JP2021076602A - 情報処理装置、及び情報処理装置の制御方法 - Google Patents

情報処理装置、及び情報処理装置の制御方法 Download PDF

Info

Publication number
JP2021076602A
JP2021076602A JP2020182350A JP2020182350A JP2021076602A JP 2021076602 A JP2021076602 A JP 2021076602A JP 2020182350 A JP2020182350 A JP 2020182350A JP 2020182350 A JP2020182350 A JP 2020182350A JP 2021076602 A JP2021076602 A JP 2021076602A
Authority
JP
Japan
Prior art keywords
information
test substance
spectrum
contribution
information processing
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.)
Pending
Application number
JP2020182350A
Other languages
English (en)
Inventor
彰大 田谷
Akihiro Taya
彰大 田谷
泰 吉正
Yasushi Yoshimasa
泰 吉正
河村　英孝
Hidetaka Kawamura
英孝 河村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Inc
Original Assignee
Canon Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Canon Inc filed Critical Canon Inc
Publication of JP2021076602A publication Critical patent/JP2021076602A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/46—NMR spectroscopy
    • G01R33/4625—Processing of acquired signals, e.g. elimination of phase errors, baseline fitting, chemometric analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2255—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident ion beams, e.g. proton beams
    • G01N23/2258—Measuring secondary ion emission, e.g. secondary ion mass spectrometry [SIMS]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/10—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using electron paramagnetic resonance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N37/00—Details not covered by any other group of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/72—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using flame burners
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/506—Detectors time-of-flight
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/507—Detectors secondary-emission detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/227—Measuring photoelectric effect, e.g. photoelectron emission microscopy [PEEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8675—Evaluation, i.e. decoding of the signal into analytical information
    • G01N30/8682—Group type analysis, e.g. of components having structural properties in common
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)

Abstract

【課題】 学習モデルを用いて得られた被検物質の定量的な情報に関して、信頼してよいかどうか判断する事ができるようになること。【解決手段】 被検物質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、前記取得された、前記被検物質の定量的な情報に関する寄与度を取得する寄与度取得手段と、を有する情報処理装置。【選択図】 図１

Description

本発明は、情報処理装置、及び情報処理装置の制御方法に関する。
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。具体的には可視・紫外線吸収スペクトル（ＵＶ／Ｖｉｓ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）、ラマンスペクトル分析、蛍光スペクトル分析、原子吸光分析、フレーム分析、発光分光分析、Ｘ線分析、Ｘ線回析、蛍光Ｘ線回析、常磁性共鳴吸収スペクトル、質量スペクトル分析、熱分析、キャピラリー電気泳動等が含まれる。
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。
別の例では、飛行時間型二次イオン質量分析法（ＴＯＦ−ＳＩＭＳ法）などの二次イオン質量分析法は、固体試料にイオンビームを照射して固体試料の表面に存在する元素及び分子の情報を得る手法である。高真空中で固体試料にイオンビーム（一次イオン）を照射すると、固体試料表面の構成成分が真空中に放出される。この過程で発生する正又は負の電荷を帯びたイオン（二次イオン）を、電場によって一方向に収束し、一定距離だけ離れた位置で検出する。固体試料表面の組成に応じて、さまざまな質量を持った二次イオンが発生するが、一定の電界中では、質量の小さいイオンほど速く、質量の大きいイオンほど遅く飛行する。そのため、二次イオンが発生してから検出器に到達するまでの時間（飛行時間）を測定することで、発生した二次イオンの質量を分析することができる。
しかしながら、スペクトル解析による分析手法は、そのスペクトルの値を読み取るのに知識や技術が必要である。例えばＨＰＬＣであれば被検物質とその他の夾雑物とのスペクトル情報が十分に分離できている必要があり、分離の手順や前処理等の技術が必要である。ＴＯＦ−ＳＩＭＳ法は被検物質と同時に夾雑物も検出されてしまう事から、スペクトル情報のどこに着目するべきか判断するのに知識と経験が必要である。
近年、深層学習を用いた機械学習法の発展に伴って、分析手法にも機械学習が導入されてきている。特許文献１では質量分析装置で得られた質量スペクトル情報から深層学習を利用して疾病に罹患しているか否かを判別している。
特開２０１８−１５２０００号公報
深層学習を用いた機械学習法は、これまで知識や技術が必要だったスペクトル解析を簡便かつ高精度で実現できる手法である。しかし、深層学習におけるデータ処理はブラックボックスであり、算出の結果に至った根拠に関しては明らかにされることはなく、得られた結果に関して信頼してよいかどうか判断する事が難しいという課題があった。
本発明に係る情報処理装置は、被検物質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、前記取得された、前記被検物質の定量的な情報に関する寄与度を取得する寄与度取得手段と、を有する。
本発明に係る情報処理装置の制御方法は、被検物質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、前記取得された、前記被検物質の定量的な情報に関する寄与度を取得する寄与度取得工程と、を有する。
本発明に係る情報処理装置によれば、これまで知識や技術が必要だったスペクトル解析に対して深層学習で結果を得た上で、その推論の結果に至った根拠を同時に表示する事で、得られた結果に関して信頼してよいかどうか判断する事ができるようになる。
本発明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の一例を示す図である。 本発明の実施形態における、学習モデルの生成に関する処理手順のフローチャートの一例を示す図である。 本発明の実施形態における、寄与度を取得する処理手順のフローチャートの一例を示す図である。 本発明の実施形態１に係る分析装置の概略ブロック図である。 本発明の実施例を説明するフローチャートである。 ＨＰＬＣにおける表示部の例である。 本発明の別の実施例によるＨＰＬＣの表示部の例である。 ＴＯＦ−ＳＩＭＳにおける表示部の例である。 添加物濃度と特定の質量スペクトルの強度の関係を示す図である。 別の実施例によるＴＯＦ−ＳＩＭＳの表示部の例を示す図である。 本発明の実施形態において、表示部に表示させる表示態様の例の１つである。 本発明の実施形態において、表示部に表示させる表示態様の例の１つである。 本発明の実施形態において、表示部に表示させる表示態様の例の１つである。 本発明の実施形態において、表示部に表示させる表示態様の例の１つである。 本発明の実施形態において、表示部に表示させる表示態様の例の１つである。 本発明の実施形態において、表示部に表示させる表示態様の例の１つである。 本発明の実施例において、表示部に表示させる表示態様の例の１つである。 本発明の実施例において、行った学習の手法を説明するための模式図である。 本発明の実施例において、表示部に表示させる出力の例である。 本発明の実施例において、表示部に表示させる出力の例である。
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）とが含まれているものとする。試料は混合物であれば、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、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のであれば被検物質としては、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−ピリドキシン酸などある。ほかに、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がある。ほかに、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がある。ほかに、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、が挙げられる。
（定量的な情報）
本実施形態における定量的な情報とは、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で構成される群から選択される少なくとも一つである。また、被検物質の基準量に対して試料に含まれる濃度あるいは量の比率、被検物質の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つである。
（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。
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。
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、適切な予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行くことで、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。質量分析法は、例えば、飛行時間型二次イオン質量分析法を用いることができる。
例えば、液体クロマトグラフィーを用いた装置では移動相容器、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。検出器は紫外線や可視光線、赤外線などを用いた電磁波検出器をはじめ、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、寄与度取得部４６、表示制御部４７を具備する。
ここで、寄与度は、スペクトル情報に含まれる情報に関して、被検物質の定量的な情報を取得する際の、寄与の度合いに関する情報であってもよい。
スペクトル情報取得部４１は、被検物質を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と寄与度取得部４６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と寄与度取得部４６に出力する。
ここで、スペクトル情報が、複数のピークを有するグラフの情報を含み、ピークの高さは、試料に含まれる物質の定量的な情報に対応し、ピークの位置は試料に含まれる物質の種類に関する情報に対応するものであってもよい。この場合、寄与度は、前記複数のピークに関して、前記被検物質の定量的な情報を取得する際の寄与の高さを示す情報であってもよい。
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４７へ出力する。
寄与度取得部４６は、情報取得部４５が取得した、被検物質の定量的な情報に関する寄与度を取得する。すなわち、寄与度取得部４６は、前記取得された、前記被検物質の定量的な情報に関する寄与度を取得する寄与度取得手段の一例に相当する。本実施形態における寄与度とは、学習モデルによって推定された被検物質の定量的な情報に関して、試料のスペクトル情報のうちどの情報がどれだけ影響を及ぼしているのかの度合い寄与しているのかを示す指標である。寄与度の取得に関する詳細な説明は後述する。そして、寄与度取得部４６は、取得した寄与度を表示制御部４７へ出力する。
表示制御部４７は、情報取得部４５が取得した定量的な情報と、寄与度取得部４６が取得した寄与度とを表示部３６に表示させる。表示制御部４７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。
また、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。
次に図２〜図３を用いて、本実施形態における処理手順を説明する。
図２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。被検物質が複数種類ある場合は、被検物質ごとにそれぞれ分析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。
従来技術として、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ある。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。例えば教師データとして９万種のデータを用意する必要がある。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）、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。
次に、寄与度を取得する方法について、説明する。図３は、寄与度を取得する処理手順を示すフローチャートである。
（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、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）（寄与度を取得）
ステップＳ３０３では、寄与度取得部４６は、ステップＳ３０２で推定された定量的な情報に関する寄与度を取得する。
以下に、図面を参照しながら、寄与度の取得方法含め、本発明の実施形態の一例について説明する。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。
図４は本発明の分析データ処理装置の処理フローを示す概略ブロック図である。
（分析データ処理装置の構成）
この分析データ処理装置は、分析装置から分析データを取得する分析部と、分析部で得られたスペクトル情報から結果を推論する推論部、推論の根拠を推定する根拠推定部、およびそれらの結果を表示する表示部から構成される。
（分析部）
分析部は前記試料の分析結果を得るための各種分析機である。分析に用いられる機器は様々であるが、例えば可視・紫外線吸収スペクトル（ＵＶ／Ｖｉｓ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）、ラマンスペクトル分析、蛍光スペクトル分析、原子吸光分析、フレーム分析、発光分光分析、Ｘ線分析、Ｘ線回析、蛍光Ｘ線回析、常磁性共鳴吸収スペクトル、質量スペクトル分析、熱分析、ガスクロマトグラフィー、液体クロマトグラフィーなどがある。
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。検出器は紫外線や可視光線、赤外線などを用いた電磁波検出器をはじめ、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。
（推論部）
推論部は予め機械学習によって得られた学習済モデルを用いて、スペクトル情報から試料の量や種類を算出する。学習済モデルの作成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行く事で、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作製する事ができる。
本実施形態において学習済モデルは、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。学習済モデルとは教師データを用いて予め用意した学習モデルの各種係数をフィッティングし、適切な予測が行えるように構築したものの事である。学習モデルには様々な種類がある。例えば、ディープニューラルネットワークと呼ばれる学習モデルでは入力層、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行く事で、入力に対する出力を高い精度で予測できる学習済モデルを作製する事ができる。
（根拠推定部）
根拠推定部では、推論におけるスペクトル情報の寄与度を算出し、その結果に基づいて根拠を推定する。学習済モデルを用いた機械学習における寄与度の算出方法としては、出力に対する入力の各次元の寄与度を偏微分を用いて算出する方法が知られている。例えばスペクトル情報ｆ（ｘ）のｘ＝αにおける値をβ変動させる（図４中（１）データ加工）。変動させたスペクトル情報を学習済モデルに適用する（図４中（２）学習済モデルで推論）。得られた推論結果の変化分Δｙを算出し、Δｙ／βをｘ＝αにおける寄与度とする（図４中（３）寄与度算出）。使用する学習済モデルは推論部で使用するものと同一である。
根拠の推定方法としては、スペクトル情報の中の寄与度が大きい部分を算出の根拠として出力する（図４中（４）根拠推定）。例えば質量スペクトルから物質の種類を同定する分析であれば、出力されたピークの位置が同定の根拠となる。
別の寄与度の算出方法として、スペクトル情報中の複数の情報を変動させる方法もある。スペクトル情報ｆ（ｘ）のｘ＝α１，α２，α３…αｎにおける値をそれぞれ変化させた時の出力の変化分から、α１，α２，α３…αｎの組合せにおける寄与度が算出できる。例えば、ＴＯＦ−ＳＩＭＳにおける質量スペクトルでは試料の濃度に比例して特定のピークの大きさが変化するとは限らず、試料がある濃度を超えると別のピークが大きくなるといった複数のピークの組合せで１つの試料の濃度が決まる場合も多い。ピークの組合せ毎の寄与度を求める事で、どのピークの組合せに着目して推論したか、その根拠を推定する事ができる。
（表示部）
表示部では分析部で得られたスペクトル情報、推論部で得られた推論情報、根拠推定部で得られた根拠情報を表示する。
（情報処理装置の制御方法）
本発明の実施形態に係る情報処理装置の制御方法について説明する。本実施形態に係る制御方法は、以下の工程を少なくとも有する。
（１）被検物質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、被検物質の定量的な情報を取得する情報取得工程。
（２）取得された、被検物質の定量的な情報に関する寄与度を取得する寄与度取得工程。
本方法における情報処理装置は、前述の情報処理装置の説明と共通する。
本実施例では、分析部に高速液体クロマトグラフィー（以下ＨＰＬＣ）を用いた液体試料中の被検物質の定量法について説明する。図５は本実施例を説明するフローチャートである。
事前準備として学習済モデルを用意する。まず、被検物質の量が既知の試料を複数用意し、ＨＰＬＣにてスペクトル情報（クロマトグラフ）を得る（ステップＳ１）。得られたスペクトル情報と被検物質の量を教師データとして機械学習を行う（ステップＳ２）。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し、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済モデルを構築しても良い。深層学習を用いる場合は、回帰型ニューラルネットワークを構築すると良い。
次に、量が未知の被検物質に対して、その量を推論する。量が未知の前記被検物質を含む試料のクロマトグラフをＨＰＬＣにて取得する（Ｓ３）。ここで表示部にクロマトグラフを表示する。前記学習済みモデルに前記試料のクロマトグラフを入力し、前記被検物質の量を推論する（Ｓ４）。推論結果を表示部に表示する。
さらに、前記推論の結果に対する根拠を推定する。前記クロマトグラフは時間に対する検出器の強度ｉのデータであり、ｉ（ｔ）の配列で表せる。ここでｔは０から始まる整数であり、Δｔ間隔でデータを取得した場合は、データ取得時間をΔｔで除算することでｔを得る。クロマトグラフの取得終了時間をｔＥＮＤΔｔとすると、ｔは０からｔＥＮＤまでの値を取る。ｔ＝ｎの時ｊ（ｔ）＝０とし、ｔ≠ｎの時ｊ（ｔ）＝ｉ（ｔ）とする新しいクロマトグラムｊ（ｔ）を作成する（Ｓ５）。ｊ（ｔ）に対して前記学習済モデルを適用し推論を行う。ｉ（ｔ）の推論結果とｊ（ｔ）の推論結果の差分の絶対値をｋ（ｎ）とし、ｎを０からｔＥＮＤまで変化させてｋ（ｎ）の配列を取得する。ここで得られたｋ（ｎ）が推論に対するクロマトグラムの寄与度となる（Ｓ６）。寄与度の極大値を求め、これを推論の根拠として表示部に表示する（Ｓ７）。推論の根拠は寄与度の極大値の上位２つから３つ程度でもよい。
図６は表示部における表示の一例である。この例では、被検物質はＨＰＬＣで他の夾雑物と完全には分離できていないが、機械学習によって被検物質単離時のピーク高さが推論されている（３０２）。そして、このピーク高さを推論した根拠として、クロマトグラム中の２点が指示されている（３０３）。この２点に着目し、従来からも行われているベースラインからピーク高さを推算する方法で算出すると（３０４）学習済モデルを用いて推論した結果とよく一致する事が分かる。
また、図１１は表示部における別の例である。計測されたクロマトグラム（８０１）と推論されたピークの情報（８０７）の他に、推論の根拠として、クロマトグラム（８０１）中に濃淡のグラデーションが表示されている。濃い部分ほど、寄与度が大きい事を意味する。この例では、目的の物質は検出されなかった（ピーク高さが０）と推論されている。ピークが現れる位置である８０３のクロマトグラムは８０４の値を持っているが、ここにはピークがあるわけではなく、８０５と８０６のピークの影響により８０４の値になっていることを示している。８０２は寄与度の表示方法の別の例で、８０１の濃淡のグラデーションをグラフで表示したものである。図１２、１３は図１１における寄与度の別の表示方法の例である。図１２では寄与度の数値と対応するピークが線で結ばれている。図１３はピークの位置を示す数値とそれに対応して寄与度の数値が示されている。
実施例１の推論の結果に対する根拠の推定を以下のように変更した。
クロマトグラム中の最大値をｉＭＡＸとする。ｔ＝ｎの時ｊ（ｔ）＝ｉ（ｔ）＋ｉｍａｘ×０．１とし、ｔ≠ｎの時ｊ（ｔ）＝ｉ（ｔ）とする新しいクロマトグラムｊ（ｔ）を作成する。この他は実施例１と同様である。
実施例１ではクロマトグラムの一部を０として、その時の推論結果の変動値を見ていたが、本実施例では、クロマトグラムの一部に定数を加算する方法で、推論結果の変動をみる。実施例１では検出器の強度によって寄与度が変わってしまう可能性があったが、本実施例では検出器の強度が小さい場合においても、精度良く寄与度を求める事ができる。
図７は検出器の強度が小さい場合の推論の根拠の表示例である。推論の根拠として寄与度の極大値の上位２つを表示している。図７（ａ）は実施例１、図７（ｂ）は実施例２の場合である。被検物質の検出感度が小さかったため、図７（ａ）では寄与が小さいが値が大きい４０１が根拠として選ばれている。図７（ｂ）では寄与が大きい部分が正確に選択されている。
本実施例では、分析部に飛行時間型二次イオン質量分析法（以下ＴＯＦ−ＳＩＭＳ）を用いた個体試料中の被検物質の分類法について説明する。手順のフローチャートは実施例１と同様に図５を用いる。
事前準備として学習済モデルを用意する。まず、被検物質の種類が既知の試料を複数用意し、夾雑物と混合し固化した後に、ＴＯＦ−ＳＩＭＳにてスペクトル情報（質量スペクトル）を得る（ステップＳ１）。得られたスペクトル情報と被検物質の種類を教師データとして機械学習を行う（ステップＳ２）。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し、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済モデルを構築しても良い。深層学習を用いる場合は、分類型ニューラルネットワークを構築すると良い。
次に、種類が未知の被検物質に対して、その種類を推論する。種類が未知の前記被検物質を含む試料の質量スペクトルをＴＯＦ−ＳＩＭＳにて取得する（Ｓ３）。ここで表示部に質量スペクトルを表示する。前記学習済みモデルに前記試料の質量スペクトルを入力し、前記被検物質の種類を推論する（Ｓ４）。推論結果を表示部に表示する。
さらに、前記推論の結果に対する根拠を推定する。前記質量スペクトルは質量を電荷で除算した値に対する検出器の強度ｉのデータであり、ｉ（ｔ）の配列で表せる。ここでｔは０から始まる整数であり、機器の分解能によって決まるΔｔの間隔でデータは取得されている。質量を電荷で除算した値をさらにΔｔで除算することでｔを得る。質量スペクトルの取得終了値をｔＥＮＤΔｔとすると、ｔは０からｔＥＮＤまでの値を取る。ｔ＝ｎの時ｊ（ｔ）＝０とし、ｔ≠ｎの時ｊ（ｔ）＝ｉ（ｔ）とする新しいクロマトグラムｊ（ｔ）を作成する（Ｓ５）。ｊ（ｔ）に対して前記学習済モデルを適用し推論を行う。ｉ（ｔ）の推論結果とｊ（ｔ）の推論結果の差分の絶対値をｋ（ｎ）とし、ｎを０からｔＥＮＤまで変化させてｋ（ｎ）の配列を取得する。ここで得られたｋ（ｎ）が推論に対する質量スペクトルの寄与度となる（Ｓ６）。寄与度の極大値を求め、これを推論の根拠として表示部に表示する（Ｓ７）。推論の根拠は寄与度の極大値の上位２つから３つ程度でもよい。
図８は表示部における表示の一例である。この例ではメタクリル酸メチルを主成分とした紫外線硬化性樹脂中に含まれる添加物を同定した例である。５０１は質量スペクトル、５０２は深層学習を用いて同定した結果である。複数の添加物候補からアセチレノールＥ−１００（川研ファインケミカル（株）製）が添加物であると示されている。この分類結果に対して、その根拠として５０３が表示されている。５０４は５０３のうちユーザが選択した一部を拡大表示している。５０５には根拠として選択した質量スペクトルの情報が表示されている。
ここで、５０４で根拠として示した質量スペクトルについて着目してみる。添加物（アセチレノールＥ−１００）の濃度を０．２％、０．４％、０．６％、１．５％、１０％と変化させた時の、質量スペクトルｍ／ｚ＝２３１が図９である。ｍ／ｚ＝２３１は信号としては小さいが、添加物濃度との相関が高い事から添加物由来の信号であると考えられる。したがって、質量スペクトルｍ／ｚ＝２３１は同定の根拠の１つであると言える。
また、図１４は表示部における別の例である。９０１は質量スペクトル、９０２は深層学習を用いて同定した結果である。その際の寄与度が９０３に表示されており、９０４は寄与度の高い質量スペクトルの情報である。図１５、１６は図１４における寄与度の別の表示方法の例であり、寄与度の高い質量スペクトルの情報と共にその寄与度が表示されている。図１５では質量スペクトルの情報と共に寄与度の数値が対応するピークと線で結ばれている。図１６はピークの位置を示す数値とそれに対応して質量スペクトルの情報と寄与度の数値が示されている。
実施例３の推論の結果に対する根拠の推定を以下のように変更した。
質量スペクトル中の最大値をｉＭＡＸとする。ｔ＝ｎの時ｊ（ｔ）＝ｉ（ｔ）＋ｉｍａｘ×０．１とし、ｔ≠ｎの時ｊ（ｔ）＝ｉ（ｔ）とする新しい質量スペクトルｊ（ｔ）を作成する。この他は実施例３と同様である。結果としては実施例３と同様に推論の根拠が表示された。
実施例３の推論の結果に対する根拠の推定を以下のように変更した。
ｔ＝ｎ１またはｔ＝ｎ２の時ｊ（ｔ）＝０とし、ｔ≠ｎ１かつｔ≠ｎ２の時ｊ（ｔ）＝ｉ（ｔ）とする新しい質量スペクトルｊ（ｔ）を作成する。ｉ（ｔ）の推論結果とｊ（ｔ）の推論結果の差分の絶対値をｋ（ｎ１，ｎ２）とし、ｎ１を０からｔＥＮＤまで、ｎ２を０からｔＥＮＤまで変化させてｋ（ｎ１，ｎ２）の配列を取得する。
この場合、ｋ（ｎ１，ｎ２）が極大となるｎ１、ｎ２が推論の根拠となる。図１０は表示部における表示の一例である。ｎ１、ｎ２が揃う事で同定結果になったという事から、２つは近い部位に存在していた可能性が高い。図１０中７０３（Ａ）はより質量が大きい右側のピークの物質が分解して左のピークの物質になったことを示唆している。これらの情報を合わせる事で推論結果に対する根拠とすることができる。
本実施例では、分析部に質量分析法を用いた個体試料中の被検物質の同定と定量を同時に行う方法について説明する。手順のフローチャートは実施例１と同様（図５）である。
事前準備としては実施例３で行った被験物質の種類を変えて学習させた方法に加えて、同じ方法で被験物質の量を変えた学習方法も行う。この場合、スペクトル情報と被検物質の量が教師データとなる。推論の根拠は実施例３と同様の方法で求める事が出来る。
実施例３で作られた学習モデルと本実施例で作られた学習モデルの２つを用いる事で、１つの質量スペクトルから種類と量を推論する事が出来る。また、スペクトル情報と被検物質の種類、および量を教師データとし、１回の推論で種類と量を求めてもよい。表示例を図１７に示す。１００１は質量スペクトルであり、１００２は種類の推論結果とその種類に分類した根拠として選ばれた質量スペクトルの情報を示している。１００３は量の推論結果とその根拠として選ばれた質量スペクトルの情報を示している。
本実施例では、分析部に質量分析法を用いた個体試料中の被検物質の同定を行う別の方法について説明する。手順のフローチャートは実施例１と同様（図５）である。事前準備としては実施例３で行った被験物質の種類を変えて学習させた方法を行っておく。この時、図１８に示したディープニューラルネットワーク（以下ＤＮＮ）を用いて学習を行う。このＤＮＮは分類型であり、出力層１１０２には分類する数に応じたノードが存在し、各ノードにその分類となる確率が出力される。教師データは、入力がスペクトル情報、出力が対応する分類を１、それ以外を０とした確率情報として学習を行う。出力層とその一つ前の層を繋ぐ活性化関数としてはソフトマックス関数を使うことが好ましい。これにより出力層のノードの合計値を１にする事が出来る。学習後の学習モデルの入力層にスペクトル情報を入れると、出力層から各分類に対する確率が出力される。ここで、出力層の１つのノードに着目し実施例３と同様の根拠の推定を行う。これを全出力層のノードに対して行うことで、各分類結果になった根拠（質量スペクトルの寄与度）を求める事が出来る。図１９は本実施例における出力結果の表示例である。１２０１は入力した質量スペクトルであり、１２０２は分類結果で最も確率が高かった物質の情報とその根拠となるピーク情報、および寄与度が表示されている。１２０３は２番目に確率が高かった物質の情報とその根拠となるピーク情報、および寄与度である。
実施例７と同様の方法で質量スペクトルを分類、各分類候補に対する物質の情報とその根拠となるピーク情報、および寄与度を表示する。さらに質量スペクトル中の最大値をｉＭＡＸとし、ｔ＝ｎの時ｊ（ｔ）＝ｉｍａｘ、ｔ≠ｎの時ｊ（ｔ）＝ｉ（ｔ）とする新しい質量スペクトルｊ（ｔ）を作成する。この他は実施例３と同様にして各分類候補に対する寄与度を新たに求める。ここで求める寄与度は、各分類候補に対して質量スペクトルの一部にピークを足したときに、その分類の確率を上げる量を示している。図２０に本実施例における出力結果の表示例を示す。１３０１に示した不足ピークがその分類の確率を上げる最も寄与度の大きかったピークである。図２０の例では（Ａ）のピーク（ｍ／ｚ＝５７、図中の１３０２）が存在すれば分類候補（２）ペンタンである確率が８０％増加したことを意味している。つまり、この質量スペクトルは分類候補（１）酢酸の確率８７．５％と分類したが、（Ａ）にピークがあれば分類候補（２）である確率の方が大きくなり、分類候補（２）ペンタンであると分類されたということである。（Ａ）にピークが無かった事が分類候補（１）の確率が最も高くなった根拠ということができる。
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 寄与度取得部
４７ 表示制御部

Claims (18)

  1. 被検物質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、
    前記取得された、前記被検物質の定量的な情報に関する寄与度を取得する寄与度取得手段と、を有する情報処理装置。
  2. 前記寄与度は、前記スペクトル情報に含まれる情報に関して、前記被検物質の定量的な情報を取得する際の、寄与の度合いに関する情報である請求項１に記載の情報処理装置。
  3. 前記スペクトル情報が、前記複数のピークを有するグラフの情報を含み、前記ピークの高さは、前記試料に含まれる物質の定量的な情報に対応し、前記ピークの位置は前記試料に含まれる物質の種類に関する情報に対応するものである請求項１または２に記載の情報処理装置。
  4. 前記寄与度は、前記複数のピークに関して、前記被検物質の定量的な情報を取得する際の寄与の高さを示す情報である請求項３に記載の情報処理装置。
  5. 前記寄与度取得手段は、前記試料のスペクトル情報を変化させたときに、取得される、前記被検物質の定量的な情報に及ぼす影響の度合いに基づいて、前記寄与度を取得する請求項１乃至４のいずれか１項に記載の情報処理装置。
  6. 前記取得された寄与度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５のいずれか１項に記載の情報処理装置。
  7. 前記表示制御手段は、更に前記取得された前記被検物質の定量的な情報を前記表示部に表示させることを特徴とする、請求項６に記載の情報処理装置。
  8. 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７の何れか１項に記載の情報処理装置。
  9. 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８に記載の情報処理装置。
  10. 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９に記載の情報処理装置。
  11. 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１０の何れか１項に記載の情報処理装置。
  12. 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の少なくとも１つであることを特徴とする、請求項１乃至１１のいずれか１項に記載の情報処理装置。
  13. 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１２のいずれか１項に記載の情報処理装置。
  14. 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、常磁性共鳴吸収を利用した電子スピン共鳴分光法、質量分析法、及び熱分析法の少なくとも１つを行うことを特徴とする請求項１３に記載の情報処理装置。
  15. 前記分析手段は、飛行時間型二次イオン質量分析法を行うことを特徴とする請求項１４に記載の情報処理装置。
  16. 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１乃至１５の何れか１項に記載の情報処理装置。
  17. 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、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の少なくとも１つ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. 被検物質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、
    前記取得された、前記被検物質の定量的な情報に関する寄与度を取得する寄与度取得工程と、を有する情報処理装置の制御方法。
JP2020182350A 2019-11-01 2020-10-30 情報処理装置、及び情報処理装置の制御方法 Pending JP2021076602A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019200321 2019-11-01
JP2019200321 2019-11-01

Publications (1)

Publication Number Publication Date
JP2021076602A true JP2021076602A (ja) 2021-05-20

Family

ID=75715269

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020182350A Pending JP2021076602A (ja) 2019-11-01 2020-10-30 情報処理装置、及び情報処理装置の制御方法

Country Status (4)

Country Link
US (1) US20220252531A1 (ja)
JP (1) JP2021076602A (ja)
CN (1) CN114631029A (ja)
WO (1) WO2021085581A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024135369A1 (ja) * 2022-12-22 2024-06-27 株式会社堀場製作所 分光分析装置、分光分析方法、分光分析プログラム、学習装置、学習方法、及び、学習プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4141440A1 (de) * 2021-08-26 2023-03-01 Siemens Aktiengesellschaft Ki-beschleunigtes analyseverfahren, auswertungseinheit, gaschromatograph, analysesystem und computerprogrammprodukt

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4480508B2 (ja) * 2004-08-02 2010-06-16 富士通株式会社 診断支援プログラムおよび診断支援装置
CN110214271B (zh) * 2017-01-19 2022-11-15 株式会社岛津制作所 分析数据解析方法以及分析数据解析装置
JP6729455B2 (ja) * 2017-03-15 2020-07-22 株式会社島津製作所 分析データ解析装置及び分析データ解析方法
JP6815296B2 (ja) * 2017-09-14 2021-01-20 株式会社東芝 ニューラルネットワーク評価装置、ニューラルネットワーク評価方法、およびプログラム
JP2019086473A (ja) * 2017-11-09 2019-06-06 富士通株式会社 学習プログラム、検出プログラム、学習方法、検出方法、学習装置および検出装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024135369A1 (ja) * 2022-12-22 2024-06-27 株式会社堀場製作所 分光分析装置、分光分析方法、分光分析プログラム、学習装置、学習方法、及び、学習プログラム

Also Published As

Publication number Publication date
WO2021085581A1 (ja) 2021-05-06
US20220252531A1 (en) 2022-08-11
CN114631029A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
WO2020105566A1 (ja) 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法
Salvato et al. The many flavours of photometric redshifts
US20210311001A1 (en) Information processing apparatus, control method of information processing apparatus, and computer-readable storage medium therefor
Tran et al. Interpretation of variable importance in partial least squares with significance multivariate correlation (sMC)
US20160216244A1 (en) Method and electronic nose for comparing odors
US20220252531A1 (en) Information processing apparatus and control method for information processing apparatus
JP5565810B2 (ja) 質量分析データ処理方法及び装置
EP3495812A1 (en) Analysis data processing method and analysis data processing device
CN104170052A (zh) 用于改进的质谱分析法定量作用的方法和装置
Vega-Márquez et al. Deep learning techniques to improve the performance of olive oil classification
Streun et al. A machine learning approach for handling big data produced by high resolution mass spectrometry after data independent acquisition of small molecules–Proof of concept study using an artificial neural network for sample classification
Möller et al. Random forests for functional covariates
Palmer et al. Using collective expert judgements to evaluate quality measures of mass spectrometry images
CMS collaboration Search for pair-produced vector-like leptons in final states with third-generation leptons and at least three b quark jets in proton-proton collisions at $\sqrt {s} $= 13 TeV
US11841373B2 (en) Information processing apparatus, method for controlling information processing apparatus, and program
Hategan et al. The improvement of honey recognition models built on 1H NMR fingerprint through a new proposed approach for feature selection
WO2021261202A1 (ja) データ生成方法及び装置、並びに、識別器の生成方法及び装置
Sattlecker et al. Assessment of robustness and transferability of classification models built for cancer diagnostics using Raman spectroscopy
Rocha et al. Classification of samples from NMR-based metabolomics using principal components analysis and partial least squares with uncertainty estimation
Ma et al. PIXiE: an algorithm for automated ion mobility arrival time extraction and collision cross section calculation using global data association
JP2020106340A (ja) 情報処理装置、情報処理装置の制御方法、及びプログラム
Heimersheim et al. FlexKnot and Gaussian Process for 21 cm global signal analysis and foreground separation
JP2021009135A (ja) 情報処理装置、情報処理装置の制御方法、及びプログラム
CN104350378B (zh) 用于测量光谱系统的性能的方法和设备
Hancewicz et al. Improved modeling of in vivo confocal Raman data using multivariate curve resolution (MCR) augmentation of ordinary least squares models

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231026

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20231213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240730

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240926