CN113643755A - 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 - Google Patents
一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN113643755A CN113643755A CN202110918021.1A CN202110918021A CN113643755A CN 113643755 A CN113643755 A CN 113643755A CN 202110918021 A CN202110918021 A CN 202110918021A CN 113643755 A CN113643755 A CN 113643755A
- Authority
- CN
- China
- Prior art keywords
- rate
- positive
- partition
- positive rate
- biochip
- 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
Images
Classifications
-
- 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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Molecular Biology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本申请涉及一种NIPT试剂盒阳性率校正方法、装置、计算机设备和介质。方法包括:基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率;基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。采用本方法能够提高NIPT试剂盒阳性率的计算准确性。
Description
技术领域
本申请涉及生物学检测技术领域,特别是涉及一种NIPT试剂盒阳性率校正方法、装置、计算机设备和介质。
背景技术
染色体疾病是指染色体的数目异常或形态结构畸变导致的疾病,可以发于每一条染色体上,其发病率在新生儿中约占出生总数的0.5%。其中21三体(Down综合征)、13三体(Patau综合征)和18三体(Edwards综合征)是最为常见的染色体疾病,被称为三大染色体疾病。染色体疾病是性发育异常及男女不孕症、不育症的重要原因,也是先天性心脏病、智能发育不全等的重要原因之一。目前,染色体疾病尚无有效的治疗方法,准确有效的产前检测是避免此类疾病发生的最佳手段。
NIPT(Non-invasive Prenatal Testing,无创产前检测)技术仅需采取孕妇静脉血,利用DNA测序或数字PCR技术对母体外周血血浆中的游离DNA片段(包含胎儿游离DNA)进行检测,通过分析各染色体之间的拷贝数比例关系,进而判断胎儿是否患有染色体疾病。
本发明专利涉及的检测技术通过统计计算21、13、18三条染色体上多个基因位点拷贝数比例关系,判断胎儿是否患有染色体疾病。正常胎儿的三通道检测统计结果应均为1:1,患病胎儿检测结果在1:1.02~1.1之间,由于孕妇外周血中胎儿游离DNA占比极少,而患病胎儿与正常胎儿检测结果差异较小,因此对定量精密度要求很高。
现有的基于数字PCR(Polymerase Chain Reaction)技术的NIPT检测,一般在PCR反应结束后,直接统计计算生物芯片阳性率,但由于各种原因往往导致生物芯片PCR扩增不均匀,直接统计将得不到准确结果,使NIPT检测结果可信度降低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高NIPT试剂盒阳性率检测准确性的NIPT试剂盒阳性率校正方法、装置、计算机设备和介质。
一种NIPT试剂盒阳性率校正方法,方法包括:基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率;基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。
在一些实施例中,响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率,包括:响应于阳性率差值率小于第一阈值,基于分区方案中所有阳性腔室的数量与所有合格腔室的数量的比值,确定与分区方案对应的生物芯片的阳性率;响应于阳性率差值率大于或者等于第一阈值,基于分区方案中各子区域的阳性腔室差值率,确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,基于分区方案中各子区域的阳性腔室差值率,确定与分区方案对应的生物芯片的阳性率,包括:响应于分区方案中各子区域的阳性腔室差值率小于第二阈值,基于分区方案的腔室异常率确定与分区方案对应的生物芯片的阳性率;响应于分区方案中各子区域的阳性腔室差值率大于或者等于第二阈值,基于分区方案的腔室异常率差值与第三阈值的关系确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,基于分区方案的腔室异常率差值与第三阈值的关系确定与分区方案对应的生物芯片的阳性率,包括:响应于分区方案的腔室异常率差值小于第三阈值,基于分区方案的最大的子区域阳性腔室个数确定与分区方案对应的生物芯片的阳性率;响应于分区方案的腔室异常率差值大于或者等于第三阈值,基于分区方案的最大的阳性腔室数量与最大的合格腔室数量的比值确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,基于各分区方案的腔室异常率差值确定目标分区方案,并将目标分区方案对应的生物芯片的阳性率确定为最优阳性率。
在一些实施例中,基于各分区方案的生物芯片的阳性率校正NIPT试剂盒阳性率,包括:基于与各分区方案对应的生物芯片的阳性率确定不同检测通道的最优阳性率;基于不同检测通道的最优阳性率及各分区方案在不同检测通道中对应的生物芯片的阳性率,校正NIPT试剂盒阳性率。
在一些实施例中,基于各分区方案的生物芯片的阳性率校正NIPT试剂盒阳性率,包括:确定不同检测通道的最优阳性率,及不同检测通道在不同分区方案中的阳性率;基于最优阳性率以及不同分区方案的阳性率在不同检测通道中的大小排序确定目标排序序列;基于目标排序序列中不同检测通道的最优阳性率或者阳性率的标准差大小校正NIPT试剂盒阳性率。
一种NIPT试剂盒阳性率校正装置,装置包括:计算模块,计算模块用于基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率;校正模块,校正模块用于基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。
一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率;基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率;基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。
上述NIPT试剂盒阳性率校正方法、装置、计算机设备和存储介质,通过不同的分区方案对载有NIPT反应体系的生物芯片进行分区处理得到不同的子区域,并分区计算生物芯片的子区域阳性率,从而根据子区域阳性率,选择最优的分区方案,并计算最优的分区方案对应的生物芯片的阳性率。相比于直接计算完整生物芯片的阳性率,根据上述通过分区方案计算生物芯片的阳性率并校正NIPT试剂盒阳性率的方法,可以提高NIPT试剂盒阳性率计算结果的准确性。
附图说明
图1为一个实施例中提供的NIPT试剂盒阳性率校正方法的应用环境图;
图2为一个实施例中提供的NIPT试剂盒阳性率校正方法的流程示意图;
图3为一个实施例中提供的PCR扩增过程中生物芯片与扩增仪热板的接触形式示意图;
图4为一个实施例中提供的载有NIPT反应体系的生物芯片的分区方案示意图;
图5为一个实施例中提供的计算NIPT试剂盒阳性率的流程示意图;
图6为一个实施例中提供的NIPT试剂盒阳性率校正装置的结构框图;
图7为一个实施例中提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种NIPT试剂盒阳性率校正方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。服务器104基于从终端102中获取到的载有NIPT反应体系的生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率;基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。进一步地,服务器104还可以将得到的NIPT试剂盒阳性率发送至终端102进行展示。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,图2为一个实施例中提供的NIPT试剂盒阳性率校正方法的流程示意图,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
步骤202,可以基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率。例如,可以基于载有NIPT反应体系的生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率。
其中,腔室类型标记数据可以是标记腔室为阳性腔室或者阴性腔室的数据。在一些实施例中,可以提供载有NIPT反应体系的生物芯片中腔室为阳性腔室或者阴性腔室的标记数据。在一些实施例中,可以采用多种不同的方法读入前期分析得到的生物芯片的阳性腔室和阴性腔室的标记数据。例如,可以将数字PCR分析出的生物芯片的阳性腔室和阴性腔室标记数据读入。例如,可以将生物芯片的阳性腔室和阴性腔室标记数据生成二维矩阵结构写入存储介质,然后读入该二维矩阵结构的数据。也可以由前期算法模块提供接口直接将生物芯片阳性腔室和阴性腔室数据读入。可以理解的是,还可以存在其他的读入生物芯片的阳性腔室和阴性腔室数据的方法,此处不再赘述。
在本公开的实施例中,可以采用上述实施例中任意一种方法读入生物芯片的阳性腔室和阴性腔室的腔室类型标记数据,并基于读入的腔室类型标记数据计算分区方案中子区域对应的子区域阳性率。
图3为一个实施例中提供的PCR扩增过程中生物芯片与扩增仪热板的接触形式示意图。在一些实施例中,如图3,可以根据PCR扩增过程中生物芯片与扩增仪热板的接触形式对生物芯片进行分区,例如,接触形式可以包括生物芯片与PCR热板单边接触不良、单角接触不良以及多角接触不良等。图4为一个实施例中提供的载有NIPT反应体系的生物芯片的分区方案示意图。在一些实施例中,如图4,可以基于多种分区方案将生物芯片进行分区。例如,可以将生物芯片依据可能出现的阳性腔室不均匀状况分为5类分区方案,分别为a左右区域分区方案、b上下区域分区方案、c正对角区域分区方案、d反对角区域分区方案以及e内外区域分区方案。
在一些实施例中,生物芯片可以是m×n个腔室,包含m行n列。参见图4,例如,在左右区域分区方案中可以沿生物芯片腔室的列向中线将生物芯片的腔室分成两个大小的子区域。上下区域分区方案中可以沿生物芯片腔室的行向中线将生物芯片的腔室分成两个大小的子区域。正对角区域分区方案可以沿生物芯片的右上角腔室与左下角腔室连线将生物芯片的腔室分成两部分,分界直线的斜率为截距为m。反对角区域分区方案可以沿生物芯片的右下角腔室与左上角腔室连线将生物芯片的腔室分成两部分,分界直线的斜率为截距为0。内外区域分区方案可以沿与生物芯片边缘腔室等间距收缩7行或7列的分界线将生物芯片的腔室分成两部分。可以理解的是,还可以存在其他的分区方案,此处不再赘述。
在一些实施例中,在左右区域分区方案中将生物芯片分为左右两个大小的子区域,分别为左区域与右区域。统计左区域内的阳性腔室个数为Pl,统计左区域内的阴性腔室个数为Nl,计算左区域的子区域阳性率为计算左区域的子区域异常率为统计右区域内的阳性腔室个数为Pr,统计右区域内的阴性腔室个数为Nr,计算右区域的子区域阳性率为计算右区域的子区域异常率为
在一些实施例中,在上下分区方案中将生物芯片分为上下两个大小的区域,分别为上区域与下区域。统计上区域内的阳性腔室个数为Pu,统计上区域内的阴性腔室个数为Nu,计算上区域的子区域阳性率为计算上区域的子区域异常率为统计下区域内的阳性腔室个数为Pd,统计下区域内的阴性腔室个数为Nd,计算下区域的子区域阳性率为计算下区域的子区域异常率为
在一些实施例中,沿生物芯片的正对角线将生物芯片分成两部分,分界线为右上角腔室与左下角腔室连线,基于分界线将生物芯片分为两个大小的子区域。统计正对角线两侧区域内的阳性腔室个数分别为P+u、P+d。统计正对角线两侧区域内的阴性腔室个分别为N+u、N+d。计算正对角线两侧区域内的子区域阳性率分别为 计算正对角线两侧区域内的子区域异常率分别为
在一些实施例中,沿生物芯片的反对角线将生物芯片分成两部分,分界线为右下角腔室与左上角腔室连线,基于分界线将生物芯片分为两个的子区域。统计反对角线两侧区域内的阳性腔室个数分别为P-u、P-d。统计反对角线两侧区域内的阴性腔室个数分别为N-u、N-d。计算反对角线两侧区域内的子区域阳性率分别为 计算反对角线两侧区域内的子区域异常率分别为
在一些实施例中,将生物芯片分为内外两部分区域,分界线为距腔室边缘等间距的封闭曲线,该间距ΔS∈[5,10]。分别统计分界线两侧区域内的阳性腔室个数为Po、Pi。阴性腔室个数分别为No、Ni。计算分界线两侧区域内的子区域阳性率分别为 子区域异常率分别为
步骤204,可以基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率。
在一些实施例中,对于每一个分区方案,区域阳性率差值率基于分区方案中不同子区域的子区域阳性率计算得到。例如,分区内不同子区域的子区域阳性率分别为R1和R2,那么阳性率差值率可以表示为例如,左右区域的阳性率差值率为上下区域的阳性率差值率为正对角区域的阳性率差值率为反对角区域的阳性率差值率为内外区域的阳性率差值率为
步骤206,可以响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率。
如图5所示,图5为一个实施例中提供的计算NIPT试剂盒阳性率的流程示意图。参见图5,在一些实施例中,响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率,包括:响应于阳性率差值率小于第一阈值,基于分区方案中所有子区域的阳性腔室的数量与所有合格腔室的数量的比值,确定与分区方案对应的生物芯片的阳性率;响应于阳性率差值率大于或者等于第一阈值,基于分区方案中各子区域的阳性腔室差值率,确定与分区方案对应的生物芯片的阳性率。
例如,对于每一个分区方案,生物芯片的两个子区域的阳性腔室的个数分别为P1和P2,阴性腔室的个数分别为N1和N2,异常腔室的个数分别为b1和b2,两个子区域的子区域阳性率分别为R1和R2,子区域异常率分别为B1和B2。对于每一个分区方案,计算每一个分区方案的阳性率差值率,若阳性率差值率ΔR小于第一阈值(例如,ΔR<0.02),那么基于分区方案的阳性腔室的数量P1+P2与所有合格的腔室的数量P1+P2+N1+N2的比值确定该分区方案下的生物芯片的阳性率Rc,若阳性率差值率大于或者等于第一阈值(例如,ΔR≥0.02),则计算分区方案对应的阳性腔室差值率ΔP,基于阳性腔室差值率确定基于分区方案的生物芯片的阳性率。
在一些实施例中,基于分区方案中各子区域的阳性腔室差值率,确定与分区方案对应的生物芯片的阳性率,包括:响应于分区方案中各子区域的阳性腔室差值率小于第二阈值,基于分区方案的腔室异常率确定与分区方案对应的生物芯片的阳性率;响应于分区方案中各子区域的阳性腔室差值率大于或者等于第二阈值,基于分区方案的腔室异常率差值与第三阈值的关系确定与分区方案对应的生物芯片的阳性率。
例如,对于每一个分区方案,若分区方案的阳性腔室差值率ΔP小于第二阈值(例如,ΔP<0.03),则基于分区方案的各区域的腔室异常率确定生物芯片的阳性率。例如,可以将腔室异常率小的子区域的子区域阳性率作为该分区方案的生物芯片的阳性率,如生物芯片的阳性率为Rc,若阳性腔室差值率大于或者等于第二阈值(例如,ΔP≥0.03),基于腔室异常率差值与第三阈值的关系确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,基于分区方案的腔室异常率差值与第三阈值的关系确定与分区方案对应的生物芯片的阳性率,包括:响应于分区方案的腔室异常率差值小于第三阈值,基于分区方案的最大的子区域阳性腔室个数确定与分区方案对应的生物芯片的阳性率;响应于分区方案的腔室异常率差值大于或者等于第三阈值,基于分区方案的最大的阳性腔室数量与最大的合格腔室数量的比值确定与分区方案对应的生物芯片的阳性率。
腔室异常率差值ΔB=|B1-B2|。例如,若腔室异常率差值ΔB小于第三阈值(例如,ΔB<0.03),则芯片阳性率为阳性腔室较多的子区域的子区域阳性率,即若腔室异常率差值ΔB大于或者等于第三阈值(例如,ΔB≥0.03),则生物芯片的阳性率为分区方案中最大的阳性腔室数量与最大的合格腔室数量的比值,即其中,max()函数表示求取最大值,例如max(a,b)表示|a|表示
在一些实施例中,基于各分区方案的腔室异常率差值确定目标分区方案,并将目标分区方案对应的生物芯片的阳性率确定为最优阳性率。例如,计算与每一个分区方案(如,左右区域、上下区域、正对角区域、反对角区域方案)对应的生物芯片的阳性率分别为Rc,1,Rc,2,Rc,3,Rc,4(1,2,3,4表示不同的分区方案)。每一个分区方案的腔室异常率差值分别为ΔB1,ΔB2,ΔB3,ΔB4。那么最优分区方案的异常率差值ΔBopt=min(ΔB1,ΔB2,ΔB3,ΔB4),其中opt=1,2,3,4,min()表示取最小值,则最优方案的生物芯片的最优阳性率为ΔRc,opt。
步骤208,可以基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。
在一些实施例中,基于各分区方案的生物芯片的阳性率校正NIPT试剂盒阳性率,包括:基于与各分区方案对应的生物芯片的阳性率确定不同检测通道的最优阳性率;基于不同检测通道的最优阳性率及各分区方案在不同检测通道中对应的生物芯片的阳性率,校正NIPT试剂盒阳性率。
在一些实施例中,检测通道可以为多个,例如3个。在具体实施中,NIPT检测通道可以为FAM通道、CY5通道、ROX通道、HEX通道、AF700通道中的任意3个检测通道。可以理解的是,基于数字PCR技术的NIPT检测还可以为其他检测通道,并不仅限于上述所列举的五种检测通道,此处不做赘述。
在一些实施例,对于每一个检测通道,通过上述任意一个实施例中提供的方法确定每一个检测通道对应的最优阳性率。基于每一个检测通道在不同分区方案中的阳性率以及每一个检测通道的最优阳性率校正NIPT试剂盒阳性率。
在一些实施例中,基于各分区方案的生物芯片的阳性率校正NIPT试剂盒阳性率,包括:确定不同检测通道的最优阳性率,及不同检测通道在不同分区方案中的阳性率;基于最优阳性率以及不同分区方案的阳性率在不同检测通道中的大小排序确定目标排序序列;基于目标排序序列中不同检测通道的最优阳性率或者阳性率的标准差大小校正NIPT试剂盒阳性率。
在具体实施例中,可以统计3个检测通道上所有计算得到的生物芯片的阳性率,包括Rl,j,Rr,j,Ru,j,Rd,j,R+u,j,R+d,j,R-u,j,R-d,j,Ro,j,Ri,j,Ropt,j,其中j表示检测通道(j=1,2,3)。标记各类阳性率计算方案中3个检测通道所对应阳性率的排序,将排序出现次数最多的次序作为目标排序序列,计算每一个目标排序序列中的3个检测通道的阳性率的标准差,基于标准差最小的目标排序序列对应的阳性率校正NIPT试剂盒阳性率。
例如,如表1所示,表1为三个检测通道对应各个阳性率计算方案的阳性率排序表,其中,FAM,HEX,CY5表示3个检测通道,Rl,Rf,Ru,Rd,R+u,R+d,R-u,R-d,Ro,Ri,Ropt为阳性率计算方案。挑选排序出现次数最多的阳性率计算方案Rl,Ru,Rd,R+d,R-u,R-d,Ri,Ropt,然后计算上述方案对应的3个检测通道阳性率标准差,σ1=std(Rl,1,Rl,2,Rl,3),
σu=std(Ru,1,Ru,2,Ru,3),σd=std(Rd,1,Rd,2,Rd,3),σi=std(Ri,1,Ri,2,Ri,3),
σ+d=std(R+d,1,R+d,2,R+d,3),σ-u=std(R-u,1,R-u,2,R-u,3),
σ-d=std(R-d,1,R-d,2,R-d,3),σopt=std(Ropt,1,Ropt,2,Ropt,3),选择标准差最小值对应的阳性率计算方案Rl,最终选择该计算方案的各通道阳性率作为校正阳性率。
表1三个检测通道阳性率排序表
检测通道 | R<sub>l</sub> | R<sub>f</sub> | R<sub>u</sub> | R<sub>d</sub> | R<sub>+u</sub> | R<sub>+d</sub> | R<sub>-u</sub> | R<sub>-d</sub> | R<sub>o</sub> | R<sub>i</sub> | R<sub>opt</sub> |
FAM | 1 | 2 | 1 | 1 | 3 | 1 | 1 | 1 | 2 | 1 | 1 |
HEX | 2 | 3 | 2 | 2 | 2 | 2 | 2 | 2 | 3 | 2 | 2 |
CY5 | 3 | 1 | 3 | 3 | 1 | 3 | 3 | 3 | 1 | 3 | 3 |
在传统技术中,数字PCR技术通过检测生物芯片中阳性反应腔室的比例来计算不同靶点的拷贝数,但是整个数字PCR技术实施过程中存在诸多不确定性,导致生物芯片中阳性反应腔室的分布不再满足随机分布,这会使计算阳性率与真实阳性率之间产生差距。例如,生物芯片在PCR扩增过程中放置不平,致使生物芯片表面与PCR热板之间存在间隙,生物芯片局部区域PCR反应不完全,局部阳性率偏离真实阳性率。
传统技术中,基于数字PCR技术的无创产前检测方案,一般采用三个荧光通道检测孕妇静脉血中三对染色体的分布情况,并计算不同染色体拷贝数之间的比值,即可判断胎儿是否患有染色体类疾病。然而,数字PCR拷贝数的计算需要根据泊松分布原理和相应的阳性率获得,因此阳性率的准确性决定了拷贝数的准确性。本发明的发明人发现现有技术中至少存在如下问题,数字PCR技术中需要将PCR反应体系注入到包含有一定数量反应腔室的生物芯片中,然后再对芯片反应腔室中的反应体系进行PCR扩增,扩增过程中芯片表面与PCR热板之间接触不良,引起PCR扩增不均匀的现象,最终导致阳性率准确性较低。
采用本发明的方法,可以准确计算局部PCR扩增失败芯片的阳性率,降低了重复试验的概率,可以提高数字PCR阳性率的计算准确性,降低各种因素导致的生物芯片阳性腔室分布不均匀的影响,提高了基于数字PCR技术的NIPT检测结果的准确性。能够消除生物芯片阳性腔室分布不均匀导致的阳性率失真,提高NIPT技术检测的准确性,提高基于数字PCR技术的NIPT检测的成功率。
应该理解的是,虽然图2以及图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2以及图5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种NIPT试剂盒阳性率校正装置600,该装置可以采用软件模块或硬件模块,或者是二者的结合成为计算机设备的一部分,该装置具体包括:
计算模块602,计算模块602用于基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于分区方案中的各子区域阳性率,确定分区方案的阳性率差值率;响应于阳性率差值率与第一阈值的关系,确定与分区方案对应的生物芯片的阳性率。
校正模块604,校正模块604用于基于与各分区方案对应的生物芯片的阳性率校正NIPT试剂盒阳性率。
在一些实施例中,计算模块602还用于响应于阳性率差值率小于第一阈值,基于分区方案中所有阳性腔室的数量与所有合格腔室的数量的比值,确定与分区方案对应的生物芯片的阳性率;响应于阳性率差值率大于或者等于第一阈值,基于分区方案中各子区域的阳性腔室差值率,确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,计算模块602还用于响应于分区方案中各子区域的阳性腔室差值率小于第二阈值,基于分区方案的腔室异常率确定与分区方案对应的生物芯片的阳性率;响应于分区方案中各子区域的阳性腔室差值率大于或者等于第二阈值,基于分区方案的腔室异常率差值与第三阈值的关系确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,计算模块602还用于响应于分区方案的腔室异常率差值小于第三阈值,基于分区方案的最大的子区域阳性腔室个数确定与分区方案对应的生物芯片的阳性率;响应于分区方案的腔室异常率差值大于或者等于第三阈值,基于分区方案的最大的阳性腔室数量与最大的合格腔室数量的比值确定与分区方案对应的生物芯片的阳性率。
在一些实施例中,NIPT试剂盒阳性率校正装置还包括确定模块,确定模块用于基于各分区方案的腔室异常率差值确定目标分区方案,并将目标分区方案对应的生物芯片的阳性率确定为最优阳性率。
在一些实施例中,校正模块604还用于基于与各分区方案对应的生物芯片的阳性率确定不同检测通道的最优阳性率;基于不同检测通道的最优阳性率及各分区方案在不同检测通道中对应的生物芯片的阳性率,校正NIPT试剂盒阳性率。
在一些实施例中,校正模块604还用于确定不同检测通道的最优阳性率,及不同检测通道在不同分区方案中的阳性率;基于最优阳性率以及不同分区方案的阳性率在不同检测通道中的大小排序确定目标排序序列;基于目标排序序列中不同检测通道的最优阳性率或者阳性率的标准差大小校正NIPT试剂盒阳性率。
关于NIPT试剂盒阳性率校正装置的具体限定可以参见上文中对于NIPT试剂盒阳性率校正方法的限定,在此不再赘述。上述NIPT试剂盒阳性率校正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储生物芯片的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种NIPT试剂盒阳性率校正方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种NIPT试剂盒阳性率校正方法,其特征在于,所述方法包括:
基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;
基于所述分区方案中的各所述子区域阳性率,确定所述分区方案的阳性率差值率;
响应于所述阳性率差值率与第一阈值的关系,确定与所述分区方案对应的生物芯片的阳性率;
基于与各所述分区方案对应的所述生物芯片的阳性率校正NIPT试剂盒阳性率。
2.根据权利要求1所述的方法,其特征在于,响应于所述阳性率差值率与第一阈值的关系,确定与所述分区方案对应的所述生物芯片的阳性率,包括:
响应于所述阳性率差值率小于第一阈值,基于所述分区方案中所有阳性腔室的数量与所有合格腔室的数量的比值,确定与所述分区方案对应的所述生物芯片的阳性率;
响应于所述阳性率差值率大于或者等于所述第一阈值,基于所述分区方案中各所述子区域的阳性腔室差值率,确定与所述分区方案对应的所述生物芯片的阳性率。
3.根据权利要求2所述的方法,其特征在于,基于所述分区方案中各所述子区域的所述阳性腔室差值率,确定与所述分区方案对应的所述生物芯片的阳性率,包括:
响应于所述分区方案中各所述子区域的所述阳性腔室差值率小于第二阈值,基于所述分区方案的腔室异常率确定与所述分区方案对应的所述生物芯片的阳性率;
响应于所述分区方案中各所述子区域的阳性腔室差值率大于或者等于所述第二阈值,基于所述分区方案的腔室异常率差值与第三阈值的关系确定与所述分区方案对应的所述生物芯片的阳性率。
4.根据权利要求3所述的方法,其特征在于,基于所述分区方案的腔室异常率差值与第三阈值的关系确定与所述分区方案对应的所述生物芯片的阳性率,包括:
响应于所述分区方案的腔室异常率差值小于第三阈值,基于所述分区方案的最大的子区域阳性腔室个数确定与所述分区方案对应的所述生物芯片的阳性率;
响应于所述分区方案的所述腔室异常率差值大于或者等于所述第三阈值,基于所述分区方案的最大的阳性腔室数量与最大的合格腔室数量的比值确定与所述分区方案对应的所述生物芯片的阳性率。
5.根据权利要求1至4中任一项所述的方法,其特征在于,基于各所述分区方案的所述腔室异常率差值确定目标分区方案,并将所述目标分区方案对应的生物芯片的阳性率确定为最优阳性率。
6.根据权利要求5所述的方法,其特征在于,基于各所述分区方案的生物芯片的阳性率校正NIPT试剂盒阳性率,包括:
基于与各所述分区方案对应的所述生物芯片的阳性率确定不同检测通道的最优阳性率;
基于不同所述检测通道的所述最优阳性率及各所述分区方案在不同检测通道中对应的所述生物芯片的阳性率,校正NIPT试剂盒阳性率。
7.根据权利要求6所述的方法,其特征在于,基于各所述分区方案的生物芯片的阳性率校正NIPT试剂盒阳性率,包括:
确定不同检测通道的最优阳性率,及不同检测通道在不同分区方案中的阳性率;
基于所述最优阳性率以及不同所述分区方案的阳性率在不同所述检测通道中的大小排序确定目标排序序列;
基于目标排序序列中不同检测通道的所述最优阳性率或者所述阳性率的标准差大小校正NIPT试剂盒阳性率。
8.一种NIPT试剂盒阳性率校正装置,其特征在于,所述装置包括:
计算模块,所述计算模块用于基于生物芯片的腔室类型标记数据,确定分区方案中的子区域对应的子区域阳性率;基于所述分区方案中的各所述子区域阳性率,确定所述分区方案的阳性率差值率;响应于所述阳性率差值率与第一阈值的关系,确定与所述分区方案对应的所述生物芯片的阳性率;
校正模块,所述校正模块用于基于与各所述分区方案对应的所述生物芯片的阳性率校正NIPT试剂盒阳性率。
9.一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918021.1A CN113643755B (zh) | 2021-08-11 | 2021-08-11 | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918021.1A CN113643755B (zh) | 2021-08-11 | 2021-08-11 | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643755A true CN113643755A (zh) | 2021-11-12 |
CN113643755B CN113643755B (zh) | 2023-10-13 |
Family
ID=78420740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918021.1A Active CN113643755B (zh) | 2021-08-11 | 2021-08-11 | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643755B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104789686A (zh) * | 2015-05-06 | 2015-07-22 | 安诺优达基因科技(北京)有限公司 | 检测染色体非整倍性的试剂盒和装置 |
CN104789466A (zh) * | 2015-05-06 | 2015-07-22 | 安诺优达基因科技(北京)有限公司 | 检测染色体非整倍性的试剂盒和装置 |
WO2016059601A1 (en) * | 2014-10-16 | 2016-04-21 | Group Ovo Inc. | Non-invasive methods for detection of genetic abnormalities in an unborn fetus, and primers, probes and kits for uses thereof |
CN108733982A (zh) * | 2017-09-26 | 2018-11-02 | 上海凡迪基因科技有限公司 | 孕妇nipt结果校正方法、装置及计算机可读存储介质、设备 |
CN108733984A (zh) * | 2017-10-30 | 2018-11-02 | 成都凡迪医疗器械有限公司 | Nipt的z值结果校正方法及装置、计算机可读存储介质 |
CN109355380A (zh) * | 2018-12-29 | 2019-02-19 | 苏州恩科金生物科技有限公司 | 检测母体外周血染色体异常的引物、试剂盒及检测方法 |
CN109689896A (zh) * | 2015-11-10 | 2019-04-26 | 科戴克斯生命股份公司 | 使用在胎儿和怀孕雌性动物之间差异甲基化的dna区域检测胎儿染色体非整倍性 |
CN109872813A (zh) * | 2019-01-24 | 2019-06-11 | 广州金域医学检验中心有限公司 | 检测系统阳性率评估方法及装置、计算机可读存储介质 |
WO2019224668A1 (en) * | 2018-05-23 | 2019-11-28 | Artemisia S.P.A. | Method for determining the probability of the risk of chromosomal and genetic disorders from free dna of fetal origin |
CN110770341A (zh) * | 2017-01-11 | 2020-02-07 | 奎斯特诊断投资有限责任公司 | 非整倍性无创产前筛查方法 |
CN111257296A (zh) * | 2020-03-20 | 2020-06-09 | 京东方科技集团股份有限公司 | 一种检测生物芯片样本的方法、装置及存储介质 |
CN111286529A (zh) * | 2019-07-22 | 2020-06-16 | 常州市妇幼保健院 | 一种利用外周血胎儿游离dna产前筛查假阳性的试剂盒 |
CN111440860A (zh) * | 2020-03-23 | 2020-07-24 | 绍兴市妇幼保健院 | 用于无创产前检测的血浆质控品及其制备方法 |
CN112712853A (zh) * | 2020-12-31 | 2021-04-27 | 北京优迅医学检验实验室有限公司 | 一种无创产前检测装置 |
CN112823391A (zh) * | 2019-06-03 | 2021-05-18 | Illumina公司 | 基于检测限的质量控制度量 |
CN112950571A (zh) * | 2021-02-25 | 2021-06-11 | 中国科学院苏州生物医学工程技术研究所 | 阴阳性分类模型建立方法、装置、设备及计算机存储介质 |
-
2021
- 2021-08-11 CN CN202110918021.1A patent/CN113643755B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016059601A1 (en) * | 2014-10-16 | 2016-04-21 | Group Ovo Inc. | Non-invasive methods for detection of genetic abnormalities in an unborn fetus, and primers, probes and kits for uses thereof |
CN104789686A (zh) * | 2015-05-06 | 2015-07-22 | 安诺优达基因科技(北京)有限公司 | 检测染色体非整倍性的试剂盒和装置 |
CN104789466A (zh) * | 2015-05-06 | 2015-07-22 | 安诺优达基因科技(北京)有限公司 | 检测染色体非整倍性的试剂盒和装置 |
CN109689896A (zh) * | 2015-11-10 | 2019-04-26 | 科戴克斯生命股份公司 | 使用在胎儿和怀孕雌性动物之间差异甲基化的dna区域检测胎儿染色体非整倍性 |
CN110770341A (zh) * | 2017-01-11 | 2020-02-07 | 奎斯特诊断投资有限责任公司 | 非整倍性无创产前筛查方法 |
CN108733982A (zh) * | 2017-09-26 | 2018-11-02 | 上海凡迪基因科技有限公司 | 孕妇nipt结果校正方法、装置及计算机可读存储介质、设备 |
CN108733984A (zh) * | 2017-10-30 | 2018-11-02 | 成都凡迪医疗器械有限公司 | Nipt的z值结果校正方法及装置、计算机可读存储介质 |
WO2019224668A1 (en) * | 2018-05-23 | 2019-11-28 | Artemisia S.P.A. | Method for determining the probability of the risk of chromosomal and genetic disorders from free dna of fetal origin |
CN109355380A (zh) * | 2018-12-29 | 2019-02-19 | 苏州恩科金生物科技有限公司 | 检测母体外周血染色体异常的引物、试剂盒及检测方法 |
CN109872813A (zh) * | 2019-01-24 | 2019-06-11 | 广州金域医学检验中心有限公司 | 检测系统阳性率评估方法及装置、计算机可读存储介质 |
CN112823391A (zh) * | 2019-06-03 | 2021-05-18 | Illumina公司 | 基于检测限的质量控制度量 |
CN111286529A (zh) * | 2019-07-22 | 2020-06-16 | 常州市妇幼保健院 | 一种利用外周血胎儿游离dna产前筛查假阳性的试剂盒 |
CN111257296A (zh) * | 2020-03-20 | 2020-06-09 | 京东方科技集团股份有限公司 | 一种检测生物芯片样本的方法、装置及存储介质 |
CN111440860A (zh) * | 2020-03-23 | 2020-07-24 | 绍兴市妇幼保健院 | 用于无创产前检测的血浆质控品及其制备方法 |
CN112712853A (zh) * | 2020-12-31 | 2021-04-27 | 北京优迅医学检验实验室有限公司 | 一种无创产前检测装置 |
CN112950571A (zh) * | 2021-02-25 | 2021-06-11 | 中国科学院苏州生物医学工程技术研究所 | 阴阳性分类模型建立方法、装置、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113643755B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240194293A1 (en) | Noninvasive prenatal screening using dynamic iterative depth optimization | |
EP2976434B1 (en) | Methods and systems for analyzing biological reaction systems | |
CN110648721B (zh) | 针对外显子捕获技术检测拷贝数变异的方法及装置 | |
Huo et al. | Integrative sparse K-means with overlapping group lasso in genomic applications for disease subtype discovery | |
US20170091378A1 (en) | Use of recurrent copy number variations in the constitutional human genome for the prediction of predisposition to cancer | |
Yang et al. | Improving the calling of non-invasive prenatal testing on 13-/18-/21-trisomy by support vector machine discrimination | |
CN113555121B (zh) | 一种胃癌预后标志物的筛选和分类方法、胃癌预后标志物和检测胃癌预后的试剂及应用 | |
CN113643755A (zh) | 一种nipt试剂盒阳性率校正方法、装置、计算机设备和介质 | |
US8868393B2 (en) | Algorithms for classification of disease subtypes and for prognosis with gene expression profiling | |
Saberkari et al. | A shape-independent algorithm for fully-automated gridding of cDNA microarray images | |
WO2018085779A1 (en) | Methods for assessing genetic variant screen performance | |
US7881876B2 (en) | Methods and systems for removing offset bias in chemical array data | |
Dembélé | Analysis of high-throughput biological data using their rank values | |
Biju et al. | MICROARRAY IMAGE GRIDDING USING GRID LINE REFINEMENT TECHNIQUE. | |
CN113628682A (zh) | 一种t790m和c797s顺反式突变类型识别及计算方法 | |
CN109817340B (zh) | 疾病风险分布信息确定方法、装置、存储介质及设备 | |
Haff et al. | Automatic image analysis and spot classification for detection of pathogenic Escherichia coli on glass slide DNA microarrays | |
US20240203521A1 (en) | Evaluation and improvement of genetic screening tests using receiver operating characteristic curves | |
Matsuda et al. | Distortion-free PCA on sample space for highly variable gene detection from single-cell RNA-seq data | |
CN117953966A (zh) | 一种基于扩增捕获的小panel检测CNV的方法 | |
Broom et al. | Bagged gene shaving for the robust clustering of high-throughput data | |
Arteaga-Salas | 9 Image Processing of Affymetrix Microarrays | |
Tomofuji et al. | Quantification of the escape from X chromosome inactivation with the million cell-scale human single-cell omics datasets reveals heterogeneity of escape across cell types and tissues | |
CN114708905A (zh) | 基于ngs的染色体非整倍体检测方法、装置、介质和设备 | |
CN117409858A (zh) | 胚胎植入前染色体异常的检测方法和装置 |
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 |