个体和队列药理学表型预测平台制造技术

对于表现出或可能表现出原发性疾病或并发症的患者，可以通过在一段时间内收集组学、生理组学、环境学、社会组学、人口统计学和结果表型数据来预测药理学表型。机器学习引擎可以基于来自训练患者的训练数据生成统计模型以预测药理学表型，所述药理学表型包含药物反应和剂量、药物不良事件、疾病和并发症的风险、药物‑基因相互作用、药物‑药物相互作用以及多药房相互作用。然后，所述模型可以应用于新患者的数据以预测新患者的药理学表型，并且能够在临床和研究背景下进行决策，包含药物选择和剂量、药物治疗方案的变化、多药房优化、监测等，以获益于另外的预测能力，从而避免不良事件和药物滥用、改善药物反应、改善患者恢复结果、降低治疗成本、提高公共卫生效益并提高药理学和其它生物医学领域的研究效率。

【技术实现步骤摘要】
【国外来华专利技术】个体和队列药理学表型预测平台相关申请的交叉引用本申请要求(1)于2017年5月12日提交的题为“个体和队列药理学表型预测平台(IndividualandCohortPharmacologicalPhenotypePredictionPlatform)”的临时美国申请序列号62/505,422和(2)于2018年2月21日提交的题为“个体和队列药理学表型预测平台(IndividualandCohortPharmacologicalPhenotypePredictionPlatform)”的临时美国申请序列号62/633,355的优先权和权益，所述文献中的每一个文献的全部公开内容均在此通过引用明确并入本文。
本申请涉及药理学患者表型，并且更具体地说，涉及一种用于利用机器学习和统计技术基于患者的生物学、血统、人口统计学、临床学、社会学和环境学特征来预测患者以及患者的分层队列的药物反应表型的方法和系统。
技术介绍
今天，可以基于患者的编码基因组来预测一些患者的药物反应。可以将特定的基因性状映射到对药物的特定反应中，并可以根据患者的预测反应为患者选择药物。然而，非编码基因组学变体占基因性状差异的绝大部分，如患者的药物反应、不良药物反应和疾病风险等。表观基因组学调控研究与全基因组广泛关联研究(GWAS)的融合也表明，在广泛的医学专业和药物研究环境中，表观基因组学改变可以指示人与动物的疾病风险、药物反应和不良药物反应。此外，与疾病相关的表型变异可能是由先前归因于基因差异的染色质状态差异决定的。当前的系统未利用染色质状态、基因组学调控元件、表观基因组学、蛋白质组学、代谢组学或转录组学来预测患者的药理学表型。当前的系统也未考虑可能改变基因性状的环境和社会学特征来确定药理学表型。另外，这种系统未利用机器学习技术来训练系统以使其适应生物学特征和/或与生物学特征相对应的药理学表型随时间的变化。因此，需要一种基于组学特征(包含基因组学、表观基因组学、染色质状态、蛋白质组学、代谢组学、转录组学等)以及患者近乎实时的社会学和环境特征来准确预测药理学表型(包含药理学反应、疾病风险、药物滥用或其它药理学表型)的系统。
技术实现思路
为了预测患者的药理学表型，可以使用各种机器学习技术来训练药理学表型预测系统。更具体地，可以训练所述药理学表型预测系统以分析患者的组学、社会学和环境学数据，从而预测所述患者对各种药物的反应、所述患者滥用药物的可能性、各种疾病的风险或所述患者的任何其它药理学表型。可以通过获取一组患者(在本文中也被称为“训练患者”)的组学、社会学和环境学数据(在本文中也被称为“训练数据”)来训练所述药理学表型预测系统。在一些实施例中，可以在多个时间点获取患者的社会学和环境学数据，以详细记录所述患者的经历。针对每个训练患者，所述药理学表型预测系统可以获取所述患者的药理学表型作为训练数据，如所述患者是否出现药物滥用问题、所述患者的慢性病、所述患者对以处方形式开具给患者的各种药物的反应等。可以使用所述各种机器学习技术来分析所述训练数据以生成统计模型，所述统计模型可以用于预测所述患者对各种药物的反应、所述患者滥用药物的可能性、各种疾病的风险或所述患者的任何其它药理学表型。例如，所述统计模型可以是基于对基因调控网络的网络分析和对基因表达的环境影响的组合而生成的神经网络。在训练期之后，所述药理学表型预测系统可以接收在几个时间点收集的药理学表型未知的患者(例如，尚未向双相情感障碍患者开出锂处方，因此尚不清楚所述患者对锂的反应)的组学、社会学和环境学数据。所述组学、社会学和环境学数据可以应用于所述统计模型，以预测所述患者的药理学表型，并且可以在医疗保健提供者的客户端装置上显示这些表型。例如，对于特定药物，所述药理学表型预测系统可以确定所述患者出现不良药物反应的可能性。另外，所述药理学表型预测系统可以生成所述患者药物的预测疗效或适当剂量的指示。在一些实施例中，可以将所述患者出现不良药物反应的可能性与阈值可能性进行比较，并且可以将所述预测疗效与阈值疗效进行比较。当所述可能性超过所述阈值可能性时，所述预测疗效小于所述阈值疗效，和/或当不良药物反应的可能性与预测疗效的组合超过阈值时，则可以向所述医疗保健提供者提供所述药物的所述可能性和/或所述疗效的指示。因此，所述医疗保健提供者可以改变剂量、不给所述患者开药或者向所述患者建议具有更高疗效的替代药物。以这种方式，所述药理学表型预测系统可以鉴定用于患特定疾病的患者的最佳药物。例如，对于特定疾病，所述药理学表型预测系统可以选择被设计用于治疗所述疾病的几种药物中的一种药物，所述药物具有对所述患者的最大预测疗效以及不良药物反应的最小可能性和/或严重性。本实施例有利地允许医疗保健提供者准确且有效地鉴定推荐并以处方形式开具给患者的最佳药物。另外，通过合并组学、社会学和环境学数据来生成所述统计模型，本实施例有利地包含对患者的生物学特征的全面的生物信息学分析，所述患者的生物学特征可能随着时间而改变。这种全面的生物信息学分析提供了一个更准确的预测系统，所述系统不仅可以根据患者的固有特征预测药理学表型，而且还可以纳入社会学和环境学性状，这些性状会随着时间不断变化并可能改变基因性状的表达。此外，通过生成准确预测疾病风险和不良药物反应可能性的统计模型，所述医疗保健提供者可以在所述患者表现出疾病症状或开始出现药物滥用问题或其它疾病之前主动解决这些问题疾病症状。在一个实施例中，提供了一种用于使用统计建模和机器学习技术来鉴定药理学表型的计算机实施的方法。所述方法包含获取一组训练数据，所述训练数据包含多个第一患者中的每一个患者的以下数据：组学数据，其指示所述第一患者的生物学特征，社会组学和环境学数据，其指示随时间推移收集的所述第一患者的经历，以及表型组学数据，其指示以下至少一项：对一种或多种药物的反应、所述第一患者是否经历不良药物反应或药物滥用或所述第一患者的一种或多种慢性疾病。所述方法进一步包含：基于所述一组训练数据生成用于确定药理学表型的统计模型；接收在一段时间内收集的第二患者的一组组学数据以及社会组学和环境学数据；将所述第二患者的所述组学数据以及所述社会组学和环境学数据应用于所述统计模型以确定所述第二患者的一种或多种药理学表型；以及提供所述第二患者的所述一种或多种药理学表型以展示给医疗保健提供者，其中所述医疗保健提供者根据所述一种或多种药理学表型向所述第二患者推荐治疗方案。在另一个实施例中，提供了一种用于使用统计建模和机器学习技术来鉴定药理学表型的计算装置。所述计算装置包含通信网络、一个或多个处理器以及联接到所述一个或多个处理器并在其上存储指令的非暂时性计算机可读存储器。所述指令当由所述一个或多个处理器执行时使所述系统获取一组训练数据，所述训练数据包含多个第一患者中的每一个患者的以下数据：组学数据，其指示所述第一患者的生物学特征，社会组学和环境学数据，其指示随时间推移收集的所述第一患者的经历，以及表型组学数据，其指示以下至少一项：对一种或多种药物的反应、所述第一患本文档来自技高网...

【技术保护点】
1.一种用于使用统计建模和机器学习技术来鉴定药理学表型的计算机实施的方法，所述方法由一个或多个被编程为执行所述方法的处理器执行，所述方法包括：/n在一个或多个处理器处获取一组训练数据，所述训练数据包含多个第一患者中的每一个患者的以下数据：/n组学数据，其指示所述第一患者的生物学特征，/n社会组学数据，其指示与不良文化、童年时期、急性或慢性创伤事件或因不利条件造成的慢性应激相关联的危险因素，/n环境学数据，其指示随时间推移收集的所述第一患者的经历，以及/n表型组学数据，其指示以下至少一项：对一种或多种药物的反应、所述第一患者是否经历药物滥用或所述第一患者的一种或多种慢性疾病；/n通过所述一个或多个处理器生成统计模型，所述统计模型用于基于所述一组训练数据确定药理学表型；/n在所述一个或多个处理器处接收在一段时间内收集的第二患者的一组组学数据以及社会组学和环境学数据；/n通过所述一个或多个处理器将所述第二患者的所述组学数据以及所述社会组学和环境学数据应用于所述统计模型，以确定所述第二患者的一种或多种药理学表型；以及/n通过所述一个或多个处理器提供所述第二患者的所述一种或多种药理学表型以展示给医疗保健提供者，其中所述医疗保健提供者根据所述药理学表型向所述第二患者推荐治疗方案。/n...

【技术特征摘要】
【国外来华专利技术】20170512 US 62/505422;20180221 US 62/6333551.一种用于使用统计建模和机器学习技术来鉴定药理学表型的计算机实施的方法，所述方法由一个或多个被编程为执行所述方法的处理器执行，所述方法包括：
在一个或多个处理器处获取一组训练数据，所述训练数据包含多个第一患者中的每一个患者的以下数据：
组学数据，其指示所述第一患者的生物学特征，
社会组学数据，其指示与不良文化、童年时期、急性或慢性创伤事件或因不利条件造成的慢性应激相关联的危险因素，
环境学数据，其指示随时间推移收集的所述第一患者的经历，以及
表型组学数据，其指示以下至少一项：对一种或多种药物的反应、所述第一患者是否经历药物滥用或所述第一患者的一种或多种慢性疾病；
通过所述一个或多个处理器生成统计模型，所述统计模型用于基于所述一组训练数据确定药理学表型；
在所述一个或多个处理器处接收在一段时间内收集的第二患者的一组组学数据以及社会组学和环境学数据；
通过所述一个或多个处理器将所述第二患者的所述组学数据以及所述社会组学和环境学数据应用于所述统计模型，以确定所述第二患者的一种或多种药理学表型；以及
通过所述一个或多个处理器提供所述第二患者的所述一种或多种药理学表型以展示给医疗保健提供者，其中所述医疗保健提供者根据所述药理学表型向所述第二患者推荐治疗方案。


2.根据权利要求1所述的方法，其中所述社会组学和环境学数据指示随时间推移收集的所述第一患者的经历，其包含以下至少一项：临床数据，所述临床数据指示所述第一患者的病史；所述第一患者的人口统计学数据；所述第一患者的社会经济学数据；或多药房数据，所述多药房数据指示从至少两个时间实例收集的以处方形式开具给所述第一患者的每种药物。


3.根据权利要求1或权利要求2所述的方法，其中所述第二患者的所述一种或多种药理学表型包含以下至少一项：所述第二患者对一种或多种药物的预测反应、一种或多种疾病的风险、对所述一种或多种药物的不良药物事件或不良药物反应或药物滥用的可能性。


4.根据权利要求1到3中任一项所述的方法，其中所述一种或多种药理学表型包含所述第二患者对一种或多种药物的预测反应，并且所述方法进一步包括：
在所述一个或多个处理器处接收对于所述第二患者诊断出的疾病类型的指示；
通过所述一个或多个处理器将所述第二患者的所述组学数据以及所述社会组学和环境学数据应用于所述统计模型，以确定所述第二患者对用于治疗对于所述第二患者诊断出的所述疾病类型的多种药物的预测反应；
基于所述多种处方药物中的每一种药物的所述预测反应，通过所述一个或多个处理器鉴定用于治疗所述第二患者的多种药物中的一种药物；以及
通过所述一个或多个处理器向所述医疗保健提供者提供已鉴定药物的指示，以便针对对于所述第二患者诊断出的所述疾病类型制定最佳治疗方案的处方。


5.根据权利要求4所述的方法，其中基于所述预测反应鉴定用于治疗所述第二患者的所述多种药物中的一种药物包含：
对于所述多种药物中的每一种药物：
基于所述第二患者的所述组学数据以及所述社会组学和环境学数据，通过所述一个或多个处理器确定所述药物对于所述第二患者的疗效；
基于所述第二患者的所述组学数据以及所述社会组学和环境学数据，通过所述一个或多个处理器确定关于所述第二患者的一种或多种预期的不良药物反应；
通过所述一个或多个处理器结合所述疗效和所述一种或多种预期的不良药物反应来确定所述药物对所述第二患者的总体价值；以及
通过所述一个或多个处理器鉴定所述多种药物中对所述第二患者的总体价值最高的药物。


6.根据权利要求1到5中任一项所述的方法，其中所述一种或多种药理学表型包含药物滥用的可能性，并且所述方法进一步包括：
通过所述一个或多个处理器将所述第二患者的所述组学数据以及所述社会组学和环境学数据应用于所述统计模型，以确定所述第二患者滥用药物的可能性超过阈值可能性；以及
通过所述一个或多个处理器提供所述第二患者预期会出现药物滥用问题的指示，以展示给医疗保健提供者从而进行早期干预。


7.根据权利要求1到6中任一项所述的方法，其中提供所述第二患者的所述一种或多种药理学表型以展示给医疗保健提供者包含：
通过所述一个或多个处理器生成所述第二患者的风险分析显示，其包含以下至少一项：所述第二患者对一种或多种药物中的每一种药物的预测反应、一种或多种疾病的风险或药物滥用的可能性。


8.根据权利要求1到7中任一项所述的方法，其进一步包括：
在经过阈值时间段后，通过所述一个或多个处理器接收所述第二患者的表型组学数据，所述表型组学数据指示以下至少一项：对一种或多种药物的反应、所述第二患者是否经历药物滥用或所述第二患者的一种或多种慢性疾病；
通过所述一个或多个处理器在知识库中存储所述第二患者的所述组学数据、所述社会组学和环境学数据以及所述表型组学数据；以及
通过所述一个或多个处理器更新所述一组训练数据以包含来自所述知识库的数据。


9.根据权利要求1到8中任一项所述的方法，其中组学数据包含基因组学数据、表观基因组学数据、转录组学数据、蛋白质组学数据、染色体组学数据或代谢组学数据中的至少一种。


10.根据权利要求1到9中任一项所述的方法，其中使用一种或多种机器学习技术生成所述统计模型。


11.根据权利要求1到10中任一项所述的方法，其中生成用于确定药理学表型的所述统计模型包含鉴定对应于一组药理学表型的组学数据，其包含：
鉴定与所述一组药理学表型相关的多个单核苷酸多态性(SNP)；
将所述多个SNP与SNP的数据库进行比较，以鉴定与所述多个SNP连接的附加SNP，其中所述多个SNP和附加SNP包含在一组允许性候选变体中；
进行生物信息学分析以基于以下至少一种将所述一组允许性候选变体过滤到中间候选变体的子集中：调控功能、变体依赖性、所述允许性候选变体的靶基因关系的存在或所述允许性候选变体是否为具有次要等位基因频率的非同义编码变体；
对中间候选变体的所述子集进行排序；
确定所述子集中排名高于阈值排名的中间候选变体，以鉴定SNP、与SNP相关联的基因或与所述一组药理学表型有因果关系的SNP相关联的通路。


12.根据权利要求11所述的方法，其中鉴定了对应于一组华法林表型的组学数据，并且其中与所述一组华法林表型有因果关系的已鉴定的基因或通路包含华法林反应通路。


13.根据权利要求12所述的方法，其中所述华法林反应通路包含以下一种或多种：补体因子H相关5(CFHR5)基因、纤维蛋白原α链(FGA)基因、含黄素的单加氧酶5(FMO5)基因、富含组氨酸的糖蛋白(HRG)基因、激肽原1(KNG1)基因、过剩4(SURF4)基因、α1-3-N-乙酰半乳糖胺基转移酶和α1-3-半乳糖基转移酶(ABO)基因、溶菌酶(LYZ)基因、聚梳家族环指3(PCGF3)基因、丝氨酸蛋白酶8(...

【专利技术属性】
技术研发人员：BD阿西，A阿林富伊尔，GA希金斯，JS伯恩斯，A卡利宁，B保尔斯，A阿德，N里马鲁恩，
申请(专利权)人：密歇根大学董事会，
类型：发明
国别省市：美国;US