[发明专利]个体和队列药理学表型预测平台

说明书

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。

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(Individual and Cohort Pharmacological Phenotype Prediction Platform)”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(Individual and Cohort Pharmacological Phenotype Prediction Platform)”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。

技术领域

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。

背景技术

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。

发明内容

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。