t特征可能有 用，因为我们相信这些与患者针对癌症存在的免疫和炎性应答有关（参见美国专利申请公 开2011/0208433)。事实上，已发现只要正确定义分类器训练集并改变谱预处理流程，如下 所述，VeriStrat测试（参见下表3和4)中使用的谱的质谱特征即可被用于胰腺癌研究中 的分类。对分类器设计和训练集的这一发现将在以下部分中描述。
[0087] 分类器设计
[0088] 设计能将患者分为对GI-4000治疗具有更好和更差的预后的分类器的起点是定 义更好和更差的无复发生存率（RFS)患者的训练集。基于RFS次数的分布，决定将快速复发 ("快"）的患者定义为那些在276天之前复发的患者，将缓慢复发（"慢"）的患者定义为在 500天前没有复发事件的患者。这样给出了一个训练集，其中有20名患者在〃快〃组，14 名患者在〃慢〃组，9名患者具有中间的RFS次数（注：事实上在276天之前有21名出现 RFS事件的患者，但是这些患者之一的谱在开始本项目的时候遗失了，因此该名患者在一开 始没有包括在〃稀释并发射〃和150, 000发射数的DeepMLDI分析的训练集之内，而仅仅 用在分类器应用到整个患者群时。对于500, 000发射数的DeepMALDI分析，该患者被包括 在训练集中，一名复发时间长的患者被排除在外，因为确认在治疗中该患者的血楽样品已 被取走。）通过取不同的截止点来定义〃慢〃和〃快〃组，或通过至死亡的快速和缓慢的时 间来定义它们，也将可能产生类似的结果。
[0089] 已经定义了 〃快〃和〃慢〃组的训练集之后，使用美国专利No. 7, 736, 905的方 法预处理要被比较的质谱，包括背景剪除、部分离子流标准化和谱对齐。对稀释并发射谱 和DeepMALDI谱预处理的细节不相同，虽然大致程序相似。首先估计背景并从谱中减去。 将谱标准化至部分离子流。用于计算部分离子流的区域可以多种方法选择，只要其能排除 谱中的最强和最可变峰。在下文给出结果的稀释并发射分类器例子中，用于部分离子流计 算和标准化的区域是3kDa-ll. 4kDa、13kDa-15kDa和16. lkDa-30kDa，但是也可进行其它选 择。例如对基于500, OOO发射数的DeepMLDI谱的分类器，用于部分离子流标准化的区域是 4. 9kDa-6. 54kDa、12kDa-13. 5kDa和18kDa-27kDa。估计了谱中的噪音。一旦在谱中检测到 峰，则使用一系列对齐点将谱进行对齐。一系列对齐点可以通过选择在与大部分待对齐的 谱共同的谱中检测到的峰的子集来编辑，或可从之前经验中已知存在于大部分谱的峰中提 前选择。在下述稀释并发射分类器的情况中，根据之前的经验选择了以下对齐点。这些是在 下述 m/z 位置的峰：6434. 5,6632· 1，11686. 9,12864. 8,15131. 1，15871. 5 和 28102. 5。值得 注意的是，如果使用从样品中获得质谱数据的DeepMLDI方法（参见下文解释），谱中的其 他特征也可被用于部分离子流标准化和谱对齐，可使用更适合DeepMALDI谱背景减除的预 处理方法。例如，在下述基于500, 000发射数DeepMALDI谱的分类器，使用了下述对齐点： 3315,4153,4457,4710,4855,5289,6431，6629,6835,7561，7931，8202,8807,8912,9707， 12856,13735,14031，14134,15117,15856,17366, 21046, 27890, 28019, 28067 和 28228。然 而，应当注意但是，对齐数量和位置的其他选择对于两种谱获得方法是可能的。
[0090] 谱预处理使得其能够彼此比较，从而基于从外部考虑定义的特征，其可以用于产 生分类器，或者可以比较谱的组，以确定各组间差异化表达的特征，然后可以选择这些特征 的一个子集，并使用这一系列特征建立分类器。具有下述结果的一个分类器是使用从外部 考虑确定的特征构建的。
[0091] 由于已确信VeriStrat分类器中使用的质谱特征（参见下表3和4)与关联宿主对 肿瘤存在的应答的炎性过程有关（参见我们之前于2011年2月22日提交的美国专利申请 系列号12/932, 295,在此引入作为参考），且这与免疫系统对肿瘤的应答有关，因此有兴趣 尝试使用具有由GI-4000治疗后患者的复发次数定义的新的参考集的谱的8个VeriStrat 特征。结果见下述图3。然而，可以使用在两个参考集的组的比较过程中发现的二者不同的 特征来构建其它的分类器。对于稀释并发射谱这些特征包括下述一种或更多种：
[0092] 表 1
【主权项】
1. 一种预测癌症患者是否可能从单独或配合另一抗癌治疗的针对癌症施用的基于酵 母的免疫应答生成型治疗中受益的方法，包括如下步骤： (a)获得患者血液来源的样品； 化）对该样品进行质谱测定并从该样品获得质谱； (C)在程序计算机中，对该质谱执行一个或多个预定义的预处理步骤，在执行预处理步 骤之后，在预定义的m/z范围内获取所述质谱中所选特征的累积强度值，并将累积强度值 与包括来自其他癌症患者的分类标签谱的训练集进行比较并用一个分类标签对该质谱进 行分级； 其中该分类标签预测患者是否有可能从单独或配合其它抗癌治疗进行的基于酵母的 免疫应答生成型治疗中雙益。
2. 权利要求1的方法，其中基于酵母的免疫治疗包括针对突变Ras阳性癌症的基于酵 母的免疫治疗。
3. 权利要求3的方法，其中针对突变Ras阳性癌症的基于酵母的免疫治疗包括 GI-4000或等价物。
4. 权利要求3的方法，其中针对突变Ras阳性癌症的基于酵母的免疫治疗协同吉西他 滨或等价物对患者进行治疗。
5. 权利要求1的方法，其中癌症患者包括膜腺癌患者。
6. 权利要求2的方法，其中癌症患者包括膜腺癌患者。
7. 权利要求1的方法，其中训练集包括来自其他癌症患者的分类标签谱，所述患者从 施用单独或联合其它抗癌治疗的基于酵母的免疫应答生成型治疗或免疫治疗中受益或不 受益。
8. 权利要求1的方法，其中选择的特征包括表1、2、3、4、5、或6中列举的一种或多种特 征。
9. 一种预测癌症患者是否不可能从单独或联合其它抗癌治疗施用的基于酵母的免疫 应答生成型治疗中受益的方法，包括如下步骤： (a)获得患者血液来源的样品； 化）对该样品进行质谱测定并从该样品获得质谱； (C)在程序计算机中，对该质谱执行一个或多个预定义的预处理步骤，在执行预处理步 骤之后，在预定义的m/z范围内获取所述质谱中所选特征的累积强度值，并将累积强度值 与包括来自其他癌症患者的分类标签谱的训练集进行比较，并用一个分类标签对该质谱进 行分级； 其中分类标签预测患者是否不可能从单独或联合其它抗癌治疗使用的基于酵母的免 疫应答生成型治疗中受益。
10. 权利要求9的方法，其中针对癌症的基于酵母的免疫治疗包括针对突变Ras阳性癌 症的基于酵母的免疫治疗。
11. 权利要求10的方法，其中针对突变Ras阳性癌症的基于酵母的免疫治疗包括 GI-4000或等价物。
12. 权利要求10的方法，其中预测患者不可能从联合吉西他滨或等价物施用的针对突 变Ras阳性癌症的基于酵母的免疫治疗中受益。
13. 权利要求9的方法，其中癌症患者包括膜腺癌患者。
14. 权利要求9的方法，其中训练集包括来自其他癌症患者的分类标签谱，所述患者从 施用单独或联合其它抗癌治疗的免疫治疗中受益或未受益。
15. 权利要求9的方法，其中选择的特征包括表1、2、3、4、5或6中列举的一种或多种特 征。
16. -种用于预测癌症患者是否有可能从单独或联合其它抗癌治疗施用的基于酵母的 免疫应答生成型治疗中受益的系统，包括，组合的： 质谱仪，从来自癌症患者的血液来源的样品中产生质谱； 机器可读存储器，存储来自其他癌症患者的分类标签谱的训练集，该训练集包括来自 多个未从单独或与另一种抗癌剂联合施用的基于酵母的免疫应答生成中受益的患者的分 类标签谱，和来自多个从单独或与另一种抗癌剂联合施用的免疫应答生成型治疗中受益的 患者的分类标签谱；和 计算机系统，配置为对所述质谱进行操作并使用所述训练集对质谱进行分类、生成该 质谱的分类标签，其中该分类标签预测患者是否可能从单独或与另一种抗癌剂联合施用的 基于酵母的免疫应答生成型治疗中受益。
17. 权利要求16的系统，其中该分类标签预测患者是否可能从施用针对突变Ras阳性 癌症的基于酵母的免疫治疗中受益。
18. 权利要求16的系统，其中针对突变Ras阳性癌症的基于酵母的免疫治疗包括 GI-4000或等价物。
19. 权利要求16的系统，其中该分类标签预测患者是否可能从对患者施用GI-4000和 吉西他滨中受益。
20. 权利要求16的系统，其中癌症患者包括膜腺癌患者。
21. 权利要求16的系统，其中所述计算机被配置为获得所述谱Wm/z范围表示的特征， 包括表1、2、3、4、5或6中列举的一种或多种特征的累积强度值。
22. -种用于预测癌症患者是否不可能从单独或联合其它抗癌治疗施用的基于酵母的 免疫应答生成型治疗中受益的系统，包括，组合的： 质谱仪，从来自癌症患者的血液来源的样品中产生质谱； 机器可读存储器，存储来自其他癌症患者的分类标签谱的训练集，该训练集包括来自 多个未从单独或与另一种抗癌治疗联合施用的免疫应答生成中受益的患者的分类标签谱， 和来自多个从单独或与另一种抗癌剂联合施用的免疫应答生成型治疗中受益的患者的分 类标签谱；和 计算机系统，配置为对所述质谱进行操作并使用所述训练集对质谱进行分类、生成该 质谱的分类标签，其中该分类标签预测患者是否不可能从单独施用或与另一种抗癌剂联合 施用的基于酵母的免疫治疗中受益。
23. 权利要求22的系统，其中基于酵母的癌症免疫治疗包括针对突变Ras阳性癌症的 基于酵母的免疫治疗。
24. 权利要求23的系统，其中针对突变Ras阳性癌症的基于酵母的免疫治疗包括 GI-4000或等价物。
25. 权利要求24的系统，其中分类标签预测患者是否不可能从施用GI-4000和吉西他 滨中受益。
26. 权利要求24的系统，其中癌症患者包括膜腺癌患者。
27. 权利要求22的系统，其中所述计算机被配置为获得所述谱W m/z范围表示的特征， 包括表1、2、3、4、5或6中列举的一种或多种特征的累积强度值。
28. 权利要求1的方法，其中对样品执行质谱的步骤包括执行MALDI TOF质