CN119173948A - 用于检测免疫测定中的分析物的计算机实现的方法 - Google Patents

Abstract

提供了用于检测免疫测定中的一个或多个分析物的计算机实现的系统和方法。本公开的实施方案系统和方法可使用关于分析物的免疫测定参考数据来训练机器学习网络，并输出一组目标实验输入参数以检测该分析物。机器学习网络可利用接收到的数据来生成目标参数，并且可开发免疫测定参数集来检测和/或定量分析物。本公开的计算机实现的系统和方法还可生成用于免疫测定的故障排除辅助输出。

Description

用于检测免疫测定中的分析物的计算机实现的方法

相关申请的交叉引用

本申请要求于2022年12月9日提交的美国临时申请63/386814号和于2021年12月30日提交的美国临时申请63/295160号的权益，每份申请均以全文引用的方式并入本文中。

技术领域

本公开的实施方案通常涉及用于检测和/或量化分析物的计算机实现的方法，并且更具体地，涉及通过免疫测定方法检测和/或定量分析物。

背景技术

免疫测定实验设计技术通常利用经验检验方法来识别最佳参数并故障排除问题。这些经验方法(例如试错试验)在时间和资源方面可能效率较低。例如，一些免疫测定方法(诸如免疫印迹方法或蛋白质印迹方法)由于预优化的局限性并不易于扩展，并且当引入多变量优化时，优化测定很快变得更加复杂和耗时。

优化免疫测定性能的关键因素在于确定最佳试剂和实验参数，以确保免疫测定中的检测成功。试剂的选择，连同分析物或蛋白质浓度和抗体稀释度都是确保免疫测定实验中的检测成功的考虑因素。这些最佳变量值通常以实验方式确定。

尽管优化技术(例如使用基于最佳猜测的经验值和/或测试单个实验的一系列值)非常耗费时间并且成本高昂，但它们在蛋白质印迹实验和涉及成像器和印迹装置等仪器的工作流程中尤其常见，例如但不限于iBright FL1500^TM、iBlot^TM和化学发光检测技术。

其他因素(例如，基于分析物丰度、抗体结合变化和选择敏感性检测底物的免疫测定参数的优化)可对实验数据造成干扰，并导致误导性数据、错误和客户不满。此外，由于在建立和执行免疫测定时蛋白质制备、蛋白质形式和实验参数的变量发生变化，在检测分析物时也可能会造成干扰。

发明内容

本公开的实施方案涉及用于检测诸如免疫测定等的测定中的一个或多个分析物的计算机实现的系统和方法。本公开的实施方案系统和方法可使用关于分析物的免疫测定参考数据来训练机器学习网络，并输出一组目标实验输入参数以检测该分析物。机器学习网络可利用所接收到的数据来生成目标参数，并且开发或生成免疫测定参数集以检测和/或定量分析物。本公开的计算机实现的系统和方法还可生成用于免疫测定的故障排除辅助输出。

实施方案涉及用于生成和输出目标参数(例如但不限于目标实验输入参数)以实现免疫测定，和/或用于检测免疫测定中的一个或多个分析物，和/或用于操作一个或多个免疫测定支持系统和设备的计算机实现的系统和方法。在一些实施方案中，生成和输出目标实验输入参数是为了改进或优化通过免疫测定对分析物的检测。一些实施方案利用半自动化方法从标准免疫印迹数据中提取数据，使用经验证的免疫印迹数据来训练机器学习模型，并且应用参考数据集来生成和/或输出和/或预测用于免疫测定的目标实验参数。目标参数可包括输入变量，例如实验输入变量(诸如样品浓度、蛋白质浓度、检测试剂和目标负载浓度等)。目标负载浓度可有助于实现所期望的结果，并且可基于相对于样品(例如包括一个或多个分析物的样品，疑似包括一个或多个分析物的样品)、特定分析物等产生的实验类型。

在一些实施方案中，用于检测测定(例如免疫测定)中的一个或多个分析物的系统和方法，该方法包括：使用免疫测定参考数据来训练机器学习网络，该免疫测定参考数据包括多组参考输入参数和对应的参考分析物检测数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符；将该机器学习网络应用于该免疫测定参考数据以基于该分析物识别目标参数；基于该目标参数确定免疫测定参数集，其中该免疫测定参数集包括该分析物中的至少一种分析物的负载浓度和检测试剂。

在各个实施方案中，参考数据集包括来自大量抗体验证数据集的实验数据。在一些示例中，大规模数据集可跨越大量细胞和组织集上的25000多个数据点。此类数据可手动创建，并且包括所分类的数据，所分类的数据展示了从细胞或组织裂解物中检测蛋白质的各种负载浓度，检测试剂和抗体亲和性。

实施方案可进一步利用机器学习和统计学习模型来生成和输出目标参数和/或指导用户进行目标负载和试剂选择。因此，结果可提供对因果变量的深入了解，以优化免疫测定性能，并且生成针对试剂选择、阻断剂、稀释度范围的推荐，其中该稀释度范围可包括样品稀释度范围、抗体稀释度范围和试剂稀释度范围，例如蛋白质载量和检测试剂等。

机器学习模型的实施方案可独特地将细胞和组织蛋白质丰度的关键参考数据(例如样品类型的丰度)与一系列免疫测定的实验性能数据的训练数据集结合到一起，并且进一步利用来自多个克隆性和物种特异性主链的抗体的实验数据。这些技术还可利用具有目标结合亲和性、负载值、多个检测敏感度和细胞系的数据集来导出输出值(诸如每个蛋白质丰度值的结合变化等)等。

这些技术可应用于临床、研究、学术或诊断环境等。在各个实施方案中，系统和方法可在具有图形用户界面的计算装置上执行，例如网络工具、应用程序或其他显示器。此类实现方式可执行以下中的一者或多者：用于单重测定的实验设计工具和推荐器、解决问题功能、实验工具上的功能扩展、用户云账户、故障排除模块、优化模块、用于多重设计的许可的可执行程序、具有仪器控制的功能以及用于多重测定的分析软件。实现方式可还包括自动化接口，该自动化接可模拟免疫测定实验的检测，并且分析理论实验输出。

因此，本公开的系统和方法可向最终用户提供关于目标分析物检测和定量的目标实验参数的信息。示例性分析物包括但不限于半抗原、激素、核酸、肽、经修饰的肽、蛋白质或前述分析物的任何一个分析物的经修饰的形式。用于定量蛋白质检测设计的工具可为自动化工具，并且根据其他实施方案可确定用于非饱和信号的蛋白质裂解物的目标负载值。用于目标实验设计的各种计算选择方案可包括实验设计选择符和用于细胞系选择的代码。

所公开的技术的附加优点和方面包括通过软件接口向最终用户通知用于检测和定量免疫印迹测定(例如蛋白质印迹测定)中的蛋白质的目标蛋白质载量。输出可通知检测的范围，以提供关于抗体浓度和检测试剂选择的推荐，以实现蛋白质的最佳检测，例如目标范围内的检测。在实施方案中，目标范围可基于一个或多个因素来定义，包括但不限于用户选择、实现特定结果的范围(例如可见性、识别或分析物)，或者其他明确的标准。因此，这些工具可告知用户在免疫测定中选择和设计多重蛋白质检测的最佳变量，并有助于实验设计、优化和故障排除。

所公开的技术的实施方案还包括手动和自动图像分析工具，以从免疫测定和免疫印迹数据中提取蛋白质检测值。此类实施方案可将蛋白质检测匹配到蛋白质丰度或转录物丰度的参考值。系统可应用方法来清理和拟合数据，以排除关于蛋白质不稳定性的异常数据，并对一系列细胞系中的变量数据(例如抗体克隆性、检测敏感性、负载浓度和蛋白质丰度)进行分类。可使用一个或多个统计模型、机器学习模型或它们的组合对数据集进行建模、训练和测试。

在特定示例中，所公开的技术的实施方案可从标准免疫印迹实验(例如蛋白质印迹)中提取蛋白质检测信息。实施方案可对蛋白质丰度、克隆性、检测进行建模，并选择多重蛋白质检测和目标负载检测值。

一种用于免疫测定中的分析物检测的计算机实现的方法，该方法可包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数，其中该实验输入参数包括分析物；将机器学习网络应用于免疫测定参考数据以基于该分析物识别目标参数；并且基于该目标参数确定免疫测定参数集，其中该输出免疫测定参数集包括分析物中的至少一个分析物的负载浓度和检测试剂。在一些实施方案中，该分析物中的至少一个分析物的负载浓度包括包含该分析物的样品的负载浓度。在一些实施方案中，该分析物中的至少一个分析物的负载浓度包括包含该分析物的样品的负载浓度，其中该样品可位于样品缓冲液中。在一些实施方案中，该分析物中的至少一个分析物的负载浓度包括缓冲液或溶液或混合物中包含的该分析物的负载浓度。

在各个实施方案中，免疫测定参考数据包括蛋白质印迹数据、多重蛋白质印迹捕获、定量数据、任选地表示蛋白质相对丰度的该定量数据、分类数据、蛋白质检测数据和免疫细胞术数据中的至少一个数据。

训练输入参数可包括以下中的一者或多者：用户输入、分析物类型、蛋白质类型、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系，一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数(例如，凝胶组成、凝胶孔隙率等)、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体浓度/稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。在实施方案中，训练输入参数可包括用户输入。例如，在单重实验中，训练输入可包括蛋白质种类、细胞系、裂解物浓度和抗体稀释度。在多重实验和故障排除实验中，训练输入可包括指示变量(例如一组蛋白质)的用户输入。在建模操作中，训练输入可包括变量的一组范围。变量可涉及与实验相关一个或多个参数、所需的输入或输出以及与免疫测定实验或设备相关的其他信息。

免疫测定参数集可指示用于执行免疫测定实验的一个或多个变量、设置和实验输入的输出或预测或生成。免疫测定参数集可包括以下中的一者和多者：例如细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体克隆性、抗体类型、抗体结合位点、抗体稀释度范围、样品稀释度范围、试剂稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、该分析物中的至少一个分析物的负载浓度的目标范围，其中在一些实施方案中，该分析物包含在样品中，和/或包含在缓冲液、样品缓冲液、溶液和/或混合物中，克隆性、抗体类型、检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐，抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型、生成或输出或推荐的检测试剂、抗体类型、抗体负载浓度/稀释度、蛋白质裂解物浓度、目标细胞系、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物定位。在实施方案中，分析物可位于一些位置中，例如分析物可从细胞中分泌；分析物存在于细胞外液中；分析物重组地表达并靶向非原生部位；分析物以细胞内方式存在于一个或多个细胞隔室中；在生物化学上进行分级，和/或解析生物物理/生物化学特性(例如在蛋白质印迹或等电聚焦中)

一种用于检测免疫测定中的一个或多个分析物的系统，该系统包括：至少一个计算装置，该计算装置包括处理器和至少一个存储器，该至少一个存储器存储指令，该指令在由所述处理器执行时使得该计算装置：接收包括多组输入参数和对应分析物检测数据的免疫测定参考数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符和克隆性；将机器学习网络应用于该免疫测定参考数据以基于该分析物识别目标参数；基于该目标参数来确定免疫测定参数集；并且提供该免疫测定参数集，其中该免疫检测参数集包括样品、缓冲液、溶液和/或混合物中包含的分析物中的至少一个分析物的负载浓度和检测试剂。

在一些实施方案中，在本公开的系统中，该至少一个存储器存储指令，该指令在由所述处理器执行时进一步使得该计算装置：基于该实验输入参数提取相关免疫测定参考数据；确定该实验输入参数和对应的参考分析物检测数据之间的关系；并且确定或生成用于检测该分析物的目标参数。

在一些实施方案中，在本公开的系统中，该至少一个存储器存储指令，该指令在由该处理器执行时使得该计算装置：将该相关免疫测定参考数据分类为变量；并且应用统计模型来确定两个或更多个变量之间的关系；并且使用两个或更多个变量之间的关系来训练机器学习网络。

在一些实施方案中，在本公开的系统中，该指令进一步使该计算装置从表示实验免疫测定数据的图像中提取免疫测定参考数据。

在一些实施方案中，本公开的系统还包括用户界面，并且该用户界面包括仪器控制台、网络工具、图形用户界面和计算装置上的显示器中的至少一者。

在一些实施方案中，本公开包括存储指令的非暂态算机可读介质，该指令在由一个或多个处理器执行时，使装置执行本文所述的该方法中的一种方法。

在一些实施方案中，本公开的计算机实现的方法用于操作免疫测定仪器支持装置，并且该计算机实现的方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数，该实验输入参数包括与该免疫测定实验相关的至少一个变量；接收指示以下中的至少一者的问题的信息：该免疫测定参考数据、实验输入参数和免疫测定实验的结果；将机器学习网络应用于该免疫测定参考数据以基于该问题识别目标参数；并且基于该目标参数确定要解析的免疫测定参数集。

示例性问题包括但不限于分析物检测问题或免疫测定参考数据提取问题中的至少一者。在一些实施方案中，问题涉及从指示实验免疫测定数据的图像中提取免疫测定参考数据。

在一些实施方案中，本公开的计算机实现的方法用于操作免疫测定仪器支持装置，并且该计算机实现的方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数；接收用于免疫测定实验的至少一个目标变量；将机器学习网络应用于该免疫测定参考数据以基于该目标变量识别目标参数；并且基于该目标参数来确定用于获取该目标变量的免疫测定参数集，其中该目标变量为分析物。在实施方案中，一组实验输入参数表示一种实验方法。非限制性实验方法包括蛋白质印迹方法、免疫印迹方法、转移方法和利用蛋白质凝胶的方法。

在一些实施方案中，用于操作免疫测定仪器支持装置以实现免疫印迹的本公开的计算机实现的方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫印迹参考数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符；将机器学习网络应用于该免疫印迹参考数据以基于该分析物识别目标参数；并且基于该目标参数确定免疫测定参数集，其中该免疫测定参数集包括样品、缓冲液、混合物和/或溶液中包含的分析物中的至少一个分析物的负载浓度和检测试剂。

在一些实施方案中，用于操作免疫测定仪器支持装置以实现免疫印迹的本公开的计算机实现的方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫印迹参考数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符；将机器学习网络应用于该免疫印迹参考数据以基于该分析物识别目标参数；并且基于该目标参数确定免疫测定参数集，其中该免疫测定参数集包括样品、缓冲液、混合物和/或溶液中包含的分析物中的至少一个分析物的负载浓度和检测试剂。

在本公开的一些实施方案中，一种用于操作免疫测定仪器支持装置的方法，该方法包括：接收免疫测定参考数据，该免疫测定参考数据包括多组参考输入参数和对应的参考分析物检测数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符和单细胞信息；将机器学习网络应用于该免疫测定参考数据，以基于分析物的标识符来识别目标参数；并且基于该目标参数确定用于检测该单细胞中的多个蛋白质的免疫测定参数集，其中该免疫测定参数集包括样品中包含的分析物中的至少一个分析物的负载浓度和检测试剂。单细胞的非限制性示例包括以下中的一者或多者：通过显微镜形态学识别的细胞系或细胞谱系，使用一个或多个生物标志物标签分类/追踪的，表达荧光报告基因的细胞，或作为分离的原代细胞系或所维持的细胞系培养的细胞。单细胞信息的非限制性示例可包括以下中的一者或多者：转录物丰度、分析物(诸如蛋白质、核酸等)定位信息或分析物/蛋白质丰度的蛋白质组数据(诸分析物/蛋白质丰度的质谱研究等)、蛋白质转译后修饰(诸如聚糖修饰、磷酸化、泛素化、类泛素化、脂锚等)。

一些实施方案描述了用于操作免疫测定仪器支持装置以进行基于流的免疫测定的计算机实现的方法，该方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据，其中该免疫测定参考数据包括至少一组基于流的免疫测定数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符和单细胞信息；将机器学习网络应用于包括基于流的免疫测定数据的该免疫测定参考数据，以基于该分析物识别目标参数；并且基于该目标参数确定用于检测该单细胞中的多个蛋白质的免疫测定参数集，其中该免疫测定参数集包括样品中包含的分析物中的至少一个分析物的负载浓度和检测试剂。

在一些实施方案中，单细胞信息可为表面标志物、分泌的分析物或细胞内标志物的数据。这种单细胞信息可来源于流式细胞术、图像分析或蛋白质定位研究。

示例性非限制性流式测定包括测定，该测定要对具有不同丰度的一组分析物/蛋白质进行分析，并且要匹配的染料强度与分析物/蛋白质丰度值成反比。在这些示例中，一个实施方案是细胞类型表达一组分析物(蛋白质或蛋白质修饰目标抗体)，并且包括识别适合于在实验中同时研究用户选择的该组分析物的细胞。另一个实施方案是基于染料强度和所预期的分析物丰度来选择导致最佳光谱补偿的一组抗体和染料。

因此，所公开的技术的实施方案包括用于以下一个或多个操作的系统和方法：应用机器学习来改进免疫测定中的检测；并且/或者经由诸如用户界面等输入参数并且接收目标免疫测定参数集的输出，将各种技术应用于计算机、网络工具或其他硬件装置；和/或故障排除问题。此类技术可应用于蛋白质印迹方法、基于珠粒的测定、多个分析物的分析、多个分析物的检测、多个蛋白质的分析、多个蛋白质的检测、分析物成像、蛋白质成像、基于流式细胞术的检测以及荧光和染料检测。

附图说明

当结合附图阅读时，将进一步理解发明内容和以下具体实施方式。出于说明所公开的主题的目的，在附图中展示了所公开的主题的示范性实施方案；然而，所公开的主题不限于所公开的具体方法、组合物和装置。另外，附图不一定按比例绘制。在附图中：

图1示出了根据所公开的技术的实施方案的用于提供推荐的示例流程图。

图2示出了根据所公开的技术的实施方案的用于预测分析物检测的目标参数的示例流程图。

图3示出了根据所公开的技术的实施方案的蛋白质丰度、克隆性和检测之间的模型关系。

图4示出了根据所公开的技术的实施方案的免疫测定剂量响应曲线。

图5示出了根据所公开的技术的实施方案的线性和逻辑剂量响应模型。

图6示出了根据所公开的技术的实施方案的机器学习模型的实现方式。

图7示出了根据所公开的技术的实施方案的多重蛋白质检测流程图。

图8示出了根据所公开的技术的实施方案的示例用户界面输出。

图9示出了根据所公开的技术的实施方案的示例用户界面输出。

图10示出了根据所公开的技术的实施方案的免疫测定实验。

图11示出了根据所公开的技术的实施方案的免疫测定实验。

图12示出了根据所公开的技术的实施方案的免疫测定实验。

图13示出了根据所公开的技术的实施方案的免疫测定实验。

图14示出了根据所公开的技术的实施方案的免疫测定实验。

图15示出了根据所公开的技术的实施方案的基于目标丰度的预测。

图16示出了根据所公开的技术的实施方案的计算系统。

图17示出了根据所公开的技术的实施方案的基于分析物来识别实验的目标参数的方法。

图18示出了根据所公开的技术的实施方案的确定用于免疫测定实验中的细胞系推荐的方法。

图19示出了根据所公开的技术的实施方案的对免疫测定实验中使用的细胞系推荐进行排序的方法。

图20示出了根据所公开的技术的实施方案的确定用于免疫测定实验的细胞系推荐的方法。

图21示出了根据所公开的技术的实施方案的接收感兴趣分析物并显示免疫测定实验的细胞系推荐的用户界面的一个示例。

图22示出了根据所公开的技术的实施方案的显示免疫测定实验的细胞系推荐的排序顺序的用户界面的一个示例。

图23示出了根据所公开的技术的实施方案的推荐免疫测定实验的特定特征实验推荐的用户界面的一个示例。

图24示出了根据所公开的技术的实施方案的显示免疫测定实验的特定特征的推荐的用户界面的一个示例。

图25是根据所公开的技术的实施方案的用于确定免疫测定中的分析物迁移的方法。

图26示出了根据用所公开的技术的实施方案的免疫测定实验的示例图。

图27示出了根据所公开的技术的实施方案的用于可用于免疫测定实验中确定条带的迁移的系统的方法。

图28示出了根据所公开的技术的实施方案的用于用户负载免疫印迹数据以分析免疫印迹和分析物迁移的用户界面的一个示例。

图29A图29B示出了根据所公开的技术的实施方案的接收免疫测定实验的实验数据的用户界面的一个示例。

图30A图30B示出了根据所公开的技术的实施方案的免疫测定实验的分析结果的用户界面的一个示例。

图31示出了根据所公开的技术的实施方案报告的具有多个感兴趣条带的免疫印迹的示例。

将参考附图来描述本发明的各个方面。元素首次出现的图形通常由对应参考号中最左边的数字表示。

具体实施方式

通过参考结合形成此公开的一部分的附图和示例的以下具体实施方式，可以更容易地理解本公开。应理解，此公开不限于本文中所描述和/或示处的特定装置、方法、应用、条件或参数，并且本文中所使用的术语仅出于通过示例描述具体实施方案的目的，且不旨在限制所要求保护的主题。

在下文的详细描述中，对″一个方面″、″一方面″、″示例方面″等的引用表明所描述的方面可包括特定的特性、结构或特性，但每个方面不一定包括特定的特性、结构或特征。此外，这些短语不一定指的是相同的方面。此外，当结合一个方面描述特定特性、结构或特性时，无论是否明确描述，结合其他方面实现这种特性、结构、或特性都在本领域技术人员的知识范围内。术语″方面″和″实施方案″可以互换使用。

此外，如在包含所附权利要求的说明书中所使用，单数形式″一″和″所述″包含复数，并且除非上下文另有明确规定，否则对特定数值的引用至少包含那个特定值。如本文中使用的，术语″多个″意指多于一个。当表达一系列值时，另一实施方案包含从一个特定值和/或到其它特定值。类似地，当通过使用先行词″约″将值表达为近似值时，将理解特定值形成另一实施方案。所有范围都是包含性的且可组合的。应当理解，本文中所使用的术语仅出于描述特定方面的目的，并且不旨在为限制性的。

应当了解，为了清楚起见，也可以在单个实施方案中组合提供在单独的实施方案的上下文中本文所描述的所公开主题的某些特征。相反，为了简洁起见，也可以单独提供或以任何子组合提供在单独实施例的上下文中描述的所公开的主题的各种特征。进一步地，对范围中所述值的任何引用包含所述范围内的每个值。出于任何和所有目的，本文中所引用的任何文献全文以引用方式并入本文中。

免疫测定可用于检测样品中特定分析物(例如肽、聚合物、蛋白质等)的存在和/或表达水平。免疫测定是使用标记分子来检测和定量测试样品中的物质，特别是分析物的测试实验。在一些方面中，标记分子可为抗体、寡核苷酸或分析物染色剂(例如考马斯、银染色剂等)。通常，免疫测定使用诸如凝胶电泳等电泳来检测和定量特定的分析物。免疫测定的输出可为称为免疫印迹的图像。预计分析物将基于质量函数(分子量)通过凝胶(或其他膜，取决于所使用的电泳类型)迁移，从而不同质量的分析物可在免疫印迹中被识别为单独的条带。例如，这些技术可用于在蛋白质制备过程中识别和定量蛋白质。

本公开的实施方案描述了用于检测诸如免疫测定等的测定中的一个或多个分析物的系统和方法，该方法包括：使用免疫测定参考数据来训练机器学习网络，该免疫测定参考数据包括多组参考输入参数和对应的参考分析物检测数据；接收一组实验输入参数，其中该实验输入参数包括分析物的标识符；将该机器学习网络应用于该免疫测定参考数据以基于该分析物识别目标参数；基于该目标参数确定免疫测定参数集，其中该免疫测定参数集包括该分析物中的至少一种分析物的负载浓度和检测试剂。本公开的实施方案方法包括计算机实现的方法。

实施方式涉及用于生成和预测目标参数(例如但不限于，目标实验输入参数)以用于免疫测定，和/或用于检测免疫测定中的一个或多个分析物，和/或用于操作一个或多个免疫测定支持系统和设备的系统和方法。在一些实施方案中，生成和预测目标实验输入参数是为了优化免疫测定的测定条件。一些实施方案利用半自动化方法从标准免疫印迹数据中提取数据，使用经验证的免疫印迹数据来训练机器学习模型，并且应用参考数据集来预测目标实验参数以用于免疫测定。目标参数可包括输入变量，例如实验输入变量(诸如样品浓度、蛋白质浓度、检测试剂和目标负载浓度等)。目标负载浓度可有助于实现所期望的结果，并且可基于相对于样品(例如包括一个或多个分析物的样品，疑似包括一个或多个分析物的样品)、特定分析物等产生的实验类型。

具有通过本公开的方法和系统待检测或待定量的分析物的样品的非限制性示例包括：生物样品、水样品、环境样品、空气样品、法医样品、农业样品、药物样品、食品样品。分析物可为天然的或合成的。生物样品可为从真核或原核来源获得的样品。真核来源的非限制性示例包括哺乳动物，例如人、牛、猪、鸡、火鸡、家畜、鱼、螃蟹、甲壳动物、兔子、猎物，和/或鼠类动物，例如大鼠或小鼠。生物样品可包括非限制性示例，例如生物流体、细胞和/或组织(包括血液、血浆、脑脊液、淋巴、骨髓、鼻液/拭子、咽拭子或样品、唾液、尿液、粪便)、细胞样品(包括细胞、单细胞、细胞裂解物、细胞组分和/或来源于细胞的材料)、或组织。

所公开的技术的实施方案可提供目标参数(例如，目标实验输入参数)的输出，以改进诸如免疫测定等的测定中的分析物检测。在一些实施方案中，输出参数技术可利用半自动方法。实施方案还包括从标准免疫印迹数据中提取数据，使用经验证的免疫印迹数据来训练机器学习网络或模型以及应用参考数据集来输出用于目标或所改进的免疫印迹测定的实验参数的方法。

根据所公开的技术的实施方案包括用于应用机器学习以改进免疫测定中的检测的系统和方法；提供或输出目标参数并基于所期望的输入参数；提供实验设计参数输出或推荐；用于分析多个分析物(例如但不限于蛋白质)的方法；用于检测多个分析物(例如但不限于单细胞实验中的蛋白质)的方法；以及在蛋白质印迹实验、基于流的检测、荧光染料检测和基于标签计数的检测方法中的各种应用。

因此，实施方案可独特地将细胞和组织范围内蛋白质丰度的关键参考数据与广泛的免疫印迹测定的实验性能数据的训练数据集相结合；使用来自具有目标结合亲和性的多个克隆性/物种特异性主链的抗体的实验数据来训练模型并且导出每个蛋白质丰度值的结合变化；并且使用来自多个检测敏感度、负载值和细胞系的数据来对输出值进行建模和预测。在示例中，这种关于细胞和组织蛋白质丰度的关键参考数据可表示过去实验中使用的细胞和蛋白质的量、细胞或组织类型，如本文所讨论的。

实施方案可包括验证选择符以及用于细胞系选择和自动化的代码。实施方案还具有在易于使用的界面设计中应用具有先进的机器学习和基于AI的决策模型的庞大训练集并且分析多重蛋白质检测的能力。

如本文所述，多重测定是指可测量多个分析物的免疫测定。因此，多重蛋白质检测是指对多个蛋白质的检测。在一些方面中，多重测定可利用下拉技术、磁珠，以结合抗体、细胞或裂解物制备等。在一些方面中，多重蛋白质检测可利用使用IP-MS、次级抗体酶、染料缀合物、初级缀合物染料或聚合物标签分析的抗体。应当理解，根据本文所讨论的实施方案，可使用本领域已知的多种多重测定、蛋白质、来源、分析物和样品。

本公开的技术独特地至少能够预测免疫测定性能和设计免疫测定，这有助于在临床和诊断环境中使用这些技术，优化蛋白质定量和检测，并优化蛋白质定量的负载和检测敏感性。

所公开的技术还支持多重蛋白质检测的实验规划和设计技术，并通过优化和故障排除免疫印迹测定，确定免疫印迹实验中检测的蛋白质裂解物的目标负载，以及在细胞或组织裂解物中规划多重蛋白质检测来推动精确细胞分析的增长。

图1示出了用于提供本文所讨论的免疫测定设计推荐的实施方案和模型的示例流程图。在110中，实施方案可接收包括多组输入参数的免疫测定参考数据，该输入参数可对应于参考分析物检测数据。免疫测定参考数据可来源于先前的实验，并且可包括来自一组输入参数的结果。在120中，实施方案可接收一组实验输入参数，该实验输入参数包括分析物的标识符和可选的克隆性。在一些方面中，免疫测定参考数据集可包括以下中的一者或多者：细胞和组织蛋白质丰度、以实验方式测定的为抗体所检测到的条带强度、蛋白质转换和半衰期数据、蛋白质同种型数据、蛋白质隔定位、转译后修饰、序列数据和膜拓扑数据。在一些方面中，免疫测定参考数据集可包括这些数据类型中的每一种类型。在一些方面中，免疫测定参考数据集可至少包括这些数据类型。

在实施方案中，分析物的标识符可指分析物的名称。名称可为通用名称、科学名称或分子名称、用户自定义名称、符号、代码或其他提及和识别分析物类型的方法。在实施方案中，克隆性可指单克隆分析物推荐或多克隆分析物中的至少一者。

在130中，实施方案可进一步将一个或多个机器学习网络应用于免疫测定参考数据，以基于分析物识别目标参数。根据一个实施方案，可在步骤130中使用的示例机器学习方法将参照图2进一步讨论。在140中，一旦已经识别出最佳参数，实施方案就可基于目标参数来确定推荐，其中该推荐包括分析物中的至少一个分析物的负载浓度和检测试剂。在150中，可在用户界面上输出推荐。

在实施方案中，该分析物中的至少一个分析物的负载浓度可包括包含在样品中和/或进一步包含在样品缓冲液中的分析物，或包含在溶液、缓冲液或混合物中的分析物，例如具有包括其他细胞组分、其他组织组分的其它样品组分的混合物与或包含一种或多种盐、缓冲液相关组分、稳定剂、化学品、防腐剂等的混合物。在实施方案中，负载浓度可与用于免疫测定实验的分析物的量或其他输入有关。如本文所讨论的，负载浓度可基于免疫测定的类型(例如，免疫印迹测定、基于流的免疫测定、荧光免疫测定、基于凝胶的免疫测定等)、所期望的结果或其他实验因素而变化。

在实施方案中，分析物可包含蛋白质、半抗原、激素、核酸、肽、经修饰的肽或前述分析物的任何一个分析物的经修饰的形式中的至少一者。在实施方案中，经修饰的肽可由甲基化和乙酰化中的至少一者形成。

本文讨论的机器学习模型的实施方案可提供多种实用性，包括但不限于：经由仅有软件界面通知最终用户目标蛋白质载量，以在蛋白质印迹测定中检测和定量蛋白质；通知检测范围以提供关于抗体浓度、裂解物制备、凝胶类型、检测试剂选择的推荐以用于蛋白质的目标检测；以及提供用于免疫测定中多重蛋白质检测的选择和设计的工具以指导实验设计。

实施方案可进一步从指示实验免疫测定数据的图像中提取免疫测定训练和参考数据；接收指示推荐类型的信息，该推荐类型是故障排除解决方案或实验设计中的至少一者；并且基于免疫测定参数集或其他推荐类型更新目标参数。

在实施方案中，最佳的目标参数可涉及以下中的至少一者：免疫印迹方法(例如蛋白质印迹应用)、转移方法(即，涉及免疫测定技术，例如湿转移/电印迹、半干转移/电印迹和干转移/电子印迹)和蛋白质凝胶类型。如本文所述，故障排除解决方案可识别分析物的来源、抗体和稀释度检测信息中的一者或多者。稀释度检测信息可包括但不限于抗体稀释度和试剂稀释度。

图2示出了用于提供最佳分析物检测参数的推荐和/或预测的实施方案和模型的示例流程图。在各个实施方案中，在210中，系统和方法可基于实验输入参数提取相关免疫测定参考数据，如本文所述。在220中，实施方案将相关免疫测定参考数据分类为变量，并且在230中可应用统计模型来确定两个或更多个变量之间的关系。

在240中，一些实施方案可以可选地使用两个或更多个变量之间的所确定的关系来训练机器学习网络和程序。无论是否实施训练步骤，在250中，系统和方法均可确定实验输入参数和对应的参考分析物检测数据之间的关系，如本文所述。因此，在260中，实施方案可预测用于检测分析物的目标参数。

其他的实施方案可识别与分析物的子类感兴趣免疫测定参考数据，确定一个或多个感兴趣分析物的子类，并且基于检测到的分析物子类来更新目标参数，其中分析物的该子类是跨膜蛋白质、不稳定蛋白质、磷酸化修饰、糖基化修饰、转译后修饰、蛋白质形式、蛋白质同种型、蛋白质的裂解变体或蛋白质的突变变体。

应当理解，免疫测定的类型、统计模型、实验输入参数、变量、目标参数、分析物和推荐均可进行自定义，以涵盖各种输入、所期望的输出、实验类型等，包括但不限于以下提供的示例。

在各个实施方案中，实验输入参数可包括来自多个测定的数据。在实施方案中，实验输入参数可包括以下中的一者或多者：分析物的类型(例如，半抗原、激素、核酸、肽、经修饰的肽或前述分析物钟的任何一个分析物的经修饰的形式)、蛋白质类型、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度(例如细胞样品或组织样品的裂解物)、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

与检测数据相关的实验输入参数可还包括化学检测数据(例如，化学底物)、生化检测数据、基于序列的检测、基于扩增的检测和/或荧光检测数据。实验输入参数可还包括分析物的来源、一组蛋白质和细胞系、经由用户界面接收的一组限制，以及定义所期望的实验参数。生成的免疫测定参数集可包括该组变量的确定值和/或推荐值，其中确定推荐值以帮助实现免疫测定实验的所期望的结果。在示例中，分析物的来源可为蛋白质来源，或分析物的其他生物化学来源或分子来源。

在其他实施方案中，实验输入参数可包括检测蛋白质或目标分析物、经由用户界面接收的一组蛋白质和一组限制的至少一者，并且目标参数识别该组限制中的至少一个限制的推荐。该组限制可还包括以下中的至少一者：可用的裂解物、细胞系、组织类型、检测技术、抗体克隆性、半抗原、激素、经修饰的核酸、肽、抗体克隆度、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应(例如，可视化、在表面或介质上的固定、结合效应等)、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度、抗体结合变化，抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性。

在实施方案中，实验输入参数可还包括经由用户界面接收的一组变量，该问题涉及检测，并且该推荐包括该组变量的推荐。该组实验输入参数可表示实验方法，其中实验方法是蛋白质印迹方法、免疫印迹方法、转移方法和利用蛋白质凝胶的方法。

在各个实施方案中，免疫测定可包括免疫测定实验的多种类型和设计中的一者。实施方案可利用例如基于珠粒的免疫测定法，例如多重测定法、利用面板的基于珠粒的免疫测定法或利用活化面元构建剂的基于珠粒的免疫测定。在其他实施方案中，基于流的免疫测定可为侧流免疫测定、使用有色颗粒的流测定、竞争性测定等。

本文讨论的统计模型可包括成本函数、逻辑回归模型、多元回归模型、随机森林模型、神经网络模型和随机梯度模型中的至少一者。在实施方案中，机器学习网络可应用回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

本文讨论的目标参数可包括以下中的至少一者：蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度(例如样品中的蛋白质丰度、细胞中的蛋白质丰度等)、抗体效应(例如，可视化、表面或介质上的固定化、结合效应等)、膜效应(例如，对免疫测定膜的可测量效应或与之相关的效应)、阻断效应(例如，由于诸如活性阻断剂、被动阻断剂、特殊阻断剂、交联阻断剂等阻断剂的可测量效应)、提取效应(例如，由于去除样品中的干扰蛋白质而产生的)、蛋白质不稳定性、膜类型、分析物丰度、裂解物、抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型(例如，蛋白质主链，与一个或多个分析物或抗体相关)、检测标记、酶、检测多重性或检测敏感性、凝胶类型、转移到的膜类型、转移方法、转移缓冲液、洗涤方案或洗涤缓冲液。如本文所述，免疫测定参考数据可包括以下中的至少一者：蛋白质印迹数据、多重蛋白质印迹捕获、定量数据、任选地表示蛋白质相对丰度的该定量数据、分类数据(例如，可以分组的数据)、蛋白质检测数据和免疫细胞测定数据。免疫细胞术数据可还包括分析物定位数据或分析物强度数据中的至少一者。此类数据可指细胞、抗体或样品中的至少一者内的分析物定位数据，以及关于细胞、抗体、或样品中至少一者的分析物强度数据。在示例性场景中，分析物可从细胞中分泌；分析物存在于细胞外液中；分析物重组地表达并靶向非原生部位；分析物以细胞内方式存在于一个或多个细胞隔室中；在生物化学上进行分级一一解析生物物理/生物化学特性(例如在蛋白质印迹或等电聚焦中)

定量数据可包括分析物丰度估值和来自利用各种负载浓度、各种检测试剂和各种抗体亲和性中的一者或多者的多个实验的分析物检测数据中的至少一者。

在实施方案中，免疫测定参考数据可从表示实验免疫测定数据的图像中提取。

如本文所讨论的，推荐可包括以下中的一者或多者：细胞系、组织、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、蛋白质克隆性、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、分析物中的至少一个分析物的负载浓度的最佳范围、克隆性、抗体类型、检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性，检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐，凝胶类型(例如，颗粒凝胶、琼脂糖凝胶或可用于免疫测定实验的其他凝胶)、推荐的检测试剂、抗体类型、抗体负载浓度、蛋白质裂解物浓度、最佳细胞系、最佳蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

本文讨论的检测技术可应用于化学发光、荧光、酶和比色分析中的至少一者。其他实施方案可包括分析物中至少一个分析物的负载浓度的目标范围和检测试剂。在实施方案中，分析物可为样品或纯化形式。

免疫测定性能预测可包括但不限于提供以下中的至少一者：推荐的分析物、推荐的检测试剂、抗体浓度、蛋白质裂解物浓度、抗体类型、最佳细胞系、最佳蛋白质来源、分析物质量、转移条件、验证标志、预测的分析物位置(例如，相对于可在其上执行免疫测定实验的凝胶或介质的分析物的位置、相对一个或多个样品的位置等)、来自细胞系来源的蛋白质裂解物、裂解物类型、最佳检测的抗体稀释度范围、基于克隆性和宿主主链类型的抗体稀释度、检测试剂类型、检测技术类型、以及确保线性的最佳检测技术。

在各个实施方案中，确定用于检测单细胞中的多个蛋白质的推荐可基于最佳参数，其中该推荐包括分析物中的至少一个分析物的负载浓度和检测试剂。该推荐可还包括用于检测蛋白质或分析物中的至少一者的染料类型，其中该染料类型是Ab缀合物、次级Ab缀合物或用于检测低丰度分析物的强染料中的至少一者。

如本文所讨论的，用户界面可包括仪器控制台、网络工具、图形用户界面和计算装置上的显示器。

图17进一步示出了根据一些实施方案的用于使用如图1和图2中所述的一个或多个机器学习网络基于分析物来识别实验的目标参数的示例方法1700。在一些实施方案中，多个机器学习网络(本文也称为″模型″)可用于确定目标参数。在步骤1702中，接收感兴趣分析物。在步骤1704中，第一机器学习模型可使用感兴趣分析物确定实验的细胞系推荐。在一些方面中，第一机器学习模型可确定组织推荐。步骤1704由图18进一步描述。在步骤1706中，第二机器学习模型可对细胞系推荐进行排序，以确定细胞系的选择优先顺序。在一些方面中，第二机器学习模型可对组织推荐进行排序。步骤1706由图19进一步描述。在步骤1708中，第三机器学习模型确定检测试剂、负载量和抗体稀释度推荐，以计划要对感兴趣分析物进行的实验。步骤1708由图20进一步描述。

图18示出了使用机器学习模型来确定免疫测定实验中使用的细胞系推荐的方法。在一个方面中，可训练该第一模型以基于分析物来识别目标参数。目标参数可为细胞系或组织。

在步骤1802中，可从一个或多个数据集中检索表达数据，例如公共RNA-seq创建的来源(例如ARCHS、CCLE和其他公共数据集)，并且可以检索免疫测定实验结果的数据集。在一些方面中，免疫测定实验结果数据集包括多个免疫测定实验的结果，其中对来自多个分析物的分析物进行每个实验。每个免疫测定实验结果可包括分析物、分析物丰度、克隆性和抗体的主链。

在步骤1804中，可对表达数据和免疫测定实验结果进行清理和归一化，以将数据准备作为可用于训练第一模型的免疫测定参考数据。在步骤1806中，免疫测定参考数据可被转换成特征矩阵。在一些方面中，免疫测定参考数据可包括参考输入参数和参考分析物检测数据。在一些方面中，参考输入参数可包括转录组(TPM)丰度、克隆性和/或抗体主链。在一些方面中，抗体主链可来自一种或多种哺乳动物，例如小鼠、兔或小鼠和兔。在一些方面中，参考分析物检测数据可识别是否在每个各自的免疫测定实验中使用的细胞系或组织中检测到分析物。

在步骤1808中，可使用特征矩阵来训练第一模型。第一模型可为机器学习模型。在一些方面中，第一模型可为逻辑回归模型。在步骤1810中，可对第一模型执行性能分析。性能分析可利用例如实验输入参数的验证集和对应的参考分析物检测数据来执行。基于性能分析的结果，在步骤1812中可保存所训练的第一模型，使得计算装置可访问并且使用它。一旦保存了第一模型，就可使用它来推荐一个或多个细胞系或组织，其中在一个或多个细胞系或组织可能回检测到感兴趣分析物。

步骤1814开始使用经过训练的第一模型来推荐其中可能检测到感兴趣分析物的一个或多个细胞系或组织的过程。在步骤1814中，可接收用于免疫测定实验的感兴趣分析物的标识符。在步骤1816中，计算系统可从分析物数据的数据库(例如但不限于Uniprot、ARCHS和/或CCLE)中检索所接收的标识符的实验输入参数。实验输入参数可为例如TPM丰度、克隆性和抗体主链(例如小鼠和/或兔抗体主链)。在步骤1818中，第一模型可在实验输入参数上运行。在步骤1820中，第一模型可输出用于检测在免疫测定实验中的感兴趣分析物的细胞系或组织推荐。输出可为细胞系或组织推荐的列表，或者可由UI可视地呈现，如本文所讨论的。

图19示出了根据一些实施方案的使用机器学习模型对免疫测定实验中使用的细胞系推荐进行排序的方法。在一个方面中，可训练第二机器学习模型以基于分析物来识别目标参数。目标参数可为免疫测定实验的细胞系或组织推荐的排序顺序。

在步骤1902中，可从一个或多个数据集中检索表达数据，例如公共RNA-seq创建的来源(诸如ARCHS、CCLE和具有文献和/或测试抗体数据的其他数据集等)，并且可从一个或多个数据集中检索目标特异性特征，例如公共分析物数据库(例如但不限于Uniprot和/或文献测试抗体数据)。还检索到从第一模型获得的输出。在一些方面中，目标特定特征包括多个分析物的数据。目标特异性特征可包括等电点(pI)、跨膜(TM)结构域、TPM丰度、转换、肽计数和定位中的一者或多者。

在步骤1904中，可对来自第一模型的表达数据、目标特异性特征和输出进行清理和归一化，以将数据制备成可用于训练第二模型的免疫测定参考数据。在步骤1906中，免疫测定参考数据可被转换成特征矩阵。在一些方面中，免疫测定参考数据可包括参考输入参数和参考分析物检测数据。在一些方面中，参考输入参数可包括等电点(pI)、跨膜(TM)结构域、TPM丰度、转换、肽计数和定位中的一者或多者。在一些方面中，参考分析物检测数据可为用于在免疫测定实验中检测对应分析物的细胞系或组织的排序。

在步骤1908中，可使用特征矩阵来训练第二模型。第二模型可为机器学习模型。在一些方面中，第二模型可为随机森林分类器模型。在步骤1910中，可对第二模型执行性能分析。性能分析可用实验输入参数的验证集和对应的参考分析物检测数据来执行。在步骤1912中，可基于对每个特征的性能的分析来重新训练第二模型。在步骤1914中，可保存第二模型，使得它可被计算装置访问和使用。一旦保存了第二模型，它就可用于对可检测到感兴趣分析物的一个或多个细胞系或组织进行排序。

在步骤1916中，可接收用于免疫测定实验的感兴趣分析物的标识符以及推荐用于免疫测定试验的一组细胞系或组织。在一些方面中，这组细胞系或组织可从第一模型获得，例如图18中步骤1820的输出。在步骤1918中，计算系统可从分析物数据的数据库(例如但不限于Uniprot、ARCHS和/或CCLE)中检索所接收到的标识符的实验输入参数。实验输入参数可包括感兴趣分析物的等电点(pI)、跨膜(TM)结构域、TPM丰度、转换、肽计数和定位。在步骤1920中，第二模型可在实验输入参数上运行。在步骤1922中，第二模型可输出用于在免疫测定实验中检测感兴趣分析物的细胞系或组织推荐的排序顺序。在一些方面中，排序顺序可基于在使用细胞系的免疫测定中检测到分析物的可能性来对细胞系进行排序。该排序可对细胞系进行排序，同时将可能性排序为高、中或低。在一些方面中，输出可为细胞系或组织推荐的列表，或者可由UI可视地呈现，如本文所讨论的。

图20示出了根据一些实施方案的使用机器学习模型来确定用于免疫测定实验的细胞系推荐的方法。在一个方面中，可训练该第三机器学习模型以基于分析物来识别目标参数。目标参数可为用于分析物的最佳免疫测定实验的参数。

在步骤2002中，可从一个或多个数据集中检索表达数据，例如公共RNA-seq创建的来源(诸如但不限于ARCHS、CCLE和其他公共数据集)。还可检索来自免疫测定实验的实验检测数据的数据集。在一些方面中，实验检测数据集包括多个免疫测定实验的结果，其中对多个分析物中的一个分析物进行每个实验。实验检测数据集可包括例如每个免疫测定实验的像素计数、克隆性、稀释因子、负载量、暴露时间和检测试剂中的一者或多者。

在步骤2004中，可对表达数据和实验检测数据集进行清理和归一化，以将数据制成可用于训练第三模型的免疫测定参考数据。在步骤2006中，免疫测定参考数据可被转换成特征矩阵。在一些方面中，免疫测定参考数据可包括用于多个免疫测定实验的像素计数、克隆性、稀释因子、负载量、暴露时间和检测试剂中的一者或多者。

在步骤2008中，可使用特征矩阵来训练第三模型。第三模型可为机器学习模型。在一些方面中，第三模型可为多元线性回归模型。在一些方面中，第三模型可使用多个线性回归模型，例如Atto、Pico、Dura和ECL。第三模型可使用1、2、3、4、5或任何其他数量的模型。在步骤2010中，可对第三模型执行性能分析。可利用实验输入参数的验证集来执行性能分析。基于性能分析的结果，在步骤2012，可保存第三模型，使其可被计算装置访问和使用。一旦保存了第三个模型，它就可用于推荐对感兴趣分析物进行免疫测定实验的实验参数。

在步骤2014中，可接收用于免疫测定实验的感兴趣分析物的标识符。在步骤2016中，计算系统可从分析物数据的数据库(例如但不限于Uniprot、ARCHS和/或CCLE)中检索所接收到的标识符的实验输入参数。实验输入参数可为负载分数、暴露时间、克隆性和稀释因子中的一者或多者。在步骤2018中，第三模型可在实验输入参数上运行。在步骤2020中，第三模型可输出用于最佳免疫测定实验的一组推荐。例如，第三模型可输出用于感兴趣分析物的免疫测定实验的推荐检测试剂、负载量和抗体稀释度中的一者或多者。输出可为推荐列表或者可由UI可视地呈现，如本文所讨论的。

图3示出了根据本文所述的实施方案的蛋白质、检测试剂亲和性和检测试剂敏感性之间的关系。对于免疫测定实验，许多因素会影响输出和成功观察。平衡免疫测定实验的变量和输入因素成为有效数据收集和分析的考虑因素。

图3强调了影响性能数据的三个关键因素，以及所公开的技术的哪些实施方案在其优化和推荐技术中起作用，例如识别目标参数和免疫测定参数集。用于检测的蛋白质的可用量、检测试剂亲和性和检测试剂亲和性各自影响其他变量的功效。可用于检测的蛋白质可通过参考数据提供用于实验，如本文所述。以Fmol/细胞为单位测量的每百万转录本/蛋白质强度的绝对定量(TPM/iBAQ)只是适用于可用蛋白质检测的参考数据的一个示例。

检测试剂的亲和性可通过训练数据(例如用于机器学习操作的训练数据)来获得和/或提供。检测试剂的亲和性可取决于克隆性(诸如单克隆或多克隆)等，并且可使用一种或多种生物体(例如兔或小鼠)提供。K和K′可表示与检测试剂的敏感性有关的方差。检测试剂敏感性也可通过训练数据获得和/或提供，并且可包括诸如ECL、Pico-Plus、SuperSignal和Atto等。因此，检测试剂的敏感性会影响并受到可用于检测的蛋白质的影响，并且在示例中，两者之间的关系可以用Z＝(Var)来表征。

可影响最佳免疫测定数据的其他因素包括但不限于二次抗体效应、膜效应、阻断效应、蛋白质不稳定性和提取效应。例如，不稳定蛋白质可导致提取质量低。数据清理过滤器也可应用于数据点，以排除异常值的影响。

图4和图5示出了用于免疫测定的概念帧的图形表示。这些数字表明，剂量反应曲线可建模为S形函数。图4示出了抗体克隆性和TPM值的示例剂量响应。图5示出了覆盖有对应线性模型的S形剂量反应曲线。剂量响应的线性模型可用标准线性公式y＝b₀+b₁x表示，逻辑模型可用p＝1/(1+e^-(b₀+b₁x))表示。这些线性和逻辑模型可在如本文所讨论的一个或多个机器学习算法中实现。

图6示出了根据本文所讨论的实施方案的用于生成模型并提供免疫测定参数集、目标参数以及其他推荐和预测的示例流程图。为了生成模型，数据准备610可包括位于数据检测试剂上的输入，例如TPM/iBAQ、克隆性信息等。针对TPM/iBAQ值的查询640可与异常蛋白质列表的检查620一起发生。在示例中，TPM和iBAQ不需要相互关联。如果检查结果为阳性，确定存在异常蛋白质，则过滤器/数字预测可在630中输出。如果检查结果为阴性，表明不存在异常蛋白质和相关性，则进行输入矩阵的准备650和逻辑模型的操作670。

输入矩阵650可帮助训练660逻辑回归模型，并且利用来自在670中运行的逻辑模型的信息。基于逻辑回归模型训练660，可在675中输出模型参数显著性。此外，在670中运行的逻辑模型可帮助确定680中的检测概率。检测概率有助于确定优选试剂和/或可能的线性范围变化。在一个示例中，如果概率为0.6<P<0.85，则提供推荐的优选试剂695，例如细胞系ECL/SS/Atto。在P<0.6或P>0.85的情况下，模型预测在690中转向线性范围。端点0.6、0.85可以可选地与任一选项相关联，并且在示例中可由用户定义和/或选择。

图7示出了用于多重蛋白质检测的示例实验安排工作流程。该实验可首先利用一组蛋白质和可选的细胞系用于720中的输入。在本实施方案中，该组蛋白质可包括五种蛋白质(A-E)。多个实验数据和参考数据可为检测推荐和概率测定值提供额外信息。在示例中，细胞组织和蛋白质丰度参考数据730和/或抗体数据和克隆性信息740包括本文所讨论的模型的参考数据。实施方案可为蛋白质A至E中的每一种蛋白质生成所预测输出的图形表示745。该图形表示和相关数据可为一个或多个实验变量和/或输出提供推荐750和预测760。

在示例中，预测和推荐可包括免疫测定参数集、检测概率、阈值负载值、线性检测的目标值和缺失蛋白质。此外，输出可提供推荐的抗体、一种或多种产品的建议稀释度和推荐的检测试剂。

图8至图9示出了与本文所讨论的实施方案相关联的用户界面。可在一个或多个计算系统、显示器、web工具、应用程序等上提供实施方案。图8示出了初始屏幕，其中用户可选择要评估的实验细节。在所描述的示例中，用户可选择蛋白质的类型(例如，柯浩体蛋白质(coilin))和克隆性(例如，单克隆性、多克隆性)。应当理解，在用户界面上提供的细节不必局限于所述的类别，并且可基于多个因素中的任何一个因素进行调整，这些因素包括但不限于实验类型、所期望的结果、典型变量、感兴趣特定变量等。

UI可用于执行如图1所述的方法。在一个方面中，UI可有助于实验的规划，特别是蛋白质印迹实验，使得实验就可在很少甚至没有测试的情况下以最佳方式进行。UI可由主机服务器托管，并且可连接到互联网。在其他方面中，UI可能没有连接到互联网，而是反映本地执行的操作。

在一个方面中，UI可提示用户计划新的实验。当用户选择计划新的实验时，模块将提供可用于检测感兴趣分析物(例如，感兴趣蛋白质)的试剂的推荐。在其他方面中，UI的实现可用于为本文所述的各种分析物提供推荐。

图9示出了例如可在如图8的初始屏幕上输入的所选蛋白质的示例数据集输出。数据集输出可提供与细胞系、TPM、ECL和SuperSignal中的一者或多者的使用有关的信息。因此，输出可向用户通知一个或多个输出预测，该一个或多个输出预测可用于帮助实验设计和识别所期望的实验的目标变量和条件。

图21示出了图8的替代版本。如图21所示，UI可提示用户输入蛋白质。输入可从菜单中选择，也可以自由文本形式输入。可使用例如其名称、Uniprot ID、替代名称、基因名称和/或基因同义词来输入蛋白质。UI可将蛋白质的建议列表显示为查找表，并且用户可从该表中选择蛋白质。在一些方面中，用户可输入多个感兴趣蛋白质。

当UI接收到蛋白质时，它可提示用户选择是否使用细胞系来完成实验。在一些方面中，用户可选择将组织而不是细胞系用于实验。

UI还可提示用户可选地输入细胞系的选择。如果细胞系的选择被输入，则模型可确定是否从细胞系选择中的任何细胞系中可检测到蛋白质。如果没有细胞系被输入，则模型将确定是否可从可用细胞系的完整列表中的任何细胞系中检测到蛋白质。

用户可选择接收蛋白质的结果。结果可包括蛋白质的注释、细胞系、检测试剂和抗体的一个或多个数据。

蛋白质注释结果可显示蛋白质的信息。所显示的信息可包括但不限于蛋白质的名称、Uniprot ID、基因名称、质量、转译后修饰和/或等电点(pI)。

如图21所示，细胞系结果可为在进行实验时最有可能检测到蛋白质的细胞系提供推荐。细胞系结果可报告从第一模型获得的所确定的最佳细胞系，如图18所述。UI可显示具有按谱系和检测概率分类的细胞系的图示的细胞系推荐，例如，如图21所示。图形表示中的每个细胞系可由标记(例如点)来描绘。用户可将鼠标悬停在每个标记上以显示细胞系。在一些方面中，当悬停在标记上时，还可显示细胞培养条件。

如果用户输入多个蛋白质，则细胞系结果可显示矩阵中的细胞系的推荐，其中细胞系在一个轴上，蛋白质在另一轴上。底物将显示″是″或″否″，这取决于是否可在对应的细胞系中检测到蛋白质。在一些方面中，用户可将悬停在细胞系上，并且可显示细胞培养条件和细胞系的谱系。

如图22所示，在接收到细胞系结果之后，用户可从所显示的细胞系中选择细胞系。细胞系的选择可输入到第二模型中，该第二模型将基于如图19所述的蛋白质在细胞系中被检测到的可能性对所选细胞系进行排序。在一些方面中，UI可显示排序，并就潜在检测将细胞系分类为″高″、″中″或″低″。

如图23所示，示例裂解物和检测试剂结果可显示用于蛋白质的裂解物类型、凝胶类型和管家蛋白质(HKP)的实验推荐。推荐可通过数据查找模型确定，该模型利用已知的蛋白质质量匹配推荐的裂解物类型、凝胶类型和用于蛋白质质量的HKP。在一些方面中，裂解物类型可显示为具有其可用于的蛋白质的数量。在一些方面中，凝胶类型与可使用凝胶类型检测的蛋白质一起显示。在一些方面中，HKP可显示为推荐的HKP的数量，例如23个推荐的HKP可被显示为″23HKP″。用户可选择所编号的HKP推荐，并且UI可显示推荐的HKP列表，其中每个HKP的名称、质量、克隆性和/或主链，连同可用于检测HKP的抗体的对应SKU链接一起。

类似地，示例抗体结果可与其名称和SKU链接一起显示。在一些方面中，可在结果页面上提供链接，该链接可将用户引导到详细说明所有可用初级抗体的网页上。

如图24所示，UI可显示用于规划蛋白质实验的一个或多个推荐。UI可以可视地显示如图21所述的第三模型的结果。这些结果包括推荐的负载量、抗体稀释度和用于检测感兴趣蛋白质的检测试剂。在一些方面中，实验的像素密度可显示为″高″、″中″或″低″。

图10示出了与参数优化和推荐相关的示例场景。在示出的示例中，实验1010和实验1020示出了与蛋白质负载增加相关的输出差异。在实验1010中，裂解物浓度为30μg，并且实验1020将裂解物浓度增加到40μg。在两个实验中，一次稀释度为1∶1000，检测试剂为Atto。因此，结果差异可归因于裂解物浓度的差异。

在这个示例和其他常见的用户场景中，低检测结果(即，实验1010)通常可归因于以下中的一者或多者：低蛋白质丰度、提取损耗、较低的抗体亲和基、过量阻断和较弱的检测试剂。在这种情况下，低检出率可通过以下行动中的一个或多个行动来解决：负载额外的蛋白质、减少阻断、修改蛋白质制备、更改膜类型、使用高敏感性检测试剂以及替换抗体。由于上述因素的每个因素对实验的影响都略有不同，并且用户必须决定调整和测试哪些因素，因此用户执行的试验/实验的数量急剧增加。例如，如果有6个影响检测的因素，并且每个因素有3至4次可能的用户调整，则需要24至30个用户试验来测试因素并确定优化检测的因素。因此，应用本文讨论的机器学习模型可有效地测试和预测多个因素的实验结果，并推荐理想的因素用于实验。

图11示出了另一种常见的用户场景，其中目标信噪比需要识别。在各种示例中，优化信噪比可将数据从不可接受的噪声改善到可以发布。此外，这种改善可通过识别目标蛋白质与抗体的比率来提高测定性能。在图11所示的实验中，实验1110利用0.5μg/ml的一次稀释度，实验1120利用0.25μg/ml的一次稀释度。实验间裂解物浓度和检测试剂保持一致。由于稀释变化，实验1120产生了更清晰的免疫测定，其中标志物可在免疫测定中被清楚地识别。

在这些情况下，较差的信噪比可由多种因素引起，包括但不限于非最佳蛋白质载量、降解制剂、较差的抗体体积、过量抗体体积和次优阻断。解决这些问题的用户响应通常包括以下中的一者或多者：增加蛋白质载量、增加阻断、修改蛋白质制备、更改膜类型、稀释抗体以及更换抗体。本文讨论的机器学习模型可基于先前数据和模型输入信息、实验推荐来帮助测试这些因素。

图12示出了利用具有不同敏感度的多种抗体的一组实验。图12示出了实验结果如何基于敏感性水平而发生急剧变化。包括来自每个示例的实验数据的此类信息可提供用于训练根据本文所讨论的实施方案的一个或多个机器学习模型的参考数据。所述实验证明了敏感性差异的影响，从而可为利用类似抗体和目标标的实验提供有用信息。

图13示出了另一组实验，该组实验在变量发生变化时具有不同的结果。在所描述的示例中，裂解物载量从30μg增加到50μg，以提供检测所需的量。同样，这些数据可为机器学习模型和预测对裂解物载量增加的影响提供有用的信息。

图14示出了另一个示例实验。在这种情况下，降低蛋白质浓度可提高蛋白质定量。抗体滴定可在示例中实施，以帮助调节抗体浓度，并且最终进行蛋白质定量。实验1410和实验1420说明了降低抗体浓度可改善效果。在实验1410中，Ab浓度从1μg/ml降至0.5μg/ml，并且检测清晰度提高。在实验1420中，在前两次和最后两次试验之间，抗体浓度从1μg/ml降至0.5μg/ml，前两次试验的裂解物浓度保持在30μg，最后一次试验的浓度降至20μg。试验1和试验2之间的Ab浓度的初始降低使检测结果更加清晰，随后试验2与试验3之间的裂解物浓度的降低进一步阐明了检测结果。与本文所讨论的先前实验一样，图14中提供的实验结果可为机器学习模型提供参考数据，并有助于实验预测和推荐。

图15示出了在试剂敏感性增强的情况下可能发生的实验差异。在实验1510中，第一次试验用ECL显影5分钟，随后再用SuperSignal显影2分钟。第二次试验用Atto试剂显影5秒。第二次试验得出了明确的检测结果。在实验1520、实验1530中，第一次试验用ECL显影3分钟，第二次试验用Atto试剂显影2秒。在这两种情况下，试剂的变化都会增加检测。

故障排除

预计分析物将基于质量函数(分子量)通过凝胶(或其他膜，取决于所使用的电泳类型)迁移，从而不同质量的分析物可在免疫印迹中被识别为单独条带。例如，这些技术可用于在蛋白质制备过程中识别和定量蛋白质。然而，有许多因素可能导致分析物不能如预期的那样迁移。例如，分析物的电荷、转译后修饰(例如糖基化、脂化)、凝胶类型和缓冲液类型均可能影响分析物的迁移。这种迁移差异在本文中被称为″变化″，即所观察到的迁移与给定分析物的实际(即预期)分子量之间的物理变化。这种变化可能会影响免疫测定的结果，导致免疫测定结果出现免疫测定结果错误或误导性免疫测定结果。

因此，有必要开发一种方法，该方法可确定免疫测定中分析物的迁移变化，使免疫分析的结果仍然准确和可用。由于有多种因素会影响迁移，其中这些因素中的一些因素不是线性因素，因此线性计算可能无法有效确定变化。因此，根据本文所述的方面，可使用神经网络来确定分析物在免疫测定实验中迁移或变化的程度。

图25示出了根据一些方面的方法2500。例如，方法2500可用于确定免疫测定中分析物的变化。分析物是使用特定提取方案从一部分或样品中提取用于分析的样本，通常是需要检测的感兴趣物质。在很多情况下，分析物是蛋白质，尽管它可为不同大小和类型的其他种类的分子，只要标记分析物的方法是可用的方法(例如染色或抗体检测)。在一些方面中，本文所述的分析物可为蛋白质、半抗原、激素、核酸、肽、经修饰的肽或前述分析物的任何一个分析物的经修饰的形式。

在步骤2502中，计算机系统可接收具有多个已知分析物的已知信息的免疫测定数据集。免疫测定数据集可从多个来源接收，包括但不限于分析物数据的数据库、研究人员或组织。免疫测定数据集可包括从多个分析物的免疫测定实验中收集的数据。在一些方面中，免疫测定实验可为基于珠粒的免疫测定，例如多重测定、利用面板的基于珠粒的免疫测定、或利用活化面元构建剂的基于珠粒的免疫测定。在其他方面中，基于流的免疫测定可为侧流免疫测定、使用有色颗粒的流测定、竞争性测定等。在一些方面中，免疫测定可为单重蛋白质印迹或多重蛋白质印迹，或SDS-PAGE(十二烷基硫酸钠-聚丙烯酰胺凝胶电泳)凝胶。

免疫测定数据集可包括多组输入参数，该输入参数可对应于分析物在凝胶中的变化程度。在一些方面中，多组输入参数可包括多个特征，该多个特征包括但不限于转译后修饰(例如磷酸化、糖基化、泛素化、亚硝基化、甲基化、乙酰化、脂化和蛋白质水解，仅例举几个示例)，链间或聚合物交联、二硫基、经修饰的残基、等电点(pI)、凝胶类型和缓冲液类型，这些特征均各自对应于特定分析物的免疫测定。每组输入参数对应于分析物的变化程度。免疫测定数据集可具有试剂、细胞系、分析物、抗体、凝胶类型、缓冲液类型的变化或前述特征的任何其他变化，根据这些变化可通过神经网络识别有助于分子量变化的不同属性。在一些方面中，免疫测定数据集可包括阴性数据。

在步骤2504中，可使用机器学习过程来确定特定分析物在免疫测定中所经历的条带中的变化程度。机器学习涉及通过使用算法和统计模型来分析和推断数据中的模式来开发和使用计算机系统，该计算机系统能够在不遵循明确指令的情况下进行学习和适应。适用于所公开的实施方式的机器学习模型可包括，例如但不限于，监督学习、半监督学习、无监督学习或强化模型。监督学习模型可在所标记的数据上进行训练，其中在训练期间将与所期望的输出相关联的示例条件馈送到机器学习模型。监督学习模型的一些非限制性示例包括，例如但不限于，最近邻、单纯贝叶斯、决策树、支持向量机、神经网络，或适用于图像分析和/或排序问题的任何机器学习算法。在一些实施方式中，机器学习过程可包括前馈非深度神经网络或深度学习网络。出于本公开的目的，非深度前馈网络将简单地称为神经网络。可使用免疫测定数据集来训练神经网络，以确定特定分析物在免疫测定中所经历的条带中的变化程度。在一些方面中，神经网络是在包括存储器和处理器的计算机系统上开发的。神经网络可用任何神经网络架构来构建，例如无监督预训练网络、卷积神经网络、循环神经网络、递归神经网络等。在一些方面中，神经网络至少有两层隐藏层。

可使用免疫测定数据集来训练神经网络，其中输入参数(也称为特征)和对应的分析物的变化程度可用作输入。在一些方面中，输入参数可包括分析物的糖基化。在一些方面中，输入参数可包括糖基化、二硫键、经修饰的残基、MOPS(3-(N-吗啉代)丙磺酸)和泛素化。在一些方面中，输入参数可包括糖基化、二硫键、经修饰的残基、MOPS(3-(N-吗啉代)丙磺酸)、泛素化、脂化、MES(2-(N-吗啉代)乙磺酸)、等电点(pI)、4-12％的凝胶类型、10％的凝胶类型、类泛素化、Tris-乙酸盐、3-8％的凝胶类型、12％凝胶类型和交联。在一些方面中，输入参数可包括比所列出的参数更多或更少的参数。在一些方面中，输入参数可包括聚合物改性、影响电荷的特征以及凝胶的类型。这些特征可从现有数据库(例如Uniprot)中提取。可训练神经网络以输出分析物在凝胶中的变化程度。

在步骤2506中，一旦训练了神经网络，神经网络就可分析用于免疫测定实验的感兴趣分析物的实验数据。可完成免疫测定实验以检测感兴趣分析物，并且可将实验数据输入到神经网络中。实验数据可包括感兴趣分析物的数据和免疫测定实验的特定实验参数，包括但不限于，感兴趣分析物的转译后修饰、糖基化、脂化、二硫基、经修饰的残基和等电点以及用于免疫测定的凝胶类型和缓冲液类型。

在步骤2508中，当分析完成时，基于神经网络的输出来确定包括免疫测定实验中的感兴趣分析物的条带的变化程度。根据神经网络的分析结果，通过预测条带变化的程度来确定变化。在一些方面中，条带可在免疫测定实验中观察到并且包括感兴趣分析物。

在步骤2510中，在一些方面中，可分析和标记免疫测定实验的免疫测定图像。该分析可标记免疫测定图像的帧、泳道和条带。该分析可通过分析软件来执行，例如iBright^TM。

在步骤2512中，可在免疫测定图像上标记条带的变化程度，并显示该变化程度以供用户可视地观察感兴趣分析物的条带变化程度。

一旦确定了变化程度，神经网络就可基于神经网络所训练的免疫测定数据集，将变化程度的原因与一个或多个实验参数联系起来。然后可使用神经网络来识别实验参数的变化，以优化样品和感兴趣分析物的实验的参数。

图26是免疫测定实验2600的示例图。在一些方面中，免疫测定实验2600可为蛋白质印迹实验。x轴上的所有数字表示泳道，y轴上的所有字母表示分子量/质量。在该示例中，感兴趣条带是位于由神经网络位于步骤2508中确定的变化程度的条带。框2602框定了整个免疫测定实验的范围。在泳道1中，条带2604是感兴趣条带。在泳道1中，还可有作为非特异性条带的条带2606。非特异性条带被确定为被检测试剂标记但不包括感兴趣分析物的条带。因此，据报告发现感兴趣条带是非特异性条带。在泳道2中，条带2608也是感兴趣条带。因此，据报告在泳道2中发现了感兴趣条带。泳道3没有条带，因此将报告泳道3是空白泳道。在泳道4中，条带2610不是确定感兴趣带所在位置的条带。因此，据报告泳道4没有感兴趣条带，但确实包括非特异性条带。在某些情况下，当分析物可在天然细胞或组织环境中，或在特定的治疗条件下，或以细胞周期阶段特定的方式表现出转译后修饰(PTM)时，可能会遇到多条条带。在这种情况下，根据可用于PTM的位点的数量，在所定义的范围内具有不同质量变化的几条条带将被报告为感兴趣条带。条带的多重性可通过图31所示的示例免疫印迹来了解。

图27示出了根据一些方面的用于系统的方法2700，该方法可用于确定已经发生的分析物的条带的变化程度。在一些方面中，方法2700可由具有存储器和处理器的计算机系统来执行。在一些方面中，用户可与之交互的用户界面(UI)，例如网站、应用程序、数据/内容源等，均可有助于方法2700在免疫测定(例如蛋白质印迹实验)中确定和显示分析物的条带的变化，从而使实验以最佳方式执行。UI可由主机服务器托管，并且可连接到互联网。在其他方面中，UI可不连接到互联网。在一些方面中，UI可在现有软件中实现，例如iBright^TM、Thermo Fisher Connect Platform^TM等。

在一些方面中，方法2700可由用户发起以故障排除次优实验结果的问题。例如，当免疫测定分析的结果不包括或不匹配所预期的结果时，例如当在蛋白质印迹上所检测到的条带与感兴趣分析物的所预期的条带不同时，可启动方法2700。方法2700也可由用户发起，即使不怀疑输出不正确，也可对系统的准确性进行质量检查。

在步骤2702中，系统可从用户接收实验数据。实验数据包括感兴趣分析物的标识符和免疫测定图像。在一些方面中，实验数据还可包括，例如但不限于在免疫测定实验中使用的细胞系的标识符、分子标志物的标识符、裂解物类型、负载浓度或凝胶类型中的一者或多者。在一些方面中，细胞系可为组织裂解物、重组蛋白质或合成蛋白质。

分析物的标识符可指代分析物的名称。该名称可为，例如但不限于，通用名称、科学或分子名称、用户自定义名称、符号、代码或引用和识别分析物类型的其他方法。

免疫测定图像可以是为了检测与标识符相对应的分析物而进行的免疫测定实验的图像。在一些方面中，免疫测定图像可为基于珠粒的免疫测定实验或基于流的免疫测定实验的图像。在一些方面中，免疫测定图像可为蛋白质印迹实验的图像。在另一个方面中，免疫测定图像可为SDS-PAGE凝胶的染色图像。免疫测定图像可具有包括条带、泳道或帧的特征。条带是分析物在免疫测定中迁移到的位置。在一些方面中，在一个免疫测定图像中可能存在多条条带。泳道是完成一个实验的免疫测定图像的特定面板。在一些方面中，当在同一免疫测定上完成多个实验时，免疫测定图像可具有多条泳道。帧包括免疫测定图像中的每条泳道和条带。

图28是根据一些方面的可在执行步骤2702时使用的UI的一个示例。在一些方面中，UI可被包括在利用图1中的方法的UI中。可显示弹出窗口，该弹出窗口允许用户浏览和选择实验的文件，例如免疫测定图像。在一些方面中，免疫测定图像可被拖放到弹出窗口中，或可从可访问的文件列表中选择文件。一旦用户选择了文件，该文件就会被上传。上传完成后，可能会启动″故障排除″工作流程。

图29A和图29B是根据一些方面的可在上传免疫测定图像之后显示的UI页面的示例。UI可提示用户输入关于免疫测定实验的实验数据。例如但不限于，实验数据可包括用于免疫测定实验的所用分析物的标识符、所用分子标志物、所用凝胶类型、在每条泳道中使用的细胞系、每条泳道的负载浓度和/或在每条泳道中使用的裂解物类型。在一些方面中，用户可能能够例如通过编辑帧、泳道或条带中的一者或多者来调整图像的分析。在一些方面中，UI可呈现一系列问题供用户回答，以帮助指导故障排除过程。问题可能与例如但不限于上述实验数据有关。

返回到图27，在步骤2704中，可分析免疫测定图像以标记免疫测定图像中的特征。这可包括在免疫测定图像中发现的任何条带、泳道或帧。在一些方面中，可通过分析软件来执行分析。在一些方面中，UI可向用户提供通过编辑图像的帧、泳道和/或条带来调整分析结果的能力。

在步骤2706中，如步骤2504中所述的神经网络可用于确定免疫测定图像上的条带已经发生的变化程度。条带可为包括与在步骤2702中接收的标识符相对应的感兴趣分析物的条带。在步骤2702中从用户接收的实验数据可被输入到神经网络中以用于分析。标识符可被系统用来检索关于分析物的数据，该数据也将被输入到神经网络中。然后确定条带的变化程度。如果存在多条泳道，则可通过神经网络分别分析每条泳道，以确定条带在每条泳道中的变化。

在步骤2708中，条带的变化程度将显示在免疫测定图像上。在一些方面中，可通过UI来显示变化。图30A和图30B是在确定变化时可显示的UI页面的示例。如果没有检测到感兴趣条带，则UI页面可显示有关实验中可能出现问题的信息。

在一些方面中，UI基于神经网络的结果提供每条泳道的观察结果。在一些方面中，无论是否检测到感兴趣条带，UI都可显示每条泳道的条带的变化。在一些方面中，可在免疫测定图像上的每条泳道中突出显示感兴趣条带。在一些方面中，可通过UI向用户显示每条泳道的观察结果，或者可基于过滤参数的接收向用户显示泳道的子集。如果实验存在问题，例如凝胶使用不当或细胞系不适合所寻求的答案，则可向用户提供随附的数据和/或详细信息。例如，对于每条泳道，用户可看到以下结论之一：(1)发现感兴趣条带；(2)发现感兴趣条带和非特异性条带；(3)没有发现感兴趣条带；并且(4)没有发现任何条带，使得泳道是空白的。

在一些方面中，通过计算机系统基于分子标志物的实验数据来计算每条条带的分子量。然后可在数据表中显示分子量。图30B示出了与观察结果一起显示数据表的UI页面的一个示例。

系统还可根据免疫测定图像和分析的结果来确定是否和/或如何修改每条泳道的实验数据。在一些方面中，可通过实验数据和已知分析物检测数据之间的关系来确定修改。在一些方面中，该修改可包括在每个泳道中使用的凝胶类型或细胞系是否适合于检测感兴趣分析物的推荐。在一些方面中，UI可显示所确定的修改。

在一些方面中，用户可选择特定条带以获得关于故障排除解决分析结果的进一步详情。

基于实验的条带变化、结果和条带结论，系统可启动模块，该模块基于故障排除解决分析的结果来计划实验，以优化免疫测定实验并提供检测感兴趣分析物的计划。例如，使用预测模型，该计划可建议实验设置中的差异，例如需要负载的裂解物的暴露时间和/或量，以在给定范围内优化分析物检测的水平。

图16示出了适用于实现所公开的技术的实施方式的各个方面的示例计算环境1600，包括可集成一个或多个装置、计算系统和照明系统的控制系统。如本文中所使用的，短语″计算系统″通常是指具有处理力和存储存储器的专用计算装置，其支持作为在其上执行软件、应用程序和计算机程序的基础的操作软件。如本文中所使用的，应用程序是被下载到计算系统或装置的存储大小为小的专用程序。如图16所示，计算环境1600包括直接或间接耦合以下组件的总线1610：存储器1620、一个或多个处理器1630、I/O接口1640和网络接口1650。总线1610被配置为在计算环境1600的各种组件之间传达、发射和传送数据、控制和命令。

计算环境1600通常包括各种计算机可读介质。计算机可读介质可以是可由计算环境1600访问的任何可用介质，并且包括易失性和非易失性介质、可移动和不可移动介质两者。计算机可读介质可包括计算机存储介质和通信介质两者。计算机存储介质不包括并且实际上明确排除信号本身。

计算机存储介质包括在任何方法或技术中实现以供存储信息的易失性和非易失性、可移除和不可移除、有形和非暂态介质，这些信息诸如计算机可读指令、数据结构、程序模块或其它数据。计算机存储介质包括RAM；ROM；EE-PROM；闪存存储器或其它存储器技术；CD-ROM；DVD或其它光盘存储设备；磁带盒、磁带、磁盘存储或其它磁存储装置；或可用于存储期望信息并且可由计算环境1600访问的其它介质或计算机存储装置。

通信介质通常具体体现计算机可读指令、数据结构、程序模块或已调制数据信号(诸如载波或其他传输机制)中的其他数据，并且包括任何信息递送介质。术语″已调制数据信号″意指一个信号，该信号使其特性中的一个或多个特性被设定或改变成以便对信号中的信息进行编码。以举例的方式，通信介质包括有线介质(诸如有线网络或直接有线连接)和无线介质(诸如声学、RF、红外线以及其他无线介质)。任何上述介质的组合也应包括在计算机可读介质的范围内。

存储器1620包括呈易失性和/或非易失性存储器形式的计算机存储介质。存储器可以是可移除的、不可移除的或其组合。存储器1620可使用诸如固态存储器、硬盘驱动器、光盘驱动器等的硬件装置来实现。计算环境1600还包括从诸如存储器1620、I/O接口1640和网络接口1650的各种实体读取数据的一个或多个处理器1630。

I/O接口1640使得计算环境1600能够与不同的输入装置和输出装置通信。输入装置的示例包括键盘、指向装置、触控板、触摸屏、扫描仪、麦克风、操纵杆等。输出装置的示例包括显示装置、音频装置(例如，扬声器)、打印机等。这些和其它I/O装置通常通过耦合到系统总线的串行端口接口连接到处理器1610，但也可通过诸如并行端口、游戏端口或通用串行总线(USB)的其它接口连接。显示装置也可经由诸如视频适配器的接口连接到系统总线，该视频适配器可以是图形处理器单元的一部分或者连接到图形处理器单元。I/O接口1640被配置为协调存储器1620、一个或多个处理器1630、网络接口1650以及输入装置和/或输出装置的任何组合之间的I/O通信量。

网络接口1650使得计算环境1600能够经由任何合适的网络与其它计算装置交换数据。在联网环境中，相对于计算环境1600描绘的程序模块或其部分可存储在可经由网络接口1650访问的远程存储器存储装置中。应当理解，所示的网络连接是示例性的，并且可使用在计算机之间建立通信链路的其它构件。

以举例而非限制的方式，云计算系统可用于执行所公开的主题的各方面。基于云的计算通常是指联网计算机架构，其中应用程序执行、服务提供和数据存储在某种程度上可在客户端和云计算装置之间进行划分。例如，″云″可以是指可由客户端、服务器装置以及由其它云计算系统通过网络(例如，互联网)访问的服务或一组服务。

在一个示例中，连接到云的多个计算装置可访问和使用计算力、服务、应用程序、存储和文件的公共池。因此，云计算实现可配置计算资源(例如，网络、服务器、存储、应用程序和服务)的共享池，其可由云服务提供商以最小的管理努力或交互来调配和释放。

作为示例，基于云的应用程序可在云计算系统中存储数据和/或可执行程序代码的副本，同时允许客户端装置根据在客户端装置处执行的需要下载该数据和程序代码的至少一部分。在一些示例中，可针对访问基于云的应用程序的特定客户端装置(例如，个人计算机、平板计算机、移动电话和/或智能电话)的能力来定制所下载数据和程序代码。另外，例如，在客户端装置和云计算系统之间划分应用程序执行和存储允许云计算系统执行更多处理，从而利用云计算系统的处理力和能力。

基于云的计算还可以是指分布式计算架构，其中用于基于云的应用程序的数据和程序代码在近实时基础上在一个或多个客户端装置和/或云计算装置之间共享。该数据和程序代码的部分可根据需要或以其它方式动态地递送到访问基于云的应用程序的各个客户端。基于云的计算架构的细节对于客户端装置的用户而言可以是很大程度上透明的。例如，以举例而非限制的方式，访问基于云的应用程序的PC用户装置可能不知道PC从云计算系统下载程序逻辑和/或数据，或者PC将处理或存储功能卸载到云计算系统。

云平台可包括用于云计算系统的客户端接口前端。此类架构可表示用于处理来自一个或多个客户端装置的请求的队列。云平台可耦合到云服务以执行用于与客户端装置交互的功能。云基础架构可包括服务、记录、分析以及云计算系统的其它操作和基础架构组件。云知识库可被配置为存储数据以供网络使用，并且因此，云知识库可由云服务、平台和/或基础架构组件中的任一者访问。

许多不同类型的客户端装置(诸如用户的装置)可被配置为与网络的组件通信，以用于访问数据以及执行由一个或多个处理器和计算系统提供的应用程序的目的。如本文中所讨论的，任何类型的计算装置(例如，PC、膝上型计算机、平板计算机等)以及移动装置(例如，膝上型计算机、智能电话、移动电话、蜂窝电话、平板计算机等)可被配置为将数据发射到网络和/或从该网络接收数据。

客户端装置与网络之间的通信链路可包括有线连接，诸如串行或并行总线、以太网、光学连接或其它类型的有线连接。通信链路还可以是无线链路，诸如蓝牙、IEEE 802.11(IEEE 802.11可以是指IEEE 802.11-2007、IEEE 802.11n-2009或任何其它IEEE802.11修订版)、CDMA、3G、GSM、WiMAX或其它基于无线的数据通信链路。

在其他示例中，客户端装置可被配置为经由无线接入点与网络通信100。接入点可采用各种形式。例如，接入点可采用无线接入点(WAP)或无线路由器的形式。作为另一个示例，如果客户端装置使用蜂窝空中接口协议(诸如，CDMA、GSM、3G或4G)连接，则接入点可以是蜂窝网络中经由蜂窝网络提供互联网连接性的基站。

这样，客户端装置可包括有线或无线网络接口，客户端装置可通过该网络接口直接或经由接入点连接到网络100。作为示例，客户端装置可被配置为使用一个或多个协议，诸如802.11、802.16(WiMAX)、LTE、GSM、GPRS、CDMA、EV-DO和/或HSPDA等等。此外，客户端装置可被配置为使用多个有线和/或无线协议，诸如使用蜂窝通信协议(例如，CDMA、GSM或WiMAX)的″3G或″4G″数据连接性，以及使用802.11的″WiFi″连接性。也可使用其它类型的通信接口和协议。

已针对旨在说明而非限制本公开的某些实例和实施例描述了本公开的上述方面。应当理解，本文中所提出的主题可被实现为计算机处理、计算机控制的设备或计算系统或制品，诸如计算机可读存储介质。

本领域技术人员还应当理解，本文中所描述的主题可在除本文所描述的计算机系统配置之外的其它计算机系统配置上实践或结合其它计算机系统配置实践，其它计算机系统配置包括多处理器系统、基于微处理器的或可编程消费型电子器件、微型计算机、大型计算机、手持式计算机、个人数字助理、电子阅读器、蜂窝电话装置、生物识别装置、移动计算装置、专用硬件装置、网络设备等。还可在分布式计算环境中实践本文中所描述的实施方案，其中任务是由通过通信网络链接的远程处理装置执行的。在分布式计算环境中，程序模块可以位于本地存储器存储装置和远程存储器存储装置两者中。

许多不同类型的计算装置可单独使用或组合使用以实现不同实施方案中的资源和服务，包括通用或专用计算机服务器、存储装置、网络装置等。在至少一些实施方案中，服务器或计算装置实现本文中所描述的技术中的一种或多种技术的至少一部分，包括用于实现本文中所讨论的方面的功能性的技术。

方面

以下方面仅是说明性的并且不限制本公开或所附权利要求的范围。

方面1.一种用于在免疫测定中检测一个或多个分析物的计算机实现的方法，所述方法包括：使用免疫测定参考数据来训练机器学习网络，所述免疫测定参考数据包括多组参考输入参数集和对应的参考分析物检测数据；接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符；将所述机器学习网络应用于所述免疫测定参考数据以基于所述分析物识别目标参数；基于所述目标参数确定免疫测定参数集，其中所述免疫测定参数集包括所述分析物中的至少一种分析物的负载浓度和检测试剂。

方面2.根据方面1所述的方法，其中应用所述机器学习网络还包括：基于所述实验输入参数提取相关免疫测定参考数据；确定所述实验输入参数和对应的参考分析物检测数据之间的关系；并且预测用于检测所述分析物的目标参数。

方面3.根据方面2所述的方法，所述方法还包括：将所述的相关免疫测定参考数据分类为变量；应用统计模型来确定两个或更多个变量之间的关系；并且使用所述两个或更多个变量之间的所述关系来训练所述机器学习网络。

方面4.根据方面3所述的方法，其中所述统计模型包括以下中的至少一者：成本函数、逻辑回归模型、多元回归模型和随机梯度模型。

方面5.根据方面3所述的方法，其中所述变量包括以下中的一者或多者：抗体克隆性、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度，抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性、预制凝胶类型(例如，聚丙烯酰胺凝胶或其他能够通过电泳分离蛋白质的凝胶)、转移到的膜类型、转移方法、转移缓冲液、洗涤方案或洗涤缓冲液。

方面6.根据方面2述的方法，所述方法还包括确定所述分析物的子类；识别与所述分析物的所述子类相关的免疫测定参考数据；确定感兴趣分析物的一个或多个子类；并且基于分析物的所检测到的子类更新目标参数，其中分析物的所述子类为跨膜蛋白质、不稳定蛋白质、磷酸化修饰、糖基化修饰、转译后修饰、蛋白质形式、蛋白质同种型、蛋白质的裂解变体或蛋白质的突变变体。

方面7.根据方面2所述的方法，其中所述目标参数包括以下中的至少一者：细胞系、裂解物和凝胶类型。

方面8.根据方面1至7所述的方法，其中免疫测定参考数据包括以下中的至少一者：蛋白质印迹数据、多重蛋白质印迹捕获、定量数据、任选地表示蛋白质相对丰度的所述定量数据、分类数据、蛋白质检测数据和免疫细胞术数据。

方面9.根据方面8所述的方法，其中所述定量数据包括分析物丰度估值。

方面1O.根据方面8所述的方法，其中所述免疫细胞术数据包括分析物定位数据或分析物强度数据中的至少一者。

方面11.根据方面1至10中任一项所述的方法，其中所述分析物是半抗原、激素、核酸、肽、经修饰的肽或前述分析物中的任何一个分析物的经修饰的形式中的至少一者。

方面12.根据方面11所述的方法，其中所述经修饰的肽由甲基化和乙酰化中的至少一者形成。

方面13.根据方面1至12中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、蛋白质克隆性、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标细胞系、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面14.根据方面13所述的方法，其中所述免疫测定参数集包括克隆性推荐，并且所述克隆性推荐包括单克隆分析物推荐或多克隆分析物推荐中的至少一者。

方面15.根据方面13所述的方法，其中所述检测技术应用以下中的至少一者：化学发光、荧光、酶和比色分析。

方面16.根据方面1至15中任一项所述的方法，其中，所述机器学习网络包括回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

方面17.根据方面1至16中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

方面18.根据方面17所述的方法，其中所述检测数据包括化学检测数据(例如化学底物)、生化检测数据(例如酶)、基于序列的检测、基于扩增的检测和/或荧光检测数据。

方面19.根据方面1至18中任一项所述的方法，其中所述实验输入参数包括分析物的来源、一组蛋白质和细胞系。

方面20.根据方面1至19中任一项所述的方法，其中所述实验输入参数包括经由用户界面接收的一组限制，并且所述免疫测定参数集包括所述一组限制的推荐值。

方面21.根据方面1至20中任一项所述的方法，其中所述实验输入参数包括来自多个测定的数据。

方面22.根据方面1至21中任一项所述的方法，其中所述实验输入参数包括至少一个检测蛋白质或目标分析物，并且所述免疫测定参数集包括至少一个检测蛋白质或目标分析物的负载推荐。

方面23.根据方面1至22中任一项所述的方法，其中所述实验输入参数包括经由用户界面接收的一组蛋白质和一组限制，并且所述目标参数识别所述一组限制中的至少一个限制的目标值。

方面24.根据方面23所述的方法，其中所述一组限制包括以下中的至少一者：可用裂解物、细胞系、组织类型、检测技术和抗体克隆性。

方面25.根据方面1至24中任一项所述的方法，所述方法还包括从指示实验免疫测定数据的图像中提取免疫测定训练和参考数据。

方面26.根据方面1至25所述的方法，所述方法还包括：接收指示免疫测定参数集类型的信息，所述免疫测定参数集类型是故障排除解决方案或实验设计中的至少一者；基于所述免疫测定参数集类型来更新所述目标参数。

方面27.根据方面26所述的方法，其中所述目标参数涉及以下中的至少一者：蛋白质印迹应用、免疫印迹方法、转移方法和蛋白质凝胶类型。

方面28.根据方面26所述的方法，其中所述故障排除解决方案识别分析物的来源、抗体和稀释度检测信息中的一者或多者。

方面29.一种用于检测免疫测定中的一个或多个分析物的系统，所述系统包括：至少一个计算装置，所述计算装置包括处理器和至少一个存储器，所述存储器存储指令，所述指令在由所述处理器执行时使得所述计算装置：接收包括多组输入参数和对应分析物检测数据的免疫测定参考数据；接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符和克隆性；将机器学习网络应用于所述免疫测定参考数据以基于所述分析物识别目标参数；基于所述目标参数来确定免疫测定参数集；并且提供所述免疫测定参数集，其中所述免疫检测参数集包括所述分析物中的至少一个分析物的负载浓度和检测试剂。

方面30.根据方面29所述的系统，其中所述至少一个存储器存储指令，所述指令在由所述处理器执行时进一步使得所述计算装置：基于所述实验输入参数提取相关免疫测定参考数据；确定所述实验输入参数和对应的参考分析物检测数据之间的关系；并且预测用于检测所述分析物的目标参数。

方面31.根据方面30所述的系统，其中所述至少一个存储器存储指令，所述指令在由所述处理器执行时进一步使得所述计算装置：将所述相关免疫测定参考数据分类为变量；并且应用统计模型来确定两个或更多个变量之间的关系；并且使用所述两个或更多个变量之间的所述关系来训练所述机器学习网络。

方面32.根据方面29至31中任一项所述的系统，其中所述免疫测定参考数据包括来自多个实验的分析物检测数据，所述分析物检测数据包括各个负载浓度、各个检测试剂和各个抗体亲和性中的一者或多者。

方面33.根据方面29至32中任一项所述的系统，其中所述免疫测定参数集包括所述分析物中的至少一个分析物的所述负载浓度的目标范围和所述检测试剂。

方面34.根据方面29至33中任一项所述的系统，其中所述免疫测定参数集还包括以下中的至少一者：免疫测定性能预测、推荐的分析物、推荐的检测试剂、抗体浓度、蛋白质裂解物浓度、抗体类型、目标细胞系、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面35.根据方面29至34中任一项所述的系统，其中所述机器学习网络应用回归模型、决策树和随机梯度下降模型中的至少一者。

方面36.根据方面29至35中任一项所述的系统，其中实验输入参数包括以下中的一者或多者：蛋白质、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系，一组蛋白质和抗体结合变化。

方面37.根据方面29至36中任一项所述的系统，其中所述指令进一步使得所述计算装置从表示实验免疫测定数据的图像中提取免疫测定参考数据。

方面38.根据方面29至37中任一项所述的系统，其中所述系统还包括用户界面，并且所述用户界面包括以下中的至少一者：仪器控制台、网络工具、图形用户界面和计算装置上的显示器。

方面39.一种用于存储指令的非暂态算机可读介质，所述指令在由一个或多个处理器执行时使得装置执行根据方面1至30中任一项所述的方法。

方面40.一种装置，所述装置包括：一个或多个处理器；和存储器，所述存储器存储指令，所述指令在由所述一个或多个处理器执行时使得所述装置执行根据方面1至39中任一项所述的方法。

方面41.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述计算机实现的方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数，所述实验输入参数包括与所述免疫测定实验相关的至少一个变量；接收指示以下中的至少一者的问题的信息：所述免疫测定参考数据、实验输入参数和免疫测定实验的结果；将机器学习网络应用于所述免疫测定参考数据以基于所述问题识别目标参数；并且基于所述目标参数确定要解析的免疫测定参数集。

方面42.根据方面41所述的方法，其中所述问题是分析物检测问题或免疫测定参考数据提取问题中的至少一者。

方面43.根据方面42所述的方法，其中所述问题涉及从指示实验免疫测定数据的图像中提取免疫测定参考数据。

方面44.根据方面41至43中任一项所述的方法，其中所述免疫测定参数集提供以下中的至少一者：来自细胞系来源的蛋白质裂解物、裂解物类型、用于目标检测的抗体稀释度范围、基于克隆性和宿主主链类型的抗体稀释度、检测试剂类型、检测技术类型和确保线性的目标检测技术。

方面45.根据方面41至44中任一项所述的方法，其中所述实验输入参数包括以下中的至少一者：分析物类型、蛋白质类型、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系，一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围和蛋白质质量范围。

方面46.根据方面41至45中任一项所述的方法，其中所述实验输入参数包括以下中的一者或多者：半抗原、激素、经修饰的核酸、肽、抗体克隆性、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度、抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性。

方面47.根据方面41至46中任一项所述的方法，其中所述实验输入参数包括经由用户界面接收的一组变量，所述问题涉及检测，并且所述免疫测定参数集包括所述一组变量的推荐值。

方面48.根据方面41至47中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性或检测敏感性。

方面49.根据方面41至48中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：所述分析物中的至少一个分析物的负载浓度的目标范围、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、推荐的检测试剂、抗体类型，抗体负载浓度、蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面50.根据方面41至49中任一项所述的方法，其中，所述机器学习网络应用回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

方面51.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数；接收用于免疫测定实验的至少一个目标变量；将机器学习网络应用于所述免疫测定参考数据以基于所述目标变量识别目标参数；并且基于所述目标参数来确定用于获取所述目标变量的免疫测定参数集，其中所述目标变量为分析物。

方面52.根据方面51所述的方法，其中所述一组实验输入参数表示实验方法。

方面53.根据方面51至52中任一项所述的方法，其中所述实验方法为蛋白质印迹方法、免疫印迹方法、转移方法和利用蛋白质凝胶的方法。

方面54.根据方面51至53中任一项所述的方法，其中所述至少一个目标变量包括以下中的一者或多者：分析物类型、蛋白质类型、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围和蛋白质质量范围。

方面55.根据方面51至54中任一项所述的方法，其中所述至少一个目标变量包括以下中的一者或多者：半抗原、激素、经修饰的核酸、肽、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度、抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性。

方面56.根据方面51至55中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性或检测敏感性。

方面57.根据方面51至56中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：所述分析物中的至少一个分析物的负载浓度的目标范围、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、推荐的检测试剂、抗体类型，抗体负载浓度、蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面58.根据方面51至57中任一项所述的方法，其中，所述机器学习网络应用回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

方面59.一种用于操作免疫印迹仪器支持装置的计算机实现的方法，所述方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫印迹参考数据；接收一组实验输入参数，其中所述实验输入参数包括分析物；将机器学习网络应用于所述免疫印迹参考数据以基于所述分析物识别目标参数；并且基于所述目标参数确定免疫测定参数集，其中所述免疫测定参数集包括所述分析物中的至少一种分析物的负载浓度和检测试剂。

方面60.根据方面59所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面61.根据方面59至60中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

方面62.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数，其中所述实验输入参数包括分析物；将机器学习网络应用于所述免疫测定参考数据，以基于分析物来识别目标参数，所述目标参数包括用于分析的一组多个蛋白质；并且基于所述目标参数确定免疫测定参数集用于分析所述一组多个蛋白质，其中所述免疫测定参数集包括所述分析物中的至少一种分析物的负载浓度和检测试剂。

方面63.根据方面62所述的计算机实现的方法，其中所述免疫测定是基于珠粒的免疫测定。

方面64.根据方面63所述的计算机实现的方法，其中所述基于珠粒的免疫测定是多重测定、利用面板的基于珠粒的免疫测定或利用活化面元构建剂的基于珠粒的免疫测定的至少一者。

方面65.根据方面62至64中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标细胞系、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面66.根据方面62至65中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

方面67.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；接收一组实验输入参数，其中所述实验输入参数包括分析物和单细胞信息(例如，与单细胞或单个细胞有关的信息)；将机器学习网络应用于所述免疫测定参考数据以基于所述分析物识别目标参数；并且基于所述目标参数确定用于检测所述单细胞中的多个蛋白质的免疫测定参数集，其中所述免疫测定参数集包括所述分析物中的至少一种分析物的负载浓度和检测试剂。

方面68.根据方面67所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面69.根据方面67至68中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

方面70.一种用于操作免疫测定仪器支持装置以进行基于流的免疫测定的计算机实现的方法，所述方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据，其中所述免疫测定参考数据包括至少一组基于流的免疫测定数据；接收一组实验输入参数，其中所述实验输入参数包括分析物和单细胞信息；将机器学习网络应用于包括所述基于流的免疫测定数据的所述免疫测定参考数据，以基于所述分析物识别目标参数；并且基于所述目标参数确定用于检测所述单细胞中的多个蛋白质的免疫测定参数集，其中所述免疫测定参数集包括所述分析物中的至少一种分析物的负载浓度和检测试剂。示例流测定包括，例如使用有色颗粒的流测定、竞争性测定等。

方面71.根据方面70所述的方法，其中所述基于流的免疫测定是侧流免疫测定。

方面72.根据方面70至71中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面73.根据方面70至72中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

方面74.一种用于优化免疫测定中的荧光分析物检测的计算机实现的方法，所述方法包括：接收包括多组参考输入参数和对应的参考分析物检测数据的参考数据；接收一组实验输入参数，其中所述实验输入参数包括分析物；将机器学习网络应用于所述参考数据以基于所述分析物识别用于荧光检测的目标参数；并且基于所述目标参数确定免疫测定参数集，其中所述免疫测定参数集包括所述分析物中的至少一种分析物的负载浓度和检测试剂。

方面75.根据方面74所述的方法，其中所述免疫测定参数集还包括用于检测蛋白质或分析物中的至少一者的染料类型。

方面76.根据方面75所述的方法，其中所述类型的染料是Ab缀合物、次级Ab缀合物或检测低丰度分析物的强染料中的至少一者。

方面77.根据方面74至76中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

方面78.根据方面74至77中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

方面79.一种方法，所述方法包括：接收与免疫测定实验相对应的实验数据，其中所述实验数据基于感兴趣分析物；通过机器学习过程来分析所述实验数据，所述机器学习过程经训练以确定所述分析物的条带在免疫测定中的变化程度；并且基于所述分析，确定所述免疫测定实验中的条带的所述变化程度，其中所述条带包括感兴趣分析物。

方面80.根据方面79所述的方法，其中所述机器学习过程包括神经网络。

方面81.根据方面80所述的方法，其中所述神经网络是前馈网络或深度神经网络。

方面82.根据方面79所述的方法，其中所述分析包括分析所述免疫测定实验的免疫测定图像；并且所述确定包括在所述免疫测定图像上标记所述条带的所述变化程度。

方面83.根据方面82所述的方法，其中所述免疫测定图像包括染色凝胶或毛细管凝胶，其中所述毛细管凝胶负载所述分析物。

方面84.根据方面79所述的方法，其中所述免疫测定实验是基于珠粒的免疫测定或基于流的免疫测定。

方面85.根据方面79所述的方法，其中所述分析物是蛋白质、半抗原、激素、核酸、肽、经修饰的肽或前述分析物的任何一个分析物的经修饰的形式中的至少一者。

方面86.根据方面79所述的方法，其中所述机器学习过程已使用免疫测定数据集进行训练，所述免疫测定数据集包括以下中的至少一者：糖基化、二硫键、经修饰的残基、3-(N-吗啉代)丙磺酸(MOPS)、泛素化、脂化、2-(N-吗啉代)乙磺酸(MES)、等电点(pI)、类泛素化、Tris-乙酸盐、链间或聚合物交联、凝胶类型、缓冲液类型或变化程度。

方面87.根据方面79或方面86所述的方法，其中所述实验数据包括以下中的至少一者：糖基化、二硫键、经修饰的残基、3-(N-吗啉代)丙磺酸(MOPS)、泛素化、脂化、2-(N-吗啉代)乙磺酸(MES)、等电点(pI)、类泛素化、Tris-乙酸盐、或所述感兴趣分析物的链间或聚合物交联以及所述免疫测定实验的凝胶类型和缓冲液类型。

方面88.根据方面79所述的方法，其中所述条带的所述变化程度是由与所述感兴趣分析物相对应的分子量的变化引起的。

方面89.根据方面79所述的方法，所述方法还包括：确定是否应该修改所述实验数据；并且显示所确定的修改。

方面90.一种系统，所述系统包括：处理器；存储器，所述存储器耦合到所述处理器，所述存储器具有存储在其上的指令，所述指令在由所述处理器执行时使得所述处理器执行以下操作，所述操作包括：接收实验数据，其中所述实验数据包括分析物的标识符和免疫测定图像；分析所述免疫测定图像以标记所述免疫测定图像的特征，其中所述特征包括条带；通过机器学习过程确定所述免疫测定图像上的条带的变化程度，其中所述条带包括与所述标识符相对应的感兴趣分析物；并且在所述免疫测定图像上显示所述条带的所述变化程度。

方面91.根据方面90所述的系统，其中所述机器学习过程包括神经网络。

方面92.根据方面91所述的系统，其中所述神经网络是前馈网络或深度神经网络。

方面93.根据方面90所述的系统，其中所述处理器执行进一步操作，所述进一步操作包括：计算所述条带的分子量数据；并且显示数据表，其中所述数据表包括所计算的分子量。

方面94.根据方面90所述的系统，其中所述实验数据还包括以下中的至少一者：细胞系的标识符、分子标志物的标识符、裂解物类型、负载浓度和凝胶类型。

方面95.根据方面90所述的系统，其中所述处理器执行进一步的操作，所述操作包括：确定是否应该修改实验数据；并且显示所确定的修改。

方面96.根据方面90所述的系统，其中所述免疫测定图像是基于珠粒的免疫测定或基于流的免疫测定的图像。

方面97.根据方面90所述的系统，其中所述分析物是蛋白质、半抗原、激素、核酸、肽、经修饰的肽或前述分析物的任何一个分析物的经修饰的形式中的至少一者。

方面98.根据方面90所述的系统，其中所述特征还包括所述免疫测定图像的帧和所述免疫测定图像的泳道中的至少一者。

方面99.根据方面90所述的系统，其中所述免疫测定图像包括多条条带。

方面100.根据方面98所述的系统，其中所述免疫测定图像包括多条泳道。

方面101.根据方面99所述的系统，其中对所述多条泳道中的每条泳道进行分析，以确定每条泳道中的所述条带的变化。

方面102.根据方面90所述的系统，其中所述处理器执行操作，所述操作还包括：显示是否发现所述条带、发现有非特异性条带、未发现条带或没有条带。

方面103.根据方面90所述的系统，其中所述机器学习过程已使用免疫测定数据集进行训练，以确定在免疫测定实验中分析物条带的变化程度。

方面104.根据方面103所述的系统，其中所述免疫测定数据集包括以下中的至少一者：糖基化、二硫键、经修饰的残基、3-(N-吗啉代)丙磺酸(MOPS)、泛素化、脂化、2-(N-吗啉代)乙磺酸(MES)、等电点(pI)、类泛素化、Tris-乙酸盐、链间或聚合物交联、凝胶类型和缓冲液类型。

方面105.根据方面90所述的系统，其中所述接收和显示均由用户界面执行。

Claims (105)

1.一种用于检测免疫测定中的一个或多个分析物的计算机实现的方法，所述方法包括：

使用免疫测定参考数据来训练机器学习网络，所述免疫测定参考数据包括多组参考输入参数和对应的参考分析物检测数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符；

将所述机器学习网络应用于所述免疫测定参考数据以基于所述分析物识别目标参数；

基于所述目标参数确定免疫测定参数集，其中所述免疫测定参数集至少包括所述分析物中的至少一种分析物的负载浓度和检测试剂。

2.根据权利要求1所述的方法，其中应用所述机器学习网络还包括：

基于所述实验输入参数提取相关免疫测定参考数据；

根据所述相关免疫测定参考数据，确定所述实验输入参数和对应的参考分析物检测数据之间的关系；以及

生成用于检测所述分析物的目标参数。

3.根据权利要求2所述的方法，所述方法还包括：

将所述相关免疫测定参考数据分类为变量；

应用统计模型来确定两个或更多个变量之间的关系；以及

使用所述两个或更多个变量之间的所述关系来训练所述机器学习网络。

4.根据权利要求3所述的方法，其中所述统计模型包括以下中的至少一者：成本函数、逻辑回归模型、多元回归模型和随机梯度模型。

5.根据权利要求3所述的方法，其中所述变量包括以下中的一者或多者：分析物丰度、分析物的来源、分析物稳定性、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度，抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性、预制凝胶类型、转移到的膜类型、转移方法、转移缓冲液、洗涤方案或洗涤缓冲液。

6.根据权利要求2所述的方法，所述方法还包括：

确定所述分析物的子类；

识别与所述分析物的所述子类相关的免疫测定参考数据；

确定感兴趣分析物的一个或多个子类；以及

基于分析物的所检测到的子类来更新所述目标参数，

其中分析物的所述子类为跨膜蛋白质、不稳定蛋白质、磷酸化修饰、糖基化修饰、转译后修饰、蛋白质形式、蛋白质同种型、蛋白质的裂解变体或蛋白质的突变变体。

7.根据权利要求2所述的方法，其中所述目标参数包括以下中的至少一者：分析物的来源、细胞系、裂解物和凝胶类型。

8.根据权利要求1至7中任一项所述的方法，其中免疫测定参考数据包括以下中的至少一者：蛋白质印迹数据、多重蛋白质印迹捕获、定量数据、任选地表示分析物的相对丰度的所述定量数据、定量数据、任选地表示蛋白质的相对丰度的所述定量数据、分类数据、分析物检测数据、蛋白质检测数据和免疫细胞术数据。

9.根据权利要求8所述的方法，其中所述定量数据包括分析物丰度估值。

10.根据权利要求8所述的方法，其中所述免疫细胞术数据包括分析物定位数据或分析物强度数据中的至少一者。

11.根据权利要求1至10中任一项所述的方法，其中所述分析物是半抗原、激素、核酸、肽、经修饰的肽或前述分析物中的任何一个分析物的经修饰的形式中的至少一者。

12.根据权利要求11所述的方法，其中所述经修饰的肽由甲基化和乙酰化中的至少一者形成。

13.根据权利要求1至12中任一项所述的方法，其中所确定或所输出的免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的所述负载浓度的目标范围是样品和/或缓冲液和/或混合物中包含的所述分析物的负载浓度、克隆性、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂、抗体类型、抗体负载浓度、蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

14.根据权利要求13所述的方法，其中所述免疫测定参数集包括克隆性推荐，并且所述克隆性推荐包括单克隆分析物推荐或多克隆分析物推荐中的至少一者。

15.根据权利要求13所述的方法，其中所述检测技术应用以下中的至少一者：化学发光、荧光、酶和比色分析。

16.根据权利要求1至15中任一项所述的方法，其中，所述机器学习网络包括回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

17.根据权利要求1至16中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

18.根据权利要求17所述的方法，其中所述检测数据包括化学检测数据、生化检测数据、基于序列的检测、基于扩增的检测和/或荧光检测数据。

19.根据权利要求1至18中任一项所述的方法，其中所述实验输入参数包括分析物的来源、一组蛋白质和细胞系。

20.根据权利要求1至19中任一项所述的方法，其中所述实验输入参数包括经由用户界面接收的一组限制，并且所述免疫测定参数集包括所述一组限制的输出值。

21.根据权利要求1至20中任一项所述的方法，其中所述实验输入参数包括来自多个测定的数据。

22.根据权利要求1至21中任一项所述的方法，其中所述实验输入参数包括至少一个检测蛋白质或目标分析物，并且所述免疫测定参数集包括至少一个检测蛋白质或目标分析物的负载推荐输出。

23.根据权利要求1至22中任一项所述的方法，其中所述实验输入参数包括经由用户界面接收的一组蛋白质和一组限制，并且所述目标参数识别所述一组限制中的至少一个限制的目标值。

24.根据权利要求23所述的方法，其中所述一组限制包括以下中的至少一者：可用裂解物、细胞系、组织类型、检测技术和抗体克隆性。

25.根据权利要求1至24中任一项所述的方法，所述方法还包括从指示实验免疫测定数据的图像中提取免疫测定训练和参考数据。

26.根据权利要求1至25中任一项所述的方法，所述方法还包括：

接收指示免疫测定参数集类型的信息，所述免疫测定参数集类型是故障排除解决方案或实验设计中的至少一者；以及

基于所述免疫测定参数集类型来更新所述目标参数。

27.根据权利要求26所述的方法，其中所述目标参数涉及以下中的至少一者：蛋白质印迹应用、免疫印迹方法、转移方法和蛋白质凝胶类型。

28.根据权利要求26所述的方法，其中所述故障排除解决方案识别分析物的来源、抗体和稀释度检测信息中的一者或多者。

29.一种用于在免疫测定中检测一个或多个分析物的系统，所述系统包括：

至少一个计算装置，所述计算装置包括处理器和至少一个存储器，所述至少一个存储器存储指令，所述指令在由所述处理器执行时使得所述计算装置：

接收免疫测定参考数据，所述免疫测定参考数据包括多组输入参数和对应的分析物检测数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符和克隆性；

将机器学习网络应用于所述免疫测定参考数据以基于所述分析物识别目标参数；

基于所述目标参数来确定免疫测定参数集；以及

提供所述免疫测定参数集，其中所述免疫检测参数集包括样品、缓冲液、溶液和/或混合物中包含的所述分析物以及检测试剂中的至少一者的负载浓度。

30.根据权利要求29所述的系统，其中所述至少一个存储器存储指令，

所述指令在由所述处理器执行时进一步使得所述计算装置：

基于所述实验输入参数提取相关的免疫测定参考数据；

确定所述实验输入参数和对应的参考分析物检测数据之间的关系；以及

确定或生成用于检测所述分析物的目标参数。

31.根据权利要求30所述的系统，其中所述至少一个存储器存储指令，

所述指令在由所述处理器执行时进一步使得所述计算装置：

将所述的相关免疫测定参考数据分类为变量；以及

应用统计模型来确定两个或更多个变量之间的关系；以及

使用所述两个或更多个变量之间的所述关系来训练所述机器学习网络。

32.根据权利要求29至31中任一项所述的系统，其中所述免疫测定参考数据包括来自多个实验的分析物检测数据，所述分析物检测数据包括各个负载浓度、各个检测试剂和各个抗体亲和性中的一者或多者。

33.根据权利要求29至32中任一项所述的系统，其中所述免疫测定参数集包括样品、缓冲液、混合物和/或溶液中包含的所述分析物以及所述检测试剂中的至少一者的所述负载浓度的目标范围。

34.根据权利要求29至33中任一项所述的系统，其中所述免疫测定参数集还包括以下中的至少一者：免疫测定性能预测、推荐的分析物、推荐的检测试剂、抗体浓度、蛋白质裂解物浓度、抗体类型、目标细胞系、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

35.根据权利要求29至34中任一项所述的系统，其中所述机器学习网络应用回归模型、决策树和随机梯度下降模型中的至少一者。

36.根据权利要求29至35中任一项所述的系统，其中实验输入参数包括以下中的一者或多者：蛋白质、克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系，一组蛋白质和抗体结合变化。

37.根据权利要求29至36中任一项所述的系统，其中所述指令进一步使得所述计算装置从表示实验免疫测定数据的图像中提取免疫测定参考数据。

38.根据权利要求29至37中任一项所述的系统，其中所述系统还包括用户界面，并且所述用户界面包括以下中的至少一者：仪器控制台、网络工具、图形用户界面和计算装置上的显示器。

39.一种用于存储指令的非暂态算机可读介质，所述指令在由一个或多个处理器执行时使得装置执行根据权利要求1至30中任一项所述的方法。

40.一种装置，所述装置包括：一个或多个处理器；和存储器，所述存储器存储指令，所述指令在由所述一个或多个处理器执行时使得所述装置执行根据权利要求1至39中任一项所述的方法。

41.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；

接收一组实验输入参数，所述实验输入参数包括与所述免疫测定实验相关的至少一个变量；

接收指示以下中的至少一者的问题的信息：所述免疫测定参考数据、实验输入参数和免疫测定实验的结果；

将机器学习网络应用于所述免疫测定参考数据以基于所述问题识别目标参数；以及

基于所述目标参数确定要解析的免疫测定参数集。

42.根据权利要求41所述的方法，其中所述问题是分析物检测问题或免疫测定参考数据提取问题中的至少一者。

43.根据权利要求42所述的方法，其中所述问题涉及从指示实验免疫测定数据的图像中提取免疫测定参考数据。

44.根据权利要求41至43中任一项所述的方法，其中所述免疫测定参数集提供以下中的至少一者：来自细胞系来源的蛋白质裂解物、裂解物类型、用于目标检测的抗体稀释度范围、基于克隆性和宿主主链类型的抗体稀释度、检测试剂类型、检测技术类型和确保线性的目标检测技术。

45.根据权利要求41至44中任一项所述的方法，其中所述实验输入参数包括以下中的至少一者：分析物类型、蛋白质类型、抗体克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系，一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围和蛋白质质量范围。

46.根据权利要求41至45中任一项所述的方法，其中所述实验输入参数包括以下中的一者或多者：半抗原、激素、经修饰的核酸、肽、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度、抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性。

47.根据权利要求41至46中任一项所述的方法，其中所述实验输入参数包括经由用户界面接收的一组变量，所述问题涉及检测，并且所述免疫测定参数集包括所述一组变量的推荐值。

48.根据权利要求41至47中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性或检测敏感性。

49.根据权利要求41至48中任一项所述的方法，其中免疫测定参数集包括以下中的一者或多者：样品、或缓冲液、或溶液和/或混合物中包含的所述分析物中的至少一个分析物中的负载浓度的目标范围、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、推荐的检测试剂、抗体类型，抗体负载浓度、蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

50.根据权利要求41至49中任一项所述的方法，其中所述机器学习网络应用回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

51.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；

接收一组实验输入参数；

接收用于所述免疫测定实验的至少一个目标变量；

将机器学习网络应用于所述免疫测定参考数据以基于所述目标变量识别目标参数；以及

基于所述目标参数来确定用于获取所述目标变量的免疫测定参数集，其中所述目标变量为分析物。

52.根据权利要求51所述的方法，其中所述一组实验输入参数表示实验方法。

53.根据权利要求51至52中任一项所述的方法，其中所述实验方法为蛋白质印迹方法、免疫印迹方法、转移方法和利用蛋白质凝胶的方法。

54.根据权利要求51至53中任一项所述的方法，其中所述至少一个目标变量包括以下中的一者或多者：分析物类型、蛋白质类型、抗体克隆性、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围和蛋白质质量范围。

55.根据权利要求51至54中任一项所述的方法，其中所述至少一个目标变量包括以下中的一者或多者：半抗原、激素、经修饰的核酸、肽、蛋白质、抗原、分析物大小、蛋白质来源、细胞系、组织类型、检测敏感性、负载浓度、蛋白质丰度、抗体效应、膜效应、阻断效应、提取效应、蛋白质不稳定性、膜类型、分析物丰度、抗体结合变化、抗体克隆性、结合亲和性、抗体同种型特异性、主链类型、检测标记、酶、检测多重性或检测敏感性。

56.根据权利要求51至55中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性或检测敏感性。

57.根据权利要求51至56中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：样品、或缓冲液、溶液和/或混合物中包含的所述分析物中的至少一个分析物的负载浓度的目标范围、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、推荐的检测试剂、抗体类型，抗体负载浓度、蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

58.根据权利要求51至57中任一项所述的方法，其中，所述机器学习网络应用回归模型、基于决策树的训练模型和随机梯度下降模型中的至少一者。

59.一种用于操作用于免疫印迹的免疫测定仪器支持装置的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的免疫印迹参考数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符；

将机器学习网络应用于所述免疫印迹参考数据以基于所述分析物识别目标参数；以及

基于所述目标参数确定免疫测定参数集，其中所述免疫测定参数集包括样品、缓冲液、混合物和/或溶液中包含的所述分析物中的至少一个分析物的负载浓度和检测试剂。

60.根据权利要求59所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

61.根据权利要求59至60中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

62.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符；

将机器学习网络应用于所述免疫测定参考数据，以基于分析物的所述标识符来识别目标参数，所述目标参数包括用于分析的一组多个蛋白质；以及

基于所述目标参数确定用于分析所述一组多个蛋白质的免疫测定参数集，其中所述免疫测定参数集包括样品、缓冲液、溶液和/或混合物中包含的所述分析物中的至少一个分析物的负载浓度和检测试剂。

63.根据权利要求62所述的计算机实现的方法，其中所述免疫测定是基于珠粒的免疫测定。

64.根据权利要求63所述的计算机实现的方法，其中所述基于珠粒的免疫测定是多重测定、利用面板的基于珠粒的免疫测定或利用活化面元构建剂的基于珠粒的免疫测定。

65.根据权利要求62至64中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、样品中包含的所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

66.根据权利要求62至65中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

67.一种用于操作免疫测定仪器支持装置的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符和单细胞信息；

将机器学习网络应用于所述免疫测定参考数据，以基于分析物的所述标识符来识别目标参数；以及

基于所述目标参数确定用于检测所述单细胞中的多个蛋白质的免疫测定参数集，其中所述免疫测定参数集包括样品中包含的所述分析物中的至少一个分析物的负载浓度和检测试剂。

68.根据权利要求67所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、样品中包含的所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

69.根据权利要求67至68中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

70.一种用于操作免疫测定仪器支持装置以进行基于流的免疫测定的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的免疫测定参考数据，其中所述免疫测定参考数据包括至少一组基于流的免疫测定数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符和单细胞信息；

将机器学习网络应用于包括所述基于流的免疫测定数据的所述免疫测定参考数据，以基于所述分析物识别目标参数；以及

基于所述目标参数确定用于检测所述单细胞中的多个蛋白质的免疫测定参数集，其中所述免疫测定参数集包括样品中包含的所述分析物中的至少一种分析物的负载浓度和检测试剂。

71.根据权利要求70所述的方法，其中所述基于流的免疫测定是侧流免疫测定法。

72.根据权利要求70至71中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、样品中包含的所述分析物中的至少一个分析物的负载浓度的目标范围、抗体类型、所述检测试剂、免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标细胞系、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

73.根据权利要求70至72中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

74.一种用于优化免疫测定中的荧光分析物检测的计算机实现的方法，所述方法包括：

接收包括多组参考输入参数和对应的参考分析物检测数据的参考数据；

接收一组实验输入参数，其中所述实验输入参数包括分析物的标识符；

将机器学习网络应用于所述参考数据以基于所述分析物识别用于荧光检测的目标参数；以及

基于所述目标参数确定免疫测定参数集，其中所述免疫测定参数集包括样品中包含的所述分析物中的至少一种分析物的负载浓度和检测试剂。

75.根据权利要求74所述的方法，其中所述免疫测定参数集还包括用于检测蛋白质或分析物中的至少一者的染料类型。

76.根据权利要求75所述的方法，其中所述类型的染料是Ab缀合物、次级Ab缀合物或检测低丰度分析物的强染料中的至少一者。

77.根据权利要求74至76中任一项所述的方法，其中所述免疫测定参数集包括以下中的一者或多者：细胞系、分析物负载范围、目标蛋白质、检测数据、裂解物类型、裂解物负载浓度、抗体类型、抗体结合位点、抗体克隆性、抗体稀释度范围、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测试剂、检测多重性、检测敏感性、样品、缓冲液或混合物中包含的所述分析物中的至少一个分析物的负载浓度的目标范围、克隆性、抗体类型、所述检测试剂，免疫测定性能预测、推荐的蛋白质来源、最佳细胞系、细胞来源、抗体克隆性、检测技术、克隆性推荐、抗体推荐、分析物推荐、分析物的来源推荐、凝胶类型推荐的检测试剂，抗体类型，抗体负载浓度，蛋白质裂解物浓度、目标蛋白质来源、分析物质量、转移条件、验证标志和预测的分析物位置。

78.根据权利要求74至77中任一项所述的方法，其中实验输入参数包括以下中的一者或多者：分析物类型、蛋白质类型、细胞系、检测试剂、抗体浓度、底物、底物敏感性、检测敏感性、裂解物浓度、细胞系、一组蛋白质、抗体结合变化、阻断数据、细胞裂解物制备数据、蛋白质不稳定性、蛋白质稳定性、凝胶参数、分析物质量范围、蛋白质质量范围、细胞系、检测数据、裂解物类型、裂解物负载浓度、蛋白质、蛋白质同种型、蛋白质或转译后经修饰的蛋白质的片段、抗体结合位点、抗体克隆性、抗体稀释度、结合亲和性、抗体同种型特异性、主链类型、蛋白质稳定性、蛋白质不稳定性、检测标记、酶、检测多重性或检测敏感性。

79.一种方法，所述方法包括：

接收与免疫测定实验相对应的实验数据，其中所述实验数据基于感兴趣分析物；

通过机器学习过程来分析所述实验数据，所述机器学习过程经训练以确定所述分析物的条带在免疫测定中的变化程度；以及

基于所述分析，确定所述免疫测定实验中的条带的所述变化程度，其中所述条带包括感兴趣分析物。

80.根据权利要求79所述的方法，其中所述机器学习过程包括神经网络。

81.根据权利要求80所述的方法，其中所述神经网络是前馈网络或深度神经网络。

82.根据权利要求79所述的方法，其中：

所述分析包括分析所述免疫测定实验的免疫测定图像；以及所述确定包括在所述免疫测定图像上标记所述条带的所述变化程度。

83.根据权利要求82所述的方法，其中所述免疫测定图像包括染色凝胶或毛细管凝胶，其中所述毛细管凝胶负载所述分析物。

84.根据权利要求79所述的方法，其中所述免疫测定实验是基于珠粒的免疫测定或基于流的免疫测定。

85.根据权利要求79所述的方法，其中所述分析物是蛋白质、半抗原、激素、核酸、肽、经修饰的肽或前述分析物的任何一个分析物的经修饰的形式中的至少一者。

86.根据权利要求79所述的方法，其中所述机器学习过程已使用免疫测定数据集进行训练，所述免疫测定数据集包括以下中的至少一者：糖基化、二硫键、经修饰的残基、3-(N-吗啉代)丙磺酸(MOPS)、泛素化、脂化、2-(N-吗啉代)乙磺酸(MES)、等电点(pI)、类泛素化、Tris-乙酸盐、链间或聚合物交联、凝胶类型、缓冲液类型或变化程度。

87.根据权利要求79或权利要求86所述的方法，其中所述实验数据包括以下中的至少一者：糖基化、二硫键、经修饰的残基、3-(N-吗啉代)丙磺酸(MOPS)、泛素化、脂化、2-(N-吗啉代)乙磺酸(MES)、等电点(pI)、类泛素化、Tris-乙酸盐、或所述感兴趣分析物的链间或聚合物交联以及所述免疫测定实验的凝胶类型和缓冲液类型。

88.根据权利要求79所述的方法，其中所述条带的所述变化程度是由与所述感兴趣分析物相对应的分子量的变化引起的。

89.根据权利要求79所述的方法，所述方法还包括：

确定是否应该修改所述实验数据；以及

显示所确定的修改。

90.一种系统，所述系统包括：

处理器；和

存储器，所述存储器耦合到所述处理器，所述存储器具有存储在其上的指令，所述指令在由所述处理器执行时使得所述处理器执行以下操作，所述操作包括：

接收实验数据，其中所述实验数据包括分析物的标识符和免疫测定图像；

分析所述免疫测定图像以标记所述免疫测定图像的特征，其中所述特征包括条带；

通过机器学习过程确定所述免疫测定图像上的条带的变化程度，其中所述条带包括与所述标识符相对应的感兴趣分析物；以及

在所述免疫测定图像上显示所述条带的所述变化程度。

91.根据权利要求90所述的系统，其中所述机器学习过程包括神经网络。

92.根据权利要求91所述的系统，其中所述神经网络是前馈网络或深度神经网络。

93.根据权利要求90所述的系统，其中所述处理器执行进一步操作，所述进一步操作包括：

计算所述条带的分子量数据；以及

显示数据表，其中所述数据表包括所计算的分子量。

94.根据权利要求90所述的系统，其中所述实验数据还包括细胞系的标识符、分子标志物的标识符、裂解物类型、负载浓度和凝胶类型中的至少一者。

95.根据权利要求90所述的系统，其中所述处理器执行进一步操作，所述进一步操作包括：

确定是否应该修改所述实验数据；以及

显示所确定的修改。

96.根据权利要求90所述的系统，其中所述免疫测定图像是基于珠粒的免疫测定或基于流的免疫测定的图像。

97.根据权利要求90所述的系统，其中所述分析物是蛋白质、半抗原、激素、核酸、肽、经修饰的肽或前述分析物的任何一个分析物的经修饰的形式中的至少一者。

98.根据权利要求90所述的系统，其中所述特征还包括所述免疫测定图像的帧和所述免疫测定图像的泳道中的至少一者。

99.根据权利要求90所述的系统，其中所述免疫测定图像包括多条条带。

100.根据权利要求98所述的系统，其中所述免疫测定图像包括多条泳道。

101.根据权利要求99所述的系统，其中对所述多条泳道中的每条泳道进行分析，以确定每条泳道中的所述条带的变化。

102.根据权利要求90所述的系统，其中所述处理器执行操作，所述操作还包括：

显示是否发现所述条带、发现有非特异性条带、未发现条带或没有条带。

103.根据权利要求90所述的系统，其中所述机器学习过程已使用免疫测定数据集进行训练，以确定在免疫测定实验中分析物条带的变化程度。

104.根据权利要求103所述的系统，其中所述免疫测定数据集包括以下中的至少一者：糖基化、二硫键、经修饰的残基、3-(N-吗啉代)丙磺酸(MOPS)、泛素化、脂化、2-(N-吗啉代)乙磺酸(MES)、等电点(pI)、类泛素化、Tris-乙酸盐、链间或聚合物交联、凝胶类型和缓冲液类型。

105.根据权利要求90所述的系统，其中所述接收和显示均由用户界面执行。