通过监测两种基因的表达的乳腺癌患者的预后的制作方法

文档序号:389377阅读:633来源:国知局
专利名称:通过监测两种基因的表达的乳腺癌患者的预后的制作方法
技术领域
本发明涉及微小基因标签(minimal gene signature),其通过分子方法基于乳腺癌复发时的核酸水平或蛋白水平提供有用的信息。
背景技术
乳腺癌是女性中最常见的癌症。在美国,预期到85岁为止有八分之一的女性发生某种类型的乳腺癌。虽然大多数乳腺癌的肿瘤发生机制很大程度上是未知的,但存在能够使一些女性易于发生乳腺癌的遗传因素(Miki等人,1994)。BRCAl和BRCA2的发现和鉴定最近已扩展了我们对遗传因素的了解,BRCAl和BRCA2能够促进家族性乳腺癌,虽然仅约5%到10%的乳腺癌与BRCAl和BRCA2有关。BRCAl是参与DNA修复和细胞周期调控的肿瘤抑制基因, 二者对维持基因组稳定性具有重要作用。同BRCAl —样,BRCA2参与乳腺癌的发生并在DNA 修复中具有作用,然而,与BRCAl不同,其不参与卵巢癌。已将其它基因与乳腺癌相关联,例如c-erb-2 (HER2)和p53 (Beenken等人,2001)。 c-erb-2 (HER2)和p53的过表达与不良预后相关。然而到目前为止,对于散发性肿瘤没有鉴定出与乳腺癌始终相关的其它的临床上有用的标志物,所述散发性肿瘤即,与已知的种系突变通常无关的那些肿瘤,其构成乳腺癌的大多数。在临床实践中,乳腺癌的不同亚型的精确诊断是重要的,因为治疗方案、预后和治疗响应的可能性均依据诊断而很大不同。在该癌症中早期诊断和风险分级是极为重要的, 因为如果在乳腺癌发展过程中检测发生得晚,则其发病率和死亡率显著增高。准确的预后或无远端转移存活的测定能够使肿瘤学家调整辅助性化疗的施用,对具有较差预后的女性给予最高强度治疗。并且,不良预后的准确预测将极大地影响新型乳腺癌治疗的临床试验,因为根据预后就可对潜在的研究患者进行分级。通常,乳腺癌的诊断需要肿瘤存在的组织病理学证据。除诊断外,组织病理学检查也提供了关于预后和治疗方案的选择的信息。还可基于诸如肿瘤大小、肿瘤等级、患者的年龄和肿瘤细胞的淋巴结定植的临床参数来建立预后。可通过乳房外部的直接检查,或通过乳房造影法或其它的X-射线成像方法来从不同的有效程度上确定诊断和/或预后。然而,后一种方法具有可观的社会成本和个人花费。最近,FDA已批准了MammaPrint ,—种用于乳腺癌预后的基因表达谱检验系统,其基于对于70种以上基因的cDNA微阵列分析,以(van' t Veer等人,2002)中公开的 van' t Veer的研究为依据,在新鲜的或冷冻的乳腺癌活检组织中进行测定。虽然该检验仅为医师使用,但是已在特殊的仪器上进行该检验,比如DNA生物分析仪/微阵列扫描仪。这表现了主要的缺陷,因为结果仅可由开发了工具和标准方法以进行这样的复杂分析的大型医院或公司来提供。
由上,可易于理解基于仅两种基因的表达的分析的预测性预后值的本发明的优点.几十个基因的同时分析确实需要阵列技术,而阵列技术对于CyclinG2(CCNG2)和 Sharpl (BHLHB3.BHLHE41)的表达的简单评估来说并不需要。从另一方面,乳腺癌预后的标准方法,如原发肿块、淋巴结受累和癌症的分期的评估,如今已不足以预测疾病的进展。通过该微小标签将传统的组织学方法和肿瘤的分子鉴定相关联将允许一种精确且经济的方法来预测疾病的病程和复发的风险,特别对于利用权威标准定义为中度侵袭性的癌症。发明概述本发明涉及用于评估乳腺癌患者的复发风险的方法,所述方法包括在样品中测量单独的或与Siarpl (基因ID = 79365)组合的CyclinG2 (基因ID = 901)基因表达的水平。 所述检测包括在所述样品中测量与这些基因表达直接相关的信号,获取信号并通过以下来评估乳腺癌患者的癌症复发风险-计算未知样品中单独的CyclinG2基因表达值的标签评分,或,优选地,CyclinG2 和Siarpl 二者表达值的标签评分,其中所述标签评分被定义为
权利要求
1.一种评估乳腺癌患者的复发风险的方法,所述方法包括检测样品中单独的或与 Sharpl (基因ID = 79365)组合的CyclinG2 (基因ID = 901)基因表达的水平。
2.根据权利要求1所述的方法,其中所述检测包括测量信号并获取信号。
3.根据权利要求1-2所述的方法,还包括以下步骤-计算未知样品中单独的CyclinG2的标签评分,或,优选地,CyclinG2和Smrpl 二者的标签评分,其中所述标签评分被定义为当单独使用CyclinG2时K = 1,且当使用CyclinG2和Sharpl 二者时K = 2,xf为未知样品i中CyclinG2或Smrpl的表达水平,#和护分别为在具有已知临床史的乳腺癌患者群体中所估算的单独的或与^iarpl组合的CyclinG2表达水平的平均值和标准偏差值,其中小于零或等于零的标签评分表明乳腺癌复发的增高的风险。
4.根据权利要求1-3中任一项所述的方法,其中所述检测通过分子方法和/或免疫学方法来进行。
5.根据权利要求1-4中任一项所述的方法,其中所述分子方法选自由以下组成的组 PCR、微阵列分析、深度测序、RNA印迹。
6.根据权利要求5所述的方法,其中所述PCR是实时PCR或定量PCR。
7.根据权利要求1-6中任一项所述的方法,其中所述样品是乳腺癌活检组织或分离自所述乳腺癌活检组织的核酸。
8.根据权利要求2-7中任一项所述的方法,还包括以下步骤-所获取的信号的质量控制,-所述信号的标准化;-任选的所述信号的尺度改变。
9.根据权利要求3-8中任一项所述的方法,还包括以下步骤i)在具有已知临床史的样品的群体中定义微小标签模板,所述微小标签模板在于为 Sharpl和CyclinG2的平均值和标准偏差/^aiy-1、μ0γ Μ2、斤5fe^1和沪—"G2表达值;ii)在未知样品中对于CyclinG2或对于CyclinG2和Siarpl基因表达计算如权利要求 3定义的标签评分;iii)根据以下计算,当未知样品的标签评分为负时将其分类到微小标签低组中或当未知样品的标签评分为正时将其分类到微小标签高组中
10.根据权利要求8-9所述的方法,其中至少以下的步骤通过计算机上运行的软件来进行-信号获取-所获取的信号的质量控制, -所获取的信号的标准化。
11.根据权利要求10所述的方法,其中如权利要求9定义的步骤i-iii)也通过计算机上运行的软件来进行。
12.一种用于分析乳腺癌数据集的方法,所述乳腺癌数据集包括CyclinG2和/或 Sharpl基因表达数据,所述方法包括对于CyclinG2基因表达数据和优选地也对于Siarpl 基因表达数据计算如权利要求9i)定义的微小标签模板。
13.CyclinG2(基因ID = 901)基因表达用于评估乳腺癌患者的癌症复发风险的用途。
14.根据权利要求13所述的用途,还包括Siarpl基因表达(基因ID= 7936 的评估。
15.根据权利要求13-14所述的用途,用于根据诺丁汉量表分类为中度0级)的乳腺肿瘤的进一步解析。
16.根据权利要求13-15所述的用途,其中利用选自由以下组成的组的检测试剂来测量所述CyclinG2基因表达i)CyclinG2-特异性寡核苷酸,所述寡核苷酸在于为包括来源于SEQIDN0 1或其互补序列的至少13-mer寡核苷酸的寡核苷酸; )抗CyclinG2特异性抗体。
17.根据权利要求14-16所述的用途,其中利用选自由以下组成的组的检测试剂来测量所述Siarpl基因表达i) Sharpl特异性寡核苷酸,所述寡核苷酸在于为包括来源于SEQIDN0 2或其互补序列的至少13-mer寡核苷酸的寡核苷酸; )抗Siarpl特异性抗体。
18.—种试剂盒,所述试剂盒用于在来自乳腺癌患者的样品中评估单独的或与Siarpl 组合的CyclinG2的表达并测定癌症复发的风险,所述试剂盒包括-CyclinG2-特异性试剂,优选地为寡核苷酸,该寡核苷酸在于为包括来源于SEQIDN0 1或其互补序列的至少13-mer寡核苷酸的寡核苷酸;-SiarpI-特异性试剂,优选地为寡核苷酸,该寡核苷酸在于为包括来源于SEQIDN0 2 或其互补序列的至少13-mer寡核苷酸的寡核苷酸;-说明书,所述说明书用于根据权利要求9i)-iii)中定义的计算法计算未知样品的标签评分,并且当未知样品的标签评分为负时将其分类到微小标签低组中或当未知样品的标签评分为正时将其分类到微小标签高中;-其中分类到微小标签低组是乳腺癌患者癌症复发的高风险的指示。
19.根据权利要求18所述的试剂盒,其中所述说明书包括在软件中。
20.根据权利要求18-19所述的试剂盒,还包括作为参照标准的CyclinG2和Smrpl标准表达对照高和低、表达值或核酸样品。
21.根据权利要求20所述的试剂盒,其中所述表达值或核酸样品来自非转移性乳腺癌细胞系和/或来自高度转移性细胞系。
全文摘要
本发明涉及CyclinG2和Sharp1两种基因的表达,它们与患有乳腺癌的个体中的预后相关。具体地说,本发明提供了将来自在原发瘤切除后几年中处于高或低复发风险的乳腺癌患者的样品分级的方法。该分类可通过对两种已鉴定的基因分析蛋白或mRNA表达水平来实现。本发明还示出了如何在乳腺癌细胞系中鉴定CyclinG2和Sharp1及如何在大型人类患者群体中验证CyclinG2和Sharp1为强有力的转移预测因子。
文档编号C12Q1/68GK102361990SQ200980158190
公开日2012年2月22日 申请日期2009年1月21日 优先权日2009年1月21日
发明者斯特凡诺·毕可罗, 米开朗琪罗·考德恩奥恩斯, 西尔维奥·比西阿托, 马达莱纳·阿多尔诺 申请人:帕多瓦大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1