CN115667913A - 数据处理装置、数据处理方法、数据处理程序及分析装置 - Google Patents
数据处理装置、数据处理方法、数据处理程序及分析装置 Download PDFInfo
- Publication number
- CN115667913A CN115667913A CN202180037521.2A CN202180037521A CN115667913A CN 115667913 A CN115667913 A CN 115667913A CN 202180037521 A CN202180037521 A CN 202180037521A CN 115667913 A CN115667913 A CN 115667913A
- Authority
- CN
- China
- Prior art keywords
- peak
- data processing
- predicted distribution
- display
- unit
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 174
- 238000004458 analytical method Methods 0.000 title claims description 14
- 238000003672 processing method Methods 0.000 title claims description 13
- 238000009826 distribution Methods 0.000 claims abstract description 226
- 238000005259 measurement Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 239000000126 substance Substances 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 description 30
- 239000012535 impurity Substances 0.000 description 25
- 230000006870 function Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 16
- 238000011156 evaluation Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 238000004811 liquid chromatography Methods 0.000 description 2
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005220 pharmaceutical analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
- G01N30/8624—Detection of slopes or peaks; baseline correction
- G01N30/8631—Peaks
- G01N30/8637—Peak shape
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种数据处理装置(100),对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理装置(100)具备推定部(102)、计算部(104)和显示处理部(105)。推定部(102)对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布。计算部(104)基于由推定部(102)推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布。显示处理部(105)能够以显示由计算部(104)计算出的定量指标的预测分布的方式进行动作。
Description
技术领域
本发明涉及数据处理装置、数据处理方法、数据处理程序及分析装置。
背景技术
在组合了液相色谱仪或气相色谱仪等成分分离装置和检测器的分析装置中,杂质或类缘物质等多个峰经常重叠。因此,有必要在定量分析之前进行峰的分离。在使用色谱仪的分析中,对于各个峰形状,例如,假定高斯函数、非专利文献1所示的BEMG函数等函数,使用将它们多个混合而成的峰形状模型。例如,在使用混合高斯模型的情况下,所假设的峰的个数(簇数)为K,假定能够用以下的式(1)的函数表现信号波形。
[数1]
然后,参数μk,σk通过最大似然推定法等推定。在此,用以下的式(2)表示各峰的形状。
[数2]
但是,在峰彼此重叠的情况下,在关于各峰的形状或峰的面积的推定中残留较大的不确定性。若使用上述的最大似然推定来预测各峰的面积或高度(或与它们成比例的成分浓度),则预测误差可能变大。
现有技术文献
非专利文献
非专利文献1:Arase,Shuntaro等,“Intelligent peak deconvolution throughin-depth study of the data matrix from liquid chromatography coupled with aphoto-diode array detector applied to pharmaceutical analysis.(通过深入研究液相色谱的数据矩阵并结合应用于药物分析的光电二极管阵列检测器以实现智能分峰。)”,《Journal of Chromatography A(色谱杂志A)》,1469(2016):35-47。
发明内容
发明要解决的技术问题
如上所述,在峰分离时,准备多个高斯函数或BEMG函数(非专利文献1)并将其应用于峰波形,由此从重叠的峰群中推定一个一个的峰形状。但是,在推定各峰形状时,存在某物质的峰(也称为“主峰”)和杂质(或类缘物质)的峰本质上无法区分的区域。图1是表示主峰的拖尾和杂质峰的关系的图。如图1所示,杂质峰和未产生拖尾的主峰重叠而成的峰波形成为与产生拖尾的主峰的峰波形大致相同的波形,无法区分它们。因此,在定量分析峰波形的面积的情况下将产生面积误差。进而,在使用峰形状模型进行峰波形的拟合的情况下,由于存在包含在测量的峰波形中的噪声等不确定因素,因此在峰波形的面积的定量分析中产生误差。根据这样的情况,用户需要评价从峰波形得到的定量指标能够产生何种程度的误差来确保合理的安全率。
本公开内容是为了解决上述问题而完成的,本公开内容的目的在于提供一种技术,能够对从峰波形得到的定量指标考虑误差来确保合理的安全率。
用于解决上述技术问题的方案
根据本公开内容的一方案的数据处理装置,对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理装置具备推定部、计算部和显示处理部。推定部对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布。计算部基于由推定部推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布。显示处理部能够以显示由计算部计算出的定量指标的预测分布的方式进行动作。
根据本公开内容的其他方案的数据处理方法,对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理方法具备:对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布的步骤;基于推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布的步骤;显示计算出的定量指标的预测分布的步骤。
根据本公开内容的其他方案的数据处理程序,对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理程序使计算机执行如下步骤:对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布的步骤;基于推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布的步骤;显示计算出的定量指标的预测分布的步骤。
发明效果
根据本公开内容,数据处理装置能够以显示相对于各峰形状的定量指标的预测分布的方式进行动作。如此,由于用户能够确认定量指标的预测分布,因此能够容易直观地掌握关于定量指标的统计数据,并且通过确认这些数据,能够对定量指标考虑误差来确保合理的安全率。
附图说明
图1是表示主峰的拖尾和杂质峰的关系的图。
图2是表示数据处理装置的功能构成的一例的框图。
图3是表示数据处理的一例的流程图。
图4是表示推定处理的一例的流程图。
图5是表示在假定峰个数为2个的情况下的峰形状的预测分布的显示例的图。
图6是表示在假定峰个数为1个的情况下的峰形状的预测分布的显示例的图。
图7是表示在假定峰个数为2个的情况下的各峰形状的预测分布的显示例的图。
图8是表示峰面积的预测分布的显示例的图。
图9是表示面积比率的预测分布及分位点的显示例的图。
图10是表示各峰形状的预测分布及分位点的显示例的图。
图11是表示本实施方式的变形例的分析装置的功能构成的一例的框图。
具体实施方式
以下,参照附图对本公开内容的实施方式进行详细说明。另外,对图中相同或对应的部分赋予同一附图标记,不再对其重复说明。
[数据处理装置的功能构成]
图2是表示数据处理装置的功能构成的一例的框图。如图2所示,本实施方式的数据处理装置100构成为能够和试样测量装置10连接。
本实施方式中的试样测量装置10是例如组合了液相色谱仪或气相色谱仪等成分分离装置和检测器的色谱仪分析装置(LC、GC)。此外,也可以是使用质量分析装置(MS)作为检测器的色谱仪质量分析装置(LC/MS、GC/MS)等。
数据处理装置100对于通过对试样进行规定的测量而得到的测量波形进行数据处理。测量波形中包含的各峰形状与试样中包含的多个物质分别对应。在本实施方式中,测量波形假设为通过液相色谱仪分析装置(试样测量装置10)的测量而得到的色谱图的波形。
例如,在试样中含有某物质(也称为“主成分”)和杂质的情况下,与主成分对应的峰(也称为“主峰”)和与杂质对应的峰(也称为“杂质峰”)将出现在测量波形中。在主峰与杂质峰接近的情况下,难以区分它们(参照图1)。
在此,数据处理装置100具备硬盘、CPU(中央处理器)和存储器。CPU将保存在硬盘中的程序读入存储器并执行,实现数据处理装置100的各项功能。数据处理装置100例如是个人计算机或工作站。
此外,数据处理装置100与包含键盘111或显示器112的外围设备连接。另外,数据处理装置100也可以包含显示器112等输入装置或显示器112等显示装置。
数据处理装置100具备获取部101、推定部102、输入部103、计算部104和显示处理部105。这些部分的各功能通过数据处理装置100的CPU执行各项程序来实现。
试样测量装置10对试样进行规定的测量。获取部101获取测量波形。具体而言,获取部101获取通过试样测量装置10进行的规定的测量而得到的测量波形。
推定部102对测量波形中包含的峰波形,使用规定的峰形状模型来推定峰形状的预测分布。在本实施方式中,规定的峰形状模型是后述的“K-混合BEMG函数”。测量波形是获取部101获取的测量波形。另外,试样测量装置10也可以不具备获取部101。在该情况下,推定部102直接获取通过试样测量装置10进行的规定的测量而得到的测量波形,并进行推定。
在本实施方式中,推定部102通过贝叶斯推定来推定各峰形状的预测分布。但是,不限于此,推定部102也可以使用贝叶斯推定以外的推定方法进行推定。
在本实施方式中,测量波形中包含的峰波形包含接近的多个峰波形。即,推定部102使用规定的峰形状模型(K-混合BEMG函数)对包含在由获取部101获取的测量波形中的接近的多个峰波形分别推定各峰形状的预测分布。详细情况将使用图5~图7后述。
计算部104基于由推定部102推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布。此外,计算部104计算在计算出的定量指标的预测分布中的阈值的分位点。
例如,定量指标是“峰形状的面积(也称为“峰面积”)”。即,该情况下的定量指标的预测分布是峰面积的预测分布。此外,定量指标也可以是“峰形状间的峰面积的比率”(也简称为“面积比率”)。该情况下的定量指标的预测分布是面积比率的预测分布,表示“与各峰形状对应的物质的比率的分布”。此外,例如,阈值为“0.95”,求出的分位点为“20.4%”。详细情况将使用图8~图10后述。
显示处理部105能够以显示由计算部104计算出的定量指标的预测分布的方式进行动作。此外,显示处理部105能够以显示由计算部104计算出的分位点的方式进行动作。具体而言,显示处理部105使显示器112显示由计算部104计算出的定量指标的预测分布及分位点中的至少一方。其结果,在显示器112上显示定量指标的预测分布或分位点。详细情况将使用图8~图10后述。
在此,用户能够通过键盘111的操作进行各种设定或进行显示的切换。例如,用户能够通过键盘111的操作设定阈值。
输入部103接收用户的输入。具体而言,输入部103基于用户的操作而接收阈值(例如0.95)的输入。计算部104基于由输入部103接收到输入的阈值,计算分位点,并将其显示在显示器112上。例如,显示器112可以与阈值一起显示分位点,也可以与它们一起显示面积比率的预测分布(参照后述的图9),也可以与它们一起显示峰形状的预测分布(参照后述的图10)。
此外,用户能够通过键盘111的操作来切换显示器112的显示。例如,用户能够通过键盘111的操作将上述面积比率的预测分布的显示(参照后述的图9)切换为峰面积的预测分布的显示(参照后述的图8),或者切换为峰形状的预测分布的显示(参照后述的图10)。
另外,数据处理装置100也可以构成为能够经由通信接口而与LAN(局域网)等网络连接。在该情况下,数据处理装置100也可以经由网络而与试样测量装置10连接。此外,数据处理装置100也可以经由网络而与多台试样测量装置10连接。
如上所述,获取部101、推定部102、输入部103、计算部104和显示处理部105进行的处理可以由个人计算机进行,也可以由经由网络和个人计算机连接的服务器装置进行。进行上述处理的程序在前者的情况下安装在个人计算机上,在后者的情况下安装在服务器装置上。进行上述处理的程序既可以经由网络从服务器装置下载,也可以存储在记录介质(例如CD和DVD)中进行分发。
[数据处理的流程图]
图3是表示数据处理的一例的流程图。如图3所示,数据处理装置100执行数据处理。数据处理是对于通过对试样进行规定的测量而得到的测量波形进行的处理,是数据处理装置100的获取部101、推定部102、输入部103、计算部104及显示处理部105执行的一系列处理。
数据处理包含获取处理、推定处理、输入处理、计算处理和显示处理。获取处理是获取部101执行的处理,推定处理是推定部102执行的处理,输入处理是输入部103执行的处理,计算处理是计算部104执行的处理,显示处理是显示处理部105执行的处理。以下,将步骤仅记述为S。
CPU将保存在硬盘中的程序读入存储器并执行。数据处理通过数据处理程序的执行来进行。获取处理通过获取处理程序的执行来进行。推定处理通过推定处理程序的执行来进行。输入处理通过输入处理程序的执行来进行。计算处理通过计算处理程序的执行来进行。显示处理通过显示处理程序的执行来进行。
例如,获取部101在试样测量装置10与数据处理装置100之间进行用于进行数据(测量波形)的交接的获取处理。获取处理通过获取处理程序的执行来进行。
若开始数据处理,则数据处理装置100在S11中执行获取处理并使处理推进到S12。在获取处理中,获取部101获取通过试样测量装置10进行的规定的测量而得到的测量波形。
数据处理装置100在S12中执行推定处理并使处理推进到S13。在推定处理中,进行图4所示的处理。
图4是表示推定处理的一例的流程图。如图4所示,若开始推定处理,则数据处理装置100在S21中对假定峰个数为1~N个的情况下的每一个,对测量波形中包含的峰波形,通过贝叶斯推定来推定峰形状的预测分布并使处理推进到S22。
数据处理装置100在S22中设定用户指定的峰个数并使处理推进到S23。例如,在S21中计算出的峰个数=1~N个的各峰形状的预测分布也可以显示在显示器112上(参照后述的图5、图6)。然后,用户指定峰个数1~N个中的哪一个是妥当的。在该情况下,例如,基于键盘111的操作而设定用户指定的峰个数。
数据处理装置100在S23中选择由S22设定的峰个数的峰形状的预测分布作为推定结果并结束推定处理。例如,在设定了峰个数=2个的情况下,数据处理装置100选择峰个数=2个的峰形状的预测分布作为推定结果,并在S13~S16的处理中使用该推定结果。
返回图3,数据处理装置100在S13中执行输入处理并使处理推进到S14。在输入处理中,输入部103接收用户的输入。具体而言,输入部103基于用户的操作接收阈值及显示项目的输入。“显示项目”是用户要在显示器112上显示的项目,可以是峰面积或面积比率等定量指标,也可以是分位点等。例如,在输入了定量指标“面积比率”作为显示项目的情况下,在显示器112上显示面积比率的预测分布。此外,例如,阈值为“0.95”。
数据处理装置100在S14、S15中执行计算处理。在S14中,计算部104基于由推定部102推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布并使处理推进到S15。例如,计算“面积比率的预测分布”作为定量指标的预测分布。
在S15中,计算部104求出定量指标的预测分布中的阈值的分位点并使处理推进到S17。例如,求出“20.4%”作为面积比率的预测分布中的阈值(0.95)的分位点。另外,在S14中未指定分位点的显示的情况下,无需计算分位点。
数据处理装置100在S16中执行显示处理并结束数据处理。在显示处理中,显示处理部105使显示器112显示由计算部104计算出的定量指标(例如面积比率等)的预测分布及分位点(例如20.4%)中的至少一方。
其结果,在显示器112上显示定量指标的预测分布或分位点。例如,如后述图8所示,在显示器112上显示峰面积的预测分布;或者如后述的图9所示,与面积比率的预测分布一起在显示器112上显示“P(面积[%]<20.4)=0.95”,其表示面积比率(=峰2的峰面积/峰1的峰面积)以0.95(95%)的概率小于20.4%;或者如后述的图10所示,在显示器112上显示峰形状的预测分布。
在此,用户能够通过键盘111的操作来变更阈值,或者进行变更显示项目或定量指标的输入。在进行了这样的变更的情况下,数据处理装置100可以再次从S13执行数据处理。例如,在用户将阈值从“0.95”变更为“0.97”的情况下,在S13中输入阈值=“0.97”。然后,数据处理装置100基于变更的阈值执行S14和S15的计算处理及S16的显示处理。
此外,在用户将显示项目从“峰面积”变更为“峰高”的情况下,在S13中输入显示项目=“峰高”。然后,数据处理装置100基于变更的显示项目执行S14~S16的计算处理及S17的显示处理。
另外,显示处理部105不限于进行将由输入部103输入的阈值以上的概率作为分位点来显示的处理,也不限于进行将由输入部103输入的阈值以下的概率作为分位点来显示的处理,可以进行将超过由输入部103输入的阈值的概率作为分位点来显示的处理,或进行将小于由输入部103输入的阈值的概率作为分位点来显示的处理。另外,分位点是基于输入的阈值计算出的数值,例如表示某种危险度或安全度的统计量。
此外,计算部104可以基于由推定部102推定出的峰形状的预测分布,对各峰波形计算基于相互关联的定量指标的第1、第2预测分布。在该情况下,显示处理部105能够以基于由输入部103接收到输入的用户的选择来变更第1、第2预测分布的显示方式的方式进行动作。
“基于相互关联的定量指标的第1、第2预测分布”的定量指标可以相同,相互关联的情况下也可以是任意的。例如,计算部104可以计算峰1的峰面积的预测分布作为第1预测分布,计算峰2的峰面积的预测分布作为第2预测分布。计算部104可以计算峰1的峰形状的预测分布作为第1预测分布,计算峰1的峰面积的预测分布作为第2预测分布。计算部104可以计算峰1的峰形状的预测分布作为第1预测分布,计算峰2的峰面积的预测分布作为第2预测分布。但是,例如,在由通过试样测量装置10进行的规定的测量而得到的2个测量波形之间进行比较的情况下,不能说是相互关联的。
另外,作为第1、第2预测分布的显示方式,可以仅显示第1预测分布,也可以仅显示第2预测分布,也可以都显示。在都显示的情况下,可以将一方显示得大而将另一方显示得小。
具体而言,例如,在S13中可以输入显示项目以显示峰1的峰形状的预测分布,在显示器112上仅显示峰1的峰形状的预测分布。另外,在S13中可以输入显示项目将峰1的峰形状的预测分布显示得较大,峰2的峰形状的预测分布显示得较小,在显示器112上将峰1的峰形状的预测分布显示得较大,峰2的峰形状的预测分布显示得较小。
[峰形状的预测分布]
如上所述,获取部101获取由通过试样测量装置10进行的规定的测量而得到的测量波形(也称为“信号波形”)。推定部102对在获取部101获取的测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型,并通过贝叶斯推定来推定各峰形状的预测分布。以下,关于峰形状的预测分布的推定或显示进行具体说明。
在本实施方式中,假设在色谱图中重叠多个峰且重叠的峰个数未知的情况。在这样的情况下,通常,为了从信号波形进行峰分离,将与各个峰的形状相关的模型相加来制作信号波形的模型,通过调整该模型的参数来拟合信号波形。
在本实施方式中,作为测量波形(信号波形)应用LC色谱图。此外,作为规定的峰形状模型应用BEMG函数。即,通过以下的式(3),能够表现一个峰形状。
[数3]
由于信号波形被视为与该峰重叠,因此信号波形模型能够通过将多个BEMG函数相加来表现。在本实施方式中,将K个BEMG函数相加而成的函数(峰的个数=K个)称为“K-混合BEMG函数”。K-混合BEMG函数由以下的式(4)表示。但是,考虑到混入信号中的噪声,如式(4)所示,附加误差项ε。误差项ε以零平均正态分布,其方差作为参数从信号波形进行推定。
[数4]
另外,在本实施方式中,应用了BEMG函数作为峰形状的模型,但不限于此。例如,可以应用高斯函数作为峰形状的模型,也可以应用柯西函数,只要能够用某些模型函数来记述即可。此外,误差项可以是向x追加误差的以下的式(5),也可以是输入x影响误差的形式的以下的式(6)。此外,误差项为正态分布,但不限于此。例如,可以根据其他的概率分布,也可以根据概率分布以外的规则。
[数5]
[数6]
此外,在贝叶斯推定时,例如,可以通过由No U-Turn Sampler(NUTS)的采样来执行分布推定。另外,不限于此,也可以使用其他的采样方法。此外,例如,也可以使用变分贝叶斯等采样以外的贝叶斯推定方法。
如使用图1所述,在某物质的峰(也称为“主峰”、“峰1”)和杂质峰(也称为“肩峰”、“峰2”)接近的情况下,难以区分这些峰。
在如图1所示的情况下,峰个数有可能为1个(仅存在主峰),峰个数也有可能为2个(存在主峰及肩峰)。或者,峰个数也有可能为3个以上。
因此,在本实施方式中,假定峰个数为1个或2个或更多来推定峰形状的预测分布。具体而言,在本实施方式中,构成为能够对假定峰个数为1个~N个的情况下,分别推定峰形状的预测分布,将其结果显示在显示器112上。进而,构成为能够由用户根据各峰个数中的峰形状的预测分布的对比,来判定妥当的峰个数并设定该峰个数。
以下,使用图5~图7说明具体例。图5是表示在假定峰个数为2个的情况下的峰形状的预测分布的显示例的图。图6是表示在假定峰个数为1个的情况下的峰形状的预测分布的显示例的图。
通过贝叶斯推定,能够获得参数的后验分布作为推定量。根据该推定量,生成各峰形状的预测量(预测分布)。图5、图6描绘了根据各参数的后验分布推定出的峰形状。在此,实线表示观测波形。用虚线包围的区域表示根据推定量(模型的参数的后验分布)获得的信号波形的预测分布的两侧95%预测区间。
如图6所示,在假定峰个数为1个的情况下(应用1-混合BEMG函数模型),能够确认峰的右侧部分的预测分布在扩大,产生了较大的误差。与此相对,如图5所示,在假定峰个数为2个的情况下(应用2-混合BEMG函数模型),与假定峰个数为1个的情况相比,峰的右侧部分的误差小。
虽然未图示,但也能够显示在峰个数为3个、4个…N个的情况下的峰形状的预测分布。然后,在用户判断峰个数=2个是妥当的情况下,通过键盘111的操作,设定峰个数=2个。由此,选择峰个数=2个的峰形状的预测分布作为推定结果。此外,基于该峰形状的预测分布,计算定量指标的预测分布等。
图7是表示在假定峰个数为2个的情况下的各峰形状的预测分布的显示例的图。在此,实线表示观测波形(测量波形)。用虚线包围的区域表示峰1(主峰)的95%预测区间。用点划线包围的区域表示峰2(肩峰)形状的95%预测区间。图7是将参数Ai、ui、si、ai、bi的后验分布(通过采样进行贝叶斯推定的情况是根据后验分布获得的样本)代入模型,表示除去误差项的峰形状本身的预测分布。
如图7所示,可知峰2(肩峰)存在于接近峰1(主峰)的右侧。由图1的例子来说,峰个数=1个是仅存在主峰的情况,峰个数=2个是除了主峰之外还存在杂质峰(肩峰)的情况。在峰之间接近而产生拖尾的情况下,由于拖尾和杂质峰重叠,因此不确定性变高。如上所述,这种不确定性能够通过使用贝叶斯推定等方法的预测分布来进行评价。
如上所述,在本实施方式中,用户目视确认1~N个峰个数中的哪一个是妥当的,来使用户选择(设定)最佳的峰个数。但是,不限于此,数据处理装置100也可以选择最佳的峰个数。在该情况下,也可以使用信息量标准或贝叶斯因子等基准而自动地选择。例如,在使用信息量标准作为基准的情况下,在选择多个模型中的任意一个的情况下,选择评价值最小的模型作为妥当的模型。
或者,也可以由用户及数据处理装置100的双方进行峰个数的选择。例如,显示在峰个数为1~N个的情况下的各峰形状的预测分布,并且显示数据处理装置100选择的峰个数。在该情况下,也可以构成为能够由用户通过目视决定妥当的峰个数,在该峰个数与数据处理装置100选择的峰个数不同的情况下,变更为用户决定的峰个数。
[定量指标的预测分布和分位点]
如上所述,计算部104基于由推定部102推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布。显示处理部105进行由计算部104计算出的定量指标的预测分布显示在显示器112上的处理。
在此,定量指标至少包含峰形状的高度(也称为“峰高”)、峰形状的面积(也称为“峰面积”)。此外,也可以包含根据峰高或峰面积计算出的物质的浓度(也称为“物质浓度”)。“物质浓度”是包含在试样中的物质即与各峰对应的物质的浓度。
图8是表示峰面积的预测分布的显示例的图。图8的例子是在图7的例子中,基于在峰个数=2个的情况下的各峰形状的预测分布,由计算部104计算峰面积的预测分布作为定量指标,并将该预测分布显示在显示器112上。
图8的左侧计算峰1(主峰)的峰面积的预测分布,图8的右侧计算峰2(肩峰)的峰面积的预测分布,并将其结果绘制为小提琴图。在此,纵轴表示峰面积,横轴左右对称地显示峰1或峰2的概率密度。
峰2(肩峰)的峰面积平均为0.130,中间值为0.113,两侧95%预测区间为[0.079,0.278]。如图所示,由于分布形状上下不对称,上端延伸到0.5,因此视觉上或直观上容易理解有可能成为极大的值。此外,从图中可以直观地看出,峰1的面积为1.0左右,峰2的面积为0.1左右,峰2的面积为峰1的面积的约1/10左右。
虽然未图示,但和图8的例子同样地,能够基于由上述推定部102推定出的峰形状的预测分布,计算关于峰高或物质浓度的预测分布,并将其显示在显示器112上。这些显示能够通过用户的操作进行切换。另外,在绘制时,在存在2个变量的概率分布的情况下,通过将与一个变量能够取的全部值对应的概率合计并进行周边化,获得另一个概率分布,并对其进行绘制。
此外,定量指标的预测分布包含与各峰形状对应的物质的比率的分布。例如,在定量指标是“峰形状间的峰高的比率(也简称为“高度比率”)”的情况下,定量指标的预测分布是高度比率的预测分布。在定量指标是“峰形状间的峰面积的比率(也简称为“面积比率”)”的情况下,定量指标的预测分布是面积比率的预测分布。在定量指标是“物质间的浓度的比率(也简称为“浓度比率”)”的情况下,定量指标的预测分布是浓度比率的预测分布。
例如,在存在峰1及峰2的上述例子中,面积比率=“峰2的峰面积/峰1的峰面积”。在峰2为杂质的情况下,面积比率是指杂质相对于与峰1对应的物质的比率。此外,也可以是,面积比率=“峰2的峰面积/(峰1的峰面积+峰2的峰面积)”。或者,在有N个峰的情况下,可以是,面积比率=“某峰的峰面积/峰1~N的峰面积之和”,也可以对作为比较对象的两个峰求出面积比率。
此外,如图8所示,在显示峰面积的情况下,可以对多个峰同时显示,也可以一个一个地切换显示。接着如图9所示,在显示面积比率的情况下,可以同时显示多个面积比率,也可以一个一个地切换显示。
图9是表示面积比率的预测分布及分位点的显示例的图。图9表示直方图及其内核密度推定。
如上所述,输入部103基于用户的操作输入阈值。计算部104基于由推定部102推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布,进而,计算计算出的定量指标的预测分布中的阈值的分位点。显示处理部105能够以将由输入部103接收到输入的阈值以上或阈值以下的概率作为分位点显示的方式进行动作。
在本例中,输入“面积比率”作为定量指标,“0.95”作为阈值。计算部104基于由推定部102推定出的峰形状的预测分布,对各峰波形计算面积比率的预测分布,并对计算出的面积比率的预测分布中的阈值(0.95)的分位点进行计算。显示处理部105将由输入部103输入的阈值(0.95)以上的概率作为分位点显示。
在图9的例子中,计算出分位点=“20.4%”,显示“P(面积[%]<20.4)=0.95”。由此,表示面积比率(峰2的峰面积/峰1的峰面积)以0.95(95%)的概率(安全率)小于20.4%。在该例子中,输入“0.95”作为阈值,与之相对求出的分位点为“20.4%”。另外,虽然在图8中未显示,但峰1的峰面积和峰2的峰面积作为内部数据具有1对1的对应关系。因此,面积比率=峰2的峰面积/峰1的峰面积也是唯一确定的。
或者,也可以表示面积比率以0.05(5%)的概率为20.4%以上。在该情况下,输入“0.05”作为阈值,与之相对求出的分位点为“20.4%”。显示处理部105将由输入部103输入的阈值(0.05)以下的概率作为分位点显示。例如,也可以显示“P(面积[%]≥20.4)=0.05”。
在该情况下,换言之,也可以说峰2(肩峰)相对于峰1的面积比率为20.4%以上的概率(危险率)为5%(=1-0.95)。另外,也可以将面积比率作为阈值输入,计算危险率。例如,在用户输入“20.4%”作为阈值的情况下,计算危险率=“5%”作为分位点。
此外,显示处理部105能够以显示与由输入部103接收到输入的阈值对应的定量指标的预测分布的百分比点的方式进行动作。在本例中,95%点为0.204。如图9所示,以纵虚线显示95%点作为百分比点。与通常的预测区间不同,在贝叶斯推定中的预测区间能够进行这样直观的解释。
另外,在上述例子中,峰个数为2个,但也可以存在3个以上的峰。在该情况下,如图8所示的预测分布存在峰个数的量。在该情况下,也可以选择其中的任意2个峰,显示如图9所示的面积比率的预测分布。
此外,在此将危险率设为5%(阈值为0.95),但如上所述该阈值能够由用户指定。如果指定了危险率,则对杂质峰的面积比率,能够知道在指定的危险率的范围内能够获得的值。
此外,也可以设为,显示处理部105能够在由输入部103新接收到阈值的输入的情况下,以与新接收到输入的阈值对应地再次显示百分比点的方式进行动作。
例如,显示处理部105也可以在输入部103输入“0.95”作为阈值,基于阈值“0.95”显示百分比点之后,在输入部103输入了“0.97”作为阈值时,基于阈值“0.97”显示百分比点。
具体而言,在设定“0.95”(危险率5%)作为阈值而进行图9所示的显示之后,能够变更阈值(例如,“0.97”(危险率3%))来更新显示。在该情况下,例如,用户能够验证在危险率为5%的情况下肩峰的面积比率为20.4%以上,而在危险率为3%的情况下为22%以上。此外,在该情况下,也变更显示百分比点。这样,用户能够设定并更新任意的值作为阈值,并将其结果显示在显示器112上进行评价以及验证。
特别是在医药品中的杂质分析的场景中,想要进行如上所述的评价以及验证的需求强烈。残留在医药品的有效成分中的不需要的化学物质即医药品杂质,在含有规定浓度以上的情况下有报告义务。此外,在有效成分与杂质之间或杂质与杂质之间的峰接近的情况下,如上所述,特别容易产生误差。根据该情况,关于杂质的含有率,有强烈的需求想要掌握产生了何种程度的误差这样的风险。
此外,虽然未图示,但和图9的例子同样地,也能够计算关于高度比率或浓度比率的预测分布,并将它们显示在显示器112上。次外,在该情况下,基于阈值显示高度比率或浓度比率的预测分布的百分比点或分位点。这些显示能够通过用户的操作进行切换。
此外,使用图9说明的分位点的显示不限于与面积比率的预测分布一起显示。例如,也可以一起显示各个峰形状的预测分布。图10是表示各峰形状的预测分布及分位点的显示例的图。在该情况下作为“定量指标”输入“峰形状”作为显示项目,在显示器112上显示峰形状的预测分布(每个峰的95%预测区间)。
如图10所示,与各个峰形状的预测分布一起显示“P(面积[%]<20.4)=0.95”。由此,表示峰2的峰面积/峰1的峰面积(面积比率)以0.95(95%)的概率小于20.4%。
如上所示,由于用户能够确认定量指标的预测分布,因此能够容易直观地掌握关于定量指标的统计数据,并且通过确认这些数据,能够对定量指标考虑误差来确保合理的安全率。此外,由于用户能够确认定量指标的预测分布中的阈值的分位点,因此能够对定量指标考虑误差来确保合理的安全率。
例如,能够使用面积比率作为定量指标。在该情况下,通过考虑各峰的面积误差,能够对各峰物质进行确保合理的安全率的定量。在色谱仪中的成分定量中,通常,各成分的浓度由于和峰高或峰面积成比例,因此得到成分浓度的预测分布。根据该预测分布,能够评价各物质超过由法令或已有条约等规定的阈值的可能性。此外,在将应用于色谱图的峰函数的数量(峰个数)也作为推定对象的情况下,也能够评价有无杂质的概率。
[关于分析装置的功能构成]
图11是表示本实施方式的变形例的分析装置的功能构成的一例的框图。
在本实施方式中,如图2所示,构成为试样测量装置10对试样进行规定的测量,数据处理装置100的获取部101获取通过试样测量装置10进行的规定的测量而得到的测量波形。
与此相对,本实施方式的变形例的分析装置1构成为具备数据处理装置100和测量部11。测量部11对试样进行规定的测量。获取部101获取通过测量部11进行的规定的测量而得到的测量波形。
即,在本实施方式中,与数据处理装置100不同的试样测量装置10对试样进行了规定的测量,但在本实施方式的变形例中,分析装置1所具备的测量部11对试样进行规定的测量。
在该情况下,例如,如图11所示,分析装置1具备测量部11、获取部101、推定部102、输入部103、计算部104、显示处理部105、操作部121和显示部122。
分析装置1例如是上述的色谱仪分析装置(LC、GC)或色谱仪质量分析装置(LC/MS、GC/MS)等。测量部11是对试样进行规定的测量的装置,数据处理装置100是对获得的测量波形进行数据处理的装置。即,分析装置1是具备进行测量的装置与进行数据处理的装置中的任意一个的装置。数据处理装置100也可以是进行数据处理的基板或模块。
数据处理装置100具备获取部101、推定部102、输入部103、计算部104和显示处理部105,但是这些部分进行的处理的内容与使用图1~图10说明的内容相同。数据处理装置100通过数据处理装置100所具备的操作部121输入来自用户的操作,在数据处理装置100所具备的显示部122上进行显示。
在本实施方式中,例如假设在与LC分析装置连接的个人计算机上安装对测量波形进行数据处理的程序,或该个人计算机连接到执行对测量波形进行数据处理的程序的服务器装置,但在本实施方式的变形例中,LC分析装置本身构成为执行对测量波形进行数据处理的程序。
[方案]
本领域技术人员能够理解上述实施方式及其变形例是以下方案的具体例。
(第1项)一方案的数据处理装置对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理装置具备推定部、计算部和显示处理部。推定部对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布。计算部基于由推定部推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布。显示处理部能够以显示由计算部计算出的定量指标的预测分布的方式进行动作。
根据这样的构成,由于用户能够确认定量指标的预测分布,因此能够容易直观地掌握关于定量指标的统计数据,并且通过确认这些数据,能够对定量指标考虑误差来确保合理的安全率。
(第2项)在第1项所述的数据处理装置中,计算部对计算出的定量指标的预测分布中的阈值的分位点进行计算。显示处理部能够以显示由计算部计算出的分位点的方式进行动作。
根据这样的构成,由于用户能够确认定量指标的预测分布中的阈值的分位点,因此能够对定量指标考虑误差来确保合理的安全率。
(第3项)在第1项或第2项所述的数据处理装置中,还具备接收用户的输入的输入部。计算部基于由推定部推定出的峰形状的预测分布,对各峰波形计算基于相互关联的定量指标的第1预测分布及第2预测分布。显示处理部能够以基于由输入部接收到输入的用户的选择而变更第1预测分布及第2预测分布的显示方式的方式进行动作。
根据这样的构成,由于能够基于用户的选择来变更第1预测分布及第2预测分布的显示方式,例如,仅显示第1预测分布或仅显示第2预测分布等,因此能够容易直观地掌握关于定量指标的统计数据。
(第4项)在第2项所述的数据处理装置中,还具备接收用户的输入的输入部。显示处理部能够以将由输入部接收到输入的阈值以上或阈值以下的概率作为分位点显示的方式进行动作。
根据这样的构成,能够适当地进行基于分位点的评价,该分位点为基于根据用户的意思输入的阈值而计算出的分位点。
(第5项)在第2项所述的数据处理装置中,还具备接收用户的输入的输入部。显示处理部能够以显示与由输入部接收到输入的阈值对应的定量指标的预测分布的百分比点的方式进行动作。
根据这样的构成,能够适当地进行基于百分比点的评价,该百分比点为基于根据用户的意思输入的阈值而显示的百分比点。
(第6项)在第5项所述的数据处理装置中,在由输入部新接收到阈值的输入的情况下,显示处理部能够以与新接收到输入的阈值对应地再次显示百分比点的方式进行动作。
根据这样的构成,能够适当地进行基于百分比点的评价,该百分比点为基于根据用户的意思而变更的阈值而显示的百分比点。
(第7项)在第1~第6项的任一项所述的数据处理装置中,定量指标至少包含峰形状的高度及峰形状的面积。
根据这样的构成,例如,能够适当地进行以主成分或杂质等特定的物质为对象的评价。
(第8项)在第7项所述的数据处理装置中,定量指标的预测分布包含与各峰形状对应的物质的比率的分布。
根据这样的构成,例如,能够适当地进行关于相对于主成分含有杂质的比率或杂质彼此的比率的评价。
(第9项)在第1~第8项的任一项所述的数据处理装置中,推定部通过贝叶斯推定来推定各峰形状的预测分布。
根据这样的构成,能够适当地进行关于定量指标的评价。
(第10项)分析装置具备第1~第9项的任一项所述的数据处理装置以及对试样进行规定的测量的测量部。
根据这样的构成,仅通过一个装置(分析装置)就能够对试样进行规定的测量及关于定量指标的评价。
(第11项)一方案的数据处理方法对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理方法具备:对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布的步骤;基于推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布的步骤;显示计算出的定量指标的预测分布的步骤。
根据这样的构成,由于用户能够确认定量指标的预测分布,因此能够容易直观地掌握关于定量指标的统计数据,并且通过确认这些数据,能够对定量指标考虑误差来确保合理的安全率。
(第12项)在第11项所述的数据处理方法中,还具备:对计算出的定量指标的预测分布中的阈值的分位点进行计算的步骤;显示计算出的分位点的步骤。
根据这样的构成,由于用户能够确认定量指标的预测分布中的阈值的分位点,因此能够对定量指标考虑误差来确保合理的安全率。
(第13项)在第11项或第12项所述的数据处理方法中,还具备:接收用户的输入的步骤;基于推定出的所述峰形状的预测分布,对各峰波形计算基于相互关联的定量指标的第1预测分布及第2预测分布的步骤;基于接收到输入的用户的选择来变更第1预测分布及第2预测分布的显示方式的步骤。
根据这样的构成,由于能够基于用户的选择来变更第1预测分布及第2预测分布的显示方式,例如,仅显示第1预测分布或仅显示第2预测分布等,因此能够容易直观地掌握关于定量指标的统计数据。
(第14项)一方案的数据处理程序对于通过对试样进行规定的测量而得到的测量波形进行数据处理。数据处理程序使计算机执行如下步骤:对测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布的步骤;基于推定出的峰形状的预测分布,对各峰波形计算定量指标的预测分布的步骤;显示计算出的定量指标的预测分布的步骤。
根据这样的构成,由于用户能够确认定量指标的预测分布,因此能够容易直观地掌握关于定量指标的统计数据,并且通过确认这些数据,能够对定量指标考虑误差来确保合理的安全率。
应认为此次公开的实施方式在所有方面均为例示而并非限制性的内容。本发明的范围并不由上述的实施方式的说明示出,而是由权利要求书示出,其意味着还包括与权利要求书等同的意思及范围内的所有变更。
工业实用性
本公开内容用于在例如色谱等测量波形包含接近的多个峰波形而由于多个峰的重叠使得峰分离变得重要的情况下,对试样中所包含的各物质的峰面积(或峰高或浓度)进行定量,并且评价其顽健性(进行关于定量指标的评价)。
附图标记说明
1分析装置
10试样测量装置
11测量部
100数据处理装置
101获取部
102推定部
103输入部
104计算部
105显示处理部
111键盘
112显示器
121操作部
122显示部。
Claims (14)
1.一种数据处理装置,对于通过对试样进行规定的测量而得到的测量波形进行数据处理,其特征在于,具备:
推定部,对所述测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布;
计算部,基于由所述推定部推定出的所述峰形状的预测分布,对各峰波形计算定量指标的预测分布;
显示处理部,能够以显示由所述计算部计算出的所述定量指标的预测分布的方式进行动作。
2.如权利要求1所述的数据处理装置,其特征在于,
所述计算部对计算出的所述定量指标的预测分布中的阈值的分位点进行计算;
所述显示处理部能够以显示由所述计算部计算出的所述分位点的方式进行动作。
3.如权利要求1所述的数据处理装置,其特征在于,
还具备接收用户的输入的输入部,
所述计算部基于由所述推定部推定出的所述峰形状的预测分布,对各峰波形计算基于相互关联的所述定量指标的第1预测分布及第2预测分布,
所述显示处理部能够以基于由所述输入部接收到输入的用户的选择而变更所述第1预测分布及第2预测分布的显示方式的方式进行动作。
4.如权利要求2所述的数据处理装置,其特征在于,
还具备接收用户的输入的输入部,
所述显示处理部能够以将由所述输入部接收到输入的所述阈值以上或所述阈值以下的概率作为所述分位点显示的方式进行动作。
5.如权利要求2所述的数据处理装置,其特征在于,
还具备接收用户的输入的输入部,
所述显示处理部能够以显示与由所述输入部接收到输入的所述阈值对应的所述定量指标的预测分布的百分比点的方式进行动作。
6.如权利要求5所述的数据处理装置,其特征在于,
在由所述输入部新接收到所述阈值的输入的情况下,所述显示处理部能够以与新接收到输入的所述阈值对应地再次显示所述百分比点的方式进行动作。
7.如权利要求1~6的任一项所述的数据处理装置,其特征在于,
所述定量指标至少包含峰形状的高度及峰形状的面积。
8.如权利要求7所述的数据处理装置,其特征在于,
所述定量指标的预测分布包含与各峰形状对应的物质的比率的分布。
9.如权利要求1所述的数据处理装置,其特征在于,
所述推定部通过贝叶斯推定来推定各峰形状的预测分布。
10.一种分析装置,其特征在于,具备:
如权利要求1所述的数据处理装置;
对所述试样进行所述规定的测量的测量部。
11.一种数据处理方法,对于通过对试样进行规定的测量而得到的测量波形进行数据处理,其特征在于,具备:
对所述测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布的步骤;
基于推定出的所述峰形状的预测分布,对各峰波形计算定量指标的预测分布的步骤;
显示计算出的所述定量指标的预测分布的步骤。
12.如权利要求11所述的数据处理方法,其特征在于,还具备:
对计算出的所述定量指标的预测分布中的阈值的分位点进行计算的步骤;
显示计算出的所述分位点的步骤。
13.如权利要求11所述的数据处理方法,其特征在于,还具备:
接收用户的输入的步骤;
基于推定出的所述峰形状的预测分布,对各峰波形计算基于相互关联的所述定量指标的第1预测分布及第2预测分布的步骤;
基于接收到输入的用户的选择来变更所述第1预测分布及第2预测分布的显示方式的步骤。
14.一种数据处理程序,对于通过对试样进行规定的测量而得到的测量波形进行数据处理,其特征在于,使计算机执行如下步骤:
对所述测量波形中包含的接近的多个峰波形分别使用规定的峰形状模型来推定各峰形状的预测分布的步骤;
基于推定出的所述峰形状的预测分布,对各峰波形计算定量指标的预测分布的步骤;
显示计算出的所述定量指标的预测分布的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020094492 | 2020-05-29 | ||
JP2020-094492 | 2020-05-29 | ||
PCT/JP2021/008351 WO2021240939A1 (ja) | 2020-05-29 | 2021-03-04 | データ処理装置、データ処理方法、データ処理プログラムおよび分析装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115667913A true CN115667913A (zh) | 2023-01-31 |
Family
ID=78723318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180037521.2A Pending CN115667913A (zh) | 2020-05-29 | 2021-03-04 | 数据处理装置、数据处理方法、数据处理程序及分析装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230417714A1 (zh) |
JP (1) | JP7332045B2 (zh) |
CN (1) | CN115667913A (zh) |
WO (1) | WO2021240939A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3071085B2 (ja) * | 1993-03-15 | 2000-07-31 | 株式会社日立製作所 | クロマトグラム解析表示方法及びその装置 |
JP2016004525A (ja) * | 2014-06-19 | 2016-01-12 | 株式会社日立製作所 | データ分析システム及びデータ分析方法 |
US10416134B2 (en) * | 2014-09-03 | 2019-09-17 | Shimadzu Corporation | Chromatogram data processing method and chromatogram data processing apparatus |
WO2019092837A1 (ja) * | 2017-11-09 | 2019-05-16 | 富士通株式会社 | 波形解析装置 |
GB2586710B (en) * | 2018-03-14 | 2022-05-25 | Hitachi High Tech Corp | Chromatography mass spectrometry and chromatography mass spectrometer |
US20210063330A1 (en) * | 2018-08-10 | 2021-03-04 | University Of Canterbury | Method and system for determining the concentration of chemical species using nmr |
WO2020105566A1 (ja) * | 2018-11-19 | 2020-05-28 | キヤノン株式会社 | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 |
-
2021
- 2021-03-04 JP JP2022527525A patent/JP7332045B2/ja active Active
- 2021-03-04 US US17/926,356 patent/US20230417714A1/en active Pending
- 2021-03-04 WO PCT/JP2021/008351 patent/WO2021240939A1/ja active Application Filing
- 2021-03-04 CN CN202180037521.2A patent/CN115667913A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021240939A1 (ja) | 2021-12-02 |
JP7332045B2 (ja) | 2023-08-23 |
US20230417714A1 (en) | 2023-12-28 |
JPWO2021240939A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6978541B2 (ja) | 動的外れ値偏り低減のコンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
US8428889B2 (en) | Methods of automated spectral peak detection and quantification having learning mode | |
EP2344874B1 (en) | Methods of automated spectral peak detection and quantification without user input | |
US7599819B2 (en) | Method and system for generating a predictive analysis of the performance of peer reviews | |
Kang et al. | Making the most of spatial information in health: a tutorial in Bayesian disease mapping for areal data | |
US20090226916A1 (en) | Automated Analysis of DNA Samples | |
CN108958226B (zh) | 基于生存信息势—主成分分析算法的te过程故障检测方法 | |
JP5005208B2 (ja) | 予測方法、予測装置および予測プログラム | |
US20120089342A1 (en) | Methods of Automated Spectral and Chromatographic Peak Detection and Quantification without User Input | |
CN115691722B (zh) | 医疗数据检测的质控方法、装置、设备、介质及程序产品 | |
Dolejsch et al. | Extensions of ℓ 1 regularization increase detection specificity for cell-type specific parameters in dynamic models | |
Tan et al. | Comparison of 8 methods for univariate statistical exclusion of pathological subpopulations for indirect reference intervals and biological variation studies | |
Belot et al. | A joint frailty model to estimate the recurrence process and the disease‐specific mortality process without needing the cause of death | |
US8732528B1 (en) | Measuring test effects using adjusted outlier data | |
CN115667913A (zh) | 数据处理装置、数据处理方法、数据处理程序及分析装置 | |
CN115994093A (zh) | 测试用例推荐方法和装置 | |
CN116525108A (zh) | 基于snp数据的预测方法、装置、设备及存储介质 | |
Mufazzal et al. | Towards minimization of overall inconsistency involved in criteria weights for improved decision making | |
Schwenke et al. | Estimating shelf life through tolerance intervals | |
JP6514818B1 (ja) | システム、プログラム及び方法 | |
Nesrstová et al. | Principal balances of compositional data for regression and classification using partial least squares | |
JP7480843B2 (ja) | ピークトラッキング装置、ピークトラッキング方法およびピークトラッキングプログラム | |
Galyean | Orthogonal PSF taxonomy for human reliability analysis | |
CN115662507B (zh) | 一种基于小样本SNPs线性拟合的测序样本同源性检测方法及系统 | |
JP2023062596A (ja) | ピーク面積表示装置および方法並びにピーク面積算出装置および方法 |
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 |