提供经优先排序的精准治疗建议的制作方法

背景技术：

1、研究表明，精准肿瘤学不仅可改善癌症患者的预后，还可降低平均每周医疗费用、资源利用率和临终费用。然而，与现有靶向治疗相关的大量遗传突变组合对试图跟上该领域创新的医疗保健提供者提出了巨大的挑战。例如，癌症基因组图谱(tcga)报告了67个不同癌症部位的23,535个基因中超过340万个体细胞遗传突变。参见weinstein jn等人,thecancer genome atlas pan-cancer analysis project,nature genetics,2013年10月；45(10):1113-20。

2、除了靶向治疗之外，允许种系驱动的决策以减少治疗相关毒性和不良后果的精准医学方法对患者的临床管理变得越来越重要。目前，根据国家生物技术信息中心的clinvar数据库，9945个基因中有超过290,000个种系遗传变异被认为具有潜在的致病或药物反应作用。参见landrum mj等人,clinvar:improving access to variant interpretationsand supporting evidence,nucleic acids resea rch,2018年1月4日；46(d1):d1062-7。

3、更进一步，患者可能具有多种可操作遗传突变，从而触发多种可能的fda批准的治疗，提供者可从中进行选择。但是，从无数选项中进行选择来对可能的患者治疗排优先级需要大量的培训和尚不普遍的领域知识。在较大型机构中，可能会接触到诸如分子肿瘤委员会等实体。参见mangat pk等人,rationale anddesign of the targeted agent andprofiling utilization registry study,jco precision oncology,2018年7月；2:1-4。然而，不幸地，许多医疗保健提供者无法接触到这样的实体，并且常常迫于时间和成本限制而根据不完整信息做出治疗决策。

技术实现思路

1、本发明的各方面提供一种基于机器学习的系统，该系统通过遗传变异和癌症类型来跟踪专家驱动的治疗建议，从而使得能够在竞争可用的fda批准的治疗选择的背景下辨别针对遗传变异做出的治疗建议。有了这样的系统，由专家驱动的共识做出的优化治疗建议可快速地且广泛地提供给患者的医疗保健提供者。

2、一方面，提供了生成经优先排序的精准治疗建议的方法，所述方法包括：接收所述患者的遗传序列数据，所述遗传序列数据包括至少一个遗传突变；将包括在患者的一个或多个样本中识别的所述至少一个遗传突变的所述患者特异性遗传序列数据应用到在包括跨多个基因的多个遗传突变的知识库上训练的机器学习系统以将所述遗传序列数据映射到所述知识库；所述知识库将所述多个遗传突变映射到疾病的治疗方案的功效分析，以及/或者将所述遗传突变进一步映射到选自由以下项组成的组的药物诱导的毒性：心脏毒性、神经毒性、血液毒性和麻醉毒性；由所述机器学习系统确定多个治疗方案，所述多个治疗方案可基于治疗反应、治疗抗性或治疗毒性中的一者或多者而作为针对所述患者的所述疾病的治疗建议进行操作；以及由所述机器学习系统对所述治疗方案进行优先排序，以提供由所述机器学习系统确定的针对所述患者的所述疾病的多个经过排名的治疗建议。

3、所述至少一个遗传突变可以是体细胞突变和/或种系突变。在一些实施方案中，每个突变被映射到药物并提供相对于其他基因的排名。所述患者特异性遗传序列数据可包括在接收时识别的遗传突变，或者这些可在映射之前单独识别。

4、在一些实施方案中，所述方法还包括由专家审查所述经过排名的治疗建议，并且响应于确定所述经过排名的治疗建议应当重新排序或改变，提供一组修改后的经过排名的治疗建议。在一些实施方案中，基于所述一组修改后的经过排名的治疗建议来更新所述知识库。

5、在一些实施方案中，所述方法还包括向所述患者和/或所述患者的护理人员传达针对所述患者的所述疾病的所述经过排名的治疗建议。在一些实施方案中，所述经过排名的治疗建议可包括非标签使用和/或临床试验。在一些实施方案中，所述经过排名的治疗建议还包括支持文献引用。在一些实施方案中，所述知识库还将所述遗传突变映射到支持性护理药物基因组学，并且所述治疗建议还包括姑息护理。

6、在其中所述疾病是癌症的示例性实施方案中，所述遗传序列数据可包括来自所述患者的至少一个肿瘤样本的肿瘤组测序数据，并且所述机器学习系统在包括来自多个个体和多次治疗的多个肿瘤类型中跨多个基因的多个遗传突变的知识库上进行训练。所述多个遗传突变可包括具有已知功能效应的序列变异和/或具有未知临床意义的序列变异。

7、在另一方面，提供了治疗需要治疗的患者的疾病的方法，所述方法包括：接收所述患者的遗传序列数据，所述遗传序列数据包括至少一个遗传突变；将包括在患者的一个或多个样本中识别的所述至少一个遗传突变的遗传序列数据应用到在包括跨多个基因的多个遗传突变的知识库上训练的机器学习系统以将所述遗传序列数据映射到所述知识库；所述知识库将所述多个遗传突变映射到所述疾病的治疗方案的功效分析，以及/或者将所述遗传突变进一步映射到选自由以下项组成的组的药物诱导的毒性：心脏毒性、神经毒性、血液毒性和麻醉毒性；由所述机器学习系统确定多个治疗方案，所述多个治疗方案可基于治疗反应、治疗抗性或治疗毒性中的一者或多者而作为针对所述患者的所述疾病的治疗建议进行操作；由所述机器学习系统对所述治疗方案进行优先排序，以提供由所述机器学习系统确定的针对所述患者的所述疾病的多个经过排名的治疗建议；向所述患者的护理人员传达针对所述患者的所述疾病的所述经过排名的治疗建议；以及由所述护理人员施用所述经过排名的治疗建议中的至少一者。

8、所述至少一个遗传突变可以是体细胞突变和/或种系突变。在一些实施方案中，每个突变被映射到药物并提供相对于其他基因的排名。所述患者特异性遗传序列数据可包括在接收时识别的遗传突变，或者这些可在映射之前单独识别。

9、在一些实施方案中，所述方法还包括由专家审查所述经过排名的治疗建议，并且响应于确定所述经过排名的治疗建议应当重新排序或改变，提供一组修改后的经过排名的治疗建议。在一些实施方案中，基于所述一组修改后的经过排名的治疗建议来更新所述知识库。

10、在一些实施方案中，所述经过排名的治疗建议可包括非标签使用和/或临床试验。在一些实施方案中，所述经过排名的治疗建议还包括支持文献引用。在一些实施方案中，所述知识库还将所述遗传突变映射到支持性护理药物基因组学，并且所述治疗建议还包括姑息护理。

11、在其中所述疾病是癌症的示例性实施方案中，所述遗传序列数据可包括来自所述患者的至少一个肿瘤样本的肿瘤组测序数据，并且所述机器学习系统在包括来自多个个体和多次治疗的多个肿瘤类型中跨多个基因的多个遗传突变的知识库上进行训练。所述多个遗传突变可包括具有已知功能效应的序列变异和/或具有未知临床意义的序列变异。

12、引用并入

13、本说明书中提及的所有出版物、专利和专利申请以引用的方式并入本文，其程度如同每个单独的出版物、专利或专利申请具体和单独地指出以引用方式并入。