CN114729887A - 信息处理系统和信息处理装置 - Google Patents

信息处理系统和信息处理装置 Download PDF

Info

Publication number
CN114729887A
CN114729887A CN202080073498.8A CN202080073498A CN114729887A CN 114729887 A CN114729887 A CN 114729887A CN 202080073498 A CN202080073498 A CN 202080073498A CN 114729887 A CN114729887 A CN 114729887A
Authority
CN
China
Prior art keywords
information processing
data
processing apparatus
fluorescent dye
measurement
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
Application number
CN202080073498.8A
Other languages
English (en)
Inventor
西牧悠二
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Group Corp
Original Assignee
Sony Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Group Corp filed Critical Sony Group Corp
Publication of CN114729887A publication Critical patent/CN114729887A/zh
Pending legal-status Critical Current

Links

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
    • G01N15/1434—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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N35/00871—Communications between instruments or with remote terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N35/00871—Communications between instruments or with remote terminals
    • G01N2035/00881—Communications between instruments or with remote terminals network configurations

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Dispersion Chemistry (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明的目的是提供一种信息处理系统和信息处理装置，利用该信息处理系统和信息处理装置可以减少从本地环境发送到云环境的数据量。根据本发明的实施例的信息处理系统包括第一信息处理装置(100)和第二信息处理装置(200)，其中：第一信息处理装置设置有第一处理单元(103)和发送单元(104)，第一处理单元(103)向已经使用多种荧光染料进行染色的测量对象物照射光，并且通过使用针对用于对测量对象物进行染色的每种荧光染料的参考数据对借助于光的照射测量的测量数据进行压缩处理来产生压缩数据，发送单元(104)将压缩数据发送到第二信息处理装置；并且第二信息处理装置设置有第二处理单元(203)，第二处理单元(203)使用从第一信息处理装置接收的参考数据和压缩数据执行重构处理，以生成重构数据。

Description

信息处理系统和信息处理装置
技术领域
本公开涉及信息处理系统和信息处理装置。
背景技术
在医学、生物化学等领域中，流式细胞仪有时用于快速测量大量颗粒的特性。作为使用称为流式细胞术的分析方法的测量装置的流式细胞仪用光照射诸如流过流式细胞的细胞的颗粒并且检测从颗粒发射的荧光。
以下专利文献1公开了在流式细胞仪(微粒测量装置)的荧光检测中，检测连续波长区域中的光的强度作为荧光光谱。在专利文献1中公开的微粒测量装置中，通过使用分光元件(诸如棱镜或光栅)，从颗粒(诸如使用多种荧光染料染色的细胞)发射的荧光被分散，并且分散的荧光通过其中布置具有不同检测波长区域的多个光接收元件的光接收元件阵列来检测。通过收集构成光接收元件阵列的各个光接收元件的检测值，可以测量诸如细胞的测量对象物的荧光光谱。
这种流式细胞仪被称为光谱流式细胞仪。与使用滤光器分离和检测每个波长区域的荧光的滤光器方法相比，光谱流式细胞仪具有以下优点：关于荧光的信息可以被完全地用作分析信息。
此外，例如，以下专利文献2至5公开了其中通过表示各荧光染料的标准荧光波长分布的参考数据(单一染色光谱)的线性和来近似通过光谱流式细胞仪获得的荧光光谱(测量光谱)以获得表示各荧光染料的测量结果的测量数据的方法。这种方法被称为光谱反混合(在下文中，简称为“反混合”)。
引用列表
专利文献
专利文献1：JP 5772425 B2
专利文献2：JP 5985140 B2
专利文献3：JP 5540952 B2
专利文献4：JP 5601098 B2
专利文献5：JP 5834584 B2
发明内容
技术问题
使用光谱流式细胞仪是有利的，因为可以获取其中混合了多个荧光染料的光谱的测量光谱和表示每个荧光染料的测量结果的测量数据，并且因此，可以使用这两者精细地执行测量对象物的分析。然而，为了在本地环境中执行这样的分析，有必要在本地环境中确保足够的计算资源。
因此，考虑将在本地环境中获得的数据传送至云环境并且分析云环境中的测量对象物。在云环境中使用分析应用使得能够通过利用云环境的足够的计算资源来容易地执行测量对象物的详细分析，并且使得能够容易地执行数据共享等，这提高了用户友好性。然而，在这种情况下，如果要从本地环境发送到云环境的数据量大，则用于数据发送的数据发送时段和通信频带增加，并且将数据存储在云环境中所需的存储成本也增加。因此，期望减少要从本地环境发送到云环境的数据量。
问题的解决方案
根据本公开，一种信息处理系统包括：第一信息处理装置；以及第二信息处理装置，第一信息处理装置包括：第一处理单元，被配置为用光照射利用多种荧光染料染色的测量对象物，通过使用针对用于对测量对象物进行染色的每种荧光染料的参考数据，对通过照射而测量的测量数据进行压缩处理，来生成压缩数据；以及发送单元，被配置为将压缩数据发送至第二信息处理装置，第二信息处理装置包括：第二处理单元，第二处理单元被配置为通过使用参考数据和从第一信息处理装置接收的压缩数据执行恢复处理来生成恢复数据。
此外，根据本公开，一种信息处理装置包括：第一处理单元，被配置为通过使用针对用于对测量对象物进行染色的每种荧光染料的参考数据，对测量数据执行压缩处理来生成压缩数据，测量数据是用光照射利用多种荧光染料染色的测量对象物而测量的；第二处理单元，被配置为通过使用参考数据和压缩数据执行恢复处理来生成恢复数据。
附图说明
[图1]是示出了在云环境中使用分析应用的情况下的一般数据流的视图。
[图2]是示出在本地环境中执行反混合的情况下的数据流的示例的视图。
[图3]是示出根据本公开的数据流的示例的视图。
[图4A]是用于解释通过反混合的逆转换的数据再现性的视图。
[图4B]是用于解释通过反混合的逆转换的数据再现性的示图。
[图5]是示出根据第一实施方式的信息处理系统的配置实例的框图。
[图6]是示出流式细胞仪的示意性配置实例的视图。
[图7]是说明反混合的概要的示图。
[图8]是示出在根据第一实施方式的信息处理系统中执行的一系列处理的流程的流程图。
[图9]是示出了根据第二实施方式的数据流的实例的示图。
[图10]是示出根据第二实施方式的信息处理系统的配置实例的框图。
[图11]是示出在根据第二实施方式的信息处理系统中执行的一系列处理的流程的流程图。
[图12]是示出根据第三实施方式的数据流的实例的示图。
[图13]是示出根据第三实施方式的信息处理系统的配置实例的框图。
[图14]是示出了在根据第三实施方式的信息处理系统中执行的一系列处理的流程的流程图。
[图15]是示出了根据第四实施方式的信息处理系统的配置示例的框图。
[图16]是说明在根据第四实施方式的信息处理系统中执行的特征处理的流程图。
[图17]是说明变形例的框图。
[图18]是示出荧光成像装置的示意性配置实例的视图。
[图19]是示出信息处理装置的硬件配置的实例的示图。
具体实施方式
将参考附图详细描述本公开的有利实施例。在本说明书和附图中，具有基本相同的功能配置的部件由相同的附图标记表示，并且省略冗余的描述。
注意，将按照以下顺序给出描述。
1.本公开的概述
2.第一实施例
3.第二实施例
4.第三实施例
5.第四实施例
6.第五实施例
7.硬件配置实例
8.补充说明
<1.本公开的概述>
例如，为了提高使用光谱流式细胞仪分析测量对象物的用户友好性，已经研究了在云环境中使用分析应用。虽然通过在云环境中使用分析应用来提高用户友好性，但是需要将分析处理所需的数据从本地环境发送到云环境并将数据存储在云环境中。这里，如果可以减少要从本地环境发送到云环境的数据量，则可以减少数据发送时段和数据通信频带。进一步，可以降低云环境中存储的存储成本。
在图1中示出了在云环境中使用分析应用的情况下的一般数据流。在使用光谱流式细胞仪的测量对象物的分析中，使用通过用光照射使用多个荧光染料染色的测量对象物而测量的测量数据(在下文中，称为“荧光光谱”)FS以及通过使用参考数据(在下文中，称为“光谱参考”)SR对荧光光谱FS执行数据压缩处理而获得的压缩数据(在下文中，称为“荧光染料量”)FC，参考数据SR表示用于染色测量对象物的每种荧光染料的标准荧光波长分布。
用于产生荧光染料量FC的数据压缩处理可以是有损压缩、线性处理或非线性处理。非线性处理可以包括例如维度压缩处理、聚类处理、分组处理等。此外，线性处理可包括例如通过进行荧光分离从生物源粒子的光的光谱信息生成各荧光染料的荧光信息的处理。在本说明书中，这样的数据压缩处理被称为反混合。
在分析应用被用于云环境中的情况下，通常可想到在云环境中执行这种反混合。因此，在这种情况下，如图1所示，从光谱流式细胞仪获取的荧光光谱FS和用于反混合的光谱参考SR需要从局部环境传送至云环境并且存储在云环境中。
这里的问题是荧光光谱FS的数据大小非常大。由此，从本地环境到云环境的数据发送时段变长，并且存在诸如大量带宽被用于数据发送的问题和用于在云环境中存储数据的存储成本变高的问题。
对于这种问题，可想到几种方法。例如，存在以下方法：在将荧光光谱FS传送至云环境之前，在通过无损压缩(或删除未使用的比特)减少数据量之后传送荧光光谱FS。然而，期望通过无损压缩来恢复与压缩之前的数据相同的数据，这限制了压缩率并且降低了效率。
此外，可以存在一种方法，其中，在将荧光光谱FS传送至云环境之前，有损压缩荧光光谱FS，以减少数据量，然后传送。在该方法中，与无损压缩相比，可预期数据的高压缩率。然而，如果有损压缩的荧光光谱FS在云环境中恢复，则出现误差。由于要在云环境中执行的反混合，这里发生的误差增加，这导致在云环境中产生的荧光染料量FC的误差变得非常大的问题。这是因为当通过反混合产生荧光染料量FC时，对荧光光谱FS执行重复积和运算。通过该积和运算，荧光光谱FS的误差增加并传播至荧光染料量FC。
此外，还可存在以下方法，其中，在局部环境中执行反混合以针对每种荧光染料生成荧光染料量FC，荧光染料量FC从局部环境传送至云环境，并且荧光光谱FS在背景中从局部环境发送至云环境。这种情况下的数据流在图2中示出。
荧光染料量FC在尺寸上低于荧光光谱FS，并且具有数据大小充分小于荧光光谱FS的数据大小的特征。此外，反混合所需的周期充分短于荧光光谱FS的数据传递所需的周期。因此，通过在局部环境中产生荧光染料量FC并且将所生成的荧光染料量FC传送至云环境，荧光染料量FC可比在云环境中执行反混合的情况更早用于分析。然而，不仅荧光染料量FC而且荧光光谱FS用于如上所述的分析处理中，并且因此，用户需要等待荧光光谱FS传送到背景中的云环境。此外，在该方法中，需要在云环境中存储具有大数据大小的荧光光谱FS和荧光染料量FC两者，这不能解决在云环境中存储数据的存储成本增加的问题。
因此，本公开使用利用反混合的逆转换从云环境中的荧光染料量FC和光谱参考SR恢复荧光光谱FS的方法。这消除了将荧光光谱FS从本地环境传送到云环境并且将荧光光谱FS存储在云环境中的需要，这导致数据传送周期、通信频带和存储成本的减少。
图3中示出本公开的数据流的示例。在本公开中，如在图3中示出的，通过在局部环境中反混合从光谱流式细胞仪获得的荧光光谱FS来产生荧光染料量FC。然后，将用于反混合的荧光染料量FC和光谱参考SR从局部环境传送到云环境。此后，在云环境中，使用从局部环境传送的荧光染料量FC和光谱参考SR执行在局部环境中执行的反混合的逆转换，以恢复荧光光谱FS。恢复的荧光光谱FS被称为恢复荧光光谱FS'。
通过反混合的逆转换获得的恢复荧光光谱FS'并不精确地再现原始荧光光谱FS，而是足够接近原始荧光光谱FS的数据。因此，通过使用恢复荧光光谱FS'和荧光染料量FC进行分析处理，可以精细地分析测量对象物，如在使用原始荧光光谱FS和荧光染料量FC的情况下。
这里，将考虑通过反混合的逆转换的数据的再现性。下文指示反混合的表达。这里，S表示光谱参考SR，Xi(其中i为1至n)表示各荧光染料的荧光染料量FC的值，n表示荧光染料的数量，yi(其中i为1至m)表示针对各频率区域设置的各检测通道的荧光光谱FS的值，并且m表示检测通道的数量。此处，将描述通过加权最小二乘法执行反混合的实例，但可使用诸如最小二乘法等其他方法来执行反混合。
Figure BDA0003606050060000071
Figure BDA0003606050060000072
在此，将荧光染料的数量是两个并且检测通道的数量是三个的情况视为简单的实例。在这种情况下，荧光染料量FC与荧光光谱FS之间的关系可以使用三个表达式表示：S11·x1+S12·x2＝y1,S21·x1+S22·x2＝y2,并且S31·x1+S32·x2＝y3。这些方程有三个解(x1，x2)。从这些解获得一个最可能解的处理是反混合处理。换句话说，反混合意味着获得最接近以下表达式的x1和x2。
Figure BDA0003606050060000073
例如，如图4A所示，通过用适当的数值替换S和y并用2x1+3x2＝5、3x1-x2＝2和-x1+x2＝1的三个表达式替换上述三个表达式，可获得(2/5、7/5)、(1，1)和(3/2、5/2)的三种解。在这种情况下，由于反混合，可获得一种解决方案(137/153，83/75)。
如果(137/153，83/75)是通过反混合获得的，那么可从S和x获得接近y的值。换句话说，如果x1＝137/153和x2＝83/75分别被代入2x1+3x2＝5、3x1-x2＝2和-x1+x2＝1的三个表达式中，则获得y1＝5.14667、y2＝1.633333和y3＝0.1933333，其分别接近原始三个表达式中的y的值。该处理对应于反混合的逆转换。
通过反混合的逆转换而恢复的三个表达式(2x1+3x2＝5.14667,3x1-x2＝1.633333,-x1+x2＝0.1933333)连同原始三个等式(2x1+3x2＝5,3x1-x2＝2,-x1+x2＝1)一起在图4B中示出。图中的实线指示通过反混合的逆转换恢复的表达式，虚线指示原始表达式。从图4B中可以看出，原始数据不能通过反混合的逆转换被完全再现，但是可以恢复具有接近值的数据。
如上所述，根据本公开的方法，通过使用从本地环境传送至云环境的荧光染料量FC和光谱参考SR的反混合的逆转换，在云环境中恢复荧光光谱FS，使得不需要将具有大数据大小的荧光光谱FS从本地环境传送至云环境。因此，可以减少要从本地环境发送到云环境的数据量。此外，可以通过在执行分析处理时执行反混合的逆转换来恢复荧光光谱FS，使得不必总是将荧光光谱FS存储在云环境中。因此，可以减少要存储在云环境中的数据量，使得可以降低存储成本。
<2.第一实施方式>
图5是示出根据第一实施方式的信息处理系统的配置实例的框图。如图5所示，根据本实施方式的信息处理系统包括设置在本地环境中的流式细胞仪10和第一信息处理装置100以及设置在云环境中的第二信息处理装置200。设置在本地环境中的第一信息处理装置100和设置在云环境中的第二信息处理装置200经由网络20连接。例如，网络20可包括公共网络(诸如互联网、电话网络或卫星通信网络)、包括以太网(注册商标)的各种局域网(LAN)、广域网(WAN)等。
流式细胞仪10通过用光照射使用多个荧光染料染色的测量对象物来测量荧光光谱FS(测量数据)。测量对象物可以是生物源颗粒，诸如细胞、组织、微生物和生物相关颗粒。例如，细胞可以是动物细胞(例如，血细胞)、植物细胞等。例如，组织可以是从人体等采集的组织，或者可以是组织的一部分(包括组织细胞)而不是整个组织。例如，微生物可以是细菌如大肠杆菌、病毒如烟草花叶病毒、真菌如酵母等。生物相关颗粒可以是构成细胞如染色体、脂质体、线粒体或各种细胞器(细胞器)的颗粒。注意，生物相关颗粒可以包括生物相关聚合物，诸如核酸、蛋白质、脂质和糖链，以及它们的组合。这些生物源颗粒可以具有球形或非球形，并且在尺寸和质量方面不受特别限制。
测量对象物可以是胶乳粒子、凝胶粒子、工业粒子等工业合成粒子。例如，工业上合成的颗粒可以是用有机树脂材料如聚苯乙烯和聚甲基丙烯酸甲酯，无机材料如玻璃、二氧化硅和磁体，或金属如胶体金和铝合成的颗粒。工业上合成的颗粒也可以具有球形或非球形，并且以类似的方式在尺寸和质量上不受特别限制。
在测量荧光光谱FS之前，使用多种荧光染料对测量对象物进行染色(标记)。可以使用已知的方法用荧光染料标记测量对象物。具体地，在测量对象物为细胞的情况下，通过将选择性结合至细胞表面上存在的抗原的荧光标记的抗体与测量对象物细胞混合并将荧光标记的抗体结合至细胞表面上的抗原，可以用荧光染料标记测量对象物细胞。可选地，也可以通过将针对特定细胞选择性摄取的荧光染料与测量靶细胞混合，用荧光染料标记测量靶细胞。
荧光标记的抗体是荧光染料作为标记与其结合的抗体。荧光标记的抗体可以是引起荧光染料直接结合的抗体。可替代地，荧光标记的抗体可以是通过使亲和素结合到其上的荧光染料通过亲和素-生物素反应结合到生物素标记的抗体上而获得的抗体。注意，作为抗体，可以使用多克隆抗体或单克隆抗体。
用于标记细胞的荧光染料没有特别限制，可以使用用于染色细胞的已知染料等。例如，作为荧光染料，可以使用藻红蛋白(PE)、异硫氰酸荧光素(FITC)、PE-Cy5、PE-Cy7、PE-Texas Red(注册商标)、别藻蓝蛋白(APC)、APC-Cy7、溴化乙锭、碘化丙锭、Hoechst(注册商标)33258、Hoechst(注册商标)33342、DAPI(4'，6-二脒基-2-苯基吲哚)、吖啶橙、色霉素、光神霉素、橄榄霉素、吡喃素Y、噻唑橙、罗丹明101、异硫氰酸酯、BCECF、BCECF-AM、C.SNARF-1、C.SNARF-1AMA、水母发光蛋白、Indo-1、Indo-1-AM、Fluo-3、Fluo-3-AM、Fura-2、Fura-2-AM、氧诺酮(oxanol)、Texas Red(注册商标)、罗丹明123、10-N-壬y-吖啶橙、荧光素、荧光素二乙酸酯、羧基荧光素、羧基荧光素二乙酸酯、羧基二氯荧光素、羧基二氯荧光素二乙酸酯等。此外，也可以使用上述荧光染料等的衍生物。
图6中示出了流式细胞仪10的示意性配置实例。如图6所示，流式细胞仪10包括激光光源11、流式细胞12、分光元件13和光电检测器14。
激光光源11发射具有能够激发用于对测量对象物(样品)S进行染色的荧光染料的波长的激光。虽然在图6中仅示出了一个激光光源11，但是可以设置多个激光光源11。作为激光光源11，例如，可以使用发射具有预定波长的激光的半导体激光光源。从激光光源11发射的激光可以是脉冲光或连续光。
流式细胞12是允许测量对象物S例如细胞在一个方向上对齐的同时流动的流动路径。具体地，流式细胞12使围绕诸如细胞的测量对象物S的鞘液作为层流以高速流动，以在一个方向上对准和流动诸如细胞的测量对象物S。
分光元件13是通过利用来自激光光源11的激光照射将从测量对象物S发射的荧光分散为连续波长的光谱的光学元件。例如，可以使用棱镜、光栅等作为分光元件13。
光检测器14包括光接收元件阵列，该光接收元件阵列检测从用激光照射的测量对象物S产生的并且通过分光元件13分散的荧光。例如，光接收元件阵列具有其中布置具有待检测的光的不同波长区域的多个独立检测通道的配置。具体地，光接收元件阵列由例如布置光接收元件构成，诸如多个光电倍增管(PMT)或光电二极管，该光接收元件在沿分光元件13的光谱方向的一维中具有不同的波长区域以被检测。构成光接收元件阵列的光接收元件的数目，即，检测通道的数目被设置为大于用于对测量对象S进行染色的荧光染料的数目。
在如上所述构成的流式细胞仪10中，通过流过流式细胞12的测量对象物S被来自激光光源11的激光照射，从测量对象物S发射荧光。从测量对象物S发射的荧光被分光元件13分散为连续光谱，并且被构成光电检测器14的光接收元件阵列的多个光接收元件接收(检测)。这使得可以测量使用多种荧光染料染色的测量对象物S的荧光光谱FS。
如图5所示，设置在局部环境中并且连接至流式细胞仪10的第一信息处理装置100包括荧光光谱获取单元101、光谱参考存储单元102、荧光染料量生成单元103(“第一处理单元”的实例)、以及发送单元104。应注意，可以在流式细胞仪10内部实现第一信息处理装置100的部分或全部功能。换言之，第一信息处理装置100的至少一部分可以与流式细胞仪10集成。
荧光光谱获取单元101获取作为通过流式细胞仪10的测量数据的荧光光谱FS(测量数据)。
光谱参考存储单元102存储表示各荧光染料的标准荧光波长分布的光谱参考SR(参考数据)。光谱参考存储单元102以例如库格式存储可以用于通过流式细胞仪10进行荧光检测的各种荧光染料的光谱参考SR。应注意，光谱参考存储单元102可设置在第一信息处理装置100外部的服务器装置等中。
荧光染料量生成单元103使用存储在光谱参考存储单元102中的光谱参考SR中与用于染色测量对象物S的每种荧光染料对应的光谱参考SR，将通过荧光光谱获取单元101获取的荧光光谱FS反混合，以产生代表用于染色测量对象物S的每种荧光染料的测量结果的荧光染料量FC。
图7是说明要由荧光染料量生成单元103执行的反混合的概况的示图。如图7所示，通过流式细胞仪10测量的测量对象物S的荧光光谱FS是用于染色测量对象物S的多种荧光染料的光谱的混合。反混合是这样的处理：使用对应于每种荧光染料的光谱参考SR将其中用于染色测量对象物S的多种荧光染料的光谱混合成每种荧光染料的光谱的荧光光谱FS分离，并且以此方式获得表示每种荧光染料的测量结果的荧光染料量FC。
具体地，假定用多种荧光染料染色的测量对象物S的荧光光谱FS由与用于对测量对象物S染色的各个荧光染料对应的光谱参考SR的线性总和表示，并且可以通过叠加与各荧光染料对应的光谱参考SR并将光谱参考SR拟合到荧光光谱FS以获得线性耦合的各荧光染料的耦合系数来导出作为各荧光染料的测量结果的荧光染料量FC。诸如加权最小二乘法或最小二乘法的计算方法可以用于拟合。应注意，在专利文献2至5等中详细描述了这种计算方法的具体实例，并且因此在此将省略其详细描述。
发送单元104经由网络20将由荧光染料量生成单元103生成的荧光染料量FC(即，代表用于对测量对象S进行染色的每种荧光染料的测量结果的荧光染料量FC)和用于在荧光染料量生成单元103处进行反混合的光谱参考SR(即，与用于对测量对象S进行染色的各个荧光染料对应的光谱参考SR)发送到第二信息处理装置200。此处，应注意，发送单元104不将作为通过流式细胞仪10的测量数据的荧光光谱FS发送至第二信息处理装置200。换言之，在根据本实施方式的信息处理系统中，具有大数据大小的荧光光谱FS没有从第一信息处理装置100发送至第二信息处理装置200，并且仅具有小数据大小的荧光染料量FC和光谱参考SR从第一信息处理装置100发送至第二信息处理装置200。
另一方面，如图5所示，设置在云环境中的第二信息处理装置200包括接收单元201、存储单元202、荧光光谱恢复单元203(“第二处理单元”)和分析处理单元204。
接收单元201经由网络20接收从第一信息处理装置100发送的荧光染料量FC和光谱参考SR。
存储单元202存储由接收单元201从第一信息处理装置100接收的荧光染料量FC和光谱参考SR。
荧光光谱恢复单元203通过使用存储在存储单元202中的荧光染料量FC和光谱参考SR执行在第一信息处理装置100的荧光染料量生成单元103生成荧光染料量FC时所执行的反混合的逆转换，恢复作为通过流式细胞仪10的测量数据的荧光光谱FS，并且生成恢复荧光光谱FS'。如上所述，恢复荧光光谱FS'并不精确地再现原始荧光光谱FS，而是足够接近原始荧光光谱FS的数据。在通过分析处理单元204进行的分析处理之前，优选通过荧光光谱恢复单元203生成恢复荧光光谱FS'(优选恢复荧光光谱FS)。因此，所生成的恢复荧光光谱FS'可以照原样在分析处理单元204的分析处理中使用，而不用永久存储。
分析处理单元204使用存储在存储单元202中的荧光染料量FC和由荧光光谱恢复单元203生成的恢复荧光光谱FS'来分析测量对象物S。该分析处理可以包括例如对测量对象物S的聚类处理。通过聚类处理，诸如细胞的测量对象物S可以被分类为通过外部隔离和内部结合获得的多个组。聚类处理的算法不受特别限制，并且可以使用已知的聚类算法。例如，分析处理单元204可以使用能够指定聚类数量的算法(诸如k均值)执行聚类处理，或者可以使用自动确定聚类数量的算法(诸如flowsom)执行聚类处理。
此外，分析处理单元204可以向用户呈现诸如聚类处理的分析处理的结果。在将聚类处理的结果呈现给用户的情况下，分析处理单元204可以以例如表格格式或最小生成树格式显示聚类处理的结果。除了聚集处理以外，分析处理单元204可以根据用户的操作使用荧光染料量FC和恢复荧光光谱FS'执行各种分析处理并且可以将结果呈现给用户。
图8是示出在根据第一实施方式的信息处理系统中执行的一系列处理的流程的流程图。在下文中，将沿着图8的流程图描述根据本实施方式的信息处理系统的操作的概述。
首先，如果通过流式细胞仪10测量使用多种荧光染料染色的测量对象S的荧光光谱FS，则第一信息处理装置100的荧光光谱获取单元101获取荧光光谱FS(步骤S101)。
接下来，第一信息处理装置100的荧光染料量生成单元103使用与光谱参考存储单元102中存储的光谱参考SR之中用于对测量对象S进行染色的每种荧光染料对应的光谱参考SR，将在步骤S101中由荧光光谱获取单元101获取的荧光光谱FS反混合，以生成表示每种荧光染料的测量结果的荧光染料量FC(步骤S102)。
接下来，第一信息处理装置100的发送单元104经由网络20将由荧光染料量生成单元103在步骤S102中生成的荧光染料量FC和用于反混合的光谱参考SR发送至第二信息处理装置200(步骤S103)。
接下来，第二信息处理装置200的接收单元201经由网络20接收从第一信息处理装置100发送的荧光染料量FC和光谱参考SR并且将它们存储在存储单元202中(步骤S104)。
此后，第二信息处理装置200的荧光光谱恢复单元203通过在步骤S102中使用存储在存储单元202中的荧光染料量FC和光谱参考SR执行反混合的逆转换，恢复荧光光谱FS，以生成恢复荧光光谱FS'(步骤S105)。
然后，在步骤S105中，第二信息处理装置200的分析处理单元204使用存储在存储单元202中的荧光染料量FC和由荧光光谱恢复单元203生成的恢复荧光光谱FS'对测量对象S执行分析处理(步骤S106)，并且一系列处理结束。
如上所述，根据本实施方式的信息处理系统，由于荧光染料量FC和光谱参考SR从局部环境中的第一信息处理装置100传送至云环境中的第二信息处理装置200，并且使用荧光染料量FC和光谱参考SR在云环境中的第二信息处理装置200执行反混合的逆转换，通过恢复荧光光谱FS生成恢复荧光光谱FS'。这使得能够在云环境中的第二信息处理装置200处使用荧光染料量FC和恢复荧光光谱FS'进行分析处理，而不将具有大数据大小的荧光光谱FS从本地环境中的第一信息处理装置100发送到云环境中的第二信息处理装置200，这使得可以减少从本地环境发送到云环境的数据量并减少存储在云环境中的数据量，使得可以降低存储成本。
<3.第二实施方式>
如上所述，通过反混合的逆转换恢复荧光光谱FS而生成的恢复荧光光谱FS'是充分接近原始荧光光谱FS的数据，但不完全再现原始荧光光谱FS。这是因为对原始荧光光谱FS执行的反混合具有删除除用于反混合的光谱参考SR的光谱信息以外的信息的特性。
在本实施方式中，将描述用于增加荧光光谱FS的再现率的方法的实例。在图9中示出了本实施方式的数据流的实例。在本实施方式中，如图9所示，当在局部环境中对荧光光谱FS执行反混合时，除了对应于用于染色测量对象物S的荧光染料的光谱参考SR之外，还使用虚拟光谱参考SR'，该虚拟光谱参考SR'是独立于用于染色测量对象物S的荧光染料的虚拟数据。虚拟光谱参考SR'包括不包含在与用于染色测量对象物S的荧光染料对应的光谱参考SR中的光谱信息，并且因此，通过添加虚拟光谱参考SR'，可以保留最初通过反混合删除的光谱信息，使得可以改善通过反混合的逆转换生成的恢复荧光光谱FS'的再现性。
如果使用除了光谱参考SR之外的虚拟光谱参考SR'在荧光光谱FS上进行反混合，则生成虚拟荧光染料量FC'，其中虚拟数据被添加到原始荧光染料量FC中。在本实施方式中，虚拟荧光染料量FC'、光谱参考SR以及虚拟光谱参考SR'从局部环境传送至云环境。然后，通过使用虚拟荧光染料量FC'、光谱参考SR和虚拟光谱参考SR'在云环境中执行反混合的逆转换，生成具有高再现性的恢复荧光光谱FS'。
此外，在本实施方式中，虚拟荧光染料量FC'而不是荧光染料量FC从局部环境传送至云环境，并且因此，有必要在云环境中产生荧光染料量FC。因此，在云环境中，使用光谱参考SR对恢复荧光光谱FS'执行反混合以产生荧光染料量FC。然后，测量对象物S经受使用荧光染料量FC和恢复荧光光谱FS'的分析处理。
根据本实施方式的方法，随着虚拟光谱参考SR'的数据量增加，虚拟荧光染料量FC'的数据量增加，并且通过反混合的逆转换生成的恢复荧光光谱FS'的再现率增加。换言之，恢复荧光光谱FS'的再现速率可以通过调节虚拟光谱参考SR'的数据量来控制。因此，例如，可以通过根据分析所需的恢复的荧光光谱FS'的再现率调整虚拟光谱参考SR'的数据量来控制从本地环境发送至云环境的数据量的增加。
注意，作为虚拟频谱参考SR'，可以生成和使用未包括在用于反混合的频谱参考SR中的频谱信息。此外，例如，对应于不同于用于染色测量对象物S的荧光染料的荧光染料的光谱参考SR可以用作虚拟光谱参考SR'。更进一步地，虚拟频谱参考SR'可以是可补充反混合使用的频谱参考SR中未包括的频谱信息的任何数据，并且例如，随机数字等也可被用作虚拟频谱参考SR'。
图10是示出根据第二实施方式的信息处理系统的配置实例的框图。如图10所示，在本实施方式中，设置在局部环境中的第一信息处理装置100'包括虚拟荧光染料量生成单元105(“第一处理单元”的示例)，而不是上述的荧光染料量生成单元103。此外，在本实施方式中，设置在云环境中的第二信息处理装置200'进一步包括荧光染料量生成单元205(对应于“第二处理单元”的部分功能)。
虚拟荧光染料量生成单元105使用对应于用于染色测量对象物S的每种荧光染料的光谱参考SR和存储在光谱参考存储单元102中的光谱参考SR之中的虚拟光谱参考SR'，反混合由荧光光谱获取单元101获取的荧光光谱FS，以生成虚拟荧光染料量FC'。作为虚拟光谱参考SR'，可以单独生成和使用不包括在与用于染色测量对象物S的各个荧光染料对应的光谱参考SR中的光谱信息，或者可以在光谱参考存储单元102中存储的光谱参考SR之中，使用除了与用于染色测量对象物S的各个荧光染料对应的光谱参考SR之外的光谱参考SR，或者可以使用随机数。
在本实施方式中，第一信息处理装置100'的发送单元104经由网络20将由虚拟荧光染料量生成单元105生成的虚拟荧光染料量FC'以及用于在虚拟荧光染料量生成单元105处的反混合的光谱参考SR和虚拟光谱参考SR'发送至第二信息处理装置200'。
第二信息处理装置200'的接收单元201接收经由网络20从第一信息处理装置100'发送的虚拟荧光染料量FC'、光谱参考SR以及虚拟光谱参考SR'。
存储单元202存储由接收单元201从第一信息处理装置100'接收的虚拟荧光染料量FC'、光谱参考SR以及虚拟光谱参考SR'。
荧光光谱恢复单元203使用存储在存储单元202中的虚拟荧光染料量FC'、光谱参考SR以及虚拟光谱参考SR'，以通过执行在第一信息处理装置100'的虚拟荧光染料量生成单元105生成虚拟荧光染料量FC'时所执行的反混合的逆转换来生成恢复荧光光谱FS'。在本实施方式中，如上所述，使用虚光谱参考SR执行反混合和反混合的逆转换，使得与上述第一实施方式相比，可生成具有高再现性的恢复荧光光谱FS'。
荧光染料量生成单元205使用存储在存储单元202中的光谱参考SR反混合由荧光光谱恢复单元203生成的恢复荧光光谱FS'以生成荧光染料量FC。通过恢复具有高再现性的原始荧光光谱FS来获得由荧光光谱恢复单元203生成的恢复荧光光谱FS'，并且因此，荧光染料量生成单元205可通过反混合恢复荧光光谱FS'而准确地生成荧光染料量FC。
分析处理单元204使用由荧光染料量生成单元205生成的荧光染料量FC和由荧光光谱恢复单元203生成的恢复荧光光谱FS'，以与上述第一实施方式类似的方式分析测量对象物S。
图11是示出在根据第二实施方式的信息处理系统中执行的一系列处理的流程的流程图。在下文中，将沿着图11的流程图描述根据本实施方式的信息处理系统的操作的概述。
首先，如果通过流式细胞仪10测量使用多种荧光染料染色的测量对象S的荧光光谱FS，第一信息处理装置100'的荧光光谱获取单元101获取荧光光谱FS(步骤S201)。
接下来，第一信息处理装置100'的虚拟荧光染料量生成单元105使用对应于用于对测量对象S进行染色的每种荧光染料的光谱参考SR和存储在光谱参考存储单元102中的光谱参考SR中的虚拟光谱参考SR'，反混合由荧光光谱获取单元101在步骤S201中获取的荧光光谱FS，以生成虚拟荧光染料量FC'(步骤S202)。
接下来，第一信息处理装置100'的发送单元104经由网络20将由虚拟荧光染料量生成单元105在步骤S202中生成的虚拟荧光染料量FC'以及用于反混合的光谱参考SR和虚拟光谱参考SR'发送至第二信息处理装置200'(步骤S203)。
接下来，第二信息处理装置200'的接收单元201接收经由网络20从第一信息处理装置100'发送的虚拟荧光染料量FC'、光谱参考SR以及虚拟光谱参考SR'，并且将它们存储在存储单元202中(步骤S204)。
此后，第二信息处理装置200'的荧光光谱恢复单元203通过使用存储在存储单元202中的虚拟荧光染料量FC'、光谱参考SR以及虚拟光谱参考SR'执行在步骤S202中由第一信息处理装置100'的虚拟荧光染料量生成单元105执行的反混合的逆转换，恢复荧光光谱FS，以生成恢复荧光光谱FS'(步骤S205)。
此外，第二信息处理装置200'的荧光染料量生成单元205使用存储在存储单元202中的光谱参考SR反混合由荧光光谱恢复单元203在步骤S205中生成的恢复荧光光谱FS'，以生成荧光染料量FC(步骤S206)。
然后，第二信息处理装置200'的分析处理单元204使用在步骤S206中由荧光染料量生成单元205生成的荧光染料量FC和在步骤S205中由荧光光谱恢复单元203生成的恢复荧光光谱FS'对测量对象物S执行分析处理(步骤S207)，并且一系列处理结束。
如上所述，根据本实施方式，使用具有光谱信息未包括在光谱参考SR中的虚拟光谱参考SR'，执行荧光光谱FS的反混合和反混合的逆转换，使得可提高在云环境中产生的恢复荧光光谱FS'的再现性。此外，通过调整虚拟光谱参考SR'的数据量可控制在云环境中产生的恢复荧光光谱FS'的可再现性，使得可最小化从本地环境传递至云环境的数据量的增加。
<4.第三实施方式>
在本实施方式中，将描述用于增加荧光光谱FS的再现率的另一种方法。在图12中示出了本实施方式的数据流的实例。在本实施方式中，如图12所示，除了在局部环境中通过使用光谱参考SR的荧光光谱FS的反混合生成荧光染料量FC之外，通过使用生成的荧光染料量FC和光谱参考SR执行反混合的逆转换，生成恢复荧光光谱FS'。然后，生成表示通过反混合的逆转换生成的恢复荧光光谱FS'和原始荧光光谱FS之间的差异的差异信息DF。
与荧光光谱FS相比，差异信息DF具有更小的数据动态范围、减少更多的比特并且在压缩算法中具有更高的压缩率。因此，通过压缩差异信息DF获得的压缩差异信息DF'与荧光染料量FC和光谱参考SR一起从本地环境传送至云环境并且存储在云环境中。
在云环境中，在通过使用荧光染料量FC和光谱参考SR执行反混合的逆转换来生成恢复荧光光谱FS'之后，并且使用通过对压缩差异信息DF'进行解压缩而获得的差异信息DF来校正恢复荧光光谱FS'以接近原始荧光光谱FS，以生成具有比恢复荧光光谱FS'更高的再现性的校正的恢复荧光光谱FS”。然后，使用荧光染料量FC和校正的恢复荧光光谱FS”执行测量对象物的分析处理。
根据本实施方式的方法，随着差异信息DF的数据量增加，通过校正处理生成的校正荧光光谱FS”的再现率增加。换言之，可通过调整差异信息DF的数据量控制校正的恢复荧光光谱FS”的再现速率。因此，例如，通过根据分析中所需的校正的恢复荧光光谱FS”的再现率调整差异信息DF的数据量，可以防止从本地环境发送到云环境的数据量增加。
图13是示出根据第三实施方式的信息处理系统的配置实例的框图。如图13所示，在本实施方式中，设置在局部环境中的第一信息处理装置100”进一步包括荧光光谱恢复单元106(对应于“第一处理单元”的部分功能)、差异信息生成单元107(对应于“第一处理单元”的部分功能)和压缩处理单元108。此外，在本实施方式中，设置在云环境中的第二信息处理装置200”进一步包括解压缩处理单元206和校正处理单元207(对应于“第二处理单元”的部分功能)。
通过使用由荧光染料量生成单元103生成的荧光染料量FC和用于在荧光染料量生成单元103处的反混合的光谱参考SR执行反混合的逆转换，荧光光谱恢复单元106生成恢复荧光光谱FS'。
差异信息生成单元107基于由荧光光谱获取单元101获取的荧光光谱FS和由荧光光谱恢复单元106生成的恢复荧光光谱FS'，生成表示荧光光谱FS和恢复荧光光谱FS'之间的差异的差异信息DF。
压缩处理单元108使用预定压缩算法压缩由差异信息生成单元107生成的差异信息DF以生成压缩差异信息DF'。
在本实施方式中，除了由荧光染料量生成单元103生成的荧光染料量FC和用于在荧光染料量生成单元103处反混合的光谱参考SR之外，第一信息处理装置100”的发送单元104经由网络20将由压缩处理单元108生成的压缩差异信息DF'发送至第二信息处理装置200”。
第二信息处理装置200”的接收单元201经由网络20接收从第一信息处理装置100”发送的荧光染料量FC、光谱参考SR以及压缩差异信息DF'。
存储单元202存储由接收单元201从第一信息处理装置100”接收的荧光染料量FC、光谱参考SR以及压缩差异信息DF'。
解压缩处理单元206对存储在存储单元202中的压缩差异信息DF'进行解压缩以恢复差异信息DF。
校正处理单元207使用由解压缩处理单元206恢复的差异信息DF校正由荧光光谱恢复单元203生成的恢复荧光光谱FS'，以接近原始荧光光谱FS，从而生成具有比恢复荧光光谱FS'更高的再现性的校正的恢复荧光光谱FS”。
分析处理单元204使用存储在存储单元202中的荧光染料量FC和由校正处理单元207生成的校正的恢复荧光光谱FS”，以与上述第一实施方式类似的方式分析测量对象物S。
图14是示出了在根据第三实施方式的信息处理系统中执行的一系列处理的流程的流程图。在下文中，将沿着图14的流程图描述根据本实施方式的信息处理系统的操作的概述。
首先，如果通过流式细胞仪10测量使用多种荧光染料染色的测量对象S的荧光光谱FS，第一信息处理装置100”的荧光光谱获取单元101获取荧光光谱FS(步骤S301)。
接下来，第一信息处理装置100”的荧光染料量生成单元103使用存储在光谱参考存储单元102中的光谱参考SR中的对应于用于染色测量对象S的每个荧光染料的光谱参考SR反混合在步骤S301中由荧光光谱获取单元101获取的荧光光谱FS，以生成荧光染料量FC(步骤S302)。
然后，第一信息处理装置100”的荧光光谱恢复单元106使用在步骤S302中由荧光染料量生成单元103生成的荧光染料量FC和用于在生成荧光染料量FC时的反混合的光谱参考SR执行反混合的逆转换以生成恢复荧光光谱FS'(步骤S303)。
接下来，第一信息处理装置100”的差异信息生成单元107基于在步骤S301中由荧光光谱获取单元101获取的荧光光谱FS和在步骤S303中由荧光光谱恢复单元106生成的恢复荧光光谱FS'，生成表示荧光光谱FS与恢复荧光光谱FS'之间的差异的差异信息DF(步骤S304)。
然后，第一信息处理装置100”的压缩处理单元108使用预定压缩算法对由差异信息生成单元107在步骤S304中生成的差异信息DF进行压缩以生成压缩差异信息DF'(步骤S305)。通过压缩差异信息DF，可以减少将在后面描述的步骤S306中发送至第二信息处理装置200”的数据量。然而，差异信息DF可以在不被压缩的情况下被发送至第二信息处理装置200”。在这种情况下，可以省略步骤S305中的处理。
然后，第一信息处理装置100”的发送单元104经由网络20将在步骤S302中由荧光染料量生成单元103生成的荧光染料量FC、用于反混合的光谱参考SR以及在步骤S305中由压缩处理单元108生成的压缩差异信息DF'发送至第二信息处理装置200”(步骤S306)。
接下来，第二信息处理装置200”的接收单元201经由网络20接收从第一信息处理装置100”发送的荧光染料量FC、光谱参考SR以及压缩差异信息DF'，并且将它们存储在存储单元202中(步骤S307)。
此后，第二信息处理装置200”的荧光光谱恢复单元203使用存储在存储单元202中的荧光染料量FC和光谱参考SR在步骤S302中执行由第一信息处理装置100”的荧光染料量生成单元103执行的反混合的逆转换，以生成恢复的荧光光谱FS'(步骤S308)。
然后，第二信息处理装置200”的解压缩处理单元206对存储在存储单元202中的压缩差异信息DF'进行解压缩以恢复差异信息DF(步骤S309)。
然后，第二信息处理装置200”的校正处理单元207使用在步骤S309中由解压缩处理单元206恢复的差异信息DF校正在步骤S308中由荧光光谱恢复单元203生成的恢复荧光光谱FS'，以接近原始荧光光谱FS，以生成校正的恢复荧光光谱FS”(步骤S310)。
然后，在步骤S310中，第二信息处理装置200”的分析处理单元204使用存储在存储单元202中的荧光染料量FC和由校正处理单元207生成的校正的恢复荧光光谱FS”对测量对象物S执行分析处理(步骤S311)，并且一系列处理结束。
如上所述，根据本实施例，表示原荧光光谱FS与通过反混合的逆转换生成的恢复荧光光谱FS'之间的差的差异信息DF在局部环境中预先生成并且传送到云环境，并且使用差异信息DF校正通过在云环境中的反混合的逆转换生成的恢复荧光光谱FS'，使得可以使用校正的恢复荧光光谱FS”执行分析处理，校正的恢复荧光光谱FS”具有比恢复荧光光谱FS'高的再现性。此外，通过调整差异信息DF的数据量可以控制在云环境中产生的校正的恢复荧光光谱FS”的可再现性，使得可以最小化从本地环境发送至云环境的数据量的增加。
<5.第四实施例>
虽然在上述各个实施方式中描述的流式细胞仪10测量用于测量对象物S的分析的荧光光谱FS，但是还存在具有以下功能的装置：通过基于测量的荧光光谱FS控制诸如穿过流式细胞12的细胞的测量对象物S的移动目标，对从测量对象物S发射特定荧光的细胞进行分类。具有这种分选功能的流式细胞仪10'被称为分选机(细胞分选机)。
在本实施方式中，将描述使用具有这种分类功能的流式细胞仪10'的信息处理系统的应用实例。在具有分选功能的流式细胞仪10'中，有必要基于通过利用光照射穿过流式细胞12的测量对象S而测量的荧光光谱FS立即确定测量对象S是否是分选目标，并且控制测量对象S的移动目的地。在此，通过使用从作为分选目标的测量对象物S测量的荧光光谱FS作为学习数据的机器学习构建学习模型并且使用该学习模型进行确定，可以瞬时基于荧光光谱FS进行确定。在本实施例中，考虑这样的学习模型是在云环境中构建的。
在本实施方式中，首先，通过流式细胞仪10'测量用于构建学习模型的荧光光谱FS。测量的荧光光谱FS不是从本地环境传递到云环境，而是通过以与上述实施方式类似的方式在云环境中经受反混合的逆转换来恢复。然后，以与上述各实施例类似的方式，对云环境中的测量对象S执行诸如聚类处理等分析处理，并且将分析处理的结果呈现给用户。
这里，如果参考呈现的分析处理结果的用户指定作为分选目标的测量对象物S，则使用与作为分选目标的指定的测量对象物S对应的恢复荧光光谱FS'(或校正的恢复荧光光谱FS”)作为学习数据进行机器学习，从而构建学习模型。然后，在云环境中构建的学习模型被传送到本地环境。
此后，在本地环境中，使用从云环境传递的学习模型来确定分选目标。换言之，如果通过流式细胞仪10'测量荧光光谱FS，则基于学习模型确定具有该荧光光谱的测量对象物S是否是分选目标。然后，基于该判断结果来控制分选目标S的移动目的地，并且对指定为分选目标的测量对象S进行分类。
图15是示出了根据第四实施方式的信息处理系统的配置示例的框图。如图15所示，在本实施方式中，设置在云环境中的第二信息处理装置200”'进一步包括学习单元208和发送单元209(对应于“学习模型发送单元”)。此外，在本实施方式中，设置在本地环境中的第一信息处理装置100”'进一步包括接收单元109(对应于“学习模型接收单元”)、学习模型存储单元110、以及确定单元111。应注意，尽管图15示出了将本实施方式特有的配置添加至根据上述第一实施方式的信息处理系统的配置实例，但基本信息处理系统可以是根据上述第二实施方式的信息处理系统或根据上述第三实施方式的信息处理系统。
如果参考分析处理单元204的分析结果的用户指定特定的测量对象S作为分选目标，则第二信息处理装置200”'的学习单元208将与指定为分选目标的测量对象S对应的恢复荧光光谱FS'用作学习数据进行机器学习，从而构建学习模型，用于根据荧光光谱FS确定测量对象S是否是分选目标。
使用对应于指定为分选目标的测量对象物S的恢复荧光光谱FS'作为学习数据，监督学习单元208执行的机器学习的算法。例如，学习单元208可以使用诸如随机森林的机器学习算法、支持向量机或深度学习来构建学习模型。
注意，学习单元208可以确定是否已经构建了能够充分确定分选目标的学习模型，并且可以将确定结果通知用户。例如，在测量对象物S的学习的恢复的荧光光谱FS'的数量或学习的恢复的荧光光谱FS'与整体的比率超过阈值的情况下，学习单元208可以通知用户已经构建了能够充分地确定分选目标的学习模型。
可选地，在学习模型的正确回答率超过阈值的情况下，学习单元208可以通知用户已经构建了能够充分确定分选目标的学习模型。学习模型的正确回答率可以通过例如N倍交叉验证来确定。具体地，通过将整个学习数据分为N，利用包括在N-1个分割部分中的学习数据执行学习以构建学习模型，并且然后利用包括在剩余的一个分割部分中的学习数据执行确定，可以确定所构建的学习模型的正确回答率。
第二信息处理装置200”'的发送单元209经由网络20向第一信息处理装置100”'发送由学习单元208构建的学习模型。
第一信息处理装置100”'的接收单元109经由网络20接收从第二信息处理装置200”'发送的学习模型。
学习模型存储单元110存储由接收单元109从第二信息处理装置200”'接收的学习模型。
如果在学习模型存储单元110存储学习模型之后通过流式细胞仪10'测量测量对象S的荧光光谱FS，则确定单元111基于存储在学习模型存储单元110中的学习模型确定具有荧光光谱FS的测量对象S是否是分选目标。然后，在测量对象物S被确定为分选目标的情况下，确定单元111向流式细胞仪10'输出指令以分选测量对象物S。此外，在流式细胞仪10'能够分别对多组测量对象S进行分类的情况下，确定单元111不仅可以指示流式细胞仪10'测量对象S是否是分选目标，而且可以指示测量对象S将被收集到哪个收集单元。
应注意，学习模型存储单元110和确定单元111可以设置在流式细胞仪10'处。此外，所构建的学习模型可以在设置于流式细胞仪10'的逻辑电路(诸如FPGA电路)中实现。例如，确定单元111可以设置在流式细胞仪10”处，并且执行基于确定单元111的类型设计和构建的学习模型的逻辑可以在设置在流式细胞仪10'处的FPGA电路处实现。
图16是示出在根据第四实施方式的信息处理系统中执行的特性处理的流程图，并且示出例如在图8的流程图中示出的步骤S106中的分析处理之后执行的处理流程。注意，在分析处理中，假设将诸如聚类处理的处理结果呈现给用户，并且由参考所呈现的分析处理结果的用户指定分选目标。
如果用户指定了分选目标，则第二信息处理装置200”'的学习单元208将对应于指定为分选目标的测量对象S的恢复荧光光谱FS'用作学习数据进行机器学习，并且构建用于确定分选目标的学习模型(步骤S401)。
接下来，第二信息处理装置200”'的发送单元209经由网络20将由学习单元208在步骤S401中构建的学习模型发送至第一信息处理装置100”'(步骤S402)。
接下来，第一信息处理装置100”'的接收单元109经由网络20接收从第二信息处理装置200”'发送的学习模型并且将该学习模型存储在学习模型存储单元110中(步骤S403)。
此后，如果通过流式细胞仪10'测量测量对象S的荧光光谱FS，第一信息处理装置100'的确定单元111基于存储在学习模型存储单元110中的学习模型确定测量对象S是否是分选目标(步骤S404)，并且向流式细胞仪10'发出指令。因此，由用户指定为分选目标的测量对象物S可通过流式细胞仪10'适当地分类。
如上所述，根据本实施方式，在云环境中执行需要大的处理负荷的学习模型的构建，并且使用在云环境中构建的学习模型来确定分选目标，以使流式细胞仪10'适当地执行操作，从而提高用户友好性。此外，不需要将具有大数据大小的荧光光谱FS从本地环境中的第一信息处理装置100”'发送到云环境中的第二信息处理装置200”'以在云环境中构建学习模型，使得可以减少从本地环境发送到云环境的数据量，并减少存储在云环境中的数据量，使得可以减少存储成本。
<6.第五实施方式>
应注意，虽然在每个上述实施方式中，通过流式细胞仪10(10')测量测量对象S的荧光光谱FS，但是本公开的机构还可以有效地应用于例如使用利用成像元件(二维图像传感器)测量荧光光谱FS的荧光成像装置的情况。在本实施方式中，将描述应用于使用这种荧光成像装置的信息处理系统的实例。
图17是示出根据第五实施方式的信息处理系统的配置示例的框图。如图17所示，在本实施方式中，荧光成像装置30设置在局部环境中代替流式细胞仪10(10')。要注意的是，信息处理系统的基本配置与在图5中所示的第一实施方式中的配置相似。
图18示出了荧光成像装置30的示意性构造实例。例如，如图18所示，荧光成像装置30包括激光光源31、可移动台32、分光元件34和成像元件35。
激光光源31发射具有能够激发用于对测量对象物S进行染色的荧光染料的波长的激光。作为激光光源31，例如，可以使用发射具有预定波长的激光的半导体激光光源。
将荧光染料样品33放置在可移动台32上。可移动台32在水平方向上移动，使得从激光光源31发射的激光在两个维度上扫描荧光染料样品33。
例如，荧光染料样品33是从人体采集的样品或从组织样品制备的样品，用于病理诊断等，并且使用多种荧光染料进行染色。被荧光染色的样品33包括大量测量对象物S，诸如构成所收集的组织的细胞。通过使移动台台32移动，使从激光光源31射出的激光在二维方向上对荧光染色试样33进行扫描，从而能够对荧光染色试样33所包含的多个测量对象物S依次照射激光。
分光元件34是将通过用激光照射包括在荧光染料样品33中的测量对象物S而发射的荧光分散到连续波长的光谱中的光学元件。例如，可以使用棱镜、光栅等作为分光元件34。
成像元件35是二维图像传感器，其中，光接收元件(例如，电荷耦合器件(CCD)传感器和互补金属氧化物半导体(CMOS)传感器)布置成二维。成像元件35通过以二维布置的相应光接收元件接收通过用激光照射包括在荧光染料样品33中并且由分光元件34分散的测量对象物S而发射的荧光并且输出图像信号。通过用激光照射从测量对象物S发射的荧光被分光元件13分散为连续光谱，因此，成像元件35输出对应于每个区域不同的波长区域中的荧光强度的图像信号。
在如上所述配置的荧光成像装置30中，通过用激光照射包括在荧光染料样品33中的测量对象物S而发射的荧光被分光元件34分散到连续光谱中并且被成像元件35的相应光接收元件检测。因此，可以以与流式细胞仪10(10')类似的方式使用从成像元件35输出的图像信号来测量测量对象物S的荧光光谱FS。
在根据本实施方式的信息处理系统中，设置在局部环境中的第一信息处理装置100的荧光光谱获取单元101获取由荧光成像装置30测量的测量对象S的荧光光谱FS。后续处理与上述第一实施方式的处理相同，因此将省略其描述。应注意，虽然图17示出了根据上述第一实施方式的信息处理系统中的流式细胞仪10被荧光成像装置30替代的实例，但基础信息处理系统可以是根据上述第二实施方式的信息处理系统或根据上述第三实施方式的信息处理系统。
如上所述，即使在测量对象物S的荧光光谱FS由荧光成像装置30测量的情况下，通过应用本公开的机构，可以减少从本地环境发送至云环境的数据量并减少存储在云环境中的数据量，使得可以降低存储成本。
<7.硬件配置实例>
随后，将参考图19描述第一信息处理装置100和第二信息处理装置200(在下文中，这些将统称为“信息处理装置300”)的硬件配置的实例。图19是示出信息处理装置300的硬件配置的实例的框图。
如图19所示，信息处理装置300包括中央处理单元(CPU)301、只读存储器(ROM)302、随机存取存储器(RAM)303、主机总线305、桥接器307、外部总线306、接口308、输入装置311、输出装置312、存储装置313、驱动器314、连接端口315和通信装置316。信息处理装置300可以代替CPU301或除了CPU301之外还包括诸如电路、DSP或ASIC的处理电路。
CPU 301用作运算处理单元和控制单元，并且根据各种程序控制信息处理装置300中的整体操作。此外，CPU301可以是微处理器。ROM 302存储由CPU 301使用的程序、操作参数等。RAM303临时存储在执行CPU301时使用的程序和在该执行中适当改变的参数等。例如，CPU 301可实现上述第一信息处理装置100中的荧光光谱获取单元101和荧光染料量生成单元103的功能。此外，例如，CPU 301可实现上述第二信息处理装置200中的荧光光谱恢复单元203和分析处理单元的功能。
CPU 301、ROM 302和RAM 303通过包括CPU总线等的主机总线305相互连接。主机总线305经由桥接器307连接至外部总线306，诸如外围组件互连/接口(PCI)总线。注意，主机总线305、桥接器307和外部总线306不一定分离，并且可以在一个总线中实现这些功能。
输入装置311是诸如鼠标、键盘、触摸面板、按钮、麦克风、开关和由用户输入信息的杠杆的装置。可选地，例如，输入装置311可以是使用红外线或其他无线电波的远程控制装置，或者可以是与信息处理装置300的操作对应的外部连接装置，诸如移动电话或PDA。此外，输入装置311可以包括例如输入控制电路，该输入控制电路基于用户使用上述输入装置输入的信息生成输入信号。
输出装置312是能够在视觉上或可听见地向用户通知信息的装置。输出装置312可以是例如显示装置(诸如阴极射线管(CRT)显示装置)、液晶显示装置、等离子体显示装置、电致发光(EL)显示装置、激光投影仪、发光二极管(LED)投影仪或灯)，或者可以是音频输出装置(诸如扬声器或耳机)。
例如，输出装置312可以输出通过信息处理装置300的各种处理获得的结果。具体地，输出装置312可以以诸如文本、图像、表格或图形的各种格式可视地显示通过信息处理装置300的各种处理获得的结果。可选地，输出装置312可以将音频信号(诸如音频数据或声学数据)转换成模拟信号，并且从听觉上输出模拟信号。例如，输入装置311和输出装置312可以执行接口单元309的功能。
存储装置313是被形成为信息处理装置300的存储单元的实例的用于数据存储的装置。存储装置313例如可以通过诸如硬盘驱动器(HDD)的磁存储装置、诸如固态驱动器(SSD)的半导体存储装置、光存储装置、磁光存储装置等来实现。例如，存储装置313可以包括存储介质、将数据记录在存储介质中的记录装置、从存储介质读取数据的读取装置、删除记录在存储介质中的数据的删除装置等。存储装置313可以存储由CPU301执行的程序、各种数据、从外部获取的各种数据等。存储装置313可以实现例如上述第一信息处理装置100中的光谱参考存储单元102的功能。
作为用于存储介质的读写器的驱动器314内置于或者外部附接至信息处理装置300。驱动器314读出记录在可移动存储媒质(诸如安装的磁盘、光盘、磁光盘或半导体存储器)中的信息，并将该信息输出到RAM303。进一步，驱动器314也可以将信息写到可移动存储媒质。
连接端口315是连接到外部装置的接口。连接端口315是能够向外部装置发送数据的连接端口，并且可以是例如通用串行总线(USB)。
通信装置316是例如由通信装置等形成的接口，用于连接到网络20。通信装置316可以是例如用于有线或无线局域网(LAN)、长期演进(LTE)、蓝牙(注册商标)、无线USB(WUSB)等的通信卡。此外，通信装置316可以是用于光通信的路由器、用于非对称数字用户线路(ADSL)的路由器、用于各种通信的调制解调器等。例如，通信装置316可以根据诸如TCP/IP的预定协议将信号等发送到互联网或其他通信装置和从互联网或其他通信装置接收信号等。例如，通信装置316可以实现上述第一信息处理装置100中的发送单元104的功能。此外，通信装置316可以实现例如上述第二信息处理装置200中的接收单元201的功能。
应注意，还可创建计算机程序，该计算机程序使内置在信息处理装置300中的诸如CPU 301、ROM 302和RAM 303的硬件发挥等同于上述第一信息处理装置100和第二信息处理装置200的部件的功能的功能。此外，还可以提供其中存储有计算机程序的存储介质。
<8.补充说明>
如上所述，已经参考附图详细描述了本公开的优选实施方式，但是本公开的技术范围不限于这种实例。显然，对于本公开技术领域的普通技术人员来说，在不脱离本公开技术构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。
此外，本说明书中描述的效果仅是说明性的或示例性的而不是限制性的。即，除了上述效果之外或者代替上述效果，根据本公开的技术可以从本说明书的描述中表现出对本领域技术人员显而易见的其他效果。
应注意，以下配置也属于本公开的技术范围。
(1)
一种信息处理系统，包括：第一信息处理装置；以及第二信息处理装置，
所述第一信息处理装置包括：
第一处理单元，被配置为用光照射利用多种荧光染料染色的测量对象物，通过使用针对用于对测量对象物进行染色的每种荧光染料的参考数据，对通过照射而测量的测量数据进行压缩处理，来生成压缩数据；以及
发送单元，被配置为将所述压缩数据发送至所述第二信息处理装置，
所述第二信息处理装置包括：第二处理单元，所述第二处理单元被配置为通过使用所述参考数据和从所述第一信息处理装置接收的所述压缩数据执行恢复处理来生成恢复数据。
(2)
根据(1)的信息处理系统，其中，所述测量对象是包括细胞、组织、微生物和生物相关颗粒中的至少一种的生物源颗粒。
(3)
根据(1)或(2)所述的信息处理系统，其中，所述第一信息处理装置和所述第二信息处理装置连接，以便能够经由预定网络彼此通信。
(4)
根据(1)至(3)中任一项所述的信息处理系统，其中，所述压缩处理包括线性处理和非线性处理中的至少一个。
(5)
根据(1)至(4)中任一项所述的信息处理系统，其中，所述压缩处理包括维度压缩处理、聚类处理和分组处理中的至少一种。
(6)
根据(1)至(5)中任一项所述的信息处理系统，其中，所述压缩数据是荧光染料量，所述荧光染料量表示针对用于对所述测量对象物进行染色的每种荧光染料的测量结果。
(7)
根据(1)至(6)中任一项所述的信息处理系统，其中，所述恢复处理是所述压缩数据的逆转换处理。
(8)
根据(1)至(7)中任一项所述的信息处理系统，
其中，所述第一处理单元除了使用所述参考数据，还使用虚拟参考数据对所述测量数据执行所述压缩处理，以生成其中虚拟数据被添加到所述压缩数据的虚拟压缩数据，
所述发送单元将所述虚拟压缩数据和所述虚拟参考数据发送至所述第二信息处理装置，并且
所述第二处理单元通过使用所述参考数据、所述虚拟压缩数据和所述虚拟参考数据执行所述恢复处理来生成所述恢复数据。
(9)
根据(1)至(8)中任一项所述的信息处理系统，
其中，所述第一处理单元进一步通过使用所述压缩数据和所述参考数据执行反混合的逆转换来恢复所述测量数据，并生成表示作为所恢复的所述测量数据的恢复测量数据与所述测量数据之间的差异的差异信息，
所述发送单元进一步将所述差异信息发送至所述第二信息处理装置，
所述第二信息处理装置进一步从所述第一信息处理装置接收所述差异信息，以及
所述第二处理单元进一步基于所述差异信息校正所恢复的所述测量数据。
(10)
根据(1)至(9)中任一项所述的信息处理系统，
其中，所述第二信息处理装置还包括：
分析处理单元，被配置为使用所述压缩数据和恢复测量数据来分析所述测量对象物，所述恢复测量数据是通过恢复所述压缩数据获得的所述测量数据。
(11)
根据(10)的信息处理系统，
其中，所述第二信息处理装置还包括：
学习单元，所述学习单元被配置为通过使用与基于所述分析处理单元的分析结果而指定的分选目标对应的所述测量数据执行机器学习，来构建学习模型，所述学习模型用于确定所述分选目标；以及
学习模型发送单元，被配置为将所述学习模型发送给所述第一信息处理装置，以及
所述第一信息处理装置进一步包括：
学习模型接收单元，被配置为从所述第二信息处理装置接收所述学习模型；以及
确定单元，被配置为基于所述学习模型确定所述分选目标。
(12)
根据(1)至(11)中任一项所述的信息处理系统，
其中，所述测量数据是通过测量从所述测量对象物发射的荧光而获得的荧光信号。
(13)
根据(1)至(11)中任一项所述的信息处理系统，
其中，所述测量数据是对所述测量对象物进行成像而得到的图像数据。
(14)
一种信息处理装置，包括：
第一处理单元，被配置为通过使用针对用于对测量对象物进行染色的每种荧光染料的参考数据，对测量数据执行压缩处理来生成压缩数据，所述测量数据是用光照射利用多种荧光染料染色的所述测量对象物而测量的；以及
第二处理单元，被配置为通过使用所述参考数据和所述压缩数据执行恢复处理来生成恢复数据。
参考标号列表
10、10' 流动血细胞计数器
20 网络
30 荧光成像装置
100、100'、100”、100”' 第一信息处理装置
101 荧光光谱获取单元
102 光谱参考存储单元
103 荧光染料量生成单元(第一处理单元)
104 发送单元
105 双氟染料量生成单元(第一处理单元)
106 荧光光谱恢复单元(第一处理单元)
107 差异信息生成单元(第一处理单元)
108 压缩处理单元
109 接收单元
110 学习模型存储单元
111 确定单元
200、200'、200”、200”' 第二信息处理装置
201 接收单元
202 存储单元
203荧光光谱恢复单元(第二处理单元)
204 分析处理单元
205 荧光染料量生成单元(第二处理单元)
206 解压缩处理单元
207 校正处理单元(第二处理单元)
208 学习单元
209 发送单元
FS 荧光光谱(测量数据)
FS' 恢复荧光光谱(恢复测量数据)
FS” 校正的恢复荧光光谱
SR 光谱参考(参考数据)
SR' 虚拟光谱参考(复参考数据)
FC 荧光DYE量(压缩数据)
FC' 虚拟荧光染料量(复测量数据)
DF 差异信息
DF' 压缩差异信息。

Claims (14)

1.一种信息处理系统，包括：第一信息处理装置；以及第二信息处理装置，所述第一信息处理装置包括：
第一处理单元，被配置为用光照射利用多种荧光染料染色的测量对象物，通过使用针对用于对所述测量对象物进行染色的每种荧光染料的参考数据，对通过照射而测量的测量数据进行压缩处理，来生成压缩数据；以及
发送单元，被配置为将所述压缩数据发送至所述第二信息处理装置，
所述第二信息处理装置包括：第二处理单元，所述第二处理单元被配置为通过使用所述参考数据和从所述第一信息处理装置接收的所述压缩数据执行恢复处理来生成恢复数据。
2.根据权利要求1所述的信息处理系统，其中，所述测量对象是包括细胞、组织、微生物和生物相关颗粒中的至少一种的生物源颗粒。
3.根据权利要求1所述的信息处理系统，其中，所述第一信息处理装置和所述第二信息处理装置连接，以便能够经由预定网络彼此通信。
4.根据权利要求1所述的信息处理系统，其中，所述压缩处理包括线性处理和非线性处理中的至少一个。
5.根据权利要求1所述的信息处理系统，其中，所述压缩处理包括维度压缩处理、聚类处理和分组处理中的至少一种。
6.根据权利要求1所述的信息处理系统，其中，所述压缩数据是荧光染料量，所述荧光染料量表示针对用于对所述测量对象物进行染色的每种荧光染料的测量结果。
7.根据权利要求1所述的信息处理系统，其中，所述恢复处理是所述压缩数据的逆转换处理。
8.根据权利要求1所述的信息处理系统，
其中，所述第一处理单元除了使用所述参考数据，还使用虚拟参考数据对所述测量数据执行所述压缩处理，以生成其中虚拟数据被添加到所述压缩数据的虚拟压缩数据，
所述发送单元将所述虚拟压缩数据和所述虚拟参考数据发送至所述第二信息处理装置，并且
所述第二处理单元通过使用所述参考数据、所述虚拟压缩数据和所述虚拟参考数据执行所述恢复处理来生成所述恢复数据。
9.根据权利要求1所述的信息处理系统，
其中，所述第一处理单元进一步通过使用所述压缩数据和所述参考数据执行反混合的逆转换来恢复所述测量数据，并生成表示作为所恢复的所述测量数据的恢复测量数据与所述测量数据之间的差异的差异信息，
所述发送单元进一步将所述差异信息发送至所述第二信息处理装置，
所述第二信息处理装置进一步从所述第一信息处理装置接收所述差异信息，以及
所述第二处理单元进一步基于所述差异信息校正所恢复的所述测量数据。
10.根据权利要求1所述的信息处理系统，
其中，所述第二信息处理装置还包括：
分析处理单元，被配置为使用所述压缩数据和恢复测量数据来分析所述测量对象物，所述恢复测量数据是通过恢复所述压缩数据获得的所述测量数据。
11.根据权利要求10所述的信息处理系统，
其中，所述第二信息处理装置还包括：
学习单元，所述学习单元被配置为通过使用与基于所述分析处理单元的分析结果而指定的分选目标对应的所述测量数据执行机器学习，来构建学习模型，所述学习模型用于确定所述分选目标；以及
学习模型发送单元，被配置为将所述学习模型发送给所述第一信息处理装置，以及
所述第一信息处理装置进一步包括：
学习模型接收单元，被配置为从所述第二信息处理装置接收所述学习模型；以及
确定单元，被配置为基于所述学习模型确定所述分选目标。
12.根据权利要求1所述的信息处理系统，
其中，所述测量数据是通过测量从所述测量对象物发射的荧光而获得的荧光信号。
13.根据权利要求1所述的信息处理系统，
其中，所述测量数据是对所述测量对象物进行成像而得到的图像数据。
14.一种信息处理装置，包括：
第一处理单元，被配置为通过使用针对用于对测量对象物进行染色的每种荧光染料的参考数据，对测量数据执行压缩处理来生成压缩数据，所述测量数据是用光照射利用多种荧光染料染色的所述测量对象物而测量的；以及
第二处理单元，被配置为通过使用所述参考数据和所述压缩数据执行恢复处理来生成恢复数据。
CN202080073498.8A 2019-11-20 2020-11-13 信息处理系统和信息处理装置 Pending CN114729887A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-209936 2019-11-20
JP2019209936A JP2021081342A (ja) 2019-11-20 2019-11-20 情報処理システムおよび情報処理装置
PCT/JP2020/042404 WO2021100622A1 (ja) 2019-11-20 2020-11-13 情報処理システムおよび情報処理装置

Publications (1)

Publication Number Publication Date
CN114729887A true CN114729887A (zh) 2022-07-08

Family

ID=75964908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080073498.8A Pending CN114729887A (zh) 2019-11-20 2020-11-13 信息处理系统和信息处理装置

Country Status (5)

Country Link
US (1) US20220381671A1 (zh)
JP (1) JP2021081342A (zh)
CN (1) CN114729887A (zh)
DE (1) DE112020005725T5 (zh)
WO (1) WO2021100622A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4226142A1 (en) 2020-10-07 2023-08-16 Becton, Dickinson and Company Methods for flow cytometry panel design based on modeling and minimizing spillover spreading, and systems for practicing the same
EP4365572A1 (en) * 2021-06-30 2024-05-08 Sony Group Corporation Biological sample analysis device
JPWO2023026742A1 (zh) * 2021-08-25 2023-03-02

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5985140B2 (ja) 2010-04-28 2016-09-06 ソニー株式会社 蛍光強度補正方法、蛍光強度算出方法及び蛍光強度算出装置
JP5540952B2 (ja) 2010-07-09 2014-07-02 ソニー株式会社 蛍光強度補正方法及び蛍光強度算出装置
JP5601098B2 (ja) 2010-09-03 2014-10-08 ソニー株式会社 蛍光強度補正方法及び蛍光強度算出装置
US9064301B2 (en) * 2011-04-14 2015-06-23 Abbott Point Of Care, Inc. Method and apparatus for compressing imaging data of whole blood sample analyses
JP5834584B2 (ja) 2011-07-25 2015-12-24 ソニー株式会社 情報処理装置、情報処理方法、プログラム及び蛍光スペクトルの強度補正方法
JP5772425B2 (ja) 2011-09-13 2015-09-02 ソニー株式会社 微小粒子測定装置
JP5870821B2 (ja) * 2012-04-03 2016-03-01 国立研究開発法人理化学研究所 多重蛍光画像の画像解析のための装置、システム、方法、およびプログラム
US9792693B2 (en) * 2013-03-15 2017-10-17 Ventana Medical Systems, Inc. Spectral unmixing
JP2017505901A (ja) * 2014-01-03 2017-02-23 ベリフード， リミテッドＶｅｒｉｆｏｏｄ， Ｌｔｄ． 分光システム、方法、および用途
EP3146463B1 (en) * 2014-05-23 2020-05-13 Ventana Medical Systems, Inc. Systems and methods for detection of biological structures and/or patterns in images
CN117074277A (zh) * 2017-04-24 2023-11-17 索尼公司 信息处理设备、粒子分选系统、程序和粒子分选方法
EP3867768A1 (en) * 2018-11-16 2021-08-25 Sony Group Corporation Information processing apparatus, information processing method, and program

Also Published As

Publication number Publication date
DE112020005725T5 (de) 2022-09-01
JP2021081342A (ja) 2021-05-27
US20220381671A1 (en) 2022-12-01
WO2021100622A1 (ja) 2021-05-27

Similar Documents

Publication Publication Date Title
CN114729887A (zh) 信息处理系统和信息处理装置
JP2010512508A (ja) 量子ドットで染色された組織試料の定量的マルチ・スペクトル画像の分析
JP7367343B2 (ja) 分取システム、及び分取方法
US11988592B2 (en) Methods and systems for characterizing spillover spreading in flow cytometer data
EP4097449A1 (en) Methods and systems for classifying fluorescent flow cytometer data
EP3882603A1 (en) Information processing device, information processing method, and computer program
WO2021039158A1 (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
WO2021039341A1 (ja) 情報処理装置、表示方法、プログラム及び情報処理システム
WO2021215234A1 (ja) 情報処理システム、情報処理方法、プログラム、情報処理装置、及び演算装置
US20210278333A1 (en) Methods and systems for adjusting a training gate to accommodate flow cytometer data
CN105894515B (zh) 用于图像数据处理的方法和系统
JP2021036224A (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
US11561161B2 (en) Information processing apparatus, information processing method, and program
US20230296492A1 (en) Information processing apparatus, flow cytometer system, sorting system, and information processing method
CN102262043A (zh) 微粒分析装置和数据显示方法
EP4361598A1 (en) Particle analysis system, information processing device, and collecting device
US20200200671A1 (en) Information processing apparatus, information processing method, and program
EP4130712A1 (en) Information processing system, information processing device, and information processing method
US11506612B2 (en) Surface enhanced Raman spectroscopy point of care virus detection system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination