉腫；骨髄異形成症候群；骨髄増殖性腫瘍；鼻腔がん；鼻咽頭がん；神経芽細胞腫；非ホジキンリンパ腫；非黒色腫皮膚がん；非小細胞肺がん；口腔がん（oral cancer）；口腔がん（oral cavity cancer）；中咽頭がん；骨肉腫；他の脳および脊髄の腫瘍；卵巣がん；卵巣上皮がん；卵巣胚細胞腫瘍；卵巣低悪性度腫瘍；膵臓がん；乳頭腫症；副鼻腔がん；副甲状腺がん；骨盤がん；陰茎がん；咽頭がん；中間型松果体実質腫瘍；松果体芽腫；下垂体腫瘍；形質細胞腫瘍／多発性骨髄腫；胸膜肺芽腫；原発性中枢神経系（CNS）リンパ腫；原発性肝細胞肝がん；前立腺がん；直腸がん；腎臓がん；腎細胞（腎臓）がん；腎細胞がん；気道がん；網膜芽細胞腫；横紋筋肉腫；唾液腺がん；セザリー症候群；小細胞肺がん；小腸がん；軟部組織肉腫；扁平上皮がん；頸部扁平上皮がん；胃がん（stomach (gastric) cancer）；テント上原始神経外胚葉性腫瘍；T細胞リンパ腫；精巣がん；咽喉がん；胸腺がん；胸腺腫；甲状腺がん；移行上皮がん；腎盂および尿管の移行上皮がん；絨毛性腫瘍；尿管がん；尿道がん；子宮がん；子宮肉腫；膣がん；外陰がん；ワルデンシュトレーム型マクログロブリン血症；またはウィルムス腫瘍を含む、本発明1029～1066のいずれかの方法。
[本発明1068]
がんが、急性骨髄性白血病（AML）、乳がん、胆管がん、結腸直腸腺がん、肝外胆管腺がん、女性性器悪性腫瘍、胃腺がん、胃食道腺がん、消化管間質腫瘍（GIST）、神経膠芽腫、頭頸部扁平上皮がん、白血病、肝細胞がん、低悪性度神経膠腫、肺気管支肺胞がん（BAC）、非小細胞肺がん（NSCLC）、肺小細胞がん（SCLC）、リンパ腫、男性生殖器悪性腫瘍、胸膜の悪性孤立性線維性腫瘍（MSFT）、黒色腫、多発性骨髄腫、神経内分泌腫瘍、結節性びまん性大細胞型B細胞リンパ腫、非上皮性卵巣がん（非EOC）、卵巣表面上皮がん、膵臓腺がん、下垂体がん、乏突起神経膠腫、前立腺腺がん、後腹膜もしくは腹膜がん、後腹膜もしくは腹膜肉腫、小腸悪性腫瘍、軟部組織腫瘍、胸腺がん、甲状腺がん、またはブドウ膜黒色腫を含む、本発明1029～1066のいずれかの方法。
[本発明1069]
がんが、結腸直腸がん、卵巣がん、食道がん、食道胃接合部がん、胃がん、頭頸部がん、膀胱がん、乳がん、子宮内膜がん、子宮がん、子宮頸がん、膵臓がん、または肺がんを含む、本発明1029～1066のいずれかの方法。
[本発明1070]
がんに関するコンセンサス分子サブタイプ（CMS）を決定する工程をさらに含み、がんが結腸直腸がんを含む、本発明1069の方法。
[本発明1071]
がんを有する対象のための治療を選択する方法であって、
がん由来の細胞を含む生体試料を得る工程；
該生体試料からのゲノムDNAに対して次世代シーケンシングを実施して、
（a）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRNおよびCDX2の1、2、3、4、5、6、7または8個すべてを含む、グループ2、
（b）BCL9、PBX1、PRRX1、INHBAおよびYWHAEの1、2、3、4または5個すべてを含む、グループ6、
（c）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1およびMNX1の1、2、3、4、5、6、7、8、9、10、11、12、13、14または15個すべてを含む、グループ7、
（d）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1およびEZRの1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、44または45個すべてを含む、グループ8、ならびに
（e）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKAおよびHOXA11の1、2、3、4、5、6、7、8、9、10または11個すべてを含む、グループ9
の遺伝子またはそれらに近接するゲノム領域のそれぞれに関して、コピー数を決定する工程；
機械学習分類モデルを、グループ2、グループ6、グループ7、グループ8およびグループ9のそれぞれに関して得られたコピー数に適用する工程であって、任意で、各機械学習分類モデルがランダムフォレストモデルであり、任意で、該ランダムフォレストモデルが表10に記載されるものである、工程；
各機械学習分類モデルから、該対象が、プラチナベース化学療法による治療からのベネフィットの確率の増加を有すると予測されるかまたは該確率の減少を有すると予測されるかの指標を得る工程；ならびに
該対象がプラチナベース化学療法からのベネフィットの確率の増加を有すると機械学習分類モデルの大多数が予測する場合、プラチナベース化学療法またはプラチナベース化学療法を含む併用療法を選択し、該対象がプラチナベース化学療法からのベネフィットの確率の減少を有すると機械学習分類モデルの大多数が予測する場合、プラチナベース化学療法の代替治療またはプラチナベース化学療法と併用するさらなる治療を選択する工程
を含む、前記方法。
[本発明1072]
選択された治療を対象に投与する工程をさらに含む、本発明1071の方法。
[本発明1073]
本発明1029～1072のいずれかの方法を実施した結果を要約するレポートを作成する工程を含む、分子プロファイリングレポートを生成する方法。
[本発明1074]
レポートが、
（a）本発明1055～1060のいずれかの少なくとも1つの治療のベネフィットの増加もしくは減少の予測；または
（b）本発明1071もしくは1072の選択された治療
を含む、本発明1073の方法。
[本発明1075]
レポートが、コンピュータ生成されるか；プリントされたレポートもしくはコンピュータファイルであるか；またはウェブポータルを介してアクセス可能である、本発明1073または1074の方法。
[本発明1076]
対象におけるがんのための治療法を同定するためのシステムであって、
（a）少なくとも1つのホストサーバ；
（b）データへのアクセスおよびデータの入力のために該少なくとも1つのホストサーバにアクセスするための、少なくとも1つのユーザインタフェース；
（c）入力されたデータを処理するための、少なくとも1つのプロセッサ；
（d）処理されたデータと、
（1）本発明1029～1072のいずれかの生体試料を分析した結果にアクセスし；かつ
（2）本発明1055～1060のいずれかの少なくとも1つの治療または本発明1071もしくは1072の選択された治療のベネフィットの増加または減少を予測する
ための命令と
を記憶するための、該プロセッサに結合された少なくとも1つのメモリ；ならびに
（e）がんの治療を表示するための、少なくとも1つのディスプレイであって、該治療がプラチナ療法である、少なくとも1つのディスプレイ
を含む、前記システム。
[本発明1077]
少なくとも1つのディスプレイが、生体試料を分析した結果と、がんの治療に有望なベネフィットを有する治療またはがんの治療のために選択された治療とを含むレポートを含む、本発明1076のシステム。
本発明の他の特徴および利点が以下の詳細な説明および図面ならびに添付の特許請求の範囲から明らかになる。 [Invention 1001]
A data processor for generating an input data structure for use in training a machine learning model to predict efficacy of treatment for a disease or disorder of interest, comprising:
The data processing apparatus stores one or more processors and one or more storage devices that, when executed by the one or more processors, cause the one or more processors to perform operations. and
The action is
obtaining, by the data processor, one or more biomarker data structures and one or more outcome data structures;
The data processor extracts first data representing one or more biomarkers associated with a subject from the one or more biomarker data structures and second data representing a disease or disorder and treatment. from said one or more outcome data structures to extract third data representing outcome of treatment for said disease or disorder;
generating, by the data processor, a data structure for input to a machine learning model based on first data representing the one or more biomarkers and second data representing the disease or disorder and treatment process;
providing, by the data processor, the generated data structure as input to the machine learning model;
obtaining, by the data processor, an output generated by the machine learning model based on the machine learning model's processing of the generated data structure;
determining, by the data processor, the difference between third data representing the outcome of treatment for the disease or disorder and the output generated by the machine learning model; and
one of the machine learning models, or Adjusting multiple parameters
The data processing device, comprising:
[Invention 1002]
The data processing apparatus of the invention 1001, wherein the set of one or more biomarkers comprises one or more biomarkers listed in any one of Tables 2-8.
[Invention 1003]
The data processing apparatus of the invention 1001, wherein the set of one or more biomarkers comprises each of the biomarkers of the invention 1002.
[Invention 1004]
The set of one or more biomarkers comprises at least one of the biomarkers of the invention 1002; or any combination thereof; or optionally, the set of one or more biomarkers substantially comprises whole exome, whole genome and/or whole transcriptome. Device.
[Invention 1005]
A data processor for generating an input data structure for use in training a machine learning model to predict a subject's therapeutic responsiveness to a particular therapy, comprising:
The data processing apparatus stores one or more processors and one or more storage devices that, when executed by the one or more processors, cause the one or more processors to perform operations. and
The action is
obtaining, by the data processor, from a first distributed data source a first data structure structuring data representing a set of one or more biomarkers associated with a subject, comprising: comprises a key-value identifying the object;
storing, by the data processing apparatus, the first data structure in one or more memory devices;
obtaining, by the data processor, from a second distributed data source a second data structure structuring data representing outcome data for a subject having the one or more biomarkers, the outcome data comprises data identifying a disease or disorder, a treatment, and an indication of the efficacy of said treatment, said second data structure also comprising a key value identifying said subject;
storing, by the data processing apparatus, the second data structure in one or more memory devices;
By said data processor and using said first data structure and said second data structure stored in said memory device, (i) a set of one or more biomarkers, said disease or disorder , and data representing a treatment, and (ii) a label providing an indication of the effectiveness of a treatment for the disease or disorder, by the data processor and The step of generating by using the first data structure and the second data structure causes the data processing apparatus to generate one or more data structures associated with the object based on key-values identifying the object. correlating a first data structure structuring data representing a set of biomarkers with a second data structure representing outcome data for a subject having said one or more biomarkers; and
training a machine learning model using the generated labeled training data structure by the data processing apparatus, using the generated labeled training data structure to train a machine learning model; providing, by the data processor, the generated labeled training data structure to the machine learning model as an input to the machine learning model.
The data processing device, comprising:
[Invention 1006]
the behavior is
obtaining, by a data processor, from the machine learning model an output generated by the machine learning model based on the machine learning model's processing of the generated labeled training data structure; and
determining, by the data processor, the difference between the output produced by the machine learning model and a label that provides an indication of the effectiveness of a treatment for a disease or disorder;
The data processing apparatus of the present invention 1005, further comprising:
[Invention 1007]
the behavior is
a data processing unit for determining one of the machine learning models based on the determined difference between the output generated by the machine learning model and a label that provides an indication of the effectiveness of a treatment for the disease or disorder; or adjusting multiple parameters
The data processing apparatus of the present invention 1006, further comprising:
[Invention 1008]
The set of one or more biomarkers comprises one or more biomarkers listed in any one of Tables 2-8; , the markers in Table 6, Table 7, Table 8 or any combination thereof; The data processing apparatus of the present invention 1005, comprising:
[Invention 1009]
The data processing apparatus of the invention 1005, wherein the set of one or more biomarkers comprises each of the biomarkers of the invention 1008.
[Invention 1010]
The data processing apparatus of the invention 1005, wherein the set of one or more biomarkers comprises one of the biomarkers of the invention 1008.
[Invention 1011]
A method comprising steps corresponding to each of the operations of any of the inventions 1001-1010.
[Invention 1012]
One that stores one or more computers and instructions that, when executed by the one or more computers, cause the one or more computers to perform each of the operations of any of the inventions 1001-1010 or a system including a plurality of data storage media.
[Invention 1013]
instructions executable by one or more computers and, when so executed, cause the one or more computers to perform the operations of any of the inventions 1001-1010;
A non-transitory computer-readable medium that stores software including
[Invention 1014]
A method for entity classification, comprising:
For each particular machine learning model of the plurality of machine learning models,
providing input data representing the types of entities to be classified to a particular machine learning model trained to make predictions or classification decisions;
obtaining output data representing an entity classification of a plurality of candidate entity classes into initial entity classes produced by the particular machine learning model based on processing input data by the particular machine learning model;
providing output data obtained for each of the plurality of machine learning models to a voting unit, the provided output data representing initial entity classes determined by each of the plurality of machine learning models. a process comprising data; and
determining, by the voting unit, a real entity class for the entity based on the provided output data;
The above method, comprising
[Invention 1015]
1015. The method of the invention 1014, wherein the actual entity class for the entity is determined by applying the majority rule to the provided output data.
[Invention 1016]
determining a real entity class for an entity based on output data provided by a voting unit;
determining, by the voting unit, the number of occurrences of each initial entity class of a plurality of candidate entity classes; and
Selecting, by the voting unit, an initial entity class having the greatest number of occurrences among the plurality of candidate entity classes.
The method of the invention 1014 or 1015, comprising:
[Invention 1017]
The present invention, wherein each machine learning model of the plurality of machine learning models comprises a random forest classification algorithm, a support vector machine, a logistic regression, a k-nearest neighbor model, an artificial neural network, a naive Bayesian model, a quadratic discriminant analysis, or a Gaussian process model. The method of any of Inventions 1014-1016.
[Invention 1018]
Invention 1014-1016, wherein each machine learning model of the plurality of machine learning models comprises a random forest classification algorithm.
[Invention 1019]
Invention 1014-1018, wherein the multiple machine learning models comprise multiple representations of the same type of classification algorithm.
[Invention 1020]
1019. The method of any of inventions 1014-1018, wherein the input data represents (i) entity attributes and (ii) treatment types for the disease or disorder.
[Invention 1021]
The method of the invention 1020, wherein the plurality of candidate entity classes comprises reactive classes or non-reactive classes.
[Invention 1022]
The method of invention 1020 or 1021, wherein the entity attributes comprise one or more biomarkers for the entity.
[Invention 1023]
1023. The method of invention 1022, wherein the one or more biomarkers comprise a panel of genes that is less than all known genes of the entity.
[Invention 1024]
1023. The method of invention 1022, wherein the one or more biomarkers comprise a panel of genes including all known genes for the entity.
[Invention 1025]
The one or more biomarkers comprise one or more biomarkers listed in any one of Tables 2-8; A method of the invention 1022 comprising a marker in Table 7, Table 8, or any combination thereof; or optionally, one or more biomarkers comprising substantially whole exome and/or whole transcriptome .
[Invention 1026]
1026. The method of any of the inventions 1020-1025, wherein the input data further comprises data representing a type of disease or disorder.
[Invention 1027]
One that stores one or more computers and instructions that, when executed by the one or more computers, cause the one or more computers to perform each of the operations of any of the present inventions 1014-1026 or a system including a plurality of data storage media.
[Invention 1028]
instructions executable by one or more computers and, when so executed, cause the one or more computers to perform the operations of any of the inventions 1014-1026;
A non-transitory computer-readable medium that stores software including
[Invention 1029]
obtaining a biological sample containing cells from cancer in a subject; and
performing an assay to assess at least one biomarker in said biological sample
A method comprising
The biomarker is
(a) Group 1, including all 1, 2, 3, 4, 5 or 6 of MYC, EP300, U2AF1, ASXL1, MAML2 and CNTRL;
(b) Group 2, containing all 1, 2, 3, 4, 5, 6, 7 or 8 of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN and CDX2;
(c) BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, HOXA11, AURKA, BIRC3, IKZF1, CASP8 and EP300 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 , group 3, including all 11, 12, 13 or 14;
(d) PBX1, BCL9, INHBA, PRRX1, YWHAE, GNAS, LHFPL6, FCRL4, AURKA, IKZF1, CASP8, PTEN and EP300 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 , including all 12 or 13, group 4;
(e) 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11 or 12 of BCL9, PBX1, PRRX1, INHBA, GNAS, YWHAE, LHFPL6, FCRL4, PTEN, HOXA11, AURKA and BIRC3 group 5, inclusive;
(f) Group 6, including all 1, 2, 3, 4 or 5 of BCL9, PBX1, PRRX1, INHBA and YWHAE;
(g) BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1 and MNX1 1, 2, 3, 4, 5, 6, 7, 8, 9 , including all 10, 11, 12, 13, 14 or 15, group 7;
(h) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1 and EZR 1, 2, 3, 4 , 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 , 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44 or 45, Group 8; and
(i) including all 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 or 11 of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA and HOXA11 , Group 9
The method, comprising at least one of
[Invention 1030]
Biological samples include formalin-fixed paraffin-embedded (FFPE) tissue, fixed tissue, core needle biopsy, fine needle aspirate, unstained slides, fresh frozen (FF) tissue, formalin samples, solutions that preserve nucleic acid or protein molecules A method of the invention 1029 comprising tissue, fresh sample, malignant fluid, bodily fluid, tumor sample, tissue sample or any combination thereof.
[Invention 1031]
The method of invention 1029 or 1030, wherein the biological sample comprises cells from a solid tumor.
[Invention 1032]
The method of the invention 1029 or 1030, wherein the biological sample comprises bodily fluid.
[Invention 1033]
The method of any of inventions 1029-1032, wherein the bodily fluid comprises malignant fluid, pleural fluid, peritoneal fluid, or any combination thereof.
[Invention 1034]
Peripheral blood, serum, plasma, ascites, urine, cerebrospinal fluid (CSF), sputum, saliva, bone marrow, synovial fluid, aqueous humor, amniotic fluid, cerumen, breast milk, bronchoalveolar lavage fluid, semen, prostatic fluid, Cowper's gland fluid, bulbourethral fluid, female ejaculate, sweat, feces, tears, cystic fluid, pleural fluid, peritoneal fluid, pericardial fluid, lymphatic fluid, chyme, chyle, bile, interstitial fluid, menstrual secretions, The method of any of the inventions 1029-1033, comprising pus, sebum, vomit, vaginal secretions, mucosal secretions, watery stool, pancreatic juice, nasal wash, bronchopulmonary aspirate, blastocoel fluid or cord blood.
[Invention 1035]
The present invention wherein assessing comprises determining the presence, level or status of a protein or nucleic acid for each biomarker, optionally wherein said nucleic acid comprises deoxyribonucleic acid (DNA), ribonucleic acid (RNA) or a combination thereof Any method from 1029 to 1034.
[Invention 1036]
(a) the presence, level or status of the protein is determined using immunohistochemistry (IHC), flow cytometry, immunoassays, antibodies or functional fragments thereof, aptamers or any combination thereof; and/or
(b) the presence, level or status of nucleic acids is determined by polymerase chain reaction (PCR), in situ hybridization, amplification, hybridization, microarray, nucleic acid sequencing, dye terminator sequencing, pyrosequencing, next generation sequencing (NGS; high-throughput sequencing) or any combination thereof;
The method of the invention 1035.
[Invention 1037]
nucleic acid status is sequence, mutation, polymorphism, deletion, insertion, substitution, translocation, fusion, truncation, duplication, amplification, repeat, copy number, copy number variation (CNV; copy number alteration; CNA), or A method of the invention 1036, including any combination thereof.
[Invention 1038]
1037. The method of the invention 1037, wherein the nucleic acid status comprises copy number.
[Invention 1039]
1038. The method of the invention 1038, comprising performing an assay to determine the copy number of all members of Group 1 (ie MYC, EP300, U2AF1, ASXL1, MAML2 and CNTRL) or genomic regions adjacent thereto.
[Invention 1040]
1038 of the invention, comprising performing an assay to determine the copy number of all members of Group 2 (i.e. MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN and CDX2) or genomic regions adjacent thereto. the method of.
[Invention 1041]
To determine the copy number of all members of Group 3 (i.e. BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, HOXA11, AURKA, BIRC3, IKZF1, CASP8 and EP300) or their adjacent genomic regions The method of the invention 1038, comprising performing the assay of
[Invention 1042]
Assays to determine the copy number of all members of Group 4 (i.e. PBX1, BCL9, INHBA, PRRX1, YWHAE, GNAS, LHFPL6, FCRL4, AURKA, IKZF1, CASP8, PTEN and EP300) or adjacent genomic regions The method of the invention 1038, comprising the step of performing
[Invention 1043]
Perform assays to determine copy number of all members of Group 5 (i.e. BCL9, PBX1, PRRX1, INHBA, GNAS, YWHAE, LHFPL6, FCRL4, PTEN, HOXA11, AURKA and BIRC3) or adjacent genomic regions The method of the invention 1038, comprising the step of
[Invention 1044]
1038. A method of the invention 1038 comprising performing an assay to determine the copy number of all members of Group 6 (ie, BCL9, PBX1, PRRX1, INHBA and YWHAE) or genomic regions adjacent thereto.
[Invention 1045]
Determine the copy number of all members of Group 7 (i.e. BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1 and MNX1) or their adjacent genomic regions A method of the invention 1038, comprising performing an assay for
[Invention 1046]
All members of Group 8 (i.e. BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1, TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1 and EZR) or those 1038. The method of the invention 1038, comprising performing an assay to determine the copy number of the genomic region adjacent to the.
[Invention 1047]
performing an assay to determine the copy number of all members of Group 9 (i.e. BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA and HOXA11) or their adjacent genomic regions. A method of the invention 1038, comprising:
[Invention 1048]
(a) at least one or all members of Group 1 and Group 2 or their adjacent genomic regions;
(b) at least one or all members of group 3 or their adjacent genomic regions; or
(c) at least one or all members of Group 2, Group 6, Group 7, Group 8 and Group 9 or their adjacent genomic regions;
1038. The method of the invention 1038, comprising performing an assay to determine the copy number of .
[Invention 1049]
The method of any of inventions 1038-1048, further comprising comparing the biomarker copy number to a reference copy number (eg, diploid) to identify biomarkers with copy number variations (CNVs).
[Invention 1050]
1049. The method of the invention 1049, further comprising generating a molecular profile that identifies genes with CNVs or regions adjacent thereto.
[Invention 1051]
The method of any of inventions 1029-1050, wherein the presence or level of PTEN protein is determined, optionally wherein the presence or level of PTEN protein is determined using immunohistochemistry (IHC).
[Invention 1052]
Further comprising determining levels of proteins, including TOPO1 and one or more mismatch repair proteins (e.g., MLH1, MSH2, MSH6 and PMS2), optionally wherein the presence or level of PTEN protein is determined by immunohistochemistry (IHC). ) of any of the inventions 1029-1051.
[Invention 1053]
The method of invention 1051 or 1052, further comprising comparing the level of the protein or proteins to a reference level for each of said protein or proteins.
[Invention 1054]
1053. The method of invention 1053, further comprising generating a molecular profile identifying proteins having levels that differ from, eg, significantly differ from, the reference level.
[Invention 1055]
further comprising predicting an increased or decreased benefit of cancer treatment based on the biomarkers evaluated, optionally wherein said treatment comprises platinum-based chemotherapy or a combination therapy comprising platinum-based chemotherapy; of the invention 1029-1054, wherein said platinum-based chemotherapy comprises cisplatin, carboplatin, oxaliplatin, and/or nedaplatin, and said combination therapy comprising platinum-based chemotherapy comprises FOLFOX, FOLFOXIRI, and/or FOLFIRINOX. either way.
[Invention 1056]
predicting an increase or decrease in the benefit of treatment comprising:
(a) a determined copy number of any of the inventions 1038-1048; and/or
(b) Molecular Profile of Invention 1050 or 1054
The method of the invention 1055 based on.
[Invention 1057]
The method of invention 1056, wherein predicting an increase or decrease in therapeutic benefit based on the determined copy number of any of inventions 1038-1048 comprises use of a voting module.
[Invention 1058]
The method of invention 1057, wherein the voting module is of any of inventions 1014-1026.
[Invention 1059]
The method of invention 1057 or 1058, wherein the voting module comprises using at least one random forest model.
[Invention 1060]
Using the voting module comprises applying a machine learning classification model to the copy numbers obtained for each of group 2, group 6, group 7, group 8 and group 9, optionally wherein each machine learning classification model 1059. The method of any of Inventions 1057-1059, which is a Random Forest model, optionally wherein the Random Forest model is one described in Table 10.
[Invention 1061]
The method of any of inventions 1055-1060, wherein the subject has not been previously treated with said therapy.
[Invention 1062]
The method of any of inventions 1029-1061, wherein the cancer comprises metastatic cancer, recurrent cancer, or a combination thereof.
[Invention 1063]
The method of any of inventions 1029-1062, wherein the subject has not previously received treatment for cancer.
[Invention 1064]
The method of any of inventions 1055-1063, further comprising administering to the subject a treatment predicted to have an increased benefit.
[Invention 1065]
The method of any of inventions 1055-1064, further comprising not administering to the subject a treatment predicted to have a reduced benefit.
[Invention 1066]
The method of invention 1064 or 1065, wherein progression-free survival (PFS), disease-free survival (DFS), or longevity is prolonged by administration of said treatment.
[Invention 1067]
Cancer is acute lymphoblastic leukemia; acute myeloid leukemia; adrenocortical carcinoma; AIDS-related cancer; AIDS-related lymphoma; anal cancer; Tumor; basal cell carcinoma; bladder cancer; brain stem glioma; brain tumor, brain stem glioma, central nervous system atypical teratoid/rhabdoid tumor, central nervous system embryonal tumor, astrocytoma, craniopharyngeal tumor, ependymoblastoma, ependymoma, medulloblastoma, medulla epithelioma, intermediate pineal parenchymal tumor, supratentorial primitive neuroectodermal tumor and pineoblastoma; breast cancer; bronchial tumor; Burkitt's lymphoma; Carcinoma of unknown primary (CUP); carcinoid tumor; carcinoma of unknown primary; central nervous system atypical teratoid/rhabdoid tumor; central nervous system embryonal tumor; Leukemia; chronic myelogenous leukemia; chronic myeloproliferative disorders; colon cancer; colorectal cancer; craniopharyngioma; cutaneous T-cell lymphoma; Ewing sarcoma; extracranial germ cell tumor; extragonadal germ cell tumor; extrahepatic bile duct cancer; gallbladder cancer; gastric (stomach) cancer; gastrointestinal carcinoid tumor; stromal cell tumor; gastrointestinal stromal tumor (GIST); gestational trophoblastic tumor; glioma; pilocytic leukemia; head and neck cancer; islet tumor; Kaposi's sarcoma; kidney cancer; Langerhans cell histiocytosis; laryngeal cancer; lip cancer; liver cancer; Merkel cell carcinoma; Merkel cell skin cancer; mesothelioma; metastatic squamous neck carcinoma of unknown primary; mouth cancer; myeloma/plasma cell tumor; mycosis fungoides; myelodysplastic syndrome; myeloproliferative neoplasm; nasal cavity cancer; nasopharyngeal carcinoma; oral cavity cancer; oropharyngeal cancer; osteosarcoma; other brain and spinal cord tumors; ovarian cancer; ovarian epithelial cancer; Low-grade tumors; pancreatic cancer; papillomatosis; paranasal sinus cancer; parathyroid cancer; pelvic cancer; Plasma Cell Tumor/Multiple Myeloma; Pleuropulmonary Blastoma; Primary Central Nervous System (CNS) Lymphoma; Primary Hepatocellular Liver Carcinoma; renal) cancer; renal cell carcinoma; airway cancer; retinoblastoma; rhabdomyosarcoma; salivary gland carcinoma; squamous cell carcinoma; stomach (gastric) cancer; supratentorial primitive neuroectodermal tumor; T-cell lymphoma; testicular cancer; uterine sarcoma; vaginal cancer; vulvar cancer; Waldenström macroglobulinemia; or The method of any of inventions 1029-1066 comprising Wilms Tumor.
[Invention 1068]
Cancer is acute myeloid leukemia (AML), breast cancer, bile duct cancer, colorectal adenocarcinoma, extrahepatic bile duct adenocarcinoma, female genital malignant tumor, gastric adenocarcinoma, gastroesophageal adenocarcinoma, gastrointestinal stroma tumor (GIST), glioblastoma, head and neck squamous cell carcinoma, leukemia, hepatocellular carcinoma, low-grade glioma, bronchoalveolar carcinoma (BAC), non-small cell lung cancer (NSCLC), lung small cell carcinoma (SCLC), lymphoma, male reproductive malignancy, malignant solitary fibrous tumor of the pleura (MSFT), melanoma, multiple myeloma, neuroendocrine tumors, nodular diffuse large B-cell lymphoma, Non-epithelial ovarian cancer (non-EOC), ovarian surface epithelial carcinoma, pancreatic adenocarcinoma, pituitary carcinoma, oligodendroglioma, prostatic adenocarcinoma, retroperitoneal or peritoneal carcinoma, retroperitoneal or peritoneal sarcoma , small bowel malignancy, soft tissue tumor, thymic carcinoma, thyroid carcinoma, or uveal melanoma.
[Invention 1069]
Cancer is colorectal cancer, ovarian cancer, esophageal cancer, esophagogastric junction cancer, gastric cancer, head and neck cancer, bladder cancer, breast cancer, endometrial cancer, uterine cancer, cervical cancer cancer, pancreatic cancer, or lung cancer.
[Invention 1070]
1069. The method of the invention 1069, further comprising determining a consensus molecular subtype (CMS) for the cancer, wherein the cancer comprises colorectal cancer.
[Invention 1071]
A method of selecting a treatment for a subject with cancer, comprising:
obtaining a biological sample containing cancer-derived cells;
performing next-generation sequencing on genomic DNA from the biological sample,
(a) group 2, containing all 1, 2, 3, 4, 5, 6, 7 or 8 of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN and CDX2;
(b) group 6, containing all 1, 2, 3, 4 or 5 of BCL9, PBX1, PRRX1, INHBA and YWHAE;
(c) BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1 and MNX1 1, 2, 3, 4, 5, 6, 7, 8, 9 , including all 10, 11, 12, 13, 14 or 15, group 7,
(d) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1 and EZR 1, 2, 3, 4 , 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 , including all 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44 or 45, and
(e) including all 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 or 11 of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA and HOXA11 , Group 9
determining the copy number for each of the genes of or their adjacent genomic regions;
applying a machine learning classification model to the copy numbers obtained for each of group 2, group 6, group 7, group 8 and group 9, optionally each machine learning classification model being a random forest model; , optionally, wherein the random forest model is one listed in Table 10;
obtaining from each machine learning classification model an indication of whether the subject is predicted to have an increased or decreased probability of benefit from treatment with platinum-based chemotherapy; and
If the majority of machine learning classification models predict that the subject will have an increased probability of benefit from platinum-based chemotherapy, select platinum-based chemotherapy or a combination therapy that includes platinum-based chemotherapy, and the subject receives platinum-based chemotherapy. Selecting an alternative treatment to platinum-based chemotherapy or an additional treatment in combination with platinum-based chemotherapy if the majority of the machine learning classification models predict that it will have a reduced probability of benefit from the base chemotherapy.
The above method, comprising
[Invention 1072]
The method of invention 1071, further comprising administering the selected therapy to the subject.
[Invention 1073]
A method of generating a molecular profiling report comprising generating a report summarizing the results of performing the method of any of the inventions 1029-1072.
[Invention 1074]
the report is
(a) predicting increased or decreased benefit of at least one treatment of any of the inventions 1055-1060; or
(b) selected treatments of the invention 1071 or 1072
A method of the invention 1073, comprising:
[Invention 1075]
The method of invention 1073 or 1074, wherein the report is computer generated; is a printed report or computer file; or is accessible via a web portal.
[Invention 1076]
A system for identifying a therapy for cancer in a subject, comprising:
(a) at least one host server;
(b) at least one user interface for accessing said at least one host server for data access and data entry;
(c) at least one processor for processing the input data;
(d) processed data;
(1) accessing the results of analyzing the biological sample of any of Inventions 1029-1072; and
(2) predicts increased or decreased benefit of at least one treatment of any of the inventions 1055-1060 or the selected treatment of the inventions 1071 or 1072
instructions for and
at least one memory coupled to the processor for storing
(e) at least one display for displaying a cancer therapy, wherein the therapy is platinum therapy;
The system, comprising:
[Invention 1077]
1076. The system of invention 1076, wherein at least one display comprises a report comprising the results of analyzing the biological sample and the treatments that have probable benefit or are selected for the treatment of cancer.
Other features and advantages of the invention will become apparent from the following detailed description and drawings and from the appended claims.

Claims (30)

第1の対象におけるがんのための治療を選択するためのシステムであって、A system for selecting a treatment for cancer in a first subject, comprising:
1つまたは複数のコンピュータと；with one or more computers;
該1つまたは複数のコンピュータによって実行されると、該1つまたは複数のコンピュータに動作を実行させる命令を記憶している1つまたは複数のメモリデバイスとone or more memory devices storing instructions that, when executed by the one or more computers, cause the one or more computers to perform operations;
を含み、該動作が、wherein the action is
該1つまたは複数のコンピュータにより、次世代シーケンサにより生成された出力データに基づき複数のコピー数を得ることであって、該次世代シーケンサが、第1の対象からのがん細胞を含む生体試料をシーケンシングすることにより該出力データを生成し、該複数のコピー数が、以下のグループの遺伝子またはそれらに近接するゲノム領域： obtaining, by the one or more computers, a plurality of copy numbers based on output data generated by a next-generation sequencer, wherein the next-generation sequencer is a biological sample comprising cancer cells from a first subject; wherein the multiple copy numbers are derived from the following groups of genes or their adjacent genomic regions:
（a）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2の複数を含むグループ1； (a) Group 1, which includes multiples of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN, and CDX2;
（b）BCL9、PBX1、PRRX1、INHBA、およびYWHAEの複数を含むグループ2； (b) Group 2, which includes multiples of BCL9, PBX1, PRRX1, INHBA, and YWHAE;
（c）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1の複数を含むグループ3； (c) Group 3, which includes more than one of BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1, and MNX1;
（d）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRの複数を含むグループ4；および (d) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and multiple of EZR; and
（e）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11の複数を含むグループ5 (e) Group 5 containing multiple of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11
のそれぞれに関するコピー数を含む、こと；including the copy number for each of the
該1つまたは複数のコンピュータにより、予測モデルへの入力として入力データを提供することであって、該入力データが、得られた複数のコピー数を含み、該予測モデルが、複数の機械学習モデルを含み、各機械学習モデルが、グループ1、グループ2、グループ3、グループ4、およびグループ5の1つに関して得られたコピー数を処理するように構成されている、こと； providing, by the one or more computers, input data as input to a predictive model, the input data comprising a plurality of obtained copy numbers, the predictive model comprising a plurality of machine learning models wherein each machine learning model is configured to process copy numbers obtained for one of group 1, group 2, group 3, group 4, and group 5;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの1つを通してグループごとに、得られたコピー数を含む入力データを処理することであって、該処理することは、 processing, by the one or more computers, input data comprising copy numbers obtained for each group through one of the plurality of machine learning models, the processing comprising:
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第1の機械学習モデルを通してグループ1に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第1のデータを生成することであって、第1の機械学習モデルが、MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 1 through a first machine learning model of said plurality of machine learning models such that a first subject benefits from treatment comprising platinum therapy; Generating first data indicating whether a first machine learning model is likely to have been trained to process input data, including copy number, to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第2の機械学習モデルを通してグループ2に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第2のデータを生成することであって、第2の機械学習モデルが、BCL9、PBX1、PRRX1、INHBA、およびYWHAEを含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 2 through a second machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy; Generating second data indicating whether a second machine learning model is likely to generate a second data set containing copy numbers for a group of genes including BCL9, PBX1, PRRX1, INHBA, and YWHAE has been trained to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy, based on processing
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第3の機械学習モデルを通してグループ3に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第3のデータを生成することであって、第3の機械学習モデルが、BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 3 through a third machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating third data indicating whether the third machine learning model is likely to Based on processing input data containing copy numbers for a group of genes including ACKR3, MSI2, PCM1, and MNX1, trained to generate output data indicative of potential benefit from treatment, including platinum therapy there is
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第4の機械学習モデルを通してグループ4に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第4のデータを生成することであって、第4の機械学習モデルが、BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRを含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、および processing, by said one or more computers, the copy number obtained for Group 4 through a fourth machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating fourth data indicating whether the likelihood is high, wherein the fourth machine learning model is BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1, TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, Based on processing input data containing copy number for a group of genes including BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and EZR, demonstrate potential benefit from treatment including platinum therapy have been trained to generate output data, and
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第5の機械学習モデルを通してグループ5に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第5のデータを生成することであって、第5の機械学習モデルが、BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法Xを含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと processing, by said one or more computers, the copy number obtained for Group 5 through a fifth machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating a fifth data indicating whether the likelihood is high, the fifth machine learning model is BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11 has been trained to generate output data indicative of the likelihood of benefiting from a treatment containing platinum therapy X based on processing input data containing copy numbers for a group of genes containing
を含む、こと；including;
該1つまたは複数のコンピュータにより、第1のデータ、第2のデータ、第3のデータ、および第5のデータに基づき、複数の機械学習分類モデルの過半数が、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すかどうかを決定すること； The one or more computers determine, based on the first data, the second data, the third data, and the fifth data, a majority of the plurality of machine learning classification models that the first subject received platinum therapy. determining whether there is a high likelihood of benefiting from treatment including;
該機械学習分類モデルの過半数が、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すという決定に基づき、該1つまたは複数のコンピュータにより、プラチナ療法を含む治療を同定するデータを同定すること；ならびに Based on a determination that a majority of the machine learning classification models indicate that the first subject is likely to benefit from a treatment comprising platinum therapy, the one or more computers determine that a treatment comprising platinum therapy is administered. identifying identifying data; and
該1つまたは複数のコンピュータにより、プラチナ療法を含む治療を同定する出力を提供すること providing output by the one or more computers identifying a treatment comprising platinum therapy
を含む、システム。system, including プラチナ療法は、シスプラチン、カルボプラチン、オキサリプラチン、またはネダプラチンのうち1つまたは複数を含む、請求項1記載のシステム。2. The system of claim 1, wherein platinum therapy comprises one or more of cisplatin, carboplatin, oxaliplatin, or nedaplatin. プラチナ療法は、シスプラチン、カルボプラチン、オキサリプラチン、またはネダプラチンのうち1つまたは複数を含む併用療法を含む、請求項1記載のシステム。2. The system of claim 1, wherein platinum therapy comprises combination therapy comprising one or more of cisplatin, carboplatin, oxaliplatin, or nedaplatin. がんが、急性骨髄性白血病（AML）、乳がん、胆管がん、結腸直腸腺がん、肝外胆管腺がん、女性性器悪性腫瘍、胃腺がん、胃食道腺がん、消化管間質腫瘍（GIST）、神経膠芽腫、頭頸部扁平上皮がん、白血病、肝細胞がん、低悪性度神経膠腫、肺気管支肺胞がん（BAC）、非小細胞肺がん（NSCLC）、肺小細胞がん（SCLC）、リンパ腫、男性生殖器悪性腫瘍、胸膜の悪性孤立性線維性腫瘍（MSFT）、黒色腫、多発性骨髄腫、神経内分泌腫瘍、結節性びまん性大細胞型B細胞リンパ腫、非上皮性卵巣がん（非EOC）、卵巣表面上皮がん、膵臓腺がん、下垂体がん、乏突起神経膠腫、前立腺腺がん、後腹膜もしくは腹膜がん、後腹膜もしくは腹膜肉腫、小腸悪性腫瘍、軟部組織腫瘍、胸腺がん、甲状腺がん、またはブドウ膜黒色腫を含む、請求項1記載のシステム。Cancer is acute myeloid leukemia (AML), breast cancer, bile duct cancer, colorectal adenocarcinoma, extrahepatic bile duct adenocarcinoma, female genital malignant tumor, gastric adenocarcinoma, gastroesophageal adenocarcinoma, gastrointestinal stroma tumor (GIST), glioblastoma, head and neck squamous cell carcinoma, leukemia, hepatocellular carcinoma, low-grade glioma, bronchoalveolar carcinoma (BAC), non-small cell lung cancer (NSCLC), lung small cell carcinoma (SCLC), lymphoma, male reproductive malignancy, malignant solitary fibrous tumor of the pleura (MSFT), melanoma, multiple myeloma, neuroendocrine tumors, nodular diffuse large B-cell lymphoma, Non-epithelial ovarian cancer (non-EOC), ovarian surface epithelial carcinoma, pancreatic adenocarcinoma, pituitary carcinoma, oligodendroglioma, prostatic adenocarcinoma, retroperitoneal or peritoneal carcinoma, retroperitoneal or peritoneal sarcoma , small bowel malignancy, soft tissue tumor, thymic carcinoma, thyroid carcinoma, or uveal melanoma. がんが、結腸直腸がん、卵巣がん、食道がん、食道胃接合部がん、胃がん、頭頸部がん、膀胱がん、乳がん、子宮内膜がん、子宮がん、子宮頸がん、膵臓がん、または肺がんを含む、請求項1記載のシステム。Cancer is colorectal cancer, ovarian cancer, esophageal cancer, esophagogastric junction cancer, gastric cancer, head and neck cancer, bladder cancer, breast cancer, endometrial cancer, uterine cancer, cervical cancer 3. The system of claim 1, comprising cancer, pancreatic cancer, or lung cancer. 生体試料が、ホルマリン固定パラフィン包埋（FFPE）組織、固定組織、コア針生検、穿刺吸引液、非染色スライド、新鮮凍結（FF）組織、ホルマリン試料、核酸もしくはタンパク質分子を保存する溶液に含まれる組織、新鮮な試料、悪性流体、体液、腫瘍試料、組織試料またはそれらの任意の組み合わせを含む、請求項1記載のシステム。Biological samples include formalin-fixed paraffin-embedded (FFPE) tissue, fixed tissue, core needle biopsy, fine needle aspirate, unstained slides, fresh frozen (FF) tissue, formalin samples, solutions that preserve nucleic acid or protein molecules 3. The system of claim 1, comprising tissue, fresh samples, malignant fluids, bodily fluids, tumor samples, tissue samples, or any combination thereof. 生体試料が固形腫瘍からの細胞を含む、請求項1記載のシステム。3. The system of Claim 1, wherein the biological sample comprises cells from a solid tumor. 生体試料が体液を含む、請求項1記載のシステム。2. The system of claim 1, wherein the biological sample comprises bodily fluid. 体液が、悪性流体、胸膜液、または腹膜液を含む、請求項8記載のシステム。9. The system of claim 8, wherein the bodily fluid comprises malignant fluid, pleural fluid, or peritoneal fluid. 体液が、末梢血、血清、血漿、腹水、尿、脳脊髄液（CSF）、痰、唾液、骨髄、滑液、眼房水、羊水、耳垢、母乳、気管支肺胞洗浄液、精液、前立腺液、カウパー腺液、尿道球腺液、女性射精液、汗、糞便、涙液、嚢胞液、胸膜液、腹膜液、心膜液、リンパ液、糜粥、乳糜、胆汁、間質液、月経分泌物、膿、皮脂、嘔吐物、膣分泌液、粘膜分泌液、水便、膵液、鼻腔からの洗浄液、気管支肺吸引液、胞胚腔液または臍帯血を含む、請求項8記載のシステム。Peripheral blood, serum, plasma, ascites, urine, cerebrospinal fluid (CSF), sputum, saliva, bone marrow, synovial fluid, aqueous humor, amniotic fluid, cerumen, breast milk, bronchoalveolar lavage fluid, semen, prostatic fluid, Cowper's gland fluid, bulbourethral fluid, female ejaculate, sweat, feces, tears, cystic fluid, pleural fluid, peritoneal fluid, pericardial fluid, lymphatic fluid, chyme, chyle, bile, interstitial fluid, menstrual secretions, 9. The system of claim 8, comprising pus, sebum, vomit, vaginal secretions, mucosal secretions, watery stools, pancreatic juice, nasal lavage, bronchopulmonary aspirate, blastocoel fluid or umbilical cord blood. 次世代シーケンサが、遺伝子のパネルをシーケンシングするように構成されている、請求項1記載のシステム。3. The system of claim 1, wherein the next generation sequencer is configured to sequence a panel of genes. 次世代シーケンサが、全エクソームシーケンシングを実行するように構成されている、請求項1記載のシステム。3. The system of claim 1, wherein the next generation sequencer is configured to perform whole exome sequencing. 第1のデータ、第2のデータ、第3のデータ、第4のデータ、および第5のデータがそれぞれ、各機械学習分類モデルの等価な投票を表す、請求項1記載のシステム。2. The system of claim 1, wherein the first data, the second data, the third data, the fourth data, and the fifth data each represent an equivalent vote for each machine learning classification model. 第1のデータ、第2のデータ、第3のデータ、第4のデータ、および第5のデータがそれぞれ、各々の機械学習分類モデルに関連する信頼度スコアに基づき調整された各機械学習分類モデルの投票を表す、請求項1記載のシステム。each machine learning classification model in which the first data, the second data, the third data, the fourth data, and the fifth data are each adjusted based on a confidence score associated with the respective machine learning classification model; 2. The system of claim 1, representing a vote of . 複数の機械学習モデルのうち1つ以上の機械学習モデルがランダムフォレストモデルである、請求項1記載のシステム。2. The system of claim 1, wherein one or more machine learning models of the plurality of machine learning models are random forest models. 前記動作が、the operation is
1つまたは複数のコンピュータにより、第2の対象からがん細胞を含む第2の生体試料を得ること； obtaining a second biological sample comprising cancer cells from a second subject by one or more computers;
該1つまたは複数のコンピュータにより、次世代シーケンサにより生成された第2の出力データに基づき複数の第2のコピー数を得ることであって、該次世代シーケンサが、第2の対象からのがん細胞を含む第2の生体試料をシーケンシングすることにより第2の出力データを生成し、該複数の第2のコピー数が、以下のグループの遺伝子またはそれらに近接するゲノム領域： obtaining, by the one or more computers, a plurality of second copy numbers based on second output data generated by a next generation sequencer, wherein the next generation sequencer produces generating second output data by sequencing a second biological sample comprising cancer cells, wherein the plurality of second copy numbers comprises the following groups of genes or adjacent genomic regions thereof:
（f）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2の複数を含むグループ1； (f) Group 1, which includes multiples of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN, and CDX2;
（g）BCL9、PBX1、PRRX1、INHBA、およびYWHAEの1つ、2つ、3つ、4つ、または5つすべてを含むグループ2； (g) Group 2 containing 1, 2, 3, 4, or all 5 of BCL9, PBX1, PRRX1, INHBA, and YWHAE;
（h）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1の複数を含むグループ3； (h) group 3, comprising a plurality of BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1, and MNX1;
（i）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRの複数を含むグループ4；および (i) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and multiple of EZR; and
（j）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11の複数を含むグループ5 (j) Group 5 containing multiple of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11
のそれぞれに関するコピー数を含む、こと；including the copy number for each of the
該1つまたは複数のコンピュータにより、予測モデルへの入力として第2の入力データを提供することであって、第2の入力データが、得られた複数の第2のコピー数を含む、こと； providing second input data as input to a predictive model by the one or more computers, the second input data comprising the resulting plurality of second copy numbers;
該1つまたは複数のコンピュータにより、複数の機械学習モデルの1つを通してグループごとに、得られた第2のコピー数を含む第2の入力データを処理することであって、該処理することは、 processing, by the one or more computers, second input data comprising second copy numbers obtained group by group through one of a plurality of machine learning models, said processing comprising ,
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第1の機械学習モデルを通してグループ1に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む療法からベネフィットを得る可能性が高いかどうかを示す第6のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 1 through a first machine learning model of said plurality of machine learning models to cause a second subject to undergo therapy comprising platinum therapy; generating a sixth datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第2の機械学習モデルを通してグループ2に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第7のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 2 through a second machine learning model of said plurality of machine learning models to cause a second subject to undergo treatment comprising platinum therapy; generating a seventh datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第3の機械学習モデルを通してグループ3に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第8のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 3 through a third machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; generating an eighth datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第4の機械学習モデルを通してグループ4に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第9のデータを生成すること、および processing, by said one or more computers, a second copy number obtained for Group 4 through a fourth machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; Generating a ninth datum indicating whether a benefit is likely to be obtained; and
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第5の機械学習モデルを通してグループ5に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第10のデータを生成すること processing, by said one or more computers, a second copy number obtained for group 5 through a fifth machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; Generate a 10th datum that indicates whether you are likely to benefit
を含む、こと；including;
該1つまたは複数のコンピュータにより、第6のデータ、第7のデータ、第8のデータ、第9のデータ、および第10のデータに基づき、複数の機械学習分類モデルの過半数が、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すかどうかを決定すること； The one or more computers, based on the sixth data, the seventh data, the eighth data, the ninth data, and the tenth data, the majority of the plurality of machine learning classification models, the second determining whether the subject is likely to benefit from treatment that includes platinum therapy;
該機械学習分類モデルの過半数が、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が低いことを示すという決定に基づき、該1つまたは複数のコンピュータにより、プラチナ療法を含む治療の代替治療を同定するデータを同定すること；ならびに Based on a determination that a majority of the machine learning classification models indicate that the second subject is unlikely to benefit from a treatment comprising platinum therapy, the one or more computer identifying data identifying alternative treatments; and
該1つまたは複数のコンピュータにより、該代替治療を同定する出力データを提供すること providing, by the one or more computers, output data identifying the alternative treatment
をさらに含む、請求項1記載のシステム。3. The system of claim 1, further comprising: 代替治療は、プラチナ療法を含まない治療である、請求項16記載のシステム。17. The system of Claim 16, wherein the alternative treatment is a treatment that does not include platinum therapy. 第1の対象の治療におけるがんのための治療を選択するための方法であって、A method for selecting a treatment for cancer in treating a first subject, comprising:
1つまたは複数のコンピュータにより、次世代シーケンサにより生成された出力データに基づき複数のコピー数を得る工程であって、該次世代シーケンサが、第1の対象からのがん細胞を含む生体試料をシーケンシングすることにより該出力データを生成し、該複数のコピー数が、以下のグループの遺伝子またはそれらに近接するゲノム領域： obtaining, by one or more computers, a plurality of copy numbers based on output data generated by a next-generation sequencer, wherein the next-generation sequencer extracts a biological sample containing cancer cells from a first subject; Sequencing to generate said output data, said multiple copy number comprising the following groups of genes or their adjacent genomic regions:
（a）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2の複数を含むグループ1； (a) Group 1, which includes multiples of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN, and CDX2;
（b）BCL9、PBX1、PRRX1、INHBA、およびYWHAEの複数を含むグループ2； (b) Group 2, which includes multiples of BCL9, PBX1, PRRX1, INHBA, and YWHAE;
（c）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1の複数を含むグループ3； (c) Group 3, which includes more than one of BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1, and MNX1;
（d）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRの複数を含むグループ4；および (d) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and multiple of EZR; and
（e）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11の複数を含むグループ5 (e) Group 5 containing multiple of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11
のそれぞれに関するコピー数を含む、工程；the copy number for each of the
該1つまたは複数のコンピュータにより、予測モデルへの入力として入力データを提供する工程であって、該入力データが、得られた複数のコピー数を含み、該予測モデルが、複数の機械学習モデルを含み、各機械学習モデルが、グループ1、グループ2、グループ3、グループ4、およびグループ5の1つに関して得られたコピー数を処理するように構成されている、工程； providing, by the one or more computers, input data as input to a predictive model, wherein the input data comprises the obtained plurality of copy numbers, and wherein the predictive model comprises a plurality of machine learning models; wherein each machine learning model is configured to process copy numbers obtained for one of group 1, group 2, group 3, group 4, and group 5;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの1つを通してグループごとに、得られたコピー数を含む入力データを処理する工程であって、該処理する工程は、 processing, by the one or more computers, input data comprising copy numbers obtained by group through one of the plurality of machine learning models, the processing comprising:
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第1の機械学習モデルを通してグループ1に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第1のデータを生成することであって、第1の機械学習モデルが、MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 1 through a first machine learning model of said plurality of machine learning models such that a first subject benefits from treatment comprising platinum therapy; Generating first data indicating whether a first machine learning model is likely to have been trained to process input data, including copy number, to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第2の機械学習モデルを通してグループ2に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第2のデータを生成することであって、第2の機械学習モデルが、BCL9、PBX1、PRRX1、INHBA、およびYWHAEを含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 2 through a second machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy; Generating second data indicating whether a second machine learning model is likely to generate a second data set containing copy numbers for a group of genes including BCL9, PBX1, PRRX1, INHBA, and YWHAE has been trained to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy, based on processing
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第3の機械学習モデルを通してグループ3に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第3のデータを生成することであって、第3の機械学習モデルが、BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 3 through a third machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating third data indicating whether the third machine learning model is likely to Based on processing input data containing copy numbers for a group of genes including ACKR3, MSI2, PCM1, and MNX1, trained to generate output data indicative of potential benefit from treatment, including platinum therapy there is
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第4の機械学習モデルを通してグループ4に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第4のデータを生成することであって、第4の機械学習モデルが、BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRを含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、および processing, by said one or more computers, the copy number obtained for Group 4 through a fourth machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating fourth data indicating whether the likelihood is high, wherein the fourth machine learning model is BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1, TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, Based on processing input data containing copy number for a group of genes including BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and EZR, demonstrate potential benefit from treatment including platinum therapy have been trained to generate output data, and
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第5の機械学習モデルを通してグループ5に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第5のデータを生成することであって、第5の機械学習モデルが、BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みであること processing, by said one or more computers, the copy number obtained for Group 5 through a fifth machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating a fifth data indicating whether the likelihood is high, the fifth machine learning model is BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11 be trained to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy, based on processing input data containing copy numbers for a group of genes containing
を含む、工程；a step;
該1つまたは複数のコンピュータにより、第1のデータ、第2のデータ、第3のデータ、第4のデータ、および第5のデータに基づき、複数の機械学習分類モデルの過半数が、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すかどうかを決定する工程； The one or more computers, based on the first data, the second data, the third data, the fourth data, and the fifth data, the majority of the plurality of machine learning classification models, the first determining whether the subject indicates that they are likely to benefit from treatment that includes platinum therapy;
該機械学習分類モデルの過半数が、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すという決定に基づき、該1つまたは複数のコンピュータにより、プラチナ療法を含む治療を同定するデータを同定する工程；ならびに Based on a determination that a majority of the machine learning classification models indicate that the first subject is likely to benefit from a treatment comprising platinum therapy, the one or more computers determine that a treatment comprising platinum therapy is administered. identifying the identifying data; and
該1つまたは複数のコンピュータにより、プラチナ療法を含む治療を同定する出力を提供する工程 providing output by said one or more computers identifying a treatment comprising platinum therapy;
を含む、方法。A method, including プラチナ療法は、シスプラチン、カルボプラチン、オキサリプラチン、またはネダプラチンのうち1つまたは複数を含む、請求項18記載の方法。19. The method of claim 18, wherein platinum therapy comprises one or more of cisplatin, carboplatin, oxaliplatin, or nedaplatin. プラチナ療法は、シスプラチン、カルボプラチン、オキサリプラチン、またはネダプラチンのうち1つまたは複数を含む併用療法を含む、請求項18記載の方法。19. The method of claim 18, wherein platinum therapy comprises combination therapy comprising one or more of cisplatin, carboplatin, oxaliplatin, or nedaplatin. がんが、急性骨髄性白血病（AML）、乳がん、胆管がん、結腸直腸腺がん、肝外胆管腺がん、女性性器悪性腫瘍、胃腺がん、胃食道腺がん、消化管間質腫瘍（GIST）、神経膠芽腫、頭頸部扁平上皮がん、白血病、肝細胞がん、低悪性度神経膠腫、肺気管支肺胞がん（BAC）、非小細胞肺がん（NSCLC）、肺小細胞がん（SCLC）、リンパ腫、男性生殖器悪性腫瘍、胸膜の悪性孤立性線維性腫瘍（MSFT）、黒色腫、多発性骨髄腫、神経内分泌腫瘍、結節性びまん性大細胞型B細胞リンパ腫、非上皮性卵巣がん（非EOC）、卵巣表面上皮がん、膵臓腺がん、下垂体がん、乏突起神経膠腫、前立腺腺がん、後腹膜もしくは腹膜がん、後腹膜もしくは腹膜肉腫、小腸悪性腫瘍、軟部組織腫瘍、胸腺がん、甲状腺がん、またはブドウ膜黒色腫を含む、請求項18記載の方法。Cancer is acute myeloid leukemia (AML), breast cancer, bile duct cancer, colorectal adenocarcinoma, extrahepatic bile duct adenocarcinoma, female genital malignant tumor, gastric adenocarcinoma, gastroesophageal adenocarcinoma, gastrointestinal stroma tumor (GIST), glioblastoma, head and neck squamous cell carcinoma, leukemia, hepatocellular carcinoma, low-grade glioma, bronchoalveolar carcinoma (BAC), non-small cell lung cancer (NSCLC), lung small cell carcinoma (SCLC), lymphoma, male reproductive malignancy, malignant solitary fibrous tumor of the pleura (MSFT), melanoma, multiple myeloma, neuroendocrine tumors, nodular diffuse large B-cell lymphoma, Non-epithelial ovarian cancer (non-EOC), ovarian surface epithelial carcinoma, pancreatic adenocarcinoma, pituitary carcinoma, oligodendroglioma, prostatic adenocarcinoma, retroperitoneal or peritoneal carcinoma, retroperitoneal or peritoneal sarcoma , small bowel malignancy, soft tissue tumor, thymic carcinoma, thyroid carcinoma, or uveal melanoma. がんが、結腸直腸がん、卵巣がん、食道がん、食道胃接合部がん、胃がん、頭頸部がん、膀胱がん、乳がん、子宮内膜がん、子宮がん、子宮頸がん、膵臓がん、または肺がんを含む、請求項18記載の方法。Cancer is colorectal cancer, ovarian cancer, esophageal cancer, esophagogastric junction cancer, gastric cancer, head and neck cancer, bladder cancer, breast cancer, endometrial cancer, uterine cancer, cervical cancer 19. The method of claim 18, comprising cancer, pancreatic cancer, or lung cancer. 複数の機械学習モデルのうち1つ以上の機械学習モデルがランダムフォレストモデルである、請求項18記載の方法。19. The method of claim 18, wherein one or more machine learning models of the plurality of machine learning models are random forest models. 1つまたは複数のコンピュータにより、第2の対象からがん細胞を含む第2の生体試料を得る工程；obtaining a second biological sample comprising cancer cells from a second subject by one or more computers;
該1つまたは複数のコンピュータにより、次世代シーケンサにより生成された第2の出力データに基づき複数の第2のコピー数を得る工程であって、該次世代シーケンサが、第2の対象からのがん細胞を含む第2の生体試料をシーケンシングすることにより第2の出力データを生成し、該複数の第2のコピー数が、以下のグループの遺伝子またはそれらに近接するゲノム領域： obtaining, by the one or more computers, a plurality of second copy numbers based on second output data generated by a next generation sequencer, wherein the next generation sequencer generates generating second output data by sequencing a second biological sample comprising cancer cells, wherein the plurality of second copy numbers comprises the following groups of genes or adjacent genomic regions thereof:
（f）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2の複数を含むグループ1； (f) Group 1, which includes multiples of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN, and CDX2;
（g）BCL9、PBX1、PRRX1、INHBA、およびYWHAEの1つ、2つ、3つ、4つ、または5つすべてを含むグループ2； (g) Group 2 containing 1, 2, 3, 4, or all 5 of BCL9, PBX1, PRRX1, INHBA, and YWHAE;
（h）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1の複数を含むグループ3； (h) group 3, comprising a plurality of BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1, and MNX1;
（i）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRの複数を含むグループ4；および (i) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and multiple of EZR; and
（j）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11の複数を含むグループ5 (j) Group 5 containing multiple of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11
のそれぞれに関するコピー数を含む、工程；the copy number for each of the
該1つまたは複数のコンピュータにより、予測モデルへの入力として第2の入力データを提供する工程であって、第2の入力データが、得られた複数の第2のコピー数を含む、工程； providing, by the one or more computers, second input data as input to a predictive model, wherein the second input data comprises the resulting plurality of second copy numbers;
該1つまたは複数のコンピュータにより、複数の機械学習モデルの1つを通してグループごとに、得られた第2のコピー数を含む第2の入力データを処理する工程であって、該処理する工程は、 processing, by the one or more computers, second input data comprising second copy numbers obtained group by group through one of a plurality of machine learning models, the step of processing ,
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第1の機械学習モデルを通してグループ1に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第6のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 1 through a first machine learning model of said plurality of machine learning models to cause a second subject to undergo treatment comprising platinum therapy; generating a sixth datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第2の機械学習モデルを通してグループ2に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第7のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 2 through a second machine learning model of said plurality of machine learning models to cause a second subject to undergo treatment comprising platinum therapy; generating a seventh datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第3の機械学習モデルを通してグループ3に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第8のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 3 through a third machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; generating an eighth datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第4の機械学習モデルを通してグループ4に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第9のデータを生成すること、および processing, by said one or more computers, a second copy number obtained for Group 4 through a fourth machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; Generating a ninth datum indicating whether a benefit is likely to be obtained; and
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第5の機械学習モデルを通してグループ5に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第10のデータを生成すること processing, by said one or more computers, a second copy number obtained for group 5 through a fifth machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; Generate a 10th datum that indicates whether you are likely to benefit
を含む、工程；a step;
該1つまたは複数のコンピュータにより、第6のデータ、第7のデータ、第8のデータ、第9のデータ、および第10のデータに基づき、複数の機械学習分類モデルの過半数が、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すかどうかを決定する工程； The one or more computers, based on the sixth data, the seventh data, the eighth data, the ninth data, and the tenth data, the majority of the plurality of machine learning classification models, the second determining whether the subject indicates that they are likely to benefit from treatment that includes platinum therapy;
該機械学習分類モデルの過半数が、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が低いことを示すという決定に基づき、該1つまたは複数のコンピュータにより、プラチナ療法を含む治療の代替治療を同定するデータを同定する工程；ならびに Based on a determination that a majority of the machine learning classification models indicate that the second subject is unlikely to benefit from a treatment comprising platinum therapy, the one or more computer identifying data identifying alternative treatments; and
該1つまたは複数のコンピュータにより、該代替治療を同定する出力データを提供する工程 providing, by said one or more computers, output data identifying said alternative treatment;
をさらに含む、請求項18記載の方法。19. The method of claim 18, further comprising: 代替治療は、プラチナ療法を含まない治療である、請求項24記載の方法。25. The method of claim 24, wherein the alternative treatment is a treatment that does not include platinum therapy. 1つまたは複数のコンピュータにより実行されると、該1つまたは複数のコンピュータに動作を実行させる命令を記憶している、第1の対象の治療におけるがんのための治療を選択するための、1つまたは複数の非一時的コンピュータ可読記憶媒体であって、storing instructions that, when executed by one or more computers, cause the one or more computers to perform actions for selecting a therapy for cancer in the treatment of the first subject; one or more non-transitory computer-readable storage media,
該動作が、The action is
該1つまたは複数のコンピュータにより、次世代シーケンサにより生成された出力データに基づき複数のコピー数を得ることであって、該次世代シーケンサが、第1の対象からのがん細胞を含む生体試料をシーケンシングすることにより該出力データを生成し、該複数のコピー数が、以下のグループの遺伝子またはそれらに近接するゲノム領域： obtaining, by the one or more computers, a plurality of copy numbers based on output data generated by a next-generation sequencer, wherein the next-generation sequencer is a biological sample comprising cancer cells from a first subject; wherein the multiple copy numbers are derived from the following groups of genes or their adjacent genomic regions:
（a）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2の複数を含むグループ1； (a) Group 1, which includes multiples of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN, and CDX2;
（b）BCL9、PBX1、PRRX1、INHBA、およびYWHAEの複数を含むグループ2； (b) Group 2, which includes multiples of BCL9, PBX1, PRRX1, INHBA, and YWHAE;
（c）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1の複数を含むグループ3； (c) Group 3, which includes more than one of BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1, and MNX1;
（d）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRの複数を含むグループ4；および (d) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and multiple of EZR; and
（e）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11の複数を含むグループ5 (e) Group 5 containing multiple of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11
のそれぞれに関するコピー数を含む、こと；including the copy number for each of the
該1つまたは複数のコンピュータにより、予測モデルへの入力として入力データを提供することであって、該入力データが、得られた複数のコピー数を含み、該予測モデルが、複数の機械学習モデルを含み、各機械学習モデルが、グループ1、グループ2、グループ3、グループ4、およびグループ5の1つに関して得られたコピー数を処理するように構成されている、こと； providing, by the one or more computers, input data as input to a predictive model, the input data comprising a plurality of obtained copy numbers, the predictive model comprising a plurality of machine learning models wherein each machine learning model is configured to process copy numbers obtained for one of group 1, group 2, group 3, group 4, and group 5;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの1つを通してグループごとに、得られたコピー数を含む入力データを処理することであって、該処理することは、 processing, by the one or more computers, input data comprising copy numbers obtained for each group through one of the plurality of machine learning models, the processing comprising:
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第1の機械学習モデルを通してグループ1に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第1のデータを生成することであって、第1の機械学習モデルが、MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 1 through a first machine learning model of said plurality of machine learning models such that a first subject benefits from treatment comprising platinum therapy; Generating first data indicating whether a first machine learning model is likely to have been trained to process input data, including copy number, to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第2の機械学習モデルを通してグループ2に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第2のデータを生成することであって、第2の機械学習モデルが、BCL9、PBX1、PRRX1、INHBA、およびYWHAEを含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 2 through a second machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy; Generating second data indicating whether a second machine learning model is likely to generate a second data set containing copy numbers for a group of genes including BCL9, PBX1, PRRX1, INHBA, and YWHAE has been trained to generate output data indicative of the likelihood of benefit from treatment, including platinum therapy, based on processing
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第3の機械学習モデルを通してグループ3に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第3のデータを生成することであって、第3の機械学習モデルが、BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、 processing, by said one or more computers, the copy number obtained for Group 3 through a third machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating third data indicating whether the third machine learning model is likely to Based on processing input data containing copy numbers for a group of genes including ACKR3, MSI2, PCM1, and MNX1, trained to generate output data indicative of potential benefit from treatment, including platinum therapy there is
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第4の機械学習モデルを通してグループ4に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第4のデータを生成することであって、第4の機械学習モデルが、BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、およびTCL1Aを含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと、および processing, by said one or more computers, the copy number obtained for Group 4 through a fourth machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating fourth data indicating whether the likelihood is high, wherein the fourth machine learning model is BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, and TCL1A has been trained to generate output data indicative of the likelihood of benefiting from treatment, including platinum therapy, based on processing input data, including copy number, for a group of genes that include
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第5の機械学習モデルを通してグループ5に関して得られたコピー数を処理して、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第5のデータを生成することであって、第5の機械学習モデルが、BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11を含む遺伝子のグループに関するコピー数を含む入力データを処理することに基づき、プラチナ療法を含む治療からベネフィットを得る可能性を示す出力データを生成するように訓練済みである、こと processing, by said one or more computers, the copy number obtained for Group 5 through a fifth machine learning model of said plurality of machine learning models to allow the first subject to benefit from treatment comprising platinum therapy generating a fifth data indicating whether the likelihood is high, the fifth machine learning model is BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11 have been trained to generate output data indicative of the likelihood of benefiting from treatment, including platinum therapy, based on processing input data, including copy number, for a group of genes that include
を含む、こと；including;
該1つまたは複数のコンピュータにより、第1のデータ、第2のデータ、第3のデータ、第4のデータ、および第5のデータに基づき、複数の機械学習分類モデルの過半数が、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すかどうかを決定すること； The one or more computers, based on the first data, the second data, the third data, the fourth data, and the fifth data, the majority of the plurality of machine learning classification models, the first determining whether the subject is likely to benefit from treatment that includes platinum therapy;
該機械学習分類モデルの過半数が、第1の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すという決定に基づき、該1つまたは複数のコンピュータにより、プラチナ療法を含む治療を同定するデータを同定すること；ならびに Based on a determination that a majority of the machine learning classification models indicate that the first subject is likely to benefit from a treatment comprising platinum therapy, the one or more computers determine that a treatment comprising platinum therapy is administered. identifying identifying data; and
該1つまたは複数のコンピュータにより、プラチナ療法を含む治療を同定する出力を提供すること providing output by the one or more computers identifying a treatment comprising platinum therapy
を含む、including,
1つまたは複数の非一時的コンピュータ可読記憶媒体。One or more non-transitory computer-readable storage media. 複数の機械学習モデルのうち1つ以上の機械学習モデルがランダムフォレストモデルである、請求項26記載のコンピュータ可読記憶媒体。27. The computer-readable storage medium of claim 26, wherein one or more machine learning models of the plurality of machine learning models are random forest models. 複数の機械学習モデルの各機械学習モデルがランダムフォレストモデルである、請求項26記載のコンピュータ可読記憶媒体。27. The computer-readable storage medium of claim 26, wherein each machine learning model of the plurality of machine learning models is a random forest model. 前記動作が、the operation is
1つまたは複数のコンピュータにより、第2の対象からがん細胞を含む第2の生体試料を得ること； obtaining a second biological sample comprising cancer cells from a second subject by one or more computers;
該1つまたは複数のコンピュータにより、次世代シーケンサにより生成された第2の出力データに基づき複数の第2のコピー数を得ることであって、該次世代シーケンサが、第2の対象からのがん細胞を含む第2の生体試料をシーケンシングすることにより第2の出力データを生成し、該複数の第2のコピー数が、以下のグループの遺伝子またはそれらに近接するゲノム領域： obtaining, by the one or more computers, a plurality of second copy numbers based on second output data generated by a next generation sequencer, wherein the next generation sequencer produces generating second output data by sequencing a second biological sample comprising cancer cells, wherein the plurality of second copy numbers comprises the following groups of genes or adjacent genomic regions thereof:
（f）MYC、EP300、U2AF1、ASXL1、MAML2、CNTRL、WRN、およびCDX2の複数を含むグループ1； (f) Group 1, which includes multiples of MYC, EP300, U2AF1, ASXL1, MAML2, CNTRL, WRN, and CDX2;
（g）BCL9、PBX1、PRRX1、INHBA、およびYWHAEの1つ、2つ、3つ、4つ、または5つすべてを含むグループ2； (g) Group 2 containing 1, 2, 3, 4, or all 5 of BCL9, PBX1, PRRX1, INHBA, and YWHAE;
（h）BCL9、PBX1、GNAS、LHFPL6、CASP8、ASXL1、FH、CRKL、MLF1、TRRAP、AKT3、ACKR3、MSI2、PCM1、およびMNX1の複数を含むグループ3； (h) group 3, comprising a plurality of BCL9, PBX1, GNAS, LHFPL6, CASP8, ASXL1, FH, CRKL, MLF1, TRRAP, AKT3, ACKR3, MSI2, PCM1, and MNX1;
（i）BX1、GNAS、AURKA、CASP8、ASXL1、CRKL、MLF1、GAS7、MN1、SOX10、TCL1A、LMO1、BRD3、SMARCA4、PER1、PAX7、SBDS、SEPT5、PDGFB、AKT2、TERT、KEAP1、ETV6、TOP1、TLX3、COX6C、NFIB、ARFRP1、ARID1A、MAP2K4、NFKBIA、WWTR1、ZNF217、IL2、NSD3、CREB1、BRIP1、SDC4、EWSR1、FLT3、FLT1、FAS、CCNE1、RUNX1T1、およびEZRの複数を含むグループ4；および (i) BX1, GNAS, AURKA, CASP8, ASXL1, CRKL, MLF1, GAS7, MN1, SOX10, TCL1A, LMO1, BRD3, SMARCA4, PER1, PAX7, SBDS, SEPT5, PDGFB, AKT2, TERT, KEAP1, ETV6, TOP1 , TLX3, COX6C, NFIB, ARFRP1, ARID1A, MAP2K4, NFKBIA, WWTR1, ZNF217, IL2, NSD3, CREB1, BRIP1, SDC4, EWSR1, FLT3, FLT1, FAS, CCNE1, RUNX1T1, and multiple of EZR; and
（j）BCL9、PBX1、PRRX1、INHBA、YWHAE、GNAS、LHFPL6、FCRL4、BIRC3、AURKA、およびHOXA11の複数を含むグループ5 (j) Group 5 containing multiple of BCL9, PBX1, PRRX1, INHBA, YWHAE, GNAS, LHFPL6, FCRL4, BIRC3, AURKA, and HOXA11
のそれぞれに関するコピー数を含む、こと；including the copy number for each of the
該1つまたは複数のコンピュータにより、予測モデルへの入力として第2の入力データを提供することであって、第2の入力データが、得られた複数の第2のコピー数を含む、こと； providing second input data as input to a predictive model by the one or more computers, the second input data comprising the resulting plurality of second copy numbers;
該1つまたは複数のコンピュータにより、複数の機械学習モデルの1つを通してグループごとに、得られた第2のコピー数を含む第2の入力データを処理することであって、該処理することは、 processing, by the one or more computers, second input data comprising second copy numbers obtained group by group through one of a plurality of machine learning models, said processing comprising ,
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第1の機械学習モデルを通してグループ1に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第6のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 1 through a first machine learning model of said plurality of machine learning models to cause a second subject to undergo treatment comprising platinum therapy; generating a sixth datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第2の機械学習モデルを通してグループ2に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第7のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 2 through a second machine learning model of said plurality of machine learning models to cause a second subject to undergo treatment comprising platinum therapy; generating a seventh datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第3の機械学習モデルを通してグループ3に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第8のデータを生成すること、 processing, by said one or more computers, a second copy number obtained for Group 3 through a third machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; generating an eighth datum indicating whether the person is likely to benefit;
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第4の機械学習モデルを通してグループ4に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第9のデータを生成すること、および processing, by said one or more computers, a second copy number obtained for Group 4 through a fourth machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; Generating a ninth datum indicating whether a benefit is likely to be obtained; and
該1つまたは複数のコンピュータにより、該複数の機械学習モデルの第5の機械学習モデルを通してグループ5に関して得られた第2のコピー数を処理して、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いかどうかを示す第10のデータを生成すること processing, by said one or more computers, a second copy number obtained for group 5 through a fifth machine learning model of said plurality of machine learning models, wherein said second subject is from treatment comprising platinum therapy; Generate a 10th datum that indicates whether you are likely to benefit
を含む、こと；including;
該1つまたは複数のコンピュータにより、第6のデータ、第7のデータ、第8のデータ、第9のデータ、および第10のデータに基づき、複数の機械学習分類モデルの過半数が、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が高いことを示すかどうかを決定すること； The one or more computers, based on the sixth data, the seventh data, the eighth data, the ninth data, and the tenth data, the majority of the plurality of machine learning classification models, the second determining whether the subject is likely to benefit from treatment that includes platinum therapy;
該機械学習分類モデルの過半数が、第2の対象がプラチナ療法を含む治療からベネフィットを得る可能性が低いことを示すという決定に基づき、該1つまたは複数のコンピュータにより、プラチナ療法を含む治療の代替治療を同定するデータを同定すること；ならびに Based on a determination that a majority of the machine learning classification models indicate that the second subject is unlikely to benefit from a treatment comprising platinum therapy, the one or more computer identifying data identifying alternative treatments; and
該1つまたは複数のコンピュータにより、該代替治療を同定する出力データを提供すること providing, by the one or more computers, output data identifying the alternative treatment
をさらに含む、請求項26記載のコンピュータ可読記憶媒体。27. The computer-readable storage medium of claim 26, further comprising: 代替治療は、プラチナ療法を含まない治療である、請求項29記載のコンピュータ可読記憶媒体。30. The computer readable storage medium of Claim 29, wherein the alternative treatment is a treatment that does not include platinum therapy.
JP2022532765A 2019-12-02 2020-06-03 Pan-cancer platinum response predictors Active JP7624992B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2025008224A JP2025069209A (en) 2019-12-02 2025-01-21 Pan-cancer platinum response predictors

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
USPCT/US2019/064078 2019-12-02
PCT/US2019/064078 WO2020113237A1 (en) 2018-11-30 2019-12-02 Next-generation molecular profiling
US202062965601P 2020-01-24 2020-01-24
US62/965,601 2020-01-24
US202063005105P 2020-04-03 2020-04-03
US63/005,105 2020-04-03
US202063012740P 2020-04-20 2020-04-20
US63/012,740 2020-04-20
PCT/US2020/035990 WO2021112918A1 (en) 2019-12-02 2020-06-03 Pan-cancer platinum response predictor

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2025008224A Division JP2025069209A (en) 2019-12-02 2025-01-21 Pan-cancer platinum response predictors

Publications (3)

Publication Number Publication Date
JP2023504270A JP2023504270A (en) 2023-02-02
JPWO2021112918A5 true JPWO2021112918A5 (en) 2023-06-13
JP7624992B2 JP7624992B2 (en) 2025-01-31

Family

ID=76222159

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2022532765A Active JP7624992B2 (en) 2019-12-02 2020-06-03 Pan-cancer platinum response predictors
JP2025008224A Pending JP2025069209A (en) 2019-12-02 2025-01-21 Pan-cancer platinum response predictors

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2025008224A Pending JP2025069209A (en) 2019-12-02 2025-01-21 Pan-cancer platinum response predictors

Country Status (9)

Country Link
US (2) US11842805B2 (en)
EP (1) EP4069865A4 (en)
JP (2) JP7624992B2 (en)
KR (1) KR20220130108A (en)
AU (1) AU2020397802A1 (en)
CA (1) CA3163319A1 (en)
IL (1) IL293489A (en)
MX (1) MX2022006589A (en)
WO (1) WO2021112918A1 (en)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2536650A (en) 2015-03-24 2016-09-28 Augmedics Ltd Method and system for combining video-based and optic-based augmented reality in a near eye display
EP3787543A4 (en) 2018-05-02 2022-01-19 Augmedics Ltd. Registration of a fiducial marker for an augmented reality system
US11766296B2 (en) 2018-11-26 2023-09-26 Augmedics Ltd. Tracking system for image-guided surgery
US11922314B1 (en) * 2018-11-30 2024-03-05 Ansys, Inc. Systems and methods for building dynamic reduced order physical models
MX2021006234A (en) 2018-11-30 2021-09-10 Caris Mpi Inc Next-generation molecular profiling.
US12178666B2 (en) 2019-07-29 2024-12-31 Augmedics Ltd. Fiducial marker
US11980506B2 (en) 2019-07-29 2024-05-14 Augmedics Ltd. Fiducial marker
US11382712B2 (en) 2019-12-22 2022-07-12 Augmedics Ltd. Mirroring in image guided surgery
EP4165661A1 (en) * 2020-06-12 2023-04-19 F. Hoffmann-La Roche AG Big data processing for facilitating coordinated treatment of individual multiple sclerosis subjects
US11389252B2 (en) 2020-06-15 2022-07-19 Augmedics Ltd. Rotating marker for image guided surgery
US12239385B2 (en) 2020-09-09 2025-03-04 Augmedics Ltd. Universal tool adapter
JP2022124165A (en) * 2021-02-15 2022-08-25 キオクシア株式会社 memory system
US11896445B2 (en) 2021-07-07 2024-02-13 Augmedics Ltd. Iliac pin and adapter
US12150821B2 (en) 2021-07-29 2024-11-26 Augmedics Ltd. Rotating marker and adapter for image-guided surgery
JP2024532762A (en) * 2021-08-11 2024-09-10 オンコホスト リミテッド Predicting Patient Response
MX2024003309A (en) * 2021-09-15 2024-08-15 Oxford Cancer Analytics Ltd A method and system detecting a health abnormality in a liquid biopsy sample.
AU2022363929A1 (en) * 2021-10-13 2024-05-02 Invitae Corporation High-throughput prediction of variant effects from conformational dynamics
WO2023085932A1 (en) * 2021-11-10 2023-05-19 Omnigen B.V. Prediction of response following folfirinox treatment in cancer patients
WO2023203521A1 (en) 2022-04-21 2023-10-26 Augmedics Ltd. Systems and methods for medical image visualization
WO2024057210A1 (en) 2022-09-13 2024-03-21 Augmedics Ltd. Augmented reality eyewear for image-guided medical intervention
CN115631849B (en) * 2022-10-19 2023-04-28 哈尔滨工业大学 Breast cancer prognosis indicator system, storage medium and equipment based on deep neural network
US12266005B2 (en) * 2022-11-30 2025-04-01 Maplebear Inc. Identifying candidate replacement items with a source similarity score

Family Cites Families (266)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL154598B (en) 1970-11-10 1977-09-15 Organon Nv PROCEDURE FOR DETERMINING AND DETERMINING LOW MOLECULAR COMPOUNDS AND PROTEINS THAT CAN SPECIFICALLY BIND THESE COMPOUNDS AND TEST PACKAGING.
US3817837A (en) 1971-05-14 1974-06-18 Syva Corp Enzyme amplification assay
US4018653A (en) 1971-10-29 1977-04-19 U.S. Packaging Corporation Instrument for the detection of Neisseria gonorrhoeae without culture
US3939350A (en) 1974-04-29 1976-02-17 Board Of Trustees Of The Leland Stanford Junior University Fluorescent immunoassay employing total reflection for activation
US3996345A (en) 1974-08-12 1976-12-07 Syva Company Fluorescence quenching with immunological pairs in immunoassays
US4016043A (en) 1975-09-04 1977-04-05 Akzona Incorporated Enzymatic immunological method for the determination of antigens and antibodies
US4437975A (en) 1977-07-20 1984-03-20 Mobil Oil Corporation Manufacture of lube base stock oil
US4277437A (en) 1978-04-05 1981-07-07 Syva Company Kit for carrying out chemically induced fluorescence immunoassay
US4275149A (en) 1978-11-24 1981-06-23 Syva Company Macromolecular environment control in specific receptor assays
US4486530A (en) 1980-08-04 1984-12-04 Hybritech Incorporated Immunometric assays using monoclonal antibodies
US4376110A (en) 1980-08-04 1983-03-08 Hybritech, Incorporated Immunometric assays using monoclonal antibodies
US4366241A (en) 1980-08-07 1982-12-28 Syva Company Concentrating zone method in heterogeneous immunoassays
US4424279A (en) 1982-08-12 1984-01-03 Quidel Rapid plunger immunoassay method and apparatus
GB8311018D0 (en) 1983-04-22 1983-05-25 Amersham Int Plc Detecting mutations in dna
US4666828A (en) 1984-08-15 1987-05-19 The General Hospital Corporation Test for Huntington's disease
US5242794A (en) 1984-12-13 1993-09-07 Applied Biosystems, Inc. Detection of specific sequences in nucleic acids
US4965188A (en) 1986-08-22 1990-10-23 Cetus Corporation Process for amplifying, detecting, and/or cloning nucleic acid sequences using a thermostable enzyme
US4683202A (en) 1985-03-28 1987-07-28 Cetus Corporation Process for amplifying nucleic acid sequences
US4683195A (en) 1986-01-30 1987-07-28 Cetus Corporation Process for amplifying, detecting, and/or-cloning nucleic acid sequences
US5333675C1 (en) 1986-02-25 2001-05-01 Perkin Elmer Corp Apparatus and method for performing automated amplification of nucleic acid sequences and assays using heating and cooling steps
US5656493A (en) 1985-03-28 1997-08-12 The Perkin-Elmer Corporation System for automated performance of the polymerase chain reaction
US4801531A (en) 1985-04-17 1989-01-31 Biotechnology Research Partners, Ltd. Apo AI/CIII genomic polymorphisms predictive of atherosclerosis
US4800159A (en) 1986-02-07 1989-01-24 Cetus Corporation Process for amplifying, detecting, and/or cloning nucleic acid sequences
US4851331A (en) 1986-05-16 1989-07-25 Allied Corporation Method and kit for polynucleotide assay including primer-dependant DNA polymerase
IL86724A (en) 1987-06-19 1995-01-24 Siska Diagnostics Inc Method and kits for the amplification and detection of nucleic acid sequences
WO1989001050A1 (en) 1987-07-31 1989-02-09 The Board Of Trustees Of The Leland Stanford Junior University Selective amplification of target polynucleotide sequences
JP2650159B2 (en) 1988-02-24 1997-09-03 アクゾ・ノベル・エヌ・ベー Nucleic acid amplification method
CA1340807C (en) 1988-02-24 1999-11-02 Lawrence T. Malek Nucleic acid amplification process
IE61148B1 (en) 1988-03-10 1994-10-05 Ici Plc Method of detecting nucleotide sequences
US4988617A (en) 1988-03-25 1991-01-29 California Institute Of Technology Method of detecting a nucleotide change in nucleic acids
US5137765A (en) 1988-08-05 1992-08-11 Porton Instruments, Inc. Derivatized glass supports for peptide and protein sequencing
US5272057A (en) 1988-10-14 1993-12-21 Georgetown University Method of detecting a predisposition to cancer by the use of restriction fragment length polymorphism of the gene for human poly (ADP-ribose) polymerase
KR0148265B1 (en) 1988-12-16 1998-10-15 에프.지이.엠 헤르만스 Self-Continuous Sequence Replication System
US5856092A (en) 1989-02-13 1999-01-05 Geneco Pty Ltd Detection of a nucleic acid sequence or a change therein
US5871928A (en) 1989-06-07 1999-02-16 Fodor; Stephen P. A. Methods for nucleic acid analysis
US5744101A (en) 1989-06-07 1998-04-28 Affymax Technologies N.V. Photolabile nucleoside protecting groups
US5527681A (en) 1989-06-07 1996-06-18 Affymax Technologies N.V. Immobilized molecular synthesis of systematically substituted compounds
US5925525A (en) 1989-06-07 1999-07-20 Affymetrix, Inc. Method of identifying nucleotide differences
US5242974A (en) 1991-11-22 1993-09-07 Affymax Technologies N.V. Polymer reversal on solid surfaces
US5424186A (en) 1989-06-07 1995-06-13 Affymax Technologies N.V. Very large scale immobilized polymer synthesis
US5143854A (en) 1989-06-07 1992-09-01 Affymax Technologies N.V. Large scale photolithographic solid phase synthesis of polypeptides and receptor binding screening thereof
US5547839A (en) 1989-06-07 1996-08-20 Affymax Technologies N.V. Sequencing of surface immobilized polymers utilizing microflourescence detection
US5800992A (en) 1989-06-07 1998-09-01 Fodor; Stephen P.A. Method of detecting nucleic acids
US6346413B1 (en) 1989-06-07 2002-02-12 Affymetrix, Inc. Polymer arrays
US5192659A (en) 1989-08-25 1993-03-09 Genetype Ag Intron sequence analysis method for detection of adjacent and remote locus alleles as haplotypes
US5252743A (en) 1989-11-13 1993-10-12 Affymax Technologies N.V. Spatially-addressable immobilization of anti-ligands on surfaces
US6013431A (en) 1990-02-16 2000-01-11 Molecular Tool, Inc. Method for determining specific nucleotide variations by primer extension in the presence of mixture of labeled nucleotides and terminators
US5494810A (en) 1990-05-03 1996-02-27 Cornell Research Foundation, Inc. Thermostable ligase-mediated DNA amplifications system for the detection of genetic disease
US5266222A (en) 1990-05-23 1993-11-30 California Institute Of Technology Durable low surface-energy surfaces
CA2090015A1 (en) 1990-08-24 1992-02-25 Brant J. Bassam Dna amplification fingerprinting
WO1992007095A1 (en) 1990-10-15 1992-04-30 Stratagene Arbitrarily primed polymerase chain reaction method for fingerprinting genomes
US6004744A (en) 1991-03-05 1999-12-21 Molecular Tool, Inc. Method for determining nucleotide identity through extension of immobilized primer
DE4214112A1 (en) 1991-08-02 1993-02-04 Europ Lab Molekularbiolog NEW METHOD FOR SEQUENCING NUCLEIC ACIDS
EP1588761A3 (en) 1991-11-22 2005-11-23 Affymetrix, Inc. Method of forming arrays of polymers
US5324633A (en) 1991-11-22 1994-06-28 Affymax Technologies N.V. Method and apparatus for measuring binding affinity
US5384261A (en) 1991-11-22 1995-01-24 Affymax Technologies N.V. Very large scale immobilized polymer synthesis using mechanically directed flow paths
US5412087A (en) 1992-04-24 1995-05-02 Affymax Technologies N.V. Spatially-addressable immobilization of oligonucleotides and other biological polymers on surfaces
US5550215A (en) 1991-11-22 1996-08-27 Holmes; Christopher P. Polymer reversal on solid surfaces
US5976790A (en) 1992-03-04 1999-11-02 The Regents Of The University Of California Comparative Genomic Hybridization (CGH)
GB9208733D0 (en) 1992-04-22 1992-06-10 Medical Res Council Dna sequencing method
GB9211979D0 (en) 1992-06-05 1992-07-15 Buchard Ole Uses of nucleic acid analogues
US6194144B1 (en) 1993-01-07 2001-02-27 Sequenom, Inc. DNA sequencing by mass spectrometry
US5605798A (en) 1993-01-07 1997-02-25 Sequenom, Inc. DNA diagnostic based on mass spectrometry
EP1262564A3 (en) 1993-01-07 2004-03-31 Sequenom, Inc. Dna sequencing by mass spectrometry
US5491074A (en) 1993-04-01 1996-02-13 Affymax Technologies Nv Association peptides
US5858659A (en) 1995-11-29 1999-01-12 Affymetrix, Inc. Polymorphism detection
US5837832A (en) 1993-06-25 1998-11-17 Affymetrix, Inc. Arrays of nucleic acid probes on biological chips
US6045996A (en) 1993-10-26 2000-04-04 Affymetrix, Inc. Hybridization assays on oligonucleotide arrays
DE69426731T2 (en) 1993-11-17 2001-06-28 Amersham Pharmacia Biotech Uk Ltd., Little Chalfont METHOD FOR MASS SPECTROSCOPIC SEQUENCE ANALYSIS OF A NUCLEIC ACID BY PRIMER EXTENSION
EP0754240B1 (en) 1994-02-07 2003-08-20 Beckman Coulter, Inc. Ligase/polymerase-mediated genetic bit analysis of single nucleotide polymorphisms and its use in genetic analysis
US5578832A (en) 1994-09-02 1996-11-26 Affymetrix, Inc. Method and apparatus for imaging a sample on a device
US5631734A (en) 1994-02-10 1997-05-20 Affymetrix, Inc. Method and apparatus for detection of fluorescently labeled materials
US6090555A (en) 1997-12-11 2000-07-18 Affymetrix, Inc. Scanned image alignment systems and methods
US5851770A (en) 1994-04-25 1998-12-22 Variagenics, Inc. Detection of mismatches by resolvase cleavage using a magnetic bead support
AU693198B2 (en) 1994-04-25 1998-06-25 Avitech Diagnostics, Inc. Detection of mutation by resolvase cleavage
WO1995030774A1 (en) 1994-05-05 1995-11-16 Beckman Instruments, Inc. Oligonucleotide repeat arrays
US5571639A (en) 1994-05-24 1996-11-05 Affymax Technologies N.V. Computer-aided engineering system for design of sequence arrays and lithographic masks
US5834189A (en) 1994-07-08 1998-11-10 Visible Genetics Inc. Method for evaluation of polymorphic genetic sequences, and the use thereof in identification of HLA types
US5795716A (en) 1994-10-21 1998-08-18 Chee; Mark S. Computer-aided visualization and analysis system for sequence evaluation
US5959098A (en) 1996-04-17 1999-09-28 Affymetrix, Inc. Substrate preparation process
US5599695A (en) 1995-02-27 1997-02-04 Affymetrix, Inc. Printing molecular library arrays using deprotection agents solely in the vapor phase
US5624711A (en) 1995-04-27 1997-04-29 Affymax Technologies, N.V. Derivatization of solid supports and methods for oligomer synthesis
DE19515552A1 (en) 1995-04-27 1996-10-31 Europ Lab Molekularbiolog Simultaneous sequencing of nucleic acids
US5545531A (en) 1995-06-07 1996-08-13 Affymax Technologies N.V. Methods for making a device for concurrently processing multiple biological chip assays
US5981186A (en) 1995-06-30 1999-11-09 Visible Genetics, Inc. Method and apparatus for DNA-sequencing using reduced number of sequencing mixtures
US5968740A (en) 1995-07-24 1999-10-19 Affymetrix, Inc. Method of Identifying a Base in a Nucleic Acid
US5733729A (en) 1995-09-14 1998-03-31 Affymetrix, Inc. Computer-aided probability base calling for arrays of nucleic acid probes on chips
JP3193301B2 (en) 1995-09-14 2001-07-30 麒麟麦酒株式会社 Bioactive protein p160
US5869242A (en) 1995-09-18 1999-02-09 Myriad Genetics, Inc. Mass spectrometry to assess DNA sequence polymorphisms
US6147205A (en) 1995-12-15 2000-11-14 Affymetrix, Inc. Photocleavable protecting groups and methods for their use
US6114122A (en) 1996-03-26 2000-09-05 Affymetrix, Inc. Fluidics station with a mounting system and method of using
US5928906A (en) 1996-05-09 1999-07-27 Sequenom, Inc. Process for direct sequencing during template amplification
EP0902885A4 (en) 1996-05-16 2006-09-27 Affymetrix Inc Systems and methods for detection of labeled materials
US5786146A (en) 1996-06-03 1998-07-28 The Johns Hopkins University School Of Medicine Method of detection of methylated nucleic acid using agents which modify unmethylated cytosine and distinguishing modified methylated and non-methylated nucleic acids
EP0912752A1 (en) 1996-06-14 1999-05-06 Sarnoff Corporation Method for polynucleotide sequencing
GB9620209D0 (en) 1996-09-27 1996-11-13 Cemu Bioteknik Ab Method of sequencing DNA
US6017702A (en) 1996-12-05 2000-01-25 The Perkin-Elmer Corporation Chain-termination type nucleic acid sequencing method including 2'-deoxyuridine-5'-triphosphate
US5876934A (en) 1996-12-18 1999-03-02 Pharmacia Biotech Inc. DNA sequencing method
US6046005A (en) 1997-01-15 2000-04-04 Incyte Pharmaceuticals, Inc. Nucleic acid sequencing with solid phase capturable terminators comprising a cleavable linking group
US6420108B2 (en) 1998-02-09 2002-07-16 Affymetrix, Inc. Computer-aided display for comparative gene expression
US6484183B1 (en) 1997-07-25 2002-11-19 Affymetrix, Inc. Method and system for providing a polymorphism database
ATE280246T1 (en) 1997-08-15 2004-11-15 Affymetrix Inc POLYMORPHISM DETECTION USING CLUSTER ANALYSIS
ATE291097T1 (en) 1997-10-31 2005-04-15 Affymetrix Inc A Delaware Corp EXPRESSION PROFILES IN ADULT AND FETAL ORGANS
US5998143A (en) 1997-12-05 1999-12-07 The Perkin-Elmer Corporation Cycle sequencing thermal profiles
US6201639B1 (en) 1998-03-20 2001-03-13 James W. Overbeck Wide field of view and high speed scanning microscopy
US6428752B1 (en) 1998-05-14 2002-08-06 Affymetrix, Inc. Cleaning deposit devices that form microarrays and the like
US6269846B1 (en) 1998-01-13 2001-08-07 Genetic Microsystems, Inc. Depositing fluid specimens on substrates, resulting ordered arrays, techniques for deposition of arrays
JP2002502614A (en) 1998-02-04 2002-01-29 バリアジェニックス インク． Mismatch detection technology
US6185030B1 (en) 1998-03-20 2001-02-06 James W. Overbeck Wide field of view and high speed scanning microscopy
US5936324A (en) 1998-03-30 1999-08-10 Genetic Microsystems Inc. Moving magnet scanner
US7805388B2 (en) 1998-05-01 2010-09-28 Health Discovery Corporation Method for feature selection in a support vector machine using feature ranking
US6183958B1 (en) 1998-05-06 2001-02-06 Variagenics, Inc. Probes for variance detection
US6185561B1 (en) 1998-09-17 2001-02-06 Affymetrix, Inc. Method and apparatus for providing and expression data mining database
US6140054A (en) 1998-09-30 2000-10-31 University Of Utah Research Foundation Multiplex genotyping using fluorescent hybridization probes
US6262216B1 (en) 1998-10-13 2001-07-17 Affymetrix, Inc. Functionalized silicon compounds and methods for their synthesis and use
EP1124990B1 (en) 1998-10-27 2006-01-18 Affymetrix, Inc. Complexity management and analysis of genomic dna
US7700324B1 (en) 1998-11-03 2010-04-20 The Johns Hopkins University School Of Medicine Methylated CpG island amplification (MCA)
NO986133D0 (en) 1998-12-23 1998-12-23 Preben Lexow Method of DNA Sequencing
JP2002539849A (en) 1999-03-26 2002-11-26 ホワイトヘッド インスチチュート フォアー バイオメディカル リサーチ Universal array
US6218803B1 (en) 1999-06-04 2001-04-17 Genetic Microsystems, Inc. Position sensing with variable capacitance transducers
US6300070B1 (en) 1999-06-04 2001-10-09 Mosaic Technologies, Inc. Solid phase methods for amplifying multiple nucleic acids
US6811668B1 (en) 1999-06-22 2004-11-02 Caliper Life Sciences, Inc. Apparatus for the operation of a microfluidic device
US7601270B1 (en) 1999-06-28 2009-10-13 California Institute Of Technology Microfabricated elastomeric valve and pump systems
US6274320B1 (en) 1999-09-16 2001-08-14 Curagen Corporation Method of sequencing a nucleic acid
EP1235932A2 (en) 1999-10-08 2002-09-04 Protogene Laboratories, Inc. Method and apparatus for performing large numbers of reactions using array assembly
US6297016B1 (en) 1999-10-08 2001-10-02 Applera Corporation Template-dependent ligation with PNA-DNA chimeric probes
US6221600B1 (en) 1999-10-08 2001-04-24 Board Of Regents, The University Of Texas System Combinatorial oligonucleotide PCR: a method for rapid, global expression analysis
US7970718B2 (en) 2001-05-18 2011-06-28 Health Discovery Corporation Method for feature selection and for evaluating features identified as significant for classifying data
US6958225B2 (en) 1999-10-27 2005-10-25 Affymetrix, Inc. Complexity management of genomic DNA
AU2001232805A1 (en) 2000-01-12 2001-07-24 Ut-Battelle, Llc A microfluidic device and method for focusing, segmenting, and dispensing of a fluid stream
US7452713B2 (en) 2000-02-29 2008-11-18 Stmicroelectronics S.R.L. Process for manufacturing a microfluidic device with buried channels
US7867763B2 (en) 2004-01-25 2011-01-11 Fluidigm Corporation Integrated chip carriers with thermocycler interfaces and methods of using the same
SE0001768D0 (en) 2000-05-12 2000-05-12 Helen Andersson Microfluidic flow cell for manipulation of particles
US6386749B1 (en) 2000-06-26 2002-05-14 Affymetrix, Inc. Systems and methods for heating and mixing fluids
AU2001282786A1 (en) 2000-08-23 2002-03-04 Imego Ab A sample preparing arrangement and a method
US20020048821A1 (en) 2000-08-24 2002-04-25 David Storek Sample preparing arrangement and a method relating to such an arrangement
CA2426286A1 (en) 2000-10-27 2002-05-02 Mount Sinai Hospital Method for detecting ovarian cancer based on human kallikrein 6 (hk6)
US6822454B2 (en) 2000-12-01 2004-11-23 Protasis Corporation Microfluidic device with multiple microcoil NMR detectors and field gradient focusing
US6391592B1 (en) 2000-12-14 2002-05-21 Affymetrix, Inc. Blocker-aided target amplification of nucleic acids
US20020183936A1 (en) 2001-01-24 2002-12-05 Affymetrix, Inc. Method, system, and computer software for providing a genomic web portal
US7323140B2 (en) 2001-03-28 2008-01-29 Handylab, Inc. Moving microdroplets in a microfluidic device
US6802342B2 (en) 2001-04-06 2004-10-12 Fluidigm Corporation Microfabricated fluidic circuit elements and applications
US6649348B2 (en) 2001-06-29 2003-11-18 Agilent Technologies Inc. Methods for manufacturing arrays
US6632611B2 (en) 2001-07-20 2003-10-14 Affymetrix, Inc. Method of target enrichment and amplification
US7390463B2 (en) 2001-09-07 2008-06-24 Corning Incorporated Microcolumn-based, high-throughput microfluidic device
US7189368B2 (en) 2001-09-17 2007-03-13 Gyros Patent Ab Functional unit enabling controlled flow in a microfluidic device
US7189580B2 (en) 2001-10-19 2007-03-13 Wisconsin Alumni Research Foundation Method of pumping fluid through a microfluidic device
US7253003B2 (en) 2001-10-19 2007-08-07 Wisconsin Alumni Research Foundation Method for monitoring the environment within a microfluidic device
WO2003048295A1 (en) 2001-11-30 2003-06-12 Fluidigm Corporation Microfluidic device and methods of using same
JP4191608B2 (en) 2001-12-05 2008-12-03 ユニヴァーシティ オブ ワシントン Microfluidic devices and surface modification processes for solid phase affinity binding assays
US7238255B2 (en) 2001-12-31 2007-07-03 Gyros Patent Ab Microfluidic device and its manufacture
US6958119B2 (en) 2002-02-26 2005-10-25 Agilent Technologies, Inc. Mobile phase gradient generation microfluidic device
US7195986B1 (en) 2002-03-08 2007-03-27 Caliper Life Sciences, Inc. Microfluidic device with controlled substrate conductivity
GB2388189B (en) 2002-04-29 2006-01-11 Robert Jeffrey Geddes Carr Optical detection and analysis of particles
US7189581B2 (en) 2002-04-30 2007-03-13 Wisconsin Alumni Research Foundation Method of obtaining a sample concentration of a solution in a microfluidic device
DE60228685D1 (en) 2002-05-16 2008-10-16 Micronit Microfluidics Bv Method for producing a microfluidic component
WO2004007582A2 (en) 2002-07-15 2004-01-22 University Of Virginia Patent Foundation Hybrid polymers for functional tuning of microfluidic device surfaces
US7201881B2 (en) 2002-07-26 2007-04-10 Applera Corporation Actuator for deformable valves in a microfluidic device, and method
US7135147B2 (en) 2002-07-26 2006-11-14 Applera Corporation Closing blade for deformable valve in a microfluidic device and method
US7452509B2 (en) 2002-07-26 2008-11-18 Applied Biosystems Inc. Microfluidic device including displaceable material trap, and system
WO2004011666A2 (en) 2002-07-26 2004-02-05 Applera Corporation Mg-mediated hot start biochemical reactions
KR100480338B1 (en) 2002-08-08 2005-03-30 한국전자통신연구원 Microfluidic devices for the controlled movements of solution
TW536524B (en) 2002-09-17 2003-06-11 Fan-Gen Tzeng Network-type micro-channel device for micro-fluid
US7118661B2 (en) 2002-09-30 2006-10-10 The Regents Of The University Of California Nanolaminate microfluidic device for mobility selection of particles
EP2719756B1 (en) 2002-10-04 2017-04-05 The Regents of the University of California Microfluidic multi-compartment device for neuroscience research
FR2848125B1 (en) 2002-12-04 2006-06-09 Commissariat Energie Atomique MICROFLUIDIC DEVICE IN WHICH THE LIQUID / FLUID INTERFACE IS STABILIZED
US7467928B2 (en) 2002-12-12 2008-12-23 Board Of Trustees Of The University Of Arkansas Microfluidic device utilizing magnetohydrodynamics and method for fabrication thereof
US7125711B2 (en) 2002-12-19 2006-10-24 Bayer Healthcare Llc Method and apparatus for splitting of specimens into multiple channels of a microfluidic device
US7338637B2 (en) 2003-01-31 2008-03-04 Hewlett-Packard Development Company, L.P. Microfluidic device with thin-film electronic devices
US7413709B2 (en) 2003-02-12 2008-08-19 Agilent Technologies, Inc. PAEK-based microfluidic device with integrated electrospray emitter
JP3856763B2 (en) 2003-03-11 2006-12-13 財団法人川村理化学研究所 Manufacturing method of microfluidic device
CA2521171C (en) 2003-04-03 2013-05-28 Fluidigm Corp. Microfluidic devices and methods of using same
US7422725B2 (en) 2003-05-01 2008-09-09 Enplas Corporation Sample handling unit applicable to microchip, and microfluidic device having microchips
US7544506B2 (en) 2003-06-06 2009-06-09 Micronics, Inc. System and method for heating, cooling and heat cycling on microfluidic device
US20050124071A1 (en) 2003-09-30 2005-06-09 Kraus Virginia B. Methods and compositions for diagnosing musculoskeletal, arthritic and joint disorders by biomarker dating
FR2862007B1 (en) 2003-11-12 2005-12-23 Commissariat Energie Atomique MICROFLUIDIC DEVICE WITH AN ELECTRONEBULATING NOSE.
US7329391B2 (en) 2003-12-08 2008-02-12 Applera Corporation Microfluidic device and material manipulating method using same
EP1547688A1 (en) 2003-12-23 2005-06-29 STMicroelectronics S.r.l. Microfluidic device and method of locally concentrating electrically charged substances in a microfluidic device
US7099778B2 (en) 2003-12-30 2006-08-29 Caliper Life Sciences, Inc. Method for determining diffusivity and molecular weight in a microfluidic device
US7351380B2 (en) 2004-01-08 2008-04-01 Sandia Corporation Microfluidic structures and methods for integrating a functional component into a microfluidic device
EP2392402A3 (en) 2004-02-18 2012-03-21 Life Technologies Corporation Multi-step bioassays on modular microfluidic application platforms
US7402229B2 (en) 2004-03-31 2008-07-22 Intel Corporation Fabrication and use of semipermeable membranes and gels for the control of electrolysis in a microfluidic device
EP1744986A2 (en) 2004-04-02 2007-01-24 Eksigent Technologies, LLC Microfluidic device
US7419639B2 (en) 2004-05-12 2008-09-02 The Board Of Trustees Of The Leland Stanford Junior University Multilayer microfluidic device
US7655479B2 (en) 2004-06-30 2010-02-02 University Of South Florida Luminescence characterization of quantum dots conjugated with biomarkers for early cancer detection
CA2614507A1 (en) 2004-07-09 2006-08-17 Amaox, Ltd. Immune cell biosensors and methods of using same
US7488596B2 (en) 2004-12-17 2009-02-10 Samsung Electronics Co., Ltd. Microfluidic device comprising electrolysis device for cell lysis and method for electrochemically lysing cells using the same
EP2230316A1 (en) 2005-02-01 2010-09-22 AB Advanced Genetic Analysis Corporation Nucleic acid sequencing by performing successive cycles of duplex extension
JP5069220B2 (en) 2005-04-12 2012-11-07 カリパー・ライフ・サイエンシズ・インク． Compact optical detection system for microfluidic devices
US20090061422A1 (en) * 2005-04-19 2009-03-05 Linke Steven P Diagnostic markers of breast cancer treatment and progression and methods of use thereof
KR100590581B1 (en) 2005-05-10 2006-06-19 삼성전자주식회사 Microfluidic device and its manufacturing method
JP4992201B2 (en) 2005-06-07 2012-08-08 富士ゼロックス株式会社 Microfluidic control method, microfluidic device and manufacturing method thereof
US20100173788A1 (en) 2005-06-21 2010-07-08 Vermillion, Inc. Biomarkers for breast cancer
CA2624086A1 (en) * 2005-09-28 2007-04-05 H. Lee Moffitt Cancer Center Individualized cancer treatments
EP1934602A4 (en) 2005-10-14 2009-01-21 Inst Cardiologie Montreal METHOD FOR DETECTING A BIOMARKER FOR OXIDATIVE STRESS IN A BIOLOGICAL SAMPLE
US7993859B2 (en) 2005-10-14 2011-08-09 Institut De Cardiologie De Montreal Method for quantifying oxidative stress caused by different biological pathways
TWI274040B (en) 2005-12-23 2007-02-21 Ind Tech Res Inst Microfluidic device and method of manufacturing the same
US7568399B2 (en) 2006-01-05 2009-08-04 Integrated Sensing Systems, Inc. Microfluidic device
US7581429B2 (en) 2006-01-06 2009-09-01 Integrated Sensing Systems, Inc. Microfluidic device and method of operation
JP5091163B2 (en) 2006-01-31 2012-12-05 メディカル リサーチ ファンド オブ テル アヴィヴ ソラスキー メディカル センター Methods and kits for early detection of cancer or its predisposition
AU2007237909A1 (en) 2006-04-19 2007-10-25 Applied Biosystems, Llc. Reagents, methods, and libraries for gel-free bead-based sequencing
AU2007253740A1 (en) 2006-05-18 2007-11-29 Molecular Profiling Institute, Inc. System and method for determining individualized medical intervention for a disease state
US8768629B2 (en) 2009-02-11 2014-07-01 Caris Mpi, Inc. Molecular profiling of tumors
US20100184027A1 (en) 2006-07-13 2010-07-22 Epigenomics Ag Methods and nucleic acids for analyses of cellular proliferative disorders
WO2008014458A2 (en) 2006-07-27 2008-01-31 Ludwig Institute For Cancer Research Protein markers for the diagnosis and prognosis of ovarian and breast cancer
AU2007293777B2 (en) 2006-09-07 2014-03-20 Otago Innovation Limited Biomarkers
GB0700374D0 (en) 2007-01-09 2007-02-14 Oncomethylome Sciences S A NDRG family methylation markers
US20080280768A1 (en) * 2007-01-30 2008-11-13 Oncotech, Inc. Reagents and Methods for Predicting Drug Resistance
US20100222230A1 (en) 2007-04-11 2010-09-02 The General Hospital Corporation Diagnostic and prognostic methods for renal cell carcinoma
CA2683854A1 (en) 2007-04-11 2008-10-30 Manel Esteller Epigenetic biomarkers for early detection, therapeutic effectiveness, and relapse monitoring of cancer
BRPI0813002A2 (en) 2007-06-29 2017-05-02 Correlogic Systems Inc predictive markers for ovarian cancer
EP2222345B1 (en) 2007-11-23 2016-03-23 British Columbia Cancer Agency Branch Methods for detecting lung cancer and monitoring treatment response
CN101939009B (en) 2008-02-05 2013-07-17 哈博生物科学公司 Pharmaceutical solid state forms
AU2009217184B2 (en) 2008-02-20 2015-03-19 Digital Medical Experts Inc. Expert system for determining patient treatment response
WO2009154818A1 (en) 2008-03-07 2009-12-23 University Of Connecticut Methods for the detection and monitoring of congestive heart failure
JP2011516038A (en) 2008-03-12 2011-05-26 オタゴ イノベーション リミテッド Biomarker
US20100144543A1 (en) 2008-05-01 2010-06-10 The Salk Institute For Biological Studies Epigenetic silencing of tumor suppressor genes
CN102232117A (en) 2008-10-14 2011-11-02 卡里斯Mpi公司 Gene and gene expressed protein targets depicting biomarker patterns and signature sets by tumor type
EP2358912B1 (en) 2008-10-30 2016-10-12 Caris Life Sciences Switzerland Holdings GmbH Methods for assessing rna patterns
EP3181705A1 (en) 2008-11-12 2017-06-21 Caris Life Sciences Switzerland Holdings GmbH Methods and systems of using exosomes for determining phenotypes
EP2202522A1 (en) 2008-12-23 2010-06-30 Universiteit Leiden Methods for immobilizing microvesicles, means and methods for detecting them, and uses thereof
IL289062B2 (en) 2009-02-11 2024-12-01 Caris Mpi Inc Molecular characterization of tumors
EP2494077A4 (en) 2009-10-27 2013-08-21 Caris Mpi Inc MOLECULAR PROFILING FOR PERSONALIZED MEDICINE
EP2507393A4 (en) 2009-11-30 2013-05-01 Caris Life Sciences Luxembourg Holdings Methods and systems for isolating, storing, and analyzing vesicles
WO2011088226A2 (en) 2010-01-13 2011-07-21 Caris Life Sciences Luxembourg Holdings Detection of gastrointestinal disorders
US9128101B2 (en) 2010-03-01 2015-09-08 Caris Life Sciences Switzerland Holdings Gmbh Biomarkers for theranostics
JP2013526852A (en) 2010-04-06 2013-06-27 カリス ライフ サイエンシズ ルクセンブルク ホールディングス Circulating biomarkers for disease
AU2011249015B2 (en) 2010-04-29 2016-05-26 The Regents Of The University Of California Pathway recognition algorithm using data integration on genomic models (PARADIGM)
EP2647708B1 (en) 2010-12-03 2017-04-26 Kabushiki Kaisha Yakult Honsha Marker for determination of sensitivity to triplet combination anti-cancer agent
US20150024952A1 (en) 2010-12-28 2015-01-22 Arlet Alarcon Molecular profiling for cancer
AU2012249288C1 (en) 2011-04-29 2017-12-21 Lung Cancer Proteomics Llc Methods of identification and diagnosis of lung diseases using classification systems and kits thereof
AU2012267888A1 (en) 2011-06-07 2014-01-30 Caris Mpi, Inc. Molecular profiling for cancer
GB201215944D0 (en) 2012-09-06 2012-10-24 Univ Manchester Image processing apparatus and method for fittng a deformable shape model to an image using random forests
US20150307947A1 (en) 2012-12-04 2015-10-29 Caris Mpi, Inc. Molecular profiling for cancer
WO2014160080A1 (en) * 2013-03-14 2014-10-02 Children's Medical Center Corporation Cancer diagnosis, treatment selection and treatment
EP2876167A1 (en) 2013-11-21 2015-05-27 Institut Gustave Roussy Microbiota composition, as a marker of responsiveness to chemotherapy, and use of microbial modulators (pre-,pro- or synbiotics) for improving the efficacy of a cancer treatment
US20170175197A1 (en) 2014-01-29 2017-06-22 Caris Mpi, Inc. Molecular profiling of immune modulators
US10504020B2 (en) 2014-06-10 2019-12-10 Sightline Innovation Inc. System and method for applying a deep learning neural network to data obtained from one or more sensors
EP3198035B1 (en) 2014-09-26 2022-11-02 Allarity Therapeutics Europe ApS Methods for predicting drug responsiveness
WO2016094330A2 (en) 2014-12-08 2016-06-16 20/20 Genesystems, Inc Methods and machine learning systems for predicting the liklihood or risk of having cancer
US20180045727A1 (en) 2015-03-03 2018-02-15 Caris Mpi, Inc. Molecular profiling for cancer
GB201512869D0 (en) * 2015-07-21 2015-09-02 Almac Diagnostics Ltd Gene signature for minute therapies
WO2017053915A1 (en) 2015-09-24 2017-03-30 Caris Science, Inc. Method, apparatus, and computer program product for analyzing biological data
US20170132362A1 (en) 2015-11-09 2017-05-11 Washington State University Novel machine learning approach for the identification of genomic features associated with epigenetic control regions and transgenerational inheritance of epimutations
US20170175169A1 (en) * 2015-12-18 2017-06-22 Min Lee Clinical decision support system utilizing deep neural networks for diagnosis of chronic diseases
WO2017176423A1 (en) 2016-04-08 2017-10-12 Biodesix, Inc. Classifier generation methods and predictive test for ovarian cancer patient prognosis under platinum chemotherapy
AU2017278261A1 (en) * 2016-06-05 2019-01-31 Berg Llc Systems and methods for patient stratification and identification of potential biomarkers
US10350280B2 (en) 2016-08-31 2019-07-16 Medgenome Inc. Methods to analyze genetic alterations in cancer to identify therapeutic peptide vaccines and kits therefore
US11434534B2 (en) * 2016-09-08 2022-09-06 Curematch, Inc. Optimizing therapeutic options in personalized medicine
US20180089373A1 (en) 2016-09-23 2018-03-29 Driver, Inc. Integrated systems and methods for automated processing and analysis of biological samples, clinical information processing and clinical trial matching
AU2017258901A1 (en) 2016-12-30 2018-07-19 Allarity Therapeutics Europe ApS Methods for predicting drug responsiveness in cancer patients
WO2018146033A1 (en) 2017-02-07 2018-08-16 F. Hoffmann-La Roche Ag Non-invasive test to predict recurrence of colorectal cancer
WO2018146034A1 (en) 2017-02-07 2018-08-16 F. Hoffmann-La Roche Ag Non-invasive test to predict response to therapy in colorectal cancer patients
US11618926B2 (en) 2017-02-28 2023-04-04 Baylor Research Institute Methods for diagnosing, prognosing, and treating colorectal cancer using biomarker expression
WO2018175501A1 (en) 2017-03-20 2018-09-27 Caris Mpi, Inc. Genomic stability profiling
US20200191772A1 (en) 2017-03-31 2020-06-18 Keio University Combined anticancer agent sensitivity determination marker
US11392827B1 (en) 2017-07-19 2022-07-19 United States Of America As Represented By The Secretary Of The Navy Deeper learning from the real-time transformative correction of and reasoning from neural network outputs
US10679129B2 (en) 2017-09-28 2020-06-09 D5Ai Llc Stochastic categorical autoencoder network
US11708600B2 (en) 2017-10-05 2023-07-25 Decode Health, Inc. Long non-coding RNA gene expression signatures in disease diagnosis
US20190317079A1 (en) 2017-10-16 2019-10-17 Sightline Innovation Inc. System and method for volatile organic compound detection
AU2019200325A1 (en) 2018-01-31 2019-08-15 Liplasome Pharma Aps Methods for treating cancer and predicting drug responsiveness in cancer patients
US11250345B1 (en) 2018-06-08 2022-02-15 Intuit Inc. Methods for identifying transactions with user location information
US11120364B1 (en) 2018-06-14 2021-09-14 Amazon Technologies, Inc. Artificial intelligence system with customizable training progress visualization and automated recommendations for rapid interactive development of machine learning models
MX2021006234A (en) * 2018-11-30 2021-09-10 Caris Mpi Inc Next-generation molecular profiling.
EP3970152A4 (en) 2019-05-14 2023-07-26 Tempus Labs, Inc. Systems and methods for multi-label cancer classification
US10734096B1 (en) * 2019-11-29 2020-08-04 Kpn Innovations, Llc Methods and systems for optimizing supplement decisions

Similar Documents

Publication Publication Date Title
JPWO2021112918A5 (en)
Wei et al. Intratumoral and intertumoral genomic heterogeneity of multifocal localized prostate cancer impacts molecular classifications and genomic prognosticators
JPWO2020113237A5 (en)
Budczies et al. Classical pathology and mutational load of breast cancer–integration of two worlds
Villegas et al. Therapy response and prognosis of patients with early breast cancer with low positivity for hormone receptors–An analysis of 2765 patients from neoadjuvant clinical trials
Yaeger et al. BRAF mutation predicts for poor outcomes after metastasectomy in patients with metastatic colorectal cancer
Garsed et al. Homologous recombination DNA repair pathway disruption and retinoblastoma protein loss are associated with exceptional survival in high-grade serous ovarian cancer
Tothill et al. An expression-based site of origin diagnostic method designed for clinical application to cancer of unknown origin
US20090275057A1 (en) Diagnostic markers predictive of outcomes in colorectal cancer treatment and progression and methods of use thereof
Chen et al. Prognostic fifteen-gene signature for early stage pancreatic ductal adenocarcinoma
Malinowsky et al. Activation of the PI3K/AKT pathway correlates with prognosis in stage II colon cancer
Asmar et al. Use of oncogenic driver mutations in staging of multiple primary lung carcinomas: a single-center experience
Wei et al. A river model to map convergent cancer evolution and guide therapy in RCC
Hempel et al. Real world data analysis of next generation sequencing and protein expression in metastatic breast cancer patients
Xue et al. IGFBP3, a transcriptional target of homeobox D10, is correlated with the prognosis of gastric cancer
Sonntag et al. Reverse phase protein array based tumor profiling identifies a biomarker signature for risk classification of hormone receptor-positive breast cancer
Nicholson et al. An update on the status of molecular testing for the indeterminate thyroid nodule and risk stratification of differentiated thyroid cancer
Goričar et al. Clinical-pharmacogenetic models for personalized cancer treatment: application to malignant mesothelioma
Chen et al. Prognostic impact of tumor spread through air spaces for T2aN0 stage IB non‐small cell lung cancer
Bainer et al. Gene expression in local stroma reflects breast tumor states and predicts patient outcome
Sa et al. Somatic genomic landscape of East Asian epithelial ovarian carcinoma and its clinical implications from prospective clinical sequencing: A Korean Gynecologic Oncology Group study (KGOG 3047)
Doyle et al. Ewing sarcoma mimicking atypical carcinoid tumor: detection of unexpected genomic alterations demonstrates the use of next generation sequencing as a diagnostic tool
Kim et al. Immunoprofile-based subgrouping of urothelial bladder carcinomas for survival prediction
Gurav et al. Targeted molecular profiling of solid tumours-Indian tertiary cancer centre experience
CN110741098A (en) Methods of predicting survival outcomes in subjects with hepatocellular carcinoma (HCC) or cholangiocarcinoma (CCA)