JP6731957B2 - 子宮内膜癌の診断方法 - Google Patents
子宮内膜癌の診断方法 Download PDFInfo
- Publication number
- JP6731957B2 JP6731957B2 JP2017563386A JP2017563386A JP6731957B2 JP 6731957 B2 JP6731957 B2 JP 6731957B2 JP 2017563386 A JP2017563386 A JP 2017563386A JP 2017563386 A JP2017563386 A JP 2017563386A JP 6731957 B2 JP6731957 B2 JP 6731957B2
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- model
- motomeko
- classification
- metabolites
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
- G01N33/57442—Specifically defined cancers of the uterus and endometrial
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
- G01N33/57449—Specifically defined cancers of ovaries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2560/00—Chemical aspects of mass spectrometric analysis of biological material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/70—Mechanisms involved in disease identification
- G01N2800/7023—(Hyper)proliferation
- G01N2800/7028—Cancer
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Hematology (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Microbiology (AREA)
- Pathology (AREA)
- Biotechnology (AREA)
- Hospice & Palliative Care (AREA)
- Oncology (AREA)
- Cell Biology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Reproductive Health (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Description
子宮内膜癌は40歳未満の女性には稀である。発症のピークは55〜65歳である。臨床病理研究および分子解析により、子宮内膜癌を2つの大きなカテゴリーであるタイプIおよびタイプIIに分類することが支持されている。
用語“メタボロミクス”で、生物の小分子のメタボロームプロファイル試験による細胞プロセスの分析を意図する。
用語“代謝産物”で、同化または異化タイプの細胞または細胞セットの生物学的プロセスに由来する小分子を表わすものとする。
用語“メタボロームプロファイル”で、患者の血液中の代謝産物がそれらの相対的割合に応じてもつ特定のパターンを意図する。
1.並べ替えたデータセット上のすべてのQ2値は、現在のデータセットについて推定したQ2値より低くなければならない。これが確認されなければ、そのモデルは過剰適応であることを意味する;
2.回帰直線(実際の点Q2をQ2並べ替え値のクラスターの重心(centroid)に連結する線)は負の数値のy軸切片(intercept)をもつ。
決定木(decision tree)はデータの帰納的分割(recursive partitioning)に基づいて分類モデルを構築する。一般に、決定木のアルゴリズムは全データセットで開始し、それらのデータを1以上の属性(attribute)の数値に基づいて2以上のサブグループに分割し、次いで各サブセットを各サブセットのサイズが適切レベルに達するまで、より小さなグループに反復分割する。このモデリングプロセス全体を木構造で表わすことができ、作成したモデルをルール“if−then(もし・・ならば・・する)”のセットとしてまとめることができる。決定木は解釈が容易であり、計算負荷が低く(computationally undemanding)、ノイズの多いデータに対処できる。大部分の決定木は、たとえば本発明の目的のような分類問題に取り組む。これに関連して、この手法は分類木(classification tree)とも呼ばれる。木構造による表現において、節(knot)はデータの1セットを表わし、データの全セットは根にある節として表わされる。
本発明は、血液のメタボローム解析、ならびに得られた結果をPLS−DAおよびOPLS−DAからなるグループにおいて選択した判別分析モデルまたはSVMおよび決定木からなるグループにおいて選択した機械学習モデルを用いる多変量解析によりインテグレーションすることに基づいて、子宮内膜癌を診断するための方法に関する。
(I)下記を含むトレーニングフェーズ:
−子宮内膜癌を伴う患者および健常対照に由来する血液試料のGCMSまたはGC×GCMS分析;
−少なくとも分類モデルをトレーニングするための、少なくとも判別分析モデルまたは機械学習モデルを用いる多変量解析による、得られた結果のインテグレーション;
(II)未知血液試料のGCMSまたはGC×GCMS分析、およびトレーニングフェーズ(I)で形成した分類モデルに基づくクラスへのそれの割り当てを含む、割り当てフェーズ。
−少なくとも、PLS−DAおよびOPLS−DAからなる群から選択した判別分析モデル、または
−SVMおよび決定木からなる群から選択した機械学習モデル
を用いて実施する多変量解析は、有利なことに未知試料の満足すべき二分類(dichotomous classification)(“健常患者”対“子宮内膜癌に罹患している患者”)を可能にした。多変量PLS−DA解析で得られた分類モデルは、癌の組織学的識別(タイプIの癌−対−タイプIIの癌)すら可能にした。現在まで、この種の腫瘍のそのような組織学的識別を可能にする他の非侵襲的診断方法はない。
−子宮内膜癌を伴う患者および健常対照に由来する血液試料からの代謝産物の抽出および誘導体化;
−各試料についてクロマトグラムを得るための、抽出および誘導体化した代謝産物のGCMSまたはGC×GCMS分析;各クロマトグラムは代謝プロファイルである;
−子宮内膜癌を伴う患者および健常対照の代謝プロファイルのデータ行列作成;
−データアレイ多変量解析の結果としての少なくとも分類モデルの構造化;その際、少なくとも判別分析モデルまたは機械学習モデルを用いてその多変量解析を実施して、少なくとも分類モデルをトレーニングする。
好ましくは、割り当てフェーズ(II)はさらに下記のサブフェーズを含む:
−少なくとも未知血液試料からの代謝産物の抽出および誘導体化;
−未知血液試料について少なくともクロマトグラムを得るための、抽出および誘導体化した代謝産物のGCMSまたはGC×GCMS分析;
−未知血液試料のクロマトグラムからの代謝プロファイル作成;
−フェーズ(I)でトレーニングした分類モデルに基づくクラスへのその代謝プロファイルの割り当て。
i)抽出混合物の添加から得られた試料の撹拌;
ii)i)で得られた試料の遠心分離;
iii)ピリジン中の塩酸メトキシアミンで処理することによる、ii)から得られた上清の誘導体化;
iv)下記のものからなる群から選択されるシラン処理剤(シリル化剤)(silanization agent)による、iii)で得られた試料の上清のシラン処理:N,O−ビス(トリメチルシリル)トリフルオロアセトアミド(BSTFA)、N−メチル−N−(トリメチルシリル)トリフルオロアセトアミド(MSTFA)、ヘキサメチルジシラザン(HMDS)、1−(トリメチルシリル)イミダゾール(TMSI)、N−tert−ブチルジメチルシリル−N−メチルトリフルオロアセトアミド(MTBSTFA)、1−(tert−ブチルジメチルシリル)イミダゾール(TBDMSIM);場合によりトリメチルクロロシラン(TMCS)の存在下で。
本発明の目的に有用な代謝産物を分離するために、一次元ガスクロマトグラフィーおよび二次元ガスクロマトグラフィーの両方で作業することができる;二次元ガスクロマトグラフィーは、その手法のより良好な分解能がより良好な分類正確度を提供するので好ましい。いずれにしろ、実施例に示すように、より一般的な一次元ガスクロマトグラフィーで作業することもできる。
−クロマトグラムのインテグレーション;その際、そのインテグレーションによりクロマトグラムトレースのバックグラウンドノイズの10倍より大きい面積を有するすべてのピークの同定が得られる;定量分析および保持時間センタリングの両方のために基準化合物のピークを使用;
その際、各ピークを下記に基づいて同定する:
−1つの信号m/zの数量化;
−少なくとも2つの信号m/zの定性;
−正規化面積パーセント法による定量;
−定量から得られたデータの、行列への変換;その際、各試料が行を表わし、列はクロマトグラフィー保持時間により一義的に同定された種々の代謝産物により表わされる。
本発明は限定ではない下記の実施例を考慮してより良く理解できる。
自発的に血液試料を提供した子宮内膜癌を伴う88人の女性および80人の健常な女性から試料を採取した。試験はMagna Grecia of Catanzaro大学の倫理委員会により承認され、患者および健常ボランティアは試験の目的についてのインフォームドコンセントに署名した。子宮摘出介入の直前にバイアルBD Vacutainer(登録商標)を用いて血液試料を採取し、血清を分析時まで−80℃で凍結しておいた。子宮内膜病巣の生検による子宮外診検査(hysterectoscopic test)後の子宮内膜癌の診断の疑いを、子宮摘出介入後の子宮の病理解剖学的検査により確認した。子宮内膜癌の徴候をもたず、類似の身体的および社会経済的特徴(体重、身長、BMI、年齢、身分、教育レベルなど)を備えた女性から血液を採取して、対照グループを同様に手配した。
50マイクロリットルの血清を2mLのエッペンドルフ型バイアルに移し、リビトール1g/Lの溶液20μL、ならびに2.5部のメタノール、1部の水および1部のクロロホルム(CH3OH:H2O:CHCl3,2.5:1:1)からなる混合物200μLを添加した。
試料を次いで16000rpmで10分間、4℃で遠心分離した。200μLアリコートの上清を採集し、新たな2mLエッペンドルフ型バイアルに移し、200μLのH2Oを添加し、ボルテックスで30秒間混合し、16000rpmで5分間、4℃で再び遠心分離した。
凍結乾燥試料を50μLの塩酸メトキシアミン20mg/mL(ピリジン中)で処理した。この反応を37℃で撹拌(350rpm)下に90分間実施した。最後に、1%のトリメチルクロロシランを含む50μLのジ N,O−ビス(トリメチルシリル)トリフルオロアセトアミド(BSTFA)を各アンプルに添加し、シラン処理反応を37℃で60分間、撹拌下に(350rpm)実施した。
二次元ガスクロマトグラフィーのために、タイプSLB−5ms 30.0m×0,25mm ID,フィルム[シルフェニレン(silphenylene)ポリマー,実際にはポリ(5%ジフェニル/95%メチルシロキサン)に等しい極性をもつ]厚さ1μmの一次カラム(第1オーブンに配置)(J&W Agilent)を用い、それを7ドア付きインターフェース(SGE)の位置1に接続した。
ヘリウム(一定の直線速度)の出発圧を129.6kPaに設定した。同様に一定の直線速度条件で作動するAPC(advanced control of pressure)(圧力の高度制御)のヘリウムの補助出発圧を90.4kPaに設定した。
一次元ガスクロマトグラフィーのために、タイプCP−Sil 8 CB GCカラム、30m、0.25mm、1,00μmのカラム(Agilent J&W)を用いた。
ヘリウム(一定の線速度39cm/秒)の出発圧を83.7kPaに設定した。注入体積2μL、スプリット比1:5。四重極質量分析計の条件は下記のとおりであった:イオン化モード:電子衝撃(70eV)、質量範囲:35〜600m/z、スキャン速度:3.333amu/秒、溶媒カット時間4.5分間。
TICクロマトグラムにおいては通常は250より多い信号が検出され、これらのピークのうちあるものは、他の試料中に対応するものがなかったため、濃度が低すぎたので、または代謝産物として確認するにはスペクトル性に乏しかったので、それ以上は調べなかった。
正規化および補正したクロマトグラム(リビトールのピーク面積を基準にしたもの)について、SIMPCA−P 13.0(Umetrics)、RapidMiner 5.3(Rapid−I)およびR(Foundation for Statistial Computing, Vienna)を用いてデータ(PLS−DAおよびOPLS−DA)および自動化学習(SVMおよび決定木)の多変量統計解析を実施した。
結果
代謝プロファイルについて、モデルOPLS−DAは予測成分および3つの直交成分を用いて満足すべきモデリング能および予測性を示した(R2Ycum=0.995,Q2 cum=0.985)。他の分類モデルは良好な(OPLS−DAより低いけれども)分類能を示した。未知試料の適切なクラスの最終割り当てのために種々の方法が可能である。単一モデルの回答を使用でき、あるいは種々のモデルの回答をより複雑な決定アルゴリズムでインテグレーションすることができる。
Claims (11)
- 血液のメタボローム解析に基づく方法であって、下記のフェーズを含む方法:
(I)下記を含むトレーニングフェーズ:
−子宮内膜癌を伴う患者および健常対照に由来する血液試料のGCMSまたはGC×GCMS分析;
−少なくとも分類モデルをトレーニングするための、少なくとも判別分析モデルまたは機械学習モデルを用いる多変量解析による、得られた結果のインテグレーション;
(II)未知血液試料のGCMSまたはGC×GCMS分析、およびトレーニングフェーズ(I)で形成した分類モデルに基づく適切なクラスへのそれの割り当てを含む、割り当てフェーズ。 - −PLS−DAおよびOPLS−DAからなる群から少なくとも判別分析モデルを選択する、または
−SVMおよび決定木からなる群から機械学習モデルを選択する、
請求項1に記載の方法。 - トレーニングフェーズ(I)が下記のサブフェーズを含む、請求項1または2に記載の方法:
−癌を伴う患者および健常対照に由来する血液試料からの代謝産物の抽出および誘導体化;
−各試料についてクロマトグラムを得るための、抽出および誘導体化した代謝産物のGCMSまたはGC×GCMS分析;
−子宮内膜癌を伴う患者および健常対照の代謝プロファイルのデータ行列作成;
−データアレイ多変量解析の結果としての少なくとも分類モデルの構造化;その際、少なくとも判別分析モデルまたは機械学習モデルを用いてその多変量解析を実施して、少なくとも分類モデルをトレーニングする。 - フェーズ(II)がさらに下記のサブフェーズを含む、請求項1から3のうちいずれかに記載の方法:
−少なくとも未知血液試料からの代謝産物の抽出および誘導体化;
−未知血液試料について少なくともクロマトグラムを得るための、抽出および誘導体化した代謝産物のGCMSまたはGC×GCMS分析;
−未知血液試料のクロマトグラムからの代謝プロファイル作成;
−フェーズ(I)でトレーニングした分類モデルに基づくクラスへのその代謝プロファイルの割り当て。 - 子宮内膜癌を伴う患者および健常対照に由来する血液試料の数が、同定した代謝プロファイルの変数の数の少なくとも80%に等しい、請求項1から4のうちいずれかに記載の方法。
- 分類モデルを二分類“健常者”または“子宮内膜癌に罹患している患者”についてトレーニングする、請求項1から5のうちいずれかに記載の方法。
- 分類モデルをさらに“タイプI”または“タイプII”癌の組織学的分類についてトレーニングする、請求項1から6のうちいずれかに記載の方法。
- 抽出および誘導体化が下記を含む、請求項3に記載の方法:
i)抽出混合物の添加から得られた試料の撹拌;
ii)i)で得られた試料の遠心分離;
iii)ピリジン中の塩酸メトキシアミンで処理することによる、ii)で得られた上清の誘導体化;
iv)下記のものからなる群から選択されるシラン処理剤による、iii)で得られた試料の上清シラン処理:N,O−ビス(トリメチルシリル)トリフルオロアセトアミド(BSTFA)、N−メチル−N−(トリメチルシリル)トリフルオロアセトアミド(MSTFA)、ヘキサメチルジシラザン(HMDS)、1−(トリメチルシリル)イミダゾール(TMSI)、N−tert−ブチルジメチルシリル−N−メチルトリフルオロアセトアミド(MTBSTFA)、1−(tert−ブチルジメチルシリル)イミダゾール(TBDMSIM);
その際、抽出混合物はアルコール類および非プロトン極性溶媒の水性混合物からなる。 - 代謝産物の抽出を、アリコートの基準化合物の添加により実施する、請求項3に記載の方法。
- 前記基準化合物はリビトールである、請求項9に記載の方法。
- さらに下記のフェーズを含む、請求項1から10のうちいずれかに記載の方法:
−請求項1から10のうちいずれかに記載の方法により得られたクロマトグラムのインテグレーション;その際、そのインテグレーションによりクロマトグラムトレースのバックグラウンドノイズの10倍より大きい面積を有するすべてのピークが同定される;定量分析および保持時間センタリングの両方のために基準化合物のピークを使用;
その際、各ピークを下記に基づいて同定する:
−1つの信号m/zの数量化;
−少なくとも2つの信号m/zの定性;
−正規化面積パーセント法による定量;
−定量から得られたデータの、行列への変換;その際、各試料が行を表わし、列はクロマトグラフィー保持時間により一義的に同定された種々の代謝産物により表わされる。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ITUB20157151 | 2015-02-27 | ||
IT102015000007151 | 2015-02-27 | ||
PCT/EP2016/053726 WO2016135119A1 (en) | 2015-02-27 | 2016-02-23 | Method for the diagnosis of endometrial carcinoma |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018511811A JP2018511811A (ja) | 2018-04-26 |
JP6731957B2 true JP6731957B2 (ja) | 2020-07-29 |
Family
ID=60450378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017563386A Active JP6731957B2 (ja) | 2015-02-27 | 2016-02-23 | 子宮内膜癌の診断方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180038867A1 (ja) |
EP (1) | EP3262416B1 (ja) |
JP (1) | JP6731957B2 (ja) |
ES (1) | ES2711814T3 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10531825B2 (en) * | 2016-10-14 | 2020-01-14 | Stoecker & Associates, LLC | Thresholding methods for lesion segmentation in dermoscopy images |
WO2022031859A2 (en) * | 2020-08-05 | 2022-02-10 | Cornell University | Methylmalonic acid and metabolism thereof is a cancer biomarker and target |
CN118043658A (zh) * | 2021-09-07 | 2024-05-14 | 株式会社岛津制作所 | 质谱分析方法及icp质谱分析装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007057309A (ja) * | 2005-08-23 | 2007-03-08 | Yoshikimi Kikuchi | 子宮体癌の検出方法 |
JP2007271370A (ja) * | 2006-03-30 | 2007-10-18 | Japan Health Science Foundation | 子宮癌検出用マーカー |
AU2011232434B2 (en) * | 2010-03-23 | 2013-11-21 | Purdue Research Foundation | Early detection of recurrent breast cancer using metabolite profiling |
JP2011247869A (ja) * | 2010-04-27 | 2011-12-08 | Kobe Univ | メタボローム解析手法を用いた特定疾患の検査方法 |
KR101467482B1 (ko) * | 2012-12-26 | 2014-12-01 | 라정찬 | 호흡가스를 이용한 암의 진단방법 |
-
2016
- 2016-02-23 EP EP16709979.5A patent/EP3262416B1/en active Active
- 2016-02-23 US US15/552,342 patent/US20180038867A1/en not_active Abandoned
- 2016-02-23 JP JP2017563386A patent/JP6731957B2/ja active Active
- 2016-02-23 ES ES16709979T patent/ES2711814T3/es active Active
Also Published As
Publication number | Publication date |
---|---|
EP3262416B1 (en) | 2018-12-26 |
EP3262416A1 (en) | 2018-01-03 |
JP2018511811A (ja) | 2018-04-26 |
ES2711814T3 (es) | 2019-05-07 |
US20180038867A1 (en) | 2018-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3030255C (en) | Methods and systems for determining autism spectrum disorder risk | |
US20240133865A1 (en) | Methods and Systems for Determining Autism Spectrum Disorder Risk | |
EP3775906B1 (en) | Metabolite-based breast cancer detection and diagnosis | |
JP6731957B2 (ja) | 子宮内膜癌の診断方法 | |
CN113156018A (zh) | 一种肝胆疾病诊断模型的建立方法及诊断*** | |
CN113484518B (zh) | 一种区分肺部疾病的诊断生物标志物 | |
CN115440375A (zh) | 一种结直肠癌预测***及其应用 | |
CN115436633A (zh) | 一种结直肠癌检测的生物标志物及其应用 | |
CN114047263A (zh) | 代谢标志物在制备用于诊断ais的检测试剂或检测物的用途及试剂盒 | |
WO2022133738A1 (zh) | 一种术前鉴别甲状腺良恶性结节的生物标志物、试剂盒及其应用 | |
CN116519952B (zh) | 颈动脉体瘤术前筛查及诊断的标志物及其应用 | |
JP2017516118A (ja) | 胎児奇形の早期検出のための非侵襲的診断法 | |
WO2016135119A1 (en) | Method for the diagnosis of endometrial carcinoma | |
CN116500280B (zh) | 一组诊断颈动脉体瘤的标志物及其应用 | |
CN112255333B (zh) | 卵巢肿瘤尿液代谢标志物及其应用 | |
CN112255334B (zh) | 用于区分交界性和恶性卵巢肿瘤的小分子标志物及其应用 | |
D’Andréa et al. | Pilot Study on the Use of Untargeted Metabolomic Fingerprinting of Liquid-Cytology Fluids as a Diagnostic Tool of Malignancy for Thyroid Nodules. Metabolites 2023, 13, 782 | |
WO2024107923A1 (en) | Methods for the detection and treatment of lung cancer | |
TZ et al. | c) Agent. LoNooNI, Alessandra. A s Partners sL, via |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190218 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200127 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200210 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200511 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200608 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200707 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6731957 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |