本发明属于医药卫生行业个性化用药领域，具体地说，是一种基于个体分子生理组学数据的癌症个体化干预策略选择方法。
背景技术：
现代医学体系的结构建立在有限的观测指标体系之上。循证医学的本质，就是依据从各类检查中获得的诊断性指标对患者进行分类从而对症下药。这种基于客观、真实的观察指标而不是“想象”的研究始终是医学的根本，这一点过去、现在、将来都不会改变。
但现代医学有限的指标体系造成现有疾病诊断分类框架比较粗糙。使用当前指标体系下的疾病概念定义对患者进行分类，并不能使所有患者都得到稳定的疾病干预响应，特别是在癌症干预方面。
使疾病分类更加细致，提高病人对疾病干预的响应是下一代医学科技的核心本质，也是精准医疗需要解决的关键问题之一。
分子技术手段的发展为疾病的诊断分类提供了更加丰富的指标体系去描述细胞行为和组织状态。分子技术手段为医学科技的升级发展提供了跨越式的坚实基础，尤其是以下一代测序技术为首的组学技术手段。随着测序成本的不断下降，测序技术已经达到了个体化应用水平，为提高个体对于干预(此处干预指手术、放疗、化疗、激素治疗和免疫治疗等所有已知的癌症干预手段)的响应率提供了新的全面的技术基础。
当前主流的癌症个体化干预策略的选择范式，是依据癌症的病因(特别是基因组变异)，利用分子技术手段对基于病理特征分型的癌症进一步细分成小类，再针对具体的病因(通常是变异的基因)，按传统的新药研发流程研发药物。这样做的好处是：一，病因明确，针对性研发药物的成功率较高；二，直接利用传统的新药研发流程，技术成熟，运行顺畅。然而，这一范式也有较大的缺陷：一，癌症成因多样，按病源基因细分则分类过细，每一类患者人数较少，按传统新药研发流程研发费用巨大，平均收益递减。二，新药研发工作量大，周期长，收益缓慢。以美国NCI-MATCH试验为例，截至2016年5月，795例复发性实体瘤和淋巴瘤患者中只有2％的病人被靶向药物覆盖。三，癌症具有异质性，靶向杀灭特定克隆的癌细胞往往导致其它克隆扩增，造成复发和耐药。
技术实现要素：
本发明的目的是提供一种能够提高癌症干预效果的基于干预响应的个体化干预策略选择方法。本发明提出的方法具有很高的扩展性和临床转化性，可以推广应用于其它复杂疾病的个体化干预策略选择系统的开发，通过测序目标癌组织样本分子生理组学数据(包括但不限于转录组、表观遗传组等与细胞生理和细胞功能相关的组学数据)，利用已建立的干预响应模型库和干预响应特征分子数据库，比较目标样本与干预响应模型库中模型的组学的差异，判断目标样本和模型对于干预的响应(相关的生物途径或生理功能)是否存在差异。如果组学差异对于干预响应的相关机制(包括但不限于干预作用机制以及耐药、转移机制)没有影响，则可据此推荐个体化干预策略的方案。
本发明是通过以下技术方案来实现的：
本发明公开了一种基于个体分子生理组的癌症个体化干预策略选择方法，具体步骤如下：
1)、建立干预响应模型库；
2)、当新病例出现时，对比新病例与模型的用药前组学差异，分析该差异可能造成的生物途径/生理功能差异；
3)、当发现可能的生物途径/生理功能差异与干预的作用模式无关，则报告病例与模型匹配，推荐模型所响应的干预策略作为新病例的推荐干预策略；
4)、当新病例与所有模型均不匹配，则新病例按医生经验进行干预，同时发展基于该病例的个体化疾病模型进行药物筛选，当发现有效的响应时将该病例加入模型库。
作为进一步地改进，本发明所述的步骤1)中，模型库的建立主要依托组学测序技术，首先根据一定数量的核心种子模型对干预的不同响应来对这些样本分组。
作为进一步地改进，本发明所述的一个干预响应模型是临床观察到的一个病例对一种用药方案有较好的响应，或是利用个体化疾病模型筛选药物获得的较好的响应。
作为进一步地改进，本发明所述的步骤2)中，根据干预响应特征分子数据库中某一特定干预响应相关的分子特征集合，定义步骤1)干预响应模型数据库中对应模型。
作为进一步地改进，本发明所述的干预响应特征分子数据库可以通过两种方式得到：一、由现有知识体系中干预作用途径相关的文献和数据整理得到；二、由样本分子生理组学数据驱动，通过基因间功能关联网络从特征类在进行干预前后组学数据发生的变化中提取出干预作用相关的信号(包括但不限于和生物途径/生理相关的差异表达基因集等)，作为该类干预响应的特征分子集，自驱动构建干预响应特征分子数据库。
作为进一步地改进，本发明所述的步骤3)中，当病例与现有干预响应模型数据库中的模型匹配成功，则将适用于模型的干预策略作为患者的候选干预策略，当病例与现存所有干预响应模型都不能匹配成功，则根据医生经验推荐用药。
作为进一步地改进，本发明所述的步骤4)中，当病例与现有干预响应模型库中所有模型都匹配失败，则病例将按医生经验进行干预，同时该病例将被作为研究样本，建立个性化疾病模型，对其进行药物筛选，根据药物筛选结果和医生经验进行干预的反馈(干预有响应或药物有效则作为正例子加入模型，干预无响应或药物无效则作为负例子加入模型)，取用药后的个性化疾病模型组织进行测序，收集分子生理组学数据，用于建立新的干预响应模型和新的干预响应特征分子集，对干预响应模型库和干预响应特征分子数据库进行更新。
本发明有两大创新点：一，目前尚无基于分子生理组学数据寻找个体化干预策略的实践方法。转录组或表观遗传组等分子生理组学数据能够敏感地反映疾病所导致的细胞生理状态的改变，为癌症的进一步细分提供丰富的分子生理指标；二，本发明对癌症的进一步细分的标准基于它们对干预的响应，通过比较患者和药物响应模型库中已知干预响应反应的典型癌组织模型对不同干预响应的分子生理特征的差异，找到与患者最相近的典型癌组织模型，根据这些模型对干预的响应来推荐患者最适干预策略。这两大创新点将简化现有癌症的诊断周期，提高癌症的后续干预响应效果。
本发明的有益效果如下：
1)、本发明所依托的样本数据类型与生理水平表型相关性高。转录、表观遗传、蛋白等与细胞生理和功能相关的组学数据，对于疾病的干预响应效果更加敏感，能提供丰富的指标观察疾病导致的分子水平生理改变，适于临床转化和实际推广。
2)、本发明避免了在生理表型不产生影响或影响很小的碱基变异或结构变异的分析上花费大量无效的时间与成本，加快干预策略的搜索用时，显著提高癌症疾病恶化进程速度快的患者的生存率和干预响应率。
3)、本发明大幅减少分类类别数量，有效避免了边际效应的产生。一方面，本发明的类别是通过干预在分子水平的响应所定义的，建立的系统本质上是将病例在生理水平上对药物的响应特异性进行分类。这种分类相较于基于病源基因变异的分类，所需的类别更少，也即用更少类别的代表性病例即可覆盖整个疾病空间。另一方面，这种分类方式更加接近精准医疗的目标—选择最佳的药物响应。
4)、本发明最大化利用了已批准用药方案的精准干预响应能力。新病例在搜索模型库中可匹配模型的过程，即是搜索潜在已批准的用药方案的过程。如病例搜索到可匹配模型，则可直接利用模型对应的已知用药方案进行干预。
5)、本发明避开了个体化疾病模型进行药物筛选的速度限制。建立个体化疾病模型(如PDX小鼠)进行药物有效性筛选通常需要较长的时间。特别是为了筛选更多的药物，则需要更长的时间积累足够数目的模型动物。等待时间过长可能导致患者错过最佳的救治时间。新病例若能与模型库中模型匹配成功，则可以直接利用已知干预策略，节约了开发个体化疾病模型的成本和时间，同时提高了匹配失败的病例的个体化疾病模型开发优先级。
6)、本发明构建的系统具有在线学习能力，投入运转成本低，只需要少量核心种子建立起模型数据库，系统就能以自组织的方式，扩大特征类数量和干预种类。在线学习能力保证了不匹配的病例检出率与该病例所在疾病患者群体的大小占整个疾病患者群体的比例相关。即对干预响应反应相同的患者占患该疾病患者群体总数的比例越大，这类患者对应的干预响应模型被发现并归入模型库的时间就越早，一旦新的具有该类干预响应特征的病例进入系统，系统将会快速对患者做出干预策略推荐。
附图说明
图1为本发明技术方案的流程示意图。
具体实施方式
本发明公开了一种基于个体分子生理组数据的癌症个体化干预策略选择方法，这一发明的基本模式是：一，建立干预响应模型库。模型库的建立主要依托转录组测序技术，首先根据一定数量的核心种子模型对干预的不同响应来对这些样本分组。一个干预响应模型可以是临床观察到的一个病例对一种干预策略有较好的响应(已知干预响应结果的癌组织样本)；也可以是利用个体化疾病模型(如PDX小鼠、Organoid模型等)筛选药物获得的较好的响应。二，当新病例出现时，对比新病例与模型的干预前转录组差异，分析该差异可能造成的生物途径/生理功能差异。三，如发现可能的生物途径/生理功能差异与干预的作用模式(包括药效机制和耐药机制)无关，则报告病例与模型匹配，推荐模型所响应的干预策略作为新病例的推荐干预策略。四，如新病例与所有模型均不匹配，则新病例按医生经验进行干预，同时发展基于该病例的个体化疾病模型进行药物筛选，当发现有效的响应时将该病例加入模型库。
具体实现步骤是：
1)、构建干预响应模型库：在初始化干预响应模型库时，收集一定数量已知干预响应结果的癌组织样本的干预响应前和干预响应后分子生理组数据(包括但不限于转录表达谱数据、表观遗传组数据等)，用于核心种子干预响应模型的建立。当系统投入运作后，随着模型数量累积足够多且体外试药实验体系建立完善后，可对干预范围进行多阶段扩充，将目前市场上获取渠道有限的抗癌药物以及抗生素等非肿瘤药物纳入本发明的个体化干预策略选择系统。
2)、定义干预响应特征分子数据库：可以根据不同数据源和构建方法产生多个干预响应特征分子数据库。可以综合不同数据源和构建方法产生的干预响应特征分子库的结果增加系统给出个体化干预策略选择策略的可靠性。根据数据源来划分，特征分子数据库可以通过两种方式得到：一、由现有知识体系中干预作用途径相关的文献和数据整理得到；二、由样本分子生理组数据驱动，通过基因间功能关联网络从特征类在进行干预前后组学数据发生的变化中提取出干预作用相关的信号，作为该类干预响应的特征分子集，自驱动构建干预响应特征分子数据库。
3)、根据2)中干预响应特征分子数据库中某一特定干预响应相关的分子特征集合，定义1)干预响应模型数据库中对应模型。
4)、病例样本的数据生产及分析：对癌症患者活检得到的组织样品进行重测序，以严格规范的测序标准，得到患者癌组织分子生理组数据。
5)、对病例和模型数据库中模型进行匹配：通过生物信息学方法，得到患者癌组织和干预响应模型在分子生理组水平上的分子生理特征差异(包括但不限于差异表达基因、单碱基突变、结构变异等)，根据该分子生理特征差异集与2)建立的干预响应特征分子数据库中所对应的分子特征集功能关联的强度，判断病例与模型是否匹配。如果患者与模型的分子生理特征差异与对应干预作用模式相关的分子特征集功能关联不显著，则认为患者与此干预响应模型匹配。反之，若患者与干预响应模型的分子生理特征差异和对应干预作用模式相关分子特征集功能关联显著，则认为该患者与此模型匹配失败。
6)、选择个体化干预策略：如果病例与现有干预响应模型数据库中的模型匹配成功，则将适用于模型的干预策略作为患者的候选干预策略。如果病例与现存所有干预响应模型都不能匹配成功，则根据医生经验推荐用药。
7)、干预响应模型库和干预响应特征分子数据库的更新：在6)中如果病例与现有干预响应模型库中所有模型都匹配失败，则病例将按医生经验进行干预，同时该病例将被作为研究样本，建立个性化疾病模型(PDX小鼠、organoid模型等)，对其进行药物筛选，根据药物筛选结果和医生经验进行干预的反馈，取用药后的个性化疾病模型组织进行测序，收集分子生理组数据，用于建立新的干预响应模型和新的干预响应特征分子集，对干预响应模型库和干预响应特征分子数据库进行更新。
下面通过具体实施例对本发明的技术方案作进一步地说明：
实施例1：洛伐他汀选择性诱导多发性骨髓瘤细胞系凋亡--基于药物作用模式相关的生物途径对样本匹配
本实施例首先收集了Clendening JW等人已发表并在线公开的4个多发性骨髓瘤细胞系洛伐他汀处理前后的转录组表达谱数据(PMID:20360469)。其中H929和KMS11为洛伐他汀敏感细胞系，加入洛伐他汀12小时后发生凋亡。LP1和SKMM1为洛伐他汀不敏感细胞系，加入洛伐他汀后不发生凋亡。
本实施例将多发性骨髓瘤细胞系H929作为已知药物处理后表型的细胞系(即药物响应模型库中对洛伐他汀响应的模型)，将另外三组多发性骨髓瘤细胞系KMS11、LP1及SKMM1作为未知处理后表型的细胞系(即新病例)。
本实施例比较了H929在给药前与LP1、KMS11和SKMM1在未进行洛伐他汀处理条件下的表达谱差异，根据差异显著性排序，将表达差异最显著的100个基因作为两个细胞系差异信号分子，用于同H929的洛伐他汀药物响应特征生物途径进行匹配。
他汀类药物是一类常见的降脂药物,可以通过抑制肝脏载脂蛋白的合成减少脂蛋白的合成和分泌。最近的研究显示他汀具有抗肿瘤活性，能刺激细胞凋亡，具有作为抗癌药物的潜力。数据表明，在前列腺癌中洛伐他汀的抗肿瘤活性体现在诱导细胞凋亡和细胞生长停止方面，通过抑制RhoA的激活，进而诱导caspase酶活性和G1细胞周期停滞。洛伐他汀会抑制Rb，磷酸化的Rb，细胞生长周期调节蛋白D1,D3,CDK3,CDK6的表达，同时诱导癌细胞中p21和p27的升高。洛伐他汀还会抑制RhoA和激活以及c-JUN的表达。
本实施例提取了现有文献和数据中洛伐他汀药物作用模式相关的生物途径，利用自主开发的基因集功能关联分析方法，对Gene Ontology数据库中药物作用模式相关的生物途径对应的分子集合与细胞系之间的差异信号分子集合进行了基因集功能关联分析。
脂代谢途径是与洛伐他汀药物作用相关的重要途径之一。如附表1结果显示，H929细胞系与LP1、SKMM1细胞系的差异信号分子均与脂代谢途径显著相关，而H929细胞系与KMS11细胞系的差异信号分子与脂代谢途径没有检测到显著相关。脂代谢途径之间的差异会造成LP1与SKMM1对他汀的药物响应方式与H929细胞系对他汀的药物响应方式存在差异。因此LP1与SKMM1不能匹配到洛伐他汀响应模型组别中，而KMS11由于与H929对洛伐他汀药物作用相关的途径不存在差异，因此这两个细胞系之间的差异不会影响洛伐他汀的药理作用，可以与洛伐他汀响应模型匹配。
附表1洛伐他汀药物响应特征生物途径与模型H929和新病例的差异信号分子集的功能关联显著性
根据以上分析结果预测KMS11细胞系可能对洛伐他汀敏感，而LP1与SKMM1细胞系可能对洛伐他汀不敏感。上述结果与文章中KMS11和SKMM1洛伐他汀给药后的实验结果一致，LP1和SKMM1加入洛伐他汀后，细胞系不发生凋亡，而KMS11细胞系对洛伐他汀敏感，加入洛伐他汀后细胞系发生凋亡。
本实施例进一步以KMS11细胞系作为洛伐他汀响应模型，H929、LP1和SKMM1细胞系作为新病例，比较了KMS11与其他三个细胞系在给药前的表达谱差异。同样地，表达谱差异最显著的100个基因被作为差异信号分子，用于分析细胞系之间在生物学途径水平上的差异。结果显示KMS11细胞系与LP1、SKMM1细胞系之间也存在脂代谢途径的差异，同样说明它们在洛伐他汀的药物响应方式上存在差异。这种差异导致了细胞系对洛伐他汀的敏感性差异。
附表2洛伐他汀药物响应特征生物途径与模型KMS11和新病例的差异信号分子集的功能关联显著性
综合洛伐他汀响应模型H929和洛伐他汀响应模型KMS11的分析结果，上述方法得到的度量可明确区分新病例与实验模型对特定药物的响应是否一致。
实施例2：洛伐他汀选择性诱导多发性骨髓瘤细胞系凋亡--基于模型库中模型药物响应前后表达谱数据对样本匹配
本实施例数据来源与实施例1相同，使用了Clendening JW等人已发表的4个多发性骨髓瘤细胞系洛伐他汀处理前后的转录组表达谱数据。本实施例主要利用H929在洛伐他汀给药前后对药物响应的特征信号分子，提供了另一种与药物响应模型进行匹配的方式。
本实施例比较了H929在洛伐他汀给药前与给药后的表达谱差异，同样根据差异显著性排序，将表达谱差异最显著的100个基因作为该特征类对药物响应的特征信号分子，用于同实施例1中H929与LP1、KMS11、SKMM1细胞系之间的差异信号分子匹配。
本实施例将H929对洛伐他汀的药物响应特征信号分子集作为目标基因集，与H92分别与KMS11、LP1、SKMM1细胞系的差异信号集进行协同分析，利用自主开发的基因集功能关联方法，计算细胞系差异信号集与药物响应特征信号分子集之间的功能关联显著性。
如附表3显示，H929药物响应特征信号分子集与H929和KMS11的差异信号分子集之间的功能关联最不显著，H929药物响应特征信号分子集与H929和LP1的差异信号分子集，以及H929和SKMM1的差异信号分子集功能关联较为密切，表明洛伐他汀的药物响应特征信号分子集在LP1细胞系以及SKMM1细胞系中的行为可能与它在特征类H929中的行为存在差异，造成洛伐他汀在这两个细胞系中的响应异常。
附表3洛伐他汀药物响应特征信号分子集与模型H929和新病例的差异信号分子集的功能关联显著性
LP1细胞系和SKMM1细胞系与洛伐他汀响应特征类H929匹配不成功，KMS11细胞系与H929细胞系匹配成功。推测KMS11对洛伐他汀敏感，洛伐他汀给药后会发生凋亡，与文章观测到的现象一致。本实施例中方法得到的度量可明确区分新病例与实验模型对特定药物的响应是否一致。
以上列举的仅是本发明几个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形，本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。例如使用癌组织与对应癌旁组织的基因表达差异作为比较单元，比较模型与比较单元之间的生物途径差异或生理功能差异是否会导致干预作用机制的改变，如果差异与作用机制无关，则认为对应病例与模型匹配。