CN117789835A - 一种生物实验室细胞培养数据智能管理系统 - Google Patents
一种生物实验室细胞培养数据智能管理系统 Download PDFInfo
- Publication number
- CN117789835A CN117789835A CN202311819064.XA CN202311819064A CN117789835A CN 117789835 A CN117789835 A CN 117789835A CN 202311819064 A CN202311819064 A CN 202311819064A CN 117789835 A CN117789835 A CN 117789835A
- Authority
- CN
- China
- Prior art keywords
- culture
- data
- experimental
- group
- cultured cells
- 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.)
- Granted
Links
- 238000004113 cell culture Methods 0.000 title claims abstract description 38
- 238000002474 experimental method Methods 0.000 claims abstract description 115
- 210000004748 cultured cell Anatomy 0.000 claims abstract description 106
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 230000014759 maintenance of location Effects 0.000 claims abstract description 47
- 238000007726 management method Methods 0.000 claims abstract description 31
- 238000013500 data storage Methods 0.000 claims abstract description 25
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000013523 data management Methods 0.000 claims abstract description 12
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000013433 optimization analysis Methods 0.000 claims abstract description 7
- 238000012790 confirmation Methods 0.000 claims abstract description 6
- 238000013075 data extraction Methods 0.000 claims abstract description 6
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 claims description 81
- 229910052805 deuterium Inorganic materials 0.000 claims description 81
- 210000004027 cell Anatomy 0.000 claims description 54
- 230000007613 environmental effect Effects 0.000 claims description 50
- 238000012544 monitoring process Methods 0.000 claims description 50
- 230000000875 corresponding effect Effects 0.000 claims description 48
- 230000012010 growth Effects 0.000 claims description 37
- 230000035755 proliferation Effects 0.000 claims description 25
- 239000002609 medium Substances 0.000 claims description 14
- 230000032683 aging Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 239000002994 raw material Substances 0.000 claims description 9
- 238000011081 inoculation Methods 0.000 claims description 8
- 206010066054 Dysmorphism Diseases 0.000 claims description 7
- 230000010261 cell growth Effects 0.000 claims description 6
- 230000003833 cell viability Effects 0.000 claims description 5
- 239000001963 growth medium Substances 0.000 claims description 5
- 238000012442 analytical experiment Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 230000009758 senescence Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012258 culturing Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000000034 method Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属于数据管理技术领域，具体公开提供的一种生物实验室细胞培养数据智能管理系统，该系统包括：培养数据提取模块、数据留存确认模块、数据存储设置模块、培养数据分析模块、培养优化分析模块和数据管理终端。本发明通过确认留存数据以及对目标培养细胞对应培养相关数据和留存数据进行不同存储路径分配，有效解决了当前广度式管理存在的局限性，降低了后续数据调用的繁琐性，提高了后续数据检索和调用的便捷性，同时通过进行目标培养细胞的培养干扰项分析，并分析目标培养细胞的推荐更新培养方案，有效弥补了当前未对细胞培养数据进行进一步分析的不足，为后续细胞培养实验的进一步优化提供了可靠的依据。
Description
技术领域
本发明属于数据管理技术领域，涉及一种生物实验室细胞培养数据智能管理系统。
背景技术
在生物实验室中，细胞培养是一项关键的实验技术，用于研究和生产许多生物学和医学方面的产品。而细胞培养实验通常产生大量数据，包括细胞生长曲线、细胞数量、细胞状态、培养条件等，为了更清晰的了解细胞的生长规律，需要对其培养数据进行管理。
目前对于生物实验室细胞培养数据的管理主要用于对培育数据进行存储管理，未对培养数据留存选取等其他细节层面进行管理，还存在以下几个方面的不足：1、属于广度上的管理，后续数据调用较为繁琐，检索和调用均便捷性不足，同时也增加了后续数据的维护难度，也无法凸出数据维护重点，灵活性较差。
2、未对培养数据进行进一步分析，不便于后续实验的进一步优化，对已有实验数据的利用率不足，对后续实验的辅助效果提升不明显，不利于后续细胞培养的稳定性和可持续性。
3、未从数据调用属性层面进行分类管理，如留档以及后续调用借鉴，采用整体存储方式较为杂乱，对后续需求调用数据的访问和使用的控制管理较为困难，进而导致数据管理效率存在一定局限。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种生物实验室细胞培养数据智能管理系统。
本发明的目的可以通过以下技术方案实现：本发明提供一种生物实验室细胞培养数据智能管理系统，该系统包括：培养数据提取模块，用于提取目标培养细胞的培养相关数据。
数据留存确认模块，用于根据目标培养细胞的培养相关数据，确认目标培养细胞的留存数据。
数据存储设置模块，用于进行数据存储设置，得到目标培养细胞对应培养相关数据和留存数据的存储路径。
培养数据分析模块，用于进行目标培养细胞的培养干扰项分析，得到目标培养细胞的培养干扰项。
培养优化分析模块，用于根据目标培养细胞的培养干扰项，分析目标培养细胞的推荐更新培养方案。
数据管理终端，用于根据目标培养细胞对应培养相关数据和留存数据的存储路径，进行对应存储，同时将目标培养细胞的推荐更新培养方案反馈至目标培养细胞的培养管理人员。
优选地，所述确认目标培养细胞的留存数据，包括：从目标培养细胞的培养相关数据中提取各培养实验组对应培养基中的氘浓度，并提取各培养实验组的记录实验数据。
基于各培养实验组中的氘浓度，对各培养实验组进行梯队划分，得到各第一梯队培养实验组、各第二梯队培养实验组和各第三梯队培养实验组。
从各第一梯队培养实验组的记录实验数据中定位出细胞活力实验数据，进而提取目标培养细胞的初始轮廓和初始直径，并提取目标培养细胞在各次传代时的增殖细胞数目、分裂频率、分裂速率以及各增殖细胞的轮廓和直径，据此统计各第一梯队培养实验组对应活性实验特征指标值，记为(Z1)i，i表示第一梯队培养实验组编号，i＝1,2,......n。
从各第一梯队培养实验组的记录实验数据中定位出细胞生长实验数据，进而提取接种后目标培养细胞在各设定培养监测时间点内的数目以及接种后目标培养细胞的衰老比例，据此统计各第一梯队培养实验组对应生长实验特征指标值，记为(Z2)i。
将作为各第一梯队培养实验组的实验现象表征代表度，并将实验表征现象代表度最高的第一梯队培养实验组作为第一留存实验组，Z′1、Z′2分别为设定参照的活性实验特征指标值、生长实验特征指标值。
按照第一留存实验组的分析方式同理分析得到第二留存实验组和第三留存实验组，将第一留存实验组、第二留存实验组以及第三留存实验组的氘浓度和记录实验数据作为目标培养细胞的留存数据。
优选地，所述对各培养实验组进行梯队划分，包括：将各培养实验组中的氘浓度与设定细胞培养对应的低氘浓度区间、中氘浓度区间和高氘浓度区间进行对比。
若某培养实验组中的氘浓度位于低氘浓度区间内，将该培养实验组标记为第一梯队培养实验组。
若某培养实验组中的氘浓度位于中氘浓度区间内，将该培养实验组标记为第二梯队培养实验组。
若某培养实验组中的氘浓度位于高氘浓度区间内，将该培养实验组标记为第三梯队培养实验组，以此对各培养实验组进行梯队划分。
优选地，所述统计各第一梯队培养实验组对应活性实验特征指标值，包括：以传代次序为横坐标，以增殖细胞数目为纵坐标，构建各第一梯队培养实验组的传代增殖变化曲线，并与设定的目标培养细胞的参照传代增殖变化曲线进行重合对比，将重合曲线长度与参照传代增殖变化曲线长度的比值作为传代相似比，以此得到各第一梯队培养实验组的传代相似比(k相)i。
将各第一梯队培养实验组在各次传代时的分裂频率和分裂速率分别记为pit和vit，t表示传代次序编号，t＝1,2,......u，统计各第一梯队培养实验组的分裂吻合度βi。
将在各次传代时各增殖细胞的轮廓、直径分别与目标培养细胞的初始轮廓、初始直径进行对应对比，据此确认各第一梯队培养实验组对应培养细胞异形度
统计各第一梯队培养实验组对应活性实验特征指标值(Z1)i，k′相、β′、分别为设定的参照传代相似比、分裂吻合度、细胞异形度，Z′为设定的额定活性实验特征指标值。
优选地，所述各第一梯队培养实验组的分裂吻合度的具体统计公式如下：p′t、v′t分别为设定的目标培养细胞在第t次传代时参照的基准分裂频率、基准分裂速率，u为传代次数。，u为传代次数。
优选地，所述统计各第一梯队培养实验组对应生长实验特征指标值，包括：以时间为横坐标，以目标培养细胞数目为纵坐标，构建各第一梯队培养实验组对应目标培养细胞的生长曲线，并从中进行幅值、斜率和波动点数目提取，分别记为Ai、(k生)i和Mi。
将各第一梯队培养实验组对应接种后目标培养细胞的衰老比例记为(k衰)i。
统计各第一梯队培养实验组对应生长实验特征指标值(Z2)i，e为自然常数，A′、k′生、M′、k′衰分别为设定的目标培养细胞参照的生长幅值、生长曲线斜率、生长曲线波动点数目、衰老比例，Δk′生为设定许可生长曲线斜率差，Z″为设定的额定生长实验特征指标值。
优选地，所述进行数据存储设置，包括：将目标细胞的培养相关数据的数据存储属性标记为留档，将目标细胞的留存数据的数据存储属性标记为调用。
将存储云空间作为数据存储属性为留档的存储路径，将调用云空间作为数据存储属性为调用的存储路径。
优选地，所述进行目标培养细胞的培养干扰项分析，包括：从各第一梯队培养实验组中过滤出第一留存实验组，将过滤后的各第一梯队培养实验组作为各第一备选实验组，若某第一备选实验组的实验现象表征代表度小于设定实验现象表征代表度，则将该第一备选实验组作为第一分析实验组。
从目标培养细胞的培养相关数据中提取各第一分析实验组和第一留存实验组在各培养日内各环境监测指标的监测数值，据此统计第一分析实验组的环境差异度δ1。
按照δ1的分析方式同理统计第二分析实验组的环境差异度δ2以及第三分析实验组的环境差异度δ3。
若存在δ1≥δ′或者δ2≥δ′或者δ3≥δ′时，将培养环境作为培养干扰项，δ′为设定的参照环境差异度，若δ1、δ2和δ3均小于δ′，则将氘浓度设置作为培养干扰项。
优选地，所述统计第一分析实验组的环境差异度，包括：将各第一分析实验组在各培养日内各环境监测指标的监测数值记为Hjrf，j表示第一分析实验组编号，j＝1,2,......m，r表示培养日编号，r＝1,2,......q，f表示第f个环境监测指标，f＝1,2,......w。
将第一留存实验组在各培养日内各环境监测指标的监测数值记为Hrf，统计各第一分析实验组的环境偏差度δj，ΔH为设定许可监测数值差，q为培养日数目，w为环境监测指标数目。
统计环境偏差度大于0的第一分析实验组数，作为环境偏差实验组数，若将/>作为第一分析实验组的环境差异度δ1，m为第一分析实验组数。
若将/>作为第一分析实验组的环境差异度δ1。
若将/>作为第一分析实验组的环境差异度δ1。
优选地，所述分析目标培养细胞的推荐更新培养方案，包括：若目标培养细胞的培养干扰项为培养环境，则从目标培养细胞的培养相关数据中提取环境监测指标的监测频率p环。
将环境偏差实验组数记为J偏，设置环境监测指标适宜监测频率p适，p0为单位环境差异趋向因子对应增加环境指标监测频率，将p适作为目标培养细胞的推荐更新培养方案。
若目标培养细胞的培养干扰项为氘浓度设置，确定适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间，并作为目标培养细胞的推荐更新培养方案。
若目标培养细胞的培养干扰项包括培养环境和氘浓度设置，将p适以及适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间作为目标培养细胞的推荐更新培养方案。
相较于现有技术，本发明的有益效果如下：(1)本发明通过确认留存数据，有效解决了当前广度式管理存在的局限性，同时降低了后续数据调用的繁琐性，从而提高了后续数据检索和调用的便捷性，并且在另一层面而言，还降低了后续数据的维护难度，从而突出了数据维护重点，进而提高了细胞培养数据管理的灵活性和可靠性。
(2)本发明通过进行目标培养细胞的培养干扰项分析，并分析目标培养细胞的推荐更新培养方案，有效弥补了当前未对细胞培养数据进行进一步分析的不足，为后续细胞培养实验的进一步优化提供了可靠的依据，并且还提高了已有细胞培养实验数据的利用率，从而显著提升了对后续实验的辅助效果，提升了后续细胞培养的稳定性和可持续性。
(3)本发明通过对目标培养细胞对应培养相关数据和留存数据进行不同存储路径分配，填补了当前未从数据调用属性层面进行分类管理的空白，规避了当前整体式存储方式中的杂乱性，大幅度提升了对后续需求调用数据访问以及使用等控制管理的简便性，进而显著提升了细胞培养数据的管理效率和管理针对性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明系统各模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供了一种生物实验室细胞培养数据智能管理系统，该系统包括：培养数据提取模块、数据留存确认模块、数据存储设置模块、培养数据分析模块、培养优化分析模块和数据管理终端。
上述中，培养数据提取模块分别与数据留存确认模块、数据存储设置模块、培养数据分析模块和培养优化分析模块连接，数据存储设置模块还分别与数据留存确认模块和数据管理终端连接，培养优化分析模块还分别与培养数据分析模块和数据管理终端连接。
所述培养数据提取模块，用于提取目标培养细胞的培养相关数据，所述培养相关数据由各培养实验组对应培养基中的氘浓度和各培养实验组的记录实验数据组成。
在一个具体实施例中，记录实验数据包括但不限于细胞活力实验数据、细胞生长实验数据、环境监测数据和实验设置数据。
其中，细胞活力实验数据包括但不限于目标培养细胞的初始轮廓、初始直径、目标培养细胞在各次传代时的增殖细胞数目、分裂频率、分裂速率以及各增殖细胞的轮廓和直径，细胞生长实验数据包括但不限于目标培养细胞的在各设定培养监测时间点内的数目以及接种后目标培养细胞的衰老比例，环境监测数据包括但不限于各培养日内各环境监测指标的监测数值，实验设置数据包括但不限于环境监测指标的监测频率以及低氘浓度实验区间、中氘浓度实验区间和高氘浓度实验区间。
所述数据留存确认模块，用于根据目标培养细胞的培养相关数据，确认目标培养细胞的留存数据。
具体地，所述确认目标培养细胞的留存数据，包括：E1、从目标培养细胞的培养相关数据中提取各培养实验组对应培养基中的氘浓度，并提取各培养实验组的记录实验数据。
E2、基于各培养实验组中的氘浓度，对各培养实验组进行梯队划分，得到各第一梯队培养实验组、各第二梯队培养实验组和各第三梯队培养实验组。
可理解地，对各培养实验组进行梯队划分，包括：E21、将各培养实验组中的氘浓度与设定细胞培养对应的低氘浓度区间、中氘浓度区间和高氘浓度区间进行对比。
E22、若某培养实验组中的氘浓度位于低氘浓度区间内，将该培养实验组标记为第一梯队培养实验组。
E23、若某培养实验组中的氘浓度位于中氘浓度区间内，将该培养实验组标记为第二梯队培养实验组。
E24、若某培养实验组中的氘浓度位于高氘浓度区间内，将该培养实验组标记为第三梯队培养实验组，以此对各培养实验组进行梯队划分。
E3、从各第一梯队培养实验组的记录实验数据中定位出细胞活力实验数据，进而提取目标培养细胞的初始轮廓和初始直径，并提取目标培养细胞在各次传代时的增殖细胞数目、分裂频率、分裂速率以及各增殖细胞的轮廓和直径，据此统计各第一梯队培养实验组对应活性实验特征指标值，记为(Z1)i，i表示第一梯队培养实验组编号，i＝1,2,......n。
可理解地，统计各第一梯队培养实验组对应活性实验特征指标值，包括：E31、以传代次序为横坐标，以增殖细胞数目为纵坐标，构建各第一梯队培养实验组的传代增殖变化曲线，并与设定的目标培养细胞的参照传代增殖变化曲线进行重合对比，将重合曲线长度与参照传代增殖变化曲线长度的比值作为传代相似比，以此得到各第一梯队培养实验组的传代相似比(k相)i。
E32、将各第一梯队培养实验组在各次传代时的分裂频率和分裂速率分别记为pit和vit，t表示传代次序编号，t＝1,2,......u，统计各第一梯队培养实验组的分裂吻合度βi，p′t、v′t分别为设定的目标培养细胞在第t次传代时参照的基准分裂频率、基准分裂速率，u为传代次数。，u为传代次数。
E33、将在各次传代时各增殖细胞的轮廓、直径分别与目标培养细胞的初始轮廓、初始直径进行对应对比，据此确认各第一梯队培养实验组对应培养细胞异形度
在一个具体实施例中，确认各第一梯队培养实验组对应培养细胞异形度的具体确认过程如下：将各次传代时各增长细胞轮廓与目标培养细胞初始轮廓的重合轮廓面积与目标培养细胞的初始轮廓面积的比值作为细胞轮廓重合比，将各第一梯队培养实验组在各次传代时的细胞轮廓重合比记为(k重)it。
将各第一梯队培养实验组在各次传代时各增殖细胞的直径与目标培养细胞的初始直径的差值记为Δdit。
将作为各第一梯队培养实验组在各次传代时对应培养细胞异形度，并从各次传代时对应培养细胞异形度中筛选出最大值，作为各第一梯队培养实验组对应培养细胞异形度/>k′重为设定参照重合比，Δd′、Δd″分别为设定参照的细胞直径差、许可细胞直径差偏差。
E34、统计各第一梯队培养实验组对应活性实验特征指标值(Z1)i，k′相、β′、/>分别为设定的参照传代相似比、分裂吻合度、细胞异形度，Z′为设定的额定活性实验特征指标值。
E4、从各第一梯队培养实验组的记录实验数据中定位出细胞生长实验数据，进而提取接种后目标培养细胞在各设定培养监测时间点内的数目以及接种后目标培养细胞的衰老比例，据此统计各第一梯队培养实验组对应生长实验特征指标值，记为(Z2)i。
可理解地，统计各第一梯队培养实验组对应生长实验特征指标值，包括：E41、以时间为横坐标，以目标培养细胞数目为纵坐标，构建各第一梯队培养实验组对应目标培养细胞的生长曲线，并从中进行幅值、斜率和波动点数目提取，分别记为Ai、(k生)i和Mi。
在一个具体实施例中，所述斜率指曲线对应回归线的斜率，所述波动点指曲线左右增长方向相反的点，如左侧上升右侧下降或者左侧下降右侧上升的点。
E42、将各第一梯队培养实验组对应接种后目标培养细胞的衰老比例记为(k衰)i。
E43、统计各第一梯队培养实验组对应生长实验特征指标值(Z2)i，e为自然常数，A′、k′生、M′、k′衰分别为设定的目标培养细胞参照的生长幅值、生长曲线斜率、生长曲线波动点数目、衰老比例，Δk′生为设定许可生长曲线斜率差，Z″为设定的额定生长实验特征指标值。
E5、将作为各第一梯队培养实验组的实验现象表征代表度，并将实验表征现象代表度最高的第一梯队培养实验组作为第一留存实验组，Z′1、Z′2分别为设定参照的活性实验特征指标值、生长实验特征指标值。
E6、按照第一留存实验组的分析方式同理分析得到第二留存实验组和第三留存实验组，将第一留存实验组、第二留存实验组以及第三留存实验组的氘浓度和记录实验数据作为目标培养细胞的留存数据。
本发明实施例通过确认留存数据，有效解决了当前广度式管理存在的局限性，同时降低了后续数据调用的繁琐性，从而提高了后续数据检索和调用的便捷性，并且在另一层面而言，还降低了后续数据的维护难度，从而突出了数据维护重点，进而提高了细胞培养数据管理的灵活性和可靠性。
所述数据存储设置模块，用于进行数据存储设置，得到目标培养细胞对应培养相关数据和留存数据的存储路径。
具体地，进行数据存储设置，包括：将目标细胞的培养相关数据的数据存储属性标记为留档，将目标细胞的留存数据的数据存储属性标记为调用。
将存储云空间作为数据存储属性为留档的存储路径，将调用云空间作为数据存储属性为调用的存储路径。
本发明实施例通过对目标培养细胞对应培养相关数据和留存数据进行不同存储路径分配，填补了当前未从数据调用属性层面进行分类管理的空白，规避了当前整体式存储方式中的杂乱性，大幅度提升了对后续需求调用数据访问以及使用等控制管理的简便性，进而显著提升了细胞培养数据的管理效率和管理针对性。
所述培养数据分析模块，用于进行目标培养细胞的培养干扰项分析，得到目标培养细胞的培养干扰项。
示例性地，进行目标培养细胞的培养干扰项分析，包括：W1、从各第一梯队培养实验组的各非第一留存实验组记为各第一备选实验组，若某第一备选实验组的实验现象表征代表度小于设定实验现象表征代表度，则将该第一备选实验组作为第一分析实验组。
W2、从目标培养细胞的培养相关数据中提取各第一分析实验组和第一留存实验组在各培养日内各环境监测指标的监测数值，据此统计第一分析实验组的环境差异度δ1。
可理解地，统计第一分析实验组的环境差异度，包括：W21、将各第一分析实验组在各培养日内各环境监测指标的监测数值记为Hjrf，j表示第一分析实验组编号，j＝1,2,......m，r表示培养日编号，r＝1,2,......q，f表示第f个环境监测指标，f＝1,2,......w。
W22、将第一留存实验组在各培养日内各环境监测指标的监测数值记为Hrf，统计各第一分析实验组的环境偏差度δj，ΔH为设定许可监测数值差，q为培养日数目，w为环境监测指标数目。
W23、统计环境偏差度大于0的第一分析实验组数，作为环境偏差实验组数，若将/>作为第一分析实验组的环境差异度δ1，m为第一分析实验组数。
W24、若则将/>作为第一分析实验组的环境差异度δ1。
W25、若则将/>作为第一分析实验组的环境差异度δ1。
W3、按照δ1的分析方式同理统计第二分析实验组的环境差异度δ2以及第三分析实验组的环境差异度δ3。
W4、若存在δ1≥δ′或者δ2≥δ′或者δ3≥δ′时，将培养环境作为培养干扰项，δ′为设定的参照环境差异度，若δ1、δ2和δ3均小于δ′，则将氘浓度设置作为培养干扰项。
本发明实施例通过进行目标培养细胞的培养干扰项分析，并分析目标培养细胞的推荐更新培养方案，有效弥补了当前未对细胞培养数据进行进一步分析的不足，为后续细胞培养实验的进一步优化提供了可靠的依据，并且还提高了已有细胞培养实验数据的利用率，从而显著提升了对后续实验的辅助效果，提升了后续细胞培养的稳定性和可持续性。
所述培养优化分析模块，用于根据目标培养细胞的培养干扰项，分析目标培养细胞的推荐更新培养方案。
示例性地，分析目标培养细胞的推荐更新培养方案，包括：若目标培养细胞的培养干扰项为培养环境，则从目标培养细胞的培养相关数据中提取环境监测指标的监测频率p环。
将环境偏差实验组数记为J偏，设置环境监测指标适宜监测频率p适，p0为单位环境差异趋向因子对应增加环境指标监测频率，将p适作为目标培养细胞的推荐更新培养方案。
若目标培养细胞的培养干扰项为氘浓度设置，确定适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间，并作为目标培养细胞的推荐更新培养方案。
若目标培养细胞的培养干扰项包括培养环境和氘浓度设置，将p适以及适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间作为目标培养细胞的推荐更新培养方案。
在一个具体实施例中，适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间的确定方式为确定原理相同，其中，适宜低氘浓度实验区间的设定方式为：
将实验现象表征代表度小于设定实验现象表征代表度的第一备选实验组作为第一可选实验组。
提取各第一可选实验组中氘浓度，将各第一可选实验组中氘浓度以及第一留存实验组中氘浓度依次在数轴上进行标注，以数值的增长方向为数值右方向，得到各标注点，提取位于数轴最左侧标注点对应的氘浓度以及位于数轴最右侧标注点对应的氘浓度，将这两氘浓度组成适宜低氘浓度实验区间。
所述数据管理终端，用于根据目标培养细胞对应培养相关数据和留存数据的存储路径，进行对应存储，同时将目标培养细胞的推荐更新培养方案反馈至目标培养细胞的培养管理人员。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种生物实验室细胞培养数据智能管理系统，其特征在于：该系统包括：
培养数据提取模块，用于提取目标培养细胞的培养相关数据；
数据留存确认模块，用于根据目标培养细胞的培养相关数据，确认目标培养细胞的留存数据；
数据存储设置模块，用于进行数据存储设置，得到目标培养细胞对应培养相关数据和留存数据的存储路径；
培养数据分析模块，用于进行目标培养细胞的培养干扰项分析，得到目标培养细胞的培养干扰项；
培养优化分析模块，用于根据目标培养细胞的培养干扰项，分析目标培养细胞的推荐更新培养方案；
数据管理终端，用于根据目标培养细胞对应培养相关数据和留存数据的存储路径，进行对应存储，同时将目标培养细胞的推荐更新培养方案反馈至目标培养细胞的培养管理人员。
2.如权利要求1所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述确认目标培养细胞的留存数据，包括：
从目标培养细胞的培养相关数据中提取各培养实验组对应培养基中的氘浓度，并提取各培养实验组的记录实验数据；
基于各培养实验组中的氘浓度，对各培养实验组进行梯队划分，得到各第一梯队培养实验组、各第二梯队培养实验组和各第三梯队培养实验组；
从各第一梯队培养实验组的记录实验数据中定位出细胞活力实验数据，进而提取目标培养细胞的初始轮廓和初始直径，并提取目标培养细胞在各次传代时的增殖细胞数目、分裂频率、分裂速率以及各增殖细胞的轮廓和直径，据此统计各第一梯队培养实验组对应活性实验特征指标值，记为(Z1)i，i表示第一梯队培养实验组编号，i＝1,2,......n；
从各第一梯队培养实验组的记录实验数据中定位出细胞生长实验数据，进而提取接种后目标培养细胞在各设定培养监测时间点内的数目以及接种后目标培养细胞的衰老比例，据此统计各第一梯队培养实验组对应生长实验特征指标值，记为(Z2)i；
将作为各第一梯队培养实验组的实验现象表征代表度，并将实验表征现象代表度最高的第一梯队培养实验组作为第一留存实验组，Z′1、Z′2分别为设定参照的活性实验特征指标值、生长实验特征指标值；
按照第一留存实验组的分析方式同理分析得到第二留存实验组和第三留存实验组，将第一留存实验组、第二留存实验组以及第三留存实验组的氘浓度和记录实验数据作为目标培养细胞的留存数据。
3.如权利要求2所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述对各培养实验组进行梯队划分，包括：
将各培养实验组中的氘浓度与设定细胞培养对应的低氘浓度区间、中氘浓度区间和高氘浓度区间进行对比；
若某培养实验组中的氘浓度位于低氘浓度区间内，将该培养实验组标记为第一梯队培养实验组；
若某培养实验组中的氘浓度位于中氘浓度区间内，将该培养实验组标记为第二梯队培养实验组；
若某培养实验组中的氘浓度位于高氘浓度区间内，将该培养实验组标记为第三梯队培养实验组，以此对各培养实验组进行梯队划分。
4.如权利要求2所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述统计各第一梯队培养实验组对应活性实验特征指标值，包括：
以传代次序为横坐标，以增殖细胞数目为纵坐标，构建各第一梯队培养实验组的传代增殖变化曲线，并与设定的目标培养细胞的参照传代增殖变化曲线进行重合对比，将重合曲线长度与参照传代增殖变化曲线长度的比值作为传代相似比，以此得到各第一梯队培养实验组的传代相似比(k相)i；
将各第一梯队培养实验组在各次传代时的分裂频率和分裂速率分别记为pit和vit，t表示传代次序编号，t＝1,2,......u，统计各第一梯队培养实验组的分裂吻合度βi；
将在各次传代时各增殖细胞的轮廓、直径分别与目标培养细胞的初始轮廓、初始直径进行对应对比，据此确认各第一梯队培养实验组对应培养细胞异形度
统计各第一梯队培养实验组对应活性实验特征指标值(Z1)i， 分别为设定的参照传代相似比、分裂吻合度、细胞异形度，Z′为设定的额定活性实验特征指标值。
5.如权利要求2所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述各第一梯队培养实验组的分裂吻合度的具体统计公式如下：p′t、v′t分别为设定的目标培养细胞在第t次传代时参照的基准分裂频率、基准分裂速率，u为传代次数。
6.如权利要求2所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述统计各第一梯队培养实验组对应生长实验特征指标值，包括：
以时间为横坐标，以目标培养细胞数目为纵坐标，构建各第一梯队培养实验组对应目标培养细胞的生长曲线，并从中进行幅值、斜率和波动点数目提取，分别记为Ai、(k生)i和Mi；
将各第一梯队培养实验组对应接种后目标培养细胞的衰老比例记为(k衰)i；
统计各第一梯队培养实验组对应生长实验特征指标值(Z2)i，e为自然常数，A′、k′生、M′、k′衰分别为设定的目标培养细胞参照的生长幅值、生长曲线斜率、生长曲线波动点数目、衰老比例，Δk′生为设定许可生长曲线斜率差，Z″为设定的额定生长实验特征指标值。
7.如权利要求1所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述进行数据存储设置，包括：
将目标细胞的培养相关数据的数据存储属性标记为留档，将目标细胞的留存数据的数据存储属性标记为调用；
将存储云空间作为数据存储属性为留档的存储路径，将调用云空间作为数据存储属性为调用的存储路径。
8.如权利要求2所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述进行目标培养细胞的培养干扰项分析，包括：
从各第一梯队培养实验组中过滤出第一留存实验组，将过滤后的各第一梯队培养实验组作为各第一备选实验组，若某第一备选实验组的实验现象表征代表度小于设定实验现象表征代表度，则将该第一备选实验组作为第一分析实验组；
从目标培养细胞的培养相关数据中提取各第一分析实验组和第一留存实验组在各培养日内各环境监测指标的监测数值，据此统计第一分析实验组的环境差异度δ1；
按照δ1的分析方式同理统计第二分析实验组的环境差异度δ2以及第三分析实验组的环境差异度δ3；
若存在δ1≥δ′或者δ2≥δ′或者δ3≥δ′时，将培养环境作为培养干扰项，δ′为设定的参照环境差异度，若δ1、δ2和δ3均小于δ′，则将氘浓度设置作为培养干扰项。
9.如权利要求8所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述统计第一分析实验组的环境差异度，包括：
将各第一分析实验组在各培养日内各环境监测指标的监测数值记为Hjrf，j表示第一分析实验组编号，j＝1,2,......m，r表示培养日编号，r＝1,2,......q，f表示第f个环境监测指标，f＝1,2,......w；
将第一留存实验组在各培养日内各环境监测指标的监测数值记为Hrf，统计各第一分析实验组的环境偏差度δj，ΔH为设定许可监测数值差，q为培养日数目，w为环境监测指标数目；
统计环境偏差度大于0的第一分析实验组数，作为环境偏差实验组数，若将/>作为第一分析实验组的环境差异度δ1，m为第一分析实验组数；
若将/>作为第一分析实验组的环境差异度δ1；
若将/>作为第一分析实验组的环境差异度δ1。
10.如权利要求9所述的一种生物实验室细胞培养数据智能管理系统，其特征在于：所述分析目标培养细胞的推荐更新培养方案，包括：
若目标培养细胞的培养干扰项为培养环境，则从目标培养细胞的培养相关数据中提取环境监测指标的监测频率p环；
将环境偏差实验组数记为J偏，设置环境监测指标适宜监测频率p适，p0为单位环境差异趋向因子对应增加环境指标监测频率，将p适作为目标培养细胞的推荐更新培养方案；
若目标培养细胞的培养干扰项为氘浓度设置，确定适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间，并作为目标培养细胞的推荐更新培养方案；
若目标培养细胞的培养干扰项包括培养环境和氘浓度设置，将p适以及适宜低氘浓度实验区间、适宜中氘浓度实验区间和适宜高氘浓度实验区间作为目标培养细胞的推荐更新培养方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311819064.XA CN117789835B (zh) | 2023-12-27 | 2023-12-27 | 一种生物实验室细胞培养数据智能管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311819064.XA CN117789835B (zh) | 2023-12-27 | 2023-12-27 | 一种生物实验室细胞培养数据智能管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117789835A true CN117789835A (zh) | 2024-03-29 |
| CN117789835B CN117789835B (zh) | 2024-06-04 |
Family
ID=90390360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311819064.XA Active CN117789835B (zh) | 2023-12-27 | 2023-12-27 | 一种生物实验室细胞培养数据智能管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117789835B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609727A (zh) * | 2017-07-25 | 2018-01-19 | 北京呈诺医学科技有限公司 | 一种细胞培养实验室综合管理系统及方法 |
| CN110997928A (zh) * | 2017-08-08 | 2020-04-10 | 东京毅力科创株式会社 | 判定多能干细胞的未分化状态的方法、多能干细胞的传代培养方法及这些方法中使用的装置 |
| CN112870229A (zh) * | 2021-03-01 | 2021-06-01 | 河南省银丰生物工程技术有限公司 | 一种用于治疗膝骨关节炎的间充质干细胞制剂及其研究方法 |
| CN113962569A (zh) * | 2021-10-26 | 2022-01-21 | 冰山松洋生物科技(大连)有限公司 | 一种基于云服务的生物实验室综合管理系统 |
| CN216772105U (zh) * | 2021-05-10 | 2022-06-17 | 昆明市延安医院 | 培养心肌细胞搏动传感器 |
| CN114677033A (zh) * | 2022-04-06 | 2022-06-28 | 湖北康协生物科技有限公司 | 一种实验室培育数据全周期流程智能监测分析管理系统 |
| CN116783277A (zh) * | 2021-01-04 | 2023-09-19 | 赛尔维沃有限责任公司 | 从细胞培养装置进行图像分析和非侵入性数据收集 |
| CN219951065U (zh) * | 2023-05-05 | 2023-11-03 | 英诺维尔智能科技（苏州）有限公司 | 一种全自动化细胞株构建实验室 |
| CN117070365A (zh) * | 2023-07-11 | 2023-11-17 | 北京戴纳实验科技有限公司 | 一种微重力细胞培养系统 |
-
2023
- 2023-12-27 CN CN202311819064.XA patent/CN117789835B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609727A (zh) * | 2017-07-25 | 2018-01-19 | 北京呈诺医学科技有限公司 | 一种细胞培养实验室综合管理系统及方法 |
| CN110997928A (zh) * | 2017-08-08 | 2020-04-10 | 东京毅力科创株式会社 | 判定多能干细胞的未分化状态的方法、多能干细胞的传代培养方法及这些方法中使用的装置 |
| CN116783277A (zh) * | 2021-01-04 | 2023-09-19 | 赛尔维沃有限责任公司 | 从细胞培养装置进行图像分析和非侵入性数据收集 |
| CN112870229A (zh) * | 2021-03-01 | 2021-06-01 | 河南省银丰生物工程技术有限公司 | 一种用于治疗膝骨关节炎的间充质干细胞制剂及其研究方法 |
| CN216772105U (zh) * | 2021-05-10 | 2022-06-17 | 昆明市延安医院 | 培养心肌细胞搏动传感器 |
| CN113962569A (zh) * | 2021-10-26 | 2022-01-21 | 冰山松洋生物科技(大连)有限公司 | 一种基于云服务的生物实验室综合管理系统 |
| CN114677033A (zh) * | 2022-04-06 | 2022-06-28 | 湖北康协生物科技有限公司 | 一种实验室培育数据全周期流程智能监测分析管理系统 |
| CN219951065U (zh) * | 2023-05-05 | 2023-11-03 | 英诺维尔智能科技（苏州）有限公司 | 一种全自动化细胞株构建实验室 |
| CN117070365A (zh) * | 2023-07-11 | 2023-11-17 | 北京戴纳实验科技有限公司 | 一种微重力细胞培养系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈海英: ""空间多指标生物分析系统显控软件设计与实现"", 《信息科技辑》, 15 March 2018 (2018-03-15), pages 1 - 5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117789835B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992227B (zh) | 一种校企结合职业技能人才培养系统和方法 | |
| CN108074243A (zh) | 一种细胞定位方法以及细胞分割方法 | |
| CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
| CN109086964A (zh) | 基于随机森林的mr覆盖率影响因素判定方法 | |
| CN108872032A (zh) | 沉积物粒度数据处理方法及装置 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| CN112380499A (zh) | 一种区域自动气象站客观分群方法 | |
| CN111814528B (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
| CN117789835B (zh) | 一种生物实验室细胞培养数据智能管理系统 | |
| CN118174276A (zh) | 一种低压光伏台区相序自动识别方法及装置 | |
| Jerono et al. | Parameter identification of a yeast batch cell population balance model | |
| Pernestål et al. | A simple model for density of annual rings | |
| CN111178383A (zh) | 一种基于多核支持向量机的电池单体品质分类方法 | |
| CN118471326B (zh) | 一种细胞培养过程数据分析方法、系统、设备及介质 | |
| Koyama et al. | Black spruce assimilates nitrate in boreal winter | |
| CN108986554B (zh) | 一种基于模糊综合评判的空域扇区拥挤程度动态识别方法 | |
| CN115297506B (zh) | 一种基于大数据的地铁线路网络智能测评方法和系统 | |
| Nechita | The influence of early wood and late wood to emergence of pointer years in oak trees. | |
| Doerder et al. | Evolutionary constraints on quantitative variation and regulation of macronuclear dna content in the genus Tetrahymena | |
| Bachtiar et al. | Corporate transformation, digital culture, and employee performance in a digital company | |
| CN117057594B (zh) | 实验室样本培育数据监测系统 | |
| CN113516547B (zh) | 一种语音播报式分级信用卡客户风险预警系统 | |
| CN113159977B (zh) | 一种基于生长模型的主导树种径阶分布方法 | |
| Weng et al. | Construction of amniotic cell line with chromosomal abnormalities and its application in the quality control of chromosome karyotype analysis | |
| WUa et al. | A Model of Talent Management in Universities Based on Decision Tree and Correlation Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |