JP2021503922A - ターゲットシーケンシングのためのモデル - Google Patents
ターゲットシーケンシングのためのモデル Download PDFInfo
- Publication number
- JP2021503922A JP2021503922A JP2020529278A JP2020529278A JP2021503922A JP 2021503922 A JP2021503922 A JP 2021503922A JP 2020529278 A JP2020529278 A JP 2020529278A JP 2020529278 A JP2020529278 A JP 2020529278A JP 2021503922 A JP2021503922 A JP 2021503922A
- Authority
- JP
- Japan
- Prior art keywords
- variant
- nucleic acid
- variants
- sample
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 124
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 310
- 201000011510 cancer Diseases 0.000 claims abstract description 259
- 150000007523 nucleic acids Chemical class 0.000 claims abstract description 214
- 102000039446 nucleic acids Human genes 0.000 claims abstract description 199
- 108020004707 nucleic acids Proteins 0.000 claims abstract description 199
- 238000006467 substitution reaction Methods 0.000 claims abstract description 61
- 201000010099 disease Diseases 0.000 claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims description 278
- 238000009826 distribution Methods 0.000 claims description 164
- 108700028369 Alleles Proteins 0.000 claims description 158
- 230000035772 mutation Effects 0.000 claims description 154
- 238000012549 training Methods 0.000 claims description 148
- 108090000623 proteins and genes Proteins 0.000 claims description 113
- 239000002773 nucleotide Substances 0.000 claims description 102
- 125000003729 nucleotide group Chemical group 0.000 claims description 102
- 230000006870 function Effects 0.000 claims description 98
- 230000000392 somatic effect Effects 0.000 claims description 75
- 238000004458 analytical method Methods 0.000 claims description 53
- 210000004369 blood Anatomy 0.000 claims description 44
- 239000008280 blood Substances 0.000 claims description 44
- OPTASPLRGRRNAP-UHFFFAOYSA-N cytosine Chemical compound NC=1C=CNC(=O)N=1 OPTASPLRGRRNAP-UHFFFAOYSA-N 0.000 claims description 42
- 210000001519 tissue Anatomy 0.000 claims description 39
- 238000003556 assay Methods 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 28
- 210000004027 cell Anatomy 0.000 claims description 22
- 210000004602 germ cell Anatomy 0.000 claims description 22
- RWQNBRDOKXIBIV-UHFFFAOYSA-N thymine Chemical compound CC1=CNC(=O)NC1=O RWQNBRDOKXIBIV-UHFFFAOYSA-N 0.000 claims description 22
- 210000000265 leukocyte Anatomy 0.000 claims description 21
- 229940104302 cytosine Drugs 0.000 claims description 18
- 230000037429 base substitution Effects 0.000 claims description 13
- 238000001574 biopsy Methods 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 12
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical compound O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 claims description 12
- 238000007873 sieving Methods 0.000 claims description 12
- 210000002381 plasma Anatomy 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 10
- 210000003296 saliva Anatomy 0.000 claims description 10
- 229940113082 thymine Drugs 0.000 claims description 10
- 210000002700 urine Anatomy 0.000 claims description 9
- 210000004881 tumor cell Anatomy 0.000 claims description 7
- 229930024421 Adenine Natural products 0.000 claims description 6
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 claims description 6
- 206010003445 Ascites Diseases 0.000 claims description 6
- 229960000643 adenine Drugs 0.000 claims description 6
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 210000003608 fece Anatomy 0.000 claims description 5
- 210000002966 serum Anatomy 0.000 claims description 5
- 230000002269 spontaneous effect Effects 0.000 claims description 5
- 208000005228 Pericardial Effusion Diseases 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 210000004912 pericardial fluid Anatomy 0.000 claims description 4
- 210000004910 pleural fluid Anatomy 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 210000001138 tear Anatomy 0.000 claims description 2
- 108091092584 GDNA Proteins 0.000 claims 4
- KQLXBKWUVBMXEM-UHFFFAOYSA-N 2-amino-3,7-dihydropurin-6-one;7h-purin-6-amine Chemical compound NC1=NC=NC2=C1NC=N2.O=C1NC(N)=NC2=C1NC=N2 KQLXBKWUVBMXEM-UHFFFAOYSA-N 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 108
- 239000000523 sample Substances 0.000 description 350
- 230000008569 process Effects 0.000 description 71
- 230000035945 sensitivity Effects 0.000 description 61
- 238000010586 diagram Methods 0.000 description 41
- 108020004414 DNA Proteins 0.000 description 39
- 206010006187 Breast cancer Diseases 0.000 description 26
- 208000026310 Breast neoplasm Diseases 0.000 description 26
- 235000016795 Cola Nutrition 0.000 description 22
- 241001634499 Cola Species 0.000 description 22
- 235000011824 Cola pachycarpa Nutrition 0.000 description 22
- 238000001514 detection method Methods 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 21
- 208000020816 lung neoplasm Diseases 0.000 description 20
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 19
- 201000005202 lung cancer Diseases 0.000 description 19
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 17
- 239000012634 fragment Substances 0.000 description 17
- 206010060862 Prostate cancer Diseases 0.000 description 16
- 238000009396 hybridization Methods 0.000 description 13
- 210000004072 lung Anatomy 0.000 description 12
- 102000053602 DNA Human genes 0.000 description 10
- 238000012217 deletion Methods 0.000 description 9
- 230000037430 deletion Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 9
- 210000001082 somatic cell Anatomy 0.000 description 9
- 238000003780 insertion Methods 0.000 description 8
- 230000037431 insertion Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 108091028043 Nucleic acid sequence Proteins 0.000 description 7
- 230000009615 deamination Effects 0.000 description 7
- 238000006481 deamination reaction Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000007481 next generation sequencing Methods 0.000 description 7
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 6
- 108010017842 Telomerase Proteins 0.000 description 6
- 102100032938 Telomerase reverse transcriptase Human genes 0.000 description 6
- 241000700605 Viruses Species 0.000 description 6
- 150000001413 amino acids Chemical group 0.000 description 6
- 210000001124 body fluid Anatomy 0.000 description 6
- 239000010839 body fluid Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 230000011132 hemopoiesis Effects 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 5
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 5
- 210000000481 breast Anatomy 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003752 polymerase chain reaction Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 102000004169 proteins and genes Human genes 0.000 description 5
- 206010009944 Colon cancer Diseases 0.000 description 4
- 102000011786 HLA-A Antigens Human genes 0.000 description 4
- 108010075704 HLA-A Antigens Proteins 0.000 description 4
- 208000024770 Thyroid neoplasm Diseases 0.000 description 4
- 208000029742 colonic neoplasm Diseases 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000037436 splice-site mutation Effects 0.000 description 4
- 210000004243 sweat Anatomy 0.000 description 4
- 206010005003 Bladder cancer Diseases 0.000 description 3
- 206010055113 Breast cancer metastatic Diseases 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 3
- 108091035707 Consensus sequence Proteins 0.000 description 3
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 3
- 208000008839 Kidney Neoplasms Diseases 0.000 description 3
- 206010025323 Lymphomas Diseases 0.000 description 3
- 208000034578 Multiple myelomas Diseases 0.000 description 3
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 3
- 206010033128 Ovarian cancer Diseases 0.000 description 3
- 206010061535 Ovarian neoplasm Diseases 0.000 description 3
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 3
- 206010035226 Plasma cell myeloma Diseases 0.000 description 3
- 206010038389 Renal cancer Diseases 0.000 description 3
- 208000005718 Stomach Neoplasms Diseases 0.000 description 3
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 3
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 3
- 208000002495 Uterine Neoplasms Diseases 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 210000000601 blood cell Anatomy 0.000 description 3
- 201000010881 cervical cancer Diseases 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000004101 esophageal cancer Diseases 0.000 description 3
- 206010017758 gastric cancer Diseases 0.000 description 3
- 201000010982 kidney cancer Diseases 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 3
- 201000001441 melanoma Diseases 0.000 description 3
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 3
- 201000002528 pancreatic cancer Diseases 0.000 description 3
- 208000008443 pancreatic carcinoma Diseases 0.000 description 3
- 210000002307 prostate Anatomy 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 201000011549 stomach cancer Diseases 0.000 description 3
- 201000002510 thyroid cancer Diseases 0.000 description 3
- 238000013518 transcription Methods 0.000 description 3
- 230000035897 transcription Effects 0.000 description 3
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 3
- 201000005112 urinary bladder cancer Diseases 0.000 description 3
- 206010046766 uterine cancer Diseases 0.000 description 3
- 238000007482 whole exome sequencing Methods 0.000 description 3
- 102100029516 Basic salivary proline-rich protein 1 Human genes 0.000 description 2
- 238000001712 DNA sequencing Methods 0.000 description 2
- 102000001301 EGF receptor Human genes 0.000 description 2
- 108060006698 EGF receptor Proteins 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- 108700024394 Exon Proteins 0.000 description 2
- 208000005176 Hepatitis C Diseases 0.000 description 2
- 206010073073 Hepatobiliary cancer Diseases 0.000 description 2
- 102100027893 Homeobox protein Nkx-2.1 Human genes 0.000 description 2
- 101000632178 Homo sapiens Homeobox protein Nkx-2.1 Proteins 0.000 description 2
- 101000578249 Homo sapiens Homeobox protein Nkx-3.1 Proteins 0.000 description 2
- 101000653374 Homo sapiens Methylcytosine dioxygenase TET2 Proteins 0.000 description 2
- 241000701044 Human gammaherpesvirus 4 Species 0.000 description 2
- 241000701806 Human papillomavirus Species 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 108700026244 Open Reading Frames Proteins 0.000 description 2
- 238000012408 PCR amplification Methods 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 108020004682 Single-Stranded DNA Proteins 0.000 description 2
- 108010090804 Streptavidin Proteins 0.000 description 2
- 101150012475 TET2 gene Proteins 0.000 description 2
- 108091023045 Untranslated Region Proteins 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 230000006907 apoptotic process Effects 0.000 description 2
- 239000011324 bead Substances 0.000 description 2
- 230000031018 biological processes and functions Effects 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012350 deep sequencing Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 201000010536 head and neck cancer Diseases 0.000 description 2
- 208000014829 head and neck neoplasm Diseases 0.000 description 2
- 208000002672 hepatitis B Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 108020004999 messenger RNA Proteins 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000017074 necrotic cell death Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000002018 overexpression Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000000551 statistical hypothesis test Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000003612 virological effect Effects 0.000 description 2
- 238000012070 whole genome sequencing analysis Methods 0.000 description 2
- 108020005345 3' Untranslated Regions Proteins 0.000 description 1
- 108020003589 5' Untranslated Regions Proteins 0.000 description 1
- 206010069754 Acquired gene mutation Diseases 0.000 description 1
- 101710095342 Apolipoprotein B Proteins 0.000 description 1
- 102100040202 Apolipoprotein B-100 Human genes 0.000 description 1
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 102100025064 Cellular tumor antigen p53 Human genes 0.000 description 1
- 102000012410 DNA Ligases Human genes 0.000 description 1
- 108010061982 DNA Ligases Proteins 0.000 description 1
- 102100040104 DNA-directed RNA polymerase III subunit RPC9 Human genes 0.000 description 1
- 102100028092 Homeobox protein Nkx-3.1 Human genes 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101001104144 Homo sapiens DNA-directed RNA polymerase III subunit RPC9 Proteins 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 108091092195 Intron Proteins 0.000 description 1
- 238000012773 Laboratory assay Methods 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 108091034117 Oligonucleotide Proteins 0.000 description 1
- 108700020796 Oncogene Proteins 0.000 description 1
- 101150063858 Pik3ca gene Proteins 0.000 description 1
- 108010029485 Protein Isoforms Proteins 0.000 description 1
- 102000001708 Protein Isoforms Human genes 0.000 description 1
- 208000015634 Rectal Neoplasms Diseases 0.000 description 1
- 206010041067 Small cell lung cancer Diseases 0.000 description 1
- 108700025716 Tumor Suppressor Genes Proteins 0.000 description 1
- 102000044209 Tumor Suppressor Genes Human genes 0.000 description 1
- 108010078814 Tumor Suppressor Protein p53 Proteins 0.000 description 1
- 102000015098 Tumor Suppressor Protein p53 Human genes 0.000 description 1
- JLCPHMBAVCMARE-UHFFFAOYSA-N [3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-hydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methyl [5-(6-aminopurin-9-yl)-2-(hydroxymethyl)oxolan-3-yl] hydrogen phosphate Polymers Cc1cn(C2CC(OP(O)(=O)OCC3OC(CC3OP(O)(=O)OCC3OC(CC3O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c3nc(N)[nH]c4=O)C(COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3CO)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cc(C)c(=O)[nH]c3=O)n3cc(C)c(=O)[nH]c3=O)n3ccc(N)nc3=O)n3cc(C)c(=O)[nH]c3=O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)O2)c(=O)[nH]c1=O JLCPHMBAVCMARE-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 230000000735 allogeneic effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010241 blood sampling Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 108091092356 cellular DNA Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 239000013611 chromosomal DNA Substances 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 108091092240 circulating cell-free DNA Proteins 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 108091023290 ctRNA Proteins 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002692 disease related effect Effects 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000037442 genomic alteration Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000032839 leukemia Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 201000005243 lung squamous cell carcinoma Diseases 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000219 mutagenic Toxicity 0.000 description 1
- 230000003505 mutagenic effect Effects 0.000 description 1
- 230000036438 mutation frequency Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 208000023958 prostate neoplasm Diseases 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012175 pyrosequencing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 206010038038 rectal cancer Diseases 0.000 description 1
- 201000001275 rectum cancer Diseases 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 229920002477 rna polymer Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 208000000587 small cell lung carcinoma Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000037439 somatic mutation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 102000055501 telomere Human genes 0.000 description 1
- 108091035539 telomere Proteins 0.000 description 1
- 210000003411 telomere Anatomy 0.000 description 1
- 208000013076 thyroid tumor Diseases 0.000 description 1
- 230000002103 transcriptional effect Effects 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000012049 whole transcriptome sequencing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6869—Methods for sequencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/10—Sequence alignment; Homology search
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
- G16B5/20—Probabilistic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Immunology (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
Abstract
Description
「個人」という語は、人間の個人のことを指す。「健康な個人」という語は、癌または疾病を有さないと推定される個人のことを指す。「被験者」という語は、癌または疾病を有することが知られている、または潜在的に有する個人のことを指す。
図1Aは、一実施形態に従った、シーケンシングのために核酸サンプルを準備するための方法100のフローチャートである。方法100は、以下のステップを含むが、それらに限定されない。例えば、方法100のいずれのステップも、当業者に知られた品質コントロールまたは他の実験室アッセイ手順のために、定量化サブステップを含み得る。
図2は、一実施形態に従った、シーケンスリードを処理するための処理システム200のブロック図である。処理システム200は、配列プロセッサ205と、配列データベース210と、モデルデータベース215と、機械学習エンジン220と、(例えば、「ベイズ階層モデル」または「予測癌モデル」を含む)モデル225と、パラメータデータベース230と、スコアエンジン235と、バリアントコーラ240と、エッジフィルタ250と、非同義フィルタ260とを含む。図3は、一実施形態に従った、シーケンスリードのバリアントを決定するための方法300のフローチャートである。いくつかの実施形態においては、処理システム200は、入力シーケンシングデータに基づいて、(例えば、SNVおよび/またはインデルに対する)バリアントコーリングを実行するために、方法300を実行する。さらに、処理システム200は、上で説明された方法100を使用して準備された核酸サンプルと関連付けられた出力ファイルから、入力シーケンシングデータを獲得し得る。方法300は、処理システム200のコンポーネントに関して説明される、以下のステップを含むが、それらに限定されない。他の実施形態においては、方法300の1つまたは複数のステップは、例えば、HaplotypeCaller、VarScan、Strelka、またはSomaticSniperなど、バリアントコールフォーマット(VCF)を使用する、バリアントコールを生成するための異なるプロセスのステップによって、置き換えられ得る。
図4は、一実施形態に従った、ベイズ階層モデル225の適用の図である。変異Aおよび変異Bが、説明の目的で、例として示されている。図4の実施形態においては、変異AおよびBは、SNVとして表されているが、他の実施形態においては、以下の説明は、インデルまたは他のタイプの変異にも適用可能である。変異Aは、第1のサンプルからの第1の参照対立遺伝子の位置4における、C>T変異である。第1のサンプルは、10の第1のADと、1000の第1の合計深さとを有する。変異Bは、第2のサンプルからの第2の参照対立遺伝子の位置3における、T>G変異である。第2のサンプルは、1の第2のADと、1200の第2の合計深さとを有する。AD(またはAF)だけに基づくと、変異Aは、真陽性であるように思われ得、一方、変異Bは、偽陽性であるように思われ得るが、それは、前者のAD(またはAF)が、後者のそれよりも大きいからである。しかしながら、変異Aと変異Bは、対立遺伝子ごと、および/または対立遺伝子の位置ごとに、ノイズレートの異なる相対レベルを有し得る。実際には、これら異なる位置の相対ノイズレベルが、ひとたび考慮されると、変異Aが、偽陽性であることがあり、変異Bが、真陽性であることがある。本明細書において説明されるモデル225は、真陽性の適切な識別のために、このノイズをしかるべくモデル化する。
図8は、一実施形態に従った、ベイズ階層モデル225をトレーニングするための方法800のフローチャートである。ステップ810において、機械学習エンジン220は、シーケンスリードのデータベース(例えば、配列データベース210)から、サンプル、例えば、トレーニングデータを収集する。ステップ820において、機械学習エンジン220は、マルコフ連鎖モンテカルロ法を使用して、サンプルを使用して、ベイズ階層モデル225をトレーニングする。トレーニング中、モデル225は、トレーニングデータ次第のシーケンスリードを保持または拒絶し得る。機械学習エンジン220は、閾値よりも小さい深さ値、または閾値頻度よりも大きいAFを有する、健康な個人のシーケンスリードを排除し得る。シーケンスリードにおいて標的ノイズを示さない疑わしい生殖細胞系列変異を除去するために、他の実施形態においては、機械学習エンジン220は、どの位置が生殖細胞系列バリアントを含む可能性が高いかを決定し、上述のような閾値を使用して、そのような位置を選択的に排除し得る。一実施形態においては、機械学習エンジン220は、そのような位置を、生殖細胞系列頻度(例えば、0、1/2、および1)から、AFの小さい平均絶対偏差を有するとして識別し得る。
図10は、一実施形態に従った、ジョイントモデル225を使用して、無細胞核酸(例えば、cfDNA)サンプルおよびゲノム核酸(例えば、gDNA)サンプルを処理するための方法1000のフローチャートである。ジョイントモデル225は、cfDNAおよびgDNAの核酸の位置とは独立であり得る。方法1000は、図8〜図9に示された方法800および/または900と併せて、実行され得る。例えば、方法800および900は、健康なサンプルからのトレーニングデータのcfDNAおよびgDNAサンプルに関して、ヌクレオチド変異のノイズを決定するために実行される。図11は、一実施形態に従った、ジョイントモデルの適用の図である。方法1000のステップが、図11を参照して、以下で説明される。
ステップ1030において、ジョイントモデル225は、cfDNAについての観測されたADをモデル化することによって、被験者のcfDNAサンプルの「真の」AFの尤度を決定する。一実施形態においては、ジョイントモデル225は、cfDNAのシーケンスリードから観測された深さと、cfDNAサンプルの真のAFとによってパラメータ化された、ポアソン分布関数を使用して、(やはり図11に示される)被験者のcfDNAにおいて、与えられたADを観測する確率をモデル化する。深さと真のAFとの積は、cfDNAの平均予想AFを表す、ポアソン分布関数のレートパラメータであり得る。
ノイズ成分noisecfDNAは、以下のセクションVI.B.ジョイントモデルの例示的なノイズにおいて、さらに説明される。他の実施形態においては、他の関数が、ADcfDNAを表すために使用され得、それの例は、負の2項分布、コンウェイ−マクスウェル−ポアソン分布、ゼータ分布、およびゼロ過剰ポアソン分布を含むが、それらに限定されない。
ノイズ成分noisegDNAは、以下のセクションVI.B.ジョイントモデルの例示的なノイズにおいて、さらに説明される。他の実施形態においては、他の関数が、ADgDNAを表すために使用され得、それの例は、負の2項分布、コンウェイ−マクスウェル−ポアソン分布、ゼータ分布、およびゼロ過剰ポアソン分布を含むが、それらに限定されない。
P(AFcfDNA≧k×AFgDNA)>p
であるかどうかを決定し、ここで、
cfDNAおよびgDNAサンプルにおけるノイズによって導入される、真のAFの推定値におけるノイズを考慮するために、ジョイントモデル225は、図4〜図9に関して先に説明された、処理システム200の他のモデルを使用し得る。一実施形態においては、P(ADcfDNA|depthcfDNA,AFcfDNA)およびP(ADgDNA|depthgDNA,AFgDNA)についての上記の式に示されるノイズ成分は、候補バリアント(例えば、SNVまたはインデル)に特異的であり得る、ベイズ階層モデル225を使用して決定される。さらに、ベイズ階層モデル225は、ヌクレオチド変異の特定の位置またはインデル長の範囲にわたって、候補バリアントをカバーし得る。
以下の図に示される例示的な結果は、1つまたは複数のトレーニングされたジョイントモデル225を使用して、処理システム100によって決定された。様々な実施形態においては、結果は、図に示されるように、2つの研究「研究A」および「研究B」の一方において被験者から獲得された循環無細胞DNA(cfDNA)サンプルからのターゲットシーケンシングデータからのバリアントを評価およびコールするために、GRAIL(GRAIL, Inc.、カリフォルニア州メンロパーク)のプロプライエタリ508癌遺伝子パネルを利用した、ターゲットシーケンシングアッセイを使用して、生成された。研究Aは、(癌と診断されない)50人の健康な被験者から獲得された血漿サンプル、ならびに前転移性乳がんおよび前転移性非小細胞肺がんを有する被験者の各々からの50のサンプルからのシーケンシングデータを含んだ。研究Bは、124人の癌患者(転移性乳がん(MBC)を有する39人の被験者、非小細胞肺がん(NSCLC)を有する41人の被験者、および去勢抵抗性前立腺がん(CRCP)を有する44人の被験者から獲得された血漿サンプルからの評価可能なシーケンシングデータを含んだ。
図12は、一実施形態に従った、健康な個人からのサンプルにおけるバリアントの観測されたカウントの図である。各データ点は、個人のうちの与えられた1人の(核酸位置の範囲にわたる)位置に対応する。ジョイント尤度計算のためにジョイントモデル225によって使用されるパラメータkおよびpは、健康な個人からのcfDNAおよびgDNAサンプルのセットと、癌を有することが知られているサンプルとの交差検証を行うことによって、(例えば、感度閾値を調整するために)経験的に選択され得る。図12に示される例示的な結果は、cfDNAについては血漿サンプルを、gDNAについては白血球細胞サンプルを使用して、研究Bによって獲得された。k(図12に示される「k0」)およびpについての与えられたパラメータ値に対して、図は、対応するサンプルについての偽陽性の計算された信頼上限(UCB)を表す、バリアントの平均数をプロットしている。図は、pの値が増加するにつれて、偽陽性の数が減少することを示している。加えて、プロットされた曲線は、kのより低い値、例えば、1.0により近い値に対して、より多数の偽陽性を有する。点線は、1つのバリアントのターゲットを示すが、経験的な結果は、1.0から5.0の間のkの値、および0.5から1.0の間のpの値について、偽陽性の平均数は、ほとんど、バリアント1つ〜5つの範囲内に入ることを示す。
図14A〜図14Bは、一実施形態に従った、ジョイントモデルによって決定されるバリアントコールの図である。図14Aに示される例示的な結果は、研究A、および早期癌によって影響されていることが知られたサンプルを使用して、獲得された。図14Bに示される例示的な結果は、研究B、および末期癌によって影響されていることが知られたサンプルを使用して、獲得された。図14A〜図14Bにおけるプロットは、gDNAについての観測されたAFを表す共通のx軸を共有する。さらに、プロットは、cfDNAとgDNAのサンプルの観測されたAFの比の分散は、早期癌についてよりも、末期がんについての方が大きいことを示している。バリアントコーラ240は、AFcfDNAとAFgDNAのデータ点の対について、事後確率P(AFcfDNA≧k×AFgDNA)を決定し、ここで、プロットの勾配は、確率の範囲を表す。各データ点は、個人における(例えば、与えられた核酸位置についての)候補cfDNAバリアントを表し、プロットは、データセット内の複数の個人についてのデータ点を含む。例示された実施形態においては、事後確率は、8.00よりも大きい比、0.00391よりも小さいAFgDNA値については、1.0により近く、一方、事後確率は、0.25に接近する比については、0.0により近い。
図16は、一実施形態に従った、ジョイントモデル225の感度および特異度の図である。バリアントコーラ240は、研究AおよびBにおいて、健康なサンプル、ならびに乳がん、肺がん、および前立腺がんを有することが知られたサンプルを用いて、感度(例えば、PPAtumor)および特異度(例えば、PPAcfDNA)測定値を決定する。経験的な閾値を使用して獲得された例示的な結果と比較して、ジョイントモデル225を使用して獲得された例示的な結果は、肺組織サンプルを使用する研究AのPPAtumorについて、感度の僅かな低下、例えば、0.14から0.12への低下を示している。しかしながら、ジョイントモデル225の結果は、肺組織サンプルを使用する研究AのPPAcfDNAについて、特異度のより大きい増加、例えば、0.12から0.22への増加を示している。
図17は、一実施形態に従った、ジョイントモデル225を使用したターゲットシーケンシングアッセイから検出された遺伝子のセットの図である。セットは、クローン造血中に普通に変異させられた遺伝子を含む。配列プロセッサ205は、研究AおよびBにおける結果、ならびに乳がん、肺がん、および前立腺がんを有すると知られたサンプルを決定する。試験「閾値X」および「ジョイントモデルX」は、非同義変異を含まず、一方、試験「閾値Y」および「ジョイントモデルY」は、非同義変異を含む。ジョイントモデル225を使用して獲得された例示的な結果は、経験的な閾値を使用して検出されたカウントと比較して、様々なタイプの組織のサンプルからの検出された生殖細胞系列変異の(図17〜図19に示されるように、x軸上に「n」として示される)カウントを低減させる。例えば、研究Bについての肺がんのグラフによって例示されるように、「閾値X」および「閾値Y」は、それぞれ、5および6の検出されたTET2遺伝子のカウントをもたらす。「ジョイントモデルX」および「ジョイントモデルY」は、それぞれ、2および3の検出されたTET2遺伝子のカウントをもたらし、それは、ジョイントモデル225が改善された感度を提供することを示す。
図20は、一実施形態に従った、無細胞核酸(例えば、cfDNA)サンプルおよびゲノム核酸(例えば、gDNA)サンプルを処理するために、ジョイントモデル225を調整するための方法2000のフローチャートである。方法2000は、図8〜図10に示された方法800、方法900、および/もしくは方法1000、または別の類似の方法と併せて、実行され得る。例えば、方法1000は、方法2000のステップ2010のための確率を決定するために、ジョイントモデル255を使用して、実行される。図20〜図22に関して説明される例は、gDNAサンプルのソースとして、被験者の血液(例えば、白血球細胞)に言及するが、他の実施形態においては、gDNAは、異なるタイプの生物学的サンプルからのものであり得ることが留意されるべきである。処理システム200は、cfDNAサンプルにおける候補バリアントをふるい分ける、または処理するための決定木として、方法2000の少なくとも一部を実施し得る。例えば、処理システム200は、候補バリアントがgDNAサンプルと関連付けられる可能性が高いかどうか、または関連付けが不確実かどうかを決定する。関連付けは、(例えば、生殖細胞系列変異、クローン造血、アーチファクト、エッジバリアント、HLA−Aなどのヒト白血球抗原などの要因に起因する)gDNAサンプルにおける変異によりバリアントが考慮されることができ、したがって、おそらくは腫瘍由来ではなく、癌または疾病を示していないことを示し得る。方法2000は、いくつかの実施形態においては、図20と関連して説明されたものとは異なるステップもしくは追加のステップを含み得、または図20と関連して説明された順序とは異なる順序で、ステップを実行し得る。
ステップ2010において、配列プロセッサ205は、cfDNAサンプルの真の代替頻度が、gDNAサンプルの真の代替頻度の関数よりも大きい確率を決定する。ステップ2010は、図10に示された方法1000の先に説明されたステップ1050に対応し得る。
様々な実施形態においては、処理システム200は、図20に示された方法2000のフローチャートを参照して説明されるステップに加えて、1つまたは複数のフィルタを使用して、候補バリアントを処理する。配列プロセッサ205は、決定木の一部として、配列において、フィルタを実施し得、配列プロセッサ205は、例えば、与えられた候補バリアントが、基準のうちの少なくとも1つを満たして、ふるい分けられたために、与えられた候補バリアントが、決定木を「出る」まで、フィルタの基準をチェックし続ける。ふるい分けられた候補バリアントは、(例えば、白血球細胞gDNAと関連付けられた)健康な個人において自然に発生する、またはプロセスエラーに起因する、変異のソースまたは原因によって、候補バリアントが、考慮されることができることを示し得る。
図21Aは、一実施形態に従った、cfDNAサンプルの候補バリアントの例示的なカウントの表である。図21A〜図21Bおよび図22における例示的なデータは、図33A〜図33Cを参照して以下で説明される、無細胞ゲノム研究の個人のサンプルセットから獲得されたシーケンスリードを使用して、生成された。cfDNAサンプルは、癌または別のタイプの疾病を有することが知られた個人からのサンプルを含む。図21Aに示される例においては、処理システム200は、図20の方法2000を使用して、候補バリアントのうちの23805は、gDNAに「明確に」関連付けられ(例えば、生殖細胞系列変異または血液におけるクローン造血によって占められ)、候補バリアントのうちの1360は、gDNAに「おそらく」関連付けられる(例えば、「ブラディア」または閾値信頼レベルよりも大きい)ことを決定する。したがって、処理システム200は、これらの候補バリアントを、例えば、これらの候補バリアントが血液由来として分類されるように、ジョイントモデル225または別のパイプラインからふるい落とし得る。処理システム200は、2607の「不確かな」(例えば、「ブラディシュ」)候補バリアントのカウントを、腫瘍由来としても、血液由来としても区分けしないと決定し得る。したがって、例えば、方法2000からのgDNA比およびgDNA深さ品質スコアを使用して、ジョイントモデル225を調整することによって、処理システム200は、候補バリアントのソースを分類する際の粒度(例えば、信頼度の異なるレベル)を改善する。図21Bは、一実施形態に従った、健康な個人からのcfDNAサンプルの候補バリアントの例示的なカウントの表である。図21A〜図21Bに示される例示的なカウントは、200リードの閾値深さ、(例えば、フレッドスケールでの)60の閾値品質スコア、生殖細胞系列変異頻度閾値からの0.005の平均2乗偏差を有する対応する位置における品質スコア、0.3のgDNA頻度の閾値点推定、0.05の閾値アーチファクト再発レート、7の閾値局所配列反復カウント、0.8の(例えば、cfDNAサンプルの真の代替頻度がgDNAサンプルの真の代替頻度の関数よりも大きい)閾値確率、0の閾値gDNA深さ、1の閾値gDNA深さ品質スコア、および6の閾値gDNAサンプル比を使用して、処理システム200によって決定された。さらに、処理システム200は、品質スコアを有さない候補バリアント、体細胞バリアント、およびHLA−A領域をふるい落とした。
IX.A.アーチファクトおよび非エッジバリアントからのフィーチャの例示的なトレーニング分布
図23Aは、一実施形態に従った、トレーニングバリアントを使用して、アーチファクト分布および非アーチファクト分布を生成するプロセスを示している。エッジフィルタ250は、以前のサンプル(例えば、トレーニングサンプル)からのトレーニングデータ2305を使用して、トレーニングプロセス2300中に、アーチファクト分布2340および非アーチファクト分布2345を生成する。ひとたび生成されると、アーチファクト分布2340および非アーチファクト分布2345は、各々、後の必要とされる時の取り出しのために、(例えば、モデルデータベース215に)記憶されることができる。
フレッドスコア=−10log10P
として表現されることができ、ここで、Pは、p値スコアである。要するに、低いアーチファクト有意性スコア2323Aは、中央値順位の差が、統計的に有意ではないことを表し、一方、高いアーチファクト有意性スコア2323Aは、中央値順位の差が、統計的に有意であることを表す。
図24Aは、一実施形態に従った、サンプル特異的な予測されるレートを決定するためのブロック図フロープロセス2400を示している。一般に、エッジフィルタ250は、サンプル2405に特異的な予測されるレート2420を決定するために、サンプル2405におけるコールされたバリアントのサンプルワイドな分析を行う。言い換えると、図24Aに示されるプロセス2400は、各サンプル2405に対して一度、行われることができる。
L(w|x)=w×(L(x)|d1)+(1−w)×(L(x)|d2) (1)
と表現されることができ、ここで、wは、予測されるレート2420であり、xは、フィーチャ2412を表し、d1は、アーチファクト分布2340を表し、d2は、非アーチファクト分布2345を表す。言い換えると、式1は、アーチファクト分布2340を考慮したフィーチャ2412を観測する尤度と、非アーチファクト分布2345を考慮したフィーチャ2412を観測する尤度との加重和である。したがって、最尤推定は、条件のあるセットを与えられた場合、この全体的な尤度を最大化する、予測されるレート2420(例えば、レートw)を決定する。
図24Bは、一実施形態に従った、エッジバリアントを同定するためのエッジバリアント予測モデル2435の適用を示している。バリアント特異的な分析2450においては、エッジフィルタ250は、コールされたバリアントがエッジバリアントであるかどうかを決定するために、コールされたバリアントのシーケンスリード2410を分析する。図24Bに示されるプロセスは、単一のサンプル2405について検出された、各コールされたバリアントまたはコールされたバリアントのサブセットに対して行われることができる。
図25は、一実施形態に従った、サンプルから検出されたエッジバリアントを同定および報告するフロープロセス2500を示している。プロセス2500の1つまたは複数のステップは、処理システム200のコンポーネント、例えば、エッジフィルタ250、またはモデル225のうちの1つによって、実行され得る。2505において、様々なシーケンシングリードからのコールされたバリアントが、サンプルから受け取られる。2510において、サンプルからのコールされたバリアントのシーケンシングリードに基づいて、サンプルについて、サンプル特異的な予測されるレートが、決定される。一例として、予測されるレートは、最尤推定を実行することによって、決定される。ここで、予測されるレートは、先に生成された分布を考慮した、コールされたバリアントのシーケンスリードのフィーチャ2412を観測する尤度を(例えば、ある条件を与えられた場合に)最大化する、パラメータ値である。
以下の例は、開示される実施形態をいかに作成および使用するかについての完全な開示および説明を当業者に提供するために提示され、本発明と見なされるものの範囲を限定することは意図されていない。使用される数(例えば、量、温度、濃度など)に関する正確性を保証するように、努力がなされたが、いくらかの実験誤差および偏差は、許容されるべきである。本開示を踏まえて、本発明の意図される範囲から逸脱することなく、例示される特定の実施形態において、様々な変更および変化が行われることができることが、当業者によって理解されよう。
図26A、図26B、および図26Cは、各々、様々な実施形態に従った、アーチファクト区分または非アーチファクト区分の一方に区分けされる、例示的なトレーニングバリアントのフィーチャを示している。図26A、図26B、および図26Cに示される例は、図23Aに示されるプロセス2300を使用して決定される、アーチファクト分布と、非アーチファクト分布とを含む。無細胞DNAサンプルは、乳がん、肺がん、または前立腺がんのうちの1つを有する被験者から、血液採取を通して獲得された。サンプルセットは、各タイプの癌(乳がん、肺がん、および前立腺がん)に対して、少なくとも50人の被験者を含む。すべての参加被験者について、血液は、生検(前または後)の6週以内に同時に採取された。
図27A、図27B、および図27Cは、各々、様々な実施形態に従った、被験者から獲得された例示的な癌サンプルにおけるエッジバリアントおよび非エッジバリアントの検出を示している。サンプル(MSK−VP−0058)は、図26A〜図26Cに示される例に関連して、上で説明されたように処理された。簡潔に言うと、被験者からのcfDNAサンプルが、図1Aおよび/または図3に示されるプロセスワークフローの1つまたは複数のステップに従って、バリアントについて分析された。シーケンスリードは、cfDNAサンプルから獲得され、エッジフィルタ250によってグループに区分けされて、グループ内のシーケンスリードが、各々、ゲノム内の共通の位置を横断するようにされた。エッジフィルタ250は、シーケンスリードのグループからフィーチャを抽出した。
図28A、図28B、および図28Cは、各々、様々な実施形態に従った、被験者から獲得された別の例示的な癌サンプルにおけるエッジバリアントおよび非エッジバリアントの検出を示している。サンプル(MSK−VB−0023)は、図26A〜図26Cおよび図27A〜図27Cに示される例に関連して、上で説明されたように処理された。
図29は、一実施形態に従った、様々な被験者サンプルにわたるエッジバリアントの同定を示している。図29は、図26A〜図26Cおよび図27A〜図27Cを参照して上で説明された被験者サンプルMSK−VP−0058およびMSK−VB−0023、ならびに多くの他の被験者サンプルからのデータを含む。図29に示される例示的な結果は、図1Aまたは図3に示されるワークフロープロセスの1つまたは複数のステップを使用して、決定され得る。例えば、プロセス300のステップ320において決定された、各サンプルのエッジバリアントおよび非エッジバリアントが、図29に示される結果を生成するために使用された。
図30は、一実施形態に従った、cfDNAにおいてコールされたバリアントのフラクションとして、異なるエッジフィルタを使用してエッジバリアントを除去した後に、固形腫瘍とcfDNAの両方においてコールされた一致バリアントを示している。図31は、一実施形態に従った、固形腫瘍においてコールされたバリアントのフラクションとして、異なるエッジフィルタを使用してエッジバリアントを除去した後に、固形腫瘍とcfDNAの両方においてコールされた一致バリアントを示している。特に、図30および図31は、ともに、適用されるエッジバリアントフィルタ(例えば、非エッジバリアントフィルタ、単純エッジバリアントフィルタ、またはサンプル特異的なエッジバリアントフィルタ)に応じて変化する、一致数を示している。
この比率は、
X.A.異なるフィルタと点数化の例示的な組み合わせ
図32は、一実施形態に従った、異なるタイプのフィルタおよびモデル225を使用して、候補バリアントを処理するための方法3200のフローチャートである。方法3200の1つまたは複数のステップは、本明細書において説明される他の方法と併せて、または別の方法と併せて、実行され得る。例えば、方法3200は、例えば、バリアントをコールする前に、いずれの偽陽性も識別および除去するために、図3に示される方法300の一部として、実行され得る。方法3200は、いくつかの実施形態においては、図32との関連で説明されるものとは異なるステップ、追加のステップ、もしくはより少ないステップを含み得、または図32との関連で説明される順序とは異なる順序で実行され得る。例えば、方法3200は、ジョイントモデルを使用して、しかし、エッジフィルタリングは用いずに、ふるい分けを行い得る。異なる例として、方法3200は、ジョイントモデルを使用してふるい分けを行う前に、エッジフィルタリングを実行し得る。いくつかの実施形態においては、1つまたは複数のステップは、組み合わされ得、例えば、方法3200は、同じステップにおいて、ジョイントモデルおよびエッジフィルタリングを使用する、ふるい分けを含む。
以下の図34A〜図34Hにおける例示的なデータは、無細胞ゲノム研究の個人のサンプルセットから獲得されたシーケンスリードを使用して生成され、本明細書において説明される方法(例えば、ノイズモデリング、ジョイントモデリング、エッジフィルタリング、非同義フィルタリングなど)のうちの1つまたは複数を使用して、処理された。サンプルセットは、血液サンプル(例えば、cfDNA)が獲得された、健康な個人を含む。加えて、サンプルセットは、血液サンプルおよび組織サンプル(例えば、腫瘍またはgDNA)が獲得された、少なくとも1つのタイプの癌を有することが知られた個人を含む。データは、アメリカ合衆国およびカナダにおける約140のセンタにわたって、個人から収集された。図33A〜図33Cは、サンプルセットに関するさらなる詳細を示している。
XI.A.例示的な小バリアントフィーチャ
これ以降で使用される場合、小バリアントシーケンシングアッセイとは、一般に、小バリアントを決定するために使用することができる標的遺伝子シーケンシングパネルを通して、シーケンスリードを生成する物理的アッセイのことを指し、小バリアントの例は、単一ヌクレオチドバリアント(SNV)と、挿入または欠失とを含む。あるいは、当業者が理解するように、小バリアントの評価は、全ゲノムシーケンシング手法、または全エクソームシーケンシング手法を使用しても行われ得る。例示的な小バリアントシーケンシングアッセイは、図1Aを参照して先に説明されている。
小バリアントフィーチャは、予測癌モデルなど、1つまたは複数のタイプのモデルへの入力として、使用され得る。予測癌モデルは、例えば、与えられた個人が、少なくとも1つの特定のタイプの癌または疾病を有する、または発症する可能性が高い尤度を予測する、癌と関連付けられた予測を生成し得る。予測癌モデルは、ステージI、ステージII、ステージIII、およびステージIVの癌のうちの1つまたは複数の検出を予測するために、使用され得る。癌の例示的なタイプは、乳がん、肺がん、大腸がん、卵巣がん、子宮がん、黒色腫、腎臓がん、膵臓がん、甲状腺がん、胃がん、肝胆道がん、食道がん、前立腺がん、リンパ腫、多発性骨髄腫、頭頸部がん、膀胱がん、子宮頸がん、またはそれらの任意の組み合わせを含む。いくつかの実施形態においては、予測癌モデルは、試験サンプルからのシーケンスリードの分析に基づいて、乳がんを、HR陽性、HER2過剰発現、HER2増幅、またはトリプルネガティブとして分類するために使用される。
様々な実施形態においては、小バリアントシーケンシングアッセイからのシーケンスリードの準備中に、またはコンピュータ分析中に、出力フィーチャを改善し、調整し、または最適化するために、1つまたは複数のステップが、実行され得る。例えば、調整されたフィーチャの結果として、予測癌モデルは、より大きい感度(例えば、真陽性検出レート)または特異度(例えば、偽陽性検出レート)で、予測を生成し得る。
図35Bは、一実施形態に従った、小バリアントフィーチャの第1のセットを使用して癌の存在を予測する、予測癌モデルの特異度および感度の受信者動作特性(ROC)曲線を示している。具体的には、予測癌モデルは、癌の存在または非存在を示す、これ以降「A_score」と呼ばれる、スコアを出力する。ROC曲線の総曲線下面積(AUC)は、0.697である。目標が、設定された特異度(例えば、特異度95%または99%)を与えられた場合に、感度を達成することであると仮定すると、図35Bは、85%〜100%の特異度範囲内にある、予測癌モデルの性能を示している。この例においては、予測癌モデルに提供される小バリアントフィーチャの第1のセットは、体細胞バリアントの総数と、非同義バリアントの総数とを含む。ROC曲線は、特異度95%において、感度35%を、特異度99%において、感度約19%を示す。特異度99%から特異度95%に進むとき、ROC曲線は、非線形に増加し、それによって、この感度/特異度トレードオフにおいて検出される真陽性が、おそらく存在することを示す。
本発明の実施形態についての上述の説明は、例示の目的で提示されたものであり、網羅的であること、または本発明を開示された通りの形態に限定することは、意図されていない。上述の開示を踏まえて、多くの変更および変形が可能であることを、当業者は理解することができる。
Claims (64)
- 無細胞核酸サンプルの複数の候補バリアントを生成するステップと、
前記無細胞核酸サンプルおよび対応するゲノム核酸サンプルにおける前記候補バリアントの各々について、真の代替頻度の尤度を決定するステップと、
前記候補バリアントを、少なくとも前記真の代替頻度の尤度を使用するモデルによってふるい分けるステップと、
ふるい分けられた前記候補バリアントを出力するステップと
を備える、方法。 - 前記候補バリアントの各々について、前記候補バリアントがエッジバリアントである確率を示すエッジバリアント確率を決定することによって前記候補バリアントをふるい分けるステップ、
をさらに備える、請求項1に記載の方法。 - 前記候補バリアントをふるい分けるステップは、
シーケンスリード上において見つけられた代替対立遺伝子を受け取るステップであって、前記シーケンスリードがゲノム内の複数の位置から獲得される、ステップと、
受け取られた前記代替対立遺伝子に基づいて、前記無細胞核酸サンプルについてのエッジバリアントの予測されるレートを決定するステップと、
複数の前記位置のサブセットの各々について、
前記位置から獲得されたシーケンスリードからフィーチャを抽出するステップと、
抽出された前記フィーチャをトレーニングされたモデルへの入力として適用して、前記位置についてのアーチファクトスコアおよび前記位置についての非アーチファクトスコアを獲得するステップであって、前記アーチファクトスコアは、前記位置から獲得されたシーケンスリード上において見つけられた代替対立遺伝子が、処理アーチファクトの結果である尤度を反映し、前記非アーチファクトスコアは、前記位置から獲得されたシーケンスリード上において見つけられた代替対立遺伝子が、処理アーチファクトの結果でない尤度を反映する、ステップと、
前記位置についての前記アーチファクトスコア、前記前記位置についての非アーチファクトスコア、および前記無細胞核酸サンプルについての前記アーチファクトの予測されるレートを組み合わせることによって、前記位置についての前記エッジバリアント確率を生成するステップと、
前記エッジバリアント確率に基づいて、前記位置における前記候補バリアントの1つをエッジバリアントとして報告するステップと、
を備える、請求項2に記載の方法。 - 前記無細胞核酸サンプルについての前記エッジバリアントは、前記シーケンスリードのうちの1つまたは複数の部分の自発的な脱アミノ酸化に起因する、請求項3に記載の方法。
- 前記無細胞核酸サンプルについての、前記エッジバリアントの予測されるレートを決定するステップは、
受け取られた前記代替対立遺伝子を考慮して尤度ベースの推定を実行し、推定量を生成するステップと、
最尤推定量に基づいて前記エッジバリアントの予測されるレートを選択するステップと、
を備える、請求項3に記載の方法。 - 前記尤度ベースの推定は、アーチファクト区分に区分けされたシーケンスリードから生成された第1の分布を考慮して、さらに実行される、請求項5に記載の方法。
- 前記尤度ベースの推定は、非アーチファクト区分に区分けされたシーケンスリードから生成された第2の分布を考慮して、さらに実行される、請求項5または6に記載の方法。
- 前記位置の前記シーケンスリードから抽出された前記フィーチャの1つは、前記シーケンシングリードのサブセットにおける代替対立遺伝子のロケーションと、前記シーケンシングリードの前記サブセットのエッジの間の中央値距離である、請求項3から請求項7のいずれか1項に記載の方法。
- 前記位置の前記シーケンスリードから抽出された前記フィーチャの1つは、
1)前記シーケンシングリードの第1のサブセットにおける代替対立遺伝子のロケーションと前記第1のサブセットにおける前記シーケンシングリードのエッジとの間の第1の中央値距離と、
2)前記シーケンシングリードの第2のサブセットにおける参照対立遺伝子のロケーションと、前記第2のサブセットにおける前記シーケンシングリードのエッジとの間の第2の中央値距離と、
の間の差を表す有意性スコアである、請求項3から請求項8のいずれか1項に記載の方法。 - 前記位置の前記シーケンスリードから抽出された前記フィーチャの1つは、位置を横断する前記代替対立遺伝子を含むシーケンスリードのフラクションを表す、対立遺伝子フラクションである、請求項3から請求項9のいずれか1項に記載の方法。
- 前記エッジバリアント確率に基づいて、コールされた前記バリアントを前記エッジバリアントとして報告するステップは、
前記エッジバリアント確率を閾値と比較するステップと、
比較に基づいて、コールされた前記バリアントを前記エッジバリアントとして、報告するステップと
を備える、請求項3から請求項10のいずれか1項に記載の方法。 - 複数の前記位置の前記サブセットに含まれる前記ゲノム内の位置は、
複数のうちの各位置について、
前記位置に対応するコールされたバリアントの変異タイプを同定するステップと、
コールされた前記バリアントの前記変異タイプがシトシンからチミンへの塩基置換、またはグアニンからアデニンへの塩基置換の一方であるかどうかを決定するステップと、
によって決定される、請求項3から請求項11のいずれか1項に記載の方法。 - トレーニングされた前記モデルは、
トレーニングシーケンスリード上において見つけられた代替対立遺伝子を受け取るステップであって、前記トレーニングシーケンスリードはゲノム内の複数の位置から獲得される、ステップと、
前記トレーニングシーケンスリード上において見つけられた前記代替対立遺伝子の特性に基づいて、前記トレーニングシーケンスリード上の各々を2つ以上の区分に区分けするステップと、
トレーニングバリアントの2つ以上の前記区分の各々について、
前記区分に区分けされたトレーニングシーケンスリードからフィーチャを抽出するステップと、
抽出された前記フィーチャに基づいて、分布を生成するステップと、
によってトレーニングされる、請求項3から請求項12のいずれか1項に記載の方法。 - 前記トレーニングシーケンスリードの前記特性は前記代替リードの塩基変異のタイプを備え、
前記トレーニングシーケンスリード上の各々を2つ以上の区分に区分けすることは、前記トレーニングシーケンスリード上における前記代替対立遺伝子の塩基変異の前記タイプに基づいて、各トレーニングシーケンスリードを、アーチファクト区分または非アーチファクト区分の一方に区分けすることを備える、請求項13に記載の方法。 - 前記アーチファクト区分に区分けされたトレーニングシーケンスリードは、各々、シトシンからチミンへの変異またはグアニンからアデニンへの変異のどちらかである代替リードを含む、請求項13または請求項14に記載の方法。
- 前記アーチファクト区分に区分けされたトレーニングシーケンスリードは各々、前記トレーニングシーケンシングリードのエッジから閾値距離内に見つけられる代替対立遺伝子を含む、請求項13から請求項15のいずれか1項に記載の方法。
- 前記非アーチファクト区分に区分けされたトレーニングシーケンスリードは、各々、前記トレーニングシーケンシングリードのエッジから閾値距離外に見つけられる、またはシトシンからチミンへの変異またはグアニンからアデニンへの変異以外の塩基置換である、代替対立遺伝子を含む、請求項13から請求項16のいずれか1項に記載の方法。
- 同義変異と関連付けられた少なくとも1つの候補バリアントを除去することにより前記候補バリアントをふるい分けるステップと、
をさらに備える、請求項1または請求項2に記載の方法。 - 前記真の代替頻度の尤度を決定するステップは、前記候補バリアントの少なくとも1つについて、
被験者の前記無細胞核酸サンプルからの第1のシーケンスリードの第1の深さおよび第1の代替深さを決定するステップと、
前記被験者のゲノム核酸サンプルからの第2のシーケンスリードの第2の深さおよび第2の代替深さを決定するステップと、
前記無細胞核酸サンプルの前記第1の深さおよび前記真の代替頻度によってパラメータ化された第1の関数を使用して、前記第1の代替深さをモデル化することによって、前記無細胞核酸サンプルの真の代替頻度の第1の尤度を決定するステップと、
前記ゲノム核酸サンプルの前記第2の深さおよび前記真の代替頻度によってパラメータ化された第2の関数を使用して、前記第2の代替深さをモデル化することによって、前記ゲノム核酸サンプルの真の代替頻度の第2の尤度を決定するステップと、
をさらに備え、
前記モデルは、少なくとも、前記第1の尤度、前記第2の尤度、および1つまたは複数のパラメータを使用して、前記無細胞核酸サンプルの前記真の代替頻度が前記ゲノム核酸サンプルの前記真の代替頻度の関数よりも大きい確率を決定することによって前記候補バリアントをふるい分ける、請求項1から請求項3のいずれか1項に記載の方法。 - 前記第1の関数は、前記第1の深さの1つと前記無細胞核酸サンプルの前記真の代替頻度の積によってパラメータ化されたポアソン分布関数であり、前記第2の関数は、前記第2の深さの1つと前記ゲノム核酸サンプルの前記真の代替頻度の別の積によってパラメータ化された別のポアソン分布関数である、請求項19に記載の方法。
- 前記確率は、前記無細胞核酸サンプルからの前記第1のシーケンスリードからの変異が前記被験者の前記ゲノム核酸サンプルからの前記第2のシーケンスリードにおいて見つけられないことについての信頼性レベルを表す、請求項19または請求項20に記載の方法。
- 前記確率が1つまたは複数の前記パラメータのうちの1つよりも大きいと決定したのに応答して、前記無細胞核酸サンプルからの前記第1のシーケンスリードからの少なくともいくつかの変異が前記被験者の前記ゲノム核酸サンプルからの前記第2のシーケンスリードにおいて見つけられないと決定するステップと、
をさらに備える、請求項19から請求項21のいずれか1項に記載の方法。 - 前記確率を決定するステップは、前記無細胞核酸サンプルの前記真の代替頻度が1つまたは複数のパラメータのうちの1つによって乗算された前記ゲノム核酸サンプルの前記真の代替頻度よりも大きい前記確率を決定するステップと、
をさらに備える、請求項19から請求項22のいずれか1項に記載の方法。 - 前記確率を決定するステップは、前記第1の尤度と前記第2の尤度のジョイント尤度を決定するステップを備え、前記第1の尤度および前記第2の尤度は、前記第1のシーケンスリードおよび前記第2のシーケンスリードを与えられた場合、条件付きで独立である、請求項19から請求項23のいずれか1項に記載の方法。
- 前記確率を決定するステップは、
前記第1の尤度および前記第2の尤度の一方の累積和を決定するステップと、
前記第1の尤度および前記第2の尤度の他方の積分を決定するステップと、
によって、前記第1の尤度と前記第2の尤度のジョイント尤度を数値的に近似するステップと、
を備える、請求項19から請求項24のいずれか1項に記載の方法。 - 1つまたは複数の前記パラメータは、健康的なゲノム核酸サンプルの代替頻度を入力として取る第3の関数を使用して決定される第1のパラメータを含む、請求項19から請求項25のいずれか1項に記載の方法。
- 前記第3の関数は、シーケンスリードにおけるヘテロ接合性の消失イベントを防ぐための基準によって定義された、請求項26に記載の方法。
- 前記第3の関数は非線形関数である、請求項27に記載の方法。
- 前記基準が、前記第1のパラメータについては3の値、および前記健康的なゲノム核酸サンプルの前記代替頻度について1/3のより低い閾値を示す、請求項27に記載の方法。
- 1つまたは複数の前記パラメータは、(i)前記ゲノム核酸サンプルからの前記第2のシーケンスリードの前記第2の代替深さの1つ、(ii)前記ゲノム核酸サンプルの参照深さ、および(iii)健康的なゲノム核酸サンプルに関する変異のノイズレベルのモデル、を入力として取る第3の関数を使用して決定される第1のパラメータを含む、請求項19から請求項25のいずれか1項に記載の方法。
- 1つまたは複数の前記パラメータは第2のパラメータを含み、第1および第2の前記パラメータは、複数の個人の無細胞核酸サンプルとゲノム核酸サンプルのセットを用いて交差検証を行うことにより経験的に決定される、請求項19から請求項30のいずれか1項に記載の方法。
- 前記第1のパラメータは1以上5以下の値を有し、前記第2のパラメータは0.5と1の間の別の値を有する、請求項31に記載の方法。
- 前記交差検証を行うことは複数のタイプの疾病と関連付けられたサンプルを使用して導出された候補パラメータ値を適用して、異なるタイプの疾病と関連付けられた別のサンプルを試験することを含む、請求項31に記載の方法。
- 第1のパラメータによってパラメータ化された第3の関数を使用して、健康な無細胞核酸サンプルに関する変異の第1のノイズレベルを決定するステップであって、前記無細胞核酸サンプルの真の代替頻度の前記第1の尤度がさらに第1のノイズレベルを使用して決定される、ステップと、
第2のパラメータによってパラメータ化された第4の関数を使用して、健康的なゲノム核酸サンプルに関する変異の第2のノイズレベルを決定するステップであって、前記ゲノム核酸サンプルの真の代替頻度の前記第2の尤度がさらに前記第2のノイズレベルを使用して決定される、ステップと、
をさらに備える、請求項19から請求項33のいずれか1項に記載の方法。 - 前記第1の代替深さをモデル化することは、前記第1の関数の出力に前記第1のノイズレベルを加算することを含み、前記第2の代替深さをモデル化することは前記第2の関数の別の出力に前記第2のノイズレベルを加算することを含む、請求項34に記載の方法。
- 第1および第2の前記パラメータはシーケンスリードの与えられた位置に関する核酸変異のノイズレベルを符号化した分布のパラメータを表す、請求項34に記載の方法。
- 前記第3および第4の関数は、各々、平均レートおよび分散パラメータによってパラメータ化された負の2項分布関数である、請求項34に記載の方法。
- 前記第3および第4の関数は同じタイプの関数であり、同じタイプのパラメータによってパラメータ化される、請求項34に記載の方法。
- 前記第1のパラメータは無細胞核酸サンプルのセットを使用してトレーニングされる第1のモデルを使用して導出され、前記第2のパラメータはゲノム核酸サンプルのセットを使用してトレーニングされる第2のモデルを使用して導出される、請求項34に記載の方法。
- ゲノム核酸サンプルの前記セットは白血球細胞からのものである、請求項39に記載の方法。
- 前記第1および第2のモデルはベイズ階層モデルである、請求項39に記載の方法。
- 前記第1および第2のモデルは同じタイプのモデルである、請求項39に記載の方法。
- 前記被験者の血液サンプルから前記無細胞核酸サンプルを収集するステップまたは収集したステップと、
前記無細胞核酸サンプルの濃縮を実行し、前記第1のシーケンスリードを生成するステップと、
をさらに備える、請求項19から請求項42のいずれか1項に記載の方法。 - 前記第1のシーケンスリードは前記被験者の血液、全血、血漿、血清、尿、脳脊髄液、糞便、唾液、涙液、組織生検材料、胸膜液、心膜液、または腹水のサンプルから獲得される、請求項19から42のいずれか1項に記載の方法。
- 前記第1のシーケンスリードは前記被験者の少なくともCD4+細胞を含む血液からの細胞の分離から獲得される、請求項19から請求項43のいずれか1項に記載の方法。
- 前記第2のシーケンスリードは前記被験者の腫瘍生検の腫瘍細胞から獲得される、請求項19から45のいずれか1項に記載の方法。
- 前記第2のシーケンスリードは前記被験者の白血球細胞から獲得される、請求項19から請求項45のいずれか1項に記載の方法。
- 前記確率が閾値確率よりも小さいと決定したのに、および前記ゲノム核酸サンプルからの前記第2のシーケンスリードの前記第2の代替深さの1つがゼロよりも大きいと決定するのに応答して、前記無細胞核酸サンプルからの前記第1のシーケンスリードの候補バリアントが、前記ゲノム核酸サンプルのヌクレオチド変異と関連付けられると決定するステップをさらに備える、請求項19から請求項47のいずれか1項に記載の方法。
- 前記閾値確率は、0.8に等しい、請求項48に記載の方法。
- 前記無細胞核酸サンプルからの前記第1のシーケンスリードの候補バリアントについて、(i)前記確率が閾値確率よりも小さいと決定した、および(ii)前記候補バリアントと関連付けられた前記ゲノム核酸サンプルからの前記第2のシーケンスリードの前記第2の代替深さの1つがゼロに等しいと決定したのに応答して、
前記第1の深さ、前記第1の代替深さ、前記第2の深さ、および前記第2の代替深さを使用して比を決定するステップと、
少なくとも前記比が閾値比よりも小さいと決定したのに応答して、前記候補バリアントは前記ゲノム核酸サンプルの変異とおそらく関連付けられると決定するステップと、
をさらに備える、請求項19から請求項47のいずれか1項に記載の方法。 - 前記候補バリアントが前記ゲノム核酸サンプルの前記変異とおそらく関連付けられるとの決定に基づいて、1つまたは複数の前記パラメータのうち少なくとも1つが前記候補バリアントのために決定される、請求項50に記載の方法。
- 前記候補バリアントに対応する1つまたは複数のパラメータの第1のセットを決定するステップと、
1つまたは複数のパラメータの前記第1のセットを使用して、第1のフィルタを前記候補バリアントへ適用するステップと、
別の候補バリアントが、前記ゲノム核酸サンプルの別の変異とおそらく関連付けられないと決定したのに応答して、別の前記候補バリアントに対応する1つまたは複数のパラメータの第2のセットを決定するステップと、
1つまたは複数のパラメータの前記第2のセットを使用して、第2のフィルタを別の前記候補バリアントへ適用するステップであって、前記第2のフィルタは前記第1のフィルタのそれよりも厳しいフィルタリング基準を有するステップと、
をさらに備える、請求項50に記載の方法。 - 前記第2のシーケンスリードの前記第2の代替深さを使用して、gDNA深さ品質スコアを決定するステップと、
をさらに備え、
前記候補バリアントが前記変異とおそらく関連付けられると決定することは前記gDNA深さ品質スコアが閾値スコア以上であると決定することにさらに応答する、請求項50に記載の方法。 - 前記閾値スコアは1である、請求項53の方法。
- 前記第1のシーケンスリードが複数の基準のうち少なくとも1つを満たすと決定することによって、前記無細胞核酸サンプルからの前記第1のシーケンスリードの候補バリアントをふるい分けることを決定するステップと、
をさらに備える、請求項19から請求項54のいずれか1項に記載の方法。 - 前記第1のシーケンスリードが複数の前記基準のうち少なくとも1つを満たすかどうかを決定することは、前記候補バリアントがエッジバリアントアーチファクトであると決定するステップと、
を備える、請求項55に記載の方法。 - 前記第1のシーケンスリードが複数の前記基準のうち少なくとも1つを満たすかどうか決定することは、前記第1のシーケンスリードの前記第1の深さの1つが閾値深さよりも小さいと決定するステップと、
を備える、請求項55から請求項56のいずれか1項に記載の方法。 - 前記第1のシーケンスリードが複数の前記基準のうち少なくとも1つを満たすかどうかを決定することは、
1つまたは複数の生殖細胞系列変異に類似する前記第1の配列における変異の頻度が閾値頻度よりも大きいと決定するステップと、
前記変異が生殖細胞系列変異と関連付けられた位置において見つけられたと決定するステップと、
を備える請求項55から請求項57のいずれか1項に記載の方法。 - 前記モデルによって前記候補バリアントをふるい分けるステップは、複数の前記候補バリアントの候補バリアントについて、
前記無細胞核酸サンプルにおける前記候補バリアントの真の代替頻度が対応する前記ゲノム核酸サンプルにおける前記候補バリアントの真の代替頻度の関数よりも大きい確率を決定するステップと、
前記確率が閾値確率よりも小さいと決定するステップと、
前記ゲノム核酸サンプルにおける前記候補バリアントの代替深さが閾値深さよりも大きいと決定するステップと、
前記無細胞核酸サンプルの深さおよび代替深さと、前記ゲノム核酸サンプルの別の深さおよび代替深さを使用して比を決定するステップと、
前記ゲノム核酸サンプルの前記代替深さを使用してgDNA深さ品質スコアを決定するステップと、
前記候補バリアントが、
前記比が閾値比よりも少ないと決定するステップと、
前記gDNA深さ品質スコアが閾値スコア以上であると決定するステップと、
に応答して、前記ゲノム核酸サンプルの変異とおそらく関連付けられると決定するステップと、
を備える、請求項1から請求項58のいずれか1項に記載の方法。 - ふるい分けられた前記候補バリアントを使用して、1つまたは複数のフィーチャの値を生成するステップと、
1つまたは複数の前記フィーチャの前記値を予測癌モデルに入力して、前記被験者についての癌予測を生成するステップであって、前記予測癌モデルは、学習された重みを備える関数を通して1つまたは複数の前記フィーチャの前記値を前記被験者についての前記癌予測へ変換する、ステップと、
前記被験者についての前記癌予測を提供するステップと、
をさらに備える、請求項1から請求項59のいずれか1項に記載の方法。 - 被験者についての癌予測を決定するための方法であって、前記方法は、
前記被験者から獲得された試験サンプルにおける無細胞核酸と関連付けられたデータセットを獲得するステップであって、前記データセットは前記無細胞核酸上のシーケンシングアッセイから生成されたシーケンスリードを備えるステップと、
前記シーケンスリード上のコンピュータ分析を実行するまたは実行した、1つまたは複数のフィーチャの値を生成するステップであって、1つまたは複数の前記フィーチャの値は前記試験サンプルにおける前記無細胞核酸上の小バリアントシーケンシングアッセイから導出されるステップと
1つまたは複数のフィーチャの前記値を予測癌モデルに入力し前記被験者についての癌予測を生成するステップであって、前記予測癌モデルは、学習された重みを備える関数を通して、1つまたは複数のフィーチャの前記値を前記被験者についての前記癌予測へ変換するステップと、
前記被験者についての前記癌予測を提供するステップと、
を備える、方法。 - 1つまたは複数の前記フィーチャは、体細胞バリアントの総数と、非同義バリアントの総数と、同義バリアントの総数と、遺伝子パネル内の遺伝子ごとの体細胞バリアントの存在または非存在と、癌に関連付けられたと知られている特定の遺伝子についての体細胞バリアントの存在または非存在と、遺伝子パネル内の遺伝子ごとの体細胞バリアントの対立遺伝子頻度と、体細胞バリアントのAFに従った順位序列と、区分ごとの体細胞バリアントの対立遺伝子頻度とのうちの1つまたは複数、を備える、請求項61に記載の方法。
- コンピュータプロセッサおよびメモリを備えるシステムであって、前記メモリはコンピュータプロセッサによって実行されると、請求項1から請求項62に記載の方法のいずれか1つのステップを備えるステップを実行するコンピュータプログラム命令を記憶する、システム。
- 請求項1から請求項62の方法のいずれか1つの動作を実行するようにコンピュータシステムを制御するための複数の命令を記憶したコンピュータ可読媒体を備えるコンピュータ製品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023127900A JP2023156402A (ja) | 2017-11-28 | 2023-08-04 | ターゲットシーケンシングのためのモデル |
Applications Claiming Priority (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762591637P | 2017-11-28 | 2017-11-28 | |
US62/591,637 | 2017-11-28 | ||
US201762610917P | 2017-12-27 | 2017-12-27 | |
US62/610,917 | 2017-12-27 | ||
US201862642301P | 2018-03-13 | 2018-03-13 | |
US62/642,301 | 2018-03-13 | ||
US201862679347P | 2018-06-01 | 2018-06-01 | |
US62/679,347 | 2018-06-01 | ||
PCT/US2018/062666 WO2019108555A1 (en) | 2017-11-28 | 2018-11-27 | Models for targeted sequencing |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023127900A Division JP2023156402A (ja) | 2017-11-28 | 2023-08-04 | ターゲットシーケンシングのためのモデル |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021503922A true JP2021503922A (ja) | 2021-02-15 |
Family
ID=64734136
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020529278A Pending JP2021503922A (ja) | 2017-11-28 | 2018-11-27 | ターゲットシーケンシングのためのモデル |
JP2023127900A Pending JP2023156402A (ja) | 2017-11-28 | 2023-08-04 | ターゲットシーケンシングのためのモデル |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023127900A Pending JP2023156402A (ja) | 2017-11-28 | 2023-08-04 | ターゲットシーケンシングのためのモデル |
Country Status (8)
Country | Link |
---|---|
US (1) | US11961589B2 (ja) |
EP (1) | EP3717662A1 (ja) |
JP (2) | JP2021503922A (ja) |
CN (1) | CN111742059B (ja) |
AU (1) | AU2018375302A1 (ja) |
CA (1) | CA3080170A1 (ja) |
TW (1) | TWI814753B (ja) |
WO (1) | WO2019108555A1 (ja) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11728007B2 (en) * | 2017-11-30 | 2023-08-15 | Grail, Llc | Methods and systems for analyzing nucleic acid sequences using mappability analysis and de novo sequence assembly |
CA3098321A1 (en) | 2018-06-01 | 2019-12-05 | Grail, Inc. | Convolutional neural network systems and methods for data classification |
US11581062B2 (en) | 2018-12-10 | 2023-02-14 | Grail, Llc | Systems and methods for classifying patients with respect to multiple cancer classes |
EP3899955A1 (en) | 2018-12-19 | 2021-10-27 | Grail, Inc. | Cancer tissue source of origin prediction with multi-tier analysis of small variants in cell-free dna samples |
US20210065842A1 (en) | 2019-07-23 | 2021-03-04 | Grail, Inc. | Systems and methods for determining tumor fraction |
EP4018003A1 (en) * | 2019-08-28 | 2022-06-29 | Grail, LLC | Systems and methods for predicting and monitoring treatment response from cell-free nucleic acids |
GB201914064D0 (en) * | 2019-09-30 | 2019-11-13 | Longas Tech Pty Ltd | Method for determining a measure correlated to the probability that two mutated sequence reads derive from the same sequence comprising mutations |
CN112133277B (zh) * | 2020-11-20 | 2021-02-26 | 北京猿力未来科技有限公司 | 样本生成方法及装置 |
CN112927755B (zh) * | 2021-02-09 | 2022-03-25 | 北京博奥医学检验所有限公司 | 一种鉴定cfDNA变异来源的方法和*** |
CN114220480B (zh) * | 2022-02-17 | 2022-05-10 | 武汉宏韧生物医药股份有限公司 | 一种药物成分分析方法及*** |
CN116246705B (zh) * | 2023-05-10 | 2023-07-14 | 国家食品安全风险评估中心 | 全基因组测序数据的分析方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140066317A1 (en) * | 2012-09-04 | 2014-03-06 | Guardant Health, Inc. | Systems and methods to detect rare mutations and copy number variation |
WO2016109452A1 (en) * | 2014-12-31 | 2016-07-07 | Guardant Health , Inc. | Detection and treatment of disease exhibiting disease cell heterogeneity and systems and methods for communicating test results |
US20170211153A1 (en) * | 2016-01-22 | 2017-07-27 | Mayo Foundation for Medical Education and Research, a charitable corporation of Minnesota | Algorithmic Approach for Determining the Plasma Genome Abnormality PGA and the Urine genome abnormality UGA scores based on Cell Free cfDNA Copy Number Variations in Plasma and Urine. |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9085798B2 (en) | 2009-04-30 | 2015-07-21 | Prognosys Biosciences, Inc. | Nucleic acid constructs and methods of use |
WO2011161186A1 (en) * | 2010-06-23 | 2011-12-29 | Biocrates Life Sciences Ag | Method for in vitro diagnosing sepsis utilizing biomarker composed of more than two different types of endogenous biomolecules |
CN103748236B (zh) | 2011-04-15 | 2018-12-25 | 约翰·霍普金斯大学 | 安全测序*** |
DK2828218T3 (da) | 2012-03-20 | 2020-11-02 | Univ Washington Through Its Center For Commercialization | Methods of lowering the error rate of massively parallel dna sequencing using duplex consensus sequencing |
WO2014036167A1 (en) | 2012-08-28 | 2014-03-06 | The Broad Institute, Inc. | Detecting variants in sequencing data and benchmarking |
KR102393608B1 (ko) * | 2012-09-04 | 2022-05-03 | 가던트 헬쓰, 인크. | 희귀 돌연변이 및 카피수 변이를 검출하기 위한 시스템 및 방법 |
EP3882362B1 (en) * | 2013-03-15 | 2024-05-08 | Guardant Health, Inc. | Methods for sequencing of cell free polynucleotides |
ES2784450T3 (es) * | 2013-12-28 | 2020-09-25 | Guardant Health Inc | Métodos y sistemas para detectar variantes genéticas |
CN106462670B (zh) * | 2014-05-12 | 2020-04-10 | 豪夫迈·罗氏有限公司 | 超深度测序中的罕见变体召集 |
US9984201B2 (en) | 2015-01-18 | 2018-05-29 | Youhealth Biotech, Limited | Method and system for determining cancer status |
US20170058332A1 (en) | 2015-09-02 | 2017-03-02 | Guardant Health, Inc. | Identification of somatic mutations versus germline variants for cell-free dna variant calling applications |
CN108603229A (zh) * | 2016-01-22 | 2018-09-28 | 格瑞尔公司 | 用于高保真测序的方法和*** |
WO2017181146A1 (en) * | 2016-04-14 | 2017-10-19 | Guardant Health, Inc. | Methods for early detection of cancer |
BR112019018272A2 (pt) | 2017-03-02 | 2020-07-28 | Youhealth Oncotech, Limited | marcadores metilação para diagnosticar hepatocelular carcinoma e câncer |
US20210125683A1 (en) * | 2017-09-15 | 2021-04-29 | The Regents Of The University Of California | Detecting somatic single nucleotide variants from cell-free nucleic acid with application to minimal residual disease monitoring |
CN111357054B (zh) * | 2017-09-20 | 2024-07-16 | 夸登特健康公司 | 用于区分体细胞变异和种系变异的方法和*** |
US20200105375A1 (en) * | 2018-09-28 | 2020-04-02 | Grail, Inc. | Models for targeted sequencing of rna |
-
2018
- 2018-11-27 US US16/201,912 patent/US11961589B2/en active Active
- 2018-11-27 EP EP18821803.6A patent/EP3717662A1/en active Pending
- 2018-11-27 CN CN201880076840.2A patent/CN111742059B/zh active Active
- 2018-11-27 WO PCT/US2018/062666 patent/WO2019108555A1/en unknown
- 2018-11-27 AU AU2018375302A patent/AU2018375302A1/en active Pending
- 2018-11-27 JP JP2020529278A patent/JP2021503922A/ja active Pending
- 2018-11-27 CA CA3080170A patent/CA3080170A1/en active Pending
- 2018-11-28 TW TW107142461A patent/TWI814753B/zh active
-
2023
- 2023-08-04 JP JP2023127900A patent/JP2023156402A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140066317A1 (en) * | 2012-09-04 | 2014-03-06 | Guardant Health, Inc. | Systems and methods to detect rare mutations and copy number variation |
WO2016109452A1 (en) * | 2014-12-31 | 2016-07-07 | Guardant Health , Inc. | Detection and treatment of disease exhibiting disease cell heterogeneity and systems and methods for communicating test results |
US20170211153A1 (en) * | 2016-01-22 | 2017-07-27 | Mayo Foundation for Medical Education and Research, a charitable corporation of Minnesota | Algorithmic Approach for Determining the Plasma Genome Abnormality PGA and the Urine genome abnormality UGA scores based on Cell Free cfDNA Copy Number Variations in Plasma and Urine. |
Non-Patent Citations (1)
Title |
---|
暮らしっく不動産[ONLINE],MACBOOK PRO (13-INCH, MID 2012)のメモリ交換 CPUとメモリとHD,公開日:2017, JPN6022035677, ISSN: 0005149696 * |
Also Published As
Publication number | Publication date |
---|---|
TW201926095A (zh) | 2019-07-01 |
CN111742059B (zh) | 2024-07-09 |
US20190164627A1 (en) | 2019-05-30 |
AU2018375302A1 (en) | 2020-06-11 |
WO2019108555A8 (en) | 2019-08-08 |
CN111742059A (zh) | 2020-10-02 |
US11961589B2 (en) | 2024-04-16 |
EP3717662A1 (en) | 2020-10-07 |
TWI814753B (zh) | 2023-09-11 |
WO2019108555A1 (en) | 2019-06-06 |
CA3080170A1 (en) | 2019-06-06 |
JP2023156402A (ja) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI814753B (zh) | 用於標靶定序之模型 | |
US20190316209A1 (en) | Multi-Assay Prediction Model for Cancer Detection | |
JP2021521536A (ja) | 生体試料の多検体アッセイのための機械学習実装 | |
KR20220133868A (ko) | 패치 컨볼루션 신경망을 사용한 암 분류 | |
US20200203016A1 (en) | Cancer tissue source of origin prediction with multi-tier analysis of small variants in cell-free dna samples | |
US20220090211A1 (en) | Sample Validation for Cancer Classification | |
AU2020391488A1 (en) | Systems and methods for evaluating longitudinal biological feature data | |
US20230090925A1 (en) | Methylation fragment probabilistic noise model with noisy region filtration | |
TWI781230B (zh) | 使用針對標靶定序的定點雜訊模型之方法、系統及電腦產品 | |
US20200105374A1 (en) | Mixture model for targeted sequencing | |
US20240055073A1 (en) | Sample contamination detection of contaminated fragments with cpg-snp contamination markers | |
TW202426659A (zh) | 用於標靶定序之模型 | |
US20240021267A1 (en) | Dynamically selecting sequencing subregions for cancer classification | |
WO2024086226A1 (en) | Component mixture model for tissue identification in dna samples | |
Roy | from correlation to causality: does network information improve cancer outcome prediction? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210824 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220830 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221104 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20221214 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230404 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230804 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230810 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20230915 |