MX2007005764A - Metodos y sistemas para el pronostico y tratamiento de tumores solidos. - Google Patents

Abstract

La presente invencion proporciona metodos, sistemas y equipo para el pronostico y tratamiento de carcinoma de celulas renales (RCC) u otros tumores solidos. Los genes de pronostico de resultados clinicos de un tumor solido se pueden identificar de acuerdo con la presente invencion. Los perfiles de expresion de estos genes en celulas mononucleares de sangre periferica (PBMC) de pacientes quienes presentan el tumor solido se relacionan con el resultado clinico de estos pacientes. Los ejemplos de genes de pronostico de RCC se ilustran en las tablas 2 y 3. estos genes se pueden utilizar como marcadores sustituidos para predecir el resultado clinico de un paciente de interes con RCC. Estos genes tambien se pueden utilizar para la seleccion de un tratamiento favorable para un paciente de interes con RCC.

Description

MÉTODOS Y SISTEMAS PARA EL PRONOSTICO Y TRATAMIENTO DE TUMORES SOLIDOS CAMPO DE LA INVENCIÓN La presente invención se relaciona con genes para el pronóstico de tumores sólidos y métodos de uso de los mismos para el pronóstico y tratamiento de tumores sólidos.

ANTECEDENTES DE LA INVENCIÓN Los estudios de perfilado de expresión en tejidos primarios ha demostrado que existen diferencias transcripcionales entre tejido normal y maligno (canceroso).

Véase, por ejemplo, Su, et al . , CÁNCER RES, 67:7388-7393 (2001); y Ramaswamy, et al . , PROC. NATL ACAD SCI U.S.A., 98:15149-15151 (2001). Los análisis clínicos recientes también han identificado perfiles de expresión dentro de tumores sólidos que parecen estar altamente relacionados con ciertas medidas de resultados clínicos. Un estudio ha demostrado que el perfilado de expresión de biopsias de tumor primario genera "firmas" de pronóstico que rivalizan e incluso pueden funcionar de mejor manera que las medidas estándar aceptadas actualmente de riesgo en pacientes con cáncer. Véase van de Vijver, et al . , N. ENGL J MED, 347:1999-2009 (2002) .

Ref: 181803 SUMARIO DE LA INVENCIÓN La presente invención proporciona métodos, sistema y equipo para pronóstico y tratamiento de carcinoma de células renales (RCC, por sus siglas en inglés) u otros tumores sólidos. Los genes de pronóstico de los resultados clínicos de un tumor sólido se pueden identificar por la presente invención. Los perfiles de expresión de estos genes en células mononucleares de sangre periférica (PBMC, por sus siglas en inglés) de pacientes quienes tienen el tumor sólido se relacionan con el resultado clínico de estos pacientes. Estos genes se han utilizado como marcadores sustitutos para predecir el resultado clínico de un paciente de interés quien tiene el tumor sólido. Estos genes también se pueden usar para identificar o seleccionar tratamientos que puedan producir resultados favorables para el paciente de interés. En un aspecto, la presente invención proporciona métodos útiles para el pronóstico o selección de tratamiento de un tumor sólido en un paciente de interés. Los métodos incluyen comparar un perfil de expresión de uno o más genes de pronóstico en una muestra de sangre periférica del paciente de interés con por lo menos un perfil de expresión de referencia de uno o varios de los genes de pronóstico, en donde cada uno de uno o varios de los genes de pronóstico se expresa diferencialmente en los PBMC de una primera clase de pacientes en comparación con los PBMC de una segunda clase de pacientes. Tanto la primera como la segunda clase de pacientes tienen el mismo tumor sólido que el paciente de interés, pero cada clase de pacientes tiene un resultado clínico diferente. En muchas modalidades, uno o varios de los genes de pronóstico incluyen por lo menos un gen cuyo perfil de expresión de pretratamiento en los PBMC de las dos clases de pacientes, determinado por los chips de genes Affymetrix HG-U133A se relaciona con una distinción de clase bajo el análisis de relación basado en clase (por ejemplo el análisis de vecino más cercano o el método de significancia del método de microarreglo) , en donde la distinción de clase representa un patrón de expresión idealizado del gen en los PBMC de las dos clases de pacientes. Los tumores sólidos susceptibles de la presente invención incluyen, pero no se limitan a RCC, cáncer de próstata, cáncer de vías respiratorias y digestivas altas y otros tumores que no tienen su origen en células sanguíneas o linfáticas. Se puede medir el resultado clínico por cualquier indicador clínico. En una modalidad, el resultado clínico se mide por el tiempo para el progreso de la enfermedad (TTP, por sus siglas en inglés) o el tiempo para la muerte (TTD, por sus siglas en inglés) . Otras respuestas de los pacientes a un tratamiento terapéutico, tal como respuesta completa, respuesta parcial, respuesta menor, enfermedad estable, enfermedad progresiva, enfermedad no progresiva o cualquier combinación de las mismas, también se puede utilizar para medir el resultado clínico. Los ejemplos de tratamientos de tumores sólidos susceptibles para la presente invención incluyen, pero no se limitan a tratamiento con medicamentos (por ejemplo tratamiento con CCI-779), quimioterapia, hormoterapia, radioterapia, inmunoterapia, cirugía, genoterapia, tratamiento antiangiogénico, tratamiento paleativo o cualquier combinación de los mismos. La muestra de sangre periférica de paciente de interés puede ser una muestra de sangre completa o una muestra de sangre que comprende PBMC enriquecidos o purificados. También se pueden utilizar en la presente invención otros tipos de muestra de sangre. En muchos casos, las muestras de sangre periférica utilizadas para preparar el perfil de expresión del paciente de interés y uno o varios de los perfiles de expresión de referencia son las muestras de valores iniciales aislados antes de un tratamiento terapéutico de los pacientes. Uno o varios de los perfiles de expresión de referencia pueden incluir un perfil de expresión promedio de uno o varios de los genes de pronóstico en muestras de sangre periférica de pacientes quienes tienen el mismo tumor sólido que el paciente de interés y cuyo resultado clínico se conoce o es determinable. Uno o varios de los perfiles de expresión de referencia también pueden incluir un conjunto de perfiles de expresión individuales, cada uno de los cuales representa el patrón de expresión de sangre periférica de uno o varios de los genes de pronóstico en un paciente de referencia particular quien tiene el mismo tumor sólido que el paciente de interés y un resultado clínico conocido o determinable. También se pueden utilizar en la presente invención otros tipos de perfiles de expresión de referencia. En muchos casos, el perfil de expresión del paciente de interés y uno o varios de los perfiles de expresión de referencia se preparan utilizando metodologías iguales o comparables. Cualquier método de comparación puede utilizarse para comparar el perfil de expresión del paciente de interés con uno o varios de los perfiles de expresión de referencia. En una modalidad, la comparación se basa en un nivel de expresión de sangre periférica relativo o absoluto de cada gen de pronóstico. En otra modalidad, la comparación se basa en las relaciones entre los niveles de expresión de dos o más genes de pronóstico. En otra modalidad adicional, la comparación se lleva a cabo mediante la utilización de métodos tal como el algoritmo de vecinos más cercanos k o el algoritmo de votación ponderada. En una modalidad, el paciente de interés es evaluado como RCC y se mide el resultado clínico por la respuesta del paciente a un tratamiento con CCI-779. En las tablas 2 y 3 se muestran ejemplos de genes de pronóstico de RCC. En un ejemplo, uno o varios de los genes de pronóstico de RCC utilizados en la predicción de resultado comprende por lo menos un gen que se selecciona de la tabla 2. En muchos casos, los genes de pronóstico de RCC comprenden dos o más genes que se seleccionan de la tabla 2, tales como por lo menos un gen que se seleccionan de los genes números 1-7 y por lo menos otro gen que se selecciona de los genes números 8-14. El gen o los genes seleccionados de esta manera se pueden utilizar para predecir TTD o un paciente RCC de interés. En otro ejemplo, uno o varios de los genes de pronóstico RCC utilizado en la predicción de resultado comprende por lo menos un gen que se selecciona de la tabla 3. En muchos casos, los genes de pronóstico de RCC comprenden dos o más genes que se seleccionan de la tabla 3, tal como por lo menos un gen que se selecciona de los genes números 1-14 y por lo menos otro gen que se selecciona de los genes números 15-28. El gen o los genes seleccionados de esta manera se pueden utilizar para predecir TTP del paciente de interés con RCC. En un ejemplo adicional, los genes de pronóstico de RCC utilizados en la predicción de resultado incluyen un clasificador que se selecciona de la tabla 4 y se compara el perfil de expresión del RCC del paciente de interés con los perfiles de expresión utilizando el algoritmo de los vecinos más cercanos k o un algoritmo de votación ponderada .

La presente invención también describe sistemas útiles para el pronóstico o selección de tratamiento de un tumor sólido en un paciente de interés. Los sistemas incluyen: (1) un primer medio de almacenamiento que comprende datos que representan un perfil de expresión de uno o más genes de pronóstico en una muestra de sangre periférica de un paciente de interés, (2) un segundo medio de almacenamiento que comprenden datos que representan por lo menos un perfil de expresión de referencia de uno o varios de los genes de pronóstico, (3) un programa capaz de comparar el perfil de expresión del paciente de interés con el perfil de expresión de referencia, y (4) un procesador capaz de ejecutar el programa. Los niveles de expresión de los genes de pronóstico en los PBMC de los pacientes que tienen un tumor sólido, medido por los chips de genes Affymetrix HG-U133A se relacionan con los resultados clínicos de los pacientes. En una modalidad, el paciente de interés presenta RCC y los genes de pronóstico se seleccionan de las tablas 2 y 3. Además, la presente invención describe equipos útiles para el pronóstico o selección de tratamiento de un tumor sólido en un paciente de interés. Cada equipo incluye por lo menos una sonda para un gen de pronóstico de tumor sólido tal como un gen de pronóstico RCC seleccionado de las tablas 2 y 3. Otras características, objetivos y ventajas de la presente invención serán evidentes en la descripción detallada que sigue. No obstante, debe entenderse que la descripción detallada, aunque indica modalidades de la presente invención, se proporciona únicamente como ilustración y no como limitación. Varios cambios y modificaciones dentro del alcance de la invención se volverán evidentes para los expertos en la técnica a partir de la descripción detallada.

BREVE DESCRIPCIÓN DE LAS FIGURAS Las figuras se proporcionan para ilustración y no como limitación. La figura ÍA demuestra la precisión de los clasificadores de vecino más cercano con el tamaño en incremento (de 2 a 200) para predicción de TTD de largo plazo versus corto plazo bajo la validación cruzada del método de dejar uno fuera. El modelo de predicción óptimo más pequeño con la mayor precisión es un clasificador de seis genes que proporciona una precisión general de 71% y se marca con una flecha en la figura. La figura IB demuestra la precisión de los clasificadores de vecino más cercano con el tamaño en incremento (de 2 a 200) para predicción de TTD de corto plazo versus largo plazo bajo la validación cruzada de 10 múltiplos. El modelo de predicción óptimo más pequeño con la mayor precisión es un clasificador de catorce genes que proporciona 71% de prediccoión total y se marca con una flecha en la figura. La figura 1C ilustra la precisión de los clasificadores de vecino más cercano con un tamaño en incremento (de 2 a 200) para predicción de TTD a largo plazo versus a corto plazo bajo una validación cruzada de 4 múltiplos. El modelo de predicción óptimo más pequeño con la mayor precisión es un clasificador de 14 genes que proporciona 69% de precisión general y está marcado con una flecha en la figura. La figura 2A muestra la precisión de los clasificadores de vecino más cercano con un tamaño en incremento para predecir TTP a largo plazo versus a corto plazo bajo la validación cruzada del método de dejar uno fuera. El modelo de predicción óptimo más pequeño con la mayor precisión es un clasificador de 8 genes que proporciona 86% de precisión general y está marcado con una flecha en la figura . La figura 2B muestra la precisión de los clasificadores de vecino más cercano con un tamaño cada vez mayor para predecir TTP a largo plazo versus a corto plazo bajo la validación cruzada de 10 múltiplos. El modelo de predicción óptimo más pequeño con la mayor precisión es un clasificador de 28 genes que proporciona 88% de precisión general y está marcado con una flecha en la figura. La figura 2C ilustra la precisión de los clasificadores de vecino más cercano con un tamaño en incremento para predecir TTP a largo plazo versus a corto plazo bajo una validación cruzada de 4 múltiplos. El modelo de predicción óptima más pequeño con la mayor precisión es un clasificador de 8 genes que proporciona una precisión general de 88% y está marcado con una flecha en la figura.

DESCRIPCIÓN DETALLADA DE LA INVENCIÓN La presente invención proporciona métodos para el pronóstico y selección del tratamiento de RCC u otros tumores sólidos. Estos métodos utilizan genes de pronóstico que se expresan de manera diferencial en muestras de sangre periférica de pacientes con tumores sólidos quienes tienen resultados clínicos diferentes. Los perfiles de expresión de sangre periférica de muchos de estos genes de pronóstico se relacionan con el resultado clínico de los pacientes bajo un modelo de relación basado en clase. En muchas modalidades, los pacientes con tumores sólidos se pueden dividir en por lo menos dos clases en base en su resultado clínico y los perfiles de expresión de PBMC antes del tratamiento de los genes de pronóstico se relaciona con una distinción de clase bajo un análisis de cercanía en donde la distinción de clase representa un patrón de expresión idealizado de estos genes en los PBMC de las dos clases de pacientes. Los genes de pronóstico de la presente invención se pueden utilizar como marcadores sustitutos para la predicción del resultado clínico de pacientes que tienen RCC u otros tumores sólidos. Los genes de pronóstico de la presente invención también se pueden utilizar para la identificación o selección de tratamientos favorables de RCC u otros tumores sólidos. Diferentes pacientes pueden tener respuestas clínicas distintas a un tratamiento terapéutico debido a la heterogenidad individual del mecanismo molecular de la enfermedad. La identificación de los patrones de expresión de genes que se relacionan con la respuesta del paciente permite a los médicos seleccionar tratamientos en base en las respuestas predichas del paciente y de esta manera evitar reacciones adversas. Esto proporciona una potencia y seguridad mejoradas de los ensayos clínicos y una relación aumentada en beneficio/riesgo para medicamentos y otros tratamientos terapéuticos. La sangre periférica es un tejido que se puede obtener de manera sistemática de pacientes de una manera invasiva mínima. Al determinar la relación entre el resultado del paciente y los perfiles de expresión de genes en muestras de sangre periférica, la presente invención representa un avance significativo en la genética farmacológica clínica y el tratamiento de un tumor sólido. Se describen con detalle adicional en la siguientes secciones secundarias diversos aspectos de la invención. El uso de secciones secundarias no significan limitación de la invención. Cada sección secundaria puede aplicarse a cualquier aspecto de la invención. En esta solicitud, el uso del término "o" significa "y/o" a menos que se indique de otra manera .

I . Métodos generales para identificar genes de pronóstico de tumor sólido Estudios anteriores han demostrado los perfiles de expresión de valores iniciales en los PBMC de pacientes con tumores sólidos los cuales son significativamente diferentes de los de sujetos sin enfermedad. Véase la solicitud de patente de E.U.A. número de serie 10/717,597 presentada el 21 de noviembre del 2003, la solicitud provisional de E.U.A. número de serie 60/459,782 presentada el 3 de abril del 2003 y la solicitud provisional de E.U.A. número de serie 60/427,982 presentada el 21 de noviembre del 2002, todas las cuales se incorporan en la presente como referencia. Los estudios han demostrado que los perfiles de expresión de genes en los PBMC son elementos de predicción de actividad de medicamentos anticancerígenos in vivo. Véase la solicitud de patente de E.U.A. número de serie 10/793,032 presentada el 5 de marzo del 2004, la solicitud de patente de E.U.A. número de serie 10/775,169 presentada el 11 de febrero del 2004 y la solicitud provisional de E.U.A. número de serie 60/446,133 presentada el 11 de febrero del 2003, la totalidad de las cuales también se incorporan en la presente como referencia. Además, los estudios indicaron que los perfiles de expresión de valores iniciales de PBMC se relacionan con los resultados clínicos de RCC y otras enfermedades no sanguíneas. Véase la solicitud de patente de E.U.A. número de serie 10/834,144 presentada el 29 de abril del 2004, la solicitud de patente provisional de E.U.A. número de serie 60/538,246 presentada el 23 de enero del 2004 y la solicitud de patente provisional de E.U.A. número de serie 60/466,067 presentada el 29 de abril del 2003. La presente invención evalúa adicionalmente la relación entre la expresión de un gen en sangre periférica y el resultado clínico de RCC u otros tumores sólidos. Los genes de pronóstico para RCC u otros tumores sólidos se pueden identificar de acuerdo con la presente invención. Estos genes se expresan de manera diferencial en muestras de sangre periférica en pacientes con tumores sólidos quienes tienen resultados clínicos diferentes. Los perfiles de expresión en sangre periférica de muchos de estos genes se relacionan con una distinción de clase entre pacientes de diferentes clases de resultado. En muchas modalidades, los perfiles de expresión en sangre periférica son perfiles de valores iniciales que representan la expresión del gen en sangre periférica antes del inicio del tratamiento de los pacientes. También se pueden seleccionar los perfiles de expresión en sangre periférica para que represente la expresión del gen durante el curso del tratamiento. El análisis de relación adecuado de la presente invención incluye, pero no se limita al análisis de vecino más cercano (Golub, et al . , SCIENCE, 286: 531-537 (1999)), del método de significancia de microarreglos (S7?M) (Tusher, et al . , PROC. NATL. ACAD. SCI. U.S.A., 98:5116-5121 (2001)) u otros sistemas de medición de relación basados en clase. Los tumores sólidos susceptibles para la presente invención incluyen, sin limitación, RCC, cáncer de próstata, cáncer de vías respiratorias y digestivas altas, cáncer ovárico, cáncer testicular, tumor cerebral, cáncer de mama, cáncer de pulmón, cáncer de colon, cáncer de páncreas, cáncer de estómago, cáncer de vejiga, cáncer de la piel, cáncer cervical, cáncer uterino y cáncer hepático. Se puede medir o evaluar un tumor sólido utilizando procedimientos de visualización directa o indirecta. Los métodos de visualización adecuados incluyen, pero no se limitan a exploraciones (tales como rayos X, tomografía axial computarizada (CT) , generación de imágenes por resonancia magnética (RMI) , tomografía de emisión de positrones (PET) o ultrasonografía (U/S) ) , biopsia, palpación, endoscopia, laparoscopia u otros medios adecuados según sea apreciable para aquellos expertos en la técnica. El resultado clínico de un tumor sólido se puede determinar por numerosos criterios. En muchas modalidades, el resultado clínico se determina en base en la respuesta de los pacientes a un tratamiento terapéutico. Los ejemplos de medidas de resultados clínicos incluyen, sin limitación, respuesta completa, respuesta parcial, respuesta menor, enfermedad estable, enfermedad progresiva, tiempo para el progreso de la enfermedad (TTP) , tiempo para la muerte (TTD o supervivencia) o cualquier combinación de los mismos. Los ejemplos de tratamientos con tumores sólidos incluyen, sin limitación tratamiento con medicamentos (por ejemplo tratamiento con CCI-779), quimioterapia, tratamiento con hormonas, radioterapia, inmunoterapia, cirugía, genoterapia, tratamiento antiangiogénico, tratamiento paleativo u otros tratamientos convencionales o no convencionales o cualquier combinación de los mismos. En una modalidad, el resultado clínico se evalúa en base en el criterio de reporte de la WHO, tal como el descrito en la publicación WHO número 48 (Organización Mundial de la Salud, Ginebra, Suiza, 1979) bajo el criterio de lesiones mensurables unidimensionalmente o bidimensionalmente que se miden en cada determinación. Cuando están presentes en cualquier órgano lesiones múltiples se pueden seleccionar, si están disponibles, hasta 6 lesiones representativas . En un ejemplo, el resultado clínico se determina en base en un sistema de clasificación compuesto de categorías clínicas tales como respuesta completa, respuesta parcial, respuesta menor, enfermedad estable, enfermedad progresiva o cualquier combinación de los mismos. El término "respuesta completa" (CR, por sus siglas en inglés) significan la desaparición completa de toda la enfermedad mensurable y evaluable, determinada por dos observaciones con una diferencia no menor de 4 semanas, No hay lesiones nuevas no hay síntomas relacionados con la enfermedad. El término "respuesta parcial" (PR, por sus siglas en inglés) hacen referencia a una enfermedad mensurable bidimensionalmente significa disminución de por lo menos 50% de la suma de productos de los diámetros perpendiculares más grandes de todas las lesiones mensurables determinada por dos observaciones con una diferencia no menor de 4 semanas. El término "respuesta parcial" con referencia a un medio de enfermedad mensurable unidimensionalmente disminuido por al menos aproximadamente 50% en la suma de los diámetros más grandes de todas las lesiones se determinan por dos observaciones con una diferencia no menor a 4 semanas. No es necesario que todas las lesiones hayan regresado para calificar una respuesta parcial, pero ninguna lesión debe haber progresado y no deben aparecer lesiones nuevas . La determinación puede ser el objetivo. El término "respuesta menor" con referencia a una enfermedad mensurable bidimensionalmente significa que aproximadamente 25% o más disminuyen pero disminuye menos de aproximadamente 50% en la suma de productos de los diámetros perpendiculares más grandes de todas las lesiones mensurables. Una "respuesta menor" con referencia a una enfermedad mensurable unidimensionalmente significa una disminución de por lo menos aproximadamente 25% pero menos de aproximadamente 50% en la suma de los diámetros más grandes de todas las lesiones. El término "enfermedad estable" (SD, por sus siglas en inglés), con referencia a una enfermedad mensurable bidimensionalmente significa que existe una disminución de menos de aproximadamente 25% o un incremento de menos de aproximadamente 25% en la suma de los productos de los diámetros perpendiculares más grandes de todas las lesiones mensurables. El término "enfermedad estable" con referencia a una enfermedad mensurable unidimensionalmente significa que menos de aproximadamente 25% de disminución o menos de aproximadamente 25% de incremento en la suma de los diámetros de todas las lesiones. No deben aparecer lesiones nuevas. El término "enfermedad progresiva" (PD, por sus siglas en inglés) se refiere a un incremento mayor que o igual a aproximadamente 25% en el tamaño de por lo menos una lesión mensurable bidimensionalmente (el producto de los diámetros perpendiculares más grande) o unidimensionalmente o la aparición de una lesión nueva. La presentación de efusión pleural o ascitis también se considera como una enfermedad progresiva si existe una citología considerada como positiva. Una fractura patológica o un colapso del hueso no necesariamente es prueba de progreso de la enfermedad. En otra modalidad adicional, la respuesta a tumor general del sujeto para la enfermedad mensurable unidimensionalmente y bidimensionalmente se determina de acuerdo con la tabla 1.

Tabla 1. Respuesta general al tumor del sujeto La respuesta general al tumor de un sujeto para una enfermedad no mensurable se puede determinar, por ejemplo, en las siguientes situaciones: a) Respuesta completa general: si está presente una enfermedad no mensurable, si desaparece completamente. De otra manera, no se puede considerar al sujeto como un "paciente quien responde de manera completa y general". b) Progreso general: en el caso de un incremento significativo en el tamaño de la enfermedad no mensurable o la aparición de una lesión nueva, la respuesta general será progreso . El resultado clínico también se puede determinar por otros criterios. Por ejemplo, el resultado clínico se puede medir por TTP o TTD. TTP se refiere al intervalo desde la fecha del inicio del tratamiento terapéutico hasta el primer día de medición de enfermedad progresiva. TTD se relaciona con el intervalo desde la fecha de inicio del tratamiento terapéutico hasta el momento de muerte o registrado por lo menos hasta la fecha en que se sabía que se encontraba vivo . Los pacientes con tumores sólidos se pueden clasificar en base en sus resultados clínicos respectivos. Los pacientes con tumores sólidos también se pueden clasificar utilizando métodos de determinación de riesgo clínico tradicional. En muchos casos, estos métodos de determinación de riesgo utilizan numerosos factores de pronóstico para clasificar pacientes en diferentes grupos de pronóstico o de riesgo. Uno, por ejemplo, es la determinación de riesgo de Motzer para RCC, descrito por Motzer, et al., J CLIN ONCOL, 17:2530-2540 (1999). Los pacientes en diferentes grupos de riesgo pueden tener respuestas diferentes a un tratamiento.

En muchos casos, las muestras de sangre periféricas utilizadas para la identificación de los genes de pronóstico son las muestras de "valor inicial" o "antes del tratamiento". Estas muestras se aislan de pacientes respectivos antes del tratamiento terapéutico y se pueden utilizar para identificar genes cuyos perfiles de valores iniciales de expresión en sangre periférica se relacionen con el resultado del paciente en respuesta al tratamiento. Las muestras de sangre periférica aisladas en otras etapas de tratamiento o enfermedad también se pueden utilizar para identificar genes para el pronóstico de tumores sólidos. En la presente invención se pueden utilizar una diversidad de tipos de muestras de sangre periférica. En una modalidad, las muestras de sangre periférica son muestras de sangre completa. En otra modalidad, las muestras de sangre periférica comprenden PBMC enriquecidos. Mediante el término "enriquecido" se quiere indicar que el porcentaje de PBMC en la muestra es mayor que en sangre completa. En algunos casos, el porcentaje de PBMC en una muestra enriquecida es por lo menos 1, 2, 3, 4, 5 o más veces mayor que en la sangre completa. En algunos casos, el porcentaje de PBMC en una muestra enriquecida es de por lo menos 90%, 95%, 98%, 99%, 99.5% o mayor. Se pueden preparar muestras de sangre que contengan PBMC enriquecidos utilizando cualquier método conocido en la técnica tal como la centrifugación de gradientes por Ficoll o CPT (tubos de purificación de células) . Se puede evaluar la relación entre los perfiles de expresión de gen de sangre periférica y el resultado del paciente mediante la utilización de análisis de expresión de gen global. Los métodos adecuados para este propósito incluyen, pero no se limitan a arreglos de ácido nucleico (tales como arreglos de ADNc o de oligonucleótidos) , electroforesis bidimensional en SDS-gel de poliacrilamida/espectrometría de masas u otras técnicas de detección de nucleótidos o polipéptidos de alto rendimiento. Los arreglos de ácidos nucleicos permiten la detección cuantitativa de los niveles de expresión de una gran cantidad de genes a la vez. Los ejemplos de arreglos de ácido nucleico incluyen, pero no se limitan a los microarreglos Genechip1 de Affymetrix (Santa Clara, CA) , microarreglos de ADNc de Agilent Technologies (Palo Alto, CA) , y arreglos de esferas descritos en la patente de E.U.A. números 6,288,220 y 6,391,562. Los polinucleótidos que se van a hibridizar con un arreglo de ácido nucleico se pueden marcar con una o más porciones de marcado para permitir la detección de complejos de polinucleótidos hibridizados. Las porciones de marcado pueden incluir composiciones que son detectables por medios espectroscópicos, fotoquímicos, bioquímicos, bioelectrónicos, inmunoquímicos, eléctricos, ópticos o químicos. Las porciones de marcado ejemplares incluyen radioisótopos, compuestos quimioluminiscentes, proteínas de unión marcadas, átomos de metales pesados, marcadores espectroscópicos tales como marcadores fluorescentes y colorantes, marcas magnéticas, enzimas unidas, etiquetas de espectrometría de masas, marcas de giro, donadores y aceptores de transferencia de electrones, y similares. También se pueden utilizar polinucleótidos no marcados. Los polinucleótidos pueden ser ADN, ARN o una forma modificada de los mismos. Las reacciones de hibridación se pueden llevar a cabo en formatos de hibridación absolutos o diferenciales. En el formato de hibridación absoluto se hibridizan polinucleótidos derivados de una muestra, tales como los PBMC de un paciente en una clase de resultado seleccionado, a las sondas sobre un arreglo de ácido nucleico. Las señales detectadas después de la formación de los complejos de hibridación se relacionan con los niveles de polinucleótidos en la muestra. En el formato de hibridación diferencial, los polinucleótidos derivados de dos muestras biológicas, tales como una de un paciente en una primera clase de resultado y la otra de un paciente en una segunda clase de resultado, se marcan con porciones de marcado diferentes. Se agrega a un arreglo de ácido nucleico una mezcla de estos polinucleótidos marcados de manera diferente. Después se examina en arreglo de ácido nucleico bajo condiciones en las cuales son detectables individualmente las emisiones de las dos marcas diferentes. En una modalidad se utilizan los fluoróforos Cy3 y Cy5 (Amersham Pharmacia Biotech, Piscataway N.J.) como las porciones de marcado para el formato de hibridación diferencial . Las señales recuperadas de un arreglo de ácido nucleico se pueden analizar utilizando programas disponibles comercialmente tales como aquellos proporcionados por Affymetrix o Agilent Technologies. Se pueden incluir en los experimentos de hibridación controles tales como sensibilidad de exploración, marcado de sonda y cuantificación de ADNc/ARNc. En muchas modalidades, las señales de expresión del arreglo de ácido nucleico se incrementan o normalizan antes de someterse a análisis adicional. Por ejemplo, las señales de expresión para cada gen se pueden normalizar para tomar en consideración variaciones en las intensidades de hibridación cuando se utiliza más de un arreglo bajo condiciones de pruebas similares. Las señales para la hibridación compleja polinucleotídica individual también se pueden normalizar utilizando las intensidades derivadas de controles de normalización internos contenidas en cada arreglo. Además, los genes con niveles de expresión relativamente consistentes en las muestras se pueden utilizar para normalizar los niveles de expresión de otros genes. En una modalidad, los niveles de expresión de los genes se normalizan a través de las muestras de manera que la media sea cero y la desviación estándar sea uno. En otra modalidad, los datos de expresión detectados por arreglos de ácido nucleico se someten a un filtro de variación el cual excluye genes que muestren variación mínima o insignificante en todas las muestras. Los datos de expresión de genes recolectados de arreglos de ácidos nucleicos se pueden relacionar con el resultado clínico utilizando una diversidad de métodos. Los métodos de relación adecuados incluyen, pero no se limitan a métodos estadísticos (tal como la relación de clasificación de Spearman, el modelo de regresión de peligro proporcional de Cox, la prueba ANOVA/t u otras pruebas de clasificación adecuadas o modelos de supervivencia) y la métrica de relación basada en clase (tal como el análisis del vecino más cercano) . En una modalidad, los pacientes con un tumor sólido específico se dividen en por lo menos dos clases, en base en sus estratificaciones clínicas. La relación entre la expresión de un gen en sangre periférica (por ejemplo los perfiles de expresión de genes en PBMC) y el resultado clínico se analizan por un grupo supervisado o un algoritmo de aprendizaje. Los algoritmos ejemplares de agrupamiento supervisado o aprendizaje incluyen, pero no se limitan a análisis del vecino más cercano, máquinas de vector de soporte, el método SAM, redes neurales artificiales y SPLASH. Bajo los algoritmos supervisados, el resultado clínico de cada clase de pacientes se conoce o es determinable. Se pueden identificar genes que se expresan de manera diferencial en células de sangre periférica (por ejemplo PBMC) de una clase de pacientes en comparación con otra clase de pacientes. En muchos casos, los genes identificados de esta manera se relacionan sustancialmente con una distinción de clase entre las dos clases de pacientes. Los genes identificados de esta manera se pueden utilizar como marcadores sustitutos para predecir el resultado clínico del tumor sólido en un paciente de interés. En otra modalidad, los pacientes con un tumor sólido especificado se dividen en por lo menos dos clases en base en sus perfiles de expresión de gen en sangre periférica. Los métodos adecuados para este propósito incluyen algoritmos de agrupamiento no supervisados tales como los mapas autoorganizados (SOM, por sus siglas en inglés) , k-medio, análisis de componente principal y agrupamiento jerárquico. Un número sustancial (por ejemplo por lo menos 50%, 60%, 70%, 80%, 90% o más) de pacientes en una clase pueden tener un primer resultado clínico y un número sustancial de pacientes en otra clase pueden tener un segundo resultado clínico. Se pueden identificar los genes que se expresan de manera diferencial en las células de sangre periférica de una clase de pacientes en relación con otra clase de pacientes. Estos genes también son genes de pronóstico para el tumor sólido. En un ejemplo, los pacientes con un tumor sólido especificado se pueden dividir en tres o más clases en base en sus estratificaciones clínicas o los perfiles de expresión del gen en sangre periférica. La métrica de relación de clases múltiples se puede utilizar para identificar genes que se expresan de manera diferencial en estas clases. La métrica de relación de clases múltiples ejemplar incluye, pero no se limita a aquellas utilizadas por el programa GeneCluster 2 proporcionado por MIT Center for Genome Research at Whitehead Institute (Cambridge, MA) . En una modalidad adicional, se utiliza el análisis de vecino más cercano (también conocido como análisis de cercanía) para analizar los datos de expresión de genes recuperados de arreglos de ácido nucleico. El algoritmo para análisis de cercanía se describe en Golub, et al . , SCIENCE, 286:531-537 (1999), Slonim, et al . , PROCS . OF THE FOURTH ANNUAL INTERNATIONAL CONFERENCE ON COMPUTATIONAL MOLECULAR BIOLOGY, Tokio, Japón, abril 8-11, p263-272 (2000), y en la patente de E.U.A. número 6,647,341, la totalidad de las cuales se incorpora en la presente como referencia. De acuerdo con una versión del análisis de cercanía, el perfil de expresión de cada gen se puede representar por un vector de expresión g = (ei, e2, e3, ... en) , en donde ei corresponde al nivel de expresión de un gen "g" en la muestra i-ésima. Se puede representar una distinción de clase por un patrón de expresión idealizado c = (ci, c2, c3, ... , cn) , en donde c-. = 1 o -1, dependiendo de si la muestra i-ésima se aisla de la clase 0 o la clase 1. La clase 0 puede incluir pacientes que tienen un primer resultado clínico y la clase 1 incluye pacientes que tienen un segundo resultado clínico. También se pueden utilizar otras formas de distinción de clases. Típicamente, una distinción de clases representa un patrón de expresión idealizado en donde el nivel de expresión de un gen es uniformemente alto para muestras en una clase y uniformemente bajo para muestras en la otra clase. La relación entre el gen "g" y la distinción de clases se puede medir mediante una clasificación de señal a ruido : P(g,c) = [µ?(g) - µ2(g)][s1(g) + s2(g)] en donde µ?(g) y µ2(g) representan las medias de los niveles de expresión transformados logarítmicamente del gen "g" en la clase 0 y la clase 1, respectivamente, y s?(g) y s2(g) representa la desviación estándar de los niveles de expresión transformados logarítmicamente del gen "g" en la clase 0 y la clase 1, respectivamente. Un valor absoluto superior de la calificación señal a ruido indica que el gen se expresa de manera más alta en una clase que en otra. En un ejemplo, las muestras utilizadas para derivar las calificaciones señal a ruido comprenden los TBMC enriquecidos o purificados y por lo tanto la calificación señal a ruido P(g,c) representa una relación entre la distinción de clase y el nivel de expresión del gen "g" en los PBMC. La relación entre el gen "g" y la distinbción de clase también se puede medir por otros métodos tal como el coeficiente de relación de Pearson o la distancia euclidiana, como se aprecia por aquellos expertos en la técnica. Se puede evaluar la importancia de la relación entre los perfiles de expresión del gen en sangre periférica y la distinción de clase utilizando una prueba de permutación aleatoria. Una alta densidad inusual de genes dentro de la cercanía de distinción de clase, en comparación con patrones aleatorios, sugiere que muchos genes tienen patrones de expresión que se relacionan de manera significativa con la distinción de clase. La relación entre los genes y la distinción de clase se puede observar diagramáticamente a través de una gráfica de análisis de cercanía en la cual el eje de las ordenadas representa el número de genes dentro de diversas vecindades alrededor de la distinción de clase y el eje de las abcisas indica el tamaño de la vecindad (es decir, P(g,c)). Las curvas muestran diferentes niveles de significancia para un número de genes dentro de vecindades correspondientes de distinciones de clase permutadas aleatoriamente las cuales se pueden incluir en la gráfica. En muchas modalidades, los genes de pronóstico utilizados en la presente invención se relacionan sustancialmente con una distinción de clase entre dos clases de resultados. Por ejemplo, los genes de pronóstico utilizados en la presente invención pueden estar por encima del nivel de significancia mediano en la gráfica de análisis de vecindad. Esto significa que la medida de relación P(g,c) para cada gen de pronóstico es tal que el número de genes en la vecindad de la distinción de clase que tenga el tamaño de P(g,c) es mayor que el número de genes con las vecindades correspondientes de distinciones de clase permutadas aleatoriamente en el nivel de significancia de mediana. Como otro ejemplo, los genes de pronóstico utilizados en la presente invención pueden estar por encima de 10%, 5%, 2% o 1% del nivel de significancia. Como se utiliza en la presente, un nivel de significancia de x% significa que x% de los vecinos aleatorios contienen tantos genes como la vecindad real alrededor de la distinción de clase. Los elementos de predicción de clase se pueden construir utilizando los genes de pronóstico de la presente invención. Esta clase de elementos de predicción son útiles para determinar una pertenencia de clase a un paciente de interés con un tumor sólido. En una modalidad, los genes de pronóstico en un elemento de predicción de clase se limitan a aquellos que se muestra están relacionados de manera significativa con la distinción de clase por la prueba de permutación, tales como aquellos que se encuentran por encima del nivel de significancia de 1%, 2%, 5%, 10%, 20%, 30%, 40% o 50%. En otra modalidad, el nivel de expresión de cada gen de pronóstico en un elemento de predicción de clase es sustancialmente mayor o sustancialmente menor en los PBMC de una clase de pacientes que en otra clase de pacientes. En una modalidad adicional, los genes de pronóstico en un elemento de predicción de clase tienen valores absolutos superiores de P(g,c). En otra modalidad adicional, el valor p bajo la prueba t de Student (por ejemplo la distribución de dos colas, variación diferente de dos muestras) para cada gen de pronóstico en un elemento de predicción de clase es no mayor de 0.05, 0.01, 0.005, 0.001, 0.0005, 0.0001 o menor. El valor p sugiere la significancia estadística de la diferencia entre el perfil de expresión de los PBMC de un gen de pronóstico en una clase de pacientes y el de otra clase de pacientes. Valores p menores indican una mayor significancia estadística para las diferencias observadas entre las diferentes clases de pacientes con tumor sólido de RCC. También se puede utilizar el método SAM para relacionar los perfiles de expresión de gen en sangre periférica con las clases de resultado clínico. De esta manera, el método de análisis de predicción de microarreglos (PAM) se puede utilizar para identificar conjuntos de genes que caractericen mejor una clase de resultado predefinido y que predigan la pertenencia a la clase de muestras nuevas. Véase Tibshirani, et al . , PROC. NATL. ACAD. SCI, U.S.A., 99:6567-6572 (2002) . En muchas modalidades, un elemento de predicción de clase de la presente invención tiene por lo menos 50% de precisión de predicción bajo la validación cruzada de dejar uno fuera, la validación cruzada de 10 veces, o la validación cruzada de 4 veces. En una validación típica de cruce de k veces, los datos se dividen en k subgrupos de tamaño aproximadamente igual. El modelo se analiza k veces, cada vez dejando uno de los subconjuntos para entrenamiento y utilizando el subconjunto omitido como las muestras de prueba para calcular el error de predicción. Si k es igual al mismo tamaño de muestra, se vuelve una validación cruzada de dejar uno fuera. En muchos casos, un elemento de predicción de clase de la presente invención tiene una precisión de por lo menos 60%, 70%, 80%, 90%, 95% o 99% bajo la validación cruzada de dejar uno fuera, validación cruzada de 10 veces, o validación cruzada de cuatro veces. Otra métrica de correlación basada en clase o métodos estadísticos también se pueden utilizar para identificar genes de pronóstico cuyos perfiles de expresión en muestras de sangre periférica se relacionan con el resultado clínico de pacientes con tumor sólido. Muchos de esto métodos se pueden llevar a cabo utilizando programas públicos o comerciales. Otros métodos capaces de identificar los genes de pronóstico de tumor sólido incluyen, pero no se limitan RTPCR, Northern Blot, hibridación in situ e inmunoensayos tales como ELISA, RÍA o Western Blot. Estos genes se expresan diferencialmente en células de sangre periférica (por ejemplo PBMC) de una clase de pacientes en relación a otra clase de pacientes. En muchos casos, el nivel de expresión promedio en sangre periférica de cada uno de estos genes en una clase de pacientes es estadísticamente diferente que en otra clase de pacientes. Por ejemplo, el valor p bajo una prueba de significancia estadística apropiada (por ejemplo prueba t de Student) para la diferencia observada puede ser no mayor de 0.05, 0.01, 0.005, 0.001, 0.0005, 0.0001 o menos. En muchos otros casos, cada gen de pronóstico identificado de esta manera tiene una diferencia de por lo menos 2, 3, 4, 5, 10 ó 20 veces en el nivel de expresión promedio en PBMC entre una clase de pacientes y otra clase de pacientes. Los genes de pronóstico para mostrarse enfermedades no sanguíneas se pueden identificar de manera similar de acuerdo con la presente invención, en donde la relación entre los perfiles de expresión en sangre periférica de estos genes y el resultado del paciente es estadísticamente significativa. Los patrones de expresión en sangre periférica de estos genes de pronóstico por lo tanto son indicativos del resultados clínico de pacientes que tienen estas enfermedades no sanguíneas .

II . Identificación de los Genes de Pronóstico de RCC Utilizando Microarreglos HG-U133A RCC comprende la mayor parte de todas las clases de cáncer renal y es uno los diez cánceres más comunes en países industrializados, que constituye 2% de los cánceres malignos adultos y 2% de las muertes relacionadas con cáncer. Se han desarrollado varios factores de pronóstico e índice de calificación para pacientes a quienes se les diagnostica con RCC, tipificados por determinaciones de variables múltiples de varios indicadores clave. Como un ejemplo, un sistema de calificación de pronóstico utiliza cinco factores de pronóstico propuestos por Motzer et al . , J Clin Oncol, 17:2530-2540 (1999) - específicamente, el estado de desempeño de Karnofsky, lactato deshidrogenasa sérica, hemoglobina, calcio sérico y presencia/ausencia de nefrectomía previa. La presente invención se identifica los genes de pronóstico de RCC cuyos perfiles de expresión en sangre periférica se relacionan con el resultado del paciente en el tratamiento con CCI-779. El inhibidor de mTOR citostático, CCI-779, se evalúa en pacientes RCC para determinar su efecto anticancerígeno. Se recolectan PBMC antes del tratamiento con CCI-779 en arreglos oligonucleotídicos (HG-U133A, Affymetrix, Santa Clara, CA, E.U.A.) con el fin de determinar si las células mononucleares de pacientes con RCC poseen patrones de transcripción que sirvan como elementos de predicción del resultado del paciente. Se aislan los PBMC antes del tratamiento con CCI-779 de sangre periférica de 45 pacientes con RCC avanzada (18 mujeres y 27 hombres) que participan en un estudio de ensayo clínico de fase dos. Se recibe con consentimiento informado escrito para la porción farmacogenómica del estudio clínico para todos los individuos y se aprueba el proyecto por el Institutional Review Boards local en los sitios de las clínicas participantes. Los tumores RCC de pacientes se clasifican en los sitios clínicos como carcinomas (24) convencionales (células claras) granulares (1), papilares (3) o de subtipos (7) mixtos. Diez tumores se clasifican como desconocidos . Los pacientes con RCC son principalmente descendientes caucásicos (44 caucásicos, 1 africano-americano) y presentan una edad media de 58 años (intervalo de 40 - 78 años) . Los criterios de inclusión incluyen pacientes con cáncer renal avanzado confirmado histológicamente quienes han recibido tratamiento previo para edad avanzada o quienes no han recibido tratamiento anterior para enfermedad avanzada pero que no son candidatos apropiados para recibir dosis altas de tratamiento con IL-2. Otros criterios de inclusión incluyen a pacientes con: (1) pruebas mensurables bidimensionalmente de enfermedad; (2) pruebas de progreso de la enfermedad antes de entrar al estudio; (3) una edad de 18 años o mayor; (4) ANC > 1500 /µl, plaquetas > 100,000/µl y hemoglobina > 8.5 g/dL; (5) función renal adecuada que se vuelve evidente por creatinina sérica < 1.5 x límite superior del normal; (6) función hepática adecuada que se vuelve evidente por bilirrubina < 1.5 x de límite superior de lo normal y AST < 3x del límite superior de lo normal (o AST < 5x de límite superior de lo normal si están presentes metástasis hepáticas); (7) colesterol en suero < 350 mg/dL, triglicéridos < 300 mg/dL; (8) estado 0-1 de desempeño ECOG y (9) una esperanza de vida de por lo menos 12 semanas. Los criterios de exclusión incluyen a pacientes quienes presentan: (1) la presencia de metástasis conocida en el SNC; (2) cirugía o radioterapia dentro de las siguientes 3 semanas al inicio de la dosificación; (3) quimioterapia o tratamiento biológico para RCC dentro de las siguientes 4 semanas al inicio de la dosificación;: (4) tratamiento con un agente de investigación anterior dentro de las 4 semanas al inicio de la dosificación; (5) estado inmunodañado que incluye a aquellos que se conocen como VIH positivos o que reciben uso concurrente de agentes inmunosupresores que incluyen corticosteroides; (6) infecciones activas; (7) tratamiento necesario por terapia anticonvulsiva; (8) presencia de angina inestable/infarto al miocardio dentro de los 6 meses/tratamiento en proceso de arritmia que ponga en peligro la vida; (9) antecedentes de un cáncer maligno anterior en los últimos 3 años; (10) hipersensibilidad a antibióticos macrólidos; y (11) embarazo o cualquier otra enfermedad que pueda incrementar sustancialmente el riesgo relacionado con la participación en el estudio. Estos pacientes con RCC avanzada se tratan con una de 3 dosis de CCI-779 (25 mg, 75 mg o 250 mg) administrada como infusión intravenosa (IV) durante 30 minutos una vez a la semana durante la duración del ensayo. El medicamento CCI-779 es un análogo de éster de inmunosupresor de rapamicina y como tal es un inhibidor selectivo potente del objetivo de mamífero de rapamicina. El objetivo de mamífero de rapamicina (mTOR) activa vías de señalización múltiples que incluyen fosforilación de p70s6 cinasa, lo que resulta en un aumento en la traducción de los ARNm TOP 5' que codifican para proteínas involucradas en la traducción y la entrada en la fase Gl del ciclo celular. En virtud de sus efectos inhibidores de mTOR y el control en el ciclo celular, CCI-779 funciona como un agente citostático e inmunosupresor. La clasificación clínica y el tamaño de enfermedades residuales, recurrentes o metastásicas se registran antes del tratamiento y cada 8 semanas después del inicio del tratamiento con CCI-779. Se mide el tamaño del tumor en centímetros y se reporta como el producto del diámetro más grande y su perpendicular. La enfermedad mensurable se define como una lesión mensurable bidimensionalmente en donde ambos diámetros > 1.0 cm por exploración CT, rayos X o palpación. La respuesta del tumor se determina por los productos de todas las lesiones mensurables. Las categorías para asignación de la respuesta clínica se proporcionan por la definición de protocolo clínico (es decir, enfermedad progresiva, enfermedad estable, respuesta menor, respuesta parcial y respuesta completa) . La categoría para asignación de pronóstico bajo la determinación de riesgo de Motzer (favorable vs intermedio vs pobre) también se utiliza. Entre los 45 pacientes con RCC, a 6 se les asigna una determinación de riesgo favorable, 17 pacientes presentan una calificación de riesgo intermedio y 22 pacientes reciben una clasificación de pronóstico pobre. Además de las clasificaciones por categoría, también se monitorearon como criterios de valoración clínicos la supervivencia total y el tiempo para progreso de la enfermedad. Las muestras de valor inicial se aisla de 45 pacientes con RCC antes del tratamiento con CCI-779. De las 45 muestras de valores iniciales, 42 hibridizan con los chips de gen HG-U133A, de acuerdo con los lineamientos del fabricante. Véase GeneChip1^ Expresión Analysis Technical Manual (Part No. 701021 Rev. 3, Affymetrix, Inc. 1999-2002), cuyo contenido completo se incorpora en la presente como referencia. Se calculan las señales a partir de las intensidades de sonda por el algoritmo MAS 5 y se convierten las intensidades de señal a frecuencias utilizando el método de normalización de frecuencia de escala como se describe en los ejemplos. Todos los perfiles PBMC hibridizados a los chips de gen U133A se dividen en categorías en base en las estratificaciones clínicas de TTP de 106 días o TTD de años de duración. Varios procedimientos de validación cruzada, que incluyen la validación cruzada de dejar uno fuera, la validación cruzada de diez múltiplos y la validación cruzada de cuatro múltiplos se utilizan con el fin de determinar la precisión de la asignación de clase. Se utiliza un algoritmo de vecinos más cercanos para generar clasificaciones de gen de tamaño en incremento los cuales se evalúan por los diversos enfoques de validación cruzada. Se identifican los clasificadores que proporcionan la mayor precisión de asignación de clase por cada uno de los 3 enfoques de validación cruzada. Específicamente, los clasificadores consisten de genes que se seleccionan de las tablas 2 ó 3 se construyen y evalúan para precisión de predicción por los 3 métodos de validación cruzada. En la tabla 4 se ilustran ejemplos de estos clasificadores. Se evalúan los clasificadores 1-7 para discriminación de pacientes con una supervivencia corta (menor a 365 días) versus más prolongada (mayor de 365 días) y se determinan los clasificadores 8-21 para discriminación de pacientes con TTP corta (menor de 106 días) versus más prolongada (mayor de 106 días) . Para ambas estratificaciones clínicas, los tres enfoques de validación cruzada proporcionan precisiones similares de asignación de clase. Los resultados de los análisis de validación cruzada de las 42 muestras de PBMC hibridizadas a los chips U133A para clasificación en base en la supervivencia de un año de duración se muestran en las figuras 1A-1C, y para clasificación en base a TTP de 3 meses, en las figuras 2A-2C. Algunas secuencias de transcripción en los clasificadores de gen basado en el conjunto de entrenamiento de muestra sintetizada con los chips HG-U95A Affymetrix (véase, por ejemplo, las tablas 20 y 21 en la Solicitud de Patente de E.U.A. No. de Serie 10/834,114) también están presentes en las tablas 2 y 3 (por ejemplo proteína cinasa C delta que se relaciona fuertemente con TTP a corto plazo y la proteína MD-2 que se relaciona fuertemente con una supervivencia más corta) .

Tabla 2. Genes para Discriminación de Pacientes que Experimentan una Supervivencia Corta (Menor de un Año) versus más Prolongada (mayor de un Año) O Tabla 3. Genes para Discriminación de Pacientes que Experimentan TTP Corto (Menos de 106 Días) vs más Prolongado (Menos de 106 Días) 15 Tabla 4. Ejemplos de clasificadores 15 L? Los niveles de expresión en los PBMC antes del tratamiento de los genes en las tablas 2 y 3 se relacionan, y por lo tanto son elementos de predicción de la supervivencia o tiempo de progreso en pacientes con RCC, respectivamente. Como se utiliza en las tablas 2 y 3, un gen "se relaciona" con una clase de pacientes en el nivel de expresión de PBMC promedio del gen en esa clase de pacientes si es mayor que en la otra clase de pacientes. Por ejemplo, el nivel de expresión de PBMC promedio del gen FLJ20420 en' la clase de pacientes quienes tienen TTD menor de 365 es mayor que en la clase de pacientes quienes tienen TTD mayor de 365 (véase gen No. 1 en la tabla 2) . Cada elemento de calificación HG-U133A en las tablas 2 y 3 representan un conjunto de sonda oligonucleotídica en el chip de gen HG-U133A. Uno o varios de los transcritos de ARN de un gen identificado por el elemento de calificación HG-U133A puede hibridizar bajo condiciones de hibridación de un arreglo de ácido nucleico para por lo menos una sonda oligonucleotídica (PM o una sonda de coincidencia perfecta) de dicho elemento de calificación. Preferiblemente, uno o más de los transcritos de ARN del gen no hibridiza bajo condiciones de hibridación de arreglo de ácido nucleico con la sonda de malpareamiento (MM) de la sonda PM. Una sonda con un mal pareamiento es idéntica a una sonda PM correspondiente excepto para una sustitución homomérica única en o cerca del centro de la sonda malpareada. Para una sonda PM de 25 unidades, la sonda MM tiene un cambio de base homomérico en la posición 13. En muchos casos, uno o varios de los transcritos de ARN de un gen identificado por el elemento de calificación HG-U133A pueden hibridizar bajo condiciones de hibridación de arreglo de ácido nucleico a por lo menos 50% 50&, 70%, 80%, 90% ó 100% de las sondas PM del elemento de calificación, pero no con las sondas de malpareamiento correspondiente de estas sondas PM. En muchos otros casos, la calificación (R) de discriminación para cada una de estas sondas PM, medida por la relación de la diferencia de intensidad de hibridación del par de sonda correspondiente (es decir, PM - MM) sobre la intensidad de hibridación total (es decir, PM + MM) es no menor de 0.015, 0.02, 0.05, 0.1, 0.2, 0.3, 0.4, 0.5 o mayor. En un ejemplo, uno o varios de los transcritos de ARN del gen, cuando se hibridizan con el chip de gen HG-U133A de acuerdo con las instrucciones del fabricante, produce una llamada "presente" bajo los ajustes implícitos, es decir, el umbral Tau es 0.015 y el nivel de significancia Di es 0.4. Véase GeneChip" Expression Analysis - Data Analysis Fundamental (Part ?o . 701190 Rev. 2, Affymetrix. Inc., 2002), cuyo contenido completo se incorpora en la presente como referencia . La secuencia de cada sonda PM en el chip de gen HG-U133A y la secuencia objetivo correspondiente para la cual se deriva la sonda PM se puede obtener de las bases de datos de secuencia de Affymetrix. Véase, por ejemplo, www. affymetrix. com/support/technical/byproduct . affx?product=h gu!33. La totalidad de las secuencias de sonda PM y las secuencias objetivo correspondientes del chip de gen HG-U133A se incorporan en la presente como referencia. Cada gen incluido en las Tablas 2 y 3 y las identificaciones de unigen correspondiente se identifican de acuerdo con la anotación de chip de gen HG-U133A. Un unigen está constituido de un conjunto no redundante de grupos orientados a gen. Cada grupo de unigen se considera que incluye secuencias que representan un gen único. La información para los genes incluidos en las Tablas 2 y 3 y sus unigenes correspondientes también se pueden obtener de Entrez Gene and Unigene databases at National Center for Biotechnology Information (NCBI) , Behtesda, MD. Además, uno o varios de los genes, de anotaciones de Affymetrix representados por el elemento de calificación HG-U133A también se pueden identificar por búsquedas BLAST de la secuencia objetivo del gen contra una base de datos de secuencia de genoma humano. Las bases de datos de secuencia de genoma humano adecuadas para este propósito incluyen, pero no se limitan a la base de datos del genoma humano de NCBI . NCBI proporciona programas BLAST tal como "blastn", para la búsqueda de sus bases de datos de secuencia. En una modalidad, la búsqueda BLAST de la base de datos de genoma humano NCBI se realiza mediante el uso de un segmento inequívoco (es decir, el segmento inequívoco más grande) de la secuencia objetivo de un elemento de calificación. Uno o varios de los genes representados por el elemento de calificación se identifica como aquel que tenga la identidad de secuencia significativa para que sea un segmento inequívoco. En muchos casos, uno o varios de los genes identificados tiene por lo menos 95%, 96%, 97%, 98%, 99% o más de identidad de secuencia con el segmento inequívoco. Como se utiliza en la presente, los genes identificados por los elementos de calificación en las Tablas 2 y 3 abarca no sólo aquellos que se describen de manera explícita en la presente sino que aquellos que no se incluyen en las Tablas pero que no obstante son capaces de hibridizar con las sondas PM de los elementos de calificación en las tablas. La totalidad de estos genes se pueden utilizar como marcadores biológicos para el pronóstico de RCC y otros tumores sólidos. Los genes o clasificadores que son de pronóstico predictivos de otras estratificaciones clínicamente relevantes se pueden identificar de manera similar mediante la utilización de HG-U133A y el análisis de los vecinos más cercanos u otro algoritmo de agrupamiento/aprendizaje supervisado o no supervisado. De igual manera, la precisión de predicción, la sensibilidad o especificidad para cada clasificador identificado de esta manera se puede evaluar mediante validación de cruza dejando uno fuera o la validación de cruza de múltiplos de . En un ejemplo, se utiliza el algoritmo de k vecinos más cercanos (véase, por ejemplo, Armstrong, et al . , Nature Genetics, 30:41-47 (2002)) para seleccionar y evaluar clasificadores de genes. Como se utilizan en la presente, el término "sensibilidad" se refiere a la relación de llamadas positivas correctas sobre el total de llamadas positivas verdaderas más las llamadas negativas falsas y la "especificidad" se refiere a la relación de llamadas negativas correctas sobre el total de llamadas negativas verdaderas más las llamadas positivas falsas. Como se aprecia por una persona habitualmente experta en la técnica, los genes que son pronósticos o de predicción de estratificaciones clínicas de pacientes que tienen otros tumores sólidos se pueden identificar de manera similar de acuerdo con la presente invención. Los niveles de expresión en sangre periférica de estos genes se relacionan con el resultado clínico de estos pacientes.

III . Pronóstico de RCC u otros tumores sólidos El pronóstico de genes de la presente invención se puede utilizar como marcadores sustitutos para el pronósito de RCC u otros tumores sólidos. Los genes de pronóstico también se pueden utilizar para la selección de tratamientos favorables para pacientes con RCC u otros tumores sólidos. Cualquier tumor sólido o su tratamiento se pueden evaluar de acuerdo con la presente invención. El resultado clínico se puede medir por una diversidad de criterios clínicos que incluyen pero que no se limitan a TTP (por ejemplo menor que o mayor que el período especificado), TTD (por ejemplo menor que o mayor que el período especificado) , enfermedad progresiva, enfermedad no progresiva, enfermedad estable, respuesta completa, respuesta parcial, respuesta menor o una combinación de los mismos. La falta de respuesta a un tratamiento terapéutico también se considera un resultado mensurable. La predicción del resultado típicamente involucra la comparación del perfil de expresión en sangre periférica de uno o más genes de pronóstico en un paciente de interés con tumor sólido (por ejemplo, un paciente RCC) a por lo menos un perfil de expresión de referencia. Cada gen de pronóstico utilizado en la predicción de resultados se expresa de manera diferencial en muestras de sangre periférica de pacientes con tumores sólidos quienes tienen resultados clínicos diferentes. Estos pacientes con tumores sólidos tienen el mismo tumor sólido que el paciente de interés .

En una modalidad, los genes de pronóstico utilizados para la predicción de resultados se seleccionan de manera que el perfil de expresión en sangre periférica de cada gen de expresión, medido por los chips de genes Affymetrix HG-U133A se relacionan con una distinción de clase bajo un análisis de relación en clase (tal como el análisis de vecino más cercano o el método SAM) , en donde la distinción de clase representa un patrón de expresión idealizado de los genes seleccionados en muestras de sangre periférica de pacientes con tumor sólido quienes tienen resultados clínicos diferentes. En muchos casos, los genes de pronóstico seleccionados se relacionan con la distinción de clase por encima de 50%, 25%, 10%, 5% ó 1% de nivel de significancia bajo una prueba de permutación aleatoria. Los genes de pronóstico también se pueden seleccionar de manera que el perfil de expresión promedio de cada gen de pronóstico en muestras de sangre periférica de una clase de pacientes de tumor sólido, medido por los chips de genes Affymetrix HG-U133A es estadísticamente diferente de otra clase de pacientes con tumor sólido. Ambas clases de pacientes tienen el mismo tumor sólido (por ejemplo RCC) que el paciente de interés. Por ejemplo, el valor p bajo la prueba t de Student ' s para la diferencia observada puede ser no mayor de 0.05, 0.01, 0.005 ó 0.001 o menor. Además, los genes del pronóstico se pueden seleccionar de manera que el nivel de expresión de sangre periférica promedio de cada gen de pronóstico en una clase de pacientes es por lo menos 2, 3, 4, 5, 10, ó 20 veces diferente que en otra clase de pacientes . El perfil de expresión del paciente de interés se puede comparar con uno o más perfiles de expresión de referencia. Los perfiles de expresión de referencia se pueden determinar de manera concurrente con el perfil de expresión del paciente de interés. Los perfiles de expresión de referencia también se pueden determinar o se pueden registrar previamente en medios electrónicos u otros tipos de almacenamiento. Los perfiles de expresión de referencia pueden incluir perfiles de expresión promedio o perfiles individuales que representen patrones de expresión de genes de sangre periférica en pacientes particulares. En una modalidad, los perfiles de expresión de referencia incluyen un perfil de expresión promedio de uno o varios genes de pronóstico en muestras de sangre periférica de pacientes de referencia quienes tienen el mismo tumor sólido que el paciente de interés y cuyo resultado clínico es conocido o determinable . Se puede utilizar cualquier método de promediado, tal como la media aritmética, media armónica, promedio de valores absolutos, promedio de valores transformados logarítmicamente o promedio ponderado. En un ejemplo, la totalidad de los pacientes de referencia tienen el mismo resultado clínico. En otro ejemplo, los pacientes de referencia se pueden dividir en por lo menos dos clases, cada clase de paciente tiene un resultado clínico respectivo diferente. El perfil de expresión en sangre periférica promedio en cada clase de pacientes constituye un perfil de expresión de referencia separado y el perfil de expresión del paciente de interés se compara con cada uno de estos perfiles de expresión de referencia. En otra modalidad, los perfiles de expresión de referencia incluyen una pluralidad de perfiles de expresión, cada uno de los cuales representa un patrón de expresión en sangre periférica de uno o varios de los genes de pronóstico, en un paciente particular quien tiene el mismo tumor sólido que el paciente de interés y cuyo resultado clínico es conocido o determinable. También se pueden utilizar otros tipos de perfiles de expresión de referencia en la presente invención. El perfil de expresión del paciente de interés y uno o varios de los perfiles de expresión de referencia se pueden construir de cualquier forma. En una modalidad, los perfiles de expresión comprenden el nivel de expresión de cada gen de pronóstico utilizado en la predicción del resultado. Los niveles de expresión pueden ser absolutos, normalizados o niveles relativos. Los procedimientos de normalización adecuados incluyen, pero no se limitan a aquellos utilizados en el análisis de expresión de arreglo de ácido nucleico o aquellos descritos en Hill, et al . , GENOME Biol, 2 :research0055.1-0055.13 (2001). En un ejemplo, los niveles de expresión se normalizan de manera que la media es cero y la desviación estándar es uno. En otro ejemplo, los niveles de expresión se normalizan en base en controles internos o externos, como se aprecia por aquellos expertos en la técnica. En otro ejemplo adicional, los niveles de expresión se normalizan contra uno o más transcritos control con abundancias conocidas en muestras de sangre. En muchos casos, el perfil de expresión del paciente de interés y uno o varios de los perfiles de expresión de referencia se construyen utilizando metodologías iguales o comparables. En otra modalidad, cada perfil de expresión que se compara comprende una o más relaciones entre los niveles de expresión de genes de pronóstico diferentes. Un perfil de expresión también puede incluir otras medidas que son capaces de representar patrones de expresión de gen. Las muestras de sangre periférica utilizadas en la presente invención pueden ser muestras de sangre completa o muestras que comprendan PBMC enriquecidos. En un ejemplo, las muestras de sangre periférica utilizadas para preparar uno o varios de los perfiles de expresión de referencia comprenden PBM enriquecidos o purificados y la muestra de sangre periférica utilizada para preparar el perfil de expresión en paciente de interés es una muestra de sangre completa. En otro ejemplo, la totalidad de las muestras de sangre periférica utilizadas en la predicción del resultado comprenden PBMC enriquecidos o purificados. En muchos casos, las muestras de sangre periférica se preparan de pacientes de interés y pacientes de referencia utilizando procedimientos iguales o comparables . En la presente invención también se pueden utilizar otros tipos de muestras de sangre con la condición de que exista una relación estadísticamente significativa entre el resultado del paciente y los perfiles de expresión de genes en estas muestras de sangre. Las muestras de sangre periféricas utilizadas en la presente invención se pueden aislar de pacientes respectivos en cualquier etapa de enfermedad o tratamiento, con la condición de que la relación entre los patrones de expresión de genes en estas muestras de sangre periférica y el resultado clínico sea estadísticamente significativo. En muchas modalidades, el resultado clínico se mide por la respuesta del paciente a un tratamiento terapéutico y la totalidad de las muestras de sangre utilizadas en la predicción de resultados se aislan antes del tratamiento terapéutico. Los perfiles de expresión derivados de estas muestras de sangre por lo tanto son los perfiles de expresión de valores iniciales para el tratamiento terapéutico. La construcción de los perfiles de expresión típicamente involucran la detección del nivel de expresión de cada gen de pronóstico utilizado en la predicción del resultado. Están disponibles para este propósito numerosos métodos. Por ejemplo, el nivel de expresión de un gen se puede determinar al medir el nivel de uno o varios transcritos de ARN del gen. Los métodos adecuados incluyen, pero no se limitan a RT-PCT cuantitativo, Northern Blot, hibridación in situ, slot-blotting, ensayo de protección de nucleasa y arreglo de ácido nucleico (que incluye arreglo de esferas) . El nivel de expresión de un gen también se puede determinar al medir el nivel de uno o varios polipéptidos codificados por el gen. Los métodos adecuados incluyen, pero no se limitan a inmunoensayos (tales como ELISA, RÍA, FACS, o Western Blot) , electroforesis en gel bidimensional, espectrometría de masas o arreglo de proteínas. En un aspecto, el nivel de expresión de un gen de pronóstico se determina al medir el nivel de transcrito de ARN del gen en una muestra de sangre periférica. Se puede aislar a AR? de una muestra de sangre periférica utilizando una diversidad de métodos. Los métodos ejemplares incluyen el método de isotiocianato de guanidina/fenol ácido, el reactivo TRIZOL1 (Invitrogen) o Micro-FastTrack* 2.0 o FastTrack^ 2.0 de equipos de aislamiento de AR?m (Invitrogen). El AR? - 5Í aislado puede ser ARN total o ARNm. El ARN aislado se puede amplificar a ADNc o ARNc antes de detección o cuantificación subsecuentes. La amplificación puede ser específica o no específica. Los métodos de amplificación adecuados incluyen, pero no se limitan a PCR de transcriptasa inversa (RT-PCR, por sus siglas en inglés) , amplificación isotérmica, reacción en cadena de ligasa y replicasa Q-ß. En una modalidad, el protocolo de amplificación utiliza transcriptasa inversa. El ARNm aislado puede ser transcrito de manera inversa en ADNc utilizando transcriptasa inversa y un cebador que consiste de oligo d(T) y una secuencia que codifica para el promotor del fago T7. El ADNc producido de esta manera es de cadena sencilla. La segunda cadena del ADNc se sintetiza utilizando una ADN polimerasa, combinada con una ribonucleasa para descomponer el híbrido ADN/ARN. Después de la síntesis del ADNc de cadena doble, se agrega ARN polimerasa T7 y después se transcribe el ARNc de la segunda cadena del ADNc de cadena doble. El ADNc o ARNc amplificado después se detecta o cuantifica por hibridación a sondas marcadas . El ADNc o ARNc también se puede marcar durante el procedimiento de amplificación y después se puede detectar o cuantificar. En otra modalidad, se utiliza RT-PCR cuantitativa (tal como TaqMan, ABI) para detectar o comparar el nivel de transcrito de ARN de un gen de pronóstico de interés. La prueba cuantitativa de RT-PCR involucra transcripción inversa (RT, por sus siglas en inglés) de ARN a ADNc seguido por PCR cuantitativa relativa (RT-PCR, por sus siglas en inglés) . En la PCR, el número de moléculas del ADN objetivo amplificado se incrementa en un factor que se aproxima a dos con cada ciclo de reacción hasta que algún reactivo se vuelve limitante. Posteriormente, la velocidad de amplificación se disminuye cada vez más hasta que no hay un incremento en el objetivo amplificado entre ciclos. Si se elabora una gráfica sobre la cual el número de ciclo está en el eje de las abscisas y el logaritmo de la concentración del ADN objetivo amplificado está sobre el eje de las ordenadas, se puede generar una línea curva de forma característica al conectar los puntos graficados. Comenzando con el primer ciclo, la pendiente de la línea es positiva y constante. Es decir que es una porción lineal de la curva. Después de que ciertos reactivos se vuelven limitantes, la pendiente de la línea comienza a disminuir y finalmente se vuelve cero. En este punto, la concentración del ADN objetivo amplificado se vuelve asintótica a cierto valor fijo. Se afirma que esta es la porción de meseta de la curva. La concentración del ADN objetivo en la porción lineal de la PCR es proporcional a la concentración de inicio del objetivo antes de que comience la PCR. A determinada concentración de los productos de PCR del ADN objetivo en las reacciones de PCR han completado el mismo número de ciclos y que están en sus intervalos lineales, es posible determinar las concentraciones relativas de la secuencia objetivo específica en la mezcla de ADN original. Si las mezclas de ADN son ADNc sintetizados a partir de ARN aislados de diferentes tejidos o células, las abundancias relativas de los ARNm específicos a partir de los cuales se derivan las secuencias objetivo se pueden determinar por los tejidos o células respectivos. Esta proporcionalidad directa entre la concentración de los productos de PCR y las abundancias relativas de ARNm es válida en la porción de intervalo lineal de la reacción de PCR. La concentración final de ADN objetivo en la porción de meseta de la curva se determina por la disponibilidad de reactivo en la mezcla de reacción y es independiente de la concentración original del ADN objetivo. Por lo tanto, en una modalidad, el muestreado y cuantificación de los productos de PCR amplificados se lleva a cabo cuando las reacciones de PCR están en la porción lineal de sus curvas. Además, las concentraciones relativas de los ADNc amplificables se pueden normalizar para cierto estándar independiente, el cual se puede basar ya sea en especies de ARN existentes internas o especies de ARN introducidas externamente. La abundancia de una especie de ARNm en particular también se puede determinar en relación a la abundancia promedio de todas las especies de ARNm en la muestra . En una modalidad, la amplificación por PCR utiliza estándares de PCR internos que son aproximadamente tan abundantes como el objetivo. Esta estrategia es eficaz si los productos de las amplificaciones de PCR se muestren durante sus fases lineal. Si los productos se muestrean cuando las reacciones se aproximan a la fase de meseta, entonces el producto menos abundante se vuelve relativamente sobrerrepresentado . Las comparaciones de las abundancias relativas realizadas para muchas muestras de ARN diferentes como en el caso en el que se examinan muestras de ARN para expresión diferencial se pueden distorsionar de manera tal que hagan las diferencias en las abundancias relativas de los ARN que aparezcan menores de lo que en realidad son. Esto se puede mejorar si el estándar interno es mucho más abundante que el objetivo. Si el estándar interno es más abundante que el objetivo, entonces se pueden realizar comparaciones lineales directas entre las muestras de ARN. Un problema inherente en muestras clínicas es que son capaces de cantidad o calidad variables. Este problema se puede resolver si la RT-PCR se realiza como una RT-PCR cuantitativa relativa con un estándar interno en el cual el estándar interno es un fragmento de ADNc amplificable que es más grande que el fragmento de ADNc objetivo y en el cual la abundancia del ARNm que codifica para el estándar interno de manera aproximadamente es 5-100 veces mayor que el ARNm que codifica para el objetivo. Este ensayo mide la abundancia relativa, no la abundancia absoluta de las especies de ARNm respectivas. En otra modalidad, la RT-PCR cuantitativa relativa utiliza un protocolo estándar externo. Bajo este protocolo, los productos de PCR se muestrean en la porción lineal de sus curvas de amplificación. El número de ciclo de PCR que son óptimos para el muestreado se puede determinar empíricamente para cada fragmento de ADNc objetivo. Además, los productos de transcriptasa inversa de cada población de ARN aislados de las diversas muestras se pueden normalizar para concentraciones iguales de los ADNc ampli f icables . Aunque la determinación empírica de un intervalo lineal de la curva de amplificación y la normalización de las preparaciones de ADNc es un procedimiento tedioso y que consume tiempo, en algunos casos, los ensayos de RT-PCR resultantes pueden ser superiores a aquellos derivados de una RTPCR cuantitativa relativa con un estándar interno. En otra modalidad adicional, se utilizan arreglos de ácido nucleico (que incluyen arreglos de esferas) para detectar o comparar los perfiles de expresión de un gen de interés de pronóstico. Los arreglos de ácido nucleico pueden ser oligonucleótidos comerciales o arreglos de ADNc. También pueden ser arreglos adaptados que comprenden sondas concentradas para genes de pronóstico de la presente invención. En muchos ejemplos, por lo menos 15%, 20%, 25%, 30%, 35%, 40%, 45%, 50% o más de las sondas totales en un arreglo que ha sido adaptado de la presente invención son sondas para RCC u otros genes de pronóstico de tumor sólido. Estas sondas pueden hibridizar bajo condiciones de hibridación de arreglo riguroso o de ácido nucleico de los transcritos de ARN, o los complementos de los mismos de los genes de pronóstico correspondientes. Como se utiliza en la presente, las "condiciones rigurosas" son por lo menos tan rigurosas como, por ejemplo, las condiciones G-L que se muestran en la tabla 5. Las "condiciones altamente rigurosas" son por lo menos tan rigurosas como las condiciones A-F que se muestran en la tabla 5. La hibridación se lleva a cabo bajo las condiciones de hibridación (temperatura de hibridación y amortiguador) durante aproximadamente cuatro horas, seguido por dos lavados de 20 minutos bajo las condiciones de lavado correspondientes (temperatura de lavado y amortiguador) .

Tabla 5. Condiciones de Rigurosidad 1 : La longitud del híbrido es la que se anticipa para una o varias regiones hibridizadas de los polinucleótidos hibridizantes . Cuando se hibridiza un polinuecleótido a un polinucleótido objetivo de secuencia desconocida, se supone que la longitud del híbrido es la del polinucleótido hibridizante . Cuando se hibridizan polinucleótidos de secuencia conocida, la longitud del híbrido se puede determinar al alinear las secuencias de los polinucleótidos e identificar una o varias de las regiones de complementariedad de secuencia óptima. H: SSPE (lx SSPE es NaCl 0.15M, NaH2P0 10 mM y EDTA 1.25 mM, pH 7.4) que puede ser sustituido por SSC ( lx SSC es NaCl 0.15M y citrato de sodio 15 mM) en los amortiguadores de hibridación y de lavado. TB* - TR* : La temperatura de hibridación de los híbridos anticipada que es menor de 50 pares de bases de longitud debe ser 5-10°C menor que la temperatura de fusión (Tm) del híbrido en donde Tm se determina de acuerdo con las siguientes ecuaciones. Para híbridos de menos de 18 pares de bases de longitud, Tm (°C) = 2 (# de bases A + T) + 4 ( # de bases G + C) . Para híbridos entre 18 y 49 pares de bases de longitud, Tm (°C) = 81.5 + 16.6 (log?0[Na+]) + 0.41(%G + C) -(600/N) , en donde N es el número de bases en el híbrido y [Na+] es la concentración molar de iones sodio en el amortiguador de hibridación ( [Na+] para lx SSC = 0.165 M) . En un ejemplo, el arreglo de ácido nucleico de la presente invención incluye por lo menos 2, 5, 10 o más sondas diferentes. Cada una de estas sondas es capaz de hibridizar bajo condiciones rigurosas o de hibridación de ácido nucleico con un gen de pronóstico diferente de la presente invención. Se pueden utilizar sondas múltiples para el mismo gen de pronóstico en el mismo arreglo de ácido nucleico. La densidad de la sonda en el arreglo puede estar en cualquier intervalo. Las sondas para un gen de pronóstico de la presente invención pueden ser ADN, ARN, PNA o una forma modificada de los mismos. Los residuos nucleotídicos en cada sonda pueden ser residuos que se encuentran de manera natural (tal como desoxiadenilato, desoxicitidilato, desoxiguanilato, desoxitimidilato, adenilato, citidilato, guanilato y uridilato) o análogos producidos de manera sintética que son capaces de formar las relaciones pares de bases deseadas. Los ejemplos de estos análogos incluyen, pero no se limitan a los análogos de aza y desaza pirimidina, los análogos de aza y desaza purina y otros análogos de base heterocíclica en donde uno o más de los átomos de carbono y nitrógeno de los anillos de purina y pirimidina están sustituidos por heteroátomos tales como oxígeno, azufre, selenio y fósforo. De manera similar, las estructuras principales polinucleotídicas de las sondas pueden ser las que se encuentren de manera natural (tales como a través de un enlace 5' ó 3') o modificadas. Por ejemplo, las unidades nucleotídicas se pueden conectar vía un enlace no típico tal como un enlace 5' a 2' en la medida en que el enlace no interfiera con la hibridación. Como otro ejemplo, los ácidos nucleicos peptídicos, los cuales las bases constitutivas están unidas por enlaces peptídicos en vez de enlaces fosfodiéster, son las que se pueden utilizar.

Las sondas para los genes de pronóstico se pueden unir de manera estable a regiones separadas en un arreglo de ácido nucleico. Mediante el término "unidas de manera estable" se quiere indicar que una sonda mantiene su posición en relación a una región separada unida durante la hibridación y detección de señal. La posición de cada región separada en el arreglo de ácido nucleico puede ser conocida o determinable. La totalidad de los métodos conocidos en la técnica se pueden utilizar para producir los arreglos de ácido nucleico de la presente invención. En otra modalidad se utilizan ensayos de protección de nucleasa para cuantificar los niveles de transcrito de ARN en muestras de sangre periférica. Existen muchas versiones diferentes de ensayos de protección de nucleasa. La característica común de estos ensayos de protección de nucleasa es que involucran la hibridación de un ácido nucleico antisentido con el ARN que se va a cuantificar. La molécula híbrida resultante de cadena doble después se digiere con nucleasa que digiere los ácidos nucleicos de cadena sencilla más eficazmente que las moléculas de cadena doble. La cantidad de ácido nucleico antisentido que sobrevive a la digestión es una medida de la cantidad de las especies de ARN objetivo que se van a cuantificar. Los ejemplos de análisis de protección de nucleasa adecuados incluyen el análisis de protección de ribonucleasa proporcionado por Ambion, Inc. (Austin, Texas). Las sondas de hibridación o los cebadores de amplificación para los genes de pronóstico de la presente invención se pueden preparar mediante la utilización de cualquier método conocido en la técnica. Para genes de pronóstico cuyas ubicaciones genómicas no se han determinado o cuyas identidades se basan únicamente en EST o datos de ARNm, las sondas/cebadores para estos genes se pueden derivar de las secuencias objetivo de los elementos de calificación correspondientes o las secuencias EST o ARNm correspondientes . En una modalidad, las sondas/cebadores para un gen de pronóstico divergen significativamente de las secuencias de otros genes de pronóstico. Esto se puede obtener al verificar la sonda potencial/secuencias cebadoras contra una base de datos de secuencia de genoma humano tal como la base de datos Entrez en el NCBI . Un algoritmo adecuado para este propósito es el algoritmo BLAST. Este algoritmo involucra identificar primero pares con una alta calificación de secuencia (HSP, por sus siglas en inglés) al identificar palabras cortas de longitud W de una secuencia solicitada, la cual puede coincidir o satisfacer cierta calificación T umbral de valor positivo cuando se alinea con una palabra de la misma longitud en una secuencia de base de datos. Se denomina a T como el umbral de calificación de palabra vecina. Los aciertos de palabra de vecindad inicial actúan como semillas para iniciar búsquedas para encontrar HSP más largas que los contengan. Los aciertos de palabra después se extienden en ambas direcciones a lo largo de cada secuencia para incrementar la calificación de alineación acumulativa. Las calificaciones acumulativas se calculan utilizando, para secuencias nucleotídicas, los parámetros M (calificación de recompensa para un par de residuos coincidentes; siempre >0) y N (calificación de castigo para residuos mal pareados; siempre <0) . Los parámetros de algoritmo BLAST W, T y X determinan la sensibilidad y velocidad de la alineación. Se pueden ajustar estos parámetros para propósitos diferentes, como lo aprecia una persona experta en la técnica. En otro aspecto, los niveles de expresión de los genes de pronóstico de la presente invención se determinan al medir los niveles de polipéptidos codificados por los genes de pronóstico. Los métodos adecuados para este propósitos incluyen, pero no se limitan a inmunoanálisis tal como ELISA, RÍA, FACS, dot blot, Western Blot, inmunohistoquímica y generación de radioimágenes en base a anticuerpos. Además, se pueden utilizar el secuenciado de proteínas de alto rendimiento, una electroforesis bidimensional en SDS-gel de poliacrilamida, espectrometría de masas o arreglos de proteínas . En una modalidad, se utilizan las pruebas de ELISA para detectar los niveles de las proteínas objetivo. En una prueba de ELISA ejemplificante, los anticuerpos capaces de unión a las proteínas objetivo se inmovilizan sobre superficies seleccionadas que presentan afinidad de proteína, tales como pozos en una placa de microtitulación de poliestireno o cloruro de polivinilo. Las muestras que se van a probar después se agregan a los pozos . Después de unión y lavado para eliminar los inmunocomplejos unidos de manera no específica, se pueden detectar uno o varios antígenos unidos. La detección se puede obtener por la adición de un anticuerpo secundario el cual es específico para las proteínas objetivo y se une a una marca detectable. La detección también se puede llevar a cabo por la adición de un segundo anticuerpo, seguido por la adición de un tercer anticuerpo que tiene afinidad de unión por el segundo anticuerpo, en donde el tercer anticuerpo se une a una etiqueta detectable. Antes de que se agregue a la placa de microtitulación, las células en las muestras se pueden lisar o extraer para separar las proteínas objetivo de sustancias que interfieran potencialmente. En otra prueba de ELISA ejemplificante, las muestras sospechosas de contener proteínas objetivo se inmovilizan sobre la superficie del pozo y después se pone en contacto con los anticuerpos. Después de unión y lavado para eliminar los inmunocomplejos unidos de manera no específica, se detecta el antígeno unido. Cuando los anticuerpos iniciales se unen a una marca detectable, los inmunocomplejos se pueden detectar directamente. Los inmunocomplejos también se pueden detectar utilizando un segundo anticuerpo que tiene afinidad de unión por el primer anticuerpo, en donde el segundo anticuerpo se une a una marca detectable. Otra prueba de ELISA ejemplar involucra el uso de competición de anticuerpos en la detección. En esta prueba de ELISA, las proteínas objetivo se inmovilizan sobre la superficie del pozo. Los anticuerpos marcados se agregan al pozo, se permite que se unan a las proteínas objetivo y se detectan por medio de sus marcas. La cantidad de proteínas objetivo en una muestra desconocida se determina después al mezclar la muestra con los anticuerpos marcados antes o durante la incubación con pozos recubiertos . La presencia de las proteínas objetivo en la muestra desconocida actúa para reducir la cantidad de anticuerpo disponible para unión al pozo y de esta manera reduce la señal final. Los diferentes formatos de ELISA pueden tener ciertas características en común, tal como recubrimiento, incubación o unión, lavado para eliminar especies unidas de manera no específica y detección de inmunocomplejos unidos. Por ejemplo, al recubrir una placa ya sea con antígeno o anticuerpo, los pozos de la placa se pueden incubar con una solución del antígeno o anticuerpo, ya sea durante la noche o por un período especificado de horas. Los pozos de la placa después se lavan para eliminar el material adsorbido de manera incompleta. Cualquier superficie disponible remanente de los pozos posteriormente se "recubre" con una proteína no específica que es antigénicamente neutra con respecto a las muestras de prueba. Los ejemplos de estas proteínas no específicas incluyen albúmina sérica bovina (BSA, por sus siglas en inglés), caseína y soluciones de polvo de leche. El recubrimiento permite el bloqueo de los sitios de adsorción no específicos en la superficie inmovilizante y por lo tanto reduce el fondo causado por unión no específica de antisueros sobre la superficie. En las pruebas de ELISA se puede utilizar un medio de detección secundario o terciario. Después de la unión de una proteína o anticuerpo al pozo, el recubrimiento con un material no reactivo para reducir el fondo y el lavado para eliminar el material no unido, la superficie inmovilizante se pone en contacto con el control o con la muestra clínica o biológica que se va a probar bajo condiciones eficaces para permitir la formación del inmunocomplejo (antígeno/anticuerpo) . Estas condiciones pueden incluir, por ejemplo, diluir los antígenos y anticuerpos con soluciones tales como BSA, ?-globulina bovina (BGG, por sus siglas en inglés) y solución salina amortiguada con fosfato (PBS, por sus siglas en inglés) /Tween e incubar los anticuerpos de antígenos a temperatura ambiente durante aproximadamente 1 a 4 horas o a 42C durante la noche. La detección del inmunocomplejo se facilita por utilización de un ligando o anticuerpo de unión secundario marcado, o un ligando o anticuerpo de unión secundario junto con un ligando de anticuerpo terciario o de unión terciario marcado. Después de todas las etapas de incubación en una prueba de ELISA, la superficie en contacto se puede lavar de manera que elimina el material que no forma complejos. Por ejemplo, la superficie se puede lavar con una solución tal como PBS/Tween o amortiguador de borato. Siguiendo la formación de inmunocomplejos específicos entre la muestra de prueba y el material unido originalmente y el lavado subsecuente, se puede determinar la presentación de la cantidad de inmunocomple os. Para proporcionar un medio de detección, el segundo o tercer anticuerpo puede tener una marca asociada para permitir la detección. En una modalidad, la marca es una enzima que genera desarrollo de color ante la incubación con un sustrato cromogénico apropiado. Así, por ejemplo, uno puede poner en contacto e incubar el primero o segundo inmunocomplejo con ureasa, glucosaoxidasa, fosfatasa alcalina o un anticuerpo conjugado a peroxidasa de hidrógeno por un período de tiempo y bajo condiciones que favorecen el desarrollo de formación de inmunocomplejo adicional (por ejemplo incubación durante 2 horas a temperatura ambiente en una solución que contiene PBS tal como PBS-Tween) . Después de la incubación con el anticuerpo marcado y lavado subsecuente para eliminar el material no unido, se puede cuantificar la cantidad de marca, por ejemplo por incubación con un sustrato cromogénico tal como urea y púrpura de bromocresol o ácido 2 , 2 ' -azido-di (3-etil) -benztiazolino-6-sulfónico (ABTS, por sus siglas en inglés) y H202, en el caso de peroxidasa como la marca de enzima. La cuantificación se puede llevar a cabo al medir el grado de generación de color, por ejemplo utilizando un espectrofotómetro . Otro método adecuado para detectar niveles de polipéptidos es RÍA (radioinmunoanálisis) . Un RÍA ejemplar se basa en la competencia entre polipéptidos radiomarcados y polipéptidos sin marcar para unión a una cantidad limitada de anticuerpos. Las radiomarcas adecuadas incluyen, pero no se limitan a I125. En una modalidad se incuba una concentración fija de polipéptido marcado con I125 con una serie de dilución de un anticuerpo específico para el polipéptido. Cuando se agrega al sistema el polipéptido sin marcar, la cantidad de polipéptido I125 que se une al anticuerpo disminuye. De esta manera se puede construir una curva estándar que representa la cantidad de polipéptido I125 unido a anticuerpo como una función de la concentración del polipéptido sin marcar. A partir de esta curva estándar se puede determinar la concentración del polipéptido en muestras desconocidas. Se conocen bien en la técnica protocolos para llevar a cabo RÍA. Los anticuerpos adecuados de la presente invención incluyen, pero no se limitan a anticuerpos policlonales, anticuerpos monoclonales, anticuerpos quiméricos, anticuerpos humanizados, anticuerpos de cadena sencilla, fragmentos Fab o fragmentos producidos por biblioteca de expresión de Fab. También se pueden utilizar anticuerpos neutralizantes (es decir, aquellos los cuales inhiben la formación de dímeros) . Se conocen bien en la técnica los métodos para preparar estos anticuerpos. En una modalidad, los anticuerpos de la presente invención se pueden unir a productos de gen de pronóstico correspondientes u otros antígenos deseados con afinidades de unión de por lo menos 104 M"1, 105 M"1, 106 M"1, 107 M"1 o mayor. Los anticuerpos de la presente invención se pueden marcar con una o más porciones detectables para permitir la detección de complejos anticuerpo-antígeno . Las porciones detectables pueden incluir composiciones detectables por medios espectroscópicos, enzimáticos, fotoquímicos, bioquímicos, bioelectrónicos, inmunoquímicos, eléctricos, ópticos o químicos. Las porciones detectables incluyen, pero no se limitan a radioisótopos, compuestos quimioluminiscentes, proteínas de unión marcadas, átomos de metales pesados, marcadores espectroscópicos tales como marcadores fluorescentes y colorantes, marcas magnéticas, enzimas unidas, etiquetas de espectrometría de masas, etiquetas de giro, donadores y asceptores de transferencia de electrones y similares. Los anticuerpos de la presente invención se pueden utilizar como sondas para construir arreglos de proteínas para la detección de perfiles de expresión de los genes de pronóstico. Los métodos para producir arreglos de proteínas o biochips son bien conocidos en la técnica. En muchas modalidades, una porción sustancial de las sondas en un arreglo de la proteína de la presente invención son anticuerpos específicos para los productos de gen de pronóstico. Por ejemplo, por lo menos 10%, 20%, 30%, 40%, 50% o más sondas en el arreglo de proteínas pueden ser anticuerpos específicos para los productos de gen de pronóstico . En otro aspecto adicional, los niveles de expresión de los genes de pronóstico se determinan al medir las funciones biológicas o actividades de estos genes . Cuando se conoce una función biológica o actividad de un gen, se pueden desarrollar análisis adecuados in vi tro o in vivo para evaluar la función o actividad. Estos análisis posteriormente se pueden utilizar para determinar el nivel de expresión del gen de pronóstico. Después de que se determina el nivel de expresión de cada gen de pronóstico se pueden utilizar numerosas soluciones para comparar los perfiles de expresión. La comparación del perfil de expresión de un paciente de interés con uno o varios de los perfiles de expresión de referencia se puede llevar a cabo manual o electrónicamente. En un ejemplo, la comparación se lleva a cabo al comparar cada componente en un perfil de expresión con el componente correspondiente en un perfil de expresión de referencia. El componente puede ser el nivel de expresión de un gen de pronóstico, una relación entre los niveles de expresión de dos genes de pronóstico u otra medida capaz de representar patrones de expresión de genes. El nivel de expresión de un gen puede tener un valor absoluto o uno normalizado o relativo. La diferencia entre dos componentes correspondientes se puede determinar por múltiplos de cambios, diferencias absolutas y otros medios adecuados. La comparación del perfil de expresión de un paciente de interés con uno o varios de los perfiles de expresión de referencia también se puede llevar a cabo utilizando reconocimiento de patrón o programas de comparación tales como el algoritmo de k vecinos más cercanos, como se describe en Armstrong et al . , NATURE GENETICS, 30:41-47 (2002), o el algoritmo de votación ponderada como se describe en lo siguiente. Además, el análisis seriado de la tecnología de expresión de gen (SAGE, por sus siglas en inglés) , el programa de análisis de expresión de gen GEMTOOLS (Incyte Pharmaceuticals), la tecnología de solicitud de gen y análisis de expresión cuantitativa (Curagen) y otros métodos, programas o sistemas adecuados se pueden utilizar para comparar perfiles de expresión . Se pueden utilizar genes de pronóstico múltiple en la comparación de perfiles de expresión. Por ejemplo, se pueden utilizar 2, 4, 6, 8, 10, 12, 14 o más genes de pronóstico. Además de uno o varios genes de pronóstico utilizados en la comparación se pueden seleccionar para que tengan valores p relativamente pequeños (por ejempo valores p de dos lados) . En muchos ejemplos, los valores p indican la significancia estadística de la diferencia entre los niveles de expresión en clases diferentes de pacientes. En muchos otros ejemplos, los valores p sugieren la significancia estadística de la relación entre los patrones de expresión del gen y el resultado clínico. En una modalidad, los genes de pronóstico utilizados en la comparación tienen valores p no mayor de 0.05, 0.01, 0.001, 0.0005, 0.0001 o menores. Los genes de pronóstico con valores p mayores de 0.05 también se pueden utilizar. Estos genes pueden ser identificados, por ejemplo, mediante la utilización de un número relativamente pequeño de muestras de sangre. La similitud o diferencia entre el perfil de expresión de un paciente de interés y un perfil de expresión de referencia es indicativo de la pertenencia a la clase del paciente de interés. La similitud o la diferencia se pueden determinar por cualquier medio adecuado. La comparación puede ser cualitativa, cuantitativa o ambas. En un ejemplo, un componente en un perfil de referencia es un valor medio, y el componente correspondiente en el perfil de expresión del paciente de interés se encuentra dentro de la desviación estándar del valor medio. En tal caso, el perfil de expresión del paciente de interés se puede considerar similar al perfil de referencia con respecto a dicho componente particular. Se puede utilizar para medir la similitud otro criterio, tal como un múltiplo o fracción de la desviación estándar o un cierto grado de incremento o disminución de porcentaje. En otro ejemplo, por lo menos 50% (por ejemplo, por lo menos 60%, 70%, 80%, 90% o más) de los componentes en el perfil de expresión del paciente de interés se consideran similares a los componentes correspondientes en un perfil de referencia. Bajo estas circunstancias, el perfil de expresión del paciente de interés se puede considerar similar al perfil de referencia. Los diferentes componentes en el perfil de expresión pueden tener pesos diferentes para la comparación. En algunos casos, se utilizan umbrales de porcentaje menor (por ejemplo menores de 50% de los componentes totales) para determinar la similitud. Uno o varios genes de pronóstico y los criterios de similitud se pueden seleccionar de manera que la precisión de la predicción de resultado (la relación de llamadas correctas sobre el total de llamadas correctas e incorrectas) sea relativamente alto. Por ejemplo, la precisión de predicción puede ser de por lo menos 50%, 60%, 70%, 80%, 90% o mayor. También se pueden utilizar genes de pronóstico con una precisión de predicción menor de 50%, con la condición de que las predicciones sean estadísticamente significativas. La eficacia de la predicción de resultados también se puede determinar por sensibilidad y especificidad. Los genes de pronóstico y el criterio de comparación se pueden seleccionar de manera que tanto la sensibilidad y especificidad de la predicción de resultado sean relativamente altos. Por ejemplo, la sensibilidad y especificidad de uno o varios genes de pronóstico o del clasificador utilizado puede ser por lo menos 50%, 60%, 70%, 80%, 90%, 95% o mayor. Los genes de pronóstico o clasificadores tienen sensibilidades o especificidades de menos de 50% y también pueden ser utilizados con la condición de que las predicciones sean estadísticamente significativas. Además, la predicción de resultado en base en perfil de expresión en sangre periférica se puede combinar con otras pruebas clínicas o métodos de pronóstico para mejorar la eficacia o la precisión de la predicción del resultado. En muchas modalidades, el perfil de expresión de un paciente de interés se compara con por lo menos dos perfiles de expresión de referencia. Cada perfil de expresión de referencia puede incluir un perfil de expresión promedio, un conjunto de perfiles de expresión individuales, cada uno de los cuales representa el patrón de expresión del gen en sangre periférica en un tumor sólido particular (por ejemplo RCC) del paciente o del humano sin enfermedad. Los métodos adecuados para comparar un perfil de expresión a dos o más perfiles de expresión de referencia incluyen, pero no se limitan al algoritmo de votación ponderado o el algoritmo de k vecinos más cercanos. Los programas capaces de realizar estos algoritmos incluyen, pero no se limitan al programa GeneCluster 2. El programa GeneCluster 2 está disponible de MIT Center for Genome Research en Whitehead Institute (por e emplo www-genom'e . wi .mit . edu/cáncer/software/genecluster2/gc2.html) . Los algoritmos tanto de votación ponderada como de k vecinos más cercanos utilizan clasificadores de genes que pueden asignar eficazmente a un paciente de interés a una clase de resultado. Mediante el término "eficazmente" se quiere significar que la asignación de clase es estadísticamente significativa. En un ejemplo, la eficacia de asignación de clase se evalúa mediante una validación cruzada del tipo dejar uno fuera o la validación cruzada de k veces. La precisión de predicción bajo estos métodos de validación cruzada puede ser, por ejemplo, 50%, 60%, 70%, 80%, 90%, 95% o mayor. La sensibilidad de predicción o la especificidad bajo estos métodos de validación cruzada también puede ser de por lo menos 50%, 60%, 70%, 80%, 90%, 95% o mayor. Los genes de pronóstico o los elementos de predicción de clase con una sensibilidad/especificidad de asignación baja o una precisión de validación cruzada baja tal como menor de 50% también se pueden utilizar en la presente invención. Bajo una versión del algoritmo de votación ponderada, cada gen en un elemento de predicción de clase establece un voto ponderado para una de las dos clases (clase 0 y clase 1) . El voto del gen "g" se puede definir como vg = ag (Xg-bg) , en donde ag es igual a P(g,c) y refleja la relación entre el nivel de expresión del gen "g" y la distinción de clase entre las dos clases, bg que se calcula como [x?(g) + xl (g) ] 12 y representa el promedio de las medias de los algoritmos de los niveles de expresión del gen "g" en la clase 0 y la clase 1, y Xg es el logaritmo normalizado del nivel de expresión del gen "g" en la muestra de interés. Un vg positivo indica un voto por clase 0, y un vg negativo indica un voto por clase 1. V0 indica la suma de todos los votos positivos y Vl indica el valor absoluto de la suma de todos los votos negativos. Una fuerza de predicción PS se define como PS = (VO, VI) / (VO + VI). De esta manera, la fuerza de predicción varía entre -1 y 1 y puede indicar el soporte para una clase (por ejemplo PS positiva) o la otra (por ejemplo PS) negativa. Una fuerza de predicción cercana a "0" sugiere un margen estrecho de victoria y una fuerza de predicción cercana a "1" o "-1" indica un margen amplio de victoria. Véase Slonim, et al . , Procs. of the Fourth Annual International Conference on Computation Molecular Biology, Tokio, Japón, abril 8-11, p263-272 (2000); y Golub, et al . , SCIENCE, 286:531-537 (1999). Se pueden determinar los umbrales de fuerza de predicción adecuados (PS) al graficar la tasa de error de validación cruzada acumulativa contra la fuerza de predicción. En una modalidad, se realiza una predicción positiva si el valor absoluto de PS para la muestra de interés es no menor de 0.3. Se pueden seleccionar para predicción de clase otros umbrales PS tales como no menores de 0.1, 0.2, 0.4 ó 0.5. En muchas modalidades, se selecciona un umbral de manera que la precisión de predicción se optimiza y la incidencia de resultados falsos positivos y falsos negativos se minimiza. Cualquier clase de alimento de predicción construida de acuerdo con la presente invención se puede utilizar para la asignación de clase de un paciente de interés con un tumor sólido (por ejemplo un paciente con RCC) . En muchos ejemplos uno de los elementos de predicción de clase utilizado en la presente invención incluye genes de pronóstico identificados por el análisis de vecindario o cercanía en donde n es un número entero mayor que 1. La mitad de estos genes de pronóstico tiene las calificaciones P(g,c) más grandes y la otra mitad tiene las calificaciones -P(g,c) más grandes. Por lo tanto, el número n es el único parámetro libre en definir el elemento de predicción de clase. El perfil de expresión de un paciente de interés también se puede comparar con dos o más perfiles de expresión de referencia por otros medios. Por ejemplo, los perfiles de expresión de referencia pueden incluir un perfil de expresión de sangre periférica promedio para cada clase de pacientes. El hecho de que el perfil de expresión de un paciente de interés sea más similar a un perfil de referencia que otro sugiere que el paciente de interés muy probablemente tenga un resultado clínico asociado con el primer perfil de referencia en comparación con el asociado con el último perfil de referencia. En una modalidad particular, la presente invención describe la predicción de un resultado clínico de un paciente de interés con RCC. Los genes de pronóstico o los elementos de clasificación adecuados para este propósito incluyen, pero no se limitan a los que se describen en las tablas 2, 3 ó 4.

En un ejemplo, los pacientes con RCC se pueden dividir en por lo menos dos clases en base en su TTD en respuesta a un tratamiento terapéutico (por ejemplo un tratamiento con CCI-779) . Una primera clase de pacientes tiene un primer TTD especificado (por ejemplo un TTD de menos de 365 días a partir del inicio del tratamiento terapéutico) y una segunda clase de pacientes tiene un segundo TTD especificado (por ejemplo TTD de más de 365 días desde el inicio del tratamiento terapéutico) . Los genes que se relacionan sustancialmente con la distinción de clase entre las dos clases de pacientes se pueden identificar y utilizar para predecir la membresía de clase de un paciente de interés con RCC. En muchos casos, la totalidad de los perfiles de expresión utilizados en la predicción de resultados o perfiles de valores iniciales que se preparan a partir de muestras de sangre periférica aisladas antes del tratamiento terapéutico. Los ejemplos de genes de pronóstico de RCC adecuados para este propósito incluyen los que se seleccionan de la tabla 2 y los ejemplos de clasificadores adecuados incluyen los clasificadores 1-7 en la tabla 4. La presente invención contempla el uso de cualquier combinación de los genes Nos. 1-14 de la tabla 2 para la predicción del resultado clínico del paciente de interés con RCC. Los métodos adecuados para este propósitos incluyen, pero no se limitan a RT-PCR, ELISA, análisis funcional de programas de reconocimiento de patrón (por ejemplo algoritmos de votación ponderada o de k vecinos más cercanos) . En otro ejemplo, una primera clase de pacientes con RCC tiene un TTP especificado (por ejemplo TTP no menor de 106 días desde el inicio de un tratamiento terapéutico tal como el tratamiento con CCI-779) y una segunda clase de pacientes tiene otro TTP especificado (por ejemplo TTP de menos de 106 días desde el inicio del tratamiento terapéutico) . Los genes de pronóstico capaces de asignar un paciente de interés con RCC a una de las dos clases de resultados anteriores incluye, pero no se limita a las que se muestran en la tabla 3 y los clasificadores adecuados incluyen los clasificadores 8-21 en la tabla 4. La presente invención contempla el uso de cualquier combinación de los genes Nos. 1-28 de la tabla 3 para predicción del resultado clínico de un paciente de interés con RCC. Los métodos adecuados para este propósito incluyen, pero no se limitan a RT-PCR, ELISA, análisis funcionales de programas de reconocimiento de patrón (por ejemplo la votación ponderada de los algoritmos de k vecinos más cercanos) . En un ejemplo adicional del perfil de expresión de un paciente de interés con RCC se compara con dos o más de los perfiles de expresión de referencia mediante la utilización de un algoritmo de votación ponderada o de k vecinos más cercanos y un clasificador que se selecciona de la tabla 4. Los genes de pronóstico o los elementos de predicción de clase capaces de distinguir tres o más clases de resultados también se pueden utilizar en la presente invención. Estos genes de pronóstico se pueden identificar utilizando métricas de correlación de clase múltiple. Los programas adecuados para llevar a cabo el análisis de correlación de clase múltiple incluyen, pero no se limitan al programa GeneCluster 2 (MIT Center for Genome Research at Whitehead Institute, Cambridge, MA) . Bajo el análisis, los pacientes que tienen un tumor sólido especificado (por ejemplo RCC) se dividen en por lo menos tres clases, y cada clase de pacientes tiene un resultado clínico respectivo diferente. Los genes de pronóstico identificados bajo análisis de correlación de clase múltiple se expresan de manera diferencial en los PBMC de una clase de pacientes en relación a los PBMC de otra clase de pacientes . En una modalidad, los genes de pronóstico identificados se relacionan con una distinción de clase en más de 1%, 5%, 10%, 25% o 50% de nivel de significancia bajo la prueba de permutación. La distinción de clase representa un patrón de expresión idealizado de los genes identificados en muestras de sangre periférica de pacientes quienes tienen resultados clínicos diferentes. La presente invención también muestra sistemas electrónicos útiles para el pronóstico o selección de tratamiento de RCC y otros tumores sólidos. Estos sistemas incluyen dispositivos de entrada o comunicación para recibir el perfil de expresión de un paciente de interés con RCC así como uno o varios perfiles de expresión de referencia. Uno o varios perfiles de expresión de referencia se pueden almacenar en una base de datos u otro medio. La comparación entre los perfiles de expresión se pueden llevar a cabo electrónicamente, por ejemplo a través de un procesador o una computadora. El procesador o computadora puede ejecutar uno o más programas para comparar el perfil de expresión del paciente de interés con uno o varios de los perfiles de expresión de referencia. Uno o varios de los programas se pueden almacenar en una memoria o se pueden descargar de otra fuente, tal como un servidor de Internet. En un ejemplo, no o varios de los programas incluye el algoritmo de los k vecinos más cercanos o de votación ponderada. En otro ejemplo, el sistema electrónico se acopla a un arreglo de ácido nucleico y puede recibir o procesar datos de expresión generados por el arreglo de ácido nucleico. En otro aspecto adicional, la presente invención proporciona equipos útiles para el pronóstico o selección de tratamiento de RCC u otros tumores sólidos. Cada equipo incluye por lo menos una sonda para un gen de pronóstico de RCC o de tumor sólido (por ejemplo un gen que se selecciona de las tablas 2 ó 3) . Cualquier tipo de sonda se puede utilizar en la presente invención, tales como las sondas de hibridación, cebadores de amplificación o anticuerpos. En una modalidad, un equipo de la presente invención incluye por lo menos 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 o más sondas o cebadores polinucleotídicos. Cada sonda/cebador puede hibridizar bajo condiciones de hibridación rigurosas o de arreglo de ácido nucleico con un RCC respectivo diferente o un gen de pronóstico de tumor sólido, tal como aquellos seleccionados de las tablas 2 ó 3. En un ejemplo, un equipo de la presente invención incluye sondas capaces de hibridizar bajo condiciones de hibridación rigurosas o de arreglo de ácido nucleico con los genes respectivos en un clasificador de la presente invención, tales como aquellos que se seleccionan de la tabla 4. Como se utiliza en la presente, un polinucleótido puede hibridizar con un gen si el polinucleótido puede minimizar con un transcrito de ARN o el complemento del mismo del gen. En otra modalidad, un equipo de la presente invención incluye uno o más anticuerpos, cada uno de los cuales es capaz de unirse a un polipéptido codificado por un gen de pronóstico de RCC o de tumor sólido respectivo diferente, tal como aquellos que se seleccionan de las tablas 2 ó 3. En un ejemplo, un equipo de la presente invención incluye anticuerpos capaces de unirse a los polipéptidos respectivos codificados por los genes en un clasificador de la presente invención, tales como aquellos que se seleccionan de la tabla 4. Las sondas utilizadas en la presente invención pueden estar marcadas o sin marcar. Las sondas marcadas pueden ser detectables por medios espectroscópicos, fotoquímicos, bioquímicos, bioelectrónicos, inmunoquímicos, eléctricos, ópticos, químicos u otros medios adecuados. Las porciones de marcado ejemplares para una sonda incluyen radioisótopos, compuestos quimioluminiscentes, proteínas de unión marcadas, átomos de metal pesado, marcadores espectroscópicos, tales como marcadores y colorantes fluorescentes, marcas magnéticas, enzimas unidas, etiquetas de espectrometría de masas, etiquetas de giro, donadores y aceptores de transferencia de electrones y similares. Los equipos de la presente invención también pueden tener recipientes que contenga uno o varios amortiguadores o medios indicadores. Además, los equipos pueden incluir reactivos para llevar a cabo controles positivo o negativos. En una modalidad, las sondas utilizadas en la presente invención se unen de manera estable a uno o más soportes de sustrato. La hibridación de ácido nucleico o los inmunoanálisis se pueden llevar a cabo directamente sobre uno o varios soportes de sustrato. Los soportes de sustrato adecuados para este propósito incluyen, pero no se limitan a vidrios, sílice, materiales cerámicos, nylon, obleas de cuarzo, geles, metales, papeles, esferas, tubos, fibras, películas, membranas, matrices de columna o pozos de placa de microtitulación .

IV. Selección del Tratamiento de RCC y Otros Tumores Sólidos La presente invención permite el tratamiento personalizado de RCC u otros tumores sólidos. El resultado clínico de un paciente de interés se puede predecir de acuerdo con la presente invención antes de cualquier tratamiento. Un buen pronóstico del paciente indica que el tratamiento es probable que sea eficaz, mientras que un pronóstico pobre sugiere que un tratamiento diferente puede ser más adecuado para el paciente. Este análisis antes del tratamiento ayuda a los pacientes a evitar reacciones adversas innecesarias y proporciona seguridad mejorada y una relación aumentada de beneficio/riesgo para el tratamiento. En una modalidad, el pronóstico de un paciente de interés con RCC se evalúa antes de cualquier tratamiento con CCI-779. Los genes de pronóstico adecuados para este propósito incluyen, pero no se limitan a aquellos mostrados en las tablas 2 ó 3. Cualquier método de pronóstico descrito en la presente se puede utilizar, tal como RT-PCR, ELISA, análisis funcional de proteína o programas de reconocimiento de patente (tales como los algoritmos de k vecinos más cercanos o votación ponderada) . Un buen pronóstico indica lo adecuado del tratamiento con CCI-779 para el paciente de interés con RCC. Se puede medir un pronóstico bueno versus pobre por TTD (por ejemplo mayor de un año versus menos de un año) o TTP (por ejemplo mayor de tres meses versus menor de tres meses) . También se pueden utilizar otras medidas para determinar un pronóstico bueno o pobre. La presente invención también describe la selección de uno o varios tratamientos favorables para un paciente de interés. Se pueden analizar por la presente invención numerosas opciones o regímenes de tratamiento. Se pueden identificar genes de pronostico para cada tratamiento. Los perfiles de expresión de sangre periférica de estos genes de pronostico en un paciente de interés son indicativos del resultado clínico del paciente y por lo tanto se pueden utilizar como marcadores sustitutos para la identificación o selección de tratamientos que tengan un pronostico favorable para el paciente. Como se utiliza en la presente, un pronostico "favorable" es un pronostico que es mejor que los pronósticos de la mayor parte o la totalidad de los tratamientos disponibles para el paciente de interés. El régimen de tratamiento con el mejor pronostico también se puede identificar. Cualquier tipo de tratamiento de cáncer se puede evaluar por la presente invención, por ejemplo, RCC puede ser tratado por tratamientos con medicamentos. Los medicamentos adecuados incluyen citocinas, tales como interferón o interleucina 2 y medicamentos quimioterapéuticos tales como CCI-779, AN-238, vinblastina, floxuridina, 5-fluorouracilo o tamoxifeno. AN238 es un agente citotóxico el cual tiene una 2-pirrolinodoxorrubicina unida a un octapéptido portador de somatostatina (SST, por sus siglas en inglés) . AN238 se puede dirigir a los receptores de SST sobre la superficie de células tumorales de RCC. Los medicamentos quimioterapéuticos se pueden utilizar individualmente o combinados con otros medicamentos, citocinas o tratamientos. Además, los anticuerpos monoclonales, medicamentos antiangiogénesis o medicamentos de factor contra el crecimiento se pueden utilizar para tratar RCC. El tratamiento de RCC también puede ser quirúrgico.

Las selecciones quirúrgicas adecuadas incluyen, pero no se limitan a nefrectomía radical, nefrectomía parcial, extirpación de metástasis, formación de embolia arterial, nefrectomía laparoscópica, criosupresión y cirugía de eliminación de nefroñas . Además también se pueden utilizar radiación, genoterapia, inmunoterapia, inmunoterapia adoptiva o cualquier otro tratamiento convencional o experimental . Las opciones de tratamiento para cáncer de próstata, cáncer de vías respiratorias y digestivas altas y otros tumores sólidos se conocen en la técnica. Por ejemplo, los tratamientos de cáncer de próstata incluyen, pero no se limitan a tratamiento por radiación, tratamiento hormonal y crioterapia. La presente invención también contempla el uso de genes de pronostico para otros tratamientos novedosos o experimentales de tumores sólidos. La selección de tratamiento se puede llevar a cabo manual o electrónicamente. Los perfiles de expresión de referencia o los clasificadores de genes se pueden almacenar en una base de datos. Se pueden utilizar programas capaces de realizar algoritmos tales como los algoritmos de K vecinos más cercanos o votación ponderada para comparar el perfil de expresión de sangre periférica de un paciente de interés con la base de datos para determinar cual tratamiento puede ser utilizado para el paciente. La identificación del gen de pronósticos puede verse alterado por la etapa de enfermedad de un tumor sólido. Por ejemplo se pueden identificar genes de pronóstico de pacientes en una etapa de enfermedad particular. Los genes identificados de esta manera pueden ser más eficaces para predecir el resultado clínico de un paciente de interés quien también se encuentra en una etapa de enfermedad. Las etapas de enfermedad también pueden alterar la selección del tratamiento. Por ejemplo, para pacientes con RCC en las etapas I o II, comúnmente se selecciona nefrectomía radical o parcial. Para pacientes con RCC en la etapa III la nefrectomía radical está entre los tratamientos preferidos. Para pacientes con RCC en la etapa IV, se puede utilizar inmunoterapia de citocina, inmunoterapia combinada y quimioterapia u otros tratamientos con medicamento. Por lo tanto, la etapa de enfermedad del paciente de interés se puede utilizar para ayudar en la selección basada en la expresión del gen para un tratamiento favorable para el paciente . Debe entenderse que las modalidades descritas en lo anterior y los siguientes ejemplos se proporcionan únicamente a modo de ilustración y no como limitación. Varios cambios y modificaciones dentro del alcance de la presente invención se volverán evidentes para los expertos en la técnica a partir de la presente descripción.

V. Ejemplos Ejemplo 1. Purificación de los PBMC y ARN Se recolecta sangre completa de pacientes con RCC antes del inicio del tratamiento con CCI-779. Se extraen muestras de sangre en tubos Vacutainer de preparación de células CPT (Becton Dickinson) . Para cada muestra, el volumen objetivo es de 8 ml . Los PBMC se aislan sobre gradientes de Ficoll de acuerdo con el protocolo del fabricante (Becton Dickinson) . Los sedimentos de PBMC se almacenan a -80°C hasta que las muestras se procesan para ARN.

La purificación del ARN se realiza utilizando equipos QIA y miniequipos Qiagen Rneasy^. Se cosechan las muestras con amortiguador de lisis RLT (Qiagen, Valencia, CA, USA) que contiene ß-mercaptoetanol 0.1% y se procesan para aislamiento total de ARN utilizando el miniequipo RNeasy (Qiagen, Valencia, CA, USA) . El ARN eluido se cuantifica utilizando un lector UV de placa de 96 pozos que monitorea A260/280. Se verifican las calidades de AR? (bandas para 18S y 28S) por electroforesis en gel de agarosa en geles de agarosa 2%. El AR? remanente se almacena a -80°C hasta que se procesa por hibridación del genechip Affymetrix.

Ejemplo 2. Amplificación y generación de AR? de sondas de hibridación genechip El objetivo marcado para arreglos oligonucleotídicos se prepara utilizando una modificación del procedimiento descrito por Lockhart, et al., ?ATURE BIOTECH?OLOGY, 14:1675-1680 (1996). Una cantidad de 2 µg de AR? total se convierten a AD?c utilizando un cebador oligo-d(T)24 que contiene un promotor de AD? polimerasa T7 en el extremo 5' . El AD?c se utiliza como la plantilla para una transcripción in vitro utilizando el equipo de AD? polimerasa T7 (Ambion, Woodlands, TX, USA) y se biotina CTP y UTP (Enzo Farmingdale, ?Y, USA) . El AR?c marcado se fragmenta en Tris-acetato 40 mM, pH 8.0, KOAc 100 mM, MgOAc 30 mM durante 35 min a 94°C en un volumen final de 40 ml . Una cantidad de 10 µg del objetivo marcado se diluyen en amortiguador MES IX con 100 mg/ml de ADN de esperma de arenque y 50 mg/ml de BSA acetilado. Para normalizar los arreglos entre sí para calcular la sensibilidad en los arreglos olinucleotídicos se incluyen en cada reacción de hibridación transcritos sintetizados in vitro de 11 genes bacterianos en cada reacción de hibridación como se describe en Hill, et al., GENOME BIOL., 2: research0055.1-0055.13 (2001). La abundancia de estos transcritos varía de 1:300000 (3 ppm) a 1:000 (1000 ppm) establecido en términos de número de transcritos control por transcritos totales. Como se determina por la respuesta de señal a partir de estos transcritos control, la sensibilidad de detección de los arreglos distribuidos entre 2.33 y 4.5 copias por millón. Las secuencias marcadas se desnaturalizan a 99°C durante 5 min y después a 45°C durante 5 min y se hibridizan a arreglos oligonucleotídicos comprendidos de una gran cantidad de genes humanos (HG-U95A o HG-U133A, Affymetrix, Santa Clara, CA, USA) . Los arreglos se hibridizan durante 16 h a 45°C con rotación a 60 rpm. Después de la hibridación las mezclas de hibridación se separan y almacenan y los arreglos se lavan y se tiñen con estreptavidina R-ficoeritrina (Molecular Probes) utilizando el equipo Genechip Fluidics Station 400 y se exploran con un explorador Hewlett Packard GeneArray siguiendo las instrucciones del fabricante. Estas condiciones de hibridación y lavado se denominan colectivamente como "condiciones de hibridación de arreglo de ácido nucleico" .

Ejemplo 3. Determinación de las frecuencias de expresión de gen y procesamiento de datos de expresión Se procesan imágenes de arreglo utilizando el programa Affymetrix MicroArray Suite (MAS) de manera tal que los archivos de datos de imagen de arreglo sin tratar (.dat) producidos por el escáner de arreglo se reducen a resúmenes de intensidad de nivel de característica de sonda (archivos .cel) utilizando la versión de gabinete de MAS. Utilizando el sistema de datos de expresión de gen (GEDS, por sus siglas en inglés) como una interconexión de usuario gráfica, los usuarios proporcionan una descripción de muestra a la base de datos de información de perfilado de expresión y sistema de conocimiento (EPIKS) Oracle y asocian el archivo .cel correcto con la descripción. Los procedimientos de base de datos después solicitan en programa MAS para crear valores de resumen probeset; se resumen las intensidades de sonda para cada mensaje utilizando el algoritmo de diferencia promedio Affymetrix y la métrica de detección absoluta Affymetrix (ausente, presente o marginal) para cada conjunto de sondas probeset. También se utiliza MAS para la primera normalización de pasada al escalar la media recortada a un valor de 100. Los procesos de base de datos también calculan una serie de métricas de control de calidad de chip y almacenan la totalidad de los datos sin tratar y los cálculos de control de calidad en la base de datos. El análisis de datos y la determinación de llamada ausente/presente se realiza en valores de densidad fluorescente sin tratar utilizando el programa MAS (Affrymetrix) . Se calculan las llamadas "presentes" por el programa MAS al calcular si un trascrito se detecta en una muestra en base en la fuerza de la señal del gen en comparación con el fondo. Los valores de "diferencia promedio" para cada trascrito se normalizan a valores de "frecuencia" utilizando el método de normalización de frecuencia aumentado (Hill, et al., GENOME BIOL, 2 :research0055.1-0055.13 (2001)) en el cual las diferencias promedio para 11 ARNc control con abundancia conocida colocada dentro de una solución de hibridación se utiliza para generar una curva de calibración global . Esta calibración después se utiliza para convertir los valores de diferencia promedio para todos los transcritos a cálculos de frecuencia, establecidos en unidades por partes por millón que varían de 1:300000 (~ 3 partes por millón (ppm)) a 1:1000 (1000 ppm) . La normalización se refiere a los valores de diferencia promedio de cada chip a una curva de calibración construida de los valores de diferencia promedio para los 11 transcritos control con abundancia conocida que se agregan a cada solución de hibridación. En muchos casos, el método de normalización utiliza normalización de media recortada, seguido por ajuste de una curva estándar acumulada a través de todos los chips, la cual se utiliza para calcular los valores de "frecuencia" y los cálculos de sensibilidad por chip. La métrica resultante se denomina como frecuencia aumentada y se normaliza entre todos los arreglos. Los genes que no tienen ninguna información relevante se excluyen de la comparación de datos. En las comparaciones de los PBMC sin enfermedades con los PBMC con RCC, esto se lleva a cabo utilizando dos filtros de reducción de datos: 1) cualquier gen que se denomina como ausente en todos los genes chip (determinado por la métrica de detección absoluta Affrymetrix en MAS) se retiran del conjunto de datos; 2) cualquier gen que se exprese a una frecuencia normalizada de < 10 ppm en todos los genes chip se separa del conjunto de datos para asegurar que cualquier gen mantenido en el conjunto de análisis se detecta a una frecuencia de por lo menos 10 ppm por lo menos una vez. Para algunos análisis de predicción de variables múltiples se utilizan filtros de reducción de datos más rigurosos (25% de P y una frecuencia promedio de > 5 ppm) con el fin de disminuir la probabilidad de que se identifiquen en los clasificadores de gen transcritos de bajo nivel o detectados de manera poco frecuente .

Ejemplo 4. Determinación de muestras fuera de intervalo basadas en la prueba de Pearson Para identificar muestras fuera de intervalo, se calcula el cuadrado de un coeficiente de relación de Pearson pareado (r2) entre todos los pares de muestras utilizando Splus (versión 5.1). Específicamente, el cálculo se inicia a partir de la matriz G x S de valores de expresión, en donde G es el número total de conjuntos de sondas y S es el número total de muestras. Se calcula los valores r2 entre las muestras en la matriz. El resultado es una matriz S x S simétrica de valores r2. Esta matriz mide la similitud de entre cada muestra y la totalidad de otras muestras en el análisis. Dado que la totalidad de estas muestras provienen de los PBMC humanos cosechados de acuerdo con protocolos comunes, se espera que los coeficientes de relación muestren un alto grado de similitud en general (es decir, los niveles de expresión de la mayor parte de las secuencias de trascrito son similares en todas las muestras analizadas) . Para resumir la similitud de las muestras, el promedio de valores r2 entre todas las señales MAS de cada muestra y las otras muestras en el estudio se calculan y grafican en mapa térmico para facilitar visualización rápida. Cuanto más cercano sea el valor de promedio r2 a 1, es mayor la probabilidad de que la muestra sea de otras muestras dentro del análisis. Un valor r2 de promedio bajo indica que el perfil de expresión del gen de la muestra está "fuera de intervalo" en términos de los patrones de expresión de gen general. El estado "fuera del intervalo" puede indicar ya sea que la muestra tiene un perfil de expresión de gen que se desvía de manera significativa de otras muestras dentro del análisis o que la calidad técnica de la muestra es de calidad inferior Ejemplo 5. Resumen de protocolo de estudio clínico Se aislan los PBMC de sangre periférica de 20 voluntarios sin enfermedad (12 mujeres y 8 hombres) y 45 pacientes con carcinoma de células renales (18 mujeres y 27 hombres) que participan en el estudio en fase II. Se obtiene el consentimiento de la porción farmacogenómica del estudio clínico y se prueba el proyecto por el Institutional Review Boards local en los sitios clínicos que participan. Se clasifican los tumores de RCC en cada sitio como carcinomas convencionales (células claras) (24) , granulares (1) , papilares (3) o subtipos mixtos (7). Las clasificaciones para diez tumores no se identifican. Los 45 pacientes quienes firmaron el consentimiento informado para análisis farmacogenómico de los perfiles de expresión de PBMC de valores iniciales también se clasifican por el método de determinación de variables múltiples de Motzer. De los pacientes que dieron consentimiento incluidos en este estudio a 6 se les asignó una determinación de riesgo favorable, 17 pacientes presentaron una calificación de riesgo intermedio y 22 pacientes pacientes recibieron una clasificación de pronóstico pobre en este estudio. Los pacientes con casos avanzados de RCC se trataron con una de 3 dosis de CCI-779 (25 mg, 75 mg, 250 mg) administrada por infusión IV durante 30 minutos una vez a la semana durante la duración del ensayo. La clasificación clínica y el tamaño de la enfermedad residual, recurrente o metastásica se registra antes del tratamiento y cada 8 semanas después del inicio del tratamiento con CCI-779. Se mide el tamaño del tumor en centímetros y se presenta como el producto del diámetro más grande y perpendicular. La medida mensurable se define como cualquier lesión mensurable bidimensionalmente en donde ambos diámetros son mayores de 1.0 cm por exploración por CT, rayos X o por palpación. Las respuestas de los tumores (respuesta completa, respuesta parcial, respuesta menor, enfermedad estable o enfermedad progresiva) se determinan por la suma de los productos de los diámetros perpendiculares de todas las lesiones mensurables. Las dos medidas de resultado clínico principal utilizadas en el presente estudio farmacocinético son el tiempo de progreso (TTP) y la supervivencia o tiempo para la muerte (TTD) . Se define TTP como el intervalo desde la fecha del tratamiento inicial CCI-779 hasta el primer día de medición de enfermedad progresiva, o se registra la última fecha conocida como libre de progreso. La supervivencia o TTD se define como el intervalo desde la fecha desde el tratamiento inicial con CCI-779 hasta el momento de muerte o del registro de la última fecha en donde se tenía conocimiento de que la persona estaba viva.

Ejemplo 6. Análisis estadístico El agrupamiento jerárquico no supervisado de los genes y/o arreglos en base en la similitud de sus perfiles de expresión se realiza utilizando el procedimiento de Eisen et al . , PROC NATL ACAD SCI U.S.A., 95:14863-14868 (1998). En estos análisis únicamente se utilizaron aquéllos transcritos que satisfacen un filtro de reducción de datos no riguroso (por lo menos una llamada presente, por lo menos una frecuencia a través del conjunto de datos de más de o igual a 10 ppm) . Los datos de expresión se transformaron logarítmicamente y se estandarizaron para tener un valor medio de cero y una varianza de uno, y los resultados de agrupamiento jerárquico se generaron utilizando agrupamiento de enlace promedio con una métrica de similitud de correlación no centrada. Para identificar los transcritos asociados a enfermedad se utiliza un cambio de múltiplo promedio y una prueba t de Studen para comparar los perfiles de expresión de PMBC normales con los perfiles de PMBC de carcinoma renal. Con respecto a la relación del resultado clínico con respecto a los perfiles de pretratamiento, para las determinaciones de una sola variable sencilla de las relaciones entre los niveles de expresión antes del tratamiento y las medidas continuas del resultado clínico se calcularon las relaciones entre la expresión y TTP y entre la expresión TTD para cada transcrito utilizando las relaciones de clasificación de Spearman. Los datos de expresión de gen también se determinan con mediciones registradas de resultados clínicos (TTP, TTD) utilizando el modelo de regresión de peligros proporcional de Cox. Los datos de supervivencia de los diversos grupos de pacientes se determinan por el análisis de Kaplan Meier y se establece la significancia utilizando la prueba de Wilcoxon . La selección del gen y la predicción de clase supervisada se realizan utilizando Genecluster versión 2.0, la cual se describe en Golub, et al . , SCIENCE, 286: 531-537 (1999) y está disponible de www. genome .wi .mit . edu/cáncer/software/genecluster2.html . Aquellos transcritos que satisfacen un filtro de reducción de datos más riguroso (por lo menos 25% de las llamadas presentes y una frecuencia de promedio a través de todos los PBMC de RCC menor o igual a 5 ppm) se utilizan para predecir el resultado clínico. Este filtro más riguroso puede evitar o minimizar la inclusión de transcritos de bajo nivel en los modelos de predicción. Para el análisis del vecino más cercano todos los datos de expresión en los conjuntos de entrenamiento y los conjuntos de prueba se transforman logarítmicamente antes del análisis. En los conjuntos de entrenamiento de datos, los modelos que contienen números en incremento de características (secuencias de transcritos de características (secuencias de transcritos) se acumulan utilizando un enfoque de dos lados (números iguales de características en cada clase) con una métrica de similitud S2N que utiliza la mediana de valores para el cálculo de clase. Todas las comparaciones son distinciones binarias y cada modelo (con números de características cada vez mayores) se evalúan por validación cruzada del tipo dejar uno fuera, validación cruzada de 10 veces o validación cruzada de 4 veces. La predicción de pertenencia de clase en los conjuntos de prueba se realiza utilizando el algoritmo de k vecinos más cercanos el cual también se puede encontrar en Genecluster. Véase también Armstrong, et al . , NATURE GENETICS, 30:41-47 (2002). Para muchas predicciones, el número de vecinos se establece en k = 3 , la distancia coseno medida utilizada y todos los vecinos k les proporcionan ponderaciones iguales. La descripción precedente de la presente invención proporciona una ilustración y descripción pero no debe considerarse como exhaustiva o limitante de la invención al modelo preciso que se describe. Son posibles modificaciones y variaciones que concuerden con las enseñanzas anteriores o que se pueden adquirir de la práctica de la invención. Por lo tanto, se hace notar que el alcance de la invención se define por las reivindicaciones y sus equivalentes. Se hace constar que con relación a esta fecha, el mejor método conocido por la solicitante para llevar a la práctica la citada invención, es el que resulta claro de la presente descripción de la invención.

Claims (19)

1. REIVINDICACIONES Habiéndose descrito la invención como antecede, se reclama como propiedad lo contenido en las siguientes reivindicaciones : 1. Un método para realizar un pronóstico de carcinoma de células renales (RCC) , caracterizado porque comprende comparar un perfil de expresión de uno o más genes en una muestra de sangre periférica de un paciente de interés con RCC con por lo menos un perfil de expresión de referencia de uno o más genes, en donde uno o más genes comprenden un gen que se selecciona de la tabla 2 ó 3, en donde el gen seleccionado de la tabla 2 ó 3 no es PRKCD, MD-2 o VNN2 , y en donde la diferencia o similitud entre el perfil de expresión del paciente de interés y por lo menos un perfil de expresión de referencia es indicativo de pronóstico de RCC en el paciente de interés.
2. 2. El método de conformidad con la reivindicación 1, caracterizado porque la muestra de sangre periférica en el paciente de interés es una muestra de sangre completa o comprende PBMC enriquecido.
3. 3. El método de conformidad con la reivindicación 2, caracterizado porque por lo menos un perfil de expresión de referencia comprende: un perfil de expresión de sangre periférica de valor inicial promedio de uno o más de los genes en pacientes con RCC quienes tienen un primer resultado clínico en respuesta a un tratamiento contra el cáncer, o una pluralidad de perfiles, cada uno de los cuales representa un perfil de expresión de sangre periférica de valor inicial de uno o más genes en un paciente diferente con RCC respectivo quien tiene el primero o segundo resultado clínico en respuesta al tratamiento contra el cáncer.
4. 4. El método de conformidad con la reivindicación 3, caracterizado porque el perfil de expresión del paciente de interés es un perfil de expresión de valor inicial para el tratamiento antitumoral.
5. 5. El método de conformidad con la reivindicación 4, caracterizado porque el tratamiento antitumoral es un tratamiento con CCI-779.
6. 6. El método de conformidad con la reivindicación 5, caracterizado porque uno o más de los genes comprenden un gen que se selecciona de los genes 1-7 de la Tabla 2 y otro gen se selecciona de los genes Nos. 8-14 de la Tabla 2 y el primero y segundo resultados se miden por el TTD del paciente en respuesta al tratamiento con CCI-779.
7. 7. El método de conformidad con la reivindicación 5, caracterizado porque uno o más genes comprenden un gen que se selecciona de los genes Nos. 1-14 de la Tabla 3 y el otro gen se selecciona de los genes Nos. 15- 28 de la Tabla 3, y el primero y segundo resultados se miden por el TTP del paciente en respuesta al tratamiento con CCI-779.
8. 8. El método de conformidad con la reivindicación 5, caracterizado porque uno o más de los genes comprenden un clasificador que se selecciona de la Tabla 4 y el perfil de expresión del paciente de interés se compara con por lo menos un perfil de expresión de referencia mediante la utilización del algoritmo de k vecinos más cercanos o votación ponderada.
9. 9. El método de conformidad con la reivindicación 5, caracterizado porque comprende la etapa de: predecir si el paciente de interés tiene el primero o segundo resultado clínico en respuesta al tratamiento con CCI-779.
10. 10. Un método para seleccionar un tratamiento de carcinoma de células renales (RCC) , caracterizado porque comprende las etapas de: proporcionar pronósticos de un paciente de interés con RCC para una pluralidad de tratamiento de acuerdo con el método de conformidad con la reivindicación 1; y seleccionar un tratamiento de la pluralidad de tratamientos que tenga un pronóstico favorable para el paciente de interés con RCC.
11. 11. Un sistema, caracterizado porque comprende: un primer medio de almacenamiento que incluye datos que representan un perfil de expresión de uno o más genes en una muestra de sangre periférica de un paciente quien tiene un tumor sólido; un segundo medio de almacenamiento que incluye datos que representan por lo menos un perfil de expresión de referencia de uno o más genes; un programa capaz de comparar el perfil de expresión de por lo menos un perfil de expresión de referencia; y un procesador capaz de ejecutar el programa, en donde uno o más genes comprenden un gen que se seleccionan de las Tablas 2 ó 3 y el gen no es PRKCD, MD-2 o VNN2.
12. 12. Un kit para el pronóstico o selección de tratamiento de carcinoma de células renales (RCC) , caracterizado porque comprende una sonda para un gen que se selecciona de la Tabla 2 ó 3, en donde el gen no es PRKCD, MD-2 o VNN2.
13. 13. Un método para el pronóstico de tumores sólidos, caracterizado porque comprende comparar un perfil de expresión de uno o más genes en una muestra de sangre periférica de un paciente de interés con por lo menos un perfil de expresión de referencia de uno o más genes, en donde el paciente de interés tiene un tumor sólido, y cada uno de uno o más genes se expresa de manera diferencial en células mononucleares de sangre periférica (PBMC) de una primera clase de pacientes en relación a los PBMC de una segunda clase de pacientes, en donde la primera y segunda clase de pacientes tienen un tumor sólido y la primera clase de pacientes tiene un primer resultado clínico y la segunda clase de pacientes tiene un segundo resultado clínico, en donde uno o más genes comprenden un gen cuyo perfil de expresión de PMBC determinado por HG-U133A- en la primera clase y la segunda clase de pacientes se relaciona con una distinción de clase bajo una métrica de correlación basada en clase, la distinción de clase representa un patrón de expresión idealizado del gen en los PBMC de la primera y segunda clase de pacientes, y en donde la diferencia o similitud entre el perfil de expresión del paciente de interés y por lo menos un perfil de expresión de referencia es indicativo de un pronóstico del tumor sólido en el paciente de interés.
14. 14. El método de conformidad con la reivindicación 13, caracterizado porque el primero y segundo resultados clínicos son resultados para un tratamiento contra tumores .
15. 15. El método de conformidad con la reivindicación 14, caracterizado porque el perfil de expresión de PBMC determinado por HG-U133A es un perfil de expresión de valor inicial para el tratamiento antitumoral.
16. 16. El método de conformidad con la reivindicación 15, caracterizado porque el tumor sólido es carcinoma de células renales (RCC) y la muestra de sangre periférica del paciente de interés es una muestra de sangre completa o comprende los PBMC enriquecidos y en donde por lo menos un perfil de expresión de referencia comprende: un perfil de expresión de sangre periférica de valor inicial promedio de uno o más genes en pacientes quienes tienen el tumor sólido y el primer resultado clínico; o una pluralidad de perfiles, cada uno de los cuales representa un perfil de expresión de sangre periférica de valor inicial de uno o más genes en un paciente respectivo diferente quien tiene un tumor sólido y un resultado clínico que se selecciona del grupo que consiste del primer resultado clínico y el segundo resultado clínico.
17. 17. El método de conformidad con la reivindicación 16, caracterizado porque el primero y segundo resultados clínicos se miden por TTD o TTP en respuesta al tratamiento con CCI-779.
18. 18. El método de conformidad con la reivindicación 17, caracterizado porque uno o más genes comprenden : un gen que se selecciona de los genes Nos. 1-7 de la Tabla 2 y otro gen que se selecciona de los genes Nos. 8-14 de la Tabla 2; o un gen que se selecciona de los genes Nos. 1-14 de la Tabla 3 y otro gen que se selecciona de los genes Nos. 15-28 de la Tabla 3.
19. 19. El método de conformidad con la reivindicación 17, caracterizado porque uno o más de los genes comprenden un clasificador que se selecciona de la Tabla 4, y el perfil de expresión del paciente de interés se compara con por lo menos un perfil de expresión de referencia al utilizar el algoritmo de k vecinos más cercanos o votación ponderada .