专利名称：使用无标记的整合药理学测定分子药理学的方法
使用无标记的整合药理学测定分子药理学的方法要求在先提交的美国申请的优先权本申请要求2010年3月19日提交的美国临时申请第61/315，625号的优先权，其通过引用納入本文。背景无标记的生物传感器细胞试验通常使用无标记的生物传感器以检测细胞中对刺激反应的细胞反应。所得的生物传感器信号通常是反映细胞上分子药理学作用复杂性的整合反应。通常，无标记生物传感器细胞试验直接监控分子刺激后细胞的动力学反应，得到细胞上分子作用的初级概況。或者，无标记生物传感器细胞试验也能用于检查分子对细胞内标记诱导生物传感器信号的影响，得到细胞中相对标记引发通路的分子的ニ级概況。所述标记是已知能引起细胞中可重复的生物传感器信号的分子。 近期，我们提出无标记整合药理学方法以鉴定分子(參见美国申请号12/623,693，Fang, Y.等,“Methods for Characterizing Molecules (鉴定分子的方法)”，2009 年 11 月23 号提交；美国申请号 12/623，708, Fang, Y.等，“ Methods of creating an index (创造指数的方法)”，2009年11月23号提交)。在所述无标记整合药理学方法中，无标签生物传感器用于通过监控候选药物分子对代表人生理学和人病理生理学的不同种类细胞组的直接作用，确定候选药物分子的系统细胞药理学，以及确定候选药物分子独立地或者与标记分子组一起调节各细胞响应刺激的生物传感器信号的能力。分子对细胞的直接作用在相应的细胞中产生其初级概况，而分子对标记诱导的生物传感器信号的调节产生相对于标记细胞系统的ニ级概況。两种概况通常都记录为实时动力学细胞应答。在标记组作用的多种细胞之间比较不存在分子时的初级概况和分子存在时的ニ级概况，获得分子针对这些标记的多组调节概況。例如，能结合概况的全部或部分组产生指数。例如，分子对细胞组的作用的所有初级概况组合产生分子生物传感器初级指数，而分子对作用于相应细胞的标记组的调节概况组合产生分子生物传感器调节指数，并且分子生物传感器初级指数和分子生物传感器调节指数的结合产生分子生物传感器指数。比较分子指数和药理学已知调节剂组既定指数，能确定分子干预的细胞受体或靶标或通路。所述无标记整合药理学方法不仅提供了关于任意分子作用模式(例如靶标、通路、激动或拮抗、或毒性)的信息，还能确定其效能、选择性、和系统细胞药理学，包含多向药理学(polypharmacology)和表型药理学(phenotypic pharmacology)。无标记整合药理学的关键是有效测定未知分子与至少已知部分药理学的已知參照分子的相似性，这是基于分子生物传感器指数，和/或分子生物传感器初级指数，和/或分子生物传感器调节指数。发明概述本文公开了涉及无标记整合药理学用以测定任何分子对或组之间相似性的有效方法。所述相似性分析能在不同水平进行，包含分子生物传感器指数、分子生物传感器初级指数、分子生物传感器调节指数和特定细胞或用特定标记组的分子生物传感器指数。公开的方法能測定多向药理学、表型药理学和任何分子的功能选择性。公开了使用无标记整合药理学鉴定分子药理学的方法。所述方法涉及使用聚类分析以測定未知分子与已知參照分子相似性，所述已知參照分子的药理学至少部分已知，因此确定未知分子的药理学。本文公开了使用聚类算法比较未知标记与參照分子的生物传感器指数的方法。公开优选的聚类算法和方法。附图
简要说明图IA和B显示基于相似分析測定任何分子药理学的两个不同聚类算法过程。图2A-2P显示A431细胞中一组已知G蛋白偶联受体拮抗剂的代表性DMR初级概况。A431细胞在Epic 384孔细胞培养相容微板上生长成单层。禁食过夜之后，静息A431细胞用相应激动剂刺激，每个10微摩尔。示出实时动力学反应。如各图所示，每个激动剂重复两次以显示试验的可重复性。每个图的数目指示384孔微板上的细胞定位。图3A-3P显示A431细胞中另ー组已知G蛋白偶联受体拮抗剂的代表性DMR初级概况。A431细胞在Epic 384孔细胞培养相容微板上生长成单层。禁食过夜之后，静息A431细胞用相应激动剂刺激，每个10微摩尔。示出实时动力学反应。如各图所示，每个激动剂 重复两次以显示试验的可重复性。每个图的数目指示384孔微板上的细胞定位。图4显示检查的A431细胞中，基于其初级DMR概况指示已知GPCR激动剂组的聚类的热图。对所有激动剂，每个时间点(如所示)的绝对反应(以与刺激后有细胞层的生物传感器的共振波长移动相关的皮米(picometer)计)用于进行相似性分析。图5显示检查的A431细胞中，基于其初级DMR概况指示已知GPCR激动剂的聚类的热图。对所有激动剂，4个预定时间点(如所示)的绝对反应(以与刺激后有细胞层的生物传感器的反应波长移动相关的皮米计)用于进行相似性分析。图6显示的热图表明与已知抗组胺剂左卡巴司汀(Ievocabastine)相似的化合物的聚类，这是基于其对15个标记和4个细胞系组的调节指数(详见正文)。图7显示的热图表明作用在静息A431细胞上P 2肾上腺素能受体配体组的聚类以测定所示激动剂的功能选择性。对所有配体而言，所述配体的初级DMR信号的4个动カ学參数(如(a-d)所示)用于聚类分析。发明详述A.聚类和聚类算法公开了涉及无标记整合药理学的方法和基于对聚类分子的一維和ニ维聚类算法的方案。如图I所示，公开的方法能使用ニ维聚类算法以产生分子聚类，使用无标记生物传感器细胞数据，例如，分子生物传感器初级指数，或分子生物传感器调节指数，或两者。代表性的聚类算法包括但不限于分级(Hierarchical)、k_均值、FORCE和MCL聚类。聚类是应用在统计学、计算机科学、生物学、社会科学或心理学中对探索性数据分析广泛建立的技木。在很多科学领域应用经验数据以得到结构相似性的初始印象。为此目的，能广泛用于大范围数据类型的有效和易于使用的工具具有极大优点。然而，还没有探索无标记细胞试验和无标记整合药理学中聚类分析的应用，并且如本文所述，无标记生物传感器细胞试验和无标记整合药理学试验的独特方面有本文所述聚类分析的独特形式。所述聚类分析通常使用传统配对相似性函数进行以测定数据组中每个无序对的相似性(或距离)，产生相似性矩阵。所述传统配对相似性函数包括但不限于分级和k_均值。分级和k_均值都用于聚类表达或遗传数据。分级和k_均值聚类可以显示为节点的分级组或热图。也能使用其他已知方法，例如MCL和FORCE。
B.方法本文所述方法和能用于所述方法的所述组合物和化合物能从很多不同类中获得，例如材料、物质、分子和配体。还公开了所述类的特定亚组，对无标记生物传感器试验独特，称为标记，例如EGF作为EGFR活性的标记。应理解还公开所述类的混合物，例如分子混合物，井能用于公开的方法。在某些方法中，也使用未知分子、參照分子、检测分子、药物候选物分子和已知分子。在某些方法或情况中，调节或调节物起作用。同样，可使用已知调节物。在某些方法和组合物中，涉及细胞，并且细胞能经历培育和能使用本文公开的细胞培养。
本文公开的方法涉及使用生物传感器的试验。在某些试验中，以激动或拮抗模式完成。通常，试验涉及用ー个或多个种类处理细胞，例如材料、物质或分子。还应理解对象也能如本文所述处理。在某些方法中，例如能发生分子和细胞的接触。在公开的方法中，能检测反应，例如细胞反应，所述反应能显示作为生物传感器反应，例如DMR反应。能测试所述和其他反应。在某些方法中，生物传感器信号能是强生物传感器信号或强DMR信号。所公开的使用无标记生物传感器方法能生成概况，例如初级概况、ニ级概况和调节概況。例如，所述和其他概况能用于产生关于分子的測定和能与本文所述的任何种类ー起使用。还公开了化合物或组合物的库和组，例如本公开的分子、细胞、材料或物质。还公开了特定组，例如标记组和细胞组。公开的方法能使用多个方面，例如生物传感器信号、DMR信号、标准化、对照、阳性对照、调节比较、指数、生物传感器指数、DMR指数、分子生物传感器指数、分子DMR指数、分子指数、调节器生物传感器指数、调节器DMR指数、分子调节指数、已知调节器生物传感器指数、已知调节器DMR指数、标记生物传感器指数、标记DMR指数、调节标记的生物传感器信号、调节DMR信号、增强和指数的相似性。任何组合物、化合物或本文公开的其他物质能以任何本文公开的方法鉴定。公开了依赖于鉴定的方法，例如更高和抑制等类似词语。在某些方法中，使用受体或细胞靶标。某些方法能提供关于信号通路和经分子处理细胞和其他细胞过程的信息。在某些实施方式中，某些效能或有效性变成特性，并且能测试直接作用(例如药物候选分子)。I.方法无标记生物传感器细胞试验经常以通路无偏向但通路灵敏方式提供活细胞或全细胞的整合读取。因此，无标记生物传感器细胞试验通常反映受体生物学和药物药理学的复杂性。与无标记生物传感器的非特异属性和细胞生物学的复杂性(例如冗余的信号传递元件和补偿的反馈环)结合，单个基于靶标无标记生物传感器试验通常造成高百分比的假阳性。2.特定实施方式
公开了測定无标记生物传感器数据组的方法，包含a)获得无标记生物传感器数据组，b)完成所述数据组的聚类分析。还公开了某些方法，其中聚类分析包含操作分级聚类方法，其中分级聚类方法包含集结法，其中分级聚类方法包含分解法，包含观察组之间差异的測量，其中差异的测量包含距离度量和关联标准，或単独或与本文任何步骤、机器或制品任意組合。公开了某些方法，其中距离度量包含欧几里德(Euclidean)距离方法、平方欧几里德距离方法、市块(City-block)距离方法、曼哈顿距离方法、皮尔逊(Pearson)相关性方法、皮尔逊相关绝对值方法、非中心相关方法、中心相关方法、史皮尔曼(Spearman)等级相关方法、肯德尔(Kendall) x方法、最大距离方法、马氏(Mahalanobis)距离方法或余弦相似度的方法。还公开了某些方法，其中当数据组包含分子初级指数的数据时，所述距离度量包含有绝对值的非中心相关，其中当数据组包含分子调节指数的数据时，所述距离度量包含有绝对值的非中心相关法或有绝对值的中心相关法，其中所述距离度量包含欧几里德距离 方法，其中关联标准包含配对平均关联、配对单独关联、配对最大化关联或配对质心关联，其中关联标准包含配对最大化关联、包含距离矩阵，其中所述距离矩阵是由矩阵中两排之间的距离组成，其中所述排表示距离矩阵中的节点，或単独或与本文任何步骤、机器或制品任意组合。公开了某些方法，还包含预先设定的聚类阈值，例如密度參数或相似性阈值，或单独或与本文任何步骤、机器或制品任意組合。公开了某些方法，其中预先设定的聚类阈值是生物传感器參数，或单独或与本文任何步骤、机器或制品任意組合。还公开了某些方法，其中进行所述聚类分析产生相似性矩阵，其中所述节点包含用于生物传感器试验的分子，其中所述边缘属性包含细胞对分子响应的參数或调节指数的參数(即分子对标记的调节百分比)，其中选择边缘属性，其中选择多个节点特性，其中只选择节点亚组，或単独或与本文任何步骤、机器或制品任意組合。公开了某些方法，所述方法还包含标准化或数据预处理步骤，或単独或与本文任何步骤、机器或制品任意組合。还公开了某些方法，其中所述数据预处理步骤包含数据过滤，其中当所述数据组包含初级指数的数据时，所述数据过滤包含最大最小差异计算，其中所述最大最小差异计算选择在刺激后ー小时有至少40皮米最大最小差异的数据点，其中当所述数据组包含调节指数的数据时，所述数据过滤步骤包括去除那些生物传感器调节指数含有对所有标记或特定标记组调节少于或等于15%的分子，其中所述聚类分析包含ニ维聚类分析，其中所述聚类算法首先用矩阵节点运行，根据边缘属性值产生节点的分级聚类，然后用矩阵的属性运行，对给定节点产生属性的分级聚类，其中所述聚类算法首先用矩阵的边缘属性运行并且然后用矩阵的节点运行，或単独或与本文任何步骤、机器或制品任意組合。公开了某些方法，所述方法还包含生成热图的步骤，或単独或与本文任何步骤、机器或制品任意組合。还公开了某些方法，其中所述热图包含聚类图，其中所述聚类图包含HeatMapView,其中所述热图包含Eisen TreeView或Eisen KnnView,其中所述边缘特性包含生物传感器反应的绝对反应、预测定动力学參数、调节百分比，其中所述方法是计算机执行的方法，还包含从所述聚类分析中输出结果的步骤，或単独或与本文任何步骤、机器或制品任意组合。公开了分析无标记生物传感器数据组的方法，包含；接收无标记生物传感器数据组记录和进行聚类分析，其中所述记录包含生物传感器数据，測量生物传感器反应和输出聚类分析的结果，或単独或与本文任何步骤、机器或制品任意組合。还公开了某些方法，其中所述方法是计算机执行的方法，其中接收无标记生物传感器数据组记录包含接收存储介质中的无标记生物传感器数据组记录，其中接收无标记生物传感器数据组记录包含接收计算机系统的记录，其中接收无标记生物传感器数据组记录包含接收生物传感器系统的记录，其中接收无标记生物传感器数据组记录包含接收通过计算机网络的无标记生物传感器数据组记录，或単独或与本文任何步骤、机器或制品任意组
ム
ロ o 公开了ー种或多种计算机可读介质存储程序编码，当一种或多种计算机系统运行吋，使计算机系统操作本文任何方法，或単独或与本文任何步骤、机器或制品任意組合。公开了计算机程序产品，包含适应实施本文任何方法的计算机可用存储介质，或単独或与本文任何步骤、机器或制品任意組合。还公开了计算机程序，包含在计算机可读介质上具体表达的逻辑处理模块、配置文件处理模块、数据组织模块，和数据显示组织模块，或単独或与本文任何步骤、机器或制品任意组合。公开了计算机程序产品，包含其中有具体表达的计算机可读程序编码的计算机可用介质，所述计算机可读程序编码适于操作以执行生成本文所公开任何方法的聚类分析，所述方法还包含提供系统，其中所述系统包括不同软件模块，并且其中所述不同软件模块包含逻辑处理模块、配置文件处理模块、数据组织模块，和数据显示组织模块，或単独或与本文任何步骤、机器或制品任意組合。还公开了某些方法，所述方法还包含配置用于运行所述方法的计算机系统，还包含输出聚类分析的结果，或単独或与本文任何步骤、机器或制品任意組合。公开了其上存储说明的计算机可读介质，当在程序处理器上运行时，操作任何所述方法，或単独或与本文任何步骤、机器或制品任意組合。公开了聚类分析系统，所述系统包含能存储无标记生物传感器数据组的数据存储器；包含一种或多种处理元件的系统处理器，所述ー种或多种处理元件程序化或适用于接收无标记生物传感器数据组；在数据存储器上存储无标记生物传感器数据组；在无标记生物传感器数据组上运行聚类分析；和从聚类分析输出结果，或単独或与本文任何步骤、机器或制品任意組合。还公开了某些系统，其中所述系统从生物传感器系统接收所述无标记生物传感器数据，其中所述系统通过计算机网络接收无标记生物传感器数据，还包含生物传感器系统，或単独或与本文任何步骤、机器或制品任意組合。C.生物传感器和生物传感器细胞试验无标记的基于细胞的试验常使用生物传感器监控活细胞中分子诱导的应答。分子可以是天然产生或是合成的，可以是纯化的或未纯化的混合物。生物传感器常利用传感器，例如光、电、热量、声、磁、或类似传感器将与生物传感器接触的细胞内分子识别事件或分子诱发变化转化成可定量的信号。这些无标记生物传感器可用于涉及鉴定分子复合物如何随时间形成和解离的分子相互作用分析，或用于涉及鉴定细胞如何响应刺激的细胞应答分析。可用于本方法的生物传感器包括例如，光学生物传感器系统如表面等离振子共振(SPR)和共振波导光栅(RWG)生物传感器、共振镜、椭圆计，和电生物传感器系统如生物阻抗系统。I.声学生物传感器声学生物传感器例如石英晶体谐振器使用声波以鉴定细胞反应。所述声波通常使用压电产生和接收。声学生物传感器经常设计成在共振类型传感器配置上操作。在通常设定中，薄石英盘置于两个金电极之间，形成三明治形。应用跨电极的AC信号造成晶体的激发和振荡，形成敏感振荡电路。所述输出传感器信号是所述共振频率和动态电阻。当生物传感器表面是刚性时，所述共振频率是吸收材料总量的高度线性函数。在液体环境下，所述声学生物传感器反应不仅对结合分子量敏感，而且对粘弹属性的改变和所形成分子复合物或活细胞的电荷敏感。通过测量与晶体相关的细胞的所述共振频率和所述动态电阻，实时研究细胞过程，包含细胞粘附和细胞毒性。
2.电学生物传感器电学生物传感器使用阻抗来鉴定细胞反应，包含细胞粘附。在通常设定中，使活细胞接触置入集成电极阵列的生物传感器表面。在恒定电压和高频下的小AC脉冲用于产生受到细胞存在阻碍的电极间电场。所述电脉冲使用集成电路就地产生，并且随着时间跟踪所述通过电路的电流。所得阻抗是对细胞层电导率变化的測量。所述细胞质膜作为迫使电流在细胞间或之下流动的绝缘试剂，造成阻抗上的相当强的改变。基于阻抗的測量用于研究广泛的细胞事件，包括细胞粘着和扩散、细胞微动、细胞形态变化、和细胞死亡和细胞信号传递。3.光学生物传感器光学生物传感器首先使用表面结合电磁波以鉴定细胞反应。所述表面结合波能在金底物上使用光激发表面等离子体(表面等离体共振，SPR)或在介电基底上使用衍射光栅偶联的波导模式共振(共振波导光柵，RWG)上实现。对包含中红外SPR的SPR而言，所述读取是发生反射光強度最小时的共振角度。相似地，对包含光子晶体生物传感器的RWG生物传感器而言，所述读取是实现最大入偶联效率时的共振角度或波长。所述共振角度或波长是传感器表面或附近的局部折射率的函数。由于近期设备和试验的改进，不同于限定在试验的几个流通通道的SPR，RWG生物传感器可用于高通量筛选(HTS)和细胞试验。在普通RWG中，所述细胞直接置于微量滴定板的孔内，其中置入由高折射率材料组成的生物传感器。局部折射率的改变造成活细胞在刺激后的动态质量再分布(DMR)信号。所述生物传感器已经用于研究不同细胞过程，包含受体生物学、配体药理学和细胞粘附。本发明优选使用共振波导光栅生物传感器，例如康宁(Corning) Epk 系统。Epk 系统包含市售可得波长整合系统，或角度调查系统或扫频波长成像系统(纽约州康宁的康宁公司(Corning Inc.))。所述市售系统由温度控制单元、光学检测单元、和用机器人的机载液体操作単元或用机器人的外部液体附属系统组成。所述检测单元以集成光纤为核心，能以约 7或15秒的时间间隔对细胞应答进行动力学測量。所述化合物溶液通过使用机载液体操作単元或外部液体附属系统引入；两者都使用传统液体操作系统。也能使用包含高分辨成像系统和高采集光学生物传感器系统的不同RWG生物传感器系统。 4. SPR生物传感器和系统SPR依靠棱镜把覆盖入射角范围的楔形偏振光导入装有导电金属膜(例如金)的平面玻璃基底上以激发表面等离子体。所得的渐消波与金层中的游离电子云相互作用并被吸收，产生电荷密度波(即表面等离子体)并导致反射光強度的减弱。产生最小強度的共振角随传感器表面的反面上接近金层溶液的折射率而变化。5. RffG生物传感器和系统RffG生物传感器可包括，例如基材(例如玻璃)、包埋了光栅或周期性结构的波导薄膜、和细胞层。RWG生物传感器利用衍射光栅方式将光共振偶联进入波导，导致在溶液-表面界面的全内反射，进而在界面产生电磁场。这ー电磁场本质是渐消的，表示它从传感器表面呈指数衰减；它衰减到初始值的1/e的距离称为贯穿深度，它随具体的RWG生物传感器的设计而变化，但通常在约200纳米级。这类生物传感器利用这种渐消波鉴定传感器表面上·或附近细胞层的配体诱导变化。RWG仪器可以根据角位移或波长移位測量细分为不同系统。在波长移位測量中，采用具有恒定角度的入射波长范围的偏振光来照射波长，特定波长的光被偶联进入并沿波导放大。或者，在角位移仪器中，用単色光照射传感器并测量光共振偶联的角度。共振条件受与生物传感器表面直接接触的细胞层影响(例如细胞融合、粘附和状态)。当配体或分析物与活细胞内的细胞靶标(例如，GPCR、离子通道、激酶)相互作用时，细胞层内局部折射率的任何变化可以通过共振角(或波长)的变化检测出。所述Coming Epic 系统采用RWG生物传感器进行无标记的基于生化或细胞的试验(纽约州康宁的康宁公司)。所述Epic 系统由RWG读板仪和SBS (生物分子筛选学会)标准微量滴定板组成。读板仪的检测器系统利用集成光纤测量入射光的波长移位，该移位是细胞内配体诱导变化的結果。一系列照射-检测头以线性方式排列，从而能从384孔微孔板的列中各孔同时采集反射光谱。扫描整块板使得每个传感器被多次访问，每列被依序访问。采集入射光的波长并用于分析。所述仪器可包括温控单元以尽可能減少因温度波动导致的入射光伪变化。测得的应答代表细胞群的平均应答。系统的不同部分例如样品加载可以自动化，也可以多通路化，例如用96孔或384孔微量滴定板。可以用机载液体处理器或外部液体处理附件进行液体操作。具体地，在各孔底部培养了细胞的细胞试验板的孔内直接添加或吸入分子溶液。细胞试验板包含一定体积试验缓冲液覆盖细胞。在分子添加步骤中还可以加入通过上下抽吸数次完成的简单混合步骤。6.电生物传感器和系统电生物传感器由基材(例如，塑料)、电极、和细胞层组成。在这种电检测方法中,在排列于基材上的小金电极上培养细胞，并按时跟踪系统的电阻杭。阻抗是对细胞层电导率变化的測量。通常，在电极或电极阵列上施加固定频率或变频的微小恒定电压，随时间监控流经电路的电流。配体诱导的电流变化提供了细胞应答的測量。用于全细胞感测的阻抗测量最初于1984年实现。从那时起，基于阻抗的測量被应用于研究广泛的细胞事件，包括细胞粘着和扩散、细胞微动、细胞形态变化、和细胞死亡。经典阻抗系统的缺陷在于因使用小检测电极和大參照电极导致的高试验变化。为克服此变化性，最新一代的系统，例如CellKey系统(MDS赛科斯(MDS Sciex)，加利福尼亚州南旧金山)和RT-CES (ACEA生物科学公司(ACEA Biosciences Inc.),加利福尼亚州圣地亚哥)采用具有微电极阵列的集成电路。7.高空间分辨率生物传感器成像系统光学生物传感器成像系统包括SPR成像系统、椭圆计成像系统、和RWG成像系统，提供了高空间分辨率，可用于本公开的实施方式中。例如，SPRimagertI (GffC技术公司(GWCTechnologies Inc))采用棱镜偶联SPR，在固定的入射角进行SPR测量，并用CXD相机采集反射光。记录表面的变化作为反射率变化。因此，SPR成像同时采集阵列中所有元件的测量。基于RWG生物传感器的扫频波长光解调系统能用于以成像为基础的应用。该系统中，采用快速可调激光源或替换光源来照射传感器或在微孔板形式中的RWG生物传感器阵列。可以通过检测激光波长扫描时传感器上反射的光能随时间的变化来构建传感器光谱， 用计算机化共振波长解调模型分析所测数据得到固定有受体或细胞层的生物传感器的空间解析图像。使用图像传感器自然生成基于成像的解调方案。可以无需移动部件获得ニ维无标签图像。或者，可以米用具有横向磁力或p_偏振光TMtl模式的角度调查系统。该系统由发射系统和接收系统组成，发射系统产生光束阵列使其中每个以约200 u mx3000 y m或200 u mx2000 u m的维度照射RWG传感器，基于CXD相机的接收系统用于记录从这些传感器反射的光束角度变化。通过分光器和衍射光学镜片的组合获得排列的光束。该系统能每3秒对最多49个传感器(在7x7孔传感器阵列中)同时取样，或每10秒对最多整个384孔微孔板进行同时取样。或者，还可使用扫描波长解调系统。该系统中，采用覆盖恒定角度入射波长范围的偏振光照射并扫描整个波导光栅生物传感器，可同时记录各位置的反射光。通过扫描，也可以获得整个生物传感器的高分辨率图像。8.活细胞内的动态质量再分布(DMR)信号通过细胞靶标对刺激的细胞应答可以由下游信号网络的空间和时间动力学编码。因此，实时监控细胞信号转导的整合能提供用于细胞生物学和生理学理解的生理学相关信
O光学生物传感器包括共振波导光栅(RWG)生物传感器，能检测动态细胞物质再分布相关的整合细胞应答，从而提供研究细胞信号转导的非侵入性手段。所有光学生物传感器的共同点在于它们能測量传感器表面或极接近该表面的局部折射率的变化。原则上，几乎所有光学生物传感器都可用于细胞感测，因为它们能使用渐消波鉴定细胞内配体诱导的变化。渐消波是电磁场，由光在溶液-表面界面的全内反射产生，它通常延伸到溶液内很短的距离(约数百纳米)，其特征深度称为贯穿深度或感测容积。近来，开发出理论和数学模型描述在活细胞应答配体刺激中测得光学信号的參数和特性。这些模型基于3层波导系统与已知细胞生物物理的结合，将配体诱导的光信号与通过受体介导的特定细胞过程联系起来。因为生物传感器測量位于入射光照射区域的细胞平均应答，可以采用细胞高度融合层以获得最佳试验結果。对高分辨率无标记成像系统而言，能使用低融合细胞。或者，也能使用具有可变密度的悬浮细胞。由干与生物传感器的短贯穿深度相比细胞尺寸较大，传感器配置考虑作为非传统的三层系统基材、具有光栅结构的波导膜和细胞层。因此，配体诱导的有效折射率(即，测得的信号)变化可以是，以ー阶形式，直接与细胞层底部折射率变化成比例A N=S (C) A nc其中S(C)为对细胞层的灵敏度，An。为生物传感器感测的配体所诱导细胞层局部折射率变化。因为细胞内给定体积的折射率主要由生物分子如蛋白质的浓度决定，An。可以假定为与配体诱导的局部细胞靶标浓度或感测体积内的分子组件浓度的变化直接成比例。考虑到渐消波从传感器表面延伸的指数式衰减性质，配体诱导的光信号受下式支配
权利要求
1.一种测定无标记生物传感器数据组相似性的方法，所述方法包含a)获得无标记生物传感器数据组，b)对所述数据组运行聚类分析。
2.如权利要求I所述的方法，其特征在于，所述聚类分析包含运行分级聚类方法。
3.如权利要求2所述的方法，其特征在于，所述分级聚类方法包含集结法。
4.如权利要求2所述的方法，其特征在于，所述分级聚类方法包含分解法。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述方法包含观察组之间区别的測量。
6.如权利要求5所述的方法，其特征在于，所述区别的測量包含距离度量和关联标准。
7.如权利要求6所述的方法，其特征在于，所述距离度量包含欧几里德距离方法、平方欧几里德距离方法、市块距离方法、曼哈顿距离方法、皮尔逊相关方法、皮尔逊相关绝对值方法、非中心相关方法、中心相关方法、史皮尔曼等级相关方法、肯德尔T方法、最大距离方法、马氏距离方法或余弦相似度方法。
8.如权利要求7所述的方法，其特征在于，所述数据组包含初级指数的数据时，所述距离度量包含有绝对值的非中心相关。
9.如权利要求7所述的方法，其特征在于，所述数据组包含分子调节指数的数据时，所述距离度量包含有绝对值的非中心相关方法或有绝对值的中心相关方法。
10.如权利要求7所述的方法，其特征在于，所述距离度量包含欧几里德距离方法。
11.如权利要求10所述的方法，其特征在于，所述关联标准包含配对平均关联、配对单独关联、配对最大关联或配对质心关联。
12.如权利要求11所述的方法，其特征在于，所述关联标准包含配对最大关联。
13.如权利要求1-12中任一项所述的方法，其特征在于，所述方法包含距离矩阵。
14.如权利要求13所述的方法，其特征在于，所述距离矩阵由矩阵中两排之间的距离组成。
15.如权利要求14所述的方法，其特征在于，所述距离矩阵中的所述排代表节点。
16.如权利要求1-15中任一项所述的方法，其特征在于，所述方法还包含预定的聚类阈值。
17.如权利要求16所述的方法，其特征在于，所述预定的聚类阈值是生物传感器參数。
18.如权利要求1-17中任一项所述的方法，其特征在于，所述运行聚类分析生成相似性矩阵。
19.如权利要求1-18中任一项所述的方法，其特征在于，所述节点包含生物传感器试验中使用的分子。
20.如权利要求1-19中任一项所述的方法，其特征在于，所述边缘属性包含所述细胞响应分子的參数或分子调节指数的參数。
21.如权利要求1-20中任一项所述的方法，其特征在于，选择边缘属性。
22.如权利要求1-21中任一项所述的方法，其特征在于，选择多个节点属性。
23.如权利要求1-22中任一项所述的方法，其特征在干，仅选择所述节点的亚组。
24.如权利要求1-23中任一项所述的方法，其特征在于，所述方法还包含标准化或数据预处理步骤。
25.如权利要求1-24中任一项所述的方法，其特征在于，所述数据预处理步骤包含数据过滤。
26.如权利要求25所述的方法，其特征在于，所述数据组包含初级指数的数据时，所述数据过滤包含最大最小差异计算。
27.如权利要求26所述的方法，其特征在干，所述最大最小差异计算选择刺激后一小时内有至少40皮米最大最小差异的数据点。
28.如权利要求25所述的方法，其特征在于，所述数据组包含调节指数的数据时，所述数据过滤步骤包含除去其生物传感器调节指数相对所有标记或特定标记组含有少于或等于15%调节的分子。
29.如权利要求1-28中任一项所述的方法，其特征在于，所述聚类分析包含ニ维聚类分析。
30.如权利要求29所述的方法，其特征在于，所述聚类算法首先用矩阵节点运行，根据边缘属性值产生节点的分级聚类，然后用矩阵的属性运行，对给定节点产生属性的分级聚类。
31.如权利要求29所述的方法，其特征在于，所述聚类算法首先用所述矩阵的所述边缘属性运行，然后用矩阵的节点运行。
32.如权利要求1-31中任一项所述的方法，其特征在于，所述方法还包含生成热图的步骤。
33.如权利要求32所述的方法，其特征在于，所述热图包含聚类图。
34.如权利要求33所述的方法,其特征在于,所述聚类图包含HeatMapView。
35.如权利要求32所述的方法,其特征在于,所述热图包含EisenTreeView或EisenKnnView0
36.如权利要求1-35中任一项所述的方法，其特征在于，所述边缘属性包含生物传感器反应的实响应、预定动力学參数或调节百分比。
37.如权利要求1-36中任一项所述的方法，其特征在于，所述方法是计算机执行的方法。
38.如权利要求1-37中任一项所述的方法，其特征在于，所述方法还包含输出聚类分析的结果的步骤。
39.ー种分析无标记生物传感器数据组的方法，所述方法包含；接收无标记生物传感器数据组记录和进行聚类分析，其中所述记录包含生物传感器数据、測量生物传感器反应和输出聚类分析的結果。
40.如权利要求39所述的方法，其特征在于，所述方法是计算机实现的方法。
41.如权利要求40所述的方法，其特征在干，所述接收无标记生物传感器数据组包含接收来自存储介质的所述无标记生物传感器数据组。
42.如权利要求40所述的方法，其特征在干，所述接收无标记生物传感器数据组包含接收来自计算机系统的记录。
43.如权利要求40所述的方法，其特征在干，所述接收无标记生物传感器数据组包含接收来自生物传感器系统的记录。
44.如权利要求40所述的方法，其特征在干，所述接收无标记生物传感器数据组包含通过计算机网络接收所述无标记生物传感器数据组。
45.一种或多种存储程序编码的计算机可读介质，所述计算机可读介质由ー种或多种计算机系统运行时使计算机系统运行如权利要求1-44任一项所述的方法。
46.一种计算机程序产品，所述产品包含适于执行如权利要求1-46中任一项所述方法的计算机可用存储介质。
47.如权利要求46所述的计算机程序，其特征在干，所述计算机程序包含置于计算机可读介质上的逻辑处理模块、配置文件处理模块、数据组织模块，和数据显示组织模块。
48.一种计算机程序产品，所述计算机程序产品包含其中置有计算机可读程序编码的计算机可用介质，所述计算机可读程序编码适于操作以执行产生如权利要求1-47中任一项所述的聚类分析，所述方法还包含提供系统，其中所述系统包含不同软件模块，并且其中所述不同软件模块包含逻辑处理模块、配置文件处理模块、数据组织模块和数据显示组织模块。
49.如权利要求48所述的方法，其特征在于，所述方法还包含配置用于运行所述方法的计算机化系统。
50.如权利要求49所述的方法，其特征在干，所述方法还包含输出所述聚类分析的结果。
51.—种其上存有指令的计算机可读介质，所述计算机可读介质在程控处理器上执行时运行如权利要求1-51中任一项所述的方法。
52.一种聚类分析系统，所述系统包含能存储无标记生物传感器数据组的数据存储器；包含一种或多种处理元件的系统处理器，所述ー种或多种处理元件程序化或适用于接收无标记生物传感器数据组；在数据存储器上存储无标记生物传感器数据组；在无标记生物传感器数据组上运行聚类分析；和从聚类分析输出結果。
53.如权利要求52所述的系统，其特征在干，所述系统接收来自生物传感器系统的无标记生物传感器数据。
54.如权利要求52所述的系统，其特征在于，所述系统接收通过计算机网络的无标记生物传感器数据。
55.如权利要求52所述的系统，所述系统还包含生物传感器系统。
全文摘要
公开了对无标记生物传感器数据运行聚类分析的方法和机器。
文档编号G06F19/00GK102812467SQ201180014557
公开日2012年12月5日 申请日期2011年3月18日 优先权日2010年3月19日
发明者方晔 申请人:康宁股份有限公司