基于细胞的探询式分析及其应用的制作方法

文档序号：6167740阅读：355来源：国知局

基于细胞的探询式分析及其应用的制作方法
【专利摘要】本文描述的是一个用于通过建模来分析生物系统或过程(例如，疾病状态，如癌症)的发现平台技术。
【专利说明】基于细胞的探询式分析及其应用
[0001] 相关申请
[0002] 本申请要求2012年4月2日提交的61/619326号美国临时申请、2012年7月6日提交的61/668617号美国临时申请、2012年4月4日提交的61/620305号美国临时申请、 2012年6月28日提交的61/665631号美国临时申请、2012年8月1日提交的61/678596 号美国临时申请和2012年8月1日提交的61/678590号美国临时申请的优先权，其中各自的全部内容明确地通过引用在此引入。
[0003] 发明背景
[0004] 自从我们今天称为分子生物学先驱的James Watson和Francis Crick在1964年发现了DNA以来，新药开发已有很大的发展。分子生物学的工具和产品使得能够在DNA和 RNA水平快速、详细和精确地测量基因调控。在该范式变革性的发现后的三十年间从上述平台出现了敲除动物模型、关键酶联反应及发病机制和病理生理学的新知识。在2000年春季，当Craig Ventor和Francis Collins宣布了人类基因组的最初测序时，科学界掀起了医药学的新浪潮。
[0005] 基因组作图立即点燃了例如能够控制疾病（甚至在疾病起始之前）、使用基因治疗来逆转导致阿尔兹海默氏病或帕金森氏疾病的退化性脑进程和可以被引入到肿瘤的部位并在恢复正常的组织结构和生理的同时导致疾病消灭的构建体的希望。其他人则采取了有争议的纠结态度并提出产生在眼睛或头发的颜色、身高等方面想要的后代的概念。然而十年后，我们仍然没有看到特别的途径使得能够期待基因治疗的持续成功，或甚至遗传过程的基本控制。
[0006] 因此，一个显而易见的现实是，遗传学（至少独立于支持结构）没有推动生理学的终点。事实上，许多过程如转录后修饰、突变、单核苷酸多态性（SNP)和翻译后修饰可以改变基因和/或其编码的互补蛋白质的本性（providence)，并因而造成疾病过程。
[0007] 发明概述
[0008] 信息化时代和互联网的建立已经允许信息过载，同时也促进了国际性合作和评判。具有讽刺意味的是，上述的现实也可能是科学界忽略了几个简单的点的原因，包括细胞和/或组织内部及之间的信号级联和交互（cross-talk)的通讯允许在出差错时发生用于纠正机制的体内稳态和消息发送。
[0009] 一个恰当的例子涉及到心血管疾病（CVD)，这仍然是在美国和许多发达国家中的主要死亡原因，仅在美国每2. 8例死亡中占1例。此外，CVD作为基础的病理造成相关的并发症，如慢性肾脏病（?1900万US病例）、慢性疲劳综合征和代谢综合征的关键因素。与诊断学、微创外科技术、药物洗脱支架和有效的临床监测相关的重大技术进步已经在介入心脏病学领域中开创了空前增长的时期，也使得CVD的管控更加有效。然而，与CVD及其并发症（如糖尿病和周围血管疾病）相关的疾病病因尚未完全阐明。
[0010] 仍然缺乏探索涉及生物学过程如疾病状态（例如，CVD)的病因学的机制和途径，以及鉴别关键的调控途径和/或目标分子（如"药物靶标"）和/或用于更好的疾病诊断、管控和/或治疗的标志物的新方法。
[0011] 本文所描述的发明至少部分地基于网络生物学、基因组学、蛋白质组学、代谢组学、转录组学和生物信息学的工具和方法的新型的协同应用，它们在结合时可利用系统生物学方法而用于研宄任何目标生物系统，如所选的疾病状态，包括癌症、糖尿病、肥胖症、心血管疾病和血管生成。在第一步骤中，开发了细胞建模系统以探测各种不同生物系统，如疾病过程，其中包含经受各种疾病相关环境刺激（例如，高血糖症、缺氧、免疫应激和脂质过氧化、细胞密度、血管生成激动剂和拮抗剂）的疾病相关细胞。在一些实施方式中，细胞建模系统涉及各种相互作用的细胞类型（如主动脉平滑肌细胞（HASMC)、近端小管肾细胞 (HK-2)、主动脉内皮细胞（HAEC)和真皮成纤维细胞（HDFa))之间的细胞交互机制。通过使用几种技术的组合，包括例如，切割边界质谱（cutting edge mass spectrometry) (LC/ MSMS)、流式细胞术、基于细胞的分析和功能分析，获得来自细胞模型系统的高通量生物学读数。然后通过体外、体内和计算机建模对高通量生物学读数进行生物信息学分析来研宄叠合数据趋势（congruent data trend)。由此产生的矩阵允许其中开发线性和非线性回归分析以达到确证压力点（conclusive pressure point)(或"枢纽（hub)"）的交叉相关数据挖掘。本文所提出的这些"枢纽"都是药物开发的候选者。特别是，这些枢纽代表潜在的药物靶标和/或疾病标志物。
[0012] 差别的分子印记使得能够深入了解规定了导致疾病发作和发展的组织微环境中的改变的机制。总的来说，上述技术平台与战略性细胞建模的结合赋予了可被用于进一步建立对疾病的理解而同时建立可临床强化医疗标准的生物标志物文库和候选药物的确实的情报。
[0013] 此外，这种方法不仅可用于疾病的诊断或干预，也对生物系统中的几乎所有病理或非病理状态具有普遍的适用性，如其中两个或更多个细胞系统相互作用的生物系统。例如，这种方法可以用于获得对与药物毒性相关联或具有因果关系的机制的深入了解。因此，本发明提供了可以在广泛情况中普遍适用的用于探询式生物学评估的框架。
[0014] 本发明的平台的显著特征是，基于AI的系统是基于从细胞模型系统获得的数据集而不诉诸或考虑本领域中的任何现有知识，如涉及该生物学过程的已知的生物学关系 (即没有数据点是人为的）。因此，从该平台生成的所得统计模型是无偏的。本发明的平台及其成分（例如，由其获得的细胞模型系统和数据集）的另一个显著的特点是它允许随着时间在细胞模型上继续构建（例如，通过引入新的细胞和/或条件），以使得从生物系统或过程的细胞模型生成的初始的"第一代"一致因果关系网络（consensus causal network) 可以与细胞模型自身的演变一起进化至多代因果关系网络（及由此获得的增量或增量-增量网络）。以这种方式，细胞模型、来自细胞模型的数据集及通过使用该平台技术方法从细胞模型生成的因果关系网络可以在从平台技术获得的以前的知识上不断演化和构建。
[0015] 本发明提供用于鉴别生物系统的调节子的方法，所述方法包括：
[0016] 使用与该生物系统相关的细胞建立该生物系统的模型以代表该生物系统的特征性方面；
[0017] 从该模型获得第一数据集，其中该第一数据集代表与生物系统相关的细胞中的总体蛋白质组学改变；
[0018] 从该模型获得第二数据集，其中所述第二数据集代表与生物系统相关的细胞的一种或多种功能活性或细胞反应，其中所述细胞的一种或多种功能活性或细胞反应包括与该生物系统相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应；
[0019] 用编程的计算设备仅基于所述第一和第二数据集生成所述总体蛋白质组学改变和所述一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不是基于所述第一和第二数据集以外的任何已知的生物学关系；和
[0020] 从该一致因果关系网络鉴别在所述生物系统中独特的因果关系，其中与该独特的因果关系相关的至少一种酶被确定为该生物系统的调节子。
[0021] 在某些实施方式中，所述第一数据集是单一蛋白质组数据集。在某些实施方式中，所述第二数据集代表与生物系统相关的细胞的单一功能活性或细胞反应。在某些实施方式中，所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据。在某些实施方式中，所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据和所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性。
[0022] 在某些实施方式中，所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种。在某些实施方式中，所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的两种或更多种。在某些实施方式中，所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应。
[0023] 在某些实施方式中，所述总体酶学活性包括总体激酶活性。在某些实施方式中，所述总体酶学活性对酶代谢产物或底物的效应包括所述细胞的磷酸化蛋白质组。
[0024] 在某些实施方式中，所述代表细胞的一种或多种功能活性或细胞反应的第二数据集还包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。在某些实施方式中，所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP 数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应且还包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、R0S、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
[0025] 在本发明的某些实施方式中，生物系统的模型包括与生物系统相关的细胞的体外培养物。在本发明的某些实施方式中，生物系统的模型任选地还包含匹配的对照细胞的体外培养物。
[0026] 在本发明的某些实施方式中，生物系统的模型细胞的体外培养物经受环境扰动，且匹配的对照细胞的体外培养物是没有经受环境扰动的相同的细胞。在某些实施方式中，生物系统模型的所述环境扰动包括与生物活性剂的接触、培养条件的变化、遗传修饰/突变的引入和引起遗传修饰/突变的媒介的引入中的一种或多种。在某些实施方式中，生物系统模型的所述环境扰动包括使所述细胞与酶活性抑制剂接触。在某些实施方式中，生物系统模型中所述酶活性抑制剂是激酶抑制剂。在某些实施方式中，所述环境扰动包括使所述细胞与CoQlO接触。在某些实施方式中，所述环境扰动还包括使所述细胞与CoQlO接触。
[0027] 在本发明的某些实施方式中，所述生成步骤是由基于人工智能（AI)的信息学平台完成的。在某些实施方式中，基于AI的信息学平台接收来自第一和第二数据集的所有数据输入而没有应用统计截止点。在本发明的某些实施方式中，在鉴别步骤之前，在生成步骤中建立的一致因果关系网络基于输入的数据通过计算机模拟进一步优化为模拟因果关系网络，以对一致因果关系网络中的一个或多个因果关系提供预测的置信水平。
[0028] 在本发明的某些实施方式中，所述独特因果关系被确定为独特地存在于与生物系统相关的细胞中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。在某些实施方式中，所述独特因果关系被确定为独特地存在于与生物系统相关的细胞中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。
[0029] 在本发明的某些实施方式中，所确定的独特因果关系是选自下组的至少一对之间的关系：基因的表达和脂质的水平；基因的表达和转录物的水平；基因的表达和代谢产物的水平；第一基因的表达和第二基因的表达；基因的表达和SNP的存在；基因的表达和功能活性；脂质的水平和转录物的水平；脂质的水平和代谢产物的水平；第一脂质的水平和第二脂质的水平；脂质的水平和SNP的存在；脂质的水平和功能活性；第一转录物的水平和第二转录物的水平；转录物的水平和代谢产物的水平；转录物的水平和SNP的存在；第一转录物的水平和功能活性的水平；第一代谢产物的水平和第二代谢产物的水平；代谢产物的水平和SNP的存在；代谢产物的水平和功能活性；第一 SNP的存在和第二SNP的存在；及SNP 的存在和功能活性。在某些实施方式中，所确定的独特因果关系是至少脂质的水平、基因的表达和一种或多种功能活性之间的关系，其中所述功能活性是激酶活性。
[0030] 本发明提供用于鉴别疾病过程的调节子的方法，所述方法包括：
[0031] 使用疾病相关细胞建立疾病过程的模型以代表疾病过程的特征性方面；
[0032]从所述模型获得第一数据集，其中所述第一数据集代表疾病相关细胞中的总体蛋白质组学改变；
[0033]从所述模型获得第二数据集，其中所述第二数据集代表与生物系统相关的细胞的一种或多种功能活性或细胞反应，其中所述细胞的一种或多种功能活性或细胞反应包括疾病相关细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应；
[0034]用编程的计算设备仅基于第一和第二数据集生成所述总体蛋白质组学改变和所述细胞的一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不是基于第一和第二数据集以外的任何已知的生物学关系；和
[0035]从该一致因果关系网络鉴别在疾病过程中独特的因果关系，其中与该独特的因果关系相关的至少一种酶被确定为疾病过程的调节子。
[0036] 在某些实施方式中，所述第一数据集是单一蛋白质组数据集。在某些实施方式中，所述第二数据集代表与生物系统相关的细胞的单一功能活性或细胞反应。在某些实施方式中，所述第一数据集还代表表征与所述生物系统相关的细胞的脂质组学数据。在某些实施方式中，所述一致因果关系网络在总体蛋白质组学改变、脂质组学数据和所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性。在某些实施方式中，所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种。在某些实施方式中，所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的两种或更多种。在某些实施方式中，所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应。
[0037] 在本发明的某些实施方式中，所述总体酶学活性包括总体激酶活性，且其中所述总体酶学活性对酶代谢产物或底物的效应包括所述细胞的磷酸化蛋白质组。在某些实施方式中，所述代表细胞的一种或多种功能活性或细胞反应的第二数据集还包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。在某些实施方式中，所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
[0038] 在某些实施方式中，所述疾病过程是癌症、糖尿病、肥胖症、心血管疾病、年龄相关性黄斑变性、糖尿病性视网膜病或炎性疾病。在某些实施方式中，所述疾病过程包括血管生成。在某些实施方式中，所述疾病过程包括肝细胞癌、肺癌、乳腺癌、前列腺癌、黑色素瘤、癌瘤、肉瘤、淋巴瘤、白血病、鳞状细胞癌、结肠直肠癌、胰腺癌、甲状腺癌、子宫内膜癌、膀胱癌、肾癌、实体瘤、白血病、非霍奇金淋巴瘤或耐药性癌症。
[0039] 在本发明的某些实施方式中，所述疾病模型包含疾病细胞的体外培养物，任选地进一步包含匹配的对照或正常细胞的体外培养物。在某些实施方式中，疾病细胞的体外培养物经受环境扰动，且匹配的对照细胞的体外培养物是未经受环境扰动的相同的疾病细胞。在某些实施方式中，所述环境扰动包括与生物活性剂的接触、培养条件的变化、遗传修饰/突变的引入和引起遗传修饰/突变的媒介的引入中的一种或多种。在某些实施方式中，所述环境扰动包括使所述细胞与酶活性抑制剂接触。在某些实施方式中，所述酶活性抑制剂是激酶抑制剂。在某些实施方式中，所述环境扰动进一步包括使所述细胞与CoQlO接触。在某些实施方式中，所述环境扰动包括使所述细胞与CoQlO接触。
[0040] 在某些实施方式中，所述的疾病过程的特征性方面包括缺氧状态、高血糖状态、富乳酸培养条件或它们的组合。在某些实施方式中，所述生成步骤通过基于人工智能（AI)的信息学平台完成。在某些实施方式中，所述基于AI的信息学平台接受来自所述第一和第二数据集的所有数据输入而不应用统计截止点。
[0041] 在某些实施方式中，在所述鉴别步骤之前，在所述生成步骤中建立的所述一致因果关系网络基于输入数据通过计算机模拟进一步优化到模拟因果关系网络，以对于一致因果关系网络内的一个或多个因果关系提供预测的置信水平。在某些实施方式中，所述独特因果关系被确定为独特地存在于疾病细胞的模型中且不存在于匹配的对照细胞中的差异因果关系网络的部分。在某些实施方式中，所述独特因果关系被确定为独特地存在于所述经受环境扰动的细胞中且不存在于匹配的对照细胞中的差异因果关系网络的部分。
[0042] 本发明提供了用于鉴别生物系统的调节子的方法，所述方法包括：
[0043] 使用与该生物系统相关的细胞建立该生物系统的模型来代表该生物系统的特征性方面；
[0044] 从所述模型获得第一数据集，其中所述第一数据集代表所述细胞的总体蛋白质组学改变及表征与该生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种；
[0045] 从所述模型获得第二数据集，其中所述第二数据集代表与该生物系统相关的细胞的一种或多种功能活性或细胞反应，其中所述细胞的一种或多种功能活性或细胞反应包括与该生物系统相关的细胞中的总体激酶活性和/或总体激酶活性对激酶代谢产物或底物的效应；
[0046] 使用编程的计算设备，仅仅基于所述第一和第二数据集生成所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一和第二数据集以外的任何已知的生物学关系；和
[0047] 从该一致因果关系网络鉴别在所述生物系统中独特的因果关系，其中与该独特的因果关系相关的至少一种激酶被确定为该生物系统的调节子。
[0048] 本发明提供了用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展、预防、诊断或预后该疾病的方法，所述方法包括：
[0049] 向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，所述生物活性物质影响通过本文提供的任何方法所鉴别的调节子，从而治疗所述疾病、改善其症状、抑制其进展、预防、诊断或预后所述疾病。
[0050] 本发明提供了用于诊断或预后哺乳动物受试者的疾病的方法，所述方法包括：
[0051] 测定从所述受试者获得的生物样品中通过本文中提供的任何方法鉴别的一种或多种调节子的表达或活性水平；和
[0052] 将所述受试者中的水平与对照样品中所述一种或多种调节子的表达或活性水平比较，
[0053] 其中所述受试者中的水平和所述对照样品中一种或多种调节子的表达或活性水平之间的差异是所述受试者患有疾病、易于发生疾病或有利地对疾病治疗发生反应的指示，从而诊断或预后所述哺乳动物受试者的疾病。
[0054] 本发明提供了鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物的方法，所述方法包括：
[0055] 使来自所述哺乳动物受试者的生物样品与测试化合物接触；
[0056] 测定所述生物样品中通过本文中提供的任何方法鉴别的一种或多种调节子的表达水平；
[0057] 将所述生物样品中一种或多种调节子的表达水平与未与测试化合物接触的对照样品比较；和
[0058] 选择调节所述生物样品中一种或多种调节子的表达水平的测试化合物，
[0059] 从而鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物。
[0060] 本发明提供了用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防所述疾病的方法，所述方法包括：
[0061] 向需要的哺乳动物施用治疗有效量的包含使用本文中提供的任何方法鉴别的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展或预防所述疾病。
[0062] 本发明提供了用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防所述疾病的方法，所述方法包括：
[0063] 向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，所述生物活性物质影响 TCOF1、TOP2A、CAMK2A、CDK1、CLTCL1、EIF4G1、ENOl、FBL、GSK3B、HDLBP、 HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、MAPK1、MARCKS、NME1、NME2、 PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、TNRCBA、TUBB 和 UBE21 中任何一种或多种的表达或活性，
[0064] 从而治疗所述疾病、改善其症状、抑制其进展或预防所述疾病。在某些实施方式中，所述疾病是肝细胞癌。
[0065] 本发明提供了用于诊断或预后哺乳动物受试者的疾病的方法，所述方法包括：
[0066]测定从所述受试者获得的生物样品中TCOF1、TOP2A、CAMK2A、CDK1、CLTCL1、 EIF4G1、EN01、FBL、GSK3B、HDLBP、HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、 MP4、MAPK1、MARCKS、NME1、NME2、PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、 TNRCBA、TUBB和UBE21中的任何一种或多种蛋白质的表达或活性水平；和
[0067] 将所述受试者中的水平与对照样品中所述一种或多种蛋白质的表达或活性水平比较，
[0068] 其中所述受试者中的水平和所述对照样品中一种或多种蛋白质的表达或活性水平之间的差异是所述受试者患有疾病或易于发生疾病或有利地对疾病治疗发生反应的指示，从而诊断或预后所述哺乳动物受试者的疾病。在某些实施方式中，所述疾病是肝细胞癌。
[0069] 本发明提供了鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物的方法，所述方法包括：
[0070] 使来自所述哺乳动物受试者的生物样品与测试化合物接触；
[0071]测定所述生物样品中 TCOF1、TOP2A、CAMK2A、CDK1、CLTCL1、EIF4G1、ENOl、FBL、 GSK3B、HDLBP、HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、MAPK1、 MARCKS、NME1、NME2、PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、TNRCBA、 TUBB和UBE21中任何一种或多种蛋白质的表达水平；
[0072] 将所述生物样品中一种或多种蛋白质的表达水平与未与测试化合物接触的对照样品比较；和
[0073] 选择调节所述生物样品中一种或多种蛋白质的表达水平的测试化合物，
[0074]从而鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物。在某些实施方式中，所述疾病是肝细胞癌。
[0075] 本发明提供了用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防所述疾病的方法，所述方法包括：
[0076] 向需要的哺乳动物施用治疗有效量的包含本文中提供的任何方法鉴别的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展或预防所述疾病。
[0077] 本发明提供了用于鉴别血管生成的调节子的方法，所述方法包括：
[0078] (1)使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面；
[0079] (2)从所述血管生成的模型获得第一数据集，其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；
[0080] (3)从所述血管生成的模型获得第二数据集，其中所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应；
[0081] (4)使用编程的计算设备，仅仅基于所述第一数据集和第二数据集生成所述表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种与所述与血管生成相关的细胞的一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系；
[0082] (5)从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与该独特的因果关系相关的基因、脂质、蛋白质、代谢产物、转录物或SNP被确定为血管生成的调节子。
[0083] 本发明提供了用于鉴别血管生成的调节子的方法，所述方法包括：
[0084] (1)使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面；
[0085] (2)从所述血管生成的模型获得第一数据集，其中所述第一数据集代表脂质组学数据；
[0086] (3)从所述血管生成的模型获得第二数据集，其中所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应；
[0087] (4)使用编程的计算设备，仅仅基于所述第一数据集和第二数据集生成所述脂质组学数据与所述功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系；
[0088] (5)从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与该独特的因果关系相关的脂质被确定为血管生成的调节子。
[0089] 在某些实施方式中，所述代表与血管生成相关的细胞的一种或多种功能活性或细胞反应的第二数据集包括所述与血管生成相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应。
[0090] 本发明提供了用于鉴别血管生成的调节子的方法，所述方法包括：
[0091] (1)使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面；
[0092] (2)从所述血管生成的模型获得第一数据集，其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；
[0093] (3)从所述血管生成的模型获得第二数据集，其中所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应激酶活性，其中所述一种或多种功能活性或细胞反应包括所述与血管生成相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应；
[0094] (4)使用编程的计算设备，仅仅基于所述第一数据集和第二数据集生成所述表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种与所述与血管生成相关的细胞的一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系；
[0095] (5)从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与该独特的因果关系相关的酶被确定为血管生成的调节子。
[0096] 在本发明的某些实施方式中，所述总体酶学活性包括总体激酶活性且所述与血管生成相关的细胞中总体酶学活性对酶代谢产物或底物的效应包括所述细胞的磷酸化蛋白质组。在某些实施方式中，所述总体酶学活性包括总体蛋白酶活性。
[0097] 在本发明的某些实施方式中，所述调节子刺激或促进血管生成。在本发明的某些实施方式中，所述调节子抑制血管生成。
[0098] 在某些实施方式中，所述包含与血管生成相关的细胞的血管生成模型选自体外细胞培养血管生成模型、大鼠主动脉微血管模型、新生小鼠视网膜模型、鸡胚绒毛尿囊膜（CAM)模型、角膜血管生成生长因子囊袋模型、皮下海绵血管生成生长因子植入模型、 MATR丨GEL?血管生成生长因子植入模型和肿瘤植入模型；且其中所述血管生成模型任选地进一步包括包含对照细胞的匹配对照血管生成模型。在某些实施方式中，所述体外培养血管生成模型选自MATRIGEL?管形成分析、迀移分析、伯伊登室分析、划痕分析。
[0099] 在某些实施方式中，所述体外培养血管生成模型中与血管生成相关的细胞是人血管内皮细胞（HUVEC)。在某些实施方式中，所述角膜血管生成生长因子囊袋模型、皮下海绵血管生成生长因子植入模型或MATR丨GEL?血管生成生长因子植入模型中的血管生成生长因子选自FGF-2和VEGF。
[0100] 在本发明的某些实施方式中，所述血管生成模型中的细胞经受环境扰动，且所述匹配的血管生成模型中的细胞是没有经受环境扰动的相同细胞。在某些实施方式中，所述环境扰动包括与试剂的接触、培养条件的变化、引入的遗传修饰或突变、引起遗传修饰或突变的媒介和局部缺血的诱导中的一种或多种。
[0101] 在某些实施方式中，所述试剂是促血管生成剂或抗血管生成剂。在某些实施方式中，所述促血管生成剂选自FGF-2和VEGF。在某些实施方式中，所述抗血管生成剂选自VEGF 抑制剂、整联蛋白拮抗剂、血管抑素、内皮抑素、肿瘤抑素、阿瓦斯汀、索拉非尼、舒尼替尼、帕唑帕尼和依维莫司、可溶性VEGF受体、血管生成素2、血小板反应蛋白1、血小板反应蛋白 2、血管形成抑制素、钙网织蛋白、凝血酶原（kringle结构域-2)、抗凝血酶III片段、血管内皮生长抑制剂（VEGI)、富含半胱氨酸的酸性分泌蛋白（SPARC)和对应于蛋白质的卵泡抑素结构域的SPARC肽（FS-E)及辅酶Q10。
[0102] 在任何实施方式中，所述试剂是酶活性抑制剂。在任何实施方式中，所述试剂是激酶活性抑制剂。
[0103] 在本发明的任何实施方式中，所述第一数据集包括基因组数据集中多个基因的蛋白质和/或mRNA表达水平。在本发明的某些实施方式中，所述第一数据集包括基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP) 数据中的两种或更多种。在本发明的某些实施方式中，所述第一数据集包括基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的三种或更多种。
[0104] 在本发明的任何实施方式中，所述代表与血管生成相关的细胞的一种或多种功能活性或细胞反应的第二数据集包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、酶活性、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和 Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
[0105] 在本发明的任何实施方式中，所述第一数据集可以是单一数据集如基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP) 数据之一。在任何实施方式中，所述第一数据集可以是两个数据集。在任何实施方式中，所述第一数据集是三个数据集。在任何实施方式中，所述第一数据集可以是四个数据集。在任何实施方式中，所述第一数据集可以是五个数据集。在任何实施方式中，所述第一数据集可以是六个数据集。
[0106] 在本发明的任何实施方式中，所述第二数据集是单一数据集如与血管生成相关的细胞的一种或多种功能活性或细胞反应之一，包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、酶活性、趋化性、细胞外基质降解、出芽及通过选自ATP、R0S、 OXPHOS和Seahorse分析数据的功能模型实现的基因型-表型相关性中的一种或多种。在任何实施方式中，所述第二数据集可以是两个数据集。在任何实施方式中，所述第二数据集可以是三个数据集。在某些实施方式中，所述第二数据集可以是四个数据集。在任何实施方式中，所述第二数据集可以是五个数据集。在任何实施方式中，所述第二数据集可以是六个数据集。在任何实施方式中，所述第二数据集可以是七个数据集。在任何实施方式中，所述第二数据集可以是八个数据集。在任何实施方式中，所述第二数据集可以是九个数据集。在某些实施方式中，所述第二数据集可以是十个数据集。
[0107] 在本发明的任何实施方式中，所述酶活性可以是激酶活性。在本发明的任何实施方式中，所述酶活性可以是蛋白酶活性。
[0108] 在本发明的某些实施方式中，步骤（4)是由基于人工智能（AI)的信息学平台完成的。在某些实施方式中，所述基于AI的信息学平台包括REFS(TM)。在某些实施方式中，所述基于AI的信息平台接收来自第一数据集和第二数据集的所有数据输入而没有应用统计截止点。在某些实施方式中，在第（5)步之前，在步骤（4)中建立的一致因果关系网络基于输入的数据通过计算机模拟进一步优化到模拟因果关系网络，以对一致因果关系网络中的一个或多个因果关系提供预测的置信水平。
[0109] 在本发明的某些实施方式中，所述独特因果关系被确定为独特地存在于细胞中且不存在于匹配的对照细胞中的差异因果关系网络的部分。
[0110] 在本发明中，所确定的独特因果关系是选自下组的至少一对之间的关系：基因的表达和脂质的水平；基因的表达和转录物的水平；基因的表达和代谢产物的水平；第一基因的表达和第二基因的表达；基因的表达和SNP的存在；基因的表达和功能活性；脂质的水平和转录物的水平；脂质的水平和代谢产物的水平；第一脂质的水平和第二脂质的水平；脂质的水平和SNP的存在；脂质的水平和功能活性；第一转录物的水平和第二转录物的水平；转录物的水平和代谢产物的水平；转录物的水平和SNP的存在；第一转录物的水平和功能活性的水平；第一代谢产物的水平和第二代谢产物的水平；代谢产物的水平和SNP的存在；代谢产物的水平和功能活性；第一 SNP的存在和第二SNP的存在；及SNP的存在和功能活性。
[0111] 在某些实施方式中，所述功能活性选自生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、酶活性、趋化性、细胞外基质降解、和出芽及通过选自ATP、ROS、 OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性。在某些实施方式中，所述功能活性是激酶活性。在某些实施方式中，所述功能活性是蛋白酶活性。
[0112] 在本发明的某些实施方式中，所述确定的独特因果关系是至少脂质的水平、基因的表达和一种或多种功能活性之间的关系，其中所述功能活性是激酶活性。
[0113] 在本发明中，该方法还可以包括验证在血管生成中所鉴别的独特因果关系。
[0114] 本发明提供了用于提供在平台方法中使用的血管生成模型的方法，包括：
[0115] 使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面，其中所述血管生成的模型可用于生成在平台方法中使用的数据集；
[0116] 从而提供在平台方法中使用的血管生成的模型。
[0117] 本发明提供了用于从在平台方法中使用的血管生成模型获得第一数据集和第二数据集的方法，包括：
[0118] (1)从在平台方法中使用的血管生成模型获得第一数据集，其中所述血管生成模型包含与血管生成相关的细胞，和其中所述第一数据集代表表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；
[0119] (2)从在平台方法中使用血管生成模型获得第二数据集，其中所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应；
[0120] 由此从在平台方法中使用的血管生成模型获得第一数据集和第二数据集。
[0121] 本发明提供了用于鉴别血管生成的调节子的方法，所述方法包括：
[0122] (1)用编程的计算设备生成在从血管生成模型获得的第一数据集和第二数据集之中的一致因果关系网络，其中所述模型包含与血管生成相关的细胞，且其中所述第一数据集代表表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；和第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应，其中所述一致因果关系网络的生成不是基于第一数据集和第二数据集以外的任何已知的生物学关系；
[0123] (2)从一致因果关系网络鉴别血管生成中独特的因果关系，其中与独特的因果关系相关的基因、脂质、蛋白质、代谢产物、转录物或SNP的至少一种被确定为血管生成的调节子；
[0124] 从而鉴别血管生成的调节子。
[0125] 本发明提供了用于鉴别血管生成的调节子的方法，所述方法包括：
[0126] (1)提供从血管生成模型生成的一致因果关系网络；
[0127] (2)从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与独特的因果关系相关的基因、脂质、蛋白质、代谢产物、转录物或SNP的至少一种被确定为血管生成的调节子；
[0128] 从而鉴别血管生成的调节子。
[0129] 在某些实施方式中，一致因果关系网络是用编程的计算设备在从血管生成模型获得的第一数据集和第二数据集之中生成的，其中所述模型包含与血管生成相关的细胞，和其中所述第一数据集代表表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；和
[0130] 第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应，其中所述一致因果关系网络的生成不是基于第一数据集和第二数据集以外的任何已知的生物学关系。
[0131] 在某些实施方式中，血管生成模型选自体外细胞培养血管生成模型、大鼠主动脉微血管模型、新生小鼠视网膜模型、鸡胚绒毛尿囊膜（CAM)模型、角膜血管生成生长因子囊袋模型、皮下海绵血管生成生长因子植入模型、MATRIGEL?血管生成生长因子植入模型和肿瘤植入模型；且其中所述血管生成模型任选地进一步包括包含对照细胞的匹配对照血管生成模型。
[0132] 在某些实施方式中，第一数据集包括脂质组学数据。在某些实施方式中，第一数据集仅包括脂质组学数据。
[0133] 在某些实施方式中，第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应，包括与血管生成相关的细胞中的总体酶学活性和总体酶学活性对酶代谢产物或底物的效应。
[0134] 在某些实施方式中，第二数据集包括激酶活性或蛋白酶活性。在某些实施方式中，第二数据集仅包括激酶活性或蛋白酶活性。
[0135] 在某些实施方式中，第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应，包括生物能量学谱、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、激酶活性和蛋白酶活性，及通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
[0136] 在本发明的某些实施方式中，血管生成与疾病状态相关。
[0137] 本发明提供用于调节哺乳动物受试者的血管生成的方法，所述方法包括：
[0138] 向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，所述生物活性物质影响通过本文中提供的任一方法鉴别的调节子，从而调节血管生成。
[0139] 本发明提供检测哺乳动物受试者中调节的血管生成的方法，所述方法包括：
[0140] 测定从所述受试者获得的生物样品中通过本文中提供的任一方法鉴别的一种或多种调节子的水平、活性或存在；和
[0141] 比较所述受试者中的水平、活性或存在与对照样品中所述一种或多种调节子的水平、活性或存在，
[0142] 其中所述受试者中的水平、活性或存在与所述对照样品中所述一种或多种调节子的水平、活性或存在之间的差异是所述哺乳动物受试者中血管生成受到调节的指示。
[0143] 本发明提供鉴别用于调节哺乳动物受试者中的血管生成的治疗化合物的方法，所述方法包括：
[0144] 使来自哺乳动物受试者的生物样品与测试化合物接触；
[0145] 测定所述生物样品中通过本文中提供的任一方法鉴别的一种或多种调节子的表达水平；
[0146] 将所述生物样品的一种或多种调节子的水平、活性或存在与未接触所述测试化合物的对照样品比较，和
[0147] 选择调节所述生物样品中一种或多种调节子的水平、活性或存在的测试化合物，
[0148]从而鉴别用于调节哺乳动物受试者中的血管生成的治疗化合物。
[0149] 本发明提供用于调节哺乳动物受试者中的血管生成的方法，所述方法包括：
[0150] 向需要的哺乳动物施用治疗有效量的包含通过本文中提供的任何方法鉴别的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展或预防、诊断或预后所述疾病。
[0151] 在某些实施方式中，"环境扰动"，本文也称为"外部刺激成分"，是治疗剂。在某些实施方式中，外部刺激成分是小分子（例如，不超过5kDa、4kDa、3kDa、2kDa、lkDa、500道尔顿或250道尔顿的小分子）。在某些实施方式中，外部刺激成分是生物剂。在某些实施方式中，外部刺激成分是化学剂。在某些实施方式中，外部刺激成分对于细胞是内源性的或外源性的。在某些实施方式中，外部刺激成分是MM或表观代谢转变剂（印ishifter)。在某些实施方式中，外部刺激成分是细胞系统的应激因素，如缺氧、高血糖症、高脂血症、高胰岛素血症和/或富乳酸状态。
[0152] 在某些实施方式中，外部刺激成分可包括用于治疗疾病状态的治疗剂或候选治疗剂，包括化疗剂、蛋白质基的生物药物、抗体、融合蛋白质、小分子药物、脂质、多糖、核酸等等。
[0153] 在某些实施方式中，外部刺激成分可以是一个或多个应激因素，如那些通常在各种疾病状态下在体内遇到的，包括缺氧、高血糖状态、酸性环境（可通过乳酸处理模拟）等。
[0154] 在其它实施方式中，外部刺激成分可以包括一种或多种MM和/或表观代谢转变剂，如本文下面所定义的。示例性的MIM包括辅酶Q10 (本文也称为CoQlO)和维生素B族中的化合物，或者包含维生素B族中的化合物的核苷、单核苷酸或二核苷酸。在某些实施方式中，外部刺激不是CoQlO。在某些实施方式中，外部刺激不是维生素B或维生素B族中的化合物。
[0155]在进行细胞输出测量（如蛋白质表达、脂质水平）中，可以使用绝对量（例如，表达或总量）或相对水平（例如，相对表达水平或量）。在一个实施方式中，使用绝对量（例如，表达或总量）。在一个实施方式中，使用相对水平或量（例如，相对表达水平）。例如，为了确定细胞系统的蛋白质的相对表达水平，可以将细胞系统中（对细胞系统有或没有外部刺激）任何给定的蛋白质的量与合适的对照细胞系或细胞系的混合物（如在同一实验中使用的所有细胞）相比较，并给出倍数增加或倍数减少值。本领域技术人员将会理解，可以在任何细胞输出测量（如基因和/或RNA的转录水平、脂质水平或者任何功能输出，例如，如本文所述的细胞凋亡水平、毒性水平或ECAR或OCR)中使用绝对量或相对量。预先确定的倍数增加（例如，至少 1. 2、1. 3、1. 4、1. 5、1. 6、1. 7、1. 8、1. 9、2、2. 5、3、3. 5、4、4. 5、5、6、7、8、9、 10、15、20、25、30、35、40、45、50、75或100或者更多倍的增加）或倍数减少（例如，至少减少至 0? 9、0. 8、0. 75、0. 7、0. 6、0. 5、0. 45、0. 4、0. 35、0. 3、0. 25、0. 2、0. 15、0. 1 或 0? 05 倍、或者减少到 90%、80%、75%、70%、65%、60%、55%、50%、45%、40%、35%、30%、25%、20%、 15%、10%或5%或更少）的阈值水平可以被用于选择显著差异，和然后该显著差异的细胞输出数据可包括在用于本发明的平台技术方法中的数据集（例如，第一和第二数据集）中。存在于前述列表中的所有的值也可以是范围的上限或下限，例如，在1. 5至5倍、5至10倍、 2至5倍之间、或0. 9至0. 7、0. 9至0. 5、0. 7至0. 3倍之间的范围意图为本发明的部分。
[0156] 在整个本申请中，显示在列表中的所有值，例如，如上述的那些，也可以是确定为本发明中的一部分的范围的上限或下限。
[0157] 在本发明的方法的一个实施方式中，不是因果关系网络中观察到的每一个因果关系都有生物学意义。对于所述探询生物评价被应用的任何给定的生物系统，一些（或者也许全部）的因果关系（以及与其相关的基因）相对于特定的所讨论的生物问题是"确定性的"，例如导致引起疾病状态（治疗性干预的潜在靶标）或疾病状态的生物标志物（潜在的诊断或预后的因素）。在一个实施方式中，观察的在生物系统中独特的因果关系对于所讨论的特定生物问题是确定性的。在一个实施方式中，并非每一个在生物系统中观察到的独特的因果关系对于所讨论的特定生物问题是确定性的。
[0158] 可以由所述方法的最终用户来选择这样的确定性的因果关系，或者可以由生物信息学软件程序来选择，如REFS、DAVID实现的比较途径分析程序或者KEGG途径分析程序。在某些实施方式中，使用一个以上的生物信息学软件程序，和来自两个或更多生物信息学软件程序的一致结果是优选的。
[0159] 如本文所用的细胞输出的"差异"包括任何一个或多个细胞输出参数中的差异 (例如，增加或减少的水平）。在某些实施方式中，差异各自独立地选自于mRNA转录、蛋白质表达、蛋白质活性、代谢物/中间体水平和/或配体_靶相互作用中的差别。例如，就蛋白质表达水平而言，可以通过使用本领域公认的技术，如以质谱分析为基础的检测（例如， iTRAQ、2D-LC-MSMS等）测量和定量两个细胞输出之间的差异，例如在外部刺激成分处理之前和之后与细胞系统相关的输出。
[0160] 在一个方面，生物系统的细胞模型包含细胞交互系统，其中具有含外部刺激成分的第一细胞环境的第一细胞系统产生第一改变的细胞环境，以使得通过将具有第二细胞环境的第二细胞系统暴露于第一改变的细胞环境而建立交互细胞系统。
[0161] 在一个实施方式中，产生至少一个与交互细胞系统的显著细胞交互差异，和鉴别至少一个确定性的细胞交互差异以使得进行探询式生物学评估。在某些实施方式中，所述至少一个显著的细胞交互差异是多个差异。
[0162] 在某些实施方式中，所述至少一个确定性的细胞交互差异是由最终用户选择的。或者，在另一个实施方式中，所述至少一个确定性的细胞交互差异是基于定量蛋白质组学数据通过生物信息学软件程序（如，例如，REFS、KEGG途径分析或DAVID实现的比较途径分析）而选择的。
[0163] 在某些实施方式中，所述方法进一步包括产生用于第一细胞系统的显著细胞输出差异。
[0164] 在某些实施方式中，差异各自独立地选自于mRNA转录、蛋白质表达、蛋白质活性、代谢物/中间体水平和/或配体_靶相互作用的差异。
[0165] 在某些实施方式中，所述第一细胞系统和第二细胞系统独立地选自于原代细胞的同质群体、癌细胞系或正常细胞系。
[0166] 在某些实施方式中，第一改变的细胞环境包含由第一细胞系统分泌到第一细胞环境中的因子，其作为第一细胞系统与外部刺激成分接触的结果。该因子可以包含分泌的蛋白质或其他的信号分子。在某些实施方式中，该第一改变的细胞环境基本上没有原来的外部刺激成分。
[0167] 在某些实施方式中，交互细胞系统包含具有插入隔室和由膜分隔的杯状隔室的侵袭实验装置（transwell)。例如，第一细胞系统可在插入隔室（或杯状隔室）中生长，和所述第二细胞系统可在杯状隔室（或插入隔室）中生长。
[0168] 在某些实施方式中，交互细胞系统包含用于第一细胞系统生长的第一培养物和用于第二细胞系统生长的第二培养物。在这种情况下，第一改变的细胞环境可以是来自第一细胞系统的条件培养基。
[0169] 在某些实施方式中，所述第一细胞环境和第二细胞环境可以相同。在某些实施方式中，所述第一细胞环境和第二细胞环境可以不同。
[0170] 在某些实施方式中，交互细胞系统包含所述第一细胞系统和第二细胞系统的共培养。
[0171] 本发明的方法可用于或应用于多种"探询式生物学评估"。本发明的方法应用于探询式生物学评估以使其能够鉴别生物系统的一个或多个调节子或者生物系统或过程的确定性的细胞过程"驱动子"。
[0172] 本发明的方法可用于进行广泛的探询式生物学评估。在某些实施方式中，探询式生物学评估是疾病状态的诊断。在某些实施方式中，探询式生物学评估是确定药物疗效。在某些实施方式中，探询式生物学评估是药物毒性测定。在某些实施方式中，探询式生物学评估是疾病状态的分期。在某些实施方式中，探询式生物学评估鉴别抗衰老化妆品的靶标。
[0173] 如本文所用的"探询式生物学评估"可包括鉴别生物系统中的一个或多个调节子，例如，确定性的细胞过程"驱动子"（例如，生物途径，或途径的关键成员，或途径成员的主要调节子的活性的增加或减少），其与环境扰动或外部刺激成分或者生物系统或过程中独有的独特因果关系相关。它可以进一步包括涉及额外的步骤来测试或验证确定的确定性细胞过程驱动子是否需要和/或足够用于与环境扰动外部刺激成分相关联的下游事件，包括体内动物模型和/或体外组织培养实验。
[0174] 在某些实施方式中，探询式生物学评估是疾病状态的诊断或分期，其中所鉴别的生物系统的调节子，例如，细胞过程的确定性驱动子（例如，交互差异或生物系统或过程中的独特因果关系）代表疾病标志物或可以进行治疗干预的治疗靶标。所述探询式生物学评估在理论上适合任何病情，但可能会发现在某些领域特别有用，如肿瘤/癌症生物学、糖尿病、肥胖症、心血管疾病和神经系统疾病（尤其是神经退行性疾病，例如，不限于，阿尔茨海默氏病、帕金森氏病、亨廷顿氏病、肌萎缩性脊髓侧索硬化症（ALS)和衰老相关的神经退行性疾病）及与血管生成相关的病症。
[0175] 在某些实施方式中，探询式生物学评估是药物疗效的确定，其中所鉴别的生物系统的调节子，例如，确定性的细胞过程驱动子（例如，交互差异或者生物系统或过程中独特的因果关系）可以是成功药物的标志，并可随之用于鉴别另外的用于治疗相同疾病状况的试剂，如MIM或表观代谢转变剂。
[0176] 在某些实施方式中，探询式生物学评估是鉴别用于预防或治疗感染的药物靶标，其中所鉴别的确定性细胞过程驱动子（例如，细胞交互差异或者生物系统或过程中独特的因果关系）可以是标志物/指标或导致感染状态的关键生物分子，并可以随之被用来鉴别抗感染剂。
[0177] 在某些实施方式中，探询式生物学评估是试剂（例如药物）对给定的疾病谱的分子效应的评估，其中所鉴别的生物系统的调节子，例如，确定性的细胞过程驱动子（例如，细胞交互差异或者生物系统或过程中独特的因果关系）可以是一个或多个生物途径、途径的主要成员或途径成员的主要调节子的活性的增加或减少，且可随之被用于，例如，预测该试剂对于给定疾病的疗效。
[0178] 在某些实施方式中，探询式生物学评估是试剂（例如药物）对于细胞、组织、器官或有机体的毒理学特性的评估，其中所鉴别的生物系统调节子，例如，确定性的细胞过程驱动子（例如，细胞交互差异或者生物系统或过程中独特的因果关系）可以是毒性（例如，细胞毒性）的指示剂，且因而可以用来预测或确定试剂的毒理学特性。在一个实施方式中，鉴别的生物系统调节子，例如，确定性的细胞过程驱动子（例如，细胞交互差异或者生物系统或过程中独特的因果关系）是药物或药物候选物的心脏毒性的指示剂，并可随之用来预测或确定药物或药物候选物的心脏毒性特性。
[0179] 在某些实施方式中，探询式生物学评估是鉴别用于预防或治疗由生物武器（如导致疾病的原生动物、真菌、细菌、病菌（protests)、病毒或毒素）引起的疾病或病症的药物靶标，其中所鉴别的生物系统调节子，例如，确定性的细胞过程驱动子（例如，细胞交互差异或者生物系统或过程中独特的因果关系）可以是标志物/指标或引起所述疾病或病症的关键生物分子，且因而可以用来鉴别生物防御剂。
[0180] 在某些实施方式中，探询式生物学评估是鉴别抗老化剂（如抗老化化妆品）的靶标，其中所鉴别的生物系统调节子，例如，确定性的细胞过程驱动子（例如，细胞交互差异或者生物系统或过程中独特的因果关系）可以是老化过程的标志物或指示剂，特别是皮肤的老化过程，并可随之用于鉴别抗老化剂。
[0181] 在用于鉴别抗衰老化妆品靶标的本发明方法中的一个示例性衰老细胞模型中，该细胞模型包含用例如UV光（环境扰动或外部刺激成分）处理的老化的上皮细胞和/或任选地也用UV光处理的新生细胞。在一个实施方式中，老化的细胞模型包括细胞交互系统。在为鉴别抗衰老化妆品的靶标而建立的一个示例性的双细胞交互系统中，可以用UV光（外部刺激成分）处理老化上皮细胞（第一细胞系统），且由于与处理的老化上皮细胞的条件培养基接触而导致的新生细胞（第二细胞系统）的变化（例如蛋白质组变化和/或功能变化）可被测量，例如，可以使用常规的定量质谱法测定蛋白质组的变化，或可以从由数据生成的因果关系网络鉴别老化过程中独特的因果关系。
[0182] 在另一个方面，本发明提供了一种试剂盒，其用于使用发现平台技术进行探询式生物学评估，其包含用于检测作为由本发明的方法生成的因果关系网络的主题的分析物是否存在和/或用于定量其量的一种或多种试剂。在一个实施方式中，所述分析物是生物系统中独特的因果关系的对象，例如，与生物系统中独特的因果关系相关的基因。在某些实施方式中，分析物是蛋白质，且该试剂包含针对该蛋白质的抗体、该蛋白质的标记物和/或一种或多种制备用于高通量分析（例如，基于质谱的测序）的该蛋白质的试剂。
[0183] 在又另一个方面，所述技术提供一种用于治疗哺乳动物受试者的疾病、缓解其症状、抑制其进展、预防、诊断或预后该疾病的方法。所述方法包括向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，该生物活性物质影响TCOF1、TOP2A、CAMK2A、 CDK1、CLTCL1、EIF4G1、ENO1、FBL、GSK3B、HDLBP、HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、 MAP2K2、LDHA、MAP4、MAPK1、MARCKS、NME1、NME2、PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、 RPS6、SLTM、TMED4、TNRCBA、TUBB和UBE21中任何一种或多种的表达或活性，从而治疗哺乳动物受试者的疾病、缓解其症状、抑制其进展、预防、诊断或预后该疾病。在一些实施方式中，所述疾病是癌症，例如肝细胞癌。在各种实施方式中，所述方法可以使用1、2、3、4、5、6、 7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33 或34种激酶。在一种实施方式中，所述组合物提高一种或多种激酶的表达和/或活性。在另一种实施方式中，所述组合物降低一种或多种激酶的表达和/或活性。
[0184] 在再另一个方面中，所述技术提供一种诊断哺乳动物受试者的疾病的方法。所述方法包括：（i)测定从所述受试者获得的生物样品中TCOF1、TOP2A、CAMK2A、CDK1、CLTCL1、 EIF4G1、EN01、FBL、GSK3B、HDLBP、HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、 MP4、MAPK1、MARCKS、NME1、NME2、PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、 TNRCBA、TUBB和UBE21中任何一种或多种的表达或活性水平；和（ii)将所述受试者中的水平与对照样品中所述一种或多种蛋白质的表达或活性水平比较，其中所述受试者中的水平和所述对照样品中一种或多种蛋白质的表达或活性水平之间的差异是所述受试者患有疾病或易于发生疾病或有利地对疾病治疗发生反应的指示，从而诊断所述哺乳动物受试者的疾病。在一些实施方式中，所述疾病是癌症，例如肝细胞癌。在各种实施方式中，所述方法可以使用 1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、 27、28、29、30、31、32、33或34种激酶。在一种实施方式中，所述差异是一种或多种激酶的表达和/或活性的提高。在另一种实施方式中，所述差异是一种或多种激酶的表达和/或活性的降低。
[0185] 在再另一个方面中，所述技术提供一种鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展、预防、诊断或预后该疾病的治疗化合物的方法。所述方法包括（i) 使来自所述哺乳动物受试者的生物样品与测试化合物接触；（ii)测定所述生物样品中 TCOF1、TOP2A、CAMK2A、CDK1、CLTCL1、EIF4G1、EN01、FBL、GSK3B、HDLBP、HIST1H2BA、HMGB2、 HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、MAPK1、MARCKS、NME1、NME2、PGK1、PGK2、RAB7A、 RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、TNRCBA、TUBB 和 UBE21 中任何一种或多种的表达水平；（iii)将所述生物样品中一种或多种蛋白质的表达水平与未与测试化合物接触的对照样品比较；和（iv)选择调节所述生物样品中一种或多种蛋白质的表达水平的测试化合物，从而鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展、预防、诊断或预后该疾病的治疗化合物。在一些实施方式中，所述疾病是癌症，例如肝细胞癌。在各种实施方式中，所述方法可以使用 1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、18、19、20、21、22、 23、24、25、26、27、28、29、30、31、32、33或34种激酶。在一种实施方式中，所述化合物提高一种或多种激酶的表达和/或活性。在另一种实施方式中，所述化合物降低一种或多种激酶的表达和/或活性。
[0186] 在再另一个方面中，所述技术提供一种用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展、预防、诊断或预后所述疾病的方法。所述方法包括向需要的哺乳动物施用治疗有效量的包含通过上述方面（即，利用TC0F1、T0P2A、CAMK2A、CDK1、CLTCL1、EIF4G1、 ENOl、FBL、GSK3B、HDLBP、HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、 MAPK1、MARCKS、NME1、NME2、PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、 TNRCBA、TUBB和UBE21中任何一种或多种）鉴别的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展、预防、诊断或预后所述疾病。在一些实施方式中，所述疾病是癌症，例如肝细胞癌。在各种实施方式中，所述方法可以使用1、2、3、4、5、6、7、8、9、10、 11、12、13、14、15、16、17、18、19、20、21、22、23、24、25、26、27、28、29、30、31、32、33 或 34 种激酶。
[0187] 应当理解的是，本文所描述的所有实施方式，包括仅在实施例中描述的那些，是本发明的一般描述的部分，并可以结合本发明的任何其它实施方式，除非明确排除或不适用。
[0188] 附图简要说明
[0189] 本公开的各种实施方式将在本文下面根据附图进行描述，其中：
[0190] 图1:用于鉴别治疗剂的方法的图解。
[0191] 图2 :癌症系统生物学和整合的多生理相互作用输出调节的结果的图解。
[0192] 图3:使用MMS的生物相关性系统探询的图解。
[0193] 图4:建模癌症网络以使得能够进行探询式生物学查询的图解。
[0194] 图5 :探询式生物学平台技术的图解。
[0195] 图6 :平台技术中使用的技术的图解。
[0196] 图7 :平台的成分（包括数据采集、数据整合和数据挖掘）的示意图。
[0197] 图8:使用MMS的系统性探询和从"组学"级联收集响应数据的示意图。
[0198] 图9:建立表示正常和糖尿病状态的体外模型使用的成分的略图。
[0199] 图10 :用来生成蛋白质的因果网络（因为它们涉及疾病病理生理学）的信息学平台REFS?的示意图。
[0200] 图11 :导致生成糖尿病状态对于正常状态以及通过用MMS治疗恢复到正常状态的糖尿病节点的差异网络的途径的示意图。
[0201] 图12 :糖尿病状态与正常状态的代表性差异网络。
[0202] 图13 :节点和感兴趣的相关边界（中心的Nodel)的不意图。表不出与每个边界有关的细胞功能性。
[0203] 图14 :根据一些实施方式，示例性方法的高水平流程图。
[0204] 图15A-15D :可以用于示例性实施方式的基于AI的信息学系统的成分和过程的高水平不意图。
[0205] 图16 :可以用于示例性实施方式的基于AI的信息学系统中的方法的流程图。
[0206]图17 :示意性地描绘了适合于实施本文所教导的示例性实施方式的示例性计算环境。
[0207] 图18 :实施例1中描述的案例研宄设计的图示。
[0208] 图19 :辅酶Q10治疗对下游节点的影响。
[0209] 图20:辅酶Q10治疗降低癌症细胞系H印G2中的LDHA表达。
[0210] 图21 :基于来自Paca2、HepG2和THLE2细胞系的数据，在70%片段频率下的示例性蛋白质相互作用一致网络。
[0211] 图22 :使用平台技术鉴别两个癌症细胞系中响应于LDHA表达模拟的蛋白质。
[0212] 图 23 :LDHA_PARK7 网络的独创途径协助（IngenuityPathwayAssist?)分析鉴别TP53为上游中枢。
[0213] 图24:辅酶Q10治疗对SKMEL28癌细胞系中TP53表达水平的影响。
[0214] 图25:与SKMEL28癌细胞系中导致细胞凋亡的BCL-2蛋白质的表达改变相关的 TP53的激活和辅酶Q10治疗对SKMEL28中Bcl-2、Bax和胱天蛋白酶3表达水平的影响。
[0215] 图26 :导致生成A-A网络的数学途径的图解。
[0216] 图27 :驱动ECAR和OCR的癌症健康差（A-A)网络。各个驱动子对边界的厚度代表的终点具有差异效应。Cytoscape中边界的厚度表示倍数变化的强度。
[0217] 图28:使用IPA对来自探询式平台技术输出的PARK7及相关节点作图：灰色的形状包括所有来自输入IPA中的探询生物学输出的与PARK7相关的节点。未填充的形状（带有名称）是由IPA整合的新连接以创建完整的图谱。
[0218] 图29:本发明的探询式平台技术，其展现了与PARK7相关的节点的新相关性。虚线所示的边界是具有中间节点但在IPA中没有中间节点的模拟中两个节点之间的连接。点线所示的边界是具有中间节点但在IPA中有不同的中间节点的模拟中两个节点之间的连接。
[0219] 图30:导致生成A-A网络的数学途径的图解。将来自NGnHGA网络中NG的独特边界与HGnHGT1A网络中的HGT1的独特边界相比较。NG和HGT1的交集中的边界是利用T1恢复到NG的HG边界。
[0220] 图31:叠加到NG n HG A网络上的利用辅酶Q10处理恢复到正常的糖尿病边界的 A-A网络。
[0221] 图32:叠加在正常血脂n高血脂A网络上的利用辅酶Q10处理恢复到正常的高血脂边界的A-A网络。
[0222] 图33 :表示疾病和药物治疗中改变的脂肪酸命运的示意图。利用游离脂肪酸 (FFA)来产生ATP和对膜生物学破坏做出响应的膜重建之间的平衡牵涉到药物导致的心脏毒性。
[0223] 图34:表示用于研宄糖尿病心肌细胞中药物诱导毒性的实验设计和建模参数的示意图。
[0224] 图35 :药物治疗⑴导致的糖尿病心肌细胞中人线粒体能量代谢基因的转录网络和表达的失调：救援分子（R)使基因表达正常化。
[0225] 图36 :A.药物治疗⑴诱导来自高血糖症中条件化的心肌细胞的线粒体中GPAT1 和TAZ的表达。与救援分子结合（T+R)，GPAT1和TAZ水平正常化。B.从G3P合成TAG。
[0226] 图37 :A.药物治疗（T)降低高血糖症条件化的心肌细胞中的线粒体OCR(耗氧率）。救援分子（T+R)使OCR正常化。B.药物治疗（T)抑制高血糖症中条件化的心肌细胞中线粒体ATP的合成。
[0227]图38 :通过药物治疗下调蛋白质的GO注释。用药物治疗下调参与线粒体能量代谢的蛋白质。
[0228] 图39:导致生成A网络的数学方法的图解。比较来自T与UT的独特边界，这两个模型均处于糖尿病环境中。
[0229] 图40 :代表驱动药物诱导毒性的病理生理学的潜在蛋白质中枢和网络的示意图。
[0230] 图41显示用于鉴别生物系统或疾病过程的调节子的方法。
[0231] 图42显示用索拉非尼处理的IfepG2中EN01活性而非蛋白质表达的显著降低。
[0232] 图43显示用索拉非尼处理的IfepG2中PGK1活性而非蛋白质表达的显著降低。
[0233] 图44显示用索拉非尼处理的HepG2中LDHA活性的显著降低。
[0234] 图45显示可以通过使用基于AI的REFS?系统分析数据集产生的因果分子相互作用网络。
[0235] 图46显示采用贝叶斯网络推理算法的多组学数据整合可以如何导致对肝细胞癌中信号传导途径的更好理解。黄色方块代表转录后修饰（磷酸化）数据，蓝色三角形代表基于活性（激酶）的数据，和绿色圆形代表蛋白质组学数据。
[0236] 图47显示肝细胞癌信号传导途径中的自动调节和逆反馈调节可以如何通过平台推断。方块代表转录后修饰（磷酸化）数据（灰/黑=激酶，黄/浅-无激酶活性），方块代表基于活性（激酶）+蛋白质组学数据（灰/黑=激酶，黄/浅-无激酶活性）。
[0237] 图48-51显示通过平台推断的信号传导途径中因果相关性的实例。激酶同工型在代表性的方块和圆形上表示，因果相关性通过连接体表示。
[0238] 图52A-B显示在（A)汇合或⑶亚汇合培养物中生长的人脐静脉内皮细胞 (HUVEC)用所示浓度范围的CoQlO处理24小时。汇合的细胞密切地近似于"正常"细胞而亚汇合的细胞更密切地代表增殖细胞的血管生成表型。在汇合培养物中，添加提高浓度的 CoQlO导致EC的更密切的关联、延长和排列。5000 yM导致圆形细胞的细微增加。
[0239] 图53A-C显示HUVEC细胞的汇合⑷或亚汇合⑶培养物用100或1500 yM CoQlO 处理24小时并测定碘丙锭阳性凋亡细胞。CoQlO对汇合时处理的EC是保护性的，而亚汇合的细胞对于是敏感的且在1500 yM CoQlO下显示增加的细胞凋亡。（C)亚汇合的对照 EC(左）、100 y M CoQlO (中）和1500 y M CoQlO (右）的代表性柱状图。
[0240] 图54A-C显示亚汇合的HUVEC细胞培养物用100或1500 y MCoQlO处理72小时并使用碘丙锭掺入分析（检测G2/M期DNA)测定细胞数（A)和增殖（B)。高浓度的CoQlO导致细胞数的显著提高且对于EC增殖具有剂量依赖性的作用。细胞周期的G2/M期细胞[对照EC (左）、100 y M CoQlO (中）和1500 y M CoQlO (右）]的细胞增殖分选的代表性柱状图显示于（C)中。
[0241] 图55显示HUVEC细胞生长到汇合以使用"划痕"分析测试迀移。100或1500 yM CoQlO在刻划时施加且清除区域的封闭在48小时内监测。100 yM CoQlO与对照相比延迟内皮封闭。添加1500 yM CoQlO阻止封闭，甚至直到48小时（数据未显示）。
[0242] 图56显示在3-D基质胶中生长的内皮细胞随时间形成管。观察到100 yM和 1500 yM CoQlO对管形成的不同效应。受损的细胞-细胞关联和早期管结构的破坏在 1500 yM CoQlO下是显著的。显示的图像在72小时时获取。
[0243] 图57A-B显示内皮细胞在亚汇合和汇合的培养物中生长，其在正常和缺氧条件下在CoQlO存在和不存在下生长。评估了响应于CoQlO和缺氧的一氧化氮（NO) (A)和反应性氧物质（ROS) (B)的产生。
[0244] 图58A-D显示内皮细胞在亚汇合和汇合的培养物中在CoQlO存在和不存在下生长以评估在所示生长条件下的线粒体氧消耗。显示了总OCR(A)、线粒体OCR(B)、ATP产生（C)、 ECAR(D)的评估。
[0245] 图59A-C显示用于通过CoQlO对内皮细胞功能的调节鉴别关键生物功能节点的探询式生物学平台的结果。这些节点由完全多组学网络（A)、富蛋白质网络的中枢（B)及激酶、脂质组学和功能终点网络的中枢（C)代表。图59B和59C是图59A的分解部分。
[0246] 发明详沐
[0247] I、概沭
[0248] 本发明的示例性实施方式中结合了可以使用探询式生物学平台（"该平台"）实施的方法，该平台是用于理解各种各样的生物学过程（如疾病病理生理学或血管生成）和作为这种生物学过程基础的关键分子驱动子（包括使疾病过程得以发生的因子）的工具。一些示例性实施方式包括可以结合该平台的至少一部分或全部的系统。一些示例性方法可以采用该平台的至少一部分或全部。涉及该平台的一些示例性实施方式的目标和目的出于说明性的目的一般地概述如下：
[0249] i)建立作为生物学过程（例如，疾病过程、血管生成）的关键组成的驱动子的特定分子印记，因为它们与总体生物学过程相关；
[0250] ii)生成与生物学过程相关的分子印记或差异图谱，这可有助于鉴别区分一个生物学状态（例如，疾病状态、血管生成状态）与不同生物学阶段（例如，正常状态）的差异分子印记，和发展对于印记或分子实体的理解，因为它们裁断两种生物学状态之间的变化 (例如，从正常到疾病状态或血管生成状态）的机制；和
[0251] iii)研宄分子活性的"中枢"作为用于生物学过程的外部控制的潜在干预靶标（例如，使用该中枢作为潜在的治疗靶标或血管生成调节的靶标）或作为所讨论的生物学过程的潜在生物标志物（例如，疾病特异性生物标志物和血管生成特异性标志物，用于预后和/ 或治疗诊断用途中）的作用。
[0252] 涉及该平台的一些示例性的方法可以包括一个或多个以下特征：
[0253] 1)在一个或多个模型中，优选在体外模型或实验室模型（例如，CAM模型、角膜囊袋模型、MATRIGEL?模型）中，使用与生物学过程相关的细胞对生物学过程（例如，疾病过程、血管生成过程）和/或生物学过程的成分（例如，疾病生理及病理生理学、血管生成的生理学）建模。例如，细胞可以是人类来源的细胞，其正常地参与所讨论的生物学过程。该模型可包括对于该生物学过程（例如，疾病、血管生成）特异性的各种细胞提示/状态/扰动。在理想的情况下，该模型代表各种（疾病、血管生成）状态和通量成分而不是生物学（疾病、血管生成）状况的静态评估。
[0254] 2)使用领域公认的任何手段确定mRNA和/或蛋白质印记的特征。例如，定量聚合酶链反应（qPCR)和蛋白质组学分析工具如质谱（MS)。这种mRNA和蛋白质数据集代表对环境/扰动的生物学反应。在适用和可能的情况下，脂质组学、代谢组学和转录组学数据也可被整合作为用于所讨论的生物学过程的补充或替代测量值。SNP分析是在该过程中有时可以使用的另一成分。它可以有助于研宄，例如，SNP或特定突变是否对生物学过程有任何影响。这些变量可以用于描述生物学过程，无论是作为静态的"瞬象"或作为动态过程的表现。
[0255] 3)测定对提示和扰动的一个或多个细胞反应，包括但不限于生物能量学谱、细胞增殖、细胞凋亡和细胞器功能。真正的基因型-表型相关性是通过采用功能模型（如ATP、 ROS、OXPHOS、Seahorse分析、胱天蛋白酶分析、迀移分析、趋化性分析、管形成分析等等）实现的。这样的细胞反应代表生物学过程（或其模型）中对相应的mRNA/蛋白质表达的状态以及上面2)中的任何其他相关状态做出响应的细胞反应。
[0256] 4)通过采用基于人工智能（基于AI)的信息学系统或平台，整合在3)中获得的功能分析数据和在2)中获得的蛋白质组学和其它数据，并确定由因果关系驱动的蛋白质相关性。这样的基于AI的系统是基于，优选仅基于，2)和/或3)中得到的数据集，而不采用关于该生物学过程的现有知识。优选地，没有数据点被统计地或人为地切除。相反，所有得到的数据被送入AI系统中用于确定蛋白质相关性。整合过程的一个目标或输出是不同生物学状态（例如，疾病对正常状态）之间的一个或多个差异网络（另外在本文中可称为 " A网络"，或者在某些情况下视情况而称为" A - A网络"）。
[0257] 5)确定基于AI的信息学平台的输出的特征以考察各活性中枢作为潜在治疗靶标和/或生物标志物。这样的谱分析可以基于所获得的数据集完全在计算机中进行而无需采用任何实际的湿式实验室试验（wet-lab experiment)。
[0258] 6)通过采用分子和细胞技术验证活性中枢。这种用基于细胞的湿式实验室实验对输出进行的信息后验证（post-informatic validation)可以是任选的，但它们有助于建立全循环的探询。
[0259] 以上概述的任何或所有途径可以用在涉及任何生物学过程的任何特定应用中，其取决于（至少部分地取决于）具体应用的性质。也就是说，上文所述的一个或多个途径可以被省略或修改，并且可以采用一个或多个附加的途径，其取决于具体的应用。
[0260]提供了说明该平台的各种图表。特别是，在图1中描述了使用该平台鉴别治疗剂的示例性途径的图解。图2中描述了癌症的系统生物学和综合的多生理交互式输出调节的结果的图解。图3中描述了使用MMS的生物相关性系统探询的图解。图4中描述了建模癌症网络以实现探询式生物查询的图解。图5和6中描述了探询式生物学平台和平台中所使用的技术的图解。图7中描述了包括数据采集、数据整合和数据挖掘的平台成分的示意图。图8中描述了使用MMS的系统探询和来自"组学"级联的响应数据收集的示意图。
[0261] 图14是示例性方法10的高水平流程图，其中显示了可以被用来执行该示例性方法的示例性系统的成分。首先，使用通常与生物学过程相关联的细胞建立生物学过程（例如，疾病过程）和/或生物学过程的成分（例如，疾病生理学和病理生理学）的模型（例如，体外模型）（步骤12)。例如，细胞可以是通常参与生物学过程（例如，疾病）的人来源的细胞。细胞模型可包括该生物学过程（例如，疾病）特定的各种细胞提示、状态和/或扰动。在理想的情况下，细胞模型表示各种（疾病）状态和生物学过程（例如，疾病）的通量成分而不是生物学过程的静态评估。对比细胞模型可包括对照细胞或正常（如非病变的）细胞。细胞模型的附加说明出现在下面的III. A和IV部分中。
[0262] 第一数据集是使用任何已知的方法或系统（例如，定量的聚合酶链反应（qPCR)和蛋白质组学分析工具，如质谱（MS))从生物学过程的细胞模型获得，其包括表示多个基因 (例如，mRNA和/或蛋白质印记）的表达水平的信息（步骤16)。
[0263] 第三数据集从生物学过程的对比细胞模型获得（步骤18)。第三数据集包括代表来自对比细胞模型的对比细胞中多个基因的表达水平的信息。
[0264] 在本发明方法的某些实施方式中，这些第一和第三数据集在本文中统称为"第一数据集"，其表示与生物系统相关的细胞（包括对比细胞的所有细胞）中多个基因的表达水平。
[0265] 可以从一个或多个mRNA和/或蛋白质印记分析系统得到第一数据集和第三数据集。第一和第三数据集中的mRNA和蛋白质数据可以代表对环境和/或扰动的生物反应。在适用和可能的情况下，脂质组学、代谢组学和转录组学数据也可以被整合作为生物学过程的补充或替代测量。SNP分析是可以有时使用在该方法中的另一成分。它可以有助于调查，例如，单核苷酸多态性（SNP)或特定的突变对生物学过程是否有任何影响。数据变量可以被用于描述生物学过程，无论是作为静态的"瞬象"，还是作为动态过程的表示。有关获取表示细胞中多个基因的表达水平的其他描述见以下的III.B部分。
[0266] 第二数据集从生物学过程的细胞模型获得，其包括表示细胞的功能活性或反应的信息（步骤20)。类似地，第四数据集从生物学过程的对比细胞模型获得，其包括表示对比细胞的功能活性或反应的信息（步骤22)。
[0267] 在本发明方法的某些实施方式中，这些第二和第四数据集在本文中统称为"第二数据集"，其表示与生物系统相关的细胞（包括对比细胞的所有细胞）的功能活性或细胞反应。
[0268] 可以使用一个或多个功能分析系统以获得有关细胞或对比细胞的功能活性或反应的信息。关于对提示和扰动的功能性细胞反应的信息可包括，但不限于，生物能量学谱、细胞增殖、细胞凋亡和细胞器功能。过程和途径的功能模型（例如，三磷酸腺苷（ATP)、活性氧物质（ROS)、氧化磷酸化（OXPHOS)、Seahorse分析、胱光蛋白酶分析、迀移分析、趋化性分析、管形成分析等）可以被用来获得真正的基因型-表型相关性。功能活性或细胞反应表示在生物学过程（或其模型）中的细胞响应于mRNA/蛋白质表达的相应状态以及任何其他相关应用的状态或扰动的反应。在下面III.B部分中提供有关获得表示细胞的功能活性或反应的信息的附加信息。
[0269] 该方法还包括在细胞和对照细胞中生成生物学过程的计算机执行的模型。例如，可对于细胞模型从第一数据集和第二数据集生成在所述多个基因的表达水平与所述功能活性或细胞反应之间的一个或多个（例如，一整套）因果关系的贝叶斯网络（"生成的细胞模型网络（步骤24)。生成的细胞模型网络（单独或共同地）包括关于关系的定量概率定向信息。所生成的细胞模型网络不是基于来自第一数据集和第二数据集的信息以外的基因表达和/或功能活性或细胞反应之间的已知生物学关系。一个或多个生成的细胞模型网络可统称为一致细胞模型网络。
[0270] 可对于对比细胞模型从第一数据集和第二数据集生成在多个基因的表达水平与功能活性或细胞反应之间的一个或多个（例如，一整套）因果关系的贝叶斯网络（"生成的对比细胞模型网络（步骤26)。生成的对比细胞模型网络（单独地或共同地）包括关于关系的定量概率定向信息。所生成的细胞网络不是基于第一数据集和第二数据集中的信息以外的基因表达和/或功能活性或细胞反应之间的已知生物学关系。一个或多个生成的对比模型网络可统称为一致细胞模型网络。
[0271] 可以使用基于人工智能（基于AI)的信息学平台建立所述生成的细胞模型网络和生成的对比细胞模型网络。关于建立生成的细胞模型网络、建立生成的对比细胞模型网络和基于AI的信息学系统的进一步细节出现在下面III.C部分和图2A-3的描述中。
[0272] 应当指出的是，可以采用许多不同的基于AI的平台或系统来生成包括定量概率定向信息的因果关系的贝叶斯网络。虽然本文所描述的某些实施例采用一个特定的可商业获得的系统，即，来自GNS(剑桥，MA)的REFS?(逆向工程/正向模拟），但对于实施方式并没有限制。适合实施一些实施方式的基于AI的系统或平台采用数学算法以在输入变量 (例如，第一和第二数据集）之间建立因果关系，其仅仅基于输入的数据而没有考虑到之前存在的关于任何潜在的、已建立的和/或验证的生物学关系的知识。
[0273] 例如，基于AI的REFS?信息学平台利用实验得到的粗的（原始的）或最少加工的输入生物学数据（如遗传、基因组学、外遗传、蛋白质组学、代谢组学和临床数据），并迅速执行万亿次计算以确定在完整系统中分子如何相互作用。基于AI的REFS?信息学平台执行逆向工程过程，其旨在基于定量表示基础生物系统的输入数据建立计算机实施的细胞模型（例如，生成的细胞模型网络）。另外，为获得预测，可以在计算机执行的细胞模型的基础上开发和快速模拟关于基础生物系统的假设，伴有关于假设的相关的置信水平。
[0274] 通过这种方式，由定量的计算机实施的细胞模型表示生物系统，其中模拟"干扰" 来了解生物系统（例如，疾病）的详细机制、有效的干预策略和/或确定哪些患者会对给定的治疗方案做出反应的临床生物标志物。传统的生物信息学和统计学方法，以及基于已知生物学的建模的方法，通常不能提供这些类型的见解。
[0275] 建立了生成的细胞模型网络和生成的对比细胞模型网络后，对它们进行比较。鉴别至少存在于一些所生成的细胞模型网络中且在生成的对比细胞模型网络中不存在或具有至少一个显著不同的参数的一个或多个因果关系（步骤28)。这样的对比可以导致建立差异网络。可以使用差异网络建立模块进行对比、鉴别和/或差异（△)网络建立，其在下面的III.D部分和针对图26的说明进一步详细描述。
[0276] 在一些实施方式中，输入数据集是来自一种细胞类型和一种对比细胞类型，其基于该一种细胞类型建立一套细胞模型网络和基于该一种对比对照细胞类型建立另一套对比细胞模型网络。可以在该一种细胞类型的该整套网络和对比细胞类型的该整套网络之间进行差分。
[0277] 在其它实施方式中，输入数据集是来自多种细胞类型（例如，两种或更多种癌症细胞类型、两种或更多种不同血管生成状态的细胞类型，例如通过不同促血管生成刺激诱导的）和多种对比细胞类型（例如，两种或更多种正常的非癌性细胞类型、两种或更多种非血管生成和血管生成细胞类型）。可以分别对于每个细胞类型和每个对比细胞类型单独地生成一整套细胞模型网络，和/或来自多种细胞类型和多种对比细胞类型的数据可以组合成各自的复合数据集。复合数据集生成与多种细胞类型（复合数据）对应的一整套网络，和生成与多种对比细胞类型（对比复合数据）对应的另一整套网络。可以对用于复合数据的该整套网络对比于用于对比复合数据的该整套网络执行差分。
[0278] 在一些实施方式中，可以在两个不同的差异网络之间执行差分。该输出可被称为 A-A网络，并且在下面针对图26进行描述。
[0279] 可以为生成的细胞模型网络中的每个关系确定定量关系信息（步骤30)。类似地，可以确定生成的对比细胞t旲型网络中每个关系的定量关系彳目息（步骤32)。有关该关系的定量信息可以包括表示因果关系的指令、有关该关系的统计不确定性的量度（例如，曲线下面积（AUC)的统计测量）和/或该关系的强度的定量幅度（例如，一倍）的表示。可以使用定量关系信息确定生成的细胞模型网络中的各种关系的特性，来探索网络中作为潜在治疗靶标和/或生物标志物的每个活性中枢。这样的分析可以完全在计算机中基于来自生成的细胞模型网络的结果进行而没有采用任何实际的湿式实验室实验。
[0280] 在一些实施方式中，可以通过采用分子和细胞技术对网络中活性的中枢进行验证。这种用湿式实验室的基于细胞的实验对输出的信息后验证不需要执行，但它可以帮助建立探询的完整循环。图15示意性地描绘了示例性的基于AI的信息学系统（例如，基于 AI的REFS?信息学系统）的功能性和基于AI的系统与探询式生物学平台（"平台"）的其他成分或部分之间相互作用的简化高水平图示。在图15A中，从生物学过程的模型（例如，疾病模型）获得的各种数据集，如药物的剂量、治疗剂量、蛋白质表达、mRNA表达和许多相关功能测量（如OCR、ECAR)的任何一种被送入基于AI的系统中。如图15B所示，AI系统在被称为贝叶斯片段计数（Bayesian Fragment Enumeration)的过程中从输入的数据集创建"网络片段"文库，其包括驱动生物学过程（例如，疾病）中的分子机制的变量（蛋白质、脂质和代谢物）（图15B)。
[0281] 在图15C中，基于AI的系统选择文库中的网络片段的子集，并从该片段构建初始试验网络。基于AI的系统也选择文库中网络片段的不同子集来构建另一初始试验网络。最终从文库中网络片段的不同子集建立一整套初始试验网络（例如，1〇〇〇个网络）。该过程可以被称为平行总体采样。整体中的各个试验网络通过从文库中增加、减去和/或替代额外的网络片段进行进化或优化。如果得到附加数据，该附加数据可被结合到网络文库的网络片段中，并且可以通过各个试验网络的进化被结合到整套试验网络中。优化/进化过程完成后，整套试验网络可以被描述为生成的细胞模型网络。
[0282] 如图1?中所示，整套生成的细胞模型网络可以用来模拟生物系统的行为。模拟可用于预测生物系统对于条件变化的行为，这可以使用基于细胞的或基于动物的湿式实验室实验来验证。另外，可以使用模拟功能，通过向每个节点单独地施加模拟的扰动而同时观察对所生成的细胞模型网络中其他节点的影响，来得到在所生成的细胞模型网络中关系的定量参数。在下面的III. C部分中提供进一步的细节。
[0283] 在图2A-2D中描绘的基于AI的信息学系统的自动化逆向工程过程建立了一整套生成的细胞模型网络，它是该细胞的无偏的和系统的基于计算机的模型。
[0284] 该逆向工程决定了数据中的分子测量之间概率定向网络连接，和感兴趣的表型结果。分子测量中的变异使得能够学习这些实体和终点变化之间的概率的原因和效应关系。平台的机器学习特性也使得交叉训练和不断进化的基于数据集的预测成为可能。
[0285] 数据中分子测量之间的网络连接是"概率性的"，部分地因为连接可以基于由计算机算法"学习"的观察数据集之间的相关性。例如，如果基于数据集的统计分析，蛋白质X和蛋白质Y的表达水平是正相关或负相关的，则可以分配因果关系以建立蛋白质X和Y之间的网络连接。这种推定的因果关系的可靠性可以由该连接的似然性进一步定义，其可以通过P值测定（例如，P〈〇. 1、0.05、0.01等）。
[0286] 数据中分子测量之间的网络连接是"定向的"，部分地是因为分子测量之间的网络连接，如由反向工程过程所确定的，反映连接的基因/蛋白质之间关系的原因和效应，以使得提高一种蛋白质的表达水平可能导致其他蛋白质的表达水平上升或下降，这取决于该连接是刺激性的还是抑制性的。
[0287] 数据中分子测量之间的网络连接是"定量的"，部分地因为分子测量之间的网络连接，如通过该方法所确定的，可以在计算机中基于现有的数据集和与其相关的概率测量来模拟。例如，在分子测量之间所建立的网络连接中，理论上可能会增加或减少（例如，增加或减少1、2、3、5、10、20、30、50、100倍或更高）给定蛋白质的表达水平（或在网络中的"节点"），和定量模拟其对网络中其它连接的蛋白质的影响。
[0288] 数据中分子测量之间的网络连接是"无偏的"，至少部分地因为没有数据点被统计地或人为地切除，和部分地因为该网络连接是仅基于输入的数据，而不涉及关于所讨论的生物学过程的现有知识。
[0289] 数据中分子测量之间的网络连接是"系统的"和（无偏的），部分地因为所有输入变量之间的所有潜在连接已被系统地考察，例如，以成对的方式。执行这种系统性探测的计算能力的可靠性随着输入变量数的增加而呈指数地提高。
[0290] 在一般情况下，一整套约1000个网络通常足以预测所有被测实体之间的概率因果定量关系。该整套网络捕获数据中的不确定性，且使得对于每个模型预测计算置信度量成为可能。使用该整套网络一起产生预测，其中整套中单个网络的预测中的差异代表预测的不确定性程度。此特征使得能够对于从模型生成的临床反应的预测分配置信量度。
[0291] 一旦模型进行逆向工程，可以对整套模型进行进一步模拟质询以确定所讨论的生物学过程如疾病状态的关键分子驱动子。
[0292] 图9中描述了用于建立代表正常和糖尿病状态的示例性体外模型的成分的略图。图10描述了用来生成蛋白质（因为它们涉及到疾病的病理生理学）的因果网络的示例性信息学平台REFS?的示意图。图11中描述了导致生成糖尿病与正常状态的差异网络的示例性方法和通过用MMS治疗恢复到正常状态的糖尿病节点的示意图。图12描述了糖尿病与正常状态的代表性差异网络。图13中描述了感兴趣的节点和相关边界（中心的Nodel) 以及与各个边界相关的细胞功能性的示意图。
[0293] 已在上面概述了本发明，下面的章节中提供了结合可以使用本发明的方法分析的一个或多个特定的生物系统对于总体发明的各个方面或元素的更详细描述。然而，应当指出，对以下仅供说明之用的特定的生物系统没有限制。与此相反，其意图是可以同样使用所述的平台技术分析包括任何的替代、修改及其等同物的其他不同的生物系统。
[0294]II、宙义
[0295] 如本文所用的，旨在特别地定义但在本说明书的其他部分中尚未定义有某些术语在此进行定义。
[0296]在本文中使用的冠词"一"和"一个"指一个或一个以上的（g卩，至少一个）该冠词的语法对象。通过举例的方式，"一元素"是指一个元素或一个以上的元素。
[0297] 本文所用的术语"包括"的意思是短语"包括但不限于"并可与之互换使用。
[0298] 本文所使用的术语"或"的意思是术语"和/或"，并可与之互换使用，除非上下文另有明确说明。
[0299] 本文所用的术语"例如"是指短语"例如但不限于"，并可与之互换使用。
[0300]"代谢途径"指的是将一种化合物转化为另一种化合物并为细胞功能提供中间体和能量的酶介导的反应序列。代谢途径可以是直链的或环状的或支链的。
[0301]"代谢状态"是指在给定时间点，通过各种化学和生物指标（因为它们涉及健康或疾病的状态）测量的特定细胞、多细胞或组织环境的分子含量。
[0302]"血管生成"指的是涉及从预先存在的血管生长新血管的生理过程。血管生成包括至少血管内皮细胞的增殖、（通常响应于趋化剂的）血管内皮细胞的迀移、（通常通过基质金属蛋白酶产生导致的）细胞外基质的降解、基质金属蛋白酶产生、管形成、血管内腔形成、血管出芽、粘附分子表达（通常整联蛋白表达）和分化。取决于培养系统（例如，一维对三维）和细胞类型，血管生成的各个方面可以在体外以及体内生长的细胞中观察到。血管生成细胞或呈现血管生成细胞的至少一种特性的细胞表现出如上所述的1、2、3、4、5、6、 7、8、9种或更多种特性。血管生成的调节子提高或降低至少一种本文中提供的特性。血管生成不同于作为血管的自发形成的血管发生（vasculogenesis)或者套迭是通过现有血管的分裂形成新血管的术语。
[0303]术语"微阵列"指的是在基材，如纸、尼龙或其他类型的膜、过滤器、芯片、玻璃载片或任何其它合适的固体支持物上合成的不同多核苷酸、寡核苷酸、多肽（例如，抗体）或肽的阵列。
[0304]术语"紊乱"和"疾病"包含地使用且指与身体的任何部分、器官或系统（或它们的任意组合）的正常结构或功能的任何偏离。特定的疾病是通过特征性症状和体征表现的，包括生物的、化学的和物理的变化，并往往与多种其他因素相关，包括但不限于，人口统计学、环境、职业、遗传和医疗史因素。可以通过多种方法量化一定的特征性体征、症状及相关因素以得到重要的诊断信息。
[0305]术语"表达"包括通过其从多核苷酸，如DNA产生多肽的过程。该过程可以包括基因转录成mRNA，和该mRNA翻译成多肽。根据其使用的上下文，"表达"可以指RNA、蛋白质或两者的产生。
[0306]术语"基因的表达水平"或"基因表达水平"是指在细胞中由该基因编码的mRNA以及前mRNA新生转录本、转录加工中间体、成熟mRNA和降解产物的水平，或蛋白质的水平。
[0307]术语"调节"指反应的上调（即，激活或刺激）、下调（即，阻遏或抑制），或其组合或分开的两者。"调节子"是调节的化合物或分子，并且可以是，例如，激动剂、拮抗剂、活化剂、刺激剂、阻遏物或抑制剂。
[0308]短语"影响调节子"理解为改变调节子的表达、改变调节子的水平或改变调节子的活性。
[0309] 如本文所用的术语"三乙醇胺（Trolamine) "是指Trolamine NF、 Triethanolamine、TEALAN.'K..、TEAlan 99% >Triethanolamine 99% > Triethanolamine NF或Triethanolamine 99% NF。这些术语在本文中可互换使用。
[0310] 术语"基因组"是指生物实体（细胞、组织、器官、系统、生物体）的遗传信息的全部。它是以DNA或RNA(例如，在某些病毒中）编码的。基因组包括基因和DNA的非编码序列。
[0311] 术语"蛋白质组"是指由基因组、细胞、组织或生物体在给定时间表达的蛋白质的整个集合。更具体地说，它可以指在限定的状态下在给定时间给定类型的细胞或生物体中表达的蛋白质的整个集合。蛋白质组可以包括由于例如，基因的选择性剪接和/或翻译后修饰（如糖基化或磷酸化）导致的蛋白质变体。
[0312] 术语"转录组"是指在给定的时间一个或一群细胞中产生的转录RNA分子的整个集合，包括1111?嫩、冰嫩31?嫩、微1?嫩、(1。61'底物1?嫩和其他非编码1?嫩。该术语可被应用于给定的生物体中转录本的总集，或应用于在特定细胞类型中存在的转录本的特定子集。与对于给定的细胞系大致固定（不包括突变）的基因组不同，转录组可以随外部环境条件而变化。因为细胞中包括了所有的mRNA转录物，转录组反映了在任何给定的时间活跃地表达的基因，除了 mRNA降解现象，如转录弱化。
[0313] 转录组学的研宄（也被称为表达谱）考察给定的细胞群中mRNA的表达水平，通常采用基于DNA微阵列技术的高通量技术。
[0314] 术语"代谢组"是指在给定状态下在给定时间在生物样品内，如单一有机体中，发现的小分子代谢物（如代谢中间体、激素和其他信号分子和次级代谢产物）的完整集合。代谢组是动态的，且可以随时地（from second to second)改变。
[0315] 术语"脂质组"是指在给定状态下在给定时间在生物样品（如单一生物体中）发现的脂质的完整集合。脂质组是动态的，且可以随时改变。
[0316] 术语"相互作用组（interactome)"是指在研宄中的生物系统（例如，细胞）中分子相互作用的整个集合。它可以被显示为定向的图形。分子相互作用可以发生在属于不同的生物化学家族（蛋白质、核酸、脂质、碳水化合物等）且也在给定家族内的分子之间发生。当在蛋白质组学方面来说，相互作用组是指蛋白质-蛋白质相互作用网络（PPI)，或蛋白质相互作用网络（PIN)。另一个广泛研宄的相互作用组类型是蛋白质-DNA相互作用组（转录因子形成的网络（和DNA或染色质调节蛋白质）和其靶基因）。
[0317] 术语"细胞输出"包括涉及细胞状态的参数的集合，优选可测量的参数，所述细胞的状态包括（不限于）：一个或多个基因的转录水平（例如，通过RT_PCR、qPCR、微阵列等可测量的）、一种或多种蛋白质的表达水平（例如，通过质谱法或蛋白质印迹等可测量的）、一种或多种酶或蛋白质的绝对活性（例如，作为底物转化率可测量的）或相对活性（例如，作为与最大活性相比的％值可测量的）、一种或多种代谢物或中间体的水平、氧化磷酸化水平 (例如，通过耗氧率或OCR可测量的）、糖酵解水平（例如，通过细胞外酸化率或ECAR可测量的）、配体-靶结合或相互作用的程度、细胞外分泌分子的活性等。细胞输出可以包括预先确定数的靶基因或蛋白质等的数据，或者可以包括对所有可检测的基因或蛋白质的整体评估。例如，可使用质谱法来确定和/或定量在给定的样品或细胞群体中表达的所有可检测的蛋白质，而没有在样品或细胞群体是否可以表达任何特定蛋白质的先前知识。
[0318] 如本文所用的"细胞系统"包括同质的或异质的细胞群体。在系统内的细胞可以在自然的或生理的环境下在体内生长，或者可以在体外生长，例如，在受控的组织培养环境中。在系统内的细胞可以是相对同质的（例如，不低于70%、80%、90%、95%、99%、 99. 5%、99. 9%同质的），或者可以包含两种或更多种细胞类型，如通常发现在体内密切接近生长的细胞类型，或可以通过例如旁分泌或其他长距离细胞间通讯在体内彼此相互作用的细胞类型。细胞系统内的细胞可以源自建立的细胞系，包括癌细胞系、永生细胞系或正常细胞系，或可以是原代细胞或新从活组织或器官分离的细胞。
[0319] 细胞系统中的细胞通常与可以提供营养物、气体（氧气或二氧化碳等）、化学品或蛋白质性的/非蛋白质性的刺激物（其可以限定影响细胞行为的条件）的"细胞环境"接触。细胞环境可以是具有限定的化学成分和/或不太明确限定的组织提取物或血清成分的化学介质，并且可以包括细胞在其中生长的特定pH、co 2含量、压力和温度。或者，细胞环境可以是在体内发现的对于特定细胞系统的天然的或生理的环境。
[0320] 在某些实施方式中，细胞环境包括模拟生物系统或过程的方面的条件，例如，模拟疾病状态、过程或环境。这样的培养条件包括，例如，高血糖、缺氧或富乳酸条件。本文描述了许多其他此类条件。
[0321] 在某些实施方式中，特定细胞系统的细胞环境还包括细胞系统的某些细胞表面特征，如细胞表面上的受体或配体的类型和它们各自的活性、碳水化合物或脂质分子的结构、膜极性或流动性、某些膜蛋白质的成簇状态等。这些细胞表面特征可以影响附近细胞的功能，如属于不同细胞系统的细胞。然而，在某些其它实施方式中，细胞系统的细胞环境不包括细胞系统的细胞表面特征。
[0322] 细胞环境可以被改变成为"改变的细胞环境"。变化可以包括在细胞环境中发现的任何一个或多个成分的改变（例如，增加或减少），包括向细胞环境添加一种或多种"外部刺激成分"。环境扰动或外部刺激成分可以是细胞环境内源的（例如，细胞环境包含了某些水平的刺激物，和添加更多相同的刺激物以提高其水平），或者可以是细胞环境外源的（例如刺激物大多不存在于改变前的细胞环境中）。细胞环境还可以通过添加外部刺激成分导致的继发性变化而改变，由于外部刺激成分可以改变细胞系统的细胞输出，包括通过细胞系统分泌到细胞环境中的分子。
[0323] 如本文所用的"外部刺激成分"，在这里也称为"环境扰动"，包括可能影响细胞功能的任何外部的物理和/或化学刺激。这可以包括任何大或小的有机或无机分子、天然或人工合成的化学物质、温度转变、pH变化、辐射、光（UVA，UVB等）、微波、声波、电流、调制的或未调制的磁场等。
[0324] 术语"多维细胞内分子（MM) "是身体自然产生的和/或存在于人的至少一个细胞中的内源性分子的分离形式或合成产生的形式。MIM能够进入细胞，且进入细胞包括完全或部分进入细胞，只要分子的生物活性部分整体进入细胞。MIM能够诱导细胞内的信号转导和/或基因表达机制。MIM是多维的，因为分子具有治疗剂和载体（例如，药物递送）效果两者。MIM是多维的，还因为分子在疾病状态中以一种方式起作用和在正常状态中以不同方式起作用。例如，在辅酶Q10的情况下，在VEGF存在下向黑色素瘤细胞施用辅酶Q10导致Bcl2水平下降，这随之导致黑色素瘤细胞的致癌潜力降低。与此相反，在正常的成纤维细胞中，共同施用辅酶Q-10和VEFG对Bcl2水平没有影响。
[0325] 在一个实施方式中，MM也是表观代谢转变剂。在另一个实施方式中，MM不是表观代谢转变剂。在另一个实施方式中，MIM特征在于一个或多个上述功能。在另一个实施方式中，MM特征在于两个或更多个上述功能。在进一步的实施方式中，MM特征在于三个或更多个上述功能。而在另一实施方式中，MIM特征在于上述的所有功能。本领域技术人员将会理解，本发明的MIM还意图包括两种或更多种内源性分子的混合物，其中所述混合物特征在于一个或多个上述功能。在该混合物中的内源性分子以一定比率存在以使得该混合物作为MIM发挥功能。
[0326] MM可以是基于脂质或非基于脂质的分子。MM的例子包括，但不限于，辅酶Q10、乙酰Co-A、棕榈酰Co-A、左旋肉碱、氨基酸如，例如，酪氨酸、苯丙氨酸和半胱氨酸。在一个实施方式中，MIM是小分子。在本发明的一个实施方式中，MIM不是辅酶Q10。本领域技术人员可以使用本文中详细描述的任何分析方法常规在鉴别MIM。在US 12/777, 902 (US 2011-0110914)中进一步详细描述了 MM，其全部内容明确地并入本文作为参考。
[0327] 如本文所用的"表观代谢转变剂"（表观转换剂）是调节从健康（或正常）的状态转变为疾病状态（反之亦然）的代谢转换的分子，从而在人体内保持或重建细胞、组织、器官、系统和/或宿主健康。表观代谢转变剂能够完成组织微环境的正常化。例如，表观代谢转变剂包括当被添加到细胞中或从细胞耗尽时能够影响细胞的微环境（例如，代谢状态）的任何分子。本领域技术人员将会理解，本发明的表观代谢转变剂还意图包括两种或更多种分子的混合物，其中所述混合物特征在于一个或多个上述功能。该混合物中的分子以一定比例存在以使得该混合物作为表观代谢转变剂发挥功能。表观代谢转变剂的实例包括，但不限于，辅酶Q10 ;维生素D3 ;ECM成分如纤连蛋白；免疫调节剂，如TNFa或任何白细胞介素，如IL-5、IL-12、IL-23 ;血管生成因子和细胞凋亡因子。
[0328] 在一个实施方式中，表观代谢转变剂也是MM。在一个实施方式中，表观代谢转变剂不是辅酶Q10。本领域技术人员可以使用本文中详细描述的任何分析常规地鉴别表观代谢转变剂。US 12/777, 902 (US2011-0110914)中进一步详细描述了表观代谢转变剂，其全部内容明确地并入本文作为参考。
[0329] 其他在本申请中未明确定义的术语具有与本领域普通技术人员所理解的相同的含义。
[0330] III、平台抟术的示例件步骤和成分
[0331] 仅用于说明目的，所述平台技术的以下步骤可以在下文作为用于整合从定制的癌模型获得的数据和用于鉴别驱动癌症发病的新蛋白质/途径的示例性用途被描述。从这一分析所得的关系图谱提供癌症治疗靶标以及与癌症相关的诊断/预后标志物。然而，所述平台技术具有对于任何生物系统或过程的普遍适用性，并不限于任何特定的癌症或其他特定的疾病模型。
[0332] 此外，虽然下面的描述在某些部分中作为离散的步骤呈现，但它是用于说明的目的和简单的原因，因此，在现实中，这并不意味着这样的严格的步骤顺序和/或分界。此外，本发明的步骤可以独立地进行，且此处提供的本发明意图单独地包含各单个步骤，以及所述平台技术的一个或多个步骤（例如，任何一个、两个、三个、四个、五个、六个或所有七个步骤）的组合，其可以独立于其余的步骤而进行。
[0333] 本发明还意图包括作为本发明的独立成分和实施方式的平台技术的所有方面。例如，所生成的数据集意图是本发明的实施方式。作为进一步的例子，生成的因果关系网络、生成的一致因果关系网络和/或生成的模拟因果关系网络也意图是本发明的实施方式。确定为生物系统中独特的因果关系意图是本发明的实施方式。另外，对于特定生物系统定制的模型也意图是本发明的实施方式。例如，用于疾病状态或过程定制的模型，如，例如，血管生成模型、癌症、肥胖症/糖尿病/心血管疾病的细胞模型或者药物的毒性（如心脏毒性）的定制模型也意图是本发明的实施方式。
[0334] A、宙制樽塑构律
[0335] 平台技术的第一步是建立用于生物系统或过程的模型。
[0336] 1.血管生成模型
[0337] 体外和体内血管生成模型是已知的。例如，在实施例中详细地提供了使用人脐带血管内皮细胞（HUVEC)的体外模型。简而言之，当HUVEC在亚汇合培养物中生长时，它们呈现血管生成细胞的特性。当HUVEC在汇合培养物中生长时，它们不呈现血管生成细胞的特性。血管生成级联中的大多数步骤可以在体外分析，包括内皮细胞增殖、迀移和分化。增殖研宄是基于细胞计数、胸苷掺入或细胞增殖（通过测量PCNA)或细胞死亡（通过末端脱氧核苷酸转移酶介导的dUTP缺刻末端标记或Tunel分析）的免疫组织化学染色。趋化性可以在由滤膜分隔的上孔和下孔组成的博伊登室中检验。趋化性溶液置于下孔中，细胞添加到上孔，且在孵育期后，已经朝向趋化刺激迀移的细胞在膜的下表面上计数。细胞迀移也可以使用在以下实施例中提供的"划痕"分析进行研宄。分化可以在体外通过在不同ECM成分（包括二维和三维纤维蛋白凝块、胶原凝胶和基质胶）中培养内皮细胞诱导。微血管也已证明从嵌入三维纤维蛋白凝胶中的大鼠主动脉环生成。基质金属蛋白酶表达可以通过酶原分析方法进行分析。
[0338] 视网膜脉管系统在小鼠中在出生时未完全形成。血管生长和血管生成已在这一模型中详细研宄。分段的视网膜可以用于分析作为正常生物学过程的血管生成。
[0339] 鸡绒毛尿囊膜（CAM)分析是本领域中公知的。鸡幼胚缺乏成熟的免疫系统且因此用于研宄肿瘤诱导的血管生成。组织移植物通过蛋壳中形成的窗口置于CAM上。这引起血管朝向移植物的典型径向重排和植入后四天内移植物周围血管的明显增加。进入移植物的血管在立体显微镜下计数。为评估测试物质的抗血管生成和血管生成活性，化合物在慢释聚合物药丸中制备，通过明胶海棉吸附或在塑料盘上空气干燥且随后植入到CAM上。已经描述了 CAM分析的几种变型，包括无壳胚在皮氏皿中的培养和不同定量方法（S卩，使用放射标记的脯氨酸测量基底膜生物合成的速率、在显微镜下计数血管数目或成像分析）。
[0340] 角膜呈现体内无血管位点。因此，从边缘穿透到角膜基质中的任何血管可以确定为新形成的。为诱导血管生成反应，缓释聚合物药丸[即，聚-2-羟基乙基-甲基丙烯酸酯 (Hydron)或乙烯-乙酸乙烯酯共聚物（ELVAX)](包含血管生成物质（即，VEGF的FGF-2)) 植入在兔的角膜基质中形成的"囊袋"中。并且，多种多样的组织、细胞、细胞提取物和条件化培养基已经检验其对角膜中血管生成的作用。血管反应可以在用India墨水灌注角膜后通过计算机图像分析进行定量。角膜可以使用本文中提供的平台方法收获和分析。
[0341] MATRIGEL?是称为Engelbreth-Holm-Swarm鼠肉瘤的小鼠基底膜肿瘤的基质。它是基底膜蛋白质（包括层粘连蛋白、IV型胶原蛋白、硫酸乙酰肝素、纤维蛋白）和生长因子（包括EGF、TGF-b、PDGF和IGF-1)的复杂混合物。其先前开发用于研宄体外内皮细胞分化。但是，含FGF-2的MATRIGEL?可以皮下注射到小鼠中。MATRIGEL? 在4°C下是液体但在37°C下形成固体凝胶，其封闭生长因子以使其缓慢释放。通常，在10 天后，MATRIGEL?塞除去且血管生成在塞切片中通过组织学或形态测量方式定量。 MATRIGEL?塞可以使用本文中提供的平台方法收获和分析。
[0342] 2.体外疾病模型
[0343] 生物系统或过程的实例是癌症。如任何其他复杂的生物学过程或系统一样，癌症是复杂的病理状态，其特征在于多个独特的方面。例如，由于其高生长率，许多癌细胞适应于在缺氧状态下生长、具有上调的糖酵解和降低的氧化磷酸化代谢途径。其结果是，与正常细胞响应于相同处理的反应相比较，癌细胞可以对环境的扰动（例如潜在药物的治疗）做出不同的反应。因此，与正常细胞的反应相比，破译癌症对药物治疗的独特反应是有利的。为此，可以建立定制的癌症模型以通过建立与癌症细胞在体内癌症中的条件非常接近的细胞培养条件（例如，在体内的肿瘤内）模拟癌细胞的环境，或通过分离癌细胞的不同生长条件模仿癌生长的各个方面。
[0344] 一个这样的癌症"环境"或生长应激状态是缺氧状态，这是通常在实体瘤内发现的状态。缺氧可以使用该领域公认的方法在细胞中诱导。例如，缺氧可以通过将细胞系统放置在模块化培养箱（MIC-101，Billups-Rothenberg Inc.Del Mar，CA)中诱发，其可以用含 5% C02、2% 02和93%氮的工业气体混合物冲洗。可以在预先确定的时期后，如在缺氧处理后24小时，在具有或没有额外的外部刺激成分（例如，0、50或100 yM的辅酶Q10)的情况下测量效果。
[0345] 同样，细胞的乳酸处理模仿其中糖酵解活性高的细胞环境，如体内癌症环境中存在的。可以在预先确定的时间，例如，在24小时时，在具有或没有额外的外部刺激成分（例如，0、50或lOOyM的辅酶Q10)的情况下在约12. 5mM的最终乳酸浓度下调查乳酸诱导的应激。
[0346] 高血糖是通常见于糖尿病中的状态，然而，高血糖也在一定程度上模仿癌生长的一个方面，因为许多癌细胞依赖于葡萄糖作为其主要的能量来源。将所述细胞暴露于典型的高血糖条件可包括向合适的培养基加入10%的培养级的葡萄糖，以使得培养基中的葡萄糖的终浓度为约22mM。
[0347] 可以在定制的癌症模型中独立地研宄反映癌生长的不同方面的单独情况，和/或可以结合在一起研宄。在一个实施方式中，在定制的癌模型中研宄了至少2、3、4、5、6、7、8、 9、10、15、20、25、30、40、50或更多的反映或模拟癌的生长/状态的不同方面的状态的组合。在一个实施方式中，在定制的癌模型中研宄反映或模拟癌生长/状态的不同方面的状态的单个状态和另外地至少2、3、4、5、6、7、8、9、10、15、20、25、30、40、50或更多状态的组合。在前述列表中给出的所有值也可以是范围的上限或下限，其意图是本发明的部分，例如，1至 5、1 至 10、1 至 20、1 至 30、2 至 5、2 至 10、5 至 10、1 至 20、5 至 20、10 至 20、10 至 25、10 至 30或10至50个不同的状态。
[0348] 本文下面列出的是一些示例性的状态组合，其可用于处理细胞。其它组合可以很容易地根据进行的特定探询式生物学评估而制订。
[0349] 1、仅培养基
[0350] 2、50yMCTL辅酶Q10(C〇Q10)
[0351] 3、100 yM CTL 辅酶 Q10
[0352] 4、12.5mM 乳酸
[0353] 5、12. 5mM 乳酸 +50yM CTL 辅酶 Q10
[0354] 6、12.5mM 乳酸+100yM CTL 辅酶Q10
[0355] 7、缺氧
[0356] 8、缺氧 +50yM CTL 辅酶 Q10
[0357] 9、缺氧+100yM CTL 辅酶Q10
[0358] 10、缺氧+12. 5mM 乳酸
[0359] 11、缺氧+12. 5mM 乳酸+50yMCTL辅酶 Q10
[0360] 12、缺氧 +12. 5mM 乳酸 +100 y M CTL 辅酶 Q10
[0361] 13、培养基+22mM葡萄糖
[0362] 14、50 yMCTL辅酶 Q10+22mM 葡萄糖
[0363] 15、100 y M CTL 辅酶 Q10+22mM 葡萄糖
[0364] 16、12. 5mM 乳酸+22mM 葡萄糖
[0365] 17、12. 5mM 乳酸 +22mM 葡萄糖 +50 yM CTL辅酶 Q10
[0366] 18、12. 5mM 乳酸 +22mM 葡萄糖 +100 y M CTL 辅酶 Q10
[0367] 19、缺氧+22mM葡萄糖
[0368] 20、缺氧 +22mM 葡萄糖 +50 y M CTL 辅酶 Q10
[0369] 21、缺氧+22mM 葡萄糖+100yM CTL 辅酶 Q10
[0370] 22、缺氧+12. 5mM乳酸+22mM葡萄糖
[0371] 23、缺氧+12. 5mM 乳酸+22mM 葡萄糖+50yM CTL 辅酶Q10
[0372] 24、缺氧 +12. 5mM 乳酸 +22mM 葡萄糖 +100 y M CTL 辅酶 Q10
[0373]作为对照，在类似的状态下培养一个或多个正常细胞系（例如，THLE2和HDFa)，以便确定癌症独特的蛋白质或途径（见下文）。对照可以是上述的对比细胞模型。
[0374]相同或不同起源的多个癌细胞（例如，癌细胞系PaCa2、H印G2、PC3和MCF7)，而不是单一癌细胞类型，可以被包括在癌症模型中。在某些情况下，不同的癌细胞（例如，H印G2 和PaCa2)之间的交互式或ECS实验可以针对几种相互关联的目的而进行。
[0375] 在一些涉及交互的实施方式中，在定义的处理条件下（例如，高血糖，缺氧（缺血）），在细胞模型上进行的实验设计为通过另一个细胞系统或群体（如胰腺癌PaCa2)确定一个细胞系统或群体（如肝癌细胞ffepG2)的细胞状态或功能的调制。根据典型的设置，第一细胞系统/群体接触外部刺激成分，如候选分子（例如，小的药物分子、蛋白质）或候选条件（例如，缺氧、高糖环境）。作出响应，第一细胞系统/群体改变其转录组、蛋白质组、代谢组和/或相互作用组，从而导致可以很容易地在细胞内和细胞外检测的变化。例如，转录的变化可以通过多个目标mRNA的转录水平测量；蛋白质组的变化可以通过多个目标蛋白质的表达水平测量；以及代谢组的变化可以通过对给定代谢物特别设计的分析通过多个目标代谢物的水平测量。可选择地，上述所指的代谢组和/或蛋白质组（至少关于某些分泌的代谢物或蛋白质）的变化也可以通过他们对第二细胞系统/群体的效应进行测量，包括第二细胞系统/群体的转录组、蛋白质组、代谢组、相互作用组的调节。因此，该实验可用于确定第一细胞系统/群体分泌的目标分子在不同处理条件下对第二细胞系统/群体的影响。该实验也可以用于通过，例如，蛋白质组学差分筛选用来鉴别作为第一细胞系统（响应于外部刺激成分处理）对另一细胞系统的信号传导的结果而调节的任何蛋白质。相同实验设置也可以适应于反向设置，以至于也可以评估两个细胞系统间的相互影响。通常，对于这种类型的实验，细胞系对的选择主要是基于例如来源、疾病状态和细胞功能的因素。
[0376] 虽然双细胞系统通常包括在这种类型的实验设置中，但类似的实验也可以被设计用于两个以上的细胞系统，例如，通过在单独的固相支持物上固定各个不同的细胞系统。
[0377] 定制的模型一旦建立，可以将一个或多个"扰动"应用到该系统，如从病人与病人之间的遗传变异，或具有/没用某些药物或前药的处理。见图15D。可以使用本领域公认的或专有的各种方法测量这种扰动对系统的影响，包括对疾病相关的癌症细胞和疾病相关的正常对照细胞的影响，如下文III. B节中所描述的。
[0378] 在示例性的实验中，癌细胞系PaCa2、H印G2、PC3和MCF7及正常细胞系THLE2和 HDFa在高血糖、缺氧、富乳酸条件的各种条件中以及在这些条件中两种或三种条件的所有组合中，并且另外在具有或没有环境扰动（特别是辅酶Q10的治疗）的情况下适应。
[0379] 通过实施本文中所描述的步骤，可以在本发明的平台技术的整个步骤中建立和使用定制的细胞模型以最终确定在该生物系统中独特的因果关系。但是，本领域技术人员可以理解，用来生成生物学过程的初始的"第一代"一致因果关系网络的定制建立的细胞模型可以随着时间不断地进化或扩展，例如，通过引入另外的癌症或正常细胞系和/或另外的癌症条件。可以收集来自进化的细胞模型的另外的数据，即来自细胞模型的新增加部分的数据。然后可以将从扩展或进化的细胞模型（即，从细胞模型的新增加部分）收集的新数据引入先前用来生成"第一代"一致因果关系网络的数据集，以便生成更强大的"第二代"一致因果关系网络。然后可以从"第二代" 一致因果关系网络确定该生物系统独特的新因果关系。以这种方式，细胞模型的进化提供了一致因果关系网络的演变，从而提供对于该生物系统的调节子的新的和/或更可靠的深入了解。
[0380] 本文中详细描述了定制的细胞模型的其他实例。
[0381] B、数据收集
[0382] 在一般情况下，可从任何定制的模型系统收集两种类型的数据。一种类型的数据 (例如，第一数据集，第三数据集）通常涉及某些大分子的水平，如DNA、RNA、蛋白质、脂质等，此类别的示例性数据集是蛋白质组学数据（例如，涉及来自样品的所有或基本上所有可测量蛋白质的表达的定性和定量数据）。其他类型的数据一般是功能数据（例如，第二数据集，第四数据集），其反映了第一类型数据中的变化导致的表型改变。
[0383] 对于第一类型的数据，在一些示例性实施方式中，进行定量聚合酶链反应（qPCR) 和蛋白质组学分析来通过定量聚合酶链反应（qPCR)和蛋白质组学确定细胞mRNA和蛋白质表达的变化的特征。可以使用市售的RNA分离试剂盒分离总RNA。cDNA合成后，可以使用用于疾病区域或细胞过程（如血管生成、细胞凋亡和糖尿病）的特定市售qPCR阵列（例如，那些购自SA Biosciences的），按照制造商的说明来确定一组预定基因的特征。例如， Biorad CFX-384扩增系统可用于所有的转录谱分析实验。数据收集（Ct)后，可以使用如制造商的说明中列出的set方法确定相对于对照的最终倍数变化。可以按后续章节中所描述的进行蛋白质组学样品分析。
[0384] 所述方法可以采用数百个具有类似性质的样品的大规模高通量的定量蛋白质组学分析，并提供用于确认细胞输出差异所必需的数据。
[0385] 有许多适合这一目的本领域公认的技术。下面简要地描述示例性的技术，与质谱结合的iTRAQ分析。
[0386] 定量蛋白质组学方法是基于采用8-重iTRAQ试剂的稳定同位素标记和用于肽鉴别和定量的2D-LC MALDI MS/MS。使用这种技术的定量是相对的：肽和蛋白质被赋予相对于参比样品的丰度比。多重iTRAQ实验中常用的参比样品有利于整个多重iTRAQ实验中样品的对比。
[0387] 例如，要实施这种分析方案，可以按照制造商的建议将6个初始样品和两个对照池样品组合成一个8-重iTRAQ混合物。然后可以由二维液相色谱法将这一 8样品的混合物分离，第一维度中的强阳离子交换（SCX)和第二维度中的反相HPLC，然后可以进行质谱分析。
[0388] 本文提供了可以使用的示例性实验室程序的简要概述。
[0389] 蛋白质的提取：可以用8M尿素裂解缓冲液与蛋白酶抑制剂（不含EDTA的Thermo Scientific Halt蛋白酶抑制剂）裂解细胞，并在冰上孵育30分钟，每10分钟涡旋 (vertex)5秒。可以以5秒的脉冲通过超声波完成裂解。可以将细胞裂解物在14000Xg下离心15分钟（4°C)以除去细胞碎片。可以进行Bradford分析以确定蛋白质的浓度。取自各个样品的l〇〇ug蛋白质可以还原（10mM的二硫苏糖醇（DTT)，55°C，1小时）、烷基化（25mM 的碘乙酰胺，室温，30分钟）和用胰蛋白酶消化（l :25W/w，200mM三乙基碳酸氢铵（TEAB)， 37°C，16 小时）。
[0390] 分泌组样品的制备：1)在一个实施方式中，可以将细胞培养在无血清培养基中：可以通过冷冻干燥器浓缩条件化的培养基、还原（10mM的二硫苏糖醇（DTT)，55°C，1小时）、烷基化（25mM的碘乙酰胺，在室温下，孵育30分钟）和然后用丙酮沉淀脱盐。可以用胰蛋白酶（l :25W/w，200mM三乙基碳酸氢铵（TEAB)，37°C，16小时）消化来自浓缩的条件化培养基的等量蛋白质。
[0391] 在一个实施方式中，细胞可以培养在含血清培养基中：可以使用3k MWC0 Vivaspin柱（GE Healthcare Life Sciences)减小培养基的体积，然后可以用 lxPBS(Invitrogen)重构。可以按照制造商的说明使用带有缓冲交换的改进以优化条件培养基应用的AlbuVoid柱（Biotech Support Group, LLC)从所有样品中耗尽血清白蛋白质。
[0392] iTRAQ 8重标记：可以将来自各实验组中各个胰蛋白酶消化的试样汇集在一起以建立汇集的对照样品。可以根据制造商的方案（ABSciex)将来自各个样品和汇集的对照样品的相等试样用iTRAQ 8重试剂标记。反应物可以组合，真空至干，通过添加0.1%甲酸再悬浮，并通过LC-MS/MS进行分析。
[0393] 2D-NanoLC-MS/MS :所有的标记肽混合物可以通过在线2D-nanoLC分离并通过电喷雾串联质谱进行分析。实验可以在与配备有纳米电喷射离子源（Thermo Electron, Bremen, Germany)的 LTQ Orbitrap Velos 质谱仪连接的 Eksigent 2D nanoLC Ultra系统上进行。
[0394] 可以将肽混合物以4yL/分钟的流量注入5厘米SCX柱（300 ym ID，5ym，聚SULFOETHYL Aspartamide柱，来自PolyLC列，哥伦比亚，MD)，和在10个离子交换洗脱片段中洗脱到C18捕获柱（2. 5厘米，100ym ID，5ym，300埃ProteoP印II，来自New 01^_6(^"6，1〇1311111，嫩）中并用1120/0.1%?4洗涤5分钟。然后可以进一步用2-45% B (H20/0. 1 % FA (溶剂A)和ACN/0. 1 % FA (溶剂B))梯度在15厘米熔融石英柱（75 y m ID， 5 y m，300 埃ProteoPepII，来自 New Objective, Woburn, MA)上以 300nL/ 分钟进行分离 120 分钟。
[0395] 可以在Orbitrap中以30, 000分辨率获得全扫描MS谱（m/z300-2000)。可以对于使用高能C-阱解离（HCD)的片段化顺序地分离最强的离子（最多10个）和动态排除 (dynamically exclude)30秒。可以用1.2Da的分离宽度进行HO)。可以在分辨率为7500 的Orbitrap中扫描所产生的碎片离子。可以通过Xcalibur 2. 1用foundation 1. 0? 1控制 LTQ Orbitrap Velos。
[0396] 多肽/蛋白质鉴定和定量：可以通过使用Proteome Discoverer软件（Thermo Electron)用Mascot搜索引擎对SwissProt数据库的自动数据库检索鉴别多肽和蛋白质。检索参数可以包括对于MS公差（MS tolerance)的lOppm、对于MS2公差的0? 02Da和完全胰蛋白酶消化，从而允许最多2个缺失的裂隙。脲基甲基化（C)可以设置为固定的修饰。氧化（M)、TMT6和脱酰胺化（NQ)可以设置为动态的修饰。肽和蛋白质的鉴定可以用Mascot 显著性阈值（P〈〇. 05)过滤。过滤器可以容许蛋白质鉴别的99%置信水平（1% FDA)。
[0397] ProteomeDiscoverer软件可以对报告离子应用校正因子，且如果不是所有定量通道都存在，可以拒绝所有的定量值。可以通过平均强度的标准化获得相对蛋白质定量。
[0398] 关于第二类型的数据，在一些示例性实施方式中，癌和正常模型的生物能量学谱分析可以采用Seah 〇rSeTMXF24分析仪来实现对糖酵解和氧化磷酸化成分的理解。
[0399] 具体而言，可以将细胞以最佳密度接种在Seahorse培养板上。这些细胞可以被接种在100 y 1的培养基或处理溶液中并置于含5% 0)2的37°C培养箱中。两小时后，当细胞附着到24孔板上，可以添加另外的150 y 1的培养基或处理溶液且板可留在培养温育箱内过夜。这一两步接种程序允许细胞在培养板中均勾分布。包含氧和pH传感器的Seahorse 盒可以在37°C的无二氧化碳培养箱中在校准流体中水化过夜。通常将三个线粒体药物加载到该盒的三个端口上。可以将寡霉素（复合体III抑制剂）、FCCP(解偶联剂）和鱼藤酮 (复合体I抑制剂）分别加载到该盒的端口 A、B和C中。可以在非缓冲的DMEM培养基中以10倍浓度制备所有药物原液。在测定前，可以先将盒与线粒体化合物在无C0 2培养箱中孵育约15分钟。可以在含有在正常的生长培养基中发现的浓度的葡萄糖的DMEM基非缓冲培养基中洗涤Seahorse培养板。细胞可以用630 y 1非缓冲培养基成层，并可以在将其置于具有预校准盒的Seahorse仪中之前在无C02培养箱中平衡。可以在通过端口启动药物注射前，将该仪器运行具有混合、等待和测量周期的三四个循环以获得基线。在引入下一药物之前可以有两个循环。
[0400] OCR(耗氧率）和ECAR(细胞外酸化率）可以通过电极在7y1室中记录且可以用推靠seahorse培养板的盒来建立。
[0401] C、数据整合与计筧机樽塑牛成
[0402] 一旦已获得相关的数据集，可以使用基于AI的信息学系统或平台（例如， REFS?平台）进行数据集的整合和计算机执行的统计模型的生成。例如，示例性的基于AI的系统可以产生蛋白质相关性的基于模拟的网络作为代谢终点（ECAR/0CR)的关键驱动子。见图15。关于REFS?系统的一些背景细节可见于Xing等，"Causal Modeling Using Network Ensemble Simulations of Genetic and Gene Expression Data Predicts Genes Involved in Rheumatoid Arthritis"，PLoS Computational Biology, vol. 7, issue. 3, 1-19(2011 年 3 月）（el00105)和 Periwal 的 7, 512, 497 号美国专利，其各自的全部内容以其整体明确地通过引用并入本文。在本质上，如前面所述，REFS? 系统是基于AI的系统，它采用数学算法来建立输入变量（例如，蛋白质表达水平、mRNA表达水平以及相应的功能数据，如在Seahorse培养板上测量的0CR/ECAR值）之间的因果关系。这个过程只基于单独的输入数据，而没有考虑之前存在的关于任何潜在的、已建立的和 /或验证的生物学关系的知识。
[0403] 特别是，本发明的平台的显著优势是，基于AI的系统是基于从细胞模型获得的数据集，而不诉诸于或考虑涉及该生物学过程的本领域中的任何现有的知识。此外，优选地，没有统计地或人为地切除数据点，而是所有获得的数据被送入用于确定蛋白质相关性的AI 系统中。因此，从平台产生的所得统计模型是无偏的，因为他们不考虑任何已知的生物学关系。
[0404] 具体来说，可以将来自蛋白质组学和ECAR/OCR的数据输入到基于AI的信息系统中，其如上所述地基于数据关联构建统计模型。然后使用以下方法对各种疾病与正常情况 (包括处理和条件）得到蛋白质相关性的基于模拟的网络。
[0405] 在下面相对于图16呈现用于构建生成的（例如，优化或进化的）网络的示例性过程的详细描述。如上所述，将来自蛋白质组学的数据和功能细胞数据输入到基于AI的系统中（步骤210)。预处理输入数据（其可能是原始数据或最低处理的数据），其可以包括标准化（例如，使用分位函数或内部标准）（步骤212)。预处理还可以包括输入缺失的数据值 (例如，通过使用K最近邻（K-NN)算法）（步骤212)。
[0406] 预处理的数据用来构建网络片段文库（步骤214)。网络片段定义测量的变量（输入数据）的所有可能的小集合（如2-3个成员集合或2-4个成员集合）之间的定量的、连续的关系。在片段中变量之间的关系可以是线性的、逻辑的、多项的、显性或隐性纯合的等。各个片段中的关系被赋以反映候选关系可能如何给予输入数据的贝叶斯概率得分，且还对于其数学复杂性而惩罚该关系。通过为从输入数据推断的所有可能的成对和三元关系（且在一些实施方式中，还有四元关系）评分，可以识别文库中最有可能的片段（很可能片段）。也基于输入的数据计算关系的定量参数并对于各个片段进行储存。可以在片段列举中使用各种模型类型，包括但不限于线性回归、逻辑回归、（方差分析）ANOVA模型、（协方差分析） ANCOVA模型、非线性/多项式回归模型和甚至非参数回归。对模型参数的先验假定可以假设与模型中使用的参数的数目相关的Gull分布或贝叶斯信息标准（BIC)罚分。在网络推论过程中，从片段文库中的片段子集构建在一套初始试验网络中的各个网络。该套初始试验网络中的各个初始试验网络用片段文库中不同片段子集构建（步骤216)。
[0407] 构成贝叶斯网络和网络片段的基础的数学表达式的概述介绍如下，其基于 Xing等，"CausalModelingUsingNetworkEnsembleSimulationsofGeneticand GeneExpressionDataPredictsGenesInvolvedinRheumatoidArthritis,"PLoS ComputationalBiology,vol. 7,issue. 3, 1-19(2011 年 3月）（el00105)〇
[0408] 具有随机变量X = &，. . .，多元系统可以以多元概率分布函数P(X i，. . .，Xn; ?)为特征，其包括了大量的参数0。该多元概率分布函数可以因数分解并由局部条件概率分布的积表不：
[0409
【权利要求】
1. 一种用于鉴别生物系统的调节子的方法，所述方法包括：使用与该生物系统相关的细胞建立该生物系统的模型来代表该生物系统的特征性方面；从所述模型获得第一数据集，其中所述第一数据集代表与该生物系统相关的细胞中的总体蛋白质组学改变；从所述模型获得第二数据集，其中所述第二数据集代表与该生物系统相关的细胞的一种或多种功能活性或细胞反应，其中所述细胞的一种或多种功能活性或细胞反应包括与该生物系统相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应；用编程的计算设备，仅仅基于所述第一数据集和第二数据集，生成所述总体蛋白质组学改变和所述一种或多种功能活性或细胞反应之间的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系；从该一致因果关系网络鉴别在该生物系统中独特的因果关系，其中与该独特的因果关系相关的至少一种酶被确定为该生物系统的调节子。
2. 如权利要求1的方法，其中所述第一数据集还代表表征与所述生物系统相关的细胞的脂质组学数据。
3. 如权利要求2的方法，其中所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据和所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应。
4. 如权利要求1的方法，其中所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种。
5. 如权利要求1的方法，其中所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的两种或更多种。
6. 如权利要求4或5的方法，其中所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应。
7. 如权利要求1-6中任一项的方法，其中所述总体酶学活性包括总体激酶活性。
8. 如权利要求1-7中任一项的方法，其中所述总体酶学活性对酶代谢产物或底物的效应包括所述细胞的磷酸化蛋白质组。
9. 如权利要求1-8中任一项的方法，其中所述代表细胞的一种或多种功能活性或细胞反应的第二数据集还包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
10. 如权利要求1-8中任一项的方法，其中所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应且还包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
11. 如权利要求1-10中任一项的方法，其中所述生物系统的模型包括与所述生物系统相关的细胞的体外培养物，任选地进一步包括匹配的对照细胞的体外培养物。
12. 如权利要求11的方法，其中所述细胞的体外培养物经受环境扰动，且所述匹配的对照细胞的体外培养物是没有经受环境扰动的相同细胞。
13. 如权利要求12的方法，其中所述环境扰动包括与生物活性剂的接触、培养条件的变化、遗传修饰/突变的引入和引起遗传修饰/突变的媒介的引入中的一种或多种。
14. 如权利要求13的方法，其中所述环境扰动包括使所述细胞与酶活性抑制剂接触。
15. 如权利要求14的方法，其中所述酶活性抑制剂是激酶抑制剂。
16. 如权利要求13的方法，其中所述环境扰动包括使所述细胞与CoQlO接触。
17. 如权利要求14的方法，其中所述环境扰动还包括使所述细胞与CoQlO接触。
18. 如权利要求1的方法，其中所述生成步骤通过基于人工智能（Al)的信息学平台完成。
19. 如权利要求18的方法，其中所述基于AI的信息学平台接受来自所述第一数据集和第二数据集的所有数据输入而不应用统计截止点。
20. 如权利要求1的方法，其中在所述鉴别步骤之前，在所述生成步骤中建立的所述一致因果关系网络通过基于输入数据的计算机模拟进一步优化到模拟因果关系网络，以对于一致因果关系网络内的一个或多个因果关系提供预测的置信水平。
21. 如权利要求11的方法，其中所述独特因果关系被确定为独特地存在于所述与生物系统相关的细胞中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。
22. 如权利要求12的方法，其中所述独特因果关系被确定为独特地存在于所述经受环境扰动的细胞中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。
23. 如权利要求1-22中任一项的方法，其中所述确定的独特因果关系是选自下组的至少一对之间的关系：基因的表达和脂质的水平；基因的表达和转录物的水平；基因的表达和代谢产物的水平；第一基因的表达和第二基因的表达；基因的表达和SNP的存在；基因的表达和功能活性；脂质的水平和转录物的水平；脂质的水平和代谢产物的水平；第一脂质的水平和第二脂质的水平；脂质的水平和SNP的存在；脂质的水平和功能活性；第一转录物的水平和第二转录物的水平；转录物的水平和代谢产物的水平；转录物的水平和SNP的存在；第一转录物的水平和功能活性的水平；第一代谢产物的水平和第二代谢产物的水平；代谢产物的水平和SNP的存在；代谢产物的水平和功能活性；第一 SNP的存在和第二SNP的存在；及SNP的存在和功能活性。
24. 如权利要求1-23中任一项的方法，其中所述确定的独特因果关系是至少脂质的水平、基因的表达和一种或多种功能活性之间的关系，其中所述功能活性是总体激酶活性。
25. -种用于鉴别疾病过程的调节子的方法，所述方法包括：使用疾病相关细胞建立该疾病过程的模型以代表该疾病过程的特征性方面；从所述模型获得第一数据集，其中所述第一数据集代表疾病相关细胞中的总体蛋白质组学改变；从所述模型获得第二数据集，其中所述第二数据集代表与所述生物系统相关的细胞的一种或多种功能活性或细胞反应，其中所述细胞的一种或多种功能活性或细胞反应包括疾病相关细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应；使用编程的计算设备，仅基于所述第一数据集和第二数据集，生成所述总体酶学活性与所述细胞的一种或多种功能活性或细胞反应之间的一致因果关系网络，其中所述一致因果关系网络的生成不是基于所述第一数据集和第二数据集以外的任何已知的生物学关系；和从该一致因果关系网络鉴别在所述疾病过程中独特的因果关系，其中与该独特的因果关系相关的至少一种酶被确定为所述疾病过程的调节子。
26. 如权利要求25的方法，其中所述第一数据集还代表表征与所述生物系统相关的细胞的脂质组学数据。
27. 如权利要求26的方法，其中所述一致因果关系网络在所述总体蛋白质组学改变、脂质组学数据和所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括疾病相关细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应。
28. 如权利要求25的方法，其中所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种。
29. 如权利要求28的方法，其中所述第一数据集还代表表征所述与生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的两种或更多种。
30. 如权利要求28或29的方法，其中所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括疾病相关细胞中的总体酶学活性和/或总体酶学活性对至少一种酶代谢产物或底物的效应。
31. 如权利要求25-30中任一项的方法，其中所述总体酶学活性包括总体激酶活性，且其中所述总体酶学活性对酶代谢产物或底物的效应包括所述细胞的磷酸化蛋白质组。
32. 如权利要求25-31中任一项的方法，其中所述代表细胞的一种或多种功能活性或细胞反应的第二数据集还包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
33. 如权利要求32的方法，其中所述一致因果关系网络在所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述细胞的一种或多种功能活性或细胞反应之中生成，其中所述细胞的一种或多种功能活性或细胞反应包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、趋化性、细胞外基质降解、出芽和通过选自ATP、R0S、0XPH0S和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
34. 如权利要求25-33中任一项的方法，其中所述疾病过程是癌症、糖尿病、肥胖症、心血管疾病、年龄相关性黄斑变性、糖尿病性视网膜病或炎性疾病。
35. 如权利要求25-33中任一项的方法，其中所述疾病过程包括血管生成。
36. 如权利要求25-33中任一项的方法，其中所述疾病过程包括肝细胞癌、肺癌、乳腺癌、前列腺癌、黑色素瘤、癌瘤、肉瘤、淋巴瘤、白血病、鳞状细胞癌、结肠直肠癌、胰腺癌、甲状腺癌、子宫内膜癌、膀胱癌、肾癌、实体瘤、白血病、非霍奇金淋巴瘤或耐药性癌症。
37. 如权利要求25-33任一项的方法，其中所述疾病模型包括疾病细胞的体外培养物，任选地进一步包括匹配的对照或正常细胞的体外培养物。
38. 如权利要求37的方法，其中所述疾病细胞的体外培养物经受环境扰动，且所述匹配的对照细胞的体外培养物是没有经受环境扰动的相同疾病细胞。
39. 如权利要求38的方法，其中所述环境扰动包括与生物活性剂的接触、培养条件的变化、遗传修饰/突变的引入和引起遗传修饰/突变的媒介的引入中的一种或多种。
40. 如权利要求39的方法，其中所述环境扰动包括使所述细胞与酶活性抑制剂接触。
41. 如权利要求40的方法，其中所述酶活性抑制剂是激酶抑制剂。
42. 如权利要求39的方法，其中所述环境扰动包括使所述细胞与CoQlO接触。
43. 如权利要求25的方法，其中所述疾病过程的特征性方面包括缺氧状态、高血糖状态、富乳酸培养条件或它们的组合。
44. 如权利要求25的方法，其中所述生成步骤通过基于人工智能（Al)的信息学平台完成。
45. 如权利要求25的方法，其中所述基于AI的信息学平台接受来自所述第一数据集和第二数据集的所有数据输入而不应用统计截止点。
46. 如权利要求25的方法，其中在所述鉴别步骤之前，在所述生成步骤中建立的所述一致因果关系网络通过基于输入数据的计算机模拟进一步优化到模拟因果关系网络，以对于所述一致因果关系网络内的一个或多个因果关系提供预测的置信水平。
47. 如权利要求37的方法，其中所述独特因果关系被确定为独特地存在于疾病细胞的模型中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。
48. 如权利要求38的方法，其中所述独特因果关系被确定为独特地存在于所述经受环境扰动的细胞中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。
49. 一种用于鉴别生物系统的调节子的方法，所述方法包括：使用与该生物系统相关的细胞建立该生物系统的模型来代表该生物系统的特征性方面；从所述模型获得第一数据集，其中所述第一数据集代表所述细胞中的总体蛋白质组学改变及表征与该生物系统相关的细胞的脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种；从所述模型获得第二数据集，其中所述第二数据集代表与该生物系统相关的细胞的一种或多种功能活性或细胞反应，其中所述细胞的一种或多种功能活性或细胞反应包括与该生物系统相关的细胞中的总体激酶活性和/或总体激酶活性对激酶代谢产物或底物的效应；使用编程的计算设备，仅仅基于所述第一数据集和第二数据集，生成所述总体蛋白质组学改变、所述脂质组学数据、代谢组学数据、转录组学数据、基因组学数据和SNP数据中的一种或多种与所述一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系；从该一致因果关系网络鉴别在所述生物系统中独特的因果关系，其中与该独特的因果关系相关的至少一种激酶被确定为该生物系统的调节子。
50. -种用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展、预防、诊断或预后该疾病的方法，所述方法包括：向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，所述生物活性物质影响通过权利要求1-18中任一项所鉴别的调节子，从而治疗所述疾病、改善其症状、抑制其进展、预防、诊断或预后所述疾病。
51. -种诊断或预后哺乳动物受试者的疾病的方法，所述方法包括：测定从所述受试者获得的生物样品中一种或多种通过权利要求1-48中任一项鉴别的调节子的表达或活性水平；和将所述受试者中的水平与对照样品中所述一种或多种调节子的表达或活性水平比较，其中所述受试者中的水平和所述对照样品中一种或多种调节子的表达或活性水平之间的差异是所述受试者患有疾病、易于发生疾病或有利地对疾病治疗发生反应的指示，从而诊断或预后所述哺乳动物受试者的疾病。
52. -种鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物的方法，所述方法包括：使来自所述哺乳动物受试者的生物样品与测试化合物接触；测定所述生物样品中一种或多种通过权利要求1-48中任一项鉴别的调节子的表达水平；将所述生物样品中所述一种或多种调节子的所述表达水平与未与测试化合物接触的对照样品比较；和选择调节所述生物样品中所述一种或多种调节子的表达水平的测试化合物，从而鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物。
53. -种用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防所述疾病的方法，所述方法包括：向需要的哺乳动物施用治疗有效量的包含权利要求52的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展或预防所述疾病。
54. -种用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防所述疾病的方法，所述方法包括：向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，所述生物活性物质影响 TCOFI、TOP2A、CAMK2A、CDKI、CLTCLI、EIF4GI、ENOI、FBL、GSK3B、HDLBP、HI STIH2BA、 HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、MAPKI、MARCKS、NMEI、NME2、PGKI、PGK2、 RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、TNRCBA、TUBB 和 UBE21 中任何一种或多种的表达或活性，从而治疗所述疾病、改善其症状、抑制其进展或预防所述疾病。
55. 如权利要求54的方法，其中所述疾病是肝细胞癌。
56. -种诊断或预后哺乳动物受试者的疾病的方法，所述方法包括：测定从所述受试者获得的生物样品中TC0F1、T0P2A、CAMK2A、CDK1、CLTCL1、EIF4G1、 EN01、FBL、GSK3B、HDLBP、HIST1H2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、 MAPKl、MARCKS、NMEl、NME2、PGKl、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、 TNRCBA、TUBB和UBE21中的任何一种或多种蛋白质的表达或活性水平；和将所述受试者中的所述水平与对照样品中所述一种或多种蛋白质的表达或活性水平比较，其中所述受试者中的所述水平和所述对照样品中所述一种或多种蛋白质的表达或活性水平之间的差异是所述受试者患有疾病或易于发生疾病或有利地对疾病治疗发生反应的指示，从而诊断或预后所述哺乳动物受试者的疾病。
57. 如权利要求56的方法，其中所述疾病是肝细胞癌。
58. -种鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物的方法，所述方法包括：使来自所述哺乳动物受试者的生物样品与测试化合物接触；测定所述生物样品中 TCOFl、T0P2A、CAMK2A、CDKl、CLTCLl、EIF4G1、ENOl、FBL、GSK3B、 HDLBP、HISTIH2BA、HMGB2、HNRNPK、HNRPDL、HSPA9、MAP2K2、LDHA、MAP4、MAPKI、MARCKS、NME1、 NME2、PGK1、PGK2、RAB7A、RPL17、RPL28、RPS5、RPS6、SLTM、TMED4、TNRCBA、TUBB 和 UBE21 中任何一种或多种蛋白质的表达水平；将所述生物样品中所述一种或多种蛋白质的表达水平与未与测试化合物接触的对照样品比较；和选择调节所述生物样品中所述一种或多种蛋白质的表达水平的测试化合物，从而鉴别用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防该疾病的治疗化合物。
59. 如权利要求58的方法，其中所述疾病是肝细胞癌。
60. -种用于治疗哺乳动物受试者的疾病、改善其症状、抑制其进展或预防所述疾病的方法，所述方法包括：向需要的哺乳动物施用治疗有效量的包含权利要求58的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展或预防所述疾病。
61. -种用于鉴别血管生成的调节子的方法，所述方法包括： (1) 使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面； (2) 从所述血管生成的模型获得第一数据集，其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种； (3) 从所述血管生成的模型获得第二数据集，其中所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应； (4) 使用编程的计算设备，仅仅基于所述第一数据集和第二数据集，生成所述表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种与所述与血管生成相关的细胞的一种或多种功能活性或细胞反应之间的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系； (5)从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与该独特的因果关系相关的基因、脂质、蛋白质、代谢产物、转录物或SNP被确定为血管生成的调节子。
62. -种用于鉴别血管生成的调节子的方法，所述方法包括： (1) 使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面； (2) 从所述血管生成的模型获得第一数据集，其中所述第一数据集代表脂质组学数据； (3) 从所述血管生成的模型获得第二数据集，其中所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应； (4) 使用编程的计算设备，仅仅基于所述第一数据集和第二数据集生成所述脂质组学数据与所述一种或多种功能活性或细胞反应之间的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系； (5) 从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与该独特的因果关系相关的脂质被确定为血管生成的调节子。
63. 如权利要求61或62的方法，其中所述代表与血管生成相关的细胞的一种或多种功能活性或细胞反应的第二数据集包括与血管生成相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应。
64. -种用于鉴别血管生成的调节子的方法，所述方法包括： (1) 使用与血管生成相关的细胞建立血管生成的模型来代表血管生成的特征性方面； (2) 从所述血管生成的模型获得第一数据集，其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种； (3) 从所述血管生成的模型获得第二数据集，其中所述第二数据集代表所述与血管生成相关的细胞的一种或多种功能活性或细胞反应，其中所述一种或多种功能活性或细胞反应包括所述与血管生成相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应； (4) 使用编程的计算设备，仅仅基于所述第一数据集和第二数据集，生成所述表征与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种与所述与血管生成相关的细胞的一种或多种功能活性或细胞反应之中的一致因果关系网络，其中所述一致因果关系网络的生成不基于所述第一数据集和第二数据集以外的任何已知的生物学关系； (5) 从该一致因果关系网络鉴别在血管生成中独特的因果关系，其中与该独特的因果关系相关的酶被确定为血管生成的调节子。
65. 如权利要求63或64的方法，其中所述总体酶学活性包括总体激酶活性且所述总体酶学活性对酶代谢产物或底物的效应包括所述细胞的磷酸化蛋白质组。
66. 如权利要求63或64的方法，其中所述总体酶学活性包括总体蛋白酶活性。
67. 如权利要求61-66任一项的方法，其中所述调节子刺激或促进血管生成。
68. 如权利要求61-66任一项的方法，其中所述调节子抑制血管生成。
69. 如权利要求61-68任一项的方法，其中所述包含与血管生成相关的细胞的血管生成模型选自体外细胞培养血管生成模型、大鼠主动脉微血管模型、新生小鼠视网膜模型、鸡胚绒毛尿囊膜（CAM)模型、角膜血管生成生长因子囊袋模型、皮下海绵血管生成生长因子植入模型、MATR丨GEL·?血管生成生长因子植入模型和肿瘤植入模型；且其中所述血管生成模型任选地进一步包括包含对照细胞的匹配对照血管生成模型。
70. 如权利要求69的方法，其中所述体外培养血管生成模型选自MATR1GEL⑧管形成分析、迀移分析、伯伊登室分析、划痕分析。
71. 如权利要求69或70的方法，其中所述体外培养模型中与血管生成相关的细胞是人血管内皮细胞（HUVEC)。
72. 如权利要求69的方法，其中所述角膜血管生成生长因子囊袋模型、皮下海绵血管生成生长因子植入模型或MATR1GEL⑧.血管生成生长因子植入模型中的血管生成生长因子选自FGF-2和VEGF。
73. 如权利要求69的方法，其中所述血管生成模型中的细胞经受环境扰动，且所述匹配的血管生成模型中的细胞是没有经受环境扰动的相同细胞。
74. 如权利要求73的方法，其中所述环境扰动包括与试剂的接触、培养条件的变化、弓丨入的遗传修饰或突变、引起遗传修饰或突变的媒介和局部缺血的诱导中的一种或多种。
75. 如权利要求74的方法，其中所述试剂是促血管生成剂或抗血管生成剂。
76. 如权利要求75的方法，其中所述促血管生成剂选自FGF-2和VEGF。
77. 如权利要求75的方法，其中所述抗血管生成剂选自VEGF抑制剂、整联蛋白拮抗剂、血管抑素、内皮抑素、肿瘤抑素、阿瓦斯汀、索拉非尼、舒尼替尼、帕唑帕尼和依维莫司、可溶性VEGF受体、血管生成素2、血小板反应蛋白1、血小板反应蛋白2、血管形成抑制素、钙网织蛋白、凝血酶原（kringle结构域-2)、抗凝血酶III片段、血管内皮生长抑制剂（VEGI)、富含半胱氨酸的酸性分泌蛋白（SPARC)和对应于蛋白质的卵泡抑素结构域的SPARC肽（FS-E) 和辅酶Q10。
78. 如权利要求74的方法，其中所述试剂是酶活性抑制剂。
79. 如权利要求74的方法，其中所述试剂是激酶活性抑制剂。
80. 如权利要求61或64的方法，其中所述第一数据集包括基因组数据集中多个基因的蛋白质和/或mRNA表达水平。
81. 如权利要求61或64的方法，其中所述第一数据集包括基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的两种或更多种。
82. 如权利要求61或64的方法，其中所述第一数据集包括基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的三种或更多种。
83. 如权利要求61-64任一项的方法，其中所述代表与血管生成相关的细胞的一种或多种功能活性或细胞反应的第二数据集进一步包括生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、酶活性、趋化性、细胞外基质降解、出芽和通过选自ATP、ROS、 OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性中的一种或多种。
84. 如权利要求83的方法，其中所述酶活性是激酶活性。
85. 如权利要求83的方法，其中所述酶活性是蛋白酶活性。
86. 如权利要求61-64任一项的方法，其中步骤（4)通过基于人工智能（Al)的信息学平台完成。
87. 如权利要求86的方法，其中所述基于AI的信息学平台包括REFS(TM)。
88. 如权利要求86的方法，其中所述基于AI的信息学平台接受来自所述第一数据集和第二数据集的所有数据输入而不应用统计截止点。
89. 如权利要求61-64任一项的方法，其中在步骤（5)之前，在步骤（4)中建立的所述一致因果关系网络基于输入的数据通过计算机模拟进一步优化到模拟因果关系网络，以对于一致因果关系网络内的一个或多个因果关系提供预测的置信水平。
90. 如权利要求61-64任一项的方法，其中所述独特因果关系被确定为独特地存在于细胞中且不存在于匹配的对照细胞中的差异因果关系网络的一部分。
91. 如权利要求61-90任一项的方法，其中所述确定的独特因果关系是选自下组的至少一对之间的关系：基因的表达和脂质的水平；基因的表达和转录物的水平；基因的表达和代谢产物的水平；第一基因的表达和第二基因的表达；基因的表达和SNP的存在；基因的表达和功能活性；脂质的水平和转录物的水平；脂质的水平和代谢产物的水平；第一脂质的水平和第二脂质的水平；脂质的水平和SNP的存在；脂质的水平和功能活性；第一转录物的水平和第二转录物的水平；转录物的水平和代谢产物的水平；转录物的水平和SNP的存在；第一转录物的水平和功能活性的水平；第一代谢产物的水平和第二代谢产物的水平；代谢产物的水平和SNP的存在；代谢产物的水平和功能活性；第一 SNP的存在和第二SNP的存在；及SNP的存在和功能活性。
92. 如权利要求91的方法，其中所述功能活性选自生物能量学、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、酶活性、趋化性、细胞外基质降解和出芽及通过选自ATP、 ROS、OXPHOS和Seahorse分析的功能模型实现的基因型-表型相关性。
93. 如权利要求91或92的方法，其中所述功能活性是激酶活性。
94. 如权利要求91或92的方法，其中所述功能活性是蛋白酶活性。
95. 如权利要求61-93中任一项的方法，其中所述确定的独特因果关系是至少脂质的水平、基因的表达和一种或多种功能活性之间的关系，其中所述功能活性是激酶活性。
96. 如权利要求61-95中任一项的方法，进一步包括验证所述鉴别的血管生成中的独特因果关系。
97. -种用于提供平台方法中使用的血管生成模型的方法，包括：使用与血管生成相关的细胞建立血管生成的模型以代表血管生成的特征性方面，其中所述血管生成的模型可用于生成在平台方法中使用的数据集；从而提供在平台方法中使用的血管生成的模型。
98. -种用于从在平台方法中使用的血管生成模型获得第一数据集和第二数据集的方法，包括： (1)从在平台方法中使用的血管生成模型获得第一数据集，其中所述血管生成模型包含与血管生成相关的细胞，和其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种； (2)从在平台方法中使用的血管生成模型获得第二数据集，其中所述第二数据集代表所述与血管生成相关的细胞的一种或多种功能活性或细胞反应；从而从在平台方法中使用的所述血管生成模型获得第一数据集和第二数据集。
99. 一种用于鉴别血管生成的调节子的方法，所述方法包括： (1) 用编程的计算设备生成在从血管生成模型获得的第一数据集和第二数据集之间的一致因果关系网络，其中所述模型包含与血管生成相关的细胞，和其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；和所述第二数据集代表所述与血管生成相关的细胞的一种或多种功能活性或细胞反应，其中所述一致因果关系网络的生成不是基于所述第一数据集和第二数据集以外的任何已知的生物学关系； (2) 从所述一致因果关系网络鉴别血管生成中独特的因果关系，其中与所述独特的因果关系相关的基因、脂质、蛋白质、代谢产物、转录物或SNP中的至少一种被确定为血管生成的调节子；从而鉴别血管生成的调节子。
100. -种用于鉴别血管生成的调节子的方法，所述方法包括： 1) 提供从血管生成的模型生成的一致因果关系网络； 2) 从该一致因果关系网络鉴别血管生成中独特的因果关系，其中与所述独特的因果关系相关的基因、脂质、蛋白质、代谢产物、转录物或SNP中的至少一种被确定为血管生成的调节子；从而鉴别血管生成的调节子。
101. 如权利要求90的方法，其中所述一致因果关系网络用编程的计算设备在从血管生成模型获得的第一数据集和第二数据集之间生成，其中所述模型包含与血管生成相关的细胞，和其中所述第一数据集代表表征所述与血管生成相关的细胞的基因组学数据、脂质组学数据、蛋白质组学数据、代谢组学数据、转录组学数据和单核苷酸多态性（SNP)数据中的一种或多种；和所述第二数据集代表与血管生成相关的细胞的一种或多种功能活性或细胞反应，其中所述一致因果关系网络的生成不是基于所述第一数据集和第二数据集以外的任何已知的生物学关系。
102. 如权利要求97-101任一项的方法，其中所述血管生成模型选自体外细胞培养血管生成模型、大鼠主动脉微血管模型、新生小鼠视网膜模型、鸡胚绒毛尿囊膜 (CAM)模型、角膜血管生成生长因子囊袋模型、皮下海绵血管生成生长因子植入模型、 MATR丨GEL?.血管生成生长因子植入模型和肿瘤植入模型；且其中所述血管生成模型任选地进一步包括包含对照细胞的匹配对照血管生成模型。
103. 如权利要求97-102任一项的方法，其中所述第一数据集包括脂质组学数据。
104. 如权利要求97-103任一项的方法，其中所述代表与血管生成相关的细胞的一种或多种功能活性或细胞反应的第二数据集包括与血管生成相关的细胞中的总体酶学活性和/或总体酶学活性对酶代谢产物或底物的效应。
105. 如权利要求104的方法，其中所述第二数据集包括激酶活性或蛋白酶活性。
106. 如权利要求97-103任一项的方法，其中所述代表与血管生成相关的细胞的一种或多种功能活性或细胞反应的第二数据集包括生物能量学谱、细胞增殖、细胞凋亡、细胞器功能、细胞迀移、管形成、激酶活性和蛋白酶活性及通过选自ATP、ROS、OXPHOS和Seahorse 分析的功能模型实现的基因型-表型相关性中的一种或多种。
107. 如权利要求61-106任一项的方法，其中所述血管生成与疾病状态相关。
108. -种用于调节哺乳动物受试者的血管生成的方法，所述方法包括：向需要的哺乳动物施用治疗有效量的包含生物活性物质的药物组合物，所述生物活性物质影响通过权利要求61-107任一项鉴别的调节子，从而调节血管生成。
109. -种检测哺乳动物受试者中受调节的血管生成的方法，所述方法包括：测定从所述受试者获得的生物样品中通过权利要求61-107任一项鉴别的一种或多种调节子的水平、活性或存在；和比较所述受试者中的所述水平、活性或存在与对照样品中所述一种或多种调节子的水平、活性或存在，其中所述受试者中的所述水平、活性或存在与所述对照样品中所述一种或多种调节子的水平、活性或存在之间的差异是所述哺乳动物受试者中血管生成受到调节的指示。
110. -种鉴别用于调节哺乳动物受试者中的血管生成的治疗化合物的方法，所述方法包括：使来自哺乳动物受试者的生物样品与测试化合物接触；测定所述生物样品中通过权利要求61-107任一项鉴别的一种或多种调节子的水平、活性或存在；将所述生物样品中所述一种或多种调节子的水平、活性或存在与未接触所述测试化合物的对照样品比较，选择调节所述生物样品中所述一种或多种调节子的水平、活性或存在的测试化合物，从而鉴别用于调节哺乳动物受试者中的血管生成的治疗化合物。
111. 一种用于调节哺乳动物受试者中的血管生成的方法，所述方法包括：向需要的哺乳动物施用治疗有效量的包含权利要求Iio的治疗化合物的药物组合物，从而治疗所述疾病、改善其症状、抑制其进展或预防、诊断或预后所述疾病。
【文档编号】G01N33/48GK104520435SQ201280073683
【公开日】2015年4月15日申请日期:2012年9月7日优先权日:2012年4月2日
【发明者】N·R·纳莱恩, R·萨兰加拉简, V·K·维施努达斯, 杜敏, T·沃尔什申请人:博格有限责任公司

完整全部详细技术资料下载

该技术已申请专利。仅供学习研究，如用于商业用途，请联系技术所有人。
技术研发人员：N·R·纳莱恩;R·萨兰加拉简;V·K·维施努达斯;杜敏;T·沃尔什;
技术所有人：博格有限责任公司;
我是此专利的发明人

上一篇：特征化感兴趣地质区域的计算机方法以及执行此方法的计算机程序的制作方法
上一篇：光纤温度传感器的制造方法

该领域下的技术专家
如您需求助技术专家，请点此查看客服电话进行咨询。
1、邢老师：1.机械设计及理论 2.生物医学材料及器械 3.声发射检测技术。
2、王老师：1.数字信号处理 2.传感器技术及应用 3.机电一体化产品开发 4.机械工程测试技术 5.逆向工程技术研究
3、王老师：1.机器人 2.嵌入式控制系统开发
4、张老师：1.机械设计的应力分析、强度校核的计算机仿真 2.生物反应器研制 3.生物力学
5、赵老师：检测与控制技术、机器人技术、机电一体化技术
如您是高校老师，可以点此联系我们加入专家库。