JP2016200435A - マススペクトル解析システム,方法およびプログラム - Google Patents
マススペクトル解析システム,方法およびプログラム Download PDFInfo
- Publication number
- JP2016200435A JP2016200435A JP2015078992A JP2015078992A JP2016200435A JP 2016200435 A JP2016200435 A JP 2016200435A JP 2015078992 A JP2015078992 A JP 2015078992A JP 2015078992 A JP2015078992 A JP 2015078992A JP 2016200435 A JP2016200435 A JP 2016200435A
- Authority
- JP
- Japan
- Prior art keywords
- mass spectrum
- statistical analysis
- machine learning
- mass
- data set
- 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
Abstract
Description
図1はこの発明の実施例のマススペクトル解析システムのハードウェア構成を示すブロック図である。マススペクトル解析システムは,以下に説明するようにプログラムされたコンピュータシステムによって実現される。
図5は質量分析装置10から出力されるテキスト形式の生データ(テキストデータ)の一例を示している。これは一つのサンプルについて,スキャン法により,一定時間間隔で(一例として0.05秒から 0.5秒間隔で),低質量側から高質量側にスキャニングを繰返すことにより得られたものである。各スキャニングにより得られたイオン強度(任意目盛,以下同じ)データが,質量電荷比(m/z)の値(一例として700〜800の範囲のみ示されている)に対応して,スキャン1,2,3,4等の列に数値として並べられている。これは,質量電荷比(m/z),イオン強度および測定時間(スキャニング順を表わすデータ)の3次元データ(テキストファイル)である。
図7は,上述の生データを用いたTIC,MICまたはEIC(次に説明する)のクロマトグラムを示している。横軸は時間(スキャン回数),縦軸はイオン強度である。縦軸のイオン強度はTIC,MIC,EICによって異なる値をとるが,図7はEICのものと理解されたい(イオン強度は任意目盛であるから,その値そのものに大きな意味はないので,TIC,MIC,EICのいずれのものと考えても支障はない)。クロマトグラムは,イオン強度の総和(次に述べるように,何らかの形でまとめられた,または抽出された)を経時的に(時間軸に沿って,すなわちスキャンの順序に並べて)描画したものである。
マススペクトル解析システム20の表示装置24には代表マススペクトルの作成に関してモード選択画面(図示略)が表示され,ユーザはこのモード選択画面にしたがって,手動モードか,自動モードを選択する。手動モードが選択されたときには処理装置21は次に述べる代表マススペクトルの手動作成処理(S12)を実行する。
代表マススペクトル作成に関するモード選択画面において,ユーザが自動を選択すると,図9に示すような条件設定画面が表示部24に表示される(S131 )(条件設定手段)。この画面を用いてユーザは所望の条件を設定することができる。
上述のようにして処理部21において作成された一つのサンプルについての代表マススペクトルは記憶部26のデータベースに登録される。この際に,データの管理,編集を簡便に行うことができるようにするために,測定条件情報や検体情報についてのラベルを付与する。ラベルはデータの集まりがヒエラルキー構造(階層構造)をもつように作成されることが好ましい。この実施例では,最も上位のラベルはプロジェクト名である。
先に説明した代表マススペクトルの作成処理(S12,S13)において(特に,自動作成処理(S13)において)作成されたマススペクトルがすべて品質(クオリティ)の高いものとは限らない。作成した,または既にマススペクトルデータベース27に蓄積されたマススペクトルの品質が次のようにして評価される。この評価処理はメニュー画面(図示略)において指定することにより実行されるが,図10の表示画面において「チェック」ボタンを押してもこの評価処理に進むことができる。
さまざまな総計解析手法があるが,ここでは4つに大きく分類し,各分類ごとにそこに含まれるいくつかの代表的な手法を説明する。
Welch t-test(ウェルチのt検定)
「2つの母集団の平均が等しい」という帰無仮説のもと,等分散を仮定しない両側検定を行うものである。
WRST(Wilcoxon rank sum test)(ウィルコクソン順位和検定)
「両標本が同一母集団から抽出された」という帰無仮説に基づいてノンパラメトリックな検定を行うものである。
ANOVA(Analysis of variance)(分散分析)
「全ての群の母平均に差が無い」という帰無仮説に基づいて多群のパラメトリック検定を行うものである。
次元縮約は多くの変数を少数の変数(スコア)に縮約するものである。
教師無し次元縮約法である。
PLS(Partial least squares)(部分的最小二乗法)
教師あり次元縮約法である。
OPLS(Orthogonal Partial Least squares)(直交PLS)
PLSの改良版で,説明変数の直交成分を分離して解析する。
KPLS(kernel partial least squares)(カーネルPLS)
カーネル法を用いてPLSを非線形拡張するので,分離性能が向上する。
LDA(Linear discriminant analysis)(線形判別分析)
直線,超平面による判別関数を構成。
QDA(Quadratic discriminant analysis)(二次判別分析)
曲線,超曲面による判別関数を構成。
SVM(Support vector machine)(サポートベクターマシン)
マージンを最大化する識別面を特徴空間に構成する非線形識別法。
LR(Logistic regression)(ロジスティック回帰)
事後確率の対数尤度比が線形式で表されると仮定する回帰モデル。
RF(Random forest)(ランダムフォレスト)
決定木を弱学習器とする集団学習アルゴリズム。
機械学習法の診断精度を検証するものである。この検証結果により,最も適した機械学習手法を自動的に選定することも可能となる。
標本群をk個に分割して,そのうちの一つをテストサンプル,残りを訓練サンプルとする検証法。
LOOCV(Leave one out cross validation)(Leave-one-out交差検証)
標本群から1つのサンプルだけを抜き出してテストサンプルとし,残りを訓練サンプルとする検証法。
マススペクトル解析システム20の記憶部26には,上述した有意差検定法に含まれるすべての個別の検証法(Welch t-test,WRST,ANOVAなど)をそれぞれ実行するプログラム(ルーチン)(手段),次元縮約法に含まれるすべての個別の縮約法(PCA,PLS,OPLS,KPLSなど)をそれぞれ実行するプログラム(ルーチン)(手段),機械学習法に含まれるすべての個別の学習法(LDA,QDA,SVM,LR,RFなど)をそれぞれ実行するプログラム(ルーチン)(手段)および検証法に含まれるすべての個別の検証法(k-fold CV ,LOOCVなど)をそれぞれ実行するプログラム(ルーチン)(手段)が格納されており,処理部21はこれらのプログラムにしたがって,各統計解析法,検証法を個別に,または同時に実行することができる。
図16に示すように,検定法としてANOVAが,縮約法としてPCAが,学習法としてLDAが,そして検証法としてLOOCVが選択された場合の具体例について以下に説明する。
食物を通してコレステロール負荷を加えたウサギ10匹:C16と略記する
遺伝的にコレステロール代謝に異常を有するウサギ10匹:Wと略記する
マーカー探索の目的は,3つのグループの識別に有用なマーカー物質を,m/z=10〜1000の中から見つけることである。
(ii)強度が十分に大きいm/zを選出する。平均強度は図16の画面で設定されているように,1.0〜inf.(無限)である。1.0は平均値で正規化しているので平均値を意味する。この条件(ii)は,いずれかのグループで,強度が1を上廻るピークに対応するm/zを選出することである。
(iii) 各グループ内での強度のばらつきが十分に小さいm/zを選出する。ばらつきは図16の画面で設定された変動係数範囲(0.0〜0.3)で定められる。変動係数は,各ピークの強度を1としたときの分散の値で定められる(ピークの強度によって分散の値が変ってしまうので,正規化している)。この条件(iii)は各グループで上記の分散が0.3未満となるようなピークに対応するm/zを選出することである。
マーカー検定で上記(i),(ii),(iii)の条件を満たすm/zが上記のように(図17)選出されたが,変数(m/z)の数が多いので,次元縮約法により,変数の数を減らす。次元縮約法により情報量を削減することで,学習/診断の精度が向上することがあるからである。
教師データを用いて機械学習を行い,この学習結果(判別関数)に基づいて,未知のスペクトルが属するグループを高精度に推定することを目的とするものである。最も好ましくは,上述した統計的検定,次元縮約法,機械学習法を組み合わせて,より高精度な判別器を構成することができる。
2)統計的検定→機械学習:検定において識別に重要であるとみなされたm/zを説明変数として,教師データの学習を行う。
3)次元縮約法→機械学習:全m/zの情報をより少ない変数(主成分やPLSスコア)に縮約し,それらを説明変数として教師データの学習を行う。
4)統計的検定→次元縮約法→機械学習:検定において識別に重要であるとみなされたm/zをより少ない変数(スコア)に縮約し,それらを説明変数として教師データの学習を行う。
図16に示す画面には,検証方法として,Leave-one-out 交差検証(LOOCV)が設定されている。これは「全サンプルから一つのサンプルを検証用に取り出して残りのサンプルで学習を行い,検証用のサンプルが属するグループを正しく推定できるか」という過程を全サンプル数繰り返し,機械学習による推定の正答率を出力する。
20 マススペクトル解析システム
21 処理部
22 入力部
23 出力部
26 記憶部
27,28 データベース
Claims (26)
- 質量電荷比,イオン強度および測定時間の3次元測定データを入力する測定データ入力手段,
入力測定データの指定された質量電荷比に関し,イオン強度の総和が最大となる時間帯を算出する最良時間帯検出手段,ならびに
検出された最良時間帯の入力測定データのイオン強度に基づいて代表マススペクトルを作成する代表マススペクトル作成手段,
を備えるマススペクトル解析システム。 - 入力された測定データの中から,最良時間帯を検出するための対象となるデータ範囲を定める条件を設定する条件設定手段をさらに備える,請求項1に記載のマススペクトル解析システム。
- 検出された最良時間帯および作成された代表マススペクトルを表示するマススペクトル表示手段をさらに備える,請求項1または2に記載のマススペクトル解析システム。
- 作成された代表マススペクトルにラベル情報を付加して記憶するマススペクトル蓄積手段をさらに備える,請求項1から3のいずれか一項に記載のマススペクトル解析システム。
- 前記マススペクトル蓄積手段に蓄積されている代表マススペクトルから内標作成のための特定の第1群のマススペクトルを指定する第1の指定手段,
指定された第1群のマススペクトルに基づいてイオン強度が高くかつ変動の少ない1または複数のピークを選定する内標候補作成手段,
前記マススペクトル蓄積手段に蓄積されている代表マススペクトルから評価対象とすべき第2群のマススペクトルを指定する第2の指定手段,および
前記内標候補作成手段によって作成された内標候補のうちの1または複数のピークを内標として前記第2群内の各マススペクトルの良否を判定する良否判定手段,
を備える請求項4に記載のマススペクトル解析システム。 - 多数の作成されたマススペクトルを蓄積しているマススペクトル蓄積手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから内標作成のための特定の第1群のマススペクトルを指定する第1の指定手段,
指定された第1群のマススペクトルに基づいてイオン強度が高くかつ変動の少ない1または複数のピークを選定する内標候補作成手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから評価対象とすべき第2群のマススペクトルを指定する第2の指定手段,および
前記内標候補作成手段によって作成された内標候補のうちの1または複数のピークを内標として前記第2群内の各マススペクトルの良否を判定する良否判定手段,
を備えるマススペクトル解析システム。 - 複数種類の有意差検定法を選択可能に表示するとともに選択された有意差検定法についての所望の有意水準を入力可能な統計解析法入力手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選定された有意差検定法を適用すべきデータセットを指定するデータセット指定手段,および
前記統計解析法入力手段に表示される複数種類の有意差検定法を実行するプログラムルーチンを有し,選択された有意差検定法を指定されたデータセットに対して実行する統計解析実行手段を備え,
この統計解析実行手段は,群間で有意差があると判断されたピークを選出するものである,
請求項4に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,複数種類の機械学習法を選択可能に表示するものであり,
前記統計解析実行手段は,前記統計解析法入力手段に表示される機械学習法を実行するプログラムルーチンを有し,選択された機械学習法を,前記データセット指定手段によって指定されたデータセット,または前記統計解析実行手段によって群間で有意差があると判断されたピークに対して,実行するものである,
請求項7に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,複数種類の次元縮約法を選択可能に表示するものであり,
前記統計解析実行手段は,前記統計解析法入力手段に表示される次元縮約法を実行するプログラムルーチンを有し,選択された次元縮約法を,前記データセット指定手段によって指定されたデータセット,または前記統計解析実行手段によって群間に有意差があると判断されたピークに対して実行し,その結果得られるスコアに関するデータに対して前記選択された機械学習法を実行するものである,
請求項8に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,少なくとも一つの交差検証法を選択可能に表示するものであり,
前記統計解析実行手段は,前記選択された機械学習法の学習結果を,前記選択された交差検証法により検証するものである,
請求項8または9に記載のマススペクトル解析システム。 - 複数種類の機械学習法を選択可能に表示する統計解析法入力手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選択された機械学習法を適用すべきデータセットを指定するデータセット指定手段,および
前記統計解析法入力手段に表示される機械学習法を実行するプログラムルーチンを有し,選択された機械学習法を,前記データセット指定手段によって指定されたデータセットに対して,実行する統計解析実行手段を備える,
請求項4に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,複数種類の次元縮約法を選択可能に表示するものであり,
前記統計解析実行手段は,前記統計解析法入力手段に表示される次元縮約法を実行するプログラムルーチンを有し,選択された次元縮約法を,前記データセット指定手段によって指定されたデータセットに対して適用し,その結果得られるスコアに関するデータに対して前記選択された機械学習法を実行するものである,
請求項11に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,少なくとも一つの交差検証法を選択可能に表示するものであり,
前記統計解析実行手段は,前記選択された機械学習法の学習結果を,前記選択された交差検証法により検証するものである,
請求項11または12に記載のマススペクトル解析システム。 - 多数のマススペクトルのデータを記憶するマススペクトル蓄積手段,
複数種類の有意差検定法を選択可能に表示するとともに選択された有意差検定法についての所望の有意水準を入力可能な統計解析法入力手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選択された有意差検定法を適用すべきデータセットを指定するデータセット指定手段,および
前記統計解析法入力手段に表示される複数種類の有意差検定法を実行するプログラムルーチンを有し,選択された有意差検定法を指定されたデータセットに対して実行する統計解析実行手段を備え,
この統計解析実行手段は,群間で有意差があると判断されたピークを選出するものである,
マススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,複数種類の機械学習法を選択可能に表示するものであり,
前記統計解析実行手段は,前記統計解析法入力手段に表示される機械学習法を実行するプログラムルーチンを有し,選択された機械学習法を,前記データセット指定手段によって指定されたデータセット,または前記統計解析実行手段によって群間に有意差があると判断されピークに対して,実行するものである,
請求項14に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,複数種類の次元縮約法を選択可能に表示するものであり,
前記統計解析実行手段は,前記統計解析法入力手段に表示される次元縮約法を実行するプログラムルーチンを有し,選択された次元縮約法を,前記データセット指定手段によって指定されたデータセット,または前記統計解析実行手段によって群間に有意差があると判断されたピークに対して実行し,その結果得られるスコアに関するデータに対して前記選択された機械学習法を実行するものである,
請求項15に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,少なくとも一つの交差検証法を選択可能に表示するものであり,
前記統計解析実行手段は,前記選択された機械学習法の学習結果を,前記選択された交差検証法により検証するものである,
請求項15または16に記載のマススペクトル解析システム。 - 多数のマススペクトルのデータを記憶するマススペクトル蓄積手段,
複数種類の機械学習法を選択可能に表示する統計解析法入力手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選択された機械学習法を適用すべきデータセットを指定するデータセット指定手段,および
前記統計解析法入力手段に表示される機械学習法を実行するプログラムルーチンを有し,選択された機械学習法を,前記データセット指定手段によって指定されたデータセットに対して,実行する統計解析実行手段を備える,
マススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,複数種類の次元縮約法を選択可能に表示するものであり,
前記統計解析実行手段は,前記統計解析法入力手段に表示される次元縮約法を実行するプログラムルーチンを有し,選択された次元縮約法を,前記データセット指定手段によって指定されたデータセットに対して適用し,その結果得られるスコアに関するデータに対して前記選択された機械学習法を実行するものである,
請求項18に記載のマススペクトル解析システム。 - 前記統計解析法入力手段は,さらに,少なくとも一つの交差検証法を選択可能に表示するものであり,
前記統計解析実行手段は,前記選択された機械学習法の学習結果を,前記選択された交差検証法により検証するものである,
請求項18または19に記載のマススペクトル解析システム。 - 質量電荷比,イオン強度および測定時間の3次元測定データをコンピュータに入力し,
コンピュータにおいて,入力測定データの指定された質量電荷比に関し,イオン強度の総和が最大となる時間帯を算出し,さらに
検出された最良時間帯の入力測定データのイオン強度に基づいて代表マススペクトルを作成する,
マススペクトル解析方法。 - 複数種類の有意差検定法を選択可能に表示するとともに選択された有意差検定法とそれについての所望の有意水準の入力を受付け,
マススペクトル蓄積手段に蓄積されている多数のマススペクトルから,選定された有意差検定法を適用すべきデータセットを,その指定に応じて選択し,
表示される複数種類の有意差検定法を実行するプログラムルーチンのうち,選択された有意差検定法に関するプログラムルーチンを,選択されたデータセットに対して実行し,
群間で有意差があると判断されたピークを選出する,
マススペクトル解析方法。 - 複数種類の機械学習法を選択可能に表示するとともに,選択された機械学習法の入力を受付け,
マススペクトル蓄積手段に蓄積されている多数のマススペクトルから,選択された機械学習法を適用すべきデータセットを,その指定に応じて選択し,
表示される機械学習法を実行するプログラムルーチンのうち,選択された機械学習法に関するプログラムルーチンを,選択されたデータセットに対して,実行する,
マススペクトル解析方法。 - 質量電荷比,イオン強度および測定時間の3次元測定データをコンピュータに入力し,
コンピュータにおいて,入力測定データの指定された質量電荷比に関し,イオン強度の総和が最大となる時間帯を算出し,さらに
検出された最良時間帯の入力測定データのイオン強度に基づいて代表マススペクトルを作成するようにコンピュータを制御する,
マススペクトル解析プログラム。 - 複数種類の有意差検定法を選択可能に表示するとともに選択された有意差検定法とそれについての所望の有意水準の入力を受付け,
マススペクトル蓄積手段に蓄積されている多数のマススペクトルから,選定された有意差検定法を適用すべきデータセットを,その指定に応じて選択し,
表示される複数種類の有意差検定法を実行するプログラムルーチンのうち,選択された有意差検定法に関するプログラムルーチンを,選択されたデータセットに対して実行し,
群間で有意差があると判断されたピークを選出するようにコンピュータを制御する,
マススペクトル解析プログラム。 - 複数種類の機械学習法を選択可能に表示するとともに,選択された機械学習法の入力を受付け,
マススペクトル蓄積手段に蓄積されている多数のマススペクトルから,選択された機械学習法を適用すべきデータセットを,その指定に応じて選択し,
表示される機械学習法を実行するプログラムルーチンのうち,選択された機械学習法に関するプログラムルーチンを,選択されたデータセットに対して,実行するようにコンピュータを制御する,
マススペクトル解析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015078992A JP6715451B2 (ja) | 2015-04-08 | 2015-04-08 | マススペクトル解析システム,方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015078992A JP6715451B2 (ja) | 2015-04-08 | 2015-04-08 | マススペクトル解析システム,方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016200435A true JP2016200435A (ja) | 2016-12-01 |
JP6715451B2 JP6715451B2 (ja) | 2020-07-01 |
Family
ID=57424087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015078992A Active JP6715451B2 (ja) | 2015-04-08 | 2015-04-08 | マススペクトル解析システム,方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6715451B2 (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017090566A1 (ja) * | 2015-11-26 | 2017-06-01 | ヒューマン・メタボローム・テクノロジーズ株式会社 | データ解析装置、方法及びプログラム |
WO2018131274A1 (ja) * | 2017-01-16 | 2018-07-19 | 株式会社島津製作所 | データ解析装置及びデータ解析用プログラム |
WO2018158801A1 (ja) * | 2017-02-28 | 2018-09-07 | 株式会社島津製作所 | スペクトルデータの特徴抽出装置および方法 |
JP2018181600A (ja) * | 2017-04-13 | 2018-11-15 | 国立大学法人山梨大学 | 質量分析装置及び質量分析方法、並びに解析装置及び解析方法 |
JP2019070547A (ja) * | 2017-10-06 | 2019-05-09 | 日本電子株式会社 | 質量分析データ処理装置及び質量分析データ処理方法 |
JP2019124563A (ja) * | 2018-01-16 | 2019-07-25 | 国立大学法人山梨大学 | 質量分析装置、質量分析方法、質量分析システム、及び質量分析解析プログラム |
WO2021111033A1 (en) * | 2019-12-02 | 2021-06-10 | Karsa Oy | A signal processing method and a mass spectrometer using the same |
CN113607915A (zh) * | 2021-04-23 | 2021-11-05 | 重庆工商大学 | 一种基于嵌入式系统的便携式堆肥腐熟度检测仪及检测方法 |
JP7310692B2 (ja) | 2020-04-21 | 2023-07-19 | 株式会社島津製作所 | 理論質量テーブル表示システム |
JP7334671B2 (ja) | 2020-04-21 | 2023-08-29 | 株式会社島津製作所 | 理論質量テーブル表示システム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005214799A (ja) * | 2004-01-29 | 2005-08-11 | Seikei Gakuen | データ解析装置、データ解析方法およびデータ解析プログラム |
JP2005221276A (ja) * | 2004-02-04 | 2005-08-18 | Shimadzu Corp | クロマトグラフ質量分析用データ処理装置 |
JP2009057337A (ja) * | 2007-08-31 | 2009-03-19 | Dainippon Sumitomo Pharma Co Ltd | メタボロームデータの解析方法および代謝関与マーカー |
JP2009294231A (ja) * | 2009-09-24 | 2009-12-17 | Hitachi High-Technologies Corp | クロマトグラフィー質量分析方法、及びクロマトグラフ質量分析装置 |
JP2011203262A (ja) * | 2005-07-25 | 2011-10-13 | Metanomics Gmbh | クロマトグラフィー/マススペクトロメトリーを用いてサンプルを分析する手段と方法 |
JP2011242255A (ja) * | 2010-05-18 | 2011-12-01 | Shimadzu Corp | クロマトグラフ質量分析用データ処理装置 |
JP2012523000A (ja) * | 2009-04-07 | 2012-09-27 | バイオクレイツ ライフ サイエンス エージー | インビトロで多因子疾患を診断する方法 |
US20140132607A1 (en) * | 2012-11-15 | 2014-05-15 | Shimadzu Corporation | Chromatograph mass spectrometry data processing device |
JP2014202582A (ja) * | 2013-04-04 | 2014-10-27 | 株式会社島津製作所 | クロマトグラフ質量分析データ処理装置 |
-
2015
- 2015-04-08 JP JP2015078992A patent/JP6715451B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005214799A (ja) * | 2004-01-29 | 2005-08-11 | Seikei Gakuen | データ解析装置、データ解析方法およびデータ解析プログラム |
JP2005221276A (ja) * | 2004-02-04 | 2005-08-18 | Shimadzu Corp | クロマトグラフ質量分析用データ処理装置 |
JP2011203262A (ja) * | 2005-07-25 | 2011-10-13 | Metanomics Gmbh | クロマトグラフィー/マススペクトロメトリーを用いてサンプルを分析する手段と方法 |
JP2009057337A (ja) * | 2007-08-31 | 2009-03-19 | Dainippon Sumitomo Pharma Co Ltd | メタボロームデータの解析方法および代謝関与マーカー |
JP2012523000A (ja) * | 2009-04-07 | 2012-09-27 | バイオクレイツ ライフ サイエンス エージー | インビトロで多因子疾患を診断する方法 |
JP2009294231A (ja) * | 2009-09-24 | 2009-12-17 | Hitachi High-Technologies Corp | クロマトグラフィー質量分析方法、及びクロマトグラフ質量分析装置 |
JP2011242255A (ja) * | 2010-05-18 | 2011-12-01 | Shimadzu Corp | クロマトグラフ質量分析用データ処理装置 |
US20140132607A1 (en) * | 2012-11-15 | 2014-05-15 | Shimadzu Corporation | Chromatograph mass spectrometry data processing device |
JP2014202582A (ja) * | 2013-04-04 | 2014-10-27 | 株式会社島津製作所 | クロマトグラフ質量分析データ処理装置 |
Non-Patent Citations (1)
Title |
---|
"メタボローム研究を成功に導く多様なツール", AGILENT METABOLOMICS LABORATORY, JPN6019036926, 30 September 2007 (2007-09-30), pages 1 - 16, ISSN: 0004121918 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017090566A1 (ja) * | 2015-11-26 | 2017-06-01 | ヒューマン・メタボローム・テクノロジーズ株式会社 | データ解析装置、方法及びプログラム |
WO2018131274A1 (ja) * | 2017-01-16 | 2018-07-19 | 株式会社島津製作所 | データ解析装置及びデータ解析用プログラム |
CN110192106A (zh) * | 2017-01-16 | 2019-08-30 | 株式会社岛津制作所 | 数据解析装置以及数据解析用程序 |
JPWO2018131274A1 (ja) * | 2017-01-16 | 2019-11-07 | 株式会社島津製作所 | データ解析装置及びデータ解析用プログラム |
US11435370B2 (en) | 2017-01-16 | 2022-09-06 | Shimadzu Corporation | Data analying device and program for data analysis |
WO2018158801A1 (ja) * | 2017-02-28 | 2018-09-07 | 株式会社島津製作所 | スペクトルデータの特徴抽出装置および方法 |
JP7025621B2 (ja) | 2017-04-13 | 2022-02-25 | 国立大学法人山梨大学 | 質量分析装置及び質量分析方法、並びに解析装置及び解析方法 |
JP2018181600A (ja) * | 2017-04-13 | 2018-11-15 | 国立大学法人山梨大学 | 質量分析装置及び質量分析方法、並びに解析装置及び解析方法 |
JP2019070547A (ja) * | 2017-10-06 | 2019-05-09 | 日本電子株式会社 | 質量分析データ処理装置及び質量分析データ処理方法 |
JP7158642B2 (ja) | 2018-01-16 | 2022-10-24 | 国立大学法人山梨大学 | 質量分析装置及び質量分析システム |
JP2019124563A (ja) * | 2018-01-16 | 2019-07-25 | 国立大学法人山梨大学 | 質量分析装置、質量分析方法、質量分析システム、及び質量分析解析プログラム |
WO2021111033A1 (en) * | 2019-12-02 | 2021-06-10 | Karsa Oy | A signal processing method and a mass spectrometer using the same |
JP7310692B2 (ja) | 2020-04-21 | 2023-07-19 | 株式会社島津製作所 | 理論質量テーブル表示システム |
JP7334671B2 (ja) | 2020-04-21 | 2023-08-29 | 株式会社島津製作所 | 理論質量テーブル表示システム |
CN113607915A (zh) * | 2021-04-23 | 2021-11-05 | 重庆工商大学 | 一种基于嵌入式系统的便携式堆肥腐熟度检测仪及检测方法 |
CN113607915B (zh) * | 2021-04-23 | 2024-02-02 | 重庆工商大学 | 基于嵌入式系统的便携式堆肥腐熟度检测仪及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6715451B2 (ja) | 2020-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6715451B2 (ja) | マススペクトル解析システム,方法およびプログラム | |
CN107679052B (zh) | 大数据分析方法以及利用了该分析方法的质谱分析系统 | |
US10217620B2 (en) | Early detection of hepatocellular carcinoma in high risk populations using MALDI-TOF mass spectrometry | |
US10713590B2 (en) | Bagged filtering method for selection and deselection of features for classification | |
Enot et al. | Preprocessing, classification modeling and feature selection using flow injection electrospray mass spectrometry metabolite fingerprint data | |
US11521842B2 (en) | Mass spectrometric data analysis device and analysis method | |
JP2018152000A (ja) | 分析データ解析装置及び分析データ解析方法 | |
US9940383B2 (en) | Method, an arrangement and a computer program product for analysing a biological or medical sample | |
WO2021161901A1 (ja) | 特徴量選択方法、特徴量選択プログラム、マルチクラス分類方法、マルチクラス分類プログラム、特徴量選択装置、マルチクラス分類装置、及び特徴量セット | |
US20210350283A1 (en) | Data analyzer | |
JP2023532292A (ja) | 機械学習ベースの医療データチェッカ | |
Jenipher et al. | A study on early prediction of lung cancer using machine learning techniques | |
CN107025387B (zh) | 一种用于癌症生物标志物识别的方法 | |
Hernández‐Villegas et al. | Extraction of artefactual MRS patterns from a large database using non‐negative matrix factorization | |
US9563744B1 (en) | Method of predicting development and severity of graft-versus-host disease | |
JP6356015B2 (ja) | 遺伝子発現情報解析装置、遺伝子発現情報解析方法、及びプログラム | |
WO2022139735A1 (en) | Disease classification based on rna-sequencing data and an algorithm for the detection of disease-related genes | |
US20230253109A1 (en) | Cancer screening device and cancer screening method | |
Grissa et al. | A hybrid data mining approach for the identification of biomarkers in metabolomic data | |
US20230351263A1 (en) | Active machine learning model for targeted mass spectrometry data analysis | |
CN114184599B (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 | |
Grissa et al. | A Hybrid Approach for Mining Metabolomic Data | |
WO2022065216A1 (ja) | 特徴量選択方法、特徴量選択プログラム、及び特徴量選択装置、マルチクラス分類方法、マルチクラス分類プログラム、及びマルチクラス分類装置、並びに特徴量セット | |
JP2007240326A (ja) | 波形解析装置 | |
AL-Qurri | Improving Peptide Identification by Considering Ordered Amino Acid Usage |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180405 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190123 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191128 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200428 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200515 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6715451 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |