知財求人 - 知財ポータルサイト「IP Force」
特表2024-540883コンフォメーション動力学からのバリアント効果の高スループット予測
(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】2024-11-06
(54)【発明の名称】コンフォメーション動力学からのバリアント効果の高スループット予測
(51)【国際特許分類】
G16B 20/20 20190101AFI20241029BHJP
G16C 10/00 20190101ALI20241029BHJP
G16B 40/20 20190101ALI20241029BHJP
C07K 1/00 20060101ALN20241029BHJP
【ＦＩ】
G16B20/20
G16C10/00
G16B40/20
C07K1/00
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024522607
(86)(22)【出願日】2022-10-13
(85)【翻訳文提出日】2024-06-11
(86)【国際出願番号】 US2022078070
(87)【国際公開番号】W WO2023064874
(87)【国際公開日】2023-04-20
(31)【優先権主張番号】63/262,484
(32)【優先日】2021-10-13
(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．ＴＥＮＳＯＲＦＬＯＷ
(71)【出願人】
【識別番号】524141256
【氏名又は名称】インビテ・コーポレイション
【氏名又は名称原語表記】ＩＮＶＩＴＡＥ ＣＯＲＰＯＲＡＴＩＯＮ
(74)【代理人】
【識別番号】100145403
【弁理士】
【氏名又は名称】山尾 憲人
(74)【代理人】
【識別番号】100106518
【弁理士】
【氏名又は名称】松谷 道子
(74)【代理人】
【識別番号】100138911
【弁理士】
【氏名又は名称】櫻井 陽子
(72)【発明者】
【氏名】ニコルディス，ジョン マイケル
(72)【発明者】
【氏名】アラヤ，カルロス エル
(72)【発明者】
【氏名】マンダース，トビー
(72)【発明者】
【氏名】コラヴァン，アレクサンドル
(72)【発明者】
【氏名】キス，ガート
【テーマコード（参考）】
4H045
【Ｆターム（参考）】
4H045AA30
4H045AA40
4H045EA20
(57)【要約】
本開示は、例えば、医学的遺伝子検査において、分子構造（例えば、タンパク質構造）のコンフォメーション動力学を使用して、観察された意義不明のバリアント（例えば、変異などのタンパク質ミスセンスバリアント）の機能的意義及び臨床解釈を自動的に予測するための方法を提供する。本開示は、（例えば、分子動力学を使用して）タンパク質構造のコンフォメーション動力学を生成し、これらのシミュレーションから特徴を計算し、コンフォメーション状態を抽出し、関連するバリアント（例えば、ミスセンスバリアント）のシミュレーションを開始し、バリアントの臨床的意義をスコアリングするための機械学習モデルを訓練、試験、及び展開することができる、コンピュータ実装方法、並びに統合されたデータ、インフラストラクチャ、及びソフトウェアシステムを提供する。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
バリアント効果の高スループット分類のためのコンピュータ実装方法であって、（ｉ）（例えば、分子動力学（ＭＤ）を使用して）参照分子構造のコンフォメーション動力学を生成することと、
（ｉｉ）前記参照分子構造の前記コンフォメーション動力学を処理して、前記参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、
（ｉｉｉ）前記参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、
（ｉｖ）前記参照分子構造の抽出された前記コンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、
（ｖ）（例えば、ＭＤを使用して）前記バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、
（ｖｉ）前記バリアント分子構造又はそのセットの前記コンフォメーション動力学を処理して、前記バリアント分子構造又はそのセットの前記コンフォメーションランドスケープの低次元表現を生成することと、
（ｖｉｉ）臨床データを訓練ラベルとして使用して、前記参照分子構造及びバリアント分子構造の前記コンフォメーションランドスケープの前記低次元表現を使用して、機械学習予測モデルを訓練することであって、前記予測モデルが、前記参照分子構造における前記バリアント効果を分類する、訓練することと、を含む、方法。
【請求項2】
前記参照分子構造又はバリアント分子構造のコンフォメーション動力学を生成することが、（ａ）参照分子構造又はバリアント分子構造を取得することと、
（ｂ）取得された参照分子構造又はバリアントタンパク質構造を使用して、コンフォメーション動力学を生成することと、を含む、請求項１に記載の方法。
【請求項3】
前記参照分子構造又はバリアント分子構造が、タンパク質データバンク（ＰＤＢ）又はＡｌｐｈａＦｏｌｄから取得される、請求項２に記載の方法。
【請求項4】
前記コンフォメーション動力学が、ＧＲＯＭＡＣＳ、ＯｐｅｎＭＭ、ＮＡＭＤ、Ａｍｂｅｒ、又はＬＡＭＰＳを使用して生成される、請求項２に記載の方法。
【請求項5】
前記コンフォメーション動力学の生成が、並列化される、請求項２に記載の方法。
【請求項6】
前記参照分子構造が、野生型タンパク質の三次元構造である、請求項１に記載の方法。
【請求項7】
請求項１のステップ（ｉ）及び／又はステップ（ｉｉ）の各々が、独立して、前記コンフォメーション動力学を含む少なくとも約１０，０００、少なくとも約２０，０００、少なくとも約３０，０００、少なくとも約４０，０００、少なくとも約５０，０００、少なくとも約６０，０００、少なくとも約７０，０００、少なくとも約８０，０００、少なくとも約９０，０００、少なくとも約１００，０００、少なくとも約２００，０００、少なくとも約３００，０００、少なくとも約４００，０００、少なくとも約５００，０００、少なくとも約６００，０００、少なくとも約７００，０００、少なくとも約８００，０００、少なくとも約９００，０００、又は少なくとも約１，０００，０００のシミュレーションされた構造コンフォメーションを含む、請求項１～６のいずれか一項に記載の方法。
【請求項8】
前記コンフォメーション動力学を処理して、前記参照分子構造の前記コンフォメーションランドスケープの低次元表現を生成することが、前記コンフォメーション動力学から構造的特徴を抽出することを含む、請求項１に記載の方法。
【請求項9】
前記構造的特徴が、結合角度、残基間距離、残基変動、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、及びそれらの任意の組み合わせからなる群から選択される、請求項８に記載の方法。
【請求項10】
構造的特徴の前記抽出が、構造的特徴の少なくとも２０倍、３０倍、４０倍、又は５０倍の減少をもたらす、請求項８又は９に記載の方法。
【請求項11】
前記コンフォメーション動力学を処理することが、次元削減を更に含む、請求項８～１０のいずれか一項に記載の方法。
【請求項12】
前記次元削減が、主成分分析（ＰＣＡ）又はオートエンコーダを使用して得られる、請求項１１に記載の方法。
【請求項13】
前記次元削減が、構造的特徴の少なくとも５０倍、６０倍、７０倍、８０倍、９０倍、又は１００倍の減少をもたらす、請求項１１又は１２に記載の方法。
【請求項14】
前記コンフォメーションランドスケープの前記低次元表現が、前記参照分子構造及び／又はバリアント分子構造が準安定なコンフォメーション状態にあるコンフォメーションを特定する、請求項８～１３のいずれか一項に記載の方法。
【請求項15】
前記低次元表現が、分子機能に関連するコンフォメーション変化を特徴付ける運動モードを含む、請求項１に記載の方法。
【請求項16】
前記低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出することが、低次元空間におけるそれらの表現に基づいて、コンフォメーション状態をクラスタリングすることを含む、請求項１～１６のいずれか一項に記載の方法。
【請求項17】
コンフォメーション状態をクラスタリングすることが、ｋ平均クラスタリング、階層的クラスタリング、密度ベースのクラスタリング、ＤＢＳＣＡＮ、スペクトルクラスタリング、ガウス混合モデル、又はそれらの任意の組み合わせを含む、請求項１６に記載の方法。
【請求項18】
クラスタリングされたコンフォメーション状態を優先付けることを更に含む、請求項１６又は１７に記載の方法。
【請求項19】
クラスタリングされたコンフォメーション状態を優先付けることが、クラスター特性に基づく、請求項１８に記載の方法。
【請求項20】
前記クラスター特性が、コンフォメーションランドスケープ重心からの距離、クラスター占有率、クラスター分布統計、クラスターの構造特性、クラスターの熱力学、又はそれらの任意の組み合わせからなる群から選択される、請求項１９に記載の方法。
【請求項21】
前記構造特性が、結合角、残基間距離、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、既知のタンパク質コンフォメーションとの構造的類似性、及びそれらの任意の組み合わせからなる群から選択される、請求項２０に記載の方法。
【請求項22】
前記結合角が、φ－ψ二面角、側鎖χ角、又はそれらの組み合わせを含む、請求項２１に記載の方法。
【請求項23】
前記クラスター分布統計が、Ｓｉｌｈｏｕｅｔｔｅスコア、肘スコア、Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｓｚインデックス、Ｒａｎｄインデックス、相互情報、均質性、完全性、Ｖ尺度、Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎインデックス、及びそれらの任意の組み合わせからなる群から選択される、請求項２０に記載の方法。
【請求項24】
前記低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出することが、代表的なコンフォメーション状態を抽出することを含む、請求項１～２３のいずれか一項に記載の方法。
【請求項25】
前記代表的なコンフォメーション状態が、クラスターの全てのコンフォメーション状態のうちの重心に最も近いコンフォメーション状態である、請求項２４に記載の方法。
【請求項26】
少なくとも１つのバリアントが、病原性変異である、請求項１に記載の方法。
【請求項27】
少なくとも１つのバリアントが、非病原性（良性）変異である、請求項１に記載の方法。
【請求項28】
前記バリアント分子構造又はそのセットが、医学的遺伝子検査で観察された又は観察され得るバリアントを含む、請求項１に記載の方法。
【請求項29】
前記バリアント分子構造又はそのセットが、病原性バリアントを含む、請求項１に記載の方法。
【請求項30】
前記バリアント分子構造又はそのセットが、非病原性（良性）バリアントを含む、請求項１に記載の方法。
【請求項31】
前記バリアント分子構造又はそのセットが、意義不明のバリアントを含む、請求項１に記載の方法。
【請求項32】
前記バリアント分子構造又はそのセットが、骨格依存性ロータマーライブラリを使用して生成される、請求項１に記載の方法。
【請求項33】
前記骨格依存性ロータマーライブラリにおけるバリアント位置での前記バリアント分子構造の既存の骨格二面角を有する側鎖コンフォメーション（ロータマー）を特定することを含む、請求項３２に記載の方法。
【請求項34】
ロータマーが特定された骨格依存性ロータマーライブラリの導入が、近くの残基との立体衝突を引き起こすかどうかを試験することを更に含む、請求項３３に記載の方法。
【請求項35】
立体衝突を最小化するロータマーが特定されるまで、試験が実施される、請求項３４に記載の方法。
【請求項36】
前記バリアント分子構造の前記コンフォメーションの幾何学的形状を正則化し、前記バリアント分子構造に前記バリアントを導入するエネルギー的影響を低減するために、最小化及び平衡化シミュレーションを実施することを更に含む、請求項３４に記載の方法。
【請求項37】
前記予測モデルが、機械学習を使用して生成される、請求項１に記載の方法。
【請求項38】
訓練ラベルとして使用される前記臨床データが、バイオマーカー状態（例えば、特定のバイオマーカーの有無又はその発現レベル）、バイオメトリックデータ、ライフスタイル関連データ、治療に対する応答、疾患若しくは状態の症状、タンパク質発現データ、投与される治療の種類、投与量、投与量レジメン、投与経路、併用療法の有無、療法に対する応答、年齢、体重、性別、民族性、ＣｌｉｎＶａｒ提出物、ＩＮＶＩＴＡＥ（商標）臨床解釈、他の実験若しくは計算モデルからのデータ、又はそれらの任意の組み合わせを含む、請求項１に記載の方法。
【請求項39】
前記参照分子構造における前記バリアント効果の前記分類が、予測される病原性確率の計算を含む、請求項１に記載の方法。
【請求項40】
前記機械学習予測モデルが、ロジスティック回帰を使用して生成される、請求項１に記載の方法。
【請求項41】
前記機械学習予測モデルが、ランダムフォレストを使用して生成される、請求項１に記載の方法。
【請求項42】
前記機械学習予測モデルが、人工ニューラルネットワークを使用して生成される、請求項１に記載の方法。
【請求項43】
バリアントの臨床的意義をスコアリングするためのコンピュータ実装方法であって、（ａ）（例えば、ＭＤを使用して）参照分子構造のコンフォメーション動力学を生成することと、
（ｂ）前記参照分子構造の前記コンフォメーション動力学を処理して、前記参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、
（ｃ）前記参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、
（ｄ）前記参照分子構造の抽出された前記準安定なコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、
（ｅ）（例えば、ＭＤを使用して）前記バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、
（ｆ）前記バリアント分子構造又はそのセットの前記コンフォメーション動力学を処理して、前記バリアント分子構造又はそのセットの前記コンフォメーションランドスケープの低次元表現を生成することと、
（ｇ）臨床データを訓練ラベルとして使用して、前記参照分子構造及びバリアント分子構造の前記コンフォメーションランドスケープの前記低次元表現を使用して、機械学習予測モデルを訓練することであって、前記予測モデルが、前記バリアントの前記臨床的意義のスコアを出力する、訓練することと、を含む、方法。
【請求項44】
システムであって、（ｉ）メモリと、
（ｉｉ）少なくとも１つのプロセッサであって、メモリに結合され、
ｉ．（例えば、ＭＤを使用して）参照分子構造のコンフォメーション動力学を生成することと、
ｉｉ．前記参照分子構造の前記コンフォメーション動力学を処理して、前記参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、
ｉｉｉ．前記参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、
ｉｖ．前記参照分子構造の抽出された前記準安定なコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、
ｖ．（例えば、ＭＤを使用して）前記バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、
ｖｉ．前記バリアント分子構造又はそのセットの前記コンフォメーション動力学を処理して、前記バリアント分子構造又はそのセットの前記コンフォメーションランドスケープの低次元表現を生成することと、
ｖｉｉ．臨床データを訓練ラベルとして使用して、前記参照分子構造及びバリアント分子構造の前記コンフォメーションランドスケープの前記低次元表現を使用して、機械学習予測モデルを訓練することであって、前記予測モデルが、前記参照分子構造におけるバリアント効果を分類する、訓練することと、を行うように構成された、少なくとも１つのプロセッサと、を含む、システム。
【請求項45】
有形コンピュータ可読デバイスであって、それに記憶された命令を有し、少なくとも１つの計算デバイスによって実行されると、前記少なくとも１つの計算デバイスに、ｉ．（例えば、ＭＤを使用して）参照分子構造のコンフォメーション動力学を生成することと、
ｉｉ．前記参照分子構造の前記コンフォメーション動力学を処理して、前記参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、
ｉｉｉ．前記参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、
ｉｖ．参照タンパク質構造の抽出された前記準安定なコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、
ｖ．（例えば、ＭＤを使用して）前記バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、
ｖｉ．前記バリアント分子構造又はそのセットの前記コンフォメーション動力学を処理して、前記バリアント分子構造又はそのセットの前記コンフォメーションランドスケープの低次元表現を生成することと、
ｖｉｉ．臨床データを訓練ラベルとして使用して、前記参照分子構造及びバリアント分子構造の前記コンフォメーションランドスケープの前記低次元表現を使用して、機械学習予測モデルを訓練することであって、前記予測モデルが、前記参照分子構造におけるバリアント効果を分類する、訓練することと、を含む動作を行わせる、有形コンピュータ可読デバイス。
【請求項46】
前記バリアント分子構造における前記バリアントの前記分類が、（ｉ）患者を治療すること、（ｉｉ）治療のための患者を選択すること、（ｉｉｉ）治療を開始すること、（ｉｖ）治療を中止すること、（ｖ）治療を中断すること、（ｖｉ）治療を修正すること、又は（ｖｉｉ）それらの任意の組み合わせに使用することができる、請求項１～４３のいずれか一項に記載の方法、請求項４４に記載のシステム、又は請求項４５に記載の有形コンピュータ可読デバイス。
【請求項47】
（ｉ）患者を治療すること、（ｉｉ）治療のための患者を選択すること、（ｉｉｉ）治療を開始すること、（ｉｖ）治療を中止すること、（ｖ）治療を中断すること、（ｖｉ）治療を修正すること、又は（ｖｉｉ）それらの任意の組み合わせを行う方法であって、請求項１～４３のいずれか一項に記載の方法、請求項４４に記載のシステム、又は請求項４５に記載の有形コンピュータ可読デバイスを適用することを含む、方法。
【請求項48】
請求項１～４３のいずれか一項に記載の方法によって、又は請求項４４に記載のシステム若しくは請求項４５に記載の有形コンピュータ可読デバイスを使用することによって、病原性として特定されたバリアントによって引き起こされる疾患又は障害を治療することができる治療剤を含む、個別化医療治療。
【請求項49】
分子構造のコンフォメーションランドスケープの低次元表現を生成するためのコンピュータ実装方法であって、（ｉ）前記分子構造の前記コンフォメーションランドスケープから構造的特徴を抽出することと、（ｉｉ）前記コンフォメーションランドスケープの次元数を削減することと、を含む、方法。
【請求項50】
前記構造的特徴が、結合角度、残基間距離、残基変動、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、及びそれらの任意の組み合わせからなる群から選択される、請求項４９に記載の方法。
【請求項51】
構造的特徴を抽出することが、構造的特徴の少なくとも２０倍、３０倍、４０倍、又は５０倍の減少をもたらす、請求項５０に記載の方法。
【請求項52】
前記次元数を削減することが、主成分分析（ＰＣＡ）又はオートエンコーダを使用することを含む、請求項４９に記載の方法。
【請求項53】
前記次元数を削減することが、構造的特徴の少なくとも５０倍、６０倍、７０倍、８０倍、９０倍、又は１００倍の減少をもたらす、請求項４９に記載の方法。
【請求項54】
分子構造の準安定なコンフォメーション状態を特定するためのコンピュータ実装方法であって、前記分子構造のコンフォメーションランドスケープの低次元表現をクラスタリングすることを含む、方法。
【請求項55】
コンフォメーション状態をクラスタリングすることが、ｋ平均クラスタリング、階層的クラスタリング、密度ベースのクラスタリング、ＤＢＳＣＡＮ、スペクトルクラスタリング、ガウス混合モデル、又はそれらの任意の組み合わせを含む、請求項５４に記載の方法。
【請求項56】
クラスタリングされたコンフォメーション状態を優先付けることを更に含む、請求項５４又は５５に記載の方法。
【請求項57】
クラスタリングされたコンフォメーション状態を優先付けることが、クラスター特性に基づく、請求項５６に記載の方法。
【請求項58】
前記クラスター特性が、コンフォメーションランドスケープ重心からの距離、クラスター占有率、クラスター分布統計、クラスターの構造特性、クラスターの熱力学、又はそれらの任意の組み合わせからなる群から選択される、請求項５７に記載の方法。
【請求項59】
前記構造特性が、結合角、残基間距離、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、既知のタンパク質コンフォメーションとの構造的類似性、及びそれらの任意の組み合わせからなる群から選択される、請求項５８に記載の方法。
【請求項60】
前記結合角が、φ－ψ二面角、側鎖χ角、又はそれらの組み合わせを含む、請求項５９に記載の方法。
【請求項61】
前記クラスター分布統計が、Ｓｉｌｈｏｕｅｔｔｅスコア、肘スコア、Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｓｚインデックス、Ｒａｎｄインデックス、相互情報、均質性、完全性、Ｖ尺度、Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎインデックス、及びそれらの任意の組み合わせからなる群から選択される、請求項５８に記載の方法。
【請求項62】
分子構造におけるバリアント効果の高スループット分類のためのコンピュータ実装方法であって、（ｉ）前記分子構造のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉ）前記分子構造の前記コンフォメーションランドスケープの前記低次元表現から準安定なコンフォメーション状態を特定することと、を含む、方法。
【請求項63】
前記分子の前記コンフォメーションランドスケープの低次元表現を生成することが、（ａ）前記分子構造の前記コンフォメーションランドスケープから構造的特徴を抽出することと、（ｂ）前記コンフォメーションランドスケープの次元数を削減することと、を含む、請求項６２に記載の方法。
【請求項64】
前記分子構造の前記コンフォメーションランドスケープの前記低次元表現から準安定なコンフォメーション状態を特定することが、前記分子構造の前記コンフォメーションランドスケープの低次元表現をクラスタリングすることを含む、請求項６２に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、生体分子のコンフォメーション動力学に関する機械学習を使用して、遺伝的バリエーション、例えば、タンパク質ミスセンス変異の機能的影響を決定するための方法に関する。
【背景技術】
【0002】
正確なバリアント効果の予測は、遺伝子研究及び臨床診断において極めて重要である。ミスセンスバリアントは、最も一般的な種類のコード遺伝的バリアントであり、広範囲の一般的及びまれな疾患にわたる遺伝的リスクの主要なクラスである。構造的先天性欠損（Ｈｏｍｓｙ ｅｔ ａｌ．（２０１５）Ｓｃｉｅｎｃｅ ３５０：１２６２－１２６６、Ｊｉｎ ｅｔ ａｌ．（２０１７）Ｎａｔ．Ｇｅｎｅｔ．４９：１５９３－１６０１）及び神経発達障害（Ｉｏｓｓｉｆｏｖ ｅｔ ａｌ．（２０１４）Ｎａｔｕｒｅ ５１４：２１６－２２１、Ｄｅ Ｒｕｂｅｉｓ ｅｔ ａｌ．（２０１４）Ｎａｔｕｒｅ ５１５：２０９－２１５、ＭｃＲａｅ ｅｔ ａｌ．（２０１７）Ｎａｔｕｒｅ ５４２：４３３－４３８）には、デノボミスセンス変異が大きく寄与する。それにもかかわらず、ごく一部のミスセンスデノボ変異のみが病原性であり、疾患を引き起こすことになる。臨床遺伝子検査において、十分に確立されたリスク遺伝子における多くのミスセンスバリアントは、意義不明のバリアントとして分類され、既知の現在の臨床情報は、バリアントが病原性であるか又は良性であるかを決定するのに十分ではないことを示す。
【0003】
遺伝的バリアント（例えば、ミスセンス遺伝子バリアント）の分子レベルの効果の解釈は依然として困難であり、分子構造及び機能の文脈における変異（アミノ酸レベル又は核酸レベルのいずれか）の特定の調査を必要とする。遺伝的バリアントの有害な及び／又は中立的な結果が、影響を受ける分子の構造的特性に関連していることが報告されていることから（Ｓｉｖｌｅｙ ｅｔ ａｌ．（２０１８）Ａｍ．Ｊ．Ｈｕｍ．Ｇｅｎｅｔ．１０２：４１５－４２６、Ｈｉｃｋｓｅｔ ａｌ．（２０１９）Ｐｒｏｃ．Ｎａｔｌ．Ａｃａｄ．Ｓｃｉ．Ｕ．Ｓ．Ａ．１１６：８９６０－８９６５）、ＡＳＴＲＩＤ、ｍｕｔａｔｉｏｎ３Ｄ、ＣＯＳＭＩＣ－３Ｄ、ＶａｒＳｉｔｅ、ＶａｒＭａｐ、又はＰｈｙｒｅＲｉｓｋなどの分子構造（例えば、タンパク質構造）上のバリアント（例えば、ミスセンスバリアント）をマッピング及び視覚化するためのリソース及びツールが開発されている。しかしながら、単なる可視化から変異の生物学的効果を推定することは、せいぜい推測的である。構造的特性を使用する現在の高スループット方法は、多くの機能喪失（ＬＯＦ）ミスセンス変異が病原性であるメカニズムであるタンパク質の全体的な安定性の変化に典型的に関連付けられているタンパク質構造の変化を予測することができる。しかしながら、分子構造のコンフォメーション動力学の変化がどのように病原性に関連しているかについてはあまり知られていない。したがって、コンフォメーション動力学に対するバリアントの影響を決定し、観察された動力学を病原性と相関させることは、研究分野の成長を表している。分子構造のコンフォメーション動力学を決定するための計算アルゴリズムである分子動力学（ＭＤ）方法は、例えば、米国公開第２０１９／０１８９２４３Ａ１号及びＭｃＣｏｙ ｅｔ ａｌ．（２０２０）Ｂｉｏｐｈｙｓｉｃａｌ Ｊｏｕｒｎａｌ １２０（２）：１８９－２０４に記載されている方法で使用されている。しかしながら、これらの方法は、機械学習のための特徴を特定及び選択するためには人間による精選に依存し、得られる予測モデルは、特定の生物学的システムに特異的であるため（例えば、疾患又は障害に関連する特定のタンパク質）、当該技術分野で現在知られている方法は、拡張可能ではなく、したがって、真の高スループットモードで動作することができない。更に、分子構造のコンフォメーション動力学を決定するために使用される計算アルゴリズムは、現在、拡張可能な遺伝子検査システムにおける臨床的なバリアント効果の予測に使用するには非常に時間がかかる。
【発明の概要】
【0004】
本開示は、バリアント効果の高スループット分類のためのコンピュータ実装方法を提供し、本方法は、（ｉ）（例えば、分子動力学（ＭＤ）を使用して）参照分子構造のコンフォメーション動力学を生成することと、（ｉｉ）参照分子構造のコンフォメーション動力学を処理して、参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉｉ）参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションをシードすることと、（ｉｖ）参照分子構造の抽出されたコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、（ｖ）（例えば、ＭＤを使用して）バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、（ｖｉ）バリアント分子構造又はそのセットのコンフォメーション動力学を処理して、バリアント分子構造又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｖｉｉ）臨床データを訓練ラベルとして使用して、参照分子構造及びバリアント分子構造のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、参照分子構造におけるバリアント効果を分類する、訓練することと、を含む。いくつかの態様では、参照分子構造又はバリアント分子構造のコンフォメーション動力学を生成することは、（ａ）参照分子構造又はバリアント分子構造を取得することと、（ｂ）取得した参照分子構造又はバリアントタンパク質構造を使用して、コンフォメーション動力学を生成することと、を含む。いくつかの態様では、参照分子構造又はバリアント分子構造は、タンパク質データバンク（ＰＤＢ）又はＡｌｐｈａＦｏｌｄから取得される。いくつかの態様では、コンフォメーション動力学は、ＧＲＯＭＡＣＳ、ＯｐｅｎＭＭ、ＮＡＭＤ、Ａｍｂｅｒ、又はＬＡＭＰＳを使用して生成される。
【0005】
いくつかの態様では、コンフォメーション動力学の生成は、並列化される。いくつかの態様では、参照分子構造は、野生型タンパク質の三次元構造である。いくつかの態様では、上に開示された方法のステップ（ｉ）及び／又はステップ（ｉｉ）の各々は、独立して、コンフォメーション動力学を含む少なくとも約１０，０００、少なくとも約２０，０００、少なくとも約３０，０００、少なくとも約４０，０００、少なくとも約５０，０００、少なくとも約６０，０００、少なくとも約７０，０００、少なくとも約８０，０００、少なくとも約９０，０００、少なくとも約１００，０００、少なくとも約２００，０００、少なくとも約３００，０００、少なくとも約４００，０００、少なくとも約５００，０００、少なくとも約６００，０００、少なくとも約７００，０００、少なくとも約８００，０００、少なくとも約９００，０００、又は少なくとも約１，０００，０００のシミュレーションされた構造コンフォメーションを含む。
【0006】
いくつかの態様では、コンフォメーション動力学を処理して、参照分子構造のコンフォメーションランドスケープの低次元表現を生成することは、コンフォメーション動力学から構造的特徴を抽出することを含む。いくつかの態様では、構造的特徴は、結合角、残基間距離、残基変動、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、及びそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、構造的特徴の抽出は、構造的特徴の少なくとも２０倍、３０倍、４０倍、又は５０倍の減少をもたらす。
【0007】
いくつかの態様では、コンフォメーション動力学を処理することは、次元削減を更に含む。いくつかの態様では、次元削減は、主成分分析（ＰＣＡ）又はオートエンコーダを使用して得られる。いくつかの態様では、次元削減は、構造的特徴の少なくとも５０倍、６０倍、７０倍、８０倍、９０倍、又は１００倍の減少をもたらす。
【0008】
いくつかの態様では、コンフォメーションランドスケープの低次元表現は、参照分子構造及び／又はバリアント分子構造が準安定なコンフォメーション状態にあるコンフォメーションを特定する。いくつかの態様では、低次元表現は、分子機能に関連するコンフォメーション変化を特徴付ける運動モードを含む。
【0009】
いくつかの態様では、低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出することは、低次元空間におけるそれらの表現に基づいてコンフォメーション状態をクラスタリングすることを含む。いくつかの態様では、コンフォメーション状態をクラスタリングすることは、ｋ平均クラスタリング、階層的クラスタリング、密度ベースのクラスタリング、ＤＢＳＣＡＮ、スペクトルクラスタリング、ガウス混合モデル、又はそれらの任意の組み合わせを含む。いくつかの態様では、本方法は、クラスタリングされたコンフォメーション状態に優先順位を付けることを更に含む。いくつかの態様では、クラスタリングされたコンフォメーション状態に優先順位を付けることは、クラスター特性に基づく。いくつかの態様では、クラスター特性は、コンフォメーションランドスケープ重心からの距離、クラスター占有率、クラスター分布統計、クラスターの構造特性、クラスターの熱力学、又はそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、構造特性は、結合角、残基間距離、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、既知のタンパク質コンフォメーションとの構造的類似性、及びそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、結合角は、φ－ψ二面角、側鎖χ角、又はそれらの組み合わせを含む。いくつかの態様では、クラスター分布統計は、Ｓｉｌｈｏｕｅｔｔｅスコア、肘スコア、Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｓｚインデックス、Ｒａｎｄインデックス、相互情報、均質性、完全性、Ｖ尺度、Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎインデックス、及びそれらの任意の組み合わせからなる群から選択される。
【0010】
いくつかの態様では、低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出することは、代表的なコンフォメーション状態を抽出することを含む。いくつかの態様では、代表的なコンフォメーション状態は、クラスターの全てのコンフォメーション状態のうちの重心に最も近いコンフォメーション状態である。いくつかの態様では、少なくとも１つのバリアントは、病原性変異である。いくつかの態様では、少なくとも１つのバリアントは、非病原性（良性）変異である。いくつかの態様では、バリアント分子構造又はそのセットは、医学的遺伝子検査で観察された又は観察され得るバリアントを含む。いくつかの態様では、バリアント分子構造又はそのセットは、病原性バリアントを含む。いくつかの態様では、バリアント分子構造又はそのセットは、非病原性（良性）バリアントを含む。いくつかの態様では、バリアント分子構造又はそのセットは、意義不明のバリアントを含む。いくつかの態様では、バリアント分子構造又はそのセットは、骨格依存性ロータマーライブラリを使用して生成される。いくつかの態様では、本方法は、骨格依存性ロータマーライブラリにおけるバリアント位置でのバリアント分子構造の既存の骨格二面角を有する側鎖コンフォメーション（ロータマー）を特定することを含む。いくつかの態様では、本方法は、ロータマーが特定された骨格依存性ロータマーライブラリの導入が、近くの残基との立体衝突を引き起こすかどうかを試験することを更に含む。いくつかの態様では、試験は、立体衝突を最小化するロータマーが特定されるまで実施される。いくつかの態様では、本方法は、バリアント分子構造のコンフォメーションの幾何学的形状を正則化し、バリアント分子構造にバリアントを導入するエネルギー的影響を低減するために、最小化及び平衡化シミュレーションを実施することを更に含む。
【0011】
いくつかの態様では、予測モデルは、機械学習を使用して生成される。いくつかの態様では、訓練ラベルとして使用される臨床データは、バイオマーカー状態（例えば、特定のバイオマーカーの有無又はその発現レベル）、バイオメトリックデータ、ライフスタイル関連データ、治療に対する応答、疾患若しくは状態の症状、タンパク質発現データ、投与される治療の種類、投与量、投与量レジメン、投与経路、併用療法の有無、療法に対する応答、年齢、体重、性別、民族性、ＣｌｉｎＶａｒ提出物、ＩＮＶＩＴＡＥ（商標）臨床解釈、他の実験若しくは計算モデルからのデータ、又はそれらの任意の組み合わせを含む。いくつかの態様では、参照分子構造におけるバリアント効果の分類は、予測される病原性確率の計算を含む。いくつかの態様では、機械学習予測モデルは、ロジスティック回帰を使用して生成される。いくつかの態様では、機械学習予測モデルは、ランダムフォレストを使用して生成される。いくつかの態様では、機械学習予測モデルは、人工ニューラルネットワークを使用して生成される。
【0012】
本開示はまた、バリアントの臨床的意義をスコアリングするためのコンピュータ実装方法も提供し、本方法は、（ａ）（例えば、ＭＤを使用して）参照分子構造のコンフォメーション動力学を生成することと、（ｂ）参照分子構造のコンフォメーション動力学を処理して、参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、（ｃ）参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、（ｄ）参照分子構造の抽出されたコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、（ｅ）（例えば、ＭＤを使用して）バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、（ｆ）バリアント分子構造又はそのセットのコンフォメーション動力学を処理して、バリアント分子構造又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｇ）臨床データを訓練ラベルとして使用して、参照分子構造及びバリアント分子構造のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、バリアントの臨床的意義のスコアを出力する、訓練することと、を含む。
【0013】
本開示はまた、システムを提供し、システムが、（ａ）メモリと、（ｂ）少なくとも１つのプロセッサであって、メモリに結合され、（ｉ）（例えば、ＭＤを使用して）参照分子構造のコンフォメーション動力学を生成することと、（ｉｉ）参照分子構造のコンフォメーション動力学を処理して、参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉｉ）参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、（ｉｖ）参照分子構造の抽出された準安定なコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、（ｖ）（例えば、ＭＤを使用して）バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、（ｖｉ）バリアント分子構造又はそのセットのコンフォメーション動力学を処理して、バリアント分子構造又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｖｉｉ）臨床データを訓練ラベルとして使用して、参照分子構造及びバリアント分子構造のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、参照分子構造におけるバリアント効果を分類する、訓練することと、を行うように構成された、少なくとも１つのプロセッサと、を含む。
【0014】
本開示はまた、有形コンピュータ可読デバイスを提供し、有形コンピュータ可読デバイスが、それに記憶された命令を有し、少なくとも１つの計算デバイスによって実行されると、少なくとも１つの計算デバイスに、（ｉ）（例えば、ＭＤを使用して）参照分子構造のコンフォメーション動力学を生成することと、（ｉｉ）参照分子構造のコンフォメーション動力学を処理して、参照分子構造のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉｉ）参照分子構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態を抽出して、バリアント分子構造のシミュレーションにシードすることと、（ｉｖ）参照タンパク質構造の抽出された準安定なコンフォメーション状態に少なくとも１つのバリアントを導入することによって、バリアント分子構造又はそのセットを生成することと、（ｖ）（例えば、ＭＤを使用して）バリアント分子構造又はそのセットのコンフォメーション動力学を生成することと、（ｖｉ）バリアント分子構造又はそのセットのコンフォメーション動力学を処理して、バリアント分子構造又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｖｉｉ）臨床データを訓練ラベルとして使用して、参照分子構造及びバリアント分子構造のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、参照分子構造におけるバリアント効果を分類する、訓練することと、を含む動作を行わせる。
【0015】
上に開示された方法、システム、又は有形計算可能可読デバイスのいくつかの態様では、バリアント分子構造におけるバリアントの分類は、（ｉ）患者を治療すること、（ｉｉ）治療のための患者を選択すること、（ｉｉｉ）治療を開始すること、（ｉｖ）治療を中止すること、（ｖ）治療を中断すること、（ｖｉ）治療を修正すること、又は（ｖｉｉ）それらの任意の組み合わせに使用することができる。
【0016】
いくつかの態様では、本開示は、（ｉ）患者を治療する方法、（ｉｉ）治療のための患者を選択する方法、（ｉｉｉ）治療を開始する方法、（ｉｖ）治療を中止する方法、（ｖ）治療を中断する方法、（ｖｉ）治療を修正する方法、又は（ｖｉｉ）それらの任意の組み合わせを提供し、上に開示された方法、システム、又は有形計算可能可読デバイスのうちのいずれかを適用することを含む。
【0017】
本開示はまた、上に開示された方法のうちのいずれかによって、又は上に開示されたシステム若しくは有形計算可能可読デバイスのうちのいずれかを使用することによって、病原性として特定されたバリアントによって引き起こされる疾患又は障害を治療することができる治療剤を含む個別化医療治療を提供する。
【0018】
本開示はまた、分子構造のコンフォメーションランドスケープの低次元表現を生成するためのコンピュータ実装方法を提供し、本方法は、（ｉ）分子構造のコンフォメーションランドスケープから構造的特徴を抽出することと、（ｉｉ）コンフォメーションランドスケープの次元数を削減することと、を含む。いくつかの態様では、構造的特徴は、結合角、残基間距離、残基変動、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、及びそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、構造的特徴を抽出することは、構造的特徴の少なくとも２０倍、３０倍、４０倍、又は５０倍の減少をもたらす。いくつかの態様では、次元数を削減することは、主成分分析（ＰＣＡ）又はオートエンコーダを使用することを含む。いくつかの態様では、次元数を削減することは、構造的特徴の少なくとも５０倍、６０倍、７０倍、８０倍、９０倍、又は１００倍の減少をもたらす。
【0019】
本開示はまた、分子構造の準安定なコンフォメーション状態を特定するためのコンピュータ実装方法を提供し、本方法は、分子構造のコンフォメーションランドスケープの低次元表現をクラスタリングすることを含む。いくつかの態様では、コンフォメーション状態をクラスタリングすることは、ｋ平均クラスタリング、階層的クラスタリング、密度ベースのクラスタリング、ＤＢＳＣＡＮ、スペクトルクラスタリング、ガウス混合モデル、又はそれらの任意の組み合わせを含む。いくつかの態様では、本方法は、クラスタリングされたコンフォメーション状態に優先順位を付けることを更に含む。いくつかの態様では、クラスタリングされたコンフォメーション状態に優先順位を付けることは、クラスター特性に基づく。いくつかの態様では、クラスター特性は、コンフォメーションランドスケープ重心からの距離、クラスター占有率、クラスター分布統計、クラスターの構造特性、クラスターの熱力学、又はそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、構造特性は、結合角、残基間距離、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、既知のタンパク質コンフォメーションとの構造的類似性、及びそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、結合角は、φ－ψ二面角、側鎖χ角、又はそれらの組み合わせを含む。いくつかの態様では、クラスター分布統計は、Ｓｉｌｈｏｕｅｔｔｅスコア、肘スコア、Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｓｚインデックス、Ｒａｎｄインデックス、相互情報、均質性、完全性、Ｖ尺度、Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎインデックス、及びそれらの任意の組み合わせからなる群から選択される。
【0020】
本開示はまた、分子構造におけるバリアント効果の高スループット分類のためのコンピュータ実装方法を提供し、本方法は、（ｉ）分子構造のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉ）分子構造のコンフォメーションランドスケープの低次元表現から準安定なコンフォメーション状態を特定することと、を含む。いくつかの態様では、分子のコンフォメーションランドスケープの低次元表現を生成することは、（ａ）分子構造のコンフォメーションランドスケープから構造的特徴を抽出することと、（ｂ）コンフォメーションランドスケープの次元数を削減することと、を含む。いくつかの態様では、分子構造のコンフォメーションランドスケープの低次元表現から準安定なコンフォメーション状態を特定することは、分子構造のコンフォメーションランドスケープの低次元表現をクラスタリングすることを含む。
【図面の簡単な説明】
【0021】
【図1】本開示の予測システムのシステム図を示す。
【図2】生体分子のコンフォメーション動力学からのバリアント効果を予測するための、予測システムにおける連続したステップを示すワークフロー図を示す。
【図3】構造的特徴量抽出ステップ及び次元削減ステップを含む、ワークフローの次元削減部分の概略図を示す。
【図4】参照分子のコンフォメーションのエネルギー状態及びバリアント分子の準安定なコンフォメーションのエネルギー状態の概略図を示す。
【図5】骨格ψ角分布などの特徴とバリアント分子の病原性との間に関係があることを例示する。
【図6】構造的特徴量抽出及び次元削減に供された参照分子のコンフォメーション動力学からの＞７６，０００の構造コンフォメーションのクラスタリングから得られる低次元コンフォメーションランドスケープ表現を示す。次いで、この低次元表現は、クラスタリングに供される。標識は、各々が参照分子の準安定なコンフォメーションを表す、特定のコンフォメーションクラスターを特定する。成分１及び成分２は、主成分分析からの最初の２つの代表的な成分である。
【図7】コンフォメーションクラスターが、病原性バリアント及び良性バリアント（例えば、ミスセンス遺伝子バリアント）を区別するために使用され得ることを示す。
【図8】機械学習モデルを最適化するために使用される様々な量のコンフォメーションデータ（データセット定義）及び特徴量化法を示す。データセットと特徴量化法との各組み合わせについて（それらが計算されなかった場合を除いて：ＮＣ）、機械学習モデルは、データセット定義に含まれるシミュレーションから抽出された特徴に対して訓練される。モデルの性能は、訓練セットに対して５分割交差検証を使用して評価され、バランス加重Ｆ１スコアに従って最高の性能のモデルを決定する。次いで、最終モデルの性能（この場合、データセット「３ｎｓ、２回の繰り返し、１１の状態」及び特徴量化法「連結性ｔＩＣＡ」）は、初期モデルの性能及び評価で使用されなかったシミュレーションのホールドアウト試験セットのバランス加重Ｆ１スコアを使用して決定される。
【図9】配列ベースのモデル及びＦｏｌｄＸベースのモデルにおける同じバリアントの性能と比較し、真のラベルと比較した、バリアントの選択にわたるモデル（ＬＳＳモデル）の性能を示す。全体として、これらのバリアントのＬＳＳモデルの予測は、他のどのモデルよりも真のラベルに近い。
【図10】本明細書に開示される方法（ＬＳＳ）に従って開発されたＭＳＨ２（ＭｕｔＳホモログ２）腫瘍サプレッサーの予測モデルの性能を、代替方法、例えば、ＦｏｌｄＸ及びＰｏｌｙｐｈｅｎと比較する。
【発明を実施するための形態】
【0022】
本開示は、特定の生物学的システムに依存しない分子構造（例えば、タンパク質構造）のコンフォメーション動力学（例えば、分子動力学から生成される）を使用して、バリアント（例えば、ミスセンスバリアント）の表現型、表現型効果、又は生物学的効果（例えば、それらが病原性であるかどうか、及びそれらの病理学的表現型の重症度）を正確に予測することができる真の高スループットプラットフォームを提供し、機械学習モデルを訓練するための生物学的及び構造生物学的専門知識の必要性を排除する。
【0023】
これらの洞察は、医学的遺伝子検査からの意義不明のバリアントの解釈に役立ち、精密医療の原則を使用して薬理学的介入を導くことができる。
【0024】
対照的に、当該技術分野の従来のバリアント（例えば、ミスセンスバリアント）分類システムは、コンフォメーション動力学からバリアント効果を正確に予測することができる真の高スループットプラットフォームであることができず、そのようなシステムは、典型的には、機械学習モデルを訓練するために生物学的及び構造生物学的専門知識を必要とする。本開示の態様は、システムに依存しない様式でコンフォメーション動力学の次元を特徴付け、削減することによって、当該技術分野の他の方法よりも優れた性能及びスループットを達成する。したがって、機械学習モデルを訓練するための生物学的及び構造生物学的な人間の専門知識の必要性が排除される。更に、参照分子システムから準安定なコンフォメーション状態を決定し、これらの状態に導入されたバリアントのコンフォメーション動力学を決定し、これらの状態の低次元表現に対して機械学習モデルを訓練するプロセスは、正確なモデルを訓練するために必要なシミュレーション時間を大幅に削減し、それによって、バリアント解釈システムにおけるこのアプローチのスループットを増加させる。最後に、このアプローチは、推論のために事前に訓練されたモデルを記憶することによって、新たに観察されたバリアントに対して迅速にバリアント効果予測を行う方法を提供する。
【0025】
本開示は、分子構造のコンフォメーション動力学からのバリアント（例えば、ミスセンス遺伝子バリアント）の生物学的効果の高スループット予測のためのコンピュータ実装方法を提供し、本方法は、例えば、（ａ）参照分子（例えば、参照タンパク質）のコンフォメーション動力学を生成することと、（ｂ）教師なし次元削減法を使用して、参照分子の低次元コンフォメーションランドスケープを定義することと、（ｃ）参照分子の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態又はそのセットを決定することと、（ｄ）準安定なコンフォメーション状態又はそのセットにおける参照分子に少なくとも１つの分子変化を導入することによって、バリアント分子（例えば、バリアントタンパク質）又はそのセットを構築することと、（ｅ）準安定なコンフォメーション状態又はそのセットにおけるバリアント分子又はそのセットのコンフォメーション動力学を決定することと、（ｆ）教師なし次元削減法を使用して、準安定なコンフォメーション状態又はそのセットにおけるバリアント分子又はそのセットのコンフォメーション動力学の低次元表現を生成することと、（ｇ）生物学的データ又は臨床データを訓練ラベルとして使用して、バリアント分子又はそのセットのコンフォメーション動力学の低次元表現を使用して、予測モデルを訓練することであって、モデルが、参照分子に対するバリアント（例えば、ミスセンス変異）の生物学的効果を予測する、訓練することと、任意選択的に、（ｈ）予測モデルを医学的遺伝子検査から新たに観察されたバリアントに迅速に拡張することと、を含む。
【0026】
分子構造（例えば、タンパク質構造）のコンフォメーション動力学を生成するために、分子構造は、分子システム内で定義されなければならない。
【0027】
本明細書で使用される場合、「分子システム」とは、タンパク質、ペプチド、核酸、又は他の生物学的に関連する分子（例えば、脂質、グリカン、又は小分子）などの生体分子の分子構造の集合を指す。分子システムはまた、システム内の分子成分の現実的な生物学的組成を定義する溶媒又は他の分子（例えば、イオン、脂質）を含み得る。「分子システム」は、システム（例えば、タンパク質、溶媒和水、イオンなど）を統合する分子成分の集合を含み、分子システムの「コンフォメーション状態」は、ある時点での分子システムの分子成分の三次元配置である。したがって、コンフォメーション状態は、分子システムの「スナップショット」を表す。本明細書で使用される場合、「コンフォメーション」、「コンフォメーション構造」、「構造」、及び「分子構造」という用語は、「コンフォメーション状態」と互換的に使用され得る。
【0028】
参照分子は、真空中の構造をとらず、したがって、システムの追加の成分（例えば、水分子、イオンなど）が存在しなければならないことを理解されたい。したがって、本開示の文脈において、「参照分子構造」又は「バリアント分子構造」への言及は、それらの追加の成分の存在を意味する。したがって、「参照分子システム」及び「参照分子構造」という用語は、同等かつ互換的であるとみなされる。同様に、「バリアント分子システム」及び「バリアント分子構造」という用語は、同等かつ互換的であるとみなされる。
【0029】
本明細書で使用される場合、「分子構造（ｍｏｌｅｃｕｌａｒ ｓｔｒｕｃｔｕｒｅ）」、「分子構造（ｍｏｌｅｃｕｌｅ ｓｔｒｕｃｔｕｒｅ）」、及びその文法的変形は、生体分子（例えば、タンパク質）又はそのセットのいくつか又は全てを構成する原子の三次元座標及び同一性、並びにそれらの原子間の相互作用（例えば、共有結合及び非共有結合）を指す。分子構造は、例えば、原子のセット（複数可）を、原子（アミノ酸など）の組み合わせ及びそれらの他の原子との相互作用を表すことを意図した特性を有する「ダミー」原子に置き換えることによって、分子構造の複雑さを減少させる「粗視化」法（ＭＡＲＴＩＮＩアルゴリズムなど）によって表すことができる。
【0030】
分子システムは、例えば、プロテインデータバンク（ＰＤＢ）又は電子顕微鏡データバンク（ＥＭＤＢ）などの実験構造のデータベースから分子構造（例えば、結晶学的タンパク質構造）を取得すること、独立して、実験方法又は計算方法を介して分子構造を決定し、それらを１つ以上のデータファイルに組み合わせること、又はＡｌｐｈａＦｏｌｄ予想構造のＭｏｄＢａｓｅデータベース若しくは欧州生物学研究所データベースなどの計算的に予測された構造の既存のデータベースから分子構造を取得することによって生成することができる。代替的に、分子構造は、ＥＶＦｏｌｄ、ＡｌｐｈａＦｏｌｄ、及びＲｏｓｅＴＴＡＦｏｌｄなどのタンパク質構造予測アルゴリズムを使用して予測され得、又は相同性モデリングによって生成され得る。分子構造は、実験方法（例えば、単一分子生物物理学、大規模変異誘発実験（例えば、深層変異スキャン）、質量分析）によって更に情報を得ることができる。分子構造はまた、統合モデリングと呼ばれるアプローチにおいて、上記の任意の組み合わせによって決定することができる。
【0031】
本明細書で使用される場合、「分子」という用語は、タンパク質、脂質、核酸、炭水化物、及びそれらの組み合わせなどの生物学的実体を指す。本明細書で使用される「分子」という用語は、単一の分子実体及び複数の分子実体の両方を包含する。したがって、いくつかの態様では、本明細書に定義される分子は、例えば、複数のタンパク質サブユニットを含む多量体複合体、又は核酸と複合体化したタンパク質などであり得る。いくつかの態様では、分子という用語は、リガンド、例えば、受容体、補因子、薬物などのアンタゴニスト又はアゴニストと複合体化したタンパク質又は核酸などの生体分子を指す。本開示による特定のタイプの分子は、参照分子及びバリアント分子である。「分子」は、実体の組成を指し、「コンフォメーション」又は「構造」は、空間における分子の配置を指す。
【0032】
本明細書で使用される場合、「参照分子」という用語は、バリアント（例えば、ミスセンスバリアント）の導入によって調査される分子（例えば、タンパク質）を指す。参照分子（例えば、タンパク質）は、天然タンパク質（例えば、野生型タンパク質）であり得る。したがって、いくつかの態様では、参照分子構造は、天然タンパク質（例えば、野生型タンパク質）又はそのセットの構造であり得る。他の態様では、野生型である代わりに、参照分子（例えば、参照タンパク質）は、共通又は非共通のバリアント（例えば、ミスセンスバリアント）を含み得る。したがって、他の態様では、参照分子構造は、バリアント分子（例えば、ミスセンスバリアントタンパク質）又はそのセットの構造であり得る。したがって、参照分子（例えば、参照タンパク質）は、遺伝的バリアントを含まない必要はないが、同じバックグラウンドシステムを有する他のバリアント分子のセットと比較するための参照分子として使用されるべきであり、すなわち、バリアント分子（例えば、バリアントタンパク質）は、他のバリアント分子のセット（例えば、異なる変異のセットを有する他のバリアントタンパク質）におけるバリアント（例えば、変異）の効果を決定する参照分子として使用され得る。
【0033】
参照分子は、その組成（分子内の原子の同一性及び関係性）によって定義される。本明細書に開示される方法は、特定のコンフォメーション状態における参照分子を表す構造（参照分子構造）をデータベースから取得することを含む。ＭＤのような方法を使用して、参照分子のコンフォメーション動力学を生成することができる。これらのコンフォメーション動力学は、参照分子のコンフォメーションランドスケープに近似している。コンフォメーションランドスケープは、参照分子のエネルギー的にアクセス可能な（パラメータ、すなわち、システムの温度、圧力を考慮した）コンフォメーション状態の集合である。
【0034】
「参照分子構造（ｒｅｆｅｒｅｎｃｅ ｍｏｌｅｃｕｌａｒ ｓｔｒｕｃｔｕｒｅ）」、「参照分子構造（ｒｅｆｅｒｅｎｃｅ ｍｏｌｅｃｕｌｅ ｓｔｒｕｃｔｕｒｅ）」、及びその文法的変形は、参照分子（例えば、参照タンパク質）の構造の単一のコンフォメーション状態、又は参照分子の構造のコンフォメーション状態のアンサンブルを指し得る。
【0035】
本明細書で使用される「バリアント」という用語は、確立された参照分子に対する分子（例えば、タンパク質又は遺伝子）の特定の変化を指す。例えば、バリアントは、参照分子（すなわち、変化のない対応する分子）に対する核酸（例えば、遺伝子）、タンパク質、脂質、炭水化物などの変化であり得る。いくつかの態様では、バリアントは、遺伝子バリアントである。本明細書で使用される場合、「バリアント分子」という用語は、少なくとも１つのバリアント（例えば、ミスセンスバリアント）を含む分子（例えば、タンパク質）を指す。本明細書で使用される場合、「バリアント分子構造（ｖａｒｉａｎｔ ｍｏｌｅｃｕｌａｒ ｓｔｒｕｃｔｕｒｅ）」、「バリアント分子構造（ｖａｒｉａｎｔ ｍｏｌｅｃｕｌｅ ｓｔｒｕｃｔｕｒｅ）」、及びその文法的変形は、バリアント分子の三次元構造を指す。いくつかでは、バリアント分子構造は、バリアント分子（例えば、バリアントタンパク質）の構造の単一のコンフォメーション状態、又はバリアント分子の構造のコンフォメーション状態のアンサンブルを指し得る。
【0036】
「遺伝子」という用語は、広く使用され、ＤＮＡの任意のセグメント又は生物学的機能に関連する他の核酸（例えば、ｍＲＮＡ、ｍｉＲＮＡなど）を指す。したがって、遺伝子は、コード配列、及びその発現に必要な制御配列を含む。遺伝子はまた、任意選択的に、例えば、他のタンパク質の認識配列を形成する非発現核酸セグメントを含む。遺伝子は、目的の供給源からのクローニング、又は既知の若しくは予測された配列情報からの合成を含む、様々な供給源に由来してもよく、所望のパラメータを有するように設計された配列を含んでもよい。
【0037】
「遺伝子バリアント」という用語は、確立された参照ヌクレオチド又はヌクレオチド配列に対するヌクレオチド又はヌクレオチド配列の任意の特定の変化を意味する。ゲノム情報の変動は、対象間の表現型変動の原因を示す可能性があるため、特定するのに有用である。１つの理論は、正常な対象のゲノムの不変領域が、それらの対象の発生及び生存に必要な必須成分をコードするために重要である可能性が高いということである。バリアントは、対象間の正常な表現型の差異を説明し得る、及び／又はバリアントは、疾患関連変動を説明し得る。いくつかの態様では、バリアントは、変異体である。バリアントは、１つ以上の置換、挿入、交差、欠失、及び／又は他の遺伝子操作によって改変されたポリペプチド又はポリヌクレオチド配列である。本開示の目的では、バリアント及びバリアントは、それらを生成するいかなる特定の方法にも限定されない。いくつかの態様では、変異又はバリアント配列は、親配列と比較して、増加した、減少した、又は実質的に類似した活性又は特徴を有する。いくつかの態様では、バリアントポリペプチドは、野生型ポリペプチド（例えば、親ポリペプチド）のアミノ酸配列と比較して変異した１つ以上のアミノ酸残基を含む。いくつかの態様では、複数のポリペプチドを含むバリアントポリペプチドのうちのポリペプチドの１つ以上のアミノ酸残基は、親ポリペプチドに対して、一定、非バリアント、又は非変異のままである。いくつかの態様では、親ポリペプチドは、改善された安定性、活性、又は任意の他の所望の特性を有するバリアントを生成するための基礎として使用される。
【0038】
いくつかの態様では、バリアントは、ミスセンスバリアント遺伝子である。本明細書で使用される場合、「ミスセンスバリアント遺伝子」という用語は、ヌクレオチド置換が、遺伝子から作られるタンパク質における１つのアミノ酸の別のアミノ酸による置換をもたらす遺伝子を指す。アミノ酸の変化は、タンパク質の機能を変化させ得る。いくつかの態様では、アミノ酸の変化は、病原性バリアントをもたらし得る。いくつかの態様では、アミノ酸の変化は、良性バリアントをもたらし得る。
【0039】
「タンパク質」、「ポリペプチド」、及び「ペプチド」という用語は、互換的に使用され、アミド結合によって共有結合される２つ以上のアミノ酸からなる任意のポリマーを指す。場合によっては、ポリマーは、少なくとも約３０アミノ酸残基、及び概して少なくとも約５０アミノ酸残基を有する。より典型的には、ポリマーは、少なくとも約１００アミノ酸残基を含む。本開示は、任意の特定の長さのアミノ酸配列に限定されることを意図していない。この用語は、概して、全長タンパク質又はペプチドの断片であるとみなされる組成物を包含する。Ｄ－アミノ酸及びＬ－アミノ酸、並びにＤ－アミノ酸とＬ－アミノ酸との混合物も、この定義に含まれる。本明細書に記載のポリペプチドは、遺伝的にコードされるアミノ酸に限定されない。実際、遺伝的にコードされたアミノ酸に加えて、本明細書に記載のポリペプチドは、全体的又は部分的に、天然に存在するアミノ酸及び／又は合成の非コードアミノ酸からなり得る。いくつかの態様では、ポリペプチドは、親ポリペプチドの機能活性を保持しながら、完全長親ポリペプチドのアミノ酸配列と比較して、アミノ酸の付加、又は欠失（例えば、ギャップ）、及び／又は置換を含むアミノ酸配列を有する。いくつかの態様では、ポリペプチドは、翻訳後修飾（例えば、メチル化、リン酸化、グリコシル化）を介して修飾され得る。
【0040】
いくつかの態様では、バリアントは、ミスセンスバリアントタンパク質であり得る。本明細書で使用される場合、「ミスセンスバリアントタンパク質」という用語は、ミスセンスバリアント遺伝子によってコードされるタンパク質を指し、そのタンパク質は、参照タンパク質、例えば、集団内で普及している野生型タンパク質又はバリアントタンパク質に対してアミノ酸置換を有する。ミスセンスバリアントタンパク質は、野生型又は他の参照タンパク質に対して異なるアミノ酸配列を有し、タンパク質の配列の変化は、その物理的特性及び／又は機能的特性の両方に影響を及ぼし得る。タンパク質における単一のアミノ酸変異がタンパク質の不活性を引き起こすことがあり、これは、機能活性の劇的な変化であり、対象の致死性疾患を引き起こす可能性がある。いくつかの態様では、ミスセンスバリアントタンパク質における置換は、例えば、対象において疾患又は障害を発症させる、生物学的効果を有し得る。
【0041】
本明細書で使用される場合、「生物学的効果」という用語は、バリアントがタンパク質（例えば、ミスセンスバリアントタンパク質）である、所与の生物学的実体（例えば、バリアント）の分子効果、並びに細胞、組織、又は生物のレベルでのそのような実体の効果を含む。生物学的効果は、例えば、分子レベルでの効果、並びに生理学的効果を包含する。したがって、いくつかの態様では、タンパク質の分子構造（例えば、三次元構造）の変化、又はそのリガンドに対する結合親和性の変化は、生物学的効果とみなされる。いくつかの態様では、タンパク質の機能の獲得又は喪失は、生物学的効果とみなすことができる。いくつかの態様では、例えば、タンパク質の機能の獲得若しくは喪失に起因する疾患若しくは障害、又はタンパク質のミスフォールディングに起因するタンパク質凝集の発症は、生物学的効果とみなすことができる。いくつかの態様では、疾患又は障害を発症するリスクの増加又は減少は、生物学的効果とみなすことができる。いくつかの態様では、病理学的表現型の発現は、生物学的効果とみなすことができる。いくつかの態様では、「生物学的効果」及び「臨床的意義」という用語は、互換的に使用することができる。
【0042】
参照分子（例えば、参照タンパク質）の「コンフォメーション動力学」を生成することは、計算アルゴリズムを使用して、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の分子構造のコンフォメーション変化を決定することを含む。いくつかの態様では、これらのアルゴリズムは、分子動力学（ＭＤ）シミュレーションと呼ばれ、参照分子システムが、（１）原子間の物理的相互作用エネルギーを計算すること、及び（２）これらの相互作用エネルギーに従って原子を置換することを伴う計算サイクルを完了することによって、経時的にシミュレーションされる。ステップとしても知られるこれらのシミュレーションサイクルは、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の経時的な軌跡を生成し、参照分子又はバリアント分子のコンフォメーション動力学を特徴付ける。本明細書で使用される場合、「軌跡」という用語は、コンフォメーション動力学シミュレーションから得られるデータのセットを指し、これには、特定の期間にわたるシミュレーション中に参照分子又はバリアント分子がとる別個のコンフォメーション状態が含まれる。
【0043】
いくつかの態様では、少なくとも１つの（１）独立した軌跡は、参照分子又はバリアント分子のコンフォメーション動力学を特徴付けることができる。いくつかの態様では、ＭＤシミュレーションは、ＧＲＯＭＡＣＳ、ＯｐｅｎＭＭ、ＮＡＭＤ、Ａｍｂｅｒ、又はＬＡＭＭＰＳを使用して実施される。いくつかの態様では、ＭＤシミュレーションのサンプリングは、高度なサンプリング（ＡＳ）方法、例えば、アンブレラサンプリング、パラレルテンパリング、レプリカ交換、メタ動力学、及びシミュレーテッドアニーリングを使用することによって改善することができる。いくつかの態様では、深層学習アルゴリズムを使用して、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学を予測することができる。
【0044】
いくつかの態様では、同じ参照分子（例えば、参照タンパク質）若しくはバリアント分子（例えば、バリアントタンパク質）又はそれらのそれぞれの分子構造の複数のコンフォメーション状態を使用して、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学を推測することができる。参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学は、例えば、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の約１０，０００～約１，０００，０００又はそれ以上のコンフォメーション状態を含み得る。参照分子構造（例えば、参照タンパク質構造）又はバリアント分子構造（例えば、バリアントタンパク質構造）のコンフォメーション動力学は、コンフォメーション動力学を表す分布に従ってコンフォメーション状態を生成するために使用することができる生成モデルを含み得る。
【0045】
本開示の文脈において、「低次元コンフォメーションランドスケープ」という用語は、次元削減の適用から得られる、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学の複数のコンフォメーション状態を指す。分子のコンフォメーション動力学（例えば、参照分子又はバリアント分子、例えば、参照タンパク質又はバリアントタンパク質）の低次元コンフォメーションランドスケープを生成することは、例えば、（１）分子のコンフォメーション動力学を定義するコンフォメーション状態に分子特徴量化法を適用することと、（２）これらの特徴量化されたコンフォメーション状態に教師なし次元削減法を使用して、次元数を更に削減することと、を含み得る。
【0046】
低次元コンフォメーションランドスケープは、参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）の成分（例えば、原子）の機能及び／又は挙動に関与する関連するコンフォメーション動力学を明らかにすることができる。参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）のコンフォメーションランドスケープは、例えば、低次元空間におけるコンフォメーション動力学の軌跡からの個々のコンフォメーション状態の別個の分布として表すことができる。コンフォメーションランドスケープはまた、低次元空間における連続分布として表すこともできる。分布の密度は、コンフォメーションランドスケープにおける特定の領域を占める参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）の傾向を反映し、いくつかの態様では、この密度は、コンフォメーションランドスケープの高密度領域が低エネルギーコンフォメーションを反映するように、参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）の全体的なエネルギーと相関する。病原性分子変化（バリアント又は変異）を含むバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学は、良性分子変化（バリアント又は変異）を有する参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学とは異なる場合がある。
【0047】
本明細書に開示される方法は、特徴量化又は特徴量抽出ステップを含む。本明細書で使用される場合、「特徴量化」、「特徴量抽出」、及びそれらの文法的変形は、分子、例えば、本開示の参照分子（例えば、参照タンパク質）の構造的特徴を計算するために使用される方法を指す。分子の構造的特徴は、例えば、本開示の角度、配向、距離、相互作用、分散、変動、エネルギー、溶媒アクセシビリティ若しくはその欠如、又はそれらの任意の組み合わせを含み得る。構造的特徴は、構造エレメント（例えば、背骨、側鎖、残基、モチーフ、二次構造エレメント、又はドメイン）に従って、個々の原子又は原子のグループによって定義され得る。いくつかの態様では、分子特徴量化は、分子構造（例えば、本開示の参照分子又はバリアント分子）を定義する特徴の数の少なくとも１０倍、２０倍、３０倍、４０倍、又は５０倍の減少をもたらす。特徴量化プロセスは、人間のオペレータを必要とせず（すなわち、プロセスが自動化され）、特定の特徴量化が、下流のモデル性能に基づいて選択される。
【0048】
次元削減のための特定の特徴（例えば、骨格ψ角）の選択の背後にある理論的根拠の例が図５に示されている。これは、分子の病原性及び良性バリアント（例えば、位置Ｐ３４９Ｌ、Ｌ３４１Ｐなどでの変異を含むバリアント）において、特定の位置（Ｆ６５０）での骨格ψ角の異なる分布があることを示す。したがって、特徴（骨格ψ角分布）とバリアント分子の病原性との間に関係がある。したがって、骨格ψ角は、次元削減のために抽出され得る構造的特徴である。本明細書に開示される方法はまた、次元削減ステップを含む。この次元削減ステップはまた、人間のオペレータを必要としない。したがって、次元削減ステップは、教師なしである。次元削減を使用して、分子の低次元表現を生成するために、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学から抽出される全体的な構造的特徴の数を更に減少させることができる。本明細書で使用される場合、「次元削減」という用語は、特徴選択（例えば、特徴相関、分散（ｖａｒｉａｎｃｅ）、分散（ｄｉｓｐｅｒｓｉｏｎ）、又はそれらの任意の組み合わせに基づいて特徴を選択する）、線形分解（例えば、主成分分析、ＰＣＡ、及び／又は特異値分解、ＳＶＤ）、非線形分解（例えば、多様体学習（例えば、ＵＭＡＰ）、アイソマップ、カーネルＰＣＡ、ｔ分布型確率的近傍埋め込み（ｔ－ＳＮＥ）、及び多次元尺度（ＭＤＳ））、ニューラルネットワーク埋め込み（例えば、（変分）オートエンコーダ又はグラフ埋め込みの使用などを通して、入力データの低次元表現を生成するための人工ニューラルネットワーク（ＡＮＮ）を使用する）、又はそれらの任意の組み合わせを含む。教師なし次元削減は、少なくとも５０倍、６０倍、７０倍、８０倍、９０倍、又は１００倍の特徴の更なる減少をもたらし得る。
【0049】
図３に、本開示のワークフローの次元削減部分の概略図を示す。これには、（ｉ）特定の元の特徴又は特性が選択される構造的特徴量抽出ステップと、（ｉｉ）ＰＣＡ又はオートエンコーダなどの方法を使用して、選択された元の特徴又は特性が新しい特徴又は特性に変換される次元削減ステップと、が含まれている。その結果、コンフォメーション動力学の次元数の大幅な削減が達成され得る。例えば、複数の軌跡を含み、かつ１０，０００～１００，０００の自由度を有するシステムは、例えば、特徴の数の約５０倍の減少を達成するために、本明細書に開示される構造的特徴量抽出ステップ（例えば、いくつかの例を挙げると、骨格角度、残基対、距離、残基変動、又は溶媒アクセシビリティなどの特徴を抽出する）に供され得る。構造的特徴量抽出を行った後、軌跡を、（例えば、ＰＣＡ、オートエンコーダなどを使用して）本明細書に開示される次元削減ステップに供して、特徴の数が更に減少した（例えば、約１００倍減少した）軌跡のセットを得ることができる。
【0050】
本明細書に開示される方法は、参照分子（例えば、参照タンパク質）の低次元コンフォメーションランドスケープから、準安定なコンフォメーション状態又はそのセットを決定することを更に含む。そのような準安定なコンフォメーション状態を決定するプロセスは、一般に、（１）クラスタリング技術を使用して、参照分子（例えば、タンパク質）の低次元コンフォメーションランドスケープにおけるコンフォメーションクラスターのセットを定義することと（例えば、（ａ）参照タンパク質構造のコンフォメーション動力学からコンフォメーション状態を低次元空間に投影することによって、低次元空間におけるコンフォメーション状態のセットを定義すること、及び（ｂ）投影されたコンフォメーション状態を、コンフォメーションクラスターを定義するためのクラスタリングアルゴリズムへの入力として使用すること）、（２）全てのクラスターのセットからコンフォメーションクラスターのサブセットを選択することと、（３）更なる分析のための準安定なコンフォメーション状態として、選択された各コンフォメーションクラスターから代表的なコンフォメーション状態を定義することと、を含む。「コンフォメーションクラスター」は、低次元コンフォメーションランドスケープ（例えば、低次元コンフォメーションランドスケープにおける領域）において互いに近接しているコンフォメーション状態の集合である。
【0051】
開示された方法はまた、クラスター特性、例えば、コンフォメーションランドスケープ重心からの距離、クラスター占有率、クラスター分布統計、クラスターの構造特性、クラスターの熱力学、又はそれらの任意の組み合わせに基づいて、コンフォメーションクラスターのサブセットを選択するか、又は優先順位を付けることを含み得る。構造的特性は、分子システムの任意の数の構造成分の次元削減に使用される構造的特徴量化から選択することができる。
【0052】
いくつかの実施形態では、「準安定なコンフォメーション状態」という用語は、低次元表現におけるクラスターの全てのコンフォメーション状態のうちの重心に最も近いか又は最も近いものの１つである、コンフォメーションクラスターにおいてサンプリングされたコンフォメーション状態を指す。本明細書に開示される方法では、準安定なコンフォメーション状態は、選択された各コンフォメーションクラスターについて特定され得る。いくつかの実施形態では、準安定なコンフォメーション状態はまた、（ｉ）オートエンコーダのデコーダネットワークなどの生成モデルによって生成されるコンフォメーションクラスターの領域におけるコンフォメーション状態、又はコンフォメーションクラスターにおける近くのコンフォメーション状態から補完された状態、（ｉｉ）コンフォメーションランドスケープにおける極小値、又は（ｉｉｉ）目的の分子成分が、他の準安定なコンフォメーション状態と少なくとも約２Åの骨格原子平均二乗偏差（ＲＭＳＤ）異なるコンフォメーション状態として定義され得る。
【0053】
図４に、参照分子のコンフォメーションのエネルギー状態及びバリアント分子の準安定なコンフォメーションのエネルギー状態の概略図を示す。この表現は、上で考察したように、軌跡特徴量化（特定の特徴を選択することによってコンフォメーション動力学の自由度を減少させること）及び次元削減（例えば、ＰＣＡを介して選択された特徴を他の特徴に変換すること）を通して、コンフォメーション空間を簡素化又は圧縮して、参照分子とバリアント分子とを区別しながら、簡素化されたコンフォメーション動力学を生成することが可能であることを例示する。次に、以下で説明するように、簡素化された表現は、機械学習モデルを生成するための入力として使用され得る。図６に、リンチ症候群Ｉ又はミスマッチ修復がん症候群２などの疾患に関連する、ＭｕｔＳホモログ２タンパク質（ＭＳＨ２）のクラスタリング構造コンフォメーションから得られる例示的な低次元コンフォメーションランドスケープ表現を示す。図６に示されるクラスターの各々は、準安定なコンフォメーション状態を表す。
【0054】
低次元表現におけるコンフォメーション動力学は、例えば、図７に示されているように、病原性バリアントと良性バリアント（例えば、ミスセンス遺伝子バリアント）とを区別することができ、したがって、それらは、予測的機械学習モデルの特徴として効果的に使用することができる。バリアント分子（例えば、バリアントタンパク質）又はそのセットを構築することは、準安定なコンフォメーション状態又はそのセットにおいて、少なくとも１つのバリアント（例えば、変異）を参照分子（例えば、参照タンパク質）に導入することを含み得る。このプロセスは、例えば、（１）バリアント分子を構築するためのバリアント又はそのセット（例えば、変異又は変異のセット）、例えば、医学的遺伝子検査で観察される又は観察され得るバリアントのセットを定義することと、（２）分子システムの関連する分子成分にバリアント（例えば、変異）を導入することと（上に開示されているように、分子システムは、例えば、タンパク質などの参照分子、及び溶媒又はリガンドなどの追加の成分を含み得る）、（３）バリアントの立体ベース及び／又はエネルギーベースの最小化を行って（例えば、バリアントの導入後にバリアント分子とみなされるであろう参照分子における変異）、分子システムの急激なコンフォメーション変化を緩和することと、を含み得る。
【0055】
バリアントのセットは、（ｉ）予測モデルの訓練ラベルとして使用される、既知の臨床的意義を有するバリアントのセット、及び（ｉｉ）臨床的意義は未知であるが、更なるバリアント効果の情報が望まれるバリアントのセットを含み得る。バリアントのセットには、システムの１つ以上の分子成分の組成を変化させることが知られているバリアント（例えば、タンパク質における特定の位置でアミノ酸残基を変化させることが知られているミスセンスバリアント）が含まれている必要がある。バリアントのセットには、分子システムに対して病原性効果を引き起こすことが知られている少なくとも１つのバリアントと、分子システム（それ自体が参照分子システムであり得る）に非病原性（良性）効果を引き起こすことが知られている１つのバリアントと、が含まれている必要がある。
【0056】
バリアント（例えば、変異）は、例えば、分子構造における原子の同一性、特性、相互作用、又は位置を改変する可能性がある。バリアントは、例えば、アミノ酸側鎖又は核酸塩基の変異であってもよい。バリアントは、バリアント遺伝子（例えば、置換、挿入、欠失、ミスセンス変異、又はナンセンス変異）によって直接コードされ得るか、あるいは間接的に、例えば、分子システムの組成の変化（例えば、分子成分の濃度の増加若しくは減少、又は分子成分の化学組成の違い）又は分子成分の非遺伝的修飾（例えば、リン酸化若しくはグリコシル化などの翻訳後修飾）が生じ得る。
【0057】
いくつかの態様では、バリアント分子構造を生成するためのバリアント（例えば、ミスセンスバリアント）を参照分子構造に導入することは、以下のステップの一部又は全てを含み得る：（１）参照分子（例えば、参照タンパク質）からバリアント位置での特定のアミノ酸側鎖の原子及び相互作用を除去するステップ、（２）骨格φ－ψ角の元の位置を決定するステップ、（３）骨格依存性ロータマーライブラリを使用して、ミスセンスアミノ酸の考えられるロータマーコンフォメーションを反復的に特定し、このロータマーのバリアント位置での配置によって引き起こされる立体衝突を計算し、立体衝突が閾値を下回るまで繰り返すステップ、及び（４）バリアントの導入に関連する立体的及びエネルギー的コストを更に削減するための緩和を完了するステップ。
【0058】
準安定なコンフォメーション状態におけるバリアント分子構造のコンフォメーション動力学を決定することは、計算方法を使用して、バリアントの導入後に生じるコンフォメーション変化をサンプリングすることを含み得る。これらのコンフォメーション変化は、例えば、分子動力学（ＭＤ）シミュレーションを使用して決定することができる。
【0059】
本開示の予測モデルは、例えば、線形又は非線形回帰、決定木（例えば、ランダムフォレスト）、又は人工ニューラルネットワーク（ＡＮＮ）などの機械学習（ＭＬ）方法を使用して生成することができる。臨床データは、訓練ラベル、例えば、バイオマーカー状態（例えば、特定のバイオマーカーの有無又はその発現レベル）、バイオメトリックデータ、ライフスタイル関連データ、治療に対する応答、疾患若しくは状態の症状、タンパク質発現データ、投与される治療の種類、投与量、投与量レジメン、投与経路、併用療法の有無、療法に対する応答、年齢、体重、性別、民族性、ＮＣＢＩ ＣｌｉｎＶａｒデータベース提出物、ＩＮＶＩＴＡＥ（商標）臨床解釈、他の実験的若しくは計算モデルからのデータ、又はそれらの任意の組み合わせとして使用することができる。例えば、ＡＮＮは、バリアント分子の準安定なコンフォメーション状態のコンフォメーション動力学を決定した後に得られたバリアントタンパク質構造を含む訓練セットで訓練してもよい。訓練セットは、バリアントの導入によって引き起こされる構造変化と、例えば、観察された臨床特性（例えば、特定のバリアントが存在する場合の疾患の可能性又は重症度）に対応する各バリアントタンパク質構造に適用されるラベル（訓練ラベル）と、を含み得る。
【0060】
バリアント効果の予測は、バリアント分子の準安定なコンフォメーション状態のコンフォメーション動的変化を使用して、及びそのようなバリアント分子に適用される上に記載のものなどの訓練ラベルに対して予測モデルを訓練することと、訓練されたモデルを使用して、意義不明の他のバリアントの臨床的意義を予測することと、を含み得る。
【0061】
予測モデルは、例えば、（１）記憶された準安定なコンフォメーション状態から新しいバリアント分子（例えば、バリアントタンパク質）を構築することと、（２）新しいバリアント分子のコンフォメーション動力学を生成することと、（３）以前に計算された教師なし次元削減モデルを使用して、新しいバリアント分子の低次元コンフォメーション動力学を決定することと、（４）以前に訓練された予測モデルを使用して、新たに観察されたバリアントの臨床的意義を予測することと、を含むプロセスにおいて、遺伝子検査から新たに観察されたバリアントに拡張することができる。
【0062】
Ｉ．コンフォメーション動力学からのバリアント効果の高スループット予測
本開示は、バリアント（例えば、ミスセンス遺伝子及びタンパク質バリアント）の機能的結果、すなわち、生物学的効果の特徴付けを可能にする新規の計算方法を記載する。これらの方法は、コンフォメーション動力学の生成及び機械学習（ＭＬ）を統合して、分子システム（例えば、遺伝子又はタンパク質）及びそのバリアント（例えば、ミスセンスバリアント）の構造的特徴を特定及び定量化し、バリアント（例えば、変異）の効果及びそれらの潜在的な生物学的機能の破壊の測定又は予測を得る。次に、参照分子システム（例えば、野生型タンパク質若しくは遺伝子、又は一般的な対立遺伝子形態）に関する機能的破壊（すなわち、生物学的効果）、及びそれらの重症度の特定を、例えば、そのような機能的破壊に関連する疾患及び障害を治療するために使用することができる。
本開示は、バリアント（例えば、ミスセンス遺伝子及びタンパク質バリアント）の機能的結果、すなわち、生物学的効果の特徴付けを可能にする新規の計算方法を記載する。これらの方法は、コンフォメーション動力学の生成及び機械学習（ＭＬ）を統合して、分子システム（例えば、遺伝子又はタンパク質）及びそのバリアント（例えば、ミスセンスバリアント）の構造的特徴を特定及び定量化し、バリアント（例えば、変異）の効果及びそれらの潜在的な生物学的機能の破壊の測定又は予測を得る。次に、参照分子システム（例えば、野生型タンパク質若しくは遺伝子、又は一般的な対立遺伝子形態）に関する機能的破壊（すなわち、生物学的効果）、及びそれらの重症度の特定を、例えば、そのような機能的破壊に関連する疾患及び障害を治療するために使用することができる。
【0063】
いくつかの態様では、本開示は、バリアント（例えば、ミスセンスバリアント）の生物学的効果の高スループット予測のためのコンピュータ実装方法を提供し、本方法は、
（ａ）参照分子（例えば、野生型タンパク質若しくは遺伝子、又は一般的な対立遺伝子形態）の構造のコンフォメーション動力学を（例えば、分子動力学から）生成することと、
（ｂ）教師なし次元削減法を使用して、参照分子（例えば、参照タンパク質）を含む参照分子システムの低次元コンフォメーションランドスケープを定義することと、
（ｃ）参照分子（例えば、参照タンパク質）を含む参照分子システムの低次元コンフォメーションランドスケープから、準安定なコンフォメーション状態又はそのセットを決定することと、
（ｄ）インシリコで少なくとも１つのバリアント（例えば、変異）を、参照分子システム、例えば、参照分子（例えば、参照タンパク質）における分子成分の準安定なコンフォメーション状態又はそのセットに導入し、それによって、例えば、バリアント分子（例えば、バリアントタンパク質）又はそのセットを含むバリアント分子システムを生成することと、
（ｅ）準安定なコンフォメーション状態又はそのセットにおけるバリアント分子システム又はそのセットのコンフォメーション動力学を決定することと、
（ｆ）教師なし次元削減法を使用して、準安定なコンフォメーション状態又はそのセットにおけるバリアント分子システム又はそのセットのコンフォメーション動力学の低次元表現を生成することと、
（ｇ）バリアントシステム又はそのセットのコンフォメーション動力学の低次元表現、及び生物学的データ又は臨床データを訓練ラベルとして使用して、予測モデル（例えば、ＡＮＮ）を訓練することであって、予測モデルが、参照分子システムの分子成分（例えば、タンパク質）（例えば、参照タンパク質）に対するバリアントの生物学的効果を予測する、訓練することと、任意選択的に、
（ｈ）予測モデルを、医学的遺伝子検査から新たに観察されたバリアントに迅速に拡張することと（例えば、ワークフローのステップ（ｄ）における評価のために新しいバリアントを導入すること）、を含む。
（ａ）参照分子（例えば、野生型タンパク質若しくは遺伝子、又は一般的な対立遺伝子形態）の構造のコンフォメーション動力学を（例えば、分子動力学から）生成することと、
（ｂ）教師なし次元削減法を使用して、参照分子（例えば、参照タンパク質）を含む参照分子システムの低次元コンフォメーションランドスケープを定義することと、
（ｃ）参照分子（例えば、参照タンパク質）を含む参照分子システムの低次元コンフォメーションランドスケープから、準安定なコンフォメーション状態又はそのセットを決定することと、
（ｄ）インシリコで少なくとも１つのバリアント（例えば、変異）を、参照分子システム、例えば、参照分子（例えば、参照タンパク質）における分子成分の準安定なコンフォメーション状態又はそのセットに導入し、それによって、例えば、バリアント分子（例えば、バリアントタンパク質）又はそのセットを含むバリアント分子システムを生成することと、
（ｅ）準安定なコンフォメーション状態又はそのセットにおけるバリアント分子システム又はそのセットのコンフォメーション動力学を決定することと、
（ｆ）教師なし次元削減法を使用して、準安定なコンフォメーション状態又はそのセットにおけるバリアント分子システム又はそのセットのコンフォメーション動力学の低次元表現を生成することと、
（ｇ）バリアントシステム又はそのセットのコンフォメーション動力学の低次元表現、及び生物学的データ又は臨床データを訓練ラベルとして使用して、予測モデル（例えば、ＡＮＮ）を訓練することであって、予測モデルが、参照分子システムの分子成分（例えば、タンパク質）（例えば、参照タンパク質）に対するバリアントの生物学的効果を予測する、訓練することと、任意選択的に、
（ｈ）予測モデルを、医学的遺伝子検査から新たに観察されたバリアントに迅速に拡張することと（例えば、ワークフローのステップ（ｄ）における評価のために新しいバリアントを導入すること）、を含む。
【0064】
ワークフローの異なるステップは、最初の反復後に事前に計算されるため、追加のバリアントの評価は、非常に迅速に行われるであろう。
【0065】
概して、本明細書に記載の方法は、上記のステップのうちの１つ以上を含む。いくつかの態様では、上記のステップの順序は、例えば、バリアント分子（例えば、バリアントタンパク質）又はそのセットのコンフォメーション動力学の生成（例えば、ＭＤを使用して）は、参照分子（例えば、参照タンパク質）の構造コンフォメーションをシミュレーションする前に又は同時に実施され得る。他の態様では、ステップの特定のグループは、ループで繰り返され得る。例えば、バリアント分子システム（例えば、バリアントタンパク質構造を含む分子システム）又はそのセットを、インシリコで参照分子システム（例えば、参照分子（例えば、野生型タンパク質又は一般的な対立遺伝子形態などの参照タンパク質を含む分子システム）の準安定なコンフォメーション状態に少なくとも１つのバリアント（例えば、ミスセンス変異）を導入することによって、生成することと、例えば、分子動力学（ＭＤ）を適用することによって、バリアントシステム又はそのセットのコンフォメーション動力学を決定することと（すなわち、構造コンフォメーションをシミュレーションすること）、を含むステップは、バリアントの異なるバッチ又はファミリーに連続的又は同時に適用され得る。
【0066】
いくつかの態様では、本明細書に記載の方法は、（ａ）参照タンパク質のコンフォメーション動力学を生成することと、（ｂ）教師なし次元削減法を使用して、参照タンパク質構造の低次元コンフォメーションランドスケープを定義することと、（ｃ）参照タンパク質構造の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態又はそのセットを決定することと、（ｄ）インシリコで少なくとも１つのバリアント（例えば、変異）を参照タンパク質構造の準安定なコンフォメーション状態又はそのセットに導入することによって、バリアントタンパク質又はそのセットを構築し、それによって、バリアントタンパク質構造又はそのセットを生成することと、（ｅ）準安定なコンフォメーション状態又はそのセットにおけるバリアントタンパク質構造又はそのセットのコンフォメーション動力学を判定することと、（ｆ）教師なし次元削減法を使用して、準安定なコンフォメーション状態又はそのセットにおけるバリアントタンパク質又はそのセットのコンフォメーション動力学の低次元表現を生成することと、（ｇ）生物学的データ又は臨床データを訓練ラベルとして使用して、バリアントタンパク質又はそのセットのコンフォメーション動力学の低次元表現を使用して、予測モデルを訓練することであって、モデルが、参照タンパク質に対するバリアントの生物学的効果を予測する、訓練することと、任意選択的に、（ｈ）予測モデルを、医学的遺伝子検査から新たに観察されたバリアントに迅速に拡張することと、を含む。いくつかの態様では、評価のための新しいバリアントが、ステップ（ｄ）でパイプラインに導入され得る。
【0067】
図１及び図２に、本開示の例示的なワークフローの概略図を示す。図１の図は、主要なモジュール（コンフォメーション動力学の生成、教師なし次元削減、準安定なコンフォメーション状態の特定、バリアント構築、モデル拡張、及び予測モデリング；白色の背景）と、様々なモジュールの入力及び出力であるデータオブジェクト（参照分子、参照分子のコンフォメーション動力学、低次元コンフォメーションランドスケープ、準安定なコンフォメーション状態、バリアントリスト、バリアント分子、バリアント分子のコンフォメーション動力学、バリアント分子の低次元コンフォメーション動力学、遺伝子検査から新たに観察されたバリアント、バリアントの臨床訓練データ、及び予測されるバリアント効果；灰色の背景）と、を示す。
【0068】
本明細書に開示される分子コンフォメーション動力学からバリアント効果を予測する予測システムは、以下のステップ：（ａ）参照分子のコンフォメーション動力学を生成するステップと、（ｂ）教師なし次元削減法を使用して、参照分子の低次元コンフォメーションランドスケープを定義するステップと、（ｃ）参照分子の低次元コンフォメーションランドスケープから準安定なコンフォメーション状態又はそのセットを決定するステップと、（ｄ）準安定なコンフォメーション状態又はそのセットにおける参照分子の分子成分に少なくとも１つの分子変化を導入することによって、バリアント分子又はそのセットを構築するステップと、（ｅ）準安定なコンフォメーション状態又はそのセットにおけるバリアント分子又はそのセットのコンフォメーション動力学を決定するステップと、（ｆ）教師なし次元削減法を使用して、準安定なコンフォメーション状態又はそのセットにおけるバリアント分子又はそのセットのコンフォメーション動力学の低次元表現を生成するステップと、（ｇ）生物学的データ又は臨床データを訓練ラベルとして使用して、バリアント分子又はそのセットのコンフォメーション動力学の低次元表現を使用して、予測モデルを訓練するステップであって、モデルが、参照分子の分子成分に対するバリアントの生物学的効果を予測する、訓練するステップと、任意選択的に、（ｈ）予測モデルを医学的遺伝子検査から新たに観察されたバリアントに迅速に拡張するステップと、を含み得る。図２を参照されたい。
【0069】
Ｉ．Ａ コンフォメーション動力学の生成
本明細書に開示される方法は、分子構造のコンフォメーション動力学を使用する。コンフォメーション動力学は、例えば、本開示の参照分子又はバリアント分子を含むシステムにおける原子及び分子の運動を研究するためのコンピュータ方法（例えば、分子動力学（ＭＤ）シミュレーション）を使用して生成され得る。コンフォメーション動力学は、例えば、タンパク質及び核酸などの高度に動的な構造を有する大きな分子を含み得るシステムにおける原子及び分子の複雑な時間依存性の挙動を表す。かかる動力学には、例えば、分子の安定性、分子のフォールディング、分子のコンフォメーションの変化、及び分子の結合が含まれる。したがって、タンパク質の場合、そのような動力学は、例えば、タンパク質の安定性、タンパク質のフォールディング、タンパク質のコンフォメーションの変化、及び受容体／リガンド結合を含む分子結合を含む。これらの研究は、例えば、がん及び遺伝性疾患を含む様々な疾患の治療用の薬物を設計するための有用な情報を提供することができる。それらはまた、バリアント（例えば、変異）などの、分子（例えば、タンパク質（例えば、参照タンパク質又は本開示のミスセンスバリアントタンパク質などのバリアントタンパク質）などの巨大分子）の生物学的機能に対する破壊の重症度を予測するための情報を提供する。
本明細書に開示される方法は、分子構造のコンフォメーション動力学を使用する。コンフォメーション動力学は、例えば、本開示の参照分子又はバリアント分子を含むシステムにおける原子及び分子の運動を研究するためのコンピュータ方法（例えば、分子動力学（ＭＤ）シミュレーション）を使用して生成され得る。コンフォメーション動力学は、例えば、タンパク質及び核酸などの高度に動的な構造を有する大きな分子を含み得るシステムにおける原子及び分子の複雑な時間依存性の挙動を表す。かかる動力学には、例えば、分子の安定性、分子のフォールディング、分子のコンフォメーションの変化、及び分子の結合が含まれる。したがって、タンパク質の場合、そのような動力学は、例えば、タンパク質の安定性、タンパク質のフォールディング、タンパク質のコンフォメーションの変化、及び受容体／リガンド結合を含む分子結合を含む。これらの研究は、例えば、がん及び遺伝性疾患を含む様々な疾患の治療用の薬物を設計するための有用な情報を提供することができる。それらはまた、バリアント（例えば、変異）などの、分子（例えば、タンパク質（例えば、参照タンパク質又は本開示のミスセンスバリアントタンパク質などのバリアントタンパク質）などの巨大分子）の生物学的機能に対する破壊の重症度を予測するための情報を提供する。
【0070】
タンパク質などの分子のコンフォメーション動力学の研究は複雑であり、正確な情報を得るために、コンピュータ及び巨大分子構造及び巨大分子動力学のインシリコ研究が必要である。いくつかの態様では、本明細書に開示される方法は、任意のソフトウェア、ポテンシャルエネルギーを計算するために使用される任意のパラメータセット又は力場、及び任意のタンパク質／リガンド相互作用システムを使用して実施される、全原子コンフォメーション動力学シミュレーション（例えば、ＭＤシミュレーション）を使用することができる。パラメータセットには、システムにおける個々の原子の挙動を制御するルールセットが含まれる。コンフォメーション動力学シミュレーション（例えば、ＭＤシミュレーション）によって生成された分子構造は、本開示の参照分子又はバリアント分子のコンフォメーション動力学に対するバリアント（例えば、変異）の影響、例えば、全体的な構造的特徴、構造におけるサブドメインの動力学、エネルギー相互作用、及び構造の全体的な集合の統計的特徴を比較するためのいくつかのメトリックによって特徴付けることができる。
【0071】
計算集約的であることに加えて、（例えば、ＭＤシミュレーションからの）コンフォメーション動力学には、時間の経過に伴う三次元の分子内の全ての原子の運動が含まれているため、高次元である。分子には１０，０００個以上の原子が存在することが多いため、これらの高次元システムの分析は、典型的には、目的の特徴を決定するために専門家の分析を必要とする。目的の特徴を決定するために人間の専門家を使用する必要があるため、高スループットモードでのこれらの方法の適用を妨げるボトルネックが生じる。したがって、例えば、機械学習を使用して、高スループットのバリアント分類のためにコンフォメーション動力学データ（例えば、ＭＤデータ）を使用するために、（すなわち、人間の介入なしに）自動化された様式で、関連する構造的特徴を抽出し、コンフォメーション動力学データ（例えば、ＭＤデータ）の次元数を削減することができる方法を開発する必要性がある。
【0072】
いくつかの態様では、コンフォメーション動力学を使用して、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の構造コンフォメーションをシミュレーションすることは、（ｉ）参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の三次元構造を取得することと、（ｉｉ）参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の取得された三次元構造を使用して、（例えば、ＭＤから）コンフォメーション動力学を生成することと、を含む。いくつかの態様では、三次元分子構造は、（例えば、結晶学、電子顕微鏡、又は核磁気共鳴によって）実験的に決定される。いくつかの態様では、三次元分子構造は、ＰＤＢなどの実験的三次元タンパク質構造リポジトリから取得される。
【0073】
分子の（例えば、タンパク質の）構造を知ることで、それがどのように機能するかを理解するための重要なリソースが提供されるが、分子の構造を決定するための実験は、数ヶ月又はそれ以上かかることがあり、なかには手に負えないことが判明する。このため、研究者らは分子構造を予測するための計算方法を開発してきた。例えば、研究者は、それらの一次アミノ酸配列からタンパク質構造を予測するための計算方法を開発した。同様のタンパク質の三次元構造が、例えば、Ｘ線結晶学を使用して既に実験的に決定されている場合、「テンプレートモデリング」に基づくアルゴリズムは、タンパク質構造の正確な予測を提供することができる。したがって、いくつかの態様では、三次元構造は、テンプレートモデル構造である。
【0074】
いくつかの態様では、三次元分子構造は、実験的に決定された分子構造が利用できない分子（例えば、タンパク質）に対応する。したがって、いくつかの態様では、三次元分子構造は、計算モデリングを介して得られる。いくつかの態様では、自由モデル化三次元分子構造は、ｍｏｄｂａｓｅ、Ｐｆａｍ、ＥＭＤＢ、又はＥＶＦｏｌｄなどの計算的に導出された構造を有するデータベースから取得される。いくつかの態様では、三次元分子構造は、ＡｌｐｈａＦｏｌｄ又はｔｒＲｏｓｅｔｔａなどの既存の計算構造予測ソフトウェアを使用した予測によって得られる。例えば、Ｓｅｎｉｏｒ ｅｔ ａｌ．（２０２０）Ｎａｔｕｒｅ ５７７：７０６－７１０及びＹａｎｇ ｅｔ ａｌ．（２０２０）ＰＮＡＳ １１７：１４９６－１５０３（それらのいずれも、その全体が参照により本明細書に組み込まれる）を参照されたい。いくつかの態様では、三次元分子構造は、実験方法及び計算方法の組み合わせによって決定される。
【0075】
いくつかの態様では、本明細書に開示される方法で使用される三次元分子構造は、それらの分解能に従って選択される。いくつかの態様では、本明細書に開示される方法で使用される三次元分子構造は、高分解能分子構造である。
【0076】
本明細書で使用される場合、「分解能」という用語は、実験的に導出された分子構造（例えば、本開示の参照分子又はバリアント分子の構造）について収集されたデータの品質の尺度を指す。例えば、Ｘ線結晶学を使用して得られた分子構造の場合、回折された結晶中の全てのタンパク質が同一の方法でアラインメントされ、非常に完璧な結晶を形成する場合、全てのタンパク質は、同じ方法でＸ線を散乱させ、回折パターンが、結晶化されたタンパク質の細部を示す。一方、結晶中のタンパク質が全てわずかに異なる場合、局所的な柔軟性又は運動のために、回折パターンはそれほど細かい情報を含まないであろう。したがって、分解能は、回折パターンに存在する詳細のレベル、及び電子密度マップが計算されるときに見られるであろう詳細のレベルの尺度である。結晶構造に適用される「高分解能」とは、分解能値が１Å程度で、高秩序であり、電子密度マップ内の全ての原子を容易に見ることができる構造を指す。結晶構造に適用される「低分解能」とは、タンパク質鎖の基本的な輪郭のみを示す分解能が３Å以上の構造を指し、原子構造を推測しなければならない。タンパク質の結晶学的に定義された構造のほとんどは、これらの２つの極値の間にある。一般的な経験則として、分解能値が小さい分子構造、すなわち、「高分解能構造」では、原子の位置の信頼性が高い。
【0077】
いくつかの態様では、「高分解能」という用語は、例えば、実験的に導出された構造、例えば、参照分子（例えば、参照タンパク質）の結晶構造において３．０Å以下の分解能を意味する。開示される方法において、６．０Å、５．０Å、４．０Å、３．０Å、２．０Å、又はそれ以下などの任意の分解能の分子構造を用いることができる。したがって、いくつかの態様では、分解能は、約１Å、約１．５Å、約２Å、約２．５Å、約３Å、約３．５Å、約４Å、約４．５Å、約５Å、約５．５Å、又は約６Åである。いくつかの態様では、分解能は、約６Åよりも優れている（高い）、約５Åよりも優れている、約４Åよりも優れている、約３Åよりも優れている、約２Åよりも優れている、又は約Å１よりも優れている。いくつかの態様では、分解能は、約１Å～約２Å、約２Å～約３Å、約３Å～約４Å、約４Å～約５Å、約５Å～約６Å、約１Å～約３Å、約２Å～約４Å、約３Å～約５Å、約４Å～約６Å、約１Å～約４Å、約２Å～約５Å、約３Å～約６Å、約１Å～約５Å、約２Å～約６Å、又は約１Å～約６Åである。
【0078】
いくつかの態様では、本明細書に開示される方法において使用される分子の三次元構造は、例えば、ＭＤシミュレーションから、コンフォメーション動力学のエネルギー学に従って選択される。分解能は、実験的に導出された構造の考慮事項であるが、計算的に予測された構造には適用されない。標的を選択するための基準として構造及び予測品質メトリック（例えば、分解能）を使用することに加えて、例えば、ＭＤシミュレーションからのコンフォメーション動力学を使用して、参照分子構造（例えば、参照タンパク質の三次元構造）がバリアント分子の構造モデルの構築に適しているかどうかを評価することができる。コンフォメーション動力学（例えば、タンパク質構造のＭＤシミュレーションからの）は、二次、三次、及び複合体の場合は四次構造の変化、並びに／又は溶媒にアクセス可能な表面積の変化について評価して、参照分子（例えば、参照タンパク質）のコンフォメーション動力学を正確に計算することができるかどうかを決定することができる。
【0079】
参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）のコンフォメーション動力学は、コンピュータ方法（例えば、ＭＤシミュレーション）を、参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）の三次元構造に適用することによって決定される。ＭＤは、原子及び分子の物理的な運動を分析するためのコンピュータシミュレーション方法である。原子と分子は一定期間相互作用することができ、システムの動的な「進化」の様子がわかる。最も一般的なバージョンでは、原子及び分子の軌跡は、相互作用している粒子のシステムについてのＮｅｗｔｏｎの運動方程式を数値的に解くことによって決定され、粒子とそれらのポテンシャルエネルギーとの間の力は、しばしば原子間ポテンシャル又は分子力学的力場を使用して計算される。分子システムは、典型的には膨大な数の粒子で構成されているため、そのような複雑なシステムの特性を分析的に決定することは不可能であり、ＭＤシミュレーションは、数値方法を使用することによってこの問題を回避する。
【0080】
ＭＤ以外のコンフォメーション動力学を生成する他の方法を使用して、タンパク質のコンフォメーションランドスケープを決定することができる（ｗｗｗ．ｓｃｉｅｎｃｅｄｉｒｅｃｔ．ｃｏｍ／ｓｃｉｅｎｃｅ／ａｒｔｉｃｌｅ／ｐｉｉ／Ｓ０９６９２１２６１９３０１１４５）。この方法は、コンフォメーション動力学のシミュレーション（例えば、ＭＤシミュレーション）自体に依存せず、コンフォメーションランドスケープを表す別個のコンフォメーション状態の集合を有する。従来のＭＤの代わりに、分子のコンフォメーションランドスケープを決定するために、深層学習を組み込んだこのような方法を使用することができる。ノーマルモード解析（ｐｕｂｓ．ａｃｓ．ｏｒｇ／ｄｏｉ／１０．１０２１／ｃｒ９０００９５ｅ）も、従来のＭＤに類似して、タンパク質のコンフォメーション状態を計算するために使用することができる。
【0081】
計算が妥当な時間内に完了できるように、シミュレーションサイズ、タイムステップ、及び合計時間を選択しなければならない。しかしながら、コンフォメーションシミュレーションは、研究対象の自然なプロセスの時間スケールに適切な十分な長さである必要がある。コンフォメーションシミュレーションから統計的に有効な結論を出すには、シミュレーションされたタイムスパンが自然のプロセスの動態と一致する必要がある。例えば、タンパク質の動力学には、ナノ秒（１０<+－><+９>秒）からマイクロ秒（１０<+－><+６>秒）にわたるシミュレーションからのデータが使用される。これらのコンフォメーションシミュレーションを得るには、数ＣＰＵ日からＣＰＵ年が必要である。並列アルゴリズムは、負荷をＣＰＵ間で分散させることを可能にし、一例は、空間分割アルゴリズム又は力分解アルゴリズムである。古典的なＭＤシミュレーション中、最もＣＰＵ集約的なタスクは、粒子の内部座標の関数としてのポテンシャルの評価である。シミュレーションに必要な総ＣＰＵ時間に影響を与える別の要因は、積分タイムステップのサイズである。これは、ポテンシャルの評価間の時間の長さである。タイムステップは、離散化誤差を回避するために十分に小さい（すなわち、システムにおける最速の振動周波数に関連する期間よりも小さい）ように選択されなければならない。古典的なＭＤの典型的なタイムステップは、１フェムト秒（１０<+－><+１><+５>秒）程度である。
【0082】
単一のタンパク質のコンフォメーション動力学を生成するためのＣＰＵ時間の要件を考慮すると、ＭＤベースの方法は、高スループット解析には好適ではない。しかしながら、以下に詳細に開示されるように、現在開示されている方法は、ＭＤシミュレーションで使用されるデータの次元数を削減し、ＣＰＵ時間を劇的に削減することが可能であり、したがって、高スループットモードで、例えば、ＭＤシミュレーションからのコンフォメーション動力学の適用が可能になる。
【0083】
いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＧＲＯＭＡＣＳパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＮＡＭＤパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＯｐｅｎＭＭパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＡＭＢＥＲパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＬＡＭＭＰＳパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＣＨＡＲＭＭパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、Ａｂａｌｏｎｅパッケージ／プログラムを使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＴＩＮＫＥＲパッケージ／プログラムを使用して生成される。
【0084】
いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＧＲＯＭＯＳ力場を使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＯＰＬＳ（Ｏｐｔｉｍｉｚｅｄ Ｐｏｔｅｎｔｉａｌｓ ｆｏｒ Ｌｉｑｕｉｄ Ｓｉｍｕｌａｔｉｏｎｓ）力場を使用して生成される。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＡＭＢＥＲ（Ａｓｓｉｓｔｅｄ Ｍｏｄｅｌ Ｂｕｉｌｄｉｎｇ ｗｉｔｈ Ｅｎｅｒｇｙ Ｒｅｆｉｎｅｍｅｎｔ）力場を使用して生成される。いくつかの態様では、ＡＭＢＥＲ力場は、ｆｆ１４ＳＢである。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＣＨＡＲＭＭ（Ｃｈｅｍｉｓｔｒｙ ａｔ Ｈａｒｖａｒｄ Ｍａｃｒｏｍｏｌｅｃｕｌａｒ Ｍｅｃｈａｎｉｃｓ）力場を使用して実施される。いくつかの態様では、ＣＨＡＲＭＭ力場は、ＣＨＡＲＭＭ１９（結合原子、場合によっては伸長原子と呼ばれる）、ＣＨＡＲＭＭ２２（全原子）、ＣＨＡＲＭＭ２２／ＣＭＡＰ（ＣＨＡＲＭＭ２２の二面角ポテンシャル補正バリアント）、ＣＨＡＲＭＭ２７、ＣＨＡＲＭＭ３６、ＣＨＡＲＭＭ３６ｍ、又はＣＨＡＲＭＭ３６ＩＤＰＳＦＦである。いくつかの態様では、例えば、ＭＤシミュレーションからのコンフォメーション動力学は、ＭＭＦＦ力場（Ｍｅｒｃｋ分子力場）を使用して実施される。
【0085】
いくつかの態様では、参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）は、ＭＡＲＴＩＮＩ力場を使用して、参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）をシミュレーションするために必要な原子数（したがって、計算及び時間）を削減するなど、粗視化され得る。参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）を粗視化することによって、参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）のシミュレーション時間を削減することができる。
【0086】
いくつかの態様では、溶媒環境において参照分子又はバリアント分子（例えば、参照タンパク質又はバリアントタンパク質）をシミュレーションするために、溶媒分子が必要である。いくつかの態様では、これらの溶媒分子は、明示的水分子（ｅｘｐｌｉｃｉｔ ｗａｔｅｒ ｍｏｌｅｃｕｌｅ）（ＴＩＰ３Ｐなど）である。いくつかの態様では、これらの溶媒分子は、イオン分子（Ｎａ<+＋>又はＣｌ<+－>など）を含む。いくつかの態様では、これらの溶媒分子は、脂質、全原子、又は粗視化原子のいずれかである。いくつかの態様では、これらの溶媒分子は、シミュレーションにおける原子数を減少させるために、陰溶媒モデルで表すことができる。
【0087】
特定の一態様では、明示的ＴＩＰ３Ｐ溶媒を有するＣＨＡＲＭＭ３６力場が使用される。標的システムの最小化シミュレーションは、拘束された骨格原子を用いた５，０００を超えるシミュレーションステップで行われ、続いて、１２５ピコ秒から３０３Ｋの温度までの平衡化が行われ、続いて、１．２ｎｍの半径の粒子メッシュＥｗａｌｄ静電範囲及びＶａｎ ｄｅｒ Ｗａａｌｓ相互作用のための１．２ｎｍの半径カットオフを使用して、２フェムト秒ごとにサンプリングされた生産シミュレーションが行われる。
【0088】
シミュレーションを並列化し、粗視化又は陰溶媒を使用してその複雑さを低減し、高度なサンプリング方法を使用してサンプリングを改善することで、必要なシミュレーション時間が短縮される一方、参照タンパク質と同じ量のサンプリングで各バリアント分子をシミュレーションすることは、高スループットの臨床バリアント解釈プラットフォームで使用するために、依然として過度に計算、時間、及びコスト集約的である。しかしながら、本明細書に記載されるように、参照分子のコンフォメーションシミュレーションを使用して、コンフォメーションランドスケープの低次元表現を生成し、ランドスケープにおけるコンフォメーションをクラスタリングして、バリアント分子をシミュレーションするための準安定なコンフォメーション状態を特定することによって、バリアントのシミュレーション時間の総量を削減することができる。特定の一態様では、参照タンパク質を、約５マイクロ秒のシミュレーション時間でシミュレーションし、合計３００時間を超える計算時間を要した。これと比較して、各バリアントタンパク質シミュレーションについて、高性能のモデルを生成するのに必要なシミュレーション時間はわずか１００ナノ秒（７時間の計算時間）であり、すなわち、本明細書に記載されるように特定された事前に計算された準安定なコンフォメーション状態を選択することで、総計算時間が元の時間の約２％に削減された。言い換えれば、従来のコンフォメーション動力学アプローチが単一のバリアントタンパク質についてコンフォメーションシミュレーションを計算する間に、本方法は、４０を超えるバリアントタンパク質についてコンフォメーション動力学シミュレーションを実施することができる。これらのシミュレーション時間の短縮は、コンフォメーションランドスケープの低次元表現を使用した結果であり、準安定なコンフォメーション状態を特定するためにランドスケープにおけるコンフォメーションをクラスタリングした結果であり、使用されるシミュレーションパッケージ／プログラム及び／又は高度なサンプリング方法とは独立した任意のシミュレーションアプローチに適用可能であることを強調することが重要である。
【0089】
いくつかの態様では、本明細書に開示される方法における（例えば、ＭＤシミュレーションを介した）コンフォメーション動力学ステップの生成の各々は、独立して、各分子（例えば、参照タンパク質などの参照分子又はその任意のバリアント）について、少なくとも約１，０００、少なくとも約５，０００、少なくとも約１０，０００、少なくとも約２０，０００、少なくとも約３０，０００、少なくとも約４０，０００、少なくとも約５０，０００、少なくとも約６０，０００、少なくとも約７０，０００、少なくとも約８０，０００、少なくとも約９０，０００、少なくとも約１００，０００、少なくとも約２００，０００、少なくとも約３００，０００、少なくとも約４００，０００、少なくとも約５００，０００、少なくとも約６００，０００、少なくとも約７００，０００、少なくとも約８００，０００、少なくとも約９００，０００、又は少なくとも約１，０００，０００のシミュレーションされた構造コンフォメーションを生成することを含む。いくつかの態様では、本明細書に開示される方法における（例えば、ＭＤシミュレーションを介した）コンフォメーション動力学ステップの生成の各々は、各分子（例えば、参照タンパク質などの参照分子又はその任意のバリアント）について、独立して、約１，０００、約５，０００、約１０，０００、約２０，０００、約３０，０００、約４０，０００、約５０，０００、約６０，０００、約７０，０００、約８０，０００、約９０，０００、約１００，０００、約２００，０００、約３００，０００、約４００，０００、約５００，０００、約６００，０００、約７００，０００、約８００，０００、約９００，０００、又は約１，０００，０００のシミュレーションされた構造コンフォメーションを生成することを含む。いくつかの態様では、本明細書に開示される方法における（例えば、ＭＤシミュレーションを介した）コンフォメーション動力学ステップの生成の各々は、各分子（例えば、参照タンパク質などの参照分子又はその任意のバリアント）について、独立して、約１，０００～約５０，０００、約５０，０００～約１００，０００、約１００，０００～約１５０，０００、約１５０，０００～約２００，０００、約２００，０００～約２５０，０００、約２５０，０００～約３００，０００、約３００，０００～約３５０，０００、約３５０，０００～約４００，０００、約４５０，０００～約５００，０００、約５００，０００～約６００，０００、約６００，０００～約７００，０００、約７００，０００～約８００，０００、約８００，０００～約９００，０００、又は約９００，０００～約１，０００，０００のシミュレーションされた構造コンフォメーションを生成することを含む。いくつかの態様では、本明細書に開示される方法における（例えば、ＭＤシミュレーションを介した）コンフォメーション動力学ステップの生成の各々は、各分子（例えば、参照タンパク質などの参照分子又はその任意のバリアント）について、独立して、少なくとも１，０００，０００のシミュレーションされた構造コンフォメーションを生成することを含む。いくつかの態様では、「シミュレーション」という用語は、所与のタンパク質についての全てのシミュレーションされた構造コンフォメーションを指す。「コンフォメーション動力学」、「シミュレーションされた構造コンフォメーション」、「コンフォメーションシミュレーション」、及びそれらの文法的変形は、互換的に使用され、コンフォメーション動力学（例えば、分子動力学（ＭＤ））を生成する方法の適用によって得られる参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、バリアントタンパク質）の三次元コンフォメーションを指す。
【0090】
いくつかの態様では、本明細書に開示される方法、例えば、上記のワークフローのステップ（ａ）及び（ｅ）における（例えば、ＭＤシミュレーションを介して）コンフォメーション動力学ステップの生成ステップの各々は、独立して、約１，０００、約５，０００、約１０，０００、約２０，０００、約３０，０００、約４０，０００、約５０，０００、約６０，０００、約７０，０００、約８０，０００、約９０，０００、約１００，０００、約１５０，０００、約２００，０００、約２５０，０００、約３００，０００、約３５０，０００、約４００，０００、約４５０，０００、約５００，０００、約６００，０００、約７００，０００、約８００，０００、約９００，０００、又は約１，０００，０００のシミュレーションされた構造コンフォメーションを生成することを含む。いくつかの態様では、本明細書に開示される方法、例えば、上記のワークフローのステップ（ａ）及び（ｅ）における（例えば、ＭＤシミュレーションを介した）コンフォメーション動力学ステップの生成ステップの各々は、独立して、約１，０００～約５，０００、約５，０００～約１０，０００、約１０，０００～約２０，０００、約２０，０００～約５０，０００、約５０，０００～約１００，０００、約１００，０００～約２００，０００、約２００，０００～約３００，０００、約３００，０００～約４００，０００、約４００，０００～約５００，０００、約５００，０００～約６００，０００、約６００，０００～約７００，０００、約７００，０００～約８００，０００、約８００，０００～約９００，０００、約９００，０００～約１，０００，０００、約１０，０００～約５０，０００、約１０，０００～約１００，０００、約２５，０００～約１００，０００、約１０，０００～約１５０，０００、約１０，０００～約２００，０００、又は約５０，０００～約１５０，０００のシミュレーションされた構造コンフォメーションを生成することを含む。コンフォメーション動力学を生成することは時間とコストがかかるため、ＭＤコミュニティによって開発された高度なサンプリングを使用すると、同じ量の計算時間／計算コストで有効なシミュレーション時間を増やすことができる。したがって、いくつかの態様では、本明細書に開示されるコンフォメーション動力学を生成することは、強化されたサンプリングＭＤ方法を使用することを含む。強化されたサンプリング方法の大部分は、集団変数ベースの方法と集団変数フリーの方法の２つのカテゴリに分類される。コンフォメーション動力学を生成するボトルネックは、異なる構造／コンフォメーションを分離する高エネルギー障壁があるため、それらの間の遷移がまれな事象として現れるという事実にある。熱力学計算を加速するための直接的かつ効果的なアイデアは、システムのハミルトニアンにバイアス電位を加えることによってポテンシャルエネルギー曲面を修正すること、すなわち、エネルギー障壁を減少させて、サンプリング遷移領域を増加させることである。そのような方法には、広く使用されているアンブレラサンプリング、ポテンシャル平滑化方法、Ｊウォーキング、局所上昇、コンフォメーションフロッディング、ハイパー動力学、コンフォメーション空間アニーリング、適応バイアス力法、メタ動力学（ＭｅｔａＤ）、局所上昇アンブレラサンプリング、及び変分強化サンプリング（ＶＥＳ）が含まれるが、これらに限定されない。いくつかの態様では、シミュレーションを効果的に導くために、これらの方法は、所定の反応座標又は集団変数（ＣＶ）を使用する。しかしながら、多くのシステムでは、適切な反応座標が容易に特定されないことはよく知られている。このような状況下では、集団変数を用いない方法が有用な場合がある。この後者の種類の方法では、正準確率分布は、ポテンシャルエネルギーのより広いサンプリングを誘導するであろう分布に変更される。いくつかのこのような方法、例えば、パラレルテンパリング並列テンパリング又はレプリカ交換分子動力学（ＲＥＭＤ）、シミュレーテッドテンパリング、多正準シミュレーション、温度加速動力学、Ｗａｎｇ－Ｌａｎｄａｕアルゴリズム、加速分子動力学シミュレーション、統計的温度サンプリング、温度加速分子動力学、エンベロープ分布サンプリング、統合テンパリングサンプリング（ＩＴＳ）、及び加速エンベロープ分布サンプリングが提案されている。いくつかの態様では、強化されたサンプリング方法は、ＭｅｔａＤ、ＶＥＳ、ＲＥＭＤ、又はＩＴＳである。いくつかの態様では、強化されたサンプリング方法は、異なる強化されたサンプリング方法の特徴を組み合わせたハイブリッド方法である。Ｙｉ ｅｔ ａｌ（２０１９）Ｊ．Ｃｈｅｍ．Ｐｈｙｓ．１５１：０７０９０２（その全体が参照により組み込まれる）を参照されたい。
【0091】
Ｉ．Ｂ 教師なし次元削減
いくつかの態様では、本明細書に開示される方法は、（例えば、ＭＤシミュレーションからの）コンフォメーション動力学の次元数が削減される処理ステップを含む。例えば、参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）のコンフォメーション動力学を処理して、参照分子又はバリアント分子のコンフォメーションランドスケープの低次元表現を生成することを含むステップは、参照分子（例えば、参照タンパク質）及びその各バリアント（例えば、バリアントタンパク質）のそれぞれのコンフォメーションランドスケープの低次元表現を生成するために、分子又はバリアント分子（又はバリアント分子のセット）のコンフォメーション動力学を独立して処理することを含む。
いくつかの態様では、本明細書に開示される方法は、（例えば、ＭＤシミュレーションからの）コンフォメーション動力学の次元数が削減される処理ステップを含む。例えば、参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）のコンフォメーション動力学を処理して、参照分子又はバリアント分子のコンフォメーションランドスケープの低次元表現を生成することを含むステップは、参照分子（例えば、参照タンパク質）及びその各バリアント（例えば、バリアントタンパク質）のそれぞれのコンフォメーションランドスケープの低次元表現を生成するために、分子又はバリアント分子（又はバリアント分子のセット）のコンフォメーション動力学を独立して処理することを含む。
【0092】
本明細書で使用される場合、「コンフォメーションランドスケープ」という用語は、本開示の参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）によって採用され得るコンフォメーション（例えば、構造コンフォメーション）のセットを指す。分子システム内の多数の原子が、高次元データセットを作成する。
【0093】
本明細書で使用される場合、本開示のコンフォメーション動力学（例えば、ＭＤ）に適用される「次元数」という用語は、本明細書に開示される方法に従って生成されるコンフォメーション動力学のセット（すなわち、シミュレーションされた構造コンフォメーション）に存在する次元又は自由度の数を指す。
【0094】
高次元データはしばしばまばらであり、これは、統計的有意性を必要とする任意の方法では問題となる。各特徴が可能な値の範囲を有する高次元特徴空間における有限の数のデータサンプルから「自然な状態」を学習することを伴う機械学習問題では、典型的には、値の各組み合わせにいくつかのサンプルが存在することを確実にするには膨大な量の訓練データが必要である。
【0095】
本開示の参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）の（例えば、ＭＤからの）コンフォメーション動力学は、例えば、１０，０００～１００，０００の自由度（ｎ個の非溶媒原子×三次元×ｆフレーム×ｔ軌跡）を含み得る。（例えば、ＭＤからの）コンフォメーション動力学の高次元性は、機械学習方法の有意義な適用を妨げ、結果として、システムを真の高スループットモードにスケールアップすることを妨げる。したがって、コンフォメーション空間の低次元表現が必要である。コンフォメーション空間のこれらの低次元表現は、機械学習システムを訓練するために使用されるように十分に簡素化される。
【0096】
本開示によるコンフォメーション空間の低次元表現を生成するプロセスは、２つの定義された段階（すなわち、構造的特徴量抽出及び次元削減）を含む。構造的特徴量抽出は、特徴のサブセット（例えば、骨格角度）を返すが、次元削減は、元の特徴の機能（例えば、抽出された特徴のサブセット）から新しい特徴を作成する。
【0097】
いくつかの態様では、（例えば、ＭＤからの）コンフォメーション動力学を処理して、参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）のコンフォメーションランドスケープの低次元表現を生成することは、構造的特徴が、第１の次元削減ステップとして、（例えば、ＭＤからの）コンフォメーション動力学から選択及び計算される特徴選択プロセスを含む。この特徴選択アプローチは、入力変数（特徴又は属性とも呼ばれる）のサブセットを見つけようとする。
【0098】
本明細書で使用される場合、「構造的特徴」という用語は、参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）の（例えば、ＭＤからの）コンフォメーション動力学における、参照分子又はバリアント分子の特定のコンフォメーション状態を定義する又はそれに影響を与える特徴又は属性を指す。構造的特徴は、分子（例えば、タンパク質）の純粋な構造的特徴に限定されず、また、分子機能（例えば、タンパク質機能）又は熱力学に関連する特徴又は属性を含み得る。いくつかの態様では、構造的特徴は、分子の幾何学的形状（例えば、タンパク質の幾何学的形状）に関する。いくつかの態様では、タンパク質の幾何学的形状に関連する構造的特徴は、例えば、原子の位置、結合角（例えば、骨格結合角）、骨格結合長、残基間距離及び／又は配向、立体化学コンフォメーション、二次構造、三次構造などを含む。いくつかの態様では、構造的特徴は、骨格結合角度に関する。いくつかの態様では、骨格結合角度に関連する構造的特徴は、ファイ（φ）角度、プサイ（ψ）角度、オメガ（ω）角度、又はそれらの任意の組み合わせである。いくつかの態様では、構造的特徴は、側鎖ｃｈｉ（χ）角度を含む。いくつかの態様では、構造的特徴は、タンパク質の物理化学的特性に関する。いくつかの態様では、タンパク質の物理化学的特性に関連する構造的特徴は、例えば、表面アクセシビリティ、表面エネルギー、溶媒アクセシビリティなどを含む。いくつかの態様では、構造的特徴は、ドメインアーキテクチャ、例えば、ドメインの相対配向、又はサブドメイン、例えば、全体的な構造の運動に対して異なる局所的な動力学をとり得る突出したループ又はストランドに関連する。したがって、構造におけるサブドメインの動力学を得ることができる。
【0099】
いくつかの態様では、構造的特徴は、タンパク質／リガンド相互作用、例えば、タンパク質－タンパク質相互作用、タンパク質－イオン相互作用、タンパク質－小分子相互作用、又はタンパク質－核酸相互作用などの結合特性を指す。いくつかの態様では、構造的特徴は、例えば、補因子結合部位又は基質結合部位の形状、親和性、又は特異性を指す。いくつかの態様では、リガンドは、標的タンパク質及び対応するミスセンスバリアントタンパク質が酵素である場合、基質であり得る。いくつかの態様では、リガンドはまた、アゴニスト、アンタゴニスト、エフェクター分子、又は抗体であり得る。タンパク質とリガンドとの間の全ての原子相互作用の合計を指すエネルギー相互作用を得ることができる。
【0100】
いくつかの態様では、構造的特徴は、二乗平均平方根変動（ＲＭＳＦ）及び／又は二乗平均平方根誤差（ＲＭＳＤ）を指す。
【0101】
いくつかの態様では、参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）の（例えば、ＭＤからの）コンフォメーション動力学における特徴の総数を減少させるために使用される構造的特徴は、ファイ（φ）角度、プサイ（ψ）角度、オメガ（ω）角度、残基対の距離（残基間距離）、残基変動、溶媒アクセシビリティ、重心から結合部位までの距離又はそのような結合部位に結合したリガンドまでの距離、タンパク質形状に関連する全体的な構造的特徴（例えば、異なる軸に沿った長さ）、ドメイン相対配向、結合部位相互作用、エネルギー的特徴（例えば、ファンデルワールス力、静電力、（例えば、リガンドとタンパク質との間に）発生する非結合エネルギー）、及びそれらの任意の組み合わせを含む。
【0102】
いくつかの態様では、本開示の参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）についてのコンフォメーション動力学（例えば、ＭＤ）からの構造的特徴の抽出は、構造的特徴の抽出の前に、コンフォメーション動力学（例えば、ＭＤ）に存在する特徴の総数に対して、構造的特徴の少なくとも約３倍、約４倍、約５倍、約６倍、約７倍、約８倍、約９倍、約１０倍、約１５倍、約２０倍、約２５倍、約３０倍、約３５倍、約４０倍、約４５倍、約５０倍、約６０倍、約７０倍、約８０倍、約９０倍、又は約１００倍の減少をもたらすことができる。いくつかの態様では、本開示の参照分子（例えば、参照タンパク質）又は対応するバリアント分子（例えば、ミスセンスバリアントタンパク質）の構造的特徴のコンフォメーション動力学（例えば、ＭＤ）からの抽出は、構造的特徴の抽出の前に、コンフォメーション動力学（例えば、ＭＤ）に存在する特徴の総数に対して、構造的特徴の少なくとも約２倍～約５倍、約５倍～約１０倍、約１０倍～約２０倍、約２０倍～約３０倍、約３０倍～約４０倍、約４０倍～約５０倍、約５０倍～約６０倍、約６０倍～約７０倍、約７０倍～約８０倍、約８０倍～約９０倍、又は約９０倍～１００倍の減少をもたらすことができる。
【0103】
コンフォメーション動力学の処理は、次元削減ステップを更に含むことができる。したがって、いくつかの態様では、コンフォメーション動力学からの（例えば、ＭＤからの）構造的特徴の抽出は、例えば、主成分分析（ＰＣＡ）又はオートエンコーダを使用して行われる次元削減のステップに続くことができ、構造的特徴量抽出ステップから得られる簡素化されたコンフォメーション状態に存在する特徴の総数は、更に削減され得る（又は新しい特徴に変換され得る）。ＰＣＡ又はオートエンコーダなどの方法は、データを高次元空間からより少ない次元の空間に変換する。データ変換は、ＰＣＡのように線形であり得るが、非線形の次元削減技術も多数存在する。
【0104】
主成分分析（ＰＣＡ）は、データポイントの集合の主成分を計算し、それらを使用してデータの基底の変更を行うプロセスであり、時には、最初のいくつかの主成分のみを使用し、残りを無視する。時間－構造独立成分分析又はｔＩＣＡと呼ばれるＰＣＡのバリエーションは、時間次元に沿ってゆっくりと変化する成分を特定し、タンパク質のコンフォメーション運動を理解するのに有用である可能性が低いバリエーションを排除するため、シミュレーションに特に有用である。
【0105】
オートエンコーダは、教師なしの様式で効率的なデータコーディングを学習するために使用される人工ニューラルネットワークの一種である。例としては、後続の分類タスクの表現を学習するのに効果的である正則化された（スパース、ノイズ除去、及び縮小）オートエンコーダ、並びに生成モデルとしてのアプリケーションを用いる変分オートエンコーダが挙げられる。
【0106】
ＰＣＡ及びオートエンコーダの場合、データの変動の重要な部分を考慮するために、出力特徴の数が選択される。
【0107】
いくつかの態様では、（例えば、ＭＤからの）コンフォメーション動力学の次元削減は、例えば、ＰＣＡ、時間－構造独立成分分析（ｔＩＣＡ）、非負値行列因子分解（ＮＭＦ）、カーネルＰＣＡ、グラフベースのカーネルＰＣＡ、線形判別分析（ＬＤＡ）、一般化判別分析（ＧＤａ）、オートエンコーダ、Ｔ分布型確率的近傍埋め込み（ｔ－ＳＮＥ）、又は一様多様体の近似と投影（ＵＭＡＰ）を使用して実施され得る。
【0108】
いくつかの態様では、構造的特徴量の抽出及び次元削減は、例えば、ＰＣＡ、ＬＤＡ、ＮＭＦ、又は正準相関分析（ＣＣＡ）技術を使用して、縮約次元空間における特徴ベクトル上のＫ－ＮＮに続く前処理ステップとして、単一のステップに組み合わせることができる。いくつかの態様では、次元削減ステップは、構造的特徴の抽出の前に、（例えば、ＭＤからの）コンフォメーション動力学に存在する特徴の総数に対して、構造的特徴の少なくとも約３倍、約４倍、約５倍、約６倍、約７倍、約８倍、約９倍、約１０倍、約１５倍、約２０倍、約２５倍、約３０倍、約３５倍、約４０倍、約４５倍、約５０倍、約６０倍、約７０倍、約８０倍、約９０倍、又は約１００倍の減少をもたらす。いくつかの態様では、次元削減ステップは、構造的特徴の抽出の後に、（例えば、ＭＤからの）コンフォメーション動力学に存在する特徴の総数に対して、構造的特徴の少なくとも３倍、４倍、５倍、６倍、７倍、８倍、９倍、１０倍、１５倍、２０倍、２５倍、３０倍、３５倍、４０倍、４５倍、５０倍、６０倍、７０倍、８０倍、９０倍、又は１００倍の減少をもたらす。いくつかの態様では、次元削減ステップは、構造的特徴の抽出の後に、（例えば、ＭＤからの）コンフォメーション動力学に存在する特徴の総数に対して、構造的特徴の少なくとも約３倍～約５倍、約５倍～約１０倍、約１０倍～約２０倍、約２０倍～約３０倍、約３０倍～約４０倍、約４０倍～約５０倍、約５０倍～約６０倍、約６０倍～約７０倍、約７０倍～約８０倍、約８０倍～約９０倍、又は約９０倍～１００倍の減少をもたらす。
【0109】
図８に、適用される次元削減法に続いて使用される特徴（例えば、二面角、ｔｌＰＣＡ；連結性、ｔｌＣＡ；二面角、ＰＣＡ；接触、ＰＣＡ；及び連結性、ＰＣＡ）に従って指定される特定の特徴量化法を示す。
【0110】
Ｉ．Ｃ 準安定なコンフォメーション状態の特定
いくつかの態様では、本明細書に開示される方法は、参照分子（例えば、参照タンパク質）の低次元コンフォメーションランドスケープからコンフォメーション状態（例えば、準安定なコンフォメーション状態）を抽出して、バリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学生成（例えば、ＭＤ）にシードすることに関連する処理ステップを含む。いくつかの態様では、本明細書に開示される方法はまた、バリアント分子（例えば、バリアントタンパク質）の低次元コンフォメーションランドスケープから、更なるバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学生成（例えば、ＭＤ）のシードまで、コンフォメーション状態（例えば、準安定なコンフォメーション状態）を抽出することに関連する処理ステップも含み得る。
いくつかの態様では、本明細書に開示される方法は、参照分子（例えば、参照タンパク質）の低次元コンフォメーションランドスケープからコンフォメーション状態（例えば、準安定なコンフォメーション状態）を抽出して、バリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学生成（例えば、ＭＤ）にシードすることに関連する処理ステップを含む。いくつかの態様では、本明細書に開示される方法はまた、バリアント分子（例えば、バリアントタンパク質）の低次元コンフォメーションランドスケープから、更なるバリアント分子（例えば、バリアントタンパク質）のコンフォメーション動力学生成（例えば、ＭＤ）のシードまで、コンフォメーション状態（例えば、準安定なコンフォメーション状態）を抽出することに関連する処理ステップも含み得る。
【0111】
いくつかの態様では、特定のコンフォメーション状態（例えば、低次元コンフォメーションランドスケープからの準安定なコンフォメーション状態）を抽出することは、構造的類似性に従って、コンフォメーション状態をクラスタリングすることを含み、例えば、低次元コンフォメーションランドスケープにおける様々な準安定なコンフォメーション状態は、コンフォメーション状態をクラスタリングした結果である。いくつかの態様では、特定されたコンフォメーション状態の骨格原子間の平均距離は、ＲＭＳＤに従って測定され、ＲＭＳＤが、少なくとも約２Åである。他の態様では、異なるＲＭＳＤ閾値、例えば、１Å、１．５Å、２．５Å、３Å、３．５Å、４Å、４．５Å、５Å、又は任意の中間値を使用することができる。
【0112】
参照分子（例えば、野生型タンパク質であり得る参照タンパク質）のコンフォメーションランドスケープ（例えば、ＭＤコンフォメーションランドスケープ）から特定のコンフォメーション状態（例えば、準安定なコンフォメーション）を抽出して、バリアントのシミュレーション（例えば、ＭＤシミュレーション）にシードすることによって、バリアントを比較するために必要な全体的なシミュレーション時間を劇的に短縮することができる。例えば、いくつかの態様では、コンフォメーション状態の集合の抽出及びこれらのコンフォメーション状態におけるバリアント分子構造のその後のシミュレーションは、シミュレーション時間の少なくとも約１０倍の短縮を達成する。いくつかの態様では、コンフォメーション状態の集合の抽出及びこれらのコンフォメーション状態におけるバリアント分子構造のその後のシミュレーションは、シミュレーション時間の少なくとも約３倍、少なくとも約４倍、少なくとも約５倍、少なくとも約６倍、少なくとも約７倍、少なくとも約８倍、少なくとも約９倍、少なくとも約１０倍、少なくとも約１５倍、又は少なくとも約２０倍の短縮を達成する。いくつかの態様では、コンフォメーション状態の集合の抽出及びこれらのコンフォメーション状態におけるバリアント分子構造のその後のシミュレーションは、シミュレーション時間の約３倍、約４倍、約５倍、約６倍、約７倍、約８倍、約９倍、約１０倍、約１５倍、又は約２０倍のシミュレーション時間の短縮を達成する。いくつかの態様では、これらの状態におけるコンフォメーション状態の集合の抽出及びその後のバリアント分子構造のシミュレーションは、約３倍～約５倍、約４倍～約６倍、約５倍～約８倍、約６倍～約９倍、約５倍～約１０倍、約１０倍～約１５倍、又は約１５倍～約２０倍のシミュレーション時間の短縮を達成する。全ての性能の改善は、バリアントの効果をシミュレーションするために代表的な準安定なコンフォメーションを使用しないワークフローに関するものである。
【0113】
参照分子（例えば、参照タンパク質）の低次元コンフォメーションランドスケープから状態をクラスタリングして、バリアント分子（例えば、バリアントタンパク質）のシミュレーションにシードすることは、例えば、ｋ平均クラスタリング、階層クラスタリング、密度ベースのクラスタリング、ＤＢＳＣＡＮ、スペクトルクラスタリング、ガウス混合モデル、又はそれらの任意の組み合わせを使用して行うことができる。
【0114】
クラスタリングは、一般に１０～１００のコンフォメーション状態の範囲にある低次元コンフォメーションランドスケープから複数のコンフォメーション状態を抽出することを可能にする。いくつかの態様では、少なくとも５、少なくとも１０、少なくとも１５、少なくとも２０、少なくとも２５、少なくとも３０、少なくとも３５、少なくとも４０、少なくとも４５、少なくとも５０、少なくとも５５、少なくとも６０、少なくとも６５、少なくとも７０、少なくとも７５、少なくとも８０、少なくとも８５、少なくとも９０、少なくとも９５、又は少なくとも１００のコンフォメーション状態が抽出される。いくつかの態様では、約５、約１０、約１５、約２０、約２５、約３０、約３５、約４０、約４５、約５０、約５５、約６０、約６５、約７０、約７５、約８０、約８５、約９０、約９５、又は約１００のコンフォメーション状態が抽出される。いくつかの態様では、約１０～約２０、約２０～約３０、約３０～約４０、約４０～約５０、約５０～約６０、約６０～約７０、約７０～約８０、約８０～約９０、又は約９０～約１００のコンフォメーション状態が選択される。
【0115】
いくつかの態様では、本明細書に開示される方法は、コンフォメーション動力学（例えば、ＭＤシミュレーション）を生成する前に、クラスタリングされたコンフォメーション状態を優先付けることを更に含む。いくつかの態様では、クラスタリングされたコンフォメーション状態は、クラスター特性、例えば、コンフォメーションランドスケープ重心からの距離、クラスター占有率、クラスター分布統計、クラスターの構造特性、クラスターの熱力学、又はそれらの任意の組み合わせに従って優先付けられる。いくつかの態様では、クラスター化されたコンフォメーション状態の構造的特性は、結合角（例えば、φ－ψ二面角）、残基間距離、表面アクセシビリティ、ドメイン相対配向、結合部位相互作用、既知のタンパク質コンフォメーションとの構造的類似性、及びそれらの任意の組み合わせからなる群から選択される。いくつかの態様では、クラスター分布統計は、Ｓｉｌｈｏｕｅｔｔｅスコア、肘スコア、Ｃａｌｉｎｓｋｉ－Ｈａｒａｂａｓｚインデックス、Ｒａｎｄインデックス、相互情報、均質性、完全性、Ｖ尺度、Ｄａｖｉｅｓ－Ｂｏｕｌｄｉｎインデックス、及びそれらの任意の組み合わせからなる群から選択される。いくつかの場合、低次元コンフォメーションランドスケープから状態を抽出することは、代表的なコンフォメーション状態（例えば、準安定なコンフォメーション状態）を抽出することを含む。「代表的なコンフォメーション状態」は、選択されたコンフォメーションクラスターのコンフォメーションの重心に対するコンフォメーションランドスケープの低次元表現において距離が最も近いタンパク質コンフォメーションを選択することを含む。
【0116】
Ｉ．Ｄ バリアント分子及びバリアント分子構造の構築
本明細書に開示される方法は、抽出された状態のバリアント分子のシミュレーションされたタンパク質コンフォメーションに少なくとも１つのバリアント（例えば、ミスセンス変異）を導入することによって、バリアント分子（例えば、バリアントタンパク質）又はそのセット、及びその対応するバリアント分子構造（例えば、バリアントタンパク質構造）を生成することを含む。例えば、対象から得られたサンプルで特定された変異は、バリアントタンパク質構造を生成するために、本明細書に開示されるＭＤでシミュレーションされたコンフォメーションに導入することができる。そのような変異の効果は、その後、本明細書に開示される方法に従って評価され得る。他の態様では、バリアント（例えば、変異）は、例えば、特定のドメイン、領域、機能部位（例えば、リガンド結合部位）が参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、他のバリアントを既に含むバリアントタンパク質）に変異導入される場合、機能的及び生理学的効果、並びに任意選択的に、それらの重症度に関する知識を得るために、本明細書に開示されるＭＤでシミュレーションされたコンフォメーションに導入される推測的なバリアントであり得る。いくつかの態様では、本開示の方法に従って生成されたバリアント分子（例えば、バリアントタンパク質）の集合は、ライブラリとして保存することができる。
本明細書に開示される方法は、抽出された状態のバリアント分子のシミュレーションされたタンパク質コンフォメーションに少なくとも１つのバリアント（例えば、ミスセンス変異）を導入することによって、バリアント分子（例えば、バリアントタンパク質）又はそのセット、及びその対応するバリアント分子構造（例えば、バリアントタンパク質構造）を生成することを含む。例えば、対象から得られたサンプルで特定された変異は、バリアントタンパク質構造を生成するために、本明細書に開示されるＭＤでシミュレーションされたコンフォメーションに導入することができる。そのような変異の効果は、その後、本明細書に開示される方法に従って評価され得る。他の態様では、バリアント（例えば、変異）は、例えば、特定のドメイン、領域、機能部位（例えば、リガンド結合部位）が参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、他のバリアントを既に含むバリアントタンパク質）に変異導入される場合、機能的及び生理学的効果、並びに任意選択的に、それらの重症度に関する知識を得るために、本明細書に開示されるＭＤでシミュレーションされたコンフォメーションに導入される推測的なバリアントであり得る。いくつかの態様では、本開示の方法に従って生成されたバリアント分子（例えば、バリアントタンパク質）の集合は、ライブラリとして保存することができる。
【0117】
本明細書に開示される方法のいくつかの態様では、少なくとも１つのバリアント（例えば、ミスセンス変異）が、例えば、参照分子（例えば、野生型タンパク質などの参照タンパク質）に導入されるか、又はそのバリアントが、病原性バリアント（例えば、病原性変異）である。本明細書で使用される「病原性バリアント」という用語は、疾患の出現に関連する悪性バリアントを指す。いくつかの態様では、病原性バリアントは、病原性変異である。本明細書で使用される「病原性変異」という用語は、疾患の出現に関連する悪性変異を指す。これらの用語はまた、疾患に対してリスク感受性であるバリアント又は変異を指し、バリアント又は変異は、対応する疾患表現型を引き起こすことが可能であり、すなわち、疾患若しくは障害を引き起こし、かつ／又はその特定の疾患若しくは障害に対する個体の感受性若しくは素因を増加させる遺伝的変化である。しかしながら、バリアント又は変異のみが疾患又は障害を引き起こす場合に限定されない。いくつかの態様では、例えば、参照分子（例えば、野生型タンパク質などの参照タンパク質）又はそのバリアントに導入される少なくとも１つのバリアント又は変異（例えば、ミスセンス変異）は、非病原性（良性）のバリアント又は変異、すなわち、対象において疾患若しくは障害を引き起こさない又は対象を特定の疾患若しくは障害に罹患させないバリアント又は変異である。いくつかの態様では、例えば、参照分子（例えば、野生型タンパク質などの参照タンパク質）又はそのバリアントに導入される少なくとも１つのバリアント（例えば、ミスセンス変異などの変異）は、意義不明のバリアント又は変異である。すなわち、バリアントに関して利用可能な経験的データは、そのようなバリアント又は変異を病原性又は非病原性のいずれかとして分類することを可能にしない。本明細書に開示される方法の目的の１つは、そのような意義不明のバリアント又は変異を病原性又は非病原性のいずれかとして分類すること、並びに、例えば、病原性として分類された関連性が不明のバリアント若しくは変異が疾患若しくは障害を引き起こすであろう可能性、及び／又は例えば、そのような疾患若しくは障害の重症度を決定することである。
【0118】
いくつかの態様では、バリアント分子（例えば、タンパク質）又はそのセットは、医学的遺伝子試験において観察されるタンパク質ミスセンスバリアントを含む。本明細書で使用される「遺伝子検査」という用語は、個体由来のサンプル中のＤＮＡ、ＲＮＡ、又はタンパク質の分析を指し、これにより、限定されないが、試料中の１つ若しくは複数の遺伝子の配列、遺伝子に関連する１つ若しくは複数の遺伝マーカー、分散、変異、多型、若しくはマイクロサテライト配列の存在若しくは不在、１つ若しくは複数のウイルス配列、ウイルス様配列、若しくは反復配列の存在、１つ若しくは複数の遺伝子にまたがるハプロタイプ、１つ若しくは複数の遺伝子のコピー数、１つ若しくは複数の遺伝子から発現されるＲＮＡ若しくはタンパク質の量若しくは特徴、ゲノム内の遺伝子の配置、染色体番号、又は染色体の完全性が決定される。いくつかの態様では、本開示は、遺伝子疾患を診断し、多因子疾患に対する個体の傾向を決定し、治療薬に対する個体の応答を予測するための医学に有用な遺伝子検査に関する。遺伝子検査は、限定されないが、ハンチントン病、嚢胞性線維症、及びフェニルケトン尿症を含む多くの遺伝性疾患について開発されている。遺伝子検査はまた、限定されないが、アテローム性動脈硬化症、心不全、脳卒中、貧血、がん、凝固障害、認知症、内分泌疾患、及び肺疾患を含む疾患を引き起こす遺伝子についても開発されている。限定されないが、高コレステロールの治療のための薬、がんの治療のための薬、高血圧を軽減する薬、及び認知症を治療する薬を含む多くの薬物の薬物動態及び薬力学的特性を予測する遺伝子検査も報告されている。ヘルスケアに対する遺伝子検査の潜在的に大きな影響にもかかわらず、遺伝子検査の利用は現在非常に限られている。これまでに、ゲノムにおける遺伝子のほんの一部のみが特徴付けられており、疾患又は療法に対するその応答を予測するバリエーションの小さなサブセットのみが報告されている。
【0119】
いくつかの態様では、本明細書に開示される方法で使用されるか、又は本明細書に開示される方法に従って組み立てられたライブラリに含まれるバリアント分子構造（例えば、バリアントタンパク質構造）又はそのセットは、骨格依存性ロータマーライブラリを使用して、インシリコで生成される。これらのバリアント分子構造をインシリコで生成するために使用することができる他の方法としては、例えば、ＦｏｌｄＸ又はＲｏｓｅｔｔａが挙げられる。「ロータマー」という用語は、アミノ酸側鎖の幾何学的形状を説明するねじれ角の組み合わせを指す。
【0120】
ロータマーライブラリは、当業者に既知であり、インターネットを含む様々なソースから得ることができる。ロータマーは、低エネルギーの側鎖コンフォメーションである。ロータマーのライブラリの使用により、構造のモデリングが最も可能性の高い側鎖コンフォメーションを試みることが可能になり、時間が節約され、正確である可能性がより高い構造が生成される。
【0121】
いくつかの態様では、本明細書に開示される方法において使用されるバリアント分子構造（例えば、バリアントタンパク質構造）のインシリコ生成は、骨格依存性ロータマーライブラリにおけるバリアント位置で、バリアント分子構造（例えば、バリアントタンパク質）の既存の骨格二面角を有する側鎖コンフォメーション（ロータマー）を特定することを含む。
【0122】
いくつかの態様では、バリアント分子構造をインシリコで生成する方法は、骨格依存性ロータマーライブラリから特定されたロータマーの導入が、近くの残基との立体衝突を引き起こすかどうかを試験することを更に含む。いくつかの態様では、試験は、立体衝突を最小化するロータマーが特定されるまで実施される。いくつかの態様では、本開示のバリアント分子構造（例えば、バリアントタンパク質構造）をインシリコで生成する方法は、バリアント分子構造（例えば、バリアントタンパク質構造）の幾何学的形状を正則化し、バリアント分子構造にバリアント（例えば、ミスセンス変異）を導入することによるエネルギー的影響を低減するために、最小化及び平衡化シミュレーションを実施することを更に含む。
【0123】
Ｉ．Ｅ 予測モデリング
いくつかの態様では、本明細書に開示される方法は、臨床データを訓練ラベルとして使用して、参照分子（例えば、参照タンパク質）及びバリアント分子（例えば、バリアントタンパク質）のコンフォメーションランドスケープの低次元表現を使用して、機械学習（ＭＬ）予測モデルを訓練することを含む処理ステップを含み、予測モデルが、参照分子（例えば、参照タンパク質）に対するバリアント（例えば、タンパク質ミスセンス変異）効果を分類又はスコアリングする。したがって、いくつかの態様では、選択されるＭＬ方法の訓練セットは、ＭＤシミュレーション関連データ、並びに他のデータセット（例えば、臨床データ）の両方を含む。
いくつかの態様では、本明細書に開示される方法は、臨床データを訓練ラベルとして使用して、参照分子（例えば、参照タンパク質）及びバリアント分子（例えば、バリアントタンパク質）のコンフォメーションランドスケープの低次元表現を使用して、機械学習（ＭＬ）予測モデルを訓練することを含む処理ステップを含み、予測モデルが、参照分子（例えば、参照タンパク質）に対するバリアント（例えば、タンパク質ミスセンス変異）効果を分類又はスコアリングする。したがって、いくつかの態様では、選択されるＭＬ方法の訓練セットは、ＭＤシミュレーション関連データ、並びに他のデータセット（例えば、臨床データ）の両方を含む。
【0124】
「訓練セット」という語句は、１つ以上のモデルの適合の対象であり、モデルがそれに基づいて構築される、観察のセットを意味する。例えば、タンパク質活性が予測される予測モデルの場合、訓練セットは、典型的には、ライブラリにおける各タンパク質の活性値とともに、完全又は部分的なタンパク質配列情報を含む。場合によっては、複数の活動タイプ（例えば、速度定数データ及び熱安定性データ）が訓練セットで一緒に提供される。タンパク質配列、タンパク質構造、タンパク質動力学、又はタンパク質活性に関連するデータに加えて、訓練セットは、例えば、臨床データを含み得る。
【0125】
いくつかの態様では、訓練セットにおける訓練ラベルとして使用される臨床データは、標的タンパク質又はそのバリアントに関連する疾患又は状態、症状、後遺症を発症している又は発症する危険性がある患者、疾患又は状態の治療、治療の転帰などに関連する任意のパラメータを含む。例えば、臨床データは、訓練ラベルとして使用することができ、これには、例えば、バイオマーカー状態（例えば、特定のバイオマーカーの有無又はその発現レベル、例えば、ＲＮＡ若しくはタンパク質の発現レベル）、バイオメトリックデータ、ライフスタイル関連データ、治療に対する応答、疾患若しくは状態の症状、タンパク質発現データ、投与される治療の種類、投与量、投与量レジメン、投与経路、併用療法の有無、療法に対する応答、年齢、体重、性別、民族性、又はそれらの任意の組み合わせが含まれる。いくつかの態様では、訓練ラベルとして使用することができるデータは、例えば、ＮＣＢＩ ＣｌｉｎＶａｒデータベース提出物、ＩＮＶＩＴＡＥ（商標）臨床解釈、他の実験モデル又は計算モデルからのデータを含む。
【0126】
いくつかの態様では、訓練ラベルは、個々に特定された臨床データパラメータ、例えば、いくつかのタンパク質発現値、バイオメトリックパラメータなどの組み合わせから得られ、指標（例えば、ＢＭＩ）又はスコア（例えば、２つのタンパク質の発現レベル間の比率）に組み合わせることができる。
【0127】
いくつかの態様では、参照分子（例えば、参照タンパク質）に対するバリアント（例えば、ミスセンス変異）の効果の分類は、ＭＬ予測モデルの出力に基づいて、予測される病原性確率の計算を含む。いくつかの態様では、確率は、ＭＬ予測モデルから信頼スコアとして計算される。いくつかの態様では、本明細書に開示される方法のＭＬ出力は、参照分子（例えば、参照タンパク質）と比較して、特異的な表現型破壊を予測し、破壊の相対重症度をランク付けすることができる。
【0128】
概して、本明細書に開示されるコンピュータ実装方法は、予測病原性スコアを生成し、これは、バリアントが病原性であるとモデルが予測する可能性の高さの信頼スコアである。いくつかの態様では、性能閾値が病原性スコアに適用されて、特定のバリアントが病原性又は良性である証拠を割り当てるかどうかを決定する。
【0129】
本開示の文脈において、予測モデルという用語は、同じ又は異なるクラスに属することができる１つ以上の予測モデル又は予測モデルの組み合わせを含むことが理解されるべきである。例えば、予測モデルは、異なるＭＬ技術を使用して、又は訓練ラベルとして臨床データの異なるセットを使用して生成される。予測モデルという用語は、特定のモデルの出力を説明するために使用される。例えば、表現型破壊の可能性及び／又は重症度を予測するＭＬ予測モデルに加えて、他のＭＬ予測モデルは、生成されたバリアントの特定の薬物への結合、候補療法、特定の療法による治療に関連する転帰、又はそれらの任意の組み合わせを予測し得る。
【0130】
いくつかの態様では、ＭＬ予測モデルを生成する前の訓練セットの前処理は、特徴選択、及び任意選択的に特徴正規化を含む。いくつかの態様では、ＭＬモデルは、ハイパーパラメータチューニングを使用して訓練される。ＭＬでは、ハイパーパラメータ最適化又はチューニングは、学習アルゴリズムの最適なハイパーパラメータのセットを選択する問題である。ハイパーパラメータは、その値が学習プロセスを制御するために使用されるパラメータである。対照的に、他のパラメータ（典型的には、ノード加重）の値が学習される。同じ種類のＭＬ予測モデルは、異なるデータパターンを一般化するために異なる制約、重み、又は学習率が必要になる場合がある。これらの尺度は、ハイパーパラメータと呼ばれ、モデルがＭＬ問題を最適に解決することができるように調整する必要がある。ハイパーパラメータの最適化は、所与の独立したデータに対して事前に定義された損失関数を最小化する最適なモデルを生成するハイパーパラメータのタプルを見つける。目的関数は、ハイパーパラメータのタプルを受け取り、関連する損失を返す。交差検証は、この汎化性能を推定するためにしばしば使用される。
【0131】
いくつかの態様では、本明細書に開示されるＭＬ予測モデルは、ロジスティック回帰、ランダムフォレスト、人工ニューラルネットワーク（ＡＮＮ）、サポートベクターマシン（ＳＶＭ）、ＸＧＢｏｏｓｔ（ＸＧＢ；速度及び性能に対して設計された勾配ブースティング決定木の実装）、Ｇｌｍｎｅｔ（ペナルティ付き最大尤度を介して一般化線形モデルに適合するパッケージ）、ｃｆｏｒｅｓｔ（ランダムフォレストの実装及び基本学習器として条件付き推論木を利用するバギングアンサンブルアルゴリズム）、機械学習のための分類及び回帰木（ＣＡＲＴ）、Ｔｒｅｅｂａｇ（バギング、すなわち、ブートストラップ集約、訓練データの分離されたサブセットから複数のモデルを構築する回帰及び分類問題のモデル精度を向上させるアルゴリズム、並びに最終集約モデルを構築するアルゴリズム）、Ｋ近傍（ｋＮＮ）、又はそれらの組み合わせからなる群から選択される機械学習技術の適用によって得られる。特定の態様では、本明細書に開示されるＭＬ予測モデルは、少なくとも１つのＡＮＮ（例えば、１、２、３、４、又は５つのＡＮＮ）の適用によって得られる。
【0132】
Ｉ．Ｅ．ｉ ロジスティック回帰ＭＬ予測モデル
いくつかの態様では、本開示の機械学習（ＭＬ）予測モデルは、ロジスティック回帰を使用して生成される。ロジスティック回帰は、小さいデータセットに対する最良の予測因子のうちの１つとみなされることが多い。しかしながら、木ベースのモデル（例えば、ランダムフォレスト、ＥｘｔｒａＴｒｅｅｓ）及びＡＮＮは、特徴間の潜在相互作用を明らかにすることができる。しかし、相互作用がほとんどない場合、ロジスティック回帰及びより複雑なモデルは、同様の性能を有する。本開示のいくつかの態様では、ＭＬ予測モデルは、ロジスティック回帰を使用して生成される。一態様では、ロジスティック回帰モデルについて、以下のハイパーパラメータ：停止基準公差、ペナルティ、解決アルゴリズム（例えば、ＬＩＢＬＩＮＥＡＲ、確率的平均勾配）が調整された。
いくつかの態様では、本開示の機械学習（ＭＬ）予測モデルは、ロジスティック回帰を使用して生成される。ロジスティック回帰は、小さいデータセットに対する最良の予測因子のうちの１つとみなされることが多い。しかしながら、木ベースのモデル（例えば、ランダムフォレスト、ＥｘｔｒａＴｒｅｅｓ）及びＡＮＮは、特徴間の潜在相互作用を明らかにすることができる。しかし、相互作用がほとんどない場合、ロジスティック回帰及びより複雑なモデルは、同様の性能を有する。本開示のいくつかの態様では、ＭＬ予測モデルは、ロジスティック回帰を使用して生成される。一態様では、ロジスティック回帰モデルについて、以下のハイパーパラメータ：停止基準公差、ペナルティ、解決アルゴリズム（例えば、ＬＩＢＬＩＮＥＡＲ、確率的平均勾配）が調整された。
【0133】
Ｉ．Ｅ．ｉｉ ランダムフォレストＭＬ予測モデル
いくつかの態様では、本開示の機械学習（ＭＬ）予測モデルは、ランダムフォレスト（ＲＦ）を使用して生成される。ＲＦ又はランダム決定フォレストは、訓練時に多数の決定木を構築することによって動作する、分類、回帰、及び他のタスクのためのアンサンブル学習方法である。分類タスクの場合、ＲＦの出力は、ほとんどの木によって選択されるクラスである。ＲＦは、訓練セットに過剰適合させる決定木の癖に合わせて調整する。ＲＦは、一般的に、決定木よりも優れている。ＲＦアルゴリズムは、ブートストラップサンプルを使用して、個々の決定木を生成する。木は、各ノードで独立変数のランダムなサブサンプルを選択し、最良の結果を生み出す変数を選択することによって成長する。
いくつかの態様では、本開示の機械学習（ＭＬ）予測モデルは、ランダムフォレスト（ＲＦ）を使用して生成される。ＲＦ又はランダム決定フォレストは、訓練時に多数の決定木を構築することによって動作する、分類、回帰、及び他のタスクのためのアンサンブル学習方法である。分類タスクの場合、ＲＦの出力は、ほとんどの木によって選択されるクラスである。ＲＦは、訓練セットに過剰適合させる決定木の癖に合わせて調整する。ＲＦは、一般的に、決定木よりも優れている。ＲＦアルゴリズムは、ブートストラップサンプルを使用して、個々の決定木を生成する。木は、各ノードで独立変数のランダムなサブサンプルを選択し、最良の結果を生み出す変数を選択することによって成長する。
【0134】
特定の一態様では、予測モデルは、ロジスティック回帰及びランダムフォレストの両方の間で（クラス加重Ｆ１スコアをチューニングメトリックとして使用して）検証性能を最適化することが可能である。ランダムフォレストの場合、以下のハイパーパラメータ：推定器の数、分割基準、最大の木の深さ、木を分割する最小サンプル、葉ノードにおける最小サンプル、及び特徴の最大数が調整された。
【0135】
Ｉ．Ｅ．ｉｉｉ 人工ニューラルネットワークＭＬ予測モデル
いくつかの態様では、本開示の機械学習（ＭＬ）予測モデルは、人工ニューラルネットワーク（ＡＮＮ）を使用して生成される。「ニューラルネットワーク」は、計算への接続アプローチを使用して情報を処理する処理要素又は「ニューロン」の相互接続されたグループを含むモデルである。ニューラルネットワークは、入力値と出力値との間の複雑な関係をモデル化するため、又はデータパターンを見つけるために使用される。ほとんどのニューラルネットワークは、非線形、分散、及び並列の様式でデータを処理する。ほとんどの場合、ニューラルネットワークは、学習段階でその構造を変化させる適応システムである。機能は、様々なユニットが割り当てられているサブタスクの明示的な説明を使用するのではなく、要素を処理することによって集合的かつ並行して実行される。
いくつかの態様では、本開示の機械学習（ＭＬ）予測モデルは、人工ニューラルネットワーク（ＡＮＮ）を使用して生成される。「ニューラルネットワーク」は、計算への接続アプローチを使用して情報を処理する処理要素又は「ニューロン」の相互接続されたグループを含むモデルである。ニューラルネットワークは、入力値と出力値との間の複雑な関係をモデル化するため、又はデータパターンを見つけるために使用される。ほとんどのニューラルネットワークは、非線形、分散、及び並列の様式でデータを処理する。ほとんどの場合、ニューラルネットワークは、学習段階でその構造を変化させる適応システムである。機能は、様々なユニットが割り当てられているサブタスクの明示的な説明を使用するのではなく、要素を処理することによって集合的かつ並行して実行される。
【0136】
ニューラルネットワークは、Ｄｕｄａ ｅｔ ａｌ．，２００１，Ｐａｔｔｅｒｎ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ，Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ，Ｉｎｃ．，Ｎｅｗ Ｙｏｒｋ、及びＨａｓｔｉｅ ｅｔ ａｌ．，２００１に記載されている（それらの全体が参照により本明細書に組み込まれる）。いくつかの態様では、本開示のニューラルネットワーク、例えば、逆伝播ニューラルネットワーク（例えば、Ａｂｄｉ，１９９４，“Ａ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｉｍｅｒ”，Ｊ．Ｂｉｏｌ Ｓｙｓｔｅｍ．２，２４７－２８３を参照されたい（その全体が参照により本明細書に組み込まれる））は、入力層、隠れ層、及び出力層を含み得る。いくつかの態様では、ニューラルネットワークは、ＥａｓｙＮＮ－Ｐｌｕｓバージョン４．０ｇソフトウェアパッケージ（Ｎｅｕｒａｌ Ｐｌａｎｎｅｒ Ｓｏｆｔｗａｒｅ Ｉｎｃ．）、ｓｃｉｋｉｔ－ｌｅａｒｎ（ｓｃｉｋｉｔ－ｌｅａｒｎ．ｏｒｇ）、ＰｙＴｏｒｃｈ（ｇｉｔｈｕｂ．ｃｏｍ／ｐｙｔｏｒｃｈ／ｐｙｔｏｒｃｈ）、ＴｅｎｓｏｒＦｌｏｗ（ｇｉｔｈｕｂ／ｔｅｎｓｏｒｆｌｏｗ／ｔｅｎｓｏｒｆｌｏｗ）、Ｋｅｒａｓ、Ｔｏｒｃｈ、Ｆｌｕｘ、Ｃａｆｆｅ、ＣＮＴＫ（Ｍｉｃｒｏｓｏｆｔ Ｃｏｇｎｉｔｉｖｅ Ｔｏｏｌｋｉｔ）、又は当該技術分野で既知の任意の他の機械学習パッケージ又はプログラムを使用して実装され得る。
【0137】
いくつかの態様では、ＭＬ予測モデルは、ＡＮＮに由来するモデルを含む。いくつかの態様では、ＡＮＮは、フィードフォワードニューラルネットワークである。いくつかの態様では、ＡＮＮは、単純パーセプトロンネットワークである。
【0138】
いくつかの態様では、ＡＮＮは多層パーセプトロン（ＭＬＰ）である。いくつかの態様では、活性化関数は、シグモイド関数である。いくつかの態様では、活性化関数は、正規化線形ユニット（ＲｅＬＵ）又はそのバリアント（例えば、ノイジーＲｅＬＵ、リーキーＲｅＬＵ、パラメトリックＲｅＬＵ、又は指数ＬＵである。いくつかの態様では、ＭＬＰは、非線形活性化ノードの３つ以上の層（１つ以上の隠れ層を有する入力層及び出力層）を含む。その複数の層及び非線形活性化は、ＭＬＰを線形パーセプトロンと区別する。これは、線形分離可能ではないデータを区別することができる。ＭＬＰは完全に接続されているため、１つの層の各ノードは、次の層の全てのノードに特定の重みｗ<-ｉ><-ｊ>で接続する。学習は、予想される結果と比較した出力の誤差の量に基づいて、データの各部分が処理された後、接続重みを変更することによって、パーセプトロンで行われる。これは、教師あり学習の一例であり、逆伝播によって行われる。
【0139】
いくつかの態様では、ＭＬＰは、３つの層を有する。他の態様では、ＭＬＰは、４つ以上の層を有する。いくつかの態様では、ＭＬＰは、単一の隠れ層を有する。他の態様では、ＭＬＰは、複数の隠れ層を有する。
【0140】
いくつかの態様では、入力層は、１、２、３、４、５、６、７、８、９、１０、１１、１２、１３、１４、１５、１６、１７、１８、１９、２０、２１、２２、２３、２４、２５、２６、２７、２８、２９、３０、３１、３２、３３、３４、３５、３６、３７、３８、３９、４０、４１、４２、４３、４４、４５、４６、４７、４８、４９、５０、５１、５２、５３、５４、５５、５６、５７、５８、５９、６０、６１、６２、６３、６４、６５、６６、６７、６８、６９、７０、７１、７２、７３、７４、７５、７６、７７、７８、７９、８０、８１、８２、８３、８４、８５、８６、８７、８８、８９、９０、９１、９２、９３、９４、９５、９６、９７、９８、９９、１００、１０１、１０２、１０３、１０４、１０５、１０６、１０７、１０８、１０９、１１０、１１１、１１２、１１３、１１４、１１５、１１６、１１７、１１８、１１９、１２０、１２１、１２２、１２３、１２４、１２５、１２６、１２７、１２８、１２９、１３０、１３１、１３２、１３３、１３４、１３５、１３６、１３７、１３８、１３９、１４０、１４１、１４２、１４３、１４４、１４５、１４６、１４７、１４８、１４９、又は１５０個のニューロンを含む。いくつかの態様では、入力層は、７０～１００個のニューロンを含む。いくつかの態様では、入力層は、７０～８０個のニューロンを含む。いくつかの態様では、入力層は、８０～９０個のニューロンを含む。いくつかの態様では、入力層は、９０～１００個のニューロンを含む。いくつかの態様では、入力層は、７０～７５個のニューロンを含む。いくつかの態様では、入力層は、７５～８０個のニューロンを含む。いくつかの態様では、入力層は、８０～８５個のニューロンを含む。いくつかの態様では、入力層は、８５～９０個のニューロンを含む。いくつかの態様では、入力層は、９０～９５個のニューロンを含む。いくつかの態様では、入力層は、９５～１００個のニューロンを含む。いくつかの態様では、入力層は、少なくとも約１個～少なくとも約５個、少なくとも約５個～少なくとも約１０個、少なくとも約１０個～少なくとも約１５個、少なくとも約１５個～少なくとも約２０個、少なくとも約２０個～少なくとも約２５個、少なくとも約２５個～少なくとも約３０個、少なくとも約３０個～少なくとも約３５個、少なくとも約３５個～少なくとも約４０個、少なくとも約４０個～少なくとも約４５個、少なくとも約４５個～少なくとも約５０個、少なくとも約５０個～少なくとも約５５個、少なくとも約５５個～少なくとも約６０個、少なくとも約６０個～少なくとも約６５個、少なくとも約６５個～少なくとも約７０個、少なくとも約７０個～少なくとも約７５個、少なくとも約７５個～少なくとも約８０個、少なくとも約８０個～少なくとも約８５個、少なくとも約８５個～少なくとも約９０個、少なくとも約９０個～少なくとも約９５個、少なくとも約９５個～少なくとも約１００個、少なくとも約１００個～少なくとも約１０５個、少なくとも約１０５個～少なくとも約１１０個、少なくとも約１１０個～少なくとも約１１５個、少なくとも約１１５個～少なくとも約１２０個、少なくとも約１２０個～少なくとも約１２５個、少なくとも約１２５個～少なくとも約１３０個、少なくとも約１３０個～少なくとも約１３５個、少なくとも約１３５個～少なくとも約１４０個、少なくとも約１４０個～少なくとも約１４５個、又は少なくとも約１４５個～少なくとも約１５０個のニューロンを含む。いくつかの態様では、入力層は、少なくとも約１個～少なくとも約１０個、少なくとも約１０個～少なくとも約２０個、少なくとも約２０個～少なくとも約３０個、少なくとも約３０個～少なくとも約４０個、少なくとも約４０個～少なくとも約５０個、少なくとも約５０個～少なくとも約６０個、少なくとも約６０個～少なくとも約７０個、少なくとも約７０個～少なくとも約８０個、少なくとも約８０個～少なくとも約９０個、少なくとも約９０個～少なくとも約１００個、少なくとも約１００個～少なくとも約１１０個、少なくとも約１１０個～少なくとも約１２０個、少なくとも約１２０個～少なくとも約１３０個、少なくとも約１３０個～少なくとも約１４０個、又は少なくとも約１４０個～少なくとも約１５０個のニューロンを含む。いくつかの態様では、入力層は、少なくとも約１個～少なくとも約２０個、少なくとも約２０個～少なくとも約４０個、少なくとも約４０個～少なくとも約６０個、少なくとも約６０個～少なくとも約８０個、少なくとも約８０個～少なくとも約１００個、少なくとも約１００個～少なくとも約１２０個、少なくとも約１２０個～少なくとも約１４０個、少なくとも約１０個～少なくとも約３０個、少なくとも約３０個～少なくとも約５０個、少なくとも約５０個～少なくとも約７０個、少なくとも約７０個～少なくとも約９０個、少なくとも約９０個～少なくとも約１１０個、少なくとも約１１０個～少なくとも約１３０、又は少なくとも約１３０個～少なくとも約１５０個のニューロンを含む。いくつかの態様では、入力層は、約１個超、約５個超、約１０個超、約１５個超、約２０個超、約２５個超、約３０個超、約３５個超、約４０個超、約４５個超、約５０個超、約５５個超、約６０個超、約６５個超、約７０個超、約７５個超、約８０個超、約８５個超、約９０個超、約９５個超、約１００個超、約１０５個超、約１１０個超、約１１５個超、約１２０個超、約１２５個超、約１３０個超、約１３５個超、約１４０個超、約１４５個超、又は約１５０個超のニューロンを含む。いくつかの態様では、入力層は、約１個未満、約５個未満、約１０個未満、約１５個未満、約２０個未満、約２５個未満、約３０個未満、約３５個未満、約４０個未満、約４５個未満、約５０個未満、約５５個未満、約６０個未満、約６５個未満、約７０個未満、約７５個未満、約８０個未満、約８５個未満、約９０個未満、約９５個未満、約１００個未満、約１０５個未満、約１１０個未満、約１１５個未満、約１２０個未満、約１２５個未満、約１３０個未満、約１３５個未満、約１４０個未満、約１４５個未満、又は約１５０個未満のニューロンを含む。いくつかの態様では、重みは、入力層におけるニューロンの各々の入力に適用される。いくつかの態様では、ＡＮＮは、単一の隠れ層を含む。いくつかの態様では、ＡＮＮは、１、２、３、４、５、６、７、８、９、又は１０個の隠れ層を含む。いくつかの態様では、単一の隠れ層は、１、２、３、４、５、６、７、８、９、又は１０個のニューロンを含む。いくつかの実施形態では、単一の隠れ層は、少なくとも１、少なくとも２、少なくとも３、少なくとも４、少なくとも５、少なくとも６、少なくとも７、少なくとも８、少なくとも９、又は少なくとも１０個のニューロンを含む。いくつかの態様では、単一の隠れ層は、１０個未満、９個未満、８個未満、７個未満、６個未満、５個未満、４個未満、又は３個未満のニューロンを含む。いくつかの態様では、単一の隠れ層は、２つのニューロンを含む。いくつかの態様では、単一の隠れ層は、３つのニューロンを含む。いくつかの態様では、単一の隠れ層は、４つのニューロンを含む。いくつかの態様では、単一の隠れ層は、５つのニューロンを含む。いくつかの態様では、バイアスは、隠れ層におけるニューロンに適用される。いくつかの態様では、出力層の分類は、バイナリである。いくつかの態様では、出力層の分類は、予測された出力クラス（例えば、病理学的対非病理学的バリアント）にわたる確率分布に正規化され、成分は、それらが確率として解釈され得るように、１に加算されるであろう。いくつかの態様では、ｎ個の表現型クラスへの出力層値の分類は、ロジスティック回帰関数を適用することによってサポートされる。いくつかの態様では、ｎ個の表現型クラスへの出力層値の分類は、ロジスティック回帰予測モデル（例えば、Ｓｏｆｔｍａｘ関数）を適用することによってサポートされる。Ｓｏｆｔｍａｘは、１．０に加算される小数の確率を、各クラスに割り当てる。いくつかの態様では、Ｓｏｆｔｍａｘ関数などのロジスティック回帰予測モデルの使用は、訓練がより迅速に収束するのを助ける。いくつかの態様では、Ｓｏｆｔｍａｘ関数を含むロジスティック回帰予測モデルは、出力層の直前のニューラルネットワーク層を通して実装される。いくつかの態様では、出力層の直前のそのようなニューラルネットワーク層は、出力層と同じ数のノードを有する。いくつかの態様では、様々なカットオフは、使用される特定のデータセットに応じて、ロジスティック回帰予測モデル（例えば、Ｓｏｆｔｍａｘ関数）の結果に適用される（例えば、特定のタイプの病理学的表現型、又は特定の病理学的表現型の特定の重症度を選択するために適用されるカットオフを参照されたい）。したがって、異なるセットのカットオフを適用することで、ミスセンスバリアントの表現型への影響をバイナリ様式（例えば、病原性対非病原性）だけでなく、例えば、重症度に従って、ミスセンスバリアントの表現型への影響を分類又は層別化することができる。本開示のいくつかの態様では、ＡＮＮは、少なくとも１つの隠れ層を有する独立した状態ＮＮを有する多層パーセプトロンであり、次いで、各状態ＮＮごとのノード数に等しいノード数を有する組み合わされたＮＮに統合され、少なくとも１つの隠れ層及び最後のＳｏｆｔｍａｘ出力層を有する。多層パーセプトロンは、ＲｅＬＵ又はｔａｎｈ活性化、ＳＧＤ又はＡｄａｍ最適化、ＮＬＬ、ヒンジ又はクロスエントロピー損失関数、及びドロップアウト層を使用して、過剰適合を防ぐことができる。
【0141】
いくつかの態様では、結果として得られるＭＬ予測モデルの品質が評価される。したがって、本開示の一態様では、各予測モデルは、当業者に既知の方法を使用して、訓練集団の各バリアント分子（例えば、バリアントタンパク質又はバリアント遺伝子）の表現型への影響を適切に特徴付ける能力について評価される。例えば、標準的な統計的方法を使用して、交差検証、一つ抜き交差検証（ＬＯＯＣＶ）、Ｎ分割交差検証、又はジャックナイフ分析を使用して予測モデルを評価することができる。別の態様では、各予測モデルは、予測モデルを生成するために使用されなかったバリアント分子（例えば、バリアントタンパク質又はバリアント遺伝子）を適切に特徴付ける能力について評価される。いくつかの態様では、１つのデータセットを使用して予測モデルを訓練し、別の異なるデータセット上で予測モデルを評価することができる。一態様では、訓練セットの各バリアント分子（例えば、バリアントタンパク質又はバリアント遺伝子）を適切に特徴付ける能力について予測モデルを評価するために使用される方法は、予測モデルの感度（ＴＰＦ、真陽性率）及び特異性（ＦＰＦ、偽陽性率）を評価する方法である。一態様では、予測モデルを試験するために使用される方法は、受信者動作特性（「ＲＯＣ」）であり、これは、生成される予測モデル（例えば、ＡＮＮの適用から導出される予測モデル）の結果の感度及び特異性の両方を評価するためのいくつかのパラメータを提供する。
【0142】
いくつかの態様では、訓練集団の各バリアント分子（例えば、バリアントタンパク質又はバリアント遺伝子）を適切に特徴付ける能力について予測モデルを評価するために使用されるメトリックは、分類精度（ＡＣＣ）、受信者動作特性曲線下面積（ＡＵＣ ＲＯＣ）、感度（真陽性分画、ＴＰＦ）、特異性（真陰性分画、ＴＮＦ）、陽性的中率（ＰＰＶ）、陰性的中率（ＮＰＶ）、又はそれらの任意の組み合わせを含む。特定の一態様では、訓練集団の各バリアント分子（例えば、バリアントタンパク質又はバリアント遺伝子）を適切に特徴付ける能力について予測モデルを評価するために使用されるメトリックは、分類精度（ＡＣＣ）、受信者動作特性曲線下面積（ＡＵＣ ＲＯＣ）、感度（真陽性率、ＴＰＦ）、特異性（真陰性率、ＴＮＦ）、陽性的中率（ＰＰＶ）、及び陰性的中率（ＮＰＶ）である。
【0143】
ＩＩ．臨床、診断、及び薬物設計用途
いくつかの態様では、本明細書に開示されるバリアント（例えば、変異）の表現型への影響を決定するための計算方法は、（ｉ）対象からの試料を取得及び処理して、参照分子（例えば、参照タンパク質）例えば、組織試料を得ることによって、参照分子（例えば、参照タンパク質）の任意のバリアント（例えば、ミスセンスバリアント）の存在を決定すること（例えば、組織試料を取得し、組織試料を処理して、ＲＮＡ若しくはＤＮＡを取得し、例えば、ＮＧＳ法を使用して、ＲＮＡ若しくはＤＮＡを配列決定すること）、並びに／又は（ｉｉ）治療計画の策定すること（これには、例えば、対象への療法若しくは治療の投与が含まれ得る）、を更に含み得る。
いくつかの態様では、本明細書に開示されるバリアント（例えば、変異）の表現型への影響を決定するための計算方法は、（ｉ）対象からの試料を取得及び処理して、参照分子（例えば、参照タンパク質）例えば、組織試料を得ることによって、参照分子（例えば、参照タンパク質）の任意のバリアント（例えば、ミスセンスバリアント）の存在を決定すること（例えば、組織試料を取得し、組織試料を処理して、ＲＮＡ若しくはＤＮＡを取得し、例えば、ＮＧＳ法を使用して、ＲＮＡ若しくはＤＮＡを配列決定すること）、並びに／又は（ｉｉ）治療計画の策定すること（これには、例えば、対象への療法若しくは治療の投与が含まれ得る）、を更に含み得る。
【0144】
本明細書で使用される場合、「療法」及び「治療用」という用語は、予防（ｐｒｏｐｈｙｌａｘｉｓ）及び予防（ｐｒｏｐｈｙｌａｃｔｉｃ）を含み、疾患又は障害に関連する症状の予防及び改善、疾患又は障害の進行の阻害又は遅延、並びに疾患又は障害の治療を包含する。
【0145】
本明細書で使用される「治療する」、「治療すること」、及び「治療」という用語は、疾患に関連する症状、合併症、状態、又は生化学的徴候の進行、発症、重症度、又は再発を、逆転、緩和、改善、阻害若しくは減速、又は予防し、全体的な生存率を向上させることを目的とした、対象に対して行われる介入若しくはプロセス、又は対象への活性剤の投与のいずれかのタイプを指す。治療は、疾患を有する対象又は疾患を有しない対象（例えば、予防のため）の治療であり得る。本明細書で使用される場合、「治療する」、「治療すること」、及び「治療」という用語は、有効用量又は有効投与量の投与を指す。
【0146】
本明細書で使用される場合、「疾患」という用語は、例えば、疾患若しくは疾患状態、疾患の素因若しくは感受性、又は異常な薬物応答を含む、関心のある任意の表現型又は表現型形質を意味する。疾患状態の例示的及び非限定的な例としては、がん、高コレステロールレベル、うっ血性心不全、高血圧、糖尿病、グルコース不耐症、うつ病、不安、感染症、中毒状態、薬物療法の副作用、薬物療法の非有効性、アルコール依存症、中毒、外傷などが挙げられる。一般に、疾患は、特定の原因及び特徴的な症状を有する体内の特定の特徴的なプロセスである。本明細書で使用される場合、「障害」という用語は、身体の正常な機能の不規則性、障害、又は中断を指す。
【0147】
「対象」とは、概して、分析のために利用可能な、関連する生物体、並びに配列情報、及び任意選択的に表現型情報を意味する。本明細書で使用される場合、「対象」という用語は、任意のヒト又は非ヒト動物を含む。本明細書では、対象及び患者という用語は、互換的に使用される。「非ヒト動物」という用語は、イヌ、ネコ、ウマ、ウシ、ブタ、イノシシ、ヒツジ、ヤギ、バッファロー、バイソン、ラマ、シカ、エルク、及び他の大型動物、並びに仔子ウシ及び仔ヒツジを含むそれらの幼若動物、並びにマウス、ラット、ウサギ、モルモット、サルなどの霊長類、及び他の実験動物を含むが、これらに限定されない。動物の中では、哺乳動物が好ましく、最も好ましくは、家庭のペット、競走馬、及びヒトの消費のための食品を直接的に（例えば、肉）又は間接的に（例えば、乳）生産するために使用される動物などの貴重で価値のある動物であるが、実験動物もまた含まれる。特定の態様では、対象は、ヒトである。したがって、本開示は、臨床用途、獣医学的用途、及び研究用途に適用可能である。
【0148】
例えば、対象からのバリアント分子（例えば、バリアント遺伝子）で特定されたバリアント（例えば、ミスセンス変異）を入力として使用して、バリアント分子構造（バリアントタンパク質構造）をインシリコで生成することができる。これは、例えば、変異の表現型への影響を決定すること、ライブラリに組み込むためにＭＤシミュレーション構造を生成すること、若しくは将来の分析のために保存すること、ＭＬ予測モデルを改善するためにＭＬ訓練セットを拡張すること、又はそれらの任意の組み合わせに使用することができる。
【0149】
いくつかの態様では、参照分子（例えば、参照タンパク質）のバリアントを特定するために使用される遺伝子検査のための試料は、例えば、医療提供者（例えば、医師）又は医療給付提供者によって要求される。いくつかの態様では、遺伝子検査のための試料は、同じ又は異なる医療提供者（例えば、看護師、病院）又は臨床検査室によって取得及び／又は処理され得、処理後、その結果は、元の医療提供者又は更に別の医療提供者、医療給付提供者、又は対象から得られたバリアント関連情報の計算分析を実施する施設（例えば、本明細書に開示されるワークフローの一部又は全体を実施する）に転送され得る。本明細書に開示される方法からの結果に基づいて、治療を投与するかどうかに関する決定を行うことができる。
【0150】
いくつかの態様では、「投与すること」という用語はまた、療法を開始すること、療法を中止若しくは中断すること、療法を一時的に中断すること、又は療法を修正すること（例えば、投与量又は用量の頻度を増加すること、又は併用療法で複数の治療剤のうちの１つを追加すること）を含み得る。
【0151】
本明細書で使用される場合、「医療提供者」という用語は、生きている対象、例えば、ヒト患者と直接相互作用し、投与する個人又は機関を指す。ヘルスケア提供者の非限定的な例としては、医師、看護師、技術者、セラピスト、薬剤師、カウンセラー、代替医療従事者、医療施設、医師事務所、病院、救急治療室、診療所、緊急ケアセンター、代替医療診療所／施設、並びに一般的及び／又は専門的な治療、評価、維持、療法、投薬、及び／又は患者の健康状態の全て又は一部に関連するアドバイスを提供する任意の他のエンティティが挙げられ、一般的な医療、専門的な医療、外科、及び／又は任意の他のタイプの治療、評価、維持、療法、投薬、及び／又はアドバイスが含まれるが、これらに限定されない。
【0152】
本明細書で使用される場合、「臨床検査室」という用語は、生きている対象、例えば、ヒトに由来する材料の検査又は処理のための施設を指す。処理の非限定的な例としては、例えば、生きている対象、例えば、ヒトの任意の疾患若しくは障害の診断、予防、若しくは治療、又は健康の評価のための情報の提供を目的とする、人体に由来する材料の生物学的、生化学的、血清学的、化学的、免疫血液学的、血液学的、生物物理学的、細胞学的、病理学的、遺伝的な検査、又は他の検査が挙げられる。これらの検査はまた、試料を採取する又はそうでなければ取得する手順、生きている対象（例えば、ヒト）の体内の様々な物質又は生きている対象（例えば、ヒト）の身体から得られた試料中の様々な物質を調製、決定、測定する、又はそうでなければそれらの有無を説明する手順も含み得る。
【0153】
本明細書で使用される場合、「医療給付提供者」という用語は、１つ以上の医療給付、給付プラン、健康保険、及び／又は医療費勘定プログラムへの患者のアクセスを提示する、提供する、それらの全体若しくは一部を支払う、又はそうでなければそれらに関連している、個々の当事者、組織、又はグループを包含する。
【0154】
医療提供者は、試料を取得し、試料を処理し、試料を提出し、試料を受け取り、試料を移送し、試料を分析若しくは測定し、試料を定量化し、試料を分析／測定／定量化した後に得られた結果を提供し、試料を分析／測定／定量化した後に得られた結果を受け取り、１つ以上の試料を分析／測定／定量化した後に得られた結果を比較／スコアリングし、１つ以上の試料からの比較／スコアを提供し、１つ以上の試料からの比較／スコアを取得し、療法を投与し、療法の投与を開始し、療法の投与を停止し、療法の投与を継続し、療法の投与を一時的に中断し、投与された治療剤の量を増加させ、投与された治療剤の量を減少させ、治療剤の量の投与を継続し、治療剤の投与頻度を増加させ、治療剤の投与頻度を減少させ、治療剤の同じ投与頻度を維持し、療法若しくは治療剤を少なくとも別の療法若しくは治療剤と置き換え、療法若しくは治療剤を少なくとも別の療法若しくは追加の治療剤と組み合わせる。
【0155】
いくつかの態様では、医療給付提供者は、例えば、試料の採取、試料の処理、試料の提出、試料の受領、試料の移転、試料の分析若しくは測定、試料の定量化、試料の分析／測定／定量化後に得られた結果の提供、試料の分析／測定／定量化後に得られた結果の移転、１つ以上の試料の分析／測定／定量化後に得られた結果の比較／スコアリング、１つ以上の試料からの比較／スコアの移転、療法若しくは治療剤の投与、療法若しくは治療剤の投与の開始、治療又は治療薬の投与の中止、療法若しくは治療剤の投与の継続、療法若しくは治療剤の投与の一時的な中断、投与された治療剤の量の増加、投与される治療剤の量の減少、治療剤の量の投与の継続、治療剤の投与頻度の増加、治療剤の投与頻度の減少、治療剤の同じ投薬頻度の維持、療法若しくは治療剤の少なくとも別の療法若しくは治療剤による置き換え、又は療法若しくは治療剤と少なくとも別の療法若しくは追加の治療剤との組み合わせ、を承認又は拒否することができる。
【0156】
更に、医療給付提供者は、例えば、療法の処方の承認又は拒否、療法の補償の承認又は拒否、治療費の払い戻しの承認又は拒否、療法の適格性の決定又は拒否を行うことができる。
【0157】
いくつかの態様では、臨床検査室は、例えば、試料の採取又は取得、試料の処理、試料の提出、試料の受け取り、試料の移送、試料の分析若しくは測定、試料の定量化、試料の分析／測定／定量化後に得られた結果の提供、試料の分析／測定／定量化後に得られた結果の受け取り、１つ以上の試料の分析／測定／定量化後に得られた結果の比較／スコアリング、１つ以上の試料からの比較／スコアの提供、１つ以上の試料からの比較／スコアの取得、又は他の関連する活動を行うことができる。
【0158】
本明細書に開示される方法、システム、有形計算可能可読デバイスなどを使用して、バリアント分子（例えば、バリアントタンパク質）におけるバリアント（例えば、タンパク質ミスセンス変異）を、例えば、病原性又は非病原性として分類することができ、次に、そのような分類を使用して、（ｉ）患者の治療、（ｉｉ）治療のための患者の選択、（ｉｉｉ）治療の開始、（ｉｖ）治療の中止、（ｖ）治療の中断、（ｖｉ）治療の修正、又は（ｖｉｉ）それらの任意の組み合わせを行うことができる。
【0159】
本開示は、（ｉ）患者の治療、（ｉｉ）治療のための患者の選択、（ｉｉｉ）治療の開始、（ｉｖ）治療の中止、（ｖ）治療の中断、（ｖｉ）治療の修正、又は（ｖｉｉ）それらの任意の組み合わせを行う方法を提供し、本明細書に開示される方法、システム、有形計算可能可読デバイスなどを適用することを含む。
【0160】
本開示はまた、特定の療法で対象を治療するかどうかを決定する方法も提供し、本明細書に開示される方法、システム、有形計算可能可読デバイスなどを適用することを含む。例えば、バリアント分子（例えば、バリアントタンパク質）が病原性であり、特定の症状の発現をもたらす可能性があることを決定することは、そのような症状を治療又は改善するであろう特定の療法を選択するために使用することができる。
【0161】
本開示はまた、個別化医療治療を提供し、これは、（ｉ）対象における特定のバリアント分子（例えば、バリアントタンパク質）を特定することと、（ｉｉ）本明細書に開示される方法を使用して、例えば、バリアント分子（例えば、ミスセンスバリアントタンパク質などのバリアントタンパク質）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルを使用して、特定のバリアント分子（例えば、バリアントタンパク質）の表現型への影響を決定することであって、使用されるワークフローが、そのようなＭＬ予測モデルを生成するか、又はライブラリ（例えば、事前に計算されたＭＤモデルのライブラリ、低次元コンフォメーションランドスケープのライブラリ、低次元状態のライブラリ、又はＭＬ予測モデルのライブラリ）を関連付ける、決定することと、（ｉｉｉ）バリアント分子に関連する疾患又は状態を治療、予防、又は改善するための治療を選択することと、を含む。
【0162】
一態様では、本明細書に開示される方法は、対象におけるバリアント分子（例えば、バリアントタンパク質）の、例えば、本開示の予測モデルによる表現型への影響の分類又は予測に少なくとも部分的に基づいて、鑑別診断であり得る診断を行うことを含み、バリアント分子（例えば、バリアントタンパク質）が、本明細書に開示されるＭＬ予測モデルの適用によって分類されている。この診断は、患者の医療記録に記録され得る。医療記録は、紙の形式であり得、及び／又はコンピュータ可読媒体に維持され得る。医療記録は、検査室、診療所、病院、医療維持組織、保険会社、及び／又は個人医療記録ウェブサイトによって維持され得る。
【0163】
疾患又は障害を有するか、又はそれを有するリスクがある患者又は患者クラスの治療方針を診断及び／又は示唆、選択、指定、推奨、又はそうでなければ決定するための当該技術分野で既知の要因は、例えば、参照分子又はバリアント分子の発現の測定（例えば、参照又はバリアントタンパク質のＲＮＡ又はタンパク質の発現レベル）と組み合わせて、並びに病原性分類、予測モデル、又は本明細書に開示される方法からの他の出力と組み合わせて用いることができる。
【0164】
本開示はまた、バリアント分子（例えば、バリアントタンパク質）についての事前に計算されたバリアント分子構造（例えば、バリアントタンパク質構造）又は事前に計算された病原性スコアのポートフォリオを提供する。そのようなポートフォリオは、本明細書に開示される方法を使用して生成され得る。
【0165】
いくつかの態様では、本明細書に開示されるＭＬ予測モデルの適用に基づく診断は、カード、着用物品、及び／又は無線周波数識別（ＲＦＩＤ）タグなどの医療警告物品上又はその中に記録され得る。本明細書で使用される場合、「着用物品」という用語は、タグ、ブレスレット、ネックレス、又はアームバンドを含むがこれらに限定されない、対象の身体に着用することができる任意の物品を指す。
【0166】
いくつかの態様では、本明細書に開示される方法、例えば、バリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルを生成するための方法、そのようなＭＬ予測モデルを生成するために使用されるワークフロー、及び／又は関連するライブラリ（例えば、事前に計算されたコンフォメーション動力学（例えば、ＭＤ）モデルのライブラリ、低次元コンフォメーションランドスケープのライブラリ、低次元状態のライブラリ、又はＭＬ予測モデルのライブラリ）を使用して、治療剤を設計又は選択して、参照分子（例えば、参照タンパク質）又はそのバリアントに関連する疾患又は状態を治療、予防、又は改善することができる。例えば、参照分子又はバリアント分子の事前に計算されたＭＤシミュレーション構造は、ドッキングプログラムによって、参照分子又はバリアント分子と最適に相互作用し得る新規又は既存の薬物を特定するために使用され得る。
【0167】
いくつかの態様では、本明細書に開示されているように事前に計算されたバリアント分子（例えば、事前に計算されたタンパク質構造）のポートフォリオ、バリアント分子の事前に計算された病原性スコア、生成されたモデル又はモデルのライブラリを使用して、臨床試験のための患者を選択することができる。
【0168】
ＩＩＩ．参照分子及びバリアント分子並びに適応症
本明細書に記載の方法は、様々な疾患（例えば、がん、神経変性疾患、及び遺伝性疾患）を予測、診断、及び治療するための情報を提供するために、ミスセンスバリアントタンパク質とともに使用することができる。がんの例としては、乳がん、卵巣がん、肺がん、脳がん、白血病、前立腺がん、及び膵臓がんが挙げられる。神経変性疾患の例としては、アルツハイマー病、パーキンソン病、及びハンチントン病が挙げられる。遺伝性疾患には、単一の遺伝子の変異（一遺伝子疾患）若しくは複数の遺伝子の変異（多遺伝子疾患）、変異及び環境要因の組み合わせ、又は染色体への損傷（染色体全体の数若しくは構造の変化）によって引き起こされる、疾患及び障害が含まれる。一遺伝子疾患では、変異は、一方又は両方の染色体に存在し得る。一遺伝子疾患の例としては、マルファン症候群、テイ・サックス病、鎌状赤血球貧血、嚢胞性線維症、及び多発性嚢胞腎疾患が挙げられる。多遺伝子疾患は、複数の遺伝子における小さな遺伝的変異の組み合わせによって引き起こされる。多遺伝子疾患の例としては、がん、心疾患、糖尿病、及び自己免疫疾患が挙げられる。
本明細書に記載の方法は、様々な疾患（例えば、がん、神経変性疾患、及び遺伝性疾患）を予測、診断、及び治療するための情報を提供するために、ミスセンスバリアントタンパク質とともに使用することができる。がんの例としては、乳がん、卵巣がん、肺がん、脳がん、白血病、前立腺がん、及び膵臓がんが挙げられる。神経変性疾患の例としては、アルツハイマー病、パーキンソン病、及びハンチントン病が挙げられる。遺伝性疾患には、単一の遺伝子の変異（一遺伝子疾患）若しくは複数の遺伝子の変異（多遺伝子疾患）、変異及び環境要因の組み合わせ、又は染色体への損傷（染色体全体の数若しくは構造の変化）によって引き起こされる、疾患及び障害が含まれる。一遺伝子疾患では、変異は、一方又は両方の染色体に存在し得る。一遺伝子疾患の例としては、マルファン症候群、テイ・サックス病、鎌状赤血球貧血、嚢胞性線維症、及び多発性嚢胞腎疾患が挙げられる。多遺伝子疾患は、複数の遺伝子における小さな遺伝的変異の組み合わせによって引き起こされる。多遺伝子疾患の例としては、がん、心疾患、糖尿病、及び自己免疫疾患が挙げられる。
【0169】
いくつかの態様では、本開示の参照分子は、以下に開示される遺伝子、又はそのドメインをコードするポリヌクレオチドであり得る。他の態様では、本開示の参照分子は、以下に開示される遺伝子によってコードされるタンパク質、又はそのドメインであり得る。いくつかの態様では、参照分子は、以下に開示される遺伝子によってコードされる少なくとも１つのタンパク質、又はそのドメインを含む複合体であり得る。
【0170】
いくつかの態様では、本開示のバリアント分子は、遺伝子の正準配列に関して１つ以上のバリアント（例えば、変異）を含む、以下に開示される遺伝子、又はそのドメインをコードするポリヌクレオチドであり得る。他の態様では、本開示のバリアント分子は、タンパク質の正準配列又はそのドメインに関して１つ以上のバリアント（例えば、変異）を含む、以下に開示する遺伝子によってコードされるタンパク質であり得る。いくつかの態様では、バリアント分子は、以下に開示される遺伝子によってコードされる少なくとも１つのタンパク質、又はそのドメインを含む複合体であり得る。
【0171】
以下に開示される遺伝子の正式名及び配列、並びにそれらに対応するタンパク質の正式名及び配列は、それらに対応するＵｎｉｐｒｏｔ（ｗｗｗ．ｕｎｉｐｒｏｔ．ｏｒｇ）、及びＲｅｆＳｅｑ（ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｒｅｆｓｅｑ）の２０２１年９月９日に入手可能な最新のデータベースリリースのエントリに見出すことができる（それらの全体が、参照により本明細書に組み込まれる）。
【0172】
いくつかの態様では、参照分子（例えば、参照タンパク質）は、ＳＬＣ１２Ａ３、ＭＬＨ１、ＧＡＡ、ＭＳＨ２、ＬＤＬＲ、ＣＯＬ６Ａ２、ＴＰ５３、ＧＬＤＣ、ＫＣＮＱ１、ＣＯＬ６Ａ１、ＣＡＰＮ３、ＭＵＴＹＨ、ＶＨＬ、ＴＧＭ１、ＩＧＨＭＢＰ２、ＰＹＧＭ、ＡＢＣＤ１、ＰＭＳ２、ＣＬＣＮ１、ＣＨＥＫ２、ＭＦＮ２、ＷＦＳ１、ＳＬＣ２２Ａ５、及びＣＰＴ２からなる群から選択される。いくつかの態様では、参照分子（例えば、参照タンパク質）は、ＭＳＨ２、そのドメイン、又はＭＳＨ２、例えば、ＭＳＨ２／ＭＳＨ６を含む複合体である。
【0173】
そのバリアントによって引き起こされる表現型への影響を予測するために、参照分子として使用することができる特定のタンパク質を以下に開示する。いくつかの態様では、参照分子（例えば、参照タンパク質）又はそのバリアント（すなわち、ミスセンスバリアントタンパク質などのバリアント分子）は、メンデル遺伝病（ｍｅｎｄｅｌｉａｎ ｄｉｓｏｒｄｅｒ）に関係又は関連しており、参照分子又はそのバリアントが、ＢＲＣＡ１、ＢＲＣＡ２、ＡＰＯＢ、ＬＤＬＲ、ＰＣＳＫ９、ＳＣＮ５Ａ、ＡＰＣ、ＭＬＨ１、ＭＳＨ２、ＭＳＨ６、ＳＴＫ１１、ＭＵＴＹＨ、ＭＹＨ７、ＬＭＮＡ、ＭＹＢＰＣ３、ＴＮＮＩ３、ＴＮＮＴ２、ＫＣＮＱ１、ＫＣＮＨ２、ＳＤＨＢ、ＡＣＴＡ２、ＭＹＨ１１、ＶＨＬ、ＲＥＴ、ＳＤＨＡＦ２、ＳＤＨＣ、ＳＤＨＤ、ＴＰ５３、ＴＳＣ１、ＴＳＣ２、ＮＦ２、ＰＴＥＮ、ＲＢ１、ＲＹＲ１、ＧＬＡ、ＲＹＲ２、ＴＧＦＢＲ１、ＴＧＦＢＲ２、ＡＣＴＣ１、ＣＡＣＮＡ１Ｓ、ＣＯＬ３Ａ１、ＤＳＣ２、ＤＳＧ２、ＤＳＰ、ＦＢＮ１、ＭＥＮ１、ＭＹＬ２、ＭＹＬ３、ＰＫＰ２、ＰＭＳ２、ＰＲＫＡＧ２、ＳＭＡＤ３、ＴＭＥＭ４３、ＴＰＭ１、ＷＴ１、ＢＭＰＲ１Ａ、ＳＭＡＤ４、ＡＴＰ７Ｂ、及びＯＴＣからなる群から選択される遺伝子によってコードされる。「に関連している」という用語は、論じられた項目間に関連又は相関があることを意味する。例えば、特定のタンパク質又は遺伝子は、疾患に関連し得る。これは、タンパク質又は遺伝子が、疾患の存在に関連又は相関していることを意味するであろう。これはまた、タンパク質又は遺伝子が、全体的又は部分的に疾患の原因であることが示されていることを意味し得る。
【0174】
いくつかの態様では、遺伝子は、機械学習モデル（訓練された予測モデル）の訓練の結果に基づいて、ドライバー遺伝子であるように見える可能性がある。本明細書で使用される「ドライバー遺伝子」という用語は、ドライバー遺伝子変異を含む遺伝子を指す。いくつかの態様では、ドライバー遺伝子は、１つ以上の後天性変異（例えば、ドライバー遺伝子変異）が、例えば、がんの進行に因果的に関連し得る遺伝子である。いくつかの態様では、ドライバー遺伝子は、細胞運命の決定、細胞の生存、及びゲノムの維持を含む１つ以上の細胞プロセスを調節することができる。ドライバー遺伝子は、１つ以上のシグナル伝達経路、例えば、ＴＧＦ－β経路、ＭＡＰＫ経路、ＳＴＡＴ経路、ＰＩ３Ｋ経路、ＲＡＳ経路、細胞周期経路、アポトーシス経路、Ｎｏｔｃｈ経路、Ｈｅｄｇｅｈｏｇ（ＨＨ）経路、ＡＰＣ経路、クロマチン修飾経路、転写調節経路、ＤＮＡ損傷制御経路、又はそれらの組み合わせに関連し得る（例えば、それらを調節し得る）。例示的なドライバー遺伝子としては、がん遺伝子及び腫瘍抑制因子が挙げられる。いくつかの態様では、ドライバー遺伝子は、それが生じる細胞に選択的な増殖の利点を提供する。いくつかの態様では、ドライバー遺伝子は、それが生じる細胞に増殖能力を提供し、例えば、細胞の増殖（例えば、クローン増殖）を可能にする。いくつかの態様では、ドライバー遺伝子は、がん遺伝子である。いくつかの態様では、ドライバー遺伝子は、腫瘍抑制遺伝子（ＴＳＧ）である。
【0175】
いくつかの態様では、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、ミスセンスバリアントタンパク質）は、「がんドライバー」であり、参照分子又はバリアント分子が、ＴＰ５３、ＰＩＫ３ＣＡ、ＡＲＩＤ１Ａ、ＲＢ１、ＰＴＥＮ、ＫＲＡＳ、ＢＲＡＦ、ＣＤＫＮ２Ａ、ＮＲＡＳ、ＦＢＸＷ７、ＳＴＡＧ２、ＮＦＥ２Ｌ２、ＮＦ１、ＩＤＨ１、ＡＴＭ、ＰＩＫ３Ｒ１、ＣＡＳＰ８、ＨＲＡＳ、ＭＬＬ２、ＳＦ３Ｂ１、ＥＲＢＢ２、ＣＲＥＢＢＰ、ＡＫＴ１、ＨＬＡ－Ａ、ＣＴＣＦ、ＥＲＢＢ３、ＣＴＮＮＢ１、ＲＵＮＸ１、ＭＹＤ８８、ＳＭＡＲＣＡ４、ＥＰ３００、ＳＥＴＤ２、ＳＭＡＲＣＢ１、ＥＧＦＲ、ＴＢＬ１ＸＲ１、Ｕ２ＡＦ１、ＥＺＨ２、ＲＡＣ１、ＭＬＬ３、ＩＬ７Ｒ、ＣＤ７９Ｂ、ＰＯＵ２ＡＦ１、ＭＡＰ２Ｋ１、ＰＴＰＮ１１、ＣＣＮＤ１、ＭＡＰ２Ｋ４、ＴＣＦ７Ｌ２、ＫＩＴ、ＣＤＫ４、ＦＯＸＡ１、ＴＳＣ１、ＦＡＴ１、ＷＴ１、ＢＣＯＲ、ＸＰＯ１、ＰＲＤＭ１、ＫＥＡＰ１、ＮＳＤ１、ＰＰＰ２Ｒ１Ａ、ＣＤＫＮ１Ｂ、ＡＳＸＬ１、ＭＥＴ、ＲＰＬ５、ＭＹＣＮ、ＴＮＦＲＳＦ１４、ＦＬＴ３、ＡＬＫ、ＫＤＭ５Ｃ、ＫＤＭ６Ａ、ＡＰＣ、ＰＢＲＭ１、ＳＴＫ１１、ＲＡＤ２１、ＥＺＲ、ＳＰＯＰ、ＴＥＴ２、ＰＨＦ６、ＩＲＦ４、ＤＤＸ５、ＣＣＤＣ６、ＨＩＳＴ１Ｈ３Ｂ、ＣＡＲＤ１１、ＩＤＨ２、ＭＬＬ、ＦＧＦＲ２、ＣＤＫ１２、ＥＲＣＣ２、Ｂ２Ｍ、ＭＥＤ１２、ＣＥＢＰＡ、ＮＯＴＣＨ１、ＢＲＣＡ１、ＭＡＰ３Ｋ１、ＶＨＬ、ＤＮＭＴ３Ａ、ＦＧＦＲ３、ＮＰＭ１、ＦＡＭ４６Ｃ、ＣＢＦＢ、ＧＡＴＡ３、ＭＹＢ、ＣＤＨ１、ＢＡＰ１、ＥＬＦ３、ＺＮＦ１９８、ＭＡＬＴ１、ＷＩＦ１、ＫＤＲ、ＳＦＲＳ３、ＭＸＲＡ５、ＳＳ１８、ＴＡＬ１、ＲＸＲＡ、ＴＣＥＡ１、ＨＥＡＢ、ＴＨＲＡＰ３、ＲＵＮＤＣ２Ａ、ＳＬＣ４４Ａ３、ＴＮＦ、ＴＡＬ２、ＦＬＪ２７３５２、ＬＡＦ４、ＳＴＫ１９、ＤＤＸ１０、ＭＳＩ２、ＮＵＴＭ２Ａ、ＰＯＵ５Ｆ１、ＴＲＩＰ１１、ＳＴＡＴ５Ｂ、ＮＣＯＡ２、ＡＺＧＰ１、ＮＣＯＡ１、ＳＴＡＴ３、ＮＣＯＡ４、ＯＲ５２Ｎ１、ＣＤＫＮ２ａ（ｐ１４）、ＣＥＰ１、ＴＦＰＴ、ＳＵＦＵ、ＨＯＸＡ１３、ＤＢ２、ＨＯＸＡ１１、Ｐ２ＲＹ８、ＥＣＴ２Ｌ、ＴＲＤ＠、ＩＧＨ＠、ＳＭＡＤ４、ＲＢＭ１０、ＬＡＳＰ１、ＲＯＳ１、ＫＭＴ２Ｄ、ＷＡＳＦ３、ＲＢＭ１５、ＰＲＫＡＲ１Ａ、ＫＣＮＪ５、ＡＴＲＸ、ＥＰＨＡ２、ＢＩＲＣ３、ＨＮＲＮＰＡ２Ｂ１、ＯＲ４Ａ１６、ＮＵＴＭ２Ｂ、ＫＬＦ４，ＭＡＰ２Ｋ２，Ｃ１５ｏｒｆ２１，ＥＲＧ、ＣＤ７９Ａ、ＳＲＧＡＰ３、ＭＬＬＴ３、ＭＩＴＦ、ＭＮ１、ＭＬＬＴ２、ＭＬＬＴ７、ＭＬＬＴ６、ＦＡＳ、Ｃ１５ｏｒｆ５５、ＰＯＵ２Ｆ２、ＥＩＦ２Ｓ２、ＭＬＬＴ４、ＥＰＳ１５、ＨＥＲＰＵＤ１、ＴＢＣ１Ｄ１２、ＭＬＬＴ１、ＡＬＯ１７、ＣＮＯＴ３、ＦＩＰ１Ｌ１，ＣＢＬ、ＯＬＩＧ２、ＨＯＸＣ１３、ＮＴ５Ｃ２、ＡＢＬ１、ＺＮＦ５２１、ＰＬＡＧ１，ＴＰＭ４、ＬＭＯ１，ＬＭＯ２、ＢＬＭ、ＮＴＮ４、ＳＬＣ４Ａ５、ＩＲＴＡ１、ＪＡＫ３、ＰＭＳ２、ＡＴＰ１Ａ１、ＴＥＲＴ、ＣＤＨ１１、ＰＴＣＨ、ＤＤＸ３Ｘ、ＨＥＹ１、ＭＯＲＣ４、ＴＬＸ３、ＰＡＬＢ２、ＢＣＲ、ＢＲＣＡ２、ＭＤＭ４、ＭＤＭ２、ＢＲＤ４、ＴＦＧ、ＣＳＦ３Ｒ、ＲＰＬ１０、ＰＥＲ１、ＩＴＰＫＢ、ＰＤＳＳ２、ＣＲＥＢ１、ＡＦ３ｐ２１、ＴＲＩＭ２７、ＷＲＮ、ＫＩＦ５Ｂ、ＣＨＤ８、ＲＡＢ４０Ａ、ＧＡＴＡ１、ＡＴＩＣ、ＣＤ１Ｄ、ＳＥＴＢＰ１、ＣＲＴＣ３、ＴＮＦＲＳＦ１７、ＣＯＬ１Ａ１、ＤＵＸ４、ＡＣＶＲ１Ｂ、Ｃ１６ｏｒｆ７５、ＮＩＮ、ＺＮＦ２７８、ＭＡＦ、ＮＦ２、ＡＫＡＰ９、ＣＣＮＤ２、ＭＡＸ、ＭＥＣＴ１、ＡＲＨＧＥＦ１２、ＳＥＰＴ６，ＣＢＬＢ、ＦＡＣＬ６，ＡＬＫＢＨ６、ＣＨＮ１、ＣＢＦＡ２Ｔ１、ＩＬ６ＳＴ、ＴＣＥＢ１、ＭＥＮ１、ＦＢＸＯ１１、ＨＩＳＴ１Ｈ４Ｉ、ＲＡＬＧＤＳ、ＢＵＢ１Ｂ、ＦＨＩＴ、ＣＲＬＦ２、ＲＡＳＡ１、ＴＬＸ１、ＩＧＫ＠、ＳＥＬＰ、ＴＸＮＤＣ８、ＣＡＣＮＡ１Ｄ、ＧＵＳＢ、ＮＵＰ２１４、ＮＫＸ２－１、ＩＮＰＰＬ１、ＣＢＦＡ２Ｔ３、ＢＣＬＡＦ１、ＴＳＣ２、ＳＤＨ５、ＣＤＣ７３、ＺＮＦ３８４、ＣＤＣ２７、ＯＴＵＤ７Ａ、ＳＩＬ、ＲＡＮＢＰ１７、ＮＤＲＧ１、ＳＭＣ３、ＦＨ、ＰＡＸ７、ＣＤ２７３、ＨＬＡ－Ｂ、ＰＨＯＸ２Ｂ、ＣＤ２７４、ＧＮＡＳ、ＧＮＡＱ、ＰＳＩＰ１、ＡＳＰＳＣＲ１、ＧＰＨＮ、ＸＩＲＰ２、ＰＡＸ８、ＭＹＯＣＤ、ＦＲＭＤ７、ＲＡＰ１ＧＤＳ１、ＰＡＸ３、ＡＪＵＢＡ、ＳＬＣ３４Ａ２、ＨＬＦ、ＵＢＲ５、ＲＥＬ、ＲＰＳ２、ＧＮＡ１１、ＬＨＦＰ、ＴＢＸ３、ＳＭＯ、ＲＥＴ、ＰＡＰＤ５、ＲＰＳ１５、ＳＳ１８Ｌ１、ＭＹＨ１１、ＥＩＦ４Ａ２、ＬＣＫ、ＸＰＡ、ＨＳＰＣＡ、ＰＰＡＲＧ、ＣＨＩＣ２、ＨＯＸＣ１１、Ｈ３Ｆ３Ｂ、ＪＡＫ２、ＴＦＲＣ、ＺＮＦ６２０、ＳＯＸ１７、ＭＴＣＰ１、ＪＵＮ、ＬＣＴＬ、ＴＡＦ１５、ＮＯＮＯ、ＳＲＳＦ２、ＣＨＣＨＤ７、ＭＡＭＬ２、ＰＰＭ１Ｄ、ＤＡＸＸ、Ｈ３Ｆ３Ａ、ＪＡＫ１、ＲＩＴ１、ＣＣＮＤ３、ＴＲＲＡＰ、ＭＥＤ２３、ＩＧＬ＠、ＳＰＥＮ、ＤＩＡＰＨ１、ＣＭＫＯＲ１、ＺＮＦ４７１、ＳＴＬ、ＰＯＬＥ、ＭＡＰ４Ｋ３、ＩＮＧ１、ＦＯＸＯ１Ａ、ＬＩＦＲ、ＣＨＥＫ２、ＬＣＰ１、ＡＫＴ２、ＴＰＲ、ＮＦＫＢ２、ＦＯＸＬ２、ＣＯＬ５Ａ１、ＦＥＶ、ＨＭＧＡ１、ＢＣＬ３、ＨＭＧＡ２、ＣＡＲＳ、ＰＣＳＫ７、ＥＬＬ、ＧＭＰＳ、ＬＹＬ１、ＢＭＰＲ１Ａ、ＴＧＦＢＲ２、ＳＬＣ４５Ａ３、ＧＲＡＦ、ＨＬＸＢ９、ＨＩＳＴ１Ｈ１Ｅ、ＤＩＳ３、ＷＷＴＲ１、ＰＤＧＦＲＡ、ＰＤＥ４ＤＩＰ、ＡＲＩＤ５Ｂ、ＡＬＤＨ２、ＳＴＸ２、ＳＡＣＳ、ＡＲＮＴ、ＧＯＰＣ、ＳＯＳ１、ＩＴＫ、ＤＩＣＥＲ１、ＫＥＬ、ＣＩＣ、ＲＡＢ５ＥＰ、ＦＶＴ１、ＰＭＬ、ＡＤＮＰ、ＦＡＮＣＡ、ＡＢＬ２、Ｃ１２ｏｒｆ９、ＢＲＩＰ１、ＭＡＬＡＴ１、ＦＡＮＣＤ２、ＰＡＦＡＨ１Ｂ２、ＭＵＴＹＨ、ＰＯＴ１、ＪＡＺＦ１、ＧＮＰＴＡＢ、ＦＧＦＲ１ＯＰ、ＲＡＤ５１Ｌ１、ＤＮＥＲ、ＺＮＦ３３１、ＣＤ７０、ＩＫＺＦ１、ＮＣＯＲ１、ＭＬＦ１、ＭＹＨ９、ＳＹＫ、ＨＣＭＯＧＴ－１、ＦＡＮＣＥ、ＦＡＮＣＦ、ＦＡＮＣＧ、ＴＰＭ３、ＮＵＰ２１０Ｌ、ＩＮＴＳ１２、ＳＤＨＣ、ＲＵＮＸＢＰ２、ＢＴＧ１、ＴＴＬＬ９、ＥＭＬ４、ＳＤＨＢ、ＣＤＫ６、ＰＭＸ１、ＰＤＧＦＲＢ、ＦＯＸＯ３Ａ、ＮＴＲＫ１、ＣＬＴＣＬ１、ＳＨ２Ｂ３、ＥＢＦ１、ＧＰＣ３、ＦＧＦＲ１、ＥＴＶ６、ＮＲ４Ａ３、ＳＢＤＳ、ＰＩＭ１、ＡＬＰＫ２、ＰＤＧＦＢ、ＣＵＬ４Ｂ、ＹＷＨＡＥ、ＥＴＶ１、ＢＣＬ１０、ＰＢＸ１、ＩＬ２１Ｒ、ＣＲＥＢ３Ｌ１、ＡＴＦ１、ＦＡＮＣＣ、Ｃ２ｏｒｆ４４、ＨＳＰＣＢ、ＣＡＮＴ１、ＰＴＰＲＣ、ＷＡＳ、ＮＦＩＢ、ＣＲＥＢ３Ｌ２、ＡＦ１Ｑ、ＮＯＴＣＨ２、ＡＢＩ１、ＳＨ３ＧＬ１、ＮＢＳ１、ＯＭＤ、ＳＵＺ１２、ＴＲＡ＠、ＡＦ５ｑ３１、ＲＳＢＮ１Ｌ、ＢＣＬ１１Ｂ、ＭＳＨ６、ＥＲＣＣ５、ＢＣＬ１１Ａ、ＥＲＣＣ３、ＭＳＨ２、ＮＵＭＡ１、ＫＴＮ１、ＴＦＥ３、ＩＬ２、ＭＹＣＬ１、ＬＰＰ、ＨＯＸＡ９、ＲＰＬ２２、ＭＳＮ、ＥＶＩ１、ＢＣＬ７Ａ、ＡＸＩＮ１、ＮＢＰＦ１、ＺＮＦ９、ＭＬＨ１、ＳＦＲＳ２、ＴＲＩＭ３３、ＳＩＲＴ４、ＡＸＩＮ２、ＣＩＩＴＡ、ＡＲＨＧＡＰ３５、ＳＥＴ、ＥＬＦ４、ＨＩＰ１、ＭＳＦ、ＳＯＸ２、ＦＮＢＰ１、ＣＤ７４、ＴＣＬ１Ａ、ＲＡＦ１、ＭＡＤＨ４、ＣＯＰＥＢ、ＦＬＩ１、ＣＢＬＣ、ＧＡＴＡ２、ＥＸＴ１、ＥＸＴ２、ＭＩＣＡＬＣＬ、ＤＤＩＴ３、Ｄ１０Ｓ１７０、ＣＤＫＮ２Ｃ、ＭＹＣ、ＧＯＬＧＡ５、ＴＲＩＭ２３、ＮＴＲＫ３、ＫＬＫ２、ＳＬＣ１Ａ３、ＰＲＦ１、ＡＣＳＬ３、ＮＵＰ９８、ＥＬＫ４、ＣＹＬＤ、ＴＭＰＲＳＳ２、ＤＤＸ６、ＣＣＮＢ１ＩＰ１、ＴＴＬ、ＺＮＦ７５０、ＴＩＦ１、ＳＯＣＳ１、ＰＮＵＴＬ１、ＦＯＸＱ１、ＡＴＰ２Ｂ３、ＰＭＳ１、ＦＳＴＬ３、ＰＣＢＰ１、ＫＤＭ５Ａ、ＺＮＦ１４５、ＰＩＣＡＬＭ、ＥＷＳＲ１、ＡＦ１５Ｑ１４、ＢＣＬ６、ＧＮＡ１３、ＢＣＬ５、ＢＣＬ９、ＡＮＫ３、ＲＨＥＢ、ＢＨＤ、ＱＫＩ、ＰＰＰ６Ｃ、ＣＡＬＲ、ＰＲＣＣ、ＦＣＧＲ２Ｂ、ＢＣＬ２、ＲＰＮ１、ＳＳＸ４、ＭＤＳ２、ＴＰＸ２、ＲＡＲＡ、ＺＦＨＸ３、ＴＲＢ＠、ＭＤＳ１、ＭＡＦＢ、ＳＬＣ２６Ａ３、ＳＧＫ１、ＳＤＨＤ、ＣＤＸ２、ＳＳＸ１、ＺＲＡＮＢ３、ＫＩＡＡ１５４９、ＳＳＸ２、ＨＯＯＫ３、ＭＴＯＲ、ＳＮＸ２５、ＴＣＦ１、ＭＧＡ、ＬＲＩＧ３、ＰＲＤＭ１６，ＥＬＫＳ、ＲＨＯＡ、ＡＣＯ１、ＥＬＮ、ＶＴＩ１Ａ、ＢＲＤ３、ＭＬＬＴ１０、ＲＮＦ４３、ＣＤＫＮ１Ａ、ＡＲＩＤ２、ＬＣＸ、ＴＦＥＢ、ＷＨＳＣ１Ｌ１、ＥＴＶ５、ＥＴＶ４、ＨＯＸＤ１１、ＧＡＳ７、ＡＲＨＨ、ＩＰＯ７、ＧＯＴ１、ＳＭＡＤ２、ＷＨＳＣ１、ＴＮＦＡＩＰ３、ＴＣＬ６、ＨＯＸＤ１３、ＳＤＣ４、ＰＡＸ５、ＭＰＬ、ＭＰＯ、ＳＦＰＱ、ＴＣＦ３、ＮＡＣＡ、ＲＥＣＱＬ４、ＳＭＣ１Ａ、ＥＲＣＣ４、ＴＣＦ１２、ＫＬＨＬ８、ＤＮＭ２、ＣＬＴＣ、ＳＭＡＲＣＥ１、ＤＥＫ、ＸＰＣ、ＵＳＰ６、ＦＵＢＰ１、ＰＣＭ１、ＴＲＡＦ７、ＺＲＳＲ２、ＦＵＳ、ＦＯＸＰ１、ＦＬＧ、ＴＯＰ１、ＭＵＣ１、ＴＣＰ１１Ｌ２、ＣＯＸ６Ｃ、ＭＹＳＴ４、ＭＵＣ１７、ＣＡＭＴＡ１、Ｃ３ｏｒｆ７０、ＣＵＸ１、ＣＡＰ２、ＴＲＡＦ３、ＭＫＬ１、ＣＣＮＥ１、ＴＳＨＲ、ＡＭＥＲ１、ＣＣＤＣ１２０、ＣＨＤ４、及びＴＡＰ１からなる群から選択される遺伝子によってコードされる。
【0176】
いくつかの態様では、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、ミスセンスバリアントタンパク質）は、「薬理ゲノミクス標的タンパク質」であり、参照分子又はバリアント分子が、Ａ２Ｍ、ＡＢＡＴ、ＡＢＣＡ１、ＡＢＣＡ１２、ＡＢＣＡ３、ＡＢＣＡ８、ＡＢＣＢ１、ＡＢＣＢ１１、ＡＢＣＢ４、ＡＢＣＢ５、ＡＢＣＢ６、ＡＢＣＢ９、ＡＢＣＣ１、ＡＢＣＣ１０、ＡＢＣＣ１１、ＡＢＣＣ２、ＡＢＣＣ３、ＡＢＣＣ４、ＡＢＣＣ５、ＡＢＣＣ６、ＡＢＣＣ８、ＡＢＣＣ９、ＡＢＣＤ１、ＡＢＣＤ２、ＡＢＣＧ１、ＡＢＣＧ２、ＡＢＣＧ８、ＡＢＬ１、ＡＢＯ、ＡＣＢＤ４、ＡＣＥ、ＡＣＥ２、ＡＣＨＥ、ＡＣＰ５、ＡＣＳＳ２、ＡＣＴＧ１、ＡＣＹ３、ＡＣＹＰ２、ＡＤＡ、ＡＤＡＭ１２、ＡＤＡＭ３３、ＡＤＡＭＴＳ１、ＡＤＡＭＴＳ１４、ＡＤＣＫ４、ＡＤＣＹ２、ＡＤＣＹ９、ＡＤＤ１、ＡＤＨ１Ａ、ＡＤＨ１Ｂ、ＡＤＨ１Ｃ、ＡＤＨ７、ＡＤＩＰＯＱ、ＡＤＫ、ＡＤＭ、ＡＤＯＲＡ１、ＡＤＯＲＡ２Ａ、ＡＤＯＲＡ２Ａ－ＡＳ１、ＡＤＲＡ１Ａ、ＡＤＲＡ２Ａ、ＡＤＲＡ２Ｂ、ＡＤＲＡ２Ｃ、ＡＤＲＢ１、ＡＤＲＢ２、ＡＤＲＢ３、ＡＤＲＢＫ２、ＡＦＡＰ１Ｌ１、ＡＧＡＰ１、ＡＧＢＬ４、ＡＧＯ１、ＡＧＴ、ＡＧＴＲ１、ＡＧＸＴ、ＡＨＲ、ＡＩＤＡ、ＡＫ４、ＡＫＲ１Ｃ３、ＡＫＲ１Ｃ４、ＡＫＲ７Ａ２、ＡＫＴ１、ＡＫＴ２、ＡＬＤＨ１Ａ１、ＡＬＤＨ１Ａ２、ＡＬＤＨ２、ＡＬＤＨ３Ａ１、ＡＬＤＨ５Ａ１、ＡＬＧ１０、ＡＬＯＸ１２、ＡＬＯＸ１５、ＡＬＯＸ５、ＡＬＯＸ５ＡＰ、ＡＭＨＲ２、ＡＭＰＤ１、ＡＮＧＰＴ２、ＡＮＧＰＴＬ４、ＡＮＫＦＮ１、ＡＮＫＫ１、ＡＮＫＲＤ５５、ＡＮＫＳ１Ｂ、ＡＮＸＡ１１、ＡＯＸ１、ＡＰＢＢ１、ＡＰＥＨ、ＡＰＬＦ、ＡＰＯＡ１、ＡＰＯＡ４、ＡＰＯＡ５、ＡＰＯＢ、ＡＰＯＢＥＣ２、ＡＰＯＣ１、ＡＰＯＣ３、ＡＰＯＥ、ＡＰＯＨ、ＡＱＰ２、ＡＱＰ９、ＡＲＡＰ１、ＡＲＡＰ２、ＡＲＥＧ、ＡＲＧ１、ＡＲＨＧＥＦ１０、ＡＲＨＧＥＦ４、ＡＲＩＤ５Ｂ、ＡＲＭＳ２、ＡＲＮＴ、ＡＲＮＴＬ、ＡＲＲＢ２、ＡＲＶＣＦ、ＡＳ３ＭＴ、ＡＳＩＣ２、ＡＳＰＨ、ＡＳＳ１、ＡＴＦ３、ＡＴＧ１６Ｌ１、ＡＴＧ５、ＡＴＩＣ、ＡＴＭ、ＡＴＰ２Ｂ１、ＡＴＰ５Ｅ、ＡＴＰ７Ａ、ＡＴＰ７Ｂ、ＡＸＩＮ２、Ｂ４ＧＡＬＴ２、ＢＡＣＨ１、ＢＡＤ、ＢＡＧ６、ＢＡＺ２Ｂ、ＢＣＡＰ３１、ＢＣＨＥ、ＢＣＬ２、ＢＣＬ２Ｌ１１、ＢＣＲ、ＢＤＫＲＢ１、ＢＤＫＲＢ２、ＢＤＮＦ、ＢＤＮＦ－ＡＳ、ＢＧＬＡＰ、ＢＬＫ、ＢＬＭＨ、ＢＭＰ５、ＢＭＰ７、ＢＲＡＦ、ＢＲＤ２、ＢＴＧ４、ＢＴＲＣ、Ｃ１０ｏｒｆ１０７、Ｃ１０ｏｒｆ１１、Ｃ１１ｏｒｆ３０、Ｃ１１ｏｒｆ６５、Ｃ１２ｏｒｆ４０、Ｃ１７ｏｒｆ５１、Ｃ１８ｏｒｆ２１、Ｃ１８ｏｒｆ５６、Ｃ１ｏｒｆ１６７、Ｃ２、Ｃ２０ｏｒｆ１９４、Ｃ３、Ｃ５、Ｃ５ｏｒｆ２２、Ｃ８ｏｒｆ３４、Ｃ９ｏｒｆ７２、ＣＡ１０，ＣＡ１２、ＣＡＣＮＡ１Ａ、ＣＡＣＮＡ１Ｃ、ＣＡＣＮＡ１Ｅ、ＣＡＣＮＡ１Ｈ、ＣＡＣＮＡ１Ｓ、ＣＡＣＮＢ２、ＣＡＣＮＧ２、ＣＡＬＵ、ＣＡＭＫ１Ｄ、ＣＡＭＫ２Ｎ１、ＣＡＭＫ４、ＣＡＰ２、ＣＡＰＧ、ＣＡＰＮ１０、ＣＡＰＺＡ１、ＣＡＲＤ１６、ＣＡＲＴＰＴ、ＣＡＳＰ１、ＣＡＳＰ３、ＣＡＳＰ７、ＣＡＳＰ９、ＣＡＳＲ、ＣＡＴ、ＣＢＲ１、ＣＢＲ３、ＣＢＳ、ＣＣＤＣ２２、ＣＣＨＣＲ１、ＣＣＬ２、ＣＣＬ２１、ＣＣＮＤ１、ＣＣＮＨ、ＣＣＮＹ、ＣＣＲ５、ＣＤ１４、ＣＤ２８、ＣＤ３８、ＣＤ３ＥＡＰ、ＣＤ４０、ＣＤ５８、ＣＤ６９、ＣＤ７４、ＣＤ８４、ＣＤＡ、ＣＤＣ５Ｌ、ＣＤＣＡ３、ＣＤＨ１３、ＣＤＨ４、ＣＤＫ１、ＣＤＫ４、ＣＤＫ９、ＣＤＫＡＬ１、ＣＤＫＮ２Ｂ－ＡＳ１、ＣＥＬＦ４、ＣＥＬＳＲ２、ＣＥＰ６８、ＣＥＰ７２、ＣＥＲＫＬ、ＣＥＲＳ６、ＣＥＳ１、ＣＥＳ１Ｐ１、ＣＥＳ２、ＣＥＴＰ、ＣＦＡＰ４４、ＣＦＢ、ＣＦＨ、ＣＦＩ、ＣＦＬＡＲ、ＣＦＴＲ、ＣＨＡＴ、ＣＨＩＡ、ＣＨＩＣ２，ＣＨＬ１、ＣＨＲＭ２、ＣＨＲＭ３、ＣＨＲＭ４、ＣＨＲＮＡ１、ＣＨＲＮＡ３、ＣＨＲＮＡ４、ＣＨＲＮＡ５、ＣＨＲＮＡ７、ＣＨＲＮＢ１、ＣＨＲＮＢ２、ＣＨＲＮＢ３、ＣＨＲＮＢ４、ＣＨＳＴ１３、ＣＨＳＴ３、ＣＨＵＫ、ＣＬＡＳＰ１、ＣＬＣＮ６、ＣＬＭＮ、ＣＬＮＫ、ＣＬＯＣＫ、ＣＭＰＫ１、ＣＮＫＳＲ３、ＣＮＯＴ１、ＣＮＰＹ４、ＣＮＲ１、ＣＮＴＦ、ＣＮＴＮ４、ＣＮＴＮ５、ＣＮＴＮＡＰ２、ＣＯＬ１８Ａ１、ＣＯＬ１Ａ１、ＣＯＬ１Ａ２、ＣＯＬ２２Ａ１、ＣＯＬ２６Ａ１、ＣＯＬＥＣ１０、ＣＯＭＴ、ＣＯＱ２、ＣＰＡ２、ＣＰＳ１、ＣＲ１、ＣＲ１Ｌ、ＣＲＥＢ１、ＣＲＨ、ＣＲＨＲ１、ＣＲＨＲ２、ＣＲＰ、ＣＲＴＣ２、ＣＲＹ１、ＣＳＫ、ＣＳＭＤ１、ＣＳＭＤ２、ＣＳＭＤ３、ＣＳＮＫ１Ｅ、ＣＳＰＧ４、ＣＳＲＮＰ３、ＣＳＲＰ３、ＣＳＴ５、ＣＴＨ、ＣＴＬＡ４、ＣＴＮＮＡ２、ＣＴＮＮＡ３、ＣＴＮＮＢ１、ＣＵＸ１、ＣＵＸ２、ＣＸＣＬ１０、ＣＸＣＬ１２、ＣＸＣＬ５、ＣＸＣＬ８、ＣＸＣＲ２、ＣＸＣＲ４、ＣＸＸＣ４、ＣＹＢ５Ａ、ＣＹＢ５Ｒ３、ＣＹＢＡ、ＣＹＣＳＰ５、ＣＹＰ１１Ｂ２、ＣＹＰ１９Ａ１、ＣＹＰ１Ａ１、ＣＹＰ１Ａ２、ＣＹＰ１Ｂ１、ＣＹＰ２４Ａ１、ＣＹＰ２７Ｂ１、ＣＹＰ２Ａ６、ＣＹＰ２Ｂ６、ＣＹＰ２Ｂ７Ｐ１、ＣＹＰ２Ｃ１８、ＣＹＰ２Ｃ１９、ＣＹＰ２Ｃ８、ＣＹＰ２Ｃ９、ＣＹＰ２Ｄ６、ＣＹＰ２Ｅ１、ＣＹＰ２Ｊ２、ＣＹＰ２Ｒ１、ＣＹＰ３９Ａ１、ＣＹＰ３Ａ、ＣＹＰ３Ａ４、ＣＹＰ３Ａ４３、ＣＹＰ３Ａ５、ＣＹＰ３Ａ７、ＣＹＰ４Ａ１１、ＣＹＰ４Ｂ１、ＣＹＰ４Ｆ１１、ＣＹＰ４Ｆ２、ＣＹＰ５１Ａ１、ＣＹＰ７Ａ１、ＤＡＯＡ、ＤＡＰＫ１、ＤＢＨ、ＤＣＡＦ４、ＤＣＢＬＤ１、ＤＣＫ、ＤＣＰ１Ｂ、ＤＣＴＤ、ＤＤＣ、ＤＤＨＤ１、ＤＤＲＧＫ１、ＤＤＸ２０、ＤＤＸ５３、ＤＤＸ５８、ＤＥＡＦ１、ＤＧＣＲ５、ＤＧＫＨ、ＤＧＫＩ、ＤＨＦＲ、ＤＨＯＤＨ、ＤＩＡＰＨ３、ＤＩＯ１、ＤＩＯ２、ＤＫＫ１、ＤＬＥＵ７、ＤＬＧ５、ＤＬＧＡＰ１、ＤＭＰＫ、ＤＮＡＨ１２、ＤＮＡＪＢ１３、ＤＮＭＴ３Ａ、ＤＯＣＫ４、ＤＯＫ５、ＤＯＴ１Ｌ、ＤＰＰ４、ＤＰＹＤ、ＤＰＹＳ、ＤＲＤ１、ＤＲＤ２、ＤＲＤ３、ＤＲＤ４、ＤＲＯＳＨＡ、ＤＳＣＡＭ、ＤＴＮＢＰ１、ＤＵＳＰ１、ＤＵＸ１、ＤＹＮＣ２Ｈ１、Ｅ２Ｆ７、ＥＢＦ１、ＥＣＴ２Ｌ、ＥＤＮ１、ＥＧＦ、ＥＧＦＲ、ＥＧＬＮ３、ＥＨＦ、ＥＩＦ２ＡＫ４、ＥＩＦ３Ａ、ＥＩＦ４Ｅ２、ＥＮＧ、ＥＮＯＳＦ１、ＥＰＡＳ１、ＥＰＢ４１、ＥＰＨＡ５、ＥＰＨＡ６、ＥＰＨＡ８、ＥＰＨＸ１、ＥＰＭ２Ａ、ＥＰＭ２ＡＩＰ１、ＥＰＯ、ＥＲＡＰ１、ＥＲＢＢ２、ＥＲＣＣ１、ＥＲＣＣ２、ＥＲＣＣ３、ＥＲＣＣ４、ＥＲＣＣ５、ＥＲＣＣ６Ｌ２、ＥＲＥＧ、ＥＲＩＣＨ３、ＥＳＲ１、ＥＳＲ２、ＥＴＳ２、ＥＸＯ１、Ｆ１１、Ｆ１２、Ｆ１３Ａ１、Ｆ２、Ｆ３、Ｆ５、Ｆ７、ＦＡＡＨ、ＦＡＢＰ１、ＦＡＢＰ２、ＦＡＤＳ１、ＦＡＭ１９Ａ５、ＦＡＭ６５Ｂ、ＦＡＲＳ２、ＦＡＳ、ＦＡＳＬＧ、ＦＡＳＴＫＤ３、ＦＡＴ１、ＦＢＸＬ１７、ＦＢＸＬ１９、ＦＣＡＲ、ＦＣＥＲ１Ａ、ＦＣＥＲ１Ｇ、ＦＣＥＲ２、ＦＣＧＲ２Ａ、ＦＣＧＲ２Ｂ、ＦＣＧＲ３Ａ、ＦＤＰＳ、ＦＥＮ１、ＦＧＤ４、ＦＧＦ２、ＦＧＦ５、ＦＧＦＢＰ１、ＦＧＦＢＰ２、ＦＧＦＲ２、ＦＧＦＲ４、ＦＨＩＴ、ＦＫＢＰ５、ＦＬＯＴ１、ＦＬＴ１、ＦＬＴ３、ＦＬＴ４、ＦＭＯ１、ＦＭＯ２、ＦＭＯ３、ＦＭＯ５、ＦＮＴＢ、ＦＯＬＨ１、ＦＯＬＲ３、ＦＯＸＣ１、ＦＯＸＰ３、ＦＰＧＳ、ＦＳＨＲ、ＦＳＩＰ１、ＦＳＴＬ５、ＦＴＯ、ＦＹＮ、ＦＺＤ３、ＦＺＤ４、Ｇ６ＰＤ、ＧＡＢＲＡ１、ＧＡＢＲＡ３、ＧＡＢＲＡ６、ＧＡＢＲＢ１、ＧＡＢＲＢ２、ＧＡＢＲＧ２、ＧＡＢＲＧ３、ＧＡＢＲＰ、ＧＡＢＲＱ、ＧＡＤ２、ＧＡＤＬ１、ＧＡＬ、ＧＡＬＮＴ１４、ＧＡＬＮＴ１８、ＧＡＬＮＴ２、ＧＡＬＲ１、ＧＡＰＤＨＰ６４、ＧＡＰＶＤ１、ＧＡＴＡ３、ＧＡＴＡ４、ＧＡＴＭ、ＧＢＰ６、ＧＣＧ、ＧＣＫＲ、ＧＣＬＣ、ＧＤＮＦ、ＧＥＭＩＮ４、ＧＦＲＡ２、ＧＧＣＸ、ＧＧＨ、ＧＨＳＲ、ＧＩＰＲ、ＧＪＡ１、ＧＬＣＣＩ１、ＧＬＤＣ、ＧＬＰ１Ｒ、ＧＬＲＢ、ＧＮＡＳ、ＧＮＢ３、ＧＮＭＴ、ＧＰ１ＢＡ、ＧＰ６、ＧＰＲ１、ＧＰＲ８３、ＧＰＸ１、ＧＰＸ３、ＧＰＸ５、ＧＲＩＡ１、ＧＲＩＡ３、ＧＲＩＤ２、ＧＲＩＫ１、ＧＲＩＫ２、ＧＲＩＫ３、ＧＲＩＫ４、ＧＲＩＮ１、ＧＲＩＮ２Ａ、ＧＲＩＮ２Ｂ、ＧＲＩＮ３Ａ、ＧＲＫ４、ＧＲＫ５、ＧＲＭ３、ＧＲＭ７、ＧＳＫ３Ｂ、ＧＳＲ、ＧＳＴＡ１、ＧＳＴＡ２、ＧＳＴＡ５、ＧＳＴＭ１、ＧＳＴＭ３、ＧＳＴＭ４、ＧＳＴＰ１、ＧＳＴＴ１、ＧＳＴＺ１、Ｈ１９、ＨＡＳ３、ＨＣＧ２２、ＨＣＰ５、ＨＤＡＣ１、ＨＥＳ６、ＨＦＥ、ＨＩＦ１Ａ、ＨＬＡ－Ａ、ＨＬＡ－Ｂ、ＨＬＡ－Ｃ、ＨＬＡ－ＤＯＢ、ＨＬＡ－ＤＰＡ１、ＨＬＡ－ＤＰＢ１、ＨＬＡ－ＤＰＢ２、ＨＬＡ－ＤＱＡ１、ＨＬＡ－ＤＱＢ１、ＨＬＡ－ＤＲＡ、ＨＬＡ－ＤＲＢ１、ＨＬＡ－ＤＲＢ３、ＨＬＡ－ＤＲＢ５、ＨＬＡ－Ｅ、ＨＬＡ－Ｇ、ＨＭＧＢ１、ＨＭＧＢ２、ＨＭＧＣＲ、ＨＮＦ１Ａ、ＨＮＦ１Ｂ、ＨＮＦ４Ａ、ＨＮＭＴ、ＨＯＭＥＲ１、ＨＯＴＡＩＲ、ＨＯＴＴＩＰ、ＨＲＨ１、ＨＲＨ２、ＨＲＨ３、ＨＲＨ４、ＨＳ３ＳＴ４、ＨＳＤ１１Ｂ１、ＨＳＤ３Ｂ１、ＨＳＰＡ１Ａ、ＨＳＰＡ１Ｌ、ＨＳＰＡ５、ＨＳＰＧ２、ＨＴＲ１Ａ、ＨＴＲ１Ｂ、ＨＴＲ１Ｄ、ＨＴＲ２Ａ、ＨＴＲ２Ｃ、ＨＴＲ３Ａ、ＨＴＲ３Ｂ、ＨＴＲ５Ａ、ＨＴＲ６、ＨＴＲ７、ＨＴＲＡ１、ＨＵＳ１、ＨＹＫＫ、ＩＢＡ５７、ＩＤＯ１、ＩＦＩＴ１、ＩＦＮＡＲ１、ＩＦＮＢ１、ＩＦＮＧ、ＩＦＮＧＲ１、ＩＦＮＧＲ２、ＩＦＮＬ３、ＩＦＮＬ４、ＩＧＦ１、ＩＧＦ１Ｒ、ＩＧＦ２ＢＰ２、ＩＧＦ２Ｒ、ＩＧＦＢＰ３、ＩＧＦＢＰ７、ＩＫＢＫＧ、ＩＫＺＦ３、ＩＬ１０、ＩＬ１１、ＩＬ１２Ａ、ＩＬ１２Ｂ、ＩＬ１３、ＩＬ１６、ＩＬ１７Ａ、ＩＬ１７Ｆ、ＩＬ１７ＲＡ、ＩＬ１８、ＩＬ１Ａ、ＩＬ１Ｂ、ＩＬ１ＲＮ、ＩＬ２、ＩＬ２１Ｒ、ＩＬ２３Ｒ、ＩＬ２７、ＩＬ２ＲＡ、ＩＬ２ＲＢ、ＩＬ３、ＩＬ４、ＩＬ４Ｒ、ＩＬ６、ＩＬ６Ｒ、ＩＬ６ＳＴ、ＩＬ７Ｒ、ＩＬＫＡＰ、ＩＭＰＡ２、ＩＭＰＤＨ１、ＩＭＰＤＨ２、ＩＮＳＩＧ２、ＩＮＳＲ、ＩＰ６Ｋ２、ＩＲＳ１、ＩＴＧＡ１、ＩＴＧＡ２、ＩＴＧＡ９、ＩＴＧＢ１、ＩＴＧＢ３、ＩＴＧＢＬ１、ＩＴＩＨ３、ＩＴＰＡ、ＩＴＰＫＣ、ＪＡＫ２、ＫＡＮＳＬ１、ＫＣＮＥ１、ＫＣＮＨ２、ＫＣＮＨ７、ＫＣＮＩＰ１、ＫＣＮＩＰ４、ＫＣＮＪ１、ＫＣＮＪ１１、ＫＣＮＪ６、ＫＣＮＭＡ１、ＫＣＮＭＢ１、ＫＣＮＱ１、ＫＣＮＱ５、ＫＣＮＴ１、ＫＣＮＴ２、ＫＤＭ４Ａ、ＫＤＲ、ＫＩＡＡ０３９１、ＫＩＦ６、ＫＩＲ２ＤＬ２、ＫＩＲＲＥＬ２、ＫＩＴ、ＫＬ、ＫＬＣ１、ＫＬＣ３、ＫＬＲＣ１、ＫＬＲＤ１、ＫＬＲＫ１、ＫＲＡＳ、ＫＹＮＵ、ＬＡＭＢ３、ＬＡＲＰ１Ｂ、ＬＣＥ３Ｂ、ＬＣＥ３Ｃ、ＬＤＬＲ、ＬＥＣＴ２、ＬＥＰ、ＬＥＰＲ、ＬＧＡＬＳ３、ＬＧＲ５、ＬＩＧ３、ＬＩＮＣ００２５１、ＬＩＮＣ００４７８、ＬＩＰＣ、ＬＰＡ、ＬＰＨＮ３、ＬＰＩＮ１、ＬＰＬ、ＬＲＰ１、ＬＲＰ１Ｂ、ＬＲＰ２、ＬＲＰ５、ＬＲＲＣ１５、ＬＳＴ１、ＬＴＡ、ＬＴＡ４Ｈ、ＬＴＢ、ＬＴＣ４Ｓ、ＬＵＣ７Ｌ２、ＬＹＮ、ＬＹＲＭ５、ＭＡＤ１Ｌ１、ＭＡＦＢ、ＭＡＦＫ、ＭＡＬＡＴ１、ＭＡＭＬ３、ＭＡＮ１Ｂ１、ＭＡＰ３Ｋ１、ＭＡＰ３Ｋ５、ＭＡＰ４Ｋ４、ＭＡＰＫ１、ＭＡＰＫ１４、ＭＡＰＴ、ＭＣ１Ｒ、ＭＣ４Ｒ、ＭＣＰＨ１、ＭＤＧＡ２、ＭＤＭ２、ＭＤＭ４、ＭＥＣＰ２、ＭＥＤ１２Ｌ、ＭＥＧ３、ＭＥＴ、ＭＥＴＴＬ２１Ａ、ＭＥＸ３Ｃ、ＭＧＡＴ４Ａ、ＭＧＭＴ、ＭＩＡ３、ＭＩＣＡ、ＭＩＣＢ、ＭＩＲ１２０６、ＭＩＲ１３０７、ＭＩＲ１３３Ｂ、ＭＩＲ１４６Ａ、ＭＩＲ２０５３、ＭＩＲ２７Ａ、ＭＩＲ３００、ＭＩＲ４２３、ＭＩＲ４２７８、ＭＩＲ４４９Ｂ、ＭＩＲ４９２、ＭＩＲ５７７、ＭＩＲ５９５、ＭＩＲ６０４、ＭＩＲ６１１、ＭＩＲ６１８、ＭＩＲ７－２、ＭＩＳＰ、ＭＬＬＴ３、ＭＬＮ、ＭＭＥ、ＭＭＰ１、ＭＭＰ１０、ＭＭＰ２、ＭＭＰ３、ＭＭＰ９、ＭＯＢ３Ｂ、ＭＯＣＯＳ、ＭＯＶ１０、ＭＰＯ、ＭＰＺ、ＭＳ４Ａ２、ＭＳＨ２、ＭＳＨ３、ＭＳＨ６、ＭＴ－ＲＮＲ１、ＭＴＣＬ１、ＭＴＨＦＤ１、ＭＴＨＦＲ、ＭＴＭＲ１２、ＭＴＯＲ、ＭＴＲ、ＭＴＲＦ１Ｌ、ＭＴＲＲ、ＭＴＴＰ、ＭＵＣ５Ｂ、ＭＵＴＹＨ、ＭＶＫ、ＭＹＣ、ＭＹＬＩＰ、ＭＹＯＣＤ、Ｎ６ＡＭＴ
１、ＮＡＬＣＮ、ＮＡＮＯＧＰ６、ＮＡＴ１、ＮＡＴ２、ＮＡＶ２、ＮＢＡＳ、ＮＢＥＡ、ＮＣＦ４、ＮＣＯＡ１、ＮＣＯＡ３、ＮＥＤＤ４、ＮＥＤＤ４Ｌ、ＮＥＦＭ、ＮＥＬＦＣＤ、ＮＥＬＬ１、ＮＥＵＲＯＤ１、ＮＦＡＴＣ１、ＮＦＡＴＣ２、ＮＦＥ２Ｌ２、ＮＦＫＢ１、ＮＦＫＢＩＡ、ＮＧＦ、ＮＧＦＲ、ＮＬＧＮ１、ＮＬＲＰ３、ＮＬＲＰ８、ＮＯＤ２、ＮＯＳ１ＡＰ、ＮＯＳ２、ＮＯＳ３、ＮＰＡＳ３、ＮＰＣ１Ｌ１、ＮＰＨＳ１、ＮＰＰＡ、ＮＰＰＡ－ＡＳ１、ＮＱＯ１、ＮＱＯ２、ＮＲ１Ｄ１、ＮＲ１Ｈ３、ＮＲ１Ｉ２、ＮＲ１Ｉ３、ＮＲ３Ｃ１、ＮＲ３Ｃ２、ＮＲＡＳ、ＮＲＧ１、ＮＲＧ３、ＮＲＰ１、ＮＲＰ２、ＮＲＸＮ１、ＮＴ５Ｃ１Ａ、ＮＴ５Ｃ２、ＮＴ５Ｃ３Ａ、ＮＴ５Ｅ、ＮＴＲＫ１、ＮＴＲＫ２、ＮＵＢＰＬ、ＮＵＤＴ１５、ＮＵＭＡ１、ＯＡＳ１、ＯＡＳＬ、ＯＣＲＬ、ＯＰＮ１ＳＷ、ＯＰＲＤ１、ＯＰＲＫ１、ＯＰＲＭ１、ＯＲ１０ＡＥ３Ｐ、ＯＲ４Ｄ６、ＯＲ５２Ｅ２、ＯＲ５２Ｊ３、ＯＲＭ１、ＯＲＭ２、ＯＲＭＤＬ３、ＯＳＭＲ、ＯＴＯＳ、ＯＸＴ、Ｐ２ＲＹ１、Ｐ２ＲＹ１２、ＰＡＣＳＩＮ２、ＰＡＤＩ４、ＰＡＰＤ７、ＰＡＰＬＮ、ＰＡＰＰＡ２、ＰＡＲＤ３Ｂ、ＰＡＲＰ１１、ＰＡＸ４、ＰＣＫ１、ＰＣＳＫ９、ＰＤＣＤ１ＬＧ２、ＰＤＥ４Ｂ、ＰＤＥ４Ｃ、ＰＤＥ４Ｄ、ＰＤＧＦＲＡ、ＰＤＧＦＲＢ、ＰＤＬＩＭ５、ＰＤＺＲＮ３、ＰＥＡＲ１、ＰＥＭＴ、ＰＥＲ２、ＰＥＲ３、ＰＧＬＹＲＰ４、ＰＧＲ、ＰＨＡＣＴＲ１、ＰＨＢ２、ＰＨＴＦ１、ＰＩ４ＫＡ、ＰＩＣＡＬＭ、ＰＩＣＫ１、ＰＩＧＢ、ＰＩＫ３ＣＡ、ＰＩＫ３Ｒ１、ＰＩＴＰＮＭ２、ＰＫＬＲ、ＰＬＡ２Ｇ４Ａ、ＰＬＡＧＬ１、ＰＬＣＢ１、ＰＬＣＤ３、ＰＬＣＧ１、ＰＬＥＫＨＨ２、ＰＬＥＫＨＮ１、ＰＬＧ、ＰＬＸＮＢ３、ＰＭＣＨ、ＰＯＬＡ２、ＰＯＬＧ、ＰＯＬＲ３Ｇ、ＰＯＭＴ２、ＰＯＮ１、ＰＯＮ２、ＰＯＲ、ＰＯＵ２Ｆ１、ＰＯＵ２Ｆ２、ＰＯＵ５Ｆ１、ＰＰＡＲＡ、ＰＰＡＲＤ、ＰＰＡＲＧ、ＰＰＡＲＧＣ１Ａ、ＰＰＦＩＡ１、ＰＰＭ１Ａ、ＰＰＰ１Ｒ１３Ｌ、ＰＰＰ１Ｒ１Ｃ、ＰＰＰ２Ｒ５Ｅ、ＰＲＢ２、ＰＲＣＰ、ＰＲＤＭ１、ＰＲＤＭ１６、ＰＲＤＸ４、ＰＲＩＭＰＯＬ、ＰＲＫＡＡ１、ＰＲＫＡＡ２、ＰＲＫＣＡ、ＰＲＫＣＢ、ＰＲＫＣＥ、ＰＲＫＣＱ、ＰＲＫＧ１、ＰＲＯＣ、ＰＲＯＣＲ、ＰＲＯＭ１、ＰＲＯＳ１、ＰＲＯＸ１、ＰＲＲＣ２Ａ、ＰＲＳＳ５３、ＰＳＭＡ４、ＰＳＭＢ３Ｐ、ＰＳＭＢ４、ＰＳＭＢ８、ＰＳＭＤ１４、ＰＳＯＲＳ１Ｃ１、ＰＳＯＲＳ１Ｃ３、ＰＳＲＣ１、ＰＴＣＨＤ１、ＰＴＥＮ、ＰＴＧＥＲ２、ＰＴＧＥＲ３、ＰＴＧＥＲ４、ＰＴＧＥＳ、ＰＴＧＦＲ、ＰＴＧＩＲ、ＰＴＧＳ１、ＰＴＧＳ２、ＰＴＨ、ＰＴＨ１Ｒ、ＰＴＰＮ２２、ＰＴＰＲＣ、ＰＴＰＲＤ、ＰＴＰＲＭ、ＰＴＰＲＮ２、ＰＹＧＬ、ＲＡＢ２７Ａ、ＲＡＢＥＰＫ、ＲＡＣ２、ＲＡＤ１８、ＲＡＤ５２、ＲＡＦ１、ＲＡＬＢＰ１、ＲＡＰＧＥＦ５、ＲＡＲＧ、ＲＡＲＳ、ＲＢＦＯＸ１、ＲＢＭＳ３、ＲＥＥＰ５、ＲＥＬ、ＲＥＮ、ＲＥＰＳ１、ＲＥＴ、ＲＥＶ１、ＲＥＶ３Ｌ、ＲＦＫ、ＲＧＳ１７、ＲＧＳ２、ＲＧＳ４、ＲＧＳ５、ＲＨＢＤＦ２、ＲＨＯＡ、ＲＩＣＴＯＲ、ＲＮＤ１、ＲＮＦＴ２、ＲＯＲＡ、ＲＰＬ１３、ＲＲＡＳ２、ＲＲＭ１，ＲＲＭ２、ＲＲＭ２Ｂ、ＲＳＢＮ１、ＲＳＲＰ１、ＲＵＮＸ１、ＲＸＲＡ、ＲＹＲ１、ＲＹＲ２、ＲＹＲ３、ＳＡＣＭ１Ｌ、ＳＣＡＰ、ＳＣＡＲＢ１、ＳＣＧＢ３Ａ１、ＳＣＮ１０Ａ、ＳＣＮ１Ａ、ＳＣＮ２Ａ、ＳＣＮ４Ａ、ＳＣＮ５Ａ、ＳＣＮ８Ａ、ＳＣＮ９Ａ、ＳＣＮＮ１Ｂ、ＳＣＮＮ１Ｇ、ＳＥＬＥ、ＳＥＬＰ、ＳＥＭＡ３Ｃ、ＳＥＲＰＩＮＡ３、ＳＥＲＰＩＮＡ６、ＳＥＲＰＩＮＥ１、ＳＥＲＰＩＮＦ１、ＳＥＲＰＩＮＧ１、ＳＥＴＤ４、ＳＦＲＰ５、ＳＨ２Ｂ３、ＳＨ２Ｄ５、ＳＨ３ＢＰ２、ＳＨＭＴ１、ＳＩＫ３、ＳＩＮ３Ａ、ＳＫＩＶ２Ｌ、ＳＫＯＲ２、ＳＬＣ１０Ａ２、ＳＬＣ１２Ａ３、ＳＬＣ１２Ａ８、ＳＬＣ１４Ａ２、ＳＬＣ１５Ａ１、ＳＬＣ１５Ａ２、ＳＬＣ１６Ａ５、ＳＬＣ１６Ａ７、ＳＬＣ１７Ａ３、ＳＬＣ１８Ａ２、ＳＬＣ１９Ａ１、ＳＬＣ１Ａ１、ＳＬＣ１Ａ２、ＳＬＣ１Ａ３、ＳＬＣ１Ａ４、ＳＬＣ２２Ａ１、ＳＬＣ２２Ａ１１、ＳＬＣ２２Ａ１２、ＳＬＣ２２Ａ１６、ＳＬＣ２２Ａ１７、ＳＬＣ２２Ａ２、ＳＬＣ２２Ａ３、ＳＬＣ２２Ａ４、ＳＬＣ２２Ａ５、ＳＬＣ２２Ａ６、ＳＬＣ２２Ａ７、ＳＬＣ２２Ａ８、ＳＬＣ２４Ａ４、ＳＬＣ２５Ａ１３、ＳＬＣ２５Ａ１４、ＳＬＣ２５Ａ２７、ＳＬＣ２５Ａ３１、ＳＬＣ２６Ａ９、ＳＬＣ２８Ａ１、ＳＬＣ２８Ａ２、ＳＬＣ２８Ａ３、ＳＬＣ２９Ａ１、ＳＬＣ２Ａ１、ＳＬＣ２Ａ２、ＳＬＣ２Ａ９、ＳＬＣ３０Ａ８、ＳＬＣ３０Ａ９、ＳＬＣ３１Ａ１、ＳＬＣ３７Ａ１、ＳＬＣ３９Ａ１４、ＳＬＣ４７Ａ１、ＳＬＣ４７Ａ２、ＳＬＣ５Ａ２、ＳＬＣ５Ａ７、ＳＬＣ６Ａ１２、ＳＬＣ６Ａ２、ＳＬＣ６Ａ３、ＳＬＣ６Ａ４、ＳＬＣ６Ａ５、ＳＬＣ６Ａ９、ＳＬＣ７Ａ５、ＳＬＣ７Ａ８、ＳＬＣＯ１Ａ２、ＳＬＣＯ１Ｂ１、ＳＬＣＯ１Ｂ３、ＳＬＣＯ１Ｃ１、ＳＬＣＯ２Ｂ１、ＳＬＣＯ３Ａ１、ＳＬＣＯ４Ｃ１、ＳＬＣＯ６Ａ１、ＳＬＩＴ１、ＳＭＡＲＣＡＤ１、ＳＭＹＤ３、ＳＮＡＰ２５、ＳＮＯＲＡ５９Ｂ、ＳＮＯＲＤ６８、ＳＯＣＳ３、ＳＯＤ２、ＳＯＤ３、ＳＯＲＴ１、ＳＯＸ１０、ＳＰ１、ＳＰＡＲＣ、ＳＰＡＴＳ２Ｌ、ＳＰＥＣＣ１Ｌ、ＳＰＧ７、ＳＰＩＤＲ、ＳＰＩＮＫ５、ＳＰＰ１、ＳＰＴＡ１、ＳＱＳＴＭ１、ＳＲＥＢＦ１、ＳＲＥＢＦ２、ＳＲＰ１９、ＳＲＲ、ＳＴ１３、ＳＴＡＴ３、ＳＴＡＴ４、ＳＴＡＴ６、ＳＴＩＭ１、ＳＴＩＰ１、ＳＴＫ３９、ＳＴＭＮ１、ＳＴＭＮ２、ＳＴＸ１Ｂ、ＳＴＸ４、ＳＵＧＣＴ、ＳＵＬＴ１Ａ１、ＳＵＬＴ１Ａ２、ＳＵＬＴ１Ｃ４、ＳＵＬＴ１Ｅ１、ＳＵＬＴ２Ｂ１、ＳＶ２Ｃ、ＳＹＮ３、ＳＹＮＥ３、ＳＺＲＤ１、Ｔ、ＴＡＡＲ６、ＴＡＣ１、ＴＡＧＡＰ、ＴＡＮＣ１、ＴＡＮＣ２、ＴＡＰ１、ＴＡＰ２、ＴＡＰＢＰ、ＴＡＳ２Ｒ１６、ＴＢＣ１Ｄ１、ＴＢＣ１Ｄ３２、ＴＢＸ２１、ＴＢＸＡ２Ｒ、ＴＢＸＡＳ１、ＴＣＦ１９、ＴＣＦ７Ｌ２、ＴＣＬ１Ａ、ＴＤＰ１、ＴＤＲＤ６、ＴＥＲＴ、ＴＥＴ２、ＴＦ、ＴＧＦＢ１、ＴＧＦＢＲ２、ＴＧＦＢＲ３、ＴＨ、ＴＨＢＤ、ＴＨＲＡ、ＴＨＲＢ、ＴＩＧＤ１、ＴＫ１、ＴＬＲ２、ＴＬＲ３、ＴＬＲ４、ＴＬＲ５、ＴＬＲ７、ＴＬＲ９、ＴＭＣＣ１、ＴＭＣＯ６、ＴＭＥＦＦ２、ＴＭＥＭ２０５、ＴＭＥＭ２５８、ＴＭＥＭ５７、ＴＭＰＲＳＳ１１Ｅ、ＴＮＦ、ＴＮＦＡＩＰ３、ＴＮＦＲＳＦ１０Ａ、ＴＮＦＲＳＦ１１Ａ、ＴＮＦＲＳＦ１１Ｂ、ＴＮＦＲＳＦ１Ａ、ＴＮＦＲＳＦ１Ｂ、ＴＮＦＳＦ１０、ＴＮＦＳＦ１１、ＴＮＦＳＦ１３Ｂ、ＴＮＲＣ６Ａ、ＴＮＲＣ６Ｂ、ＴＯＬＬＩＰ、ＴＯＭＭ４０、ＴＯＭＭ４０Ｌ、ＴＯＰ１、ＴＯＰ２Ｂ、ＴＰ５３、ＴＰＨ１、ＴＰＨ２、ＴＰＭＴ、ＴＲＡＦ１、ＴＲＡＦ３ＩＰ２、ＴＲＩＢ３、ＴＲＩＭ５、ＴＲＰＭ６、ＴＳＣ１、ＴＳＰＡＮ５、ＴＴＣ６、ＴＵＢＢ１、ＴＵＢＢ２Ａ、ＴＸＮＲＤ２、ＴＹＭＰ、ＴＹＭＳ、ＵＢＡＳＨ３Ｂ、ＵＢＥ２Ｉ、ＵＣＰ２、ＵＣＰ３、ＵＧＧＴ２、ＵＧＴ１Ａ、ＵＧＴ１Ａ１、ＵＧＴ１Ａ１０、ＵＧＴ１Ａ３、ＵＧＴ１Ａ４、ＵＧＴ１Ａ５、ＵＧＴ１Ａ６、ＵＧＴ１Ａ７、ＵＧＴ１Ａ８、ＵＧＴ１Ａ９、ＵＧＴ２Ｂ１０、ＵＧＴ２Ｂ１５、ＵＧＴ２Ｂ１７、ＵＧＴ２Ｂ４、ＵＧＴ２Ｂ７、ＵＬＫ３，ＵＭＰＳ、ＵＰＢ１、ＵＳＨ２Ａ、ＵＳＰ２４、ＵＳＰ５，ＵＳＴ、ＶＡＣ１４、ＶＡＳＰ、ＶＤＲ、ＶＥＧＦＡ、ＶＫＯＲＣ１、ＷＢＰ２ＮＬ、ＷＢＳＣＲ１７、ＷＤＲ７，ＷＩＦ１，ＷＮＫ１、ＷＮＴ５Ｂ、ＷＴ１、ＷＷＯＸ、ＸＢＰ１、ＸＤＨ、ＸＰＡ、ＸＰＣ、ＸＰＯ１、ＸＰＯ５、ＸＲＣＣ１、ＸＲＣＣ３、ＸＲＣＣ４、ＸＲＣＣ５、ＹＡＰ１、ＹＢＸ１、ＹＥＡＴＳ４、ＺＢＴＢ２２、ＺＢＴＢ４、ＺＣＣＨＣ６、ＺＦＰ９１－ＣＮＴＦ、ＺＭＡＴ４、ＺＮＦ１００、ＺＮＦ２１５、ＺＮＦ４２３、ＺＮＦ４３２、ＺＮＦ６５２、ＺＮＦ６９７、ＺＮＦ８０４Ａ、ＺＮＦ８１６、ＺＮＲＤ１－ＡＳ１、及びＺＳＣＡＮ２５からなる群から選択される遺伝子によってコードされる。
１、ＮＡＬＣＮ、ＮＡＮＯＧＰ６、ＮＡＴ１、ＮＡＴ２、ＮＡＶ２、ＮＢＡＳ、ＮＢＥＡ、ＮＣＦ４、ＮＣＯＡ１、ＮＣＯＡ３、ＮＥＤＤ４、ＮＥＤＤ４Ｌ、ＮＥＦＭ、ＮＥＬＦＣＤ、ＮＥＬＬ１、ＮＥＵＲＯＤ１、ＮＦＡＴＣ１、ＮＦＡＴＣ２、ＮＦＥ２Ｌ２、ＮＦＫＢ１、ＮＦＫＢＩＡ、ＮＧＦ、ＮＧＦＲ、ＮＬＧＮ１、ＮＬＲＰ３、ＮＬＲＰ８、ＮＯＤ２、ＮＯＳ１ＡＰ、ＮＯＳ２、ＮＯＳ３、ＮＰＡＳ３、ＮＰＣ１Ｌ１、ＮＰＨＳ１、ＮＰＰＡ、ＮＰＰＡ－ＡＳ１、ＮＱＯ１、ＮＱＯ２、ＮＲ１Ｄ１、ＮＲ１Ｈ３、ＮＲ１Ｉ２、ＮＲ１Ｉ３、ＮＲ３Ｃ１、ＮＲ３Ｃ２、ＮＲＡＳ、ＮＲＧ１、ＮＲＧ３、ＮＲＰ１、ＮＲＰ２、ＮＲＸＮ１、ＮＴ５Ｃ１Ａ、ＮＴ５Ｃ２、ＮＴ５Ｃ３Ａ、ＮＴ５Ｅ、ＮＴＲＫ１、ＮＴＲＫ２、ＮＵＢＰＬ、ＮＵＤＴ１５、ＮＵＭＡ１、ＯＡＳ１、ＯＡＳＬ、ＯＣＲＬ、ＯＰＮ１ＳＷ、ＯＰＲＤ１、ＯＰＲＫ１、ＯＰＲＭ１、ＯＲ１０ＡＥ３Ｐ、ＯＲ４Ｄ６、ＯＲ５２Ｅ２、ＯＲ５２Ｊ３、ＯＲＭ１、ＯＲＭ２、ＯＲＭＤＬ３、ＯＳＭＲ、ＯＴＯＳ、ＯＸＴ、Ｐ２ＲＹ１、Ｐ２ＲＹ１２、ＰＡＣＳＩＮ２、ＰＡＤＩ４、ＰＡＰＤ７、ＰＡＰＬＮ、ＰＡＰＰＡ２、ＰＡＲＤ３Ｂ、ＰＡＲＰ１１、ＰＡＸ４、ＰＣＫ１、ＰＣＳＫ９、ＰＤＣＤ１ＬＧ２、ＰＤＥ４Ｂ、ＰＤＥ４Ｃ、ＰＤＥ４Ｄ、ＰＤＧＦＲＡ、ＰＤＧＦＲＢ、ＰＤＬＩＭ５、ＰＤＺＲＮ３、ＰＥＡＲ１、ＰＥＭＴ、ＰＥＲ２、ＰＥＲ３、ＰＧＬＹＲＰ４、ＰＧＲ、ＰＨＡＣＴＲ１、ＰＨＢ２、ＰＨＴＦ１、ＰＩ４ＫＡ、ＰＩＣＡＬＭ、ＰＩＣＫ１、ＰＩＧＢ、ＰＩＫ３ＣＡ、ＰＩＫ３Ｒ１、ＰＩＴＰＮＭ２、ＰＫＬＲ、ＰＬＡ２Ｇ４Ａ、ＰＬＡＧＬ１、ＰＬＣＢ１、ＰＬＣＤ３、ＰＬＣＧ１、ＰＬＥＫＨＨ２、ＰＬＥＫＨＮ１、ＰＬＧ、ＰＬＸＮＢ３、ＰＭＣＨ、ＰＯＬＡ２、ＰＯＬＧ、ＰＯＬＲ３Ｇ、ＰＯＭＴ２、ＰＯＮ１、ＰＯＮ２、ＰＯＲ、ＰＯＵ２Ｆ１、ＰＯＵ２Ｆ２、ＰＯＵ５Ｆ１、ＰＰＡＲＡ、ＰＰＡＲＤ、ＰＰＡＲＧ、ＰＰＡＲＧＣ１Ａ、ＰＰＦＩＡ１、ＰＰＭ１Ａ、ＰＰＰ１Ｒ１３Ｌ、ＰＰＰ１Ｒ１Ｃ、ＰＰＰ２Ｒ５Ｅ、ＰＲＢ２、ＰＲＣＰ、ＰＲＤＭ１、ＰＲＤＭ１６、ＰＲＤＸ４、ＰＲＩＭＰＯＬ、ＰＲＫＡＡ１、ＰＲＫＡＡ２、ＰＲＫＣＡ、ＰＲＫＣＢ、ＰＲＫＣＥ、ＰＲＫＣＱ、ＰＲＫＧ１、ＰＲＯＣ、ＰＲＯＣＲ、ＰＲＯＭ１、ＰＲＯＳ１、ＰＲＯＸ１、ＰＲＲＣ２Ａ、ＰＲＳＳ５３、ＰＳＭＡ４、ＰＳＭＢ３Ｐ、ＰＳＭＢ４、ＰＳＭＢ８、ＰＳＭＤ１４、ＰＳＯＲＳ１Ｃ１、ＰＳＯＲＳ１Ｃ３、ＰＳＲＣ１、ＰＴＣＨＤ１、ＰＴＥＮ、ＰＴＧＥＲ２、ＰＴＧＥＲ３、ＰＴＧＥＲ４、ＰＴＧＥＳ、ＰＴＧＦＲ、ＰＴＧＩＲ、ＰＴＧＳ１、ＰＴＧＳ２、ＰＴＨ、ＰＴＨ１Ｒ、ＰＴＰＮ２２、ＰＴＰＲＣ、ＰＴＰＲＤ、ＰＴＰＲＭ、ＰＴＰＲＮ２、ＰＹＧＬ、ＲＡＢ２７Ａ、ＲＡＢＥＰＫ、ＲＡＣ２、ＲＡＤ１８、ＲＡＤ５２、ＲＡＦ１、ＲＡＬＢＰ１、ＲＡＰＧＥＦ５、ＲＡＲＧ、ＲＡＲＳ、ＲＢＦＯＸ１、ＲＢＭＳ３、ＲＥＥＰ５、ＲＥＬ、ＲＥＮ、ＲＥＰＳ１、ＲＥＴ、ＲＥＶ１、ＲＥＶ３Ｌ、ＲＦＫ、ＲＧＳ１７、ＲＧＳ２、ＲＧＳ４、ＲＧＳ５、ＲＨＢＤＦ２、ＲＨＯＡ、ＲＩＣＴＯＲ、ＲＮＤ１、ＲＮＦＴ２、ＲＯＲＡ、ＲＰＬ１３、ＲＲＡＳ２、ＲＲＭ１，ＲＲＭ２、ＲＲＭ２Ｂ、ＲＳＢＮ１、ＲＳＲＰ１、ＲＵＮＸ１、ＲＸＲＡ、ＲＹＲ１、ＲＹＲ２、ＲＹＲ３、ＳＡＣＭ１Ｌ、ＳＣＡＰ、ＳＣＡＲＢ１、ＳＣＧＢ３Ａ１、ＳＣＮ１０Ａ、ＳＣＮ１Ａ、ＳＣＮ２Ａ、ＳＣＮ４Ａ、ＳＣＮ５Ａ、ＳＣＮ８Ａ、ＳＣＮ９Ａ、ＳＣＮＮ１Ｂ、ＳＣＮＮ１Ｇ、ＳＥＬＥ、ＳＥＬＰ、ＳＥＭＡ３Ｃ、ＳＥＲＰＩＮＡ３、ＳＥＲＰＩＮＡ６、ＳＥＲＰＩＮＥ１、ＳＥＲＰＩＮＦ１、ＳＥＲＰＩＮＧ１、ＳＥＴＤ４、ＳＦＲＰ５、ＳＨ２Ｂ３、ＳＨ２Ｄ５、ＳＨ３ＢＰ２、ＳＨＭＴ１、ＳＩＫ３、ＳＩＮ３Ａ、ＳＫＩＶ２Ｌ、ＳＫＯＲ２、ＳＬＣ１０Ａ２、ＳＬＣ１２Ａ３、ＳＬＣ１２Ａ８、ＳＬＣ１４Ａ２、ＳＬＣ１５Ａ１、ＳＬＣ１５Ａ２、ＳＬＣ１６Ａ５、ＳＬＣ１６Ａ７、ＳＬＣ１７Ａ３、ＳＬＣ１８Ａ２、ＳＬＣ１９Ａ１、ＳＬＣ１Ａ１、ＳＬＣ１Ａ２、ＳＬＣ１Ａ３、ＳＬＣ１Ａ４、ＳＬＣ２２Ａ１、ＳＬＣ２２Ａ１１、ＳＬＣ２２Ａ１２、ＳＬＣ２２Ａ１６、ＳＬＣ２２Ａ１７、ＳＬＣ２２Ａ２、ＳＬＣ２２Ａ３、ＳＬＣ２２Ａ４、ＳＬＣ２２Ａ５、ＳＬＣ２２Ａ６、ＳＬＣ２２Ａ７、ＳＬＣ２２Ａ８、ＳＬＣ２４Ａ４、ＳＬＣ２５Ａ１３、ＳＬＣ２５Ａ１４、ＳＬＣ２５Ａ２７、ＳＬＣ２５Ａ３１、ＳＬＣ２６Ａ９、ＳＬＣ２８Ａ１、ＳＬＣ２８Ａ２、ＳＬＣ２８Ａ３、ＳＬＣ２９Ａ１、ＳＬＣ２Ａ１、ＳＬＣ２Ａ２、ＳＬＣ２Ａ９、ＳＬＣ３０Ａ８、ＳＬＣ３０Ａ９、ＳＬＣ３１Ａ１、ＳＬＣ３７Ａ１、ＳＬＣ３９Ａ１４、ＳＬＣ４７Ａ１、ＳＬＣ４７Ａ２、ＳＬＣ５Ａ２、ＳＬＣ５Ａ７、ＳＬＣ６Ａ１２、ＳＬＣ６Ａ２、ＳＬＣ６Ａ３、ＳＬＣ６Ａ４、ＳＬＣ６Ａ５、ＳＬＣ６Ａ９、ＳＬＣ７Ａ５、ＳＬＣ７Ａ８、ＳＬＣＯ１Ａ２、ＳＬＣＯ１Ｂ１、ＳＬＣＯ１Ｂ３、ＳＬＣＯ１Ｃ１、ＳＬＣＯ２Ｂ１、ＳＬＣＯ３Ａ１、ＳＬＣＯ４Ｃ１、ＳＬＣＯ６Ａ１、ＳＬＩＴ１、ＳＭＡＲＣＡＤ１、ＳＭＹＤ３、ＳＮＡＰ２５、ＳＮＯＲＡ５９Ｂ、ＳＮＯＲＤ６８、ＳＯＣＳ３、ＳＯＤ２、ＳＯＤ３、ＳＯＲＴ１、ＳＯＸ１０、ＳＰ１、ＳＰＡＲＣ、ＳＰＡＴＳ２Ｌ、ＳＰＥＣＣ１Ｌ、ＳＰＧ７、ＳＰＩＤＲ、ＳＰＩＮＫ５、ＳＰＰ１、ＳＰＴＡ１、ＳＱＳＴＭ１、ＳＲＥＢＦ１、ＳＲＥＢＦ２、ＳＲＰ１９、ＳＲＲ、ＳＴ１３、ＳＴＡＴ３、ＳＴＡＴ４、ＳＴＡＴ６、ＳＴＩＭ１、ＳＴＩＰ１、ＳＴＫ３９、ＳＴＭＮ１、ＳＴＭＮ２、ＳＴＸ１Ｂ、ＳＴＸ４、ＳＵＧＣＴ、ＳＵＬＴ１Ａ１、ＳＵＬＴ１Ａ２、ＳＵＬＴ１Ｃ４、ＳＵＬＴ１Ｅ１、ＳＵＬＴ２Ｂ１、ＳＶ２Ｃ、ＳＹＮ３、ＳＹＮＥ３、ＳＺＲＤ１、Ｔ、ＴＡＡＲ６、ＴＡＣ１、ＴＡＧＡＰ、ＴＡＮＣ１、ＴＡＮＣ２、ＴＡＰ１、ＴＡＰ２、ＴＡＰＢＰ、ＴＡＳ２Ｒ１６、ＴＢＣ１Ｄ１、ＴＢＣ１Ｄ３２、ＴＢＸ２１、ＴＢＸＡ２Ｒ、ＴＢＸＡＳ１、ＴＣＦ１９、ＴＣＦ７Ｌ２、ＴＣＬ１Ａ、ＴＤＰ１、ＴＤＲＤ６、ＴＥＲＴ、ＴＥＴ２、ＴＦ、ＴＧＦＢ１、ＴＧＦＢＲ２、ＴＧＦＢＲ３、ＴＨ、ＴＨＢＤ、ＴＨＲＡ、ＴＨＲＢ、ＴＩＧＤ１、ＴＫ１、ＴＬＲ２、ＴＬＲ３、ＴＬＲ４、ＴＬＲ５、ＴＬＲ７、ＴＬＲ９、ＴＭＣＣ１、ＴＭＣＯ６、ＴＭＥＦＦ２、ＴＭＥＭ２０５、ＴＭＥＭ２５８、ＴＭＥＭ５７、ＴＭＰＲＳＳ１１Ｅ、ＴＮＦ、ＴＮＦＡＩＰ３、ＴＮＦＲＳＦ１０Ａ、ＴＮＦＲＳＦ１１Ａ、ＴＮＦＲＳＦ１１Ｂ、ＴＮＦＲＳＦ１Ａ、ＴＮＦＲＳＦ１Ｂ、ＴＮＦＳＦ１０、ＴＮＦＳＦ１１、ＴＮＦＳＦ１３Ｂ、ＴＮＲＣ６Ａ、ＴＮＲＣ６Ｂ、ＴＯＬＬＩＰ、ＴＯＭＭ４０、ＴＯＭＭ４０Ｌ、ＴＯＰ１、ＴＯＰ２Ｂ、ＴＰ５３、ＴＰＨ１、ＴＰＨ２、ＴＰＭＴ、ＴＲＡＦ１、ＴＲＡＦ３ＩＰ２、ＴＲＩＢ３、ＴＲＩＭ５、ＴＲＰＭ６、ＴＳＣ１、ＴＳＰＡＮ５、ＴＴＣ６、ＴＵＢＢ１、ＴＵＢＢ２Ａ、ＴＸＮＲＤ２、ＴＹＭＰ、ＴＹＭＳ、ＵＢＡＳＨ３Ｂ、ＵＢＥ２Ｉ、ＵＣＰ２、ＵＣＰ３、ＵＧＧＴ２、ＵＧＴ１Ａ、ＵＧＴ１Ａ１、ＵＧＴ１Ａ１０、ＵＧＴ１Ａ３、ＵＧＴ１Ａ４、ＵＧＴ１Ａ５、ＵＧＴ１Ａ６、ＵＧＴ１Ａ７、ＵＧＴ１Ａ８、ＵＧＴ１Ａ９、ＵＧＴ２Ｂ１０、ＵＧＴ２Ｂ１５、ＵＧＴ２Ｂ１７、ＵＧＴ２Ｂ４、ＵＧＴ２Ｂ７、ＵＬＫ３，ＵＭＰＳ、ＵＰＢ１、ＵＳＨ２Ａ、ＵＳＰ２４、ＵＳＰ５，ＵＳＴ、ＶＡＣ１４、ＶＡＳＰ、ＶＤＲ、ＶＥＧＦＡ、ＶＫＯＲＣ１、ＷＢＰ２ＮＬ、ＷＢＳＣＲ１７、ＷＤＲ７，ＷＩＦ１，ＷＮＫ１、ＷＮＴ５Ｂ、ＷＴ１、ＷＷＯＸ、ＸＢＰ１、ＸＤＨ、ＸＰＡ、ＸＰＣ、ＸＰＯ１、ＸＰＯ５、ＸＲＣＣ１、ＸＲＣＣ３、ＸＲＣＣ４、ＸＲＣＣ５、ＹＡＰ１、ＹＢＸ１、ＹＥＡＴＳ４、ＺＢＴＢ２２、ＺＢＴＢ４、ＺＣＣＨＣ６、ＺＦＰ９１－ＣＮＴＦ、ＺＭＡＴ４、ＺＮＦ１００、ＺＮＦ２１５、ＺＮＦ４２３、ＺＮＦ４３２、ＺＮＦ６５２、ＺＮＦ６９７、ＺＮＦ８０４Ａ、ＺＮＦ８１６、ＺＮＲＤ１－ＡＳ１、及びＺＳＣＡＮ２５からなる群から選択される遺伝子によってコードされる。
【0177】
いくつかの態様では、参照分子（例えば、参照タンパク質）又はバリアント分子（例えば、ミスセンスバリアントタンパク質）は、ＬＭＮＡ、ＰＴＥＮ、ＴＰ５３、ＢＲＣＡ２、ＭＬＨ１、ＭＳＨ２、ＢＲＣＡ１、ＭＳＨ６、ＦＧＦＲ３、ＭＥＣＰ２、ＣＦＴＲ、ＲＥＴ、ＰＴＰＮ１１、ＳＣＮ５Ａ、ＭＹＨ７、ＣＡＶ３、ＰＭＳ２、ＫＲＡＳ、ＡＰＣ、ＡＴＭ、ＡＲＸ、ＤＭＤ、ＤＥＳ、ＳＴＫ１１、ＰＯＬＧ、ＮＦ１、ＢＲＡＦ、ＴＳＣ１、ＣＤＫＬ５、ＴＳＣ２、ＴＴＮ、ＣＯＬ２Ａ１、ＦＭＲ１、ＦＫＴＮ、ＫＣＮＱ１、ＶＨＬ、ＳＬＣ２Ａ１、ＦＢＮ１、ＥＰＣＡＭ、ＨＲＡＳ、ＰＡＬＢ２、ＲＡＦ１、ＴＮＮＴ２、ＣＥＰ２９０、ＳＭＡＤ４、ＭＵＴＹＨ、ＳＣＮ１Ａ、ＳＣＮ１Ｂ、ＫＣＮＪ２、ＲＹＲ２、ＧＬＡ、ＣＤＨ１、ＮＲＡＳ、ＦＫＲＰ、ＫＣＮＨ２、ＬＤＢ３、ＣＡＣＮＡ１Ａ、ＭＹＢＰＣ３、ＦＧＦＲ２、ＵＢＥ３Ａ、ＣＡＣＮＡ１Ｃ、ＧＪＢ２、ＴＡＺ、ＳＤＨＢ、ＴＮＮＩ３、ＡＣＴＣ１、ＧＡＡ、ＴＣＡＰ、ＣＨＥＫ２、ＬＡＭＰ２、ＣＯＬ１Ａ１、ＴＴＲ、ＤＳＰ、ＨＢＢ、ＳＤＨＤ、ＳＯＳ１、ＮＢＮ、ＣＯＬ１Ａ２、ＴＧＦＢＲ２、ＰＯＭＴ１、ＴＰＭ１、ＦＬＮＡ、ＫＣＮＥ１、ＰＣＤＨ１９、ＭＡＰ２Ｋ１、ＣＨＤ７、ＦＯＸＧ１、ＳＤＨＣ、ＴＧＦＢＲ１、ＲＹＲ１、ＭＴＨＦＲ、ＳＧＣＤ、ＣＤＫＮ２Ａ、ＰＭＰ２２、ＰＯＭＴ２、ＦＨ、ＷＴ１、ＥＭＤ、ＳＣＮ４Ａ、ＦＧＦＲ１、ＰＬＰ１、ＰＡＸ６、ＰＯＭＧＮＴ１、ＴＭＥＭ４３、ＭＥＮ１、ＰＫＰ２、ＳＬＣ９Ａ６、ＲＨＯ、Ｆ５、ＧＣＫ、ＢＲＩＰ１、ＴＲＩＭ３２、ＤＳＧ２、ＲＡＤ５１Ｃ、ＴＲＰＶ４、ＳＣＮ２Ａ、ＣＰＴ２、ＫＣＮＥ２、ＧＪＢ６、ＣＯＬ３Ａ１、ＭＡＰ２Ｋ２、ＮＰＨＰ１、ＤＮＭ２、ＢＭＰＲ１Ａ、ＰＲＫＡＧ２、ＡＣＡＤＭ、ＯＦＤ１、ＭＹＯＴ、ＣＡＳＱ２、ＨＥＸＡ、ＤＳＣ２、ＭＥＦ２Ｃ、ＨＦＥ、ＣＬＮ３、ＰＴＣＨ１、ＣＲＹＡＢ、ＪＵＰ、ＰＬＮ、ＭＥＤ１２、ＺＥＢ２、ＦＨＬ１、ＡＢＣＣ８，Ｆ２、ＡＣＡＤＶＬ、ＢＡＧ３、ＡＴＰ７Ａ、ＣＡＳＲ、ＳＣＮ９Ａ、ＢＳＣＬ２、ＰＤＨＡ１、ＳＨＯＣ２、ＥＴＦＤＨ、ＫＣＮＱ２、ＨＡＤＨＡ、ＴＮＮＣ１、ＰＲＲＴ２、ＴＰＰ１、ＡＮＯ５、ＣＯＬ５Ａ１、ＥＴＦＢ、ＭＰＺ、ＥＴＦＡ、ＡＣＴＡ１、ＰＰＴ１、ＣＡＳＫ、ＳＴＸＢＰ１、ＡＢＣＤ１、ＫＣＮＪ１１、ＡＴＲＸ、ＧＮＡＳ、ＡＢＣＡ４、ＤＹＳＦ、ＡＢＣＣ９、ＴＣＦ４、ＢＬＭ、ＳＬＣ２２Ａ５、ＳＤＨＡ、ＭＹＨ６、ＨＣＮ４、ＡＴＰ７Ｂ、ＰＬＡ２Ｇ６、ＦＡＮＣＣ、ＭＹＬ２、ＣＢＳ、ＡＮＫ２、ＫＣＮＥ３、ＭＹＬ３、ＣＬＮ５、ＤＣＸ、ＰＡＮＫ２、ＡＬＤＨ７Ａ１、ＮＫＸ２－５、ＧＢＡ、ＴＩＭＭ８Ａ、ＰＮＫＰ、ＡＣＴＡ２、ＷＦＳ１、ＭＦＮ２、ＦＯＬＲ１、ＪＡＧ１、ＳＭＮ１、ＳＭＡＲＣＢ１、Ｌ１ＣＡＭ、ＧＰＣ３、ＫＩＴ、ＮＳＤ１、ＯＰＡ１、ＤＨＣＲ７、ＮＦ２、ＳＧＣＡ、ＭＩＴＦ、ＣＬＲＮ１、ＴＰＭ２、ＳＰＲＥＤ１、ＭＫＳ１、ＮＩＰＢＬ、ＡＧＬ、ＯＴＣ、ＲＢ１、ＣＳＲＰ３、ＧＬＢ１、ＴＭＥＭ６７、ＣＬＮ６、ＨＮＦ１Ｂ、ＳＭＣ１Ａ、ＳＣＮ４Ｂ、ＣＡＣＮＢ２、ＡＣＶＲＬ１、ＤＬＤ、ＣＢＬ、ＦＸＮ、ＡＲＳＡ、ＰＳＥＮ１、ＣＯＬ６Ａ３、ＬＡＭＡ２、ＳＭＡＤ３、ＥＮＧ、ＰＲＰＳ１、ＡＣＴＮ２、ＴＷＮＫ、ＣＡＰＮ３、ＧＤＡＰ１、ＣＯＬ５Ａ２、ＥＹＡ１、ＰＣＤＨ１５、ＧＣＨ１、ＳＵＲＦ１、ＳＧＣＢ、ＳＣＮ３Ｂ、ＴＭＥＭ２１６、ＰＩＴＸ２、ＣＯＬ６Ａ１、ＰＥＸ１、ＭＹＨ１１、ＶＣＬ、ＮＯＴＣＨ３、ＬＡＲＧＥ１、ＳＬＣ２６Ａ４、ＣＬＮ８、ＢＴＤ、ＧＡＭＴ、ＵＳＨ２Ａ、ＭＹＨ９、ＡＲ、ＮＰＣ１、ＴＥＲＴ、ＧＡＢＲＧ２、ＧＣＤＨ、ＨＮＦ１Ａ、ＦＬＮＣ、ＩＤＳ、ＣＯＬ６Ａ２、ＢＢＳ１、ＲＰＧＲ、ＦＬＣＮ、ＧＮＥ、ＲＰＧＲＩＰ１Ｌ、ＭＥＦＶ、ＣＡＬＭ１、ＣＤＫＮ１Ｃ、ＭＦＳＤ８、ＰＲＰＨ２、ＳＭＰＤ１、ＯＰＨＮ１、ＣＮＴＮＡＰ２、ＢＣＫＤＨＢ、ＰＬＯＤ１、ＰＬＥＣ、ＣＲＥＢＢＰ、ＳＤＨＡＦ２、ＡＲＨＧＥＦ９、ＡＫＡＰ９、ＲＡＤ５１Ｄ、ＮＥＢ、ＯＰＡ３、ＭＢＤ５、ＮＰＣ２、ＭＹＯ７Ａ、ＣＴＳＤ、ＶＰＳ１３Ｂ、ＧＡＬＣ、ＫＣＮＪ５、ＰＡＦＡＨ１Ｂ１、ＰＹＧＭ、ＧＲＮ、ＡＳＰＡ、ＣＤＫ４、ＰＥＸ７、ＭＥＴ、ＦＢＮ２、ＣＣ２Ｄ２Ａ、ＧＡＲＳ、ＮＲＸＮ１、ＰＩＫ３ＣＡ、ＣＯＬ１１Ａ２、ＨＴＴ、ＳＬＣ２６Ａ２、ＳＥＴＸ、ＮＥＸＮ、ＴＧＦＢ３、ＳＥＬＥＮＯＮ、ＫＣＮＪ１０、ＣＰＴ１Ａ、ＨＰＲＴ１、ＥＬＮ、ＵＧＴ１Ａ１、ＷＡＳ、ＯＣＲＬ、ＫＣＮＤ３、ＭＵＴ、ＶＣＰ、ＨＡＤＨＢ、ＧＰＤ１Ｌ、ＫＣＮＱ３、ＳＵＣＬＡ２、ＳＣＯ２、ＦＴＬ、ＥＧＲ２、ＰＭＭ２、ＡＬＰＬ、ＳＮＴＡ１、ＢＢＳ２、Ｇ６ＰＣ、ＨＡＤＨ、ＰＫＤ２、ＰＫＨＤ１、ＣＯＱ２、ＭＭＡＣＨＣ、ＧＪＢ１、ＢＥＳＴ１、ＳＧＣＧ、ＢＣＫＤＨＡ、ＬＤＬＲ、ＮＰＨＰ３、ＳＬＣ２５Ａ２０、ＡＣＡＤＳ、ＤＹＮＣ１Ｈ１、ＫＣＴＤ７、ＭＡＰＴ、ＦＩＧ４、ＴＲＥＸ１、ＭＭＡＢ、ＰＱＢＰ１、ＧＲＩＮ２Ａ、ＣＯＬ４Ａ５、ＭＭＡＡ、ＭＫＫＳ、ＲＰＥ６５、ＧＢＥ１、ＮＤＰ、ＨＳＤ１７Ｂ１０、ＧＡＴＡ１、ＡＰＯＢ、ＴＴＣ８、ＳＰＧ７、ＰＤＸ１、ＧＡＢＲＡ１、ＡＰＴＸ、ＩＫＢＫＡＰ、ＮＥＦＬ、ＰＥＸ６、ＣＯＬ１１Ａ１、ＴＢＣ１Ｄ２４、ＴＧＦＢ２、ＣＲＸ、ＡＰＯＥ、ＧＵＣＹ２Ｄ、ＰＨＯＸ２Ｂ、ＩＳＰＤ、ＡＴＰ１Ａ２、ＡＴＰ１３Ａ２、ＡＴＬ１、ＳＹＮＥ１、ＡＴＸＮ２、ＳＬＣ６Ａ８、ＡＬＭＳ１、ＨＮＦ４Ａ、ＡＨＩ１、ＡＣＡＤ９、ＰＲＫＡＲ１Ａ、ＳＮＲＰＮ、ＣＯＬ４Ａ１、ＮＯＴＣＨ１、ＳＬＣ２５Ａ２２、ＧＬＤＣ、ＡＤＧＲＶ１、ＧＡＬＴ、ＰＥＸ２６、ＴＲＤＮ、ＰＨＦ６、ＰＮＰＯ、ＫＣＮＴ１、ＭＴＭ１、ＣＯＸ１５、ＳＬＣ４Ａ１、ＲＲＭ２Ｂ、ＰＲＳＳ１、ＴＰＭ３、ＢＢＳ１０、ＢＡＰ１、ＢＣＳ１Ｌ、ＣＤＨ２３、ＭＲＥ１１、ＰＣＣＡ、ＴＢＸ５、ＭＰＬ、ＰＡＨ、ＳＰＴＡＮ１、ＳＣＮ８Ａ、ＡＭＴ、ＡＳＳ１、ＰＳＥＮ２、ＣＡＣＮＡ１Ｓ、ＵＳＨ１Ｃ、ＦＡＮＣＡ、ＣＹＰ２１Ａ２、ＦＧＤ１、ＰＥＸ１２、ＳＬＣ２Ａ１０、ＷＤＲ６２、ＦＡＨ、ＧＬＩ３、ＲＵＮＸ１、ＡＮＫＲＤ１、ＧＮＰＴＡＢ、ＳＬＣ２５Ａ４、ＳＥＲＰＩＮＡ１、ＲＥＬＮ、ＢＡＲＤ１、ＲＡＰＳＮ、ＤＫＣ１、ＣＳＴＢ、ＳＧＣＥ、Ｆ８、ＫＣＮＪ８、ＭＹＰＮ、ＭＶＫ、ＰＥＸ１０、ＲＥＥＰ１、ＣＲＢ１、ＣＨＲＮＡ１、ＲＢＭ２０、ＰＣＣＢ、ＢＣＯＲ、ＮＬＲＰ３、ＨＢＡ１、ＥＰＭ２Ａ、ＳＫＩ、ＧＡＴＡ２、ＭＹＬＫ、ＦＡＮＣＢ、ＴＹＲ、ＡＢＣＢ４、Ｃ１２ｏｒｆ６５、ＰＥＸ２、ＬＲＰ５、ＴＴＣ２１Ｂ、ＳＬＣ２５Ａ１３、ＨＳＰＢ１、ＨＳＰＢ８、ＭＰＶ１７、ＳＰＡＳＴ、ＳＬＣ３７Ａ４、ＩＱＣＢ１、ＩＤＵＡ、ＥＹＡ４、ＫＣＮＡ１、ＰＧＫ１、ＣＹＰ１Ｂ１、ＷＨＲＮ、ＳＭＡＲＣＡ４、ＴＥＲＣ、ＡＤＳＬ、ＤＭＰＫ、ＡＴＸＮ１、ＡＴＰ６ＡＰ２、ＳＹＮＧＡＰ１、ＲＤＨ１２、ＴＡＲＤＢＰ、ＫＭＴ２Ｄ、ＰＲＫＮ、ＮＰＨＰ４、ＴＫ２、ＮＨＬＲＣ１、ＧＪＡ１、ＳＵＣＬＧ１、ＧＡＴＡ４、ＮＤＵＦＡ１、ＣＯＬ４Ａ３、ＡＴＸＮ３、ＶＷＦ、ＴＨ、ＤＢＴ、ＫＩＦ１Ａ、ＭＭＡＤＨＣ、ＭＩＤ１、ＰＫＤ１、ＡＰ３Ｂ１、ＣＨＲＮＡ４、ＤＮＡＪＢ６、ＡＰＰ、ＳＨＨ、ＦＡ２Ｈ、ＣＨＲＮＢ２、ＥＤＮ３、ＳＬＣ１６Ａ２、ＥＬＡＮＥ、ＦＵＳ、ＩＮＳ、ＲＰＳ６ＫＡ３、ＩＮＶＳ、ＭＹＯＺ２、ＴＮＮＴ１、ＡＬＫ、ＴＭＥＭ７０、ＣＡＣＮＢ４、ＪＡＫ２、ＣＮＧＢ３、ＳＰＩＮＫ１、ＡＧＸＴ、ＰＡＸ３、ＭＣＯＬＮ１、ＰＥＸ５、ＡＳＰＭ、ＤＧＵＯＫ、ＩＧＨＭＢＰ２、ＣＦＨ、ＳＯＤ１、ＴＵＢＡ１Ａ、ＤＯＬＫ、ＰＲＯＭ１、ＳＹＮ１、ＨＭＧＣＬ、ＫＤＭ５Ｃ、ＲＡＢ３９Ｂ、ＤＮＡＪＣ５、ＡＵＨ、ＳＨＯＸ、ＡＴＸＮ７、ＣＥＮＰＪ、ＳＲＰＸ２、ＳＯＸ１０、ＣＹＰ２Ｄ６、ＤＣＴＮ１、ＴＢＸ１、ＡＬＤＯＢ、ＡＲＬ６、ＢＢＳ１２、ＣＯＱ８Ａ、ＴＷＩＳＴ１、ＲＥＣＱＬ４、ＯＴＸ２、ＰＣ、ＤＰＡＧＴ１、ＴＰ６３、ＧＰ１ＢＡ、ＡＲＧ１、ＰＯＬＤ１、ＳＡＣＳ、ＡＫＴ１、ＰＥＸ３、ＳＭＣ３、ＯＣＡ２、ＣＹＰ２Ｃ１９、ＲＭＲＰ、ＩＬ２ＲＧ、ＤＮＡＨ５、ＳＰＧ１１、ＮＤＲＧ１、ＣＯＬ４Ａ４、ＦＯＸＣ１、ＢＭＰＲ２、ＭＣＣＣ２、ＭＡＸ、Ｆ９、ＥＲＣＣ６、Ｃ９ｏｒｆ７２、ＴＹＭＰ、ＲＡＩ１、ＡＩＰＬ１、ＭＣＣＣ１、ＳＬＣ２５Ａ１９、ＣＯＬ９Ａ１、ＢＴＫ、Ｐ３Ｈ１、ＰＤＳＳ２、ＰＣＮＴ、ＮＯＴＣＨ２、ＡＴＰ８Ｂ１、ＡＴＰ１Ａ３、ＥＴＨＥ１、ＨＥＸＢ、ＳＬＣ２５Ａ１５、ＣＰ、ＣＯＬ９Ａ２、ＣＨＲＮＡ２、ＣＨＲＮＥ、ＣＵＬ４Ｂ、ＤＯＫ７、ＣＨＲＮＤ、ＧＵＳＢ、ＳＬＣ１９Ａ３、ＩＶＤ、ＳＨ３ＴＣ２、ＥＦＨＣ１、ＩＭＰＤＨ１、ＣＲＴＡＰ、ＣＹＰ２７Ａ１、ＨＳＰＤ１、ＳＯＸ２、ＳＤＣＣＡＧ８、ＣＹＰ２Ｃ９、ＡＬＳ２、ＲＰＳ１９、ＧＯＳＲ２、ＲＡＲＳ２、ＧＦＡＰ、ＰＥＸ１４、ＣＹＰ１１Ｂ１、ＧＭＰＰＢ、ＢＢＳ４、ＳＧＳＨ、ＧＪＣ２、ＧＬＵＤ１、ＧＡＴＭ、ＴＭＥＭ１２７、ＲＰＧＲＩＰ１、ＰＤＧＦＲＡ、ＬＧＩ１、ＭＴ－ＡＴＰ６、ＡＤＡＭＴＳ１３、ＢＢＳ５、ＷＤＲ４５、ＭＴＭＲ２、ＧＡＴＡ６、ＢＢＳ７、ＬＩＴＡＦ、ＰＯＬＧ２、ＡＢＣＢ１１、ＰＲＸ、ＡＬＧ２、ＡＢＣＣ６、ＲＮＡＳＥＨ２Ｂ、ＦＡＮＣＧ、ＡＤＡ、ＳＩＬ１、ＲＰ２、ＲＡＳＡ１、ＮＴＲＫ１、ＴＮＦＲＳＦ１Ａ、ＳＣＮＮ１Ｂ、ＣＨＡＴ、ＵＳＨ１Ｇ、ＦＬＮＢ、ＤＮＡＩ１、ＣＦＬ２、ＯＰＴＮ、ＮＤＵＦＳ４、ＡＲＬ１３Ｂ、ＢＢＳ９、ＴＯＲ１Ａ、ＬＲＰＰＲＣ、ＡＴＰＡＦ２、ＳＡＭＨＤ１、ＴＳＥＮ５４、ＮＰＨＳ２、ＴＳＦＭ、ＨＢＡ２、ＧＡＬＮＳ、ＦＫＢＰ１４、ＣＨＳＴ１４、ＦＯＸＲＥＤ１、ＴＲＰＭ４、ＮＨＳ、ＲＮＡＳＥＨ２Ａ、ＲＮＡＳＥＨ２Ｃ、ＡＤＧＲＧ１、ＭＴ－ＲＮＲ１、ＡＧＫ、ＣＥＰ１５２、ＡＳＬ、ＳＮＣＡ、ＧＲＩＮ２Ｂ、ＤＴＮＡ、ＳＩＸ１、ＣＰＳ１、ＫＩＦ７、ＡＩＦＭ１、ＰＤＨＸ、ＮＡＧＬＵ、ＭＴ－ＴＬ１、ＮＳＤＨＬ、ＨＤＡＣ８、ＨＧＳＮＡＴ、ＬＲＲＫ２、ＳＢＦ２、ＲＡＢ７Ａ、ＳＣＮＮ１Ｇ、ＬＲＡＴ、ＤＡＲＳ２、ＫＩＦ５Ａ、ＲＩＴ１、ＰＣＳＫ９、ＧＦＭ１、ＰＩＮＫ１、ＮＰＨＳ１、ＡＲＳＢ、ＮＤＵＦＳ７、ＰＯＬＥ、ＰＦＫＭ、ＳＣＮ２Ｂ、ＩＤＨ２、ＦＢＬＮ５、ＩＮＰＰ５Ｅ、ＰＤＳＳ１、ＧＡＢＲＤ、ＡＴＰ６Ｖ０Ａ２、ＰＲＩＣＫＬＥ１、ＡＣＡＴ１、ＳＯＸ９、ＣＡＣＮＡ２Ｄ１、Ｇ６ＰＤ、ＳＰＧ２０、ＳＣＡＲＢ２、ＮＬＧＮ３、ＡＮＯＳ１、ＮＬＧＮ４Ｘ、ＧＡＢＲＢ３、ＨＡＸ１、ＡＦＧ３Ｌ２、ＧＪＢ３、ＴＩＮＦ２、ＫＲＩＴ１、ＧＰＲ１４３、ＣＤＣ７３、ＥＤＮＲＢ、ＭＬＹＣＤ、ＡＡＲＳ２、ＪＡＫ３、ＳＤＨＡＦ１、ＪＰＨ２、ＮＤＵＦＶ１、ＰＥＸ１３、ＰＬＣＢ１、ＡＢＨＤ１２、ＰＥＸ１６、ＩＲＦ６、ＳＵＭＦ１、ＢＳＮＤ、ＤＡＧ１、ＨＬＣＳ、ＡＴＲ、ＥＧＦＲ、ＡＦＦ２、ＥＺＨ２、ＰＥＸ１９、ＡＢＣＡ３、ＰＡＫ３、ＮＤＵＦＳ１、ＰＨＹＨ、ＰＲＫＣＧ、ＴＭＰＯ、ＴＵＬＰ１、ＣＯＭＰ、ＭＰＩ、ＭＹＬＫ２、ＨＥＳＸ１、ＹＡＲＳ、ＢＩＮ１、ＤＰＭ３、ＬＹＳＴ、ＡＡＲＳ、ＳＩＸ３、ＡＣＴＧ１、Ｃ１９ｏｒｆ１２、ＰＤＨＢＣＯＱ９、ＭＬＣ１、ＮＯＤＡＬ、ＤＰＹＤ、ＣＨＭ、ＤＰＭ１，ＬＩＰＡ、ＳＦＴＰＣ、ＤＬＡＴ、ＶＲＫ１、ＴＵＢＢ２Ｂ、ＡＴＰ６Ｖ１Ｂ１、ＨＳＤ１７Ｂ４、ＣＥＲＫＬ、ＥＰ３００、ＳＬＣ１２Ａ３、ＧＡＴＡ３、ＦＡＮＣＥ、ＦＧＤ４、ＣＦＩ、ＳＣＮ１０Ａ、ＣＯＬＱ、ＣＯＸ６Ｂ１、ＦＫＢＰ１０、ＥＸＴ１、ＡＤＡＭＴＳ２、ＳＢＤＳ、ＣＤ４６、ＴＧＩＦ１、ＳＡＬＬ１、ＥＲＣＣ４、ＫＩＦ１Ｂ、ＳＬＣ１７Ａ５、ＷＮＫ１、ＫＣＮＡ５、ＡＲＦＧＥＦ２、ＦＡＮＣＦ、ＥＬＯＶＬ４、ＳＡＬＬ４、ＣＹＰ７Ｂ１、ＫＡＲＳ、ＧＲＩＡ３、ＡＬＤＨ５Ａ１、ＳＰＲ、ＣＬＣＮ１、ＨＣＣＳ、ＧＮＳ、ＥＩＦ２ＡＫ３、ＰＵＳ１、ＰＤＥ６Ｂ、ＰＬＯＤ２、ＰＡＸ２、ＤＨＤＤＳ、ＷＤＲ１９、ＡＬＧ６、ＰＰＡＲＧ、ＶＡＰＢ、ＣＨＤ２、ＲＰ１、ＰＳＡＰ、ＷＲＮ、ＬＭＢＲＤ１、ＩＮＳＲ、ＣＥＢＰＡ、ＬＰＩＮ１、ＳＭＳ、ＭＴ－ＴＫ、ＰＡＲＫ７、ＳＵＦＵ、ＵＭＯＤ、ＰＲＮＰ、ＡＧＡ、ＲＡＤ５０、ＦＵＣＡ１、ＳＬＣ３９Ａ１３、ＮＤＵＦＡ２、ＩＳＣＵ、ＭＴ－ＴＳ１、ＳＥＭＡ４Ａ、ＦＯＸＰ３、ＴＡＣＯ１、ＬＩ
Ｇ４、ＡＩＲＥ、ＳＲＹ、ＫＢＴＢＤ１３、ＥＩＦ２Ｂ５、ＭＴ－ＮＤ１、ＩＫＢＫＧ、ＤＩＣＥＲ１、ＴＲＭＵ、ＭＵＳＫ、ＳＬＣ２５Ａ３、ＯＴＯＦ、ＰＯＭＫ、ＴＢＰ、ＲＡＧ２、ＵＰＦ３Ｂ、ＥＤＡ、ＲＬＢＰ１、ＲＡＢ３ＧＡＰ１、ＬＡＭＢ２、ＣＥＰ４１、ＲＡＤ２１、ＫＤＭ６Ａ、ＭＣＰＨ１、ＣＡＢＰ４、ＳＰＡＴＡ７、ＭＴＲＲ、ＬＡＭＡ４、ＥＦＥＭＰ２，ＮＤＵＦＳ８、ＧＡＬＫ１、ＳＡＧ、ＬＣＡ５、ＮＲ２Ｅ３、ＥＸＴ２、ＧＣＳＨ、ＰＰＩＢ、ＰＯＲＣＮ、ＥＨＭＴ１，ＣＴＮＮＢ１、ＣＴＮＳ、ＴＦＲ２、Ｃ３、ＨＣＮ１、ＥＩＦ２Ｂ１、ＳＬＸ４、ＰＯＵ３Ｆ４、ＷＤＰＣＰ、ＩＮＦ２、ＬＩＡＳ、ＣＨＲＮＢ１、ＡＣＴＢ、ＡＰ１Ｓ２、ＰＨＥＸ、ＳＰＴＢ、ＮＥＵＲＯＤ１、ＲＳ１、ＮＰＰＡ、ＳＯＸ３、ＦＧＦ２３、ＭＡＮ２Ｂ１、ＤＮＡＨ１１、ＥＲＣＣ２、ＤＧＫＥ、ＣＣＭ２、ＮＤＵＦＡＦ２、ＥＶＣ、ＲＡＧ１、ＨＰＳ１、ＮＤＵＦＳ３、ＮＤＵＦＳ２、ＺＩＣ２、ＦＧＦ８、ＬＰＬ、ＦＡＳＴＫＤ２、ＴＣＴＮ２、ＣＡＣＮＡ１Ｄ、ＨＰＳ４、ＣＡＣＮＡ１Ｆ、ＣＬＣＮ５、ＧＪＡ５、ＳＹＰ、ＧＰ１ＢＢ、ＦＡＮＣＬ、ＡＣＳＬ４、ＩＤＨ１、ＣＬＣＮＫＢ、ＣＩＳＤ２、ＲＯＲ２、ＮＥＵ１、ＧＡＴＡＤ１、ＭＹＨ３、ＮＤＥ１、ＰＲＰＦ３１、ＡＢＣＧ５、ＮＫＸ２－１、ＰＧＭ１、ＴＭＥＭ２３７、ＦＢＰ１、ＣＤＫ５ＲＡＰ２、ＮＤＵＦＡＦ５、ＺＦＹＶＥ２６、ＤＰＭ２、ＰＨＫＡ１、ＭＴ－ＮＤ６、ＳＴＩＬ、ＴＵＢＢ３、ＢＩＣＤ２、ＩＱＳＥＣ２、ＳＰＴＡ１、ＩＴＧＡ７、ＱＤＰＲ、ＴＪＰ２、ＰＴＳ、ＥＩＦ２Ｂ３、ＮＯＤ２、ＧＬＲＡ１、ＣＳＦ１Ｒ、ＰＲＦ１、ＡＴＮ１、ＰＡＸ４、ＧＰＳＭ２、ＣＨＭＰ２Ｂ、ＣＦＢ、ＥＹＳ、ＦＡＮＣＩ、ＳＴ３ＧＡＬ３、ＡＧＰＡＴ２、ＰＤＰ１、ＩＬ７Ｒ、ＨＫ１、ＰＮＰＬＡ２、ＲＡＢ２７Ａ、ＤＣＬＲＥ１Ｃ、ＭＣ４Ｒ、ＧＹＳ２、Ｂ９Ｄ１、ＳＣＮＮ１Ａ、ＡＮＧ、ＥＮＰＰ１、ＰＲＰＦ８、ＳＦＴＰＢ、ＦＡＮＣＭ、ＡＸＩＮ２、ＬＭＸ１Ｂ、ＮＨＥＪ１、ＳＹＮＥ２、ＴＴＣ１９、ＰＲＯＰ１、ＭＡＧＴ１、ＣＯＬ７Ａ１、ＦＡＮＣＤ２、ＦＳＣＮ２、ＮＤＵＦＡＦ１、ＭＴ－ＮＤ４、ＫＣＮＪ１、ＣＯＬ１２Ａ１、ＣＮＧＡ３、ＳＴＡＴ３、ＴＹＲＰ１、ＮＤＵＦＳ６、ＧＵＣＡ１Ｂ、ＳＬＣ２Ａ２、ＳＩＸ５、ＡＤＡＲ、ＳＬＣ３３Ａ１、ＣＣＤＣ３９、ＡＭＡＣＲ、ＧＡＮ、ＨＦＥ２、Ｂ３ＧＬＣＴ、ＥＦＮＢ１、ＵＱＣＲＢ、ＳＬＣ１２Ａ６、ＦＧＡ、ＨＰＳ３、ＸＲＣＣ２、ＭＴＲ、Ｃ８ｏｒｆ３７、ＡＣＴＮ４、ＥＶＣ２、ＴＨＡＰ１、ＴＲＰＳ１、ＩＤＨ３Ｂ、ＲＵＮＸ２、ＬＡＭＢ３、ＳＨ２Ｄ１Ａ、ＧＤＩ１、ＴＭＣ１、ＤＮＭＴ１、ＰＤＣＤ１０、ＭＲＰＳ２２、ＬＡＭＡ３、ＴＯＰＯＲＳ、ＣＨＫＢ、ＭＴＰＡＰ、ＣＹＰ１７Ａ１、ＰＯＭＧＮＴ２、ＳＬＣ１２Ａ１、ＺＩＣ３、ＧＬＩ２、ＲＤ３、ＡＬＡＳ２、ＲＰＬ３５Ａ、ＣＮＧＢ１、ＬＤＬＲＡＰ１、ＤＥＰＤＣ５、ＴＨＢＤ、ＤＹＲＫ１Ａ、ＳＬＣ１９Ａ２、ＤＮＡＩ２、ＰＧＡＭ２、ＰＮＫＤ、ＡＳＡＨ１、ＷＤＲ３５、ＶＫＯＲＣ１、ＤＯＣＫ８、ＰＨＧＤＨ、ＳＬＣ４５Ａ２、ＧＰ９、ＣＣＤＣ７８、ＳＰＴＬＣ１、ＩＬ１ＲＡＰＬ１、ＳＬＣ３５Ｃ１、ＵＢＥ２Ａ、ＮＲ０Ｂ１、ＣＡＶＩＮ１、ＡＣＯＸ１、ＡＧＲＮ、ＣＡ４、ＣＯＬ９Ａ３、ＣＮＧＡ１、ＬＡＭＣ２、ＤＴＮＢＰ１、ＥＩＦ２Ｂ２，ＴＴＰＡ、ＦＬＶＣＲ１、ＭＹＨ１４、ＥＲＢＢ２、ＩＴＧＢ３，ＶＬＤＬＲ、ＷＡＳＨＣ５、ＮＤＵＦＡ１１、Ｃ２ｏｒｆ７１、ＰＴＣＨＤ１，ＮＲＬ、ＡＬＤＨ４Ａ１、ＲＳＰＨ９、ＡＴＰ５Ｅ、ＧＫ、ＣＴＤＰ１、ＡＢＬ１，ＴＣＴＮ１、ＡＮＫ１、ＣＴＳＡ、ＳＬＣ４０Ａ１、ＡＫＴ３、Ｂ４ＧＡＴ１、ＺＭＰＳＴＥ２４、ＭＥＲＴＫ、ＥＩＦ２Ｂ４、ＥＲＣＣ８、ＮＵＢＰＬ、ＰＰＯＸ、ＰＤＬＩＭ３、ＰＮＰＬＡ６、ＴＮＸＢ、ＰＲＫＧ１、ＦＯＸＨ１、ＣＯＧ７、ＲＰＬ１１、ＧＰＨＮ、ＡＢＣＧ８、ＰＤＥ６Ｃ、Ｂ４ＧＡＬＴ７、Ｇ６ＰＣ３、ＧＮＡ１１、ＣＬＣＮ２、ＮＭＥ８、ＫＣＮＪ１３、ＨＥＰＡＣＡＭ、ＳＬＣＯ１Ｂ１、ＵＱＣＲＱ、ＮＤＵＦＡＦ４、ＴＭＥＭ１３８、ＭＴ－ＮＤ５、ＮＤＵＦＡＦ３、ＨＭＢＳ、ＮＨＰ２、ＩＦＩＴＭ５、ＭＢＴＰＳ２、ＳＭＮ２、ＰＤＥ６Ａ、ＶＳＸ２、ＭＹＯ６、ＣＰＯＸ、ＡＬＧ１３、ＣＣＤＣ４０、ＡＬＤＨ３Ａ２、ＮＩＰＡ１、ＴＳＨＲ、ＺＮＦ４２３、ＳＱＳＴＭ１、ＭＯＣＳ２、Ｌ２ＨＧＤＨ、ＳＣＯ１、ＴＵＢＢ４Ａ、ＴＣＯＦ１、ＭＯＣＳ１、ＭＴＯ１、ＣＩＢ２、ＨＩＮＴ１、ＫＩＡＡ２０２２、ＥＲＣＣ３、ＰＩＴＸ３、ＰＲＰＦ３、ＤＮＭ１Ｌ、ＴＣＴＮ３、ＦＨＬ２、ＣＡ２、ＧＲＨＰＲ、ＰＬＥＫＨＧ５、ＣＤＯＮ、ＫＬＨＬ４０、ＴＳＥＮ２、ＳＬＣ１Ａ３、ＲＧＲ、ＮＥＢＬ、Ｃ５ｏｒｆ４２、ＨＰＳ６、ＧＦＩ１、ＭＹＣＮ、ＬＺＴＲ１、ＢＲＷＤ３、ＴＳＥＮ３４、Ｆ１１、ＳＮＲＮＰ２００、ＧＮＡＴ２、ＡＬＧ１、ＴＭＥＭ１２６Ａ、ＳＰ７、ＫＬＨＬ７、ＴＵＦＭ、ＤＬＧ３、ＤＮＡＡＦ２、ＤＮＡＡＦ１、ＶＰＳ１３Ａ、ＮＯＰ１０、ＴＭＥＭ５、ＭＣＥＥ、ＳＴＸＢＰ２、ＭＥＤ２５、ＳＨＡＮＫ３、ＳＬＣ３Ａ１、ＴＥＣＴＡ、ＣＯＸ１０、ＣＨＲＮＧ、ＲＤＨ５、ＣＤＨＲ１、ＰＨＦ８、ＲＰＬ５、ＭＡＯＡ、ＧＦＰＴ１、ＲＡＢ３ＧＡＰ２、ＣＡＬＭ２、ＮＡＧＳ、ＰＯＬＲ１Ｃ、ＨＳＤ３Ｂ２、ＡＭＰＤ１、ＢＵＢ１Ｂ、ＮＥＫ８、ＴＵＢＡ８、Ｂ３ＧＡＬＮＴ２、ＦＬＴ３、ＭＡＴＲ３、ＫＲＴ５、ＧＤＦ６、ＧＲＥＭ１、ＡＶＰＲ２、ＤＮＡＬ１、ＺＤＨＨＣ９、ＣＴＣ１、ＡＬＤＯＡ、ＮＲ５Ａ１、ＣＹＢＢ、ＦＴＳＪ１、ＢＬＯＣ１Ｓ３、ＥＢＰ、ＤＣＡＦ１７、ＳＰＧ２１、ＡＣＡＤ８、ＡＢＣＢ７、Ｆ１２、ＧＬＲＢ、ＧＬＩＳ２、ＥＸＯＳＣ３、ＨＵＷＥ１、ＢＭＰ４、ＴＭＩＥ、ＧＮＰＴＧ、ＲＰＳ２６、ＩＴＧＡ２Ｂ、ＬＲＳＡＭ１、ＳＬＣ６Ａ３、ＡＬＤＨ１８Ａ１、ＳＥＲＰＩＮＣ１、ＫＬＦ１１、Ｆ７、ＲＰＳ１０、ＷＮＴ１０Ａ、ＮＦＩＸ、ＭＧＡＴ２、ＡＣＳＦ３、ＲＢＢＰ８、ＣＦＨＲ５、ＣＯＱ６、ＵＢＱＬＮ２、ＣＤＫＮ１Ｂ、ＳＵＯＸ、ＦＡＭ１２６Ａ、ＣＯＧ８、ＮＤＵＦＡ１０、ＳＭＡＲＣＥ１、ＡＬＧ８、ＧＳＳ、ＥＰＢ４２、ＲＰＬ１０、ＤＮＡＪＣ１９、ＮＡＡ１０、ＫＣＮＭＡ１、ＲＰＳ２４、ＳＴＸ１１、ＡＬＧ３、ＸＫ、ＭＦＲＰ、ＴＭＰＲＳＳ３、ＴＳＰＡＮ７、ＳＥＲＰＩＮＨ１、ＩＭＰＧ２、ＡＬＧ１２、ＳＥＲＰＩＮＥ１、ＳＬＣ１６Ａ１、ＴＣＩＲＧ１、ＳＴＩＭ１、ＥＴＶ６、ＣＬＣＮ７、ＧＤＦ２、ＳＬＣ３５Ａ１、ＦＡＭ１６１Ａ、ＡＲＩＤ１Ｂ、ＴＭＥＭ２３１、ＳＬＣ３５Ａ２、ＮＧＦ、ＣＯＸ４Ｉ２、ＰＯＵ１Ｆ１、ＧＬＩＳ３、ＴＡＦ１、ＰＮＰ、ＰＯＭＣ、ＫＩＦ１ＢＰ、ＢＬＫ、ＹＡＲＳ２、ＴＣＮ２、ＵＮＣ１３Ｄ、ＨＡＭＰ、ＨＯＧＡ１、ＡＣＡＤＳＢ、Ｂ４ＧＡＬＴ１、ＭＡＮＢＡ、ＫＡＴ６Ｂ、ＲＳＰＨ４Ａ、ＡＣＥ、ＥＤＡＲ、ＷＷＯＸ、ＦＡＲＳ２、ＧＮＡＱ、ＧＮＰＡＴ、ＡＮＫＨ、ＥＮＯ３、ＦＲＡＳ１、ＲＡＮＧＲＦ、ＧＡＬＥ、ＴＲＥＭ２、ＣＤ３Ｄ、ＬＥＰ、ＴＦＧ、ＩＥＲ３ＩＰ１、ＤＹＮＣ２Ｈ１、ＮＰＭ１、ＫＭＴ２Ａ、ＣＤ４０ＬＧ、ＰＹＧＬ、ＭＴ－ＣＹＢ、ＤＦＮＢ５９、ＭＲＰＳ１６、ＲＴＮ２、ＫＣＮＥ５、ＭＡＴＮ３、ＴＡＴ、ＮＤＵＦＶ２、ＣＤＡＮ１、ＳＴＳ、ＣＡＶ１、Ｂ３ＧＡＬＴ６、ＣＴＳＫ、ＣＡＬＲ３、ＫＣＮＶ２、ＡＰ４Ｍ１、ＳＥＲＰＩＮＧ１、ＧＹＳ１、ＨＰＳ５、ＳＴ３ＧＡＬ５、ＳＬＣ６Ａ５、ＡＲＩＤ１Ａ、ＰＲＫＲＡ、ＣＯＧ１、ＣＯＬ４Ａ２、ＥＦＥＭＰ１、ＰＩＫ３Ｒ２、ＭＴＦＭＴ、ＳＥＰＴ９、ＦＯＸＰ１、ＮＤＵＦＡＦ６、ＲＯＭ１、ＫＲＴ１４、ＳＬＣ２５Ａ１２、ＳＥＣ２３Ｂ、ＴＮＮＩ２、ＣＤ３Ｅ、ＨＰＤ、ＰＨＫＢ、ＡＩＰ、ＦＺＤ４、ＸＰＮＰＥＰ３、ＣＥＰ１６４、ＩＴＧＢ４、ＳＬＭＡＰ、ＰＡＢＰＮ１、ＴＢＣＥ、ＧＨＲ、ＮＯＧ、ＣＡＣＮＡ２Ｄ４、ＡＬＧ９、ＦＯＸＬ２、ＴＹＲＯＢＰ、ＴＨＲＢ、ＡＰ４Ｅ１、ＢＤＮＦ、ＡＫＴ２、ＤＳＰＰ、ＭＰＤＵ１、ＥＤＡＲＡＤＤ、ＴＰＭＴ、ＳＰＴＢＮ２、ＢＬＯＣ１Ｓ６、ＦＧＦ１４、ＣＴＳＦ、ＰＲＣＤ、ＳＲＤ５Ａ３、ＰＲＰＦ６、ＴＲＡＰＰＣ１１、ＰＨＫＡ２、ＣＯＣＨ、ＡＧＰＳ、ＥＡＲＳ２、ＦＯＸＥ３、ＩＧＢＰ１、ＲＢＰ３、ＰＫＬＲ、ＰＩＧＡ、ＭＡＴ１Ａ、ＳＰＴＬＣ２、ＣＥＰ６３、ＦＢＸＯ７、ＳＥＴＢＰ１、ＯＴＯＡ、ＲＴＥＬ１、ＰＴＦ１Ａ、ＬＥＰＲ、ＳＭＡＲＣＡＬ１、ＳＣＰ２、ＰＣＢＤ１、ＤＭＰ１、ＭＯＧＳ、ＣＮＴＮ１、ＴＮＰＯ３、ＰＯＬＲ３Ａ、ＳＬＣ４６Ａ１、ＦＯＸＩ１、ＭＹＯ１５Ａ、ＫＣＮＱ４、ＭＹＯＣ、ＰＹＣＲ１、ＡＰＯＡ５、ＧＲＨＬ２、ＰＯＲ、ＡＩＣＤＡ、ＫＩＳＳ１Ｒ、ＰＲＤＭ１６、ＡＲＳＥ、ＬＨＦＰＬ５、ＰＤＥ６Ｇ、ＨＡＲＳ、ＳＮＡＩ２、ＶＣＡＮ、ＳＭＰＸ、ＣＳＦ３Ｒ、ＣＯＬ１７Ａ１、ＬＯＸＨＤ１、ＭＴＴＰ、ＳＥＲＰＩＮＦ１、ＰＲＯＫＲ２、ＧＮＲＨＲ、Ｄ２ＨＧＤＨ、Ｂ９Ｄ２、ＺＡＰ７０、ＡＰ５Ｚ１、ＣＴＮＮＡ３、ＣＳＦ２ＲＡ、ＳＬＣ３４Ａ３、ＺＮＦ５１３、ＴＮＦＲＳＦ１１Ａ、ＣＴＲＣ、ＲＰ９、ＨＳＰＧ２、ＫＡＮＳＬ１、ＲＰＳ７、ＴＲＩＯＢＰ、ＣＥＬ、ＳＨＲＯＯＭ４、ＳＬＣ７Ａ７、ＲＦＴ１、ＡＤＡＭＴＳＬ４、ＡＢＣＡ１２、ＡＢＡＴ、ＬＰＩＮ２、ＥＲＣＣ５、ＨＧＦ、ＰＲＯＣ、ＬＨＸ４、ＲＯＧＤＩ、ＡＢＣＡ１、ＤＩＡＢＬＯ、ＥＳＣＯ２、ＰＲＤＭ５、ＰＨＫＧ２、ＦＲＥＭ１、ＰＲＯＤＨ、ＤＩＳ３Ｌ２、ＲＤＸ、ＷＲＡＰ５３、ＭＣ１Ｒ、ＡＣＶＲ１、ＺＮＦ７１１、ＩＦＴ８０、ＡＣＶＲ２Ｂ、ＥＦＴＵＤ２、ＬＴＢＰ２、ＭＥＧＦ１０、ＲＡＢ１８、ＣＬＤＮ１４、ＦＬＴ４、ＣＣＴ５、ＳＲＣＡＰ、ＥＳＲＲＢ、ＰＤＺＤ７、ＮＥＫ１、ＮＲ３Ｃ２、ＴＢＸ２０、ＤＮＡＪＢ２、ＦＡＳ、ＡＴＸＮ１０、ＣＦＨＲ１、ＧＤＦ５、ＰＳＴＰＩＰ１、ＡＲＨＧＥＦ６、ＴＤＰ１、ＧＵＣＡ１Ａ、ＯＸＣＴ１、ＰＰＰ２Ｒ２Ｂ、ＡＱＰ２、ＴＲＰＣ６、ＭＡＲＶＥＬＤ２、ＦＥＣＨ、ＯＡＴ、ＰＥＸ１１Ｂ、ＰＲＩＣＫＬＥ２、ＡＰＯＣ２、ＰＤＧＦＲＢ、ＣＡＣＮＡ１Ｈ、ＬＨＣＧＲ、ＳＡＲＳ２、ＬＲＴＯＭＴ、ＣＯＬ１０Ａ１、ＸＩＡＰ、ＵＮＧ、ＭＧＭＥ１、ＳＬＣ２６Ａ５、ＣＹＢＡ、ＰＩＴＰＮＭ３、ＰＴＨ１Ｒ、ＴＩＭＰ３、ＤＲＤ２，ＰＤＥ６Ｈ、ＡＬＸ４、ＴＸＮＲＤ２、ＯＢＳＬ１、ＯＲＣ１，ＧＨ１、ＣＳＰＰ１、ＬＥＦＴＹ２、ＣＣＤＣ５０、ＡＢＣＤ４、ＤＩＡＰＨ１、ＣＤＨ３、ＣＨＣＨＤ１０、ＰＡＸ８、ＧＤＮＦ、ＭＴ－ＣＯ１、ＨＡＲＳ２、ＨＴＲＡ１、ＢＭＰ１、ＭＳＲＢ３、ＺＤＨＨＣ１５、ＣＡＶＩＮ４、ＡＰ４Ｓ１、ＣＦＨＲ３、ＡＣＡＤＬ、ＮＤＵＦＡ９、ＭＳＸ１、ＭＹＯ３Ａ、ＣＹＰ１１Ｂ２、ＣＴＦ１、ＭＡＫ、ＡＰ４Ｂ１、ＩＦＴ１２２、ＡＢＨＤ５、ＭＡＲＳ、Ａ２ＭＬ１、ＣＨＳＴ３、ＣＹＬＤ、ＧＤＦ１、ＸＰＡ、ＭＴ－ＴＨ、ＴＰＲＮ、ＭＴ－ＴＱ、ＰＯＵ４Ｆ３、ＸＰＣ、ＧＲＩＮ１、ＧＩＰＣ３、ＣＹＰ２７Ｂ１，ＰＯＬＲ１Ｄ、ＬＨＸ３、ＴＧＦＢ１、ＴＯＲ１ＡＩＰ１、ＣＮＢＰ、ＧＭ２Ａ、ＤＤＨＤ２、ＴＲＰＭ１、ＢＣＫＤＫ、ＤＮＡＡＦ３、ＨＳＤ１１Ｂ２、ＡＤＡＭ９、ＣＬＣＮＫＡ、ＮＤＵＦＢ３、ＬＡＳ１Ｌ、ＭＡＧＩ２、ＡＮＫＲＤ１１、ＮＭＮＡＴ１、ＺＦＹＶＥ２７、ＤＮＭＴ３Ａ、ＰＲＯＫ２、ＳＭＡＲＣＡ２、ＧＦＥＲ、ＰＯＬＲ３Ｂ、ＮＤＵＦＡ１２、ＰＬＣＥ１、ＳＴＲＡ６、ＥＭＸ２、ＨＭＧＣＳ２、ＡＳＣＬ１、ＣＯＭＴ、ＰＲＯＳ１、ＫＣＮＣ３、ＩＬＫ、ＦＧＢ、Ｃ１０ｏｒｆ１１、ＩＬＤＲ１、ＡＮＫＲＤ２６、ＧＲＸＣＲ１、ＳＺＴ２、ＨＮＲＮＰＤＬ、ＫＩＦ１１、ＦＧＧ、ＤＤＣ、ＴＴＢＫ２、ＦＲＥＭ２、ＺＮＦ４６９、ＴＵＳＣ３、ＴＦＡＰ２Ａ、ＤＬＬ３、ＣＬＩＣ２、ＧＤＦ３、ＭＴ－ＴＳ２、ＣＹＰ３Ａ５、ＡＨＣＹ、ＬＤＨＡ、ＳＬＣ５２Ａ３、ＰＲＫＣＳＨ、ＡＣＹ１、ＡＣＯ２、ＫＣＮＫ３、ＡＭＥＲ１、ＷＮＴ１、ＭＡＲＳ２、ＮＹＸ、ＶＰＳ３５、ＵＲＯＳ、ＣＯＧ６、ＲＥＮ、ＡＶＰ、ＭＴＯＲ、ＴＢＸ３、ＲＢＭ１０、ＰＦＮ１、ＴＰＯ、ＭＹＢＰＣ１、ＳＥＲＰＩＮＢ６、ＰＴＰＲＣ、Ｈ１９、ＡＢＣＢ６、ＷＮＴ７Ａ、ＭＹＯ５Ａ、ＣＣＤＣ８８Ｃ、ＡＴＰ６Ｖ０Ａ４、ＯＳＴＭ１、ＳＲＤ５Ａ２、ＣＤＴ１、ＤＦＮＡ５、ＥＳＰＮ、ＭＹＦ６、ＵＳＢ１、ＤＤＯＳＴ、ＣＲＹＭ
、ＡＰＯＡ１、ＡＴＸＮ８ＯＳ、ＡＧＴＲ２、ＳＬＣ１７Ａ８、ＭＳＸ２、ＤＳＴ、ＬＴＢＰ４、ＫＬＨＬ３、ＡＡＡＳ、ＲＦＸ６、ＬＢＲ、ＣＹＰ３Ａ４、Ｆ１３Ａ１、ＲＡＸ２、ＲＡＣ２、ＰＲＥＰＬ、ＥＲＬＩＮ２、ＡＮＫ３、ＮＦＵ１、ＬＲＰ４、ＴＮＦＲＳＦ１３Ｂ、ＴＮＦＳＦ１１、ＳＮＡＰ２９、ＬＡＭＣ３、ＲＢＭ８Ａ、ＯＲＣ６、ＧＲＭ６、ＣＯＧ５、ＯＲＣ４、ＰＤＹＮ、ＣＲＥＬＤ１、ＳＬＣ５Ａ７、ＩＴＧＡ３、ＳＰＩＮＫ５、ＷＮＴ４、ＥＮＡＭ、Ｃ１ＱＴＮＦ５、ＰＤＫ３、ＨＴＲＡ２、ＧＮＢ４、ＷＮＫ４、ＣＯＧ４、ＭＴ－ＴＩ、ＨＳＰＢ３、ＭＴ－ＴＬ２、ＨＣＦＣ１、ＰＯＴ１、ＩＣＯＳ、ＳＩＧＭＡＲ１、ＡＴＰ２Ａ１、ＧＮＡＴ１、ＳＯＳ２、ＣＴＳＣ、ＦＯＸＰ２、ＴＭＥＭ１６５、ＣＸＣＲ４、ＳＨ３ＢＰ２、ＴＡＣＲ３、ＣＦＣ１、ＡＢＣＣ２、ＤＮＡＪＣ６、ＤＨＯＤＨ、ＣＰＡ６、ＡＫ２、ＨＯＸＤ１３、ＶＰＳ４５、ＰＬＯＤ３、ＫＲＴ１、ＭＴ－ＡＴＰ８、ＤＮＡＡＦ５、ＴＧＭ１、ＴＳＰＡＮ１２、ＩＦＴ１７２、ＣＤ２ＡＰ、ＭＲＰＬ３、ＬＩＦＲ、ＲＩＭＳ１、ＣＮＮＭ４、ＣＤＣ６、Ｆ１０、ＦＯＸＣ２、ＳＴＡＴ５Ｂ、ＰＩＫ３Ｒ１、ＯＲＡＩ１、ＺＮＦ８１、ＺＦＰ５７、ＣＹＰ２４Ａ１、ＧＬＥ１、ＣＯＬ１８Ａ１、ＴＩＡ１、ＲＰＬ２６、ＧＮＡＯ１、ＬＣＡＴ、ＶＤＲ、ＡＮＯ１０、ＴＮＮＴ３、ＬＺＴＦＬ１、ＣＯＬ４Ａ６、及びＳＨＡＮＫ２からなる群から選択される「臨床検査遺伝子」によってコードされる。
Ｇ４、ＡＩＲＥ、ＳＲＹ、ＫＢＴＢＤ１３、ＥＩＦ２Ｂ５、ＭＴ－ＮＤ１、ＩＫＢＫＧ、ＤＩＣＥＲ１、ＴＲＭＵ、ＭＵＳＫ、ＳＬＣ２５Ａ３、ＯＴＯＦ、ＰＯＭＫ、ＴＢＰ、ＲＡＧ２、ＵＰＦ３Ｂ、ＥＤＡ、ＲＬＢＰ１、ＲＡＢ３ＧＡＰ１、ＬＡＭＢ２、ＣＥＰ４１、ＲＡＤ２１、ＫＤＭ６Ａ、ＭＣＰＨ１、ＣＡＢＰ４、ＳＰＡＴＡ７、ＭＴＲＲ、ＬＡＭＡ４、ＥＦＥＭＰ２，ＮＤＵＦＳ８、ＧＡＬＫ１、ＳＡＧ、ＬＣＡ５、ＮＲ２Ｅ３、ＥＸＴ２、ＧＣＳＨ、ＰＰＩＢ、ＰＯＲＣＮ、ＥＨＭＴ１，ＣＴＮＮＢ１、ＣＴＮＳ、ＴＦＲ２、Ｃ３、ＨＣＮ１、ＥＩＦ２Ｂ１、ＳＬＸ４、ＰＯＵ３Ｆ４、ＷＤＰＣＰ、ＩＮＦ２、ＬＩＡＳ、ＣＨＲＮＢ１、ＡＣＴＢ、ＡＰ１Ｓ２、ＰＨＥＸ、ＳＰＴＢ、ＮＥＵＲＯＤ１、ＲＳ１、ＮＰＰＡ、ＳＯＸ３、ＦＧＦ２３、ＭＡＮ２Ｂ１、ＤＮＡＨ１１、ＥＲＣＣ２、ＤＧＫＥ、ＣＣＭ２、ＮＤＵＦＡＦ２、ＥＶＣ、ＲＡＧ１、ＨＰＳ１、ＮＤＵＦＳ３、ＮＤＵＦＳ２、ＺＩＣ２、ＦＧＦ８、ＬＰＬ、ＦＡＳＴＫＤ２、ＴＣＴＮ２、ＣＡＣＮＡ１Ｄ、ＨＰＳ４、ＣＡＣＮＡ１Ｆ、ＣＬＣＮ５、ＧＪＡ５、ＳＹＰ、ＧＰ１ＢＢ、ＦＡＮＣＬ、ＡＣＳＬ４、ＩＤＨ１、ＣＬＣＮＫＢ、ＣＩＳＤ２、ＲＯＲ２、ＮＥＵ１、ＧＡＴＡＤ１、ＭＹＨ３、ＮＤＥ１、ＰＲＰＦ３１、ＡＢＣＧ５、ＮＫＸ２－１、ＰＧＭ１、ＴＭＥＭ２３７、ＦＢＰ１、ＣＤＫ５ＲＡＰ２、ＮＤＵＦＡＦ５、ＺＦＹＶＥ２６、ＤＰＭ２、ＰＨＫＡ１、ＭＴ－ＮＤ６、ＳＴＩＬ、ＴＵＢＢ３、ＢＩＣＤ２、ＩＱＳＥＣ２、ＳＰＴＡ１、ＩＴＧＡ７、ＱＤＰＲ、ＴＪＰ２、ＰＴＳ、ＥＩＦ２Ｂ３、ＮＯＤ２、ＧＬＲＡ１、ＣＳＦ１Ｒ、ＰＲＦ１、ＡＴＮ１、ＰＡＸ４、ＧＰＳＭ２、ＣＨＭＰ２Ｂ、ＣＦＢ、ＥＹＳ、ＦＡＮＣＩ、ＳＴ３ＧＡＬ３、ＡＧＰＡＴ２、ＰＤＰ１、ＩＬ７Ｒ、ＨＫ１、ＰＮＰＬＡ２、ＲＡＢ２７Ａ、ＤＣＬＲＥ１Ｃ、ＭＣ４Ｒ、ＧＹＳ２、Ｂ９Ｄ１、ＳＣＮＮ１Ａ、ＡＮＧ、ＥＮＰＰ１、ＰＲＰＦ８、ＳＦＴＰＢ、ＦＡＮＣＭ、ＡＸＩＮ２、ＬＭＸ１Ｂ、ＮＨＥＪ１、ＳＹＮＥ２、ＴＴＣ１９、ＰＲＯＰ１、ＭＡＧＴ１、ＣＯＬ７Ａ１、ＦＡＮＣＤ２、ＦＳＣＮ２、ＮＤＵＦＡＦ１、ＭＴ－ＮＤ４、ＫＣＮＪ１、ＣＯＬ１２Ａ１、ＣＮＧＡ３、ＳＴＡＴ３、ＴＹＲＰ１、ＮＤＵＦＳ６、ＧＵＣＡ１Ｂ、ＳＬＣ２Ａ２、ＳＩＸ５、ＡＤＡＲ、ＳＬＣ３３Ａ１、ＣＣＤＣ３９、ＡＭＡＣＲ、ＧＡＮ、ＨＦＥ２、Ｂ３ＧＬＣＴ、ＥＦＮＢ１、ＵＱＣＲＢ、ＳＬＣ１２Ａ６、ＦＧＡ、ＨＰＳ３、ＸＲＣＣ２、ＭＴＲ、Ｃ８ｏｒｆ３７、ＡＣＴＮ４、ＥＶＣ２、ＴＨＡＰ１、ＴＲＰＳ１、ＩＤＨ３Ｂ、ＲＵＮＸ２、ＬＡＭＢ３、ＳＨ２Ｄ１Ａ、ＧＤＩ１、ＴＭＣ１、ＤＮＭＴ１、ＰＤＣＤ１０、ＭＲＰＳ２２、ＬＡＭＡ３、ＴＯＰＯＲＳ、ＣＨＫＢ、ＭＴＰＡＰ、ＣＹＰ１７Ａ１、ＰＯＭＧＮＴ２、ＳＬＣ１２Ａ１、ＺＩＣ３、ＧＬＩ２、ＲＤ３、ＡＬＡＳ２、ＲＰＬ３５Ａ、ＣＮＧＢ１、ＬＤＬＲＡＰ１、ＤＥＰＤＣ５、ＴＨＢＤ、ＤＹＲＫ１Ａ、ＳＬＣ１９Ａ２、ＤＮＡＩ２、ＰＧＡＭ２、ＰＮＫＤ、ＡＳＡＨ１、ＷＤＲ３５、ＶＫＯＲＣ１、ＤＯＣＫ８、ＰＨＧＤＨ、ＳＬＣ４５Ａ２、ＧＰ９、ＣＣＤＣ７８、ＳＰＴＬＣ１、ＩＬ１ＲＡＰＬ１、ＳＬＣ３５Ｃ１、ＵＢＥ２Ａ、ＮＲ０Ｂ１、ＣＡＶＩＮ１、ＡＣＯＸ１、ＡＧＲＮ、ＣＡ４、ＣＯＬ９Ａ３、ＣＮＧＡ１、ＬＡＭＣ２、ＤＴＮＢＰ１、ＥＩＦ２Ｂ２，ＴＴＰＡ、ＦＬＶＣＲ１、ＭＹＨ１４、ＥＲＢＢ２、ＩＴＧＢ３，ＶＬＤＬＲ、ＷＡＳＨＣ５、ＮＤＵＦＡ１１、Ｃ２ｏｒｆ７１、ＰＴＣＨＤ１，ＮＲＬ、ＡＬＤＨ４Ａ１、ＲＳＰＨ９、ＡＴＰ５Ｅ、ＧＫ、ＣＴＤＰ１、ＡＢＬ１，ＴＣＴＮ１、ＡＮＫ１、ＣＴＳＡ、ＳＬＣ４０Ａ１、ＡＫＴ３、Ｂ４ＧＡＴ１、ＺＭＰＳＴＥ２４、ＭＥＲＴＫ、ＥＩＦ２Ｂ４、ＥＲＣＣ８、ＮＵＢＰＬ、ＰＰＯＸ、ＰＤＬＩＭ３、ＰＮＰＬＡ６、ＴＮＸＢ、ＰＲＫＧ１、ＦＯＸＨ１、ＣＯＧ７、ＲＰＬ１１、ＧＰＨＮ、ＡＢＣＧ８、ＰＤＥ６Ｃ、Ｂ４ＧＡＬＴ７、Ｇ６ＰＣ３、ＧＮＡ１１、ＣＬＣＮ２、ＮＭＥ８、ＫＣＮＪ１３、ＨＥＰＡＣＡＭ、ＳＬＣＯ１Ｂ１、ＵＱＣＲＱ、ＮＤＵＦＡＦ４、ＴＭＥＭ１３８、ＭＴ－ＮＤ５、ＮＤＵＦＡＦ３、ＨＭＢＳ、ＮＨＰ２、ＩＦＩＴＭ５、ＭＢＴＰＳ２、ＳＭＮ２、ＰＤＥ６Ａ、ＶＳＸ２、ＭＹＯ６、ＣＰＯＸ、ＡＬＧ１３、ＣＣＤＣ４０、ＡＬＤＨ３Ａ２、ＮＩＰＡ１、ＴＳＨＲ、ＺＮＦ４２３、ＳＱＳＴＭ１、ＭＯＣＳ２、Ｌ２ＨＧＤＨ、ＳＣＯ１、ＴＵＢＢ４Ａ、ＴＣＯＦ１、ＭＯＣＳ１、ＭＴＯ１、ＣＩＢ２、ＨＩＮＴ１、ＫＩＡＡ２０２２、ＥＲＣＣ３、ＰＩＴＸ３、ＰＲＰＦ３、ＤＮＭ１Ｌ、ＴＣＴＮ３、ＦＨＬ２、ＣＡ２、ＧＲＨＰＲ、ＰＬＥＫＨＧ５、ＣＤＯＮ、ＫＬＨＬ４０、ＴＳＥＮ２、ＳＬＣ１Ａ３、ＲＧＲ、ＮＥＢＬ、Ｃ５ｏｒｆ４２、ＨＰＳ６、ＧＦＩ１、ＭＹＣＮ、ＬＺＴＲ１、ＢＲＷＤ３、ＴＳＥＮ３４、Ｆ１１、ＳＮＲＮＰ２００、ＧＮＡＴ２、ＡＬＧ１、ＴＭＥＭ１２６Ａ、ＳＰ７、ＫＬＨＬ７、ＴＵＦＭ、ＤＬＧ３、ＤＮＡＡＦ２、ＤＮＡＡＦ１、ＶＰＳ１３Ａ、ＮＯＰ１０、ＴＭＥＭ５、ＭＣＥＥ、ＳＴＸＢＰ２、ＭＥＤ２５、ＳＨＡＮＫ３、ＳＬＣ３Ａ１、ＴＥＣＴＡ、ＣＯＸ１０、ＣＨＲＮＧ、ＲＤＨ５、ＣＤＨＲ１、ＰＨＦ８、ＲＰＬ５、ＭＡＯＡ、ＧＦＰＴ１、ＲＡＢ３ＧＡＰ２、ＣＡＬＭ２、ＮＡＧＳ、ＰＯＬＲ１Ｃ、ＨＳＤ３Ｂ２、ＡＭＰＤ１、ＢＵＢ１Ｂ、ＮＥＫ８、ＴＵＢＡ８、Ｂ３ＧＡＬＮＴ２、ＦＬＴ３、ＭＡＴＲ３、ＫＲＴ５、ＧＤＦ６、ＧＲＥＭ１、ＡＶＰＲ２、ＤＮＡＬ１、ＺＤＨＨＣ９、ＣＴＣ１、ＡＬＤＯＡ、ＮＲ５Ａ１、ＣＹＢＢ、ＦＴＳＪ１、ＢＬＯＣ１Ｓ３、ＥＢＰ、ＤＣＡＦ１７、ＳＰＧ２１、ＡＣＡＤ８、ＡＢＣＢ７、Ｆ１２、ＧＬＲＢ、ＧＬＩＳ２、ＥＸＯＳＣ３、ＨＵＷＥ１、ＢＭＰ４、ＴＭＩＥ、ＧＮＰＴＧ、ＲＰＳ２６、ＩＴＧＡ２Ｂ、ＬＲＳＡＭ１、ＳＬＣ６Ａ３、ＡＬＤＨ１８Ａ１、ＳＥＲＰＩＮＣ１、ＫＬＦ１１、Ｆ７、ＲＰＳ１０、ＷＮＴ１０Ａ、ＮＦＩＸ、ＭＧＡＴ２、ＡＣＳＦ３、ＲＢＢＰ８、ＣＦＨＲ５、ＣＯＱ６、ＵＢＱＬＮ２、ＣＤＫＮ１Ｂ、ＳＵＯＸ、ＦＡＭ１２６Ａ、ＣＯＧ８、ＮＤＵＦＡ１０、ＳＭＡＲＣＥ１、ＡＬＧ８、ＧＳＳ、ＥＰＢ４２、ＲＰＬ１０、ＤＮＡＪＣ１９、ＮＡＡ１０、ＫＣＮＭＡ１、ＲＰＳ２４、ＳＴＸ１１、ＡＬＧ３、ＸＫ、ＭＦＲＰ、ＴＭＰＲＳＳ３、ＴＳＰＡＮ７、ＳＥＲＰＩＮＨ１、ＩＭＰＧ２、ＡＬＧ１２、ＳＥＲＰＩＮＥ１、ＳＬＣ１６Ａ１、ＴＣＩＲＧ１、ＳＴＩＭ１、ＥＴＶ６、ＣＬＣＮ７、ＧＤＦ２、ＳＬＣ３５Ａ１、ＦＡＭ１６１Ａ、ＡＲＩＤ１Ｂ、ＴＭＥＭ２３１、ＳＬＣ３５Ａ２、ＮＧＦ、ＣＯＸ４Ｉ２、ＰＯＵ１Ｆ１、ＧＬＩＳ３、ＴＡＦ１、ＰＮＰ、ＰＯＭＣ、ＫＩＦ１ＢＰ、ＢＬＫ、ＹＡＲＳ２、ＴＣＮ２、ＵＮＣ１３Ｄ、ＨＡＭＰ、ＨＯＧＡ１、ＡＣＡＤＳＢ、Ｂ４ＧＡＬＴ１、ＭＡＮＢＡ、ＫＡＴ６Ｂ、ＲＳＰＨ４Ａ、ＡＣＥ、ＥＤＡＲ、ＷＷＯＸ、ＦＡＲＳ２、ＧＮＡＱ、ＧＮＰＡＴ、ＡＮＫＨ、ＥＮＯ３、ＦＲＡＳ１、ＲＡＮＧＲＦ、ＧＡＬＥ、ＴＲＥＭ２、ＣＤ３Ｄ、ＬＥＰ、ＴＦＧ、ＩＥＲ３ＩＰ１、ＤＹＮＣ２Ｈ１、ＮＰＭ１、ＫＭＴ２Ａ、ＣＤ４０ＬＧ、ＰＹＧＬ、ＭＴ－ＣＹＢ、ＤＦＮＢ５９、ＭＲＰＳ１６、ＲＴＮ２、ＫＣＮＥ５、ＭＡＴＮ３、ＴＡＴ、ＮＤＵＦＶ２、ＣＤＡＮ１、ＳＴＳ、ＣＡＶ１、Ｂ３ＧＡＬＴ６、ＣＴＳＫ、ＣＡＬＲ３、ＫＣＮＶ２、ＡＰ４Ｍ１、ＳＥＲＰＩＮＧ１、ＧＹＳ１、ＨＰＳ５、ＳＴ３ＧＡＬ５、ＳＬＣ６Ａ５、ＡＲＩＤ１Ａ、ＰＲＫＲＡ、ＣＯＧ１、ＣＯＬ４Ａ２、ＥＦＥＭＰ１、ＰＩＫ３Ｒ２、ＭＴＦＭＴ、ＳＥＰＴ９、ＦＯＸＰ１、ＮＤＵＦＡＦ６、ＲＯＭ１、ＫＲＴ１４、ＳＬＣ２５Ａ１２、ＳＥＣ２３Ｂ、ＴＮＮＩ２、ＣＤ３Ｅ、ＨＰＤ、ＰＨＫＢ、ＡＩＰ、ＦＺＤ４、ＸＰＮＰＥＰ３、ＣＥＰ１６４、ＩＴＧＢ４、ＳＬＭＡＰ、ＰＡＢＰＮ１、ＴＢＣＥ、ＧＨＲ、ＮＯＧ、ＣＡＣＮＡ２Ｄ４、ＡＬＧ９、ＦＯＸＬ２、ＴＹＲＯＢＰ、ＴＨＲＢ、ＡＰ４Ｅ１、ＢＤＮＦ、ＡＫＴ２、ＤＳＰＰ、ＭＰＤＵ１、ＥＤＡＲＡＤＤ、ＴＰＭＴ、ＳＰＴＢＮ２、ＢＬＯＣ１Ｓ６、ＦＧＦ１４、ＣＴＳＦ、ＰＲＣＤ、ＳＲＤ５Ａ３、ＰＲＰＦ６、ＴＲＡＰＰＣ１１、ＰＨＫＡ２、ＣＯＣＨ、ＡＧＰＳ、ＥＡＲＳ２、ＦＯＸＥ３、ＩＧＢＰ１、ＲＢＰ３、ＰＫＬＲ、ＰＩＧＡ、ＭＡＴ１Ａ、ＳＰＴＬＣ２、ＣＥＰ６３、ＦＢＸＯ７、ＳＥＴＢＰ１、ＯＴＯＡ、ＲＴＥＬ１、ＰＴＦ１Ａ、ＬＥＰＲ、ＳＭＡＲＣＡＬ１、ＳＣＰ２、ＰＣＢＤ１、ＤＭＰ１、ＭＯＧＳ、ＣＮＴＮ１、ＴＮＰＯ３、ＰＯＬＲ３Ａ、ＳＬＣ４６Ａ１、ＦＯＸＩ１、ＭＹＯ１５Ａ、ＫＣＮＱ４、ＭＹＯＣ、ＰＹＣＲ１、ＡＰＯＡ５、ＧＲＨＬ２、ＰＯＲ、ＡＩＣＤＡ、ＫＩＳＳ１Ｒ、ＰＲＤＭ１６、ＡＲＳＥ、ＬＨＦＰＬ５、ＰＤＥ６Ｇ、ＨＡＲＳ、ＳＮＡＩ２、ＶＣＡＮ、ＳＭＰＸ、ＣＳＦ３Ｒ、ＣＯＬ１７Ａ１、ＬＯＸＨＤ１、ＭＴＴＰ、ＳＥＲＰＩＮＦ１、ＰＲＯＫＲ２、ＧＮＲＨＲ、Ｄ２ＨＧＤＨ、Ｂ９Ｄ２、ＺＡＰ７０、ＡＰ５Ｚ１、ＣＴＮＮＡ３、ＣＳＦ２ＲＡ、ＳＬＣ３４Ａ３、ＺＮＦ５１３、ＴＮＦＲＳＦ１１Ａ、ＣＴＲＣ、ＲＰ９、ＨＳＰＧ２、ＫＡＮＳＬ１、ＲＰＳ７、ＴＲＩＯＢＰ、ＣＥＬ、ＳＨＲＯＯＭ４、ＳＬＣ７Ａ７、ＲＦＴ１、ＡＤＡＭＴＳＬ４、ＡＢＣＡ１２、ＡＢＡＴ、ＬＰＩＮ２、ＥＲＣＣ５、ＨＧＦ、ＰＲＯＣ、ＬＨＸ４、ＲＯＧＤＩ、ＡＢＣＡ１、ＤＩＡＢＬＯ、ＥＳＣＯ２、ＰＲＤＭ５、ＰＨＫＧ２、ＦＲＥＭ１、ＰＲＯＤＨ、ＤＩＳ３Ｌ２、ＲＤＸ、ＷＲＡＰ５３、ＭＣ１Ｒ、ＡＣＶＲ１、ＺＮＦ７１１、ＩＦＴ８０、ＡＣＶＲ２Ｂ、ＥＦＴＵＤ２、ＬＴＢＰ２、ＭＥＧＦ１０、ＲＡＢ１８、ＣＬＤＮ１４、ＦＬＴ４、ＣＣＴ５、ＳＲＣＡＰ、ＥＳＲＲＢ、ＰＤＺＤ７、ＮＥＫ１、ＮＲ３Ｃ２、ＴＢＸ２０、ＤＮＡＪＢ２、ＦＡＳ、ＡＴＸＮ１０、ＣＦＨＲ１、ＧＤＦ５、ＰＳＴＰＩＰ１、ＡＲＨＧＥＦ６、ＴＤＰ１、ＧＵＣＡ１Ａ、ＯＸＣＴ１、ＰＰＰ２Ｒ２Ｂ、ＡＱＰ２、ＴＲＰＣ６、ＭＡＲＶＥＬＤ２、ＦＥＣＨ、ＯＡＴ、ＰＥＸ１１Ｂ、ＰＲＩＣＫＬＥ２、ＡＰＯＣ２、ＰＤＧＦＲＢ、ＣＡＣＮＡ１Ｈ、ＬＨＣＧＲ、ＳＡＲＳ２、ＬＲＴＯＭＴ、ＣＯＬ１０Ａ１、ＸＩＡＰ、ＵＮＧ、ＭＧＭＥ１、ＳＬＣ２６Ａ５、ＣＹＢＡ、ＰＩＴＰＮＭ３、ＰＴＨ１Ｒ、ＴＩＭＰ３、ＤＲＤ２，ＰＤＥ６Ｈ、ＡＬＸ４、ＴＸＮＲＤ２、ＯＢＳＬ１、ＯＲＣ１，ＧＨ１、ＣＳＰＰ１、ＬＥＦＴＹ２、ＣＣＤＣ５０、ＡＢＣＤ４、ＤＩＡＰＨ１、ＣＤＨ３、ＣＨＣＨＤ１０、ＰＡＸ８、ＧＤＮＦ、ＭＴ－ＣＯ１、ＨＡＲＳ２、ＨＴＲＡ１、ＢＭＰ１、ＭＳＲＢ３、ＺＤＨＨＣ１５、ＣＡＶＩＮ４、ＡＰ４Ｓ１、ＣＦＨＲ３、ＡＣＡＤＬ、ＮＤＵＦＡ９、ＭＳＸ１、ＭＹＯ３Ａ、ＣＹＰ１１Ｂ２、ＣＴＦ１、ＭＡＫ、ＡＰ４Ｂ１、ＩＦＴ１２２、ＡＢＨＤ５、ＭＡＲＳ、Ａ２ＭＬ１、ＣＨＳＴ３、ＣＹＬＤ、ＧＤＦ１、ＸＰＡ、ＭＴ－ＴＨ、ＴＰＲＮ、ＭＴ－ＴＱ、ＰＯＵ４Ｆ３、ＸＰＣ、ＧＲＩＮ１、ＧＩＰＣ３、ＣＹＰ２７Ｂ１，ＰＯＬＲ１Ｄ、ＬＨＸ３、ＴＧＦＢ１、ＴＯＲ１ＡＩＰ１、ＣＮＢＰ、ＧＭ２Ａ、ＤＤＨＤ２、ＴＲＰＭ１、ＢＣＫＤＫ、ＤＮＡＡＦ３、ＨＳＤ１１Ｂ２、ＡＤＡＭ９、ＣＬＣＮＫＡ、ＮＤＵＦＢ３、ＬＡＳ１Ｌ、ＭＡＧＩ２、ＡＮＫＲＤ１１、ＮＭＮＡＴ１、ＺＦＹＶＥ２７、ＤＮＭＴ３Ａ、ＰＲＯＫ２、ＳＭＡＲＣＡ２、ＧＦＥＲ、ＰＯＬＲ３Ｂ、ＮＤＵＦＡ１２、ＰＬＣＥ１、ＳＴＲＡ６、ＥＭＸ２、ＨＭＧＣＳ２、ＡＳＣＬ１、ＣＯＭＴ、ＰＲＯＳ１、ＫＣＮＣ３、ＩＬＫ、ＦＧＢ、Ｃ１０ｏｒｆ１１、ＩＬＤＲ１、ＡＮＫＲＤ２６、ＧＲＸＣＲ１、ＳＺＴ２、ＨＮＲＮＰＤＬ、ＫＩＦ１１、ＦＧＧ、ＤＤＣ、ＴＴＢＫ２、ＦＲＥＭ２、ＺＮＦ４６９、ＴＵＳＣ３、ＴＦＡＰ２Ａ、ＤＬＬ３、ＣＬＩＣ２、ＧＤＦ３、ＭＴ－ＴＳ２、ＣＹＰ３Ａ５、ＡＨＣＹ、ＬＤＨＡ、ＳＬＣ５２Ａ３、ＰＲＫＣＳＨ、ＡＣＹ１、ＡＣＯ２、ＫＣＮＫ３、ＡＭＥＲ１、ＷＮＴ１、ＭＡＲＳ２、ＮＹＸ、ＶＰＳ３５、ＵＲＯＳ、ＣＯＧ６、ＲＥＮ、ＡＶＰ、ＭＴＯＲ、ＴＢＸ３、ＲＢＭ１０、ＰＦＮ１、ＴＰＯ、ＭＹＢＰＣ１、ＳＥＲＰＩＮＢ６、ＰＴＰＲＣ、Ｈ１９、ＡＢＣＢ６、ＷＮＴ７Ａ、ＭＹＯ５Ａ、ＣＣＤＣ８８Ｃ、ＡＴＰ６Ｖ０Ａ４、ＯＳＴＭ１、ＳＲＤ５Ａ２、ＣＤＴ１、ＤＦＮＡ５、ＥＳＰＮ、ＭＹＦ６、ＵＳＢ１、ＤＤＯＳＴ、ＣＲＹＭ
、ＡＰＯＡ１、ＡＴＸＮ８ＯＳ、ＡＧＴＲ２、ＳＬＣ１７Ａ８、ＭＳＸ２、ＤＳＴ、ＬＴＢＰ４、ＫＬＨＬ３、ＡＡＡＳ、ＲＦＸ６、ＬＢＲ、ＣＹＰ３Ａ４、Ｆ１３Ａ１、ＲＡＸ２、ＲＡＣ２、ＰＲＥＰＬ、ＥＲＬＩＮ２、ＡＮＫ３、ＮＦＵ１、ＬＲＰ４、ＴＮＦＲＳＦ１３Ｂ、ＴＮＦＳＦ１１、ＳＮＡＰ２９、ＬＡＭＣ３、ＲＢＭ８Ａ、ＯＲＣ６、ＧＲＭ６、ＣＯＧ５、ＯＲＣ４、ＰＤＹＮ、ＣＲＥＬＤ１、ＳＬＣ５Ａ７、ＩＴＧＡ３、ＳＰＩＮＫ５、ＷＮＴ４、ＥＮＡＭ、Ｃ１ＱＴＮＦ５、ＰＤＫ３、ＨＴＲＡ２、ＧＮＢ４、ＷＮＫ４、ＣＯＧ４、ＭＴ－ＴＩ、ＨＳＰＢ３、ＭＴ－ＴＬ２、ＨＣＦＣ１、ＰＯＴ１、ＩＣＯＳ、ＳＩＧＭＡＲ１、ＡＴＰ２Ａ１、ＧＮＡＴ１、ＳＯＳ２、ＣＴＳＣ、ＦＯＸＰ２、ＴＭＥＭ１６５、ＣＸＣＲ４、ＳＨ３ＢＰ２、ＴＡＣＲ３、ＣＦＣ１、ＡＢＣＣ２、ＤＮＡＪＣ６、ＤＨＯＤＨ、ＣＰＡ６、ＡＫ２、ＨＯＸＤ１３、ＶＰＳ４５、ＰＬＯＤ３、ＫＲＴ１、ＭＴ－ＡＴＰ８、ＤＮＡＡＦ５、ＴＧＭ１、ＴＳＰＡＮ１２、ＩＦＴ１７２、ＣＤ２ＡＰ、ＭＲＰＬ３、ＬＩＦＲ、ＲＩＭＳ１、ＣＮＮＭ４、ＣＤＣ６、Ｆ１０、ＦＯＸＣ２、ＳＴＡＴ５Ｂ、ＰＩＫ３Ｒ１、ＯＲＡＩ１、ＺＮＦ８１、ＺＦＰ５７、ＣＹＰ２４Ａ１、ＧＬＥ１、ＣＯＬ１８Ａ１、ＴＩＡ１、ＲＰＬ２６、ＧＮＡＯ１、ＬＣＡＴ、ＶＤＲ、ＡＮＯ１０、ＴＮＮＴ３、ＬＺＴＦＬ１、ＣＯＬ４Ａ６、及びＳＨＡＮＫ２からなる群から選択される「臨床検査遺伝子」によってコードされる。
【0178】
ＩＶ．コンピュータシステム及び可読デバイス
本明細書に記載される方法、例えば、コンフォメーション動力学の生成（例えば、ＭＤシミュレーション）、次元削減、ＭＬモデル訓練、又はそれらの任意の組み合わせは、関与する計算の複雑さのため、コンピュータシステムを使用して実装され得る。したがって、いくつかの態様では、本開示は、システムを提供し、システムが、（ａ）メモリと、（ｂ）少なくとも１つのプロセッサであって、メモリに結合され、（ｉ）（例えば、ＭＤを使用して）参照分子のコンフォメーション動力学を生成することと、（ｉｉ）参照分子のシミュレーションされたコンフォメーション動力学を処理して、参照分子のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉｉ）参照分子構造の低次元コンフォメーションランドスケープからコンフォメーション状態を抽出して、バリアント分子（例えば、バリアントタンパク質）のシミュレーションにシードすることと、（ｉｖ）抽出されたコンフォメーション状態にある参照分子のシミュレーションされたコンフォメーションに少なくとも１つのミスセンス変異を導入することによって、バリアントタンパク質又はそのセットを生成することと、（ｖ）（例えば、ＭＤを使用して）バリアント分子又はそのセットのコンフォメーション動力学を生成することと、（ｖｉ）バリアント分子又はそのセットのコンフォメーション動力学を処理して、バリアント分子又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｖｉｉ）臨床データを訓練ラベルとして使用して、参照分子及びバリアント分子のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、参照分子におけるバリアント（例えば、ミスセンス変異）効果を分類する、訓練することと、を行うように構成された、少なくとも１つのプロセッサと、を含む。
本明細書に記載される方法、例えば、コンフォメーション動力学の生成（例えば、ＭＤシミュレーション）、次元削減、ＭＬモデル訓練、又はそれらの任意の組み合わせは、関与する計算の複雑さのため、コンピュータシステムを使用して実装され得る。したがって、いくつかの態様では、本開示は、システムを提供し、システムが、（ａ）メモリと、（ｂ）少なくとも１つのプロセッサであって、メモリに結合され、（ｉ）（例えば、ＭＤを使用して）参照分子のコンフォメーション動力学を生成することと、（ｉｉ）参照分子のシミュレーションされたコンフォメーション動力学を処理して、参照分子のコンフォメーションランドスケープの低次元表現を生成することと、（ｉｉｉ）参照分子構造の低次元コンフォメーションランドスケープからコンフォメーション状態を抽出して、バリアント分子（例えば、バリアントタンパク質）のシミュレーションにシードすることと、（ｉｖ）抽出されたコンフォメーション状態にある参照分子のシミュレーションされたコンフォメーションに少なくとも１つのミスセンス変異を導入することによって、バリアントタンパク質又はそのセットを生成することと、（ｖ）（例えば、ＭＤを使用して）バリアント分子又はそのセットのコンフォメーション動力学を生成することと、（ｖｉ）バリアント分子又はそのセットのコンフォメーション動力学を処理して、バリアント分子又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｖｉｉ）臨床データを訓練ラベルとして使用して、参照分子及びバリアント分子のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、参照分子におけるバリアント（例えば、ミスセンス変異）効果を分類する、訓練することと、を行うように構成された、少なくとも１つのプロセッサと、を含む。
【0179】
本開示はまた、有形コンピュータ可読デバイスを提供し、有形コンピュータ可読デバイスが、それに記憶された命令を有し、少なくとも１つの計算デバイスによって実行されると、少なくとも１つの計算デバイスに、（ａ）（例えば、ＭＤを使用して）参照分子（例えば、参照タンパク質）のコンフォメーション動力学を生成することと、（ｂ）参照分子のコンフォメーション動力学を処理して、参照分子のコンフォメーションランドスケープの低次元表現を生成することと、（ｃ）参照分子の低次元コンフォメーションランドスケープから状態を抽出して、バリアント分子のシミュレーションにシードすることと、（ｄ）抽出された状態にある参照分子のシミュレーションされたコンフォメーションに少なくとも１つのバリアント（例えば、ミスセンス変異）を導入することによって、バリアント分子又はそのセットを生成することと、（ｅ）（例えば、ＭＤを使用して）バリアント分子又はそのセットのコンフォメーション動力学を生成することと、（ｆ）バリアント分子又はそのセットのコンフォメーション動力学を処理して、バリアント分子又はそのセットのコンフォメーションランドスケープの低次元表現を生成することと、（ｇ）臨床データを訓練ラベルとして使用して、参照分子及びバリアント分子のコンフォメーションランドスケープの低次元表現を使用して、機械学習予測モデルを訓練することであって、予測モデルが、参照分子におけるバリアント（例えば、タンパク質ミスセンス変異）効果を分類する、訓練することと、を含む動作を行わせる。
【0180】
本開示は、本明細書に記載の方法、例えば、バリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／若しくは予測するためのＭＬ予測モデル、並びに／又はそのようなＭＬ予測モデルを生成するステップを実装するためのコンピュータシステムを提供する。コンピュータシステムは、１つ以上のプロセッサ、メモリ、入力／出力インターフェース、及びネットワークインターフェースを含む装置又はデバイスである。いくつかの態様では、コンピュータシステムは、プロセッサ、入力デバイス、出力デバイス、記憶デバイス、コンピュータ可読記憶媒体リーダ、通信システム、処理加速（例えば、ＤＳＰ又は特殊目的プロセッサ）、及びメモリを含む、バスを介して電気的に結合されたハードウェア要素を含む。
【0181】
コンピュータ可読記憶媒体リーダは、コンピュータ可読記憶媒体に更に結合され得、この組み合わせは、リモート、ローカル、固定された及び／又は取り外し可能な記憶デバイスに加えて、一時的及び／又はより永続的にコンピュータ可読情報を含むための記憶媒体、メモリなどを包括的に表し、これは、記憶デバイス、メモリ、及び／又は任意の他のそのようなアクセス可能なシステムリソースを含み得る。いくつかの態様では、メモリは、１つ以上のプロセッサと通信可能に結合される。１つ以上のプロセッサは、本明細書に記載の方法を実装するためのコンピュータプログラム命令を実行するように構成される。コンピュータプログラム命令は、メモリ上に記憶され、かつ／又はメモリによって提供される。コンピュータの例としては、パーソナルコンピュータ、ラップトップ、コンピュータクラスター、スーパーコンピュータ、及び任意の他のタイプのコンピュータが挙げられる。
【0182】
メモリは、コンピュータ可読媒体の一例である。それは、コンピュータ可読媒体内の揮発性記憶デバイス、ランダムアクセスメモリ（ＲＡＭ）、及び／又は読み取り専用メモリ（ＲＯＭ）若しくはフラッシュメモリ（フラッシュＲＡＭ）などの不揮発性メモリを含み得る。コンピュータ可読媒体には、永久的、非永久的、リムーバブル、及びノンリムーバブル媒体が含まれる。コンピュータ可読コマンド、データ構造、プログラムモジュールは、コンピュータ可読媒体に記憶された情報の例である。コンピュータ記憶媒体の例としては、相変化メモリ（ＰＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、他のタイプのランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、フラッシュメモリ、コンパクトディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）、ディジット多機能ディスク（ＤＶＤ）、及び磁気テープが挙げられる。コンピュータ可読媒体は、変調されたデータ信号及び搬送波などの一時的（ｔｅｍｐｏｒａｒｙ）又は一時的（ｔｒａｎｓｉｔｏｒｙ）なコンピュータ可読媒体を含まない。
【0183】
コンピュータプロセッサは、マルチコアＣＰＵ、マルチＣＰＵコンピュータ及びコンピュータクラスター、多コアＣＰＵ、汎用グラフィカルプロセッサユニット（ｇｐＧＰＵ）、及び他のコンピュータプロセッサを含む複数のコンポーネントを含む。
【0184】
実施形態では、本明細書に記載の方法、例えば、バリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／若しくは予測するためのＭＬ予測モデル、並びに／又はそのようなＭＬ予測モデルを生成するステップは、シミュレーション及び分析を行うのに十分な計算能力を有するコンピュータプロセッサを使用して実行される。現在、分子シミュレーション及び機械学習は、マルチコアＣＰＵ、マルチＣＰＵシステム、及び汎用ＧＰＵなどの並列アーキテクチャ上で行われる。実施形態では、本明細書に記載の方法、例えば、バリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／若しくは予測するためのＭＬ予測モデル、並びに／又はそのようなＭＬ予測モデルを生成するステップを行うためのコンピュータシステムは、シミュレーション及び分析に十分な速度で、ディスク、ディスクアレイ、ソリッドステートドライブ（ＳＳＤ）などの計算及びストレージに十分なメモリを含む。
【0185】
単一のアーキテクチャを利用して、現在望ましいプロトコル、プロトコルのバリエーション、拡張などに従って更に構成され得る、１つ以上のサーバを実装することができる。しかしながら、態様がより具体的なアプリケーション要件に従って十分に利用され得ることは、当業者には明白であろう。カスタマイズされたハードウェアも利用され得、及び／又は特定の要素は、ハードウェア、ソフトウェア、又はその両方に実装され得る。更に、ネットワーク入力／出力デバイス（図示せず）などの他の計算デバイスへの接続が用いられ得るが、有線、無線、モデム、及び／又は他の接続若しくは他の計算デバイスへの接続も用いられ得ることを理解されたい。
【0186】
一態様では、システムは、入力データを１つ以上のプロセッサに提供するための１つ以上のデバイスを更に含む。システムは、ランク付けされたデータ要素のデータセットを記憶するためのメモリを更に備える。別の態様では、入力データを提供するためのデバイスは、例えば、蛍光プレートリーダ、質量分析計、遺伝子チップリーダ、又は遺伝子シーケンサーなどのデータ要素の特徴を検出するための検出器を含む。
【0187】
システムは、更に、データベース管理システムを含み得る。ユーザのリクエスト又はクエリは、クエリを処理して訓練セットのデータベースから関連情報を抽出するデータベース管理システムによって理解される適切な言語でフォーマットされ得る。システムは、ネットワークサーバ及び１つ以上のクライアントが接続されているネットワークに接続可能であり得る。ネットワークは、当該技術分野で知られているように、ローカルエリアネットワーク（ＬＡＮ）又はワイドエリアネットワーク（ＷＡＮ）であってもよい。好ましくは、サーバは、ユーザリクエストを処理するためのデータベースデータにアクセスするためにコンピュータプログラム製品（例えば、ソフトウェア）を実行するために必要なハードウェアを含む。システムは、データ要素に関するデータ（例えば、式の値）をシステムに提供するための入力デバイスと通信することができる。
【0188】
本明細書に記載のいくつかの態様は、コンピュータプログラム製品を含むように実装され得る。コンピュータプログラム製品は、データベースを備えたコンピュータ上でアプリケーションプログラムを実行させるために、媒体に組み込まれたコンピュータ可読プログラムコードを有するコンピュータ可読媒体を含み得る。本明細書で使用される場合、「コンピュータプログラム製品」とは、あらゆる性質の物理媒体（例えば、書面、電子、磁気、光学、又はその他）に含まれ、コンピュータ又は他の自動化されたデータ処理システムとともに使用され得る自然言語又はプログラミング言語ステートメントの形式で組織化された一連の命令を指す。そのようなプログラミング言語ステートメントは、コンピュータ又はデータ処理システムによって実行されると、コンピュータ又はデータ処理システムに、ステートメントの特定のコンテンツに従って動作させる。
【0189】
コンピュータプログラム製品には、限定されないが、ソースコード及びオブジェクトコードのプログラム、並びに／又はコンピュータ可読媒体に埋め込まれた試験又はデータライブラリが含まれる。更に、コンピュータシステム又はデータ処理装置デバイスが事前に選択された方法で動作することを可能にするコンピュータプログラム製品は、いくつかの形態で提供され得、これには、オリジナルソースコード、アセンブリコード、オブジェクトコード、機械言語、前述の暗号化された又は圧縮されたバージョン、及び任意の同等物が含まれるが、これらに限定されない。一態様では、コンピュータプログラム製品は、例えば、本明細書に開示されるＭＬ予測モデルによるバリアントタンパク質の分類に基づいて、特定の療法を投与するかどうかを決定するために、本明細書に開示される治療、診断、予後診断、又はモニタリング方法を実装するために提供される。
【0190】
いくつかの態様では、コンピュータプログラム製品は、コンピュータ可読媒体を含み、計算デバイス若しくはシステムのプロセッサによって実行可能なプログラムコード、本明細書に開示されるコンピュータ実装方法のうちの少なくとも１つを実行するプログラムコード、又は本明細書に開示される方法に従って生成されるＭＬ予測モデルを具現化する。いくつかの態様では、コンピュータ可読媒体は、事前に計算されたＭＤ構造、事前に計算されたモデル、事前に計算されたバリアント病原性スコア、又はそれらの任意の組み合わせのライブラリを含み得る。
【0191】
様々な態様が方法又は装置として説明されてきたが、態様は、コンピュータと結合されたコード（例えば、コンピュータ上に常駐するコード又はコンピュータによってアクセス可能なコード）を通して実装され得ることを理解されたい。例えば、ソフトウェア及びデータベースを利用して、上記の方法の多くを実装することができる。したがって、ハードウェアによって達成される態様に加えて、これらの態様は、その中に具体化されたコンピュータ可読プログラムコードを有するコンピュータ使用可能媒体から構成される製品を使用して達成され得、これにより、本説明に開示される機能が可能になることにも留意されたい。したがって、態様もまた、それらのプログラムコード手段において本特許によって保護されているとみなされることが望ましい。
【0192】
更に、いくつかの態様は、限定されないが、ＲＡＭ、ＲＯＭ、磁気媒体、光学媒体、又は磁気光学媒体を含む実質的に任意の種類のコンピュータ可読メモリに記憶されたコードであり得る。更により一般的には、いくつかの態様は、汎用プロセッサ、マイクロコード、ＰＬＡ、又はＡＳＩＣ上で動作するソフトウェアを含むがこれらに限定されない、ソフトウェア若しくはハードウェア、又はそれらの任意の組み合わせで実装され得る。
【0193】
いくつかの態様は、搬送波に具現化されたコンピュータ信号、並びに伝送媒体を介して伝播された信号（例えば、電気的及び光学的）として達成され得ることも想定される。したがって、上で論じた様々なタイプの情報は、データ構造などの構造でフォーマットされ得、伝送媒体を介して電気信号として伝送され得るか、又はコンピュータ可読媒体に記憶され得る。
【0194】
Ｖ．コンパニオン診断
本明細書に開示される方法又は本明細書に記載される生成される予測モデルは、潜在的な治療選択肢について臨床医又は患者に通知するために、例えば、ウェブサーバを介して利用可能なコンパニオン診断として提供され得る。本明細書に開示される方法は、生体試料を採取するか、又はそうでなければ生体試料を取得し、（例えば、本明細書に開示されるＭＬ予測モデルを適用して）分析方法を行って、バリアント（例えば、バリアントタンパク質における変異）を、例えば、病原性として分類し、割り当てに基づいて、患者に投与するための好適な治療を提供することを含み得る。
本明細書に開示される方法又は本明細書に記載される生成される予測モデルは、潜在的な治療選択肢について臨床医又は患者に通知するために、例えば、ウェブサーバを介して利用可能なコンパニオン診断として提供され得る。本明細書に開示される方法は、生体試料を採取するか、又はそうでなければ生体試料を取得し、（例えば、本明細書に開示されるＭＬ予測モデルを適用して）分析方法を行って、バリアント（例えば、バリアントタンパク質における変異）を、例えば、病原性として分類し、割り当てに基づいて、患者に投与するための好適な治療を提供することを含み得る。
【0195】
ＶＩ．ＭＬ予測モデルの精度及び臨床性能メトリック
一般に、医学的診断のために開発された予測モデルは、検証され、その正確性は、医師によって信頼できると判断されるべきである。複数の性能指標を使用して、精度、ＲＯ曲線、カッパ統計、ＭＡＥ、ＲＭＳＥなどのＭＬ予測モデルを検証することができる。
一般に、医学的診断のために開発された予測モデルは、検証され、その正確性は、医師によって信頼できると判断されるべきである。複数の性能指標を使用して、精度、ＲＯ曲線、カッパ統計、ＭＡＥ、ＲＭＳＥなどのＭＬ予測モデルを検証することができる。
【0196】
本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの精度は、９５％信頼区間（ＣＩ）によって決定することができる。一般に、予測モデルは、９５％ＣＩが１と重複しない場合、良好な精度を有するとみなされる。いくつかの態様では、予測モデルの９５％ＣＩは、少なくとも約１．０８、少なくとも約１．１０、少なくとも約１．１２、少なくとも約１．１４、少なくとも約１．１５、少なくとも約１．１６、少なくとも約１．１７、少なくとも約１．１８、少なくとも約１．１９、少なくとも約１．２０、少なくとも約１．２１、少なくとも約１．２２、少なくとも約１．２３、少なくとも約１．２４、少なくとも約１．２５、少なくとも約１．２６、少なくとも約１．２７、少なくとも約１．２８、少なくとも約１．２９、少なくとも約１．３０、少なくとも約１．３１、少なくとも約１．３２、少なくとも約１．３３、少なくとも約１．３４、若しくは少なくとも約１．３５、又はそれ以上である。予測モデルの９５％ＣＩは、少なくとも約１．１４、少なくとも約１．１５、少なくとも約１．１６、少なくとも約１．２０、少なくとも約１．２１、少なくとも約１．２６、又は少なくとも約１．２８であり得る。予測モデルの９５％ＣＩは、約１．７５未満、約１．７４未満、約１．７３未満、約１．７２未満、約１．７１未満、約１．７０未満、約１．６９未満、約１．６８未満、約１．６７未満、約１．６６未満、約１．６５未満、約１．６４未満、約１．６３未満、約１．６２未満、約１．６１未満、約１．６０未満、約１．５９未満、約１．５８未満、約１．５７未満、約１．５６未満、約１．５５未満、約１．５４未満、約１．５３未満、約１．５２未満、約１．５１未満、約１．５０未満、又はそれ以下であり得る。予測モデルの９５％ＣＩは、約１．６１未満、約１．６０未満、約１．５９未満、約１．５８未満、約１．５６、１．５５、又は１．５３未満であり得る。予測モデルの９５％ＣＩは、約１．１０～１．７０、約１．１２～約１．６８、約１．１４～約１．６２、約１．１５～約１．６１、約１．１５～約１．５９、約１．１６～約１．１６０、約１．１９～約１．５５、約１．２０～約１．５４、約１．２１～約１．５３、約１．２６～約１．６３、約１．２７～約１．６１、又は約１．２８～約１．６０であり得る。
【0197】
いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの精度は、９５％ＣＩの範囲の差（例えば、９５％ＣＩ間隔の高い値と低い値との差）に依存する。一般に、９５％ＣＩ間隔の範囲に大きな差を有するＭＬ予測モデルは、９５％ＣＩ間隔の範囲に小さな差を有するＭＬ予測モデルよりも変動が大きく、精度が低いと考えられる。いくつかの態様では、９５％ＣＩの範囲の差が、約０．６０未満、約０．５５未満、約０．５０未満、約０．４９未満、約０．４８未満、約０．４７未満、約０．４６未満、約０．４５未満、約０．４４未満、約０．４３未満、約０．４２未満、約０．４１未満、約０．４０未満、約０．３９未満、約０．３８未満、約０．３７未満、約０．３６未満、約０．３５未満、約０．３４未満、約０．３３未満、約０．３２未満、約０．３１未満、約０．３０未満、約０．２９未満、約０．２８未満、約０．２７未満、約０．２６未満、約０．２５未満、又はそれ以下である場合、ＭＬ予測モデルは、より正確であるとみなされる。ＭＬ予測モデルの９５％ＣＩの範囲の差は、約０．４８未満、約０．４５未満、約０．４４未満、約０．４２未満、約０．４０未満、約０．３７未満、約０．３５未満、約０．３３未満、又は約０．３２未満であり得る。いくつかの態様では、ＭＬ予測モデルの９５％ＣＩの範囲の差は、約０．２５～約０．５０、約０．２７～約０．４７、又は約０．３０～約０．４５である。いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの感度は、少なくとも約６０％である。いくつかの態様では、感度は、少なくとも約６５％である。いくつかの態様では、感度は、少なくとも約７０％である。いくつかの態様では、感度は、少なくとも約７５％である。いくつかの態様では、感度は、少なくとも約８０％である。いくつかの態様では、感度は、少なくとも約８５％である。いくつかの態様では、感度は、少なくとも約９０％である。いくつかの態様では、感度は、少なくとも約９５％である。いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルは、臨床的に有意である。いくつかの態様では、ＭＬ予測モデルの臨床的有意性は、ＡＵＣ値によって決定される。臨床的に有意であるために、ＡＵＣ値が、少なくとも約０．５、少なくとも約０．５５、少なくとも約０．６、少なくとも約０．６５、少なくとも約０．７、少なくとも約０．７５、少なくとも約０．８、少なくとも約０．８５、少なくとも約０．９、又は少なくとも約０．９５である。予測モデルの臨床的有意性は、パーセント精度によって決定され得る。例えば、予測モデルの精度が、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７２％、少なくとも約７５％、少なくとも約７７％、少なくとも約８０％、少なくとも約８２％、少なくとも約８４％、少なくとも約８６％、少なくとも約８８％、少なくとも約９０％、少なくとも約９２％、少なくとも約９４％、少なくとも約９６％、又は少なくとも約９８％である場合、予測モデルが臨床的に有意であると決定される。他の態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、中央値倍率差（ＭＤＦ）値によって決定される。臨床的に有意であるために、ＭＤＦ値は、少なくとも約０．８、少なくとも約０．９、少なくとも約１．０、少なくとも約１．１、少なくとも約１．２、少なくとも約１．３、少なくとも約１．４、少なくとも約１．５、少なくとも約１．６、少なくとも約１．７、少なくとも約１．９、又は少なくとも約２．０である。いくつかの態様では、ＭＤＦ値は、１．１以上である。他の態様では、ＭＤＦ値は、１．２以上である。代替的に、又は追加的に、ＭＬ予測モデルの臨床的有意性は、ｔ検定のＰ値によって決定される。いくつかの態様では、臨床的に有意であるために、ｔ検定Ｐ値は、約０．０７０未満、約０．０６５未満、約０．０６０未満、約０．０５５未満、約０．０５０未満、約０．０４５未満、約０．０４０未満、約０．０３５未満、約０．０３０未満、約０．０２５未満、約０．０２０未満、約０．０１５未満、約０．０１０未満、約０．００５未満、約０．００４未満、又は約０．００３未満である。ｔ検定のＰ値は、約０．０５０未満であり得る。代替的に、ｔ検定のＰ値は、約０．０１０未満である。いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、臨床転帰によって決定される。例えば、異なる臨床転帰は、予測モデルが臨床的に有意であるかどうかを決定するＡＵＣ値、ＭＤＦ値、ｔ検定のＰ値、及び精度値について、異なる最小又は最大閾値を有し得る。別の例では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルは、ｔ検定のＰ値が、約０．０８未満、約０．０７未満、約０．０６未満、約０．０５未満、約０．０４未満、約０．０３未満、約０．０２未満、約０．０１未満、約０．００５未満、約０．００４未満、約０．００３未満、約０．００２未満、又は約０．００１未満であった場合、臨床的に有意であるとみなされる。いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの性能は、オッズ比に基づく。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルは、オッズ比が、少なくとも約１．３０、少なくとも約１．３１、少なくとも約１．３２、少なくとも約１．３３、少なくとも約１．３４、少なくとも約１．３５、少なくとも約１．３６、少なくとも約１．３７、少なくとも約１．３８、少なくとも約１．３９、少なくとも約１．４０、少なくとも約１．４１、少なくとも約１．４２、少なくとも約１．４３、少なくとも約１．４４、少なくとも約１．４５、少なくとも約１．４６、少なくとも約１．４７、少なくとも約１．４８、少なくとも約１．４９、少なくとも約１．５０、少なくとも約１．５２、少なくとも約１．５５、少なくとも約１．５７、少なくとも約１．６０、少なくとも約１．６２、少なくとも約１．６５、少なくとも約１．６７、少なくとも約１．７０、又はそれ以上である場合、良好な性能を有するとみなされ得る。いくつかの態様では、ＭＬ予測モデルのオッズ比は、少なくとも約１．３３である。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ）に基づいてもよい。予測モデルの単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ）は、約０～約０．４であり得る。予測モデルの単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ）は、約０～約０．３であり得る。予測モデルの単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ）は、約０～約０．２であり得る。ＭＬ予測モデルの単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ））は、０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの単変量解析オッズ比Ｐ値（ｕｖａＯＲＰｖａｌ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、多変数解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０～約１であり得る。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０～約０．９であり得る。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０～約０．８であり得る。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０．９０以下、約０．８８以下、約０．８６以下、約０．８４以下、約０．８２以下、又は約０．８０以下であり得る。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０．７８以下、約０．７６以下、約０．７４以下、約０．７２以下、約０．７０以下、約０．６８以下、約０．６６以下、約０．６４以下、約０．６２以下、約０．６０以下、約０．５８以下、約０．５６以下、約０．５４以下、約０．５２以下、又は約０．５０以下であり得る。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０．４８以下、約０．４６以下、約０．４４以下、約０．４２以下、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、約０．３２以下、約０．３０以下、約０．２８以下、約０．２６以下、約０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。ＭＬ予測モデルの多変数解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの多変量解析オッズ比Ｐ値（ｍｖａＯＲＰｖａｌ））は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、カプランマイヤーＰ値（ＫＭ Ｐ値）に基づいてもよい。ＭＬ予測モデルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０～約０．８であり得る。ＭＬ予測モデルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０～約０．７であり得る。ＭＬ予測モデルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０．８０以下、約０．７８以下、約０．７６以下、約０．７４以下、約０．７２以下、約０．７０以下、約０．６８以下、約０．６６以下、約０．６４以下、約０．６２以下、約０．６０以下、約０．５８以下、約０．５６以下、約０．５４以下、約０．５２以下、又は約０．５０以下であり得る。ＭＬ予測モデルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０．４８以下、約０．４６以下、約０．４４以下、約０．４２以下、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、約０．３２以下、約０．３０以下、約０．２８以下、約０．２６以下、約０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。ＭＬ予測モデ
ルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）に基づいてもよい。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０～１であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０～約０．９であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約１以下、約０．９８以下、約０．９６以下、約０．９４以下、約０．９２以下、約０．９０以下、約０．８８以下、約０．８６以下、約０．８４以下、約０．８２以下、又は約０．８０以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．８０以下、約０．７８以下、約０．７６以下、約０．７４以下、約０．７２以下、約０．７０以下、約０．６８以下、約０．６６以下、約０．６４以下、約０．６２以下、約０．６０以下、約０．５８以下、約０．５６以下、約０．５４以下、約０．５２以下、又は約０．５０以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．４８以下、約０．４６以下、約０．４４以下、約０．４２以下、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、約０．３２以下、約０．３０以下、約０．２８以下、約０．２６以下、約０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的意義は、単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０～約０．４であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０～約０．３であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、又は約０．３２以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．３０以下、約０．２９以下、約０．２８以下、約０．２７以下、約０．２６以下、約０．２５以下、約０．２４以下、約０．２３以下、約０．２２以下、約０．２１以下、又は約０．２０以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約１であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約０．９であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約１以下、約０．９８以下、約０．９６以下、約０．９４以下、約０．９２以下、約０．９０以下、約０．８８以下、約０．８６以下、約０．８４以下、約０．８２以下、又は約０．８０以下であり得る。ＭＬ予測モデルの多変量解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．８０以下、約０．７８以下、約０．７６以下、約０．７４以下、約０．７２以下、約０．７０以下、約０．６８以下、約０．６６以下、約０．６４以下、約０．６２以下、約０．６０以下、約０．５８以下、約０．５６以下、約０．５４以下、約０．５２以下、又は約０．５０以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．４８以下、約０．４６以下、約０．４４以下、約０．４２以下、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、約０．３２以下、約０．３０以下、約０．２８以下、約０．２６以下、約０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２、又は約０．１１以下である。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約０．６０であり得る。ＭＬ予測モデルの有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約０．５０であり得る。予測モデルの有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．５０以下、約０．４７以下、約０．４５以下、約０．４３以下、約０．４０以下、約０．３８以下、約０．３５以下、約０．３３以下、約０．３０以下、約０．２８以下、約０．２５以下、約０．２２以下、約０．２０以下、約０．１８以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、約０．１１、又は約０．１０以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．０１以下、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの性能は、ＡＵＣ値によって決定され得、性能の改善は、本明細書に開示されるＭＬ予測モデルのＡＵＣ値と現在の予測モデルのＡＵＣ値との差によって決定され得る。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値が、現在の予測モデルのＡＵＣ値よりも少なくとも約０．０５、少なくとも約０．０６、少なくとも約０．０７、少なくとも約０．０８、少なくとも約０．０９、少なくとも約０．１０、少なくとも約０．１１、少なくとも約０．１２、少なくとも約０．１３、約０．１４、少なくとも約０．１５、少なくとも約０．１６、少なくとも約０．１７、少なくとも約０．１８、少なくとも約０．１９、少なくとも約０．２０、少なくとも約０．０２２、少なくとも約０．２５、少なくとも約０．２７、少なくとも約０．３０、少なくとも約０．３２、少なくとも約０．３５、少なくとも約０．３７、少なくとも約０．４０、少なくとも約０．４２、少なくとも約０．４５、少なくとも約０．４７、若しくは少なくとも約０．５０、又はそれ以上大きい場合、本明細書に開示されるＭＬ予測モデルは、現在の予測モデルよりも優れている。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値は、現在の予測モデルのＡＵＣ値よりも少なくとも約０．１０大きい。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値は、現在の予測モデルのＡＵＣ値よりも少なくとも約０．１３大きい。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値は、現在の予測モデルのＡＵＣ値よりも少なくとも約０．１８大きい。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの性能は、オッズ比によって決定され得、性能の改善は、本明細書に開示されるＭＬ予測モデルのオッズ比と現在の予測モデルのオッズ比とを比較することによって決定され得る。２つ以上の予測モデルの性能の比較は、一般に、第１の予測モデルの（１オッズ比）の絶対値と第２の予測モデルの（１オッズ比）の絶対値との比較に基づくことができる。一般に、（１オッズ比）の絶対値がより大きい予測モデルは、（１オッズ比）の絶対値がより小さい予測モデルと比較して、より優れた性能を有するとみなされ得る。
ルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルのカプランマイヤーＰ値（ＫＭ Ｐ値）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）に基づいてもよい。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０～１であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０～約０．９であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約１以下、約０．９８以下、約０．９６以下、約０．９４以下、約０．９２以下、約０．９０以下、約０．８８以下、約０．８６以下、約０．８４以下、約０．８２以下、又は約０．８０以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．８０以下、約０．７８以下、約０．７６以下、約０．７４以下、約０．７２以下、約０．７０以下、約０．６８以下、約０．６６以下、約０．６４以下、約０．６２以下、約０．６０以下、約０．５８以下、約０．５６以下、約０．５４以下、約０．５２以下、又は約０．５０以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．４８以下、約０．４６以下、約０．４４以下、約０．４２以下、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、約０．３２以下、約０．３０以下、約０．２８以下、約０．２６以下、約０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの生存率ＡＵＣ値（ｓｕｒｖＡＵＣ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的意義は、単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０～約０．４であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０～約０．３であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、又は約０．３２以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．３０以下、約０．２９以下、約０．２８以下、約０．２７以下、約０．２６以下、約０．２５以下、約０．２４以下、約０．２３以下、約０．２２以下、約０．２１以下、又は約０．２０以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、又は約０．１１以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの単変量解析ハザード比Ｐ値（ｕｖａＨＲＰｖａｌ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約１であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約０．９であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約１以下、約０．９８以下、約０．９６以下、約０．９４以下、約０．９２以下、約０．９０以下、約０．８８以下、約０．８６以下、約０．８４以下、約０．８２以下、又は約０．８０以下であり得る。ＭＬ予測モデルの多変量解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．８０以下、約０．７８以下、約０．７６以下、約０．７４以下、約０．７２以下、約０．７０以下、約０．６８以下、約０．６６以下、約０．６４以下、約０．６２以下、約０．６０以下、約０．５８以下、約０．５６以下、約０．５４以下、約０．５２以下、又は約０．５０以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．４８以下、約０．４６以下、約０．４４以下、約０．４２以下、約０．４０以下、約０．３８以下、約０．３６以下、約０．３４以下、約０．３２以下、約０．３０以下、約０．２８以下、約０．２６以下、約０．２５以下、約０．２２以下、約０．２１以下、約０．２０以下、約０．１９以下、約０．１８以下、約０．１７以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２、又は約０．１１以下である。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの臨床的有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約０．６０であり得る。ＭＬ予測モデルの有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０～約０．５０であり得る。予測モデルの有意性は、多変量分析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）に基づいてもよい。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．５０以下、約０．４７以下、約０．４５以下、約０．４３以下、約０．４０以下、約０．３８以下、約０．３５以下、約０．３３以下、約０．３０以下、約０．２８以下、約０．２５以下、約０．２２以下、約０．２０以下、約０．１８以下、約０．１６以下、約０．１５以下、約０．１４以下、約０．１３以下、約０．１２以下、約０．１１、又は約０．１０以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．１０以下、約０．０９以下、約０．０８以下、約０．０７以下、約０．０６以下、約０．０５以下、約０．０４以下、約０．０３以下、約０．０２以下、又は約０．０１以下であり得る。ＭＬ予測モデルの多変数解析ハザード比Ｐ値（ｍｖａＨＲＰｖａｌ）は、約０．０１以下、約０．００９以下、約０．００８以下、約０．００７以下、約０．００６以下、約０．００５以下、約０．００４以下、約０．００３以下、約０．００２以下、又は約０．００１以下であり得る。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの性能は、ＡＵＣ値によって決定され得、性能の改善は、本明細書に開示されるＭＬ予測モデルのＡＵＣ値と現在の予測モデルのＡＵＣ値との差によって決定され得る。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値が、現在の予測モデルのＡＵＣ値よりも少なくとも約０．０５、少なくとも約０．０６、少なくとも約０．０７、少なくとも約０．０８、少なくとも約０．０９、少なくとも約０．１０、少なくとも約０．１１、少なくとも約０．１２、少なくとも約０．１３、約０．１４、少なくとも約０．１５、少なくとも約０．１６、少なくとも約０．１７、少なくとも約０．１８、少なくとも約０．１９、少なくとも約０．２０、少なくとも約０．０２２、少なくとも約０．２５、少なくとも約０．２７、少なくとも約０．３０、少なくとも約０．３２、少なくとも約０．３５、少なくとも約０．３７、少なくとも約０．４０、少なくとも約０．４２、少なくとも約０．４５、少なくとも約０．４７、若しくは少なくとも約０．５０、又はそれ以上大きい場合、本明細書に開示されるＭＬ予測モデルは、現在の予測モデルよりも優れている。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値は、現在の予測モデルのＡＵＣ値よりも少なくとも約０．１０大きい。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値は、現在の予測モデルのＡＵＣ値よりも少なくとも約０．１３大きい。いくつかの態様では、本明細書に開示されるＭＬ予測モデルのＡＵＣ値は、現在の予測モデルのＡＵＣ値よりも少なくとも約０．１８大きい。本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの性能は、オッズ比によって決定され得、性能の改善は、本明細書に開示されるＭＬ予測モデルのオッズ比と現在の予測モデルのオッズ比とを比較することによって決定され得る。２つ以上の予測モデルの性能の比較は、一般に、第１の予測モデルの（１オッズ比）の絶対値と第２の予測モデルの（１オッズ比）の絶対値との比較に基づくことができる。一般に、（１オッズ比）の絶対値がより大きい予測モデルは、（１オッズ比）の絶対値がより小さい予測モデルと比較して、より優れた性能を有するとみなされ得る。
【0198】
いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルの性能は、オッズ比及び９５％信頼区間（ＣＩ）の比較に基づく。例えば、第１の予測モデルは、第２の予測モデルよりも大きな絶対値（１オッズ比）を有し得るが、第１の予測モデルの９５％ＣＩは、１と重なり得る（例えば、低い精度）が、第２の予測モデルの９５％ＣＩは、１と重ならない。この例では、第１の予測モデルの精度は、第２の予測モデルの精度よりも低いため、第２の予測モデルは、第１の予測モデルよりも優れているとみなされる。別の例では、第１の予測モデルは、オッズ比の比較に基づいて、第２の予測モデルよりも優れている可能性があるが、第１の予測モデルの９５％ＣＩの差は、第２の予測モデルの９５％ＣＩよりも少なくとも約２倍大きい。この場合、第２の予測モデルは、第１の予測モデルよりも優れているとみなされる。
【0199】
いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルは、現在の予測モデルよりも正確である。本明細書に開示されるＭＬ予測モデルは、本明細書に開示されるＭＬ予測モデルの９５％ＣＩの範囲が１にまたがるか又は重ならず、かつ現在の予測モデル又は臨床変数の９５％ＣＩの範囲が１にまたがるか又は重なる場合、現在の予測モデルよりも正確である。いくつかの態様では、本明細書に開示されるバリアント（例えば、ミスセンスバリアント）の表現型への影響を診断及び／又は予測するためのＭＬ予測モデルは、当該技術分野で既知の現在の予測モデルよりも正確である。いくつかの態様では、本明細書に開示されるＭＬ予測モデルは、本明細書に開示されるＭＬ予測モデルの９５％ＣＩの範囲の差が、現在の予測モデルの９５％ＣＩの範囲の差よりも約０．７０、約０．６０、約０．５０、約０．４０、約０．３０、約０．２０、約０．１５、約０．１４、約０．１３、約０．１２、約０．１０、約０．０９、約０．０８、約０．０７、約０．０６、約０．０５、約０．０４、約０．０３、又は約０．０２倍小さい場合、当該技術分野で既知の現在の予測モデルよりも正確である。本明細書に開示されるＭＬ予測モデルは、本明細書に開示されるＭＬ予測モデルの９５％ＣＩの範囲の差が、現在の予測モデルの９５％ＣＩの範囲の差よりも約０．２０～約０．０４倍小さい場合、現在の予測モデルよりも正確である。
【実施例】
【0200】
実施例１
ＭＳＨ２（ＭｕｔＳホモログ２）／ＭＳＨ６（ＭｕｔＳホモログ６）ヘテロ二量体の予測モデル
ある特定の例では、天然のＭＳＨ２／ＭＳＨ６ヘテロ二量体を、ＭＤを使用してシミュレートして、コンフォメーション動力学を生成し、次いで、これを使用して、天然のコンフォメーションランドスケープを決定した。コンフォメーション動力学から、低次元表現を決定し、次いで、これを使用して、３０の準安定なコンフォメーション状態を特定した。図６を参照されたい。これらのコンフォメーションの各々から、ＭＳＨ２タンパク質に４５のバリアントを導入し、各バリアントについてシミュレーションを行った。各バリアントは、１～２５ｎｓの間、３０の状態の各々で１０回シミュレーションし、バリアント当たりの合計は１マイクロ秒未満であった。これと比較して、天然のＭＳＨ２／ＭＳＨ６ヘテロ二量体を約５マイクロ秒間シミュレートして、コンフォメーションランドスケープを決定した。
ＭＳＨ２（ＭｕｔＳホモログ２）／ＭＳＨ６（ＭｕｔＳホモログ６）ヘテロ二量体の予測モデル
ある特定の例では、天然のＭＳＨ２／ＭＳＨ６ヘテロ二量体を、ＭＤを使用してシミュレートして、コンフォメーション動力学を生成し、次いで、これを使用して、天然のコンフォメーションランドスケープを決定した。コンフォメーション動力学から、低次元表現を決定し、次いで、これを使用して、３０の準安定なコンフォメーション状態を特定した。図６を参照されたい。これらのコンフォメーションの各々から、ＭＳＨ２タンパク質に４５のバリアントを導入し、各バリアントについてシミュレーションを行った。各バリアントは、１～２５ｎｓの間、３０の状態の各々で１０回シミュレーションし、バリアント当たりの合計は１マイクロ秒未満であった。これと比較して、天然のＭＳＨ２／ＭＳＨ６ヘテロ二量体を約５マイクロ秒間シミュレートして、コンフォメーションランドスケープを決定した。
【0201】
各バリアントのシミュレーションを処理して、各状態の各軌跡における各コンフォメーションの構造的特徴（骨格二面角（φ、ψ角）、１５ｎｍの近くにあるアミノ酸の数によって定義される各アミノ酸位置の連結性又は１８ｎｍより近いアミノ酸対の残基間距離のいずれか）を最初に抽出することによって次元数を削減した。次いで、データの次元数を、ＰＣＡ又はｔＩＣＡを使用して、状態ごとに６４の特徴の最終次元数に更に削減した。
【0202】
モデル訓練では、必要なシミュレーション時間の最小量を決定するために、モデリングでどのくらいの軌跡データが使用されるかを試験した。３つのデータセット定義：４つの状態について１０ｎｓの１回の繰り返し（バリアント当たり４０ｎｓ）、１７の状態について５ｎｓの１回の繰り返し（バリアント当たり８５ｎｓ）、又は１１の状態について３ｎｓの２回の繰り返し（バリアント当たり６６ｎｓ）を使用した。図８を参照されたい。これは、天然ＭＳＨ２／ＭＳＨ６ヘテロ二量体のコンフォメーションランドスケープを決定するために必要な約５マイクロ秒のシミュレーションと比較して、バリアントごとに必要なシミュレーション時間の劇的な短縮を示した。
【0203】
まとめると、５つの次元削減法（二面角、ｔｌＣＡ；連結性、ｔｌＣＡ；二面角、ＰＣＡ；接触、ＰＣＡ；及び連結性、ＰＣＡ）及び３つのデータセット定義（１０ｎｓ、１回の繰り返し、４つの状態；５ｎｓ、１回の繰り返し、１７の状態；３ｎｓ、２回の繰り返し、１１の状態）を、特徴量化法及びデータセット定義のハイパーパラメータチューニングに使用した。
【0204】
次いで、削減された次元数のデータを、ハイパーパラメータチューニングを行うためにｓｋｌｅａｒｎパイプラインを使用してモデル化した。データの２５％を試験セットとして確保し、残りのデータを５分割交差検証セットに分割した。交差検証セットは、ランダムフォレストモデル、推定器の数、ノードを分割する最小サンプル数、木ごとの最大特徴数、木の最大深度、及び葉ごとの最小サンプルを調整するハイパーパラメータを使用して訓練した。ハイパーパラメータチューニングは、Ｆ１精度スコアに対してスコアリングした。交差検証セットの性能を使用して、特徴量化法及びデータセット定義を評価した。ホールドアウト試験セットを使用して、交差検証性能に基づいてトップモデルを選択した後、モデルの一般化を評価した。
【0205】
特徴量化法、データセット定義、モデルのハイパーパラメータチューニングから、ほぼ全ての組み合わせで高性能精度（＞０．８）を達成した。図９に示されるように、本開示の方法に従って生成された最高の性能のモデル（ＬＳＳモデル）の性能を、バリアントの選択に対して、配列ベースのモデル及びＦｏｌｄＸベースのモデルにおける同じバリアントの性能と比較し、真のラベルと比較した場合、これらのバリアントの全体的なＬＳＳモデル予測は、真のラベルに近かった。交差検証セットからの最高の性能のモデル（ＬＳＳモデル）（アミノ酸連結性、ｔＩＣＡ次元削減を使用して）は、ホールドアウト試験セットに対してモデル性能を達成し、これは、配列ベース及びＦｏｌｄＸベースのモデルの性能よりも優れていた。図１０に示されるように、本明細書に開示される方法（ＬＳＳモデル）に従って開発されたＭＳＨ２／ＭＳＨ６ヘテロ二量体の予測モデルの性能は、受信者動作特性（ＲＯＣ）曲線下面積によって測定されるように、例えば、ＦｏｌｄＸ、Ｐｏｌｙｐｈｅｎ、又はプロセスｓｃｉｋｉｔ（ＩＮＶＩＴＡＥ（商標）が開発した計算予測器）を使用して開発された代替方法よりも良好であった。ＬＳＳモデルは、０．９９７ＡＵＣのモデル性能を達成し、一方、ＦｏｌｄＸ、Ｐｏｌｙｐｈｅｎ、及びプロセスｓｃｉｋｉｔは、それぞれ、０．９１９、０．９００、及び０．９００ＡＵＣの性能を達成した。
【0206】
ＶＩＩ．用語
本開示をより容易に理解できるようにするために、まず、特定の用語を定義する。本開示で使用される場合、本明細書で明示的に提供される場合を除き、以下の用語の各々は、以下に記載される意味を有するものとする。追加の定義は、本開示全体を通して記載されている。
本開示をより容易に理解できるようにするために、まず、特定の用語を定義する。本開示で使用される場合、本明細書で明示的に提供される場合を除き、以下の用語の各々は、以下に記載される意味を有するものとする。追加の定義は、本開示全体を通して記載されている。
【0207】
文脈が別途明確に指示しない限り、単数形の「ａ」、「ａｎ」、及び「ｔｈｅ」は、複数の指示語を含む。「ａ」（又は「ａｎ」）という用語、並びに「１つ以上（ｏｎｅ ｏｒ ｍｏｒｅ）」及び「少なくとも１つ（ａｔ ｌｅａｓｔ ｏｎｅ）」という用語は、本明細書では互換的に使用することができる。特定の態様では、という用語「ａ」又は「ａｎ」は、「単一の」を意味する。他の態様では、「ａ」又は「ａｎ」という用語は、「２つ以上」又は「複数」を含む。
【0208】
更に、「及び／又は」という用語は、本明細書で使用される場合、他方を伴うか若しくは伴わない２つの特定の特徴又は成分の各々の具体的な開示として理解されるべきである。したがって、本明細書の「Ａ及び／又はＢ」などの語句で使用される「及び／又は」という用語は、Ａ及びＢ、Ａ又はＢ、Ａ（単独）、及びＢ（単独）を含むことが意図される。同様に、「Ａ、Ｂ、及び／又はＣ」などの語句で使用される「及び／又は」という用語は、以下の態様の各々を包含することが意図される：Ａ、Ｂ、及びＣ；Ａ、Ｂ、又はＣ；Ａ又はＣ；Ａ又はＢ；Ｂ又はＣ；Ａ及びＣ；Ａ及びＢ；Ｂ及びＣ；Ａ（単独）；Ｂ（単独）；並びにＣ（単独）。
【0209】
本明細書に記載されるように、任意の濃度範囲、パーセンテージ範囲、比率範囲、又は整数範囲は、別段の指示がない限り、列挙した範囲内の任意の整数の値、及び適切な場合、その分数（整数の１０分の１及び１００分の１など）を含むと理解されるべきである。
【0210】
態様が、「含む（ｃｏｍｐｒｉｓｉｎｇ）」という用語で本明細書に記載されるいかなる場合も、「からなる（ｃｏｎｓｉｓｔｉｎｇ ｏｆ）」及び／又は「から本質的になる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」という用語で記載される別法の類似の態様もまた提供されることが理解される。
【0211】
単位、接頭辞、及び記号は、国際単位系（ＳＩ）で承認された形式で表される。本明細書で提供される表題は、本開示の様々な態様の限定ではなく、本明細書全体を参照することによって理解され得る。したがって、定義される用語は、本明細書全体を参照することによってより完全に定義される。
【0212】
「約」、「から本質的になる（ｃｏｍｐｒｉｓｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」、又は「から本質的になる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」という用語は、当業者によって決定される、特定の値又は組成物について許容可能な誤差範囲内にある値又は組成物を指し、これは、値又は組成物がどのように測定又は確定されるか、すなわち測定システムの限界に部分的に依存する。例えば、「約」、「から本質的になる（ｃｏｍｐｒｉｓｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」、又は「から本質的になる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」は、当該技術分野の慣例に従って、１又は１を超える標準偏差内を意味し得る。代替的に、「約」、「から本質的になる（ｃｏｍｐｒｉｓｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」、又は「から本質的になる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」は、最大１０％の範囲を意味し得る。更に、特に生物学的システム又はプロセスに関して、この用語は、最大１桁又は最大５倍の値を意味する場合がある。本開示及び特許請求の範囲において特定の値又は組成物が提供される場合、別段の記載がない限り、「約」、「から本質的になる（ｃｏｍｐｒｉｓｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」、又は「から本質的になる（ｃｏｎｓｉｓｔｉｎｇ ｅｓｓｅｎｔｉａｌｌｙ ｏｆ）」という意味は、その特定の値又は組成物について許容される誤差の範囲内であると考えるべきである。
【0213】
本明細書で使用される場合、「およそ」という用語は、１つ以上の目的の値に適用される場合、記載される参照値に類似する値を指す。特定の実施形態では、「およそ」という用語は、別段の記載がない限り、又は文脈から明らかでない限り、記載された参照値のいずれかの方向（より大きいか、より小さい）で、１０％、９％、８％、７％、６％、５％、４％、３％、２％、１％、又はそれ未満内に収まる値の範囲を指す（そのような数値が可能な値の１００％を超える場合を除く）。
【0214】
概要セクション及び要約セクションではなく、詳細な説明セクションが、実施形態を解釈するために使用されることが意図されることを理解されたい。概要セクション及び要約セクションは、本発明者（複数可）によって企図されるように、本発明の１つ以上だが全てではない例示的な実施形態を説明することができ、したがって、本発明及び添付の実施形態をいかなる形でも限定することを意図するものではない。
【0215】
本発明は、特定の機能及びそれらの関係の実装を例示する機能的ビルディングブロックを用いて上で説明されている。これらの機能的ビルディングブロックの境界は、本明細書において、説明の便宜のために任意に定義されている。特定の機能及びその関係が適切に行われる限り、代替的な境界を定義することができる。
【0216】
特定の実施形態の前述の説明は、本発明の一般的な性質を完全に明らかにするものであるため、他の者は、当該分野の技術の範囲内で知識を適用することによって、本発明の一般的な概念から逸脱することなく、過度の実験を行うことなく、かかる特定の実施形態を様々な用途に容易に修正及び／又は適合させることができる。したがって、かかる適合及び修正は、本明細書に提示される教示及び指針に基づいて、開示される実施形態の均等物の意味及び範囲内にあることが意図される。本明細書における用語又は専門用語は、本明細書の用語又は専門用語が、教示及び指針に照らして当業者によって解釈されるように、説明を目的とするものであり、限定するものではないことが理解されるべきである。
【0217】
本発明の幅及び範囲は、上記の例示的な実施形態のいずれかによって制限されるべきではなく、以下の実施形態及びそれらの均等物に従ってのみ定義されるべきである。
【0218】
本開示全体を通して引用され得る全ての引用文献（参考文献、特許、特許出願、及びウェブサイトを含む）の内容は、それらに引用されている参考文献と同様に、任意の目的のためにそれらの全体が参照により本明細書に明示的に組み込まれる。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【国際調査報告】