|
больше ...
Термины запроса в документе
Реферат
[RU] 1. Способ прогнозирования восприимчивости субъекта к агенту антиангиогенной терапии, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как восприимчивого или невосприимчивого к антиангиогенному терапевтическому агенту на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже порога оценки экспрессии соответственно. 2. Способ по п.1, в котором рак представляет собой рак яичников, глиобластому, рак простаты, колоректальный рак или рак молочной железы. 3. Способ по любому из пп.1 и 2, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где вес для каждого биомаркера соответствует весу, указанному в табл. 2А и 2В. 4. Способ по любому из пп.1 и 3, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, и где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 5. Способ по любому из пп.1 и 3, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 6. Способ по любому из пп.1, 3-5, в котором антиангиогенный терапевтический агент представляет собой терапевтический агент, нацеленный на путь VEGF, ингибитор пути ангиопоэтина-TIE2, эндогенные ангиогенные ингибиторы и иммуномодулирующие агенты. 7. Способ по п.6, в котором терапевтический агент, нацеленный на путь VEGF, выбран из бевацизумаба (авастин), афиберцепта (ловушка VEGF), IMC-1121B (рамуцирумаб), иматиниба (гливек), сорафениба (нексавар), гефитиниба (иресса), сунитиниба (сутент), эрлотиниба, тивозиниба, цедираниба (рецентин), пазопаниба (вотриент), BIBF 1120 (варгатеф), довитиниба, семаксаниба (суген), акситиниба (AG013736), вандетаниба (зактима), нилотиниба (тасигна), дасатиниба (спрайсел), ваталаниба, мотесаниба, АВТ-869, TKI-258 и их комбинации. 8. Способ по п.6, в котором ингибитор пути ангиопоэтина-TIE2 выбран из AMG-386, PF-4856884 CVX-060, СЕР-11981, СЕ-245677, MEDI-3617, CVX-241, трастузумаба (герцептин) или их комбинации. 9. Способ по п.6, в котором эндогенные ангиогенные ингибиторы выбраны из тромбоспондина, эндостатина, тумстатина, канстатина, аррестина, ангиостатина, вазостатина, интерферона-альфа или их комбинации. 10. Способ по п.6, в котором иммуномодулирующий агент выбран из талидомида, леналидомида и их комбинации. 11. Способ по любому из предыдущих пунктов, в котором прогнозирование выполнено в контексте стандартной терапии и/или терапии антиангиогенным терапевтическим агентом, где антиангиогенный терапевтический агент используется в адъювантной или неадъювантной терапии. 12. Способ по любому из предыдущих пунктов, в котором рак представляет собой рак яичника и субъект был ранее подвергнут цитотоксической химиотерапии на основе платины и таксана или в котором антиангиогенный терапевтический агент используется в адъювантной или неадъювантной терапии. 13. Способ определения прогноза для субъекта, больного раком, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как имеющего плохой или хороший прогноз на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже пороговой оценки экспрессии соответственно. 14. Способ по п.13, в котором рак представляет собой рак яичников, глиобластому или рак молочной железы. 15. Способ по любому из пп.13 и 14, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где каждый вес для каждого биомаркера соответствует указанному в табл. 2А и 2В. 16. Способ по любому из пп.13 и 14, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 17. Способ по любому из пп.13 и 14, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 18. Способ по любому из пп.13-17, в котором субъект был ранее подвергнут стандартной химиотерапии. 19. Способ по любому из пп.13-17, в котором субъект был ранее подвергнут хирургической резекции рака. 20. Способ по любому из предыдущих пунктов, в котором рак представляет собой глиобластому. 21. Способ по любому из предыдущих пунктов, в котором мерой прогноза является выживание. 22. Способ прогнозирования отклика субъекта на стандартную терапию рака, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как восприимчивого или невосприимчивого к стандартной терапии рака, на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже порога оценки экспрессии соответственно. 23. Способ по п.22, в котором рак представляет собой рак яичников, глиобластому или рак молочной железы. 24. Способ по любому из пп.22 и 23, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где вес для каждого биомаркера соответствует весу, указанному в табл. 2А и 2В. 25. Способ по любому из пп.22-24, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 26. Способ по любому из пп.22-24, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 27. Способ по любому из предыдущих пунктов, в котором рак представляет собой рак яичника и стандартная терапия представляет собой стандартную цитотоксическую химиотерапию на основе платины и таксана.
Полный текст патента
(57) Реферат / Формула: 1. Способ прогнозирования восприимчивости субъекта к агенту антиангиогенной терапии, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как восприимчивого или невосприимчивого к антиангиогенному терапевтическому агенту на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже порога оценки экспрессии соответственно. 2. Способ по п.1, в котором рак представляет собой рак яичников, глиобластому, рак простаты, колоректальный рак или рак молочной железы. 3. Способ по любому из пп.1 и 2, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где вес для каждого биомаркера соответствует весу, указанному в табл. 2А и 2В. 4. Способ по любому из пп.1 и 3, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, и где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 5. Способ по любому из пп.1 и 3, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 6. Способ по любому из пп.1, 3-5, в котором антиангиогенный терапевтический агент представляет собой терапевтический агент, нацеленный на путь VEGF, ингибитор пути ангиопоэтина-TIE2, эндогенные ангиогенные ингибиторы и иммуномодулирующие агенты. 7. Способ по п.6, в котором терапевтический агент, нацеленный на путь VEGF, выбран из бевацизумаба (авастин), афиберцепта (ловушка VEGF), IMC-1121B (рамуцирумаб), иматиниба (гливек), сорафениба (нексавар), гефитиниба (иресса), сунитиниба (сутент), эрлотиниба, тивозиниба, цедираниба (рецентин), пазопаниба (вотриент), BIBF 1120 (варгатеф), довитиниба, семаксаниба (суген), акситиниба (AG013736), вандетаниба (зактима), нилотиниба (тасигна), дасатиниба (спрайсел), ваталаниба, мотесаниба, АВТ-869, TKI-258 и их комбинации. 8. Способ по п.6, в котором ингибитор пути ангиопоэтина-TIE2 выбран из AMG-386, PF-4856884 CVX-060, СЕР-11981, СЕ-245677, MEDI-3617, CVX-241, трастузумаба (герцептин) или их комбинации. 9. Способ по п.6, в котором эндогенные ангиогенные ингибиторы выбраны из тромбоспондина, эндостатина, тумстатина, канстатина, аррестина, ангиостатина, вазостатина, интерферона-альфа или их комбинации. 10. Способ по п.6, в котором иммуномодулирующий агент выбран из талидомида, леналидомида и их комбинации. 11. Способ по любому из предыдущих пунктов, в котором прогнозирование выполнено в контексте стандартной терапии и/или терапии антиангиогенным терапевтическим агентом, где антиангиогенный терапевтический агент используется в адъювантной или неадъювантной терапии. 12. Способ по любому из предыдущих пунктов, в котором рак представляет собой рак яичника и субъект был ранее подвергнут цитотоксической химиотерапии на основе платины и таксана или в котором антиангиогенный терапевтический агент используется в адъювантной или неадъювантной терапии. 13. Способ определения прогноза для субъекта, больного раком, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как имеющего плохой или хороший прогноз на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже пороговой оценки экспрессии соответственно. 14. Способ по п.13, в котором рак представляет собой рак яичников, глиобластому или рак молочной железы. 15. Способ по любому из пп.13 и 14, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где каждый вес для каждого биомаркера соответствует указанному в табл. 2А и 2В. 16. Способ по любому из пп.13 и 14, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 17. Способ по любому из пп.13 и 14, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 18. Способ по любому из пп.13-17, в котором субъект был ранее подвергнут стандартной химиотерапии. 19. Способ по любому из пп.13-17, в котором субъект был ранее подвергнут хирургической резекции рака. 20. Способ по любому из предыдущих пунктов, в котором рак представляет собой глиобластому. 21. Способ по любому из предыдущих пунктов, в котором мерой прогноза является выживание. 22. Способ прогнозирования отклика субъекта на стандартную терапию рака, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как восприимчивого или невосприимчивого к стандартной терапии рака, на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже порога оценки экспрессии соответственно. 23. Способ по п.22, в котором рак представляет собой рак яичников, глиобластому или рак молочной железы. 24. Способ по любому из пп.22 и 23, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где вес для каждого биомаркера соответствует весу, указанному в табл. 2А и 2В. 25. Способ по любому из пп.22-24, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 26. Способ по любому из пп.22-24, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 27. Способ по любому из предыдущих пунктов, в котором рак представляет собой рак яичника и стандартная терапия представляет собой стандартную цитотоксическую химиотерапию на основе платины и таксана. Евразийское 025926 (13) B1 патентное ведомство (12) ОПИСАНИЕ ИЗОБРЕТЕНИЯ К ЕВРАЗИЙСКОМУ ПАТЕНТУ (45) Дата публикации и выдачи патента 2017.02.28 (21) Номер заявки 201391805 (22) Дата подачи заявки 2012.06.04 (51) Int. Cl. G01N33/50 (2006.01) C12Q1/68 (2006.01) (54) МОЛЕКУЛЯРНО-ДИАГНОСТИЧЕСКИЙ ТЕСТ НА РАК (31) 61/492,488 (32) 2011.06.02 (33) US (43) 2014.03.31 (86) PCT/US2012/040805 (87) WO 2012/167278 2012.12.06 (71) (73) Заявитель и патентовладелец: ОЛМАК ДАЙЭГНОСТИКС ЛИМИТЕД (GB) (72) Изобретатель: Харкин Денис Пол, Паттерсон Фионнуала, Триндер Клэр, О'Брайен Имонн Дж., Мичи Кэролайн, Гурли Чарли, Хилл Лора А., Китинг Кэтрин Э., О'Доннелл Джуд, Бюлешо Макс, Деаро Стив, Прутский Виталий, Кеннеди Ричард (GB), Дэвисон Тимоти (US), Винтер Андреас (DE), Маккэйвиган Эндрена (IE) (74) Представитель: Медведев В.Н. (RU) (56) WO-A1-2011005273 US-A1-20090304594 WO-A1-2009022129 (57) Предлагаются способы и композиции для идентификации молекулярно-диагностического теста на рак. Тест идентифицирует субтипы рака, восприимчивые к антиангиогенной терапии, и позволяет классифицировать пациентов в пределах этого субтипа. Настоящее изобретение может быть использовано для определения того, будут ли раковые пациенты клинически откликаться или не откликаться на схему лечения до введения какого-либо антиангиогенного агента. Этот тест может быть использован при разных типах рака и с разными препаратами, которые прямо или косвенно влияют на ангиогенез или сигнальные пути ангиогенеза. В дополнение к этому, настоящее изобретение может быть использовано в качестве прогностического индикатора для определенных типов рака. В частности, изобретение касается использования определенных комбинаций прогностических маркеров, где экспрессия прогностических маркеров коррелирует с восприимчивостью или невосприимчивостью к схеме лечения. Перекрестная ссылка на родственную заявку Настоящее изобретение заявляет приоритет временной патентной заявки США 61/492488, поданной 2 июня 2011 г., которая включена в описание в качестве ссылки. Область техники Настоящее изобретение относится к молекулярно-диагностическому тесту, пригодному для диагностирования раков из разных анатомических участков, включающему использование общего субтипа, связанного с ангиогенезом. Изобретение включает разработку модели классификации генов по уровням экспрессии генов. Одним способом применения является стратификация ответов на и селекция пациентов по терапевтическим классам противораковых препаратов и, таким образом, управление выбором лечения для пациентов. Другим применением является стратификация раковых пациентов на тех, кто отзывается, и тех, кто не отзывается на антиангиогенную терапию. Настоящее изобретение предлагает тест, который может направлять выбор терапии, а также выбор групп пациентов для стратегий обогащения при проведении клинических испытаний по оценке новых терапий. Изобретение может быть использовано в качестве прогностического индикатора для определенных раков, включая рак яичников, рак молочной железы и глиобластому. Субтип ангиогенеза может быть идентифицирован по свежим/замороженным (FF) или фиксированным формалином залитым в парафин (FFPE) образцам, взятым у пациента. Известный уровень техники Фармацевтическая промышленность находится в непрерывном поиске новых вариантов лекарственной терапии, являющихся более эффективными, более специфическими или имеющими меньше нежелательных побочных эффектов, чем используемые в настоящее время препараты. Альтернативные виды лекарственной терапии разрабатываются постоянно, потому что генетическая изменчивость в человеческой популяции приводит к существенным различиям в эффективности многих признанных препаратов. Поэтому, хотя в настоящее время доступен широкий спектр лекарственных терапий, дополнительные терапии всегда необходимы на случай, если пациент не отвечает на лечение. Традиционно, парадигма лечения, используемая врачами, заключалась в прописывании для лечения болезни лекарственной терапии первой линии, которая приводит к наибольшим возможным показателям успеха. Затем прописывают альтернативные лекарственные терапии, если первые оказались неэффективными. Эта парадигма, очевидно, не является лучшим способом лечения для определенных болезней. Например, при таких болезнях, как рак, первое лечение часто является наиболее важным и обеспечивает наилучшие возможности успешной терапии, поэтому существует высокая потребность в выборе начального препарата, который был бы наиболее эффективным против болезни данного конкретного пациента. Рак яичников является главной причиной смертности из всех гинекологических раков в западных странах. Такая высокая смертность вызвана установлением диагноза на поздней стадии у большинства пациентов. Эпителиальный рак яичников (ЕОС) составляет 90% злокачественных новообразований яичников и классифицируется на разные гистологические категории, включая серозный, мукоидный, эндо-метриоидный, прозрачно-клеточный, переходный, смешанный и недифференцированный субтипы. Все больше данных указывают на то, что такие различные гистологии вызваны разными этиологиями. В последнее время был достигнут прогресс в методологии, используемой для классификации эпителиального рака яичников (McCluggage, W.G. "Morphological subtypes of ovarian carcinoma: a review with emphasis on new developments and патогенез," Pathology 2011 Aug; 43(5):420-32). Одним из следствий этого является то, что многие опухоли, которые ранее классифицировались бы как эндометриоидные, теперь классифицируются как серозные. Текущим стандартом лечения рака яичников является хирургическое уменьшение объема опухоли и стандартная цитотоксическая химиотерапия на основе платины и таксана. Однако не все пациенты отзываются на него, и из тех, кто не отзывается, приблизительно у 70% наблюдаются рецидивы. Специфические прицельные терапии при раке яичников на основании гистологической или молекулярной классификации еще не достигли рыночной стадии. Аналогично, для других типов рака в настоящее время не существует точных способов выбора пригодных цитотоксических химиотерапевтических агентов. Прогресс в развитии микрочипов и молекулярной геномики обладает потенциалом значительного воздействия на диагностические возможности и прогностическую классификацию заболевания, что может способствовать прогнозированию отклика индивидуального пациента на определенную схему лечения. Микрочипы обеспечивают анализ больших количеств генетической информации, тем самым позволяя получить генетический "отпечаток пальцев" индивидуума. Существует значительный энтузиазм в отношении того, что эта технология, в конечном счете, обеспечит необходимые инструменты для разработки схем лекарственной терапии для индивидуальных пациентов. В настоящее время работники здравоохранения имеют незначительное количество механизмов, помогающих им идентифицировать раковых пациентов, которые могли бы получить пользу от применения химиотерапевтических агентов. Идентификация оптимального препарата первой линии была сложной задачей из-за отсутствия способов точного прогнозирования того, какая лекарственная терапия была бы наиболее эффективной для конкретной физиологии рака. Это отсутствие приводит к относительно низким показателям отклика на отдельно взятый агент и увеличению заболеваемости и смертности от рака. Кроме того, пациенты часто без необходимости получают неэффективную токсичную лекарственную терапию. Ангиогенез представляет собой ключевой компонент неоваскуляризации опухолей и является существенным для онкогенеза и метастазирования. По существу, он является ключевой областью терапевтического вмешательства и коррелирует с плохим прогнозом и сниженным выживанием. Это привело к разработке ряда агентов, нацеленных на связанные с ангиогенезом процессы и пути, включая лидирующий на рынке и первый одобренный FDA (Управление по контролю за пищевыми продуктами и медикаментами США) антиангиогенный препарат, бевацизумаб (авастин), производимый фирмой Genentech/Roche. Схемы лечения, включающие бевацизумаб, продемонстрировали широкую клиническую активность [1-10]. Однако не наблюдалось положительного эффекта на общую выживаемость (OS) после добавления бевацизумаба к цитотоксической химиотерапии при большинстве видов рака [8, 12, 13]. Это позволяет предположить, что существенная часть опухолей или изначально являются резистентными, или быстро вырабатывают резистентность к блокаде VEGF (фактор роста сосудистого эндотелия, VEGF) (механизм действия бевацизумаба). Фактически, 21% пациентов с раком яичников, 10% с раком почки и 33% с раком прямой кишки демонстрируют частичный регресс при получении монотерапии бевацизума-бом, что позволяет предположить, что бевацизумаб может быть активным в маленьких подгруппах пациентов, но такое приращение полезного эффекта не достигает значимых уровней для неотобранных пациентов. По существу, использование биомаркера отклика на бевацизумаб улучшило бы оценку результатов лечения и, таким образом, позволило бы идентифицировать подгруппы пациентов, которые получили бы наибольшую клиническую пользу от лечения бевацизумабом. Это было бы особенно важно в случае метастазирующего рака молочной железы, при котором отсутствие клинически полезного биомаркера подрывает использование бевацизумаба. До настоящего времени не существует таких клинически подтвержденных биомаркеров, предсказывающих эффективность бевацизумаба. Гипертензия и полиморфизмы VEGF до сих пор являются единственными биомаркерами, демонстрирующими потенциал, но остаются существенные вопросы, касающиеся их использования в клинических условиях. Другим подходом к антиангиогенной терапии является одновременное нацеливание на множество ангиогенных путей, а не селективное нацеливание на путь VEGF. Теоретически, многоцелевые антиан-гиогенные агенты должны более полно ингибировать ангиогенез, чем такие агенты, как бевацизумаб и, таким образом, могут обеспечивать большую терапевтическую пользу. Было выдвинуто предположение, что в некоторых опухолях ангиогенез может нуждаться в VEGF только на ранних стадиях заболевания, но по мере прогрессирования болезни обеспечивается дополнительными ангиогенными путями. Поэтому нацеливание на множество путей может позволить противодействовать механизмам компенсаторного избегания, которые могут приводить к резистентности к ингибированию VEGF. Для других типов рака до настоящего времени не существует точных способов определения того, какие из пациентов будут или не будут откликаться на стандартный уход с использованием антиангио-генной терапии или антиангиогенную терапию одним агентом. Таким образом, существует потребность в молекулярно-диагностическом тесте, который способствовал бы стратификации пациентов на основании их прогнозируемого отклика на антиангиогенную терапию в комбинации со стандартным уходом или терапию одним агентом. Это позволило бы быстро идентифицировать тех пациентов, которые должны получать альтернативные виды терапии. Такой моле-кулярно-диагностический тест должен прогнозировать терапевтическую восприимчивость при разных типах рака с достаточной точностью. Сущность изобретения Раскрыты способы использования набора биомаркеров, экспрессируемых при раке таким образом, что при чрезмерной или недостаточной экспрессии некоторых или всех транскриптов они идентифицируют субтип рака, демонстрирующие повышающую регуляцию молекулярной сигнализации, связанной с ангиогенезом. Изобретение также предусматривает способы определения восприимчивости или невосприимчивости к антиангиогенным агентам. В разных аспектах такой набор биомаркеров может быть основой однопараметрического или многопараметрического прогностического теста, который может быть проведен с использованием способов, известных специалистам, таких как микрочипы, Q-PCR (количественная ПЦР), иммуногистохимия, ELISA (иммуноферментный твердофазный анализ) или других технологий, позволяющих количественно определять экспрессию мРНК или белка. В дополнение к этому, субтип рака, описанный здесь, является общим для многих типов рака и не ограничен одним типом ракового заболевания. Поэтому сигнатуры (характерные профили) экспрессии, раскрытые здесь, могут быть использованы для предсказания восприимчивости или невосприимчивости к терапии рака для разных типов рака в разных тканях. В одном варианте исполнения изобретения такие биомаркеры являются пригодными для оценки восприимчивости раковой опухоли к антиангиогенной терапии. В одном типичном варианте исполнения рак представляет собой рак яичников. В другом типичном варианте исполнения рак представляет собой глиобластому. В другом типичном варианте исполнения рак представляет собой рак молочной железы. Изобретение, описанное здесь, не ограничено каким-либо одним препаратом; оно может быть использовано для идентификации особ, откликающихся и не откликающихся на любой из спектра препара тов, используемых в настоящее время, находящихся в процессе разработки, и новых, которые прямо или косвенно влияют на или нацелены на ангиогенные процессы. В одном варианте исполнения настоящее изобретение может быть использовано для оценки адъюванта или неадъюванта бевацизумаба или даса-тиниба, при использовании в качестве отдельно взятых агентов, или в комбинации со стандартным лечением. В другом варианте исполнения настоящее изобретение может быть использовано для оценки лечения авастином, VEGF-TRAP (ловушка VEGF), при раке яичников. Настоящее изобретение относится к предсказанию ответа на препараты с использованием по меньшей мере или до 10 разных классификаций ответа, таких как общая выживаемость, выживаемость без прогрессирования заболевания, радиологический ответ, определяемый по критериям RECIST (система оценки ответа солидных опухолей), полный ответ, частичный ответ, стабильные маркеры заболевания и серологические маркеры, такие как, без ограничений, PSA (простатический специфический антиген), СЕА (карциноэмбриональный антиген), СА125, СА15-3 и СА19-9. В определенных вариантах исполнения данное изобретение может быть использовано для оценки выживаемости при раке яичников, молочной железы и глиобластоме. В другом аспекте настоящее изобретение относится к идентификации субтипа ангиогенеза при раках. Субтип может быть детектирован путем определения уровней экспрессии определенных биомаркеров. Сигнатура экспрессии определяет набор биомаркеров, экспрессия которых является прогностической для типов рака, откликающихся или не откликающихся на антиангиогенные агенты. В определенных типичных вариантах исполнения сигнатура экспрессии включает два или больше биомаркера, выбранных из биомаркеров, перечисленных в табл. 1А и 1В. В другом типичном варианте исполнения сигнатура экспрессии включает два или больше биомаркера, выбранных из последовательностей SEQ ID NOs: 632-801 (группа I) или SEQ ID NOs: 802-974 (группа II). В другом типичном варианте исполнения сигнатура экспрессии включает два или больше биомаркера, выбранных из биомаркеров, перечисленных в табл. 2А и 2В. В другом типичном варианте исполнения сигнатура экспрессии включает биомаркеры, перечисленные в табл. 2А и 2В, и их соответствующие веса, определенные с использованием классификатора PLS. В другом аспекте настоящее изобретение относится к наборам для обычных диагностических применений, перечисленных выше, таких как qPCR, микрочипы и иммуноанализы, такие как иммуногисто-химия, ELISA, вестерн-блоттинг и т.п. Такие наборы включают соответствующие реагенты и указания по проведению анализа экспрессии генов или генных продуктов и количественному определению экспрессии мРНК или белка. Также раскрыты способы идентификации опухолей человека с фенотипом ангиогенеза или без него. В определенных типичных вариантах исполнения такие способы могут быть использованы для идентификации пациентов, чувствительных к и откликающихся на препараты, ингибирующие, прямо или косвенно, процессы, связанные с ангиогенезом. В определенных других типичных вариантах исполнения такие способы могут быть использованы для идентификации пациентов, резистентных к или не откликающихся на препараты, ингибирующие, прямо или косвенно, процессы, связанные с ангиогенезом. В другом аспекте изобретение может быть использовано как прогностический индикатор при определенных типах рака. В одном типичном варианте исполнения рак представляет собой рак яичников. В другом типичном варианте исполнения рак представляет собой рак молочной железы. В еще одном типичном варианте исполнения рак представляет собой глиобластому. Настоящее изобретение также относится к выдаче рекомендаций по эффективному лечению пациентов. Кроме того, предусматриваются способы, относящиеся к выбору схем лечения пациента и отбору пациентов для клинических испытаний существующих или находящихся на стадии разработки препаратов, которые прямо или косвенно влияют на ангиогенез. В дополнение к этому, тут описаны способы, позволяющие использовать законсервированные фиксированные формалином залитые в парафин (FFPE) биоптаты, а также свежую/замороженную (FF) ткань, для анализа всех транскриптов, и потому совместимые с наиболее широко распространенным типом биоптатов. Уровень экспрессии биомаркера может быть определен с использованием РНК, выделенной из FFPE-ткани, свежезамороженной ткани или свежей ткани, хранящейся в таких растворах, как RNAIater(r). Краткое описание чертежей Фиг. 1 иллюстрирует тепловую карту (карту интенсивностей), представляющую результаты иерархического агломеративного кластерного анализа наиболее вариабельных генов из 199 серозных образцов из набора образцов эпителиального рака яичников фирмы Almac Diagnostics. Функциональный анализ кластеров набора зондов подытожен справа от изображения. Надписи вверху изображения указывают группу классификатора, к которой был отнесен каждый образец для создания классификатора (т.е. метки классов). Фиг. 2А и 2В иллюстрируют результаты функционального анализа ангиогенеза для кластера набора зондов 199 только серозных образцов из обучающего набора эпителиального рака яичников с использованием функционального анализа обогащения. Фиг. 2А иллюстрирует гистограмму, представляющую значимость 10 биологических процессов Gene Ontology с наибольшей степенью обогащения. Красные столбцы указывают значимость процесса с р-значением 0,05, после коррекции на показатель ошибочного определения. Фиг. 2В иллюстрирует подмножество дерева биологических процессов Gene Ontology, в котором процессы включают один или несколько генов, кодируемых наборами зондов в кластере 3. Процессы, окрашенные в красный цвет, указывают значимость этого процесса с р-значением, равным 0,05, после коррекции на показатель ошибочного определения. Процессы, окрашенные в черный цвет, включают один или несколько генов, кодируемых наборами зондов в кластере 3, но не являющихся значимыми. Фиг. 3 иллюстрирует результаты функционального обогащения для генов, входящих в типовую 25-генную сигнатуру экспрессии, идентифицирующую молекулярный субтип, ассоциированный с ангио-генезом. Красные столбцы указывают значимость процесса с р-значением, равным 0,05, после коррекции на показатель ошибочного определения. Фиг. 4 иллюстрирует кривые Каплана-Майера для безрецидивной выживаемости (время до наступления события в неделях) после начальной хирургической резекции у пациентов с глиобластомой высокой степени без предварительного лечения (Phillips H.S., Kharbanda S., Chen R., Forrest W.F. et al. "Molecular subclasses of high-grade glioma predict prognosis, delineate a pattern of disease progression, and resemble stages in neurogenesis", Cancer Cell 2006 Mar; 9(3):157-73. PMID: 16530701; Costa B.M., Smith J.S., Chen Y., Chen J. et al. "Reversing HOXA9 oncogene activation by PI3K inhibition: epigenetic mechanism and prognostic significance in human glioblastoma", Cancer Res 2010 Jan 15; 70(2):453-62. PMID: 20068170). Фиг. 5 иллюстрирует график ROC-кривой характеристик классификации для типовой модели 25-генного классификатора 16 клеточных линий простаты после лечения дасатинибом. Величина ППК (площадь под кривой, AUC) составляет приблизительно 0,84 после применения модели классификатора. Границы 95% доверительного интервала были определенны с использованием 1000 бутстрап-итераций (Wang X.D., Reeves K., Luo F.R., Xu L.A. et al. "Identification of candidate predictive and surrogate molecular markers for dasatinib in prostate cancer: rationale for patient selection and efficacy monitoring", Genom. Biol. 2007; 8(11):R255. PMID: 18047674). Фиг. 6 иллюстрирует тепловую карту, представляющую иерархический агломеративный кластерный анализ наиболее вариабельных генов 265 серозных образцов из набора образцов эпителиального рака яичников реклассифицированных в соответствии с уточненными критериями патологической классификации. Функциональный анализ кластеров наборов зондов подытожен справа от изображения. Надписи сверху изображения указывают группу классификатора, к которой был отнесен каждый образец для составления классификатора (т.е. метки классов). Фиг. 7А и 7В иллюстрируют результаты функционального анализа набора зондов ангиогенеза из 265 только серозных образцов в обучающем наборе эпителиального рака яичников с использованием алгоритма инструмента функционального обогащения (FET). Фиг. 7А изображает гистограмму, представляющую значимость 10 биологических процессов Gene Ontology с наибольшим обогащением. Красные столбцы указывают значимость процесса с р-значением, равным 0,05, после коррекции на показатель ошибочного определения. Фиг. 7В иллюстрирует подмножество дерева биологических процессов Gene Ontology, в котором процессы включают один или несколько генов, кодируемых наборами зондов в кластере 2 (ангиогенез). Окрашенные в красный цвет процессы указывают значимость данного процесса с р-значением, равным 0,05, после коррекции на показатель ошибочного определения. Окрашенные в черный цвет процессы включают один или несколько генов, кодируемых наборами зондов в кластере ангиогенез, но не являются значимыми. Фиг. 8 представляет результаты функционального обогащения для генов из типовой 45-генной модели классификатора, идентифицирующей молекулярный субтип, ассоциированный с ангиогенезом. Красные столбцы указывают значимость процесса с р-значением, равным 0,05, после коррекции на показатель ошибочного определения. Фиг. 9 иллюстрирует график ROC-кривой характеристик классификации 45-генной модели классификатора для 16 клеточных линий простаты после лечения дасатинибом. Величина ППК составляет около 0,95 после применения модели классификатора. Границы 95% доверительного интервала были определены с использованием 1000 бутстрап-итераций. Фиг. 10 иллюстрирует тепловую карту, представляющую иерархический агломеративный кластерный анализ наиболее вариабельных генов для 265 серозных образцов набора образцов эпителиального рака яичников, реклассифицированного в соответствии с уточненными критериями патологической классификации. Функциональный анализ кластеров наборов зондов подытожен справа от изображения. Надпись сверху изображения указывает группу классификатора, к которой должен быть отнесен каждый образец для создания классификатора для группы без ангиогенеза или без ответа. Фиг. 11 иллюстрирует кривые Каплана-Майера для выживаемости без прогрессирования (в неделях) в группе образцов без ангиогенеза (фиг. 3А, кластер образцов 1) по сравнению с группой образцов с ангиогенезом (фиг. 10, кластеры образцов 2 и 3) в реклассифицированном наборе образцов яичников. Фиг. 12А и 12В иллюстрируют тепловые карты, представляющие иерархический агломеративный кластерный анализ наиболее вариабельных генов для 51 ER-отрицательных образцов (фиг. 12А) набора образцов рака молочной железы и наиболее вариабельных генов для 56 ER-положительных образцов набора образцов рака молочной железы (фиг. 12В). Функциональный анализ кластеров наборов зондов подытожен справа от изображения для кластеров, демонстрирующих развитие сосудистой се-ти/ангиогенез или иммунный ответ/интерферон-опосредованную передачу сигналов. Перечень последовательностей Последовательности нуклеиновых кислот и аминокислотные последовательности, перечисленные в прилагаемом перечне последовательностей, приведены с использованием стандартных буквенных обозначений нуклеотидных оснований, определенных в 37 C.F.R. (Свод федеральных постановлений США) § 1.822. Приведена только одна цепь каждой последовательности нуклеиновой кислоты, но комплементарная цепь считается включенной по любой ссылке на приведенную цепь. Перечень последовательностей приводится на оптическом диске, который прилагается к данному патенту. Детальное описание изобретения Если не указано иное, технические и научные термины, используемые в данном документе, имеют значения, общеизвестные рядовому специалисту в области техники, к которой относится данное описание. Определения обычных терминов молекулярной биологии приведены в Benjamin Lewin, Genes IX, опубликованной Jones and Bartlet, 2008 (ISBN 0763752223); Kendrew et al. (eds.), The Encyclopedia of Molecular Biology, опубликованной Blackwell Science Ltd., 1994 (ISBN 0632021829); Robert A. Meyers (ed.), Molecular Biology and Biotechnology: a Comprehensive Desk Reference, опубликованной VCH Publishers, Inc., 1995 (ISBN 9780471185710); Singleton et al., Dictionary of Microbiology and Molecular Biology 2nd ed., J. Wiley & Sons (New York, N.Y. 1994) и March, Advanced Organic Chemistry Reactions, Mechanisms and Structure 4th ed., John Wiley & Sons (New York, N.Y. 1992). Термины в единственном числе включают соответствующие термины во множественном числе, если из контекста четко не следует иное. Аналогично, союз "или" должен включать "и", если из контекста четко не следует иное. Термин "содержит" означает "включает". В случае конфликта главенствующим должно считаться данное описание, включая объяснения терминов. В используемом в данном документе значении термины "панель маркеров", "классификатор экспрессии", "классификатор", "сигнатура экспрессии" или "сигнатура" могут быть использованы взаимозаменяемо. Все публикации, опубликованные патентные документы и патентные заявки, упоминаемые в данном документе, указывают на уровень квалификации специалистов в области, к которой относится данное изобретение. Все публикации, опубликованные патентные документы и патентные заявки, упоминаемые в описании, настоящим включены в документ в качестве ссылок таким же образом, как если бы каждая индивидуальная публикация, опубликованный патентный документ или патентная заявка были специально и индивидуально указаны как включенные в качестве ссылок. Обзор. Важной целью проводящихся в настоящее время исследований рака является увеличение эффективности периоперационной системной терапии пациентов путем включения молекулярных параметров в клинические терапевтические решения. Фармакогенетика/геномика представляет собой исследование генетических/геномных факторов, задействованных в ответе индивидуума на чужеродное соединение или препарат. Агенты или модуляторы, обладающие стимулирующим или ингибирующим действием на экспрессию биомаркера по изобретению, могут быть введены индивидуумам для лечения (профилактически или терапевтически) рака у пациента. Идеальным было бы также учитывать фармакогеномику индивидуума в сочетании с таким лечением. Различия в метаболизме терапевтических средств могут, возможно, вызывать тяжелую токсичность или неудачу терапии в результате изменения соотношения между дозой и концентрацией в крови фармакологически активного препарата. Таким образом, понимание фармакогеномики индивидуума позволяет проводить выбор эффективных агентов (например, препаратов) для профилактического или терапевтического лечения. Такая фармакогеномика может быть дополнительно использована для определения пригодных дозировок и схем лечения. Соответственно, может быть определен уровень экспрессии биомаркера по изобретению у индивидуума для выбора, таким образом, пригодного агента (агентов) для терапевтического или профилактического лечения индивидуума. Настоящее изобретение относится к молекулярно-диагностическим тестам, пригодным для диагностирования раков из разных анатомических участков, которые включают использование общего субтипа, ассоциированного с ангиогенезом. Изобретение включает сигнатуры экспрессии, которые идентифицируют субъекта как восприимчивого или невосприимчивого к антиангиогенной терапии. Сигнатуру экспрессии определяют путем получения профилей экспрессии образцов из набора образцов с известной патологией и/или клиническим результатом. Образцы могут быть получены из образцов тканей одного типа или из тканей разных типов. В используемом в данном документе значении "профиль экспрессии" включает набор значений, характеризующих уровень экспрессии для каждого анализируемого биомаркера из данного образца. Профили экспрессии для набора образцов затем анализируют с использованием математической модели. Могут быть применены разные математические модели, которые включают, без ограничений, модели из области распознавания образов (Duda et al. Pattern Classification, 2nd ed., John Wiley, New York 2001), машинного обучения (Scholkopf et al. Learning with Kernels, MIT Press, Cambridge 2002, Bishop, Neural Networks for Pattern Recognition, Clarendon Press, Oxford 1995), статистики (Hastie et al. The Elements of Statistical Learning, Springer, New York 2001), биоинформатики (Dudoit et al., 2002, J. Am. Statist. Assoc. 97:77-87, Tibshirani et al., 2002, Proc. Natl. Acad. Sci. USA 99:6567-6572) или хемометрики (Vandeginste, et al., Handbook of Chemometrics and Qualimetrics, Part B, Elsevier, Amsterdam 1998). Математическая модель идентифицирует один или несколько биомаркеров, экспрессируемых в наборе образцов, являющихся наиболее прогностическими для данного фенотипа болезни. Эти один или несколько биомаркеров определяют сигнатуру экспрессии. Соответственно, сигнатура экспрессии включает биомаркеры, идентифицированные как наиболее прогностические для данного фенотипа болезни. В определенных типичных вариантах исполнения математическая модель определяет переменную, такую как вес, для каждого идентифицированного биомаркера. В определенных типичных вариантах исполнения математическая модель определяет решающую функцию. Решающая функция может дополнительно определять порог оценки, разделяющий набор образцов на два фенотипа болезни, такие как, без ограничений, образцы, являющиеся восприимчивыми и невосприимчивыми к антиангиогенной терапии. В одном типичном варианте исполнения решающая функция и сигнатура экспрессии определяются с использованием линейного классификатора. Для классификации новых образцов с использованием определенной сигнатуры экспрессии выделяют биомаркеры, определенные сигнатурой экспрессии, и определяют профиль экспрессии биомаркера (биомаркеров). Профиль экспрессии биомаркера нового образца анализируют с помощью той же самой математической модель, которую используют для определения сигнатуры экспрессии. В определенных типичных вариантах исполнения математическая модель определяет оценку экспрессии для нового образца. Оценка экспрессии может быть определена путем объединения значений экспрессии биомаркеров с соответствующими скалярными весами с использованием нелинейных, алгебраических, тригонометрических или корреляционных средних для получения единого скалярного значения. Оценку экспрессии сравнивают с порогом оценки и образец классифицируют как восприимчивый или невосприимчивый к антиангиогенной терапии. В одном типичном варианте исполнения значение экспрессии образца, большее контрольного значения экспрессии, указывает, что пациент будет восприимчивым к антиангиоген-ной терапии. В другом типичном варианте исполнения оценка экспрессии образца ниже порога оценки указывает, что пациент не будет восприимчивым к антиангиогенной терапии. В другом типичном варианте исполнения оценка экспрессии образца ниже пороговой оценки экспрессии указывает, что пациент болеет раком типа или имеет повышенный риск развития рака типа, являющегося невосприимчивым к антиангиогенной терапии. В другом типичном варианте исполнения оценка экспрессии образца выше контрольной оценки экспрессии указывает, что пациент болеет раком типа или имеет повышенный риск развития рака типа, являющегося восприимчивым к антиангиогенной терапии. В тех случаях, когда сигнатуру экспрессии получают из набора образцов тканей, включающего один тип раковой ткани, сигнатура экспрессии не ограничена идентифицированием одного и того же субтипа рака только в тканях того же самого типа рака, но может быть использована для других типов рака с тем же самым субтипом рака. Например, в тех случаях, когда сигнатуру экспрессии получают из образцов рака яичников, сигнатура экспрессии может быть использована для идентификации схожего субтипа ангиогенеза при разных раках, таких как глиобластома или рак молочной железы. Одним из применений сигнатур экспрессии, раскрытых в описании, является стратификация отклика на и селекция пациентов по терапевтическим классам препаратов, охватывающих антиангиогенные терапии. По результатам анализа экспрессии набора идентифицированных биомаркеров в опухоли можно определить, какой терапевтический агент или комбинация агентов будут наиболее вероятно снижать скорость роста раковой опухоли. Также можно определить, какой терапевтический агент или комбинация агентов будут с наименьшей вероятностью снижать скорость роста раковой опухоли. По результатам анализа экспрессии набора биомаркеров, таким образом, можно исключить неэффективные или непригодные терапевтические агенты. Важно, что в определенных вариантах исполнения такие определения могут быть выполнены для отдельных пациентов или для отдельных агентов. Таким образом, можно определить, может или нет определенная схема лечения принести пользу конкретному пациенту или типу пациентов и/или следует ли продолжать определенную схему. Настоящее изобретение обеспечивает тест, который может направлять выбор терапии, а также отбирать группы пациентов для стратегии обогащения при проведении клинических испытаний по оценке новых терапий. Например, при оценке предполагаемого антиангиогенного агента или схемы лечения сигнатуры экспрессии и способы, раскрытые в описании, могут быть использованы для отбора для клинических испытаний индивидуумов с типами рака, являющимися восприимчивыми к антиангиогенным агентам. Субтип ангиогенеза может быть идентифицирован по свежим/замороженным (FF) или фиксированным формалином залитым в парафин (FFPE) образцам пациента. В одном типичном варианте исполнения типом рака является рак яичников. В другом типичном варианте исполнения типом рака является глиобластома. В еще одном типичном варианте исполнения типом рака является рак молочной железы. Рак является "восприимчивым" к терапевтическому агенту, если его скорость роста ингибируется в результате контакта с терапевтическим агентом, по сравнению с его ростом в отсутствие контакта с терапевтическим агентом. Рост рака может быть измерен различными способами. Например, по размеру опухоли или путем измерения экспрессии опухолевых маркеров, соответствующих данному типу опухоли. Рак является "невосприимчивым" к терапевтическому агенту, если его скорость роста не ингибиру-ется или ингибируется в очень низкой степени в результате контакта с терапевтическим агентом по сравнению с его ростом в отсутствие контакта с терапевтическим агентом. Как было указано выше, рост рака может быть измерен различными способами, например по размеру опухоли или путем измерения экспрессии опухолевых маркеров, соответствующих этому типу опухоли. Свойство невосприимчивости к терапевтическому агенту является в высшей степени изменчивым, причем разные раки демонстрируют разные уровни "невосприимчивости" к данному терапевтическому агенту, в разных условиях. Дополнительно, измерения невосприимчивости могут быть оценены с использованием дополнительных критериев, кроме роста размера опухоли, таких как, без ограничений, качество жизни пациента и степень мета-стазирования. Идентификация сигнатур экспрессии. Сигнатуры экспрессии по настоящему изобретению идентифицируют путем анализа профилей экспрессии определенных биомаркеров в наборе образцов пациента. Биомаркеры, пригодные для использования в настоящем изобретении, включают ДНК, РНК и белки. Биомаркеры выделяют из образца пациента и их уровни экспрессии определяют для получения набора профилей экспрессии для каждого анализируемого образца из набора образцов пациента. a) Профили экспрессии. В определенных вариантах исполнения полученный профиль экспрессии представляет собой геномный профиль или профиль экспрессии нуклеиновой кислоты, где определяют количество или уровень одной или нескольких нуклеиновых кислот в образце. В таких вариантах исполнения образец, анализируемый для получения профиля экспрессии, используемого в диагностических или прогностических способах, представляет собой образец нуклеиновой кислоты. Образец нуклеиновой кислоты включает популяцию нуклеиновых кислот, которая включает информацию об экспрессии определяющих фенотип биомаркеров анализируемой клетки или ткани. В некоторых вариантах исполнения нуклеиновая кислота может включать РНК или ДНК нуклеиновые кислоты, например мРНК, кРНК, кДНК и т.д., при условии, что образец сохраняет информацию об экспрессии клетки-хозяина или ткани, из которой он получен. Образец может быть приготовлен рядом различных способов, как известно специалистам, например путем выделения мРНК из клетки, причем выделенная мРНК используется в том виде, как она была выделена, амплифицируется или используется для получения кДНК, кРНК и т.д., как известно в области дифференциальной генной экспрессии. Соответственно, определение уровня мРНК в образце включает приготовление кДНК или кРНК из мРНК и последующее измерение кДНК или кРНК. Образец типично готовят из клеток или ткани, взятых у субъекта, нуждающегося в лечении, например, путем биопсии ткани, с использованием стандартных протоколов, где типы клеток или тканей, из которых могут быть получены такие нуклеиновые кислоты, включают любую ткань, в которой существует характер экспрессии определяемого фенотипа, включая, без ограничений, больные клетки или ткани, жидкости организма и т.д. Профили экспрессии могут быть получены из исходного образца нуклеиновой кислоты с использованием любого удобного протокола. Хотя известны разные методы получения профилей экспрессии, такие как используемые в области дифференциальной генной экспрессии/анализа биомаркеров, одним из репрезентативных и удобных типов протокола получения профилей экспрессии являются протоколы получения матричного профиль генной экспрессии. Такие методики представляют собой анализы гибридизации, в которых используется нуклеиновая кислота, демонстрирующая "зондовые" нуклеиновые кислоты для каждого оцениваемого/профилируемого гена получаемого профиля. В таких анализах образец нуклеиновых кислот-мишеней сначала готовят из исходного образца анализируемой нуклеиновой кислоты, причем приготовление может включать мечение нуклеиновых кислот-мишеней меткой, например элементом системы продуцирования сигнала. После приготовления образца нуклеиновой кислоты-мишени образец вводят в контакт с матрицей в условиях гибридизации, в результате чего образуются комплексы с целевыми нуклеиновыми кислотами, являющимися комплементарными к последовательностям зонда, закрепленными на поверхности матрицы. Затем детектируют присутствие гибридизованных комплексов, качественно или количественно. Технология специфической гибридизации, которая может быть реализована для получения профилей экспрессии, используемых в способах по настоящему изобретению, включает технологии, описанные в патентах США № 5143854; 5288644; 5324633; 5432049; 5470710; 5492806; 5503980; 5510270; 5525464; 5547839; 5580732; 5661028; 5800992; описания которых включены в настоящий документ в качестве ссылок; а также WO 95/21265; WO 96/31622; WO 97/10365; WO 97/27317; ЕР 373203 и ЕР 785280. В этих способах матрицу "зондовых" нуклеиновых кислот, включающую зонд для каждого из биомаркеров, экспрессия которых анализируется, вводят в контакт с нуклеиновыми кислотами-мишенями, как описано выше. Контакт осуществляют в условиях гибридизации, например в жестких условиях гибридизации, как описано выше, и несвязанную нуклеиновую кислоту затем удаляют. Полученный профиль гибридизованных нуклеиновых кислот обеспечивает информацию, касающуюся экспрессии каждого из биомаркеров, используемых в качестве зондов, где информация об экспрессии указывает, экспрессируется данный ген или нет и, типично, на каком уровне, причем данные об экспрессии, т.е., профиль экспрессии, могут быть как качественными, так и количественными. b) Болезни и источники образцов тканей. В определенных типичных вариантах исполнения набор образцов пациента включает образцы раковой ткани, такие как законсервированные образцы. Набор образцов пациента предпочтительно получают из образцов раковой ткани, охарактеризованных с помощью прогноза, вероятности рецидива, долгосрочной выживаемости, клинического результата, отклика на лечение, диагноза, классификации рака или персонализованного геномного профиля. В используемом здесь значении рак включает, без ограничений, лейкоз, рак мозга, рак простаты, рак печени, рак яичников, рак желудка, колоректальный рак, рак горла, рак молочной железы, рак кожи, меланому, рак легкого, саркому, цервикальный рак, тестикуляр-ный рак, рак мочевого пузыря, эндокринный рак, эндометриальный рак, рак пищевода, глиому, лимфому, нейробластому, остеосаркому, рак поджелудочной железы, рак гипофиза, рак почки и т.п. В одном варианте исполнения описанные способы относятся к ракам, которые лечат антиангиогенными агентами, ан-тиангиогенными прицельными терапиями, ингибиторами сигнального пути ангиогенеза, без ограничений этими классами. Такие раки также включают подклассы и субтипы таких раков на разных стадиях патогенеза. В определенных типичных вариантах исполнения набор образцов пациента включает образцы рака яичников. В другом типичном варианте исполнения набор образцов пациента включает образцы рака молочной железы. В еще одном типичном варианте исполнения набор образцов пациента включает образцы глиобластомы. "Биологический образец", "образец" и "исследуемый образец" используются взаимозаменяемо по отношению к любому материалу, биологической жидкости, ткани или клетке, полученной или иначе взятой от индивидуума. Они включают кровь (включая цельную кровь, лейкоциты, мононуклеарные клетки периферической крови, лейкоцитную пленку, плазма и сыворотку), слюну, слезы, слизь, назальные смывы, назальный аспират, выдыхаемый воздух, мочу, сперму, слюну, менингеальную жидкость, амниоти-ческую жидкость, железистую жидкость, лимфатическую жидкость, аспират сосков, бронхиальный аспират, синовиальную жидкость, аспират суставов, асцит, клетки, клеточный экстракт и цереброспинальную жидкость. Они также включают экспериментально выделенные фракции всего вышеперечисленного. Например, образец крови может быть фракционирован для выделения сыворотки или на фракции, содержащие конкретные типы клеток крови, таких как красные кровяные клетки или белые кровяные клетки (лейкоциты). При необходимости, образец может быть комбинацией образцов индивидуума, такой как комбинацией ткани и образца жидкости. Термин "биологический образец" также включает материалы, содержащие гомогенизированный твердый материал, например, такие как из образца стула, образца ткани или биопсии ткани. Термин "биологический образец" также включает материалы, полученные из культуры ткани или культуры клеток. Могут быть использованы любые пригодные способы получения биологического образца; типичные способы включают, например, флеботомию, мазки (например, буккальный мазок) и процедуру биопсию аспирата тонкой иглой. Образцы также могут быть взяты, например, путем микродиссекции (например, лазерная захватывающая микродиссекция (LCM) или лазерная микродиссекция (LMD)), смыва мочевого пузыря, мазка (например, мазок РАР (Папаниколау)) или протокового лаважа. "Биологический образец", полученный или взятый у индивидуума, включает любой такой образец, который был обработан любым пригодным способом после получения от индивидуума, например свежезамороженный или фиксированный формалином и/или залитый в парафин. В используемом в данном документе значении термин "пациент" включает человека и не относящихся к человеку животных. Предпочтительным пациентом для проведения лечения является человек. "Пациент" и "субъект" используются в данном документе взаимозаменяемо. c) Биомаркеры. В используемом в данном документе значении термин "биомаркер" может относиться к гену, мРНК, кДНК, антисмысловому транскрипту, микроРНК, полипептиду, белку, белковому фрагменту или любой другой последовательности нуклеиновой кислоты или полипептидной последовательности, которые указывают или уровни экспрессии генов или уровни продуцирования белка. В тех случаях, когда биомаркер указывает или является признаком аномального процесса, болезни или другого состояния у индивидуума, этот биомаркер в общем описывается как сверхэкспрессируемый или недостаточно экс-прессируемый по сравнению с уровнем экспрессии или величиной показателя биомаркера, указывающими или являющимися признаком нормального процесса, отсутствия болезни или другого состояния у индивидуума. "Повышающая регуляция", "с повышенной регуляцией", "сверхэкспрессия", "сверхэкс-прессируемый" и любые их вариации используются взаимозаменяемо по отношению к значению величины или уровню биомаркера в биологическом образце, большему значения величины или уровня (или интервал значений или уровней) биомаркера, типично детектируемого в аналогичных биологических образцах от здоровых или нормальных индивидуумов. Термины могут также относиться к значению величины или уровню биомаркера в биологическом образце, превышающему значение величины или уро вень (или интервал значений или уровней) биомаркера, который может быть детектирован на другой стадии конкретной болезни. "Понижающая регуляция", "с понижающей регуляцией", "недостаточная экспрессия", "недостаточно экспрессируемый" и любые их вариации используются взаимозаменяемо по отношению к значению величины или уровню биомаркера в биологическом образце, меньшему значения величины или уровня (или интервала значений или уровней) биомаркера, которое типично детектируется в аналогичных биологических образцах от здоровых или нормальных индивидуумов. Термины могут также относиться к значению величины или уровню биомаркера в биологическом образце, меньшему значения величины или уровня (или интервала значений или уровней) биомаркера, которое может быть детектировано на другой стадии конкретной болезни. Кроме того, биомаркер, который является сверхэкспрессируемым или недостаточно экспрессируе-мым, также может быть назван "с дифференцированной экспрессией" или имеющим "дифференцированный уровень" или "дифференцированное значение" по сравнению с "нормальным" уровнем экспрессии или величиной показателя биомаркера, который указывает на или является признаком нормального процесса или отсутствия болезни или другого состояния у индивидуума. Таким образом, "дифференцированная экспрессия" биомаркера также может быть названа отклонением от "нормального" уровня экспрессии биомаркера. Термины "дифференцированная экспрессия биомаркера" и "дифференцированная экспрессия" используются взаимозаменяемо по отношению к биомаркеру, экспрессия которого активируется до более высокого или более низкого уровня у субъекта, страдающего от определенной болезни, по сравнению с его экспрессией у нормального субъекта или по сравнению с его экспрессией у пациента с дифференцированным ответом на определенную терапию или имеющего отличающийся прогноз. Термины также включают биомаркеры, экспрессия которых активируется до более высокого или более низкого уровня на разных стадиях той же болезни. Также следует понимать, что биомаркер с дифференцированной экспрессией может активироваться или ингибироваться при уровне нуклеиновой кислоты или уровне белка или может подвергаться альтернативному сплайсингу, приводящему к другому полипептидному продукту. Такие различия могут быть засвидетельствованы различными изменениями, включая уровни мРНК, уровни микроРНК, уровни антисмыслового транскрипта или экспрессию поверхностного белка, секрецию или другое распределение полипептида. Дифференцированная экспрессия биомаркера может включать сравнение экспрессии двух или больше генов или их генных продуктов; или сравнение соотношений экспрессии двух или больше генов или их генных продуктов; или даже сравнение двух различно процессированных продуктов одного и того же гена, которые различаются у нормальных субъектов и субъектов, страдающих от болезни; или между разными стадиями одной и той же болезни. Дифференцированная экспрессия включает как количественные, так и качественные различия временного или клеточного профиля экспрессии биомаркера, например, между нормальными и больными клетками или между клетками, в которых происходят разные связанные с болезнью явления, или находящимися на разных стадиях болезни. В определенных типичных вариантах исполнения биомаркер представляет собой транскрипт РНК. В используемом в данном документе значении "транскрипт РНК" относится как к кодирующей, так и к некодирующей РНК, включая матричные (информационные) РНК (мРНК), альтернативно сплайсирован-ные мРНК, рибосомальные РНК (рРНК), транспортную РНК (тРНК), малые ядерные РНК (мяРНК) и антисмысловую РНК. Измерение мРНК в биологическом образце может быть использовано в качестве замены детектирования уровня соответствующего белка и гена в биологическом образце. Таким образом, любые биомаркеры или панели биомаркеров, описанные в документе, также могут быть детектированы путем детектирования соответствующей РНК. Способы определения профилей экспрессии биомаркеров включают, без ограничений, количественную ПЦР, технологию NGS (секвенирование следующего поколения), нозерн-блоттинг, саузерн-блоттинг, микрочипы, SAGE (серийный анализ генетической экспрессии), иммуноанализы (ELISA (твердофазный иммуноферментный анализ), EIA (иммуноферментный анализ), агглютинацию, нефелометрию, турбидиметрию, вестерн-блоттинг, иммунопреципитацию, иммуно-цитохимию, проточную цитометрию, анализы по технологии Luminex (множественное флуоресцентное кодирование и цитометрия)) и масс-спектрометрию. Общие данные об экспрессии для данного образца могут быть нормированы с использованием способов, известных квалифицированным специалистам, для внесения поправок на различные количества исходных материалов, разные эффективности экстракции и реакций амплификации. В определенных типичных вариантах исполнения биомаркеры, пригодные для распознавания типов рака, восприимчивых и невосприимчивых к антиангиогенной терапии, могут быть определены путем идентификации биомаркеров, демонстрирующих наивысшую степень изменчивости в разных образцах набора данных пациента, определенных с использованием способов детектирования экспрессии и наборов образцов пациентов, описанных выше. Стандартные статистические способы идентификации точек данных с высокой степенью изменчивости в данных об экспрессии, известные специалистам, могут быть использованы для идентификации биомаркеров с высокой степенью изменчивости. Например, комбинированный фильтр фона и дисперсии набора данных пациента. Фильтр фона основан на селекции наборов зондов с экспрессией Е и дисперсией экспрессии varE выше пороговых значений, определенных стандартным отклонением фона aBg (в прикладной программе Expression Console), и квантиль стандартного нормального распределения za при заданной значимости а наборов зондов сохраняется, если: Е > log2((zacr eg)); log2((varЈ) > 2 [log2(oBg) - E - log2(log(2))] где а обозначает порог значимости. В определенном типичном варианте исполнения порог значимости равен 6,3-10-5. В другом типичном варианте исполнения порог значимости может иметь значение от 1,0-10-7 до 1,0-10-3. В определенных типичных вариантах исполнения биомаркеры с высокой степенью изменчивости могут быть дополнительно проанализированы для группирования образцов в наборе данных пациента в субтипы или кластеры на основании схожих профилей генной экспрессии. Например, биомаркеры могут быть разбиты на кластеры на основании того, насколько сильно коррелирует повышающая регуляция или понижающая регуляция их экспрессии друг с другом. Могут быть использованы различные методики кластерного анализа, известные специалистам. В одном типичном варианте исполнения иерархическая агломеративная кластеризация используется для идентификации субтипов рака. Для определения биологической релевантности каждого субтипа биомаркеры внутри каждого кластера могут быть дополнительно картированы по их соответствующим генам и аннотированы с помощью ссылок на одну или несколько баз данных генетической онтологии, содержащих информацию о биологической активности и биологических путях, ассоциированных с этим геном. В одном типичном варианте исполнения биомаркеры в кластерах, обогащенных по общим функциональным термам ангиогенеза, развития сосудистой сети и иммунного ответа, собраны в группу предполагаемого образца ангиогенеза и используются для получения сигнатуры экспрессии. В другом типичном варианте исполнения биомаркеры в кластерах с повышающей регуляцией и обогащенных по общим функциональным термам ангиогенеза, развития сосудистой сети и иммунного ответа, собраны в группу предполагаемого образца ангиогенеза и используются для получения сигнатуры экспрессии. В другом типичном варианте исполнения биомаркеры в кластерах с понижающей регуляцией и обогащенных по общим функциональным термам ангиогенеза, развития сосудистой сети и иммунного ответа собраны в группу предполагаемого образца ангиогенеза и используются для получения сигнатуры экспрессии. Дополнительные подробности проведения функционального анализа кластеров биомаркеров приведены в разделе "Примеры" ниже. В одном типичном варианте исполнения биомаркеры, пригодные для получения сигнатуры экспрессии для различения субтипов рака, восприимчивых или нет к антиангиогенной терапии, включают биомаркеры, перечисленные в табл. 1А, 1В или в обеих таблицах. В другом типичном варианте исполнения биомаркеры, пригодные для получения сигнатуры экспрессии для различения субтипов рака, восприимчивых или нет к антиангиогенной терапии, включают биомаркеры, перечисленные в группе I (включающей SEQ ID NOs: 632-801) или группе II (включающей SEQ ID NOs: 802-974) или обеих группах. Такие биомаркеры идентифицируют как имеющие прогностическое значение для определения ответа пациента на терапевтический агент. Их экспрессия коррелирует с ответом или его отсутствием на агент и, более конкретно, антиангиогенный терапевтический агент. По результатам анализа экспрессии набора идентифицированных биомаркеров в опухоли можно определить, какой терапевтический агент или комбинация агентов будут наиболее вероятно снижать скорость роста рака. Путем анализа набора идентифицированных биомаркеров в опухоли можно также определить, какой терапевтический агент или комбинация агентов будут с наименьшей вероятностью снижать скорость роста рака. Таким образом, по результатам анализа экспрессии набора биомаркеров можно устранить неэффективные или непригодные терапевтические агенты. Важно, в определенных вариантах исполнения такие определения могут проводиться для отдельных пациентов или для отдельных агентов. Таким образом, можно определить, будет ли определенная схема лечения вероятно обеспечивать полезный эффект для конкретного пациента или типа пациентов и/или следует ли продолжать лечение по определенной схеме. смысловая MIR21 смысловая BASP1 смысловая IFIT2 смысловая SULF1 смысловая IGLC2 /// IGLC3 смысловая IGLC2 /// IGLC3 смысловая (полностьюОэкзонная) IGLC2 /// IGLC3 смысловая IGLC2 /// IGLC3 смысловая IGLC2 /// IGLC3 смысловая IGLC1 смысловая IGLC1 смысловая IGLC2 /// IGLC3 смысловая ANGPTL2 смысловая COL5A2 смысловая IGJ смысловая THY1 смысловая NDN смысловая RGS2 смысловая MEIS3P1 /// MEIS3P2 смысловая GBP2 смысловая CSF1R смысловая C1R смысловая FAT1 смысловая COL1A1 смысловая RHOB смысловая ММР11 смысловая GADD45B смысловая ММР14 смысловая ММР14 смысловая IGHG4 смысловая DDX60L смысловая SPP1 смысловая ROR2 смысловая CTSK смысловая FCGR2B смысловая PTAFR смысловая ICAM1 смысловая HCLS1 нет соответствующего транскрипта смысловая SLFN11 нет соответствующего транскрипта смысловая JAM3 смысловая ТМЕМ49 смысловая ТМЕМ49 смысловая LTBP2 смысловая IRS1 смысловая COL5A2 смысловая C17orf91 смысловая GPNMB смысловая FAM198B смысловая MICAL2 смысловая ТМЕМ2 смысловая CHST15 смысловая SECTM1 смысловая DCN смысловая VCAM1 смысловая TNFAIP3 100 смысловая C1QA 101 смысловая C1QA 102 смысловая FBX032 103 смысловая COL12A1 104 смысловая CPE 105 смысловая СИТА 106 смысловая GAS7 107 смысловая COL3A1 108 смысловая FN1 109 смысловая IFI30 110 смысловая ITGB2 111 смысловая ELN 112 смысловая СМТМЗ 113 смысловая ANTXR1 114 смысловая ARHGDIB 115 смысловая LAPTM5 116 смысловая SOX4 117 смысловая IFI44L 118 смысловая IL4I1 119 смысловая ANTXR2 120 смысловая IGLC2 /// IGLC3 121 смысловая EPSTI1 122 смысловая BIRC3 123 смысловая IGLC2 /// IGLC3 124 смысловая BST2 125 смысловая TNFSF10 126 смысловая COL10A1 127 смысловая IGLC2 /// IGLC3 128 смысловая FBP1 129 смысловая RHOBTB3 130 смысловая CDK6 131 смысловая CD74 132 смысловая ISM1 133 смысловая C1QC 134 смысловая BIN2 135 смысловая CSRNP1 136 смысловая TYROBP 137 смысловая C1QTNF3 138 смысловая DCN 139 смысловая IGFBP4 140 смысловая АОАН 141 смысловая SIRPA 142 смысловая FOSB 143 смысловая CCDC80 144 смысловая IGLC1 145 смысловая HCST 146 смысловая IFI35 147 смысловая BIRC3 148 смысловая COL3A1 149 смысловая IFITM2 150 смысловая ZFP36 151 смысловая ММР11 152 смысловая COL1A2 153 смысловая HLA-DPA1 154 смысловая TWIST 1 155 смысловая ZNF154 156 смысловая EGR1 157 смысловая IGLC2 /// IGLC3 158 смысловая TNFSF10 159 смысловая IGKC 160 смысловая IGHG1 /// IGHG4 161 смысловая GBP5 162 смысловая COL1A2 163 смысловая АРОС1 164 нет соответствующего транскрипта 165 смысловая COL3A1 166 антисмыслов PXDN 167 антисмыслов EGR1 168 смысловая GBP3 169 смысловая ISG15 170 смысловая 171 смысловая KIAA0146 172 смысловая СМАН 173 смысловая АРВВ2 174 смысловая ТРМ1 175 нет соответствующего транскрипта 176 смысловая DMD 177 нет совпадения в геноме 178 смысловая IL10RA 179 смысловая 180 нет соответствующего транскрипта 181 смысловая DUSP1 182 смысловая GBP1 183 смысловая PARVG 184 смысловая MAFF 185 смысловая PDGFC 186 смысловая MSN 187 смысловая RSAD2 188 смысловая ТРМ1 189 смысловая ЕМВ 190 смысловая C6orf155 191 смысловая FOS 192 смысловая DEXI 193 смысловая RNF19A 194 смысловая FBX032 195 смысловая DPYSL3 196 смысловая PRICKLE1 197 антисмысловая EGR1 198 антисмысловая NRP2 199 смысловая В2М 200 антисмысловая MIR21 201 смысловая ММР2 202 смысловая CDR1 203 смысловая HLA-B 204 смысловая CTGF 205 смысловая DCN 206 смысловая SOD2 207 смысловая FN1 208 смысловая COL8A2 209 смысловая SGK1 210 смысловая TIMP3 211 смысловая АСТА2 212 смысловая SRGN 213 смысловая LOXL1 214 смысловая CCR1 215 смысловая GBP1 216 смысловая CDH11 217 смысловая FCGR3A 218 смысловая 219 смысловая NNMT 220 смысловая COL1A2 221 смысловая RGS1 222 смысловая GJA1 223 смысловая SPARCL1 224 смысловая DAB2 225 антисмысловая CTHRC1 226 смысловая RGS16 227 смысловая FBLN1 228 смысловая SPP1 229 смысловая CTSB 230 смысловая SPP1 231 смысловая SDC1 232 смысловая PLAU 233 смысловая PDGFRA 234 смысловая SERPINF1 235 смысловая BGN 236 смысловая COL6A3 237 антисмысловая 238 антисмысловая 239 антисмысловая SPP1 240 антисмысловая HLA-DQA1 241 антисмысловая GAS1 242 смысловая VCAN 243 антисмысловая 244 смысловая IGHG4 III IGHG2 /// IGHG1 /// IGHGP 245 смысловая IGHG2 246 смысловая C3orf26 247 антисмысловая ATF3 248 антисмысловая ATF3 249 антисмысловая SULF1 250 смысловая FN1 251 антисмысловая CALD1 252 антисмысловая CALD1 253 смысловая ТМЕМ49 254 смысловая ТМЕМ49 255 смысловая CHD5 256 антисмысловая EGR1 257 антисмысловая SNAI2 258 антисмысловая ITPRIPL2 259 антисмысловая GABBR1 /// UBD 260 антисмысловая GABBR1 /// UBD 261 антисмысловая TWIST1 262 антисмысловая TWIST1 263 антисмысловая BATF2 264 антисмысловая NFKBIZ 265 смысловая C3orf26 266 антисмысловая LOXL1 267 смысловая 268 антисмысловая TIMP2 269 антисмысловая FN1 270 антисмысловая COL1A1 271 антисмысловая DCN 272 смысловая TREH 273 антисмысловая UBE2L6 274 антисмысловая APOL1 275 антисмысловая BIRC3 276 антисмысловая BIRC3 277 смысловая LILRB4 278 смысловая FGD2 279 смысловая ТМЕМ49 280 смысловая NCF4 281 смысловая COL10A1 282 смысловая GAL3ST4 283 смысловая НСК 284 смысловая TAGLN 285 смысловая TWIST1 286 смысловая HCLS1 287 смысловая LPAR6 288 смысловая ITGB2 289 смысловая LST1 290 смысловая HLA-B 291 смысловая C17orf91 292 смысловая ZC3H12A 293 смысловая KLF10 294 смысловая BASP1 295 смысловая BASP1 смысловая (полностью экзонная) FCGR1B смысловая (полностью экзонная) EDA2R смысловая (полностью экзонная) COL8A1 смысловая (полностью экзонная) COL12A1 смысловая (полностью экзонная) HLA-B смысловая HLA-F смысловая (полностью экзонная) EGR1 смысловая (полностью экзонная) SULF2 смысловая (полностью экзонная) CERCAM смысловая (полностью экзонная) ATF3 смысловая (полностью экзонная) MIR21 смысловая (полностью экзонная) IFIT2 смысловая (полностью экзонная) IGLC3 смысловая (полностью экзонная) IGLC3 смысловая (полностью экзонная) IGLC3 смысловая (полностью экзонная) IGLC3 смысловая (полностью экзонная) IGLC3 смысловая (полностью экзонная) IGLC3 смысловая (полностью экзонная) ANGPTL2 смысловая (полностью экзонная) COL5A2 смысловая (полностью экзонная) THY1 смысловая (полностью экзонная) NDN смысловая (полностью экзонная) RGS2 смысловая (полностью экзонная) MEIS3P2 смысловая (полностью экзонная) GBP2 смысловая (полностью экзонная) FAT1 смысловая (полностью экзонная) COL1A1 смысловая (полностью экзонная) ММР11 смысловая (полностью экзонная) GADD45B смысловая (полностью экзонная) ММР14 смысловая (полностью экзонная) IGHG4 смысловая (полностью экзонная) HCLS1 нет соответствующего транскрипта смысловая (полностью экзонная) JAM3 смысловая (полностью экзонная) ТМЕМ49 смысловая (полностью экзонная) LTBP2 смысловая (полностью экзонная) IRS1 смысловая (полностью экзонная) C17orf91 смысловая (полностью экзонная) GPNMB смысловая (полностью экзонная) FAM198B смысловая (полностью экзонная) CHST15 смысловая (полностью экзонная) DCN смысловая (полностью экзонная) VCAM1 105 смысловая (полностью экзонная) СИТА 106 смысловая (полностью экзонная) GAS7 107 смысловая (полностью экзонная) COL3A1 110 смысловая (полностью экзонная) ITGB2 111 смысловая (полностью экзонная) ELN 112 смысловая (полностью экзонная) СМТМЗ 113 смысловая (полностью экзонная) ANTXR1 118 смысловая (полностью экзонная) IL4I1 119 смысловая (полностью экзонная) ANTXR2 120 смысловая (полностью экзонная) IGLC2 /// IGLC3 123 смысловая (полностью экзонная) IGLC3 124 смысловая (полностью экзонная) BST2 126 смысловая (полностью экзонная) COL10A1 127 смысловая (полностью экзонная) IGLC3 128 смысловая (полностью экзонная) FBP1 129 смысловая (полностью экзонная) RHOBTB3 131 смысловая (полностью экзонная) CD74 132 смысловая (полностью экзонная) ISM1 135 смысловая (полностью экзонная) CSRNP1 138 смысловая (полностью экзонная) DCN 139 смысловая (полностью экзонная) IGFBP4 143 смысловая (полностью экзонная) CCDC80 148 смысловая (полностью экзонная) COL3A1 150 смысловая (полностью экзонная) ZFP36 151 смысловая (полностью экзонная) ММР11 152 смысловая (полностью экзонная) COL1A2 153 смысловая (полностью экзонная) HLA-DPA1 154 смысловая (полностью экзонная) TWIST1 155 смысловая (полностью экзонная) ZNF154 157 смысловая (полностью экзонная) IGLC3 159 смысловая (полностью экзонная) IGKC 160 смысловая (полностью экзонная) IGHG1 162 смысловая (полностью экзонная) COL1A2 163 смысловая (полностью экзонная) АРОС1 167 антисмысловая EGR1 171 смысловая (полностью экзонная) KIAA0146 174 смысловая (полностью экзонная) ТРМ1 176 смысловая (включает интронную) DMD 180 нет соответствующего транскрипта 181 смысловая (полностью экзонная) DUSP1 182 смысловая (полностью экзонная) GBP1 185 смысловая (включает интронную) PDGFC 186 смысловая (включает интронную) MSN 188 смысловая (включает интронную) ТРМ1 189 смысловая (полностью экзонная) EMB 191 смысловая (полностью экзонная) FOS 195 смысловая (включает интронную) DPYSL3 197 антисмысловая EGR1 198 антисмысловая NRP2 201 смысловая (полностью экзонная) MMP2 204 смысловая (полностью экзонная) CTGF 211 смысловая (полностью экзонная) ACTA2 213 смысловая (полностью экзонная) LOXL1 216 смысловая (полностью экзонная) CDH11 218 смысловая (полностью экзонная) LUM 219 смысловая (полностью экзонная) NNMT 222 смысловая (полностью экзонная) GJA1 225 антисмысловая CTHRC1 229 смысловая (полностью экзонная) CTSB 232 смысловая (полностью экзонная) PLAU 233 смысловая (полностью экзонная) PDGFRA 242 смысловая (полностью экзонная) VCAN 243 антисмысловая 244 смысловая (полностью экзонная) IGHG4 ///IGHG2///IGHG1 1Н\ GHGP 245 смысловая (полностью экзонная) IGHG2 246 смысловая (включает интронную) C3orf26 247 антисмысловая ATF3 248 антисмысловая ATF3 250 смысловая (полностью экзонная) FN1 251 антисмысловая CALD1 252 антисмысловая CALD1 256 антисмысловая EGR1 261 антисмысловая TWIST1 262 антисмысловая TWIST1 263 антисмысловая BATF2 264 антисмысловая NFKBIZ 265 смысловая (включает интронную) C3orf26 266 антисмысловая LOXL1 267 смысловая (включает интронную) 269 антисмысловая FN1 270 антисмысловая COL1A1 272 смысловая (полностью экзонная) TREH 274 антисмысловая APOL1 281 смысловая (полностью экзонная) COL10A1 282 смысловая (полностью экзонная) GAL3ST4 284 смысловая (полностью экзонная) TAGLN 285 смысловая (полностью экзонная) TWIST1 286 смысловая (полностью экзонная) HCLS1 288 смысловая (полностью экзонная) ITGB2 290 смысловая (полностью экзонная) HLA-B 291 смысловая (полностью экзонная) C17orf91 296 смысловая (полностью экзонная) FBLIM1 297 смысловая (полностью экзонная) COL15A1 298 смысловая (полностью экзонная) AQP7P3 299 антисмысловая IGFBP5 300 смысловая (полностью экзонная) FANK1 301 антисмысловая INS 302 смысловая (полностью экзонная) COL27A1 303 смысловая (полностью экзонная) COL5A1 304 смысловая (полностью экзонная) PRICKLE2 305 смысловая (полностью экзонная) N/A 306 смысловая (полностью экзонная) GXYLT2 307 смысловая (включает интронную) KLF12 308 нет соответствующего транскрипта 309 смысловая (полностью экзонная) FBX032 310 нет соответствующего транскрипта 311 смысловая (полностью экзонная) ASAH2B 312 антисмысловая PPFIBP1 313 антисмысловая XIST 314 смысловая (полностью экзонная) IGFBP6 315 смысловая (полностью экзонная) ROB01 316 смысловая (полностью экзонная) ТРМ1 317 антисмысловая N/A 318 антисмысловая PLEKHG1 319 смысловая (полностью экзонная) NR2F1 320 смысловая (полностью экзонная) NPDC1 321 антисмысловая INS 322 смысловая (полностью экзонная) TRAF5 323 смысловая (полностью экзонная) CALD1 324 смысловая (включает интронную) CHRM3 325 смысловая (полностью экзонная) AMOTL1 326 смысловая (включает интронную) COL12A1 327 смысловая (полностью экзонная) PLXNA4 328 смысловая (включает интронную) ТМЕМ43 329 смысловая (включает интронную) RORA 330 антисмысловая INS 331 смысловая (полностью экзонная) TSPAN18 332 нет соответствующего транскрипта 333 смысловая (полностью экзонная) TNC 334 смысловая (полностью экзонная) TYR03 335 антисмысловая EFNA5 336 смысловая (полностью экзонная) MYL9 337 смысловая (полностью экзонная) MIR198 338 смысловая (включает интронную) N/A 339 смысловая (включает интронную) PLA2R1 340 смысловая (полностью экзонная) COL14A1 341 смысловая (полностью экзонная) NRP1 342 смысловая (полностью экзонная) FSCN1 343 смысловая (включает интронную) PDGFD 344 нет соответствующего транскрипта 345 смысловая (включает интронную) DOCK4 346 смысловая (полностью экзонная) TRIM13 347 смысловая (полностью экзонная) IGFBP5 348 смысловая (полностью экзонная) C190I163 349 антисмысловая KLF6 350 антисмысловая TRIO 351 смысловая (полностью экзонная) COL4A1 352 смысловая (полностью экзонная) EPDR1 353 смысловая (полностью экзонная) FNDC1 354 смысловая (полностью экзонная) IL1R1 355 смысловая (полностью экзонная) CES4 356 смысловая (полностью экзонная) GPR176 357 смысловая (включает интронную) GXYLT2 358 антисмысловая WHSC1L1 359 смысловая (полностью экзонная) N/A 360 смысловая (полностью экзонная) RGN 361 смысловая (включает интронную) САЗ 362 смысловая (полностью экзонная) TIMP3 363 смысловая (полностью экзонная) EFNA5 364 смысловая (полностью экзонная) RASGRF2 365 смысловая (включает интронную) RELL1 366 антисмысловая ACSS3 367 смысловая (полностью экзонная) STMN3 368 смысловая (полностью экзонная) N/A 369 антисмысловая C7orf29 370 смысловая (полностью экзонная) НОХС6 371 смысловая (полностью экзонная) KLF8 372 смысловая (включает интронную) SERINC5 373 смысловая (полностью экзонная) АКТЗ 374 смысловая (полностью экзонная) TGFB2 375 антисмысловая WNT5A 376 нет соответствующего транскрипта 377 нет соответствующего транскрипта 378 антисмысловая IGFBP7 379 нет соответствующего транскрипта 380 смысловая (включает интронную) SULT1C4 381 смысловая (полностью экзонная) AASS 382 смысловая (полностью экзонная) НЕРН 383 смысловая (полностью экзонная) ADH5 384 смысловая (полностью экзонная) TIMP2 385 смысловая (полностью экзонная) ЕМР1 386 смысловая (полностью экзонная) CXCL14 387 смысловая (полностью экзонная) ZNF548 388 смысловая (полностью экзонная) SGCB 389 смысловая (включает интронную) ASH2L 390 смысловая (включает интронную) SERINC5 391 нет соответствия в геноме 392 смысловая (полностью экзонная) ТМЕМ159 393 смысловая (включает интронную) RBMS3 394 смысловая (полностью экзонная) ТМЕМ49 395 смысловая (включает интронную) RORA 396 нет соответствующего транскрипта 397 антисмысловая ZNF608 398 нет соответствия в геноме 399 смысловая (полностью экзонная) ADAMTS2 400 смысловая (полностью экзонная) APCDD1 401 антисмысловая GXYLT2 402 смысловая (полностью экзонная) XIST 403 смысловая (полностью экзонная) MBNL2 404 смысловая (полностью экзонная) SHF 405 смысловая (включает интронную) АРВВ2 406 нет соответствующего транскрипта 407 смысловая (полностью экзонная) COL14A1 408 смысловая (полностью экзонная) IGFBP5 409 смысловая (полностью экзонная) CREB5 410 антисмысловая INS 411 смысловая (полностью экзонная) ВАНСС1 412 смысловая (полностью экзонная) RFXAP 413 смысловая (полностью экзонная) INS 414 смысловая (полностью экзонная) DDR2 415 смысловая (полностью экзонная) СА12 416 смысловая (полностью экзонная) RHOB 417 смысловая (полностью экзонная) N/A 418 смысловая (полностью экзонная) SNORD116-4 419 смысловая (полностью экзонная) MEG3 420 смысловая (полностью экзонная) WNT4 421 смысловая (полностью экзонная) FBLN2 422 антисмысловая DAAM1 423 нет соответствующего транскрипта 424 смысловая (полностью экзонная) CHN1 425 смысловая (включает интронную) APBB2 426 смысловая (полностью экзонная) PTRF 427 антисмысловая IGF1 428 смысловая (полностью экзонная) U ST 429 смысловая (полностью экзонная) SMARCA1 430 смысловая (включает интронную) N/A 431 смысловая (полностью экзонная) IGLC3 432 антисмысловая INS 433 смысловая (полностью экзонная) KANK4 434 антисмысловая IGF1 435 смысловая (полностью экзонная) CYP27A1 436 антисмысловая EIF2B5 437 нет соответствующего транскрипта 438 смысловая (полностью экзонная) SNRNP25 439 смысловая (полностью экзонная) SETD7 440 смысловая (полностью экзонная) MSX1 441 смысловая (полностью экзонная) НОРХ 442 смысловая (полностью экзонная) NID2 443 смысловая (полностью экзонная) IGF1 444 смысловая (полностью экзонная) PSD3 445 смысловая (полностью экзонная) FGFR1 446 смысловая (полностью экзонная) ETV1 447 смысловая (полностью экзонная) ZNF655 448 нет соответствия в геноме 449 антисмысловая INS 450 смысловая (полностью экзонная) SFRP2 451 смысловая (полностью экзонная) SPAG16 452 антисмысловая NR2F2 453 смысловая (включает интронную) SYNP02 454 смысловая (полностью экзонная) FAM101B 455 антисмысловая IGF2 456 смысловая (полностью экзонная) САЗ 457 смысловая (полностью экзонная) XIST 458 нет соответствующего транскрипта 459 смысловая (полностью экзонная) WNT7A 460 смысловая (включает интронную) N/A 461 смысловая (полностью экзонная) FGFR1 462 антисмысловая FXYD6 463 смысловая (полностью экзонная) FGFR1 464 смысловая (включает интронную) IGFBP7 465 смысловая (полностью экзонная) TIMP2 466 смысловая (полностью экзонная) DUSP1 467 смысловая (включает интронную) SERINC5 468 нет соответствующего транскрипта 469 смысловая (полностью экзонная) ABLIM1 470 смысловая (полностью экзонная) ARL4A 471 антисмысловая SH3TC2 472 антисмысловая NR2F2 473 смысловая (полностью экзонная) ENG 474 смысловая (полностью экзонная) MGP 475 смысловая (полностью экзонная) MEG3 476 антисмысловая FAM115A 477 смысловая (полностью экзонная) EGR1 478 смысловая (полностью экзонная) SNORD116-3 479 смысловая (полностью экзонная) АЕВР1 480 смысловая (включает интронную) SDK1 481 смысловая (полностью экзонная) ENC1 482 смысловая (полностью экзонная) SNORD116-7 483 смысловая (полностью экзонная) N/A 484 смысловая (полностью экзонная) APOD 485 антисмысловая N/A 486 антисмысловая GAS1 487 смысловая (полностью экзонная) VPS36 488 нет соответствующего транскрипта 489 смысловая (полностью экзонная) SPHK2 490 смысловая (полностью экзонная) SNORD116-8 491 смысловая (полностью экзонная) MYO10 492 смысловая (полностью экзонная) НОХС6 493 смысловая (полностью экзонная) RNF149 494 смысловая (полностью экзонная) BTG2 495 смысловая (включает интронную) МАРЗК1 496 смысловая (полностью экзонная) SNORD116-23 497 смысловая (включает интронную) ACSL4 498 смысловая (полностью экзонная) CYP27C1 499 смысловая (включает интронную) COL12A1 500 смысловая (полностью экзонная) IGFBP5 501 смысловая (полностью экзонная) DUSP4 502 смысловая (полностью экзонная) PFKFB3 503 смысловая (полностью экзонная) SDC2 504 антисмысловая FXYD6 505 смысловая (полностью экзонная) COL5A1 506 смысловая (полностью экзонная) MARCKS 507 смысловая (полностью экзонная) IRS2 508 смысловая (полностью экзонная) N/A 509 антисмысловая FSCN1 510 смысловая (полностью экзонная) FYN 511 смысловая (полностью экзонная) IGFBP5 512 смысловая (полностью экзонная) NUDT4P1 513 смысловая (полностью экзонная) NFKBIZ 514 смысловая (полностью экзонная) N/A 515 смысловая (полностью экзонная) С70ГГ41 516 смысловая (полностью экзонная) MEG3 517 смысловая (полностью экзонная) N/A 518 смысловая (полностью экзонная) PLEKHG1 519 смысловая (полностью экзонная) ZNF827 520 смысловая (полностью экзонная) ZNF175 521 смысловая (полностью экзонная) XIST 522 смысловая (включает интронную) GSN 523 смысловая (включает интронную) RORA 524 смысловая (полностью экзонная) СА13 525 антисмысловая ТМХ4 526 смысловая (полностью экзонная) KIT 527 смысловая (включает интронную) WDR78 528 смысловая (полностью экзонная) ECEL1 529 смысловая (полностью экзонная) XIST 530 смысловая (полностью экзонная) PROCR 531 смысловая (полностью экзонная) C9orf167 532 смысловая (полностью экзонная) MUC6 533 смысловая (включает интронную) P4HA2 534 смысловая (полностью экзонная) FAM69C 535 смысловая (полностью экзонная) N0X4 536 смысловая (включает интронную) N/A 537 нет соответствующего транскрипта 538 смысловая (полностью экзонная) SMOX 539 смысловая (полностью экзонная) KIAA0922 540 нет соответствующего транскрипта 541 смысловая (полностью экзонная) XIST 542 смысловая (полностью экзонная) NPAS2 543 смысловая (полностью экзонная) NAV1 544 смысловая (включает интронную) N/A 545 смысловая (полностью экзонная) HLA-A 546 смысловая (полностью экзонная) FAM46C 547 смысловая (полностью экзонная) N/A 548 смысловая (полностью экзонная) SLAMF7 549 смысловая (полностью экзонная) FCER1G 550 смысловая (полностью экзонная) C1S 551 смысловая (полностью экзонная) NUPR1 552 антисмысловая C1QC 553 антисмысловая SAT1 554 смысловая (полностью экзонная) SOD2 555 смысловая (полностью экзонная) IRF1 556 смысловая (полностью экзонная) SFN 557 антисмысловая LTB 558 смысловая (полностью экзонная) ARID5A 559 смысловая (полностью экзонная) BST2 560 смысловая (полностью экзонная) HLA-F 561 смысловая (полностью экзонная) XAF1 562 смысловая (полностью экзонная) TCOF1 563 смысловая (полностью экзонная) RPL23AP1 564 смысловая (полностью экзонная) IL1RN 565 смысловая (полностью экзонная) IFIT5 566 смысловая (полностью экзонная) B2M 567 антисмысловая GBP1 568 смысловая (полностью экзонная) HLA-F 569 смысловая (полностью экзонная) DGKA 570 смысловая (полностью экзонная) ХВР1 571 смысловая (полностью экзонная) PLCG2 572 смысловая (полностью экзонная) FAM46C 573 нет соответствия в геноме 574 смысловая (полностью экзонная) TREM2 575 смысловая (полностью экзонная) LGALS9 576 смысловая (полностью экзонная) HLA-DPB1 577 антисмысловая ODF3B 578 смысловая (полностью экзонная) МХ1 579 смысловая (полностью экзонная) STAT1 580 смысловая (полностью экзонная) CTSB 581 смысловая (полностью экзонная) FAM26F 582 смысловая (включает интронную) PARP14 583 антисмысловая SAT1 584 смысловая (полностью экзонная) CTSS 585 нет соответствующего транскрипта 586 смысловая (полностью экзонная) CTSB 587 смысловая (полностью экзонная) ADAM8 588 смысловая (включает интронную) В2М 589 смысловая (полностью экзонная) FLVCR2 590 смысловая (полностью экзонная) TYROBP 591 антисмысловая SAMD9L 592 смысловая (полностью экзонная) SAMD9L 593 смысловая (полностью экзонная) SIGLEC1 594 смысловая (полностью экзонная) ММР7 595 смысловая (полностью экзонная) APOL1 596 смысловая (полностью экзонная) CYLD 597 смысловая (полностью экзонная) HLA-B 598 смысловая (полностью экзонная) SAT1 599 смысловая (полностью экзонная) C1QB 600 смысловая (полностью экзонная) HLA-DMB 601 смысловая (полностью экзонная) NLRC5 602 смысловая (полностью экзонная) FAM20A 603 антисмысловая N/A 604 смысловая (полностью экзонная) STAT1 605 смысловая (включает интронную) STAT1 606 смысловая (полностью экзонная) STAT1 607 антисмысловая N/A 608 смысловая (полностью экзонная) DERL3 609 смысловая (полностью экзонная) HLA-F 610 смысловая (полностью экзонная) MAFB 611 смысловая (полностью экзонная) CD4 612 смысловая (полностью экзонная) HLA-A 613 смысловая (полностью экзонная) UBE2L6 614 смысловая (полностью экзонная) C1QC 615 смысловая (полностью экзонная) CD 163 616 смысловая (полностью экзонная) LRMP 617 смысловая (полностью экзонная) C11orf17 618 смысловая (полностью экзонная) XAF1 619 смысловая (полностью экзонная) GLRX 620 смысловая (полностью экзонная) IFIH1 621 смысловая (полностью экзонная) CD44 622 смысловая (полностью экзонная) LITAF 623 смысловая (полностью экзонная) CCDC69 624 смысловая (полностью экзонная) GBP5 625 смысловая (полностью экзонная) PML 626 смысловая (полностью экзонная) SAMD9 627 смысловая (полностью экзонная) CBR3 628 смысловая (полностью экзонная) RASGRP2 629 смысловая (полностью экзонная) FCGR2A 630 смысловая (полностью экзонная) BST2 631 смысловая (полностью экзонная) HLA-A В определенных типичных вариантах исполнения все или часть биомаркеров, перечисленных в табл. 1А и 1В, могут быть использованы в сигнатуре экспрессии. В определенных других типичных вариантах исполнения все или часть биомаркеров, перечисленных в группе I или группе II, могут быть использованы в сигнатуре экспрессии. Например, сигнатуры экспрессии, включающие биомаркеры, указанные в табл. 1А, 1В, группе I и группе II, могут быть получены с использованием способов, предусмотренных в данном документе, и могут включать от одного до всех маркеров, приведенных в табл. 1А, 1В, группе I, группе II, и любую и все возможные промежуточные комбинации (например, четыре выбранных маркера, 16 выбранных маркеров, 74 выбранных маркера и т.д.). В некоторых вариантах исполнения сигнатура экспрессии включает по меньшей мере 5, 10, 20, 40, 60, 100, 150, 200 или 300 или больше маркеров. В других вариантах исполнения прогностическая панель биомаркеров включает не более 5, 10, 20, 40, 60, 100, 150, 200, 300, 400, 500, 600 или 700 маркеров. В одном типичном варианте исполнения сигнатура экспрессии включает множество маркеров, перечисленных в табл. 1А. В другом типичном варианте исполнения сигнатура экспрессии включает множество биомаркеров, перечисленных в табл. 1В. В еще одном типичном варианте исполнения сигнатура экспрессии включает множество биомаркеров, перечисленных в табл. 1А и 1В. В другом типичном варианте исполнения сигнатура экспрессии включает множество биомаркеров, перечисленных в группе I. В другом типичном варианте исполнения сигнатура экспрессии включает множество биомаркеров, перечисленных в таблице группы II. В еще одном типичном варианте исполнения сигнатура экспрессии включает множество биомаркеров, перечисленных в группах I и II. В некоторых вариантах исполнения сигнатура экспрессии включает по меньшей мере примерно 1%, примерно 5%, примерно 10%, примерно 20%, примерно 30%, примерно 40%, примерно 50%, примерно 60%, примерно 70%, примерно 80%, примерно 90%, примерно 95%, примерно 96%, примерно 97%, примерно 98% или примерно 99% маркеров, перечисленных в табл. 1А, 1В, группе I, группе II, или их комбинацию. Выбранные сигнатуры экспрессии могут быть собраны из биомаркеров, полученных с использованием описанных способов и аналогичных способов, известных спе циалистам. В одном варианте исполнения сигнатура экспрессии содержит все 250 генов или генных продуктов, указанных в табл. 1А. В другом типичном варианте исполнения сигнатура экспрессии содержит все 486 генов или генных продуктов, указанных в табл. 1В. В другом типичном варианте исполнения сигнатура экспрессии включает SEQ ID NOs: 632-801. В другом типичном варианте исполнения сигнатура экспрессии включает SEQ ID NOs: 802-974. Математические модели. Нижеописанные способы могут быть использованы для получения сигнатуры экспрессии для распознавания субъектов, восприимчивых или невосприимчивых к антиангиогенной терапии, или в качестве прогностических индикаторов определенных типов рака, включая сигнатуры экспрессии, полученные из биомаркеров, раскрытых выше. В определенных других типичных вариантах исполнения сигнатуру экспрессии получают с использованием дерева решений (Hastie et al. The Elements of Statistical Learning, Springer, New York 2001), случайного леса (Breiman, 2001 Random Forests, Machine Learning 45:5), нейронной сети (Bishop, Neural Networks for Pattern Recognition, Clarendon Press, Oxford 1995), дискрими-нантного анализа (Duda et al. Pattern Classification, 2nd ed., John Wiley, New York 2001), включая, без ограничений, линейный, диагональный линейный, квадратический и логистический дискриминантный анализ, прогностического анализа для микрочипов (РАМ, (Tibshirani et al., 2002, Proc. Natl. Acad. Sci. USA, 99:6567-6572)) или анализа методом формального независимого моделирования аналогий классов. (SIMCA, (Wold, 1976, Pattern Recogn. 8:127-139)). Значения экспрессии биомаркера могут быть определены в комбинации с соответствующими скалярными весами в реальном масштабе величин с переменными значениями, которые затем комбинируют с помощью линейного или нелинейного, алгебраического, тригонометрического или корреляционного среднего в единое скалярное значение с использованием алгебраического, статистического обучающего, байесова, регрессионного или аналогичных алгоритмов, обеспечивающие вместе с математически определенной решающей функцией скалярного значения прогностическую модель, с помощью которой профили экспрессии образцов могут быть разделены на отдельные классы откликающихся или не откликающихся на, резистентных или нерезистентных к, определенному препарату, классу препаратов или схеме лечения. Такие прогностические модели, включающие совокупность входящих в них биомаркеров, разрабатывают путем определения весов и порога решения, оптимизированного по чувствительности, специфичности, отрицательных и положительных прогностических значений, отношению рисков или любым их комбинациям, в условиях кросс-валидации, обобщенной кросс-валидации или аналогичной методики составления выборки, из набора типичных профилей экспрессии для исторических образцов, взятых у пациента с известным ответом на препарат и/или резистентностью. В одном варианте исполнения биомаркеры используются для определения взвешенной суммы их сигналов, где индивидуальные веса могут быть положительными или отрицательными. Результирующую сумму ("оценку экспрессии") сравнивают с предварительно определенной контрольной точкой или значением. Сравнение с контрольной точкой или значением может быть использовано для диагностики или прогнозирования клинического состояния или результата. Как описано выше, рядовому специалисту в данной области техники будет понятно, что биомаркеры, включенные в классификатор, приведенный в табл. 1А, 1В, группе I и группе II, будут иметь неравные веса в классификаторе для восприимчивости или резистентности к терапевтическому агенту. Поэтому, хотя всего одна последовательность может быть использована для диагностики или прогнозирования результата, такого как восприимчивость к терапевтическому агенту, специфичность и чувствительность или точность диагноза или прогноза могут увеличиваться при использовании большего количества последовательностей. В используемом в данном документе значении термин "вес" относится к относительной важности элемента в статистических расчетах. Вес каждого биомаркера в классификаторе генной экспрессии может быть определен для набора данных образцов, взятых у пациента, с использованием аналитических способов, известных специалистам. В определенных типичных вариантах исполнения сигнатуру экспрессии определяют с помощью решающей функции. Решающая функция представляет собой набор взвешенных значений экспрессии, полученных с использованием линейного классификатора. Все линейные классификаторы определяют решающую функцию с использованием следующего уравнения: f(x) = w'*x + b = X Wj*Xj +b (1) Все измеренные значения, такие как интенсивности генной экспрессия на микрочипе xi, для определенного образца собирают в вектор х. Каждую интенсивность затем умножают на соответствующий вес wi для получения значения решающей функции f(x) после прибавления члена смещения b. При определении решающей функции линейный классификатор будет дополнительно определять пороговое значение, которое разделяет пространство данных генной экспрессии space на две непересекающиеся половины. Типичные линейные классификаторы включают, без ограничений, частные наименьшие квадраты (PLS), (Nguyen et al., Bioinformatics 18 (2002) 39-50), методы опорных векторов (SVM) (Scholkopf et al., Learning with Kernels, MIT Press, Cambridge 2002) и сокращающий (shrinkage) дискриминантный анализ (SDA) (Ahdesmaki et al., Annals of applied statistics 4, 503-519 (2010)). В одном типичном варианте исполнения линейный классификатор представляет собой линейный PLS-классификатор. Решающую функцию эмпирически получают на основе большого набора обучающих образцов, например, от пациентов, демонстрирующих восприимчивость или резистентность к терапевтическому агенту. Пороговое значение делит группу пациентов на основании разных характеристик, таких как, без ограничений, восприимчивость/невосприимчивость к лечению. Интерпретацию этой величины, т.е. отсекающего порога восприимчивости или резистентности к терапевтическому агенту, получают на этапе разработки ("обучения") для набора пациентов с известным результатом. Соответствующие веса и отсекающий порог восприимчивости/резистентности для оценки решения заданы a priori на основании обучающих данных способами, известными квалифицированным специалистам. В одном типичном варианте исполнения для определения веса используется дискриминантный анализ методом частных наименьших квадратов (PLS-DA). (L. Stable, S. Wold, J. Chem. 1 (1987) 185-196; D. V. Nguyen, D.M. Rocke, Bioin-formatics 18 (2002) 39-50). По существу, это означает, что пространство данных, т.е. набор всех возможных комбинаций значений экспрессии биомаркера, разделен на две взаимно исключающие части, соответствующие разным клиническим классификациям или прогнозам, например одному, соответствующему восприимчивости к терапевтическому агенту, и другому - невосприимчивости. В контексте общего классификатора относительная сверхэкспрессия определенного биомаркера может или увеличивать оценку решения (положительный вес), или уменьшать ее (отрицательный вес) и, таким образом, вносить свой вклад в общее решение, например восприимчивость или резистентность к терапевтическому агенту. В определенных типичных вариантах исполнения изобретения данные нелинейно трансформируют перед применением взвешенной суммы, как описано выше. Эта нелинейная трансформация может включать увеличение размерности данных. Нелинейная трансформация и взвешенное суммирование также могут быть проведены имплицитно, например, путем использования кернфункции (Scholkopf et al. Learning with Kernels, MIT Press, Cambridge 2002). В определенных типичных вариантах исполнения данные обучающего набора пациента получают путем выделения РНК из соответствующего набора образцов раковых тканей и определения значений экспрессии гибридизацией выделенной РНК с микрочипом. В определенных типичных вариантах исполнения микрочип, используемый для получения сигнатуры экспрессии, представляет собой матрицу для транскриптомного анализа. В используемом в данном документе значении "матрица для транскриптом-ного анализа" относится к микрочипу, содержащему наборы зондов, предназначенных для гибридизации с последовательностями, верифицированными как экспрессируемые в больной ткани, представляющей интерес. С учетом альтернативного сплайсинга и переменного процессинга поли-А последовательности тканей и биологических контекстов возможно, что зонды, предназначенные для детектирования одной и той же генной последовательности, полученной из другого источника ткани или биологического контекста, не будут эффективно связываться с транскриптами, экспрессируемыми в больной ткани, представляющей интерес, приводя к потере потенциально значимой биологической информации. Соответственно, полезно проверять, какие последовательности экспрессируются в больной ткани, представляющей интерес, перед разработкой набора зондов для микрочипа. Верификация экспрессируемых последовательностей в контексте определенной болезни может быть осуществлена, например, путем выделения и секве-нирования общей РНК из набора образцов больных тканей и перекрестного сравнения выделенных последовательностей с известными базами данных последовательностей нуклеиновой кислоты для подтверждения того, что набор зондов на матрице для транскриптомного анализа рассчитан на последовательности, действительно экспрессируемые в больной ткани, представляющей интерес. Способы изготовления матриц для транскриптомного анализа описаны в публикации патентной заявки США № 2006/0134663, которая включена в описание в качестве ссылки. В определенных типичных вариантах исполнения набор зондов матрицы для транскриптомного анализа рассчитан на связывание с участками в пределах 300 нуклеотидов на 3'-конце транскрипта. Способы проектирования матриц для транскрип-томного анализа с наборами зондов, связывающимися с участками в пределах 300 нуклеотидов на 3'-конце транскриптов-мишеней, раскрыты в публикации патентной заявки США № 2009/0082218, которая включена в описание в качестве ссылки. В определенных типичных вариантах исполнения микрочип, используемый для получения профилей генной экспрессии по настоящему изобретению, представляет собой микрочип для дифференциального анализа рака яичников Almac DSA(tm) (Almac Group, Craigavon, United Kingdom). Оптимальный линейный классификатор может быть выбран путем оценки характеристик линейного классификатора с использованием таких методов диагностики, как "площадь под кривой" (ППК). ППК относится к площади под характеристической кривой обнаружения (ROC-кривая), оба эти понятия хорошо известны специалистам. Измерения ППК пригодны для сравнения точности классификатора в полном диапазоне данных. Линейные классификаторы с более высокими значениями ППК являются более пригодными для точной классификации неизвестных между двумя группами, представляющими интерес (например, образцы рака яичников и нормальные или контрольные образцы). ROC-кривые являются пригодными для графического представления определенного признака (например, любых биомаркеров, описанных здесь, и/или любого элемента дополнительной биомедицинской информации) при распознавании двух популяций (например, индивидуумов, восприимчивых и невосприимчивых к терапевтическому агенту). Типично, данные для признака по популяции в целом (например, истории болезни и контроль) сортируют в восходящем порядке на основании значения отдельного признака. Затем для каждого значения данного признака рассчитывают относительные показатели числа истинно положительных и ложноположительных заключений. Относительное число истинно положительных заключений определяют путем подсчета числа случаев болезни со значением показателя выше величины этого признака и затем деления на общее число случаев. Относительное число ложноположительных заключений определяют путем подсчета числа контрольных субъектов со значением показателя выше величины этого признака и затем деления на общее число контрольных субъектов. Хотя такое определение относится к сценариям, в которых признак имеет значение показателя, повышенное по сравнению с контролем, это определение также применимо к сценариям, в которых признак имеет значение показателя, пониженное сравнению с контролем (в таком сценарии будут подсчитываться образцы, имеющие значение показателя ниже величины данного признака). ROC-кривые могут быть построены для отдельного признака, а также для других отдельных результатов, например, комбинация двух или больше признаков может быть математически комбинирована (например, сложена, вычтена, перемножена и т.д.) для получения единого суммарного значения, и такое единое суммарное значение может быть графически представлено в виде ROC-кривой. Дополнительно, любая комбинация множества признаков, где комбинация имеет единое результирующее значение, может быть графически представлена в виде ROC-кривой. Такие комбинации признаков могут представлять собой тест. ROC-кривая является графиком зависимости относительного числа истинно положительных заключений (чувствительность) теста от относительного числа ложнопо-ложительных заключений (1 - специфичность) теста. В одном типичном варианте исполнения сигнатура экспрессии касается 25 биомаркеров, описанных в табл. 2А, с соответствующими рангами и весами, указанными в таблице, или альтернативными значениями рангов и весов, в зависимости, например, от характеристик болезни. В другом типичном варианте исполнения сигнатура экспрессии касается 45 биомаркеров, описанных в табл. 2В, с соответствующими рангами и весами, указанными в таблице, или альтернативными значениями рангов и весов, в зависимости, например, от характеристик болезни. Табл. 2А и 2В ранжируют биомаркеры в порядке убывания веса в классификаторе, определенном как ранг среднего веса в составной функции решающей оценки, определенной с кросс-валидацией. COL10A1 0,0197 RAB31 0,0180 ANGPTL2 0,0166 PLAU 0,0166 COL8A1 0,0164 MIR1245 0,0153 POLD2 0,0146 NKD2 0,0145 FZD1 0,0143 COPZ2 0,0139 ITGA5 0,0136 VGLL3 0,0125 INHBA -0,0118 MMP14 0,0110 VCAN 0,0100 THBS2 -0,0087 RUNX2 0,0083 TIMP3 0,0081 SFRP2 -0,0079 COL1A2 0,0078 COL5A2 -0,0072 SERPINF1 0,0068 KIF26B -0,0052 TNFAIP6 0,0050 MMP2 0,0040 FN1 0,0031 ALPK2 0,0024 CTSK 0,0015 LOXL1 -0,0014 FAP 0,0000 В одном типичном варианте исполнения сигнатура экспрессии включает один или несколько биомаркеров, выбранных из группы, состоящей из CCDC80, INHBA, THBS2, SFRP2, ММР2, PLAU, FAP, FN1, COL8A1, RAB31, FAM38B, VCAN, GJB2, ITGA5, CRISPLD2, С17, f91, BGN, TIMP3, ALPK2, LUM, NKD2, LOX, MIR1245, LOXL1 и CXCL12. В другом типичном варианте исполнения сигнатура экспрессии включает, по меньшей мере, CCDC80, INHBA, THBS2 и SFRP2 и по меньшей мере N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5,6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20 или 21. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомарке- ров, каждый из которых соответствует биомаркерам CCDC80, INHBA, THBS2 и SFRP2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20 или 21. В дополнительном аспекте тера- певтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру CCDC80 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из пе- речня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23 или 24. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозиру- ется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру INHBA и одному по меньшей мере из N до- полнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23 или 24. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру THBS2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23 или 24. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру SFRP2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23 или 24. В другом типичном варианте исполнения сигнатура экспрессии включает один или несколько биомаркеров, выбранных из группы, состоящей из ТМЕМ200А, GJB2, ММР13, GFPT2, POSTN, BICC1, CDH11, MRVI1, РМР22, COL11A1, IGFL2, LUM, NTM, BGN, COL3A1, COL10A1, RAB31, ANGPTL2, PLAU, COL8A1, MIR1245, POLD2, NKD2, FZD1, COPZ2, ITGA5, VGLL3, INHBA, MMP14, VCAN, THBS2, RUNX2, TIMP3, SFRP2, COL1A2, COL5A2, SERPINF1, KIF26B, TNFAIP6, ММР2, FN1, ALPK2, CTSK, LOXL1 и FAP. В другом типичном варианте исполнения сигнатура экспрессии включает, по меньшей мере, ТМЕМ200А, GJB2, ММР13 и GFPT2 и по меньшей мере N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 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 или 41. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркерам ТМЕМ200А, GJB2, ММР13 и GFPT2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2В, где N равно 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 или 41. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру ТМЕМ200А и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2В, где N равно 2, 3,4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21,22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 44. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру GJB2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2а, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 44. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру ММР13 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2В, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 44. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру GFPT2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров в табл. 2В, где N равно 2, 3,4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 44. В одном типичном варианте исполнения сигнатура экспрессии включает один или несколько биомаркеров, выбранных из группы, состоящей из ALPK2, BGN, COL8A1, FAP, FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, ММР2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN. В другом типичном варианте исполнения сигнатура экспрессии включает, по меньшей мере, ALPK2, BGN, COL8A1, FAP и по меньшей мере N дополнительных биомаркеров, выбранных из перечня биомаркеров FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, ММР2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 или 15. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркерам ALPK2, BGN, COL8A1 и FAP и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, ММР2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 или 15. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру ALPK2 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров BGN, COL8A1, FAP, FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, MMP2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 или 15. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образ- 41 ца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру BGN и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров ALPK2, COL8A1, FAP, FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, ММР2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 или 15. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру COL8A1 и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров ALPK2, BGN, FAP, FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, ММР2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 или 15. В дополнительном аспекте терапевтическая восприимчивость у индивидуума прогнозируется путем проведения анализа биологического образца от индивидуума и детектирования показателей биомаркеров, каждый из которых соответствует биомаркеру FAP и одному по меньшей мере из N дополнительных биомаркеров, выбранных из перечня биомаркеров ALPK2, BGN, COL8A1, FN1, GJB2, INHBA, ITGA5, LOXL1, LUM, MIR1245, ММР2, NKD2, PLAU, RAB31, SFRP2, THBS2, TIMP3 и VCAN, где N равно 2, 3,4, 5,6, 7,8, 9, 10, 11, 12, 13, 14 или 15. В одном типичном варианте исполнения сигнатура экспрессии включает набор биомаркеров с понижающей регуляцией. В одном типичном варианте исполнения сигнатура экспрессии включает, по меньшей мере, GJB2, INHBA, THBS2, SFRP2, PLAU и по меньшей мере N дополнительных биомаркеров из табл. 1А или 1В, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 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 или 70. В другом типичном варианте исполнения сигнатура экспрессии включает, по меньшей мере, GJB2 и по меньшей мере N дополнительных биомаркеров из табл. 1А или 1В, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 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 или 74. В другом типичном варианте исполнения сигнатура экспрессии включает INHBA и по меньшей мере N дополнительных биомаркеров из табл. 1А или 1В, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 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 или 74. В другом типичном варианте исполнения сигнатура экспрессии включает THBS2 и по меньшей мере N дополнительных биомаркеров из табл. 1А или 1В, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 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 или 74. В другом типичном варианте исполнения сигнатура экспрессии включает, по меньшей мере, SFRP2, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 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 или 74. В другом типичном варианте исполнения сигнатура экспрессии включает PLAU и по меньшей мере N дополнительных биомаркеров из табл. 1А или 1В, где N равно 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 29, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,35, 36, 37, 38, 39, 40, 41, 42, 43 или 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 или 70. В другом типичном варианте исполнения сигнатура экспрессии включает GJB2, INHBA, THBS2, SFRP2, PLAU и по меньшей мере примерно 1%, примерно 5%, примерно 10%, примерно 20%, примерно 30%, примерно 40%, примерно 50%, примерно 60%, примерно 70%, примерно 80%, примерно 90%, примерно 95% или примерно 99% биомаркеров, перечисленных в табл. 1А, 1В или их комбинацию. Классификация новых опытных образцов с использованием сигнатуры экспрессии. Для классификации новых опытных образцов с использованием сигнатуры экспрессии, таких как описанные выше, измеряют относительные уровни экспрессии биомаркеров в раковой ткани для получения профиля экспрессии исследуемого образца. В определенных типичных вариантах исполнения профиль экспрессии исследуемого образца объединяется в виде составной решающей оценки ("оценка экспрессии") и сравнивается с порогом оценки, которую математически определяют по обучающему набору данных пациентов. Порог оценки разделяет группу пациентов на основании разных характеристик, таких как, без ограничений, восприимчивость/невосприимчивость к лечению. Обучающий набор данных пациентов предпочтительно получают из образцов раковой ткани, охарактеризованных по прогнозу, вероятности рецидива, долгосрочной выживаемости, клиническому результату, отклику на лечение, диагнозу, классификации рака или персонализованному геномному профилю. Профили экспрессии и соответствующие решающие оценки образцов, взятых у пациента, могут быть скоррелированы с характеристиками образцов пациентов в обучающем наборе, находящихся по ту же сторону от математически определенного порога решающей оценки. Порог скалярного результата линейного классификатора оптимизируют для максимизации суммы чувствительности и специфичности при кросс-валидации в наборе обучающих данных. Общие данные об экспрессии для данного образца нормируют с использованием способов, известных квалифицированным специалистам, для внесения поправок на различия в количествах исходного материала, разные эффективности экстракции и реакции амплификации и т.д. В одном варианте исполнения профиль экспрессии биомаркера образца ткани пациента оценивается с помощью линейного классификатора. В используемом в данном документе значении, линейный классификатор относится к взвешенной сумме интенсивностей биомаркеров индивидуума в составной решающей оценке ("решающая функция"). Решающую оценку затем сравнивают с предварительно определенным отсекающим порогом оценки, соответствующим определенной заданной точке по показателям чувствительности и специфичности, которая указывает, находится ли образец выше порога оценки (положительная решающая функция) или ниже (отрицательная решающая функция). Использование линейного классификатора для нормированных данных для диагностического или прогностического заключения (например, о восприимчивости или резистентности к терапевтическому агенту), по существу, означает разделение пространства данных, т.е. всех возможных комбинаций значений экспрессии для всех генов, входящих в классификатор, на две непересекающиеся части с помощью разделяющей гиперплоскости. Такое деление эмпирически осуществляют на большом наборе обучающих примеров, например, от пациентов, демонстрирующих восприимчивость или резистентность к терапевтическому агенту. Без потери всеобщего характера можно предположить определенный заданный набор значений всех биомаркеров, кроме одного, который будет автоматически определять пороговое значение для этого оставшегося биомаркера, при котором решение будет изменяться, например, от восприимчивости или резистентности к терапевтическому агенту. Значения экспрессии выше этого динамического порога будут тогда указывать или на резистентность (для биомаркера с отрицательным весом) или на восприимчивость (для биомаркера с положительным весом) к терапевтическому агенту. Точное значение этого порога зависит от фактически измеренного профиля экспрессии всех других биомаркеров в классификаторе, но общий признак определенных биомаркеров остается неизменным, т.е. высокие значения или "относительная сверхэкспрессия" всегда являются вкладом или в восприимчивость (гены с положительным весом), или в резистентность (гены с отрицательным весом). Поэтому в контексте общего классификатора генной экспрессии относительная экспрессия может указывать, является ли повышающая или понижающая регуляция определенного биомаркера индикатором восприимчивости или резистентности к терапевтическому агенту. Существует ряд пригодных способов измерения профилей экспрессии опытных образцов в зависимости от типа анализируемого биомаркера. Измерения мРНК в биологическом образце могут быть использованы взамен детектирования уровня соответствующего белка в биологическом образце. Таким образом, любые биомаркеры или панели биомаркеров, описанные здесь, также могут быть детектированы путем детектирования соответствующей РНК. Способы определения профилей генной экспрессии включают, без ограничений, использование микрочипов, ПЦР с обратной транскриптазой (RT-PCT), количественной ПЦР, NGS, нозерн-блоттинга, SAGE, масс-спектрометрии. Уровни экспрессии мРНК измеряют методом количественной полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР с последующей количественной ПЦР). ОТ-ПЦР используется для получения кДНК из мРНК. кДНК может быть использована в анализе методом количественной ПЦР для получения флуоресценции в процессе амплификации ДНК. Путем сравнения со стандартной кривой количественная ПЦР может дать абсолютное значение результата измерений, такое как число копий мРНК на клетку. Нозерн-блоттинг, микрочипы, анализы Invader и ОТ-ПЦР в комбинации с капиллярным электрофорезом, все, используются для измерения уровней экспрессии мРНК в образце. См. Gene Expression Profiling: Methods and Protocols, Richard A. Shimkets, editor, Humana Press, 2004. Молекулы микроРНК представляют собой малые РНК, которые являются некодирующими, но могут регулировать генную экспрессию. Любые способы, пригодные для измерения уровней экспрессии мРНК, также могут быть использованы для соответствующих микроРНК. В последнее время многие лаборатории исследовали использование микроРНК в качестве биомаркеров болезней. Многие болезни сопровождаются широко распространенным регулированием транскрипции, и потому не удивительно, что микроРНК могут найти применение в качестве биомаркеров. Связь между концентрациями мик-роРНК и болезнью часто еще менее понятна, чем связи между уровнями белков и болезнью, но ценность биомаркеров на основе микроРНК может быть существенной. Конечно, как и для любых РНК, дифференциально экспрессируемых при болезни, проблемы на пути разработки in vitro диагностического продукта будут включать требование, чтобы микроРНК выживали в больной клетке и легко экстрагировались для анализа, или чтобы микроРНК выделялись в кровь или другие матрицы, где они должны выживать в течение достаточно длительного времени для проведения измерений. К белковым биомаркерам выдвигаются аналогичные требования, хотя многие потенциальные белковые биомаркеры секретируют-ся целенаправленно в области патологии и функционируют, во время болезни, по паракринному механизму. Многие потенциальные белковые биомаркеры рассчитаны на то, что они будут функционировать вне клеток, в которых такие белки синтезируются. Генную экспрессию также можно оценить с использованием масс-спектрометрических способов. Различные конфигурации масс-спектрометров могут быть использованы для детектирования значений биомаркеров. Несколько типов масс-спектрометров являются доступными или могут быть произведены с различными конфигурациями. В общем, масс-спектрометр состоит из следующих основных компонентов: устройство ввода образца, ионный источник, анализатор массы, детектор, вакуумная система, система управления инструментом и система сбора данных. Различия в устройстве ввода образца, ионном источнике и анализаторе массы в общем определяют тип инструмента и его возможности. Например, устройство ввода может быть источником в виде капиллярной колонки для жидкостной хроматографии или может представлять собой непосредственно пробу или столик, как используется в методах матрич-но-активируемой лазерной десорбции. Обычными ионными источниками являются, например, электрораспыление, включая нанораспыление и микрораспыление, или матрично-активируемая лазерная десорбция. Обычные анализаторы массы включают квадрупольный масс-фильтр, анализатор массы типа ионной ловушки и времяпролетный анализатор массы. Дополнительные масс-спектрометрические способы хорошо известны специалистам (см. Burlingame et al., Anal. Chem. 70:647R-716R (1998); Kinter and Sherman, New York (2000)). Белковые биомаркеры и значения биомаркеров могут детектироваться и измеряться любыми из следующих методов: масс-спектрометрия с ионизацией электрораспылением (ESI-MS), ESI-MS/MS, ESI-MS/(MS)n, времяпролетная масс-спектрометрия с ионизацией матрично-активируемой лазерной десорбцией (MALDI-TOF-MS), времяпролетная масс-спектрометрия с поверхностно усиленной лазерной десорбцией/ионизацией (SELDI-TOF-MS), десорбция/ионизация на кремнии (DIOS), масс-спектрометрия вторичных ионов (SIMS), квадрупольная времяпролетная (Q-TOF), тандемная времяпролетная (TOF/TOF) технология, называемая ultraflex III TOF/TOF, масс-спектрометрия с химической ионизацией при атмосферном давлении (APCI-MS), APCI-MS/MS, APCI-(MS).sup.N, масс-спектрометрия с фотоионизацией при атмосферном давлении (APPI-MS), APPI-MS/MS и APPI-(MS).sup.N, квадрупольная масс-спектрометрия, масс-спектрометрия с Фурье-преобразованием (FTMS), количественная масс-спектрометрия и масс-спектрометрия с ионной ловушкой. Стратегии приготовления образцов используются для мечения и обогащения образцов перед масс-спектроскопической характеризацией белковых биомаркеров и определения значений биомаркеров. Способы мечения включают, без ограничений, изобарную метку для относительной и абсолютной квантифи-кации (iTRAQ) и мечение стабильными изотопами аминокислот в клеточной культуре (SILAC). Захватывающие реагенты, используемые для селективного обогащения образцов для белков-кандидатов биомаркеров перед масс-спектроскопическим анализом, включают, без ограничений, аптамеры, антитела, нук-леиново-кислотные зонды, химеры, малые молекулы, фрагмент F(ab')2, фрагмент одноцепочечного антитела, фрагмент Fv, одноцепочечный фрагмент Fv, нуклеиновую кислоту, лектин, лигандсвязывающий рецептор, аффитела (affybodies), нанотела (nanobodies), анкирины, доменные антитела, альтернативные структуры антител (например, диатела и т.д.), импринтированные полимеры, авимеры, пептидомимети-ки, пептоиды, пептидные нуклеиновые кислоты, треозо-нуклеиновую кислоту, рецептор гормона, рецептор цитокина и синтетические рецепторы и их модификации и фрагменты. Вышеупомянутые анализы позволяют детектировать значения биомаркера, пригодные для использования в способах прогнозирования восприимчивости к терапевтическому агенту для лечения рака, где способы включают детектирование, в биологическом образце от индивидуума, по меньшей мере N значений биомаркеров, каждое из которых соответствует биомаркеру, выбранному из группы, состоящей из биомаркеров, представленных в табл. 1А, 1В, 2А, 2В или группах I и II, где классификация с использованием значений биомаркеров, как детально описано ниже, указывает, будет ли индивидуум восприимчивым к терапевтическому агенту. Хотя некоторые из описанных прогностических биомаркеров являются пригодными сами по себе для прогнозирования восприимчивости к терапевтическому агенту, здесь также описаны способы группирования нескольких подмножеств биомаркеров, каждый из которых является пригодным, в панели из двух или больше биомаркеров. Таким образом, различные варианты исполнения данного изобретения обеспечивают комбинации, включающие N биомаркеров, где N составляет по меньшей мере три биомаркера. Следует понимать, что N может быть выбрано из любых чисел в любых из вышеописанных диапазонах значений, а также аналогичных диапазонах значений более высокого порядка. В соответствии с любым из описанных способов значения биомаркеров могут детектироваться и классифицироваться индивидуально или они могут детектироваться и классифицироваться коллективно, например, в формате мультиплексного анализа. b) Способы на основе микрочипов. В одном варианте исполнения настоящее изобретение использует "олигонуклеотидные матрицы" (также называемые "микрочипами"). Микрочипы могут быть использованы для анализа экспрессии биомаркеров в клетке и, в частности, для измерений экспрессии биомаркеров раковых тканей. В одном варианте исполнения матрицы биомаркеров получают путем гибридизации детектируемо меченых полинуклеотидов, представляющих транскрипты мРНК, присутствующих в клетке (например, флуоресцентно меченые кДНК, синтезированные из полной клеточной мРНК или меченой кРНК) на микрочипе. Микрочип представляет собой поверхность с упорядоченной матрицей сайтов связывания (например, гибридизации) для продуктов многих генов из генома клетки или организма, предпочтительно большей части или почти всех генов. Микрочипы могут быть изготовлены с использованием ряда способов, известных специалистам. Независимо от способа изготовления, микрочипы имеют некоторые общие характеристики. Матрицы являются воспроизводимыми, что позволяет получать множество копий данной матрицы и легко сравнивать их друг с другом. Предпочтительно микрочипы являются маленькими, обычно менее 5 см2, и изготовлены из материалов, стабильных в условиях связывания (например, гибридизации нуклеиновой кислоты). Данный сайт связывания или уникальный набор сайтов связывания на микрочипе будет специфически связывать продукт отдельного гена клетки. В конкретном варианте исполнения используются позиционно адресуемые матрицы, содержащие закрепленные нуклеиновые кислоты с известной последовательностью в каждом положении. Следует понимать, что, когда получают кДНК, комплементарную к рНК клетки и гибридизуют на микрочипе в пригодных условиях гибридизации, уровень гибридизации в сайте матрицы, соответствующем любому конкретному гену, будет отражать распространенность в клетке мРНК, транскрибируемой с данного гена/биомаркера. Например, при гибридизации с микрочипом детектируемо меченой (например, с помощью флуорофора) кДНК или кРНК, комплементарных к полной клеточной мРНК, участок матрицы, соответствующий гену (т.е. способный специфически связываться с продуктом гена), который не транскрибируется в клетке, будет иметь слабый сигнал или его отсутствие (например, флуоресцентный сигнал), а ген, кодированная мРНК которого имеет широкое распространение, будет иметь относительно сильный сигнал. Условия гибридизации нуклеиновой кислоты и промывки выбирают так, чтобы зонд "специфически связывал" или "специфически гибридизовался" со специфическим участком матрицы, т.е. зонд гибридизуется, образует дуплексы или связывается с участком матрицы последовательностей, несущим комплементарную последовательность нуклеиновой кислоты, но не гибридизуется с участком с некомплементарной последовательностью нуклеиновой кислоты. В используемом в данном документе значении одна полинуклеотидная последовательность считается комплементарной к другой, когда, если более короткий из полинуклеотидов имеет длину менее или равную 25 основаниям, не наблюдается ошибок спаривания с использованием стандартных правил спаривания последовательностей или, если более короткий из полинуклеотидов имеет длину более 25 оснований, количество ошибок спаривания не превышает 5%. Предпочтительно полинуклеотиды являются полностью комплементарными (отсутствие ошибок спаривания). Можно продемонстрировать, что условия специфической гибридизации приводят к специфической гибридизации путем проведения анализа гибридизации с отрицательным контролем с использованием обычных методик эксперимента. Оптимальные условия гибридизации будут зависеть от длины (например, олигомер vs. полинуклео-тида длиной более 200 оснований) и типа (например, РНК, ДНК, PNA (пептидо-нуклеиновая кислота)) меченого зонда и иммобилизованного полинуклеотида или олигонуклеотида. Общие параметры для специфических (т.е. жестких) условий гибридизации нуклеиновых кислот описаны в Sambrook et al., supra и в Ausubel et al., "Current Protocols in Molecular Biology", Greene Publishing и Wiley-Interscience, NY (1987), которые целиком включены сюда в любых целях. В тех случаях, когда используются микрочипы на основе кДНК, типичными условиями гибридизации являются гибридизация в 5xSSC плюс 0,2% ДСН (SDS) при 65°C в течение 4 ч с последующими промываниями при 25°C в промывочном буфере низкой жесткости (1xSSC плюс 0,2% ДСН), а затем 10 мин при 25°C в промывочном буфере высокой жесткости (0,1SSC плюс 0,2% ДСН) (см. Shena et al., Proc. Natl. Acad. Sci. USA, Vol. 93, p. 10614 (1996)). Пригодные условия гибридизации также приведены, например, в Tijessen, "Hybridization With Nucleic Acid Probes", Elsevier Science Publishers B.V. (1993) и Kricka, "Nonisotopic DNA Probe Techniques", Academic Press, San Diego, Calif. (1992). с) Способы иммуноанализа. Способы иммуноанализа основаны на реакции антитела с его соответствующей мишенью или ана-литом и могут детектировать аналит в образце в зависимости от формата конкретного анализа. Для улучшения специфичности и чувствительности метода анализа, основанного на иммунореактивности, часто используют моноклональные антитела вследствие того, что они специфически распознают эпитоп. Поликлональные антитела также успешно использовались в различных иммуноанализах благодаря их повышенной аффинности к мишени по сравнению с моноклональными антителами. Были разработаны иммуноанализы для использования с широким спектром матриц биологических образцов. Форматы им-муноанализов были разработаны таким образом, чтобы они обеспечивали качественные, полуколичественные и количественные результаты. Количественные результаты могут быть получены путем использования стандартной кривой, получаемой для известных концентраций конкретного аналита, который должен детектироваться. Строят график отклика или сигнала для неизвестного образца на стандартной кривой и определяют количество или значение величины, соответствующие мишени в неизвестном образце. Были разработаны многочисленные форматы иммуноанализа. ELISA или EIA могут быть количественными при детектировании аналита/биомаркера. Этот метод основан на присоединении метки к анали-ту или антителу, и компонент метки включает, прямо или косвенно, фермент. Тесты ELISA могут быть разработаны в форматах прямого, непрямого, конкурентного или сэндвич-метода детектирования анали та. Другие способы используют метки, такие как, например, радиоизотопы (125I) или флуоресценцию. Дополнительные методики включают, например, агглютинацию, нефелометрию, турбидиметрию, вес-терн-блоттинг, иммунопреципитацию, иммуноцитохимию, иммуногистохимию, проточную цитометрию, анализ Luminex и другие (см. ImmunoAssay: A Practical Guide, ред. Brian Law, опубликована Taylor & Francis, Ltd., издание 2005 г.). Типичные форматы анализов включают твердофазный иммуноферментный анализ (ELISA), радио-иммуноанализ, иммуноанализы с использованием флуоресценции, хемолюминесценции и резонансного переноса энергии флуоресценции (FRET) или FRET с временным разрешением (TR-FRET). Примеры процедур детектирования биомаркеров включают иммунопреципитацию биомаркера с последующими количественными способами, позволяющими дифференцировать размеры и уровни пептидов, такими как электрофорез на геле, капиллярный электрофорез, планарная электрохроматография и т.п. Способы детектирования и/или количественного определения детектируемой метки или материала, генерирующего сигнал, зависят от природы метки. Продукты реакций, катализируемых соответствующими ферментами (в тех случаях, когда детектируемая метка представляет собой фермент; см. выше) могут быть, без ограничений, флуоресцентными, люминесцентными или радиоактивными или они могут поглощать видимый или ультрафиолетовый свет. Примеры детекторов, пригодных для детектирования таких детектируемых меток, включают, без ограничений, рентгеновскую пленку, счетчики радиоактивности, сцинтилляционные счетчики, спектрофотометры, колориметры, флуорометры, люминометры и денситометры. Любые способы детектирования могут быть осуществлены в любом формате, позволяющем использовать любой пригодный способ приготовления, процессинг и анализ реакций. Это могут быть, например, многолуночные аналитические планшеты (например, 96-луночные или 384-луночные) или способы, использующие любую пригодную матрицу или микрочип. Маточные растворы для различных агентов могут быть приготовлены вручную или роботизированными методами, и все последующие операции пипетирования, разбавления, смешения, распределения, промывания, инкубирования, считывания образцов, сбора данных и анализа могут выполняться роботизированно с использованием коммерчески доступных прикладных программ для анализа, робототехнических устройств и детектирующих инструментов, способных детектировать детектируемую метку. Наборы. Реагенты, инструменты, и/или инструкции по проведению способов, описанных здесь, могут быть представлены в виде набора. Например, набор может содержать реагенты, инструменты и инструкции по определению пригодной терапии для ракового пациента. Такой набор может включать реагенты для отбора образцов ткани у пациента, такого как путем биопсии, и реагенты для обработки тканей. Набор может также включать один или несколько реагентов для проведения анализа экспрессии гена или генного продукта, таких как реагенты для проведения ОТ-ПЦР, количественной ПЦР, нозерн-блоттинга, проте-омного анализа или иммуногистохимии для определения уровней экспрессии маркеров гена или генного продукта в образце пациента. Например, такие наборы могут включать праймеры для проведения ОТ-ПЦР, зонды для проведения анализов методом нозерн-блоттинга, и/или антитела для проведения протеомного анализа, такого как вестерн-блоттинг, иммуногистохимия и анализы ELISA. Также могут быть включены пригодные буферы для анализов. Также могут быть включены детектирующие реагенты, необходимые для любого из этих анализов. Пригодные реагенты и способы дополнительно детально описаны ниже. Наборы, описанные здесь, могут также включать лист-вкладыш с инструкциями, описывающими, как проводить анализы для измерения экспрессии генов или генных продуктов. Листок с инструкциями также может включать инструкции о том, каким образом определять референсную когорту, включая методы определения уровней экспрессии маркеров гена или генного продукта в референсной когорте и сбора данных об экспрессии для установления эталона для сравнения с обследуемым пациентом. Листок с инструкциями также может включать инструкции по оценке экспрессии генов или генных продуктов у обследуемого пациента и для сравнения уровня экспрессии с экспрессией в референсной когорте, для последующего определения пригодной химиотерапии для обследуемого пациента. Способы определения пригодной химиотерапии описаны выше и могут быть детально описаны в листке с инструкциями. Информационные материалы, включенные в наборы, могут быть описательными, инструктивными, маркетинговыми или другими материалами, которые относятся к способам, описанным здесь, и/или к использованию реагентов для способов, описанных здесь. Например, информационные материалы в наборе могут содержать контактную информацию, например физический адрес, адрес электронной почты, веб-сайт или телефонный номер, причем пользователь набора может получить значимую информация о проведении анализа генной экспрессии и интерпретации результатов, особенно касающихся вероятности достижения у человека положительного ответа на конкретный терапевтический агент. Наборы, описанные здесь, могут также содержать прикладные программы, необходимые для достижения вывода о вероятности положительного ответа у пациента на конкретный терапевтический агент по экспрессии маркера генного продукта. Терапевтические агенты. Как описано выше, способы, описанные здесь, обеспечивают классификацию пациентов на откликающихся или не откликающихся на терапевтический агент, нацеленный на ангиогенные процессы и передачу сигналов в опухоли. Некоторые такие современные терапии, используемые для лечения рака, включают, без ограничений, следующие агенты: терапевтический агент, нацеленный на путь VEGF, включая многоцелевые ингибиторы пути (VEGF/PDGF/FGF/EGFT/FLT-3/c-KIT), ингибиторы пути ан-гиопоэтина-TIE2, эндогенные ангиогенные ингибиторы, иммуномодулирующие агенты. Специфические ингибиторы VEGF включают, без ограничений, бевацизумаб (авастин), афиберцепт (ловушка VEGF), IMC-1121В (рамуцирумаб). Многоцелевые ингибиторы пути включают, без ограничений, иматиниб (гливек), сорафениб (нексавар), гефитиниб (иресса), сунитиниб (сутент), эрлотиниб, тивозиниб, цедира-ниб (рецентин), пазопаниб (вотриент), BIBF 1120 (варгатеф), довитиниб, семаксаниб (суген), акситиниб (AG013736), вандетаниб (зактима), нилотиниб (тасигна), дасатиниб (спрайсел), ваталаниб, мотесаниб, ABT-869, TKI-258. Ингибиторы пути ангиопоэтина-TIE2 включают, без ограничений, AMG-386, PF-4856884 CVX-060, СЕР-11981, СЕ-245677, MEDI-3617, CVX-241, трастузумаб (герцептин). Эндогенные ангиогенные ингибиторы включают, без ограничений, тромбоспондин, эндостатин, тумстатин, канста-тин, аррестин, ангиостатин, вазостатин, интерферон-альфа. Иммуномодулирующие агенты включают, без ограничений, талидомид и леналидомид. Настоящее изобретение дополнительно проиллюстрировано приведенными далее примерами, которые не должны рассматриваться как каким-либо образом накладывающие ограничения на его объем. Наоборот, следует четко понимать, что могут быть предусмотрены различные другие варианты его исполнения модификации и эквиваленты, которые, после прочтения приведенного тут описания, могут быть предложены квалифицированными специалистами без выхода за пределы сущности настоящего изобретения и/или объема приложенной формулы изобретения. Примеры Пример 1. Процессинг тканей, иерархическая кластеризация, идентификация субтипа и разработка классификатора. Материал опухоли. Типичные сигнатуры экспрессии были идентифицированы путем проведения анализа генной экспрессии для когорты полученных путем макродиссекции FFPE-образцов (фиксированных формалином залитых в парафин) тканей эпителиальной серозной опухоли яичников, полученных от NHS Lothian и Университета Эдинбурга (University of Edinburgh). Протокол гистологической классификации эпителиального рака яичников для определения серозной, эндометриоидной, прозрачно-клеточной и мукоидной гистологий был недавно обновлен. Одним из последствий этого является то, что многие опухоли, которые ранее классифицировались бы как эндомет-риоидные, теперь классифицируются как серозные. (McCluggage, W.G. "Morphological subtypes of ovarian carcinoma: a review with emphasis on new developments and pathogenesis", Pathology 2011 Aug; 43(5):420-32). Серозные образцы, используемые в данных исследованиях, относились к большему набору образцов эпителиального рака яичников всех гистологий, собранному в период между 1984 и 2006 гг. Патология для определения гистологического статуса проводилась патологами каждого из центров в момент забора материала. На протяжении марта и апреля 2012 г., 357 этих образцов эпителиального рака яичников были проанализированы для проведения гистологической классификации двумя независимыми патологами-консультантами по раку яичников в соответствии с пересмотренным протоколом. Это привело к переклассификации нескольких из этих образцов, как указано в табл. 3. Исходные три серозных субтипа, идентифицированных ниже, и следовательно, 25-генная сигнатура, описанная в примере ниже (фиг. 1), были идентифицированы по 199 образцам, которые были классифицированы как серозные в соответствии с отчетами первоначальных патологов. Аналогично был проведен биоинформационный анализ 277 образцов, классифицированных как серозный рак яичников высокой степени злокачественности стадий III и IV с использованием уточненного метода патологической классификации. Этот анализ идентифицировал уточненные серозные подгруппы, представленные на фиг. 2, впоследствии использованные для определения 45-генной сигнатуры. Определение профилей генной экспрессии для FFPE-образцов. Экстрагировали общую РНК из полученной методом макродиссекции FFPE-ткани с использованием набора для получения высокочистой РНК (High Pure RNA Paraffin Kit, Roche Diagnostics GmbH, Mannheim, Germany). РНК конвертировали в комплементарную дезоксирибонуклеиновую кислоту (кДНК), которую впоследствии амплифицировали и конвертировали в одноцепочечную форму с использованием технологии SPIA(r) в системе WT-Ovation(tm) FFPE RNA Amplification System V2 (NuGEN Technologies Inc., San Carlos, CA, USA). Амплифицированную одноцепочечную кДНК затем фрагменти-ровали и метили биотином с использованием FL-Ovation(tm) cDNA Biotin Module V2 (NuGEN Technologies Inc.). Фрагментированную и меченую кДНК затем гибридизировали с помощью Almac Ovarian Cancer DSA(tm). Исследовательский инструмент Almac Ovarian Cancer DSA(tm) был оптимизирован для анализа FFPE-образцов тканей, что позволило использовать ценные банки законсервированных тканей. Исследовательский инструмент Almac Ovarian Cancer DSA(tm) представляет собой новаторскую платформу с микрочипом, представляющим транскриптому как в нормальных, так и в раковых тканях яичников. Вследствие этого, Ovarian Cancer DSA(tm) обеспечивает всестороннее представление транскриптомы в условиях болезни яичников и в тканях, недоступное при использовании универсальных платформ микрочипов. Матрицы сканировали с использованием сканера Affymentrix Genechip(r) Scanner 7G (Affymetrix Inc., Santa Clara, CA). Подготовка данных. Контроль качества (QC) профилированных образцов проводили с использованием алгоритма предварительной обработки MAS5. Анализировались разные технические аспекты: средний шум и гомогенность фона, процент правильных определений (качество матрицы), качество сигнала, качество РНК и качество гибридизации. Распределения и медианное абсолютное отклонение соответствующих параметров анализировали и использовали для идентификации возможных выбросов. Almac Ovarian Cancer DSA(tm) содержит зонды, нацеленные преимущественно на участок, охватывающий 300 нуклеотидов на 3'-конце. Поэтому стандартные меры качества РНК Affymetrix были адаптированы - для интенсивностей генов домашнего хозяйства 3'-конца были использованы наборы зондов с соотношениями интенсивности набора зондов 3'-конца к средней интенсивности фона в дополнение к обычным соотношениям 3'/5'. Контрольные образцы гибридизации проверяли для обеспечения того, чтобы их интенсивности и относительное количество правильных определений соответствовали требованиям, установленным Affymetrix. Предпроцессинг первичных данных, полученных в результате определения профилей экспрессии обучающего набора эпителиальных серозных раков яичников, был проведен с помощью программы Expression Console v.1.1 no протоколу робастного многоматричного анализа (Robust Multi-array Analysis, RMA). Иерархическая кластеризация и функциональный анализ a) Анализ иерархической кластеризации. Методы иерархической кластеризации были применены к данным, полученным с использованием микрочипа для эпителиальных серозных опухолей яичников, проанализированных с использованием платформы Ovarian Cancer DSA(tm) (болезнь-специфическая матрица). Первичные данные об экспрессии были подвергнуты предпроцессингу с использованием стандартной процедуры робастного многочипового алгоритма (Robust Multichip Algorithm, RMA). Небиологическую систематическую дисперсию в наборе данных идентифицируют и устраняют. Были идентифицированы наборы зондов, в которых уровни экспрессии значимо варьировались между разными опухолями. Такие наборы зондов составили характеристический список. Был проведен двумерный кластерный анализ (опухоль, набор проб) для определения соотношений опухоли на основании характеристического списка. Была применена иерархическая агломеративная кластеризация (пирсоновская корреляция - первичный анализ - или эвклидово расстояние -модифицированный анализ - и сцепление Варда (Ward's linkage)). Оптимальное число разбиений выбирали с использованием индекса GAP (Tibshirani et al., 2002, J. R. Stat. Soc., 63:411-423). Все наборы данных, присутствующие в подгруппах кластера, были картированы по названиям генов. b) Функциональный анализ генных кластеров. Для установления функциональной значимости кластеров наборов зондов, наборы зондов были картированы по генам (идентификаторы (ID) генов Entrez) и был проведен анализ обогащения. Значимость обогащения рассчитывали на основании гипергеометрической функции (с учетом показателя ошибочного определения (Benjamini and Hochberg, 1995, J. R. Stat. Soc. 57:289:300)). Чрезмерную представительность биологических процессов и путей анализировали для каждой группы генов, полученной в результате иерархической кластеризации образцов эпителиального серозного рака яичников с использованием фирменного Инструмента функционального обогащения (Functional Enrichment Tool, FET) Almac Diagnostics. Антисмысловые наборы зондов были исключены из анализа. Гипергеометрические р-значения оценивали для каждого обогащенного класса функциональных объектов. Классы функциональных объектов с наибольшими р-значениями были выбраны как репрезентативные для группы и общая функциональная категория, представляющая эти функциональные объекты, была присвоена генным кластерам на основании значимости репрезентативности (т.е. р-значения). Для создания классификатора ангиогенеза с использованием первичных 199 эпителиальных серозных опухолей яичников, гены в кластерах, обогащенных по общим функциональным термам ангиогене-за, развития сосудистой сети и иммунного ответа, были сгруппированы в предполагаемую генную группу ангиогенеза и использованы для получения сигнатуры. Кластеры образцов, презентующих высокую экспрессию генов, задействованных в общих функциональных термах ангиогенеза, развития сосудистой сети и иммунного ответа, были выбраны для классификации и помечены "ангиогенез". Кластеры, не демонстрирующие высокой экспрессии генов, задействованных в этих функциональных термах, были помечены "без ангиогенеза". Для создания классификатора ангиогенеза с использованием переклассифицированных 265 эпителиальных серозных опухолей яичников гены в кластерах, обогащенных по общим функциональным термам ангиогенеза и развития сосудистой сети, были сгруппированы в предполагаемую генную группу ангиогенеза и использованы для получения сигнатуры. Кластеры образцов, презентующих высокую экспрессию генов, задействованных в общих функциональных термах ангиогенеза и развития сосудистой сети, были выбраны для классификации и помечены "ангиогенез". Кластеры, не демонстрирующие высокой экспрессии генов, задействованных в этих функциональных термах, были помечены "без ангиоге-неза". Разработка классификатора на генном уровне. Для облегчения валидации классификатора для множества матричных платформ классификатор ан-гиогенеза был сгенерирован на генном уровне. Следующие стадии описывают процедуры, использованные для разработки генного уровня сигнатуры (каждая стадия проводилась с внутренней кросс-валидацией с использованием 10 повторов 5-кратной кросс-валидации): Разработка генного уровня сигнатуры. Предпроцессинг: Поправка на фон RMA. Эталонный набор генов состоит из генов (только наборы смысловых зондов), уникальных для платформы DSA яичников. Суммаризация генного уровня проводилась в две стадии: сначала проводили суммаризацию зондов для наборов зондов путем расчета медианной экспрессии зондов в наборе зондов; во-вторых, рассчитывали медианную экспрессию (только смысловых) картирования наборов зондов по каждому гену в эталонном распределении с получением "гена уровня" матрицы экспрессии. Проводили нормализацию квантиля по полной матрице данных генной экспрессии и контрольный квантиль, полученный для обучающих данных, использовали для нормализации опытных образцов в каждом раунде кросс-валидации. Селекция признаков: Фильтрация 75% генов по дисперсии, интенсивности и корреляции с концентрацией кДНК с последующими или рекурсивной элиминацией признака (RFE) или фильтрующей селекцией признака (FFS) на основании оценок CAT. Алгоритмы классификации: частных наименьших квадратов (PLS), SDA (сжимающий дискрими-нантный анализ) и DSDA (диагональный SDA). Выбор модели. Критериями, используемыми для выбора модели, были ППК после внутренней кросс-валидации и элиминации признака. Функциональное обогащение сигнатур после кросс-валидации с использованием FET на основании генной онтологии, промежуточные наборы данных валидации, которые включали два набора технических реплик, для которых стандартное отклонение в бальных оценках сигнатуры для параллельных образцов оценивали после кросс-валидации и элиминации признака и оценки независимости от клинических и технических факторов после кросс-валидации (факторы, перечисленные в табл. 4). Следует отметить, что, поскольку выделение подгруппы (т.е. метки класса) осуществляли с использованием экспрессии на микрочипе для той же когорты образцов, которая была использована для разработки сигнатуры, в любых оценках характеристик на основании ППК присутствовало ожидаемое положительное смещение. Это подчеркивает важность расширения критериев, используемых для выбора модели, путем включения дополнительных метрик, таких как функциональное обогащение и оценка независимости от клинических и технических факторов. Расчет балльных оценок классификаторов для валидации наборов данных. Все наборы данных подвергались предварительной обработке с использованием RMA. Для каждого набора валидации были определены наборы зондов, картированные по генам классификатора, за исключением антисмысловых наборов зондов (если такие были). Аннотации для матриц Affymetrix Plus 2.0 и U133A доступны на веб-сайте Affymetrix. Была рассчитана медианная интенсивность по всем наборам зондов, картированных по каждому гену в классификаторе, с получением матрицы интенсивности генов. Классификатор затем применяли к этой матрице данных для получения балльной оценки/прогноза классификатора для каждого образца. Одномерный и многомерный анализ. Одномерный и многомерный анализ может быть проведен для набора данных глиобластомы для оценки, соответственно, связи между субтипом классификатора ангиогенеза и выживаемостью и для определения того, будет ли связь, если она существует, независимой от известных клинических прогностических показателей. р-значения для одномерного анализа рассчитывали с использованием логистического регресса в программе MATLAB. Для многомерного анализа авторы использовали критерий отношения правдоподобия для логистического регресса, где р-значения представляют снижение логарифма вероятности (log-likelihood) при сравнении модели с клиническими ковариантами и прогнозами для сокращенной модели только с клиническими ковариантами. Критерий отношения правдоподобия измеряет важность гена-предиктора при моделировании выживаемости и указывает его независимость как прогностического показателя относительно клинических прогностических показателей. Как в одномерном, так и в многомерном анализе в качестве критерия значимости использовали р-значение <0,05. Кроме того, образцы с неизвестными клиническими факторами исключали в данной оценке. Результаты. Идентификация подгрупп и получение сигнатуры из первичной и уточненной классификации гис-тологий. Анализ иерархической кластеризации. Селекция признаков позволила выбрать 1200 наборов зондов из первичного набора данных эпителиального серозного рака яичников (199 образцов) и 1400 наборов зондов (PS) из переклассифицированного набора данных эпителиального серозного рака яичников (265 образцов). Анализ GAP выявил три кластера образцов и три группы кластеров наборов зондов в обоих наборах образцов (фиг. 1, 6). Классификация опухолей на группы образцов "ангиогенез" или "без ангиогенеза". Классификация образцов на "ангиогенез" или "без ангиогенеза" была основана на результатах функционального анализа набора данных эпителиального серозного рака яичников (фиг. 1, 6). Целью данных исследований была характеризация на транскриптомном уровне набора генов, способных определять восприимчивость или резистентность патогенной клетки к антиангиогенным агентам, и, потенциально, идентификация пациентов, которые могут получить пользу от антиангиогенной терапии. Для этого нужно было выбрать образцы из наборов данных эпителиального серозного рака яичников, которые наилучшим образом представляют данную биологию, и сравнить с остальными образцами для создания классификатора (см. следующий раздел). Было решено, что образцы из кластера образцов ангиогенеза в первичном набор образцов эпителиального серозного рака яичников (199 образца) были наиболее релевантными образцами для такой селекции, поскольку эти образцы демонстрировали повышающую регуляцию генов, задействованных в передачу сигналов, связанных ангиогенными процессами и путями и иммунным ответом, как было определено с помощью функционального анализа (фиг. 2А и 2В). Было решено, что образцы из кластера, три образца в переклассифицированном наборе образцов эпителиального серозного рака яичников (265 образцов), были наиболее релевантными образцами для данной селекции, поскольку эти образцы демонстрировали повышающую регуляцию генов, задействованных в передачу сигналов, связанных ангиогенными процессами и путями, как было определено с помощью функционального анализа (фиг. 2А и 2В) Идентичный подход иерархической кластеризации был применен к 105 образцам рака молочной железы. Доминирующей биологией при раке молочной железы является статус ER, и потому для идентификации структуры биологии образцов эта когорта была разделена на две популяции для кластерного анализа. Авторы идентифицировали субтипы ангиогенеза и развития сосудистой сети (фиг. 12А и 12В), что демонстрирует выделение субтипа ангиогенеза из образцов рака молочной железы. Разработка и валидация моделей классификаторов субтипа ангиогенеза. Для простоты понимания приведенные ниже стадии описаны со ссылкой на сигнатуры экспрессии, взятые из из табл. 1А или 1В. Однако аналогичная процедура может быть применена к другим предполагаемым кластерам биомаркеров, связанных с субтипами ангиогенеза, таких как раскрытые в SEQ ID NOs: 632-801 и SEQ ID NOs: 802-974). После идентификации класса опухолей, образующих предполагаемую подгруппу "ангиогенез", была проведена расчетная классификация этих опухолей в отличие от всех остальных в когорте опухолей со ссылкой на функциональный перечень генов "ангиоге-нез" (ангиогенез, развитие сосудистой сети, иммунный ответ) (табл. 1А или 1В) для идентификации уточненной модели классификации генов, которая классифицирует субтип "ангиогенез". Конвейер (pipeline) классификации был использован для определения модели с использованием набора образцов эпителиального серозного рака яичников. Конвейер классификации был разработан в соответствии с критериями общепринятой добросовестной практики (MAQC Consortium, Nat Biotechnol 2010). Процесс будет параллельно 1) выводить модели классификации генов из эмпирических данных и 2) оценивать классификационные характеристики моделей, все с кросс-валидацией. Характеристики и успешность создания классификатора зависят от числа параметров, которое может быть переменным, например, выбора способа классификации или фильтрации набора зондов. С учетом этого оценивали два набора признаков: (i) полный перечень признаков с фильтрацией 75% дисперсии/интенсивности (с принудительным включением перечня генов ангиогенеза, табл. 1А) и (ii) перечень только генов ангиогенеза; и оценивали три алгоритма классификации, а именно PLS; SDA и DSDA. При разработке модели использовали RFE, который представляет собой итерационную процедуру удаления части признаков с наименьшим рангом при каждой итерации; с остановкой только после того, как останется минимальное число признаков. ППК использовали для оценки характеристик классификации, поскольку эта мера является независимой от отсекающей границы между группами и коэффициентов распространенности данных. Она также является одним из лучших признанных измеряемых показателей для определения характеристик классификации. По существу, наилучшее число признаков для каждой модели выбирали на основании средней ППК с кросс-валидацией. По результатам описанного выше анализа, модель PLS FFS была признана наиболее пригодной моделью классификатора. Были рассчитаны веса для каждого гена с использованием PLS-регрессии, в результате чего были получены окончательные модели генных классификаторов (25-генная модель классификатора для исходного подхода и 45-генный классификатор для образцов, переклассифицированных с учетом последних изменений стандартных протоколов гистологии), которые могут быть использованы для валидации внешних наборов данных от разных матричных платформ. Процесс разработки генной сигнатуры был сфокусирован на идентификации онтологических процессов и путей, связанных с ангио-генезов, для обеспечения биологической релевантности любых разработанных сигнатур. По существу, был проведен функциональный анализ обоих сигнатур для определения их релевантности к ангиогенезу и родственным процессам. Значимые процессы на фиг. 3 и 8 ассоциированы с ангиогенезом и развитием сосудистой сети. Пример 2. Компьютерная (in silico) валидация классификаторов субтипа ангиогенеза и модели ан-гиогенез. Достоверность характеристик как 25-генного (исходный подход), так и 45-генного (подход с учетом переклассификации) классификаторов модели ангиогенеза подтверждали с помощью площади под кривой (ППК) ROC (характеристическая кривая обнаружения) для первичного набора данных Almac эпите лиального серозного рака яичников и двух независимых наборов данных. ППК представляет собой статистический показатель, рассчитываемый по шкале наблюдаемой болезни scale, и является мерой эффективности прогноза фенотипа с использованием модели классификатора (Wray et. al., PLoS Genetics Vol 6, 1-9). Значение ППК, равное 0,5, является типичным для статистического классификатора, а значение ППК, равное 1,0, будет представлять точное разделение классов. Поэтому для определения того, будет ли модель классификатора субтипа ангиогенеза способна предсказывать ответ на и позволять выбирать пациентов для классов терапевтических антиангиогенных препаратов против рака яичников в виде отдельно взятого агента или в комбинации со стандартным лечением, гипотеза заключается в том, что ППК после применения в таких наборах данных должна быть выше 0,5, при наименьшем значении доверительного интервала также выше 0,5. Применение модели классификатора к независимым клиническим наборам данных на микрочипах. Для оценки прогностической мощности 25-генной и 45-генной моделей классификаторов их применили к набору данных для 77 образцов глиобластомы, взятых во время первичной хирургической резекции у пациентов (в возрасте старше 21 года) без предшествующей терапии (Phillips et. al., 2006). Этот анализ показал, что 25-генная модель классификатора была независимо ассоциирована с прогнозом гли-областомы. Важно отметить, что при многомерном анализе по Коксу (Сох) было обнаружено, что сигнатура ангиогенез является прогностической для выживаемости, независимо от степени злокачественности опухоли по классификации Всемирной организации здравоохранения (ВОЗ) и/или присутствия некроза (р=0,37). Оба эти клинических фактора коррелируют с выживаемостью при глиобластоме. Группа высокого ангиогенеза была ассоциирована со значительно худшей выживаемостью по сравнению с группой низкого ангиогенеза (отношение рисков = 1,7814, р=0,0269). Это указывает, что 25-генный классификатор является независимым прогностическим биомаркером выживаемости при глиобластоме. Применение моделей классификаторов к независимому набору данных клеточных линий рака простаты. Для оценки прогностической мощности 25-генной и 45-генной моделей классификаторов они были применены к набору данных для 16 клеточных линий простаты после лечения дасатинибом. Клеточные линии были определены как "восприимчивые" или "невосприимчивые" на основании анализов клеточной пролиферации. Этот анализ показал, что 25-генная модель классификатора ассоциирована с откликом на дасатиниб при ППК, равной 0,8364 (CI=0,5255-1,0000), что указывает на то, что 25-генный классификатор является прогностическим для отклика на дасатиниб. Анализ показал, что 45-генная модель классификатора ассоциирована с откликом на указанное соединение, с ППК, равной 0,9455 (CI=0,7949-1,0000), что указывает на то, что 45-генный классификатор также является прогностическим для отклика на даса-тиниб. Пример 4. Идентификация и компьютерная (in silico) валидация антиангиогенной "невосприимчивой" подгруппы рака яичников. Экспрессия генов ангиогенеза в кластере 2х наборов зондов подвергается понижающей регуляции во всех образцах кластера 2 иерархической кластеризации 265 образцов, заново классифицированных как серозные (фиг. 6 и 10). Эти образцы в кластере 2 образцов имеют лучший прогноз, чем остальные серозные образцы в образцах объединенных кластеров 1 и 3, как показано на фиг. 11. Это указывает на то, что данная группа определяется понижающей регуляцией экспрессии генов ангиогенеза, идентифицированных в табл. 2В. Пациенты с понижающей регуляцией генов, задействованных в ангиогенезе и потому относящиеся к данной подгруппе, названы "невосприимчивой" группой". Этот фенотип был также идентифицирован при ER+ и ER- раке молочной железы, как видно для средней группы образцов на фиг. 12А и второй группы образцов на фиг. 12В. Литература 1. Friedman HS, Prados MD, Wen PY, ef al. Bevacizumab alone and in combination with irinotecan in recurrent glioblastoma. J Clin Опсо/;27:4733^Ю (2009). 2. Hurwitz H, Fehrenbacher L, Novotny W, et al. Bevacizumab plus irinotecan, fluorouracil, and leucovorin for metastatic colorectal cancer. N Engl J /Wec/;350:2335-42 (2004), 3. Rini Bl, Halabi S, Rosenberg JE, ef al. Bevacizumab plus interferon alfa compared with interferon alfa monotherapy in patients with metastatic renal cell carcinoma: CALGB 90206. J Clin Oncol; 26:5422-8 (2008). 4. Sandler A, Gray R, Perry MC, ef al. Paclitaxel-carboplatin alone or with bevacizumab for non-small-cell lung cancer. N Engl J Med; 355: 2542-50 (2006). 5. Wolmark N, Yothers G, O'Connell MJ, ef al. A phase III trial comparing mFOLFOXe to mFOLFOX6 plus bevacizumab in stage II or III carcinoma of the colon: results of NSABP protocol C-08. J Clin Oncol; 27:LBA4 (2009). 6. Yang JC, Haworth L, Sherry RM, ef al., A randomized trial of bevacizumab, an anti-vascular endothelial growth factor antibody, for metastatic renal cancer, N Engl J Med 349 427-434 (2003). 7. Willett CG, Boucher Y, di Tomaso E, ef al., Direct evidence that the VEGF-specific antibody bevacizumab has antivascular effects in human rectal cancer, Nat. Med. 10, 145-147 (2004). 8. Miller K, Wang M, Gralow J, ef al., Paclitaxel plus bevacizumab versus paclitaxel alone for metastatic breast cancer, N Engl J Med 357 2666-2676 (2007). 9. Miller KD, Chap LI , Holmes FA, ef al., Randomized phase III trial of capecitabine compared with bevacizumab plus capecitabine in patients with previously treated metastatic breast cancer, J Clin Oncol 23 792-799 (2005). 10. O'Shaughnessy J, Miles D, Gray RJ, ef al., A meta-analysis of overall survival data from three randomized trials of bevacizumab (BV) and first-line chemotherapy as treatment for patients with metastatic breast cancer (MBC), J Clin Oncol 28 (suppl) (abstr 1005) (2010). 11. Reck M, von Pawel J, Zatloukal P, ef a/., Phase III trial of cisplatin plus gemcitabine with either placebo or bevacizumab as first-line therapy for nonsquamous non-small-cell lung cancer: AVAil, J Clin Oncol 27,1227-1234 (2009). 12. Escudier B, Bellmunt J, Negrier S ef al., Phase III trial of bevacizumab plus interferon alfa-2a in patients with metastatic renal cell carcinoma (AVOREN): final analysis of overall survival, J Clin Oncol 28, 2144-2150 (2010) 13. Burger RA, Sill MW, Monk BJ, ef. al. Phase II trial of bevacizumab in persistent or recurrent epithelial ovarian cancer or primary peritoneal cancer: a Gynecologic Oncology Group Study. J Clin Oncol; 20;25(33):5165-71 (2007). 1. ФОРМУЛА ИЗОБРЕТЕНИЯ 1. Способ прогнозирования восприимчивости субъекта к агенту антиангиогенной терапии, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как восприимчивого или невосприимчивого к антиангиогенному терапевтическому агенту на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже порога оценки экспрессии соответственно. 2. Способ по п.1, в котором рак представляет собой рак яичников, глиобластому, рак простаты, ко-лоректальный рак или рак молочной железы. 3. Способ по любому из пп.1 и 2, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где вес для каждого биомаркера соответствует весу, указанному в табл. 2А и 2В. 4. Способ по любому из пп.1 и 3, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, и где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 5. Способ по любому из пп.1 и 3, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 6. Способ по любому из пп.1, 3-5, в котором антиангиогенный терапевтический агент представляет собой терапевтический агент, нацеленный на путь VEGF, ингибитор пути ангиопоэтина-ТП12, эндогенные ангиогенные ингибиторы и иммуномодулирующие агенты. 7. Способ по п.6, в котором терапевтический агент, нацеленный на путь VEGF, выбран из беваци-зумаба (авастин), афиберцепта (ловушка VEGF), IMC-1121B (рамуцирумаб), иматиниба (гливек), сора-фениба (нексавар), гефитиниба (иресса), сунитиниба (сутент), эрлотиниба, тивозиниба, цедираниба (ре-центин), пазопаниба (вотриент), BIBF 1120 (варгатеф), довитиниба, семаксаниба (суген), акситиниба (AG013736), вандетаниба (зактима), нилотиниба (тасигна), дасатиниба (спрайсел), ваталаниба, мотесани-ба, АВТ-869, TKI-258 и их комбинации. 8. Способ по п.6, в котором ингибитор пути ангиопоэтина-ТП52 выбран из AMG-386, PF-4856884 CVX-060, СЕР-11981, СЕ-245677, MEDI-3617, CVX-241, трастузумаба (герцептин) или их комбинации. 9. Способ по п.6, в котором эндогенные ангиогенные ингибиторы выбраны из тромбоспондина, эн-достатина, тумстатина, канстатина, аррестина, ангиостатина, вазостатина, интерферона-альфа или их комбинации. 10. Способ по п.6, в котором иммуномодулирующий агент выбран из талидомида, леналидомида и их комбинации. 11. Способ по любому из предыдущих пунктов, в котором прогнозирование выполнено в контексте стандартной терапии и/или терапии антиангиогенным терапевтическим агентом, где антиангиогенный терапевтический агент используется в адъювантной или неадъювантной терапии. 12. Способ по любому из предыдущих пунктов, в котором рак представляет собой рак яичника и субъект был ранее подвергнут цитотоксической химиотерапии на основе платины и таксана или в котором антиангиогенный терапевтический агент используется в адъювантной или неадъювантной терапии. 13. Способ определения прогноза для субъекта, больного раком, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в исследуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как имеющего плохой или хороший прогноз на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже пороговой оценки экспрессии соответственно. 14. Способ по п.13, в котором рак представляет собой рак яичников, глиобластому или рак молочной железы. 15. Способ по любому из пп.13 и 14, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где каждый вес для каждого биомаркера соответствует указанному в табл. 2А и 2В. 16. Способ по любому из пп.13 и 14, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 14. 17. Способ по любому из пп.13 и 14, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 18. Способ по любому из пп.13-17, в котором субъект был ранее подвергнут стандартной химиотерапии. 19. Способ по любому из пп.13-17, в котором субъект был ранее подвергнут хирургической резекции рака. 20. Способ по любому из предыдущих пунктов, в котором рак представляет собой глиобластому. 21. Способ по любому из предыдущих пунктов, в котором мерой прогноза является выживание. 22. Способ прогнозирования отклика субъекта на стандартную терапию рака, включающий измерение уровней экспрессии 25 биомаркеров из табл. 2А или 45 биомаркеров из табл. 2В в иссле- дуемом образце раковой ткани, полученном от субъекта, для определения оценки экспрессии образца; сравнение оценки экспрессии образца с пороговой оценкой экспрессии; классификацию субъекта как восприимчивого или невосприимчивого к стандартной терапии рака, на основании того, что оценка экспрессии образца имеет значение выше/равное или ниже порога оценки экспрессии соответственно. 23. Способ по п.22, в котором рак представляет собой рак яичников, глиобластому или рак молочной железы. 24. Способ по любому из пп.22 и 23, в котором значение экспрессии образца определяют путем измерения уровня экспрессии для каждого биомаркера и умножения его на соответствующий вес, где вес для каждого биомаркера соответствует весу, указанному в табл. 2А и 2В. 25. Способ по любому из пп.22-24, в котором измеряемыми биомаркерами являются 25 генов из табл. 2А, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 25 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2А. 26. Способ по любому из пп.22-24, в котором измеряемыми биомаркерами являются 45 генов из табл. 2В, где значение экспрессии образца определяют путем измерения уровня экспрессии для каждого из 45 биомаркеров и умножения его на соответствующий вес, где вес для каждого биомаркера указан в табл. 2В. 27. Способ по любому из предыдущих пунктов, в котором рак представляет собой рак яичника и стандартная терапия представляет собой стандартную цитотоксическую химиотерапию на основе платины и таксана. 23. Фиг. 2В (1 - Специфичность) Фиг. 9 Евразийская патентная организация, ЕАПВ Россия, 109012, Москва, Малый Черкасский пер., 2 025926 025926 - 1 - - 1 - (19) 025926 025926 - 1 - - 1 - (19) 025926 025926 - 1 - - 1 - (19) 025926 025926 - 4 - - 3 - 025926 025926 - 11 - - 11 - 025926 025926 - 34 - - 34 - 025926 025926 - 38 - - 38 - 025926 025926 - 40 - 025926 025926 - 43 - - 43 - 025926 025926 - 53 - - 53 - 025926 025926 - 54 - - 54 - 025926 025926 - 56 - - 56 -
|