JP2021509725A - ピーク形状を最適化するためのシステムおよび方法 - Google Patents

Abstract

システム（１１０）は、第１のタイプのセンサー（１０４）と、第１のタイプのセンサー（１０４）に接続される推定システム（１０６）とを含む。推定システム（１０６）は、（ａ）機械学習を用いて、既知のガス混合物のキャラクタリゼーションデータを、ノイズを付加して分析することにより、既知のガス混合物を推定のために最良のピーク形状を特定し、（ｂ）第１のタイプのセンサー（１０４）における、標準ガス混合物を用いたいくつかの異なるインスタンスに対して複数の実際のピーク形状を生成し、複数の実際のピーク形状の中の、ある実ピーク形状を第１のタイプのセンサー（１０４）を校正するための校正入力として提供し、さらに、（ｃ）実際のピーク形状を最適化して望ましいピーク形状と一致するために、第１のタイプのセンサー（１０４）のパラメータを自動的に調整することにより、第１のタイプのセンサー（１０４）を校正するように構成されている。【選択図】 図１

Description

本明細書の実施形態は、スペクトロメーターのピーク形状を最適化するためのシステムに関するものであり、より具体的には、ガス混合物を推定するための質量分析計などのスペクトロメーターのピーク形状を自動的に最適化するためのシステムおよび方法に関するものである。

標準的な質量分析計は、複数のイオンとそれらのフラグメントに関連した複数の質量電荷比（ｍ／ｚ比）において表れるシグネチャ（特徴、痕跡）を生成する。質量分析計は、異なる相対比率で異なるガスをイオン化してもよい。異なるガスの複数のイオンはフラグメント（分解）され、様々な質量電荷比（即ち、複数のｍ／ｚ)で現れてもよい。様々な質量電荷比においてフラグメント（フラグメンテーション）されたイオンは、検出器に送られる。イオンのフラグメンテーションは、ある特定のガスに対して一定であってもよい。

質量分析計のデータは、通常、質量電荷比（ｍ／ｚ）が異なる個々のイオンに対応する複数の「ピーク」を示す。イオンのフラグメンテーション（分解）は、標準的な参照データベースまたは実験により得られてもよい。フラグメントされたイオンの各ピークは、典型的には、非ゼロ幅（ある程度の幅）を含み、質量電荷比に依存する非対称な形状を有する可能性がある。フラグメントされたイオンのピークは、質量分析計に基づいて特定されるため、異なるクラスの質量分析計の間で、ばらつきがある。完全に理想的な質量分析計は、ゼロ幅のピーク（インパルス）を持っているが、全ての実際の質量分析計は、ゼロ幅ではないピークを持っており、その形状は整ったガウス曲線やローレンツ曲線から複数のピーク曲線が重なり合った組み合わせまで様々である。

従来の質量分析計では、各質量分析計は、質量分析計で生成されるピーク形状に適応するための推定アルゴリズムを採用している。これらの質量分析計は、各質量分析計に実装されたアルゴリズムを、質量分析計が生成する特定のピーク形状にチューニングする、アルゴリズムをチューニングするステップを必要とする。重なり合うピークの形状を整形するためのアプローチの１つは、デコンボリューション（逆畳み込み）プロセスを使用して、重なり合うピークの形状をデコンボリューションすることを含む。

しかしながら、デコンボリューションプロセスでは、より大きな隣接ピークの下に隠れているマイナーピークからの情報を抽出することができない。さらに、このアプローチは、限られたスケール因子（スケールファクター）のセットを用いた機器に固有の校正である。さらに、上記のアプローチでは、推定精度の限界やユニットごとの変動があり、さらに、質量電荷比が高くなると感度に限界がある。これらのアプローチは、ラマン分光計、吸収分光計、振動分光計などの他のスペクトロメータ（分光型センサ）にも適用されている。

したがって、質量分析計や他のスペクトルタイプ（分光型）のセンサを用いてガスや他の混合物を推定する場合に、それらのセンサのパラメータを自動的に最適化することにより、それらのピーク形状を自動的に最適化するシステムおよび方法が求められている。

本発明の１つの態様は、第１のタイプのセンサーを用いて測定対象の混合物の成分を推定するシステムである。第１のタイプのセンサーは、測定対象の混合物（ターゲットの混合物）に対する測定結果（スキャン出力）を生成する。測定結果は、検出された成分のスペクトルを質量電荷比、波数などの第１の変数の関数として含む。システムは、データベースと、モジュールのセットとを有する。データベースには、既知の混合物のキャラクタリゼーションデータ（特徴データ）、システムが用いられるアプリケーションに必要な精度、感度、および分解能を含む制約事項のセット（一連の制約事項）、および標準混合物の分析モデルが格納されている。モジュールのセット（一組のモジュール、モジュール群）は、ピーク形状特定モジュールと、合成データ事前生成モジュールと、コスト関数定義モジュールと、実ピーク形状生成モジュールと、校正（キャリブレーション）モジュールと、推定モジュールとを含む。ピーク形状特定モジュールは、既知の複数の混合物のキャラクタリゼーションデータ（特徴データ）を、アプリケーションのバッググラウンドとして追加されたノイズを含めて分析することにより、アプリケーションの制約事項のセットを最も満足するピーク形状であって、既知の複数の混合物、例えば、既知のガス混合物の成分を推定するために最良のピーク形状を特定するように構成されている。合成データ事前生成モジュールは、標準混合物が入力として、分析モデルから最良のピーク形状に対応する望ましいピーク形状を含む合成データを事前に生成するように構成されている。望ましいピーク形状は、最良のピーク形状と同じ範囲のスペクトルの一部のピーク形状であってもよい。コスト関数定義モジュールは、最良のピーク形状から測定対象の混合物の成分を推定するために適したピーク形状を決定するためのコスト関数を定義するように構成されている。実ピーク形状生成モジュールは、第１のタイプのセンサーにおける（第１のタイプのセンサーの）、標準混合物を用いた複数の異なるインスタンス（事例）における複数の実際のピーク形状を生成し、複数の実際のピーク形状の中から、第１のタイプのセンサーを校正するための校正入力とする、１つの実際のピーク形状を提供するように構成されている。校正モジュールは、第１のタイプのセンサーのパラメータを自動的に調整し、実際のピーク形状を望ましいピーク形状と一致するように最適化するための選択されたパラメータを見出すことにより第１のタイプのセンサーを校正するように構成されている。推定モジュールは、選択されたパラメータを用いた第１のタイプのセンサーによる測定結果のピーク形状からコスト関数を用いて測定対象の混合物の成分を推定するように構成されている。

このシステムにおいては、推定モジュールは、測定結果に含まれる複数のピークの形状をデコンボリューションせずに、標準混合物によって校正された測定結果のピーク形状からコスト関数を用いて、測定対象の混合物の複数の成分を推定することができる。

モジュールのセットは、既知の混合物の測定結果を生成して精度およびピーク形状の品質を推定することにより、選択されたパラメータの有効性を確認するように構成されたパラメータ検証モジュールをさらに含んでもよい。最良のピーク形状特定モジュールは、機械学習を使用して、ノイズが付加され最良のピーク形状を特定する。

第１のタイプのセンサーは、測定対象のガス混合物に対して測定結果を生成してもよく、測定結果は、測定対象の混合物に対応する、検出されたイオンの質量電荷比の関数としてのスペクトルを含んでいてもよい。校正モジュールは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、バイアス電圧の中の少なくとも１つを含むパラメータを調整することにより、第１のタイプのセンサーを校正する。

校正モジュールは、（ａ）調整されるパラメータが選択されると、関心のある質量電荷比に対するパラメータを最適化するように構成された最適化モジュールと、（ｂ）決定モジュールであって、（ｉ）実際のピーク形状の最適化、および（ｉｉ）選択されたパラメータのそれぞれの最適化を、それぞれ所定の範囲に制約することにより、選択されたパラメータのそれぞれを所定の範囲で決定するように構成された決定モジュールとを含んでもよい。第１のタイプのセンサーは、四重極質量フィルタを含む質量分析計を含んでもよい。選択されたパラメータは、電圧勾配および個別バイアス電圧を含んでもよく、それらは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアス、および（ｖ）四重極バイアスを含んでいてもよい。

システムは、データベースおよびモジュールのセットを格納するメモリと、モジュールのセットを実行するプロセッサをさらに含んでもよい。システムは、さらに、第１のタイプのセンサーを含んでいてもよい。

本発明の他の態様は、コンピュータに実装された方法であって、第１のタイプのセンサーを用いて測定対象の混合物の成分を推定することを含む方法である。第１のタイプのセンサーは、測定対象の混合物の測定結果（スキャン出力）を生成し、測定結果は、検出された成分のスペクトルを第１の変数の関数として含む。成分を推定することは、（ａ）既知の複数の混合物にわたる（全体の）キャラクタリゼーションデータ（特徴データ、特性データ）に、アプリケーションのバックグラウンドとしてのノイズを追加して分析することにより、既知の複数の混合物の成分を推定するための最良のピーク形状であって、アプリケーションにおける精度、感度、および分解能を含む所定の制約事項のセットを参照し、その制約事項のセットに最も合致する最良のピーク形状を特定することと、（ｂ）標準混合物を入力として、分析モデルから最良のピーク形状に対応する望ましいピーク形状を含む合成データを事前に生成することと、（ｃ）最良のピーク形状から測定対象の混合物の成分を推定するために適したピーク形状を決定するためのコスト関数を定義することと、（ｅ）第１のタイプのセンサーにおける、標準混合物を用いた複数の異なるインスタンス（事例）に対する複数の実際のピーク形状の中から、第１のタイプのセンサーを校正するための校正入力とする、１つの実際のピーク形状を提供することと、（ｆ）第１のタイプのセンサーのパラメータを、実際のピーク形状を望ましいピーク形状と一致するように最適化するための選択されたパラメータを見出すように自動的に調整することにより第１のタイプのセンサーを校正することと、（ｇ）選択されたパラメータを用いた第１のタイプのセンサーにより測定結果を生成し、その測定結果のピーク形状からコスト関数を用いて測定対象の混合物の成分を推定することとを含む。

成分を推定することは、既知の混合物の測定結果を生成して精度およびピーク形状の品質を推定することにより、選択されたパラメータの有効性を確認することをさらに含んでもよい。最良のピーク形状を特定するステップは、機械学習を用いて、ノイズが付加された最良のピーク形状を特定することを含んでもよい。

第１のタイプのセンサーは、測定対象のガス混合物の測定結果を生成してもよい。測定結果は、測定対象のガス混合物に対応する、検出されたイオンの質量電荷比の関数としてのスペクトルを含んでいてもよい。校正するステップは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、バイアス電圧の中の少なくとも１つを含むパラメータを調整することにより、第１のタイプのセンサーを校正することを含んでもよい。校正するステップは、（ａ）調整されるパラメータが選択されると、関心のある質量電荷比に対するパラメータを最適化することと、（ｂ）（ｉ）実際のピーク形状の最適化、および（ｉｉ）選択されたパラメータのそれぞれの最適化を、それぞれ所定の範囲に制約することにより、選択されたパラメータのそれぞれを所定の範囲で決定することとを含んでいてもよい。

第１のタイプのセンサーは、四重極質量フィルタを含む質量分析計を含んでもよく、選択されたパラメータは、電圧勾配および個別バイアス電圧を含んでもよく、それらは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアスおよび（ｖ）四重極バイアスを含んでいてもよい。

本明細書の実施形態は、図面を参照し、以下の詳細な説明により、より良く理解されるであろう。
図１は、本明細書の実施形態による、推定システムを用いて、測定対象のガス混合物の成分を推定するためのピーク形状を最適化するためのシステムを示す。 図２は、本明細書の実施形態による、図１の推定システムを展開して示す図である。 図３は、本明細書の実施形態による、図１の推定システムの校正制御ループを示すフローチャートである。 図４Ａは、本明細書の実施形態による、図１の推定システムを使用して、測定対象のガス混合物の成分を推定するためのピーク形状を最適化する方法を示すフローチャートである。 図４Ｂは、図４Ａの続きのフローチャートである。 図５は、本明細書の実施形態による、図１の第１のタイプのセンサ（質量分析計）の全体図である。 図６は、本明細書の実施形態による、推定システムのコンピュータの構成の概略図である。

本明細書の実施形態およびその様々な特徴と有用な詳細は、添付の図面に示され以下の説明で詳述される非限定的な実施形態を参照することにより、より詳細に説明される。本明細書の実施形態を不明瞭にしないために、周知の構成要素および処理技術の説明は省略される。本明細書で使用されるこれらの実施例は、本明細書の実施形態が実施され得る方法の理解を単に容易にすること、さらに、当業者であれば、本明細書の実施形態を実施可能にすることを意図している。したがって、これらの実施例は、本明細書の実施形態の範囲を制限するものとして解釈されるべきではない。

前述したように、測定対象の混合物（ターゲット混合物）の成分を推定するためのピーク形状（すなわち、ガウス曲線、またはローレンツ曲線、または重なり合う複数のピーク曲線の組み合わせ）を自動的に最適化するシステムおよび方法が求められている。本明細書の実施形態は、標準混合物を使用して実際のピーク形状（実ピーク形状）を生成し、その実際のピークを校正入力として第１のタイプのセンサーを校正する推定システムを提供することによりこれを実現する。具体的には好ましい実施形態が示されている図１から図６を参照するが、それらには、同じ参照符号が、共通する特徴に対して付されている。

図１は、本明細書の実施形態による推定システム１０６を用いて、測定対象のガス混合物の成分を推定するためのピーク形状を最適化するためのシステム１１０を示す。システム１１０は、ソース（供給源）１０２と、第１のタイプのセンサー１０４と、推定システム１０６を含む。ソース１０２は、測定対象のガス混合物（ターゲットガス混合物）１０２ａと、１または複数の標準ガス混合物１０２ｂを含む。ソース１０２は、第１のタイプのセンサー１０４について選択されたパラメータの有効性を確認する（検証する）ための１または複数の既知のガス混合物１０２ｃを含んでもよい。標準ガス混合物１０２ｂは、その成分が既知であり、また、推定システム１０６が適用されるアプリケーションにおいて一般的に利用可能なものである。例えば、炭化水素産業では、センサーの精度を評価するために、特定の標準ガス混合物のセットを使用する。

推定システム１０６は、第１のタイプのセンサー１０４に電気的に接続されてもよい。ある実施形態では、第１のタイプのセンサー１０４は、質量分析計センサおよび／またはスペクトル型（スペクトロスコピック、分光型）センサ（例えば、質量分析計、ラマン分光計、吸収分光計、または振動分析計）を含む。ある実施形態では、第１のタイプのセンサー１０４の一例は、米国特許第９，６６６，４２２号に開示されている。第１のタイプのセンサー１０４は、測定対象のガス混合物中の複数のガスのセットに対応する測定結果（スキャン出力）を生成する。その測定結果は、測定対象のガス混合物に対応する検出されたイオンのスペクトルを含み、それは質量電荷比（第１の変数）の関数である。

測定対象の混合物１０２ａおよび標準混合物１０２ｂは、液体混合物、混合溶液、混合固体等であってもよい。第１のタイプのセンサー１０４は、検出された成分のスペクトルを、波数を第１の変数とする関数により含む測定結果（スキャン出力）を生成するラマン分光器などの他のタイプのセンサであってもよい。

推定システム１０６は、機械学習技術を用いて、ノイズを付加した既知の複数のガス混合物全体にわたる特徴データ（特性データ、キャラクタリゼーションデータ）を分析することにより、既知の複数のガス混合物を精度よく推定するために最良なピーク形状を特定する。最良のピーク形状とは、システム１０６が適用されるアプリケーションにおける、精度、感度（すなわち、検出可能な最小増分濃度）および分解能（すなわち、類似のイオン（類似の成分）の識別能力）の制約事項の与えられた組み合わせ（セット）について、その制約事項に最も合致するピーク形状のことである。実施形態では、最良のピーク形状は、特徴データから決定される。最良のピーク形状を特定することは、既知のガス混合物に対する第１のタイプのセンサー１０４の測定結果から、所定の推定精度を持った最良のピーク形状を得ることを含む。特徴データとしては、同一の既知の複数のガス混合物について、第１のタイプのセンサー１０４のパラメータを様々に設定して得られた測定結果が参照される。実施形態では、パラメータと出力形状の関係は、センサー毎に変化する。

推定システム１０６は、標準ガス混合物１０２ｂを入力とする分析モデルから、望ましいピーク形状を有する合成データを事前に生成する。推定システム１０６は、最良のピーク形状から、測定対象のガス混合物１０２ａを推定するために適したピーク形状を決定するためのコスト関数をさらに定義する。次に、推定システム１０６は、第１のタイプのセンサー１０４における、標準ガス混合物１０２ｂを用いた複数の異なるインスタンス（事例）について複数の実際のピーク形状を生成し、複数の実際のピーク形状の中の、ある実際のピーク形状（実ピーク形状）を、第１のタイプのセンサー１０４を校正するための校正入力として提供する。実施形態では、インスタンス毎に、第１のタイプのセンサー１０４のパラメータを変えて、実際のピーク形状が生成される。推定システム１０６は、その実際のピーク形状を望ましいピーク形状に最適化するように、第１のタイプのセンサー１０４の複数のパラメータを自動的に調整することにより、第１のタイプのセンサー１０４をさらに校正する。実施形態では、第１のタイプのセンサー１０４のパラメータは、直流電圧と高周波電圧との比、エミッション電流、電圧勾配、およびバイアス電圧のうちの少なくとも１つを含む。電圧勾配および個別バイアス電圧のパラメータは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアス、および（ｖ）四重極バイアスを含んでもよい。実施形態では、第１のタイプのセンサー１０４のパラメータは、測定対象のガス混合物中の特定のガスの所望のピーク形状を効果的に推定するように調整される。推定システム１０６は、さらに、既知のガス混合物１０２ｃの測定結果を生成して精度およびピーク形状品質を推定することにより、関心のある質量電荷比に限定した複数のパラメータを含む、選択された複数のパラメータの有効性を判断（検証）する。推定システム１０６は、コンピュータ、携帯電話、ＰＤＡ（Personal Digital Assistant）、タブレット、電子ノート、またはスマートフォンであってもよい。実施形態では、第１のタイプのセンサー１０４は推定システム１０６に組み込まれている。

図２は、本明細書の実施形態による、図１の推定システム１０６を展開して示す図である。推定システム１０６は、データベース２０２と、ピーク形状特定モジュール２０４と、合成データ事前生成モジュール２０６と、コスト関数定義モジュール２０８と、実ピーク形状生成モジュール２１０と、校正モジュール２１２と、パラメータ検証モジュール２１８と、推定モジュール２２０とを含む。校正モジュール（キャリブレーションモジュール）２１２は、パラメータ最適化モジュール２１４と、範囲決定モジュール２１６とを含む。データベース２０２は、既知の複数のガス混合物のキャラクタリゼーションデータ（特徴データ、特性データ）２０２ａと、システム１０６が適用するアプリケーションに要求される制約事項のセット２０２ｂと、標準ガス混合物１０２ｂに関連するピーク形状の合成データを生成するための標準混合物の分析モデル２０２ｃとを格納する。制約事項（制約条件）のセット２０２ｂは、アプリケーションに必要な精度、感度、および分解能を含む。

ピーク形状特定モジュール２０４は、第１のタイプのセンサー１０４によって既に分析されている既知の複数のガス混合物にわたる特徴データ２０２ａを分析することによって、既知のガス混合物を推定するための最適な（最良の）ピーク形状２０４ａを特定（識別）する。ピーク形状特定モジュール２０４は、機械学習技術を用いて、ノイズを付加した最良のピーク形状２０４ａを特定する。付加されるノイズは、通常、アプリケーションのスペクトル成分のバックグラウンドであり、例えば、空気やキャリアガスなどのスペクトルであり、回路や増幅器のノイズなどであってもよい。ピーク形状特定モジュール２０４では、最良のピーク形状２０４ａとして、制約事項２０２ｂのセットに最も合致するピーク形状が参照される。

合成データ事前生成モジュール２０６は、標準ガス混合物１０２ｂを入力として、分析モデル２０２ｃから、望ましい（所望の）ピーク形状２０６ａを有する合成データを事前に生成する。望ましいピーク形状２０６ａは、標準ガス混合物１０２ｂの事前に生成された合成データのスペクトル成分の中の、最良のピーク形状２０４ａの一部または範囲に対応する。コスト関数定義モジュール２０８は、最良のピーク形状２０４ａから、測定対象のガス混合物１０２ａを推定するために適したピーク形状を決定するためのコスト関数２０８ａを定義する。実ピーク形状生成モジュール２１０は、第１のタイプのセンサー１０４における、標準ガス混合物１０２ｂを用いた複数の異なるインスタンス（事例）に対し複数の実際のピーク形状を生成し、それら複数の実際のピーク形状の中の、１つの実際のピーク形状２１０ａを、第１のタイプのセンサー１０４を校正するための校正入力として提供する。

校正モジュール２１２は、第１のタイプのセンサー１０４の複数のパラメータを自動的に調整することにより第１のタイプのセンサー１０４を校正し、実際のピーク形状２１０ａを望ましいピーク形状２０６ａと一致するように最適化するための選択されたパラメータ２１２ａを見出す。実施形態では、第１のタイプのセンサー１０４の調整されるべき複数のパラメータ２１２ａは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、およびバイアス電圧のうちの少なくとも１つを含む。別の実施形態では、電圧勾配および個別バイアス電圧パラメータは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアス、および（ｖ）四重極バイアスを含む。校正モジュール２１２は、調整されるべきパラメータ２１２ａが選択されると、関心部分の質量電荷比の複数のパラメータを最適化するパラメータ最適化モジュール２１４を含む。校正モジュール２１２は、（ｉ）実際のピーク形状２１０ａの最適化、および（ｉｉ）選択された個々のパラメータ２１２ａの最適化を、それぞれ、予め設定された範囲に制約することにより、選択されたパラメータ２１２ａのそれぞれが所定の範囲になるように決定する範囲決定モジュール２１６を含む。パラメータ最適化モジュール２１４は、次式により最適なパラメータを特定する。
Ｘｎ＋１＝Ｘｎ−Ｋ・Ｊｃｆ（Ｘｎ）、
ただし、Ｘｎ＝ｎ番目のパラメータのセット
Ｋ＝定数
ｃｆ（Ｘ）＝コスト関数
Ｊｃｆ（ｘ）＝コスト関数の勾配ベクトルである。

パラメータ最適化モジュール２１４は、選択されたパラメータ２１２ａに対して、勾配降下法による最適化を実行し、最適なパラメータを特定する。パラメータ検証モジュール２１８は、既知のガス混合物１０２ｃの測定結果を生成し、精度およびピーク形状品質を推定することにより、関心のある質量電荷比に関するパラメータを含む、選択されたパラメータ２１２ａを検証する。推定モジュール２２０は、選択されたパラメータ２１２ａで第１のタイプのセンサー１０４により測定対象のガス混合物１０２ａの測定結果２２０ａを生成し、測定結果２２０ａのピーク形状から、コスト関数２０８ａを用いて測定対象のガス混合物１０２ａの成分を推定する。

図３のフローチャートは、本明細書の実施形態による、図１の第１のタイプのセンサー１０４である質量分析計のための校正モジュール２１２により実行される校正制御ループを示す。ステップ３０２において、校正モジュール２１２は、第１のタイプのセンサー１０４のパラメータ（すなわち、グローバルパラメータおよびローカルパラメータ）を選択することを可能にする。ステップ３０４において、校正モジュール２１２は、様々な既知のガス混合物にわたる特徴データ２０２ａから、所定の標準ガス混合物１０２ｂの望ましいピーク形状データ２０６ａおよび実際のピーク形状データ２１０ａを収集する。ステップ３０６において、校正モジュール２１２は、選択されたパラメータ２１２ａの全てについて勾配降下法による最適化を行う。ステップ３０８において、校正モジュール２１２は、実際のピーク形状（実ピーク形状）２１０ａが望ましいピーク形状２０６ａと一致するか否かを判定する。一致しない場合、校正モジュール２１２は、新しいパラメータを追加し、勾配を計算して、実際のピーク形状２１０ａが望ましいピーク形状２０６ａと一致するか否かを判断する。ステップ３１０において、パラメータ検証モジュール２１８が、選択されたパラメータ２１２ａの有効性を確認する。

図４Ａおよび４Ｂは、本明細書の実施形態による、図１の推定システム１０６を用いて、測定対象のガス混合物１０２ａの成分を推定するためのピーク形状を最適化する方法を説明するフローチャートである。ステップ４０２において、推定モジュール２２０により、第１のタイプのセンサー１０４を用いて、測定対象のガス混合物１０２ａの測定結果（スキャン出力）２２０ａが生成される。測定結果２２０ａは、測定対象のガス混合物１０２ａに対応する、検出されたイオンのスペクトルを、質量電荷比の関数として含む。このステップ４０２は、ステップ４１２において選択されたパラメータを使用して実行され、すなわち、ステップにおいて測定対象の混合物の測定結果２２０ａを生成して測定対象のガス混合物１０２ａの成分を推定するために、後述のステップが実行される。

ステップ４０４において、ピーク形状特定モジュール２０４により、機械学習技術を用いて、既知の複数のガス混合物にわたる（全体の）特徴データ（キャラクタリゼーションデータ、特性データ）２０２ａにノイズを加えて分析することにより、既知の複数のガス混合物を推定するために最良のピーク形状２０４ａが特定（識別）される。ステップ４０６において、合成データ事前生成モジュール２０６により、標準ガス混合物１０２ｂを入力として、分析モデル２０２ｃから、望ましいピーク形状２０６ａを有する合成データが事前生成される。ステップ４０８において、コスト関数定義モジュール２０８により、ピーク形状を決定するためのコスト関数２０８ａであって、そのピーク形状が最良のピーク形状２０４ａから測定対象のガス混合物１０２ａを推定するために適しているか否かを決定するためのコスト関数２０８ａが定義される。ステップ４１０において、実ピーク形状生成モジュール２１０により、第１のタイプのセンサー１０４における、複数の標準ガス混合物１０２ｂを用いたいくつかの異なるインスタンス（事例）に対し、複数の実際のピーク形状が生成され、複数の実際のピーク形状の中の、ある実ピーク形状２１０ａが、第１のタイプのセンサー１０４を校正するための校正入力として提供される。

ステップ４１２において、校正モジュール２１２により、第１のタイプのセンサー１０４は、実際のピーク形状２１０ａが望ましいピーク形状２０６ａと一致するように最適化するための、選択されたパラメータ２１２ａを見出すように、第１のタイプのセンサー１０４のパラメータの自動調整により校正される。調整される第１のタイプのセンサー１０４のパラメータは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、およびバイアス電圧のうちの少なくとも１つを含む。ある実施形態では、電圧勾配および個別バイアス電圧パラメータは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアス、および（ｖ）四重極バイアスを含む。ある実施形態では、システム１０６の安定性が、選択されたパラメータ２１２ａが許容限度内か否かを判定することによって検出される。第１のタイプのセンサー１０４の校正ステップ４１２は、（ａ）調整すべきパラメータがいったん選択されると、関心のある質量電荷比に対するパラメータを最適化するステップと、（ｂ）（ｉ）実際のピーク形状の最適化、および（ｉｉ）選択されたパラメータのそれぞれの最適化を、それぞれの定義済みの範囲に制約することにより、選択されたパラメータのそれぞれが、所定の範囲内にあるように決定するステップと、を含んでもよい。ステップ４１４において、パラメータ検証モジュール２１８により、関心のある（関心対象、関心領域の）質量電荷比に固有のパラメータを含む、選択されたパラメータ２１２ａは、既知のガス混合物１０２ｃの測定結果を生成して精度およびピーク形状品質を推定することにより、有効性が確認される（検証される）。

図５は、本明細書の実施形態による、第１のタイプのセンサー１０４（質量分析計）の全体図を示す。第１のタイプのセンサー１０４は、測定対象のガス混合物１０２ａと、電子銃５０４と、電磁石５０６と、イオンビーム５０８と、イオン検出器５１０とを含む。イオン化される、測定対象（ターゲット）のガス混合物１０２ａは、ソース１０２から得られる。また、校正用の実際のピーク形状２１０ａが生成されるときは、サンプルのガス混合物１０２ｂがソース１０２から得られ、イオン化される。電子銃５０４は、イオン化された粒子から電子を添加または除去することにより、対象の試料１０２ａ中の粒子をイオン化する。電子銃５０４は、電子イオン化プロセスを用いて、気化した粒子または気体の粒子をイオン化する。第１のタイプのセンサー１０４内の電磁石５０６は、電界または磁場を発生させ、荷電粒子の質量（すなわち重量）を測定する。磁場は、イオンの運動量（モメンタム）に応じて、それらイオンを分離する（すなわち、磁場により生成される力に応じ、質量に応じてイオンを分離される）。イオンを濾過（フィルター）する磁場の一例としては、四重極磁場が挙げられる。分離されたイオンは、質量分析計を通過し、イオン検出器５１０に向けられる。ある実施形態では、フラグメントの質量の違いにより、それらの質量電荷比を使用して、質量分析計はイオンを分類することができる。イオン検出器５１０は、指標量の値を測定し、それにより、対象試料１０２ａに存在する各イオンの存在度を計算するためのデータを提供する。イオン検出器５１０は、イオンが表面を通過または表面に衝突する際に誘導される電荷、または生成される電流のいずれかを記録する。ある実施形態では、質量スペクトルは、推定システム１０６に表示される。

図６に、本明細書の実施形態を実行するための代表的なハードウェア環境を示す。この概略図は、本明細書の実施形態による、推定システム１０６のハードウェア構成を示す。推定システム１０６は、少なくとも１つのプロセッサまたは中央処理装置（ＣＰＵ）１０を有する。ＣＰＵ１０は、システムバス１２を介して、ランダムアクセスメモリ（ＲＡＭ）１４、リードオンリーメモリ（ＲＯＭ）１６、入出力（Ｉ／Ｏ）アダプタ１８などの各種デバイスと相互接続される。Ｉ／Ｏアダプタ１８は、ディスクユニット１１やテープドライブ１３、または推定システム１０６が読み取り可能な他のプログラム記憶装置などの周辺機器に接続可能である。第１のタイプのセンサー１０４は、Ｉ／Ｏアダプタ１８を介してシステム１０６に接続してもよい。推定システム１０６は、プログラム記憶装置上の本発明に係る命令を読み取り、これらの命令に従って、本明細書の実施形態の技法（手段、方法）を実行することができる。

推定システム１０６は、キーボード１５、マウス１７、スピーカー２４、マイクロホン２２、および／または他のユーザーインタフェース装置、例えば、タッチスクリーン装置（図示せず）またはリモートコントロールなどの他のユーザーインタフェース装置をバス１２に接続してユーザ入力を収集するユーザーインタフェースアダプタ１９をさらに含む。さらに、通信アダプタ２０は、バス１２をデータ処理ネットワーク２５に接続し、ディスプレイアダプタ２１は、バス１２をディスプレイ装置２３に接続し、ディスプレイ装置は、例えばモニター、プリンター、送信機などの出力装置として具体化されてもよい。

推定システム１０６は、ガウス（正規）分布にできるだけ近い、高く薄いピークから、より良い推定精度を得るために用いられる。推定システム１０６は、ユニットごとの（例えば、様々な質量分析計）の変動を最小にするために使用される。推定システム１０６は、質量分析計１０４を様々な異なる用途（アプリケーション）に合わせて調整するために使用される（すなわち、各アプリケーションのための理想的なピーク形状は異なり、それに対し質量分析計を適合させることができる）。

上記に開示されている１つの形態は、対象ガス混合物の成分を推定するためのピーク形状を最適化するコンピュータ実装システムであって、このシステムは、対象ガス混合物（測定対象のガス混合物）に対応する、検出されたイオンのスペクトルを質量電荷比の関数として含む測定結果（スキャン出力）を生成する第１のタイプのセンサー１０４と、測定対象のガス混合物の成分を推定するために第１のタイプのセンサー１０４に接続された推定システム１０６とを有する。この推定システムは、データベースと命令のセットとを格納するメモリと、それらの指令のセットを実行する専用プロセッサとを含み、専用プロセッサは、命令のセットを実行することにより、（ａ）機械学習を用いて、既知の複数のガス混合物にわたるキャラクタリゼーションデータを、ノイズを加えて分析することによって、既知の複数のガス混合物の推定のために最良のピーク形状であって、アプリケーションにおいて規定された、所定の精度、感度、および分解能のセットに対してピーク形状が最も合致する最良のピーク形状を特定し、（ｂ）標準ガス混合物を入力としたときの分析モデルから、望ましいピーク形状を含む合成データを事前に生成し、（ｃ）最良のピーク形状から対象のガス混合物を推定するために適したピーク形状を決定するコスト関数を定義し、（ｄ）第１のタイプのセンサー１０４における、標準ガス混合物を使用した、いくつかの異なるインスタンスに対し、複数の実際のピーク形状を生成し、それら複数の実際のピーク形状の中の、１つの実際のピーク形状を第１のタイプのセンサー１０４を校正するための校正入力として提供し、（ｅ）実際のピーク形状を最適化して望ましいピーク形状に合致させるように、第１のタイプのセンサー１０４の、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、およびバイアス電圧のうちの少なくとも１つを含む第１のタイプのセンサー１０４のパラメータを自動的に調整することによって、第１のタイプのセンサー１０４を校正し、さらに、（ｆ）既知のガス混合物の測定結果を生成して精度とピーク形状の品質を推定することにより、関心のある質量電荷比に固有のパラメータを含む、選択されたパラメータを検証する。上記の校正には、調整されるべきパラメータが選択されると、関心のある（関心領域の）質量電荷比に対するパラメータを最適化することと、（ｉ）実ピーク形状の最適化と、（ｉｉ）選択されたパラメータのそれぞれの最適化とを、それぞれの規定された範囲に制約することにより、選択されたパラメータのそれぞれが所定の範囲内にあるように決定することとを含む。

第１のタイプのセンサー１０４は、質量分析計を含んでいてもよい。電圧勾配および個別バイアス電圧パラメータは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアス、および（ｖ）四重極バイアスを含んでいてもよい。

上記の異なる態様は、測定対象のガス混合物の成分を推定するためのピーク形状を最適化するための、コンピュータに実装された方法を提供することである。その方法は、（ａ）第１のタイプのセンサー１０４を用いて、測定対象のガス混合物の測定結果であって、対象のガス混合物に対応する、検出されたイオンのスペクトルを質量電荷比の関数として含む測定結果を生成すること（ステップ４０２）、（ｂ）機械学習を使用して、既知の複数のガス混合物にわたる（全般の）特徴データに、ノイズを加え、分析することにより、既知の複数のガス混合物を推定するための最良のピーク形状であって、アプリケーションにおける、所定の精度、感度、および分解能といった制約事項に最も合致する最良のピーク形状を特定すること（ステップ４０４）、（ｃ）標準ガス混合物を入力とする分析モデルから、望ましいピーク形状を含む合成データを事前に生成すること（ステップ４０６）、（ｄ）最良のピーク形状から測定対象のガス混合物を推定するために適したピーク形状を決定するコスト関数を定義すること（ステップ４０８）、（ｅ）第１のタイプのセンサー１０４において、標準ガス混合物を使用して、いくつかの異なるインスタンス（事例）に対し、複数の実際のピーク形状（実ピーク形状）を生成し、実際のピーク形状の中の、ある実際のピーク形状を第１のタイプのセンサー１０４を校正するための校正入力として提供すること（ステップ４１０）、（ｆ）実際のピーク形状を最適化して望ましいピーク形状に一致するように第１のタイプのセンサー１０４のパラメータを自動的に調整することにより、第１のタイプのセンサー１０４を校正すること（ステップ４１２）、および（ｇ）既知のガス混合物の測定結果を生成し、精度およびピーク形状品質を推定することにより、関心のある質量電荷比に固有のパラメータを含む、選択されたパラメータを検証すること（ステップ４１４）を含む。第１のタイプのセンサー１０４のパラメータは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、およびバイアス電圧のうちの少なくとも１つを含む。上記校正することは、調整されるべきパラメータが選択されると、関心のある質量電荷比に対するパラメータを最適化すること、および（ｉ）実ピーク形状の最適化と（ｉｉ）選択されたパラメータのそれぞれの最適化とを、それぞれ所定の範囲に制約することにより、選択されたパラメータのそれぞれが所定の範囲内にあるように決定することを含む。

上記のコンピュータ実装方法において、第１のタイプのセンサー１０４は、質量分析計を含んでもよい。上記のコンピュータ実装方法において、電圧勾配および個別バイアス電圧パラメータは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアス、および（ｖ）四重極バイアスを含んでもよい。上記のコンピュータ実装方法は、選択されたパラメータが許容限度内にあるかどうかを判定して、システムの安定性を検出するステップをさらに含んでもよい。

特定の実施形態に関する上記の説明により、本明細書の実施形態の全体的な本質が十分に明らかになるので、最新の知識を応用することにより、一般的な概念から逸脱することなく、これらの特定の実施形態を、様々な用途に容易に変更および／または適応することが可能である。本明細書で採用されている表現または用語は説明のためのものであり、限定目的ではないと理解すべきである。したがって、本明細書の実施形態は、好ましい実施形態の観点から説明されてきたが、当業者であれば、本明細書の実施形態は、その精神と範囲内において、変更を加えて実施することができることを認めるであろう。

Claims (15)

1. 検出された複数の成分のスペクトルを第１の変数に対する関数として含む測定結果を生成する第１のタイプのセンサーを用いて測定対象の混合物の成分を推定するためのシステムであって、
   既知の混合物のキャラクタリゼーションデータと、当該システムが適用されるアプリケーションに必要な精度、感度、および分解能を含む制約事項のセットと、標準混合物の分析モデルとを格納するためのデータベースと、
   モジュールのセットとを有し、
   前記モジュールのセットは、
   前記既知の混合物の前記キャラクタリゼーションデータを前記アプリケーションのバッググラウンドとして追加されたノイズを含めて分析することにより、前記アプリケーションの前記制約事項のセットを最も満足するピーク形状であって、前記既知の混合物の成分を推定するために最良のピーク形状を特定するように構成されたピーク形状特定モジュールと、
   前記標準混合物を入力として前記分析モデルから前記最良のピーク形状に対応する望ましいピーク形状を含む合成データを事前に生成するように構成された合成データ事前生成モジュールと、
   前記最良のピーク形状から前記測定対象の混合物の成分を推定するために適したピーク形状を決定するためのコスト関数を定義するように構成されたコスト関数定義モジュールと、
   前記第１のタイプのセンサーにおける、前記標準混合物を使用した複数の異なる事例について、複数の実際のピーク形状を生成し、複数の前記実際のピーク形状の中から、前記第１のタイプのセンサーを校正するための校正入力とする、１つの実際のピーク形状を提供するように構成された実ピーク形状生成モジュールと、
   前記第１のタイプのセンサーのパラメータを、前記実際のピーク形状を前記望ましいピーク形状と一致するように最適化するための選択されたパラメータを見出すように自動的に調整することにより前記第１のタイプのセンサーを校正するように構成された校正モジュールと、
   前記選択されたパラメータを用いた前記第１のタイプのセンサーによる測定結果のピーク形状から前記コスト関数を用いて前記測定対象の混合物の成分を推定するように構成された推定モジュールとを含む、システム。
2. 請求項１において、
   前記モジュールのセットは、既知の混合物の測定結果を生成して精度およびピーク形状の品質を推定することにより、前記選択されたパラメータの有効性を確認するように構成されたパラメータ検証モジュールをさらに含む、システム。
3. 請求項１または２において、
   前記最良のピーク形状特定モジュールは、機械学習を用いて、ノイズが付加された前記最良のピーク形状を特定する、システム。
4. 請求項１ないし３のいずれかにおいて、
   前記第１のタイプのセンサーは、測定対象のガス混合物の測定結果を生成し、前記測定結果は、前記測定対象のガス混合物に対応する、検出されたイオンの質量電荷比の関数としてのスペクトルを備え、
   前記校正モジュールは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、バイアス電圧の中の少なくとも１つを含む前記パラメータを調整することにより、前記第１のタイプのセンサーを校正する、システム。
5. 請求項４において、
   前記校正モジュールは、調整される前記パラメータが選択されると、関心のある質量電荷比に対する前記パラメータを最適化するように構成された最適化モジュールと、
   （ｉ）前記実際のピーク形状の最適化、および（ｉｉ）前記選択されたパラメータのそれぞれの最適化を、それぞれ所定の範囲に制約することにより、前記選択されたパラメータのそれぞれを所定の範囲で決定するように構成された決定モジュールとを含む、システム。
6. 請求項４または５において、
   前記第１のタイプのセンサーは、四重極質量フィルタを含む質量分析計を有する、システム。
7. 請求項６において、
   前記選択されたパラメータは、電圧勾配および個別バイアス電圧を含み、それらは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアスおよび（ｖ）四重極バイアスを含む、システム。
8. 請求項１ないし７のいずれかにおいて、
   前記データベースおよび前記モジュールのセットを格納するメモリと、
   前記モジュールのセットを実行するプロセッサとをさらに有する、システム。
9. 請求項１ないし８のいずれかにおいて、
   第１のタイプのセンサーをさらに有する、システム。
10. コンピュータに実装された、第１のタイプのセンサー用いて測定対象の混合物の成分を推定することを含む方法であって、
    前記第１のタイプのセンサーは、前記測定対象の混合物の測定結果を生成し、前記測定結果は、検出された成分のスペクトルを第１の変数の関数として含み、
    前記成分を推定することは、
    既知の混合物のキャラクタリゼーションデータに、アプリケーションのバックグラウンドとしてのノイズを追加して分析することにより、前記既知の混合物の成分を推定するための最良のピーク形状であって、前記アプリケーションにおける精度、感度、および分解能を含む所定の制約事項のセットを参照し、その制約事項のセットに最も合致する最良のピーク形状を特定することと、
    標準混合物を入力として、分析モデルから前記最良のピーク形状に対応する望ましいピーク形状を含む合成データを事前に生成することと、
    前記最良のピーク形状から前記測定対象の混合物の成分を推定するために適したピーク形状を決定するためのコスト関数を定義することと、
    前記第１のタイプのセンサーにおける、前記標準混合物を用いた複数の異なる事例について複数の実際のピーク形状を生成し、複数の前記実際のピーク形状の中から、前記第１のタイプのセンサーを校正するための校正入力とする、１つの実際のピーク形状を提供することと、
    前記第１のタイプのセンサーのパラメータを、前記実際のピーク形状を前記望ましいピーク形状と一致するように最適化するための選択されたパラメータを見出すように自動的に調整することにより前記第１のタイプのセンサーを校正することと、
    前記選択されたパラメータを用いた前記第１のタイプのセンサーにより測定結果を生成し、その測定結果のピーク形状から前記コスト関数を用いて前記測定対象の混合物の成分を推定することとを有する方法。
11. 請求項１０おいて、
    前記成分を推定することは、既知の混合物の測定結果を生成して精度およびピーク形状の品質を推定することにより、前記選択されたパラメータの有効性を確認すことをさらに含む、方法。
12. 請求項１０または１１において、
    前記最良のピーク形状を特定することは、機械学習を用いて、ノイズが付加された前記最良のピーク形状を特定することを含む、方法。
13. 請求項１０ないし１２のいずれかにおいて、
    前記第１のタイプのセンサーは、測定対象のガス混合物の測定結果を生成し、前記測定結果は、前記測定対象のガス混合物に対応する、検出されたイオンの質量電荷比の関数としてのスペクトルを備え、
    前記校正することは、直流電圧に対する高周波電圧の比、エミッション電流、電圧勾配、バイアス電圧の中の少なくとも１つを含む前記パラメータを調整することにより、前記第１のタイプのセンサーを校正することを含む、方法。
14. 請求項１３において、
    前記校正することは、調整される前記パラメータが選択されると、関心のある質量電荷比に対する前記パラメータを最適化することと、
    （ｉ）前記実際のピーク形状の最適化、および（ｉｉ）前記選択されたパラメータのそれぞれの最適化を、それぞれ所定の範囲に制約することにより、前記選択されたパラメータのそれぞれを所定の範囲で決定することとを含む、方法。
15. 請求項１３または１４において、
    前記第１のタイプのセンサーは、四重極マスフィルタを含む質量分析計を含み、前記選択されたパラメータは、前記電圧勾配および個別バイアス電圧を含み、それらは、（ｉ）ボックスバイアス、（ｉｉ）フィラメントバイアス、（ｉｉｉ）レンズバイアス、（ｉｖ）出口レンズバイアスおよび（ｖ）四重極バイアスを含む、方法。

Images