买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：阿利瑟迪亚格公司;国家科研中心

摘要：本发明涉及用于体外预测药物或化合物在患者中诱导特定效应的概率的算法和使用该算法的方法，所述方法使用表现出RNA的A至I编辑的至少一个靶标。本发明还涉及实施所述方法的试剂盒。

主权项：1.一种预测药物诱导副作用的概率或风险的非诊断目的的方法，所述方法使用展示出RNA的A至I编辑的靶标，所述RNA的A至I编辑是指RNA上的腺苷脱氨，所述RNA的前体mRNA是ADAR酶的底物，所述ADAR的作用导致产生不同的亚型或位点，其中所述方法包括以下步骤：A分析已用所述药物处理过的样品中的靶标RNA编辑谱，从而获得针对每种所述靶标的编辑亚型的所述靶标的RNA编辑水平的比例，且其中所述靶标RNA编辑谱与对于所述副作用获得的算法中的分子集合的分子获得的方式相同；并且其中所述算法是用于体外预测药物诱导副作用的概率的算法，其中所述算法通过包括以下步骤的方法获得：a–选择展示出RNA的A至I编辑的至少一个靶标，其前体mRNA是ADAR酶的底物，所述ADAR对至少一个编辑位点的作用导致产生不同的亚型或位点，-选择内源性表达所述至少一个靶标和至少所述ADAR酶的至少一个细胞系，-选择阳性对照化合物，在所述细胞系的细胞用所述阳性对照化合物处理时，所述阳性对照化合物能够以剂量依赖性方式改变所述靶标亚型或编辑位点的相对比例，-选择由一定比例的注释有诱导所述副作用的风险评分的化合物组成的分子集合，b采用所述分子集合的每一种分子以及阴性对照和所述阳性对照来处理所述细胞系的细胞，c分析已由所述集合的分子处理的每个样品中的所述至少一个靶标RNA编辑谱，从而获得针对所述集合的每种分子且针对所述靶标的每种编辑亚型和或位点而言的所述靶标的RNA编辑水平的比例，d-i通过单变量分析统计法，针对每种亚型和或编辑位点评估其精度及其区分分子诱导所述副作用的风险的能力；和或-ii通过多变量分析统计法，针对亚型和或编辑位点的每种组合来评估其精度及其区分分子诱导所述副作用的风险的能力；和-iii选择展示出最佳区分性能的组合，e利用亚型和或编辑位点的所选择的组合来建立算法，和使用由此获得的所述算法来预测所述药物诱导所述副作用的概率，并且：其中，步骤d-i包括对于每种亚型或其组合计算以下值的步骤：-对于所述副作用而言至少60%的灵敏度和至少60%的特异性的最佳阈值；-阳性和阴性预测值，其用于评估真实存在和真实缺失的比例，所述真实存在的比例为真阳性真阳性+假阳性，所述真实缺失的比例为真阴性真阴性+假阴性，并且其中，在步骤c中，所述RNA编辑谱通过包括以下的方法进行：-包括NGS文库制备的NGS法；-对所得到的所有NGS文库测序；以获得所述靶标的编辑谱，其中，在步骤d-i和d-ii中，允许获得所述算法的所述统计方法通过包括选自由以下组成的组的一种方法或方法的组合的方法来进行：-mROC程序，其用于鉴定线性组合，其使AUCROC最大化，且其中用于各组合的公式提供如下且可用作新的虚拟标志物Z：Z=a1.亚型1+a2.亚型2+…ai.亚型i+…an.亚型n其中，a1是计算系数且亚型i是亚型的靶标的各自RNA编辑水平的相对比例；和或-应用于单变量和多变量分析的logistic回归模型，其用于估计在不同的亚型值的分子的相对风险；和或-应用于评估亚型组合的CART法；和或-应用于评估亚型组合的随机森林法，其用于对编辑亚型的重要性评级并将最佳亚型组合以将分子的“相对风险”归类，和或-应用于针对分子的“相对风险”评估亚型组合的多变量分析，其选自由以下组成的组：-支持向量机法；-人工神经网络法；-贝叶斯网络法；-加权k最近邻法；-偏最小二乘判别分析；-线性与二次判别分析；B利用针对所述靶标和所述副作用获得且对于所述药物获得的算法；和C根据步骤B中获得的结果确定所述药物是否有风险诱导所述副作用，其中，在所述方法中，展示出RNA的A至I编辑的所述靶标选自由5-HT2cR、GRIA2、GRIK2和GABRA3组成的组，所述细胞系是人SH-SY5Y细胞系。

全文数据：选择由活性化合物诱导的特定效应的基于RNA编辑的算法和体外方法[0001]本发明涉及用于体外预测药物或化合物在患者中诱导特定效应的概率的算法和使用该算法的方法，所述方法使用表现出RNA的A至I编辑的至少一个靶标。本发明还涉及实施所述方法的试剂盒。[0002]精神病症在全球健康系统中的权重越来越大（1。其是西方社会的常见病症，且在15个体的一生中至少影响其1次。精神科病症由影响大脑回路、神经传递和神经可塑性的分子途径受扰所致。近期研究表明，诸如甲基化、乙酰化和脱氨等DNA和RNA上的表观遗传修饰的改变与例如重度抑郁症、双相情感障碍和精神分裂症相关2,3。近期研究还启发了催化RNA上的腺苷脱氨RNA的A至I编辑的编辑酶的重要性。已显示该具体机理会直接调节基本上编码高度保守的神经递质和突触相关因子的基因的功能4-7。重要的是，该RNA编辑机制和同源ADAD酶作用于RNA的腺苷脱氨酶在健康和疾病中的作用近来已通过其在罹患精神科病症的患者的大脑中的失调的累积证据而得到更深入的支持8,9JDAR作用于双链前体mRNA茎环以特异性地使腺苷残基优先脱氨。位于编码序列中的残基的脱氨会导致产生具有不同药理学性质的受体变体（例如，5-羟色胺2c受体、谷氨酸受体）的氨基酸取代⑽。[0003]已提出在大脑中的5-羟色胺生物学的异常是潜藏于抑郁和或自杀行为的特征性状（11-13。通过分析自杀牺牲者的死后脑组织，发明人等已观察到针对已知会极大地损害5-HT2CR药理学性质的5-羟色胺受体2C5HT2cR前体mRNA的RNA编辑活性的明显改变（10，14。令人感兴趣的是，自杀牺牲者的人皮质中的5-HT2cRmRNA编辑谱的这些改变与在SH-SY5Y细胞中观察到的经干扰素诱导的变化部分地重叠。发明人精确定位了特定的生物标志物来表征与抑郁自杀患者相关联的5-HT2cR的“RNA编辑特征”。[0004]已报道属于不同治疗类别的几种药物会潜在诱导严重的精神科副作用，尤其是抑郁和自杀倾向（15-18。今天，尚未有鉴定这类分子的许可测试，而美国食品药品管理局FDA仅发出了关于整个治疗类别的一般性警告。[0005]因此，存在对提供能以高精度和高区分力确定药物或候选药物诱导负面副作用的风险的体外测试的需求。[0006]发明人验证了此前设计的利用仔细选出的细胞系（SH-SY5Y预测药物诱导的精神科副作用的新型体外检测。发明人筛选了260种市场许可的化合物以检验药物诱导的5-HT2cR编辑的改变。化合物选自宽范围的已知会带有ΠΑ警示标签和或许多病例报告或不会没有经报道的精神科副作用潜在诱导自杀倾向的治疗类别抗抑郁剂、抗精神病药、抗肥胖剂、抗病毒剂、抗炎剂、抗真菌剂、抗癫痫药、情绪稳定剂等等）。数据被用于以高特异性和灵敏度来鉴定“有风险”的化合物。[0007]在第一方面，本发明涉及一种用于体外预测化合物、特别是药物在患者中诱导特定效应的概率的算法，其中，所述算法通过包括以下步骤的方法获得：[0008]a-选择展示出RNA的A至I编辑的至少一个靶标，其前体mRNA是ADAR酶作用于RNA的腺苷脱氨酶的底物，所述ADAR的作用导致产生不同的亚型或位点，[0009]-选择内源性表达所述至少一个靶标和至少所述ADAR酶的至少一个细胞系，[0010]-选择阳性对照化合物，在所述细胞系的细胞经所述阳性对照处理时所述阳性对照化合物能够以剂量依赖性方式改变所述靶亚型或编辑位点的相对比例；[0011]-选择由一定比例的注释有诱导所述特定效应的风险评分的化合物的组成的分子集合，[0012]b采用所述分子集合的每一种分子以及阴性对照和所述阳性对照来处理所述细胞系的细胞，[0013]c分析已用所述集合的分子处理的每个样品中的所述至少一个靶标RNA编辑谱，从而获得针对所述集合的每种分子且针对所述靶标的每种编辑亚型或位点而言的所述靶标的RNA编辑水平的比例，[00M]d-i通过单变量分析统计法，针对每种亚型或编辑位点评估其精度及其区分分子诱导所述特定效应的风险的能力;和或[0015]-ii通过多变量分析统计法，针对亚型和或编辑位点的每种组合来评估其精度及其区分分子诱导所述特定效应的风险的能力;和[0016]-iii选择展示出最佳区分性能的组合，[0017]e利用所选择的亚型或编辑位点的组合来建立算法，和使用由此获得的算法来预测药物、化合物或分子在患者中诱导所述特定效应的概率。[0018]本说明书中的化合物意指矿物、化学或生物学化合物，特别是他们能对人、动物患者或者在植物中有活性。[0019]在本说明书中，用语“患者”也包括植物。[0020]术语“算法”也包括统计模型（例如Cart模型）。[0021]在优选实施方式中，在根据本发明的所述算法中，所述特定效应是副作用，优选选自负面或希望的副作用、优选负面副作用。[0022]在优选实施方式中，展示出RNA的A至I编辑的所述靶标选自由5-HT2cR、roE8A磷酸二酯酶8A、GRIA2谷氨酸受体2、GRIA3、GRIA4、GRIK1、GRIK2、GRIN2C、GRM4、GRM6、FLNB细丝蛋白B、5-HT2A、GABRA3GABAa3、FLNA、CYFIP2组成的组。[0023]在优选实施方式中，所述特定效应、优选副作用、更优选希望的或负面的副作用选自包括以下的组:心血管、变态反应学、CNS、特别是精神科、皮肤病学、内分泌学、胃肠病学、血液学、感染学infectiology、代谢、神经肌肉、肿瘤学、炎性和肥胖、负面副作用。[0024]更优选的是精神科负面副作用。[0025]在优选实施方式中，根据本发明的算法的所述细胞系的细胞来自内源性表达所述靶标和ADAR的细胞系。[0026]更优选地，所述细胞系选自由以下组成的组：[0027]-能够内源性表达所述靶标并展示与人皮质中所观察到的相似的ADAR酶表达稳态的人或动物细胞系，[0028]-成神经细胞瘤细胞系，优选人细胞系，[0029]-成神经细胞瘤细胞系，对其而言在相对于阴性对照或空载剂对照归一化时阳性对照以至少4倍、优选至少5或6倍的倍数诱导来诱导ADARla表达，和[0030]-人SH-SY5Y细胞系。[0031]在优选实施方式中，在步骤b中，所述细胞系的细胞在12h至72h、优选48h±4h的时段中用待测试的分子或对照进行处理，最优选48h。[0032]在优选实施方式中，在根据本发明的算法中，所述阳性对照是干扰素α，或能够以100IUml再现干扰素RNA编辑谱的化合物如例如图6中所示）。使用SH-SY5Y人成神经细胞瘤细胞系，这是因为其内源性表达5-HT2cRmRNA并且展示出与人皮质干扰素α中所观察到的类似的ADAR酶表达稳态。[0033]在优选实施方式中，在根据本发明的算法或模型中，步骤c包括以下步骤:相对于经空载剂处理的对照细胞，针对所述细胞系中的每种亚型或位点确定RNA编辑的基础水平，从而针对每种分子和每种编辑亚型或编辑位点获得所述靶标的RNA编辑水平的平均中位数相对比例。[0034]优选地，所述经空载剂处理的对照细胞是经DMSO处理的对照细胞。[0035]在优选实施方式中，在根据本发明的算法或模型中，所述方法是用于体外预测化合物、特别是药物无风险地或者以低风险或高风险优选无风险或高风险）诱导特定效应优选副作用，优选地选自负面或希望的副作用，优选负面副作用）的概率的方法。[0036]在特定的优选实施方式中，在根据本发明的算法或模型中，所述分子集合由平衡比例的分子组成，每种分子注释有诱导所述特定效应其为副作用，优选地选自负面或希望的副作用，优选负面副作用）的高风险和极低风险优选无风险评分。[0037]“平衡比例的分子”意指对于所述希望的负面副作用的经良好注释的分子的集合，所述经良好注释的分子已知对于诱导所述负面副作用无风险或低风险或高风险，并且呈现至少3种、优选至少4种或5种不同治疗类别，特别是选自以下的组：心血管、变态反应学、CNS、特别是精神科、皮肤病学、内分泌学、胃肠病学、血液学、感染学、代谢、神经肌肉、肿瘤学、炎性和肥胖治疗类别。[0038]优选地，所述至少3、4、5、6、7或8种不同治疗类别的每一种中所包括的分子数目代表了集合的分子总数的至少10%。[0039]在更优选的实施方式中，代表希望的特定效应优选副作用，优选地选自负面或希望的副作用，优选负面副作用）的类别的治疗类别包括集合的分子总数的多于20%、优选25%、30%或35%。[0040]在优选实施方式中，在根据本发明的算法中，在步骤c中，所述分子集合同时地、优选针对集合的每种分子以不同浓度进行分析。[0041]在优选实施方式中，在根据本发明的算法中，步骤Idi包括对于每种亚型或其组合计算以下的步骤：[0042]-对于所述特定效应优选副作用，优选地选自负面或希望的副作用，优选负面副作用为至少60%、优选70%且优选高于80%的灵敏度Se%和至少60%、优选70%且优选高于80%的特异性Sp%的最佳阈值；[0043]-阳性PPV，％和阴性NPV，％预测值，以评估真实存在[真阳性真阳性+假阳性]和真实缺失[真阴性八真阴性+假阴性]，所述方法允许确定所述亚型或位点或其组合的选择的全局性能。[0044]在优选实施方式中，在根据本发明的算法或模型中，在步骤c中，RNA编辑谱通过包括以下的方法进行：[0045]-包括NGS文库制备的NGS法下一代测序），优选使用两步PCR法来选择性地对靶标的受关注序列片段包括编辑位点进行测序；[0046]-对所得到的所有NGS文库测序；以及可选地[0047]-对所述测序数据进行生物信息学分析，所述生物信息学分析优选包括以下步骤：[0048]-序列的预比对处理和品质控制[0049]-相对于参比序列的比对;和[0050]-编辑水平调用（calling，[0051]以获得所述靶标的编辑谱。[0052]在优选实施方式中，在根据本发明的算法中，在步骤di和dii中，以及在步骤e中，允许获得所述算法的所述统计方法通过包括以下的方法来进行：[0053]-mROC程序，特别是用于鉴定线性组合，其使AUC曲线下面积ROC最大化，且其中各组合的公式提供如下且可用作新的虚拟标志物Z:[0054]Z=ai.亚型l+a2.亚型2+."ai.亚型i+.".an.亚型η[0055]其中，ai是计算系数且亚型i是亚型的靶标的各自RNA编辑水平的相对比例；和或[0056]-应用于单变量和多变量分析的logistic回归模型，其用于估计在不同的亚型或编辑位点值的分子的相对风险;和或[0057]-应用于评估亚型或编辑位点组合的CART分类和回归树法;和或[0058]-应用于评估亚型或编辑位点组合的随机森林RT法，其特别是用于对编辑亚型或位点的重要性评级并将最佳亚型或编辑位点组合以将分子的“相对风险”归类，和或可选地[0059]-应用于针对分子的“相对风险”评估亚型或编辑位点组合的多变量分析，其选自由以下组成的组：[0060]-支持向量机SVM法；[0061]-人工神经网络ANN法；[0062]-贝叶斯网络法；[0063]-wKNN加权k最近邻法；[0064]-偏最小二乘判别分析PLS-DA;和[0065]-线性与二次判别分析LDAQDA。[0066]在优选实施方式中，在根据本发明的算法中，[0067]-所述至少一种靶标为5_HT2cR，且[0068]-所述负面副作用为精神科负面副作用，且[0069]-所述细胞系为人SH-SY5Y成神经细胞瘤细胞系，且[0070]-所述阳性对照为干扰素α，且[0071]且其中：[0072]-能够区分测试药物是否以低风险或高风险诱导所述精神科负面副作用的位点组合至少包括至少2、3、4或5个单一位点的组合，所述单一位点选自由以下5-HT2cR位点组成的组：[0073]A、B、C、D和Ε，[0074]优选至少3、4或5个所述位点的组合，[0075]-或能够区分测试药物是否以低风险或高风险诱导所述精神科负面副作用的亚型组合至少包括至少2、3、4、5、6、7、8、9、10、11、12或13个单一亚型的组合，所述单一亚型选自由以下5-HT2cR亚型组成的组：[0076]A、B、AB、ABC、AC、C、D、AD、AE、ACD、AEC、ABO^PNE，[0077]优选至少5、6或7个所述亚型的组合，[0078]并且可选的是其中：[0079]允许获得所述算法或模型的所述统计方法通过包括以下的方法来进行：[0080]-mROC程序、随机森林法和或Cart算法。[0081]在第二方面，本发明涉及一种体外预测药物、化合物或分子在患者中诱导特定效应优选副作用、更优选负面或希望的副作用）的概率或风险的方法，所述方法使用展示出RNA的A至I编辑的靶标，其前体mRNA是ADAR酶的底物，所述ADAR的作用导致产生不同的亚型或编辑位点，其中所述方法包括以下步骤：[0082]A分析已用所述药物或化合物或分子处理过的样品中的靶标RNA编辑谱，从而获得针对每种所述靶标的编辑亚型的所述靶标的RNA编辑水平的比例，且[0083]其中所述靶标RNA编辑谱以对于所述特定效应获得的权利要求1至15中任一项所述的算法或模型中的分子集合的分子所获得那样获得；[0084]B利用权利要求1至15中任一项所述的针对所述靶标和所述特定效应获得的算法或模型来计算端值或应用对于所述药物或化合物获得的算法或模型;和[0085]C根据步骤B所获得结果确定所述药物或化合物是否有风险、特别是低风险或高风险在患者中诱导所述特定效应。[0086]在另一个实施方式中，根据本发明的预测药物、化合物或分子在患者中诱导特定效应的概率或风险的所述体外方法使用了至少2个、3个或4个展示出RNA的A至I编辑的靶标的组合，其前体mRNA是ADAR酶的底物，所述ADAR的作用导致产生不同的亚型或位点，其中所述方法包括以下步骤：[0087]A分析已用所述药物或化合物或分子处理过的样品中的所述靶标组合的每个靶标RNA编辑谱，从而获得针对每种所述靶标的每种编辑亚型或位点的RNA编辑水平的比例，且[0088]其中所述靶标RNA编辑谱的每一个以对于所述特定效应获得的权利要求1至15中任一项所述的算法或模型中的分子集合的分子所获得那样获得；[0089]B利用权利要求1至15中任一项所述的针对所述靶标和所述特定效应获得的算法或模型来计算端值或应用对于所述药物或化合物获得的算法或模型;和[0090]C根据步骤B所获得结果确定所述药物或化合物是否有风险、特别是低风险或高风险在患者中诱导所述特定效应。[0091]在另一个优选实施方式中，至少2个、3个或4个展示出RNA的A至I编辑的靶标其前体mRNA是展示出RNA的A至I编辑的ADAR酶靶标的底物）的所述组合选自以下靶标组合:所述靶标组合选自由5-HT2cR、PDE8A磷酸二酯酶8A、GRIA2谷氨酸受体2、GRIA3、GRIA4、GRIK1、GRIK2、GRIN2C、GRM4、GRM6、FLNB细丝蛋白B、5-HT2A、GABRA3GABAa3、FLNA、CYFIP2组成的组。[0092]在第三方面，本发明涉及用于确定化合物、优选药物是否有风险、特别是低风险或无风险或高风险在患者中诱导所述特定效应优选副作用，优选地选自负面或希望的副作用，优选负面副作用）的试剂盒，其包括：[0093]1使用根据本发明的算法或者应用用于预测根据本发明的预测化合物、优选药物在患者中诱导所述特定效应优选副作用，优选地选自负面或希望的副作用，优选负面副作用）的概率或风险的方法的说明书，从而获得端值，对该端值的分析确定了所述测试药物在患者中诱导所述负面副作用的风险，所述说明书包括可选的ROC曲线或Cart决策树;和[0094]2用于确定编辑RNA谱的试剂，所述编辑RNA谱根据用于获得分子集合的每种分子的编辑RNA谱的试剂需求而针对所述测试药物获得，所述分子集合用于确定1中所述说明书的所述算法或所述模型。[0095]在优选实施方式中，在本发明的算法或模型中使用该方法时所述试剂包括对于用于NGS文库制备的2步PCR所必须的引物组。[0096]在更优选的实施方式中，所述试剂包括用于针对所述靶标中的至少一个或对于至少2、3或4个靶标的组合获得根据权利要求1至17所述的RNA编辑谱的寡核苷酸序列。[0097]在更优选的实施方式中，所述试剂包括对于用于NGS文库制备的2步PCR所必须的一个引物组或引物组的组合，并且其中所述至少一个靶标或所述靶标组合选自如下的靶标:所述靶标选自由5-HT2cR、roE8A磷酸二酯酶8A、GRIA2谷氨酸受体2、GRIA3、GRIA4、GRIK1、GRIK2、GRIN2C、GRM4、GRM6、FLNB细丝蛋白B、5-HT2A、GABRA3GABAa3、FLNA、CYFIP2组成的组。[0098]在另一个更优选的实施方式中，所述试剂包括选自由以下组成的组的一个引物组或引物组的组合：[0099]-对于PDE8A靶标[0100]PDE8A_:5,-CAACCCACTTATTTCTGCCTAG-3,（SEQIDN0.1[0101]PDE8A_S:5,-TTCTGAAAACAATGGGCACC-3,（SEQIDN0.2;[0102]-对于FNLB靶标[0103]FLNB_:5’-AAATGGGTCGTGCGGTGTAT-3’（SEQIDN0.3[0104]FLNB_S:5,-CCTGCTCGGGTGGTGTTAAT-3,（SEQIDN0.4;[0105]-对于GRIA2靶标[0106]GRIA2_:5,-CTCTTTAGTGGAGCCAGAGTCT-3,（SEQIDN0.5[0107]GRIA2_S:5,-TCCTCAGCACTTTCGATGGG-3,（SEQIDN0.6;[0108]-对于GRIK2靶标[0109]GRIK2_:5,-CCTGAATCCTCTCTCCCCTG-3,（SEQIDN0.7[0110]GRIK2_S:5’-CCAAATGCCTCCCACTATCC-3’（SEQIDN0.8;和[0111]-对于GABRA3靶标[0112]GABRA3_:5’-ccaccttgagtatcagtgcc-3’（SEQIDN0.9[0113]GABRA3_S:5’-cgatgttgaaggtagtgctgg-3’（SEQIDNO.10。[0114]选择了以下实施例和附图及下文图例来为本领域技术人员提供完整的描述以便能够实施和应用本发明。这些实例并非旨在限制发明人所认为的发明的范围，也非旨在表明仅进行了下文的实验。[0115]本发明的其它特征和优点将在对实施例和附图的描述的其余部分中出现，其图例在下文中给出。附图说明：[0116]图1:干扰素α-诱导的RNA标记齐Ij量响应）[0117]IFNaSH-SY5Y人成神经细胞瘤细胞系中的5_HT2cRmRNA编辑‘谱’。在用FNa处理48小时后的干扰素aIFNa的效应的剂量响应分析。5-HT2cRmRNA的相对比例通过基于NGS的测序进行分析。所述谱通过对经IFNa处理的细胞中测定的5-HT2cRmRNA编辑的相对比例扣除在经空载剂处理的对照细胞中的5-HT2cRmRNA编辑的相对比例而获得。[0118]图2A-2B:体外检测中所测试的所有260种化合物的治疗分类的饼图。中枢神经系统CNS作用性化合物的进一步亚分类显示于图的B部分。[0119]图3:在所选分子的测试期间应用的实验设定和方法的示意性呈现。所有260种化合物以5份生物学独立复制品replicate进行测试。各个细胞培养板用10种分子、空载剂对照DMSO以及100IUml干扰素α进行处理。测试5份独立生物学复制品产生了恰好1620个样品，其通过基于NGS的RNA编辑定量方法以相同方式进行处理。[0120]图4Α-4Ι:各个孔中的ADARlamRNA表达[0121]对用所述分子处理48小时的SH-SY5Y细胞中的ADARla表达的定量PCRqPCR分析。在用所述分子、空载剂DMSO或IFNa处理48小时后对每个样品中的ADARlamRNA表达水平进行了定量。显示了单个生物学复制品Ii=I。如同预期，用IFNa处理的每个板孔展示出增加的ADARla表达A至J。应注意，分子165也展示出在暴露于该分子后的ADARlamRNA表达水平的显著增加。[0122]图5A-5B:[0123]所有空载剂对照和IFNa处理的（l〇〇UImlSH-SY5Y细胞的原始数据㈧[0124]对所有150种空载剂对照DMSO和IFN处理的孔的全局分析。表格显示出所有5-HT2cRmRNA编辑亚型的所有基本统计特征。在分析中汇集了在整个实验期间获得的空对照和IFNa处理的条件n=150以生成对5-HT2cR上的IFN-诱导的RNA编辑变化的标准测定。[0125]显示受IFN处理最显著影响的5HT2cR编辑亚型的柱形图。对于所有5-HT2cRmRNA编辑亚型对经空载剂处理DMSO和IFNa处理的孔给出了平均值、中位数、标准偏差和变异系数CV以百分比表达）。[0126]图6:轮廓曲线-RNA编辑曲线IFNl00[0127]通过对经IFNa处理的细胞中测定的5_HT2cRmRNA编辑的相对比例扣除在经空载剂处理的对照细胞中的5-HT2cRmRNA编辑的相对比例而获得的5HT2cRmRNA编辑谱。给出了平均值和中位数值，误差条表示平均值的标准误差sem，n=150。[0128]图7A-7B:在用各分子处理48小时后的获得的5HT2cRmRNA编辑谱的说明性实例。在各图中实例以4种“有风险”化合物阿立昵唑、舍曲林、异维甲酸和泰伦那班）和4种“低风险”分子锂、氯胺酮、奥丹西隆和利巴韦林）⑻的组给出。各图中给出了IFN参照（以黑色示）。给出了平均值，误差条表示平均值的标准误差sem，n=5。[0129]图8:最具代表性的5HT2cRmRNA编辑亚型对于区分低风险分子与高风险分子的诊断潜力的说明性实例。箱线图是通过5-数摘要最小观察值、下四分位数Ql、中位数Q2、上四分位数Q3和最大观察值）以图示方式描述数字数据组的便利方式。箱线图可用于在不对基础统计分布进行任何假设的情况下展示群体间差异。对于P值使用Wilcoxon秩和检验。符号*表示P值0.5的基因组位置‘A’参考值被脚本自动检测到并被视为“A至I编辑位点”。最后一阶段是计算前述“A至I编辑位点”的所有可能的组合的百分比，以获得靶标的编辑谱。[0174]4.靶标的基线与分子编辑谱之间的比较[0175]发明人分析了一大组分子n=260的5HT2cRRNA编辑谱。为将分子共同比较，发明人在第一步确定了与经空载剂处理DMSO的对照细胞相比在SH-SY5Y人成神经细胞瘤细胞系中对于每种亚型或位点而言的靶标的RNA编辑的基础水平。为此，从大于150次空载剂独立实验复制品计算了RNA编辑水平的平均值实例已给出）。另外，自制脚本自动计算了每种分子复制品n=5与对照参比物CTRL的偏差。[0176]最后，对于每种分子和每个编辑亚型或位点，获得了靶标的RNA编辑水平的平均中位数相对比例。[0177]实施例3:统计分析[0178]所有统计和图用“RBioconductor”统计开源软件计算（19,20ANA编辑值通常以平均值土平均值的标准误差（SEM来表示。采用非参数WiIcoxon秩和检验和Welcht检验来进行差异分析。采用多种检验方法时，重要的是调节每个编辑亚型的P值例如:来自5个编辑位点A、B、C、E、D的包括5HT2cR的未经编辑亚型Ne在内的32种RNA编辑亚型）以控制错误发现率FDR。采用“多重检验包”对所有统计检验应用BenjaminiHochbergBH程序，并认为低于0.05的经调节p值是统计显著的。编辑水平的相对比例正常分布，因此未应用归一化。对于每种显著亚型，所有数据分布以中位数和条形图（barplot或箱线图（boxplot示出。对于每种分子还示出了来自显著亚型且代表在SH-SY5Y人成神经细胞瘤细胞系中的5HT2cR的RNA编辑水平的编辑谱曲线。应用Pearson检验关联来鉴定所有分子组的亚型相关性。[0179]5HT2cR编辑亚型的诊断性能可以由以下表征:代表其检测“高风险分子”组的能力的灵敏度，和代表其检测“无风险或低风险分子”组的特异性。对诊断检验的评估结果可以总结在比较这两个明确限定组的2X2相依表中。通过固定截止值cut-off，可以根据检验结果将两组分为归类为阳性或阴性的分类。在给出具体亚型时，可以在“高风险”组中鉴定出具有阳性检验结果的a分子（“真阳性”：TP和在“低风险”组中具有阳性检验结果的b分子“真阴性”：TN。以同样方式，观察到了在“高风险”组中具有阴性检验结果的c分子（“假阳性”：FP和在“低风险”组中具有阴性检验结果的d分子（“假阴性”：FN。灵敏度定义为TPTP+FN;其在本文称作“真阳性率”。特异性定义为ΤΝΛΤΝ+FP;其在本文称作“真阴性率”。[0180]使用接收运行特征ROC分析评估了每种5HT2cR编辑亚型的精度及其区分能力。ROC曲线是对于各种值的检验的灵敏度Se和特异性Sp的相互关系的图形可视化。[0181]另外，将所有5HT2cR编辑亚型各自组合以便使用如mROC程序[Comput.MethodsProgramsBiomed·2001;66:199-207]、logistic回归（22以及两种监督学习算法CART23和随机森林24等几种方法来评估灵敏度和特异性的潜在增加。[0182]mROC是鉴定线性组合的专用程序25,26，其使AUC曲线下面积ROC最大化27。如下提供了用于对应组合的方程，且其可以用作新虚拟标志物Z:[0183]Z=aX亚型Ι+bX亚型2+cX亚型3，[0184]其中，a、b、c是计算系数，而亚型1、2、3是亚型的靶标的个体RNA编辑水平的相对比例。[0185]可将2、3或4个靶标的组合进行彼此组合以使用诸如mROC程序或logistic回归等多变量法来评估灵敏度和特异性的潜在增加。可如下计算各组合的方程，且其可用作新的虚拟标志物Zn:[0186]Zn=mX靶标l+n2X靶标2+mX靶标3，[0187]其中，m，n2，n3···是计算系数，而靶标1、2、3是例如与靶标水平相关的值。[0188]Logistic回归模型也被用于单变量或多变量分析，以评估在不同亚型或位点值的分子的相对风险。发明人将亚型作为连续变量数据未示出）和分类变量使用三分变量值tertile为截止点进行分析。在后一种情形中，计算让步比（OR及其95%置信区间。此外对连续变量应用了Iogistic回归的惩罚版本LASSO、ridge或Elastic-Net法）。对于这些方法，采用软件包:R软件3·2·3的glmnet2·0-3版。[0189]CART分类和回归树法也被应用来评估亚型组合。该决策树法允许生成一组分类规则，其以使用者易于理解的层次图示出。在每个树节点处做出决定。传统上，左侧分支对应于对所关注问题的阳性响应，而右侧分支对应于对所关注问题的阴性响应。然后可将分类程序翻译为一组‘IF-THEN’规则例如参见图20。[0190]随机森林RF法如前应用于评估亚型组合。该方法将Breiman的“bagging”理念与特征的随机选择结合，从而构建具有受控方差的决策树集合。因此，可以使用随机森林来对编辑亚型的重要性评级，并将最佳亚型组合以对分子的“相对风险”分类参见图16和17。[0191]CART和随机森林是监督学习方法。这些方法要求使用用于构建模型的训练集和检验集来对其验证。因此，发明人将其数据集共享:23的数据集用于学习期，而13用于验证期。这种共享经随机化，且遵循每个样品中的各种规则的初始比例。为了估计这些分类器的误差预测，使用10倍交叉验证法，重复10次以避免过度拟合问题。对于这些方法，采用R软件3·2·3版的“rpart软件包4·1-10”和“randomForest软件包4·6-12”。[0192]对于分子的“相对风险”，可以采用另一多变量分析来评估5HT2cR编辑亚型组合，如：[0193]-支持向量机SVM法28;[0194]-人工神经网络ANN法29;[0195]-贝叶斯网络法30;[0196]-wKNN加权k最近邻法31;[0197]-偏最小二乘判别分析PLS-DA32;[0198]-线性与二次判别分析LDAQDA33;[0199]-及其它。[0200]实施例4:结果[0201]SH-SY5Y细胞系的验证[0202]在实验前，用递增剂量的干扰素处理人成神经细胞瘤细胞系（SH-SY5Y，并使用基于NGS的方法测定5HT2cR的RNA编辑。如所预期的那样，5HT2cR亚型的相对比例发生变化且特别是能够剂量依赖性地增加（图1，这证实了此前所述的在该特定培养细胞系中的IFN诱导响应。IFN谱与此前采用截然不同的分析方法所获得的数据紧密匹配34,35。[0203]实验程序[0204]一旦细胞系显示出稳定生长特性并因此对于IFN处理产生相应的响应后，准备筛选制备260种分子。基于内部定义标准，对化学文库中的1280种分子的每一种分配风险评分。出于实践原因，选择了260种分子以在专有体外检测中进行进一步测试。在分子选择程序期间，谨慎地涵盖化学文库中所含的图2中所认定的所有主要治疗类别的一部分优选至少3、4、5、6或7类）（图2。在260种分子中，112种是作为抗惊厥剂和抗抑郁剂等其用于中枢神经系统病症的处方药（图2B。在处理前将所有分子转移并等分在适当的试管中。选择用于260种分子的筛选的实验设定由用10种分子、空载剂对照DMSO和lOOIUml干扰素α其进而为每个细胞培养板生成阳性和阴性对照分别处理的26个孔板（12孔板组成。使用另外的细胞培养板来添加额外的对照孔。每个分子以3周间隔以5个生物学复制品进行测试图3。处理恰好48小时后，将细胞在适当的裂解缓冲液中裂解并在-20°C储存待进一步处理。所有RNA提取采用Qiacube自动化提取进行且对板单独处理分批，每次提取12个样品）。[0205]相对八0八!?11111^^表达[0206]在RNA提取后，合成cDNA并在384微孔板中于LC4801ightcyclerRoche上评估ADARla表达。以这种方式，可以在一次qPCR运行中对相同批次的所有样品进行分析。在每个12孔板上观察到对于所有经IFN处理细胞而言干扰素依赖性的ADARla诱导，从而反映出响应的稳健性。令人感兴趣的是，165号分子也诱导ADARlamRNA表达（图4A-4I，板17。该响应可以在所有生物学复制品n=5中看到。如此前在SH-SY5Y细胞中所观察的，在相对于空载剂对照归一化时IFN以6.6的倍数诱导（）来诱导ADARla表达。9.31%的变异系数清楚地说明了该生物学现象的再现性。[0207]表1:在SH-SY5Y细胞中IFN处理后的ADARlamRNA表达的基本统计特征。平均倍数诱导与DMSO处理的对照细胞相比标准偏差、中位数和CV似百分比表达）。[0208][0209]A5HT2cR编辑亚型的单变量分析[0210]SH-SY5Y细胞上的IFNRNA编辑亚型与对照的比较[0211]在cDNA合成步骤后，应用靶向5HT2cR的外显子V的2步PCR法建立NGS文库并对所有样品中的每一单独的5HT2cRmRNA的相对比例进行精确定量。所有空载剂对照和经IFN处理孔η=150的平均值显示在图5A中并以柱形图示出。可以观察到空载剂对照和IFN处理条件之间的亚型相对比例的明显差异（图5Β。这些数据以RNA编辑谱表达，从而生成与此前所述的谱参见图1和Cavarec等非常紧密匹配的前述RNA编辑谱图7Α-7Β。[0212]举例而言，当在SH-SY5Y细胞系上比较在IFNη=150与空载剂对照（空载剂，η=150存在时的5-HT2cRRNA编辑亚型的水平，5-HT2cR的AC、ABC、AB、A、AE、ACE、D、ABCD、ABE、C、B、BC和ABCERNA编辑水平得到显著改变（图5A-5B和图6。对于IFN分子与空载剂对照BasalO的比较而言，5-HT2cR的未经编辑亚型Ne的水平最为显著。而且，发明人观察到AC、ABC、AB、A、AE、AEC、ABCD、ABE、C、B、BC和ABEC的5-HT2cRRNA编辑水平的增加以及5-HT2cRRNA编辑的D和未经编辑Ne亚型的水平的减少。这些结果表明，在IFN存在下在SH-SY5Y细胞中，5-HT2cR的RNA编辑活性全局增加。[0213]表2:在比较IFN分子η=150与对照η=150时的5-HT2cRRNA编辑水平的差异分析[0214]对照n=150[0215][0216]SH-SY5Y细胞上的高风险分子与低风险分子的RNA编辑亚型水平的比较[0217]例如，在比较具有低风险的分子n=82和具有高风险的分子n=61时，5-HT2cR亚型的单编辑或未经编辑Ne水平能被显著改变（图7A-7B。基于对5-HT2cR亚型的RNA编辑水平的接收-运行-特征ROC分析，各个亚型的曲线下面积AUC允许区分具有低风险或高风险的分子表3。[0218]表3:在比较低风险分子n=82和高风险分子n=61时单编辑亚型的区分性能[0219][0220]每种亚型的精度及其区分能力利用接收运行特征ROC分析进行评估。ROC曲线是对各种值的检测的灵敏度Se和特异性Sp之间的相互关系的图形可视化。AUC是指带有其置信区间（Cl的曲线下面积。ROC曲线基于通过计算针对单标志物的灵敏度Se%和特异性（Sp%的最佳阈值来预测分子相对风险的模型。计算针对单个RNA编辑亚型的阳性PPV，％和阴性NPV，％预测值来评估高风险分子在“自杀副作用组”中的真实存在[真阳性八真阳性+假阳性]和真实缺失[真阴性八真阴性+假阴性]。[0221]B5_HT2cR编辑亚型的多变量分析[0222]在比较低风险与高风险分子时采用mROC多重接收-运行-特征法的多重标志物分析显著改善了AUC。亚型组合结合了选自以下组合的13种亚型的组的2种、3种、4种、5种、6种、7种或13中亚型：[0223]A+B+AB+ABC+AC+C+D+AD+AE+ACD+AEC+ABCD+NE，[0224]与Cavarec等2013所得到的相比，通过本发明的的方法获得的组合具有如通过更高的灵敏度和特异性所报道的在高风险分子中更高的自杀副作用风险的预测值。组合了如本发明的组合中所鉴定的2种、3种、4种、5种、6种、7种、8种、9种、0种、11种、12种和13种亚型的统计分析生产了一系列决策规则;对于每种组合计算新的虚拟标志物Z，如图9至15以及以下相应表4至9所示低风险分子相对高风险分子）。[0225]多亚型组的精度及其区分能力利用接收运行特征ROC分析进行评估。ROC曲线是对各种值的检测的灵敏度Se和特异性Sp之间的相互关系的图形可视化。AUC是指带有其置信区间（Cl的曲线下面积。ROC曲线基于通过计算针对多亚型组的灵敏度Se%和特异性Sp%的最佳阈值来预测毒性高风险的模型。计算针对组合标志物的阳性PPV，％和阴性NPV，％预测值来评估高风险分子的自杀抑郁诱导性负面副作用的真实存在[真阳性八真阳性+假阳性]和真实缺失[真阴性八真阴性+假阴性]。[0226]表4:利用采用2种亚型的多变量分析的5-HT2cR编辑亚型性能低风险分子相对于高风险分子）[0227]C22种亚型的组合）：前10[0228][0229]决策规则：[0230]RDl:Z=0，121xACD_0，142xNE[0231]表5:利用采用3种亚型的多变量分析的5_HT2cR编辑亚型性能低风险分子相对于高风险分子）[0232]C3:前25[0235]决策规则：[0236]RDl:Z=-O，1449xC+0，569xAE-0，1548xNE[0237]表6:利用采用4种亚型的多变量分析的5_HT2cR编辑亚型性能低风险分子相对于高风险分子）[0238]C4:前25[0239][0241]决策规则：[0242]RDl:Z=O，0235xAB+0，1567xACD+0，3880xAEC-0，1355xNE[0243]表7:利用采用5种亚型的多变量分析的5_HT2cR编辑亚型性能低风险分子相对于高风险分子）[0244]C5:前25[0245][0247]决策规则：[0248]RDl:Z=O，016xAB-0，0563xABC+0，183xACD+0，386xAEC-0，1428xNE[0249]表8:利用采用6种亚型的多变量分析的5_HT2cR编辑亚型性能低风险分子相对于高风险分子）[0250]C6:前25[0251][0252][0253]决策规则：[0254]RDl:Z=O，0157xAB-0，0557xABC+0，0187xD+0，1817xACD+0，3883xAEC-0，1426xNE[0255]表9:利用采用7种亚型的多变量分析的5_HT2cR编辑亚型性能低风险分子相对于高风险分子）[0256]C7:前25[0257][0258][0259]决策规则：[0260]RDl:Z=-O，0505xB+0，0224xAB+0，001xD+0，163xACD+0，389xAEC-0，1402xABCD-0，1385xNE[0261]表10:利用采用13种亚型的多变量分析的5_HT2cR编辑亚型性能低风险分子相对于高风险分子）[0262]Cl3[0264]Z=O,2035xA+0,1283xB+0,1979xAB+0,1147xABC+0,1860xAC+0,04331xC+0,1884xD+0,1259xAD+0,7739xAE+0,4295xACD+0,4775xAEC-0,0415xABCD+0,0245xNE[0265]C决策树法:多变量分析[0266]代表“分类和回归树”的CART算法是一种决策树方法。这些树将有助于建立分类规则组，其以使用者易于理解的等级图表示。所述树由内部节点决策节点）、边界和末端叶组成。这些节点通过检验来标记并可以响应于与从该节点起的边界的标记匹配的检验。如果决策树是二元的，通过转换，传统上左边界对应于对检验的阳性响应而右边界对应于阴性响应。所获得的分类程序就决策规则而言可以得到即刻翻译。[0267]决策树是流行且有效的监督分类方法。该方法要求使用训练组来构建模型并使用检验组对其验证。因此，为了建立数据集，发明人将其“非模糊”分子n=143的列表共享：数据集的90%用于学习期n=93种药物），而10%用于检验期50种药物）。这种共享已经随机化并遵循每种分子的各种规则的初始比例。而且，[0268]例如发明人已将“IFN谱”中的6种RNA编辑亚型与CART方法进行组合来构建决策模型（图20。[0269]表11:在分子数据集上使用CART算法与选自亚型的5种亚型乂1323334和乂5的组合或C13组合的5-HT2cR编辑亚型诊断性能低风险分子相对于高风险分子）[0271]在数据集上使用5RNA编辑亚型的CART模型的诊断性能对于区分低风险分子与高风险分子也可能极具吸引力。[0272]D随机森林法:多变量分析[0273]随机森林是流行且有效的监督分类方法。该方法要求使用训练组来构建模型并使用检验组对其验证。因此，为了建立数据集，发明人将其“非模糊”分子n=143的列表共享:数据集的65%用于学习期n=93种药物），而35%用于检验期（50种药物）。这种共享已经随机化并遵循每种分子的各种规则的初始比例。而且，发明人通过IFN权衡了学习数据集以改善具有“IFN谱”的药物和具有“basalO谱”的药物的区分能力。因此，发明人添加了12种IFN分子和从学习组n=113随机取出的8种对照。[0274]例如，发明人，在“IFN谱”中组合了7种和13种代表性RNA编辑亚型渗见表9C7和表10C13的RD1，使用随机森林（RF算法来构建决策模型（RF模型参数：mtryStart=1，stepFactor=2，ntree=500，improve=0·01;RF模型的袋外（OOB估计值=0·21图16A-C和图17A-C。[0275]表12:在分子数据集上采用7种亚型的随机森林算法的相依表低风险分子相对于高风险分子）[0276][0277]表13:在分子数据集上采用13种亚型的随机森林算法的5-HT2cR编辑亚型诊断性能低风险分子相对于高风险分子）[0278][0279]利用5-HT2cR的7种或13种RNA编辑亚型的诊断性能对于区分低风险分子与高风险分子极具吸引力，且具有优于90%对于C7和优于95%对于C13的灵敏度、特异性和精度，其显著优于Cavarec等2013所公开的那些。[0280]实施例5:靶标多样化[0281]为了进一步补充SH-SY5Y细胞中的5HT2cRmRNA编辑，发明人分析了额外的ADAR底物GRIA2、FLNB、PDE8A、GRIK2和GABRA3。令人感兴趣的是，IFN处理对于所研究的所有三种靶标都改变了RNA编辑亚型的相对比例（图11。因此可预见添加额外生物标志物会进一步增加检验的诊断性能。[0282]实施例6:通过对各种靶标的基于NGS的分析获得的化合物特异性RNA编辑谱[0283]已通过对GABRA3、GRIA2、GRIK2和HTR2C靶标的基于NGS的分析获得了化合物特异性RNA编辑谱参见图21A-21B。[0284]在图21A和21B中，柱形图展示了与经空载剂对照处理的细胞相比，在用所指定化合物处理的人SH-SY5Y成神经细胞瘤细胞系中的各个特定位点定量的RNA编辑水平的相对比例。[0285]正值（％表示与经空载剂处理的细胞相比由化合物诱导的特定位点处的RNA编辑的增加。相反，负值（％表示与经空载剂处理的细胞相比由化合物诱导的特定位点处的RNA编辑的减少。[0286]已获得了对在患者中诱导特定效应具有低风险或无风险的两种化合物的RNA编辑谱参见图21A、21B。作为实例，提供了与经空载剂对照处理的细胞相比，用利多卡因㈧和奥丹西隆⑻获得的RNA编辑谱。[0287]对于在患者中诱导特定效应具有高风险的两种化合物如利血平参见图21C和氟西汀参见图21D已获得了RNA编辑谱。[0288]实施例7:RNA编辑的时间进程分析[0289]在HTR2C观察到了通过阿立昵唑、干扰素（IFN和利血平的RNA编辑变化的时间进程分析参见图22A-22C。采用所有三种化合物对SH-SY5Y细胞的处理都导致RNA编辑谱的时间依赖性改变。这由显示出随时间减少的未经编辑的HTR2C的对应相对比例所明确说明。令人感兴趣的是，通过所述处理诱导的变化的特异性由在阿立昵唑（参见图22A和干扰素参见图22B或利血平参见图22C之间获得的差异谱说明。应用最优选的算法来确定在每个研究的时间点的每种化合物的风险评分prob算法）。虽然干扰素和利血平风险评分在所有时间点都高，但是阿立昵唑处理经鉴定在从24小时开始以后具有正面的风险（参见下表14。[0290]表14:阿立昵唑、干扰素和利血平处理后在各时间点的风险评分水平[0291][0292]实施例8:在用不同化合物处理SH-SY5Y细胞后的RNA编辑谱的剂量依赖性改变[0293]在用3种不同化合物氯氮平、舍曲林和氯胺酮处理SH-SY5Y细胞后已获得了RNA编辑谱的剂量依赖性改变参见图23A-23C。[0294]RNA编辑谱表示了与经空载剂处理的SH-SY5Y细胞相比的HTR2CRNA编辑的相对比例。[0295]参考文献[0296]I.WHOWHO.Preventingsuicide:Aglobalimperative.2014.[0297]2.LabonteB,TureckiG.Theepigeneticsofsuicide:explainingthebiologicaleffectsofearlylifeenvironmentaladversity.Archivesofsuicideresearch:officialjournaloftheInternationalAcademyforSuicideResearch.2010;14⑷：291-310.PubMedPMID:21082447.[0298]3.GurevichIjEnglanderMTjAdlersbergMjSiegalNBjSchmaussC.Modulationofserotonin2Creceptoreditingbysustainedchangesinserotonergicneurotransmission.TheJournalofneuroscience:theofficialjournaloftheSocietyforNeuroscience.2002Dec15；2224:10529-32.PubMedPMID:12486144.[0299]4.SodhiMSjBurnetPffjMakoffAJjKerwinRffjHarrisonPJ.RNAeditingofthe5-HT2Creceptorisreducedinschizophrenia.Molecularpsychiatry.2001Jul;6⑷：373-9.PubMedPMID:11443520.[0300]5·Α1οηS，GarrettSC，LevanonEY，01sonS，GraveleyBR，RosenthalJJ等，ThemajorityoftranscriptsinthesquidnervoussystemareextensivelyrecodedbyA-to-IRNAediting.eLife.2015;4.PubMedPMID:25569156.PubmedCentralPMCID:4384741.[0301]6.KhermeshK，D’ErchiaAM，BarakM，AnneseA，WachtelC，LevanonEY等，ReducedlevelsofproteinrecodingbyA_to_IRNAeditinginAlzheimer’sdisease.Rna.2016Feb；222:290-302.PubMedPMID:26655226.PubmedCentralPMCID:4712678.[0302]7.PorathHTjCarmiS,LevanonEY.Agenome-widemapofhyper-editedRNArevealsnumerousnewsites.Naturecommunications.2014；5:4726.PubMedPMID:25158696.PubmedCentralPMCID:4365171.[0303]8.SeeburgPHjHiguchiMjSprengelR.RNAeditingofbrainglutamatereceptorchannels:mechanismandphysiology.BrainresearchBrainresearchreviews.1998May;262-3:217-29.PubMedPMID:9651532.[0304]9.YangWjWangQjKanesSJjMurrayJMjNishikuraK.AlteredRNAeditingofserotonin5-HT2Creceptorinducedbyinterferon:implicationsfordepressionassociatedwithcytokinetherapy.BrainresearchMolecularbrainresearch.2004Apr29；1241:70-8.PubMedPMID:15093687.[0305]10.DrachevaSjPatelNjWooDAjMarcusSMjSieverLJjHaroutunianV.Increasedserotonin2CreceptormRNAediting:apossibleriskfactorforsuicide.Molecularpsychiatry.2008Nov；1311:1001-10.PubMedPMID:17848916.[0306]II.MannJJjBrentDAjArangoV.Theneurobiologyandgeneticsofsuicideandattemptedsuicide:afocusontheserotonergicsystem.Neuropsychopharmacology!officialpublicationoftheAmericanCollegeofNeuropsychopharmacology.2001May；245:467-77.PubMedPMID:11282247.[0307]12.MannJJjCurrierDM.Stress,geneticsandepigeneticeffectsontheneurobiologyofsuicidalbehavioranddepression.Europeanpsychiatry:thejournaloftheAssociationofEuropeanPsychiatrists.2010Jun；255:268-71.PubMedPMID:20451357.PubmedCentralPMCID:2896004.[0308]13.MannJJ，HuangYY，UnderwoodMD，KassirSA，0ppenheimS，KellyTM等，Aserotonintransportergenepromoterpolymorphism5-HTTLPRandprefrontalcorticalbindinginmajordepressionandsuicide.Archivesofgeneralpsychiatry.2000Aug；578:729-38.PubMedPMID:10920459.[0309]14.DinahWeissmannjLaurentVincent,MarkD.Underwood,LaurentCavarec,NicolasSalvetat，SiemvanderLaan等，REGIONSPECIFICALTERATIONSOFRNAEDITINGOFSEROTONIN2CRECEPTORINCORTEXOFSUICIDESWITHMAJORDEPRESSION.Translationalpsychiatry.2016；Minorrevision.[0310]15.ChristensenRjKristensenPKjBartelsEMjBliddalHjAstrupA.Efficacyandsafetyoftheweight-lossdrugrimonabant:ameta-analysisofrandomisedtrials.Lancet.2007Nov17；3709600:1706-13.PubMedPMID:18022033.[0311]16.MihanovicMjRestek-PetrovicBjBodorDjMolnarSjOreskovicA,PreseckiP.Suicidalityandsideeffectsofantidepressantsandantipsychotics.PsychiatriaDanubina.2010Mar；22I:79-84.PubMedPMID:20305596.[0312]I7.MoreiraFAjCrippaJA.Thepsychiatricside-effectsofrimonabant.Revistabrasileiradepsiquiatria.2009Jun；312:145-53.PubMedPMID:19578688.[0313]18.SundstromAjAlfredssonLjSjolin-ForsbergGjGerdenBjBergmanUjJokinenJ.Associationofsuicideattemptswithacneandtreatmentwithisotretinoin:retrospectiveSwedishcohortstudy.Bmj.2010；341:c5812.PubMedPMID:21071484.PubmedCentralPMCID:2978759.[0314]19.GeYjSDjSpeedTP.Resampling-basedmultipletestingformicroarraydatahypothesis.Sociedaddeestadisticaeinvestigacionoperativatest.2003；12:1-77.[0315]20.GentlemanRC，CareyVJ，BatesDM，BolstadB，DettlingM，DudoitS等，Bioconductor:opensoftwaredevelopmentforcomputationalbiologyandbioinformatics.Genomebiology.2004；510:R80.PubMedPMID:15461798.PubmedCentralPMCID:545600.[0316]21.YB，YH.Controllingthefalsediscoveryrate:apracticalandpowerfulapproachtomultipletesting.JRoyStatistSocSer.1995；B57,1:289-300.[0317]22·D·G·K，L·L·K，E·M·M·AppIiedregressionanalysisandothermultivariatemethods.PWS-KENTPublishingCompany,Boston.1988.[0318]23.L.Breiman,J.Friedman,OlshenRjStone.C.CART:ClassificationandRegressionTrees.WadsworthInternational.1984.[0319]24.BreimanL.RandomForests.MachineLearning.2001；45I:5-32.[0320]25.SuJQjLiuJS.Linearcombinationsofmultiplediagnosticmarkers.JournaloftheAmericanStatisticalAssociation；199388:1350-5.[0321]26.WangH.Anoteoniterativemarginaloptimization:asimplealgorithmformaximumrankcorrelationestimation.ComputationalStatisticsandDataAnalysis200751:2803-12.[0322]27.StaackAjBadendieckS,SchnorrD,LoeningSA,JungK.CombineddeterminationofplasmaMMP2，MMP9，andTIMPlimprovesthenon-invasivedetectionoftransitionalcellcarcinomaofthebladder.BMCurology.2006；6:19.PubMedPMID:16901349.PubmedCentralPMCID:1560390.[0323]28.CortesC,Vapnik.V.Support-VectorNetworks.MachineLearning.1995；20.[0324]29.BaxtWG.Applicationofartificialneuralnetworkstoclinicalmedicine.Lancet.19950ct28；3468983:1135-8.PubMedPMID:7475607.[0325]30.N.F,al.e.UsingBayesiannetworkstoanalyzeexpressiondata.JComputBiol.2000;73-4:601-20.[0326]31.K.HjK.P.S.Weightedk-Nearest-NeighborTechniquesandOrdinalClassification.DiscussionPaper399,SFB386,Ludwig-MaximiliansUniversityMunich2004.[0327]32.WoldS.PLS-regression:abasictoolofchemometrics.ChemometricsandIntelligentLaboratorySystems.2001；58108-130.[0328]33.FisherRA.TheUseofMultipleMeasurementsinTaxonomicProblems.AnnalsofEugenics.1936;2179-188.[0329]34.Dff.EVALUATIONOFTHEPOTENTIALRISKOFDRUGINDUCEDMOODDISTURBANCEANDSUICIDE:USEOFADEDICATEDPLATFORM.PatentW02008152146.2008.[0330]35.CavarecLjVincentLjLeBorgneCjPlusquellecCjOllivierNjNormandie-LeviP等，Invitroscreeningfordrug-induceddepressionandorsuicidaladverseeffects:anewtoxicogenomicassaybasedonCE-SSCPanalysisofHTR2CmRNAeditinginSH-SY5Ycells.Neurotoxicityresearch.2013Jan；23l:49-62.PubMedPMID:22528247.

权利要求：1.一种用于体外预测化合物在患者中诱导特定效应的概率的算法，其中，所述算法或模型通过包括以下步骤的方法获得：a-选择展示出RNA的A至I编辑的至少一个靶标，其前体mRNA是ADAR酶作用于RNA的腺苷脱氨酶的底物，所述ADAR对至少一个编辑位点的作用导致产生不同的亚型或位点，-选择内源性表达所述至少一个靶标和至少所述ADAR酶的至少一个细胞系，-选择阳性对照化合物，在所述细胞系的细胞用所述阳性对照化合物处理时，所述阳性对照化合物能够以剂量依赖性方式改变所述靶亚型或编辑位点的相对比例；-选择由一定比例的注释有诱导所述特定效应的风险评分的化合物组成的分子集合，b采用所述分子集合的每一种分子以及阴性对照和所述阳性对照来处理所述细胞系的细胞，c分析已由所述集合的分子处理的每个样品中的所述至少一个靶标RNA编辑谱，从而获得针对所述集合的每种分子且针对所述靶标的每种编辑亚型和或位点而言的所述靶标的RNA编辑水平的比例，d-i通过单变量分析统计法，针对每种亚型和或编辑位点评估其精度及其区分分子诱导所述特定效应的风险的能力;和或-ii通过多变量分析统计法，针对亚型和或编辑位点的每种组合来评估其精度及其区分分子诱导所述特定效应的风险的能力;和-iii选择展示出最佳区分性能的组合，e利用亚型或编辑位点的所选择的组合来建立算法，和使用由此获得的所述算法来预测所述化合物在患者中诱导所述特定效应的概率。2.如权利要求1所述的算法，其中，所述效应是选自负面或希望的副作用、优选负面副作用的副作用。3.如权利要求1或2所述的算法，其中，展示出RNA的A至I编辑的所述靶标选自由5-HT2cR、PDE8A磷酸二酯酶8A、GRIA2谷氨酸受体2、GRIA3、GRIA4、GRIK1、GRIK2、GRIN2C、GRM4、GRM6、FLNB细丝蛋白B、5-耵2厶、6厶81^3、卩1^熟、〇¥卩1?2组成的组。4.如权利要求1至3中任一项所述的算法，其中，所述特定效应是负面精神科副作用。5.如权利要求1至4中任一项所述的算法，其中，所述细胞系内源性表达所述靶标和ADAR，并且选自由以下组成的组：-成神经细胞瘤细胞系，优选人细胞系，-成神经细胞瘤细胞系，对其而言阳性对照诱导的ADARla基因表达在相对于阴性对照或空载剂对照归一化时为至少4、5或6倍的倍数诱导，和-人SH-SY5Y细胞系。6.如权利要求1至5中任一项所述的算法，其中，在步骤b中，所述细胞系的细胞在12h至72h、优选48h±4h的时段中用待测试的分子或对照进行处理。7.如权利要求1至6中任一项所述的算法，其中，所述阳性对照是干扰素α。8.如权利要求1至7中任一项所述的算法，其中，步骤c包括以下步骤:相对于空载剂处理的对照细胞，针对所述细胞系中的每种亚型或位点确定RNA编辑的基础水平，从而针对每种分子和每种编辑亚型或编辑位点获得所述靶标的RNA编辑水平的平均中位数相对比例。9.如权利要求1至8中任一项所述的算法，其中，所述方法是用于体外预测药物或化合物无风险或者以低风险或高风险诱导特定效应的概率的方法。10.如权利要求1至8中任一项所述的算法，其中，所述分子集合由平衡比例的治疗性分子类型组成，每种分子注释有诱导所述特定效应的高风险和低风险评分。11.如权利要求1至10中任一项所述的算法，其中，步骤ld-i包括对于每种亚型或其组合计算以下值的步骤：-对于所述特定效应而言至少60的灵敏度Se%和至少60%的特异性Sp%的最佳阈值；-阳性PPV，％和阴性NPV，％预测值，其用于评估真实存在[真阳性真阳性+假阳性]和真实缺失[真阴性八真阴性+假阴性]的比例。12.如权利要求1至11中任一项所述的算法，其中，在步骤c中，所述RNA编辑谱通过包括以下的方法进行：-包括NGS文库制备的NGS法下一代测序），优选使用两步PCR法来选择性地对所述靶标的受关注序列片段包含所述编辑位点进行测序；-对所得到的所有NGS文库测序；以及可选地-对所述测序数据进行生物信息学分析，所述生物信息学分析优选包括以下步骤：-序列的预比对处理和品质控制-相对于参比序列的比对;和-编辑水平调用，以获得所述靶标的编辑谱。13.如权利要求1至12中任一项所述的算法，其中，在步骤Idi和Idii中，以及在步骤Ie中，允许获得所述算法或模型的所述统计方法通过包括选自由以下组成的组的一种方法或方法的组合的方法来进行：-mROC程序，其特别用于鉴定线性组合，其使AUC曲线下面积ROC最大化，且其中用于各组合的公式提供如下且可用作新的虚拟标志物Z:Z=ai.亚型l+a2.亚型2+··.ai.亚型i+···.an.亚型η其中，m是计算系数且亚型i是亚型的靶标的各自RNA编辑水平的相对比例;和或-应用于单变量和多变量分析的logistic回归模型，其用于估计在不同的亚型值的分子的相对风险;和或-应用于评估亚型组合的CART分类和回归树法;和或-应用于评估亚型组合的随机森林RT法，其特别用于对编辑亚型的重要性评级并将最佳亚型组合以将分子的“相对风险”归类，和或可选地-应用于针对分子的“相对风险”评估亚型组合的多变量分析，其选自由以下组成的组：-支持向量机SVM法；-人工神经网络ANN法；-贝叶斯网络法；-wKNN加权k最近邻法；-偏最小二乘判别分析PLS-DA;-线性与二次判别分析LDAQDA。14.如权利要求1至13中任一项所述的算法，其中：-所述靶标为5-HT2cR，-所述特定效应为负面的精神科负面副作用，-所述细胞系为人SH-SY5Y成神经细胞瘤细胞系，-所述阳性对照为干扰素α，且其中：能够区分测试药物是否以低风险或高风险诱导所述精神科负面副作用的位点组合至少包括至少2、3、4或5个单一位点的组合，所述单一位点选自由以下5-HT2cR位点组成的组：A、B、C、D和Ε，优选至少3、4或5个所述位点的组合，-或能够区分测试药物是否以低风险或高风险诱导所述精神科负面副作用的亚型组合至少包括至少2、3、4、5、6、7、8、9、10、11、12或13个单一亚型的组合，所述单一亚型选自由以下5-HT2cR亚型组成的组：A、B、AB、ABC、AC、C、D、AD、AE、ACD、AEC、ABCT^PNE，优选至少5、6或7个所述亚型的组合，并且可选的是其中：允许获得所述算法或模型的所述统计方法通过包括以下的方法来进行：-mROC程序、随机森林法和或Cart算法。15.—种体外预测药物、化合物或分子在患者中诱导特定效应的概率或风险的方法，所述特定效应优选为副作用、更优选负面或希望的副作用，所述方法使用展示出RNA的A至I编辑的靶标，所述RNA的前体mRNA是ADAR酶的底物，所述ADAR的作用导致产生不同的亚型或位点，其中所述方法包括以下步骤：A分析已用所述药物或化合物或分子处理过的样品中的靶标RNA编辑谱，从而获得针对每种所述靶标的编辑亚型的所述靶标的RNA编辑水平的比例，且其中所述靶标RNA编辑谱以对于所述特定效应获得的权利要求1至14中任一项所述的算法或模型中的分子集合的分子所获得那样获得；B利用权利要求1至14中任一项所述的针对所述靶标和所述特定效应获得的算法或模型来计算端值或应用对于所述药物或化合物获得的算法或模型;和C根据步骤B中获得的结果确定所述药物或化合物是否有风险、特别是低风险或高风险在患者中诱导所述特定效应。16.用于确定药物是否有风险、特别是低风险或无风险或高风险在患者中诱导负面副作用的试剂盒，其包括：1使用权利要求1至15中任一项所述的算法或模型或者应用权利要求15所述的方法的说明书，从而获得端值，对该端值的分析确定了所述测试药物在患者中诱导所述负面副作用的风险，所述说明书包括可选的ROC曲线或Cart决策树;和2用于确定编辑RNA谱的试剂，所述编辑RNA谱根据用于获得分子集合的每种分子的编辑RNA谱的试剂需求而针对所述测试药物获得，其中所述分子集合用于确定1中所述说明书的所述算法或所述模型。

百度查询： 阿利瑟迪亚格公司 国家科研中心 选择由活性化合物诱导的特定效应的基于RNA编辑的算法和体外方法