CN117634543A - 一种用于流式系统的数据分析方法及装置 - Google Patents
一种用于流式系统的数据分析方法及装置 Download PDFInfo
- Publication number
- CN117634543A CN117634543A CN202311639822.XA CN202311639822A CN117634543A CN 117634543 A CN117634543 A CN 117634543A CN 202311639822 A CN202311639822 A CN 202311639822A CN 117634543 A CN117634543 A CN 117634543A
- Authority
- CN
- China
- Prior art keywords
- particle
- detected
- data
- cluster
- target
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 85
- 239000002245 particle Substances 0.000 claims abstract description 675
- 238000001514 detection method Methods 0.000 claims abstract description 141
- 239000003153 chemical reaction reagent Substances 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010422 painting Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013450 outlier detection Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 28
- 239000004005 microsphere Substances 0.000 description 20
- 238000012545 processing Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 239000007850 fluorescent dye Substances 0.000 description 7
- 108010004469 allophycocyanin Proteins 0.000 description 6
- 238000001917 fluorescence detection Methods 0.000 description 6
- 239000011324 bead Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000000684 flow cytometry Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001215 fluorescent labelling Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 101000878581 Aplysia californica Feeding circuit activating peptides Proteins 0.000 description 3
- 108090000695 Cytokines Proteins 0.000 description 3
- 102000004127 Cytokines Human genes 0.000 description 3
- 230000003460 anti-nuclear Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010186 staining Methods 0.000 description 3
- -1 IFN- γ Proteins 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 210000000601 blood cell Anatomy 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000004163 cytometry Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 description 2
- 229940088597 hormone Drugs 0.000 description 2
- 239000005556 hormone Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 108010017213 Granulocyte-Macrophage Colony-Stimulating Factor Proteins 0.000 description 1
- 102100039620 Granulocyte-macrophage colony-stimulating factor Human genes 0.000 description 1
- 108090000174 Interleukin-10 Proteins 0.000 description 1
- 108010002350 Interleukin-2 Proteins 0.000 description 1
- 108090001005 Interleukin-6 Proteins 0.000 description 1
- 108090001007 Interleukin-8 Proteins 0.000 description 1
- 108060008682 Tumor Necrosis Factor Proteins 0.000 description 1
- 102000000852 Tumor Necrosis Factor-alpha Human genes 0.000 description 1
- 239000013566 allergen Substances 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001363 autoimmune Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 229940049705 immune stimulating antibody conjugate Drugs 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- 230000009870 specific binding Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本公开涉及一种用于流式系统的数据分析方法及装置,包括:确定流式系统对应的第一粒子阵列数据,其中包括多个待测粒子团;根据第一粒子阵列数据或第二粒子阵列数据的拓扑结构和对应粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,检测项目指标表示待测粒子团对应的粒子类型和/或对待测粒子团进行荧光标记的试剂;确定目标检测项目指标对应的目标粒子团;确定目标粒子团对应的数据分析结果,数据分析结果包括目标粒子团对应的荧光值和浓度值。通过本公开实施例,对于不同的应用场景或者新型试剂,只需对目标检测项目指标进行调整和再配置,具有较高的灵活性泛化性,可以减少开发周期和成本。
Description
技术领域
本公开涉及数据分析技术领域,尤其涉及一种用于流式系统的数据分析方法及装置。
背景技术
对流式系统采集的数据进行数据分析时,需要根据试剂类型识别对应的粒子团,再确定相关的数据分析结果。现有技术中,对于特定的试剂检测项目,经常需要开发配套的特定数据分析方法,并二次部署在流式系统中进行使用,通用性较差,且需要较高的开发成本和维护成本,开发周期也较长,对于多重磁珠编码通用性较差,只对固定的组合项目会出结果,同时对于异常数据分析较差,不会分析问题出因,对于少粒子团数据分析效果差。现有技术中,FCAP ArrayTMSoftware可以通过聚类识别的方式识别粒子团,但是在确定粒子团对应的检测项目指标时,需要手动进行名称匹配,而不能实现粒子团的全自动识别和名称匹配。而LEGENDplexTMSoftware套件,针对测试因子项目时,该数据少团时虽然可以出结果,但是对于缺少哪一团粒子没有明确说明,可能也存在虽然出结果但其余项目结果不对应的情况。
发明内容
本公开提出了一种用于流式系统的数据分析方法及装置的技术方案。
根据本公开的一方面,提供了一种用于流式系统的数据分析方法,包括:确定所述流式系统对应的第一粒子阵列数据,其中,所述第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子;根据所述第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,其中,所述检测项目指标用于表示所述待测粒子团对应的粒子类型,和/或,对所述待测粒子团进行荧光标记的试剂,所述粒子阵列特定模版中包括预设数量的固定粒子团,以及每个所述固定粒子团对应的检测项目指标、编号和拓扑结构信息;根据每个所述待测粒子团对应的检测项目指标,确定目标检测项目指标对应的目标粒子团;确定所述目标粒子团对应的数据分析结果,其中,所述数据分析结果包括所述目标粒子团对应的荧光值和/或浓度值。
在一种可能的实现方式中,所述确定所述流式系统对应的第一粒子阵列数据,包括:基于试剂检测项目通道,将原始数据映射为目标多维图像,其中,所述原始数据是根据所述流式系统获取的标准实验数据;对所述目标多维图像进行数据预处理,确定所述第一粒子阵列数据,其中,所述数据预处理包括:离群点检测、腐蚀膨胀、目标检测和图像分割中的至少一项。
在一种可能的实现方式中,所述根据所述第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,包括:根据所述第一粒子阵列数据的拓扑结构,提取所述第一粒子阵列数据中每个所述待测粒子团对应的编号和拓扑结构信息,并确定所述第一粒子阵列数据中包括的待测粒子团的数量,其中,所述拓扑结构信息用于表示所述待测粒子团中包括的所述待测粒子的数量、大小、以及任意两个所述待测粒子之间的位置关系和距离关系;在所述第一粒子阵列数据中包括的待测粒子团的数量满足预设数量条件的情况下,根据每个所述待测粒子团的编号、拓扑结构信息和所述粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标。
在一种可能的实现方式中,所述方法还包括:在所述第一粒子阵列数据中包括的待测粒子团的数量不满足所述预设数量条件的情况下,对所述第一粒子阵列数据进行聚类处理,确定第二粒子阵列数据;根据所述第二粒子阵列数据中包括的待测粒子团的数量、每个待测粒子团的编号和拓扑结构信息,以及所述粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标。
在一种可能的实现方式中,所述根据每个所述待测粒子团的编号、拓扑结构信息和所述粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,包括:确定所述第一粒子阵列数据,和/或所述第二粒子阵列数据对应的所述粒子阵列特定模版;基于预设的匹配算法和所述粒子阵列特定模版,根据每个所述待测粒子团的编号和拓扑结构信息,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标。
在一种可能的实现方式中,所述方法还包括:在所述第一粒子阵列数据中包括的待测粒子团的数量不满足所述预设数量条件的情况下,和/或,在所述第二粒子阵列数据中包括的待测粒子团的数量不满足所述预设数量条件的情况下,根据所述粒子阵列特定模版,确定第一异常信息,其中,所述第一异常信息用于指示所述第一粒子阵列数据和/或所述第二粒子阵列数据中,缺失粒子团的拓扑结构信息和检测项目指标。
在一种可能的实现方式中,所述确定所述目标粒子团对应的数据分析结果,包括:对所述目标粒子团进行画门操作,确定所述目标粒子团对应的目标分析对象;根据所述目标分析对象,确定所述目标粒子团对应的数据分析结果。
在一种可能的实现方式中,所述方法还包括:确定所述原始数据中的第一粒子总数;确定所述目标分析对象中包括的所述待测粒子的第二粒子总数;在所述第二粒子总数不满足所述第一粒子总数的预设比例阈值的情况下,确定第二异常信息,其中,所述第二异常信息用于指示所述目标分析对象出现数据异常。
根据本公开的一方面,提供了一种用于流式系统的数据分析装置,包括:数据确定模块,用于确定所述流式系统对应的第一粒子阵列数据,其中,所述第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子;匹配模块,用于根据所述第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,其中,所述检测项目指标用于表示所述待测粒子团对应的粒子类型,和/或,对所述待测粒子团进行荧光标记的试剂,所述粒子阵列特定模版中包括预设数量的固定粒子团,以及每个所述固定粒子团对应的检测项目指标、编号和拓扑结构信息;目标粒子团确定模块,用于根据每个所述待测粒子团对应的检测项目指标,确定目标检测项目指标对应的目标粒子团;数据分析模块,用于确定所述目标粒子团对应的数据分析结果,其中,所述数据分析结果包括所述目标粒子团对应的荧光值和/或浓度值。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,确定流式系统对应的第一粒子阵列数据,其中,第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子,可以减少后续对待测粒子团进行识别和名称匹配时,由于原始数据中待测粒子团数量过多、排列过于密集甚至重叠,导致出现错误的风险。通过根据第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,以表示待测粒子团对应的粒子类型,和/或,对待测粒子团进行荧光标记的试剂,粒子阵列特定模版中包括预设数量的固定粒子团,以及每个固定粒子团对应的检测项目指标、编号和拓扑结构信息,从而可以实现对待测粒子团的自动识别。根据每个待测粒子团对应的检测项目指标,可以确定目标检测项目指标对应的目标粒子团,并确定目标粒子团对应的数据分析结果,数据分析结果包括目标粒子团对应的荧光值和浓度,对于不同应用场景或者新型试剂,只需适应性调整目标检测项目指标的设置即可实现检测和数据分析,具有较好的通用性和泛化性,可以减少开发周期、降低使用成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种用于流式系统的数据分析方法的流程图;
图2示出根据本公开实施例的一种包含30个待测粒子团的第一粒子阵列数据的示意图;
图3示出根据本公开实施例的一种确定目标检测项目指标对应的目标粒子团的示意图;
图4示出根据本公开实施例的一种包含53个粒子团的目标多维图像的示意图;
图5示出根据本公开实施例的一种包含30个粒子团的粒子阵列特定模版的示意图;
图6示出根据本公开实施例的一种完整的第一粒子阵列数据的示意图;
图7示出根据本公开实施例的一种完整的第二粒子阵列数据的示意图;
图8示出根据本公开实施例的一种缺失粒子团的第一粒子阵列数据的示意图;
图9示出根据本公开实施例的一种用于流式系统的数据分析装置的框图;
图10示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
流式细胞仪(包括血细胞分析仪)是一种能够快速定量分析细胞群的物理或化学性质,并可以根据相关的特征信号的差异精确分选细胞的仪器。流式细胞仪可以检测每个细胞受激光照射后的散射光信号和荧光激发信号,从而确定细胞的物理特性和生化特征,例如细胞的尺寸、活性、颗粒度、核酸的数量以及抗原分子的表达情况等。
流式荧光检测技术是一种基于流式细胞仪的工作原理的检测技术,可以利用抗原抗体特异性结合后产生的荧光作为信号,对待测样本中的待测目标,例如目标蛋白、多肽等进行检测。流式荧光检测技术和化学发光相似,例如,通过在微球上包被捕获抗体(一抗),用于捕获待测目标,再利用荧光标记的检测捕获抗体(二抗)产生的荧光强度,从而可以确定待测目标的浓度。现有技术中,流式荧光检测技术广泛应用于临床医疗。例如,利用双抗体夹心法测定大分子的肿瘤标志物、细胞因子和病原体抗体,以及利用竞争法检测小分子的激素和药物浓度等。流式荧光检测技术可以为临床疾病的诊断、治疗和预后提供依据。
现有技术中,流式荧光检测技术包括荧光编码微球和流式荧光检测两个核心部分。其中,荧光编码微球技术通过在微球中掺入一种或几种不同浓度的荧光素或量子点,使微球带有不同强度和波长的荧光,形成一系列的荧光编码微球阵列。对于同一个待测样本,可以加入多种不同的荧光编码微球与该待测样本进行反应,不同的荧光编码微球仅与待测样本中特定的待测目标结合,相互之间很少发生干扰。由于每种不同的荧光编码微球均可独立用于一种待测目标的测定,因此通过对该待测样本进行流式荧光检测,可以实现多个项目的高通量联检。
现有技术中,基于流式荧光检测技术的流式系统,主要包括流式荧光检测的硬件子系统,以及数据分析系统。数据分析系统需要对流式系统的硬件子系统采集的数据进行数据分析,确定相关的数据分析结果。对多重的磁珠编码对应特定的试剂检测项目,检测结果较差,经常需要开发配套的特定数据分析方法,并部署在流式系统中进行使用。因此,流式系统中多重磁珠编码的数据分析方法的通用性较差,且需要较高的开发成本和维护成本,开发周期也较长。
此外,现有技术中的数据分析方法,通常是对荧光编码微球阵列的位置顺序的排列进行识别。对于多重磁珠当荧光编码微球阵列中的一个或多个微球在排列上存在偏差甚至重叠时,会影响对微球的识别效果,并且在微球的数量较多,荧光编码微球阵列的排列较为密集时,也会增加微球识别错误的风险。在流式系统无法以可视化的形式显示数据分析系统对荧光编码微球阵列的识别过程的情况下,难以直接根据数据分析的结果判断对荧光编码微球阵列的识别是否正确,在分析中如果发现数据是不满足要求没有分析告知原因出处,以及当分析过程中使用的粒子不足总数某个阈值也可能造成结果的异常,以及在做项目时对于少团数据不会进行分析处理,以上种种问题都会增加数据异常排查和数据分析所需的时间和成本。
现有技术中,FCAP ArrayTMSoftware是通过手动将plex珠子分配到聚类图中,而聚类图是通过自动算法聚类出的相应的粒子团,但是,但是在确定粒子团对应的检测项目指标时,需要手动点击选择粒子团一一进行名称匹配,而不能实现全自动的粒子识别和名称匹配。当自动聚类不令人满意时就需要对因子团一一手动处理分析,从而影响工作效率,LEGENDplexTMSoftware套件,针对测试因子项目时,该数据少团时虽然可以出结果,但是对于缺少哪一粒子团没有明确说明,可能存在出结果但其余项目结果不对应的情况。当FCAPArrayTMSoftware测试某个项目时,数据效果差用自动算法算出聚类图时,只单方面客户自己判断该聚类图是否有问题,以及LEGENDplexTMSoftware套件都是单方面用户自己从视图判断该数据是否是有问题,不同用户对以上两个问题分析出的结果可能有不一样的看法,从而不能断定该分析结果就是正确的。
本公开实施例提供了一种用于流式系统的数据分析方法,可以对流式系统的硬件子系统采集的数据进行数据分析,对于不同应用场景或者新型试剂,只需适应性调整目标检测项目指标的设置,就可以确定相关的数据分析结果,具有较好的通用性和泛化性。下面对本公开实施例提供的用于流式系统的数据分析方法进行详细说明。
图1示出根据本公开实施例的一种用于流式系统的数据分析方法的流程图。该用于流式系统的数据分析方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该用于流式系统的数据分析方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该用于流式系统的数据分析方法。如图1所示,该用于流式系统的数据分析方法包括:
在步骤S11中,确定流式系统对应的第一粒子阵列数据,其中,第一粒子阵列数据中包括多个待测粒子团,每个待测粒子团包括多个待测粒子。
这里的流式系统,是指基于流式细胞术的流式细胞仪、血细胞分析仪、流式荧光系统等,可以根据实际的使用需求灵活设置。
根据流式系统获取的原始数据,可以确定对应的第一粒子阵列数据,其中,第一粒子阵列数据中包括多个待测粒子团。待测粒子团是由多个待测粒子构成的集合。这里的待测粒子,可以根据实际的使用需求灵活设置,例如,可以是细胞因子、自免抗体对应的微球、过敏原对应的微球、肿瘤标志物、激素分子等对应的微球,本公开实施例对此不做具体限定。
图2示出根据本公开实施例的一种包含30个待测粒子团的第一粒子阵列数据的示意图。如图2所示,该第一粒子阵列数据中包括30个待测粒子团,每个待测粒子团具有对应的编号,可以用于在确定每个待测粒子团对应的粒子团名称前区分不同的待测粒子团,以及辅助进行名称匹配,每个待测粒子团中包括多个粒子。
后文会结合本公开可能的实现方式,对确定第一粒子阵列数据的过程进行详细描述,此处不做赘述。
在步骤S12中,根据第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,其中,检测项目指标用于表示待测粒子团对应的粒子类型,和/或,对待测粒子团进行荧光标记的试剂,粒子阵列特定模版中包括预设数量的固定粒子团,以及每个固定粒子团对应的检测项目指标、编号和拓扑结构信息。
确定第一粒子阵列数据,可以根据第一粒子阵列数据预处理得到第一粒子列阵数据的拓扑结构和对应的粒子阵列特定模版,分别对第一粒子阵列数据中包括的每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,从而实现对第一粒子阵列数据中每个待测粒子团的识别。其中,每个待测粒子团对应的检测项目指标,可以用于指示该待测粒子团对应的粒子类型,也可以用于指示对该待测粒子团进行荧光标记的试剂。
在一示例中,对于第一粒子阵列数据中的待测粒子团A,待测粒子团A中包括的粒子的类型为细胞因子TNFα,可以确定待测粒子团A对应的检测项目指标为TNFα。
后文会结合本公开可能的实现方式,对名称匹配的过程进行详细描述,此处不做赘述。
在步骤S13中,根据每个待测粒子团对应的检测项目指标,确定目标检测项目指标对应的目标粒子团。
确定每个待测粒子团对应的检测项目指标后,基于每个待测粒子团对应的检测项目指标,可以在第一粒子阵列数据中确定目标检测项目指标对应的目标粒子团。其中,目标检测项目指标可以表示目标粒子团对应的粒子类型,和/或,对目标粒子团进行荧光标记的试剂。目标检测项目指标的数量和具体内容,可以根据实际的使用需求灵活设置,本公开对此不做具体限定。
图3示出根据本公开实施例的一种确定目标检测项目指标对应的目标粒子团的示意图。如图3所示,用户可以根据实际的使用需求,选择目标检测项目指标的数量,以及每个目标检测项目指标的具体内容。如图3所示,目标检测项目指标的数量为八个指标,包括TNFα、IL-6、IL-10、IFN-γ、IL-2、IL-8、IL-1β以及GM-CSF。
此时,根据每个待测粒子团对应的粒子团名称,可以直接在第一粒子阵列数据中确定目标检测项目指标对应的目标粒子团,并对目标粒子团进行显示,如图3所示,对每个目标粒子团对应的粒子团名称、位置以及形态进行显示。
在步骤S14中,确定目标粒子团对应的数据分析结果,其中,数据分析结果包括目标粒子团对应的荧光值和/或浓度值。
确定目标检测项目指标对应的目标粒子团后,可以自动对目标粒子团相关的数据进行解析,从而确定目标粒子团对应的数据分析结果。其中,数据分析结果可以包括目标粒子团对应的荧光值和浓度值。确定目标粒子团对应的数据分析结果后,还可以将数据分析结果进行显示及保存,便于用户直观快速地确认数据分析结果,并对数据分析结果进行追溯。
以上述图3为例,如图3所示,确定目标粒子团对应的数据分析结果后,可以确定每个目标粒子团对应的荧光值和/或浓度值,并对其进行显示。
目标粒子团对应的数据分析结果,除了可以包括目标粒子团对应的荧光值和浓度值外,还可以包括其他数据内容,取决于该项目目标粒子团中粒子的具体类型,以及用户的使用需求,例如,当该数据做的是校准项目时,数据分析结果还可以包括检测指标为待测抗体浓度等,本公开对此不做具体限定。
后文会结合本公开可能的实现方式,对确定目标粒子团对应的数据分析结果进行详细描述,此处不做赘述。
在本公开实施例中,确定流式系统对应的第一粒子阵列数据,其中,第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子,可以减少后续对待测粒子团进行识别和名称匹配时,由于原始数据中待测粒子团数量过多、排列过于密集甚至重叠,导致出现错误的风险。通过根据第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配,可以确定每个待测粒子团对应的检测项目指标,以表示待测粒子团对应的粒子类型,和/或,对待测粒子团进行荧光标记的试剂,粒子阵列特定模版中包括预设数量的固定粒子团,以及每个固定粒子团对应的检测项目指标、编号和拓扑结构信息,从而可以实现对待测粒子团的自动识别。根据每个待测粒子团对应的检测项目指标,可以确定目标检测项目指标对应的目标粒子团,并确定目标粒子团对应的数据分析结果,数据分析结果包括目标粒子团对应的荧光值和/或浓度,对于不同应用场景或者新型试剂,只需适应性调整目标检测项目指标的设置即可实现检测和数据分析,具有较好的通用性和泛化性,可以减少开发周期、降低使用成本。
在一种可能的实现方式中,确定流式系统对应的第一粒子阵列数据,包括:基于试剂检测项目通道,将原始数据映射为目标多维图像,其中,原始数据是根据流式系统获取的标准实验数据;对目标多维图像进行数据预处理,确定第一粒子阵列数据,其中,数据预处理包括:离群点检测、腐蚀膨胀、目标检测和图像分割中的至少一项。
根据流式系统获取的标准实验数据通常为流式细胞术标准(Flow CytometryStandard,FCS)文件格式。FCS文件格式是由国际流式细胞协会(International Societyfor Advancement of Cytometry,ISAC)开发的与流式细胞术实验数据相关的文件格式。通常情况下,直接根据FCS文件格式的原始数据进行数据分析,不便于以可视化的形式显示数据分析的过程。因此,根据流式系统获取FCS文件格式的原始数据后,可以先对原始数据进行格式转换,将FCS文件格式的原始数据转换为其他文件格式,得到格式转换后的原始数据;再基于试剂检测项目通道,将格式转换后的原始数据映射为便于进行查看和数据分析的目标多维图像。其中,目标多维图像的每一个维度,对应一个试剂检测项目通道。
试剂检测项目通道的选择,可以根据流式系统的检测对象的特点,以及实际的使用需求灵活设置,本公开对此不做具体限定。
在一示例中,流式系统的检测对象为细胞群,此时,需要对原始数据在前向散射光信号(Forward Scatter,FSC)通道和侧向散射光信号(Side Scatter,SSC)通道上进行处理。具体的,可以根据细胞的类型、尺寸和形态等特点,选择试剂检测项目通道:前向散射光信号(FSC)通道和侧向散射光信号(SSC)通道。其中,FSC通道还可以包括FSC-H通道和FSC-A通道等,SSC通道还可以包括SSC-H通道和SSC-A通道等。
基于FSC通道和SSC通道的目标多维图像,可以对目标多维图像进行数据的异常检测和处理,例如,可以确定目标多维图像中的待测粒子的总数,与原始数据中的待测粒子的总数进行比较,判断目标多维图像是否异常;或者,可以通过FSC通道和SSC通道的目标多维图像进行去除杂点的优化处理等。
基于FSC通道和SSC通道的目标多维图像,还可以进行其他试剂检测项目通道的通道转换,将目标多维图像映射到便于数据显示和分析的其他试剂检测项目通道。
在一示例中,流式系统的检测对象为细胞群,在基于试剂检测项目通道(FSC-H通道和SSC-H通道)确定目标多维图像后,可以选择其他的试剂检测项目通道,例如,不同波长的荧光接收通道、不同标记试剂对应的接收通道等,将目标多维图像转换到相应的试剂检测项目通道,可以显示细胞群的分离情况,便于后续对待测粒子团进行位置定位和名称匹配。
可选的,流式系统的检测对象,是不需要对原始数据在FSC通道和SSC通道上进行处理,或者,流式系统无法进行在FSC通道和SSC通道上的检测,或者,流式系统已部署的现有数据分析系统无法在FSC通道和SSC通道上进行显示,此时,可以直接选择FSC通道和SSC通道以外的其他试剂检测项目通道,例如:别藻青蛋白(allophycocyanin,APC-H)通道和别藻青蛋白和近红外荧光染料的串联染色(AC7-H)通道。
图4示出根据本公开实施例的一种包含53个粒子团的目标多维图像的示意图。如图4所示,目标多维图像显示了53个粒子团在别藻青蛋白(allophycocyanin,APC-H)通道和别藻青蛋白和近红外荧光染料的串联染色(AC7-H)通道的分布情况。每个粒子团具有对应的编号,可以用于区分不同的粒子团,每个粒子团中包括多个粒子。
确定试剂检测项目通道后,可以将格式转换后的原始数据映射为目标多维图像。通过对目标多维图像数据进行数据预处理,可以从目标多维图像中分离需要进行数据分析的第一粒子阵列数据。
其中,数据预处理的具体操作,可以包括:离群点检测、腐蚀膨胀、目标检测和图像分割中的至少一项,可以根据流式系统的检测对象的特点,以及实际的使用需求灵活设置,本公开对此不做具体限定。利用离群点检测和腐蚀膨胀,去除目标多维图像中的杂点,从而提高确定的第一粒子阵列数据的集中度和准确性。通过目标检测和图像分割,可以在目标多维图像中确定多个待测粒子团。其中,目标检测的具体方式可以包括非极大值抑制、特征检测、Canny边缘检测等。可以根据实际的使用需求灵活设置,本公开对此不做具体限定。
相对于现有技术中,直接基于原始数据,或基于原始数据在特定检测通道的图像中所有粒子团的位置顺序的排列,识别待测粒子团的方式,本公开实施例可以在原始数据的基础上,灵活确定包括不同数量的待测粒子团的第一粒子阵列数据,可以减少后续对待测粒子团进行识别和名称匹配时,由于待测粒子团排列过于密集甚至重叠,导致出现错误的风险。
在一种可能的实现方式中,根据第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,包括:根据第一粒子阵列数据的拓扑结构,提取第一粒子阵列数据中每个待测粒子团对应的编号和拓扑结构信息,并确定第一粒子阵列数据中包括的待测粒子团的数量,其中,拓扑结构信息用于表示待测粒子团中包括的待测粒子的数量、大小、以及任意两个待测粒子之间的位置关系和距离关系;在第一粒子阵列数据中包括的待测粒子团的数量满足预设数量条件的情况下,根据每个待测粒子团的编号、拓扑结构信息和粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
通常情况下,不同的第一粒子阵列数据具有不同的拓扑结构,第一粒子阵列数据中的每个待测粒子团也具有各自对应的拓扑结构信息,以表示待测粒子团中包括的待测粒子的数量、大小、以及任意两个待测粒子之间的位置关系和距离关系。通过对第一粒子阵列数据进行拓扑结构信息提取,可以确定第一粒子阵列数据中每个待测粒子团的编号和拓扑结构信息,根据待测粒子团的拓扑结构信息可以实现对待测粒子团的定位,并统计待测粒子团的数量。
其中,确定每个待测粒子团的编号的具体方式,可以参考相关技术中的实施方式,例如根据预设的编号规则,为每个待测粒子团确定对应的编号;对第一粒子阵列数据进行拓扑结构信息提取的方法,可以参考相关技术中的实施方式,例如,K均值聚类算法(k-means clustering algorithm,K-means)、具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)等,本公开对此不做具体限定。
根据每个待测粒子团对应的拓扑结构信息,可以确定每个待测粒子团的位置信息,以及任意两个待测粒子之间的位置关系和距离关系,相对于现有技术中根据不同待测粒子团在多维平面上的位置顺序识别待测粒子团,能够避免由于相邻的待测粒子团相互遮挡甚至重叠而导致的识别错误。
在实际的使用过程中,用户通常会预先设置好第一粒子阵列数据中待测粒子团的预设数量条件。其中,预设数量条件的具体值,可以根据实际的使用需求灵活设置,本公开对此不做具体限定。
在第一粒子阵列数据中包括的待测粒子团的数量满足预设数量条件的情况下,可以根据每个待测粒子团的编号、拓扑结构信息和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的粒子团名称。
后文会结合本公开可能的实现方式,对根据每个待测粒子团的编号、拓扑结构信息和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配的过程进行详细描述,此处不做赘述。
在一种可能的实现方式中,该方法还包括:在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,对第一粒子阵列数据进行聚类处理,确定第二粒子阵列数据;根据第二粒子阵列数据中包括的待测粒子团的数量、每个待测粒子团的编号和拓扑结构信息,以及粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
当第一粒子阵列数据中存在粒子分布较为散漫的待测粒子团、变异系数(Coefficient of Variance,CV)CV的异常、自发背景信号的干扰、样本的保存完整性较差等情况时,可能会影响提取第一粒子阵列数据中每个待测粒子团的拓扑结构信息的效果,导致确定的待测粒子团的数量不满足预设数量条件。在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,可以采用与上述提取过程不同的其他聚类方法,重新对第一粒子阵列数据进行聚类处理,确定第二粒子阵列数据,并确定第二粒子阵列数据中包括的待测粒子团的数量和每个待测粒子团的编号和拓扑结构信息。
在一示例中,对第一粒子阵列数据进行拓扑结构信息提取时,采用了基于距离的提取方法,确定了第一粒子阵列数据中待测粒子团的数量,以及每个待测粒子团的拓扑结构信息。在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,可以利用基于密度的聚类方法,对第一粒子阵列数据再次进行聚类,再次确定为第二粒子阵列数据,以及确定第二粒子阵列数据中包括的待测粒子团的数量,和每个待测粒子团的编号和拓扑结构信息。
根据每个待测粒子团的编号、拓扑结构信息和和对应的粒子阵列特定模版,可以对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
通过上述过程,可以在第一粒子阵列数据出现异常时,对第一粒子阵列数据进行二次处理,从而降低数据分析过程出现错误的风险,提高数据分析的灵活性和准确性。
在一种可能的实现方式中,根据每个待测粒子团的编号、拓扑结构信息和粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,包括:确定第一粒子阵列数据,和/或第二粒子阵列数据对应的粒子阵列特定模版;基于预设的匹配算法和粒子阵列特定模版,根据每个待测粒子团的编号和拓扑结构信息,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
根据检测项目需求,可以确定第一粒子阵列数据,和/或第二粒子阵列数据对应的粒子阵列特定模版。粒子阵列特定模版中包括预设数量的固定粒子团,以及每个固定粒子团对应的检测项目指标、编号和拓扑结构信息。这里的预设数量即为满足预设数量条件的数量。
图5示出根据本公开实施例的一种包含30个粒子团的粒子阵列特定模版的示意图。如图5所示,该包含30个粒子团的粒子阵列特定模版,对应图2中的包含30个待测粒子团的第一粒子阵列数据。该包含30个粒子团的粒子阵列特定模版显示了30个粒子团在别藻青蛋白(allophycocyanin,APC-H)通道和别藻青蛋白和近红外荧光染料的串联染色(AC7-H)通道的分布情况,每个粒子团具有对应的编号,可以用于区分不同的粒子团,每个粒子团中包括多个粒子。粒子阵列特定模版中还包括每个粒子团对应的拓扑结构信息。
通过前述过程,确定第一粒子阵列数据或第二粒子阵列数据中每个待测粒子团的编号和拓扑结构信息后,利用预设的匹配算法,可以对第一粒子阵列数据或第二粒子阵列数据中,每个待测粒子图的拓扑结构信息,与粒子阵列特定模版中每个固定粒子团进行名称匹配,确定每个待测粒子团对应的粒子团名称。其中,匹配算法的具体形式,可以根据实际的使用需求进行设置,本公开对此不做具体限定。
在一示例中,预设的匹配算法可以为距离匹配的算法。根据粒子阵列特定模版中每个固定粒子团的拓扑结构信息,可以确定每个固定粒子团的位置分布范围;根据每个待测粒子团对应的拓扑结构信息,可以确定每个待测粒子团的位置信息;对于任意一个待测粒子团,可以利用距离匹配,将待测粒子团的位置信息,与粒子阵列特定模版中每个固定粒子团的位置分布范围进行匹配,当待测粒子团的位置信息位于某一个固定粒子团的位置分布范围内时,可以确定待测粒子团对应的检测项目指标为该固定粒子团对应的检测项目指标。
通过将待测粒子团和粒子阵列特定模版进行匹配,可以实现对待测粒子团的自动识别,减少人工操作,提高数据分析的工作效率。
在一种可能的实现方式中,该方法还包括:在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,和/或,在第二粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,根据粒子阵列特定模版,确定第一异常信息,其中,第一异常信息用于指示第一粒子阵列数据和/或第二粒子阵列数据中,缺失粒子团的拓扑结构信息和检测项目指标。
在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,和/或,在第二粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,可以确定第一粒子阵列数据,和/或第二粒子阵列数据出现数据异常。此时,可以将第一粒子阵列数据,和/或第二粒子阵列数据确定为异常数据,并生成对应的第一异常信息。第一异常信息可以用于指示第一粒子阵列数据,和/或第二粒子阵列数据中存在待测粒子团缺失的情况,并指示缺失粒子团的拓扑结构信息和检测项目指标。
确定缺失粒子团的位置和粒子团名称的具体方法,可以参考上述利用预设的匹配算法,可以根据待测粒子图的编码和拓扑结构信息以及粒子阵列特定模版,对每个待测粒子团进行名称匹配的过程,此处不做赘述。
图6示出根据本公开实施例的一种完整的第一粒子阵列数据的示意图。如图6所示,对于某一抗核抗体谱识别项目,该第一粒子阵列数据中包括25个待测粒子团,经过名称匹配确定了每个待测粒子团对应的检测项目指标,并进行相应的检测项目指标标注。
图7示出根据本公开实施例的一种完整的第二粒子阵列数据的示意图。如图7所示,对于某一抗核抗体谱识别项目,通过第一粒子阵列数据预处理聚类分析后得到的第二粒子列阵数据的示意图,其中包含每个粒子团的中心点及拓扑结构信息。
图8示出根据本公开实施例的一种缺失粒子团的第一粒子阵列数据的示意图。如图8所示,对于与图6相同的抗核抗体谱识别项目,该第一粒子阵列数据中仅包括24个待测粒子团,经过名称匹配确定了24个待测粒子团对应的检测项目指标,并进行相应的检测项目指标标注;相对于图6,图8中缺失了粒子团名称为U1RNP-BB的待测粒子团,识别画门,并输出结果。
通过上述过程,可以自动识别第一粒子阵列数据第和/或第二粒子阵列数据中的缺失粒子团,并确定缺失粒子团的拓扑结构信息和检测项目指标,对异常数据具有较好的包容性,还可以协助用户对数据异常的原因进行分析溯源,减少数据分析的工作量,提高数据分析的灵活性。
在一种可能的实现方式中,确定目标粒子团对应的数据分析结果,包括:对目标粒子团进行画门操作,确定目标粒子团对应的目标分析对象;根据目标分析对象,确定目标粒子团对应的数据分析结果。
确定目标粒子团后,为了获得更加准确的数据分析结果,可以对目标粒子团进行画门(也可以称为圈门、设门或门控等)操作。通过画门操作,可以对目标粒子团进行进一步的筛选,去除目标粒子团中的噪声信号和不感兴趣的群体,减少流式系统中的干扰因素,例如,抗原表达的不确定性、自发背景信号的干扰、样本的保存完整性较低、荧光标记的试剂的差异(滴度、批次差异等)、配色方案设计的缺陷(荧光素亮度、荧光溢漏等)、荧光抗体失效等原因,对数据分析准确性的影响。
其中,画门的具体方式,可以参考相关技术中的实施方式,例如,可以利用待测粒子团的直方图、峰值分布进行自动画门,还可以由用户进行手动画门,本公开对此不做具体限定。
以上述图3为例,如图3所示,确定目标粒子团后,可以对每个目标粒子团分别进行自动画门,画出矩形门,从而确定每个目标粒子团对应的目标分析对象。门的具体形式,除了如图3中所示的矩形门外,也可以是其他形式,例如圆形门、椭圆形门或不规则多边形门等,可以根据实际的使用需求灵活设置,本公开对此不做具体限定。
完成画门操作后,可以根据目标分析对象进行数据分析,确定目标粒子团对应的数据分析结果。其中,根据目标分析对象进行数据分析的具体方式,可以参考相关技术中的实施方式,例如,确定目标分析对象的平均荧光强度、确定目标分析对象的浓度百分比、以及分析任意一个目标粒子团中不同的目标分析对象之间的差异等,本公开对此不做具体限定。
在一种可能的实现方式中,该方法还包括:根据分析通道确定原始数据中的第一粒子总数;确定目标分析对象中包括的待测粒子的第二粒子总数;在第二粒子总数不满足第一粒子总数的预设比例阈值的情况下,确定第二异常信息,其中,第二异常信息用于指示目标分析对象出现数据异常。
为了确保数据分析结果的准确性和可靠性,通过画门操作确定目标分析对象后,可以对目标分析对象进行异常检测。
具体的,可以确定原始数据中的第一粒子总数以及目标分析对象中待测粒子的第二粒子总数,并对第一粒子总数和第二粒子总数进行比较。当第二粒子总数不满足第一粒子总数的预设比例阈值时,确定用于指示目标分析对象出现数据异常的第二异常信息。其中,预设比例阈值的具体数值,可以根据实际的使用需求灵活设置,例如,预设比例阈值为50%,即第二粒子总数不满足第一粒子总数的一半,本公开对此不做具体限定。
通过上述过程,可以避免由于待测粒子团的选择、数据预处理、以及画门操作过程中的误差等原因,导致目标分析对象出现数据量过少,影响后续数据分析结果的准确性的问题。
在本公开实施例中,确定流式系统对应的第一粒子阵列数据,其中,第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子,可以减少后续对待测粒子团进行识别和名称匹配时,由于原始数据中待测粒子团数量过多、排列过于密集甚至重叠,导致出现错误的风险。在确定第一粒子阵列数据后,可以基于试剂检测项目通道将第一粒子阵列数据转换为目标多维图像,通过对目标多维图像进行数据预处理,可以去除第一粒子阵列数据中的杂点,从而提高数据分析的准确性和可靠性。通过对第一粒子阵列数据进行拓扑结构信息的提取,可以确定待测粒子团的数量,以及每个待测粒子团的编号和拓扑结构信息;并在第一粒子阵列数据中待测粒子团的数量不满足预设数量条件时,再次确定为第二粒子阵列数据,基于第二粒子阵列数据再次确定待测粒子团的数量,从而可以降低数据分析过程出现错误的风险,提高数据分析的灵活性和准确性。基于待测粒子团的拓扑结构信息和对应的粒子阵列特定模版,可以对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,实现对待测粒子团的自动识别,可以提高数据分析的工作效率。根据每个待测粒子团对应的检测项目指标,可以确定目标检测项目指标对应的目标粒子团,其中,检测项目指标用于表示目标粒子团对应的粒子类型,和/或,对目标粒子团进行荧光标记的试剂,数据分析结果包括目标粒子团对应的荧光值和浓度值,并确定目标粒子团对应的数据分析结果,对于不同应用场景或者新型试剂,只需适应性调整目标检测项目指标的设置即可实现检测和数据分析,具有较好的通用性和泛化性,可以减少开发周期、降低使用成本。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了一种用于流式系统的数据分析装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种一种用于流式系统的数据分析方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图9示出根据本公开实施例的一种用于流式系统的数据分析装置的框图,如图9所示,装置800包括:
数据确定模块801,用于确定流式系统对应的第一粒子阵列数据,其中,第一粒子阵列数据中包括多个待测粒子团,每个待测粒子团包括多个待测粒子。
匹配模块802,用于根据第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标,其中,检测项目指标用于表示待测粒子团对应的粒子类型,和/或,对待测粒子团进行荧光标记的试剂,粒子阵列特定模版中包括预设数量的固定粒子团,以及每个固定粒子团对应的检测项目指标、编号和拓扑结构信息。
目标粒子团确定模块803,用于根据每个待测粒子团对应的检测项目指标,确定目标检测项目指标对应的目标粒子团。
数据分析模块804,用于确定目标粒子团对应的数据分析结果,其中,数据分析结果包括目标粒子团对应的荧光值和/或浓度值。
在一种可能的实现方式中,数据确定模块801,具体用于:
基于试剂检测项目通道,将原始数据映射为目标多维图像,其中,原始数据是根据流式系统获取的标准实验数据;对目标多维图像进行数据预处理,确定第一粒子阵列数据,其中,数据预处理包括:离群点检测、腐蚀膨胀、目标检测和图像分割中的至少一项。
在一种可能的实现方式中,匹配模块802,具体用于:
根据第一粒子阵列数据的拓扑结构,提取第一粒子阵列数据中每个待测粒子团对应的编号和拓扑结构信息,并确定第一粒子阵列数据中包括的待测粒子团的数量,其中,拓扑结构信息用于表示待测粒子团中包括的待测粒子的数量、大小、以及任意两个待测粒子之间的位置关系和距离关系;在第一粒子阵列数据中包括的待测粒子团的数量满足预设数量条件的情况下,根据每个待测粒子团的编号、拓扑结构信息和粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
在一种可能的实现方式中,匹配模块802,还用于:
在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,对第一粒子阵列数据进行聚类处理,确定第二粒子阵列数据;根据第二粒子阵列数据中包括的待测粒子团的数量、每个待测粒子团的编号和拓扑结构信息,以及粒子阵列特定模版,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
在一种可能的实现方式中,匹配模块802,还用于:
确定第一粒子阵列数据,和/或第二粒子阵列数据对应的粒子阵列特定模版;
基于预设的匹配算法和粒子阵列特定模版,根据每个待测粒子团的编号和拓扑结构信息,对每个待测粒子团进行名称匹配,确定每个待测粒子团对应的检测项目指标。
在一种可能的实现方式中,匹配模块802,还用于在第一粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,和/或,在第二粒子阵列数据中包括的待测粒子团的数量不满足预设数量条件的情况下,根据粒子阵列特定模版,确定第一异常信息,其中,第一异常信息用于指示第一粒子阵列数据和/或第二粒子阵列数据中,缺失粒子团的拓扑结构信息和检测项目指标。
在一种可能的实现方式中,数据分析模块804,具体用于:
对目标粒子团进行画门操作,确定目标粒子团对应的目标分析对象;根据目标分析对象,确定目标粒子团对应的数据分析结果。
在一种可能的实现方式中,数据分析模块804,还用于:
确定原始数据中的第一粒子总数;确定目标分析对象中包括的待测粒子的第二粒子总数;在第二粒子总数不满足第一粒子总数的预设比例阈值的情况下,确定第二异常信息,其中,第二异常信息用于指示目标分析对象出现数据异常。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图10示出根据本公开实施例的一种电子设备的框图。如图10所示,电子设备1900可以被提供为一服务器或终端设备。参照图10,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种用于流式系统的数据分析方法,其特征在于,包括:
确定所述流式系统对应的第一粒子阵列数据,其中,所述第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子;
根据所述第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,其中,所述检测项目指标用于表示所述待测粒子团对应的粒子类型,和/或,对所述待测粒子团进行荧光标记的试剂,所述粒子阵列特定模版中包括预设数量的固定粒子团,以及每个所述固定粒子团对应的检测项目指标、编号和拓扑结构信息;
根据每个所述待测粒子团对应的检测项目指标,确定目标检测项目指标对应的目标粒子团;
确定所述目标粒子团对应的数据分析结果,其中,所述数据分析结果包括所述目标粒子团对应的荧光值和/或浓度值。
2.根据权利要求1所述的方法,其特征在于,所述确定所述流式系统对应的第一粒子阵列数据,包括:
基于试剂检测项目通道,将原始数据映射为目标多维图像,其中,所述原始数据是根据所述流式系统获取的标准实验数据;
对所述目标多维图像进行数据预处理,确定所述第一粒子阵列数据,其中,所述数据预处理包括:离群点检测、腐蚀膨胀、目标检测和图像分割中的至少一项。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,包括:
根据所述第一粒子阵列数据的拓扑结构,提取所述第一粒子阵列数据中每个所述待测粒子团对应的编号和拓扑结构信息,并确定所述第一粒子阵列数据中包括的待测粒子团的数量,其中,所述拓扑结构信息用于表示所述待测粒子团中包括的所述待测粒子的数量、大小、以及任意两个所述待测粒子之间的位置关系和距离关系;
在所述第一粒子阵列数据中包括的待测粒子团的数量满足预设数量条件的情况下,根据每个所述待测粒子团的编号、拓扑结构信息和所述粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述第一粒子阵列数据中包括的待测粒子团的数量不满足所述预设数量条件的情况下,对所述第一粒子阵列数据进行聚类处理,确定第二粒子阵列数据;
根据所述第二粒子阵列数据中包括的待测粒子团的数量、每个待测粒子团的编号和拓扑结构信息,以及所述粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标。
5.根据权利要求3或4所述的方法,其特征在于,所述根据每个所述待测粒子团的编号、拓扑结构信息和所述粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,包括:
确定所述第一粒子阵列数据,和/或所述第二粒子阵列数据对应的所述粒子阵列特定模版;
基于预设的匹配算法和所述粒子阵列特定模版,根据每个所述待测粒子团的编号和拓扑结构信息,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述第一粒子阵列数据中包括的待测粒子团的数量不满足所述预设数量条件的情况下,和/或,在所述第二粒子阵列数据中包括的待测粒子团的数量不满足所述预设数量条件的情况下,根据所述粒子阵列特定模版,确定第一异常信息,其中,所述第一异常信息用于指示所述第一粒子阵列数据和/或所述第二粒子阵列数据中,缺失粒子团的拓扑结构信息和检测项目指标。
7.根据权利要求1至4中任意一项所述的方法,其特征在于,所述确定所述目标粒子团对应的数据分析结果,包括:
对所述目标粒子团进行画门操作,确定所述目标粒子团对应的目标分析对象;
根据所述目标分析对象,确定所述目标粒子团对应的数据分析结果。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
确定所述原始数据中的第一粒子总数;
确定所述目标分析对象中包括的所述待测粒子的第二粒子总数;
在所述第二粒子总数不满足所述第一粒子总数的预设比例阈值的情况下,确定第二异常信息,其中,所述第二异常信息用于指示所述目标分析对象出现数据异常。
9.一种用于流式系统的数据分析装置,其特征在于,包括:
数据确定模块,用于确定所述流式系统对应的第一粒子阵列数据,其中,所述第一粒子阵列数据中包括多个待测粒子团,每个所述待测粒子团包括多个待测粒子;
匹配模块,用于根据所述第一粒子阵列数据的拓扑结构和对应的粒子阵列特定模版,对每个所述待测粒子团进行名称匹配,确定每个所述待测粒子团对应的检测项目指标,其中,所述检测项目指标用于表示所述待测粒子团对应的粒子类型,和/或,对所述待测粒子团进行荧光标记的试剂,所述粒子阵列特定模版中包括预设数量的固定粒子团,以及每个所述固定粒子团对应的检测项目指标、编号和拓扑结构信息;
目标粒子团确定模块,用于根据每个所述待测粒子团对应的检测项目指标,确定目标检测项目指标对应的目标粒子团;
数据分析模块,用于确定所述目标粒子团对应的数据分析结果,其中,所述数据分析结果包括所述目标粒子团对应的荧光值和/或浓度值。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至8中任意一项所述的方法。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639822.XA CN117634543A (zh) | 2023-12-01 | 2023-12-01 | 一种用于流式系统的数据分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311639822.XA CN117634543A (zh) | 2023-12-01 | 2023-12-01 | 一种用于流式系统的数据分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117634543A true CN117634543A (zh) | 2024-03-01 |
Family
ID=90030139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311639822.XA Pending CN117634543A (zh) | 2023-12-01 | 2023-12-01 | 一种用于流式系统的数据分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634543A (zh) |
-
2023
- 2023-12-01 CN CN202311639822.XA patent/CN117634543A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4150044B2 (ja) | 臨床検査分析装置、臨床検査分析方法およびその方法をコンピュータに実行させるプログラム | |
CN111242961B (zh) | 一种用于pd-l1抗体染色切片的自动读片方法及其系统 | |
EP3450957B1 (en) | Cell image display apparatus, cell image display method, and computer program product | |
US20130060775A1 (en) | Spanning-tree progression analysis of density-normalized events (spade) | |
US20110066385A1 (en) | Quantification of differences between measured values and statistical validation based on the differences | |
EP3006551B1 (en) | Image processing device, image processing method, program, and storage medium | |
WO2018151680A1 (en) | Methods and devices for identifying population clusters in data | |
JP2023511760A (ja) | 蛍光フローサイトメータデータを分類するための方法およびシステム | |
CN112161913A (zh) | 一种用于流式荧光分析系统的分析方法及设备 | |
Rogers et al. | Cytometric fingerprinting: quantitative characterization of multivariate distributions | |
CN111095358A (zh) | 辅助组织样本分析的载玻片图像颜色反卷积系统及方法 | |
WO2019226340A1 (en) | Condition specific sample analysis | |
CN106645706A (zh) | 一种移动终端定量分析胶体金检测试剂的方法 | |
US12008750B2 (en) | Generating annotation data of tissue images | |
Decaestecker et al. | Requirements for the valid quantification of immunostains on tissue microarray materials using image analysis | |
CN115902227A (zh) | 一种免疫荧光试剂盒的检测评估方法及系统 | |
Lakos et al. | Detection of anti-dsDNA antibodies by computer-aided automated immunofluorescence analysis | |
US20230393066A1 (en) | Information processing system and information processing method | |
CN111177311B (zh) | 一种事件处理结果的数据分析模型及分析方法 | |
CN112798678A (zh) | 基于血清的新型冠状病毒感染快速检测方法 | |
CN117634543A (zh) | 一种用于流式系统的数据分析方法及装置 | |
WO2018078582A1 (en) | Method for distinguishing fresh meat from meat subjected to freezing by means of analysis of images of muscle tissue and corresponding system arranged to execute said method | |
CN113380318B (zh) | 人工智能辅助流式细胞术40cd免疫表型检测方法及系统 | |
CN117373565A (zh) | 离子迁移谱-质谱的建库方法、识别方法及其装置 | |
CN114184599A (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 |
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 |