特表 2024-538697 メタエピゲノミクスベースの疾患診断法

(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】2024-10-23

(54)【発明の名称】メタエピゲノミクスベースの疾患診断法

(51)【国際特許分類】

   G16H 10/40 20180101AFI20241016BHJP

   G16H 50/20 20180101ALI20241016BHJP

【ＦＩ】

G16H10/40

G16H50/20

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024520848

(86)(22)【出願日】2022-10-07

(85)【翻訳文提出日】2024-06-04

(86)【国際出願番号】 US2022046126

(87)【国際公開番号】W WO2023059922

(87)【国際公開日】2023-04-13

(31)【優先権主張番号】63/253,655

(32)【優先日】2021-10-08

(33)【優先権主張国・地域又は機関】US

(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．ＡＮＤＲＯＩＤ

(71)【出願人】

【識別番号】523174457

【氏名又は名称】マイクロノーマ，インク．

(74)【代理人】

【識別番号】110003797

【氏名又は名称】弁理士法人清原国際特許事務所

(72)【発明者】

【氏名】アダムス，エディー

(72)【発明者】

【氏名】ワンドロ，ステファン

(72)【発明者】

【氏名】フララクシオ，セレーナ

(72)【発明者】

【氏名】シン－テイラー，アカンクシャ

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA04

(57)【要約】

対象のゲノム及びその対象内に含有される微生物ゲノムからのエピジェネティックデータに基づいて、対象の健康状態を決定するための診断モデルを作成するための方法が提供される。
【選択図】図１Ａ

【特許請求の範囲】

【請求項1】

対象の疾患を決定する方法であって、
（ａ）対象の生体試料を提供することと、
（ｂ）前記生体試料の１つ以上の核酸分子を、前記１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって濃縮することと、
（ｃ）濃縮された前記１つ以上の核酸分子を配列決定して、１つ以上の核酸分子配列決定リードを生成することと、
（ｄ）予測モデルに入力として前記濃縮された１つ以上の核酸分子が提供される場合、前記予測モデルの出力として前記対象の前記疾患を決定することと、を含む、方法。

【請求項2】

前記１つ以上の核酸分子が、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む、請求項１に記載の方法。

【請求項3】

前記疾患が、がん又は非がん性疾患を含む、請求項１に記載の方法。

【請求項4】

前記がんが、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又はそれらの任意の組み合わせを含む、請求項３に記載の方法。

【請求項5】

前記非がん性疾患が、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む、請求項３に記載の方法。

【請求項6】

前記１つ以上の核酸分子配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード及び１つ以上の哺乳類配列決定リードを特定することを更に含む、請求項１に記載の方法。

【請求項7】

前記エピジェネティック特徴が、核酸エピジェネティック特徴を含む、請求項１に記載の方法。

【請求項8】

前記エピジェネティック特徴が、哺乳類核酸エピジェネティック特徴又は非哺乳類核酸エピジェネティック特徴を含む、請求項１に記載の方法。

【請求項9】

前記非哺乳類核酸エピジェネティック特徴が、ホスホロチオエート結合ヌクレオチドを含む、請求項８に記載の方法。

【請求項10】

前記生体試料が、組織、液体生検試料、又はそれらの組み合わせを含む、請求項１に記載の方法。

【請求項11】

前記対象が、ヒト又は非ヒト哺乳類である、請求項１に記載の方法。

【請求項12】

前記１つ以上の哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、請求項２に記載の方法。

【請求項13】

前記１つ以上の非哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、請求項２に記載の方法。

【請求項14】

前記核酸エピジェネティック特徴の前記親和性標的化が、前記核酸エピジェネティック特徴を濃縮することを含む、請求項７に記載の方法。

【請求項15】

前記核酸エピジェネティック特徴が、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む、請求項７に記載の方法。

【請求項16】

前記核酸エピジェネティック特徴が、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む、請求項７に記載の方法。

【請求項17】

前記親和性標的化が、前記エピジェネティック特徴に結合するために特異的親和性試薬を利用する、請求項１に記載の方法。

【請求項18】

前記特異的親和性試薬が、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又はそれらの任意の組み合わせを含む、請求項１７に記載の方法。

【請求項19】

前記組換えエピジェネティックタンパク質が、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含む、請求項１８に記載の方法。

【請求項20】

前記エピジェネティックリーダーが、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む、請求項１９に記載の方法。

【請求項21】

前記エピジェネティックリーダーが、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む、請求項１９に記載の方法。

【請求項22】

前記エピジェネティックリーダーが、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む、請求項１９に記載の方法。

【請求項23】

前記エピジェネティックライター及びイレーサーが、触媒的に不活性である、請求項１９に記載の方法。

【請求項24】

前記エピジェネティックリーダー、ライター、及びイレーサーが、エピトープタグを含む、請求項１９に記載の方法。

【請求項25】

前記エピトープタグが、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含む、請求項２４に記載の方法。

【請求項26】

前記分子認識モチーフが、ｂｉｒＡ又はソルターゼモチーフ（ｓｏｒｔａｓｅ ｍｏｔｉｆ）を含む、請求項２５に記載の方法。

【請求項27】

前記１つ以上の哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、前記固体支持体が、前記エピトープタグに対する固定化された相補的な抗体を含む、請求項２に記載の方法。

【請求項28】

前記特異的親和性試薬が、前記エピジェネティック特徴を認識し、それに結合するための領域を含む、請求項１７に記載の方法。

【請求項29】

前記親和性標的化が、前記生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む、請求項１に記載の方法。

【請求項30】

前記複数の固定化された親和性剤が、前記エピジェネティック特徴に結合するであろう領域を含む、請求項２９に記載の方法。

【請求項31】

前記固体支持体が、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む、請求項２９に記載の方法。

【請求項32】

フィルタリングすることが、ゲノムデータベースに対して前記１つ以上の哺乳類配列決定リード及び前記１つ以上の非哺乳類配列決定リードをフィルタリングすることを含む、請求項６に記載の方法。

【請求項33】

前記ゲノムデータベースが、ヒトゲノムデータベースである、請求項３２に記載の方法。

【請求項34】

前記予測モデルが、１個体以上の対象の生体試料の１つ以上の核酸分子及び前記１個体以上の対象の対応する疾患から決定された１つ以上の哺乳類、１つ以上の非哺乳類、又はそれらの組み合わせの特徴で訓練される、請求項３に記載の方法。

【請求項35】

前記１つ以上の哺乳類特徴が、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む、請求項３４に記載の方法。

【請求項36】

前記１つ以上の哺乳類特徴が、哺乳類機能性遺伝子及び生化学的経路存在量を含む、請求項３４に記載の方法。

【請求項37】

前記１つ以上の非哺乳類特徴が、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む、請求項３４に記載の方法。

【請求項38】

前記１つ以上の非哺乳類特徴が、微生物機能性遺伝子及び生化学的経路存在量を含む、請求項３４に記載の方法。

【請求項39】

前記液体生検試料が、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又はそれらの任意の組み合わせを含む、請求項１０に記載の方法。

【請求項40】

前記疾患を決定する前記予測モデルの精度が、前記生体試料の前記１つ以上の核酸分子が濃縮されている場合、前記生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する、請求項１に記載の方法。

【請求項41】

前記予測モデルが、前記対象の前記疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む、請求項１に記載の方法。

【請求項42】

訓練された予測モデルの出力が、前記１つ以上の哺乳類特徴存在量と前記１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む、請求項３４に記載の方法。

【請求項43】

訓練された予測モデルの入力が、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む、請求項３４に記載の方法。

【請求項44】

前記予測モデルが、前記疾患の組織特異的位置で更に訓練される、請求項３４に記載の方法。

【請求項45】

前記予測モデルが、前記がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される、請求項３４に記載の方法。

【請求項46】

前記予測モデルが、前記対象の前記生体試料の核酸配列決定リードが提供される場合、前記がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する、請求項３に記載の方法。

【請求項47】

前記予測モデルが、前記対象のがん療法応答を出力する、請求項３に記載の方法。

【請求項48】

訓練された予測モデルが、前記対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす前記対象に対する療法を出力する、請求項３４に記載の方法。

【請求項49】

訓練された予測モデルが、療法、前記対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、前記対象のがんの縦断的なモデルを出力する、請求項３４に記載の方法。

【請求項50】

前記予測モデルが、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去する、請求項３４に記載の方法。

【請求項51】

前記濃縮することが、前記１つ以上の核酸分子の合計を、少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％減少させる、請求項１に記載の方法。

【請求項52】

予測モデルを訓練する方法であって、
（ａ）疾患を有する１個体以上の対象の生体試料を提供することと、
（ｂ）前記生体試料の１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって、前記１個体以上の対象の前記生体試料を濃縮することと、
（ｃ）濃縮された１つ以上の核酸分子を配列決定して、１つ以上の核酸分子配列決定リードを生成することと、
（ｄ）前記予測モデルを前記１つ以上の核酸分子配列決定リードの１つ以上の特徴及び前記１個体以上の対象の前記疾患で訓練することと、を含む、方法。

【請求項53】

前記エピジェネティック特徴が、哺乳類エピジェネティック特徴又は非哺乳類エピジェネティック特徴を含む、請求項５２に記載の方法。

【請求項54】

前記１つ以上の特徴が、１つ以上の疾患特徴を含む、請求項５２に記載の方法。

【請求項55】

訓練された予測モデルに別の１個体以上の対象の生体試料の核酸配列決定リードが提供される場合、前記訓練された予測モデルが、前記１個体以上の対象とは異なる前記別の１個体以上の対象の疾患を決定する、請求項５２に記載の方法。

【請求項56】

前記１つ以上の核酸分子が、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む、請求項５２に記載の方法。

【請求項57】

前記１つ以上の核酸配列決定リードをフィルタリングして、前記１つ以上の非哺乳類配列決定リード、前記１つ以上の哺乳類配列決定リード、又はそれらの組み合わせを特定することを更に含む、請求項５６に記載の方法。

【請求項58】

前記エピジェネティック特徴が、核酸エピジェネティック特徴を含む、請求項５２に記載の方法。

【請求項59】

前記生体試料が、組織、液体生検試料、又はそれらの組み合わせを含む、請求項５２に記載の方法。

【請求項60】

前記１個体以上の対象が、ヒト又は非ヒト哺乳類である、請求項５２に記載の方法。

【請求項61】

前記１つ以上の哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、請求項５６に記載の方法。

【請求項62】

前記１つ以上の非哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、請求項５６に記載の方法。

【請求項63】

前記核酸エピジェネティック特徴の前記親和性標的化が、前記核酸エピジェネティック特徴を濃縮することを含む、請求項５８に記載の方法。

【請求項64】

前記核酸エピジェネティック特徴が、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む、請求項５８に記載の方法。

【請求項65】

前記核酸エピジェネティック特徴が、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む、請求項５８に記載の方法。

【請求項66】

前記親和性標的化が、前記エピジェネティック特徴に結合するために特異的親和性試薬を利用する、請求項５２に記載の方法。

【請求項67】

前記特異的親和性試薬が、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又はそれらの任意の組み合わせを含む、請求項６６に記載の方法。

【請求項68】

前記組換えエピジェネティックタンパク質が、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含む、請求項６７に記載の方法。

【請求項69】

前記エピジェネティックリーダーが、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する前記組換えメチル結合ドメインを含む、請求項６８に記載の方法。

【請求項70】

前記エピジェネティックリーダーが、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む、請求項６８に記載の方法。

【請求項71】

前記エピジェネティックライター及びイレーサーが、触媒的に不活性である、請求項６８に記載の方法。

【請求項72】

前記エピジェネティックリーダー、ライター、及びイレーサーが、エピトープタグを含む、請求項６８に記載の方法。

【請求項73】

前記エピトープタグが、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含む、請求項７２に記載の方法。

【請求項74】

前記分子認識モチーフが、ｂｉｒＡ又はソルターゼモチーフを含む、請求項７３に記載の方法。

【請求項75】

前記１つ以上の哺乳類核酸分子及び前記１つ以上の非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、前記固体支持体が、前記エピトープタグに対する固定化された相補的な抗体を含む、請求項５６に記載の方法。

【請求項76】

前記特異的親和性試薬が、前記エピジェネティック特徴を認識し、それに結合するための領域を含む、請求項６６に記載の方法。

【請求項77】

前記親和性標的化が、前記生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む、請求項５２に記載の方法。

【請求項78】

前記複数の固定化された親和性剤が、前記エピジェネティック特徴に結合するであろう領域を含む、請求項７７に記載の方法。

【請求項79】

前記固体支持体が、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む、請求項７７に記載の方法。

【請求項80】

フィルタリングすることが、ゲノムデータベースに対して、前記１つ以上の哺乳類及び非哺乳類配列決定リードをフィルタリングすることを含む、請求項５７に記載の方法。

【請求項81】

前記ゲノムデータベースが、ヒトゲノムデータベースである、請求項８０に記載の方法。

【請求項82】

前記１つ以上の特徴が、１つ以上の哺乳類特徴、１つ以上の非哺乳類特徴、又はそれらの組み合わせの特徴を含む、請求項５２に記載の方法。

【請求項83】

前記１つ以上の哺乳類特徴が、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む、請求項８２に記載の方法。

【請求項84】

前記１つ以上の哺乳類特徴が、哺乳類機能性遺伝子及び生化学的経路存在量を含む、請求項８２に記載の方法。

【請求項85】

前記１つ以上の非哺乳類特徴が、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む、請求項８２に記載の方法。

【請求項86】

前記１つ以上の非哺乳類特徴が、微生物機能性遺伝子及び生化学的経路存在量を含む、請求項８２に記載の方法。

【請求項87】

前記液体生検試料が、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又はそれらの任意の組み合わせを含む、請求項５９に記載の方法。

【請求項88】

前記疾患が、がん又は非がん性疾患を含む、請求項５５に記載の方法。

【請求項89】

前記疾患を決定する前記予測モデルの精度が、前記生体試料の前記１つ以上の核酸分子が濃縮されている場合、前記生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する、請求項５５に記載の方法。

【請求項90】

前記予測モデルが、前記別の１個体以上の対象の前記疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む、請求項５２に記載の方法。

【請求項91】

前記非哺乳類核酸エピジェネティック特徴が、ホスホロチオエート結合ヌクレオチドを含む、請求項５３に記載の方法。

【請求項92】

前記エピジェネティックリーダーが、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する前記組換えメチル結合ドメインを含む、請求項６８に記載の方法。

【請求項93】

訓練された予測モデルの出力が、前記１つ以上の哺乳類特徴存在量と前記１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む、請求項８２に記載の方法。

【請求項94】

訓練された予測モデルの入力が、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む、請求項５２に記載の方法。

【請求項95】

前記予測モデルが、前記疾患の組織特異的位置で更に訓練される、請求項８８に記載の方法。

【請求項96】

前記予測モデルが、前記がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される、請求項８８に記載の方法。

【請求項97】

前記予測モデルが、前記別の１個体以上の対象の前記生体試料の核酸配列決定リードが提供される場合、前記がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する、請求項８８に記載の方法。

【請求項98】

前記訓練された予測モデルが、前記別の１個体以上の対象のがん療法応答を出力する、請求項５５に記載の方法。

【請求項99】

前記訓練された予測モデルが、前記別の１個体以上の対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす、前記別の１個体以上の対象に対する療法を出力する、請求項５５に記載の方法。

【請求項100】

前記訓練された予測モデルが、療法、前記別の１個体以上の対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、前記別の１個体以上の対象のがんの縦断的なモデルを出力する、請求項５５に記載の方法。

【請求項101】

前記がんが、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又はそれらの任意の組み合わせを含む、請求項８８に記載の方法。

【請求項102】

前記予測モデルが、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去するように構成される、請求項５２に記載の方法。

【請求項103】

前記非がん性疾患が、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む、請求項８８に記載の方法。

【請求項104】

前記濃縮することが、前記１つ以上の核酸分子の合計を、少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％減少させる、請求項５２に記載の方法。

【請求項105】

対象の疾患を決定するコンピュータシステムであって、
（ａ）１つ以上のプロセッサと、
（ｂ）ソフトウェアを含む非一時的コンピュータ可読記憶媒体であって、前記ソフトウェアが、実行の結果として、前記コンピュータシステムの前記１つ以上のプロセッサに、
（ｉ）対象の生体試料の１つ以上の核酸分子の１つ以上の核酸分子配列決定リードを受信することであって、前記１つ以上の核酸分子が、前記１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって濃縮される、受信することと、
（ｉｉ）予測モデルに前記１つ以上の核酸分子配列決定が提供される場合、前記予測モデルの出力として前記対象の疾患を決定することと、を行わせる実行可能命令を含む、非一時的コンピュータ可読記憶媒体と、を備える、コンピュータシステム。

【請求項106】

前記１つ以上の核酸分子が、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む、請求項１０５に記載の方法。

【請求項107】

前記疾患が、がん又は非がん性疾患を含む、請求項１０５に記載の方法。

【請求項108】

前記がんが、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又はそれらの任意の組み合わせを含む、請求項１０７に記載の方法。

【請求項109】

前記非がん性疾患が、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む、請求項１０７に記載の方法。

【請求項110】

前記実行可能命令が、前記１つ以上の核酸分子配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード及び１つ以上の哺乳類配列決定リードを特定することを更に含む、請求項１０５に記載の方法。

【請求項111】

前記エピジェネティック特徴が、核酸エピジェネティック特徴を含む、請求項１０５に記載の方法。

【請求項112】

前記エピジェネティック特徴が、哺乳類核酸エピジェネティック特徴又は非哺乳類核酸エピジェネティック特徴を含む、請求項１０５に記載の方法。

【請求項113】

前記非哺乳類核酸エピジェネティック特徴が、ホスホロチオエート結合ヌクレオチドを含む、請求項１１２に記載の方法。

【請求項114】

前記生体試料が、組織、液体生検試料、又はそれらの組み合わせを含む、請求項１０５に記載の方法。

【請求項115】

前記対象が、ヒト又は非ヒト哺乳類である、請求項１０５に記載の方法。

【請求項116】

前記１つ以上の哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、請求項１０６に記載の方法。

【請求項117】

前記１つ以上の非哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、請求項１０６に記載の方法。

【請求項118】

前記核酸エピジェネティック特徴の前記親和性標的化が、前記核酸エピジェネティック特徴を濃縮することを含む、請求項１１１に記載の方法。

【請求項119】

前記核酸エピジェネティック特徴が、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む、請求項１１１に記載の方法。

【請求項120】

前記核酸エピジェネティック特徴が、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む、請求項１１１に記載の方法。

【請求項121】

前記親和性標的化が、前記エピジェネティック特徴に結合するために特異的親和性試薬を利用する、請求項１０５に記載の方法。

【請求項122】

前記特異的親和性試薬が、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又はそれらの任意の組み合わせを含む、請求項１２１に記載の方法。

【請求項123】

前記組換えエピジェネティックタンパク質が、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含む、請求項１２２に記載の方法。

【請求項124】

前記エピジェネティックリーダーが、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む、請求項１２３に記載の方法。

【請求項125】

前記エピジェネティックリーダーが、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む、請求項１２３に記載の方法。

【請求項126】

前記エピジェネティックリーダーが、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む、請求項１２３に記載の方法。

【請求項127】

前記エピジェネティックライター及びイレーサーが、触媒的に不活性である、請求項１２３に記載の方法。

【請求項128】

前記エピジェネティックリーダー、ライター、及びイレーサーが、エピトープタグを含む、請求項１２３に記載の方法。

【請求項129】

前記エピトープタグが、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含む、請求項１２８に記載の方法。

【請求項130】

前記分子認識モチーフが、ｂｉｒＡ又はソルターゼモチーフを含む、請求項１２９に記載の方法。

【請求項131】

前記１つ以上の哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、前記固体支持体が、前記エピトープタグに対する固定化された相補的な抗体を含む、請求項１０６に記載の方法。

【請求項132】

前記特異的親和性試薬が、前記エピジェネティック特徴を認識し、それに結合するための領域を含む、請求項１２１に記載の方法。

【請求項133】

前記親和性標的化が、前記生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む、請求項１０５に記載の方法。

【請求項134】

前記複数の固定化された親和性剤が、前記エピジェネティック特徴に結合するであろう領域を含む、請求項１３３に記載の方法。

【請求項135】

前記固体支持体が、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む、請求項１３３に記載の方法。

【請求項136】

フィルタリングすることが、ゲノムデータベースに対して前記１つ以上の哺乳類配列決定リード及び前記１つ以上の非哺乳類配列決定リードをフィルタリングすることを含む、請求項１１０に記載の方法。

【請求項137】

前記ゲノムデータベースが、ヒトゲノムデータベースである、請求項１３６に記載の方法。

【請求項138】

前記予測モデルが、１個体以上の対象の生体試料の１つ以上の核酸分子及び前記１個体以上の対象の対応する疾患から決定された１つ以上の哺乳類、１つ以上の非哺乳類、又はそれらの組み合わせの特徴で訓練される、請求項１０７に記載の方法。

【請求項139】

前記１つ以上の哺乳類特徴が、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む、請求項１３８に記載の方法。

【請求項140】

前記１つ以上の哺乳類特徴が、哺乳類機能性遺伝子及び生化学的経路存在量を含む、請求項１３８に記載の方法。

【請求項141】

前記１つ以上の非哺乳類特徴が、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む、請求項１３８に記載の方法。

【請求項142】

前記１つ以上の非哺乳類特徴が、微生物機能性遺伝子及び生化学的経路存在量を含む、請求項１３８に記載の方法。

【請求項143】

前記液体生検試料が、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又はそれらの任意の組み合わせを含む、請求項１１４に記載の方法。

【請求項144】

前記疾患を決定する前記予測モデルの精度が、前記生体試料の前記１つ以上の核酸分子が濃縮されている場合、前記生体試料の前記１つ以上の核酸分子が濃縮されていない場合と比較して、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する、請求項１０５に記載の方法。

【請求項145】

前記予測モデルが、前記対象の前記疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む、請求項１０５に記載の方法。

【請求項146】

訓練された予測モデルの出力が、前記１つ以上の哺乳類特徴存在量と前記１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む、請求項１３８に記載の方法。

【請求項147】

訓練された予測モデルの入力が、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む、請求項１０５に記載の方法。

【請求項148】

前記予測モデルが、前記疾患の組織特異的位置で更に訓練される、請求項１３８に記載の方法。

【請求項149】

前記予測モデルが、前記がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される、請求項１３８に記載の方法。

【請求項150】

前記予測モデルが、前記対象の前記生体試料の核酸配列決定リードが提供される場合、前記がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する、請求項１０７に記載の方法。

【請求項151】

前記予測モデルが、前記対象のがん療法応答を出力する、請求項１０７に記載の方法。

【請求項152】

前記訓練された予測モデルが、前記対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす前記対象に対する療法を出力する、請求項１０７に記載の方法。

【請求項153】

前記訓練された予測モデルが、療法、前記対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、前記対象のがんの縦断的なモデルを出力する、請求項１０７に記載の方法。

【請求項154】

前記予測モデルが、他の非夾雑非哺乳類特徴を選択的に保持しながら、前記１つ以上の配列決定リードから夾雑非哺乳類特徴を除去する、請求項１０５に記載の方法。

【請求項155】

濃縮された核酸が、濃縮前の前記１つ以上の核酸分子の少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の減少を含む、請求項１０５に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

相互参照
本出願は、２０２１年１０月８日に出願された米国仮出願第６３／２５３，６５５号の利益を主張し、この出願は参照により本明細書に組み込まれる。

【発明の概要】

【0002】

本発明の開示は、疾患関連メタエピゲノムバイオマーカーを特定する方法、及びこれらのバイオマーカーを用いて組織又は液体生検試料から特定の疾患を正確に診断する方法を提供する。具体的には、本発明は、組織又は液体生検試料からの哺乳類、細菌、真菌、古細菌、及びウイルス界に由来する生物界間エピジェネティックデータを富化及び統合するための方法、並びにこの組み合わされたデータセットを使用して哺乳類対象の疾患を診断及び分類するための方法を提供する。

【0003】

本明細書に開示される本発明の方法は、生物界間核酸分析から疾患診断バイオマーカーを発見する手段を提供し、バイオマーカーが、核酸の混合（すなわち、多生物界）集団内に含有されるエピジェネティック特徴に特異的に由来する。これらのエピジェネティック特徴は、例えば、２つ以上の分類学的生物界によって共有される共通の特徴であり得るか、又は独立して分析され、その後に組み合わされて生物界間診断シグネチャを提供する、分類学的に異なる重複しないエピジェネティック特徴であり得る。

【0004】

ヒトＤＮＡメチル化ベースのバイオマーカーは、長い間、学術研究及び臨床研究の対象となってきており（例えば、ＤＮＡ Ｍｅｔｈｙｌａｔｉｏｎ ａｎｄ Ｃｏｍｐｌｅｘ Ｈｕｍａｎ Ｄｉｓｅａｓｅ，Ｍｉｃｈａｅｌ Ｎｅｉｄｈａｒｔ，２０１６，ＩＳＢＮ：９７８－０－１２－４２０１９４－１を参照）、５－メチルシトシン（５ｍＣ）修飾ＤＮＡの疾患特性の存在又は不在を利用するいくつかの市販の診断アッセイに組み込まれてきた。例えば、がん診断に対するＦＤＡの承認を得た唯一の血液ベースの液体生検アッセイは、エピゲノミクスのＥｐｉ ｐｒｏＣｏｌｏｎ大腸がんスクリーニングアッセイである。これは、３．５ｍｌの患者血漿から単離されたメチル化Ｓｅｐｔｉｎ９ ｃｔＤＮＡの定性的検出のためのＰＣＲアッセイである（ＳＥＰＴ９＿ｖ２転写産物のプロモーター領域における特定のＣｐＧモチーフのメチル化は、大腸がんに関連しているが、健康組織には関連していない）。具体的には、エピゲノミクスアッセイは、単離されたｃｆＤＮＡ及びメチル化特異的プライマーのバイサルファイト処理を利用して、メチル化Ｓｅｐｔｉｎ９の存在を検出する。より最近では、Ｇｒａｉｌ Ｉｎｃ．は、ゲノムＣｐＧ部位の差次的ＤＮＡメチル化を使用して、異なるがんの間で、かつがん試料と非がん試料とを区別した。ＧＲＡＩＬは、無細胞循環腫瘍ＤＮＡ（ｃｔＤＮＡ）のメチル化パターンの標的化バイサルファイト配列決定を通して、単一の試料から５０を超える固有のがんタイプを正確にスクリーニングするという野心的な目標を設定した。ＤＮＡメチル化ベースのバイオマーカーは、多くの疾患分野において研究されてきたが、どのｃｔＤＮＡ断片が真に腫瘍由来であるかを決定する手段として、液体生検ベースのがん診断法において特に有用であることが証明され得る。がん遺伝子（例えば、ＴＰ５３、ＫＲＡＳ）におけるほとんどのドライバ変異は、それらの起源の組織に関係なく、がんの間で一般的であるが、ＣｐＧメチル化プロファイルは、それらに由来する組織及び腫瘍に非常に特異的であり、潜在的に、がんのより正確な診断を可能にする。加えて、ヒトゲノム全体で２８００万のＣｐＧ部位があり、そのメチル化状態（メチル化対非メチル化）には、がん特異的シグネチャが含まれている可能性があるが、カノニカルｃｔＤＮＡ変異は、コピー数／ゲノムに制限され、したがって、検出の感度に制限が課される。哺乳類のＤＮＡ修飾を利用するこれら及び他の分析では、これらのエピジェネティック分析が、非哺乳類源からの核酸データを意図的に除外して行われることを強調することが重要であり、疾患特異的な存在又は存在量において同時に明らかになる可能性がある。

【0005】

同様に、微生物ゲノムは、ゲノムの基礎となるポリヌクレオチド配列の遺伝性であるが酵素的に可逆的な化学修飾の形態でエピジェネティック情報を有することが理解されるが、哺乳類ＤＮＡメチル化と微生物ＤＮＡメチル化との間の相違は、これまで、選択された原核生物標的に焦点を当てたアッセイの診断感度を改善するために、哺乳類ＤＮＡから原核生物ＤＮＡを分離する手段として使用されてきた。例えば、Ｓｃｈｍｉｄｔ ｅｔ ａｌ．（ＵＳ８２８８１１５ Ｂ２）は、特定のタンパク質（Ｔｏｌｌ様受容体９（ＴＬＲ９）及びＣｐＧ結合タンパク質（ＣＧＢＰ））を使用して、哺乳類ＤＮＡ及び非哺乳類ＤＮＡの両方を含有する試料から非メチル化原核生物ＤＮＡを濃縮することを教示している。非メチル化ＣｐＧ部位は、哺乳類ＤＮＡよりも原核生物ＤＮＡで２０倍豊富であるため、非メチル化ＣｐＧ含有ＤＮＡの物理的濃縮は、下流分子のアッセイ、具体的には、Ｓｃｈｍｉｄｔ ｅｔ ａｌ．のＰＣＲベースの分析によるアッセイにおいて存在する哺乳類ＤＮＡの量を制限するのに役立つ。

【0006】

同様に、Ｆｏｒｓｙｔｈ（ＵＳ８９２７２１８ Ｂ２）は、核酸の複雑な混合物からの原核配列を濃縮するために、特異的な微生物ＤＮＡのメチル化モチーフ、及びメチル化特異的抗体に結合することができるが、加水分解することができない触媒的に不活性な制限酵素の使用を教示している。ここでも、その意図は、原核生物配列を非原核生物配列から物理的に分離することで、選択された原核生物の検出に焦点を当てた下流の分析で検出限界を改善することである。

【0007】

Ｚｈｏｕ ｅｔ ａｌ．（ＷＯ２０２０／１９８６６４；ＰＣＴ ＵＳ２０２０／０２５４２５）は、「マイクロバイオームのゲノム及びエピゲノムプロファイリング」を容易にするために、無細胞ＤＮＡから配列決定ライブラリを調製する方法を教示しているが、ここでも、その目的は、ほとんどの下流配列決定リードが微生物起源であるように、哺乳類核酸分子を非哺乳類核酸分子から分離することである。更に、Ｚｈｏｕ ｅｔ ａｌ．の方法は、微生物エピゲノム分析に適し得る配列決定ライブラリを調製する手段を提供するが、エピゲノム分析の様式又は分析されるエピジェネティック特徴は教示されない。

【0008】

前述の技術分野とは対照的に、排他的に哺乳類起源又は非哺乳類起源（しかし両方ではない）のエピジェネティック特徴は、分析の対象であるが、本発明の方法は、核酸試料内に現れる分類学的に多様な生命形態に由来するエピジェネティックデータを利用し、組み合わせる。微生物は、哺乳類の疾患プロセスにますます関与しており、疾患特異的な哺乳類エピジェネティック特徴は、診断バイオマーカーの堅牢な供給源であることが証明されているため、核酸試料内の哺乳類及び微生物の分類学的供給源の両方からのエピジェネティックな内容を組み合わせることで、高感度かつ特異的な「メタエピゲノム」診断シグネチャの作成が可能になるであろうと考えた。このようにして、本発明者らは、全ての既存の技術から大きく乖離し、疾患診断バイオマーカーを特定する新しい方法を生み出す。

【0009】

本明細書に開示される態様は、核酸試料に含まれる哺乳類及び非哺乳類のエピジェネティック情報の組み合わせに基づいて、対象における疾患を診断するための診断モデルを作成する方法を提供し、本方法は、（ａ）１つ以上の哺乳類及び非哺乳類核酸分子の両方によって共有されるエピジェネティック特徴の親和性標的化によって、１つ以上の哺乳類及び非哺乳類核酸分子を濃縮することと、（ｂ）濃縮された核酸組成物を配列決定して、配列決定リードを生成することと、（ｃ）配列決定リードをゲノムデータベースの構築物（ｂｕｉｌｄ）でフィルタリングして、非哺乳類配列決定リードを単離し、哺乳類アラインメントファイルを生成することと、（ｄ）哺乳類アラインメントファイルを分析して、哺乳類特徴存在量表（ａｂｕｎｄａｎｃｅ ｔａｂｌｅ）を生成することと、（ｅ）非哺乳類配列決定リードを分析して、非哺乳類特徴存在量表を生成することと、（ｆ）哺乳類及び非哺乳類特徴存在量表を組み合わせて、組み合わされたメタエピゲノム機械学習特徴セットを生成することと、（ｇ）メタエピゲノム特徴セットに関する予測モデルを訓練及び試験して、訓練された予測モデルを生成することと、（ｈ）訓練された予測モデルの出力を使用して、対象における疾患の有無の診断を提供することと、を含む。いくつかの実施形態では、核酸試料は、組織、液体生検試料、又はそれらの任意の組み合わせに由来し得る。いくつかの実施形態では、対象は、ヒト又は非ヒト哺乳類を含み得る。いくつかの実施形態では、核酸は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせの総集団を含み得る。

【0010】

いくつかの実施形態では、親和性標的化は、共有された核酸のエピジェネティック特徴を濃縮することを含み得る。いくつかの実施形態では、共有された核酸のエピジェネティック特徴は、メチル化ＣｐＧジヌクレオチド対を含み得る。いくつかの実施形態では、共有された核酸のエピジェネティック特徴は、非メチル化ＣｐＧジヌクレオチド対を含み得る。いくつかの実施形態では、共有された核酸のエピジェネティック特徴は、修飾された核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、及びＮ６－メチルアデニンを含み得る。

【0011】

いくつかの実施形態では、親和性標的化は、特異的親和性試薬を含み得る。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、又は組換えエピジェネティックタンパク質を含み得る。いくつかの実施形態では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含み得る。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性であり得る。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含み得る。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフ（ｓｏｒｔａｓｅ ｍｏｔｉｆ）を含み得る。いくつかの実施形態では、核酸組成物は、固体支持体によって濃縮されてもよく、固体支持体は、エピトープタグに共有結合された相補的な抗体を含み得る。いくつかの実施形態では、特異的親和性試薬は、エピジェネティック特徴を認識し、それに結合するための領域を含み得る。いくつかの実施形態では、親和性標的化は、核酸試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含み得る。いくつかの実施形態では、複数の固定化された親和性剤は、エピジェネティック特徴に結合するであろう領域を含み得る。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースであり得る。

【0012】

いくつかの実施形態では、哺乳類特徴存在量表は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含み得る。いくつかの実施形態では、哺乳類特徴存在量表は、哺乳類機能性遺伝子及び生化学的経路存在量表を含み得る。いくつかの実施形態では、非哺乳類特徴存在量表は、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含み得る。いくつかの実施形態では、非哺乳類特徴存在量表は、非哺乳類機能性遺伝子及び生化学的経路存在量表を含み得る。いくつかの実施形態では、訓練された予測モデルの出力は、哺乳類特徴セットと非哺乳類特徴セットとの組み合わせの分析を含み得る。いくつかの実施形態では、訓練された予測モデルは、目的の疾患に特徴存在量が存在するか又は存在しないことが知られている哺乳類及び非哺乳類のエピゲノム存在量のセットで訓練され得る。いくつかの実施形態では、診断モデルは、以下の生命の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を利用することができる。いくつかの実施形態では、診断モデルは、疾患のカテゴリ又は組織特異的位置を診断することができる。いくつかの実施形態では、診断モデルは、対象における１つ以上のタイプのがんを診断するために使用することができる。いくつかの実施形態では、診断モデルは、対象におけるがんの１つ以上のサブタイプを診断するために使用することができる。いくつかの実施形態では、診断モデルは、対象におけるがんの病期を予測するために、及び／又は対象におけるがんの予後を予測するために使用することができる。いくつかの実施形態では、診断モデルは、対象のがん療法応答を予測するために使用することができる。いくつかの実施形態では、診断モデルは、特定の対象に対する最適な療法を選択するために利用することができる。いくつかの実施形態では、診断モデルは、療法に対する１つ以上のがんの応答の経過を縦断的にモデル化し、次いで、治療レジメンを調整するために利用することができる。

【0013】

いくつかの実施形態では、診断モデルは、以下：急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、又はブドウ膜黒色腫のうちの１つ以上を診断することができる。いくつかの実施形態では、診断モデルは、シグナルと呼ばれる他の非ヒト特徴を選択的に保持しながら、ノイズと呼ばれる夾雑物としての特定の非ヒト特徴を特定及び除去することができる。いくつかの実施形態では、診断モデルは、全身性エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、又はサルコイドーシスを診断するために使用することができる。いくつかの実施形態では、液体生検試料は、以下：血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、又は呼気凝縮液のうちの１つ以上を含み得るが、これらに限定されない。

【0014】

本明細書に開示される態様は、核酸試料に含有される哺乳類及び非哺乳類エピジェネティック情報の組み合わせに基づいて、対象における疾患を診断するための診断モデルを作成する方法を提供し、本方法は、（ａ）１つ以上の哺乳類核酸分子に存在するエピジェネティック特徴の親和性標的化によって１つ以上の哺乳類核酸分子を濃縮することと、（ｂ）１つ以上の非哺乳類核酸分子に存在するエピジェネティック特徴の親和性標的化によって１つ以上の非哺乳類核酸分子を濃縮することと、（ｃ）濃縮された哺乳類核酸組成物を配列決定して、配列決定リードを生成することと、（ｄ）濃縮された非哺乳類核酸組成物を配列決定して、配列決定リードを生成することと、（ｅ）哺乳類配列決定リードをゲノムデータベースの構築物にアラインメントして、哺乳類アラインメントファイルを生成することと、（ｆ）非哺乳類配列決定リードをゲノムデータベースの構築物でフィルタリングして、非哺乳類配列決定リードを単離することと、（ｇ）哺乳類アラインメントファイルを分析して、哺乳類特徴存在量表を生成することと、（ｈ）非哺乳類配列決定リードを分析して、非哺乳類特徴存在量表を生成することと、（ｉ）哺乳類及び非哺乳類特徴存在量表を組み合わせて、組み合わされたメタエピゲノム機械学習特徴セットを生成することと、（ｊ）メタエピゲノム特徴セットに関する予測モデルを訓練及び試験して、訓練された予測モデルを生成することと、（ｋ）訓練された予測モデルの出力を使用して、対象における疾患の有無の診断を提供することと、を含む。いくつかの実施形態では、核酸試料は、組織、液体生検試料、又はそれらの任意の組み合わせに由来し得る。いくつかの実施形態では、対象は、ヒト又は非ヒト哺乳類を含み得る。いくつかの実施形態では、核酸は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせの総集団を含み得る。

【0015】

いくつかの実施形態では、親和性標的化は、哺乳類及び非哺乳類核酸エピジェネティック特徴を濃縮することを含み得る。いくつかの実施形態では、哺乳類核酸エピジェネティック特徴は、修飾された核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、５－ホルミルシトシン、５－カルボキシシトシン、Ｎ４－アセチルシトシン、及びＮ６－メチルアデニンを含み得る。いくつかの実施形態では、非哺乳類核酸エピジェネティック特徴は、修飾された核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、４－メチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニンを含み得る。いくつかの実施形態では、非哺乳類核酸エピジェネティック特徴は、ホスホロチオエート結合ヌクレオチドを含み得る。

【0016】

いくつかの実施形態では、親和性標的化は、特異的親和性試薬を含み得る。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、又は組換えエピジェネティックタンパク質を含み得る。いくつかの実施形態では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、ＤｎａＡ、ＳｅｑＡ、ＭｕｔＨＬＳ、Ｌｒｐ、ＯｘｙＲ、Ｆｕｒ、ＨｄｆＲ、又はそれらに由来する組換えメチル結合ドメインを含み得る。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含み得る。いくつかの実施形態では、エピジェネティックリーダーは、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含み得る。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性であり得る。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含み得る。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフを含み得る。いくつかの実施形態では、核酸組成物は、固体支持体によって濃縮されてもよく、固体支持体は、エピトープタグに共有結合された相補的な抗体を含み得る。いくつかの実施形態では、特異的親和性試薬は、エピジェネティック特徴を認識し、それに結合するための領域を含み得る。いくつかの実施形態では、親和性標的化は、核酸試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含み得る。いくつかの実施形態では、複数の固定化された親和性剤は、エピジェネティック特徴に結合し得る領域を含み得る。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含み得る。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースであり得る。

【0017】

いくつかの実施形態では、哺乳類特徴存在量表は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含み得る。いくつかの実施形態では、哺乳類特徴存在量表は、哺乳類機能性遺伝子及び生化学的経路存在量表を含み得る。いくつかの実施形態では、非哺乳類特徴存在量表は、非哺乳類分類学的割り当て及びそれに関連付けられたいくつかの配列決定リードを含み得る。いくつかの実施形態では、非哺乳類特徴存在量表は、非哺乳類機能性遺伝子及び生化学的経路存在量表を含み得る。いくつかの実施形態では、訓練された予測モデルの出力は、組み合わされた哺乳類及び非哺乳類特徴セットの分析を含み得る。いくつかの実施形態では、訓練された予測モデルは、目的の疾患に特徴存在量が存在するか又は存在しないことが知られている哺乳類及び非哺乳類のエピゲノム存在量のセットで訓練され得る。いくつかの実施形態では、診断モデルは、以下の生命の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を利用することができる。いくつかの実施形態では、診断モデルは、疾患のカテゴリ又は組織特異的位置を診断することができる。いくつかの実施形態では、診断モデルは、対象における１つ以上のタイプのがんを診断するために使用することができる。いくつかの実施形態では、診断モデルは、対象におけるがんの１つ以上のサブタイプを診断するために使用することができる。いくつかの実施形態では、診断モデルは、対象におけるがんの病期を予測するために、及び／又は対象におけるがんの予後を予測するために使用することができる。いくつかの実施形態では、診断モデルは、対象のがん療法応答を予測するために使用することができる。いくつかの実施形態では、診断モデルは、特定の対象に対する最適な療法を選択するために利用することができる。いくつかの実施形態では、診断モデルは、療法に対する１つ以上のがんの応答の経過を縦断的にモデル化し、次いで、治療レジメンを調整するために利用することができる。

【0018】

いくつかの実施形態では、診断モデルは、以下：急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、又はブドウ膜黒色腫のうちの１つ以上を診断することができる。いくつかの実施形態では、診断モデルは、シグナルと呼ばれる他の非ヒト特徴を選択的に保持しながら、ノイズと呼ばれる夾雑物としての特定の非ヒト特徴を特定及び除去することができる。いくつかの実施形態では、診断モデルは、全身性エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、又はサルコイドーシスを診断するために使用することができる。いくつかの実施形態では、液体生検試料は、以下：血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、又は呼気凝縮液のうちの１つ以上を含み得るが、これらに限定されない。

【0019】

本明細書に提供される本開示の態様は、１個体以上の対象の疾患のための特徴セットを作成する方法を含み、本方法は、（ａ）疾患を有する１個体以上の対象の生体試料の１つ以上の哺乳類及び非哺乳類核酸分子を提供することと、（ｂ）１つ以上の哺乳類及び非哺乳類核酸分子に共通するエピジェネティック特徴の親和性標的化によって、１個体以上の対象の生体試料の１つ以上の哺乳類及び非哺乳類核酸分子を濃縮することと、（ｃ）濃縮された１つ以上の哺乳類及び非哺乳類核酸分子を配列決定して、１つ以上の哺乳類及び非哺乳類の配列決定リードを生成することと、（ｄ）哺乳類及び非哺乳類の配列決定リードをフィルタリングして、非哺乳類の配列決定リードを単離し、それによって哺乳類特徴存在量を生成することと、（ｅ）非哺乳類の配列決定リードを分析して、非哺乳類特徴存在量を生成することと、（ｆ）哺乳類及び非哺乳類特徴存在量と１個体以上の対象の疾患とを組み合わせることによって特徴セットを作成することと、を含む、方法。いくつかの実施形態では、エピジェネティック特徴は、核酸エピジェネティック特徴を含む。いくつかの実施形態では、生体試料は、組織、液体生検試料、又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では、１個体以上の対象は、ヒト又は非ヒト哺乳類である。いくつかの実施形態では、哺乳類及び非哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、核酸エピジェネティック特徴の親和性標的化は、核酸エピジェネティック特徴を濃縮することを含む。いくつかの実施形態では、共有された核酸のエピジェネティック特徴は、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又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では、核酸エピジェネティック特徴は、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む。

【0020】

いくつかの実施形態では、親和性標的化は、エピジェネティック特徴に結合するために特異的親和性試薬を利用する。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又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では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又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では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性である。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含む。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又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では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフを含む。いくつかの実施形態では、本方法は、哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む。いくつかの実施形態では、固定化された相補的な抗体は、受動的、静電的、共有結合的、又はそれらの任意の組み合わせの力によって固体支持体に固定化される。いくつかの実施形態では、特異的親和性試薬は、エピジェネティック特徴を認識し、それに結合するための領域を含む。いくつかの実施形態では、親和性標的化は、哺乳類及び非哺乳類核酸分子を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む。いくつかの実施形態では、複数の固定化された親和性剤は、受動的、静電的、共有結合的、又はそれらの任意の組み合わせの力によって固体支持体に固定化される。

【0021】

いくつかの実施形態では、複数の固定化された親和性剤は、エピジェネティック特徴に結合するであろう領域を含む。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む。

【0022】

いくつかの実施形態では、フィルタリングすることは、ゲノムデータベースに対して哺乳類及び非哺乳類の配列決定リードをフィルタリングすることを含む。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースである。

【0023】

いくつかの実施形態では、哺乳類特徴存在量は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、哺乳類特徴存在量は、哺乳類機能性遺伝子及び生化学的経路存在量表を含む。いくつかの実施形態では、非哺乳類特徴存在量は、非哺乳類分類学的割り当て及びそれに関連付けられたいくつかの配列決定リードを含む。いくつかの実施形態では、非哺乳類特徴存在量は、非哺乳類機能性遺伝子及び生化学的経路存在量表を含む。いくつかの実施形態では、液体生検試料は、以下：血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、又は呼気凝縮液のうちの１つ以上を含むが、これらに限定されない。

【0024】

本明細書に提供される本開示の態様は、いくつかの実施形態では、対象の疾患を判定するための予測モデルの出力を使用する方法を含み、本方法は、（ａ）第１の疾患を有する第１のセットの対象及び第２の疾患を有する第２のセットの対象の生体試料の１つ以上の哺乳類及び非哺乳類核酸分子を、第１及び第２のセットの対象の１つ以上の哺乳類及び非哺乳類核酸分子に共通するエピジェネティック特徴の親和性標的化によって濃縮することと、（ｂ）第１及び第２の対象の濃縮された１つ以上の哺乳類及び非哺乳類核酸分子を配列決定して、１つ以上の哺乳類及び非哺乳類配列決定リードを生成することと、（ｃ）第１及び第２のセットの哺乳類及び非哺乳類配列決定リードをフィルタリングして、非哺乳類の配列決定リードを単離し、それによって、第１及び第２のセットの哺乳類特徴存在量を生成することと、（ｄ）第１及び第２のセットの非哺乳類配列決定リードを分析して、第１及び第２のセットの非哺乳類特徴存在量を生成することと、（ｅ）第１のセットの哺乳類及び非哺乳類特徴存在量、並びに第１のセットの対象の第１の疾患で予測モデルを訓練し、それによって、訓練された予測モデルを生成することと、（ｆ）第２のセットの哺乳類及び非哺乳類特徴存在量を訓練された予測モデルへの入力として使用して、第２のセットの対象の第２の疾患の出力を受信することと、を含む。いくつかの実施形態では、第１又は第２のセットの対象は、１個体以上の対象を含む。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースである。いくつかの実施形態では、非哺乳類核酸分子は、非哺乳類核酸分子を含む。いくつかの実施形態では、生体試料は、組織、液体生検試料、又はそれらの任意の組み合わせに由来する。いくつかの実施形態では、第１又は第２のセットの対象は、ヒト又は非ヒト哺乳類である。いくつかの実施形態では、第１又は第２のセットの哺乳類及び非哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせの総集団を含む。いくつかの実施形態では、親和性標的化は、第１及び第２のセットの哺乳類及び非哺乳類核酸エピジェネティック特徴を濃縮することを含む。

【0025】

いくつかの実施形態では、第１及び第２のセットの哺乳類及び非哺乳類核酸エピジェネティック特徴は、修飾された核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、５－ホルミルシトシン、５－カルボキシシトシン、Ｎ４－アセチルシトシン、及びＮ６－メチルアデニンを含む。いくつかの実施形態では、第１及び第２のセットの哺乳類及び非哺乳類核酸エピジェネティック特徴は、修飾された核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、４－メチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニンを含む。いくつかの実施形態では、第１及び第２のセットの哺乳類及び非哺乳類核酸エピジェネティック特徴は、ホスホロチオエート結合ヌクレオチドを含む。いくつかの実施形態では、親和性標的化は、特異的親和性試薬を含む。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、又は組換えエピジェネティックタンパク質を含む。

【0026】

いくつかの実施形態では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又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では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、ＤｎａＡ、ＳｅｑＡ、ＭｕｔＨＬＳ、Ｌｒｐ、ＯｘｙＲ、Ｆｕｒ、ＨｄｆＲ、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性である。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含む。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又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では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフを含む。

【0027】

いくつかの実施形態では、本方法は、第１又は第２の哺乳類又は非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む。いくつかの実施形態では、相補的な抗体は、受動的、静電的、共有結合的、又はそれらの任意の組み合わせの力によって固体支持体に固定化される。いくつかの実施形態では、特異的親和性試薬は、第１又は第２の哺乳類又は非哺乳類エピジェネティック特徴を認識し、それに結合するための領域を含む。いくつかの実施形態では、親和性標的化は、第１又は第２のセットの哺乳類又は非哺乳類核酸分子を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む。いくつかの実施形態では、親和性剤は、静電的、受動的、共有結合的、又はそれらの任意の組み合わせの力によって固定化される。いくつかの実施形態では、複数の固定化された親和性剤は、第１又は第２のセットの哺乳類又は非哺乳類エピジェネティック特徴に結合する領域を含む。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む。

【0028】

いくつかの実施形態では、第１又は第２のセットの哺乳類特徴存在量は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、第１又は第２の哺乳類特徴存在量は、哺乳類機能性遺伝子及び生化学的経路存在量表を含む。いくつかの実施形態では、第１又は第２のセットの非哺乳類特徴存在量は、非哺乳類分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、非哺乳類特徴存在量は、非哺乳類機能性遺伝子及び生化学的経路存在量表を含む。いくつかの実施形態では、訓練された予測モデルの出力は、組み合わされた第１及び第２のセットの哺乳類及び非哺乳類特徴存在量の分析を含む。いくつかの実施形態では、訓練された予測モデルの入力は、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む。いくつかの実施形態では、第１又は第２の疾患は、疾患のカテゴリ又は組織特異的位置を含む。いくつかの実施形態では、第１又は第２の疾患は、１つ以上のタイプのがん、１つ以上のサブタイプのがん、がんの病期、がんの予後、又はそれらの任意の組み合わせを更に含む。

【0029】

いくつかの実施形態では、訓練された予測モデルは、第２のセットの対象のがん療法応答を予測するために使用される。いくつかの実施形態では、訓練された予測モデルは、第２のセットの対象に対する最適な療法を選択するために利用される。いくつかの実施形態では、訓練された予測モデルは、療法に対する第２のセットの対象の１つ以上のがんの応答の経過を縦断的にモデル化し、次いで、治療レジメンを調整するために利用される。

【0030】

いくつかの実施形態では、第１又は第２の疾患は、以下：急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、又はブドウ膜黒色腫のうちの１つ以上を更に含む。

【0031】

いくつかの実施形態では、予測モデルは、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去するように構成される。いくつかの実施形態では、第１又は第２の疾患は、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせを更に含む。いくつかの実施形態では、液体生検試料は、以下：血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、又は呼気凝縮液のうちの１つ以上を含む。

【0032】

本明細書に提供される開示の態様は、いくつかの実施形態では、対象の疾患を決定する方法を含み、本方法は、対象の生体試料を提供することと、１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって、生体試料の１つ以上の核酸分子を濃縮することと、濃縮された１つ以上の核酸分子を配列決定して、１つ以上の核酸分子配列決定リードを生成することと、予測モデルに濃縮された１つ以上の核酸分子が入力として提供される場合、予測モデルの出力として対象の疾患を決定することと、を含む。いくつかの実施形態では、１つ以上の核酸分子は、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む。いくつかの実施形態では、疾患は、がん又は非がん性疾患を含む。いくつかの実施形態では、がんは、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又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では、非がん性疾患は、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む。いくつかの実施形態では、本方法は、１つ以上の核酸分子配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード及び１つ以上の哺乳類配列決定リードを特定することを更に含む。いくつかの実施形態では、エピジェネティック特徴は、核酸エピジェネティック特徴を含む。いくつかの実施形態では、エピジェネティック特徴は、哺乳類核酸エピジェネティック特徴又は非哺乳類核酸エピジェネティック特徴を含む。いくつかの実施形態では、非哺乳類核酸エピジェネティック特徴は、ホスホロチオエート結合ヌクレオチドを含む。いくつかの実施形態では、生体試料は、組織、液体生検試料、又はそれらの組み合わせを含む。いくつかの実施形態では、対象は、ヒト又は非ヒト哺乳類である。いくつかの実施形態では、１つ以上の哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、１つ以上の非哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、核酸エピジェネティック特徴の親和性標的化は、核酸エピジェネティック特徴を濃縮することを含む。いくつかの実施形態では、核酸エピジェネティック特徴は、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む。いくつかの実施形態では、核酸エピジェネティック特徴は、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又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では、親和性標的化は、エピジェネティック特徴に結合するために特異的親和性試薬を利用する。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又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では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又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では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性である。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含む。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又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では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフを含む。いくつかの実施形態では、本方法は、１つ以上の哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む。いくつかの実施形態では、特異的親和性試薬は、エピジェネティック特徴を認識し、それに結合するための領域を含む。いくつかの実施形態では、親和性標的化は、生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含み得る。いくつかの実施形態では、複数の固定化された親和性剤は、エピジェネティック特徴に結合するであろう領域を含む。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又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では、フィルタリングすることは、ゲノムデータベースに対して１つ以上の哺乳類配列決定リード及び１つ以上の非哺乳類配列決定リードをフィルタリングすることを含む。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースである。いくつかの実施形態では、予測モデルは、１個体以上の対象の生体試料の１つ以上の核酸分子及び１個体以上の対象の対応する疾患から決定された１つ以上の哺乳類、１つ以上の非哺乳類、又はそれらの組み合わせの特徴で訓練される。いくつかの実施形態では、１つ以上の哺乳類特徴は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、１つ以上の哺乳類特徴は、哺乳類機能性遺伝子及び生化学的経路存在量を含む。いくつかの実施形態では、１つ以上の非哺乳類特徴は、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、１つ以上の非哺乳類特徴は、微生物機能性遺伝子及び生化学的経路存在量を含む。いくつかの実施形態では、液体生検試料は、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又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では、生体試料の１つ以上の核酸分子が濃縮されている場合、生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、疾患を決定する予測モデルの精度は、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する。いくつかの実施形態では、予測モデルは、対象の疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む。いくつかの実施形態では、訓練された予測モデルの出力は、１つ以上の哺乳類特徴存在量と１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む。いくつかの実施形態では、訓練された予測モデルの入力は、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む。いくつかの実施形態では、予測モデルは、疾患の組織特異的位置で更に訓練される。いくつかの実施形態では、予測モデルは、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される。いくつかの実施形態では、予測モデルは、対象の生体試料の核酸配列決定リードが提供される場合、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する。いくつかの実施形態では、予測モデルは、対象のがん療法応答を出力する。いくつかの実施形態では、訓練された予測モデルは、対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす対象に対する療法を出力する。いくつかの実施形態では、訓練された予測モデルは、療法、対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、対象のがんの縦断的なモデルを出力する。いくつかの実施形態では、予測モデルは、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去する。いくつかの実施形態では、濃縮することは、１つ以上の核酸分子の合計を、少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％減少させる。

【0033】

本明細書に提供される本開示の態様は、いくつかの実施形態では、疾患を有する１個体以上の対象の生体試料を提供することと、生体試料の１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって１個体以上の対象の生体試料を濃縮することと、濃縮された１つ以上の核酸分子を配列決定して、１つ以上の核酸分子配列決定リードを生成することと、予測モデルを１つ以上の核酸分子配列決定リード及び１個体以上の対象の疾患の１つ以上の特徴で訓練することと、を含む、予測モデルを訓練する方法を含む。いくつかの実施形態では、エピジェネティック特徴は、哺乳類エピジェネティック特徴又は非哺乳類エピジェネティック特徴を含む。いくつかの実施形態では、１つ以上の特徴は、１つ以上の疾患特徴を含む。いくつかの実施形態では、訓練された予測モデルは、訓練された予測モデルに１個体以上の対象の生体試料の別の核酸配列決定リードが提供される場合、１個体以上の対象とは異なる別の１個体以上の対象の疾患を決定する。いくつかの実施形態では、１つ以上の核酸分子は、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む。いくつかの実施形態では、本方法は、１つ以上の核酸配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード、１つ以上の哺乳類配列決定リード、又はそれらの組み合わせを特定することを更に含む。いくつかの実施形態では、エピジェネティック特徴は、核酸エピジェネティック特徴を含む。いくつかの実施形態では、生体試料は、組織、液体生検試料、又はそれらの組み合わせを含む。いくつかの実施形態では、１個体以上の対象は、ヒト又は非ヒト哺乳類である。いくつかの実施形態では、１つ以上の哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、１つ以上の非哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、核酸エピジェネティック特徴の親和性標的化は、核酸エピジェネティック特徴を濃縮することを含む。いくつかの実施形態では、核酸エピジェネティック特徴は、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む。いくつかの実施形態では、核酸エピジェネティック特徴は、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又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では、親和性標的化は、エピジェネティック特徴に結合するために特異的親和性試薬を利用する。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又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では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又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では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性である。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含む。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又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では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフを含む。いくつかの実施形態では、本方法は、１つ以上の哺乳類核酸分子及び１つ以上の非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む。いくつかの実施形態では、特異的親和性試薬は、エピジェネティック特徴を認識し、それに結合するための領域を含む。いくつかの実施形態では、親和性標的化は、生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含み得る。いくつかの実施形態では、複数の固定化された親和性剤は、エピジェネティック特徴に結合するであろう領域を含む。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又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では、フィルタリングすることは、ゲノムデータベースに対して１つ以上の哺乳類及び非哺乳類配列決定リードをフィルタリングすることを含む。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースである。いくつかの実施形態では、１つ以上の特徴は、１つ以上の哺乳類特徴、１つ以上の非哺乳類特徴、又はそれらの組み合わせの特徴を含む。いくつかの実施形態では、１つ以上の哺乳類特徴は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、１つ以上の哺乳類特徴は、哺乳類機能性遺伝子及び生化学的経路存在量を含む。いくつかの実施形態では、１つ以上の非哺乳類特徴は、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、１つ以上の非哺乳類特徴は、微生物機能性遺伝子及び生化学的経路存在量を含む。いくつかの実施形態では、液体生検試料は、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又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では、疾患は、がん又は非がん性疾患を含む。いくつかの実施形態では、生体試料の１つ以上の核酸分子が濃縮されている場合、生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、疾患を決定する予測モデルの精度は、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する。いくつかの実施形態では、予測モデルは、別の１個体以上の対象の疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む。いくつかの実施形態では、非哺乳類核酸エピジェネティック特徴は、ホスホロチオエート結合ヌクレオチドを含む。いくつかの実施形態では、エピジェネティックリーダーは、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、訓練された予測モデルの出力は、１つ以上の哺乳類特徴存在量と１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む。いくつかの実施形態では、訓練された予測モデルの入力は、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む。いくつかの実施形態では、予測モデルは、疾患の組織特異的位置で更に訓練される。いくつかの実施形態では、予測モデルは、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される。いくつかの実施形態では、予測モデルは、生体試料の別の１個体以上の対象の核酸配列決定リードが提供された場合、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する。いくつかの実施形態では、訓練された予測モデルは、別の１個体以上の対象のがん療法応答を出力する。いくつかの実施形態では、訓練されたモデルは、別の１個体以上の対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす別の１個体以上の対象に対する療法を出力する。いくつかの実施形態では、訓練された予測モデルは、療法、対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、別の１個体以上の対象のがんの縦断的なモデルを出力する。いくつかの実施形態では、がんは、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又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では、予測モデルは、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去するように構成される。いくつかの実施形態では、非がん性疾患は、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む。いくつかの実施形態では、濃縮することは、１つ以上の核酸分子の合計を、少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％減少させる。

【0034】

いくつかの実施形態では、本明細書に提供される開示の態様は、対象の疾患を決定するためのコンピュータシステムを含み、コンピュータシステムが、１つ以上のプロセッサと、ソフトウェアを含む非一時的コンピュータ可読記憶媒体と、を含み、ソフトウェアが、実行の結果として、コンピュータシステムの１つ以上のプロセッサに、（ｉ）対象の生体試料の１つ以上の核酸分子の１つ以上の核酸分子配列決定リードを受信することであって、１つ以上の核酸分子が、１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって濃縮される、受信することと、（ｉｉ）予測モデルに１つ以上の核酸分子配列決定が提供される場合、予測モデルの出力として対象の疾患を決定することと、を行わせる実行可能命令を含む。いくつかの実施形態では、１つ以上の核酸分子は、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む。いくつかの実施形態では、疾患は、がん又は非がん性疾患を含む。いくつかの実施形態では、がんは、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又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では、非がん性疾患は、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む。いくつかの実施形態では、実行可能命令は、１つ以上の核酸分子配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード及び１つ以上の哺乳類配列決定リードを特定することを更に含む。いくつかの実施形態では、エピジェネティック特徴は、核酸エピジェネティック特徴を含む。いくつかの実施形態では、エピジェネティック特徴は、哺乳類核酸エピジェネティック特徴又は非哺乳類核酸エピジェネティック特徴を含む。いくつかの実施形態では、非哺乳類核酸エピジェネティック特徴は、ホスホロチオエート結合ヌクレオチドを含む。いくつかの実施形態では、生体試料は、組織、液体生検試料、又はそれらの組み合わせを含む。いくつかの実施形態では、対象は、ヒト又は非ヒト哺乳類である。いくつかの実施形態では、１つ以上の哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、１つ以上の非哺乳類核酸分子は、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又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では、核酸エピジェネティック特徴の親和性標的化は、核酸エピジェネティック特徴を濃縮することを含む。いくつかの実施形態では、核酸エピジェネティック特徴は、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む。いくつかの実施形態では、核酸エピジェネティック特徴は、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又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では、親和性標的化は、エピジェネティック特徴に結合するために特異的親和性試薬を利用する。いくつかの実施形態では、特異的親和性試薬は、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又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では、組換えエピジェネティックタンパク質は、エピジェネティックリーダー、ライター、イレーサー、又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では、エピジェネティックリーダーは、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む。いくつかの実施形態では、エピジェネティックリーダーは、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む。いくつかの実施形態では、エピジェネティックライター及びイレーサーは、触媒的に不活性である。いくつかの実施形態では、エピジェネティックリーダー、ライター、及びイレーサーは、エピトープタグを含む。いくつかの実施形態では、エピトープタグは、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又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では、分子認識モチーフは、ｂｉｒＡ又はソルターゼモチーフを含む。いくつかの実施形態では、実行可能命令は、１つ以上の哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む。いくつかの実施形態では、特異的親和性試薬は、エピジェネティック特徴を認識し、それに結合するための領域を含む。いくつかの実施形態では、親和性標的化は、生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む。いくつかの実施形態では、複数の固定化された親和性剤は、エピジェネティック特徴に結合するであろう領域を含む。いくつかの実施形態では、固体支持体は、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又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では、フィルタリングすることは、ゲノムデータベースに対して１つ以上の哺乳類配列決定リード及び１つ以上の非哺乳類配列決定リードをフィルタリングすることを含む。いくつかの実施形態では、ゲノムデータベースは、ヒトゲノムデータベースである。いくつかの実施形態では、予測モデルは、１個体以上の対象の生体試料の１つ以上の核酸分子及び１個体以上の対象の対応する疾患から決定された１つ以上の哺乳類、１つ以上の非哺乳類、又はそれらの組み合わせの特徴で訓練される。いくつかの実施形態では、１つ以上の哺乳類特徴は、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、１つ以上の哺乳類特徴は、哺乳類機能性遺伝子及び生化学的経路存在量を含む。いくつかの実施形態では、１つ以上の非哺乳類特徴は、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む。いくつかの実施形態では、１つ以上の非哺乳類特徴は、微生物機能性遺伝子及び生化学的経路存在量を含む。いくつかの実施形態では、液体生検試料は、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又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では、生体試料の１つ以上の核酸分子が濃縮されている場合、生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、疾患を決定する予測モデルの精度は、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する。いくつかの実施形態では、予測モデルは、対象の疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む。いくつかの実施形態では、訓練された予測モデルの出力は、１つ以上の哺乳類特徴存在量と１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む。いくつかの実施形態では、訓練された予測モデルの入力は、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む。いくつかの実施形態では、予測モデルは、疾患の組織特異的位置で更に訓練される。いくつかの実施形態では、予測モデルは、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される。いくつかの実施形態では、予測モデルは、対象の生体試料の核酸配列決定リードが提供される場合、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する。いくつかの実施形態では、予測モデルは、対象のがん療法応答を出力する。いくつかの実施形態では、訓練された予測モデルは、対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす対象に対する療法を出力する。いくつかの実施形態では、訓練された予測モデルは、療法、対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、対象のがんの縦断的なモデルを出力する。いくつかの実施形態では、予測モデルは、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去する。いくつかの実施形態では、濃縮された核酸は、濃縮前の１つ以上の核酸分子の少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の減少を含む。

【0035】

本発明の新規特徴は、添付の特許請求の範囲に詳細に述べられる。本開示の特徴及び利点のより良好な理解が、本開示の原理が使用される例示的な実施形態を記載する以下の詳細な説明、及び添付の図面を参照することによって得られる。

【図面の簡単な説明】

【0036】

【図1A】本明細書のいくつかの実施形態に記載される、生命の哺乳類、細菌、古細菌、真菌、及びウイルスドメイン内に存在するエピジェネティック特徴に基づいて疾患分類を生成するためのメタエピゲノムワークフローのフロー図を示す。

【図1B】本明細書のいくつかの実施形態に記載される、生命の哺乳類、細菌、古細菌、真菌、及びウイルスドメイン内に存在するエピジェネティック特徴に基づいて疾患分類を生成するためのメタエピゲノムワークフローのフロー図を示す。

【図1C】本明細書のいくつかの実施形態に記載される、生命の哺乳類、細菌、古細菌、真菌、及びウイルスドメイン内に存在するエピジェネティック特徴に基づいて疾患分類を生成するためのメタエピゲノムワークフローのフロー図を示す。

【図1D】本明細書のいくつかの実施形態に記載される、生命の哺乳類、細菌、古細菌、真菌、及びウイルスドメイン内に存在するエピジェネティック特徴に基づいて疾患分類を生成するためのメタエピゲノムワークフローのフロー図を示す。

【図1E】本明細書のいくつかの実施形態に記載される、生命の哺乳類、細菌、古細菌、真菌、及びウイルスドメイン内に存在するエピジェネティック特徴に基づいて疾患分類を生成するためのメタエピゲノムワークフローのフロー図を示す。

【図1F】本明細書のいくつかの実施形態に記載される、生命の哺乳類、細菌、古細菌、真菌、及びウイルスドメイン内に存在するエピジェネティック特徴に基づいて疾患分類を生成するためのメタエピゲノムワークフローのフロー図を示す。

【図2A】本発明の方法による、メタエピゲノム分析に利用される例示的な哺乳類核酸の修飾を示す。図２Ａは、５－メチルシトシン（５ｍＣ）を示す。図２Ｂは、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。図２Ｃは、５－ホルミルシトシン（５ｆＣ）を示す。図２Ｄは、５－カルボキシシトシン（５ｃａＣ）を示す。図２Ｅは、本明細書のいくつかの実施形態に記載される、Ｎ４－アセチシトシン（Ｎ４ＡｃＣ）を示す。

【図2B】本発明の方法による、メタエピゲノム分析に利用される例示的な哺乳類核酸の修飾を示す。図２Ａは、５－メチルシトシン（５ｍＣ）を示す。図２Ｂは、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。図２Ｃは、５－ホルミルシトシン（５ｆＣ）を示す。図２Ｄは、５－カルボキシシトシン（５ｃａＣ）を示す。図２Ｅは、本明細書のいくつかの実施形態に記載される、Ｎ４－アセチシトシン（Ｎ４ＡｃＣ）を示す。

【図2C】本発明の方法による、メタエピゲノム分析に利用される例示的な哺乳類核酸の修飾を示す。図２Ａは、５－メチルシトシン（５ｍＣ）を示す。図２Ｂは、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。図２Ｃは、５－ホルミルシトシン（５ｆＣ）を示す。図２Ｄは、５－カルボキシシトシン（５ｃａＣ）を示す。図２Ｅは、本明細書のいくつかの実施形態に記載される、Ｎ４－アセチシトシン（Ｎ４ＡｃＣ）を示す。

【図2D】本発明の方法による、メタエピゲノム分析に利用される例示的な哺乳類核酸の修飾を示す。図２Ａは、５－メチルシトシン（５ｍＣ）を示す。図２Ｂは、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。図２Ｃは、５－ホルミルシトシン（５ｆＣ）を示す。図２Ｄは、５－カルボキシシトシン（５ｃａＣ）を示す。図２Ｅは、本明細書のいくつかの実施形態に記載される、Ｎ４－アセチシトシン（Ｎ４ＡｃＣ）を示す。

【図2E】本発明の方法による、メタエピゲノム分析に利用される例示的な哺乳類核酸の修飾を示す。図２Ａは、５－メチルシトシン（５ｍＣ）を示す。図２Ｂは、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。図２Ｃは、５－ホルミルシトシン（５ｆＣ）を示す。図２Ｄは、５－カルボキシシトシン（５ｃａＣ）を示す。図２Ｅは、本明細書のいくつかの実施形態に記載される、Ｎ４－アセチシトシン（Ｎ４ＡｃＣ）を示す。

【図3A】本発明の方法による、メタエピゲノム分析に利用される例示的な微生物核酸修飾を示す。図３Ａは、６－メチルアデニン（６ｍＡ）を示す。図３Ｂは、５－メチルシトシン（５ｍＣ）を示す。図３Ｃは、４－メチルシトシン（４ｍＣ）を示す。図３Ｄは、Ｎ４－アセチルシトシン（Ｎ４ＡｃＣ）を示す。図３Ｅは、本明細書のいくつかの実施形態に記載される、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。

【図3B】本発明の方法による、メタエピゲノム分析に利用される例示的な微生物核酸修飾を示す。図３Ａは、６－メチルアデニン（６ｍＡ）を示す。図３Ｂは、５－メチルシトシン（５ｍＣ）を示す。図３Ｃは、４－メチルシトシン（４ｍＣ）を示す。図３Ｄは、Ｎ４－アセチルシトシン（Ｎ４ＡｃＣ）を示す。図３Ｅは、本明細書のいくつかの実施形態に記載される、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。

【図3C】本発明の方法による、メタエピゲノム分析に利用される例示的な微生物核酸修飾を示す。図３Ａは、６－メチルアデニン（６ｍＡ）を示す。図３Ｂは、５－メチルシトシン（５ｍＣ）を示す。図３Ｃは、４－メチルシトシン（４ｍＣ）を示す。図３Ｄは、Ｎ４－アセチルシトシン（Ｎ４ＡｃＣ）を示す。図３Ｅは、本明細書のいくつかの実施形態に記載される、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。

【図3D】本発明の方法による、メタエピゲノム分析に利用される例示的な微生物核酸修飾を示す。図３Ａは、６－メチルアデニン（６ｍＡ）を示す。図３Ｂは、５－メチルシトシン（５ｍＣ）を示す。図３Ｃは、４－メチルシトシン（４ｍＣ）を示す。図３Ｄは、Ｎ４－アセチルシトシン（Ｎ４ＡｃＣ）を示す。図３Ｅは、本明細書のいくつかの実施形態に記載される、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。

【図3E】本発明の方法による、メタエピゲノム分析に利用される例示的な微生物核酸修飾を示す。図３Ａは、６－メチルアデニン（６ｍＡ）を示す。図３Ｂは、５－メチルシトシン（５ｍＣ）を示す。図３Ｃは、４－メチルシトシン（４ｍＣ）を示す。図３Ｄは、Ｎ４－アセチルシトシン（Ｎ４ＡｃＣ）を示す。図３Ｅは、本明細書のいくつかの実施形態に記載される、５－ヒドロキシメチルシトシン（５ｈｍＣ）を示す。

【図4】本明細書のいくつかの実施形態に記載される、本発明の方法によるメタエピゲノム分析に利用される細菌及び古細菌ホスホロチオエート修飾を示す。

【図5A】本明細書のいくつかの実施形態に記載される、いくつかの実施形態に記載される、これまで哺乳類エピジェネティック特徴として考えられてきたエピジェネティック特徴である５－ヒドロキシメチルシトシンを利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図5B】本明細書のいくつかの実施形態に記載される、いくつかの実施形態に記載される、これまで哺乳類エピジェネティック特徴として考えられてきたエピジェネティック特徴である５－ヒドロキシメチルシトシンを利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図5C】本明細書のいくつかの実施形態に記載される、いくつかの実施形態に記載される、これまで哺乳類エピジェネティック特徴として考えられてきたエピジェネティック特徴である５－ヒドロキシメチルシトシンを利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図5D】本明細書のいくつかの実施形態に記載される、いくつかの実施形態に記載される、これまで哺乳類エピジェネティック特徴として考えられてきたエピジェネティック特徴である５－ヒドロキシメチルシトシンを利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図5E】本明細書のいくつかの実施形態に記載される、いくつかの実施形態に記載される、これまで哺乳類エピジェネティック特徴として考えられてきたエピジェネティック特徴である５－ヒドロキシメチルシトシンを利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図5F】本明細書のいくつかの実施形態に記載される、いくつかの実施形態に記載される、これまで哺乳類エピジェネティック特徴として考えられてきたエピジェネティック特徴である５－ヒドロキシメチルシトシンを利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図6A】本明細書のいくつかの実施形態に記載される、微生物核酸の５－ヒドロキシメチルシトシンベースの濃縮を利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図6B】本明細書のいくつかの実施形態に記載される、微生物核酸の５－ヒドロキシメチルシトシンベースの濃縮を利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図6C】本明細書のいくつかの実施形態に記載される、微生物核酸の５－ヒドロキシメチルシトシンベースの濃縮を利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図6D】本明細書のいくつかの実施形態に記載される、微生物核酸の５－ヒドロキシメチルシトシンベースの濃縮を利用した、微生物エピジェネティックバイオマーカーの発見及びそこから導き出されたがん診断モデルの実験データを示す。

【図7】本明細書の実施形態に記載される、本明細書の他箇所に記載の方法を実施、実装、及び／又は実行するように構成されたシステムの図を示す。

【発明を実施するための形態】

【0037】

本明細書に提供される本開示の態様は、核酸試料に含まれる哺乳類及び非哺乳類エピジェネティック情報（本明細書では「メタエピゲノム」情報、データ、特徴、シグネチャ、又はバイオマーカーと称される）の組み合わせに基づいて、対象における疾患を診断するための診断モデルを作成する方法を含み得る。いくつかの場合では、非哺乳類エピジェネティック情報は、細菌、真菌、古細菌、ウイルス、又はそれらの任意の組み合わせのエピジェネティック情報を含み得る。これは、いくつかの実施形態では、１つ以上の特異的エピジェネティックマークを有するゲノム領域の抗体ベース又は非抗体タンパク質ベースの濃縮を介して単離された哺乳類核酸分子及び非哺乳類核酸分子の両方を特定し、次いで、疾患を有する対象と疾患を有しない対象とを区別するためのそれらの濃縮された核酸の有用性を試験することによって達成され得る。いくつかの実施形態では、特定されたメタエピゲノムバイオマーカー及び対象の試料内のそれらの存在又は存在量を使用して、（１）個体が特定の疾患を有する、（２）個体が特定の身体部位内に良性若しくは悪性の腫瘤を有する、（３）個体が特定のタイプの良性若しくは悪性の腫瘤を有する、かつ／又は（４）疾患が特定の療法に応答する可能性が高い若しくは低い、という特定の確率を割り当てることができる。そのような方法の他の使用は、当業者には、合理的に想像可能であり、容易に実装可能である。

【0038】

本明細書に開示される本発明は、いくつかの実施形態では、状態（すなわち、がん）を診断するために、哺乳類及び非哺乳類起源の核酸に由来するメタエピゲノムバイオマーカーを使用することができる。いくつかの実施形態では、開示される発明は、観察された組織構造、細胞異型、又はがんを診断するために伝統的に使用されている他の主観的尺度のうちの１つ以上を含める必要がないため、典型的な病理レポートと比較してより良い臨床転帰を提供する可能性がある。いくつかの実施形態では、開示される方法は、「正常な」ヒト源のバックグラウンドで非常に低い頻度でしばしば修飾されるがんゲノムへの分析を制限するのではなく、試料における全ての可能なゲノムから引き出される配列情報を利用することによって、高い感度を提供することができる。いくつかの実施形態では、本明細書に開示される方法は、固体組織又は血液由来の試料のいずれかによってそのような転帰を達成することができ、後者は、最小限の試料調製を必要とし、最小限の侵襲性である。いくつかの実施形態では、液体生検ベースのアッセイは、非悪性ヒト細胞に由来する無細胞ＤＮＡ（ｃｆＤＮＡ）に起因する感度の問題にしばしば悩まされている循環腫瘍ＤＮＡ（ｃｔＤＮＡ）アッセイによってもたらされる課題を克服することができる。いくつかの実施形態では、液体生検ベースのメタエピゲノムアッセイは、最も一般的ながんゲノム異常（例えば、ＴＰ５３変異、ＫＲＡＳ変異）ががんタイプ間で共有されているため、ｃｔＤＮＡアッセイが典型的に達成できないがんタイプを区別することができる。いくつかの実施形態では、記載される方法は、シグネチャのサイズを制限することができ、その方法は、当業者（例えば、正規化された機械学習）によって予想され、メタエピゲノムアッセイは、例えば、マルチプレックス定量的ポリメラーゼ連鎖反応（ｑＰＣＲ）及びマルチプレックスアンプリコン配列決定のための標的化されたアッセイパネルを使用することによって臨床的に利用可能になる可能性がある。

【0039】

いくつかの実施形態では、本明細書に開示される本発明の方法は、図１Ａに見られるように、１個体以上の対象の疾患のための特徴セットを作成するための方法を含み得る。いくつかの場合では、本方法は、（ａ）疾患（例えば、がん又は非がん性疾患）１０１を有する１個体以上の対象の生体試料の１つ以上の哺乳類及び非哺乳類核酸分子を提供するステップと、（ｂ）全未分画核酸組成物１０２を単離するステップと、（ｃ）共通のエピジェネティック特徴１０３の標的化を介して、１個体以上の対象の生体試料の１つ以上の哺乳類及び非哺乳類核酸分子を濃縮するステップと、（ｄ）濃縮された１つ以上の哺乳類及び非哺乳類核酸分子１０４を配列決定するステップと、（ｅ）濃縮された１つ以上の哺乳類核配列決定リード１０５をフィルタリングするステップと、（ｆ）フィルタリングされた１つ以上の哺乳類核配列決定リードの結果から、１つ以上の非哺乳類配列決定リード１０８を受信するステップと、（ｇ）１つ以上の濃縮された非哺乳類配列決定リードのための分類学的又は経路割り当てを生成し、それによって、非哺乳類特徴存在量１０９を生成するステップと、（ｈ）１つ以上の非哺乳類特徴存在量１１０を除染するステップと、（ｉ）濃縮された１つ以上の哺乳類核酸配列決定リードをアラインメントし、それによって、哺乳類アラインメントファイル１０６を生成するステップと、（ｊ）哺乳類アラインメントファイル１０７の１つ以上の濃縮された哺乳類核酸配列決定リードの哺乳類特徴存在量を選択するステップと、（ｋ）１つ以上の哺乳類及び非哺乳類特徴存在量並びに１個体以上の対象の疾患を特徴セットに組み合わせることによって、１個体以上の対象の疾患の特徴セットを作成するステップと、を含み得る。いくつかの場合では、特徴セットは、メタエピゲノム機械学習特徴セット１１１を含み得る。いくつかの場合では、本方法は、そのデータセットにおけるエピジェネティック特徴を有する哺乳類又は非哺乳類核酸分子の疾患関連核酸配列を特定することを更に含み得る。いくつかの場合では、疾患関連核酸配列の特定は、疾患（例えば、がん又は非がん性疾患）を有する対象、又は健康である対象に由来し得る。いくつかの事例では、疾患状態は、がん、糖尿病など、又は本明細書の他箇所で論じられる任意の疾患若しくは障害を含み得る。いくつかの実施形態では、濃縮された配列決定データセットは、次世代配列決定、ロングリード配列決定（例えば、ナノポア配列決定）、又はそれらの組み合わせを使用して取得され得る。いくつかの実施形態では、濃縮された配列決定データセット１０４は、共通のエピジェネティック特徴１０３に特異的な抗体又は非抗体タンパク質ベースの薬剤による、哺乳類及び非哺乳類の両方の核酸分子に共通するエピジェネティック特徴の親和性標的化から得られ、それによって、図１Ａに示されるように、哺乳類及び非哺乳類起源１０１の核酸配列を含有する生体試料からの核酸試料１０２から目的のゲノム領域を単離することができる。いくつかの実施形態では、濃縮された核酸の集団１０３に存在するメタエピゲノム特徴は、メタエピゲノム計算ワークフロー１１２を通して特定することができ、濃縮された哺乳類配列決定リードが、ｂｏｗｔｉｅ２又はＫｒａｋｅｎ又はそれらの均等物を使用して哺乳類参照ゲノムとのアラインメントを介して、全ての生の配列決定リード１０４から計算的にフィルタリング１０５して、哺乳類アラインメントファイルを生成することができる。いくつかの実施形態では、哺乳類アラインメントファイルは、分析パイプライン１０７（ＭｅｔｈｙｌＡｃｔｉｏｎ又はＭＥＤＩＰＳなど）を通して処理されて、選択されたエピジェネティック特徴の親和性標的化１０３を介して濃縮されたゲノム領域を特定し、それによって、選択された哺乳類特徴の出力を生成することができる。いくつかの実施形態では、得られる非哺乳類リード１０８は、Ｗｅｂ ｏｆ Ｌｉｆｅ１０９などの参照微生物データベースを用いてｂｏｗｔｉｅ２又はＫｒａｋｅｎを使用して分類学的に分類され得る。いくつかの実施形態では、特定のエピジェネティックマークを有する非哺乳類遺伝子の存在量は、Ｗｅｂ ｏｆ Ｌｉｆｅツールキットアプリ（ＷｏｌＴｋａ）又はその任意の均等物１０９を使用して確認することができる。いくつかの実施形態では、特定された非哺乳類リード１０９は、除染パイプライン１１０を通して処理されて、共通の非哺乳類夾雑物に由来する配列を除去して、除染された非哺乳類特徴を生成することができる。いくつかの実施形態では、除染された非哺乳類特徴１１０は、哺乳類分析パイプライン１０７の出力と組み合わされて、予測モデルのための訓練特徴セットとして機能し得るメタエピゲノム特徴セット１１１を生成することができる。

【0040】

いくつかの実施形態では、本明細書に提供される開示は、図１Ｂに見られるように、哺乳類及び非哺乳類ドメインに存在する異なるエピジェネティック特徴に基づいて、核酸の試料分割及び並列単離を通して、別個の哺乳類及び非哺乳類エピゲノム分析を調製する方法を含み得る。いくつかの場合では、本方法は、（ａ）１つ以上の哺乳類及び非哺乳類核酸組成物１０１を含む生体試料を提供するステップと、（ｂ）未分画核酸組成物１０２を単離するステップと、（ｃ）単離された未分画核酸組成物を１つ以上のアリコート１１３に分割するステップと、（ｄ）１つ以上のアリコートの哺乳類及び非哺乳類核酸組成物を濃縮し、それによって、濃縮された哺乳類及び非哺乳類核酸組成物（１１４、１５５）を生成するステップと、（ｅ）濃縮された哺乳類及び非哺乳類核酸組成物を疾患１１２の特徴セットに変換するステップと、を含み得る。いくつかの場合では、濃縮された哺乳類及び非哺乳類核酸分子組成物を特徴セットに変換することは、哺乳類リード１０５をフィルタリングするステップで、メタエピゲノム計算ワークフロー１１２に濃縮された配列決定リードを入力することを含み得る。いくつかの場合では、哺乳類及び非哺乳類核酸分子１０２の試料は、哺乳類及び非哺乳類（微生物）エピジェネティック特徴の別個の分析を容易にするために、物理的に分割され得る１１３。いくつかの実施形態では、哺乳類エピジェネティック特徴１１４は、エピジェネティック特徴に特異的な抗体又は非抗体タンパク質ベースの薬剤によるエピジェネティック特徴の親和性標的化によって濃縮され得る。いくつかの実施形態では、哺乳類ゲノム全体にわたるエピジェネティック特徴の分布は、バイサルファイト配列決定、縮小表現バイサルファイト配列決定、酸化的バイサルファイト配列決定、ＡＣＥ－ｓｅｑ、酵素的メチル－ｓｅｑ（ＥＭ－ｓｅｑ）、ナノポア配列決定、又はそれらの均等物などの、第１の濃縮ステップを利用しても利用しなくてもよい特定の配列決定方法によって確かめることができる。いくつかの実施形態では、非哺乳類エピジェネティック特徴１１５は、エピジェネティック特徴に特異的な抗体又は非抗体タンパク質ベースの薬剤によるエピジェネティック特徴の親和性標的化によって濃縮され得る。いくつかの実施形態では、試料中の非哺乳類ゲノム全体にわたるエピジェネティック特徴の分布は、バイサルファイト配列決定、縮小表現バイサルファイト配列決定、酸化的バイサルファイト配列決定、ＡＣＥ－ｓｅｑ、酵素的メチル－ｓｅｑ（ＥＭ－ｓｅｑ）、ナノポア配列決定、又はそれらの均等物などの、第１の濃縮ステップを利用しても利用しなくてもよい特定の配列決定方法によって確かめることができる。いくつかの実施形態では、並列哺乳類１１４及び非哺乳類１１５のエピジェネティック分析の結果を組み合わせ、メタエピゲノム計算ワークフロー１１２に入力して、メタエピゲノム機械学習特徴セットを生成する。

【0041】

いくつかの実施形態では、本明細書に提供される開示は、図１Ｃに見られるように、哺乳類及び非哺乳類核酸の連続した単離を通して、対象の疾患の特徴セットを生成する方法を含み得る。いくつかの場合では、本方法は、（ａ）１個体以上の対象の１つ以上の生体試料を提供するステップであって、生体試料が、哺乳類及び非哺乳類核酸組成物１０１を含む、提供するステップと、（ｂ）未分画哺乳類及び非哺乳類核酸組成物１０２を単離するステップと、（ｃ）未分画哺乳類及び非哺乳類核酸組成物を濃縮して、哺乳類核酸組成物及び残余組成物１１４を分離するステップと、（ｄ）非哺乳類核酸組成物の残余組成物を濃縮するステップと、（ｅ）哺乳類及び非哺乳類核酸組成物を疾患１１２の特徴セットに変換するステップと、を含み得る。いくつかの場合では、哺乳類及び非哺乳類核酸組成物を疾患の特徴セットに変換することは、１１４及び１１５（図１Ｃ）によって決定された哺乳類及び非哺乳類配列決定リードを、要素１０４（図１Ａ）でメタエピゲノム計算ワークフロー１１２に入力することを含み得る。いくつかの実施形態では、哺乳類及び非哺乳類エピジェネティック特徴は、図１Ｃに示されるように、連続した様式１１６で同じ核酸試料１０２から濃縮され得、哺乳類エピジェネティック特徴１１４は、エピジェネティック特徴に特異的な抗体又は非抗体タンパク質ベースの薬剤によるエピジェネティック特徴の親和性標的化によって濃縮され、それによって、標的化されたエピジェネティックマークを有する哺乳類核酸分子が枯渇した試料が生成され、次いで、その試料が、非哺乳類エピジェネティック特徴の濃縮１１５のための入力として機能することができる。いくつかの実施形態では、濃縮の順序が逆であり、標的化された非哺乳類エピジェネティック濃縮１１５が、哺乳類エピジェネティック濃縮１１４に先行する。次いで、この連続的なエピジェネティック分析１１６の出力は、メタエピゲノム計算ワークフロー１１２に入力されて、メタエピゲノム機械学習特徴セットが生成され得る。

【0042】

いくつかの態様では、本明細書に提供される開示は、メタエピゲノム分析モジュールを組み込んだ予測モデルを訓練して、健康な、非がん（不健康な）、及びがん関連の非哺乳類シグネチャのメタエピゲノムベースの発見を可能にする方法を含み得る（図１Ｄ）。いくつかの実施形態では、本明細書に開示する本発明のシステム及び方法は、（ａ）配列決定を介して試料のメタエピゲノム特徴を決定することと、（ｂ）予測モデルを生成することと、を含み得る。いくつかの実施形態では、配列決定方法は、次世代配列決定若しくはロングリード配列決定（例えば、ナノポア配列決定）又はそれらの組み合わせを含み得る。いくつかの実施形態では、予測モデル１２１は、本明細書の他の箇所に記載されるメタエピゲノム機械学習特徴セットに関する予測モデル１２０を訓練することを含み得る。いくつかの実施形態では、予測モデルは、正則化された機械学習モデルを含み得る。いくつかの実施形態では、予測モデルは、線形回帰、ロジスティック回帰、決定木、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ、ｋ近傍法（ｋＮＮ）、ｋ平均法、ランダムフォレストアルゴリズムモデル、又はそれらの任意の組み合わせを含み得る。

【0043】

本開示の態様は、図１Ｄに見られるように、予測モデルを訓練して、対象の疾患を決定する方法を含み得る。いくつかの場合では、本方法は、（ａ）健康な対象１１７、がん性の対象１１８、非がん性及び不健康な対象、又はそれらの任意の組み合わせからの１つ以上の核酸試料を提供するステップと、（ｂ）１つ以上の核酸試料１０２から未分画核酸組成物を単離するステップと、（ｃ）親和性標的化１０３によって、未分画核酸組成物の１つ以上の非哺乳類及び哺乳類核酸分子を濃縮するステップと、（ｄ）１つ以上の非哺乳類及び哺乳類核酸分子を、１個体以上の対象１１２の疾患に対応する１つ以上の特徴セットに変換するステップと、（ｅ）１つ以上の特徴セット及び対応する疾患で予測モデル１２０を訓練し、それによって、対象の疾患を決定するように構成された訓練された予測モデル１２１を生成するステップと、を含み得る。いくつかの場合では、対象の決定された特徴付けは、健康１２２、がん性疾患１２３、又は非がん性疾患１２４を含み得る。いくつかの場合では、対象の決定された特徴付けは、健康１２２、がん性疾患１２３、又は非がん性疾患１２４を含み得る。いくつかの実施形態では、予測モデルは、図１Ｄに示されるように、試料中に存在する哺乳類及び非哺乳類核酸分子間で共有されるエピジェネティック特徴の親和性標的化１０３によって濃縮された、複数の既知の健康な対象１１７、複数の既知のがん対象１１８、及び複数の非がん、不健康な対象１１９からの核酸１０２に由来するメタエピゲノム特徴セット１１２で訓練１２０され得る。いくつかの実施形態では、訓練された予測モデル１２１を生成するための予測モデル１２０の訓練は、健康な対象１２２、がんを有する対象１２３、及びがんを有しない不健康な対象１２４について機械学習で特定されたメタエピゲノムシグネチャを生成する。

【0044】

本明細書に提供される本開示の態様は、図１Ｅに見られるように、対象の疾患を決定するために予測モデルを訓練するための個別の哺乳類及び非哺乳類核酸分析の方法を含み得る。いくつかの場合では、本方法は、（ａ）健康な対象１１７人、がん性の対象１１８人、非がん性及び不健康な対象、又はそれらの任意の組み合わせからの１つ以上の核酸試料を提供するステップと、（ｂ）１つ以上の核酸試料１０２から未分画核酸組成物を単離するステップと、（ｃ）未分画核酸組成物１１３を２つ以上のアリコート（１１４、１１５）に分割するステップと、（ｄ）１つ以上の哺乳類核酸１１４の２つ以上のアリコートの第１のサブセット及び１つ以上の非哺乳類核酸分子１１５の２つ以上のアリコートの第２のサブセットを濃縮するステップと、（ｅ）１つ以上の非哺乳類及び哺乳類核酸分子を１個体以上の対象１１２の疾患に対応する１つ以上の特徴セットに変換するステップと、（ｅ）１つ以上の特徴セット及び対応する疾患で予測１２０モデルを訓練し、それによって、対象の疾患を判定するように構成された訓練された予測モデル１２１を生成するステップと、を含み得る。いくつかの場合では、対象の決定された疾患は、健康１２２、がん性疾患１２３、又は非がん性疾患１２４を含み得る。いくつかの態様では、本明細書に提供される開示は、健康、非がん（不健康な）、及びがん関連の非哺乳類のシグネチャのメタエピゲノムベースの発見を可能にするために、メタエピゲノム特徴セットに関する予測モデルを訓練する方法を含み得、図１Ｂの別個のエピジェネティック分析が結合されて、予測モデルの訓練１２０のための組み合わされたメタエピゲノム特徴セットを形成する。いくつかの実施形態では、予測モデル１２０を訓練するように構成されたメタエピゲノム特徴セット１１２は、図１Ｅに示されるように、哺乳類及び非哺乳類エピジェネティック特徴の並列分析を容易にするために物理的に分割された、複数の既知の健康な対象１１７、複数の既知のがん対象１１８、及び複数の非がん、不健康な対象１１９からの核酸１０２に由来し得る。

【0045】

本明細書に提供される本開示の態様は、対象の疾患を決定するために予測モデルを訓練するための連続的な哺乳類及び非哺乳類核酸分析の方法を含み得る。いくつかの場合では、本方法は、（ａ）健康な対象１１７、がん性の対象１１８、非がん性及び不健康な対象、又はそれらの任意の組み合わせからの１つ以上の核酸試料を提供するステップと、（ｂ）１つ以上の核酸試料１０２から未分画核酸組成物を単離するステップと、（ｃ）単離された未分画核酸組成物を用いて連続的なエピジェネティック分析を実施し、それによって、１つ以上の非哺乳類及び哺乳類核酸分子を生成するステップと、（ｄ）１つ以上の非哺乳類及び哺乳類核酸分子を、１個体以上の対象１１２の疾患に対応する１つ以上の特徴セットに変換するステップと、（ｅ）１つ以上の特徴セット及び対応する疾患で予測モデル１２０を訓練し、それによって、対象の疾患を決定するように構成された訓練された予測モデル１２１を生成するステップと、を含み得る。いくつかの場合では、図１Ｃに示されるように、連続的なエピジェネティック分析１１６は、未分画核酸組成物を濃縮して、哺乳類核酸組成物及び残余組成物１１４を分離することと、非哺乳類核酸組成物１１５についての残余組成物を濃縮することと、を含む。いくつかの場合では、対象の決定された特徴付けは、健康１２２、がん性疾患１２３、又は非がん性疾患１２４を含み得る。いくつかの態様では、本明細書に提供される開示は、健康、非がん（不健康）、及びがん関連の非哺乳類シグネチャのメタエピゲノムベースの発見を可能にするための予測モデルを訓練する方法を含み得、図１Ｃの連続的なエピジェネティック分析を結合して、機械学習のための組み合わせたメタエピゲノム特徴セットを形成する。いくつかの実施形態では、予測モデル１２０を訓練するためのメタエピゲノム特徴セット１１２は、図１Ｆに示されるように、哺乳類及び非哺乳類エピジェネティック特徴の連続的な分析を受けた、複数の既知の健康な対象１１７、複数の既知のがん対象１１８、及び複数の非がん、不健康な対象１１９からの核酸１０２に由来し得る。

【0046】

いくつかの実施形態では、濃縮又は直接配列決定分析を標的とする特定の哺乳類エピジェネティック特徴は、図２に示されるように、５－メチルシトシン（５ｍＣ）、５－ヒドロキシメチルシトシン（５ｈｍＣ）、５－ホルミルシトシン（５ｆＣ）、５－カルボキシシトシン（５ｃａＣ）、又はＮ４－アセチルシトシン（Ｎ４ＡｃＣ）を含み得る（それぞれ、図２Ａ～図２Ｅ）。

【0047】

いくつかの実施形態では、濃縮又は直接配列決定分析を標的とする特定の非哺乳類エピジェネティック特徴は、図３に示されるように、６－メチルアデノシン（６ｍＡ）、５－メチルシトシン（５ｍＣ）、４－メチルシトシン（４ｍＣ）、Ｎ４－アセチルシトシン（Ｎ４ＡｃＣ）、又は５－ヒドロキシメチルシトシン（５ｈｍＣ）を含み得る（それぞれ、図３Ａ～図３Ｅ）。

【0048】

いくつかの実施形態では、濃縮を標的とする特定の非哺乳類エピジェネティック特徴は、図４に示されるように、ホスホロチオエートヌクレオチド結合を含み得る。

【0049】

本明細書に開示される態様は、核酸試料に含有される哺乳類及び非哺乳類エピジェネティック情報の組み合わせに基づいて、対象における疾患を診断するための予測モデルを作成する方法を提供し得（図１Ａ）、本方法は、（ａ）１つ以上の哺乳類及び非哺乳類核酸分子１０３に存在するエピジェネティック特徴の親和性標的化によって１つ以上の哺乳類及び非哺乳類核酸分子を濃縮することと、（ｂ）エピジェネティック特徴１０４の標的化を通して濃縮された核酸を配列決定することと、データセットから哺乳類及び非哺乳類配列決定リードの両方を計算的に分析して、訓練された診断モデルを生成するための予測モデルを訓練するために使用されるメタエピゲノム機械学習特徴セット１１１を生成することと、を含む（図１Ｄ）。

【0050】

本明細書に開示される態様は、予測モデルを訓練する方法（図１Ｄ）を提供し、本方法は、（ａ）訓練データセット（ｉ）として、１個体以上の対象の１つ以上の配列決定されたメタエピゲノム存在量１１２を提供することと、（ｂ）試験セット（ｉ）として、１個体以上の対象の１つ以上の配列決定されたメタエピゲノム存在量１１２を提供することと、（ｃ）それぞれ６０対４０の訓練試料対検証試料の試料比で予測モデルを訓練することと、（ｄ）予測モデルの予測精度を評価することと、を含む。

【0051】

いくつかの実施形態では、訓練された予測モデルによって行われる予測は、健康な対象を示す機械学習シグネチャ、又はがんを有する対象を示す機械学習由来のシグネチャ、又はがん以外の疾患を有する対象を示す機械学習由来のシグネチャを含み得る。いくつかの実施形態では、訓練された予測モデルは、シグナルと呼ばれる他の１つ以上の非哺乳類又は非微生物配列を選択的に保持しながら、ノイズとして分類される１つ以上の非哺乳類又は非微生物核酸を特定及び除去し得る。

【0052】

上記のステップは、実施形態による方法又は一連の動作の各々を示しているが、当業者であれば、本明細書に記載の教示に基づいて、多くの変形を認識するであろう。ステップは、異なる順序で完了され得る。ステップは、追加又は省略され得る。ステップのいくつかは、サブステップを含み得る。これらのステップの多くは、有益なほど頻繁に繰り返され得る。

【0053】

本方法又は一連の動作の各々のステップのうちの１つ以上は、回路、例えば、フィールドプログラマブルゲートアレイのためのプログラマブルアレイロジックなどのプロセッサ又は論理回路の１つ以上で実行され得る。回路は、本方法又は一連の動作の各々のステップのうちの１つ以上を提供するようにプログラムされ得、プログラムは、例えば、コンピュータ可読メモリに記憶されたプログラム命令、又はプログラマブルアレイロジック又はフィールドプログラマブルゲートアレイなどの論理回路のプログラムされたステップを含み得る。

【0054】

予測モデル
本開示の方法及びシステムは、１個体以上の対象が、１個体以上の対象の各対象の生体試料からがんを有するかどうかを決定するために、人工知能、予測モデル、及び／又は機械学習技術の外部機能を利用又はアクセスすることができる。いくつかの場合では、人工知能技術は、１個体以上の対象のがんを予測し得る１つ以上の核酸分子配列決定リードの特徴（例えば、非哺乳類及び／又は哺乳類）を特定し得る。いくつかの場合では、特徴は、本明細書の他箇所に記載される１つ以上の予測モデルを訓練するために使用され得る。これらの特徴は、本明細書の他箇所に記載されるように、疾患又は障害を正確に予測するために使用され得る。いくつかの場合では、疾患又は障害は、本明細書の他箇所に記載されるがん又は非がん性疾患を含み得る。そのような予測モデル、アルゴリズム、及び／又は機械学習技術を使用して、医療提供者（例えば、医師、看護師、医療技術者など）は、情報に基づいた正確なリスクベースの意思決定を行うことができ、それによって、初期段階の疾患診断、疾患進行、及びモニタリング、対象の疾患を治療するための治療及び／若しくは治療上の提案、又はそれらの任意の組み合わせを改善することができる。

【0055】

本開示の方法及びシステムは、１個体以上の対象の疾患を予測し得る１つ以上の哺乳類特徴及び／又は１つ以上の非哺乳類特徴を決定するために、哺乳類の核酸分子及び／又は非哺乳類の核酸分子の存在及び存在量を分析することができる。いくつかの場合では、本明細書の他箇所に記載される方法及びシステムは、疾患を示す１つ以上の哺乳類特徴、１つ以上の非哺乳類特徴、及び１個体以上の対象の対応する疾患で予測モデルを訓練することができる。いくつかの場合では、次いで、訓練された予測モデルを使用して、予測モデルを訓練するために利用される１個体以上の対象とは異なる別の１個体以上の対象の疾患（例えば、がん又はがん性疾患）の可能性（例えば、予測）を生成することができる。学習された予測モデルは、１つ以上の核酸分子配列決定リードを処理して対象が疾患を有する可能性を生成するように構成された、機械学習ベースの分類器などの人工知能ベースのモデルを含んでもよい。モデルは、患者（例えば、がん患者、非がん性疾患を有する患者、病気もがんもない患者、がんの治療を受けているがん患者、非がん性疾患の治療を受けている患者、又はそれらの組み合わせ）の１つ以上のコホートからの生体試料の１つ以上の核酸分子から生成された１つ以上の哺乳類及び／又は非哺乳類核酸配列リードの存在又は存在量を使用して訓練され得る。いくつかの場合では、予測モデルは、予測モデルの訓練データセットの一部分ではない１つ以上の患者のがんを治療するための治療予測を提供するように訓練され得る。そのような予測モデルは、患者の存在及び生体試料から得られた１つ以上の核酸分子配列決定リードの存在量の入力が提供された場合、訓練データセットの一部ではない１個体以上の患者の治療推奨を出力することができる。

【0056】

予測モデルは、１つ以上の予測モデルを含み得る。予測モデルは、１つ以上の機械学習アルゴリズムを含み得る。機械学習アルゴリズムの例としては、サポートベクターマシン（ＳＶＭ）、ナイーブベイズ分類、ランダムフォレスト、ニューラルネットワーク、ディープニューラルネットワーク（ＤＮＮ）、回帰型ニューラルネットワーク（ＲＮＮ）、ディープＲＮＮ、長短期記憶（ＬＳＴＭ）回帰型ニューラルネットワーク（ＲＮＮ）、ゲート付き回帰型ユニット（ＧＲＵ）、勾配ブースティングマシン、線形回帰、ｋ近傍法、ｋ平均法、決定木、ロジスティック回帰、他の教師あり学習アルゴリズム、若しくは教師なし機械学習モデル、又はそれらの任意の組み合わせが挙げられ得る。予測モデルは、分類又は回帰に使用され得る。モデルは、複数の予測モデルから構成されるアンサンブルモデルの推定を含み得、例えば、勾配ブースティング決定木の構築における勾配ブースティングなどの技術を利用し得る。モデルは、本明細書の他箇所に記載される、対象の生体試料の１つ以上の核酸分子から生成される１つ以上の核酸配列決定リードに加えて、患者及び／又は対象のデータ（例えば、患者の病歴、家族の病歴、血圧、脈拍、体温、酸素飽和度、又はそれらの任意の組み合わせ）に対応する１つ以上の訓練データセットを使用して訓練され得る。

【0057】

訓練データセットは、例えば、一般的な臨床疾患又は障害の診断を有する患者の１つ以上のコホートから生成され得る。訓練データセットは、１個体以上の対象の生体試料の１つ以上の哺乳類核酸分子及び／又は１つ以上の非哺乳類核酸分子の存在及び／又は存在量の形態で、１つ以上の非哺乳類特徴、１つ以上の哺乳類特徴、又はそれらの組み合わせのセットを含み得る。いくつかの事例では、１つ以上の哺乳類核酸分子及び／又は１つ以上の非哺乳類核酸分子は、本明細書の他箇所に記載されるように、濃縮された核酸分子を含み得る。特徴は、前述の１つ以上の哺乳類特徴及び／又は１つ以上の非哺乳類特徴に対する１個体以上の対象の対応するがん診断を含み得る。いくつかの場合では、特徴は、患者の年齢、患者の病歴、他の病状、現在又は過去の投薬治療、臨床リスクスコア、及び最後の観察からの時間などの患者情報を含み得る。例えば、所与の時点で所与の患者から収集された一連の特徴は、集合的にシグネチャとして機能し、これは、ある時点での患者及び／又は対象の疾患若しくは疾患状態を示し得る。

【0058】

訓練データのラベルは、例えば、対象及び／又は患者の疾患（例えば、がん又は非がん性疾患）又は障害の存在、不在、診断、又は予後などの臨床転帰を含み得る。臨床転帰は、治療有効性（例えば、対象が、がんに基づく治療に対する陽性応答者であるかどうか）を含み得る。

【0059】

入力特徴は、データをビンに集約することによって、又は代替的にワンホットエンコーディングを使用することによって構造化され得る。入力はまた、相互相関などの前述の入力から導出された特徴値又はベクトルも含み得る。

【0060】

訓練記録は、１個体以上の対象の生体試料の１つ以上の哺乳類核酸分子及び／又は１つ以上の非哺乳類核酸分子の存在及び／又は存在量の特徴から構築することができる。

【0061】

モデルは、入力特徴を処理して、１つ以上の分類、１つ以上の予測、又はそれらの組み合わせを含む出力値を生成し得る。例えば、そのような分類又は予測は、対象にがんが存在するか又は存在しない（例えば、疾患又は障害の不在）の二項分類、カテゴリ標識の群間の分類（例えば、「疾患又は障害なし」、「見かけの疾患又は障害」、及び「疾患又は障害の可能性が高い」）、特定の疾患又は障害を発症する可能性（例えば、相対的な可能性又は見込み）、疾患又は障害の存在を示すスコア、患者の死亡の可能性についての「リスク因子」、及び任意の数値予測について信頼区間を含み得る。機械学習技術の出力が、予測モデルのその後の層又はサブセクションへの入力特徴として使用され得るような、様々な機械学習技術がカスケードされ得る。

【0062】

（例えば、モデルの重み及び相関を決定することによって）モデルを訓練して、リアルタイムの分類又は予測を生成するために、モデルは、本明細書の他箇所に記載されるデータセット及び／又は特徴を使用して訓練され得る。そのようなデータセットは、統計的に有意な分類又は予測を生成するのに十分な大きさであり得る。例えば、データセットは、データのデータベースを含み得、データは、１個体以上の対象の１つ以上の核酸分子配列決定リード及び１個体以上の対象の対応する疾患ラベルを含み得る。訓練データセットは、訓練対象（例えば、ヒト及び／又は非ヒト哺乳類）から収集され得る。各対象の訓練データセットは、対象が疾患（例えば、がん又は非がん性疾患）を有すると診断されているか、又は生物学的状態を有すると診断されていないことを示す診断状態を有し得る。

【0063】

データセットは、訓練データセット、開発データセット、及び試験データセットなどのサブセット（例えば、個別又は重複する）に分割され得る。例えば、データセットは、データセットの８０％を含む訓練データセット、データセットの１０％を含む開発データセット、及びデータセットの１０％を含む試験データセットに分割され得る。訓練データセットは、データセットの約１０％、約２０％、約３０％、約４０％、約５０％、約６０％、約７０％、約８０％、又は約９０％を含み得る。開発データセットは、データセットの約１０％、約２０％、約３０％、約４０％、約５０％、約６０％、約７０％、約８０％、又は約９０％を含み得る。試験データセットは、データセットの約１０％、約２０％、約３０％、約４０％、約５０％、約６０％、約７０％、約８０％、又は約９０％を含み得る。いくつかの実施形態では、一つ抜き交差検証が用いられ得る。訓練セット（例えば、訓練データセット）は、試料採取の独立性を確保するために、１個体以上の患者コホートに対応するデータのセットのランダムな試料採取によって選択され得る。代替的には、訓練セット（例えば、訓練データセット）は、試料採取の独立性を確保するために、１個体以上の患者コホートに対応するデータのセットの比例試料採取によって選択され得る。

【0064】

モデル予測の精度を改善し、予測モデルの過剰適合を減少させるために、データセットを、拡張して、訓練セット内の試料の数を増加させ得る。例えば、データ拡張は、訓練記録における観測の順序を再配置することを含み得る。欠落した観察を有するデータセットに対応するために、フォワードフィリング、バックフィリング、線形補間、及びマルチタスクガウスプロセスなどの欠落したデータを補完する方法が使用され得る。データセットを、フィルタリング又はバッチ補正して、交絡因子を除去又は軽減し得る。例えば、データベース内では、患者のサブセットが、除外され得る。

【0065】

予測モデルは、ニューラルネットワーク、畳み込みニューラルネットワーク（ＣＮＮ）、ディープニューラルネットワーク（ＤＮＮ）、回帰型ニューラルネットワーク（ＲＮＮ）、又はディープＲＮＮなどの１つ以上のニューラルネットワークを含み得る。回帰型ニューラルネットワークは、長短期記憶（ＬＳＴＭ）ユニット又はゲート付き回帰型ユニット（ＧＲＵ）であり得るユニットを含み得る。例えば、モデルは、一連の入力特徴（例えば、１つ以上の核酸分子配列決定リード）、バイタル（本明細書の他箇所に記載される）、患者の病歴、及び／又は患者の人口統計を有するニューラルネットワークを含むアルゴリズムアーキテクチャを含み得る。脱落又は正規化などのニューラルネットワーク技術は、過剰適合を防止するために予測モデルを訓練する間に使用され得る。ニューラルネットワークは、複数のサブネットワークを含み得、それらの各々は、異なるタイプの出力情報（例えば、ニューラルネットワークの全体的な出力を形成するように組み合わせられ得る）の分類又は予測を生成するように構成される。機械学習モデルは、代替的に、ランダムフォレスト、分類及び回帰木、サポートベクターマシン、判別分析、回帰技術、並びにそれらのアンサンブル及び勾配ブーストされたバリエーションを含む統計的又は関連アルゴリズムを利用し得る。

【0066】

予測モデルが疾患又は障害の分類又は予測を生成する場合、通知（例えば、警告又は警報）が生成され、病院内の患者の治療チームの医師、看護師、又は他のメンバーなどの医療提供者に送信され得る。通知は、自動電話、ショートメッセージサービス（ＳＭＳ）若しくはマルチメディアメッセージサービス（ＭＭＳ）メッセージ、電子メール、又はダッシュボード内の警告を介して送信され得る。通知は、疾患若しくは障害の予測、予測される疾患若しくは障害の可能性、疾患若しくは障害の予想される発病までの時間、可能性若しくは時間の信頼区間、又は疾患若しくは障害に対する推奨される治療のコースなどの出力情報を含み得る。

【0067】

予測モデルの性能を検証するために、異なる性能メトリックが生成され得る。例えば、受信者動作特性曲線下面積（ＡＵＲＯＣ）を使用して、予測モデルの診断能力を決定し得る。例えば、予測モデルは、特異度及び感度が調整可能であるような、調整可能である分類閾値を使用し得、受信者動作特性曲線（ＲＯＣ）を使用して、特異度及び感度の種々の値に対応する種々の動作点を特定し得る。

【0068】

データセットが十分に大きくない場合など、いくつかの場合では、相互検証を実施して、異なる訓練及び試験データセットにわたるモデルの堅牢性を評価し得る。

【0069】

感度、特異度、精度、陽性的中率（ＰＰＶ）、陰性的中率（ＮＰＶ）、適合率再現率曲線下面積（ＡＵＰＲ）、ＡＵＲＯＣ、又は類似物などの性能メトリックを計算するために、以下の定義が使用され得る。「偽陽性」は、陽性の転帰又は結果が誤って又は時期尚早に生成された転帰（例えば、疾患又は障害の実際の発症前、又は発症なし）を指し得る。「真陽性」は、患者が疾患又は障害を有する場合（例えば、患者が疾患若しくは障害の症状を示すか、又は患者の記録が疾患若しくは障害を示す）、陽性の転帰又は結果が正しく生成された転帰を指し得る。「偽陰性」は、陰性の転帰又は結果が生成されたが、患者が疾患又は障害を有する（例えば、患者が疾患若しくは障害の症状を示すか、又は患者の記録が疾患若しくは障害を示す）転帰を指し得る。「真陰性」は、陰性の転帰又は結果が生成された転帰（例えば、疾患又は障害の実際の発症前、又は発症なし）を指し得る。

【0070】

予測モデルは、診断精度尺度に対応する最小の所望の値を有するなど、精度又は性能のための特定の所定の条件が満たされるまで訓練され得る。例えば、診断精度尺度は、対象における疾患又は障害の発生の可能性の予測に対応し得る。別の例として、診断精度尺度は、対象が以前に治療された疾患又は障害の悪化又は再発の可能性の予測に対応し得る。診断精度尺度の例としては、疾患又は障害の検出又は予測の診断精度に対応する感度、特異度、陽性的中率（ＰＰＶ）、陰性的中率（ＮＰＶ）、精度、ＡＵＰＲ、及びＡＵＲＯＣが挙げられ得る。

【0071】

例えば、そのような所定の条件は、疾患又は障害の予測の感度が、例えば、少なくとも約５０％、少なくとも約５５％、少なくとも約６０％、少なくとも約６５％、少なくとも約７０％、少なくとも約７５％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、少なくとも約９５％、少なくとも約９６％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の値を含むことであり得る。

【0072】

別の例として、そのような所定の条件は、疾患又は障害の予測の特異度が、例えば、少なくとも約５０％、少なくとも約５５％、少なくとも約６０％、少なくとも約６５％、少なくとも約７０％、少なくとも約７５％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、少なくとも約９５％、少なくとも約９６％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の値を含むことであり得る。

【0073】

別の例として、そのような所定の条件は、疾患又は障害の予測の陽性的中率（ＰＰＶ）が、例えば、少なくとも約５０％、少なくとも約５５％、少なくとも約６０％、少なくとも約６５％、少なくとも約７０％、少なくとも約７５％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、少なくとも約９５％、少なくとも約９６％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の値を含むことであり得る。

【0074】

別の例として、そのような所定の条件は、疾患又は障害の予測の陰性的中率（ＮＰＶ）が、例えば、少なくとも約５０％、少なくとも約５５％、少なくとも約６０％、少なくとも約６５％、少なくとも約７０％、少なくとも約７５％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、少なくとも約９５％、少なくとも約９６％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の値を含むことであり得る。

【0075】

別の例として、そのような所定の条件は、疾患又は障害の予測の受信者動作特性（ＲＯＣ）曲線の曲線下面積（ＡＵＣ）（ＡＵＲＯＣ）が、少なくとも約０．５０、少なくとも約０．５５、少なくとも約０．６０、少なくとも約０．６５、少なくとも約０．７０、少なくとも約０．７５、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、少なくとも約０．９５、少なくとも約０．９６、少なくとも約０．９７、少なくとも約０．９８、又は少なくとも約０．９９の値を含むことであり得る。

【0076】

別の例として、そのような所定の条件は、疾患又は障害を予測する適合率再現率曲線下面積（ＡＵＰＲ）が、少なくとも約０．１０、少なくとも約０．１５、少なくとも約０．２０、少なくとも約０．２５、少なくとも約０．３０、少なくとも約０．３５、少なくとも約０．４０、少なくとも約０．４５、少なくとも約０．５０、少なくとも約０．５５、少なくとも約０．６０、少なくとも約０．６５、少なくとも約０．７０、少なくとも約０．７５、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、少なくとも約０．９５、少なくとも約０．９６、少なくとも約０．９７、少なくとも約０．９８、又は少なくとも約０．９９の値を含むことであり得る。

【0077】

いくつかの実施形態では、訓練されたモデルは、少なくとも約５０％、少なくとも約５５％、少なくとも約６０％、少なくとも約６５％、少なくとも約７０％、少なくとも約７５％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、少なくとも約９５％、少なくとも約９６％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の精度で疾患又は障害を予測するように訓練又は構成され得る。

【0078】

いくつかの実施形態では、モデルは、ニューラルネットワーク又は畳み込みニューラルネットワークである。Ｖｉｎｃｅｎｔ ｅｔ ａｌ．，２０１０，“Ｓｔａｃｋｅｄ ｄｅｎｏｉｓｉｎｇ ａｕｔｏｅｎｃｏｄｅｒｓ：Ｌｅａｒｎｉｎｇ ｕｓｅｆｕｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｉｎ ａ ｄｅｅｐ ｎｅｔｗｏｒｋ ｗｉｔｈ ａ ｌｏｃａｌ ｄｅｎｏｉｓｉｎｇ ｃｒｉｔｅｒｉｏｎ，”Ｊ Ｍａｃｈ Ｌｅａｒｎ Ｒｅｓ １１，ｐｐ．３３７１－３４０８、Ｌａｒｏｃｈｅｌｌｅ ｅｔ ａｌ．，２００９，“Ｅｘｐｌｏｒｉｎｇ ｓｔｒａｔｅｇｉｅｓ ｆｏｒ ｔｒａｉｎｉｎｇ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ，”Ｊ Ｍａｃｈ Ｌｅａｒｎ Ｒｅｓ １０，ｐｐ．１－４０、及びＨａｓｓｏｕｎ，１９９５，Ｆｕｎｄａｍｅｎｔａｌｓ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，Ｍａｓｓａｃｈｕｓｅｔｔｓ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｔｅｃｈｎｏｌｏｇｙを参照されたく、これらの各々は、参照により本明細書に組み込まれる。

【0079】

いくつかの実施形態では、Ｌｅｅ，Ｔ．－Ｗ．（１９９８）：Ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ：Ｔｈｅｏｒｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ，Ｂｏｓｔｏｎ，Ｍａｓｓ：Ｋｌｕｗｅｒ Ａｃａｄｅｍｉｃ Ｐｕｂｌｉｓｈｅｒｓ，ＩＳＢＮ ０－７９２３－８２６１－７、及びＨｙｖａｅｒｉｎｅｎ，Ａ．；Ｋａｒｈｕｎｅｎ，Ｊ．；Ｏｊａ，Ｅ．（２００１）：Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，Ｎｅｗ Ｙｏｒｋ：Ｗｉｌｅｙ，ＩＳＢＮ ９７８－０－４７１－４０５４０－５において記載されるものなど、独立成分分析（ＩＣＡ）を使用して、データを脱次元化（ｄｅ－ｄｉｍｅｎｓｉｏｎａｌｉｚｅ）し、これらは、参照によりその全体が本明細書に組み込まれる。

【0080】

いくつかの実施形態では、Ｊｏｌｌｉｆｆｅ，Ｉ．Ｔ．（２００２）．Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ．Ｓｐｒｉｎｇｅｒ Ｓｅｒｉｅｓ ｉｎ Ｓｔａｔｉｓｔｉｃｓ．Ｎｅｗ Ｙｏｒｋ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ．ｄｏｉ：１０．１００７／ｂ９８８３５．ＩＳＢＮ ９７８－０－３８７－９５４４２－４に記載されているものなど、主成分分析（ＰＣＡ）を使用して、データを脱次元化し、これらは、参照によりその全体が本明細書に組み込まれる。

【0081】

ＳＶＭは、Ｃｒｉｓｔｉａｎｉｎｉ ａｎｄ Ｓｈａｗｅ－Ｔａｙｌｏｒ，２０００，“Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ，”Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，Ｃａｍｂｒｉｄｇｅ、Ｂｏｓｅｒ ｅｔ ａｌ．，１９９２，“Ａ ｔｒａｉｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｐｔｉｍａｌ ｍａｒｇｉｎ ｃｌａｓｓｉｆｉｅｒｓ，”ｉｎ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ５ｔｈ Ａｎｎｕａｌ ＡＣＭ Ｗｏｒｋｓｈｏｐ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｅａｒｎｉｎｇ Ｔｈｅｏｒｙ，ＡＣＭ Ｐｒｅｓｓ，Ｐｉｔｔｓｂｕｒｇｈ，Ｐａ．，ｐｐ．１４２－１５２、Ｖａｐｎｉｋ，１９９８，Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ Ｔｈｅｏｒｙ，Ｗｉｌｅｙ，Ｎｅｗ Ｙｏｒｋ；Ｍｏｕｎｔ，２００１，Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ：ｓｅｑｕｅｎｃｅ ａｎｄ ｇｅｎｏｍｅ ａｎａｌｙｓｉｓ，Ｃｏｌｄ Ｓｐｒｉｎｇ Ｈａｒｂｏｒ Ｌａｂｏｒａｔｏｒｙ Ｐｒｅｓｓ，Ｃｏｌｄ Ｓｐｒｉｎｇ Ｈａｒｂｏｒ，Ｎ．Ｙ．、Ｄｕｄａ，Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ，２００１，Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ．，ｐｐ．２５９，２６２－２６５、及びＨａｓｔｉｅ，２００１，Ｔｈｅ Ｅｌｅｍｅｎｔｓ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ，Ｓｐｒｉｎｇｅｒ，Ｎｅｗ Ｙｏｒｋ；ａｎｄ Ｆｕｒｅｙ ｅｔ ａｌ．，２０００，Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ １６，９０６－９１４に記載されており、これらの各々、参照によりその全体が本明細書に組み込まれる。分類に使用される場合、ＳＶＭは、標識されたデータから、最大限に離れたハイパープレーンを使用して、バイナリ標識されたデータの所与のセットを分離する。線形分離が不可能な場合、ＳＶＭは、特徴空間への非線形マッピングを自動的に実現する「カーネル」の技術と組み合わせて機能することができる。特徴空間内のＳＶＭによって見出される超平面は、入力空間内の非線形決定境界に対応する。

【0082】

決定木は、概して、Ｄｕｄａ，２００１，Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ．，Ｎｅｗ Ｙｏｒｋ，ｐｐ．３９５－３９６によって説明されており、これは、参照により本明細書に組み込まれる。決定木に基づく方法は、特徴空間を長方形のセットに分割し、各々に（定数のような）モデルを適合させる。いくつかの実施形態では、決定木はランダムフォレスト回帰である。使用され得る１つの特定のアルゴリズムは、分類及び回帰木（ＣＡＲＴ）である。他の特定の決定木アルゴリズムは、ＩＤ３、Ｃ４．５、ＭＡＲＴ、及びランダムフォレストを含むが、これらに限定されない。ＣＡＲＴ、ＩＤ３、及びＣ４．５は、Ｄｕｄａ，２００１，Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ．，Ｎｅｗ Ｙｏｒｋ．ｐｐ．３９６－４０８及びｐｐ．４１１－４１２に記載されており、これは、参照により本明細書に組み込まれる。ＣＡＲＴ、ＭＡＲＴ、及びＣ４．５は、Ｈａｓｔｉｅ ｅｔ ａｌ．，２００１，Ｔｈｅ Ｅｌｅｍｅｎｔｓ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ，Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，Ｎｅｗ Ｙｏｒｋ，Ｃｈａｐｔｅｒ ９に記載されており、これは、参照によりその全体が本明細書に組み込まれる。ランダムフォレストは、Ｂｒｅｉｍａｎ，１９９９，“Ｒａｎｄｏｍ Ｆｏｒｅｓｔｓ－Ｒａｎｄｏｍ Ｆｅａｔｕｒｅｓ，”Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ ５６７，Ｓｔａｔｉｓｔｉｃｓ Ｄｅｐａｒｔｍｅｎｔ，Ｕ．Ｃ．Ｂｅｒｋｅｌｅｙ，Ｓｅｐｔｅｍｂｅｒ １９９９に記載されており、これは参照によりその全体が本明細書に組み込まれる。

【0083】

クラスタリング（例えば、教師なしクラスタリングモデルアルゴリズム及び教師ありクラスタリングモデルアルゴリズム）は、Ｄｕｄａ ａｎｄ Ｈａｒｔ，Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｓｃｅｎｅ Ａｎａｌｙｓｉｓ，１９７３，Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ．，Ｎｅｗ Ｙｏｒｋ（以降、「Ｄｕｄａ １９７３」）の２１１～２５６ページに記載されており、これは、参照によりその全体が本明細書に組み込まれる。Ｄｕｄａ １９７３のセクション６．７に記載されるように、クラスタリング問題は、データセットにおいて自然な群化を見出すことの１つとして説明される。自然な群化を特定するために、２つの問題を対処する。第一に、２つの試料間の類似性（又は相違性）を測定する方法を決定する。このメトリック（類似性尺度）を使用して、一方のクラスタ内の試料が他方のクラスタ内の試料よりも互いにより類似していることを確実にする。第二に、類似性尺度を使用してデータをクラスタに分割するための機構を決定する。類似性尺度は、Ｄｕｄａ １９７３のセクション６．７で考察されており、クラスタリング調査を開始する１つの方法は、距離関数を定義し、訓練セット内の試料の全てのペア間の距離の行列を計算することであると記載されている。距離が類似性の良好な尺度である場合、同じクラスタ内の参照実体間の距離は、異なるクラスタ内の参照実体間の距離よりも顕著に小さいであろう。しかしながら、Ｄｕｄａ １９７３の２１５ページに記載されているように、クラスタリングは距離メトリックの使用を必要としない。例えば、非メトリック類似性関数ｓ（ｘ、ｘ’）を使用して、２つのベクトルｘ及びｘ’を比較し得る。従来、ｓ（ｘ，ｘ’）は、ｘ及びｘ’が何らかの形で「類似」している場合に値が大きい対称関数である。非メトリック類似性関数ｓ（ｘ，ｘ’）の例は、Ｄｕｄａ １９７３の２１８ページに示されている。データセット内の点間の「類似性」又は「相違性」を測定するための方法が選択されると、クラスタリングは、データの任意の分割のクラスタリング品質を測定する基準関数を必要とする。基準関数を極端化するデータセットの分割を使用して、データをクラスタリングする。Ｄｕｄａ １９７３の２１７ページを参照されたい。基準関数は、Ｄｕｄａ １９７３のセクション６．８で考察されている。より最近では、Ｄｕｄａ ｅｔ ａｌ．，Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，２ｎｄ ｅｄｉｔｉｏｎ，Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ．Ｎｅｗ Ｙｏｒｋが出版されている。５３７～５６３ページは、クラスタリングを詳細に記載している。クラスタリング技術の詳細は、Ｋａｕｆｍａｎ ａｎｄ Ｒｏｕｓｓｅｅｕｗ，１９９０，Ｆｉｎｄｉｎｇ Ｇｒｏｕｐｓ ｉｎ Ｄａｔａ：Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｃｌｕｓｔｅｒ Ａｎａｌｙｓｉｓ，Ｗｉｌｅｙ，Ｎｅｗ Ｙｏｒｋ，Ｎ．Ｙ．、Ｅｖｅｒｉｔｔ，１９９３，Ｃｌｕｓｔｅｒ ａｎａｌｙｓｉｓ（３ｄ ｅｄ．），Ｗｉｌｅｙ，Ｎｅｗ Ｙｏｒｋ，Ｎ．Ｙ．、及びＢａｃｋｅｒ，１９９５，Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｒｅａｓｏｎｉｎｇ ｉｎ Ｃｌｕｓｔｅｒ Ａｎａｌｙｓｉｓ，Ｐｒｅｎｔｉｃｅ Ｈａｌｌ，Ｕｐｐｅｒ Ｓａｄｄｌｅ Ｒｉｖｅｒ，Ｎｅｗ Ｊｅｒｓｅｙに見出され得、これらの各々は、参照により本明細書に組み込まれる。本開示において使用され得る特定の例示的なクラスタリング技術は、階層的クラスタリング（最近傍アルゴリズム、最遠傍アルゴリズム、平均リンケージアルゴリズム、重心アルゴリズム、又は二乗和アルゴリズムを使用した凝集クラスタリング）、ｋ平均クラスタリング、ファジーｋ平均クラスタリング、及びジャービス・パトリック（Ｊａｒｖｉｓ－Ｐａｔｒｉｃｋ）クラスタリングを含むが、これらに限定されない。いくつかの実施形態では、クラスタリングは、教師なしクラスタリングを含み、訓練セットがクラスタリングされる場合、どのクラスタが形成するべきであるかの先入観が課されない。

【0084】

複数カテゴリロジットモデルのものなどの回帰モデルは、Ａｇｒｅｓｔｉ，Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｃａｔｅｇｏｒｉｃａｌ Ｄａｔａ Ａｎａｌｙｓｉｓ，１９９６，Ｊｏｈｎ Ｗｉｌｅｙ＆Ｓｏｎｓ，Ｉｎｃ．，Ｎｅｗ Ｙｏｒｋ，Ｃｈａｐｔｅｒ ８に記載されており、これは、参照によりその全体が本明細書に組み込まれる。いくつかの実施形態では、モデルは、Ｈａｓｔｉｅ ｅｔ ａｌ．，２００１，Ｔｈｅ Ｅｌｅｍｅｎｔｓ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ，Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ，Ｎｅｗ Ｙｏｒｋに開示されている回帰モデルを利用し、これは、参照によりその全体が本明細書に組み込まれる。いくつかの実施形態では、勾配ブースティングモデルは、例えば、本明細書に記載の分類アルゴリズムに対して使用され、これらの勾配ブースティングモデルは、Ｂｏｅｈｍｋｅ，Ｂｒａｄｌｅｙ；Ｇｒｅｅｎｗｅｌｌ，Ｂｒａｎｄｏｎ（２０１９）．“Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ”．Ｈａｎｄｓ－Ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ｒ．Ｃｈａｐｍａｎ＆Ｈａｌｌ．ｐｐ．２２１－２４５．ＩＳＢＮ ９７８－１－１３８－４９５６８－５．に記載されており、これは、参照によりその全体が本明細書に組み込まれる。いくつかの実施形態では、アンサンブルモデル化技術が使用され、これらのアンサンブルモデル化技術は、本明細書の分類モデルの実装に記載され、Ｚｈｏｕ Ｚｈｉｈｕａ（２０１２）Ｅｎｓｅｍｂｌｅ Ｍｅｔｈｏｄｓ：Ｆｏｕｎｄａｔｉｏｎｓ ａｎｄ Ａｌｇｏｒｉｔｈｍｓ．Ｃｈａｐｍａｎ ａｎｄ Ｈａｌｌ／ＣＲＣ．ＩＳＢＮ ９７８－１－４３９－８３００３－１に記載されている（これは、参照によりその全体が本明細書に組み込まれる）。

【0085】

いくつかの実施形態では、機械学習分析は、データ分析を実施するための命令を含む１つ以上のプログラム（例えば、非永続メモリ又は永続メモリに記憶された１つ以上のプログラム）を実行するデバイスによって実施される。いくつかの実施形態では、データ分析は、少なくとも１つのプロセッサ（例えば、処理コア）と、データ分析を実施する命令を含むメモリ（例えば、非永続メモリ又は永続メモリに格納された１つ以上のプログラム）と、を備えるシステムによって実施される。

【0086】

システム
本開示は、本開示の方法を実装するようにプログラムされたコンピュータシステムを提供する。図７は、コンピュータシステム２０１を示し、これは、本明細書の他箇所に記載される、疾患（例えば、がん又は非がん性疾患）を予測し、予測モデルを訓練し、推奨される療法を生成し、１個体以上の対象の疾患の治療の縦断的経過を生成及び／若しくは予測し、又はそれらの任意の組み合わせを行うようにプログラムされるか、又はそうでなければ構成される。コンピュータシステム２０１は、ユーザの電子デバイス、又は電子デバイスに関する遠隔に位置されたコンピュータシステムであり得る。電子デバイスは、モバイル電子デバイスであり得る。

【0087】

コンピュータシステム２０１は、単一コア若しくは複数コアプロセッサ、又は並列処理のための複数のプロセッサであり得る中央処理ユニット（ＣＰＵ、また、本明細書では「プロセッサ」及び「コンピュータプロセッサ」）２０５を含む。コンピュータシステム２０１はまた、メモリ又はメモリ位置２０４（例えば、ランダムアクセスメモリ、読み取り専用メモリ、フラッシュメモリ）、電子記憶ユニット２０６（例えば、ハードディスク）、１つ以上の他のシステムと通信するための通信インターフェース２０８（例えば、ネットワークアダプタ）、並びにキャッシュ、他のメモリ、データ記憶装置、及び／又は電子ディスプレイアダプタなどの周辺デバイス２０７を含む。メモリ２０４、記憶ユニット２０６、インターフェース２０８、及び周辺デバイス２０７は、マザーボードなどの通信バス（実線）を介してＣＰＵ２０５と通信している。記憶ユニット２０６は、データを記憶するためのデータ記憶ユニット（又はデータ保存場所）であり得る。コンピュータシステム２０１は、通信インターフェース２０８を用いて、コンピュータネットワーク（「ネットワーク」）２０３に動作可能にカップリングされ得る。ネットワーク２０３は、インターネット、インターネット及び／若しくはエクストラネット、又はインターネットと通信しているイントラネット及び／若しくはエクストラネットであり得る。いくつかの場合では、ネットワーク２０３は、電気通信及び／又はデータネットワークである。ネットワーク２０３は、クラウドコンピューティングなどの分散コンピューティングを可能にすることができる１つ以上のコンピュータサーバを含み得る。ネットワーク２０３は、コンピュータシステム２０１を用いるいくつかの場合では、ピアツーピアネットワークを実装することができ、これは、コンピュータシステム２０１にカップリングされたデバイスがクライアント又はサーバとして動作することを可能にし得る。

【0088】

ＣＰＵ２０５は、プログラム又はソフトウェアにおいて具現化され得る機械可読命令のシーケンスを実行し得る。命令は、メモリ２０４などのメモリ位置に記憶され得る。命令は、ＣＰＵ２０５に向けられ得、その後、本明細書の他箇所に記載の本開示の方法を実装するようにＣＰＵ２０５をプログラム又は構成し得る。ＣＰＵ２０５によって実施される動作の例としては、フェッチ、デコード、実行、及びライトバックが挙げられ得る。

【0089】

ＣＰＵ２０５は、集積回路などの回路の一部分であり得る。システム２０１の１つ以上の他の構成要素は、回路に含まれ得る。いくつかの場合では、回路は、用途特異的な集積回路（ＡＳＩＣ）である。

【0090】

記憶ユニット２０６は、ドライバ、ライブラリ、及び保存されたプログラムなどのファイルを記憶し得る。記憶ユニット２０６は、ユーザデータ（例えば、疾患予測及び／又はユーザ及び／又は対象の核酸配列決定リードの１つ以上の哺乳類特徴及び／又は１つ以上の非哺乳類特徴、ユーザープリファレンス、ユーザプログラム、又はそれらの任意の組み合わせ）を記憶することができる。コンピュータシステム２０１は、いくつかの場合では、イントラネット又はインターネットを介してコンピュータシステム２０１と通信している遠隔サーバ上に位置するなど、コンピュータシステム２０１の外部にある１つ以上の追加のデータ記憶ユニットを含み得る。

【0091】

コンピュータシステム２０１は、ネットワーク２０３を介して１つ以上の遠隔コンピュータシステムと通信し得る。例えば、コンピュータシステム２０１は、ユーザの遠隔コンピュータシステムと通信し得る。遠隔コンピュータシステムの例としては、パーソナルコンピュータ（例えば、ポータブルＰＣ）、スレート若しくはタブレットＰＣ（例えば、Ａｐｐｌｅ（登録商標）ｉＰａｄ、Ｓａｍｓｕｎｇ（登録商標）Ｇａｌａｘｙ Ｔａｂ）、電話、スマートフォン（例えば、Ａｐｐｌｅ（登録商標）ｉＰｈｏｎｅ、Ａｎｄｒｏｉｄ対応デバイス、Ｂｌａｃｋｂｅｒｒｙ（登録商標））、又はパーソナルデジタルアシスタントが挙げられ得る。ユーザは、ネットワーク２０３を介してコンピュータシステム２０１にアクセスし得る。

【0092】

本明細書に記載の方法は、例えば、メモリ２０４又は電子記憶ユニット２０６上など、コンピュータシステム２０１の電子記憶位置上に記憶された機械（例えば、コンピュータプロセッサ）実行可能コードによって実装され得る。機械実行可能コード又は機械可読コードは、ソフトウェアの形態で提供され得る。使用中、コードは、プロセッサ２０５によって実行され得る。いくつかの場合では、コードは、記憶ユニット２０６から取得され、プロセッサ２０５による即時アクセスのためにメモリ２０４上に記憶され得る。いくつかの状況では、電子記憶ユニット２０６を除外してもよく、機械実行可能命令は、メモリ２０４に記憶される。

【0093】

コードは、事前にコンパイルされ、コードを実行するように適合されたプロセッサを有する機械での使用のために構成され得るか、又はランタイム中にコンパイルされ得る。コードは、事前にコンパイルされた又はコンパイルされたままの様式でコードを実行することを可能にするように選択され得るプログラミング言語で提供され得る。

【0094】

コンピュータシステム２０１などの本明細書に提供されるシステム及び方法の態様は、プログラミングで具現化され得る。技術の様々な態様は、典型的には、機械（又はプロセッサ）実行可能コード及び／又は機械可読媒体のタイプで搬送されるか、若しくは具現化される関連データの形態で「製品」又は「製造品」として考えられ得る。機械実行可能コードは、メモリ（例えば、読み取り専用メモリ、ランダムアクセスメモリ、フラッシュメモリ）又はハードディスクなどの電子記憶ユニットに記憶され得る。「記憶」タイプの媒体は、コンピュータ、プロセッサなどの有形メモリのいずれか若しくは全て、又は様々な半導体メモリ、テープドライブ、ディスクドライブなどのそれらの関連するモジュールを含み得、ソフトウェアプログラミングのためにいつでも非一時的な記憶を提供し得る。ソフトウェアの全部又は一部分は、時にはインターネット又は様々な他の通信ネットワークを介して通信され得る。そのような通信は、例えば、一方のコンピュータ又はプロセッサから別のコンピュータ又はプロセッサへ、例えば、管理サーバ又はホストコンピュータからアプリケーションサーバのコンピュータプラットフォームへのソフトウェアのロードを可能にし得る。したがって、ソフトウェア要素を担持し得る別のタイプの媒体は、ローカルデバイス間の物理的インターフェースにわたって、有線及び光地上通信ネットワークを介して、並びに様々なエアリンクにわたって使用されるような、光、電気、及び電磁波を含む。有線又は無線リンク、光リンクなどのそのような波を搬送する物理的要素もまた、ソフトウェアを担持する媒体とみなされ得る。本明細書で使用される場合、非一時的な有形の「記憶」媒体に限定されない限り、コンピュータ又は機械の「読み取り可能媒体」などの用語は、実行のためにプロセッサに命令を提供することに関与する任意の媒体を指す。

【0095】

したがって、コンピュータ実行可能コードなどの機械可読媒体は、有形記憶媒体、搬送波媒体又は物理伝送媒体を含むがこれらに限定されない多くの形態をとり得る。不揮発性記憶媒体は、例えば、図面に示されるデータベースなどを実装するために使用され得るなどの任意のコンピュータ（複数可）などの記憶デバイスのうちのいずれかなどの光ディスク又は磁気ディスクを含む。揮発性記憶媒体は、そのようなコンピュータプラットフォームの主要メモリなどの動的メモリを含む。有形伝送媒体は、コンピュータシステム内のバスを含むワイヤを含む、同軸ケーブル、銅線及び光ファイバを含む。搬送波伝送媒体は、電気若しくは電磁信号、又は無線周波数（ＲＦ）及び赤外線（ＩＲ）データ通信中に生成されたものなどの音響又は光波の形態をとり得る。したがって、コンピュータ可読媒体の一般的な形態としては、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、任意の他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤ若しくはＤＶＤ－ＲＯＭ、任意の他の光学媒体、パンチカード紙テープ、穴のパターンを有する任意の他の物理記憶媒体、ＲＡＭ、ＲＯＭ、ＰＲＯＭ及びＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、任意の他のメモリチップ若しくはカートリッジ、データ若しくは命令を輸送する搬送波、そのような搬送波を輸送するケーブル若しくはリンク、又はコンピュータがプログラミングコード若しくはデータを読み取り得る任意の他の媒体が含まれる。これらの形態のコンピュータ可読媒体の多くは、実行のために１つ以上の命令の１つ以上のシーケンスをプロセッサに搬送することに関与し得る。

【0096】

コンピュータシステム２０１は、電子ディスプレイ２０２を含むか、又はそれと通信し得、これは、本明細書の他箇所で記載されているように、例えば、予測結果の視覚化のためのディスプレイ又は予測モデルを訓練するためのインターフェースを提供するためのユーザインターフェース（ＵＩ）２０９を含む。ＵＩの例としては、グラフィカルユーザインターフェース（ＧＵＩ）及びウェブに基づくユーザインターフェースが挙げられるが、これらに限定されない。

【0097】

本開示の方法及びシステムは、本明細書の他箇所で記載される、１つ以上のアルゴリズム及び／又は予測モデルによって実装され得る。アルゴリズム及び／又は予測モデルは、中央処理ユニット２０５による実行時にソフトウェアによって実装され得る。アルゴリズム及び／又は予測モデルは、例えば、対象のがんを予測し、対象若しくは１個体以上の対象の疾患（例えば、本明細書の他箇所に記載されるがん）を治療するための仕立てられた治療及び／又は治療薬を決定し、対象若しくは１個体以上の対象の疾患（例えば、本明細書の他箇所に記載されるがん）を治療するための治療薬の縦断的経過を予測し得る。

【0098】

実施形態
番号付き実施形態１は、対象の疾患を決定する方法であって、対象の生体試料を提供することと、生体試料の１つ以上の核酸分子を１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって濃縮することと、濃縮された１つ以上の核酸分子を配列決定して、１つ以上の核酸分子配列決定リードを生成することと、予測モデルに濃縮された１つ以上の核酸分子が入力として提供される場合、予測モデルの出力として対象の疾患を決定することと、を含む、方法を含む。番号付き実施形態２は、１つ以上の核酸分子が、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む、番号付き実施形態１に記載の方法を含む。番号付き実施形態３は、疾患が、がん又は非がん性疾患を含む、番号付き実施形態１又は２に記載の方法を含む。番号付き実施形態４は、がんが、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又はそれらの任意の組み合わせを含む、番号付き実施形態１～３のいずれか一項に記載の方法を含む。番号付き実施形態５は、非がん性疾患が、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む、番号付き実施形態１～４のいずれか一項に記載の方法を含む。番号付き実施形態６は、１つ以上の核酸分子配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード及び１つ以上の哺乳類配列決定リードを特定することを更に含む、番号付き実施形態１～５のいずれか一項に記載の方法を含む。番号付き実施形態７は、エピジェネティック特徴が、核酸エピジェネティック特徴を含む、番号付き実施形態１～６のいずれか一項に記載の方法を含む。番号付き実施形態８は、エピジェネティック特徴が、哺乳類核酸エピジェネティック特徴又は非哺乳類核酸エピジェネティック特徴を含む、番号付き実施形態１～７のいずれか一項に記載の方法を含む。番号付き実施形態９は、非哺乳類核酸エピジェネティック特徴が、ホスホロチオエート結合ヌクレオチドを含む、番号付き実施形態１～８のいずれか一項に記載の方法を含む。番号付き実施形態１０は、生体試料が、組織、液体生検試料、又はそれらの組み合わせを含む、番号付き実施形態１～９のいずれか一項に記載の方法を含む。番号付き実施形態１１は、対象が、ヒト又は非ヒト哺乳類を含む、番号付き実施形態１～９のいずれか一項に記載の方法を含む。番号付き実施形態１２は、１つ以上の哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、番号付き実施形態１～１１のいずれか一項に記載の方法を含む。番号付き実施形態１３は、１つ以上の非哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、番号付き実施形態１～１２のいずれか一項に記載の方法を含む。番号付き実施形態１４は、核酸エピジェネティック特徴の親和性標的化が、核酸エピジェネティック特徴を濃縮することを含む、番号付き実施形態１～１３のいずれか一項に記載の方法を含む。番号付き実施形態１５は、核酸エピジェネティック特徴が、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む、番号付き実施形態１～１４のいずれか一項に記載の方法を含む。番号付き実施形態１６は、核酸エピジェネティック特徴が、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む、番号付き実施形態１～１５のいずれか一項に記載の方法を含む。番号付き実施形態１７は、親和性標的化が、特異的親和性試薬を利用して、エピジェネティック特徴に結合する、番号付き実施形態１～１６のいずれか一項に記載の方法を含む。番号付き実施形態１８は、特異的親和性試薬が、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又はそれらの任意の組み合わせを含む、番号付き実施形態１～１７のいずれか一項に記載の方法を含む。番号付き実施形態１９は、組換えエピジェネティックタンパク質が、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含む、番号付き実施形態１～１８のいずれか一項に記載の方法を含む。番号付き実施形態２０は、エピジェネティックリーダーが、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む、番号付き実施形態１～１９のいずれか一項に記載の方法を含む。番号付き実施形態２１は、エピジェネティックリーダーが、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む、番号付き実施形態１～２０のいずれか一項に記載の方法を含む。番号付き実施形態２２は、エピジェネティックリーダーが、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む、番号付き実施形態１～２１のいずれか一項に記載の方法を含む。番号付き実施形態２３は、エピジェネティックライター及びイレーサーが、触媒的に不活性である、番号付き実施形態１～２２のいずれか一項に記載の方法を含む。番号付き実施形態２４は、エピジェネティックリーダー、ライター、及びイレーサーが、エピトープタグを含む、番号付き実施形態１～２３のいずれか一項に記載の方法を含む。番号付き実施形態２５は、エピトープタグが、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含む、番号付き実施形態１～２４のいずれか一項に記載の方法を含む。番号付き実施形態２６は、分子認識モチーフが、ｂｉｒＡ又はソルターゼモチーフを含む、番号付き実施形態１～２５のいずれか一項に記載の方法を含む。番号付き実施形態２７は、１つ以上の哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む、番号付き実施形態１～２６のいずれか一項に記載の方法を含む。番号付き実施形態２８は、特異的親和性試薬が、エピジェネティック特徴を認識し、それに結合するための領域を含む、番号付き実施形態１～２７のいずれか一項に記載の方法を含む。番号付き実施形態２９は、親和性標的化が、生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む、番号付き実施形態１～２８のいずれか一項に記載の方法を含む。番号付き実施形態３０は、複数の固定化された親和性剤が、エピジェネティック特徴に結合するであろう領域を含む、番号付き実施形態１～２９のいずれか一項に記載の方法を含む。番号付き実施形態３１は、固体支持体が、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む、番号付き実施形態１～３０のいずれか一項に記載の方法を含む。番号付き実施形態３２は、フィルタリングが、ゲノムデータベースに対して、１つ以上の哺乳類配列決定リード及び１つ以上の非哺乳類配列決定リードをフィルタリングすることを含む、番号付き実施形態１～３１のいずれか一項に記載の方法を含む。番号付き実施形態３３は、ゲノムデータベースが、ヒトゲノムデータベースである、番号付き実施形態１～３２のいずれか一項に記載の方法を含む。番号付き実施形態３４は、予測モデルが、１個体以上の対象の生体試料の１つ以上の核酸分子及び１個体以上の対象の対応する疾患から決定された１つ以上の哺乳類、１つ以上の非哺乳類、又はそれらの組み合わせの特徴で訓練される、番号付き実施形態１～３３のいずれか一項に記載の方法を含む。番号付き実施形態３５は、１つ以上の哺乳類特徴が、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む、番号付き実施形態１～３４のいずれか一項に記載の方法を含む。番号付き実施形態３６は、１つ以上の哺乳類特徴が、哺乳類機能性遺伝子及び生化学的経路存在量を含む、番号付き実施形態１～３５のいずれか一項に記載の方法を含む。番号付き実施形態３７は、１つ以上の非哺乳類特徴は、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む、番号付き実施形態１～３６のいずれか一項に記載の方法を含む。番号付き実施形態３８は、１つ以上の非哺乳類特徴は、微生物機能性遺伝子及び生化学的経路存在量を含む、番号付き実施形態１～３７のいずれか一項に記載の方法を含む。番号付き実施形態３９は、液体生検試料が、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又はそれらの任意の組み合わせを含む、番号付き実施形態１～３８のいずれか一項に記載の方法を含む。番号付き実施形態４０は、疾患を決定する予測モデルの精度が、生体試料の１つ以上の核酸分子が濃縮されている場合、生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する、番号付き実施形態１～３９のいずれか一項に記載の方法を含む。番号付き実施形態４１は、予測モデルが、対象の疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む、番号付き実施形態１～４０のいずれか一項に記載の方法を含む。番号付き実施形態４２は、訓練された予測モデルの出力が、１つ以上の哺乳類特徴存在量と１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む、番号付き実施形態１～４１のいずれか一項に記載の方法を含む。番号付き実施形態４３は、訓練された予測モデルの入力が、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む、番号付き実施形態１～４２のいずれか一項に記載の方法を含む。番号付き実施形態４４は、予測モデルが、疾患の組織特異的位置で更に訓練される、番号付き実施形態１～４３のいずれか一項に記載の方法を含む。番号付き実施形態４５は、予測モデルが、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される、番号付き実施形態１～４４のいずれか一項に記載の方法を含む。番号付き実施形態４６は、予測モデルが、対象の生体試料の核酸配列決定リードが提供された場合、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する、番号付き実施形態１～４５のいずれか一項に記載の方法を含む。番号付き実施形態４７は、予測モデルが、対象のがん療法応答を出力する、番号付き実施形態１～４６のいずれか一項に
記載の方法を含む。番号付き実施形態４８は、訓練された予測モデルが、対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす対象に対する療法を出力する、番号付き実施形態１～４７のいずれか一項に記載の方法を含む。番号付き実施形態４９は、訓練された予測モデルが、療法、対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、対象のがんの縦断的なモデルを出力する、番号付き実施形態１～４８のいずれか一項に記載の方法を含む。番号付き実施形態５０は、予測モデルが、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去する、番号付き実施形態１～４９のいずれか一項に記載の方法を含む。番号付き実施形態５１は、濃縮することが、１つ以上の核酸分子の合計を、少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％減少させる、番号付き実施形態１～５０のいずれか一項に記載の方法を含む。

【0099】

番号付き実施形態５１は、予測モデルを訓練する方法であって、疾患を有する１個体以上の対象の生体試料を提供することと、生体試料の１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって１個体以上の対象の生体試料を濃縮することと、濃縮された１つ以上の核酸分子を配列決定して、１つ以上の核酸分子配列決定リードを生成することと、予測モデルを１つ以上の核酸分子配列決定リードの１つ以上の特徴及び１個体以上の対象の疾患で訓練することと、を含む、方法を含む。番号付き実施形態５２は、エピジェネティック特徴が、哺乳類エピジェネティック特徴又は非哺乳類エピジェネティック特徴を含む、番号付き実施形態５１に記載の方法を含む。実施形態５３は、１つ以上の特徴が、１つ以上の疾患特徴を含む、番号付き実施形態５１又は５２に記載の方法を含む。番号付き実施形態５４は、訓練された予測モデルに別の１個体以上の対象の生体試料の核酸配列決定リードが提供される場合、訓練された予測モデルが、１個体以上の対象とは異なる別の１個体以上の対象の疾患を決定する、番号付き実施形態５１～５３のいずれか一項に記載の方法を含む。番号付き実施形態５５は、１つ以上の核酸分子が、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む、番号付き実施形態５１～５４のいずれか一項に記載の方法を含む。番号付き実施形態５６は、１つ以上の核酸配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード、１つ以上の哺乳類配列決定リード、又はそれらの組み合わせを特定することを更に含む、番号付き実施形態５１～５５のいずれか一項に記載の方法を含む。番号付き実施形態５７は、エピジェネティック特徴が、核酸エピジェネティック特徴を含む、番号付き実施形態５１～５６のいずれか一項に記載の方法を含む。番号付き実施形態５８は、生体試料が、組織、液体生検試料、又はそれらの組み合わせを含む、番号付き実施形態５１～５７のいずれか一項に記載の方法を含む。番号付き実施形態５８は、１個体以上の対象が、ヒト又は非ヒト哺乳類である、番号付き実施形態５１～５７のいずれか一項に記載の方法を含む。番号付き実施形態５９は、１つ以上の哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～５８のいずれか一項に記載の方法を含む。番号付き実施形態６０は、１つ以上の非哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～５９のいずれか一項に記載の方法を含む。番号付き実施形態６１は、核酸エピジェネティック特徴の親和性標的化が、核酸エピジェネティック特徴を濃縮することを含む、番号付き実施形態５１～６０のいずれか一項に記載の方法を含む。番号付き実施形態６２は、核酸エピジェネティック特徴が、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む、番号付き実施形態５１～６１のいずれか一項に記載の方法を含む。番号付き実施形態６３は、核酸エピジェネティック特徴が、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～６２のいずれか一項に記載の方法を含む。番号付き実施形態６４は、親和性標的化が、特異的親和性試薬を利用して、エピジェネティック特徴に結合する、番号付き実施形態５１～６３のいずれか一項に記載の方法を含む。番号付き実施形態６５は、特異的親和性試薬が、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～６４のいずれか一項に記載の方法を含む。番号付き実施形態６６は、組換えエピジェネティックタンパク質が、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～６５のいずれか一項に記載の方法を含む。番号付き実施形態６７は、エピジェネティックリーダーが、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む、番号付き実施形態５１～６６のいずれか一項に記載の方法を含む。番号付き実施形態６８は、エピジェネティックリーダーが、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む、番号付き実施形態５１～６７のいずれか一項に記載の方法を含む。番号付き実施形態６９は、エピジェネティックライター及びイレーサーが、触媒的に不活性である、番号付き実施形態５１～６８のいずれか一項に記載の方法を含む。番号付き実施形態７０は、エピジェネティックリーダー、ライター、及びイレーサーが、エピトープタグを含む、番号付き実施形態５１～６９のいずれか一項に記載の方法を含む。番号付き実施形態７１は、エピトープタグが、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～７０のいずれか一項に記載の方法を含む。番号付き実施形態７２は、分子認識モチーフが、ｂｉｒＡ又はソルターゼモチーフを含む、番号付き実施形態５１～７１のいずれか一項に記載の方法を含む。番号付き実施形態７３は、１つ以上の哺乳類核酸分子及び１つ以上の非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む、番号付き実施形態５１～７２のいずれか一項に記載の方法を含む。番号付き実施形態７４は、特異的親和性試薬が、エピジェネティック特徴を認識し、それに結合するための領域を含む、番号付き実施形態５１～７３のいずれか一項に記載の方法を含む。番号付き実施形態７５は、親和性標的化が、生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む、番号付き実施形態５１～７４のいずれか一項に記載の方法を含む。番号付き実施形態７６は、複数の固定化された親和性剤が、エピジェネティック特徴に結合するであろう領域を含む、番号付き実施形態５１～７５のいずれか一項に記載の方法を含む。番号付き実施形態７７は、固体支持体が、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～７６のいずれか一項に記載の方法を含む。番号付き実施形態７８は、フィルタリングが、ゲノムデータベースに対して、１つ以上の哺乳類及び非哺乳類配列決定リードをフィルタリングすることを含む、番号付き実施形態５１～７７のいずれか一項に記載の方法を含む。番号付き実施形態７９は、ゲノムデータベースが、ヒトゲノムデータベースである、番号付き実施形態５１～７８のいずれか一項に記載の方法を含む。番号付き実施形態８０は、１つ以上の特徴が、１つ以上の哺乳類特徴、１つ以上の非哺乳類特徴、又はそれらの組み合わせを含む、番号付き実施形態５１～７９のいずれか一項に記載の方法を含む。番号付き実施形態８１は、１つ以上の哺乳類特徴が、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む、番号付き実施形態５１～８０のいずれか一項に記載の方法を含む。番号付き実施形態８２は、１つ以上の哺乳類特徴が、哺乳類機能性遺伝子及び生化学的経路存在量を含む、番号付き実施形態５１～８１のいずれか一項に記載の方法を含む。番号付き実施形態８３は、１つ以上の非哺乳類特徴が、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む、番号付き実施形態５１～８２のいずれか一項に記載の方法を含む。番号付き実施形態８４は、１つ以上の非哺乳類特徴は、微生物機能性遺伝子及び生化学的経路存在量を含む、番号付き実施形態５１～８３のいずれか一項に記載の方法を含む。番号付き実施形態８５は、液体生検試料が、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～８４のいずれか一項に記載の方法を含む。番号付き実施形態８６は、疾患が、がん又は非がん性疾患を含む、番号付き実施形態５１～８５のいずれか一項に記載の方法を含む。番号付き実施形態８７は、疾患を決定する予測モデルの精度が、生体試料の１つ以上の核酸分子が濃縮されている場合、生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する、番号付き実施形態５１～８６のいずれか一項に記載の方法を含む。番号付き実施形態８８は、予測モデルが、別の１個体以上の対象の疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む、番号付き実施形態５１～８７のいずれか一項に記載の方法を含む。番号付き実施形態８９は、非哺乳類核酸エピジェネティック特徴が、ホスホロチオエート結合ヌクレオチドを含む、番号付き実施形態５１～８８のいずれか一項に記載の方法を含む。番号付き実施形態９０は、エピジェネティックリーダーが、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む、番号付き実施形態５１～８９のいずれか一項に記載の方法を含む。番号付き実施形態９１は、訓練された予測モデルの出力が、１つ以上の哺乳類特徴存在量と１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む、番号付き実施形態５１～９０のいずれか一項に記載の方法を含む。番号付き実施形態９２は、訓練された予測モデルの入力が、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上からのエピゲノム存在量情報を含む、番号付き実施形態５１～９１のいずれか一項に記載の方法を含む。番号付き実施形態９３は、予測モデルが、疾患の組織特異的位置で更に訓練される、番号付き実施形態５１～９２のいずれか一項に記載の方法を含む。番号付き実施形態９４は、予測モデルが、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される、番号付き実施形態５１～９３のいずれか一項に記載の方法を含む。番号付き実施形態９５は、予測モデルが、別の１個体以上の対象の生体試料の核酸配列決定リードが提供される場合、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する、番号付き実施形態５１～９４のいずれか一項に記載の方法を含む。番号付き実施形態９６は、訓練された予測モデルが、別の１個体以上の対象のがん療法応答を出力する、番号付き実施形態５１～９５のいずれか一項に記載の方法を含む。番号付き実施形態９７は、訓練された予測モデルが、別の１個体以上の対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす別の１個体以上の対象に対する療法を出力する、番号付き実施形態
５１～９６のいずれか一項に記載の方法を含む。番号付き実施形態９８は、訓練された予測モデルが、療法、対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、別の１個体以上の対象のがんの縦断的なモデルを出力する、番号付き実施形態５１～９７のいずれか一項に記載の方法を含む。番号付き実施形態９９は、がんが、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又はそれらの任意の組み合わせを含む、番号付き実施形態５１～９８のいずれか一項に記載の方法を含む。番号付き実施形態１００は、予測モデルが、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去するように構成される、番号付き実施形態５１～９９のいずれか一項に記載の方法を含む。番号付き実施形態１０１は、非がん性疾患が、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む、番号付き実施形態５１～１００のいずれか一項に記載の方法を含む。番号付き実施形態１０２は、濃縮することが、１つ以上の核酸分子の合計を、少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％減少させる、番号付き実施形態５１～１０１のいずれか一項に記載の方法を含む。

【0100】

番号付き実施形態１０３は、対象の疾患を決定するコンピュータシステムであって、１つ以上のプロセッサと、ソフトウェアを含む非一時的コンピュータ可読記憶媒体と、を含み、ソフトウェアが、実行の結果として、コンピュータシステムの１つ以上のプロセッサに、（ｉ）対象の生体試料の１つ以上の核酸分子の１つ以上の核酸分子配列決定リードを受信することであって、１つ以上の核酸分子が、１つ以上の核酸分子に共通するエピジェネティック特徴の親和性標的化によって濃縮される、受信することと、（ｉｉ）予測モデルに１つ以上の核酸分子配列決定が提供される場合、予測モデルの出力として対象の疾患を決定することと、を行わせる実行可能命令を備える、コンピュータシステムを含む。番号付き実施形態１０４は、１つ以上の核酸分子が、１つ以上の哺乳類核酸分子、１つ以上の非哺乳類核酸分子、又はそれらの組み合わせを含む、番号付き実施形態１０３に記載のシステムを含む。番号付き実施形態１０５は、疾患が、がん又は非がん性疾患を含む、番号付き実施形態１０３又は１０４に記載のシステムを含む。番号付き実施形態１０６は、がんが、急性骨髄性白血病、副腎皮質がん、膀胱尿路上皮がん、脳低悪性度神経膠腫、乳房浸潤がん、子宮頸部扁平上皮がん及び子宮頸管腺がん、胆管がん、結腸腺がん、食道がん、多形性神経膠芽腫、頭頸部扁平上皮がん、腎臓嫌色素性細胞、腎臓腎明細胞がん、腎臓腎乳頭細胞がん、肝臓肝細胞がん、肺腺がん、肺扁平上皮がん、リンパ腫瘍びまん性大細胞型Ｂ細胞リンパ腫、中皮腫、卵巣漿液性嚢胞腺がん、膵臓腺がん、褐色細胞腫及び傍神経節腫、前立腺腺がん、直腸腺がん、肉腫、皮膚皮膚黒色腫、胃腺がん、精巣胚細胞腫瘍、胸腺腫、甲状腺がん、子宮がん肉腫、子宮体部子宮内膜がん、ブドウ膜黒色腫、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１０５のいずれか一項に記載のシステムを含む。番号付き実施形態１０７は、非がん性疾患が、エリテマトーデス、２型糖尿病、慢性閉塞性肺疾患（ＣＯＰＤ）、サルコイドーシス、又はそれらの任意の組み合わせの非がん疾患を含む、番号付き実施形態１０３～１０６のいずれか一項に記載のシステムを含む。番号付き実施形態１０８は、実行可能命令は、１つ以上の核酸分子配列決定リードをフィルタリングして、１つ以上の非哺乳類配列決定リード及び１つ以上の哺乳類配列決定リードを特定することを更に含む、番号付き実施形態１０３～１０７のいずれか一項に記載のシステムを含む。番号付き実施形態１０９は、エピジェネティック特徴が、核酸エピジェネティック特徴を含む、番号付き実施形態１０３～１０８のいずれか一項に記載のシステムを含む。番号付き実施形態１１０は、エピジェネティック特徴が、哺乳類核酸エピジェネティック特徴又は非哺乳類核酸エピジェネティック特徴を含む、番号付き実施形態１０３～１０９のいずれか一項に記載のシステムを含む。番号付き実施形態１１１は、非哺乳類核酸エピジェネティック特徴が、ホスホロチオエート結合ヌクレオチドを含む、番号付き実施形態１０３～１１０のいずれか一項に記載のシステムを含む。番号付き実施形態１１２は、生体試料が、組織、液体生検試料、又はそれらの組み合わせを含む、番号付き実施形態１０３～１１１のいずれか一項に記載のシステムを含む。番号付き実施形態１１３は、対象が、ヒト又は非ヒト哺乳類である、番号付き実施形態１０３～１１２のいずれか一項に記載のシステムを含む。番号付き実施形態１１４は、１つ以上の哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１１３のいずれか一項に記載のシステムを含む。番号付き実施形態１１５は、１つ以上の非哺乳類核酸分子が、ＤＮＡ、ＲＮＡ、無細胞ＤＮＡ、無細胞ＲＮＡ、エクソソームＤＮＡ、エクソソームＲＮＡ、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１１４のいずれか一項に記載のシステムを含む。番号付き実施形態１１６は、核酸エピジェネティック特徴の親和性標的化が、核酸エピジェネティック特徴を濃縮することを含む、番号付き実施形態１０３～１１５のいずれか一項に記載のシステムを含む。番号付き実施形態１１７は、核酸エピジェネティック特徴が、メチル化ＣｐＧジヌクレオチド対、非メチル化ＣｐＧジヌクレオチド対、又はそれらの組み合わせを含む、番号付き実施形態１０３～１１６のいずれか一項に記載のシステムを含む。番号付き実施形態１１８は、核酸エピジェネティック特徴が、核酸塩基５－メチルシトシン、５－ヒドロキシメチルシトシン、Ｎ４－アセチルシトシン、Ｎ６－メチルアデニン、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１１７のいずれか一項に記載のシステムを含む。番号付き実施形態１１９は、親和性標的化が、特異的親和性試薬を利用して、エピジェネティック特徴に結合する、番号付き実施形態１０３～１１８のいずれか一項に記載のシステムを含む。番号付き実施形態１２０は、特異的親和性試薬が、ストレプトアビジン、ＮｅｕｔｒＡｖｉｄｉｎ、ポリクローナル、モノクローナル、組換え抗体、アプタマー、組換えエピジェネティックタンパク質、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１１９のいずれか一項に記載のシステムを含む。番号付き実施形態１２１は、組換えエピジェネティックタンパク質が、エピジェネティックリーダー、ライター、イレーサー、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１２０のいずれか一項に記載のシステムを含む。番号付き実施形態１２２は、エピジェネティックリーダーが、組換えメチル－ＣｐＧ結合タンパク質Ｍｅｃｐ２、Ｍｂｄ１－６、ＳＥＴＤＢ１、ＳＥＴＤＢ２、ＴＩＰ５／ＢＡＺ２Ａ、Ｚｂｔｂ３８、Ｋａｉｓｏ、Ｚｂｔｂ４、Ｎｐ９５、Ｎｐ９７、又はそれらに由来する組換えメチル結合ドメインを含む、番号付き実施形態１０３～１２１のいずれか一項に記載のシステムを含む。番号付き実施形態１２３は、エピジェネティックリーダーが、組換えジンクフィンガーＣＸＸＣドメイン含有タンパク質ＫＤＭ２Ａ、ＫＤＭ２Ａ、ＫＤＭ２Ｂ、ＦＢＸＬ１９、ＣＦＰ１、ＤＮＭＴ１、ＭＬＬ１、ＭＬＬ２、ＭＤＢ１、ＴＥＴ１、ＴＥＴ３、ＩＤＡＸ、ＣＸＸＣ５、ＣＧＢＰ、又はそれらに由来する組換えＣＸＸＣドメインを含む、番号付き実施形態１０３～１２２のいずれか一項に記載のシステムを含む。番号付き実施形態１２４は、エピジェネティックリーダーが、微生物タンパク質Ｄａｍ、ＣｃｒＭ、ＭｏｄＡ１３、ＳｐｎＤ３９ＩＩＩ、Ｄｃｍ、ＪＨＰ１０５０、Ｍ２．Ｈｐｙ．ＡＩＩ、又はそれらに由来する組換えメチル結合ドメインを含む、番号付き実施形態１０３～１２３のいずれか一項に記載のシステムを含む。番号付き実施形態１２５は、エピジェネティックライター及びイレーサーが、触媒的に不活性である、番号付き実施形態１０３～１２４のいずれか一項に記載のシステムを含む。番号付き実施形態１２６は、エピジェネティックリーダー、ライター、及びイレーサーが、エピトープタグを含む、番号付き実施形態１０３～１２５のいずれか一項に記載のシステムを含む。番号付き実施形態１２７は、エピトープタグが、Ｎ末端若しくはＣ末端６×ヒスチジンタグ、緑色蛍光タンパク質（ＭＡ）、ｍｙｃ、ヘマグルチニン（ＨＡ）、Ｆｃ融合体、分子認識モチーフ、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１２６のいずれか一項に記載のシステムを含む。番号付き実施形態１２８は、分子認識モチーフが、ｂｉｒＡ又はソルターゼモチーフを含む、番号付き実施形態１０３～１２７のいずれか一項に記載のシステムを含む。番号付き実施形態１２９は、１つ以上の哺乳類及び非哺乳類核酸分子を固体支持体によって濃縮することを更に含み、固体支持体が、エピトープタグに対する固定化された相補的な抗体を含む、番号付き実施形態１０３～１２８のいずれか一項に記載のシステムを含む。番号付き実施形態１３０は、特異的親和性試薬が、エピジェネティック特徴を認識し、それに結合するための領域を含む、番号付き実施形態１０３～１２９のいずれか一項に記載のシステムを含む。番号付き実施形態１３１は、親和性標的化が、生体試料を、複数の固定化された親和性剤を含む固体支持体とインキュベートすることを含む、番号付き実施形態１０３～１３０のいずれか一項に記載のシステムを含む。番号付き実施形態１３２は、複数の固定化された親和性剤が、エピジェネティック特徴に結合するであろう領域を含む、番号付き実施形態１０３～１３１のいずれか一項に記載のシステムを含む。番号付き実施形態１３３は、固体支持体が、磁性ビーズ、アガロースビーズ、非磁性ラテックス、機能化セファロース、ｐＨ感受性ポリマー、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１３２のいずれか一項に記載のシステムを含む。番号付き実施形態１３４は、フィルタリングが、ゲノムデータベースに対して、１つ以上の哺乳類配列決定リード及び１つ以上の非哺乳類配列決定リードをフィルタリングすることを含む、番号付き実施形態１０３～１３３のいずれか一項に記載のシステムを含む。番号付き実施形態１３５は、ゲノムデータベースが、ヒトゲノムデータベースである、番号付き実施形態１０３～１３４のいずれか一項に記載のシステムを含む。番号付き実施形態１３６は、予測モデルが、１個体以上の対象の生体試料の１つ以上の核酸分子及び１個体以上の対象の対応する疾患から決定された１つ以上の哺乳類、１つ以上の非哺乳類、又はそれらの組み合わせの特徴で訓練される、番号付き実施形態１０３～１３５のいずれか一項に記載のシステムを含む。番号付き実施形態１３７は、１つ以上の哺乳類特徴が、哺乳類ゲノム座標又は注釈付きゲノム遺伝子座、及びそれに関連するいくつかの配列決定リードを含む、番号付き実施形態１０３～１３６のいずれか一項に記載のシステムを含む。番号付き実施形態１３８は、１つ以上の哺乳類特徴が、哺乳類機能性遺伝子及び生化学的経路存在量を含む、番号付き実施形態１０３～１３７のいずれか一項に記載のシステムを含む。番号付き実施形態１３９は、１つ以上の非哺乳類特徴が、微生物分類学的割り当て及びそれに関連するいくつかの配列決定リードを含む、番号付き実施形態１０３～１３８のいずれか一項に記載のシステムを含む。番号付き実施形態１４０は、１つ以上の非哺乳類特徴が、微生物機能性遺伝子及び生化学的経路存在量を含む、番号付き実施形態１０３～１３９のいずれか一項に記載のシステムを含む。番号付き実施形態１４１は、液体生検試料が、血漿、血清、全血、尿、脳脊髄液、唾液、汗、涙、呼気凝縮液、又はそれらの任意の組み合わせを含む、番号付き実施形態１０３～１４０のいずれか一項に記載のシステムを含む。番号付き実施形態１４２は、疾患を決定する予測モデルの精度が、生体試料の１つ以上の核酸分子が濃縮されている場合、生体試料の１つ以上の核酸分子が濃縮されていない場合と比較して、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約８５％、少なくとも約９０％、又は少なくとも約９５％増加する、番号付き実施形態１０３～１４１のいずれか一項に記載のシステムを含む。番号付き実施形態１４３は、予測モデルが、対象の疾患を決定する場合、少なくとも約０．７０、少なくとも約０．８０、少なくとも約０．８５、少なくとも約０．９０、又は少なくとも約０．９５の曲線下面積を含む、番号付き実施形態１０３～１４２のいずれか一項に記載のシステムを含む。番号付き実施形態１４４は、訓練された予測モデルの出力が、１つ以上の哺乳類特徴存在量と１つ以上の非哺乳類特徴存在量との組み合わせの分析を含む、番号付き実施形態１０３～１４３のいずれか一項に記載のシステムを含む。番号付き実施形態１４５は、訓練された予測モデルの入力が、以下の生物界：哺乳類、細菌、古細菌、真菌、及び／又はウイルスのうちの１つ以上
からのエピゲノム存在量情報を含む、番号付き実施形態１０３～１４４のいずれか一項に記載のシステムを含む。番号付き実施形態１４６は、予測モデルが、疾患の組織特異的位置で更に訓練される、番号付き実施形態１０３～１４５のいずれか一項に記載のシステムを含む。番号付き実施形態１４７は、予測モデルが、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせで更に訓練される、番号付き実施形態１０３～１４６のいずれか一項に記載のシステムを含む。番号付き実施形態１４８は、予測モデルが、対象の生体試料の核酸配列決定リードが提供された場合、がんのタイプ、サブタイプ、病期、予後、又はそれらの任意の組み合わせを出力する、番号付き実施形態１０３～１４７のいずれか一項に記載のシステムを含む。番号付き実施形態１４９は、予測モデルが、対象のがん療法応答を出力する、番号付き実施形態１０３～１４８のいずれか一項に記載のシステムを含む。番号付き実施形態１５０は、訓練された予測モデルが、対象のがん領域の少なくとも約５％、少なくとも約１０％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、又は少なくとも約９５％の減少をもたらす対象に対する療法を出力する、番号付き実施形態１０３～１４９のいずれか一項に記載のシステムを含む。番号付き実施形態１５１は、訓練された予測モデルが、療法、対象のがんを治療するための療法への調整、又はそれらの組み合わせに応答して、対象のがんの縦断的なモデルを出力する、番号付き実施形態１０３～１５０のいずれか一項に記載のシステムを含む。番号付き実施形態１５２は、予測モデルが、他の非夾雑非哺乳類特徴を選択的に保持しながら、夾雑非哺乳類特徴を除去する、番号付き実施形態１０３～１５１のいずれか一項に記載のシステムを含む。番号付き実施形態１５３は、濃縮された核酸が、濃縮前の１つ以上の核酸分子の少なくとも約５％、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約３０％、少なくとも約４０％、少なくとも約５０％、少なくとも約６０％、少なくとも約７０％、少なくとも約８０％、少なくとも約９０％、少なくとも約９５％、少なくとも約９７％、少なくとも約９８％、又は少なくとも約９９％の減少を含む、番号付き実施形態１０３～１５２のいずれか一項に記載のシステムを含む。

【実施例】

【0101】

実施例１：５－ヒドロキシメチルシトシン微生物エピジェネティックバイオマーカーの発見及びがん診断モデルの評価
図５Ａ～図５Ｄは、５－ヒドロキシメチルシトシン（５ｈｍＣ）微生物エピジェネティックバイオマーカーの発見及びがん診断モデルの評価の研究の実験パラメータ及び得られる分類精度を示す。図５Ａは、５－ヒドロキシルメチルシトシン濃縮配列決定データが得られた無細胞ＤＮＡ研究、及び配列決定データに存在する試料タイプを示す。次いで、得られた非ヒト配列決定データを、微生物ゲノムの参照データベース（「ｒｅｐ２０６」）にアラインメントした。図５Ｂに、非ヒトリードのアラインメントのデータセットを示す。図５Ｃは、アラインメントされたデータセットに存在する膵臓がん試料の臨床的詳細を示す。次いで、機械学習モデルを、図５Ｄに示される膵臓がん患者及び健康な個体からの５ｈｍＣ濃縮微生物核酸に対して訓練した（「５ｈｍＣ試料」ＲＯＣ曲線、左；「入力試料」ＲＯＣ曲線は、濃縮されていない核酸から生成された）。試料数が少ないため、試料特徴セットのより伝統的な７０／３０の訓練－試験分割の代わりに、一つ抜き（ｌｅａｖｅ－ｏｎｅ－ｏｕｔ）（ＬＯＯ）交差検証を行った。図５Ｅは、データセットに存在する肺がん試料の臨床的詳細を示す。図５Ｆは、肺がん患者及び健康な個体からの５ｈｍＣ濃縮微生物核酸に対して訓練された機械学習モデルの性能を示す。図５Ｄと同様に、ＬＯＯを利用して、肺がん分類器を開発した。

【0102】

図６Ａは、５－ヒドロキシルメチルシトシン濃縮配列決定データが得られた無細胞ＤＮＡ研究、及びそこに存在する試料タイプを示す。図６Ｂは、様々ながんタイプ及び健康な個体からの５ｈｍＣ濃縮された微生物核酸で訓練されたランダムフォレスト機械学習分類器の性能を示す。各がんタイプ対健康についてのＲＯＣ曲線は、それぞれのＲＯＣ曲線上に指定されたがんタイプで与えられる。図６Ｃは、結腸がん及び胃がんからの５ｈｍＣ濃縮微生物核酸、並びに結腸がん及び胃がんからの良性腫瘍に対して訓練されたランダムフォレスト機械学習分類器の性能を示す。図６Ｄは、図６Ｃからの同じ試料に対して訓練されたランダムフォレスト機械学習分類器の性能を示す。しかしながら、この例では、微生物５ｈｍＣ特徴セットは、特定の微生物界（すなわち、細菌、真菌、及びウイルス）に限定され、それによって、３つの生物界全てが、がん対良性の判別力を有する５ｈｍＣを有する特徴を含有することを実証した。

【0103】

実施例２：ｈＭｅＤＩＰ－ｓｅｑ法による５ｈｍＣ陽性微生物ゲノム領域の特定
５ｈｍＣの濃縮は、Ａｃｔｉｖｅ ＭｏｔｉｆのｈＭｅＤＩＰキット（＃５５０１０）を使用して、製造業者のプロトコルに従って行う。簡潔に述べると、３～５μｇのヒト脳ＤＮＡ（Ｚｙａｇｅｎ ＃ＨＧ０２０１）、Ｐｓｅｕｄｏｍｏｎａｓ ａｅｒｕｇｉｎｏｓａ株ＰＡＯ１－ＬＡＣ ＤＮＡ（ＡＴＣＣ ＃４７０８５Ｄ－５）、Ｅｓｃｈｅｒｉｃｈｉａ ｃｏｌｉ株ＥＤＬ９３３ ＤＮＡ（ＡＴＣＣ ＃７００９２７Ｄ－５）、及びＢａｃｉｌｌｕｓ ｓｕｂｔｉｌｉｓ株１６８ ＤＮＡ（ＡＴＣＣ ＃２３８５７Ｄ－５）を、酵素消化を使用して（酵素断片化のためのＲｏｃｈｅのＫＡＰＡ ｆｒａｇキット、＃０７９６２５１７００１）、製造業者のプロトコルに従って断片化する。試料を３７℃で８分間インキュベーションし、その後、ＡＭＰｕｒｅ ＸＰビーズ（Ｂｅｃｋｍａｎ Ｃｏｕｌｔｅｒ ＃Ａ６３８８１）を使用して精製する。断片化ＤＮＡを、Ｑｕｂｉｔ１×ｄｓＤＮＡ ＨＳアッセイキット（ＴｈｅｒｍｏＦｉｓｈｅｒ ＃Ｑ３３２３１）を使用して定量化し、断片化プロファイルを、ＴａｐｅＳｔａｔｉｏｎゲノム（Ａｇｉｌｅｎｔ ＃５０６７－５３６５）及びＤ１０００（Ａｇｉｌｅｎｔ ＃５０６７－５５８２）テープを使用して可視化する。１００ｎｇの断片化されたヒト脳ｇＤＮＡ及び５００ｎｇのＰｓｅｕｄｏｍｏｎａｓ ａｅｒｕｇｉｎｏｓａ、Ｅｓｃｈｅｒｉｃｈｉａ ｃｏｌｉ、及びＢａｃｉｌｌｕｓ ｓｕｂｔｉｌｉｓからのＤＮＡを、４μｇのウサギ抗５ｈｍＣ抗体又は対照ＩｇＧのいずれかと、４℃で一晩回転させながらインキュベートする。材料の１０％（それぞれ１０ｎｇ及び５０ｎｇ）を入力として留保し、下流の精製及び分析まで、－８０℃で保存する。２５μＬのＰｉｅｒｃｅプロテインＡ／Ｇプラスアガロースビーズ（ＴｈｅｒｍｏＦｉｓｈｅｒ ＃２０４２３）を添加し、試料を室温で２時間回転させ、続いて、製造業者のプロトコルに示されているように洗浄することによって、タンパク質－抗体複合体を捕捉する。捕捉された抗体－タンパク質複合体を、ＳＤＳ媒介溶出を使用して、ビーズから溶出する。同様に、等量の溶出緩衝液も入力に追加する。溶出された免疫沈降（ＩＰ）材料及びそれらのそれぞれの入力を、Ｑｉａｇｅｎ ＭｉｎＥｌｕｔｅカラムを使用して精製する。次いで、それらをｑＰＣＲベースのＱＣ分析にかけて、ＩＰ効率を評価し、その後、ライブラリを調製する。

【0104】

２Ｓ（商標）Ｐｌｕｓ ＤＮＡライブラリキット（ＩＤＴ ＃１０００９８７８）及び２Ｓ（商標）ＭＩＤアダプタセットＡ＋Ｂ（ＩＤＴ ＃１０００９９０２）を使用して、製造業者のプロトコルに従ってライブラリを調製する。簡潔に述べると、入力及びＩＰを増幅するために、それぞれ９回及び１４回のＰＣＲサイクルを使用した。最終ライブラリを、２５μＬの体積で溶出する。最終ライブラリは、ＫＡＰＡライブラリ定量キット（Ｒｏｃｈｅ ＃０７９６０１４０００１）及びＱｕｂｉｔ １×ｄｓＤＮＡ ＨＳアッセイキットを使用して定量化し、ＴａｐｅＳｔａｔｉｏｎ Ｄ１０００テープを使用して可視化する。それらは、Ｐ３ケミストリー（Ｉｌｌｕｍｉｎａ ＃２００４０５６１）を使用して、ＮｅｘｔＳｅｑ２０００上でペアエンド（１５０×１５０ ８×０）配列決定する。ゲノム全体の５ｈｍＣの濃縮は、ＭｅＤＩＰＳパッケージを介して計算的に特定する（Ｌｉｅｎｈａｒｄ，Ｍ．，Ｇｒｉｍｍ，Ｃ．，Ｍｏｒｋｅｌ，Ｍ．，Ｈｅｒｗｉｇ，Ｒ．，＆ Ｃｈａｖｅｚ，Ｌ．（２０１４）．ＭＥＤＩＰＳ：ｇｅｎｏｍｅ－ｗｉｄｅ ｄｉｆｆｅｒｅｎｔｉａｌ ｃｏｖｅｒａｇｅ ａｎａｌｙｓｉｓ ｏｆ ｓｅｑｕｅｎｃｉｎｇ ｄａｔａ ｄｅｒｉｖｅｄ ｆｒｏｍ ＤＮＡ ｅｎｒｉｃｈｍｅｎｔ ｅｘｐｅｒｉｍｅｎｔｓ．Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ（Ｏｘｆｏｒｄ，Ｅｎｇｌａｎｄ），３０（２），２８４－２８６．ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１０９３／ｂｉｏｉｎｆｏｒｍａｔｉｃｓ／ｂｔｔ６５０）ここでは、非免疫沈降入力対照で見出されるリード数よりも、目的のゲノム遺伝子座での配列決定リードの統計的に有意な増加が計算され、表にされる。

【0105】

定義
別途定義されない限り、本明細書で使用される全ての技術用語、表記法、並びに他の技術用語及び科学用語又は専門用語は、請求される主題が関連する技術分野の当業者によって一般的に理解されるものと同じ意味を有することが意図される。いくつかの場合では、一般的に理解される意味を有する用語は、明瞭さ及び／又は容易に参照するために本明細書に定義され、そのような定義を本明細書に含めることは、必ずしも当該技術分野で一般的に理解されるものとの実質的な違いを表すと解釈されるべきではない。

【0106】

本出願全体を通じて、様々な実施形態は、範囲形式で提示され得る。範囲形式での説明は、単に便宜及び簡潔のためであり、本開示の範囲に対する柔軟性のない限定として解釈されるべきでないことを理解されたい。したがって、範囲の記載は、全ての可能な部分範囲並びにその範囲内の個々の値を具体的に開示しているとみなされるべきである。例えば、１～６などの範囲の記載は、１～３、１～４、１～５、２～４、２～６、３～６などの部分範囲、並びにその範囲内の個々の数字、例えば、１、２、３、４、５、及び６などを具体的に開示しているとみなされるべきである。これは、範囲の幅に関係なく適用される。

【0107】

本明細書及び特許請求の範囲で使用される場合、「ａ」、「ａｎ」及び「ｔｈｅ」という単数形は、別段文脈が明らかに指示しない限り、複数の指示対象を含む。例えば、「試料（ａ ｓａｍｐｌｅ）」という用語は、それらの混合物を含む、複数の試料を含む。

【0108】

「決定すること」、「測定すること」、「評価すること（ｅｖａｌｕａｔｉｎｇ）」、「評価すること（ａｓｓｅｓｓｉｎｇ）」、「アッセイすること」、及び「分析すること」という用語は、多くの場合、測定の形態を指すために本明細書で互換的に使用される。これらの用語は、要素が存在するか否かを決定すること（例えば、検出）を含む。これらの用語は、定量的、定性的、又は定量的及び定性的決定を含み得る。評価することは、相対的又は絶対的であり得る。「の存在を検出すること」は、文脈に応じて、それが存在するか存在しないかを決定することに加えて、存在するものの量を決定することを含み得る。

【0109】

「対象」、「個体」、又は「患者」という用語は、本明細書では互換的に使用される。「対象」は、発現された遺伝物質を含有する生物学的実体であり得る。生物学的実体は、例えば、細菌、ウイルス、真菌、及び原生動物を含む、植物、動物、又は微生物であり得る。対象は、インビボで得られた、又はインビトロで培養された生物学的実体の組織、細胞、及びそれらの子孫であり得る。対象は、哺乳動物であり得る。哺乳動物は、ヒトであり得る。対象は、疾患のリスクが高いと診断されるか、又は疑われ得る。いくつかの場合では、対象は、必ずしも疾患のリスクが高いと診断されるか、又は疑われるわけではない。

【0110】

「エピジェネティック特徴」という用語は、化学物質又は環境要因によって導入される核酸修飾とは対照的に、細胞の生化学的機構（酵素）によって組み込まれるか又は除去される核酸に対する遺伝的かつ可逆的な化学修飾を説明するために使用される。これはまた、感染プロセス中に宿主細胞の酵素機構のウイルス動員及び／又はウイルス酵素を介して産生されるウイルス核酸への化学修飾にも適用される。

【0111】

「メタエピジェネティック」及び「メタエピゲノム」という用語は、複数の生物界からの核酸の分析に由来する核酸配列決定データなどのエピジェネティックデータを組み合わせた分析を説明するために使用される。これらの例では、配列決定データは、標的化されたエピジェネティック特徴を有する核酸を濃縮するために、１つ以上のエピジェネティック特徴を用いた核酸の濃縮に由来する。

【0112】

「エピジェネティックライター」という用語は、特定のヌクレオチド修飾を組み込むために必要な生化学的反応（複数可）を行う酵素を説明するために使用される。例えば、哺乳類ＤＮＡメチルトランスフェラーゼは、ゲノム内の選択されたシトシンヌクレオチドにメチル基を組み込む「エピジェネティックライター」である。

【0113】

「エピジェネティックリーダー」という用語は、エピジェネティックマークを認識し、問題のエピジェネティックマークの認識に依存する細胞事象又は転写事象を促進／調整することができるタンパク質を説明するために使用される。

【0114】

「エピジェネティックイレーサー」という用語は、特定のヌクレオチド修飾を除去するために必要な生化学的反応（複数可）を行う酵素を説明するために使用される。

【0115】

「分類学的存在量」という用語は、各試料における特定された微生物分類群に割り当てることができるいくつかの配列決定リードを説明するために使用される。

【0116】

「生物界間」という用語は、２つ以上の分類学的生物界（ここでは、哺乳類、細菌、古細菌、真菌、及びウイルス）からの生物学的又は分子的なデータ又は特徴を組み合わせる分析を説明するために使用される。

【0117】

「インビボ」という用語は、対象の体内で起こる事象を説明する。

【0118】

「エクスビボ」という用語は、対象の体外で起こる事象を説明する。エクスビボアッセイは、対象に対して実施されない。むしろ、それは、対象とは別の試料に対して実施される。試料に対して実施されるエクスビボアッセイの例は、「インビトロ」アッセイである。

【0119】

「インビトロ」という用語は、材料が得られる生物源から分離されるように、実験室試薬を保持するための容器内で起こる事象を説明するために使用される。インビトロアッセイは、生細胞又は死細胞が用いられる細胞ベースのアッセイを包含することができる。インビトロアッセイはまた、無傷の細胞が用いられない無細胞アッセイを包含することができる。

【0120】

本明細書で使用される「約」数という用語は、その数にその数の１０％を加えた又は引いたものを指す。「約」範囲という用語は、その範囲にその最小値の１０％を引いた、及びその最大値の１０％を加えた範囲を指す。

【0121】

絶対的又は連続的用語、例えば、「するだろう（ｗｉｌｌ）」、「しないだろう（ｗｉｌｌ ｎｏｔ）」、「とする（ｓｈａｌｌ）」、「としない（ｓｈａｌｌ ｎｏｔ）」、「する必要がある（ｍｕｓｔ）」、「してはならない（ｍｕｓｔ ｎｏｔ）」、「最初に（ｆｉｒｓｔ）」、「最初に（ｉｎｉｔｉａｌｌｙ）」、「次」、「続いて」、「前」、「後」、「最後に（ｌａｓｔｌｙ）」、及び「最後に（ｆｉｎａｌｌｙ）」の使用は、本明細書に開示の本実施形態の範囲を限定することを意図するものではなく、例示としてである。

【0122】

本明細書に記載される任意のシステム、方法、ソフトウェア、組成物、及びプラットフォームは、モジュラーであり、連続的なステップに限定されない。したがって、「第１」及び「第２」などの用語は、必ずしも優先順位、重要性の順序、又は行為の順序を暗示しない。

【0123】

本明細書で使用される場合、「治療」又は「治療すること」という用語は、レシピエントにおいて有益な又は所望の結果を得るための薬学的又は他の介入レジメンを参照して使用される。有益な又は所望の結果は、治療的利益及び／又は予防的利益を含むが、これらに限定されない。治療的利益は、治療される症状又は基礎障害の根絶又は改善を指し得る。また、治療的利益は、対象は依然として基礎障害に罹患している可能性があるが対象において改善が観察されるような基礎障害に関連する生理学的症状のうちの１つ以上の根絶又は改善で達成され得る。予防効果は、疾患若しくは状態の出現の遅延、予防、若しくは排除、疾患若しくは状態の症状の発病の遅延若しくは排除、疾患若しくは状態の進行の減速、停止、若しくは逆転、又はそれらの任意の組み合わせを含む。予防的利益のために、特定の疾患を発症させるリスクのある対象、又は疾患の生理学的症状のうちの１つ以上を報告する対象は、この疾患の診断がなされていな場合があるにもかかわらず、治療を受けてもよい。

【0124】

本明細書で使用されるセクションの見出しは、構成の目的のためにのみ使用され、記載される主題を限定するものとして解釈されるべきではない。

【図1A】

【図1B】

【図1C】

【図1D】

【図1E】

【図1F】

【図2A】

【図2B】

【図2C】

【図2D】

【図2E】

【図3A】

【図3B】

【図3C】

【図3D】

【図3E】

【図4】

【図5A】

【図5B】

【図5C】

【図5D】

【図5E】

【図5F】

【図6A】

【図6B】

【図6C】

【図6D】

【図7】

【国際調査報告】