JP2022506205A - 液分布試料中の細胞外小胞を検出して識別する装置及び方法 - Google Patents
液分布試料中の細胞外小胞を検出して識別する装置及び方法 Download PDFInfo
- Publication number
- JP2022506205A JP2022506205A JP2021523415A JP2021523415A JP2022506205A JP 2022506205 A JP2022506205 A JP 2022506205A JP 2021523415 A JP2021523415 A JP 2021523415A JP 2021523415 A JP2021523415 A JP 2021523415A JP 2022506205 A JP2022506205 A JP 2022506205A
- Authority
- JP
- Japan
- Prior art keywords
- sample
- extracellular vesicles
- laser
- signal
- data processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000009826 distribution Methods 0.000 title claims abstract description 29
- 239000007788 liquid Substances 0.000 title claims abstract description 20
- 230000003287 optical effect Effects 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 239000012530 fluid Substances 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims description 33
- 239000013307 optical fiber Substances 0.000 claims description 4
- 229920000642 polymer Polymers 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 19
- 239000002105 nanoparticle Substances 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 10
- 239000000835 fiber Substances 0.000 description 9
- LOKCTEFSRHRXRJ-UHFFFAOYSA-I dipotassium trisodium dihydrogen phosphate hydrogen phosphate dichloride Chemical compound P(=O)(O)(O)[O-].[K+].P(=O)(O)([O-])[O-].[Na+].[Na+].[Cl-].[K+].[Cl-].[Na+] LOKCTEFSRHRXRJ-UHFFFAOYSA-I 0.000 description 8
- 239000002953 phosphate buffered saline Substances 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 7
- 210000001808 exosome Anatomy 0.000 description 7
- 108091003079 Bovine Serum Albumin Proteins 0.000 description 6
- 230000005653 Brownian motion process Effects 0.000 description 6
- 101100125054 Candida albicans (strain WO-1) HST6 gene Proteins 0.000 description 6
- 238000005537 brownian motion Methods 0.000 description 6
- 239000012091 fetal bovine serum Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000004793 Polystyrene Substances 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 238000000684 flow cytometry Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 230000013595 glycosylation Effects 0.000 description 3
- 238000006206 glycosylation reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002609 medium Substances 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000004113 cell culture Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 150000004676 glycans Chemical class 0.000 description 2
- 229920002223 polystyrene Polymers 0.000 description 2
- 238000010837 poor prognosis Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 244000199885 Lactobacillus bulgaricus Species 0.000 description 1
- 235000013960 Lactobacillus bulgaricus Nutrition 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 241000194017 Streptococcus Species 0.000 description 1
- 102000004357 Transferases Human genes 0.000 description 1
- 108090000992 Transferases Proteins 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- SQVRNKJHWKZAKO-UHFFFAOYSA-N beta-N-Acetyl-D-neuraminic acid Natural products CC(=O)NC1C(O)CC(O)(C(O)=O)OC1C(O)C(O)CO SQVRNKJHWKZAKO-UHFFFAOYSA-N 0.000 description 1
- 238000010364 biochemical engineering Methods 0.000 description 1
- 239000012490 blank solution Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000008568 cell cell communication Effects 0.000 description 1
- 239000006143 cell culture medium Substances 0.000 description 1
- 230000004640 cellular pathway Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000011246 composite particle Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002296 dynamic light scattering Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000005260 human cell Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000002032 lab-on-a-chip Methods 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 239000011859 microparticle Substances 0.000 description 1
- 239000004005 microsphere Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 238000011192 particle characterization Methods 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 230000004481 post-translational protein modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000005253 yeast cell Anatomy 0.000 description 1
- 235000013618 yogurt Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0211—Investigating a scatter or diffraction pattern
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1434—Optical arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0038—Investigating nanoparticles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N2015/0042—Investigating dispersion of solids
- G01N2015/0053—Investigating dispersion of solids in liquids, e.g. trouble
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N2015/0238—Single particle scatter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1488—Methods for deciding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N2015/1493—Particle size
Landscapes
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- Dispersion Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
液分布試料中に分散した細胞外小胞を検出する装置及び方法を開示し、この方法は電子データプロセッサを用いて試料を細胞外小胞が存在するものと存在しないものとに分類し、この方法は、電子データプロセッサを用いて、複数の細胞外小胞の液分布標本で機械学習分類器を事前学習させるステップを含み、この方法は、変調周波数によって変調したレーザーを各標本上へ放射するステップと；標本毎に、所定継続時間の複数の期間について、各標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと；期間毎に、捕捉した信号から、標本のＤＣＴ係数またはウェーブレット変換係数を計算するステップと；計算した係数を用いて機械学習分類器を事前学習させるステップとを含み、この方法は、当該レーザー発光器に結合された焦点調節光学系を有するレーザー発光器を用いて、変調周波数によって変調したレーザーを試料上へ放射するステップと；受光器を用いて、所定継続時間の複数の期間について、試料によって後方散乱されたレーザー光から信号を捕捉するステップと；上記期間毎に、捕捉した信号から試料のＤＣＴ係数またはウェーブレット変換係数を計算するステップと；事前学習させた機械学習分類器を用いて、計算した試料の係数を、細胞外小胞が存在するものと存在しないものとに分類するステップとをさらに含む。
Description
本発明は細胞外小胞（ＥＶ：Extracellular Vesicle）を検出する方法及び装置に関するものである。
細胞外小胞（ＥＶ）は、細胞間コミュニケーション、及び診断及び健康アセスメント（評価）用のトランスレーショナル・バイオマーカー（生体指標、生物指標化合物）としての用途におけるその大きな潜在的役割により、学界及び産業の両方からの関心をますます集めつつある。ＥＶとは、細胞から導出される膜小胞を表し、直径３０nmから１０００nmまでの範囲であり、大半は１００～１５０nmの領域内であると考えられている。
ＥＶの小さいサイズ及び複雑性に起因して、従来の技術は、異なる細胞集団によって生成されるＥＶを検出して識別するのに苦心していた。実際に、１００nmから１５０nmまでの範囲の寸法では、光学的手段を用いてＥＶを検出することは挑戦的である、というのは、光の回折限界を大きく下回るからである（非特許文献１、非特許文献２）。
現在、こうしたサイズ範囲の粒子の検出に適合する機器に欠け、電子顕微鏡（非特許文献１、非特許文献２）、従来型及び高分解能のフローサイトメトリー（非特許文献１、非特許文献２）、ナノ粒子追跡分析（非特許文献１、非特許文献２）が、試料中に存在するＥＶを検出して定量化するための代表的なやり方である。
高分解能フローサイトメトリーを用いた細胞外小胞（主にエクソソーム）検出が、生物由来のナノ粒子研究の９０％において使用されているものと推定される（非特許文献１、非特許文献２）。これらの新たな方法に含まれる分解能が従来の分解能に比べて向上したにもかかわらず、この分解能は未だに大型でさらに高価な機器に基づく（例えば、従来の方法に比べて、より小さな焦点のビームスポットサイズを有する高出力レーザーを必要とする）（被特許文献２）。さらに、次の２種類の信号：散乱信号及び蛍光信号の分析に依存し続け、高価な計算システム及び制御システムを必要とし、時間を費やす分析技術を伴う。
ある粒子によって散乱される光の量は、その粒子の粒径、屈折率、外形／幾何学的形状、組成、含有物の種類（合成、生物性）、及び周囲媒質との相互作用といった重要な散乱特性への依存性が与えられれば、単純な粒子特性化の代表的な技術と考えられてきた（非特許文献３、非特許文献４）。異なる細胞または臓器細胞は、発現タンパク質に起因する屈折率値、及び相互間の細胞内カーゴ差の観点で区別されることが多い（非特許文献２）。
これらの文献のいずれも、液体試料中の細胞外小胞を検出するのに適した方法または装置を教示していない。これらの事実は、本発明が応える技術的課題を説明するために開示する。
Steinbichler, T., Dudas, J., Riechelmann, H. & Skvortsova, I., "The role of exosomes in cancer metastatis", Seminars in cancer biology 44, 170-181 (2017)
Welsh, J., Holloway, J., Wilkinson, J. & Enlyst, N, "Extracellular vesicle flow cytometry analysis and standardization", Frontiers in Cell and Developmental Biology 5, 78 (2017)
Mei, Z., Wu, T., Pion-Tonachini, L., Qiao, W., Zhao, C., Liu, Z., and Lo, Y., "Applying an optical space-time coding method to enhance light scattering signals in microfluidic devices", Biomicrofluidics 5(3), 034116 (2011)
Wu, T., Cho, S., Chiu, Y., and Lo, Y., "Lab-on-a-Chip Device and System for Point-of-Care Applications", Handbook of Photonics for Biochemical Engineering, 87-121 (2017)
本発明の第一の目的は、液分布試料中の細胞外小胞（ＥＶ）を検出する方法及び装置である。
提案する方法及び装置は、複合溶液中の生物学的複合ナノ粒子（例えば、特定種類の癌エキソソーム）の存在を検出することができる。開示する方法及び装置は、３０nm～２４μmのターゲットサイズに関する検出範囲をカバーする。
本発明は、高速かつ単純な実施形態でＥＶの種類を区別するために極めて有用である。
特定の好適例では、この装置は、迅速な臨床診断用のマイクロ（微小）流体マイクロチップ内に埋め込むことができ、あるいは特定の製品基準による酵母（イースト）／他の微小合成物の仕分け及び選択用の自動食品生産システム内に統合することができる。
液分布試料中の細胞外小胞を検出する装置を開示し、この装置は、レーザー発光器と；この発光器に結合された焦点調節光学系と；赤外線受光器と；電子データプロセッサとを具え、この電子データプロセッサは、複数の細胞外小胞の液分布標本を用いて事前学習させた機械学習分類器を用いて、次の方法によって試料を細胞外小胞が存在するものと存在しないものとに分類するように構成され、この方法は：
変調周波数によって変調したレーザーを各標本上へ放射するステップと；
標本毎に、所定継続時間の複数の期間について、各標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと；
上記期間毎に、捕捉した信号から、標本のＤＣＴ（Discrete Cosine Transformation：離散（ディスクリート）コサイン変換）係数またはウェーブレット変換係数を計算するステップと；
計算した係数を用いて機械学習分類器を事前学習させるステップとを含み、
上記電子データプロセッサは：
レーザー発光器を用いて、変調周波数によって変調したレーザーを試料上へ放射し；
上記受光器を用いて、所定継続時間の複数の期間について、試料によって後方散乱されたレーザー光からの信号を捕捉し；
上記期間毎に、捕捉した信号から、試料のＤＣＴ係数またはウェーブレット変換係数を計算し；
事前学習させた機械学習分類器を用いて、計算した試料の変換係数を、細胞外小胞が存在するものと存在しないものとに分類する
ように構成されている。
変調周波数によって変調したレーザーを各標本上へ放射するステップと；
標本毎に、所定継続時間の複数の期間について、各標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと；
上記期間毎に、捕捉した信号から、標本のＤＣＴ（Discrete Cosine Transformation：離散（ディスクリート）コサイン変換）係数またはウェーブレット変換係数を計算するステップと；
計算した係数を用いて機械学習分類器を事前学習させるステップとを含み、
上記電子データプロセッサは：
レーザー発光器を用いて、変調周波数によって変調したレーザーを試料上へ放射し；
上記受光器を用いて、所定継続時間の複数の期間について、試料によって後方散乱されたレーザー光からの信号を捕捉し；
上記期間毎に、捕捉した信号から、試料のＤＣＴ係数またはウェーブレット変換係数を計算し；
事前学習させた機械学習分類器を用いて、計算した試料の変換係数を、細胞外小胞が存在するものと存在しないものとに分類する
ように構成されている。
液分布試料中の細胞外小胞を検出する方法も開示し、この方法は、電子データプロセッサを用いて試料を細胞外小胞が存在するものと存在しないものとに分類し、
この方法は、電子データプロセッサを用いて、細胞外小胞の複数の液分布標本で機械学習分類器を事前学習させ：
変調周波数によって変調したレーザーを各標本上へ放射するステップと；
標本毎に、所定継続時間の複数の期間について、各標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと；
上記期間毎に、捕捉した信号から、標本のＤＣＴ係数またはウェーブレット変換係数を計算するステップと；
計算した係数を用いて機械学習分類器を事前学習させるステップとを含み、
この方法は、
当該レーザー発光器に結合された焦点調節光学系を有するレーザー発光器を用いて、変調周波数によって変調したレーザーを試料上へ放射するステップと；
受光器を用いて、所定継続時間の複数の期間について、試料によって後方散乱されたレーザー光から信号を捕捉するステップと；
上記期間毎に、捕捉した信号から、試料のＤＣＴ係数またはウェーブレット変換係数を計算するステップと；
事前学習させた機械学習分類器を用いて、計算した試料の係数を、細胞外小胞が存在するものと存在しないものとに分類するステップと
をさらに含む。
この方法は、電子データプロセッサを用いて、細胞外小胞の複数の液分布標本で機械学習分類器を事前学習させ：
変調周波数によって変調したレーザーを各標本上へ放射するステップと；
標本毎に、所定継続時間の複数の期間について、各標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと；
上記期間毎に、捕捉した信号から、標本のＤＣＴ係数またはウェーブレット変換係数を計算するステップと；
計算した係数を用いて機械学習分類器を事前学習させるステップとを含み、
この方法は、
当該レーザー発光器に結合された焦点調節光学系を有するレーザー発光器を用いて、変調周波数によって変調したレーザーを試料上へ放射するステップと；
受光器を用いて、所定継続時間の複数の期間について、試料によって後方散乱されたレーザー光から信号を捕捉するステップと；
上記期間毎に、捕捉した信号から、試料のＤＣＴ係数またはウェーブレット変換係数を計算するステップと；
事前学習させた機械学習分類器を用いて、計算した試料の係数を、細胞外小胞が存在するものと存在しないものとに分類するステップと
をさらに含む。
１つの好適例では、上記電子データプロセッサが、細胞外小胞が存在する場合に、細胞外小胞の液分布標本の種類の複数クラスを用いて事前学習させた機械学習分類器を用いることによって、細胞外小胞を、細胞外小胞タイプの複数クラスのうちの１つに分類する。
１つの好適例では、上記レーザーが、可視光レーザーまたは赤外線レーザーまたはその組合せであり、特に赤外線レーザーであり、上記受光器が可視光及び赤外線受光器である。
１つの好適例では、上記レーザーが１つ以上の追加的な変調周波数によってさらに変調される。
１つの好適例では、上記標本用の変調周波数と上記試料用の変調周波数とが同一である。
１つの好適例では、上記標本用の所定継続時間と上記試料用の所定継続時間とが同一である。
１つの好適例では、上記捕捉における所定継続時間の複数の期間が、捕捉した時間信号のうち所定継続時間よりも長い継続時間を有する時間信号を分割することによって得られる。
１つの好適例では、上記分割された期間が、互いにオーバーラップする期間である。
１つの好適例では、上記所定継続時間が、１．５～２．５秒から選択され、特に２秒である。
１つの好適例では、上記電子データプロセッサが、上記捕捉した信号からの、時間領域のヒストグラム由来の特徴または時間領域の統計量由来の特徴、特に次の特徴：wNakagami（w仲上）パラメータ；μNakagamiパラメータ；エントロピー；標準偏差；またはこれらの組合せを用いて、事前学習及び分類を行うようにさらに構成されている。
１つの好適例では、上記焦点調節光学系が収束レンズである。
１つの好適例では、上記焦点調節光学系が収束レンズであり、光ファイバまたは導波路の先端に配置されたポリマー集光器である。
１つの好適例では、上記焦点調節光学系が視野勾配パターンを提供するのに適し、特に、ポリマーレンズ、テーパ付きファイバ、振幅または位相フレネルプレート、またはこれらのいずれかに金フィルム（薄膜）、または厚さを有し、かつプラズモン効果用のナノホールまたはマイクロホール、あるいはホールのアレイを有するフィルムを付加したものである。
１つの好適例では、上記レンズが、当該レンズのベース直径の１／３～１／４のビームウェスト（ビーム周囲長）に相当する焦点スポットを有する。
１つの好適例では、上記レンズが０．５を超える開口数（ＮＡ：Numerical Aperture）を有する。
１つの好適例では、上記レンズが５～１０μm、特に６～８μmのベース直径を有する。
１つの好適例では、上記レンズが球形であり、３０～５０μm、特に３７～４７μmの長さを有する。
１つの好適例では、上記レンズが２～５μm、特に２．５～３．５μmの曲率半径を有する。
１つの好適例では、上記赤外線受光器が４００～１０００nmの帯域幅を具えた光検出器である。
１つの好適例では、上記変換係数の計算が、信号の全エネルギーのうちの所定割合が当該変換によって保存されるように、変換係数の最小部分集合を選択することを含む。
１つの好適例では、上記最小部分集合中のＤＣＴ係数の個数を、２０～４０から選択し、あるいは２０、３０、または４０から選択する。
１つの好適例では、上記信号の捕捉を、少なくとも、上記変調周波数の少なくとも５倍のサンプリング周波数で実行する。
１つの好適例では、上記信号の捕捉がハイパス（高域通過）フィルタを含む。
１つの好適例では、上記変調周波数が１kHz以上である。
１つの好適例では、細胞外小胞が、任意の粒子方向に１μm未満の、あるいは３０nm～３０μmの粒子サイズを有する。
非一時的記憶媒体も開示し、この非一時的記憶媒体は、液分布試料中の細胞外小胞を検出する方法を実現するためのプログラム命令を含み、これらのプログラム命令は、電子データプロセッサによって実行可能であり、開示した好適例のいずれかの方法を実行するための命令を含む。
ＤＣＴまたはウェーブレット変換の代わりに、ＤＣＴ及びウェーブレット変換を共に用いることができ、あるいは時系列の次元を低減する他の変換を用いることができ、あるいは複数の時系列の次元を低減する変換を用いることができる。
１つの好適例では、上記時系列の次元を低減する変換が離散コサイン変換、ＤＣＴである。
１つの好適例では、上記時系列の次元を低減する変換がウェーブレット変換である。
１つの好適例では、ウェーブレットの種類がハール（Haar）及びドベシィ（Daubechies）（Db10）である。
本開示は、高度に集中した電磁ポテンシャルに対する異なる種類のナノ粒子の区別される応答によって説明することができる。従って、次の２種類の現象が、異なる種類のナノ粒子間のこうした区別される応答に寄与することができる：液分布中の当該ナノ粒子のブラウン運動パターン、及び／または当該ナノ粒子の異なる光学的分極率、これは当該ナノ粒子の微視的な屈折率と固有の相関がある。従って、ブラウン運動パターン及び／または光学的分極率は、後方散乱光から抽出したＤＣＴ由来のパラメータ及びウェーブレット由来のパラメータによって顕在化することができ、上記事前学習させた機械学習分類器はこれらのパラメータを用いて細胞外小胞を分類する。
この場合、本発明は、建設的干渉及び相殺的干渉によって生じる散乱強度の区別される時間依存性の変動を使用し、この変動は液分布中のナノ粒子の相対的なブラウン運動及び高度に集中した電磁ポテンシャルに対する応答の両方により生じ、上記相対的なブラウン運動は液分布中の粒子の拡散性によって決まり－これは粒子サイズのみに依存するパラメータであり、上記高度に集中した電磁ポテンシャルは、粒子の光学的分極率に依存する。これら２つの効果の重畳は、同じサイズのＥＶの区別を可能にし、この区別は現在技術の光散乱に基づく方法を用いては不可能である。
本発明は、建設的干渉及び相殺的干渉によって生じる散乱強度の区別される時間依存性の変動を示すナノ粒子またはマイクロ粒子に適用可能であり、この変動は、液分布試料中のナノ粒子の相対的なブラウン運動により生じて、後方散乱光及び区別される光学的分極率（または微視的な屈折率）に悪影響を与える。
本発明は、所定の直径及び／または屈折率及び／または光学的分極率を有するナノ粒子を検出して識別する。
本発明は個別の細胞にも適用可能であり、ここでは上記装置を用いて液分布試料中の個別の細胞を検出する。さらに、本発明は液分布試料中の個別の細胞を分類するためにも適用可能である。これらの細胞は測定用に捕捉することができることが好ましい。この細胞は、個別化された細胞、特に個別化された人間の細胞、あるいは単細胞微生物とすることができる。例えば、センシング能力を有する光ファイバ・ピンセットは、測定中に安定して捕捉された個別のターゲット（標的）粒子についての有意味で具体的な情報を提供することができる。
特に、本発明は、翻訳後修飾、例えばより短い、または短縮型Ｏ－グリカンのようなリン酸化またはグリコシル化事象を検出するために適用可能であり、これらは特定の癌における予後不良の予測マーカーであるものと考えられる。これらの現象は、細胞のグリコシル化中の不完全なグリカン合成に頻繁に関連する。
次の図面は、説明を例示するための好適な実施形態を提供し、本発明の範囲を限定するものとして見るべきでない。
詳細な説明
本発明を以下により詳細に説明する。
本発明を以下により詳細に説明する。
図１に光学装置設定(100)を示す。ピグテール付き９８０nmレーザー（５００mW、Lumics社製、型番LU0980M500）(105)を、この光学装置設定に含めた。１×２のトポロジを有する５０／５０のファイバカプラ(110)を用いて、２つの入力－レーザー(105)と光検出器（フォトディテクタ）(115)（後方散乱捕捉モジュール）とが接続されている。そして、光ファイバチップ（ファイバの先端）(120)が、ファイバカプラ(110)の出力部に接合されて、モータ駆動のマイクロマニピュレータ(130)によって制御される金属キャピラリ(120)内に挿入されている。この構成は、光ファイバを通ってファイバチップ(120)に至るレーザー光の導光と、光検出器（Thorlabs（ソーラボ）社製のPDA 36A-EC）による後方散乱信号の捕捉を共に可能にした。光検出器に加えて、後方散乱信号捕捉モジュール(135)も、アナログ－デジタル捕捉基板（National Instrument社製のDAQ）によって構成され、後方散乱信号捕捉モジュールは光検出器(115)に接続されて、捕捉した信号をラップトップ・コンピュータ(145)に伝送し、ラップトップ・コンピュータでは、捕捉した信号をさらなる処理のために記憶する。ＤＡＱ（Data Acquisition：データ収集）(135)のデジタル－アナログ出力端子もレーザーに接続されて、１kHzの基本周波数を有する正弦波信号を用いてレーザーの信号を変調する。液体試料(140)をガラス・カバースリップ上に載せて、集光器(120)を先端に有するファイバが試料に挿入されている。
集光器の種類を図２に提示し、導波光重合法により製造したポリマーレンズが存在する。この集光器は、ＮＡ＞０．５を有する収束球面レンズによって特徴付けられ、レンズのベース直径の約１／３～１／４のビームウェストに相当する高度に集中したスポット上にレーザービームの焦点を合わせることができる。それに加えて、６～８μmのベース直径(205)及び２～３．５μmの曲率半径も適切な解決策である。集光器を有するファイバチップを液体試料中に浸漬させて、溶液中のチップの異なる位置を考慮して後方散乱信号を捕捉する。
図３を参照しながら、信号の捕捉及び処理を説明する。全部の実験（I～VII）について、生の後方散乱信号を、アナログ－デジタル変換器（National Instruments社製のDAQ）に接続された光検出器（PDA 36A-EC、Thorlabs社製）により、５kHzのサンプリングレート（標本化速度）で捕捉した。各捕捉後に、元の信号を処理ステップに通した。信号処理中には、入力照射レーザーが１kHzの正弦波信号を用いて変調されているので、信号をまず５００Hzの２次バタワース・ハイパスフィルタを用いてフィルタ処理して、捕捉した信号のノイズ性の低周波成分（例えば、５０Hzの電力グリッド（配電網）成分）を除去した(305)。次に、粒子及び条件毎に捕捉した信号全体を、２秒のエポック（時期）に分割した(310)。各２秒間の信号部分のｚ－スコアを計算して、ノイズ性の信号エポックを除去した(315)。ｚ－スコア付けした２秒間の信号部分のうち大きさが５～１０の閾値を超えたものを除去した(315)。これらのステップ後に、ＥＶのタイプ識別が可能になる妥当な信号対ノイズ比（ＳＮＲ：Signal to Noise Ratio）を有する２s（２秒）の信号部分を有するデータセット（データ集合体）を得ることができた(320)。
合計５４個の特徴を後方散乱信号から抽出して（図３の325）、次の２つの主要な種類：時間領域及び周波数領域の特徴に分割することのできる各クラスを特性化する。第１の集合は次の２つの部分集合：時間領域の統計量と時間領域のヒストグラム由来の特徴とに分割することができる。周波数領域の集合も次の２つのグループ：離散コサイン変換（ＤＣＴ）由来の特徴とウェーブレットの特徴とに分割される。考慮した５４個の特徴を表１に要約する。
次の時間領域の統計量の特徴を、各２秒間の信号部分から抽出する：標準偏差（ＳＤ：Standard Deviation）、二乗平均平方根（ＲＭＳ：Root Mean Square）、歪度（Skew：スキュー）、尖度（Kurt：カートシス（Kurtosis））、四分位範囲（ＩＱＲ：Interquartile Range）、エントロピー（Ｅ）、統計的有意性を以って合成粒子を異なるタイプ及び酵母細胞から区別するに当たっての妥当性を考慮する。主に生物医学領域内では仲上分布（Nakagami distribution）が後方散乱したエコーを統計的表現で記述するために広く用いられていることを考慮して、確率密度関数（ＰＤＦ：Probability Density Function）由来のμNakagami及びωNakagamiパラメータも考慮し、これらのパラメータは、各２秒間の信号部分の分布の近似をより良好に仲上分布に適合させる。これらは時間領域のヒストグラム由来のパラメータであり、分類において考慮される。合計では、後方散乱信号の時間領域分析により得られた８つの特徴が、提案する方法によって用いられる。分析した信号の最小の周期性を捕捉する能力、及び関連する係数が無相関であることを考慮し、かつ、高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）とは対照的に、変換されたデータに高周波のアーティファクトを入れないことにより、離散コサイン変換（ＤＣＴ）を元の短期間の信号部分に適用して、周波数由来の情報を抽出する。散乱するエコー信号のＤＣＴの最初ｎ個の係数は、次式：
によって定義されることを考慮し、ここに、εiはヒルベルト変換を用いて推定した信号エンベロープであり、これらのＤＣＴ係数を大きさの最高値から最低値までの順に並べ替えて、次のベクトル：
を得ることによって、ここにＥDCT
i[l1]は大きさが最高のＤＣＴ係数を表し、（最高のものから最低のものまでの順に編成された）係数の各組が表す信号エネルギーの総量に対する比率を決定することができる。係数の各組（１番目からｎ番目までの係数）に関する各比率値は、１番目からｎ番目までの係数によって形成される上記ベクトルのノルムを、全ｎ個の係数によって構成される上記ベクトルのノルムで除算することによって得ることができる。従って、次のＤＣＴ由来の特徴を用いて、各２sの信号部分を特性化する：元の信号の総エネルギーの約９８％を表すのに必要な係数の個数（ＮDCT）、(2)式によって定義されるベクトルから抽出した最初の２０個、３０個、または４０個のＤＣＴ係数、全周波数（０Hzから２．５kHzまで）についてのＤＣＴスペクトルの曲線下面積（ＡＵＴ：Area Under the Curve）(ＡＵＴDCT)、ＤＣＴスペクトルの最大振幅（PeakDCT）、及び分析した周波数範囲（０Hzから２．５kHzまで）内の全部の値を考慮したＤＣＴにより得られた信号のパワースペクトル（ＰDCT）－表１を参照されたい。
残りの１２個の特徴は、ウェーブレット21を用いた２秒間の信号部分の分解後に抽出した。２つのマザーウェーブレット－ハール及びドベシィ（Db10）－を選択して、各後方散乱信号部分を特性化する。従って、ウェーブレット・パケット由来の再構成した信号の相対パワー（電力）（１～６レベル）に基づいて、マザーウェーブレットの種類毎に６つの特徴が、各短期間の２秒間の信号から抽出される。
本発明は、粒子の寸法、光学的分極率、及び微視的な屈折率に敏感な周波数由来の特徴を後方散乱信号から抽出するので、異なるタイプの細胞外小胞を検出して識別することができる。
式(3)中に提示されているように、ナノ粒子の動きは、拡散率Ｄ、及び高度に集中した電磁界によって与えられる光学ポテンシャルに対する当該粒子の応答の両方によって影響される。従って、時間に伴う粒子位置の変動性は次式(3)によって与えられる：
ここに、ｋpotentialは、光学ポテンシャルに対する粒子の応答を定め、粒子の分極率αに依存し、次式(4)で表される：
ここに、▽Ｉは１Ｄ（一次元：1 Dimension）上の電磁界の勾配を表し、ｘは、印加される電磁界によって加えられる力を受ける所定点の１Ｄ座標である。粒子の分極率αは次式のように定義される：
ここに、ｎpは粒子の微視的な屈折率であり、ｎmは上記媒質の屈折率である。
式(3)及び(4)は、現在技術の方法でナノ粒子のブラウン運動を記述するために用いられる「より単純な」定式化（例えば、動的な光散乱）と対照的であり、こうした定式化は液分布中の粒子の拡散率Ｄのみに依存する。こうした単純なブラウン運動は、時間に伴う粒子位置（σ(t)）の変動率によって与えられる：
σ(t)＝２Ｄｔ (5)
及びＤ：
ここに、ｋBはボルツマン定数であり、Ｔは絶対温度であり、ηは上記流体の粘度であり、ｒは粒子の半径である。従って、ブラウン運動のこうした数学的定式化は、時間に伴う粒子位置（σ(t)）はナノ粒子の半径のみに依存する。
σ(t)＝２Ｄｔ (5)
及びＤ：
図４を参照し、図４は、およそ同じサイズを有する異なるＥＶの２つの集団（集団ａ及びｂ）の組合せによって散乱される光の強度について、理論的シミュレーションを用いて得られた結果を示す。ＥＶの２つの集団ａ及びｂを用い、これらは：ｒa＝１００nm、ｒb＝１２０nm、及びｋpotential,aとｋpotential,bとの比率２によって特徴付けられる。図４は、ＥＶの２つの異なるクラス間の完全な分離を得て（図４Ａ）、研究室で得られた実験結果を要約する（図４Ｂ）ための、光学的分極率及び微視的な屈折率を粒子の寸法と共に考慮することの計測上の役割を強調する。単純なブラウン運動のみを考慮した際には、クラス分離が実現されなかった（図４Ｃ）。
分類アルゴリズム、即ちランダムフォレスト（Random Forest）分類器を用いて、液体試料中のＥＶを検出した。
図５を参照しながら、リーブワンアウト（Leave-One-Out）手順(400)を説明し、この手順を実行して、分類器の性能を評価するために用いたデータが、上記学習に少しも関与していない主体／実体に属することを確証した。従って、あるデータセットがｎ個の主体／実体からのデータによって構成される場合、このテストセットをｎ個のテスト回（テスト・ラウンド）に分割し、各回では、１つの主体からのデータをテスト用に用い、残りのｎ－１個の主体からのデータを分類学習用に用いる。次の回では、前の回で学習用に選択した他の主体からのデータ部分集合を、上記分類器をテストするために別個に用いる。次に、ｎ個のテスト回の後に得られた平均値に基づいて、上記分類器の性能を決定する。
上述した方法及び装置を数回の実験に用いて、目標の対象物に対する実現可能性及び潜在力を証明した。従って、実験II、IV、V、VI、及びVIIは、特定の粒子を個別化して識別しないように設計され、その代わりに、溶液中の所定種類のナノ粒子の存在を検出するように設計され、上記のリーブワンアウトに基づく方法を大幅に変更した。ナノ粒子及びマイクロ粒子が関与する実験中に捕捉した２秒間の信号部分どうしを区別する要因は、各捕捉においてこれらの粒子を取得した場所であった。従って、テスト用に用いた信号部分は、ナノ粒子での実験中に学習用に考慮した位置とは異なる位置で捕捉され、過学習の影響を回避する方法である。なお、これらの場合には、粒子のナノスケールの寸法、及び我々のファイバツールがこれらの粒子を捕捉することができないことに起因して、これらの粒子を個別化することはできなかった。
実験／課題毎の、かつｎ回目の評価実行における最も正確な分類率は、次の３つのパラメータ（図５、405）：ツリー（木）の数、試料に対する予測器の数、及び最小のリーフサイズ－表１を参照されたい－の値の最も適切な組合せを決定することによって得られた。従って、この組合せは、値の組合せ（図５、405）を考慮して学習させた分類器を生成する。次に、これらのパラメータの最も効果的な組合せを、実験及び評価実行毎に、学習段階中に、５－分割交差検証（クロスバリデーション、相互検証）（図５、405）を用いて決定した。しかし、学習サンプルは正規化した。各特徴の全体にわたる学習サンプルの平均値を 当該特徴の各データサンプルから減算して、当該特徴の対応する標準偏差で除算した。テスト入力サンプルも、以前に得られた特徴毎の学習平均値及び標準偏差を用いて、この手順により正規化しなければならない。このことは、新規のテスト特徴ベクトルを学習特徴空間内にマッピングすることを可能にする。
実験II、VI、及びVIIで用いた、２つの選択した細胞株及びそのＥＶは、胃癌の細胞株MKN45:HST6から導出され、遺伝的に修飾されて、より短い／短縮型Ｏ－グリカンをそれらの表面に提供し、このことは、ST6GalNAc1シアル酸転移酵素（トランスファーゼ）－及びモック（Mock）－Ｏ－グリカンに何の変化も誘発しない空ベクターを導入した対応する対照細胞－の過剰発現に起因する。参照したモックとHST6癌細胞とは、その表面に付着したＯ－グリカン（炭水化物）のみが異なる。
より短い、または短縮型Ｏ－グリカンは、特定の癌における予後不良の予測マーカーと考えられている。これらの現象は、健康体の下での細胞経路に比べて、細胞グリコシル化（糖鎖形成）中の不完全なグリカン合成に頻繁に関連する。
実験IIは、リン酸緩衝食塩水（ＰＢＳ：Phosphate Buffered Saline）中の真核細胞の識別及び分類を４クラス問題の形でテストした。３種類の溶液を用意して、提案する単細胞識別方法をテストした。これらの溶液のうちの２つは、以下に説明する、異なるようにグリコシル化した癌細胞－モック及びHST6－であり、ＰＢＳ（リン酸緩衝食塩水、１ｘ）中に懸濁している。３番目の溶液は、８μmのポリスチレン（ＰＳ：Polystyrene）合成ミクロスフェア（球状微粒子）を含み、これもＰＢＳ（１ｘ）中に懸濁している。
実験IVは、ＰＢＳ中のバクテリア（細菌）細胞の識別及び分類を、次の３クラス問題の形でテストした：(1)「粒子の捕捉なし」；(2)「アシドフィルス乳酸菌のヨーグルト・バクテリアが捕捉された」；及び(3)「サーモフィルス連鎖球菌のヨーグルト・バクテリアが捕捉された」（ターゲット（標的）寸法：１．５～０．６μm）。
実験VI及びVIIは、HST6及びモック細胞を生成した細胞外小胞の識別及び分類をテストした。
実験VIは、提案する方法及び装置により、ＰＢＳ中に懸濁したモック由来及びHST6由来のエクソソームをテストし；次のクラスを考慮した：「クラス１：エクソソームなし（ブランク溶液のみ）」；「クラス２：モック由来のエクソソームが懸濁液中に存在」；及び「クラス３：HST6由来のエクソソームが懸濁液中に存在」。
実験VIIは、ウシ胎児血清（ＦＢＳ：Fetal Bovine Serum）を補充したＰＢＳ、即ち高濃度のタンパク質、糖分、及び脂質を有する複合液体媒質を用いてＥＶを再懸濁させる挑戦的な条件で実行した。このＦＢＳを処理して天然のＥＶを除去した。図６に、次の３つの異なる試料：細胞培養基（培地）を有するＥＶなしのＦＢＳ(A)、細胞培養基を有する、モックのＥＶを補充したＥＶなしのＦＢＳ(B)、及び細胞培養基を有する、HST6のＥＶを補充したＥＶなしのＦＢＳで得られた後方散乱信号を示す。
表２は、本発明により得られた実験結果、特に提案する方法及び装置による細胞またはＥＶ間の区別性能に関する結果を要約したものである。
「具えている」とは、本明細書中で用いる際には常に、提示した特徴、数値、ステップ、構成要素を示すことを意図しているが、他の１つ以上の特徴、数値、ステップ、構成要素、またはそのグループの存在を排除することは意図していない。本発明は、形はどうであれ記載した実施形態に限定されるものと見るべきでなく、通常の当業者はその変更の多数の可能性を予見する。上述した実施形態は組合せ可能である。以下の特許請求の範囲は、本発明の特定の好適例をさらに明記する。
Claims (32)
- 液分布試料中に分散した細胞外小胞を検出する方法であって、電子データプロセッサを用いて前記試料を細胞外小胞が存在するものと存在しないものとに分類する方法において、
前記電子データプロセッサを用いて、細胞外小胞の複数の液分布標本で機械学習分類器を事前学習させることを含み、
変調周波数によって変調したレーザーを各々の前記標本上へ放射するステップと、
前記標本毎に、所定継続時間の複数の期間について、当該標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと、
前記期間毎に、前記捕捉した時間信号から、前記標本のＤＣＴ係数またはウェーブレット変換係数を計算するステップと、
前記計算した係数を用いて、前記機械学習分類器を事前学習させるステップとを含み、
前記方法は、
焦点調節光学系が結合されたレーザー発光器を用いて、前記変調周波数によって変調したレーザーを前記試料上へ放射するステップと、
受光器を用いて、前記所定継続時間の複数の期間について、前記試料によって後方散乱されたレーザー光から信号を捕捉するステップと、
前記期間毎に、前記捕捉した信号から、前記試料のＤＣＴ係数またはウェーブレット変換係数を計算するステップと、
前記事前学習させた前記機械学習分類器を用いて、前記計算した前記試料の係数を、細胞外小胞が存在するものと存在しないものとに分類するステップと
をさらに含む方法。 - 前記細胞外小胞が、任意の粒子方向に１μm未満の粒子サイズを有する、請求項１に記載の方法。
- 前記方法が、前記液分布試料中の細胞外小胞を検出して識別し、前記電子データプロセッサが、前記細胞外小胞が存在する場合に、前記細胞外小胞の前記液分布標本の種類の複数クラスを用いて事前学習させた前記機械学習分類器を用いることによって、前記細胞外小胞を、細胞外小胞タイプの複数クラスのうちの１つに分類するステップをさらに含む、請求項２に記載の方法。
- 前記レーザーが可視光レーザーまたは赤外線レーザーであり、特に赤外線レーザーである、請求項１～３のいずれかに記載の方法。
- 前記レーザーが１つ以上の追加的な変調周波数によってさらに変調される、請求項１～４のいずれかに記載の方法。
- 前記標本用の前記変調周波数と前記試料用の前記変調周波数とが同一である、請求項１～５のいずれかに記載の方法。
- 前記標本用の前記所定継続時間と前記試料用の前記所定継続時間とが同一である、請求項１～６のいずれかに記載の方法。
- 前記捕捉における前記所定継続時間の複数の期間が、前記捕捉した時間信号のうち前記所定継続時間よりも長い継続時間を有する時間信号を分割することによって得られる、請求項１～７のいずれかに記載の方法。
- 前記分割された期間が、互いにオーバーラップする期間である、請求項８に記載の方法。
- 前記所定継続時間が、１．５～２．５秒から選択され、特に２秒である、請求項１～９のいずれかに記載の方法。
- 前記電子データプロセッサが、前記捕捉した信号からの、時間領域のヒストグラム由来の特徴または時間領域の統計量由来の特徴、特に、wNakagamiパラメータ、μNakagamiパラメータ、エントロピー、標準偏差、またはこれらの組合せを用いて、前記事前学習及び前記分類を行うようにさらに構成されている、請求項１～１０のいずれかに記載の方法。
- 前記焦点調節光学系が収束レンズであり、特に光ファイバまたは導波路の先端に配置されたポリマー集光器である、請求項１～１１のいずれかに記載の方法。
- 前記レンズが、当該レンズのベース直径の１／３～１／４のビームウェストに相当する焦点スポットを有する、請求項１２に記載の方法。
- 前記レンズが０．５を超える開口数（ＮＡ）を有する、請求項１１～１３のいずれかに記載の方法。
- 前記レンズが、５～１０μm、特に６～８μmのベース直径を有する、請求項１１～１４のいずれかに記載の方法。
- 前記レンズが球形であり、３０～５０μm、特に３７～４７μmの長さを有する、請求項１１～１５のいずれかに記載の方法。
- 前記レンズが、２～５μm、特に２．５～３．５μmの曲率半径を有する、請求項１１～１６のいずれかに記載の方法。
- 前記赤外線受光器が、４００～１０００nmの帯域幅を具えた光検出器である、請求項１～１７のいずれかに記載の方法。
- 前記ＤＣＴ係数または前記ウェーブレット変換係数の計算が、前記信号の全エネルギーのうちの所定割合が前記ＤＣＴまたは前記ウェーブレット変換によって保存されるように、ＤＣＴ係数またはウェーブレット変換係数の最小部分集合を選択することを含む、請求項１～１８のいずれかに記載の方法。
- 前記最小部分集合中の前記ＤＣＴ係数の個数を、２０～４０から選択し、あるいは２０、３０、または４０から選択する、請求項１９に記載の方法。
- 前記信号の捕捉を、少なくとも、前記変調周波数の少なくとも５倍のサンプリング周波数で実行するステップを含む、請求項１～２０のいずれかに記載の方法。
- 前記信号の捕捉がハイパスフィルタの使用を含む、請求項１～２１のいずれかに記載の方法。
- 前記変調周波数が１kHz以上である、請求項１～２２のいずれかに記載の方法。
- 液分布試料中の細胞外小胞を検出する方法を実現するためのプログラム命令を含む非一時的記憶媒体であって、該プログラム命令は、電子データプロセッサによって実行可能であり、請求項１～２３のいずれかに記載の方法を実行するための命令を含む非一時的記憶媒体。
- 液分布試料中の細胞外小胞を検出する装置であって、レーザー発光器と、該レーザー発光器に結合された焦点調節光学系と、赤外線受光器と、電子データプロセッサとを具えた装置において、
前記電子データプロセッサは、細胞外小胞の複数の液分布標本を用いて事前学習させた機械学習分類器を用いて、方法によって前記試料を細胞外小胞が存在するものと存在しないものとに分類するように構成され、前記方法は、
変調周波数によって変調したレーザーを各々の前記標本上へ放射するステップと、
前記標本毎に、所定継続時間の複数の期間について、当該標本によって後方散乱されたレーザー光から時間信号を捕捉するステップと、
前記期間毎に、前記捕捉した時間信号から、前記標本のＤＣＴ係数またはウェーブレット変換係数を計算するステップと、
前記計算した係数を用いて、前記機械学習分類器を事前学習させるステップとを含み、
前記電子データプロセッサは、
前記レーザー発光器を用いて、変調周波数によって変調したレーザーを前記試料上へ放射し、
前記受光器を用いて、所定継続時間の複数の期間について、前記試料によって後方散乱されたレーザー光からの信号を捕捉し、
前記期間毎に、前記捕捉した信号から、前記試料のＤＣＴ係数またはウェーブレット変換係数を計算し、
前記事前学習させた前記機械学習分類器を用いて、前記計算した前記試料の係数を、細胞外小胞が存在するものと存在しないものとに分類するようにさらに構成されている装置。 - 前記装置が、前記液分布試料中の細胞外小胞を検出して識別し、前記電子データプロセッサが、前記細胞外小胞が存在する場合に、前記細胞外小胞の前記液分布標本の種類の複数クラスを用いて事前学習させた前記機械学習分類器を用いることによって、前記細胞外小胞を、細胞外小胞タイプの複数クラスのうちの１つに分類するステップをさらに含む、請求項２５に記載の装置。
- 前記細胞外小胞が、任意の粒子方向に１μm未満の粒子サイズを有する、請求項２５または２６に記載の装置。
- 前記レーザーが赤外線レーザーである、請求項２５～２７のいずれかに記載の装置。
- 分割された前記期間が、互いにオーバーラップする期間である、請求項２５～２８のいずれかに記載の装置。
- 前記電子データプロセッサが、前記捕捉した信号からの、時間領域のヒストグラム由来の特徴または時間領域の統計量由来の特徴、特に、wNakagamiパラメータ、μNakagamiパラメータ、エントロピー、標準偏差、またはこれらの組合せを用いて、前記事前学習及び前記分類を行うようにさらに構成されている、請求項２５～２９のいずれかに記載の装置。
- 前記焦点調節光学系が収束レンズであり、特に、該レンズが、当該レンズのベース直径の１／３～１／４のビームウェストに相当する焦点スポットを有する、請求項２５～３０のいずれかに記載の装置。
- 前記焦点調節光学系が、視野勾配パターンを提供するのに適した焦点調節光学系である、請求項２５～３１のいずれかに記載の装置。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PT115123 | 2018-10-31 | ||
| PT11512318 | 2018-10-31 | ||
| EP19174940.7 | 2019-05-16 | ||
| EP19174940.7A EP3647765A1 (en) | 2018-10-31 | 2019-05-16 | Device and method for detecting and identifying extracellular vesicles in a liquid dispersion sample |
| PCT/IB2019/059371 WO2020089836A1 (en) | 2018-10-31 | 2019-10-31 | Device and method for detecting and identifying extracellular vesicles in a liquid dispersion sample |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022506205A true JP2022506205A (ja) | 2022-01-17 |
| JP7427663B2 JP7427663B2 (ja) | 2024-02-05 |
Family
ID=66589352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021523415A Active JP7427663B2 (ja) | 2018-10-31 | 2019-10-31 | 液分布試料中の細胞外小胞を検出して識別する装置及び方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20210372910A1 (ja) |
| EP (3) | EP3647765A1 (ja) |
| JP (1) | JP7427663B2 (ja) |
| CN (1) | CN112997062A (ja) |
| AU (1) | AU2019373857A1 (ja) |
| CA (1) | CA3118193A1 (ja) |
| WO (1) | WO2020089836A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554061A (zh) * | 2020-05-08 | 2020-08-18 | 武汉理工大学 | 一种融合分布式光纤传感器与摄像头的智能周界安防系统 |
| WO2023161532A1 (en) * | 2022-02-28 | 2023-08-31 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Method and device for detecting and/or classifying particles of organic based compounds from a backscattered light fingerprint |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060256342A1 (en) * | 2003-03-28 | 2006-11-16 | Wong Lid B | Confocal microscope system for real-time simultaneous temporal measurements of metachronal wave period and ciliary beat frequency |
| JP2015523568A (ja) * | 2012-07-02 | 2015-08-13 | セントレ・ナショナル・デ・ラ・レシェルシェ・サイエンティフィーク | 液体媒体中のマクロイオンを検出する為の方法及び装置 |
| US20170322137A1 (en) * | 2016-05-06 | 2017-11-09 | Deutsches Rheuma-Forschungszentrum Berlin | Method and system for characterizing particles using a flow cytometer |
| JP2018021900A (ja) * | 2016-07-25 | 2018-02-08 | シスメックス株式会社 | 血液分析装置および血液分析方法 |
| WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
| JP2018527573A (ja) * | 2015-09-07 | 2018-09-20 | マツクス−プランク−ゲゼルシヤフト ツール フエルデルング デル ヴイツセンシヤフテン エー フアウＭＡＸ−ＰＬＡＮＣＫ−ＧＥＳＥＬＬＳＣＨＡＦＴ ＺＵＲ ＦＯｅＲＤＥＲＵＮＧ ＤＥＲ ＷＩＳＳＥＮＳＣＨＡＦＴＥＮ Ｅ．Ｖ． | 生体高分子またはナノ粒子のような粒子を検出する方法および装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2095121C (en) * | 1991-09-12 | 1999-03-30 | Nobuhiro Fukushima | Optical device |
| US7244349B2 (en) * | 1997-12-17 | 2007-07-17 | Molecular Devices Corporation | Multiaperture sample positioning and analysis system |
| US20030148391A1 (en) * | 2002-01-24 | 2003-08-07 | Salafsky Joshua S. | Method using a nonlinear optical technique for detection of interactions involving a conformational change |
| WO2008012767A2 (en) * | 2006-07-26 | 2008-01-31 | Ecole Polytechnique Federale De Lausanne (Epfl) | Miniaturized optical tweezers based on high-na micro-mirrors |
| US8571365B2 (en) * | 2008-11-05 | 2013-10-29 | The Regents Of The University Of California | Apparatus and method for micromanipulation of microscale objects using laser light delivered through a single optical fiber and axicon lens |
| CN106898407B (zh) * | 2017-03-23 | 2018-11-30 | 暨南大学 | 一种精准操控纳米颗粒和生物分子的纳米光镊装置及方法 |
| US10408852B2 (en) * | 2017-04-26 | 2019-09-10 | Lawrence Livermore National Security, Llc | Automated control of microfluidic devices based on machine learning |
| CN112352158A (zh) * | 2018-06-04 | 2021-02-09 | 加利福尼亚大学董事会 | 用于水样的无标记分析的能够深度学习的便携式成像流式细胞仪 |
| US10611995B2 (en) * | 2018-08-15 | 2020-04-07 | Deepcell, Inc. | Systems and methods for particle analysis |
-
2019
- 2019-05-16 EP EP19174940.7A patent/EP3647765A1/en not_active Withdrawn
- 2019-10-31 US US17/290,675 patent/US20210372910A1/en active Pending
- 2019-10-31 AU AU2019373857A patent/AU2019373857A1/en active Pending
- 2019-10-31 EP EP23207812.1A patent/EP4296646A3/en active Pending
- 2019-10-31 CA CA3118193A patent/CA3118193A1/en active Pending
- 2019-10-31 WO PCT/IB2019/059371 patent/WO2020089836A1/en unknown
- 2019-10-31 JP JP2021523415A patent/JP7427663B2/ja active Active
- 2019-10-31 CN CN201980072277.6A patent/CN112997062A/zh active Pending
- 2019-10-31 EP EP19806055.0A patent/EP3765833B1/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060256342A1 (en) * | 2003-03-28 | 2006-11-16 | Wong Lid B | Confocal microscope system for real-time simultaneous temporal measurements of metachronal wave period and ciliary beat frequency |
| JP2015523568A (ja) * | 2012-07-02 | 2015-08-13 | セントレ・ナショナル・デ・ラ・レシェルシェ・サイエンティフィーク | 液体媒体中のマクロイオンを検出する為の方法及び装置 |
| JP2018527573A (ja) * | 2015-09-07 | 2018-09-20 | マツクス−プランク−ゲゼルシヤフト ツール フエルデルング デル ヴイツセンシヤフテン エー フアウＭＡＸ−ＰＬＡＮＣＫ−ＧＥＳＥＬＬＳＣＨＡＦＴ ＺＵＲ ＦＯｅＲＤＥＲＵＮＧ ＤＥＲ ＷＩＳＳＥＮＳＣＨＡＦＴＥＮ Ｅ．Ｖ． | 生体高分子またはナノ粒子のような粒子を検出する方法および装置 |
| US20170322137A1 (en) * | 2016-05-06 | 2017-11-09 | Deutsches Rheuma-Forschungszentrum Berlin | Method and system for characterizing particles using a flow cytometer |
| JP2018021900A (ja) * | 2016-07-25 | 2018-02-08 | シスメックス株式会社 | 血液分析装置および血液分析方法 |
| WO2018060967A1 (en) * | 2016-09-29 | 2018-04-05 | Inesc Tec - Instituto De Engenharia De Sistemas E Computadores, Tecnologia E Ciência | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference |
Non-Patent Citations (1)
| Title |
|---|
| PAIVA, S. JOANA: "Single Particle Differentiation through 2D Optical Fiber Trapping and Back-Scatterd Signal Statistic", SENSORS, vol. 18(3). 710., JPN7023002490, 27 February 2018 (2018-02-27), pages 1 - 30, ISSN: 0005099252 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3765833B1 (en) | 2023-11-29 |
| AU2019373857A1 (en) | 2021-05-20 |
| EP4296646A3 (en) | 2024-03-13 |
| EP4296646A2 (en) | 2023-12-27 |
| EP3765833A1 (en) | 2021-01-20 |
| EP3647765A1 (en) | 2020-05-06 |
| EP3765833C0 (en) | 2023-11-29 |
| CN112997062A (zh) | 2021-06-18 |
| WO2020089836A1 (en) | 2020-05-07 |
| US20210372910A1 (en) | 2021-12-02 |
| JP7427663B2 (ja) | 2024-02-05 |
| CA3118193A1 (en) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7361149B2 (ja) | デジタルホログラフィ顕微鏡検査および無傷の（ｕｎｔｏｕｃｈｅｄ）末梢血白血球を用いる高精度の５部鑑別（５－ｐａｒｔ Ｄｉｆｆｅｒｅｎｔｉａｌ） | |
| KR102479862B1 (ko) | 입자 분석 방법 | |
| US9013692B2 (en) | Flow cytometer apparatus for three dimensional difraction imaging and related methods | |
| US6774995B2 (en) | Identification of particles in fluid | |
| JP2013531787A (ja) | 粒子の運動度および／または細胞の分散を求めるためのホログラフィック変動顕微鏡装置および方法 | |
| Lin et al. | Light-sheet-based 2D light scattering cytometry for label-free characterization of senescent cells | |
| JP7427663B2 (ja) | 液分布試料中の細胞外小胞を検出して識別する装置及び方法 | |
| Lin et al. | Automatic detection and characterization of quantitative phase images of thalassemic red blood cells using a mask region-based convolutional neural network | |
| Li et al. | An approach for cell viability online detection based on the characteristics of lensfree cell diffraction fingerprint | |
| Paiva et al. | Optical fiber-based sensing method for nanoparticle detection through supervised back-scattering analysis: A potential contributor for biomedicine | |
| Lee et al. | Automated estimation of cancer cell deformability with machine learning and acoustic trapping | |
| Zhao et al. | High-speed cell recognition algorithm for ultrafast flow cytometer imaging system | |
| Jeon et al. | Automated cell-type classification combining dilated convolutional neural networks with label-free acoustic sensing | |
| Hirotsu et al. | Artificial intelligence-based classification of peripheral blood nucleated cells using label-free imaging flow cytometry | |
| Utadiya et al. | Integrated self-referencing single shot digital holographic microscope and optical tweezer | |
| ES2967248T3 (es) | Dispositivo y método para detectar e identificar las vesículas extracelulares en una muestra de dispersión líquida | |
| Wang et al. | Rapid Classification of Single Bacterium Based on Backscattering Microscopic Spectrum—A Pilot Study | |
| Gangadhar et al. | Staining-free, in-flow enumeration of tumor cells in blood using digital holographic microscopy and deep learning | |
| Makam et al. | Algorithm for automatic detection of insulin granule exocytosis in human pancreatic β-cells | |
| WO2023161532A1 (en) | Method and device for detecting and/or classifying particles of organic based compounds from a backscattered light fingerprint | |
| WO2022238871A1 (en) | Device and method for detecting and identifying molecularly imprinted polymers in a liquid dispersion sample | |
| Grant et al. | Low-cost, open-access refractive index mapping of algal cells using the transport of intensity equation | |
| Wan | Non-invasive Label-free Cytometry Based on Laser Light Scattering Technique | |
| Ryu et al. | Deep learning-based label-free hematology analysis framework using optical diffraction tomography | |
| Barros et al. | Micron-Sized Bioparticles Detection through Phase Analysis of Back-Scattering Signals from Optical Fiber Tweezers: An Exploratory Study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220713 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230628 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231003 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231201 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231228 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240109 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240124 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7427663 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |