用于确定在被诊断患有疾病的受试者中使用药物组合进行治疗的功效的方法以及用于将药物组合在所述受试者的治疗中的效用分类的方法与流程

文档序号:26102502发布日期:2021-07-30 18:13阅读:328来源:国知局
用于确定在被诊断患有疾病的受试者中使用药物组合进行治疗的功效的方法以及用于将药物组合在所述受试者的治疗中的效用分类的方法与流程

发明领域

本发明涉及一种用于确定在被诊断患有疾病的受试者中使用药物组合进行治疗的功效的方法。本发明还涉及一种用于将药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法。本发明还涉及一种用于改善估计药物组合的协同作用的准确性的方法。

发明背景

药物组合通常用于治疗疾病,特别是造血和淋巴组织的癌症,诸如急性髓性白血病。然而,并不是所有这样的药物组合在所有患者中都展现出相同程度的协同作用并且因此对所述疾病展现出相同功效。因此,本发明的一个问题是提供一种确定在给定受试者中使用给定药物组合治疗特定疾病的功效(即,在所述受试者中所述疾病对所述药物组合的敏感性或耐药性)的方法,从而提供在所述受试者中所述药物组合针对所述疾病提供的协同作用程度的指示。

另外,由于各种药物组合通常可用于治疗任何给定的疾病,因此本发明的一个问题是提供一种根据其在给定受试者中治疗所述疾病的功效或效用将不同药物组合分类的方法,从而向临床医生或受试者提供关于在所述受试者中治疗所述疾病具有最大或最小效用的药物组合的治疗指南。

此外,由于需要针对给定疾病的给定药物组合的临床试验以获得其监管批准,因此本发明的一个问题还在于提供所述药物组合的伴随诊断(cdx)生物标记,这允许选择其中所述疾病对治疗敏感的受试者(患者)以纳入所述试验。

本发明的另一个问题是确保上述方法中的每一个都展现出高准确性和降低的变异性,从而每种方法都提供可靠的分析以及改善的与临床输出的相关性,同时还使从每个受试者采样的组织量最小化。

发明概述

本发明涉及一种用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法,其中所述方法包括以下步骤:

(a)将从所述受试者获得的组织样品分离为子样品;

(b)进行以下步骤:

(i)在浓度x的所述药物a的存在下将子样品温育2至168小时的时间t;以及

(ii)将步骤(b)(i)重复额外(n-1)次,每次利用不同的子样品,使用与步骤(b)(i)的先前重复中使用的x值不同的x值;

其中n是选自5至10的整数,包括5和10;

以及

(iii)在浓度y的所述药物b的存在下将子样品温育所述时间t;以及

(iv)将步骤(b)(iii)重复额外(m-1)次,每次利用不同的子样品,使用与步骤(b)(iii)的先前重复中使用的y值不同的y值;

其中m是选自5至10的整数,包括5和10;

以及

(v)在包含所述药物a和所述药物b的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值phα,a处的浓度,其中百分位数值phα,a通过式(a)计算:

phα,a=cos(α°)xh

(a)

其中:

·h对应于选自以下的组的参考百分位数:

和90,其中:

·r是选自2至(r-1)的整数,包括2和r-1;

·α以度为单位,并且通过下式计算:

其中:

·w是选自1至w的整数,包括1和w;

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值phα,b处的浓度,其中百分位数值phα,b通过式(b)计算:

phα,b=cos(90°–α°)xh

(b)

(vi)将步骤(b)(v)重复额外(r-1)次,每次利用不同的子样品,使用与步骤(b)(v)的先前重复中使用的h值不同的h值,并且使用步骤(b)(v)使用的相同w值;

(vii)将步骤(b)(v)和(b)(vi)重复额外(w-1)次,每次利用不同的子样品,使用与步骤(b)(v)和(b)(vi)的先前重复中使用的w值不同的w值;

其中;

·r是选自3至10的整数,包括3和10;

·w是选自3至10的整数,包括3和10;

并且其中:

·x50,a是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物a浓度;

·y50,b是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物b浓度;

以及

(viii)将子样品温育所述时间t;

(c)将至少一种标记添加到步骤(b)中温育的每个子样品中以鉴别其中的至少一种细胞类型(cti);

(d)对在根据步骤(b)温育每个子样品后仍保留的步骤(c)中鉴别的每种细胞类型的活细胞的数量(lcti)进行计数;

(e)对于步骤(c)中鉴别的每种细胞类型,确定:

(i)药效参数值,包括x50,a值、lcti0,a值、emax,a值、γa值、y50,b值、lcti0,b值、emax,b值和/或γb值,其中:

·所述x50,a值、lcti0,a值、emax,a值和γa值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物a的每个浓度x获得的步骤(b)(i)和(b)(ii)温育群体中每个受试者的子样品之后将式(i)拟合到根据步骤(d)计数的lcti的实验值来确定:

-所述y50,b值、lcti0,b值、emax,b值和γb值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物b的每个浓度y获得的步骤(b)(iii)和(b)(iv)温育所述群体中每个受试者的子样品之后将式(ii)拟合到根据步骤(d)计数的lcti的实验值来确定:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

其中:

·x=药物a的浓度;

·x50,a是发挥最大活性的一半的药物a浓度;

·lcti0,a是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,a是药物a引起的lcti0,a的最大分数降低;

·γa是药物a的lcti-浓度曲线的陡度;

·y=药物b的浓度;

·y50,b是发挥最大活性的一半的药物b浓度;

·lcti0,b是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,b,是药物b引起的lcti0,b的最大分数降低;

·γb是药物b的lcti-浓度曲线的陡度;

(ii)活性标记值,包括aucxy,a值、aucxy,b值、αab值和/或vusab值,其中:

-所述aucxy,a值使用式(iii)计算:

aucxy,a=aucx,a-ay:10-90,a

(iii)

其中:

所述aucx,a值是在根据对于药物a的每个浓度x获得的步骤(b)(i)和(b)(ii)温育子样品之后由源自存活率%的式(i)的函数的两个药物浓度x’和x”之间的积分并且使用式(iv)计算,其中lcti0,a被视为100%存活率,

其中药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,a值是落在存活率%的10%和90%界限之外的aucx,a表面,其中lcti0,a被视为100%存活率;

以及

-所述aucxy,b值使用式(v)计算:

aucxy,b=aucx,b-ay:10-90,b

(v)

其中:

所述aucx,b值是在根据对于药物b的每个浓度y获得的步骤(b)(iii)和(b)(iv)温育子样品之后由源自存活率%的式(ii)的函数的两个药物浓度y’和y”之间的积分并且使用式(vi)计算,其中lcti0,b被视为100%存活率,

其中药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,b值是落在存活率%的10%和90%界限之外的aucx,b表面,其中lcti0,a被视为100%存活率;

以及

-所述vusab值使用式(vii)计算,其中所述vusab值是在根据步骤(b)(v)至(b)(vii)温育子样品之后计数的lcti的自然对数的模型函数的药物a的两个药物浓度x’和x”与药物b的两个药物浓度y’和y”之间的二重积分,其中lcti0,a=lcti0,b,并且被视为100%存活率,

其中:

·药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

·药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

·emax,a=药物a引起的lpc的最大分数降低;

·emax,b=药物b引起的lpc的最大分数降低;

·x50,a=发挥emax,a的一半的药物a的ec50浓度;

·y50,b=发挥emax,b的一半的药物b的ec50浓度;

·x=药物a的浓度;

·y=药物b的浓度;

·

其中:

-γa=药物a的lcti-浓度曲线的陡度;

-γb=药物b的lcti-浓度曲线的陡度;以及

·αab=由双药物表面相互作用模型估计的协同参数,所述模型通过以下方式确定:在根据对于药物a的每个浓度x获得的(b)(i)和(b)(ii)提及的步骤、对于药物b的每个浓度y获得的(b)(iii)和(b)(iv)提及的步骤以及对于药物a和药物b的组合的每对浓度获得的b(v)、b(vi)和b(vii)提及的步骤温育所述受试者的子样品之后,将式(vii’)拟合到根据步骤(d)计数的lcti的实验值:

(iii)归一化标记值,包括nauca、naucb和/或nvusab,其中:

-nauca是使用式(viii)计算的aucxy,a的归一化值;

nauca=100xaucxy,a/aucmax,a(viii)

-naucb是使用式(ix)计算的aucxy,b的归一化值;

naucb=100xaucxy,b/aucmax,b(ix)

-nvusab是使用式(x)计算的vusab的归一化值;

nvusab=100xvusab/vusmax,ab(x)

其中:

·aucmax,a=在每个被诊断患有所述疾病的受试者的群体中获得的aucxy,a的最大值,其中所述群体中每个受试者的aucxy,a根据步骤(a)至(e)(ii)计算;

·aucmax,b=在每个被诊断患有所述疾病的受试者的所述群体中获得的aucxy,b的最大值,其中所述群体中每个受试者的aucxy,b根据步骤(a)至(e)(ii)计算;以及

·vusmax,ab=在每个被诊断患有所述疾病的受试者的所述群体中获得的vusab的最大值,其中所述群体中每个受试者的vusab根据步骤(a)至(e)(ii)计算;

(f)选择:

(i)受试者的所述群体中每个受试者的根据步骤(e)(i)确定的药效参数值或多个药效参数值;和/或

(ii)受试者的所述群体中每个受试者的根据步骤(e)(ii)确定的活性标记值或多个活性标记值;和/或

(iii)受试者的所述群体中每个受试者的根据步骤(e)(iii)确定的归一化标记值或多个归一化标记值;和/或

(iv)受试者的所述群体中每个受试者的临床变量值或多个临床变量值,

其取决于对所述药物组合的临床耐药性或临床敏感性,由此当值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,所述值是依赖性的;

(g)使用步骤(f)中选择的值中的至少一个,使用用于受试者的所述群体的所述药物组合的广义线性模型或广义加性模型来创建响应函数,其中源自所述模型函数的接受者工作特征曲线的曲线下面积等于或大于0.8,并且所述曲线下面积的95%置信区间的下限大于0.5;

(h)由所述接受者工作特征曲线上的点计算步骤(g)中创建的响应函数的阈限:

-在所述点处敏感性和特异性最大化并且值相等;或者

-在所述点处特异性优先于敏感性;或者

-所述点最接近(1,0)坐标平面。

(j)使用步骤(g)中创建的响应函数以及以下各项,计算所述受试者中所述药物组合针对所述疾病的s/r值:

(i)所述受试者的根据步骤(e)(i)确定的药效参数值或多个药效参数值;和/或

(ii)所述受试者的根据步骤(e)(ii)确定的活性标记值或多个活性标记值;和/或

(iii)所述受试者的根据步骤(e)(iii)确定的归一化标记值或多个归一化标记值;和/或

(iv)所述受试者的临床变量值或多个临床变量值,

其是所述响应函数中的变量;以及

(k)通过将步骤(j)中计算的s/r值与步骤(h)中计算的阈限进行比较,确定在所述受试者中使用所述药物组合治疗所述疾病的功效,其中

-当所述s/r值等于或大于所述阈限时,所述疾病对所述受试者中使用所述药物组合的治疗敏感;以及

-当所述s/r值小于所述阈限时,所述疾病对所述受试者中使用所述药物组合的治疗具有耐药性。

本发明还涉及一种用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统,其中所述系统包括:

(a)用于进行以下步骤的装置:将从所述受试者获得的组织样品分离为子样品;

(b)用于进行以下步骤的装置:

(i)在浓度x的所述药物a的存在下将子样品温育2至168小时的时间t;以及

(ii)将(b)(i)提及的步骤重复额外(n-1)次,每次利用不同的子样品,使用与(b)(i)提及的步骤的先前重复中使用的x值不同的x值;

其中n是选自5至10的整数,包括5和10;

以及

(iii)在浓度y的所述药物b的存在下将子样品温育所述时间t;以及

(iv)将(b)(iii)提及的步骤重复额外(m-1)次,每次利用不同的子样品,使用与(b)(iii)提及的步骤的先前重复中使用的y值不同的y值;

其中m是选自5至10的整数,包括5和10;

以及

(v)在包含所述药物a和所述药物b的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值phα,a处的浓度,其中百分位数值phα,a通过式(a)计算:

phα,a=cos(α°)xh

(a)

其中:

·h对应于选自以下的组的参考百分位数:

和90,其中:

·r是选自2至(r-1)的整数,包括2和r-1;

·α以度为单位,并且通过下式计算:

其中:

·w是选自1至w的整数,包括1和w;

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值phα,b处的浓度,其中百分位数值phα,b通过式(b)计算:

phα,b=cos(90°–α°)xh

(b)

(vi)将(b)(v)提及的步骤重复额外(r-1)次,每次利用不同的子样品,使用与(b)(v)提及的步骤的先前重复中使用的h值不同的h值,并且使用(b)(v)提及的步骤使用的相同w值;和

(vii)将(b)(v)和(b)(vi)提及的步骤重复额外(w-1)次,每次利用不同的子样品,使用与(b)(v)和(b)(vi)提及的步骤的先前重复中使用的w值不同的w值;

其中;

·r是选自3至10的整数,包括3和10;

·w是选自3至10的整数,包括3和10;

并且其中:

·x50,a是根据以下(e)(i)提及的步骤估计的在受试者中发挥最大活性的一半的药物a浓度;

·y50,b是根据以下(e)(i)提及的步骤估计的在受试者中发挥最大活性的一半的药物b浓度;

以及

(viii)将子样品温育所述时间t;

(c)用于进行以下步骤的装置:将至少一种标记添加到(b)提及的步骤中温育的每个子样品中以鉴别其中的至少一种细胞类型(cti);

(d)用于进行以下步骤的装置:对在根据(b)提及的步骤温育每个子样品后仍保留的步骤(c)中鉴别的每种细胞类型的活细胞的数量(lcti)进行计数;

(e)用于进行以下步骤的装置:对于(c)提及的步骤中鉴别的每种细胞类型,确定:

(i)药效参数值,包括x50,a值、lcti0,a值、emax,a值、γa值、y50,b值、lcti0,b值、emax,b值和/或γb值,其中:

·所述x50,a值、lcti0,a值、emax,a值和γa值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物a的每个浓度x获得的(b)(i)和(b)(ii)提及的步骤温育群体中每个受试者的子样品之后将式(i)拟合到根据步骤(d)计数的lcti的实验值来确定:

-所述y50,b值、lcti0,b值、emax,b值和γb值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物b的每个浓度y获得的(b)(iii)和(b)(iv)提及的步骤温育所述群体中每个受试者的子样品之后将式(ii)拟合到根据步骤(d)计数的lcti的实验值来确定:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

其中:

·x=药物a的浓度;

·x50,a是发挥最大活性的一半的药物a浓度;

·lcti0,a是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,a是药物a引起的lcti0,a的最大分数降低;

·γa是药物a的lcti-浓度曲线的陡度;

·y=药物b的浓度;

·y50,b是发挥最大活性的一半的药物b浓度;

·lcti0,b是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,b是药物b引起的lcti0,b的最大分数降低;

·γb是药物b的lcti-浓度曲线的陡度

(ii)活性标记值,包括aucxy,a值、aucxy,b值、αab值和/或vusab值,其中:

-所述aucxy,a值使用式(iii)计算:

aucxy,a=aucx,a-ay:10-90,a

(iii)

其中:

所述aucx,a值是在根据对于药物a的每个浓度获得的(b)(i)和(b)(ii)提及的步骤温育子样品之后由源自存活率%的式(i)的函数的两个药物浓度x’和x”之间的积分并且使用式(iv)计算,其中lcti0,a被视为100%存活率,

其中药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,a值是落在存活率%的10%和90%界限之外的aucx,a表面,其中lcti0,a被视为100%存活率;

以及

-所述aucxy,b值使用式(v)计算:

aucxy,b=aucx,b-ay:10-90,b

(v)

其中:

所述aucx,b值是在根据对于药物b的每个浓度获得的(b)(iii)和(b)(iv)提及的步骤温育子样品之后由源自存活率%的式(ii)的函数的两个药物浓度y’和y”之间的积分并且使用式(vi)计算,其中lcti0,b被视为100%存活率,

其中药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,b值是落在存活率%的10%和90%界限之外的aucx,b表面,其中lcti0,a被视为100%存活率;

以及

-所述vusab值使用式(vii)计算,其中所述vusab值是在根据(b)(v)至(b)(vii)提及的步骤温育子样品之后计数的lcti的自然对数的模型函数的药物a的两个药物浓度x’和x”与药物b的两个药物浓度y’和y”之间的二重积分,其中lcti0,a=lcti0,b,并且被视为100%存活率,并且使用式(vii)计算,

其中:

·药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

·药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

·emax,a=药物a引起的lpc的最大分数降低;

·emax,b=药物b引起的lpc的最大分数降低;

·x50,a=发挥emax,a的一半的药物a的ec50浓度;

·y50,b=发挥emax,b的一半的药物b的ec50浓度;

·x=药物a的浓度;

·y=药物b的浓度;

·

其中:

-γa=药物a的lcti-浓度曲线的陡度;

-γb=药物b的lcti-浓度曲线的陡度;以及

·αab=由双药物表面相互作用模型估计的协同参数,所述模型通过以下方式确定:在根据对于药物a的每个浓度x获得的(b)(i)和(b)(ii)提及的步骤、对于药物b的每个浓度y获得的(b)(iii)和(b)(iv)提及的步骤以及对于药物a和药物b的组合的每对浓度获得的b(v)、b(vi)和b(vii)提及的步骤温育所述受试者的子样品之后,将式(vii’)拟合到根据(d)提及的步骤计数的lcti的实验值:

(iii)归一化标记值,包括nauca、naucb和/或nvusab,其中:

-nauca是使用式(viii)计算的aucxy,a的归一化值;

nauca=100xaucxy,a/aucmax,a(viii)

-naucb是使用式(ix)计算的aucxy,b的归一化值;

naucb=100xaucxy,b/aucmax,b(ix)

-nvusab是使用式(x)计算的vusab的归一化值;

nvusab=100xvusab/vusmax,ab(x)

其中:

·aucmax,a=在每个被诊断患有所述疾病的受试者的群体中获得的aucxy,a的最大值,其中所述群体中每个受试者的aucxy,a根据(a)至(e)(ii)提及的步骤计算;

·aucmax,b=在每个被诊断患有所述疾病的受试者的所述群体中获得的aucxy,b的最大值,其中所述群体中每个受试者的aucxy,b根据(a)至(e)(ii)提及的步骤计算;以及

·vusmax,ab=在每个被诊断患有所述疾病的受试者的所述群体中获得的vusab的最大值,其中所述群体中每个受试者的vusab根据(a)至(e)(ii)提及的步骤计算;

(b)用于进行以下步骤的装置:选择:

(i)受试者的所述群体中每个受试者的根据(e)(i)提及的步骤确定的药效参数值或多个药效参数值;和/或

(ii)受试者的所述群体中每个受试者的根据(e)(ii)提及的步骤确定的活性标记值或多个活性标记值;和/或

(iii)受试者的所述群体中每个受试者的根据(e)(iii)提及的步骤确定的归一化标记值或多个归一化标记值;和/或

(iv)受试者的所述群体中每个受试者的临床变量值或多个临床变量值,其取决于对所述药物组合的临床耐药性或临床敏感性,由此当值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,所述值是依赖性的;

(g)用于进行以下步骤的装置:使用(f)提及的步骤中选择的值中的至少一个,使用用于受试者的所述群体的所述药物组合的广义线性模型或广义加性模型来创建响应函数,其中源自所述模型函数的接受者工作特征曲线的曲线下面积等于或大于0.8,并且所述曲线下面积的95%置信区间的下限大于0.5;

(h)用于进行以下步骤的装置:由所述接受者工作特征曲线上的点计算(g)提及的步骤中创建的响应函数的阈限:

-在所述点处敏感性和特异性最大化并且值相等;或者

-在所述点处特异性优先于敏感性;或者

-所述点最接近(1,0)坐标平面。

(j)用于进行以下步骤的装置:使用(g)提及的步骤中创建的响应函数以及以下各项,计算所述受试者中所述药物组合针对所述疾病的s/r值:

(i)所述受试者的根据(e)(i)提及的步骤确定的药效参数值或多个药效参数值;和/或

(ii)所述受试者的根据(e)(ii)提及的步骤确定的活性标记值或多个活性标记值;和/或

(iii)所述受试者的根据(e)(iii)提及的步骤确定的归一化标记值或多个归一化标记值;和/或

(iv)所述受试者的临床变量值或多个临床变量值,

其是所述响应函数中的变量;以及

(k)用于进行以下步骤的装置:通过将(j)提及的步骤中计算的s/r值与(h)提及的步骤中计算的阈限进行比较,确定在所述受试者中使用所述药物组合治疗所述疾病的功效,其中

-当所述s/r值等于或大于所述阈限时,所述疾病对所述受试者中使用所述药物组合的治疗敏感;以及

-当所述s/r值小于所述阈限时,所述疾病对所述受试者中使用所述药物组合的治疗具有耐药性。

本发明还涉及一种用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法,其中所述方法包括以下步骤:

(a)将从所述受试者获得的组织样品分离为子样品;

(b)进行以下步骤:

(i)在浓度x的所述药物a的存在下将子样品温育2至168小时的时间t;以及

(ii)将步骤(b)(i)重复额外(n-1)次,每次利用不同的子样品,使用与步骤(b)(i)的先前重复中使用的x值不同的x值;

其中n是选自5至10的整数,包括5和10;

以及

(iii)在浓度y的所述药物b的存在下将子样品温育所述时间t;以及(iv)将步骤(b)(iii)重复额外(m-1)次,每次利用不同的子样品,使用与步骤(b)(iii)的先前重复中使用的y值不同的y值;

其中m是选自5至10的整数,包括5和10;

以及

(v)在包含所述药物a和所述药物b的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值phα,a处的浓度,其中百分位数值phα,a通过式(a)计算:

phα,a=cos(α°)xh

(a)

其中:

·h对应于选自以下的组的参考百分位数:

和90,其中:

·r是选自2至(r-1)的整数,包括2和r-1;

·α以度为单位,并且通过下式计算:

其中:

·w是选自1至w的整数,包括1和w;

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值phα,b处的浓度,其中百分位数值phα,b通过式(b)计算:

phα,b=cos(90°–α°)xh

(b)

(vi)将步骤(b)(v)重复额外(r-1)次,每次利用不同的子样品,使用与步骤(b)(v)的先前重复中使用的h值不同的h值,并且使用步骤(b)(v)使用的相同w值;

(vii)将步骤(b)(v)和(b)(vi)重复额外(w-1)次,每次利用不同的子样品,使用与步骤(b)(v)和(b)(vi)的先前重复中使用的w值不同的w值;

其中;

·r是选自3至10的整数,包括3和10;

·w是选自3至10的整数,包括3和10;

并且其中:

x50,a是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物a浓度;

y50,b是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物b浓度;

以及

(viii)将子样品温育所述时间t;

(c)将至少一种标记添加到步骤(b)中温育的每个子样品中以鉴别其中的至少一种细胞类型(cti);

(d)对在根据步骤(b)温育每个子样品后仍保留的步骤(c)中鉴别的每种细胞类型的活细胞的数量(lcti)进行计数;

(e)对于步骤(c)中鉴别的每种细胞类型,确定:

(i)药效参数值,所述药效参数值包括药物a的至少一个药效参数值和/或药物b的至少一个药效参数值,其中:

-药物a的每个药效参数值通过在根据步骤(b)(i)和(ii)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

-药物b的每个药效参数值通过在根据步骤(b)(iii)和(iv)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

(ii)活性标记值,所述活性标记值包括药物a的至少一个活性标记值、药物b的至少一个活性标记值和/或药物a和b的至少一个活性标记值,其中:

-药物a的每个活性标记值由步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值计算,

-药物b的每个活性标记值由步骤(e)(i)中估计的药物b的所述药效参数值或多个药效参数值计算,

-药物a和b的每个活性标记值由通过以下方式制定的特定模型计算:将公式拟合到步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值以及药物b的所述药效参数值或多个药效参数值,并且拟合到在根据(b)(v)至(vii)温育群体中每个受试者的子样品之后根据步骤(d)计数的lcti的实验值;

以及

(iii)归一化标记值,所述归一化标记值包括药物a的至少一个归一化标记值、药物b的至少一个归一化标记值和/或药物a和b的至少一个归一化标记值,其中:

-药物a的每个归一化标记值由步骤(e)(ii)中计算的药物a的每个活性标记值相对于来自所述群体的所述活性标记值的分布的相应值的比率计算;

-药物b的每个归一化标记值由步骤(e)(ii)中计算的药物b的每个活性标记值相对于来自所述群体的药物b的所述活性标记值的分布的相应值的比率计算;

-药物a和b的每个归一化标记值由步骤(e)(ii)中计算的药物a和b的每个活性标记值相对于来自所述群体的药物a和b的所述活性标记值的分布的相应值的比率计算;

(f)选择:

(i)受试者的所述群体中每个受试者的根据步骤(e)(i)确定的药效参数值或多个药效参数值;和/或

(ii)受试者的所述群体中每个受试者的根据步骤(e)(ii)确定的活性标记值或多个活性标记值;和/或

(iii)受试者的所述群体中每个受试者的根据步骤(e)(iii)确定的归一化标记值或多个归一化标记值,和/或

(iv)受试者的所述群体中每个受试者的临床变量值或多个临床变量值,其取决于对所述药物组合的临床耐药性或临床敏感性,由此当值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,所述值是依赖性的;

(g’)计算使用所述药物a和所述药物b治疗所述受试者的评分s,其中所述评分对应于步骤(f)选择的值中的至少一个或者用其计算;

(h’)对待分类的每个药物组合进行步骤(b)至(g’);

以及

(j’)使用步骤(g’)和(h’)中确定的评分将每个药物组合分类,从而:

(i)评分大于80的药物组合归属于分类值为2的分类类别i;

(ii)评分小于或等于80且大于60的药物组合归属于分类值为1的分类类别ii;

(iii)评分小于或等于60且大于40的药物组合归属于分类值为0的分类类别iii;

(iv)评分小于或等于40且大于20的药物组合归属于分类值为-1的分类类别iv;或者

(v)评分小于或等于20的药物组合归属于分类值为-2的分类类别v,

从而:

-归属于具有正分类值或零分类值的分类类别的每个药物组合在所述受试者的所述疾病的治疗中具有最高效用;以及

-归属于具有负分类值的分类类别的每个药物组合在所述受试者的所述疾病的治疗中具有最低效用。

类似地,本发明还涉及一种用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的系统,其中所述系统包括:

(a)用于进行以下步骤的装置:将从所述受试者获得的组织样品分离为子样品;

(b)用于进行以下步骤的装置:

(i)在浓度x的所述药物a的存在下将子样品温育2至168小时的时间t;以及

(ii)将(b)(i)提及的步骤重复额外(n-1)次,每次利用不同的子样品,使用与(b)(i)提及的步骤的先前重复中使用的x值不同的x值;

其中n是选自5至10的整数,包括5和10;

以及

(iii)在浓度y的所述药物b的存在下将子样品温育所述时间t;以及

(iv)将(b)(iii)提及的步骤重复额外(m-1)次,每次利用不同的子样品,使用与(b)(iii)提及的步骤的先前重复中使用的y值不同的y值;

其中m是选自5至10的整数,包括5和10;

以及

(v)在包含所述药物a和所述药物b的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值phα,a处的浓度,其中百分位数值phα,a通过式(a)计算:

phα,a=cos(α°)xh

(a)

其中:

·h对应于选自以下的组的参考百分位数:

和90,其中:

·r是选自2至(r-1)的整数,包括2和r-1;

·α以度为单位,并且通过下式计算:

其中:

·w是选自1至w的整数,包括1和w;

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值phα,b处的浓度,其中百分位数值phα,b通过式(b)计算:

phα,b=cos(90°–α°)xh

(b)

(vi)将(b)(v)提及的步骤重复额外(r-1)次,每次利用不同的子样品,使用与(b)(v)提及的步骤的先前重复中使用的h值不同的h值,并且使用(b)(v)提及的步骤使用的相同w值;

(vii)将(b)(v)和(b)(vi)提及的步骤重复额外(w-1)次,每次利用不同的子样品,使用与(b)(v)和(b)(vi)提及的步骤的先前重复中使用的w值不同的w值;

其中;

·r是选自3至10的整数,包括3和10;

·w是选自3至10的整数,包括3和10;

并且其中:

·x50,a是根据以下(e)(i)提及的步骤估计的在受试者中发挥最大活性的一半的药物a浓度;

·y50,b是根据以下(e)(i)提及的步骤估计的在受试者中发挥最大活性的一半的药物b浓度;

以及

(viii)将子样品温育所述时间t;

(c)用于进行以下步骤的装置:将至少一种标记添加到(b)提及的步骤中温育的每个子样品中以鉴别其中的至少一种细胞类型(cti);

(d)用于进行以下步骤的装置:对在根据(b)提及的步骤温育每个子样品后仍保留的(c)提及的步骤中鉴别的每种细胞类型的活细胞的数量(lcti)进行计数;

(e)用于进行以下步骤的装置:对于(c)提及的步骤中鉴别的每种细胞类型,确定:

(i)药效参数值,所述药效参数值包括药物a的至少一个药效参数值和/或药物b的至少一个药效参数值,其中:

-药物a的每个药效参数值通过在根据步骤(b)(i)和(ii)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

-药物b的每个药效参数值通过在根据步骤(b)(iii)和(iv)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

(ii)活性标记值,所述活性标记值包括药物a的至少一个活性标记值、药物b的至少一个活性标记值和/或药物a和b的至少一个活性标记值,其中:

-药物a的每个活性标记值由步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值计算,

-药物b的每个活性标记值由步骤(e)(i)中估计的药物b的所述药效参数值或多个药效参数值计算,

-药物a和b的每个活性标记值由通过以下方式制定的特定模型计算:将公式拟合到步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值以及药物b的所述药效参数值或多个药效参数值,并且拟合到在根据(b)(v)至(vii)温育群体中每个受试者的子样品之后根据步骤(d)计数的lcti的实验值;

以及

(iii)归一化标记值,所述归一化标记值包括药物a的至少一个归一化标记值、药物b的至少一个归一化标记值和/或药物a和b的至少一个归一化标记值,其中:

-药物a的每个归一化标记值由步骤(e)(ii)中计算的药物a的每个活性标记值相对于来自所述群体的所述活性标记值的分布的相应值的比率计算;

-药物b的每个归一化标记值由步骤(e)(ii)中计算的药物b的每个活性标记值相对于来自所述群体的药物b的所述活性标记值的分布的相应值的比率计算;

-药物a和b的每个归一化标记值由步骤(e)(ii)中计算的药物a和b的每个活性标记值相对于来自所述群体的药物a和b的所述活性标记值的分布的相应值的比率计算;

(b)用于进行以下步骤的装置:选择:

(i)受试者的所述群体中每个受试者的根据(e)(i)提及的步骤确定的药效参数值或多个药效参数值;和/或

(ii)受试者的所述群体中每个受试者的根据(e)(ii)提及的步骤确定的活性标记值或多个活性标记值;和/或

(iii)受试者的所述群体中每个受试者的根据(e)(iii)提及的步骤确定的归一化标记值或多个归一化标记值;和/或

(iv)受试者的所述群体中每个受试者的临床变量值或多个临床变量值,其取决于对所述药物组合的临床耐药性或临床敏感性,由此当值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,所述值是依赖性的;

(g’)用于进行以下步骤的装置:计算使用所述药物a和所述药物b治疗所述受试者的评分s,其中所述评分对应于(f)提及的步骤选择的值中的至少一个或者用其计算;

(h’)用于对待分类的每个药物组合进行(b)至(g’)提及的步骤的装置;

以及

(j’)用于进行以下步骤的装置:使用(g’)和(h’)提及的步骤中确定的评分将每个药物组合分类,从而:

(i)评分大于80的药物组合归属于分类值为2的分类类别i;

(ii)评分小于或等于80且大于60的药物组合归属于分类值为1的分类类别ii;

(iii)评分小于或等于60且大于40的药物组合归属于分类值为0的分类类别iii;

(iv)评分小于或等于40且大于20的药物组合归属于分类值为-1的分类类别iv;或者

(v)评分小于或等于20的药物组合归属于分类值为-2的分类类别v,

从而:

-归属于具有正分类值或零分类值的分类类别的每个药物组合在所述受试者的所述疾病的治疗中具有最高效用;以及

-归属于具有负分类值的分类类别的每个药物组合在所述受试者的所述疾病的治疗中具有最低效用。

因此,本发明还涉及用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法或系统在确定被诊断患有所述疾病的所述受试者中使用所述药物组合进行治疗的功效中的用途。

类似地,本发明还涉及用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法或系统在确定被分类为在被诊断患有所述疾病的所述受试者的所述疾病的治疗中具有最高效用的药物组合中的用途。

本发明的用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法或系统还可以包括用于为受试者规定护理计划的装置,其中当所述疾病被确定为对所述受试者中使用所述药物组合的治疗敏感时,所述护理计划规定所述药物组合。因此,本发明还涉及所述方法或系统在未所述受试者规定所述护理计划中的用途。

类似地,本发明的用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法和系统还可以包括为所述受试者规定护理计划,其中所述护理计划规定药物组合,所述药物组合选自被分类为在所述受试者的所述疾病的治疗中具有最高效用的药物组合。因此,本发明还涉及所述方法或系统在未所述受试者规定所述护理计划中的用途。

此外,本发明涉及一种治疗被诊断患有疾病的受试者的方法,所述方法包括向所述受试者施用药物组合,其中根据用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法或系统,所述疾病被确定为对所述受试者中所述药物组合的治疗敏感。

类似地,本发明涉及一种治疗被诊断患有疾病的受试者的方法,所述方法包括施用药物组合,所述药物组合选自这样的药物组合:根据用于将包含药物a和药物b的药物组合在被诊断患有所述疾病的治疗中的效用分类的方法或系统,所述药物组合被分类为在所述受试者的所述疾病的治疗中具有最高效用。

本发明还涉及用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法或系统在确定来自每个被诊断患有疾病的受试者的群体的给定受试者是否适合纳入临床试验中的用途,所述临床试验涉及使用包含药物a和药物b的药物组合的治疗,其中:

-当所述疾病被确定对所述受试者中使用所述药物组合的治疗敏感时,选择所述受试者以纳入所述临床试验;以及

-当所述疾病被确定对所述受试者中使用所述药物组合的治疗耐药时,不选择所述受试者以纳入所述临床试验。

类似地,本发明涉及用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法和系统在确定来自每个被诊断患有疾病的受试者的群体的给定受试者是否适合纳入临床试验中的用途,所述临床试验涉及使用包含药物a和药物b的药物组合的治疗,其中:

-当所述药物组合被分类为在所述受试者的所述疾病的治疗中具有最高效用时,选择所述受试者以纳入所述临床试验;以及

-当所述药物组合被分类为在所述受试者的所述疾病的治疗中具有最高效用时,不选择所述受试者以纳入所述临床试验。

最后,本发明还涉及用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的前述方法和系统,其中:

-所述疾病是急性随性白血病;

-药物a选自由伊达比星、阿糖胞苷、氟达拉滨、依托泊苷、硫鸟嘌呤、氯法拉滨、克拉屈滨、柔红霉素、米托蒽醌和安吖啶的组,随后药物b选自已经从中选择药物a之后的其余药物组,并且任选地所述药物组合包含药物c,所述药物c选自已经从中选择药物a和b之后的药物a下列出的其余药物组

-评分大于80、更优选地大于85、甚至更优选地大于90的药物组合归属于分类值为2的分类类别i,并且在所述受试者的所述疾病的治疗中具有最高效用,

由此在治疗方法中用于处方的护理计划中选择如用于将药物组合的效用分类的所述方法和系统所确定的属于该分类类别的药物组合。

附图说明

图1.研究中应用的实验(图片a)和分析(图片b和c)方法的顺序工作流程。将全骨髓样品[a]与药物和药物混合物一起温育,保留天然微环境。自动流式细胞术[b]和随后的点图分析[c]允许在对照孔和药物浓度增加的孔中孵育活病理细胞(lpc)之后进行计数。将数据上传到lims系统。通过非线性混合效应群体建模来分析响应相对药物浓度的关系[e]。在ec50的个体估计的80%置信区间之间对预测药效曲线进行积分,以计算用作单一活性标记的曲线下面积(auc)。类似地,双变量相互作用表面函数的二重积分允许计算受相互作用迹象(协同或拮抗)影响的表面下体积(vus)[f]。通过广义加性模型(gam)[g]和roc曲线[h]分析活性标记与临床输出的相关性。

图2.本发明的系统的一般描述。必须在数据库中预定义和注册测试条件和参数。基于该信息,来自细胞计文件和用户手动输入的输入数据通过r运行时脚本进行处理,该脚本从数据库中检索数据,将其传递至nonmem并且返回结果,所述结果进行后处理,得到最终治疗评分。结果以及每个中间数据和过程参数都存储在数据库中,确保完全可追溯。结果以适当的html报告输出。

图3.显示过程中的顺序步骤(直线)以及侧面数据迁移(虚线)的流程图。数据库收集所有处理过的数据和测试结果以及所需的设置和操作参数。结果处理模板(rpt)为每个测试定义编译所需的参数设置。标记的(a-g)子过程将在后面详细描述。

图4.使用最小样品数(30)或当模型的累积样品数大于用于构建先前模型的样品的20%时,从头开始构建群体模型。有效模型应具有比先前模型低至少4个点的目标函数值(ofv),但是应具有生物学上敏感的模型参数,并且满足若干条件,如患者间变异性(ipv)、标准误差(se)和质量控制检查值。如果并未如此,则应在10个新样品后再次重建模型。当满足新模型条件时,则所有新模型数据都存储在数据库中以在下次使用。

图5.pm测试的结果处理模板编译用于运行整个过程的所有所需参数。它们中的大多数源自使用中的实验设计。因此,方案id是rpt中固定的第一个参数。与之相关的是测试的药物和组合以及板格式。rpt还包括qc测试标准、建模执行参数、后处理和评分计算、临床治疗评估和报告设计的定义。

图6.对于在方案中测试和定义并且包含在相应rpt中的所有药物和组合,模型以顺序循环执行。而对于使用r运行时和nonmem软件应用群体混合效应模型的单一药物(图片a),使用单一相互作用表面模型来研究药物组合的效应(图片b),该模型使用来自单一药物群体模型的参数供应。通过使用nonmen软件和单一药物建模输出结果从1000次模拟中进行引导,在单一药物的情况下计算置信区间(ci)。对于相互作用参数,通过非参数引导(1000)计算ci。

图7.单一药物模型函数在特定浓度值范围内进行积分,以生成用作优化活性标记的曲线下面积(auc)。基于存储结果分布的统计分析设置积分限制。相同的限制用于表面下体积(vus)计算,该计算遵循定义表面相互作用模型的双变量函数的二重积分。计算为模型参数估计的置信区间的极值的上限和下限(ul和ll)。

图8.输入单一药物和组合结果以计算包含在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法的测试定义中的每个治疗的评分。因此,评分用于将治疗分类。

图9.系统被设计为自动检查所需的升级。这些升级将在执行新模型后或在应用实验条件或报告格式的更改后进行设置。通过达到临界样品数(nt)(高于定义的阈值(nu))以重建模型,测试中包含或现有模型中动态地包含的新药物或组合可能需要新模型。

图10.应用包括报告设计器以构建报告模板。一个或多个模板可以包含在rpt中并且应用于样品结果。验证是授权用户在网络服务器上发布报告之前进行的关键步骤。对该服务器的访问将受到控制并且授予经过身份验证的最终用户。

图11.(图片a)阿糖胞苷[ln(活肿瘤细胞)相对于阿糖胞苷浓度]和(图片b)伊达比星[ln(活肿瘤细胞)相对于伊达比星浓度]的群体药代动力学模型的视觉预测检查。空心圆圈是观察到的数据点,实和虚红线分别是观察到的ln(细胞)分布的中位数和第5-95个百分位数,并且半透明的红色和蓝色带分别代表ln(细胞)的估计群体分布的中位数和第5-95个百分位数的基于模拟的95%置信区间。

图12.相对于用于鉴别与血液学响应相关的离体变量的阿糖胞苷和伊达比星的auc,预测的耐药概率(即未响应者的概率)的回归超平面。浓度-响应曲线的auc是用于预测临床响应的药效参数的总结,因此auc越高,药物的细胞毒性作用(功效或效力)越低。回归超平面是在二元逻辑gam中使用二维平滑函数获得的。当ida在最大idaauc下不活跃时,在经典剂量-响应曲线的情况下cyt的auc领导预测(背面曲线,平面右侧边缘)。相反,当cyt不活跃时,在经典剂量响应曲线的情况下ida领导预测(背面曲线,平面左侧边缘)。当一种药物非常活跃(低auc)时,另一种药物显示出更有限的效果,仍然与对应于较高耐药概率的较高auc一致。这种行为是连贯且符合预期的;任一种药物的较高auc(即较低的活性)意味着较高的耐药概率。auc:曲线下面积,gam:广义加性模型。

图13.图片a:在二元逻辑gam中获得的耐药概率的经验和平滑(双正态)roc曲线,其中空心圆圈是耐药概率的估计离散个别值处的敏感性和1-特异性值的对(用作将患者分类为响应者或耐药者的标记),实心大圆圈代表选定分界点处的敏感性和1-特异性值的对,所述分界点使用文本中指定的以下三个标准中的每一个获得:‘maxspse’选择使敏感性和特异性二者最大化的点;‘geometric’选择最接近(1,0)坐标([敏感性,1-特异性]平面的左上角)的点;以及‘mmct’选择使错误分类成本项最小化的点,所述成本项为假阳性分配了比假阴性更高的成本(相对于敏感性优先考虑特异性。图片b:maxspse截止的混淆矩阵,其中auc:曲线下面积,ci:置信区间,fpf:假阳性分数,npv:阴性预测值,ppv:阳性预测值,se:敏感性,sp:特异性,tpf:真阳性分数。

图14.总存活率的kaplan-meier曲线。三个图(a、b和c)根据文本中指定的三个标准中的每一个获得的估计耐药概率的分界点分类为响应者(黑色实线)和耐药(红色实线)的患者的存活率函数的对(图片a:‘maxspse’,图片b:‘geometric’,以及图片c:‘mmct’)。虚线代表临床响应者(黑线)和耐药患者(灰线)的存活率函数。死亡的风险比从cox回归模型获得,该模型使用预测为响应者的患者作为参考类别(相对于预测为响应者的患者被预测为耐药的患者)。ci:置信区间,hr:风险比

图15.在共享这两个结果的111名患者的队列中,细胞遗传学(图片a和b)和pm测试(图片c和d)的临床相关性之间的比较。roc曲线(图片a和c)和maxspse截止的混淆矩阵(图片b和d)。对于解释的偏差,细胞遗传学为29.4%,并且pm测试为40.9%。

图16.药物a和b的组合的3x3药物组合矩阵,其中信息数据点的数量最大化,因此使来自相互作用表面建模的协同参数估计的准确性最大化。这些数据点的计算基于来自每个ec50药物群体值的第10、50和90个百分位数的弧之间的交点,以及将四分之一圆分成相同面积的单个3扇区的3条线。

图17.aucxy值归一化为基准面积的参考,该基准面积通过由上述相同限制描述的矩形限定,所述限制由整个群体结果和10%-90%响应区间定义。

图18.根据用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法,基于每个治疗的归一化敏感性评分的被诊断患有急性髓性白血病的受试者的多个治疗的分类。确定所述急性髓性白血病对其敏感的治疗(图片a)落入更有效和中高级的类别中,而确定所述急性髓性白血病对其耐药的治疗(图片b)落入中低级和不太有效的类别中。

图19.根据用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法的备选实施方案,基于每个治疗的归一化敏感性评分的多个治疗的评级。敏感性水平按从顶部最佳到底部最差的顺序显示,颜色编码为绿色-敏感(显示为浅灰色)、橙色-不确定、红色-耐药(显示为深灰色)。显示了具有不同敏感性程度的四名患者,即敏感和标准患者(图片a)以及耐药和非常耐药患者(图片b)。

图20.112份一线aml样品中一个单次cyt+ida治疗的pm测试评分相对于临床响应的验证,其中res.=对疗法耐药的患者的数量,sens.=对疗法敏感的患者的数量,并且%sens.=对疗法敏感的患者的百分比(图片a)。个性化医学预测测试相对于相关性测试的比较(图片b)。

图21.表示由存储在数据库中的样品群体提供的ec50值分布连同与中央中值估计相关的95%置信区间的箱线图。垂直灰线代表患者样品vivia-pmmm010431显示的结果。框内突出显示的是组合疗法中使用的药物;箭头表示那些药物的ec50值。

图22.表示由存储在数据库中的样品群体提供的ec50值分布连同与中央中值估计相关的95%置信区间的箱线图。垂直灰线代表患者样品vivia-pmmm010431显示的结果。框内突出显示的是组合疗法中使用的药物;箭头表示那些药物的ec50值。虚线内框住的组鉴别了来自可以视为用于该患者的替代治疗的同一药物家族(mtor抑制剂)的高度敏感结果(低于第10个百分位数)。

图23.表示由存储在数据库中的样品群体提供的ec50值分布连同与中央中值估计相关的95%置信区间的箱线图。垂直灰线代表患者样品vivia-pmmm130061显示的结果。连续线框内突出显示的是不同疗法中使用的药物;箭头表示那些药物的ec50值。虚线框内突出显示的是与群体结果相比具有中等活性或高活性的替代药物。

图24.表示由存储在数据库中的样品群体提供的ec50值分布连同与中央中值估计相关的95%置信区间的箱线图。垂直灰线代表患者样品vivia-pmall07002显示的结果。连续线框内突出显示的是组合疗法中使用的药物;箭头表示那些药物的ec50值。

图25.表示由存储在数据库中的样品群体提供的ec50值分布连同与中央中值估计相关的95%置信区间的箱线图。垂直灰线代表患者样品vivia-pmall04001显示的结果。连续线框内突出显示的是组合疗法中使用的药物(除了无法测试的强的松龙);箭头表示那些药物的ec50值。

图26.表示由存储在数据库中的样品群体提供的ec50值分布连同与中央中值估计相关的95%置信区间的箱线图。垂直灰线代表患者样品vivia-pmall09001显示的结果。连续线框内突出显示的是组合疗法中使用的药物(除了无法测试的伊马替尼);箭头表示那些药物的ec50值。

发明详述

本发明公开了一种用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法。类似地,本发明公开了一种用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统。

本发明还公开了一种用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法。类似地,本发明公开了一种用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者中的效用分类的系统。

用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的所述方法和系统各自包括通过确定所述疾病是否对所述受试者中使用所述药物组合的治疗敏感或所述疾病是否对所述受试者中使用所述药物组合的治疗具有耐药性来评估所述药物组合是否将对所述受试者的所述疾病的治疗有效。因此,用于确定治疗功效的所述方法和系统提供了给定药物组合是否将对所述受试者中的所述疾病有效的评估。

相反地,用于将药物组合在被诊断患有疾病的受试者的治疗中的效用分类的所述方法和系统各自包括基于其在所述受试者的所述疾病的治疗中的效用对大量药物组合中的每一个进行评分,并且基于所述评分将每个药物组合分类。因此,用于将药物组合在被诊断患有疾病的受试者的治疗中的效用分类的所述方法和系统提供了关于用于治疗所述受试者的所述疾病的最合适的药物组合的治疗指南。

在本发明中,所述药物组合至少包含药物a和药物b。优选地,所述药物组合至多包含三种药物。因此,在本发明的一个实施方案中,所述药物组合还包含药物c。所述药物a、所述药物b和所述药物c是不同的。

优选地,所述药物a选自由以下组成的组:伊达比星(idarubicin,ida)、阿糖胞苷(cytarabine,cyt或ara-c)、氟达拉滨(fludarabine,flu)、依托泊苷(etoposide,eto)、硫鸟嘌呤(thioguanine,tio)、氯法拉滨(clofarabine,clo)、克拉屈滨(cladribine,cla)、柔红霉素(daunorubicin,dnr或dau)、米托蒽醌(mitoxantrone,mit)、安吖啶(amsacrine,ams)、地西他滨(decitabine)、多柔比星(doxorubicin)、长春新碱(vincristine)、环磷酰胺(cyclophosphamide)、三氧化二砷(arsenictrioxide)、5-氮杂胞苷(5-azacytidine)、硼替佐米(bortezomib)、苯达莫司汀(bendamustine)、强的松龙(prednisolone)、地塞米松(dexamethasone)、沙利度胺(thalidomide)、l-天冬酰胺酶(l-asparaginase)、伊马替尼(imatinib)、美法仑(melphalan)、maphosphamide、顺铂(cisplatin)、卡莫司汀(carmustine)、坦螺旋霉素(tanespimycin)、雷帕霉素(rapamycin)、依维莫司(everolimus)、西罗莫司(temsirolimus)、帕比司他(panobinostat)、伏立诺他(vorinostat)、替吡法尼(tipifarnib)、哌立福辛(perifosine)、泊马度胺(pomalidomide)、来那度胺(lenalidomide)、甲基强的松龙(methylprednisolone)、氢化可的松(hydrocortisone)、甲氨喋呤(methotrexate)和达沙替尼(dasatinib)。所述药物b随后选自已经从中选择药物a的其余药物组。所述药物c随后选自已经从中选择药物a和b的其余药物组。在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法和系统中,所述药物a优选地选自伊达比星和阿糖胞苷的组,并且所述药物b是已经从中选择所述药物a之后的其余药物(即药物a是伊达比星并且药物b是阿糖胞苷,或者反之亦然)。在优选的实施方案中,药物a是伊达比星并且药物b是阿糖胞苷,或者反之亦然,并且所述药物组合包含药物c,所述药物c选自氟达拉滨、依托泊苷、硫鸟嘌呤和氯法拉滨的组。

在本发明中,被诊断患有疾病的所述受试者是这样的受试者,所述受试者被诊断患有造血和淋巴组织的癌症,优选地白血病、骨髓瘤或淋巴瘤(意味着在用于确定治疗功效的方法中提及的功效分别是抗白血病、抗骨髓瘤或抗淋巴瘤功效),更优选地血液癌症并且甚至更优选地白血病或骨髓瘤,还更优选地急性髓性白血病(aml)、多发性骨髓瘤(mm)或急性淋巴性白血病(all),最优选地急性髓性白血病。

在优选的实施方案中,当所述疾病是急性髓性白血病时,药物a选自伊达比星、阿糖胞苷、氟达拉滨、依托泊苷、硫鸟嘌呤、氯法拉滨、克拉屈滨、柔红霉素、米托蒽醌和安吖啶的组,并且药物b随后选自已经从中选择药物a之后的其余药物组。更优选地,当所述疾病是急性髓性白血病时,药物a是伊达比星、氟达拉滨、柔红霉素或米托蒽醌并且药物b是阿糖胞苷,或者反之亦然,或者药物a是伊达比星、柔红霉素、米托蒽醌或安吖啶并且药物b是氟达拉滨,或者反之亦然,或者药物a是伊达比星、柔红霉素、米托蒽醌或安吖啶并且药物b是依托泊苷,或者反之亦然。任选地,药物组合包含药物c,所述药物c选自已经从中选择药物a和b之后在先前优选实施方案中药物a下列出的其余药物组。

在另一个优选实施方案中,当所述疾病是多发性骨髓瘤时,药物a选自硼替佐米、苯达莫司汀、强的松龙、地塞米松和沙利度胺的组,并且药物b随后选自已经从中选择药物a之后的其余药物组,任选地随后从已经从中选择药物a和b之后的其余药物组中选择药物c。更优选地,当所述疾病是多发性骨髓瘤时,药物a是苯达莫司汀或强的松龙并且药物b是硼替佐米,或者反之亦然,或者药物a是地塞米松并且药物b是硼替佐米,或者反之亦然,任选地其中药物c是苯达莫司汀或和沙利度胺。

在又一个优选实施方案中,当所述疾病是急性淋巴性白血病时,药物a选自强的松龙、伊达比星、阿糖胞苷、氟达拉滨、柔红霉素、长春新碱、环磷酰胺、l-天冬酰胺酶和伊马替尼的组,并且药物b随后选自已经从中选择药物a之后的其余药物组,任选地随后从已经从中选择药物a和b之后的其余药物组中选择药物c。更优选地,当所述疾病是急性淋巴性白血病时,药物a是柔红霉素或长春新碱,药物b是强的松龙,或者反之亦然,并且药物c是已经从中选择药物a和b之后的其余药物或者其是环磷酰胺、l-天冬酰胺酶或伊马替尼(甚至更优选地当用于治疗急性淋巴性白血病时,药物a是柔红霉素或长春新碱,药物b是强的松龙,或者反之亦然,药物c是已经从中选择药物a和b之后的其余药物,并且所述药物a、b和c与环磷酰胺和l-天冬酰胺酶或者与伊马替尼组合施用)。备选地,药物a是伊达比星、阿糖胞苷或氟达拉滨并且药物b是强的松龙,或者反之亦然,并且药物c选自已经从中选择药物a和b之后的其余药物组(甚至更优选地当用于治疗急性淋巴性白血病时,药物a是伊达比星、阿糖胞苷或氟达拉滨并且药物b是强的松龙,或者反之亦然,药物c选自已经从中选择药物a和b之后的其余药物组,并且所述药物a、b和c与已经从中选择药物a、b和c之后的其余药物组合施用。

所述受试者可以是这样的受试者,其为被诊断患有所述疾病的成人受试者(即已经达到性成熟),优选地先前未经历过一线或二线治疗的成人受试者、先前经历过一线治疗的成人受试者或先前经历过二线治疗的成人受试者。

在本说明书中,在本文所述的任何给定方法中提及的任何给定步骤公开了通过具有相同标记的本文所述的相应系统包含的装置进行的步骤(例如,本发明的两种方法中的步骤(a)是通过本发明的两种系统中的装置(a)进行的步骤)。因此,在本说明书涉及本文所述方法中的一种或两种中具有特定标记的步骤的情况下,还可以理解所述步骤可以通过本文所述系统中的一种或两种提及的具有相同标记的装置进行。

本发明的所述方法二者包括(a)下提及的步骤,其将从所述受试者获得的组织样品分离为子样品。所述组织样品是血液、淋巴或骨髓样品。优选地,所述组织样品是骨髓样品。实际上,在本发明的一个这样的实施方案中,所述组织样品包括在患者已经进行化学疗法和/或放射疗法之前收集骨髓细胞。在甚至更优选的实施方案中,当在不存在药物a和/或药物b和/或药物c的情况下温育48小时时,所述骨髓细胞的活力大于或等于60%;和/或当从所述受试者获得时,骨髓细胞不以凝块形式存在。

将所述样品分离为子样品的分离包括将所述子样品分成几份。在本发明的每个系统的一个实施方案中,用于进行分离组织样品的步骤的装置包括微流体干细胞分离设备。

本发明的所述方法二者还包括进行以下步骤的步骤(b):

(i)在浓度x的所述药物a的存在下将子样品温育2至168小时的时间t;以及

(ii)将步骤(b)(i)重复额外(n-1)次,每次利用不同的子样品,使用与步骤(b)(i)的先前重复中使用的x值不同的x值;

其中n是选自5至10的整数,包括5和10;

以及

(iii)在浓度y的所述药物b的存在下将子样品温育所述时间t;以及

(iv)将步骤(b)(iii)重复额外(m-1)次,每次利用不同的子样品,使用与步骤(b)(iii)的先前重复中使用的y值不同的y值;

其中m是选自5至10的整数,包括5和10;

以及

(v)在包含所述药物a和所述药物b的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值phα,a处的浓度,其中百分位数值phα,a通过式(a)计算:

phα,a=cos(α°)xh

(a)

其中:

·h对应于选自以下的组的参考百分位数:

和90,其中:

·r是选自2至(r-1)的整数,包括2和r-1;

·α以度为单位,并且通过下式计算:

其中:

·w是选自1至w的整数,包括1和w;

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值phα,b处的浓度,其中百分位数值phα,b通过式(b)计算:

phα,b=cos(90°–α°)xh

(b)

(vi)将步骤(b)(v)重复额外(r-1)次,每次利用不同的子样品,使用与步骤(b)(v)的先前重复中使用的h值不同的h值,并且使用步骤(b)(v)使用的相同α值;

(vii)将步骤(b)(v)和(b)(vi)重复额外(w-1)次,每次利用不同的子样品,使用与步骤(b)(v)和(b)(vi)的先前重复中使用的α值不同的α值;

其中;

·r是选自3至10的整数,包括3和10;

·w是选自3至10的整数,包括3和10;

并且其中:

·x50,a是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物a浓度;

·y50,b是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物b浓度;

以及

(viii)将子样品温育所述时间t。

在本发明的每个方法的一个实施方案中,步骤(b)还包括:

(ix)在浓度z的所述药物c的存在下将子样品温育所述时间t;以及

(x)将步骤(b)(ix)重复额外(l-1)次,每次利用不同的子样品,使用与步骤(b)(ix)的先前重复中使用的z值不同的z值;

其中l是选自5至10的整数,包括5和10;

以及

(xi)在包含所述药物a和所述药物c的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值ph’α’,a处的浓度,其中百分位数值ph’α’,a通过式(c)计算:

ph’α’,a=cos(α’°)xh’

(c)

其中:

·h’对应于选自以下的组的参考百分位数:

和90,其中:

·r’是选自2至(r’-1)的整数,包括2和r’-1;

·α’以度为单位,并且通过下式计算:

其中:

·w’是选自1至w’的整数,包括1和w’;

-所述药物c的浓度是浓度z,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的z50,c值的分布的百分位数值ph’α’,c处的浓度,其中百分位数值ph’α’,c通过式(d)计算:

ph’α’,c=cos(90°–α’°)xh’

(d)

(xii)将步骤(b)(xi)重复额外(r’-1)次,每次利用不同的子样品,使用与步骤(b)(xi)的先前重复中使用的h’值不同的h’值,并且使用步骤(b)(xi)使用的相同α’值;以及

(xiii)将步骤(b)(xi)和(b)(xii)重复额外(w’-1)次,每次利用不同的子样品,使用与步骤(b)(xi)和(b)(xii)的先前重复中使用的α’值不同的α’值;

其中;

·r’是选自3至10的整数,包括3和10;

·w’是选自3至10的整数,包括3和10;

以及;

(xiv)在包含所述药物b和所述药物c的药物组合的存在下将子样品温育所述时间t,其中

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值ph”α”,b处的浓度,其中百分位数值ph”α”,b通过式(e)计算:

ph”α”,b=cos(α”°)xh”

(e)

其中:

·h”对应于选自以下的组的参考百分位数:

和90,其中:

·r”是选自2至(r”-1)的整数,包括2和r”-1;

·α”以度为单位,并且通过下式计算:

其中:

·w”是选自1至w”的整数,包括1和w”;

-所述药物c的浓度是浓度z,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的z50,c值的分布的百分位数值ph”α”,c处的浓度,其中百分位数值ph”α”,c通过式(f)计算:

ph”α”,c=cos(90°–α”°)xh”

(f)

(xv)将步骤(b)(xiv)重复额外(r”-1)次,每次利用不同的子样品,使用与步骤(b)(xiv)的先前重复中使用的h”值不同的h”值,并且使用步骤(b)(xiv)使用的相同α”值;

(xvi)将步骤(b)(xiv)和(b)(xv)重复额外(w”-1)次,每次利用不同的子样品,使用与步骤(b)(xiv)和(b)(xv)的先前重复中使用的α”值不同的α”值;

其中;

·r”是选自3至10的整数,包括3和10;

·w”是选自3至10的整数,包括3和10;

并且其中:

·x50,a是根据步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物a浓度;

·y50,b是根据步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物b浓度;

·z50,c是根据步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物c浓度,如下。

每个被诊断患有所述疾病的受试者群体中获得的x50,a、y50,b和z50,c值优选地从所述受试者中的至少5名、甚至更优选地至少10名受试者、仍更优选地至少20名受试者、最优选地至少30名受试者的群体中获得。获得受试者的所述群体中每个受试者的每个所述值。

使用上述最小样品数或当模型累积的样品数(nt)大于限定的阈值数(nu)时,从头开始构建群体模型。优选地,nu是对应于用于构建先前模型的样品的10%至20%的数量,并且更优选地nu是对应于用于构建先前模型的样品的20%的数量。有效模型应具有比先前模型低至少4个点的目标函数值(ofv),而且还应具有生物学上敏感的模型参数并且满足若干条件,如患者间变异性(ipv)、标准误差(se)和质量控制检查值。如果并未如此,则应在10个新样品后再次重建模型。当满足新模型条件时,则所有新模型数据都存储在数据库中并且使用,直到被后续模型替换。

用于确定本发明的步骤(b)(i)和(b)(ii)、(b)(iii)和(b)(iv)以及(b)(ix)和(b)(x)中使用的药物a、b和c的各自浓度x、y和z的步骤优选地首先包括为每个药物选择浓度分布的u%修整范围的终点浓度u1和u2,所述药物在此处导致在受试者的所述群体中获得的根据步骤(c)鉴定的每种细胞类型的活细胞数量lcti的减少大于v%,其中u为1%至50%并且v为至少1%,更优选地其中u为2%至30%并且v为至少5%,甚至更优选地其中u为5%至75%并且v为至少10%,仍更优选地其中u%修整范围是十分位距或四分位距并且vi’为至少10%。所述浓度通过以下方式确定:

(i)从以下的组中选择浓度:

和u2,其中:

-n’是选自2至(n’-1)的整数,包括2和n’-1;以及

(ii)将步骤(i)重复额外(n’-1)次,每次使用与步骤(i)的先前重复中使用的浓度值不同的浓度值;

其中n’为n、m或p,这取决于所述药物是否分别是药物a、药物b或药物c;

用于确定本发明的步骤(b)(v)至(b)(vii)、(b)(xi)至(b)(xiii)以及(b)(xiv)至(b)(xvi)中使用的药物a、b和c的各自浓度x、y和z的步骤包括用于改善药物组合的协同作用的估计的准确性的方法的步骤。所述方法是这样的统计方法,其在组合实验中提供任意两种药物的浓度分布(其中信息数据点的数量最大化),并且使来自相互作用表面建模的协同参数估计的准确性最大化。理论上,药物相互作用实验需要多达50个的每种药物的成对浓度的数据点,以适当地覆盖足够的区域以良好地拟合为表面相互作用模型并且允许准确估计协同作用。实验上,这是严重的限制,因为它需要的样品量将永远无法获得。根据来自多个患者样品的剂量响应曲线的历史存储数据(本文中为每种药物的ec50分布),本文所述的方法使每种药物具有活性的最具代表性的药物浓度的点数最小化。

分析来自多个患者样品的剂量响应曲线以确定最准确地模拟相互作用表面的浓度比。在图7中,这些(r=3)x(w=3)=9个点对应于每个ec50药物群体值的第10个、第50个和第90个百分位数,从而使用每个药物百分位数作为半径并且使用原点作为中心绘制了三个四分之一圆。另外,以原点为起点并且使用给定角度绘制三条直线,以将不同的圆分成相同大小角度的扇区。最后,计算线与圆的交点并且转换为浓度单位。来自每个点的x值属于药物a并且y值属于药物b。

在优选的实施方案中,n=m并且r=w,其中n(=m)选自5至10的整数(包括5和10),并且r(=w)选自3至10的整数(包括3和10)。在本发明的更优选的实施方案中,n=m并且r=w,其中n(=m)选自整数8、9和10的组,并且r(=w)选自整数3、4和5的组,仍更优选地n(=m)=8并且r(=w)=3。当r=w为3时,α选自22.5°、45°和67.5°的组。当所述药物组合另外包含药物c时,优选地n=m=l并且r=w=r’=w’=r”=w”,其中n(=m=l)选自5至10的整数(包括5和10),并且r(=w=r’=w’=r”=w”)选自3至10的整数(包括3和10)。在本发明的甚至更优选的实施方案中,n=m=l并且r=w=r’=w’=r”=w”,其中n(=m=l)选自整数8、9和10的组,并且r(=w=r’=w’=r”=w”)选自整数3、4和5的组,仍更优选地n(=m=l)=8并且r(=w=r’=w’=r”=w”)=3。当r=w=r’=w’=r”=w”为3时,α、α’和α”中的每一个选自22.5°、45°和67.5°的组。

所述温育步骤中的每一个都包括温育子样品,所述子样品并未根据本发明的方法经历与药物组合的先前温育。

优选地,温育时间t为24至72小时的时间,更优选地36至60小时的时间,并且在甚至更优选的实施方案中为48小时。在本发明的每个系统的一个实施方案中,用于进行温育的步骤的装置包括细胞培养保温箱。

本发明的所述方法二者都包括步骤(c):将至少一种标记添加到步骤(b)中温育的每个子样品中以鉴别其中的至少一种细胞类型(cti)。鉴别的每个第i个细胞类型取决于添加的所述标记而不同。在本发明的方法的一个实施方案中,步骤(c)包括:

(i)将至少一种缀合抗体添加到步骤(b)中温育的每个子样品中以鉴别其中的至少一种病理细胞类型;以及

(ii)将至少一个细胞死亡或凋亡标记(诸如anexin、碘化丙啶(iodurepropidium)、7-aad、draq5、hoechst或dapi)添加到步骤(b)中温育的每个子样品中以鉴别其中的凋亡细胞。

优选地,所述缀合抗体鉴别癌细胞,更优选地造血和淋巴组织的癌细胞,甚至更优选地白血病或淋巴瘤细胞,仍更优选地白血病细胞,并且最优选地急性髓性白血病细胞。通过将所述至少一个标记(优选地至少一个缀合抗体和至少一个细胞死亡或凋亡标记)添加到步骤(b)中温育的每个子样品,鉴别疾病的活病理细胞以准备用于步骤(d)。在本发明的每个系统的一个实施方案中,用于进行添加至少一个标记的装置包括移液管或注入器诸如注射器或分配器。

因此,本发明的所述方法二者还包括步骤(d):对在根据步骤(b)温育每个子样品后仍保留的步骤(c)中鉴别的每种细胞类型的活细胞的数量(lcti)进行计数。在其中在步骤(c)中添加至少一个缀合抗体和至少一个细胞死亡或凋亡标记作为标记的前述实施方案中,步骤(d)包括通过以下方式对温育每个子样品后仍保留的活细胞的数量(lcti)进行计数:对根据步骤(c)(ii)未被鉴别为凋亡的根据步骤(c)(i)鉴别的所述至少一个病理细胞类型的细胞数量进行计数。在本发明的每个系统的另一个实施方案中,用于进行活病理细胞数量计数的步骤的装置包括细胞计,优选地流式细胞计、图像细胞计或细胞光度计,更优选地流式细胞计。

本发明的所述方法二者还包括步骤(e):对于步骤(c)中鉴别的每种细胞类型,确定:

(i)药效参数值;

(ii)活性标记值;

以及

(iii)归一化标记值。因此,步骤(e)包括对于步骤(c)中鉴别的每种细胞类型(cti)确定每个所述值中的至少一个,其中:

-药效参数值,所述药效参数值包括药物a的至少一个药效参数值和/或药物b的至少一个药效参数值,其中:

-药物a的每个药效参数值通过在根据步骤(b)(i)和(ii)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

-药物b的每个药效参数值通过在根据步骤(b)(iii)和(iv)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

-活性标记值,所述活性标记值包括药物a的至少一个活性标记值、药物b的至少一个活性标记值和/或药物a和b的至少一个活性标记值,其中:

-药物a的每个活性标记值由步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值计算,

-药物b的每个活性标记值由步骤(e)(i)中估计的药物b的所述药效参数值或多个药效参数值计算,

-药物a和b的每个活性标记值由通过以下方式制定的特定模型计算:将公式拟合到步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值以及药物b的所述药效参数值或多个药效参数值,并且拟合到在根据(b)(v)至(vii)温育群体中每个受试者的子样品之后根据步骤(d)计数的lcti的实验值;以及

-归一化标记值,所述归一化标记值包括药物a的至少一个归一化标记值、药物b的至少一个归一化标记值和/或药物a和b的至少一个归一化标记值,其中:

-药物a的每个归一化标记值由步骤(e)(ii)中计算的药物a的每个活性标记值相对于来自所述群体的所述活性标记值的分布的相应值的比率计算;

-药物b的每个归一化标记值由步骤(e)(ii)中计算的药物b的每个活性标记值相对于来自所述群体的药物b的所述活性标记值的分布的相应值的比率计算;

-药物a和b的每个归一化标记值由步骤(e)(ii)中计算的药物a和b的每个活性标记值相对于来自所述群体的药物a和b的所述活性标记值的分布的相应值的比率计算。

在本发明的方法的一个实施方案中,当所述药物组合包含药物a和药物b和药物c时,

-步骤(e)(i)中确定的药效参数值任选地另外包括药物c的至少一个药效参数值,其中:

-药物c的每个药效参数值通过在根据步骤(b)(ix)和(x)温育群体中每个受试者的子样品之后将公式拟合到根据步骤(d)计数的lcti的实验值而由单一药物剂量-响应药效混合效应非线性群体模型估计:

-步骤(e)(ii)中确定的活性标记值任选地另外包括药物c的至少一个活性标记值、药物a和c的至少一个活性标记值和/或药物b和c的至少一个活性标记值,其中:

-药物c的每个活性标记值由步骤(e)(i)中估计的药物c的所述药效参数值或多个药效参数值计算,

-药物a和c的每个活性标记值由通过以下方式制定的特定模型计算:将公式拟合到步骤(e)(i)中估计的药物a的所述药效参数值或多个药效参数值以及药物c的所述药效参数值或多个药效参数值,并且拟合到在根据步骤(b)(xi)至(xiii)温育群体中每个受试者的子样品之后根据步骤(d)计数的lcti的实验值;

-药物b和c的每个活性标记值由通过以下方式制定的特定模型计算:将公式拟合到步骤(e)(i)中估计的药物b的所述药效参数值或多个药效参数值以及药物c的所述药效参数值或多个药效参数值,并且拟合到在根据(b)(xiv)至(xvi)温育群体中每个受试者的子样品之后根据步骤(d)计数的lcti的实验值;

-步骤(e)(iii)中确定的归一化标记值任选地另外包括这样的归一化标记值,所述归一化标记值包括药物c的至少一个归一化标记值、药物a和c的至少一个归一化标记值和/或药物b和c的至少一个归一化标记值,其中:

-药物c的每个归一化标记值由步骤(e)(ii)中计算的药物c的每个活性标记值相对于来自所述群体的所述活性标记值的分布的相应值的比率计算;

-药物a和c的每个归一化标记值由步骤(e)(ii)中计算的药物a和c的每个活性标记值相对于来自所述群体的药物a和c的所述活性标记值的分布的相应值的比率计算;

-药物b和c的每个归一化标记值由步骤(e)(ii)中计算的药物b和c的每个活性标记值相对于来自所述群体的药物b和c的所述活性标记值的分布的相应值的比率计算。

在本发明的每个所述方法的一个实施方案中,步骤(e)(i)中确定的药效参数值包括x50,a值、lcti0,a值、emax,a值、γa值、y50,b值、lcti0,b值、emax,b值和/或γb值,其中:

-所述x50,a值、lcti0,a值、emax,a值和γa值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物a的每个浓度x获得的步骤(b)(i)和(b)(ii)温育群体中每个受试者的子样品之后将式(i)拟合到根据步骤(d)计数的lcti的实验值来确定:

-所述y50,b值、lcti0,b值、emax,b值和γb值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物b的每个浓度y获得的步骤(b)(iii)和(b)(iv)温育所述群体中每个受试者的子样品之后将式(ii)拟合到根据步骤(d)计数的lcti的实验值来确定:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

其中:

·x=药物a的浓度;

·x50,a是发挥最大活性的一半的药物a浓度;

·lcti0,a是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,a是药物a引起的lcti0,a的最大分数降低;

·γa是药物a的lcti-浓度曲线的陡度;

·y=药物b的浓度;

·y50,b是发挥最大活性的一半的药物b浓度;

·lcti0,b是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,b是药物b引起的lcti0,b的最大分数降低;

·γb是药物b的lcti-浓度曲线的陡度。

在本发明的每个所述方法的更优选的实施方案中,当所述药物组合另外包含药物c时,步骤(e)(i)中确定的药效参数值任选地还包括z50,c值、lcti0,c值、emax,c值和/或γc值,其中:

-所述z50,c值、lcti0,c值、emax,c值和γc值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物c的每个浓度z获得的步骤(b)(ix)和(b)(x)温育所述群体中每个受试者的子样品之后将式(xi)拟合到根据步骤(d)计数的lcti的实验值来确定:

其中:

·z=药物c的浓度;

·z50,c是发挥最大活性的一半的药物c浓度;

·lcti0,c是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,c是药物c引起的lcti0,c的最大分数降低;

·γc是药物c的lcti-浓度曲线的陡度。

在本发明的每个所述方法的一个实施方案中,步骤(e)(ii)中确定的活性标记值包括aucxy,a值、aucxy,b值、αab值和/或vusab值,其中:

-所述aucxy,a值使用式(iii)计算:

aucxy,a=aucx,a-ay:10-90,a

(iii)

其中:

所述aucx,a值是在根据对于药物a的每个浓度x获得的步骤(b)(i)和(b)(ii)温育子样品之后由源自存活率%的式(i)的函数的两个药物浓度x’和x”之间的积分,其中lcti0,a被视为100%存活率,并且使用式(iv)计算:

其中药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,a值是落在存活率%的10%和90%界限之外的aucx,a表面,其中lcti0,a被视为100%存活率;

以及

-所述aucxy,b值使用式(v)计算:

aucxy,b=aucx,b-ay:10-90,b

(v)

其中:

所述aucx,b值是在根据对于药物b的每个浓度y获得的步骤(b)(iii)至(b)(iv)温育子样品之后由源自存活率%的式(ii)的函数的两个药物浓度y’和y”之间的积分,其中lcti0,b被视为100%存活率,并且使用式(vi)计算:

其中药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,b值是落在存活率%的10%和90%界限之外的aucx,b表面,其中lcti0,a被视为100%存活率;

以及

-所述vusab值使用式(vii)计算,其中所述vusab值是在步骤(b)(v)至(b)(vii)温育子样品之后计数的lcti的自然对数的模型函数的药物a的两个药物浓度x’和x”与药物b的两个药物浓度y’和y”之间的二重积分,其中lcti0,a=lcti0,b,并且被视为100%存活率,并且使用式(vii)计算,

其中:

·药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

·药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

·emax,a=药物a引起的lpc的最大分数降低;

·emax,b=药物b引起的lpc的最大分数降低;

·x50,a=发挥emax,a的一半的药物a的ec50浓度;

·y50,b=发挥emax,b的一半的药物b的ec50浓度;

·x=药物a的浓度;

·y=药物b的浓度;

·

其中:

-γa=药物a的lcti-浓度曲线的陡度;

-γb=药物b的lcti-浓度曲线的陡度;以及

·αab=由双药物表面相互作用模型估计的协同参数,所述模型通过以下方式确定:在根据对于药物a的每个浓度x获得的(b)(i)和(b)(ii)提及的步骤(其中y=z=0)、对于药物b的每个浓度y获得的(b)(iii)和(b)(iv)提及的步骤(其中x=z=0)以及对于药物a和药物b的组合的每对浓度获得的b(v)、b(vi)和b(vii)提及的步骤温育所述受试者的子样品之后,将式(vii’)拟合到根据步骤(d)计数的lcti的实验值:

在本发明的每个所述方法的更优选的实施方案中,当所述药物组合另外包含药物c时,步骤(e)(ii)中确定的活性标记值任选地还包括aucxy,c值、αac值、vusac值、αbc值和/或vusbc值,其中:

-所述aucxy,c值使用式(xii)计算:

aucxy,c=aucx,c-ay:10-90,c

(xii)

其中:

所述aucx,c值是在根据对于药物c的每个浓度z获得的步骤(b)(ix)和(b)(x)温育子样品之后由源自存活率%的式(xi)的函数的两个药物浓度z’和z”之间的积分,其中lcti0,c被视为100%存活率,并且使用式(xiii)计算:

其中药物浓度z’和z”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的z50,c值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的z50,c根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,c值是落在存活率%的10%和90%界限之外的aucx,c表面,其中lcti0,c被视为100%存活率;

以及

-所述vusac值使用式(xiv)计算,其中所述vusac值是在根据步骤(b)(xi)至(b)(xiii)温育子样品之后计数的lcti的自然对数的模型函数的药物a的两个药物浓度x’和x”与药物c的两个药物浓度z’和z”之间的二重积分,其中lcti0,a=lcti0,c,并且被视为100%存活率,

其中:

·药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

·药物浓度z’和z”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的z50,c值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的z50,c根据步骤(a)至(e)(i)计算;

·emax,a=药物a引起的lpc的最大分数降低;

·emax,c=药物c引起的lpc的最大分数降低;

·x50,a=发挥emax,a的一半的药物a的ec50浓度;

·z50,c=发挥emax,c的一半的药物c的ec50浓度;

·x=药物a的浓度;

·z=药物c的浓度;

·

其中:

-γa=药物a的lcti-浓度曲线的陡度;

-γc=药物c的lcti-浓度曲线的陡度;

以及

·αac=由双药物表面相互作用模型估计的协同参数,所述模型通过以下方式确定:在根据对于药物a的每个浓度x获得的(b)(i)和(b)(ii)提及的步骤(其中y=z=0)、对于药物c的每个浓度z获得的(b)(ix)和(b)(x)提及的步骤(其中x=y=0)以及对于药物a和药物c的组合的每对浓度获得的b(xi)、b(xii)和b(xiii)提及的步骤温育所述受试者的子样品之后,将式(xiv’)拟合到根据步骤(d)计数的lcti的实验值:

-所述vusbc值使用式(xv)计算,其中所述vusbc值是在根据步骤(b)(xiv)至(b)(xvi)温育子样品之后计数的lcti的自然对数的模型函数的药物b的两个药物浓度y’和y”与药物c的两个药物浓度z’和z”之间的二重积分,其中lcti0,b=lcti0,c,并且被视为100%存活率,

其中:

·药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

·药物浓度z’和z”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的z50,c值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的z50,c根据步骤(a)至(e)(i)计算;

·emax,b=药物b引起的lpc的最大分数降低;

·emax,c=药物c引起的lpc的最大分数降低;

·y50,b=发挥emax,b的一半的药物b的ec50浓度;

·z50,c=发挥emax,c的一半的药物c的ec50浓度;

·y=药物b的浓度;

·z=药物c的浓度;

·

其中:

-γb=药物b的lcti-浓度曲线的陡度;

-γc=药物c的lcti-浓度曲线的陡度;

以及

·αbc=由双药物表面相互作用模型估计的协同参数,所述模型通过以下方式确定:在根据对于药物b的每个浓度y获得的(b)(iii)和(b)(iv)提及的步骤(其中x=z=0)、对于药物c的每个浓度z获得的(b)(ix)和(b)(x)提及的步骤(其中x=y=0)以及对于药物b和药物c的组合的每对浓度获得的b(xiv)、b(xv)和b(xvi)提及的步骤温育所述受试者的子样品之后,将式(xv’)拟合到根据步骤(d)计数的lcti的实验值:

在本发明的每个所述方法的一个实施方案中,步骤(e)(ii)中确定的归一化标记值包括nauca、naucb和/或nvusab,其中:

-nauca是使用式(viii)计算的aucxy,a的归一化值;

nauca=100xaucxy,a/aucmax,a(viii)

-naucb是使用式(ix)计算的aucxy,b的归一化值;

naucb=100xaucxy,b/aucmax,b(ix)

-nvusab是使用式(x)计算的vusab的归一化值;

nvusab=100xvusab/vusmax,ab(x)

其中:

·aucmax,a=在每个被诊断患有所述疾病的受试者的群体中获得的aucxy,a的最大值,其中所述群体中每个受试者的aucxy,a根据步骤(a)至(e)(ii)计算;

·aucmax,b=在每个被诊断患有所述疾病的受试者的所述群体中获得的aucxy,b的最大值,其中所述群体中每个受试者的aucxy,b根据步骤(a)至(e)(ii)计算;以及

·vusmax,ab=在每个被诊断患有所述疾病的受试者的所述群体中获得的vusab的最大值,其中所述群体中每个受试者的vusab根据步骤(a)至(e)(ii)计算。

在本发明的每个所述方法的更优选的实施方案中,当所述药物组合另外包含药物c时,步骤(e)(iii)中确定的归一化标记值任选地还包括naucc、nvusac和/或nvusbc,其中:

-naucc是使用式(xvi)计算的aucxy,c的归一化值;

naucc=100xaucxy,c/aucmax,c(xvi)

-nvusac是使用式(xvii)计算的vusac的归一化值;

nvusac=100xvusac/vusmax,ac(xvii)

-nvusbc是使用式(xviii)计算的vusbc的归一化值;

nvusbc=100xvusbc/vusmax,bc(xviii)

其中:

·aucmax,c=在每个被诊断患有所述疾病的受试者的所述群体中获得的aucxy,c的最大值,其中所述群体中每个受试者的aucxy,c根据步骤(a)至(e)(ii)计算;

·vusmax,ac=在每个被诊断患有所述疾病的受试者的所述群体中获得的vusac的最大值,其中所述群体中每个受试者的vusac根据步骤(a)至(e)(ii)计算;以及

·vusmax,bc=在每个被诊断患有所述疾病的受试者的所述群体中获得的vusbc的最大值,其中所述群体中每个受试者的vusbc根据步骤(a)至(e)(ii)计算。

在本发明的每个系统的实施方案中,用于进行确定药效参数值、活性标记值和归一化标记值的步骤的装置包括至少一个计算机程序产品。

在本发明中,计算机程序产品可以包括计算机可读存储介质(或媒介),其上具有用于使处理器执行本发明的各方面的计算机可读程序指令。

计算机可读存储介质可以有形设备,其可以保留和存储指令以供指令执行设备使用。计算机可读存储介质可以包括但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体实例的非详尽列表包括以下:便携式计算机软盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式光盘只读存储器(cd-rom)、数字多功能磁盘(dvd)、记忆棒、软盘、机械编码设备(诸如穿孔卡片或其上记录有指令的凹槽中的凸起结构)以及前述的任何合适组合。

本文所述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备或者经由网络(例如因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或网络接口从网络接收计算机可读程序指令并且发送计算机可读程序指令用以存储在相应计算/处理设备内的计算机可读存储介质中。

用于进行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据或者以一种或多种编程语言(包括面向对象的编程语言,诸如smalltalk、c++等,以及常规的程序化编程语言,诸如“c”编程语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行,部分地在用户的计算机上执行,作为软件包执行,部分地在用户的计算机上并且部分地在远程计算机上执行,或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可以通过任何类型的网络(包括局域网(lan)或广域网(wan))连接到用户的计算机,或者可以连接到外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施方案中,电子电路(包括例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令以使电子电路个性化,从而进行本发明的各方面。

根据实施方案的方法、装置(系统)和套件的流程图说明和/或框图和/或本发明的步骤,本文描述了本发明的各方面。应当理解,流程图说明和/或框图的每个方形或菱形形状的框以及流程图说明和/或框图中框的组合可以通过生物技术或计算机可读程序指令或者其组合来实现。

这些计算机可读程序指令可以提供至通用计算机、专用计算机或其他可编程数据处理设备的处理器以以生产机器,使得经由计算机或其他可编程数据处理设备的处理器执行的指令创建用于实现流程图和/或框图中框或多个框中指定的功能/动作的装置。这些计算机可读程序指令也可以存储在可以引导计算机、可编程数据处理设备和/或其他设备以特定方式运行的计算机可读存储介质中,使得其中存储有指令的计算机可读存储介质包括包含指令的制造物品,所述指令实现流程图和/或框图中框或多个框中指定的功能/动作的方面。

计算机可读程序指令也可以加载到计算机、其他可编程数据处理设备或其他设备上,以导致在计算机、其他可编程设备或其他设备上进行一系列操作步骤,以产生计算机实现的过程,使得在计算机、其他可编程设备或其他设备上执行的指令实现流程图和/或框图中框或多个框中指定的功能/动作。

本发明的所述方法二者还包括步骤(f):选择:

(i)受试者的所述群体中每个受试者的根据步骤(e)(i)确定的药效参数值或多个药效参数值;和/或

(ii)受试者的所述群体中每个受试者的根据步骤(e)(ii)确定的活性标记值或多个活性标记值;和/或

(iii)受试者的所述群体中每个受试者的根据步骤(e)(iii)确定的归一化标记值或多个归一化标记值,和/或

(iv)受试者的所述群体中每个受试者的临床变量值或多个临床变量值,

其取决于对所述药物组合的临床耐药性或临床敏感性,由此当值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,所述值是依赖性的。当使用统计独立性检验确定所述值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,该值取决于临床耐药性或临床敏感性。

临床变量是不同于所述药效参数值、所述活性标记值或所述归一化标记值中的任一个的变量。所述临床变量可以选自以下的组:受试者年龄、性别、种族、血型、呈现的白细胞计数、npm1或flt3基因中突变的存在、细胞遗传学风险组、所述受试者是否经历或未经历所述疾病的一线治疗、所述受试者是否经历或未经历所述疾病的二线治疗、从外周血获得的单核细胞的计数(pb中的wbc)、东部肿瘤协作组(easterncooperativeoncologygroup,ecog)体力状态、血液癌症类型(法国-美国-英国(fab)分类,新发相对于继发aml)、核型、血液学响应、3+7诱导周期的数量、响应日期、最后一次随访的日期以及所述受试者是否经历或未经历缓解后疗法。优选地,所述临床变量选自以下的组:受试者年龄、性别、种族、血型、呈现的白细胞(wbc)计数、npm1或flt3基因中突变的存在、细胞遗传学风险组、所述受试者是否经历或未经历所述疾病的一线治疗、所述受试者是否经历或未经历所述疾病的二线治疗。更优选地,所述临床变量选自以下的组:诊断时的年龄、性别、细胞遗传学风险组、诊断时的未成熟细胞%、wbc计数、fab亚型、ecog体力状态、npm1基因中突变的存在和flt3基因中突变的存在。所述临床变量值描述患有所述疾病的受试者的所述群体中的每个受试者,并且可以是连续数或整数,这取决于如此描述的变量。例如,当受试者已经经历所述疾病的一线治疗时,所述临床变量值可以为0,并且当受试者未经历所述疾病的一线治疗时,所述临床变量值可以为1,或者反之亦然。

在本发明的每个系统的实施方案中,用于进行选择的步骤(f)的装置包括至少一个计算机程序产品,其中所述计算机程序产品可以不同于步骤(e)中使用的计算机程序产品。

因此,在本发明的方法的特别优选的实施方案中,步骤(a)至(f)分别包括以下:

(a)将从所述受试者获得的组织样品分离为20至30个子样品;

(b)进行以下步骤:

(i)在浓度x的所述药物a的存在下将子样品温育36至72小时的时间t;以及

(ii)将步骤(b)(i)重复额外(n-1)次,每次利用不同的子样品,使用与步骤(b)(i)的先前重复中使用的x值不同的x值;

其中n是选自5至10的整数,包括5和10;

以及

(iii)在浓度y的所述药物b的存在下将子样品温育所述时间t;以及

(iv)将步骤(b)(iii)重复额外(m-1)次,每次利用不同的子样品,使用与步骤(b)(iii)的先前重复中使用的y值不同的y值;

其中m是选自5至10的整数,包括5和10;

以及

(v)在包含所述药物a和所述药物b的药物组合的存在下将子样品温育所述时间t,其中

-所述药物a的浓度是浓度x,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的分布的百分位数值phα,a处的浓度,其中百分位数值phα,a通过式(a)计算:

phα,a=cos(α°)xh

(a)

其中:

·h对应于选自以下的组的参考百分位数:

和90,其中:

-r是选自2至(r-1)的整数,包括2和r-1;

·α以度为单位,并且通过下式计算:

其中:

-w是选自1至w的整数,包括1和w;

-所述药物b的浓度是浓度y,其对应于在来自每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的分布的百分位数值phα,b处的浓度,其中百分位数值phα,b通过式(b)计算:

phα,b=cos(90°–α°)xh

(b)

(vi)将步骤(b)(v)重复额外(r-1)次,每次利用不同的子样品,使用与步骤(b)(v)的先前重复中使用的h值不同的h值,并且使用步骤(b)(v)使用的相同w值;

(vii)将步骤(b)(v)和(b)(vi)重复额外(w-1)次,每次利用不同的子样品,使用与步骤(b)(v)和(b)(vi)的先前重复中使用的w值不同的w值;

其中;

·r为3;

·w为3,

并且其中:

·x50,a是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物a浓度;

·y50,b是根据以下步骤(e)(i)估计的在受试者中发挥最大活性的一半的药物b浓度;

以及

(viii)将子样品温育所述时间t;

(c)(i)将至少一种缀合抗体添加到步骤(b)中温育的每个子样品中以鉴别其中的至少一种病理细胞类型;以及

(ii)将至少一个细胞死亡或凋亡标记添加到步骤(b)中温育的每个子样品中以鉴别其中的凋亡细胞;

(d)通过以下方式对根据步骤(b)温育每个子样品后仍保留的步骤(c)中鉴别的每个细胞类型的活细胞的数量(lcti)进行计数:对根据步骤(c)(ii)未被鉴别为凋亡的根据步骤(c)(i)鉴别的所述至少一个病理细胞类型的细胞数量进行计数;

(e)对于步骤(c)中鉴别的每种细胞类型,确定:

(i)药效参数值,包括x50,a值、lcti0,a值、emax,a值、γa值、y50,b值、lcti0,b值、emax,b值和γb值,其中:

-所述x50,a值、lcti0,a值、emax,a值和γa值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物a的每个浓度x获得的步骤(b)(i)和(b)(ii)温育群体中每个受试者的子样品之后将式(i)拟合到根据步骤(d)计数的lcti的实验值来确定:

-所述y50,b值、lcti0,b值、emax,b值和γb值由单一药物剂量-响应药效混合效应非线性群体模型估计,所述模型通过在根据对于药物b的每个浓度y获得的步骤(b)(iii)和(b)(iv)温育所述群体中每个受试者的子样品之后将式(ii)拟合到根据步骤(d)计数的lcti的实验值来确定:

其中所述群体包含所述受试者和被诊断患有所述疾病的其他受试者;

其中:

·x=药物a的浓度;

·x50,a是发挥最大活性的一半的药物a浓度;

·lcti0,a是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,a是药物a引起的lcti0,a的最大分数降低;

·γa是药物a的lcti-浓度曲线的陡度;

·y=药物b的浓度;

·y50,b是发挥最大活性的一半的药物b浓度;

·lcti0,b是lcti的基础(预温育)数量,并且等于在根据(b)(viii)提及的步骤在不存在药物的情况下温育子样品之后计数的lcti;

·emax,b是药物b引起的lcti0,b的最大分数降低;

·γb是药物b的lcti-浓度曲线的陡度;

(ii)活性标记值,包括aucxy,a值、aucxy,b值、αab值和vusab值,其中:

-所述aucxy,a值使用式(iii)计算:

aucxy,a=aucx,a-ay:10-90,a

(iii)

其中:

所述aucx,a值是在根据对于药物a的每个浓度x获得的步骤(b)(i)和(b)(ii)温育子样品之后由源自存活率%的式(i)的函数的两个药物浓度x’和x”之间的积分,其中lcti0,a被视为100%存活率,并且使用式(iv)计算:

其中药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,a值是落在存活率%的10%和90%界限之外的aucx,a表面,其中lcti0,a被视为100%存活率;

以及

-所述aucxy,b值使用式(v)计算:

aucxy,b=aucx,b-ay:10-90,b

(v)

其中:

所述aucx,b值是在根据对于药物b的每个浓度y获得的步骤(b)(iii)和(b)(iv)温育子样品之后由源自存活率%的式(ii)的函数的两个药物浓度y’和y”之间的积分,其中lcti0,b被视为100%存活率,并且使用式(vi)计算:

其中药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

以及

所述ay:10-90,b值是落在存活率%的10%和90%界限之外的aucx,b表面,其中lcti0,a被视为100%存活率;

以及

-所述vusab值使用式(vii)计算,其中所述vusab值是在步骤(b)(v)至(b)(vii)温育子样品之后计数的lcti的自然对数的模型函数的药物a的两个药物浓度x’和x”与药物b的两个药物浓度y’和y”之间的二重积分,其中lcti0,a=lcti0,b,并且被视为100%存活率,并且使用式(vii)计算,

其中:

·药物浓度x’和x”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的x50,a值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的x50,a根据步骤(a)至(e)(i)计算;

·药物浓度y’和y”对应于在每个被诊断患有所述疾病的受试者的所述群体中获得的y50,b值的第20个和第80个百分位数的浓度,其中所述群体中每个受试者的y50,b根据步骤(a)至(e)(i)计算;

·emax,a=药物a引起的lpc的最大分数降低;

·emax,b=药物b引起的lpc的最大分数降低;

·x50,a=发挥emax,a的一半的药物a的ec50浓度;

·y50,b=发挥emax,b的一半的药物b的ec50浓度;

·x=药物a的浓度;

·y=药物b的浓度;

·

其中:

-γa=药物a的lcti-浓度曲线的陡度;

-γb=药物b的lcti-浓度曲线的陡度;以及

·αab=由双药物表面相互作用模型估计的协同参数,所述模型通过以下方式确定:在根据对于药物a的每个浓度x获得的(b)(i)和(b)(ii)提及的步骤、对于药物b的每个浓度y获得的(b)(iii)和(b)(iv)提及的步骤以及对于药物a和药物b的组合的每对浓度获得的b(v)、b(vi)和b(vii)提及的步骤温育所述受试者的子样品之后,将式(vii’)拟合到根据步骤(d)计数的lcti的实验值:

(iii)归一化标记值,包括nauca、naucb和/nvusab,其中:

-nauca是使用式(viii)计算的aucxy,a的归一化值;

nauca=100xaucxy,a/aucmax,a(viii)

-naucb是使用式(ix)计算的aucxy,b的归一化值;

naucb=100xaucxy,b/aucmax,b(ix)

-nvusab是使用式(x)计算的vusab的归一化值;

nvusab=100xvusab/vusmax,ab(x)

其中:

·aucmax,a=在每个被诊断患有所述疾病的受试者的群体中获得的aucxy,a的最大值,其中所述群体中每个受试者的aucxy,a根据步骤(a)至(e)(ii)计算;

·aucmax,b=在每个被诊断患有所述疾病的受试者的所述群体中获得的aucxy,b的最大值,其中所述群体中每个受试者的aucxy,b根据步骤(a)至(e)(ii)计算;以及

·vusmax,ab=在每个被诊断患有所述疾病的受试者的所述群体中获得的vusab的最大值,其中所述群体中每个受试者的vusab根据步骤(a)至(e)(ii)计算;

(f)选择:

(i)受试者的所述群体中每个受试者的根据步骤(e)(i)确定的药效参数值或多个药效参数值;和/或

(ii)受试者的所述群体中每个受试者的根据步骤(e)(ii)确定的活性标记值或多个活性标记值;和/或

(iii)受试者的所述群体中每个受试者的根据步骤(e)(iii)确定的归一化标记值或多个归一化标记值,和/或

(iv)受试者的所述群体中每个受试者的临床变量值或多个临床变量值,

其取决于对所述药物组合的临床耐药性或临床敏感性,由此当值独立于临床耐药性或临床敏感性的概率小于或等于0.05时,所述值是依赖性的,

其中所述临床变量中的每一个选自以下的组:诊断时的年龄、性别、细胞遗传学风险组、诊断时的未成熟细胞%、wbc计数、fab亚型、ecog体力状态、npm1基因中突变的存在和flt3基因中突变的存在;

其中:

·所述药物组合包含2或3种药物,其中

-药物a是阿糖胞苷并且药物b是伊达比星;以及

-所述药物组合任选地包含另外的药物c,所述药物c选自由氟达拉滨、依托泊苷、硫鸟嘌呤和氯法拉滨组成的组;

·所述组织是骨髓;以及

·所述疾病是急性随性白血病。

用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法另外包含另外的随后步骤(g)、(h)、(j)和(k)。相反地,用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法另外包括另外的最后步骤(g’)、(h’)和(j’)。

在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法中,步骤(g)包括使用步骤(f)中选择的值中的至少一个,使用用于受试者的所述群体的所述药物组合的广义线性模型(glm)或广义加性模型(gam)来创建响应函数,其中源自所述模型函数的接受者工作特征(roc)曲线的曲线下面积等于或大于0.8,并且所述曲线下面积的95%置信区间的下限大于0.5;在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统的实施方案中,用于进行创建响应函数的步骤(g)的装置包括至少一个计算机程序产品。

在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法中,步骤(h)包括由所述接受者工作特征曲线上的点计算步骤(g)中创建的响应函数的阈限:

-在所述点处敏感性和特异性最大化并且值相等(maxspse);或者

-在所述点处特异性优先于敏感性(mmct);或者

-所述点最接近(1,0)坐标平面(几何学)。

优选地,在所述点处敏感性和特异性最大化并且值相等。然而,降低的阈限(当特异性优先于灵敏度时实现)将导致更少的假阴性(和更多的假阳性),对应于roc曲线上的向右移动。在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统的实施方案中,用于进行计算响应函数的阈限的步骤(h)的装置包括至少一个计算机程序产品。

在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法中,步骤(j)包括使用步骤(g)中创建的响应函数以及以下各项,计算所述受试者中所述药物组合针对所述疾病的s/r值(即指示临床敏感性/耐药性的敏感性/耐药性值):

(i)所述受试者的根据步骤(e)(i)确定的药效参数值或多个药效参数值;和/或

(ii)所述受试者的根据步骤(e)(ii)确定的活性标记值或多个活性标记值;和/或

(iii)所述受试者的根据步骤(e)(iii)确定的归一化标记值或多个归一化标记值;和/或

(iv)所述受试者的临床变量值或多个临床变量值,

其是所述响应函数中的变量。换言之,通过将(j)(i)至(j)(iv)下提及的值引入所述响应函数中(其中相关),计算所述受试者中所述药物组合针对所述疾病的s/r值。在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统的实施方案中,用于进行计算s/r值的步骤(j)的装置包括至少一个计算机程序产品。

在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法中,步骤(k)包括通过将步骤(j)中计算的s/r值与步骤(h)中计算的阈限进行比较,确定在所述受试者中使用所述药物组合治疗所述疾病的功效,其中

-当所述s/r值等于或大于所述阈限时,所述疾病对所述受试者中使用所述药物组合的治疗敏感;以及

-当所述s/r值小于所述阈限时,所述疾病对所述受试者中使用所述药物组合的治疗具有耐药性。此外,当所述s/r值等于或大于所述阈限并且所述s/r值与所述阈值之间的差异很大(并且是正的)时,相比于当所述s/r值等于或大于所述阈限并且所述s/r值与所述阈值之间的差异很小(并且是正的)或者为零时,所述疾病对所述受试者中所述药物组合的治疗更敏感。类似地,当所述s/r值小于所述阈限并且所述s/r值与所述阈值之间的差异很大(并且是负的)时,相比于当所述s/r值小于所述阈限并且所述s/r值与所述阈值之间的差异很小(并且是负的)或者为零时,所述疾病对所述受试者中所述药物组合的治疗的耐药性更大。在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统的实施方案中,用于进行确定在所述受试者中使用所述药物组合治疗所述疾病的功效的步骤(k)的装置包括至少一个计算机程序产品。

因此,在用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的系统的一个实施方案中:

-用于进行分离组织样品的步骤的装置包括微流体干细胞分离设备;

-用于进行(b)中提及的温育步骤的装置包括细胞培养保温箱;

-用于进行添加至少一个标记的步骤的装置包括移液管或注入器;

-用于进行对活细胞的数量进行计数的步骤的装置包括细胞计;

-用于进行确定药效参数值、活性标记值和归一化标记值的步骤的装置包括至少一个计算机程序产品;

-用于进行选择的步骤的装置包括至少一个计算机程序产品;

-用于进行创建响应函数的步骤的装置包括至少一个计算机程序产品;

-用于进行计算所述响应函数的阈限的步骤的装置包括至少一个计算机程序产品;

-用于进行计算s/r值的步骤的装置包括至少一个计算机程序产品;以及

-用于确定使用所述药物组合治疗所述受试者中的所述疾病的功效的装置包括至少一个计算机程序产品。

在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法中,步骤(g’)包括计算使用所述药物a和所述药物b治疗所述受试者的评分s,其中所述评分对应于步骤(f)选择的值中的至少一个或者用其计算。用于将药物组合的效用分类的所述方法的优选实施方案中,所述评分s:

(i)在步骤(g’)中使用式(xix)计算:

其中:

·(nauc)d=所述治疗包括的每个药物的归一化值nauc;

·(nvus)cd=所述治疗包括的每个药物组合的归一化值nvus;

·d=所述治疗包括的药物的数量;

·c=所述治疗包括的药物组合的数量;以及

·f=多个药物治疗的补偿因数,其中:

或者

(ii)是选自(nvus)cd的nvus的值(即,s=nvusab,或者当所述药物组合包含药物a、药物b和药物c时,s选自nvusab、nvusac和nvusbc)。

在用于确定将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的系统的实施方案中,用于进行计算评分的步骤(g’)的装置包括至少一个计算机程序产品。

在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法中,步骤(h’)包括对于待分类的每个药物组合进行步骤(b)至(f)和(g’)。在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的系统的实施方案中,用于进行(h’)提及的步骤的装置与根据(a)至(f)和(g’)提及的步骤的那些相同。

在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法中,步骤(j’)包括使用步骤(g’)和(h’)确定的评分将每个药物组合分类,从而:

(i)评分大于80的药物组合归属于分类值为2的分类类别i;

(ii)评分小于或等于80且大于60的药物组合归属于分类值为1的分类类别ii;

(iii)评分小于或等于60且大于40的药物组合归属于分类值为0的分类类别iii;

(iv)评分小于或等于40且大于20的药物组合归属于分类值为-1的分类类别iv;或者

(v)评分小于或等于20的药物组合归属于分类值为-2的分类类别v,

从而:

-归属于具有正分类值或零分类值的分类类别的每个药物组合在被诊断患有疾病的受试者的治疗中具有最高或最大效用;以及

-归属于具有负分类值的分类类别的每个药物组合在被诊断患有疾病的受试者的治疗中具有最低或最小效用。归属于具有正分类值或零分类值的分类类别的每个药物组合是预计在所述受试者中所述疾病对其敏感的药物组合。类似地,归属于具有负分类值的分类类别的每个药物组合是预计在所述受试者中所述疾病对其具有耐药性的药物组合。优选地,归属于具有正分类值的分类类别的每个药物组合在被诊断患有疾病的受试者的治疗中具有最大效用,并且归属于具有负分类值的分类类别的每个药物组合在被诊断患有疾病的受试者的治疗中具有最小效用。更优选地,归属于最高正值的分类类别(即分类类别i)的每个药物组合在被诊断患有疾病的受试者的治疗中具有最大效用。在特别优选的实施方案中,评分大于80、更优选地大于85、甚至更优选地大于90的每个药物组合是归属于具有最高正分类值的分类类别(即分类类别i)的药物组合,其在被诊断患有疾病的受试者的治疗中就最高效用,并且在用于治疗方法中的处方的护理计划中选择如用于将药物组合的效用分类的方法和系统所确定的属于该分类类别的药物组合。落入该类别的每个药物组合是预测在所述受试者中所述疾病对其最敏感的药物组合。类似地,归属于最低负值的分类类别(即分类类别v)的每个药物组合在被诊断患有疾病的受试者的治疗中具有最小效用。落入该类别的每个药物组合是预测在所述受试者中所述疾病对其最耐药的药物组合。因此,分类类别i对应于在被诊断患有所述疾病的所述受试者的治疗中“更有效”的分类类别,分类类别ii对应于在被诊断患有所述疾病的所述受试者的治疗中具有“中高级”功效的分类类别,分类类别iii对应于在被诊断患有所述疾病的所述受试者的治疗中具有“中等”功效的分类类别,分类类别iv对应于在被诊断患有所述疾病的所述受试者的治疗中具有“中低级”功效的分类类别,并且分类类别v对应于在被诊断患有所述疾病的所述受试者的治疗功效的治疗中具有“不太有效”的功效的分类类别(图18)。

备选地,分类使得:

(i)评分大于(100-jj)的药物组合归属于分类值为1的分类类别i’;

(ii)评分小于或等于(100-jj)且大于jj的药物组合归属于分类值为0的分类类别iii’;或者

(iii)评分小于或等于jj的药物组合归属于分类值为-1的分类类别v’,

其中jj为选自5至30的值,优选地其中jj为选自10至20的值,

其中归属于具有正分类值的分类类别的每个药物组合在被诊断患有疾病的受试者的治疗中具有最大效用,并且归属于具有负分类值的分类类别的每个药物组合在被诊断患有疾病的受试者的治疗中具有最小效用。在分类的该备选形式中,分类类别i’对应于上文公开的分类类别i,分类类别iii’对应于上文公开的分类类别ii、iii和iv,并且分类类别v’对应于上文公开的分类类别v。

在步骤(j’)的备选方案中,用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法可以包括步骤(j’),所述步骤(j’)包括按步骤(g’)和(h’)确定的评分将每个药物组合评级,从而具有最高评分s的药物组合是在被诊断患有疾病的受试者的治疗中具有最大效用的药物组合(图19)。

在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的系统的实施方案中,用于将每个药物组合按评分顺序分类的装置包括至少一个计算机程序产品。

因此,在用于将包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的系统的一个实施方案中:

-用于进行分离组织样品的步骤的装置包括微流体干细胞分离设备;

-用于进行(b)中提及的温育步骤的装置包括细胞培养保温箱;

-用于进行添加至少一个标记的步骤的装置包括移液管或注入器;

-用于进行对活细胞的数量进行计数的步骤的装置包括细胞计;

-用于进行确定药效参数值、活性标记值和归一化标记值的步骤的装置包括至少一个计算机程序产品;

-用于进行选择的步骤的装置包括至少一个计算机程序产品;

-用于进行计算评分的步骤的装置包括至少一个计算机程序产品;以及

-用于按照评分次序将每个药物组合分类的装置包括至少一个计算机程序产品;

其中用于进行(h’)提及的步骤的装置与根据(a)至(g’)提及的步骤的那些相同。

注意,用于确定本发明的步骤(e)(ii)中公开的活性标记(auc和vus)的步骤包括将所述活性标记的计算限制产生最大信息量结果(即aucxy)的浓度范围和活性范围中的方法的步骤。当将所述活性标记的计算限制在产生最大信息量结果的浓度范围和活性范围中时,与当所述活性标记的计算使用整个浓度和活性范围时获得的相关性相比,实现了改善的相关性。

对于药物浓度范围,这样的限制由来自整个群体的结果分布的统计值限定,并且对应于ec50值的第20个和第80个百分位数。对于活性范围(存活率%),归一化值仅限于10%至90%的区间。这些限制在图17中示出,其中以所述限制为界的矩形代表在其上产生相关性的矩形。

因此,本发明还公开了将aucxy值用作基准面积的参考的归一化方法,该基准面积通过由上述相同限制描述的矩形限定,所述限制由整个群体结果和10%-90%响应区间定义。输出值naucxy(即n_aucxy)的范围为0至100%,并且相当于百分位数值范围,但是当在不遵循对称正态分布的群体中计算时,它克服了范围百分位数的限制。例如,在非常不对称的分布中,活性的最小变化可能意味着范围百分位数的巨大变化。对细胞毒性治疗的临床响应分布(尤其在一线患者中)通常是非常不对称的,显示出更高的朝向敏感响应的趋势。

通过将整个群体的行为视为基准,这种归一化提供了患者样品对治疗的响应的标准值。此外,该值能够将多个治疗所观察到的活性进行分类。活性的分类允许估计每种治疗功效以及粗略比较所提供的治疗。将活性分类的标准可以与多个等距区间或由任何其他标准定义的区间不同,包括例如引用已知响应率的引用。

因此,这种归一化使得能够生成多个治疗的分类,所述治疗可以作为治疗指南推荐给每个个体患者。为了实现上述分类,要考虑几个因素,诸如活性、敏感性、临床功效和毒性。药物和组合治疗的活性可以通过计算auc和协同作用来评估。结果是每次治疗的患者样本中都存在从较高到较低的一系列活性。显示较高活性的样品代表被确定为对该治疗更敏感的患者。相反,显示较低活性的样品代表被确定为对该治疗更耐药的患者。换言之,活性反映了患者对给定治疗的敏感性或耐药性。限定阈值以将患者分类为敏感、不确定或耐药是有帮助的。对于这个阈值,治疗的临床功效是相关的;例如,在急性髓性白血病(aml)中,阿糖胞苷+伊达比星(cyt+ida)的标准一线治疗在70%的患者中实现了完全缓解(良好的响应)。因此,如实施例1(cyt-ida相关性)所示,预测算法可以将大约70%的一线患者鉴别为敏感并且将大约30%的患者鉴别为耐药。备选地,在不具有临床相关性以验证阈值的情况下基于auc和协同作用的更简单的评分可以任意地限定安全的极端阈值,例如估计显示最高活性评分的20%样品以预测对该治疗高度敏感的患者。优选地,20%的显示最高活性评分的样品是落入评分大于80的分类类别i中的那些,更优选地15%的显示最高活性评分的样品是落入评分大于85的分类类别i中的那些,甚至更优选地10%的显示最高活性评分的样品是落入评分大于90的分类类别i中的那些,并且估计以预测对评分落入所述分类类别i的那些治疗高度敏感的患者。类似地,估计显示最低活性评分的20%样品以预测对所述相同治疗高度耐药的患者。

敏感患者相对耐药患者的上述预测(其鉴别对给定治疗最敏感的患者)仅在相同治疗中才有意义。将这样的活性评分分类与另一种不同的治疗进行比较是困难的,并且经常导致混淆。例如,在aml中存在具有类似平均活性的几种细胞毒性药物,但是许多治疗组合了2种药物并且其他治疗组合了3种药物(包括这2种药物加上第3种药物)。如果我们假设所有3种药物的剂量类似,则3-药物治疗恰好包括2-药物治疗加上额外的第3种药物。当第3种药物具有良好或显著的活性时,3-药物治疗具有比2-药物治疗更大的细胞毒性能力。然而,两种治疗的敏感性分类并未反映这一事实。相反,敏感性估计对3-药物治疗不利,因为如果第3种药物的敏感性低于其他2种药物,则总体3-药物敏感性将低于2-药物治疗,但是3-药物治疗更强。该实例显示出患者对给定治疗的敏感性的测量(可以由患者的代表性群体中所述治疗的活性计算)无法用于比较同一患者的不同治疗。

不同治疗的不同毒性,以及甚至相同治疗批准的不同剂量的不同毒性,或者更年轻健康相对于更年长虚弱患者的不同毒性,使得不同治疗的比较甚至更具挑战性。

比较治疗的难度尤其如此,因为其活性的绝对值(例如auc)并未归一化以比较药物与药物、治疗与治疗。此处提出的基于群体历史活性记录将auc归一化的新方法使得能够在其对个体患者的敏感性方面在不同治疗之间进行直接比较。在个体患者的样品中,可以使用活性评分(例如auc)定量地估计患者样品对每个治疗的相对敏感性(在类似患者的群体中归一化)。图19显示了使用这种特定方法将不同类型的患者分类而获得的评级。

在一个实施方案中,本发明的每个所述系统还包括用于为受试者规定护理计划的装置,其中当所述疾病被确定对所述受试者中使用所述药物组合的治疗敏感时(所述药物组合被确定在所述受试者的治疗中对所述受试者有效),所述护理计划规定所述药物组合。相应地,本发明的用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的所述方法或系统中的每一个还可以包括用于为受试者规定护理计划的装置,其中当所述疾病被确定为对所述受试者中使用所述药物组合的治疗敏感时,所述护理计划规定所述药物组合(即,所述护理计划是为所述受试者规定的,其中所述药物组合被确定在所述受试者的所述疾病的治疗中对所述受试者有效)。因此,本发明还涉及所述方法或系统在未所述受试者规定所述护理计划中的用途。

类似地,本发明的用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法和系统还可以包括为所述受试者规定护理计划,其中所述护理计划规定药物组合,所述药物组合选自被分类为在所述受试者的所述疾病的治疗中具有最高效用的药物组合。因此,本发明还涉及所述方法或系统在未所述受试者规定所述护理计划中的用途。

此外,本发明涉及一种治疗被诊断患有疾病的受试者的方法,所述方法包括向所述受试者施用药物组合,当根据用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法或系统时,所述疾病被确定为对所述受试者中所述药物组合的治疗敏感。

类似地,本发明涉及一种治疗被诊断患有疾病的受试者的方法,所述方法包括施用药物组合,所述药物组合选自这样的药物组合:根据用于将包含药物a和药物b的药物组合在被诊断患有所述疾病的治疗中的效用分类的方法或系统,所述药物组合被分类为在所述受试者的所述疾病的治疗中具有最高效用。

本发明还涉及用于确定在被诊断患有疾病的受试者中使用包含药物a和药物b的药物组合进行治疗的功效的方法或系统在确定来自每个被诊断患有疾病的受试者的群体的给定受试者是否适合纳入临床试验中的用途,所述临床试验涉及使用包含药物a和药物b的药物组合的治疗,其中:

-当所述疾病被确定对所述受试者中使用所述药物组合的治疗敏感时,选择所述受试者以纳入所述临床试验;以及

-当所述疾病被确定对所述受试者中使用所述药物组合的治疗耐药时,不选择所述受试者以纳入所述临床试验。

类似地,本发明涉及用于将各自包含药物a和药物b的药物组合在被诊断患有疾病的受试者的治疗中的效用分类的方法和系统在确定来自每个被诊断患有疾病的受试者的群体的给定受试者是否适合纳入临床试验中的用途,所述临床试验涉及使用包含药物a和药物b的药物组合的治疗,其中:

-当所述药物组合被分类为在所述受试者的所述疾病的治疗中具有最高效用时,选择所述受试者以纳入所述临床试验;以及

-当所述药物组合被分类为在所述受试者的所述疾病的治疗中具有最高效用时,不选择所述受试者以纳入所述临床试验。本发明的方法和系统的这样的用途确定来自每个被诊断患有疾病的受试者的群体的给定受试者是否适合纳入临床试验,所述临床试验涉及使用包含药物a和药物b的药物组合的治疗。当药物或其组合尚未被监管机构批准但是需要临床试验才能获得批准时,发现这些是特别有用的。因此,根据所述方法选择用于纳入所述临床试验的药物是伴随诊断(cdx),并且是用于该药物治疗的一类生物标记。所述伴随诊断用于选择可以用所述治疗进行治疗的患者,其在临床试验中意指选择标准;只有cdx鉴别为对治疗敏感的患者才可以纳入试验中。

实施例

以下实施例说明了本发明,并且不应被认为是限制,而是说明本发明。

材料和方法

(i)样品

123名18岁及以上的接受监测的新诊断急性髓性白血病(aml)患者(新发或继发于脊髓发育不良综合征,或治疗相关)用于相关性分析。所有123名患者都接受了使用伊达比星+阿糖胞苷(ida+cyt)3+7(由7天的标准剂量阿糖胞苷治疗和3天的伊达比星治疗组成的剂量方案,如下所述)的一线疗法。使用的该系列扩展到473名患者,包括用其他一线方案治疗的所有成人患者,以建立基于群体的药效(pd)模型。

aml的诊断和分类根据who(worldhealthclassification)标准进行(vardiman,etal2002)。

(ii)化学疗法方案、药物和评估

药物源自sigmaaldrich和selleckchemicals。

实施例1和2中的诱导治疗包括多达两个周期的以下组合:从第一天到第三天的静脉内(iv)伊达比星(ida)(12mg/m2/天),以及从第一天到第七天的iv连续输注阿糖胞苷(cyt)(200mg/m2/天)。在第一个周期后,在显示部分缓解(pr)的患者中施用第二个3+7诱导周期。如果患者在前两个相同的3+7诱导周期内达到完全缓解(cr)或不完全恢复(cri),则患者被认为是响应者。在响应评估之前在诱导期间死亡的患者被认为是不可评估的。其余患者被分类为耐药的。

(iii)pharmaflowpm实测

pharmaflowpm测试的代表性工作流程如图1所示,收集了该研究中应用的实验和分析方法。

a)原生环境全骨髓样品

使用维持骨髓(bm)微环境的pharmaflow平台(以前称为)进行离体药物敏感性分析。在开始诱导化学疗法之前在aml诊断时通过抽吸收集1至2ml的最小bm样品体积,并且在提取后24小时通过自动化方法处理。将样品与cyt、ida和/或cyt+ida一起温育48小时。该程序的更详细描述已在别处发表。(bennett,etal2014)

b)cyt、ida及其组合的离体活性的建模

通过对在增加的药物浓度下温育后保留的活病理细胞(lpc)的数量计数来进行药物响应的评估(upton&mould2014)。使用膜联蛋白v-fitc排出死亡细胞(凋亡)。使用基于pd群体的模型来分析药理学响应,(upton&mould2014)所述模型主要以非线性混合效应模型进行因变量(lpc的自然对数)的拟合,以得出典型的群体值(固定效应)以及患者间量级和残余变异性(随机效应)。

根据以下等式,使用交互选项与软件nonmem(v7.2)(beal,etal1989-2001),利用一阶条件估计方法进行模型开发:

其中lpc0(lcti0)参数是指在缺少药物的情况下温育后的lpc数量(lcti),emax代表药物可以引起的lpc的最大分数下降,ec50是发挥emax,的一半的药物浓度,并且γ是控制lpc相对于药物浓度(c)曲线的陡度的参数。对于相互作用分析,使用表面相互作用模型(greco,etal1995)来估计两种药物之间的系统程度(称为α参数)。

与所有参数相关的患者间变异性(ipv)通过变量组分的指数模型进行描述。附加误差结构用于残余变异性。使用来自与cyt温育的473名患者、与ida温育的456名患者和与cyt+ida温育的443名患者的骨髓(bm)样品来构建群体pd模型。然后使用贝叶斯估计方法来基于可用的暴露-响应测量连同pd群体参数检索个体患者参数。

通过基于模拟的程序视觉预测检查进行群体pd模型的评估(bergstrand,etal2011)。使用选择的模型和相应的参数模拟与原始实验场景相同的五百个实验场景。在每个模拟组和每个浓度水平,计算lpc分布的第2.5、50和97.5个百分位数,然后计算上述百分位数的95%置信区间,并且连同从原始数据获得的第2.5、50和97.5个百分位数用图表表示。

c)临床结果建模临床相关性的概率

将相对于lpc0(lcti0)归一化的个体响应曲线在对应于估计个体ec50值分布的第20个和第80个百分位数的浓度点之间积分,以获得用作离体药物效应的描述的曲线下面积(auc)的值(即auc越高,药物的细胞毒性效果(功效或效力)越低。

个体auc值与诱导疗法后的实际患者响应相关(未响应者[pr或耐药疾病]相对于响应者[完全缓解(cr)或完全缓解但不完全恢复(cri)])。使用基于二项分布的二元逻辑广义加性模型(gam)对未响应者的概率进行建模,所述二项分布包括cyt和ida的auc的一个双或两个单变量平滑函数。另外,lpc0的单变量平滑函数、α和对照孔中lpc百分比的温育前后差异(以检测自发细胞死亡的任何可能影响)也包括在内,但是之后丢弃,因为它们与临床响应不相关。此外,通过作为参数模型项引入辅助模型,研究药效数据上的相关患者特征的预测能力(年龄和性别、呈现的白细胞计数、体力状态、npm1或flt3基因中的突变和细胞遗传学风险组)。p-样条基用作单变量平滑函数的平滑器;单变量p-样条的张量积用于构建双变量平滑函数。所有平滑基都具有维度三。使用惩罚迭代重新加权最小二乘法来估计平滑函数的系数。缩放的akaike信息标准的最小值用于找到平滑参数的最佳值。

通过计算其临床预测值的gam模型逐一评估了除auc之外的另外的药效参数(表1中列出总计69个)。最佳参数是cyt和ida的auc,并且用于实现如上所述的最佳相关函数。

表1.分析的药效参数

(iv)数据收集和研究终点

自诊断以来前瞻性地收集人口统计学数据(性别、年龄)以及以下参数:从外周血获得的单核细胞的计数(pb中的wbc)、东部肿瘤协作组(ecog)体力状态、aml类型(法国-美国-英国(fab)分类,新发相对于继发aml)、核型(grimwade等人,2010)、flt3和npm1突变状态、血液学响应、3+7诱导周期的数量、响应日期、最后一次随访的日期以及缓解后疗法。监测所有数据收集表和临床记录。

主要终点是评估离体结果的预测能力。首先,记录和监测在用多达两个3+7诱导周期治疗的患者中观察到的cr/cri率。这与在同一队列的患者中进行的离体药物敏感性分析相关。作为次要终点,还根据诱导后观察和预测的响应计算总存活(os)概率。

由于预测一线诱导疗法的结果可能对老年患者最有益,因此通过在60岁以上的队列中(n=31)重新运行gam来进行临床相关性的敏感性分析。

(v)统计分析

响应概率模型使用在r环境(v3.4.3)中运行的mgcv包(v1.8–23)进行以用于统计计算(wood2006)。针对来自每个gam的作为未响应者的概率,计算经验接受者操作特征(roc)曲线。roc曲线的auc使用梯形法则计算。另外,为每条roc曲线建立三个分界点以限定阳性并且推导分类概率(敏感性和特异性)。一个使用几何标准,通过选择最接近(1,0)坐标([敏感性,1-特异性]平面的左上角)的点,又一个通过使敏感性和特异性二者最大化来设置并且另一个通过使错误分类成本项(greiner1996)最小化来设置,其中为假阳性分配了比假阴性更高的成本(相对于敏感性优先考虑特异性)。

使用kaplan-meier方法描述os,并且在根据上述三个不同的分界点使用简单cox回归在预测为未响应者和响应者的患者之间进行比较。

实施例1.伊达比星和阿糖胞苷诱导疗法后临床响应的预测

下面介绍一种确定在伊达比星(ida)和阿糖胞苷(cyt)3+7诱导后观察到的cr/cri率与药物活性的离体测试所测量的白血病化学敏感性之间的相关性的方法。本研究包括来自患有新诊断的aml的成人患者的骨髓样品。将全骨髓样品在含有ida、cyt或其组合的孔板中温育48小时。使用群体药效模型估计药理学响应参数。在多达两个3+7诱导周期的情况下达到cr/cri的患者被分类为响应者,并且其余为耐药者。总计123名患者符合纳入标准,并且可进行相关性分析的评估。最强的临床预测因子是cyt和ida的浓度响应曲线的曲线下面积。使用maxspse标准定义阳性所达到的总体准确度为81%,预测响应者(93%)比未响应者患者(60%)更好。离体测试提供了比细胞遗传学更好但类似的信息,然而可以在治疗前提供,代表有价值的及时添加。

结果

(vi)患者特征

总体而言,实验室接收了来自疑似aml患者的954份bm样品。其中,316份(33%)由于以下实验室技术问题而无法评估:

1)低样品细胞构成(187名患者),

2)温育后对照孔中的低细胞活力(低于60%)(67份),

3)样品量不足(<500μl)(38份),以及

4)其他原因诸如凝块样品(24份)。其他26名患者(3%)不符合诊断标准。在612份分析样品中,139份仅用于分析调整,并且不含有最终模型的必需数据。总体而言,473份患者样品(50%)用于构建pd模型,并且在其中的237份(50%)中监测了完整的数据集。在监测的患者中,114名不可进行相关性分析的评估,原因是:1)诱导死亡(20名患者),2)非一线治疗(11名),以及3)其他诱导方案(83名)。最后,123名监测的患者(52%)符合研究中定义的纳入标准,并且可进行相关性分析的评估。这123名患者中的主要患者和疾病特征在表2中示出。总之,中值年龄为50岁(范围,19至71岁),109名患者(89%)被诊断患有新发aml,并且21名患者(17%)被归类为具有高风险细胞遗传学。只有细胞遗传学风险组和少量地npm1基因中突变的存在与对诱导的临床响应和pm测试的结果显著相关。缓解后疗法包括33名患者(27%)中的同种异体干细胞移植(sct),以及66名患者(54%)中在进行或不进行自体sct的情况下的化学疗法。

表2.患者特征

(a)临床响应和几何标准。

数据缺失的患者未包括在相对频率的分母中。

amann-whitney检验;bpearson卡方检验

(b)使特异性和敏感性最大化以及相对于敏感性优先考虑特异性的标准。

数据缺失的患者未包括在相对频率的分母中。

amann-whitney检验;bpearson卡方检验

(vii)cyt-ida组合的离体pharmaflow测试表征

为单一药物pd模型生成了视觉预测检查图(图11)。大多数观察结果都包含在第2.5-97.5个群体百分位数的基于模拟的95%置信区间内,证明所选模型具有良好的可预测性。药效群体参数以及变异性和误差值在表3中示出。两种药物的最大分数效应(emax)的典型参数值都设置为1,并且限制在0-3的范围内。相互作用模型的α参数的典型值为1.1(表3),表明在离体组合实验中ida和cyt之间存在轻微的协同相互作用。

表3.离体群体药效参数的估计。

参数典型和随机(变异性和残余误差百分比)与相应的相对标准误差(计算为nonmem提供的标准误差与估计值之间的比率)一起显示。患者间变异性(ipv)的估计值表示为变异系数(%)。

(viii)用cyt-ida治疗的aml患者中的临床响应

在相关性研究中包括的123名患者中的92名患者(75%)中,在一个(88名,96%)或两个(4名,4%)相同的诱导周期后得到cr/cri。

(ix)离体活性和对cyt-ida的临床响应之间的相关性

图12描绘了由gam拟合的预测表面,代表对于观察到的个体auc值范围是未响应者的概率。提出的模型使用了cyt和ida的双变量平滑函数;使用单变量平滑的模型得到更差的拟合。较高的cyt和idaauc值与较大的未响应者概率相关,尽管这种关系是非单调的。基于所选的截止点,敏感性/特异性值的范围为81%/82%至61%/95%(图13,图片a)。尽管几何截止点平衡了这两个方面,但是roc曲线中最终选择的截止点是maxspse,以构建混淆矩阵并且得出分类概率,实现高值的特异性和敏感性,以及良好的ppv和npv(图13,图片b)。阳性/阴性预测值(ppv/npv)的范围为60%/93%至79%/88%[即使用上述maxspse标准定义阳性所得到的准确率为81%,预测响应者(93%,npv)比未响应者患者(60%,ppv)更好]。在图13中,图片b显示了使用maxspse截止点获得的混淆矩阵。

敏感性分析表明,pm测试的预测能力在年龄≥60岁的队列中保持不变,尽管在这种情况下,大部分判别信息由cyt数据提供;年长患者中的idaauc值通常较高。

(x)根据离体活性和观察到的临床响应的总存活率(os)

无论用于将他们分类的分界点如何,预测为未响应者的患者的os都明显短于预测为响应者的患者(换言之,预测为响应者的患者的估计os明显更好)。预测为未响应者的患者中的中值os在344至589天的范围内(图14)。这在预测为响应者的患者中未达到。死亡的风险比(hr)(预测为未响应者的患者相对于响应者)的范围为2.46(1.38-4.36,图片a)至3.44(1.88-6.28,图片c)。由实际临床响应定义的组的值是相似的(未响应者中的中值os:279天;hr[耐药相对于cr/cri]:3.17)。

结论

这种使用pharmaflowpm平台进行离体测试的新方法提供了药物敏感性参数,该参数被整合到灵活的广义加性逻辑回归模型中,在使用ida-cyt3+7进行一线诱导后具有出色的血液学响应预测准确性。在外部队列中进行验证后,我们的诊断工具能够用于选择3+7方案相对于替代方案的aml患者。

实施例2.

所述的精准医疗(pm)测试通过评分将治疗评级,该评分估计每个治疗在患者样品的群体中的活性。较高的评分代表对治疗的离体敏感性较高,而较低的评分代表对治疗的离体敏感性较低,即离体耐药性较高。特定格式的pm测试结果显示在图19中(图片a和b),其中显示了通过活性评分对治疗的评级,从100%=最高到0%=最差(评分可以使用颜色/色调渐变或分类以图形表示)。鉴别了以下3个类别:

1.对治疗非常敏感,预期在患者中敏感,评分为80-100%(顶部)

2.对治疗具有中等敏感性,无法推断患者敏感性,20-80%(中间)

3.对治疗非常耐药,评分为0-20%(底部)

图19中的pm测试格式比较了每种患者类型(敏感、标准、耐药和非常耐药的患者类型)的32种不同治疗,按评分将它们在列表中评级,其中最敏感的治疗在每个列表的顶部。在敏感患者的情况下,只有一种在离体时所述疾病对其非常敏感的治疗(参见最高的治疗),并且因此预期在患者中是敏感的。对于所述敏感患者,在列表底部存在预测所述疾病对其耐药的五种离体治疗。

为了验证这些pm测试评分结果的预测能力,采用了在实施例1的相关性研究中使用的用cyt+ida均匀处理的一组123份样品。仅使用112份样品进行验证。为了评估pm测试评分的预测能力,在图19示出的格式中,图片a是指敏感患者,我们只能使用预测为敏感或耐药的患者。具有中等评的治疗被认为不足以预测任何响应。在中等评分的情况下,其他因素诸如药代动力学可能比评分更重要。另一方面,极端评分更可能胜过其他因素诸如药代动力学。

用cyt+ida治疗的112名患者的一组数据代表了aml的一线治疗,响应率为72%。这意味着这112名患者中的72%在临床上实现了完全缓解(cr)。大多数患者是敏感的,少数患者是耐药的。因此,通过计算pm测试评分预测患者对离体治疗敏感的病例的%来改善统计。这意味着只选择预期患者对其非常敏感的治疗,其中评分为80-100%。敏感(响应)患者的准确预测的%被称为阴性预测值(npv)。

表4和图20显示了该分析的结果。顶图中的表格显示了针对评分选择的不同阈值,从55到100。对评分在该可变阈值和100%之间的样品进行分析并且预测为敏感的,因为它们具有高评分。显示了单一疗法cyt和ida以及组合治疗的结果。重点放在向患者施用的组合治疗cyt+ida上。表4的第8至10栏显示了不同阈值的组合治疗cyt+ida的结果。意味着在55至100%之间的最低阈值55%(第3行)鉴别了112份样品中将被预测为敏感的93份。然而,表4的第8和9栏中的结果显示了在这93名患者中,在临床上有16名是耐药的并且有77名是敏感的。因此,预测准确率或npv为77/93=82.8%。随着阈值增加(表4第1栏,递减),包含的评分范围变窄,因为最大值总是100%。因此,随着阈值增加,包含的样品总数减少,在100%时达到0份样品(100-100%)并且在95%时达到18份

样品。可以观察到敏感或耐药样品数量的减少(表4第8和9栏,递减)。然而,对于95-100%的选择,npv或预测准确率(%sen,表4第10栏)增加到94.4%。因此,评分越高,预测越好(此外,中间敏感性值提供的预测不比极端值准确)。

为pm测试选择80%的阈值,因为它提供了91%npv预测准确度:在一组等效样品上(123份代替112份),其与实施例1显示的相关性分析具有类似的预测准确度。80%阈值的线在表4中以斜体突出显示。在该80-100%阈值中包括总计65名患者(6+59=65)。这意味着112名患者中有65名的评分在前20%,即患者样品在评分中的分布是不对称:相较于较低的评分,较高百分比的样品具有较高的评分。这种不对称的原因归因于一线aml治疗的高响应率,其中72%的患者是敏感的并且实现完全响应。因此,它们集中在较高评分的样品的不对称分布与观察到的总体临床响应一致。在图20中,图片a显示了根据使用该80%的阈值的评分以及91%的最终npv或预测准确率分类的敏感和耐药样品的分布。

表4:耐药患者的数量以及评分大于或等于指示评分的敏感患者的数量和百分比

在这组cyt+ida中,pm测试评分的预测相对于临床响应数据的相关性的比较表明,在选择80%的阈值时,pm测试预测112份样品中58%(65份)是敏感的,其中准确率(npv)为91%。相比之下,相关性预测66%的样品是敏感的,其中准确率(npv)为93%(参见图20中的图片b)。两种方法的预测准确率或npv是类似的。临床响应率也是类似的,对于pm测试为72%并且对于相关性为75%。关键区别在于,相关性预测66%的样品是敏感的,相比之下75%是临床上敏感的,而pm测试预测58%的样品是敏感的,相比之下72%是临床上敏感的。因此,pm测试相较于相关性分析是简单得多的方法,但是仍以类似的准确率预测了敏感性。

实施例3.在被诊断患有急性髓性白血病的六名患者中用包含药物a和药物b的药物组合进行诱导疗法治疗后临床响应预测与结果

骨髓样品从六名被诊断患有aml的成人患者(00281、00183、00218、00096、00086和00082)中获得。按照与实施例1所述相同的实验设计,将所述骨髓样品在含有表5和6中公开的组合所包括的药物对或含有每个组合中的每种单独药物的孔板中温育72小时。确定了如表3所示的相同的单一药物和药物组合药效参数。使用群体药效模型估计药理学响应参数。最强的临床预测因子是单一药物浓度响应曲线的曲线下面积(auc)和药物浓度相互作用响应表面中的表面下体积(vus)。根据本文和权利要求30中定义的式(xix)的表达式,一旦归一化,则使用auc和vus值计算每个组合的评分(s)。

独立地,患者00281和00096用包含阿糖胞苷(ara-c)和伊达比星(ida)的药物组合治疗,患者00183、00086和00082用包含阿糖胞苷(ara-c)和柔红霉素(dnr)的药物组合治疗,并且患者00218用包含阿糖胞苷(ara-c)和米托蒽醌(mit)的药物组合治疗。在预测任何给定的前述药物组合之前为每名患者选择所述药物组合,并且确定在每名患者中任何给定的前述药物组合的临床响应和用所述药物组合治疗的临床结果对所述药物组合是耐药的或敏感的,由此获得多达两个诱导周期的cr/cri的患者被分类为对药物组合敏感(即对其响应),并且其余的被分类为耐药。

结果:根据离体活性和观察到的临床响应的评分(s)

在预测为未响应者的那些患者(00096、00086和0082,参见表6)中治疗每名患者的特定药物组合的评分显著低于预测为响应者的患者(00281、00183和00218,参见表5),而不管用于对它们进行分类的截止点如何(换言之,估计评分在预测对治疗敏感的患者中显著更高)。尽管来自本发明的pm测试方法的信息并未用于规定治疗,但是可以看出,所述pm测试方法将正确预测所测试药物组合的结果。此外,在患者00183的情况下,给予所述患者的治疗与使用本发明的方法也给出最高评分的药物组合(阿糖胞苷和柔红霉素)一致。

表5.急性髓性白血病患者在体内治疗中对其展现敏感性的药物组合、其评分以及其他药物组合的评分

表6.急性髓性白血病患者在体内治疗中对其耐药的药物组合、其评分以及其他药物组合的评分

实施例4.在三名被诊断患有多发性骨髓瘤(mm)的受试者和三名被诊断患有急性淋巴性白血病(all)的受试者中用包含药物a和药物b以及任选地药物c(或另外的药物)的药物组合进行诱导疗法治疗后临床响应预测与结果

骨髓样品从三名被诊断患有mm的成人患者(vivia-pmmm010431、vivia-pmmm060111和vivia-pmmm130061)以及三名被诊断患有all的成人患者(vivia-pmall07002、vivia-pmall04001和vivia-pmall09001)中获得。按照与实施例1和3所述相同的实验设计,将所述骨髓样品在含有图21至26所示的单一药物的孔板中温育48小时。通过流式细胞术测量病理群体后,使用群体药效模型估计药理响应参数。关于在一组样品中观察到的和在数据库中存储的相同参数的统计分布,药物效力的最具代表性的参数ec50用于所述骨髓样品提供的结果的比较分析。这样的群体的大小因药物而异,在mm的情况下总是超过一百个个体,并且在all的情况下为15至21个个体。

图21显示了用包含硼替佐米、苯达莫司汀和强的松龙的药物组合治疗并且在诱导治疗后实现完全响应的患者vivia-pmmm010431的比较分析。一致地,离体结果显示了三种药物的有效活性,硼替佐米的ec50低于第一个四分位数,并且苯达莫司汀和强的松龙的ec50低于第10个百分位数。

患者vivia-pmmm060111用硼替佐米和地塞米松的组合治疗,在诱导后具有部分临床响应。测试结果显示(图22),硼替佐米具有中等活性,并且地塞米松不具有活性。一致地,根据其作为mtor抑制剂的作用机制,来自同一家族的所有药物都提供了类似且非常敏感的结果,表明该家族的任何药物都可以被视为该患者的有效替代治疗。

在三个不同化学疗法周期后,患者vivia-pmmm130061对它们全部耐药。第一个周期包括硼替佐米和地塞米松的组合。第二个周期包括相同的药物加沙利度胺,并且在第三个周期中硼替佐米和地塞米松改为与苯达莫司汀组合。测试的离体结果显示出四种药物具有非常弱的活性。类似地,测试显示出多达六种不同药物对肿瘤细胞群具有中等活性或高活性,这可能提供更高的临床响应(图23)。

all患者vivia-pmall07002在组合了以下五种不同药物的多种疗法后实现了完全响应:柔红霉素、长春新碱、强的松龙、l-天冬酰胺酶和环磷酰胺。如图24所示,离体测试结果显示出五种药物具有中等活性或高活性。

二线患者vivia-pmall04001在使用以下四种药物的组合疗法后实现了完全响应:氟达拉滨、伊达比星、阿糖胞苷和强的松龙。在离体测试中伊达比星显示出非常有效的活性,而阿糖胞苷和氟达拉滨显示出中低活性。一线治疗所包括的药物如柔红霉素、米托蒽醌或长春新碱在离体测试中显示出低活性或耐药性(图25)。

all患者vivia-pmall09001在组合了以下四种不同药物的多重疗法后实现了完全响应:柔红霉素、长春新碱、强的松龙和伊马替尼。离体测试结果显示,除了无法测试的伊马替尼以外,所有这些药物都具有高活性(图26)。

参考文献

1.beal,s.l.,sheiner,l.b.,boeckmann,a.j.&bauer,r.j.(1989-2001)nonmemusersguides.icondevelopmentsolutions,ellicotcity,maryland.

2.bennett,t.a.,montesinos,p.,moscardo,f.,martinez-cuadron,d.,martinez,j.,sierra,j.,garcia,r.,deoteyza,j.p.,fernandez,p.,serrano,j.,fernandez,a.,herrera,p.,gonzalez,a.,bethancourt,c.,rodriguez-macias,g.,alonso,a.,vera,j.a.,navas,b.,lavilla,e.,lopez,j.a.,jimenez,s.,simiele,a.,vidriales,b.,gonzalez,b.j.,burgaleta,c.,hernandezrivas,j.a.,mascunano,r.c.,bautista,g.,perezsimon,j.a.,fuenteade,l.,rayon,c.,troconiz,i.f.,janda,a.,bosanquet,a.g.,hernandez-campo,p.,primo,d.,lopez,r.,liebana,b.,rojas,j.l.,gorrochategui,j.,sanz,m.a.&ballesteros,j.(2014)pharmacologicalprofilesofacutemyeloidleukemiatreatmentsinpatientsamplesbyautomatedflowcytometry:abridgetoindividualizedmedicine.clinlymphomamyelomaleuk,14,305-318.

3.bergstrand,m.,hooker,a.c.,wallin,j.e.&karlsson,m.o.(2011)prediction-correctedvisualpredictivechecksfordiagnosingnonlinearmixed-effectsmodels.aapsj,13,143-151.

4.greco,w.r.,bravo,g.&parsons,j.c.(1995)thesearchforsynergy:acriticalreviewfromaresponsesurfaceperspective.pharmacolrev,47,331-385.

5.greiner,m.(1996)two-graphreceiveroperatingcharacteristic(tg-roc):updateversionsupportsoptimisationofcut-offvaluesthatminimiseoverallmisclassificationcosts.jimmunolmethods,191,93-94.

6.grimwade,d.,hills,r.k.,moorman,a.v.,walker,h.,chatters,s.,goldstone,a.h.,wheatley,k.,harrison,c.j.&burnett,a.k.(2010)refinementofcytogeneticclassificationinacutemyeloidleukemia:determinationofprognosticsignificanceofrarerecurringchromosomalabnormalitiesamong5876youngeradultpatientstreatedintheunitedkingdommedicalresearchcounciltrials.blood,116,354-365.

8.upton,r.n.&mould,d.r.(2014)basicconceptsinpopulationmodeling,simulation,andmodel-baseddrugdevelopment:part3-introductiontopharmacodynamicmodelingmethods.cptpharmacometricssystpharmacol,3,e88.

9.vardiman,j.w.,harris,n.l.&brunning,r.d.(2002)theworldhealthorganization(who)classificationofthemyeloidneoplasms.blood,100,2292-2302.

10.wood,s.n.(2006)generalizedadditivemodels.anintroductionwithr.chapman&hall/crc,bocaraton,florida.

当前第1页1 2 
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