▶ ヒューマニタス・ミラソーレ・エス．ピー．エー．の特許一覧 ▶ ポリテクニコ ディ ミラノの特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-04-25
(54)【発明の名称】前立腺癌に罹患するリスクを評価する方法
(51)【国際特許分類】
G01N 33/493 20060101AFI20220418BHJP
G01N 27/12 20060101ALI20220418BHJP
【ＦＩ】
G01N33/493 A
G01N27/12 C
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2021552169
(86)(22)【出願日】2020-03-03
(85)【翻訳文提出日】2021-09-08
(86)【国際出願番号】 EP2020055555
(87)【国際公開番号】W WO2020178284
(87)【国際公開日】2020-09-10
(31)【優先権主張番号】19160856.1
(32)【優先日】2019-03-05
(33)【優先権主張国・地域又は機関】EP
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．テフロン
(71)【出願人】
【識別番号】504312771
【氏名又は名称】ヒューマニタス・ミラソーレ・エス．ピー．エー．
(71)【出願人】
【識別番号】501193001
【氏名又は名称】ポリテクニコ ディ ミラノ
【氏名又は名称原語表記】ＰＯＬＩＴＥＣＮＩＣＯ ＤＩ ＭＩＬＡＮＯ
【住所又は居所原語表記】Ｐｉａｚｚａ Ｌｅｏｎａｒｄｏ ｄａ Ｖｉｎｃｉ，３２２０１３３ ＭＩＬＡＮＯ－Ｉｔａｌｙ
(74)【代理人】
【識別番号】110001508
【氏名又は名称】特許業務法人 津国
(72)【発明者】
【氏名】タヴェルナ，ジャンルイージ
(72)【発明者】
【氏名】グリッツィ，ファビオ
(72)【発明者】
【氏名】カペリ，ラウラ・マリア・テレサ
(72)【発明者】
【氏名】バックス，カルメン
(72)【発明者】
【氏名】シローニ，セレナ
(72)【発明者】
【氏名】エウゼビオ，リディア・ジュゼッピーナ
【テーマコード（参考）】
2G045
2G046
【Ｆターム（参考）】
2G045AA26
2G045CB03
2G045DA78
2G045FB05
2G046AA18
2G046BA07
2G046BA09
2G046DB05
2G046DC18
2G046FB02
2G046FC01
2G046FC08
2G046FE02
2G046FE03
2G046FE10
2G046FE11
2G046FE22
2G046FE24
2G046FE28
2G046FE29
2G046FE31
2G046FE39
2G046FE44
2G046FE48
(57)【要約】
本発明は、少なくとも３つの金属酸化物半導体ベースのガスセンサーを用いて尿検体のガスヘッドスペースを分析することによって、男性被験者が前立腺癌に罹患しているリスクを評価するための方法と、そのような癌が高悪性度であるリスクを評価するための方法とに関し、第１のガスセンサーの金属酸化物は純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物は純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物は純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である。
【特許請求の範囲】
【請求項1】
被験者が前立腺癌に罹患しているリスクを評価するインビトロの方法であって、前記方法が、ａ）自然に排尿された尿検体の最後の噴流を含まない前記被験者からの尿検体を提供するステップと、
ｂ）前記検体を、閉じた湿度制御された環境において５０℃超まで加温するステップと、
ｃ）ステップｂ）で加温された前記検体のヘッドスペースを、湿度制御下で、少なくとも３つの金属酸化物半導体（ＭＯＳ）ベースのガスセンサーを用いて分析し、第１のガスセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物が純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である、ステップと、
ｄ）ステップｃ）で得られた値をセンサーごとの基準値と比較することにより、被験者が前立腺癌に罹患している前記リスクを評価するステップと
を含む、インビトロの方法。
【請求項2】
前記基準値が、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体で得られた基準値である、請求項１に記載の方法。
【請求項3】
ステップの前記比較が、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、多変量統計解析を通じて得られたスコアリングを含む、請求項１に記載の方法。
【請求項4】
被験者が高悪性度型の前立腺癌に罹患しているリスクを評価するインビトロの方法であって、前記方法が、ａ）自然に排尿された尿検体の最後の噴流を含まない前記被験者からの尿検体を提供するステップと、
ｂ）前記検体を、閉じた湿度制御された環境において５０℃超まで加温するステップと、
ｃ）ステップｂ）で加温された前記検体のヘッドスペースを、湿度制御下で、少なくとも３つのＭＯＳベースのガスセンサーを用いて分析し、第１のガスセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物が純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である、ステップと、
ｄ）ステップｃ）で得られた値をセンサーごとの基準値と比較することにより、被験者が高悪性度型の前立腺癌に罹患しているリスクを評価するステップと
を含む、インビトロの方法。
【請求項5】
前記基準値が、他の手段によって高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体で得られた基準値である、請求項４に記載の方法。
【請求項6】
ステップｄ）の前記比較が、他の手段によって高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、多変量統計解析を通じて得られたスコアリングを含む、請求項４に記載の方法。
【請求項7】
前記第１のセンサーの前記金属酸化物がＭｏＯ３をドープされている、請求項１～６のいずれか一項に記載の方法。
【請求項8】
前記第１のセンサーの前記金属酸化物がＭｏをドープされている、請求項１～６のいずれか一項に記載の方法。
【請求項9】
前記第２のセンサーの前記金属酸化物が純ＺｎＯである、請求項１～８のいずれか一項に記載の方法。
【請求項10】
前記第３のガスセンサーの前記金属酸化物がドープされていない、請求項１～９のいずれか一項に記載の方法。
【請求項11】
任意の所与のセンサーのドーパントが、存在する場合、Ｍｏ、ＭｏＯ３、Ｐｄ、Ａｇ、Ｃｕ、Ａｌ、Ｐｂ、Ｃｒ、及びＰｔからなるリストから独立して選択される、請求項１～６のいずれか一項に記載の方法。
【請求項12】
ステップｂ）の前記温度が、５１℃超、５２℃超、５３℃超、５４℃超、５５℃超、５６℃超、５７℃超、５８℃超及び５９℃超のリストの中から選択される、請求項１～１１のいずれか一項に記載の方法。
【請求項13】
ステップｂ）の前記温度が、６１℃未満、６２℃未満、６３℃未満、６４℃未満、６５℃未満、６６℃未満、６７℃未満、６８℃未満、６９℃未満、７０℃未満、７１℃未満、７２℃未満、７３℃未満、７４℃未満、７５℃未満、７６℃未満、７７℃未満、７８℃未満、７９℃未満、８０℃未満、８１℃未満、８２℃未満、８３℃未満、８４℃未満、８５℃未満、８６℃未満、８７℃未満、８８℃未満、８９℃未満、９０℃未満、９１℃未満、９２℃未満、９３℃未満、９４℃未満、９５℃未満、９６℃未満、９７℃未満、９８℃未満、９９℃未満、及び１００℃未満のリストの中から選択される、請求項１～１１のいずれか一項に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、少なくとも３つの金属酸化物半導体ベースのガスセンサーを用いて尿検体のガスヘッドスペースを分析することによって、被験者が前立腺癌に罹患しているリスクを評価するための方法と、そのような癌が高悪性度であるリスクを評価するための方法とに関し、第１のガスセンサーの金属酸化物は純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物は純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物は純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である。
【0002】
発明の背景
前立腺癌は、世界中で男性において２番目に多い癌（Ｓｉｅｇｅｌ ｅｔ ａｌ．，２０１７）であり、世界で５番目に頻度の高い癌である。血清前立腺特異抗原（Ｐｒｏｓｔａｔｅ－Ｓｐｅｃｉｆｉｃ Ａｎｔｉｇｅｎ（ＰＳＡ））は、現在、前立腺癌の検出、経過観察及び治療モニタリングのための最も重要なバイオマーカーである。前立腺癌のＰＳＡベースのスクリーニングは、この疾患の疫学に重要な影響を及ぼしてきた。ＰＳＡの使用は、前立腺癌の死亡率の有意な低下と関連付けられているが、低悪性度前立腺癌の過剰診断及び過剰治療ももたらし、多くの男性を利益のない治療にさらしている（Ｌｅｅ ａｔ ａｌ．，２０１７）。ＰＳＡの特異度及び感度の低さは、主に、血清ＰＳＡが良性前立腺肥大症や慢性前立腺炎などの良性症状でも増加し得るということに起因する。加えて、血清ＰＳＡ濃度は、アンドロゲン濃度又は前立腺マニピュレーションの差に関連し得、明確な人種間のばらつきを有し得る生物学的変動性の影響を受ける（Ｋｒｙｖｅｎｋｏ ｅｔ ａｌ．，２０１６）。したがって、現在最も広く行われている診断方法は、ＰＳＡ値が高い被験者男性に生検検体採取を受けさせることである。この処置は侵襲的であるだけでなく、低レベルの精度（すなわち、最初の生検での検出率はわずか３０％）を伴い、敗血症及び死亡を含む様々な合併症を起こしやすい（Ａｎａｓｔａｓｉａｄｉｓ ｅｔ ａｌ．，２０１３、Ｐｒｅｓｔｉ ｅｔ ａｌ．，２００８）。
前立腺癌は、世界中で男性において２番目に多い癌（Ｓｉｅｇｅｌ ｅｔ ａｌ．，２０１７）であり、世界で５番目に頻度の高い癌である。血清前立腺特異抗原（Ｐｒｏｓｔａｔｅ－Ｓｐｅｃｉｆｉｃ Ａｎｔｉｇｅｎ（ＰＳＡ））は、現在、前立腺癌の検出、経過観察及び治療モニタリングのための最も重要なバイオマーカーである。前立腺癌のＰＳＡベースのスクリーニングは、この疾患の疫学に重要な影響を及ぼしてきた。ＰＳＡの使用は、前立腺癌の死亡率の有意な低下と関連付けられているが、低悪性度前立腺癌の過剰診断及び過剰治療ももたらし、多くの男性を利益のない治療にさらしている（Ｌｅｅ ａｔ ａｌ．，２０１７）。ＰＳＡの特異度及び感度の低さは、主に、血清ＰＳＡが良性前立腺肥大症や慢性前立腺炎などの良性症状でも増加し得るということに起因する。加えて、血清ＰＳＡ濃度は、アンドロゲン濃度又は前立腺マニピュレーションの差に関連し得、明確な人種間のばらつきを有し得る生物学的変動性の影響を受ける（Ｋｒｙｖｅｎｋｏ ｅｔ ａｌ．，２０１６）。したがって、現在最も広く行われている診断方法は、ＰＳＡ値が高い被験者男性に生検検体採取を受けさせることである。この処置は侵襲的であるだけでなく、低レベルの精度（すなわち、最初の生検での検出率はわずか３０％）を伴い、敗血症及び死亡を含む様々な合併症を起こしやすい（Ａｎａｓｔａｓｉａｄｉｓ ｅｔ ａｌ．，２０１３、Ｐｒｅｓｔｉ ｅｔ ａｌ．，２００８）。
【0003】
よって、患者が前立腺癌に罹患しているリスクを評価するより信頼性の高い非侵襲的方法が必要とされている。
【0004】
前立腺癌が高悪性度であるリスクを評価することに関しては、多くの利用可能な方法がある。１つの非常に信頼性の高い方法が、グリーソンスコア（Ｇｌｅａｓｏｎ Ｓｃｏｒｅ（ＧＳ））による腫瘍悪性度と組み合わせたＴＮＭ分類による腫瘍ステージの組織学的分類にあるが、そのような方法は前立腺摘除術を伴う。
【0005】
最近、訓練されたイヌの嗅覚系が、高い推定感度及び特異度（９７％）で尿検体中の前立腺癌特異的揮発性有機化合物（ｖｏｌａｔｉｌｅ ｏｒｇａｎｉｃ ｃｏｍｐｏｕｎｄ（ＶＯＣ））を検出することができることが実証された。このアプローチは、前立腺癌を検出するためのＰＳＡ検体採取及び前立腺生検の非侵襲的代替法を提供する可能性を有し得るが、イヌの訓練及び収容を必要とする。加えて、その結果は、前立腺癌特異的ＶＯＣが腫瘍の代謝過程に依存し得ることを示唆している。一般に、臭気分析は、感覚の客観化を伴うため、単純ではない。しかしながら、過去数十年において、臭気の特性評価及び測定のための特定の技法が実施及び開発されてきた（Ｃａｐｅｌｌｉ ｅｔ ａｌ．，２０１６）。感覚的技法は、人間の評価者のパネル上で直接臭気検体によって引き起こされる感覚を参照して臭気を特徴付ける原理に基づくものである。化学分析は、より統合された方法ではあるが、非常に複雑であり、臭気分析に必ずしも有効ではないことが判明する可能性がある。これは、主に臭気物質混合の非常に複雑な効果が原因で、ヒトにおいて臭気混合物によって誘発される感覚をその化学組成に関連付けることが困難である複雑な臭気の特性評価に特に当てはまる。これらの理由から、哺乳類の嗅覚の活性を再現することができる電子鼻を使用する可能性が、早期の非侵襲的な診断、及びおそらくは前立腺癌の予後についての最新戦略の定義ための非常に興味深い課題として現れる。
【0006】
金属酸化物半導体（ｍｅｔａｌ ｏｘｉｄｅ ｓｅｍｉ ｃｏｎｄｕｃｔｏｒ（ＭＯＳ））ベースのガスセンサーは、現在、電子鼻を用いた臭気分析の分野において広く使用されている（Ｊａｍｅｓ ｅｔ ａｌ．，２００５、Ｗｉｌｓｏｎ ａｎｄ Ｂａｉｅｔｔｏ，２００９，２０１１、Ｌｏｕｔｆｉ ｅｔ ａｌ．，２０１５）。
【0007】
先行技術
最近、訓練されたイヌの嗅覚系が、高い推定感度及び特異度（９７％）で尿検体中の前立腺癌特異的揮発性有機化合物（ＶＯＣ）を検出することができること（Ｔａｖｅｒｎａ ｅｔ ａｌ．，２０１５）、並びに同じイヌが、根治的前立腺摘除術後の生化学的再発性前立腺癌（Ｂｉｏｃｈｅｍｉｃａｌｌｙ Ｒｅｃｕｒｒｅｎｔ Ｐｒｏｓｔａｔｅ Ｃａｎｃｅｒ（ＢＣＲ））を検出することもできること（Ｔａｖｅｒｎａ ｅｔ ａｌ．，２０１６）が実証された。
最近、訓練されたイヌの嗅覚系が、高い推定感度及び特異度（９７％）で尿検体中の前立腺癌特異的揮発性有機化合物（ＶＯＣ）を検出することができること（Ｔａｖｅｒｎａ ｅｔ ａｌ．，２０１５）、並びに同じイヌが、根治的前立腺摘除術後の生化学的再発性前立腺癌（Ｂｉｏｃｈｅｍｉｃａｌｌｙ Ｒｅｃｕｒｒｅｎｔ Ｐｒｏｓｔａｔｅ Ｃａｎｃｅｒ（ＢＣＲ））を検出することもできること（Ｔａｖｅｒｎａ ｅｔ ａｌ．，２０１６）が実証された。
【0008】
Ｒｏｉｎｅ ｅｔ ａｌ．（２０１２）は、ＷＯ３ベースのセンサーを備えた電子鼻が健康な前立腺細胞と癌性前立腺細胞とをどのようにして区別することができるかを記載している。
【0009】
Ａｓｉｍａｋｏｐｏｕｌｏｓ ｅｔ ａｌ．（２０１４）、Ｓａｎｔｏｎｉｃｏ ｅｔ ａｌ．（２０１４）、Ｂｅｒｎａｂｅｉ ｅｔ ａｌ．（２００８）並びにＤ’Ａｍｉｃｏ ｅｔ ａｌ．（２０１２ａ及び２０１２ｂ）は、様々な金属ポルフィリンベースのセンサーを備えた電子鼻を尿検体に使用して前立腺癌をどのようにして診断することができるかを記載している。
【0010】
Ｒｏｉｎｅ ｅｔ ａｌ．（２０１４）は、尿を３７℃まで加温して作成された尿検体ヘッドスペースから、ＳｎＯ２とＺｎＯとの複合体であるＭＯＳセンサーを備えたガスクロマトグラファーを使用して前立腺癌を診断する方法を開示している。
【図面の簡単な説明】
【0011】
【図1】尿ヘッドスペースの分析中及び分析後のＭＯＳベースのガスセンサーの典型的な応答曲線を示す図である。
【図2】分析対象の尿ヘッドスペースを作成するための典型的な装置を示す図である。
【図3】健康（Ｈ）な被験者対前立腺癌（ＰＣ）被験者をクラスター化するために使用される２つの主成分分析スコアプロットを示す図である。
【図4】高腫瘍悪性度（ＧＳ４）の前立腺癌患者対中腫瘍悪性度（ＧＳ３＋４）の前立腺癌患者をクラスター化するために使用される主成分分析スコアプロットを示す図である。
【0012】
発明の詳細な説明
本発明者らは、驚くべきことに、３種類のＭＯＳベースのガスセンサーの併用により、以下である限りにおいて、被験者の尿検体から、この被験者が前立腺癌に罹患しているリスクを評価することが可能になることを発見した。
・尿検体が、カテーテル、若しくは検体をその被験者の膀胱から直接採取することを可能にする同等の手段を介して採取されるか、又は自然に排尿された尿として採取された場合、公知の文献（Ｓｍｉｔｈ ｅｔ ａｌ．，２００８）に従って、その自然に排尿された尿の最後の噴流を含まないこと。
・尿検体が、分析にかけられる前に５０℃超まで加温されること。
・分析が湿度制御された環境で行われること。
本発明者らは、驚くべきことに、３種類のＭＯＳベースのガスセンサーの併用により、以下である限りにおいて、被験者の尿検体から、この被験者が前立腺癌に罹患しているリスクを評価することが可能になることを発見した。
・尿検体が、カテーテル、若しくは検体をその被験者の膀胱から直接採取することを可能にする同等の手段を介して採取されるか、又は自然に排尿された尿として採取された場合、公知の文献（Ｓｍｉｔｈ ｅｔ ａｌ．，２００８）に従って、その自然に排尿された尿の最後の噴流を含まないこと。
・尿検体が、分析にかけられる前に５０℃超まで加温されること。
・分析が湿度制御された環境で行われること。
【0013】
したがって、本発明の第１の態様では、被験者が前立腺癌に罹患しているリスクを評価するインビトロの方法が提供され、この方法は、
ａ）自然に排尿された尿検体の最後の噴流を含まない前記被験者からの尿検体を提供するステップと、
ｂ）検体を、閉じた湿度制御された環境において５０℃超まで加温するステップと、
ｃ）ステップｂ）で加温された検体のヘッドスペースを、湿度制御下で、少なくとも３つのＭＯＳベースのガスセンサーを用いて分析し、第１のガスセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物が純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である、ステップと、
ｄ）ステップｃ）で得られた値をセンサーごとの基準値と比較することにより、被験者が前立腺癌に罹患しているリスクを評価するステップと
を含む。
ａ）自然に排尿された尿検体の最後の噴流を含まない前記被験者からの尿検体を提供するステップと、
ｂ）検体を、閉じた湿度制御された環境において５０℃超まで加温するステップと、
ｃ）ステップｂ）で加温された検体のヘッドスペースを、湿度制御下で、少なくとも３つのＭＯＳベースのガスセンサーを用いて分析し、第１のガスセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物が純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である、ステップと、
ｄ）ステップｃ）で得られた値をセンサーごとの基準値と比較することにより、被験者が前立腺癌に罹患しているリスクを評価するステップと
を含む。
【0014】
本発明のこの第１の態様に基づく一実施態様では、基準値は、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体で得られた基準値である。
【0015】
本発明者らはまた、驚くべきことに、上記の３種類のガスセンサーの併用により、前立腺癌が高悪性度であるリスクを評価することが可能になることも発見した。
【0016】
したがって、本発明の第２の態様では、被験者が高悪性度型の前立腺癌に罹患しているリスクを評価するインビトロの方法が提供され、この方法は、
ａ）自然に排尿された尿検体の最後の噴流を含まない前記被験者からの尿検体を提供するステップと、
ｂ）検体を、閉じた湿度制御された環境において５０℃超まで加温するステップと、
ｃ）ステップｂ）で加温された検体のヘッドスペースを、湿度制御下で、少なくとも３つのＭＯＳベースのガスセンサーを用いて分析し、第１のガスセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物が純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である、ステップと、
ｄ）ステップｃ）で得られた値をセンサーごとの基準値と比較することにより、被験者が高悪性度型の前立腺癌に罹患しているリスクを評価するステップと
を含む。
ａ）自然に排尿された尿検体の最後の噴流を含まない前記被験者からの尿検体を提供するステップと、
ｂ）検体を、閉じた湿度制御された環境において５０℃超まで加温するステップと、
ｃ）ステップｂ）で加温された検体のヘッドスペースを、湿度制御下で、少なくとも３つのＭＯＳベースのガスセンサーを用いて分析し、第１のガスセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２であり、第２のセンサーの金属酸化物が純ＺｎＯ又はドープＺｎＯであり、第３のセンサーの金属酸化物が純ＳｎＯ２又はドープＳｎＯ２、純ＴｉＯ２又はドープＴｉＯ２及び純Ｎｂ２Ｏ５又はドープＮｂ２Ｏ５である、ステップと、
ｄ）ステップｃ）で得られた値をセンサーごとの基準値と比較することにより、被験者が高悪性度型の前立腺癌に罹患しているリスクを評価するステップと
を含む。
【0017】
本発明のこの第２の態様に基づく一実施態様では、基準値は、他の手段によって高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体で得られた基準値である。
【0018】
本発明のこの第２の態様に基づく別の実施態様では、基準値は、他の手段によって前立腺癌なし、及び高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体で得られた基準値である。
【0019】
本明細書で使用される場合、「第１のガスセンサー」、「第２のガスセンサー」、及び「第３のガスセンサー」という用語は、センサーが本発明の方法において使用されるべき順序としてではなく、センサーを互いに明確に区別する方法としてのみ解釈されるべきである。
【0020】
電子鼻は、単純な臭気又は複雑な臭気を認識することができる、部分的な特異度を有する電子化学センサーのアレイと、適切なパターン認識（ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ（ＰＲ））システムとを含む計器である。
【0021】
電子鼻のアーキテクチャは、哺乳類の嗅覚系の構造を模倣し、よって、以下の３つの構成要素に分割される。
・ガス検出システム：嗅覚受容体の作用が、広範囲の異なる臭気物質に応答するセンサーのアレイによってシミュレートされる。センサーは、分析対象の臭気空気に接触すると、応答信号を生成する。
・センサー信号処理システム：センサーからの情報が圧縮され、ヒトの嗅球の作用をシミュレートする。
・臭気認識システム：高度なＰＲシステムが、以前に格納されたデータセットに基づいて臭気を識別し、ヒトの脳で起こる過程をシミュレートする。
・ガス検出システム：嗅覚受容体の作用が、広範囲の異なる臭気物質に応答するセンサーのアレイによってシミュレートされる。センサーは、分析対象の臭気空気に接触すると、応答信号を生成する。
・センサー信号処理システム：センサーからの情報が圧縮され、ヒトの嗅球の作用をシミュレートする。
・臭気認識システム：高度なＰＲシステムが、以前に格納されたデータセットに基づいて臭気を識別し、ヒトの脳で起こる過程をシミュレートする。
【0022】
センサーは特異的ではないため、電子鼻は個々の臭気発生化合物を認識せず、むしろ分析された空気の嗅覚シグネチャ（指紋）を提供する。これを行うためには、計器が訓練されなければならない。
【0023】
ｅノーズの訓練は、既知の臭気クラスに属する検体の分析に存し、すなわち、これらの訓練検体に対するセンサー応答が、識別されるべき異なる臭気クラスの「クラスター」を構成する。
【0024】
ｅノーズ機能は類似性の原理に依拠し、すなわち、類似した臭気が類似したセンサー応答を生成する。この原理に基づき、未知の検体の分類が、計器により、未知の検体によって生成されたセンサー応答を訓練検体の応答と比較することによって行われる。未知の検体は、次いで、最も類似している訓練クラスに帰せられる。
【0025】
このために使用することができる、いわゆる「多変量統計解析」に属する様々な数学的方法がある。
【0026】
訓練フェーズは、ｅノーズ分類能力の基礎である。訓練データセットを構成する異なる臭気クラスが十分にクラスター化されている、すなわち互いに十分に分離されている場合、これは、異なる臭気を識別する計器の優れた能力を示し、よって高い分類精度をもたらす。
【0027】
各ｅノーズセンサーは、典型的には、揮発性有機化合物に対して、図１に示されるような曲線を生成するその抵抗の変動を伴って応答する。
【0028】
分析されたすべての検体に対してセンサーによって生成された曲線のセットは、処理される必要がある電子鼻からの大量の「生」データを構成する。
【0029】
ｅノーズデータ処理は、以下の２つの基本ステップからなる。
１．特徴抽出及び選択
２．分類
１．特徴抽出及び選択
２．分類
【0030】
特徴抽出及び選択は、分類のためにさらに処理することができる数値データをセンサー応答曲線から抽出するために実行されるべき動作セットを表す。
【0031】
図１に示されるような曲線から抽出できる最も典型的な特徴は、分析中の検体が流れる前の抵抗Ｒ０と測定中に測定された抵抗のプラトー値Ｒとの間の抵抗比である。
【0032】
抽出できる特徴の他の例は、以下の通りである（網羅的ではない）（Ｂｌａｔｔ ｅｔ ａｌ．，２００７）。
・測定中のセンサーの抵抗変化
式中、Ｒ０は、基準条件での抵抗値であり、Ｒは、経時的な抵抗値である。
・基準線と測定中に到達した抵抗の最小値との比
式中、Ｒ０は、基準条件での抵抗値であり、Ｒ（ｔ）は、経時的な抵抗値である。
・次式として定義される積分
式中、Ｒ０は、基準条件での抵抗値であり、Ｒ（ｔ）は、経時的な抵抗値である。
・次式として定義される測定の状態グラフのプロットによって決定される閉領域
式中、Ｒ（ｔ）は、経時的な抵抗値である。
・測定中に到達した抵抗の最小値
式中、Ｒ（ｔ）は、経時的な抵抗値である。
・測定中のセンサーの抵抗変化
【数1】
式中、Ｒ０は、基準条件での抵抗値であり、Ｒは、経時的な抵抗値である。
・基準線と測定中に到達した抵抗の最小値との比
【数2】
式中、Ｒ０は、基準条件での抵抗値であり、Ｒ（ｔ）は、経時的な抵抗値である。
・次式として定義される積分
【数3】
式中、Ｒ０は、基準条件での抵抗値であり、Ｒ（ｔ）は、経時的な抵抗値である。
・次式として定義される測定の状態グラフのプロットによって決定される閉領域
【数4】
式中、Ｒ（ｔ）は、経時的な抵抗値である。
・測定中に到達した抵抗の最小値
【数5】
式中、Ｒ（ｔ）は、経時的な抵抗値である。
【0033】
センサー応答曲線から抽出できる特徴の数及び種類はほぼ無制限であるため、臭気の識別及び分類に効果的に関連する特徴を考慮するために、特徴選択が必要である。分類性能の最適化によって特徴選択を実行するために、フィルター法やラッパー法などの異なる方法を適用することができる（Ｐａｒｄｏ ｅｔ ａｌ．，２００６、Ｎｏｗｏｔｎｙ ｅｔ ａｌ．，２０１３、Ｆａｎｇ ｅｔ ａｌ．，２０１５）。
【0034】
Ｂｏｒｕｔａアルゴリズムは、オブジェクト間の特徴量のランダム置換によって生じる分類精度損失の測定を通じて特徴の重要度の尺度を提供する特徴選択ツールである（Ｋｕｒｓａ ａｎｄ Ｒｕｄｎｉｃｋｉ，２０１０）。Ｂｏｒｕｔａアルゴリズムは、ランダムフォレスト分類器の周りに構築されたラッパー法に基づくものであり、分類器は、特徴ランク付けを返すブラックボックスとして使用される。分類は、訓練セットの異なるバギングサンプルで独立して開発される、決定木と呼ばれる複数の不偏の弱い分類器の投票によって行われる。森の各木について、分類精度損失が別々に計算される。次いで、検査における特徴の重要度が、Ｚスコアと呼ばれる、平均精度損失とその標準偏差との比として計算される。
【0035】
特徴抽出及び選択の後、ｅノーズデータ（センサー応答曲線）は、分類目的で適切なアルゴリズムによって処理することができる数値データに変換される。前述のように、未知の検体の分類は、計器訓練中に定義された臭気クラスに関連するデータとの類似度を評価することによって行われる。未知の検体は、それが「最も類似している」と評価されるクラスに帰せられる。
【0036】
最も簡単なタイプの分類アルゴリズムは「カットオフ」法であり、これは「Ｙｅｓ／Ｎｏ」論理を使用して２つのクラスを区別する、すなわち、未知の検体に関連する特徴が所与の基準値を超える場合には、検体は一方のクラスに帰せられ、そうでない場合は他方のクラスに帰せられる。より多くの臭気クラス間の分類に適用することができる別の非常に一般的なアルゴリズム（ｋ近傍法（ｋＮＮ））では、類似度は、未知の検体に関連する選択された特徴からなるベクトルと訓練データに関連する同じベクトルとの間のユークリッド距離として評価される。検体は、最小距離が計算されるクラスに帰せられる。
【0037】
線形判別分析（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ（ＬＤＡ））及び二次判別分析（Ｑｕａｄｒａｔｉｃ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ（ＱＤＡ））が、ｅノーズデータ処理に使用される一般的な分類アルゴリズムである。これらの方法は、較正データセットからの確率分布の推定に基づく、考察される各対のカテゴリ間の区切り関数の定義を含む（ＭｃＬａｃｈｌａｎ，１９９２）。
【0038】
ランダム・フォレスト・アルゴリズムは、より洗練された分類モデルであり、ランダムな無相関決定木の森全体の構築を分類の基礎とする（Ｂｒｅｉｍａｎ，２００１、Ｌｉａｗ ａｎｄ Ｗｉｅｎｅｒ，２００２）。初期データセットから開始して、モデルは２つの新しいデータセット、すなわち、「ブートストラップデータセット」（Ｂｏｏｓｔｒａｐ Ｄａｔａｓｅｔ（ＢＤ））及び「ブートストラップデータセット外」（Ｏｕｔ Ｏｆ Ｂｏｏｔｓｔｒａｐ Ｄａｔａｓｅｔ（ＯＯＢ））を構築する。ＢＤは、元のデータセットのランダムに選択された検体を有する分類森の最初の木を構成する。木を構築するために、データが、所属のクラスによって検体を分割する際に最良の分類性能を提供する特徴を使用して、各ノードで分割される。特徴の選択は、データセット内に存在するすべての変数の中から選択された様々なランダム変数の性能の比較に基づくものである。木は、最後のノードが前のノードよりも悪い検体の分類性能を有する場合に成長を停止する。次いで、分類木を構築するために考察されていない元のデータセットの検体を含むＯＯＢセットが、木の分類性能を試験するために使用される。この操作は、森全体を構築するために何度も繰り返される。森が作成されると、モデルを使用して、独立したデータセットから検体を分類することができる。未知の検体の分類は、ランダムフォレスト内の木の票の過半数に基づくものである。
【0039】
他の一般的なパターン認識アルゴリズムは、以下であるが、これらに限定されない（Ｇｕｔｉｅｒｒｅｚ－Ｏｓｕｎａ，２００２、Ａｇｇｉｏ ｅｔ ａｌ．，２０１６、Ｑｕｉ ｅｔ ａｌ．，２０１５）。
・サポート・ベクター・マシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ））
・部分的最小二乗法解釈（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ（ＰＬＳ））
・人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＡＮＮ））
・サポート・ベクター・マシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ））
・部分的最小二乗法解釈（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ（ＰＬＳ））
・人工ニューラルネットワーク（Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＡＮＮ））
【0040】
本発明の任意の態様に基づく一実施態様では、ステップｄ）の比較は、センサーごとのカットオフ値に対するステップｃ）で取得されたデータのスコアリングを含む。
【0041】
本発明の任意の態様に基づく一実施態様では、ステップｄ）の比較は、センサーごとのカットオフ値に対するステップｃ）で取得されたデータのスコアリングに存する。
【0042】
本発明の第１の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、多変量統計解析を通じて得られたスコアリングを含む。
【0043】
本発明の第１の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、多変量統計解析を通じて得られたスコアリングに存する。
【0044】
本発明の第１の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、パターン認識アルゴリズムの適用を通じて得られたスコアリングを含む。
【0045】
本発明の第１の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし又は前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、パターン認識アルゴリズムの適用を通じて得られたスコアリングに存する。
【0046】
本発明の第２の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし及び／又は高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、多変量統計解析を通じて得られたスコアリングを含む。
【0047】
本発明の第２の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし及び／又は高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、多変量統計解析を通じて得られたスコアリングに存する。
【0048】
本発明の第２の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし及び／又は高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、パターン認識アルゴリズムの適用を通じて得られたスコアリングを含む。
【0049】
本発明の第２の態様に基づく一実施態様では、ステップｄ）の比較は、他の手段によって前立腺癌なし及び／又は高悪性度である特定のリスクを有する前立腺癌に罹患しているとして分類された被験者の尿検体の分析から取得されたデータに対する、ステップｃ）で取得されたデータの、パターン認識アルゴリズムの適用を通じて得られたスコアリングに存する。
【0050】
本発明の任意の態様に基づく特定の実施態様では、パターン認識アルゴリズムは、ｋ近傍法、ランダムフォレスト、線形判別分析、二次判別分析、サポート・ベクター・マシン、判別関数分析、部分的最小二乗法解釈、及び人工ニューラルネットワークのリストの中から選択される。
【0051】
当業者であれば、センサーは摩損を免れず、そのため使用される所与のセンサーごとの基準値が使用に伴って変動する可能性があり、時々再判定される必要があり得ることを知っているであろう。
【0052】
金属酸化物ベースのセンサーのドーピングは、特定の揮発性化合物／揮発性化合物のセットに対するその特定のセンサーの感度の調節を達成するための当分野における一般的な手法である（Ｇｏｄａｖａｒｔｉ ｅｔ ａｌ．（２０１９）、Ｍａｔｓｕｓｈｉｍａ ｅｔ ａｌ．（１９８８）、Ｒｕｉｚ ｅｔ ａｌ．（２００３）、Ｓｅｎｇｕｔｔｕｖａｎ ｅｔ ａｌ．（２００７）、Ｙａｍａｚｏｅ，（１９９１）、Ｚｈａｎｇ ｅｔ ａｌ．（２０１９））。
【0053】
本発明の任意の態様に基づく一実施態様では、第１のセンサーのドーパントは、存在する場合、Ｍｏ、ＭｏＯ３、Ｐｄ、Ａｇ、Ｃｕ、Ａｌ、Ｐｂ、Ｃｒ、及びＰｔからなるリストから選択される。
【0054】
本発明の任意の態様に基づく一実施態様では、第２のセンサーのドーパントは、存在する場合、Ｍｏ、ＭｏＯ３、Ｐｄ、Ａｇ、Ｃｕ、Ａｌ、Ｐｂ、Ｃｒ、及びＰｔからなるリストから選択される。
【0055】
本発明の任意の態様に基づく一実施態様では、第３のセンサーのドーパントは、存在する場合、Ｍｏ、ＭｏＯ３、Ｐｄ、Ａｇ、Ｃｕ、Ａｌ、Ｐｂ、Ｃｒ、及びＰｔからなるリストから選択される。
【0056】
本発明の任意の態様に基づく一実施態様では、第１のガスセンサーの金属酸化物は純ＳｎＯ２である。
【0057】
本発明の任意の態様に基づく別の実施態様では、第１のガスセンサーの金属酸化物は、ＭｏＯ３をドープしたＳｎＯ２である。
【0058】
本発明の任意の態様に基づく別の実施態様では、第１のガスセンサーの金属酸化物は、ＭｏをドープしたＳｎＯ２である。
【0059】
本発明の任意の態様に基づく別の実施態様では、第２のガスセンサーの金属酸化物は純ＺｎＯである。
【0060】
本発明の任意の態様に基づく別の実施態様では、ステップｃ）は、３つのガスセンサーを用いて限定して行われる。
【0061】
本発明の任意の態様に基づく別の実施態様では、尿検体は、カテーテルで採取される。
【0062】
本発明の任意の態様に基づく別の実施態様では、尿検体は、自然に排尿された尿検体の最初の噴流である。
【0063】
本発明の任意の態様に基づく別の実施態様では、尿検体は、自然に排尿された尿検体の中間の噴流である。
【0064】
本発明の任意の態様に基づく一実施態様では、ステップｂ）の温度は、５０℃超、５１℃超、５２℃超、５３℃超、５４℃超、５５℃超、５６℃超、５７℃超、５８℃超及び５９℃超のリストの中から選択される。
【0065】
本発明の任意の態様に基づく別の実施態様では、ステップｂ）の温度は、約５１℃、約５２℃、約５３℃、約５４℃、約５５℃、約５６℃、約５７℃、約５８℃、約５９℃、約６０℃、約６１℃、約６２℃、約６３℃、約６４℃、約６５℃、約６６℃、約６７℃、約６８℃、約６９℃、約７０℃、約７１℃、約７２℃、約７３℃、約７４℃、約７５℃、約７６℃、約７７℃、約７８℃、約７９℃、約８０℃、約８１℃、約８２℃、約８３℃、約８４℃、約８５℃、約８６℃、約８７℃、約８８℃、約８９℃、約９０℃、約９１℃、約９２℃、約９３℃、約９４℃、約９５℃、約９６℃、約９７℃、約９８℃、約９９℃、約１００℃、約１０１℃、約１０２℃、約１０３℃、約１０４℃、約１０５℃、約１０６℃、約１０７℃、約１０８℃、約１０９℃、約１１０℃、及び任意のそのような値を含む範囲のリストの中から選択される。
【0066】
本発明の任意の態様に基づく別の実施態様では、ステップｂ）の温度は、５１℃、５２℃、５３℃、５４℃、５５℃、５６℃、５７℃、５８℃、５９℃、６０℃、６１℃、６２℃、６３℃、６４℃、６５℃、６６℃、６７℃、６８℃、６９℃、７０℃、７１℃、７２℃、７３℃、７４℃、７５℃、７６℃、７７℃、７８℃、７９℃、８０℃、８１℃、８２℃、８３℃、８４℃、８５℃、８６℃、８７℃、８８℃、８９℃、９０℃、９１℃、９２℃、９３℃、９４℃、９５℃、９６℃、９７℃、９８℃、９９℃、１００℃、１０１℃、１０２℃、１０３℃、１０４℃、１０５℃、１０６℃、１０７℃、１０８℃、１０９℃、１１０℃、及び任意のそのような値を含む範囲のリストの中から選択される。
【0067】
本発明の任意の態様に基づく別の実施態様では、ステップｂ）の温度は、６１℃未満、６２℃未満、６３℃未満、６４℃未満、６５℃未満、６６℃未満、６７℃未満、６８℃未満、６９℃未満、７０℃未満、７１℃未満、７２℃未満、７３℃未満、７４℃未満、７５℃未満、７６℃未満、７７℃未満、７８℃未満、７９℃未満、８０℃未満、８１℃未満、８２℃未満、８３℃未満、８４℃未満、８５℃未満、８６℃未満、８７℃未満、８８℃未満、８９℃未満、９０℃未満、９１℃未満、９２℃未満、９３℃未満、９４℃未満、９５℃未満、９６℃未満、９７℃未満、９８℃未満、９９℃未満、及び１００℃未満のリストの中から選択される。
【0068】
当業者であれば、任意の所与の温度及び湿度で最適なヘッドスペースを作成するのに必要な時間の長さを、試行錯誤法によって過度の負担なしに決定することができるであろう。本発明の任意の態様に基づく一実施態様では、湿度制御された環境は、１０%RH～９０%RH、この範囲内に入る任意の整数値、及びこれらの整数値のいずれかを含む範囲のリストの中から選択された値に設定される。
【0069】
当業者はまた、自身又は他者の経験及びノウハウに基づいて、ヘッドスペースを作成すべきレシピエントを選択するであろう。
【0070】
すべての実施態様は組み合わせられ得る。
実施例
実施例
【0071】
次に、本発明を非限定的な実施例によって説明する。
【0072】
材料及び方法
検体採取
２４６人の被験者（６９人の健常者（Ｈ）及び１７７人の前立腺癌罹患者（ＰＣ））の尿検体を、Ｃａｓｔｅｌｌａｎｚａ（Ｖａｒｅｓｅ）のＨｕｍａｎｉｔａｓ Ｈｏｓｐｉｔａｌで、又はＲｏｚｚａｎｏ（Ｍｉｌａｎｏ）のＨｕｍａｎｉｔａｓ Ｈｏｓｐｉｔａｌでインフォームドコンセントを受けて採取した。前立腺癌患者の検体は、前立腺の生検、根治的前立腺摘除術又は経尿道切除術の前に採取した。健康な被験者は、月経前の若年女性、若年女性（２０～３５歳）、前立腺癌の家族歴がなく、ＰＳＡ＜１ng／ml及び直腸指診陰性である若年（２８歳未満）及び中年（最高５０歳まで）の男性、並びに腎盂尿管移行部症候群又は前立腺肥大症に罹患している患者の混合群からなった。
検体採取
２４６人の被験者（６９人の健常者（Ｈ）及び１７７人の前立腺癌罹患者（ＰＣ））の尿検体を、Ｃａｓｔｅｌｌａｎｚａ（Ｖａｒｅｓｅ）のＨｕｍａｎｉｔａｓ Ｈｏｓｐｉｔａｌで、又はＲｏｚｚａｎｏ（Ｍｉｌａｎｏ）のＨｕｍａｎｉｔａｓ Ｈｏｓｐｉｔａｌでインフォームドコンセントを受けて採取した。前立腺癌患者の検体は、前立腺の生検、根治的前立腺摘除術又は経尿道切除術の前に採取した。健康な被験者は、月経前の若年女性、若年女性（２０～３５歳）、前立腺癌の家族歴がなく、ＰＳＡ＜１ng／ml及び直腸指診陰性である若年（２８歳未満）及び中年（最高５０歳まで）の男性、並びに腎盂尿管移行部症候群又は前立腺肥大症に罹患している患者の混合群からなった。
【0073】
１７７人の前立腺癌患者の悪性度リスクを以下の表１の基準に対して示した。
【表1】
【0074】
これらの患者を、以下の２つの群を形成するとみなすこともできる。
・Ａ群：中リスク又は高リスク（１５９人の患者）
・Ｂ群：低リスク（１８人の患者）
・Ａ群：中リスク又は高リスク（１５９人の患者）
・Ｂ群：低リスク（１８人の患者）
【0075】
各ＰＣ被験者は、１つがカテーテルを介して採取され、３つの検体が自然に排尿された尿（それぞれ最初の噴流、中間の噴流、及び最後の噴流）からである、４つの検体を提供したのに対し、健康な（Ｈ）被験者は自然に排尿された尿検体のみを提供した。
【0076】
検体を尿分析に一般的に使用される滅菌容器に採取し、採取直後に分析まで－２０℃で凍結した。
【0077】
検体調製
典型的な手順では、分析する前に、各尿検体を３７～４０℃の水浴中で完全に液体になるまで解凍し、テフロンチューブを備えたＮａｌｏｐｈａｎ（商標）バッグに封止したビーカーに移し（図２）、電子鼻による分析のためにＮａｌｏｐｈａｎ（商標）バッグ内にヘッドスペースを作成するように、６０℃／６０%RHの気候室に１．５時間保持した。次いで、Ｎａｌｏｐｈａｎ（商標）バッグをビーカーから分離し、密封し、そのように作成されたヘッドスペースを、テフロンチューブを介して電子鼻に流入させる前に、６０℃／２０%RHで２．５時間保持した。
典型的な手順では、分析する前に、各尿検体を３７～４０℃の水浴中で完全に液体になるまで解凍し、テフロンチューブを備えたＮａｌｏｐｈａｎ（商標）バッグに封止したビーカーに移し（図２）、電子鼻による分析のためにＮａｌｏｐｈａｎ（商標）バッグ内にヘッドスペースを作成するように、６０℃／６０%RHの気候室に１．５時間保持した。次いで、Ｎａｌｏｐｈａｎ（商標）バッグをビーカーから分離し、密封し、そのように作成されたヘッドスペースを、テフロンチューブを介して電子鼻に流入させる前に、６０℃／２０%RHで２．５時間保持した。
【0078】
ヘッドスペース分析
ヘッドスペースを、金属酸化物が以下である、５つのＭＯＳベースのセンサーを備えたＳＡＣＭＩ ＥＯＳ５０７ｃ電子鼻を用いた分析にかけた。
・ｃａｔ ＭｏをドープしたＳｎＯ２
・ＭｏＯ３をドープしたＳｎＯ２
・純ＳｎＯ２
・純ＺｎＯ
・ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
ヘッドスペースを、金属酸化物が以下である、５つのＭＯＳベースのセンサーを備えたＳＡＣＭＩ ＥＯＳ５０７ｃ電子鼻を用いた分析にかけた。
・ｃａｔ ＭｏをドープしたＳｎＯ２
・ＭｏＯ３をドープしたＳｎＯ２
・純ＳｎＯ２
・純ＺｎＯ
・ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
【0079】
統計解析
以下の実施例１～実施例６の診断試験に関して、真陽性（ＴＰ）、真陰性（ＴＮ）、偽陽性（ＦＰ）及び偽陰性（ＦＮ）の数は、以下の式に従って試験の特異度、感度及び精度に影響を及ぼし、式中、ＣＩ９５％は相対信頼区間を表す。
以下の実施例１～実施例６の診断試験に関して、真陽性（ＴＰ）、真陰性（ＴＮ）、偽陽性（ＦＰ）及び偽陰性（ＦＮ）の数は、以下の式に従って試験の特異度、感度及び精度に影響を及ぼし、式中、ＣＩ９５％は相対信頼区間を表す。
【数6】
【0080】
前立腺癌患者が上記で定義したＡ群に属するかそれともＢ群に属するかを評価することに関して、以下の実施例２では、方法の適合性は、
Ａ群）に属する真陽性（ＴｐＡ）、
Ｂ群に属する真陽性（ＴｐＢ）
健康群に属する真陽性（ＴｐＨ）
健康として分類されるＡ群患者（ｅＡＨ）
健康として分類されるＢ群患者（ｅＢＨ）
Ｂ群患者として分類されるＡ群患者（ｅＡＢ）
Ａ群患者として分類されるＢ群患者（ｅＢＡ）
Ａ群患者として分類される健康な被験者（ｅＨＡ）
Ｂ群患者として分類される健康な被験者（ｅＨＢ）
の数が、以下の各式に示されるようにリコール値及び精度にどのように影響を及ぼすかによって決定される。
Ａ群）に属する真陽性（ＴｐＡ）、
Ｂ群に属する真陽性（ＴｐＢ）
健康群に属する真陽性（ＴｐＨ）
健康として分類されるＡ群患者（ｅＡＨ）
健康として分類されるＢ群患者（ｅＢＨ）
Ｂ群患者として分類されるＡ群患者（ｅＡＢ）
Ａ群患者として分類されるＢ群患者（ｅＢＡ）
Ａ群患者として分類される健康な被験者（ｅＨＡ）
Ｂ群患者として分類される健康な被験者（ｅＨＢ）
の数が、以下の各式に示されるようにリコール値及び精度にどのように影響を及ぼすかによって決定される。
【数7】
【0081】
前立腺癌患者が高悪性度型の前立腺癌に罹患する高リスクにあるかそれとも中リスクにあるかの評価に関して、以下の実施例４では、方法の適合性は、
・ＧＳ３＋４群に属する真陽性（ＴｐＭｅｄｉｕｍ）
・ＧＳ４群に属する真陽性（ＴｐＨｉｇｈ）
・ＧＳ４群として分類されるＧＳ３＋４群の患者（ｅＭｅｄｉｕｍ；Ｈｉｇｈ）
・ＧＳ３＋４群として分類されるＧＳ４群の被験者（ｅＨｉｇｈ；Ｍｅｄｉｕｍ）
の数が、以下の各式に示されるようにリコール値及び精度にどのように影響を及ぼすかによって決定される。
・ＧＳ３＋４群に属する真陽性（ＴｐＭｅｄｉｕｍ）
・ＧＳ４群に属する真陽性（ＴｐＨｉｇｈ）
・ＧＳ４群として分類されるＧＳ３＋４群の患者（ｅＭｅｄｉｕｍ；Ｈｉｇｈ）
・ＧＳ３＋４群として分類されるＧＳ４群の被験者（ｅＨｉｇｈ；Ｍｅｄｉｕｍ）
の数が、以下の各式に示されるようにリコール値及び精度にどのように影響を及ぼすかによって決定される。
【数8】
【0082】
実施例１：カットオフ値による前立腺癌に罹患しているリスクの評価。
上記の２４６人の被験者の最初の噴流検体を、上記の材料及び方法の項に記載されるように分析にかけた。
上記の２４６人の被験者の最初の噴流検体を、上記の材料及び方法の項に記載されるように分析にかけた。
【0083】
表２に、使用したセンサーの数及び被験者を健康（Ｈ）又は前立腺癌に罹患している（ＰＣ）として割り当てるために使用した方法に応じた、試験の精度、感度及び特異度を示す。エントリー１２及びエントリー１３は、本発明の方法を使用して得られた値を表している。
【0084】
同様の結果が、自然に排尿された尿検体又はカテーテルで採取された検体の中間の噴流を分析することによって得られる。
【表2】
【0085】
実施例２：カットオフ値による悪性度リスクの評価
上記の２４６人の被験者の最初の噴流検体を、上記の材料及び方法に記載されているように悪性度リスク分析にかけた。表３に、分析で使用されたセンサーの数及び種類によって異なる様々な方法のリコール値及び精度を示し、被験者は、実施例１の対応する方法を使用して、健康又は前立腺癌罹患として分類した。エントリー１２及びエントリー１３は、本発明の方法で得られた値を表している。
上記の２４６人の被験者の最初の噴流検体を、上記の材料及び方法に記載されているように悪性度リスク分析にかけた。表３に、分析で使用されたセンサーの数及び種類によって異なる様々な方法のリコール値及び精度を示し、被験者は、実施例１の対応する方法を使用して、健康又は前立腺癌罹患として分類した。エントリー１２及びエントリー１３は、本発明の方法で得られた値を表している。
【0086】
同様の結果が、自然に排尿された尿検体又はカテーテルで採取された検体の中間の噴流を分析することによって得られる。
【表3】
【0087】
実施例３：様々なパターン認識アルゴリズムを使用した前立腺癌に罹患しているリスクの評価
２４６人の被験者のサブセット（１１人の健常者、１７人の前立腺癌罹患者）に関連するデータを、Ｒ０値、Ｒ値及びＲＡ値について図１を参照して、以下の特徴（Ｆ）を抽出することによって処理した。
・抵抗比Ｒ０／Ｒ
・分析後差分δ＝ＲＡ－Ｒ（式中、ＲＡは測定の終了時に記録された抵抗値である、図１参照）
・単一点が測定中に到達した抵抗の最小値であり、Ｒ（ｔ）は経時的な抵抗値である。
２４６人の被験者のサブセット（１１人の健常者、１７人の前立腺癌罹患者）に関連するデータを、Ｒ０値、Ｒ値及びＲＡ値について図１を参照して、以下の特徴（Ｆ）を抽出することによって処理した。
・抵抗比Ｒ０／Ｒ
・分析後差分δ＝ＲＡ－Ｒ（式中、ＲＡは測定の終了時に記録された抵抗値である、図１参照）
・単一点が測定中に到達した抵抗の最小値であり、Ｒ（ｔ）は経時的な抵抗値である。
【0088】
これらのデータを、以下のセンサーのセットを使用して取得した。
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
【0089】
特徴抽出後の検体分析から得られたデータセットを主成分分析（ＰＣＡ，Ｂｏｒｇｏｇｎｏｎｅ ｅｔ ａｌ．，２００１）で処理して、健康な被験者と前立腺癌に罹患した患者との区別を視覚化した。
【0090】
一例として、図３に、センサー応答曲線から抽出された異なる特徴を考慮して得られたＰＣＡスコアプロットを示す。異なる臭気クラス、すなわち健康な被験者と前立腺癌に罹患した患者とは、プロットの異なる領域にクラスターを明確に形成している。
【0091】
第２のステップとして、訓練データセットに対して分類を行うために、異なる分類アルゴリズム（Ａ）を適用した。一例として、異なる訓練セットをサポート・ベクター・マシン（ＳＶＭ）及び線形判別分析（ＬＤＡ）によって処理して、試験性能を評価した。上記の材料及び方法で定義された精度、感度及び特異度について得られた結果を表４に示す。
【表4】
【0092】
カットオフ法は、精度及び感度に関して最良の結果を提供するが、他の分類技法もまた、前立腺癌診断のための許容可能な結果を提供することができることが判明した。
【0093】
実施例４：高悪性度リスクと中悪性度リスクとの区別
表１に従って高リスク又は中リスクにあるとして分類された、前立腺癌に罹患した患者（２０人の患者）のみを含む２４６人の被験者のサブセットに関連するデータを、以下の特徴を考慮して処理した。
抵抗比Ｒ０／Ｒ、式中、Ｒ０は、ｅノーズ分析の開始時の抵抗値であり、Ｒは、尿ヘッドスペースの分析中に記録された最小抵抗値である。
表１に従って高リスク又は中リスクにあるとして分類された、前立腺癌に罹患した患者（２０人の患者）のみを含む２４６人の被験者のサブセットに関連するデータを、以下の特徴を考慮して処理した。
抵抗比Ｒ０／Ｒ、式中、Ｒ０は、ｅノーズ分析の開始時の抵抗値であり、Ｒは、尿ヘッドスペースの分析中に記録された最小抵抗値である。
【0094】
これらのデータを、以下のセンサーのセットを使用して取得した。
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
【0095】
図４に、センサーの抵抗比を特徴として考慮して得られたＰＣＡスコアプロットを示す。分析された検体は、グリーソンスコア値に従ってグラフの異なる領域でクラスター化し、グラフの左部分ではＧＳ３＋４の検体がクラスター化しているのに対して、グラフの右部分ではより高いＧＳの検体が優勢である。
【0096】
第２のステップ（分類）では、ＳＶＭアルゴリズムを適用した。よって、この場合に適用されるデータ処理の組み合わせは、抵抗比（Ｆ）＋ＳＶＭ（Ａ）である。
【0097】
特徴と分類アルゴリズムのこの組み合わせを用いてｅノーズによって操作される分類に関連する混同行列と、対応する精度及びリコールの値とを、それぞれ、表５と表６とに示す。
【表5】
【表6】
【0098】
実施例５：温度の影響
以下の表７及び表８に、本発明の診断方法（表７）又は予後（表８）（実施例１及び実施例２のエントリー１３）で得られた統計値を、検体を６０℃ではなく５０℃に保持した場合に得られた統計値と比較して示す。
以下の表７及び表８に、本発明の診断方法（表７）又は予後（表８）（実施例１及び実施例２のエントリー１３）で得られた統計値を、検体を６０℃ではなく５０℃に保持した場合に得られた統計値と比較して示す。
【0099】
２４６人の被験者のサブセット（１９人の健常者、２９人のＡ群患者、６人のＢ群患者）に対して５０℃でのデータを取得した。
【表7】
【表8】
【0100】
実施例６：湿度制御の影響
以下の表９に、尿ヘッドスペースの濃縮及び電子鼻を用いた分析が本発明の方法どおりに湿度制御下で実行される、実施例１のエントリー１３のセンサーを使用した場合に得られた統計値を、濃縮後の尿ヘッドスペースが同じ条件で、ただし湿度制御なしで分析された場合に得られた統計値と比較して示す。
以下の表９に、尿ヘッドスペースの濃縮及び電子鼻を用いた分析が本発明の方法どおりに湿度制御下で実行される、実施例１のエントリー１３のセンサーを使用した場合に得られた統計値を、濃縮後の尿ヘッドスペースが同じ条件で、ただし湿度制御なしで分析された場合に得られた統計値と比較して示す。
【0101】
この評価のために考慮された検体は、２４６人の被験者のサブセットを構成する（５人の健常者、５人のＡ群患者）。このサブセットを使用して、実施例１のエントリー１３のセンサーでは、カットオフ値は以下の通りである。
純ＺｎＯ：２．５
ＭｏをドープしたＳｎＯ２：２．５
ＭｏＯ３をドープしたＳｎＯ２：２．５
純ＳｎＯ２：２．５
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５：４．１
純ＺｎＯ：２．５
ＭｏをドープしたＳｎＯ２：２．５
ＭｏＯ３をドープしたＳｎＯ２：２．５
純ＳｎＯ２：２．５
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５：４．１
【表9】
【0102】
実施例７：様々なパターン認識アルゴリズムを使用した前立腺癌に罹患しているリスクの評価。
３８人の被験者（１４人の対照者、２４人の前立腺癌に罹患した男性）を含む、２４６人のサブセットに関連するデータを、以下のセンサーのセットを使用して取得した。
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
３８人の被験者（１４人の対照者、２４人の前立腺癌に罹患した男性）を含む、２４６人のサブセットに関連するデータを、以下のセンサーのセットを使用して取得した。
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
【0103】
データを、訓練セットを構築するために使用した、Ｒ０値及びＲ値について図１を参照して、以下の特徴を抽出することによって処理した。
・Ｒ０とＲとの比、
・Ｒ０とＲとの差、
・積分によって定義される曲線Ｒ（ｔ）下面積、
式中、Ｒ０は、基準条件における抵抗値であり、Ｒ（ｔ）は、揮発性有機化合物の脱着中に記録された経時的な抵抗値（すなわち、分析後）である、
・揮発性有機化合物の吸着フェーズに関連する抵抗曲線Ｒ（ｔ）の勾配（すなわち、分析中）、
・分析中フェーズの中心点で記録された抵抗値と分析中フェーズの終了時に記録された抵抗値との差。
・Ｒ０とＲとの比、
・Ｒ０とＲとの差、
・積分によって定義される曲線Ｒ（ｔ）下面積、
【数9】
式中、Ｒ０は、基準条件における抵抗値であり、Ｒ（ｔ）は、揮発性有機化合物の脱着中に記録された経時的な抵抗値（すなわち、分析後）である、
・揮発性有機化合物の吸着フェーズに関連する抵抗曲線Ｒ（ｔ）の勾配（すなわち、分析中）、
・分析中フェーズの中心点で記録された抵抗値と分析中フェーズの終了時に記録された抵抗値との差。
【0104】
第２のステップとして、訓練データセットに対して分類を行うために、異なる分類アルゴリズムを適用した。一例として、異なる訓練セットをｋ近傍法（ｋＮＮ）及びランダムフォレスト（ＲＦ）によって処理して、試験性能を評価した。上記の特徴と分類アルゴリズムとの組み合わせを用いてｅノーズによって操作される分類に関連する混同行列を、ＲＦモデルとｋＮＮモデルとについてそれぞれ、表１０と表１１とに示す。精度、感度及び特異度について得られた結果を表１２に示す。
【表10】
【表11】
【表12】
【0105】
精度、感度及び特異度は、表１３を参照して以下のように定義される。
【数10】
【表13】
【0106】
実施例８：高悪性度リスクと中悪性度リスクとの区別
表１に従って高リスク又は中リスクにあるとして分類された、前立腺癌に罹患した患者（２４人の患者）のみを含む２４６人の被験者のサブセットに関連するデータを、訓練セットを構築するために、Ｒ０値及びＲ値について図１を参照して、以下の特徴を考慮して処理した。
・Ｒ０とＲとの比、
・Ｒ０とＲとの差、
・積分によって定義される曲線Ｒ（ｔ）下面積、
式中、Ｒ０は、基準条件における抵抗値であり、Ｒ（ｔ）は、揮発性有機化合物の脱着中に記録された経時的な抵抗値（すなわち、分析後）である、
・揮発性有機化合物の吸着フェーズに関連する抵抗曲線Ｒ（ｔ）の勾配（すなわち、分析中）、
・分析中フェーズの中心点で記録された抵抗値と分析中フェーズの終了時に記録された抵抗値との差。
表１に従って高リスク又は中リスクにあるとして分類された、前立腺癌に罹患した患者（２４人の患者）のみを含む２４６人の被験者のサブセットに関連するデータを、訓練セットを構築するために、Ｒ０値及びＲ値について図１を参照して、以下の特徴を考慮して処理した。
・Ｒ０とＲとの比、
・Ｒ０とＲとの差、
・積分によって定義される曲線Ｒ（ｔ）下面積、
【数11】
式中、Ｒ０は、基準条件における抵抗値であり、Ｒ（ｔ）は、揮発性有機化合物の脱着中に記録された経時的な抵抗値（すなわち、分析後）である、
・揮発性有機化合物の吸着フェーズに関連する抵抗曲線Ｒ（ｔ）の勾配（すなわち、分析中）、
・分析中フェーズの中心点で記録された抵抗値と分析中フェーズの終了時に記録された抵抗値との差。
【0107】
データを、以下のセンサーのセットを使用して取得した。
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
純ＺｎＯ
ＭｏをドープしたＳｎＯ２
ＭｏＯ３をドープしたＳｎＯ２
純ＳｎＯ２
ＳｎＯ２＋ＴｉＯ２＋Ｎｂ２Ｏ５
【0108】
分類を目的として、訓練データセットに対して分類を行うために、ｋ近傍法（ｋＮＮ）及びランダムフォレスト（ＲＦ）分類アルゴリズムを適用した。上記の特徴と分類アルゴリズムとの組み合わせを用いてｅノーズによって操作される分類に関連する混同行列を、ＲＦモデルとｋＮＮモデルとについてそれぞれ、表１４と表１５とに示す。特徴と分類アルゴリズムのこの組み合わせを用いてｅノーズによって操作される分類に関連する対応する精度及びリコールの値を表１６に示す。
【表14】
【表15】
【表16】
【0109】
リコール及び精度は、表１７を参照して以下のように決定される。
【数12】
【表17】
【0110】
参考文献
【表18】
【図1】
【図2】
【図3】
【図4】
【国際調査報告】