专利名称：用于预测细胞对治疗剂的应答的方法和系统的制作方法
用于预测细胞对治疗剂的应答的方法和系统
背景技术：
在用于治疗癌症和其他疾病的靶向疗法开发中已经取得了长足进步。此类靶向疗法包括与特异性或优先表达在肿瘤细胞上的抗原结合的单克隆抗体，以及特异性干扰肿瘤细胞中活性的信号传导途径的分离组分的小分子药物。例如，西妥昔单抗(cetuximab) (Erbitux )是靶向在至少某些结肠癌和头颈癌中表达的表皮生长因子受体(EGFR，还称为ErbBl或HER1)的单克隆抗体。还例如，伊马替尼(imatinib) (Gleevec )是靶向 BCR-Abl酪氨酸激酶的小分子，BCR-Abl酪氨酸激酶在某些慢性髓细胞性白血病中被表达并起致癌因子的作用，并且是良性细胞蛋白的异常变体。虽然此类靶向疗法已经显示在一些患者中有效，但应答率绝非100%。例如，西妥昔单抗单一疗法的平均应答率仅约 15-20%的患者，即使当肿瘤已知表达ErbBl (EGFR)时。因此，仅仅ErbBl (西妥昔单抗抗体所靶向的抗原)在肿瘤中的表达不保证对西妥昔单抗的应答性。因此，虽然靶向疗法非常有前景，但是患者对此类疗法易变的应答率以及与此类疗法相关的副作用和此类疗法通常高额的费用表明，包括预测哪些患者容易对治疗性治疗应答并仅对被预测应答的患者施用治疗的治疗患者的方法是非常希望的。已经采用的一个方法已试图鉴定与对疗法的应答性有关的遗传标志(例如，突变或等位基因)。在该方法中，来自患者的样品在治疗前被基因分型以确定患者是否携带指示疗法应答性的遗传标志。已经采用的另一种方法试图鉴定与疗法应答性相关的蛋白生物标志。在该方法中，在治疗前测定患者样品中的蛋白表达以确定患者是否表达指示疗法应答性的一种或多种蛋白生物标志。前述两种方法可以被认为是“直接”标志方法，其中直接测量的标志(例如， BCR-Abl或ErbBl)的存在(或不存在，或表达水平)已经证明与疗法应答性或非应答性相关。而且，这两种方法都依赖于使用在细胞中足够稳定的标志以使它们能够在从患者分离的样品中被可靠测量或定量。假定在从患者分离样品与测量样品中标志之间存在相当长的时间延迟，则上文描述的此类“直接”标志方法通常需要使用在样品经历常规加工和处理时不随时间降解或改变的基因或蛋白标志。虽然已经鉴定了预测对某些治疗剂应答性的此类稳定的“直接”标志，但此类标志是否能够针对所有治疗剂被鉴定还不清楚。认为肿瘤被一组配体激活的信号传导途径驱动生长，所述信号传导途径通常被与其同源受体结合的配体激活，诱导受体本身和下游激酶的磷酸化，导致途径下游组分的进一步磷酸化。这些激酶引发细胞存活和增殖。因此，信号传导途径的激活导致细胞内组分的改变，特别是蛋白磷酸化。在肿瘤组织上表达的受体的磷酸化特征可以帮助鉴定驱动特定肿瘤进展的主要途径。然而，磷蛋白可以是非常不稳定的，并且在手术后，如果组织样品不立即且快速冷冻(或者在一些情况下福尔马林固定)，则磷酸化可以快速消失。然而，即使当可能稳定测量特定肿瘤样品中一种或多种磷蛋白水平时，有关使用任何特定治疗剂治疗此类肿瘤的效力的任何特定磷蛋白的存在或不存在的预测值一般是未知的。因此，虽然磷蛋白曲线含有关于驱动肿瘤进展的途径的重要信息，但是此类磷蛋白曲线目前未广泛用作预测治疗性治疗应答性的生物标志。
因此，需要用于测定各种磷蛋白水平和利用此类水平和其他肿瘤细胞特征用于预测特定肿瘤对特定治疗剂应答性的新方法，以提高癌症疗法的治疗和成本效益。发明概述本文提供了用于预测细胞(特别是赘生性细胞例如肿瘤细胞(例如，良性肿瘤细胞或恶性肿瘤细胞)和非肿瘤细胞的恶性细胞)对治疗剂应答性的方法以及使用治疗剂治疗具有此类肿瘤的患者的方法。在一个方面，提供了通过从患者获得恶性细胞样品、测定样品中细胞的某些生化特征并随后给患者施用至少一种抗肿瘤治疗剂，使用抗肿瘤治疗剂来治疗患者恶性肿瘤的方法。在某些实施方案中，生化特征是至少一种生物标志的水平；在进一步实施方案中，生物标志的水平通过测量其他更稳定的生化化合物并然后使用计算机模拟算法确定感兴趣的生物标志水平的来确定。治疗剂根据生物标志的水平来选择；某些治疗剂仅当超过生物标志的特定水平时被施用。在某些实施方案中，提供了使用抗肿瘤治疗剂治疗具有赘生性肿瘤的患者的方法，包括获得包括肿瘤细胞的肿瘤样品(例如，活检样品或切除的样品)，测定样品中磷酸化ErbB3(磷酸-ErbB3、pErbB3)的水平，并随后给患者施用至少一种抗肿瘤治疗剂。如果发现样品细胞含有至少最低水平的pErbB3，则施用抗ErbB3治疗剂；如果发现样品细胞不含有至少最低水平的pErbB3，则给患者施用非抗ErbB3治疗剂的抗肿瘤治疗剂，而不施用抗ErbB3治疗剂。优选的抗ErbB3药剂是抗ErbB3抗体。在该方法的某些实施方案中，样品细胞中ErbB3水平通过如下过程推断确定测量其他更稳定的生物标志的水平，并使用计算机化方法即使用计算系统产生计算(基于样品细胞中其他生物标志的实际经验测量水平)网络激活状态的计算机模型，所述网络激活状态通过模拟确定样品细胞中PErbB3的水平。在一个这样的实施方案中，提供了治疗具有恶性肿瘤的患者的方法，包括获得肿瘤样品，测定样品中pErbB3的水平，并随后给患者施用至少一种抗肿瘤治疗剂，其中，如果样品中测定的pErbB3的水平不低于在无血清培养基(例如RPMI)中培养20- 小时后的 ACHN肾癌细胞(ATCC No. CRL-1611)培养物中测量的pErbB3水平的50%，则随后给患者施用的至少一种抗肿瘤治疗剂包括抗ErbB3抗体，并且如果在所述样品中测定的pErbB3水平低于在ACHN肾癌细胞培养物中测量的pErbB3水平的50%，则随后给患者施用的至少一种抗肿瘤治疗剂不包括抗ErbB3抗体。在某些方面，本发明提供了使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测包含细胞网络(例如，ErbB信号传导途径)的细胞(例如，肿瘤细胞)对靶向所述细胞网络内组分的治疗剂的治疗的应答，所述方法包括(a)通过所述计算系统输入装置接收鉴定在细胞样品中测量的细胞网络中一种或多种组分的水平的输入；(b)利用所述计算系统，使用所述细胞网络的计算模型根据所述输入计算细胞的网络激活状态(NAS)或网络抑制状态(NIS)；和(c)至少部分地基于在(b)中计算的NAS或NIS，利用所述计算系统产生并在所述输出装置提供细胞对所述治疗剂的治疗的预测应答。在进一步方面，提供了预测细胞对靶向细胞所包含的细胞网络(例如，ErbB信号传导途径)内组分的治疗剂的治疗的应答的方法，所述方法包括(a)在细胞样品中测量所述细胞网络内一种或多种组分的水平；和(b)应用计算机实现的方法，包括(i)使用具有一个或多个测量的水平的细胞网络输入的计算模型计算细胞的网络激活状态(NAS)或网络抑制状态(NIS)；并(ii)至少部分地基于(i)中计算的NAS或NIS计算并输出细胞对治疗剂治疗的预测应答。在某些实施方案中，此类方法可以进一步包括基于细胞对治疗剂的预测应答来使用治疗剂治疗细胞或从其获得细胞的患者。本文还提供了用于预测细胞对靶向细胞网络(例如，ErbB信号传导途径)内组分的治疗剂治疗的应答的方法，所述方法包括(a)在细胞样品中测量所述细胞网络内一种或多种组分的水平；和(b)应用计算机实现的方法，包括(i)通过将统计分类算法应用到输入测量水平来计算细胞网络的计算模型，并基于此计算细胞的NAS或NIS;和(ii)至少部分地基于计算的NAS或OTS预测细胞对治疗剂治疗的应答。在某些实施方案中，此类方法可以进一步包括基于细胞对治疗剂的预测应答来使用治疗剂治疗细胞或从其获得细胞的受试者。本发明还提供了使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测细胞对靶向细胞网络内组分的治疗剂的治疗的应答，此类方法包括(a)通过所述计算系统输入装置接收鉴定在细胞样品中测量的细胞网络中一种或多种组分的水平的输入；(b)利用所述计算系统，使用所述细胞网络的计算模型计算细胞的网络激活状态(NAS)或网络抑制状态(NIS) ； (c)使用所述计算系统应用统计分类算法；和(d)至少部分地基于统计分类算法的输出，使用计算系统产生并随后在所述输出装置提供细胞对治疗剂治疗的预测应答。还提供了预测细胞对靶向ErbB信号传导途径的组分的治疗剂的治疗的应答的方法。某些此类方法包括(a)在细胞样品中测量(i)调蛋白(heregulin) (HRG)和(ii)至少一种选自ErbBl、ErbB2和ErbB3的受体的水平；和(b)使用计算机，基于在(a)中测量的水平来预测细胞对所述治疗剂的治疗的应答，其中HRG和至少一种受体相对于对照的升高的水平预测对所述治疗剂的治疗的应答性。其他此类方法包括(a)在细胞样品中测量 ErbBl/ErbB3 异二聚体、ErbB2 单体、ErbB2/ErbB2 同二聚体、磷酸化 ΕΑΒ2/ΕΑΒ2 同二聚体、ErbB2/ErbB3异二聚体、磷酸化ErbBl/ErbB3异二聚体和磷酸化ErbB2/ErbB3异二聚体、ErbB2/ErbB4异二聚体、磷酸化ErbB2/ErbB4异二聚体、ErbB3/ErbB4异二聚体、磷酸化 ErbB3/ErbB4异二聚体的一种或多种的水平；和(b)基于(a)中测量的水平，使用计算机预测细胞对所述治疗剂的治疗的应答，其中ErbBl/ErbB3异二聚体、ErbB2单体、ErbB2/ErbB2 同二聚体、ErbB2/ErbB3异二聚体、磷酸化ErbBl/ErbB3异二聚体或磷酸化ErbB2/ErbB3异二聚体相对于对照的水平差异预测对所述治疗剂治疗的应答性。在某些实施方案中，此类方法可以进一步包括基于细胞对治疗剂的预测应答来使用治疗剂治疗细胞或从其获得细胞的受试者。本发明还提供使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测细胞对靶向ErbB信号传导途径的组分的治疗剂的治疗的应答。某些此类方法包括(a)通过所述计算系统输入装置接收鉴定(i)HRG和(ii)至少一种选自ErbBl、ErbB2和ErbB3的受体的测量水平的输入，所述水平已经在细胞样品中测量；和(b)基于所测量的水平，利用所述计算系统产生并然后在所述输出装置提供细胞对所述治疗剂的治疗的预测应答，其中 HRG和至少一种受体相对于对照的升高的水平预测对所述治疗剂的治疗的应答性。其他此类方法包括(a)通过所述计算系统输入装置接收鉴定ErbBl/ErbB3异二聚体、ErbB2单体、ErbB2/ErbB2同二聚体、ErbB2/ErbB3异二聚体、磷酸化ErbBl/ErbB3异二聚体和磷酸化 ErbB2/ErbB3异二聚体的一种或多种的测量水平的输入，所述水平已经在细胞样品中测量； 和(b)基于所测量的水平，使用所述计算系统产生并提供细胞对所述治疗剂的治疗的预测应答，其中 ErbBl/ErbB3 异二聚体、ErbB2 单体、ErbB2/ErbB2 同二聚体、ErbB2/ErbB3 异二聚体、磷酸化ErbBl/ErbB3异二聚体或磷酸化ErbB2/ErbB3异二聚体相对于对照的水平差异预测对所述治疗剂治疗的应答性。在其他方面，本文提供了用于预测细胞对靶向细胞网络内组分的治疗剂的治疗的应答的试剂盒，所述试剂盒包括(a)用于检测所述细胞网络的一种或多种组分的水平的测定；和(b)使用所述细胞网络的计算模型计算细胞的网络激活状态(NAS)或网络抑制状态(NIQ的说明书。在某些实施方案中，此类试剂盒还包括(c)使用所述试剂盒来预测细胞对所述治疗剂的治疗的应答的说明书。本发明还提供了鉴定用于预测细胞对靶向细胞网络内组分的治疗剂的治疗的应答的生物标志的方法，所述方法包括(a)在细胞样品中测量所述细胞网络的一种或多种组分的水平；和(b)应用计算机实现的方法，所述计算机实现的方法包括(i)使用所述细胞网络的计算模型计算所述细胞网络的一种或多种其他组分的水平；和(ii)鉴定其计算水平预测细胞对治疗剂治疗的应答的细胞网络组分，从而鉴定所述组分为预测细胞对所述治疗剂治疗的应答的生物标志。本文还提供了使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于鉴定用于预测细胞对靶向细胞网络内组分的治疗剂的治疗的应答的生物标志，所述方法包括(a) 通过所述计算系统输入装置接收鉴定在细胞样品中测量的细胞网络的一种或多种组分的测量水平的输入；(b)利用所述计算系统，使用所述细胞网络的计算模型计算细胞网络的一种或多种其他组分的水平；和(c)利用所述计算系统鉴定其计算水平预测细胞对治疗剂治疗的应答的细胞网络组分，从而将该组分鉴定为用于预测细胞对所述治疗剂治疗的应答的生物标志。在其他方面，本发明提供了计算机程序产品，包括一种或多种存储了计算机可执行指令的计算机可读存储介质，所述计算机可执行指令在被执行时实现任何前述方法。附图简述
图1A-1D是显示Ab#6抗体治疗对异种移植肿瘤生长的抑制的图。图IA显示了 MALME3M异种移植肿瘤模型的结果。图IB显示DU145异种移植肿瘤模型的结果。图IC显示ADRr异种移植肿瘤模型的结果。图ID显示ACHN异种移植肿瘤模型的结果。图2是描绘未治疗的异种移植肿瘤中磷酸化ErbB3(pErbB;3)浓度(pg/yg总蛋白)对用Ab#6治疗的异种移植物生长速率降低(％ )的图。图3A-3E是显示在异种移植物解剖之后0、10、30或60分钟冷冻的ACHN异种移植肿瘤样品中pErbB3(图3A)和磷酸化AKT (pAKT)(图3B)水平以及在异种移植物解剖之后0、10、30或60分钟冷冻的EKVX异种移植肿瘤样品中ErbBl (图3C)、ErbB2 (图3D)和ErbB3(图3E)水平的条线图。图4A-4D显示将信号传导途径动画图转化为计算模型的过程的示意图。图4A显示包括不同配体和ErbB受体的ErbB信号传导途径的动画图。图4B显示描述动画图中所示蛋白相互作用的一组生化反应。图4C显示从所述一组生化反应得到的一组变化(flux)。 图4D显示了基于质量作用动力学的一组非线性常微分方程式，描述了信号转导网络。图5A-5B是显示在ADRr卵巢癌细胞中用九种不同浓度的调蛋白(HRG)(图5A) 或β细胞调节素(betacellulin)(图5B)刺激的细胞中磷酸_ErbB3、磷酸_ErbB2、磷酸-ErbBl和磷酸-AKT水平随时间的图。根据模拟结果(实线)校准计算模型参数来描述实验数据(点)。图6是显示鉴定ErbB3激活的关键标志的局部灵敏度分析结果的条线图。图7是显示MALME3M、DU145, ADRr和ACHN细胞系中pErbB3的计算水平的图。图8A-8B是显示基于从4个培养细胞系(MALME3M、DU145、ADRr和ACHN)建立的 NAS阈值，使用NAS值预测15个细胞系对Ab#6治疗应答性的图。图8A是描绘19个细胞系模拟的pErbB3水平的条线图，从最高到最低的pErbB3水平。图8B是将19个细胞系从最高到最低NAS值分级的图，NAS值低于MALME3M的细胞系被分级为非应答者(NR)，NAS值高于ADRr的细胞系被分级为应答者，NAS值在MALME3M和ADRr之间的细胞系被分级为中间者ο图9A-9C是显示Ab#6抗体治疗对异种移植肿瘤生长的抑制的图。图9A显示 IGROVl异种移植肿瘤模型的结果。图9B显示0VCAR8异种移植肿瘤模型的结果。图9C显示SK0V3异种移植肿瘤模型的结果。图10A-10D是其中一个ErbB受体的浓度对数对一个或多个其他ErbB受体的浓度对数绘图的图。显示了分类为Ab#6应答者或非应答者的细胞系的受体值。图IOA描绘 ErbB2对ErbBl作图。图IOB描绘ErbB3对ErbBl作图。图IOC描绘ErbB2对ErbB3作图。 图IOD描绘ErbBl对ErbB2对ErbB3作图。图11显示其中HRG的对数浓度对ErbBl的对数浓度绘图的图。在该图中，在异种移植物研究中测试的应答与非应答细胞系分开。图12A-12C是其中描绘了异种移植细胞系和人肿瘤样品中ErtB信号传导途径的不同组分的对数标准化表达水平(pg/μ g，通过ELISA测定)的图。图12A描绘了 ErbB2对 ErbBl作图。图12B描绘了 ErbB4对ErbB3作图。图12C描绘了 HRG-β 1对BTC作图。图13A-13D是显示异种移植细胞系和人肿瘤样品的定量免疫组织化学(qlHC)结果的图。图13A显示ErbBl的细胞系标准曲线。图13B、13C和13D是分别描绘在异种移植细胞系(红色条)和人肿瘤样品(蓝色条)中ErbBl、ErbB2和ErbB3的qlHC评分的条线图。图14是显示对八个细胞系计算的积分磷酸化ErbBl 3异二聚体水平(每个细胞时间积分的异二聚体的量)的条线图，将它们分成Ab#6非应答者(MALME3M、BT474、IGROVl 和 ADRr)和应答者(0VCAR8, SK0V3、DU145 和 ACHN)。图15A和15B是包括各种功能步骤和动作的流程图，所述功能步骤和动作可以在本发明某些实施方案实施过程中进行。图16是可用于实施本发明某些方面的计算环境的一个实施方案。
图17A-D是用双特异性抗体H3x B1D2治疗的细胞的抑制曲线图。图17A和17B 分别显示在0VCAR8细胞中对pErbB3水平和pAKT水平的抑制曲线。图17C和17D分别显示在HER2/ErbB2转染的0VCAR8细胞(0VCAR8-HER2细胞)中对pErbB3水平和pAKT水平的抑制曲线。实线代表从计算模型模拟的数据，而圆圈代表实验测定的数据。还显示了模拟的IC5tl值(DR50模拟)和实验测定的IC5tl值(DR50数据)。图18A-D显示了用双特异性抗体H3x B1D2治疗的细胞的抑制曲线图。图18A和 18B分别显示在ADrR细胞中对pErbB3水平和pAKT水平的抑制曲线。实线代表从计算模型模拟的数据，而圆圈代表实验测定的数据。还显示了模拟的IC5tl值(DR50模拟)和实验测定的IC5tl值(DR50数据)。图18C和18D分别显示用ErbBl RNAi模拟治疗的ADrR细胞中 pErbB3水平和pAKT水平的模拟抑制曲线。图19A-C是在用H3x B1D2治疗的异种移植模型中一组肿瘤细胞的体内测定的相对生长速率(RGR)对不存在H3x B1D2时所述组的肿瘤细胞中ErbB2单体(图19A)、 ErbB2:ErbB2同二聚体(图19B)和ErbB2:ErbB3异二聚体(图19C)的计算水平描绘的图。图20A-B是在用H3x B1D2治疗的异种移植模型中一组肿瘤细胞的体内测定的相对生长速率(RGR)对模拟的不存在和存在H3x B1D2时所述组的肿瘤细胞中ErbB2:ErbB3 异二聚体(图20A)和ErbBl :ErbB3异二聚体(图20B)的计算相对水平描绘的图。图21提供了在所示HRG剂量下ErbB2过表达细胞系BT474-M3的预测的(绘制的线)和实际的(数据点)HRG诱导的pErbB3和pAKT信号传导数据的图示，在实施例11中详述。发明详述本发明大体上提供其中一种或多种细胞信号传导途径中一种或多种元件(例如 ErbB3)通过使用间接标志而非通过直接测量所述一种或多种元件的水平来确定的方法、系统和计算机程序产品。所述间接测量可以通过计算机模拟来测定信号传导途径中元件的激活状态，所述计算机模拟建立信号传导途径模型。使用本文提供的方法，这种信息可用来预测细胞对治疗剂的应答性，由此选择用于具有疾病或疾患(例如，癌症)的患者的治疗性治疗。通过使用本发明，可以实现肿瘤细胞样品的代表性磷酸化特征的确定。这允许使用磷酸化细胞蛋白作为对治疗剂应答性的生物标志而不需要直接测量患者样品中此类磷蛋白的水平，由此避免与磷蛋白测量相关的潜在问题(例如，不稳定性、不可靠性)。此类模拟确定的磷酸化特征可以用来精确预测细胞对抗肿瘤治疗剂的应答性，并因此可用于避免给患者施用对治疗患者癌症无效的癌症药物。而且，所公开的方法允许模拟细胞网络内其他不稳定组分的水平，所述组分例如细胞网络中受体的同二聚体和/或异二聚体，或者磷酸化同二聚体和/或异二聚体，这些组分还可以用于预测细胞对治疗剂的应答性。而且，所公开的方法允许模拟治疗剂对细胞网络内组分的作用，其还可以用于预测细胞对治疗剂的应答性。在某些实施方案中，细胞网络内一种或多种不稳定细胞组分(例如，细胞表面受体、配体及类似物)的水平在细胞样品(例如，肿瘤活检或切除肿瘤中的细胞)中测量。基于这些测量，使用一种或多种信号转导网络的计算模型(例如，机械计算模型)计算细胞的网络激活状态(或NAS)或网络抑制状态(NIS)。例如，NAS可以是代表细胞网络内磷酸化蛋白(还未直接测量)的计算水平的数值。可选地，NIS可以是代表在治疗剂的模拟存在时细胞网络内组分的计算水平(与治疗剂的模拟不存在时的组分水平相比较)的数值。通过比较计算的NAS或OTS与代表应答性或非应答性阈值的对照值，可以预测细胞是否能对治疗剂治疗应答。因此，公开了对治疗的细胞应答性的“间接”标志的用途，其中“间接”标志(例如激活的信号传导途径内磷酸化蛋白或二聚体)的水平不是直接测量而是基于直接测量的其他细胞组分的水平而计算或模拟的。所述方法还包括统计分类算法例如与NAS或OTS的计算相组合的用途。在本发明的上下文中，如在本文实施例部分中进一步描述的，ErbB信号传导途径的机械计算模型已经成功用于计算磷酸化ErbB3(pErbB3)的水平，作为ErbB细胞网络(或 NAS)的激活指示器，并且显示模拟的pErbB3水平准确预测肿瘤细胞系在体内异种移植系统中对抗ErbB3抗体Ab #6治疗的应答性。因此，如在实施例部分进一步描述的，ErbB信号传导途径的机械计算模型已经成功用于计算在治疗剂的模拟不存在和存在时ErbB2/ErbB3 异二聚体和ErbBl/ErbB3异二聚体的相对水平，以作为ErbB细胞网络(或NlQ抑制的指示，并且显示ErbB2/ErbB3和ErbBl/ErbB3异二聚体的模拟的相对水平准确预测肿瘤细胞系在体内异种移植系统中对抗ErbB3x抗ErbB2双特异性抗体H3x B1D2治疗的应答性。为了可以更容易理解本发明，首先定义了某些术语。本文使用的术语“治疗剂”意图包括有能力降低或抑制疾病或疾患症状严重度、或增加疾病或疾患中无症状或症状减少期的频率和/或持续时间、或抑制或预防由于疾病或疾患影响的损伤或残疾、或抑制或延迟疾病或疾患的进展、或抑制或延迟疾病或疾患的发作、或抑制或预防感染性疾病或疾患的感染的任何和所有化合物。治疗剂的非限制性实例包括有机小分子、单克隆抗体、双特异性抗体、重组工程化生物制品、RNAi化合物等。如本文使用的，“靶向细胞网络内组分”的治疗剂是指这样的试剂，其治疗活性至少部分源于对细胞网络内组分的活性具有特异性的直接或间接影响的该试剂。靶向细胞网络内组分的治疗剂的非限制性实例包括特异性结合ErbBl、由此特异性靶向ErbB细胞网络内ErbBl的单克隆抗体西妥昔单抗以及特异性抑制ErbBl的酪氨酸激酶(TK)结构域、由此特异性靶向ErbB细胞网络内ErbBl-TK的小分子吉非替尼(gefitinib)。本文使用的术语"网络激活状态"或"NAS"指反映或对应于细胞网络的激活水平的指示，通常为数值。NAS通常使用细胞网络的计算模型来计算。NAS可以代表例如细胞网络内一种或多种磷酸化蛋白的模拟水平。尽管一种或多种磷蛋白水平是NAS的优选实施方案(例如，如实施例7中进一步描述的pErbB3水平或实施例10中进一步描述的磷酸化ErbB同二聚体或异二聚体水平，例如pErbBl/ErbB3异二聚体水平，或者下游激酶例如 PI3K的水平)，但激活的信号传导途径内其他细胞组分也可以用作网络激活指示并因此可以用作NAS，包括但不限于受体二聚化(同二聚体和异二聚体，例如ErbBl/ErbBl或ErbB2/ ErbB2 同二聚体的水平，或者 ErbBl/ErbB2, ErbBl/ErbB3, ErbBl/ErbB4, ErbB2/ErbB3 或 ErbB2/ErbB 4异二聚体的水平)、蛋白剪切、转录因子激活和基因表达激活。细胞例如肿瘤细胞的网络激活状态是细胞对信号传导途径依赖性的指示，其可以被靶向该特定信号传导途径的治疗剂抑制。本文使用的术语"网络抑制状态"或"NIS"指反映或对应于细胞网络的抑制水平的指示，通常为数值。NIS通常使用细胞网络的计算模型来计算。NIS可以代表例如在治疗剂的模拟存在时细胞网络内一种或多种组分的模拟水平，与治疗剂的模拟不存在时的模拟水平相比较(或相对于)。例如，NIS可以是治疗剂的模拟存在时一种或多种组分的水平与治疗剂的模拟不存在时所述一种或多种组分的水平的比值。NIS的非限制性实例是在治疗剂的模拟不存在和存在时计算的一种或多种同二聚体或异二聚体的计算相对水平(例如，ErbB2/3和ErbBl/3异二聚体的相对水平)(即，与在治疗剂的模拟不存在时水平相比的在治疗剂的模拟存在时的水平)。然而，要理解，其水平受到治疗剂调节的信号传导途径内的其他细胞组分也可以用作网络抑制的指示，因此它们的水平可以用作NIS的指示。细胞例如肿瘤细胞的NIS和细胞的NAS是治疗剂对细胞信号传导途径内组分的影响的指示， 并且可以预测细胞对治疗剂效应的应答性。术语"细胞网络的计算模型"指诸如计算机程序的模型，其将生物途径图或动画图(例如，与癌症相关的一组蛋白相互作用)转换成一组可用于随后模拟和分析的数学公式。某些信息(例如，配体和/或受体蛋白浓度、速率常数)可以被输入模型，然后，所述模型可以模拟可能难以测量的其他信息(例如，磷蛋白水平)。细胞网络的网络激活状态(或 NAS)或网络抑制状态(或NIS)可以使用本文所述的细胞网络的计算模型计算。本文使用的术语“算法“一般指用于执行方法或解决问题的一组指令、程序或公式。术语"统计分类算法"指确定一个或多个可测量参数或输入(例如，组织样品中测量的蛋白水平)与特定结果或输出(例如，对治疗剂的应答性)之间的统计关系，从而可以进行分类或预测(例如对治疗剂的应答者与非应答者)的算法。本文使用的术语“生物标志”指细胞内或由细胞表达的物质(例如，蛋白、mRNA、等位基因)，其中生物标志与疾病对给定治疗的应答性相关。本文使用的术语“直接生物标志”指细胞内或由细胞表达的物质(例如，蛋白、 mRNA、等位基因)，其中直接生物标志与疾病对给定治疗的应答性相关，并且其中所述物质的存在或水平在细胞中直接测量以预测疾病对给定治疗的应答性。本文使用的术语“间接生物标志”指细胞内或由细胞表达的物质(例如，蛋白、 mRNA、等位基因)，其中间接生物标志与疾病对给定治疗的应答性相关，并且其中所述物质的存在或水平不在细胞中直接测量而是通过间接方式确定，例如通过使用计算模型的模拟，以预测疾病对给定治疗的应答性。本文使用的“抗体”是由一种或多种多肽组成的蛋白，包括基本由免疫球蛋白基因或免疫球蛋白基因片段编码的结合结构域，其中所述蛋白免疫特异性结合抗原。公知的免疫球蛋白基因包括Κ、λ、α、Υ、δ、ε*μ恒定区基因，以及许多免疫球蛋白可变区基因。轻链被分类为κ或λ。重链被分类为Y、μ、α、δ或ε，其转而分别定义免疫球蛋白类型IgG、IgM、IgA、IgD和IgE。典型的免疫球蛋白结构单元包括由两个相同多肽链对组成的四聚体，每对具有一个“轻”链(约25kD)和一个“重”链(约50-70kD)。“ Vl"和 "VH"分别指这些轻链和重链。抗体包括完整免疫球蛋白及其抗原结合片段，其可以通过各种肽酶消化而产生或者化学地或使用重组DNA技术从头合成。此类片段包括例如F(ab)2 二聚体和Fab单体。 优选的抗体包括单链抗体(作为多肽单链存在的抗体)，更优选其中Vh和\链结合在一起 (直接或通过肽接头)形成连续多肽的单链Fv抗体(scFv)。5，132，405和4，956，778)。
“免疫特异性"或"免疫特异性地"指经由基本上由免疫球蛋白基因或免疫球蛋白基因片段编码的结构域结合感兴趣蛋白的一个或多个表位的抗体，但是基本上不识别和结合含有混合抗原分子群体的样品中的其他分子。通常，抗体以至少50nM的Kd结合同源抗原，通过表面等离子体共振测定或细胞结合测定来测量。此类测定的使用是本领域公知的，并且在本文实施例13中示例说明。“抗ErbB3抗体〃是免疫特异性结合ErbB3胞外域的分离的抗体。这种与ErbB3 的结合表现出至少50nM的Kd，通过表面等离子体共振测定或细胞结合测定来测量。抑制 EGF样配体介导的ErbB3磷酸化的抗ErbB3抗体是优选的。EGF样配体包括EGF、TGFa、β细胞调节素、肝素结合表皮生长因子、biregulin、表原(印igen)、表皮调节素(印iregulin) 和双调蛋白，其通常结合ErbBl并诱导ErbBl与ErbB3的异二聚化。本文使用的术语"双特异性"指包括两个抗原结合位点的蛋白，一个结合位点对第一抗原或表位具有亲和力，第二结合位点对不同于第一个的第二抗原或表位具有结合亲和力。本文使用的术语“受试者”或“患者”包括具有对治疗剂治疗的应答可以使用本发明方法预测的疾病或疾患的任何人或非人动物，例如具有肿瘤的受试者或患者。术语“非人动物”包括所有脊椎动物，例如哺乳动物和非哺乳动物，例如非人灵长类、绵羊、狗、猫、马、 母牛、小鸡等。本发明的许多实施方案包括一种或多种计算系统，例如特殊目的和一般目的的计算机，包括各种计算机硬件，例如输入装置、输出装置、处理器、存储介质和其他相应的计算机组件。本发明的许多实施方案还包括计算机可读储存介质，所述计算机可读存储介质具有储存在其上的计算机可执行指令或数据结构(包括其中定义的指令和数据，例如机械计算模型、测量的蛋白和生物标志水平、分类算法、突变状态等)，并且其被特别配置用于实现本文描述并要求保护的方法。此类计算机可读存储介质可以是任何可用介质，其可以通过一般目的或特殊目的的计算机访问。作为例子而非限制，此类计算机可读存储介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储装置、磁盘存储装置或其他磁存储装置，或者任何可以用于存储计算机可执行指令或数据结构形式的所需程序代码工具、模块和软件并且可以通过一般目的或特殊目的计算机访问的其他介质。在一些情况下，传输介质还可以用于携带计算机可执行指令，使得本发明还扩展至包括携带可被执行以进行本文描述的一种或多种方法的计算机可执行指令的传输介质的应用、系统和其他实施方案。当信息经网络或另一种通信连接(硬线、无线或硬线或无线的组合)被传递或提供给计算机时，计算机完全将所述连接视作计算机可读传输介质。术语“计算机可执行指令”、“可执行指令”、“模块”和“计算模块”有时在本文可互换使用，来指可通过一种或多种计算处理器和一种或多种计算系统的处理组件访问和执行以实现本文所描述和权利要求所述的本发明某些方法的计算机代码、数据结构和软件。有关前述的其他方面和本公开的各种其他方面在下面章节更详细描述，下面章节不应被解释为限制性的。I.机械计算模型机械计算模型可以被视为蛋白网络中分子相互作用的预测性数学描述。在至少某些实施方案中，本文提供的用于预测对治疗剂应答的方法包括使用机械计算模型。机械计算模型将生物途径图或动画图(例如，沿信号转导途径(例如与癌症相关的途径)出现的一组蛋白相互作用)转换成一组可用于随后模拟和分析的数学公式。因此，构建模型的第一步是产生生物途径的详图或动画图展示，其包括途径中涉及的相关蛋白和分子。必须做出将包括哪些蛋白和分子以及使它们关联的生物反应的关键决策。科学文献中可获得的有关哪些蛋白和分子参与途径以及哪些生物反应使它们关联的信息被收集并用于产生生物途径的动画图展示。生物途径动画图展示一经产生，将该信息转换为代表途径(还称为细胞网络)中蛋白-蛋白相互作用的公式系统。代表信号转导网络的生化反应网络的计算模型是基于例如非线性常微分方程(ODE)、随机模型、布尔(boolean)或模糊逻辑模型或petri网。它们包括微分方程，需要必须实验测量或估计的两种类型的参数初始物类数目(第i物类的 C0, 0和速率常数(第j速率的、)。构建计算模型的过程的示意图显示于图4A-D，其示例说明ErbB信号传导途径的动画图(图4A)，该途径转换为生化反应和变化的组(图4B和 4C)，以及通过一组微分方程展示蛋白-蛋白相互作用(图4D)。计算模型通常被构建为写入计算机脚本语言的一组可执行指令，例如使用MATLAB Simbiology (The Math Works, Natick, ΜΑ),The Systems Biology Toolbox
2 for MATLAB(SBtoolbox2. org)或 JAC0BIAN建模软件(Numerica Technology, Cambridge, MA)。然而，要理解，本发明范围还扩展至用不同于MATLAB或JAC0BIAN软件和界面构建的计算模型的用软件和界面构建的计算模型的开发和使用。本发明还扩展至利用已经由第三方预先构建并下载至实现本发明其他方面的计算系统的计算模型的实施方案。在模型校核之前，基于来自科学文献的信息，尽可能多的参数的值被指定并输入计算系统，例如蛋白水平、结合亲和力、配体与其同源受体的结合速率常数。科学文献中不可获得的参数值可以通过实验获得。通过根据被输入进行训练的计算系统的实验获得的数据来优化模型的输出，来 “训练”模型。通过使模型拟合实验数据，选择优化的模型参数组。模型校核过程包括调整假设和参数估计。为了校核模型，必须首先鉴定在生物学上对于将配体刺激转换成下游信号传导事件特别重要的蛋白和参数亚组。这一过程被称为灵敏度分析，更准确地，其是测量响应于途径内蛋白浓度和动力学参数的输出变化(例如底物磷酸化)的数学工具。通过下述方程给出有关第j速率常数(、)变化的第i可见的Ci (t)的完全标准化的灵敏度(Sij (t))
权利要求
1.一种用于治疗具有赘生性肿瘤的患者的方法，所述方法包括获得肿瘤样品，测定所述样品中pErbB3的水平，并随后给患者施用至少一种抗肿瘤治疗剂，其中，如果在所述样品中测定的PErbB3水平不低于在无血清培养基中培养20-M小时后的 ACHN细胞培养物中测量的pErbB3水平的50%，则随后给患者施用的至少一种抗肿瘤治疗剂包括抗ErbB3抗体，并且如果在所述样品中测定的pErbB3水平低于在ACHN细胞培养物中测量的pErbB3水平的50%，则随后给患者施用的至少一种抗肿瘤治疗剂不包括抗ErbB3抗体。
2.根据权利要求1的方法，其中所述样品中PErbB3的水平如下测定(a)测量所述样品中ErbB3信号传导途径的至少两种组分每一种的水平；(b)使用被输入ErbB3信号传导途径计算模型的在(a)中测量的水平来计算模拟所述样品中pErbB3水平的网络激活状态；和(c)由此测定所述样品中pErbB3的水平。
3.根据权利要求2的方法，其中其水平被测量的至少一种组分选自ErbBl、ErbB2、 ErbB3、ErbB4、调蛋白、β细胞调节素、表皮生长因子、肝素结合表皮生长因子、转化生长因子α、双调蛋白、表原和表皮调节素。
4.根据权利要求2或权利要求3的方法，其中水平被测量的一种组分是蛋白，所述蛋白是单体、同二聚体或异二聚体。
5.根据权利要求4所述的方法，其中所述异二聚体是ErbBl/ErbB3异二聚体或ErbB2/ ErbB3异二聚体。
6.根据权利要求4的方法，其中所述蛋白的水平通过定量荧光激活细胞分选、酶联免疫吸附测定、免疫组织化学、定量免疫组织化学、荧光共振能量转移、Forster共振能量转移、生物分子荧光互补、质谱法、免疫印迹分析或免疫共沉淀分析来测量。
7.根据权利要求2或权利要求3的方法，其中在(a)中被检测的一种组分是mRNA。
8.根据权利要求2-7任一项的方法，其中计算网络激活状态包括ErbB3信号传导途径的计算机模型，所述计算机模型包括机械模型或统计分类算法。
9.根据权利要求2-8任一项的方法，其中计算的网络激活状态模拟所述样品中 pErbB3、磷酸化ErbBl/ErbB3异二聚体和磷酸化ErbB2/ErbB3异二聚体中至少一种的水平。
10.根据权利要求1-9任一项的方法，其中所述肿瘤是器官的恶性肿瘤，所述器官选自结肠、肺、直肠、胆囊、脑、脊髓、乳房、肾、胰脏、胃、肝、骨、皮肤、脾、卵巢、睾丸、前列腺和肌肉。
11.根据权利要求1-10任一项的方法，其中所述抗ErbB3抗体包括以下至少一种(i)具有分别如SEQID NO 1和SEQ ID NO 2所示的重链可变区(Vh)和轻链可变区 (Vl)序列的Ab#6抗体，或具有分别如SEQ ID NO :7_9和SEQ ID NO :10-12所示的Ab#6的 Vh和Vl CDR序列的抗体；(ii)具有分别如SEQID NO 3和SEQ ID NO 4所示的Vh和Vl序列的Ab#3,或者包括分别如SEQ ID NO 13-15和SEQ ID NO :16-18所示的Ab#3的Vh和Vl CDR序列的抗体；(iii)具有分别如SEQID NO 5禾P SEQ ID NO :6所示的Vh和八序列的Ab#14，或者包括分别如SEQ ID NO :19-21和SEQ ID NO :22- 所示的Ab#14的Vh和Vl CDR序列的抗体;(iv)具有分别如SEQ ID N0:25和SEQ ID NO J6所示的Vh和Vl序列的Ab#17，或者包括分别如SEQ ID NO 27-29和SEQ ID NO :30-32所示的Ab#17的Vh和Vl CDR序列的抗体；和(ν)具有分别如SEQ ID NO 33和SEQ ID NO 34所示的Vh和Vl序列的Ab#19,或者包括分别如SEQ ID NO :35-37和SEQ ID NO :38-40所示的Ab#19的Vh和Vl CDR序列的抗体。
12.根据权利要求1-11任一项的方法，其中所述抗ErbB3抗体包括MM-121。
13.一种使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测包含细胞网络的细胞对靶向所述细胞网络内组分的治疗剂的治疗应答，所述方法包括(a)通过所述计算系统输入装置来接收代表在细胞样品中测量的细胞网络中一种或多种组分的水平的输入；(b)利用所述计算系统，使用所述细胞网络的机械计算模型根据所述输入来计算细胞的网络激活状态或网络抑制状态；和(c)至少部分地基于在(b)中计算的网络激活状态或网络抑制状态，利用所述计算系统产生并在所述输出装置提供细胞对所述治疗剂的治疗的预测应答。
14.一种使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测包含细胞网络的细胞对靶向所述细胞网络内组分的治疗剂的治疗应答，所述方法包括(a)通过所述计算系统输入装置接收代表在细胞样品中测量的细胞网络中一种或多种组分的水平的输入；(b)利用所述计算系统，使用所述细胞网络的计算模型根据所述输入来计算细胞的网络激活状态或网络抑制状态，所述计算模型包括统计分类算法；和(c)至少部分地基于在(b)中计算的网络激活状态或网络抑制状态，利用所述计算系统产生并在所述输出装置提供细胞对所述治疗剂的治疗的预测应答。
15.一种用于预测细胞对靶向细胞网络内组分的治疗剂的治疗应答的方法，所述方法包括(a)在细胞样品中测量所述细胞网络内一种或多种组分的水平；和(b)应用计算机实现的方法，包括使用输入了在(a)中测量的水平的所述细胞网络的机械计算模型来计算细胞的网络激活状态或网络抑制状态；并至少部分地基于利用所述机械计算模型输出的统计分类算法来预测细胞对所述治疗剂的治疗应答。
16.一种使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测细胞对靶向细胞网络内组分的治疗剂的治疗应答，所述方法包括(a)通过所述计算系统输入装置来接收代表在细胞样品中测量的细胞网络中一种或多种组分的水平的输入；(b)利用所述计算系统，使用所述细胞网络的计算模型来计算细胞的网络激活状态或网络抑制状态；和(c)利用所述计算系统产生并在所述输出装置提供细胞对所述治疗剂的治疗的预测应答。
17.根据权利要求13-16任一项所述的方法，其中所述细胞网络包括ErbB信号传导途径。
18.根据权利要求17所述的方法，其中其水平被测量的一种组分是参与所述ErbB信号传导途径的ErbB受体配体。
19.根据权利要求18所述的方法，其中所述ErbB受体配体是调蛋白、β细胞调节素、 表皮生长因子、肝素结合表皮生长因子、转化生长因子α、双调蛋白、表原或表皮调布素。
20.根据权利要求17所述的方法，其中其水平被测量的一种组分是参与所述ErbB信号传导途径的受体。
21.根据权利要求20所述的方法，其中所述受体是ErbBl、ErbB2、ErbB3或ErbB4。
22.根据权利要求17所述的方法，其中所述治疗剂包括抗EGFR抗体。
23.根据权利要求22所述的方法，其中所述抗EGFR抗体是选自西妥昔单抗、马妥珠单抗、帕尼单抗、尼妥珠单抗和mAb 806的抗体。
24.根据权利要求17所述的方法，其中所述治疗剂包括抗ErbB2抗体。
25.根据权利要求M所述的方法，其中所述抗ErbB2抗体包括曲妥珠单抗。
26.根据权利要求17所述的方法，其中所述治疗剂包括抗ErbB3抗体。
27.根据权利要求沈所述的方法，其中所述抗ErbB3抗体包括以下至少一种(i)具有分别如SEQID NO 1和SEQ ID NO 2所示的重链可变区(Vh)和轻链可变区 (Vl)序列的Ab #6抗体，或具有分别如SEQ ID NO 7-9和SEQ ID N 0 10-12所示的Ab#6 的Vh和Vl CDR序列的抗体；(ii)具有分别如SEQID NO 3和SEQ ID NO 4所示的Vh和Vl序列的Ab#3,或者包括分别如SEQ ID NO 13-15和SEQ ID NO :16-18所示的Ab#3的Vh和Vl CDR序列的抗体；(iii)具有分别如SEQID NO 5禾P SEQ ID NO :6所示的Vh和八序列的Ab#14，或者包括分别如SEQ ID NO :19-21和SEQ ID NO :22- 所示的Ab#14的Vh和Vl CDR序列的抗体;(iv)具有分别如SEQID N 0 25和SEQ ID NO 26所示的Vh和Vl序列的Ab#17,或者包括分别如SEQ ID NO 27-29和SEQ ID NO :30-32所示的Ab#17的Vh和Vl CDR序列的抗体；和(ν)具有分别如SEQ ID NO 33和SEQ ID NO 34所示的Vh和Vl序列的Ab#19,或者包括分别如SEQ ID NO :35-37和SEQ ID NO :38-40所示的Ab#19的Vh和Vl CDR序列的抗体;(vi)MM-121；禾口(vii)U3-12870
28.根据权利要求沈所述的方法，其中所述抗ErbB3抗体是包含与抗ErbB2抗体连接的抗ErbB3抗体的双特异性抗体。
29.根据权利要求观所述的方法，其中所述双特异性抗体包括具有如SEQID NO 41 所示氨基酸序列的H3xBlD2双特异性抗体，或者包含与包含分别如SEQ ID NO :48-50和SEQ ID NO 51-53所示的B1D2的Vh和Vl CDR序列的抗体连接的包含分别如SEQ ID NO :42-44 和SEQ ID NO 45-47所示的H3的Vh和\ CDR序列的抗体的双特异性抗体。
30.根据权利要求17所述的方法，其中所述治疗剂包括两种或多种抗ErbB3抗体，每种抗体结合ErbB3上的不同表位。
31.根据权利要求沈所述的方法，其中所述抗ErbB3抗体是MM-121。
32.根据权利要求17所述的方法，其中所述治疗剂包括抗ErbB4抗体。
33.根据权利要求17所述的方法，其中所述治疗剂包括pan-ErbB抑制剂或HER二聚化抑制剂。
34.根据权利要求33所述的方法，其中所述治疗剂包括帕妥珠单抗。
35.根据权利要求17所述的方法，其中所述治疗剂包括ErbB信号传导途径的小分子抑制剂，该小分子抑制剂选自吉非替尼、拉帕替尼、CI-1033、厄洛替尼HCL、PKI-166, PD-158780.EKB-569和4-(3-氯苯胺基)_6，7- 二甲氧基喹唑啉。
36.根据权利要求13-16任一项所述的方法，其中所述细胞网络包括c-Met信号传导途径。
37.根据权利要求36所述的方法，其中所述治疗剂包括抗-c-Met或抗HGF抗体。
38.根据权利要求37所述的方法，其中所述治疗剂选自AM99、AMG102和5D5。
39.根据权利要求37所述的方法，其中所述治疗剂包括双特异性单克隆抗体，所述双特异性单克隆抗体包含与抗ErbBl抗体连接的抗HGF抗体。
40.根据权利要求36所述的方法，其中所述治疗剂包括c-Met信号传导的小分子抑制剂。
41.根据权利要求40所述的方法，其中所述c-Met信号传导的小分子抑制剂是ARQ 197 或 PHA665752。
42.根据权利要求13-16任一项所述的方法，其中所述细胞网络包括胰岛素生长因子1 受体(IGFlR)信号传导途径。
43.根据权利要求42所述的方法，其中所述治疗剂包括抗IGFlR抗体。
44.根据权利要求43所述的方法，其中所述抗IGFlR抗体是mAb391、IMC-A12、19D12、 H7C10、CP751, 871、SCV/FC 和 EM/164。
45.根据权利要求43所述的方法，其中所述抗IGFlR抗体包括双特异性单克隆抗体，所述双特异性单克隆抗体包含与抗ErbB3抗体连接的抗IGFlR抗体。
46.根据权利要求42所述的方法，其中所述治疗剂包括IGFlR信号传导途径的小分子抑制剂，该小分子抑制剂选自 NVP-AEWM1、NVP-ADW742、NVP-TAE226, BMS-536, 924、 BMS-554, 417、PQ401 和环木脂体。
47.根据权利要求13-16任一项所述的方法，其中所述网络包括ErbB信号传导途径，并且水平被测量的组分是ErbBl和调蛋白。
48.根据权利要求13-16任一项所述的方法，其中所述网络包括ErbB信号传导途径，并且水平被测量的组分是ErbBl、ErbB2和ErbB3。
49.根据权利要求13-16任一项所述的方法，其中所述网络包括ErbB信号传导途径，并且水平被测量的组分是ErbBl、ErbB2、ErbB3、调蛋白和β细胞调节素。
50.根据权利要求47-49任一项所述的方法，其中在(b)中计算的网络激活状态模拟 ErbB3信号传导途径中一种或多种磷酸化蛋白的水平。
51.根据权利要求50所述的方法，其中在(b)中计算的网络激活状态模拟细胞样品中磷酸化ErbB3的水平。
52.根据权利要求50所述的方法，其中在(b)中计算的网络激活状态模拟细胞样品中磷酸化ErbBl/ErbB3异二聚体或磷酸化ErbB2/ErbB3异二聚体的水平。
53.根据权利要求49所述的方法，其中在(b)中计算的网络激活状态模拟在所述治疗剂不存在时ErbB2:ErbB2同二聚体或ErbB2:ErbB3异二聚体的水平。
54.根据权利要求52所述的方法，其中在(b)中计算的NIS模拟在所述治疗剂存在时ErbB2:ErbB3异二聚体或ErbBl :ErbB3异二聚体的水平，与在所述治疗剂不存在时 ErbB2:ErbB3异二聚体或ErbBl :ErbB3异二聚体的水平相比较。
55.根据权利要求13-16任一项所述的方法，还包括通过输入装置来接收代表至少一种选自KRAS、PI3K和PTEN的基因的突变状态的输入的计算系统。
56.根据权利要求55所述的方法，其中水平被测量的组分是β细胞调节素和双调蛋白，并且所述方法还包括通过输入装置来接收代表KRAS基因的突变状态的输入的计算系统。
57.根据权利要求55所述的方法，其中其水平被测量的一种或多种组分选自ErbBl、 ErbB2、ErbB3、调蛋白、β细胞调节素、双调蛋白、肝素结合表皮生长因子、表皮生长因子、转化生长因子α、表原和表皮调节素，并且所述方法还包括确定KRAS基因的突变状态或通过输入装置来接收代表KRAS基因的突变状态的输入的计算系统。
58.根据权利要求56或57所述的方法，其中在(b)中计算的网络激活状态模拟ErbB 信号传导途径中一种或多种磷酸化蛋白的水平。
59.根据权利要求50-58任一项所述的方法，其中为许多已知的对所述治疗剂的应答者和非应答者而计算的网络激活状态或网络抑制状态值被用于设定网络激活状态或网络抑制状态值的阈值，指示对所述治疗剂的应答性或非应答性。
60.根据权利要求59所述的方法，其中细胞对治疗的应答通过比较(b)中计算的网络激活状态或网络抑制状态与网络激活状态或网络抑制状态阈值来预测，指示对所述治疗剂的应答性或非应答性。
61.根据权利要求15或16所述的方法，其中应用统计分类算法包括将一个或多个选自以下的信息项输入所述算法1.在(a)中测定的细胞网络的一种或多种组分的水平；2.在(b)中计算的网络激活状态或网络抑制状态；3.细胞样品中一种或多种基因的突变状态；4.用所述治疗剂治疗的受试者的年龄；5.用所述治疗剂治疗的受试者的性别；6.细胞上雌激素受体(ER)的存在或不存在；7.细胞上孕酮受体的存在或不存在；和8.细胞上雄激素受体的存在或不存在。
62.一种用于预测细胞对靶向ErbB信号传导途径的组分的治疗剂的治疗应答的方法， 所述方法包括(a)在细胞样品中测量(i)调蛋白和(ii)至少一种选自ErbBl、ErbB2和ErbB3的受体的水平；和(b)使用计算机，基于在(a)中测量的水平来预测细胞对所述治疗剂的治疗应答，其中 HRG和至少一种受体相对于对照的升高的水平预测对所述治疗剂的治疗的应答性。
63.一种使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测细胞对靶向 ErbB信号传导途径的组分的治疗剂的治疗应答，所述方法包括(a)通过所述计算系统输入装置接收代表(i)调蛋白和(ii)至少一种选自ErbBl、 ErbB2和ErbB3的受体的测量水平的输入，所述水平已经在细胞样品中测量；和(b)基于所测量的水平，利用所述计算系统产生并然后在所述输出装置提供细胞对所述治疗剂的治疗的预测应答，其中HRG和至少一种受体相对于对照的升高的水平预测对所述治疗剂的治疗的应答性。
64.根据权利要求62或63所述的方法，其中所测量的水平是HRG和ErbBl的水平。
65.根据权利要求62或63所述的方法，其中所测量的水平是HRG和ErbB2的水平。
66.根据权利要求62或63所述的方法，其中所测量的水平是HRG和ErbB3的水平。
67.根据权利要求62或63所述的方法，其中所测量的水平是HRG和至少两种选自 ErbBU ErbB2和ErbB3的受体的水平。
68.根据权利要求62或63所述的方法，其中所测量的水平是HRG、ErbBUErbB2和 ErbB3的水平。
69.一种用于预测细胞对靶向ErbB信号传导途径的组分的治疗剂的治疗应答的方法， 所述方法包括(a)在细胞样品中测量ErbBl/ErbB3异二聚体、ErbB2单体、ErbB2/ErbB2同二聚体、 ErbB2/ErbB3异二聚体、磷酸化ErbBl/ErbB3异二聚体和磷酸化ErbB2/ErbB3异二聚体的一种或多种的水平；和(b)基于(a)中测量的水平，使用计算机预测细胞对所述治疗剂的治疗应答，其中 ErbBl/ErbB3 异二聚体、ErbB2 单体、ErbB2/ErbB2 同二聚体、ErbB2/ErbB3 异二聚体、磷酸化ErbBl/ErbB3异二聚体或磷酸化ErbB2/ErbB3异二聚体相对于对照的水平差异预测对所述治疗剂治疗的应答性。
70.一种使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于预测细胞对靶向 ErbB信号传导途径的组分的治疗剂的治疗应答，所述方法包括(a)通过所述计算系统输入装置来接收代表ErbB1 /ErbB3异二聚体、ErbB2单体、 ErbB2/ErbB2同二聚体、ErbB2/ErbB3异二聚体、磷酸化ΕΑΒ1/ΕΑΒ3异二聚体和磷酸化 ErbB2/ErbB3异二聚体的一种或多种的测量水平的输入，所述水平已经在细胞样品中测量； 和(b)基于所测量的水平，使用所述计算系统产生并提供细胞对所述治疗剂的治疗的预测应答，其中 ErbBl/ErbB3 异二聚体、ErbB2 单体、ErbB2/ErbB2 同二聚体、ErbB2/ErbB3 异二聚体、磷酸化ErbBl/ErbB3异二聚体或磷酸化ErbB2/ErbB3异二聚体相对于对照的水平差异预测对所述治疗剂治疗的应答性。
71.根据权利要求62、63、69和70任一项所述的方法，其中所测量的水平被输入统计分类算法，并根据所述算法的输出来预测细胞对治疗的应答。
72.根据权利要求62、63、69和70任一项所述的方法，其中使用ErbB细胞网络的的计算模型根据所测量的水平来计算网络激活状态或网络抑制状态。
73.根据权利要求72所述的方法，其中根据所计算的网络激活状态或网络抑制状态值来预测细胞对所述治疗剂的治疗应答。
74.根据权利要求62、63、69和70任一项所述的方法，其中所述治疗剂包括抗ErbB3抗体。
75.根据权利要求76所述的方法，其中所述抗ErbB3抗体包括具有分别如SEQID NO 1和SEQ ID NO :2所示的重链可变区(Vh)和轻链可变区(Vj序列的Ab#6抗体，或具有分别如SEQ ID NO 7-9和SEQ ID NO :10-12所示的Ab#6的Vh和Vl CDR序列的抗体。
76.根据权利要求69或70所述的方法，其中所测量的水平是ErbB2单体、ErbB2/ErbB2 同二聚体和/或ErbB2/ErbB3异二聚体的水平，并且其中所述治疗剂是包含与抗ErbB2抗体连接的抗ErbB3抗体的双特异性抗体。
77.根据权利要求76所述的方法，其中所述双特异性抗体包括具有如SEQID NO 41 所示氨基酸序列的H3x B1D2双特异性抗体，或者包含与包含分别如SEQ ID NO :48-50和 SEQ ID NO 51-53所示的B1D2的Vh和\ CDR序列的抗体连接的包含分别如SEQ ID NO 42-44和SEQ ID NO :45-47所示的H3的Vh和\ CDR序列的抗体的双特异性抗体。
78.根据权利要求13-16、62、63、69和70任一项所述的方法，其中所述细胞是肿瘤细胞。
79.根据权利要求78所述的方法，其中所述肿瘤是乳腺癌肿瘤。
80.根据权利要求78所述的方法，其中所述肿瘤是选自肺、直肠、胆囊、脑、脊髓、乳房、 肾、胰脏、胃、结肠、肝、骨、皮肤、脾、卵巢、睾丸、前列腺和肌肉的组织的肿瘤。
81.根据权利要求78所述的方法，其中所述肿瘤样品选自肿瘤组织、细针抽吸物、乳头抽吸物、从血液样品分离的循环肿瘤细胞、全血、血清、血浆、淋巴、唾液和尿或者从其分离的脱落或循环肿瘤细胞。
82.根据权利要求13-81任一项所述的方法，其中所测量的水平是蛋白水平，并且所述蛋白是单体、同二聚体或异二聚体。
83.根据权利要求82所述的方法，其中蛋白水平通过一种或多种选自定量荧光激活细胞分选、酶联免疫吸附测定、免疫组织化学、定量免疫组织化学、荧光共振能量转移、 Forster共振能量转移、生物分子荧光互补、质谱法、免疫印迹分析和免疫共沉淀分析的方法来测量。
84.根据权利要求13-81任一项所述的方法，其中所测量的水平是mRNA水平。
85.根据权利要求13-81任一项所述的方法，还包括根据细胞对治疗的预测应答来选择治疗方案。
86.根据权利要求13-81任一项所述的方法，还包括根据所述预测应答来选择施用所述治疗剂的治疗方案。
87.根据权利要求13-81任一项所述的方法，还包括根据所述预测应答来准备要使用的所述治疗剂。
88.一种用于预测细胞对靶向细胞网络内组分的治疗剂的治疗应答的试剂盒，所述试剂盒包括(a)一种或多种用于检测所述细胞网络的一种或多种组分的水平的测定；和(b)使用所述细胞网络的计算模型计算细胞的网络激活状态或网络抑制状态的说明书。
89.根据权利要求88的试剂盒，还包括(c)使用所述试剂盒来预测细胞对所述治疗剂的治疗应答的说明书。
90.根据权利要求88或89所述的试剂盒，还包括应用统计分类算法的说明书。
91.根据权利要求88或89所述的试剂盒，其中用于检测所述细胞网络的一种或多种组分的水平的测定包括允许检测所述组分的蛋白水平的一种或多种试剂。
92.根据权利要求88或89所述的试剂盒，其中用于检测所述细胞网络的一种或多种组分的水平的测定包括允许检测所述组分的mRNA水平的一种或多种试剂。
93.根据权利要求88或89所述的试剂盒，其中用于计算细胞的网络激活状态或网络抑制状态的说明书是使用含有可执行指令的计算机程序产品的说明书，所述可执行指令当被执行时使处理器进行计算细胞网络激活状态或网络抑制状态的操作。
94.根据权利要求88或89所述的试剂盒，其中计算细胞网络激活状态或网络抑制状态的说明书包括试剂盒用户与基于因特网的服务对接的说明书，所述基于因特网的服务在用户输入指示细胞中细胞网络的一种或多种组分的水平的信息时运行计算细胞网络激活状态或网络抑制状态的计算机程序。
95.根据权利要求88-94任一项所述的试剂盒，其中所述细胞网络是ErbB信号传导途径。
96.根据权利要求95所述的试剂盒，其中所述试剂盒包括一种或多种用于检测至少一种ErbB信号传导途径受体和至少一种ErbB信号传导途径配体的水平的测定。
97.根据权利要求96所述的试剂盒，其中所述试剂盒包括用于检测ErbB1、ErbB2、 ErbB3、调蛋白和β细胞调节素的水平的测定。
98.根据权利要求95所述的试剂盒，其中所述试剂盒包括用于检测ErbBl和调蛋白的水平的测定。
99.根据权利要求95所述的试剂盒，其中所述试剂盒包括一种或多种用于检测ErbB2 单体、ErbB2/ErbB2同二聚体、ErbB2/ErbB3异二聚体或ErbBl/ErbB3异二聚体的至少一种的水平的测定。
100.根据权利要求88-89任一项所述的试剂盒，其中所述细胞是肿瘤细胞。
101.一种用于鉴定用于预测细胞对靶向细胞网络内组分的治疗剂的治疗应答的生物标志的方法，所述方法包括(a)在细胞样品中测量所述细胞网络的一种或多种组分的水平；(b)应用计算机实现的方法，所述计算机实现的方法包括(i)使用所述细胞网络的计算模型计算所述细胞网络的一种或多种其他组分的水平；和( )鉴定其计算水平预测细胞对治疗剂治疗的应答的细胞网络组分，从而鉴定所述组分为预测细胞对所述治疗剂治疗的应答的生物标志。
102.一种使用计算系统的计算机化方法，所述计算系统包括至少一个配置用于接收输入的输入装置和至少一个配置用于提供输出的输出装置，所述方法用于鉴定用于预测细胞对靶向细胞网络内组分的治疗剂的治疗应答的生物标志，所述方法包括(a)通过所述计算系统输入装置接收鉴定在细胞样品中测量的细胞网络的一种或多种组分的测量水平的输入；(b)利用所述计算系统，使用所述细胞网络的计算模型计算细胞网络的一种或多种其他组分的水平；和(C)利用所述计算系统鉴定其计算水平预测细胞对治疗剂治疗的应答的细胞网络组分为用于预测细胞对所述治疗剂治疗的应答的生物标志。
103.一种计算机程序产品，包括一种或多种存储了计算机可执行指令的计算机可读存储介质，所述计算机可执行指令在被执行时实现权利要求1至87或101至102任一项所述的方法。
104.一种用于治疗具有赘生性肿瘤的患者的方法，所述方法包括获得肿瘤样品，测定所述样品中pErbB3的水平，并随后给患者施用至少一种抗肿瘤治疗剂，其中如果在所述样品中测定的PErbB3水平不低于最低水平，则随后给患者施用的至少一种抗肿瘤治疗剂包括抗ErbB3抗体，并且如果在所述样品中测定的pErbB3水平低于0. 064pg/ μ g总蛋白、0. 08pg/ μ g总蛋白、0. 096pg/ μ g 总蛋白、0. 122pg/ μ g 总蛋白、0. 128pg/ μ g 总蛋白、0. 144pg/ μ g 总蛋白或0. 16pg/yg总蛋白的最低水平，则随后给患者施用的至少一种抗肿瘤治疗剂不包括抗 ErbB3抗体。
全文摘要
本发明提供了用于治疗患者的方法，所述方法包括用于预测细胞(例如肿瘤细胞)对治疗剂治疗的应答的方法。这些方法包括在细胞样品中测量一种或多种细胞网络组分的水平，然后使用细胞网络计算模型计算细胞的网络激活状态(NAS)或网络抑制状态(NIS)。然后根据计算出的NAS或NIS值来预测细胞对治疗的应答。本发明还包括针对细胞应答性的预测方法，其中细胞(例如肿瘤细胞)的NAS或NIS值的计算与统计分类算法的使用相结合。还提供了用于预测对靶向ErbB信号传导途径内组分的治疗剂治疗的应答性的生物标志。
文档编号C12Q1/68GK102224255SQ200980140467
公开日2011年10月19日 申请日期2009年8月17日 优先权日2008年8月15日
发明者B·哈姆斯, B·舍贝尔, F·D·吉邦斯, J·B·费兹格拉德, M·D·昂桑姆, U·尼尔森, W·库巴塞克 申请人:梅里麦克制药股份有限公司