JP2015509182A - 質量分析法とスコア正規化による微生物の特定方法 - Google Patents

Abstract

質量分析法によって参照データ集合で表した参照微生物から微生物を特定する方法であって、１組の微生物データをスペクトルに従って決定するステップと、参照微生物ごとに、決定した微生物データと参照データ集合の間の距離を計算するステップと、確率ｆ（ｍ）を、関係に従って計算するステップであって、ｍは当該参照微生物に関して計算した当該距離であり、Ｎ（ｍ｜μ、σ）は、距離ｍに対して、特定すべき当該微生物が当該参照微生物であるときに、特定すべき参照微生物と当該参照微生物との間の距離をモデル化するランダム変数の値であり、は、距離ｍに対して、特定すべき当該微生物が当該参照微生物でないときに、特定すべき微生物と当該参照微生物との間の距離をモデル化するランダム変数の値であり、ｐは０から１の範囲の所定のスカラである、ステップとを含む、方法である。

Description

本発明は微生物、特にバクテリアを質量分析法により特定することに関する。

質量分析法を用いて微生物、より具体的にはバクテリアを特定することが知られている。微生物のサンプルが用意され、その後、当該サンプルの質量スペクトルを取得し前処理して、特にベースラインを除去し雑音を除去する。次に、前処理されたスペクトルのピークを検出し、このようにして得られたピークのリストを、特定した微生物または１群の微生物に各々が関連付けられたピークのリストから構築した知識ベースのデータ（種、綱、科など）に対して分類ツールを用いて「分析」し「比較する」。

分類ツールのうち、「１対全」タイプのＳＶＭ（「サポート・ベクトル・マシン」）分類が知られている（以降、「ＯＶＡ ＳＶＭ」）。「１対全」ＳＶＭの分類では、１組の類の対象物から成る類ごとに、当該類を当該組の他の類から分離する指向性境界を決定する。多数の「１対全」分類器が存在するので、当該組の類がこのように取得される。未知の対象物の特定では、当該未知の対象物と分類器に関連付けられた境界との間の代数距離を計算することによって分類器の各々を問い合わせる。通常、未知の対象物は、計算された最大距離に関連付けられた類に属するとして決定される。

この原理を図１と図２に概略的に示す。図１と図２は、質量スペクトルの２つのピークのみ、例えば、３つの微生物の質量スペクトルにおいて強度が最大の２つのピークのみ、により特定できる３つの微生物から成る非常に単純なケースを示している。第１の微生物は、値ｍ_１１にある第１のピークと値ｍ_１２にある第２のピークにより特徴付けられ（図１Ａ）、第２の微生物は値ｍ_２１にある第１のピークと値ｍ_２２にある第２のピークにより特徴付けられ（図１Ｂ）、第３の微生物は値ｍ_３１にある第１のピークと値ｍ_３２にある第２のピークにより特徴付けられる（図１Ｃ）。

勿論、ここで図示したケースは極めて単純である。現実には、実質的に１０００個を超えうる数の特定用のピークを有する何百もの微生物から微生物を特定しなければならない。さらに、図示したケースは非常に単純なものである。なぜならば、微生物が互いから非常に離れており、その距離から十分な情報を引き出せるだけの十分な精度で測定が行われているからである。

図３Ａに示したケースでは、測定されたベクトルＭの境界Ｆ_１に対する距離は正である。しかし、ベクトルＭは第１の微生物の１組のトレーニング・ベクトルから非常に離れているので、未知の微生物が事実上第１の微生物であると確実に推論することはできない。図３Ｂに示したケースでは、測定されたベクトルＭは１組のトレーニング・ベクトルに近いが、他の１組のトレーニング・ベクトルにも非常に近い。このケースでも、未知の微生物が第１の微生物であると推論することは困難である。図３Ｃに示したケースでは、測定したベクトルＭは境界Ｆ_１から離れており、１組のトレーニング・ベクトルに近く、当該組の境界に存在する。このケースは以前のケースよりも好ましいが、特定すべき微生物がどこに属するかに関する不確実性は依然として存在する。測定の精度を研究することが特に必要である。最後に、図３Ｄに示したケースは、測定されたベクトルが境界から離れておりかつ１組のトレーニング・ベクトルの間に存在するという稀な典型的ケースである。次いで、測定した距離が第１の微生物を特徴付ける値であり、当該距離を利用することができる。

理解できるように、計算した距離は部分的に関連するにすぎない。例えば、第１のケースでは、０．４に等しい距離は密接に関連するが、別のケースでは、そこから何かを推論することは不可能である。したがって、これらの距離を分析して当該距離から未知の微生物の種類と当該特定の信頼度を推論することが必要である。この追加の分析ステップは従来、生物学者や医者といった、分類ツールで計算した距離からどんな結論を引き出せるかを自己のノウハウにより決定する操作者により実行されている。

欧州特許出願公開第１ ２５３ ６２２号明細書

Jackson O. Lay’s document, "Maldi-tof spectrometry of bacteria", Mass Spectrometry Reviews, 2001, 20, 172-194. R.-E. Fan, K.-W. Chang, C.-J. Hsieh, X.-R. Wang, and C.-J. Lin.’s document "LIBLINEAR: A Library for Large Linear Classification", Journal of Machine Learning Research 9(2008), 1871-1874

或る程度、質量分析法や距離値を計算する分類ツールによって微生物を特定するための信頼できるツールは依然として存在しないといえる。

本発明は、質量スペクトル測定と分類ツールに基づいて微生物を特定するためのアルゴリズムを提供することによって上述の課題を解決することを目的とする。当該質量スペクトルと分類ツールでは、微生物をより高信頼度で特定することができる。

この目的のため、本発明の１つの目的は、質量分析法によって１群の所定の参照微生物から微生物を特定する方法であって、各参照微生物は１組の参照データにより表され、特定すべき微生物を代表する１組のデータを当該微生物の質量分析法測定に従って決定するステップと、参照微生物ごとに、決定した１組のデータと当該参照微生物の１組の参照データとの間の距離を計算するステップとを含む方法を提供することである。

「１組の参照データ」とは、分類ツールで参照微生物を特徴付けるデータを意味する。例えば、ＯＶＡ ＳＶＭ分類に対して、参照微生物に関連付けられた参照データは、ベクトル空間を２つの部分空間に分割するベクトル空間の超平面に対応する。

「１組の代表データ」とは、選択した分類ツールで特定すべき微生物を特徴付けるために使用されるデータを意味する。例えば、ＯＶＡ ＳＶＭ分類に対して、これらのデータは、ベクトル空間においてベクトルを形成する検出されたピークのリストである。

換言すれば、本発明は任意の種類の分類に適用される。公知なように、分類により距離が生成される。当該距離は参照要素に対する距離を測定する客観的な量である。本発明によれば、これらの距離は「Ｓ字」タイプの法則に従う０と１の間で正規化された確率に変換される。結果として、これらの確率自体は互いに比較可能な客観的な量であり、したがって、未知の微生物と過去に特定した微生物との「類似度」の実際の測定値である。

１実施形態によれば、スカラｐは全ての参照微生物に対して同一である。より具体的には、ｐは１／Ｎに等しい。Ｎは参照微生物の集合のサイズである。１つの変形として、スカラｐは０．５に等しい。

本発明の１実施形態によれば、当該質量スペクトルの決定と、取得した当該スペクトルと各参照微生物の間の距離の計算により、ベクトル分類アルゴリズムを実現する。

より具体的には、微生物の質量スペクトルの決定は、当該微生物の少なくとも１つの質量スペクトルを取得するステップと、取得した当該少なくとも１つの質量スペクトルにおけるピークを検出して、検出した当該ピークを所定のベクトル空間のベクトルに変換するステップとを含む。当該微生物と各参照微生物の間の距離の計算は、決定したベクトルと、当該参照微生物の第１の部分空間特性と他の参照微生物の第２の部分空間特性の間のベクトル空間を分割する境界との間の代数距離を計算するステップを含む。

特に、参照微生物の境界は、「サポート・ベクトル・マシン」タイプのアルゴリズムと当該参照微生物に対応する１組のベクトルとによって計算される。

１変形として、質量スペクトルの決定と、取得したスペクトルと各参照微生物の間の距離の計算により、許容距離アルゴリズムを実現する。

１実施形態によれば、当該ベクトルは、質量スペクトルの質量対電荷比の範囲における各所定の再分割区間において高々１つのピークを特定することによって計算される。

本発明は、１例としてのみ提供した以下の説明を添付図面と関連して読むことでより良く理解される。添付図面では、同一の参照番号は同一または類似の要素を示す。

微生物の２つのピーク特性を有する質量スペクトルの例を示す図である。 微生物の２つのピーク特性を有する質量スペクトルの例を示す図である。 微生物の２つのピーク特性を有する質量スペクトルの例を示す図である。 「１対全」のＳＶＭアルゴリズムによる図１Ａ、１Ｂ、および１Ｃの生命体に対して３つの境界を取得することを示す図である。 試験した個体からＳＶＭタイプの境界までの距離を示す図である。 試験した個体からＳＶＭタイプの境界までの距離を示す図である。 試験した個体からＳＶＭタイプの境界までの距離を示す図である。 試験した個体からＳＶＭタイプの境界までの距離を示す図である。 本発明に従う方法の流れ図である。 微生物からＳＶＭタイプの境界までの距離から２つのランダム変数を決定することを示す図である。 ２つの正規分布とそこから得た確率関数を示す図である。 本発明に従う確率関数に出現しうる単調性欠如を示す図である。 本発明に従う確率関数に出現しうる単調性欠如を示す図である。 本発明に従う確率関数を単調にした結果を示す図である。 本発明によって解決される、分類ツールによる特定が困難なケースを示す図である。 本発明によって解決される、分類ツールによる特定が困難なケースを示す図である。 最新技術に従う、特定すべきスペクトルから超スペクトルまでの許容距離を示す図である。

ＯＶＡ ＳＶＭ分類に基づく本発明に従う方法を図４の流れ図と関連して説明する。当該方法は、例えばＭＡＬＤＩ−ＴＯＦ（「Ｍａｔｒｉｘ−ａｓｓｉｓｔｅｄ ｌａｓｅｒ ｄｅｓｏｒｐｔｉｏｎ／ｉｏｎｉｚａｔｉｏｎ ｔｉｍｅ ｏｆ ｆｌｉｇｈｔ」）質量分析法により知識ベースにおいて統合すべき、１組のトレーニング質量スペクトルと１組の新たに特定した微生物の検定質量スペクトルとを取得するステップ１０で開始する。ＭＡＬＤＩ−ＴＯＦ質量分析法はそれ自体周知であり、以降ではさらに詳細に説明することはしない。例えば、非特許文献１を参照されたい。次いで、それ自体周知なように、取得したスペクトルを前処理して、特に当該スペクトルからノイズを除去し、そのベースラインを除去する。

次いで、ステップ１２で、例えば、極大値の検出に基づいたピーク検出アルゴリズムを用いて、取得したスペクトルに存在するピークの特定を行う。このようにして、スペクトル・ピークの位置と強度を含む、取得したスペクトルごとのピークのリストを生成する。

有利なことに、当該ピークは所定のトムソン・レンジ［ｍ_ｍｉｎ；ｍ_ｍａｘ］、好ましくはトムソン・レンジ［ｍ_ｍｉｎ；ｍ_ｍａｘ］＝［３、０００；１７、０００］で特定される。実際、微生物を特定するのに十分な情報はこの質量対電荷比の範囲に含まれていることが分かっており、したがってより広い範囲を考慮する必要はないことが分かっている。

当該方法は、量子化または「ビン化」ステップのステップ１４に進む。これを実現するために、範囲［ｍ_ｍｉｎ；ｍ_ｍａｘ］を複数の区間に分割する。当該複数の区間は、例えば、一定の幅を有し、区間ごとに幾つかのピークが含まれ、単一のピークが保たれ、有利には当該ピークが最高強度を有する。このように、測定したスペクトルごとにベクトルが生成される。当該ベクトルの各成分は、量子化区間に対応し、当該区間に対して保たれたピークの強度を値として有する。値「０」はピークが当該区間で検出されなかったことを意味する。

１つの変形として、ベクトルは、対応する区間にピークが存在するときには当該ベクトルの成分値を「１」に設定し当該期間にピークが存在しないときには当該ベクトルの成分値を「０」に設定することによって「二値化」される。この結果、後に実施される分類アルゴリズムの検定がより堅牢になる。本願の発明者らは実際、特にバクテリアの特定に関連する情報がピークの不存在および／または存在に原則として含まれること、および、強度情報はあまり関係がないことを指摘した。さらに、強度が一方のスペクトルから他方のスペクトルおよび／または一方の分光計から他方の分光計へと大きく変わりうることが分かる。この可変性のため、生の強度値を分類ツールで考慮することは困難である。

パラメータｐ_ｊは、例えば、「距離ｍが微生物ｊに対応する」という事象が「距離ｍが微生物ｊと異なる微生物に対応する」という事象と同じ重みを有する場合には、０．５に等しい。この仮定のもとに、ｍが２つの分布から等距離にある場合に、スペクトルが参照微生物ｊである確率は１／２であり、したがって、Ｎ−１個の他の参照微生物のうち何れかである確率は１／２（Ｎ−１）である。ここで、Ｎは知識ベースに記録された微生物の数である。

１つの変形として、パラメータｐ_ｊは１／Ｎに等しい。ここで、Ｎは知識ベースに記録された微生物の数である。この仮定のもと、ｍが２つの分布から等距離にある場合には、スペクトルが参照微生物の何れかである確率は等しいと考えられる。

図６で論じた分布のケースは標準的なものであるが、図７および図８に示すように、関数ｆ_ｊはしばしば分布の端部で単調ではないことがある。

例えば、図７では、特定すべき微生物と知識ベースの微生物Ｎｏ．３７５に関連付けられた境界Ｆ_３７５との間の−２に等しい距離ｍ_３７５に対して、具体的な測定がないと、微生物Ｎｏ．３７５の関数ｆ_３７５は１に等しい。これは、特定すべき微生物が微生物Ｎｏ．３７５である確率は１００％に近いことを意味するが、反対に、測定された微生物が微生物Ｎｏ．３７５である実際の確率は非常に低いと思われる。さらに、特定すべき微生物の微生物ｊに関連付けられた境界Ｆ_ｊに対する距離ｍの値が正である他の関数ｆ_ｊが存在し、したがって、関連する確率は０よりも非常に大きい。例えば、図８では、特定すべき微生物の確率ｆ_３７５（ｍ_３７５）は、知識ベースの微生物Ｎｏ．１５１５の境界Ｆ_１５１５へのその距離ｍ_３７５に関連付けられ、０．９、即ち、微生物Ｎｏ．３７５に関連付けられた確率より低い確率に等しく、特定すべき微生物は事実上、微生物Ｎｏ．１５１５であるようにみえる。この微生物Ｎｏ．１５１５の特定に関する依存性は、微生物Ｎｏ．３７５に関連する依存性より高いはずである。

実際には、このような挙動が存在しうる関数ｆ_ｊの端部で測定した距離が取得される可能性は低いが、有利なことに、関数ｆ_ｊはその単調性を保つと決定される。

この点に関し、正規分布がその計算の簡潔性のために有利に選択され、特定のケースでこの選択から生じうる非単調な挙動は重要でないことに留意されたい。実際、正規曲線を使用すると、分析上予測可能な挙動を有する関数ｆ_ｊが生成されるという利点がある。したがって、関係（７）に従って関数ｆ_ｊを修正して最終的に全ての距離にわたる単調な挙動を保証することができる。

ステップ２２の適用を例えば図９に示す。図９では、図７で示した関数ｆ_３７５は、値ｅより短い任意の距離に対してはゼロになり、その結果、この時点で関数ｆ_３７５は全ての距離に対してＳ字形の単調関数である。

ステップ２２の終わりに、本発明に従う分類ツールを校正する。ＯＶＡ ＳＶＭ分類ツールの境界Ｆ_ｊならびに確率関数ｆ_ｊを知識ベースに格納する。

当該知識ベースは、質量分光計、例えばＭＡＬＤＩ−ＴＯＦ質量分光計と、当該分光計に接続され取得した質量スペクトルを受信し処理して未知の微生物を特定できるデータ処理ユニットとを含む、質量分析法による微生物特定のシステムに取り込まれる。

より具体的には、未知の微生物を特定するために、当該方法は、１つまたは複数のその質量スペクトルを取得するステップ２４と、取得したスペクトルを前処理するステップ２６と、例えばステップ１０乃至１４との関係で前述したように当該スペクトルのピークを検出してピーク・ベクトルＶ_ｍを決定するステップ２８を含む。

次のステップ３０で、境界Ｆ_ｊの各々のベクトルＶ_ｍの距離ｍ_ｊを計算し、その後、ステップ３２で、距離ｍ_ｊの各々を対応する確率ｆ_ｊ（ｍ_ｊ）に変換する。

第１の変形では、確率ｆ_ｊ（ｍ_ｊ）は式（１）、（２）、および（７）に従って、即ち、以下の関係に従って数値的に計算される。

第２の変形によれば、確率ｆ_ｊ（ｍ_ｊ）を以下の関係（１４）に従って計算する。

関係（１３）は関係（１４）と数学的な視点から厳密に等価である。しかし、関係（１４）は数値的近似に関してより堅牢であり、不定を生じさせることなく無限値から離れている。

関数ｆ_ｊが単調とされるケースでは、関係（１１）と関係（１２）も適用される。

次に、確率ｆ_ｊ（ｍ_ｊ）が降順に分類される。所定の閾値を超えるものがない場合には、例えば特定されるものがないと考えられる。反対に、１つまたは幾つかが所定の閾値を超過した場合には、ステップ３４で、それらは例えば関連する微生物のリストとともに特定システムのディスプレイに表示される。例えば、３つの微生物のリストがその対応するｆ_ｊ（ｍ_ｊ）の値とともに表示される。当該値は、微生物の特定に関する信頼度に直接対応する。

距離の直接的な比較を基礎とし追加の分析がない最新技術によれば、特定すべき微生物は微生物Ｎｏ．３２５であると結論付けられる。ここで、分布を詳細に参照すると、特定すべき微生物が実際には微生物Ｎｏ．３２５ではあり得ず、微生物Ｎｏ．５９である可能性が高いことが分かる。特定の担当者のノウハウに基づく追加の分析によってのみ、特定した微生物が実際にＮｏ．５９であることを測定距離から結論付けることができる。

本発明に従う確率による距離変換により、この種の複雑なケースを解くことができる。実際、関数ｆ_３２５（ｍ_３２５）はゼロであり、これは、特定すべき微生物が微生物Ｎｏ．３２５である確率がゼロであることを意味し、関数ｆ_５９（ｍ_５９）が正でこの場合は０．５２に等しく、これは特定すべき微生物が微生物Ｎｏ．５９である信頼度は５２％であることを意味する。

有利なことに、本発明に従う方法により、未知の微生物が知識ベースの参照微生物の１つであるかどうかを判定することもできる。実際、値ｆ_ｊ（ｍ）は当該微生物と参照微生物の類似度の測定値を表す。したがって、値ｆ_ｊ（ｍ）が小さい場合には、未知の生物が参照微生物のどれとも類似せず知識ベースでは参照されないと判定することができる。より具体的には、本発明に従う方法は、値ｆ_ｊ（ｍ）の各々を、所定の閾値ｓ_ｊ、例えば全ての参照微生物に対して一意な値または参照微生物ごとの特定の値と比較するステップを含む。値ｆ_ｊ（ｍ）が全てその各々の閾値より小さい場合には、参照微生物が知識ベースの参照微生物のどれとも対応しないと判定する。

有利なことに、単一の閾値ｓ_ｊが使用され、この値は６０％に等しい。発明者らは実際、当該値により、未知の微生物が知識ベースに含まれないと確実に判定できることを発見した。

有利なことに、当該方法はまた、互いと１０％を超えない程度に異なる近傍値ｆ_ｊ（ｍ）、例えば最大値ｆ_ｊ（ｍ）を返す。

本発明に従う方法により、確率関数ｆ_ｊがそれに基づいて決定される分類器に対して問題を生じさせる多数の困難なケースを解決できるが、本発明に従う方法が、特に例えば表現型の点で参照微生物が非常に類似するとき、異なる参照生命体に対して類似する結果を返す。値ｆ_ｊ（ｍ）は微生物間の類似性の測定値であり、本発明に従う方法により、分類器が最小のマージンで区別できない本質的に類似の参照微生物に対して十分に近い値を有する結果を返すことができる。

勿論、本発明はこの種のアルゴリズムには限定されず、任意の種類の分類アルゴリズム、特に、例えば、直接的には信頼インデックスでない、参照オブジェクトに対する距離を表す値またはスコアを生成するとすぐに、分類アルゴリズムが「１対全」または「全対全」タイプの２値分類の組合せによって得られる多分類アルゴリズムに適用される。

公知なように、どの分類アルゴリズムを考慮しても、参照微生物の各々を表すデータに関して計算されたスコアまたは距離が常に存在する。本発明に従う方法は当該データに基づくことができる。

特に、本発明は、例えば平均スペクトルまたは特許文献１に開示された「超スペクトル」のような、参照要素との類似度計算を適用する分類アルゴリズムに関する。

特許文献１に開示のアルゴリズムでは、「超スペクトル」とも呼ばれる「合成バックグラウンド・スペクトル」（ＲＥＦ）が構築され、その各々は、所与の種のうち最も典型的なものとして考えられるピークのリストに対応する。質量スペクトルにより微生物を特定するために、この測定されたスペクトルと知識ベースに格納された全ての超スペクトルとの「類似度」を計算する。この類似度は、例えば、Ｊａｃｃａｒｄ距離またはＨａｍｍｉｎｇ距離のような質量に関する許容度を統合した距離であってもよい。

Claims (16)

1. 質量分析法によって１組の所定の参照微生物から微生物を特定する方法であって、各参照微生物は１組の参照データにより表され、
   特定すべき前記微生物を代表する１組のデータを前記微生物の質量分析法測定に従って決定するステップと、
   参照微生物ごとに、決定した前記１組のデータと前記参照微生物の前記１組の参照データとの間の距離を計算するステップと、
   前記参照微生物として特定すべき前記微生物に対する確率を、関係
   

   

   に従って計算するステップであって、ｍは前記参照微生物に関して計算した前記距離であり、ｆ（ｍ）は前記距離ｍに関して計算した確率であり、Ｎ（ｍ｜μ、σ）は、距離ｍに対して、特定すべき前記微生物が前記参照微生物であるときに、特定すべき微生物に関連付けられた１組のデータと前記参照微生物の前記１組の参照データとの間の距離をモデル化するランダム変数の値であり、
   

   

   は、距離ｍに対して、特定すべき前記微生物が前記参照微生物でないときに、特定すべき微生物に関連付けられた１組のデータと前記参照微生物の前記１組の参照データとの間の距離をモデル化するランダム変数の値であり、ｐは０から１の範囲の所定のスカラである、ステップと、
   を含む、方法。
2. ランダム変数Ｎ（ｍ｜μ、σ）と
   

   

   は正規ランダム変数であり、それぞれμと
   

   

   に等しい平均と、それぞれσと
   

   

   に等しい標準偏差を有する、請求項１に記載の方法。
3. 前記確率は、関係
   

   

   に従って計算される、請求項２に記載の方法。
4. 論理関係
   

   

   が証明された場合には、前記確率は、
   

   

   より大きい任意の距離ｍに対して１に設定され、
   

   

   は「排他的論理和」関数を表す、請求項２または３に記載の方法。
5. 論理関係
   

   

   が証明されない場合には、前記確率は、
   

   

   より小さい任意の距離ｍに対して０に設定され、
   

   

   は「排他的論理和」関数を表す、請求項２または３に記載の方法。
6. スカラｐは全ての参照微生物に対して同一である、請求項１乃至５の何れか１項に記載の方法。
7. スカラｐは１／Ｎに等しく、Ｎは前記１組の参照微生物のサイズである、請求項６に記載の方法。
8. スカラｐは０．５に等しい、請求項１乃至６の何れか１項に記載の方法。
9. 質量スペクトルの決定と、取得したスペクトルと各参照微生物の間の距離の計算によりベクトル分類アルゴリズムを実現する、請求項１乃至８の何れか１項に記載の方法。
10. 前記微生物の前記質量スペクトルの決定は、
    前記微生物の少なくとも１つの質量スペクトルを取得するステップと、
    取得した前記少なくとも１つの質量スペクトルにおけるピークを検出して、検出した前記ピークを所定のベクトル空間のベクトルに変換するステップと、
    を含み、
    前記微生物と各参照微生物の間の前記距離の計算は、決定した前記ベクトルと、前記参照微生物の第１の部分空間特性と他の参照微生物の第２の部分空間特性の間の前記ベクトル空間を分割する境界と、の間の代数距離を計算するステップを含む、
    請求項９に記載の方法。
11. 参照微生物の境界は、「サポート・ベクトル・マシン」タイプのアルゴリズムと前記参照微生物に対応する１組のベクトルとによって計算される、請求項９または１０に記載の方法。
12. 前記ベクトルは、前記質量スペクトルの質量対電荷比の範囲における各所定の再分割区間において高々１つのピークを特定することによって計算される、請求項９、１０、または１１の何れか１項に記載の方法。
13. 質量スペクトルの決定と、取得したスペクトルと各参照微生物の間の距離の計算により許容距離アルゴリズムを実現する、請求項１乃至１２の何れか１項に記載の方法。
14. 確率ｆ（ｍ）の各々を所定の閾値と比較するステップと、
    確率ｆ（ｍ）の全てが前記閾値より小さい場合には、特定すべき前記微生物が前記参照微生物の何れとも対応しないと判定するステップと、
    を含む、請求項１乃至１３の何れか１項に記載の方法。
15. 前記閾値は６０％に等しい、請求項１４に記載の方法。
16. 特定すべき微生物の質量スペクトルを生成可能な質量分光計と、
    請求項１乃至１５の何れか１項の方法を実施することによって、前記質量分光計により生成された前記質量スペクトルに関連付けられた前記微生物を特定可能な計算ユニットと、
    を備える、質量分析法により微生物を特定するための装置。

Images