本发明涉及一种用于预测受试者中特定器官中疾病的存在和/或该疾病的病期的装置和程序。本发明还涉及一种用于预测特定器官中患有疾病的受试者中该特定器官之外的每个器官中疾病的存在和/或该疾病的病期的装置和程序。
背景技术：
：疾病包括处于可以被可逆治疗状态的那些，以及处于不能被可逆治疗状态的那些，也就是处于不可逆状态的那些。早期地检测和治疗在可逆状态下的异常，或防止这种状态发生，对维持健康至关重要。即使在可逆状态下，早期地检测疾病直接可使治疗较轻、治疗时间更短、预后健康更好。正如心脏病、脑疾病、癌症和糖尿病一样，众所周知，一个器官或组织的异常会导致其他器官的疾病状态(通常称为“并发症”)。在这类疾病中，必须尽早防止一个器官或组织的异常引起其他器官或组织的疾病。在包括人类在内的所有动物中，每个器官和组织都形成一个功能网络，而不是作为单独的部分，并且在个体水平上实现质量控制。内分泌因子(如激素)通过血管网经过全身的运输和通过神经网络对器官功能的协调调节是“器官间串扰系统(inter-organcrosstalksystem)”的典型例子，并作为生理学或内分泌学被系统化。在制药领域，从新药发现阶段到通过III期临床试验获得批准的药物概率目前约为1.6％。换言之，在发现阶段作为候选药物而被开发的98.4％的药物都被淘汰。这主要是因为，例如：当在细胞水平上证实有效的药物被施用给活体(动物模型)时没有观察到效果的情况；药物在细胞和动物模型中观察到效果但在人类中却没有表现出显著效果的情况；以及虽然测试药物在活体(动物模型和人类)内观察到效果但因为强烈的一种(或多种)副作用而导致药物不能被使用的情况。因此从研发到实际使用期间大量被淘汰药物的“药物复苏”或“发现其他新用途”(通常称为“药物重新定位”)被认为可极大地有助于医疗和经济发展。在发现阶段选出的药物中有超过一半在细胞中表现出效果。在更高级阶段中药物被淘汰的原因之一在于活体内独特存在的“器官间串扰系统网络”。由具有多种功能的细胞构成的每个器官在体内形成器官间串扰系统，从而在整个个体内建立体内平衡和生理功能。因此，如果异常发生在一个器官(疾病)，异常信号经由器官间串扰系统传播到其他器官，那么器官间串扰系统的整个网络发生改变；即使只针对在器官中首次显示异常的一类细胞靶向用药(专利文献1-8)，器官间串扰系统的整个网络也不能恢复到其原始状态。引用列表专利文献专利文献1：JP2005-508505A专利文献2：JP2008-518626A专利文献3：JP2002-516107A专利文献4：JP2005-518810A专利文献5：JP2007-521799A专利文献6：JP2013-538565A专利文献7：JP2013-541323A专利文献8：WO2003/085548技术实现要素：技术问题本发明的一个目的是提供一种用于从一个器官的细胞或组织中尽早检测到另一个器官的疾病的装置和程序。更具体地说，本发明的目的是从来自特定器官之外的一个或多个器官的器官间串扰指标(indicator)来预测该特定器官中疾病的存在和/或该疾病的病期。本发明的另一个目的是从特定器官的疾病状态预测该特定器官之外的一个或多个器官中的每一个中该疾病存在和/或该疾病的病期。此外，本发明的另一个目的是从器官间串扰指标来预测测试物质的效果。问题的解决方案本发明人关注于器官间串扰系统以实现上述目的。发明人进行了广泛的研究，并且发现有可能提供一种装置和程序，用于从一个器官的状态的测量来诊断一个或多个其它器官的当前状态，以及用于通过使用器官间串扰系统来预测未来状态。此外，发明人发现，通过测量和评估被施用测试物质的个体中的器官间串扰指标，可以全面和定量地预测所述测试物质的功效和某种副作用(或多种副作用)。本发明根据这些发现完成并且包括以下实施例。条目1一种用于预测受试者中特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期的装置，所述装置包括以下计算工具：受试者数据获取工具，用于获取关于所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的受试者的数据，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；模式相似度计算工具，通过比较由所述受试者数据获取工具所获取的所述受试者的数据与相应的器官间串扰指标的预定的标准数据1，来计算所述受试者数据与所述标准数据1之间的所述器官间串扰指标的模式的相似度；以及预测工具，通过将所述模式相似度计算工具计算的所述器官间串扰指标的模式的相似度用作度量来预测所述特定疾病的存在和/或所述特定疾病的病期，其中，所述受试者的数据是一种器官间串扰指标的模式，其代表了受试者的特定器官以外的某一器官中的器官间串扰指标的量(以下称之为“受试者量”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照”)中所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量”)之间的关系，并且所述标准数据1包括多种器官间串扰指标的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官之外的所述器官中的器官间串扰指标的量(以下称之为“阳性对照量1”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量1”)之间的预定关系。条目1-1一种用于预测受试者中特定器官中的疾病(以下称之为“特定疾病”)和/或所述特定疾病的病期的装置，所述装置包括以下计算工具：受试者数据获取工具，用于获取关于所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的所述受试者的数据A的装置，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；模式相似度计算工具，通过比较由所述受试者数据获取工具所获取的所述受试者数据A与相应的器官间串扰指标的预定的标准数据1a来计算在所述受试者数据A与所述标准数据1a之间的器官间串扰指标的模式的相似度；以及预测工具，通过将所述模式相似度计算工具计算的所述器官间串扰指标的模式的相似度用作度量来预测所述特定疾病的存在和/或所述特定疾病的病期，其中，器官间串扰指标包括RNA，受试者数据A是所述RNA的表达的一种模式，其由所述受试者的所述特定器官以外的所述器官中的所述RNA的表达水平与在未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的比值所表示，并且所述标准数据1a包括所述RNA的表达的多种模式，每种模式来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中的所述特定器官以外的所述器官中的所述RNA的表达水平与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的预定比值。条目1-2一种用于预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期的装置，所述装置包括以下计算工具：受试者数据获取工具，用于获取关于所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的的所述受试者的数据B的装置，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；模式相似度计算工具，通过比较由所述受试者数据获取工具所获取的所述受试者的数据B与相应器官间串扰指标的预定的标准数据1b来计算在所述受试者数据B与所述标准数据1b之间的器官间串扰指标的模式的相似度；以及预测工具，通过将所述模式相似度计算工具计算的所述器官间串扰指标的模式的相似度用作度量预测所述特定疾病的存在和/或所述特定疾病的病期，其中，所述器官间串扰指标包括多种代谢物，所述受试者的数据B是所述多种代谢物的存在的一种模式，其由所述受试者的所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应多种代谢物的量之间比值所表示，并且所述标准数据1b包括所述多种代谢物的存在的多种模式，每种模式来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中的所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应多种代谢物的量之间的多个预定比值。条目1-3根据条目1、1-1和1-2中任一项所述的装置，其中，所述特定器官以外的所述一个或多个器官为除了血液以外的一个或多个器官。条目2根据条目1的所述装置，其中，所述器官间串扰指标包括RNA。条目3根据条目1或2所述的装置，其中，所述器官间串扰指标包括多种代谢物。条目4根据条目1、2和3中任一项所述的装置，其中，所述条目1中设定的所述标准数据1中的一个阳性对照(或多个阳性对照)量1与所述阴性对照量1之间的所述关系为所述阳性对照量1与所述阴性对照量1之间的比值。条目4-1根据条目1、2、3和4中任一项所述的装置，其中，条目1中设定的所述受试者数据中的所述受试者量与所述阴性对照量之间的关系为所述受试者量与所述阴性对照量之间的比值。条目5根据条目1、1-1、1-2、2至4和4-1中任一项所述的装置，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目5-1根据条目5所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目5-2根据条目5所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目6根据条目1、1-1、1-2、2至4和4-1中任一项所述的装置，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目6-1根据条目6所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目6-2根据条目6所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目7根据条目1、1-1、1-2、2至4和4-1中任一项所述的装置，其中，所述特定疾病为肿瘤。条目7-1根据条目7所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目7-2根据条目7所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目8一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期：受试者数据获取处理，用于获取关于所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的所述受试者的数据，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；模式相似度计算处理，通过比较由所述受试者数据获取处理所获取的所述受试者的数据与相应的器官间串扰指标的预定的标准数据1来计算所述受试者数据与所述标准数据1之间的所述器官间串扰指标的模式的相似度；以及预测处理，通过将所述模式相似度计算处理计算的所述器官间串扰指标的模式的相似度用作度量来预测所述特定疾病的存在和/或所述特定疾病的病期，其中，所述受试者的数据是所述器官间串扰指标的模式，代表了受试者的特定器官以外的器官中的器官间串扰指标的量(以下称之为“受试者量”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量”)之间的关系，并且所述标准数据1包括多种器官间串扰指标的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的器官间串扰指标的量(以下称之为“阳性对照量1”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量1”)之间的预定关系。条目8-1一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期：受试者数据获取处理，用于获取关于所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的所述受试者的数据A，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；模式相似度计算处理，通过比较所述受试者数据获取处理所获取的所述受试者的数据A与相应的器官间串扰指标的预定的标准数据1a来计算在所述受试者数据A与所述标准数据1a之间的器官间串扰指标的模式的相似度；以及预测处理，通过将所述模式相似度计算处理计算的所述器官间串扰指标的模式的相似度用作度量来预测所述特定疾病的存在和/或所述特定疾病的病期，其中，所述器官间串扰指标包括RNA，所述受试者数据A是所述RNA的表达的一种模式，由所述受试者的所述特定器官以外的所述器官中的所述RNA的表达水平与在未患有所述特定疾病的一个阴性对照(或多个阴性对照)中与所述特定器官以外的相同器官中的相应RNA的表达水平之间的比值所表示，并且所述标准数据1a包括所述RNA的表达的多种模式，每种模式来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中的所述特定器官以外的所述器官中的所述RNA的表达水平与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的预定比值。条目8-2一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期：受试者数据获取处理，用于获取关于所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的的所述受试者的数据B，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；模式相似度计算处理，通过比较由所述受试者数据获取处理所获取的所述受试者数据B与相应器官间串扰指标的预定的标准数据1b来计算在所述受试者数据B与所述标准数据1b之间的器官间串扰指标的模式的相似度；以及预测处理，通过将所述模式相似度计算处理计算的所述器官间串扰指标的模式的相似度用作度量来预测所述特定疾病的存在和/或所述特定疾病的病期，其中，所述器官间串扰指标包括多种代谢物，所述受试者数据B是所述多种代谢物的存在的一种模式，由所述受试者的所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外相同器官中的相应多种代谢物的量之间比值所表示，并且所述标准数据1b包括所述多种代谢物的存在的多种模式，每种模式来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中的所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应多种代谢物的量之间的多个预定比值。条目8-3一种使计算机作为根据条目1至4和4-1中任一项的所述受试者数据获取工具、所述模式相似度计算工具以及所述预测工具而运行的程序。条目8-4根据条目8、8-1、8-2和8-3中任一项所述的程序，其中，所述特定器官以外的所述一个或多个器官为除了血液以外的一个或多个器官。条目9根据条目8的所述程序，其中，所述器官间串扰指标包括RNA。条目10根据条目8或9所述的程序，其中，所述器官间串扰指标包括多种代谢物。条目11根据条目8、9和10中任一项所述的程序，其中，条目8中设定的所述标准数据1中的所述阳性对照量1与所述阴性对照量1之间的所述关系为所述阳性对照量与所述阴性对照量之间的比值。条目11-1根据条目8、9、10和11中任一项所述的程序，其中，条目8中设定的所述受试者数据中的所述受试者量与所述阴性对照量之间的关系为所述受试者量与所述阴性对照量之间的比值。条目12根据条目8、8-1、8-2、9至11和11-1中任一项所述的程序，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目12-1根据条目12所述的程序，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目12-2根据条目12所述的程序，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目13根据条目8、8-1、8-2、9至11和11-1中任一项所述的程序，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目13-1根据条目13所述的程序，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目13-2根据条目13所述的程序，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目14根据条目8、8-1、8-2、9至11和11-1中任一项所述的程序，其中，所述特定疾病为肿瘤。条目14-1根据条目14所述的程序，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目14-2根据条目14所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目15一种用于预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期的方法，所述方法包括步骤：(1)通过比较关于所述特定器官以外的一个或多个器官中的每一个器官中从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的器官间串扰指标的所述受试者数据与相应的器官间串扰指标的预定的标准数据1来计算所述受试者数据与所述标准数据1之间的所述器官间串扰指标的模式的相似度；以及(2)当从步骤(1)中计算的所述器官间串扰指标的模式的相似度确定两种模式相似时，确定所述受试者患有与所述标准数据1对应的特定疾病，和/或当从步骤(1)中计算的所述器官间串扰指标的模式的相似度确定两种模式相似时，确定所述受试者处于与所述标准数据1对应的特定疾病的某一病期，其中，所述受试者的数据是所述器官间串扰指标的一种模式，代表了受试者的特定器官以外的器官中的器官间串扰指标的量(以下称之为“受试者量”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量”)之间的关系，并且所述标准数据1包括多种器官间串扰指标的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官之外的所述器官中的器官间串扰指标的量(以下称之为“阳性对照量1”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量1”)之间的预定关系。条目15-1一种用于预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期的方法，所述方法包括步骤：(a)通过比较关于所述特定器官以外的一个或多个器官中的每一个器官中从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的器官间串扰指标的所述受试者的数据A与相应的器官间串扰指标的预定的标准数据1a来计算所述受试者数据A与所述标准数据1a之间的所述器官间串扰指标的模式的相似度；以及(b)当从步骤(a)中计算的所述器官间串扰指标的模式的相似度确定两种模式相似时，确定所述受试者患有与所述标准数据1a对应的特定疾病，和/或当从步骤(a)中计算的所述器官间串扰指标的模式的相似度确定两种模式相似时，确定所述受试者处于与所述标准数据1a对应的特定疾病的某一病期，其中，所述器官间串扰指标包括RNA，所述受试者数据A是所述RNA的表达的一种模式，其由所述受试者的所述特定器官以外的所述器官中的所述RNA的表达水平与在未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的比值所表示，并且所述标准数据1a包括所述RNA的表达的多种模式，每种模式来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中的所述特定器官以外的所述器官中的所述RNA的表达水平与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的预定比值。条目15-2一种用于预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期的方法，所述方法包括步骤：(a)通过比较关于所述特定器官以外的一个或多个器官中的每一个器官中从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的器官间串扰指标的所述受试者的数据B与相应的器官间串扰指标的预定的标准数据1b来计算所述受试者数据B与所述标准数据1b之间的所述器官间串扰指标的模式的相似度；以及(b)当从步骤(a)中计算的所述器官间串扰指标的模式的相似度确定两种模式相似时，确定所述受试者患有与所述标准数据1b对应的特定疾病，和/或当从步骤(a)中计算的所述器官间串扰指标的模式的相似度确定两种模式相似时，确定所述受试者处于与所述标准数据1b对应的特定疾病的某一病期，其中，所述器官间串扰指标包括多种代谢物，所述受试者数据B是所述多种代谢物的存在的一种模式，由所述受试者的所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外相同器官中的相应多种代谢物的量之间比值所表示，并且所述标准数据1b包括所述多种代谢物的存在的多种模式，每种模式来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中的所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应多种代谢物的量之间的多个预定比值。条目15-3根据15、15-1和15-2任一项所述的方法，其中，所述特定器官以外的所述一个或多个器官为除了血液以外的一个或多个器官。条目16根据条目15所述的方法，其中，所述方法在步骤(1)之前，还包括步骤：(i)从源自所述受试者的所述特定器官以外的所述一个或多个器官中的每一个器官的所述细胞或组织中提取所述器官间串扰指标；(ii)识别和定量在步骤(i)中提取的所述器官间串扰指标；以及(iii)从在步骤(ii)中定量的所述器官间串扰指标的量确定关于所述器官间串扰指标的所述受试者数据。条目16-1根据条目15-1所述的方法，其中，所述方法在步骤(1)之前，还包括步骤：(i)从源自所述受试者的所述特定器官以外的所述一个或多个器官中的每一个器官的所述细胞或组织中提取RNA；(ii)从在步骤(i)中提取的所述RNA识别所表达的基因并定量所述基因的表达水平；以及(iii)从在步骤(ii)中定量的所述RNA的表达水平确定关于所述基因的所述受试者数据A。条目16-2根据条目15-2所述的方法，其中，所述方法在步骤(1)之前还包括步骤：(i)从源自所述受试者的所述特定器官以外的所述一个或多个器官中的每一个器官的所述细胞或组织中提取多种代谢物；(ii)识别在步骤(i)中提取的所述多种代谢物并定量在步骤(i)中提取的所述多种代谢物的量；以及(iii)从在步骤(ii)中定量的所述多种代谢物的量确定关于所述多种代谢物的所述受试者数据B。条目17根据条目15或16所述的方法，其中，所述器官间串扰指标包括RNA。条目18根据条目15、16和17任一项所述的方法，其中，所述器官间串扰指标包括多种代谢物。条目19根据条目15、16、17和18任一项所述的方法，其中，所述条目15中设定的所述标准数据1中的所述阳性对照量1与所述阴性对照量1之间的所述关系为所述阳性对照量1与所述阴性对照量1之间的比值。条目19-1根据条目15、16、17、18和19中任一项所述的方法，其中，条目15中设定的所述受试者数据中的所述受试者量与所述阴性对照量之间的所述关系为所述受试者量与所述阴性对照量之间的比值。条目20根据条目15、15-1、15-2、16至19和19-1中任一项所述的方法，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目20-1根据条目20所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目20-2根据条目20所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目21根据条目15、15-1、15-2、16至19和19-1任一项所述的方法，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目21-1根据条目21所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目21-2根据条目21所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目22根据条目15、15-1、15-2、16至19和19-1中任一项所述的方法，其中，所述特定疾病为肿瘤。条目22-1根据条目22所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目22-2根据条目22所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目23一种用于产生多种器官间串扰指标的多种模式的标准数据1以用于预测受试者中的特定器官中的疾病(以下称之为“特定疾病”)的存在和/或所述特定疾病的病期的方法，所述方法包括步骤：(A)针对所述特定疾病的每个病期，获取关于源自于一个阳性对照(或多个阳性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中的器官间串扰指标的量的信息，作为黄金标准；(B)获取关于源自于一个阴性对照(或多个阴性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中的所述器官间串扰指标的量的信息，作为黄金标准；(C)确定多种器官间串扰指标的多种模式，每种模式由步骤(A)中获取的患有所述特定疾病的一个阳性对照(或多个阳性对照)的所述特定器官以外的所述器官中的所述器官间串扰指标的量与步骤(B)中获取的未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应器官间串扰指标的量之间的关系(优选比值)而确定；以及(D)使所述多种器官间串扰指标的多种模式与所述特定疾病的各个相应病期相关联。条目23-1根据条目23所述的方法，其中，步骤(A)包括步骤：针对所述特定疾病的每个病期，从源自于一个阳性对照(或多个阳性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中提取器官间串扰指标，作为黄金标准；和识别并定量所述器官间串扰指标，并且步骤(B)包括步骤：从源自于一个阴性对照(或多个阴性对照)的所述特定器官以外的所述一个或多个器官中的每一个器官的细胞或组织中提取所述器官间串扰指标，作为黄金标准；和定性并定量所述器官间串扰指标。条目23-2根据条目23或23-1所述的方法，所述器官间串扰指标包括RNA。条目23-3根据条目23或23-1所述的方法，其中，所述器官间串扰指标包括多种代谢物。条目23-4根据条目23、23-1、23-2和23-3中任一项所述的方法，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目23-4-1根据条目23-4所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目23-4-2根据条目23-4所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目23-5根据条目23、23-1、23-2和23-3中任一项所述的方法，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目23-5-1根据条目23-5所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目23-5-2根据条目23-5所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目23-6根据条目23、23-1、23-2和23-3中任一项所述的方法，其中，所述特定疾病为肿瘤。条目23-6-1根据条目23-6所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目23-6-2根据条目23-6所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目24由根据23、23-1、23-2和23-3中任一项所述的方法生成的多种器官间串扰指标的多种模式的标准数据1，其用在受试者中的特定器官中的疾病的存在和/或所述特定疾病的病期的预测中。条目25一种用于预测特定器官中患有疾病的受试者中的所述特定器官以外的一种或多种器官中的每一种器官中的所述疾病的存在和/或所述疾病的病期的装置，所述装置包括以下计算工具：病期信息获取工具，用于获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息；病期信息检查工具，用于相对于标准数据2检查由所述病期信息获取工具获取的关于所述病期的所述信息；模式提取工具，用于基于由所述病期信息检查工具获取的结果提取所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式；以及预测工具，通过将由所述模式提取工具获取的所述器官间串扰指标的所述模式用作度量来预测所述特定器官以外的所述一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期；其中，所述标准数据2包括为所述特定疾病的每个病期而预定的多种器官间串扰指标的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的器官间串扰指标的量(以下称之为“阳性对照量2”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量2”)之间的预定关系。条目25-1一种用于预测特定器官中患有疾病的受试者中所述特定器官以外的一个或多个器官中每一个器官中所述疾病的存在和/或所述疾病的病期的装置，所述装置包括以下计算工具：病期信息获取工具，用于获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息；病期信息检查工具，用于相对于标准数据2a检查由所述病期信息获取工具获取的关于所述病期的所述信息；模式提取工具，用于基于由所述病期信息检查工具获取的结果提取所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式；以及预测工具，通过将由所述模式提取工具获取的所述器官间串扰指标的所述模式用作度量来预测所述特定器官以外的所述一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期；其中，所述器官间串扰指标包括RNA，并且所述标准数据2a包括为所述特定疾病的每个病期而预定的所述RNA的表达的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的所述RNA的表达水平与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的预定比值。条目25-2一种用于预测特定器官中患有疾病的受试者中所述特定器官以外的一个或多个器官中每一个器官中所述疾病的存在和/或所述疾病的病期的装置，所述装置包括以下计算工具：病期信息获取工具，用于获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息；病期信息检查工具，用于相对于标准数据2b检查由所述病期信息获取工具获取的关于所述病期的所述信息；模式提取工具，用于基于由所述病期信息检查工具获取的结果提取所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式；以及预测工具，通过将由所述模式提取工具获取的所述器官间串扰指标的所述模式用作度量来预测所述特定器官以外的所述一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期；其中，所述器官间串扰指标包括多种代谢物，并且所述标准数据2b包括为所述特定疾病的每个病期而预定的所述多个代谢物的存在的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应多种代谢物的量之间的预定比值。条目26根据条目25所述的装置，其中，所述器官间串扰指标包括RNA。条目27根据条目25或26所述的装置，其中，所述器官间串扰指标包括多种代谢物。条目28根据条目25至27中任一项所述的装置，其中，条目25中设定的所述标准数据2中的所述阳性对照量2与所述阴性对照量2之间的所述关系为所述阳性对照量2与所述阴性对照量2之间的比值。条目29根据条目25、25-1、25-2和26至28中任一项所述的装置，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目29-1根据条目29所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目29-2根据条目29所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目30根据条目25、25-1、25-2和26至28中任一项所述的装置，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目30-1根据条目30所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目30-2根据条目30所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目31根据条目25、25-1、25-2和26至28中任一项所述的装置，其中，所述特定疾病为肿瘤。条目31-1根据条目31所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目31-2根据条目31所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目32一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测特定器官中患有疾病的受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期：获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息的处理；相对于标准数据2检查由病期信息获取处理获取的关于所述病期的所述信息的处理；基于病期信息检查处理获取的结果提取所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式的处理；以及通过将由所述模式提取处理获取的所述器官间串扰指标的所述模式用作度量来预测所述特定器官以外的所述一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期的处理；其中，所述标准数据2包括为所述特定疾病的每个病期而预定的多种器官间串扰指标的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的器官间串扰指标的量(以下称之为“阳性对照量2”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量2”)之间的预定关系。条目32-1一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测特定器官中患有疾病的受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期：获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息的处理；相对于标准数据2a检查由病期信息获取处理获取的关于所述病期的所述信息的处理；基于病期信息检查处理获取的结果提取所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式的处理；以及通过将由模式提取处理获取的所述器官间串扰指标的所述模式用作度量来预测所述特定器官以外的所述一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期的处理；其中，所述器官间串扰指标包括RNA，并且所述标准数据2a包括为所述特定疾病的每个病期而预定的所述RNA的表达的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的所述RNA的表达水平与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应RNA的表达水平之间的预定比值。条目32-2一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测特定器官中患有疾病的受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期：获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息的处理；相对于标准数据2b检查由病期信息获取处理获取的关于所述病期的所述信息的处理；基于病期信息检查处理获取的结果提取所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式的处理；以及通过将由模式提取处理获取的所述器官间串扰指标的所述模式用作度量来预测所述特定器官以外的所述一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期的处理；其中，所述器官间串扰指标包括多种代谢物，并且所述标准数据2b包括为所述特定疾病的每个病期而预定的所述多种代谢物的存在的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应多种代谢物的量之间的预定比值。条目32-3一种使计算机作为根据条目25至28中任一项的所述病期信息获取工具、所述病期信息检查工具、所述模式提取工具以及所述预测工具而运行的程序。条目33根据条目32所述的程序，其中，所述器官间串扰指标包括RNA。条目34根据条目32或33所述的程序，其中，所述器官间串扰指标包括多种代谢物。条目35根据条目32、33和34中任一项所述的程序，其中，条目32中设定的所述标准数据2中的所述阳性对照量2与所述阴性对照量2之间的所述关系为所述阳性对照量2与所述阴性对照量2之间的比值。条目36根据条目32、32-1、32-2和33至35中任一项所述的程序，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目36-1根据条目36所述的程序，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目36-2根据条目36所述的程序，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目37根据条目32、32-1、32-2和33至35中任一项所述的程序，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目37-1根据条目37所述的程序，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目37-2根据条目37所述的程序，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目38根据条目32、32-1、32-2和33-35中任一项所述的程序，其中，所述特定疾病为肿瘤。条目38-1根据条目38所述的程序，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所描述的基因所表达的。条目38-2根据条目38所述的程序，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目39一种用于预测特定器官中患有疾病的受试者中的所述特定器官以外的一种或多种器官中的每一种器官中的所述疾病的存在和/或所述疾病的病期的方法，所述方法包括步骤：(i)从所述受试者的诊断结果获取关于所述受试者中所述特定器官中的所述疾病(以下称之为“特定疾病”)的病期的信息；(ii)相对于标准数据2检查步骤(i)中获取的关于所述病期的所述信息；(iii)基于步骤(ii)中获取的检查结果从标准数据2确定标准数据α，所述标准数据α处于与关于所述病期的所述信息对应的所述疾病的病期，并从所述标准数据α提取与所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述病期对应的器官间串扰指标的模式；(iv)相对于关于多种疾病和/或所述多种疾病的病期中多种器官间串扰指标的已知信息检查步骤(iii)中提取的所述器官间串扰指标的所述模式，并确定与所述受试者中所述特定器官以外的所述一个或多个器官中的每一个器官中所述器官间串扰指标的所述模式相对应的所述特定器官以外的所述一个或多个器官中的每一个器官中的疾病的存在和/或所述疾病的病期；以及(v)进一步确定步骤(iv)中确定的所述特定器官以外的所述一个或多个器官中的每一个器官中的所述疾病是所述受试者正在遭受的疾病，和/或进一步确定步骤(iv)中确定的所述特定器官以外的所述一个或多个器官中的每一个器官中的所述疾病的所述病期是所述受试者正在遭受的疾病的病期，其中，所述标准数据2包括为所述特定疾病的每个病期而预定的多种器官间串扰指标的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的器官间串扰指标的量(以下称之为“阳性对照量2”)与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中的所述特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量2”)之间的预定关系。条目39-1一种用于预测特定器官中患有疾病的受试者中的所述特定器官以外的一种或多种器官中的每一种器官中的所述疾病的存在和/或所述疾病的病期的方法，所述方法包括步骤：(a)从所述受试者的诊断结果获取关于所述受试者中所述特定疾病的病期的信息；(b)相对于标准数据2a检查步骤(a)中获取的关于所述病期的所述信息；(c)基于步骤(b)中获取的检查结果从标准数据2a确定标准数据α1，所述标准数据α1处于与关于所述病期的所述信息对应的所述疾病的病期，并从所述标准数据α1提取与所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述受试者中所述病期对应的器官间串扰指标的模式；(d)相对于关于多种疾病和/或所述多种疾病的病期中多种器官间串扰指标的已知信息检查步骤(c)中提取的所述器官间串扰指标的所述模式，并确定与所述受试者中所述特定器官以外的所述一个或多个器官中的每一个器官中所述器官间串扰指标的所述模式相对应的所述特定器官以外的所述一个或多个器官中的每一个器官中的疾病的存在和/或所述疾病的病期；以及(e)进一步确定步骤(d)中确定的所述特定器官以外的所述一个或多个器官中的每一个器官中的所述疾病是所述受试者正在遭受的疾病，和/或进一步确定步骤(d)中确定的所述特定器官以外的所述一个或多个器官中的每一个器官中的所述疾病的所述病期是所述受试者正在遭受的疾病的病期，其中，所述器官间串扰指标包括RNA，并且所述标准数据2a包括为所述特定疾病的每个病期而预定的所述RNA的表达的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的所述RNA的表达水平与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应RNA的表达水平之间的预定比值。条目39-2一种用于预测特定器官中患有疾病的受试者中的所述特定器官以外的一种或多种器官中的每一种器官中的疾病的存在和/或所述疾病的病期的方法，所述方法包括步骤：(a)从所述受试者的诊断结果获取关于所述受试者中所述特定器官中所述疾病(以下称之为“特定疾病”)的病期的信息；(b)相对于标准数据2b检查步骤(a)中获取的关于所述病期的所述信息；(c)基于步骤(b)中获取的检查结果从标准数据2b确定标准数据α2，所述标准数据α2处于与关于所述病期的所述信息对应的所述疾病的病期，并从所述标准数据α2提取与所述受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述受试者中所述病期对应的器官间串扰指标的模式；(d)相对于关于多种疾病和/或所述多种疾病的病期中多种器官间串扰指标的已知信息检查步骤(c)中提取的所述器官间串扰指标的所述模式，并确定与所述受试者中所述特定器官以外的所述一个或多个器官中的每一个器官中所述器官间串扰指标的所述模式相对应的所述特定器官以外的所述一个或多个器官中的每一个器官中的疾病的存在和/或所述疾病的病期；以及(e)进一步确定步骤(d)中确定的所述特定器官以外的所述一个或多个器官中的每一个器官中的所述疾病是所述受试者正在遭受的疾病，和/或进一步确定步骤(d)中确定的所述特定器官以外的所述一个或多个器官中的每一个器官中的所述疾病的所述病期是所述受试者正在遭受的疾病的病期，其中，所述器官间串扰指标包括多种代谢物，并且所述标准数据2b包括为所述特定疾病的每个病期而预定的所述多个代谢物的存在的多种模式，每种模式都是来自患有所述特定疾病的一个阳性对照(或多个阳性对照)中所述特定器官以外的所述器官中的所述多种代谢物的量与未患有所述特定疾病的一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应多种代谢物的量之间的预定比值。条目40根据条目39所述的方法，其中，所述器官间串扰指标包括RNA。条目41根据条目39或40所述的方法，其中，所述器官间串扰指标包括多种代谢物。条目42根据条目39、40和41中任一项所述的方法，其中，条目39中设定的所述标准数据2中的所述阳性对照量2与所述阴性对照量2之间的所述关系为所述阳性对照量2与所述阴性对照量2之间的比值。条目43根据条目条目39、39-1、39-2和40-42中任一项所述的方法，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目43-1根据条目43所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所列出的基因所表达的。条目43-2根据条目43所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目44根据条目条目39、39-1、39-2和40-42中任一项所述的方法，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目44-1根据条目44所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所列出的基因所表达的。条目44-2根据条目44所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目45根据条目39、39-1、39-2和40-42中任一项所述的方法，其中，所述特定疾病为肿瘤。条目45-1根据条目45所述的装置，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所列出的基因所表达的。条目45-2根据条目45所述的装置，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目46一种用于生成多种器官间串扰指标的多种模式的标准数据2以用于预测特定器官中患有疾病的受试者中所述特定器官以外的一个或多个器官中的每一个器官中所述疾病的存在和/或所述疾病的病期的方法，所述方法包括步骤：(A’)针对所述特定器官中的所述疾病(以下称之为“特定疾病”)的每个病期，获取关于源自于一个阳性对照(或多个阳性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中的器官间串扰指标的量的信息，作为黄金标准；(B’)获取关于源自于一个阴性对照(或多个阴性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中的所述器官间串扰指标的量的信息，作为黄金标准；(C’)确定多种器官间串扰指标的多种模式，每种模式由步骤(A’)中获取的患有所述特定疾病的一个阳性对照(或多个阳性对照)的所述特定器官以外的所述器官中的所述器官间串扰指标的量与步骤(B’)中获取的未患有所述特定疾病的所述一个阴性对照(或多个阴性对照)中所述特定器官以外的相同器官中的相应器官间串扰指标的量之间的关系(优选比值)而确定；以及(D’)使所述多种器官间串扰指标的所述多种模式与所述特定疾病的各个相应病期相关联。条目46-1根据条目46所述的方法，其中，步骤(A’)包括步骤：针对所述特定疾病的每个病期，从源自于一个阳性对照(或多个阳性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中提取器官间串扰指标，作为黄金标准；和识别并定量所述器官间串扰指标，并且步骤(B’)包括步骤：从源自于一个阴性对照(或多个阴性对照)的所述特定器官以外的所述一个或多个器官中的每一个器官的细胞或组织中提取所述器官间串扰指标，作为黄金标准；和识别并定量所述器官间串扰指标。条目46-2根据条目46或46-1所述的方法，所述器官间串扰指标包括RNA。条目46-3根据条目46或46-1所述的方法，其中，所述器官间串扰指标包括多种代谢物。条目46-4根据条目46、46-1、46-2和46-3中任一项所述的方法，其中，所述特定器官为心脏，并且所述特定疾病为心肌梗塞。条目46-4-1根据条目46-4所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所列出的基因所表达的。条目46-4-2根据条目46-4所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目46-5根据条目46、46-1、46-2和46-3中任一项所述的方法，其中，所述特定器官为大脑，并且所述特定疾病为痴呆。条目46-5-1根据条目46-5所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所列出的基因所表达的。条目46-5-2根据条目46-5所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目46-6根据条目46、46-1、46-2和46-3中任一项所述的方法，其中，所述特定疾病为肿瘤。条目46-6-1根据条目46-6所述的方法，其中，当所述器官间串扰指标包括RNA时，所述RNA是由图25或26中所列出的基因所表达的。条目46-6-2根据条目46-6所述的方法，其中，当所述器官间串扰指标包括多种代谢物时，所述多种代谢物列于图27中。条目47由根据46、46-1、46-2和46-3中任一项所述的方法生成的多种器官间串扰指标的多种模式的标准数据2，其用在特定器官中患有疾病的受试者中的所述特定器官以外的一个或多个器官中的每一个器官中的疾病的存在和/或所述疾病的病期的预测中。条目48一种用于预测试验物质的功效或一种副作用(或多种副作用)的装置，所述装置包括以下计算工具：模式相似度计算工具，用于通过比较关于施用了所述测试物质的个体的一个或多个器官中的每一个器官中器官间串扰指标的受试者数据X与相应器官间串扰指标的预定的标准数据Y来计算所述受试者数据X和所述标准数据Y之间的多种器官间串扰指标模式的相似度，所述受试者数据X是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；和预测工具，通过将由所述模式相似度计算工具计算的所述多种器官间串扰指标模式的相似度用作度量来预测所述测试物质在所述一个或多个器官中的每一个器官中和/或在所述一个或多个器官以外的一个或多个器官中的每一个器官中的功效或一种副作用(或多种副作用)。条目49根据条目48所述的装置，其中，所述受试者数据X是所述器官间串扰指标的一种模式，代表了施用了所述测试物质所述个体的所述器官中的所述器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量之间的关系。条目50根据条目48或49所述的装置，其中，所述标准数据Y为Y1：从功能已知的多种器官间串扰指标的量预定的多种器官间串扰指标的多种模式的标准数据。条目51根据条目48或49所述的装置，其中，所述标准数据Y为Y2：多种器官间串扰指标的多种模式，每种模式是来自于施用了现有物质的个体的器官中器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间预定关系。条目52根据条目48或49所述的装置，其中，所述标准数据Y为Y3：多种器官间串扰指标的多种模式，每种模式是来自于患有疾病的一个阳性对照个体(或多个阳性对照个体)的器官中器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间预定关系。条目53根据条目48至52中任一项所述的装置，其中，所述器官间串扰指标包括RNA。条目54根据条目48至52中任一项所述的装置，其中，所述器官间串扰指标包括多种代谢物。条目55一种程序，当由计算机执行时，使所述计算机执行以下处理，以预测测试物质的功效或一种副作用(或多种副作用)：通过比较关于施用了所述测试物质的个体的一个或多个器官中的每一个器官中器官间串扰指标的受试者数据X与相应器官间串扰指标的预定的标准数据Y来计算所述受试者数据X和所述标准数据Y之间的多种器官间串扰指标模式的相似度的处理，所述受试者数据X是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；和通过将由模式相似度计算处理计算的所述多种器官间串扰指标模式的相似度用作度量来预测所述测试物质在所述一个或多个器官中的每一个器官中和/或在所述一个或多个器官以外的一个或多个器官中的每一个器官中的功效或一个副作用(或多种副作用)。条目56根据条目55所述的程序，所述受试者数据X是所述器官间串扰指标的模式，其代表了施用了所述测试物质所述个体的所述器官中的所述器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量之间的关系。条目57根据条目55或56所述的程序，其中，所述标准数据Y为Y1：从功能已知的多种器官间串扰指标的量预定的多种模式。条目58根据条目55或56所述的程序，其中，所述标准数据Y为Y2：多种器官间串扰指标的多种模式，每种模式是来自于施用了现有物质的个体的器官中器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间预定关系。条目59根据条目55或56所述的程序，其中，所述标准数据Y为Y3：多种器官间串扰指标的多种模式，每种模式是来自于患有疾病的一个阳性对照个体(或多个阳性对照个体)的器官中器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间预定关系。条目60根据条目55至59中任一项所述的程序，其中，所述器官间串扰指标包括RNA。条目61根据条目55至59中任一项所述的程序，其中，所述器官间串扰指标包括多种代谢物。条目62一种用于使计算机作为根据条目48-54中任一项的所述模式相似度计算工具和所述预测工具而运行的程序。条目63一种用于预测试验物质的功效或一种副作用(或多种副作用)的方法，所述方法包括步骤：(1)通过比较关于施用了所述测试物质的个体的一个或多个器官中的每一个器官中器官间串扰指标的受试者数据X与相应器官间串扰指标的预定的标准数据Y来计算所述受试者数据X和所述标准数据Y之间的多种器官间串扰指标模式的相似度，所述受试者数据X是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；和(2)通过利用由步骤(1)中计算的所述多种器官间串扰指标模式的相似度作为度量来预测所述测试物质在所述一个或多个器官中的每一个器官中和/或在所述一个或多个器官以外的一个或多个器官中的每一个器官中的功效或一种副作用(或多种副作用)。条目64根据条目63所述的方法，其中，所述受试者数据X是所述器官间串扰指标的模式，其代表了施用了所述测试物质所述个体的所述器官中的所述器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量之间的关系。条目65根据条目63或64所述的方法，其中，所述标准数据Y为Y1：从功能已知的多种器官间串扰指标的量预定的多种模式。条目66根据条目63或64所述的方法，其中，所述标准数据Y为Y2：多种器官间串扰指标的多种模式，每种模式是来自于施用了现有物质的个体的器官中器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间预定的关系。条目67根据条目63或64所述的方法，其中，所述标准数据Y为Y3：多种器官间串扰指标的多种模式，每种模式是来自于患有疾病的一个阳性对照个体(或多个阳性对照个体)的器官中器官间串扰指标的量与一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间预定的关系。条目68根据条目63至67任一项所述的方法，其中，所述方法在步骤(1)之前还包括，(i)获取关于所述受试者数据X的信息，所述受试者数据X是关于施用了所述测试物质的所述个体中的所述一个或多个器官中的每一个器官中的所述器官间串扰指标，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的。条目69根据条目68所述的方法，其中，步骤(i)包括从施用了所述测试药物的所述个体的所述一个或多个器官中的每一个器官中的所述器官间串扰指标的量确定关于所述器官间串扰指标的所述受试者数据X，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的。条目70根据条目69所述的方法，其中，步骤(i)包括识别或定量从源自于施用了所述测试药物的所述个体的所述一个或多个器官中的每一个器官的所述细胞或组织提取的所述器官间串扰指标。条目71根据条目68至70中任一项所述的方法，其中，所述方法在步骤(i)之前还包括步骤：(ii)提供所述测试物质；(iii)提供所述个体；(iv)将步骤(ii)中提供的所述测试物质施用给步骤(iii)中提供的所述个体；(v)从步骤(iv)中施用了所述测试物质的所述个体采集所述一个或多个器官；以及(vi)从步骤(v)中采集的所述一个或多个器官采集所述细胞或组织。条目72根据条目68至71中任一项所述的方法，其中，所述器官间串扰指标包括RNA。条目73根据条目68至71中任一项所述的方法，其中，所述器官间串扰指标包括多种代谢物。条目74一种用于生成多种器官间串扰指标模式的标准数据Y以用在测试物质的功效或一种副作用(或多种副作用)的预测中的方法，所述方法包括步骤：(1)从源自于分别施用了多种现有物质一个个体或多个个体的一个或多个器官的细胞或组织、和/或源自于一个阴性对照(或多个阴性对照)的所述一个或多个器官的细胞或组织、和/或源自于患有各种疾病的一个阳性对照个体或多个阳性对照个体的所述一个或多个器官的细胞或组织提取多种器官间串扰指标；(2)识别并定量步骤(1)中提取的所述多种器官间串扰指标；以及(3)从步骤(2)中定量的所述多种器官间串扰指标的量确定所述多种器官间串扰指标的标准数据Y。条目75一种微阵列(microarray)，包括能搜索选自于由本文“1.术语解释”章节和“8.微阵列和试剂盒”章节中描述的组1-8构成的群组中的至少一个组的多个探针(probe)，用于获取关于特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的受试者数据，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的，用在一种用于预测所述受试者中所述特定器官中的疾病的存在和/或所述疾病的病期的方法中，和/或用在一种用于预测测试物质的功效或一种副作用(或多种副作用)的方法中。条目76根据条目75所述的微阵列，并入根据条目1-1、2、4、4-1、5、5-1、6、6-1、7、7-1、25-1、26、28、29、29-1、30、30-1、31和31-1中任一项所述的装置中。条目77一种包括微阵列的试剂盒(kit)，所述微阵列包括能搜索选自于由本文“1.术语解释”章节和“8.微阵列和试剂盒”章节中描述的组1-8构成的群组中的至少一个组的多个探针，用于获取关于特定器官以外的一个或多个器官中的每一个器官中器官间串扰指标的受试者数据，所述受试者数据是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的，用在一种用于预测所述受试者中所述特定器官中的疾病的存在和/或所述疾病的病期的方法中，和/或用在一种用于预测测试物质的功效或一种副作用(或多种副作用)的方法中。发明的有利效果根据本发明(反iOrgans(ReverseiOrgans))，一个器官的状态的细微变化与其他器官中的细微变化相关联从而捕获在一个器官或组织中的细微变化，并且本发明可以比常用诊断方法更早地检测到其他器官或组织中的异常。进一步的，用于评估这种多种器官或组织中的关联的装置或程序的应用使得通过诊断一个器官或组织来诊断多个器官或组织成为可能，从而显著地提高了诊断效率。根据本发明(正iOrgans(ForwardiOrgans))，通过使用常规测试不能诊断为具有异常的器官的状态从通过使用常规诊断方法已经确认具有异常的器官的状态中推断出来；因此，可以早期检查出由心脏疾病、大脑疾病、癌症等引起的其他器官或组织中的异常，并且可以预防和治疗二、三级疾病(如肾功能衰竭、肝脏病、癌症转移)。进一步可以预测测试物质的功效和一种副作用(或多种副作用)。附图说明图1示意性示出了根据本发明的反iOrgans的模式图。图2示意性示出了根据本发明的反iOrgans的模式图。图2(a)为在心肌梗塞的各个病期的标准数据1的例子。图2(b)为受试者的脂肪组织的数据的例子。图3示意性示出了根据本发明的正iOrgans的模式图。图4示意性示出了根据本发明的正iOrgans的模式图。图4(a)为标准数据2的例子。图4(b)为从标准数据2中提取的关于心肌梗塞早期的器官间串扰指标的数据的例子。图4(c)是从关于心肌梗死早期的器官间串扰指标的数据中提取的关于肾脏中器官间串扰指标的数据(标准数据α)的示例。图5示意性示出了根据本发明的药物iOrgans(DrugiOrgans)的模式图。图5(a)示出了用于预测测试物质的一种副作用(或多种副作用)的D-iOrgans的模型。图5(b)示出了用于预测特测物质的功效的D-iOrgans的模型。图6示意性示出了根据本发明的药物iOrgans的模式图。图7示意性示出了根据本发明的药物iOrgans的模式图。图8为根据本发明第一实施例的系统100的概貌。图9为示出了根据本发明第一实施例的系统100的硬件构造的方框图。图10为示出了根据本发明第一实施例的预测装置1的功能的方框图。图11为示出了由根据本发明第一实施例的预测装置1执行的数据处理流以执行预测方法的流程图。图12为根据本发明第二实施例的系统110的概貌。图13为示出了根据本发明第二实施例的系统110的硬件构造的方框图。图14为示出了根据本发明第二实施例的预测装置2的功能的方框图。图15为示出了由根据本发明第二实施例的预测装置2执行的数据处理流以执行预测方法的流程图。图16示出了使用标准数据1的D-iOrgans的模式图。图16(a)示出了标准数据1。图16(b)示出了施用测试物质后器官A的受试者数据X的模式。图16(c)示出了施用测试物质后器官B的受试者数据X的模式。图16(d)示出了施用测试物质后器官B的受试者数据X的模式。阴影表示器官间串扰指标的模式。图17示出了使用标准数据1的D-iOrgans的模式图。图17(a)示出了标准数据1。图17(b)示出了施用测试物质后器官A的受试者数据X的模式。图17(c)示出了施用测试物质后器官B的受试者数据X的模式。阴影表示器官间串扰指标的模式。图18示出了使用标准数据Y3-图(人类临床研究的例子)的D-iOrgans的模式图。阴影表示器官间串扰指标的模式，并且每16个阴影块(包括白色块)表示一种关联图。图19示出了使用标准数据Y3-图(临床前研究中效果预测的一个例子)的D-iOrgans的模式图。阴影表示器官间串扰指标的模式，并且每16个阴影块(包括白色块)表示一种关联图。图20示出了使用标准数据Y3-图(临床前研究中效果预测的一个例子)的D-iOrgans的模式图。阴影表示器官间串扰指标的模式，并且每16个阴影块(包括白色块)表示一种关联图。图21为根据本发明第三实施例的系统120的概貌。图22为示出了根据本发明第三实施例的系统120的硬件构造的方框图。图23为示出了根据本发明第三实施例的预测装置3的功能的方框图。图24为示出了由根据本发明第三实施例的预测装置3执行的数据处理流以执行预测方法的流程图。图25为通过例如RNA-Seq.检测出的小鼠中的RNA列表。在图25中，“行号”表示列表中的行编号，“基因名称”表示在美国国家生物技术信息中心(NCBI)登记的基因名称，并且“参考序列ID”表示在NCBI登记的参考序列ID编号。“染色体位点”表示以mm9登记的染色体位点。图26为通过例如RNA-Seq.检测出的小鼠中的RNA列表。在图26中，“行号”表示列表中的行编号，“基因名称”表示在美国国家生物技术信息中心(NCBI)登记的基因名称，并且“参考序列ID”表示在NCBI登记的参考序列ID编号。“染色体位点”表示以mm10登记的染色体位点。图27为组B的代谢物的列表。图28为组C的代谢物的列表。图29示出了代谢物的时程变化(time-coursechanges)，其中通过GCMS分析获取的MI/Sham值在每种组织中为大于1或小于1。图29中的符号如下所示：1d：冠状动脉结扎后一天，1w：冠状动脉结扎后一周，以及8w：冠状动脉结扎后8周。图30：表达水平被检查的RNA如下分类：MI/Sham大于1或小于1的RNA被分类为组4，MI/Sham大于1.5或小于0.67的RNA被分类为组5，MI/Sham大于2或小于0.5的RNA被分类为组6，MI/Sham大于5或小于0.2的RNA被分类为组7。还使用实时PCR检查的组8的RNA尤其在本发明中有用。图30中，“行号”表示列表中的行编号，“组”表示基于MI/Sham值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称，“人类基因ID”表示在NCBI对应基因名称登记的人类基因标号，以及“更新”表示更新到NCBI中人类基因ID的日期。在“子组”中，“VIII”表示组8，“VII-1”表示在组7的RNA中MI/Sham大于5且未包含在组8中的RNA，“VII-2”表示在组7的RNA中MI/Sham小于0.2的且未包含在组8中的RNA。“VI-1”表示在组6的RNA中MI/Sham大于2且未包含在组7或组8中的RNA，“VI-2”表示在组6的RNA中MI/Sham小于0.5且未包含在组7或组8中的RNA。“V-1”表示在组5的RNA中MI/Sham大于1.5且未包含在组6-8中的任一组中的RNA，“V-2”表示在组5的RNA中MI/Sham小于0.67的且未包含在组6-8中的任一组中的RNA。“IV-1”表示在组4的RNA中MI/Sham大于1的且未包含在组5-8中的任一组中的RNA，“IV-2”表示在组4的RNA中MI/Sham小于1的且未包含在组5-8中的任一组中的RNA。观察到在心肌梗塞小鼠模型中在左冠状动脉结扎后8周内测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图31示出了每个器官中图30中所示的RNA的表达的时程变化，其中MI/Sham大于5或小于0.2。图31中的符号如下所示：1d：冠状动脉结扎后一天，1w：冠状动脉结扎后一周，以及8w：冠状动脉结扎后8周。图32示出了实时PCR分析的结果。图32中的符号如下所示：1h：冠状动脉结扎后1小时，6h：冠状动脉结扎后6小时，1d：冠状动脉结扎后一天，1w：冠状动脉结扎后一周，以及8w：冠状动脉结扎后8周。“基因名称”表示在NCBI登记的基因名称。图33示出了每种组织中代谢物的时程变化，其中通过CEMS分析得到的SAMP8/Control的值大于1或小于1。图33中的符号如下所示：E：年轻发病的痴呆症的早期，以及M：年轻发病的痴呆症的中期。图34：表达水平被检查的RNA如下分类：SAMP8/Control大于1或小于1的RNA分类为组4，SAMP8/Control大于1.5或小于0.67的RNA分为组5，SAMP8/Control大于2或小于0.5的RNA分类为组6，以及SAMP8/Control大于5或小于0.2的RNA分类为组7。在“子组”中，“VII-1”表示在组7的RNA中SAMP8/Control大于5的RNA，“VII-2”表示在组7的RNA中SAMP8/Control小于0.2的RNA。“VI-1”表示在组6的RNA中SAMP8/Control大于2且不包含在组7中的RNA，以及“VI-2”表示在组6的RNA中SAMP8/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中SAMP8/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示组5的RNA中SAMP8/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中SAMP8/Control大于1且不包含在组5-7中任一组中的RNA，以及“IV-2”表示组4的RNA中SAMP8/Control小于1且不包含在组5-7中任一组中的RNA。观察到在年轻发病的痴呆症小鼠模型中，晚期测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图34中的符号如下所示：E：年轻发病的痴呆症的早期，M：年轻发病的痴呆症的中期，以及L：年轻发病的痴呆症的晚期。图35示出了每个器官中图34所示的组7的RNA的表达的时程变化。图35中的符号如下所示：E：年轻发病的痴呆症的早期，M：年轻发病的痴呆症的中期，以及L：年轻发病的痴呆症的晚期。图36：表达水平被检查的RNA被分类如下：Glioma/Control大于1或小于1的RNA分类为组4，Glioma/Control大于1.5或小于0.67的RNA分为组5，Glioma/Control大于2或小于0.5的RNA分类为组6，以及Glioma/Control大于5或小于0.2的RNA分类为组7。图36中，“行号”表示列表中的行编号，“组”表示基于Glioma/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VII-1”表示在组7的RNA中Glioma/Control大于5的RNA，以及“VII-2”表示组7的RNA中Glioma/Control小于0.2的RNA。“VI-1”表示在组6的RNA中Glioma/Control大于2且不包含在组7中的RNA，以及“VI-2”表示在组6的RNA中Glioma/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中Glioma/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示在组5的RNA中Glioma/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中Glioma/Control大于1且不包含在组5-7中任一组中的RNA，以及“IV-2”表示组4的RNA中Glioma/Control小于1且不包含在组5-7中任一组中的RNA。观察到在神经胶质瘤植入后7天测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图37示出了每个器官中图36所示的组7的RNA的表达的时程变化。图37中的符号如下所示：3d：肿瘤植入后第3天，以及7d：肿瘤植入后第7天。图38示出了人类乳腺癌患者的皮肤中的RNA表达。表达水平被检查的RNA如下分类：BC/Control大于1或小于1的RNA分类为组4，BC/Control大于1.5或小于0.67的RNA分为组5，BC/Control大于2或小于0.5的RNA分类为组6，以及BC/Control大于5或小于0.2的RNA分类为组7。图38中，“行号”表示列表中的行编号，“组”表示基于BC/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VII-1”表示在组7的RNA中BC/Control大于5的RNA，以及“VII-2”表示在组7的RNA中BC/Control小于0.2的RNA。“VI-1”表示在组6的RNA中BC/Control大于2且不包含在组7中的RNA，以及“VI-2”表示组6的RNA中BC/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中BC/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示组5的RNA中BC/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中BC/Control大于1且不包含在组5-7中任一组中的RNA，以及“IV-2”表示组4的RNA中BC/Control小于1且不包含在组5-7中任一组中的RNA。观察到测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图39示出了人类肺癌患者的皮肤中RNA的表达。表达水平被检查的RNA如下分类：LC/Control大于1或小于1的RNA分类为组4，LC/Control大于1.5或小于0.67的RNA分为组5，LC/Control大于2或小于0.5的RNA分类为组6，以及LC/Control大于5或小于0.2的RNA分类为组7。图39中，“行号”表示列表中的行编号，“组”表示基于LC/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VII-1”表示在组7的RNA中LC/Control大于5的RNA，以及“VII-2”表示在组7的RNA中LC/Control小于0.2的RNA。“VI-1”表示在组6的RNA中LC/Control大于2且不包含在组7中的RNA，以及“VI-2”表示在组6的RNA中LC/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中LC/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示在组5的RNA中LC/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中LC/Control大于1且不包含在组5-7中任一组中的RNA，以及“IV-2”表示在组4的RNA中LC/Control小于1且不包含在组5-7中任一组中的RNA。观察到测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图40示出了人类乳腺癌患者的血液中的RNA表达。表达水平被检查的RNA如下分类：BC/Control大于1或小于1的RNA分类为组4，BC/Control大于1.5或小于0.67的RNA分为组5，BC/Control大于2或小于0.5的RNA分类为组6，以及BC/Control大于5或小于0.2的RNA分类为组7。图40中，“行号”表示列表中的行编号，“组”表示基于BC/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VII-1”表示在组7的RNA中BC/Control大于5的RNA，以及“VII-2”表示在组7的RNA中BC/Control小于0.2的RNA。“VI-1”表示在组6的RNA中BC/Control大于2且不包含在组7中的RNA，以及“VI-2”表示在组6的RNA中BC/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中BC/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示在组5的RNA中BC/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中BC/Control大于1且不包含在组5-7中任一组中的RNA，以及“IV-2”表示在组4的RNA中BC/Control小于1且不包含在组5-7中任一组中的RNA。观察到测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图41示出了人类肺癌患者的血液中的RNA表达。表达水平被检查的RNA被分类如下：LC/Control大于1或小于1的RNA分类为组4，LC/Control大于1.5或小于0.67的RNA分为组5，LC/Control大于2或小于0.5的RNA分类为组6，以及LC/Control大于5或小于0.2的RNA分类为组7。图41中，“行号”表示列表中的行编号，“组”表示基于LC/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VII-1”表示在组7的RNA中LC/Control大于5的RNA，以及“VII-2”表示在组7的RNA中LC/Control小于0.2的RNA。“VI-1”表示在组6的RNA中LC/Control大于2且不包含在组7中的RNA，以及“VI-2”表示组6的RNA中LC/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中LC/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示在组5的RNA中LC/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中LC/Control大于1且不包含在组5-7中任一组中的RNA，以及“IV-2”表示在组4的RNA中LC/Control小于1且不包含在组5-7中任一组中的RNA。观察到测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图42示出了在每种组织中代谢物的时程变化，其中通过CEMS得到的STZ/Control值为大于1或小于1。图43：D-iOragns中表达水平被检查的RNA如下分类：STZ/Control大于1或小于1的RNA分类为组4，STZ/Control大于1.5或小于0.67的RNA分为组5，STZ/Control大于2或小于0.5的RNA分类为组6，以及STZ/Control大于5或小于0.2的RNA分类为组7。还使用实时PCR检查的组8的RNA尤其在本发明中有用。图43中，“行号”表示列表中的行编号，“组”表示基于STZ/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VIII”表示组8，“VII-1”表示在组7的RNA中STZ/Control大于5且不包含在图8中的RNA，以及“VII-2”表示在组7的RNA中STZ/Control小于0.2且不包含在图8中的RNA。“VI-1”表示在组6的RNA中STZ/Control大于2且不包含在组7或组8中的RNA，以及“VI-2”表示组6的RNA中STZ/Control小于0.5且不包含在组7或组8中的RNA。“V-1”表示在组5的RNA中STZ/Control大于1.5且不包含在组6-8中中任一组中的RNA，以及“V-2”表示在组5的RNA中STZ/Control小于0.67且不包含在组6-8中任一组中的RNA。“IV-1”表示在组4的RNA中STZ/Control大于1且不包含在组5-8中任一组中的RNA，以及“IV-2”表示在组4的RNA中STZ/Control小于1且不包含在组5-8中任一组中的RNA。观察到测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。图44示出了在D-iOrgans中的实时PCR分析的结果。图45示出了使用从施用了STZ的小鼠中取出的胚胎的D-iOrgans的结果。表达水平被检查的RNA如下分类：STZ/Control大于1或小于1的RNA分类为组4，STZ/Control大于1.5或小于0.67的RNA分为组5，STZ/Control大于2或小于0.5的RNA分类为组6，以及STZ/Control大于5或小于0.2的RNA分类为组7。图45中，“行号”表示列表中的行编号，“组”表示基于STZ/Control值分类的每个组的组编号，“基因名称”表示在NCBI登记的基因名称。在“子组”中，“VII-1”表示在组7的RNA中STZ/Control大于5的RNA，以及“VII-2”表示在组7的RNA中STZ/Control小于0.2的RNA。“VI-1”表示在组6的RNA中STZ/Control大于2且不包含在组7中的RNA，以及“VI-2”表示在组6中的RNA中STZ/Control小于0.5且不包含在组7中的RNA。“V-1”表示在组5的RNA中STZ/Control大于1.5且不包含在组6或组7中的RNA，以及“V-2”表示组5的RNA中STZ/Control小于0.67且不包含在组6或组7中的RNA。“IV-1”表示在组4的RNA中STZ/Control大于1且不包含在组5-7中任一组中的RNA，“IV-2”表示在组4的RNA中STZ/Control小于1且不包含在组5-7中任一组中的RNA。观察到测试的器官中表达组3的RNA；即，这些RNA为FPKM值为1或大于1的RNA。具体实施方式基于一种叫做“iOrgans(Inter-OrganCrossTalks，器官间串扰)技术”的新的方法学，本发明涉及两种新的疾病确定方法，称为“反iOrgans”和“正iOrgans”。在该方法学中，建立了来自于特定器官以外的器官的基因表达、代谢物等的量的变化的综合数据库，这些变化与受试者中特定器官的功能和组织学变化相关联。通过使用该综合数据库实现疾病确定。“iOrgans”是一种通过利用一个器官的状态与一个或多个其它器官的状态之间的相互关系作为手段来诊断、预防、和/或治疗疾病的方法。假定特定疾病是心肌梗塞，反iOrgans(也称为“R-iOrgans”)、正iOrgans(也称之为“F-iOrgans”)和药物iOrgans(也称为“D-iOrgans”)被描述如下。图1和2示意性示出了根据本发明的反iOrgans的模式图。反iOrgans是一种用于从关于在相同时间点从同一受试者采集的特定器官以外的每一个器官中的基因表达模式的信息预测受试者中特定疾病的方法。通过该方法来预测特定潜在疾病的存在或特定器官的状态是可能的。在图1所示的示例中，特定器官(例如，心脏)中的疾病(例如，心肌梗塞)是从关于作为例子的另一器官(例如，脂肪组织或细胞)中的基因表达模式的信息预测的。反iOrgans的预测方法的模式图参考图2进行了描述，例如假定其他器官为脂肪组织并且特定器官中的疾病为心肌梗塞。图2中所示的A-F表示器官间串扰指标。首先，脂肪组织中的基因表达模式(即，器官间串扰指标的模式)是作为标准数据提前从心脏的每种状态采集的，即，心肌梗塞的每个病期。图2(a)示出了标准数据1的示例。图2(a)的标准数据示出了器官间串扰指数的模式，即，处于心肌梗塞的各个病期(心肌梗塞的正常状态、急性阶段(缺血状态)、恢复阶段(纤维化状态)、和维持阶段(心脏肥大状态))中的每一个病期的脂肪组织中的A-F的模式。从心肌梗死的急性阶段到维持阶段的多个器官间串扰指标的模式中，在显示为灰色的器官间串扰指标中的项目代表相对于正常来说显示没有变化的器官间串扰指标中的项目，并在以对角阴影显示的器官间串扰指标中的项目代表相对于正常来说显示变化的器官间串扰指标中的项目。其次，脂肪组织是从受试者采集的，脂肪组织中的器官间串扰指标的模式被确定并用作受试者数据(例如，图2(b))。而且，来自于脂肪组织的标准数据和受试者数据相互比较，并计算二者之间模式的相似度。当与受试者数据相似的模式出现在标准数据中时，可以预测标准数据中与该相似模式关联的心脏状态为受试者正在遭受的心脏状态。在图2的示例中，(b)中显示的是受试者数据的模式与标准数据顶部的第二模式相似。顶部的第二模式是一种来自于处于心肌梗塞的急性阶段状态的心脏的模式。因此，可以预测受试者的心脏处于心肌梗塞的急性阶段状态(缺血状态)。图3和4示意性示出了根据本发明的正iOrgans的模式图。正iOrgans是一种方法，其中通过使用常规测试等确定受试者中特定器官中特定疾病的病期之后，将特定疾病的病期与关于在其他器官中的各器官间串扰指标的预定数据进行比较来确定来自于受试者的特定器官以外的各器官的基因表达等的模式，并基于此，预测特定器官以外的多个器官中的每一个器官中包括并发症在内的疾病的存在或疾病的病期。特定器官以外的每个器官中包括并发症在内的疾病的存在或疾病的病期的预测，可以通过相对于先前报道的关于特定器官以外的每个器官中的疾病中的基因表达的信息对来自除了受试者的特定器官之外的多个器官中的每一个器官的基因表达等的模式的检查来进行。在图3的示例中，特定器官(例如心脏)中的疾病(例如心肌梗塞)的病期是预先使用常规的测试等进行识别的，另一器官(例如肾脏)的状态是从该特定器官中的该疾病病期而预测的。以此为例，正iOrgans的预测方法的模式图参照图4进行描述。首先，受试者的心肌梗塞病期为急性病期、恢复病期或维持病期的信息由例如血清等的生物化学试验的结果确定。接下来，相对于标准数据2(例如，图4(a))检查受试者的病期，该标准数据2包括针对心肌梗塞的每个病期存储的每个器官(包括心脏)中的多个器官间串扰指标的模式，由此从图4(a)的数据提取与受试者中心肌梗塞的病期(例如急性阶段)对应的多个器官间串扰指标的模式(图4(b))。另外，从图4(b)的模式中提取来源于肾脏的器官间串扰指标的模式(图4(c))。通过该程序，来自肾脏的器官间串扰指标的模式(图4(c))可以被推断为是从处于受试者病期的肾脏的器官间串扰指标的模式而获取的。基于所推断的模式中所示的器官间串扰指标，可以根据先前报道的有关疾病和并发症的信息来预测肾脏的状态。图5和图6示意性示出了用于预测测试物质的一种副作用(或多种副作用)和功效的根据本发明的药物iOrgans的模式图。根据器官间串扰系统，许多药物的一种副作用(或多种副作用)是由从状态“(a1，a2，a3，a4等)”到状态“Δ(a1，a2，a3，a4等)”的器官间串扰指标的变化(增加或减少)造成的，并且是该种药物对器官A的作用的结果(图5(a))。从器官间串扰系统的角度来看，药物对器官A的作用会在器官B、器官C和器官D中引起一种副作用(或多种副作用)。关于副作用(或多种副作用)的相同理论适用于药物的功效，如图5(b)所示。在用于检测一个副作用(或多种副作用)和确认功效的常规方法中，仅观察器官A的变化，因此忽略器官B、器官C和器官D中的效果。D-iOrgans不仅可以评价器官A中从“(a1，a2，a3，a4等)”到“Δ(a1，a2，a3，a4等)”的器官间串扰指标中的变化，还可以综合地分析由于施用药物引起的多个其它器官中该器官间串扰指标中的变化，例如，器官B、器官C和器官D中从“(b1，b2，b3，b4等)”到“Δ(b1，b2，b3，b4等)”的变化、“从(c1，c2，c3，c4等)”到“Δ(c1，c2，c3，c4等)”的变化、以及从“(d1，d2，d3，d4等)”到“Δ(d1，d2，d3，d4等)”的变化。D-iOrgans的预测方法的一个例子参照图6进行了说明。首先，针对一种或多种疾病的每个病期，预先获取每个器官中的基因表达的模式(即，器官间串扰指标的模式)作为标准数据Y。图6(a)示出了标准数据Y的一个例子。图6(a)所示的标准数据Y包括多个器官间串扰指标的模式，每个模式来源于患有疾病的一个阳性对照个体(或多个阳性对照个体)器官内的器官间串扰指标的量与一个阴性对照(或多个阴性对照)中的相同器官中的相应器官间干扰指标的量之间的预定关系。该标准数据Y示出了从处于在心肌梗塞、痴呆和神经胶质瘤的每个病期(正常状态、早期、中期和后期)的脂肪组织获取的器官间串扰指标(即A-F)的模式。在每种疾病的早期至晚期的器官间串扰指标的模式中，以灰色显示的器官间串扰指标中的项目代表相对于正常情况没有变化的器官间串扰指标中的项目，用对角阴影线示出的器官间串扰指标中的项目表示相对于正常显示变化的器官间串扰指标中的项目。接下来，从施用了测试物质的受试者采集脂肪组织，并确定脂肪组织中的器官间串扰指标的模式并将其用作受试者数据X(例如，图6(b))。接着，将标准数据Y和脂肪组织的受试者数据X相互比较，并计算模式之间的相似度。当在标准数据Y中存在与受试者数据X类似的模式时，可以预测测试物质的施用导致受试者处于当所述疾病发展成处于与标准数据Y中的相似模式相关联的病期时的相同状态。在图6所示的示例中，(b)所示的受试者数据X的模式与标准数据Y中的痴呆早期的模式类似。这表明通过施用测试物质可能已经在受试者中发展了对应于早期痴呆的疾病。因此可以预测测试物质可能有与早期痴呆相对应的一种副作用(或多种副作用)。此外，当用于获取图6(a)中所示的标准数据Y的患有各种疾病的一个阳性对照个体或多个阳性对照个体正在接受任何治疗(施用现有物质)并且受试者数据X是图6(b)中所示的模式时，可以预测：测试物质具有对应于所述现有物质的功效。由于主观症状在疾病早期通常不出现，因此常规方法无法预测不显示为主观症状的测试物质的功效或一种副作用(或多种副作用)。相反，在D-iOrgans预测方法中，与包括早期在内的疾病的相应病期相关联的各个器官间串扰指标的模式的标准数据Y与受试者数据X相比较，并使用模式间的相似度作为手段来预测测试物质的功效或一种副作用(或多种副作用)。因此，D-iOrgans的预测方法也可以预测不显示为主观症状的测试物质的功效或一种副作用(或多种副作用)。以结直肠癌(colorectalcancer)为例，D-iOrgans的一个实施例参考图7进行了描述。例如，图7(a)显示了测试物质被施用于健康的、具有结直肠癌的癌前病变、或者已经发展成结直肠癌的个体(例如小鼠)情况下，从未施用所述测试物质的睾丸、肾脏、皮肤和结肠获取的标准数据1。在图7中，例如，施用了测试物质的受试者是健康个体，图7(b)所示的受试者数据X是从来源于该受试者的结肠的组织获取的器官间串扰指标的模式。受试者数据X与从图7(a)的标准数据1中的结肠获取的数据进行比较。在此情况下，受试者数据X与标准数据1中的结直肠癌的癌前病变的模式相似；因此，可以预测：对健康个体施用测试物质导致结直肠癌的癌前病变。此外，可以预测：测试物质将来可能导致结直肠癌。而且，在图7中，例如，施用了受试物质的受试者患有结直肠癌，图7(b)所示的受试者数据X是来自于施用了测试物质之后的病变的器官间串扰指标的模式。受试者数据X与标准数据1中结直肠癌的癌前病变的模式相似；因此，可以预测：该测试物质对结直肠癌的治疗是有效的。此外，根据本发明，例如，结合器官间串扰系统，可以根据标准数据1(图7(a))中来自皮肤的基因表达的模式，而不使用结肠本身的组织来预测结肠的状态。例如，在图7中，施用了测试物质的受试者是健康个体，图7(c)所示的受试者数据X是从源自于受试者的皮肤的组织获取的器官间串扰指标的模式。受试者数据X与来自图7(a)所示的标准数据1中的皮肤的数据进行比较。在这种情况下，受试者数据X与标准数据1中结直肠癌的癌前病变的模式相似；因此，可以预测：受试物质在结肠中引起癌前病变。此外，例如，在图7中，施用了受试物质的受试者患有结直肠癌，图7(c)所示的受试者数据X是施用了测试物质之后来自于皮肤的器官间串扰指标的模式。受试者数据X与标准数据1中的皮肤数据进行比较。在此情况下，受试者数据X与标准数据1中结直肠癌的癌前病变的模式相似；因此，可以预测：该测试物质对结直肠癌是有效的。更具体地，例如，当要观察的组织处于例如腹腔并因此需要剖腹来采集组织时，可以使用易于采集的皮肤或另一器官来代替该组织来预测该测试物质在皮肤以外的多个器官中的功效或一种副作用(或多种副作用)。此外，功效或一种副作用(或多种副作用)可以通过将D-iOrgans关联到R-iOrgans或F-iOrgans而在更早的时间在多个器官中被检测到。1.术语的解释首先，解释本说明书、权利要求书和摘要中使用的术语。本文所用的“个体”不受特别限制。实例包括哺乳动物，如人、小鼠、大鼠、狗、猫、兔、牛、马、山羊、绵羊和猪，鸟类，如鸡等。个体优选为例如人、小鼠、狗、猫、牛、马、猪等的一种哺乳动物，更优选人、小鼠、狗、猫等，更优选人或小鼠，最优选人。此外，术语“个体”包括患有疾病的个体和未患疾病的个体。对个体的年龄或性别(雄性或雌性)没有限制；然而，个体优选与后述的受试者是相同的物种、相同的年龄、和/或相同的性别。然而，在后述的“6.D-iOrgans”中的实施例中，当将测试物质施用给个体时，所述个人不包含人。此外，“个体”一词还包括妊娠的个体。在人类中，本发明中个体的年龄可以分为以下年龄组：小于7岁、7岁但小于15岁、15岁以上但小于30岁、30岁以上但小于60岁、以及60岁以上。本发明中的年龄没有特别限定，优选15岁以上但小于30岁、30岁以上但小于60岁、或60岁以上，更优选30岁以上但小于60岁、或60岁或以上。在小鼠中，年龄可能划分为以下年龄组：小于6周龄、6周龄以上但小于24周龄、24周龄以上但小于48周龄、以及48周龄或以上。在此，将后述的具有特定疾病的个体称为“阳性对照”，将后述的没有特定疾病的个体称为“阴性对照”。在本发明中，“组织”是指具有相似功能和相似形状的细胞的集合。本文使用的“器官”是指受试者中具有一定独立形式和特定功能的组织的集合。具体实例包括：循环系统的器官(例如心脏、动脉、静脉和淋巴管)、呼吸系统的器官(如鼻腔、鼻旁窦、喉、气管、支气管和肺)，消化系统的器官(如唇、颊区、腭、牙齿、牙龈、舌头、唾液腺、咽、食管、胃、十二指肠、空肠、回肠、盲肠、阑尾、升结肠、横结肠、乙状结肠、直肠、肛门、肝脏、胆囊、胆管、胆道、胰腺和胰管)，泌尿系统的器官(如尿道、膀胱、输尿管和肾脏)，神经系统的器官(如大脑、小脑、中脑、脑干、脊髓、周围神经和自主神经)，雌性生殖系统的器官(如卵巢、输卵管、子宫、和阴道)，乳房，雄性生殖系统的器官(如阴茎、前列腺、睾丸、附睾、输精管等)，内分泌系统的器官(如下丘脑、垂体、松果体、甲状腺、甲状旁腺和肾脏上腺)，体表系统的器官(如皮肤、毛发和指甲)，造血系统的器官(如血液、骨髓和脾)，免疫系统的器官(如淋巴结、扁桃体和胸腺)，骨和软组织器官(例如骨、软骨、骨骼肌、结缔组织、韧带、肌腱、膈肌、腹膜、胸膜和脂肪组织(棕色脂肪和白色脂肪))，感觉器官系统的器官(例如眼球、眼睑、泪腺、外耳、中耳、内耳和耳蜗)。本发明中组织的优选实例包括心脏的组织、大脑的组织、肺的组织、肾脏的组织、脂肪组织的组织、肝脏的组织、骨骼肌的组织、睾丸的组织、脾的组织、胸腺的组织、骨髓组织、胰腺组织、皮肤(例如、包括表皮、乳头层和的皮下组织上方的网状层；优选不包含脂肪组织、软骨组织等)的组织等。组织的更优选实例包括心脏的组织、大脑的组织、肺的组织、肾脏的组织、脂肪组织的组织、肝脏的组织、骨骼肌的组织、脾的组织、骨髓的组织、胰腺的组织、皮肤的组织等。此外，在将妊娠个体(优选人以外的个体)作为受试者的情况下，本发明中的术语“器官”可以包括胚胎的整体或胚胎的上述器官。在本发明中，替代上述器官，可以使用体液，如血清、血浆、尿液、脊髓液、腹水、胸腔积液、唾液、胃液、胰液、胆汁和乳液，特别优选血浆。本文所用的“特定器官”是指具有后述特定疾病的器官。术语“特定器官以外的器官”包括除特定器官以外的上述器官。除特定器官以外的器官可以是一种或多种器官。除特定器官以外的器官优选为除血液以外的器官。更优选地，特定器官以外的器官不包括体液。特定器官以外的器官特别优选皮肤，脂肪组织等等。如本文所用，“源自于器官”是指例如从器官采集或从采集的器官的细胞或组织培养或体液。如本文所用，“器官间串扰指标”是存在于活体内的至少一种体内因子(或分子)，并且充当一种表示通过活体中的器官到器官通信(即，器官间串扰)的器官的状态的量度。换言之，器官间串扰指标是一种或多种体内物质(该体内物质可以在源自于各个器官的细胞或组织中发生变化)、和/或具有特定疾病的个体中的体液，取决于疾病是否存在。可以充当器官间串扰指标的体内物质的实例包括：核酸；碳水化合物；脂质；糖蛋白；糖脂；脂蛋白；氨基酸，肽；蛋白质；多酚；趋化因子；选自于由上述一种或多种物质的代谢终产物、上述一种或多种物质的代谢中间产物、以及上述物质的一种或多种代谢途径的一种或多种起始物质组成的组中的至少一种代谢物；金属离子等。优选的例子是核酸。在本发明中，所述核酸优选为RNA，如mRNA、非编码RNA或microRNA，更优选为mRNA。所述RNA优选为选自于由mRNA、非编码RNA和可以在源自上述器官的细胞或组织中表达或体液中的细胞中表达的microRNA组成的组(在本文中也称为“组1”)中的至少一种RNA，更优选是由图25或26中列出的基因所表达的且可以通过RNA-Seq等被检测到的RNA(本文也称为“组2”)和从这些基因的直系同源基因表达的RNA。由NCBI提供的网站HomoloGene(http://www.ncbi.nlm.nih.gov/homologene)等可用于从图25或26中所述的参考序列ID中搜索动物物种中的直系同源基因。例如，人类中的直系同源基因的实例包括由图30中描述的人类基因ID表示的那些。其中，具有polyA序列的RNA是优选的。在不存在对应于图25或26中描述的基因的直系同源基因的个体中，则从分析中排除该直系同源基因。更优选的是，从在小鼠以外的个体中的分析中排除非编码RNA和microRNA(它们的NCBI参考序列ID以“NR”开头)。例如，当特定器官为心脏并且特定疾病为心肌梗塞的情况下，优选在上述个体中存在的、选自由从图30所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图30所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图30所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图30所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图30所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。最优选在上述个体中存在的、选自由从图31所列的组8的基因表达的RNA组成的组中的至少一种RNA或选自由从组8的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。然而，在，在小鼠以外的个体中组8的基因的直系同源基因中排除Sult5a1的直系同源基因。例如，当特定器官是大脑并且特定疾病是痴呆的情况下，优选在上述个体中存在的、选自由从图34所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图34所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图34所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图34所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图34所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。例如，当特定疾病是肿瘤时，优选在上述个体中存在的、选自由从图36、38或39所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图36、38或39所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图36、38或39所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图36、38或39所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图36、38或39所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。当疾病是肿瘤并且特定器官以外的器官是皮肤时，优选在上述个体中存在的、选自由从图38或39所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图38或39所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图38或39所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图38或39所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图38或39所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。从由FCGR3B、FPR1、HLA-DQA1、LINC00260、LOC286437、MALAT1、MIR1184-1、MIR1247、PRG4、RPL21P44、RPPH1、RPS15AP10、SCARNA4、SNORA31、SNORA77、ZBTB20及它们的直系同源基因组成的组中的至少一种基因所表达的RNA是特别优选的。当疾病是乳腺癌并且特定器官以外的器官是皮肤时，优选在上述个体中存在的、选自由从图38所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图38所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图38所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图38所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图38所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。从选自由PRG4、HLA-DQA1、LOC100302650、MIR1184-1、MIR1248、MIR203、MIR205、MIR570、RPPH1、SCARNA4、SNORA31、SNORA4及它们的直系同源基因组成的组中的至少一种基因表达的RNA是特别优选的。当疾病是肺癌并且特定器官以外的器官是皮肤时，优选在上述个体中存在的、选自由从图39所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图39所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图39所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图39所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图39所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。从选自由AGSK1、CYP2E1、KRT6C、RPL21、RPL9、TPPP、DCD、DDX3Y、FCGR3B、HBA2、HIST1H4C、HLA-DQA1、LOC286437、MALAT1、MIR1184-1、RPPH1、RPS15AP10、RPS4Y1、SCARNA4、SCGB2A1、SFTPA1、SFTPA2、SNORA31、SNORA77、ZBTB20及它们的直系同源基因组成的组中的至少一种基因表达的RNA是特别优选的。当疾病是肿瘤并且特定器官以外的器官是血液时，优选在上述个体中存在的、选自由从图40或41所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图40或41所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图40或41所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图40或41所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图40或41所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。从选自由HNRNPH2、HP、LOC283663、SNORA40、TCN2及它们的直系同源基因组成的组中的至少一种基因表达的RNA是特别优选的。当疾病是乳腺癌并且特定器官以外的器官是血液时，优选在上述个体中存在的、选自由从图40所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图40所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图40所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图40所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图40所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。当疾病是肺癌并且特定器官以外的器官是血液时，优选在上述个体中存在的、选自由从图41所列的组3的基因表达的RNA组成的组中的至少一种RNA或选自由从组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比从组3的基因表达的RNA，更优选在上述个体中存在的、选自由从图41所列的组4的基因表达的RNA组成的组中的至少一种RNA或选自由从组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组4的基因表达的RNA，更优选在上述个体中存在的、选自由从图41所列的组5的基因表达的RNA组成的组中的至少一种RNA或选自由从组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组5的基因表达的RNA，更优选在上述个体中存在的、选自由从图41所列的组6的基因表达的RNA组成的组中的至少一种RNA或选自由从组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。相比于从组6的基因表达的RNA，更优选在上述个体中存在的、选自由从图41所列的组7的基因表达的RNA组成的组中的至少一种RNA或选自由从组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA。在源自于上述器官的细胞或组织中存在的代谢物包括：核酸、碳水化合物、脂质、糖蛋白、糖脂、脂蛋白、氨基酸、肽、蛋白质、多酚、趋化因子、以及这些物质的代谢终产物、这些物质的代谢中间产物和用于合成这些物质的起始物质(在本文中也称为“组A”)。例如，代谢物优选是图27中列出的代谢物(本文也称为“组B”)中的至少一种，其可以通过已知的方法检测。更具体地，代谢物是图28中列出的代谢物(在本文中也称为“组C”)中的至少一种。例如，当特定器官是心脏且特定疾病是心肌梗塞时，代谢物优选是图29中列出的一种或多种代谢物。例如，当特定器官是大脑且特定疾病是痴呆时，代谢物优选为图33中列出的一种或多种代谢物。如本文所用，“器官间串扰指标的一个量”或“器官间串扰指标的多个量”可以表示为定量值(或定量水平)或半定量地如下表示：例如，“增加”、“没有变化”和“减少”。“器官间串扰指标的一个量”或“器官间串扰指标的多个量”可以是器官间串扰指标的测量值。将本发明中待检测的特定器官中的疾病称为“特定疾病”。特定疾病可以包括在个体的上述器官中可能发展的任何疾病和异常。(但是，在某些情况下，糖尿病和慢性肾功能衰竭被排除在本发明中的待检测疾病之外)。也就是说，特定疾病还包括在疾病发作之前发生的该特定疾病所特有的异常(这种异常也被称为“前病变”)。优选的特定疾病包括血栓症、栓塞、狭窄等缺血性疾病(特别是在心脏、脑、肺、结肠等中)；动脉瘤、静脉曲张、充血、出血等循环障碍(在主动脉、静脉、肺、肝脏、脾、视网膜等中)；过敏性支气管炎、肾小球肾炎等过敏性疾病；痴呆症、帕金森病、肌萎缩性侧索硬化症、重症肌无力等退行性疾病(在神经、骨骼肌等中)；肿瘤(良性上皮性肿瘤、良性非上皮性肿瘤、恶性上皮性肿瘤和恶性非上皮性肿瘤)；代谢疾病(碳水化合物代谢紊乱、脂质代谢紊乱和电解质异常)；感染(细菌的、病毒的、立克次氏体的、衣原体的、真菌的、原生动物的、寄生虫的等)等。更优选的特定疾病包括心脏或脑中的缺血性疾病；神经退行性疾病，包括阿尔茨海默型(年轻发病)痴呆和脑血管性痴呆；恶性上皮性肿瘤或恶性非上皮性肿瘤；以及代谢疾病，比如脂肪肝脏和肥胖。特别优选的例子包括：缺血性心脏病(心肌梗塞和心绞痛)，恶性上皮性肿瘤(来自肺、胃、十二指肠、结肠、直肠、乳腺、子宫、前列腺、膀胱等)，恶性非上皮性肿瘤(神经胶质瘤，如星形细胞瘤、少突神经胶质瘤和室管膜瘤)和神经退行性疾病，如阿尔茨海默型痴呆。优选地，引起全身症状(systemicsymptoms)的疾病被排除在特定疾病之外。引起全身症状的疾病的例子包括自身免疫性疾病，如系统性红斑狼疮和多发性硬化症；代谢障碍，如遗传性粘多糖病；流感病毒、腺病毒等感染。所述病期可以通过已经用于上述疾病的程序来确定，例如内窥镜、X射线测试、MRI测试、超声波检查、心脏功能测试、呼吸测试、组织学测试、血液学测试、生化测试、免疫学测试或尿分析。所述病期还包括出现前病变的时间段(也称为“病前病期”)。例如，心肌梗塞可以根据表1来分期。表1的绘制是根据JackP.M.Cleutjens等人的文献(CardiovascularResearch，1999，第44卷，232-241页)。Cleutjens等人阐述了：心肌梗塞后心脏组织在小动物(如小鼠和大鼠)中的修复比在人类中更快；然而，根据本发明人的研究，小鼠与人之间的病期进展没有显著差异(例如参见MotoakiMurakoshi等人，PLOSONE，2013，第8卷，第11期，e79374)。因此，表1所示的心肌梗塞的病期分类也适用于小鼠。*ECM表示细胞外基质。ECM首先沉积在梗塞区和非梗塞区之间的边界区域，然后沉积在梗塞区的中心区域。首先，血纤维蛋白开始沉积，然后其它细胞外基质分子(如纤连蛋白和腱生蛋白)开始沉积。**肌成纤维细胞分泌间质胶原。在大鼠等中，III型胶原的量在闭塞冠状动脉周围增加，接着产生I型胶原。此时，胶原纤维是不交联的。随着胶原合成的激活，胶原降解被激活。***MMP表示基质金属蛋白酶。在这个时期，胶原分解的活性导致组织结构支撑丧失、结构破坏和心脏硬度降低。心脏壁可能变薄，并可能发生心肌破裂。此外，作为人类心肌梗塞的另一种病期分类的例子，可以如下进行疾病分期(梗塞发生的当天被指定为第0天)：急性阶段，从第0天开始1或2周的时间段；恢复阶段，从3周到2个或3个月的时间段；以及维持阶段，这是之后的终身阶段。特别是在心肌梗塞的急性阶段，可以根据表2所示的试验项目(ShinryogunBetsuRinshoKensanoGaidorain2003：10.KyuseiShinkinKosoku(Diagnosisrelatedgroupclinicalexaminationguideline2003：10.急性心机梗塞)，作者：TsutomuYamazaki)进行追踪观察。表2·单位(次数/天)*直到峰值。之后，基于其它项目。对于明确的诊断，仅测量CK-MB一次。当特定疾病是阿尔茨海默型痴呆时，可以使用例如以下分类(KoichiKozaki(2012)JapaneseJournalofGeriatrics，卷49，第4期，419-424页)来使疾病分期。表3该表的绘制是基于：SclanSG等人，IntPsychogeriatr，1992：4Suppl1：55-69。当特定疾病是恶性上皮性肿瘤(癌)，可利用UICCTNM分类(第7版)等对疾病进行分期。例如，结直肠癌可以根据如以下表4-1至表4-3所示的UICCTNM分类(第7版)(UICCTNMClassification7thedition)等进行分期。表4-1UICCTNM分类(第7版)各病期的基质(结肠和直肠)表4-21)TNM分类(UICC)(第7版)2010T-原发性肿瘤；在括号中注明了日本结直肠癌分类(第8版)中描述的肿瘤侵入深度。注1：Tis包括局限于腺上皮基底膜(上皮内)或固有层(粘膜内)的癌细胞，没有延伸通过粘膜肌层进入粘膜下层。注2：在T4b中的直接侵入包括通过显微镜检查证实的经由浆膜侵入其他器官或结直肠，或者腹膜后或腹膜下位置中的肿瘤，通过延伸到固有肌层以外，直接侵入其他器官或结构。注3：粘附于其他器官或结构的肿瘤在肉眼上被分类为cT4b。但是，如果在该粘附中显微镜下不存在肿瘤，根据壁侵入的解剖深度，分类应该是pT1-3。N-局部淋巴结*肿瘤沉积(卫星结节)，即，在没有残余淋巴结结构的组织学迹象的原发肿瘤的肠道周围的脂肪组织的淋巴引流区域中，肉眼或微观显微可视的肿瘤巢或结节，可以表示肿瘤的非连续扩散、或带有血管外扩散的静脉侵入(V1/2)、或淋巴结完全被肿瘤所替代(N1/2)。如果这种沉积物被观察到具有被分类为T1或T2的病变.则T分类不变，但将(一个或多个)结节分类为Nlc。如果病理学家认为结节是完全被肿瘤取代的淋巴结(通常具有光滑的轮廓)，则应该记录淋巴结转移是阳性的，而不是存在卫星结节，并且在最终pN确定过程中每个结节应该被单独计数。M-远转移表4-3疾病病期参见：《恶性肿瘤的UICCTNM分类》(UICCTNMclassificationofmalignanttumours)，第7版，日文译文，98页(Kanehara&Co.，Ltd.，2010)。当特定疾病为神经胶质瘤时，所述疾病可分类成以下等级，这已于2011年1月11日刊登于由日本神经外科学会公布在网页上(http://square.umin.ac.jp/neuroinf/medical/204.html)。表5星形细胞瘤型少突胶质细胞瘤型混合瘤1级毛细胞星形细胞瘤2级弥漫性星形细胞瘤少突神经胶质瘤少突星形细胞瘤3级间变性星形细胞瘤间变性少突神经胶质瘤间变性少突星形细胞瘤4级胶质母细胞瘤当特定疾病是乳腺癌时，例如可以根据大阪大学的一个网页(http://www.med.osaka-cu.ac.jp/surgical-oncology/detail/nyugan.html)，将疾病分类为病期0到病期4，描述如下。病期0：非侵入性癌症(癌细胞保持在乳腺管或腺泡中并且很少转移)；病期1：肿块大小2cm以下并且没有向淋巴结的转移；病期2A：肿块大小2cm以下并且观察到向腋窝淋巴结的转移；或者肿块大小为2.1cm到5cm且没有向淋巴结的转移；病期2B：肿块大小为2.1cm到5cm且观察到向腋窝淋巴结的转移；或者肿块大小为5cm以上且没有向淋巴结的转移；病期3A：肿块大小为5cm以下并且腋窝淋巴结强有力地附着于周围组织或淋巴结；或者肿块的大小大于5cm并且观察到向腋窝淋巴结或胸骨后淋巴结的转移。病期3B：无论肿块大小和向淋巴结转移与否，肿块都从皮肤突出或这牢固地附着于胸壁。病期3C：无论肿块大小和向淋巴结转移与否，都有向锁骨上和锁骨下淋巴结的转移；或者同时观察到向腋窝淋巴结和胸骨后淋巴结的转移。病期4：观察到向远处器官(如骨、肺或肝脏)的转移。当特定疾病是肺癌时，可根据国立医院组织大阪国立医院的网页(http://www.onh.go.jp/seisaku/cancer/kakusyu/haig.html#haig_02)描述的标准，将疾病分类为病期I、病期II、病期III和病期IV，如下所述。病期I：癌症局限于肺并且没有向淋巴结的转移；病期II：癌症局限于肺并且只有向肺中的淋巴结的转移；或者没有向淋巴结的转移，但癌症扩散到肺以外可以被直接切除的周围区域；病期III：没有向其它器官的转移，但是疾病比病期II更严重。病期IV：存在向其它器官的转移。“测试物质”是本发明中其功效或一种副作用(或多种副作用)有待评价的物质。“现有物质”是指实施本发明时同时存在的物质。“物质”是没有特别的限制，可能是新的或已知的。物质的例子包括：化合物；核酸；碳水化合物；脂质；糖蛋白；糖脂；脂蛋白；氨基酸；肽；蛋白质；多酚；趋化因子；选自于由上述物质的代谢终产物、上述物质的代谢中间产物、和合成上述物质的起始物质组成的组中的至少一种代谢物；金属离子；微生物等。这些物质可以单独使用或两种以上作为混合物组合使用。在另一个实施例中，物质的例子包括：药物、准药物、药用化妆品、食品、特定保健用食品和功能食品，以及它们的备选物。为了获得批准而已进行临床研究但还没有商业化的物质，也包括在所述物质之内。本文使用的“标准数据1”是器官间串扰指标的一组数据，作为一种用于预测受试者中特定疾病的存在和/或特定疾病的病期的量度。更具体地，标准数据1是多种器官间串扰指标的一组模式，每个模式都是来自患有特定疾病的一个阳性对照(或多个阳性对照)中特定器官之外的器官中的器官间串扰指标的量(以下称之为“阳性对照量1”)与未患有特定疾病的一个阴性对照(或多个阴性对照)中的特定器官以外的相同器官中的相应器官间串扰指标的量(以下称之为“阴性对照量1”)之间的预定关系，并且优选地是多个器官间串扰指标的一组模式，每个模式都是来自于阳性对照量1与阴性对照量1之间的预定比值(例如，通过将阳性对照量1的值除以阴性对照量1的值所获取的比值)。更优选地，所述器官间串扰指标的量是至少一种RNA的表达水平，并且多种器官间串扰指标的模式是至少一种RNA的表达的一组模式(在本文中也被称为“标准数据1a”)。在另一实施例中，更优选地，所述器官间串扰指标的量是至少一种代谢物的量，并且多种器官间串扰指标的模式是至少一种代谢物的存在的一组模式(在本文中也被称为“标准数据1b”)。另外，也可以代替标准数据1，而使用相关性图(correlation图)(标准数据1-图)。使用来自多个器官的标准数据1，通过针对每个疾病或每个病期确定器官之间的多种器官间串扰指标的模式之间的相关性来生成所述相关性图(标准数据1-图)。以下描述了用于生成所述相关性图的方法。更具体地，本文使用的“标准数据2”是多种器官间串扰指标的一组数据，作为一种用于预测患有特定疾病的受试者中除特定器官以外的一个或多个器官中的每个器官中疾病的存在和/或该疾病的病期的度量。具体地，标准数据2是针对每个病期预先确定的多种器官间串扰指标的一组模式，每个模式是来自于患有特定疾病的一个阳性对照(或多个阳性对照)中特定器官以外的器官中的器官间串扰指标的量(以下也称为“阳性对照量2”)和未患有特定疾病的的一个阴性对照(或多个阴性对照)中特定器官以外的相同器官中的相应器官间串扰指标的量(以下也称为“阴性对照量2”)之间的预定关系。优选地，标准数据2是针对特定疾病的每个病期预先确定的多种器官间串扰指标的一组模式，每个模式是来自于阳性对照量2与阴性对照量2之间的预定比值(例如，通过将阳性对照量2的值除以阴性对照量2的值所获取的比值)。更优选地，所述的器官间串扰指标的量是至少一种RNA的表达水平，多种器官间串扰指标的模式是至少一种RNA的表达的一组模式(在本文中也被称为“标准数据2a”)。在另一个实施方案中，更优选地，所述器官间串扰指标的量是至少一种代谢物的量，并且多种器官间串扰指标的模式是至少一种代谢物的存在的一组模式(在本文中也被称为“标准数据2b”)。标准数据1或2是针对特定疾病的每个病期、每个器官或体液获取的，并且必要时是针对每个性别和/或每个年龄组获取的。器官间串扰指标的每个模式是与关于特定疾病的相应病期、相应的器官或体液的信息以及关于受试者的性别、年龄等的信息相关联的。“受试者”是本发明的预测方法的应用对象，优选是与用于确定标准数据1或2中的模式的那些个体相对应的物种。例如，如果用于确定标准数据中的模式的个体是小鼠，则可以选择小鼠、大鼠、人等作为受试者。受试者的年龄和性别不受特别限制，受试者可以与用于确定标准数据1或2中的模式的个体处于同一年龄组，和/或具有相同的性别。本文使用的“受试者的数据”或“受试者数据”是从来源于从受试者采集的一个器官的全部或一部分的器官间串扰指标的数据。更具体地，“受试者的数据”或“受试者数据”是器官间串扰指标的模式，其表示受试者的特定器官以外一个器官中的器官间串扰指标的量和未患有特定疾病的一个阴性对照(或多个阴性对照)中特定器官以外的相同器官中的相应器官间串扰指标的量之间的关系。“受试者的数据”或“受试者数据”优选是由受试者的特定器官以外的一个器官中的器官间串扰指标的量和未患有特定疾病的一个阴性对照(或多个阴性对照)中的特定器官以外的相同器官中相应器官间串扰指标的量之间比值(例如，是通过使受试者的特定器官以外的一个器官中所述器官间串扰指标的量的值除以未患有特定疾病的阴性对照(或多个阴性对照)中特定以前以外的相同器官中的相应器官间串扰指标的量的值计算得到的比值)表示的器官间串扰指标的模式。更优选的，器官间串扰指标的量是来自与至少一种基因的RNA的表达水平，器官间串扰指标的模式是来自于至少一种基因的RNA表达的一种模式(本文中也称之为“受试者数据A”)。在另一实施例中，更优选的，器官间串扰指标的量是至少一种代谢物的量，并且器官间串扰指标的模式是至少一种代谢物的存在的一种存在模式(本文中也称之为“受试者数据B”)。“标准数据Y”是多种器官间串扰指标的一组数据，作为一种用于预测测试物质的功效或一种副作用(或多种副作用)的度量。标准数据Y是预先来自于与提供受试者数据X的一个或多个器官相对应的一个或多个器官的多种器官串扰指标的一组数据。可以在获取受试者数据的同时预先确定或获取标准数据Y。在一个实施例中，标准数据Y包括从功能已知的多种器官间串扰指标的量中预先确定的多种器官间串扰指标的多种模式(标准数据Y1)。在另一个实施例中，标准数据Y包括多种器官间串扰指标的多种模式，每种模式都源自于施用了现有物质的个体的一个器官中的一个器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量之间的预定关系(标准数据Y2)。标准数据Y2优选包括多种器官间串扰指标的多种模式，每种模式是从根据施用了现有物质的个体的一个器官中的一个器官间串扰指标的量和一个阴性对照(或多个阴性对照)中的同一器官中的相应器官间串扰指标的量之间的比值(例如，通过将施用了现有物质的个体的一个器官中的一种器官间干扰指标的量的值除以一个阴性对照(或多个阴性对照)中的同一器官中的相应器官间串扰指标的量的值获取的比值)预先确定)。在另一个实施例中，标准数据Y包括多种器官间串扰指标的多种模式，每种模式来源于患有疾病的一个或多个阳性对照的一个器官中的器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标量之间的预定关系(标准数据Y3)。标准数据Y3优选包括多种器官间串扰指标的多种模式，每种模式是根据患有疾病的一个或多个阳性对照个体的一个器官中的一种器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量之间的比值(例如，通过将患有疾病的一个或多个阳性对照个体的一个器官中的器官间串扰指标的量的值除以一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量的值获取的比值)而被预先确定)。另外，标准数据Y也可以是使用源自于多个器官的标准数据Y2通过确定器官之间的器官间干扰指标的模式的相关性(标准数据Y2-图)而生成的相关性图，或者是使用源自于多个器官的标准数据Y3通过确定器官之间的器官间串扰指标的模式的相关性(标准数据Y3-图)而生成的相关性图。后面将描述用于确定相关性图的方法。受试者数据X是来自被施用了测试物质的个体的一个或多个器官中的每个器官的一种器官间串扰指标的一组数据。器官间串扰指标是来自于源自所述一个或多个器官中的每一个器官中的细胞或组织。受试者数据X可表示来源于被施用了测试物质的个体的一个器官的一种器官间串扰指标的量。优选地，受试者数据X可表示施用了测试物质的个体的一个器官中的一种器官间串扰指标的量和一个阴性对照(或多个阴性对照)中的相同器官中的相应器官间串扰指标的量之间的关系，或者可以被确定为施用了测试物质的个体的一个器官中的一种器官间串扰指标的量和一个阴性对照(或多个阴性对照)中的相同器官中的相应器官间串扰指标的量之间的比值。更优选地，受试者数据X可以被确定为通过将施用了测试物质的个体的一个器官中的一种器官间串扰指标的量除以一个阴性对照(或多个阴性对照)中的同一器官中的相应器官间串扰指标的量而计算得到的比值。“模式”这一术语包括，例如，器官间串扰指标的存在或不存在、器官间串扰指标的量、或器官间串扰指标的量随时间的变化、以及器官间串扰指标的量和器官间串扰指标的量随时间的变化的组合。优选地，所述模式包括：针对每个病期的器官间串扰指标的存在或不存在、器官间串扰指标的量、或器官间串扰指标的量随时间的变化、以及器官间串扰指标的量和器官间串扰指标的量随时间的变化的组合。优选地，所述模式包括：来自至少一种基因的RNA的表达的存在或不存在、来自至少一种基因的RNA的表达水平、或来自至少一种基因的RNA的表达水平随时间的变化，以及来自至少一种基因的RNA的表达水平和来自至少一种基因的RNA的表达水平随时间的变化的组合。如本文所用的“黄金标准”是通过已知的测试方法和/或诊断方法已被确定具有或不具有上述特定疾病的一个或多个个体。术语“黄金标准”还包括多个健康个体。本文所使用的“相似度”是指，当受试者的数据与标准数据1进行比较时或者当将受试者数据X与标准数据Y进行比较时，器官间串扰指标的模式之间相似的程度。更具体地说，可以通过视觉或统计分析等来确定相似度。用于计算相似度的统计分析没有特别限制，只要能够计算相似度即可。例如，可以通过使用受试者的数据和标准数据1作为独立变量并且确定定量度量(诸如两组之间的相关系数)，来计算相似度。具体的例子包括：方法(1)，如果受试者的数据和标准数据1分别是单个矢量，则确定两个比较矢量指向的方向之间的接近程度；方法(2)，受试者的数据中包含的器官间串扰指标和标准数据1中包含的器官间串扰指标以量的降序列出并确定顺序的相关性；方法(3)，确定受试者的数据的概率分布和标准数据1的概率分布，并测量两个概率分布之间的伪距(pseudo-distance)；方法(4)，降低受试者的高纬数据和标准数据1的维度，并确定维度降低的数据之间的距离和相关性；方法(5)，确定标准数据1的高斯分布，并对标准数据1的高斯分布和得到的受试者数据的高斯分布之间的匹配程度进行定量等。此外，(6)可以预先学习一组标准数据1，从而可以自动推导出标准数据1中哪一个模式与受试者数据最匹配。另外，可以在受试者数据中的器官间串扰指标中的每个项目和标准数据1中的该器官间串扰指标中的每个相应项目之间计算获取诸如相关系数的度量。在更具体的实施例中，上述方法(1)的例子包括皮尔逊乘积-矩(Pearsonproduct-moment)相关法。在这种情况下，相关系数的范围从1到-1。相关系数越接近1，受试者数据和标准数据1越相似。上述方法(2)的例子包括斯皮尔曼等级相关法(Spearman’srankcorrelationmethod)相关法和肯德尔等级相关法(Kendallrankcorrelationmethod)。在这种情况下，相关系数的范围从1到-1。相关系数越接近1，受试者数据和标准数据1越相似。上述方法(3)的例子包括KL散度法(Kullback-Leiblerdivergencemethod)。在这种情况下，受试者的数据的概率分布和标准数据1的概率分布之间的伪距越接近0，受试者的数据和标准数据1的越相似。上述方法(4)的例子包括主元分析(principalcomponentanalysis，PCA)、Kernel主元分析(Kernelprincipalcomponentanalysis)等。在使用受试者的数据与标准数据1之间的距离来评价相似度的度量的情况下，距离越接近0，受试者的数据和标准数据1越相似。在使用受试者的数据和标准数据1之间的相关系数来评价相似度的度量的情况下，相关系数越接近1，受试者的数据和标准数据1越相似。上述方法(5)的例子包括Z分数法。在这种情况下，Z分数越接近于0，受试者的数据和标准数据1越相似。上述方法(6)的例子包括支持向量机(supportvectormachines)、k最近邻(k-nearestneighbors)、神经网络等。用于这些方法的标准方法可以根据需要进行部分修改。可以使用卡方测试(chi-squaretest)或Kruskal-Wallis测试等进一步分析使用上述方法计算得到的相关系数。例如，当使用斯皮尔曼成对相关(Spearmanpairwisecorrelation)来计算ρ值时，可以如下确定：当ρ值为1时，可以确定受试者数据与标准数据1相同；当ρ值大于0.55且小于1，优选大于0.65且小于1，更优选大于0.75且小于1，甚至更优选大于0.85且小于1时，可以确定受试者的数据与标准数据1相似；另一方面，在ρ值为0.8以下，优选为0.65以下，更优选为0.55以下的情况下，可以确定受试者的数据与标准数据1不相似。更优选地，在预测受试者中是否存在特定疾病的情况下，当ρ值大于0.55且小于1，优选大于0.65且小于1，更优选大于0.75且小于1以上，甚至更优选为大于0.85且小于1的情况下，可以确认受试者的数据与标准数据1相似。在预测受试者中特定疾病的病期的情况下，当ρ值大于0.75且小于1，优选大于0.85且小于1时，可以确定受试者的数据与标准数据1相似。例如，当使用Z分数计算z值时，可以如下确定：当z值为0时，可以确定受试者的数据与标准数据1相同；当z值落入0±0.5(不包括0)的范围内时，优选在0±0.35(不包括0)的范围内，更优选在0±0.2(不包括0)的范围内，甚至更优选在0±0.15(不包括0)的范围内，可以确定受试者的数据与标准数据1相似；另一方面，当z值落在0±0.15的范围之外时，优选在0±0.2的范围之外，更优选在0±0.35的范围之外，甚至更优选在0±0.4的范围之外时，可以确定受试者的数据与标准数据1不相似。更具体而言，在预测受试者中存在或不存在特定疾病的情况下，当z值在0±0.35(不包括0)的范围内时、优选在0±0.2(不包括0)的范围内时、更优选在0±0.15(不包括0)的范围内的情况下，可以确定受试者数据与标准数据1类似。在预测受试者中特定疾病的病期的情况下，当z值落在0±0.2(不包括0)的范围内、优选在0±0.15(不包括0)的范围内时，可以确定受试者数据与标准数据1相似。当使用Z分数确定相似度时，优选从器官中排除脑、胰腺、睾丸、肺、肝脏和骨骼肌。优选地，从用于确定相似度的方法中排除Z分数法。此外，在标准数据1和受试者的数据之间，被检查的多个器官间串扰指标中的至少50％、优选地至少70％、更优选地至少80％、并且甚至更优选地至少90％的项目相同或相似时，可以确定标准数据1中的模式与受试者的数据中的模式类似。另一方面，在标准数据1和受试者的数据之间，被检查的多个器官间串扰指标中有至少50％、优选至少70％、更优选至少80％、甚至更优选地至少90％的项目不相同或不相似时，可以确定标准数据1中的模式与受试者数据中的模式不相似。可以通过使用受试者数据X与标准数据Y之间的相关系数作为独立变量并通过上述方法确定诸如两组之间的相关系数的度量来计算受试者数据X与标准数据Y之间的相似度。标准数据1-图、标准数据Y2-图和标准数据Y3-图的确定如下。当标准数据1-图被确定时，针对特定疾病或特定疾病的每个病期采集多个器官，并且确定来自每个器官的多种器官间串扰指标的模式(例如，当器官间串扰指标是RNA时，表达RNA的基因以表达水平的降序排列)。使用例如皮尔斯曼等级相关法计算多个器官的模式之间的相关系数，并生成所述多个器官之间的多个图。当确定标准数据Y2-图时，为每个施用的现有物质采集多个器官，并确定来自各个器官的多种器官间串扰指标的模式(例如，当器官间串扰指标是RNA时，表达RNA的基因按表达水平的降序列出)。使用例如皮尔斯曼等级相关法来计算多种器官的模式之间的相关系数，并且创建器官之间的相关性图。当确定标准数据Y3-图时，针对每种疾病或每个疾病病期采集多个器官，并且确定每个器官中的多种器官间串扰指标的模式(例如，当器官间串扰指标是RNA时，表达RNA的基因以表达水平的降序列出)。例如使用皮尔斯曼等级相关法计算各器官的模式之间的相关系数，并且创建器官之间的图。更具体地，例如，在疾病模式i中的器官m和器官1之间的器官间串扰指标j的模式的相关性系数表示为rijml，疾病模型i的个体的数量表示为n。这种情况下，疾病模式i中的器官m和器官l之间的相关系数可以表示为概率模型p(以下等式)。等式1其中riml是n个相关系数rijml的平均值，σ2iml是相关系数rijml的样本方差。受试者数据和标准数据1-图之间的比较、受试者数据X和标准数据Y2-图之间的比较、以及受试者数据X和标准数据Y3-图之间的比较可以使用贝叶斯推理(Bayesianinference)、机器学习法等来进行。例如，得到受试者中多个器官的多个器官间串扰指标的多种模式，并且以上述相同的方式，确定提供受试者的数据或受试者数据X的受试者中的多个器官之间的多个器官间串扰指标的模式的一个或多个相关系数。得到的一个或多个值表示为以下：{r′ml}m，l∈(采集的器官)在这种情况下，可以使用以下方程式计算针对每种模型i的相关{r′ml}m，l∈(采集的器官)的拟然值(likelihood)Li。等式2针对每个模型i计算拟然值，并且具有最高拟然值的模型i被推断为受试者所处的状态。当待比较的器官的数量为三个以上时，确定每两个器官之间的疾病模型和受试者之间的拟然值，并确定计算的多个拟然值的乘积。乘积最高的模型i可以被推断为受试者所处的状态。当进行受试者的数据与标准数据1-图之间的比较、受试者数据X与标准数据Y2-图之间的比较、或者受试者数据X与标准数据Y3-图之间的比较时，使用哪一个器官间串扰指标没有特别限制。例如，优选使用其中一个阳性对照(或多个阳性对照)与一个阴性对照(或多个阴性对照)之间的差异大的器官间串扰指标。更具体地，例如，当器官间串扰指标是RNA时，其是其中一个阳性对照(或多个阳性对照)与一个阴性对照(或多个阴性对照)之间的比值大于1.5或小于0.65、优选大于2的RNA或小于0.5、更优选大于5或小于0.2的RNA。上述统计分析例如可以通过使用计算程序的计算机来执行。在这种情况下，后述的根据本发明的预测程序可以包括用于执行统计分析的统计分析程序的程序代码，或可使用市售的统计分析软件作为统计分析程序。例如，分析可以使用市售的统计分析软件进行，如StatFlex第6版(ArtechCo.，Ltd.，Osaka，Japan)或IBMSPSSStatistics(IBMJapanLtd.)。本文中“一个以上”包括一种的情况和多种的情况。“多个”这一术语没有特别的限制，只要其意指两个以上、优选三个以上、更优选五个以上、甚至更优选十个以上。2.用于采集和存储用于提取器官间串扰指标的细胞或组织、或体液的方法，以及用于提取和检测器官间串扰指标的方法用于采集本发明中使用的用于提取器官间串扰指标的细胞或组织的提取方法及其储存方法不受特别限制，并且根据器官间串扰指标的类型，细胞或组织可以按照已知的方法采集和储存。本发明中使用的用于提取器官间串扰指标的方法也没有特别的限制，并且根据器官间串扰指标的类型，可以按照已知的方法提取器官间串扰指标。本发明中用于测量器官间串扰指标的方法不受特别限制，只要能够测量器官间串扰指标的量即可。用于提取器官间串扰指标的细胞、组织或体液不受特别限制。实例包括通过例如穿刺、活组织检查或手术从受试者采集的细胞、组织等。(采集的细胞或组织也称为“样本”。)该细胞或组织可以是例如采集后的新鲜材料或冷藏保存的材料。在该实施方案中，针对特定疾病的每个病期，可以从源自疑似具有疾病的特定器官的细胞或组织以及从除特定器官之外的一个或多个器官的细胞或组织获取的器官间串扰指标。另外，器官间串扰指标可以从没有特定疾病的个体中的相应细胞或组织中获取。采集细胞、组织或体液的时间可根据如下的疾病病期适当选择：在特定疾病发病之前(正常状态)，特定疾病发病时，特定疾病发病后1个月、6个月、1年、2年、3年、5年或10年，等等。当RNA用作器官间串扰指标时，从细胞、组织或体液中提取RNA优选在细胞、组织或体液采集之后立即进行，或优选在细胞或组织采集后立即用液氮等冷冻细胞或组织、并运输和储存细胞或组织之后进行。提取RNA的方法没有特别限定，可以使用已知的方法提取RNA。可以根据需要使用例如寡核苷酸dT探针来纯化RNA。如有需要，可以从提取或纯化的RNA通过反转录反应合成cDNA并用于测定。RNA的定性或定量测定(包括半定量测定)可以通过已知的方法进行，例如：使用微阵列的方法，该方法可以综合分析基因表达；或者通过RNA-Seq进行分析的方法，该方法决定细胞中RNA的绝对量。作为综合性的和定量的分析，RNA-Seq是优选的。可以使用已知方法分析通过RNA-Seq等获取的数据。例如，当用IlluminaHiSeq(Illumina，Inc)等分析数据时，可以通过以下方法处理输出数据：(1)从输出的原始分析数据(图像数据)(碱基调用(basecalling))获取核苷酸序列的文本数据；(2)使用诸如chastity(过滤)之类的计算公式，使用预定过滤(例如从数据中去除由重叠集群造成的低荧光纯度集群)来选择数据；以及(3)根据为每个样本提供的索引序列信息(特定核苷酸序列信息)对样本数据进行分类。从RNA-Seq测序仪获取的数据文件(Fastq格式等)被上传到例如Galaxy(https://usegalaxy.org/)上。然后，使用例如Bowtie2(http://bowtie-bio.sourceforge.net/bowtie2/index.shtml)进行分析以将每个序列定位到小鼠基因组图谱信息mm9或mm10。使用例如Cufflinks(http://cole-trapnell-lab.github.io/cufflinks/)来分析使用Bowtie2等获取的BAM文件，以计算每个基因的FPKM(RPKM)。在所获取的FPKM数据中，所有小于1的FPKM值被看作是0；使用Python计算两两相关(ρ＝1-(6∑D2)/(n3-n))，并使用MeV生成热图谱。FPKM值也可以用肉眼分析。如果需要，还可以通过实时PCR等来确认表达。此外，必要时，mRNA表达水平可以通过看家基因(如GAPDH、β2-微球蛋白(β2M)或Maea)的表达水平而被归一化，并表达为相对表达水平。当使用至少一种代谢物作为器官间串扰指标时，可以通过已知方法来分析代谢物，如气相色谱/质谱(GCMS)、毛细管电泳/质谱(CEMS)、液相色谱/质谱(LCMS)、高效液相色谱/电感耦合等离子体质谱(HPLC/ICP-MS)或高效液相色谱/离子阱质谱/飞行时间质谱(LCMS-IT-TOF)。也可以根据所使用的分析方法，将代谢物衍生化，例如甲硅烷基化、三甲基甲硅烷基化、甲肟化(methoximated)或酰化。另外，可以使用已知物质作为内标物。例如，当通过GCMS分析代谢物时，对代谢物从细胞或组织的提取没有特别限制，并且可以通过已知方法进行。例如，将组织放置在溶剂(例如水、甲醇、乙醇、氯仿或其混合物)中并匀化，然后将含有内标物2-异丙基苹果酸等的溶剂加入前述溶剂中，制得粗提物。通过添加水或疏水溶剂(如氯仿)到粗提物中来纯化水层，纯化后的水层通过超滤或之类的方法被进一步纯化，并用作代谢物的提取物以用于分析。在提取物中的代谢物被甲肟化或三甲基甲硅烷基化之后，可使用例如GCMS-TQ8030(Shimadzu公司)和DB-5(30m×0.25mm(内径)×1.00μm(膜厚度))(AgilentTechnologies)作为GC的毛细管柱，进行气相色谱分析。例如，在以下温度升高条件下进行气相色谱分析：温度以4℃/min的速率从100℃增加到320℃。入口温度例如为约280℃。氦气等可以用作载气，并且以例如约39.0cm/秒的速率流动。电子电离的能量可以是约150eV，离子源温度可以是约200℃，并且要扫描的m/z的范围可以是约45至600。约1μl的样品可以在下列条件下进行注射和测量：心脏_Split1：25_检测器电压+0.3kV脑_Split1：25_检测器电压+0.2kV肾脏_Split1：25_检测器电压+0.3kV肝脏_Split1：25_检测器电压+0.3kV胰腺_Split1：25_检测器电压+0.3kV骨骼肌_Split1：25_检测器电压+0.2kV脂肪组织_Split1：3_检测器电压+0.2kV血浆_Split1：10_检测器电压+0.1kV脾_Split1：25_检测器电压+0.2kV肺_Split1：25_检测器电压+0.3kV睾丸_Split1：10_检测器电压+0.3kV胸腺_Split1：25_检测器电压+0.3kV例如可以使用数据分析软件GCMSsolutionVer.4.20和GCMS代谢物数据库(Shimadzu公司)，使用GCMS分析获取的数据进行搜索。为了识别代谢物，对保留样品的预期保留时间、至少两个特定峰(目标离子，确认离子)的m/z的存在、以及两个特定峰的比值进行了确认。在每个识别的代谢物中，对目标离子的峰面积进行了测量并使用内标的峰面积和样品量使其归一化。然后，可以通过Z分数((样品数据-平均值)/标准偏差)计算校正的测量结果，以使用MultiExperimentViewer(MeV)生成热图。也可以用Python计算两两相关(ρ＝1-[6∑D2]/n(n2-1))，以使用MeV产生热图。此外，主元分析(PCA)等分析也可以使用多变量分析软件SIMCA(Umetrics)进行。例如，当通过CEMS分析代谢物时，可以将组织在含有内标物质的50％乙腈(例如溶液ID：304-1002；HMT)中均质化，并且可以将均质化后获取的样品进行离心；可以对上清液进行超滤，将得到的样品减压干燥，再次溶解于蒸馏水中，作为测定用样品使用。例如，CE-MS可使用AgilentCE-TOFMS系统(AgilentTechnologies)，CE毛细管柱可使用熔融石英毛细管(内径50μm×80cm)。作为CE中的电泳缓冲液，阳离子可使用阳离子缓冲液(p/n：H3301-1001；HMT)等，阴离子可以使用阴离子缓冲液(p/n：I3302-1023；HMT)等。阳离子侧的测量条件例如，在以下样品注入条件下进行电泳：压力注入：50毫巴，10秒；CE的电泳电压：27kV。电子电离的能量可以是4000V，并且要扫描的范围可以是50-1000。可以注入约5nl的样品。CE电压：正性，27kVMS电离：ESI正性MS毛细电压：4000VMS扫描范围：m/z50-1000鞘液：HMT鞘液(p/n：H3301-1020)阴离子侧的测量条件例如，在以下样品注入条件下进行电泳：压力注入：50毫巴，25秒；CE的电泳电压：30kV。电子电离的能量可以是3500V，并且要扫描的范围可以是50～1000。可以注入大约5nl的样品。CE电压：正性，30kVMS电离：ESI负性MS毛细电压：3500VMS扫面范围：m/z50-1000鞘液：HMT鞘液(p/n：H3301-1020)检测到的峰可以用MasterHands自动积分软件2.16.0.15版(由KeioUniversity开发)进行处理。自动提取信噪比(S/N)为3以上的峰，并且可以通过使用质荷比(m/z)、峰面积值和迁移时间(MT)进行代谢物识别。对于每个识别的代谢物，可以测量目标离子的峰面积并使用内标的峰面积和样品量使其归一化。通过上述方法获取的器官间串扰指标的量可以被存储在装置的存储单元或具有存储单元的不同于该装置的装置中，作为特定疾病的每个病期、每个器官或体液、个体的每种类型、个体的每个年龄组、和/或个体的每种性别的器官间串扰指标的模式。3.数据库上述标准数据1、标准数据2或标准数据Y的集聚称为“数据库”。标准数据1或标准数据2中的器官间串扰指标的相应模式可以基于关于特定疾病的病期和/或每个器官或体液的名称的信息从数据库中检索和提取。用于标准数据1、标准数据2或标准数据Y的数据的例子包括来自细胞或组织的多种器官间相关性指标的定性或定量分析的结果，多种器官间相关性指标来自源于多个个体的一种或多种器官的细胞或组织或者来自多个个体的一种或多种体液。器官间串扰指标可以从源自于怀疑有疾病的器官的细胞或组织或怀疑有疾病的体液中得到，以及从源自于疾病的每个病期的一个或多个其他器官的细胞或组织中得到。也可以从没有特定疾病的个体的相应细胞或组织中得到器官间串扰指标。采集细胞、组织或体液的时间可以根据特定的疾病从例如以下时间适当地选择：在特定疾病发病之前(正常状态)，特定疾病发病时，特定疾病发病后1小时、6小时、1天、1周、1个月、6个月、1年、2年、3年、5年或10年，等等。上述“2.用于采集和存储用于提取器官间串扰指标的细胞或组织、或体液的方法，以及用于提取和检测器官间串扰指标的方法”章节中的描述以引用方式结合于此。根据章节2所述的方法定性或定量地提取和测量器官间串扰指标，并将获取的器官间串扰指标的量作为数据。可以针对每种疾病、每种器官或体液、每个病期、个体的每种类型、个体的每个年龄组、和/或个体的每种性别，将所获取的数据存储在装置的存储单元中，或存储在具有存储单元的不同于该装置的装置中。接下来，如下所述，根据以上获取的数据确定标准数据的模式并将该标准数据的模式如下所述的用在本发明中(反iOrgans，正iOrgans，D-iOrgans)。4.反iOrgans4-1.概述在该实施例中，根据来自受试者的特定器官以外的一个或多个器官中的每一个器官的器官间串扰指标的模式来预测受试者中特定器官中疾病的存在和/或特定疾病的病期。具体而言，通过执行上述章节2中描述的测量方法，得到关于特定器官以外的一个或多个器官中的每个器官中的器官间串扰指标的受试者的数据，并且该器官间串扰指标是从源自于所述一个或多个器官中的每个器官的细胞或组织中获取的。将受试者的数据与预先从相应的器官间串扰指标获取的标准数据1进行比较。然后，计算多种器官间串扰指标的模式的相似度，并且使用相似度作为度量来预测特定疾病和/或特定疾病的病期。更具体地，该实施例包括以下步骤：(1)得到来自于受试者的特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的受试者的数据，所述器官间串扰指标是从源自所述一个或多个器官中的每一个器官的细胞或组织获取的；(2)通过使在步骤(1)中得到的受试者的数据与预先从相应的器官间串扰指标获取的标准数据1进行比较，计算多种官间串扰指标的模式的相似度；以及(3)当确定步骤(2)中计算的多种器官间串扰指标的模式的相似度是相似的时，确定受试者具有与标准数据1对应的特定疾病和/或确定受试者处于与标准数据1对应的特定疾病的病期。在此，步骤(3)也可以被解读为，将步骤(2)中获取的多种器官间串扰指标的模式的相似度用作度量来预测特定器官中的疾病的存在和/或特定器官中该疾病的病期的步骤。特定器官以外的一个或多个器官可以是两个或更多器官。也就是说，(1′)从源自每个器官的细胞或组织获取关于受试者的特定器官以外的多个器官中的每个器官中的器官间串扰指标的受试者的数据；(2′)将从步骤(1′)得到的从每个器官获取的受试者的数据与预先从该器官中的器官间串扰指标获取的相应标准数据1进行比较，计算每组受试者的数据与每个相应标准数据1之间的多个器官间串扰指标的模式的相似度；(3′)当确定步骤(2′)中计算的每组受试者的数据与每个相应标准数据1之间的多个器官间串扰指标的模式的相似度为相似的时，可以确定受试者具有与标准数据1对应的特定疾病和/或确定受试者处于与标准数据1对应的特定疾病的病期。在此情况下，可以针对每个器官中的每个标准数据1，依次计算从每个器官获取的受试者的数据和从特定器官以外的多个器官获取的相应标准数据1之间的相似度。在另一实施例中，可以针对每个器官中的每个标准数据1同时计算从每个器官获取的受试者的数据和从特定器官以外的多个器官获取的相应标准数据1之间的相似度，并且可以同时预测特定器官以外的多个器官中的特定疾病的存在和/或特定疾病的病期。优选同时进行所述计算。步骤(1)可以以这样的方式进行：通过实际执行上述章节2中描述的测量方法获取受试者的数据，或者已经获取的受试者的数据被进一步输入后述的预测装置等。步骤(2)中用于计算标准数据1和受试者的数据之间的相似度的方法以及步骤(3)中用于确定标准数据1和受试者的数据是否相似的方法可以根据“1.术语的解释”章节中描述的方法来执行。在此，步骤(1)和步骤(2)不必在同一机构中连续地执行。例如，可以将步骤(1)中获取的受试者的数据发送给第三方机构来进行步骤(2)和步骤(2)之后的步骤。本实施例在步骤(1)之前可以进一步包括以下步骤：(i)从源自受试者的特定器官以外的一个或多个器官的细胞或组织中提取所述器官间串扰指标，以及(ii)测量在步骤(i)中提取的器官间串扰指标的量。在这种情况下，步骤(i)和步骤(ii)不必连续地执行。例如，在步骤(i)中获取的器官间串扰指标可以发送给第三方组织来执行步骤(ii)。步骤(ii)和步骤(1)也不必是连续执行的。在步骤(ii)中获取的器官间串扰指标的测量结果可以发送给第三方机构执行步骤(1)以及步骤(1)之后的步骤。在此，用于计算标准数据1与受试者的数据之间的相似度的方法以及用于确定标准数据1与受试者的数据是否相似的方法如“1.术语的解释”章节中所述。作为另一实施例，该实施例还包括用于获取关于多个器官间串扰指标的模式的相似度的信息以预测受试者中特定疾病的存在和/或特定疾病的病期的方法，该方法包括上述的步骤(1)和步骤(2)、以及从步骤(2)获取信息的步骤。4-2.系统配置图8是根据本发明第一实施例的系统100的概况，图9示出了系统100的硬件配置的框图。系统100包括预测装置1、输入单元4、显示单元5和装置6。预测装置1例如包括通用个人计算机，并且包括用于执行稍后描述的数据处理的CPU101、用作数据处理的工作区域的存储器102、用于存储处理后的数据的存储单元103、用于在各单元之间传输数据的总线104、以及用于在装置1和多个外部设备之间执行数据输入和输出的接口单元105(以下称为“I/F单元”)。输入单元4和显示单元5被连接到预测装置1。输入单元4例如包括键盘，并且显示单元5例如包括液晶显示器。输入单元4和显示单元5可以集成并实现为具有触控面板的显示器。预测装置1不必是单个装置，并且CPU101、存储器102、存储单元103等可以位于不同的地方并且经由网络连接。装置1也可以是一个省略了输入单元4和显示单元5并且不需要操作者的装置。预测装置1和装置6也不必位于一个地方，并且可以被配置为使得位于不同地方的装置经由网络彼此通信地连接。在下面的解释中，除非特殊说明，预测装置1所执行的过程均是基于预测程序由预测装置1的CPU101执行的过程。CPU101将必要的数据(诸如正处理的中间数据)临时存储在用作工作区的存储器102中，并且适当地将诸如计算结果等长时间存储的数据存储在存储单元103中。装置6是用于通过RNA-Seq方法测量RNA表达水平或通过质谱法测量代谢物的量的装置。装置6包括分析单元61。其中已经进行用于RNA-Seq的反应的样品被设置在分析单元61中以在分析单元61中执行核苷酸序列的分析。装置6通过有线或无线连接与预测装置1连接。装置6对mRNA的测量值进行A/D转换并将它们作为数字数据发送给预测装置1。因此，预测装置1可以获取mRNA的测量值，作为可以被计算的数字数据。在该实施例中，来自装置6的数字数据被称为“从器官间串扰指标获取的受试者的数据”，或者简称为“受试者的数据”。4-3.预测装置作为第一实施例，本发明包括一种用于预测受试者中特定疾病的存在和/或特定疾病的病期的装置，该装置包括以下计算工具：用于获取受试者的数据的工具，受试者的数据是从受试者的特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标获取的，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；通过比较受试者的数据和预先从相应器官间串扰指标获取的标准数据来计算多种器官间串扰指标的模式的相似度的工具；以及通过将由模式相似度计算工具计算的多种器官间串扰指标的模式的相似度用作度量来预测特定疾病的存在和/或特定疾病的病期的工具。在此，用于计算标准数据1与受试者的数据之间的相似度的方法以及用于确定标准数据1与受试者的数据是否相似的方法如以上“1.术语的解释”章节中所述。在该实施例中，可以由包括预测装置1作为上述预测装置的系统100(图8和9)来预测受试者中特定疾病的存在和/或特定疾病的病期。图10是示出了本发明的第一实施例的预测装置1的功能的框图。预测装置1包括：受试者数据取得单元11、模式相似度计算单元12以及预测单元13。通过在预测装置1的存储单元103或存储器102中安装根据本发明的预测程序并使CPU101执行该程序来实施这些功能块。利用该结构，预测装置1执行稍后在“4-5.预测方法”章节中描述的预测方法。权利要求中记载的受试者数据获取工具、模式相似度计算工具和预测工具分别对应于图10中所示的受试者数据获取单元11、模式相似度计算单元12和预测单元13。换句话说，预测装置1是一种用于预测受试者中特定疾病的存在和/或特定疾病的病期的装置，所述装置通过CPU101执行以下计算功能：获取受试者的数据的功能，受试者的数据是从受试者的特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标获取的，所述器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；通过比较由受试者数据获取功能获得的受试者的数据和预先从相应器官间串扰指标获取的标准数据来计算多种器官间串扰指标的模式的相似度的功能；以及通过将由模式相似度计算功能获得的多种器官间串扰指标的模式的相似度用作度量来预测特定疾病的存在和/或特定疾病的病期的功能。在本实施例中，受试者数据获取单元11从装置6取得在装置6中测量的器官间串扰指标的受试者数据M4。将标准数据D1(标准数据1)存储在预测装置1的外部并例如经由互联网输入预测装置1中。受试者数据M4也可以经由网络从第三方机构(未图示)输入预测装置1中。受试者数据M4和标准数据D1(标准数据1)可以预先存储在预测装置1的存储单元103或者存储器102中。模式相似度计算单元12将受试者数据M4与标准数据D1(标准数据1)进行比较，并且计算多个器官间串扰指标的模式的相似度。预测单元13使用由模式相似度计算单元12获取的器官间串扰指标的模式的相似度作为度量预测特定疾病的存在和/或特定疾病的病期。模式相似度计算单元12和预测单元13是分别执行在“4-5.预测方法”章节中描述的根据本发明的第一实施例的预测方法中的模式相似度计算步骤和预测步骤的功能块。这些步骤的计算处理的细节在“4-5.预测方法”章节参考图11进行了描述。此外，功能块(即，受试者数据获取单元11、模式相似度计算单元12和预测单元13)不必由单个CPU执行，而可以由多个CPU分布地处理。例如，这些功能块可以被配置为使得受试者数据获取单元11的功能由第一计算机的CPU执行，而模式相似度计算单元12和预测单元13的功能由第二计算机(即，另一计算机)的CPU执行。4-4.预测程序进一步的，为了执行后述的图11中的步骤S11-S16，预测装置1将根据本发明的预测程序预先存储在存储单元103中，例如以可执行的格式(例如，一种格式，其中程序可以通过使用编译器从编程语言转换而产生的)。预测装置1使用存储在存储单元103中的预测程序来执行处理。更具体地，根据本发明第一实施例的预测程序是一种当由计算机执行时使计算机执行以下处理来预测受试者中特定疾病的存在和/或特定疾病的病期的预测程序：获取受试者的数据的处理，受试者的数据是从特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标获取的，器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的；通过比较由受试者数据获取处理得到的受试者的数据和预先从相应器官间串扰指标获取的标准数据1来计算多种器官间串扰指标的模式的相似度的处理；以及通过将由模式相似度计算处理得到的多种器官间串扰指标的模式的相似度用作度量来预测特定疾病的存在和/或特定疾病的病期的处理。在本实施例中，如图9所示，将预测程序存储在诸如CD-ROM的计算机可读取的非暂时性有形存储介质109中，并从存储介质109安装到预测装置1中；可替代地，预测装置1可以连接到因特网(未示出)以通过因特网下载预测程序的程序代码。为了使计算机执行上述计算处理，根据本发明的预测程序也可以与存储在存储单元103或存储器102中的另一个程序相链接。例如，预测程序可以链接到在以上“1.术语的解释”章节中提到的统计分析软件，并且模式相似度计算处理可以使用统计分析软件来执行。受试者数据获取处理对应于由预测装置1通过执行预测程序而实现的受试者数据获取单元11执行的计算处理。预测处理对应于由预测装置1通过执行预测程序而实现的预测单元13执行的计算处理。4-5.预测方法根据本发明第一实施例的预测装置1执行根据本发明第一实施例的预测方法。根据本发明第一实施例的预测方法是一种用于预测受试者中特定疾病的存在和/或特定疾病的病期的方法，该方法包括：通过比较关于特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标(器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的)的受试者的数据和预先从相应器官间串扰指标获取的标准数据1来计算多个器官间串扰指标的模式的相似度的步骤；以及通过将模式相似度计算步骤得到的多种器官间串扰指标的模式的相似度用作度量来预测特定疾病的存在和/或特定疾病的病期的步骤。图11是示出了由根据本发明第一实施例的预测装置1执行的用于执行上述预测方法的数据处理的流程的流程图。图11中所示的步骤S11-S16的处理由图10所示的受试者数据取得单元11、模式相似度计算单元12以及预测单元13执行。在步骤S11中，受试者数据获取单元11获取受试者数据M4。受试者数据M4是受试者的特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式，该器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的，并且从装置6被传送到预测装置1。在步骤S12中，模式相似度计算单元12将所获取的器官间串扰指标的受试者数据M4与标准数据D1(标准数据1)进行比较，并计算多种器官间串扰指标的模式的相似度。用于计算相似度的方法以及用于确定模式是否相似的方法如在以上“1.术语的解释”章节中所述。在以上“4-4.预测程序”章节中描述的预测程序可以包括用于使预测装置1的CPU101通过模式相似度计算单元12来执行计算处理的程序的程序代码，或者例如可以被链接到在以上“1.术语的解释”章节中提到的统计分析软件以使得CPU101使用统计分析软件由模式相似度计算单元12执行计算处理。在步骤S14中，预测单元13通过将步骤S12中获取的相似度用作度量来预测特定疾病的存在和/或特定疾病的病期。具体地，当从相似度确定模式是相似的(步骤13中为“是”)时，则预测单元13在步骤S14中确定受试者具有对应于与受试者数据M4相似的标准数据D1(标准数据1)中的模式的特定疾病，和/或受试者处于与标准数据D1(标准数据1)对应的特定疾病的病期。当从在步骤S12中获取的相似度确定模式不相似时(步骤13中为“否”)时，则预测单元13在步骤S16中确定受试者不具有对应于标准数据D1(标准数据1)的特定疾病，和/或受试者不处于对应于标准数据D1(标准数据1)的特定疾病的病期。在步骤S15中，预测单元13将在步骤S14或步骤S16中确定的结果作为预测结果数据输出。在该实施例中，预测结果被显示在显示单元5上，预测结果数据被存储在预测装置1的存储单元103中。预测结果可以显示在计算机终端的显示单元上(该计算机终端经由预测装置1外部的因特网连接到预测装置1)，例如在第三方机构中，而不是将预测结果显示在显示单元5上。每个步骤的具体过程与以上“4-1.概述”章节的描述一致。5.反iOrgans5-1.概述在该实施例中，预测特定器官中患有疾病的受试者中除了特定器官之外的一个或多个器官中的每一个器官中疾病的存在和/或疾病的病期。具体地，根据关于从受试者的诊断结果获取的受试者中的特定器官中的疾病的病期的信息，预测特定器官中患有疾病的受试者中特定器官之外的一个或多个器官中的每一个器官中的疾病的存在和/或疾病的病期。本实施例包括以下步骤：(i)从受试者的诊断结果中获取关于受试者的特定器官中的疾病的病期的信息；(ii)对照标准数据2检查步骤(i)中获取的关于病期的信息；(iii)基于步骤(ii)中获取的检查结果，从标准数据2中确定处于与关于病期的信息相对应的特定器官中疾病的病期的标准数据α，并从标准数据α中提取与受试者中的特定器官以外的一个或多个器官中的每个器官中受试者的病期相对应的器官间串扰指标的模式；(iv)对照关于多种疾病和/或这些疾病的病期中的多种器官间串扰指标的已知信息，检查步骤(iii)中提取的器官间串扰指标的模式，并确定与受试者中特定器官以外的一个或多个器官中的每个器官中的该器官间串扰指标的模式相对应的所述特定器官以外的所述一个或多个器官中的每一个器官中的疾病存在和/或疾病的病期；以及(v)进一步确定步骤(iv)中确定的特定器官以外的一种或多种器官中的每一种器官中的疾病是该受试者可能正在遭受的疾病，和/或进一步确定在步骤(iv)中确定的特定器官以外的一个或多个器官中的每一个器官中的疾病的病期是该受试者正在遭受的疾病的病期。在此，上述步骤(iv)和步骤(v)可以合并成步骤(iv’)：通过使用在步骤(iii)中获取的器官间串扰指标的模式作为度量来预测特定器官以外的一个或多个器官中的每一个器官中的疾病的存在和/或疾病的病期。在此，特定器官以外的一个或多个器官可以是多个器官。也就是说，步骤(iv)和步骤(v)可以为如下：(iv”)对照关于多种疾病和/或多种疾病的病期中的多种器官间串扰指标的已知信息检查从步骤(iii)中确定的标准数据α中提取的受试者中特定器官以外的多个器官中的多个器官间串扰指标的模式，并确定在特定器官之外的多个器官中的每一个器官中，与受试者中特定器官之外的所述多个器官中的每一个器官中的器官间串扰指标的模式相对应的疾病的存在和/或疾病的病期；和(v”)进一步确定步骤(iv”)中确定的特定器官以外的多个器官中的每一个器官中的疾病是受试者可能正在遭受的疾病，和/或进一步确定步骤(iv”)中确定的特定器官以外的多个器官中的每一个器官中的疾病的病期是受试者正在遭受的疾病的病期。在步骤(i)中，受试者的诊断结果不受限制，只要这些诊断结果是由例如医生根据例如测试结果或问诊得出的即可。诊断结果可以是从例如纸质图表获取的信息或者可以是从例如电子图表中提取的电子数据。在步骤(i)中，获取关于受试者的特定器官中的疾病病期的信息，作为基于受试者的诊断结果的例如口头的、书面的或数字的信息。也就是说，关于受试者的特定器官中的疾病的病期的信息是关于受试者是处于特定器官中的疾病的哪个病期的信息。例如，在对照步骤(ii)中的标准数据2检查步骤(i)中获取的关于病期的信息过程中，例如，检查病期的名称是否与分配给标准数据2中的器官间串扰指标的各模式的特定器官中的疾病的病期的名称相匹配。该检查可以肉眼来执行，也可以在Microsoft(注册商标)Excel(微软公司)或Microsoft(注册商标)Access(微软公司)等数据库软件上使用软件的搜索功能、过滤功能等来执行。在步骤(iii)中，基于步骤(ii)中检查的结果，提取与受试者的特定器官中的疾病的病期的名称相关联的多种器官间串扰指标的模式。这组提取的器官间串扰指标的模式被确定为标准数据α。此外，从与标准数据α中所包含的相应的多种器官间串扰指标的模式相关联的器官的名称中选择特定器官以外的至少一个器官，以及提取选择的至少一个器官中的器官间串扰指标的模式。除特定器官以外的至少一个器官的选择和选择的至少一个器官中的器官间串扰指标的模式的提取可以目视进行，或者可以在上述软件上使用软件的搜索功能、过滤功能等来进行。当这组提取的器官间串扰指标的模式是一组至少一种RNA的表达的模式时，标准数据α也可以被称为“标准数据α1”。当这组提取的器官间串扰指标的模式是一组至少一种代谢物的存在的模式时，标准数据α也可以被称为“标准数据α2”。在步骤(iv)中，计算并确定提取的所选的至少一个器官中的器官间串扰指标的模式和关于多种疾病和/或多种疾病的病期中的多种器官间串扰指标有关的信息之间的相似度，其中，所述信息存储在关于多种疾病的已知信息的数据库，例如DPC数据库(由日本卫生、劳工和福利部提供)、PubMed(由国家生物技术信息中心提供)、Embase(由Elsevier提供)或Cochrane图书馆(Cochrane)；以下也称之为“疾病信息数据库”。随后，提取疾病的名称或疾病病期的名称，存储在疾病信息数据库中的该疾病或该疾病病期的器官间串扰指标的模式被确认为与所选的至少一个器官中的该器官间串扰指标的模式完全或部分相似。可以根据上文“1.术语的解释”章节中描述的用于确定相似度的方法来确定所选的至少一个器官中的器官间串扰指标的模式与已知信息是否相似。然后可以确定提取的疾病存在于特定器官以外的所选器官中或特定器官以外的所选器官处于提取疾病病期。在该确定过程中，所选的至少一个器官中的器官间串扰指标的模式可以与关于多个健康个体中的该器官间串扰指标的已知信息进行比较以确定器官是正常的。在步骤(v)中，进一步确定步骤(iv)中确定的特定器官以外的所选器官中的疾病和/或疾病的病期是受试者可能正在遭受的疾病和/或疾病的病期。当在步骤(iv)中确定多种疾病时，可以确定显示与所选择的器官中的器官间串扰指标的模式具有高度相似度的疾病是受试者可能正在遭受的疾病。当在步骤(iv)中确定了多个疾病的病期的时，可以确定显示与所选器官中的器官间串扰指标的模式具有高度相似度的疾病的病期是受试者可能正在遭受的疾病的病期。此外，本实施例也可以是用于获取信息以预测特定器官中的患有疾病的受试者中除了特定器官之外的一个或多个器官中的每一个器官中的疾病的存在和/或疾病的病期的方法，该方法包括以上步骤(i)至步骤(iii)，并且还包括步骤(iv’)代替步骤(iv)，对照关于多种疾病或多种疾病的病期中的器官间串扰指标的已知信息来检查步骤(iii)中提取的器官间串扰指标的模式，以及获取关于与受试者中特定器官以外的一个或多个器官中的每一个器官中的器官间串扰指标的模式相对应的特定器官以外的所述一个或多个器官中的每一个器官中的疾病的存在和/或疾病的病期的信息。对照关于多种疾病和/或多种疾病的病期中的多种器官间串扰指标的已知信息检查所提取的器官间串扰指标的模式的步骤与上述步骤(iv)一致。5-2.系统配置图12是根据本发明第二实施例的系统110的概况，图13是示出了系统110的硬件配置的框图。系统110包括预测装置2、输入单元4和显示单元5。预测装置2例如包括通用个人计算机，并且包括用于执行稍后描述的数据处理的CPU101、用作用于数据处理的工作区的存储器102、用于存储经处理后的数据的存储单元103、用于在单元之间传输数据的总线104、以及用于在装置2和多个外部设备之间执行数据输入和输出接口单元105(以下称之为“I/F单元”)。输入单元4和显示单元5连接到预测装置2。输入单元4例如包括键盘，并且显示单元5例如包括液晶显示器。输入单元4和显示单元5可以被集成和实现为具有触摸面板的显示器。预测装置2不必是单个装置，并且CPU101、存储器102、存储单元103等可以位于不同的地方并且经由网络连接。装置2也可能是一个省略输入单元4和显示单元5并且不需要操作者的装置。在以下的说明中，预测装置2所执行的处理除非特别指定，否则是指基于预测程序由预测装置2的CPU101执行的过程。CPU101将必要的数据(例如正在处理的中间数据)暂时存储在用作工作区的存储器102中，并且适当地将诸如计算结果等长时间存储的数据存储在存储单元103中。如上所述，系统110的预测装置2、输入单元4和显示单元5中的每一个的硬件配置可以与图8所示的系统100中的预测装置2、输入单元4和显示单元5中的每一个的硬件配置相同。5-3.预测装置作为第二实施例，本发明包括一种用于预测患有特定疾病的受试者中特定器官以外的一个或多个器官中的每个器官中疾病的存在和/或疾病的病期的预测装置，该装置包括以下计算工具：病期信息获取工具，用于获取关于受试者中的特定器官中的疾病的病期的信息；病期信息检查工具，用于对照标准数据2检查由病期信息获取工具得到的关于病期的信息；模式提取工具，用于基于由病期信息检查工具得到的结果提取受试者中的特定器官以外的一个或多个器官中的每个器官中的器官间串扰指标的模式；以及预测工具，用于通过将由模式提取工具得到的器官间串扰指标的模式用作度量来预测特定器官以外的所述一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期。在本实施例中，受试者中特定器官以外的一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期可以由系统110(图12和13)来预测，系统110包括在“5-2.系统配置”章节中描述的预测装置2，用作以上预测装置。图14是示出了根据本发明的第二实施例的预测装置2的功能的框图。预测装置2包括：病期信息获取单元21、病期信息检查单元22、模式提取单元23和预测单元24。这些功能块是通过将根据本发明的预测程序安装在预测装置2的存储单元103或存储器102中并使CPU101执行该程序来实现的。利用该结构，预测装置2执行稍后在“5-5.预测方法”章节中描述的预测方法。权利要求中引用的病期信息获取工具、病期信息检查工具、模式提取工具，以及预测工具分别对应于图14中所示的病期信息获取单元21、病期信息检查单元22、模式提取单元23以及预测单元24。换言之，预测装置2是一种用于预测特定器官中患有疾病的受试者中的特定器官以外的一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期的预测装置，该装置通过CPU101执行以下计算功能：病期信息获取功能，用于获取关于受试者中的特定器官中的疾病的病期的信息；病期信息检查功能，用于对照标准数据2检查由病期信息获取功能得到的关于病期的信息；模式提取功能，用于基于由病期信息检查功能得到的结果提取受试者中的特定器官以外的一个或多个器官中的每个器官中的器官间串扰指标的模式；以及预测功能，用于通过将由模式提取功能得到的器官间串扰指标的模式用作度量来预测特定器官以外的所述一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期。在本实施例中，例如，用户操作输入单元4以输入关于受试者的特定器官中的疾病(特定疾病)处于哪个病期的信息。病期信息获取单元21获取关于特定疾病的病期的输入信息(特定疾病病期信息)。标准数据D1(标准数据2)和疾病信息数据库D2被存储在预测装置2的外部，并经由例如因特网被输入到预测装置2中。标准数据D1(标准数据2)和疾病信息数据库D2可以预先存储在预测装置2的存储单元103或存储器102中。病期信息检查单元22对照标准数据D1(标准数据2)检查由病期信息获取单元21获取的特定疾病的病期，模式提取单元23基于由病期信息检查单元22获取的结果来提取受试者中特定器官之外的一个或多个器官中的每一个器官中的器官间干扰指标的模式。预测单元24通过将由模式提取单元23获取的器官间串扰指标的模式用作度量来预测特定器官以外的所述一个或多个器官中的每一个器官中疾病的存在和/或疾病的病期。病期信息检查单元22、模式提取单元23和预测单元24是分别执行根据在稍后“5-5.预测方法”章节中描述的本发明第二实施例的预测方法的病期信息检查步骤、模式提取步骤和预测步骤的功能模块。这些步骤的计算处理的细节参照图15在“5-5.预测方法”章节中描述。此外，功能块，即，病期信息获取单元21、病期信息检查单元22、模式提取单元23和预测单元24不必由单个CPU执行，而是可以由多个CPU分布地执行。例如，这些功能块可以被配置为使得病期信息获取单元21的功能由第一计算机的CPU执行，并且使得病期信息检查单元22、模式提取单元23和预测单元24的功能由第二计算机(即另一台计算机)的CPU来执行。5-4.预测程序另外，为了执行后述的图15的步骤S21-步骤S29，预测装置2预先将根据本发明的预测程序(例如以可执行的格式)存储在存储单元103中。预测装置2使用存储在存储单元103中的预测程序执行处理。具体地，根据本发明第二实施例的预测程序是一种当由计算机执行时使计算机执行以下处理来预测特定器官中患有疾病的受试者中特定器官以外的一个或多个器官中的每一个器官中疾病的存在和/或疾病的病期的预测程序：病期信息获取处理，用于获取关于受试者中的特定器官中的疾病的病期的信息；病期信息检查处理，用于对照标准数据2检查由病期信息获取处理得到的关于病期的信息；模式提取处理，用于基于由病期信息检查处理得到的结果提取受试者中的特定器官以外的一个或多个器官中的每个器官中的器官间串扰指标的模式；以及预测处理，用于通过将由模式提取处理得到的器官间串扰指标的模式用作度量来预测特定器官以外的所述一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期。在该实施例中，如图13所示，预测程序被存储在诸如CD-ROM的计算机可读非暂时性有形存储介质109中，并且从存储介质109被安装到预测装置2：可替代地，也可以将预测装置2连接到因特网(未图示)，通过因特网下载预测程序的程序代码。为了使计算机执行上述的计算处理，根据本发明的预测程序可以链接到存储在存储单元103或存储器102中的另一个程序。例如，预测程序可以链接到在以上“5-1.概述”章节中提到的市售的数据库软件，并且可以使用数据库软件来执行病期信息检查处理和模式提取处理。病期信息获取处理对应于由通过预测装置2执行预测程序而实现的病期信息获取单元21来执行的计算处理。病期信息检查处理对应于由通过预测装置2执行预测程序而实现的病期信息检查单元22来执行的计算处理。模式提取处理对应于由通过预测装置2执行预测程序而实现的模式提取单元23来执行的计算处理。预测处理对应于由通过预测装置2执行预测程序而实现的预测单元24来执行的计算处理。5-5.预测方法根据本发明第二实施例的预测装置2执行根据本发明第二实施例的预测方法。执行根据本发明第二实施例的预测方法是一种用于预测特定器官中患有疾病的受试者中特定器官以外的一个或多个器官中的每个器官中疾病的存在和/或疾病的病期的方法，该方法包括：病期信息获取步骤，用于获取关于受试者中的特定器官中的疾病的病期的信息；病期信息检查步骤，用于对照标准数据2检查由病期信息获取步骤得到的关于病期的信息；模式提取步骤，用于基于由病期信息检查步骤得到的结果提取受试者中的特定器官以外的一个或多个器官中的每个器官中的器官间串扰指标的模式；以及预测步骤，用于通过将由模式提取步骤得到的器官间串扰指标的模式用作度量来预测特定器官以外的所述一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期。图15是示出了由根据本发明的第二实施例的预测装置2执行的以用于执行上述预测方法的数据处理的流程的流程图。执行图15所示的步骤S21至步骤S29的处理是由图14中所示的病期信息获取单元21、病期信息检查单元22、模式提取单元23和预测单元24执行的。在步骤S21中，病期信息获取单元21获取病期信息。病期信息是与受试者的特定器官中的疾病处于哪个病期有关的信息。病期信息获取单元21例如通过操作输入单元4来取得病期信息。获取病期信息的方式不限于此，并且病期信息可以从电子图表或者通过任何方法(比如外部数据通讯)存储在预测装置2的存储单元103中。在步骤S22中，病期信息检查单元22对照标准数据D1(标准数据2)检查病期信息。随后，在步骤S23中，基于在步骤S22中获取的检查结果，模式提取单元23从标准数据D1(标准数据2)中确定与该病期信息相对应的特定器官中的疾病的病期所在的标准数据α，并从标准数据α中提取与受试者中特定器官以外的一个或多个器官中的每一个器官中受试者所处的病期相对应的器官间串扰指标的模式。用于提取的具体过程与上述“4-1.概述”章节中的描述一致。在上述“5-4预测程序”章节中描述的预测程序可以包括用于使预测装置2的CPU101通过病期信息检查单元22和模式提取单元23执行计算处理的程序的程序代码，或者例如可以链接到上文提到的市售的数据库软件以使得CPU101使用数据库软件通过病期信息检查单元22和模式提取单元23来执行计算处理。在步骤S24中，预测单元24适当地访问从预测装置2外部下载的或下载到存储器102或存储单元103中的疾病信息数据库D2，并且计算并确定在步骤S23中提取的一个或多个器官中的每一个器官中的器官间串扰指标的模式和在疾病信息数据库中存储的关于该器官间串扰指标的信息之间的相似度。在步骤S26中，确定了在特定器官之外的一个器官中存在一种疾病，该疾病被确定为具有与该器官中的器官间串扰指标的模式完全或部分相似的模式(步骤S25中为“是”)，或者确定了特定器官以外的该器官处于一种疾病的病期，该疾病的病期被确定为具有与该器官中的器官间串扰指标的模式完全或部分相似的模式(步骤S25中为“是”)。在步骤S27中，预测受试者正患有在步骤S26中确定的疾病，或者受试者正处于在步骤S26中确定的疾病的病期。上述“5-4.预测程序”章节中描述的预测程序可以包括用于使预测装置2的CPU101通过预测单元24来执行计算处理的程序的程序代码，或者例如可以链接到在上述“1.术语的解释”章节中提到的统计分析软件以使得CPU101使用统计分析软件通过预测单元24来执行计算处理。在步骤S28中，预测单元24输出在步骤S27中预测的结果。在该实施例中，预测结果被显示在显示单元5上，并且预测结果被存储在预测装置2中的存储单元103中。预测结果可以显示在计算机终端的显示单元上(该计算机终端经由预测装置2外部的因特网连接到预测装置2)，例如在第三方机构中，而不是将预测结果显示在显示单元5上。当在步骤S25中从步骤S24中的结果确定模式不相似时(步骤S25中为“否”)，预测单元24在步骤S29中确定不存在相似模式。每个步骤的具体过程与以上“5-1.概述”章节中的描述一致。6.D-iOrgans6-1.概述在该实施例中，从关于与施用了测试物质的个体的一个或多个器官中的每一个器官中的器官间串扰指标的受试者数据X来预测测试物质的功效或一种副作用(或多种副作用)。器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的。具体而言，关于施用了测试物质的个体的一个或多个器官中的每一个器官中的器官间串扰指标(是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的)的受试者数据X与预先从相应的器官间串扰指标获取的标准数据Y进行比较，计算器官间干扰指标的模式的相似度，通过将该相似度用作度量预测所述一个或多个器官中的每个器官中测试物质的功效或一种副作用(或多种副作用)和/或所述一个或多个器官以外的一个或多个器官中的每一个器官中的测试物质的功效或一种副作用(或多种副作用)。受试者数据X是通过执行章节2中描述的测量方法得到的。更具体地说，本实施例包括：步骤(1)通过比较关于被施用了测试物质的个体的一个或多个器官中的每个器官中的器官间串扰指标(器官间串扰指标是从源自一个或多个器官中的每一个器官的细胞或组织获取的)的受试者数据X和预先从相应的器官间串扰指标中获取的标准数据Y来计算器官间串扰指标的模式的相似度的步骤；和步骤(2)通过将步骤(1)中获取的器官间串扰指标的模式的相似度用作度量预测所述一个或多个器官中的每一个器官中测试物质的功效或一种副作用(或多种副作用)和/或所述一个或多个器官以外的一个或多个器官中的每一个器官中测试物质的功效或一种副作用(或多种副作用)的步骤。优选地，步骤(2)是通过将步骤(1)中计算的器官间串扰指标的模式的相似度用作度量来预测测试物质在一个或多个器官以外的一个或多个器官中的每一个器官中测试物质的功效或一种副作用(或多种副作用)的步骤。当测试物质是已知物质时，该已知测试物质的已知功效或一种副作用(或多种副作用)被排除在上述功效或一种副作用(或多种副作用)之外。优选地，当预测一种副作用(或多种副作用)时，肝脏和肾脏可以从器官中排除。为了预测功效或一种副作用(或多种副作用)而采集的优选器官的实例包括除了血液之外的体液、皮肤、棕色脂肪脂肪和白色脂肪组织。另外，当预测一种或多种器官以外的一种或多种器官中的测试物质的功效或一种副作用(或多种副作用)时，所述的功效或一种副作用(或多种副作用)可能被预测存在于一个或多个器官中。当功效或一种副作用(或多种副作用)预测存在于多个器官中时，可以对每个器官依次进行该预测或同时进行该预测。优选同时进行预测。为了获取关于受试者数据X的信息，该实施例可以在步骤(1)之前还包括步骤(i)：获取关于受试者数据X的信息，受试者数据X与施用了测试物质的个体中一个或多个器官中的每个器官中的器官间串扰指标有关，该器官间串扰指标是从源自于一个或多个器官中的每一个器官的细胞或组织获取的。步骤(i)可以包括从施用了测试物质的个体的一个或多个器官中的每个器官中的器官间串扰指标的量确定器官间串扰指标的受试者数据X，该器官间串扰指标是从源自于所述一个或多个器官中的每一个器官的细胞或组织获取的。此外，步骤(i)可以包括识别或量化从源自于施用了测试物质的个体的一个或多个器官中的每一个器官的细胞或组织提取的器官间串扰指标。此外，为了确定受试者数据X的值，步骤(i)可以包括步骤(m)：获取关于从源自于一个阴性对照(或多个阴性对照)的一个或多个器官的细胞或组织获取的器官间串扰指标的量的信息，其对应于源自施用了测试物质的个体的所述一个或多个器官的细胞或组织。另外，步骤(m)可包括对从源自一个阴性对照(或多个阴性对照)的所述一个或多个器官中的每一个器官的细胞或组织提取的器官间串扰指标进行识别或定量。步骤(i)还可以包括提取从源自被施用了测试物质的个体的一个或多个器官中的每个器官的细胞或组织获取的器官间串扰指标(如果需要，从源自一个阴性对照(或多个阴性对照)的所述一个或多个器官中采集细胞或组织获取的器官间串扰指标)。在此，一个阴性对照(或多个阴性对照)可以与没有疾病的一个阴性对照(或多个阴性对照)同义地使用，并且包括未经处理的动物、假手术的动物模型等。提供受试者的数据的个体和一个阴性对照个体或多个阴性对照个体可以是相同的物种或不同的物种，并且优选是相同的物种。根据该实施例的预测方法在步骤(i)之前还包括以下步骤：(ii)提供测试物质；(iii)提供个体；(iv)将步骤(ii)中提供的测试物质施用到步骤(iii)中提供的个体；(v)从步骤(iv)中施用了测试物质的个体中采集一个或多个器官；以及(vi)从步骤(v)中采集的一个或多个器官中获取细胞或组织。用于该方法的细胞或组织没有特别的限制，并且在“2.用于采集和储存用于提取器官间串扰指标的细胞或组织、或者体液的方法，以及用于提取和测量器官间串扰指标的方法”章节中的描述以引用方式合并于此。关于从采集自个体的细胞、组织等获取的器官间串扰指标的提取方法，上文章节2中的描述也可以引用方式结合于此。关于RNA的提取，可将上述章节2中的描述以引用方式结合于此。RNA表达的分析可根据已知方法进行，上文章节2中的描述可以引用方式结合于此。优选地，RNA表达的分析例如可以通过使用实时PCR、微阵列或RNA-Seq来进行。当使用微阵列进行RNA表达的定性或定量分析时，可以针对每种现有物质、每种疾病和/或每种器官预先制备微阵列芯片，该微阵列芯片包含与标准数据Y中包含的各RNA种类相对应的探针。当使用至少一种代谢物作为器官间串扰指标时，代谢物的提取和代谢物的量的分析可以通过上文章节2中描述的方法进行。当分析图27或28中所示的代谢物时，优选进行GCMS分析或CEMS分析。受试者数据X与标准数据Y之间的相似度可以根据上文章节1中所述的用于确定相似度的方法来确定。另外，在检查的各器官间串扰指标中，当在受试者数据X中的任意一个器官间串扰指标的模式与标准数据Y中的对应器官间串扰指标的模式类似时，可以从该器官间串扰指标来预测功效或一种副作用(或多种副作用)。当受试者数据X中的两个以上器官间串扰指标的模式类似于标准数据Y中的对应器官间串扰指标的模式相似时，可以从所述两个以上器官间串扰指标来预测功效或一种副作用(或多种副作用)。当通过该方法确定受试者数据X与标准数据Y类似时，可以确定：由于测试物质的施用，施用了该测试物质的个体的该器官间串扰指标经历了与提供标准数据Y的个体相同的变化。尤其，当受试者数据X与标准数据Y1相似时，能够预测：测试物质导致由显示标准数据Y1中变化的器官间串扰指标所反映的一个或多个器官和组织的状态、由显示标准数据Y1中变化的器官间串扰指标所反映的一个或多个器官和组织的类似状态，或者根据现有知识可容易地推测与器官间串扰指标有关联的一个或多个器官和组织的状态。当受试者数据X与标准数据Y2类似时，可以预测：测试物质产生的功效或一种副作用(或多种副作用)与用于获取标准数据Y2的现有物质所产生的状态相同或相似，或者测试物质产生的功效或一种副作用(或多种副作用)可从现有知识容易地推测出与现有物质相关。另外，当受试者数据X与标准数据Y3相似时，能够预测：测试物质的施用产生了与提供标准数据Y3的一个阳性对照个体或多个阳性对照个体中的疾病相同的状态，或者测试物质的施用产生了与提供标准数据Y3的一个阳性对照个体或多个阳性对照个体中具有病变或病症的器官或组织相同的状态，并且可以预测：该状态是由于测试物质而产生的一种副作用(或多种副作用)。可替代地，当受试者数据X与标准数据Y3相似时，可以预测：由于测试物质的施用，功效或一种副作用(或多种副作用)出现在一个或多个器官或组织中，所述一个或多个器官或组织可以容易地从与疾病有关的现有知识推断出与提供标准数据Y3的一个阳性对照个体或多个阳性对照个体中的疾病相关。此外，在患有提供标准数据Y3的疾病的一个阳性对照个体或多个阳性对照个体正在接受任何治疗(施用现有物质)并且个体在测试物质施用之前已患有与提供标准数据Y3的一个阳性对照个体或多个阳性对照个体相同的疾病的情况下，当施用测试物质后得到的受试者数据X与从一个阳性对照个体或多个阳性对照个体得到的标准数据Y3相似时，可以预测：测试物质具有与治疗(施用现有物质)相同或相似的功效，或者具有可根据现有知识容易地推测出与该治疗相关的功效。此外，标准数据2和标准数据3可以从多个器官获取。在另一个实施方案中，测试物质的功效或一个副作用(或多种副作用)可以通过使用用在R-iOrgans中的标准数据1来预测。具体而言，(2-1)当待被施用测试物质的个体是健康个体时，确定从已经施用了测试物质的受试者的器官(例如器官A)获取的的受试者数据X(图16(b))与从对应于该器官(例如器官A)的器官获取的受试者数据1(图16(a))之间的器官间串扰指标的相似度，(2-2)确定一种疾病和/或该疾病的病期(例如疾病W，和/或该疾病W的病期)，该疾病和/或该疾病的病期对应于与该器官(例如器官A)的受试者数据X相似的标准数据1(图16(a)的器官A的标准数据1-2)，以及(2-3)进一步确定测试物质引起与该疾病和/或该疾病的特定病期相同的状态，由此预测测试物质所引起的疾病状态。这里，也可以使用多个器官。也就是说，(2-1′)当待被施用测试物质的个体是健康个体时，确认从已经施用了测试物质的受试者的多个器官(例如器官A和器官B)中的每个器官获取的的受试者数据X(图16(b)和图16(c))与从所述的多个器官(例如器官A和器官B)中的每个器官获取的标准数据1(图16(a)的器官A和器官B)之间的器官间串扰指标的相似度，(2-2′)确定一种疾病和/或该疾病的病期，该疾病和/或该疾病的病期对应于与所述多个器官(例如器官A和B)中的每一个器官的受试者数据X相似的标准数据1(图16(a)中器官A的标准数据1-2和器官B的标准数据1-3)；(2-3′)进一步确定测试物质引起与器官(例如器官A)中的疾病和/或疾病病期(例如疾病W和/或疾病W的病期)A)相同的状态，并且进一步确定测试物质引起与在另一个器官(例如器官B)中的疾病和/或疾病病期(例如疾病Z和/或疾病Z的病期)相同的状态，从而预测测试物质引起的多个器官中的疾病状态。在另一个实施方案中，当待被施用测试物质的个体的器官A中具有疾病时，(3-1)在施用测试物质之前确定该个体中的病期(例如图17(a)中疾病U的病期2)；(3-2)确定施用测试物质之后(图17(b))器官(例如器官A)的受试者数据X和该器官(例如器官A)(图17(a)中器官A)的标准数据1之间的器官间串扰指标的相似度；(3-3)确定一个病期(疾病U的病期1)，该病期对应于与器官(例如器官A)的受试者数据X相似的标准数据1(图17(a)中器官A的标准数据1-2)；以及(3-4)当与在(3-1)中确定的病期(疾病U的病期2)相比在(3-3)中确定的病期(疾病U的病期1)减小时，可以确定：测试物质对个体具有的疾病有效。此外，在另一实施例中，例如考虑到器官间串扰系统网络，可以将包含在标准数据1中的器官B的数据作为受试者数据X来预测器官A的状态。例如，当待被施用测试物质的个体是健康个体时，(4-1)确定器官(例如器官B)(图16(d))的受试者数据X和与该器官对应的器官(例如器官B)(图16(a)中的器官B)的标准数据1之间的器官间串扰指标的相似度；(4-2)确定一种疾病和/或病期(疾病W和/或疾病W的病期)，该疾病和/或病期对应于与该器官(例如器官B)的受试者数据X相似的标准数据1(图16(a)中的器官B的标准数据1-2)；以及(4-3)当(4-2)中确定的疾病和/或病期(疾病W和/或疾病W的病期)是另一个器官(例如器官A)中具有原发病变的疾病和/或病期时，可以预测：在另一个器官(例如器官A)中，测试物质引起与在(4-2)中确定的疾病和/或病期(疾病W和/或疾病W的病期)相同的状态。当待被施用测试物质的个体的器官A中有疾病时，(5-1)在施用测试物质之前确定个体中的病期(例如图17(a)中疾病U的第2病期)；(5-2)确定施用测试物质后的器官(例如器官B)的受试者数据X(图17(c))和与该器官(例如器官B)对应的器官的标准数据1之间的器官间干扰指标的相似度；(5-3)确定一个病期(例如，图17(a)中的疾病U的病期1)，该病期对应于与该器官的受试者数据X(图17(c))相似的标准数据1(图17(a)的器官B的标准数据1-2)；(5-4)当在(5-3)中确定的病期(图17(a)中疾病U的病期1)是另一器官(例如器官A)中疾病的病期时，确定：测试物质引起与在(5-3)中确定的另一器官(例如，器官A)中的病期相同的状态；以及(5-5)当与(5-1)中确定的病期相比在(5-3)中确定的病期减小时，可以预测：测试物质对个体的另一器官中具有的疾病有效。下面描述使用标准数据Y3-图的具体实施例。例如，在临床研究中进行药物候选物质X的临床试验时(参照图18)，从患有疾病(例如疾病1)且施用了该药物候选物质X的人采集器官A和器官D，确定各器官中的一个器官间串扰指标的模式。根据上文“1.术语的解释”章节中描述的方法计算器官A和器官D之间的器官间串扰指标的模式的相关系数。对计算出的相关系数与预先生成的标准数据Y3-图中对应器官中的相关系数之间的拟然值进行计算，并且可以确定与显示最高拟然值的标准数据Y3-图关联的状态是施用药物候选物质X后个体(人)的状态。当施用药物候选物质X后的人的状态比施用药物候选物质X之前的状态更好时(在图18中，当人样本疾病1中的器官A与器官D之间的模式的相关系数变成健康人样本的器官A与器官D之间的模式的相关系数时)，可以预测：药物候选物质X对该疾病(例如疾病1)有效。此外，从R-iOrgans技术的原理出发，可以通过使用标准数据1，对从上述人(器官A和器官D自该人采集)的器官B和器官C获取的器官间串扰指标的模式进行预测；因此，可以根据与从器官B与器官C之间计算器官A与器官D之间的相关系数的拟然值的方法相似的方法，通过使用标准数据1-图，从器官B与器官C之间的相关系数来预测药物候选物质X对器官B和器官C的作用。在另一个实施方案中，例如，当通过使用诸如小鼠的实验动物(参见图19)进行针对疾病(例如疾病1)的药物候选物质Y和药物候选物质Z的临床前研究时，从施用了第一候选药物(例如药物候选物质Y)或第二候选药物(例如候选药物物Z质)的疾病(例如疾病1)的小鼠模型(施用了测试物质的个体)采集多个器官，确定每个器官中的器官间串扰指标的模式。根据上文“1.术语的解释”章节中所述的方法，针对所述多个器官中的所有器官计算两个不同器官之间的器官间串扰指标的模式的相关系数。计算上述计算出的相关系数和预先生成的标准数据Y3-图中对应的各器官中的相关系数之间的拟然值，并且可以预测与显示最高拟然值的标准数据Y3-图相关联的状态是施用第一药物候选物质或第二药物候选物质之后的小鼠状态。当施用了第一药物候选物质或第二药物候选物质之后小鼠的症状在施用了第一药物候选物质或第二药物候选物质之后改善时，可以预测第一药物候选物质或第二药物候选物质对于疾病(例如疾病1)有效。在图19中，药物候选物质Y被施用给疾病1小鼠模型时的器官间串扰指标的模式之间的相关性表示为“药物候选物质Y施用疾病1小鼠模型”，并且药物候选物质Z被施用给疾病1小鼠模型时的器官间串扰指标的模式之间的相关性表示为“药物候选物质Z施用疾病1小鼠模型”。除了器官A和器官B之外，药物候选物质Y施用疾病1小鼠模型中的器官间串扰指标的模式之间的相关性与药物候选物质Z施用疾病1小鼠模型中的器官间串扰指标的模式之间的相关性相匹配。因此，可以确定药物候选物质Y施用疾病1小鼠模型中的器官间串扰指标的模式的相关性图与药物候选物质Z施用疾病1小鼠模型中的器官间串扰指标的模式的相关性图相似。也就是说，可以预测第一药物候选物质和第二药物候选物质具有相似的作用。还可以预测药物候选物质Z对疾病1更有治疗效果，因为药物候选物质Z施用疾病1小鼠模型中的器官间串扰指标的模式的相关性图与图19中的健康小鼠和健康人样本中的器官间串扰指标的模式的相关性图相同。具体而言，在疾病的治疗中，当使用第二药物候选物质获取的器官间串扰指标的模式的相关性图比使用第一药物候选物质获取的器官间串扰指标的模式的相关性图更接近于健康个体的器官间串扰指标的模式的相关性图时，可以确定第二药物候选物质在该疾病的治疗中更有效。此外，在另一实施例中，例如，在临床前研究中(参见图20)，可以使用诸如小鼠的实验室动物来预测测试物质(例如药物候选物质3)的一种副作用(或多种副作用)。从被施用了测试物质的个体(例如小鼠)采集多个器官(例如器官A、器官B、器官C和器官D)，并确定每个器官中的器官间串扰指标的模式。根据上文“1.术语的解释”章节中描述的方法，针对多个器官(例如，器官A和D)中的所有器官，计算两个不同器官之间的器官间串扰指标的模式的相关系数。计算上述计算出的相关系数和预先生成的标准数据Y3-图中相应器官中的相关系数之间的拟然值，并可以预测：与显示出最高拟然值的标准数据Y3-图相关联的状态是施用了测试物质后的个体的状态。当与具有最高拟然值的标准数据Y3图相对应的状态是疾病或疾病的病期时，可以预测该测试物质引起该疾病或该疾病的病期。例如，在图20中，当药物候选物质3施用小鼠模型的相关性图中的器官A和器官D之间的相关系数与疾病1小鼠模型的相关性图中的器官A和器官D之间的相关系数相似时、或与在疾病1人类样本的相关性图中的器官A和器官D之间的相关系数相似时，可以确定药物候选物质3引起的与疾病1的状态相同的一种副作用(或多种副作用)。此外，在疾病是心肌梗塞并且器官B是心脏的情况下，当已知受试药物候选物质3直接作用于心脏但不直接作用于另一器官(器官A、器官C或器官D)(即，基于常规技术知识：在基于培养的试验中，药物候选物质3作用于心脏细胞(例如心肌细胞)但在其他培养细胞(例如来源于器官A、器官C或器官D的细胞)中没有引起基因表达的变化)时，可以预测通过施用药物候选物质3引起的器官A和器官D之间的相关系数的变化是一种由于药物候选物质3通过与心脏以外的器官之间的串扰而作用于心脏进而引起的心脏中变化造成的变化。6-2.系统配置图21是根据本发明的第三实施例的系统120的概况，图22是示出了系统120的硬件配置的框图。系统120包括预测装置3、输入单元4、显示单元5和装置6。预测装置3例如包括通用个人计算机，并且包括用于执行稍后描述的数据处理的CPU101、用作用于数据处理的工作区的存储器102、用于存储处理后的数据的存储单元103、用于在单元之间传输数据的总线104、以及用于在装置3和外部设备之间执行数据输入和输出的接口单元105(以下称为“I/F单元”)。输入单元4和显示单元5被连接到预测装置3。输入单元4例如包括键盘，并且显示单元5例如包括液晶显示器。输入单元4和显示单元5可以被集成和实现为具有触控面板的显示器。预测装置3不必是单个装置，并且CPU101、存储器102、存储单元103等可以位于不同的地方并且经由网络连接。装置3也可以是一个省略了输入单元4和显示单元5并且不需要操作者的装置。预测装置3和装置6也不必位于一个地方，并且可以被配置为使得位于不同地方的装置经由网络彼此通信地连接。在下面的解释中，除非另有说明，否则预测装置3执行的过程是指基于预测程序由预测装置3的CPU101执行的过程。CPU101将必要的数据(如正被处理的中间数据)临时存储在用作工作区的存储器102中，并且适当地将诸如计算结果等长时间存储的数据存储在存储单元103中。装置6是一种用于通过RNA-Seq方法测量RNA表达水平或通过质谱法测量代谢物的量的装置。装置6包括分析单元61。其中已经进行RNA-Seq反应的样品被设置在分析单元61中以在分析单元61中执行核苷酸序列的分析。装置6通过有线或无线连接与预测装置3连接。装置6对mRNA的测量值进行A/D转换，并将它们作为数字数据传递到预测装置3。因此，预测装置3可以获取作为可以计算的数字数据的mRNA的测量值。在该实施例中，来自装置6的数字数据被称为“关于器官间串扰指标的受试者数据”或简称为“受试者数据”。6-3.预测装置作为第三实施例，本发明包括一种用于预测测试物质的功效或副作用(多种副作用)的装置，该装置包括以下计算工具：模式相似度计算工具，用于通过将关于施用了测试物质的个体的一个或多个器官中的每个器官中的器官间串扰指标(该器官间串扰指标是从源自于所述一个或多个器官中的每个器官的细胞或组织获取的)的受试者数据X和预先从相应器官间串扰指标获取的标准数据Y进行比较来计算受试者数据X和标准数据Y之间的器官间串扰指标的模式的相似度；以及预测工具，用于通过将由模式相似度计算工具得到的器官间串扰指标的模式的相似度用作度量来预测所述一个或多个器官中的每个器官和/或所述一个或多个器官以外的一个或多个器官中的每个器官中该测试物质的功效或一种副作用(或多种副作用)。在此，用于计算受试者数据X和标准数据Y之间的相似度的方法以及用于确定受试者数据X和标准数据Y是否相似的方法如在上文“1.术语的解释”章节中所述。在该实施例中，可以通过包括在上文“6-2.系统配置”章节中描述的预测装置3作为预测装置的系统120(图22)来预测测试物质的功效或一种副作用(或多种副作用)。图23是用于说明根据本发明的第三实施例的预测装置3的功能的框图。预测装置3包括：受试者数据获取单元31、模式相似度计算单元32以及预测单元33。通过在预测装置3的存储单元103或存储器102中安装根据本发明的程序并使CPU101执行该程序来实现这些功能块。利用该结构，预测装置3执行在稍后“6-5.预测方法”章节中描述的预测方法。权利要求中述及的模式相似度计算工具和预测工具分别对应于图23中所示的模式相似度计算单元32和预测单元33。在本实施例中，受试者数据M4(受试者数据X)和标准数据D1(标准数据Y)可以被存储在预测装置3的外部，并且经由例如因特网被输入预测装置3中。受试者数据M4和标准数据D1可以预先存储在预测装置3的存储单元103或存储器102中。此外，功能块(即，受试者数据获取单元31、模式相似度计算单元32和预测单元33)不必由单个CPU执行，并且可以由多个CPU分布地处理。例如，这些功能块可以被配置为使得受试者数据获取单元31的功能由第一计算机的CPU执行，并且使得模式相似度计算单元32和预测单元33的功能由第二计算机(即另一台计算机)的CPU执行。换言之，预测装置3是一种用于预测测试物质的功效或一种副作用(或多种副作用)的预测装置，该装置通过CPU101执行以下计算功能：模式相似度计算功能，用于通过将关于施用了测试物质的个体的一个或多个器官中的每个器官中的器官间串扰指标(该器官间串扰指标是从源自于所述一个或多个器官中的每个器官的细胞或组织获取的)的受试者数据X和预先从相应器官间串扰指标获取的标准数据Y进行比较来计算受试者数据X和标准数据Y之间的器官间串扰指标的模式的相似度：以及预测功能，用于通过将由模式相似度计算功能得到的器官间串扰指标的模式的相似度用作度量来预测所述一个或多个器官中的每个器官和/或所述一个或多个器官以外的一个或多个器官中的每个器官中该测试物质的功效或一种副作用(或多种副作用)。在本实施例中，受试者数据获取单元31从装置6获取在装置6中测量的器官间串扰指标的受试者数据M4(受试者数据X)。标准数据D1(标准数据Y)被存储在预测装置3之外，并通过例如因特网被输入到预测装置3中。受试者数据M4(受试者数据X)也可以从第三方机构(未图示)经由网络输入到预测装置3中。受试者数据M4(受试者数据X)和标准数据D1(标准数据Y)可以被预先存储在预测装置3的存储单元103或存储器102中。模式相似度计算单元32将受试者数据M4(受试者数据X)与标准数据D1(标准数据Y)进行比较，并且计算器官间串扰指标的模式的相似度。预测单元33通过将由模式相似度计算单元32获取的器官间串扰指标的模式的相似度用作度量来预测在所述一个或多个器官中的每个器官中和/或在所述一个或多个器官以外的一个或多个器官中的每一个器官中该测试物质的功效或一种副作用(或多种副作用)。模式相似度计算单元32和预测单元33是分别执行稍后在“6-5.预测方法”章节中描述的根据本发明第三实施例的预测方法的模式相似度计算步骤和预测步骤的功能块。这些步骤的计算处理的细节在“6-5.预测方法”章节中参照图24进行了描述。此外，功能块(即，受试者数据获取单元31、模式相似度计算单元32和预测单元33)不必由单个CPU执行，而且可以由多个CPU分布地处理。例如，这些功能块可以被配置为使得受试者数据获取单元31的功能由第一计算机的CPU执行，并且使得模式相似度计算单元32和预测单元33的功能由第二计算机(即另一台计算机)的CPU执行。6-4.预测程序另外，为了执行后述的图24中的步骤S31-步骤S37，预测装置3将根据本发明的预测程序例如以可执行格式(例如一种格式，其中可以使用编译器从编程语言转换来生成该程序)预先存储在存储单元103中。预测装置3使用存储在存储单元103中的预测程序来执行处理。具体地，根据本发明第三实施例的预测程序是一种当由计算机执行时使计算机执行以下处理来预测测试物质的功效或一种副作用(或多种副作用)的程序：模式相似度计算处理，用于通过将关于施用了测试物质的个体的一个或多个器官中的每个器官中的器官间串扰指标(器官间串扰指标是从源自于所述一个或多个器官中的每个器官的细胞或组织获取的)的受试者数据X和预先从相应器官间串扰指标获取的标准数据Y进行比较来计算受试者数据X和标准数据Y之间的器官间串扰指标的模式的相似度；以及预测处理，用于通过将由模式相似度计算处理得到的器官间串扰指标的模式的相似度用作度量来预测所述一个或多个器官中的每个器官中和/或所述一个或多个器官以外的一个或多个器官中的每个器官中该测试物质的功效或一种副作用(或多种副作用)。在该实施例中，如图22所示，预测程序被存储在诸如CD-ROM的计算机可读非临时性有形存储介质109中，并且从存储介质109安装到预测装置3；可替代地，也可以将预测装置3连接到因特网(未图示)，从而经由因特网下载预测程序的程序代码。另外，为了使计算机执行上述的计算处理，根据本发明的预测程序可以链接到存储在存储单元103或存储器102中的另一个程序。例如，预测程序可以链接到在上文“1.术语的解释”章节中提到的统计分析软件，并且模式相似度计算处理可以使用统计分析软件来执行。模式相似度计算处理对应于一种由通过预测装置3执行预测程序而实现的模式相似度计算单元32来执行的计算处理。预测处理对应于由通过预测装置3执行预测程序而实现的预测单元33来执行的计算处理。6-5.预测方法根据本发明第三实施例的预测装置3执行根据本发明第三实施例的预测方法。根据本发明第三实施例的预测方法是一种用于预测测试物质的功效或一种副作用(或多种副作用)的方法，该方法包括：模式相似度计算步骤，用于通过将关于施用了测试物质的个体的一个或多个器官中的每个器官中的器官间串扰指标(器官间串扰指标是从源自于所述一个或多个器官中的每个器官的细胞或组织获取的)的受试者数据X和预先从相应器官间串扰指标获取的标准数据Y进行比较来计算受试者数据X和标准数据Y之间的器官间串扰指标的模式的相似度；以及预测步骤，用于通过将由模式相似度计算步骤得到的器官间串扰指标的模式的相似度用作作为度量来预测所述一个或多个器官中的每个器官中和/或所述一个或多个器官以外的一个或多个器官中的每个器官中该测试物质的功效或一种副作用(或多种副作用)。图24是示出了由根据本发明的第三实施例的预测装置3执行的用于执行上述预测方法的数据处理的流程的流程图。图24中所示的步骤S31至步骤S37是由图23中所示的受试者数据取得单元31、模式相似度计算单元32以及预测单元33来执行。在步骤S31中，受试者数据获取单元31获取受试者数据M4(受试者数据X)。受试者数据M4(受试者数据X)是施用了测试物质的个体的一个或多个器官中的每一个器官中的器官间串扰指标的模式，该器官间串扰指标是从源自于所述一个或多个器官中的每个器官的细胞或组织获取的并从装置6被发送到预测装置3。在步骤S32中，模式相似度计算单元32将所获取的受试者数据M4(受试者数据X)与标准数据D1(标准数据Y)进行比较，并且计算器官间串扰指标的模式的相似度。用于计算相似度的方法和用于确定模式是否相似的方法如上文中“1.术语的解释”章节中所述。在上文的“6-4.预测程序”章节中描述的预测程序可以包括用于使预测装置3的CPU101通过模式相似度计算单元32执行计算处理的程序的代码，或者例如可以被链接到在上文的“1.术语的解释”章节中提到的统计分析软件，以使得CPU101使用统计分析软件通过模式相似度计算单元32执行计算处理。在步骤S33中，预测单元33通过将在步骤S32中获取的相似度用作度量来预测器官间串扰指标的模式的相似度。具体地，当从相似度确定各模式是相似的(步骤33中为“是”)，预测单元33在步骤S34中确定：由于施用了测试物质，施用了测试物质的个体发生与提供标准数据Y的个体在某一器官间串扰指标中相同的变化，并且在步骤S35中进一步确定测试物质表现出由已经发生变化的器官间串扰指标所反映的功效或一种副作用(或多种副作用)。当从在步骤S32中获取的相似度确定各模式是不相似的(步骤33中为“否”)时，预测单元33在步骤S37中确定不存在相似模式。在步骤S36中，预测单元33输出在步骤S35或步骤S37中确定的结果作为预测结果数据。在该实施例中，预测结果被显示在显示单元5上，并将预测结果数据存储在预测装置3的存储单元103中。预测结果可以显示在计算机终端的显示单元上(该计算机终端经由预测装置3外部的因特网连接到预测装置3)，例如在第三方组织中，而不是将预测结果显示在显示单元5上。例如，当将STZ用作测试物质时，在实施例中后述的图44中，示出的基因候选物是在实施例中稍后描述的图44中的Hamp和Saa1。在图44的解释说明中，预测单元33或操作者适当地访问疾病信息数据库并且获取关于Hamp基因和Saa1基因的疾病的信息，由此获取关于测试物质的功效或一种副作用(或多种副作用)的存在的预测结果(对照已知的疾病数据库的检查结果)。当基因候选物被呈现给操作者时，可以提供对照已知的关于疾病的数据库的检查结果(包括关于功效和一种副作用(或多种副作用)的信息)，从而例如通过将结果与每个基因候选物相关联而使操作者可以容易地理解结果。7.标准数据的生成和标准数据7-1.标准数据的生成本发明涉及一种在上文“4.反iOrgans”中使用以生成标准数据1的方法和一种在上文的“5.正iOrgans”中使用以生成标准数据2的方法。术语的定义与上文“1.术语的解释”章节一致。用于生成标准数据的方法是一种用于生成多种器官间串扰指标的模式的标准数据1以用于预测受试者中特定疾病的存在和/或特定疾病的病期的方法，该方法包括步骤：(A)针对特定疾病的每个病期，获取关于从源自于一个阳性对照(或多个阳性对照)的特定器官以外的一个或多个器官中的每一个器官的细胞或组织中获取的器官间串扰指标的量的信息，作为黄金标准；(B)获取关于从源自于一个阴性对照(或多个阴性对照)的特定器官以外的一个或多个器官中的每一个器官的细胞或组织中获取的该器官间串扰指标的量的信息，作为黄金标准；(C)确定多种器官间串扰指标的模式，每种模式是从步骤(A)中获取的患有特定疾病的所述一个阳性对照(或多个阳性对照)的特定器官以外的所述器官中的所述器官间串扰指标的量与从步骤(B)中获取的未患有所述特定疾病的所述一个阴性对照(或多个阴性对照)的所述特定器官以外的相同器官中的相应器官间串扰指标的量之间的关系(优选比值)而确定的；以及(D)使所述多种器官间串扰指标的模式与特定疾病的相应病期相关联。更具体地，步骤(A)包括步骤：针对特定疾病的每个病期，从源自于一个阳性对照(或多个阳性对照)的所述特定器官以外的一个或多个器官中的每一个器官的细胞或组织中提取器官间串扰指标，作为黄金标准；和识别并定量所述器官间串扰指标。步骤(B)包括步骤：从源自于一个阴性对照(或多个阴性对照)的所述特定器官以外的所述一个或多个器官中的每一个器官的细胞或组织中提取所述器官间串扰指标，作为黄金标准；和定性并定量所述器官间串扰指标。具体地，用于生成标准数据1的过程是在实施例中稍后描述的过程。首先，从一个阴性对照(或多个阴性对照)和处于特定疾病的各个病期的一个阳性对照(或多个阳性对照)的特定器官以外的一个或多个器官(例如脂肪)中采集细胞或组织，并提取器官间串扰指标。然后对提取的器官间串扰指标进行识别和定量。接着，确定各器官间串扰指标的模式，每个模式是从患有特定疾病的一个阳性对照(或多个阳性对照)的特定器官以外的器官中的器官间串扰指标的量和未患有特定疾病的一个阴性对照(或多个阴性对照)的特定器官以外的所述器官中的相应器官间串扰指标的量之间的关系而确定的，其中，所述关系例如是比值，优选为通过将从患有特定疾病的一个阳性对照(或多个阳性对照)采集的特定器官以外的器官中的器官间串扰指标的量的值除以从一个阴性对照(或多个阴性对照)采集的特定器官以外的所述器官中的相应器官间串扰指标的量的值而得到的值。将确定的器官间串扰指标的模式与特定疾病相关联，并存储在例如存储装置中作为标准数据1。此外，标准数据1可以被存储在服务器中。此外，本发明包括一种用于生成标准数据2的方法。该方法是一种用于生成多种器官间串扰指标的模式的标准数据2以用于预测患有特定疾病的受试者中特定器官以外的一个或多个器官中的每个器官中的疾病的存在和/或疾病的病期的方法，该方法包括步骤：(A’)针对特定疾病的每个病期，获取关于从源自于一个阳性对照(或多个阳性对照)的特定器官以外的一个或多个器官中的每一个器官的细胞或组织中获取的器官间串扰指标的量的信息，作为黄金标准；(B’)获取关于从源自于一个阴性对照(或多个阴性对照)采集的特定器官以外的一个或多个器官中的每一个器官的细胞或组织中获取的器官间串扰指标的量的信息，作为黄金标准；(C’)确定多种器官间串扰指标的模式，每种模式是从步骤(A’)中获取的患有特定疾病的一个阳性对照(或多个阳性对照)的特定器官以外的所述器官中的器官间串扰指标的量与步骤(B’)中获取的未患有特定疾病的一个阴性对照(或多个阳性对照)中特定器官以外的相同器官中的相应器官间串扰指标的量之间的关系(优选比值)而确定的；以及(D’)将所述多种器官间串扰指标的模式与特定疾病的相应病期相关联。更具体地，步骤(A’)包括步骤：针对特定疾病的每个病期，从源自于一个阳性对照(或多个阳性对照)的特定器官以外的一个或多个器官中的每一个器官的细胞或组织中提取器官间串扰指标，作为黄金标准；和识别并定量所述器官间串扰指标。步骤(B’)包括步骤：从源自于一个阴性对照(或多个阴性对照)的特定器官以外的所述一个或多个器官中的每一个器官的细胞或组织中提取所述器官间串扰指标，作为黄金标准；和识别并定量所述器官间串扰指标。具体地，用于生成标准数据2的过程是在实施例中稍后描述的过程。首先，从一个阴性对照(或多个阴性对照)和患有特定疾病的一个或多个阳性对照的特定器官以外的一个或多个器官中采集细胞或组织，并提取器官间串扰指标。然后对提取的器官间串扰指标然后进行识别和定量。接下来，针对特定疾病的每个病期确定器官间串扰指标的模式，每个模式是从患有特定疾病的一个阳性对照(或多个阳性对照)的特定器官以外的一个器官中的器官间串扰指标的量和未患有特定疾病的一个阴性对照(或多个阴性对照)的特定器官以外的该器官中的相应器官间串扰指标的量之间的关系而确定的，其中，所述关系例如是比值，优选为通过将患有特定疾病的一个阳性对照(或多个阳性对照)的特定器官以外的一个器官中的器官间串扰指标的量的值除以一个阴性对照(或多个阴性对照)的特定器官以外的该器官中的相应器官间串扰指标的量的值而得到的值。针对特定疾病的各个病期确定的这些器官间串扰指标的模式作为标准数据2例如存储在存储装置中。此外，标准数据2可以存储在外部服务器。为了获取标准数据Y1，可以从例如已知的疾病数据库、文献、或蛋白质和基因数据库获取当存在疾病或症状时的关于器官间串扰指标的功能的信息或关于表达水平的信息。例如，公共疾病数据库包括上文章节5-1中提到的疾病信息数据库。为了获取标准数据Y2，从源自于已施用了现有物质的一个或多个阳性对照个体的一个或多个器官的细胞或组织中提取器官间串扰指标，并且如有必要，从源自于一个或多个阴性对照个体的一个或多个器官的细胞或组织中提取器官间串扰指标(提取步骤)。用于提取器官间串扰指标的方法没有特别限制，并且可以通过已知方法提取器官间串扰指标。当器官间串扰指标是RNA或一组代谢物时，可以通过例如以上章节2中所述的方法来进行器官间串扰指标的提取。在此，一个阴性对照(或多个阴性对照)可以与未患疾病的一个阴性对照(或多个阴性对照)同义地使用，并且包括未经处理的动物、假手术(sham-operated)的动物模型等。从已被分别施用了现有物质的一个或多个阳性对照个体的一个或多个器官中采集细胞或组织的时间如下：根据现有物质的药物代谢动力学，可以当这些物质的功效或副作用在个体中出现时、在效果持续的时间段内或者在效果消失之时或之后采集细胞或组织。接下来，对在提取步骤中提取的器官间串扰指标进行识别和定量(识别和定量步骤)。用于识别和定量器官间串扰指标的方法不受限制，只要器官间串扰指标可被识别或定量即可。例如，当器官间串扰指标是RNA或一组代谢物时，可以根据章节2中描述的RNA的分析方法或用于测量代谢物的方法对其进行识别和定量。为了获取标准数据Y3，可以使用患有各个疾病的一个或多个阳性对照个体代替在用于获取标准数据Y2的方法中已分别地施用了现有物质的一个或多个阳性对照个体。患有各个疾病的一个或多个阳性对照个体的例子包括已经具有自发疾病的动物、疾病动物模型、转基因动物等。提取步骤以及识别和定量步骤可以根据用于获取标准数据Y2的方法进行。在此，患有各个疾病的一个或多个阳性对照个体可以是未经治疗或经受治疗的个体(施用了现有物质)。接下来，根据在识别和定量步骤(确定步骤)中定量的器官间串扰指标的量来确定器官间串扰指标的标准数据Y。在识别和定量步骤中获取的器官间串扰指标的量可以用作标准数据Y。标准数据Y2可以优选地从施用了现有物质的个体的器官中的器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中的相应器官间串扰指标的量之间的关系来确定，更优选地从施用了现有物质的个体的器官中的器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量之间的比值来确定，以及甚至更优选地根据施用了现有物质的个体的器官中的器官间串扰指标的量相对于一个阴性对照(或多个阴性对照)中相同器官中相应器官间串扰指标的量的比值。在另一个实施例中，标准数据Y3可以被确定为患有疾病的一个或多个阳性对照个体的器官中的器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中相应的器官间串扰指示的量之间的关系，优选为患有疾病的一个或多个阳性对照个体的器官中的器官间串扰指标的量和一个阴性对照(或多个阴性对照)中相同器官中相应的器官间串扰指示的量之间的比值，更优选为患有疾病的一个或多个阳性对照个体的器官中的器官间串扰指标的量相对于一个阴性对照(或多个阴性对照)中相同器官中相应的器官间串扰指示的量的比值。可以预先做出标准数据Y的数据库，或者可以当获取受试者数据X时获取标准数据Y。7-2.标准数据本发明包括由上述方法生成的标准数据1。生成的标准数据1可以被存储在预测装置1的存储单元中103或存储器102中。可替代地，生成的标准数据1可以被存储在与预测装置1本地连接的存储设备中或存储在外部存储设备中(例如服务器的存储设备)，可通过预测装置1经由网络访问。此外，本发明包括由上述方法生成的标准数据2。生成的标准数据2可以被存储在预测装置2的存储单元103或存储器102中。可替代地，所生成的标准数据2可以被存储在与预测装置2本地连接的存储设备中，或者存储在外部存储设备(例如，服务器的存储设备)中，可通过预测装置2经由网络访问。当器官间串扰指标是RNA时，可以针对已经分别施用了现有物质的每只动物或患有单个疾病的每只动物预先确定显示变化的RNA，并且可以制备用于检测目标RNA的微阵列。在这种情况下，变化意味着上述比值大于1或小于1，优选大于1.5或小于0.67，更优选大于2或小于0.5，甚至更优选大于5或小于0.2。本发明的第三实施例不仅能够更精确和全面地预测测试物质的功效或一种副作用(或多种副作用)，而且还能识别出现有物质的新的和以前未知的功效或一种副作用(或多种副作用)。此外，基于所获取的数据，该实施例使得能够研究用于预防测试物质的一种副作用(或多种副作用)的方法，并且使得尽管具有期望功效但用途有限的测试物质可能找到新的应用。因此，本发明的第三实施例可以包括根据受试者数据X的变化来选择发挥平衡变化或增强变化作用的药物的步骤。在此，受试者数据X的变化意味着上述比值大于1或小于1，优选大于1.5或小于0.67，更优选大于2或小于0.5，甚至更优选大于5或小于0.2。8.微阵列和试剂盒本发明包括用在以上章节4、章节5和/或章节6中所描述的方法中的微阵列(也称为“DNA芯片”)。对微阵列包含的探针没有特别的限制，只要这些探针能够检测上述章节1中描述的核酸或者能够检测使用上述章节1中所述的核酸作为模板进行反转录或扩增的核酸。微阵列所包含的探针优选是包括至少部分地与从上述章节1描述的组1的基因表达的RNA的核苷酸序列或从组1的基因表达的RNA反转录合成的cDNA互补的互补核苷酸序列的那些探针，并且更优选是包括至少部分地与从组2的基因表达的RNA的核苷酸序列或与从组2的基因表达的RNA反转录合成的cDNA互补的互补核苷酸序列的那些探针。其中，特别优选的是包括互补核苷酸序列的那些探针，所述互补核苷酸序列至少部分地互补于从包含polyA序列的组1或组2的基因表达的RNA的核苷酸序列或与从包含polyA序列的组1或组2的基因表达的RNA反转录合成的cDNA。例如，当特定器官为心脏并且特定疾病为心肌梗塞时，更具体地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图30中描述的组3的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图30中描述的组4的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图30中描述的组5的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图30中描述的组6的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图30中描述的组7的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。最优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图30中描述的组8的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组8的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。例如，当特定器官是脑并且特定疾病是痴呆时，更具体地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图34中描述的组3的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图34中描述的组4的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图34中描述的组5的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图34中描述的组6的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图34中描述的组7的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。例如，当特定疾病是肿瘤时，更具体地，所述探针包括互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图36、图38或图39中描述的组3的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组3的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图36、图38或图39中描述的组4的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组4的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图36、图38或图39中描述的组5的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组5的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图36、图38或图39中描述的组6的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组6的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。更优选地，所述探针包含互补核苷酸序列，该互补核苷酸序列至少部分地互补于：出现在上述个体中的选自于由图36、图38或图39中描述的组7的基因表达的RNA组成的组的至少一种RNA的核苷酸序列或选自于由组7的基因的直系同源基因表达的RNA组成的组中的至少一种RNA的核苷酸序列，或者从所述至少一种RNA反转录合成的cDNA的核苷酸序列。微阵列所包含的探针可以是DNA或RNA，并优选DNA。探针的长度没有特别限制，只有探针的长度可用作微阵列的捕获探针即可，并优选为约100mer，更有选为约60mer，甚至更优选为约20mer至30mer。例如可以使用已知的寡核苷酸合成器来生产探针。微阵列的基础材料也不受特别限制，只要核酸探针可以固定在其上即可。示例包括玻璃、聚合物(如聚丙烯)、尼龙膜等。探针可以根据已知的方法固定在基底材料上。例如，可以使用含有用于固定探针的反应性基团或交联剂的间隔物。此外，本发明包括试剂盒，试剂盒包含以上提到的、用于上述章节4、章节5和/或章节6中描述的方法的微阵列。本发明的试剂盒优选不仅包含微阵列，还包含诸如纸或光盘的介质，关于可以检测微阵列上的探针的核酸的信息和关于探针的位置的信息被存储在该介质上，或者用于访问这些信息的信息被存储在该介质上。另外，用于杂化的缓冲液等可以与试剂盒一起提供。9.补充说明在上述实施例中描述的基于器官间串扰系统的预测装置和预测程序中，对于对抗疾病的功效或一种副作用(或多种副作用)的存在，可以通过计算处理将对照已知的疾病数据库的检查结果作为基于基因候选物的预测结果而输出。此外，基于器官间串扰系统的预测装置和预测程序可以用作用于在预测过程中辅助操作者的装置和程序，具体地，通过将基因候选物呈现给操作者并且进一步地呈现与基因候选物相关联的功效或一种副作用(或多种副作用)以使得操作者可以容易地理解它们。示例下面参照示例更详细地描述本发明。然而，本发明不应被解释为限于这些示例。I.i-Organs1.心肌梗塞模型1-1.心肌梗塞小鼠模型的建立、器官采集以及血液采集用2-2.5％异氟烷(AbbottJapan，WakoJapan)麻醉8-12周龄的雄性ICR小鼠，并将规格20静脉导管插入气管内。用容量控制呼吸器(HarvardApparatus)以每次200μL且每分钟110次的速率对小鼠进行通气。用脱毛剂除去小鼠毛发后，打开每只小鼠的胸部，用8-0尼龙缝线捆绑左心耳下方1-2mm处的左冠状动脉。通过左心室壁颜色的变化(变浅)来确认堵塞。使用5-0丝线在切开的肋骨之间缝合，并使用9-mmAutoclip缝合皮肤。手术后，将小鼠置于设定在37℃的热板上，随后等待30分钟至小鼠醒来。在假手术小鼠中，进行相同的手术，除了缝合仅在左冠状动脉以下通过；即，左冠状动脉没有用缝线捆绑。之后，通过超声心动图监测心脏功能。在心肌梗塞后1小时、6小时、1天、7天和8周采集心脏、脑、肾脏、脂肪组织、脾、肝脏、肺、睾丸、肌肉、胰腺、胸腺、骨髓和耳(不含软骨部分的皮肤；以下相同)的组织，在液氮中迅速冷冻，保存于-80℃。另外，用心肌梗塞后1天、7天和8周使用经肝脏素锂(TerumoCorporation)处理的微量采血管从尾静脉采血。将采集的血液转移到经Novo-Heparin(MochidaPharmaceuticalCo.，Ltd.)冲洗的1.5-mL试管中，以15000rpm离心5分钟，分离上清液(血浆)，于-80℃保存。器官采集用小鼠和血液采集用小鼠分开准备。1-2.超声心动图通过超声心动图来评估是否恰当地生成了心肌梗塞小鼠模型。采用东芝诊断超声系统机器(ToshibaDiagnosticUltrasoundSystemMachine，AplioMXSSA-780A)和Vevo2100成像系统(PrimetechCorporation)进行超声心动图检查。在心肌梗塞之后1小时、6小时、1天、7天、2周，4周、6周和8周，通过超声心动图来监测小鼠。用2-2.5％异氟烷麻醉小鼠，并在长轴二维模式视图和M模式视图下记录心脏的运动。测量长轴二维模式视图中舒张期和收缩期的腔体直径，并通过射血分数(％EF)评价左心室收缩功能。％EF＝[(EDv-ESv)/EDv]×100EDv：舒张器结束时的直径ESv：收缩期结束时的直径在冠状动脉结扎后未显示％EF值下降的小鼠被认为是结扎失败并排除在实验之外。结扎后显示％EF值降低但是在之后的日期又显示％EF值上升的小鼠被确定为由于某种原因而使结扎带变松弛，并且这样的小鼠也被排除在实验之外。1-3.代谢物的分析(1)代谢物的提取和衍生化针对脂肪、胰岛素和睾丸，将各器官的组织和甲醇(100μL/100mg组织)分别置于含有Zr珠(2个珠(5mm)、5个珠(3mm)和50个珠(1.5mm))的各个均质化用试管(BioMedicalScienceInc.)中，并用CellDestroyerPS1000(BioMedicalScienceInc.)(4260rpm，45秒×2)进行均质化。随后，将500μL甲醇(含有作为内标的2-异丙基苹果酸)以当量50mg的量添加到各种组织中，并使用CellDestroyer进行混合(4260rpm，45秒×1)，将所得混合物用作样品。对于脾和肺，将100mg的各组织样品和500μL的甲醇(含有20μL的0.5mg/mL的2-异丙基苹果酸水溶液)分别置于含有Zr珠(2个珠子(5mm)，5个珠子(3mm)，50个珠子(1.5mm))的各个均质化用试管中，并用CellDestroyer进行均质化(4260rpm，45秒×2)，从而获取各个样品。对于心脏、脑、肾脏、肝脏和肌肉，将每个组织样品和500μL甲醇(含有2-异丙基苹果酸)分别置于含有Zr珠(2个珠子(5mm)，5个珠子(3mm)，50个珠子(1.5mm))的各均质化用试管中，并用CellDestroyer进行均质化(4260rpm，45秒×2)。以15000rpm离心15分钟后，将每个试管中的上清液转移到另一个试管中。当量为50mg的一些上清液被转移到又另一试管中作为样品。对于血浆样品，向10μL的血浆样品中加入500μL的甲醇(含有2-异丙基苹果酸)，将混合物涡旋搅拌30秒，在室温下静置10分钟，作为样品。将200μL的Milli-Q水和500μL的氯仿加入到这些样品中的每一个中，将各个混合物涡旋30秒，并以7100rpm离心5分钟。将400μL的水层收集到新的试管中。向其中加入200μL的Milli-Q和200μL氯仿，将混合物再次涡旋30秒钟并以7100rpm离心5分钟。然后，将400μL的水层转移至超滤单元杯(亲水PTFE膜，0.2μm；Millipore)，以10000rpm离心15分钟，并在-80℃下储存直至分析。在测量之前，将当量10mg或10μL量的各样品减压干燥，并向其中加入50μL的含有20mg/mL甲氧胺盐酸盐的吡啶溶液。然后将各混合物在37℃下用振荡器振荡90分钟。之后，进一步加入50μL的N-甲基-N-三甲基甲硅烷三氟乙酰胺(MSTFA)，并将所得混合物在37℃用振荡器振荡30分钟并被三甲基甲硅烷基化。(2)GCMS测量使用GCMS-TQ8030(ShimadzuCorporation)进行GCMS，使用DB-5(30m×0.25mm(内径)×1.00μm(膜厚))(AgilentTechnologies)作为GC用毛细管柱。在以下温升条件下进行GC：将温度以4从100℃增加到320℃。注入口温度为280℃。使用氦气作为载气，流动速率为39.0cm/秒。电子电离的能量为150eV，离子源温度为200℃，待扫描的m/z范围为45-600。1μL的各个样品在以下的条件下分别进行注入和测定。心脏_Split1：25_检测电压+0.3kV脑_Split1：25_检测电压+0.2kV肾脏_Split1：25_检测电压+0.3kV肝脏_Split1：25_检测电压+0.3kV胰腺_Split1：25_检测电压+0.3kV骨骼肌_Split1：25_检测电压+0.2kV脂肪组织_Split1：3_检测电压+0.2kV血浆_Split1：10_检测电压+0.1kV脾_Split1：25_检测电压+0.2kV肺_Split1：25_检测电压+0.3kV睾丸_Split1：10_检测电压+0.3kV胸腺_Split1：25_检测电压+0.3kV(3)GCMS数据的分析使用GCMS解决方案Ver.4.2(数据分析软件)和GCMS代谢物数据库(ShimadzuCorporation)进行搜索。目标项目是图28中描述的代谢物。为了识别代谢物，对至少有两个特定峰(目标离子，确证离子)的预期保留时间和m/z的出现、以及这两个特定峰的比值进行了确认。在每个识别的代谢物中，测量目标离子的峰面积并使用内标(2-异丙基苹果酸)的峰面积和样品量对其进行归一化。在心肌梗塞小鼠模型中，将由GCMS检测的每种代谢物的上述归一化的峰面积的值除以假手术小鼠中该代谢物所对应的值。图29显示的代谢物中，确定的值(也称为“MI/Sham值”)为大于1或小于1。当在单个代谢物中存在多种三甲基甲硅烷基化衍生物时，计算多个衍生物的总值。1-4.RNA的分析(1)从每种组织提取RNA(用于RNAseq)每个冷冻保存的组织在TRIzol试剂(LifeTechnologies)中用PT10-356TPolytron匀质器(Kineatica)分别被均质化。在试管中用TRIzol试剂均质化的组织在室温下温育5分钟以分离蛋白质之后，每毫升的TRIzol中加入0.2mL的氯仿，盖好试管。随后，将各管中的混合物剧烈涡旋15秒。涡旋后，将混合物在室温下温育3分钟，并在4℃以12000×g离心15分钟，将含RNA的水层收集到新鲜试管中。向收集的水层中加入等量的70％乙醇，并混合。然后，将700μL的混合物加到每个RNeasymini柱(Qiagen)，根据RNeasymini试剂盒(Qiagen)标准操作说明收集纯化的RNA。通过1％琼脂糖电泳评估每种收集的RNA的品质。通过Nanodrop测量每种采集的RNA的浓度。(2)获取RNAseq数据通过以下过程使用上述样品获取RNAseq数据。i.品质检查样品的品质测试是基于以下条目进行的。·使用Nanodrop(分光光度计)的浓度测量·使用Agilent2100Bioanalyzer的浓度测量和品质检查ii.样品的制备使用500-1000ng的通过品质测试的各个总RNA样品作为模板，用Illumina的TruSeqRNA样品制备试剂盒按照操作说明以以下的方式制备用于测序的文库。(a)使用Oligo-dT珠进行poly(A)-RNA的纯化(b)Poly(A)-RNA片段化(c)反转录/第二链cDNA合成(d)末端修复和3’A增加(e)接头连接(Adapterligation)注解：接头含有用于识别样本的索引标签。(f)PCR扩增(g)纯化和使用AMPureXP珠的低分子量物质(＜200bp)的去除iii.使用新一代测序仪获取数据使用IlluminaHiSeq新一代测序仪根据单读方法通过读取100个碱基获取核苷酸序列数据。(3)RNAseq数据的分析和热图的生成(3-1)使用新一代测序仪获取的输出数据的分析对输出数据进行以下信息处理。i.碱基调用：从分析的输出原始数据(图像数据)得到核苷酸序列的文本数据。ii.过滤：通过预定过滤选择读取数据。iii.基于索引序列的排序：基于索引信息对样品数据进行排序。(3-2)输出数据的二次分析将使用IlluminaHiseq获取的数据文件(Fastq格式)上传到下载到本地服务器的Galaxy(https://usegalaxy.org/)。然后，使用Bowtie2(http://bowtie-bio.sourceforge.net/bowtie2/index.shtml)进行分析以将每个序列定位到小鼠基因组图谱信息mm9。使用Cufflinks(http://cole-trapnell-lab.github.io/cufflinks/)来分析使用Bowtie2获取的BAM文件以计算每个基因(图25中显示的每个基因)的FPKM(RPKM)。(3-3)RNA的分类通过将心肌梗塞小鼠模型中每种RNA的表达水平(FPKM值)除以假手术小鼠中相应RNA的表达水平(FPKM值)来进行值的计算(以下也称为“MI/Sham”)。MI/Sham大于1或小于1的RNA被分类为组4，MI/Sham大于1.5或小于0.67的RNA分类为组5，MI/Sham大于2或小于0.5的RNA被分类为组6，MI/Sham大于5或小于0.2的RNA分类为组7(图30)。在心肌梗塞小鼠模型中在左冠状动脉结扎后8周内观察到组3的RNA在测试器官(心脏、大脑、肺、肾脏、脂肪组织、肝脏、骨骼肌、睾丸、脾、胸腺、骨髓、胰腺以及耳朵)中表达；即，它们是其中FPKM值为1以上的RNA。此外，图31示出了MI/Sham大于5或小于0.2的被分析RNA中的每个器官中RNA表达的时程变化。(4)cDNA合成和通过实时PCR进行相对表达水平的定量选择RNA分析中MI/Sham较大或较小的基因，并通过实时PCR来对其表达进行确认(图32)。将从各组织获取的1μg的总RNA用作cDNA合成的模板，根据SuperscriptIIIFirst-StrandSynthesisSupermix(LifeTechnologies)的标准操作说明使用OligodT20引物合成cDNA。用10倍稀释的TE缓冲液(10mMTris-HCl，pH8.0，0.1mMEDTA)将合成的cDNA稀释20倍之后，使用根据LightCycler480SYBRGreenIMaster(Roche)标准操作说明的LightCycler480II(Roche)进行实时PCR，并测量Cp值。通过比较对每种基因获得的Cp值与作为参照基因的β2-微球蛋白(B2m)或Maea的Cp值来计算每种基因相对于参照基因的相对表达水平，并确定MI/Sham。用于实时PCR的引物对如表10-1至10-3所示。然而，使用用于Hba-a的引物组，不能在PCR中区别Hba-a1和Hba-a2，并且使用用于Hbb-b的引物组，不能在PCR中区别Hbb-b1、Hbb-bs和Hbb-bt。因此，当样品中存在Hba-a1和Hba-a2，或Hbb-b1、Hbb-bs和Hbb-bt时，表达水平是它们的总量。2.年轻发病痴呆模型2-1.年轻发病痴呆小鼠模型、器官采集和血液采集使用雄性小鼠(SAMP8/TaSlc)(以下也称为“SAMP8”；JapanSLC，Inc.)作为年轻发病痴呆小鼠模型，使用雄性小鼠(SAMR1/TaSlc)(以下也称为“SAMR1”；JapanSLC，Inc.)用作对照小鼠。小鼠的SAM系是由ToshiioTakeda(Jpn.J.Hyp.，51，569-578，1996)报道的衰老加速用的小鼠模型。使用8周龄(早期)、16周龄(中期)和32周龄(晚期)的小鼠进行避暗实验(step-throughtest)，每个病期10只小鼠，在SAMP8系和SAMR1系的每一系中，并且在早期、中期和晚期选择小鼠，每个病期6只小鼠。(1)避暗实验小鼠在第1天进行驯化和获取试验，并在第2天进行保留试验。每个试验使用穿梭箱(MuromachiKikaiCo.，Ltd.)进行。穿梭箱具有在一侧的光室和在另一侧的暗室，并且在两个区室之间设有可打开的隔板。仅在暗室中施加电。在驯化中，将小鼠置于光室中，10秒钟后，打开隔板。小鼠移至暗室后立即关上隔板，状态保持10秒钟。没有给予电击。在获取试验中，将小鼠置于光室中，10秒钟后，打开隔板。从这一时间点开始，测量等待时间(直到小鼠移动到暗室所用的时间)直到达到300秒。当小鼠移动到暗室，迅速关闭隔板，并给予电击(0.2mA，3秒)。当即使300秒后小鼠没有移动到暗室时，强迫小鼠移动到暗室；然后关闭隔板，并给予电击(0.2mA，3秒)。在保留试验中，将小鼠置于光室中，10秒钟后，打开隔板。从这一时间点开始，测量等待时间(直到小鼠移至暗室的时间)直到达到300秒。(2)动物的选择和分组测定保留试验中每个系和每个周龄的小鼠的等待时间的平均值。在每种情况下按照保留试验中的等待时间与平均值的接近程度顺序选择同种且同周龄的六只小鼠(三只用于提取RNA，三个用于提取代谢物)。当小鼠显示相同等待时间时，选择具有较小个体识别号的小鼠。表6显示了避暗实验的结果。表6(3)器官采集和血液采集首先要被采集器官以提取代谢物的每只小鼠在异氟烷的麻醉下进行剖腹术，并且使用注射器和注射针从腹腔静脉采集血液。将获取的血液收集在微量采血管(带有K2E(K2EDTA)的BDMicrotainer管)中并储存在冰中直至离心。离心后，分离血浆。将所得血浆储存在-80℃。采集血液后，通过颈椎脱臼使小鼠安乐死以采集器官，采集14种器官(心脏、脑、肾脏、脂肪组织(附睾周围)、棕色脂肪、脾、肝脏、肺、睾丸、肌肉、胰腺、胸腺、胃和大肠)。测量采集的器官湿重之后，将器官在液氮中快速冷冻并储存在-80℃。将要采集器官以用于提取RNA的每只小鼠，在无麻醉状态通过颈椎脱臼使安乐死，采集16种器官(肌肉、棕色脂肪、心脏、肺、胸腺、肾脏、肝脏、大肠、胃、脂肪组织(附睾附近)、睾丸、脾、胰腺、脑、耳、骨髓)。测量器官的湿重后，将器官在液氮中快速冷冻并储存在-80℃。2-2.代谢物的测量(1)代谢物的提取对于大脑、脂肪组织(附睾周围)、棕色脂肪、脾、胰腺、睾丸、胃、大肠，肝脏、肾脏、肺、心脏和骨骼肌，将每种器官的组织以及含有内标物质的50％乙腈(溶液ID：304-1002；HMT)(每50mg组织用1500μL)分别置于含有Zr珠(5个珠子(5mm)，1个珠子(10mm))的均质化用试管(BioMedicalScienceInc.)中，并用ShakeMasterNeoV.1.0(BioMedicalScienceInc.)进行均质化，由此获取各个样品(1500rpm，60秒×3)。对于胸腺，将其组织和含有内标物质(溶液ID：304-1002；HMT)(每50mg组织用1500μL)的50％乙腈放入含有Zr珠(1个珠子(5mm)，5个珠子(3mm))的均质化用试管(BioMedicalScienceInc.)，并用TomySeiko公司的MS-100R进行均质化(1500rpm，60秒×3)。均质化不充分时，进行均质化直至组织被均质化。将均质化后的样品离心(2300×g，4℃，5分钟)，并使800μL的每个上清液使用超滤单元杯(UFC3LCCNB-HMT，5k；HMT)(9100×g，4℃，5小时)进行超滤。超滤后的各样品在减压下干燥，重新溶解于50μL的MiliQ中并测量。对于血浆，将450μL含有内标物质(溶液ID：304-1002；HMT)的甲醇，将500μL氯仿和200μL的MiliQ加入到50μL样品中。将混合物涡旋并离心(2300×g，4℃，5分钟)，并对400μL上清液进行超滤(UFC3LCCNB-HMT，5k；HMT)(9100×g，4℃，5小时)。超滤后的样品进行减压干燥，减压干燥后的样品溶解于50μL的MiliQ中并进行测定。(2)CE-MS测量AgilentCE-TOFMS系统(AgilentTechnologies)用于CE-MS，熔融石英毛细管(内径50μm×80cm)用于CE的毛细管柱。作为CE中的电泳缓冲液，阳离子使用阳离子缓冲溶液(p/n：H3301-1001；HMT)，阴离子使用阴离子缓冲液(p/n：I3302-1023；HMT)。阳离子侧的测量条件在以下样品注入条件下进行电泳：压力注射：50mbar，10秒；CE的电泳电压：27kV。电子电离能为4000V，待扫描范围为50-1000。分别注入5nL的每个样品。CE电压：正性，27kVMS电离：ESI正性MS毛细管电压：4000VMS扫描范围：m/z50-1000鞘液：HMT鞘液(p/n：H3301-1020)阴离子侧的测量条件在以下样品注入条件下进行电泳：压力注射：50mbar，25秒；CE的电泳电压：30kV。电子电离的能量为3500V，待扫描范围为50～1000。分别注入5nL的每个样品。CE电压：正性，30kVMS电离：ESI负性MS毛细管电压：3500VMS扫描范围：m/z50-1000鞘液：HMT鞘液(p/n：H3301-1020)(3)CE-MS数据的分析对图28所示的代谢物进行分析。用自动积分软件MasterHandsver.2.16.0.15(由KeioUniversity开发)处理检出峰。自动提取信噪比(S/N)为3以上的峰，并使用质荷比(m/z)、峰面积值和迁移时间(MT)进行代谢物识别。目标物是在HMTCE-MS注释列表中列出的代谢物。对于每个识别的代谢物，测量目标离子的峰面积并使用内标的峰面积和样品量对其进行归一化。将SAMP8中每个代谢物的峰面积除以SAMR1(对照)中相应代谢物的峰面积。得到的值(SAMP8/Control值)示于图33中。2-3.RNA分析(1)从每种组织提取RNA将每个冷冻保存的组织在TRIzol试剂(LifeTechnologies)中使用CellDestroyerPS1000(ProSenseInc.)或PT10-356TPolytron均质化器(Kineatica)分别均质化。在试管中用TRIzol试剂均质化的组织在室温下温育5分钟以分离蛋白质，每毫升TRIzol加入0.2mL氯仿，盖好试管。随后，将各管中的混合物剧烈涡旋15秒。涡旋后，将混合物在室温下温育3分钟，然后在4℃以12000×g离心15分钟，收集含RNA水层至新鲜试管中。向收集的水层中加入等量的70％乙醇，并混合。然后，将700μL的混合物添加到每个RNeasymini柱(Qiagen)，根据RNeasymini试剂盒(Qiagen)标准协议收集纯化的RNA。通过1％琼脂糖电泳评估每种收集的RNA的品质。每种收集的RNA的浓度由Nanodrop测量。(2)获取RNAseq数据使用在以下过程中描述的样品得到RNAseq数据。i.品质检查基于以下条目进行样品的品质测试。·使用Agilent2200TapeStationSytem的浓度测量和品质检查ii.样品制备按照标准操作说明，按照以下方式，使用500-1000ng的通过品质测试的每种总RNA样品作为模板，用Illumina的TruSeqRNA样品制备试剂盒制备用于测序的文库。(a)使用Oligo-dT珠的poly(A)-RNA的纯化(b)Poly(A)-RNA片段化(c)反转录/第二链cDNA合成(d)末端修复和3′A增加(e)接头连接注释：接头包含用于样本识别的索引标签。(f)PCR扩增(g)纯化和使用AMPureXP珠移除低分子量物质(＜200bp)iii.使用新一代测序仪获取数据使用IlluminaHiSeq4000新一代测序仪通过根据配对末端法读取100个碱基获取核苷酸序列数据。(3)RNAseq数据的分析和热图的生成(3-1)使用新一代测序仪获取的输出数据的分析对输出数据进行以下信息处理。i.碱基调用：从分析的输出原始数据(图像数据)得到核苷酸序列的文本数据。ii.过滤：通过预定过滤选择读取数据。iii.基于索引序列的排序：基于索引信息对样品数据进行排序。(3-2)输出数据的二次分析将使用IlluminaHiseq获取的数据文件(Fastq格式)上传到下载到本地服务器的Galaxy(https://usegalaxy.org/)。然后，使用Bowtie2(http://bowtie-bio.sourceforge.net/bowtie2/index.shtml)进行分析以将每个序列定位到小鼠基因组图谱信息mm10。使用Cufflinks(http://cole-trapnell-lab.github.io/cufflinks/)来分析使用Bowtie2获取的BAM文件以计算每个基因(图26中显示的每个基因)的FPKM。(3-3)RNA的分类通过将SAMP8中各RNA的表达水平(FPKM值)除以SAMR1(对照)中相应RNA的表达水平(FPKM值)而计算值(以下也称为“SAMP8/CONTROL”)。SAMP8/CONTROL大于1或少于1的RNA被归类为组4，SAMP8/CONTROL大于1.5或少于0.67的RNA被分类为组5，SAMP8/CONTROL大于2或小于0.5的RNA被分类为组6，并且SAMP8/CONTROL大于5或小于0.2的RNA被分类为组7(图34)。在SMAP8小鼠到达32周龄时测试的任何器官中都观察到组3的RNA被表达；即它们是其中FPKM值为1以上的RNA。此外，在分析的RNA中，图35显示了每个器官中组7的RNA的时程变化。3.神经胶质瘤模型3-1.神经胶质瘤小鼠模型、器官采集以及血液采集在移植当天在无麻醉下使用剃头推子剃去7周大的雄性NOD/ShiJic-scidJCI小鼠的头上的毛发。将三种麻醉剂混合物((i)盐酸美托咪啶(商品名：Domitor，NipponZenyakuKogyoCo.，Ltd.)，(ii)咪达唑仑(商品名：Dormicum，AstellasPharmaInc.)，和(iii)酒石酸布托啡诺(商品名：Vetorphale，MeijiSeikaPharmaCo.，Ltd.)进行腹膜内施用以深度麻醉动物。使用脑立体定向仪(型号：68012，RWD)将每只动物的头部固定，并通过切开头部皮肤而使颅骨暴露。操作脑立体定向仪以使注射针接触移植部位上方的颅骨并对颅骨做标记。用牙钻在颅骨的标记区域上钻孔。将装有人胶质母细胞瘤U87-MG的细胞混悬液(待移植的细胞的浓度：1×108个细胞/mL)的微量注射器(型号：80300，Hamilton)连接到设有脑立体定向仪的手动立体定向注射器(型号：68606，RWD)。擦去附着在微量注射器的针的周围的细胞混悬液。转动脑立体定向仪的电极夹的转盘，使微量注射器的针尖缓慢下降至移植位点的硬脑膜。针头穿透硬脑膜，证实脑脊液流出。随后，将针头从那里缓慢插入到脑实质内的3mm的深度处。转动手动立体定位注射器的转盘，在2分钟内注入2μL的细胞混悬液。确认没有回流，并且将微量注射器推进至2μL的标尺。注射后，针头在此状态下保持5分钟。然后，电极夹的转盘慢慢地沿相反的方向转动，以在2分钟的时间内取出微量注射器的针头。撤回微量注射器的针头之后，用消毒纱布(如果有的话)擦掉细胞悬液。用尼龙线缝合切口。腹膜内给药阿替美唑盐酸盐(商品名：Antisedan，NipponZenyakuKogyoCo.，Ltd.)使小鼠从麻醉中苏醒，并将小鼠放回他们的笼子。在溶剂移植组(对照)中，代替细胞混悬液，仅将PBS作为溶剂脑内给药。在移植后的第3天和第7天，通过颈椎脱臼使动物安乐死，并且采集16个器官(肌肉、棕色脂肪、心脏、肺、肾脏、肝脏、大肠、胃、脂肪组织(附睾周围)、睾丸、脾、胰腺、左脑、右脑、耳和骨髓)和血液。测量湿重后，将各器官和血液在液氮中快速冷冻并储存在-80℃3-2.RNA的分析从每个组织提取RNA，获取RNAseq数据，分析RNAseq数据和产生热图，并且如上文“I.iOrgans”的2-1和2-3中所述进行输出数据的二次分析。通过将神经胶质瘤小鼠模型中每种RNA的表达水平(FPKM值)除以对照组小鼠中相应RNA的表达水平(FPKM值)而计算值(以下也称为“Glioma/Control”)。将其中Glioma/Control大于1或小于1的RNA分类为组4，其中Glioma/Control大于1.5或小于0.67的RNA分类为组5，其中Glioma/Control大于2或小于0.5的RNA被分类为组6，并且其中Glioma/Control大于5或小于0.2的RNA被分类为组7(图36)。在神经胶质瘤移植后第7天在检测的器官中观察到组3的RNA被表达；即，它们是其中FPKM值为1以上的RNA。此外，在分析的RNA中，图37示出了每个器官中组7的RNA中的时程变化。4.人肿瘤患者4-1.从人肿瘤患者和健康个体采集皮肤和血液在国家医院组织Kure医疗中心和Chugoku癌症中心的伦理委员会批准下进行的临床研究“HaiganoyobiNyuganKanjakaraSaishushitaSoshikiTaiekinoIdenshiHatsugenKaiseki(采集自肺癌和乳腺癌患者的组织和体液的基因表达分析)”中采集人类样本。从一名女性乳腺癌患者和一名男性肺癌患者中采集血液。从两名女性乳腺癌患者和一名男性肺癌患者采集皮肤。所选患者符合以下标准。入选标准(1)诊断为肺癌或乳腺癌并计划手术的患者在肺癌的情况下，临床I-II期非小细胞肺癌的患者在乳腺癌的情况下，临床I-II期的患者(2)能够充分理解本研究计划并能够自己同意的患者(3)获得同意时年满20岁以上的患者排除标准(1)被研究者认为不适合作为受试者的患者(2)HBs抗原阳性患者、HBc抗体阳性患者、HCV抗体阳性患者、HIV感染患者、HTLV-1感染患者、梅毒阳性患者(3)有癌症病史的患者(4)有心肌梗塞病史的患者(5)有糖尿病病史的患者(6)有肾脏病病史的患者还从五名健康女性采集血液。健康女性的乳房皮肤来自BiopredicInternational。分别采集3mL血液于Tempus血液RNA试管(TempusBloodRNATubes，ThermoFisherScientific)中，收集后立即剧烈摇动10秒，使血液和稳定剂均匀混合，然后在-20℃下保存。将皮肤存储在-80℃直至使用。4-2.RNA的分析从每个组织中提取RNA，获取RNAseq数据，分析RNAseq数据和产生热图，并且如“I.iOrgans”的2-1和2-3中所述进行输出数据的二次分析。通过将乳腺癌患者皮肤中每种RNA的表达水平(FPKM值)除以健康个体皮肤中相应RNA的表达水平(FPKM值)而计算值。其中确定的值为大于1或少于1的RNA被分类为组4，其中所确定的值大于1.5或小于0.67的RNA被分类为组5，其中被确定的值大于2或小于0.5的RNA被分类为组6，其中测定值大于5或小于0.2的RNA分类为组7(图38)。组3中的RNA是其中FPKM值为1以上的RNA。通过将肺癌患者皮肤中每种RNA的表达水平(FPKM值)除以健康个体皮肤中相应RNA的表达水平(FPKM值)来计算值。其中所确定的值为大于1个或少于1的RNA被分类为组4，其中所确定的值大于1.5或小于0.67的RNA被分类为组5，其中被确定的值大于2或小于0.5的RNA被分类为组6，以及所确定的值大于5或小于0.2的RNA分类为组7(图39)。组3的RNA是其中FPKM值为1以上的RNA。将在健康人个体之间观察到较大差异的RNA从结果中排除。更具体地，确定一个健康个体的FPKM值与另一个健康个体的FPKM值的比值；将该比值落在0.75至1.25的范围内的RNA分成多个组。认为FCGR3B、FPR1、HLA-DQA1、LINC00260、LOC286437、MALAT1、MIR1184-1、MIR1247、PRG4、RPL21P44、RPPH1、RPS15AP10、SCARNA4、SNORA31、SNORA77和ZBTB20可以是癌症的标记物，因为它们在乳腺癌和肺癌的皮肤中都有大的变化。此外，通过将乳腺癌患者的血液中的每种RNA的表达水平(FPKM值)除以健康个体中的相应RNA的表达水平(FPKM值)来计算值。确定的值大于1或小于1的RNA被分类为组4，确定的值大于1.5或小于0.67的RNA被分类为组5，确定的值大于2或小于0.5的RNA被分类为组6，并且确定的值大于5或小于0.2的RNA被分类为组7(图40)。组3的RNA是其中FPKM值为1以上的RNA。通过将肺癌患者的血液中的每种RNA的表达水平(FPKM值)除以健康个体的血液中的相应RNA的表达水平(FPKM值)来计算值。其中确定的值为大于1或小于1的RNA被分类为组4，其中确定的值大于1.5或小于0.67的RNA被分类为组5，其中确定的值大于2或小于0.5的RNA被分类为组6，以及确定的值大于5或小于0.2的RNA分类为组7(图41)。组3的RNA是其中FPKM值为1以上的RNA。将在健康人个体之间观察到较大差异的RNA从结果中排除。更具体地说，确定了这些健康个体中每个RNA中FPKM值的平均值(AV)和标准方差(SD)；其中通过用SD值除以AV值所获得的值小于0.25的RNA被分成多个组。HNRNPH2、HP、LOC283663、SNORA40和TCN2被认为可以是癌症的标记物，因为它们在乳腺癌和肺癌的血液中都有大的变化。5.示例为了证明可以从特定器官以外的每个器官中的器官间串扰指标的模式(根据R-iOrgans的理论获取自每个器官的细胞或组织)预测特定器官中的疾病和病期，针对每个病期计算心肌梗塞模型、年轻发病痴呆模型和神经胶质瘤模型中的每一个中的组7的RNA的表达模式两两之间的相关系数。计算每个器官和每个病期中的相关系数。通过修正的斯皮尔曼等级相关法和Z分数法确定相关系数。根据两个器官之间的器官间串扰指标的相关系数计算相似度。5-1.斯皮尔曼等级相关法通过使用分析软件R的函数cor(方法＝“斯皮尔曼”)进行计算。表7-1至7-3显示了结果。表7-1表7-2表7-3表7-1至表7-3显示，在同一器官中，当疾病不同时，ρ值小于0.55。在同一器官且同一疾病情况下，当病期不同时，ρ值小于0.75。换句话说，当标准数据1和测试数据之间获得的ρ值为0.55以上时，被认为可以确定测试数据指示与对应于标准数据1的疾病相同的疾病；当在标准数据1和测试数据之间获得的ρ值是0.75以上时，可以确定测试数据指示与对应于标准数据1的病期相同的病期。5-2.Z分数方法的应用将测试数据中各基因的表达量除以标准数据中相应基因的表达量，并将所得的值用log2换算。换算后的值由xi表示(i＝1，...，基因的数目)。关于xi值，确定所有分析的基因的平均值μ和方差σ。在此，基因i的Z分数zi由以下等式表示。等式3这是一个量化值，表示基因i的换算后的值xi与所有分析基因的平均值的差距。在此，这个值表示与所有分析的基因相比，基因i在表达中表现出特定变化的多少。该值越接近0，基因在表达中表现出特定变化的越少。该值距离0越远，基因在表达中表现出特定变化的越多。基因在表达中表现出特定变化的多少可以通过取该换算后的值zi的中值(Z′)来进行定量。为了分析，使用R来描述用于计算等式1的脚本(script)。表8-1至8-3示出了结果。表8-1表8-2表8-3表8-1至表8-3显示，在同一器官中，当疾病不同时，zi值大于0.35。在同一器官且同一病例的情况下，当病期不同时，zi值小于0.15。换句话说，当标准数据1与测试数据之间获得的zi值落入0.35至0的范围内时，被认为可以确定测试数据指示与对应于标准数据1的疾病相同的疾病；当在标准数据1和测试数据之间获得的zi值落入0.15到0的范围内时，可以确定测试数据表示与对应于标准数据1的病期相同的病期。5-3.基于两个器官之间的器官间串扰指标的模式的相关系数进行的相似度计算根据两个器官之间的器官间串扰指标的模式的相关系数确定后面描述的STZ治疗的小鼠中器官间串扰指标的模式和上述心肌梗塞小鼠模型中的器官间串扰指标的模式之间的相似度。心肌梗塞模型(i)的各病期中的脂肪组织(m)和骨髓(l)之间的器官间串扰指标(RNA表达水平(j))的模式的相关系数rijml表示为rijml。心肌梗塞模型(i)的个体数目由n表示。相关系数根据上述斯皮尔曼等级相关法来计算。在此分析中，n的数目是2。在这种情况下，脂肪组织和骨髓之间的器官间串扰指标的模式的相关系数由概率模型p(以下等式)表示。等式4其中riml是n个相关系数rijml的平均值，σ2iml是相关系数rijml的样本方差。后述的STZ给药模型的脂肪组织和骨髓之间的RNA表达水平的模式的相关系数通过使用上述等式确定。该值表示为：{r’ml}m，l∈(采集的器官)。在此情况下，相关性{r’ml}m，l∈(采集的器官)相对于心肌梗塞模型i的拟然值Li通过使用以下等式计算。等式5表9-1示出了心肌梗塞模型和STZ给药模型中拟然值的确定结果。计算两个器官(即，脂肪组织和骨髓)之间的拟然值。也在三个器官(即，脂肪组织、骨髓和肝脏)两两之间确定在心肌梗塞模型和STZ给药模型中的拟然值。首先，在心肌梗塞模型的每个病期中，计算脂肪组织和骨髓之间的RNA表达水平的模式的相关系数、脂肪组织和肝脏之间的RNA表达水平的模式的相关系数、以及肝脏和骨髓之间的RNA表达水平的模式的相关系数。进一步，在STZ给药模型中，计算脂肪组织和骨髓之间的RNA表达水平的模式的相关系数、脂肪组织和肝脏之间的RNA表达水平的模式的相关系数、以及肝脏和骨髓之间的RNA表达水平的模式的相关系数。接下来，针对心肌梗塞模型的每个病期，使用心肌梗塞模型中脂肪组织与骨髓之间的RNA表达水平的模式的相关系数以及STZ给药模型中脂肪组织与骨髓之间的RNA表达模式的相关系数来计算拟然值，使用心肌梗塞模型中的脂肪组织与肝脏之间的RNA表达水平的模式的相关系数以及STZ给药模型的脂肪组织与肝脏之间的RNA表达水平的模式的相关系数来计算拟然值，使用心肌梗塞模型的肝脏和骨髓之间的RNA表达水平的模式的相关系数和STZ给药模型的肝脏和骨髓之间的RNA表达水平的模式的相关系数来计算拟然值。针对心肌梗塞模型的每个病期，计算这些拟然值的乘积。表9-2显示了获取的值。表9-1表9-2II.D-iOrgans1.成年小鼠中D-iOrgans的分析1-1.STZ的施用和器官采集以STZ为75mg/kg的量，将链脲霉素(streptozotocin，STZ)的0.01％柠檬酸盐缓冲液(pH4.5)连续3天腹腔内施用给4周龄的雄性C57BL/6NCrSlc小鼠(给药溶液量：10mL/kg)。作为溶剂的0.01％柠檬酸盐缓冲液(pH4.5)连续3天腹腔内施用于对照组(给药溶液量：10mL/kg)。在STZ或溶剂施用后的第二天，采集器官和组织(心脏、脑、肾脏、脂肪组织(附睾周围)、棕色脂肪、脾、肝脏、肺、睾丸、肌肉、胰腺、胸腺、骨髓、胃、大肠和耳(皮肤))。将要被采集器官和组织的动物从解剖前一天禁食过夜。在解剂当天，切下每只小鼠的尾静脉，用简单的血糖仪测量血糖水平。第二天，将小鼠无麻醉地颈椎脱臼安乐死，并采集器官和组织。测量采集的器官和组织的湿重后，将器官和组织快速冷冻在液氮中，并储存在-80℃。表11显示了施用STZ后小鼠的血糖水平。如果将STZ长时间(一周以上)给小鼠施用，则小鼠变成高血糖(1型糖尿病模型)。因此，在本示例中，测定各器官中在变成高血糖前的影响。相应地，本示例中各器官中基因表达的变化被认为反映了STZ作为抗癌药物的作用，而不是由于高血糖引起的全身性变化，这已是公知的。1-2.代谢物的测量从脑、脂肪组织(附睾周围)、棕色脂肪，脾、胰腺、睾丸、胃、大肠、肝脏、肾脏、肺、心脏、骨骼肌、胸腺和血浆中提取代谢物。提取代谢物的方法、CE-MS测量条件和CE-MS数据的分析如“I.iOrgans”的2-1和2-2中所述。图42显示了测量结果。1-3.RNA的分析如上文“I.iOrgans”的2-1和2-3中所述，从每个组织中提取RNA，获取RNAseq数据，分析RNAseq数据和产生热图，并且进行输出数据的二次分析。通过将使用STZ的D-iOrgans中每种RNA的表达水平(FPKM值)除以对照组小鼠中相应RNA的表达水平(FPKM值)来计算值(以下也称为“STZ/Control”)。其中STZ/Control大于1或小于1的RNA分类为组4，STZ/Control大于1.5或小于0.67的RNA分类为组5，STZ/Control大于2或小于0.5的RNA被分类为组6，并且其中STZ/Control大于5或小于0.2的RNA被分类为组7(图43)。1-4.cDNA合成和通过实时PCR定量相对表达水平选择在RNA分析中STZ/Control较大或较小的基因，并通过实时PCR来确认它们的表达。根据“I.iOrgans”的1-4(4)中描述的过程进行实时PCR，从而测量Cp值。通过将获取的每个基因的Cp值与作为参照基因的β2-微球蛋白(B2m)或Maea的Cp值进行比较来计算每个基因相对于参照基因的相对表达水平，并确定STZ/Control。实时PCR中使用的引物对如表10-1至10-3所示。图44显示了实时PCR的结果。在图44所示的基因中，证实了Hamp显示了图30所示的心肌梗塞模型(中期：1周，耳：皮肤)中的变化。Saa1也被证实显示心肌梗塞模型(中期：1周，心脏)中的变化。Hamp已经被报道参与铁代谢(http://ghr.nlm.nih.gov/gene/HAMP)。该基因在心脏中表达的增加表明了需要增加流向心脏中的心脏细胞(如心肌细胞和内皮细胞)的血液中铁摄取需求的可能性。因此，STZ被认为可以减少心脏细胞中的铁的量，即，导致心脏局部处于贫血状态。此外，认为心脏增加了Hamp的表达以摄入(不足的)铁)。此外，已经报道Saa1参与炎症(http://www.ncbi.nlm.nih.gov/gene/6288)。该基因在STZ给药小鼠的肝脏中的表达的增加表明STZ很可能在肝脏中引起炎症反应。2.小鼠胚胎中的D-iOrgans分析2-1.STZ的使用和器官采集称量75mg的STZ并在冰冷却下溶于10mL的0.01M柠檬酸盐缓冲溶液(pH4.5)中。使用时将上述制备的STZ溶液在妊娠第13天每天1次连续3天腹腔内给药(给药溶液量：10mL/kg)于小鼠(C57BL/6NCrSlc)。对于对照组，每天1次连续3天(给药液量：10mL/kg)腹腔内给药作为培养液的0.01M的柠檬酸盐缓冲液(pH4.5)。在妊娠的第16天，给药组和对照组的小鼠在没有麻醉的情况下通过颈椎脱臼安乐死，从每只母鼠采集四个胚胎，在液氮中冷冻并储存。2-2.RNA的分析(1)RNA的提取使用PT10-35GTPolytron均质化器(Kineatica)将各冷冻保存的胚胎的组织分别在TRIzol试剂(LifeTechnologies)中进行均质化。将试管中经过均质化的组织与TRIzol试剂在室温下温育5分钟以分离蛋白质，每毫升TRIzol中加入0.2mL氯仿，盖好试管。随后，将各试管中的混合物剧烈涡旋15秒钟。涡旋后，将混合物在室温下温育3分钟，并以12000xg在4℃下离心15分钟，将含有RNA的水层收集到新鲜的试管中。向收集的水层中加入等量的70％乙醇并混合。然后，将700μL混合物施加到每个RNeasymini柱(Qiagen)，根据RNeasymini试剂盒(Qiagen)标准操作说明收集纯化的RNA。用1％琼脂糖凝胶电泳分析评价每个收集的RNA的品质。通过Nanodrop测量每个收集的RNA的浓度。(2)获取RNAseq数据通过以下过程使用上述样品获取RNAseq数据。i.品质检查样品的品质测试是基于以下条目进行的。·使用Agilent2100生物分析仪(G2939A)(AgilentTechnologies)进行浓度测量和质量检查。ii.样品的制备用500-1000ng通过品质测试的总RNA样品作为模板，以如下方式，用SureSelect链特异性RNA文库(SureSelectStrand-SpecificRNAlibrary)制备试剂盒制备用于HiSeq新一代测序仪(next-generationsequencer)的文库。详细过程根据试剂盒的操作说明进行。(a)使用Oligo(dT)磁珠从总RNA采集poly(A)RNA(＝mRNA)(b)RNA的片段化(c)cDNA合成(d)双链cDNA合成(e)末端修复，磷酸化，A末端增加(f)接头与索引的连接(g)13个循环的PCR(h)使用磁珠的纯化文库制备试剂试剂盒：SureSelect链特异性RNA文库制备试剂盒(G9691A)(AgilentTechnologies)试剂：放线菌素D(A1410)(Sigma)试剂：DMSO(分子生物学级)(D8418)(Sigma)试剂：无核酸酶水(未DEPC处理的)(AM9930)(Ambion)纯化试剂盒：AMPureXP珠(A63880)(BeckmanCoulter)iii.使用新一代测序仪获取数据使用IlluminaHiSeq2000新一代测序仪通过根据配对末端法读取100个碱基获取核苷酸序列数据。(a)加入测序试剂(b)单碱基延伸反应(c)除去未反应的碱基(d)掺入荧光信号(e)去除保护基团和荧光重复该循环(例如，循环2，循环3...)，并且这些步骤进行到100个循环。(f)对于相反的链(读数2)，(a)至(e)进行了100次循环。(2)RNAseq数据的分析和热图的生成(2)-1对使用新一代测序仪获取的输出数据的分析对上述输出数据进行以下信息处理。i.碱基调用：从分析的输出原始数据(图像数据)获取核苷酸序列的文本数据。ii.过滤：通过预定的过滤选择读取数据。iii.基于索引序列进行分类：根据索引信息对样本数据进行分类。(2)-2输出数据的二次分析将使用IlluminaHiseq获取的数据文件(Fastq格式)上传到下载到本地服务器的Galaxy(https://usegalaxy.org/)。然后，使用Bowtie2(http://bowtie-bio.sourceforge.net/bowtie2/index.shtml)进行分析以将每个序列定位到小鼠基因组图谱信息mm10。使用Cufflinks(http://cole-trapnell-lab.github.io/cufflinks/)来分析使用Bowtie2获取的BAM文件以计算每个基因的FPKM。通过将使用STZ的D-iOrgans中每种RNA的表达水平(FPKM值)除以对照组小鼠中相应RNA的表达水平(FPKM值)来计算值(以下也称为“STZ/Control”)。其中STZ/Control大于1或小于1的RNA分类为组4，STZ/Control大于1.5或小于0.67的RNA分类为组5，STZ/Control大于2或小于0.5被分类为组6，并且其中STZ/Control大于5或小于0.2的RNA分类为组7(图45)。表11解剖时体重血糖动物编号(g)mg/dL00111.8121对照00213.2110对照00312.0143对照20112.865STZ20212.883STZ20310.342STZ参考标记说明：1预测装置2预测装置3预测装置4输入单元5显示单元6装置11测试数据获取单元12模式相似度计算单元13预测单元21病期信息获取单元22病期信息检查单元23模式提取单元24预测单位31测试数据获取单元32模式相似度计算单元33预测单元100系统101CPU102存储器103存储单元104总线105接口单元109存储介质110系统120系统当前第1页1 2 3