CN112950571A - 阴阳性分类模型建立方法、装置、设备及计算机存储介质 - Google Patents
阴阳性分类模型建立方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112950571A CN112950571A CN202110214864.3A CN202110214864A CN112950571A CN 112950571 A CN112950571 A CN 112950571A CN 202110214864 A CN202110214864 A CN 202110214864A CN 112950571 A CN112950571 A CN 112950571A
- Authority
- CN
- China
- Prior art keywords
- samples
- negative
- positive
- model
- dpcr
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013145 classification model Methods 0.000 title claims abstract description 55
- 230000003321 amplification Effects 0.000 claims abstract description 57
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000006243 chemical reaction Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000017525 heat dissipation Effects 0.000 claims abstract description 14
- 238000011304 droplet digital PCR Methods 0.000 claims abstract 21
- 238000002073 fluorescence micrograph Methods 0.000 claims description 25
- 238000007847 digital PCR Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 5
- 238000010438 heat treatment Methods 0.000 description 21
- 239000000523 sample Substances 0.000 description 15
- 238000012408 PCR amplification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009413 insulation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/2039—Modifications to facilitate cooling, ventilating, or heating characterised by the heat transfer by conduction from the heat generating element to a dissipating body
- H05K7/20509—Multiple-component heat spreaders; Multi-component heat-conducting support plates; Multi-component non-closed heat-conducting structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Thermal Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种阴阳性分类模型建立方法、装置,设备及存储介质,应用于散热效率低于预设值的dPCR系统,方法包括:针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第一超平面模型为dPCR系统的阴阳性分类模型;其中,所述第二数量与第三数量之和为第一数量,且第二数量和第三数量属于第一数量。本方案,分类准确率高,可有效保证dPCR定量的准确性,且dPCR扩增过程可被追踪。
Description
技术领域
本发明涉及测试样本阴阳性分类模型建立技术领域,尤涉及一种阴阳性分类模型建立方法、装置、设备及计算机存储介质。
背景技术
数字PCR(Digital Polymerase Chain Reaction,dPCR)是一种高灵敏度、高准确性的核酸绝对定量技术。因其无需任何校正就能实现对目标核酸的绝对定量而受到越来越多的关注,现已被广泛用于病毒的定量分析、罕见基因筛查、拷贝数变异研究、病原体检测、产前基因诊断等方面。dPCR反应多在微流控芯片或油状液滴中进行,扩增终点的荧光强度用于区分阴阳性。微流控芯片能够快速、准确地将样品分成多个独立的反应单元,具有体积小、成本低、通量高等优点,是目前理想的dPCR平台。然而,DNA的扩增效率和结果准确性很容易受到反应条件细微变化的影响。在实际应用中,PCR反应过程存在以下两点问题:第一,反应体系在不同微孔中低扩增效率导致的假阴性问题;第二,非特异性探针杂交、微孔蒸发或dPCR刷样不规范导致的假阳性问题。目前,dPCR的定量方式主要依赖于扩增终点的数字荧光图像,通过计算微腔室荧光强度值的差异,利用阈值分割法,最终估算初始反应液中所含有的目标分子拷贝数。在实际阴阳性分类时,阴/阳性聚类中心很容易得到,但对于荧光强度处于两聚类中心之间的点,阴阳性难以界定,通过手动调整阈值,将会增大dPCR定量的误差,影响dPCR定量的准确性。
目前已有的阴阳性分割算法,大多依据数字PCR扩增终点时的荧光图像,利用统计学原理或者模型处理等方法,直接区分阴阳性。对扩增过程中存在的假阳性点和假阴性点难以区分,影响数字PCR定量的准确性。为了从根本上提高dPCR定量准确性,排除由于假阳性和假阴性的存在,对数字PCR定量准确性的影响,有必要提出一种既可以追踪PCR扩增过程,又能提高dPCR定量准确性的分析方法。
发明内容
因此,本发明要解决的技术问题在于克服传统方案影响dPCR定量的准确性的技术问题,从而提供一种阴阳性分类模型建立方法、系统、设备及存储介质。
第一方面,本发明实施例提供一种阴阳性分类模型建立方法,应用于散热效率低于预设值的dPCR系统,包括:
针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;
分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;
分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第一超平面模型为dPCR系统的阴阳性分类模型;
其中,所述第二数量与第三数量之和为第一数量。
优选地,所述针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本,包括:
针对单次dPCR扩增反应,采集预设数量的荧光图像;
对所述预设数量的荧光图像进行微孔的定位与分割;
针对每个微孔,绘制dPCR扩增曲线;
根据dPCR扩增曲线的曲率及斜率分别选取第一数量的阴性样本和阳性样本。
优选地,所述对所述预设数量的荧光图像进行微孔的定位与分割,包括:
选取配准后的清晰度满足预设要求的目标荧光图像;
目标荧光图像为模板,对采集到的预设数量的荧光图像进行配准,及实现微孔的定位与分割;
以所述目标荧光图像中的微孔位置、尺寸为基准,实现其余荧光图像中微孔的定位与分割。
优选地,所述预设SVM训练模型,为:
所述第一超平面模型为:
w*x+b=0
其中:w={w1,w2,…,wN}为超平面w*x+b=0的法向量,yi为-1或1,K为SVM的核函数,x为特征向量。
第二方面,本发明实施例提供一种阴阳性分类模型建立方法,应用于散热效率低于预设值的dPCR系统,包括:
针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;
分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的超平面模型;
分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述超平面模型为dPCR系统的阴阳性分类模型;
所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。
优选地,所述第二预设SVM训练模型,为:
所述超平面模型为:
w*x+b=0
其中:w={w1,w2,…,wN}为超平面w*x+b=0的法向量,yi为-1、1、2或-2。
第三方面,本发明实施例提供一种阴阳性分类模型建立装置,应用于散热效率低于预设值的dPCR系统,其特征在于,包括:
第一样本选取模块,用于针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;
第一超平面模型求取模块,分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;
第一校验模块,用于分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述超平面模型为实时dPCR系统的阴阳性分类模型;
其中,所述第二数量与第三数量之和为第一数量。
第四方面,本发明实施例一种阴阳性分类模型建立装置,应用于散热效率低于预设值的dPCR系统,包括:
第二样本选取模块,针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;
第二超平面模型求取模块,分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第二超平面模型;
第二超平面模型求取模块,分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述第二超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第二超平面模型为dPCR系统的阴阳性分类模型;
所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。
第五方面,本发明实施例提供一种阴阳性分类模型建立设备,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行上述任一项所述的基于实时数字PCR系统的阴阳性分类模型建立方法。
第六方面,本发明实施例提供一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-6中任一项所述的基于实时数字PCR系统的阴阳性分类模型建立方法。
本发明实施例提供的阴阳性分类模型建立方法、装置、设备及一种存储介质,至少具有如下有益效果:
本发明实施例提供的阴阳性分类模型建立方法、装置、设备及存储介质,可以实现阴性、阳性二分类及阴性、阳性、第一假阳性及第二假阳性四分类,同时分类准确率高,可有效保证dPCR定量的准确性;除此之外,本发明实施例采取的荧光图像基于单次dPCR扩增反应的不同循环,从而使得dPCR扩增过程可被追踪,进一步保障了dPCR定量。
本发明实施例提供的阴阳性分类模型建立方法、装置、设备及存储介质,可用于散热效率较低的dPCR系统,减少人为对样本的阴性、阳性类别进行标记,节约人力成本。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中散热效率低于预设值的dPCR扩增系统的机构图;
图2为发明实施例中提供的阴阳性分类模型建立方法的流程图;
图3为本发明实施例提供的另一种阴阳性分类模型建立方法的流程图;
图4a为在模板中选取的六个标记点的示意图;
图4b、4c为对一图像配准前后的示意图;
图5为本发明实施例提供的再一种阴阳性分类模型建立方法的流程图;
图6a-6d为本发明实施例一具体实施例分类结果示意图;
图7a-7f为本发明实施例另一具体实施例分类结果与现有技术方案分类结果比对图;
图8为本发明实施例提供的一种阴阳性分类模型建立装置的模块图;
图9为本发明实施例提供的另一种阴阳性分类模型建立装置的模块图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例中采用的散热效率低于预设值的dPCR系统,可参见图1所示,包括:
芯片及加热板1,所述加热板1对用于进行PCR扩增反应的芯片进行加热;
热盖2,覆盖所述芯片,与所述加热板1紧密贴合,设置有第一凹槽及第一窗口6,在与加热板1贴合时所述第一凹槽用于容纳所述芯片,所述第一窗口6用于供对PCR扩增反应过程进行摄影取样;
隔热层3,设置有第二凹槽与第二窗口7,所述第二凹槽用于容纳所述热盖2;
其中,在所述热盖2嵌入所述第二凹槽时,第二窗口7的至少一部分与第一窗口6重叠。
本发明专利中的实时数字PCR系统包括芯片及加热板1,PCR扩增反应需要在芯片上进行,且需要热量,因此将芯片设置在加热板1的表面上,芯片从加热板1处直接获得热量;设置热盖2,热盖2底部设有凹槽,用于容纳芯片,以便将芯片覆盖,热盖2采用导热性好的金属制造,如铜、铝、铜铝合金或银等导热性良好的金属,热盖2吸收加热板1的温度并将温度传递给芯片,以提供数字PCR扩增反应所需要的热量,而且热盖2的温度高,避免数字PCR的反应过程中,样品或水分蒸发冷凝在热盖2或是芯片上。设有热盖2时所采集的图像,视野清晰,阳性点分布均匀。设有隔热层3,隔热层3底部设有凹槽,用于容纳热盖2,以便将热盖2覆盖,隔热层3可以采用特氟龙等隔热性能好的材料制造,防止数字PCR的反应过程中热量散失,保证数字PCR的反应正常进行,规避有可能带来误差的风险。在热盖2上设有第一窗口6,将芯片上的硅芯片曝露出来,PCR扩增反应在此进行,在第一窗口6正上方的隔热层3上开设第二窗口7,第二窗口7的面积不小于所述第一窗口6的面积,至少一部分与第一窗口6重叠,以使硅芯片处于可观察的状态,在实时数字PCR系统上方设有取像装置,包括CMOS相机和镜头,镜头直指第一窗口6,设置一个光源用于补光,激发反应物发出荧光,并在镜头和第一窗口6之间设有仅透过荧光的滤光镜,取像装置便可经过滤光镜,直接通过第一窗口6和第二窗口7对数字PCR的反应过程进行实时取像,使采集到的像最接近实际的数字PCR的反应情况,简化操作步骤。
在所述加热板1上设置有第三凹槽,用于放置第一磁铁;在所述热盖2下表面设置有第四凹槽,用于容纳第二磁铁;所述第一磁铁与所述第二磁铁磁性相反。
为了保证热盖2的热量尽可能多地传递到芯片上,需要使热盖2紧密贴合在加热板1上。在加热板1上设置第三凹槽,在第三凹槽内放置第一磁铁,在热盖2下表面设置有第四凹槽,第四凹槽与第三凹槽一一对应,且放置第二磁铁;第一磁铁与第二磁铁的磁性相反,异性相吸,以达到使热盖2与加热板1紧密贴合的目的。
温度传感器,与所述加热板1连接,用于根据加热板1的温度控制其加热速率。
PCR扩增反应需要外界提供热量,通过加热板1来实现。温度过高或过低影响PCR扩增反应,在加热板1的内部设有温度传感器,用于检测加热板1的温度并将信息传递至主控部分进行温度调节,若加热板1的温度过高,则降低加热速度,若加热板1的温度过低,则加快加热速度,以保证数字PCR在合适的温度条件下进行反应。
实时数字PCR系统中包含的温度传感器作为温度检测元件,采集数字PCR反应过程中的实时温度,并上传至上位机部分。在加热板1的侧壁设置有开口,用于容纳温度传感器的连接线。
为了保证热盖2与加热板1紧密贴合,在隔热层3的底部设有第二凹槽,使第二凹槽的深度与热盖2的厚度相同,将热盖2约束在第二凹槽中,隔热层3和加热板1紧密贴合,以达到热盖2与加热板1紧密贴合的目的。
所述第一凹槽的深度不小于所述芯片的厚度。
为了使热盖2将芯片覆盖,在热盖2的底部设有芯片凹槽,并使芯片凹槽的深度不小于芯片的厚度,保证芯片被完全容纳在芯片凹槽中,使热盖2和加热板1得以紧密贴合,使热盖2更好地将热量传递到芯片上。
所述加热板1上表面相对的两侧上设有螺纹孔8,所述隔热层3的底面设有螺钉头预留槽,所述螺钉头预留槽与所述螺纹孔8一一对应;所述加热板1和所述隔热层3上设有一一对应的凹槽;所述凹槽9内设有磁铁。
在加热板1上表面相对的两侧上设有螺纹孔8,利用螺钉通过螺纹孔8将加热板1安装在设备上,为了避免螺钉头凸出于加热板1的表面而影响加热板1和隔热层3的紧密连接,因此,在隔热层3的底面设有螺钉头预留槽,并且螺钉头预留槽与螺纹孔8一一对应,使螺钉头被螺钉头预留槽容纳。在加热板1和隔热层3上设有一一对应的凹槽9,并在凹槽9内设有磁铁,利用磁铁异性相吸的原理,使加热板1和隔热层3连接,使连接方式更加简单,便于安装和拆卸。
实施例1
本发明实施例提供一种基于实时数字PCR系统的阴阳性分类模型建立方法,应用于散热效率低于预设值的dPCR系统,参见图2所示,包括:
步骤S12、针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;
步骤S14、分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;
步骤S16、分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第一超平面模型为dPCR系统的阴阳性分类模型;
其中,所述第二数量与第三数量之和为第一数量,且第二数量的阴性、阳性样本及第三数量的阴性、阳性样本均是从第一数量的阴性、阳性样本中选取。
在本发明一个实施例中,参见图3所示,步骤S12中,选取第一数量的阴性样本和阳性样本的具体过程,包括:
S121、针对单次dPCR扩增反应,采集预设数量的荧光图像;
S122、对所述预设数量的荧光图像进行微孔的定位与分割;
S123、针对每个微孔,绘制dPCR扩增曲线;
S124、根据dPCR扩增曲线的曲率及斜率分别选取第一数量的阴性样本和阳性样本。
作为本发明实施例一种具体实施方式,选取40张荧光图像,在选取好该40张荧光图像之后,对该40张荧光图像进行微孔的分割与定位;然后针对分割与定位出的每个微孔,绘制dPCR扩增曲线,其中,dPCR扩增曲线的横坐标为扩增循环个数,纵坐标为该微孔的灰度值;最后,根据dPCR扩增曲线的曲率及斜率分别选取第一数量的阴性样本和阳性样本。
在此指出,对于阴性微孔,随着循环个数的增多灰度值基本不变,而对于阳性微孔,从中间的某个循环开始,微孔灰度值随着循环个数的增加而逐渐增强。因此,基于这一特性,根据dPCR扩增曲线的曲率及斜率分别选取第一数量的阴性样本和阳性样本。
进一步地,在本发明实施例中,步骤S122中,所述对所述预设数量的荧光图像进行微孔的定位与分割,包括:
1)选取配准后的清晰度满足预设要求的目标荧光图像;
作为一种可选的实施方式,一般第一张图像的清晰度最高,因此,可选取拍摄的第一张图像作为目标荧光图像。
2)以所述目标荧光图像为模板,对采集到的预设数量的荧光图像进行配准,及实现微孔的定位与分割;
作为一种具体实施方式,选取模板图像命名为Fix,参见图4a所示,模板中的预设位置标记点①、②、③、④、⑤及⑥,分别对应记为:Fix(x1,y1),Fix(x2,y2),……,Fix(x6,y6);
待配准图像命名为Mov,选取相同位置的六点:
Mov(x′1,y′1),Mov(x′2,y′2),……,Mov(x′6,y′6)
图像位置由Mov→Fix变换:
xn=xn′+h,yn=yn′+b
平移满足:Fix(xn,yn)-Mov(x′n,y′n)≈0即完成配准,配准前后的图像分别参见图4b、4c所示。
3)以所述目标荧光图像中的微孔位置、尺寸为基准,实现其余荧光图像中微孔的定位与分割。作为一种具体实施方式,采用AHMAA算法实现微孔的分割与定位。
在本发明实施例中,在绘制dPCR扩增曲线时,首先读取配准后的微孔的灰度值,在读取到每个微孔的灰度值之后,将微孔的灰度值F(i,j)控制在【0,255】,采用的方法可为:
if F(i,j)>255 F(i,j)=255;
if F(i,j)<0 F(i,j)=0;
else F(i,j)=F(i,j);
读取并判断微孔的灰度值变化是否异常,规定:F(i,j)存储灰度数据,N(i方向)表示微孔总数,y(j方向)表示循环个数,如果存在相邻两个循环的灰度值相差存在以下问题:
F(i,j)-F(i,j-1)>5,
则:
F(i,j)=(F(i,j-1)+F(i,j+1))/2;
然后对数据统一起点,采用的具体方法为:
1)找出灰度数据F中第一列的最大值,Max_Col;
2)计算其余行的第一列与Max_Col之间的差值,deltaY;
3)将每一行的每一列数据减去改了对应的deltaY,得到新的数组F2;即:Max_Col=max(F(:,i))
deltaY=-(F(:,1)-Max_Col))
F2(i,:)=F(i,:)+deltaY(i)
如此,将所有曲线的起点统一为从0开始。
本申请以40个循环为例进行阐述:
针对微孔(i,j),分别计算dPCR扩增曲线的前20个循环和后20个循环的斜率Ki1,Ki2,采用公式为:
而微孔(i,j)的dPCR扩增曲线中某点的曲率K(i,j)为:
构造由Ki1、Ki2和K(i,j)组成的特征向量Ti=【Ki 1,Ki2,K(i,j)】
设定标签label=【-1,1】。
在本发明实施例中,预设SVM训练模型,为:
所述第一超平面模型为:
w*x+b=0
其中:w={w1,w2,…,wN}为超平面w*x+b=0的法向量,yi为-1或1,Tm为第m个微孔的特征向量,Ti为第i个微孔的特征向量。
设置损失函数为1.2,当测试样本的分类正确率达到95%时,保存模型。
实施例2
本发明实施例提供一种阴阳性分类模型建立方法,基于实时数字PCR系统,应用于散热效率低于预设值的dPCR系统,可实现对测试样本进行阴性、阳性、第一假阳性及第二假阳性四种分类,参见图5所示,包括:
步骤S22、针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;
步骤S24、分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第二超平面模型;
步骤S26、分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述第二超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第二超平面模型为dPCR系统的阴阳性分类模型;
所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。
在本发明实施例中,预设SVM训练模型,为:
所述第一超平面模型为:
w*x+b=0
其中:w={w1,w2,…,wN}为超平面w*x+b=0的法向量,yi为-1、1、-2或2,Tm为第m个微孔的特征向量,Ti为第i个微孔的特征向量。
在本发明实施例中,设置yi为-1、1、-2或2,可以实现测试样本四分类,其中,-1代表阴性,1代表阳性,-2表示第一假阳性,2表示第二假阳性。
同理,在选取测试样本对模型进行训练时,同时需要选取数量相同的第一假阳性样本和第二假阳性样本作为测试样本。
采用本发明实施例提供的方法,可以实现测试样本的四分类。
在本申请实施例中,第一假阳性点是由于刷样不规范或微孔蒸发造成的,在PCR开始扩增之前荧光强度开始增强的微孔;第二假阳性点是由于非特异性扩增,在数字PCR扩增开始之后,荧光强度增强的微孔。
如下,列举一个具体实施例进行阐述:
参见图6a-6d所示,针对单次dPCR扩增反应,获取数字dPCR扩增曲线图参见图6a所示;根据dPCR扩增曲线图得到拟合图像,参见图6b所示;对原始扩增曲线利用实施例1中提供的方法进行二分类,统计得到阳性点的个数为37个,阴性点为19823个,参见图6c所示;而采用实施例2中的四分类法对原始扩增曲线进行分类:统计结果可得阳性为37个,阴性19820个,第一假阳性点个数为1个,第二假阳性点个数为2个,参见图6d所示。在此指出,在本具体实施例中,dPCR扩增曲线在20-30个循环之间开始增长的扩增点为阳性点,dPCR扩增曲线振幅较小的线为阴性点,在20个循环之前曲线开始上扬的点为第一假阳性点,在第30个循环之后dPCR扩增曲线开始上扬的点为第二假阳性点。
参见图7a-7f所示,分别采用本发明实施例的方法及传统终点式数字PCR阈值分割法进行阴阳性分类,首先,获取数字dPCR扩增曲线,参见图7a所示,然后,采用实施例1的二分类法进行分类得到阳性点的格式为3个,阴性点的个数为20583个,参见图7b所示;采用实施例2中的四分类法得到阳性点的个数为3个,第一假阳性点的个数为7个,第二假阳性点的个数为36个,阴性点的个数为20540个,参见图7c所示;而采用传统的阈值分割法,当设定阈值为第一阈值时,得到的阳性点的个数为2个,参见图7d所示;设定阈值为第二阈值时,得到的阳性点的个数为6个,参见图7e所示;而设定阈值为第三阈值时,得到的阳性点的个数为7个,参见图7f所示。
通过比对可以发现,采用本发明实施例所提供的方法分别获取二分类和四分类结果,基于本方法所得的阳性点个数均为3个,定量结果稳定性高,可靠性强。而利用传统阈值分割算法,设置不同阈值所得分类结果中阳性点的个数可为:2、6、7个,稳定性差,主观偏向性强。
实施例3
相应于实现二分类的阴阳性分类模型建立方法,本发明实施例提供一种基于实时数字PCR系统的阴阳性分类模型建立装置,应用于散热效率低于预设值的dPCR系统,参见图8所示包括:
第一样本选取模块81,用于针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;
第一超平面模型求取模块82,分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;
第一校验模块83,用于分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述超平面模型为实时dPCR系统的阴阳性分类模型;
其中,所述第二数量与第三数量之和为第一数量。
实施例4
相应于实现四分类的阴阳性分类模型建立方法,本发明实施例提供一种基于实时数字PCR系统的阴阳性分类模型建立装置,应用于散热效率低于预设值的dPCR系统,参见9所示,包括:
第二样本选取模块91,针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;
第二超平面模型求取模块92,分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第二超平面模型;
第二校验模块93,分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述第二超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第二超平面模型为dPCR系统的阴阳性分类模型;
所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。
实施例5
本实施例提供了一种阴阳性分类模型建立设备,该阴阳性分类模型建立设备包括处理器和存储器,其中处理器和存储器可以通过总线或者其他方式连接,图8中以通过总线连接为例。
处理器可以为中央处理器(Central Processing Unit,CPU)也可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、图形处理器(GraphicsProcessing Unit,GPU)、嵌入式神经网络处理器(Neural-network Processing Unit,NPU)或者其他专用的深度学习协处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中阴阳性分类模型建立方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例1中的视频连续性检测方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行如图2、图3或图5任一所示的阴阳性分类模型建立方法。
在本实施例中,存储器存储有阴阳性分类模型建立方法的程序指令或模块,处理器执行存储在存储器内的程序指令或模块时,针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第一超平面模型为dPCR系统的阴阳性分类模型;其中,所述第二数量与第三数量之和为第一数量。或者,针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的超平面模型;分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述超平面模型为dPCR系统的阴阳性分类模型;所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。从而达到建立分类效率高的阴阳性样本分类模型的目的。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的阴阳性样本分类模型建立方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、设备或计算机可读存储介质均可涉及或包含计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.阴阳性分类模型建立方法,应用于散热效率低于预设值的dPCR系统,其特征在于,包括:
针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;
分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;
分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第一超平面模型为dPCR系统的阴阳性分类模型;
其中,所述第二数量与第三数量之和为第一数量。
2.根据权利要求1所述的方法,其特征在于,所述针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本,包括:
针对单次dPCR扩增反应,采集预设数量的荧光图像;
对所述预设数量的荧光图像进行微孔的定位与分割;
针对每个微孔,绘制dPCR扩增曲线;
根据dPCR扩增曲线的曲率、斜率、标准差分别选取第一数量的阴性样本和阳性样本。
3.根据权利要求2所述的方法,其特征在于,所述对所述预设数量的荧光图像进行微孔的定位与分割,包括:
选取配准后的清晰度满足预设要求的目标荧光图像;
目标荧光图像为模板,对采集到的预设数量的荧光图像进行配准,及实现微孔的定位与分割;
以所述目标荧光图像中的微孔位置、尺寸为基准,实现其余荧光图像中微孔的定位与分割。
5.阴阳性分类模型建立方法,应用于散热效率低于预设值的dPCR系统,其特征在于,包括:
针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;
分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的超平面模型;
分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述超平面模型为dPCR系统的阴阳性分类模型;
所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。
7.阴阳性分类模型建立装置,应用于散热效率低于预设值的dPCR系统,其特征在于,包括:
第一样本选取模块,用于针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本;
第一超平面模型求取模块,分别选取第二数量的阴性样本和阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第一超平面模型;
第一校验模块,用于分别将第三数量的阴性样本和阳性样本作为测试样本,依次输入所述第一超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述超平面模型为实时dPCR系统的阴阳性分类模型;
其中,所述第二数量与第三数量之和为第一数量。
8.阴阳性分类模型建立装置,应用于散热效率低于预设值的dPCR系统,其特征在于,包括:
第二样本选取模块,针对单次dPCR扩增反应,分别选取第一数量的阴性样本和阳性样本、第四数量的第一假阳性样本和第二假阳性样本;
第二超平面模型求取模块,分别选取第二数量的阴性样本和阳性样本、及第五数量的第一假阳性样本和第二假阳性样本作为训练样本乱序输入预设SVM训练模型,求取满足预设要求的第二超平面模型;
第二超平面模型求取模块,分别将第三数量的阴性样本和阳性样本、第六数量的第一假阳性样本和第二假阳性样本作为测试样本,依次输入所述第二超平面模型,当输出的测试样本的类别的正确率达到设定阈值时,确定所述第二超平面模型为dPCR系统的阴阳性分类模型;
所述第二数量与第三数量之和为第一数量;第五数量与第六数量之和为第四数量。
9.阴阳性分类模型建立设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-6中任一项所述的基于实时数字PCR系统的阴阳性分类模型建立方法。
10.一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-6中任一项所述的基于实时数字PCR系统的阴阳性分类模型建立方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214864.3A CN112950571B (zh) | 2021-02-25 | 2021-02-25 | 阴阳性分类模型建立方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110214864.3A CN112950571B (zh) | 2021-02-25 | 2021-02-25 | 阴阳性分类模型建立方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950571A true CN112950571A (zh) | 2021-06-11 |
CN112950571B CN112950571B (zh) | 2024-02-13 |
Family
ID=76246419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110214864.3A Active CN112950571B (zh) | 2021-02-25 | 2021-02-25 | 阴阳性分类模型建立方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950571B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643755A (zh) * | 2021-08-11 | 2021-11-12 | 上海小海龟科技有限公司 | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 |
CN116246694A (zh) * | 2023-03-24 | 2023-06-09 | 苏州国科芯感医疗科技有限公司 | 一种实时数字pcr定量确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130280712A1 (en) * | 2012-04-18 | 2013-10-24 | Roche Molecular Systems, Inc. | Method of Detecting Nucleic Acid Targets Using a Statistical Classifier |
CN108319984A (zh) * | 2018-02-06 | 2018-07-24 | 北京林业大学 | 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法 |
CN109657731A (zh) * | 2018-12-28 | 2019-04-19 | 长沙理工大学 | 一种微滴数字pcr仪抗干扰分类方法 |
WO2019144907A1 (zh) * | 2018-01-24 | 2019-08-01 | 北京光阱管理咨询合伙企业(有限合伙) | 数字pcr检测仪、数字pcr定量检测方法、不同体积数字pcr的定量分析方法、数字pcr检测方法、核酸检测微球、核酸检测微球制备方法、核酸检测微球试剂盒以及高通量核酸检测方法 |
CN110835645A (zh) * | 2018-08-16 | 2020-02-25 | 思纳福(北京)医疗科技有限公司 | 数字pcr检测方法 |
-
2021
- 2021-02-25 CN CN202110214864.3A patent/CN112950571B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130280712A1 (en) * | 2012-04-18 | 2013-10-24 | Roche Molecular Systems, Inc. | Method of Detecting Nucleic Acid Targets Using a Statistical Classifier |
WO2019144907A1 (zh) * | 2018-01-24 | 2019-08-01 | 北京光阱管理咨询合伙企业(有限合伙) | 数字pcr检测仪、数字pcr定量检测方法、不同体积数字pcr的定量分析方法、数字pcr检测方法、核酸检测微球、核酸检测微球制备方法、核酸检测微球试剂盒以及高通量核酸检测方法 |
US20210032680A1 (en) * | 2018-01-24 | 2021-02-04 | Sniper (Beijing) Medical Technologies Co., Ltd | Digital pcr detection apparatus, digital pcr quantitative detection method, multi-volume digital pcr quantitative analysis method, digital pcr detection method, nucleic acid detection microsphere, preparation method of nucleic acid detection microsphere, nucleic acid detection microsphere kit and high-throughput nucleic acid detection method |
CN108319984A (zh) * | 2018-02-06 | 2018-07-24 | 北京林业大学 | 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法 |
CN110835645A (zh) * | 2018-08-16 | 2020-02-25 | 思纳福(北京)医疗科技有限公司 | 数字pcr检测方法 |
CN109657731A (zh) * | 2018-12-28 | 2019-04-19 | 长沙理工大学 | 一种微滴数字pcr仪抗干扰分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643755A (zh) * | 2021-08-11 | 2021-11-12 | 上海小海龟科技有限公司 | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 |
CN113643755B (zh) * | 2021-08-11 | 2023-10-13 | 上海小海龟科技有限公司 | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 |
CN116246694A (zh) * | 2023-03-24 | 2023-06-09 | 苏州国科芯感医疗科技有限公司 | 一种实时数字pcr定量确定方法及装置 |
CN116246694B (zh) * | 2023-03-24 | 2023-10-27 | 苏州国科芯感医疗科技有限公司 | 一种实时数字pcr定量确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112950571B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11676275B2 (en) | Identifying nucleotides by determining phasing | |
US20230194464A1 (en) | Methods, systems, and computer readable media for making base calls in nucleic acid sequencing | |
US20210310065A1 (en) | Methods and systems for analyzing image data | |
CN112950571A (zh) | 阴阳性分类模型建立方法、装置、设备及计算机存储介质 | |
US20200082907A1 (en) | Methods, systems, and computer readable media for making base calls in nucleic acid sequencing | |
US9652694B2 (en) | Object detection method, object detection device, and image pickup device | |
US8488878B2 (en) | Sky detection system used in image extraction device and method using sky detection system | |
JP2004318879A5 (zh) | ||
CN105303187B (zh) | 一种dna测序的图像识别方法及装置 | |
CN114821152B (zh) | 基于前景-类别感知对齐的域自适应目标检测方法及系统 | |
Spata et al. | Image data analysis in qPCR: A method for smart analysis of DNA amplification | |
Islam et al. | A new method for road surface detection | |
WO2013025998A1 (en) | Methods, systems, and computer readable media for making base calls in nucleic acid sequencing | |
CN112818945A (zh) | 适用于地铁车站人群计数的卷积网络构建方法 | |
WO2018100675A1 (ja) | 混雑状況予測システム、方法及びプログラム | |
Song et al. | Learning Local Feature Descriptor with Motion Attribute For Vision-based Localization | |
TWI744785B (zh) | 基於熱影像的物件辨識與定位方法 | |
JP2006084281A (ja) | スポット画像認識方法及びスポット画像認識システム | |
WO2021179997A1 (zh) | 生物芯片的检测方法、装置及设备 | |
US8525897B2 (en) | Device and method for predicting photographing timing | |
CN113762135A (zh) | 一种基于视频的交通拥堵检测方法及装置 | |
KR100921752B1 (ko) | 유전자 지문영상 분석장치 및 그 방법 | |
CN116824268A (zh) | 一种基于半监督不平衡学习技术的道路路面图像标注方法 | |
JP2006091974A (ja) | 交通流計測方法およびその装置 |
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 | ||
GR01 | Patent grant |