2023-003551

特願２０１９－５６５９４１「肺疾病の特定又はモニタリング方法及びシステム」拒絶査定不服審判事件〔平成３０年１２月 ６日国際公開、ＷＯ２０１８／２２３０６６、令和 ２年 ７月３０日国内公表、特表２０２０－５２２６９０〕について、次のとおり審決する。

結 論 本件審判の請求は、成り立たない。

理 由 第１ 手続の経緯の概要 本願は、２０１８年６月１日（パリ条約による優先権主張 ２０１７年６月２日、２０１７年８月１７日、いずれも（米国）アメリカ合衆国）を国際出願日とする出願であって、その手続の経緯の概要は以下のとおりである。 令和３年 ５月３１日 ：手続補正書の提出 令和４年 ４月 ５日付け：拒絶理由通知書 令和４年 ７月 ８日 ：意見書、誤訳訂正書の提出 令和４年１０月２８日付け：拒絶査定 令和５年 ３月 １日 ：審判請求書、手続補正書の提出 令和５年 ５月３１日 ：手続補正書（方式）の提出 第２ 令和５年３月１日にされた手続補正についての補正の却下の決定 ［補正の却下の決定の結論］ 令和５年３月１日付けの手続補正を却下する。 ［理由］ １ 本件補正について 令和５年３月１日付けの手続補正（以下、「本件補正」という。）は、特許請求の範囲の請求項１を以下のように補正することを含むものである。 （１）補正前 「 【請求項１】 肺疾病について被検体をスクリーニングする方法であって、 （ａ）（１）前記肺疾病を発症する１つ以上のリスク因子の存在についてコンピュータ分析を行い、（２）前記１つ以上のリスク因子の存在が特定された被検体から採取された第１の試料からの上皮組織をアッセイすることであって、前記第１の試料における前記肺疾病を発症するリスクに関連付けられた１つ以上のバイオマーカーの有無を特定する、こと、 （ｂ）前記１つ以上のバイオマーカーの有無の特定に基づいて、前記被検体の第２の試料から他の上皮組織をアッセイすること、を含む、方法。」 （２）補正後 「 【請求項１】 肺疾病について被検体をスクリーニングする方法であって、 （ａ）（１）前記肺疾病を発症する１つ以上のリスク因子の存在について機械学習アルゴリズムを用いたコンピュータ分析を行い、（２）前記１つ以上のリスク因子の存在が特定された被検体から採取された第１の試料からの上皮組織をアッセイすることであって、前記第１の試料における前記肺疾病を発症するリスクの低さに関連付けられた１つ以上のバイオマーカーの有無を特定し、前記機械学習アルゴリズムは、前記肺疾病を発症するリスクの低さに関連付けられた前記１つ以上のバイオマーカーを特定するために学習されたものであり、前記被検体は前記肺疾病の確定診断を受けていない、こと、 （ｂ）少なくとも前記１つ以上のバイオマーカーの有無に基づく、前記肺疾病を発症するリスクが低い前記被検体の特定に基づいて、前記被検体の第２の試料から他の上皮組織をアッセイすること、を含む、方法。」 なお、下線部は補正箇所を示す。 ２ 補正の適否 本件補正は、以下のとおり、本願の願書に最初に添付した明細書、特許請求の範囲又は図面（以下「本願当初明細書等」という。）に記載した事項の範囲内においてしたものとはいえないことから、特許法第１７条の２第３項の規定に違反しているものである。 （１）本件補正の内容 本件補正により、本件補正前の請求項１の「肺疾病を発症する１つ以上のリスク因子の存在について」行う「コンピュータ分析」が、「機械学習アルゴリズムを用いた」ものであることが特定された。 また、本件補正の「前記機械学習アルゴリズムは、前記肺疾病を発症するリスクの低さに関連付けられた前記１つ以上のバイオマーカーを特定するために学習されたもの」との記載中の「前記機械学習アルゴリズム」は、「肺疾病を発症する１つ以上のリスク因子の存在について」行う「コンピュータ分析」に用いられた「機械学習アルゴリズム」のことを指し示すから、当該「機械学習アルゴリズム」が「肺疾病を発症するリスクの低さに関連付けられた前記１つ以上のバイオマーカーを特定するために学習されたもの」であることが特定された。 （２）本願当初明細書等の記載 本願当初明細書等には、次の記載がある。（下線は合議体が付した。） 【０００４】 [4] 本開示の一態様は、肺疾病について被検体をスクリーニングする方法であって、（ａ）（１）肺疾病を発症する１つ以上のリスク因子の存在についてコンピュータ分析を行い、（２）１つ以上のリスク因子の存在が特定された被検体から採取された第１の試料からの上皮組織をアッセイし、第１の試料における肺疾病を発症するリスクに関連付けられた１つ以上のバイオマーカーの有無を特定すること、（ｂ）１つ以上のバイオマーカーの有無を特定するにあたり、（ｉ）被検体において肺疾病に罹患する疑いのある肺領域の電子画像スキャンを取得するように指示すること、又は、（ｉｉ）被検体の第２の試料から他の上皮組織をアッセイすることを含む、方法を提供する。一部の実施形態において、方法は、（ｂ）の前に、被検体の上皮組織を含む第１の試料のアッセイの要請を受信することを更に含む。 【０００６】 [6] 一部の実施形態において、肺疾病は、肺癌、慢性閉塞性肺疾患（ＣＯＰＤ）、間質性肺疾病（ＩＬＤ）、又はこれらの任意の組み合わせである。一部の実施形態において、肺疾病は肺癌であり、肺癌は、小細胞肺癌、腺癌、扁平上皮癌、大細胞癌、小細胞肺癌、又はこれらの任意の組み合わせを含む。 【００１４】 [14] 一部の実施形態において、方法は、（ａ）の前に、被検体に対してコンピュータ分析を行い、被検体から肺疾病を発症する１つ以上のリスク因子の存在を特定することを更に含む。 【００１７】 [17] 一部の実施形態において、１つ以上の肺結節は、少なくとも２つの結節である。一部の実施形態において、被検体における第２の試料の採取は、被検体に対して気管支鏡検査、胸腔穿刺法（ＴＴＮＡ）、又は胸腔鏡補助下手術（ＶＡＴＳ）を行うことを含む。一部の実施形態において、被検体における第２の試料の採取は、組織生検を含む。 【００４２】 [42] 一部の実施形態において、（ａ）における特定は、訓練アルゴリズムの採用を含む。一部の実施形態において、訓練アルゴリズムは、個人の気道から採取された上皮細胞を含む訓練セットにより訓練されている。一部の実施形態において、訓練アルゴリズムは、肺疾病に対して良性の試料と、肺疾病に対して悪性の試料とを含む訓練セットにより訓練されている。一部の実施形態において、訓練アルゴリズムは、１つ以上のリスク因子を有する複数の被検体から採取された試料を含む訓練セットにより訓練されている。一部の実施形態において、方法は、被検体の血液分析、被検体に対する電子画像スキャン、又はこれらの任意の組み合わせを更に含む。本開示の別の態様は、肺疾病に罹患している又は肺疾病に罹患する疑いのある被検体をモニタリングする方法であって、（ａ）肺疾病に罹患する疑いがあり、１つ以上の肺結節について陰性の徴候を示す被検体から採取された上皮組織を含む第１の試料をアッセイして、肺疾病と関連付けられた１つ以上のバイオマーカーの有無を特定すること、（ｂ）１つ以上のバイオマーカーの有無を特定するにあたり、（ｉ）被検体から第２の試料を採取し、又は、（ｉｉ）（ａ）の結果に基づき被検体の肺領域の電子画像スキャンを取得するように被検体に指示すること、を含む方法を提供する。一部の実施形態において、方法は、（ａ）の前に、被検体に対してコンピュータ分析を行い、被検体から肺疾病を発症する１つ以上のリスク因子の存在を特定することを更に含む。 【００６７】 [114] 図２に示すように、現在の臨床診療基準における様々な決定ポイントにゲノム分類器を組み込むことで、不要な侵襲性手法の数を減らし、肺癌のリスクが低い被験体を特定することができる。例えば、米国の場合、画像スキャンで偶然に肺結節を検出するケースが毎年約１８０万?２００万件に達する。現在の臨床基準では、画像スキャンで結節が検出された被検体は、結節が肺癌の存在を意味するものであるか否かを判定するために、侵襲性気管支鏡検査を受けなければならない。約１４０，０００人の被検体（又は、気管支鏡検査を受けた被検体３５０，０００人のうち約６０?７０％）が、不明確な又は疑わしい結果を受ける。現在の臨床基準によると、気管支鏡検査で不明確な又は疑わしい結果が得られた場合、診断手術を行って組織病理的に判断するしかない。しかしながら、不明確な又は疑わしい結果を受けた被検体の約７０?８０％は、結局、肺組織が良性であるとの判定を受ける。従って、本明細書に記載の新たな方法、システム、キットは、不明確な又は疑わしい結果の後に１つ以上のゲノム分類器で更に分析を行い、肺癌を発症するリスクが低い被検体を特定し、現在の臨床治療基準を改善することができる。肺癌に対して高いリスクを有する被検体、又はリスクが増加している被検体にのみ診断手術を行うと、低リスク集団に不要の侵襲的処置を適用せずともよい。 【００７６】 [123] 図１１ａ及び図１１ｂは、早期発見を改善し、不要な侵襲的処置を最小限に抑える、現行の臨床標準治療における特定の決定ポイントへの様々なゲノム分類器の追加を示す。例えば、リスク曝露集団は、包括的な集団内で特定し得る。リスク曝露集団には、肺疾病（肺癌など）を発症する又は罹患するリスクが高い被検体が含まれ得る。肺疾病に関連する１つ以上のリスク因子の存在を特定することによりリスク曝露集団を特定することができる。被検体には、１つ以上のリスク因子の存在を評価するために問診を行ってもよい。医療従事者は、質問に対する被検体の答えから１つ以上のリスク因子の存在を評価し得る。肺疾病のリスクがあると特定された被検体から試料（鼻の擦過などにより採取された非侵襲的試料など）を採取してもよい。試料から得たデータ（発現レベルや配列変異体データなど）を、ゲノム分類器（Nasa-Detect分類器など）に入力し得る。ゲノム分類器により、試料が陽性又は陰性のいずれであるかを特定し得る。陽性の結果が出た被検体は、肺結節をスキャンするために画像スキャン（低線量ＣＴスキャンなど）を受け得る。陰性の結果が出た被検体については、後の時点で試料をもう一度採取し、そこから得たデータをゲノム分類器に入力してもよい。 【００９１】 [138] 図２４は、本明細書における訓練アルゴリズムのフローチャートである。例えばアルゴリズムは、試料から１つ以上の種類のシーケンシングデータを受け取ることができる。アルゴリズムが受け取ったデータを正規化し得る。必要に応じて、特徴抽出又は特徴選択が教師付き機械学習とともに行われ得る。１つ以上の臨床的共変量をアルゴリズムに追加してもよい。１つ以上の訓練ラベルをアルゴリズムに追加してもよい。１つ以上のロックをアルゴリズムに追加してもよい。分析検証を確認し得る。臨床検証を確認し得る。ゲノム分類器を稼働し得る。 【０１０２】 [149] 質問に回答できるよう、被検体にアンケート（書面又はウェブ上）を提供し、１つ以上のリスク因子の存在を評価してもよい。医療従事者は、被検体から１つ以上の質問に対する回答を直接聞き、１つ以上のリスク因子の存在を評価してもよい。被検体から採取された非侵襲性試料により１つ以上のリスク因子の存在を評価してもよい。１つ以上のリスク因子の存在を評価するために被検体の過去の病歴を用いてもよい。医療従事者は、例えば被検体の病歴を含む、被検体のヘルスデータ又は生理データを保持してもよい。 【０１４８】 [195] 生遺伝子の発現レベルと選択的スプライシングデータは、一部において、データの正規化を目的として、及び／又はデータの信頼性を高めることを目的として設計されたアルゴリズムを適用することで改善することができる。本開示の一部の実施形態において、データ分析では処理すべき個々のデータポイントの数を非常に多いので、本明細書に記載の様々なアルゴリズムを適用するためには、コンピュータや他の装置、マシン、又は機器を必要とする。「機械学習アルゴリズム」とは、遺伝子発現プロファイルの特徴付けに採用されるコンピュータ実行型予測の方法論であり、当業者には「分類器」として公知である。通常、例えばマイクロアレイに基づくハイブリダイゼーション分析から得得る、特定の発現レベルに対応するシグナルを、発現プロファイル分類のために、アルゴリズムにかけ得る。教師付きの学習では、一般的に、分類器を「訓練」してクラス間の差異を認識させ、独立したテストセットを以って分類器の精度を「テスト」する。新たに採取された未知の試料については、分類器を用いて試料が属するクラスを予測することができる。 【０１５８】 [205] 本開示の一部の実施形態において、訓練アルゴリズムを用いて結果を分類し得る。本開示の訓練アルゴリズムには、既知の良性試料、悪性試料、正常試料の参照セットを用いて開発されたアルゴリズムが含まれる。訓練用試料は、ＦＮＡ試料、摘出生検試料、気管支鏡試料、又はこれらの任意の組み合わせを含んでもよい。試料のカテゴリー化に適合するアルゴリズムには、ｋ近傍アルゴリズム、概念ベクトルアルゴリズム、単純ベイズアルゴリズム、ニューラルネットワークアルゴリズム、隠れマルコフモデルアルゴリズム、遺伝的アルゴリズム、相互情報特徴選択アルゴリズム、又はこれらの任意の組み合わせが含まれ得るが、これに限らない。一部において、本開示の訓練アルゴリズムは、遺伝子発現又は選択的スプライシングのデータ以外のデータ（ＤＮＡ多型データ、シーケンシングデータ、本開示の細胞学者や病理学者による採点又は診断、本開示の予備分類器アルゴリズムにより提供される情報、又は本開示における被検体の病歴に関する情報を含むが、これに限らない）を取り組んでもよい。 【０１８２】 [229] 本明細書に記載の分類器は、侵襲的処置を使用せず、ＩＰＦ又は肺癌などの疾病を診断してもよい。教師なしのクラスタリング分析には、（ｉ）小さい試料サイズ、（ｉｉ）疾患の異質性（例えば、非ＵＩＰパターン亜型疾患）、（ｉｉｉ）異なる試料のプール効果及びバッチ効果、又は（ｉｖ）これらの任意の組み合わせにより、（ａ）悪性組織と良性組織の区別、（ｂ）ＵＩＰパターンと非ＵＩＰパターンの区別、（ｃ）特定の発現パターンを有する試料とそうでない試料の区別、又は（ｄ）これらの任意の組み合わせを行うことができないという短所がある。訓練済みの機械学習アルゴリズムであれば、上記の短所を補える。本明細書に記載の方法は、侵襲的処置の必要性を排除し、小さい試料サイズ、疾患の不均一性、又は異なる試料のプール効果及びバッチ効果という限界にも拘らず、高い臨床精度を備えた非侵襲的予後ツール、診断ツール、又はこれらの任意の組み合わせを提供することができる。一部において、RNA-seqデータは、機械学習アルゴリズムに入力される。同被検体から採取された試料でも異質性が生じることがある。例えば、組織病理的特徴は、組織（肺組織など）全体で均一性を有しないことがあり、遺伝子発現プロファイルは、試料の採取部位により異なり得る。疾患により異質性が生じることもある。例えば、非ＵＩＰパターンの存在は、異なる種類の疾患など、１つ以上の亜型疾患を示す。 【０１９１】 [239] 方法論：エクソーム濃縮ＲＮＡシーケンシングを、訓練アルゴリズムで用いられる、９０人の患者から得た３５４個の経気管支生検（ＴＢＢ）試料に対して実行する。別途の検証として、追加の患者４９人から得た３?５個の個別ＴＢＢ試料から構成されるプールＴＢＢ試料に対してシーケンシングを行う。教師なしのクラスタリングと差次的発現遺伝子分析を行い、疾患の異質性を特徴付け、ＵＩＰと非ＵＩＰを区別できるゲノム特徴を選択する。小さな試料サイズと、潜在的な疾患異質性による問題を克服できるように、患者ごとに複数の試料を用いて機械学習アルゴリズムを訓練する。テストセットのプール試料を模倣するようにシミュレートしたin silico混合試料に対して評価を行う。テストセットで機械学習アルゴリズムを検証し、複数のバッチに亘る技術的な複製を用いてアルゴリズムの堅牢性を更に評価する。 【０２１８】 [271] 分類器の訓練 [272] テストは病理学により定義された参照ラベルを認識して呼び出すことを目的とし得るので、参照ラベルは分類器の訓練（Tuch等）の応答変数、及びエクソーム濃縮、フィルター処理、正規化を行った予測特徴としてのＲＮＡ配列データで定義され得る。ランダムフォレスト、サポートベクターマシン（ＳＶＭ）、勾配ブースティング、ニューラルネットワーク、罰則付きロジスティック回帰を含む複数の分類モデルを評価し得るる（Dobson等：本文に援用されている）。各分類器は、５分割交差検証と１人患者抜き交差検証（LOPO CV）に基づいて評価し得る（Friedman等：本文に援用されている）。Ensembleモデルは、個々のモデルのスコアの加重平均を介して個々の機械学習方法を組み合わせることで検査することもできる。 【０２１９】 [273] 過剰適合を最小限に抑えるために、訓練・評価中に、各交差検証分割を層化して、単一の患者からの全てのデータを特定の分割に含めるか保持し得る。ハイパーパラメータ調整は、ネスト交差検証法を用いて各交差検証分割内で実行し得る（Krstajic D等2014：本文に援用されている）。ランダム検索と１つの標準エラールール（Hastie、Tibshirani、Friedman 2009：本文に援用されている）を選択して、内部ＣＶから最適なパラメータを選択し、潜在的な過剰適合を更に最小限に抑え得る。最終的に、完全な訓練セットでハイパーパラメータ調整を繰り返し、最終ロック分類器のパラメータを定義する。様々な機械学習アルゴリズムのトレーニングのパイプラインは、Ｒパッケージ（DESeq2、hclust、cv.glmnet、caret、caretEnsemble）を使用して自動化と実行を行い得る。 【０２３３】 [296] 訓練セットに対する交差検証 [297] ９０人の患者から採取された３５４個のＴＢＢ試料の訓練セットでの特徴選択と機械学習アルゴリズムを評価し得る。最初の試みとして、個々の方法とEnsembleモデルは、各分割の経験的ＡＵＣの平均を使用して推定された５分割ＣＶ及び交差検証ＡＵＣ（ｃｖＡＵＣ）に基づいて個別に評価され得る。全体として、罰則付き回帰モデル（ｃｖＡＵＣ＝０．８９）などの線形モデルの方が、ランダムフォレスト（ｃｖＡＵＣ＝０．８３）や勾配ブースティング（ｃｖＡＵＣ＝０．８４）などの非線形ツリーベースのモデルよりも優れ得る。ニューラルネットワーク分類器のｃｖＡＵＣは０．８未満になり得る。最も優れた性能を示すのは、（１）線形カーネルと放射状カーネルを備えたＳＶＭのアンサンブルモデル、及び（２）罰則付きロジスティック回帰であり得る。両方ともｃｖＡＵＣ＝０．８９である。ただし、疾患間の異質性と小さいサイズの試料のため、全てのモデルにおけるＣＶ性能は、分割によって大きく異なることがある。 （３）判断 上記（２）のように、本願当初明細書等の【０００４】、【００１４】、【００４２】から、「肺疾病を発症する１つ以上のリスク因子の存在について」「コンピュータ分析」を行うことが読み取れる。 また、本願当初明細書等の【０１４８】には「「機械学習アルゴリズム」とは、遺伝子発現プロファイルの特徴付けに採用されるコンピュータ実行型予測の方法論であり、当業者には「分類器」として公知である。」と記載されているし、【０１８２】、【０１９１】、【０２１８】、【０２１９】、【０２３３】からは、機械学習アルゴリズムを、実際に分類器として患者から採取された試料中の遺伝子発現プロファイルを特徴付けるために使用することや、疾患として肺疾病を対象とすることが読み取れる。 しかしながら、「肺疾病を発症する１つ以上のリスク因子の存在について」行う「コンピュータ分析」が、「機械学習アルゴリズムを用いた」「コンピュータ分析」であることは、本願当初明細書等の上記箇所からは読み取ることができない。また、請求人が請求の理由で補正の根拠と主張する本願当初明細書の【００１７】、【００６７】、【００９１】、【０１５８】、【０１８２】、【０００６】や他の箇所にもそれを開示ないし示唆する部分は見当たらない。また、「コンピュータ分析」といえばただちに「機械学習アルゴリズム」を用いたコンピュータ分析であるとする技術常識があるといった事情もない。 さらに、「肺疾病を発症する１つ以上のリスク因子の存在について行う」「コンピュータ分析」に用いる「機械学習アルゴリズム」が本願明細書等に開示されていないのであるから、当然に当該「機械学習アルゴリズム」が「肺疾病を発症するリスクの低さに関連付けられた前記１つ以上のバイオマーカーを特定するために学習されたもの」であることも本願当初明細書等に開示されていない。 とすると、本件補正により、「肺疾病を発症する１つ以上のリスク因子の存在について」行う「コンピュータ分析」が、「機械学習アルゴリズムを用いた」ものであることが特定され、かつ当該「機械学習アルゴリズム」が「肺疾病を発症するリスクの低さに関連付けられた前記１つ以上のバイオマーカーを特定するために学習されたもの」であることが特定された一方、本願当初明細書等には、そのような特定は記載されておらず、また、そのような特定が技術常識であるともいえないことから、本件補正に係る技術的事項が、本願当初明細書等の全ての記載を総合することにより導かれる技術的事項との関係において、新たな技術的事項を導入したものといわざるを得ない。 したがって、本件補正は、本願当初明細書等に記載した事項の範囲内においてしたものでないから、特許法第１７条の２第３項の規定に違反しているものである。 ３ むすび 以上のとおりであるから、本件補正は、同法第１５９条第１項の規定において読み替えて準用する同法第５３条第１項の規定により却下すべきものである。 よって、前記補正の却下の決定の結論のとおり決定する。 第３ 本願発明について １ 本願発明 令和５年３月１日付けの手続補正は上記のとおり却下されたので、本願の請求項１に係る発明（以下、「本願発明」という。）は、上記「第２ １（１）」に「補正前」として記載した、令和４年７月８日提出の誤訳訂正書の特許請求の範囲の請求項１に記載された事項により特定されるとおりのものである。 ２ 原査定の拒絶の理由の概要 令和４年１０月２８日付け拒絶査定は、この出願の請求項１に係る発明は、その優先日前に日本国内又は外国において頒布された又は電気通信回線を通じて公衆に利用可能となった下記の引用文献１に記載された発明に基いて、その優先日前にその発明の属する技術の分野における通常の知識を有する者が容易に発明をすることができたものであるから、特許法第２９条第２項の規定により特許を受けることができない、というものを含むものである。 引用文献等一覧 引用文献１ 国際公開第２０１６／０１１０６８号 ３ 引用文献１ （１）引用文献１の記載 原査定の拒絶の理由で引用された、本願の優先日前に頒布された又は電気通信回線を通じて公衆に利用可能となった刊行物である国際公開第２０１６／０１１０６８号（以下「引用文献１」という。）には、次の記載がある。（下線は合議体が付した。） 「Claims What is claimed is: 1. A method of determining the likelihood that a subject has lung cancer, the method comprising subjecting a biological sample obtained from a subject to a gene expression analysis, wherein the gene expression analysis comprises (a) determining mR A expression levels in the biological sample of one or more informative-genes that relate to lung cancer status, and (b) determining mRNA expression levels in the biological sample of one or more genomic correlate genes that relate to one or more self-reportable characteristics of the subject; and determining a lung cancer risk-score, based on the expression levels determined in (a) and (b), that is indicative of the likelihood that the subject has lung cancer. 2. The method of claim 1, wherein the one or more self-reportable characteristics of the subject are selected from: smoking pack years, smoking status, age and gender.」 （下線部合議体訳： 【請求項１】 対象が肺がんを有する尤度を決定する方法であって、 対象から得た生体試料を、 （ａ）肺がん状態に関係する１つまたは複数の情報提示遺伝子の、前記生体試料におけるｍＲＮＡ発現レベルを決定する工程と、 （ｂ）前記対象の１つまたは複数の自己報告可能な特徴に関係する１つまたは複数のゲノム相関遺伝子の前記生体試料におけるｍＲＮＡ発現レベルを決定する工程と を含む遺伝子発現分析に付す工程、および 前記対象が肺がんを有する尤度を示す肺がんリスクスコアを、（ａ）および（ｂ）において決定した発現レベルに基づいて決定する工程 を含む方法。 【請求項２】 前記対象の１つまたは複数の自己報告可能な特徴が、喫煙パック年、喫煙状態、年齢および性別から選択される、請求項１に記載の方法。） 「[0011] In particular embodiments, the approaches herein may be used when a subject was referred for bronchoscopy and the bronchoscopy procedure resulted in indeterminate or nondiagnostic information. Accordingly, disclosed herein are methods for assigning such subjects to a low-risk, including one or more of steps (a) obtaining a biological sample from the respiratory tract of the subject, wherein the subject has undergone a non-diagnostic bronchoscopy procedure, (b) subjecting the biological sample to a gene expression analysis, in which the gene expression analysis comprises determining the expression levels of a plurality of informative-genes in the biological sample, (c) computing a lung cancer risk score based on the expression levels of the plurality of informative-genes, and (d) determining that the subject is a low risk of lung cancer, if the level of the lung cancer risk score is beyond (e.g., below) a first threshold level, and optionally, (e) assigning the low-risk subjects to one or more non-invasive follow-up procedures; CT surveillance, for example. Such approaches allow a population of subjects to avoid subsequent invasive approaches. For subjects who are not below the threshold level, traditional approaches following a non-diagnostic bronchoscopy may be followed. [0012] In some embodiments, the first diagnostic intervention comprises performing a transthoracic needle aspiration, mediastinoscopy or thoracotomy. In some embodiments, the second diagnostic intervention comprises engaging in watchful waiting (e.g., periodic monitoring). In some embodiments, watchful waiting comprises periodically imaging the respiratory tract to evaluate the suspicious lesion. In some embodiments, watchful waiting comprises periodically imaging the respiratory tract to evaluate the suspicious lesion for up to one year, two years, four years, five years or more. In some embodiments, watchful waiting comprises imaging the respiratory tract to evaluate the suspicious lesion at least once per year. In some embodiments, watchful waiting comprises imaging the respiratory tract to evaluate the suspicious lesion at least twice per year. In some embodiments, watchful waiting comprises periodic monitoring of a subject unless and until the subject is diagnosed as being free of cancer. In some embodiments, watchful waiting comprises periodic monitoring of a subject unless and until the subject is diagnosed as having cancer. In some embodiments, watchful waiting comprises periodically repeating one or more of steps (a) to (f) noted in the preceding paragraph. In some embodiments, the third diagnostic intervention comprises performing a bronchoscopy procedure. In some embodiments, the third diagnostic intervention comprises repeating steps (a) to (e) noted in the preceding paragraph. In certain embodiments, the third diagnostic intervention comprises repeating steps (a) to (e) within six months of determining that the lung cancer risk score is between the first threshold and the second threshold levels. In certain embodiments, the third diagnostic intervention comprises repeating steps (a) to (e) within three months of determining that the lung cancer risk score is between the first threshold and the second threshold levels. In some embodiments, the third diagnostic intervention comprises repeating steps (a) to (e) within one month of determining that the lung cancer risk score is between the first threshold and the second threshold levels.」 （下線部合議体訳： [0011] 特定の実施形態では、本明細書におけるアプローチを対象が気管支鏡検査で調べ、その気管支鏡検査によって不確定または非診断情報が得られた場合、使用することができるだろう。したがって、そのような対象を低リスクに割り当てる方法であって、（ａ）気管支鏡検査手法で診断できなかった対象の呼吸器から生体試料を得る工程、（ｂ）生体試料における複数の情報提示遺伝子の発現レベルを決定することを含む遺伝子発現分析に生体試料を付す工程、（ｃ）複数の情報提示遺伝子の発現レベルに基づいて肺がんリスクスコアをコンピュータ処理する工程、および（ｄ）肺がんリスクスコアのレベルが第一の閾値レベルを超えた（例えば、第一の閾値レベルより下であった）場合、対象は肺がんのリスクが低いと決定する工程、ならびに任意選択により、（ｅ）低リスク対象を１つまたは複数の非侵襲的追跡調査手法、例えばＣＴ監視に割り当てる工程のうちの１つまたは複数を含む方法を、本明細書において開示する。そのようなアプローチによって、対象集団はその後の侵襲的アプローチを回避することができる。・・・ ［0012］・・・一部の実施形態では、慎重な経過観察は、前の段落で述べた工程（ａ）～（ｆ）のうちの１つまたは複数を定期的に反復することを含む。一部の実施形態では、第三の診断的介入は、気管支鏡検査手法を実施することを含む。一部の実施形態では、第三の診断的介入は、前の段落で述べた工程（ａ）～（ｅ）を反復することを含む。特定の実施形態では、第三の診断的介入は、肺がんリスクスコアが第一の閾値レベルと第二の閾値レベルの間であるという決定から６カ月以内に工程（ａ）～（ｅ）を反復することを含む。特定の実施形態では、第三の診断的介入は、肺がんリスクスコアが第一の閾値レベルと第二の閾値レベルの間であるという決定から３カ月以内に工程（ａ）～（ｅ）を反復することを含む。一部の実施形態では、第三の診断的介入は、肺がんリスクスコアが第一の閾値レベルと第二の閾値レベルの間であるという決定から１カ月以内に工程（ａ）～（ｅ）を反復することを含む。） 「[0025] It should be appreciated that in any embodiment or aspect described herein, a biological sample can be obtained from the respiratory epithelium of the subject. The respiratory epithelium can be of the mouth, nose, pharynx, trachea, bronchi, bronchioles, or alveoli. However, other sources of respiratory epithelium also can be used. The biological sample can comprise histologically normal tissue. The biological sample can be obtained using bronchial brushings, such as cytobrush or histobrush; broncho-alveolar lavage; bronchial biopsy; oral washings; touch preps; fine needle aspirate; or sputum collection. The subject can exhibit one or more symptoms of lung cancer and/or have a lesion that is observable by computer-aided tomography or chest X-ray. In some cases, the subject has not been diagnosed with primary lung cancer prior to being evaluating by methods disclosed herein.」 （下線部合議体訳： [0025] 本明細書に記載するいずれの実施形態または態様においても、生体試料を対象の呼吸上皮から得ることができることは、理解されるはずである。呼吸上皮は、口、鼻、咽頭、気管、気管支、細気管支または肺胞のものでありうる。・・・） 「[0078] The term "biological sample" refers to a sample derived from a subject, e.g., a patient. A biological sample typically comprises a tissue, cells and/or biomolecules. In some embodiments, a biological sample is obtained on the basis that it is histologically normal, e.g., as determined by endoscopy, e.g., bronchoscopy. In some embodiments, biological samples are obtained from a region, e.g., the bronchus or other area or region, that is not suspected of containing cancerous cells. In some embodiments, a histological or cytological examination is performed. However, it should be appreciated that a histological or cytological examination may be optional. In some embodiments, the biological sample is a sample of respiratory epithelium. The respiratory epithelium may be of the mouth, nose, pharynx, trachea, bronchi, bronchioles, or alveoli of the subject. The biological sample may comprise epithelium of the bronchi. In some embodiments, the biological sample is free of detectable cancer cells, e.g., as determined by standard histological or cytological methods. In some embodiments, histologically normal samples are obtained for evaluation. Often biological samples are obtained by scrapings or brushings, e.g., bronchial brushings. However, it should be appreciated that other procedures may be used, including, for example, brushings, scrapings, broncho-alveolar lavage, a bronchial biopsy or a transbronchial needle aspiration.」 （下線部合議体訳： [0078]用語「生体試料」は、対象、例えば患者、に由来する試料を指す。生体試料は、通常、組織、細胞および／または生体分子を含む。一部の実施形態では、生体試料は、例えば、内視鏡、例えば気管支鏡検査、によって決定して、それが組織学的に正常であることに基づいて得られる。・・・一部の実施形態では、生体試料は、呼吸上皮の試料である。呼吸上皮は、対象の口、鼻、咽頭、気管、気管支、細気管支または肺胞のものでありうる。生体試料は、気管支の上皮を含むことがある。） 「Example 2: Validation of Bronchial Genomic Classifier for Lung Cancer Patients Undergoing Diagnostic Bronchoscopy Introduction [00162] Bronchoscopy is frequently non-diagnostic in patients with pulmonary lesions suspicious for lung cancer. This often results in additional invasive testing, although many lesions are benign. We sought to validate a bronchial gene expression classifier that could improve the diagnostic performance of bronchoscopy. [00163] Lesions suspicious for lung cancer are frequently identified on chest imaging. The decision of whether to pursue surveillance imaging or an invasive evaluation requiring tissue sampling is complex and requires assessment of the likelihood of malignancy, ability to biopsy, surgical risk, and patient preferences [1]. When a biopsy is required, the approach can include bronchoscopy, transthoracic needle biopsy (TTNB), or surgical lung biopsy (SLB). The choice between these modalities is usually determined by considerations such as lesion size and location, presence of adenopathy, risk of procedure and local expertise. Bronchoscopy is a safe procedure, with less than 1% complicated by pneumothorax [2]. There are approximately 500,000 bronchoscopies performed per year in the U.S. [3], of which roughly half are for the diagnostic workup of lung cancer. However, bronchoscopy is limited by its sensitivity, ranging between 34-88% depending on the location and size of the lesion [4]. Even with newer bronchoscopic guidance techniques, the sensitivity is only -70% for peripheral lesions [5]. [00164] Patients with a non-diagnostic bronchoscopy often undergo further invasive testing to establish a definitive diagnosis. SLB is not the initial preferred approach given the inherent risks, with a complication rate of approximately of 5% and 30-day mortality of ~1% [6]. Importantly, 20-25% of SLBs are performed in patients ultimately diagnosed with benign lesions [7, 8]. Furthermore, TTNB is associated with significant morbidity including a 15% pneumothorax rate [9], of which 6% require chest tube drainage [10,11]. Given the pitfalls of invasive procedures, alternative approaches are needed to identify patients with lower likelihood of malignancy who are appropriate for imaging surveillance. [00165] Classification of biological disease states, including cancer, using gene expression measurements of clinical specimens is well established [12]. In the setting of lung cancer, there are distinct cancer-associated gene expression patterns in cytologically-normal epithelium collected from the proximal airways of smokers [13]. Recently, we developed a gene expression classifier in bronchial epithelial cells (BECs) collected from the mainstem bronchus via bronchoscopy that distinguishes patients with and without lung cancer amongst current and former smokers (manuscript submitted). We undertook the present studies to validate this classifier in two prospective multicenter trials of patients undergoing bronchoscopy for suspected lung cancer and to assess how this classifier alters the diagnostic performance of bronchoscopy. Materials and Methods Study Design, Population, and Protocol [00166] Current and former smokers undergoing bronchoscopy for suspicion of lung cancer were enrolled in AEGIS 1 and AEGIS 2, two independent, prospective, multicenter, observational studies (NCT01309087 and NCT00746759). Patients were enrolled at 28 sites in the U.S, Canada, and Ireland. Cytology brushes were used to collect normal appearing BECs from the mainstem bronchus and submerged in an RNA preservative. Results of the classifier were not reported to physicians or patients. Patients were screened prior to bronchoscopy to determine if they met the requirements of the study protocol. Exclusion criteria included subjects <21 year old, never smokers (defined as smoking < 100 cigarettes in lifetime), and patients with a concurrent cancer or a history of lung cancer. Patients who had been on a mechanical ventilator for >24 hours immediately prior to bronchoscopy, or could not consent or comply with the study, were excluded. Patients were followed until a final diagnosis was established or until 12 months post bronchoscopy. A diagnosis of lung cancer was established at the time of index bronchoscopy or by subsequent biopsy using TTNB, SLB, a second bronchoscopy, or other invasive procedures. The specific bronchoscopic methods used and subsequent surveillance imaging or procedures performed after non-diagnostic bronchoscopy was at the discretion of the treating physician. Patients diagnosed as cancer-free had a specific benign diagnosis or radiographic stability/resolution at 12 months of follow-up. Patients without a definitive diagnosis of cancer, a specific benign diagnosis or stability/resolution at 12 months of follow-up were excluded from further analysis. The treating physician assessed each patient's pre-test probability of malignancy (POM) prior to bronchoscopy using a five level scale (<10%, 10-39%, 40-60%, 61-85%), and >85%). The study protocol was approved by the institutional review board at each participating center, and all patients provided written informed consent before enrollment. [00167] A total of 855 patients in AEGIS 1 and 502 in AEGIS 2 qualified and were enrolled between January 2009 and August 2012 (Figure 4) at twenty-eight medical centers in the United States, Canada, and Ireland (Table 12). The sites were a mix of tertiary/academic medical centers (n = 20), community based hospitals (n = 6), and Veteran's Administration hospitals (n = 2)・ [00168] Additional patients were excluded from the study after enrollment based on the following criteria (see Figure 4). First, a total of 111 patients in AEGIS 1 and 71 patients in AEGIS 2 were ineligible due to the following protocol deviations: In AEGIS 1, 24 patients either did not meet the study enrollment criteria upon review, had specimens collected that did not meet the acceptance criteria in accessioning, or were enrolled but did not have a specimen collected. An additional 87 samples did not meet minimum QC criteria after RNA isolation, either due to a RIN score <4, or RNA yield < ^g. In AEGIS 2, there were 3 ineligible patients due to having specimens collected that did not meet the acceptance criteria in accessioning, and 68 samples that did not meet the minimum QC criteria for RNA. Second, patients diagnosed with a non-primary lung cancer, including 40 patients in AEGIS 1 and 10 patients in AEGIS 2 were excluded. Additionally, upon review at 12 months, patients without a final diagnosis were also excluded from the study, including 91 subjects in AEGIS 1 and 71 patients in AEGIS 2. Approximately two thirds of these 162 patients (n=106) from AEGIS 1 and 2 were lost to follow-up after their initial bronchoscopy, while the remaining third (n=56) did not have a definitive diagnosis at 12 months post-bronchoscopy. Finally, we excluded 16 patients in AEGIS 1 and 9 patients in AEGIS 2 with gene expression data that failed the assay QC criteria (described below under Microarray Processing methods). [00169] The AEGIS 1 cohort had previously been divided into equal training and test sets in a randomized manner. The training set (n=299 patients) was used to derive the gene expression classifier composed of 23 genes plus age and has been described elsewhere (manuscript submitted). In the training set, the classifier was found to have an AUC of 0.78 (95% CI, 0.71-0.85) in patients whose bronchoscopy did not lead to a diagnosis of lung cancer (n = 134), with a sensitivity of 93% and specificity of 57%. The current study is focused on validation of the locked classifier in two independent validation sets. [00170] The baseline demographics and clinical characteristics of the final AEGIS 1 and AEGIS」 （下線部合議体訳： [00166] 肺がんの疑いのため気管支鏡検査を受ける現行および既往喫煙者を、２つの独立した前向き多施設観察研究（ＮＣＴ０１３０９０８７およびＮＣＴ００７４６７５９）であるＡＥＧＩＳ１およびＡＥＧＩＳ２に登録した。米国、カナダおよびアイルランドの２８施設で患者を登録した。細胞診ブラシを使用して、主気管支から正常に見えるＢＥＣを採取し、ＲＮＡ保存薬に浸漬した。分類子の結果は、医師にも患者にも報告しなかった。気管支鏡検査前に患者をスクリーニングして、患者が研究プロトコルの要件を満たすかどうかを決定した。除外基準は、２１歳未満の対象、非喫煙者（人生で１００本未満のたばこ喫煙と定義した）、および併存するがんまたは肺がん歴を有する患者を含んだ。・・・） 「Example 3: Derivation of Bronchial Genomic Classifier for Lung Cancer Patients In Patients Undergoing Diagnostic Chronchoscopy Introduction [00212] Lung cancer remains the leading cause of cancer mortality in the United States, with an estimated 224,000 new diagnoses, and 160,000 deaths in 2014, 90%> of which are due to smoking [24]. Recently, the National Lung Cancer Screening Trial showed that low dose Computed Tomography (CT) screening results in a 20% relative mortality reduction in high risk individuals [25]. The mortality reduction, however, was accompanied by a high rate (~96%) of false-positive CT findings, which in turn has generated concern for the overutilization of invasive diagnostic procedures [26]. [00213] Patients with suspected lung cancer are often referred for bronchoscopy where the primary aim is to sample a suspicious pulmonary lesion for pathological analysis. It is estimated that 500,000 bronchoscopies are performed per year in the U.S. [27], of which roughly half are for the diagnosis of lung cancer. Bronchoscopy is considered to be safer than other invasive sampling methods, such as transthoracic needle biopsy (TTNB), or surgical techniques. However the diagnostic sensitivity of bronchoscopy is sub-optimal, ranging from 34% (for <2cm peripheral nodules) to 88% (for larger, centrally located lesions) [28]. Adoption of guidance techniques has expanded the applicability of bronchoscopy to more challenging suspicious lesions (i.e., solitary pulmonary nodules which are often peripheral in the lung), but the overall clinical sensitivity of bronchoscopy for lung cancer has not improved substantially [29,30]. When bronchoscopy is non-diagnostic, physicians are often left with the ambiguity of whether to pursue further invasive diagnostic procedures, with associated complications [31,32], or choose imaging surveillance. In current practice when these invasive procedures are performed, approximately a third of patients are determined to have benign disease [33], suggesting that these procedures are avoidable. Methods that reduce this ambiguity by substantially improving the diagnostic yield of bronchoscopy could improve patient care. [00214] It has previously been demonstrated that cigarette smoke creates a molecular field of injury in airway epithelial cells that line the entire respiratory tract [34]. The reversible and irreversible impact of cigarette smoke on the bronchial airway transcriptome has been characterized and a set of gene-expression alterations in the bronchial epithelium have been identified in current and former smokers with lung cancer [35]. These cancer-associated gene expression profiles have previously been shown to yield a sensitive classifier for detecting lung cancer when bronchoscopy is non-diagnostic. The high sensitivity of this classifier, measured in a biospecimen readily accessible during bronchoscopy, results in a very low probability of lung cancer when the test result is negative, and suggests that physicians might be enabled to confidently pursue active surveillance and reduce risky invasive procedures in subjects without lung cancer. Materials and Methods Training Set Patient Population [00215] Patients were enrolled in the AEGIS trials (Airway Epithelium Gene Expression In the DiagnosiS of Lung Cancer), designed as prospective, observational, cohort studies (registered as NCT01309087 and NCT00746759) of current and former cigarette smokers with a suspicion of lung cancer undergoing bronchoscopy as part of their diagnostic workup. A set of patients from one of the cohorts ("AEGIS 1") was selected for the exclusive purpose of training a gene expression classifier. The study was approved by IRB at each of the participating medical centers, and all patients signed an informed consent prior to enrollment. All enrolled patients were followed post-bronchoscopy until a final diagnosis was made, or for 12 months. Patients were diagnosed as having primary lung cancer based on cytopathology obtained at bronchoscopy or upon subsequent lung biopsy (such as TTNB or surgical lung biopsy (SLB) when bronchoscopy did not lead to a diagnosis of lung cancer). Patients were diagnosed as having benign disease based on a review of medical records and follow-up procedures at 12 months post-bronchoscopy (described in more detail in Additional File 1). Bronchoscopy was considered "diagnostic" when clinical samples collected at the time of the bronchoscopy procedure yielded a confirmed lung cancer diagnosis via cytology or pathology. [00216] Patients enrolled in the NIH-registered AEGIS studies (NCT01309087 and NCT00746759) were patients undergoing clinically indicated bronchoscopy for suspicion of lung cancer who were at least 21 years of age and had smoked at least 100 cigarettes in their lifetime. Study exclusions included patients who had previously been diagnosed with primary lung cancer, who had been on a mechanical ventilator for > 24 consecutive hours immediately prior to bronchoscopy, or who could not consent or comply with the study. Additional patients were excluded prior to training the classifier to exclude patients with a malignancy other than primary lung cancer. This included the exclusion of patients with a history of any malignancy, confirmed metastatic cancer to the lung, or found to have an active non-lung primary cancer after enrollment. Also, patients without a final definitive diagnosis were excluded. Finally, after specimen processing, those with insufficient yield (<^g) or quality (PJN<4) of RNA were excluded from further analysis. [00217] Patients were followed for up to twelve months post bronchoscopy and records were reviewed to confirm or determine a final clinical diagnosis. A diagnosis of cancer was based on cytopathology of cells/tissue collected either during bronchoscopy, or in follow-up procedures when bronchoscopy was non-diagnostic. Follow-up procedures leading to diagnosis consisted of a second bronchoscopy, transthoracic needle aspiration (TTNA), surgical lung biopsy (SLB), or a combination of procedures. Records of patients who were not diagnosed with cancer, and who had been followed for 12 months, underwent an adjudication process by a panel of five pulmonologists. The process consisted of a review of the available medical records and patients were only declared to be cancer-free if the patient met one of the following criteria: diagnosed with an alternative diagnosis that explained the initial suspicious abnormality, the abnormality was determined to be stable, or the abnormality resolved. Patients who did not meet these criteria at the completion of the 12-month follow-up period were labeled as "indeterminate" and were excluded from training, due to lack of diagnostic "truth". Sample Collection [00218] Physicians at each of 25 participating medical centers were instructed to collect normal appearing bronchial epithelial cells (BEC) from the right mainstem bronchus (or the left side if any abnormalities were observed on the right) during bronchoscopy using standard bronchoscopic cytology brushes. Following collection, the cytology brushes were cut and placed in an RNA preservative (Qiagen RNAProtect, Cat. 76526) immediately after collection and stored at 4°C. Specimens were then shipped at 4-20°C to a central laboratory for further processing. [00219] A shipping container was provided to all sites enabling the transport of specimens at 4-20°C within a 48 hour period. Sites were asked to send specimens using 2-day shipping services. Upon receipt in the central laboratory, specimens were inspected and accessioned into a laboratory information system. Accepted specimens were stored at 4°C prior to RNA isolation, which was typically conducted within 7 days of receipt. Records of all storage, and shipping times were retained, and the cumulative time between specimen collection and RNA isolation was less than 30 days (consistent with manufacturer's recommendations for the RNA preservative). RNA Isolation [00220] BECs were separated from cytology brushes using a vortex mixer and were then pelleted and processed using QIAzol lysis reagent (Qiagen). RNA was isolated by phenol/chloroform extractions and purified on a silica membrane spin-column (Qiagen miRNeasy kit, Cat. #217004) according to manufacturer's recommendations. RNA was analyzed on a NanoDrop ND-1000 spectrophotometer (Thermo Scientific) to determine concentration and purity, and RNA integrity (RIN) was measured on a 2100 Bioanalyzer (Agilent Technologies). Each sample was then stored at -80°C until processing further on microarrays. cDNA Preparation [00221] Total RNA was converted to sense strand cDNA, amplified using the Ambion WT Expression kit (Life Technologies Cat. # 4440536) designed for use with Affymetrix microarrays. Starting with 200ng of total RNA, single stranded cDNA was prepared through reverse transcription using T7 promoter primers protocol. Single-strand cDNA was converted to double stranded cDNA using DNA polymerase. Microarray Processing [00222] cDNA obtained from the total R A was labeled with Affymetrix GeneChip WT terminal labeling kit (Affymetrix Cat. #900671). The labeled cDNA was hybridized to Gene 1.0 ST microarrays (Affymetrix Cat. #901085) and analyzed on an Affymetrix GeneChip Scanner. Individual CEL files for each of the patient samples were normalized using the standard Affymetrix Gene 1.0 ST CDF and RMA [38]. [00223] Total RNA was converted to sense-strand cDNA using a commercial kit (Ambion WT; Life Technologies, Cat. # 4440536) designed for use with Affymetrix microarrays. Starting with 200ng of total RNA, single stranded cDNA was prepared through reverse transcription using T7 promoter primers protocol. Single-strand cDNA was converted to double stranded cDNA using DNA polymerase. Double stranded cDNA acts as a template for in vitro transcription of cRNA which was then purified to remove enzymes, salts, inorganic phosphates and unincorporated nucleotides. The yield of cRNA was measured using UV-adsorption and labeled sense-stranded cDNA was then generated using 10 μg of the purified cRNA by reverse transcription with random primers and a mix of dUTP/dNTPs, fragmented, and labeled using the GeneChip WT Terminal labeling kit (Affymetrix, Cat. #900671). The labeled cDNA was hybridized to Gene 1.0 ST microarrays (Affymetrix Cat. #901085) using the Hybridization, Wash and Stain kit (Affymetrix Cat. #900720), and incubated at 45°C for 16 hours. Following hybridization, arrays were washed and stained using standard Affymetrix procedures before being scanned on the Affymetrix GeneChip Scanner, and data was extracted using Expression Console software (Affymetrix). Thus, microarrays described herein are not measuring the expression of natural molecules, rather the microarrays measure the expression of non-naturally occuring cDNA molecules. Classifier Development [00224] A gene expression classifier was derived in a multi-step process. Initial modeling consisted of using the training data to select genes ("gene expression correlates") which were associated with three clinical covariates (gender, tobacco use, and smoking history) to identify gene expression correlates of these clinical variables. Lung cancer-associated genes were then selected, and finally a classifier for predicting the likelihood of lung cancer based on the combination of the cancer genes, the gene expression correlates, and patient age was determined. All aspects of this classifier development procedure were determined using cross validation and using only data from the training set samples. Clinical Factor Gene Expression Correlates (CFGC) [00225] Covariates of lung cancer in this study population, including sex (male/female), smoking status (current/former), and pack years (<10/>10), were modeled to identify gene expression correlates for the clinical factors. Empirical Bayes t-tests were used to identify genes whose expression was significantly associated with each of the clinical factors. Next, genes were selected in a sparse manner [36] that could be used to predict the value of each clinical factor. Finally, the predicted values from the gene expression correlates for gender (GG), smoking status (GS), and pack-years (GPY) were computed for each patient and used in selecting genes with lung-cancer associated gene expression and in the lung cancer classifier described below. Selection of Lung Cancer Genes [00226] A logistic regression model with lung cancer status (l=cancer-positive and (^cancer-negative) as the dependent variable was fit using the training data, CFGC's, and patient age as predictors. Next an empirical Bayes linear model was fit using gene expression values as the independent variable and the logistic regression model residuals as the dependent variable. This was used to select genes most directly correlated with disease status and independent of clinical covariates. The top lung cancer-associated genes from this analysis were grouped using hierarchical clustering. Genes were selected in an iterative manner to maximize AUC using cross-validation to estimate prediction accuracy. The aim was to select clusters that cumulatively provide the best classifier performance, and specific genes that best represent each of the clusters. A gene titration analysis was also performed to determine the number of genes per cluster providing optimal performance. For the clusters selected, the top genes were averaged, yielding cluster mean estimates for each patient/cluster combination. Functional analysis of genes within each of the cancer clusters was performed using DAVID [37] to identify biological terms describing the cancer-associated genes in the classifier. Lung Cancer Classifier [00227] A lung cancer classifier was developed using lung cancer status as the outcome variable and the cancer gene expression estimates, patient age, and CFGC's for gender (GG), smoking status (GS), pack years (GPY) as predictors. The model was fit using a penalized logistic regression model; the penalization factor (lambda) was 0 for the clinical/ gene expression correlates and 10 for each of the gene expression cluster estimates. The resulting score is on a 0 to 1 scale. A score threshold for predicting lung cancer status was established to achieve a sensitivity of approximately 90% for patients with a non-diagnostic bronchoscopy. An evaluation of the benefit of the gene expression classifier to predict lung cancer compared to clinical factors alone was performed by generating a "clinical model" that included age, gender, smoking status, and pack-years (determined clinically) in a logistic regression model to predict lung cancer status. The difference in performance between the complete gene expression classifier and the clinical factors classifier to predict lung cancer status was assessed by comparing the AUC's of each model in the training set. Analysis of an Independent Test Set [00228] Data from a prior study [35] were used as an independent test set to assess the performance of the locked classifier derived in this study. In that study BECs were collected at bronchoscopy from patients undergoing bronchoscopy for suspicion of lung cancer, and RNA was analyzed on microarrays (Affymetrix HG-U133A). CEL files from that study (n=163) were re-normalized to produce gene-level expression values using Robust Multiarray Average (RMA) [38] in the Bioconductor R package (version 1.28.1). This processing used the Entrez Gene-specific probeset chip definition file (CDF) [39] in place of the standard U133A CDF provided by Affymetrix in order to facilitate cross-platform analyses. Analyses were performed using the R environment for statistical computing (version 2.9.2). [00229] The classifier was applied to patients in the test set with two modifications to account for the difference in microarray platforms. First, the HG-U133A RMA expression values were adjusted by a gene-wise constant which shifted the mean of each gene's expression levels in the test set to the mean observed in the training set. Second, for the classifier genes where a corresponding HG-U133A probeset was not available (LYPD2 and RNF150), the gene's mean expression value in the training set was used for all of the test set samples. Statistical Methods [00230] Classifier accuracy was assessed using standard measures of prediction accuracy: the area under the curve (AUC), sensitivity, specificity, NPV and PPV. Cross-validation, using a 10% sample hold-out set, was used in the training set to estimate the performance of the prediction classifiers generated using these approaches [40]. These performance estimates were used to guide the development of the classifier discovery procedure. A final model was set prior to performing a one-time analysis of the test set. Fisher's exact test was used to calculate statistical significance of all categorical variables and a t-test was used for continuous variables.」 （下線部合議体訳： [00215] 鑑別診断の一部として気管支鏡検査を受ける、肺がんの疑いがある現行および既往たばこ喫煙者の（ＮＣＴ０１３０９０８７およびＮＣＴ００７４６７５９として登録された）予測的、観察的、コホート研究としてデザインしたＡＥＧＩＳ治験（Airway Epithelium Gene Expression In the DiagnosiS of Lung Cancer：肺がんの診断における気道上皮遺伝子発現）に患者を登録した。・・・） （２）引用発明 上記（１）より、引用文献１には以下の発明（以下、「引用発明」という。）が記載されていると認められる。なお、参考のため、認定の主な根拠となった箇所を括弧内に示す。 （引用発明） 対象が肺がんを有する尤度を決定する方法であって、 対象から得た生体試料を、 （Ａ）肺がん状態に関係する１つまたは複数の情報提示遺伝子の、前記生体試料におけるｍＲＮＡ発現レベルを決定する工程と、 （Ｂ）前記対象の１つまたは複数の自己報告可能な特徴に関係する１つまたは複数のゲノム相関遺伝子の前記生体試料におけるｍＲＮＡ発現レベルを決定する工程と を含む遺伝子発現分析に付す工程、および 前記対象が肺がんを有する尤度を示す肺がんリスクスコアを、（Ａ）および（Ｂ）において決定した発現レベルに基づいて決定する工程 を含む方法であって、（請求項１） 前記対象の１つまたは複数の自己報告可能な特徴が、喫煙パック年、喫煙状態、年齢および性別から選択されるものであり、（請求項２） 対象から生体試料を得る検査は気管支鏡検査であり、（［0011］、［0166］、[0215]） 気管支鏡検査を受ける対象は現行および既往喫煙者であり、（［0166］、[0215]） 生体試料は対象の口、鼻、咽頭、気管、気管支、細気管支または肺胞のものでありうる呼吸上皮であり得、（[0025]） （ａ）気管支鏡検査手法で診断できなかった対象の呼吸器から生体試料を得る工程、（ｂ）生体試料における複数の情報提示遺伝子の発現レベルを決定することを含む遺伝子発現分析に生体試料を付す工程、（ｃ）複数の情報提示遺伝子の発現レベルに基づいて肺がんリスクスコアをコンピュータ処理する工程、および（ｄ）肺がんリスクスコアのレベルが第一の閾値レベルを超えた（例えば、第一の閾値レベルより下であった）場合、対象は肺がんのリスクが低いと決定する工程、（ｅ）低リスク対象を１つまたは複数の非侵襲的追跡調査手法に割り当てる工程、を反復することを含む、（[0011]、[0012]） 方法。 ４ 対比 本願発明と引用発明とを対比する。 （１）本願発明の構成「肺疾病について被検体をスクリーニングする方法であって、」について 引用発明の「肺がん」は、本願発明の「肺疾病」に相当する。 引用発明の「対象」は、本願発明の「被検体」に相当する。 引用発明の「対象が肺がんを有する尤度を決定する方法」は、尤度の高低に応じて肺がん（肺疾患）の可能性が異なることを意味し、肺がん（肺疾病）の可能性が高い者や低い者を選択することになるのは明らかであるから、本願発明の「肺疾病について被検体をスクリーニングする方法」に相当する。 よって、引用発明は当該構成を満たす。 （２）本願発明の構成「（ａ）（１）前記肺疾病を発症する１つ以上のリスク因子の存在についてコンピュータ分析を行い、」について 本願発明の「肺疾病を発症するリスク因子」が「喫煙、受動喫煙（二次喫煙など）」などを指すこと（本願明細書【０１００】）を鑑みるに、引用発明の「喫煙パック年、喫煙状態、年齢および性別から選択される」「対象の１つまたは複数の自己報告可能な特徴」は、本願発明の「肺疾病を発症する１つ以上のリスク因子」に相当する。 また、引用発明の「気管支鏡検査を受ける対象は現行および既往喫煙者であ」ることは、被検体が現行および既往喫煙者であるか否かを分析した結果であることは明らかである。 一方、本願発明では当該分析が「コンピュータ分析」であるとの特定があるが、引用発明ではそのような特定がない。 （３）本願発明の「（２）前記１つ以上のリスク因子の存在が特定された被検体から採取された第１の試料からの上皮組織をアッセイすることであって、前記第１の試料における前記肺疾病を発症するリスクに関連付けられた１つ以上のバイオマーカーの有無を特定する、こと」について 引用発明の「気管支鏡検査を受ける対象は現行および既往喫煙者」であることは、本願発明の「１つ以上のリスク因子の存在が特定された被検体」に相当する。 引用発明の「対象から得た生体試料」である「呼吸上皮」は、生体試料に呼吸上皮が少なくとも含まれているということであるから、本願発明の「被検体から採取された」「第１の試料」からの「上皮組織」に相当する。 引用発明の「肺がん状態に関係する１つまたは複数の情報提示遺伝子」は、本願発明の「肺疾病を発症するリスクに関連付けられた１つ以上のバイオマーカー」に相当する。 引用発明の「（Ａ）肺がん状態に関係する１つまたは複数の情報提示遺伝子の、前記生体試料におけるｍＲＮＡ発現レベルを決定する工程」や「（ｂ）生体試料における複数の情報提示遺伝子の発現レベルを決定することを含む遺伝子発現分析に生体試料を付す工程」は、「生体試料」が「呼吸上皮」であることに鑑みるに、本願発明の「１つ以上のリスク因子の存在が特定された被検体から採取された第１の試料」からの「上皮組織」を「アッセイ」することに相当する。 引用発明の「（Ｂ）前記対象の１つまたは複数の自己報告可能な特徴に関係する１つまたは複数のゲノム相関遺伝子の前記生体試料におけるｍＲＮＡ発現レベルを決定する工程」は、「ｍＲＮＡ発現レベルを決定する」ことがｍＲＮＡ発現の有無を決定することを含むことに鑑みるに、本願発明の「第１の試料における前記肺疾病を発症するリスクに関連付けられた１つ以上のバイオマーカーの有無を特定する」ことに相当する。 よって、引用発明は当該構成を満たす。 （４）本願発明の構成「（ｂ）前記１つ以上のバイオマーカーの有無の特定に基づいて、前記被検体の第２の試料から他の上皮組織をアッセイすること、を含む、」について 引用発明の「（ａ）気管支鏡検査手法で診断できなかった対象の呼吸器から生体試料を得る工程、（ｂ）生体試料における複数の情報提示遺伝子の発現レベルを決定することを含む遺伝子発現分析に生体試料を付す工程、（ｃ）複数の情報提示遺伝子の発現レベルに基づいて肺がんリスクスコアをコンピュータ処理する工程、および（ｄ）肺がんリスクスコアのレベルが第一の閾値レベルを超えた（例えば、第一の閾値レベルより下であった）場合、対象は肺がんのリスクが低いと決定する工程、（ｅ）低リスク対象を１つまたは複数の非侵襲的追跡調査手法に割り当てる工程、を反復することを含む」は、当該（ａ）～（ｅ）を反復することからすると、ここでの生体試料は毎回異なる試料であるといえるから、引用発明の反復段階の試料は、本願発明の「被検体の第２の試料からの他の上皮組織」であるといえる。 このため、引用発明は当該構成を満たす。 （５）本願発明の構成「方法」について 上記（１）のように、引用発明は構成「方法」を満たす。 （６）本願発明と引用発明の一致点と相違点 上記（１）～（５）より、本願発明と引用発明の一致点と相違点はそれぞれ以下のとおりである。 （一致点） 肺疾病について被検体をスクリーニングする方法であって、 （ａ）（１）前記肺疾病を発症する１つ以上のリスク因子の存在について分析を行い、（２）前記１つ以上のリスク因子の存在が特定された被検体から採取された第１の試料からの上皮組織をアッセイすることであって、前記第１の試料における前記肺疾病を発症するリスクに関連付けられた１つ以上のバイオマーカーの有無を特定する、こと、 （ｂ）前記１つ以上のバイオマーカーの有無の特定に基づいて、前記被検体の第２の試料から他の上皮組織をアッセイすること、を含む、 方法。 （相違点） 肺疾病を発症する１つ以上のリスク因子の存在についての分析が、本願発明ではコンピュータ分析であるのに対し、引用発明ではコンピュータ分析との特定がない点。 ５ 判断 一般に、ある程度の数のデータを分析するに際し、データの分類や分析にコンピュータを利用することは例示するまでもなく周知慣用技術である。ここで、引用文献１の[0166]～[0170]には百人単位の対象者を分析に取り扱ったことが記載されていることを参酌するに、引用発明において、喫煙パック年、喫煙状態、年齢および性別等のリスク因子を分析するに際し、対象数がある程度になることが見込まれることは明らかであるから、肺疾病を発症する１つ以上のリスク因子の存在についての分析を行う際に、コンピュータを利用することは、当業者が適宜なし得ることに過ぎない。 また、本願発明において、肺疾病を発症する１つ以上のリスク因子の存在についての分析を行う際に、コンピュータを利用することによる効果は、予測の範囲内のものであって、格別の効果を見いだすことはできない。 したがって、本願発明は、引用発明および当該周知慣用技術から当業者が容易に発明をすることができたものである。 ６ 審判請求書における請求人の主張について （１）請求人の主張 請求人は、令和５年５月３１日提出の手続補正書で補正された審判請求書において、請求項１につき概略以下の主張をしている。 引用文献１において考慮されている、リスクの低い患者に対する唯一のフォローアップの方法は、非侵襲のイメージングであり、上皮組織をアッセイすることは含まない。むしろ、引用文献１は、フォローアップの治療として上皮組織の細胞をアッセイすることは開示も示唆もなされておらず、引用文献１に記載された発明に基づいて、第２の上皮組織の生体試料をサンプルすることは、当業者といえども困難である。低リスクの患者のイメージングを必須とする引用文献１に記載された発明において、フォローアップの治療として、上皮組織の細胞をアッセイすることは発明の目的に反するものである。 さらに、鼻上皮組織のサンプルを検査する可能性については、引用文献１において何ら言及されていない。対照的に、本出願においては、例えば、実施例３，４、６において、フォローアップの治療として、鼻上皮組織を検査することが検討されている。 （２）請求人の主張に対する判断 引用文献１の[0011]には「（ｅ）低リスク対象を１つまたは複数の非侵襲的追跡調査手法、例えばＣＴ監視に割り当てる工程のうちの１つまたは複数を含む方法」とあり、低リスク対象を割り当てるのはあくまで「非侵襲的追跡調査手法」であって、ＣＴ監視技術はその例示に過ぎない。このため、ＣＴ監視が非侵襲的追跡調査手法として唯一の手法であるといった請求人の主張は採用できない。 仮に、ここでの「非侵襲的追跡調査手法、例えばＣＴ監視」をＣＴ監視技術に限定して解釈したとしても、引用文献１の[0011]には「（ｅ）低リスク対象を１つまたは複数の非侵襲的追跡調査手法、例えばＣＴ監視に割り当てる工程のうちの１つまたは複数を含む方法」とあり複数の非侵襲的追跡調査手法を採用することが記載されていることから、ＣＴ監視技術に加えて、気管支鏡検査技術を採用したり、痰分析技術（なお、例示するまでもなく肺疾患の非侵襲的追跡調査手法として周知慣用技術であって、痰は本願発明の「第２の試料」から得られた「他の上皮組織」に相当する。）を採用したりして、本願発明の構成とすることは、当業者が容易になし得たものであって、本願発明に進歩性を見いだすことはできない。 また、本願発明はあくまで「（ｂ）前記１つ以上のバイオマーカーの有無の特定に基づいて、前記被検体の第２の試料から他の上皮組織をアッセイすること、を含む方法」であり、第２の試料が鼻由来の試料であるとの限定はなく、当該限定を前提とする主張は、特許請求の範囲の記載に基づかないものであって、採用することができない。 このため、請求人の主張は採用することができない。 第４ むすび 以上のとおり、本願発明は、特許法第２９条第２項の規定により、特許を受けることができないものであるから、他の請求項に係る発明について検討するまでもなく、本願は拒絶すべきものである。 よって、結論のとおり審決する。