CN114415756B - 一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 - Google Patents
一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 Download PDFInfo
- Publication number
- CN114415756B CN114415756B CN202210048097.8A CN202210048097A CN114415756B CN 114415756 B CN114415756 B CN 114415756B CN 202210048097 A CN202210048097 A CN 202210048097A CN 114415756 B CN114415756 B CN 114415756B
- Authority
- CN
- China
- Prior art keywords
- temperature
- nucleic acid
- detection reagent
- acid detection
- environment
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法和系统,其用于对核酸检测试剂原料所处环境进行温度控制,核酸检测试剂原料所处环境被配置为适于以向其输入的温度控制参量和温控时间参量为依据进行温度调整,并适于以设定温度对核酸检测试剂原料进行质检或储运,温度控制参量和温控时间参量通过控制参数周期性地进行调整;控制参数包括基于温度控制模型获得的温度调整值和温控时间调整值温度控制模型包括状态输入矩阵、学习网络和输出单元;该控制方法可减少外界环境对核酸检测试剂原料所处环境的干扰,使其所处环境能够动态地保持在设定温度,保证核酸检测试剂原料质检结果的准确性以及运输过程中的稳定性。
Description
技术领域
本发明涉及核酸检测试剂原料环境温度监测和控制技术领域,具体涉及一种一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统。
背景技术
核酸检测试剂是一种利用DNA或RNA扩增检测技术,用于判断是否感染病毒的体外检测试剂,所利用的技术主要包括荧光定量PCR(qPCR)、等温扩增技术等。核酸检测试剂可通过检测是否含有某种病毒的遗传物质来判断是否感染该种病毒,常用来检测流感病毒、艾滋病毒(人体免疫缺陷病毒)、新型冠状病毒(COVID-19)等。
用于生产核酸检测试剂的原材料通常包括dNTP、引物、探针、Taq DNA聚合酶、UNG(尿嘧啶糖基化酶)、RT-PCR酶(反转录扩增酶),在实验室或生产车间对检测试剂原料进行生产质检时,需要控制试剂原料所处的环境温度处于某一特定值在一定的时间范围内,判断试剂原料是否具有热稳定性,同时在运输存储过程中,需要实时监测和控制恒温箱的温度,让试剂原料始终处于特定的低温保存环境,从而确保试剂原料的活性和性能。
但由于在对原料进行热稳定性质检过程中,质检环境的变化难以保证检测结果的精确性;在储运过程中外界环境的变化和普通恒温箱的温度异常波动都会导致低温保存效果受到影响,破坏原料活性,导致生产出的试剂存在一定瑕疵,更甚者造成病毒检测结果的误判,这对传染病病毒的检测造成的不良影响的危害性较大。
因此,为了能够有效验证核酸检测试剂原料的热稳定性,并且保证原料在特定低温下的活性,本发明提供一种一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统,以对试剂原料所处的环境温度进行监测和控制。
发明内容
本发明的目的在于克服背景技术中存在的上述缺陷或问题,提供一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统,其可以减少外界环境对质检平台和低温储运箱的温度的干扰,使得质检平台和低温储运箱能够动态地保持在设定温度,保证核酸检测试剂原料质检结果的准确性以及运输过程中的稳定性。。
为达成上述目的,本发明采用如下技术方案:
一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法,其用于对核酸检测试剂原料所处环境进行温度控制,所述核酸检测试剂原料所处环境被配置为适于以向其输入的温度控制参量和温控时间参量为依据进行温度调整,并适于以设定温度对所述核酸检测试剂原料进行质检或储运,所述温度控制参量和温控时间参量通过控制参数周期性地进行调整;所述控制参数包括温度调整值和温控时间调整值,其基于温度控制模型获得;所述温度控制模型包括状态输入矩阵、学习网络和输出单元;所述状态输入矩阵由所述核酸检测试剂原料所处环境的状态参量以预设周期排列所构成,所述的状态参量包括当前环境温度、设定温度和当前环境温度的差值、以及当前温控时间参量;所述学习网络基于近端策略优化算法框架建立,其用于依据所述状态输入矩阵进行深度强化学习并向所述输出单元传递所述控制参数;所述输出单元用于基于所述控制参数对所述温度控制参量和温控时间参量进行调整,以使所述核酸检测试剂原料所处环境的当前环境温度趋近所述的设定温度。
进一步的,所述核酸检测试剂原料所处环境包括质检环境和储运环境;所述质检环境为质检平台;所述储运环境为低温储运箱;所述温度控制模型根据接收的模式切换指令以质检模式或储运模式运行;所述温度控制模型以所述质检模式运行时,所述状态输入矩阵由质检平台当前温度、质检平台设定温度和其当前温度的差值、以及当前温控时间参量所构成;所述温度控制模型以储运模式运行时,所述状态输入矩阵由低温储运箱当前温度、低温储运箱设定温度和当前温度的差值、以及当前温控时间参量所构成。
进一步的,所述温度控制模型以所述质检模式运行时,基于预设的定时时间控制所述质检模式的运行时长。
进一步的,所述温度控制模型以所述质检模式运行时,根据接收的类型切换指令以第一类型模式运行或第二类型模式运行;所述第一类型模式应用于所述核酸检测试剂原料为尿嘧啶糖基化酶,其对应的设定温度为37℃,定时时间为3min;所述第二类型模式应用于所述核酸检测试剂原料为Taq DNA聚合酶或RT-PCR酶,其对应的设定温度为94℃,定时时间为60min。
进一步的,所述温度控制模型以所述储运模式运行时,根据接收的停止运行指令控制所述储运模式的运行时长。
进一步的,所述温度控制模型以所述储运模式运行时,其对应的设定温度为-20℃。
进一步的,所述学习网络基于多任务学习的近端策略优化算法框架建立,其根据梯度下降方法更新其向所述输出单元传递的控制参数;所述梯度下降方法中的梯度根据反向传播算法获得。
此外,本发明还提供一种基于深度强化学习的核酸检测试剂原料环境温度的控制系统,其用于对核酸检测试剂原料所处环境进行温度控制,所述核酸检测试剂原料所处环境被配置为适于以向其输入的温度控制参量和温控时间参量为依据进行温度调整,并适于以设定温度对所述核酸检测试剂原料进行质检或储运,其包括控制器和温度传感器;所述控制器用于根据如权利要求1-7任一项所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法控制所述核酸检测试剂原料所处环境的温度;所述温度传感器用于获取所述核酸检测试剂原料所处环境的温度。
此外,本发明还提供一种控制装置,包括处理器和与所述处理器通信连接的存储介质;所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令以实现如上述任一项所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法。
此外,本发明还提供一种计算机可读存储介质,其特征是,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述任一项所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法。
由上述对本发明的描述可知,相对于现有技术,本发明具有的如下有益效果:
本发明提供的温度控制方法利用深度强化学习算法和模型保证核酸检测试剂原料在质检过程或储运过程中环境温度的稳定性,核酸检测试剂原料所处的质检平台或低温储运箱可通过温度控制参量和温控时间参量进行温度调整,该温度控制方法中通过温度控制模型输出控制参数对温度控制参量和温控时间参量进行调整,并实时获取质检平台或低温储运箱的当前温度作为温度控制模型的状态输入矩阵的构成元素,再通过学习网络对状态输入矩阵进行评价并生成新的控制参数,再通过输出单元控制质检平台或低温储运箱的温度控制参量和温控时间参量,使得最终质检平台和低温储运箱可以以设定温度运行,减少外界环境对质检平台和低温储运箱的温度的干扰,使得质检平台和低温储运箱能够动态地保持在设定温度,保证核酸检测试剂原料质检结果的准确性以及运输过程中的稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域的普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于深度强化学习的核酸检测试剂原料的控制系统的实施例的结构示意图;
图2为图1中的多任务学习的PPO算法模型的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的优选实施例,且不应被看作对其他实施例的排除。基于本发明实施例,本领域的普通技术人员在不作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的权利要求书、说明书及上述附图中,除非另有明确限定,如使用术语“第一”、“第二”或“第三”等,都是为了区别不同对象,而不是用于描述特定顺序。
本发明的权利要求书、说明书及上述附图中,除非另有明确限定,对于方位词,如使用术语“中心”、“横向”、“纵向”、“水平”、“垂直”、“顶”、“底”、“内”、“外”、“上”、“下”、“前”、“后”、“左”、“右”、“顺时针”、“逆时针”等指示方位或位置关系乃基于附图所示的方位和位置关系,且仅是为了便于叙述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位或以特定的方位构造和操作,所以也不能理解为限制本发明的具体保护范围。
本发明的权利要求书、说明书及上述附图中,除非另有明确限定,如使用术语“固接”或“固定连接”,应作广义理解,即两者之间没有位移关系和相对转动关系的任何连接方式,也就是说包括不可拆卸地固定连接、可拆卸地固定连接、连为一体以及通过其他装置或元件固定连接。
本发明的权利要求书、说明书及上述附图中,如使用术语“包括”、“具有”以及它们的变形,意图在于“包含但不限于”。
本发明实施例提供一种基于深度强化学习的核酸检测试剂原料环境温度的控制系统,该控制系统用于对核酸检测试剂原料所处环境进行温度控制,其中核酸检测试剂原料所处环境被配置为适于以向其输入的温度控制参量和温控时间参量为依据进行温度调整,并适于以设定温度对核酸检测试剂原料进行质检或储运,其中,该控制系统主要包括控制器和温度传感器。
具体的,该控制器用于根据本发明所提供的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法控制核酸检测试剂原料所处环境的温度,温度传感器用于获取核酸检测试剂原料所处环境的温度。
上述的基于深度强化学习的核酸检测试剂原料环境温度的控制方法主要包括:
温度控制参量和温控时间参量通过控制参数周期性地进行调整;
控制参数包括温度调整值和温控时间调整值,其基于温度控制模型获得;
温度控制模型包括状态输入矩阵、学习网络和输出单元;
状态输入矩阵由核酸检测试剂原料所处环境的状态参量以预设周期排列所构成,状态参量包括当前环境温度、设定温度和当前环境温度的差值、以及当前温控时间参量;
学习网络基于近端策略优化算法框架建立,其用于依据状态输入矩阵进行深度强化学习并向输出单元传递控制参数;
输出单元用于基于控制参数对温度控制参量和温控时间参量进行调整,以使核酸检测试剂原料所处环境的当前环境温度趋近的设定温度。
其中,核酸检测试剂原料所处环境包括质检环境和储运环境,质检环境具体为质检平台,储运环境具体为低温储运箱;对应于不同的所处环境,温度控制模型可根据接收的模式切换指令在质检模式或储运模式之间切换运行。
具体的,当温度控制模型以质检模式运行时,状态输入矩阵由质检平台当前温度、质检平台设定温度和其当前温度的差值、以及当前温控时间参量所构成;当温度控制模型以储运模式运行时,状态输入矩阵由低温储运箱当前温度、低温储运箱设定温度和当前温度的差值、以及当前温控时间参量所构成。
同时,在温度控制模型以质检模式运行时,其可基于预设的定时时间控制质检模式的运行时长。在定时时间结束后,温度控制模型停止运行,此时即可对质检平台上的核酸检测试剂原料进行活性检测,若活性检测通过,即可将核酸检测试剂原料进行储运操作。
针对不同的核酸检测试剂原料,温度控制模型在以质检模式运行时,还可根据接收的类型切换指令以第一类型模式运行或第二类型模式运行。
其中,第一类型模式应用于核酸检测试剂原料为尿嘧啶糖基化酶的情形,在该模式下,对应的设定温度为37℃,定时时间为3min,即控制质检平台的温度为37℃,并在3min后停止质检;第二类型模式应用于所述核酸检测试剂原料为Taq DNA聚合酶或RT-PCR酶的清洗,在该模式下,对应的设定温度为94℃,定时时间为60min,即控制质检平台的温度为94℃,并在60min后停止质检。
此外,在温度控制模型以所述储运模式运行时,其可根据接收的停止运行指令控制储运模式的运行时长,即温度控制模型可以以储运模式长时间运行,以保证在储运过程中低温储运箱内的温度保持在动态稳定状态,直至需要停止储运流程时,再根据接收的停止运行指令停止控制参数的输出。
其中,温度控制模型以所述储运模式运行时,其对应的设定温度为-20℃。
应当理解的是,上述的温度控制模型中的学习网络是基于多任务学习的近端策略优化算法框架建立,其根据梯度下降方法更新其向输出单元传递的控制参数;梯度下降方法中的梯度根据反向传播算法获得。
进一步的,参照图1,该控制系统具体包括有数据采集装置10、上位机运算系统20和执行机构30。
其中,数据采集装置10包括上述的温度传感器103和数据传输线104,温度传感器103用于实时获取作为核酸检测试剂原料所处环境的质检平台101或低温储运箱102的温度,并将获取的温度信息通过数据传输线104传输至上位机运算系统20。
上位机运算系统20形成该控制系统的控制器,其主要包括通信接口201、数据处理模块202和多任务学习的PPO算法模型203,通信接口201于数据传输线104连接并用于接收温度传感器103所获取的质检平台101或低温储运箱102的温度信息,并可将获取的温度信息传输至数据处理模块202,数据处理模块202用于对获取的温度信息、该温度信息与设定温度之间的差值和针对质检平台101所预设的定时时间进行归一化处理,并构造适应于PPO强化学习模型的状态输入矩阵,并将该状态输入矩阵输入值多任务学习的PPO算法模型203进行处理运算,以周期性地输出控制参数。
执行机构30包括指令接收模块301、存储单元302、定时器303、温控仪304和动作输出模块305,其中指令接收模块301用于接收上位机运算系统20输出的控制参数,并将接收到的控制参数传递至定时器303和温控仪304,同时将控制参数的数据值存储在存储单元302,定时器303和温控仪304将控制参数传递至动作传输模块305,再由动作传输模块305将控制参数发送至质检平台101或低温储运箱102,进而调整质检平台101或低温储运箱102的温度。
具体的,该控制系统中的上位机运算系统20和执行机构30用于构建本发明所提供的控制方法中所提供的温度控制模型,其中数据处理模块202用于构建状态输入矩阵,多任务学习的PPO算法模型203用于组成学习网络,执行机构30用于形成上述的输出单元。
参照图2,图2示出了上述的控制系统中的多任务学习的PPO算法模型的数据处理和传输过程,其中,该算法模型基于多任务学习的近端策略优化算法框架建立,在本实施例中,其任务1针对于该温度控制模型的质检模式,任务2针对于该温度控制模型的储运模式。
状态输入矩阵为该算法模型的输入数据,其具体为状态(观测值)矩阵,其中的元素以s标记,并以下标进行区分,其中位于左侧的下标为该元素的类型,例如1表示当前环境温度,2表示设定温度和当前环境温度的差值,3表示当前温控时间参量等,位于右侧的下标为该元素基于相同的周期依次获取的数值。
温控/定时变化的动作选择为该算法模型的结果输出,其包括温度控制参量和温控时间参量的上升、下降和不变三种输出结果,上述的近端策略优化算法可根据运算得到的预测概率选择其中输出概率最大的数值作为控制参数进行输出。
具体而言,温度控制参量为一具体的温度数值,其用于传递至质检平台101或低温储运箱102并使质检平台101或低温储运箱102的温度控制器调整至该温度数值,温控时间参量为一时长数值,其用于传递至质检平台101或低温储运箱102并使质检平台101或低温储运箱102的温度控制器以对应的温度控制参量运行该时长,通过温度控制参量和温控时间参量进行温度调整,可使质检平台101或低温储运箱102在环境温度变化的情况下,动态地保持质检平台101或低温储运箱102的温度保持或趋近于设定温度。
设定温度为一具体的温度数值,其根据不同的情况进行设置,例如在对尿嘧啶糖基化酶进行质检时,设定温度即为37℃,即通过温度控制模型实时地控制质检平台101的温度保持在37℃。
此外,温度控制模型由于包括有学习网络,因此其可以根据所采用的近端策略优化算法,基于实时获取的状态输入矩阵所包括的数据,实时地更新其内部的神经网络的权重值,并据此提高预测结果的准确性,使得输出的控制参数可以更准确地对质检平台101或低温储运箱102的温度进行控制。应当理解的是,此处所采用的近端策略优化算法为深度强化学习领域的常规算法,其具体的算法框架、运算过程以及模型的建立,本领域技术人员可在本申请所公开的内容的基础上,根据本领域的常规技术内容自行实施。
此外,在上述方法的基础上,本实施例还公开了一种控制装置,其包括至少一个处理器(processor)以及存储器(memory),还可以包括显示屏、通信接口(CommunicationsInterface)和总线。其中,处理器、显示屏、存储器和通信接口可以通过总线完成相互间的通信。显示屏设置为显示初始设置模式中预设的用户引导界面。通信接口可以传输信息。处理器可以调用存储器中的逻辑指令,以执行上述实施例中的控制方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器通过运行存储在存储器中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的控制方法。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
上述说明书和实施例的描述,用于解释本发明保护范围,但并不构成对本发明保护范围的限定。通过本发明或上述实施例的启示,本领域普通技术人员结合公知常识、本领域的普通技术知识和/或现有技术,通过合乎逻辑的分析、推理或有限的试验可以得到的对本发明实施例或其中一部分技术特征的修改、等同替换或其他改进,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法,其用于对核酸检测试剂原料所处环境进行温度控制,所述核酸检测试剂原料所处环境被配置为适于以向其输入的温度控制参量和温控时间参量为依据进行温度调整,并适于以设定温度对所述核酸检测试剂原料进行质检或储运,其特征是,
所述温度控制参量和温控时间参量通过控制参数周期性地进行调整;
所述控制参数包括温度调整值和温控时间调整值,其基于温度控制模型获得;
所述温度控制模型包括状态输入矩阵、学习网络和输出单元;
所述状态输入矩阵由所述核酸检测试剂原料所处环境的状态参量以预设周期排列所构成,所述的状态参量包括当前环境温度、设定温度和当前环境温度的差值、以及当前温控时间参量;
所述学习网络基于近端策略优化算法框架建立,其用于依据所述状态输入矩阵进行深度强化学习并向所述输出单元传递所述控制参数;
所述输出单元用于基于所述控制参数对所述温度控制参量和温控时间参量进行调整,以使所述核酸检测试剂原料所处环境的当前环境温度趋近所述的设定温度;
所述核酸检测试剂原料所处环境包括质检环境和储运环境;所述质检环境为质检平台;所述储运环境为低温储运箱;
所述温度控制模型根据接收的模式切换指令以质检模式或储运模式运行;
所述温度控制模型以所述质检模式运行时,所述状态输入矩阵由质检平台当前温度、质检平台设定温度和其当前温度的差值、以及当前温控时间参量所构成;
所述温度控制模型以储运模式运行时,所述状态输入矩阵由低温储运箱当前温度、低温储运箱设定温度和当前温度的差值、以及当前温控时间参量所构成;
所述温度控制模型以所述质检模式运行时,基于预设的定时时间控制所述质检模式的运行时长;
所述温度控制模型以所述储运模式运行时,根据接收的停止运行指令控制所述储运模式的运行时长;
针对不同的核酸检测试剂原料,温度控制模型在以质检模式运行时,还可根据接收的类型切换指令以第一类型模式运行或第二类型模式运行。
2.如权利要求1所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法,其特征是,所述温度控制模型以所述质检模式运行时,根据接收的类型切换指令以第一类型模式运行或第二类型模式运行;
所述第一类型模式应用于所述核酸检测试剂原料为尿嘧啶糖基化酶,其对应的设定温度为37℃,定时时间为3min;
所述第二类型模式应用于所述核酸检测试剂原料为TaqDNA聚合酶或RT-PCR酶,其对应的设定温度为94℃,定时时间为60min。
3.如权利要求1所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法,其特征是,所述温度控制模型以所述储运模式运行时,其对应的设定温度为-20℃。
4.如权利要求1所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法,其特征是,所述学习网络基于多任务学习的近端策略优化算法框架建立,其根据梯度下降方法更新其向所述输出单元传递的控制参数;所述梯度下降方法中的梯度根据反向传播算法获得。
5.一种基于深度强化学习的核酸检测试剂原料环境温度的控制系统,其用于对核酸检测试剂原料所处环境进行温度控制,所述核酸检测试剂原料所处环境被配置为适于以向其输入的温度控制参量和温控时间参量为依据进行温度调整,并适于以设定温度对所述核酸检测试剂原料进行质检或储运,其特征是,包括控制器和温度传感器;
所述控制器用于根据如权利要求1-4任一项所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法控制所述核酸检测试剂原料所处环境的温度;
所述温度传感器用于获取所述核酸检测试剂原料所处环境的温度。
6.一种控制装置,其特征是,包括处理器和与所述处理器通信连接的存储介质;所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令以实现如权利要求1-4任一项所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法。
7.一种计算机可读存储介质,其特征是,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-4任一项所述的一种基于深度强化学习的核酸检测试剂原料环境温度的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048097.8A CN114415756B (zh) | 2022-01-17 | 2022-01-17 | 一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048097.8A CN114415756B (zh) | 2022-01-17 | 2022-01-17 | 一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415756A CN114415756A (zh) | 2022-04-29 |
CN114415756B true CN114415756B (zh) | 2023-09-05 |
Family
ID=81274243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048097.8A Active CN114415756B (zh) | 2022-01-17 | 2022-01-17 | 一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415756B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115197835B (zh) * | 2022-09-15 | 2023-07-11 | 浙江正合谷生物科技有限公司 | 一种基于自学习的核酸扩增荧光定量温控系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101792817A (zh) * | 2009-11-30 | 2010-08-04 | 浙江大学 | 对虾ihhnv的检测方法及所用核酸等温扩增检测试剂盒 |
CN103135634A (zh) * | 2013-01-18 | 2013-06-05 | 上海交通大学 | 聚合酶链式反应生物芯片温度控制方法及装置 |
CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
CN113195700A (zh) * | 2019-03-19 | 2021-07-30 | 株式会社日立制作所 | 数字pcr检测装置 |
CN113377140A (zh) * | 2021-06-09 | 2021-09-10 | 厦门大学 | 用于核酸检测装置的温度控制方法及装置 |
CN113652348A (zh) * | 2021-07-23 | 2021-11-16 | 广东省科学院健康医学研究所 | 一种pcr扩增系统及其控制方法 |
CN113821903A (zh) * | 2021-07-09 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 温度控制方法和设备、模块化数据中心及存储介质 |
CN215328113U (zh) * | 2021-01-29 | 2021-12-28 | 电子科技大学成都学院 | 一种基于深度学习的核酸检测设备 |
-
2022
- 2022-01-17 CN CN202210048097.8A patent/CN114415756B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101792817A (zh) * | 2009-11-30 | 2010-08-04 | 浙江大学 | 对虾ihhnv的检测方法及所用核酸等温扩增检测试剂盒 |
CN103135634A (zh) * | 2013-01-18 | 2013-06-05 | 上海交通大学 | 聚合酶链式反应生物芯片温度控制方法及装置 |
CN113195700A (zh) * | 2019-03-19 | 2021-07-30 | 株式会社日立制作所 | 数字pcr检测装置 |
CN112050397A (zh) * | 2020-08-27 | 2020-12-08 | 浙江省邮电工程建设有限公司 | 一种机房温度调控方法及系统 |
CN215328113U (zh) * | 2021-01-29 | 2021-12-28 | 电子科技大学成都学院 | 一种基于深度学习的核酸检测设备 |
CN113377140A (zh) * | 2021-06-09 | 2021-09-10 | 厦门大学 | 用于核酸检测装置的温度控制方法及装置 |
CN113821903A (zh) * | 2021-07-09 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 温度控制方法和设备、模块化数据中心及存储介质 |
CN113652348A (zh) * | 2021-07-23 | 2021-11-16 | 广东省科学院健康医学研究所 | 一种pcr扩增系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114415756A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114415756B (zh) | 一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 | |
Renshaw et al. | Condensins promote chromosome recoiling during early anaphase to complete sister chromatid separation | |
Vaswani et al. | Persistent residual errors in motor adaptation tasks: reversion to baseline and exploratory escape | |
CN110362494B (zh) | 微服务状态信息展示的方法、模型训练方法以及相关装置 | |
EP3291038A1 (en) | Controlling and monitoring a process to produce a chemical, pharmaceutical or biotechnological product | |
Lim et al. | HTLV-I infection: a dynamic struggle between viral persistence and host immunity | |
US20050272923A1 (en) | Mature microRNA prediction method using bidirectional hidden markov model and medium recording computer program to implement the same | |
WO2020012616A1 (ja) | 情報処理装置、情報処理方法、プログラム、及び情報処理システム | |
CN115747315A (zh) | 基于聚合酶链式反应的检测控制方法、装置和计算机设备 | |
CN111210087B (zh) | 水产品无水保活运输品质动态预测及控制优化方法及装置 | |
Hayden et al. | Multicenter evaluation of a commercial cytomegalovirus quantitative standard: effects of commutability on interlaboratory concordance | |
Métris et al. | Use of optical density detection times to assess the effect of acetic acid on single-cell kinetics | |
Chauhan et al. | Analytical kinetic model of native tandem promoters in E. coli | |
Goldbach et al. | The structure of Tetrahymena pyriformis mitochondrial DNA. I. Strain differences and occurrence of inverted repetitions. | |
CN116350190B (zh) | 一种驾驶能力确定方法、电子设备及存储介质 | |
Fryer et al. | Viral burden is associated with age, vaccination, and viral variant in a population-representative study of SARS-CoV-2 that accounts for time-since-infection-related sampling bias | |
US20230282303A1 (en) | Dynamic characterization of synthetic genetic circuits in living cells | |
Modolo et al. | A new genome-wide method to track horizontally transferred sequences: application to Drosophila | |
Illingworth et al. | A de novo approach to inferring within-host fitness effects during untreated HIV-1 infection | |
Chen et al. | A computational atlas of tissue-specific regulatory networks | |
US8306754B2 (en) | Nucleic acid amplification determining method and nucleic acid amplification determining device | |
Reia et al. | Analysis of statistical correlations between properties of adaptive walks in fitness landscapes | |
Kowalczyk et al. | A cautionary tale on proper use of branch-site models to detect convergent positive selection | |
Yang et al. | Kinetic characteristics of transcriptional bursting in a complex gene model with cyclic promoter structure | |
Webb et al. | Specific nucleic acid ligation for the detection of schistosomes: SNAILS |
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 |