用于评估患者对治疗的反应的方法和设备与流程

dna)，其来源于垂死的(例如坏死或凋亡的)肿瘤细胞，以及循环肿瘤细胞(ctc)，其从原发肿瘤和转移灶脱落到血液中。目前，ct-dna和ctc是临床上用于监测治疗反应的最相关的生物标志物。基于对血样中一种或多种生物标志物的分析，可以确定单独患者随着时间推移发生遗传变化，并将其存储在数据集中。遗传变化中的每个都与常见疾病或常见疾病组相关联。换句话说，可以跟踪与疾病或常见疾病组(例如乳腺癌)相关的各种遗传变化。
11.遗传变化也可以被称为突变，即遗传序列的变化。突变包括小到用另一个核苷酸碱基替换单个dna构件，或核苷酸碱基的变化。同时，较大的突变可以影响染色体上的许多基因。除了替换之外，突变还可以由dna序列的插入、删除或增殖引起。尽管一些突变是遗传性的，因为它们是由携带突变的父母通过种系，即通过携带突变的卵子或精子细胞传给后代的，但本公开中的遗传变化与发生在种系以外的细胞中的非遗传性突变有关，这被称为体细胞突变。例如，一些强有力的体细胞突变可能导致癌症，其将影响单个生物体的生存。
12.一旦确定了单独患者随时间推移的发生遗传变化，就可以使用分类方法，诸如聚类分析或自组织映射图，来确定具有随时间推移的类似遗传变化的趋势组，即遗传变化的组特定时间行为。每个趋势组包括代表遗传变化的等位基因频率的类似时间行为的趋势。等位基因频率代表人群中基因变异的发生率。等位基因是位于染色体上的相同位置或基因座处的基因的变异形式。等位基因频率的计算方法是用人群中观察到感兴趣等位基因的次数除以人群中该特别基因座处所有等位基因的总拷贝数。等位基因频率可以表示为小数、百分比或得分。等位基因频率随时间推移的变化可以指示发生了遗传漂移或引入了新的变异。还要注意的是，关于人群遗传种系变异的变化，术语“等位基因频率”也可以被称为变异等位基因频率(vaf)，例如对于产生头发、眼睛等的颜色的变异。关于肿瘤引起的突变，术语“等位基因频率”也可被称为突变体等位基因频率(maf)。由于本公开中的遗传变化与肿瘤引起的突变相关，因此本公开中的等位基因频率也可被称为maf。
13.然后进一步分析这些识别的趋势组的组特定时间行为模式，以用于监测患者对癌症治疗的反应。换句话说，这些识别的趋势组与患者对癌症治疗的反应相关的特性相关联。下文将解释示例性的组特定时间行为模式，并且特别是关于图4a至图4c所示的实施例。也就是说，没有必要分析被跟踪的遗传变化的大数据集。相反，只对趋势组进行分析，以用于确定患者对癌症治疗的反应。由于趋势组的数量远远少于被监测的遗传变化的数量，因此即使不得不使用具有许多不同突变的复杂小组，例如大于四十个突变，复杂性也会被降低。
14.还要注意的是，该分析产生的技术结果或技术中间结果对医生随后达成严格意义上的诊断是有用的。也就是说，分析步骤c)实际上并不产生决策，不需要医生专业知识。
15.根据本发明的实施例，在步骤b)中，使用以下方法中的至少一种方法对趋势进行分组：
16.(i)执行聚类分析以识别不同的趋势组的趋势。
17.(ii)使用自组织映射图来识别不同的趋势组的趋势；以及
18.(iii)将趋势与预定义的趋势分组规则进行比较，以将每个趋势与相应的趋势组相关联。
19.这将在下文中并且特别是关于图1所展示的示例性实施例解释。
20.根据本发明的第一方面，步骤c)还包括：
[0021]-基于趋势分类规则将趋势组划分为多个趋势类，每个趋势类与相应的患者对处
理的反应相关联，使得每个趋势类包括具有代表同一患者对处理的反应的趋势的趋势组，其中趋势分类规则按照遗传变化的时间行为定义趋势类；
[0022]-应用趋势得分分配规则，以基于趋势得分相关联的趋势类将趋势得分分配给趋势组中的每个，其中趋势得分分配规则按照趋势类定义趋势得分；以及
[0023]-确定遗传变化的最坏情况趋势得分，以用于确定癌症患者的反应状态。
[0024]
换句话说，建议对遗传变化中的每个遗传变化随时间推移的趋势进行分类，并将这些归纳为治疗反应的单个测量。更具体地说，趋势分类规则被用来识别具有代表类似趋势-影响的趋势的趋势组的趋势类，例如，对于患者对处理的反应的积极或消极影响。因此，代表趋势-影响的趋势类的数量远远少于趋势组的数量，并且当然也远远少于正在为疾病例如乳腺癌监测的遗传变化的数量。然后，根据趋势得分分配规则，给这些趋势类分配趋势得分。对于单独患者，计算最坏情况趋势得分。最坏情况趋势得分对应于代表对于患者对处理的反应的最负面趋势-影响的趋势得分。最后，根据计算出的最坏情况趋势得分，对患者进行评估或分层。
[0025]
以这种方式，可以在不同的患者对处理的反应之间提供更可靠和更容易获得的区分，诸如对每个单独患者的有效反应、部分反应、无反应(也被称为稳定的疾病)或进展性疾病。从监测到的生物标志物计算单独患者的最坏情况趋势得分可以在没有人类监督或干扰的情况下进行。
[0026]
根据本发明的实施例，趋势分类规则将趋势分为以下几个类别：
[0027]
(i)af下降到0并且以后不上升，被分类为趋势类完全反应cr；
[0028]
(ii)af下降到小于其初始值的预定义百分比，并在时间过程中保持低于该值，被分类为趋势类部分反应pr；
[0029]
(iii)af从其初始值上升到预定义阈值，并在时间过程结束时保持高于预定义阈值，被分类为趋势类进展性疾病pd；以及
[0030]
(iv)af中的其余趋势被分类为趋势类稳定疾病sd。
[0031]
例如，其初始值的预定义百分比的范围可以在10％和90％之间，诸如10％、20％、30％、40％、50％、60％、70％、80％和90％。
[0032]
例如，af的预定义阈值的范围可以在10％和90％之间，诸如10％、20％、30％、40％、50％、60％、70％、80％和90％。
[0033]
例如，af的预定义百分比和/或预定义阈值可以由用户定义。
[0034]
这将在下文中并且特别是关于图1所展示的示例性实施例解释。
[0035]
根据本发明的实施例，趋势得分分配规则定义了趋势得分和趋势类之间的以下对应关系：
[0036]
(i)分配给趋势类cr的第一得分；
[0037]
(ii)分配给趋势类pr的第二得分；
[0038]
(iii)分配给趋势类sd的第三得分；以及
[0039]
(iv)分配给趋势类pd的第四得分。
[0040]
第一得分、第二得分、第三得分和第四得分具有升序的值。备选地，第一得分、第二得分、第三得分和第四得分的值具有降序的值。
[0041]
在示例中，第一得分、第二得分、第三得分和第四得分可以分别为0、1、2和3，因此
具有升序的值。
[0042]
在另一示例中，第一得分、第二得分、第三得分和第四得分可以分别为3、2、1和0，因此具有降序的值。
[0043]
根据本发明的实施例，最坏情况趋势得分由所述遗传变化的趋势得分的极值给出，并且患者的反应状态被分为以下类：
[0044]
(i)如果趋势得分的极值等于第一得分，则确定患者的cr；
[0045]
(ii)如果趋势得分的极值等于第二得分，则确定患者的pr；
[0046]
(iii)如果趋势得分的极值等于第三得分，则确定患者的sd；以及
[0047]
(iv)如果趋势得分的极值等于第四得分，则确定患者的pd。
[0048]
如果第一得分、第二得分、第三得分和第四得分具有升序的值，则极值对应于趋势得分的最大值。备选地，如果第一得分、第二得分、第三得分和第四得分具有降序的值，则极值对应于趋势得分的最小值。
[0049]
例如，如果第一得分、第二得分、第三得分和第四得分分别为0、1、2和3，并且趋势得分的最大值为2，则确定患者对处理的反应为稳定疾病。
[0050]
另一方面，如果第一得分、第二得分、第三得分和第四得分分别为3、2、1和0，并且趋势得分的最小值为2，那么确定患者对处理的反应为部分反应。
[0051]
根据本发明的实施例，步骤c)还包括对趋势组的数量进行计数以估计不同肿瘤亚克隆的数量。
[0052]
换句话说，建议使用分类方法，诸如聚类分析或自组织映射图，来识别不同的趋势组以确定不同时间过程的数量。这可以估计出不同肿瘤亚克隆的数量，以评估肿瘤内的异质性，因为亚克隆对某些处理的反应不同。这可以有利于决定治疗方案，并且异质性的变化可能是调整治疗以实现最佳的治疗选择的触发因素。
[0053]
根据本发明的实施例，步骤c)还包括基于以下两个界限，为亚克隆中的每个亚克隆估计在每个时间点肿瘤所占的相对分数：
[0054]-肿瘤分数，该肿瘤分数为肿瘤除以所发现的亚克隆的数量，以及
[0055]-该亚克隆的maf之和相对于所有突变体的所有maf之和的分数。
[0056]
例如，对于特别的亚克隆，可能肿瘤所占的分数可能在以下两个界限内：
[0057]
肿瘤分数，该肿瘤分数为肿瘤除以所发现的亚克隆的数量。
[0058]
该亚克隆的maf(％)之和相对于所有突变体的所有maf(％)之和的分数。
[0059]
根据本发明的实施例，生物标志物包括循环肿瘤dna、ct-dna和循环肿瘤细胞、ctc的遗传分析中的至少一种。
[0060]
目前，ct-dna和ctc是临床上用于监测治疗反应的最相关生物标志物。其中，ct-dna可能是最受关注的一种，因为ctc在大多数癌症患者中可能出现低计数，除非他们有转移性疾病。
[0061]
根据本发明的实施例，该方法还包括将以下内容中的至少一项输出到临床决策支持系统：
[0062]-不同肿瘤亚克隆的数量；
[0063]-对于肿瘤亚克隆中的每个亚克隆，在每个时间点肿瘤所占的相对分数；和/或
[0064]-最坏情况趋势得分。
[0065]
不同的肿瘤亚克隆的数量和在每个时间点肿瘤所占的相对分数可用于向临床医生提供附加的信息，以评估肿瘤的异质性。
[0066]
最坏情况趋势得分可以成为执行医学成像诸如mri或ct的触发因素，以提供有关患者对治疗的反应的另外信息。在一些示例中，该输出可以与医学成像相结合，以改进监测患者对治疗的反应的效率和准确性。
[0067]
本发明的第二方面涉及一种用于监测患者对癌症治疗的反应的决策支持设备。该决策支持设备包括输入单元和处理单元。输入单元被配置用于接收指示患者随时间推移发生遗传变化的数据，遗传变化中的每个遗传变化都与常见疾病或常见疾病组相关联。该数据基于对患者样品中的生物标志物的分析而获得。处理单元被配置用于执行上面和下面描述的方法。
[0068]
如本文中所用，术语“单元(unit)”可指、是其部分或包括专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或组)和/或存储器(共享、专用或组)、组合逻辑电路和/或提供所描述功能的其他合适部件。
[0069]
在一些示例中，处理单元是单个单元来执行步骤b)和c)。
[0070]
在一些示例中，处理单元包括两个子单元，一个用于执行步骤b)并且另一个用于执行步骤c)。子单元可以集成到单个处理单元中。备选地，子单元可以在不同的位置处以执行分布式计算。
[0071]
本发明的第三方面涉及一种用于监测患者对癌症治疗的反应的系统。该系统包括上面和下面描述的决策支持设备以及样品分析装置，该样品分析装置被配置用于分析患者样品以获得指示患者随时间推移发生遗传变化的数据，以输出到设备。
[0072]
在一些示例中，决策支持设备可以与样品分析装置集成。例如，样品分析装置的计算单元还可以被配置为执行上面和下面描述的方法步骤。
[0073]
在一些示例中，决策支持设备可以与样品分析装置分开提供。例如，决策支持设备可以经由物理电缆或以无线方式耦合到样品分析装置以接收数据。
[0074]
样品分析装置的示例可以包括但不限于测序仪，诸如illumina的hiseq或thermofisher的iontorrent，质谱系统，诸如agena biosciences massarray系统，数字液滴聚合酶链反应(pcr)系统，诸如bio-rad qx200液滴数字pcr，和/或多重pcr系统，诸如biocartis idylla平台。
[0075]
根据本发明的实施例，该系统还包括医学成像设备以用于通过成像来监测患者对癌症治疗的反应。
[0076]
医学成像设备的示例包括但不限于mri、ct和正电子发射断层扫描(pet)成像设备。通过成像和通过患者的样品(例如液体活检)进行治疗反应监测的组合，可以改进监测患者对治疗的反应的效率和准确性。
[0077]
根据本发明的另一个方面，提供了一种用于控制上面和下面描述的设备的计算机程序元件，该程序元件在由处理单元执行时，适于执行上面和下面描述的方法步骤。
[0078]
根据本发明的另外的方面，提供了一种具有被存储的程序元件的计算机可读介质。
[0079]
本发明的这些和其他方面将从下文中描述的实施例中变得明显，并参考这些实施例阐明。
附图说明
[0080]
本发明的这些和其他方面将通过参考以下描述中以实例方式描述的实施例并参考附图而明显地得到进一步阐明，在附图中
[0081]
图1示出了根据本公开的示例性实施例的用于监测患者对癌症治疗的反应的方法的流程图。
[0082]
图2示出了可以从抽血中提取的生物标志物的一些示例。
[0083]
图3示出了根据本公开的另一个示例性实施例的用于监测患者对癌症治疗的反应的方法的流程图。
[0084]
图4a、图4b和图4c示出了来自文献的示例性示例，这些示例代表了ct-dna的各种类型的动态变化。
[0085]
图5示出了根据本公开的另一示例性实施例的用于监测患者对癌症治疗的反应的方法的流程图。
[0086]
图6示出了在五个时间点上被跟踪的遗传变化a-e中的五个趋势的示例。
[0087]
图7示出了根据本公开的示例性实施例的用于监测患者对癌症治疗的反应的决策支持设备。
[0088]
图8示出了根据本公开的示例性实施例的用于监测患者对癌症治疗的反应的系统。
[0089]
应该注意的是，这些图纯粹是示意图并且没有按比例绘制。在图中，与已经描述的要素对应的要素可以具有相同的附图标记。示例、实施例或可选特征，无论是否指示为非限制性的，都不能理解为限制所要求保护的本发明。
具体实施方式
[0090]
监测癌症患者的治疗反应可以通过使用医学成像装备，诸如mri和ct来完成。尽管这些方法具有提供肿瘤位置的优点，但由于医学成像的分辨率通常在毫米范围内，因此并不总是容易评估肿瘤体积的早期变化。另一种用于监测癌症治疗反应的专利方法可以通过分析生物标志物诸如循环肿瘤dna、患者体内的样品诸如血液或其他体液，并且在处理期间追踪特定突变的发生情况。然而，由于肿瘤可能存在各种突变，因此通常要调查涵盖许多不同突变的广泛小组，这些突变可能随时间推移示出不同的趋势。因此，监测患者对其治疗的反应可能非常困难。
[0091]
为了便于监测患者对癌症治疗的反应，以下公开描述了根据几个实施例的本发明，这些实施例针对的是与治疗反应的个性化评估有关的方法、设备、系统、计算机程序元件和计算机可读介质，该评估使用代表个体患者遗传变化发生的动态的数据集和统计分类模型，诸如聚类分析或自组织映射图。更具体地说，本文中描述的技术使用统计分类模型处理数据，以识别随时间推移具有类似遗传变化的趋势组，并将这些组与患者对癌症疗法的反应相关的特性相关联。由于趋势组的数量远远少于要跟踪的遗传变化的数量，因此可以大大促进对患者反应的确定。
[0092]
图1展示了用于监测患者对癌症治疗的反应的计算机实施的方法100的流程图。癌症治疗的示例可以包括但不限于药物治疗、放射治疗、免疫治疗和/或外科手术。该方法也可以应用于非侵入性产前检测或感染性疾病监测。
[0093]
计算机实施的方法100可以在逻辑指令集实施为装置、模块或相关部件，该逻辑指令集存储在非暂态机器或计算机可读存储介质中，诸如随机存取存储器(ram)、只读存储器(rom)、可编程rom(prom)、固件、闪存等。在可配置逻辑中，诸如例如，可编程逻辑阵列(pla)、现场可编程门阵列(fpga)、复杂可编程逻辑器件(cpld)，在使用电路技术的固定功能硬件逻辑中，诸如例如，专用集成电路(asic)、互补金属氧化物半导体(cmos)或晶体管-晶体管逻辑(ttl)技术，或它们的任何组合。例如，执行方法100所示操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括语言诸如java、smalltalk、c++、python、typescript、javascript等以及传统的程序化编程语言，诸如“c”编程语言或类似编程语言。作为示例，计算机实施的方法100可以由图7所示的示例性决策支持设备200执行。
[0094]
在步骤110，即步骤a)中，接收指示患者随时间推移发生遗传变化的数据，例如，由图6所展示的决策支持设备接收。遗传变化中的每个遗传变化都与常见疾病或常见疾病组相关联。换句话说，可以跟踪与疾病或常见疾病组例如乳腺癌有关的各种遗传变化。数据可以基于对患者样品(例如液体活检)中的生物标志物的分析而获得，并且存储在数据集中。例如，生物标志物可以从抽血中提取。
[0095]
图2改编自维基百科中“循环肿瘤dna”页面上的图，示出了生物标志物的一些示例，它们可以从血液中提取，包括红细胞(rbc)、吞噬细胞、循环肿瘤dna(ct-dna)、正常循环自由dna(cf-dna)、循环肿瘤细胞(ctc)、健康细胞和肿瘤细胞。肿瘤可能在血流中释放多种生物标志物，诸如ct-dna、ctc、外泌体和血小板。ct-dna来自于垂死的肿瘤细胞。ctc从原发肿瘤和转移灶脱落到血流中。外泌体是细胞衍生的囊泡，其包含肿瘤信使rna(mrna)、微rna(mirna)、蛋白质和dsdna。据报道，血小板在血液循环中可拾取肿瘤rna。目前，ct-dna和ctc可能是临床上用于监测治疗反应的最相关生物标志物。其中，ct-dna可能是常用的，因为大多数癌症患者体内的ctc计数可能很低(例如，低于10)，除非他们有转移性疾病。
[0096]
由于不同的癌症患者的肿瘤可能带有不同的突变，人们可能需要监测一大组可能的遗传变化，即突变和/或表观遗传变化，以便确保其中至少一些可以在生物标志物诸如ct-dna中找到。例如，乳腺癌是非常异质性的疾病，可能会发生各种各样的遗传变化，但在患者群体中的频率都很有限，例如，在15％或更少。例如，对与乳腺癌有关的各种遗传变化及其在患者体内的常规发生率的分析在表1中展示：
[0097][0098]
表1
[0099]
此外，在这些基因内可能需要监测几个热点，因此需要监测生物标志物中的至少44个位置。在某些情况下，这可能是不够的，并且可能需要监测一些额外的12个位点的表观遗传变化。此外，可能还需要检查拷贝数变异(cnv)的发生，诸如众所周知的her2 cnv。
[0100]
在步骤120，即步骤b)中，遗传变化中的每个遗传变化，即遗传变化中的每个遗传变化的等位基因频率(af)随时间推移的变化的趋势，根据这些趋势之间的类似性，被归入多个趋势组，也被称为tg。每个趋势组包括代表遗传变化的类似时间行为的趋势。换句话说，该步骤识别了具有类似时间行为模式的趋势组，即等位基因频率随时间推移的类似变化。趋势之间的类似性由类似性度量来量化。在同一趋势组中，类似性度量处于预定范围内。
[0101]
可以使用各种方法来识别具有组特定时间行为模式的趋势组。例如，可以执行聚类分析来识别不同的趋势组。聚类分析，或聚类，是无监督的学习技术，其目的是将趋势集分组为聚类，即组，使得同一聚类中的趋势应尽可能类似，而一个聚类中的趋势应尽可能与其他聚类中的趋势不类似。聚类分析的目的是基于类似性将模式的集合分组为聚类。常规的聚类技术使用类似性函数来比较各种数据项。特别地，聚类是基于类似性度量来将类似的数据对象分组在一起。该类似性度量可以基于距离函数，诸如欧氏距离、曼哈顿距离、闵科夫斯基距离、余弦类似性等，将趋势分组在聚类中。聚类的形成方式可以使聚类内的任何两个趋势具有最小的距离值，并且跨不同聚类的任何两个趋势具有最大距离值。换句话说，同一趋势组中的趋势之间的类似性度量处于预定范围内。在另一个示例中，自组织映射图被用来识别不同的趋势组的趋势。自组织映射图或自组织特征映射图是人工神经网络(ann)的一种类型，其使用无监督学习进行训练，以根据类似性度量诸如欧氏距离产生训练样品的输入空间的低维离散表示，称为映射图。在另一示例中，可以将趋势与预定义的趋势分组规则进行比较，以将每个趋势与相应的趋势组相关联。例如，预定义的趋势分组规则可以规定，具有下降到0并且以后不上升的af的趋势被分类为同一组。
[0102]
在步骤130，即步骤c)中，分析多个趋势组，以用于监测患者对癌症治疗的反应。换句话说，该步骤将这些趋势组与关于患者对癌症治疗的反应的特性相关联。将趋势分组成
趋势组，可以将要跟踪的广泛小组的遗传变化压缩成更简单但有代表性的趋势组，其具有组特定的时间行为模式，因此便于分析趋势以用于监测患者对癌症疗法的反应。还要注意的是，分析步骤c)实际上并不产生决策，不需要医生专业知识。换句话说，该分析产生技术性的结果或技术性的中间结果，其对医生随后达成严格意义上的诊断是有用的。
[0103]
在示例中，可以对多个趋势组进行分析，以确定患者对治疗是否有反应。如前所述，需要在所有患者中测量大量的遗传变化，因为人们不知道此类突变发生在哪个患者身上，并且在一些患者中，随着疾病的进展可能会出现新的突变，诸如抗性基因。因此，监测患者对其治疗的反应可能变得非常困难，因为所有这些突变都应被跟踪。如下文中将解释的，并且特别是通过图3中的示例性实施例，建议进一步分析多个趋势组，并将大遗传变化集的趋势总结为单个反应得分。通过这种方式，提出了简单的模型以降低复杂性，即使在必须使用具有许多不同突变的复杂小组时，例如，大于40个突变，并推导出简单的指标来确定患者是否对治疗有反应。
[0104]
图3展示了根据该示例的用于监测患者对癌症治疗的反应的方法100的流程图。在所展示的流程图中，步骤130，即步骤c)进一步包括以下步骤：
[0105]
在步骤132a中，基于趋势分类规则，将趋势组分为多个趋势类。每个趋势类与相应的患者对处理的反应相关联，使得每个趋势类包括具有代表同一患者对处理的反应的趋势的趋势组。趋势分类规则按照遗传变化的时间行为来定义趋势类。换句话说，该步骤使用趋势分类规则将趋势组进一步分组为趋势类，并将这些趋势类与不同患者对治疗的处理有关的特性相关联。例如，趋势分类规则可以将趋势分为以下几个类别：(i)af下降到0并且以后不上升，分类为趋势类完全反应(cr)，(ii)af下降到小于其初始值的预定义百分比，并在时间过程中保持低于该值，分类为趋势类部分反应(pr)，(iii)af从其初始值上升到预定义阈值，并在时间过程接近结束时保持高于预定义阈值，分类为趋势类进展性疾病(pd)，以及(iv)af中的其余趋势，分类为趋势类稳定疾病(sd)。
[0106]
图4a、图4b和图4c示出了文献中代表各种类型的ct-dna动态的示例，其形式是突变体相对于正常细胞(例如正常的野生型细胞)在患者血液中的分数。数据取自s.toomey等人的题为“non-invasive genotyping of locally advanced rectal cancer patients using circulating tumour dna”的海报演讲，该演讲于2018年5月3-5日在爱尔兰都柏林举行的最小残留癌国际研讨会(ismrc)上发表。取决于所采用技术的敏感性，这可能在0.001％和2％或3％之间测量，特殊情况下达到10％。上述趋势分类规则可用于识别这些示例性示例属于趋势类集中的哪个。例如，在图4a中，曲线示出，af在处理的第三周下降并且以后不再上升。术语“bx”代表处理前活检中识别的突变。请注意，这可能是与通常用液体活检跟踪的突变相同的突变。因此，图4a中的趋势被分类为cr。在图4b中，曲线示出af下降到小于预定义百分比，并在一个时间过程中保持在这个值以下。例如，其初始值的预定义百分比可以在10％和90％之间，诸如10％、20％、30％、40％、50％、60％、70％、80％和90％。用户可以定义预定义百分比。因此，图4b中的趋势被分类为pr。在图4c中，上面的曲线示出af从初始值上升到预定义阈值，并在时间过程结束时保持高于预定义阈值。因此，上面的曲线代表的趋势被分类为pd。另一方面，下面的曲线代表的趋势示出，af被分类为sd，因为它不属于上面的模式。例如，af的预定义阈值范围可以在10％和90％之间，诸如10％、20％、30％、40％、50％、60％、70％、80％和90％。af的预定义阈值可以由用户定义。
[0107]
在步骤134a中，应用趋势得分分配规则，以基于其相关联的趋势类为趋势组中的每个趋势组分配趋势得分，也被称为ts。趋势得分分配规则按照趋势类来定义趋势得分。该步骤将趋势类与趋势得分联系起来。换句话说，对于等位基因频率中的趋势中的每个趋势，即相对于正常或野生型等位基因而言，突变的等位基因的发生，都会引入对应的得分。
[0108]
转到图4a、图4b和图4c，趋势得分分配规则可以定义趋势得分和趋势类之间的以下对应关系：(i)分配给趋势类cr的第一得分，(ii)分配给趋势类pr的第二得分，(iii)分配给趋势类sd的第三得分，以及(iv)分配给趋势类pd的第四得分。如图4a至图4c所示，第一得分、第二得分、第三得分和第四得分可以具有升序的值，诸如0、1、2和3。换句话说，这可以在下面指示，即：0代表反应，1代表部分反应，2代表稳定疾病，并且4代表进展性疾病。备选地，第一得分、第二得分、第三得分和第四得分的值可以具有降序的值，诸如3、2、1和0，换句话说，这可以在下面指示，即：3代表反应，2代表部分反应，1代表稳定疾病，并且0代表进展性疾病。
[0109]
在步骤136a中，确定遗传变化的最坏情况趋势得分，以用于确定癌症患者的反应状态。例如，最坏情况趋势得分可以由所述遗传变化的趋势得分的极值给出。患者的反应状态可以被分为以下几类：(i)如果趋势得分的极值等于第一得分，则确定患者的cr；(ii)如果趋势得分的极值等于第二得分，则确定患者的pr；(iii)如果趋势得分的极值等于第三得分，则确定患者的sd；以及(iv)如果趋势得分的极值等于第四得分，则确定患者的pd。
[0110]
在示例中，如果第一得分、第二得分、第三得分和第四得分具有升序的值，诸如0、1、2和3，则极值可以对应于趋势得分的最大值。换句话说，最后得分可以被分类，使得我们得到值，例如在0-3之间，其将患者置于所识别的四个总体类中的任一个中：(i)0＝患者的完全反应，(ii)1＝患者的部分反应，(iii)2＝患者的稳定疾病，以及(iv)3＝患者的进展性疾病。
[0111]
在另一个示例中，如果第一得分、第二得分、第三得分和第四得分具有降序的值，诸如3、2、1和0，则极值可对应于趋势得分的最小值。换句话说，最后得分可以被分类，使得我们得到值，例如在0-3之间，其将患者置于所识别的四个总体类中的任一个中：(i)3＝患者的完全反应，(ii)2＝患者的部分反应，(iii)1＝患者的稳定疾病，以及(iv)0＝患者的进展性疾病。
[0112]
在图4a、图4b和图4c中的示例性示例中，最终得分是3。因此确定了患者的pd。
[0113]
因此，该方法将监测到的遗传变化的大数据集的数据空间压缩成更简单但有代表性的反应得分。通过这种方式，代表趋势-影响的趋势得分的数量就远远少于正在监测的疾病(例如乳腺癌)的遗传变化的数量。因此，该方法可以为每个单独患者提供有效反应、部分反应、无反应(即稳定疾病)或进展性疾病之间的更可靠和更容易获得的区分。此外，从被监测的生物标志物中计算单独患者的最坏情况得分，例如，极端趋势得分，可以在没有人类监督或干扰的情况下进行。
[0114]
在另一个示例中，可以分析多个趋势组以用于获取肿瘤内异质性。肿瘤内异质性意味着癌症患者的肿瘤不是由一种类型的癌细胞组成，而是存在多个亚克隆，并且每个亚克隆都有其自己的特性，并且对某些处理的反应不同。因此，评估肿瘤异质性对决定治疗方案是重要的，并且异质性的变化可能是调整治疗的触发因素。对原始肿瘤的异质性分析可能不足以做到这一点，并且对生物标志物(诸如ct-dna)在某些时间点的分析也可能不足以
提供足够的洞察力。如下文中并且特别是用图5中的示例性实施例解释的，建议进一步分析趋势组以对肿瘤异质性进行评估，这与最佳治疗选择有关。
[0115]
图5展示了根据该示例的用于监测患者对癌症治疗的反应的方法100的流程图。在所展示的流程图中，步骤130，即步骤c)进一步包括以下步骤：
[0116]
在步骤132b中，对趋势组的数量进行计数以估计不同肿瘤亚克隆的数量。例如，图6示出了遗传变化a-e中的五个趋势的示例，这些趋势在五个时间点上被跟踪。基本上，有三个不同的趋势组：趋势b和趋势e只有缩放因子的差异并且属于一个趋势组；趋势c和趋势d属于另一个趋势组；并且趋势a单独属于另一个趋势组。因此，可以得出结论，有三个亚克隆，其中两个在时间1至3存在，并且三个在时间4和5存在。
[0117]
可选地，步骤130还可以包括步骤134b，在该步骤中可以估计亚克隆中的每个亚克隆在每个时间点肿瘤所占的相对分数。这可以使用以下两个界限来估计：肿瘤除以所发现的亚克隆的数量的肿瘤分数，以及该亚克隆的maf(％)之和相对于所有突变体的所有maf(％)之和的分数。
[0118]
图7示出了根据本公开的一些实施例的用于监测患者对癌症治疗的反应的决策支持设备200。系统200包括输入单元210和处理单元220。
[0119]
输入单元210被配置用于接收指示患者体内随时间推移发生遗传变化的数据。遗传变化中的每个遗传变化都与常见疾病或常见疾病组相关联。该数据基于对患者样品中的生物标志物的分析而获得。
[0120]
处理单元220被配置用于执行上述方法步骤中的任一个。例如，处理单元220可以被配置为执行图1、图3和图5所展示的方法中的任一种。
[0121]
可选地，如图7所展示，决策支持设备还可以包括用于输出结果的输出单元230。在示例中，输出单元230可以包括显示器。
[0122]
图8示出了根据本公开的一些实施例的用于监测患者对癌症治疗的反应的系统300。系统300包括如上所述的决策支持设备200和样品分析装置310。
[0123]
样品分析装置310被配置用于分析患者样品，以获得指示患者体内随时间推移发生遗传变化的数据，以待被输出到设备。在示例中，样品分析装置310可以是测序仪，诸如illumina的hiseq或thermofisher的iontorrent。在另一个示例中，样品分析装置310可以是质谱分析系统，诸如agena biosciences的massarray系统。在另一个示例中，样品分析装置310可以是数字液滴聚合酶链反应(pcr)系统，诸如bio-rad qx200液滴数字pcr。在另一示例中，样品分析装置310可以是多重pcr系统，诸如biocartis idylla平台。
[0124]
可选地，该系统还可以包括医学成像设备320以用于通过成像监测患者对癌症治疗的反应。换句话说，使用患者的样品监测治疗反应可以与通过成像监测肿瘤患者的治疗反应进行组合。医学成像设备的示例可以包括但不限于磁共振成像(mri)设备、x射线成像设备、计算机断层扫描(ct)成像设备、超声波(us)成像设备和正电子发射断层扫描(pet)成像设备。医学成像方法的优点是提供肿瘤的位置，但要评估肿瘤体积的变化并不总是容易的，因为医学成像的分辨率通常在毫米的范围内。另一方面，生物标志物，诸如ct-dna，提供了关于患者dna中的哪些突变可能是癌症的原因并因此可以给予哪种药物的分子信息。此外，由于生物标志物是在分子水平上进行测量的，因此可以比成像快得多地检测到反应。此外，生物标志物可以提供另外的信息，诸如肿瘤的基因特征、肿瘤异质性和对治疗的抗性。
因此，组合这两种方法以用于监测患者对癌症治疗的反应，可以提供更有效和准确的方式来监测整个时间过程中的进展、反应和/或肿瘤异质性。
[0125]
在本发明的另一个示例性实施例中，提供了一种计算机程序或计算机程序元件，其特征在于适于在适当的系统上执行根据前述实施例中的一个实施例的方法的步骤。
[0126]
因此，计算机程序元件可以被存储在计算机单元上，该计算机单元也可以是本发明的实施例的一部分。该计算单元可以适于执行或诱导执行上述方法的步骤。此外，它还可以适于操作上述设备的部件。计算单元能够适于自动操作和/或执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此，数据处理器可以被配备为执行本发明的方法。
[0127]
本发明的该示例性实施例既覆盖从一开始就使用本发明的计算机程序，也覆盖借助于更新将现有程序转变成使用本发明的程序的计算机程序。
[0128]
进一步地，计算机程序元件能够提供所有必要的步骤来完成上述方法的示例性实施例的规程。
[0129]
根据本发明的另外的示例性实施例，提出了一种计算机可读介质，诸如cd-rom，其中该计算机可读介质具有存储在其上的计算机程序元件，该计算机程序元件由前述节描述。
[0130]
计算机程序可以被存储和/或分布在合适的介质上，诸如与其他硬件一起或作为其他硬件的一部分提供的光学存储介质或固态介质，但也可以以其他形式分布，诸如经由互联网或其他有线或无线电信系统。
[0131]
然而，计算机程序也可以在网络如万维网上存在，并可以从此种网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例，提供了一种用于使计算机程序元件可供下载的介质，该计算机程序元件被布置成执行根据本发明的前述实施例中的一个实施例的方法。
[0132]
必须注意的是，本发明的实施例参考不同的主题事项来描述。特别地，一些实施例参考方法类型的权利要求进行描述，而其他实施例参考装置类型的权利要求进行描述。然而，本领域技术人员将从上述和以下描述中了解到，除非另有通知，否则除了属于一种主题的特征的任何组合外，与不同主题有关的特征之间的任何组合也被视为与本技术一起公开。然而，所有的特征都可以组合，从而提供比特征的简单加和更多的协同效应。
[0133]
尽管本发明已在附图和前述描述中进行了详细展示和描述，但此种展示和描述应被视为说明性或示例性的，并且不是限制性的。本发明不限于所公开的实施例。在实践所要求保护的本发明中，通过对附图、本公开和从属权利要求的研究，本领域技术人员可以理解并实现所公开的实施例的其他变化。
[0134]
在权利要求中，“包括”一词并不排除其他要素或步骤，并且不定冠词“一”或“一个”并不排除多个。单个处理器或其他单元可以实现权利要求中重新引用的几个项目的功能。仅仅是某些措施在相互不同的从属权利要求中被重新引用这一事实并不指示这些措施的组合不能被用来发挥优点。权利要求中的任何附图标记都不应被理解为对范围的限制。