JP2022135652A

JP2022135652A - Method for analyzing test target material, analyzer, method for training, analysis system, and analysis program

Info

Publication number: JP2022135652A
Application number: JP2021035597A
Authority: JP
Inventors: 昌也岡田; Masaya Okada; 勇輝島岡; Yuki Shimaoka; 茂樹岩永; Shigeki Iwanaga; 一樹畔堂; Kazuki Hando; 克昌藤田; Katsumasa Fujita; 靖矩名和; Yasunori Nawa; 聡史藤田; Satoshi Fujita
Original assignee: Sysmex Corp; National Institute of Advanced Industrial Science and Technology AIST; Osaka University NUC
Current assignee: Sysmex Corp; National Institute of Advanced Industrial Science and Technology AIST; Osaka University NUC
Priority date: 2021-03-05
Filing date: 2021-03-05
Publication date: 2022-09-15

Abstract

To provide a method for analysis with a high precision, an analyzer with a high precision, and an analysis program with a high precision for a test target material in a measurement sample.SOLUTION: The present invention relates to a method for analyzing a test target material in a measurement sample, the method including the steps of: generating a dataset 72 based on a plurality of optical spectrums 70a acquired from a plurality of places of a measurement sample; inputting the dataset into a deep learning algorithm 50 with a neural network; and outputting information on the test target material on the basis of the result of analyzing the deep learning algorithm.SELECTED DRAWING: Figure 2

Description

本発明は、測定試料に含まれる被検物質の分析方法、分析装置、訓練方法、分析システム、及び分析プログラムに関する。 TECHNICAL FIELD The present invention relates to a method for analyzing a test substance contained in a measurement sample, an analyzer, a training method, an analysis system, and an analysis program.

特許文献１には、複数の基準物のうちの何れか１または２以上の基準物を含む分析対象物で生じた光のスペクトルに基づいて該分析対象物を分析する装置であって、処理部、入力部、学習部、及び分析部を備え、処理部が、再帰型ニューラルネットワーク（ＲＮＮ）を有する装置が開示されている。入力部は、ＲＮＮの各セルにスカラーデータを入力させる。具体的には、分光器により測定された光のスペクトルがＮ個のデータＤ（１）～Ｄ（Ｎ）からなるとし、そのうちの第ｎデータＤ（ｎ）が第ｎチャネルのデータであるとする。ＲＮＮのモデルにおいて鎖状に接続された複数のセルのうち第ｎセルをＣ（ｎ）と表す。入力部２０は、Ｎ個のデータＤ（１）～Ｄ（Ｎ）からなる光スペクトルを１つずつＲＮＮに入力する。 Patent Document 1 discloses an apparatus for analyzing an analyte based on a spectrum of light generated in the analyte containing one or more of a plurality of reference substances, the processing unit , an input unit, a learning unit, and an analysis unit, wherein the processing unit comprises a recurrent neural network (RNN). The input unit inputs scalar data to each cell of the RNN. Specifically, it is assumed that the spectrum of light measured by the spectroscope consists of N pieces of data D(1) to D(N), of which the n-th data D(n) is the n-th channel data. do. Let C(n) be the n-th cell among a plurality of cells connected in a chain in the RNN model. The input unit 20 inputs an optical spectrum composed of N pieces of data D(1) to D(N) to the RNN one by one.

特開２０２０－７１１６６号公報JP 2020-71166 A

分析対象物で生じる光スペクトルは、分析対象物の種類が同じであっても分析対象物間でばらつきを有することがある。特許文献１に記載されている装置では、光スペクトルを１つずつＲＮＮに入力するため、同種の分析対象物から得られた光スペクトルであるにもかかわらず、入力した光スペクトルによってＲＮＮから出力される結果が異なることがあり、十分な分析精度が得られない。
本発明は、分析精度の高い、測定試料に含まれる被検物質の分析方法、分析装置、訓練方法、分析システム、及び分析プログラムを提供することを課題とする。 The optical spectrum produced by the analyte can have variations between analytes, even if the analyte type is the same. In the device described in Patent Document 1, since the optical spectrum is input to the RNN one by one, the input optical spectrum is output from the RNN even though the optical spectrum is obtained from the same type of analyte. results may differ, and sufficient analytical precision cannot be obtained.
An object of the present invention is to provide a method for analyzing a test substance contained in a measurement sample, an analyzer, a training method, an analysis system, and an analysis program with high analytical accuracy.

本発明は、測定試料に含まれる被検物質の分析方法であって、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成するステップと、前記データセットを、ニューラルネットワーク構造を有する深層学習アルゴリズムに入力するステップと、前記深層学習アルゴリズムの分析結果に基づき、前記被検物質に関する情報を出力するステップと、を含む。本発明の分析方法は、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを用いて被検物質に関する情報を出力するため、分析精度の高い、測定試料に含まれる被検物質の分析方法を提供することができる。 The present invention provides a method for analyzing a test substance contained in a measurement sample, comprising: generating a data set based on a plurality of optical spectra obtained from a plurality of locations in the measurement sample; inputting to a deep learning algorithm having a network structure; and outputting information about the analyte based on the analysis results of the deep learning algorithm. Since the analysis method of the present invention uses data sets based on a plurality of optical spectra acquired from a plurality of locations in the measurement sample to output information on the test substance, the analysis accuracy of the test substance contained in the measurement sample is high. A method of analyzing an analyte can be provided.

本発明は、測定試料に含まれる被検物質を分析するための深層学習アルゴリズムの訓練方法であって、物質の種類、物質のモノマーの配列又は物質を構成する原子の組み合わせが既知である既知物質を含む測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成するステップと、前記データセットを、前記データセットに対応する既知物質の種類又は既知物質のモノマーの配列を示すラベル情報とともにニューラルネットワーク構造を有する深層学習アルゴリズムに入力するステップと、を含む。本発明の訓練方法は、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを用いて深層学習アルゴリズムを訓練するため、分析精度の高い、測定試料に含まれる被検物質の分析のための深層学習アルゴリズムを提供することができる。 The present invention is a method for training a deep learning algorithm for analyzing a test substance contained in a measurement sample, which is a known substance whose type, sequence of monomers of the substance, or combination of atoms constituting the substance is known. generating a data set based on a plurality of optical spectra obtained from a plurality of locations in a measurement sample including inputting the label information into a deep learning algorithm having a neural network structure. Since the training method of the present invention trains the deep learning algorithm using data sets based on a plurality of optical spectra acquired from a plurality of locations in the measurement sample, the test substance contained in the measurement sample with high analysis accuracy can provide deep learning algorithms for the analysis of

本発明は、測定試料に含まれる被検物質の分析装置（１００、１００Ｂ）であって、制御装置（１０、１０Ｂ）を備え、制御装置（１０、１０Ｂ）は、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成し、前記データセットを、ニューラルネットワーク構造を有する深層学習アルゴリズムに入力し、前記深層学習アルゴリズムの分析結果に基づき、前記被検物質に関する情報を出力する。本発明の分析装置は、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを用いて被検物質に関する情報を出力するため、分析精度の高い、測定試料に含まれる被検物質の分析装置を提供することができる。 The present invention is an analyzer (100, 100B) for an analyte contained in a measurement sample, comprising a control device (10, 10B), wherein the control device (10, 10B) controls a plurality of points in the measurement sample. generating a data set based on a plurality of optical spectra obtained from, inputting the data set to a deep learning algorithm having a neural network structure, and providing information about the analyte based on the analysis results of the deep learning algorithm Output. Since the analysis apparatus of the present invention outputs information about the test substance using data sets based on a plurality of optical spectra acquired from a plurality of locations in the measurement sample, the analysis accuracy is high, and the measurement sample contained in the measurement sample An analytical device for the analyte can be provided.

本発明は、測定試料に含まれる被検物質の分析システム（１）であって、検出装置（５００）と分析装置（１００、１００Ｂ）を備え、検出装置（５００）は、光源（５２０）と受光器（５６０）を備え、分析装置（１００、１００Ｂ）は、制御装置（１０、１０Ｂ）を備え、制御装置（１０、１０Ｂ）は、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成し、前記データセットを、ニューラルネットワーク構造を有する深層学習アルゴリズムに入力し、前記深層学習アルゴリズムの分析結果に基づき、前記被検物質に関する情報を出力する。本発明の分析システムは、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを用いて被検物質に関する情報を出力するため、分析精度の高い、測定試料に含まれる被検物質の分析システムを提供することができる。 The present invention is an analysis system (1) for a test substance contained in a measurement sample, comprising a detection device (500) and analysis devices (100, 100B), the detection device (500) comprising a light source (520) and A light receiver (560) is provided, and the analysis device (100, 100B) includes a control device (10, 10B), and the control device (10, 10B) obtains a plurality of optical data obtained from a plurality of locations on the measurement sample. A spectrally-based data set is generated, the data set is input to a deep learning algorithm having a neural network structure, and information about the analyte is output based on the analysis results of the deep learning algorithm. Since the analysis system of the present invention outputs information about the test substance using data sets based on a plurality of optical spectra acquired from a plurality of locations in the measurement sample, the analysis accuracy is high. An analyte analysis system can be provided.

本発明は、測定試料に含まれる被検物質の分析プログラム（１３４）であって、コンピュータに実行させたときに、コンピュータに、測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成するステップと、前記データセットを、ニューラルネットワーク構造を有する深層学習アルゴリズムに入力するステップと、前記深層学習アルゴリズムの分析結果に基づき、前記被検物質に関する情報を出力するステップと、を備える処理を実行させる。本発明の分析プログラムは、前記測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを用いて被検物質に関する情報を出力するため、分析精度の高い、測定試料に含まれる被検物質の分析プログラムを提供することができる。 The present invention provides an analysis program (134) for a test substance contained in a measurement sample, which, when executed by a computer, allows the computer to obtain data based on a plurality of optical spectra obtained from a plurality of locations in the measurement sample. generating a set; inputting the data set to a deep learning algorithm having a neural network structure; and outputting information about the analyte based on the analysis results of the deep learning algorithm. Let the process run. Since the analysis program of the present invention uses data sets based on a plurality of optical spectra acquired from a plurality of locations in the measurement sample to output information on the test substance, the analysis accuracy of the test substance contained in the measurement sample is high. A test material analysis program can be provided.

本発明によれば、測定試料に含まれる被検物質を、高い分析精度で検出することができる。 According to the present invention, a test substance contained in a measurement sample can be detected with high analytical accuracy.

図１（A）は、深層学習アルゴリズムの訓練用のＳＥＲＳスペクトルを取得する方法を説明する図である。図１（Ｂ）は、既知物質を含む測定試料における複数の箇所から複数のＳＥＲＳスペクトルを取得する方法を説明する図である。FIG. 1(A) is a diagram illustrating a method of obtaining a SERS spectrum for training a deep learning algorithm. FIG. 1(B) is a diagram illustrating a method of acquiring multiple SERS spectra from multiple locations in a measurement sample containing a known substance. 訓練用のデータセット７２を取得し、深層学習アルゴリズムを訓練する方法を説明する図である。FIG. 7 illustrates a method of obtaining a training data set 72 and training a deep learning algorithm; 解析対象の測定試料からＳＥＲＳスペクトルを取得する方法を説明する図である。It is a figure explaining the method of acquiring a SERS spectrum from the measurement sample of analysis object. 解析用のデータセット８２を取得し、深層学習アルゴリズムに入力する方法を説明する図である。FIG. 4 illustrates how a data set 82 for analysis is obtained and input into a deep learning algorithm. 分析システム１の構成を説明する図である。It is a figure explaining the structure of the analysis system 1. FIG. 図６（Ａ）は、検出装置５００のハードウエア構成の一例を示す図である。図６（Ｂ）は、検出装置５００のハードウエア構成の他の一例を示す図である。FIG. 6A is a diagram showing an example of the hardware configuration of the detection device 500. As shown in FIG. FIG. 6B is a diagram showing another example of the hardware configuration of the detection device 500. As shown in FIG. 分析装置１００のハードウエア構成を説明するための、分析システム１及びその周辺機器を示す図である。1 is a diagram showing an analysis system 1 and its peripherals for explaining the hardware configuration of an analysis device 100; FIG. 分析装置１００の機能構成を説明するための、分析システム１を示す図である。1 is a diagram showing an analysis system 1 for explaining a functional configuration of an analysis device 100; FIG. 訓練プログラム１３２の第１の処理の流れを示す図である。4 is a diagram showing the flow of the first processing of the training program 132; FIG. 訓練プログラム１３２の第２の処理の流れを示す図である。FIG. 13 is a diagram showing a second processing flow of the training program 132; 分析プログラム１３４の第１の処理の流れを示す図である。4 is a diagram showing the flow of the first processing of the analysis program 134; FIG. 分析プログラム１３４の第２の処理の流れを示す図である。FIG. 11 is a diagram showing a second processing flow of the analysis program 134; 訓練装置１００Ａのハードウエア構成を説明するための、分析システム１及びその周辺機器を示す図である。It is a figure which shows the analysis system 1 and its peripheral equipment for demonstrating the hardware constitutions of 100 A of training apparatuses. 訓練装置１００Ａの機能構成を説明するための、分析システム１を示す図である。It is a figure which shows the analysis system 1 for demonstrating the functional structure of 100 A of training apparatuses. 分析装置１００Ｂのハードウエア構成を説明するための、分析システム１及びその周辺機器を示す図である。1 is a diagram showing an analysis system 1 and its peripherals for explaining the hardware configuration of an analysis device 100B; FIG. 分析装置１００Ｂの機能構成を説明するための、分析システム１を示す図である。1 is a diagram showing an analysis system 1 for explaining the functional configuration of an analysis device 100B; FIG. 図１７（Ａ）に、従来法で使用したアミノ酸の訓練用のデータ数と分析性能評価用のデータ数を示す。図１７（Ｂ）に、実施例で使用したアミノ酸の訓練用のデータ数と分析性能評価用のデータ数を示す。FIG. 17A shows the number of amino acid training data and the number of analytical performance evaluation data used in the conventional method. FIG. 17B shows the number of amino acid training data and the number of data for analysis performance evaluation used in the example. 図１８（Ａ）に、従来法で使用したジペプチドの訓練用のデータ数と分析性能評価用のデータ数を示す。図１８（Ｂ）に、実施例で使用したジペプチドの訓練用のデータ数と分析性能評価用のデータ数を示す。FIG. 18(A) shows the number of dipeptide training data and the number of analytical performance evaluation data used in the conventional method. FIG. 18(B) shows the number of training data and the number of data for analysis performance evaluation of dipeptides used in the examples. 図１９（Ａ）に、従来法で使用したＡβの訓練用のデータ数と分析性能評価用のデータ数を示す。図１９（Ｂ）に、平均化スペクトルデータセットの生成に用いたスペクトル数が100個である場合の実施例で使用したＡβの訓練用のデータ数と分析性能評価用のデータ数を示す。図１９（Ｃ）に、平均化スペクトルデータセットの生成に用いたスペクトル数が3個である場合の実施例で使用したＡβの訓練用のデータ数と分析性能評価用のデータ数を示す。FIG. 19(A) shows the number of data for Aβ training and the number of data for analysis performance evaluation used in the conventional method. FIG. 19(B) shows the number of Aβ training data and the number of analysis performance evaluation data used in the example when 100 spectra were used to generate the averaged spectral data set. FIG. 19(C) shows the number of data for Aβ training and the number of data for analysis performance evaluation used in the example when the number of spectra used to generate the averaged spectral data set is three. 被検物質がアミノ酸である場合の比較例の結果を示す。Shown are the results of a comparative example when the test substance is an amino acid. 被検物質がアミノ酸である場合の実施例の結果を示す。The results of an example in which the test substance is an amino acid are shown. 被検物質がジペプチドである場合の比較例の結果を示す。Shown are the results of a comparative example when the test substance is a dipeptide. 被検物質がジペプチドである場合の実施例の結果を示す。The results of an example in which the test substance is a dipeptide are shown. 図２４（Ａ）に被検物質がＡβである場合の比較例の結果を示す。図２４（Ｂ）に、平均化スペクトルデータセットの生成に用いたスペクトル数が100個であり、被検物質がＡβである場合の実施例の結果を示す。図２４（Ｃ）に、平均化スペクトルデータセットの生成に用いたスペクトル数が3個であり、被検物質がＡβである場合の実施例の結果を示す。FIG. 24(A) shows the results of a comparative example when the test substance is Aβ. FIG. 24(B) shows the results of an example in which 100 spectra were used to generate the averaged spectral data set and the test substance was Aβ. FIG. 24(C) shows the results of the example in which the number of spectra used to generate the averaged spectral data set was 3 and the test substance was Aβ.

１．被検物質の分析方法の概要
測定試料に含まれる被検物質の分析方法（以下、単に「分析方法」とも呼ぶ）は、測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成し、前記データセットを、ニューラルネットワーク構造を有する深層学習アルゴリズムに入力し、前記深層学習アルゴリズムの分析結果に基づき、前記被検物質に関する情報を出力することを含む。 1. Overview of Analysis Methods for Test Substances Analysis methods for test substances contained in measurement samples (hereinafter also simply referred to as “analysis methods”) are data sets based on multiple optical spectra obtained from multiple locations in the measurement sample. and inputting the dataset to a deep learning algorithm having a neural network structure, and outputting information about the analyte based on the analysis results of the deep learning algorithm.

１－１．測定試料と光学的スペクトルの取得
本実施形態において、被検物質は、アミノ酸、ポリペプチド、ＲＮＡ、ＤＮＡ、カテコールアミン、ポリアミン及び有機酸からなる群から選択される少なくとも一つを含み得る。ここで、「ポリペプチド」は、ペプチド結合によって2以上のアミノ酸が連結した化合物である。例えば、ジペプチド、オリゴペプチド、タンパク質などが挙げられる。被検物質は、水や緩衝液等の溶媒に含まれているか、血液、血清、血漿、唾液、腹水、胸水、脳脊髄液、リンパ液、細胞間質液、尿等の生体由来の試料に含まれる。 1-1. Acquisition of Measurement Sample and Optical Spectrum In this embodiment, the test substance may contain at least one selected from the group consisting of amino acids, polypeptides, RNA, DNA, catecholamines, polyamines and organic acids. As used herein, a "polypeptide" is a compound in which two or more amino acids are linked by peptide bonds. Examples include dipeptides, oligopeptides, proteins and the like. The test substance is contained in a solvent such as water or buffer solution, or contained in biological samples such as blood, serum, plasma, saliva, ascites, pleural effusion, cerebrospinal fluid, lymph, interstitial fluid, and urine. be

測定試料は、被検物質を光学的に検出するために供する試料である。測定試料は、被検試料に含まれる被検物質を、光学的な検出に適するように他の物質と接触させて得られる試料である。 A measurement sample is a sample provided for optical detection of a test substance. A measurement sample is a sample obtained by contacting a test substance contained in the test sample with another substance suitable for optical detection.

光学的な検出方法は、光学的スペクトルを取得できる限り制限されない。光学的スペクトルは、例えば、ラマンスペクトル、可視光吸収スペクトル、紫外線吸収スペクトル、蛍光スペクトル、近赤外線スペクトル、赤外線スペクトルである。ラマンスペクトルは、例えば、表面増強ラマン散乱光（Surface Enhanced Raman Scattering：SERS）スペクトル（以下、ＳＥＲＳスペクトルとよぶ）である。 Optical detection methods are not limited as long as an optical spectrum can be obtained. Optical spectra are, for example, Raman spectrum, visible light absorption spectrum, ultraviolet absorption spectrum, fluorescence spectrum, near-infrared spectrum, infrared spectrum. The Raman spectrum is, for example, a surface enhanced Raman scattering (SERS) spectrum (hereinafter referred to as SERS spectrum).

ＳＥＲＳスペクトルは、リンカーを介して被検物質と結合した金属ナノ粒子の凝集体を含む測定試料に励起光を照射して取得される。 The SERS spectrum is acquired by irradiating excitation light on a measurement sample containing aggregates of metal nanoparticles bound to a test substance via a linker.

ＳＥＲＳスペクトル取得するための測定試料は、例えば米国特許公開第２００７／０１５５０２１明細書に記載されている方法のように、金属ナノ粒子とリンカーを結合させ、被検物質を金属ナノ粒子とリンカーの複合体に結合させ、被検物質が結合した金属ナノ粒子を凝集させる方法を挙げることができる。 A measurement sample for obtaining a SERS spectrum is obtained by, for example, binding a metal nanoparticle and a linker, as in the method described in US Patent Publication No. 2007/0155021, and binding a test substance to the metal nanoparticle and the linker. A method of aggregating metal nanoparticles bound to the body and bound to the test substance can be exemplified.

光学的スペクトルの取得に供するための測定試料は、液体の状態で基材上にのせた後に乾燥させたものを使用できる。基材として、例えばカバーグラス、スライドグラス、ガラスボトムプレート等のガラス製の基材を用いることができる。
光学的スペクトルの取得に供するための測定試料は、液体の状態で透明な容器に収納したものも使用できる。
また、光学的スペクトルは、液体の状態の測定試料を流路に流し、流路を流れる測定試料に励起光を照射することによって取得してもよい。 A measurement sample for optical spectrum acquisition can be used after being placed on a substrate in a liquid state and then dried. As the substrate, glass substrates such as cover glasses, slide glasses, and glass bottom plates can be used.
A measurement sample for obtaining an optical spectrum may be stored in a transparent container in a liquid state.
Alternatively, the optical spectrum may be obtained by flowing a measurement sample in a liquid state through a channel and irradiating the measurement sample flowing through the channel with excitation light.

光学的スペクトルは、測定試料に光を照射し、被検物質、又は被検物質と結合した物質から発せられる散乱光、透過光、反射光、又は蛍光等を検出器により検出することにより取得することができる。散乱光は、測定試料に照射した所定の波長の光とは異なる波長の光が散乱した光（ラマン散乱光）であってもよい。 The optical spectrum is acquired by irradiating a measurement sample with light and detecting scattered light, transmitted light, reflected light, fluorescence, etc. emitted from the test substance or a substance bound to the test substance with a detector. be able to. The scattered light may be light (Raman scattered light) obtained by scattering light with a wavelength different from the light with a predetermined wavelength with which the measurement sample is irradiated.

１－２．深層学習アルゴリズムの訓練
本分析方法には、訓練用のデータセット７２により訓練された深層学習アルゴリズムが使用される。深層学習アルゴリズムの訓練方法は、物質の種類又は物質のモノマーの配列が既知である既知物質を含む測定試料における複数の箇所から取得した複数の光学的スペクトルに基づくデータセットを生成することと、前記データセットを、前記データセットに対応する既知物質の種類、既知物質のモノマーの配列、又は既知物質を構成する原子の組み合わせを示すラベル情報とともにニューラルネットワーク構造を有する深層学習アルゴリズムに入力することと、を含む。ここで、既知物質は、被検物質と同様に、アミノ酸、ポリペプチド、ＲＮＡ、ＤＮＡ、カテコールアミン、ポリアミン及び有機酸からなる群から選択される少なくとも一つを含み得る。既知物質を構成する原子の組み合わせは、例えば、既知物質を構成する分子内の構造又は官能基であり，Ｃ－Ｈ伸縮、Ｏ－Ｈ伸縮、ＣＨ_２対称伸縮などが挙げられる。 1-2. Training a Deep Learning Algorithm The analysis method uses a deep learning algorithm trained on a training dataset 72 . A method of training a deep learning algorithm includes generating a data set based on a plurality of optical spectra obtained from a plurality of locations in a measurement sample containing a known substance of which the type of substance or sequence of monomers of the substance is known; inputting a data set into a deep learning algorithm having a neural network structure together with label information indicating the type of known substance corresponding to the data set, the sequence of monomers of the known substance, or the combination of atoms constituting the known substance; including. Here, the known substance can contain at least one selected from the group consisting of amino acids, polypeptides, RNA, DNA, catecholamines, polyamines and organic acids, like the test substance. A combination of atoms constituting a known substance is, for example, an intramolecular structure or a functional group constituting a known substance, and includes C—H stretching, O—H stretching, CH ₂ symmetric stretching, and the like.

（１）訓練用のデータセットの生成
図１を用いて、訓練用のデータセットを取得する方法を説明する。図１では、ＳＥＲＳスペクトルを用いた方法を例示するが、ＳＥＲＳスペクトル以外の光学的スペクトルを用いた場合も、同様の方法で訓練用のデータセットを取得することができる。図１（Ａ）は、ＳＥＲＳスペクトルをスリット走査型共焦点ラマン顕微鏡を用いて取得する方法を示している。スリット走査型共焦点ラマン顕微鏡としては、例えばレーザーラマン顕微鏡ＲＡＭＡＮｔｏｕｃｈ／ＲＡＭＡＮｆｏｒｃｅ（ナノフォトン株式会社）を使用することができる。この顕微鏡は、符号Ｌ１に示すように、励起光としてのレーザー光を測定試料に線状に照射することができる。この顕微鏡は、１本の線状の励起光Ｌ１から４００のＳＥＲＳスペクトルを取得することが可能である。Ｓｐｅｃｔｒｕｍ 1～Ｓｐｅｃｔｒｕｍ４００のぞれぞれは、１本の励起光Ｌ１から取得したＳＥＲＳスペクトルを示し、横軸は波数を示し、縦軸は各波数における光の信号強度を示す。 (1) Generation of Training Data Set A method of obtaining a training data set will be described with reference to FIG. FIG. 1 illustrates a method using a SERS spectrum, but a training data set can be obtained in a similar manner using an optical spectrum other than the SERS spectrum. FIG. 1(A) shows a method of acquiring a SERS spectrum using a slit scanning confocal Raman microscope. As a slit scanning confocal Raman microscope, for example, a laser Raman microscope RAMANtouch/RAMANforce (Nanophoton Co., Ltd.) can be used. This microscope can linearly irradiate a measurement sample with laser light as excitation light, as indicated by L1. This microscope is capable of acquiring 400 SERS spectra from one linear excitation light L1. Each of Spectrum 1 to Spectrum 400 indicates the SERS spectrum obtained from one excitation light L1, the horizontal axis indicates the wavenumber, and the vertical axis indicates the signal intensity of light at each wavenumber.

図１（Ｂ）は、既知物質を含む測定試料における複数の箇所から複数のＳＥＲＳスペクトル７０を取得する方法を示す。工程ｉに示される画像は、スライドグラスｂ上の測定試料の明視野画像に、線状の励起光を照射した箇所を示す線を重ねた画像を示す。符号ａは、金属ナノ粒子の凝集体を示す。工程ｉでは、図１（Ａ）において説明したように測定試料に対して励起光を線上に照射して４００のＳＥＲＳスペクトルを取得する。さらに、場所を変えて、２０本～３０本程度の線状の励起光を照射し、その都度、４００のＳＥＲＳスペクトルを取得する。 FIG. 1B shows a method of acquiring multiple SERS spectra 70 from multiple locations in a measurement sample containing a known substance. The image shown in step i is a bright-field image of the sample to be measured on the slide glass b, superimposed with a line indicating the location irradiated with the linear excitation light. Symbol a indicates an aggregate of metal nanoparticles. In step i, as described with reference to FIG. 1A, the sample to be measured is linearly irradiated with excitation light to acquire 400 SERS spectra. Further, about 20 to 30 linear excitation lights are applied at different locations, and 400 SERS spectra are acquired each time.

工程ｉｉから工程ｉｖでは、工程ｉで取得した複数のＳＥＲＳスペクトルから、閾値以上のＳＥＲＳが発生しているＳＥＲＳスペクトル７０ｓを選択する。これにより、凝集した金属ナノ粒子から発生したＳＥＲＳに対応するＳＥＲSスペクトルであるＳＥＲSスペクトル７０を選択することができる。まず、工程ｉｉでは、工程ｉに示した画像において、励起光が照射された位置に対応するピクセルを選択し、結合する。工程ｉｉに示す画像において、色が黒いほどＳＥＲＳ（すなわち光信号）が弱いことを示し、色が白いほどＳＥＲＳが強いことを示す。工程ｉｉに示す画像は、例えばＳＥＲＳの強度を０から２５５までの階調で示している。工程ｉ及び工程ｉｉに示す画像は、例えば、指紋領域のＳＥＲＳの信号強度に基づいて生成してもよいし、サイレント領域のＳＥＲＳの信号強度に基づいて生成してもよい。また、工程ｉ及び工程ｉｉに示す画像は、複数の波数帯におけるＳＥＲＳの信号強度から演算して生成してもよいし、１つの波数帯におけるＳＥＲＳの信号強度から生成してもよい。次に工程ｉｉｉでは、工程ｉｉで選択した各ピクセルを、ＳＥＲＳの信号強度に基づいて二値化する。二値化は、閾値をオペレータが設定して行ってもよい。また、判別分析法、動的閾値法、Pタイル法、モード法、ラプラシアンヒストグラム法、微分ヒストグラム法、レベルスライス法等の処理で二値化を行ってもよい。 From step ii to step iv, the SERS spectrum 70s in which SERS exceeding the threshold is generated is selected from the plurality of SERS spectra acquired in step i. Thereby, the SERS spectrum 70, which is the SERS spectrum corresponding to the SERS generated from the aggregated metal nanoparticles, can be selected. First, in step ii, pixels corresponding to positions irradiated with excitation light are selected and combined in the image shown in step i. In the image shown in step ii, darker colors indicate weaker SERS (ie, light signal) and whiter colors indicate stronger SERS. The image shown in step ii shows, for example, the intensity of SERS in gradation from 0 to 255. The images shown in steps i and ii may be generated, for example, based on the signal strength of SERS in the fingerprint region, or may be generated based on the signal strength of SERS in the silent region. The images shown in Step i and Step ii may be generated by calculation from the signal intensities of SERS in a plurality of wavenumber bands, or may be generated from the signal intensity of SERS in one wavenumber band. Then in step iii, each pixel selected in step ii is binarized based on the signal strength of SERS. The binarization may be performed by setting a threshold value by the operator. Further, binarization may be performed by a process such as the discriminant analysis method, dynamic threshold method, P-tile method, mode method, Laplacian histogram method, differential histogram method, level slice method, or the like.

なお、波数帯とは、所定の波数値又は、波数の全域を分割して得られる所定範囲の波数域である。波数帯における光学的スペクトル（本実施形態では、ＳＥＲＳ）の信号強度とは、波数帯が所定の波数値である場合には、その波数値におけるＳＥＲＳの信号強度であり、波数帯が所定の範囲の波数域である場合には、その波数域におけるＳＥＲＳの信号強度の代表値（例えば、最大値、平均値、重心値など）である。 The wavenumber band is a predetermined wavenumber value or a predetermined range of wavenumber bands obtained by dividing the entire wavenumber range. The signal intensity of the optical spectrum (SERS in this embodiment) in the wavenumber band is, when the wavenumber band has a predetermined wavevalue, the signal intensity of the SERS at that wavevalue, and the wavenumber band is within a predetermined range. is a representative value (for example, maximum value, average value, centroid value, etc.) of the SERS signal intensity in that wavenumber region.

工程ｉｉｉで示す画像では、ＳＥＲＳの信号強度が閾値以上であるピクセルを白で表し、ＳＥＲＳの信号強度が閾値より小さいピクセルを灰色で表している。
工程ｉｖでは、工程ｉｉｉにおいてＳＥＲＳの信号強度が閾値以上であると判定された各ピクセルのＳＥＲＳスペクトル７０ｓを選択する。なお、工程ｉｖで取得されたＳＥＲＳスペクトル７０ｓは、必要に応じて、ベースライン補正、スキャッター補正、ノイズ除去、スケーリング、主成分分析等の処理が加えられてもよい。 In the image shown in step iii, pixels where the SERS signal strength is greater than or equal to the threshold are represented in white, and pixels where the SERS signal strength is less than the threshold are represented in gray.
In step iv, select the SERS spectrum 70s for each pixel for which the SERS signal strength was determined to be greater than or equal to the threshold in step iii. The SERS spectrum 70s acquired in step iv may be subjected to processing such as baseline correction, scatter correction, noise removal, scaling, principal component analysis, etc., if necessary.

図１（Ｂ）に示す例では、スライド上の測定試料に対して、励起光の位置を変えることにより、測定試料における複数の箇所から光学的スペクトルを取得している。一方、透明な容器に収容された測定試料に励起光を照射して光学的スペクトルを取得する場合には、励起光の位置を変えることなく、測定試料における複数の箇所から光学的スペクトルを取得することができる。これは、測定試料中の被検物質がブラウン運動を行い、励起光を照射している間に、その位置を変えるためである。また、流路を流れる測定試料から光学的スペクトルを取得する場合には、測定試料の流れに応じて励起光の照射位置が変化するため、測定試料における複数の箇所から光学的スペクトルを取得することができる。
なお、図１に示す例では、線状の励起光を照射しているが、励起光の照射はスポット照射であってもよい。 In the example shown in FIG. 1B, by changing the position of the excitation light with respect to the measurement sample on the slide, optical spectra are obtained from a plurality of points on the measurement sample. On the other hand, when acquiring an optical spectrum by irradiating an excitation light onto a measurement sample housed in a transparent container, the optical spectrum is acquired from a plurality of locations on the measurement sample without changing the position of the excitation light. be able to. This is because the test substance in the measurement sample undergoes Brownian motion and changes its position while being irradiated with the excitation light. In addition, when acquiring an optical spectrum from a measurement sample flowing through a flow channel, the irradiation position of the excitation light changes according to the flow of the measurement sample. can be done.
In the example shown in FIG. 1, linear excitation light is applied, but the excitation light may be applied by spot irradiation.

図２に示す工程ｖでは、工程ｉｖで得られたＳＥＲＳスペクトル７０から所定数のＳＥＲＳスペクトルをランダムに抽出し、平均化する。ＳＥＲＳスペクトル７０ａは、抽出された所定数（本例では、１００）のＳＥＲＳスペクトルを示す。抽出された所定数のＳＥＲＳスペクトル７０ｓを含むＳＥＲＳスペクトル７０ａを、本明細書において「サブセット」ともいう。１つのサブセットに含まれるＳＥＲＳスペクトル７０ｓの数は、複数であれば良いが、少なくとも３であることが好ましい。１つのサブセットに含まれるＳＥＲＳスペクトル７０ｓの数の上限値は、ＳＥＲＳスペクトル７０から抽出できる数である限り制限されない。 In step v shown in FIG. 2, a predetermined number of SERS spectra are randomly extracted from the SERS spectra 70 obtained in step iv and averaged. The SERS spectrum 70a indicates a predetermined number (100 in this example) of SERS spectra extracted. A SERS spectrum 70a including a predetermined number of extracted SERS spectra 70s is also referred to herein as a "subset". The number of SERS spectra 70s included in one subset may be plural, but preferably at least three. The upper limit of the number of SERS spectra 70 s included in one subset is not limited as long as the number can be extracted from the SERS spectra 70 .

サブセットに含まれるＳＥＲＳスペクトルの信号強度は、同一の波数帯ごとに平均化される。図２を用いて説明すると、例えば、ＳＥＲＳスペクトル７０ａが、ｓｐｅｃｔｒｕｍ１、ｓｐｅｃｔｒｕｍ２・・・ｓｐｅｃｔｒｕｍ１００まで存在し、それぞれのＳＥＲＳスペクトルの波数帯が第１番目から第８００番目まで存在するとき、ｓｐｅｃｔｒｕｍ１の第１番目の波数帯の信号強度、ｓｐｅｃｔｒｕｍ２の第１番目の波数帯の信号強度、ｓｐｅｃｔｒｕｍ３の第１番目の波数帯の信号強度、ｓｐｅｃｔｒｕｍ４の第１番目の波数帯の信号強度・・・ｓｐｅｃｔｒｕｍ１００の第１番目の波数帯の信号強度を加算し、ＳＥＲＳスペクトル数（本例では、１００）で除算することにより、第１番目の波数帯における信号強度の加算平均値Ｉ_１を算出する。第２番目以降の波数帯における信号強度についても同様に、加算平均値Ｉ_２、Ｉ_３、Ｉ_４、Ｉ_５・・・を算出する。この処理を第１番目の波数帯から第８００番目の波数帯まで行い、加算平均値Ｉ_１からＩ_８００を算出する。算出された加算平均値Ｉ_１からＩ_８００のデータセットを第１のサブセットの平均化スペクトルデータセット７２（mean 1）とする。工程ｖ及び工程ｖｉを所定回数繰返し、第２のサブセットの平均化スペクトルデータセット７２（mean 2）、第３のサブセットの平均化スペクトルデータセット７２（mean 3）・・・第ｎのサブセットの平均化スペクトルデータセット７２（mean ｎ）を取得する。平均化スペクトルデータセット７２は、訓練用のデータセットの一例である。 The signal intensities of the SERS spectra included in the subset are averaged for each identical waveband. 2, for example, the SERS spectrum 70a includes spectrum 1, spectrum 2, . Signal intensity of the first wavenumber band of 1, signal intensity of the first wavenumber band of spectrum 2, signal intensity of the first wavenumber band of spectrum 3, signal intensity of the first wavenumber band of spectrum 4 . . . Add the signal intensities of the first wavenumber band of spectrum 100 and divide by the number of SERS spectra (100 in this example) to obtain the average value I1 of the signal intensities in the _first wavenumber band Calculate For signal intensities in the second and subsequent wavenumber bands, addition _average values I2 _, I3 _, I4, I5 _, . . . are similarly calculated. This processing is performed from the 1st wavenumber band to the 800th wavenumber band, and the addition _average values I1 to _I800 are calculated. The data set of calculated mean values I1 to _I800 is defined as the _first subset averaged spectral data set 72 (mean 1). Repeat steps v and vi a predetermined number of times to obtain a second subset averaged spectral data set 72 (mean 2), a third subset averaged spectral data set 72 (mean 3), . . . acquire a normalized spectral data set 72 (mean n). Averaged spectral data set 72 is an example of a training data set.

なお、同一の波数帯の光学的スペクトル（本実施形態では、ＳＥＲＳ）の信号強度は、図２に示すように、複数のＳＥＲＳスペクトル７０間で同一の波数帯の信号強度であることが好ましいが、実質的に同一の波数帯の信号強度である限り限定されない。 The signal intensity of the optical spectrum (SERS in this embodiment) in the same wavenumber band is preferably the same wavenumber band signal intensity among the plurality of SERS spectra 70, as shown in FIG. , as long as the signal strength is substantially the same wavenumber band.

（２）深層学習アルゴリズムの訓練
工程ｖｉｉでは、平均化スペクトルデータセット７２と、スライドガラスｂ上の測定試料に含まれる既知物質の種類又はモノマーの配列を示すラベル情報である第２の訓練データと、が深層学習アルゴリズム５０に入力される。ラベル情報は既知物質名、既知物質のモノマーの配列名、これらを示す略称、ラベル値等でありうる。 (2) Deep learning algorithm training In step vii, the averaged spectral data set 72 and the second training data, which is label information indicating the type of known substance or the sequence of monomers contained in the measurement sample on the slide glass b , are input to the deep learning algorithm 50 . The label information can be the names of known substances, sequence names of monomers of known substances, abbreviations indicating these, label values, and the like.

具体的には、工程ｖｉｉでは、深層学習アルゴリズム５０の入力層５０ａに平均化スペクトルデータセット７２（mean 1）を入力し、出力層５０ｂにラベル情報７５を入力する。図２ではラベル情報７５として「アミノ酸Ｘ」が入力される。符号５０ｃは深層学習アルゴリズム５０の中間層を示す。平均化スペクトルデータセット７２及びラベル情報７５の入力に応じて、深層学習アルゴリズム５０の各層の接続強度に相当する重みが更新さる。
平均化スペクトルデータセット７２（mean 2）以降についても同様に、平均化スペクトルデータセット７２（mean 2）を入力層５０ａに入力し、ラベル情報７５を出力層５０ｂに入力し、重みを更新する。また、必要に応じて、同種の被検物質を含む他の測定試料について、工程ｉ～工程ｖｉｉを実行する。これにより、学習された深層学習アルゴリズム（以下、深層学習アルゴリズム６０とよぶ）が生成される。
上記のとおり、平均化スペクトルデータセット７２は、スライドグラスｂ上の測定試料の複数の箇所（本実施形態では、１本の線状の励起光Ｌ１から４００箇所）から取得した複数の光学的スペクトル（本実施形態では、ＳＥＲスペクトル７０）に基づき、生成される。これにより、１つ１つのＳＥＲスペクトルにバラつきがある場合にも、そのバラつきを吸収できるため、精度の高い分析結果を出力する深層学習アルゴリズム６０を生成することができる。 Specifically, in step vii, an averaged spectral data set 72 (mean 1) is input to the input layer 50a of the deep learning algorithm 50, and label information 75 is input to the output layer 50b. In FIG. 2, "amino acid X" is input as the label information 75. In FIG. Reference numeral 50c denotes an intermediate layer of the deep learning algorithm 50. FIG. The weight corresponding to the connection strength of each layer of the deep learning algorithm 50 is updated according to the input of the averaged spectral data set 72 and the label information 75 .
Similarly, for the averaged spectral data set 72 (mean 2) and thereafter, the averaged spectral data set 72 (mean 2) is input to the input layer 50a, the label information 75 is input to the output layer 50b, and the weights are updated. In addition, if necessary, steps i to vii are performed for other measurement samples containing the same kind of test substance. This produces a trained deep learning algorithm (hereinafter referred to as deep learning algorithm 60).
As described above, the averaged spectrum data set 72 includes a plurality of optical spectra obtained from a plurality of locations of the measurement sample on the slide glass b (400 locations from one linear excitation light L1 in this embodiment). (In this embodiment, the SER spectrum 70). As a result, even when individual SER spectra have variations, the variations can be absorbed, so it is possible to generate the deep learning algorithm 60 that outputs highly accurate analysis results.

深層学習アルゴリズム５０は、ニューラルネットワーク構造を有する限り制限されない。例えば、深層学習アルゴリズム５０は、畳み込みニューラルネットワーク、フルコネクトニューラルネットワーク、及びこれらの組み合わせを含む。深層学習アルゴリズム５０は、全く訓練されていないアルゴリズムであってもよいし、既に訓練されたアルゴリズムであってもよい。 Deep learning algorithm 50 is not limited as long as it has a neural network structure. For example, deep learning algorithms 50 include convolutional neural networks, fully connected neural networks, and combinations thereof. Deep learning algorithm 50 may be an untrained algorithm or an already trained algorithm.

なお、平均化スペクトルデータセット７２を構成するデータは、加算平均値にかえて、積算値、乗算値、又は除算値を使用してもよい。積算値は、ＳＥＲＳスペクトル７０ａにおけるそれぞれのＳＥＲＳスペクトルの同一波数帯における信号強度を積算したものである。乗算値は、ＳＥＲＳスペクトル７０ａにおけるそれぞれのＳＥＲＳスペクトルの同一波数帯における信号強度を加算したものであり、除算値は、ＳＥＲＳスペクトル７０ａにおけるそれぞれのＳＥＲＳスペクトルの同一波数帯における信号強度を所定の順序で除算したものである。 For the data constituting the averaged spectrum data set 72, integrated values, multiplied values, or divided values may be used instead of the addition average values. The integrated value is obtained by integrating signal intensities in the same wavenumber band of each SERS spectrum in the SERS spectrum 70a. The multiplication value is obtained by adding the signal intensities in the same wavenumber band of each SERS spectrum in the SERS spectrum 70a, and the division value is the signal intensity in the same wavenumber band of each SERS spectrum in the SERS spectrum 70a in a predetermined order. It is the result of division.

１－３．解析用のデータセットの生成と分析方法
図３と図４を用いて、深層学習アルゴリズム６０に入力するための、解析用のデータセットの生成、及び深層学習アルゴリズム６０の分析結果に基づく被検物質に関する情報の出力について説明する。 1-3. Generating and analyzing data sets for analysis Using FIGS. 3 and 4, generation of data sets for analysis for input to the deep learning algorithm 60, and test substances based on the analysis results of the deep learning algorithm 60 I will explain the output of information about.

解析用のデータセットは、上記１－２．（１）、図１及び図２に示した平均化スペクトルデータセット７２を生成するための工程ｉから工程ｖと同様の方法で生成される。具体的には、はじめに、図３に示す工程ｉでは、解析対象となる測定試料に２０～３０本の励起光を照射し、ＳＥＲＳスペクトルを取得する。次に、工程ｉｉから工程ｉｖを実行し、工程ｉで取得した複数のＳＥＲＳスペクトルから、閾値以上のＳＥＲＳが発生しているＳＥＲＳスペクトル８０ｓを選択する。閾値以上のＳＥＲＳが発生しているＳＥＲＳスペクトル８０ｓを選択する方法は、上記１－２．（１）に示した工程ｉｉから工程ｉｖの説明をここに援用する。これにより、工程ｉｖにおいて、凝集した金属ナノ粒子から発生したＳＥＲＳスペクトルであるＳＥＲＳスペクトル８０を選択することができる。図４に示す工程ｖでは、工程ｉｖで取得したＳＥＲスペクトル８０から、所定数（本例では１００）のＳＥＲＳスペクトル８０ａをランダムに抽出し、抽出した所定数のＳＥＲＳスペクトル８０ａの平均化スペクトルデータセット８２を、解析用のデータセットとして取得する。所定数の光学的スペクトルのデータセット８０ａを平均化する方法は、上記１－２．（１）に示した工程ｖの説明をここに援用する。工程ｖｉでは、平均化スペクトルデータセット８２を、学習済みの深層学習アルゴリズム６０の入力層６０ａに入力する。工程ｖｉｉでは、深層学習アルゴリズム６０は、出力層６０ｃから分析結果８５を出力する。図３の例では、分析結果８５は、既知物質の種類である「アミノ酸Ｙ」とその確率を含んでいる。このように、分析結果８５は、被検物質について予測された既知物質の種類を示すラベルと、被検物質が予測された既知物質である確率とを含んでいてもよい。また、分析結果８５は、被検物質について予測された既知物質のモノマーの配列を示すラベルと、被検物質が予測された既知物質である確率とを含んでいてもよい。また、分析結果８５は、被検物質について予測された既知物質を構成する原子の組み合わせと、被検物質が予測された既知物質である確率とを含んでいてもよい。既知物質を構成する原子の組み合わせは、例えば、既知物質を構成する分子内の構造又は官能基であり，Ｃ－Ｈ伸縮、Ｏ－Ｈ伸縮、ＣＨ_２対称伸縮などが挙げられる。 The data set for analysis is the above 1-2. (1), generated in a manner similar to steps i through v for generating the averaged spectral data set 72 shown in FIGS. Specifically, first, in step i shown in FIG. 3, a measurement sample to be analyzed is irradiated with 20 to 30 excitation lights to obtain a SERS spectrum. Next, the process ii to the process iv are performed, and the SERS spectrum 80s in which the SERS exceeding the threshold value is generated is selected from the plurality of SERS spectra acquired in the process i. The method of selecting the SERS spectrum 80s in which SERS equal to or higher than the threshold occurs is described in 1-2. The description of steps ii to iv shown in (1) is incorporated herein. Thereby, in step iv, the SERS spectrum 80, which is the SERS spectrum generated from the aggregated metal nanoparticles, can be selected. In step v shown in FIG. 4, a predetermined number (100 in this example) of SERS spectra 80a are randomly extracted from the SER spectrum 80 obtained in step iv, and an averaged spectrum data set of the extracted predetermined number of SERS spectra 80a 82 is taken as the data set for analysis. The method of averaging a predetermined number of optical spectrum data sets 80a is the same as in 1-2. The description of step v shown in (1) is incorporated herein. At step vi, the averaged spectral data set 82 is input to the input layer 60 a of the trained deep learning algorithm 60 . At step vii, deep learning algorithm 60 outputs analysis results 85 from output layer 60c. In the example of FIG. 3, the analysis result 85 includes the type of known substance "amino acid Y" and its probability. Thus, the analysis result 85 may include a label indicating the type of known substance predicted for the test substance and the probability that the test substance is the predicted known substance. The analysis result 85 may also include a label indicating the sequence of the predicted known substance monomer for the test substance, and the probability that the test substance is the predicted known substance. The analysis result 85 may also include a combination of atoms constituting a predicted known substance for the test substance and the probability that the test substance is the predicted known substance. A combination of atoms constituting a known substance is, for example, an intramolecular structure or a functional group constituting a known substance, and includes C—H stretching, O—H stretching, CH ₂ symmetric stretching, and the like.

分析結果８５は、一つの被検物質に対して、複数の予測された既知物質の種類、及び／又は複数の予測された既知物質のモノマーの配列に関する情報を含んでいてもよい。分析結果８５は、被検物質が予測された既知物質である確率が低い場合には、「未知物質」、又は「分析不能」等の情報を含んでいてもよい。
上記のとおり、平均化スペクトルデータセット８２は、スライドグラスｂ上の測定試料の複数の箇所（本実施形態では、１本の線状の励起光Ｌ１から４００箇所）から取得した複数の光学的スペクトル（本実施形態では、ＳＥＲスペクトル８０）に基づき、生成される。これにより、１つ１つのＳＥＲスペクトルにバラつきがある場合にも、そのバラつきを吸収できるため、深層学習アルゴリズム６０から精度の高い分析結果を出力することができる。 The analysis result 85 may include information about a plurality of predicted types of known substances and/or sequences of monomers of a plurality of predicted known substances for one test substance. The analysis result 85 may include information such as "unknown substance" or "cannot be analyzed" when the probability that the test substance is a predicted known substance is low.
As described above, the averaged spectrum data set 82 is a plurality of optical spectra obtained from a plurality of locations of the measurement sample on the slide glass b (400 locations from one linear excitation light L1 in this embodiment) (In this embodiment, the SER spectrum 80). As a result, even if individual SER spectra vary, the variation can be absorbed, so that the deep learning algorithm 60 can output highly accurate analysis results.

上記では、解析用のデータセットとして、平均化スペクトルデータセット８２を生成する方法を説明したが、訓練用のデータセットと同様に、加算平均値にかえて、積算値、乗算値、又は除算値を使用してもよい。
また、上記では、光学的スペクトルとしてＳＥＲＳスペクトルを例として説明したが、ＳＥＲＳスペクトル以外の光学的スペクトルを用いてもよい。また、光学的スペクトルは、横軸が波数の場合を例にとり説明したが、横軸は波長であってもよい。 In the above, the method of generating the averaged spectrum data set 82 as the data set for analysis was explained, but as with the data set for training, instead of the addition average value, the integrated value, the multiplied value, or the divided value may be used.
Moreover, although the SERS spectrum was demonstrated above as an example as an optical spectrum, you may use optical spectrums other than a SERS spectrum. Further, although the optical spectrum has been described with the horizontal axis representing the wave number as an example, the horizontal axis may represent the wavelength.

訓練用のデータセットを取得ために使用する測定試料と、解析用のデータセットを取得するための測定試料とは、同じ方法で調製されることが好ましい。また、訓練用のデータセットの取得において液体の測定試料を用いた場合には、解析用のデータセットの取得においても液体の測定試料を用いることが好ましい。同様に、訓練用のデータセットの取得において乾燥した測定試料を用いた場合には、解析用のデータセットの取得においても乾燥した測定試料を用いることが好ましい。 The measurement samples used to obtain the training data set and the measurement samples used to obtain the analysis data set are preferably prepared in the same manner. Further, when a liquid measurement sample is used to acquire the training data set, it is preferable to use the liquid measurement sample to acquire the analysis data set as well. Similarly, if a dry measurement sample is used in acquiring the training data set, it is preferable to use a dry measurement sample in acquiring the analysis data set.

２．被検物質の分析システム
以下、測定試料に含まれる被検物質を分析する分析システム１（以下、単に「分析システム１」ともいう）を説明する。図５に、分析システム１の概要を示す。分析システム１は、光学的スペクトルを取得するための検出装置５００と、深層学習アルゴリズム５０を訓練し、訓練された深層学習アルゴリズム６０を用いて被検物質に関する情報を出力する分析装置１００を備えている。 2. Analytical System for Test Substance An analysis system 1 (hereinafter also simply referred to as “analysis system 1”) for analyzing a test substance contained in a measurement sample will be described below. FIG. 5 shows an outline of the analysis system 1. As shown in FIG. The analysis system 1 comprises a detection device 500 for acquiring optical spectra and an analysis device 100 for training a deep learning algorithm 50 and outputting information about the analyte using the trained deep learning algorithm 60. there is

２－１．検出装置５００
図５及び図６を用いて検出装置５００の構成を説明する。検出装置５００は、測定試料を設置し、測定試料の像を拡大するための鏡験部５１０と、測定試料に照射する光（照射光）を発する光源５２０と、光源５２０から発せられた光及び測定試料が発した光（戻り光）の光路を分離するためのフィルタ５３０と、戻り光の光路を絞るピンホール５４０と、戻り光を所定の波長に分光する分光器５５０と、戻り光を受光する受光器５６０と、通信インタフェース５７０と、を備える。光源５２０はレーザー光源であることが好ましい。レーザー光源の種類は、測定試料に照射する照射光の波長に応じて選択することができる。フィルタ５３０はダイクロイックフィルタである。ピンホール５４０としては、照射光を測定試料にスポット状に照射する場合には、図６（Ａ）に示すように円形の光路ウインドウｗ１を備えるピンホール５４０ａを使用する。一方、照射光を測定試料に線状に照射する場合には、図６（Ｂ）に示すスリット状の光路ウインドウｗ２を備えるピンホール５４０ｂを使用することができる。受光器５６０は例えばＣＣＤカメラである。受光器５６０は、通信インタフェース５７０を介して、分析装置１００に通信可能に接続する。通信インタフェース５７０は、例えばＵＳＢインタフェースである。鏡験部５１０は、図６（Ａ）、図６（Ｂ）に示すように、対物レンズＯと測定試料ＭＳを載せるステージＳを備える。図６において、破線は戻り光の光路を示す。検出装置５００として、レーザーラマン顕微鏡ＲＡＭＡＮｔｏｕｃｈ／ＲＡＭＡＮｆｏｒｃｅ（ナノフォトン株式会社）、マルチフォーカスラマン顕微鏡を例示できる。 2-1. detection device 500
The configuration of the detection device 500 will be described with reference to FIGS. 5 and 6. FIG. The detection apparatus 500 includes a microscope examination section 510 for setting a measurement sample and enlarging an image of the measurement sample, a light source 520 for emitting light to irradiate the measurement sample (irradiation light), light emitted from the light source 520 and A filter 530 for separating the optical path of light (return light) emitted by the measurement sample, a pinhole 540 for narrowing the optical path of the return light, a spectroscope 550 for separating the return light into predetermined wavelengths, and receiving the return light. and a communication interface 570 . Light source 520 is preferably a laser light source. The type of laser light source can be selected according to the wavelength of the irradiation light with which the measurement sample is irradiated. Filter 530 is a dichroic filter. As the pinhole 540, a pinhole 540a having a circular optical path window w1 is used as shown in FIG. On the other hand, when the measurement sample is irradiated with the irradiation light linearly, a pinhole 540b having a slit-shaped optical path window w2 shown in FIG. 6B can be used. The light receiver 560 is, for example, a CCD camera. Optical receiver 560 is communicatively connected to analyzer 100 via communication interface 570 . Communication interface 570 is, for example, a USB interface. As shown in FIGS. 6A and 6B, the microscope examination section 510 includes an objective lens O and a stage S on which the measurement sample MS is placed. In FIG. 6, broken lines indicate optical paths of returned light. Examples of the detection device 500 include a laser Raman microscope RAMANtouch/RAMANforce (Nanophoton Co., Ltd.) and a multifocus Raman microscope.

例えば、光学的スペクトルが金ナノ粒子を用いたＳＲＥＳスペクトルである時の検出条件は、以下のとおりである。
励起波長:660 nm
励起強度:2.5 mW/μm²
露光時間:0.5sec/line
対物レンズ:×40 NA1.25
上記条件は、被検物質の種類、金属ナノ粒子の材質、金属ナノ粒子の形状に応じて適宜設定できる。 For example, the detection conditions when the optical spectrum is the SRES spectrum using gold nanoparticles are as follows.
Excitation wavelength: 660 nm
Excitation intensity: 2.5 mW/μm ²
Exposure time: 0.5sec/line
Objective lens: ×40 NA1.25
The above conditions can be appropriately set according to the type of test substance, the material of the metal nanoparticles, and the shape of the metal nanoparticles.

２－２．分析装置１００
（１）ハードウエア構成
図７に分析装置１００のハードウエア構成を示す。分析装置１００は、例えば汎用コンピュータで構成されており、訓練プログラム１３２を使って深層学習アルゴリズム５０を訓練し、分析プログラム１３４と訓練した深層学習アルゴリズム６０を使って、被検物質に関する情報を出力する。 2-2. Analyzer 100
(1) Hardware Configuration FIG. 7 shows the hardware configuration of the analysis device 100. As shown in FIG. The analyzer 100, which may comprise, for example, a general-purpose computer, uses a training program 132 to train a deep learning algorithm 50 and uses an analysis program 134 and a trained deep learning algorithm 60 to output information about the analyte. .

分析装置１００は検出装置５００に接続されている。分析装置１００は、制御装置１０、入力装置１６及び出力装置１７を備えている。また、分析装置１００は、メディアドライブ９８及びネットワーク９９と接続されていている。 The analysis device 100 is connected to the detection device 500 . The analyzer 100 comprises a control device 10 , an input device 16 and an output device 17 . Also, the analysis device 100 is connected to a media drive 98 and a network 99 .

制御装置１０は、データ処理を行うＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）１１と、データ処理の作業領域に使用する主記憶装置１２と、補助記憶装置１３と、各部の間でデータを伝送するバス１４と、外部機器とのデータの入出力を行うインタフェース（Ｉ／Ｆ）１５とを備えている。入力装置１６及び出力装置１７は、インタフェース（Ｉ／Ｆ）１５に接続されている。入力装置１６はキーボード又はマウス等であり、出力装置１７は液晶ディスプレイ、有機ＥＬディスプレイ等である。補助記憶装置１３は、ソリッドステートドライブ、ハードディスクドライブ等である。補助記憶装置１３は、訓練プログラム１３２と、分析プログラム１３４と、訓練用のデータセット及びそのデータセットを生成するために必要なデータを格納する訓練データデータベース（ＤＢ）ＤＢ１と、アルゴリズムを格納するアルゴリズムデータベース（ＤＢ）ＤＢ２と、解析用のデータセット（平均化スペクトルデータセット８２）及びそのデータを生成するために必要なデータを格納する被検データデータベース（ＤＢ）ＤＢ３を格納している。訓練プログラム１３２は、分析装置１００に深層学習アルゴリズムの訓練処理を実行させる。分析プログラム１３４は、分析装置１００に測定試料の分析処理を実行させる。訓練データデータベースＤＢ１は、既知の物質を含む測定試料から取得した複数の光学的スペクトル７０、平均化スペクトルデータセット７２、及びラベル情報７５を格納する。アルゴリズムデータベースＤＢ２は、訓練されていない深層学習アルゴリズム５０、及び／又は訓練された深層学習アルゴリズム６０を格納している。 The control device 10 includes a CPU (Central Processing Unit) 11 that performs data processing, a main storage device 12 that is used as a work area for data processing, an auxiliary storage device 13, a bus 14 that transmits data between each unit, An interface (I/F) 15 for inputting/outputting data with an external device is provided. The input device 16 and output device 17 are connected to an interface (I/F) 15 . The input device 16 is a keyboard, mouse, or the like, and the output device 17 is a liquid crystal display, an organic EL display, or the like. The auxiliary storage device 13 is a solid state drive, hard disk drive, or the like. The auxiliary storage device 13 includes a training program 132, an analysis program 134, a training data database (DB) DB1 for storing training data sets and data necessary for generating the data sets, and an algorithm for storing algorithms. It stores a database (DB) DB2, and a test data database (DB) DB3 that stores a data set for analysis (averaged spectrum data set 82) and data necessary for generating the data. The training program 132 causes the analysis device 100 to perform a deep learning algorithm training process. The analysis program 134 causes the analysis device 100 to perform analysis processing of the measurement sample. The training data database DB1 stores a plurality of optical spectra 70, averaged spectral data sets 72, and label information 75 obtained from measurement samples containing known substances. Algorithm database DB2 stores untrained deep learning algorithms 50 and/or trained deep learning algorithms 60 .

（２）機能構成
図８に、分析装置１００の機能構成図を示す。
分析装置１００は、既知物質光学的スペクトル取得部Ｍ１、訓練データ生成部Ｍ２、深層学習アルゴリズム訓練部Ｍ３、被検物質光学的スペクトル取得部Ｍ４、被検データ生成部Ｍ５、分析結果取得部Ｍ６、被検物質情報出力部Ｍ７、訓練データデータベースＤＢ１、アルゴリズムデータベースＤＢ２、被検データデータベースＤＢ３、を備える。 (2) Functional Configuration FIG. 8 shows a functional configuration diagram of the analysis device 100. As shown in FIG.
The analysis device 100 includes a known substance optical spectrum acquisition unit M1, a training data generation unit M2, a deep learning algorithm training unit M3, a test substance optical spectrum acquisition unit M4, a test data generation unit M5, an analysis result acquisition unit M6, It has a test substance information output unit M7, a training data database DB1, an algorithm database DB2, and a test data database DB3.

既知物質光学的スペクトル取得部Ｍ１は、図９に示すステップＳ１１に相当する。訓練データ生成部Ｍ２は、図９に示すステップＳ１４からステップＳ１８に相当する。深層学習アルゴリズム訓練部Ｍ３は、図１０に示すステップＳ２１からステップＳ２４に相当する。被検物質光学的スペクトル取得部Ｍ４は、図１１に示すステップＳ３１に相当する。被検データ生成部Ｍ５は、図１１に示すステップＳ３４からステップＳ３６に相当する。分析結果取得部Ｍ６は、図１２に示すステップＳ４１からステップＳ４３に相当する。被検物質情報出力部Ｍ７は、図１２に示すステップＳ４４に相当する。 The known substance optical spectrum acquisition unit M1 corresponds to step S11 shown in FIG. The training data generator M2 corresponds to steps S14 to S18 shown in FIG. The deep learning algorithm training unit M3 corresponds to steps S21 to S24 shown in FIG. The test substance optical spectrum acquisition unit M4 corresponds to step S31 shown in FIG. The test data generator M5 corresponds to steps S34 to S36 shown in FIG. The analysis result acquisition unit M6 corresponds to steps S41 to S43 shown in FIG. The test substance information output unit M7 corresponds to step S44 shown in FIG.

２－３．訓練プログラム１３２の処理
図９及び図１０は、訓練プログラム１３２に基づいて制御装置１０が実行する深層学習アルゴリズムの訓練処理の流れを示す。 2-3. Processing of Training Program 132 FIGS. 9 and 10 show the flow of training processing of the deep learning algorithm executed by the control device 10 based on the training program 132 .

制御装置１０は、オペレータが入力装置１６から入力した処理開始指令を受け付け、図９に示すステップＳ１１において、既知物質の光学的スペクトルを複数取得する。具体的には、制御装置１０は、既知物質を含む測定試料に照射光（励起光）を照射したときに受光器５６０によって検出された光学的スペクトルを示すデータを、検出装置５００から受信する。なお、光学的スペクトルを示すデータが訓練データデータベースＤＢ１に格納されている場合には、制御装置１０は、訓練データデータベースＤＢ１から当該データを読み出すことにより、既知物質の光学的スペクトルを取得する。 The control device 10 receives a processing start command input from the input device 16 by the operator, and acquires a plurality of optical spectra of known substances in step S11 shown in FIG. Specifically, the control device 10 receives from the detection device 500 data indicating the optical spectrum detected by the light receiver 560 when the measurement sample containing the known substance is irradiated with the irradiation light (excitation light). If data representing optical spectra is stored in the training data database DB1, the control device 10 reads the data from the training data database DB1 to acquire the optical spectra of known substances.

制御装置１０は、ステップＳ１４において、ステップＳ１１において取得した複数の光学的スペクトルから、被検物質又は被検物質に結合した物質に起因する光学的スペクトルを抽出する。被検物質又は被検物質に結合した物質に起因する光学的スペクトルは、上記１－２．（１）の工程ｉｉ及び工程ｉｉｉの方法で抽出することができる。制御装置１０は、抽出した光学的スペクトルを、訓練データデータベースＤＢ１に記憶する。 In step S14, the control device 10 extracts an optical spectrum caused by the test substance or a substance bound to the test substance from the plurality of optical spectra acquired in step S11. The optical spectrum caused by the test substance or the substance bound to the test substance is described in 1-2. It can be extracted by the method of steps ii and iii of (1). The control device 10 stores the extracted optical spectrum in the training data database DB1.

制御装置１０は、ステップＳ１６において、ステップＳ１４において抽出した光学的スペクトルから、所定数の光学的スペクトルをランダムに抽出し、抽出した所定数の光学的スペクトルについて、平均化スペクトルデータセット７２を取得する。平均化スペクトルデータセット７２は、上記１－２．（１）の工程ｖの方法で取得することができる。制御装置１０は、取得した平均化スペクトルデータセット７２を、訓練データデータベースＤＢ１に記憶する。 In step S16, the control device 10 randomly extracts a predetermined number of optical spectra from the optical spectra extracted in step S14, and obtains an averaged spectrum data set 72 for the predetermined number of extracted optical spectra. . The averaged spectrum data set 72 is the same as in 1-2. It can be obtained by the method of step v of (1). The control device 10 stores the obtained averaged spectral data set 72 in the training data database DB1.

制御装置１０は、ステップＳ１８において、ステップＳ１６において取得した平均化スペクトルデータセット７２と、既知物質の種類又は既知物質のモノマーの配列を示すラベル情報７５を紐付け、訓練データデータベースＤＢ１に記憶する。ラベル情報７５は、入力装置１６から受け付けてもよいし、ネットワーク９９を介して他のコンピュータから受け付けてもよい。 In step S18, the control device 10 associates the averaged spectrum data set 72 acquired in step S16 with the label information 75 indicating the type of the known substance or the sequence of the monomers of the known substance, and stores them in the training data database DB1. The label information 75 may be received from the input device 16 or may be received from another computer via the network 99 .

制御装置１０は、図１０に示すステップＳ２１において、深層学習アルゴリズム５０をアルゴリズムデータベースＤＢ２から読み出す。 In step S21 shown in FIG. 10, the control device 10 reads the deep learning algorithm 50 from the algorithm database DB2.

制御装置１０は、ステップＳ２２において、図９に示すステップＳ１６で取得した平均化スペクトルデータセット７２を深層学習アルゴリズム５０の入力層に入力し、ステップＳ１８で当該平均化スペクトルデータセット７２に紐づけたラベル情報７５を深層学習アルゴリズム５０の出力層に入力する。これにより、深層学習アルゴリズム５０が訓練される。 In step S22, the control device 10 inputs the averaged spectral data set 72 acquired in step S16 shown in FIG. Label information 75 is input to the output layer of deep learning algorithm 50 . This trains the deep learning algorithm 50 .

制御装置１０は、ステップＳ２４において、訓練された深層学習アルゴリズム５０（６０）をアルゴリズムデータベースＤＢ２に記憶する。
ステップＳ１４において抽出した光学的スペクトルの数が多く、他のサブセットを抽出可能な場合には、ステップＳ１６～ステップＳ２４の処理を繰り返し、深層学習アルゴリズム５０（６０）をさらに訓練する。 The controller 10 stores the trained deep learning algorithm 50 (60) in the algorithm database DB2 in step S24.
If the number of optical spectra extracted in step S14 is large and other subsets can be extracted, the processing of steps S16 to S24 is repeated to further train the deep learning algorithm 50 (60).

２－４．分析プログラム１３４の処理
図１１及び図１２は、分析プログラム１３４に基づいて制御装置１０が実行する被検物質の分析処理の流れを示す。 2-4. Processing of Analysis Program 134 FIGS. 11 and 12 show the flow of the analysis processing of the test substance executed by the control device 10 based on the analysis program 134 .

制御装置１０は、ステップＳ３１において、解析対象の被検物質を含む測定試料の光学的スペクトルを複数取得する。具体的には、制御装置１０は、解析対象の被検物質を含む測定試料に照射光（励起光）を照射したときに受光器５６０によって検出された光学的スペクトルを示すデータを、検出装置５００から受信する。なお、光学的スペクトルを示すデータが被検データデータベースＤＢ３に格納されている場合には、制御装置１０は、被検データデータベースＤＢ３から当該データを読み出すことにより、解析対象の被検物質の光学的スペクトルを取得する。 In step S31, the control device 10 acquires a plurality of optical spectra of the measurement sample containing the test substance to be analyzed. Specifically, the control device 10 sends the data indicating the optical spectrum detected by the light receiver 560 when the measurement sample containing the test substance to be analyzed is irradiated with the irradiation light (excitation light) to the detection device 500. receive from When data indicating the optical spectrum is stored in the test data database DB3, the control device 10 reads the data from the test data database DB3 to read the optical spectrum of the test substance to be analyzed. Acquire the spectrum.

制御装置１０は、ステップＳ３４において、ステップＳ３１において取得した複数の光学的スペクトルから、被検物質又は被検物質に結合した物質に起因する光学的スペクトルを抽出する。被検物質又は被検物質に結合した物質に起因する光学的スペクトルは、上記１－３の工程ｉｉから工程ｉｖの方法により抽出することができる。制御装置１０は、抽出した光学的スペクトル８０を、被検データデータベースＤＢ３に記憶する。 In step S34, the control device 10 extracts an optical spectrum caused by the test substance or a substance bound to the test substance from the plurality of optical spectra acquired in step S31. The optical spectrum resulting from the test substance or the substance bound to the test substance can be extracted by the method of steps ii to iv of 1-3 above. The control device 10 stores the extracted optical spectrum 80 in the test data database DB3.

制御装置１０は、ステップＳ３６において、ステップＳ３４において抽出した光学的スペクトルから、所定数の光学的スペクトルをランダムに抽出し、抽出した所定数の光学的スペクトル８０ａについて、平均化スペクトルデータセット８２を取得する。平均化スペクトルデータセット８２は、上記１－３の工程ｖの方法により取得することができる。制御装置１０は、取得した平均化スペクトルデータセット８２を、被検データデータベースＤＢ３に記憶する。 In step S36, the control device 10 randomly extracts a predetermined number of optical spectra from the optical spectra extracted in step S34, and obtains an averaged spectrum data set 82 for the predetermined number of extracted optical spectra 80a. do. The averaged spectral data set 82 can be obtained by the method of step v of 1-3 above. The control device 10 stores the obtained averaged spectral data set 82 in the test data database DB3.

なお、ステップＳ３４の処理は、省略可能である。その場合、制御装置１０は、ステップＳ３１において取得した光学的スペクトルから、平均化スペクトルデータセット８２を取得する。
制御装置１０は、図１２に示すステップＳ４１において、深層学習アルゴリズム６０をアルゴリズムデータベースＤＢ２から読み出す。 Note that the process of step S34 can be omitted. In that case, the control device 10 acquires the averaged spectrum data set 82 from the optical spectrum acquired in step S31.
In step S41 shown in FIG. 12, the control device 10 reads the deep learning algorithm 60 from the algorithm database DB2.

制御装置１０は、ステップＳ４２において、図１１に示すステップＳ３６で取得した平均化スペクトルデータセット８２を深層学習アルゴリズム６０に入力する。 At step S42, the controller 10 inputs the averaged spectral data set 82 obtained at step S36 shown in FIG.

制御装置１０は、ステップＳ４３において、深層学習アルゴリズム６０から分析結果８５を出力し、被検データデータベースＤＢ３に記憶する。 In step S43, the control device 10 outputs the analysis result 85 from the deep learning algorithm 60 and stores it in the test data database DB3.

制御装置１０は、ステップＳ４４において、深層学習アルゴリズム６０から出力される分析結果８５に基づき、被検物質に関する情報を生成し、出力装置１７、及び／又はネットワーク９９を介して接続された他のコンピュータに出力する。さらに、制御装置１０は、被検物質に関する情報を被検データデータベースＤＢ３に記憶する。被検物質に関する情報は、分析結果８５そのものであってもよいし、分析結果８５を編集して得られた情報であってもよい。 In step S44, the control device 10 generates information about the test substance based on the analysis results 85 output from the deep learning algorithm 60, and outputs the information to the output device 17 and/or other computers connected via the network 99. output to Furthermore, the control device 10 stores information about the test substance in the test data database DB3. The information on the test substance may be the analysis result 85 itself, or may be information obtained by editing the analysis result 85 .

３．変形例
上記２．では、分析装置１００が、深層学習アルゴリズム５０の訓練と、被検物質の分析を行う例を示したが、深層学習アルゴリズム５０の訓練と、被検物質の分析は、別のコンピュータが行ってもよい。本項では、深層学習アルゴリズム５０の訓練を訓練装置１００Ａが行い、被検物質の分析を分析装置１００Ｂが行う例を示す。訓練装置１００Ａと分析装置１００Ｂの間のデータのやりとりは、メディアドライブ９８又はネットワーク９９を使用して行う。訓練装置１００Ａ及び／又は分析装置１００Ｂは、検出装置５００と直接接続されていてもよい。訓練装置１００Ａ及び／又は分析装置１００Ｂは、メディアドライブ９８又はネットワーク９９を介して、検出装置５００から光学的スペクトルを示すデータを取得してもよい。訓練装置１００Ａと、分析装置１００Ｂと、検出装置５００は通信可能に接続され、分析システムを構成してもよい。 3. Modification 2 above. , an example in which the analysis device 100 trains the deep learning algorithm 50 and analyzes the test substance is shown, but the training of the deep learning algorithm 50 and the analysis of the test substance may be performed by another computer. good. In this section, an example is shown in which the deep learning algorithm 50 is trained by the training device 100A and the test substance is analyzed by the analysis device 100B. Data exchange between the training device 100A and the analysis device 100B is performed using the media drive 98 or the network 99. FIG. The training device 100A and/or the analysis device 100B may be directly connected with the detection device 500. FIG. Training device 100A and/or analysis device 100B may obtain data indicative of the optical spectrum from detection device 500 via media drive 98 or network 99 . The training device 100A, the analysis device 100B, and the detection device 500 may be communicably connected to form an analysis system.

３－１．訓練装置１００Ａ
図１３に訓練装置１００Ａのハードウエア構成を示す。訓練装置１００Ａのハードウエア構成は、基本的には分析装置１００と同様である。訓練装置１００Ａは、分析装置１００の補助記憶装置１３にかえて、補助記憶装置１３Ａを備えている。補助記憶装置１３Ａは、訓練プログラム１３２と、訓練データデータベース（ＤＢ）ＤＢ１と、アルゴリズムデータベース（ＤＢ）ＤＢ２Ａを格納している。 3-1. Training device 100A
FIG. 13 shows the hardware configuration of the training device 100A. The hardware configuration of the training device 100A is basically the same as that of the analysis device 100. FIG. The training device 100A includes an auxiliary storage device 13A in place of the auxiliary storage device 13 of the analysis device 100. FIG. The auxiliary storage device 13A stores a training program 132, a training data database (DB) DB1, and an algorithm database (DB) DB2A.

図１４に訓練装置１００Ａの機能構成を示す。訓練装置１００Ａは、既知物質光学的スペクトル取得部Ｍ１、訓練データ生成部Ｍ２、深層学習アルゴリズム訓練部Ｍ３、訓練データデータベースＤＢ１、アルゴリズムデータベースＤＢ２Ａを備える。 FIG. 14 shows the functional configuration of the training device 100A. The training device 100A includes a known substance optical spectrum acquisition unit M1, a training data generation unit M2, a deep learning algorithm training unit M3, a training data database DB1, and an algorithm database DB2A.

訓練装置１００Ａの制御装置１０Ａは、訓練プログラム１３２により深層学習アルゴリズム５０の訓練を行う。その際、上記２－３で説明した処理を行うが、本実施形態では、アルゴリズムデータベースＤＢ２にかえて、アルゴリズムデータベースＤＢ２Ａを使用する。 The controller 10A of the training device 100A trains the deep learning algorithm 50 by the training program 132. FIG. At that time, the processing described in 2-3 above is performed, but in this embodiment, instead of the algorithm database DB2, the algorithm database DB2A is used.

３－２．分析装置１００Ｂ
図１５に分析装置１００Ｂのハードウエア構成を示す。分析装置１００Ｂのハードウエア構成は、基本的には分析装置１００と同様である。分析装置１００Ｂは、分析装置１００の補助記憶装置１３にかえて、補助記憶装置１３Ｂを備えている。補助記憶装置１３Ｂは、分析プログラム１３４と、アルゴリズムデータベース（ＤＢ）ＤＢ２Ｂと被検データデータベースＤＢ３を格納している。 3-2. Analyzer 100B
FIG. 15 shows the hardware configuration of the analysis device 100B. The hardware configuration of the analysis device 100B is basically the same as that of the analysis device 100. FIG. The analysis device 100B includes an auxiliary storage device 13B in place of the auxiliary storage device 13 of the analysis device 100. FIG. The auxiliary storage device 13B stores an analysis program 134, an algorithm database (DB) DB2B, and a subject data database DB3.

図１６に分析装置１００Ｂの機能構成を示す。分析装置１００Ｂは、被検物質光学的スペクトル取得部Ｍ４、被検データ生成部Ｍ５、分析結果取得部Ｍ６、被検物質情報出力部Ｍ７、アルゴリズムデータベースＤＢ２Ｂ、被検データデータベースＤＢ３、を備える。 FIG. 16 shows the functional configuration of the analysis device 100B. The analyzer 100B includes a test substance optical spectrum acquisition unit M4, a test data generation unit M5, an analysis result acquisition unit M6, a test substance information output unit M7, an algorithm database DB2B, and a test data database DB3.

分析装置１００Ｂの制御装置１０Ｂは、分析プログラム１３４と深層学習アルゴリズム６０により被検物質の分析処理を行う。その際、上記２－４で説明した処理を行うが、本実施形態では、アルゴリズムデータベースＤＢ２にかえて、アルゴリズムデータベースＤＢ２Ｂを使用する。 The control device 10B of the analysis device 100B analyzes the test substance using the analysis program 134 and the deep learning algorithm 60 . At that time, the processing described in 2-4 above is performed, but in this embodiment, instead of the algorithm database DB2, the algorithm database DB2B is used.

４．コンピュータプログラムを記憶した記憶媒体
訓練プログラム１３２及び分析プログラム１３４は、記憶媒体に記憶されていてもよい。
すなわち、各プログラムは、ハードディスク、フラッシュメモリ等の半導体メモリ素子、光ディスク等の記憶媒体に記憶される。また各プログラムは、クラウドサーバ等のネットワークで接続可能な記憶媒体に記憶されていてもよい。各プログラムは、ダウンロード形式の、又は記憶媒体に記憶されたプログラム製品として提供されてもよい。 4. Storage Medium Stored Computer Program The training program 132 and the analysis program 134 may be stored in a storage medium.
That is, each program is stored in a storage medium such as a hard disk, a semiconductor memory device such as a flash memory, or an optical disc. Further, each program may be stored in a network connectable storage medium such as a cloud server. Each program may be provided as a program product in download form or stored on a storage medium.

前記記憶媒体へのプログラムの記憶形式は、前記各装置が前記プログラムを読み取り可能である限り制限されない。前記記憶媒体への記憶は、不揮発性であることが好ましい。 The storage format of the program in the storage medium is not limited as long as each device can read the program. The storage in the storage medium is preferably non-volatile.

５．効果の検証
本実施形態の分析方法の効果を検証するため、アミノ酸、ジペプチド、アミロイドβ（Aβ）を含む金ナノ粒子の凝集体を使って、ＳＥＲＳスペクトル取得し、このスペクトルを用いて、本実施形態による分析方法と、従来法との分析性能を比較した。 5. Verification of Effect In order to verify the effect of the analysis method of this embodiment, an aggregate of gold nanoparticles containing amino acids, dipeptides, and amyloid β (Aβ) was used to acquire a SERS spectrum, and this spectrum was used to perform the present implementation. We compared the analysis performance of the analysis method by morphology and the conventional method.

（１）従来法
上記１－２．（１）工程ivでピクセルごとに取得した光学的スペクトルのそれぞれを、平均化スペクトルデータセットを取得することなく深層学習アルゴリズムに入力し、深層学習アルゴリズムの訓練及び訓練された深層学習アルゴリズムの分析性能評価を行った。複数の光学的スペクトルのうち７５％を訓練用のデータとし、２５％を分析性能評価用のデータとした。 (1) Conventional method 1-2. (1) inputting each of the optical spectra acquired for each pixel in step iv into a deep learning algorithm without acquiring an averaged spectral data set, training the deep learning algorithm and analyzing performance of the trained deep learning algorithm; made an evaluation. Of the multiple optical spectra, 75% were used as training data and 25% were used for analytical performance evaluation.

図１７（A）に、従来法における、アミノ酸の訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）、図１８（A）にジペプチドの訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）、図１９（A）に、Aβの訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）を示す。NCは試料を添加していない陰性対照を示す。図１７（Ａ）はアミノ酸を３文字表記で表す。図１８（Ａ）はアミノ酸を２文字表記で表す。 Figure 17 (A) shows the number of data for amino acid training (numbers in the Training column) and the number of data for analysis performance evaluation (numbers in the Test column) in the conventional method, and Figure 18 (A) shows dipeptide training. The number of data for Aβ training (number in the column of Training) and the number of data for analysis performance evaluation (number in the column of Test), and the number of data for Aβ training (number in the column of Training) and analysis in FIG. 19 (A) Indicates the number of data for performance evaluation (numerical values in the Test column). NC indicates a negative control with no sample added. FIG. 17(A) represents amino acids in three-letter code. FIG. 18(A) represents amino acids in two-letter code.

（２）実施例
上記１－２．（１）工程ivでピクセルごとに取得した数千個の光学的スペクトルをランダムに２分割し、一方を訓練用の光学的スペクトルとして使用し、もう一方を分析性能評価用の光学的スペクトルとして使用した。訓練用の光学的スペクトルから無作為に100個のスペクトルを抽出し、それらを平均化して1個の平均化スペクトルデータセットを生成した。この処理を物質ごとに繰り返し、アミノ酸については平均化スペクトルデータセットを2000個、ジペプチドについては平均化スペクトルデータセットを700個、Aβについては平均化スペクトルデータセットを3000個生成した。これらを、光学的スペクトルを取得した物質を示すラベルとともに未学習の深層学習アルゴリズムに入力し、深層学習アルゴリズムを訓練した。
また、Aβについては、訓練用の光学的スペクトルから無作為に3個のスペクトルを抽出し、それらを平均化して1個の平均化スペクトルデータセットを生成した。この処理を物質ごとに繰り返し、平均化スペクトルデータセットを3000個生成した。これらを、光学的スペクトルを取得した物質を示すラベルとともに、別の未学習の深層学習アルゴリズムに入力し、深層学習アルゴリズムを訓練した。 (2) Example 1-2 above. (1) The thousands of optical spectra obtained for each pixel in step iv are randomly divided into two, one is used as the optical spectrum for training and the other is used as the optical spectrum for analytical performance evaluation. did. 100 spectra were randomly sampled from the training optical spectra and averaged to produce an averaged spectral dataset. This process was repeated for each substance to generate 2000 averaged spectral datasets for amino acids, 700 averaged spectral datasets for dipeptides, and 3000 averaged spectral datasets for Aβ. These were input into an untrained deep learning algorithm along with a label indicating the material from which the optical spectrum was obtained, and the deep learning algorithm was trained.
Also, for Aβ, three spectra were randomly extracted from the training optical spectra and averaged to generate one averaged spectral data set. This process was repeated for each substance to generate 3000 averaged spectral data sets. These were input into another untrained deep-learning algorithm, along with a label indicating the material from which the optical spectrum was obtained, to train the deep-learning algorithm.

分析性能評価用の光学的スペクトルについても、無作為に100個のスペクトルを抽出し、それらを平均化して1個の平均化スペクトルデータセットを生成した。この処理を物質ごとに繰り返し、アミノ酸については平均化スペクトルデータセットを1000個、ジペプチドについては平均化スペクトルデータセットを350個、Aβについては平均化スペクトルデータセットを1500個生成した。これらを、上記のとおり訓練した深層学習アルゴリズムに入力し、分析結果を得た。
また、Aβについては、訓練用の光学的スペクトルから無作為に3個のスペクトルを抽出し、それらを平均化して1個の平均化スペクトルデータセットを生成した。この処理を物質ごとに繰り返し、平均化スペクトルデータセットを1500個生成した。これらを、上記のとおり訓練した別の深層学習アルゴリズムに入力し、分析結果を得た。 As for the optical spectra for analytical performance evaluation, 100 spectra were randomly extracted and averaged to generate one averaged spectral data set. This process was repeated for each substance to generate 1000 averaged spectral data sets for amino acids, 350 averaged spectral data sets for dipeptides, and 1500 averaged spectral data sets for Aβ. These were input into a deep learning algorithm trained as described above to obtain analytical results.
Also, for Aβ, three spectra were randomly extracted from the training optical spectra and averaged to generate one averaged spectral data set. This process was repeated for each substance to generate 1500 averaged spectral data sets. These were input into another deep learning algorithm trained as described above to obtain analytical results.

図１７（B）に、本実施形態における、アミノ酸の訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）、図１８（B）にジペプチドの訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）、図１９（B）に、平均化スペクトルデータセットの生成に用いたスペクトル数が100個の場合の、Aβの訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）を示す。図１９（C）に、平均化スペクトルデータセットの生成に用いたスペクトル数が3個の場合の、Aβの訓練用のデータ数（Ｔｒａｉｎｉｎｇの列の数値）と分析性能評価用のデータ数（Ｔｅｓｔの列の数値）を示す。NCは試料を添加していない陰性対照を示す。図１７（Ｂ）はアミノ酸を３文字表記で表す。図１８（Ｂ）はアミノ酸を２文字表記で表す。 FIG. 17(B) shows the number of data for amino acid training (numerical values in the Training column) and the number of data for analysis performance evaluation (numerical values in the Test column) in this embodiment, and FIG. The number of data for training (numerical value in the column of Training) and the number of data for evaluation of analytical performance (numerical value in the column of Test). In the case of , the number of data for Aβ training (numbers in the column of Training) and the number of data for analysis performance evaluation (numbers in the column of Test) are shown. FIG. 19(C) shows the number of data for Aβ training (numerical values in the Training column) and the number of data for analysis performance evaluation (Test column). NC indicates a negative control with no sample added. FIG. 17(B) represents amino acids in three-letter code. FIG. 18(B) represents amino acids in two-letter code.

（３）結果
図２０に被検物質がアミノ酸である場合の比較例の結果を示す。図２１に被検物質がアミノ酸である場合の実施例の結果を示す。正確度は、いずれのアミノ酸においても実施例の方が高値を示した。 (3) Results FIG. 20 shows the results of a comparative example when the test substance is an amino acid. FIG. 21 shows the results of Examples when the test substance is an amino acid. As for the accuracy, the example showed a higher value for any amino acid.

図２２に被検物質がジペプチドである場合の比較例の結果を示す。図２３に被検物質がジペプチドである場合の実施例の結果を示す。正確度は、いずれのジペプチドにおいても実施例の方が高値を示した。 FIG. 22 shows the results of a comparative example when the test substance is a dipeptide. FIG. 23 shows the results of Examples when the test substance is a dipeptide. As for the accuracy, the example showed a higher value for any dipeptide.

図２４（A）に被検物質がAβである場合の比較例の結果を示す。図２４（B）に、平均化スペクトルデータセットの生成に用いたスペクトル数が100個であり、被検物質がAβである場合の実施例の結果を示す。図２４（C）に、平均化スペクトルデータセットの生成に用いたスペクトル数が3個であり、被検物質がAβである場合の実施例の結果を示す。正確度は、いずれのAβにおいても実施例の方が高値を示した。 FIG. 24(A) shows the results of a comparative example when the test substance is Aβ. FIG. 24(B) shows the results of the example in which 100 spectra were used to generate the averaged spectral data set and the test substance was Aβ. FIG. 24(C) shows the results of the example in which the number of spectra used to generate the averaged spectral data set was 3 and the test substance was Aβ. As for the accuracy, the example showed a higher value for any Aβ.

以上の結果から本発明による分析方法は、従来技術よりも分析精度が高いことが示された。 From the above results, it was shown that the analysis method according to the present invention has higher analysis accuracy than the conventional technique.

１分析システム
１００分析装置
１００Ｂ分析装置
１０制御装置
１０Ｂ制御装置
５００検出装置
５２０光源
５６０受光器 1 analysis system 100 analysis device 100B analysis device 10 control device 10B control device 500 detection device 520 light source 560 light receiver

Claims

A method for analyzing a test substance contained in a measurement sample, comprising:
generating a data set based on a plurality of optical spectra obtained from a plurality of locations on the measurement sample;
inputting the dataset into a deep learning algorithm having a neural network structure;
outputting information about the test substance based on the analysis results of the deep learning algorithm;
The method of analysis, comprising:

The analysis method according to claim 1, wherein the data set is generated by averaging, integrating, multiplying, or dividing signal intensities in the same wavenumber band or the same wavelength band of the plurality of optical spectra.

3. A method of analysis according to claim 1 or 2, wherein said data set is generated using at least three said optical spectra.

4. The analysis method according to any one of claims 1 to 3, wherein said optical spectrum is composed of values indicating signal intensities detected at predetermined wavenumber intervals or predetermined wavelength intervals.

5. The analysis method according to any one of claims 1 to 4, wherein said optical spectrum is a Raman spectrum.

6. The analysis method according to claim 5, wherein the Raman spectrum is a surface-enhanced Raman scattering spectrum.

7. The analysis method according to claim 5, wherein the test substance is contained in aggregates of metal nanoparticles.

8. The analysis method according to claim 7, wherein the test substance is bound to the metal nanoparticles via a linker.

The analysis method according to any one of claims 5 to 8, wherein the liquid sample to be measured is irradiated with excitation light to obtain a Raman spectrum.

The analysis method according to any one of claims 5 to 8, wherein a liquid measurement sample is placed on a substrate, dried, and then irradiated with excitation light to obtain a Raman spectrum.

11. The analysis method according to any one of claims 1 to 10, wherein the information on the test substance to be output is information indicating which of the known substances the test substance is.

12. The analysis method according to any one of claims 1 to 11, wherein the information on the test substance to be output is information on sequences of monomers constituting the test substance.

13. The analysis method according to any one of claims 1 to 12, wherein the information on the test substance to be output is information on a combination of atoms constituting the test substance.

14. The analysis method according to any one of claims 1 to 13, wherein the test substance is at least one selected from the group consisting of amino acids, polypeptides, RNA, DNA, catecholamines, polyamines and organic acids.

The analysis method according to any one of claims 1 to 14, wherein the sample containing the test substance is a biological sample.

16. The analysis method according to claim 15, wherein the biological sample is blood, serum, plasma, saliva, ascites, pleural effusion, cerebrospinal fluid, lymph, interstitial fluid, or urine.

17. The analysis method according to any one of claims 1 to 16, wherein said neural network is a convolutional neural network.

18. Analysis according to any one of claims 1 to 17, wherein the deep learning algorithm is trained on a data set based on a plurality of optical spectra obtained from a plurality of locations on a measurement sample containing known substances. Method.

19. The analysis method according to claim 18, wherein said training data set is associated with a label indicating said known substance and input to a deep learning algorithm.

A method for training a deep learning algorithm for analyzing an analyte contained in a measurement sample, comprising:
generating a data set based on a plurality of optical spectra acquired from a plurality of locations in a measurement sample containing a known substance for which the type of substance, the arrangement of monomers of the substance, or the combination of atoms constituting the substance is known;
inputting the data set into a deep learning algorithm having a neural network structure together with label information indicating the type of the known substance corresponding to the data set or the sequence of the monomers of the known substance;
The training method, comprising:

An analyzer for a test substance contained in a measurement sample,
The analysis device comprises a control device,
The control device is
generating a data set based on a plurality of optical spectra obtained from a plurality of locations on the measurement sample;
inputting the dataset into a deep learning algorithm having a neural network structure;
outputting information about the test substance based on the analysis results of the deep learning algorithm;
Said analyzer.

A system for analyzing a test substance contained in a measurement sample,
The analysis system comprises a detection device and an analysis device,
The detection device comprises a light source and a light receiver,
The analysis device comprises a control device,
The control device is
generating a data set based on a plurality of optical spectra obtained from a plurality of locations on the measurement sample;
inputting the dataset into a deep learning algorithm having a neural network structure;
outputting information about the test substance based on the analysis results of the deep learning algorithm;
Said analysis system.

When I run the computer
generating in a computer a data set based on a plurality of optical spectra obtained from a plurality of locations on the measurement sample;
inputting the dataset into a deep learning algorithm having a neural network structure;
outputting information about the test substance based on the analysis results of the deep learning algorithm;
A program for analyzing a test substance contained in the measurement sample, for executing a process comprising