JP2020106340A - 情報処理装置、情報処理装置の制御方法、及びプログラム - Google Patents

Abstract

【課題】 環境（外気温など）の変動があっても、安定した分析結果が得られる。また、熟練者でなくても消耗品の劣化による分析結果のずれの補正、消耗品交換タイミングの判断ができる。【解決手段】 被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段と、前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする情報処理装置。【選択図】 図１

Description

本発明は、情報処理装置、情報処理装置の制御方法、及びプログラムに関する。

様々な試料中に含まれる特定成分（以下被検物質）の濃度や量を知る方法としてスペクトル解析が広く用いられている。スペクトル解析では、試料に何らかの刺激を与えた際の応答を検出し、得られた信号をもとに試料を構成する成分に関する情報（スペクトル情報）を得ることができる。刺激や応答を特徴づける、光を含む電磁波の強度の他、温度、質量、そして特定の質量をもった破片のカウント数がスペクトル情報である。刺激として電子衝突を用いて、分解によって生じた破片の質量に対しその量を記録し構造などの情報を得ることもスペクトル解析には含まれる。

スペクトル解析の中にはあらかじめ構成成分間の立体的大きさや、電荷、親・疎水性の違いを利用し、分離を試みた後に電磁波を照射して解析を行う方法もある。これは分離分析と呼ばれる。例えば液体クロマトグラフィー（以下ＨＰＬＣ）では、カラム種や移動相種、そして温度や流速などの分析条件を最適化することにより被検物質とその他の物質（以下、夾雑物と呼ぶ）を分離する。そして、分離した被検物質のスペクトルを計測する事で濃度や量を知る事ができる。また、夾雑物との分離が困難な場合は、予め夾雑物の一部を取り除く前処理を行ったり、分離条件の最適化検討を行う場合もある。前処理や分離条件の最適化でも夾雑物との分離ができない場合は、演算処理によるピーク分割が試みられる。

従来のピーク分割法としては、ベースラインを設ける方法（図１４）や、ピーク間の極小値を利用して垂直に分割する方法（図１５）、特許文献１や２に記載されたガウス関数など適当な関数を、最小二乗法を用いてフィッティングし分割する方法がある。

ここで、生体由来のサンプルの分析にはＨＰＬＣが使われることが多い。しかし、尿や血液など生体由来のサンプルでは夾雑物が多いことや、摂取物由来の未知の夾雑物が含まれるケースがあることから、被検物質を夾雑物から分離する為の分離条件検討や前処理、ピーク分割法等に習熟した操作者が必要になる。

その他、食品の残留の農薬分析や、環境分析夾雑物等も試料に夾雑物が多く含まれるケースは多々ある。そのため初心者でも前処理が必要なく簡便にかつ精度よく夾雑物のサンプル中の被検物質を分析できる方法が望まれていた。
こういった健康維持のための生体サンプルの分析機としては小型で簡便な装置が求められている。しかし、小型で簡便な分析装置は分析の環境を一定状態に保つことが難しく、安定した分析結果を得にくい。また消耗品の劣化による分析結果のずれの解釈、消耗品交換タイミングを判断するには熟練者が必要である。

特開平６−３２４０２９号公報 特開２００６−１７７９８０号公報 特開２０１８−１５２０００号公報

小型で簡便な分析装置は分析の環境を一定状態に保つことが難しく、安定した分析結果を得にくい。また消耗品の劣化による分析結果のずれの解釈、消耗品交換タイミングを判断するには熟練者が必要である。

上記課題を解決するために本発明に係る情報処理装置では、被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段と、
前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする

本発明では環境（外気温など）の変動があっても、安定した分析結果が得られる。また、熟練者でなくても消耗品の劣化による分析結果のずれの補正、消耗品交換タイミングの判断ができる。

本発明の実施形態に係る情報処理装置の概略ブロック図 本発明の実施形態に係る情報処理装置の概略ブロック図 本発明の実施形態における学習モデル生成のフローチャート 本発明の実施形態における定量的な情報推定のフローチャート 本発明の実施形態における算出処理のフローチャート 本発明の実施形態における校正のフローチャート 本発明の実施形態における補正のフローチャート 本発明の実施例１における装置の概略図 本発明の実施例１における実験回数毎の被検物質のピークを表すグラフ 本発明の実施例１における分離カラム劣化と予測精度変化を示すグラフ 本発明の実施例２における温度（季節）によって変化する被検物質のピークを示すグラフ 本発明の実施例２における学習モデルを更新しなかった例 本発明の実施例２における１５日毎に３０日分の校正データを用いて学習モデルを更新した例 従来のベースラインを設けるピーク分割法 従来のピーク間の極小値を利用して垂直に分割するピーク分割法 本発明の実施例で用いた恒温槽の温度と実験回数の関係を表すグラフ

以下に、図面を参照しながら、本発明の実施形態について説明する。但し、本発明の範囲は以下で説明する各実施形態に限定されるものではない。

まず、本発明の実施形態を説明するにあたり、用語の説明を行う。

（試料）
本実施形態における試料とは、複数種類の化合物を含み構成される混合物である。本実施形態では、試料には被検物質とその他の物質（夾雑物）とが含まれている混合物とし、混合物であれば、特に限定されない。また、混合物の成分が特定されている必要はなく、未知の成分が含有されていてもよい。例えば、試料は、血液、尿、唾液等の生体由来の混合物でも良いし、飲食物でもよい。生体由来のサンプルの分析はサンプル提供者の栄養や健康状態を知るための手がかりを含むため、その分析は医学的にも栄養学的にも価値がある。例えば尿中ビタミンＢ３は糖質、脂質、タンパク質の代謝、エネルギー産生に関与しているため、その尿中代謝物であるＮ１−メチル−２−ピリドン−５−カルボキサミドの測定は健康維持のための栄養指導に役立つ。

（被検物質）
本実施形態における被検物質とは、試料中に含まれる１つ以上の既知の成分である。例えば、タンパク質、ＤＮＡ、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、環境ホルモンで構成される群から選択される少なくとも一種である。

例えば、栄養素の量を知りたい場合、被検物質としては、チアミン（ビタミンＢ１）、リボフラビン（ビタミンＢ２）、ビタミンＢ３代謝物であるＮ１−メチルニコチンアミド、Ｎ１−メチル−２−ピリドン−５−カルボキサミド、ビタミンＢ６代謝物である４−ピリドキシン酸、Ｎ１−メチル−４−ピリドン−３−カルボキサミド、パントテン酸（ビタミンＢ５）、ピリドキシン（ビタミンＢ６）、ビオチン（ビタミンＢ７）、プテロイルモノグルタミン酸（ビタミンＢ９）、シアノコバラミン（ビタミンＢ１２）、アスコルビン酸（ビタミンＣ）等の水溶性ビタミンや、Ｌ−トリプトファン、リシン、メチオニン、フェニルアラニン、トレオニン、バリン、ロイシン、イソロイシン、Ｌ−ヒスチジン等のアミノ酸や、ナトリウム、カリウム、カルシウム、マグネシウム、リン等のミネラル、等を用いることができる。

（定量的な情報）
本実施形態における定量的な情報として、被検物質が試料に含まれる量、被検物質が試料に含まれる濃度、試料中の被検物質の有無等を用いることができる。また、その他の被検物質の定量的な情報として、被検物質の基準量に対して、試料に含まれる被検物質の濃度あるいは量の比率や、試料に含まれる被検物質の量あるいは被検物質の濃度の比率等を用いることができる。

（スペクトル情報）
本実施形態におけるスペクトル情報とは、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル（ＩＲスペクトル）、核磁気共鳴スペクトル（ＮＭＲスペクトル）、蛍光スペクトル、蛍光Ｘ線スペクトル、紫外／可視吸収スペクトル（ＵＶ／Ｖｉｓスペクトル）、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、Ｘ線吸収スペクトル、Ｘ線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、熱分析スペクトルで構成される群から選択される少なくとも一種である。

（情報処理システム、情報処理装置）
次に、図１を用いて、本実施形態における情報処理システムを説明する。図１は、第１の実施形態に係る情報処理装置を含む情報処理システムの全体構成を示す図である。

情報処理システムは、情報処理装置１０とデータベース２２と分析装置２３とを含んでいる。情報処理装置１０とデータベース２２とは、通信手段を介して互いに通信可能に接続されている。本実施形態においては、通信手段はＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）２１で構成される。また、情報処理装置１０と分析装置２３とは、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等の規格の通信手段で接続されている。なお、ＬＡＮは有線ＬＡＮでも無線ＬＡＮでもよいし、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）であってもよい。また、ＵＳＢはＬＡＮであってもよい。

データベース２２は、分析装置２３による分析によって取得されたスペクトル情報を管理する。また、データベース２２は、後述する学習モデル生成部４２により生成された学習モデル（学習済みモデル）を管理する。情報処理装置１０は、データベース２２で管理されたスペクトル情報や学習モデルを、ＬＡＮ２１を介して取得する。

（学習モデル）
本実施形態における学習モデルとは、回帰学習モデルであり、深層学習などの機械学習によって生成されたものを用いることができる。機械学習アルゴリズムに教師データを用いて学習を行い、適切な推測が行えるように構築したものをここでは学習モデルと呼ぶ。学習モデルに用いる機械学習アルゴリズムには様々な種類がある。例えば、ニューラルネットワークを用いた深層学習を使うことができる。ニューラルネットワークは入力層、出力層、複数の隠れ層から構成され、各層は活性化関数と呼ばれる計算式で結合されている。ラベル（入力に対応する出力）付き教師データを用いる場合、入力と出力の関係が成り立つように活性化関数の係数を決定していく。複数の教師データを用いて係数を決定していくことで、高い精度で入力に対する出力を予測できる学習モデルを生成する事ができる。

（分析装置）
分析装置２３は、試料や被検物質等を分析するための装置である。分析装置２３は、分析手段の一例に相当する。なお、前述したように、本実施形態では、情報処理装置１０と分析装置２３とが通信可能に接続されている。しかし、情報処理装置１０の内部に分析装置２３を備える形態であってもよいし、分析装置２３の内部に情報処理装置１０を備える形態であってもよい。更に、不揮発メモリなどの記録媒体を介して分析結果（スペクトル情報）を分析装置２３から情報処理装置１０へ受け渡す形態でもよい。

本実施形態における分析装置２３はスペクトル情報を取得できるものであれば限定されず、化学的な分析手法や、物理的な分析手法を用いた装置を利用できる。本実施形態において、化学的な分析手法を用いた装置は、例えば、液体クロマトグラフィーやガスクロマトグラフィー等のクロマトグラフィー、及びキャピラリー電気泳動法で構成される群から選択される少なくとも一種の手法を用いる。本実施形態において、物理的な分析手法を用いた装置は、例えば、光電子分光法、赤外吸収分光法、核磁気共鳴分光法、蛍光分光法、蛍光Ｘ線分光法、可視・紫外線吸収分光法、ラマン分光法、原子吸光法、フレーム発光分光法、発光分光法、Ｘ線吸収分光法、Ｘ線回折法、常磁性共鳴吸収等を利用した電子スピン共鳴分光法、質量分析法、熱分析法で構成される群から選択される少なくとも一種の手法を用いる。

例えば、液体クロマトグラフィーでは、移動相容器、送液ポンプ、試料注入部、カラム、検出器、Ａ／Ｄ変換機を備える。検出器としては、紫外線、可視光線、赤外線などを用いた電磁波の検出器をはじめ、電気化学検出器、イオン検出器等が用いられる。この場合、得られるスペクトル情報は時間に対する検出器からの出力強度となる。

情報処理装置１０は、その機能的な構成として、通信ＩＦ３１、ＲＯＭ３２、ＲＡＭ３３、記憶部３４、操作部３５、表示部３６、制御部３７を具備する。

通信ＩＦ（Ｉｎｔｅｒｆａｃｅ）３１は、例えば、ＬＡＮカード及びＵＳＢのインターフェースカードで実現される。通信ＩＦ３１は、ＬＡＮ２１とＵＳＢを介した外部装置（例えば、データベース２２と分析装置２３）と情報処理装置１０との間の通信を司る。ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３２は、不揮発性のメモリ等で実現され、各種プログラム等を記憶する。ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３３は、揮発性のメモリ等で実現され、各種情報を一時的に記憶する。記憶部３４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等で実現され、各種情報を記憶する。操作部３５は、例えば、キーボードやマウス等で実現され、ユーザからの指示を装置内に入力する。表示部３６は、例えば、ディスプレイ等で実現され、各種情報をユーザに向けて表示する。操作部３５や表示部３６は、制御部３７からの制御によりＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）としての機能を提供する。

（制御部）
制御部３７は、例えば、少なくとも１つのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等で実現され、情報処理装置１０における処理を統括制御する。制御部３７は、その機能的な構成として、スペクトル情報取得部４１、学習モデル生成部４２、学習モデル取得部４３、推定部４４、情報取得部４５、表示制御部４６を具備する。

（スペクトル情報取得部）
スペクトル情報取得部４１は、複数の被検物質と夾雑物とを少なくとも含む試料の分析結果、具体的には試料のスペクトル情報を分析装置２３から取得する。なお、あらかじめ分析結果が格納されたデータベース２２から、試料のスペクトル情報を取得してもよい。また、同様に被検物質のスペクトル情報を取得する。この被検物質のスペクトル情報は、被検物質が単一で存在した場合のスペクトル情報である。そして、スペクトル情報取得部４１は、取得した試料のスペクトル情報を、推定部４４に出力する。また、取得した被検物質のスペクトル情報を学習モデル生成部４２に出力する。

（学習モデル生成部）
学習モデル生成部４２は、スペクトル情報取得部４１が取得した被検物質のスペクトル情報を用いて教師データを生成する。そして、学習モデル生成部４２は、教師データを用いて深層学習を実行し、学習モデルを生成する。教師データの生成及び学習モデルの生成に関する詳細な説明は、後述する。そして、学習モデル生成部４２は、生成した学習モデルを学習モデル取得部４３へ出力する。なお、学習モデル生成部４２は、生成した学習モデルをデータベース２２へ出力してもよい。

（学習モデル取得部）
学習モデル取得部４３は、学習モデル生成部４２が生成した学習モデルを取得する。なお、学習モデルがデータベース２２に格納されている場合には、学習モデル取得部４３は、データベース２２から学習モデルを取得する。そして、学習モデル取得部４３は、取得した学習モデルを推定部４４へ出力する。

（推定部）
推定部４４は、学習モデル取得部４３が取得した学習モデルに、スペクトル情報取得部４１が取得した試料のスペクトル情報を入力することにより、試料に含まれる被検物質の定量的な情報を学習モデルに推定させる。そして、推定部４４は、推定された定量的な情報を、情報取得部４５へ出力する。推定部４４は、試料のスペクトル情報を学習モデルに入力することにより、被検物質の定量的な情報を推定する推定手段の一例に相当する。

情報取得部４５は、学習モデルが推定した定量的な情報を取得する。すなわち、情報取得部４５は、被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段の一例に相当する。そして、情報取得部４５は、取得した定量的な情報を表示制御部４６へ出力する。

（表示制御部）
表示制御部４６は、情報取得部４５が取得した定量的な情報を表示部３６に表示させる。表示制御部４６は、表示制御手段の一例に相当する。

なお、制御部３７が具備する各部の少なくとも一部は、独立した装置として実現してもよい。また、夫々が機能を実現するソフトウェアとして実現してもよい。この場合、機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。本実施形態では各部はローカル環境におけるソフトウェアにより夫々実現されているものとする。

なお、図１に示す情報処理システムの構成はあくまで一例である。例えば、情報処理装置１０の記憶部３４がデータベース２２の機能を具備し、記憶部３４が各種情報を保持してもよい。

（校正部）
本実施形態に係る情報処理装置は、上記に加えて、スペクトル情報を得るための分析装置の状態変化に応じて、上記定量的な情報を校正する校正部４７を有する。分析装置２３は、それが置かれている温度や、それを用いて分析を行う季節に応じて、状態変化が生じうる。また、分析装置２３を繰り返し使用するうちに、経時劣化等の状態変化が生じうる。例えば、分析装置２３がクロマトグラフィーを用いる装置である場合、装置のカラムの状態変化が生じうる。

その結果、たとえ試料に含まれる成分が同じであったとしても、スペクトル情報が変化してしまう。そこで、校正部によって、上記温度変化や季節変化、経時劣化等に応じて、定量的な情報を校正することによって、適切な情報を得ることが出来る。

（受付部）
上記校正を行うための情報を得るために、本実施形態に係る情報処理装置は、校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付部４８を有する。

校正用スペクトル情報は、分析装置２３に、被検物質単体を含む試料等、スペクトル情報が特定しやすい校正用の試料を付与して得ることが出来る。

受付部４８は、一または複数の校正用スペクトル情報を受け付けて前述の校正部４７に送り、校正部４７は受付部４８から取得した校正用スペクトル情報を用いて校正を行う。

受付部４８は、分析結果を得るために前述の分析装置２３を有していてもよい。校正用スペクトル情報は基本的には一定間隔で取得する。例えば１日１回、ユーザーが装置を使用していない時間などに分析を行い取得する。受付部４８には記憶装置が備わっていても良い。受け付けた校正用試料の分析結果を日時とともに保存し、後述する取得部で学習モデルの更新に使用する事ができる。

また、第一の時刻で取得された校正用スペクトル情報と、第一の時刻よりも前の時刻で取得された校正用スペクトル情報との差異に基づいて、分析装置の状態に関する情報を表示部に表示させる制御を行う表示制御部を有してもよい。また、校正用スペクトル情報に少なくとも基づいて、分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有してもよい。また、第一の時刻で取得された校正用スペクトル情報と、第一の時刻よりも前の第二の時刻で取得された校正用スペクトル情報との差異に基づいて、分析装置の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有してもよい。

なお、受付部４８で得られた校正用スペクトル情報を用いて、学習モデル取得部５０によって学習モデルを取得する構成でもよい。学習モデルは後述する学習モデル生成部４９で生成してもよい（図２）。また、予め被検物質の学習モデルを格納したデータベースから学習モデルを取得してもよい。データベースは情報処理装置に内蔵された記憶装置内や情報処理装置に外付けされた記憶装置内、またはネットワークを介してサーバから取得しても良い。

複数回に渡って校正用スペクトル情報を得る場合、次のようの手段で学習モデルを更新することができる。

＜手段１＞校正用の試料の分析結果を取得する度に学習モデルを更新する。

この場合、後述する生成部にて校正用試料の分析結果を元に新しい学習モデルを生成する。新しい学習モデルは既存の学習モデルと置き換えて使用する。例えば、毎日校正用試料を分析する場合、学習モデルも毎日更新される。

＜手段２＞校正用の試料の分析結果を蓄積し、一定期間毎に学習モデルを更新する。

得られた校正用の試料の分析結果は校正データ受付部の記憶装置に保存し、一定期間毎に保存した分析結果を元に後述する生成部にて新しい学習モデルを生成する。分析結果を保存する際には分析の日時を同時に保存し、学習モデル生成時には日時が新しいものから一定数の分析結果を使用する。例えば、毎日校正用試料を分析し、１５日毎に３０日分の分析結果を用いて学習モデルを更新する。

＜手段３＞校正用の試料の分析結果の変化から学習モデルを更新するか否かを決める。

校正用の試料の分析結果を数値化（例えばピーク面積、ピーク高さ、ピーク幅など）し、前回の校正用試料の分析結果の数値と比較し、変化量が閾値を超えた場合に学習モデルを更新する。閾値は予め設定しておくか、ユーザーが設定する。学習に使用する分析結果は手段２のように蓄積した中から複数個の分析結果を用いても良い。

分析部の検出器は、外気温等の環境や劣化によって出力が変化する場合がある。この場合、後述する算出部で補正しても良い。

学習モデル生成部４９では前記被検物質の分析結果、または校正用試料の分析結果を元に教師データを作成し、深層学習を行い学習モデルを生成する。教師データは前記被検物質の分析結果、または校正用試料の分析結果に乱数で生成させた任意の波形を加算する事で生成する。例えば、液体クロマトグラフィーでは得られるスペクトル情報はガウス分布をしたものが多い。その場合は、ピーク高さ、中央値、標準偏差を乱数で決定したガウス曲線を複数足し合わせ、さらに前記被検物質の分析結果も足し合わせたものを入力とし、前記被検物質の分析結果を出力とした教師データとすると良い。出力は得たい情報、例えばピーク高さのみでも良い。

（校正用試料）
前述の校正用スペクトル情報を得るための校正用の試料は、ある定まった物質の定量を目的としている場合、例えば栄養素検出器では被検物質は各種ビタミンやミネラルであり、校正用試料としても同様に各種ビタミン、ミネラルを用いると良い。具体的には前記被検物質が該当する。

ここで、校正用試料の分析結果を数値化していた場合、その値を用いて前記被検物質の量を補正しても良い。例えば、学習モデル作成時の校正用試料のピーク面積１であって、学習モデルを更新することなく使用し続け、校正用試料のピーク面積が１．２になっていた場合、前記被検物質のピーク面積を１．２倍にする処理を行う。詳細は後述する補正方法で説明する。

次に図３〜４を用いて、本実施形態における処理手順を説明する。図３は、学習モデルの生成に関する処理手順のフローチャートである。

（Ｓ２０１）（被検物質単体を分析）
ステップＳ２０１では、分析装置２３は、被検物質単体を分析し、被検物質のスペクトル情報を取得する。分析条件は、感度や分析時間などの観点から適宜選択すればよい。その際、分析装置２３は、被検物質の濃度を何通りか変化させて分析する。どの程度の数が必要であるかは、物質の性質などによっても異なるが、一般的に３点以上変化させることが望ましい。被検物質の分析は、被検物質ごとにそれぞれ分析しても、同時に分析してもよい。そして、分析装置２３は、取得したスペクトル情報を情報処理装置１０に出力する。情報処理装置１０は分析装置２３からスペクトル情報を受信し、ＲＡＭ３３又は記憶部３４に保持する。スペクトル情報取得部４１は、こうして保持されたスペクトル情報を取得する。なお、前述したように、分析結果であるスペクトル情報は、データベース２２が保持してもよい。この場合、スペクトル情報取得部４１は、データベース２２からスペクトル情報を取得する。また、分析装置２３が被検物質を分析するタイミングは、ステップＳ２０２における教師データの生成よりも前に実行されれば、どのようなタイミングであってもよい。

（Ｓ２０２）（教師データを生成）
ステップＳ２０２では、学習モデル生成部４２は、スペクトル情報取得部４１が取得した、被検物質のスペクトル情報を用いて、複数の教師データを生成する。教師データの生成方法について、具体的に説明する。教師データは、被検物質のスペクトル情報に乱数で生成した任意の波形を加算することで生成される。例えば、液体クロマトグラフィーでは、スペクトル情報（クロマトグラム）が示す波形はガウス分布であることが多い。そのため、学習モデル生成部４２は、ピークの高さ、中央値、標準偏差を乱数で決定した複数のガウス曲線（ガウス関数）を足し合わせて、複数のランダムノイズを生成する。そして、学習モデル生成部４２は、この複数のランダムノイズそれぞれと被検物質のスペクトル情報が示す波形とを足し合わせた複数の波形を生成する。こうして生成された複数の波形は、被検物質と夾雑物とを含む仮想的な試料のスペクトル情報（学習用スペクトル情報）として用いられる。つまり、生成された複数のスペクトル情報を、教師データを構成する入力データとして決定する。更に、学習モデル生成部４２は、生成されたスペクトル情報の基となった、被検物質のスペクトル情報から特定されるピークの高さ（定量的な情報）を、教師データを構成する正解データとして決定する。このようにして、学習モデル生成部４２は、入力データと正解データの組である複数の教師データを生成する。そして、ステップＳ２０１において、学習モデル生成部４２は、被検物質の濃度に応じたスペクトル情報を取得しているので、この濃度ごとに複数の教師データを生成する。なお、クロマトグラムの波形は、リテンションタイムが大きくなるにつれて、ピークの幅が大きくなる傾向にあることを踏まえて、学習モデル生成部４２は、生成する波形の幅を広くしてもよい。

特許文献３では検体のマススペクトルデータを癌の有無と紐付けて機械学習させる方法が開示されている。しかし、機械学習の精度を上げる為には多量の教師データを必要とする。特許文献３では教師データとして９万種のデータを用意している。つまり、機械学習は複雑な分析結果に対して精度良く解析できるが、多量の教師データを用意する必要がある点が難点である。本実施形態では、機械学習の難点である教師データを多量に用意する必要がないため、ユーザの負担を軽減することができる。

なお、このようにして教師データを生成したが、複数の試料を分析装置２３で分析することで、学習用の試料のスペクトル情報を取得し、被検物質の定量的な情報と併せて教師データとしてもよい。また、前述した方法とは異なる方法で、仮想的な試料のスペクトル情報を生成してもよい。

（Ｓ２０３）（学習モデルを生成）
ステップＳ２０３では、学習モデル生成部４２は、ステップＳ２０２で濃度ごとに生成した複数の教師データを用いて、所定のアルゴリズムに従った機械学習を実施することにより、学習モデルを生成する。本実施形態では、所定のアルゴリズムとして、ニューラルネットワークを用いる。学習モデル生成部４２は、複数の教師データを用いてニューラルネットワークに学習をさせることにより、試料のスペクトル情報の入力に基づいて、試料に含まれる被検物質の定量的な情報を推定する学習モデルを生成する。なお、ニューラルネットワークの学習方法は、周知技術であるため、本実施形態では詳細な説明を省略する。また、所定のアルゴリズムとして、例えば、ＳＶＭ（サポートベクターマシン）、ＤＮＮ（ディープニューラルネットワーク）を用いても良い。その他のアルゴリズムとして、ＣＮＮ（コンボリューショナルニューラルネットワーク）等を用いてもよい。被検物質が複数種類ある場合は、それぞれの物質に対して学習モデルを構築する。そして、学習モデル生成部４２は、ＲＡＭ３３、記憶部３４、又はデータベース２２に、生成した学習モデルを格納する。

以上のようにして、試料のスペクトル情報に基づいて、試料に含まれる被検物質の定量的な情報を推定する学習モデルを生成する。

（Ｓ３０１）（試料を分析）
ステップＳ３０１では、分析装置２３は、目的の試料を分析し、試料のスペクトル情報を取得する。分析条件は、前述したステップＳ２０１と同一の条件とする。そして、分析装置２３は、取得したスペクトル情報を情報処理装置１０に出力する。情報処理装置１０は分析装置２３からスペクトル情報を受信し、ＲＡＭ３３又は記憶部３４に保持する。スペクトル情報取得部４１は、こうして保持されたスペクトル情報を取得する。なお、前述したように、分析結果であるスペクトル情報は、データベース２２が保持してもよい。この場合、スペクトル情報取得部４１は、データベース２２からスペクトル情報を取得する。また、分析装置２３が試料を分析するタイミングは、ステップＳ３０２における定量的な情報の推定よりも前に実行されれば、どのようなタイミングであってもよい。

（Ｓ３０２）（定量的な情報を推定）
ステップＳ３０２では、学習モデル取得部４３は、ＲＡＭ３３、記憶部３４、又はデータベース２２に格納された学習モデルを取得する。そして、推定部４４は、取得された学習モデルに、ステップＳ３０１で取得された試料のスペクトル情報を入力することにより、試料に含まれる被検物質の定量的な情報を推定させる。また、必要に応じて、推定部４４は、推定された定量的な情報を、表示部３６において表示する形式に換算する。表示部３６において表示する形式としては、ｇ／Ｌ、ｍｏｌ／Ｌなどの濃度でもよいし、基準量（標準量）に対する割合でもよい。学習モデルにより推定される値がこれらの表示形式であれば、換算する必要はない。そして、情報取得部４５は、推定された定量的な情報を推定部４４から取得し、ＲＡＭ３３又は記憶部３４に格納する。

このように、被検物質のピークと夾雑物のピークが完全に分離できていなくても機械学習で得られる学習モデルを利用することで、分析に関する複雑で高度な知識が無くても精度よく被検物質の定量的な情報を得ることができる。
その結果、熟練者でなくとも簡易に高精度で被検物質の定量分析を行うことができる。

（Ｓ３０３）（定量的な情報を表示）
ステップＳ３０３では、表示制御部４６は、ステップＳ３０２で学習モデルにより推定された、試料に含まれる被検物質の定量的な情報を、表示部３６に表示させる。その際、グラフ形式や表形式に整理して表示してもよい。

（データ解析方法）
次に、図４を参照して、算出装置における処理をより詳細に説明する。図４は試料中の被検物質の量を算出する処理のフローチャートである。

まず、分析部は被検物質を分析する（ステップＳ４０１）。分析条件は、感度や測定時間などの観点から適宜選択すればよい。その際、被検物質の濃度を何通りか変化させて測定しても良い。

続いて、分析部は被検物質を含む目的試料を分析する（ステップＳ４０２）。測定条件は前記ステップＳ１と同一条件に設定する。

続いて、生成部は、ステップＳ１で得られた被検物質の測定結果を用いて教師データを生成する。生成した教師データを用いて、所定のアルゴリズムに従った機械学習を実施して学習モデルを構築する（ステップＳ４０３）。具体的な学習の手法としては例えば、一般的な機械学習手法としてニューラルネットワークやサポートベクターマシンなどを用いてもよい。また、隠れ層が多層になった深層学習手法として、ＤＮＮ（ディープニューラルネットワーク）やＣＮＮ（コンボリューショナルニューラルネットワーク）などを用いてもよい。

続いて、算出部は上記ステップＳ４０３において生成された学習モデルを、ステップＳ２において得られた測定データに適用して、被検物質の量を算出する（ステップＳ４０４）。その際、量は表示部において表示する形式に換算する。表示部において表示する形式としては、ｇ／Ｌ、ｍｏｌ／Ｌなどの濃度でもよいし、標準量に対する割合でもよい。

次いで、表示部は上記ステップＳ４０４において算出された被検物質の量を表示し、ユーザーに提示する（Ｓ４０５）。その際、グラフ形式や表形式に整理して表示してもよい。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

以下に、実施例および比較例を挙げて本発明をより詳細に説明するが、本発明は以下の実施例に限定されるものではない。

（データ解析方法）
次に、図５を参照して、算出装置における処理をより詳細に説明する。図５は試料中の被検物質の量を算出処理する処理のフローチャートである。

まず、分析部は被検物質単体を分析する（ステップＳ５０１）。分析条件は、感度や測定時間などの観点から適宜選択すればよい。その際、被検物質の濃度を何通りか変化させて測定する。どの程度の数が必要であるかは、物質の性質などによっても異なるが、一般的に３点以上変化させることが望ましい。被検物質が複数種類ある場合は、それぞれ測定することが望ましいが、被検物質同士の信号が十分分離できている場合は、同時に測定してもよい。

続いて、分析部は被検物質を含む目的試料を分析する（ステップＳ５０２）。測定条件は前記ステップＳ５０１と同一条件に設定する。

続いて、生成部は、ステップＳ５０１で得られた被検物質単体の測定結果を用いて複数の教師データを生成する。生成した教師データを用いて、所定のアルゴリズムに従った機械学習を実施して学習モデルを構築する（ステップＳ５０３）。具体的な学習の手法としては例えば、一般的な機械学習手法としてニューラルネットワークやサポートベクターマシンなどを用いてもよい。また、隠れ層が多層になった深層学習手法として、ＤＮＮ（ディープニューラルネットワーク）やＣＮＮ（コンボリューショナルニューラルネットワーク）などを用いてもよい。被検物質が複数種類ある場合は、それぞれの物質に対して学習モデルを構築する。

続いて、算出部は上記ステップＳ５０３において生成された学習モデルを、ステップＳ５０２において得られた測定データに適用して、被検物質の量を算出する（ステップＳ５０４）。その際、量は表示部において表示する形式に換算する。表示部において表示する形式としては、ｇ／Ｌ、ｍｏｌ／Ｌなどの濃度でもよいし、標準量に対する割合でもよい。

次いで、表示部は上記ステップＳ５０４において算出された被検物質の量を表示し、ユーザーに提示する。その際、グラフ形式や表形式に整理して表示してもよい（Ｓ５０５）。

以後、同一の被検物質となる試料を分析する際は、同じ学習モデルを利用できるのでステップＳ５０１、Ｓ５０３を行わなくて良い。但し、長期間同じ学習モデルを使用する際には、後述する校正方法、補正方法が必要である。

（校正方法）
同一の被検物質となる試料を測り続ける場合は、ステップＳ５０１、Ｓ５０３を行わない代わりに、図６に示す校正を定期的に行う必要がある。

まず、分析部は校正用試料を分析する（ステップＳ６０１）。分析条件は、前記試料、被検物質と同一条件に設定する。得られた分析結果は校正データ受付部で受け取り、保存する（ステップＳ６０２）。この際、分析日時とともに保存しておく。この校正用試料の分析は一定期間毎に実施する。例えば１日１回行う。

次に、生成部にてステップＳ６０２で保存した分析結果を用いて学習モデルを生成する。この学習モデルの生成は校正用試料の分析の度に行っても良いし、何回かに１度でも良い。分析の度に学習モデルを生成するのであればステップＳ６０２にて保存した分析結果１つを用いて複数の教師データを生成する。何回かに１度学習モデルを更新する場合は、ステップＳ６０２で保存した分析結果を複数個用いて教師データを生成する事ができる。この場合、それぞれの分析結果に対して複数の教師データを生成する。学習に使用するデータの数は学習モデル更新の頻度に合わせると良い。例えば１５日毎に学習モデルを更新する場合は、過去１５日分以上の分析結果を用いるのが良い。また、分析データの日時が新しいものの重みを大きくし、古いデータは重みを小さくして学習させても良い。具体的には、日付の新しいデータは重み１とし、古くなるにしたがって重みを減らす。減らし方は線形でもシグモイド関数のような変化でも良い。この重みを元に、教師データに分析結果を採用するかどうかを決める。分析結果毎に乱数で０から１の値を生成し、重み以下の値になった分析結果は採用し、重みを超えた値が出た場合は分析結果を採用しないとする。

教師データを用意した後に、所定のアルゴリズムに従った機械学習を実施して学習モデルを構築する（ステップＳ６０３）。作製した学習モデルは被検物質の量を算出する学習モデルと置き換える（ステップＳ６０４）。

（補正方法）
同一の被検物質となる試料を測り続けており、校正による学習モデルの更新が行われていない間は算出された被検物質の量を補正すると良い。図７に補正方法について示す。

被検物質に関しては前記データ解析方法のステップＳ７０１からＳ７０４までは同様である。校正用試料に関しても分析と保存のステップＳ７０５、Ｓ７０６は前記校正方法と同様である。得られた校正用試料の分析結果が２つ以上になった場合、その分析結果（Ａ）と、１つ前の分析結果（Ｂ）の差分を算出する（ステップＳ７０７）。差分は分析結果を数値化したうえで算出する。数値化は例えばピーク高さ、ピーク幅、ピーク位置、ピーク面積などの被検物質の量と相関があるものである。例えばピーク面積と被検物質の量の相関が高い場合、ＡとＢのピーク面積を比較して差分を求める。差分（Ｃ）は差（Ａ−Ｂ）や商（Ａ／Ｂ）などの数値で表す。ステップＳ７０４で算出した被検物質の量（Ｄ）はステップＳ１０で補正される。補正には先ほど求めた差分を用い、差で差分を求めた場合は補正後の被検物質の量＝Ｄ＋Ｃとなり、商で差分を求めた場合は補正後の被検物質の量＝Ｄ×Ｃとなる。

（アラートの表示）
分析部の劣化が著しく安定した結果が出力できなくなってくると、上記校正、補正を行ったとしても正しい値を求める事が出来なくなってくる。校正用試料の分析結果を数値化（例えばピーク面積、ピーク高さ、ピーク幅など）し保存していく事で、分析部の劣化を判断できる。保存した分析結果の数値が初期の数値と比較し、ある閾値を超えた時に分析部が劣化したことを示すアラートを表示する事ができる。閾値は分析部に依存する為、予め分析の安定性と分析結果の数値の変化から決定しておく。

（消耗品交換時期の予測）
上記アラートの表示での分析結果の数値の変化から、分析部の劣化の予測が可能である。これによって分析部の消耗品交換時期の予測をすることが可能である。アラート表示の為の閾値を決定する際に予め分析の安定性と分析結果の数値の変化を記録するが、その変化を数式に落とし込むことでアラート表示までの日数等を予測する事が可能になる。変化を数式に落とし込む際には、線形関数、多次曲線、指数関数などに最小二乗法で合わせ込めばよい。または、変化を機械学習し消耗品交換時期を予測しても良い。

本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

以下に、実施例および比較例を挙げて本発明をより詳細に説明するが、本発明は以下の実施例に限定されるものではない。

（実施例１）
図８は本実施例で使用する装置の概略図である。分析部として液体クロマトグラフィー装置が接続してある。インジェクタ８０１にサンプルを注入後、シリンジポンプ８０２が溶離液８０３を押し出すことで、溶離液とともにサンプルが分離カラム８０４内を通過し、サンプル中の成分が分離される。その後に、電気化学セル８０５およびポテンショスタット８０６にて各成分が分析結果として検出される。装置を使用する度に分離カラムが劣化し性能が変化する事を模擬する為に、分離カラム８０４には使用期間が異なる逆相カラムを１０本用意し、計測の度に逆相カラムを古いものに交換した。この装置を用いて被検物質を計測する実験を行った例が図９である。実験回数が進み分離カラムが古くなるほど被検物質の溶出時間は遅くなり、ピーク幅が広がる傾向を確認した。

以下の手順で本発明の効果を確認した。まず、最も新しい分離カラムをセットし、校正用試料としてアスコルビン酸１０μｇ／ｍｌの水溶液を用意した。溶離液はリン酸緩衝液／メタノール＝７／３を用い、１Ｖで電気化学検出を行った。検出されたピークを用いて学習モデルを生成し、任意の濃度のアスコルビン酸と各種夾雑物を含む試料を用意し、校正用試料と同様に電気化学検出を行った。得られたクロマトグラムに対して作成した学習モデルを適用し、試料中のアスコルビン酸濃度を求めた。同様の実験を１０回行い、試料中に含有させたアスコルビン酸濃度と学習モデルで算出したアスコルビン酸濃度の相関係数を求めた。

次に、分離カラムを１つ古いものに交換し、上記と同様に校正用試料を計測し、学習モデルを新たに作成しなおした。続いて試料の計測、試料中のアスコルビン酸濃度の算出を行った。１０回実験を繰り返して試料中に含有させたアスコルビン酸濃度と学習モデルで算出したアスコルビン酸濃度の相関係数を求めた。以上の実験を分離カラム１０本分行った。結果を図１０に示す。

また、学習モデルを最初の１回だけ作成し、分離カラムを交換しても学習モデルを作成しなおさなかったものを図１０中に比較例として示した。分析カラムの劣化とともに予測精度が落ちていくことが分かる。

（実施例２）
図８の装置を環境温度を制御できる恒温槽に設置し、四季の温度変化を模擬した。環境温度を１０℃から３０℃まで変化させた場合の被検物質の計測例が図１１である。夏は３０℃、春、秋は２０℃、冬は１０℃と仮定した。実験条件は実施例１と同様である。

以下の手順で本発明の効果を確認した。まず、１回目の実験として、恒温槽の温度を３０℃に設定し、実施例１と同様に校正用試料の計測、学習モデルの作成、試料の計測、試料中のアスコルビン酸濃度の算出を行った。１０回実験を繰り返し、試料中に含有させたアスコルビン酸濃度と学習モデルで算出したアスコルビン酸濃度の相関係数を求めた。

次に、図１６に示すように恒温槽の温度を実験回数に従って変化させた。最初の１５回の実験では校正用試料の計測は行うが、学習モデルを更新せず上記と同様に相関係数を求めた、３０回目の実験で１から３０回目の実験の校正用試料のデータを用いて学習モデルを更新した。以降１５回の実験毎に過去３０回分の校正用試料のデータを用いて学習モデルを更新した。結果を図１３に示す。

また、学習モデルを最初の１回だけ作成し、学習モデルの更新を行わなかったものを比較例として図１２に示す。環境温度の変化とともに予測精度が大きく変化する事が分かる。

１０ 情報処理装置
２１ ＬＡＮ
２２ データベース
２３ 分析装置
３１ 通信ＩＦ
３２ ＲＯＭ
３３ ＲＡＭ
３４ 記憶部
３５ 操作部
３６ 表示部
３７ 制御部
４１ スペクトル情報取得部
４２ 学習モデル生成部
４３ 学習モデル取得部
４４ 推定部
４５ 情報取得部
４６ 表示制御部
４７ 校正部
４８ 受付部
４９ 学習モデル生成部
５０ 学習モデル取得部

Claims (45)

1. 被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段と、
   前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする情報処理装置。
2. 前記状態変化は、前記分析手段の置かれている温度であることを特徴とする請求項１に記載の情報処理装置。
3. 前記校正手段は前記状態変化の学習モデルによって、前記定量的な情報を校正することを特徴とする請求項１に記載の情報処理装置。
4. 前記分析手段がクロマトグラフィーを用いる装置であり、
   前記状態変化は、前記クロマトグラフィーを用いる装置のカラムの状態変化であることを特徴とする請求項１乃至３の何れか１項に記載の情報処理装置。
5. 前記分析手段によって、前記校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付手段を更に有し、
   前記校正手段は、前記受付手段から取得した前記校正用スペクトル情報を用いて校正を行うことを特徴とする請求項１乃至４の何れか１項に記載の情報処理装置。
6. 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記校正手段は、前記定量的な情報を校正することを特徴とする請求項５に記載の情報処理装置。
7. 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項５または６に記載の情報処理装置。
8. 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項５または６に記載の情報処理装置。
9. 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項５乃至８の何れか１項に記載の情報処理装置。
10. 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項５乃至８の何れか１項に記載の情報処理装置。
11. 前記取得された定量的な情報を表示部に表示させる表示制御手段を更に有することを特徴とする、請求項１乃至１０の何れか１項に記載の情報処理装置。
12. 前記学習モデルは、前記被検物質のスペクトル情報に基づいて生成された学習用スペクトル情報と、前記被検物質のスペクトル情報に基づいて特定される、前記被検物質の定量的な情報との複数の組を教師データとして用いて学習された学習モデルであることを特徴とする、請求項１乃至１１の何れか１項に記載の情報処理装置。
13. 前記学習用スペクトル情報は、前記被検物質のスペクトル情報とランダムノイズとを用いて生成されることを特徴とする、請求項１２に記載の情報処理装置。
14. 前記ランダムノイズは、複数のガウス関数の組み合わせによって得られる波形であることを特徴とする、請求項１３に記載の情報処理装置。
15. 前記ランダムノイズが、乱数、及び前記被検物質のスペクトル情報の中から選択される一部のスペクトル情報を用いて生成されるものであり、前記ランダムノイズは、前記一部のスペクトル情報に基づいて決まることを特徴とする、請求項１３または１４に記載の情報処理装置。
16. 前記試料のスペクトル情報を前記学習モデルに入力することにより、前記被検物質の定量的な情報を推定する推定手段を更に有することを特徴とする、請求項１乃至１５の何れか１項に記載の情報処理装置。
17. 前記スペクトル情報は、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル、核磁気共鳴スペクトル、蛍光スペクトル、蛍光Ｘ線スペクトル、紫外／可視吸収スペクトル、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、Ｘ線吸収スペクトル、Ｘ線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、及び熱分析スペクトルで構成される群から選択される少なくとも一種であることを特徴とする、請求項１乃至１６の何れか１項に記載の情報処理装置。
18. 前記試料のスペクトル情報を取得するための分析を行う分析手段を更に有することを特徴とする、請求項１乃至１７の何れか１項に記載の情報処理装置。
19. 前記分析手段は、クロマトグラフィー、キャピラリー電気泳動法、光電子分光法、赤外吸収分光法、核磁気共鳴分光法、蛍光分光法、蛍光Ｘ線分光法、可視・紫外線吸収分光法、ラマン分光法、原子吸光法、フレーム発光分光法、発光分光法、Ｘ線吸収分光法、Ｘ線回折法、電子スピン共鳴分光法、質量分析法、及び熱分析法で構成される群から選択される少なくとも一種の手法を用いることを特徴とする請求項１乃至１８の何れか１項に記載の情報処理装置。
20. 前記被検物質は、タンパク質、ＤＮＡ、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、及び環境ホルモンで構成される群から選択される少なくとも一種であることを特徴とする、請求項１乃至１９の何れか１項に記載の情報処理装置。
21. 前記被検物質は、チアミン、リボフラビン、Ｎ１−メチルニコチンアミド、Ｎ１−メチル−２−ピリドン−５−カルボキサミド、Ｎ１−メチル−４−ピリドン−３−カルボキサミド、パントテン酸、ピリドキシン、４−ピリドキシン酸、ビオチン、シアノコバラミン、及びアスコルビン酸で構成される群から選択される少なくとも一種であることを特徴とする、請求項１乃至２０の何れか１項に記載の情報処理装置。
22. 前記定量的な情報は、前記被検物質が前記試料に含まれる量、前記被検物質が前記試料に含まれる濃度、前記試料中の前記被検物質の有無、前記被検物質の基準量に対する前記試料に含まれる前記被検物質の濃度あるいは量の比率、及び前記被検物質が前記試料に含まれる量あるいは濃度の比率で構成される群から選択される少なくとも一種であることを特徴とする、請求項１乃至２１の何れか１項に記載の情報処理装置。
23. 被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得工程と、
    前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正工程と、
    を有することを特徴とする情報処理装置の制御方法。
24. 前記状態変化は、前記分析手段の置かれている温度であることを特徴とする請求項２３に記載の情報処理装置の制御方法。
25. 前記校正手段は前記状態変化の学習モデルによって、前記定量的な情報を校正することを特徴とする請求項２３に記載の情報処理装置の制御方法。
26. 前記分析手段がクロマトグラフィーを用いる装置であり、
    前記状態変化は、前記クロマトグラフィーを用いる装置のカラムの状態変化であることを特徴とする請求項２３に記載の情報処理装置の制御方法。
27. 前記分析手段によって、前記校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付工程を更に有し、
    前記校正工程は、前記受付工程によって得られた前記校正用スペクトル情報を用いて校正を行う工程を含むことを特徴とする請求項２３乃至２６の何れか１項に記載の情報処理装置の制御方法。
28. 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記定量的な情報を校正する工程を含むことを特徴とする請求項２３乃至２７の何れか１項に記載の情報処理装置の制御方法。
29. 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項２３乃至２８の何れか１項に記載の情報処理装置の制御方法。
30. 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項２３乃至２８の何れか１項に記載の情報処理装置の制御方法。
31. 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項２３乃至２８の何れか１項に記載の情報処理装置の制御方法。
32. 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項２３乃至２８の何れか１項に記載の情報処理装置の制御方法。
33. 前記取得された前記被検物質の定量的な情報を表示部に表示させる表示制御工程を有することを特徴とする、請求項２３乃至２８の何れか１項に記載の情報処理装置の制御方法。
34. 前記学習モデルは、前記被検物質のスペクトル情報に基づいて生成された学習用スペクトル情報と、前記被検物質のスペクトル情報に基づいて特定される、前記被検物質の定量的な情報との複数の組を教師データとして用いて学習された学習モデルであることを特徴とする、請求項２３乃至３３の何れか１項に記載の情報処理装置の制御方法。
35. 前記学習用スペクトル情報は、前記被検物質のスペクトル情報とランダムノイズとを用いて生成されることを特徴とする、請求項３４に記載の情報処理装置の制御方法。
36. 前記ランダムノイズは、複数のガウス関数の組み合わせによって得られる波形であることを特徴とする、請求項３５に記載の情報処理装置の制御方法。
37. 前記ランダムノイズが、乱数、及び前記被検物質のスペクトル情報の中から選択される一部のスペクトル情報を用いて生成されるものであり、前記ランダムノイズは、前記一部のスペクトル情報に基づいて決まることを特徴とする請求項３５または３６に記載の情報処理装置の制御方法。
38. 前記試料のスペクトル情報を前記学習モデルに入力することにより、前記被検物質の定量的な情報を推定する推定工程を更に有することを特徴とする、請求項２３乃至３７の何れか１項に記載の情報処理装置の制御方法。
39. 前記スペクトル情報は、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル（ＩＲスペクトル）、核磁気共鳴スペクトル（ＮＭＲスペクトル）、蛍光スペクトル、蛍光Ｘ線スペクトル、紫外／可視吸収スペクトル（ＵＶ／Ｖｉｓスペクトル）、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、Ｘ線吸収スペクトル、Ｘ線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、及び熱分析スペクトルで構成される群から選択される少なくとも一種であることを特徴とする、請求項２３乃至３８の何れか１項に記載の情報処理装置の制御方法。
40. 前記試料のスペクトル情報を取得するための分析を行う分析工程を更に有することを特徴とする、請求項２３乃至３９の何れか１項に記載の情報処理装置の制御方法。
41. 前記分析工程は、クロマトグラフィー、キャピラリー電気泳動法、光電子分光法、赤外吸収分光法、核磁気共鳴分光法、蛍光分光法、蛍光Ｘ線分光法、可視・紫外線吸収分光法、ラマン分光法、原子吸光法、フレーム発光分光法、発光分光法、Ｘ線吸収分光法、Ｘ線回折法、電子スピン共鳴分光法、質量分析法、及び熱分析法で構成される群から選択される少なくとも一種の手法を行うことを特徴とする請求項２３乃至４０の何れか１項に記載の情報処理装置の制御方法。
42. 前記被検物質は、タンパク質、ＤＮＡ、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、及び環境ホルモンの少なくとも１つであることを特徴とする、請求項２３乃至４１の何れか１項に記載の情報処理装置の制御方法。
43. 前記被検物質は、チアミン、リボフラビン、Ｎ１−メチルニコチンアミド、Ｎ１−メチル−２−ピリドン−５−カルボキサミド、Ｎ１−メチル−４−ピリドン−３−カルボキサミド、パントテン酸、ピリドキシン、４−ピリドキシン酸、ビオチン、シアノコバラミン、及びアスコルビン酸の少なくとも１つであることを特徴とする、請求項２３乃至４２の何れか１項に記載の情報処理装置の制御方法。
44. 前記定量的な情報は、前記被検物質が前記試料に含まれる量、前記被検物質が前記試料に含まれる濃度、前記試料中の前記被検物質の有無、前記被検物質の基準量に対する前記試料に含まれる前記被検物質の濃度あるいは量の比率、及び前記被検物質が前記試料に含まれる量あるいは濃度の比率で構成される群から選択される少なくとも一種であることを特徴とする、請求項２３乃至４３の何れか１項に記載の情報処理装置の制御方法。
45. 請求項１乃至４４の何れか１項に記載の情報処理装置の各手段としてコンピュータを機能させることを特徴とするプログラム。

Images