JP2022525267A - 人工知能ベースのシーケンスメタデータ生成 - Google Patents
人工知能ベースのシーケンスメタデータ生成 Download PDFInfo
- Publication number
- JP2022525267A JP2022525267A JP2020572715A JP2020572715A JP2022525267A JP 2022525267 A JP2022525267 A JP 2022525267A JP 2020572715 A JP2020572715 A JP 2020572715A JP 2020572715 A JP2020572715 A JP 2020572715A JP 2022525267 A JP2022525267 A JP 2022525267A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- neural network
- image
- unit
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 596
- 238000013528 artificial neural network Methods 0.000 claims abstract description 359
- 230000008569 process Effects 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims description 260
- 238000012163 sequencing technique Methods 0.000 claims description 241
- 230000015654 memory Effects 0.000 claims description 157
- 238000012545 processing Methods 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 62
- 238000003384 imaging method Methods 0.000 claims description 59
- 230000003287 optical effect Effects 0.000 claims description 47
- 230000005855 radiation Effects 0.000 claims description 46
- 238000009826 distribution Methods 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 20
- 230000001788 irregular Effects 0.000 claims description 10
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 239000012491 analyte Substances 0.000 abstract description 277
- 239000000523 sample Substances 0.000 description 172
- 150000007523 nucleic acids Chemical class 0.000 description 149
- 238000006243 chemical reaction Methods 0.000 description 137
- 102000039446 nucleic acids Human genes 0.000 description 131
- 108020004707 nucleic acids Proteins 0.000 description 131
- 210000004027 cell Anatomy 0.000 description 120
- 238000013145 classification model Methods 0.000 description 105
- 239000010410 layer Substances 0.000 description 97
- 238000001514 detection method Methods 0.000 description 86
- 125000003729 nucleotide group Chemical group 0.000 description 81
- 239000002773 nucleotide Substances 0.000 description 76
- 238000004458 analytical method Methods 0.000 description 73
- 239000012530 fluid Substances 0.000 description 65
- 238000003860 storage Methods 0.000 description 62
- 238000000605 extraction Methods 0.000 description 61
- 108020004414 DNA Proteins 0.000 description 58
- 238000010223 real-time analysis Methods 0.000 description 52
- 239000000126 substance Substances 0.000 description 36
- 230000003321 amplification Effects 0.000 description 35
- 238000003199 nucleic acid amplification method Methods 0.000 description 35
- 230000011218 segmentation Effects 0.000 description 30
- 239000012634 fragment Substances 0.000 description 28
- 239000007787 solid Substances 0.000 description 26
- 239000003795 chemical substances by application Substances 0.000 description 24
- 108090000623 proteins and genes Proteins 0.000 description 24
- 238000003491 array Methods 0.000 description 23
- 239000000463 material Substances 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 20
- 239000000243 solution Substances 0.000 description 20
- 108091028043 Nucleic acid sequence Proteins 0.000 description 19
- 230000005284 excitation Effects 0.000 description 19
- 238000013459 approach Methods 0.000 description 18
- 239000003153 chemical reaction reagent Substances 0.000 description 18
- 229920002477 rna polymer Polymers 0.000 description 18
- 238000004166 bioassay Methods 0.000 description 17
- 239000000499 gel Substances 0.000 description 17
- 238000002493 microarray Methods 0.000 description 16
- 210000000349 chromosome Anatomy 0.000 description 14
- 238000005286 illumination Methods 0.000 description 14
- 238000013507 mapping Methods 0.000 description 14
- 102000004169 proteins and genes Human genes 0.000 description 14
- 239000000758 substrate Substances 0.000 description 14
- 108090000790 Enzymes Proteins 0.000 description 13
- 102000004190 Enzymes Human genes 0.000 description 13
- 238000004891 communication Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 13
- 108700028369 Alleles Proteins 0.000 description 12
- 102000053602 DNA Human genes 0.000 description 12
- 230000009471 action Effects 0.000 description 12
- 230000000295 complement effect Effects 0.000 description 12
- 230000002441 reversible effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 239000011324 bead Substances 0.000 description 10
- 238000010191 image analysis Methods 0.000 description 10
- 230000001965 increasing effect Effects 0.000 description 10
- 239000000203 mixture Substances 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 9
- 108091093088 Amplicon Proteins 0.000 description 8
- 108091034117 Oligonucleotide Proteins 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 239000011295 pitch Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- RWQNBRDOKXIBIV-UHFFFAOYSA-N thymine Chemical compound CC1=CNC(=O)NC1=O RWQNBRDOKXIBIV-UHFFFAOYSA-N 0.000 description 8
- 239000003086 colorant Substances 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 235000018102 proteins Nutrition 0.000 description 7
- 238000003786 synthesis reaction Methods 0.000 description 7
- OPTASPLRGRRNAP-UHFFFAOYSA-N cytosine Chemical compound NC=1C=CNC(=O)N=1 OPTASPLRGRRNAP-UHFFFAOYSA-N 0.000 description 6
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical compound O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 description 6
- -1 hydrogen ions Chemical class 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- 239000011148 porous material Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000012384 transportation and delivery Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 5
- 238000001712 DNA sequencing Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 5
- 230000004913 activation Effects 0.000 description 5
- 238000003556 assay Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 239000007850 fluorescent dye Substances 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 150000002500 ions Chemical class 0.000 description 5
- 229920000642 polymer Polymers 0.000 description 5
- 102000040430 polynucleotide Human genes 0.000 description 5
- 108091033319 polynucleotide Proteins 0.000 description 5
- 239000002157 polynucleotide Substances 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 241000894007 species Species 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- ISAKRJDGNUQOIC-UHFFFAOYSA-N Uracil Chemical compound O=C1C=CNC(=O)N1 ISAKRJDGNUQOIC-UHFFFAOYSA-N 0.000 description 4
- 241000700605 Viruses Species 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 230000002759 chromosomal effect Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000007790 solid phase Substances 0.000 description 4
- 229940113082 thymine Drugs 0.000 description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 3
- 229930024421 Adenine Natural products 0.000 description 3
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 description 3
- 230000002378 acidificating effect Effects 0.000 description 3
- 229960000643 adenine Drugs 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 229940104302 cytosine Drugs 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 235000011180 diphosphates Nutrition 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010195 expression analysis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 108020004999 messenger RNA Proteins 0.000 description 3
- 229920001184 polypeptide Polymers 0.000 description 3
- 102000004196 processed proteins & peptides Human genes 0.000 description 3
- 108090000765 processed proteins & peptides Proteins 0.000 description 3
- 239000000376 reactant Substances 0.000 description 3
- 230000008707 rearrangement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000010076 replication Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000000392 somatic effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 240000001436 Antirrhinum majus Species 0.000 description 2
- 108020004394 Complementary RNA Proteins 0.000 description 2
- 102000016928 DNA-directed DNA polymerase Human genes 0.000 description 2
- 108010014303 DNA-directed DNA polymerase Proteins 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 2
- 108700011259 MicroRNAs Proteins 0.000 description 2
- 108091092878 Microsatellite Proteins 0.000 description 2
- 241001494479 Pecora Species 0.000 description 2
- 108091028664 Ribonucleotide Proteins 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000003766 bioinformatics method Methods 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 239000003184 complementary RNA Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000005547 deoxyribonucleotide Substances 0.000 description 2
- 125000002637 deoxyribonucleotide group Chemical group 0.000 description 2
- 238000007865 diluting Methods 0.000 description 2
- XPPKVPWEQAFLFU-UHFFFAOYSA-N diphosphoric acid Chemical compound OP(O)(=O)OP(O)(O)=O XPPKVPWEQAFLFU-UHFFFAOYSA-N 0.000 description 2
- 238000000295 emission spectrum Methods 0.000 description 2
- 230000001973 epigenetic effect Effects 0.000 description 2
- 102000054766 genetic haplotypes Human genes 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 150000004676 glycans Chemical class 0.000 description 2
- 210000003917 human chromosome Anatomy 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000003446 ligand Substances 0.000 description 2
- 239000002679 microRNA Substances 0.000 description 2
- 238000013188 needle biopsy Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 150000004713 phosphodiesters Chemical class 0.000 description 2
- 102000054765 polymorphisms of proteins Human genes 0.000 description 2
- 229920001282 polysaccharide Polymers 0.000 description 2
- 239000005017 polysaccharide Substances 0.000 description 2
- 239000002336 ribonucleotide Substances 0.000 description 2
- 125000002652 ribonucleotide group Chemical group 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 229940035893 uracil Drugs 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 1
- PHIYHIOQVWTXII-UHFFFAOYSA-N 3-amino-1-phenylpropan-1-ol Chemical compound NCCC(O)C1=CC=CC=C1 PHIYHIOQVWTXII-UHFFFAOYSA-N 0.000 description 1
- 206010069754 Acquired gene mutation Diseases 0.000 description 1
- HRPVXLWXLXDGHG-UHFFFAOYSA-N Acrylamide Chemical compound NC(=O)C=C HRPVXLWXLXDGHG-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000283707 Capra Species 0.000 description 1
- 108010077544 Chromatin Proteins 0.000 description 1
- 108020004635 Complementary DNA Proteins 0.000 description 1
- 108091035707 Consensus sequence Proteins 0.000 description 1
- 239000003298 DNA probe Substances 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 206010011953 Decreased activity Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 101100408379 Drosophila melanogaster piwi gene Proteins 0.000 description 1
- 206010013710 Drug interaction Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000283086 Equidae Species 0.000 description 1
- 108700024394 Exon Proteins 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 102000003960 Ligases Human genes 0.000 description 1
- 108090000364 Ligases Proteins 0.000 description 1
- NPPQSCRMBWNHMW-UHFFFAOYSA-N Meprobamate Chemical compound NC(=O)OCC(C)(CCC)COC(N)=O NPPQSCRMBWNHMW-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 102000004160 Phosphoric Monoester Hydrolases Human genes 0.000 description 1
- 108090000608 Phosphoric Monoester Hydrolases Proteins 0.000 description 1
- 229920000388 Polyphosphate Polymers 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 102000001253 Protein Kinase Human genes 0.000 description 1
- 108020004518 RNA Probes Proteins 0.000 description 1
- 239000003391 RNA probe Substances 0.000 description 1
- 108020004511 Recombinant DNA Proteins 0.000 description 1
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 1
- 108020004682 Single-Stranded DNA Proteins 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 108020004566 Transfer RNA Proteins 0.000 description 1
- JLCPHMBAVCMARE-UHFFFAOYSA-N [3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-hydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methyl [5-(6-aminopurin-9-yl)-2-(hydroxymethyl)oxolan-3-yl] hydrogen phosphate Polymers Cc1cn(C2CC(OP(O)(=O)OCC3OC(CC3OP(O)(=O)OCC3OC(CC3O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c3nc(N)[nH]c4=O)C(COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3CO)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cc(C)c(=O)[nH]c3=O)n3cc(C)c(=O)[nH]c3=O)n3ccc(N)nc3=O)n3cc(C)c(=O)[nH]c3=O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)O2)c(=O)[nH]c1=O JLCPHMBAVCMARE-UHFFFAOYSA-N 0.000 description 1
- 239000000370 acceptor Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000011543 agarose gel Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000735 allogeneic effect Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000000692 anti-sense effect Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 210000003567 ascitic fluid Anatomy 0.000 description 1
- 150000001540 azides Chemical class 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000013060 biological fluid Substances 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 238000005415 bioluminescence Methods 0.000 description 1
- 230000029918 bioluminescence Effects 0.000 description 1
- 229920001222 biopolymer Polymers 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000010804 cDNA synthesis Methods 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000010028 chemical finishing Methods 0.000 description 1
- 238000007385 chemical modification Methods 0.000 description 1
- 210000003483 chromatin Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000002299 complementary DNA Substances 0.000 description 1
- 238000004624 confocal microscopy Methods 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000009089 cytolysis Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000021185 dessert Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 239000001177 diphosphate Substances 0.000 description 1
- XPPKVPWEQAFLFU-UHFFFAOYSA-J diphosphate(4-) Chemical compound [O-]P([O-])(=O)OP([O-])([O-])=O XPPKVPWEQAFLFU-UHFFFAOYSA-J 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 229940000406 drug candidate Drugs 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002255 enzymatic effect Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000000799 fluorescence microscopy Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 231100000221 frame shift mutation induction Toxicity 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000004108 freeze drying Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 238000011331 genomic analysis Methods 0.000 description 1
- 210000004602 germ cell Anatomy 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000013090 high-throughput technology Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 239000000017 hydrogel Substances 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000007641 inkjet printing Methods 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004020 luminiscence type Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000011987 methylation Effects 0.000 description 1
- 238000007069 methylation reaction Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000007479 molecular analysis Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000004712 monophosphates Chemical class 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007481 next generation sequencing Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000008194 pharmaceutical composition Substances 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 210000004910 pleural fluid Anatomy 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 239000001205 polyphosphate Substances 0.000 description 1
- 235000011176 polyphosphates Nutrition 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 108060006633 protein kinase Proteins 0.000 description 1
- 238000012175 pyrosequencing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 238000002165 resonance energy transfer Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007841 sequencing by ligation Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 229910000077 silane Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 229940126586 small molecule drug Drugs 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000037439 somatic mutation Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 125000002264 triphosphate group Chemical group [H]OP(=O)(O[H])OP(=O)(O[H])OP(=O)(O[H])O* 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000012070 whole genome sequencing analysis Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6869—Methods for sequencing
- C12Q1/6874—Methods for sequencing involving nucleic acid arrays, e.g. sequencing by hybridisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/10—Sequence alignment; Homology search
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/20—Sequence assembly
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biotechnology (AREA)
- Bioethics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Signal Processing (AREA)
- Organic Chemistry (AREA)
- Library & Information Science (AREA)
- Wood Science & Technology (AREA)
Abstract
Description
本出願は、以下の出願の優先権又は利益を主張する。
(組み込み)
本開示の技術は、人工知能コンピュータ及びデジタルデータ処理システム、並びに、知能をエミュレーションするための対応するデータ処理方法及び製品(すなわち、知識ベースのシステム、推論システム及び知識取得システム)に関すると共に、不確実性(例えば、ファジー論理システム)、適応システム、機械学習システム、及び人工ニューラルネットワークを用いて推論するためのシステムを含む。具体的には、開示される技術は、データを分析するための深層畳み込みニューラルネットワークなどの深層ニューラルネットワークを使用することに関する。
デジタル画像からのベースコールは、大規模に平行であり、計算的に集中的である。このことは、本発明者らの新規な技術を導入する前に特定する多数の技術的課題を提示する。
テンプレート生成の第1のステップは、クラスターメタデータを特定することである。クラスターメタデータは、それらの中心、形状、サイズ、背景、及び/又は境界を含むクラスターの空間的分布を識別する。
図1は、サブピクセルベースコールを使用してクラスターメタデータを特定する処理パイプラインの一実施態様を示す。
クラスターメタデータ判定は、配列決定機器102(例えば、IlluminaのiSeq、HiSeqX、HiSeq3000、HiSeq4000、HiSeq2500、NovaSeq 6000、NextSeq、NextSeqDx、MiSeq及びMiSeqDx)によって生成された画像データを分析することを含む。以下の説明は、一実施態様に従って、画像データがどのように生成されるか、及びそれを描写するものを概説する。
開示された技術は、配列決定実行中に生成された一連の画像セットにアクセスする。画像セットは、シーケンス画像108を含む。配列決定実行のそれぞれの配列決定サイクル中にそれぞれ連続する画像セットが捕捉される。一連の画像(又はシーケンス画像)は、フローセルのタイル及びそれらの周囲の背景上のクラスターを捕捉する。
図8aは、サブピクセルベースコールのマージによって生成されたクラスターマップ802の一例を示す。クラスターマップは、複数の不連続領域(図8aにおいて様々な色で示される)を特定する。各不連続領域は、タイル上のそれぞれのクラスターを表す連続するサブピクセルの非重複グループ(そのシーケンス画像から、かつクラスターマップがサブピクセルベースコールを介して生成される)の非重複グループを含む。不連続領域間の領域は、タイル上の背景を表す。背景領域内のサブピクセルは、「背景サブピクセル」と呼ばれる。不連続領域内のサブピクセルは、「クラスターサブピクセル」又は「クラスター内部サブピクセル」と呼ばれる。この説明では、原点サブピクセルは、RTA又は別のベースコーラーによって決定される予備的な中心クラスター座標が位置するサブピクセルである。
図10は、クラスターマップ内の不連続領域の質量中心(COM)がどのように計算されるかを示す。COMは、下流処理における対応するクラスターの「修正された」又は「改善された」中心として使用することができる。
図11は、サブピクセルからサブピクセルが属する不連続領域の質量(COM)の中心までのユークリッド距離に基づくサブピクセルに対する加重減衰係数の計算の一実施態様を示す。図示した別の実施態様では、加重減衰係数は、COMを含むサブピクセルに最も高い値を与え、COMから更に離れたサブピクセルについて減少する。加重減衰係数は、上述のサブピクセルベースコールから生成されたクラスターマップから、グラウンドトゥルース減衰マップ1204を導出するために使用される。グラウンドトゥルース減衰マップ1204は、ユニット配列を含み、配列内の各ユニットに少なくとも1つの出力値を割り当てる。いくつかの実施態様では、ユニットはサブピクセルであり、各サブピクセルは、加重減衰係数に基づいて出力値を割り当てられる。次いで、グラウンドトゥルース減衰マップ1204は、開示されたニューラルネットワークベースのテンプレート生成器1512を訓練するためのグラウンドトゥルースとして使用される。いくつかの実施態様では、グラウンドトゥルース減衰マップ1204からの情報もまた、開示されるニューラルネットワークベースのベースコーラー1514の入力を調製するためにも使用される。
図13は、クラスターマップからグラウンドトゥルース三元マップ1304を導出する一実施態様を示す。グラウンドトゥルース三元マップ1304は、ユニット配列を含み、アレイ内の各ユニットに少なくとも1つの出力値を割り当てる。名前によって、グラウンドトゥルース三元マップ1304の三元マップ実施態様は、各ユニットについて、第1の出力値が背景クラスの分類ラベル又はスコアに対応するように、アレイ内の各ユニットに3つの出力値を割り当て、第2の出力値は、クラスター中心クラスの分類ラベル又はスコアに対応し、第3の出力値は、クラスター/クラスター内部クラスの分類ラベル又はスコアに対応する。グラウンドトゥルース三元マップ1304は、ニューラルネットワークベースのテンプレート生成器1512を訓練するためのグラウンドトゥルースデータとして使用される。いくつかの実施態様では、グラウンドトゥルース三元マップ1304からの情報もまた、ニューラルネットワークベースのベースコーラー1514の入力を調製するために使用される。
図14は、クラスターマップから、グラウンドトゥルースバイナリマップ1404を導出する一実施態様を示す。バイナリマップ1404は、ユニット配列を含み、アレイ内の各ユニットに少なくとも1つの出力値を割り当てる。名前によって、バイナリマップは、各ユニットについて、第1の出力値がクラスター中心クラスの分類ラベル又はスコアに対応し、第2の出力値が非中心クラスの分類ラベル又はスコアに対応するように、2つの出力値をアレイ内の各ユニットに割り当てる。バイナリマップは、ニューラルネットワークベースのテンプレート生成器1512を訓練するためのグラウンドトゥルースデータとして使用される。いくつかの実施態様では、バイナリマップからの情報もまた、ニューラルネットワークベースのベースコーラー1514の入力を準備するために使用される。
図15は、ニューラルネットワークベースのテンプレート生成器1512及びニューラルネットワークベースのベースコーラー1514を訓練するために使用される訓練データを生成する一実施態様を示すブロック図である。
推論又は製造の実施態様において、開示される技術は、クラスターメタデータを決定するためにピーク検出及び分割を使用する。本開示の技術は、入力画像データ1702の代替表現1708を生成するために、ニューラルネットワーク1706を介して一連の画像セット1602から導出された入力画像データ1702を処理する。例えば、画像セットは特定のシーケンスサイクル用であり、各画像チャネルA、C、T、及びGに1つずつ、合計4つの画像を含めることができる。したがって、50回のシーケンスサイクルで実行されるシーケンスの場合、そのような画像セットは50個、つまり合計200個の画像になる。時間的に配置されると、画像セット当たり4つの画像セットを有する画像セットが一連の画像セット1602を形成する。いくつかの実施態様では、特定のサイズの画像パッチが、50枚の画像セット内の各画像から抽出され、画像パッチセット当たり4つの画像パッチセットを形成し、一実施態様では、これは入力画像データ1702である。他の実装態様では、入力画像データ1702は、50回の配列決定サイクル未満、すなわち、1回、2回、3回、15回、20回の配列決定サイクルよりも少ない画像パッチセットに対して、画像パッチセットごとに4つの画像パッチを有する画像パッチセットを含む。
(減衰マップ、三元マップ及び/又はバイナリマップからのクラスターメタデータの導出)
ここで説明は、開示された技術によって決定されたクラスター形状を、クラスターの強度を抽出するために使用することができるかについて説明する。クラスターは典型的に不規則な形状及び輪郭を有するため、開示される技術は、どのサブピクセルがクラスター形状を表す不規則な形状の不連続領域に寄与するかを識別するために使用することができる。
図20は、サブピクセルドメイン内のクラスター強度を抽出する第2のアプローチを示す。この第2のアプローチでは、光学的にシーケンス画像、ピクセル解像度をサブピクセル解像度にアップサンプリングする。これにより、テンプレート画像内の「サブピクセルを描くクラスター形状」と、アップサンプリングされたシーケンス画像における「サブピクセルを示すクラスター強度」との対応をもたらす。次いで、クラスター強度は、対応に基づいて抽出される。この強度抽出技術に関する更なる詳細は、図33及びその考察において見出すことができる。
ここでの考察は、ニューラルネットワークベースのテンプレート生成器1512の3つの異なる実施態様の詳細を説明する。図21aに示されており、(1)減衰マップベースのテンプレート生成器2600(回帰モデルとも呼ばれる)、(2)バイナリマップベーステンプレート生成器4600(バイナリ分類モデルとも呼ばれる)、及び(3)三元マップベースのテンプレート生成器5400(三元分類モデルとも呼ばれる)と、を含む。
図21bは、ニューラルネットワークベースのテンプレート生成器1512への入力として供給される入力画像データ1702の一実施態様を示す。入力画像データ1702は、配列決定シーケンス(例えば、最初の2~7回の配列決定サイクル)の特定の数の初期シーケンスサイクルの間に生成されるシーケンス画像108を有する一連の画像セット2100を含む。
別の実施態様では、ニューラルネットワークベースのテンプレート生成器1512及びニューラルネットワークベースのベースコーラー1514への入力データは、分子延長中の水素イオンの放出によって誘発されるpH変化に基づく。pH変化は検出され、組み込まれた塩基の数に比例する電圧変化に変換される(例えば、Ion Torrentの場合)。
図22は、入力画像データ1702を形成する一連の「ダウンサイズの」画像セットを生成するために、図21bの一連の画像セット2100からパッチを抽出する一実施態様を示す。図示の別の実施態様では、一連の画像セット2100内のシーケンス画像108は、サイズL×L(例えば、2000×2000)である。他の実施態様では、Lは、1から10,000の範囲の任意の数である。
図23は、入力画像データ1702を形成する一連の「アップサンプリング」画像セット2300を生成するために、図21bの一連の画像セット2100をアップサンプリングする一実施態様を示す。
3つのモデルは、異なる出力を生成するように訓練される。これは、異なるタイプのグラウンドトゥルースデータ表現を訓練ラベルとして使用することによって達成される。回帰モデル2600は、いわゆる「減衰マップ」1716を特徴付ける/表す出力を生成するように訓練される。バイナリ分類モデル4600は、いわゆる「バイナリマップ」1720を特徴付ける/表す/表す出力を生成するよう訓練される。三元分類モデル5400は、いわゆる「三元マップ」1718を特徴付ける/表す出力を生成するように訓練される。
図25は、ニューラルネットワークベースのテンプレート生成器1512を訓練するためのグラウンドトゥルースデータを生成する、全体的な例示的プロセスの一実施態様を示す。回帰モデル2600に関して、グラウンドトゥルースデータは、減衰マップ1204とすることができる。バイナリ分類モデル4600では、グラウンドトゥルースデータは、バイナリマップ1404であり得る。三元分類モデル5400では、グラウンドトゥルースデータは三元マップ1304とすることができる。グラウンドトゥルースデータは、クラスターメタデータから生成される。クラスターメタデータは、クラスターメタデータ生成器122によって生成される。グラウンドトゥルースデータは、グラウンドトゥルースデータ生成器1506によって生成される。
図26は、回帰モデル2600の一実施例を示す。図示の別の実施態様では、回帰モデル2600は、入力画像データ1702をエンコーダサブネットワーク及び対応するデコーダサブネットワークを介して処理する完全畳み込みネットワーク2602である。エンコーダサブネットワークは、エンコーダの階層を含む。デコーダサブネットワークは、低解像度のエンコーダ機能マップを完全入力解像度減衰マップ1716にマッピングするデコーダの階層を含む。別の実施形態では、回帰モデル2600は、デコーダとエンコーダとの間のスキップ接続を有するU-Netネットワーク2604である。分割ネットワークに関する更なる詳細は、「Segmentation Networks」と題された付録に見出すことができる。
図27は、クラスターマップ2702からのグラウンドトゥルース減衰マップ1204を生成する一実施態様を示す。グラウンドトゥルース減衰マップ1204は、回帰モデル2600を訓練するためのグラウンドトゥルースデータとして使用される。グラウンドトゥルース減衰マップ1204では、グラウンドトゥルース減衰マップ生成器1202は、加重減衰係数に基づいて、各隣接するサブピクセルに加重減衰値を割り当てる。重み付け減衰値は、隣接するサブピクセルが属する不連続領域内の質量(COM)サブピクセルの中心からの隣接するサブピクセルのユークリッド距離に比例し、これにより、重み付き減衰値は、COMサブピクセルに対して最も高く(例えば、1又は100)、COMサブピクセルから更に離れたサブピクセルについて減少する。いくつかの実施態様では、加重減衰値は、100などの事前設定された係数で乗算される。
図28は、訓練2800中の訓練出力として回帰モデル2600によって生成された減衰マップ1716が地面のグラウンドトゥルース減衰マップ1204に漸進的に接近又は適合するまで回帰モデル2600のパラメータを修正する、逆伝搬ベースの勾配更新技術を使用した回帰モデル2600の訓練2800の一実施である。
図29は、推論2900中の推論出力として回帰モデル2600によって減衰マップ1716が生成される推論2900の間の回帰モデル2600によるテンプレート生成の一実施態様である。減衰マップ1716の一例は、「Regression_Model_Ouput」という名称の付録に開示されている。付録は、減衰マップ1716を共に表す単位加重減衰出力値2910を含む。
図30は、減衰マップ1716を(i)クラスター背景を特徴付ける背景サブピクセルを識別するように閾値化することと、(ii)クラスター中心を特徴付ける中心サブピクセルを識別するピーク検出と、を含む。閾値保持は、2値化された出力を生成するために、局所閾値バイナリを使用する閾値保持器1802によって実行される。ピーク検出は、クラスター中心を識別するためにピークロケータ1806によって実行される。ピークロケータに関する更なる詳細は、「ピーク検出」と題された付録に見出すことができる。
図32は、回帰モデル2600の例示的なU-Net構造を、回帰モデル2600の層の詳細、層の出力の次元性、モデルパラメータの大きさ、及び層間の相互接続の詳細を示す表である。同様の詳細は、本願に付録として提出された「Regression_Model_Example_Architecture」と題されたファイルに開示されている。
図33は、テンプレート画像内で識別されたクラスター形状情報を使用してクラスター強度を抽出する異なるアプローチを示す。上述のように、テンプレート画像は、アップサンプリングされたサブピクセル解像度内のクラスター形状情報を特定する。しかしながら、クラスター強度情報は、典型的には光学解像度であるシーケンス画像108にある。
図34は、回帰モデル2600の出力を使用したベースコールの異なるアプローチを示す。第1のアプローチでは、テンプレート画像内のニューラルネットワークベースのテンプレート生成器1512の出力から特定されたクラスター中心は、ベースコールのためのベースコール用のベースコーラー(例えば、本明細書では「RTAベースコール」と称されるIllumina’s Time Analysisソフトウェア)に供給される。
図36は、回帰モデル2600によって生成された例示的な減衰マップ1716を左に示す。図36はまた、右側に、回帰モデル2600が訓練中に近似する、例示的なグラウンドトゥルース減衰マップ1204を示す。
図39は、精度及び再較正統計を使用した回帰モデル2600の性能を示す。精度及び再較正統計は、回帰モデル2600が、全ての識別されたクラスター中心を回復するのに良好であることを実証する。
(モデル出力の更なる実施例)
図46は、バイナリ分類モデル4600の一実施例を示す。図示の別の実施態様では、バイナリ分類モデル4600は、入力画像データ1702をエンコーダサブネットワーク及び対応するデコーダサブネットワークを介して処理する、ディープフル畳み込みセグメンテーションニューラルネットワークである。エンコーダサブネットワークは、エンコーダの階層を含む。デコーダサブネットワークは、低解像度のエンコーダ特徴部マップを完全入力解像度バイナリマップ1720にマッピングするデコーダの階層を含む。別の実施形態では、バイナリ分類モデル4600は、デコーダとエンコーダとの間のスキップ接続を有するU-Netネットワークである。分割ネットワークに関する更なる詳細は、「Segmentation Networks」と題された付録に見出すことができる。
バイナリ分類モデル4600の最終出力層は、出力アレイ内の単位ごとに分類ラベルを生成する単位ごとの分類層である。いくつかの実施態様では、単位ごと区分層は、2つのクラスにわたってバイナリマップ1720内の各サブピクセルについて、ソフトマックス分類スコア分布を生成するサブピクセルごとの分類層であり、すなわち、クラスター中心クラス及び非クラスタークラス、及び所与のサブピクセルの分類ラベルは、対応するソフトマックス分類スコア分布から決定される。
図47は、バイナリ分類モデル4600のバイナリマップ1720が、グラウンドトゥルースバイナリマップ1404に漸進的に接近又は一致するまで、バイナリ分類モデル4600のパラメータを修正する逆伝搬ベースの勾配更新技術を使用したバイナリ分類モデル4600の訓練4700の一実施態様である。
図50は、推論5000中の推論出力としてバイナリマップ1720がバイナリ分類モデル4600によって生成される推論5000の間のバイナリ分類モデル4600によるテンプレート生成の一実施態様である。バイナリマップ1720の一例は、バイナリマップ1720を一緒に表す単位ごとのバイナリ分類スコア5010を含む。ソフトマックスアプリケーションでは、バイナリマップ1720は、非中心クラスの単位ごとの分類スコアの第1のアレイ5002aと、クラスター中心クラスの単位ごとの分類スコアの第2のアレイ5002bとを有する。
図51は、クラスター中心を識別するために、バイナリマップ1720をピーク検出に供する一実施態様を示す。上述のように、バイナリマップ1720は、予測された分類スコアに基づいて各サブピクセルを分類するユニット配列であり、アレイ内の各ユニットは、入力内の対応するサブピクセルを表す。分類スコアは、ソフトマックススコア又はシグモイドスコアであり得る。
図52aは、バイナリ分類モデル4600によって生成された例示的なバイナリマップを左側に示す。図52aはまた、右側に、バイナリ分類モデル4600が訓練中に近似する、例示的なグラウンドトゥルースバイナリマップを示す。バイナリマップは、複数のサブピクセルを有し、クラスター中心又は非中心のいずれかとして各サブピクセルを分類する。同様に、グラウンドトゥルースバイナリマップは、複数のサブピクセルを有し、クラスター中心又は非中心のいずれかとして各サブピクセルを分類する。
(実験結果及び考察)
図53は、バイナリ分類モデル4600の層の詳細、層の出力の次元性、モデルパラメータの大きさ、及び層間の相互接続の詳細と共に、バイナリ分類モデル4600の例示的な構造を示す表である。同様の詳細は、「Binary_Classification_Model_Example_Architecture」という名称の付録に開示されている。
図54は、三元分類モデル5400の一実施態様を示す。図示の別の実施態様では、三元分類モデル5400は、入力画像データ1702をエンコーダサブネットワーク及び対応するデコーダサブネットワークを介して処理する、深層完全畳み込みセグメンテーションニューラルネットワークである。エンコーダサブネットワークは、エンコーダの階層を含む。デコーダサブネットワークは、低解像度のエンコーダ特徴部マップを完全入力解像度の三元マップ1718にマッピングするデコーダの階層を含む。別の実施形態では、三元分類モデル5400は、デコーダとエンコーダとの間のスキップ接続を有するU-Netネットワークである。分割ネットワークに関する更なる詳細は、「Segmentation Networks」と題された付録に見出すことができる。
(三元マップ)
(訓練)
図57は、三元分類モデル5400の層の詳細、層の出力の次元性、モデルパラメータの大きさ、及び層間の相互接続の詳細と共に、三元分類モデル5400の例示的な構造を示す表である。同様の詳細は、「Ternary_Classification_Model_Example_Architecture」という名称の付録に開示されている。
図58は、推論5800中の推論出力として三元マップ1718が三元分類モデル5400によって生成される推論5800中における三元分類モデル5400によるテンプレート生成の一実施態様である。三元マップ1718の一例は、「Ternary_Classification_Model_Ouput」と題された付録に開示されている。付録は、共に三元マップ1718を表す単位ごとのバイナリ分類スコア5810を含む。ソフトマックスアプリケーションでは、付録は、背景クラスの単位ごとの分類スコアの第1のアレイ5802aと、クラスター中心クラスの単位ごと分類スコアの第2のアレイ5802bと、クラスター/クラスター内部クラスの単位ごとの分類スコアの第3のアレイ5802cとを有する。
図61は、クラスター中心、クラスター背景、及びクラスター内部を識別するために、三元マップ1718を後処理に供する一実施態様を示す。上述のように、三元マップ1718は、予測された分類スコアに基づいて各サブピクセルを分類するユニット配列であり、アレイ内の各ユニットは、入力内の対応するサブピクセルを表す。分類スコアは、ソフトマックススコアであり得る。
図62aは、三元分類モデル5400の例示的予測を示す。図62aは、4つのマップを示し、各マップはユニット配列を有する。第1のマップ6202(左端の)は、クラスター中心クラス5802bの各ユニットの出力値を示す。第2のマップ6204は、クラスター/クラスター内部クラス5802cの各ユニットの出力値を示す。第3のマップ6206(右端)は、背景クラス5802aの各ユニットの出力値を示す。第4のマップ6208(底部)は、最も高い出力値を有するクラスラベルを各ユニットに割り当てる、グラウンドトゥルース三元マップ6008のバイナリマスクである。
図64は、バイナリ分類モデル4600、回帰モデル2600及びRTAベースコーラーの性能を比較する。性能は、様々な配列決定メトリックを使用して評価される。1つの指標は、検出されるクラスターの総数(「#クラスター」)であり、これは検出される固有のクラスター中心の数によって測定することができる。別のメトリックは、チェーチティフィルタ(「%PF」(パスフィルタ))を通過する検出されたクラスターの数である。配列決定実行のサイクル1-25の間、チェーチティフィルタは、画像抽出結果から少なくとも信頼性の高いクラスターを除去する。クラスターは、1つ以下のベースコールが、第1の25サイクルにおいて0.6未満のチェシティ値を有する場合には、「フィルタを通過する」。買い物客は、最も明るい塩基強度の比を、最も明るい試験と第2の最も明るいベース強度との合計で割ったものとして定義される。この指標は、検出されたクラスターの量を超えており、また、その品質、すなわち、検出されたクラスターのうちのどれだけが、変異型コーリング及び変異型病原性アノテーションなどの正確なベースコール及び下流の二次及び三元分析のために使用され得る。
図78A及び78Bは、配列決定システム7800Aの一実施態様を示す。配列決定システム7800Aは、構成可能プロセッサ7846を含む。構成可能プロセッサ7846は、本明細書に開示されるベースコール技術を実施態様する。配列決定システムは、「シーケンサ」とも称される。
ベースコールは、蛍光標識されたタグを分析物と共に組み込む又は取り付けることを含む。検体は、ヌクレオチド又はオリゴヌクレオチドであってよく、タグは、特定のヌクレオチド型(A、C、T、又はG)であってもよい。励起光は、タグを有する検体に向けられ、タグは検出可能な蛍光シグナル又は強度発光を発する。強度発光は、検体に化学的に結合された励起タグによって放出される光子を示す。
(コンピュータシステム)
我々は、ニューラルネットワークベースのテンプレート生成及びニューラルネットワークベースのベースコールの様々な実施態様を説明している。実施態様の1つ又はそれ以上の特徴を、ベース実施態様と組み合わせることができる。相互に排他的でない実施態様は、組み合わせ可能であると教示されている。実施態様の1つ又はそれ以上の特徴を他の実施態様と組み合わせることができる。本開示は、これらのオプションのユーザーを定期的に通知する。これらの選択肢を繰り返す列挙のいくつかの実施態様からの省略は、前述のセクションで教示されている組み合わせを制限するものとして解釈されるべきではない。これらの記載は、以下の実施のそれぞれに参照することにより本明細書に組み込まれる。
我々は、フローセルのタイル上の分析物についてメタデータを決定するコンピュータ実装の方法を開示している。本方法は、配列決定実行中に生成された一連の画像セットにアクセスすることを含み、各画像セットは、配列決定実行のそれぞれの配列決定サイクル中に生成されたシリーズ内に設定された一連の画像セットにアクセスすることを含み、シリーズ中の各画像は複数のサブピクセルを有する。本方法は、ベースカラーから、4つの塩基(A、C、T、及びG)のうちの1つとしてサブピクセルのそれぞれを分類するベースコールを取得することを含み、それにより、配列決定動作の複数の配列決定サイクルにわたってサブピクセルのそれぞれに対してベースコールシーケンスを生成することを含む。本方法は、実質的に一致するベースコールシーケンスを共有する連続するサブピクセルの不連続領域として検体を識別する分析物マップを生成することを含む。この方法は、不連続領域に基づいて、それらの形状及びサイズを含む分析物の空間的分布を決定する工程と、分類子を訓練するためのグラウンドトゥルースとして使用するために、メモリに分析物マップを記憶することと、を含む。
(訓練データ生成)
(メタデータ及びベースのコール生成)
本発明者らは、フローセル及び関連する分析物メタデータのタイル上の検体を識別するコンピュータ実装の方法を開示している。この方法は、入力画像データを、ニューラルネットワークを介して画像セットのシーケンスから処理し、入力画像データの代替表現を生成することを含む。画像セットのシーケンス内の各画像はタイルを覆い、タイル上の分析物の強度放射、及びフローセル上で実行される配列決定実行の複数の配列決定サイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、それらの周囲の背景とを示す。この方法は、出力層を通して代替表現を処理することと、その強度放射が入力画像データによって表され、隣接するサブピクセルの不連続領域としての、その入力画像データによって表される出力を生成することと、分析物の中心は、不連続領域のうちの対応する領域の質量の中心における中心副ピクセルとして、及びそれらの周囲の背景としての検体の中心は、不連続領域のうちのいずれかに属しない背景サブピクセルとして、それらの周囲の背景である。
本発明者らは、分析物及び関連する分析物メタデータを識別するためにニューラルネットワークを訓練するコンピュータ実装の方法を開示している。この方法は、ニューラルネットワークを訓練するための訓練データを取得することを含む。訓練データは、訓練実施例を処理することによってニューラルネットワークによって生成されるべき、複数の訓練実施例及び対応するグラウンドトゥルースデータを含む。各訓練実施例は、画像セットのシーケンスからの画像データを含む。画像セットのシーケンス内の各画像は、フローセルのタイルを覆い、タイル上の検体の強度放射及びフローセル上で実行される配列決定実行の複数の配列決定サイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、それらの周囲の背景を示す。各グラウンドトゥルースデータは、対応する訓練実施例の画像データによって示され、隣接するサブピクセルの不連続領域として、分析物の中心は、不連続領域のそれぞれの1つの質量の中心における中心サブピクセルとしての検体の中心、及びそれらの周囲の背景として、対応する訓練実施例の画像データによって示される分析物を識別する。この方法は、ニューラルネットワークを訓練し、出力とグラウンドトゥルースデータとの間の誤差を最小化する損失関数を反復的に最適化することと、誤差に基づいてニューラルネットワークのパラメータを更新することと、を含む、ニューラルネットワークを訓練し、訓練実施例の出力を生成することと、誤差に基づいてニューラルネットワークのパラメータを更新することと、を含む。
我々は、フローセル上の分析物に関するメタデータを決定するコンピュータ実装の方法を開示している。この方法は、分析物の強度放出を描写する画像データにアクセスすることと、ニューラルネットワークの1つ又はそれ以上の層を介して画像データを処理することと、画像データの代替表現を生成することと、出力層を通して代替表現を処理し、分析物及び/又は検体の中心の形状及びサイズのうちの少なくとも1つを識別する出力を生成することと、を含む、方法。
(バイナリ分類モデル)
(バイナリ分類モデルの訓練)
(三元分類モデル)
本発明者らは、分析物及び関連する分析物メタデータを識別するためにニューラルネットワークを訓練するコンピュータ実装の方法を開示している。この方法は、ニューラルネットワークを訓練するための訓練データを取得することを含む。訓練データは、訓練実施例を処理することによってニューラルネットワークによって生成されるべき、複数の訓練実施例及び対応するグラウンドトゥルースデータを含む。各訓練実施例は、画像セットのシーケンスからの画像データを含む。画像セットのシーケンス内の各画像は、フローセルのタイルを覆い、タイル上の検体の強度放射及びフローセル上で実行される配列決定実行の複数の配列決定サイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、それらの周囲の背景とを示す。各グラウンドトゥルースデータは、検体中心、検体形状、分析物サイズ、及び分析物境界を含む、入力画像データによって表される、分析物及びそれらの周囲の背景の空間的分布を特定する。グラウンドトゥルースデータは複数のサブピクセルを有し、複数のサブピクセル内の各サブピクセルは、背景、検体センター、又は分析物内部のいずれかとして分類される。この方法は、ニューラルネットワークを訓練し、出力とグラウンドトゥルースデータとの間の誤差を最小化する損失関数を反復的に最適化することと、誤差に基づいてニューラルネットワークのパラメータを更新することと、を含む、ニューラルネットワークを訓練し、訓練実施例の出力を生成することと、誤差に基づいてニューラルネットワークのパラメータを更新することと、を含む。
(セグメント化)
本発明者らは、分析物メタデータを決定するコンピュータ実装の方法を開示する。この方法は、ニューラルネットワークを通じて一連の画像セットから導出された入力画像データを処理することと、入力画像データの代替表現を生成することと、を含む。入力画像データは、検体及びそれらの周辺背景を描写するユニットのアレイを有する。この方法は、出力層を通して代替表現を処理し、アレイ内の各ユニットの出力値を生成することを含む。本方法は、ユニットの出力値を閾値化することと、周囲の背景を描写する背景ユニットとして、ユニットの第1のサブセットを分類することと、を含む。本方法は、ユニットの出力値内にピークを配置することと、分析物の中心を含む中心ユニットとして、ユニットの第2のサブセットを分類することと、を含む。
ニューラルネットワークベースの分析データ生成器
本発明者らは、フローセル及び関連する分析物メタデータのタイル上の検体を識別するコンピュータ実装の方法を開示している。この方法は、入力画像データを、ニューラルネットワークを介して画像セットのシーケンスから処理し、入力画像データの代替表現を生成することを含む。画像セットのシーケンス内の各画像はタイルを覆い、タイル上の分析物の強度放射、及びフローセル上で実行される配列決定実行の複数の配列決定サイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、それらの周囲の背景を示す。この方法は、出力層を介して代替表現を処理することと、その強度放射が入力画像データによって示されている出力を、隣接するユニットの不連続領域として生成することと、分析物の中心は、接合領域のそれぞれの1つの質量の中心における中心ユニット、及びそれらの周囲の背景としての検体の中心は、不連続領域のうちのいずれかに属しない背景ユニットとしてのそれらの周囲の背景と、を含む。
本発明者らは、フローセル及び関連する分析物メタデータのタイル上の検体を識別するコンピュータ実装の方法を開示している。この方法は、ニューラルネットワークを介して画像セットのシーケンスから入力画像データを処理することと、画像データの代替表現を生成することと、を含む。画像セットのシーケンス内の各画像はタイルを覆い、タイル上の分析物の強度放射、及びフローセル上で実行される配列決定実行の複数の配列決定サイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、それらの周囲の背景とを示す。この方法は、分類層を通して代替表現を処理することと、その強度放射が入力画像データによって示される検体の中心を識別する出力を生成することと、を含む。出力は複数のユニットを有し、複数のユニット内の各ユニットは、分析物中心又は非中心のいずれかとして分類される。
本発明者らは、フローセル及び関連する分析物メタデータのタイル上の検体を識別するコンピュータ実装の方法を開示している。この方法は、ニューラルネットワークを介して画像セットのシーケンスから入力画像データを処理することと、画像データの代替表現を生成することと、を含む。画像セットのシーケンス内の各画像はタイルを覆い、タイル上の分析物の強度放射、及びフローセル上で実行される配列決定実行の複数の配列決定サイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、それらの周囲の背景を示す。この方法は、分類層を通して代替表現を処理することと、分析物の中心、検体形状、分析物サイズ、及び/又は分析物境界のうちの少なくとも1つを含む、入力画像データによって表される分析物及びそれらの周囲の背景の空間分布を識別する出力を生成することと、を含む。出力は複数のユニットを有し、複数のユニット内の各ユニットは、背景、分析物中心、又は分析物内部のいずれかとして分類される。
項目
項目セット1
配列決定実行中に生成された一連の画像セットにアクセスする工程であって、各画像セットは、配列決定実行のそれぞれの配列決定サイクル中に生成された系列にアクセスする工程であって、シリーズ内の各画像は、検体及びそれらの周囲の背景を描き、シリーズ内の各画像が複数のサブピクセルを有する、工程と、
サブピクセルのそれぞれを分類するベースコールをベースコールから取得し、それにより、配列決定実行の複数の配列決定サイクルにわたって、サブピクセルのそれぞれについてベースコールシーケンスを生成することと、
実質的に一致するベースコールシーケンスを共有する連続するサブピクセルの複数の不連続領域を決定することと、
決定された不連続領域を識別する分析物マップを生成する工程と、を含む、方法。
2.項目1に記載のコンピュータ実装の方法であって、
連続するサブピクセルの決定された複数の不連続領域に基づいて分類子を訓練することを更に含み、分類子は、入力画像データを処理して減衰マップを生成するためのニューラルネットワークベースのテンプレート生成器であり、ニューラルネットワークベースの基地局によるベースコールのための、入力画像データに表される複数の分析物のそれぞれの1つ又はそれ以上の特性を表す三元マップ、又は、好ましくは、ハイスループット核酸配列技術におけるスループットのレベルを増加させるためのニューラルネットワークベースのバイナリマップである、方法。
3.条項1-2のいずれか一項に記載のコンピュータ実装の方法であって、
不連続領域のいずれにも属さないサブピクセルを背景として識別することによって、分析物マップを生成する工程、を更に含む、方法。
4.分析物マップが、ベースコールシーケンスが実質的に一致しない2つの連続するサブピクセル間の分析物境界部分を識別する、項目1-3のいずれか一項に記載のコンピュータ実装の方法。
5.連続するサブピクセルの複数の不連続領域を決定することが、
ベースコーラーによって決定された検体の予備中心座標における原点サブピクセルを特定することと、
発信元サブピクセルから開始し、連続的に連続した非原点サブピクセルを継続することによって、実質的に一致するベースコールシーケンスを幅優先探索する、ことを更に含む、項目1-4のいずれか一項に記載のコンピュータ実装の方法。
6.項目1-5のいずれか一項に記載のコンピュータ実装の方法であって、
分析物マップの不連続領域の質量中心を、不連続領域を形成するそれぞれの連続するサブピクセルの座標の平均として計算することによって、検体の超位置中心座標を決定する工程と、
分類子を訓練するためのグラウンドトゥルースとして使用するために、メモリ内の検体の超位置中心座標を記憶することと、を更に含む、方法。
7.項目6に記載のコンピュータ実装の方法であって、
検体の超位置中心座標における検体マップの不連続領域内の質量サブピクセルの中心を特定する工程と、
内挿を使用して分析物マップをアップサンプリングし、分類子を訓練するためのグラウンドトゥルースとして使用するために、メモリにアップサンプリングされた分析物マップを格納する工程と、
アップサンプリングされた分析物マップでは、隣接するサブピクセルが属する不連続領域内の質量サブピクセルの中心からの連続サブピクセルの距離に比例する減衰係数に基づいて、不連続領域内の各連続サブピクセルに値を割り当てる工程と、を更に含む、方法。
8.方法が、更に好ましくは、
分離された領域内の連続するサブピクセルを表し、背景として識別されたサブピクセルをそれぞれ割り当てられた値に基づいて表す、アップサンプリングされた検体マップから減衰マップを生成することと、
分類子を訓練するために、メモリに減衰マップを記憶することと、を含む、項目7に記載のコンピュータ実装の方法。
9.方法が、更により好ましくは、
アップサンプリングされた分析物マップにおいて、分析物基準で、不連続領域内の連続するサブピクセルを、同じ分析物に属する検体内部サブピクセルとして分類する工程と、分析物中心サブピクセルとしての質量サブピクセルの中心と、分析物境界部分を境界サブピクセルとして含むサブピクセルと、背景サブピクセルとして背景として特定されたサブピクセルとを分類する工程と、
分類部を訓練するために、メモリに分類を記憶することと、を含む、項目8に記載のコンピュータ実装の方法。
10.項目1-9のいずれか一項に記載のコンピュータ実装の方法であって、
分析物に基づいて、分析物内部サブピクセル、分析物中心サブピクセル、境界サブピクセル、及び背景サブピクセルを、分類子を訓練するためのグラウンドトゥルースとして使用するために、メモリ内に保存することと、
分析物マップをアップサンプリングするために使用される因子によって座標をダウンスケールすることと、
分類子を訓練するためのグラウンドトゥルースとして使用するために、分析物に基づいてメモリにダウンスケールされた座標を記憶することと、を更に含む、方法。
11.項目1-10のいずれか一項に記載のコンピュータ実装の方法であって、
アップサンプリングされた分析物マップから生成されたバイナリグラウンドトゥルースデータにおいて、分析物センタークラスに属するように分析物センターサブピクセルをラベル化し、他の全てのサブピクセルが非中心クラスに属することと、
分類子を訓練するために、メモリにバイナリグラウンドトゥルースデータを記憶することと、を更に含む、方法。
12.項目1-11のいずれか一項に記載のコンピュータ実装の方法であって、
アップサンプリングされた分析物マップから生成された三元グラウンドトゥルースデータにおいて、背景クラスに属するとして背景サブピクセルをラベル化し、分析物センタークラスに属する検体センターサブピクセル、及び分析物内部クラスに属する検体内部サブピクセルをラベル化することと、
分類子を訓練するためのグラウンドトゥルースとして使用するために、メモリに三元グラウンドトゥルースデータを記憶することと、を更に含む、方法。
13.項目1-12のいずれか一項に記載のコンピュータ実装の方法であって、
フローセルの複数のタイルの分析物マップを生成する工程と、
分析物マップをメモリに記憶し、それらの形状及びサイズを含む、分析物マップに基づいて、タイル内の検体の空間的分布を決定する工程と、
タイル中の検体のアップサンプリングされた分析物マップにおいて、分析物によって分析物ベースで、同じ検体、分析物中心サブピクセル、境界サブピクセル、及び背景サブピクセルに属する分析物内部サブピクセルとして分類する工程と、
分類器を訓練するために、メモリに分類を記憶することと、
分析物による分析物基準で、分類子を訓練するために、分析物内部サブピクセル、分析物中心サブピクセル、境界サブピクセル、及び背景サブピクセルを、分析物に基づいて分析物に基づいて記憶する工程と、
分析物マップをアップサンプリングするために使用される因子によって座標をダウンスケールする工程と、
分級機を訓練するために、分析物に基づいてタイルにわたってダウンスケールされた座標をメモリに記憶して、分類子を訓練することと、を更に含む、方法。
14.ベースコールシーケンスが、ベースコールの所定の部分が順序位置ごとに一致するときに実質的に一致する、項目1-13のいずれかに記載のコンピュータ実装の方法。
15.実質的に一致するベースコールシーケンスを共有する連続するサブピクセルの複数の不連続領域を決定することが、不連続領域のための所定の最小数のサブピクセルに基づく、項目1-14のいずれかに記載のコンピュータ実装の方法。
16.フローセルが、検体を占有するウェルのアレイを有する少なくとも1つのパターン化表面を有し、更に、
分析物の決定された形状及びサイズに基づいて、判定する
ウェルのうちの1つが、少なくとも1つの分析物によって実質的に占有され、
ウェルのうちの1つが最小限に占有され、
ウェルのうちの1つは、複数の検体によって共占有される、項目1-15のいずれかに記載のコンピュータ実装の方法。
17.フローセルのタイル上の分析物に関するメタデータを決定するコンピュータ実装の方法であって、
配列決定実行中に捕捉されたタイルの画像のセットにアクセスすることと、ベースコーラーによって決定された検体の予備中心座標にアクセスすることと、
それぞれの画像セットについて、ベースコーラーから、4つのベースのうちの1つとしてベースコール分類を取得することと、
予備中心座標を含む原点サブピクセルと、
ソースサブピクセルのうちの対応する1つに連続的に連続して連続する連続サブピクセルの所定の近傍、
それにより、原点サブピクセルのそれぞれ及び連続するサブピクセルの所定の近傍のそれぞれに対して、ベースコールシーケンスを生成することと、
連続するサブピクセルの不連続領域として分析物を識別する分析物マップを生成することと、
原点サブピクセルのそれぞれのうちの少なくとも一部に連続的に連続しており、
4つのベースのうちの1つの実質的に一致するベースコールシーケンスを原点サブピクセルのうちのそれぞれの1つの少なくとも一部と共有することと、
分析物マップをメモリに保存し、分析物マップ内の不連続領域に基づいて、分析物の形状及びサイズを決定する工程と、を含む、方法。
18.ニューラルネットワークベースのテンプレート生成及びベースコールのための訓練データを生成するコンピュータ実装の方法であって、
配列決定実行の複数のサイクルにわたって捕捉されたフローセルの多数の画像にアクセスする工程であって、フローセルが複数のタイルを有し、多数の画像において、タイルのそれぞれが、複数のサイクルにわたって生成された一連の画像セットを有し、特定の1回のサイクルにおける、特定のタイルのうちの特定の1つの分析物及びそれらの周囲の背景の強度放出を示す、画像セットのシーケンス内の各画像と、
複数の訓練実施例を有する訓練セットを構築することであって、各訓練実施例が、タイルのうちの特定の1つに対応し、タイルのうちの特定の1つの画像セットのシーケンス内の少なくともいくつかの画像セットからの画像データを含む、ことと、
訓練実施例のそれぞれについて少なくとも1つのグラウンドトゥルースデータ表現を生成することであって、グラウンドトゥルース表現は、画像データによって示され、少なくとも部分的に、項目1-17のいずれかの方法を使用して判定される、少なくとも1つのグラウンドトゥルースデータ表現を生成する、方法。
19.検体の少なくとも1つの特性が、タイル上の検体の空間分布、分析物形状、分析物サイズ、分析物境界、及び単一の分析物を含む連続領域の中心からなる群から選択される、項目18に記載のコンピュータ実装の方法。
20.画像データが、タイルのうちの特定の1つの画像セットのシーケンス内の少なくとも一部の画像セットのそれぞれの画像を含む、項目18-19のいずれかに記載のコンピュータ実装の方法。
21.画像データが、画像のそれぞれから少なくとも1つの画像パッチを含む、項目18-20に記載のコンピュータ実装の方法。
22.画像データが、画像パッチのアップサンプリングされた表現を含む、項目18-21のいずれかに記載のコンピュータ実装の方法。
23.複数の訓練実施例が、タイルのうちの同じ特定の1つに対応し、それぞれ、タイルのうちの同じ特定の1つの画像セットのシーケンス内の少なくとも一部の画像セットのそれぞれの画像から異なる画像パッチをそれぞれ含み、異なる画像パッチのうちの少なくとも一部が互いに重なり合う、項目18-22のいずれかに記載のコンピュータ実装の方法。
24.グラウンドトゥルースデータ表現が、隣接するサブピクセルの不連続領域として検体を識別し、検体の中心は、不連続領域のうちの対応する領域内の質量サブピクセルの中心として検体の中心、及びそれらの周囲の背景として、それらの分析物の中心を、不連続領域のうちのいずれにも属さないサブピクセルとして識別する、項目18-23に記載のコンピュータ実装の方法。
25.項目18-24のいずれか一項に記載のコンピュータ実装の方法であって、
訓練セット及び関連するグラウンドトゥルースデータ表現内の訓練実施例を、ニューラルネットワークベースのテンプレート生成及びベースコールのための訓練データとして記憶すること、を更に含む、方法。
26.コンピュータ実装の方法であって、
シーケンサによって生成された検体のシーケンス画像にアクセスすることと、
シーケンス画像から訓練データを生成することと、
ニューラルネットワークを訓練するための訓練データを使用して、分析物に関するメタデータを生成することと、を含む、方法。
27.コンピュータ実装の方法であって、
シーケンサによって生成された検体のシーケンス画像にアクセスすることと、
シーケンス画像から訓練データを生成することと、
ニューラルネットワークを訓練するための訓練データを使用して、検体をベースに呼び出すことと、を含む方法。
28.フローセルのタイル上の検体を示す画像領域を決定するコンピュータ実装の方法であって、
配列決定実行中に生成された一連の画像セットにアクセスする工程であって、各画像セットは、配列決定実行のそれぞれの配列決定サイクル中に生成された系列にアクセスする工程であって、シリーズ内の各画像は、検体及びそれらの周囲の背景を描き、シリーズ内の各画像が複数のサブピクセルを有する、工程と、
サブピクセルのそれぞれを分類するベースコールをベースコールから取得し、それにより、配列決定実行の複数の配列決定サイクルにわたって、サブピクセルのそれぞれについてベースコールシーケンスを生成することと、
実質的に一致するベースコールシーケンスを共有する隣接するサブピクセルの複数の不連続領域を決定することと、を含む、方法。
項目セット2
1.クラスターメタデータ判定タスクのためのニューラルネットワークベースのテンプレート生成器を訓練するために、接地トラス訓練データを生成するコンピュータ実装の方法であって、
配列決定実行中に生成された一連の画像セットにアクセスすることであって、各画像セットは、配列決定実行のそれぞれの配列決定サイクル中に生成された一連の画像セットにアクセスすることであって、一連の画像が、クラスター及びそれらの周囲の背景を描き、ピクセルのそれぞれは、サブピクセルドメイン内の複数のサブピクセルに分割され、
サブピクセルの各々を4つの塩基(A、C、T、及びG)のうちの1つと分類するベースコールを取得することであって、それにより、配列決定動作の複数の配列決定サイクルにわたって、サブピクセルのそれぞれについてベースコールシーケンスを生成することと、
実質的に一致するベースコールシーケンスを共有する隣接するサブピクセルの不連続領域としてクラスターを識別するクラスターマップを生成することと、
クラスターマップ内の不連続領域に基づいてクラスターメタデータを決定することと、
クラスターメタデータが、クラスター中心、クラスター形状、クラスターサイズ、クラスター背景、及び/又はクラスター境界を含み、
クラスターメタデータを使用して、クラスターメタデータ判定タスクのためのニューラルネットワークベースのテンプレート生成器を訓練するグラウンドトゥルース訓練データを生成するために、クラスターメタデータを使用して、
グラウンドトゥルース訓練データが、減衰マップ、三元マップ、又はバイナリマップを含み、
ニューラルネットワークベースのテンプレート生成器が、グラウンドトゥルース訓練データに基づいて、減衰マップ、三元マップ、又はバイナリマップを出力として生成するように訓練され、
推論中のクラスターメタデータ判定タスクの実行時に、クラスターメタデータは、次に、訓練されたニューラルネットワークベースのテンプレート生成器によって出力として生成される減衰マップ、三元マップ、又はバイナリマップから決定される、クラスターメタデータである、コンピュータ実装の方法。
2.請求項1に記載のコンピュータ実装の方法であって、
ハイスループット核酸配列決定技術におけるスループットを増加させるために、ニューラルネットワークベースのベースコーラーによってベースコールするためのニューラルネットワークベースのテンプレート生成器による出力として生成された、減衰マップ、三元マップ、又はバイナリマップから導き出されたクラスターメタデータを使用すること、を更に含む、方法。
3.請求項1に記載のコンピュータ実装の方法であって、
不連続領域のいずれにも属さないサブピクセルを背景として識別することによって、クラスターマップを生成すること、を更に含む、方法。
4.クラスターマップが、ベースコールシーケンスが実質的に一致しない2つの連続するサブピクセル間のクラスター境界部分を識別する、請求項1に記載のコンピュータ実装の方法。
5.クラスターマップが、
ベースコーラーによって決定されたクラスターの予備中心座標における原点サブピクセルを特定することと、
発信元サブピクセルから開始し、連続的に連続した非原点サブピクセルを継続することによって、実質的に一致するベースコールシーケンスを幅優先探索する、請求項1に記載のコンピュータ実装の方法。
6.請求項1に記載のコンピュータ実装の方法であって、
クラスターマップの不連続領域の質量の中心を、不連続領域を形成するそれぞれの連続するサブピクセルの座標の平均として計算することによって、クラスターの超位置中心座標を決定することと、
ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリ内のクラスターの超位置中心座標を記憶することと、を更に含む、方法。
7.請求項6に記載のコンピュータ実装の方法であって、
クラスターの超位置中心座標におけるクラスターマップの非接合領域内の質量サブピクセルの中心を特定することと、
補間を使用してクラスターマップをアップサンプリングし、ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリ内にアップサンプリングされたクラスターマップを記憶することと、
アップサンプリングされたクラスターマップでは、隣接するサブピクセルが属する不連続領域内の質量サブピクセルの中心からの隣接するサブピクセルの距離に比例する減衰係数に基づいて、不連続領域内の各連続サブピクセルに値を割り当てることと、を更に含む、方法。
8.請求項7に記載のコンピュータ実装の方法であって、
不連続領域内の連続するサブピクセルを表し、サブピクセルが割り当てられた値に基づいて背景として特定される、アップサンプリングされたクラスターマップから減衰マップを生成することと、
ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリに減衰マップを記憶することと、を更に含む、方法。
9.請求項8に記載のコンピュータ実装の方法であって、
アップサンプリングされたクラスターマップにおいて、クラスターごとにクラスターごとに、分離された領域内の連続するサブピクセルを、同じクラスターに属するクラスター内部サブピクセルとして分類することと、クラスターの中心サブピクセルとしての質量サブピクセルの中心と、クラスター境界部分を含むサブピクセルと、背景サブピクセルとして背景として特定されたサブピクセルとを分類することと、
ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリに分類を記憶することと、を更に含む、方法。
10.請求項9に記載のコンピュータ実装の方法であって、
クラスターにクラスターごとに、クラスター内部サブピクセル、クラスター中心サブピクセル、境界サブピクセル、及び背景サブピクセルを、ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリ内に背景サブピクセルを記憶することと、
クラスターマップをアップサンプリングするために使用される因子によって座標をダウンスケールすることと、
クラスターごとに、ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリにダウンスケールされた座標を記憶することと、を更に含む、方法。
11.請求項10に記載のコンピュータ実装の方法であって、
フローセルの複数のタイルのクラスターマップを生成することと、
クラスターマップをメモリに記憶し、クラスター中心、クラスター形状、クラスターサイズ、クラスター背景、及び/又はクラスター境界を含む、クラスターマップに基づいて、クラスター内のクラスターのクラスターメタデータを決定することと、
タイル内のクラスターのアップサンプリングされたクラスターマップにおいて、クラスターごとにサブピクセルをクラスターごとに分類することと、同じクラスターに属するクラスター内部サブピクセルとしてのサブピクセル、クラスター中心サブピクセル、境界サブピクセル、及び背景サブピクセルに分類することと、
ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリに分類を記憶することと、
クラスターにクラスターごとに、クラスター内部サブピクセルの座標、クラスター中心サブピクセル、境界サブピクセル、及び背景サブピクセルを、ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリ内に背景サブピクセルを記憶することと、
クラスターマップをアップサンプリングするために使用される因子によって座標をダウンスケールすることと、
タイルにわたるクラスターごとに、ニューラルネットワークベースのテンプレート生成器を訓練するためのグラウンドトゥルース訓練データとして使用するために、メモリ内のダウンスケールされた座標を記憶することと、を更に含む、方法。
12.ベースコールシーケンスが、ベースコールの所定の部分が、順序位置ごとに一致するときに実質的に一致する、請求項11に記載のコンピュータ実装の方法。
13.クラスターマップが、不連続領域のための所定の最小数のサブピクセルに基づいて生成される、請求項1に記載のコンピュータ実装の方法。
14.フローセルが、クラスターを占有するウェルのアレイを有する少なくとも1つのパターン化表面を有し、更に、
クラスターの決定された形状及びサイズに基づいて、決定する
ウェルのうちの1つが、少なくとも1つのクラスターによって実質的に占有され、
ウェルのうちの1つが最小限に占有され、
ウェルのうちの1つは、複数の集団によって共占有される、請求項1に記載のコンピュータ実装の方法。
15.フローセルのタイル上のクラスターに関するメタデータを決定するコンピュータ実装の方法であって、
配列決定実行中に捕捉されたタイルの画像のセットにアクセスすることと、ベースラブラによって決定されたクラスターの予備中心座標にアクセスすることと、
それぞれの画像セットについて、ベースコーラーから、4つのベースのうちの1つとしてベースコール分類を取得することと、
予備中心座標を含む原点サブピクセルと、
ソースサブピクセルのうちの対応する1つに連続的に連続して連続する連続サブピクセルの所定の近傍、
それにより、原点サブピクセルのそれぞれ及び連続するサブピクセルの所定の近傍のそれぞれに対して、ベースコールシーケンスを生成することと、
隣接するサブピクセルの不連続領域としてクラスターを識別するクラスターマップを生成することと、
原点サブピクセルのそれぞれのうちの少なくとも一部に連続的に連続しており、
4つのベースのうちの1つの実質的に一致するベースコールシーケンスを原点サブピクセルのうちのそれぞれの1つの少なくとも一部と共有することと、
クラスターマップをメモリに記憶し、クラスターマップ内の不連続領域に基づいて、クラスターの形状及びサイズを決定することと、を含む、方法。
16.ニューラルネットワークベースのテンプレート生成及びベースコールのための訓練データを生成するコンピュータ実装の方法であって、
配列決定実行の複数のサイクルにわたって捕捉されたフローセルの多数の画像にアクセスする工程であって、フローセルが複数のタイルを有し、多数の画像において、タイルのそれぞれが、複数のサイクルにわたって生成された一連の画像セットを有し、特定の1つのサイクルにおける、クラスターの強度放出及びそれらの周辺背景を示す、画像セットのシーケンス内の各画像は、特定の1つのサイクルでのタイルのうちの特定の1つの上にある、工程と、
複数の訓練実施例を有する訓練セットを構築することであって、各訓練実施例が、タイルのうちの特定の1つに対応し、タイルのうちの特定の1つの画像セットのシーケンス内の少なくともいくつかの画像セットからの画像データを含む、ことと、
訓練実施例のそれぞれについて、少なくとも1つのグラウンドトゥルースデータ表現を生成することであって、グラウンドトゥルースデータ表現は、画像データによって強度放射が描かれているタイルのうちの特定の1つの分析物の特性を識別する、ことと、を含む、方法。
17.クラスターの少なくとも1つの特性が、タイル上のクラスターの空間的分布、クラスター形状、クラスターサイズ、クラスター境界、及び単一クラスターを含む連続領域の中心からなる群から選択される、請求項16に記載のコンピュータ実装の方法。
18.画像データが、タイルの特定の1つの画像セットのシーケンス内の少なくともいくつかの画像セットのそれぞれの画像を含む、請求項16に記載のコンピュータ実装の方法。
19.画像データが、画像のそれぞれから少なくとも1つの画像パッチを含む、請求項18に記載のコンピュータ実装の方法。
20.画像データが、画像パッチのアップサンプリングされた表現を含む、請求項19に記載のコンピュータ実装の方法。
21.複数の訓練実施例が、タイルのうちの同じ特定の1つに対応し、それぞれ、タイルのうちの同じ特定の1つの画像セットのシーケンス内の少なくとも一部の画像セットのそれぞれの画像から異なる画像パッチをそれぞれ含み、異なる画像パッチのうちの少なくとも一部が互いに重なり合う、請求項16に記載のコンピュータ実装の方法。
22.グラウンドトゥルースデータ表現が、隣接するサブピクセルの不連続領域としてクラスターを識別し、クラスターの中心が、不連続領域のうちの対応する1つの内部の質量サブピクセルの中心としてのクラスターの中心、及び不連続領域のうちのいずれかに属しないサブピクセルとして周辺背景と、を識別する、請求項16に記載のコンピュータ実装の方法。
23.請求項16に記載のコンピュータ実装の方法であって、
訓練セット及び関連するグラウンドトゥルースデータ表現内の訓練実施例を、ニューラルネットワークベースのテンプレート生成及びベースコールのための訓練データとして記憶すること、を更に含む、方法。
24.コンピュータ実装の方法であって、
シーケンサによって生成されたクラスターのシーケンス画像にアクセスすることと、
シーケンス画像から訓練データを生成することと、
ニューラルネットワークを訓練するための訓練データを使用して、クラスターに関するメタデータを生成する、方法。
25.コンピュータ実装の方法であって、
シーケンサによって生成されたクラスターのシーケンス画像にアクセスすることと、
シーケンス画像から訓練データを生成することと、
ニューラルネットワークを訓練するための訓練データを使用して、クラスターを呼び出す、方法。
26.フローセルのタイル上の検体を示す画像領域を決定するコンピュータ実装の方法であって、
配列決定実行中に生成された一連の画像セットにアクセスする工程であって、各画像セットは、配列決定実行のそれぞれの配列決定サイクル中に生成された系列にアクセスする工程であって、シリーズ内の各画像は、検体及びそれらの周囲の背景を描き、シリーズ内の各画像が複数のサブピクセルを有する、工程と、
サブピクセルのそれぞれを分類するベースコールをベースコールから取得し、それにより、配列決定実行の複数の配列決定サイクルにわたって、サブピクセルのそれぞれについてベースコールシーケンスを生成することと、
実質的に一致するベースコールシーケンスを共有する連続するサブピクセルの複数の不連続領域を決定することと、
決定された不連続領域を識別するクラスターマップを生成することと、を含む、方法。
項目セット3
1.1つ又はそれ以上の分析物に基づいて生成された画像データから分析物データを決定する、ニューラルネットワークによって実行される方法であって、
入力画像データを受信することであって、入力画像データが画像のシーケンスから導出され、
画像シーケンス内の各画像が画像化領域を表し、1つ又はそれ以上の分析物を示す強度発光、及びシークエンシングランの複数のシークエンシングサイクルのうちの対応する1つの強度放射の周囲背景を示す、画像のシーケンス内の各画像は、画像化された領域を表し、
入力画像データが、画像シーケンス内の各画像から抽出された画像パッチを含む、ことと、
入力画像データをニューラルネットワークを通して処理して、入力画像データの代替表現を生成することと、
代替表現を出力層を通して処理して、画像化領域のそれぞれの部分の特性を示す出力を生成することと、を含む、ニューラルネットワークによって実行される方法。
2.特性が、
一部が背景又は分析物を表すかどうか、及び
一部が、それぞれ同じ分析物を表す複数の連続する画像部分の中心を表すかどうか、を含む、項目1に記載のニューラルネットワークによって実行される方法。
3.出力が、
入力画像データによって強度放射が描写された、1つ又はそれ以上の分析物を、隣接するユニットの不連続領域として、
1つ又はそれ以上の分析物の中心を、不連続領域のうちのそれぞれの領域の質量の中心における中心単位として、及び、
強度放出の周囲背景を、不連続領域のうちのいずれかに属しない背景ユニットとして識別する、項目1に記載のニューラルネットワークによって実行される方法。
4.不連続領域のうちのそれぞれの領域内の隣接ユニットが、隣接するユニットが属する接合領域内の中心ユニットからの隣接ユニットの距離に従って重み付けされた強度値を有する、項目3に記載のニューラルネットワークによって実行される方法。
5.出力が、分析物又は背景として各部分を分類するバイナリマップである、項目1~4のいずれかに記載のニューラルネットワークによって実行される方法。
6.出力が、分析物、背景、又は中心として各部分を分類する三元マップである、項目1~5のいずれかに記載のニューラルネットワークによって実行される方法。
7.
ピークロケータを出力に適用して、出力におけるピーク強度を見つけることと、
ピーク強度に基づいて、検体の中心の位置座標を決定することと、
入力画像データを作成するために使用されるアップサンプリング係数によって位置座標をダウンスケールすることと、
分析物を呼び出すベースコールするのに使用するために、ダウンスケールされた場所座標をメモリに記憶することと、を更に含む、項目1~6のいずれかに記載のニューラルネットワークによって実行される方法。
8.
不連続領域のうちのそれぞれの領域内の隣接するユニットを、同じ分析物に属する検体内部ユニットとして分類することと、
分析物をベースコールするのに使用するための分析物による分析物ベースで、メモリ内の分析物内部ユニットの分類及びダウンスケールされた位置座標を記憶することと、を更に含む、項目1~7のいずれかに記載のニューラルネットワークによって実行される方法。
9.
ニューラルネットワークを訓練するための訓練データを取得することであって、
訓練データは、複数の訓練実施例及び対応するグラウンドトゥルースデータを含み、
各訓練実施例は、画像セットのシーケンスからの画像データを含み、
画像セットのシーケンス内の各画像がフローセルのタイルを表し、フローセル上で実行されるシークエンシングランの複数のシークエンシングサイクルのうちの特定の1つで、特定の画像チャネルのために捕捉された、タイル及びそれらの周囲の背景上の検体の強度放出を示す、ことと、
各グラウンドトゥルースデータは、訓練実施例のそれぞれの部分の特性を特定し、勾配降下訓練技術を使用して、ニューラルネットワークを訓練する、ことと、反復的に含まれるグラウンドトゥルースデータに漸進的に一致する訓練実施例の出力を生成することであって、
出力とグラウンドトゥルースとの間の誤差を最小化する損失関数を最適化することと、
エラーに基づいて、ニューラルネットワークのパラメータを更新することと、を更に含む、項目1~8のいずれかに記載のニューラルネットワークによって実行される方法。
10.特性が、ユニットが中心であるか又は非中心であるかどうかを識別することを含む、項目1~9のいずれかに記載のニューラルネットワークによって実行される方法。
11.
最後の反復後の誤差収束の際に、メモリ内のニューラルネットワークの更新されたパラメータを記憶して、更なるニューラルネットワークベースのテンプレート生成及びベースコールに適用されることを更に含む、項目9に記載のニューラルネットワークによって実行される方法。
12.グラウンドトゥルースデータにおいて、不連続領域のうちのそれぞれの領域内の隣接ユニットが、隣接ユニットが属する接合領域内の中心ユニットからの隣接ユニットの距離に従って重み付けされた強度値を有する、項目9~11のいずれかに記載のニューラルネットワークによって実行される方法。
13.グラウンドトゥルースデータにおいて、中心ユニットが、不連続領域のうちのそれぞれの領域内に最も高い強度値を有する、項目9~11のいずれかに記載のニューラルネットワークによって実行される方法。
14.損失関数が平均二乗誤差であり、出力及びグラウンドトゥルースデータにおける対応するユニットの正規化された強度値間の単位基準で、損失関数が平均二乗誤差であり、誤差が最小化される、項目9~13のいずれかに記載のニューラルネットワークによって実行される方法。
15.訓練データにおいて、複数の訓練例がそれぞれ、同じタイルの画像セットのシーケンス内の各画像から異なる画像パッチを画像データとして含み、
異なる画像パッチのうちの少なくとも一部が互いに重なり合う、項目9~14のいずれかに記載のニューラルネットワークによって実行される方法。
16.
グラウンドトゥルースデータにおいて、
分析物中心として分類される単位は全て、同じ第1の所定のクラススコアを割り当てられ、
非中心として分類される単位は全て、同じ第2の所定のクラススコアを割り当てられる、項目9~15のいずれかに記載のニューラルネットワークによって実行される方法。
17.損失関数が、カスタム加重バイナリクロスエントロピー損失であり、出力及びグラウンドトゥルースにおける対応するユニットの予測スコアとグラウンドトゥルースデータとの間の単位ベースで最小化される、項目9~16のいずれかに記載のニューラルネットワークによって実行される方法。
18.グラウンドトゥルースデータにおいて、
背景として分類される単位は全て、同じ第1の所定のクラススコアを割り当てられ、
分析物中心として分類される単位は全て、同じ第2の所定のクラススコアを割り当てられ、
分析物内部として分類される単位は全て、同じ第3の所定のクラススコアを割り当てられる、項目9~17のいずれかに記載のニューラルネットワークによって実行される方法。
19.
ユニットの出力値を閾値化し、ユニットの第1のサブセットを、周辺背景を示す背景ユニットとして分類することと、
ユニットの出力値内にピークを配置し、ユニットの第2のサブセットを、検体の中心を含む中心ユニットとして分類することと、
ユニットの出力値にセグメント化器を適用し、背景ユニットによって分離され、かつ中心ユニットを中心に配置された連続ユニットの非重複領域として、分析物の形状を決定することであって、セグメント化器が中心ユニットから始まり、各中心ユニットに対して、中心が中心ユニットに収容されている同じ分析物を示す連続的に連続する単位の群を決定することと、を更に含む、項目1~18のいずれかに記載のニューラルネットワークによって実行される方法。
20.項目1~19のいずれかに記載のニューラルネットワークによって実行される方法であって、非重複領域が不規則な輪郭を有し、ユニットがユニットであり、
所与の分析物の分析物強度を、
所与の分析物の形状を特定する連続ユニットの対応する非重複領域に基づいて、検体に寄与する単位を特定することと、
現在のシークエンシングサイクルで1つ又はそれ以上の画像チャネルに対して生成された1つ又はそれ以上の光学ピクセル解像度画像内に特定されたユニットを配置することと、
画像のそれぞれにおいて、特定された単位の強度を補間することと、補間された強度を組み合わせ、組み合わせられた補間強度を正規化して、画像のそれぞれにおける所与の分析物のための画像ごとの分析物強度を生成することと、
画像のそれぞれについて画像ごとの分析物強度を組み合わせて、現在のシークエンシングサイクルにおいて、所与の分析物の分析物増強を決定することと、によって決定することを更に含む、でニューラルネットワークによって実行される方法。
21.項目1~20のいずれかに記載のニューラルネットワークによって実行される方法であって、非重複領域が不規則な輪郭を有し、ユニットがユニットであり、
所与の分析物の分析物増強を、
所与の分析物の形状を特定する連続ユニットの対応する非重複領域に基づいて、検体に寄与する単位を特定することと、
特定されたユニットを、対応する光学的にアップサンプリングされた1つ又はそれ以上の単位解像度画像内に配置することであって、ピクセル解像度画像が、現在のシークエンシングサイクルで1つ又はそれ以上の画像チャネルに対して生成された、ことと、
アップサンプリングされた画像のそれぞれにおいて、識別されたユニットの強度を組み合わせ、組み合わせられた強度を正規化して、アップサンプリングされた画像のそれぞれにおいて、所与の分析物のための画像ごとの分析物強度を生成することと、
アップサンプリングされた画像のそれぞれに関する画像ごとの分析物強度を組み合わせて、現在のシークエンシングサイクルにおいて、所与の分析物の分析物強度を決定することと、によって決定することを更に含む、ニューラルネットワークによって実行される方法。
22.正規化が正規化係数に基づいており、正規化係数が特定された単位の数である、項目1~21のいずれかに記載のニューラルネットワークによって実行される方法。
23.
現在のシークエンシングサイクルにおいて、分析物強度に基づいて、所与の分析物をベースコールする工程と、を更に含む、項目1~22のいずれかに記載のニューラルネットワークによって実行される方法。
24.フローセル上の分析物に関するメタデータを決定するニューラルネットワークによって実行される方法であって、
検体の強度放出を表す画像データにアクセスすることと、
ニューラルネットワークの1つ又はそれ以上の層を介して画像データを処理し、画像データの代替表現を生成することと、
代替表現を出力層を通して処理し、分析物及び/又は分析物の中心の形状及びサイズのうちの少なくとも1つを識別する出力を生成することと、を含む、ニューラルネットワークによって実行される方法。
25.項目24に記載のニューラルネットワークによって実行される方法であって、画像データが、分析物の周囲の背景の強度放射を更に描写し、
出力は、分析物間の周囲の背景及び境界を含む、フローセル上の検体の空間的分布を特定することを更に含む、ニューラルネットワークによって実行される方法。
26.コンピュータ実装の方法であって、
ニューラルネットワークを介して画像データを処理し、画像データの代替表現を生成することであって、画像データが、分析物の強度放出を表す、工程と、
出力層を通して代替表現を処理し、分析物の空間的分布、分析物の形状、分析物の中心、及び/又は分析物間の境界のうちの少なくとも1つを含む、分析物に関するメタデータを識別する出力を生成する工程と、を含む、コンピュータ実装の方法。
27.1つ又はそれ以上のクラスターに基づいて生成された画像データからクラスターメタデータを決定するニューラルネットワークによって実行される方法であって、
入力画像データを受信することであって、入力画像データが画像のシーケンスから導出され、
画像のシーケンス内の各画像が画像化領域を表し、シークエンシングランの複数のシークエンシングサイクルのうちの対応する1つにおいて、1つ又はそれ以上のクラスター及びそれらの周囲の背景の強度放射を示し、
入力画像データが、画像シーケンス内の各画像から抽出された画像パッチを含む、ことと、
入力画像データをニューラルネットワークを通して処理して、入力画像データの代替表現を生成することであって、ニューラルネットワークが、クラスター背景、クラスター中心、及びクラスター形状を決定することを含む、クラスターメタデータ判定タスクについて訓練される、ことと、代替表現を出力層を通して処理して、画像化領域のそれぞれの部分の特性を示す出力を生成することと、
出力の出力値を閾値化し、周辺背景を描写する背景部分として撮像領域のそれぞれの部分の第1のサブセットを分類することと、
出力の出力値内にピークを配置し、撮像領域のそれぞれの部分の第2のサブセットをクラスターの中心を含む中心部分として分類することと、
出力の出力値にセグメント化器を適用し、背景部分によって分離され、中心部分で中心に置かれた画像化領域の連続部分の非重複領域としてクラスターの形状を決定することと、を含む、ニューラルネットワークによって実行される方法。
28.クラスター背景、クラスター中心、及びクラスター形状を含むクラスターメタデータを、1つ又はそれ以上のクラスターに基づいて生成された画像データから決定する、ニューラルネットワークによって実行される方法であって、
入力画像データを受信することであって、入力画像データが画像のシーケンスから導出され、
画像のシーケンス内の各画像が画像化領域を表し、シークエンシングランの複数のシークエンシングサイクルのうちの対応する1つにおいて、1つ又はそれ以上のクラスター及びそれらの周囲の背景の強度放射を示し、
入力画像データが、画像シーケンス内の各画像から抽出された画像パッチを含む、ことと、
入力画像データをニューラルネットワークを通して処理して、入力画像データの代替表現を生成することであって、ニューラルネットワークが、クラスター背景、クラスター中心、及びクラスター形状を決定することを含む、クラスターメタデータ判定タスクについて訓練される、ことと、代替表現を出力層を通して処理して、画像化領域のそれぞれの部分の特性を示す出力を生成することと、
出力の出力値を閾値化し、周辺背景を描写する背景部分として撮像領域のそれぞれの部分の第1のサブセットを分類することと、
出力の出力値内にピークを配置し、撮像領域のそれぞれの部分の第2のサブセットをクラスターの中心を含む中心部分として分類することと、
出力の出力値にセグメント化器を適用し、撮像領域の連続部分の非重複領域としてクラスターの形状を決定することと、を含む、ニューラルネットワークによって実行される方法。
1702 入力画像データ
1704 アレイ
1706 ニューラルネットワーク
1708 代替表現
1710 出力層
1712 出力値
1714 出力
1716 減衰マップ
1718 三元マップ
1720 バイナリマップ
Claims (27)
- クラスター背景、クラスター中心、及びクラスター形状を含むクラスターメタデータを、1つ又はそれ以上のクラスターに基づいて生成された画像データから決定する、ニューラルネットワークによって実行される方法であって、
入力画像データを受信することであって、前記入力画像データが画像のシーケンスから導出され、
前記画像のシーケンス内の各画像が画像化領域を表し、シークエンシングランの複数のシークエンシングサイクルのうちの対応する1つにおいて、前記1つ又はそれ以上のクラスター及びそれらの周囲の背景の強度放射を示し、
前記入力画像データが、前記画像シーケンス内の各画像から抽出された画像パッチを含む、ことと、
前記入力画像データをニューラルネットワークを通して処理して、前記入力画像データの代替表現を生成することであって、前記ニューラルネットワークが、クラスター背景、クラスター中心、及びクラスター形状を決定することを含む、クラスターメタデータ判定タスクについて訓練される、ことと、前記代替表現を出力層を通して処理して、前記画像化領域のそれぞれの部分の特性を示す出力を生成することと、
前記出力の出力値を閾値化し、前記周辺背景を描写する背景部分として前記撮像領域の前記それぞれの部分の第1のサブセットを分類することと、
前記出力の前記出力値内にピークを配置し、前記撮像領域の前記それぞれの部分の第2のサブセットを前記クラスターの中心を含む中心部分として分類することと、
前記出力の前記出力値にセグメント化器を適用し、前記撮像領域の連続部分の非重複領域として前記クラスターの形状を決定することと、を含む、ニューラルネットワークによって実行される方法。 - 前記特性が、
一部が背景又はクラスターを表すかどうか、及び
一部が、それぞれ同じクラスターを表す複数の連続する画像部分の中心を表すかどうか、を含む、請求項1に記載のニューラルネットワークによって実行される方法。 - 前記出力が、
前記入力画像データによって強度放射が描写された、前記1つ又はそれ以上のクラスターを、隣接するユニットの不連続領域として、
前記1つ又はそれ以上のクラスターの中心を、前記不連続領域のうちそれぞれの領域の質量の中心における中心ユニットとして、及び、
それらの周囲の背景を、いずれの前記不連続領域にも属さない背景ユニットとして、識別する、請求項1に記載のニューラルネットワークによって実行される方法。 - 前記不連続領域のうちの前記それぞれの領域内の前記隣接ユニットが、前記隣接ユニットが属する不連続領域内の中心ユニットからの隣接ユニットの距離に従って重み付けされた強度値を有する、請求項3に記載のニューラルネットワークによって実行される方法。
- 前記出力が、各部分をクラスター又は背景として分類するバイナリマップである、請求項1~4のいずれか一項に記載のニューラルネットワークによって実行される方法。
- 前記出力が、各部分をクラスター、背景、又は中心として分類する三元マップである、請求項1~5のいずれか一項に記載のニューラルネットワークによって実行される方法。
- ピークロケータを前記出力に適用して、前記出力におけるピーク強度を見つけることと、
前記ピーク強度に基づいて、前記クラスターの前記中心の位置座標を決定することと、
前記入力画像データを作成するために使用されるアップサンプリング係数によって前記位置座標をダウンスケールすることと、
前記クラスターをベースコールするのに使用するために、前記ダウンスケールされた位置座標をメモリに記憶することと、を更に含む、請求項1~6のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記不連続領域のうちの前記それぞれの領域内の前記隣接するユニットを、同じクラスターに属するクラスター内部ユニットとして分類することと、
前記クラスターをベースコールするのに使用するために、前記クラスター内部ユニットの前記分類及びダウンスケールされた位置座標をクラスターごとに前記メモリに記憶することと、を更に含む、請求項1~7のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記ニューラルネットワークを訓練するための訓練データを取得することであって、
前記訓練データは、複数の訓練実施例及び対応するグラウンドトゥルースデータを含み、
各訓練実施例は、画像セットのシーケンスからの画像データを含み、
前記画像セットのシーケンス内の各画像が、フローセルのタイルを表すとともに、前記タイル上のクラスターの強度放出と、前記フローセル上で実行されるシークエンシングランの複数のシークエンシングサイクルのうちの特定の1つで特定の画像チャネルのために捕捉されたそれらの周囲の背景とを描写し、
各グラウンドトゥルースデータは、前記訓練実施例のそれぞれの部分の特性を識別する、ことと、
勾配降下訓練技術を使用して、前記ニューラルネットワークを訓練するとともに、前記グラウンドトゥルースデータに漸進的に一致する前記訓練実施例用の出力を生成することであって、
前記出力と前記グラウンドトゥルースとの間の誤差を最小化する損失関数を反復的に最適化することと、
前記エラーに基づいて、前記ニューラルネットワークのパラメータを更新することと、を更に含む、請求項1~8のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記特性が、
対応する訓練実施例の前記画像データによって、隣接するユニットの不連続領域として強度放出が示されているクラスターと、
前記不連続領域のうちの前記それぞれの領域の質量の中心における中心ユニットとしての前記クラスター中心と、
いずれの前記不連続領域にも属さない背景ユニットとしてのそれらの周囲の背景と、を含む、請求項1~9のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記特性が、ユニットが中心であるか又は非中心であるかどうかを識別することを含む、請求項1~10のいずれか一項に記載のニューラルネットワークによって実行される方法。
- 最後の反復後の誤差収束の際に、メモリ内のニューラルネットワークの更新されたパラメータを記憶して、更なるニューラルネットワークベースのテンプレート生成及びベースコールに適用されることを更に含む、請求項9に記載のニューラルネットワークによって実行される方法。
- 前記グラウンドトゥルースデータにおいて、前記不連続領域のうちの前記それぞれの領域内の前記隣接ユニットは、前記隣接ユニットが属する不連続領域内の中心ユニットからの隣接ユニットの距離に従って重み付けされた強度値を有する、請求項9~12のいずれか一項に記載のニューラルネットワークによって実行される方法。
- 前記グラウンドトゥルースデータにおいて、前記中心ユニットが、前記不連続領域のうちの前記それぞれの領域内に最も高い強度値を有する、請求項9~13のいずれか一項に記載のニューラルネットワークによって実行される方法。
- 前記損失関数が平均二乗誤差であり、前記誤差が、前記出力における対応するユニットの前記正規化された強度値と前記グラウンドトゥルースデータとの間でユニットごとに最小化される、請求項9~14のいずれか一項に記載のニューラルネットワークによって実行される方法。
- 前記訓練データにおいて、複数の訓練実施例が、それぞれ、同じタイルの画像セットのシーケンス内の各画像から異なる画像パッチを画像データとして含み、
前記異なる画像パッチのうちの少なくとも一部が互いに重なり合う、請求項9~15のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記グラウンドトゥルースデータにおいて、
クラスター中心として分類されるユニットは全て、同じ第1の所定のクラススコアを割り当てられ、
非中心として分類される単位は全て、同じ第2の所定のクラススコアを割り当てられる、請求項9~16のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記損失関数が、カスタム加重バイナリクロスエントロピー損失であり、前記誤差が、前記出力における対応するユニットの前記予測スコア及び前記クラススコアと前記グラウンドトゥルースデータとの間でユニットごとに最小化される、請求項9~17のいずれか一項に記載のニューラルネットワークによって実行される方法。
- 前記グラウンドトゥルースデータにおいて、
背景として分類されるユニットは全て、同じ第1の所定のクラススコアを割り当てられ、
クラスター中心として分類されるユニットは全て、同じ第2の所定のクラススコアを割り当てられ、
クラスター内部として分類されるユニットは全て、同じ第3の所定のクラススコアを割り当てられる、
請求項9~18のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 前記ユニットの出力値を閾値化し、前記ユニットの第1のサブセットを、前記周辺背景を示す背景ユニットとして分類することと、
前記ユニットの前記出力値内にピークを配置し、前記ユニットの第2のサブセットを前記クラスターの中心を含む中心ユニットとして分類することと、
前記ユニットの前記出力値にセグメント化器を適用し、前記背景ユニットによって分離され、かつ前記中心ユニットを中心に配置された連続ユニットの非重複領域として前記クラスターの形状を決定することであって、前記セグメント化器が前記中心ユニットから始まり、各中心ユニットに対して、中心が前記中心ユニットに含まれる同じクラスターを示す連続的に隣接するユニット群を決定する、ことと、
を更に含む、請求項1~19のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 請求項1~20のいずれか一項に記載のニューラルネットワークによって実行される方法であって、前記非重複領域が不規則な輪郭を有し、前記ユニットがユニットであり、
所与のクラスターのクラスター強度を、
前記所与のクラスターの形状を識別する隣接するユニットの対応する非重複領域に基づいて、前記所与のクラスターの前記クラスター強度に寄与するユニットを特定することと、
現在のシークエンシングサイクルで1つ又はそれ以上の画像チャネルに対して生成された1つ又はそれ以上の光学ピクセル解像度画像内に前記特定されたユニットを配置することと、
前記画像のそれぞれにおいて、前記特定された単位の強度を補間することと、前記補間された強度を組み合わせ、前記組み合わされた補間強度を正規化して、前記画像のそれぞれにおける前記所与のクラスターのための画像ごとのクラスター強度を生成することと、
前記画像のそれぞれについて前記画像ごとのクラスター強度を組み合わせて、前記現在のシークエンシングサイクルにおいて、前記所与のクラスターのクラスター強度を決定することと、
によって決定することを更に含む、ニューラルネットワークによって実行される方法。 - 請求項1~21のいずれか一項に記載のニューラルネットワークによって実行される方法であって、前記非重複領域が不規則な輪郭を有し、前記ユニットがユニットであり、
所与のクラスターのクラスター強度を、
前記所与のクラスターの形状を識別する隣接するユニットの対応する非重複領域に基づいて、前記所与のクラスターの前記クラスター強度に寄与するユニットを特定することと、
前記特定されたユニットを、対応する光学的にアップサンプリングされた1つ又はそれ以上の単位解像度画像内に配置することであって、前記ピクセル解像度画像が、現在のシークエンシングサイクルで1つ又はそれ以上の画像チャネルに対して生成された、ことと、
前記アップサンプリングされた画像のそれぞれにおいて、前記識別されたユニットの強度を組み合わせ、前記組み合わせられた強度を正規化して、前記アップサンプリングされた画像のそれぞれにおいて、前記所与のクラスターについての画像ごとクラスター強度を生成することと、
前記アップサンプリングされた画像のそれぞれに関する前記画像ごとのクラスター強度を組み合わせて、前記現在のシークエンシングサイクルにおいて、前記所与のクラスターのクラスター強度を決定することと、
によって決定することを更に含む、ニューラルネットワークによって実行される方法。 - 前記正規化が正規化係数に基づいており、
前記正規化係数が、前記特定されたユニットの数である、
請求項1~22のいずれか一項に記載のニューラルネットワークによって実行される方法。 - 現在のシークエンシングサイクルにおける前記クラスター強度に基づいて、前記所定のクラスターにベースコールすること、を更に含む、ニューラルネットワークによって実行される、請求項1~23のいずれか一項に記載のニューラルネットワークによって実行される方法。
- フローセル上のクラスターに関するメタデータを決定するニューラルネットワークによって実行される方法であって、
前記クラスターの強度放射を示す画像データにアクセスすることと、
ニューラルネットワークの1つ又はそれ以上の層を介して前記画像データを処理し、前記画像データの代替表現を生成することと、
出力層を通して前記代替表現を処理し、前記クラスターの形状及びサイズ及び/又は前記クラスターの中心のうちの少なくとも1つを識別する出力を生成することと、を含む、ニューラルネットワークによって実行される方法。 - 前記画像データが前記クラスターの周囲の背景の強度放射を更に表し、
前記出力は、前記クラスター間の周囲の背景及び境界を含む、前記フローセル上の前記クラスターの空間的分布を識別する、ことを更に含む、請求項25に記載のニューラルネットワークによって実行される方法。 - コンピュータ実装の方法であって、
ニューラルネットワークを介して画像データを処理し、前記画像データの代替表現を生成することであって、前記画像データがクラスターの強度放射を表す、ことと、
出力層を介して前記代替表現を処理し、前記クラスターの空間分布、前記クラスターの形状、前記クラスターの中心、及び/又は前記クラスター間の境界のうちの少なくとも1つを含む、前記クラスターに関するメタデータを識別する出力を生成することと、を含む、コンピュータ実装の方法。
Applications Claiming Priority (31)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962821602P | 2019-03-21 | 2019-03-21 | |
US201962821618P | 2019-03-21 | 2019-03-21 | |
US201962821724P | 2019-03-21 | 2019-03-21 | |
US201962821681P | 2019-03-21 | 2019-03-21 | |
US201962821766P | 2019-03-21 | 2019-03-21 | |
US62/821,681 | 2019-03-21 | ||
US62/821,602 | 2019-03-21 | ||
US62/821,618 | 2019-03-21 | ||
US62/821,724 | 2019-03-21 | ||
US62/821,766 | 2019-03-21 | ||
NL2023311A NL2023311B9 (en) | 2019-03-21 | 2019-06-14 | Artificial intelligence-based generation of sequencing metadata |
NL2023316 | 2019-06-14 | ||
NL2023314 | 2019-06-14 | ||
NL2023310 | 2019-06-14 | ||
NL2023314A NL2023314B1 (en) | 2019-03-21 | 2019-06-14 | Artificial intelligence-based quality scoring |
NL2023316A NL2023316B1 (en) | 2019-03-21 | 2019-06-14 | Artificial intelligence-based sequencing |
NL2023312 | 2019-06-14 | ||
NL2023312A NL2023312B1 (en) | 2019-03-21 | 2019-06-14 | Artificial intelligence-based base calling |
NL2023311 | 2019-06-14 | ||
NL2023310A NL2023310B1 (en) | 2019-03-21 | 2019-06-14 | Training data generation for artificial intelligence-based sequencing |
US16/826,126 | 2020-03-20 | ||
US16/825,987 | 2020-03-20 | ||
US16/825,991 | 2020-03-20 | ||
US16/826,126 US11783917B2 (en) | 2019-03-21 | 2020-03-20 | Artificial intelligence-based base calling |
US16/826,134 | 2020-03-20 | ||
US16/826,134 US11676685B2 (en) | 2019-03-21 | 2020-03-20 | Artificial intelligence-based quality scoring |
US16/825,991 US11210554B2 (en) | 2019-03-21 | 2020-03-20 | Artificial intelligence-based generation of sequencing metadata |
US16/825,987 US11347965B2 (en) | 2019-03-21 | 2020-03-20 | Training data generation for artificial intelligence-based sequencing |
US16/826,168 US11436429B2 (en) | 2019-03-21 | 2020-03-21 | Artificial intelligence-based sequencing |
PCT/US2020/024087 WO2020205296A1 (en) | 2019-03-21 | 2020-03-21 | Artificial intelligence-based generation of sequencing metadata |
US16/826,168 | 2020-03-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022525267A true JP2022525267A (ja) | 2022-05-12 |
JPWO2020205296A5 JPWO2020205296A5 (ja) | 2023-03-30 |
Family
ID=74041737
Family Applications (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020572704A Pending JP2022532458A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースの配列決定のための訓練データ生成 |
JP2020572703A Pending JP2022526470A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースのベースコール |
JP2020572715A Pending JP2022525267A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースのシーケンスメタデータ生成 |
JP2021517978A Pending JP2022524562A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースの品質スコアリング |
JP2020572706A Pending JP2022535306A (ja) | 2019-03-21 | 2020-03-22 | 人工知能ベースの配列決定 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020572704A Pending JP2022532458A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースの配列決定のための訓練データ生成 |
JP2020572703A Pending JP2022526470A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースのベースコール |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021517978A Pending JP2022524562A (ja) | 2019-03-21 | 2020-03-21 | 人工知能ベースの品質スコアリング |
JP2020572706A Pending JP2022535306A (ja) | 2019-03-21 | 2020-03-22 | 人工知能ベースの配列決定 |
Country Status (11)
Country | Link |
---|---|
US (6) | US11210554B2 (ja) |
EP (6) | EP3942072B1 (ja) |
JP (5) | JP2022532458A (ja) |
KR (5) | KR20210142529A (ja) |
CN (5) | CN112789680A (ja) |
AU (5) | AU2020256047A1 (ja) |
BR (4) | BR112020026433A2 (ja) |
CA (1) | CA3104951A1 (ja) |
IL (5) | IL279527A (ja) |
MX (4) | MX2020014288A (ja) |
SG (4) | SG11202012441QA (ja) |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
US11972343B2 (en) | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
EP3617947A1 (en) * | 2018-08-30 | 2020-03-04 | Nokia Technologies Oy | Apparatus and method for processing image data |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
US11569978B2 (en) | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
US11210554B2 (en) | 2019-03-21 | 2021-12-28 | Illumina, Inc. | Artificial intelligence-based generation of sequencing metadata |
US11347965B2 (en) | 2019-03-21 | 2022-05-31 | Illumina, Inc. | Training data generation for artificial intelligence-based sequencing |
CN110084309B (zh) * | 2019-04-30 | 2022-06-21 | 北京市商汤科技开发有限公司 | 特征图放大方法、装置和设备及计算机可读存储介质 |
US20220156884A1 (en) * | 2019-05-06 | 2022-05-19 | Sony Group Corporation | Electronic device, method and computer program |
US11593649B2 (en) | 2019-05-16 | 2023-02-28 | Illumina, Inc. | Base calling using convolutions |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11797827B2 (en) * | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
US11977723B2 (en) * | 2019-12-17 | 2024-05-07 | Palantir Technologies Inc. | Image tiling and distributive modification |
KR20220143854A (ko) | 2020-02-20 | 2022-10-25 | 일루미나, 인코포레이티드 | 인공 지능 기반 다-대-다 염기 호출 |
US11687764B2 (en) * | 2020-04-17 | 2023-06-27 | Samsung Electronics Co., Ltd. | System and method for increasing utilization of dot-product based neural network accelerator |
CN111583940A (zh) * | 2020-04-20 | 2020-08-25 | 东南大学 | 极低功耗关键词唤醒神经网络电路 |
US11977632B2 (en) * | 2020-04-23 | 2024-05-07 | Booz Allen Hamilton Inc. | Evaluating automatic malware classifiers in the absence of reference labels |
US11188778B1 (en) | 2020-05-05 | 2021-11-30 | Illumina, Inc. | Equalization-based image processing and spatial crosstalk attenuator |
US12019747B2 (en) * | 2020-10-13 | 2024-06-25 | International Business Machines Corporation | Adversarial interpolation backdoor detection |
US11800258B2 (en) * | 2020-10-19 | 2023-10-24 | University Of Florida Research Foundation, Incorporated | High-performance CNN inference model at the pixel-parallel CMOS image sensor |
US11983916B2 (en) * | 2020-11-11 | 2024-05-14 | Ubtech Robotics Corp Ltd | Relocation method, mobile machine using the same, and computer readable storage medium |
US20220180630A1 (en) * | 2020-12-04 | 2022-06-09 | Intelinair, Inc. | Resudue analysis and management system |
CN112508457B (zh) * | 2020-12-25 | 2024-05-31 | 树根互联股份有限公司 | 数据处理方法和装置、工业设备及存储介质 |
CN112949499A (zh) * | 2021-03-04 | 2021-06-11 | 北京联合大学 | 一种基于ShuffleNet改进的MTCNN人脸检测方法 |
US11989628B2 (en) * | 2021-03-05 | 2024-05-21 | International Business Machines Corporation | Machine teaching complex concepts assisted by computer vision and knowledge reasoning |
JP2022147328A (ja) * | 2021-03-23 | 2022-10-06 | 株式会社Screenホールディングス | 細胞計数方法、細胞計数のための機械学習モデルの構築方法、プログラムおよび記録媒体 |
US11263170B1 (en) | 2021-03-29 | 2022-03-01 | SambaNova Systems, Inc. | Lossless tiling in convolution networks—padding before tiling, location-based tiling, and zeroing-out |
US11195080B1 (en) | 2021-03-29 | 2021-12-07 | SambaNova Systems, Inc. | Lossless tiling in convolution networks—tiling configuration |
CN113052189B (zh) * | 2021-03-30 | 2022-04-29 | 电子科技大学 | 一种基于改进的MobileNetV3特征提取网络 |
AU2022248999A1 (en) * | 2021-03-31 | 2023-02-02 | Illumina, Inc. | Artificial intelligence-based base caller with contextual awareness |
CN113100803A (zh) * | 2021-04-20 | 2021-07-13 | 西门子数字医疗科技(上海)有限公司 | 用于显示静脉血栓的方法、装置、计算机设备和介质 |
US11693570B2 (en) * | 2021-04-29 | 2023-07-04 | EMC IP Holding Company LLC | Machine learning to improve caching efficiency in a storage system |
CN113361683B (zh) * | 2021-05-18 | 2023-01-10 | 山东师范大学 | 一种生物仿脑存储方法及系统 |
CN113095304B (zh) * | 2021-06-08 | 2021-09-03 | 成都考拉悠然科技有限公司 | 减弱重采样对行人重识别的影响的方法 |
CA3222270A1 (en) * | 2021-06-24 | 2022-12-29 | Vadim Lobanov | Methods and systems for assay refinement |
US20220415442A1 (en) * | 2021-06-29 | 2022-12-29 | Illumina Software, Inc. | Signal-to-noise-ratio metric for determining nucleotide-base calls and base-call quality |
WO2023283411A2 (en) * | 2021-07-08 | 2023-01-12 | Intelligent Virus Imaging Inc. | Method for machine-learning based training and segmentation of overlapping objects |
CN113343937B (zh) * | 2021-07-15 | 2022-09-02 | 北华航天工业学院 | 一种基于深度卷积和注意力机制的唇语识别方法 |
WO2023003757A1 (en) * | 2021-07-19 | 2023-01-26 | Illumina Software, Inc. | Intensity extraction with interpolation and adaptation for base calling |
US11455487B1 (en) | 2021-10-26 | 2022-09-27 | Illumina Software, Inc. | Intensity extraction and crosstalk attenuation using interpolation and adaptation for base calling |
CN113552855B (zh) * | 2021-07-23 | 2023-06-06 | 重庆英科铸数网络科技有限公司 | 工业设备动态阈值设定方法、装置、电子设备及存储介质 |
CN113780450B (zh) * | 2021-09-16 | 2023-07-28 | 郑州云智信安安全技术有限公司 | 基于自编码神经网络的分布式存储方法及系统 |
CN113963199B (zh) * | 2021-10-13 | 2023-04-18 | 电子科技大学 | 一种基于多种传感器特征融合和机器学习的医废识别方法 |
US11967165B2 (en) * | 2021-11-15 | 2024-04-23 | Accenture Global Solutions Limited | Artificial intelligence (AI) based document processing and validation |
CN117999359A (zh) * | 2021-12-03 | 2024-05-07 | 深圳华大生命科学研究院 | 核酸样本的碱基识别方法及装置 |
CN114200548B (zh) * | 2021-12-15 | 2023-07-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
CN114445456B (zh) * | 2021-12-23 | 2023-04-07 | 西北工业大学 | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 |
WO2023115550A1 (en) | 2021-12-24 | 2023-06-29 | GeneSense Technology Inc. | Deep learning based methods and systems for nucleic acid sequencing |
CN114465909B (zh) * | 2022-02-09 | 2024-03-22 | 哈尔滨工业大学 | 一种智能感知边缘计算融合纳米组网装置 |
CN114648723A (zh) * | 2022-04-28 | 2022-06-21 | 之江实验室 | 基于时间一致性对比学习的动作规范性检测方法和装置 |
US20230358564A1 (en) * | 2022-05-05 | 2023-11-09 | Here Global B.V. | Method, apparatus, and computer program product for probe data-based geometry generation |
CN114706798B (zh) * | 2022-06-08 | 2022-08-12 | 四川省人工智能研究院(宜宾) | 基于注意力机制的固态硬盘数据预取方法 |
CN115078430B (zh) * | 2022-06-10 | 2023-03-24 | 水木未来(北京)科技有限公司 | 确定冷冻电镜载网支持膜质量的方法及装置 |
WO2023240536A1 (zh) * | 2022-06-16 | 2023-12-21 | 深圳华大基因科技有限公司 | 图像处理方法、装置及系统 |
CN115409174B (zh) * | 2022-11-01 | 2023-03-31 | 之江实验室 | 一种基于dram存内计算的碱基序列过滤方法与装置 |
CN116363403B (zh) * | 2023-05-26 | 2023-08-11 | 深圳赛陆医疗科技有限公司 | 用于基因样本的图像识别方法、图像识别系统和存储介质 |
CN117275583B (zh) * | 2023-09-27 | 2024-04-16 | 四川大学 | 基于量子技术的基因搜索blast加速方法及系统 |
CN117437976B (zh) * | 2023-12-21 | 2024-04-02 | 深圳人体密码基因科技有限公司 | 基于基因检测的疾病风险筛查方法及系统 |
CN117473444B (zh) * | 2023-12-27 | 2024-03-01 | 北京诺赛基因组研究中心有限公司 | 基于CNN和SVM的Sanger测序结果质检方法 |
CN117574133B (zh) * | 2024-01-11 | 2024-04-02 | 湖南工商大学 | 一种不安全生产行为识别方法及相关设备 |
Family Cites Families (240)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0450060A1 (en) | 1989-10-26 | 1991-10-09 | Sri International | Dna sequencing |
US5502773A (en) | 1991-09-20 | 1996-03-26 | Vanderbilt University | Method and apparatus for automated processing of DNA sequence data |
US6090592A (en) | 1994-08-03 | 2000-07-18 | Mosaic Technologies, Inc. | Method for performing amplification of nucleic acid on supports |
US5641658A (en) | 1994-08-03 | 1997-06-24 | Mosaic Technologies, Inc. | Method for performing amplification of nucleic acid with two primers bound to a single solid support |
WO1997027317A1 (en) | 1996-01-23 | 1997-07-31 | Affymetrix, Inc. | Nucleic acid analysis techniques |
WO1996018205A1 (en) | 1994-12-08 | 1996-06-13 | Molecular Dynamics, Inc. | Fluorescence imaging system employing a macro scanning objective |
US5528050A (en) | 1995-07-24 | 1996-06-18 | Molecular Dynamics, Inc. | Compact scan head with multiple scanning modalities |
US6023540A (en) | 1997-03-14 | 2000-02-08 | Trustees Of Tufts College | Fiber optic sensor with encoded microspheres |
US6327410B1 (en) | 1997-03-14 | 2001-12-04 | The Trustees Of Tufts College | Target analyte sensors utilizing Microspheres |
US7622294B2 (en) | 1997-03-14 | 2009-11-24 | Trustees Of Tufts College | Methods for detecting target analytes and enzymatic reactions |
ES2563643T3 (es) | 1997-04-01 | 2016-03-15 | Illumina Cambridge Limited | Método de secuenciación de ácido nucleico |
JP2001517948A (ja) | 1997-04-01 | 2001-10-09 | グラクソ、グループ、リミテッド | 核酸配列決定法 |
US6332154B2 (en) | 1998-09-11 | 2001-12-18 | Genesys Telecommunications Laboratories, Inc. | Method and apparatus for providing media-independent self-help modules within a multimedia communication-center customer interface |
AR021833A1 (es) | 1998-09-30 | 2002-08-07 | Applied Research Systems | Metodos de amplificacion y secuenciacion de acido nucleico |
US6355431B1 (en) | 1999-04-20 | 2002-03-12 | Illumina, Inc. | Detection of nucleic acid amplification reactions using bead arrays |
ATE553219T1 (de) | 1999-04-20 | 2012-04-15 | Illumina Inc | Erkennung von nukleinsäurereaktionen auf bead- arrays |
US20050191698A1 (en) | 1999-04-20 | 2005-09-01 | Illumina, Inc. | Nucleic acid sequencing using microsphere arrays |
US6770441B2 (en) | 2000-02-10 | 2004-08-03 | Illumina, Inc. | Array compositions and methods of making same |
EP2100971A3 (en) | 2000-07-07 | 2009-11-25 | Visigen Biotechnologies, Inc. | Real-time sequence determination |
US7405278B2 (en) | 2000-08-10 | 2008-07-29 | Masabumi Shibuya | Chimeric human-type vascular endothelial cell growth factor |
AU2001283299A1 (en) * | 2000-08-14 | 2002-02-25 | Incyte Genomics, Inc. | Basecalling system and protocol |
WO2002044425A2 (en) | 2000-12-01 | 2002-06-06 | Visigen Biotechnologies, Inc. | Enzymatic nucleic acid synthesis: compositions and methods for altering monomer incorporation fidelity |
AR031640A1 (es) | 2000-12-08 | 2003-09-24 | Applied Research Systems | Amplificacion isotermica de acidos nucleicos en un soporte solido |
US7668697B2 (en) * | 2006-02-06 | 2010-02-23 | Andrei Volkov | Method for analyzing dynamic detectable events at the single molecule level |
EP1436596A2 (en) | 2001-09-28 | 2004-07-14 | Ciencia, Incorporated | Compact multiwavelength phase fluorometer |
GB0127564D0 (en) | 2001-11-16 | 2002-01-09 | Medical Res Council | Emulsion compositions |
US7057026B2 (en) | 2001-12-04 | 2006-06-06 | Solexa Limited | Labelled nucleotides |
US20040002090A1 (en) | 2002-03-05 | 2004-01-01 | Pascal Mayer | Methods for detecting genome-wide sequence variations associated with a phenotype |
JP2006509040A (ja) | 2002-08-23 | 2006-03-16 | ソレックサ リミテッド | 修飾されたヌクレオチド |
US6914961B2 (en) | 2002-09-30 | 2005-07-05 | Teradyne, Inc. | Speed binning by neural network |
US20060014151A1 (en) | 2002-12-25 | 2006-01-19 | Jun Ogura | Optical dna sensor, dna reading apparatus, identification method of dna and manufacturing method of optical dna sensor |
US7575865B2 (en) | 2003-01-29 | 2009-08-18 | 454 Life Sciences Corporation | Methods of amplifying and sequencing nucleic acids |
EP2159285B1 (en) | 2003-01-29 | 2012-09-26 | 454 Life Sciences Corporation | Methods of amplifying and sequencing nucleic acids |
SE0301945D0 (sv) * | 2003-06-30 | 2003-06-30 | Gyros Ab | Confidence determination |
EP1641809B2 (en) | 2003-07-05 | 2018-10-03 | The Johns Hopkins University | Method and compositions for detection and enumeration of genetic variations |
GB0321306D0 (en) | 2003-09-11 | 2003-10-15 | Solexa Ltd | Modified polymerases for improved incorporation of nucleotide analogues |
JP4587664B2 (ja) | 2003-12-19 | 2010-11-24 | パナソニック株式会社 | 発光装置 |
US20050145249A1 (en) | 2003-12-31 | 2005-07-07 | Solyntjes Alan J. | Personal respiratory protection device that has a permanent or semi-permanent bayonet connection |
EP3673986A1 (en) | 2004-01-07 | 2020-07-01 | Illumina Cambridge Limited | Improvements in or relating to molecular arrays |
EP1789923A1 (en) * | 2004-08-11 | 2007-05-30 | Aureon Laboratories, Inc. | Systems and methods for automated diagnosis and grading of tissue images |
US7315019B2 (en) | 2004-09-17 | 2008-01-01 | Pacific Biosciences Of California, Inc. | Arrays of optical confinements and uses thereof |
WO2006064199A1 (en) | 2004-12-13 | 2006-06-22 | Solexa Limited | Improved method of nucleotide detection |
US20060178901A1 (en) | 2005-01-05 | 2006-08-10 | Cooper Kelana L | Home movies television (HMTV) |
SE529136C2 (sv) | 2005-01-24 | 2007-05-08 | Volvo Lastvagnar Ab | Styrväxelkylare |
JP2008545959A (ja) * | 2005-05-25 | 2008-12-18 | スティフテルセン ウニヴェルジテーツフォルスクニング ベルゲン | 顕微鏡装置および薬品、物理療法と生物学的危険物質のためのふるい分け(screening)方法 |
FR2886433B1 (fr) * | 2005-05-30 | 2007-09-07 | Commissariat Energie Atomique | Methode de segmentation d'une sequence d'images tridimensionnelles, notamment en pharmaco-imagerie. |
US7293515B2 (en) | 2005-06-10 | 2007-11-13 | Janome Sewing Machine Co., Ltd. | Embroidery sewing machine |
EP3492602A1 (en) | 2005-06-15 | 2019-06-05 | Complete Genomics, Inc. | Single molecule arrays for genetic and chemical analysis |
GB0514936D0 (en) | 2005-07-20 | 2005-08-24 | Solexa Ltd | Preparation of templates for nucleic acid sequencing |
GB0514910D0 (en) | 2005-07-20 | 2005-08-24 | Solexa Ltd | Method for sequencing a polynucleotide template |
DE102005036355A1 (de) | 2005-07-29 | 2007-02-01 | Cairos Technologies Ag | Verfahren zur Erfassung der Kraft- und Bewegungsverhältnisse an einem Spielgerät |
GB0517097D0 (en) | 2005-08-19 | 2005-09-28 | Solexa Ltd | Modified nucleosides and nucleotides and uses thereof |
US7405281B2 (en) | 2005-09-29 | 2008-07-29 | Pacific Biosciences Of California, Inc. | Fluorescent nucleotide analogs and uses therefor |
GB0522310D0 (en) | 2005-11-01 | 2005-12-07 | Solexa Ltd | Methods of preparing libraries of template polynucleotides |
US7329860B2 (en) | 2005-11-23 | 2008-02-12 | Illumina, Inc. | Confocal imaging methods and apparatus |
JP2007199397A (ja) | 2006-01-26 | 2007-08-09 | Nikon Corp | 顕微鏡装置 |
WO2007107710A1 (en) | 2006-03-17 | 2007-09-27 | Solexa Limited | Isothermal methods for creating clonal single molecule arrays |
CN101460953B (zh) | 2006-03-31 | 2012-05-30 | 索雷克萨公司 | 用于合成分析的序列的系统和装置 |
US20090214708A1 (en) | 2006-06-22 | 2009-08-27 | Novozymes A/S | Preparation of dough and baked products |
US7754429B2 (en) | 2006-10-06 | 2010-07-13 | Illumina Cambridge Limited | Method for pair-wise sequencing a plurity of target polynucleotides |
US7414716B2 (en) | 2006-10-23 | 2008-08-19 | Emhart Glass S.A. | Machine for inspecting glass containers |
AU2007309504B2 (en) | 2006-10-23 | 2012-09-13 | Pacific Biosciences Of California, Inc. | Polymerase enzymes and reagents for enhanced nucleic acid sequencing |
US20080242560A1 (en) | 2006-11-21 | 2008-10-02 | Gunderson Kevin L | Methods for generating amplified nucleic acid arrays |
US8725425B2 (en) | 2007-01-26 | 2014-05-13 | Illumina, Inc. | Image data efficient genetic sequencing method and system |
US8401258B2 (en) * | 2007-03-16 | 2013-03-19 | Sti Medical Systems, Llc | Method to provide automated quality feedback to imaging devices to achieve standardized imaging data |
US8703422B2 (en) | 2007-06-06 | 2014-04-22 | Pacific Biosciences Of California, Inc. | Methods and processes for calling bases in sequence by incorporation methods |
EP2155855B1 (en) | 2007-06-06 | 2016-10-12 | Pacific Biosciences of California, Inc. | Methods and processes for calling bases in sequence by incorporation methods |
US8039817B2 (en) | 2008-05-05 | 2011-10-18 | Illumina, Inc. | Compensator for multiple surface imaging |
EP2291533B2 (en) | 2008-07-02 | 2020-09-30 | Illumina Cambridge Limited | Using populations of beads for the fabrication of arrays on surfaces |
US8407012B2 (en) | 2008-07-03 | 2013-03-26 | Cold Spring Harbor Laboratory | Methods and systems of DNA sequencing |
WO2010019925A1 (en) * | 2008-08-15 | 2010-02-18 | Brown Technology Partnerships | Method and apparatus for estimating body shape |
US8175379B2 (en) * | 2008-08-22 | 2012-05-08 | Adobe Systems Incorporated | Automatic video image segmentation |
WO2010039553A1 (en) | 2008-10-03 | 2010-04-08 | Illumina, Inc. | Method and system for determining the accuracy of dna base identifications |
US20100157086A1 (en) | 2008-12-15 | 2010-06-24 | Illumina, Inc | Dynamic autofocus method and system for assay imager |
US8300971B2 (en) * | 2009-04-17 | 2012-10-30 | LevelSet Systems, Inc. | Method and apparatus for image processing for massive parallel DNA sequencing |
EP2435983A4 (en) * | 2009-05-28 | 2017-08-23 | Hewlett-Packard Development Company, L.P. | Image processing |
US9524369B2 (en) | 2009-06-15 | 2016-12-20 | Complete Genomics, Inc. | Processing and analysis of complex nucleic acid sequence data |
US8182994B2 (en) * | 2009-09-15 | 2012-05-22 | Illumina Cambridge Limited | Centroid markers for image analysis of high denisty clusters in complex polynucleotide sequencing |
US20140152801A1 (en) | 2009-10-28 | 2014-06-05 | Alentic Microscience Inc. | Detecting and Using Light Representative of a Sample |
US9023769B2 (en) | 2009-11-30 | 2015-05-05 | Complete Genomics, Inc. | cDNA library for nucleic acid sequencing |
US8965076B2 (en) | 2010-01-13 | 2015-02-24 | Illumina, Inc. | Data processing system and methods |
US10619195B2 (en) | 2010-04-06 | 2020-04-14 | Massachusetts Institute Of Technology | Gene-expression profiling with reduced numbers of transcript measurements |
CN103003814A (zh) * | 2010-05-14 | 2013-03-27 | 数据逻辑Adc公司 | 使用大型数据库进行对象识别的系统及方法 |
EP2390810B1 (en) | 2010-05-26 | 2019-10-16 | Tata Consultancy Services Limited | Taxonomic classification of metagenomic sequences |
US20120015825A1 (en) | 2010-07-06 | 2012-01-19 | Pacific Biosciences Of California, Inc. | Analytical systems and methods with software mask |
EP2632593B1 (en) | 2010-10-27 | 2021-09-29 | Illumina, Inc. | Flow cells for biological or chemical analysis |
DE102010062341B4 (de) | 2010-12-02 | 2023-05-17 | Carl Zeiss Microscopy Gmbh | Vorrichtung zur Erhöhung der Tiefendiskriminierung optisch abbildender Systeme |
US20130090860A1 (en) | 2010-12-30 | 2013-04-11 | Life Technologies Corporation | Methods, systems, and computer readable media for making base calls in nucleic acid sequencing |
US20130060482A1 (en) | 2010-12-30 | 2013-03-07 | Life Technologies Corporation | Methods, systems, and computer readable media for making base calls in nucleic acid sequencing |
WO2012092515A2 (en) | 2010-12-30 | 2012-07-05 | Life Technologies Corporation | Methods, systems, and computer readable media for nucleic acid sequencing |
US8951781B2 (en) | 2011-01-10 | 2015-02-10 | Illumina, Inc. | Systems, methods, and apparatuses to image a sample for biological or chemical analysis |
AU2012242525B2 (en) | 2011-04-14 | 2015-09-17 | Complete Genomics, Inc. | Processing and analysis of complex nucleic acid sequence data |
EP2718465B1 (en) | 2011-06-09 | 2022-04-13 | Illumina, Inc. | Method of making an analyte array |
EP2768972B2 (en) | 2011-09-23 | 2020-07-22 | Illumina, Inc. | Methods and compositions for nucleic acid sequencing |
US11914674B2 (en) | 2011-09-24 | 2024-02-27 | Z Advanced Computing, Inc. | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
WO2013063382A2 (en) | 2011-10-28 | 2013-05-02 | Illumina, Inc. | Microarray fabrication system and method |
WO2013096692A1 (en) | 2011-12-21 | 2013-06-27 | Illumina, Inc. | Apparatus and methods for kinetic analysis and determination of nucleic acid sequences |
EP2628504A1 (en) | 2012-01-16 | 2013-08-21 | Greatbatch Ltd. | EMI filtered co-connected hermetic feedthrough, feedthrough capacitor and leadwire assembly for an active implantable medical device |
US8660342B2 (en) * | 2012-01-24 | 2014-02-25 | Telefonica, S.A. | Method to assess aesthetic quality of photographs |
CA3138752C (en) | 2012-04-03 | 2024-02-06 | Illumina, Inc. | Integrated optoelectronic read head and fluidic cartridge useful for nucleic acid sequencing |
US8906320B1 (en) | 2012-04-16 | 2014-12-09 | Illumina, Inc. | Biosensors for biological or chemical analysis and systems and methods for same |
US10068054B2 (en) | 2013-01-17 | 2018-09-04 | Edico Genome, Corp. | Bioinformatics systems, apparatuses, and methods executed on an integrated circuit processing platform |
US9512422B2 (en) | 2013-02-26 | 2016-12-06 | Illumina, Inc. | Gel patterned surfaces |
AU2013382195B2 (en) | 2013-03-13 | 2019-09-19 | Illumina, Inc. | Methods and systems for aligning repetitive DNA elements |
US10421996B2 (en) | 2013-03-14 | 2019-09-24 | Illumina, Inc. | Modified polymerases for improved incorporation of nucleotide analogues |
WO2014140085A1 (en) * | 2013-03-15 | 2014-09-18 | Ventana Medical Systems, Inc. | Tissue object-based machine learning system for automated scoring of digital whole slides |
CN105378113B (zh) | 2013-05-06 | 2020-02-21 | 加利福尼亚太平洋生物科学股份有限公司 | 实时电子测序 |
ES2899618T3 (es) | 2013-07-01 | 2022-03-14 | Illumina Inc | Funcionalización de superficie exenta de catalizador e injerto de polímero |
ES2875892T3 (es) | 2013-09-20 | 2021-11-11 | Spraying Systems Co | Boquilla de pulverización para craqueo catalítico fluidizado |
US9299004B2 (en) * | 2013-10-24 | 2016-03-29 | Adobe Systems Incorporated | Image foreground detection |
EP3940082A1 (en) | 2013-12-03 | 2022-01-19 | Illumina, Inc. | Methods and systems for analyzing image data |
CN110411998B (zh) | 2013-12-10 | 2022-06-07 | 伊鲁米那股份有限公司 | 用于生物或化学分析的生物传感器及其制造方法 |
WO2015095066A1 (en) | 2013-12-16 | 2015-06-25 | Complete Genomics, Inc. | Basecaller for dna sequencing using machine learning |
US9677132B2 (en) | 2014-01-16 | 2017-06-13 | Illumina, Inc. | Polynucleotide modification on solid support |
GB201408853D0 (en) | 2014-05-19 | 2014-07-02 | Diamond Light Source Ltd | Analysis of signals from pixellated detectors of ionizing radiation |
US20170228496A1 (en) * | 2014-07-25 | 2017-08-10 | Ontario Institute For Cancer Research | System and method for process control of gene sequencing |
US10127448B2 (en) * | 2014-08-27 | 2018-11-13 | Bae Systems Information And Electronic Systems Integration Inc. | Method and system for dismount detection in low-resolution UAV imagery |
AU2015314114B2 (en) | 2014-09-12 | 2021-01-21 | Illumina Cambridge Limited | Detecting repeat expansions with short read sequencing data |
WO2016060974A1 (en) * | 2014-10-13 | 2016-04-21 | Life Technologies Corporation | Methods, systems, and computer-readable media for accelerated base calling |
PL3212684T3 (pl) | 2014-10-31 | 2020-10-19 | Illumina Cambridge Limited | Polimery i powłoki z kopolimeru DNA |
RU2580425C1 (ru) | 2014-11-28 | 2016-04-10 | Общество С Ограниченной Ответственностью "Яндекс" | Способ структуризации хранящихся объектов в связи с пользователем на сервере и сервер |
WO2016086744A1 (en) * | 2014-12-02 | 2016-06-09 | Shanghai United Imaging Healthcare Co., Ltd. | A method and system for image processing |
DE112014007175B4 (de) | 2014-12-26 | 2022-10-06 | Hitachi High-Tech Corporation | Substrat zur Verwendung bei der Analyse einer Nucleinsäure, Durchflusszelle zur Verwendung bei der Analyse einer Nucleinsäure und Nucleinsäure-Analysenvorrichtung |
IL236598A0 (en) | 2015-01-05 | 2015-05-31 | Superfish Ltd | Image similarity as a function of image weighted image descriptors generated from neural networks |
CN105989248B (zh) | 2015-02-05 | 2018-11-27 | 中国科学院数学与系统科学研究院 | 用于多个分子信号的数据处理方法和装置 |
KR20160103398A (ko) | 2015-02-24 | 2016-09-01 | 삼성전자주식회사 | 이미지의 품질 측정 방법 및 장치 |
US10410118B2 (en) | 2015-03-13 | 2019-09-10 | Deep Genomics Incorporated | System and method for training neural networks |
EP3286337A4 (en) * | 2015-04-23 | 2018-12-12 | Cedars-Sinai Medical Center | Automated delineation of nuclei for three dimensional (3-d) high content screening |
US10061972B2 (en) * | 2015-05-28 | 2018-08-28 | Tokitae Llc | Image analysis systems and related methods |
US9836839B2 (en) | 2015-05-28 | 2017-12-05 | Tokitae Llc | Image analysis systems and related methods |
US10185803B2 (en) | 2015-06-15 | 2019-01-22 | Deep Genomics Incorporated | Systems and methods for classifying, prioritizing and interpreting genetic variants and therapies using a deep neural network |
CA2894317C (en) | 2015-06-15 | 2023-08-15 | Deep Genomics Incorporated | Systems and methods for classifying, prioritizing and interpreting genetic variants and therapies using a deep neural network |
US20160371431A1 (en) | 2015-06-22 | 2016-12-22 | Counsyl, Inc. | Methods of predicting pathogenicity of genetic sequence variants |
WO2017027783A1 (en) | 2015-08-13 | 2017-02-16 | Centrillion Technology Holdings Corporation | Methods for synchronising nucleic acid molecules |
US10755810B2 (en) | 2015-08-14 | 2020-08-25 | Elucid Bioimaging Inc. | Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities |
US11094058B2 (en) | 2015-08-14 | 2021-08-17 | Elucid Bioimaging Inc. | Systems and method for computer-aided phenotyping (CAP) using radiologic images |
US10176408B2 (en) | 2015-08-14 | 2019-01-08 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
EP3345122B1 (en) * | 2015-09-02 | 2021-06-30 | Ventana Medical Systems, Inc. | Automated analysis of cellular samples having intermixing of analytically distinct patterns of analyte staining |
EP3147650A1 (en) | 2015-09-22 | 2017-03-29 | MyCartis N.V. | Cross-talk correction in multiplexing analysis of biological sample |
US10930372B2 (en) | 2015-10-02 | 2021-02-23 | Northrop Grumman Systems Corporation | Solution for drug discovery |
US10474951B2 (en) | 2015-10-23 | 2019-11-12 | Nec Corporation | Memory efficient scalable deep learning with model parallelization |
EP3387613B1 (en) | 2015-12-10 | 2020-07-01 | QIAGEN GmbH | Background compensation |
KR102592076B1 (ko) | 2015-12-14 | 2023-10-19 | 삼성전자주식회사 | 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치 |
US20190114464A1 (en) * | 2016-03-10 | 2019-04-18 | Genomic Vision | Method of curvilinear signal detection and analysis and associated platform |
SG11201807576QA (en) * | 2016-04-11 | 2018-10-30 | Agency Science Tech & Res | High throughput method for accurate prediction of compound-induced liver injury |
GB2549554A (en) | 2016-04-21 | 2017-10-25 | Ramot At Tel-Aviv Univ Ltd | Method and system for detecting an object in an image |
IL262447B2 (en) | 2016-04-22 | 2023-09-01 | Illumina Inc | Photonic structure-based devices and compositions for use in luminescent imaging of sites in a pixel and methods of using the devices and compositions |
US20180211001A1 (en) | 2016-04-29 | 2018-07-26 | Microsoft Technology Licensing, Llc | Trace reconstruction from noisy polynucleotide sequencer reads |
US10354747B1 (en) | 2016-05-06 | 2019-07-16 | Verily Life Sciences Llc | Deep learning analysis pipeline for next generation sequencing |
MX2018014856A (es) | 2016-06-01 | 2019-03-07 | Quantum Si Inc | Llamador de pulso y llamador de base. |
KR20240025702A (ko) | 2016-06-07 | 2024-02-27 | 일루미나, 인코포레이티드 | 2차 및/또는 3차 프로세싱을 수행하기 위한 생물정보학 시스템, 장치, 및 방법 |
US20180107927A1 (en) | 2016-06-15 | 2018-04-19 | Deep Genomics Incorporated | Architectures for training neural networks using biological sequences, conservation, and molecular phenotypes |
EP3497233B1 (en) | 2016-08-08 | 2021-11-10 | F. Hoffmann-La Roche AG | Basecalling for stochastic sequencing processes |
CN106529424B (zh) * | 2016-10-20 | 2019-01-04 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及系统 |
EP3552389A4 (en) * | 2016-11-11 | 2021-07-28 | University of South Florida | AUTOMATED STEREOLOGY FOR DETERMINING FABRIC CHARACTERISTICS |
CN108203847B (zh) * | 2016-12-16 | 2022-01-04 | 深圳华大智造科技股份有限公司 | 用于二代测序质量评估的文库、试剂及应用 |
CN110088804B (zh) * | 2016-12-22 | 2023-06-27 | 文塔纳医疗系统公司 | 基于原色和免疫组织化学图像的计算机评分 |
CN106770114B (zh) * | 2016-12-23 | 2018-03-13 | 西安交通大学 | 一种高通量测序碱基荧光识别系统装置与方法 |
JP2020504620A (ja) | 2016-12-28 | 2020-02-13 | アスカス バイオサイエンシーズ, インコーポレイテッド | 複雑な不均一コミュニティの完全微生物株の解析、その機能的関連性及び相互作用の決定、ならびにそれに基づく生物反応性の改変剤の同定及び合成、のための方法、装置、及びシステム |
DK3566158T3 (da) | 2017-01-06 | 2022-07-18 | Illumina Inc | Faseinddelingskorrektion |
WO2018131898A2 (ko) | 2017-01-10 | 2018-07-19 | 경희대학교 산학협력단 | 메틸로모나스 속 dh-1 균주의 신규한 용도 |
US10740880B2 (en) | 2017-01-18 | 2020-08-11 | Elucid Bioimaging Inc. | Systems and methods for analyzing pathologies utilizing quantitative imaging |
CN116497103A (zh) | 2017-01-18 | 2023-07-28 | 伊鲁米那股份有限公司 | 制备测序衔接子的方法和对核酸分子进行测序的方法 |
US10491239B1 (en) | 2017-02-02 | 2019-11-26 | Habana Labs Ltd. | Large-scale computations using an adaptive numerical format |
US10930370B2 (en) * | 2017-03-03 | 2021-02-23 | Microsoft Technology Licensing, Llc | Polynucleotide sequencer tuned to artificial polynucleotides |
NL2018852B1 (en) | 2017-05-05 | 2018-11-14 | Illumina Inc | Optical distortion correction for imaged samples |
US20200080142A1 (en) | 2017-03-07 | 2020-03-12 | Illumina, Inc. | Single light source, two-optical channel sequencing |
US10713794B1 (en) | 2017-03-16 | 2020-07-14 | Facebook, Inc. | Method and system for using machine-learning for object instance segmentation |
JP6915349B2 (ja) * | 2017-04-04 | 2021-08-04 | コニカミノルタ株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
AU2018260627A1 (en) | 2017-04-23 | 2019-11-14 | Illumina Cambridge Limited | Compositions and methods for improving sample identification in indexed nucleic acid libraries |
US10943255B1 (en) | 2017-04-28 | 2021-03-09 | Snap Inc. | Methods and systems for interactive advertising with media collections |
CA3060369A1 (en) | 2017-05-01 | 2018-11-08 | Illumina, Inc. | Optimal index sequences for multiplex massively parallel sequencing |
US10552663B2 (en) | 2017-05-02 | 2020-02-04 | Techcyte, Inc. | Machine learning classification and training for digital microscopy cytology images |
GB201707138D0 (en) | 2017-05-04 | 2017-06-21 | Oxford Nanopore Tech Ltd | Machine learning analysis of nanopore measurements |
AU2018266377B2 (en) | 2017-05-08 | 2024-06-20 | Illumina, Inc. | Universal short adapters for indexing of polynucleotide samples |
EP3622423A1 (en) | 2017-05-12 | 2020-03-18 | The Regents of The University of Michigan | Individual and cohort pharmacological phenotype prediction platform |
CN110997944A (zh) | 2017-05-26 | 2020-04-10 | 生命科技股份有限公司 | 用于检测brca1/2中的大片段重排方法和系统 |
US11587644B2 (en) * | 2017-07-28 | 2023-02-21 | The Translational Genomics Research Institute | Methods of profiling mass spectral data using neural networks |
CN110785813A (zh) | 2017-07-31 | 2020-02-11 | 伊鲁米那股份有限公司 | 具有多路生物样本聚合的测序系统 |
EP3662083A4 (en) | 2017-08-01 | 2021-03-03 | Illumina, Inc. | SPATIAL INDEXING OF GENETIC MATERIAL AND LIBRARY MANUFACTURING USING HYDROGEL BEADS AND FLOW CELLS |
CA3065957A1 (en) | 2017-08-14 | 2019-02-21 | Raytheon Company | Subtraction algorithm for detection of tumors |
CN107563150B (zh) | 2017-08-31 | 2021-03-19 | 深圳大学 | 蛋白质结合位点的预测方法、装置、设备及存储介质 |
US11507806B2 (en) | 2017-09-08 | 2022-11-22 | Rohit Seth | Parallel neural processor for Artificial Intelligence |
US10706535B2 (en) * | 2017-09-08 | 2020-07-07 | International Business Machines Corporation | Tissue staining quality determination |
SG11201911977VA (en) | 2017-09-15 | 2020-01-30 | Illumina Inc | Tuning and calibration features of a sequence-detection system |
WO2019075242A1 (en) * | 2017-10-11 | 2019-04-18 | Beyond Limits, Inc. | SYSTEM FOR IMPROVING EXPLORATION AND TANK PRODUCTION |
WO2019079180A1 (en) | 2017-10-16 | 2019-04-25 | Illumina, Inc. | NEURONAL NETWORKS WITH DEEP CONVOLUTION OF VARIANT CLASSIFICATION |
US10540591B2 (en) | 2017-10-16 | 2020-01-21 | Illumina, Inc. | Deep learning-based techniques for pre-training deep convolutional neural networks |
AU2018350909B2 (en) | 2017-10-16 | 2021-09-23 | Illumina, Inc. | Aberrant splicing detection using convolutional neural networks (CNNS) |
CN112689757A (zh) | 2017-10-26 | 2021-04-20 | Essenlix公司 | 使用crof和机器学习的基于图像测定的系统和方法 |
CN111527044A (zh) | 2017-10-26 | 2020-08-11 | 阿尔缇玛基因组学公司 | 用于序列判定的方法和系统 |
US11609224B2 (en) | 2017-10-26 | 2023-03-21 | Essenlix Corporation | Devices and methods for white blood cell analyses |
JP2021501321A (ja) | 2017-10-26 | 2021-01-14 | エッセンリックス コーポレーション | 組織および細胞染色のためのデバイスおよび方法 |
WO2019084559A1 (en) | 2017-10-27 | 2019-05-02 | Apostle, Inc. | SOMATIC MUTATION CANCER PATHOGENIC IMPACT PREDICTION USING DEEP LEARNING BASED METHODS |
CA3202587A1 (en) | 2017-11-06 | 2019-05-09 | Illumina, Inc | Nucleic acid indexing techniques |
WO2019108888A1 (en) * | 2017-11-30 | 2019-06-06 | The Research Foundation For The State University Of New York | SYSTEM AND METHOD TO QUANTIFY TUMOR-INFILTRATING LYMPHOCYTES (TILs) FOR CLINICAL PATHOLOGY ANALYSIS |
US11062176B2 (en) * | 2017-11-30 | 2021-07-13 | Kofax, Inc. | Object detection and image cropping using a multi-detector approach |
EP3721406B1 (en) * | 2017-12-05 | 2024-01-24 | Ventana Medical Systems, Inc. | Method of computing tumor spatial and inter-marker heterogeneity |
US11288576B2 (en) | 2018-01-05 | 2022-03-29 | Illumina, Inc. | Predicting quality of sequencing results using deep neural networks |
US11561196B2 (en) | 2018-01-08 | 2023-01-24 | Illumina, Inc. | Systems and devices for high-throughput sequencing with semiconductor-based detection |
US20190237163A1 (en) | 2018-01-12 | 2019-08-01 | Life Technologies Corporation | Methods for flow space quality score prediction by neural networks |
AU2019206709B2 (en) | 2018-01-15 | 2021-09-09 | Illumina Cambridge Limited | Deep learning-based variant classifier |
CN108319817B (zh) * | 2018-01-15 | 2020-12-25 | 无锡臻和生物科技有限公司 | 循环肿瘤dna重复序列的处理方法及装置 |
TWI812671B (zh) | 2018-01-26 | 2023-08-21 | 美商寬騰矽公司 | 用於識別核酸之核苷酸之方法、系統及非暫時性電腦可讀儲存媒體以及用於訓練深度學習模型之方法及系統 |
JP6992590B2 (ja) * | 2018-02-23 | 2022-01-13 | 日本電信電話株式会社 | 特徴表現装置、特徴表現方法、およびプログラム |
AU2019244115A1 (en) | 2018-03-30 | 2020-11-19 | Juno Diagnostics, Inc. | Deep learning-based methods, devices, and systems for prenatal testing |
WO2019197509A1 (en) * | 2018-04-13 | 2019-10-17 | Ventana Medical Systems, Inc. | Systems for cell shape estimation |
US10649459B2 (en) * | 2018-04-26 | 2020-05-12 | Zoox, Inc. | Data segmentation using masks |
WO2019236548A1 (en) * | 2018-06-04 | 2019-12-12 | Chan Zuckerberg Biohub, Inc. | Compositions and methods for screening aptamers |
US20200251183A1 (en) | 2018-07-11 | 2020-08-06 | Illumina, Inc. | Deep Learning-Based Framework for Identifying Sequence Patterns that Cause Sequence-Specific Errors (SSEs) |
US10635979B2 (en) * | 2018-07-20 | 2020-04-28 | Google Llc | Category learning neural networks |
WO2020035446A1 (en) | 2018-08-13 | 2020-02-20 | F. Hoffmann-La Roche Ag | Systems and methods for using neural networks for germline and somatic variant calling |
US11446008B2 (en) | 2018-08-17 | 2022-09-20 | Tokitae Llc | Automated ultrasound video interpretation of a body part with one or more convolutional neural networks |
US11600360B2 (en) | 2018-08-20 | 2023-03-07 | Microsoft Technology Licensing, Llc | Trace reconstruction from reads with indeterminant errors |
WO2020077232A1 (en) | 2018-10-12 | 2020-04-16 | Cambridge Cancer Genomics Limited | Methods and systems for nucleic acid variant detection and analysis |
EP3640837A1 (en) | 2018-10-15 | 2020-04-22 | Koninklijke Philips N.V. | System for co-registration of medical images using a classifier |
US10818386B2 (en) | 2018-11-21 | 2020-10-27 | Enlitic, Inc. | Multi-label heat map generating system |
GB201819378D0 (en) | 2018-11-28 | 2019-01-09 | Oxford Nanopore Tech Ltd | Analysis of nanopore signal using a machine-learning technique |
JP7230208B2 (ja) | 2018-12-10 | 2023-02-28 | ライフ テクノロジーズ コーポレーション | サンガーシーケンシングの深層ベースコーラ |
US10783632B2 (en) | 2018-12-14 | 2020-09-22 | Spectral Md, Inc. | Machine learning systems and method for assessment, healing prediction, and treatment of wounds |
US10789462B2 (en) | 2019-01-15 | 2020-09-29 | International Business Machines Corporation | Weakly and fully labeled mammogram classification and localization with a dual branch deep neural network |
WO2020185790A1 (en) | 2019-03-10 | 2020-09-17 | Ultima Genomics, Inc. | Methods and systems for sequence calling |
NL2023311B9 (en) | 2019-03-21 | 2021-03-12 | Illumina Inc | Artificial intelligence-based generation of sequencing metadata |
US11347965B2 (en) | 2019-03-21 | 2022-05-31 | Illumina, Inc. | Training data generation for artificial intelligence-based sequencing |
US11210554B2 (en) | 2019-03-21 | 2021-12-28 | Illumina, Inc. | Artificial intelligence-based generation of sequencing metadata |
NL2023312B1 (en) | 2019-03-21 | 2020-09-28 | Illumina Inc | Artificial intelligence-based base calling |
NL2023314B1 (en) | 2019-03-21 | 2020-09-28 | Illumina Inc | Artificial intelligence-based quality scoring |
NL2023316B1 (en) | 2019-03-21 | 2020-09-28 | Illumina Inc | Artificial intelligence-based sequencing |
NL2023310B1 (en) | 2019-03-21 | 2020-09-28 | Illumina Inc | Training data generation for artificial intelligence-based sequencing |
SG10201902958PA (en) * | 2019-04-02 | 2020-11-27 | Accenture Global Solutions Ltd | Artificial intelligence based plantable blank spot detection |
CN110245685B (zh) | 2019-05-15 | 2022-03-25 | 清华大学 | 基因组单位点变异致病性的预测方法、系统及存储介质 |
EP3969884B1 (en) | 2019-05-16 | 2024-04-17 | Illumina, Inc. | Systems and methods for characterization and performance analysis of pixel-based sequencing |
US11593649B2 (en) | 2019-05-16 | 2023-02-28 | Illumina, Inc. | Base calling using convolutions |
US20220359040A1 (en) | 2019-05-29 | 2022-11-10 | Xgenomes Corp. | Systems and methods for determining sequence |
EP4018365A1 (en) * | 2019-08-23 | 2022-06-29 | Memorial Sloan Kettering Cancer Center | Identifying regions of interest from whole slide images |
US11327178B2 (en) * | 2019-09-06 | 2022-05-10 | Volvo Car Corporation | Piece-wise network structure for long range environment perception |
US20210265016A1 (en) | 2020-02-20 | 2021-08-26 | Illumina, Inc. | Data Compression for Artificial Intelligence-Based Base Calling |
US20210265015A1 (en) | 2020-02-20 | 2021-08-26 | Illumina, Inc. | Hardware Execution and Acceleration of Artificial Intelligence-Based Base Caller |
FR3109635B1 (fr) * | 2020-04-27 | 2022-04-15 | Ifp Energies Now | Procédé de détection d’au moins un constituant géologique d’un échantillon de roche |
US20230343416A1 (en) | 2020-09-10 | 2023-10-26 | Ultima Genomics, Inc. | Methods and systems for sequence and variant calling |
-
2020
- 2020-03-20 US US16/825,991 patent/US11210554B2/en active Active
- 2020-03-21 EP EP20719053.9A patent/EP3942072B1/en active Active
- 2020-03-21 JP JP2020572704A patent/JP2022532458A/ja active Pending
- 2020-03-21 JP JP2020572703A patent/JP2022526470A/ja active Pending
- 2020-03-21 MX MX2020014288A patent/MX2020014288A/es unknown
- 2020-03-21 CN CN202080005431.0A patent/CN112789680A/zh active Pending
- 2020-03-21 EP EP20718112.4A patent/EP3942070A1/en active Pending
- 2020-03-21 KR KR1020207037713A patent/KR20210142529A/ko unknown
- 2020-03-21 MX MX2020014299A patent/MX2020014299A/es unknown
- 2020-03-21 AU AU2020256047A patent/AU2020256047A1/en not_active Abandoned
- 2020-03-21 EP EP23195503.0A patent/EP4276769A3/en active Pending
- 2020-03-21 CN CN202080004547.2A patent/CN112585689A/zh active Pending
- 2020-03-21 KR KR1020217009877A patent/KR20210143154A/ko active Search and Examination
- 2020-03-21 EP EP20719052.1A patent/EP3942071A1/en active Pending
- 2020-03-21 EP EP20719294.9A patent/EP3942073A2/en active Pending
- 2020-03-21 BR BR112020026433-4A patent/BR112020026433A2/pt unknown
- 2020-03-21 BR BR112020026408-3A patent/BR112020026408A2/pt unknown
- 2020-03-21 BR BR112020026426-1A patent/BR112020026426A2/pt unknown
- 2020-03-21 KR KR1020207037712A patent/KR20210143100A/ko active Search and Examination
- 2020-03-21 AU AU2020241586A patent/AU2020241586A1/en not_active Abandoned
- 2020-03-21 KR KR1020217003269A patent/KR20210145115A/ko active Search and Examination
- 2020-03-21 JP JP2020572715A patent/JP2022525267A/ja active Pending
- 2020-03-21 SG SG11202012441QA patent/SG11202012441QA/en unknown
- 2020-03-21 CN CN202080003622.3A patent/CN112313666A/zh active Pending
- 2020-03-21 SG SG11202012461XA patent/SG11202012461XA/en unknown
- 2020-03-21 CN CN202080003614.9A patent/CN112334984A/zh active Pending
- 2020-03-21 AU AU2020241905A patent/AU2020241905A1/en not_active Abandoned
- 2020-03-21 AU AU2020240383A patent/AU2020240383A1/en not_active Abandoned
- 2020-03-21 SG SG11202012453PA patent/SG11202012453PA/en unknown
- 2020-03-21 JP JP2021517978A patent/JP2022524562A/ja active Pending
- 2020-03-21 MX MX2020014293A patent/MX2020014293A/es unknown
- 2020-03-22 SG SG11202012463YA patent/SG11202012463YA/en unknown
- 2020-03-22 EP EP20757979.8A patent/EP3942074A2/en active Pending
- 2020-03-22 CN CN202080004529.4A patent/CN112689875A/zh active Pending
- 2020-03-22 MX MX2020014302A patent/MX2020014302A/es unknown
- 2020-03-22 CA CA3104951A patent/CA3104951A1/en active Pending
- 2020-03-22 AU AU2020240141A patent/AU2020240141A1/en active Pending
- 2020-03-22 JP JP2020572706A patent/JP2022535306A/ja active Pending
- 2020-03-22 KR KR1020217003270A patent/KR20210145116A/ko active Search and Examination
- 2020-03-22 BR BR112020026455-5A patent/BR112020026455A2/pt unknown
- 2020-12-17 IL IL279527A patent/IL279527A/en unknown
- 2020-12-17 IL IL279533A patent/IL279533A/en unknown
- 2020-12-17 IL IL279525A patent/IL279525A/en unknown
- 2020-12-17 IL IL279522A patent/IL279522A/en unknown
-
2021
- 2021-03-21 IL IL281668A patent/IL281668A/en unknown
- 2021-11-17 US US17/529,222 patent/US11961593B2/en active Active
-
2022
- 2022-05-27 US US17/827,612 patent/US11908548B2/en active Active
- 2022-08-30 US US17/899,539 patent/US20230004749A1/en active Pending
-
2023
- 2023-02-02 US US18/163,794 patent/US20230268033A1/en active Pending
- 2023-04-05 US US18/296,125 patent/US20240071573A1/en active Pending
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11908548B2 (en) | Training data generation for artificial intelligence-based sequencing | |
US11347965B2 (en) | Training data generation for artificial intelligence-based sequencing | |
WO2020191389A1 (en) | Training data generation for artificial intelligence-based sequencing | |
NL2023311B9 (en) | Artificial intelligence-based generation of sequencing metadata | |
NL2023310B1 (en) | Training data generation for artificial intelligence-based sequencing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230322 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230322 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240325 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240625 |