CN114958583A - 一种用于血液游离dna的超多重pcr检测系统及方法 - Google Patents

一种用于血液游离dna的超多重pcr检测系统及方法 Download PDF

Info

Publication number
CN114958583A
CN114958583A CN202210761662.5A CN202210761662A CN114958583A CN 114958583 A CN114958583 A CN 114958583A CN 202210761662 A CN202210761662 A CN 202210761662A CN 114958583 A CN114958583 A CN 114958583A
Authority
CN
China
Prior art keywords
gun head
module
injection gun
detection
pcr
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
CN202210761662.5A
Other languages
English (en)
Inventor
尚午
张毅良
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.)
Nanjing Puji Biology Co ltd
Original Assignee
Nanjing Puji Biology Co ltd
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 Nanjing Puji Biology Co ltd filed Critical Nanjing Puji Biology Co ltd
Priority to CN202210761662.5A priority Critical patent/CN114958583A/zh
Publication of CN114958583A publication Critical patent/CN114958583A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L7/00—Heating or cooling apparatus; Heat insulating devices
    • B01L7/52—Heating or cooling apparatus; Heat insulating devices with provision for submitting samples to a predetermined sequence of different temperatures, e.g. for treating nucleic acid samples
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6844—Nucleic acid amplification reactions
    • C12Q1/686—Polymerase chain reaction [PCR]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Clinical Laboratory Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本申请涉及核酸检测技术的领域，公开了一种用于血液游离DNA的超多重PCR检测系统及方法，多重PCR检测系统包括检测实验主体、输送模块、备样模块、反应液添加模块、混合模块、油相液添加模块、制滴模块、逐滴制样模块、封板震荡模块、数字PCR仪、转移模块、弃置舱和转移机械手，其中，逐滴制样模块包括设置于检测实验主体内的多轴机械臂，多轴机械臂的自由端设置有注射器以及设置在注射器上的注射枪头，注射枪头的开口边缘形成剪切刃，注射器上连接有气管，气管上安装有气压传感器和调压阀，气压传感器通过有线或者无线的方式连接有第一控制器，第一控制器控制连接上述气压传感器。本申请可以在大批量PCR检测中确保实验结果的准确度。

Description

一种用于血液游离DNA的超多重PCR检测系统及方法
技术领域
本申请涉及核酸检测技术的领域，尤其是涉及一种用于血液游离DNA的超多重PCR检测系统及方法。
背景技术
多重PCR又称为多重引物PCR或复合PCR，它是在同一PCR反应体系里加上二对以上引物，同时扩增出多个核酸片段的PCR反应，医学检测中，多重PCR反应多应用于病毒以及疾病的检测，特别地，适用于对当前新冠病毒的检测。
PCR检测的具体操作为：如用棉签从受试者咽部或鼻部蘸取少量分泌物，有时也需要从深部呼吸道取样，将样本完成采集后，向样本中加入PCR反应液，再密封搅拌充分，放入至数字PCR仪中进行扩增检测，获取反应后的实验图像，分析检测结果。操作中，PCR反应液需要采用逐滴加入至油相物质中，否则会降低检测结果的准确度，手动操作虽然可以满足要求，但是无法满足大批量样品的PCR检测。
发明内容
为了在大批量PCR检测中确保实验结果的准确度，本申请提供一种用于血液游离DNA的超多重PCR检测系统及方法。
本申请提供的一种用于血液游离DNA的超多重PCR检测系统采用如下的技术方案：
一种用于血液游离DNA的超多重PCR检测系统，包括检测实验主体，用于提供洁净的检测实验环境；
输送模块，设置于检测实验主体内，用于输送实验样品至检测实验主体内；
备样模块，设置于检测实验主体内，用于存放PCR反应液；
反应液添加模块，用于向输送模块上的实验样品内加入PCR反应液；
混合模块，用于摇匀PCR反应液与实验样品的混合液；
油相液添加模块，用于向培养板上添加油相液；
制滴模块，用于将PCR反应液与实验样品的混合液注入至油相液中并配制成滴状混合液；
逐滴制样模块，用于将滴状混合液逐滴置入培养板中；
封板震荡模块，用于密封培养板并在密封后对滴状PCR预反应液进行震荡摇匀；
数字PCR仪，用于扩增和荧光检测所述滴状PCR预反应液中的目标DNA；
转移模块，设置于检测实验主体内，用于将输送模块上的实验样品转移至封板震荡模块，并在滴状PCR预反应液密封震荡后，将滴状PCR预反应液送入至数字PCR仪内；
弃置舱，设置于检测实验主体内，用于存放废弃培养板；
转移机械手，设置于检测实验主体内，用于抓取废弃培养板并将其丢入至弃置舱中；
其中，逐滴制样模块包括设置于检测实验主体内的多轴机械臂，多轴机械臂的自由端设置有注射器以及设置在注射器上的注射枪头，注射枪头的开口边缘形成剪切刃，注射器上连接有气管，气管上安装有气压传感器和调压阀，气压传感器通过有线或者无线的方式连接有第一控制器，第一控制器控制连接上述气压传感器；
其中，所述第一控制器通过预训练的气压调节模型来控制调压阀输出的压力大小，所述预训练的气压调节模型为F=a×(b-1/3 πw^2 x)+c；其中，F为调压阀输出的压力大小，a的取值范围在1.05～1.5之间，x为注射枪头抽吸溶液在枪头内形成溶液的液面高度的计量刻度值，w为注射枪头抽吸溶液在在枪头内形成溶液的圆形液面直径大小的1/2，b的值不小于注射枪头使用时可容溶液总量体积值，c为偏置量，0<c<y，y的值不大于(b-1/3 πw^2x)的计算值。
通过采用上述技术方案，本申请利用输送装置将实验样品送入至检测实验主内，由反应液添加模块向实验样品内添加PCR反应液，制备得到滴状PCR预反应液，再由转移模块将所述滴状PCR预反应液送至封板震荡模块，完成密封和振荡摇匀，接着送入至数字PCR仪内，进行扩增检测，最后，由转移机械手抓取实验后的样品丢入至弃置舱中，从而实现全流程自动化机械多重PCR检测，满足大批量样品检测的需求；其中，抽取PCR反应液时，PCR反应液被注射枪头上的剪切刃剪切为滴状后存入至注射器中，建立PCR滴放的数据模型，将其存储于第一控制器中，调节气管内的气压，实现PCR反应液的逐滴加入至油相物质中，从而确保了实验结果的准确度。
优选的，多轴机械臂的自由端于注射枪头的周侧设置有多个图像获取设备，多个图像获取设备通过有线或者无线的方式连接有副数据图像分析仪，副数据图像分析仪用于判断PCR反应液是否以滴状的方式从注射枪头流出，副数据图像分析仪电连接有第一报警器；其中，所述副数据图像分析仪内存储有用于判断注射枪头是否以滴状滴加溶液的液体滴加智能识别模型，所述液体滴加智能识别模型包括卷积神经网络模型。
通过采用上述技术方案，利用卷积神经网络视觉识别PCR反应液是否逐滴加入至油相物质中，进一步确保检测操作的准确。
优选的，副数据图像分析仪还用于分析出注射枪头是否污染结果，副数据图像分析仪还连接有第二报警器；其中，所述副数据图像分析仪内还存储有用于判断注射枪头是否污染的注射枪头可用性模型，所述注射枪头可用性模型包括卷积神经网络模型。
通过采用上述技术方案，利用卷积神经网络模型，视觉识别注射枪头是否污染，避免污染影响检测检测结果的准确度。
优选的，还包括：主数据图像分析仪，通过有线或者无线的方式连接数字PCR仪，用于接收数字PCR仪的实验图像并分析出实验结果；其中，主数据图像分析仪存储有卷积神经网络模型。
通过采用上述技术方案，利用卷积神经网络模型，视觉识别数字PCR仪的实验图像，自动生成检测结果。
优选的，存储于主数据图像分析仪的卷积神经网络模型的分析对象为临床样本检测结果图中的荧光检测图像数据。
通过采用上述技术方案，利用临床样本检测结果图中的荧光检测图像数据构建卷积神经网络模型，节省了大量的人力和避免人眼识别大量实验数据的不可持续性，保证了大量样本检测的可持续性。
本申请提供的一种用于血液游离DNA的超多重PCR检测方法采用如下的技术方案：
一种用于血液游离DNA的超多重PCR检测方法，所述超多重PCR检测方法采用包括数字PCR仪和/或计算机设备的装置来执行，包括以下步骤：
S1，目标DNA的提取和引物探针混合液的制备；
S2，吸取制备得到的引物探针混合液；
S3，将制备得到的引物探针混合液加入目标DNA样本中振荡摇匀，得到预反应液，然后将所述预反应液制备成滴状预反应液；
S4，采用数字PCR仪进行目标DNA样本的dPCR扩增和荧光检测；
S5，获取目标DNA样本的荧光检测图像数据；
S6，构建目标DNA样本的荧光检测图像数据的智能识别模型；
S7，智能识别目标DNA的遗传信息；
S8，智能输出识别结果；
其中，所述超多重PCR检测方法通过指定装置来执行自动化操作过程，所述指定装置包括注射枪头、制滴模块、注射枪头的图像获取设备和微生物清理模块A，所述注射枪头的图像获取设备用于采集注射枪头的图像数据信息；所述微生物清理模块A，用于对注射枪头活动空间内的微生物进行灭活。
通过采用上述技术方案，在注射枪头旁设置微生物清理模块A，对注射枪头活动空间内的微生物进行灭活，确保批量实验检测的准确度。
优选的，步骤S3还包括：采用注射枪头吸取所述预反应液，注射枪头内设置有剪切刃，将所述预反应液裁切为滴状加入油相物质，得到滴状预反应液。
通过采用上述技术方案，利用剪切刃裁切预反应液，实现预反应液呈滴状，加入油相物质，得到滴状预反应液。
优选的，步骤S1中，根据目标DNA设计引物；将设计好引物的一端添加上核苷酸序列：GTACCATCTGTAGACTCACTATAGGAAGAGATGTCAACTCGTGCACGAGTTGACATCTCTTCTCCGAGCCGGTCGAAATATTGGAGGAAGCTCGAGCTGGAGGAAAAGTGAGTCTACAGATGGTAC。
通过采用上述技术方案，增加上述核苷酸序列有利于提升PCR检测的精度，避免了批量检测过程中非特异性的扩增。
优选的，引物扩增前的预处理方法为：将合成的核苷酸序列，加入到缓冲液B中加热至68℃，保温7分钟，然后冷却至30℃，保温30分钟，得到用于检测的核苷酸序列全长；其中，缓冲液B的组分为：300mMNaCl，5mMMgCl2，20mMTris(pH7.6)。
通过采用上述技术方案，增加上述核苷酸序列有利于提升PCR检测的精度，避免了批量检测过程中非特异性的扩增。
优选的，还包括：采用微生物清理模块B对检测操作环境内的微生物进行灭活清理。
通过采用上述技术方案，提高实验操作环境内的洁净度。
综上所述，本申请包括以下至少一种有益技术效果：
1.本申请通过设置剪切刃，PCR反应液被抽取后，被注射枪头上的剪切刃剪切为滴状后，再次存入至注射器中，再配合PCR滴放的数据模型和调压阀，调节气管内的气压，实现PCR反应液的逐滴加入至油相物质中，从而确保了实验结果的准确度；
2.利用卷积神经网络模型视觉识别PCR反应液的滴放状态，确保实验操作的规范性，同时，识别注射枪头的污染情况，确保实验结果不受污染的影响；
3.通过设置微生物清理模块A和微生物清理模块B灭杀微生物，有利于维持检测环境内的洁净度，确保实验检测的准确性。
附图说明
图1是本申请实施例的一种用于血液游离DNA的超多重PCR检测系统的整体结构示意图。
图2是本申请实施例的一种用于血液游离DNA的超多重PCR检测系统的内部结构示意图（隐藏部分检测实验主体结构）。
图3是图2中A部局部放大图。
附图标记说明：1、检测实验主体；2、输送模块；3、备样模块；4、反应液添加模块；5、混合模块；6、油相液添加模块；7、震荡摇匀机；8、铝箔密封机；9、封板震荡模块；10、数字PCR仪；11、转移模块；12、弃置舱；13、转移机械手；14、多轴机械臂；15、注射器；16、注射枪头；17、剪切刃；18、气管；19、气压传感器；20、调压阀；21、第一控制器；22、图像获取设备；23、副数据图像分析仪；24、第一报警器；25、第二报警器；26、主数据图像分析仪；27、注射装置；28、抽取枪头；29、负压管；30、微生物清理模块B；31、抽屉；32、容器；33、升降臂；34、滑移平台；35、抽液泵；36、抽液管；37、升降杆；38、滑移座；39、输液泵；40、输液管；41、储存罐；42、微生物清理模块A。
具体实施方式
以下结合附图1-3对本申请作进一步详细说明。
本申请实施例公开一种用于血液游离DNA的超多重PCR检测系统及方法。
参照图1和图2，一种用于血液游离DNA的超多重PCR检测系统，包括检测实验主体1，用于提供洁净的检测实验环境，检测实验主体1由仪器架以及仪器箱体构成；检测实验主体1内设置有用于输送实验样品至检测实验主体1内的输送模块2，输送模块2为输送带，输送带的一端由检测实验主体1内延伸出检测实验主体1外；检测实验主体1内还设置有备样模块3，备样模块3包括设置于检测实验主体1上的抽屉31以及放置于抽屉31内的容器32，使用时，通过抽出抽屉31向容器32内添加PCR反应液的方式实现PCR反应液的添加。
参照图2，检测实验主体1内沿输送模块2的输送方向依次设置有用于向实验样品内加入PCR反应液的反应液添加模块4、于摇匀PCR反应液与实验样品混合液的混合模块5、用于向培养板上添加油相液的油相液添加模块6、用于将PCR反应液与实验样品的混合液注入至油相液中并配制成滴状混合液的制滴模块、用于将滴状混合液逐滴置入培养板中的逐滴制样模块和用于密封培养板并在密封后对滴状PCR预反应液进行震荡摇匀的封板震荡模块9。
参照图2，检测实验主体1内于备样模块3与输送模块2之间设置有反应液添加模块4，反应液添加模块4通过抽取备样模块3处的PCR反应液，再将其加入至输送模块2上的实验样品内；反应液添加模块4包括安装在输送模块2上的升降臂33，升降臂33上水平滑移设置有沿输送带长度方向滑移的滑移平台34，滑移平台34上安装有抽液泵35，抽液泵35上连接有抽液管36，抽液管36的一端延伸至备样模块3的容器32内，另一端设置于输送模块2的正上方，本实施例中，实验样品采用96孔板作为培养板，其中，仅仅在96孔板的一行内放置待检测的实验样品，故通过滑移平台34带动抽液泵35和抽液管36的出口端移动即可向96孔板中装有实验样品的孔内加入PCR反应液。
输送模块2内安装有用于摇匀PCR反应液与实验样品混合液的混合模块5，混合模块5采用震荡仪，混合模块5与输送带接触，带动输送带上的96孔板运动，从而将PCR反应液与实验样品摇匀。
参照图2，油相液添加模块6包括安装在输送模块2上的升降杆37，升降杆37的自由端水平滑移设置有滑移座38，滑移座38上安装有输液泵39，输液泵39上安装有输液管40，输液管40的进液端连接用于盛放油相液的储存罐41，另一端设置于输送模块2的上方，滑移座38带动输液泵39和输液管40的出液端运动，将油相液加入至96孔板中另一行的孔内，其中输液泵39与抽液泵35的运动轨迹平行但不共线，避免将油相液加入至PCR反应液与实验样品混合液中。
参照图2和图3，制滴模块包括安装于检测实验主体1内的多轴机械臂14，多轴机械臂14可以实现其自由端的升降运动以及水平面内的运动，多轴机械臂14的自由端安装有注射器15以及设置在注射器15上的注射枪头16，注射枪头16抽取端设置为斜尖口，且斜尖口边缘设置为用于剪切混合液呈滴状的剪切刃17，注射器15上连接有气管18，气管18上安装有气压传感器19和调压阀20，气压传感器19通过有线或者无线的方式连接有第一控制器21，第一控制器21控制连接上述气压传感器19，第一控制器21通过预训练的气压调节模型来控制调压阀20输出的压力大小，根据模型数据通过调压阀20调节气管18内的气压，将混合液滴状加入油相液，油相液的密度大于混合液的密度，当混合液注入一滴的体积后，在浮力的作用下被剪切刃17剪切，同时被油相液包裹形成滴状上浮在油相液上表面。
其中，预训练的气压调节模型为
Figure DEST_PATH_IMAGE001
，F为调压阀输出的压力大小，a的取值范围1.1～1.3，
Figure 998517DEST_PATH_IMAGE002
为抽吸溶液在枪头内形成溶液的液面高度的计量刻度值（通过图像获取设备16的监测注射枪头上的液面高度读取），w为抽吸溶液在在枪头内形成溶液的圆形液面直径大小的1/2，b的值不小于枪头使用时可容溶液总量体积值（默认设置为枪头使用时可容溶液总量体积值），c为偏置量（根据仪器使用时的应用场景的需要调节大小，0
Figure DEST_PATH_IMAGE003
c
Figure 383231DEST_PATH_IMAGE003
y，y的值不大于
Figure 930887DEST_PATH_IMAGE004
），w的值通过图像获取设备16的监测获取x的值后与数据库预储存的数据进行对比获得对应的数值，从而计算出F的大小。
参照图2和图3，多轴机械臂14的自由端于注射枪头16的周侧圆周阵列安装有多个图像获取设备22，本实施例中，圆周阵列设置有四个摄像头，四个图像获取设备22通过有线或者无线的方式连接有副数据图像分析仪23，副数据图像分析仪23内存储有用于判断注射枪头16是否滴状滴加溶液的模型：液体滴加智能识别模型，副数据图像分析仪23电连接有第一报警器24（参见图1），若判断出注射枪头16未能够滴定加入PCR反应液，则启动第一报警器24报警，提醒实验人员检查维护；副数据图像分析仪23内还存储有用于判断注射枪头16是否污染的模型：注射枪头16可用性模型，副数据图像分析仪23还电连接有第二报警器25（参见图1），若判断注射枪头16为污染，启动第二报警器25工作，提醒实验人员更换注射枪头16，第一报警器24和第二报警器25均设置在检测实验主体1，方便实验人员及时观察到实验的异常情况。其中，所述液体滴加智能识别模型和注射枪头16可用性模型可共用一个神经网络模型，也可采用各自独立的神经网络模型。
逐滴制样模块包括固定在多轴机械臂14自由端上的注射装置27，注射装置27上连接有负压管29和抽取枪头28，使用时，逐滴制样模块先吸取上浮在油相液表面的混合液液滴，再将一滴或者几滴混合液液滴置入96孔板上洁净的孔内，如此实验操作，便于后续量化实验结果；为避免在抽取过程中，造成液滴破裂，抽取枪头28表面的粗糙度Ra不超过0.9。抽取枪头28和注射枪头16均采用转动收纳的方式连接在多轴机械臂14自由端上，避免操作过程中受到干涉而污染。
液体滴加智能识别模型或注射枪头可用性模型的训练方法包括如下步骤：
步骤S1、读取图像获取设备获取的注射枪头载液图像数据或注射枪头滴加溶液的图像数据进行预处理；所述步骤S1具体操作包括：读取至少5000张注射枪头载液图像数据或注射枪头滴加溶液的图像数据；
S2、选取图像数据中枪头部分图像，并对枪头部分图像形状进行细化；
所述步骤S2具体操作包括：将过程S1读取的注射枪头载液图像数据或注射枪头滴加溶液的图像数据，先进行高斯滤波去噪，得到预处理后的增强图像数据。
S3、将步骤S2提取出来的枪头部分图像形状，平均分成p组，利用卷积神经网络提取这些枪头部分图像形状的数据特征，并进行归一化。所述步骤S3具体操作包括：
第1步：选取经过程二预处理后的图像数据5000份；第2步：由专家截取出枪头部分图像形状部分与非枪头部分图像形状部分，然后通过卷积神经网络训练出自动分割的模型；在这里，注射枪头载液图像数据或注射枪头滴加溶液的图像数据的卷积神经网络是由12层卷积层，2层下采样层组成的网络结构，卷积核的大小分别为：第一层为12x12，第二层与第三层为5x5，其余各层为3x3，步长分别是：前两个卷积层是2，其余的都是1。下采样层的大小都是3x3，步长都是2。
通过卷积神经网络训练出自动分割的模型的具体方法为：
（1）通过卷积神经网络的卷积层与下采样层自动学习特征，并提取出特征，具体步骤为：
步骤A：在一个卷积层，上一层的特征maps被一个能够学习的卷积核进行卷积，然后通过一个激活函数，就能得到输出特征map；每一个输出是卷积核卷积一个输入或者组合多个卷积输入的值（这里我们选择的是组合卷积多个出入maps的值）：
Figure DEST_PATH_IMAGE005
；其中，*表示卷积运算符；l表示层数；i表示l-1层的第i个神经元节点；j表示l层的第j个神经元节点；M j 表示选择的输入maps的集合；
Figure 350235DEST_PATH_IMAGE006
是输出；
Figure DEST_PATH_IMAGE007
是指l-1层的输出，作为l1层的输入；f是激活函数，这里取sigmoid函数f(x)=
Figure 512095DEST_PATH_IMAGE008
作为激活函数；e表示欧拉数2.718281828，ex就是指数函数；k是卷积算子；b是偏置；每一个输出map会给一个额外的偏置b，但是对于一个特定的输出map，卷积每个输入maps的卷积核都是不一样的。这一步还需要进行梯度计算，以更新灵敏度，灵敏度用于表示b变化多少，误差会变化多少：
Figure DEST_PATH_IMAGE009
；其中，l表示层数；j表示l层的第j个神经元节点；*表示每个元素相乘；δ表示输出神经元的灵敏度，即偏置b的变化率；s l ＝W l x l ；W为权重；b为偏置；f是激活函数，这里取sigmoid函数f(x)=
Figure 665996DEST_PATH_IMAGE010
作为激活函数；e表示欧拉数2.718281828，ex就是指数函数，f’(x)是f(x)的导函数，如果f取sigmoid函数则f’(x)＝(1-f(x))*f(x)；
Figure DEST_PATH_IMAGE011
表示各层共享的权值；up(.)表示一个上采样操作，如果下采样的采样因子是n的话，上采样操作就是将每个像素水平和垂直方向上拷贝n次，这样就能恢复原来的大小了；然后对l层中的灵敏度map中的所有节点进行求和，快速计算偏置b的梯度：
Figure 735452DEST_PATH_IMAGE012
；其中，l表示层数；j表示l层的第j个神经元节点；b表示偏置；δ表示输出神经元的灵敏度，即偏置b的变化率；u,v表示输出maps的(u，v)位置；E是误差函数，这里E=
Figure DEST_PATH_IMAGE013
；C表示标签的维数。如果是两分类的问题，则标签就可以记为yh∈{0，1}，此时C=1，也可以记为yh∈{(0，1)，(1，0)}，此时C=2；所述
Figure 760040DEST_PATH_IMAGE014
表示第n个样本对应标签的第h维；所述
Figure DEST_PATH_IMAGE015
表示第n个样本对应的网络输出的第h个输出。
最后利用BP算法，计算卷积核的权值：
Figure 838941DEST_PATH_IMAGE016
；其中，W是权重参数；E是误差函数，且
Figure DEST_PATH_IMAGE017
，C表示标签的维数，如果是两分类的问题，则标签就可以记为yh∈{0，1}，此时C＝1，也可以记为yh∈{(0,1)，(1,0)}，此时C＝2；所述
Figure 463826DEST_PATH_IMAGE018
表示第n个样本对应标签的第h维；所述
Figure 353285DEST_PATH_IMAGE019
表示第n个样本对应的网络输出的第h个输出；所述η是学习率，即步长；由于很多连接的权值是共享的，因此对于一个给定的权值，需要对所有与该权值有联系的连接对该点求梯度，然后对这些梯度进行求和：
Figure 294696DEST_PATH_IMAGE020
；其中，l表示层数；i表示l层的第i个神经元节点；j表示l层的第j个神经元节点；b表示偏置，δ表示输出神经元的灵敏度，即偏置b的变化率；u,v表示输出maps的(u,v)位置；E是误差函数，这里E=
Figure 595096DEST_PATH_IMAGE021
；C表示标签的维数，如果是两分类的问题，则标签就可以记为yh∈{0,1}，此时C＝1，也可以记为yh∈{(0,1),(1,0)}，此时C＝2；
Figure 723589DEST_PATH_IMAGE018
表示第n个样本对应标签的第h维；
Figure 416739DEST_PATH_IMAGE022
表示第n个样本对应的网络输出的第h个输出；
Figure 930765DEST_PATH_IMAGE023
是卷积核；
Figure 949537DEST_PATH_IMAGE024
是
Figure 830905DEST_PATH_IMAGE025
中的元素在卷积的时候与
Figure 45855DEST_PATH_IMAGE026
逐元素相乘的patch，即所有与卷积核大小相同的图片中所有的区域块，输出卷积map的(u,v)位置的值是由上一层的(u,v)位置的patch与卷积核
Figure 430700DEST_PATH_IMAGE027
逐元素相乘的结果。
步骤B：下采样层有N个输入maps，就有N个输出maps，只是每个输出map都变小了，则有：
Figure 354793DEST_PATH_IMAGE028
；其中，f是激活函数，这里取sigmoid函数f(x)=
Figure 723458DEST_PATH_IMAGE029
作为激活函数，e表示欧拉数2.718281828，ex就是指数函数；
Figure 7678DEST_PATH_IMAGE030
表示各层共享的权值；down(.)表示一个下采样函数；对输入图像的不同nxn的块的所有像素进行求和，这样输出图像在两个维度上都缩小了n倍（这里就是将输入图像数据的每个元素取定一个3x3x3大小的块，然后将其中所有元素求和作为该元素在输出图像中的值，从而使得输出图像在各个维度上都缩小了3倍）；每个输出map都对应一个属于自己的权重参数β（乘性偏置）和一个加性偏置b；通过梯度下降方法来更新参数β和b：
Figure 981450DEST_PATH_IMAGE031
；
Figure 76445DEST_PATH_IMAGE032
；
Figure 181673DEST_PATH_IMAGE033
；
其中，所述conv2是二维卷积算子；所述rot180是旋转180度；所述
Figure 20316DEST_PATH_IMAGE034
是指进行完全卷积；所述l表示层数；所述i表示l层的第i个神经元节点；所述j表示l层的第j个神经元节点；所述b表示偏置；所述δ表示输出神经元的灵敏度，即偏置b的变化率；所述u,v表示输出maps的(u,v)位置；所述E是误差函数，即E=
Figure DEST_PATH_IMAGE035
；所述C表示标签的维数，如果是两分类的问题，则标签就可以记为yh∈{0，1}，此时C＝1，也可以记为yh∈{(0,1),(1,0)}，此时C=2；所述
Figure 114174DEST_PATH_IMAGE036
表示第n个样本对应标签的第h维；所述
Figure 629338DEST_PATH_IMAGE037
表示第n个样本对应的网络输出的第h个输出；所述β是权重参数(一般取值在[0,1])；所述down(.)表示一个下采样函数；所述
Figure 972594DEST_PATH_IMAGE038
是第l+1层的卷积核；所述
Figure 880507DEST_PATH_IMAGE039
是l-1层的输出的第j个神经元节点；所述s l ＝W1x l-1+b l ，其中W是权重参数，b是偏置，
Figure 360030DEST_PATH_IMAGE040
是s1的第j个分量。
步骤C：卷积神经网络自动学习特征map的组合，则第j个特征map组合为：
Figure 796828DEST_PATH_IMAGE041
；
s.t.
Figure 611069DEST_PATH_IMAGE042
＝1，and0≤
Figure 791515DEST_PATH_IMAGE043
≤1；
其中，符号*表示卷积运算符；所述l表示层数；所述i表示l层的第i个神经元节点；所述j表示l层的第j个神经元节点；所述f是激活函数，这里取sigmoid函数f(x)=
Figure 391123DEST_PATH_IMAGE044
作为激活函数，e表示欧拉数2.718281828，e x 就是指数函数；所述
Figure 998822DEST_PATH_IMAGE045
是第l-1层输出的第i个分量；所述
Figure 316671DEST_PATH_IMAGE046
表示输入的map数；所述
Figure DEST_PATH_IMAGE047
是卷积核；所述
Figure 284496DEST_PATH_IMAGE048
是偏置；所述
Figure DEST_PATH_IMAGE049
表示l-1层的输出map作为l层的的输入时，l-1层得到第j个输出map的其中第i个输入map的权值或者贡献。
(2)利用(1)中提取的特征结合softmax自动识别出图像的目标区域，确定好自动分割的模型；具体softmax识别过程就是给定一个样本，就输出一个概率值，该概率值表示的是这个样本属于类别几的概率，损失函数为：
Figure 207452DEST_PATH_IMAGE050
；
其中，所述m表示共有m个样本；所述c表示这些样本总共可分为c类；所述
Figure 251632DEST_PATH_IMAGE051
是一个矩阵，每一行是一个类别所对应的参数，即权重与偏置；所述1{·}是一个指示性函数，即当大括号中的值为真时，该函数的结果为1，否则其结果为0；所述λ是平衡保真项(第一项)与正则项(第二项)的参数，这里λ取正数（根据实验结果调节其大小）；所述J(θ)是指系统的损失函数；所述e表示欧拉数2.718281828，ex就是指数函数；所述T是表示矩阵计算中的转置运算符；lg表示自然对数，即以欧拉数为底的对数；n表示权重与偏置参数的维度；x(i)是输入向量的第i维；y(i)是每个样本标签的第i维；然后利用梯度求解：
Figure 791198DEST_PATH_IMAGE052
；
其中，
Figure 562713DEST_PATH_IMAGE053
；所述m表示共有m个样本；所述
Figure 136914DEST_PATH_IMAGE054
是一个矩阵，每一行是一个类别所对应的参数，即权重与偏置；所述1{·}是一个指示性函数，即当大括号中的值为真时，该函数的结果为1，否则其结果为0；所述λ是平衡保真项(第一项)与正则项(第二项)的参数，这里λ取正数(根据实验结果调节其大小)；所述J(θ)是指系统的损失函数；
Figure 351995DEST_PATH_IMAGE055
是J(θ)导函数；所述e表示欧拉数2.718281828，ex就是指数函数；所述T是表示矩阵计算中的转置运算符；In表示自然对数，即以欧拉数为底的对数；x(i)是输入向量的第i维；y(i)是每个样本标签的第i维。
这里使用的是一种新的Softmax分类器，即只有两分类的Softmax分类器，对于一张目标DNA样本的荧光检测图像数据的图像数据来说，根据softmax给出的概率可以得到将注射枪头载液图像数据或注射枪头滴加溶液的图像数据的目标区域与非目标区域区分开的一个概率图，根据此图可以得到了对注射枪头载液图像数据或注射枪头滴加溶液的图像数据的输出结果。
(3)利用卷积神经网络自动分割注射枪头载液图像数据或注射枪头滴加溶液的图像数据，并对分割出的三维结构形状进行细化，即通过腐蚀、膨胀形态学算子进行填洞以及去掉非目标区域。
第3步：利用第2步得到的模型对所有的注射枪头载液图像数据或注射枪头滴加溶液的图像数据(即5000张图像数据)进行自动分割，得到注射枪头载液图像数据或注射枪头滴加溶液的图像数据的目标区域数据。
S4、选出步骤S3中p-1组数据做训练集，剩余一组做测试，通过卷积神经网络训练出模型进行测试；步骤S4的具体操作包括：将过程三自动分割出的目标区域数据平均分成p组，对数据进行归一化，即自动分割出目标区域之后，提取出目标区域的特征，对这些特征进行线性变换，使结果值映射到[0,1]。在操作进行步骤S4时，需要先读入训练集中的所有图片(即p-1组数据)训练出基于深度卷积神经网络自动识别的智能系统，然后读入剩余1组的数据测试该系统。
使用该系统进行自动识别注射枪头载液图像数据或注射枪头滴加溶液的图像数据时，只需读入要检测的注射枪头载液图像数据或注射枪头滴加溶液的图像数据即可。
S5、重复步骤S4，做p次交叉检验，得到卷积神经网络训练出模型的最佳参数，最终确定基于深度卷积神经网络自动识别注射枪头载液图像数据或注射枪头滴加溶液的图像数据的智能识别系统；步骤S5的具体操作包括：利用卷积神经网络训练识别模型，对所有目标区域数据提取特征(具体过程与过程S3自动分割中提取特征过程的方法是一样的，只不过这里的对象只是针对注射枪头载液图像数据或注射枪头滴加溶液的图像数据，网络结构比自动分割时少了三个卷积层，多了3层全连接层，神经元节点数分别为64，64，1；卷积核的大小分别为：第一层为14x14，第二层与第三层为5x5，其余各层为3x3；步长分别是：前三个卷积层是2，其余的都是1；下采样层的大小都是3x3，步长都是2；而自动分割部分是针对注射枪头载液图像数据或注射枪头滴加溶液的图像数据非目标区域与目标区域同时进行提取特征)。
本实施例采用一种新的Softmax分类器，即只有两分类的Softmax分类器，求解一个损失函数的最优值，即优化J(θ)，Softmax分类器的类别数p等于2(即图像的目标区与非目标区)；通过梯度下降方法就能得到属于对注射枪头载液图像数据或注射枪头滴加溶液的图像数据的标签数据信息的准确性的概率（液体滴加智能识别模型与注射枪头可用性模型的不同之处在于，目标区域技术特征的标签数据信息的不同），具体过程与过程三中自动分割过程的方法是一样(只不过这里就是根据这些概率预测出一个分类标签，也就对一个注射枪头载液图像数据或注射枪头滴加溶液的图像数据进行识别)。
新增过程具体为：重复过程S5的实验，即对于p组数据，每次选出p-1组数据训练，余下的做测试，最终得到识别模型的最佳参数，从而就得到基于深度卷积神经网络自动识别注射枪头载液图像数据或注射枪头滴加溶液的图像数据识别系统。将需要识别的注射枪头载液图像数据或注射枪头滴加溶液的图像数据输入到这个智能识别系统，即可获得对注射枪头载液图像数据或注射枪头滴加溶液的图像数据的输出结果。
参照图2和图3，检测实验主体1内还安装有数字PCR仪10和用于密封实验样品并在密封后对实验样品进行震荡摇匀的封板震荡模块9，封板震荡模块9包括安装在检测实验主体1内的震荡摇匀机7和固定在震荡摇匀机7上方的铝箔密封机8，数字PCR仪10通过有线或者无线的方式连接有主数据图像分析仪26，主数据图像分析仪26接收数字PCR仪10的实验图像并分析出实验结果；检测实验主体1内于数字PCR仪10、封板震荡模块9和输送模块2之间设置有转移模块11，转移模块11为多轴机械手，转移模块11先将输送模块2上的实验样品转移至封板震荡模块9，待实验样品密封震荡后，再将实验样品送入至数字PCR仪10内，由数字PCR仪10完成扩增以及检测。
表1、PCR反应液
组分 终浓度 添加量
PCRMix / 10μL
上游引物（10μM） 0.4μM 0.8μL
下游引物（10μM） 0.4μM 0.8μL
突变型探针（10μM） 0.2μM 0.4μL
野生型探针（10μM） 0.2μM 0.4μL
模板DNA 1ng/μL 2μL
ddH<sub>2</sub>O / 5.6μL
其中，备样模块包含PCR反应液，按照上表1配制PCR反应液，PCRMix购买自NEB，PCRMix不包含三磷酸胞嘧啶脱氧核苷酸(dCTP)组分，并加入终浓度0.1％的Triton-X-100，1U热稳定焦磷酸酶，5μg/μL的BSA，按照ddH2O、PCRmix、探针、引物、模板DNA的顺序，将上述样品按照表1中反应体系中20μL的添加量加入0.2mLPCR管中，使用轻柔涡旋将混合体系混匀20s，并通过短时离心将溶液收集到试管底部。其中，将设计好的引物的一端添加上核苷酸序列“GTACCATCTGTAGACTCACTATAGGAAGAGATGTCAACTCGTGCACGAGTTGACATCTCTTCTCCGAGCCGGTCGAAATATTGGAGGAAGCTCGAGCTGGAGGAAAAGTGAGTCTACAGATGGTAC”，得到扩增用的引物序列。将扩增用的引物序列送到生工生物工程(上海)股份有限公司合成，合成后的核苷酸需进行预处理，预处理的方法为：将合成的核苷酸序列，加入到缓冲液B中加热至68℃，保温7分钟，然后冷却至30℃，保温30分钟，得到用于检测的核苷酸序列全长；其中，缓冲液B的组分为：300mMNaCl，5mMMgCl2，20mMTris(pH7.6)。
数字PCR仪扩增结束后，得到临床样本检测结果图(即基因位位点的聚类分析)，纵坐标为FAM荧光通道，横坐标为HEX荧光通道；该系统支持对6种荧光信号的高效分辨，可两两荧光通道组合形成共3个二维平面数据图像。通过数据图像分析仪分析，对3个二维平面数据图像的有效荧光点进行判读，并对结果进行分析，通过卷积神经网络模型可以在不同反应体系内检测出目标信号，对应多重基因位点的检测结果。针对临床样本检测结果图中的荧光检测图像数据的智能识别模型的构建方法，包括以下步骤：
S1、读取目标DNA样本的荧光检测图像数据进行预处理；
S2、选取图像利用卷积神经网络自动学习分割出感兴趣区域(areaofinterest，AOI)图像，并对AOI图像形状进行细化；
S3、将步骤S2提取出来的AOI图像形状，平均分成p组，利用卷积神经网络提取这些AOI图像形状的数据特征，并进行归一化。
S4、选出步骤S3中p-1组数据做训练集，剩余一组做测试，通过卷积神经网络训练出模型进行测试；
S5、重复步骤S4，做p次交叉检验，得到识别模型的最佳参数，最终确定基于深度卷积神经网络自动识别目标DNA样本的荧光检测图像数据的智能识别系统；
所述过程S1具体为：读取至少5000张数字PCR扩增后目标DNA样本的荧光检测图像数据；在操作进行步骤S4时，需要先读入训练集中的所有图片(即p-1组数据)训练出基于深度卷积神经网络自动识别的智能系统，然后读入剩余1组的数据测试该系统。使用该系统进行自动识别目标DNA样本的荧光检测图像数据时，只需读入要检测的数字PCR扩增后目标DNA样本的荧光检测图像数据即可。
所述过程S2具体为：将过程一读取的目标DNA样本的荧光检测图像数据，先进行高斯滤波去噪，得到预处理后的增强图像数据。
所述过程S3具体为：第1步：选取经过程二预处理后的图像数据5000份；第2步：由专家截取出AOI部分与非AOI部分，然后通过卷积神经网络训练出自动分割的模型；在这里，目标DNA样本的荧光检测图像数据的卷积神经网络是由13层卷积层，2层下采样层组成的网络结构，卷积核的大小分别为：第一层为13x13，第二层与第三层为5x5，其余各层为3x3，步长分别是：前两个卷积层是2，其余的都是1。下采样层的大小都是3x3，步长都是2。
通过卷积神经网络训练出自动分割的模型的具体方法为：
（1）通过卷积神经网络的卷积层与下采样层自动学习特征，并提取出特征，具体步骤为：
步骤A：在一个卷积层，上一层的特征maps被一个能够学习的卷积核进行卷积，然后通过一个激活函数，就能得到输出特征map；每一个输出是卷积核卷积一个输入或者组合多个卷积输入的值（这里我们选择的是组合卷积多个出入maps的值）：
Figure 378857DEST_PATH_IMAGE056
；其中，*表示卷积运算符；l表示层数；i表示l-1层的第i个神经元节点；j表示l层的第j个神经元节点；M j 表示选择的输入maps的集合；
Figure 704796DEST_PATH_IMAGE057
是输出；
Figure 133503DEST_PATH_IMAGE058
是指l-1层的输出，作为l1层的输入；f是激活函数，这里取sigmoid函数f(x)=
Figure 503173DEST_PATH_IMAGE059
作为激活函数；e表示欧拉数2.718281828，ex就是指数函数；k是卷积算子；b是偏置；每一个输出map会给一个额外的偏置b，但是对于一个特定的输出map，卷积每个输入maps的卷积核都是不一样的。这一步还需要进行梯度计算，以更新灵敏度，灵敏度用于表示b变化多少，误差会变化多少：
Figure 282911DEST_PATH_IMAGE060
；其中，l表示层数；j表示l层的第j个神经元节点；*表示每个元素相乘；δ表示输出神经元的灵敏度，即偏置b的变化率；s l ＝W l x l ；W为权重；b为偏置；f是激活函数，这里取sigmoid函数f(x)=
Figure 412541DEST_PATH_IMAGE061
作为激活函数；e表示欧拉数2.718281828，ex就是指数函数，f’(x)是f(x)的导函数，如果f取sigmoid函数则f’(x)＝(1-f(x))*f(x)；
Figure 695754DEST_PATH_IMAGE062
表示各层共享的权值；up(.)表示一个上采样操作，如果下采样的采样因子是n的话，上采样操作就是将每个像素水平和垂直方向上拷贝n次，这样就能恢复原来的大小了；然后对l层中的灵敏度map中的所有节点进行求和，快速计算偏置b的梯度：
Figure 518217DEST_PATH_IMAGE063
；其中，l表示层数；j表示l层的第j个神经元节点；b表示偏置；δ表示输出神经元的灵敏度，即偏置b的变化率；u,v表示输出maps的(u，v)位置；E是误差函数，这里E=
Figure 254092DEST_PATH_IMAGE064
；C表示标签的维数。如果是两分类的问题，则标签就可以记为yh∈{0，1}，此时C=1，也可以记为yh∈{(0，1)，(1，0)}，此时C=2；所述
Figure 905522DEST_PATH_IMAGE065
表示第n个样本对应标签的第h维；所述
Figure 308821DEST_PATH_IMAGE066
表示第n个样本对应的网络输出的第h个输出。
最后利用BP算法，计算卷积核的权值：
Figure 36606DEST_PATH_IMAGE067
；其中，W是权重参数；E是误差函数，且
Figure 259777DEST_PATH_IMAGE068
，C表示标签的维数，如果是两分类的问题，则标签就可以记为yh∈{0，1}，此时C＝1，也可以记为yh∈{(0,1)，(1,0)}，此时C＝2；所述
Figure DEST_PATH_IMAGE069
表示第n个样本对应标签的第h维；所述
Figure 714898DEST_PATH_IMAGE070
表示第n个样本对应的网络输出的第h个输出；所述η是学习率，即步长；由于很多连接的权值是共享的，因此对于一个给定的权值，需要对所有与该权值有联系的连接对该点求梯度，然后对这些梯度进行求和：
Figure 972704DEST_PATH_IMAGE071
；其中，l表示层数；i表示l层的第i个神经元节点；j表示l层的第j个神经元节点；b表示偏置，δ表示输出神经元的灵敏度，即偏置b的变化率；u,v表示输出maps的(u,v)位置；E是误差函数，这里E=
Figure 871390DEST_PATH_IMAGE072
；C表示标签的维数，如果是两分类的问题，则标签就可以记为yh∈{0,1}，此时C＝1，也可以记为yh∈{(0,1),(1,0)}，此时C＝2；
Figure DEST_PATH_IMAGE073
表示第n个样本对应标签的第h维；
Figure 316278DEST_PATH_IMAGE074
表示第n个样本对应的网络输出的第h个输出；
Figure DEST_PATH_IMAGE075
是卷积核；
Figure 325822DEST_PATH_IMAGE076
是
Figure DEST_PATH_IMAGE077
中的元素在卷积的时候与
Figure 156244DEST_PATH_IMAGE078
逐元素相乘的patch，即所有与卷积核大小相同的图片中所有的区域块，输出卷积map的(u,v)位置的值是由上一层的(u,v)位置的patch与卷积核
Figure 225831DEST_PATH_IMAGE079
逐元素相乘的结果。
步骤B：下采样层有N个输入maps，就有N个输出maps，只是每个输出map都变小了，则有：
Figure 423594DEST_PATH_IMAGE080
；其中，f是激活函数，这里取sigmoid函数f(x)=
Figure 502408DEST_PATH_IMAGE081
作为激活函数，e表示欧拉数2.718281828，ex就是指数函数；
Figure 734806DEST_PATH_IMAGE082
表示各层共享的权值；down(.)表示一个下采样函数；对输入图像的不同nxn的块的所有像素进行求和，这样输出图像在两个维度上都缩小了n倍（这里就是将输入图像数据的每个元素取定一个3x3x3大小的块，然后将其中所有元素求和作为该元素在输出图像中的值，从而使得输出图像在各个维度上都缩小了3倍）；每个输出map都对应一个属于自己的权重参数β（乘性偏置）和一个加性偏置b；通过梯度下降方法来更新参数β和b：
Figure 958983DEST_PATH_IMAGE083
；
Figure 909622DEST_PATH_IMAGE084
；
Figure 260969DEST_PATH_IMAGE085
；
其中，所述conv2是二维卷积算子；所述rot180是旋转180度；所述
Figure 347873DEST_PATH_IMAGE086
是指进行完全卷积；所述l表示层数；所述i表示l层的第i个神经元节点；所述j表示l层的第j个神经元节点；所述b表示偏置；所述δ表示输出神经元的灵敏度，即偏置b的变化率；所述u,v表示输出maps的(u,v)位置；所述E是误差函数，即E=
Figure 493684DEST_PATH_IMAGE087
；所述C表示标签的维数，如果是两分类的问题，则标签就可以记为yh∈{0，1}，此时C＝1，也可以记为yh∈{(0,1),(1,0)}，此时C=2；所述
Figure 927026DEST_PATH_IMAGE073
表示第n个样本对应标签的第h维；所述
Figure 347643DEST_PATH_IMAGE088
表示第n个样本对应的网络输出的第h个输出；所述β是权重参数(一般取值在[0,1])；所述down(.)表示一个下采样函数；所述
Figure 23475DEST_PATH_IMAGE089
是第l+1层的卷积核；所述
Figure 871345DEST_PATH_IMAGE090
是l-1层的输出的第j个神经元节点；所述s l ＝W1x l-1+b l ，其中W是权重参数，b是偏置，
Figure 530996DEST_PATH_IMAGE091
是s1的第j个分量。
步骤C：卷积神经网络自动学习特征map的组合，则第j个特征map组合为：
Figure 224146DEST_PATH_IMAGE092
；
s.t.
Figure 534910DEST_PATH_IMAGE093
＝1，and0≤
Figure 553682DEST_PATH_IMAGE094
≤1；
其中，符号*表示卷积运算符；所述l表示层数；所述i表示l层的第i个神经元节点；所述j表示l层的第j个神经元节点；所述f是激活函数，这里取sigmoid函数f(x)=
Figure 435050DEST_PATH_IMAGE095
作为激活函数，e表示欧拉数2.718281828，e x 就是指数函数；所述
Figure 666312DEST_PATH_IMAGE096
是第l-1层输出的第i个分量；所述
Figure 582315DEST_PATH_IMAGE097
表示输入的map数；所述
Figure 771988DEST_PATH_IMAGE098
是卷积核；所述
Figure 389920DEST_PATH_IMAGE099
是偏置；所述
Figure 690451DEST_PATH_IMAGE094
表示l-1层的输出map作为l层的的输入时，l-1层得到第j个输出map的其中第i个输入map的权值或者贡献。
(2)利用(1)中提取的特征结合softmax自动识别出图像的目标区域，确定好自动分割的模型；具体softmax识别过程就是给定一个样本，就输出一个概率值，该概率值表示的是这个样本属于类别几的概率，损失函数为：
Figure 195382DEST_PATH_IMAGE100
；
其中，所述m表示共有m个样本；所述c表示这些样本总共可分为c类；所述
Figure 555956DEST_PATH_IMAGE101
是一个矩阵，每一行是一个类别所对应的参数，即权重与偏置；所述1{·}是一个指示性函数，即当大括号中的值为真时，该函数的结果为1，否则其结果为0；所述λ是平衡保真项(第一项)与正则项(第二项)的参数，这里λ取正数（根据实验结果调节其大小）；所述J(θ)是指系统的损失函数；所述e表示欧拉数2.718281828，ex就是指数函数；所述T是表示矩阵计算中的转置运算符；lg表示自然对数，即以欧拉数为底的对数；n表示权重与偏置参数的维度；x(i)是输入向量的第i维；y(i)是每个样本标签的第i维；然后利用梯度求解：
Figure 411917DEST_PATH_IMAGE102
；
其中，
Figure 499827DEST_PATH_IMAGE103
；所述m表示共有m个样本；所述
Figure 390423DEST_PATH_IMAGE104
是一个矩阵，每一行是一个类别所对应的参数，即权重与偏置；所述1{·}是一个指示性函数，即当大括号中的值为真时，该函数的结果为1，否则其结果为0；所述λ是平衡保真项(第一项)与正则项(第二项)的参数，这里λ取正数(根据实验结果调节其大小)；所述J(θ)是指系统的损失函数；
Figure 390740DEST_PATH_IMAGE105
是J(θ)导函数；所述e表示欧拉数2.718281828，ex就是指数函数；所述T是表示矩阵计算中的转置运算符；In表示自然对数，即以欧拉数为底的对数；x(i)是输入向量的第i维；y(i)是每个样本标签的第i维。
这里使用的是一种新的Softmax分类器，即只有两分类的Softmax分类器，对于一张目标DNA样本的荧光检测图像数据的图像数据来说，根据softmax给出的概率可以得到将目标DNA样本的荧光检测图像数据的目标区域与非目标区域区分开的一个概率图，根据此图可以得到了对目标DNA样本的荧光检测图像数据的输出结果。
(3)利用卷积神经网络自动分割目标DNA样本的荧光检测图像数据，并对分割出的三维结构形状进行细化，即通过腐蚀、膨胀形态学算子进行填洞以及去掉非目标区域。
第3步：利用第2步得到的模型对所有的目标DNA样本的荧光检测图像数据(即5000张图像数据)进行自动分割，得到AOI，即目标DNA样本的荧光检测图像数据目标区域数据。
所述过程S4具体为：将过程三自动分割出的AOI平均分成p组，对数据进行归一化，即自动分割出目标区域之后，提取出目标区域的特征，对这些特征进行线性变换，使结果值映射到[0,1]。
所述过程S5具体为：利用卷积神经网络训练识别模型，对所有AOI提取特征(具体过程与过程三自动分割中提取特征过程的方法是一样的，只不过这里的对象只是针对目标DNA样本的荧光检测图像数据图像数据，网络结构比自动分割时少了三个卷积层，多了3层全连接层，神经元节点数分别为64，64，1；卷积核的大小分别为：第一层为14x14，第二层与第三层为5x5，其余各层为3x3；步长分别是：前三个卷积层是2，其余的都是1；下采样层的大小都是3x3，步长都是2；而自动分割部分是针对目标DNA样本的荧光检测图像数据非目标区域与目标区域同时进行提取特征)。
本实施例采用一种新的Softmax分类器，即只有两分类的Softmax分类器，求解一个损失函数的最优值，即优化J(θ)，Softmax分类器的类别数p等于2(即图像的目标区与非目标区)；通过梯度下降方法就能得到属于对目标DNA样本的数字PCR检测遗传信息的准确性的概率，具体过程与过程三中自动分割过程的方法是一样(只不过这里就是根据这些概率预测出一个分类标签，也就对一个目标DNA样本的荧光检测图像数据的图像数据进行识别)。
新增过程具体为：重复过程S5的实验，即对于p组数据，每次选出p-1组数据训练，余下的做测试，最终得到识别模型的最佳参数，从而就得到基于深度卷积神经网络自动识别目标DNA样本的荧光检测图像数据识别系统。将需要识别的目标DNA样本的荧光检测图像数据输入到这个智能识别系统，即可获得对目标DNA样本的荧光检测图像数据的输出结果。
参照图2和图3，实验主体内还设置有弃置舱12，用于存放废弃培养板，弃置舱12设计为抽屉31结构，便于对废弃培养板进行清理，数字PCR仪10与弃置舱12之间安装转移机械手13，用于抓取废弃培养板并将其丢入至弃置舱12中，转移机械手13的设备结构与转移模块11相同。
多轴机械臂14上于注射枪头16旁安装有用于对注射枪头16活动空间内的微生物进行灭活的微生物清理模块A42，本实施例微生物清理模块A42采用紫外消杀灯；检测实验主体1内多处安装有用于对检测实验主体1内的微生物进行灭活清理的微生物清理模块B30，其中，输送模块2上方安装有微生物清理模块B30，以确保输送模块2的清洁度，弃置舱12内也安装有微生物清理模块B30，用于对弃置舱12内的微生物进行灭活，微生物清理模块B30为紫外消杀灯或臭氧/过氧化氢熏蒸器，在完成一轮检测实验后，通过一轮处理有利于确保下一次实验的准确度。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种用于血液游离DNA的超多重PCR检测系统，其特征在于，包括检测实验主体(1)，用于提供洁净的检测实验环境；
输送模块(2)，设置于检测实验主体(1)内，用于输送实验样品至检测实验主体(1)内；
备样模块(3)，设置于检测实验主体(1)内，用于存放PCR反应液；
反应液添加模块(4)，用于向输送模块(2)上的实验样品内加入PCR反应液；
混合模块(5)，用于摇匀PCR反应液与实验样品的混合液；
油相液添加模块(6)，用于向培养板上添加油相液；
制滴模块，用于将PCR反应液与实验样品的混合液注入至油相液中并配制成滴状混合液；
逐滴制样模块，用于将滴状混合液逐滴置入培养板中；
封板震荡模块(9)，用于密封培养板并在密封后对滴状PCR预反应液进行震荡摇匀；
数字PCR仪(10)，用于扩增和荧光检测所述滴状PCR预反应液中的目标DNA；
转移模块(11)，设置于检测实验主体(1)内，用于将输送模块(2)上的实验样品转移至封板震荡模块(9)，并在滴状PCR预反应液密封震荡后，将滴状PCR预反应液送入至数字PCR仪(10)内；
弃置舱(12)，设置于检测实验主体(1)内，用于存放废弃培养板；
转移机械手(13)，设置于检测实验主体(1)内，用于抓取废弃培养板并将其丢入至弃置舱(12)中；
其中，逐滴制样模块包括设置于检测实验主体(1)内的多轴机械臂(14)，多轴机械臂(14)的自由端设置有注射器(15)以及设置在注射器(15)上的注射枪头(16)，注射枪头(16)的开口边缘形成剪切刃(17)，注射器(15)上连接有气管(18)，气管(18)上安装有气压传感器(19)和调压阀(20)，气压传感器(19)通过有线或者无线的方式连接有第一控制器(21)，第一控制器(21)控制连接上述气压传感器(19)；
其中，所述第一控制器(21)通过预训练的气压调节模型来控制调压阀(20)输出的压力大小，所述预训练的气压调节模型为F=a×(b-)+c；其中，F为调压阀(20)输出的压力大小，a的取值范围在1.05～1.5之间，x为注射枪头(16)抽吸溶液在枪头内形成溶液的液面高度的计 量刻度值，w为注射枪头(16)抽吸溶液在在枪头内形成溶液的圆形液面直径大小的1/2，b的值不小于注射枪头(16)使用时可容溶液总量体积值，c为偏置量，0<c<y，y的值不大于(b-)的计算值。
2.根据权利要求1所述的一种用于血液游离DNA的超多重PCR检测系统，其特征在于，多轴机械臂(14)的自由端于注射枪头(16)的周侧设置有多个图像获取设备(22)，多个图像获取设备(22)通过有线或者无线的方式连接有副数据图像分析仪(23)，副数据图像分析仪(23)用于判断PCR反应液是否以滴状的方式从注射枪头(16)流出，副数据图像分析仪(23)电连接有第一报警器(24)；其中，所述副数据图像分析仪(23)内存储有用于判断注射枪头(16)是否以滴状滴加溶液的液体滴加智能识别模型，所述液体滴加智能识别模型包括卷积神经网络模型。
3.根据权利要求2所述的一种用于血液游离DNA的超多重PCR检测系统，其特征在于，副数据图像分析仪(23)还用于分析出注射枪头(16)是否污染结果，副数据图像分析仪(23)还连接有第二报警器(25)；其中，所述副数据图像分析仪(23)内还存储有用于判断注射枪头(16)是否污染的注射枪头(16)可用性模型，所述注射枪头(16)可用性模型包括卷积神经网络模型。
4.根据权利要求1所述的一种用于血液游离DNA的超多重PCR检测系统，其特征在于，还包括：主数据图像分析仪(26)，通过有线或者无线的方式连接数字PCR仪(10)，用于接收数字PCR仪(10)的实验图像并分析出实验结果；其中，主数据图像分析仪(26)存储有卷积神经网络模型。
5.根据权利要求4所述的一种用于血液游离DNA的超多重PCR检测系统，其特征在于，存储于主数据图像分析仪(26)的卷积神经网络模型的分析对象为临床样本检测结果图中的荧光检测图像数据。
6.一种用于血液游离DNA的超多重PCR检测方法，其特征在于，所述超多重PCR检测方法采用包括数字PCR仪(10)和/或计算机设备的装置来执行，包括以下步骤：
S1，目标DNA的提取和引物探针混合液的制备；
S2，吸取制备得到的引物探针混合液；
S3，将制备得到的引物探针混合液加入目标DNA样本中振荡摇匀，得到预反应液，然后将所述预反应液制备成滴状预反应液；
S4，采用数字PCR仪(10)进行目标DNA样本的dPCR扩增和荧光检测；
S5，获取目标DNA样本的荧光检测图像数据；
S6，构建目标DNA样本的荧光检测图像数据的智能识别模型；
S7，智能识别目标DNA的遗传信息；
S8，智能输出识别结果；
其中，所述超多重PCR检测方法通过指定装置来执行自动化操作过程，所述指定装置包括注射枪头(16)、制滴模块、注射枪头(16)的图像获取设备(22)和微生物清理模块A(42)，所述注射枪头(16)的图像获取设备(22)用于采集注射枪头(16)的图像数据信息；所述微生物清理模块A(42)，用于对注射枪头(16)活动空间内的微生物进行灭活。
7.根据权利要求6所述的一种用于血液游离DNA的超多重PCR检测方法，其特征在于，步骤S3还包括：采用注射枪头(16)吸取所述预反应液，注射枪头(16)内设置有剪切刃(17)，将所述预反应液裁切为滴状加入油相物质，得到滴状预反应液。
8.根据权利要求6所述的一种用于血液游离DNA的超多重PCR检测方法，其特征在于，步骤S1中，根据目标DNA设计引物；将设计好引物的一端添加上核苷酸序列：GTACCATCTGTAGACTCACTATAGGAAGAGATGTCAACTCGTGCACGAGTTGACATCTCTTCTCCGAGCCGGTCGAAATATTGGAGGAAGCTCGAGCTGGAGGAAAAGTGAGTCTACAGATGGTAC。
9.根据权利要求8所述的一种用于血液游离DNA的超多重PCR检测方法，其特征在于，引物扩增前的预处理方法为：将合成的核苷酸序列，加入到缓冲液B中加热至68℃，保温7分钟，然后冷却至30℃，保温30分钟，得到用于检测的核苷酸序列全长；其中，缓冲液B的组分为：300mMNaCl，5mMMgCl2，20mMTris(pH7.6)。
10.根据权利要求6所述的一种用于血液游离DNA的超多重PCR检测方法，其特征在于，还包括：采用微生物清理模块B(30)对检测操作环境内的微生物进行灭活清理。
CN202210761662.5A 2022-06-30 2022-06-30 一种用于血液游离dna的超多重pcr检测系统及方法 Pending CN114958583A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210761662.5A CN114958583A (zh) 2022-06-30 2022-06-30 一种用于血液游离dna的超多重pcr检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210761662.5A CN114958583A (zh) 2022-06-30 2022-06-30 一种用于血液游离dna的超多重pcr检测系统及方法

Publications (1)

Publication Number Publication Date
CN114958583A true CN114958583A (zh) 2022-08-30

Family

ID=82967704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210761662.5A Pending CN114958583A (zh) 2022-06-30 2022-06-30 一种用于血液游离dna的超多重pcr检测系统及方法

Country Status (1)

Country Link
CN (1) CN114958583A (zh)

Similar Documents

Publication Publication Date Title
Beyenal et al. Quantifying biofilm structure: facts and fiction
US20200357516A1 (en) Systems and methods for automatically interpreting images of microbiological samples
JP2021532350A (ja) 機械学習を適用して高スループットシステムにおけるマイクロコピー画像を分析するためのシステムおよび方法
US8852892B2 (en) Physical geolocation system
CN107810277A (zh) 用于高通量微生物学应用的高分辨率系统、试剂盒、设备和方法
CN106650796A (zh) 一种基于人工智能的细胞荧光图像分类方法和系统
WO1995034050A1 (en) Neural network for cell image analysis for identification of abnormal cells
Liu et al. Automated vitrification of embryos: A robotics approach
CN110826624A (zh) 一种基于深度强化学习的时间序列分类方法
US11807551B2 (en) Systems and methods for treating wastewater
JP2023164475A (ja) 生体試料評価処理のためのアプリケーション開発環境
WO2006036735A2 (en) Method for detecting and quantitating multiple subcellular components
US20210264130A1 (en) Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample
EP0340783A2 (en) Apparatus for culturing animal cells, method of culturing thereof and diagnostics of the culture
CN114958583A (zh) 一种用于血液游离dna的超多重pcr检测系统及方法
Wit et al. Application of an artificial neural network in the enumeration of yeasts and bacteria adhering to solid substrata
Wei et al. Fruit Freshness Detection Based on YOLOv8 and SE attention Mechanism
JPH07121220B2 (ja) 動物細胞の培養装置、培養方法及び活性診断装置
CN116757998A (zh) 基于ai的ctc细胞和ctc样细胞的筛查方法及装置
CN113373104B (zh) 一种用于稀有细胞高纯度分选的装置及方法
Çavuşoğlu et al. Classification of Bovine Cumulus-Oocyte Complexes with Convolutional Neural Networks
Aliev et al. Automated system for analysing the process of plant micropropagation
Dishon et al. Image-based analysis and quantification of biofouling in cultures of the red alga Asparagopsis taxiformis
JP2024513984A (ja) 微細藻類培養物サンプルの顕微鏡画像の解析
CN117649875B (zh) 一种基于探针捕获技术的分子检测样本质控方法及系统

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