CN113811754A - 颗粒分析仪的表征和分选 - Google Patents
颗粒分析仪的表征和分选 Download PDFInfo
- Publication number
- CN113811754A CN113811754A CN201980071128.8A CN201980071128A CN113811754A CN 113811754 A CN113811754 A CN 113811754A CN 201980071128 A CN201980071128 A CN 201980071128A CN 113811754 A CN113811754 A CN 113811754A
- Authority
- CN
- China
- Prior art keywords
- particle
- data set
- data
- transformed
- parametric
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 268
- 238000012512 characterization method Methods 0.000 title description 4
- 230000009466 transformation Effects 0.000 claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 118
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims description 109
- 230000015654 memory Effects 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 52
- 239000012530 fluid Substances 0.000 claims description 30
- 238000002474 experimental method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 15
- 239000002131 composite material Substances 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 41
- 238000000684 flow cytometry Methods 0.000 abstract description 29
- 238000000844 transformation Methods 0.000 abstract description 15
- 210000004027 cell Anatomy 0.000 description 64
- 239000000523 sample Substances 0.000 description 57
- 238000009826 distribution Methods 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000000149 argon plasma sintering Methods 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 239000007788 liquid Substances 0.000 description 7
- 230000035559 beat frequency Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- 238000001506 fluorescence spectroscopy Methods 0.000 description 5
- 238000009827 uniform distribution Methods 0.000 description 5
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 4
- 239000007850 fluorescent dye Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- IGELFKKMDLGCJO-UHFFFAOYSA-N xenon difluoride Chemical compound F[Xe]F IGELFKKMDLGCJO-UHFFFAOYSA-N 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 239000012472 biological sample Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000011192 particle characterization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 229910052724 xenon Inorganic materials 0.000 description 3
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 3
- 108091006146 Channels Proteins 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 229910009372 YVO4 Inorganic materials 0.000 description 2
- 229910052769 Ytterbium Inorganic materials 0.000 description 2
- ZHNKYEGKBKJROQ-UHFFFAOYSA-N [He].[Se] Chemical compound [He].[Se] ZHNKYEGKBKJROQ-UHFFFAOYSA-N 0.000 description 2
- VZPPHXVFMVZRTE-UHFFFAOYSA-N [Kr]F Chemical compound [Kr]F VZPPHXVFMVZRTE-UHFFFAOYSA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- ISQINHMJILFLAQ-UHFFFAOYSA-N argon hydrofluoride Chemical compound F.[Ar] ISQINHMJILFLAQ-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- UIZLQMLDSWKZGC-UHFFFAOYSA-N cadmium helium Chemical compound [He].[Cd] UIZLQMLDSWKZGC-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- VPYURTKRLAYHEQ-UHFFFAOYSA-N copper neon Chemical compound [Ne].[Cu] VPYURTKRLAYHEQ-UHFFFAOYSA-N 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 238000001943 fluorescence-activated cell sorting Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- IBBSHLLCYYCDGD-UHFFFAOYSA-N helium mercury Chemical compound [He].[Hg] IBBSHLLCYYCDGD-UHFFFAOYSA-N 0.000 description 2
- CPBQJMYROZQQJC-UHFFFAOYSA-N helium neon Chemical compound [He].[Ne] CPBQJMYROZQQJC-UHFFFAOYSA-N 0.000 description 2
- FPQDUGZBUIHCCW-UHFFFAOYSA-N helium silver Chemical compound [He].[Ag] FPQDUGZBUIHCCW-UHFFFAOYSA-N 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 229910052743 krypton Inorganic materials 0.000 description 2
- DNNSSWSSYDEUBZ-UHFFFAOYSA-N krypton atom Chemical compound [Kr] DNNSSWSSYDEUBZ-UHFFFAOYSA-N 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 239000011325 microbead Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- UZLYXNNZYFBAQO-UHFFFAOYSA-N oxygen(2-);ytterbium(3+) Chemical compound [O-2].[O-2].[O-2].[Yb+3].[Yb+3] UZLYXNNZYFBAQO-UHFFFAOYSA-N 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000010979 ruby Substances 0.000 description 2
- 229910001750 ruby Inorganic materials 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910052712 strontium Inorganic materials 0.000 description 2
- CIOAGBVUUVVLOB-UHFFFAOYSA-N strontium atom Chemical compound [Sr] CIOAGBVUUVVLOB-UHFFFAOYSA-N 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- HGCGQDMQKGRJNO-UHFFFAOYSA-N xenon monochloride Chemical compound [Xe]Cl HGCGQDMQKGRJNO-UHFFFAOYSA-N 0.000 description 2
- NAWDYIZEMPQZHO-UHFFFAOYSA-N ytterbium Chemical compound [Yb] NAWDYIZEMPQZHO-UHFFFAOYSA-N 0.000 description 2
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 description 1
- 101000694017 Homo sapiens Sodium channel protein type 5 subunit alpha Proteins 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 240000007313 Tilia cordata Species 0.000 description 1
- 210000001766 X chromosome Anatomy 0.000 description 1
- 210000002593 Y chromosome Anatomy 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000003975 animal breeding Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000004163 cytometry Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229910052805 deuterium Inorganic materials 0.000 description 1
- 238000003745 diagnosis Methods 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
- 238000005315 distribution function Methods 0.000 description 1
- 239000003937 drug carrier Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000023597 hemostasis Effects 0.000 description 1
- 239000008241 heterogeneous mixture Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- -1 molecules Substances 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052594 sapphire Inorganic materials 0.000 description 1
- 239000010980 sapphire Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01N15/1404—Handling flow, e.g. hydrodynamic focusing
-
- 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
- G01N15/1434—Optical arrangements
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/06—Simulation on general purpose computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
-
- 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
- G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties
-
- 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
- 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
- G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
-
- 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
- G01N2015/1477—Multiparameters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Dispersion Chemistry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
非参数变换(例如t‑分布随机近邻嵌入(tSNE))可用于分析多参数数据,例如源自流式细胞术或其他颗粒分析系统及方法的数据。本发明可以包括这些变换,以用于降维和亚群识别(例如设门)。从本质上讲,非参数变换在未基于所述整个数据集(包括新观测值)训练新变换的情况下无法变换所述新观测值。所述功能利用神经网络使非参数变换参数化,从而允许采用非参数技术变换小型训练数据集。所述训练数据集之后可用于生成准确的参数模型,以便采用与所述初始事件一致的方式评估其他事件。
Description
相关专利申请的交叉引用
根据《美国法典》第35章第119节(e)的规定,本专利申请案主张于2018年8月30日提交的编号为62/724,834的美国临时专利申请案提交日期的优先权;该专利中的内容以引用方式并入本文中。
技术领域
本发明通常涉及自动颗粒评估技术领域,更具体而言,涉及样品分析和颗粒表征方法。
背景技术
颗粒分析仪(例如,流式细胞仪和扫描式细胞仪)是一种分析工具,其可基于光散射和荧光等电光测量值来表征颗粒。在流式细胞仪中,例如,流体悬浮液中的颗粒(例如分子、与分析物结合的微珠或个别细胞)通过检测区域,在所述区域内,所述颗粒暴露于通常来自一个或更多个激光器的激发光中,并且测定所述颗粒的光散射和荧光特性。颗粒或其组分通常用荧光染料标记以便进行检测。各种不同的颗粒或组分可以通过用光谱特性不同的荧光染料标记来同时加以检测。在一些实施方案中,所述分析仪包括多个光电检测器,一个适用于待测定的每个散射参数,一个或更多个适用于待检测的每种不同染料。例如,一些实施例包括光谱结构,其中针对每种染料使用一个以上的传感器或检测器。所获得的数据包含针对所述光散射检测器和所述荧光发射中的每一项测得的所述信号。
颗粒分析仪可以进一步包含用于记录所测得的数据并分析所述数据的装置。例如,可以使用与所述检测电子器件连接的计算机来进行数据存储和分析。例如,所述数据可以列表形式存储,其中每一行对应于一颗颗粒的数据,而所述列对应于每项被测特征。使用标准文件格式(例如,“FCS”文件格式)存储来自颗粒分析仪的数据有助于采用单独的程序和/或机器分析数据。采用当前分析方法时,所述数据通常以一维直方图或二维(2D)图的形式展示,以便于可视化,但也可采用其他方法来使多维数据可视化。
例如,使用流式细胞仪测定的参数通常包括所述颗粒在激发波长下以狭角主要沿前向散射的光(被称为前向散射(FSC));所述颗粒沿与所述激发激光器正交的方向散射的所述激发光(被称为侧向散射(SSC));以及由一个或更多个检测器(用于在一定光谱波长范围内测量信号)中的荧光分子发射出的光,或者由主要在所述特定检测器或检测器阵列中检测到的荧光染料发射出的光。不同的细胞类型可以通过用荧光染料标记的抗体或其他荧光探针标记各种细胞蛋白或其他组分而得到/产生的光散射特性和荧光发射加以识别。
流式细胞仪和扫描式细胞仪均可从诸如BD Biosciences(加利福尼亚州圣何塞)等处购得。流式细胞术的相关描述请见以下出版物,例如,Landy等人(编),临床流式细胞术,纽约科学院年鉴,第677卷(1993年);Bauer等人(编),临床流式细胞术:原理与应用,Williams&Wilkins(1993年);Ormerod(编),流式细胞术:实用方法,牛津大学出版社(1994年);Jaroszeski等人(编),流式细胞术方案,Methods in Molecular Biology,第91期,Humana Press(1997年);以及Shapiro,实用流式细胞术,第4版,Wiley-Liss(2003年);所述出版物中的所有内容以引用方式并入本文。荧光成像显微镜检查的相关描述请见以下出版物,例如,Pawley(编),生物共聚焦显微镜检查手册,第2版,Plenum Press(1989年),其以引用方式并入本文。
利用多色流式细胞术进行细胞(或其他颗粒)分析所获得的数据是多维的,其中每个细胞对应于由所述被测参数定义的多维空间中的一个点。细胞群或颗粒群被识别为所述数据空间中的点的聚类。可以通过在所述数据的一张或更多张二维图(被称为“散点图”或“点阵图”)中显示的某一群体周围绘制门来手动识别群集和群体。或者,可以自动识别群集,而且可以自动确定定义所述群体界限的门。用于自动设门的方法示例请见以下出版物,例如,编号如下的美国专利:4,845,653;5,627,040;5,739,000;5,795,727;5,962,238;6,014,904;6,944,338;以及第2012/0245889号美国专利公开出版物,上述各出版物均以引用方式并入本文。
流式细胞术是用于分析和分离生物颗粒(例如,细胞和组成分子)的有效方法,因此,它广泛应用于诊断和治疗中。所述方法利用流体介质线性分离颗粒,使所述颗粒可以排成一排,以通过检测装置。个别细胞可以根据其在流体介质中的位置以及是否存在可检测标记物来区分。因此,流式细胞仪可用于表征和生成生物颗粒群的诊断配置文件。
生物颗粒的分离已通过使流式细胞仪具有分选或收集功能而实现。经检测具有一种或更多种所需特征的分离流中的颗粒通过机械或电气分离方式从所述样品流中单独分离出来。这种流式分选方法已用于分选不同类型的细胞,分离含有X和Y染色体的精子以进行动物育种,分选染色体以进行遗传分析,以及从复杂的生物种群中分离出特定的生物体。
设门用于帮助理解可能由样品生成的大量数据并对其进行分类。鉴于给定样品所呈现出的大量数据,需要有效控制所述数据的图形显示。
荧光激活颗粒分选或细胞分选是专用的流式细胞术。它提供了将颗粒异质混合物分选至一个或更多个容器中的方法,所述方法基于各细胞的特定光散射和荧光特性实施,每次分选一种细胞。它记录来自个体细胞的荧光信号,并在物理上分离特定目的细胞。缩略词FACS是Becton Dickinson的商标且归Becton Dickinson所有,可用于指代执行荧光激活颗粒分选或细胞分选的设备。
所述颗粒悬浮液置于狭窄、快速流动的液流中心附近。所述流的安置使得平均而言,在颗粒随机抵达(泊松过程)所述检测区域时,相对于其直径,颗粒之间存在较大的间隔。振动机制使流出的流体介质稳定破碎成单一液滴,所述液滴中含有先前在所述检测区域中表征的颗粒。通常对所述系统进行调整,使液滴中存在一颗以上颗粒的概率偏低。如果将颗粒归类为待收集,则在一段时间内,向所述流动池和流出流中施加电荷,以形成一滴或更多滴液滴并与所述流脱离。而后,这些带电液滴穿过静电偏转系统,所述系统依据向所述液滴施加的电荷,将液滴转移至目标容器中。
样品可能包括(即使没有数百万也有)数千个细胞。可以对细胞进行分选以使样品纯化为目的细胞。所述分选过程通常可以识别出三种细胞:目的细胞、非目的细胞和无法识别的细胞。为了分选出具有高纯度的细胞(例如,高浓度的目的细胞),如果所需细胞与另一不合需求的细胞过于接近,则生成液滴的细胞分选仪通常会以电子方式中止所述分选,从而减少因无意间使含有目的颗粒的液滴内包括不合需求的颗粒而对已分选群体造成的污染。
发明内容
在一创新方面,提供了在一台或更多台处理设备控制下执行的计算机实现的方法。所述方法包括从颗粒分析仪接收与实验相关的第一部分颗粒的测量值。所述方法包括利用非参数变换将所述测量值转换为初始变换后测量值。所述方法包括生成参数模型,以接收与所述实验相关的所述第一部分颗粒的所述测量值作为输入,并生成所述初始变换后测量值作为输出。所述方法还包括配置所述颗粒分析仪。所述颗粒分析仪被配置成至少部分基于所述参数模型转换包括在第二部分所述颗粒中的颗粒的测量值,并且至少部分基于所述测量值和分选标准对所述颗粒进行分类。
所述方法的一些实施方案包括接收门信息,所述门信息识别非参数空间中用于对所述颗粒进行分类的测量值范围,其中,所述分选标准包含所述门信息。
所述方法的一些实施方案包括将所述参数模型传输至所述颗粒分析仪,并且使所述颗粒分析仪至少部分基于所述参数模型和所述分选标准来配置分选电路。例如,所述分选电路可以现场可编程门阵列的形式实现。
接收自所述颗粒分析仪的所述测量值可以包括所述第一部分颗粒以荧光形式发射的光的测量值。所述第一部分颗粒以荧光形式发射的光可以包括与所述第一部分颗粒结合的抗体以荧光形式发射的光。
所述方法的一些实施方案可以包括选择颗粒的测量值和初始变换后测量值,并且至少部分基于以下各项生成综合测量值对:(i)所述颗粒的测量值,(ii)所述颗粒的初始变换后测量值;以及(iii)噪声值,其中所述综合测量值对包括综合测量值和综合变换后测量值。所述参数模型可以进一步接收所述综合测量值作为输入,并生成所述综合变换后测量值作为输出。在一些实施方案中,所述方法还可以包括接收门信息,所述门信息识别用于对所述颗粒进行分类的测量值范围。例如,所述颗粒可以至少部分基于与所述测量值范围相对应的所述测量值来进行选择。
所述方法的一些实施方案可以包括接收来自所述颗粒分析仪的硬件标识符,所述硬件标识符指示在所述颗粒分析仪中实现的分选电路,并且包括至少部分基于所述硬件标识符来确定所述参数模型的架构,其中所述参数模型的所述架构可应用于所述分选电路。在此类实施方案中,生成所述参数模型可以包括生成与所述架构相符的所述参数模型。例如,所述参数模型可以包括神经网络,并且其中所述架构识别所述神经网络的层数以及每层的节点数。
在其中所述参数模型包括神经网络的实施方案中,生成所述参数模型可以包括将初始权重分配给所述参数模型的第一层中的第一节点与第二层的所述参数模型的第二层中的第二节点之间的连接;生成适用于颗粒测量值的输出;将所述输出与所述颗粒的所述变换后测量值进行比较;以及至少部分基于所述输出与所述变换后测量值之间的差值来调整所述初始权重,其中所述颗粒的后续差值在调整所述初始权重后小于所述差值。
在另一创新方面,提供了包括一台或更多台处理设备以及计算机可读存储介质(包含指令)的系统。所述指令由所述一台或更多台处理设备执行时,会使所述系统从颗粒分析仪接收与实验相关的第一部分颗粒的测量值;利用非参数变换将所述测量值转换为初始变换后测量值;生成参数模型,以接收与所述实验相关的所述第一部分颗粒的原始测量值作为输入,并生成所述初始变换后测量值作为输出;以及配置所述颗粒分析仪。所述颗粒分析仪被配置成至少部分基于所述参数模型转换包括在第二部分所述颗粒中的颗粒的测量值;生成控制信号,以调整包括在所述颗粒分析仪中的分析装置的运行状态;以及将所述控制信号传输至所述分析装置,以实现所述运行状态。
在一些实施方案中,所述分析装置可以包括与偏转板以通信方式耦合的分选电子器件。所述颗粒分析仪可以进一步被配置成至少部分基于与所述目标容器相关联的分选标准相对应的所述转换后测量值来识别适用于颗粒的目标容器。调整所述运行状态可以包括通过所述偏转板施加电荷,以将所述颗粒引导至目标容器中。在一些实施方案中,所述分析装置可以包括射流系统,并且调整所述运行状态包含调节所述实验期间所施加的压力。
附图说明
图1展示了用于分析和显示生物事件的变换控制系统的一示例的功能框图。
图2A是根据本文所示的一实施例所述的颗粒分选仪系统的示意图。
图2B是根据本文所示的一实施例所述的颗粒分选仪系统200的示意图
图3展示了用于基于计算的样品分析和颗粒表征的颗粒分析系统的功能框图。
图4是展示了用于动态变换事件数据的示例系统的简图。
图5是展示了利用参数机器学习变换来动态变换事件数据的示例系统的简图。
图6是描绘了适用于多维事件数据的参数机器学习变换方法的示例的过程流程图。
图7是描绘了利用参数机器学习变换进行样品分选的方法的示例的过程流程图。
具体实施方式
在更加详细地描述本发明之前,应当理解,本发明不限于所描述的特定实施例,因为在实际实施中一定会存在差异。还应当理解,本文中使用的术语仅用于描述特定实施例,而无意限制本发明构思,本发明的范围将仅由所附权利要求书限定。
在提供数值范围的情况下,应当理解,该范围的上限和下限之间的每个中间值以及在该范围内的任何其他规定值或中间值都包含在本发明的范围内。除非上下文另有明确规定,否则每个中间值应低至下限单位的十分之一。这些较小范围的上限和下限可独立地包括在较小范围内,并且也包括在本发明内,需遵守所述范围内任何特别排除的限值的要求。在所述范围包括一个或两个限值的条件下,排除了那些所包括限值中的任一个或两个的范围也包括在本发明内。
本文中提出的某些范围在数值前带有术语“大约”。本文中使用术语“大约”的目的是为其后的精确数字以及与该术语之后数字接近或近似的数字提供文字支持。在确定某一数字是否接近或近似于具体列举的数字时,接近或近似的未列举数字在其出现的上下文中可以是基本上等同于所具体列举数字的数字。
除非另有定义,否则本文所用的所有技术和科学术语的含义与本发明所属领域的普通技术人员通常理解的含义相同。尽管与本文所描述的方法和材料类似或等同的方法和材料也可用于本发明的实施或测试中,但下文描述了具有代表性的示例性方法和材料。
在本说明书中引用的所有出版物和专利通过引用方式并入本文中,犹如每一单独出版物或专利被具体地和单独地表明通过引用方式并入,且通过引用并入本文的目的是公开和描述与引用的出版物相关的方法和/或材料。任何出版物的引用均是针对其在申请日之前公开的内容,并且不应将其解释为承认由于之前的发明使得本发明无权早于此类出版物。此外,所提供的出版日期可能与实际出版日期不同,可能需要单独确认。
需要注意的是,如本文和所附权利要求书中所使用的,单数形式的“一”、“一个”和“所述/该”包括复数指代对象,除非上下文另有明确说明。还应注意,可以起草权利要求以排除任何可选要素。因此,该陈述旨在作为使用诸如“单独”、“仅”等与陈述权利要求要素有关的专用术语或使用“否定”限制的前置基础。
在阅读本发明后,以下内容对所属领域的技术人员来说是显而易见的,本专利所描述和列出的每个单独的实施例都具有分层的组分和特征,这些组分和特征可在不脱离本发明的范围和精神的情况下与其他几个实施例中任一实施例的特征进行快速分解或合并。可按陈述的事件顺序或逻辑上可能的任何其它顺序对任何陈述的方法进行实施。
尽管为了语法的流畅性已经或将要描述该设备和方法,并进行功能上的说明,但应明确理解,除非《美国法典》第35章有明确规定,否则任何情况下都不得将权利要求解释为必须受“方式”或“步骤”的限制,而应按照等效物的司法原则与权利要求中所述定义的含义和等效物的完整范围相符,当明确按照《美国法典》第35章第112节的规定编写权利要求时,权利要求应与《美国法典》第35章第112节中的法定等效物完全相符。
非参数变换(例如t-分布随机近邻嵌入(tSNE))可用于分析多参数数据,例如源自流式细胞术或其他颗粒分析系统及方法的数据。本发明可以包括这些变换,以用于降维和亚群识别(例如设门)。从本质上讲,非参数变换在未基于所述整个数据集(包括新观测值)训练新变换的情况下无法变换所述新观测值。这对基于计算的颗粒分析以及基于此类分析的样品处理(例如,分选、仪器控制等)提出了重大挑战。所述功能利用神经网络(例如,人工神经网络或经训练近似所述非参数变换的其他计算模型)使非参数变换参数化,从而允许采用非参数技术变换小型训练数据集,同时允许利用所述小型训练数据集生成准确的参数模型,以便采用与所述初始事件一致的方式评估其他事件。
在一些实施方案中,小型训练数据集利用诸如tSNE等非参数变换进行变换(例如,数以万计的示例)。可以用所述小型训练数据集合成大型训练数据集。例如,从所述小型训练数据集中随机抽取已变换/未变换对,并将随机噪声添加至所述变换后和未变换数据中。所述随机抽取可以随意加权,例如按照密度、目的群体或均匀权重加权。所添加的噪声可以基于概率分布,包括均匀分布、高斯分布或泊松分布。
所得的大型训练数据集用于训练神经网络,以执行由所述非参数变换(其在所述小型训练数据集上执行)所产生的变换。所述神经网络可以具有多种架构,同时具有任意层数,一层中可以具有任意数量的神经元,并且所连接的神经元之间可以采用任何激活函数。但是,为了便于将所述神经网络转化为包括在分析仪器中的所述分选电子器件的配置,可以将所述网络训练限制为可以转化为所述目标分析仪器的架构。例如,所述神经网络可以由进入层(其节点数等于所述未变换数据的维度)、四个完全连接的修正线性单元(re-lu)激活层(每层有30个节点)以及输出层(具有两个节点,线性激活)构成。可以使用多种误差函数(例如,均方误差、Kullback-Leibler散度)和优化程序(例如,Adadelta、RMSProp)进行训练。
训练后,所述神经网络近似最初用于变换所述小型训练数据集的变换。因此,所述神经网络表示由所述原始、未变换数据所占据的空间与由所述变换后数据所占据的空间之间的变换。因此,所述神经网络可以通过将新数据馈送至所述进入层并收集所述输出层中所得的变换后数据来变换新观测值。然后,可将所述输出数据用于下游应用中,例如细胞分选决策。
所述功能相对于现有颗粒分析系统(例如包括非参数变换的系统)发生了重大改进。非参数变换通常用于分析多参数数据,例如流式细胞术数据。例如,tSNE用于对流式细胞术数据进行降维处理,以使细胞亚群可视化。非参数变换的基础性限制是,一经训练,便无法用于变换新观测值。因此,引入新数据需要重新执行整个变换,这通常会导致出现截然不同的变换。因此,非参数变换在需要分析新观测值(例如FACS)的领域中效用有限。所述功能通过非参数变换克服了这些限制条件。
使非参数变换参数化的其他方式依赖于大型训练集(例如,约100,000个或更多个数据点)。本文所述的技术利用小型训练集(可用于合成具有足够规模的代表性数据集)来训练机器学习模型,所述模型利用参数化变化产生准确的结果。这为用户节省了时间和材料,并且与评估生物学样品时常见的样本量更加兼容。例如,典型的流式细胞术设置实验通常包含数以万计的数据点。这些数据点的数量可能太少,无法训练出准确的神经网络。要求用户收集成数十万至数百万个数据点较为耗时,并且需要大量样品,而这通常比较昂贵且难以获取。
使非参数变换参数化的另外的其他方式还依赖于具有许多层和许多节点的大型复杂神经网络。这些大型网络的评估计算量巨大,因此对于低延迟应用(例如在处理资源有限的分选电子器件上进行细胞分选),无法在足够短的计算时间内实现上述操作。本文所述的技术利用了数量相对较少的层和节点,以便可以在诸如现场可编程门阵列(FPGA)等资源高效利用的分选电子器件上满足低延迟实现的要求。
在流分选的情况下,所述功能允许收集类似于当前用于确立所述分选设门策略的数据集的小型数据集。然后,可以对所述小型数据集执行非参数变换。例如,可以执行tSNE来降低所述数据的维度。然后,所述系统可以接收使用tSNE变换后数据指定的门。而后,将所述tSNE前数据和tSNE后数据用于训练神经网络,所述神经网络学习所述原始数据空间与所述降维空间之间的变换。然后,所述训练后的神经网络可被编程至FPGA中,并用于对细胞(或其他颗粒)进行分选,以进行实际分选实验。在先前的实施方案中,无法基于使用非参数变换进行变换的数据进行分选。
在一些实施例中,所述变换模型包括动态算法,例如机器学习算法。依照常规含义,本文中使用的术语“机器学习”是指通过计算方法对编程进行的调整,这些计算方法直接利用数据确定并实施信息,而无需依赖于预定的方程式作为模型。在某些实施例中,机器学习包括学习算法,所述算法在数据信号(例如,来自流式细胞术样品中的多种颗粒)中寻找模式。在这些实施例中,所述学习算法被配置成根据数据信号的数量生成更好、更准确的决策和预测(即,随着来自所述样品的表征颗粒数量增加,所述学习算法变得更加稳健)。目的机器学习方案可以包括但不限于人工神经网络、决策树学习、决策树预测建模、支持向量机、贝叶斯网络、动态贝叶斯网络、遗传算法以及其他机器学习方案。
神经网络或神经网络模型可以概念化为节点网络。所述节点可以被组织成层,其中所述第一层是数据流入的输入层。所述神经网络还可以包括输出层,其中变换后数据由此流出。每个单独的节点可以具有多个输入和单个输出(例如,输入层节点仅具有单个输入)。节点的输出表示输入的线性组合。换句话说,输入可以乘以相关常数。所述乘积可以沿具有恒定偏置量的节点的路径累积。所述恒定偏置量或“偏差”可以表示可在所述训练过程中进行调整的另一自由度。例如,对于基于re-lu的神经网络模型,所述恒定偏置量可以是阈值,因为它具有使节点值降低至零以下的能力,从而使所述激活函数输出零。
所得值使用激活函数进行评估,并且将所得值用作所述节点的输出。所述神经网络中给定层中的节点与相邻层中的每个节点连接。神经网络可以通过以下方式进行训练:利用梯度下降算法和误差函数来比较所述网络的期望输出与所述网络的实际输出,从而最大限度地减少所述网络的误差。可以调整一个或更多个节点的权重,以对所述网络产生的期望结果进行建模。
通常情况下,神经网络需要大量数据进行训练。在本文中,可以通过自举(基于所述小型数据集生成合成数据)来用小型数据集进行训练。依照常规含义,本文中使用的术语“自举”是指生成具有比原始数据集更大的数据量的一个或更多个附加数据集,例如生成具有比所述原始数据集多出10个数据点或更多(例如100个数据点或更多、1000个数据点或更多、10000个数据点或更多、100,000个数据点或更多,并且包括1,000,000个数据点或更多)的数据集。在一些情况下,所生成的数据集包括的数据点相较于所述原始数据集增加了2倍或更多,例如3倍或更多、5倍或更多、10倍或更多、25倍或更多、50倍或更多、100倍或更多,并且包括1000倍或更多。在某些实施例中,自举包括随机可置换抽样。在某些实施例中,自举包括通过测量从近似分布(例如,经验分布函数)中采样时的特性来估计估计函数的特性(例如,通过方差)。根据某些实施例的自举可以包括将来自所述流式细胞仪的数据与所述流式细胞仪产生的噪声分量(例如来自所述激光组件或检测系统的振动以及来自所述光电检测器的噪声)结合使用。
仔细选择神经网络架构,以最大限度地减少每层节点数及层数,从而允许在计算硬件(例如FPGA)中实现神经网络。另外,选择与FPGA兼容的激活函数能够进一步促进所述网络的硬件实现。硬件实现对于所述数据变换(对于细胞分选应用而言,具有足够低的等待时间)至关重要。
本文中使用的下文具体阐述的术语具有以下定义。除非本部分另有定义,否则本文中使用的所有术语的含义与本发明所属领域的普通技术人员通常理解的含义相同。
本文中使用的“系统”、“仪器”、“装置”和“设备”通常涵盖硬件(例如,机械和电子硬件),而且在一些实施方案中,也涵盖相关软件(例如,用于图形控制的专用计算机程序)组件。
本文中使用的“事件”或“事件数据”通常是指从单种颗粒(例如,细胞或合成颗粒)中测得的数据包。通常情况下,从单种颗粒中测得的数据包括许多参数,包括一个或更多个光散射参数,以及至少一个利用从所述颗粒中检测到的荧光所得到的参数或特征,例如,所述荧光强度。因此,每个事件均被表示为测量值和特征向量,其中每个被测参数或特征对应于数据空间的一个维度。在一些实施例中,从单种颗粒中测得的数据包括图像、电气数据、时间数据或声学数据。事件可与实验、测定或样品来源(可以通过测量数据来识别)相关联。
本文中使用的颗粒“群体”或“亚群”(例如,细胞或其他颗粒)通常是指相对于一个或更多个被测参数具有特性(例如,光学、阻抗或时间特性)的一组颗粒,其使得被测参数数据在数据空间中形成聚类。因此,群体被识别为数据中的聚类。相反,虽然通常也观测到了对应于噪点或背景的聚类,但每个数据聚类通常被解释为对应于特定类型的细胞或颗粒群。可以在所述维度的子集(例如,相对于被测参数的子集)中定义聚类,其对应于仅在被测参数或特征(提取自所述细胞或颗粒测量值)的子集中有所不同的群体。
本文中使用的“门”通常是指识别目的数据子集的分类器边界。在细胞计量中,门可能与一组特定目的事件相关联。本文中使用的“设门”通常是指针对给定数据集,利用定义门对所述数据进行分类的过程,其中所述门可以是一个或更多个与布尔逻辑相结合的目的区域。
本文中使用的“事件”通常是指从单种颗粒(例如,细胞或合成颗粒)中测得的数据的组装包。通常情况下,从单种颗粒中测得的数据包括许多参数或特征,包括一个或更多个光散射参数或特征,以及至少一个由所测得的荧光得出的其他参数或特征。因此,每个事件均被表示为参数和特征测量值向量,其中每个被测参数或特征对应于数据空间的一个维度。
本发明的方面还包括具有光检测系统的系统,以表征流体介质内的样品中的颗粒(例如,生物学样品中的细胞)。根据某些实施例的系统包括:被配置成辐照流体介质中的样品(具有颗粒)的光源;包含光电检测器的光检测系统,所述光电检测器被配置成利用从所述流体介质内的颗粒中检测到的光来生成数据信号;以及处理器,所述处理器具有与其本身可操作地耦合的存储器,其中所述存储器具有存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器执行以下操作:将非参数变换应用于来自所述光检测系统的第一组数据信号,以生成第一变换后数据集;利用所述第一变换后数据集生成第二变换后数据集;利用所述第二变换后数据集生成变换模型;以及将所述变换模型应用于来自所述光检测系统的第二组数据信号。
目的系统包括被配置成辐照流体介质中的样品的光源。在实施例中,所述光源可以是任何合适的宽带或窄带光源。根据所述样品中的组分(例如,细胞、微珠、非细胞颗粒等),所述光源可被配置成发射不同波长的光,其波长范围为200nm至1500nm,例如,250nm至1250、300nm至1000nm、350nm至900nm,包括400nm至800nm。例如,所述光源可能包括发射的光的波长范围为200nm至900nm的宽带光源。在其他情况下,所述光源包括发射的光的波长范围为200nm至900nm的窄带光源。例如,所述光源可以是发射的光的波长范围为200nm至900nm的窄带LED(1nm–25nm)。
在一些实施例中,所述光源是激光器。目的激光器可以包括脉冲激光器或连续波激光器。例如,所述激光器可以是气体激光器,例如,氦氖激光器、氩激光器、氪激光器、氙激光器、氮激光器、CO2激光器、CO激光器、氟化氩(ArF)准分子激光器、氟化氪(KrF)准分子激光器、氯化氙(XeCl)准分子激光器或氟化氙(XeF)准分子激光器或其组合;或是金属蒸气激光器,例如,氦镉(HeCd)激光器、氦汞(HeHg)激光器、氦硒(HeSe)激光器、氦银(HeAg)激光器、锶激光器、氖铜(NeCu)激光器、铜激光器或金激光器及其组合;或是固态激光器,例如,红宝石激光器、Nd:YAG激光器、NdCrYAG激光器、Er:YAG激光器、Nd:YLF激光器、Nd:YVO4激光器、Nd:YCa4O(BO3)3激光器、Nd:YCOB激光器、钛蓝宝石激光器、thulim YAG激光器、YAG镱激光器、三氧化二镱激光器或掺铈激光器及其组合;亦或是半导体二极管激光器、光泵浦半导体激光器(OPSL)或上述任一种激光器的二倍频或三倍频实施方案。
在其他实施例中,所述光源是非激光光源,例如,灯(包括但不限于卤素灯、氘弧灯、氙弧灯)、发光二极管(例如,具有连续光谱的宽带LED、超辐射发光二极管、半导体发光二极管、宽光谱LED白色光源、多颗LED集成光源)。在某些情况下,所述非激光光源是稳定的光纤耦合宽带光源、白色光源及其他光源或其任意组合。
在某些实施例中,所述光源是被配置成生成两束或更多束频移光的光束发生器。在一些情况下,所述光束发生器包括激光器和射频发生器,所述射频发生器被配置成向声光器件施加射频驱动信号,以生成两束或更多束角度偏转激光束。在这些实施例中,所述激光器可以是脉冲激光器或连续波激光器。例如,目的光束发生器中的激光器可以是气体激光器,例如,氦氖激光器、氩激光器、氪激光器、氙激光器、氮激光器、CO2激光器、CO激光器、氟化氩(ArF)准分子激光器、氟化氪(KrF)准分子激光器、氯化氙(XeCl)准分子激光器或氟化氙(XeF)准分子激光器或其组合;或是金属蒸气激光器,例如,氦镉(HeCd)激光器、氦汞(HeHg)激光器、氦硒(HeSe)激光器、氦银(HeAg)激光器、锶激光器、氖铜(NeCu)激光器、铜激光器或金激光器及其组合;或是固态激光器,例如,红宝石激光器、Nd:YAG激光器、NdCrYAG激光器、Er:YAG激光器、Nd:YLF激光器、Nd:YVO4激光器、Nd:YCa4O(BO3)3激光器、Nd:YCOB激光器、钛蓝宝石激光器、thulim YAG激光器、YAG镱激光器、三氧化二镱激光器或掺铈激光器及其组合。
所述声光器件可以是被配置成使用施加的声波对激光进行频移的任何合适的声光方案。在某些实施例中,声光器件是声光偏转器。目的系统中的声光器件被配置成利用来自激光器的光和所施加的射频驱动信号来生成角度偏转激光束。可以利用任何合适的射频驱动信号源向声光器件施加射频驱动信号,例如直接数字频率合成器(DDS)、任意波形发生器(AWG)或电脉冲发生器。
在实施例中,控制器被配置成向所述声光器件施加射频驱动信号,以在输出激光束中产生所需数量的角度偏转激光束,例如,被配置成施加3个或更多个射频驱动信号、4个或更多个射频驱动信号、5个或更多个射频驱动信号、6个或更多个射频驱动信号、7个或更多个射频驱动信号、8个或更多个射频驱动信号、9个或更多个射频驱动信号、10个或更多个射频驱动信号、15个或更多个射频驱动信号、25个或更多个射频驱动信号、50个或更多个射频驱动信号,包括被配置成施加100个或更多个射频驱动信号。
在一些情况下,为了得到所述输出激光束中角度偏转激光束的强度分布,所述控制器被配置成施加具有不同振幅的射频驱动信号,例如,所述振幅范围为约0.001V至约500V、约0.005V至约400V、约0.01V至约300V、约0.05V至约200V、约0.1V至约100V、约0.5V至约75V、约1V至50V、约2V至40V、3V至约30V,包括约5V至约25V。在一些实施例中,每个所施加的射频驱动信号均具有范围为约0.001MHz至约500MHz的频率,例如,约0.005MHz至约400MHz、约0.01MHz至约300MHz、约0.05MHz至约200MHz、约0.1MHz至约100MHz、约0.5MHz至约90MHz、约1MHz至约75MHz、约2MHz至约70MHz、约3MHz至约65MHz、约4MHz至约60MHz,包括约5MHz至约50MHz。
在某些实施例中,所述控制器具有处理器,所述处理器具有与其本身可操作地耦合的存储器,使得所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器产生具有角度偏转激光束(具有所需强度分布)的输出激光束。例如,所述存储器可以包括产生具有相同强度的两束或更多束角度偏转激光束的指令,例如,3束或更多、4束或更多、5束或更多、10束或更多、25束或更多、50束或更多,且包括以下存储器:即,可以包括产生具有相同强度的100束或更多束角度偏转激光束的指令的存储器。在其他实施例中,所述存储器可以包括产生具有不同强度的两束或更多束角度偏转激光束的指令,例如,3束或更多、4束或更多、5束或更多、10束或更多、25束或更多、50束或更多,且包括以下存储器:即,可以包括产生具有不同强度的100束或更多束角度偏转激光束的指令的存储器。
在某些实施例中,所述控制器具有处理器,所述处理器具有与其本身可操作地耦合的存储器,使得所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器产生输出激光束,所述输出激光束沿横轴的强度由其边缘至中心逐渐增强。在这些情况下,在所述输出光束中心测得的角度偏转激光束的强度可以是沿横轴在所述输出激光束的边缘处测得的角度偏转激光束的强度的0.1%至约99%,例如,0.5%至约95%、1%至约90%、约2%至约85%、约3%至约80%、约4%至约75%、约5%至约70%、约6%至约65%、约7%至约60%、约8%至约55%,包括为沿横轴在所述输出激光束的边缘处测得的角度偏转激光束的强度的约10%至约50%。在其他实施例中,所述控制器具有处理器,所述处理器具有与其本身可操作地耦合的存储器,使得所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器产生输出激光束,所述输出激光束的强度沿横轴由其边缘至中心逐渐增强。在这些情况下,在所述输出光束边缘处测得的角度偏转激光束的强度可以是沿横轴在所述输出激光束的中心测得的角度偏转激光束的强度的0.1%至约99%,例如,0.5%至约95%、1%至约90%、约2%至约85%、约3%至约80%、约4%至约75%、约5%至约70%、约6%至约65%、约7%至约60%、约8%至约55%,包括为沿横轴在所述输出激光束的中心测得的角度偏转激光束的强度的约10%至约50%。在其他实施例中,所述控制器具有处理器,所述处理器具有与其本身可操作地耦合的存储器,使得所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器产生输出激光束,所述输出激光束沿横轴的强度分布符合高斯分布。在某些实施例中,所述控制器具有处理器,所述处理器具有与其本身可操作地耦合的存储器,使得所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器产生输出激光束,所述输出激光束具有沿横轴的礼帽形强度分布。
在实施例中,目的光束发生器可以被配置成在输出激光束中产生在空间上分离的角度偏转激光束。根据所施加的射频驱动信号和所述输出激光束的所需辐照轮廓,所述角度偏转激光束之间的间隔可以是0.001m或更多,例如,0.005μm或更多、0.01μm或更多、0.05μm或更多、0.1μm或更多、0.5μm或更多、1μm或更多、5μm或更多、10μm或更多、100μm或更多、500μm或更多、1000μm或更多,包括5000μm或更多。在一些实施例中,系统被配置成在输出激光束中产生重叠的角度偏转激光束重叠,例如,与沿所述输出激光束的水平轴分布的相邻角度偏转激光束重叠。相邻角度偏转激光束之间的重叠部分(例如,束斑重叠)可以是重叠0.001μm或更多,例如,重叠0.005μm或更多、重叠0.01μm或更多、重叠0.05μm或更多、重叠0.1μm或更多、重叠0.5μm或更多、重叠1μm或更多、重叠5μm或更多、重叠10μm或更多,包括重叠100μm或更多。
在某些情况下,被配置成产生两束或更多束频移光的光束发生器包括以下出版物中所述的激光激发模块:第9,423,353、9,784,661和10,006,852号美国专利;以及第2017/0133857和2017/0350803号美国专利公开出版物,这些出版物中的内容以引用方式并入本文。
在实施例中,系统包括光检测系统,所述光检测系统具有用于检测及测量来自所述样品的光的明场光电检测器、光散射(前向光散射、侧向光散射)检测器和荧光检测器中的一项或更多项。目的标的明场、光散射和荧光检测器可以包括但不限于光学传感器,例如,有源像素传感器(APS)、雪崩光电二极管、图像传感器、电荷耦合装置(CCD)、增强型电荷耦合装置(ICCD)、发光二极管、光子计数器、辐射热测定器、热电检测器、光敏电阻、光伏电池、光电二极管、光电倍增管、光电晶体管、量子点光电导体或光电二极管及其组合以及其他光电检测器。在某些实施例中,采用电荷耦合装置(CCD)、半导体电荷耦合装置(CCD)、有源像素传感器(APS)、互补金属氧化物半导体(CMOS)、图像传感器或N型金属氧化物半导体(NMOS)图像传感器测量来自样品的光。在某些实施例中,所述明场光电检测器包括雪崩光电二极管(APD)。在一些情况下,所述光散射检测器是雪崩光电二极管。在某些情况下,所述荧光检测器中的一项或更多项是雪崩光电二极管。
在一些实施例中,目的光检测系统包括多个荧光检测器。在一些情况下,所述光检测系统包括多个固态检测器,例如光电二极管。在某些情况下,所述光检测系统包括荧光光电检测器阵列,例如光电二极管阵列。在这些实施例中,所述光电检测器阵列可能包括4个或更多个光电检测器,例如,10个或更多个光电检测器、25个或更多个光电检测器、50个或更多个光电检测器、100个或更多个光电检测器、250个或更多个光电检测器、500个或更多个光电检测器、750个或更多个光电检测器,包括1000个或更多个光电检测器。例如,所述检测器可以是具有4根或更多根光电二极管的光电二极管阵列,例如,10根或更多根光电二极管、25根或更多根光电二极管、50根或更多根光电二极管、100根或更多根光电二极管、250根或更多根光电二极管、500根或更多根光电二极管、750根或更多根光电二极管,包括1000根或更多根光电二极管。
所述光电检测器可以根据需要按任何几何构型布置,其中目的布置构型包括但不限于正方形构型、矩形构型、梯形构型、三角形构型、六边形构型、七边形构型、八边形构型、九边形构型、十边形构型、十二边形构型、圆形构型、椭圆形构型以及不规则图案构型。所述光电检测器阵列中的光电检测器可能以与另一个光电检测器(如X-Z平面所述)成一定角度的方式进行定向,所述角度范围为10°至180°,例如,15°至170°、20°至160°、25°至150°、30°至120°,包括45°至90°。所述光电检测器阵列可以是任何合适的形状,而且可以是直线围成的形状(例如,正方形、矩形、梯形、三角形、六边形等)、曲线围成的形状(例如,圆形、椭圆形)以及不规则形状(例如,抛物线形底部连接至平面顶部)。在某些实施例中,所述光电检测器阵列具有矩形有源表面。
所述阵列中每个光电检测器(例如,光电二极管)的有源表面宽度范围为5μm至250μm,例如,10μm至225μm、15μm至200μm、20μm至175μm、25μm至150μm、30μm至125μm,包括50μm至100μm;其长度范围为5μm至250μm,例如,10μm至225μm、15μm至200μm、20μm至175μm、25μm至150μm、30μm至125μm,包括50μm至100μm;其中所述阵列中每个光电检测器(例如,光电二极管)的表面积范围为25μm2至10000μm2,例如,50μm2至9000μm2、75μm2至8000μm2、100μm2至7000μm2、150μm2至6000μm2,包括200μm2至5000μm2。
所述光电检测器阵列的尺寸可以根据光量和光强度、光电检测器的数量和所需的灵敏度而发生变化,并且其长度范围为0.01mm至100mm,例如,0.05mm至90mm、0.1mm至80mm、0.5mm至70mm、1mm至60mm、2mm至50mm、3mm至40mm、4mm至30mm,包括5mm至25mm。所述光电检测器阵列的宽度也可能发生变化,范围为0.01mm至100mm,例如,0.05mm至90mm、0.1mm至80mm、0.5mm至70mm、1mm至60mm、2mm至50mm、3mm至40mm、4mm至30mm,包括5mm至25mm。因此,所述光电检测器阵列有源表面的表面积范围为0.1mm2至10000mm2,例如,0.5mm2至5000mm2、1mm2至1000mm2、5mm2至500mm2,包括10mm2至100mm2。
目的光电检测器被配置成测量在一种或更多种波长下收集的光,例如,2种或更多种波长、5种或更多种不同的波长、10种或更多种不同的波长、25种或更多种不同的波长、50种或更多种不同的波长、100种或更多种不同的波长、200种或更多种不同的波长、300种或更多种不同的波长,包括在400种或更多种不同的波长下测量流体介质中的样品发射的光。
在一些实施例中,光检测系统包括被配置成生成明场数据信号的明场光电检测器。所述明场光电检测器可被配置成在一种或更多种波长下检测来自所述样品的光,例如5种或更多种不同的波长、10种或更多种不同的波长、25种或更多种不同的波长、50种或更多种不同的波长、100种或更多种不同的波长、200种或更多种不同的波长、300种或更多种不同的波长,包括在400种或更多种不同的波长下检测光。所述明场光电检测器可被配置成在波长范围200nm–1200nm中的一种或更多种波长下检测光。在一些情况下,方法包括在一定波长范围内用明场光电检测器检测来自所述样品的光,例如,200nm至1200nm、300nm至1100、400nm至1000nm、500nm至900nm,包括600nm至800nm。
在某些实施例中,目的光检测系统中的所述明场光电检测器被配置成生成一个或更多个响应于所检测到的光的明场数据信号,例如2个或更多、3个或更多、4个或更多、5个或更多,并且包括10个或更多个响应于所检测到的光的明场数据信号。在所述明场光电检测器被配置成在多种光波长(例如,400nm至800nm)下检测光的情况下,方法在一些情况下可以包括生成一个或更多个响应于所检测到的光的每种波长的明场数据信号。在其他情况下,单个明场数据信号在响应于所述明场光电检测器在整个波长范围内检测到的光的情况下生成。
在一些实施例中,光检测系统包括被配置成生成光散射数据信号的光散射光电检测器。所述光散射光电检测器可被配置成在一种或更多种波长下检测来自所述样品的光,例如5种或更多种不同的波长、10种或更多种不同的波长、25种或更多种不同的波长、50种或更多种不同的波长、100种或更多种不同的波长、200种或更多种不同的波长、300种或更多种不同的波长,包括在400种或更多种不同的波长下检测光。所述光散射光电检测器可被配置成在波长范围200nm–1200nm中的一种或更多种波长下检测光。在一些情况下,方法包括在一定波长范围内用光散射光电检测器检测来自所述样品的光,例如,200nm至1200nm、300nm至1100、400nm至1000nm、500nm至900nm,包括600nm至800nm。
在某些实施例中,目的光检测系统中的所述光散射光电检测器被配置成生成一个或更多个响应于所检测到的光的光散射数据信号,例如2个或更多、3个或更多、4个或更多、5个或更多,并且包括10个或更多个响应于所检测到的光的光散射数据信号。在所述光散射光电检测器被配置成在多种光波长(例如,400nm至800nm)下检测光的情况下,方法在一些情况下可以包括生成一个或更多个响应于所检测到的光的每种波长的光散射数据信号。在其他情况下,单个光散射数据信号在响应于所述光散射光电检测器在整个波长范围内检测到的光的情况下生成。
光检测系统包括一个或更多个明场、光散射或荧光检测器,例如,2个或更多、3个或更多、4个或更多、5个或更多、6个或更多、7个或更多、8个或更多、9个或更多、10个或更多、15个或更多,包括25个或更多个检测器。在实施例中,所述检测器中的每个均被配置成生成数据信号。可以在波长范围200nm–1200nm中的一种或更多种波长下独立地用每个检测器检测来自所述样品的光。在一些情况下,一个或更多个检测器被配置成在一定波长范围内检测来自所述样品的光,例如,200nm至1200nm、300nm至1100、400nm至1000nm、500nm至900nm,包括600nm至800nm。在其他情况下,一个或更多个检测器被配置成在一种或更多种特定波长下检测光。例如,可以在450nm、518nm、519nm、561nm、578nm、605nm、607nm、625nm、650nm、660nm、667nm、670nm、668nm、695nm、710nm、723nm、780nm、785nm、647nm、617nm及其任何组合中的一种或更多种波长下检测所述荧光,具体取决于标的光检测系统中不同检测器的数量。在某些实施例中,一个或更多个检测器被配置成检测与所述样品中某些荧光团的荧光峰波长相对应的光的波长。
所述光检测系统被配置成连续地或以离散时间间隔测量光。在一些情况下,所述光检测系统中的检测器被配置成连续地测量收集的光。在其他情况下,所述光检测系统被配置成以离散时间间隔进行测量,例如,测量光的时间间隔为0.001毫秒、0.01毫秒、0.1毫秒、1毫秒、10毫秒、100毫秒,包括1000毫秒或一些其他时间间隔。
在一些实施例中,系统被配置成通过辐照流体介质中的样品(具有颗粒)生成频率编码的荧光数据。在一些实施例中,所述光源包括生成多束角度偏转激光束的光发生器组件,每束激光束具有基于所施加的射频驱动信号的幅度的强度(例如,来自与声光器件耦合的直接数字式合成器)。例如,标的系统可以包括生成2束或更多束角度偏转激光束的光发生器组件,例如,3束或更多、4束或更多、5束或更多、6束或更多、7束或更多、8束或更多、9束或更多、10束或更多,并且包括25束或更多束角度偏转激光束。在实施例中,所述角度偏转激光束中的每束均具有不同的频率,所述频率相较于所述输入激光束的频率偏移了预定的射频。
标的系统根据某些实施例被配置成生成另外彼此在空间上存在偏移的角度偏转激光束。根据所施加的射频驱动信号和所述输出激光束的所需辐照轮廓,标的系统可被配置成生成角度偏转激光束,所述激光束之间的间隔可以是0.001μm或更多,例如,0.005μm或更多、0.01μm或更多、0.05μm或更多、0.1μm或更多、0.5μm或更多、1μm或更多、5μm或更多、10μm或更多、100μm或更多、500μm或更多、1000μm或更多,包括5000μm或更多。在一些实施例中,所述角度偏转激光束重叠,例如,与沿所述输出激光束的水平轴分布的相邻角度偏转激光束重叠。相邻角度偏转激光束之间的重叠部分(例如,束斑重叠)可以是重叠0.001μm或更多,例如,重叠0.005μm或更多、重叠0.01μm或更多、重叠0.05μm或更多、重叠0.1μm或更多、重叠0.5μm或更多、重叠1μm或更多、重叠5μm或更多、重叠10μm或更多,包括重叠100μm或更多。
在一些实施例中,系统包括处理器,所述处理器具有与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器执行以下操作:通过计算所述流体介质上光的入射重叠子束的光学频率之间的差值来生成频率编码的荧光数据。在一示例中,系统包括处理器,所述处理器具有与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器计算在所述流体介质的横轴上的每个位置处的拍频。在这些实施例中,由颗粒发射的所述频率编码的荧光是与本机振荡器束的频率(fLO)和射频偏移子束的频率之间的差值相对应的拍频。例如,所述频率编码的荧光数据包括fLO–fRF偏移子束的拍频。在所述流体介质的辐照包括跨越所述流体介质的宽度(例如,整个横轴)的本机振荡器的情况下,所述频率编码的荧光数据包括与所述本机振荡器束的频率(fLO)和各射频偏移子束的频率(f1、f2、f3、f4、f5、f6等)之间的差值相对应的拍频。在这些实施例中,所述频率编码的荧光数据可以包括多个拍频,每个拍频对应于在所述流体介质的横轴上的位置。
在一些实施例中,标的系统包括用于分选所述样品中的颗粒(例如,细胞)的颗粒分选组件。在某些情况下,所述颗粒分选组件是颗粒分选模块,例如,以下出版物中所述的颗粒分选模块:于2017年3月28日提交的第2017/0299493号美国专利公开出版物;以及于2018年10月30日提交的第62/752,793号美国临时专利申请案,这些出版物中的内容以引用方式并入本文。在某些实施例中,所述颗粒分选组件包括一台或更多台液滴偏转器,例如,于2017年6月14日提交的第2018/0095022号美国专利公开出版物中所述的液滴偏转器,该出版物中的内容以引用方式并入本文。
在一些实施例中,标的系统是流式细胞术系统。合适的流式细胞术系统可以包括但不限于以下出版物中所述的系统:Ormerod(编),流式细胞术:实用方法,牛津大学出版社(1997年);Jaroszeski等人(编),流式细胞术方案,Methods in Molecular Biology第91期,Humana Press(1997年);实用流式细胞术,第三版,Wiley-Liss(1995年);Virgo等人(2012年),临床生物化学年鉴,1月;49(pt 1):17-28;Linden等人,血栓形成和止血研讨会,2004年10月;30(5):502-11;Alison等人,病理学期刊,2010年12月;222(4):335-344;和Herbig等人(2007)Crit Rev Ther Drug Carrier Syst.24(3):203-255;这些出版物中的内容以引用方式并入本文。在某些情况下,目的流式细胞术系统包括BD BiosciencesFACSCantoTM II流式细胞仪、BD AccuriTM流式细胞仪、BD Biosciences FACSCelestaTM流式细胞仪、BD Biosciences FACSLyricTM流式细胞仪、BD Biosciences FACSVerseTM流式细胞仪、BD Biosciences FACSymphonyTM流式细胞仪、BD Biosciences LSRFortessaTM流式细胞仪、BD Biosciences LSRFortessTM X-20流式细胞仪以及BD BiosciencesFACSCaliburTM细胞分选仪、BD Biosciences FACSCountTM细胞分选仪、BD BiosciencesFACSLyricTM细胞分选仪、BD Biosciences ViaTM细胞分选仪、BD Biosciences InfluxTM细胞分选仪、BD Biosciences JazzTM细胞分选仪、BD Biosciences AriaTM细胞分选仪和BDBiosciences FACSMelodyTM细胞分选仪等。
在一些实施例中,标的颗粒分选系统是流式细胞术系统,例如,以下编号的美国专利中所述的系统:10,006,852;9,952,076;9,933,341;9,784,661;9,726,527;9,453,789;9,200,334;9,097,640;9,095,494;9,092,034;8,975,595;8,753,573;8,233,146;8,140,300;7,544,326;7,201,875;7,129,505;6,821,740;6,813,017;6,809,804;6,372,506;5,700,692;5,643,796;5,627,040;5,620,842;5,602,039;这些文件中的内容以引用方式全文并入本文。
在某些情况下,标的系统是流式细胞术系统,其被配置成利用射频标记发射(FIRE)通过荧光成像对流体介质中的颗粒进行表征和成像,例如,以下出版物中所述的系统:Diebold等人,自然光子学,第7(10)卷;806-810(2013年);第9,423,353、9,784,661和10,006,852号美国专利;以及第2017/0133857和2017/0350803号美国专利公开出版物,这些出版物中的内容以引用方式并入本文。
下文进一步描述了各种实施例和系统的具体示例(可实现所述实施例和系统)。
图1展示了用于分析和显示生物事件的变换控制系统的一示例的功能框图。分析控制器190可被配置成实施用于控制生物事件图形显示的各种过程。
颗粒分析仪102可被配置成采集生物事件数据。例如,流式细胞仪可以生成流式细胞术事件数据。颗粒分析仪102可被配置成将生物事件数据提供给分析控制器190。可以在颗粒分析仪102和分析控制器190之间纳入数据通信通道。可以经由所述数据通信通道将所述生物事件数据提供给分析控制器190。
分析控制器190可被配置成接收来自颗粒分析仪102的生物事件数据。接收自颗粒分析仪102的生物事件数据可以包括流式细胞术事件数据。分析控制器190可被配置成向显示设备106提供包括生物事件数据第一图的图形显示。分析控制器190可进一步被配置成围绕由显示设备106所示的多个生物事件数据渲染作为门的目的区域,其覆盖在第一图上。在一些实施例中,所述门可以是在单参数直方图或双变量图上绘制的一个或更多个目的图形区域的逻辑组合。
分析控制器190可进一步被配置成以不同于门外生物事件数据中其他事件的方式在门内的显示设备106上显示生物事件数据。例如,分析控制器190可被配置成使门内含有的生物事件数据的颜色与门外的生物事件数据的颜色不同。显示设备106可以显示器、平板计算机、智能电话或被配置成展示图形界面的其他电子设备的形式实现。
分析控制器190可被配置成接收来自第一输入设备的识别所述门的门选择信号。例如,所述第一输入设备可以鼠标110的形式实现。鼠标110可以向分析控制器190发出门选择信号,以确定待在显示设备106上显示或经由显示设备106操纵的门(例如,当光标位于此处时,在所需门上或内单击)。在一些实施方案中,第一设备可以键盘108或用于向分析控制器190提供输入信号的其他装置(例如触摸屏、触控笔、光学检测器或语音识别系统)的形式实现。某些输入设备可能包括多种输入功能。在此等实施方案中,所述输入功能可以各自地被视为是输入设备。例如,如图1所示,鼠标110可以包括鼠标右键和鼠标左键,其均可产生触发事件。
所述触发事件可以促使分析控制器190改变显示数据的方式(在显示设备106上实际显示部分数据),或提供输入以作进一步处理,例如选择目的群体进行颗粒分选。
在一些实施例中,分析控制器190可被配置成检测鼠标110启动门选择的时间。分析控制器190可进一步被配置成自动修改图可视化,以便促进所述设门过程。所述修改可以基于由分析控制器190接收的生物事件数据的特定分布进行。
分析控制器190可与存储设备104连接。存储设备104可被配置成接收和存储来自分析控制器190的生物事件数据。存储设备104还可被配置成接收和存储来自分析控制器190的流式细胞术事件数据。存储设备104还可被配置成允许分析控制器190检索生物事件数据,例如,流式细胞术事件数据。
显示设备106可被配置成接收来自分析控制器190的显示数据。所述显示数据可以包含生物事件数据图和概述所述图部分的门。显示设备106可进一步被配置成根据接收自分析控制器190的输入以及接收自颗粒分析仪102、存储设备104、键盘108和/或鼠标110的输入来改变所展示的信息。
常用流式分选技术(被称为“静电细胞分选”)采用液滴分选,其中使含有线性分离颗粒的流或移动液柱破碎成液滴,且使含有目的颗粒的液滴带电并通过电场偏转至收集管中。当前的液滴分选系统能够在通过直径小于100微米的喷嘴的流体介质中以100,000滴/秒的速率形成液滴。液滴分选通常要求液滴在与喷嘴头相距一定距离处与所述流脱离。所述距离通常距离喷嘴头约几毫米,而且对于不受干扰的流体介质,所述距离是稳定的,且可以通过以预先确定的频率以及使所述脱离保持恒定的振幅振荡喷嘴头来维持。例如,在一些实施例中,在给定频率下调整正弦波形电压脉冲的振幅,使所述脱离保持稳定和恒定。
通常情况下,所述流中的线性分离颗粒的特征在于它们会通过位于流动池或比色皿内或喷嘴头正下方的观测点。一旦确定颗粒满足一项或更多项所需标准,便可以预测其到达液滴破碎点并以液滴形式与所述流脱离的时间。理想情况下,在含有选定颗粒的液滴与所述流脱离之前,先对所述流体介质施加短暂的电荷,然后在液滴破碎后使其立即接地。待分选的液滴在与所述流体介质脱离时会保持带电状态,而所有其他液滴则不带电。所述带电液滴在电场作用下侧向偏离其他液滴的下行轨迹,并被收集在样品管中。所述不带电的液滴直接落入排放管。
图2A是根据本文所示的一实施例所述的颗粒分选仪系统的示意图。图2A所示的颗粒分选仪系统250包括偏转板252和254。电荷通过倒钩256中的流充电线施加。这产生了用于分析的颗粒流260。所述颗粒可以用一个或更多个光源(例如,激光)照射,以产生光散射并生成荧光信息。所述颗粒信息通过诸如分选电子器件或其他检测系统(图2A中未示出)来进行分析。可以独立地控制偏转板252和254来吸引或排斥所述带电液滴,以将所述液滴引导至目的地收集容器中(例如,272、274、276或278中的其中一项)。如图2A所示,可以控制偏转板,以沿着第一路径262朝向容器274或沿着第二路径268朝向容器278引导颗粒。如果所述颗粒并非目的颗粒(例如,在指定的分选范围内,不显示散射或照射信息),则偏转板可使所述颗粒沿着流路264继续流动。此类不带电液滴可以经由诸如抽吸器270进入废弃物容器。
可以包括所述分选电子器件,以开始收集测量值,接收颗粒的荧光信号,并确定如何调整所述偏转板以分选所述颗粒。图2A中所示的实施例的示例实施方案包括由位于加利福尼亚州圣何塞的Becton,Dickinson and Company市售的BD FACSAriaTM系列流式细胞仪。
图2B是根据本文所示的一实施例所述的颗粒分选仪系统200的示意图。在一些实施例中,颗粒分选仪系统200是细胞分选仪系统。如图2B所示,液滴形成传感器202(例如,压电振荡器)与流体导管201(例如,喷嘴)耦合。在流体导管201内,鞘液204以流体动力学的方式使样品流体206聚集至移动液柱208(例如,流)中。在所述移动液柱208内,使颗粒(例如,细胞)排成一排,以穿过由辐照源212(例如,激光器)辐照的受监测区域210(例如,激光流交点)。所述液滴形成传感器202振动使得移动液柱208破碎成多滴液滴209。
在运行中,检测站214(例如,事件检测器)确定目的颗粒(或目的细胞)何时穿过受监测区域210。检测站214馈入定时电路228,转而馈入瞬时充电电路230。在液滴破碎点,在定时液滴延迟(Δt)通知后,向所述移动液柱208中施加瞬时电荷,使目的液滴带电。所述目的液滴可以包括一颗/个或多颗/个待分选颗粒或细胞。然后,可以通过启用偏转板(未示出)来分选所述带电液滴,使液滴偏转至诸如收集管或多孔样品板等容器中,其中孔可与特定目的液滴相关联。如图2B所示,所述液滴被收集在排放容器238中。
检测系统216(例如,液滴边界检测器)用于在目的颗粒通过受监测区域210时自动确定液滴驱动信号的相位。示例性液滴边界检测器如第7,679,039号美国专利所述,所述专利全文以引用方式并入本文。检测系统216允许仪器准确地计算每颗检测到的颗粒在液滴中的位置。检测系统216可以馈入振幅信号220和/或相位218信号,然后依次(通过放大器222)馈入振幅控制电路226和/或频率控制电路224。振幅控制电路226和/或频率控制电路224反过来控制液滴形成传感器202。振幅控制电路226和/或频率控制电路224可以包括在控制系统中。
在一些实施方案中,分选电子器件(例如,检测系统216、检测站214、处理器240)可与被配置成存储所检测到的事件和基于其的分选决策的存储器耦合。所述分选决策可以包括在颗粒的事件数据中。在一些实施方案中,检测系统216和检测站214可以单个检测单元的形式实现或以通信方式耦合,使得事件测量值可以由检测系统216或检测站214中的其中一项收集并提供给所述非收集元件。
在一些实施例中,适用于颗粒分选仪系统200的一个或更多个所述组件可用于颗粒分析和表征,无论是否将所述颗粒物理分选至收集容器中。同样地,适用于颗粒分析系统300(图3)的一个或更多个下述组件也可用于颗粒分析和表征,无论是否将所述颗粒物理分选至收集容器中。例如,可以采用颗粒分选仪系统200或颗粒分析系统300中的一个或更多个所述组件,对颗粒进行分组或使其显示在树中,所述树包括至少三个本文所述的分组。
图3展示了用于基于计算的样品分析和颗粒表征的颗粒分析系统的功能框图。在一些实施例中,颗粒分析系统300是流式系统。图3所示的颗粒分析系统300可被配置成全部或部分执行本文所述的方法,例如,图5所示的方法或图8所示的方法。颗粒分析系统300包括射流系统302。射流系统302可以包括样品管310和样品管内的移动液柱,或与所述样品管耦合,在所述样品管内,样品中的颗粒330(例如,细胞)沿共同样品路径320移动。
颗粒分析系统300包括检测系统304,所述检测系统被配置成在每颗颗粒沿所述共同样品路径穿过一个或更多个检测站时,收集来自每颗颗粒的信号。检测站308通常是指所述共同样品路径的受监测区域340。在一些实施方案中,检测可以包括在颗粒330穿过受监测区域340时,检测光或所述颗粒的一种或更多种其他特性。在图3中,显示了一个具有一个受监测区域340的检测站308。颗粒分析系统300的一些实施方案可以包括多个检测站。此外,某些检测站可能监测一个以上区域。
为每个信号分配信号值,以构成每颗颗粒的数据点。如上所述,所述数据可以称之为事件数据。所述数据点可以是多维数据点,其包括针对颗粒的各所测特性的值。检测系统304被配置成在第一时间间隔内收集一系列所述数据点。
颗粒分析系统300还包括控制系统306。控制系统306可以包括一个或更多个处理器、振幅控制电路226和/或频率控制电路224(如图2B所示)。所示控制系统306在操作上与射流系统302相关联。控制系统306被配置成基于泊松分布以及在所述第一时间间隔内由检测系统804收集的数据点数量,针对所述第一时间间隔的至少一部分生成计算出的信号频率。控制系统306进一步被配置成基于在所述第一时间间隔的所述部分内的数据点数量,生成实验信号频率。此外,控制系统306可将所述实验信号频率与计算出的信号频率或预先确定的信号频率进行比较。
图4是展示了用于动态变换事件数据的示例系统的简图。系统400包括变换设备420。变换设备420包括事件数据接收器422。事件数据接收器422可以接收来自颗粒分析仪(例如图1所示的颗粒分析仪102)的事件数据402。在一些实施方案中,事件数据402可以由颗粒分析仪通过从诸如分析工作站中接收来生成。例如,用户可以向事件数据接收器422提供获取自颗粒分析仪的事件数据402。事件数据接收器422可以包括用于无线通信的收发器或用于连接至诸如以太局域网等有线网络的端口或诸如经由通用串行总线或接头连接至设备的端口。
事件数据接收器422可以提供至少一部分事件数据402,以变换包括在变换设备420中的选择电路424。变换选择电路424可以识别适用于事件数据的变换。所述识别可以包括检测所述事件数据中的值,例如用于所述测定或实验的标识符。所述可用变换可以存储在变换选择电路424可访问的数据存储器440中。如上所讨论,所述变换可以是参数变换或非参数变换。在一些实施方案中,所述变换可以通过提供事件数据402的设备来指定。例如,分析工作站可以提交请求处理事件数据402的消息。所述消息可以包括所需的变换(例如,tSNE)。
变换设备420可以包括事件数据变换电路426,以根据所识别的变换来处理事件数据402。事件数据变换电路426可以生成变换后事件数据490。变换后事件数据490可以从变换设备420传输至目标设备,例如验证事件数据402、存储位置或可寻址网络服务的设备(例如,实验室信息系统)。
如上所述,执行非参数变换时,由于所述变换的统计性质,在不同时间接收到的事件数据的一致性处理是不可预测的。因此,图4中的变换设备420可在事件数据402表示已完成实验的测量值时提供适当的结果。但是,对于某些分析方法(例如,确立分选标准),用户可以对目的群体的预期位置做出最佳猜测,或获取一部分所述样品的测量值,然后将其用于指定门。在第一种情况下,所述猜测可能无法有效找出真正的目的群体,并且常常可能需要获取更大的样本量,对于一些实验而言,这可能是不切实际的。在分析初始部分的情况下,如果使用非参数变换对所述事件数据进行了变换,则任何所得的门都要求以与事件的所述初始部分相同的方式对日后的事件进行变换。如上所述,非参数变换通常是不确定的,因此在两个不同时间处理的事件数据可能会提供两种不同的结果。
图5是展示了利用参数机器学习变换来动态变换事件数据的示例系统的简图。图5中的变换设备520包括利用神经网络使非参数变换参数化的功能,从而允许采用非参数技术变换小型训练数据集,同时允许利用所述小型训练数据集生成准确的参数模型,以便采用与所述初始事件一致的方式评估其他事件。
系统500包括变换设备520。变换设备520包括事件数据接收器522。事件数据接收器522可以接收来自颗粒分析仪(例如图1所示的颗粒分析仪102)的事件数据502。在一些实施方案中,事件数据502可以由颗粒分析仪通过从诸如分析工作站中接收来生成。例如,用户可以向事件数据接收器522提供获取自颗粒分析仪的事件数据502。事件数据接收器522可以包括用于无线通信的收发器或用于连接至诸如以太局域网等有线网络的网络端口。
事件数据接收器522可以激活开关524或其他路由元素以作进一步处理。开关524可以在变换选择电路540和训练电路530之间分线连接。开关524可以基于以下各项激活:事件数据502;包括在事件数据502中或与事件数据502一同包括的信息,例如请求处理事件数据502的消息;提供事件数据502的设备的特性;或可由事件数据接收器522或开关524检测到的其他因素。
当开关524激活通往变换选择电路540的路径时,至少一部分事件数据502被提供给变换选择电路540。正如图4中的变换选择电路424一般,变换选择电路540也可以识别适用于事件数据的变换。所述识别可以包括检测所述事件数据中的值,例如用于所述测定或实验的标识符。所述可用变换可以存储在变换选择电路540可访问的数据存储器540中。如上所讨论,所述变换可以是参数变换或非参数变换。在一些实施方案中,所述变换可以通过提供事件数据502的设备来指定。例如,分析工作站可以提交请求处理事件数据502的消息。所述消息可以包括所需的变换(例如,tSNE)。
变换设备520可以包括事件数据变换电路542,以根据所识别的变换来处理事件数据502。事件数据变换电路542可以生成变换后事件数据570。变换后事件数据570可以从变换设备520传输至目标设备,例如验证事件数据502、存储位置或可寻址网络服务的设备(例如,实验室信息系统)。
在第二模式中,可以激活开关524,以将至少一部分事件数据502路由至训练电路530。训练电路530可以协调为变换事件数据502而进行的参数模型生成。变换设备520可以包括训练事件数据生成器532,以便为机器学习模型生成合适的训练数据集。所述神经网络可以具有多种架构,同时具有任意层数,一层中可以具有任意数量的神经元,并且所连接的神经元之间可以采用任何激活函数。但是,为了便于将所述神经网络转化为包括在分析仪器中的所述分选电子器件的配置,可以将所述网络训练限制为可以转化为所述目标分析仪器的架构。例如,所述神经网络可以由进入层(其节点数等于所述未变换数据的维度)、四个完全连接的修正线性单元(re-lu)激活层(每层有30个节点)以及输出层(具有两个节点,线性激活)构成。可以使用多种误差函数(例如,均方误差、Kullback-Leibler散度)和优化程序(例如,Adadelta、RMSProp)进行训练。
训练后,所述神经网络近似最初用于变换所述小型训练数据集的变换。因此,所述神经网络表示由所述原始、未变换数据所占据的空间与由所述变换后数据所占据的空间之间的变换。因此,所述神经网络可以通过将新数据馈送至所述进入层并收集所述输出层中所得的变换后数据来变换新观测值。
然后,可以将所生成的事件数据传输至变换设备520以便进行处理。所述训练数据的变换可以包括非参数变换。所述非参数变换可以在附有所生成的事件数据或与之相关联的请求消息中加以识别。所生成的事件数据可以如上所述经由事件数据接收器522、变换选择电路540和事件数据变换电路542来处理,以生成变换后生成的事件数据。
然后,可以从训练电路530中接收所述变换后生成的事件数据以及所生成的事件数据,以生成变换模型。生成所述变换模型可以包括生成神经网络,所述神经网络近似从所生成的事件数据至所述变换后生成的事件数据的变换。如上所讨论,可以基于诸如目标颗粒分析仪或分选电子器件等因素来约束所述模型的构造。这可以促进变换模型的生成,所述变换模型可以应用于所述目标颗粒分析仪或分选电子器件。所述颗粒分析仪或分选电子器件可以使用硬件标识符来指示,所述硬件标识符可以与模型架构或约束条件相关联。
变换模型560可以存储在数据存储器514中,并用于所述实验或其他实验的事件数据的后续变换。
图6是描绘了适用于多维事件数据的参数机器学习变换方法的示例的过程流程图。方法600可以由变换设备(例如图5所示的变换设备520)全部或部分实施。
可以提供多维事件数据602,例如颗粒分析仪数据。多维事件数据602可以使用非参数变换604(例如tSNE)加以处理,以生成表示事件的初始变换后测量值的变换后事件数据606。变换后事件数据606可用于通过机器学习608训练模型。所述学习的结果可以包括参数变换神经网络模型610。所述神经网络模型610可以针对多维事件数据602或新的多维事件数据612生成变换后数据614。然后,可以提供变换后数据614以进行其他处理或控制,例如门选择680、事件分选确定682或仪器调整684(例如,流式细胞仪的压力调节)。门选择680可以包括将所述变换后事件数据传输至设备,以展示一个或更多个图形用户界面。图形用户界面可以包括用于选择目的事件并为所述事件分配分选目的地(例如,容器、板、孔、室、管等)的控制元件。所述选择可以包括接收门信息,所述门信息识别用于对所述颗粒进行分类的测量值范围。所述门可以使用变换后(例如,非参数)空间中的测量值来指定。所述门信息可以形成或用于生成分选标准,以将所述颗粒分析仪配置成对适用于所述实验的颗粒进行分选。
事件分选确定682可以包括将变换和分选标准一同传输至颗粒分析器。所述颗粒分析仪(包括用于在所述实验期间处理颗粒的分选电子器件或其他分析装置)可被配置成变换原始事件数据并应用所述指定的分选标准。如上所讨论,所述变换可以是参数化神经网络模型,所述模型表示用于展示适用于门选择的事件的非参数变换。仪器调整684可以包括将控制信号传输至颗粒分析仪或其中包括的分析装置,以调整其运行状态。例如,与理想分布相比,可以基于变换后事件数据的分布来调整流速。如果所述分布偏离理想分布,则所述流速可能会降低。所述降低量可以使用与所述理想分布的偏差大小来评估。所述颗粒分析仪的其他运行特性可以使用所述变换后事件数据(例如检测器电压或数据比例因子)来调整。
图7是描绘了利用参数机器学习变换进行样品分选的方法的示例的过程流程图。方法700可以由图1所示的设备全部或部分实施。方法700的方面可以使用管理设备(例如图5所示的变换设备520)来协调。方法700阐明了如何处理事件数据以基于初始事件集的非参数变换来生成参数变换。
方法700始于框702。在框710处,收集一部分样品的初始事件数据。所述收集可以包括激活颗粒分析仪以处理所述样品的所述部分。处理所述样品可以包括测量颗粒的性质,例如图形、电气、时间或声学性质。
在框720处,可将所述初始事件数据传输至变换设备,例如图5所示的变换设备520。所述传输可以包括传输请求变换所述初始事件数据的消息。所述消息可以包括适用于实验、样品、样品来源或其他唯一信息的标识符,以识别所述事件数据。所述标识符可用于选择适用于所述事件数据的变换。所述标识符可用于将利用所述事件数据生成的参数变换与后续变换请求相关联。
在框730处,使用非参数变换来变换所述初始事件数据。可以基于诸如事件数据从一组变换中选择所述变换。例如,如果所述事件数据包括声学测量值,则可以使用针对声学值定制的tSNE变换。在一些实施方案中,所述变换可以在请求处理所述事件数据的消息中指定。例如,如果研究人员请求提供用于设门的所述事件数据的图表,则所述请求可以包括待应用的变换类型的指示,以便以图形方式表示用于设门的所述事件数据的维度。
在框740处,所述初始事件数据可以放大,以生成模型训练事件数据。所述放大可以包括基于所述事件的测量值来生成训练数据。例如,测量值可用于在所述测量值的阈值距离内生成第二合成事件。所述合成测量值可以包括测量值对,其中一个值是合成未变换测量值,而第二个值是合成变换后测量值。表1列明了适用于使用阈值0.001的测量值的事件数据(例如,基于实际测量值的综合测量值应在实际测量值的0.001以内)。
表1
事件Id | 是否合成? | 测量 |
1 | 否 | 2.30495 |
2 | 是 | 2.30492 |
3 | 是 | 2.30499 |
4 | 是 | 2.30404 |
所述阈值可以基于测量值的类型确定。例如,光学测量值(例如,基于荧光的值)可能比基于图像的测量值的容允量更大。所述阈值可以在执行训练的设备可访问的配置中指定。变换数据的生成的方面包括在上文所述的图5和图6中。
在框750处,所述参数模型至少部分基于所述模型训练事件数据而生成。生成所述参数模型可以包括训练神经网络模型,所述神经网络模型近似从实际和合成事件数据至变换后事件数据的非参数变换。生成所述参数模型可以包括生成神经网络,所述神经网络近似从所生成的事件数据至所述变换后生成的事件数据的变换。如上所讨论,可以基于诸如目标颗粒分析仪或分选电子器件等因素来约束所述模型的构造。这可以促进变换模型的生成,所述变换模型可以应用于所述目标颗粒分析仪或分选电子器件。
在框760处,可以接收目的事件的选择。例如,所述研究人员可以在图表上绘制多边形,以定义待分选的变换后数据值的范围。所述多边形可以定义可能为分选标准或与分选标准相关联的门。所述选择可以使用通过非参数变换或通过参数模型变换的初始事件数据进行。
在框770处,分选电子器件(例如,分选电路)可以使用在框760处指定的参数模型和设门标准来配置。所述分选电子器件的配置可以包括将在框750处生成的模型存储在所述分选电子器件可访问的存储位置。所述模型之后可用于变换所接收到的事件数据,以针对分选标准(例如在框760处所识别出的群体)进行评估。如上所讨论,所述模型可用于配置包括在所述分选电子器件中的现场可编程门阵列。
在框780处,所述分析仪可以使用所配置的分选电子器件来评估和分选所述样品的剩余部分。在收集到新的事件测量值时,可以使用所配置的分选电子器件实时变换所述测量值,并将其分选至指定的容器中。例如,可以激活所述颗粒分析仪的偏转板,以将目的颗粒引导至指定的收集管中。
方法700终于框790。但是,应当理解,可以针对其他事件、样品或实验重复方法700。在一些实施方案中,较为可取的是,重新训练所述模型,以适应所述样品内的任何变异或考虑所述样品来源的变化。例如,在治疗环境中,可以在药物或其他化合物给药期间收集生物学样品。所述模型可能需要进行调整,以考虑所述药物或化合物给药后的存在情况。在此类情况下,鉴于所述原始模型已经过训练,因此可以对所述模型进行重新训练,收集数据。与使用从所述样品中收集的事件数据语料库训练新模型相比,这可以提供更高的资源利用率。
所述功能可以基于颗粒对目标聚类的隶属度来对所述颗粒进行分选。马氏距离可用于测量颗粒与已知聚类之间的距离。颗粒的分选决策可以基于所述颗粒最接近的聚类确定。对于某些样品,接近污染聚类的颗粒可能会被排除在外或转移至备用收集容器中。用于确定紧密度的标准可以基于最小误差概率确定。可以利用配置定义所述概率,也可以将所述概率指定为样品实验设置的一部分。已知聚类可以通过训练集加以识别。训练集可以包括隶属于某一聚类的颗粒的测量值的子集。训练集的均值和协方差可以作为某一聚类的度量表示生成。而后,所述度量可以用作马氏距离方程中的一个因素,所述距离方程可以用能够分析测量值,以及时生成将颗粒引导至特定收集容器的分选决策的硬件进行评估。
本文中使用的术语“确定”涵盖各种活动。例如,“确定”可以包括计算、计算机计算、处理、推导、调查、查找(例如,在表、数据库或另一数据结构中查找)、查明等。此外,“确定”可以包括接收(例如,接收信息)、访问(例如,访问存储器中的数据)等。此外,“确定”可以包括解析、选定、选择、建立等。
本文中使用的术语“提供”涵盖各种活动。例如,“提供”可以包括将值存储在便于后续检索的存储设备的位置、将值通过至少一种有线或无线通信介质直接发送给接收者、发送或存储对值的引用等。“提供”还可以包括经由硬件元件进行的编码、解码、加密、解密、确认、验证等。
本文中使用的术语“选择性地”或“选择性”可以涵盖各种活动。例如,“选择性”过程可以包括从多个选项中确定其中一个选项。“选择性”过程可以包括以下一项或更多项:动态确定的输入、预先配置的输入或用户为确定而发起的输入。在一些实施方案中,可以包括n输入切换以提供选择性功能,其中n是用于进行选择的输入数量。
本文中使用的术语“消息”涵盖用于传达(例如,发送或接收)信息的各种格式。消息可以包括机器可读的信息聚合,例如,XML文档、固定字段消息、逗号分隔消息等。在一些实施方案中,消息可以包括用于传输一种或更多种信息表示的信号。虽然以单数形式叙述,但应当理解,消息可以多个部分组成、发送、存储、接收等。
本文中使用的“用户界面”(也被称为交互式用户界面、图形用户界面或UI)可以指基于网络的包括数据字段、按钮或用于接收输入信号或提供电子信息或向用户提供信息以响应于任何接收到的输入信号的其他交互控件。可以采用诸如超文本标记语言(HTML)、JAVASCRIPTTM、FLASHTM、JAVATM,.NETTM、WINDOWS OSTM、macOSTM、Web服务和丰富站点摘要(RSS)等技术来全部或部分实现UI。在一些实施方案中,可以将UI包括在被配置成根据所述的一个或更多个方面进行通信(例如,发送或接收数据)的独立客户端(例如,胖客户端、胖客户机)中。
本文中使用的“数据存储区”可以体现在可以访问某一设备或由所述设备访问的硬盘驱动器、固态存储器和/或任何其他类型的非暂时性计算机可读存储介质中,所述设备包括存取设备、服务器或其他所述的计算设备等。如本领域所公知,在不脱离本发明的范围的情况下,数据存储区还可以或替代地在多个本地和/或远程存储设备上实现分布或分区。在其他实施例中,数据存储区可以包括或体现在数据存储网络服务中。
本文中使用的指代项目列表中“至少一项”的短语是指所述项目的任意组合,包括单个成员。例如,“以下项目中的至少一项:a、b或c”旨在涵盖:a、b、c、a-b、a-c、b-c和a-b-c。
本领域技术人员应当理解,可以使用各种不同技术和技巧中的任何一种来表示信息、消息和信号。例如,在上述整个说明书中可能提及的数据、指令、命令、信息、信号、位、符号和芯片可以用电压、电流、电磁波、磁场或粒子、光场或光学粒子或其任何组合表示。
本领域技术人员应当进一步理解,结合本文所揭示的实施例描述的各种说明性逻辑块、模块、电路和算法步骤可以用作电子硬件、计算机软件或两者的组合。为了清楚阐明硬件和软件的这种可互换性,上文已大体上就其功能描述了各种说明性组件、块、模块、电路和步骤。这种功能以硬件还是软件的形式实现取决于特定应用以及对于整个系统的设计约束。技术人员可以针对各特定应用以各种方式执行所述功能,但是这种执行决策不应被解释为导致脱离本发明的范围。
本文所述的技术可以硬件、软件、固件或其任何组合的形式来实施。所述技术可以在各种设备中的任何一种中实施,例如,专门编程的事件处理计算机、无线通信设备或集成电路器件。被描述为模块或组件的任何功能都可以在集成逻辑设备中一同执行,或在离散但可互操作的逻辑设备中分别执行。如果以软件形式实施,则所述技术可以至少部分通过计算机可读数据存储介质来实现,所述计算机可读数据存储介质包括指令,执行所述指令时,即执行上述一种或更多种方法。所述计算机可读数据存储介质可以构成计算机程序产品的一部分,其可以包括包装材料。所述计算机可读介质可以包含存储器或数据存储介质,例如,随机存取存储器(RAM)(例如同步动态随机存储器(SDRAM))、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦可编程只读存储器(EEPROM)、闪速存储器、磁性或光学数据存储介质等。所述计算机可读介质可以是非暂时性存储介质。此外或另外,所述技术可以至少部分通过计算机可读通信介质来实现,所述计算机可读通信介质以指令或数据结构的形式携带或传递程序代码,而且可以通过计算设备来访问、读取和/或执行,例如传播的信号或波。
所述程序代码可以由专门编程的变换处理器执行,所述变换处理器可以包括一个或更多个处理器,例如,一个或更多个数字信号处理器(DSP)、可配置微处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他等效的集成或离散逻辑电路系统。所述图形处理器可以被专门配置成执行本发明中所描述的任何技术。计算设备的组合(例如,DSP和微处理器的组合、多个微处理器、与DSP内核结合的一个或更多个微处理器或至少部分数据连接中的任何其他此等配置)可以执行一项或更多项所述功能。在一些方面,本文所述的功能可以在被配置成用于编码和解码的专用软件模块或硬件模块内提供,或者将其并入专用变换控制卡中。
本文所揭示的方法包含用于实现所述方法的一个或更多个步骤或动作。在不脱离权利要求书的范围的情况下,所述方法步骤和/或动作可以彼此互换。换言之,除非指定了步骤或动作的特定顺序,否则可以在不脱离权利要求书的范围的情况下,修改特定步骤和/或动作的顺序和/或用途。
本文描述了本发明的各种实施例。这些实施例和其他实施例均在所附权利要求书的范围内。
上述标的物的各方面(包括实施例)可单独使用或与一个或更多个方面或实施例合并使用。在不限制本文所述内容的情况下,下文提供了本发明的某些非限制性内容。在阅读本发明后,以下内容对所属领域的技术人员来说是显而易见的,每个单独编号的内容可单独使用,也可与之前或之后任一单独编号内容组合使用。这旨在为各项内容的所有此类组合提供支持,并且不仅限于以下明确提供的内容的组合:
1.一种方法,其包含:
将非参数变换应用于来自流式细胞仪的第一原始数据集,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述流式细胞仪的第二原始数据集。
2.根据1所述的方法,其中所述非参数变换包含t-分布随机近邻嵌入(tSNE)。
3.根据1-2中任一项所述的方法,其中所述第一原始数据集包含来自所述流式细胞仪的10,000个或更少个检测到的细胞的数据。
4.根据1-3中任一项所述的方法,其中生成所述第二变换后数据集包含添加噪声分量。
5.根据4所述的方法,其中生成所述第二变换后数据集包含向所述第一原始数据集、所述第一变换后数据集及其组合中的一项或更多项中添加所述噪声分量。
6.根据5所述的方法,其中生成所述第二变换后数据集包含向数据对中添加所述噪声分量,所述数据对包含原始数据点和变换后数据点。
7.根据6所述的方法,其中所述原始数据点和所述变换后数据点通过随机选择选定。
8.根据7所述的方法,其中所述原始数据点和所述变换后数据点通过加权随机选择选定。
9.根据8所述的方法,其中所述随机选择按照密度和细胞群体中的一项或更多项进行加权。
10.根据4-9中任一项所述的方法,其中所述噪声分量基于概率分布确定。
11.根据10所述的方法,其中所述概率分布选自由均匀分布、高斯分布或泊松分布组成的群组。
12.根据1-11中任一项所述的方法,其中所述变换模型是动态算法。
13.根据12所述的方法,其中所述动态算法是机器学习算法。
14.根据1-13中任一项所述的方法,其中所述变换模型应用于来自所述流式细胞仪的实时数据。
15.根据1-14中任一项所述的方法,进一步包含对所述流式细胞仪的流体介质内的样品中的颗粒进行分类。
16.根据15所述的方法,进一步包含基于所述颗粒分类生成分选决策。
17.根据15-16中任一项所述的方法,进一步包含对所述样品中的一种或更多种颗粒进行分选。
18.根据1-17中任一项所述的方法,其中所述方法由集成电路器件执行。
19.根据18所述的方法,其中所述集成电路器件是现场可编程门阵列(FPGA)。
20.根据18所述的方法,其中所述集成电路器件是专用集成电路(ASIC)。
21.根据18所述的方法,其中所述集成电路器件是复杂可编程逻辑器件(CPLD)。
22.一种计算机实现的方法,其包含:
受一台或更多台处理设备控制,
从颗粒分析仪接收与实验相关的第一部分颗粒的测量值;
利用非参数变换将所述测量值转换为初始变换后测量值;
生成参数模型,以接收与所述实验相关的所述第一部分颗粒的所述测量值作为输入,并生成所述初始变换后测量值作为输出;以及
将所述颗粒分析仪配置成:
至少部分基于所述参数模型转换包括在第二部分所述颗粒中的颗粒的测量值;以及
至少部分基于所述测量值和分选标准对所述颗粒进行分类。
23.根据22所述的计算机实现的方法,进一步包含:
接收门信息,所述门信息识别非参数空间中用于对所述颗粒进行分类的测量值范围,其中,所述分选标准包含所述门信息。
24.根据22-23中任一项所述的计算机实现的方法,进一步包含:
将所述参数模型传输至所述颗粒分析仪;以及
使所述颗粒分析仪至少部分基于所述参数模型和所述分选标准来配置分选电路。
25.根据24所述的计算机实现的方法,其中所述分选电路包含现场可编程门阵列。
26.根据22-25中任一项所述的计算机实现的方法,其中接收自所述颗粒分析仪的所述测量值包含所述第一部分颗粒以荧光形式发射的光的测量值。
27.根据26所述的计算机实现的方法,其中所述第一部分颗粒以荧光形式发射的光包含与所述第一部分颗粒结合的抗体以荧光形式发射的光。
28.根据22-27中任一项所述的计算机实现的方法,进一步包含:
选择颗粒的测量值和初始变换后测量值;以及
至少部分基于以下各项生成综合测量值对:
(i)所述颗粒的测量值,
(ii)所述颗粒的初始变换后测量值;以及
(iii)噪声值,其中所述综合测量值对包括综合
测量值和综合变换后测量值;以及
其中所述参数模型进一步接收所述综合测量值作为输入,并生成所述综合变换后测量值作为输出。
29.根据28所述的计算机实现的方法,进一步包含:
接收门信息,所述门信息识别用于对所述颗粒进行分类的测量值范围,以及
其中所述颗粒至少部分基于与所述测量值范围相对应的所述测量值来进行选择。
30.根据22-29中任一项所述的计算机实现的方法,进一步包含:
接收来自所述颗粒分析仪的硬件标识符,所述硬件标识符指示在所述颗粒分析仪中实现的分选电路;
至少部分基于所述硬件标识符来确定所述参数模型的架构,其中所述参数模型的所述架构可应用于所述分选电路;以及
其中生成所述参数模型包含生成与所述架构相符的所述参数模型。
31.根据30所述的计算机实现的方法,其中所述参数模型包含神经网络,并且其中所述架构识别所述神经网络的层数以及每层的节点数。
32.根据22-31中任一项所述的计算机实现的方法,其中所述参数模型包含神经网络,并且其中生成所述参数模型包含:
将初始权重分配给所述参数模型的第一层中的第一节点与第二层的所述参数模型的第二层中的第二节点之间的连接;
生成适用于颗粒测量值的输出;
将所述输出与所述颗粒的所述变换后测量值进行比较;以及
至少部分基于所述输出与所述变换后测量值之间的差值来调整所述初始权重,
其中所述颗粒的后续差值在调整所述初始权重后小于所述差值。
33.一个包含处理器的系统,所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包含存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器执行以下操作:
将非参数变换应用于来自流式细胞仪的第一原始数据集,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述流式细胞仪的第二原始数据集。
34.根据33所述的系统,其中所述非参数变换包含t-分布随机近邻嵌入(tSNE)。
35.根据33-34中任一项所述的系统,其中所述第一原始数据集包含来自所述流式细胞仪的10,000个或更少个检测到的细胞的数据。
36.根据33-35中任一项所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器通过添加噪声分量而生成所述第二变换后数据集。
37.根据36所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器通过向所述第一原始数据集、所述第一变换后数据集及其组合中的一项或更多项中添加噪声分量而生成所述第二变换后数据集。
38.根据37所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器通过向数据对(包含原始数据点和变换后数据点)中添加噪声分量而生成所述第二变换后数据集。
39.根据38所述的系统,其中所述原始数据点和所述变换后数据点通过随机选择选定。
40.根据39所述的系统,其中所述原始数据点和所述变换后数据点通过加权随机选择选定。
41.根据40所述的系统,其中所述随机选择按照密度和细胞群体中的一项或更多项进行加权。
42.根据36-41中任一项所述的系统,其中所述噪声分量基于概率分布确定。
43.根据42所述的系统,其中所述概率分布选自由均匀分布、高斯分布或泊松分布组成的群组。
44.根据33-43中任一项所述的系统,其中所述变换模型是动态算法。
45.根据44所述的系统,其中所述动态算法是机器学习算法。
46.根据33-45中任一项所述的系统,其中所述变换模型应用于来自所述流式细胞仪的实时数据。
47.根据33-46中任一项所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器对所述流式细胞仪的流体介质内的样品中的颗粒进行分类。
48.根据47所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器基于所述颗粒分类生成分选决策。
49.根据33-48中任一项所述的系统,进一步包含集成电路器件。
50.根据49所述的系统,其中所述集成电路器件是现场可编程门阵列(FPGA)。
51.根据49所述的系统,其中所述集成电路器件是专用集成电路(ASIC)。
52.根据49所述的系统,其中所述集成电路器件是复杂可编程逻辑器件(CPLD)。
53.一种系统,其包含:
一台或更多台处理设备;以及
包含指令的计算机可读存储介质,所述指令由所述一台或更多台处理设备执行时,会使所述系统执行以下操作:
从颗粒分析仪接收与实验相关的第一部分颗粒的测量值;
利用非参数变换将所述测量值转换为初始变换后测量值;
生成参数模型,以接收与所述实验相关的所述第一部分颗粒的原始测量值作为输入,并生成所述初始变换后测量值作为输出;
将所述颗粒分析仪配置成:
至少部分基于所述参数模型转换包括在第二部分所述颗粒中的颗粒的测量值;
生成控制信号,以调整包括在所述颗粒分析仪中的分析装置的运行状态;以及
将所述控制信号传输至所述分析装置,以实现所述运行状态。
54.根据53所述的系统,其中所述分析装置包含与偏转板以通信方式耦合的分选电子器件,以及
其中所述颗粒分析仪进一步被配置成至少部分基于与所述目标容器相关联的分选标准相对应的所述转换后测量值来识别适用于颗粒的目标容器,以及
其中调整所述运行状态包含通过所述偏转板施加电荷,以将所述颗粒引导至目标容器中。
55.根据53所述的系统,其中所述分析装置包含射流系统,以及
其中调整所述运行状态包含调节所述实验期间所施加的压力。
56.一种系统,其包含:
被配置成辐照流体介质中的样品(包含颗粒)的光源;
包含光电检测器的光检测系统,所述光电检测器被配置成利用从所述流体介质内的颗粒中检测到的光来生成数据信号;以及
处理器,所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包含存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器执行以下操作:
将非参数变换应用于来自所述光检测系统的第一组数据信号,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述光检测系统的第二组数据信号。
57.根据56所述的系统,其中所述非参数变换包含t-分布随机近邻嵌入(tSNE)。
58.根据56-57中任一项所述的系统,其中来自所述光检测系统的第一组数据信号包含来自所述流式细胞仪的10,000个或更少个检测到的细胞的数据。
59.根据56-58中任一项所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器通过添加噪声分量而生成所述第二变换后数据集。
60.根据59所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器通过向来自所述光检测系统的所述第一组数据信号、所述第一变换后数据集及其组合中的一项或更多项中添加噪声分量而生成所述第二变换后数据集。
61.根据60所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器通过向数据对(包含原始数据点和变换后数据点)中添加噪声分量而生成所述第二变换后数据集。
62.根据61所述的系统,其中所述原始数据点和所述变换后数据点通过随机选择选定。
63.根据62所述的系统,其中所述原始数据点和所述变换后数据点通过加权随机选择选定。
64.根据63所述的系统,其中所述随机选择按照密度和细胞群体中的一项或更多项进行加权。
65.根据59-64中任一项所述的系统,其中所述噪声分量基于概率分布确定。
66.根据65所述的系统,其中所述概率分布选自由均匀分布、高斯分布或泊松分布组成的群组。
67.根据56-66中任一项所述的系统,其中所述变换模型是动态算法。
68.根据67所述的系统,其中所述动态算法是机器学习算法。
69.根据56-68中任一项所述的系统,其中所述变换模型应用于来自所述光检测系统的实时数据信号。
70.根据56-69中任一项所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器对所述流体介质内的样品中的颗粒进行分类。
71.根据70所述的系统,其中所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包括存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器基于所述颗粒分类生成分选决策。
72.根据56-71中任一项所述的系统,进一步包含细胞分选仪。
73.根据72所述的系统,其中所述细胞分选仪包含液滴偏转器。
74.根据56-73中任一项所述的系统,进一步包含集成电路器件。
75.根据74所述的系统,其中所述集成电路器件是现场可编程门阵列(FPGA)。
76.根据74所述的系统,其中所述集成电路器件是专用集成电路(ASIC)。
77.根据74所述的系统,其中所述集成电路器件是复杂可编程逻辑器件(CPLD)。
78.一种集成电路,其被编程为:
将非参数变换应用于来自流式细胞仪的第一原始数据集,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述流式细胞仪的第二原始数据集。
79.根据78所述的集成电路,其中所述非参数变换包含t-分布随机近邻嵌入(tSNE)。
80.根据78-79中任一项所述的集成电路,其中所述第一原始数据集包含来自所述流式细胞仪的10,000个或更少个检测到的细胞的数据。
81.根据78-80中任一项所述的集成电路,其中所述集成电路被编程成通过添加噪声分量来生成所述第二变换后数据集。
82.根据78所述的集成电路,其中所述集成电路被编程成通过向所述第一原始数据集、所述第一变换后数据集及其组合中的一项或更多项中添加噪声分量来生成所述第二变换后数据集。
83.根据82所述的集成电路,其中所述集成电路被编程成通过向数据对(包含原始数据点和变换后数据点)中添加噪声分量来生成所述第二变换后数据集。
84.根据83所述的集成电路,其中所述原始数据点和所述变换后数据点通过随机选择选定。
85.根据84所述的集成电路,其中所述原始数据点和所述变换后数据点通过加权随机选择选定。
86.根据85所述的集成电路,其中所述随机选择按照密度和细胞群体中的一项或更多项进行加权。
87.根据81-86中任一项所述的集成电路,其中所述噪声分量基于概率分布确定。
88.根据87所述的集成电路,其中所述概率分布选自由均匀分布、高斯分布或泊松分布组成的群组。
89.根据78-88中任一项所述的集成电路,其中所述变换模型是动态算法。
90.根据89所述的集成电路,其中所述动态算法是机器学习算法。
91.根据78-90中任一项所述的集成电路,其中所述变换模型应用于来自所述流式细胞仪的实时数据。
92.根据78-91中任一项所述的集成电路,其中所述集成电路被编程成对所述流式细胞仪的流体介质内的样品中的颗粒进行分类。
93.根据92所述的集成电路,其中所述集成电路被编程成基于所述颗粒分类生成分选决策。
94.根据78-93中任一项所述的集成电路,其中所述集成电路器件是现场可编程门阵列(FPGA)。
96.根据78-93中任一项所述的集成电路,其中所述集成电路器件是专用集成电路(ASIC)。
97.根据78-93中任一项所述的集成电路,其中所述集成电路器件是复杂可编程逻辑器件(CPLD)。
尽管为了达到清晰理解的目的采用图示和示例的方式详细描述了前述发明,但是鉴于本发明的教学意义,对于本领域普通技术人员而言显而易见的是,在不脱离所附权利要求书的精神或范围的情况下,可对其进行特定的变更和修改。
因此,前述内容仅说明了本发明的原理。应当理解,本领域技术人员将能够设计出各种结构,尽管这里没有明确表述或示出,但这些设计反应了本发明的原理,未超出本发明的精神和范围。此外,本文列举的所有示例和条件语言主要为了帮助读者理解本发明的原理和发明人为进一步拓展本领域所提供的构想,并且应解释为不受这些具体列举的示例和条件的限制。而且,本文中引用本发明的原理、方面和实施例及其特定示例的所有陈述旨在涵盖其在结构和功能上的等同物。此外,所述等同物拟包括目前已知的等同物和日后待开发的等同物,即,开发出的任何功能相同且不考虑其结构的元件。而且,无论在权利要求书中是否明确叙述了本发明的公开内容,都不会向公众披露其中的任何内容。
因此,本发明的范围并不限于本文中显示和描述的示例性实施例。相反,本发明的范围和精神通过所附权利要求书体现。在权利要求书中,只有当权利要求书的限制内容开头明确使用短语“用于……的手段”或“用于……的步骤”时,《美国法典》第35章第112节(f)或《美国法典》第35章第112节(6)明确定义为被援引;如果权利要求书的限制内容中未使用所述短语,则《美国法典》第35章第112节(f)或《美国法典》第35章第112节(6)未被援引。
Claims (15)
1.一种计算机实现的方法,其包含:
受一台或更多台处理设备控制,
从颗粒分析仪接收与实验相关的第一部分颗粒的测量值;
利用非参数变换将所述测量值转换为初始变换后测量值;
生成参数模型,以接收与所述实验相关的所述第一部分颗粒的所述测量值作为输入,并生成所述初始变换后测量值作为输出;以及
将所述颗粒分析仪配置成:
至少部分基于所述参数模型转换包括在第二部分所述颗粒中的颗粒的测量值;以及
至少部分基于所述测量值和分选标准对所述颗粒进行分类。
2.根据权利要求1所述的计算机实现的方法,进一步包含:
接收门信息,所述门信息识别非参数空间中用于对所述颗粒进行分类的测量值范围,其中,所述分选标准包含所述门信息。
3.根据权利要求1-2中任一项所述的计算机实现的方法,进一步包含:
将所述参数模型传输至所述颗粒分析仪;以及
使所述颗粒分析仪至少部分基于所述参数模型和所述分选标准来配置分选电路。
4.根据权利要求1-3中任一项所述的计算机实现的方法,进一步包含:
选择颗粒的测量值和初始变换后测量值;以及
至少部分基于以下各项生成综合测量值对:
(i)所述颗粒的测量值,
(ii)所述颗粒的初始变换后测量值;以及
(iii)噪声值,其中所述综合测量值对包括综合测量值和综合变换后测量值;以及
其中所述参数模型进一步接收所述综合测量值作为输入,并生成所述综合变换后测量值作为输出。
5.根据权利要求4所述的计算机实现的方法,进一步包含:
接收门信息,所述门信息识别用于对所述颗粒进行分类的测量值范围,以及
其中所述颗粒至少部分基于与所述测量值范围相对应的所述测量值来进行选择。
6.根据权利要求1-5中任一项所述的计算机实现的方法,进一步包含:
接收来自所述颗粒分析仪的硬件标识符,所述硬件标识符指示在所述颗粒分析仪中实现的分选电路;
至少部分基于所述硬件标识符来确定所述参数模型的架构,其中所述参数模型的所述架构可应用于所述分选电路;以及
其中生成所述参数模型包含生成与所述架构相符的所述参数模型。
7.根据权利要求6所述的计算机实现的方法,其中所述参数模型包含神经网络,并且其中所述架构识别所述神经网络的层数以及每层的节点数。
8.根据权利要求1-7中任一项所述的计算机实现的方法,其中所述参数模型包含神经网络,并且其中生成所述参数模型包含:
将初始权重分配给所述参数模型的第一层中的第一节点与第二层的所述参数模型的第二层中的第二节点之间的连接;
生成适用于颗粒测量值的输出;
将所述输出与所述颗粒的所述变换后测量值进行比较;以及
至少部分基于所述输出与所述变换后测量值之间的差值来调整所述初始权重,
其中所述颗粒的后续差值在调整所述初始权重后小于所述差值。
9.一种系统,其包含:
一台或更多台处理设备;以及
包含指令的计算机可读存储介质,所述指令由所述一台或更多台处理设备执行时,会使所述系统执行以下操作:
从颗粒分析仪接收与实验相关的第一部分颗粒的测量值;
利用非参数变换将所述测量值转换为初始变换后测量值;
生成参数模型,以接收与所述实验相关的所述第一部分颗粒的原始测量值作为输入,并生成所述初始变换后测量值作为输出;
将所述颗粒分析仪配置成:
至少部分基于所述参数模型转换包括在第二部分所述颗粒中的颗粒的测量值;
生成控制信号,以调整包括在所述颗粒分析仪中的分析装置的运行状态;以及
将所述控制信号传输至所述分析装置,以实现所述运行状态。
10.根据权利要求9所述的系统,其中所述分析装置包含与偏转板以通信方式耦合的分选电子器件,以及
其中所述颗粒分析仪进一步被配置成至少部分基于与所述目标容器相关联的分选标准相对应的所述转换后测量值来识别适用于颗粒的目标容器,以及
其中调整所述运行状态包含通过所述偏转板施加电荷,以将所述颗粒引导至目标容器中。
11.根据权利要求9所述的系统,其中所述分析装置包含射流系统,以及
其中调整所述运行状态包含调节所述实验期间所施加的压力。
12.一种方法,其包含:
将非参数变换应用于来自流式细胞仪的第一原始数据集,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述流式细胞仪的第二原始数据集。
13.一个包含处理器的系统,所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包含存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器执行以下操作:
将非参数变换应用于来自流式细胞仪的第一原始数据集,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述流式细胞仪的第二原始数据集。
14.一种系统,其包含:
被配置成辐照流体介质中的样品(包含颗粒)的光源;
包含光电检测器的光检测系统,所述光电检测器被配置成利用从所述流体介质内的颗粒中检测到的光来生成数据信号;
处理器,所述处理器包含与其本身可操作地耦合的存储器,其中所述存储器包含存储于其上的指令,所述指令由所述处理器执行时,会使所述处理器执行以下操作:
将非参数变换应用于来自所述光检测系统的第一组数据信号,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述光检测系统的第二组数据信号;以及
细胞分选仪。
15.一种集成电路,其被编程为:
将非参数变换应用于来自流式细胞仪的第一原始数据集,以生成第一变换后数据集;
利用所述第一变换后数据集生成第二变换后数据集;以及
利用所述第二变换后数据集生成变换模型;以及
将所述变换模型应用于来自所述流式细胞仪的第二原始数据集。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862724834P | 2018-08-30 | 2018-08-30 | |
US62/724,834 | 2018-08-30 | ||
PCT/US2019/049151 WO2020047468A1 (en) | 2018-08-30 | 2019-08-30 | Characterization and sorting for particle analyzers |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113811754A true CN113811754A (zh) | 2021-12-17 |
Family
ID=69639354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980071128.8A Pending CN113811754A (zh) | 2018-08-30 | 2019-08-30 | 颗粒分析仪的表征和分选 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11327003B2 (zh) |
EP (1) | EP3844482A4 (zh) |
CN (1) | CN113811754A (zh) |
WO (1) | WO2020047468A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022522263A (ja) | 2019-01-11 | 2022-04-15 | ベクトン・ディキンソン・アンド・カンパニー | 最適化されたソーティングゲート |
CN113785187A (zh) | 2019-03-22 | 2021-12-10 | 贝克顿·迪金森公司 | 使用射频多路复用激发数据对荧光成像进行光谱解混 |
WO2020197785A1 (en) | 2019-03-27 | 2020-10-01 | Becton, Dickinson And Company | Systems for cell sorting based on frequency-encoded images and methods of use thereof |
CN113544490A (zh) | 2019-03-29 | 2021-10-22 | 贝克顿·迪金森公司 | 用于颗粒辨别的参数 |
US11402317B2 (en) | 2019-04-19 | 2022-08-02 | Becton, Dickinson And Company | Subsampling flow cytometric event data |
WO2020243475A1 (en) | 2019-05-30 | 2020-12-03 | Becton, Dickinson And Company | Phase-correction of radiofrequency-multiplexed signals |
US11662297B2 (en) * | 2020-04-28 | 2023-05-30 | Becton, Dickinson And Company | Method for index sorting unique phenotypes and systems for same |
US20220091017A1 (en) * | 2020-09-22 | 2022-03-24 | Becton, Dickinson And Company | Methods for continuous measurement of baseline noise in a flow cytometer and systems for same |
CN112163350B (zh) * | 2020-11-02 | 2023-05-23 | 国能黄金埠发电有限公司 | 一种制粉系统双模型的煤粉细度实时在线软测量系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58179339A (ja) * | 1982-04-14 | 1983-10-20 | Toa Medical Electronics Co Ltd | 粒子分析装置 |
US4661913A (en) * | 1984-09-11 | 1987-04-28 | Becton, Dickinson And Company | Apparatus and method for the detection and classification of articles using flow cytometry techniques |
CN1037035A (zh) * | 1988-04-08 | 1989-11-08 | 神经医学系统公司 | 基于神经网络的自动细胞试样分类系统和方法 |
US20140185906A1 (en) * | 2011-09-16 | 2014-07-03 | Changsha High-Tech Industrial Development Zone Ave Science & Technology Industry Co., Ltd. | Device and Method for Erythrocyte Morphology Analysis |
US20160011096A1 (en) * | 2014-07-10 | 2016-01-14 | Kinetic River Corp. | Flow Cytometry Apparatus and Methods |
US20170166971A1 (en) * | 2005-07-29 | 2017-06-15 | Natera, Inc. | System and method for cleaning noisy genetic data and determining chromosome copy number |
CN107066934A (zh) * | 2017-01-23 | 2017-08-18 | 华东交通大学 | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 |
CN107851031A (zh) * | 2015-05-08 | 2018-03-27 | 佛罗乔有限责任公司 | 数据发现节点 |
US9934364B1 (en) * | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
US9990687B1 (en) * | 2017-01-19 | 2018-06-05 | Deep Learning Analytics, LLC | Systems and methods for fast and repeatable embedding of high-dimensional data objects using deep learning with power efficient GPU and FPGA-based processing platforms |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6743576B1 (en) * | 1999-05-14 | 2004-06-01 | Cytokinetics, Inc. | Database system for predictive cellular bioinformatics |
US7711174B2 (en) * | 2004-05-13 | 2010-05-04 | The Charles Stark Draper Laboratory, Inc. | Methods and systems for imaging cells |
WO2011097032A1 (en) * | 2010-02-05 | 2011-08-11 | Cytonome/St, Llc | Multiple flow channel particle analysis system |
US8941062B2 (en) | 2010-11-16 | 2015-01-27 | 1087 Systems, Inc. | System for identifying and sorting living cells |
US8990047B2 (en) * | 2011-03-21 | 2015-03-24 | Becton, Dickinson And Company | Neighborhood thresholding in mixed model density gating |
US9778193B2 (en) | 2013-08-22 | 2017-10-03 | Kinetic River Corp. | Methods and apparatuses for label-free particle analysis |
CA2979039A1 (en) | 2015-03-10 | 2016-09-15 | Microbix Biosystems Inc. | Methods, systems, and apparatus for sorting and processing analytes |
FR3040215B1 (fr) * | 2015-08-20 | 2019-05-31 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede d’estimation d’une quantite de particules reparties en classes, a partir d’un chromatogramme. |
US10858422B2 (en) * | 2016-05-31 | 2020-12-08 | Abcentra, Llc | Methods for treating systemic lupus erythematosus with an anti-apolipoprotein B antibody |
US20200362334A1 (en) * | 2017-12-07 | 2020-11-19 | The Broad Institute, Inc. | High-throughput methods for identifying gene interactions and networks |
-
2019
- 2019-08-30 CN CN201980071128.8A patent/CN113811754A/zh active Pending
- 2019-08-30 WO PCT/US2019/049151 patent/WO2020047468A1/en unknown
- 2019-08-30 EP EP19856353.8A patent/EP3844482A4/en active Pending
- 2019-08-30 US US16/557,539 patent/US11327003B2/en active Active
-
2022
- 2022-04-06 US US17/714,899 patent/US20220228967A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58179339A (ja) * | 1982-04-14 | 1983-10-20 | Toa Medical Electronics Co Ltd | 粒子分析装置 |
US4661913A (en) * | 1984-09-11 | 1987-04-28 | Becton, Dickinson And Company | Apparatus and method for the detection and classification of articles using flow cytometry techniques |
CN1037035A (zh) * | 1988-04-08 | 1989-11-08 | 神经医学系统公司 | 基于神经网络的自动细胞试样分类系统和方法 |
US20170166971A1 (en) * | 2005-07-29 | 2017-06-15 | Natera, Inc. | System and method for cleaning noisy genetic data and determining chromosome copy number |
US20140185906A1 (en) * | 2011-09-16 | 2014-07-03 | Changsha High-Tech Industrial Development Zone Ave Science & Technology Industry Co., Ltd. | Device and Method for Erythrocyte Morphology Analysis |
US20160011096A1 (en) * | 2014-07-10 | 2016-01-14 | Kinetic River Corp. | Flow Cytometry Apparatus and Methods |
CN107851031A (zh) * | 2015-05-08 | 2018-03-27 | 佛罗乔有限责任公司 | 数据发现节点 |
US9990687B1 (en) * | 2017-01-19 | 2018-06-05 | Deep Learning Analytics, LLC | Systems and methods for fast and repeatable embedding of high-dimensional data objects using deep learning with power efficient GPU and FPGA-based processing platforms |
CN107066934A (zh) * | 2017-01-23 | 2017-08-18 | 华东交通大学 | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 |
US9934364B1 (en) * | 2017-02-28 | 2018-04-03 | Anixa Diagnostics Corporation | Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis |
Non-Patent Citations (4)
Title |
---|
ANDREA COSSARIZZA ET AL.: "Guidelines for the use of flow cytometry and cell sorting in immunological studies", EUR. J. IMMUNOL, vol. 47, pages 1584, XP055434198, DOI: 10.1002/eji.201646632 * |
B.WHITEHEAD;E.KIECH ;M.ALI;张舜英;: "用神经网络诊断火箭发动机", 控制工程, no. 04, pages 45 - 54 * |
杨晶晶;王骞;宣晓华;: "基于深度卷积神经网络算法的肺结节检测模型", 数学建模及其应用, vol. 6, no. 04, pages 1 - 9 * |
王成;白丽红;文苗;张通;: "基于BP神经网络的细胞显微光谱自动分类", 生命科学仪器, vol. 12, no. 06, pages 59 - 61 * |
Also Published As
Publication number | Publication date |
---|---|
EP3844482A4 (en) | 2022-05-25 |
WO2020047468A1 (en) | 2020-03-05 |
EP3844482A1 (en) | 2021-07-07 |
US11327003B2 (en) | 2022-05-10 |
US20220228967A1 (en) | 2022-07-21 |
US20200072727A1 (en) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113811754A (zh) | 颗粒分析仪的表征和分选 | |
US11686663B2 (en) | Characterization and sorting for particle analyzers | |
US10613017B2 (en) | Biexponential transformation for particle sorters | |
US11994459B2 (en) | Adaptive sorting for particle analyzers | |
US11674881B2 (en) | Subsampling flow cytometric event data | |
AU2020207365A1 (en) | Optimized sorting gates | |
US11662297B2 (en) | Method for index sorting unique phenotypes and systems for same | |
US11927522B2 (en) | Methods for identifying saturated data signals in cell sorting and systems for same | |
EP4247255A1 (en) | Method for optimal scaling of cytometry data for machine learning analysis and systems for same |
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 |