预测强直性脊柱炎患者对于抗TNFα抗体的临床反应的血清标记物

背景技术

优先权申请

本专利申请要求于2008年12月30日提交的美国专利申请No. 61/141,421的优先权，所述美国专利申请全文以引用方式并入本文中。

技术领域

本发明涉及使用血清生物标记物来预测诊断为强直性脊柱炎的患者对 用抗TNFα生物治疗剂治疗的反应的方法和过程。

背景技术

有关用生物制剂治疗强直性脊柱炎(AS)的决策面临诸多挑战，这些 生物制剂是目前可获得的或者正处于开发阶段，例如戈利木单抗 (golimumab)或阿达木单抗(adalimumab)(均为人抗TNFα抗体)、或 英夫利昔单抗(infliximab)(一种鼠-人嵌合抗TNFa抗体)、或依那西普 (enteracept)(一种TNFR构建体)。其中一个挑战是预测哪些受试者会 对治疗有反应以及哪些受试者会在治疗后失去反应。

生物标记物被定义为“可客观测量和评价的特征，其作为一种指示 物，可指示正常的生物过程、致病过程或对治疗干预的药理反应” (Biomarker Working Group，2001.Clin.Pharm.and Therap.69：89-95(生物标 记物工作组，2001年，《临床药理学与治疗学》，第69卷，第89-95 页))。最近，生物标记物还被定义为这样的蛋白质：其表达的改变可与疾 病或疾病发展的风险增加相关，或可预测对给定治疗的反应。

通过向体外或体内系统中加入抗TNFα抗体来中和TNFa，可使炎性细 胞因子和许多其他血清蛋白以及非蛋白组分的表达发生改变。向培养的滑膜 成纤维细胞中加入抗TNFa抗体减少了细胞因子IL-1、IL-6、IL-8和GM- CSF的表达(Feldmann & Maini(2001)Annu Rev Immunol 19：163-196 (Feldmann和Maini，2001年，《免疫学年评》，第19卷，第163-196 页))。类风湿性关节炎(RA)患者经英夫利昔单抗治疗后，降低了 TNFR1、TNFR2、IL-1R拮抗剂、IL-6、血清淀粉样蛋白A、触珠蛋白和纤 维蛋白原的血清水平(Charles 1999 J Immunol 163：1521-1528(Charles， 1999年，《免疫学杂志》，第163卷，第1521-1528页))。其他研究表 明，RA患者经英夫利昔单抗治疗后，降低了可溶性(s)ICAM-3和可溶性 sP选择素的血清水平(Gonzalez-Gay，2006 Clin Exp Rheumatol 24：373-379 (Gonzalez-Gay，2006年，《临床与实验风湿病学》，第24卷，第373- 379页))，并降低了细胞因子IL-18的水平(Pittoni，2002 Ann Rheum Dis  61：723-725(Pittoni，2002年，《风湿病年鉴》，第61卷，第723-725 页)；van Oosterhout，2005 Ann Rheum Dis 64：537-543(van Oosterhout， 2005年，《风湿病年鉴》，第64卷，第537-543页))。

在患有各种免疫介导的炎性疾病的患者体内观察到高水平的C-反应蛋 白(CRP)。这些观察结果表明，CRP可能具有用作抗TNFa治疗标记物的 潜在价值。文献(St Clair，2004 Arthritis Rheum 50：3432-3443(St Clair， 2004年，《关节炎和风湿病》，第50卷，第3432-3443页))显示，英夫 利昔单抗使早期RA患者体内的CRP恢复到正常水平。对于难治性银屑病 关节炎(Feletar，2004 Ann Rheum Dis 63：156-161(Feletar，2004年，《风湿 病年鉴》，第63卷，第156-161页))，用英夫利昔单抗治疗也使CRP恢 复到正常水平。研究还表明，CRP水平与仅用甲氨蝶呤治疗的早期RA患者 的关节损伤进程相关(Smolen，2006 Arthritis Rheum 54：702-710(Smolen， 2006年，《关节炎和风湿病》，第54卷，第702-710页))。当英夫利昔 单抗治疗配合甲氨蝶呤治疗时，CRP水平不再与关节损伤进程相关。

在对患有RA的患者进行治疗的过程中，Charles(1999)和Strunk (2006 Rheumatol Int.26：252-256(2006年，《国际风湿病学》，第26卷， 第252-256页))证实了英夫利昔单抗可降低炎症相关细胞因子例如IL-6的 表达，以及血管生成相关细胞因子例如VEGF(血管内皮生长因子)的表 达。Ulfgren(2000 Arthritis Rheum 43：2391-2396(2000年，《关节炎和风湿 病》，第43卷，第2391-2396页))表明，英夫利昔单抗治疗在治疗两周 内降低了滑膜中TNT、IL-1α和IL-1β的合成。Mastroianni(2005 Br J  Dermatol 153：531-536(2005年，《英国皮肤病学杂志》，第153卷，第 531-536页))表明，VEGF、FGF和MMP-2的减少对用英夫利昔单抗治疗 后银屑病的范围和严重程度具有显著的改善作用。Visvanathan(Ann Rheum  Dis 2008；67；511-517；(《风湿病年鉴》，2008年，第67卷，第511-517 页))表明，英夫利昔单抗治疗减少了AS患者血清中IL-6、VEGF和CRP 的水平，并且这些减少与改善的疾病活动度有关系。

用英夫利昔单抗治疗AS患者引起IL-6减少，其与改善的临床指标有 关(Visvanathan，2006 Arthritis Rheum 54(Suppl)：S792(Visvanathan，2006 年，《关节炎和风湿病》)，第54卷(增刊)，第S792页))。在英夫利 昔单抗治疗的患者中，治疗后IL-6和CRP的早期减少与疾病活动评分的改 善相关。

治疗前血清标记物浓度也与对于抗TNFa治疗的反应相关。已发现难治 性RA患者中IL-2R的低基线血清水平与英夫利昔单抗的临床反应相关 (Kuuliala 2006)。Visvanathan(2007a)表明，用英夫利昔单抗与MTX联 合治疗RA患者引起炎症相关标记物(包括MMP-3)数量减少。该研究表 明在基线处MMP-3的水平与治疗后一年的临床改善情况的指标显著相关。

因此，虽然已证实很多炎症和全身性疾病的血清蛋白和非蛋白标记物 在抗TNFa治疗期间数量发生改变，但是到目前为止，还未发现一组独特的 标记物和预测算法。

发明内容

本发明涉及使用多种生物标记物来预测患者对用抗TNFα治疗的反应， 更具体地讲，确定患者是否会有反应。此外，本发明可用来确定患者是否对 治疗有反应以及反应是否会持续。在一个方面，本发明包括采用对患者血清 样本进行的多组分筛选来预测AS患者对用TNFα中和单克隆抗体治疗有反 应以及无反应。

在一个实施例中，在开始进行抗TNFα治疗前，从AS患者的数据集中 识别出与实际临床反应评价相关的特定标记物组，用来预测AS患者在用抗 TNFα疗法治疗前的临床反应。在一个具体的实施例中，标记物组为选自以 下的两种或更多种标记物：瘦素、TIMP-1、CD40配体、G-CSF、MCP-1、 骨钙素、PAP、补体成分3、VEGF、胰岛素、铁蛋白和ICAM-1。

在另一个实施例中，在开始进行抗TNFα治疗之前和之后，从AS患者 的数据集中识别出与实际临床反应评价相关的特定标记物组，用来预测AS 患者在用抗TNFα疗法治疗前的临床反应。在一个具体的实施例中，标记物 组为选自以下的两种或更多种标记物：瘦素、TIMP-1、CD40配体、G- CSF、MCP-1、骨钙素、PAP、补体成分3、VEGF、胰岛素、铁蛋白和 ICAM-1。

本发明还提供基于计算机的系统，用来预测AS患者对于抗TNFα治疗 的反应，其中计算机使用来自患者数据集的值来与预测算法例如决策树比 较，其中数据集包括一种或多种标记物的血清浓度，所述标记物选自瘦素、 TIMP-1、CD40配体、G-CSF、MCP-1、骨钙素、PAP、补体成分3、 VEGF、胰岛素、铁蛋白和ICAM-1。在一个实施例中，基于计算机的系统 为经训练的神经网络，用来处理患者数据集并产生输出，其中数据集包括一 种或多种血清标记物的浓度，所述血清标记物选自瘦素、TIMP-1、CD40配 体、G-CSF、MCP-1、骨钙素、PAP、胰岛素、补体成分3、VEGF和 ICAM-1。

本发明还提供能够处理和检测取自AS患者的样本或样品中血清标记物 的装置，其中血清标记物选自瘦素、TIMP-1、CD40配体、G-CSF、MCP- 1、骨钙素、PAP、补体成分3、VEGF、胰岛素、铁蛋白和ICAM-1。

本发明还提供一种试剂盒，该试剂盒包括能够处理和检测取自AS患者 的样本或样品中血清标记物的装置，其中血清标记物选自瘦素、TIMP-1、 CD40配体、G-CSF、MCP-1、骨钙素、PAP、补体成分3、VEGF、胰岛 素、铁蛋白和ICAM-1。

附图说明

图1-6为以决策树的形式表示的AS反应预测模型，这些模型基于血清 标记物的使用并且与用ASAS20或BASDAI评价的患者临床反应相关。无 反应者或“否”节点意味着该模型将此节点中的所有受试者预测为无反应 者，而“是”节点意味着该模型将此节点中的所有受试者预测为反应者。节 点内示出：此节点的实际无反应者数目/实际反应者数目。

图1为由基线(0周)标记物数据建立的预测模型，这些标记物数据得 自接受戈利木单抗的研究患者并经过多重方法分析，并且在第14周时用 ASAS20来评价反应，其中反应者的初始分类器基于瘦素(截断值＜3.804， 对数尺度)并且反应者的二次分类器基于CD40配体(截断值＞＝1.05，对数 尺度)。

图2为由基线(0周)标记物数据建立的预测模型，这些标记物数据得 自接受戈利木单抗的研究患者并经过多重方法分析，并且在第14周时用 BASDAI的变化来评价反应，其中反应者的初始分类器标准为TIMP-1(截 断值＞＝7.033)并且反应者的二次分类器为G-CSF(截断值＜3.953)；当 TIMP-1低于截断值时，前列腺酸性磷酸酶为反应者的分类器(截断值＞＝- 1.287，对数值)；当TIMP-1和PAP都低于其相应截断值时，MCP-1为反 应者的分类器(＜7.417，对数尺度)。

图3为由基线(0周)处的血清标记物值建立的AS反应预测模型，这 些血清标记物值得自接受戈利木单抗的研究患者并通过多重方法和单个EIA 定量，并且在第14周时用ASAS20来评价反应，其中骨钙素为反应者的初 始分类器(截断值＞＝3.878，对数尺度)，并且当骨钙素低于其相应截断值 时，PAP用作反应者的分类器(截断值＞＝-1.359，对数尺度)。

图4为由基线(0周)处的血清标记物值建立的AS反应预测模型，这 些血清标记物值得自接受戈利木单抗的研究患者并通过多重方法和单个EIA 定量，并且在第14周时用BASDAI变化评价反应，其中骨钙素为反应者的 初始分类器(截断值＞＝3.977，对数尺度)，并且当骨钙素低于截断值时， PAP为反应者的分类器(截断值＞＝-1.415)，并且当骨钙素和PAP都低于其 相应截断值时，胰岛素用作反应者的分类器(截断值＜2.711，对数尺度)。

图5为由基线以及在开始进行抗TNF治疗后从基线(0周)至第4周的 血清标记物值变化建立的AS反应预测模型，这些血清标记物值得自接受戈 利木单抗的研究患者并通过多重方法定量，并且在第14周时用ASAS20来 评价反应，其中基线瘦素为反应者的初始分类器(截断值＜3.804，对数尺 度)，并且当瘦素低于其截断值时，补体3从基线至第4周的变化用作反应 者的分类器(截断值＜-0.224)，并且当瘦素和补体3都等于或高于其相应 截断值时，基线VEGF用作反应者的分类器(截断值＞＝8.724)。

图6为由基线以及在开始进行抗TNF治疗后从基线(0周)至第4周的 血清标记物值变化建立的AS反应预测模型，这些血清标记物值得自接受戈 利木单抗的研究患者并通过多重方法定量，并且在第14周时用BASDAI变 化评价反应，其中初次反应者标准为补体成分3从基线至第4周的变化(截 断值＜-0.233，对数尺度)，并且当补体3的变化等于或高于截断值时，基 线铁蛋白用作分类器(截断值＞＝7.774，对数尺度)，并且当补体3的变化 等于或高于截断值并且基线铁蛋白低于其相应截断值时，ICAM-1的变化用 作反应者的分类器(截断值＞＝-0.2204，对数尺度)。

具体实施方式

缩写

定义

“生物标记物”被定义为‘[a]可客观测量和评价的特征，其作为一种 客观指示物，可指示正常的生物过程、致病过程或对治疗干预的药理反 应’，该定义由生物标记物定义工作组给出(Atkinson et al.2001 Clin Pharm  Therap 69(3)：89-95(Atkinson等人，2001年，《临床药理学与治疗学》，第 69卷第3期，第89-95页))。因此，解剖学或生理学过程也可如同蛋白 质、基因表达(mRNA)、小分子、代谢物或矿物质水平那样作为生物标记 物，例如活动范围，前提条件是该生物标记物与相关的生理、毒理、药理和 临床结局之间存在经验证的联系。

所谓标记物的“血清水平”是指通常在体外用一种或多种方法(例如 免疫测定法)对从样本(例如血液)制备的样品进行测定所得到的标记物的 浓度。免疫测定法使用每个标记物的免疫特异性试剂(通常为抗体)，并且 此测定可以多种形式(包括酶偶联反应，例如EIA、ELISA、RIA，或其他 直接或间接探针)进行。也可以有对样品中标记物进行定量的其他方法，例 如电化学检测、荧光探针相关检测。该测定也可以是“多重的”，其中多种 标记物在单个样品分析时被检测和定量。

观察研究通常将其结果报告为比值比(OR)或相对风险。两者均为暴 露(例如抽烟、使用药物)与疾病或死亡之间关联大小的量度。相对风险 1.0表示该暴露不会改变疾病的风险。相对风险1.75表示患者暴露时发展该 疾病的机会是原来的1.75倍或罹患该疾病的风险高出75％。小于1的相对 风险表示该暴露降低了风险。当相对风险不能具体计算时，比值比为病例对 照研究中估计相对风险的一种方法。虽然当疾病较罕见时它是准确的，但当 疾病较普遍时却不能同样准确地进行估算。

预测值有助于解释临床环境下测试的结果。过程的诊断价值通过其灵 敏度、特异性、预测值和有效性来定义。任何测试方法会产生真阳性 (TP)、假阴性(FN)、假阳性(FP)和真阴性(TN)。测试的“灵敏 度”为所有存在有疾病、或确有反应、或测试呈阳性的患者的百分比或者 (TP/TP+FN)×100％。测试的“特异性”为所有无疾病、或无反应、或测 试呈阴性的患者的百分比或者(TN/FP+TN)×100％。测试的“预测值”即 “PV”是值(阳性或阴性)为真值的次数的测量值(％)，即所有呈真阳 性的阳性测试的百分比为阳性预测值(PV+)或(TP/TP+FP)×100％。“阴性 预测值”(PV-)为测试呈阴性并且不会有反应的患者的百分比或(TN/FN +TN)×100％。测试的“准确性”或“有效性”为与测试的总数目相比测试 给出正确答案的次数的百分比或(TP+TN/TP+TN+FP+FN)×100％。“误 差率”为预测患者会有反应却无反应以及预测患者无反应却有反应的情况所 占百分比或(FP+FN/TP+TN+FP+FN)×100％。整体测试“特异性”是准 确性的量度，与某个测试的灵敏度与特异性不随群体中疾病的整体可能性发 生改变即预测值改变而改变的程度有关。随着医师对给定患者进行疾病存在 与否或临床反应存在与否的临床评价，PV也发生改变。

生物标记物“减少的水平”或“更低水平”是指相对于称为“截断 值”的预定值而言数量更小和高于定量限(LOQ)的水平，其中“截断 值”是患者抽样和治疗条件相关的算法和参数所特定的。

生物标记物“更高的水平”或“高水平”是指相对于称为“截断值” 的预定值而言数量更高的水平，其中“截断值”是患者抽样和治疗条件相关 的算法和参数所特定的。

如本文所用，术语“人TNFα”(本文缩写为hTNFα、hTNFa或简写为 TNF)意在指以17kD分泌形式和26kD膜相关形式存在的人细胞因子，其 生物活性形式由非共价结合的17kD分子的三聚体构成。术语“人TNFα” 意在包括重组人TNFα(rhTNFα)，其可通过标准重组表达方法制备或商购 获得(R&D Systems，目录号210-TA，Minneapolis，Minn.)。

所谓“抗TNFa”、“抗TNFα”、抗TNFα或简写的“抗TNF”疗法 或治疗是指向患者施用能否阻断、抑制、中和、预防受体结合或防止TNFα 激活TNFR的生物分子(生物药剂)。此类生物药剂的例子为针对TNFα的 中和Mab，包括但不限于那些以通用名为英夫利昔单抗和阿达木单抗销售 的抗体，以及处于临床开发阶段的抗体例如戈利木单抗；也包括能够结合 TNFa的非抗体构建体例如称为依那西普的TNFR-免疫球蛋白嵌合体。该术 语涵盖本文描述的抗TNFα人抗体和抗体部分以及美国专利No.6,090,382、 6,258,562、6,509,015和美国专利申请No.09/801185和10/302356中描述的 那些。在一个实施例中，用于本发明的TNFα抑制剂为抗TNFα抗体或其片 段，包括英夫利昔单抗(Remicade，Johnson and Johnson；描述于美国专利 No.5,656,272中，其以引用方式并入本文中)、CDP571(人源化单克隆抗 TNFαIgG4抗体)、CDP 870(人源化单克隆抗TNFα抗体片段)、抗TNF  dAb(Peptech)、CNTO 148(戈利木单抗；以及Centocor，参见WO  02/12502)和阿达木单抗(HumiraAbbott Laboratories，人抗TNF mAb，在 美国专利No.6,090,382中描述为D2E7)。其他可用于本发明的TNF抗体 描述于美国专利No.6,593,458、6,498,237、6,451,983和6,448,380，各所述 专利均以引用方式并入本文中。在另一个实施例中，TNFα抑制剂为TNF融 合蛋白，例如依那西普(Enbrel，Amgen；描述于WO 91/03553和WO  09/406476，所述专利以引用方式并入本文中)。在另一个实施例中，TNFα 抑制剂为重组TNF结合蛋白(r-TBP-I)(Serono)。

所谓“样品”或“患者的样品”是指这样的样本，其为从疑似患有或 表现出与TNFα相关疾病有关的症状的患者中提取、制备、采集、或以其他 方式获得的细胞、组织或其流体或部分。

概述

近期在技术(例如蛋白质组学)上的进展向病理学家提出了挑战，要 求将用高通量方法产生的新信息与基于临床病理学相关性并通常涵盖组织病 理学发现的当前诊断模型整合在一起。医疗信息学和生物信息学领域的并行 发展为以合理方式解决这些问题提供了技术和数学方法，从而向从业者和病 理学家或其他医学专家提供了多变量多学科诊断预后模型形式的新工具，进 而有希望提供更加准确的、个性化的基于患者的信息。循证医学(EBM) 和医疗决策分析(MDA)属于这些相对新的学科，其用定量方法评价信息 的价值并将所谓的最佳证据整合到多变量模型中以评价预后、对治疗的反应 和选择能影响个别患者护理的实验室测试。

本发明包括如下几个方面：

1.使用血清来识别与AS患者对于抗TNF(例如戈利木单抗)治疗有 反应或无反应相关的生物标记物。

2.在开始进行抗TNF治疗前，使用存在于诊断为AS患者的血清中的 生物标记物来预测对于抗TNFαMab(例如戈利木单抗)治疗有反 应或无反应的能力。

3.用以预测AS患者在抗TNF治疗后的结局的算法。

a.在开始进行抗TNF治疗前，可使用存在于诊断为AS患者的血 清中的生物标记物，在评价时间(0周)预测AS患者在第14 周时对于抗TNFα的临床反应或无反应。

b.可使用在开始进行治疗前(0周)和在开始进行治疗后第4周 获得的生物标记物偏离基线值的变化，来预测AS患者在第14 周时对于抗TNFa治疗的临床反应或无反应。

c.可使用在开始进行治疗前(0周)获得的生物标记物偏离基线 值的变化以及在开始进行治疗后第4周时生物标记物的变化， 来预测AS患者在第14周时对于抗TNFa治疗的临床反应或无 反应。

4.含有使用本发明的标记物来预测AS患者对于抗TNFa治疗有反应 或无反应的方法的装置、系统和试剂盒。

为了判定可用于建立基于标记物浓度的预测算法的标记物，从用戈利 木单抗治疗的患者获得血清。可在治疗的基线(0周)、第4周和第14周 或其他中间的或更久的时间点获得血清。对血清样品中的许多生物标记物作 了分析，并对基线浓度以及治疗后生物标记物浓度的变化作了测定。然后使 用生物标记物表达的基线和变化来确定生物标记物表达是否与开始进行治疗 后第14周或其他指定时间点的治疗结局相关，如通过ASAS20或其他临床 反应指标进行评价。在一个实施例中，使用逐步分析方法来判定与AS患者 对于抗TNFα治疗的临床反应相关的标记物，并建立涉及那些标记物的血清 浓度的、预测有反应或无反应的算法，其中初始相关性通过逻辑回归分析完 成，其将每个患者在0周、第4周和第14周的每个生物标记物的值与该患 者在第14周和第24周的临床评价相关联，一旦标记物在多个临床终点与对 治疗有反应显著相关的能力被确定，用如本文所述或本领域所知的CART 或其他合适的分析方法来建立基于所判定的标记物或标记物组的血清值的独 特算法。

除了本文所公开的其他标记物，数据集标记物可选自一个或多个临床 指标，例如年龄、性别、血压、身高和体重、身体质量指数、CRP浓度、 吸烟、心率、空腹胰岛素浓度、空腹葡萄糖浓度、糖尿病状态、使用其他药 物以及特定的功能或行为评价，和/或放射性或其他基于图像的评价，其中 数值被用于各个测量或产生总体的数值评分。临床变量通常会被评价，并且 将所得的数据在算法中与上文描述的标记物结合。

在被输入到分析过程之前，通常以三份或多重三份测量各标记物的 值，从而收集每个数据集中的数据。可对数据进行操作，例如原始数据可使 用标准曲线变换，并且用三份测量值的平均值来计算每个患者的平均值和标 准偏差。这些值可在用于模型前进行变换，例如对数变换、Box-Cox变换 (参见Box and Cox(1964)J.Royal Stat.Soc，Series B，26：211&#8212；246 (Box和Cox，1964年，《皇家统计学会杂志，B辑》，第26卷，第211- 246页))等。然后可将该数据输入到具有确定参数的分析过程中。

这样获得的定量数据与蛋白质标记物相关，然后使用学习算法将其他 数据集组件用于具有以前确定的参数的分析过程中，即按照本文所提供的实 例(实例1-3)中所述的方法输入到预测模型中。分析过程的参数可以是本 文所公开的那些或者使用本文所述的指导得出的那些。将学习算法例如线性 判别分析、递归特征排除法、芯片预测分析、逻辑回归、CART、 FlexTree、LART、随机森林、MART或另一种机器学习算法用于合适的参 考或训练数据来确定适用于AS反应或无反应分类的分析过程的参数。

该分析过程可设定用来确定样品属于给定类别的概率的阈值。概率优 选地为至少50％、或至少60％、或至少70％、或至少80％、或更高。

在其他实施例中，该分析过程确定所得数据集和参考数据集之间的比 较是否产生统计学上显著的差异。如果是这样，那么该数据集所源自的样品 被归类为不属于参考数据集类。相反地，如果该比较与参考数据集没有统计 学上显著的差异，那么该数据集所源自的样品被归类为属于参考数据集类。

一般来讲，该分析过程在形式上为通过统计学分析方法例如线性算 法、二次算法、多项式算法、决策树算法、投票算法产生的模型。

使用参考/训练数据集来确定分析过程的参数

采用合适的参考或训练数据集通过任何合适的学习算法来确定用于分 类(即建立预测模型)的分析过程的参数。

要使用的参考或训练数据集将取决于要测定的所需AS分类，例如反应 者或无反应者。数据集可包括来自两个、三个、四个或更多个类别的数据。

例如，为了使用监督学习算法来确定用于分析过程(用来预测对于抗 TNFα治疗的反应)的参数，使用包含对照样品和疾病样品的数据集作为训 练集。作为另外一种选择，使用监督学习算法来建立用于AS疾病治疗的预 测模型。

统计分析

以下为统计分析方法的类型的例子，这些方法可供本领域的技术人员 使用，以帮助实施本发明所公开的方法。统计分析可被应用于两个任务中的 一者或两者。首先，可使用这些和其他统计学方法来识别标记物和其他指标 的优选子集，这些优选子集将形成优选数据集。此外，可使用这些和其他统 计学方法来生成分析过程，其应用于数据集以得到结果。本文介绍的或以其 他方式在本领域获得的统计学方法中的若干方法可同时完成这两个任务，并 且产生适合用作分析过程的模型以实施本文所公开的方法。

在一个具体实施例中，生物标记物和其对应的特征(例如表达水平或 血清水平)用于建立一种分析过程或多种分析过程以区分不同类别的患者， 例如对于抗TNFα治疗的反应者和无反应者。一旦使用这些示例性数据分析 算法或本领域已知的其他技术建立了分析过程，该分析过程可用于将测试受 试者分类到两个或多个表型类别之一(例如预测对于抗TNFα治疗有反应的 患者或不会有反应的患者)。这通过将分析过程应用于从测试受试者获得的 标记物特征图来实现。因此，此类分析过程具有巨大的诊断指示价值。

在一个方面，本发明所公开的方法用于针对得自训练群体的标记物特 征图来评价得自测试受试者的标记物特征图。在一些实施例中，得自训练群 体的受试者以及测试受试者的每种标记物特征图包括多种不同标记物各自的 特征。在一些实施例中，此比较通过如下方式实现：(i)使用得自训练群 体的标记物特征图来建立分析过程以及(ii)将该分析过程应用于得自测试 受试者的标记物特征图。如此，本文所公开的方法的一些实施例中应用的分 析方法用来确定测试AS患者是否被预测为对于抗TNFα治疗有反应或不会 有反应的患者。

因此，在一些实施例中，上述二元决策情形中的结果具有4个可能的 结局：(i)真反应者，其中分析过程表明受试者会是抗TNFα治疗的反应 者而受试者实际上在一定时间段内对于抗TNFα治疗作出反应(真阳性， TP)；(ii)假反应者，其中分析过程表明受试者会是抗TNFα治疗的反应 者而受试者在一定时间段内未对于抗TNFα治疗作出反应(假阳性，FP)； (iii)真无反应者，其中分析过程表明受试者不会是抗TNFα治疗的反应者 而受试者在一定时间段内未对于抗TNFα治疗作出反应(真阴性，TN)； 或(iv)假无反应者，其中分析过程表明患者不会是对于抗TNFα治疗的反 应者而受试者实际上在一定时间段内对于抗TNFα治疗作出反应(假阴性， FN)。

用于建立分析方法的相关数据分析算法包括但不限于：判别分析，包 括线性、逻辑以及更灵活的判别技术(参见例如Gnanadesikan，1977， Methods for Statistical Data Analysis of Multivariate Observations，New York： Wiley 1977(Gnanadesikan，1977年，《多元观测值的统计数据分析方 法》，New York，Wiley，1977)，所述文献据此全文以引用方式并入本 文)；树形算法，例如分类和回归树(CART)及其变型(参见例如 Breiman，1984，Classification and Regression Trees，Belmont，Calif.：Wadsworth  International Group(Breiman，1984年，《分类和回归树》，Wadsworth  International Group，Belmont，Calif.)，所述文献据此全文以引用方式并入 本文)；广义相加模型(参见例如Tibshirani，1990，Generalized Additive  Models，London：Chapman and Hall(Tibshirani，1990年，《广义相加模 型》，Chapman and Hall，London)，所述文献据此全文以引用方式并入本 文)；以及神经网络(参见例如Neal，1996，Bayesian Learning for Neural  Networks，New York：Springer-Verlag(Neal，1996年，《神经网络的贝叶斯 学习》，Springer-Verlag，New York)；以及Insua，1998，Feedforward neural  networks for nonparametric regression In：Practical Nonparametric and  Semiparametric Bayesian Statistics，pp.181-194，New York：Springer(Insua， 1998年，基于前馈神经网络的非参数回归，《实用非参数和半参数贝叶斯 统计学》，第181-194页，Springer，New York)，所述文献据此全文以引 用方式并入本文)。

在一个具体的实施例中，本发明的数据分析算法包括分类和回归树 (CART)、多重累计回归树(MART)、芯片预测分析(PAM)或随机森 林分析。此类算法对得自生物材料(例如血样)的复杂谱图进行分类，以区 分正常的受试者或具有表征特定疾病状态的生物标记物表达水平的受试者。 在其他实施例中，本发明的数据分析算法包括ANOVA和非参数等同物、 线性判别分析、逻辑回归分析、最近邻分类分析、神经网络、主成分分析、 二次判别分析、回归分类器、支持向量机。

虽然此类算法可用来生成分析过程和/或增加分析方法应用的速度和效 率以及避免研究者偏倚，然而本领域普通技术人员会体会到无需基于计算机 的装置来实施使用本发明的预测模型的方法。

CART分析的结果

在本发明的一个方面，诊断为AS的患者体内的血清标记物的分析的关 注点在于生物标记物基线值与对于抗TNFa治疗的反应之间的显著关系。在 本发明的另一个方面，从基线(抗TNFα治疗之前)至治疗后第4周对诊断 为AS的患者体内的血清标记物变化进行分析，该分析与稍后时间(14周) 患者的临床反应或无反应相关。

在本发明的具体实施例中，已发现瘦素的基线浓度可为初始分类器； 以便通过ASAS20评价来预测第14周时用戈利木单抗治疗的患者的结局。 在替代实施例中，基线骨钙素可为初始分类器；以便通过ASAS20或 BASDAI评价来预测第14周时用戈利木单抗治疗的患者的结局。医师可利 用该信息来确定谁会受益于戈利木单抗治疗，以及同样重要的，来识别那些 不能受益于此类治疗的患者。

作为另外一种选择，BASDAI用作模型的临床结局组件。并且基线处 的TIMP-1、基线处的骨钙素、或补体成分3的改变为用于分类的初始标记 物。当TIMP-1值提高时，分类的初始标记物还包括G-CSF的改变，以及当 TIMP-1值低于截断值并且MCP-1值低于截断值时用前列腺酸性磷酸酶预测 第14周时的结局。

基线生物标记物预测对于抗TNFa治疗的反应

当构建预测算法的数据集仅包括基线生物标记物血清浓度值，并且该 数据集与通过不止一种评价临床反应的方法(例如ASAS20和BASDAI)得 出的、用抗TNFα治疗剂治疗的AS患者的临床反应相关时，标记物包括瘦 素、TIMP-1、CD40配体、G-CSF、MCP-1、骨钙素、PAP和胰岛素。

如本文所示，当对得自AS患者的血清中基线(0周，治疗前)处的生 物标记物进行分析，并通过多重分析定量时，最佳CART模型包括瘦素作 为初始分类器：瘦素高于3.8(对数尺度)的受试者预测为无反应者；瘦素 低于3.8的受试者则基于CD40配体的二次预测进行分类(CD40配体高于 1.05预测为反应者，CD40配体低于1.05预测为无反应者)(图1)。模型 灵敏度为86％，模型特异性为88％。当临床指标为BASDAI从基线至第14 周的变化并且基线生物标记物数据通过多重分析定量时，不同生物标记物成 为分类器：TIMP-1、前列腺酸性磷酸酶、GCSF和MCP-1(图2)，但是 BASDAI模型的总体准确度类似于ASAS20模型。

当对得自AS患者的血清中基线(0周，治疗前)处的生物标记物进行 分析，并通过多重分析和单个EIA两者定量时，最佳CART模型包括初始 分类器骨钙素：骨钙素高于3.878的受试者(对数尺度)预测为反应者；骨 钙素低于3.878的受试者则再基于前列腺酸性磷酸酶进行分类(图3)。模 型的灵敏度为90％，模型的特异性为84％。因此，通过使用得自多重分析 以及单个EIA分析的数据并将该结果与BASDAI或ASAS20相关联，从而 得到两种模型，两者均包括骨钙素和前列腺酸性磷酸酶作为分类器。基于 BASDAI的模型包括胰岛素作为另一分类器。该模型预测BASDAI临床反应 的准确度为61/76(80％)(图4)。

这些结果表明，医师可在治疗前测量生物标记物的基线水平，以识别 哪些用戈利木单抗治疗的患者会对治疗有反应或无反应。

生物标记物变化作为结局的早期预测器

已发现在第4周时AS患者的生物标记物偏离基线血清水平的变化与临 床反应相关，该相关性通过不止一种评价临床反应的方法(例如ASAS20和 BASDAI)得出，生物标记物包括：瘦素、VEGF、补体3、ICAM-1和铁蛋 白。

当对得自AS患者的血清中基线处和第4周时的生物标记物进行分析并 仅通过多重方法定量时，生物标记物模型使用瘦素作为初始分类器：瘦素高 于3.8(对数尺度)的受试者预测为无反应者；瘦素低于3.8的受试者则基 于另外两个分类器：i)补体3的变化，和ii)VEGF来分类(图5)。模型 灵敏度为92％，模型特异性为81％。当临床指标为BASDAI从基线至第14 周的变化时，总体准确度类似于ASAS20模型，补体成分3的变化为初始分 类器，接着依次使用基线铁蛋白和ICAM-1变化进行两次子分类(图6)。

本文所述的产生一种可用于预测AS患者对于抗TNFα治疗有反应或无 反应的算法的具体实例表明，多种标记物与AS过程相关并且每种特定生物 标记物在诊断或预测对治疗的反应的定量解释迄今尚未确立。申请人已证实 算法可利用对基于具体限定标记物的患者数据的抽样产生。在使用本发明标 记物的一种方法中，可使用计算机辅助装置来获取患者数据并进行必要的分 析。在另一方面，计算机辅助装置或系统可使用本文提供的数据作为“训练 数据集”以产生为应用预测分析而需要的分类器信息。

用于进行分析的仪器、试剂和试剂盒

用于预测诊断为AS患者对于抗TNF治疗的反应的血清标记物的测 量，可以在临床或研究实验室或者医院或医院外地点的中央实验室使用本文 所述的标准免疫化学和生物物理方法进行。标记物的定量可与例如其他标准 测量如WBC计数、血小板和ESR同时进行。该分析可使用商购试剂盒或使 用多重分析在单个患者样品上单独或分批进行。

在本发明的一个方面，在一个或多个步骤中使用单个和成组试剂来确 定患者样品中生物标记物或生物标记物组的相对量或绝对量。可用试剂来捕 获生物标记物，例如对生物标记物具有免疫特异性的抗体，该抗体形成配体 生物标记物对，可通过间接测定例如酶联免疫特异性分析来测定。可进行单 个分析物EIA或多重分析。多重分析为这样的技术，通过该技术可使用单 个血清样品进行多个同时的基于EIA的分析。可用于在非常小的样品体积 中定量大量生物标记物的平台是Rules Based Medicine(Austin，Texas) (Luminex Corporation所有)采用的xMAP技术，该技术将光学分类方 案、生化检测、流式细胞仪和先进的数字信号处理硬件和软件整合在一起， 实现了在单个反应容器中运行多达100路的基于微球的分析。在该技术中， 多路复用通过为每个分析物特异的分析指定一个带有独特荧光标记的微球组 来完成。多重分析在流式装置中分析，该装置在每个微球通过红色和绿色激 光时对每个微球进行单独询问。作为另外一种选择，可使用方法和试剂来处 理样品，以便检测以及使用直接的物理测量(例如质量、电荷或组合，例如 通过SELDI测量)进行可能的定量。也已经开发了定量质谱多反应监测分 析，例如NextGen Sciences(Ann Arbor，MI)提供的那些。

因此，根据本发明的一个方面，用来评价AS状态的生物标记物的检测 需要使来自受试者的样品与基底(例如探针，其上带有捕获试剂)在允许生 物标记物和试剂间结合的条件下接触，然后通过合适的方法检测结合到吸附 剂的生物标记物。检测标记物的一个方法是气相离子谱，例如质谱。其他可 用于此目的的检测模式包括光学方法、电化学方法(伏安法、电流分析法或 电致化学发光技术)、原子力显微镜和射频方法，例如，多极共振谱。除了 显微镜法(共焦和非共焦)外，示例性的光学方法还为测定荧光、发光、化 学发光、吸光度、反射率、透射比和双折射率或折射率的方法(例如表面等 离子体共振、椭圆光度法、共振镜法、波导光栅耦合器法或干涉测量法)以 及酶偶联比色法或荧光法。

在将检测方法应用于处理过的样本或样品之前可能需要对来自患者的 样本进行处理，例如但不限于浓缩、纯化标记物或将标记物与样本的其他组 分分离。例如，在进行检测分析物浓度的方法之前，通常用抗凝剂处理血样 并去除其中的细胞组分和血小板。作为另外一种选择，检测可通过连续处理 系统来完成，该系统可以加入材料或试剂来完成这样的浓缩、分离或纯化步 骤。在一个实施例中，处理系统包括使用捕获试剂。一种捕获试剂为“色谱 吸附剂”，其为通常用于色谱法的材料。色谱吸附剂包括，例如离子交换材 料、金属螯合剂、固定化金属螯合物、疏水作用吸附剂、亲水作用吸附剂、 染料、简单的生物分子(例如核苷酸、氨基酸、单糖和脂肪酸)、混合模式 吸附剂(例如疏水引力/静电斥力吸附剂)。“生物特异性”捕获试剂是生 物分子类型的捕获试剂，例如核苷酸、核酸分子、氨基酸、多肽、多糖、脂 质、类固醇或这些物质的缀合物(例如，糖蛋白、脂蛋白、糖脂)。在某些 情况下，生物特异性吸附剂可以是大分子结构，例如多蛋白复合体、生物膜 或病毒。示例性生物特异性吸附剂为抗体、受体蛋白和核酸。生物特异性吸 附剂与色谱吸附剂相比通常具有对目标分析物更高的特异性。

因此，根据本发明，生物标记物的检测和定量可通过使用特定的选择 性条件(例如吸附剂或洗涤溶液)来增强。洗涤溶液是指这样的试剂(通常 为溶液)，其用来影响或改变吸附剂表面对分析物的吸附性和/或从表面去 除未结合的材料。洗涤溶液的洗脱特性取决于例如pH、离子强度、疏水 性、离液序列度、洗涤剂强度和温度。

在本发明的一个方面，样品以多重方式分析，意味着来自患者样品的 标记物的处理基本上同时进行。在一个方面，用含有多种捕获试剂(代表独 特的特异性)的基底接触样品。捕获试剂通常为免疫特异性的抗体或其片 段。基底可为单个元件例如“生物芯片”，该术语表示这样的固体基底，其 具有大致平坦的表面，其上附着捕获试剂；或者捕获试剂分隔于多个基底之 间，例如结合于单个球形基底(微珠)。通常，生物芯片的表面包括多个可 寻址位点，每个位点上都结合有捕获试剂。生物芯片可适于与探针接口接 合，因此在气相离子谱(优选地为质谱)中用作探针。作为另外一种选择， 本发明的生物芯片可安装于另一个基底上来形成探针，其可插入到光谱仪 中。就微珠而言，单个微珠可在暴露于待测样品后分隔或分类。

根据本发明，多种生物芯片可用于生物标记物的捕获和检测，这些生 物芯片可购自例如Ciphergen Biosystems(Fremont，CA)、Perkin Elmer (Packard BioScience Company(Meriden CT)、Zyomyx(Hayward，CA) 以及Phylos(Lexington，MA)、GE Healthcare，Corp.(Sunnyvale，CA)的 商业来源。这些生物芯片的示例为描述于美国专利No.6,225,047(见上)和 No.6,329,209(Wagner等人)和WO 99/51773(Kuimelis和Wagner)、WO  00/56934(Englert等人)的那些生物芯片，特别是使用电化学和电致化学发 光方法检测样品中分析物标记物的存在或含量的那些生物芯片，例如 Wohlstadter等人的WO98/12539和美国专利No.6066448教导的那些多特异 性、多阵列的生物芯片。

将具有生物特异性捕获和/或检测试剂的基底与样品(含有例如血清) 接触一段足够的时间以允许存在的生物标记物与试剂结合。在本发明的一个 实施例中，将不止一种类型的其上具有生物特异性捕获或检测试剂的基底与 生物样品接触。孵育一段时间后，洗涤基底以去除未结合的材料。可使用任 何合适的洗涤溶液，优选地使用水溶液。

结合到基底上的生物标记物在解吸后直接通过使用气相离子谱仪(例 如飞行时间质谱仪)进行检测。生物标记物通过离子源(例如激光)离子 化，产生的离子通过离子光学组件收集，然后质量分析器分散并分析通过的 离子。然后检测器将检测到的离子的信息转换成质荷比。生物标记物的检测 通常会涉及到信号强度的检测。因此，生物标记物的数量和质量均可测定。 此类方法可用于发现生物标记物以及在某些情况下用于生物标记物的定量。

在另一个实施例中，本发明的方法是能够进行微型化液体样品处理的 微流体装置和用于液相分析的分析装置，例如US5571410和USRE36350提 出的那些，这些装置可用于检测和分析液相中小分子和/或大分子溶质，可 任选地采用色谱分离方法、电泳分离方法、电色谱分离方法或它们的组合来 进行。微流体装置或“微装置”可包括多个按一定方式布置的通道，以使得 分析物流体可以被分离，并且使得生物标记物可被捕获并可任选地在装置内 的可寻址位点被检测到(US5637469、US6046056和US6576478)。

由生物标记物检测产生的数据可用可编程数字计算机进行分析。计算 机程序对数据进行分析以指示检测到的标记物的数量和信号的强度。数据分 析包括测定生物标记物的信号强度以及去除偏离预定统计分布的数据的步 骤。例如，数据可相对于某个基准归一化。计算机可将所得的数据转化成各 种格式，以用于显示(如果需要)或用于进一步的分析。

人工神经网络

在一些实施例中，使用神经网络。可针对所选定的标记物组来构造神 经网络。神经网络为两步回归或分类模型。神经网络具有层状结构，其包括 通过权重层与输出单元层连接的输入单元(和偏置)层。对于回归，输出单 元层通常只包括一个输出单元。然而，神经网络可以无缝方式处理多个定量 反应。

在多层神经网络中，有输入单元(输入层)、隐单元(隐藏层)和输 出单元(输出层)。此外，还有单个的偏置单元，其连接到除输入单元外的 每个单元。神经网络描述于Duda et al.，2001，Pattern Classification，Second  Edition，John Wiley & amp；Sons，Inc.，New York(Duda等人，2001年，《模 式分类》，第二版，John Wiley & Sons，Inc.，New York)；和Hastie et al.， 2001，The Elements of Statistical Learning，Springer-Verlag，New York(Hastie 等人，2001年，《统计学习原理》，Springer-Verlag，New York)。

使用神经网络的基本方法是从未训练的网络开始，向输入层提供一种 训练模式，例如训练数据集中来自患者的标记物特征图，并将信号通过网 络，然后在输出层决定输出，例如训练数据集中患者的预后。然后，将这些 输出与目标值(例如训练数据集中患者的实际结局)比较；差异对应误差。 该误差或准则函数为权重的某种标量函数，当网络输出与所需输出匹配时该 误差被最小化。因此，调整权重以减少这种误差的量。对于回归，此误差可 为误差平方和。对于分类，此误差可为平方误差或交叉熵(偏差)。参见例 如Hastie et al.，2001，The Elements of Statistical Learning，Springer-Verlag，New  York(Hastie等人，2001年，《统计学习原理》，Springer-Verlag，New  York)。

三种常用的训练方案为随机、分批和在线。在随机训练中，从训练集 中随机选择模式并且对各模式表示更新网络权重。经梯度下降法(例如随机 反向传播)训练的多层非线性网络在用网络拓扑定义的模型中进行权重值的 极大似然估计。在批训练中，所有模式在学习开始前提供给网络。通常，在 批训练中，通过训练数据完成几次通过。在线训练中，各模式被提供给网络 一次且仅为一次。

在一些实施例中，考虑了权重的起始值。如果权重接近零，那么常用 于神经网络隐藏层的S型函数的操作部分(参见Hastie et al.，2001，The  Elements of Statistical Learning，Springer-Verlag，New York(Hastie等人， 2001年，《统计学习原理》，Springer-Verlag，New York))大致呈线形， 因此神经网络坍缩成近似线性的模型。在一些实施例中，权重的起始值选择 为接近零的随机值。因此，模型开始时几乎呈线性，并随着权重的增加变为 非线性。各个单元局限于各处，并在需要的地方引入非线性。使用精确零权 重可导致零导数和完美的对称，并且算法不会变动。作为另外一种选择，从 较大权重开始常常得到劣解。

由于输入量的缩放决定了底层中权重的有效缩放，这可对最终解的质 量有重大影响。因此，在一些实施例中，在开始时将所有表达式数值标准化 成平均值为0并且标准偏差为1。这使得所有输入在规则化过程中被同等处 理，并允许为随机起始权重选择有意义的范围。就标准化输入而言，通常选 取范围为-0.7至+0.7的随机均匀权重。

在使用具有隐藏层的网络时经常发生的问题是在网络中使用的隐单元 的最优数。网络的输入和输出数由待求解问题确定。对于本文公开的方法， 给定神经网络的输入数可为所选标记物组中的标记物数。

神经网络的输出数通常仅为一个：是或否。然而，在一些实施例中， 使用不止一个输出，以便网络可定义不止两个状态。

用来分析数据的软件可包括将算法应用于信号分析的代码，以确定信 号是否代表对应于根据本发明的生物标记物的信号峰值。该软件也可将与观 察到的生物标记物信号有关的数据用于分类树或ANN分析，以确定是否存 在指示患者疾病的诊断或状态的生物标记物或生物标记物组合的信号。

因此，该过程可分成学习阶段和分类阶段。在学习阶段，学习算法应 用于包括要进行分类的不同类别的成员的数据集，例如来自诊断为AS并且 对于抗TNFa治疗有反应的患者的多个样品的数据以及来自结果为阴性的患 者(即，对于抗TNFa治疗无反应的AS患者)的多个样品的数据。用来分 析数据的方法包括但不限于人工神经网络、支持向量机、遗传算法和自组织 映射以及分类和回归树分析。这些方法描述于：例如2001年5月3日提交 的WO01/31579(Barnhill等人)；2002年1月24日提交的WO02/06829 (Hitt等人)和2002年5月30日提交的WO02/42733(Paulse等人)。学习 算法产生针对特定数据元素的分类算法，这些数据元素例如特定的标记物和 特定的标记物浓度(通常结合在一起)，能够将未知的样品分类为两个类别 中的一种，例如反应者或无反应者。分类算法最终用于预测测试。

软件(不管是免费软件还是专有软件)可极为有效地分析数据模式并 按任何预定的成功标准设计另外的模式。

试剂盒

在另一方面，本发明提供用于确定哪些AS患者对用抗TNFa试剂(例 如戈利木单抗)治疗有反应或无反应的试剂盒，这些试剂盒用于检测根据本 发明的血清标记物。试剂盒筛选血清标记物和标记物组合的存在，在AS患 者中这些血清标记物和标记物组合含量存在差异。

在一个方面，试剂盒包括用于采集样品的装置，例如造成皮肤“戳 孔”的柳叶刀或穿刺工具。试剂盒也可任选地包括用来从戳孔采集血液的探 针，例如毛细管。

在一个实施例中，试剂盒包括具有一种或多种生物特异性捕获试剂的 基片，这些生物特异性捕获试剂用来结合根据本发明的标记物。试剂盒可包 括多于一种类型的生物特异性捕获试剂，每种试剂存在于相同或不同的基片 上。

在另一个实施例中，此种试剂盒可包括标签或单独插页形式的有关合 适操作参数的说明书。例如，说明书可告知消费者如何采集样品或者如何清 空或洗涤探针。在另一个实施例中，试剂盒可包括一个或多个含有生物标记 物样品的容器，这些生物标记物样品用作校准的标准品。

在使用本发明的算法来预测AS患者对于抗TNF治疗有反应的方法 中，在抗TNF治疗前并在开始进行治疗后的特定时间段从患者体内采集血 液或其他流体。可对血液进行处理以提取血清组分或者采用全血。血液或血 清样品可被稀释成例如1∶2、1∶5、1∶10、1∶20、1∶50或1∶100，或不稀释直接 使用。在一种格式中，将血清或血液样品涂敷在预制的测试条或棒上，并在 室温下温育特定时间，例如1分钟、5分钟、10分钟、15分钟、1小时或更 长的时间。在规定的分析时间后，样品和结果可直接从测试条上读出。例 如，结果显示为不同色调的彩色或灰色带，表示一种或多种标记物的浓度范 围。测试条试剂盒会提供说明，解释基于一种或多种标记物的相对浓度得出 的结果。作为另外一种选择，可提供能够检测测试条上标记物检测系统的色 彩饱和度的装置，所述装置可任选地提供基于标记物系列的合适诊断算法得 出的测试解释的结果。

使用本发明的方法

本发明提供通过分析诊断为AS的患者体内检测到的生物标记物，来预 测对用抗TNFα制剂(例如戈利木单抗)治疗的反应性的方法。在本发明的 方法中，先由富有经验的专家用主观和客观标准诊断患者患有AS。

AS发病原因的现行调查着重识别起始因子、下游事件、炎症介质和过 程的调节因子。据估计形成AS的风险大约90％是可遗传的。最强的遗传风 险因子与HLA-B27分子相关。考虑到HLA-B27对风险的重要作用，已经提 出了几种可能的机制。然而，尽管业界对此兴趣浓厚并且研究活跃，但还是 没有就HLA-B27如何造成疾病易感性达成共识。环境因素的作用仍然令人 困惑，同样难以理解的是，AS往往牵涉韧带和肌腱与骨的结合部(附着 点)或骶髂关节。

AS主要的临床特征包括骶髂关节炎引起的炎性背痛、中轴骨骼中其他 位点的炎症、外周关节炎、附着点炎和前葡萄膜炎。结构的变化主要是由于 骨质增生而不是骨破坏造成的。韧带骨赘和关节强直是这种疾病最突出的特 征。AS的特征症状为下背部疼痛、臀部疼痛、脊柱活动受限、髋关节疼 痛、肩膀疼痛、外周关节炎和附着点炎。神经系统症状可伴随脊髓或脊神经 压迫，由该疾病的几种并发症引起。椎体骨折可在具有强直脊柱的患者中发 生，但很少或没有造成创伤。最普遍的骨折位点在C5-6间隙。临床上显著 的寰枢椎半脱位可在高达21％的AS患者中发生并导致脊髓压迫。马尾综合 征是长期AS的罕见并发症；其发病机制知之甚少并包括炎症、蛛网膜炎、 机械拉伸、神经根压迫、脱髓鞘和局部缺血。

临床评价方法

根据临床特征和通过某种成像方法获得的骶髂关节炎证据的组合作出 AS的诊断，该成像方法由1984年修正的纽约标准(van der Linden S， Valkenburg HA，Cats A：Evaluation of diagnostic criteria for ankylosing  spondylitis.A proposal for modification of the New York criteria.Arthritis Rheum  27：361-368，1984(van der Linden S、Valkenburg HA、Cats A，“对强直性脊 柱炎诊断标准的评价—纽约标准修正建议”，《关节炎和风湿病》，第27 卷，第361-368页，1984年))定义。研究已表明，疾病的实验室标记物 (例如红细胞沉降率(ESR)和C-反应蛋白(CRP)水平)对于评价疾病 活动性或监测对治疗的反应没有帮助(Spooorenberg A et al.1999 J  Rheumatol 26：980-4(Spooorenberg A等人，1999年，《风湿病学杂志》， 第26卷，第980-984页))。

临床标准为：1)持续时间超过3个月的下背部疼痛和僵硬，其随着运 动而改善但不能通过休息缓解；2)腰椎在矢状面和额状(冠状)面的活动 受限；以及3)相对于根据年龄和性别矫正的正常值，胸部扩张受限。X线 标准为双侧骶髂关节炎2级或更高，或者单侧3级或更高。关节炎的X线 分级评分由5级组成：0级是正常的脊柱；1级表示疑似变形；2级表示硬化 并带有一些侵蚀；3级表示严重的侵蚀、关节间隙的假性扩张和不全强直； 4级表示完全强直。当1个X线标准与至少1个临床标准相关时，存在确定 的AS。如果有三个临床标准存在或者X线标准存在但没有病征或症状来满 足临床标准时，考虑可能是AS。临床等级可用作部分数据集来产生对治疗 有反应的预测算法。

一旦AS的诊断确立了，医师通常纵向监测临床结局以便识别处于疾病 恶化风险的患者。强直性脊柱炎评价研究组(ASAS)已经定义了很多用于 管理疾病的核心参数。AS患者的疼痛通常限于背部，但是轴外位点为对具 有外周疾病临床表现的患者进行缓解疼痛治疗的主要关注点。使用单个 100mm的水平视觉模拟评分(VAS)来测量夜间和一般脊柱疼痛。在用抗 TNF疗法治疗的AS患者中，ASAS已建立反应标准。这些标准中的几个在 下文概述或可通过联系美国风湿病学家学会(American Society of  Rhuematologists)获得。

ASAS20反映了对用来产生“评分”的几个标准的改善程度达20％ (Anderson JJ et al.2001 Arthritis Rheum 44：1876-1886(Anderson JJ等人， 2001年，《关节炎和风湿病》，第44卷，第1876-1886页))。ASAS改 善标准把对治疗的阳性反应定义成首先具有20％的相对改善，其次在4个领 域(炎症、功能、患者的痛觉和患者总体健康，在第四领域没有恶化)中的 3个领域有10个单位的绝对改善。

BASDAI(Bath强直性脊柱炎疾病活动指数)定义了AS患者的炎症活 动性。炎症可通过评价患者经历的不适和晨僵程度作出临床评价。BASDAI 是自评指数，每个问题限定在100mm VAS(范围0-100，其中0＝没有僵硬 和100＝非常严重的僵硬)。已显示评分对治疗引起的变化较敏感。

BASMI(Bath强直性脊柱炎计量指数)是定量的、医师评价的、对AS 患者经历的脊柱活动受限的量度。BASMI是经验证的指数，其由5个临床 测量指标组成，包括颈椎旋转度、耳屏至墙距离、脊柱侧屈度、腰椎屈曲度 和踝间距，其反映了轴节段受累。研究表明，BASMI表现出良好的观察者 间信度；然而BASMI不能区分身体受限是由急性炎症造成还是由慢性疾病 损伤造成。没有公布的纵向研究表明BASMI可在患者的寿命期有进展，但 人们认为患者的BASMI评分会随着AS患者发展进程性疾病的时间逐步增 加。BASMI与脊柱照片的相关性在某些情况下表明与放射损伤有显著的关 联。

BASFI(Bath强直性脊柱炎功能指数)使用身体机能测量指标来评价患 者执行日常任务能力的受限程度。身体机能用BASFI和Dougados功能指数 (DFI)测量。然而，BASFI是在临床实践和临床试验中最为广泛地使用的 测量指标。

应当认识到本文所述的临床指标为患者数据集的一部分并且可指定一 个数字评分。

以往治疗的失效

ASAS制订了关于需要对AS进行抗TNF治疗的共识声明(Braun et al  2003 Annals Rheumatic Diseases 62：817-824(Braun等人，2003年，《风湿病 年鉴》，第62卷，第817-824页))。对于AS的所有三种表现，即中轴疾 病、外周关节炎和附着点炎，治疗失效定义为进行至少3个月标准NSAID 治疗的试验。在开始抗TNF治疗前，患者必须按照最大推荐或耐受的抗炎 剂量接受使用至少两种NSAID的充分治疗试验，除非这些药物为禁忌的。

所有如下三种表现要求中断NSAID治疗：中轴疾病、外周关节炎和附 着点炎：

对于中轴疾病症状，要求在开始进行抗TNF治疗前不进行其他治疗。

对于外周关节炎症状，通常要求中断对寡关节炎进行关节内皮质类固 醇治疗(至少两次注射)。除非是禁忌的或不能耐受的，否则应以多达3g/ 天的最大耐受剂量的柳氮磺吡啶进行4个月标准DMARD治疗。

对于附着点炎症状，通常要求进行至少两次局部类固醇类注射的充分 的治疗试验，只要这些注射不是禁忌的。

TNFa治疗的适用性

抗TNFα制剂可商购获得，例如英夫利昔单抗，并已用来治疗AS很多 年。抗TNFα制剂已显示极大地改善了强直性脊柱炎，缓解了疾病的不同症 状并改善了生活质量。可以根据除了临床评价外的其他标准以及任选地对替 代疗法例如NSAID和物理疗法、柳氮磺胺吡啶或甲氨蝶呤或双膦酸盐的反 应的失效，将AS患者视为抗TNFα治疗的候选者。

患者管理

在本发明预测或评价对于抗TNF治疗的早期反应性的方法中，在开始 进行抗TNF治疗前，从要用抗TNF疗法治疗的患者获取在“基线随访”、 基线或“0周”的样品。样品可为任何这样组织，其可用来评价与本发明的 方法相关的生物标记物。在一个实施例中，样品是选自血液、血清、尿液、 精液和粪便的流体。在一个具体的实施例中，样品是得自患者血液的血清样 品，患者血液通过直接静脉穿刺的标准方法或通过静脉内导管吸取。

此外，在基线随访时，将有关患者的人口统计学数据和AS病史的信息 记录在标准表格上或病例报告表上。诸如从患者诊断起算的时间、既往病 史、合并用药、C-反应蛋白(CRP)水平和疾病活动的评价(即BASDAI、 BASMI)之类的数据将被记录。

患者在基线随访时或24-48小时内接受首次剂量的抗TNF治疗。在基 线随访时，安排对患者进行第4周随访。

在第4周随访时，即在初始施用抗TNFa治疗后大约28天，获取第二 个患者样品，优选地使用与基线样品相同的方案和途径进行。对患者进行检 查并且可按照健康护理专家规定的方法或按照所示出的研究设计采集或监测 其他指标、影像或信息。安排对患者进行后续的随访，例如第8周、第12 周、第14周、第28周等进行随访，目的是使用如ASAS和BASDAI所示出 的此类标准进行疾病的评价以及获取患者样品用于生物标记物的评价。

在治疗前、期间或随后的任何时间或上述时间，可对从患者获得的样 品或其他流体或组织样品进行其他参数和标记物的评价。这些参数和标记物 包括标准血液学参数，例如血红蛋白含量、血细胞比容、红细胞容积、平均 红细胞直径、红细胞沉降率(ESR)等等。其他标记物(已确定可用于评价 AS的存在)可在一些或全部患者的样品中定量，例如CRP(Spoorenberg A  et al.1999.J Rheumatol 26：980-984(Spoorenberg A等人，1999年，《风湿 病学杂志》，第26卷，第980-984页))和IL-6，以及软骨退变的标记物 例如血清1型N-端肽(NTX)、尿II型胶原C-端肽(尿型CTX-II)和血清 基质金属蛋白酶3(MMP3，基质溶素1)(参见US20070172897)。

可用于评价对治疗的反应的另外炎症相关标记物可为炎性细胞因子， 例如IL-8或IL-1；炎性趋化因子，例如ENA-78/CXCL5、RANTES、MIP- 1β；血管生成相关蛋白(EGF、VEGF)；另外的蛋白酶，例如MMP-9、 TIMP-1；作用于细胞免疫系统(TH-1)的分子，例如IFNγ、IL-12p40、IP- 10；以及作用于体液免疫系统(TH-2)的分子，包括IL-4和IL-13；生长因 子，例如碱性FGF；一般的炎症标记物，包括绿过氧物酶；以及粘附相关 分子，例如ICAM-1。

医疗专家对反应的临床判断不应被测试结果所否定。然而，测试可有 助于作出中止继续用戈利木单抗治疗的决定。在预测模型(算法)具有 90％的灵敏度以及60％的特异性的一个测试中，其中50％的患者显示临床反 应并且50％未显示符合临床反应的评价分数或评价。这将意味着：反应者 中，45％会准确地识别为反应者(5％会报告为可能的无反应者)以及30％ 的无反应者会准确地识别为无反应者(20％会归类为可能的反应者)。因 此，总体效果是60％的所有真无反应者可免于不必要的治疗或者在早期时 间点(第4周)中止治疗。5％假阴性的“反应者”(识别为可能的无反应 者)会被治疗，以及对于所有患者而言，其反应在第14周或更后时间决定 继续或中止治疗前会经临床判断。20％的假阴性“无反应者”(识别为可能 的反应者)必须进行临床判断，并且会用通常的时间来作出中止治疗的决 定。

实例1：样本采集和分析

从参与多中心、随机、双盲、安慰剂对照的3组研究Centocor Protocol  C0524T09的患者获得血清样品并进行评价。这3个组由安慰剂组和戈利木 单抗100mg或戈利木单抗50mg这两种剂量水平的抗TNFa Mab处理组构 成；每4周皮下注射患有活动期强直性脊柱炎的患者。在第14周和第24周 作了初步功效评价。在基线(0周)、第4周和第14周从100名患者采集了 血清样品用于生物标记物研究。

采用商购的检测分析法对血清进行生物标记物分析，这些检测分析法 或者采用Rules Based Medicine(Austin，TX)进行的多重分析或者采用单 个分析物ELISA。所有样品被保存于-80℃直至测试。这些样品在室温下融 化、涡旋并以13,000×g自旋5分钟来澄清，并且将150μL移入主微孔板用 于抗原分析。使用自动移液，将每个样品的等分试样注入分析物的捕获微球 多路通道之一中。将这些样品和捕获微球的混合物彻底混合并在室温下温育 1个小时。对各路通道使用生物素化的记者抗体的多重混合物并使用链霉抗 生物素蛋白-藻红蛋白进行检测。用Luminex 100仪器进行分析，并且用由 Rules-Based Medicine开发并授权给Qiagen Instrument的专有数据分析软件解 释所得的数据流。对于各路通道，均采用校准物和对照物。首先确定各路通 道的高、中和低对照物的测试结果，以确保适当的分析性能。使用包括于数 据分析包中的4和5参数的、加权和非加权的曲线拟合算法，确定定位于某 路具体通道中的每个分析物的未知值。在每个时间点，对总共92个蛋白生 物标记物作了分析(表1)。

表1.

92个生物标记物中的每个都有定量下限(LOQ)。分析中使用生物标 记物的标准要求至少20％的样品中生物标记物在定量限之上。来自300个样 品的92个生物标记物中，有63个(68％)达到了分析的纳入标准。对每个 生物标记物分布作出评价以确定该生物标记物的对数变换是否得到保证。该 评价在未考虑处理组的情况下作出。总的说来，分析集之中的63个生物标 记物的60个经log2变换。表2确认最终分析中包括的生物标记物、LOQ以 及对数变换是否可能。

另外的基线生物标记物分析

除了Rules Based Medicine多重分析之外，另外的血清生物标记物数据 集可使用不包括于多重测试菜单中的特定生物标记物的单个EIA方法生 成。将另外的标记物与多重生物标记物数据集结合以确定基于单个和多重标 记物之组合的模型准确度。这些数据仅作为预测模型的组成部分而包括在 内。

表2.

还评价了样品相关矩阵的平均两两相关性；所有样品表现出与其他样 品至少平均89％的相关性，表明生物标记物数据在全部受试者样品上一 致。

生物标记物的汇总统计示出于表3中。基线生物标记物水平的分布在 三个处理组之间基本平衡。

表3.

在戈利木单抗治疗组，多个标记物从基线水平至第4周和第14周显著 变化。非常有限的标记物组在安慰剂处理受试者中变化。通常，两个戈利木 单抗剂量组之间的差异不显著。将受试者内偏离基线的变化在戈利木单抗组 (剂量组组合)和安慰剂组之间比较。大约一半标记物经测定显示，偏离基 线的变化在戈利木单抗组和安慰剂组之间存在显著的差异(表4)，并且 5)示出了偏离基线的变化在组合的戈利木单抗组和安慰剂组之间存在显著 (p＜0.01)差异的标记物。

表4

表5.

实例2：标记物和关联

为了建立预测模型或算法，与研究临床终点相关联地评价了标记物数 据。在本研究中有六个临床终点，定义为第14周ASAS20、第24周 ASAS20、第14周BASMI的变化、第14周BASFI的变化、和第14周 BASDAI的变化。这些研究终点是评价患者疾病状态的公认临床方法。所收 集的在蛋白生物标记物分支研究和研究终点的100名患者在下面示出(表 6)。

表6.

临床反应主要终点示出于表7中，其中条目代表该组的反应者/总数。 虽然不是生物标记物分支研究的主要关注点，但是仍有助于解释在该队列中 对临床终点的治疗效果评价的研究。如表7所示出，戈利木单抗治疗组的反 应在整个评价的临床终点范围内(除BASMI外)显著优于安慰剂组。

表7.

在参与蛋白标记物研究的研究患者中，性别与六个临床终点的三个有 显著关联(表8)。性别也与很多蛋白生物标记物显著相关。因此，性别用 作调整模型的协变量，该模型用于测试生物标记物值和临床终点之间的关 联。如果不进行该调整，则与性别相关联的标记物(如前列腺特异性抗原) 似乎与临床终点关联，但是该关联是性别/终点关联的假象。CRP为通常与 AS关联的标记物，然而，在该研究中CRP的基线值在统计学上与临床终点 不相关。

表8.

实例3：预测模型建立

评价了生物标记物在基线、第4周、和第14周的关联。这些分析得出 了若干发现。92个检测的标记物与临床反应几乎没有关联。表现出显著效 果的标记物、以及这些标记物的标记物与终点关系，通常在全部的若干主要 和次要终点上是一致的。由于对临床结局无剂量效应，使用的数据是组合的 戈利木单抗治疗组(所有患者接受戈利木单抗治疗)。评价了生物标记物在 基线、第4周、和第14周的关联。

所有分析均使用R进行(R：A Language and Environment for Statistical  Computing，2008，Author：R Development Core Team，R Foundation for  Statistical Computing，Vienna，Austria，ISBN 3-900051-07-0(《R：一种用于 统计计算的语言和环境》，2008年，R核心开发团队，R Foundation for  Statistical Computing(Vienna，Austria)，ISBN 3-900051-07-0))。偏离基 线的变化使用单样本t检验进行检验。临床因子与基线生物标记物的关联使 用稳健线性回归模型评价。使用稳健逻辑回归模型检验生物标记物与临床终 点的关联。临床终点变量“是”/“否”使用1/0编码。连续临床终点转化为 1/0变量用于该分析，该转化通过将阈值应用于所有受试者的中值进行。

在全部时间点和临床终点上被一致识别出的基线标记物为瘦素、触珠 蛋白、胰岛素、ENA78、和载脂蛋白C3、骨钙素、P1NP、和IL6(通过 EIA)。每个这些标记物在至少三个临床终点具有显著性，并且在至少一个 终点具有大于1.5的比值比。对于这些标记物，表9示出了它们与临床终点 关联的比值比和p-值。在表9中，比值比(OR)用log2尺度的1个单位变 化或线性尺度加倍来表示临床反应增加的几率。

为了增加该研究结果的可靠性，重点放在识别整个多个终点的多个时 间点表现出显著关联的标记物。在基线，在整个临床终点一致识别出的多重 确定的标记物为瘦素、触珠蛋白、胰岛素、ENA78、和载脂蛋白C3。此外 还有血清样品的单个ELISA测试识别的骨钙素、P1NP、和IL-6。这八个标 记物中的每个在至少三个临床终点具有小于0.05的p值，并且在至少一个 终点具有大于1.5的比值比(OR)。对于这些标记物，表9示出了它们与 临床终点关联的比值比和p-值。OR用log2尺度的1个单位变化或线性尺度 加倍来表示临床反应增加的几率。

表9.

其偏离基线的早期(第4周)变化在全部时间点和临床终点上被一致 预测到的标记物为触珠蛋白、血清淀粉样蛋白、CRP、α-1抗胰蛋白酶、冯 威勒布兰特因子、补体因子3、和血清标记物IL-6(ELISA)。这七个标记 物中的每个在至少3个临床终点具有显著性，并且在至少一个终点具有大于 3的比值比。对于这些标记物，表10示出了它们与临床终点关联的比值比 和p值。

表10

安慰剂

与在戈利木单抗治疗组中观察到的生物标记物/临床终点关联相反，在 安慰剂组中生物标记物值与临床终点反应的关联如果有也很少(未示出)。 该结果作为见于戈利木单抗生物标记物分析的更显著生物标记物结果的内参 或基准。

基线生物标记物预测方法

建立了分类和回归树(CART)预测模型以用于确定哪些生物标记物可 用于预测患者对治疗的长期临床反应。所有预测模型使用留一法交叉验证。 CART模型以决策树的形式显示(图1-6)。树的节点用分类预测(“是” 表示预测的临床终点反应者，“否”表示预测的临床无反应者)和两个数字 (x/y，其中x是研究中落入该节点的无反应者的实际数目，并且y是研究 中落入该节点的反应者的实际数目)标记。模型的总体准确度为整个‘否’ 端节点的x数目加上全部‘是’端节点上的y数目。建立的模型用于主要临 床终点第14周ACR20，以及选择的次要临床终点。通常，次要终点模型在 它们的灵敏度和特异性方面与主要终点模型非常类似。

预测模型用于确定哪些生物标记物可用于预测患者对治疗的反应。一 个模型基于在基线获取的标记物的值建立，这些值通过多重检测并使用 ASAS20(主要)终点进行分析(图1)。使用该模型分析样品的结果表 明，当该模型应用于样品时，该模型在61/76(80％)测试患者中是正确 的。这意味着在用该模型分析的患者样品中，结果可预测80％患者在第14 周的临床反应(ASAS20)。该模型的图表在图1中给出。生物标记物模型 使用瘦素作为初始分类器：也就是说，瘦素高于或等于3.8(对数尺度)的 患者预测为无反应者。而那些瘦素水平低于3.8的患者则基于第二标记物 CD40配体的使用来分类。CD40配体结果高于1.05的患者预测为反应者， 而瘦素水平低于3.8并且CD40配体低于1.05的患者预测为无反应者。使用 该模型预测的灵敏度为86％。使用该模型结果的特异性为88％。

BASDAI终点的预测模型在图2中示出。该模型选择了不同的生物标记 物，并且BASDAI模型的总体准确度与ASAS20模型类似。图2中的算法基 于大于或等于7.033(对数尺度)的TIMP-1水平，该TIMP-1水平作为对于 抗TNF治疗有反应的初始分类器。TIMP-1水平大于或等于7.033的患者使 用G-CSF进一步分类，G-CSF小于3.953被分类为预测的反应者，并且G- CSF大于或等于3.953分类为预测的无反应者。TIMP-1水平小于7.033的患 者使用PAP水平进一步分类，其中小于-1.287的水平预测为反应者，并且 大于-1.287水平的患者根据MCP-1水平进一步分类，其中MCP-1小于 7.417预测为反应者，并且MCP-1大于或等于7.417预测为无反应者。

当使用单路EIA检测(非多重检测)和3重检测(Luminex)分析的标 记物包括于CART分析时，不论临床终点是ASAS20还是BASDAI(分别在 图3和4中)，所得算法(决策树)均依靠骨钙素作为初始分类器。结果发 现附加的标记物增强了标记物组的预测能力。基线生物标记物/血清生物标 记物模型通过第14周ASAS20评价来预测临床反应的准确度为67/76 (88％)(图3)。该生物标记物模型使用骨钙素(通过单路EIA检测)作 为初始分类器：骨钙素大于或等于3.878(对数尺度)的患者预测为反应 者；骨钙素低于3.878的患者根据PAP归类。模型准确度为88％，灵敏度为 90％，并且模型特异性为84％。

在类似分析中，BASDAI终点的预测模型在图4中示出。在这种情况 下，BASDAI和ASAS20模型看起来是非常相似的(二者都包括骨钙素和 PAP，BASDAI模型增加了胰岛素作为一个附加分类器)。该模型预测 BASDAI临床反应的准确度为61/76(80％)。

基线浓度和第4周偏离基线的变化

建立了使用多重数据的附加预测模型，以确定治疗第4周生物标记物 的变化是否可纳入第14周临床结局的预测。预测ASAS20的算法在图5中 示出。对于预测ASAS20的仅采用基线的算法，基线瘦素是初始分类器：瘦 素大于或等于3.8(对数尺度)的患者预测为无反应者；瘦素低于3.8的患 者根据以下两个额外的预测值进一步分类：i)补体3的变化，和ii)基线 VEGF。在该模型中，预测第14周临床反应(ASAS20)的准确度是64/76 (84％)。模型的灵敏度为92％，并且特异性为81％。

BASDAI终点的预测模型在图6中示出。虽然BASDAI模型的总体准 确度与ASAS20模型类似，但是在该分析中选择和使用了不同的生物标记 物：初始标记物为补体成分3从0周至第4周的变化，其中降低小于0.233 (对数尺度)的患者预测为反应者；补体成分3降低大于或等于0.2333的 患者根据基线铁蛋白进一步归类，其中如果铁蛋白值大于截断值7.774，则 患者被分类为预测的反应者，并且其中铁蛋白小于7.774，则患者被分类为 预测的无反应者；那些根据铁蛋白预测为无反应者的子集，再根据ICAM-1 水平的变化进一步分类，其中0周和第4周之间ICAM-1的降低大于或等于 0.02204的那些被分类为预测的反应者，并且其余0周和第4周之间ICAM-1 的降低小于0.02204的患者被分类为预测的无反应者。

概述

蛋白生物标记物研究的结果表明戈利木单抗治疗引起多个生物标记物 显著变化。与此相反，很少观察到安慰剂对照组中生物标记物的变化。建立 了两种类型的基于新型生物标记物临床反应预测模型，一种只使用基线生物 标记物值预测患者临床反应，另一种使用生物标记物值的早期(第4周)变 化预测长期(第14、24周)临床反应。该模型表明，标记物子集的变化与 对戈利木单抗的临床反应相关，而不是与仅为非特异性治疗效果的临床反应 相关。这可通过查看多个临床终点由稳健逻辑回归分析推断。

重要的是，标记物值(在基线或第4周的变化)先于临床结局出现。 这表明可建立一组生物标记物，用于以良好的准确度预测AS患者对戈利木 单抗治疗的最终反应或无反应。

对戈利木单抗的临床反应(病征和症状)的最佳生物标记物模型(基 于特异性和灵敏度)包括图3和4中所示出的基线水平的骨钙素和前列腺酸 性磷酸酶。