JP2004522980A5 - - Google Patents

Claims (39)

1. デジタルコンピュータを用いる質量スペクトルを分析する方法であって、該方法は、
   ａ）複数のサンプルからの質量スペクトルから得られるデータセットをデジタルコンピュータに入力する工程であって、各サンプルは、二つ以上のクラスを含むクラスセット内のクラスにあるか、または割り当てられ、各クラスは異なる生物学的状態によって特徴付けられ、各質量スペクトルは、飛行時間、質量電荷比、あるいは飛行時間または質量電荷比から導出された値の関数として信号強度を表すデータを含み、レーザイオン化脱離プロセスを用いて生成される、工程と、
   ｂ）該クラスセットの該クラスを区別する分類モデルを形成する工程であって、該形成する工程は、分類プロセスを実現するコードを実行することによって該データセットを分析する工程を含む、工程と
   を包含する、方法。
2. 前記質量分析は、ＭＡＬＤＩスペクトル、表面を活性化するレーザ脱離基／イオン化スペクトル、およびエレクトロスプレーイオン化スペクトルからなる群から選択される、請求項１に記載の方法。
3. 前記クラスセットは、正確に、二つのクラスからなる、請求項１に記載の方法。
4. 前記サンプルは、ポリペプチドおよび核酸からなる群から選択される生体分子を含む、請求項１に記載の方法。
5. 前記サンプルは、真核生物、原核生物、またはウイルスから派生する、請求項１に記載の方法。
6. 前記異なる生物学的状態は、正常状態および病理学的状態を含む、請求項１に記載の方法。
7. 前記異なる生物学的状態は、非疾患軽度の癌および重度の癌を含む、請求項１に記載の方法。
8. 前記異なる生物学的状態は、薬物療法の状態および非薬物療法の状態を含む、請求項１に記載の方法。
9. 前記異なる生物学的状態は、薬物反応状態および薬物無反応状態を含む、請求項１に記載の方法。
10. 前記異なる生物学的状態は、中毒状態および非中毒状態を含む、請求項１に記載の方法。
11. 前記中毒状態は、薬物に曝すことから生じる、請求項１０に記載の方法。
12. 前記データセットは、既知のデータセットであり、各サンプルは、該データセットが前記デジタルコンピュータに入力される以前に前記クラスの一つに割り当てられる、請求項１に記載の方法。
13. 前記分類モデルを形成する工程は、該分類モデルを形成するために既存のマーカを用いる工程を含む、請求項１に記載の方法。
14. 前記データセットが、
    前記質量スペクトルの信号を検出する工程であって、各質量スペクトルは、前記質量電荷比の関数として信号強度を表すデータを含む、工程と、
    類似の質量電荷比を有する該信号を信号クラスタにクラスタ化する工程と、
    所定の値以上の信号強度を有する少なくとも所定数の信号を有する信号クラスタを選択する工程と、
    該選択された信号クラスタに対応する該質量電荷比を識別する工程と、
    該識別された質量電荷比における信号強度を用いて該データセットを形成する工程と
    によって形成される、請求項１に記載の方法。
15. 前記分類モデルを形成する工程は、前記異なる生物学的状態を区別する特徴を識別する工程、および学習する工程の少なくとも一つを含む、請求項１に記載の方法。
16. 前記分類プロセスは、神経回路網解析を含む、請求項１に記載の方法。
17. ｃ）一つ以上の特徴が前記異なる生物学的状態を区別するかどうかを判別するために前記分類モデルに問い合わす工程をさらに含む、請求項１に記載の方法。
18. ｃ）さらに大量のサンプルを用いてａ）およびｂ）を繰り返す工程をさらに含む、請求項１に記載の方法。
19. 前記分類プロセスはクラスタ分析である、請求項１に記載の方法。
20. 前記データセットを形成する工程をさらに含み、該データセットを形成する工程は、前記質量スペクトルから生データを取得する工程と、次に、該データセットを形成するために該生の質量スペクトルデータを前処理する工程とを包含する、請求項１に記載の方法。
21. 前記異なるクラスは、薬物に曝すこと、一つのクラスの中の一つの薬物に曝すこと、および薬物または一つのクラスの中の一つの薬物に曝す不足から選択される、請求項１に記載の方法。
22. 前記各質量スペクトルは質量電荷比の関数または質量電荷比から導出された値としての信号強度を表すデータを含む、請求項１に記載の方法。
23. デジタルコンピュータを用いて生物学的状態によって特徴付けられたクラスに未知のサンプルを分類する方法であって、該方法は、
    ａ）該未知のサンプルの質量スペクトルから得られたデータを該デジタルコンピュータに入力する工程と、
    ｂ）請求項１の方法によって形成された分類モデルを用いて該質量スペクトルを処理して、該生物学的状態によって特徴付けられたクラスに該未知のサンプルを分類する工程と
    を包含する、方法。
24. 前記クラスは、疾患状態によって特徴付けられる、請求項２３に記載の方法。
25. 前記異なる生物学的状態は、非疾患の軽度の癌および重度の癌を含む、請求項２３に記載の方法。
26. 前記クラスは、一つのクラスの薬物のうちの一つの薬物を投与することによって特徴付けられる、請求項２３に記載の方法。
27. 前記クラスは、薬物反応によって特徴付けられる、請求項２３に記載の方法。
28. 前記クラスは、中毒状態によって特徴付けられる、請求項２３に記載の方法。
29. 未知のサンプルが、デジタルコンピュータを用いて生物学的状態によって特徴付けられるクラスに属するように正確に分類される尤度を推定する方法であって、該方法は、
    ａ）該未知のサンプルの質量スペクトルから得られたデータをデジタルコンピュータに入力する工程と、
    ｂ）請求項１の方法によって形成された前記分類モデルを用いて該質量スペクトルデータを処理して、該未知のサンプルが生物学的状態によって特徴付けられるクラスに正確に分類される尤度を推定する工程と
    を包含する、方法。
30. コンピュータ読み出し可能媒体であって、
    ａ）未知のサンプルの質量スペクトルから得られたデータをデジタルコンピュータに入力するためのコードと、
    ｂ）請求項１の方法によって形成された前記分類モデルを用いて該質量スペクトルを処理して、生物学的状態によって特徴付けられたクラスに該未知のサンプルを分類するためのコードと
    を含む、コンピュータ読み出し可能媒体。
31. 気相イオン分析器と、
    該気相イオン分析器からのデータを処理するように適応されたデジタルコンピュータと、
    該デジタルコンピュータと操作上関連する、請求項３０のコンピュータ読み出し可能媒体と
    を含む、システム。
32. 前記気相イオン分析器は、レーザ脱離イオン化プロセスを実行するように適応される、請求項３１に記載のシステム。
33. コンピュータ読み出し可能媒体であって、
    ａ）未知のサンプルの質量スペクトルから得られたデータをデジタルコンピュータに入力するためのコードと、
    ｂ）請求項１の方法によって形成された前記分類モデルを用いて該質量スペクトルデータを処理して、該未知のサンプルが生物学的状態によって特徴付けられるクラスに正確に分類される尤度を推定するためのコードと
    を含む、コンピュータ読み出し可能媒体。
34. 気相イオン分析器と、
    該気相イオン分析器からのデータを処理するように適応されたデジタルコンピュータと、
    該デジタルコンピュータと操作上関連する、請求項３３のコンピュータ読み出し可能媒体と
    を含む、システム。
35. 前記気相イオン分析器は、レーザ脱離イオン化プロセスを実行するように適応される、請求項３４に記載のシステム。
36. コンピュータ読み出し可能媒体であって、
    ａ）複数のサンプルからの質量スペクトルから導出されたデータを入力するためのコードであって、各サンプルは、二つ以上のクラスのクラスセット内のクラスであるか、または割り当てられ、各クラスは異なる生物学的状態によって特徴付けられ、各質量スペクトルは、飛行時間、質量電荷比、あるいは飛行時間または質量電荷比から導出された値の関数として信号強度を表すデータを含み、レーザイオン化脱離プロセスを用いて生成される、コードと、
    ｂ）分類プロセスを用いて分類モデルを形成するためのコードであって、該分類モデルは、該クラスセットにおいて該クラスを区別する、コードと
    を含むコンピュータ読み出し可能媒体。
37. 前記分類プロセスは、神経回路網解析を含む、請求項３６に記載のコンピュータ読み出し可能媒体。
38. 気相イオン分析器と、
    該気相イオン分析器からのデータを処理するように適応されたデジタルコンピュータと、
    該デジタルコンピュータと操作上関連する、請求項３６のコンピュータ読み出し可能媒体と
    を含む、システム。
39. 前記気相イオン分析器は、レーザ脱離イオン化プロセスを実行するように適応される、請求項３８に記載のシステム。