NL2023312B1 - Artificial intelligence-based base calling - Google Patents

Claims (19)

CONCLUSIES

1. Computer geïmplementeerde werkwijze, omvattende: het verwerken van invoergegevens via een neuraal netwerk en het produceren van een alternatieve representatie van de invoergegevens, waarin de invoergegevens per-cyclus gegevens voor elk van een of meer sequencing cycli van een sequencing run omvatten en waarin de per-cyclus gegevens indicatief zijn voor een of meer analyten in een respectievelijke sequencing cyclus; het verwerken van een alternatieve representatie via een uitvoerlaag en het produceren van een uitvoer; en het base-aanroepen van een of meer analyten in een of meer van de sequencing cycli gebaseerd op de uitvoer.

2. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 1, waarin de per- cyclus gegevens indicatief zijn voor een omgevende achtergrond in de respectievelijke sequencing cyclus.

3. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-2, waarin de invoergegevens beeldgegevens zijn en de per-cyclus gegevens intensiteitsemissies omvatten die indicatief zijn voor de een of meer analyten en voor de omgevende achtergrond die gevangen is in de respectievelijke sequencing cyclus.

4. Computer geïmplementeerde werkwijze volgens conclusie 3, verder omvattende het vergezellen van de per-cyclus gegevens van supplementele afstandinformatie die afstanden identificeert tussen pixels van de per-cyclus gegevens en die pixels die de intensiteitemissies afbeelden die indicatief zijn voor de een of meer analyten.

5. Computer geïmplementeerde werkwijze volgens conclusie 3 of 4, verder omvattende het vergezellen van de per-cyclus gegevens van supplementele schaalinformatie die schaalwaarden toewijst aan de pixels van de per-cyclus gegevens.

6. Neuraal netwerk geïmplementeerde werkwijze volgens een van de voorafgaande conclusies, waarin de per-cyclus gegevens indicatief zijn voor een spanningsverandering die gedetecteerd is in de respectievelijke sequencing cyclus.

7. Neuraal netwerk geimplementeerde werkwijze volgens een van de voorafgaande conclusies, waarin de per-cyclus gegevens indicatief zijn voor een elektrisch stroomsignaal gemeten in de respectievelijke sequencingcyclus.

8. Neuraal netwerk geïmplementeerde werkwijze voor base-aanroeping van analyten die gesynthetiseerd zijn gedurende een sequencing run omvattende een aantal sequencing cycli, de werkwijze omvattende: het convolueren van invoergegevens via een convolutie neuraal netwerk teneinde een geconvolueerde representatie van invoergegevens te genereren, waarm de invoergegevens beeldpatches omvatten die geëxtraheerd zijn uit een of meer beelden die elk van de huidige beeldset gegenereerd in een huidige sequencing cyclus van de sequencing run, van een of meer voorafgaande beeldsets die respectievelijk gegenereerd zijn in een of meer sequencing cycli van de sequencing run voorafgaand aan de huidige sequencing cyclus, van een of meer opvolgende beeldsets die respectievelijk gegenereerd zijn in een of meer sequencing cycli van de sequencing run opvolgend in de huidige sequencing cyclus, waarin elk van de beeldpatches intensiteitemissies van een doelanalyt die base- aangeroepen wordt afbeeldt, waarin de invoergegevens verder afstandinformatie omvat die indicatief is voor respectievelijke afstanden van pixels van de beeldpatch vanaf de centrumpixel van de beeldpatch; het verwerken van de geconvolueerde representatie via een uitvoerlaag teneinde een uitvoer te produceren; en base-aanroepen van het doelanalyt in de huidige sequencing cyclus gebaseerd op de uitvoer.

9. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 8, verder omvattende: het verschaffen als invoer voor het convolutionele neurale netwerk van positie coördinaten van centra van beeldgebieden die respectievelijke analyten representeren, waarin de invoer verschaft wordt aan een eerste laag van het convolutionele neurale netwerk, waarin de invoer verschaft wordt aan de een of meer tussenliggende lagen van het convolutionele neurale netwerk, en waarin de invoer verschaft wordt aan de eindlaag van het convolutionele neurale netwerk.

10. Neuraal netwerk geimplementeerde werkwijze volgens een van de conclusies 8-9, verder omvattende: het verschaffen als invoer aan het convolutionele neurale netwerk van een intensiteitschalingskanaal dat schalingswaarden heeft corresponderend met pixels van de beeldpatches, en waarin de schalingswaarden gebaseerd zijn op een gemiddelde intensiteit van centrum pixels van de beeldpatches die elk een bepaald doelanalyt bevat.

11. Neuraal netwerk geimplementeerde werkwijze volgens een van de conclusies 8-10, waarin het intensiteitschalingskanaal pixelgewijs eenzelfde schalingswaarde voor alle pixels van de beeldpatches omvat.

12. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 8-11, waarin elke beeldpatch verder beeldafstandgegevens omvat die een afstand aanduiden tussen respectievelijke pixels en een meest nabije analyt van het aantal analyten waarbij het meest nabije analyt van het aantal analyten geselecteerd is gebaseerd op de centrum- tot-centrum afstanden tussen de pixel en elk van de analyten.

13. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 8-12, waarin elke beeldpatch verder omvat analytafstandgegevens die een afstand identificeren van elke analytpixel vanaf een toegewezen analyt van het aantal analyten geselecteerd gebaseerd op het classificeren van elke analytpixel op slechts een van de analyten.

14. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 8-13, waarin het convolueren van de invoergegevens via het convolutie neurale netwerk om de geconvolueerde representatie van de invoergegevens te genereren, omvat: het gescheiden verwerken van elk per-cyclus beeldpatchset via een eerste convolutioneel subnetwerk van het convolutionele neurale netwerk tussenliggende geconvolueerde representatie voor elke cyclus in de cyclus te forceren, omvattende het toepassen van convoluties die de intensiteit en afstandinformatie combineren en het combineren van resulterende geconvolueerde representaties slechts binnen een sequencing cyclus en niet tussen sequencing cycli; het groepsgewijs verwerken van tussenliggende geconvolueerde representaties voor successievelijke sequencing cycli die in de serie via een tweede convolutionele subnetwerk van het convolutionele neurale netwerk teneinde een eind geconvolueerde representatie voor series te produceren, omvattende het toepassen van convoluties die de tussenliggende geconvolueerde representaties combineren en die resterende geconvolueerde representaties tussen de sequencing cycli combineren; en waarin het verwerken van de geconvolueerde representatie via de uitvoerlaag teneinde de uitvoer te produceren het verwerken van de eind-geconvolueerde representatie via de uitvoerlaag omvat.

15. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 8-14, verder omvattende: het reframen van pixels van elke beeldpatch om een centrum van het doelanalyt te centreren in een centrumpixel om gereframede beeldpatches te genereren; en waarin het convolueren van de invoergegevens via het convolutionele neurale netwerk om de geconvolueerde representatie van invoergegevens te genereren, het convolueren omvat van de gereframede beeldpatches via het geconvolueerde neurale netwerk teneinde de geconvolueerde representatie te genereren.

16. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 15, waarin het reframen verder omvat intensiteitinterpolatie van de pixels van elke beeldpatch om te compenseren voor de reframing.

17. Een neuraal netwerk geïmplementeerde werkwijze voor base-aanroeping, de werkwijze omvattende: het gescheiden verwerken van elke per-cyclus invoergegeven in een sequence van per- cyclus invoergegevens via een cascade van convolutielagen van het convolutionele neurale netwerk, waarin: de sequence per cyclus invoergegevens gegenereerd wordt voor een serie van sequencing cycli van een sequencing run, en elke per-cyclus invoergegevens omvat beeldkanalen die intensiteitemissies van een of meer analyten en hun omgevende achtergrond gevangen in een respectievelijke sequencingcyclus afbeelden, voor elke sequencing cyclus, gebaseerd op de gescheiden verwerking, het produceren van een geconvolueerde representatie op elk van de convolutionele lagen, daardoor een sequence van geconvolueerde representatie producerend, het mengen van de per-cyclus invoergegevens met de corresponderende sequence van geconvolueerde representaties en het produceren van een gemengde representatie, en het afvlakken van de gemengde representatie en het produceren van een afgeviakte gemengde representatie; het rangschikken van afgevlakte gemengde representaties van successievelijke sequencing cyclus als een stapel, het verwerken van de stapel in voorwaartse en achterwaartse richting via een recurrent neuraal netwerk dat, over een deelverzameling van de afgevlakte gemengde representaties in de stapel op die glijdende vensterbasis convolueert, waarbij elk glijvenster correspondeert met een respectievelijke sequencing cyclus, en successievelijk een huidige verborgen staat representatie op elke tijdstap voor elke sequencing cyclus produceert gebaseerd op 1) de deelverzameling van de afgevlakte gemengde representaties die in een huidige glij venster over de stapel en ii) een eerdere verborgen statusrepresentatie; en base-aanroeping van elk van de analyten in elk van de sequencing cycli gebaseerd op resultaten van de verwerking van de stapel in voorwaartse en achterwaartse richtingen.

18. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 17, verder omvattende: het base-aanroepen van elk van de analyten in de gegevens seguencing cyclus door het combineren van voorwaartse en achterwaartse huidige verborgen staat representaties van gegevenscyclus in cyclus op een tijdstapbasis en het produceren van een gecombineerde verborgen staat representatie, waarin het combineren omvat concatenatie of sommatie of middeling, het verwerken van de gecombineerde verborgen staat representatie via een of meer geheel verbonden netwerken en het produceren van een dichte representatie, het verwerken van de dichte representatie via een softmaxlaag teneinde waarschijnlijkheden te produceren van basen geïncorporeerd in elk van de analyten in een gegevens sequencing cyclus zijnde A, C, Den G; en het classificeren van de basen als A, C, D of G gebaseerd op de waarschijnlijkheden.

19. Neuraal netwerk gebaseerd systeem voor base-aanroeping, het systeem omvattende: een hybride neuraal netwerk met een recurrente module en een convolutionele module, waarin de recurrente module invoeren van de convolutiemodule gebruikt; waarbij de convolutiemodule beeldgegevens verwerkt van een serie van sequencing cycli van een sequencing run via een of meer convolutielagen en waarbij een of meer geconvolueerde representaties van de beeldgegevens geproduceerd worden, waarin de beeldgegevens intensiteitemissies van een of meer analyten en hun omgevende achtergrond afbeelden; waarbij de recurrente module huidige verborgen staat representaties produceert gebaseerd op het convolueren van de geconvolueerde representaties en eerdere verborgen staat representaties; en een uitvoermodule die een base-aanroeping uitvoert voor ten minste een van de analyten en voor ten minste een van de sequencing cycli gebaseerd op de huidige verborgen staat representaties.