CN110178013A - 标记物选择支持系统、标记物选择支持装置、支持标记物选择的方法和支持标记物选择的程序 - Google Patents
标记物选择支持系统、标记物选择支持装置、支持标记物选择的方法和支持标记物选择的程序 Download PDFInfo
- Publication number
- CN110178013A CN110178013A CN201880007027.XA CN201880007027A CN110178013A CN 110178013 A CN110178013 A CN 110178013A CN 201880007027 A CN201880007027 A CN 201880007027A CN 110178013 A CN110178013 A CN 110178013A
- Authority
- CN
- China
- Prior art keywords
- information
- marker
- target molecule
- data
- molecule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003550 marker Substances 0.000 title claims abstract description 324
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 81
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 238000003860 storage Methods 0.000 claims abstract description 19
- 239000007850 fluorescent dye Substances 0.000 claims description 106
- 230000014509 gene expression Effects 0.000 claims description 95
- 239000000975 dye Substances 0.000 claims description 57
- SHGAZHPCJJPHSC-YCNIQYBTSA-N all-trans-retinoic acid Chemical compound OC(=O)\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C SHGAZHPCJJPHSC-YCNIQYBTSA-N 0.000 claims description 6
- 238000002189 fluorescence spectrum Methods 0.000 claims description 6
- 229930002330 retinoic acid Natural products 0.000 claims description 6
- 229960001727 tretinoin Drugs 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 96
- 230000005540 biological transmission Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 50
- KZMAWJRXKGLWGS-UHFFFAOYSA-N 2-chloro-n-[4-(4-methoxyphenyl)-1,3-thiazol-2-yl]-n-(3-methoxypropyl)acetamide Chemical compound S1C(N(C(=O)CCl)CCCOC)=NC(C=2C=CC(OC)=CC=2)=C1 KZMAWJRXKGLWGS-UHFFFAOYSA-N 0.000 description 38
- 230000004913 activation Effects 0.000 description 20
- 238000010801 machine learning Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 10
- 238000002649 immunization Methods 0.000 description 10
- 230000003053 immunization Effects 0.000 description 10
- 230000010365 information processing Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 108090000623 proteins and genes Proteins 0.000 description 7
- 102000004169 proteins and genes Human genes 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 102000036639 antigens Human genes 0.000 description 4
- 108091007433 antigens Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000684 flow cytometry Methods 0.000 description 4
- MURGITYSBWUQTI-UHFFFAOYSA-N fluorescin Chemical compound OC(=O)C1=CC=CC=C1C1C2=CC=C(O)C=C2OC2=CC(O)=CC=C21 MURGITYSBWUQTI-UHFFFAOYSA-N 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000003365 immunocytochemistry Methods 0.000 description 3
- 238000003364 immunohistochemistry Methods 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 description 2
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002493 microarray Methods 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 239000012099 Alexa Fluor family Substances 0.000 description 1
- 102000000905 Cadherin Human genes 0.000 description 1
- 108050007957 Cadherin Proteins 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 101150048357 Lamp1 gene Proteins 0.000 description 1
- 108020004711 Nucleic Acid Probes Proteins 0.000 description 1
- 241001465805 Nymphalidae Species 0.000 description 1
- 101710172711 Structural protein Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001218 confocal laser scanning microscopy Methods 0.000 description 1
- 210000000805 cytoplasm Anatomy 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- BFMYDTVEBKDAKJ-UHFFFAOYSA-L disodium;(2',7'-dibromo-3',6'-dioxido-3-oxospiro[2-benzofuran-1,9'-xanthene]-4'-yl)mercury;hydrate Chemical compound O.[Na+].[Na+].O1C(=O)C2=CC=CC=C2C21C1=CC(Br)=C([O-])C([Hg])=C1OC1=C2C=C(Br)C([O-])=C1 BFMYDTVEBKDAKJ-UHFFFAOYSA-L 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 108010048367 enhanced green fluorescent protein Proteins 0.000 description 1
- MHMNJMPURVTYEJ-UHFFFAOYSA-N fluorescein-5-isothiocyanate Chemical compound O1C(=O)C2=CC(N=C=S)=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 MHMNJMPURVTYEJ-UHFFFAOYSA-N 0.000 description 1
- 238000012921 fluorescence analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 108020001507 fusion proteins Proteins 0.000 description 1
- 102000037865 fusion proteins Human genes 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000003712 lysosome Anatomy 0.000 description 1
- 230000001868 lysosomic effect Effects 0.000 description 1
- 238000007899 nucleic acid hybridization Methods 0.000 description 1
- 239000002853 nucleic acid probe Substances 0.000 description 1
- 210000003463 organelle Anatomy 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 238000001262 western blot Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1425—Optical investigation techniques, e.g. flow cytometry using an analyser being characterised by its control arrangement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
- G01N15/1433—Signal processing using image recognition
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
- G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
- G01N21/6458—Fluorescence microscopy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Epidemiology (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
为了提供一种支持选择在目标分子的分析中使用的标记物的技术,本技术提供了一种标记物选择支持系统,其具有:信息获取单元,经由网络,获取与作为待分析对象的多个目标分子有关的信息;信息处理单元,使用与多个目标分子有关的信息,从存储目标分子的体内表达信息的数据库,获得多个目标分子的体内表达信息,并且基于表达信息,生成与向多个目标分子中的每个目标分子分配标记物有关的支持信息;以及发送单元,经由网络发送生成的支持信息。
Description
技术领域
本技术涉及标记物选择支持系统、标记物选择支持装置、支持标记物选择的方法和支持标记物选择的程序。更具体地,本技术涉及用于提供与适于分析多个目标分子的标记物的分配相关联的支持信息的标记物选择支持系统、标记物选择支持装置、支持标记物选择的方法和支持标记物选择的程序,支持标记物选择的程序。
背景技术
已经进行使用标记物的各种分析来分析目标分子。例如,使用多种荧光染料标记的抗体,用流式细胞仪或显微镜来进行诸如抗原蛋白的目标分子的检测和/或分析。此外,除了抗原-抗体反应,通过使用荧光标记的核酸探针的核酸杂交来检测和分析目标分子,以及使用荧光标记的基板来检测和分析酶分子已经被广泛地进行。在这些检测和/或分析中已经使用了各种荧光染料。每种荧光染料都具有独特的特性,诸如独特的荧光光谱和荧光强度。
例如,下面所述的专利文献1公开了与用于分析从微粒等发射的荧光的类型的技术有关的发明(段落0001)。下文所述的专利文献1公开了“一种方法,显示关于以这样一种方式获得关于荧光光谱的数据,所述方式是检测的数据相对于多个微粒被整合或平均,所述检测的数据通过在多个波长区域中同时检测从流经流通道的微粒发射的荧光获得”(权利要求1)。
引用列表
专利文献
专利文献1:日本专利申请公开第2014-206551号
发明内容
本发明要解决的问题
需要选择用于检测和/或分析目标分子的荧光染料,来对目标分子执行例如上述检测和/或分析。此外,还可能需要调节要使用的荧光染料的荧光强度。虽然荧光染料的选择通常由执行目标分子的检测和/或分析的用户执行,但即使用户有经验,这也是耗时的任务。此外,选择的荧光染料可能不适于目标分子的检测和/或分析。
鉴于上述,本技术的目的是提供一种支持用于检测和/或分析目标分子的标记物的选择的技术。
问题的解决办法
本发明人已经发现,上述问题可以通过具有特定配置的系统来解决。
即,本技术提供了一种标记物选择支持系统,包括:
信息获取单元,经由网络获取与待分析的多个目标分子相关联的信息;
信息处理器,通过使用与多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库获得多个目标分子的体内表达信息,并且基于表达信息生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息;以及
发送器,经由网络发送所生成的支持信息。
根据本技术的一种模式,表达信息可以是与体内表达分布或体内表达水平相关联的信息。
根据本技术的一种模式,表达信息是与体内表达水平相关联的信息,并且信息处理器可以基于与目标分子的表达水平相关联的信息来选择要分配给目标分子的标记物的荧光强度。
根据本技术的一种模式,表达信息是与体内表达分布相关联的信息,并且信息处理器可以基于与目标分子的表达分布相关联的信息来选择要分配给目标分子的标记物的荧光波长。
根据本技术的一种模式,信息处理器可以将荧光波长光谱中远的荧光染料分配给在空间上彼此相邻的多个目标分子中的每个目标分子。
根据本技术的一种模式,信息处理器可以使用经学习的模型以生成支持信息,在经学习的模型中已经学习了目标分子和标记物的组合的适合性。
根据本技术的一种模式,信息处理器可以包括数据表生成器,该数据表生成器根据表达信息为每个目标分子生成数据表。
根据本技术的一种模式,信息处理器还可以包括支持信息生成器,支持信息生成器参考所生成的数据表并生成与要分配给每个目标分子的标记物相关联的支持信息。
根据本技术的一种模式,支持信息生成器可以基于所生成的数据表之间的相关性来生成支持信息。
根据本技术的一种模式,标记物可以是染料。
根据本技术的一种模式,标记物可以是荧光染料,并且支持信息生成器可以基于所生成的数据表之间的相关性将标记物分配给每个目标分子,以这种方式使得将波长更远的荧光染料分配给在数据表之间具有更强相关性的两个目标分子中的每个目标分子。
根据本技术的一种模式,数据表生成器还可以包括数据表生成规则确定器,该数据表生成规则确定器使用基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成的分类器来确定数据表的生成规则。
根据本技术的一种模式,支持信息生成器还可以包括支持信息生成规则确定器,该支持信息生成规则确定器使用基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成的分类器来确定支持信息的生成规则。
根据本技术的一种模式,目标分子可以是生物分子。
根据本技术的一种模式,数据表生成器可以针对每个目标分子,生成具有与细胞中的目标分子的量相关的数据的数据表。
根据本技术的一种模式,信息处理器还可以获得除表达信息之外的与分析生物分子之前的处理条件相关的数据。
根据本技术的一种模式,数据表生成器可以针对每个生物分子,生成处理条件数据表,处理条件数据表包括分析生物分子之前的处理条件作为项。
根据本技术的一种模式,信息处理器还可以包括处理条件选择单元,处理条件选择单元参考针对每个生物分子生成的处理条件数据表来选择处理条件,在该处理条件下可以分析更多的生物分子。
根据本技术的一种模式,信息处理器还可以被配置为:获取与用于分析目标分子的装置相关联的装置信息;基于装置信息,从数据库获取可在装置中使用的标记物数据;并且然后从标记物数据中包含的标记物中选择要分配给目标分子的标记物。
此外,本技术还提供一种标记物选择支持装置,包括信息处理器,信息处理器通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库获得多个目标分子的体内表达信息,并且基于表达信息生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息。
此外,本技术还提供了一种支持标记物选择的方法,包括:
表达信息获取步骤,通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库获取多个目标分子的体内表达信息;以及
支持信息生成步骤,基于表达信息,生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息。
此外,本技术还提供了一种支持标记物选择的程序,使得计算机执行:
表达信息获取步骤,通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库获取多个目标分子的体内表达信息;以及
支持信息生成步骤,基于表达信息,生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息。
本发明的效果
根据本技术,可以提供有助于选择用于检测和/或分析目标分子的标记物的信息。根据本技术,即使是相对缺乏经验的用户也可以更容易地选择标记物。注意,由本技术施加的效果不一定限于本文描述的效果,并且可以是在本说明书中描述的任何效果。
附图说明
图1是示出使用根据本技术的标记物选择支持系统的示例性情况的示意图。
图2是示出根据本技术的标记物选择支持系统的示例的框图。
图3是示出三种荧光染料的示例性荧光强度和波长的曲线图。
图4是示出各种细胞类型中的各个区域中的表达水平的数据表。
图5是示出各种细胞类型中的各个区域中的表达水平的另一数据表。
图6是表达水平的三维矩阵图。
图7是示出各种细胞类型中的各个区域中的表达水平的另一数据表。
图8是示出分子之间的相关系数的表。
图9是示出根据本技术的标记物选择支持系统的示例的另一框图。
图10是关于预处理条件的数据表。
图11是示出分配染料的方式的表。
图12是示出根据本技术的标记物选择支持系统的示例的另一框图。
图13是示出根据本技术的示例性标记物选择支持装置的框图。
图14是示出根据本技术的支持标记物选择的方法的示例性流程的流程图。
图15是示出根据本技术实现标记物选择支持系统的信息处理装置的示例性示意硬件配置的图。
图16是通过使用显微镜拍摄经受荧光免疫染色的人乳腺癌细胞而获得的照片。
图17是通过使用显微镜拍摄经受荧光免疫染色的Jurkat细胞而获得的照片。
具体实施方式
在下文中,将描述用于实现本技术的优选实施例。注意,下面将要描述的实施例示出了本技术的代表性实施例,并且本技术的范围不限于本文描述的范围。请注意,将按以下顺序给出说明。
1.本技术的主要问题及基本概念
2.第一实施例(标记物选择支持系统)
(1)第一实施例的描述
(2)第一实施例的第一示例(标记物选择支持系统)
(3)第一实施例的第二示例(标记物选择支持系统)
(4)第一实施例的第三示例(标记物选择支持系统)
3.第二实施例(标记物选择支持装置)
(1)第二实施例的描述
(2)第二实施例的示例(标记物选择支持装置)
4.第三实施例(支持标记物选择的方法)
(1)第三实施例的描述
(2)第三实施例的第一示例(支持标记物选择的方法)
5.第四实施例(用于支持标记物选择的程序)
(1)第四实施例的描述
(2)第四实施例的示例(用于支持标记物选择的程序)
6.示例性硬件配置
1.本技术的主要问题及基本概念
首先,将参考图3描述使用荧光染料进行分析时的示例性任务。
图3示出了三种荧光染料的示例性荧光强度和波长。在图3所示的任何一个曲线图中,纵轴表示荧光强度,并且横轴表示波长。如图3A所示,在三种荧光染料的波长被分离的情况下,在使用这些荧光染料进行分析时容易执行颜色分离。此外,如图3A所示,在各个荧光染料的荧光强度一致的情况下,容易进行颜色分离。
图3B和图3C示出了三种荧光染料的荧光强度和波长的其它示例。如图3B所示,在三种荧光染料的光谱大体上彼此重叠的情况下,在使用这些荧光染料的分析中可能难以执行颜色分离。此外,如图3C所示,如果分离出这三种荧光染料的波长,则在某些荧光染料的荧光强度与其它相比显著大的情况下,使用这些荧光染料进行分析时,所测量波长的重叠变大,由此可能难以进行颜色分离。
如上面参照图3所描述的,在分析时使用多种荧光染料的情况下,需要考虑每种荧光染料的特性来仔细选择要使用的荧光染料。即使对于有经验的用户,荧光染料的选择也可能是困难的,并且因此对于经验较少的用户,荧光染料的选择可能是更加困难的。特别是在一次分析中使用大量荧光染料的情况下,这种困难更加突出。
此外,由于目前各种荧光染料可商购,因此即使是在选择一种荧光染料的情况下,也需要选择更适合于分析的荧光染料。
此外,在使用荧光染料的分析中,不仅经常需要考虑要使用的荧光染料的综述,而且还需要考虑用于分析的装置自身的性能和装置的荧光检测器的设定。
如上所述,通常难以选择荧光染料。鉴于此,需要一种能够更容易地选择荧光染料的技术。
注意,尽管存在提出可以从染料的波长光谱信息中选择的染料的组合的软件,但是仍然需要基于用户的经验进行调整,由此需要能够提出更好建议的技术。
在本技术中,使用与多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得多个目标分子的体内表达信息,并且基于该表达信息生成与向多个目标分子中的每个目标分子分配标记物相关联的支持信息。因此,可以向用户提议适于分析多个目标分子的标记物。例如,可以从数据库中获得关于目标分子存在的位置(诸如表达区域)、目标分子的量(诸如表达水平)、目标分子的分析条件(诸如活化条件(特别是抗原-抗体反应中的抗原活化条件))和/或与分析仪相关联的信息(诸如可以使用的荧光染料的波长范围)等的数据。通过参考根据这些数据创建的数据表,可以向用户建议与适于分析目标分子的标记物相关联的支持信息。
在本技术中,例如,现有的蛋白质表达数据库、遗传表达数据库、物品数据库和/或微阵列实验数据库可以用作例如存储表达信息的数据库。即,在本技术中,可以基于现有数据提出关于用于分析的标记物的分配的建议。因此,根据本技术,即使是相对缺乏经验的用户也可以更容易地选择标记物,而不用检查现有数据。此外,根据本技术提出了关于基于现有数据分配标记物的建议,由此可以减少反复试验的次数。
2.第一实施例(标记物选择支持系统)
(1)第一实施例的描述
本技术提供了一种标记物选择支持系统,该系统包括信息获取单元,该信息获取单元经由网络,获得与待分析的多个目标分子相关联的信息;信息处理器,使用与多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库获得多个目标分子的体内表达信息,并且基于表达信息生成与向多个目标分子中的每个目标分子分配标记物相关联的支持信息;以及发送器,其经由网络发送所生成的支持信息。
根据本技术的标记物选择支持系统可以是信息获取单元、信息处理器和发送器结合在一个装置中的系统,或者可以是那些组件被分配给多个装置以发挥本技术的任何效果的系统。
根据本技术的一种模式,信息处理器可以包括数据表生成器,该数据表生成器根据表达信息为每个目标分子生成数据表。在本技术中,可以基于数据表生成支持信息。
根据本技术的一种模式,信息处理器可以包括支持信息生成器,支持信息生成器参考所生成的数据表并生成与要向每个目标分子分配的标记物相关联的支持信息。
支持信息生成器参考如上描述生成的数据表,并且生成与向每个目标分子分配标记物相关联的支持信息。通过参考支持信息,分析目标分子的用户可以容易地选择适于分析每个目标分子的标记物。
在本技术中,目标分子表示可以通过标记物进行分析的分子,其可以由本领域技术人员适当地选择。例如,目标分子可以是能够通过诸如流式细胞术、显微镜检查、免疫印迹法(Western blot)、各种阵列和ELISA的分析中的标记物进行分析的分子。换句话说,本技术可用于辅助在这些分析中使用的标记物的选择。
在本技术中,目标分子特别表示可以存在于体内的分子,其示例包括生物分子、药物分子和毒性分子,以及更具体地,其可以是生物分子。生物分子的示例包括核酸、蛋白质、糖类、脂类和维生素。核酸的示例包括DNA和RNA。蛋白质的示例包括抗原性蛋白质,诸如细胞表面标记、抗体、酶蛋白、结构蛋白和粘附蛋白。
在本技术中,待分析的目标分子的数目可以是多个,例如2个或更多,更优选3个或更多、5个或更多、10个或更多、15个或更多、或20个或更多。随着目标分子的数目增加,对于用户,标记物的选择倾向于更加困难,由此使得标记物的选择更容易的效果更加明显。
在本技术中,与目标分子相关联的信息可以是用于识别目标分子的信息。这种信息的示例包括但不限于目标分子的名称或缩写,以及用于指示目标分子的数字或代码。
在本技术中,标记物可以是用于分析目标分子的物质。在本技术中,可以使用本领域已知的标记物。标记物例如是染料,特别是荧光染料。在本技术中,染料可以是例如直接结合到目标分子的化合物,或者可以是在结合到抗体(例如,IgG等)的状态下使用的化合物。例如,可以使用在可见光区域中具有荧光波长的各种荧光染料作为染料。标记物的示例包括但不限于AlexaFluor(注册商标)系列的荧光染料、DyLight(注册商标)系列的荧光染料和BD Horizon Brilliant(注册商标)系列的荧光染料。在本技术中,染料可以是作为目标分子的一部分表达的染料,其例如是包含在荧光融合蛋白等中的荧光蛋白。荧光蛋白的示例包括GFP、BFP、CFP、EGFP、EYFP和PA-GFP。
在本技术中,标记物还包括与荧光染料结合的抗体。使用与荧光染料结合的抗体分析目标分子的方法也称为荧光免疫染色。荧光免疫染色可以包括,例如免疫细胞化学(ICC)和免疫组织化学(IHC)。在ICC中,可以对从组织或培养的细胞分离的细胞进行染色。在IHC中,组织薄片中的目标分子可以被染色。在本技术中,可以生成用于选择在荧光免疫染色中优选使用的标记物的支持信息,换句话说,与荧光染料结合的抗体。
荧光免疫染色包括直接荧光免疫染色和间接荧光免疫染色。在前者中,与荧光染料结合的抗体直接与目标分子结合。然后,检测荧光染料,由此可以进行目标分子的分析。在后者中,与荧光染料结合的抗体(也称为二次抗体)与特定结合目标分子的抗体(也称为一次抗体)结合。换句话说,与荧光染料结合的二次抗体经由一次抗体结合到目标分子。
在本技术中,与标记物的分配相关联的支持信息的示例包括:
要分配给目标分子的标记物的名称(例如,化合物名称)、缩写(例如,化合物名称的缩写)、项目号或商品名;
标记物应该具有的波长范围;
一种或多种染料的列表,在标记物应该具有的波长范围内具有荧光波长;
标记物应该具有的荧光强度范围;
标记物应该具有的化学结构;以及
不应该分配给目标分子的标记物或波长范围。
在本技术中,数据库可以是,例如在互联网上发布的数据库,或者可以是未在互联网上发布的数据库,诸如由用户拥有的数据库。在本技术中,可以使用一个或多个数据库。本技术中使用的数据库的示例包括但不限于蛋白质表达数据库、基因表达数据库、物品数据库、微阵列实验数据库和与标记物相关联的数据库。数据库可以由本领域技术人员基于目标分子的类型适当地选择,或者可以根据本技术基于目标分子的类型由标记物选择支持系统自动地选择。信息处理器从与由信息获取单元获得的目标分子相关联的信息中识别目标分子的类型,并且信息处理器可以基于该类型选择与该类型的分子相关联的数据库。因此,例如,在目标分子是RNA的情况下,自动选择与RNA相关联的数据库。在本技术的优选模式中,蛋白质表达数据库可以用作数据库。
在本技术中使用的数据库的示例包括以下内容。它们中的任何一个都是在互联网上发布的数据库。在以下各项中,更优选使用作为蛋白质表达数据库的GeneCards和/或ProteomicsDB。
GeneCards(商标)(http://www.genecards.org/)
ProteomicsDB(http://www.proteomicsdb.org/proteomicsdb/#overview)
Gene Expression Omnibus(http://www.ncbi.nlm.nih.gov/geo/)
Gene eXpression Database(http://www.informatics.jax.org/expression.shtml)
Expression Atlas(http://www.ebi.ac.uk/gxa/home)
All Of gene Expression(http://aoe.dbcls.jp/)
Reference Expression dataset(http://refex.dbcls.jp/)
在本技术中,由信息处理器获得的表达信息可以是与目标分子的表达相关联的信息。表达式信息的示例包括与目标分子的分析结果相关的数据。与目标分子的分析结果相关的数据的示例包括但不限于与目标分子的量相关的数据(例如,表达水平、丰富度、表达程度等)、与目标分子存在的位置、区域、定时或时间相关的数据、以及与具有目标分子的细胞类型或种类相关的数据。与目标分子存在的位置或区域或定时或时间相关的数据包括,例如与能够获得与目标分子的量相关的数据的位置、区域、定时或时间相关的数据。数据可以作为例如与特定位置、区域、定时或时间处的目标分子的量相关的数据来获得。该位置或区域可包括例如器官或部位、器官或部位中的位置或区域、以及细胞器。
在本技术中,除了表达信息,信息处理器还可以获得与分析条件有关的数据和/或与分析器有关的数据。
与分析条件相关的数据的示例包括用于获得分析结果的分析条件,诸如分析前的处理条件、分析条件和分析后的处理条件。与分析条件相关的数据例如包括,在已经获得与目标分子的量相关的数据的情况下与分析条件相关的数据。数据可以作为,例如与在特定分析条件下进行分析的情况下获得的目标分子的量相关的数据来获得。
与分析器相关的数据的示例包括装置的名称、装置的类型、装置的操作条件、可以在装置中使用的标记物的范围,诸如可以由装置分析的波长范围,以及可以在装置中使用的试剂的范围。
例如,在目标分子是生物分子的情况下,由信息处理器获得的信息的示例包括:
生物分子的丰富度或表达水平、表达分布、存在或表达的位置或区域以及表达程度;
具有生物分子的有机体的种类、年龄和性别;
具有生物分子的有机体的疾病、疾病类型和病历的存在或不存在;
表达生物分子的器官或细胞的类型、来源、和获得方法或培养方法;
获取数据的定时(例如,在数据库上发布分析数据的定时);以及
数据被引用的次数(例如,公开分析数据的文章被引用的次数)。
这些信息中的一个或两个或多个可由信息处理器获得。
根据本技术的一种模式,由信息处理器获得的表达信息至少包括与目标分子的量相关联的信息,以及更具体地,包括目标分子的丰富度或表达水平和/或目标分子的表达程度。
由信息处理器获得的表达信息优选地可以是与体内表达分布或表达水平相关联的信息。
例如,由信息处理器获得的表达信息是与体内表达水平相关联的信息,并且信息处理器可以基于与目标分子的表达水平相关联的信息来选择要分配给目标分子的标记物的荧光强度。
例如,由信息处理器获得的表达信息是与体内表达分布相关联的信息,并且信息处理器可以基于与目标分子的表达分布相关联的信息来选择要分配给目标分子的标记物的荧光波长。
根据本技术的另一种模式,由信息处理器获得的表达信息至少可以包括与目标分子的量相关联的信息,以及与目标分子存在的位置或区域相关联的信息。
根据本技术的另一种模式,由信息处理器获得的表达信息至少可包括与目标分子的量相关联的信息、与目标分子存在的位置或区域相关联的信息、以及与具有目标分子的物种和/或细胞类型相关联的信息。
在本技术中使用这样的表达信息,由此生成有助于更适当地分配标记物的支持信息。
使用适当分配的标记物有助于分析目标分子。
例如,在多个目标分子的细胞内分布不同的情况下,即使使用的荧光染料的波长接近,颜色区分也是容易的。这将参考图16进行描述。
图16是通过用共聚焦激光扫描显微镜(Olympus FV1000,×60)对使用5种染料进行荧光免疫染色的人乳腺癌细胞(MCF7)进行拍摄而获得的照片。在荧光免疫染色中,荧光染料BV480用于存在于细胞表面的目标分子E-cadherin,Alexa 488用于存在于细胞质中的β-微管蛋白,Alexa 555用于存在于细胞核中的Ki-67,Alexa 647用于存在于高尔基体中的GM 130,以及BV421用于存在于溶酶体颗粒膜中的Lamp1。
如图16所示,在目标分子的细胞内分布不同的情况下,颜色区分是容易的。
此外,在细胞分布不同的情况下,即使多个目标分子的细胞内分布相同,颜色区分也容易。这将参考图17进行描述。
图17是通过用显微镜拍摄使用四种染料进行荧光免疫染色的Jurkat细胞而获得的照片。在荧光免疫染色中,荧光染料BV480(青色)用于目标分子CD3,FITC(绿色)用于CD45,Alexa 647(红色)用于CD3,以及PE-Cy5(黄色)用于CD45。此外,图17中的照片中的右下角照片是通过明场拍摄获得的。所有的目标分子都在细胞表面表达。
如图17所示,即使在所有目标分子都在细胞表面表达的情况下,如果表达目标分子的细胞不同,颜色区分也是容易的。
根据本技术的一种模式,可以从信息处理器获得的针对每个目标分子的数据生成数据表。例如,为了生成数据表,可以使用2、3、4、5或更多类型的数据。根据本技术的一种模式,可以根据三种类型的数据生成二维数据表。此外,根据另一种模式,可以根据四种类型的数据生成将二维数据表串起来的数据表,或者三维数据表。可选地,可以使用四种类型的数据中的三种类型的数据来生成二维数据表,并且可以对数据表的每个单元格的数据执行基于剩余的一种类型的数据的数据处理。例如,数据处理可以是诸如乘以预定系数的处理。
根据本技术的优选模式,数据表可以具有与数据表的每个单元格中的目标分子的量(例如,表达水平、丰富度、表达程度等)相关的数据。例如,数据表可以在表的每个单元格中具有表达水平,该单元格在数据表中包括目标分子存在的区域的两个项(例如,行项和列项)以及具有目标分子的细胞类型。换句话说,每个细胞的表达水平表示细胞类型中区域中目标分子的表达水平。注意,可以交换数据表中的行项和列项。
其他数据可以用作行项和列项,并且其他数据的示例包括但不限于预处理条件,特别是分析前处理的类型,以及分析前处理中的pH、温度、试剂、处理时间段等。
优选地,信息处理器可以将荧光波长光谱中的远的荧光染料分别分配给在空间上彼此相邻的多个目标分子。分配的结果可以是支持信息。例如,具有更远荧光波长光谱的荧光染料可以分别分配给位于细胞中更近的两个或多个目标分子。因此,可以向用户提出更适合于分析的荧光染料的组合。
信息处理器可以使用经学习的模型以生成支持信息,在经学习的模型中已经学习了目标分子和标记物的组合的适合性。通过本领域技术人员已知的方法生成的模型可以用作经学习的模型。经学习的模型可以是,例如在下面的“(4)第一实施例的第三示例(标记物选择支持系统)”中将要描述的规则组,或者可以基于在“(4)第一实施例的第三示例(标记物选择支持系统)”中将要描述的机器学习来生成。
根据本技术的一种模式,与标记物的分配相关联的支持信息可以参考数据表由支持信息生成器生成。根据本技术的一种模式,可以基于为每个目标分子生成的数据表之间的相关性来生成支持信息。例如,支持信息生成器获得两个目标分子的数据表之间关于要分析的目标分子的组合(优选所有组合)的相关系数,并且然后基于所获得的相关系数生成与标记物的分配相关联的支持信息。
根据本技术的一种模式,支持信息生成器可以根据预定规则生成与标记物的分配相关联的支持信息。例如,支持信息生成器可以根据预定规则选择要分配给每个目标分子的一个或多个标记物,并且然后生成指示所选择的标记物应当分配给每个目标分子的支持信息。规则可以预先存储在支持信息生成器中,或者可以由用户根据需要添加。在下文中,将用示例描述该规则。
(1-1)第一示例性规则
分配规则的第一示例是下面的规则1。
规则1:选择用于每个目标分子的荧光染料,以这种方式使得具有更远波长的荧光染料被分配给在数据表之间具有更强相关性的两个目标分子中的每一个。
该规则特别适用于数据表之间具有正相关性的两个目标分子。例如,对于具有负相关性的两个目标分子,支持信息生成器可以任选地分配除了已经分配的标记物之外的标记物,或者用户可以做出适当的选择。根据该规则将荧光染料分配给目标分子,由此减少光谱重叠,并且可以将更合适的标记物分配给目标分子。
在优选模式中,该规则可以应用于这样的情况,其中数据表的元素是与目标分子的量相关的数据,并且数据表的项之一是目标分子存在的位置或区域和/或定时或时间。在该模式中,考虑目标分子的量以及目标分子存在的空间和/或时间,由此为目标分子分配更合适的标记物。例如,在标记物是染料的情况下,并且也在该模式下,允许更容易地进行颜色分离的荧光染料被分配给目标分子。该模式适合于,例如使用荧光显微镜观察目标分子,或者使用各种阵列分析目标分子。
在另一优选模式中,该规则可以应用于这样的情况,其中数据表的元素是与目标分子的量相关的数据,并且数据表的项之一是存在的目标分子的物种和/或细胞类型。在该模式中,考虑目标分子的量,以及目标分子存在的有机体和/或细胞,由此为目标分子分配更合适的标记物。例如,在该模式中标记物是荧光染料的情况下,考虑目标分子的量以及存在的目标分子的种类和/或细胞类型,由此将更合适的标记物分配给目标分子。此外,在该模式下,允许更容易地进行颜色分离的荧光染料被分配给目标分子。该模式适用于例如基于流式细胞术的目标分子的分析。
(1-2)第二示例性规则
分配规则的第二示例是下面的规则集2到4。
规则2:选择用于每个目标分子的荧光染料,以这种方式使得对于在数据表之间具有正相关性的两个目标分子,具有更远波长的荧光染料被分配给具有更强相关性的每个目标分子。
规则3:除了已经被分配的荧光染料之外的荧光染料可以被分配给在数据表之间具有负相关性的两个目标分子。然而,根据规则3分配的荧光染料与已经分配了等于或大于预定波长的荧光染料的波长分离。
规则4:规则2优先于规则3。
根据规则2,可以执行上述规则1中描述的标记物选择。
将根据规则3分配的荧光染料与已经分配了等于或大于预定波长的荧光染料分离,由此减少光谱重叠,并且可以更容易地进行颜色分离。
根据规则4,因为规则2优先于规则3,所以荧光染料优先分配给具有更强正相关性的两个目标分子。因此,可以进行更适当的分配。
根据本技术的一种模式,将标记物分配给具有正相关性的目标分子可以优先于将标记物分配给具有负相关性的目标分子。换句话说,支持信息生成器可以优先地将标记物分配给具有正相关性的两个目标分子。这使得能够选择更合适的标记物。
(1-3)第三示例性规则
分配规则的第三示例是以下规则集5至7。
规则5:将预定波长区域按数据表之间具有正相关性的目标分子的数目划分,并且将从所划分的波长范围中的每一个中选择的一种荧光染料分配给目标分子中的每一个。
规则6:除了已经被分配的荧光染料之外的荧光染料可以被分配给在数据表之间具有负相关性的两个目标分子。然而,根据规则6分配的荧光染料与已经分配了等于或大于预定波长的荧光染料的波长分离。
规则7:规则5优先于规则6。
例如,根据规则5,可见光的波长区域(例如,380nm至750nm)的范围被具有正相关性的目标分子的数目等分,并且属于各个划分的波长范围的荧光染料被分配给目标分子。因此,减少了光谱重叠,并且可以容易地执行颜色分离。
根据规则6,可以执行上述规则3中描述的标记物选择。根据规则7,荧光染料优先分配给具有正相关性的两个目标分子,由此可以进行更合适的分配。
在规则5中,在多个荧光染料属于特定波长范围的情况下,可以根据例如以下规则中的任一个,来确定要在多个荧光染料中选择哪个荧光染料。
规则5-1:选择荧光染料,使得以(目标分子的量)×(荧光染料的荧光强度)表示的值最大化。
规则5-2:选择荧光染料,使得以(目标分子的量)×(荧光染料的荧光强度)表示的值落在预定的数值范围内。
规则5-3:选择荧光染料,使得以(目标分子的量)×(荧光染料的荧光强度)表示的值落在预定的数值范围内,并且该值在该范围内被最大化或最小化,或者该值最接近该范围的中心。
根据上述规则5-1至5-3,标记物可以适当地缩小范围。根据规则5-1至5-3,例如,在存在多个标记物候选的情况下,可以选择较少数量的标记物,例如,仅一个标记物。
例如,规则5-1至5-3可以应用于仅有一个目标分子要分析的情况。此外,规则5-1至5-3可以应用于在上述规则3中,除了已经被分配的荧光染料之外的荧光染料被分配的情况,或者在下面将要描述的规则8中,要从特定波长范围中选择一种荧光染料的情况。
可以从数据库获得与目标分子的量(例如,表达水平)相关的数据和与荧光染料的荧光强度相关的数据。此外,可以从数据库中获得(目标分子的表达水平)×(荧光染料的荧光强度)本身的值。这些数据可以由信息处理器获得。
(1-4)第四示例性规则
分配规则的第四示例是以下规则集8至11。
规则8:将预定波长区域按数据表之间具有正相关性的目标分子的数目划分,并且将从所划分的波长范围中的每一个中选择的一种荧光染料分配给目标分子中的每一个。
规则9:在规则8中,对于具有更强正相关性的两个目标分子,从更远的波长范围中选择荧光染料。
规则10:除了已经被分配的荧光染料之外的荧光染料可以被分配给在数据表之间具有负相关性的两个目标分子。然而,根据规则2分配的荧光染料与已经分配了等于或大于预定波长的荧光染料的波长分离。
规则11:规则8优先于规则10。
根据规则8和规则9执行荧光染料的选择,由此减少光谱重叠,并且可以更容易地执行颜色分离。
(1-5)第五示例性规则
分配规则的第五示例是下面的规则12。
规则12:预定波长区域按数据表之间具有正相关性的目标分子的数目划分,并且属于各自划分的波长范围的多个荧光染料被呈现为目标分子的标记物候选。
根据规则12,多个荧光染料作为标记物候选呈现给用户,由此可以增加要呈现给用户的标记物选项的数目,并且可以减少要选择的染料的光谱重叠。例如,对于具有负相关性的两个目标分子,支持信息生成器可以任选地分配除了已经分配的标记物之外的标记物,或者用户可以做出适当的选择。根据规则将标记物分配给目标分子,由此减少光谱重叠,并且可以将更合适的标记物分配给目标分子。
用于生成支持信息的规则可以是上述规则的组合。此外,用户可以适当地添加规则,或者根据本技术的标记物选择支持系统可以基于机器学习生成新规则。
不需要参考数据表的规则也可以用作生成支持信息的规则。这种规则的示例包括但不限于以下第六和第七示例性规则。
(1-6)第六示例性规则
分配规则的第六示例是下面的规则13。
规则13:预定的荧光染料不作为特定目标分子的标记物候选呈现。
一些荧光染料不应用作目标分子的标记物,因为例如,荧光染料对目标分子的物理性质有不利影响。在这种情况下,可以应用规则13。
(1-7)第七示例性规则
分配规则的第七示例是下面的规则14。
规则14:预定的荧光染料总是被选择用于特定的目标分子。
在存在用户已经确定用于特定目标分子的荧光染料的情况下,可以应用规则14。在应用规则14的情况下,从已经确定的荧光染料的荧光波长中具有预定范围内的波长的荧光染料可以被排除在标记物候选之外。
在本技术中,支持信息生成器根据,例如上述规则或规则集中的任一个,或者根据包括规则或规则集的规则组,生成与标记物的分配相关联的支持信息。然后,所生成的支持信息由发送器经由网络发送到例如分析目标分子的用户的终端。用户参考支持信息来选择用于分析的标记物。
(2)第一实施例的第一示例(标记物选择支持系统)
下文中,将参考图1和图2描述根据本技术的示例性标记物选择支持系统和使用该系统的标记物选择。
图1是示出使用根据本技术的标记物选择支持系统的示例性情况的示意图。在图1中,标记物选择支持系统100经由网络101连接到用户终端102和数据库103。
图2是标记物选择支持系统100的框图。标记物选择支持系统100包括信息获取单元201、信息处理器202和发送器206。信息处理器202包括表达信息获取单元203、数据表生成器204和支持信息生成器205。注意,在图2中省略了网络101。
标记物选择支持系统100的发送器206经由网络101发送用于使终端102显示提示用户输入要分析的目标分子的名称的屏幕的数据。数据可以存储在例如信息处理器202中。响应于数据的接收,终端102在终端102(诸如显示器)的显示单元上显示屏幕。屏幕可以设置有,针对用于目标分子的名称的输入字段,以及用于将输入名称发送到标记物选择支持系统100的发送按钮。响应于目标分子的名称的用户输入和屏幕上发送按钮的点击,终端102经由网络101将目标分子的名称发送到标记物选择支持系统100。
此外,屏幕可以设置有用于输入用于分析目标分子的装置的名称的字段。响应于除了目标分子的名称和发送按钮的点击之外的装置的名称的输入,终端102将与目标分子的名称和装置的名称相关联的信息发送到标记物选择支持系统100。
标记物选择支持系统100的信息获取单元201经由网络101获取目标分子的名称。
此外,信息获取单元201可以经由网络101获取除目标分子的名称之外的装置的名称。
标记物选择支持系统100的表达信息获取单元203使用目标分子的名称作为关键词来搜索数据库103。随着搜索的进行,表达信息获取单元203从数据库103获取与目标分子的名称相关的数据。数据包括例如目标分子在体内表达的区域和表达水平。
例如,信息处理器202可以根据目标分子的名称选择要搜索的数据库。可选地,分析目标分子的用户可以预先选择要搜索的数据库。
此外,信息处理器202可以使用装置的名称作为关键词来搜索数据库103。随着搜索的进行,信息处理器202可以从数据库103获得可以在装置中使用的标记物数据。
标记物选择支持系统100的数据表生成器204根据所获得的数据为每个目标分子生成数据表。数据表例如是,包括经过目标分子分析后的细胞类型的项和目标分子的细胞中的表达区域,并且在每个单元格包括每个细胞类型中的各种表达区域中的表达水平的数据表。数据表的示例在图4和图5中示出。
图4和图5示出了用于生成在每个细胞类型(在每个图中为A和B)中的各种表达区域中具有表达水平的数据表的数据,以及由该数据(在每个图中为C)生成的数据表。注意,在本技术中,表达水平的单位可以由本领域技术人员适当选择。在图4和图5中为ppm。
例如,如下生成数据表。
例如,表达信息获取单元203从特定数据库中,获取细胞A至F中分子1的表达水平的数据。图4的上部分中的表A示出了各个细胞类型中的表达水平。例如,如图4A所示,获得1×102的值作为在细胞A中分子1的表达水平数据。此外,从数据库或不同于该数据库的数据库中,获得指示在细胞A的五个阶段的各个细胞区域中的表达程度的数据。图4中的中间的表B示出了在每个细胞区域中的表达程度。例如,分子1在细胞A的细胞膜中的表达程度为5。注意,在图4中省略了在细胞B至F中的表达程度。将上述获得的表达水平数据乘以表达程度数据,从而生成图4的下部C所示的数据表。
图5示出了表达水平数据和指示对于分子2类似获得的各种细胞区域中的表达程度的数据,以及类似生成的数据表。
标记物选择支持系统100的支持信息生成器205参考所生成的数据表来生成与标记物的分配相关联的支持信息。
要分配的标记物可以从,例如可以在由信息处理器202获得的装置中使用的标记物中选择。例如,在不能使用装置信息的情况下,从预先存储在信息处理器中的染料列表中选择要分配的标记物。染料列表可以是例如在可见光区域中具有荧光波长的商业可用荧光染料的列表。
将参考图4至图8描述支持信息生成的示例。
图4和图5如上所述。
与图6中所示的分子1和分子2相关的图表以三维矩阵表示图4和图5中所示的各个数据表。图6中与分子3和分子4有关的图表,以类似于与分子1和分子2相关的图表的方式,以三维矩阵表示为分子3和分子4生成的数据表。分子3和分子4的数据表在图7中示出,如下文所述。分子3和分子4的数据表也以与分子1和分子2类似的方式生成。
例如,支持信息生成器205获取分子1至分子4的数据表之间的相关系数,并且然后基于该相关系数生成与分子1至分子4的标记物分配相关联的支持信息。相关系数例如是互相关系数,并且用于计算互相关系数的公式例如,如下所示。
[公式1]
在上面的公式中,M和N表示数据表的行和列的数目,T(i,j)表示一个数据表中位置(i,j)处的数据,以及I(i,j)表示另一个数据表中位置(i,j)处的数据。
根据上述公式计算的各个分子之间的互相关系数在图8中示出。基于图8所示的相关系数,根据例如以下规则1和2生成与标记物分配相关联的支持信息。
规则1:在正相关的分子之间,远的荧光波长处的染料被按相关系数的降序分配。
规则2:在负相关的分子之间,可以使用近的荧光波长处的染料。
在分子1至分子4中,在分子1和分子2之间具有正相关并且具有最高相关系数的分子的组合是分子1和分子2的组合。
分子1和分子3、分子1和分子4、分子2和分子3、分子2和分子4以及分子3和分子4之间存在负相关。
根据规则1,远的荧光波长处的染料被分配给分子1和分子2。根据规则2,可以在分子1和分子3、分子1和分子4、分子2和分子3、分子2和分子4以及分子3和分子4之间使用具有近的荧光波长处的染料。注意,在可选择的染料的数目较少的情况下,根据规则2选择的染料可以是具有与已经选择的染料相同的波长的染料。
根据规则1和2,支持信息生成器205根据例如下面将要描述的模式生成与染料分配相关联的支持信息。
在一种模式中,支持信息生成器205根据上述规则1选择分子1和分子2作为具有最高相关系数的分子的组合。然后,支持信息生成器205参考染料数据库(未示出),以从预定染料组向分子1和分子2分配在荧光波长上最远的两种染料。然后,支持信息生成器205生成支持信息,该支持信息指示应将两种染料分配给分子1和分子2。
接下来,支持信息生成器205生成支持信息,该支持信息指示用于分子3和分子4的染料应当从已经分配给分子1和分子2的染料以外的染料中分配。
在另一模式中,支持信息生成器205根据上述规则1选择分子1和分子2作为具有最高相关系数的分子的组合。
这里,包括在支持信息生成器205所参考的染料数据库中的染料被预先分类为具有预定波长范围内的波长的染料组。例如,可见光区域中的波长被划分为多个范围,诸如2至20、3至15和4至10,并且多个染料根据染料的荧光波长被划分为多个范围。波长范围分割的更具体示例可以包括380至430nm(紫色)、430至490nm(蓝色)、490至550nm(绿色)、550至590nm(黄色)、590至640nm(橙色)和640至770nm(红色)。可以根据以这种方式划分的每个波长范围中的荧光波长预先分类多个染料,并且可以形成多个染料组。
支持信息生成器205生成支持信息,该支持信息指示应当从波长范围内最远的两个染料组(例如,紫色组和红色组)中的每一个中为分子1和分子2选择染料。可选地,支持信息生成器205可以生成通过选择属于波长范围内最远的两个染料组中的每一个的染料中的一个而获得的染料的组合,作为支持信息。
接下来,支持信息生成器205生成支持信息,该支持信息指示染料应当从属于除上述两个染料组之外的染料组的染料中分配给分子3和分子4,两个染料组被选择用于分子1和分子2。
如上所述,支持信息生成器205生成与标记物分配相关联的支持信息。
标记物选择支持系统100的发送器206经由网络将生成的支持信息发送到终端102。终端102在例如显示器上显示支持信息。因此,用户可以参考支持信息来选择适合于分析目标分子的标记物。
(3)第一实施例的第二示例(标记物选择支持系统)
在本技术的一种模式中,除了表达信息之外,信息处理器还可以获得与在分析生物分子之前的处理条件相关的数据。在这种情况下,数据表生成器可以为每个生物分子生成处理条件数据表,该处理条件数据表包括分析生物分子之前的处理条件作为项。信息处理器可以包括处理条件选择单元,处理条件选择单元参考为每个生物分子生成的处理条件数据表来选择处理条件,在该处理条件下可以分析更多的生物分子。
通过包括处理条件选择单元,可以向用户呈现用于多个分子的更合适的处理条件。因此,用户可以更容易地选择处理条件。
以下,将参考图1和图9描述信息处理器进一步包括处理条件选择单元的示例性情况。
图1与在上文“(2)第一实施例的第一示例(标记物选择支持系统)”中描述的相同。
图9示出了处理条件选择单元307被添加到图2中的标记物选择支持系统100的状态,图2中的标记物选择支持系统100在上文“(2)第一实施例的第一示例(标记物选择支持系统)”中描述。
标记物选择支持系统100经由网络101,使终端102显示提示用户输入要分析的目标分子的名称的屏幕。屏幕可以设置有,例如针对目标分子的名称的输入字段,以及用于将输入名称发送到标记物选择支持系统100的发送按钮。响应于目标分子的名称的用户输入和屏幕上发送按钮的点击,终端102经由网络101将目标分子的名称发送到标记物选择支持系统100。
用于使终端102显示屏幕的数据可以由,例如标记物选择支持系统100的发送器306执行。数据可以存储在例如信息处理器302中。
标记物选择支持系统100的信息获取单元301经由网络101获取目标分子的名称。
标记物选择支持系统100的表达信息获取单元303使用目标分子的名称作为关键词来搜索数据库103。随着搜索的进行,表达信息获取单元303获取与目标分子的名称相关的数据。数据包括,例如目标分子在体内表达的区域和表达水平,以及在分析目标分子之前执行的处理的条件。
标记物选择支持系统100的数据表生成器304根据所获得的数据为每个目标分子生成数据表。要生成的数据表是关于表达水平和表达区域的数据表,以及关于预处理条件的数据表。
关于表达水平和表达区域的数据表如图4、图5和图7所示,在上文“(2)第一实施例的第一示例(标记物选择支持系统)”中描述。
关于预处理条件的数据表可以包括分析生物分子之前的处理条件作为项。此外,关于预处理条件的数据表可以在每个单元格中包括与处理结果相关的数据。
关于预处理条件的数据表的示例在图10中示出。例如,如图10所示,如下针对分子1至分子4中的每一个创建关于预处理条件的数据表。
例如,表达信息获取单元303从特定数据库,获取pH和温度作为用于分析分子1的预处理条件,以及基于预处理的活化度(特别是抗原的活化)。活化度表示为0到5的六个阶段,0表示没有活化,1表示活化度最低,活化度从1到5的顺序增加,并且5表示活化度最高。如图10所示的数据表是根据所获得的数据生成的。同样,如图10所示的数据表是为分子2至分子4产生的。数据表是具有pH和温度作为项的数据表,并且在每个单元格中具有活化度。
处理条件选择单元307参考为分子1至分子4中的每一个创建的处理条件数据表,以在分子1至分子4中选择能够分析更多分子的处理条件。
例如,在图10中,在为分子1至分子4创建的数据表中,在所有分子的活化度等于或大于1的情况下(即活化情况)的处理条件是温度为60℃且pH为5至10、温度为70℃且pH为4至6、以及温度为80℃且pH为4的情况。因此,在这些处理条件下,所有分子1至分子4都被活化。
在一种模式中,处理条件选择单元307生成支持信息,该支持信息指示应在上述所有分子1至分子4被活化的任何条件下执行分子1至分子4的分析的预处理。
在另一模式中,处理条件选择单元307可以参考关于表达水平和表达区域的数据表以选择更合适的预处理条件。例如,如图7所示,最大表达水平最小的分子是分子1至分子4中的分子1(5×102)。鉴于此,在所有分子1至分子4被活化的预处理条件中,可以选择分子1的活化度最大化的预处理条件。在图10中,在70℃的温度和pH 6的情况下,分子1的活化度为3,并且其它分子的活化度没有更大。因此,处理条件选择单元307生成支持信息,该支持信息指示分子1至分子4的分析的预处理应当在70℃的温度和pH 6的条件下进行。
在这种模式下,选择具有小表达水平的分子被更强活化的处理条件,由此在处理后的分析中能够抑制在分子1至分子4的荧光分析中检测到的荧光强度的变化。例如,在使用多个荧光染料的流式细胞术中,从多个荧光染料发射的荧光强度需要在预定范围内。因此,该模式特别适合于用于流式细胞术的荧光染料的选择。
如上所述,在“(2)第一实施例的第一示例(标记物选择支持系统)”中,支持信息生成器305生成与标记物的分配相关联的支持信息。
在另一模式中,如下所述,支持信息生成器305可以参考由处理条件选择单元307选择的处理条件,以生成与应该分配的标记物相关联的支持信息。
换句话说,如上所述,处理条件选择单元307选择70℃的温度和pH6的条件作为使分子1的活化度最大化的预处理条件。在这种情况下,分子1至分子4的活化度如图10所示分别为3、3、3和1。此外,分子1至分子4的表达水平的最大值为,如图7所示分别为5×102、3×103、5×103和1×104。鉴于以上,例如,支持信息生成器305将染料分配给目标分子,使得分子之间的(表达水平)×(活化度)×(染料的荧光强度)的值的差变小。因此,选择适合于分子1至分子4的批量分析的染料。将参考图11描述分配的示例。
图11右侧的表示出了染料和染料的荧光强度值。在表中,染料按荧光强度从上降序排列。在图11的左侧,表示分子1至分子4的最大表达水平和活化度。为了使分子之间的(表达水平)×(活化度)×(染料的荧光强度)的值的差值更小,例如,将PE分配给分子1,将BV711分配给分子2,将BV480分配给分子3,并且将BV605分配给分子4。关于应当分配哪种染料以使上述分子之间的值的差值更小,可以通过本领域中已知的技术来确定。
如上所述,支持信息生成器305生成支持信息,支持信息指示PE应分配给分子1、BV711应分配给分子2、BV480应分配给分子3、以及BV605应分配给分子4,以使分子之间的(表达水平)×(活化度)×(染料的荧光强度)的值的差值更小。
标记物选择支持系统100的发送器306经由网络向终端102发送与预处理条件相关联的支持信息和生成的支持信息。终端102显示这些信息。因此,用户可以参考这些信息以选择适合于分析分子1至分子4的预处理条件和标记物。
(4)第一实施例的第三示例(标记物选择支持系统)
在本技术的一种模式中,数据表生成器还可以包括数据表生成规则确定器,该数据表生成规则确定器使用基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成的分类器,来确定数据表的生成规则。
此外,在本技术的一种模式中,支持信息生成器还可以包括支持信息生成规则确定器,该支持信息生成规则确定器使用基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成的分类器,来确定支持信息的生成规则。
通过根据本技术如上所述确定数据表生成规则和/或支持信息生成规则,可以生成更适合于分析目标分子的支持信息。此外,响应于例如新实验数据的添加、将新数据库本身添加到数据库等,学习数据可以增加。换句话说,用于机器学习的信息可以随时更新。因此,数据表生成规则和/或支持信息生成规则由反映最新信息的分类器确定,由此可以生成更合适的支持信息。
分类器可以具有预先设置的数据表生成规则和/或支持信息生成规则,和/或可以具有通过使用数据库中的信息作为学习数据的机器学习更新的那些生成规则获得的数据表生成规则和/或支持信息生成规则。此外,分类器可以具有通过使用数据库中的信息作为学习数据的机器学习新获得的数据表生成规则和/或支持信息生成规则。
在本技术中,数据表生成规则的示例,包括但不限于关于选择从中获取数据的数据库、选择要获取的数据类型、选择要生成的数据表的项、选择要生成的数据表的维数以及选择要生成的数据表的单元格中的数据类型的规则。
在本技术中,支持信息生成规则的示例,包括但不限于“(1)第一实施例的描述”、“(2)第一实施例的第一示例(标记物选择支持系统)”和“(3)第一实施例的第二示例(标记物选择支持系统)”中描述的规则。
根据本技术的一种模式,在机器学习中使用的学习数据可以包括作为使用根据本技术生成的支持信息由用户执行的目标分子的分析的结果而获得的分析结果。换句话说,来自用户的反馈信息被用作学习数据的一部分。因此,可以生成更适当的支持信息。
此外,根据本技术的一种模式,在机器学习中使用的学习数据可以包括用户对根据本技术生成的支持信息的评估。例如,用户的评估可以是,是否已经基于支持信息进行了分析、支持信息是否已经用作有用的参考、是否已经作为基于支持信息的分析的结果获得了期望的结果等。随着这种用户的评估被反映到分类器,可以产生更适当的支持信息。
以下,将参考图1和图12描述数据表生成器还包括数据表生成规则确定器和支持信息生成规则确定器的示例性情况。
图1与上面在“(2)第一实施例的第一示例(标记物选择支持系统)”中描述的相同。
图12示出了将数据表生成规则确定器407和支持信息生成规则确定器408添加到图2中的标记物选择支持系统100的状态,标记物选择支持系统100在上面的“(2)第一实施例的第一示例(标记物选择支持系统)”中描述。虽然图12示出了数据表生成器404和支持信息生成器405分别包括数据表生成规则确定器407和支持信息生成规则确定器408的模式,但是数据表生成规则确定器407和支持信息生成规则确定器408可以独立于数据表生成器404和支持信息生成器405来设置。
以与上面“(2)第一实施例的第一示例(标记物选择支持系统)”中描述的发送器206相同的方式,标记物选择支持系统100的发送器406经由网络101发送数据,该数据用于使终端102显示提示用户输入要分析的目标分子的名称的屏幕。此外,以与信息获取单元201相同的方式,标记物选择支持系统100的信息获取单元401经由网络101获取目标分子的名称。此外,与表达信息获取单元203相同的方式,标记物选择支持系统100的表达信息获取单元403搜索数据库103,并且然后表达信息获取单元403基于搜索获得与目标分子的名称相关的数据。
标记物选择支持系统100的数据表生成器404根据所获得的数据为每个目标分子生成数据表。可以根据由数据表生成规则确定器407确定的数据表生成规则来生成数据表。数据表生成规则可以由分类器来确定,该分类器基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成。
分类器可以具有预先设置的数据表生成规则,和/或通过使用数据库中的信息作为学习数据的机器学习来更新通过数据表生成规则获得的数据表生成规则。此外,分类器可以具有通过使用数据库中的信息作为学习数据的机器学习新获得的数据表生成规则。
数据表生成规则可以是,例如关于选择数据表的单元格中的数据类型和/或选择数据表的项的规则。数据表的单元格中的数据类型的示例包括上述表达水平、表达程度和活化度。数据表的项的示例包括表达位置或区域、细胞类型或物种、分析条件、用于分析的装置或试剂、分析前的处理条件和分析后的处理条件。
机器学习可以根据本领域已知的方法来执行。机器学习方法的示例包括逻辑回归分析、支持向量机和神经网络。
在本技术中,用于机器学习的数据可以通过数据表生成规则确定器407从数据库103获得,或者可以通过表达信息获取单元403从数据库103获得。从数据库103获得的数据可以包括与目标分子相关联的信息和与目标分子的分析相关联的信息。
与目标分子相关联的信息如上文“(1)第一实施例的描述”中所述。
与目标分子的分析相关联的信息选自,例如,在上文“(1)第一实施例的描述”中描述的“与目标分子的分析结果、分析条件和分析器相关的数据”。
数据表生成器404根据由数据表生成规则确定器407确定的数据表生成规则来生成数据表。要生成的数据表的示例如上“(1)第一实施例的描述”、“(2)第一实施例的第一示例(标记物选择支持系统)”和“(3)第一实施例的第二示例(标记物选择支持系统)”中描述。
标记物选择支持系统100的支持信息生成器405参考所生成的数据表来生成与标记物的分配相关联的支持信息。支持信息可以根据由支持信息生成规则确定器408确定的支持信息生成规则来生成。支持信息生成规则可以由分类器来确定,该分类器基于与目标分子相关联的信息和与目标分子的分析相关联的信息产生。
分类器可以具有预先设置的支持信息生成规则,和/或通过使用数据库中的信息作为学习数据的机器学习来更新通过支持信息生成规则获得的支持信息生成规则。此外,分类器可以具有通过使用数据库中的信息作为学习数据的机器学习新获得的支持信息生成规则。
支持信息生成规则的示例包括但不限于,关于如何引用数据表的规则、关于从哪个目标分子进行标记物分配的规则、关于选择要分配的标记物的规则、关于如何引用预处理条件的规则、关于如何计算相关系数的规则以及关于如何进行权重分配的规则。
机器学习可以根据本领域已知的方法来执行。机器学习方法的示例包括逻辑回归分析、支持向量机和神经网络。
在本技术中,用于机器学习的数据可以通过支持信息生成规则确定器408从数据库103获得,或者可以通过表达信息获取单元403从数据库103获得。从数据库103获得的数据可以包括与目标分子相关联的信息和与目标分子的分析相关联的信息。
与目标分子相关联的信息如上文“(1)第一实施例的描述”中所述。
与目标分子的分析相关联的信息例如可以是“与目标分子的分析结果、分析条件和分析器相关的数据”,在上文“(1)第一实施例的描述”中描述。
支持信息生成器405根据由支持信息生成规则确定器408确定的支持信息生成规则来生成支持信息。要生成的支持信息的示例如上文“(1)第一实施例的描述”、“(2)第一实施例的第一示例(标记物选择支持系统)”和“(3)第一实施例的第二示例(标记物选择支持系统)”中描述。
标记物选择支持系统100的发送器406经由网络将生成的支持信息发送到终端102。终端102在例如显示器上显示支持信息。因此,用户可以参考支持信息来选择适合于分析目标分子的标记物。
3.第二实施例(标记物选择支持装置)
(1)第二实施例的描述
本技术提供一种标记物选择支持装置,其包括信息处理器,信息处理器使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得多个目标分子的体内表达信息,并且基于表达信息,生成与将标记物分配给多个目标分子中的每一个相关联的支持信息。
在本技术中,如上所述生成与将标记物分配给每个目标分子相关联的支持信息。通过参考支持信息,用户可以容易地选择适合于分析每个目标分子的标记物。
在上面描述的“2.第一实施例(标记物选择支持系统)”中的与信息处理器有关的描述的所有项都应用于根据本技术的标记物选择支持装置。例如,与上面描述的“2.第一实施例(标记物选择支持系统)”中的信息获取单元、表达信息获取单元、数据表生成器、支持信息生成器和处理条件选择单元有关的描述的所有项都应用于根据本技术的标记物选择支持装置。例如,根据本技术的标记物选择支持装置可以包括表达信息获取单元、数据表生成器和支持信息生成器。根据本技术的标记物选择支持装置还可以包括信息获取单元、处理条件选择单元和/或发送器。此外,数据表生成器和支持信息生成器中的每一个可以包括如上所述的数据表生成规则确定器和支持信息生成规则确定器。
(2)第二实施例的示例(标记物选择支持装置)
图13示出了根据本技术的标记物选择支持装置的示例。图13是标记物选择支持装置500的框图。标记物选择支持装置500包括信息获取单元501、表达信息获取单元503、数据表生成器504、支持信息生成器505和发送器506。信息获取单元501、表达信息获取单元503、数据表生成器504、支持信息生成器505和发送器506分别与上述第二节“(2)第一实施例的第一示例(标记物选择支持系统)”中描述的信息获取单元201、表达信息获取单元203、数据表生成器204、支持信息生成器205和发送器206相同,并且将省略其说明。
4.第三实施例(支持标记物选择的方法)
(1)第三实施例的描述
本技术提供了一种支持标记物选择的方法,包括,使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得用于获得多个目标分子的体内表达信息的表达信息的步骤;以及基于表达信息生成支持信息的步骤,该支持信息用于生成与将标记物分配给多个目标分子中的每一个相关联的支持信息。
在本技术中,通过上述方法生成能够容易地选择适合于分析目标分子的标记物的支持信息。
(2)第三实施例的第一示例(支持标记物选择的方法)
以下,将参考图1和图14描述根据本技术的支持标记物选择的方法的示例。
图1是如上文“2.第一实施例(标记物选择支持系统)”中所述。
图14是示出根据本技术的支持标记物选择的方法的示例性流程的流程图。
在步骤S101中,标记物选择支持系统100根据本技术开始标记物选择支持的处理。
在步骤S102中,标记物选择支持系统100经由网络101,向终端102发送数据,该数据用于使终端显示提示用户输入要分析的目标分子的名称的屏幕。响应于数据的接收,终端102在终端102的显示单元(诸如显示器)上显示屏幕。响应于屏幕上目标分子的名称的用户输入和发送按钮的点击,终端102经由网络101将目标分子的名称发送到标记物选择支持系统100。
屏幕可以设置有用于输入用于分析目标分子的装置的名称的字段。响应于除了目标分子的名称和发送按钮的点击之外的装置的名称的输入,终端102将与目标分子的名称和装置的名称相关联的信息发送到标记物选择支持系统100。
在步骤S103中,标记物选择支持系统100经由网络101获得目标分子的名称。标记物选择支持系统100除了可以获得目标分子的名称之外,还可以获得装置的名称。
在步骤S104中,标记物选择支持系统100使用目标分子的名称作为关键词来搜索数据库103,以获得与目标分子的名称相关的数据。
在步骤S105中,标记物选择支持系统100根据所获得的数据为每个目标分子生成数据表。数据表的生成可以通过,例如在上文“2.第一实施例(标记物选择支持系统)”中描述的任何方法来执行。此外,在步骤S105中,如上述第二节的“(4)第一实施例的第三示例(标记物选择支持系统)”中所描述的,可以在数据表的生成之前确定数据表的生成规则。
在步骤S106中,标记物选择支持系统100确定在步骤S103中除了目标分子的名称之外是否还获得了装置的名称。响应于尚未获得装置的名称的状态,标记物选择支持系统100进行到步骤S107的处理。响应于已经获得装置的名称的状态,标记物选择支持系统100进行到步骤S108的处理。
在步骤S107中,标记物选择支持系统100参考在步骤S105中生成的数据表,以生成与标记物的分配相关联的支持信息。支持信息的生成可以通过例如在上文“2.第一实施例(标记物选择支持系统)”中描述的任何方法来执行。此外,在步骤S107中,如上述第二节的“(4)第一实施例的第三示例(标记物选择支持系统)”中所描述,可以在生成支持信息之前确定支持信息的生成规则。
在步骤S108中,标记物选择支持系统100获得可以在装置中使用的标记物的数据。
在步骤S109中,标记物选择支持系统100在从在步骤S108中获得的标记物数据中选择标记物的条件下,生成与标记物的分配相关联的支持信息。支持信息的生成可以通过例如在上文“2.第一实施例(标记物选择支持系统)”中描述的任何方法来执行。此外,在步骤S109中,如上述第二节的“(4)第一实施例的第三示例(标记物选择支持系统)”中所描述,可以在生成支持信息之前确定支持信息的生成规则。
在步骤S110中,标记物选择支持系统100经由网络101,向终端102发送在步骤S107中生成的支持信息或在步骤S109中生成的支持信息。
在步骤S111中,标记物选择支持系统100终止根据本技术的标记物选择支持的处理。
5.第四实施例(用于支持标记物选择的程序)
本技术提供了一种用于支持标记物选择的程序,该程序使得计算机使用与待分析的多个目标分子相关联的信息,执行从存储目标分子的体内表达信息的数据库,获得用于获得多个目标分子的体内表达信息的表达信息的步骤,以及基于表达信息,生成支持信息的步骤,该支持信息用于生成与将标记物分配给多个目标分子中的每一个相关联的支持信息。
换句话说,根据本技术的用于支持标记物选择的程序是用于使计算机执行根据本技术的支持标记物选择的方法的程序。由程序执行的每个步骤如上文“(4)第三实施例(支持标记物选择的方法)”中所描述,并且其说明将被省略。
6.示例性硬件配置
以下,将参考图15描述根据本技术实现标记物选择支持系统或标记物选择支持装置的信息处理装置的示例性硬件配置。图15是示出根据本技术实现标记物选择支持系统的信息处理装置的示例性示意硬件配置的图。
图15所示的信息处理装置1001包括中央处理单元(CPU)1002和RAM 1003。CPU1002和RAM 1003经由总线1005相互连接,并且还经由总线1005连接到信息处理装置1001的其它组件。
CPU 1002执行信息处理装置1001的控制和计算。任何处理器都可以用作CPU1002,并且其示例包括Xeon(注册商标)系列、Core(商标)系列和Atom(商标)系列的处理器。参考图2描述的标记物选择支持系统100的每个组件可以通过例如CPU 1002来实现。
RAM 1003例如,包括高速缓冲存储器和主存储器,并且可以临时存储CPU 1002等使用的程序。
信息处理装置1001可以包括磁盘1004、通信装置1006、输出装置1007、输入装置1008和驱动器1009。这些组件中的任何一个都可以连接到总线1005。
磁盘1004可以存储操作系统(例如,WINDOWS(注册商标)、UNIX(注册商标)、LINUX(注册商标)等)、用于支持根据本技术的标记物选择的程序、其他各种程序和各种类型的数据。
通信装置1006通过有线或无线将信息处理装置1001连接到网络1010。通信装置1006是能够经由网络1010与数据库和终端通信的装置。通信装置1006的类型可以由该部件的技术人员适当地选择。
输出装置1007可以输出信息处理装置1001的处理结果。输出装置1007的示例包括但不限于,诸如显示器的显示装置、诸如扬声器的音频输出装置和打印机。
输入装置1008是用于用户(例如,标记物选择支持系统的管理员)操作信息处理装置1001的装置。输入装置1008的示例包括但不限于鼠标和键盘。
驱动器1009可以读出记录在记录介质中的信息并将其输出到RAM 1003和/或将各种数据写入记录介质中。记录介质的示例包括但不限于DVD介质、闪存和SD存储卡。
注意,本技术还可以采用以下配置。
[1]一种标记物选择支持系统,包括:
信息获取单元,经由网络获取与待分析的多个目标分子相关联的信息;
信息处理器,通过使用与多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得多个目标分子的体内表达信息,并且基于表达信息,生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息;以及
发送器,经由网络发送生成的支持信息。
[2]根据[1]的标记物选择支持系统,其中表达信息是与体内表达分布和/或体内表达水平相关联的信息。
[3]根据[1]的标记物选择支持系统,其中表达信息是与体内表达水平相关联的信息,并且信息处理器基于与目标分子的表达水平相关联的信息,选择要分配给目标分子的标记物的荧光强度。
[4]根据[1]的标记物选择支持系统,其中表达信息是与体内表达分布相关联的信息,并且信息处理器基于与目标分子的表达分布相关联的信息,选择要分配给目标分子的标记物的荧光波长。
[5]根据[1]至[4]中任一项的标记物选择支持系统,其中信息处理器将荧光波长光谱中远的荧光染料分配给空间上彼此相邻的多个目标分子中的每个目标分子。
[6]根据[1]至[5]中任一项的标记物选择支持系统,其中信息处理器使用经学习的模型以生成支持信息,在经学习的模型中,已经学习了目标分子和标记物的组合的适合性。
[7]根据[1]至[6]中任一项的标记物选择支持系统,其中信息处理器包括数据表生成器,数据表生成器根据表达信息为每个目标分子生成数据表。
[8]根据[7]的标记物选择支持系统,其中信息处理器还包括支持信息生成器,支持信息生成器参考生成的数据表并生成与要分配给每个目标分子的标记物相关联的支持信息。
[9]根据[8]的标记物选择支持系统,其中支持信息生成器基于生成的数据表之间的相关性来生成支持信息。
[10]根据[1]至[9]中任一项的标记物选择支持系统,其中标记物是染料。
[11]根据[8]至[10]中任一项的标记物选择支持系统,其中,
标记物是荧光染料,并且
支持信息生成器基于生成的数据表之间的相关性将标记物分配给每个目标分子,以这种方式使得将波长更远的荧光染料分配给在数据表之间具有更强相关性的两个目标分子中的每个目标分子。
[12]根据[7]至[11]中任一项的标记物选择支持系统,其中数据表生成器还包括数据表生成规则确定器,数据表生成规则确定器使用基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成的分类器,来确定数据表的生成规则。
[13]根据[8]至[12]中任一项的标记物选择支持系统,其中支持信息生成器还包括支持信息生成规则确定器,支持信息生成规则确定器使用基于与目标分子相关联的信息和与目标分子的分析相关联的信息生成的分类器,来确定支持信息的生成规则。
[14]根据[1]至[13]中任一项的标记物选择支持系统,其中目标分子是生物分子。
[15]根据[7]至[14]中任一项的标记物选择支持系统,其中数据表生成器针对每个目标分子,生成具有与细胞中的目标分子的量相关的数据的数据表。
[16]根据[1]至[15]中任一项的标记物选择支持系统,其中信息处理器还获得除表达信息之外的与分析生物分子之前的处理条件相关的数据。
[17]根据[7]至[16]中任一项的标记物选择支持系统,其中数据表生成器针对每个生物分子,生成处理条件数据表,处理条件数据表包括分析生物分子之前的处理条件作为项。
[18]根据[17]的标记物选择支持系统,其中信息处理器还包括处理条件选择单元,处理条件选择单元参考针对每个生物分子生成的处理条件数据表来选择处理条件,在该处理条件下可以分析更多生物分子。
[19]根据[1]至[18]中任一项的标记物选择支持系统,其中,
信息处理器还被配置为:
获取与用于分析目标分子的装置相关联的装置信息;
基于装置信息,从数据库获取可在装置中使用的标记物数据;以及
从标记物数据中包含的标记物中选择要分配给目标分子的标记物。
[20]一种标记物选择支持装置,包括信息处理器,信息处理器通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得多个目标分子的体内表达信息,并且基于表达信息,生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息。
[21]一种支持标记物选择的方法,包括:
表达信息获取步骤,通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获取多个目标分子的体内表达信息;以及
支持信息生成步骤,基于表达信息生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息。
[22]一种支持标记物选择的程序,使计算机执行:
表达信息获取步骤,通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获取多个目标分子的体内表达信息;以及
支持信息生成步骤,基于表达信息,生成与将标记物分配给多个目标分子中的每个目标分子相关联的支持信息。
参考符号列表
100 标记物选择支持系统
101 网络
102 终端
201 信息获取单元
202 信息处理器
203 表达信息获取单元
204 数据表生成器
205 支持信息生成器
206 发送器。
Claims (22)
1.一种标记物选择支持系统,包括:
信息获取单元,经由网络获取与待分析的多个目标分子相关联的信息;
信息处理器,通过使用与所述多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得所述多个目标分子的体内表达信息,并且基于所述表达信息,生成与将标记物分配给所述多个目标分子中的每个目标分子相关联的支持信息;以及
发送器,经由所述网络发送生成的支持信息。
2.根据权利要求1所述的标记物选择支持系统,其中,所述表达信息是与体内表达分布或体内表达水平相关联的信息。
3.根据权利要求1所述的标记物选择支持系统,其中,所述表达信息是与体内表达水平相关联的信息,并且所述信息处理器基于与所述目标分子的表达水平相关联的信息,选择要分配给所述目标分子的标记物的荧光强度。
4.根据权利要求1所述的标记物选择支持系统,其中,所述表达信息是与体内表达分布相关联的信息,并且所述信息处理器基于与所述目标分子的表达分布相关联的信息,选择要分配给所述目标分子的标记物的荧光波长。
5.根据权利要求1所述的标记物选择支持系统,其中,所述信息处理器将荧光波长光谱中远的荧光染料分配给空间上彼此相邻的所述多个目标分子中的每个目标分子。
6.根据权利要求1所述的标记物选择支持系统,其中,所述信息处理器使用经学习的模型以生成所述支持信息,在所述经学习的模型中,已经学习了目标分子和标记物的组合的适合性。
7.根据权利要求1所述的标记物选择支持系统,其中,所述信息处理器包括数据表生成器,所述数据表生成器根据所述表达信息为所述每个目标分子生成数据表。
8.根据权利要求7所述的标记物选择支持系统,其中,所述信息处理器还包括支持信息生成器,所述支持信息生成器参考生成的数据表并生成与要分配给所述每个目标分子的标记物相关联的支持信息。
9.根据权利要求8所述的标记物选择支持系统,其中,所述支持信息生成器基于所述生成的数据表之间的相关性来生成所述支持信息。
10.根据权利要求1所述的标记物选择支持系统,其中,所述标记物是染料。
11.根据权利要求8所述的标记物选择支持系统,其中,
所述标记物是荧光染料,并且
所述支持信息生成器基于所述生成的数据表之间的相关性将标记物分配给所述每个目标分子,以这种方式使得将波长更远的荧光染料分配给在所述数据表之间具有更强相关性的两个目标分子中的每个目标分子。
12.根据权利要求7所述的标记物选择支持系统,其中,所述数据表生成器还包括数据表生成规则确定器,所述数据表生成规则确定器使用基于与目标分子相关联的信息和与所述目标分子的分析相关联的信息生成的分类器,来确定所述数据表的生成规则。
13.根据权利要求8所述的标记物选择支持系统,其中,所述支持信息生成器还包括支持信息生成规则确定器,所述支持信息生成规则确定器使用基于与目标分子相关联的信息和与所述目标分子的分析相关联的信息生成的分类器,来确定所述支持信息的生成规则。
14.根据权利要求1所述的标记物选择支持系统,其中,所述目标分子是生物分子。
15.根据权利要求7所述的标记物选择支持系统,其中,所述数据表生成器针对所述每个目标分子,生成具有与细胞中的所述目标分子的量相关的数据的数据表。
16.根据权利要求1所述的标记物选择支持系统,其中,所述信息处理器,除了获得所述表达信息之外,还获得与分析生物分子之前的处理条件相关的数据。
17.根据权利要求7所述的标记物选择支持系统,其中,所述数据表生成器针对每个生物分子生成处理条件数据表,所述处理条件数据表包括分析所述生物分子之前的处理条件作为项。
18.根据权利要求17所述的标记物选择支持系统,其中,所述信息处理器还包括处理条件选择单元,所述处理条件选择单元参考针对每个生物分子生成的所述处理条件数据表来选择处理条件,在所述处理条件下能够分析更多生物分子。
19.根据权利要求1所述的标记物选择支持系统,其中,
所述信息处理器还被配置为:
获取与用于分析所述目标分子的装置相关联的装置信息;
基于所述装置信息,从数据库获取能够在所述装置中使用的标记物数据;以及
从所述标记物数据中包含的标记物中选择要分配给所述目标分子的标记物。
20.一种标记物选择支持装置,包括:
信息处理器,通过使用与待分析的多个目标分子相关联的信息,从存储目标分子的体内表达信息的数据库,获得所述多个目标分子的体内表达信息,并且基于所述表达信息生成与将标记物分配给所述多个目标分子中的每个目标分子相关联的支持信息。
21.一种支持标记物选择的方法,包括:
表达信息获取步骤,通过使用与待分析的多个目标分子相关联的信息,从存储所述目标分子的体内表达信息的数据库获取所述多个目标分子的体内表达信息;以及
支持信息生成步骤,基于所述表达信息,生成与将标记物分配给所述多个目标分子中的每个目标分子相关联的支持信息。
22.一种支持标记物选择的程序,使计算机执行:
表达信息获取步骤,通过使用与待分析的多个目标分子相关联的信息,从存储所述目标分子的体内表达信息的数据库获取所述多个目标分子的体内表达信息;以及
支持信息生成步骤,基于所述表达信息,生成与将标记物分配给所述多个目标分子中的每个目标分子相关联的支持信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017-228662 | 2017-11-29 | ||
JP2017228662 | 2017-11-29 | ||
PCT/JP2018/038024 WO2019106973A1 (ja) | 2017-11-29 | 2018-10-12 | 標識選択支援システム、標識選択支援装置、標識選択支援方法、及び標識選択支援用プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110178013A true CN110178013A (zh) | 2019-08-27 |
CN110178013B CN110178013B (zh) | 2024-06-18 |
Family
ID=66664991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880007027.XA Active CN110178013B (zh) | 2017-11-29 | 2018-10-12 | 标记物选择支持系统、标记物选择支持装置、支持标记物选择的方法和支持标记物选择的程序 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11551783B2 (zh) |
EP (1) | EP3579238A4 (zh) |
JP (2) | JP7276141B2 (zh) |
CN (1) | CN110178013B (zh) |
WO (1) | WO2019106973A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2022019006A1 (zh) * | 2020-07-21 | 2022-01-27 | ||
WO2022019016A1 (ja) * | 2020-07-21 | 2022-01-27 | ソニーグループ株式会社 | 情報処理装置、情報処理システム、情報処理方法、及びプログラム |
JP2022044213A (ja) * | 2020-09-07 | 2022-03-17 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
WO2022264539A1 (ja) * | 2021-06-17 | 2022-12-22 | ソニーグループ株式会社 | 情報処理システム、情報処理方法及び蛍光体構造体 |
WO2023136201A1 (ja) * | 2022-01-17 | 2023-07-20 | ソニーグループ株式会社 | 情報処理装置及び情報処理システム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003083894A (ja) * | 2001-09-14 | 2003-03-19 | Sumitomo Electric Ind Ltd | 蛍光値補正方法、蛍光値補正装置、蛍光値補正プログラム及び前記蛍光値補正プログラムを記録した記録媒体 |
CN103140757A (zh) * | 2010-09-30 | 2013-06-05 | 日本电气株式会社 | 信息处理设备、信息处理系统、信息处理方法、程序和记录介质 |
CN105608069A (zh) * | 2014-11-19 | 2016-05-25 | 株式会社东芝 | 信息提取支持设备和方法 |
JP2016517000A (ja) * | 2013-03-15 | 2016-06-09 | ベックマン コールター, インコーポレイテッド | フローサイトメトリーにおけるパネル設計のためのシステム及び方法 |
WO2017011549A1 (en) * | 2015-07-15 | 2017-01-19 | Becton, Dickinson And Company | System and method for label selection |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2649559A4 (en) | 2010-12-07 | 2018-03-14 | Life Technologies Corporation | Virtual cellular staining |
DK2831587T3 (en) | 2012-03-27 | 2018-07-23 | Ventana Med Syst Inc | Signaling conjugates and methods of use |
JP5975074B2 (ja) | 2014-08-07 | 2016-08-23 | ソニー株式会社 | データ表示方法、プログラム、データ解析装置及び微小粒子分析システム |
JP7084695B2 (ja) | 2017-03-28 | 2022-06-15 | シスメックス株式会社 | 試薬選択支援装置、方法、プログラムおよび記録媒体並びに試料測定装置 |
KR20210104698A (ko) * | 2018-11-14 | 2021-08-25 | 더 브로드 인스티튜트, 인코퍼레이티드 | Crispr 시스템 기반 액적 진단 시스템 및 방법 |
-
2018
- 2018-10-12 WO PCT/JP2018/038024 patent/WO2019106973A1/ja unknown
- 2018-10-12 EP EP18884363.5A patent/EP3579238A4/en active Pending
- 2018-10-12 JP JP2019557052A patent/JP7276141B2/ja active Active
- 2018-10-12 CN CN201880007027.XA patent/CN110178013B/zh active Active
- 2018-10-12 US US16/479,725 patent/US11551783B2/en active Active
-
2022
- 2022-12-12 US US18/079,831 patent/US20230109967A1/en active Pending
-
2023
- 2023-04-28 JP JP2023073927A patent/JP2023109772A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003083894A (ja) * | 2001-09-14 | 2003-03-19 | Sumitomo Electric Ind Ltd | 蛍光値補正方法、蛍光値補正装置、蛍光値補正プログラム及び前記蛍光値補正プログラムを記録した記録媒体 |
CN103140757A (zh) * | 2010-09-30 | 2013-06-05 | 日本电气株式会社 | 信息处理设备、信息处理系统、信息处理方法、程序和记录介质 |
JP2016517000A (ja) * | 2013-03-15 | 2016-06-09 | ベックマン コールター, インコーポレイテッド | フローサイトメトリーにおけるパネル設計のためのシステム及び方法 |
CN105608069A (zh) * | 2014-11-19 | 2016-05-25 | 株式会社东芝 | 信息提取支持设备和方法 |
WO2017011549A1 (en) * | 2015-07-15 | 2017-01-19 | Becton, Dickinson And Company | System and method for label selection |
Non-Patent Citations (1)
Title |
---|
DINKLA K ET AL * |
Also Published As
Publication number | Publication date |
---|---|
JP7276141B2 (ja) | 2023-05-18 |
JPWO2019106973A1 (ja) | 2020-10-01 |
WO2019106973A1 (ja) | 2019-06-06 |
CN110178013B (zh) | 2024-06-18 |
JP2023109772A (ja) | 2023-08-08 |
US20210335450A1 (en) | 2021-10-28 |
US20230109967A1 (en) | 2023-04-13 |
US11551783B2 (en) | 2023-01-10 |
EP3579238A4 (en) | 2020-03-25 |
EP3579238A1 (en) | 2019-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110178013A (zh) | 标记物选择支持系统、标记物选择支持装置、支持标记物选择的方法和支持标记物选择的程序 | |
Newell et al. | Mass cytometry: blessed with the curse of dimensionality | |
JP6920220B2 (ja) | 実験室の実験の管理、実行および分析のためのシステム、方法及びコンピュータプログラム | |
Spiller et al. | Measurement of single-cell dynamics | |
Meyer et al. | Fluorescence imaging of signaling networks | |
JP2018531367A6 (ja) | 実験室の実験データ調査および可視化 | |
Mazza et al. | Background fluorescence and spreading error are major contributors of variability in high‐dimensional flow cytometry data visualization by t‐distributed stochastic neighboring embedding | |
Tárnok | Slide‐based cytometry for cytomics—A minireview | |
WO2022019006A1 (ja) | 情報処理システム及び情報処理方法 | |
Sonnett et al. | Quantitative proteomics for Xenopus embryos II, data analysis | |
US20230092756A1 (en) | Information processing system, information processing method, program, information processing device, and calculation device | |
Pierzchalski et al. | Introduction A: Recent advances in cytometry instrumentation, probes, and methods | |
Comley | High content screening | |
Schwille | There and back again: from the origin of life to single molecules | |
US20030124548A1 (en) | Method for association of genomic and proteomic pathways associated with physiological or pathophysiological processes | |
Hussain et al. | Digging deep into Golgi phenotypic diversity with unsupervised machine learning | |
Goetz et al. | Flow Cytometry: Definition, History, and Uses in Biological Research | |
Meng et al. | Single-molecule FRET and molecular diffusion analysis characterize stable oligomers of amyloid-β 42 of extremely low population | |
Lou et al. | Single cell expression and chromatin access of the Toxoplasma gondii lytic cycle identifies AP2XII-8 as an essential pivotal controller of a ribosome regulon | |
Pegoraro et al. | High-throughput Imaging as a versatile and unbiased discovery tool | |
Zordan et al. | Using a cell image classification workflow to identify cells based on fluorescence localization | |
Baumgartner et al. | The PECAn image and statistical analysis pipeline identifies Minute cell competition genes and features | |
Lugli et al. | Investigating T cells by polychromatic flow cytometry | |
Cunningham | Overview of flow cytometry and fluorescent probes for cytometry | |
Soloveva et al. | When robots are good: fully automated thermo LAS robotic assay system with dual FLIPRTETRA and TAP select robotic cell culture system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |