Abrégé

The present disclosure provides systems and methods for classifying lupus disease state of a patient is disclosed. The method can include analyzing a patient data set comprising or derived from gene expression measurements data of at least 2 genes, from a biological sample obtained or derived from the patient, to classify the lupus disease state of the patient. The at least 2 genes can be selected from Tables 17-1 to 17-30, and/or Tables 24-1 to 24-30.

Classes IPC  ?

• G16B 40/30 - Analyse de données non supervisée
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of COVID-19 disease based on gene expression data, including prediction of disease severity. In an aspect, a method for determining a COVID-19 disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample of each of a plurality of COVID-19 disease-associated genes; (b) computer processing the data set to determine the COVID-19 disease state of the subject; and (c) electronically outputting a report indicative of the COVID-19 disease state of the subject.

Classes IPC  ?

• C12Q 1/70 - Procédés de mesure ou de test faisant intervenir des enzymes, des acides nucléiques ou des micro-organismesCompositions à cet effetProcédés pour préparer ces compositions faisant intervenir des virus ou des bactériophages
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure provides systems and methods for classifying lupus disease state of a patient is disclosed. The method can include analyzing a patient data set comprising or derived from gene expression measurements data of at least 2 genes, from a biological sample obtained or derived from the patient, to classify the lupus disease state of the patient. The at least 2 genes can be selected from Tables 17-1 to 17-30, and/or Tables 24-1 to 24-30.

Classes IPC  ?

• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

Described are machine learning methods of identifying one or more records having a specific phenotype to enable proper correlation between genetic records and phenotypes. In an aspect, a method of identifying one or more records having a specific phenotype may comprise: (a) receiving a plurality of first records, each associated with one or more of a plurality of phenotypes; (b) receiving a plurality of second records, each associated with one or more of the phenotypes, wherein the first and second records are non-overlapping; (c) applying a machine learning algorithm to at least one first record and at least one second record to determine a classifier; (d) receiving a plurality of third records, distinct from the first and second records; and (e) applying the classifier to the third records to identify one or more third records associated with the specific phenotype.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06T 7/00 - Analyse d'image
• G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
• G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 10/20 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des essais ou des questionnaires cliniques électroniques
• G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
• G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
• G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 70/40 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des médicaments, p. ex. leurs effets secondaires ou leur usage prévu
• G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies

Abrégé

The present disclosure provides systems and methods for obtaining a gene set capable of classifying a patient between a first state and a second state. The method comprises training a first machine learning model to select N gene modules from a plurality of gene modules, optionally removing redundant genes from genes within the N gene modules to obtain a first gene set, training a second machine learning model to select M genes from the genes within the first gene set, wherein the selected M genes form the gene set capable of classifying the patient between the first state and the second state. The gene set can be used to diagnose and/or treat a patient classified between the first state and the second state.

Classes IPC  ?

• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G06N 20/00 - Apprentissage automatique
• G06N 20/20 - Techniques d’ensemble en apprentissage automatique
• G16B 20/00 - TIC spécialement adaptées à la génomique ou protéomique fonctionnelle, p. ex. corrélations génotype-phénotype
• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
• G16B 40/20 - Analyse de données supervisée
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G01N 33/53 - Tests immunologiquesTests faisant intervenir la formation de liaisons biospécifiquesMatériaux à cet effet

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of disease based on gene expression data. In an aspect, a method for determining a disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample at each of a plurality of disease-associated genomic loci; (b) computer processing the data set to determine the disease state of the subject; and (c) electronically outputting a report indicative of the disease state of the subject. In some embodiments, the plurality of disease-associated genomic loci comprises single nucleotide polymorphisms (SNPs). In some embodiments, the disease comprises a lupus condition. In some embodiments, the disease comprises cardiovascular disease (CVD).

Classes IPC  ?

• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs

Abrégé

The present disclosure provides methods for assessing a skin of a subject based on gene expression analysis. In an aspect, a method for assessing a skin of a subject comprises: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample from each of a plurality of inflammatory skin disease-associated genomic loci, e.g., lupus, psoriasis, atopic dermatitis, and/or systemic sclerosis (scleroderma) disease-associated genomic loci, wherein the plurality of inflammatory skin disease-associated genomic loci comprises at least one gene selected from the group listed in Table 1, Table 2, Table 4A-1 to 4A-20, Table 4B-1 to 4B-28, Table 4C, Table 4D, or any combination thereof; (b) analyzing the data set to classify the skin of the subject as indicative of the inflammatory skin-disease associated disease state; and (c) electronically outputting a report indicative of the classification of the skin of the subject as indicative of the inflammatory skin-disease associated disease state.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

The invention provides systems and methods for diagnosing and treating an inflammatory skin disease in a patient. The described methods may be used for longitudinal monitoring of the development, progression, or regression of a skin disease including lupus, psoriasis, atopic dermatitis, and systemic sclerosis (scleroderma) condition in a patient, in response to a therapy administered for the condition.

Classes IPC  ?

• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• C12Q 1/6881 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour le typage de tissu ou de cellule, p. ex. sondes d’antigène leucocytaire humain [HLA]
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G01N 33/48 - Matériau biologique, p. ex. sang, urineHémocytomètres
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• C12Q 1/686 - Réaction en chaine par polymérase [PCR]
• C12Q 1/6869 - Méthodes de séquençage

Abrégé

Methods and systems for diagnosis and treatment of lupus in a patient is disclosed. The method can include analyzing a data set comprising or derived from gene expression measurements of at least 2 genes selected from the genes listed in each of one or more Tables selected from Tables: 1 to 11 to determine a set of genes enriched in a biological sample obtained or derived from the patient; and diagnosing lupus in the patient based on enrichment of the set of genes, wherein the gene expression measurements are obtained from the biological sample.

Classes IPC  ?

• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne

Abrégé

Methods for classifying a lupus disease state of a patient is provided. The method can include analyzing a data set comprising or derived from gene expression measurements of at least 2 genes selected from genes listed in Table 3, and Tables 5-1 to 5-20 to classify the lupus disease state of the patient, wherein the gene expression measurements are obtained from a biological sample of the patient.

Classes IPC  ?

• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
• A61P 37/00 - Médicaments pour le traitement des troubles immunologiques ou allergiques
• C12Q 1/68 - Procédés de mesure ou de test faisant intervenir des enzymes, des acides nucléiques ou des micro-organismesCompositions à cet effetProcédés pour préparer ces compositions faisant intervenir des acides nucléiques
• C12Q 1/6827 - Tests d’hybridation pour la détection de mutation ou de polymorphisme

Abrégé

The present disclosure provides systems and methods for machine learning classification of lung nodules based on gene expression data and clinical characteristics data. The method can include, a) obtaining a data set containing gene expression measurements of a biological sample from a patient of at least two lung disease-associated genes, and clinical characteristics data of one or more clinical characteristics of the patient; b) providing the data set as an input to a machine-learning model trained to generate an inference of whether the data set is indicative of a malignant lung nodule or a benign lung nodule; c) receiving, as an output of the machine-learning model, the inference indicating whether the data set is indicative of the malignant lung nodule or the benign lung nodule; and d) electronically outputting a report classifying the lung nodule of the patient as the malignant lung nodule or the benign lung nodule.

Classes IPC  ?

• C12Q 1/6886 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique pour le cancer
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

A method for assessing a lupus nephritis disease state of a patient, the method comprising: analyzing a data set comprising or derived from gene expression measurement data of at least 2 genes or human orthologs thereof selected from the genes listed in Tables 19-1 to 19-36, Tables 19A-1 to 19A-36, Table 20, Table 21, Table 22, Tables 23-1 to 23-28, Tables 25-1 to 25-32, Tables 26-1 to 26-60, Tables 27-1 to 27-48, and Tables 28-1 to 28-22 in a biological sample from the patient, to classify the lupus nephritis disease state of the patient.

Classes IPC  ?

• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• C12Q 1/6881 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour le typage de tissu ou de cellule, p. ex. sondes d’antigène leucocytaire humain [HLA]
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux

Abrégé

The present disclosure provides a method for assessing a lupus state of a patient, the method comprising: analyzing a data set comprising and/or derived from gene expression measurements of at least 2 genes selected from genes listed in Tables: 1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17; 18; 19; 20; 21; 22; 23; 24; 25; 26; 27; 28; 29; 30; 31; and 32, to classify the lupus state of the patient, wherein the gene expression measurements are obtained from a biological sample obtained or derived from the patient.

Classes IPC  ?

• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• G01N 33/564 - Tests immunologiquesTests faisant intervenir la formation de liaisons biospécifiquesMatériaux à cet effet pour complexes immunologiques préexistants ou maladies auto-immunes
• G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
• A61P 37/00 - Médicaments pour le traitement des troubles immunologiques ou allergiques

Abrégé

The present disclosure provides methods for determining biological pathways and nucleotide polymorphisms (NPs) shared between two diseases.

Classes IPC  ?

• G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
• C12Q 1/68 - Procédés de mesure ou de test faisant intervenir des enzymes, des acides nucléiques ou des micro-organismesCompositions à cet effetProcédés pour préparer ces compositions faisant intervenir des acides nucléiques
• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• G16B 20/00 - TIC spécialement adaptées à la génomique ou protéomique fonctionnelle, p. ex. corrélations génotype-phénotype
• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure provides systems and methods for classifying lupus disease state of a patient is disclosed. The method can include analyzing a patient data set comprising or derived from gene expression measurements data of at least 2 genes, from a biological sample obtained or derived from the patient, to classify the lupus disease state of the patient. The at least 2 genes can be selected from Tables 17-1 to 17- 30, and/or Tables 24-1 to 24-30.

Classes IPC  ?

• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G01N 33/564 - Tests immunologiquesTests faisant intervenir la formation de liaisons biospécifiquesMatériaux à cet effet pour complexes immunologiques préexistants ou maladies auto-immunes
• G06F 18/00 - Reconnaissance de formes
• G06N 20/10 - Apprentissage automatique utilisant des méthodes à noyaux, p. ex. séparateurs à vaste marge [SVM]
• G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of COVID-19 disease based on gene expression data. In an aspect, a method for determining a COVID-19 disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample at each of a plurality of COVID-19 disease-associated genomic loci; (b) computer processing the data set to determine the COVID-19 disease state of the subject; and (c) electronically outputting a report indicative of the COVID-19 disease state of the subject.

Classes IPC  ?

• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• G16B 40/30 - Analyse de données non supervisée
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 50/80 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la détection, le suivi ou la modélisation d’épidémies ou des pandémies, p. ex. de la grippe

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of COVID-19 disease based on gene expression data, including prediction of disease severity. In an aspect, a method for determining a COVID-19 disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample of each of a plurality of COVID-19 disease-associated genes; (b) computer processing the data set to determine the COVID-19 disease state of the subject; and (c) electronically outputting a report indicative of the COVID-19 disease state of the subject.

Classes IPC  ?

• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• G01N 33/569 - Tests immunologiquesTests faisant intervenir la formation de liaisons biospécifiquesMatériaux à cet effet pour micro-organismes, p. ex. protozoaires, bactéries, virus

Abrégé

Disclosed are computer-implemented methods, systems, and media for analyzing patient- reported outcome (PRO) data. A method for determining a method of evaluation and treatment for patients may include receiving PRO data; validating the PRO data; inputting the PRO data to a first machine learning model; generating, using the first machine learning model, based on the PRO data, i) a score indicative of at least one of an activity of the patient's disease, an effectiveness of current treatment, or severity of the patient's reactions, and/or ii) an inference indicative of the disease state of the patient; and generating, recommending, and/or selecting based on the score and/or the inference, an action item, a second method of evaluation, and/or a second method of treatment for the patient.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 10/20 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des essais ou des questionnaires cliniques électroniques
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 20/00 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients
• G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission

Abrégé

The present disclosure provides methods for assessing a skin of a subject based on gene expression analysis. In an aspect, a method for assessing a skin of a subject comprises: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample from each of a plurality of inflammatory skin disease-associated genomic loci, e.g., lupus, psoriasis, atopic dermatitis, and/or systemic sclerosis (scleroderma) disease-associated genomic loci, wherein the plurality of inflammatory skin disease-associated genomic loci comprises at least one gene selected from the group listed in Table 1, Table 2, Table 4A-1 to 4A-20, Table 4B-1 to 4B-28, Table 4C, Table 4D, or any combination thereof; (b) analyzing the data set to classify the skin of the subject as indicative of the inflammatory skin-disease associated disease state; and (c) electronically outputting a report indicative of the classification of the skin of the subject as indicative of the inflammatory skin-disease associated disease state.

Classes IPC  ?

• C12Q 1/68 - Procédés de mesure ou de test faisant intervenir des enzymes, des acides nucléiques ou des micro-organismesCompositions à cet effetProcédés pour préparer ces compositions faisant intervenir des acides nucléiques
• G01N 33/50 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure provides systems and methods for machine learning classification of lung nodules based on gene expression data and clinical characteristics data. The method can include, a) obtaining a data set containing gene expression measurements of a biological sample from a patient of at least two lung disease-associated genes, and clinical characteristics data of one or more clinical characteristics of the patient; b) providing the data set as an input to a machine-learning model trained to generate an inference of whether the data set is indicative of a malignant lung nodule or a benign lung nodule; c) receiving, as an output of the machine-learning model, the inference indicating whether the data set is indicative of the malignant lung nodule or the benign lung nodule; and d) electronically outputting a report classifying the lung nodule of the patient as the malignant lung nodule or the benign lung nodule.

Classes IPC  ?

• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G06K 9/62 - Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
• G01N 33/574 - Tests immunologiquesTests faisant intervenir la formation de liaisons biospécifiquesMatériaux à cet effet pour le cancer

Abrégé

The present disclosure provides systems and methods for machine learning classification of lung nodules based on gene expression data and clinical characteristics data. The method can include, a) obtaining a data set containing gene expression measurements of a biological sample from a patient of at least two lung disease-associated genes, and clinical characteristics data of one or more clinical characteristics of the patient; b) providing the data set as an input to a machine-learning model trained to generate an inference of whether the data set is indicative of a malignant lung nodule or a benign lung nodule; c) receiving, as an output of the machine-learning model, the inference indicating whether the data set is indicative of the malignant lung nodule or the benign lung nodule; and d) electronically outputting a report classifying the lung nodule of the patient as the malignant lung nodule or the benign lung nodule.

Classes IPC  ?

• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of disease based on gene expression data. In an aspect, a method for determining a disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample at each of a plurality of disease-associated genomic loci; (b) computer processing the data set to determine the disease state of the subject; and (c) electronically outputting a report indicative of the disease state of the subject. In some embodiments, the plurality of disease-associated genomic loci comprises single nucleotide polymorphisms (SNPs). In some embodiments, the disease comprises a lupus condition. In some embodiments, the disease comprises cardiovascular disease (CVD).

Classes IPC  ?

• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
• G16B 20/00 - TIC spécialement adaptées à la génomique ou protéomique fonctionnelle, p. ex. corrélations génotype-phénotype
• G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
• G16B 40/20 - Analyse de données supervisée
• C12Q 1/68 - Procédés de mesure ou de test faisant intervenir des enzymes, des acides nucléiques ou des micro-organismesCompositions à cet effetProcédés pour préparer ces compositions faisant intervenir des acides nucléiques

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of COVID-19 disease based on gene expression data. In an aspect, a method for determining a COVID-19 disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample at each of a plurality of COVID-19 disease-associated genomic loci; (b) computer processing the data set to determine the COVID-19 disease state of the subject; and (c) electronically outputting a report indicative of the COVID-19 disease state of the subject.

Classes IPC  ?

• C12Q 1/6883 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour les maladies provoquées par des altérations du matériel génétique
• C12N 15/11 - Fragments d'ADN ou d'ARNLeurs formes modifiées
• A61P 31/14 - Antiviraux pour le traitement des virus ARN

Abrégé

The present disclosure provides systems and methods for machine learning classification and assessment of disease based on gene expression data. In an aspect, a method for determining a disease state of a subject may comprise: (a) assaying a biological sample obtained or derived from the subject to produce a data set comprising gene expression measurements of the biological sample at each of a plurality of disease-associated genomic loci; (b) computer processing the data set to determine the disease state of the subject; and (c) electronically outputting a report indicative of the disease state of the subject. In some embodiments, the plurality of disease-associated genomic loci comprises single nucleotide polymorphisms (SNPs). In some embodiments, the disease comprises a lupus condition. In some embodiments, the disease comprises cardiovascular disease (CVD).

Classes IPC  ?

• G06F 17/24 - Edition, p.ex. insertion/suppression
• G06F 17/30 - Recherche documentaire; Structures de bases de données à cet effet
• G06F 19/18 - pour la génomique ou la protéomique fonctionnelle, p.ex. associations génotype-phénotype, déséquilibre de liaison, mutagénèse, génotypage ou annotation génomique, interactions protéines-protéines ou interactions protéines-acides nucléiques
• G06F 19/28 - pour la programmation d'outils ou de systèmes de bases de données, p.ex. ontologies, intégration de données hétérogènes, entreposage de données ou architectures informatiques
• G16B 20/00 - TIC spécialement adaptées à la génomique ou protéomique fonctionnelle, p. ex. corrélations génotype-phénotype
• G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide

Abrégé

Described are machine learning methods of identifying one or more records having a specific phenotype to enable proper correlation between genetic records and phenotypes. In an aspect, a method of identifying one or more records having a specific phenotype may comprise: (a) receiving a plurality of first records, each associated with one or more of a plurality of phenotypes; (b) receiving a plurality of second records, each associated with one or more of the phenotypes, wherein the first and second records are non-overlapping; (c) applying a machine learning algorithm to at least one first record and at least one second record to determine a classifier; (d) receiving a plurality of third records, distinct from the first and second records; and (e) applying the classifier to the third records to identify one or more third records associated with the specific phenotype.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 10/20 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des essais ou des questionnaires cliniques électroniques
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
• G16H 70/40 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des médicaments, p. ex. leurs effets secondaires ou leur usage prévu
• G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
• G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
• G06T 7/00 - Analyse d'image

Abrégé

Described are machine learning methods of identifying one or more records having a specific phenotype to enable proper correlation between genetic records and phenotypes. In an aspect, a method of identifying one or more records having a specific phenotype may comprise: (a) receiving a plurality of first records, each associated with one or more of a plurality of phenotypes; (b) receiving a plurality of second records, each associated with one or more of the phenotypes, wherein the first and second records are non-overlapping; (c) applying a machine learning algorithm to at least one first record and at least one second record to determine a classifier; (d) receiving a plurality of third records, distinct from the first and second records; and (e) applying the classifier to the third records to identify one or more third records associated with the specific phenotype.

Classes IPC  ?

• G06K 9/62 - Méthodes ou dispositions pour la reconnaissance utilisant des moyens électroniques
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

Described are machine learning methods of identifying one or more records having a specific phenotype to enable proper correlation between genetic records and phenotypes. In an aspect, a method of identifying one or more records having a specific phenotype may comprise: (a) receiving a plurality of first records, each associated with one or more of a plurality of phenotypes; (b) receiving a plurality of second records, each associated with one or more of the phenotypes, wherein the first and second records are non-overlapping; (c) applying a machine learning algorithm to at least one first record and at least one second record to determine a classifier; (d) receiving a plurality of third records, distinct from the first and second records; and (e) applying the classifier to the third records to identify one or more third records associated with the specific phenotype.

Classes IPC  ?

• G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G06N 20/00 - Apprentissage automatique
• G16B 20/00 - TIC spécialement adaptées à la génomique ou protéomique fonctionnelle, p. ex. corrélations génotype-phénotype

Abrégé

Disclosed are computer-implemented methods, systems, and media for clustering cells using gene differential expression of single cells. In an aspect, a method may comprise: mapping RNA-Seq data of a plurality of cells onto a sphere (e.g., a hypersphere); calculating a plurality of distances, each of which is associated with an angle between two different cells mapped onto the sphere; clustering the plurality of cells into two clusters based on the plurality of distances; evaluating each of the two clusters using a pre-determined stopping criterion; and repeating the clustering and evaluating on each of the two clusters until the pre-determined stopping criterion or a second stopping criterion is met.

Classes IPC  ?

• C12Q 1/6881 - Produits d’acides nucléiques utilisés dans l’analyse d’acides nucléiques, p. ex. amorces ou sondes pour le typage de tissu ou de cellule, p. ex. sondes d’antigène leucocytaire humain [HLA]
• G16B 25/10 - Profilage de l’expression de gènes ou de protéinesEstimation ou normalisation de ratio d’expression
• G16B 45/00 - TIC spécialement adaptées à la visualisation de données liées à la bio-informatique, p. ex. affichage de cartes ou de réseaux