JP2022532458A - 人工知能ベースの配列決定のための訓練データ生成 - Google Patents

人工知能ベースの配列決定のための訓練データ生成 Download PDF

Info

Publication number
JP2022532458A
JP2022532458A JP2020572704A JP2020572704A JP2022532458A JP 2022532458 A JP2022532458 A JP 2022532458A JP 2020572704 A JP2020572704 A JP 2020572704A JP 2020572704 A JP2020572704 A JP 2020572704A JP 2022532458 A JP2022532458 A JP 2022532458A
Authority
JP
Japan
Prior art keywords
cluster
map
subpixels
image
subpixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020572704A
Other languages
English (en)
Other versions
JPWO2020191389A5 (ja
Inventor
アニンディタ・ダッタ
ドルナ・カシフハギギ
アミラリ・キア
Original Assignee
イルミナ インコーポレイテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from NL2023314A external-priority patent/NL2023314B1/en
Priority claimed from NL2023311A external-priority patent/NL2023311B9/en
Priority claimed from NL2023312A external-priority patent/NL2023312B1/en
Priority claimed from NL2023316A external-priority patent/NL2023316B1/en
Priority claimed from NL2023310A external-priority patent/NL2023310B1/en
Priority claimed from US16/825,987 external-priority patent/US11347965B2/en
Application filed by イルミナ インコーポレイテッド filed Critical イルミナ インコーポレイテッド
Priority claimed from PCT/US2020/024090 external-priority patent/WO2020191389A1/en
Publication of JP2022532458A publication Critical patent/JP2022532458A/ja
Publication of JPWO2020191389A5 publication Critical patent/JPWO2020191389A5/ja
Pending legal-status Critical Current

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/045—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
    • G06N3/044—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
    • G06N3/048—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

Abstract

開示される技術は、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ことに関する。具体的には、方法は、配列決定画像にアクセスすることであって、ベースコールから、シーケンス画像内の各サブピクセルを４つの塩基（Ａ、Ｃ、Ｔ、及びＧ）のうちの１つと分類し、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し、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接地トラス訓練データを生成することと、を含む。

Description

（優先権出願）
本出願は、以下の出願の優先権又は利益を主張する。
２０１９年３月２１日に出願された「Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｇｅｎｅｒａｔｉｏｎ ｆｏｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国仮特許出願第６２／８２１，６０２号（代理人整理番号ＩＬＬＭ１００８－１／ＩＰ－１６９３－ＰＲＶ）、
２０１９年３月２１日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｓｅｑｕｅｎｃｉｎｇ Ｍｅｔａｄａｔａ」と題する米国仮特許出願第６２／８２１，６１８号（代理人整理番号ＩＬＬＭ１００８－３／ＩＰ－１７４１－ＰＲＶ）、
２０１９年３月２１日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題する米国仮特許出願第６２／８２１，６８１号（代理人整理番号ＩＬＬＭ１００８－４／ＩＰ－１７４４－ＰＲＶ）、
２０１９年３月２１日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｑｕａｌｉｔｙ Ｓｃｏｒｉｎｇ」と題する米国仮特許出願第６２／８２１，７２４号（代理人整理番号ＩＬＬＭ１００８－７／ＩＰ－１７４７－ＰＲＶ）、
２０１９年３月２１日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国仮特許出願第６２／８２１，７６６号（代理人整理番号ＩＬＬＭ１００８－９／ＩＰ－１７５２－ＰＲＶ）、
２０１９年６月１４日に出願された「Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｇｅｎｅｒａｔｉｏｎ ｆｏｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する蘭国特許出願第２０２３３１０号（代理人整理番号ＩＬＬＭ１００８－１１／ＩＰ－１６９３－ＮＬ）、
２０１９年６月１４日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｓｅｑｕｅｎｃｉｎｇ Ｍｅｔａｄａｔａ」と題する蘭国特許出願第２０２３３１１号（代理人整理番号ＩＬＬＭ１００８－１２／ＩＰ－１７４１－ＮＬ）、
２０１９年６月１４日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題する蘭国特許出願第２０２３３１２号（代理人整理番号ＩＬＬＭ１００８－１３／ＩＰ－１７４４－ＮＬ）、
２０１９年６月１４日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｑｕａｌｉｔｙ Ｓｃｏｒｉｎｇ」と題する蘭国特許出願第２０２３３１４号（代理人整理番号ＩＬＬＭ１００８－１４／ＩＰ－１７４７－ＮＬ）、
２０１９年６月１４日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する蘭国特許出願第２０２３３１６号（代理人整理番号ＩＬＬＭ１００８－１５／ＩＰ－１７５２－ＮＬ）、及び
２０２０年３月２０日に出願された「Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｇｅｎｅｒａｔｉｏｎ ｆｏｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国特許出願第１６／８２５，９８７号（代理人整理番号ＩＬＬＭ１００８－１６／ＩＰ－１６９３－ＵＳ）、
２０２０年３月２０日に出願された「Ｔｒａｉｎｉｎｇ Ｄａｔａ Ｇｅｎｅｒａｔｉｏｎ ｆｏｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国特許出願第１６／８２５，９９１号（代理人整理番号ＩＬＬＭ１００８－１７／ＩＰ－１７４１－ＵＳ）、
２０２０年３月２０日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題する米国特許出願第１６／８２６，１２６号（代理人整理番号ＩＬＬＭ１００８－１８／ＩＰ－１７４４－ＵＳ）、
２０２０年３月２０日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｑｕａｌｉｔｙ Ｓｃｏｒｉｎｇ」と題する米国特許出願第１６／８２６，１３４号（代理人整理番号第ＩＬＬＭ１００８－１９／ＩＰ－１７４７－ＵＳ）、
２０２０年３月２１日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国特許出願第１６／８２６，１６８号（代理人整理番号ＩＬＬＭ１００８－２０／ＩＰ－１７５２－ＰＲＶ）、
本願と同時に出願され、その後、ＰＣＴ国際公開第ＷＯ＿＿＿＿＿＿＿＿＿＿＿＿号として公開されている「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｂａｓｅｄ Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｓｅｑｕｅｎｃｉｎｇ Ｍｅｔａｄａｔａ」と題するＰＣＴ特許出願第ＰＣＴ＿＿＿＿＿＿＿＿＿＿号（代理人整理番号第ＩＬＬＭ１００８－２２／ＩＰ－１７４１－ＰＣＴ）、
本願と同時に出願され、その後ＰＣＴ国際公開第ＷＯ＿＿＿＿＿＿＿＿＿＿＿＿号として公開されている「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題するＰＣＴ特許出願第ＰＣＴ＿＿＿＿＿＿＿＿＿＿＿号（代理人整理番号第ＩＬＬＭ１００８－２３／ＩＰ－１７４４－ＰＣＴ）、
本願と同時に出願され、その後ＰＣＴ国際公開第ＷＯ＿＿＿＿＿＿＿＿＿＿＿＿号として公開されている「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｑｕａｌｉｔｙ Ｓｃｏｒｉｎｇ」と題するＰＣＴ特許出願第ＰＣＴ＿＿＿＿＿＿＿＿＿＿号（代理人整理番号第ＩＬＬＭ１００８－２４／ＩＰ－１７４７－ＰＣＴ）、及び
本願と同時に出願され、その後ＰＣＴ国際公開第ＷＯ＿＿＿＿＿＿＿＿＿＿＿＿号として公開されている「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題するＰＣＴ特許出願第ＰＣＴ＿＿＿＿＿＿＿＿＿＿＿号（代理人整理番号ＩＬＬＭ１００８－２５／ＩＰ－１７５２－ＰＣＴ）。
優先権出願は、本明細書に完全に記載されているかのように、全ての目的のために参照により本明細書に組み込まれる。
（組み込み）
以下は、本明細書に完全に記載されているかのように、全ての目的のために参照により組み込まれる。
２０１９年５月１６日に出願された「Ｓｙｓｔｅｍｓ ａｎｄ Ｄｅｖｉｃｅｓ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ Ｐｅｒｆｏｒｍａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｐｉｘｅｌ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国仮特許出願第６２／８４９，０９１号（代理人整理番号ＩＬＬＭ１０１１－１／ＩＰ－１７５０－ＰＲＶ）、
２０１９年５月１６日に出願された「Ｂａｓｅ Ｃａｌｌｉｎｇ Ｕｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎｓ」と題する米国特許仮出願第６２／８４９，１３２号（代理人整理番号ＩＬＬＭ１０１１－２／ＩＰ－１７５０－ＰＲ２）、
２０１９年５月１６日に出願された「Ｂａｓｅ Ｃａｌｌｉｎｇ Ｕｓｉｎｇ Ｃｏｍｐａｃｔ Ｃｏｎｖｏｌｕｔｉｏｎｓ」と題する米国仮特許仮出願第６２／８４９，１３３号（代理人整理番号ＩＬＬＭ１０１１－３／ＩＰ－１７５０－ＰＲ３）、
２０２０年２月２０日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ ｏｆ Ｉｎｄｅｘ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６２／９７９，３８４号（代理人整理番号ＩＬＬＭ１０１５－１／ＩＰ－１８５７－ＰＲＶ）、
２０２０年２月２０日に出願された「Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｍａｎｙ－Ｔｏ－Ｍａｎｙ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題する米国仮特許出願第６２／９７９，４１４号（代理人整理番号ＩＬＬＭ１０１６－１／ＩＰ－１８５８－ＰＲＶ）、
２０２０年２月２０日に出願された「Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｔｉｌｌａｔｉｏｎ－Ｂａｓｅｄ Ｃｏｍｐｒｅｓｓｉｏｎ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｅｒ」と題する米国仮特許出願第６２／９７９，３８５号（代理人整理番号ＩＬＬＭ１０１７－１／ＩＰ－１８５９－ＰＲＶ）、
２０２０年２月２０日に出願された「Ｍｕｌｔｉ－Ｃｙｃｌｅ Ｃｌｕｓｔｅｒ Ｂａｓｅｄ Ｒｅａｌ Ｔｉｍｅ Ａｎａｌｙｓｉｓ Ｓｙｓｔｅｍ」と題する米国特許仮出願第６２／９７９，４１２号（代理人整理番号ＩＬＬＭ１０２０－１／ＩＰ－１８６６－ＰＲＶ）、
２０２０年２月２０日に出願された「Ｄａｔａ Ｃｏｍｐｒｅｓｓｉｏｎ ｆｏｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題する米国仮特許出願第６２／９７９，４１１号（代理人整理番号ＩＬＬＭ１０２９－１／ＩＰ－１９６４－ＰＲＶ）、
２０２０年２月２０日に出願された「Ｓｑｕｅｅｚｉｎｇ Ｌａｙｅｒ ｆｏｒ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ－Ｂａｓｅｄ Ｂａｓｅ Ｃａｌｌｉｎｇ」と題する米国仮特許出願第６２／９７９，３９９号（代理人整理番号ＩＬＬＭ１０３０－１／ＩＰ－１９８２－ＰＲＶ）、
Ｌｉｕ Ｐ，Ｈｅｍａｎｉ Ａ，Ｐａｕｌ Ｋ，Ｗｅｉｓ Ｃ，Ｊｕｎｇ Ｍ，Ｗｅｈｎ Ｎ．３Ｄ－Ｓｔａｃｋｅｄ Ｍａｎｙ－Ｃｏｒｅ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｂｉｏｌｏｇｉｃａｌ Ｓｅｑｕｅｎｃｅ Ａｎａｌｙｓｉｓ Ｐｒｏｂｌｅｍｓ．Ｉｎｔ Ｊ Ｐａｒａｌｌｅｌ Ｐｒｏｇ．２０１７、４５（６）：１４２０－６０、
Ｚ．Ｗｕ，Ｋ．Ｈａｍｍａｄ，Ｒ．Ｍｉｔｔｍａｎｎ，Ｓ．Ｍａｇｉｅｒｏｗｓｋｉ，Ｅ．Ｇｈａｆａｒ－Ｚａｄｅｈ、ａｎｄ Ｘ．Ｚｈｏｎｇ、「ＦＰＧＡ－Ｂａｓｅｄ ＤＮＡ Ｂａｓｅｃａｌｌｉｎｇ Ｈａｒｄｗａｒｅ Ａｃｃｅｌｅｒａｔｉｏｎ」、ｉｎ Ｐｒｏｃ．ＩＥＥＥ ６１ｓｔ Ｉｎｔ．Ｍｉｄｗｅｓｔ Ｓｙｍｐ．Ｃｉｒｃｕｉｔｓ Ｓｙｓｔ．，Ａｕｇ．２０１８、ｐｐ．１０９８－１１０１、
Ｚ． Ｗｕ， Ｋ． Ｈａｍｍａｄ， Ｅ． Ｇｈａｆａｒ－Ｚａｄｅｈ， ａｎｄ Ｓ． Ｍａｇｉｅｒｏｗｓｋｉ、「ＦＰＧＡ－Ａｃｃｅｌｅｒａｔｅｄ ３ｒｄ Ｇｅｎｅｒａｔｉｏｎ ＤＮＡ Ｓｅｑｕｅｎｃｉｎｇ」、ｉｎ ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｃｉｒｃｕｉｔｓ ａｎｄ Ｓｙｓｔｅｍｓ，Ｖｏｌｕｍｅ １４、Ｉｓｓｕｅ １， Ｆｅｂ． ２０２０、ｐｐ． ６５－７４、
Ｐｒａｂｈａｋａｒ ｅｔ ａｌ．、「Ｐｌａｓｔｉｃｉｎｅ：Ａ Ｒｅｃｏｎｆｉｇｕｒａｂｌｅ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｐａｒａｌｌｅｌ Ｐａｔｔｅｒｎｓ」、ＩＳＣＡ’１７，Ｊｕｎｅ ２４－２８，２０１７，Ｔｏｒｏｎｔｏ，ＯＮ，Ｃａｎａｄａ、
Ｍ．Ｌｉｎ，Ｑ．Ｃｈｅｎ，ａｎｄ Ｓ．Ｙａｎ、「Ｎｅｔｗｏｒｋ ｉｎ Ｎｅｔｗｏｒｋ」、ｉｎ Ｐｒｏｃ．ｏｆ ＩＣＬＲ，２０１４、
Ｌ．Ｓｉｆｒｅ、「Ｒｉｇｉｄ－ｍｏｔｉｏｎ Ｓｃａｔｔｅｒｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，Ｐｈ．Ｄ．ｔｈｅｓｉｓ，２０１４、
Ｌ．Ｓｉｆｒｅ ａｎｄ Ｓ．Ｍａｌｌａｔ、「Ｒｏｔａｔｉｏｎ，Ｓｃａｌｉｎｇ ａｎｄ Ｄｅｆｏｒｍａｔｉｏｎ Ｉｎｖａｒｉａｎｔ Ｓｃａｔｔｅｒｉｎｇ ｆｏｒ Ｔｅｘｔｕｒｅ Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ」、ｉｎ Ｐｒｏｃ．ｏｆ ＣＶＰＲ，２０１３、
Ｆ．Ｃｈｏｌｌｅｔ、「Ｘｃｅｐｔｉｏｎ：Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ｄｅｐｔｈｗｉｓｅ Ｓｅｐａｒａｂｌｅ Ｃｏｎｖｏｌｕｔｉｏｎｓ」、ｉｎ Ｐｒｏｃ．ｏｆ ＣＶＰＲ，２０１７、
Ｘ．Ｚｈａｎｇ，Ｘ．Ｚｈｏｕ，Ｍ．Ｌｉｎ，ａｎｄ Ｊ．Ｓｕｎ、「ＳｈｕｆｆｌｅＮｅｔ：Ａｎ Ｅｘｔｒｅｍｅｌｙ Ｅｆｆｉｃｉｅｎｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ｆｏｒ Ｍｏｂｉｌｅ Ｄｅｖｉｃｅｓ」、ｉｎ ａｒＸｉｖ：１７０７．０１０８３，２０１７、
Ｋ．Ｈｅ，Ｘ．Ｚｈａｎｇ，Ｓ．Ｒｅｎ，ａｎｄ Ｊ．Ｓｕｎ、「Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ」、ｉｎ Ｐｒｏｃ．ｏｆ ＣＶＰＲ，２０１６、
Ｓ．Ｘｉｅ，Ｒ．Ｇｉｒｓｈｉｃｋ，Ｐ．Ｄｏｌｌａｒ，Ｚ．Ｔｕ，ａｎｄ Ｋ．Ｈｅ、「Ａｇｇｒｅｇａｔｅｄ Ｒｅｓｉｄｕａｌ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ Ｆｏｒ Ｄｅｅｐ ＮｅｕｒｏＮｅｔｗｏｒｋｓ」、Ｐｒｏｃ．ｏｆ ＣＶＰＲ，２０１７、
Ａ．Ｇ．Ｈｏｗａｒｄ，Ｍ．Ｚｈｕ，Ｂ．Ｃｈｅｎ，Ｄ．Ｋａｌｅｎｉｃｈｅｎｋｏ，Ｗ．Ｗａｎｇ，Ｔ．Ｗｅｙａｎｄ，Ｍ．Ａｎｄｒｅｅｔｔｏ，ａｎｄ Ｈ．Ａｄａｍ、「Ｍｏｂｉｌｅｎｅｔｓ：Ｅｆｆｉｃｉｅｎｔ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｍｏｂｉｌｅ Ｖｉｓｉｏｎ Ａｐｐｌｉｃａｔｉｏｎｓ」、ｉｎ ａｒＸｉｖ：１７０４．０４８６１，２０１７、
Ｍ．Ｓａｎｄｌｅｒ，Ａ．Ｈｏｗａｒｄ，Ｍ．Ｚｈｕ，Ａ．Ｚｈｍｏｇｉｎｏｖ，ａｎｄ Ｌ．Ｃｈｅｎ、「ＭｏｂｉｌｅＮｅｔＶ２：Ｉｎｖｅｒｔｅｄ Ｒｅｓｉｄｕａｌｓ ａｎｄ Ｌｉｎｅａｒ Ｂｏｔｔｌｅｎｅｃｋｓ」、ｉｎ ａｒＸｉｖ：１８０１．０４３８１ｖ３，２０１８、
Ｚ．Ｑｉｎ，Ｚ．Ｚｈａｎｇ，Ｘ．Ｃｈｅｎ ａｎｄ Ｙ．Ｐｅｎｇ、「ＦＤ－ＭｏｂｉｌｅＮｅｔ：Ｉｍｐｒｏｖｅｄ ＭｏｂｉｌｅＮｅｔ ｗｉｔｈ ａ Ｆａｓｔ Ｄｏｗｎｓａｍｐｌｉｎｇ Ｓｔｒａｔｅｇｙ」、ｉｎ ａｒＸｉｖ：１８０２．０３７５０，２０１８、
Ｌｉａｎｇ－Ｃｈｉｅｈ Ｃｈｅｎ，Ｇｅｏｒｇｅ Ｐａｐａｎｄｒｅｏｕ，Ｆｌｏｒｉａｎ Ｓｃｈｒｏｆｆ，ａｎｄ Ｈａｒｔｗｉｇ Ａｄａｍ．Ｒｅｔｈｉｎｋｉｎｇ ａｔｒｏｕｓ ｃｏｎｖｏｌｕｔｉｏｎ ｆｏｒ ｓｅｍａｎｔｉｃ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ．ＣｏＲＲ、ａｂｓ／１７０６．０５５８８７，２０１７、
Ｊ．Ｈｕａｎｇ，Ｖ．Ｒａｔｈｏｄ，Ｃ．Ｓｕｎ，Ｍ．Ｚｈｕ，Ａ．Ｋｏｒａｔｔｉｋａｒａ，Ａ．Ｆａｔｈｉ，Ｉ．Ｆｉｓｃｈｅｒ，Ｚ．Ｗｏｊｎａ，Ｙ．Ｓｏｎｇ，Ｓ．Ｇｕａｄａｒｒａｍａ，ｅｔ ａｌ．Ｓｐｅｅｄ／ａｃｃｕｒａｃｙ ｔｒａｄｅ－ｏｆｆｓ ｆｏｒ ｍｏｄｅｒｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｏｂｊｅｃｔ ｄｅｔｅｃｔｏｒｓ．ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１６１１．１００１２，２０１６、
Ｓ．Ｄｉｅｌｅｍａｎ，Ｈ．Ｚｅｎ，Ｋ．Ｓｉｍｏｎｙａｎ，Ｏ．Ｖｉｎｙａｌｓ，Ａ．Ｇｒａｖｅｓ，Ｎ．Ｋａｌｃｈｂｒｅｎｎｅｒ，Ａ．Ｓｅｎｉｏｒ，ａｎｄ Ｋ．Ｋａｖｕｋｃｕｏｇｌｕ、「ＷＡＶＥＮＥＴ：Ａ ＧＥＮＥＲＡＴＩＶＥ ＭＯＤＥＬ ＦＯＲ ＲＡＷ ＡＵＤＩＯ」、ａｒＸｉｖ：１６０９．０３４９９，２０１６、
Ｓ．Ｏ．Ａｒｉｋ，Ｍ．Ｃｈｒｚａｎｏｗｓｋｉ，Ａ．Ｃｏａｔｅｓ，Ｇ．Ｄｉａｍｏｓ，Ａ．Ｇｉｂｉａｎｓｋｙ，Ｙ．Ｋａｎｇ，Ｘ．Ｌｉ，Ｊ．Ｍｉｌｌｅｒ，Ａ．Ｎｇ，Ｊ．Ｒａｉｍａｎ，Ｓ．Ｓｅｎｇｕｐｔａ ａｎｄ Ｍ．Ｓｈｏｅｙｂｉ、「ＤＥＥＰ ＶＯＩＣＥ：ＲＥＡＬ－ＴＩＭＥ ＮＥＵＲＡＬ ＴＥＸＴ－ＴＯ－ＳＰＥＥＣＨ」、ａｒＸｉｖ：１７０２．０７８２５，２０１７、
Ｆ．Ｙｕ ａｎｄ Ｖ．Ｋｏｌｔｕｎ、「ＭＵＬＴＩ－ＳＣＡＬＥ ＣＯＮＴＥＸＴ ＡＧＧＲＥＧＡＴＩＯＮ ＢＹ ＤＩＬＡＴＥＤ ＣＯＮＶＯＬＵＴＩＯＮＳ」、ａｒＸｉｖ：１５１１．０７１２２，２０１６、
Ｋ．Ｈｅ，Ｘ．Ｚｈａｎｇ，Ｓ．Ｒｅｎ，ａｎｄ Ｊ．Ｓｕｎ、「ＤＥＥＰ ＲＥＳＩＤＵＡＬ ＬＥＡＲＮＩＮＧ ＦＯＲ ＩＭＡＧＥ ＲＥＣＯＧＮＩＴＩＯＮ」、ａｒＸｉｖ：１５１２．０３３８５，２０１５、
Ｒ．Ｋ．Ｓｒｉｖａｓｔａｖａ，Ｋ．Ｇｒｅｆｆ，ａｎｄ Ｊ．Ｓｃｈｍｉｄｈｕｂｅｒ、「ＨＩＧＨＷＡＹ ＮＥＴＷＯＲＫＳ」、ａｒＸｉｖ：１５０５．００３８７，２０１５、
Ｇ．Ｈｕａｎｇ，Ｚ．Ｌｉｕ，Ｌ．ｖａｎ ｄｅｒ Ｍａａｔｅｎ ａｎｄ Ｋ．Ｑ．Ｗｅｉｎｂｅｒｇｅｒ、「ＤＥＮＴＩＬＹ ＣＯＮＮＥＣＴＥＤ ＣＯＮＶＯＬＵＴＩＯＮＡＬ ＮＥＴＷＯＲＫＳ」、ａｒＸｉｖ：１６０８．０６９９３，２０１７、
Ｃ．Ｓｚｅｇｅｄｙ，Ｗ．Ｌｉｕ，Ｙ．Ｊｉａ，Ｐ．Ｓｅｒｍａｎｅｔ，Ｓ．Ｒｅｅｄ，Ｄ．Ａｎｇｕｅｌｏｖ，Ｄ．Ｅｒｈａｎ，Ｖ．Ｖａｎｈｏｕｃｋｅ，ａｎｄ Ａ．Ｒａｂｉｎｏｖｉｃｈ、「ＧＯＩＮＧ ＤＥＥＰＥＲ ＷＩＴＨ ＣＯＮＶＯＬＵＴＩＯＮＳ」、ａｒＸｉｖ：１４０９．４８４２，２０１４、
Ｓ．Ｉｏｆｆｅ ａｎｄ Ｃ．Ｓｚｅｇｅｄｙ、「ＢＡＴＣＨ ＮＯＲＭＡＬＩＺＡＴＩＯＮ：ＡＣＣＥＬＥＲＡＴＩＮＧ ＤＥＥＰ ＮＥＴＷＯＲＫ ＴＲＡＩＮＩＮＧ ＢＹ ＲＥＤＵＣＩＮＧ ＩＮＴＥＲＮＡＬ ＣＯＶＡＲＩＡＴＥ ＳＨＩＦＴ」、ａｒＸｉｖ：１５０２．０３１６７，２０１５、
Ｊ．Ｍ．Ｗｏｌｔｅｒｉｎｋ，Ｔ．Ｌｅｉｎｅｒ，Ｍ．Ａ．Ｖｉｅｒｇｅｖｅｒ，ａｎｄ １．Ｉｓｇｕｍ、「ＤＩＬＡＴＥＤ ＣＯＮＶＯＬＵＴＩＯＮＡＬ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫＳ ＦＯＲ ＣＡＲＤＩＯＶＡＳＣＵＬＡＲ ＭＲ ＳＥＧＭＥＮＴＡＴＩＯＮ ＩＮ ＣＯＮＧＥＮＩＴＡＬ ＨＥＡＲＴ ＤＩＳＥＡＳＥ」、ａｒＸｉｖ：１７０４．０３６６９，２０１７、
Ｌ．Ｃ．Ｐｉｑｕｅｒａｓ、「ＡＵＴＯＲＥＧＲＥＳＳＩＶＥ ＭＯＤＥＬ ＢＡＳＥＤ ＯＮ Ａ ＤＥＥＰ ＣＯＮＶＯＬＵＴＩＯＮＡＬ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫ ＦＯＲ ＡＵＤＩＯ ＧＥＮＥＲＡＴＩＯＮ」、Ｔａｍｐｅｒｅ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，２０１６、
Ｊ．Ｗｕ、「Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」、Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，２０１７、
「Ｉｌｌｕｍｉｎａ ＣＭＯＳ Ｃｈｉｐ ａｎｄ Ｏｎｅ－Ｃｈａｎｎｅｌ ＳＢＳ Ｃｈｅｍｉｓｔｒｙ」、Ｉｌｌｕｍｉｎａ，Ｉｎｃ．２０１８，２ ｐａｇｅｓ、
「ｓｋｉｋｉｔ－ｉｍａｇｅ／ｐｅａｋ．ｐｙ ａｔ ｍａｓｔｅｒ」、ＧｉｔＨｕｂ，５ ｐａｇｅｓ，［２０１８－１１－１６に検索］。インターネット＜ＵＲＬ：ｈｔｔｐｓ：／／ｇｉｔｈｕｂ．ｃｏｍ／ｓｃｉｋｉｔ－ｉｍａｇｅ／ｓｃｉｋｉｔ－ｉｍａｇｅ／ｂｌｏｂ／ｍａｓｔｅｒ／ｓｋｉｍａｇｅ／ｆｅａｔｕｒｅ／ｐｅａｋ．ｐｙ＃Ｌ２５＞から検索、
「３．３．９．１１．Ｗａｔｅｒｓｈｅｄ ａｎｄ ｒａｎｄｏｍ ｗａｌｋｅｒ ｆｏｒ ｓｅｇｍｅｎｔａｔｉｏｎ」、Ｓｃｉｐｙ ｌｅｃｔｕｒｅ ｎｏｔｅｓ，２ ｐａｇｅｓ、［２０１８－１１－１３に検索］。インターネット＜ＵＲＬ：ｈｔｔｐ：／／ｓｃｉｐｙ－ｌｅｃｔｕｒｅｓ．ｏｒｇ／ｐａｃｋａｇｅｓ／ｓｃｉｋｉｔ－ｉｍａｇｅ／ａｕｔｏ＿ｅｘａｍｐｌｅｓ／ｐｌｏｔ＿ｓｅｇｍｅｎｔａｔｉｏｎｓ．ｈｔｍｌ＞から検索、
Ｍｏｒｄｖｉｎｔｓｅｖ，Ａｌｅｘａｎｄｅｒ ａｎｄ Ｒｅｖｉｓｉｏｎ、Ａｂｉｄ Ｋ．、「Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ Ｗａｔｅｒｓｈｅｄ Ａｌｇｏｒｉｔｈｍ」、Ｒｅｖｉｓｉｏｎ ４３５３２８５６，２０１３，６ ｐａｇｅｓ［２０１８－１１－１３に検索］。インターネット＜ＵＲＬ：ｈｔｔｐｓ：／／ｏｐｅｎｃｖ－ｐｙｔｈｏｎ－ｔｕｔｒｏａｌｓ．ｒｅａｄｔｈｅｄｏｃｓ．ｉｏ／ｅｎ／ｌａｔｅｓｔ／ｐｙ＿ｔｕｔｏｒｉａｌｓ／ｐｙ＿ｉｍｇｐｒｏｃ／ｐｙ＿ｗａｔｅｒｓｈｅｄ／ｐｙ＿ｗａｔｅｒｓｈｅｄ．ｈｔｍｌ＞から検索、
Ｍｚｕｒ、「Ｗａｔｅｒｓｈｅｄ．ｐｙ」，２５ Ｏｃｔｏｂｅｒ ２０１７，３ ｐａｇｅｓ，［２０１８－１１－１３に検索］。インターネット＜ＵＲＬ：ｈｔｔｐｓ：／／ｇｉｔｈｕｂ．ｃｏｍ／ｍｚｕｒ／ｗａｔｅｒｓｈｅｄ／ｂｌｏｂ／ｍａｓｔｅｒ／Ｗａｔｅｒｓｈｅｄ．ｐｙ＞から検索、
Ｔｈａｋｕｒ，Ｐｒａｔｉｂｈａ，ｅｔ．ａｌ．「Ａ Ｓｕｒｖｅｙ ｏｆ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ Ｔｅｃｈｎｉｑｕｅｓ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｓｅａｒｃｈ ｉｎ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｒｏｂｏｔｉｃｓ，Ｖｏｌ．２，Ｉｓｓｕｅ．４，，Ａｐｒｉｌ ２０１４，Ｐｇ．：１５８－１６５、
Ｌｏｎｇ，Ｊｏｎａｔｈａｎ，ｅｔ．ａｌ．、「Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ」、：ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，Ｖｏｌ ３９，Ｉｓｓｕｅ ４，１ Ａｐｒｉｌ ２０１７，１０ ｐａｇｅｓ、
Ｒｏｎｎｅｂｅｒｇｅｒ，Ｏｌａｆ，ｅｔ．ａｌ．、「Ｕ－ｎｅｔ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｂｉｏｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ」．Ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ ｉｍａｇｅ ｃｏｍｐｕｔｉｎｇ ａｎｄ ｃｏｍｐｕｔｅｒ－ａｓｓｉｓｔｅｄ ｉｎｔｅｒｖｅｎｔｉｏｎ，１８ Ｍａｙ ２０１５，８ ｐａｇｅｓ、
Ｘｉｅ，Ｗ．，ｅｔ．ａｌ．、「Ｍｉｃｒｏｓｃｏｐｙ ｃｅｌｌ ｃｏｕｎｔｉｎｇ ａｎｄ ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｒｅｇｒｅｓｓｉｏｎ ｎｅｔｗｏｒｋｓ」，Ｃｏｍｐｕｔｅｒ ｍｅｔｈｏｄｓ ｉｎ ｂｉｏｍｅｃｈａｎｉｃｓ ａｎｄ ｂｉｏｍｅｄｉｃａｌ ｅｎｇｉｎｅｅｒｉｎｇ：Ｉｍａｇｉｎｇ ＆ Ｖｉｓｕａｌｉｚａｔｉｏｎ，６（３），ｐｐ．２８３－２９２，２０１８、
Ｘｉｅ，Ｙｕａｎｐｕ，ｅｔ ａｌ．、「Ｂｅｙｏｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ：ｓｔｒｕｃｔｕｒｅｄ ｒｅｇｒｅｓｓｉｏｎ ｆｏｒ ｒｏｂｕｓｔ ｃｅｌｌ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ」，Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ．Ｏｃｔｏｂｅｒ ２０１５，１２ ｐａｇｅｓ、
Ｓｎｕｖｅｒｉｎｋ，Ｉ．Ａ．Ｆ．、「Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｐｉｘｅｌｗｉｓｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅｓ」、Ｍａｓｔｅｒ ｏｆ Ｓｃｉｅｎｃｅ Ｔｈｅｓｉｓ，Ｄｅｌｆｔ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，２３ Ｎｏｖｅｍｂｅｒ ２０１７、１９ ｐａｇｅｓ、
Ｓｈｅｖｃｈｅｎｋｏ，Ａ．、「Ｋｅｒａｓ ｗｅｉｇｈｔｅｄ ｃａｔｅｇｏｒｉｃａｌ＿ｃｒｏｓｓｅｎｔｒｏｐｙ」，１ ｐａｇｅ、［２０１９－０１－１５に検索］。インターネット＜ＵＲＬ：ｈｔｔｐｓ：／／ｇｉｓｔ．ｇｉｔｈｕｂ．ｃｏｍ／ｓｋｅｅｅｔ／ｃａｄ０６ｄ５８４５４８ｆｂ４５ｅｅｃｅ１ｄ４ｅ２８ｃｆａ９８ｂ＞から検索、
ｖａｎ ｄｅｎ Ａｓｓｅｍ，Ｄ．Ｃ．Ｆ．、「Ｐｒｅｄｉｃｔｉｎｇ ｐｅｒｉｏｄｉｃ Ａｎｄ ｃｈａｏｔｉｃ ｓｉｇｎａｌｓ ｕｓｉｎｇ Ｗａｖｅｎｅｔｓ」、Ｍａｓｔｅｒ ｏｆ Ｓｃｉｅｎｃｅ Ｔｈｅｓｉｓ，Ｄｅｌｆｔ Ｕｎｉｖｅｒｓｉｔｙ Ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，１８ Ａｕｇｕｓｔ ２０１７，Ｐａｇｅｓ ３－３８、
Ｉ．Ｊ．Ｇｏｏｄｆｅｌｌｏｗ，Ｄ．Ｗａｒｄｅ－Ｆａｒｌｅｙ，Ｍ．Ｍｉｒｚａ，Ａ．Ｃｏｕｒｖｉｌｌｅ，ａｎｄ Ｙ．Ｂｅｎｇｉｏ、「ＣＯＮＶＯＬＵＴＩＯＮＡＬ ＮＥＴＷＯＲＫＳ」、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ，ＭＩＴ Ｐｒｅｓｓ，２０１６、及び
Ｊ．Ｇｕ，Ｚ．Ｗａｎｇ，Ｊ．Ｋｕｅｎ，Ｌ．Ｍａ，Ａ．Ｓｈａｈｒｏｕｄｙ，Ｂ．Ｓｈｕａｉ，Ｔ．Ｌｉｕ，Ｘ．Ｗａｎｇ，ａｎｄ Ｇ．Ｗａｎｇ、「ＲＥＣＥＮＴ ＡＤＶＡＮＣＥＳ ＩＮ ＣＯＮＶＯＬＵＴＩＯＮＡＬ ＮＥＵＲＡＬ ＮＥＴＷＯＲＫＳ」、ａｒＸｉｖ：１５１２．０７１０８，２０１７。
（発明の分野）
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。
このセクションで説明される主題は、単にこのセクションにおける言及の結果として、先行技術であると想定されるべきではない。同様に、このセクションで言及した問題、又は背景として提供された主題に関連する問題は、先行技術において以前に認識されていると想定されるべきではない。このセクションの主題は、単に、異なるアプローチを表し、それ自体はまた、特許請求される技術の実施に対応し得る。
深層ニューラルネットワークは、高レベル機能を連続的にモデル化するために、複数の非線形及び複雑な変換層を使用する、人工ニューラルネットワークの類である。深層ニューラルネットワークは、観測された出力と予測出力との間の差を伝達してパラメータを調整する逆伝搬を介してフィードバックを提供する。深層ニューラルネットワークは、大きな訓練データセットの利用可能性、並列分散コンピューティングの能力、及び高度な訓練アルゴリズムと共に進化している。深層ニューラルネットワークは、コンピュータビジョン、音声認識、及び自然言語処理などの多数のドメインにおける主な進歩を促進している。
畳み込みニューラルネットワーク（ＣＮＮ）及び反復ニューラルネットワーク（ＲＮＮ）は、深層ニューラルネットワークの構成要素である。畳み込みニューラルネットワークは、特に、畳み込み層、非線形層、及びプーリング層を含む構造で画像認識に成功してきた。反復ニューラルネットワークは、パーセプトロン、長い短期メモリユニット、及びゲートされた反復単位のような構成単位間の周期的接続を有する入力データの連続的な情報を利用するように設計される。加えて、多くの他の出現深層ニューラルネットワークが、深層時空間ニューラルネットワーク、多次元反復ニューラルネットワーク、及び畳み込み自動エンコーダなどの限定された状況に関して提案されてきた。
深層ニューラルネットワークの訓練の目標は、各層における重みパラメータの最適化であり、このことは、より好適な階層表現がデータから学習され得るように、より単純な特徴を複雑な特徴に徐々に組み合わせる。最適化プロセスの単一サイクルは、以下のように構成される。まず、訓練データセットと仮定すると、前方へのパスは、各層内の出力を順次計算し、ネットワークを通って機能信号を順方向に伝搬する。最終出力層において、客観的な損失関数は、推論された出力と所与のラベルとの間の誤差を測定する。訓練誤差を最小化するために、後方へのパスは、連鎖ルールを使用して、誤差信号を逆伝搬し、ニューラルネットワーク全体の全ての重みに対する勾配を計算する。最後に、確率勾配降下に基づいて最適化アルゴリズムを使用して確率パラメータが更新される。バッチ勾配降下が完全データセットごとにパラメータ更新するのに対し、確率的勾配降下は、データ例の各々の小さいセットについて更新を実行することによって確率的近似値を提供する。いくつかの最適化アルゴリズムは確率的勾配降下に由来する。例えば、Ａｄａｇｒａｄ ａｎｄ Ａｄａｍ訓練アルゴリズムは、それぞれ、各パラメータの更新頻度及び勾配のモーメントに基づいて学習率を適応的に修正しながら、確率的勾配降下を実行する。
深層ニューラルネットワークの訓練における別のコア要素は規則化であり、規則化は、過剰適合を回避し、したがって良好な一般化性能を達成することを意図する戦略を指す。例えば、重み減衰は、重みパラメータがより小さい絶対値に収束するように、客観的損失関数にペナルティ項を追加する。ドロップアウトは、訓練中にニューラルネットワークから隠れたユニットをランダムに除去し、可能なサブネットワークの集合体と見なすことができる。ドロップアウトの能力を向上させるために、新たな起動関数、ｍａｘｏｕｔ、及びｒｎｎＤｒｏｐと呼ばれる反復性ニューラルネットワークに対するドロップアウトのバリアントが提案されている。更に、バッチ正規化は、ミニバッチ内の各アクティブ化に関するスカラ特徴の正規化を介した新たな規則化方法を提供し、各々の平均及び分散をパラメータとして学習する。
配列データが多次元及び高次元であると仮定すると、深層ニューラルネットワークは、それらの広範な適用性及び強化された予測能力により、生物情報科学研究のためにかなり有望である。畳み込みニューラルネットワークは、モチーフ発見、病原性変異体の同定、及び遺伝子発現推論などのゲノミクスにおける配列に基づく問題を解決するために採用されている。畳み込みニューラルネットワークは、ＤＮＡを研究するのに特に有用な重み共有戦略を使用するが、これは、短い配列モチーフを捕捉することができ、この配列モチーフは、有意な生物学的機能を有すると推定されるＤＮＡ中の局所的パターンを再現する。畳み込みニューラルネットワークの顕著な特徴は、畳み込みフィルタの使用である。
精巧に設計され、手動で巧妙に作り上げられた特徴に基づく従来の分類アプローチとは異なり、畳み込みフィルタは、知識の情報表現に生入力データをマッピングするプロセスに類似した特徴の適応学習を実行する。この意味では、畳み込みフィルタは、そのようなフィルタのセットが入力内の関連するパターンを認識し、訓練手順中にそれ自体を更新することができるため、一連のモチーフスキャナーとして機能する。反復ニューラルネットワークは、タンパク質又はＤＮＡ配列などの様々な長さの連続的データにおける長距離依存性を捉えることができる。
したがって、テンプレートの生成及びベースコールのための、理にかなった深層学習ベースの枠組みを使用する機会が生じる。
ハイスループット技術の時代では、努力ごとに最も低いコストで解釈可能なデータの最高収率を蓄積することは、重大な課題を残している。クラスター形成のためにブリッジ増幅を利用するものなどの核酸配列決定のクラスターベースの方法は、核酸配列決定のスループットを増加させる目的に有益な貢献をしている。これらのクラスターベースの方法は、固体支持体上に固定化された核酸の密集した集団を配列決定することに依存し、典型的には、固体支持体上の別個の場所に位置する複数のクラスターを同時に配列決定する過程で生成される光信号を抑制するための画像解析ソフトウェアの使用を伴う。
しかしながら、このような固相核酸クラスターベースの配列決定技術は、達成することができるスループットの量を制限する相当な障害に直面している。例えば、クラスターベースの配列決定方法では、空間的に分解されるには互いに物理的に近接し過ぎる、又は実際には、固体支持体上で物理的に重なり合う２つ又はそれ以上のクラスターの核酸配列を決定することは障害物をもたらす可能性がある。例えば、現在の画像解析ソフトウェアは、２つの重複クラスターのうちのどれから光信号が発せられたかを判定するための貴重な時間及び計算リソースを必要とする場合がある。結果として、得られ得る核酸配列情報の量及び／又は質に関して、様々な検出プラットフォームにとって妥協が不可避である。
高密度核酸凝集体ベースのゲノミクス法は、ゲノム分析の他の領域にも同様に延在する。例えば、核酸クラスターベースのゲノミクスは、配列決定用途、診断及びスクリーニング、遺伝子発現分析、エピジェネティクス分析、多型の遺伝分析などに使用することができる。これらの核酸クラスターベースのゲノミクス技術のそれぞれは、厳密に近接して又は空間的に重複する核酸クラスターから生成されたデータを分解する能力がない場合に制限される。
明らかに、ゲノミクス（例えば、任意の及び全ての動物、植物、微生物又は他の生物学的種又は集団のゲノム特性評価のための）、薬理ゲノミクス、トランスクリプトミクス、診断、予後、生物医学的リスク評価、臨床及び研究遺伝学、個人向け医療、薬物有効性及び薬物相互作用評価、獣医医学、農業、進化、及び生物学的研究、水性培養、林業、海洋調査、生態学的管理、及び環境管理、並びに他の目的を含む、様々な用途で迅速かつ費用効果の高い方法で取得できる核酸配列データの質と量を向上させる必要がある。
開示される技術は、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のレベルを増加させることを含めて、これら及び同様のニーズに対処するニューラルネットワークベースの方法及びシステムを提供すると共に、他の関連する利点を提供する。
特許又は出願ファイルは、カラーで創作された少なくとも１つの図面を含む。カラー図面（単数又は複数）を有するこの特許又は特許出願公開のコピーは、必要な料金の要求及び支払いの際に、庁によって提供される。カラー図面はまた、補助コンテンツタブを介してＰＡＩＲで利用可能であってもよい。
図面では、同様の参照文字は、概して、異なる図全体を通して同様の部分を指す。また、図面は必ずしも縮尺通りではなく、その代わりに、開示された技術の原理を例示することを強調している。以下の説明では、開示される技術の様々な実施態様が、以下の図面を参照して説明される。
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決定する処理パイプラインの一実施態様を示す。 そのタイル内にクラスターを含むフローセルの一実施態様を示す。 ８つのレーンを有するＩｌｌｕｍｉｎａ ＧＡ－ＩＩｘフローセルの一例を示す。 ４チャネル化学のシーケンス画像の画像セットを描写しており、すなわち、画像セットは、ピクセルドメイン内の４つの異なる波長帯域（画像／撮像チャネル）を使用して捕捉された４つのシーケンス画像を有する。 シーケンス画像をサブピクセル（又はサブピクセル領域）に分割する一実施態様である。 サブピクセルベースコール中に、ベースコーラーによって識別されたクラスターの予備中心座標を示す。 クラスターメタデータを含むいわゆる「クラスターマップ」を生成するために、複数の配列決定サイクルにわたって生成されたサブピクセルベースコールをマージする一例を示す。 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の一例を示す。 サブピクセルベースコールの一実施態様を示す。 クラスターメタデータを識別するクラスターマップの別の例を示す。 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。 不連続領域のサブピクセルから不連続領域のＣＯＭまでのユークリッド距離に基づく加重減衰係数の計算の一実施態様を示す。 サブピクセルベースコールによって生成された例示的なクラスターマップから導出された、例示的なグラウンドトゥルース減衰マップの一実施態様を示す。 クラスターマップから三元マップを導出する一実施態様を示す。 クラスターマップからバイナリマップを導出する一実施態様を示す。 ニューラルネットワークベースのテンプレート生成器及びニューラルネットワークベースのベースコーラー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。 ニューラルネットワークベースのテンプレート生成器及びニューラルネットワークベースのベースコーラーを訓練するために使用される、開示された訓練例の特性を示す。 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を介して入力画像データを処理し、アレイ内の各ユニットの出力値を生成する一実施態様を示す。一実施態様では、アレイは減衰マップである。別の実施態様では、アレイは三元マップである。更に別の実施形態では、アレイはバイナリマップである。 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メタデータを導出するため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によって生成された、減衰マップ、三元マップ、又はバイナリマップに適用される後処理技術の一実施態様を示す。 ピクセルドメイン内のクラスター強度を抽出する一実施態様を示す。 サブピクセルドメイン内のクラスター強度を抽出する一実施態様を示す。 ニューラルネットワークベースのテンプレート生成器の３つの異なる実施態様を示す。 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の一実施態様を示す。入力画像データは、配列決定実行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を有する一連の画像セットを含む。 入力画像データを形成する一連の「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からパッチを抽出する一実施態様を示す。 入力画像データを形成する一連の「アップサンプリングされた」画像セットを生成するために、図２１ｂの一連の画像セットをアップサンプリングする一実施態様を示す。 入力画像データを形成する一連の「アップサンプリング及びダウンサイズの」画像セットを生成するために、図２３の一連のアップサンプリングされた画像セットからパッチを抽出する一実施態様を示す。 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。 回帰モデルの一実施態様を示す。 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は、回帰モデル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。 逆伝搬ベースの勾配更新技術を使用して回帰モデルを訓練する一実施形態である。 推論中の回帰モデルによるテンプレート生成の一実施態様である。 クラスターメタデータを識別するために、減衰マップを後処理に供する一実施態様を示す。 クラスターを特徴付ける隣接するクラスター／クラスター内部サブピクセルの非重複グループを特定する、流域分割技術の一実施態様を示す。 回帰モデルの例示的なＵ－Ｎｅｔ構造を示す表である。 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。 回帰モデル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。 クラスター中心として非ＣＯＭ位置を使用することとは対照的に、ＲＴＡベースコーラーがクラスター中心としてグラウンドトゥルース質量中心（ＣＯＭ）位置を使用するときのベースコール性能の差を示す。結果は、ＣＯＭを使用することによりベースコールが改善されることを示す。 左側に、回帰モデルを生成した減衰マップ例を示す。図３６はまた、右側に、訓練中に回帰モデルが近位になる、例示的なグラウンドトゥルース減衰マップを示す。 ピークを検出することによって減衰マップ内のクラスター中心を識別するピークロケータの一実施態様を示す。 回帰モデルによって生成された減衰マップ内のピークロケータによって検出されたピークを、対応するグラウンドトゥルース減衰マップ内のピークと比較する。 適合率と再現率の統計を使用して回帰モデルの性能を示す。 ２０ｐＭのライブラリ濃度（通常運転）について、ＲＴＡベースコーラーと回帰モデルの性能とを比較する。 ３０ｐＭのライブラリ濃度（高密度運転）について、ＲＴＡベースコーラーと回帰モデルの性能とを比較する。 重複していない適切なリード対の数、すなわち、どちらのリードも回帰モデルによって検出された妥当な距離内で内側に位置合わせされていない対のリードの数を、ＲＴＡベースコールによって検出されたものと比較する。 回帰モデルによって生成された第１の減衰マップを右側に示す。左側では、図４３は、回帰モデルによって生成された第２の減衰マップを示す。 ４０ｐＭライブラリ濃度（高密度運転）について、ＲＴＡベースコーラーと回帰モデルの性能とを比較する。 回帰モデルによって生成された第１の減衰マップを左側に示す。右側では、図４５は、第１の減衰マップに適用された閾値化、ピーク位置処理、及び流域分割技術の結果を示す。 バイナリ分類モデルの一実施態様を示す。 ソフトマックススコアを伴う逆伝搬ベースの勾配更新技術を使用してバイナリ分類モデルを訓練する一実施態様である。 シグモイドスコアを伴う逆伝搬ベースの勾配更新技術を使用してバイナリ分類モデルを訓練する別の実施態様である。 バイナリ分類モデルに供給された入力画像データ及びバイナリ分類モデルを訓練するために使用される対応するクラスラベルの別の実施態様を示す。 推論中のバイナリ分類モデルによるテンプレート生成の一実施態様である。 クラスター中心を識別するために、バイナリマップをピーク検出に供する一実施態様を示す。 バイナリ分類モデル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、訓練中にバイナリ分類モデルが近位になる、例示的なグラウンドトゥルースバイナリマップを示す。 精度統計を使用してバイナリ分類モデルの性能を示す。 バイナリ分類モデルの例示的な構造を示す表である。 三元分類モデルの一実施態様を示す。 逆伝搬ベースの勾配更新技術を使用して三元分類モデルを訓練する一実施態様である。 三元分類モデルに供給された入力画像データ及び三元分類モデルを訓練するために使用される対応するクラスラベルの別の実施を示す。 三元分類モデルの例示的な構造を示す表である。 推論中の三元分類モデルによるテンプレート生成の一実施態様である。 三元分類モデルによって生成された三元マップを示す。 ユニットごとの出力値と共に三元分類モデル５４００によって生成されたユニット配列を示す。 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、三元マップを後処理に供する一実施態様を示す。 三元分類モデルの例示的予測を示す。 三元分類モデルの他の例示的予測を示す。 三元分類モデルの更に他の例示的予測を示す。 図６２ａの三元分類モデルの出力からクラスター中心及びクラスター形状を導出する一実施態様を示す。 バイナリ分類モデル、回帰モデル、及びＲＴＡベースコーラーのベースコール性能を比較する。 ３つの状況、５つのシーケンスメトリック、及び２つの運転密度の下で、三元分類モデルの性能をＲＴＡベースコーラーの性能と比較する。 図６５で考察される３つの状況、５つのシーケンスメトリック、及び２つの運転密度の下で、回帰モデルの性能をＲＴＡベースコーラーの性能と比較する。 ニューラルネットワークベースのテンプレート生成器の最後から２番目の層に焦点を当てている。 ニューラルネットワークベースのテンプレート生成器の最後から２番目の層が、逆伝搬ベースの勾配更新訓練の結果として学習したものを可視化する。図示された実施態様は、図６７に示される最後から２番目の層の３２個の訓練された畳み込みフィルタから２４を可視化する。 （青色での）バイナリ分類モデルのクラスター中心予測を、（ピンク色での）ＲＴＡベースコールに重ね合わせる。 バイナリ分類モデルの最後から２番目の層の訓練された畳み込みフィルタの可視化上に、（ピンク色で）ＲＴＡベースのカラー（ピンク色で）によって作製されたクラスター中心予測を重ね合わせる。 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使用される訓練データの一実施態様を示す。 ニューラルネットワークベースのテンプレート生成器のクラスター中心予測に基づいて画像位置合わせ用のビーズを使用する一実施態様である。 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識別されたクラスターのクラスター統計の一実施態様を示す。 入力画像データが使用される初期配列決定サイクルの数が５から７に増加すると、ニューラルネットワークベースのテンプレート生成器が隣接するクラスター間を区別する能力がどのように改善されるかを示す。 非ＣＯＭ位置がクラスター中心として使用されるときとは対照的に、ＲＴＡベースコーラーがクラスター中心としてグラウンドトゥルース質量中心（ＣＯＭ）位置を使用するときのベースコール性能の差を示す。 追加で検出されたクラスターに関するニューラルネットワークベースのテンプレート生成器の性能を示す。 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使用される異なるデータセットを示す。 シーケンスシステムの一実施態様を示す。シーケンスシステムは、構成可能なプロセッサを含む。 シーケンスシステムの一実施態様を示す。シーケンスシステムは、構成可能なプロセッサを含む。 ベースコールセンサー出力などの、配列決定システムからのセンサーデータの分析のためのシステムの簡略ブロック図である。 ホストプロセッサによって実行される実行時プログラムの機能を含む、ベースコール動作の態様を示す簡略図である。 図７９に示されるものなどの構成可能プロセッサの構成の簡略図である。 本明細書に開示される技術を実施するために、図７８Ａのシーケンスシステムによって使用され得るコンピュータシステムである。
以下の説明は、開示された技術を当業者が作製及び使用することを可能にするために提示され、特定の用途及びその要件に関連して提供される。開示される実施態様に対する様々な修正は、当業者には容易に明らかとなり、本明細書で定義される一般原理は、開示される技術の趣旨及び範囲から逸脱することなく、他の実施態様及び用途に適用され得る。したがって、開示される技術は、示される実施態様に限定されることを意図するものではなく、本明細書に開示される原理及び特徴と一致する最も広い範囲を与えられるものである。
（導入）
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。
評価されている画像セットからの信号は、ベースの分類が周期的に、特にベースのますます長いストランドにわたって進行するにつれて次第に微弱である。ベース分類がストランドの長さにわたって延在するにつれて、信号対雑音比は減少し、信頼性が低下する。信頼性の更新された推定値は、ベース分類の変化の推定された信頼性として予想される。
デジタル画像は、サンプルストランドの増幅されたクラスターから捕捉される。サンプルは、様々な物理的構造及び化学物質を使用して、ストランドを複製することにより増幅される。合成による配列決定中、タグは、サイクルで化学的に結合され、光るように刺激される。デジタルセンサーは、画像を生成するためにピクセルから読み出されるタグから光子を収集する。
ベースを分類するためにデジタル画像を解釈するには、位置不確実性を解消することが必要であり、限られた画像解像度により障害がある。ベースコール中に収集される解像度よりも高い解像度では、撮像されたクラスターは、不規則な形状を有し、中心位置を不確定に有することが明らかである。クラスター位置は機械的に制御されず、そのため、クラスター中心はピクセル中心と位置合わせされない。ピクセル中心は、ピクセルに割り当てられた整数座標であり得る。他の実施態様では、ピクセルの左上角であってもよい。更に他の実施態様では、ピクセルの重心又は質量中心とすることができる。増幅は、均一なクラスター形状を生成しない。したがって、デジタル画像内のクラスター信号の分布は、規則的なパターンではなく統計的分布である。本発明者らは、この位置の不確実性を求める。
信号クラスのうちの１つは、検出可能な信号を生成せず、「暗」信号に基づいて特定の位置に分類され得る。したがって、暗サイクル中に分類するためにテンプレートが必要である。テンプレートの生成は、暗信号の欠落を回避するために、複数の撮像サイクルを使用して初期位置不確実性を解消する。
画像センサーのサイズ、倍率、及びステッパデザインにおけるトレードオフは、センサーピクセル中心と一致するようにクラスター中心を処理するには大きすぎるピクセルサイズにつながる。本開示は、２つの感覚でピクセルを使用する。物理的センサーピクセルは、検出された光子を報告する光センサーの領域である。単にピクセルと呼ばれる論理ピクセルは、少なくとも１つの物理ピクセルに対応するデータであり、センサーピクセルから読み出されたデータである。ピクセルは、サブピクセル（例えば、４×４サブピクセル）に細分化されるか、又は「アップサンプリング」され得る。全ての光子が物理ピクセルの片側に当たって反対側ではない可能性を考慮するために、バイリニア補間又はエリア重み付けなどの補間によって、サブピクセルに値を割り当てることができる。ピクセルが物理ピクセルからデータにアフィン変換を適用することによって、ピクセルが再フレーミングされるときに、補間又は双線型補間も適用される。
より大きい物理ピクセルは、より小さいピクセルよりも微弱な信号に対してより感度が高い。デジタルセンサーは時間と共に改善されるが、集光器表面積の物理的制限は避けられない。設計トレードオフを考慮すると、レガシーシステムは、センサーピクセルの３×３つのパッチから画像データを収集及び解析するように設計されており、そのクラスターの中心は、パッチの中心ピクセルのどこにあるかを収集及び分析するように設計されている。
高解像度センサーは、一度に撮像された媒体の一部のみを捕捉する。センサーは、画像化された媒体の上にステップ付きで、全視野を覆う。１つの処理サイクル中に数千のデジタル画像を収集することができる。
センサー及び照明設計は、ベースを分類するために使用される少なくとも４つの照明応答値を区別するために組み合わされる。ベイヤーカラーフィルタアレイを有する従来のＲＧＢカメラを使用した場合、４つのセンサーピクセルが単一のＲＧＢ値に組み合わされる。これは、４倍の有効なセンサー分解能を低減するであろう。あるいは、画像化された媒体とセンサーとの間の位置に回転された異なる照明波長及び／又は異なるフィルタを使用して、単一の位置で収集することができる。４つの基本分類間を区別するために必要とされる画像の数は、システム間で異なる。いくつかのシステムは、異なるクラスのベースに対して４つの強度レベルを有する１つの画像を使用する。他のシステムは、異なる照明波長（例えば、赤及び緑）を有する２つの画像、及び／又はベースを分類するための一種の真理台を有するフィルタを使用する。システムはまた、特定のベースクラスに調整された異なる照明波長及び／又はフィルタを有する４つの画像を使用することができる。
デジタル画像の非常に平行な処理は、実際には、３０～２０００塩基対程度の比較的短いストランドを、長さのより長い、潜在的に数百万、又は更には長さが数十億である配列に位置合わせする必要がある。画像化された媒体上では冗長サンプルが望ましいため、シーケンスの一部は、多数のサンプルリードによって被覆されてもよい。数百万又は少なくとも数十万ものサンプルクラスターが単一の画像化された培地から撮像される。そのような多くのクラスターの大規模な処理は、コストを減少させる一方で、配列決定容量が増加している。
配列決定の能力は、ムーアの法則を再現するペースで増加している。第１の配列決定コストは十億ドルであるが、Ｉｌｌｕｍｉｎａ（商標）などの２０１８年のサービスでは、（数）百ドルの結果を提供する。配列決定が主流に、かつ単価が降下するにつれて、分類のためにより少ないコンピューティング電力が利用可能であり、このことが、ほぼリアルタイム分類の課題を増加させる。これらの技術的課題を念頭に置いて、本発明者らは、開示された技術に転じる。
開示された技術は、位置不確実性を解消するためのテンプレート生成中、及び分解された位置におけるクラスターのベース分類中の両方の処理を改善する。開示される技術を適用することは、機械のコストを低減するために、より安価なハードウェアを使用することができる。ほぼリアルタイムの分析は費用効率が高くなり、画像収集とベース分類との間の遅れを低減することができる。
開示される技術は、センサーピクセルをサブピクセルに内挿することによって生成されたアップサンプリングされた画像を使用し、次いで位置不確実性を解決するテンプレートを生成することができる。得られたサブピクセルは、そのサブピクセルがクラスターの中心にあるかのように、サブピクセルを処理する分類のためのベースコーラーに提出される。クラスターは、同じベース分類を繰り返し受信する隣接するサブピクセルのグループから特定される。この技術のこの態様は、既存のベースコール技術を活用して、クラスターの形状を特定し、クラスター中心をサブピクセル解像度で超探索することができる。
開示される技術の別の態様は、信頼できる特定されたクラスター中心及び／又はクラスター形状を有する画像をペアリングする、グラウンドトゥルースを作成することである。深層学習システム及び他の機械学習アプローチは、実質的な訓練セットを必要とする。人間がキュレートしたデータは、コンパイルに費用がかかる。開示された技術を使用して、非標準的な動作モードで、人のキュレーターの介入又は費用を伴わずに、機密に分類された訓練データの大きなセットを生成することができる。訓練データは、ＣＮＮベースの深層学習システムなどの非標準的な動作モードで、既存の分類子から入手可能なクラスター中心及び／又はクラスター形状を有する生画像を相関させる。１つの訓練画像を回転させ、反射させて、追加の等しく有効な実施例を生成することができる。訓練実施例は、全体画像内の所定のサイズの領域に焦点を合わせることができる。ベースコール中に評価されたコンテキストは、画像のサイズ又は画像化された媒体全体ではなく、例示的な訓練領域のサイズを決定する。
開示される技術は、訓練データとして、又はベース分類のためのテンプレートとして使用可能な、異なる種類のマップを生成することができ、このマップは、クラスター中心及び／又はクラスター形状をデジタル画像と相関させる。第１に、サブピクセルはクラスター中心として分類することができ、それによって、物理的センサーピクセル内のクラスター中心を局所化することができる。第２に、クラスター中心は、クラスター形状の重心として計算することができる。この位置は、選択された数値精度で報告することができる。第３に、クラスター中心は、サブピクセル又はピクセル解像度のいずれかで、減衰マップ内の周囲のサブピクセルで報告することができる。減衰マップは、クラスター中心からの領域の分離が増加するにつれて、領域内で検出された光子に与えられる重みを低減し、より遠い位置からの信号を減衰させる。第４に、隣接領域のクラスター内のサブピクセル又はピクセルに、バイナリ又は三元分類を適用することができる。バイナリ分類では、領域は、クラスター中心に属するか、又は背景として分類される。三元分類では、第３のクラスタイプは、クラスター内部を含むがクラスター中心ではない領域に割り当てられる。クラスター中心位置のサブピクセル分類は、より大きい光学ピクセル内の実数値クラスター中心座標に対して置換され得る。
代替的なマップのスタイルは、最初に、グラウンドトゥルースデータセットとして生成することができ、又は訓練を行って、ニューラルネットワークを使用して生成することができる。例えば、クラスターは、適切な分類を有する隣接するサブピクセルの不連続領域として描写することができる。ニューラルネットワークからのマッピングされたクラスターの強度は、ピーク検出器フィルタによって後処理されて、中心が既に決定されていない場合、クラスター中心を計算することができる。いわゆる流域分析を適用することにより、隣接する領域を別個のクラスターに割り当てることができる。ニューラルネットワーク推論エンジンによって生成されるとき、マップは、デジタル画像のシーケンスを評価し、ベースコールのサイクルにわたってベースを分類するためのテンプレートとして使用することができる。
（ニューラルネットワークベースのテンプレート生成）
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。
（クラスターメタデータの特定）
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。
図２は、そのタイル内にクラスターを含むフローセルの一実施態様を示す。フローセルは、レーンに分割される。レーンは、「タイル」と呼ばれる非重複領域に更に分割される。配列決定手順中、タイル上の集団及びそれらの周囲の背景が画像化される。
図３は、８つのレーンを有する例示的なＩｌｌｕｍｉｎａ ＧＡ－ＩＩｘ（商標）フローセルを示す。図３はまた、１つのタイル及びそのクラスター及びそれらの周囲の背景上の拡大も示す。
図４は、４チャネル化学のシーケンス画像の画像セットを描写しており、すなわち、画像セットは、ピクセルドメイン内の４つの異なる波長帯域（画像／撮像チャネル）を使用して捕捉された４つのシーケンス画像を有する。画像セット内の各画像は、フローセルのタイルを覆い、タイル上のクラスターの強度放出を示し、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、それらの周辺の背景を示す。一実施態様では、各撮像チャネルは、複数のフィルタ波長帯域のうちの１つに対応する。別の実施態様では、各撮像チャネルは、配列決定サイクルで複数の撮像イベントのうちの１つに対応する。更に別の実施態様では、各撮像チャネルは、特定のレーザーを用いた照明と特定の光学フィルタを通した撮像との組み合わせに対応する。クラスターの強度放出は、検体に関連するベースを分類するために使用され得る検体から検出された信号を含む。例えば、強度放射は、タグが刺激され、１つ又はそれ以上のデジタルセンサーによって検出され得る、サイクル中に分析物に化学的に取り付けられたタグによって放出される光子を示す信号であってもよい。
図５は、シーケンス画像をサブピクセル（又はサブピクセル領域）に分割する一実施形態である。図示の別の実施態様では、４分の１（０．２５）サブピクセルが使用され、これにより、シーケンス画像内の各ピクセルが１６個のサブピクセルに分割される。図示したシーケンス画像が、２０×２０ピクセル、すなわち、４００ピクセルの解像度を有することを前提として、分割は６４００サブピクセルを生成する。サブピクセルのそれぞれは、サブピクセルベースコールのための領域センターとして、ベースコーラーによって処理される。いくつかの実施態様では、このベースコーラーは、ニューラルネットワークベースの処理を使用しない。他の実施態様では、このベースコーラーは、ニューラルネットワークベースのベースコーラーである。
所与の配列決定サイクル及び特定のサブピクセルに関して、ベースコーラーは、画像処理工程を実行し、配列決定サイクルの対応する画像セットからサブピクセルの強度データを抽出することによって、所与の配列決定サイクル特定のサブピクセルに対するベースコールを生成するように論理を用いて構成される。これは、サブピクセルのそれぞれ、及び複数の配列決定サイクルのそれぞれに対して行われる。また、Ｉｌｌｕｍｉｎａ ＭｉＳｅｑシーケンサの１８００×１８００ピクセル解像度タイル画像の１／４サブピクセル分割を用いて実験を行った。サブピクセルベースコールを、５０回の配列決定サイクル及び１０タイルのレーンについて行った。
図６は、サブピクセルベースコール中に、ベースコーラーによって識別されたクラスターの予備中心座標を示す。図６はまた、予備中心座標を含む「原点サブピクセル」又は「中心サブピクセル」を示す。
図７は、クラスターメタデータを含むいわゆる「クラスターマップ」を生成するために、複数の配列決定サイクルにわたって生成されたサブピクセルベースコールをマージする一例を示す。図示した実施態様では、サブピクセルベースコールは、幅優先探索アプローチを使用してマージされる。
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の一例を示す。図８ｂは、サブピクセルベースコールの一例を示す。図８ｂはまた、サブピクセルベースから生成されたサブピクセルごとのベースコールシーケンスを分析してクラスターマップを生成する一実施態様を示す。
（配列決定画像）
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。
ベースコールは、配列決定機器１０２の生信号、すなわち、画像から抽出された強度データがＤＮＡ配列及び品質スコアにデコードされるプロセスである。一実施態様では、Ｉｌｌｕｍｉｎａプラットフォームは、ベースコールのための環状可逆終端（ＣＲＴ）化学を採用する。このプロセスは、新たに添加された各ヌクレオチドの放出信号を追跡しながら、改変されたヌクレオチドを有するテンプレートＤＮＡ鎖に相補的な成長した出現ＤＮＡ鎖上に依存する。修飾されたヌクレオチドは、ヌクレオチド型のフルオロフォアシグナルをアンカーする３’の取り外し可能なブロックを有する。
配列決定は繰り返しサイクルで行われ、それぞれは３つの工程、すなわち、（ａ）修飾されたヌクレオチドを追加することによって経鼻鎖を伸長するステップと、（ｂ）光学系１０４の１つ又はそれ以上のレーザーを使用して蛍光団を励起し、光学系１０４の異なるフィルタを通して画像化して、シーケンス画像１０８を生成するステップと、（ｃ）蛍光団の開裂及び次の配列決定サイクルの準備における３’ブロックを除去するステップと、を含む。組み込み及び撮像サイクルを、指定された数の配列決定サイクルに繰り返し、全ての集団の読み取り長さを規定する。このアプローチを使用して、各サイクルはテンプレートストランドに沿って新しい位置を問い合わせる。
Ｉｌｌｕｍｉｎａプラットフォームのトレメントパワーは、ＣＲＴ反応を受ける数百万のクラスター又は更には数十億のクラスターを同時に実行及び感知する能力からステムを形成する。配列決定プロセスは、フローセル２０２において、配列決定プロセス中に入力ＤＮＡ断片を保持する小さなスライドガラスである。フローセル２０２は、顕微鏡画像、励起レーザー、及び蛍光フィルタを含むハイスループット光学システム１０４に接続される。フローセル２０２は、レーン２０４と呼ばれる複数のチャンバを含む。レーン２０４は、互いに物理的に分離され、異なるタグ付けされた配列決定ライブラリを含んでもよく、試料交差汚染なしで区別可能である。撮像装置１０６（例えば、電荷結合素子（ＣＣＤ）又は相補的金属酸化物半導体（ＣＭＯＳ）センサーなどのソリッドステート撮像素子）は、タイル２０６と呼ばれる一連の非重複領域において、レーン２０４に沿った複数の場所でスナップショットを取る。
例えば、Ｉｌｌｕｍｉｎａ Ｇｅｎｏｍｅ Ａｎａｌｙｚｅｒ ＩＩのレーン当たり１００タイル、及びＩｌｌｕｍｉｎａ ＨｉＳｅｑ２０００内のレーン当たり６８個のタイルが存在する。タイル２０６は数十万～数百万個のクラスターを保持する。明るいスポットとして示されるクラスターを有するタイルから生成された画像を２０８で示す。クラスター３０２は、テンプレート分子の約千個の同一のコピーを含むが、クラスターはサイズ及び形状が異なる。クラスターは、配列決定の実行前に、入力ライブラリのブリッジ増幅によって、テンプレート分子から成長させる。増幅及びクラスター成長の目的は、撮像装置１０６が単一の蛍光団を確実に感知できないため、放出された信号の強度を増大させることである。しかしながら、クラスター３０２内のＤＮＡフラグメントの物理的距離は小さいため、撮像装置１０６は、単一のスポット３０２として断片のクラスターを知覚する。
配列決定動作の出力は、レーン、タイル、配列決定サイクル、及びフルオロフォア（２０８Ａ、２０８Ｃ、２０８Ｔ、２０８Ｇ）の特定の組み合わせのための、ピクセルドメイン内のタイル上のクラスターの強度放出をそれぞれ示すシーケンス画像１０８である。
一実施態様では、バイオセンサーは、光センサーのアレイを備える。光センサーは、バイオセンサーの検出表面上の対応するピクセル領域（例えば、反応部位／ウェル／ナノセル）からの情報を感知するように構成されている。ピクセル領域内に配設された分析物は、ピクセル領域、すなわち、関連する分析物と関連付けられると言われる。配列決定サイクルでは、ピクセル領域に対応する光センサーは、関連する検体からの発光／光子を検出／捕捉／検知するように構成され、それに応じて、画像化されたチャネルごとにピクセル信号を生成するように構成される。一実施態様では、各撮像チャネルは、複数のフィルタ波長帯域のうちの１つに対応する。別の実施態様では、各撮像チャネルは、配列決定サイクルで複数の撮像イベントのうちの１つに対応する。更に別の実施態様では、各撮像チャネルは、特定のレーザーを用いた照明と特定の光学フィルタを通した撮像との組み合わせに対応する。
光センサーからのピクセル信号は、（例えば、通信ポートを介して）バイオセンサーに結合された信号プロセッサに伝達される。各配列決定サイクル及び各画像化チャネルについて、信号プロセッサは、ピクセルが対応する光センサーから得られるピクセル信号をそれぞれ描写／含有／示す／表す／特徴付ける画像を生成する。このようにして、画像内のピクセルは、（ｉ）ピクセルによって表されるピクセル信号を生成したバイオセンサーの光センサーと、（ｉｉ）対応する光センサーによって放射が検出され、ピクセル信号に変換された関連分析物と、（ｉｉｉ）関連分析物を保持するバイオセンサーの検出表面上のピクセル領域と、に対応する。
例えば、配列決定動作が２つの異なる画像化チャネル：赤色チャネル及び緑色チャネルを使用すると考える。次いで、各配列決定サイクルにおいて、信号プロセッサは、赤色画像及び緑色画像を生成する。このようにして、配列決定実行の一連のｋ配列決定サイクルについて、赤色画像及び緑色画像のｋ対を有するシーケンスが出力として生成される。
赤色画像及び緑色画像（すなわち、異なる画像化チャネル）内のピクセルは、配列決定サイクル内で１対１の対応を有する。これは、一対の赤色画像及び緑色画像内の対応するピクセルが、異なる画像化チャネル内にある同じ関連する検体の強度データを示すことを意味する。同様に、赤色画像及び緑色画像の対にわたるピクセルは、配列決定サイクル間に１対１の対応を有する。これは、赤色画像及び緑色画像の異なるペア内の対応するピクセルが、配列決定実行の異なる獲得イベント／タイムステップ（配列決定サイクル）に関して、同じ関連する分析物の強度データを示すことを意味する。
赤色画像及び緑色画像（すなわち、異なる画像化チャネル）内の対応するピクセルは、第１の赤色チャネル及び第２の緑チャネル内の強度データを表す、「サイクルごとの画像」のピクセルと見なすことができる。ピクセルがピクセルエリアのサブセットのピクセル信号、すなわち、バイオセンサーの検出面の領域（タイル）を描写するサイクルごとの画像は、「サイクルごとのタイル画像」と呼ばれる。サイクルごとのタイル画像から抽出されたパッチは、「サイクルごとの画像パッチ」と呼ばれる。一実施態様では、パッチ抽出は、入力準備者によって実行される。
画像データは、配列決定実行の一連のｋシーケンスサイクルのために生成された一連のサイクルごとの画像パッチを含む。サイクルごとの画像パッチ内のピクセルは、関連する検体のための強度データを含み、強度データは、関連付けられた検体からの排出を検出するように構成された対応する光センサーによって、１つ又はそれ以上の画像化チャネル（例えば、赤色チャネル及び緑色チャネル）のために取得される。一実施態様では、単一のターゲットクラスターをベースとする場合、サイクルごとの画像パッチは、標的関連検体及び非中心ピクセルに関する強度データを含む中心ピクセルで中心に置かれ、サイクルごとの画像パッチ内の非中心ピクセルは、標的関連検体に隣接する関連する検体の強度データを含む。一実施態様では、画像データは、入力準備者によって調製される。
（サブピクセルベースコール）
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。
一実施態様では、配列決定動作は４つのチャネル化学を利用し、各画像セットは４つの画像を有する。別の実施態様では、配列決定実行は２チャネル化学を利用し、各画像セットは２つの画像を有する。更に別の実施態様では、配列決定動作は、１チャネル化学を利用し、各画像セットは２つの画像を有する。更に他の実施態様では、各画像セットは１つの画像のみを有する。
ピクセル領域のシーケンス画像１０８は、まずサブピクセルアドレス指定器１１０によってサブピクセルドメインに変換され、サブピクセルドメイン内にシーケンス画像１１２が生成される。一実施態様では、シーケンス画像１０８内の各ピクセルは、１６個のサブピクセル５０２に分割される。したがって、一実施態様では、サブピクセル５０２は、４分の１サブピクセルである。別の実施態様では、サブピクセル５０２は２分の１サブピクセルである。その結果、サブピクセルドメイン内のシーケンス画像１１２のそれぞれは、複数のサブピクセル５０２を有する。
次いで、サブピクセルは、ベースコーラー１１４への入力として別々に供給されて、サブピクセルの各々を４つのベース（Ａ、Ｃ、Ｔ、及びＧ）のうちの１つと分類するベースコールをベースコーラー１１４から取得する。これにより、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のベースコールシーケンス１１６を生成する。一実施態様では、サブピクセル５０２は、それらの整数又は非整数座標に基づいて、ベースコーラー１１４に特定される。複数の配列決定サイクル中に生成された画像セットにわたってサブピクセル５０２からの発光信号を追跡することにより、ベースコーラー１１４は、各サブピクセルの基礎ＤＮＡ配列を回復する。この例を図８ｂに示す。
他の実施態様では、開示される技術は、ベースコーラー１１４から、５つのベース（Ａ、Ｃ、Ｔ、Ｇ、及びＮ）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。このような実施態様では、Ｎ個のベースコールは、通常、低いレベルの抽出された強度に起因する、決定されていないベースコールを示す。
ベースコーラー１１４のいくつかの例としては、非ニューラルネットワークベースのＩｌｌｕｍｉｎａ ｏｆｆｅｒｉｎｇｓ、例えば、ＲＴＡ（Ｒｅａｌ Ｔｉｍｅ Ａｎａｌｙｓｉｓ）、Ｇｅｎｏｍｅ Ａｎａｌｙｚｅｒ Ａｎａｌｙｓｉｓ ＰｉｐｅｌｉｎｅのＦｉｒｅｃｒｅｓｔプログラム、Ｉｐａｒ（Ｉｎｔｅｇｒａｔｅｄ Ｐｒｉｍａｒｙ Ａｎａｌｙｓｉｓ ａｎｄ Ｒｅｐｏｒｔｉｎｇ）マシン、及びＯＬＢ（Ｏｆｆ－Ｌｉｎｅ Ｂａｓｅｃａｌｌｅｒ）が挙げられる。例えば、ベースコーラー１１４は、最近傍強度抽出、ガウス系強度抽出、平均２×２サブピクセル領域に基づく強度抽出、２×２サブピクセル面積の最も明るい試験に基づく強度抽出、平均３×３サブピクセル面積、バイリニア強度抽出、双キュービック強度抽出、及び／又は加重面積被覆率に基づく強度抽出に基づく強度抽出のうちの少なくとも１つを含む、サブピクセルの強度を補間することによって、ベースコールシーケンスを生成する。これらの技術は、「強度抽出方法」と題された付録に詳細に記載されている。
他の実施態様では、ベースコーラー１１４は、本明細書に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などのニューラルネットワークベースのベースコーラーであり得る。
次いで、サブピクセルごとのベースコールシーケンス１１６は、入力として探索器１１８に供給される。探索器１１８は、連続するサブピクセルの実質的に一致するベースコールシーケンスを探索する。連続するサブピクセルのベースコールシーケンスは、ベースコールの所定の部分が、序数の位置ごとの基準（例えば、＞＝４５サイクルにおける４１一致、＜＝４５サイクルにおける４不一致、＜＝５０サイクルにおける４不一致、又は＜＝３４サイクルにおける２不一致）と一致するとき、連続するサブピクセルのベースコールシーケンスは「実質的に一致する」。
次いで、探索器１１８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隣接するサブピクセルの、例えば８０４ａ～ｄなどの、クラスターを識別するクラスターマップ８０２を生成する。本出願は、「不連続の」、「ばらばらな」、及び「非重複の」を互換的に使用する。探索は、クラスターの一部を含むサブピクセルを呼び出して、それらが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に、呼び出されたサブピクセルをリンクさせることを可能にすることを含む。いくつかの実施態様では、探索器１１８は、不連続領域の少なくとも一部が、クラスターとして処理される所定の最小数のサブピクセル（例えば、４、６、又は１０サブピクセルを超える）を有することを必要とする。
いくつかの実施態様では、ベースコーラー１１４はまた、クラスターの予備中心座標を特定する。予備中心座標を含むサブピクセルは、原点サブピクセルと呼ばれる。ベースコーラー１１４及び対応する原点サブピクセル（６０６ａ～ｃ）によって特定されたいくつかの例示的な予備中心座標（６０４ａ～ｃ）が図６に示されている。しかしながら、以下に説明するように、原点サブピクセル（クラスターの予備中心座標）の識別は必要ではない。いくつかの実施態様では、探索器１１８は、原点サブピクセル６０６ａ～ｃから始まり連続的に連続する非原点サブピクセル７０２ａ～ｃを継続して、サブピクセルの実質的に一致するベースコールシーケンスを特定するための、幅優先探索を使用する。これは、以下に説明するように、任意選択的である。
（クラスターマップ）
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。
原点サブピクセルは、予備的な中心クラスター座標を含む。これは、原点サブピクセルによって覆われた領域が、予備的な中心クラスター座標位置と一致する座標位置を含むことを意味する。クラスターマップ８０２は論理サブピクセルの画像であるため、原点サブピクセルは、クラスターマップ内のサブピクセルの一部である。
サブピクセルの実質的に一致するベースコールシーケンスを有するクラスターを識別するための探索は、全てのサブピクセルについて探索を行うことができ、任意のサブピクセル（例えば、０，０サブピクセル又は任意のランダムサブピクセル）から開始することができるため、原点サブピクセル（クラスターの予備的な中心座標）の識別から始める必要はない。したがって、各サブピクセルは、実質的に一致するベースコールシーケンスを別の連続サブピクセルと共有するかどうかを判定するために評価されるため、探索は、原点サブピクセルに依存しないため、探索は任意のサブピクセルで開始することができる。
原点サブピクセルが使用されるか否かに関わらず、ベースコーラー１１４によって予測される原点サブピクセル（クラスターの初期中心座標）を含まない特定のクラスターが特定される。サブピクセルベースコールのマージによって識別され、原点サブピクセルを含まないクラスターのいくつかの例は、図８ａのクラスター８１２ａ、８１２ｂ、８１２ｃ、８１２ｄ及び８１２ｅである。したがって、開示される技術は、中心がベースコーラー１１４によって特定されていない場合がある追加の又は余分なクラスターを特定する。したがって、原点サブピクセル（クラスターの初期中心座標）を特定するためのベースコーラー１１４の使用は任意であり、連続するサブピクセルの実質的に一致するベースコールシーケンスを探索するために必須ではない。
一実施態様では、最初に、ベースコーラー１１４によって特定された原点サブピクセル（クラスターの初期中心座標）を使用して、（連続するサブピクセルの実質的に一致するベースコールシーケンスを識別することによって）第１のクラスターセットを特定する。次いで、第１のクラスターセットの一部ではないサブピクセルは、（連続するサブピクセルの実質的に一致するベースコールシーケンスを識別することによって）第２のクラスターセットを特定するために使用される。これにより、中心がベースコーラー１１４によって識別されない追加の又は余分なクラスターを識別するために開示された技術が可能になる。最後に、クラスターの第１及び第２のセットの一部ではないサブピクセルが背景サブピクセルとして特定される。
図８ｂは、サブピクセルベースコールの一例を示す。図８ｂでは、各配列決定サイクルは、４つの異なる波長帯域（画像／撮像チャネル）及び４つの異なる蛍光染料（各塩基について１つ）を使用して捕捉された４つの異なる画像（すなわち、Ａ、Ｃ、Ｔ、Ｇ画像）を有する画像セットを有する。
この例では、画像内のピクセルを１６個のサブピクセルに分割する。次いで、サブピクセルは、ベースコーラー１１４によって各配列決定サイクルで別々にベースコールされる。特定の配列決定サイクルで所与のサブピクセルをベースコールするために、ベースコーラー１１４は、４つのＡ、Ｃ、Ｔ、Ｇ画像のそれぞれにおける所与のサブピクセルの強度を使用する。例えば、サイクル１の４つのＡ、Ｃ、Ｔ、Ｇ画像のそれぞれにおいてサブピクセル１で覆われた画像領域の強度を用いて、サイクル１でサブピクセル１をベースコールする。サブピクセル１については、これらの画像領域は、サイクル１の４つのＡ、Ｃ、Ｔ、Ｇ画像のそれぞれにおける左上のピクセルの左上の１／１６領域を含む。同様に、サイクルｎの４つのＡ、Ｃ、Ｔ、Ｇ画像のそれぞれにおけるサブピクセルｍで覆われた画像領域の強度を用いて、サイクルｎでサブピクセルｍを求めるために使用される。サブピクセルｍについては、これらの画像領域は、サイクル１の４つのＡ、Ｃ、Ｔ、Ｇ画像のそれぞれにおけるそれぞれの右下ピクセルの右下の１／１６領域を含む。
このプロセスは、複数の配列決定サイクルにわたってサブピクセルごとのベースコールシーケンス１１６を生成する。次いで、探索器１１８は、連続するサブピクセルの対を評価して、それらが実質的に一致するベースコールシーケンスを有するかどうかを判定する。はいの場合、一対のサブピクセルは、不連続領域内の同じクラスターに属するように、クラスターマップ８０２内に記憶される。いいえの場合、一対のサブピクセルは、同じ不連続領域に属しないように、クラスターマップ８０２内に記憶される。したがって、クラスターマップ８０２は、サブピクセルに対するベースコールが複数のサイクルにわたって実質的に一致するサブピクセルの連続セットを特定する。クラスターマップ８０２はしたがって、複数のクラスターからの情報を使用して、複数のクラスターを提供し、複数のクラスターの各クラスターは、単一のＤＮＡ鎖の配列データを提供することが高い信頼性を有する複数のクラスターを提供する。
次いで、クラスターメタデータ生成器１２２は、クラスターマップ８０２を処理して、クラスターメタデータを決定することであって、それらの中心（８１０ａ）、形状、サイズ、背景、及び／又は境界を含むクラスターの空間分布を決定することを含む処理を実行する（図９）。
いくつかの実施態様では、クラスターメタデータ生成器１２２は、クラスターマップ８０２内のサブピクセルを、非結合領域のいずれにも属さず、したがって、任意のクラスターに寄与しない、背景として識別する。このようなサブピクセルは、背景サブピクセル８０６ａ～ｃと呼ばれる。
いくつかの実施態様では、クラスターマップ８０２は、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８０８ａ～ｃを識別する。
クラスターマップは、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などの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のメモリ（例えば、クラスターマップデータストア１２０）に記憶される。クラスターメタデータはまた、メモリ（例えば、クラスターメタデータデータストア１２４）内に記憶され得る。
図９は、クラスターの空間分布、クラスターの中心、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と共に、クラスターの空間分布を含むクラスターメタデータを識別するクラスターマップの別の例を示す。
（質量中心（ＣＯＭ））
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。
いくつかの実施態様では、クラスターごとに、質量中心計算器１００４により、クラスター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、クラスターの超配置中心座標１００６を決定する。次いで、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、クラスター内のメモリ内のクラスターの超位置中心座標をクラスターごとに記憶する。
いくつかの実施態様では、サブピクセル分類部がクラスターごとにクラスターマップ８０２の不連続領域８０４ａ～ｄ内の質量中心サブピクセル１００８をクラスターの超配置中心座標１００６で特定する。
他の別の実施態様では、クラスターマップは、補間を使用してアップサンプリングされる。アップサンプリングされたクラスターマップは、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記憶される。
（減衰係数及び減衰マップ）
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１２は、上述のようにサブピクセルベースコールによって生成された例示的なクラスターマップから導出された、例示的なグラウンドトゥルース減衰マップ１２０４の一実施態様を示す。いくつかの実施態様では、クラスターごとに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、隣接するサブピクセルが属する不連続領域内の質量中心サブピクセル１１０４からの連続サブピクセルの距離１１０６に比例する減衰係数１１０２に基づいて、不連続領域内の各連続サブピクセルに値が割り当てられる。
図１２は、グラウンドトゥルース減衰マップ１２０４を示す。一実施態様では、サブピクセル値は、ゼロと１との間で正規化された強度値である。別の実施態様では、アップサンプリングされたクラスターマップにおいて、背景として特定された全てのサブピクセルに同じ所定の値が割り当てられる。いくつかの実施態様では、所定の値はゼロ強度値である。
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は、それらの割り当てられた値に基づいて、不連続領域内の連続するサブピクセルを発現するアップサンプリング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生成器１２０２によって生成される。グラウンドトゥルース減衰マップ１２０４は、分類子を訓練するためにグラウンドトゥルースとして使用するためにメモリに記憶される。一実施態様では、グラウンドトゥルース減衰マップ１２０４内の各サブピクセルは、ゼロと１との間で正規化された値を有する。
（三元（３クラス）マップ）
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１３は、例示的なグラウンドトゥルース三元マップ１３０４を示す。別の実施態様では、アップサンプリングされたクラスターマップでは、不連続領域内の連続するサブピクセルは、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、質量中心サブピクセルをクラスター中心サブピクセルとして、及び背景サブピクセルをどのクラスターにも属しないサブピクセルとして、グラウンドトゥルース三元マップ生成器１３０２によってクラスターごとに分類される。いくつかの実施態様では、分類は、グラウンドトゥルース三元マップ１３０４に記憶される。これらの分類及びグラウンドトゥルース三元マップ１３０４は、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記憶される。
他の別の実施態様では、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、及び背景サブピクセルの座標は、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記憶される。次いで、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。次いで、クラスターごとに、ダウンスケールされた座標は、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記憶される。
更に他の実施態様では、グラウンドトゥルース三元マップ生成器１３０２は、クラスターマップを使用して、アップサンプリングされたクラスターマップから三元グラウンドトゥルースデータ１３０４を生成する。三元グラウンドトゥルースデータ１３０４は、背景クラスに属する背景サブピクセルをラベルし、クラスター中心クラスに属するクラスター中心サブピクセル、及びクラスター内部クラスに属するクラスター内部サブピクセルをラベル付けする。いくつかの可視化の実施態様では、色符号化を使用して、異なるクラスラベルを描写し、区別することができる。三元グラウンドトゥルースデータ１３０４は、分類子を訓練するためにグラウンドトゥルースとして使用するためにメモリに記憶される。
（バイナリ（２クラス）マップ）
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１４は、グラウンドトゥルースバイナリマップ１４０４を示す。グラウンドトゥルースバイナリマップ生成器１４０２は、クラスターマップ１２０を使用して、アップサンプリングされたクラスターマップからバイナリグラウンドトゥルースデータ１４０４を生成する。バイナリグラウンドトゥルースデータ１４０４は、クラスター中心サブピクセルをクラスター中心クラスに属するものとしてラベルし、他の全てのサブピクセルを非中心クラスに属するものとしてラベルする。バイナリグラウンドトゥルースデータ１４０４は、分類子を訓練するためにグラウンドトゥルースとして使用するためにメモリに記憶される。
いくつかの実施態様では、開示される技術は、フローセルの複数のタイルのクラスターマップ１２０を生成し、クラスター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クラスターマップ１２０に基づいて、タイル内のクラスターの空間的分布を決定する。次いで、開示された技術は、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１２０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し、同じクラスターに属する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、及び背景サブピクセルに分類する。次いで、開示された技術は、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のメモリに分類を記憶し、クラスター内のクラスターごとに、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、及び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背景サブピクセルを記憶する。次いで、開示された技術は、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係数によって座標をダウンスケールし、クラスターごとに、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、メモリ内のダウンスケールされた座標を記憶する。
いくつかの実施態様では、フローセルは、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つのパターン化された表面を有する。そのような実施態様では、クラスターの決定された形状及びサイズに基づいて、開示される技術は、（１）ウェルのうちのどの１つが、少なくとも１つの群によって実質的に占有されているか、（２）ウェルのうちのどの１つが最小限に占有されているか、（３）ウェルのうちのどの１つが複数の集団によって共占有されているか、を特定する。これにより、同じウェル、すなわち、同じウェルを共有する２つ又はそれ以上のクラスターの中心、形状、及びサイズを共占する複数のクラスターのそれぞれのメタデータを決定することが可能になる。
いくつかの実施態様では、サンプルがクラスターに増幅される固体支持体は、パターン化された表面を含む。「パターン化された表面」は、固体支持体の露出層内又はその上の異なる領域の配置を指す。例えば、１つ又はそれ以上の領域は、１つ又はそれ以上の増幅プライマーが存在する特徴であり得る。この特徴は、増幅プライマーが存在しない間質領域によって分離され得る。いくつかの実施態様では、パターンは、行及び列にある特徴のｘ－ｙフォーマットであり得る。いくつかの実施態様では、パターンは、特徴及び／又は間質領域の反復配列であり得る。いくつかの実施態様では、パターンは、特徴及び／又は間質領域のランダム配列であり得る。本明細書に記載される方法及び組成物において使用することができる例示的なパターン化表面は、米国特許第８，７７８，８４９号、米国特許第９，０７９，１４８号、米国特許第８，７７８，８４８号、及び米国特許出願公開第２０１４／０２４３２２４号、に記載されており、それぞれ参照により本明細書に組み込まれる。
いくつかの実施態様では、固体支持体は、表面にウェル又は窪みのアレイを含む。これは、フォトリソグラフィー、スタンピング技術、成形技術、及びマイクロエッチング技術を含むがこれらに限定されない様々な技術を使用して、技術分野において一般的に知られているように製造することができる。技術分野において理解されるように、使用される技術は、アレイ基板の組成及び形状に依存する。
パターン付き表面内の特徴は、ガラス、シリコン、プラスチック、又はポリ（Ｎ－（５－アジドアセトアミルペンチル）アクリルアミド－ｃｏ－アクリルアミド）（ＰＡＺＡＭ、例えば、それぞれ、参照によりその全体が本明細書に組み込まれる米国特許出願公開第２０１３／１８４７９６号、国際公開第２０１６／０６６５８６号及び同第２０１５－００２８１３号を参照されたい）などのパターン化された共有結合ゲルを有する他の好適な固体支持体上のウェル（例えば、マイクロウェル又はナノウェル）配列におけるウェルであってもよい。このプロセスは、配列決定のために使用されるゲルパッドを作成し、これは、多数のサイクルで配列決定実行にわたって安定であり得る。ポリマーをウェルに共有結合することは、様々な用途の間に、構造化基材の寿命全体にわたってゲルを構造化特徴部に維持するのに有用である。しかしながら、多くの実施態様では、ゲルは、ウェルに共有結合される必要はない。例えば、いくつかの条件では、構造化基材の任意の部分に共有結合していない、シラン遊離アクリルアミド（ＳＦＡ、例えば、参照によりその全体が本明細書に組み込まれる米国特許第８，５６３，４７７号を参照されたい）、をゲル材料として使用することができる。
特定の別の実施態様では、構造化基材は、ウェル（例えば、マイクロウェル又はナノセル）を用いて固体支持材料をパターニングし、パターン化された支持体をゲル材料（例えば、ＰＡＺＡＭ、ＳＦＡ、又はその化学修飾された変異体）でコーティングすることによって作製することができ、ＳＦＡ（アジド－ＳＦＡ）のアジド化バージョンなど、及びゲルコーティングされた支持体を、例えば化学研磨又は機械研磨によって研磨し、それによって、ウェル内にゲルを保持するが、ウェル間の構造化基材の表面上の間隙領域から実質的に全てのゲルを除去又は不活性化する。ゲル材料にプライマー核酸を付着させることができる。次いで、標的核酸（例えば、断片化されたヒトゲノム）の溶液を、個々の標的核酸が、ゲル材料に結合したプライマーとの相互作用を介して個々のウェルを種にするように、研磨された基質と接触させることができるが、標的核酸は、ゲル材料の非活性又は非活性に起因して、介在領域を占有しない。標的核酸の増幅は、介在領域内のゲルの非存在又は非活性が、増殖する核酸コロニーの外向きの移動を防止するため、ウェルに限定されるであろう。プロセスは、好都合に製造可能であり、スケール変更可能であり、マイクロ又はナノ製造方法を利用する。
本明細書で使用するとき、用語「フローセル」は、１つ又はそれ以上の流体試薬を流通させることができる固体表面を含むチャンバを指す。本開示の方法において容易に使用することができるフローセル及び関連する流体システム及び検出プラットフォームの例は、例えば、それぞれ参照により本明細書に組み込まれるＢｅｎｔｌｅｙら、Ｎａｔｕｒｅ ４５６：５３－５９（２００８）、国際公開第０４／０１８４９７号、米国特許第７，０５７，０２６号、国際公開第９１／０６６７８号、同第０７／１２３７４４号、米国特許第７，３２９，４９２号、同第７，２１１，４１４号、同第７，３１５，０１９号、同第７，４０５，２８１号、及び同第２００８／０１０８０８２号に記載されている。
本開示全体を通して、増幅プライマーを参照するとき、用語「Ｐ５」及び「Ｐ７」が使用される。本明細書に提示される方法において、任意の好適な増幅プライマーを使用することができ、Ｐ５及びＰ７の使用は例示的な実施のみであることが理解されるであろう。フローセル上でのＰ５及びＰ７などの増幅プライマーの使用は、その全体が参照により本明細書に組み込まれる国際公開第２００７／０１０２５１号、同第２００６／０６４１９９号、同第２００５／０６５８１４号、同第２０１５／１０６９４１号、同第１９９８／０４４１５１号及び同第２０００／０１８９５７号の開示によって例示されるように、技術分野において既知である。例えば、任意の好適な順方向増幅プライマーは、固定化されているか又は溶液中にあるかに関わらず、相補的配列及び配列の増幅のために本明細書に提示される方法において有用であり得る。同様に、任意の好適な逆増幅プライマーは、固定化されているか又は溶液中にあるかに関わらず、相補的配列及び配列の増幅のために本明細書に提示される方法において有用であり得る。当業者であれば、本明細書に提示される核酸の捕捉及び増幅に好適なプライマー配列の設計及び使用方法を理解するであろう。
いくつかの実施態様では、フローセルは、少なくとも１つのパターン化されていない表面を有し、クラスターは、非パターン化表面上で不均一に散乱される。
いくつかの実施態様では、クラスターの密度は、約１００，０００クラスター／ｍｍ２～約１，０００，０００クラスター／ｍｍ２の範囲である。他の実施態様では、クラスターの密度は、約１，０００，０００クラスター／ｍｍ２～約１０，０００，０００クラスター／ｍｍ２の範囲である。
一実施態様では、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は、タイルのテンプレート画像内に定義される。いくつかの実施態様では、画像座標系のピクセル解像度、画像座標系、及び測定スケールは、テンプレート画像及び画像と同じである。
別の実施態様では、開示される技術は、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ことに関する。最初に、開示された技術は、（１）配列決定実行中に捕捉されたタイルの画像のセット、及び（２）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アクセスする。
次いで、各画像セットについて、本開示の技術は、４つのベースのうちの１つとして、（１）予備中心座標を含む原点サブピクセルと、（２）原点サブピクセルのそれぞれに連続的に連続している連続するサブピクセルの所定の近傍を取得する。これにより、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。連続するサブピクセルの所定の近傍は、原点サブピクセルを含むサブピクセルを中心とするｍ×ｎサブピクセルパッチとすることができる。一実施態様では、サブピクセルパッチは、３×３サブピクセルである。他の実施態様形態では、画像パッチは、５×５、１５×１５、２０×２０などの任意のサイズであり得る。他の実施態様では、連続するサブピクセルの所定の近傍は、原点サブピクセルを含むサブピクセルを中心とするｎ個の接続されたサブピクセル近傍であり得る。
一実施態様では、開示された技術は、非結合領域のいずれにも属さないクラスターマップ内のサブピクセルを背景として識別する。
次に、開示される技術は、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し、そのクラスターマップは、（ａ）原点サブピクセルのうちの対応する１つの少なくとも一部に連続的に連続しており、（ｂ）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対応する１つの少なくとも一部と共有する。
開示された技術は、次いで、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。他の実施態様では、クラスターの中心も決定される。
（テンプレート生成器のための訓練データの生成）
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。
図１６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開示された訓練例の特性を示す。各訓練例はタイルに対応し、対応するグラウンドトゥルースデータ表現でラベル付けされる。いくつかの実施態様では、グラウンドトゥルースデータ表現は、グラウンドトゥルース減衰マップ１２０４、グラウンドトゥルース三元マップ１３０４、又はグラウンドトゥルースバイナリマップ１４０４の形態のグラウンドトゥルースクラスターメタデータを識別するグラウンドトゥルースマスク又はグラウンドトゥルースマップである。いくつかの実施態様では、複数の訓練実施例は、同じタイルに対応する。
一実施態様では、開示される技術は、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ベースコールのための訓練データ１５０４を生成することに関する。最初に、開示された技術は、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２０２の多数の画像１０８にアクセスする。フローセル２０２は、複数のタイルを有する。多数の画像１０８において、タイルのそれぞれは、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する。画像セット１０８のシーケンス内の各画像は、特定の１つのサイクルにおける、タイルの特定の１つのクラスター３０２及びそれらの周囲の背景３０４の強度放射を示す。
次いで、訓練セットコンストラクタ１５０２は、複数の訓練実施例を有する訓練セット１５０４を構築する。図１６に示されるように、各訓練実施例は、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１６０２のシーケンス内の少なくとも一部の画像セットからの画像データを含む。一実施態様では、画像データは、タイルのうちの特定の１つの画像セット１６０２のシーケンス内の少なくともいくつかの画像セット内の画像を含む。例えば、画像は、１８００×１８００の解像度を有し得る。他の実施態様形態では、１００×１００、３０００×３０００、１００００×１００００などの任意の解像度であり得る。更に他の実施態様では、画像データは、画像のそれぞれからの少なくとも１つの画像パッチを含む。一実施態様では、画像パッチは、タイルの特定の１つの部分を被覆する。一例では、画像パッチは、２０×２０の解像度を有し得る。他の実施態様形態では、画像パッチは、５０×５０、７０×７０、９０×９０、１００×１００、３０００×３０００、１００００×１００００などの任意の解像度を有することができる。
いくつかの実施態様では、画像データは、画像パッチのアップサンプリングされた表現を含む。アップサンプリングされた表現は、例えば、８０×８０の解像度を有することができる。他の実施例では、アップサンプリングされた表現は、５０×５０、７０×７０、９０×９０、１００×１００、３０００×３０００、１００００×１００００などの任意の解像度を有することができる。
いくつかの実施例では、複数の訓練実施例は、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１６０２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む。このような実施態様では、異なる画像パッチのうちの少なくとも一部は、互いに重なり合う。
次いで、グラウンドトゥルース生成器１５０６は、訓練実施例のそれぞれに対して、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。グラウンドトゥルースデータ表現は、クラスターの空間分布、及びクラスターの形状、クラスターサイズ、及び／又はクラスター境界、及び／又はクラスターの中心のうちの少なくとも１つを含む、画像データによって表される、クラスターの空間的分布及びそれらの周囲の背景のうちの少なくとも１つを識別する。
一実施態様では、グラウンドトゥルースデータ表現は、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のクラスターの中心、及びそれらの周囲の背景として、そのクラスターを識別する。
一実施態様では、グラウンドトゥルースデータ表現は、８０×８０のアップサンプリング解像度を有する。他の実施態様では、グラウンドトゥルースデータ表現は、５０×５０、７０×７０、９０×９０、１００×１００、３０００×３０００、１００００×１００００などの任意の解像度を有することができる。
一実施態様では、グラウンドトゥルースデータ表現は、クラスター中心又は非中心であるかのいずれかとして、各サブピクセルを識別する。別の実施態様では、グラウンドトゥルースデータ表現は、クラスター内部、クラスター中心、又は周辺背景であるかのいずれかとして、各サブピクセルを識別する。
いくつかの実施態様では、開示された技術は、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を訓練するための訓練データ１５０４として、訓練セット１５０４及び関連するグラウンドトゥルースデータ１５０８をメモリ内に記憶する。訓練は、訓練器１５１０によって操作される。
いくつかの実施態様では、開示される技術は、様々なフローセル、配列決定機器、配列決定プロトコル、配列決定ケミストリー、配列決定試薬、及びクラスター密度に関する訓練データを生成する。
（ニューラルネットワークベースのテンプレート生成器）
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。
図１７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を介して入力画像データ１７０２を処理し、アレイ内の各ユニットの出力値を生成する一実施態様を示す。一実施態様では、アレイは減衰マップ１７１６である。別の実施態様では、アレイは三元マップ１７１８である。更に別の実施形態では、アレイはバイナリマップ１７２０である。したがって、アレイは、入力画像データ１７０２内に表される複数の場所のそれぞれの１つ又はそれ以上の特性を表し得る。
グラウンドトゥルース減衰マップ１２０４、グラウンドトゥルース三元マップ１３０４、及びグラウンドトゥルースバイナリマップ１４０４を含む、先の図の構造を使用してテンプレート生成器を訓練することとは異なり、減衰マップ１７１６、三元マップ１７１８及び／又はバイナリマップ１７２０は、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１５１２の前方伝搬によって生成される。前方伝搬は、訓練中又は推論中であり得る。訓練中、逆方向伝搬ベースの勾配更新により、減衰マップ１７１６、三元マップ１７１８及びバイナリマップ１７２０（すなわち、累積的に出力１７１４）は、グラウンドトゥルース減衰マップ１２０４、グラウンドトゥルース三元マップ１３０４、及びグラウンドトゥルースバイナリマップ１４０４にそれぞれ漸進的に一致又は接近する。
推論中に分析される画像アレイのサイズは、一実施形態によれば、入力画像データ１７０２のサイズに依存する（例えば、同じ又はアップスケールされた又はダウンスケールされたバージョンである）。各ユニットは、ピクセル、サブピクセル、又はスーパーピクセルを表すことができる。アレイの単位ごとの出力値は、減衰マップ１７１６、三元マップ１７１８、又はバイナリマップ１７２０を特徴付ける／表す／示すことができる。いくつかの実施態様では、入力画像データ１７０２はまた、ピクセル解像度、サブピクセル解像度、又はスーパーピクセル解像度のユニット配列である。そのような別の実施態様では、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は、入力アレイ内の各ユニットの出力値を生成するために、意味的セグメンテーション技術を使用する。入力画像データ１７０２に関する更なる詳細は、図２１ｂ、２２、２３、及び２４及びそれらの考察において見出すことができる。
いくつかの実施態様では、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は、参照により本明細書に組み込まれる、Ｊ．Ｌｏｎｇ，Ｅ．Ｓｈｅｌｈａｍｅｒ，ａｎｄ Ｔ．Ｄａｒｒｅｌｌ、「Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ」、ＣＶＰＲ、（２０１５）に記載されているものなどの完全な畳み込みネットワークである。他の別の実施態様では、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は、ｈｔｔｐ：／／ｌｉｎｋ．ｓｐｒｉｎｇｅｒ．ｃｏｍ／ｃｈａｐｔｅｒ／１０．１００７／９７８－３－３１９－２４５７４－４＿２８で入手可能であり、参照により本明細書に組み込まれる、Ｒｏｎｎｅｂｅｒｇｅｒ Ｏ、Ｆｉｓｃｈｅｒ Ｐ、Ｂｒｏｘ Ｔ、「Ｕ－ｎｅｔ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｂｉｏｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ，」Ｍｅｄ．Ｉｍａｇｅ Ｃｏｍｐｕｔ．Ｃｏｍｐｕｔ．Ａｓｓｉｓｔ．Ｉｎｔｅｒｖ．（２０１５）」に記載されているものなど、デコーダとエンコーダとの間の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。Ｕ－Ｎｅｔ構造は、以下の２つの主要なサブ構造を有する自動エンコーダに似ている。１）入力画像を取り込み、複数の畳み込み層を介してその空間解像度を低減して、符号化を生成するエンコーダと、を備える、システム。２）出力として再構成された画像を生成するために、空間解像度を符号化し、増大させる表現を取るデコーダ。Ｕ－Ｎｅｔは、この構造に２つの革新を導入する：最初に、目的関数は、損失関数を使用して分割マスクを再構成するように設定され、第２に、エンコーダの畳み込み層は、スキップ接続を使用して、デコーダ内の同じ解像度の対応する層に接続される。更に更なる実施形態では、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は、エンコーダサブネットワーク及び対応するデコーダネットワークを有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。そのような別の実施態様では、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを完全入力解像度特徴マップにマッピングするデコーダの階層を含む。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。
一実施態様では、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は、畳み込みニューラルネットワークである。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は、反復ニューラルネットワークである。更に別の実施態様では、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は、残留ボック及び残留接続を有する残留ニューラルネットワークである。更なる実施形態では、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は、畳み込みニューラルネットワークと反復ニューラルネットワークとの組み合わせである。
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（すなわち、ニューラルネットワーク１７０６及び／又は出力層１７１０）は、様々なパディング及びストリディング構成を使用することができることを理解するであろう。それは、異なる出力機能（例えば、分類又は回帰）を使用することができ、１つ又はそれ以上の完全に接続された層を含んでも含まなくてもよい。それは、１Ｄ重畳、２Ｄ重畳、３Ｄ重畳、４Ｄ重畳、５Ｄ重畳、拡張又は無性重畳、転置重畳、奥行分離可能な重畳、１×１重畳、グループ重畳、扁平重畳、空間及びクロスチャネルの重畳、シャッフルされたグループ化重畳、空間的な分離可能な重畳、及び逆重畳を使用することができる。それは、ロジスティック回帰／対数損失、多クラスクロスエントロピー／ソフトマックス損失、二値クロスエントロピー損失、平均二乗誤差損失、Ｌ１損失、Ｌ２損失、平滑Ｌ１損失、及びＨｕｂｅｒ損失などの１つ又はそれ以上の損失機能を使用することができる。それは、ＴＦＲｅｃｏｒｄ、圧縮符号化（例えば、ＰＮＧ）、シャープ化、マップ変換に対する平行コール、バッチング、プリフェッチ、モデル並列、データ並列、及び同期／非同期ＳＧＤのような、任意の並列、効率、及び圧縮方式を使用することができる。これは、アップサンプリング層、ダウンサンプリング層、反復接続、ゲート及びゲートされたメモリユニット（ＬＳＴＭ又はＧＲＵなど）、残留ブロック、残留接続、ハイウェイ接続、スキップ接続、ペエホル接続、アクティブ化機能（例えば、非線形変換関数は、整流線形ユニット（ＲｅＬＵ）、漏れやすいＲｅＬＵ，指数関数的ライナーユニット（ＥＬＵ）、シグモイド及び双曲線正接（ｔａｎｈ））、バッチ正規化層、規則化層、ドロップアウト、プール層（例えば、最大又は平均プール）、グローバル平均プール層、及び注意機構のような非線形変換機能を含む。
いくつかの実施態様では、画像セット１６０２のシーケンス内の各画像はタイルを覆い、タイル上のクラスターの強度放射を示し、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、特定の撮像チャネルのために捕捉された、それらの周辺の背景を示す。一実施態様では、入力画像データ１７０２は、画像セット１６０２のシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含む。このような別の実施態様では、画像パッチはタイルの一部を覆う。一例では、画像パッチは、２０×２０の解像度を有する。他の場合には、画像パッチの解像度は、２０×２０から１００００×１００００の範囲であり得る。別の実施態様では、入力画像データ１７０２は、画像セット１６０２のシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされたサブピクセル解像度表現を含む。一実施例では、アップサンプリングされたサブピクセル表現は、８０×８０の解像度を有する。他の場合には、アップサンプリングされたサブピクセル表現の解像度は、８０×８０から１００００×１００００の範囲であり得る。
入力画像データ１７０２は、クラスター及びそれらの周辺背景を描写する単位１７０４のアレイを有する。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つの画像パッチの５０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。他の実施例では、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ごと４画像パッチを有する画像パッチセットを含む。代替表現は、特徴マップである。特徴マップは、ニューラルネットワークが畳み込みニューラルネットワークである場合、畳み込み特徴又は畳み込み表現であり得る。特徴マップは、ニューラルネットワークが反復ニューラルネットワークであるとき、隠れた状態特徴又は隠れた状態表現であり得る。
次に、開示された技術は、出力層１７１０を介して代替表現１７０８を処理して、アレイ１７０４内の各ユニットに対する出力値１７１２を有する出力１７１４を生成する。出力層は、単位ごとの出力値を生成するソフトマックス又はシグモイドなどの分類層であり得る。一実施態様では、出力層は、単位ごとの出力値を生成するＲｅＬＵ層又は任意の他の起動機能層である。
一実施態様では、入力画像データ１７０２内のユニットはピクセルであり、したがって、出力１７１４においてピクセルごとの出力値１７１２が生成される。別の実施態様では、入力画像データ１７０２内の単位はサブピクセルであり、したがって、サブピクセルごとの出力値１７１２が出力部１７１４において生成される。更に別の実施態様では、入力画像データ１７０２内のユニットはスーパーピクセルであり、したがってスーパーピクセルごとの出力値１７１２が出力部１７１４において生成される。
（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）
図１８は、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メタデータを導出するために、ニューラルネットワークベースのテンプレート生成器１５１２によって生成された減衰マップ１７１６、三元マップ１７１８、又はバイナリマップ１７２０に適用される後処理技術の一実施態様を示す。いくつかの実施態様では、後処理技術は、閾値保持器１８０２、ピークロケータ１８０６、及び分割器１８１０を更に含むポストプロセッサ１８１４によって適用される。
閾値化器１８０２への入力は、開示されるニューラルネットワークベースのテンプレート生成器などのテンプレート生成器１５１２によって生成される、減衰マップ１７１６、三元マップ１７１８、又はバイナリマップ１７２０である。一実施態様では、閾値化器１８０２は、減衰マップ、三元マップ、又はバイナリマップ内の値に閾値を適用して、背景ユニット１８０４（すなわち、非クラスター背景を特徴付けるサブピクセル）、及び非背景ユニットを識別する。別の言い方をすれば、出力１７１４が生成されると、閾値化器１８０２は、ユニット１７１２の出力値に閾値を適用し、クラスターの周囲の背景を描写する「背景ユニット」１８０４及びクラスターに属する可能性のあるユニットを表す「非背景ユニット」。としてユニット１７１２の第１のサブセットを分類するか、又は再分類することができる。閾値化器１８０２によって適用される閾値は、予め設定され得る。
ピークロケータ１８０６への入力はまた、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によって生成される、減衰マップ１７１６、三元マップ１７１８、又はバイナリマップ１７２０である。一実施態様では、ピークロケータ１８０６は、減衰マップ１７１６内の値のピーク検出を、三元マップ１７１８、又はバイナリマップ１７２０に適用して、中心ユニット１８０８（すなわち、クラスター中心を特徴付ける中心サブピクセル）を特定する。言い換えれば、ピークロケータ１８０６は、出力１７１４内のユニット１７１２の出力値を処理し、クラスターの中心を含む「中心ユニット」１８０８としてユニット１７１２の第２のサブセットを分類する。いくつかの実施態様では、ピークロケータ１８０６によって検出されるクラスターの中心もまた、クラスターの質量中心である。次いで、中心ユニット１８０８は、分割器１８１０に提供される。ピークロケータ１８０６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。
閾値及びピーク検出は、並行して、又は他方の後に行うことができる。すなわち、それらは互いに依存しない。
分割器１８１０への入力はまた、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によって生成される、減衰マップ１７１６、三元マップ１７１８、又はバイナリマップ１７２０でもある。分割器１８１０への追加の補足入力は、閾値化器１８０２によって識別された閾値化ユニット（背景、非背景）１８０４と、ピークロケータ１８０６によって識別された中心ユニット１８０８とを含む。分割器１８１０は、背景、非背景１８０４、及び中心ユニット１８０８を使用して、不連続領域１８１２（すなわち、クラスターを特徴付ける隣接するクラスター／クラスター内部サブピクセルの非重複グループ）を特定する。言い換えれば、分割器１８１０は、出力１７１４内のユニット１７１２の出力値を処理し、背景ユニット１８０４によって分離され、中心ユニット１８０８を中心とする連続ユニットの非重複領域としてクラスターの形状１８１２を決定するために、背景及び非背景ユニット１８０４、並びに中心ユニット１８０８を使用する。分割器１８１０の出力は、クラスターメタデータ１８１２である。クラスターメタデータ１８１２は、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識別する。
一実施態様では、分割器１８１０は、中心ユニット１８０８から始まり、各中心ユニットに関して、質量中心が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連続するユニット群を決定する。一実施態様では、分割器１８１０は、いわゆる「流域」セグメント化技術を使用して、連続するクラスターを、強度の谷で複数の隣接するクラスターに細分化する。流域分割技術及び他の分割技術に関する更なる詳細は、「Ｗａｔｅｒｓｈｅｄ Ｓｅｇｍｅｎｔａｔｉｏｎ」と題された付録に見出すことができる。
一実施態様では、出力１７１４内のユニット１７１２の出力値は、グラウンドトゥルース減衰マップ１２０４内で符号化されたものなどの連続値である。別の実施態様では、出力値は、グラウンドトゥルース三元マップ１３０４及びグラウンドトゥルースバイナリマップ１４０４にコードされているものなどのソフトマックススコアである。一実施態様に係るグラウンドトゥルース減衰マップ１２０４では、非重複領域のうちの対応する領域内の連続単位は、隣接するユニットが属する非重複領域内の中心ユニットからの連続ユニットの距離に従って重み付けされた出力値を有する。そのような実施形態では、中心ユニットは、非重複領域のうちのそれぞれの領域内で最も高い出力値を有する。上述したように、訓練中、後方伝搬ベースの勾配更新により、減衰マップ１７１６、三元マップ１７１８及びバイナリマップ１７２０（すなわち、累積的に出力１７１４）は、グラウンドトゥルース減衰マップ１２０４のグラウンドトゥルース三元マップ１３０４とグラウンドトゥルースバイナリマップ１４０４とをそれぞれ漸進的に一致又は接近させる。
（ピクセルドメイン－規則的なクラスター形状からの強度抽出）
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１９は、ピクセルドメイン内のクラスター強度を抽出する一実施態様を示す。「テンプレート画像」又は「テンプレート」は、減衰マップ１７１６、三元マップ１７１８及び／又はバイナリマップ１７１８に由来するクラスターメタデータ１８１２を含むか、又は識別するデータ構造を指すことができる。クラスターメタデータ１８１２は、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識別する。
いくつかの実施態様では、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ドメイン内にあり、クラスター境界を微細化レベルで区別する。しかしながら、クラスター及び背景強度データを含むシーケンス画像１０８は、典型的には、ピクセルドメイン内にある。したがって、開示される技術は、アップサンプリングされたサブピクセル解像度内のテンプレート画像に符号化されたクラスター形状情報を使用して、光学的なピクセル解像度シーケンス画像から不規則形状のクラスターの強度を抽出する２つの手法を提案している。図１９に示される第１のアプローチでは、テンプレート画像内で特定された連続するサブピクセルの非重複グループは、ピクセル解像度シーケンス画像内に位置し、それらの強度は補間によって抽出される。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。
一実施態様では、非重複領域が不規則な輪郭を有し、ユニットがサブピクセルである場合、所与のクラスターのクラスター強度１９１２は、以下のように強度抽出器１９０２によって決定される。
まず、サブピクセルロケータ１９０４は、所与のクラスターの形状を特定する隣接するサブピクセルの対応する非重複領域に基づいて、所与のクラスターのクラスター強度に寄与するサブピクセルを特定する。
次に、サブピクセルロケータ１９０４は、現在の配列決定サイクルで１つ又はそれ以上の撮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１９１８内に特定されたサブピクセルを位置させる。一実施態様では、整数又は非整数座標（例えば、フローティングポイント）は、サブピクセルドメイン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一致するダウンスケール係数に基づいてダウンスケールした後に、光学解像度画像、ピクセル解像度画像内に位置する。
次いで、処理された画像内の特定されたサブピクセルの補間器及びサブピクセル強度結合器１９０６は、補間された強度を組み合わせ、組み合わさ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。正規化は、正規化器１９０８によって実行され、正規化係数に基づく。一実施態様では、正規化係数は、特定されたサブピクセルの数である。これは、フローセル上のそれらの場所に応じてクラスターが受信する異なるクラスターサイズ及び不均一な照明を正規化／考慮するために行われる。
最後に、クロスチャネルサブピクセル強度累算器１９１０は、画像のそれぞれに関する画像ごとのクラスター強度を組み合わせて、現在のシーケンスサイクルにおいて所与のクラスターのクラスター強度１９１２を決定する。
次いで、所与のクラスターは、本出願で論じられたベースコールのうちのいずれか１つによって現在の配列決定サイクルでクラスター強度１９１２に基づいてベースコールされ、ベースコール１９１６を生成する。
しかしながら、いくつかの実施態様では、クラスターサイズが十分に大きいとき、ニューラルネットワークベースのベースコーラー１５１４、すなわち、減衰マップ１７１６、三元マップ１７１８及びバイナリマップ１７２０の出力は、光学的ピクセルドメイン内にある。したがって、このような実施態様形態では、テンプレート画像はまた、光ピクセルドメイン内にある。
（サブピクセルドメイン－規則的なクラスター形状からの強度抽出）
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。
一実施態様では、非重複領域が不規則な輪郭を有し、ユニットがサブピクセルである場合、所与のクラスターのクラスター強度２０１２は、以下のように強度抽出器２００２によって決定される。
まず、サブピクセルロケータ２００４は、所与のクラスターの形状を特定する隣接するサブピクセルの対応する非重複領域に基づいて、所与のクラスターのクラスター強度に寄与するサブピクセルを特定する。
次いで、サブピクセルロケータ２００４は、現在の配列決定サイクルで１つ又はそれ以上の撮像チャネルのために生成された対応する光学的なピクセル解像度画像１９１８からアップサンプリングされた１つ又はそれ以上のサブピクセル解像度画像２０１８内に、特定されたサブピクセルを位置させる。アップサンプリングは、最近傍強度抽出、ガウス系強度抽出、平均２×２サブピクセル面積に基づく強度抽出、２×２サブピクセル面積の最も明るい試験に基づく強度抽出、平均３×３サブピクセル領域、バイリニア強度抽出、双次強度抽出、及び／又は加重領域被覆に基づく強度抽出により実行され得る。これらの技術は、「強度抽出方法」と題された付録に詳細に記載されている。テンプレート画像は、いくつかの実施態様では、強度抽出のためのマスクとして機能することができる。
次いで、アップサンプリングされた画像のそれぞれにおけるサブピクセル強度結合器２００６は、識別されたサブピクセルの強度を組み合わせ、組み合わさ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ける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。正規化は、正規化器２００８によって実行され、正規化係数に基づく。一実施態様では、正規化係数は、特定されたサブピクセルの数である。これは、フローセル上のそれらの場所に応じてクラスターが受信する異なるクラスターサイズ及び不均一な照明を正規化／考慮するために行われる。
最後に、クロスチャネルサブピクセル強度累算器２０１０は、アップサンプリングされた画像のそれぞれについて、画像ごとのクラスター強度を組み合わせて、現在のシーケンスサイクルにおいて所与のクラスターのクラスター強度２０１２を決定する。
次いで、所与のクラスターは、本出願で論じられたベースコールのうちのいずれか１つによって現在の配列決定サイクルでクラスター強度２０１２に基づいて呼び出され、ベースコール２０１６を生成する。
（ニューラルネットワークベースのテンプレート生成器の種類）
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。
一実施形態では、回帰モデル２６００は完全な畳み込みネットワークである。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ネットワークである。一実施態様では、バイナリ分類モデル４６００は、完全な畳み込みネットワークである。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。一実施態様では、三元分類モデル５４００は完全な畳み込みネットワークである。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。
（入力画像データ）
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。
いくつかの実施態様では、シーケンス画像１０８の強度は、背景について補正され、及び／又は親和性変換を用いて互いに整列される。一実施態様では、配列決定動作は４つのチャネル化学を利用し、各画像セットは４つの画像を有する。別の実施態様では、配列決定実行は２チャネル化学を利用し、各画像セットは２つの画像を有する。更に別の実施態様では、配列決定動作は、１チャネル化学を利用し、各画像セットは２つの画像を有する。更に他の実施態様では、各画像セットは１つの画像のみを有する。これら及び他の異なる実施態様は、付録６及び９に記載されている。
一連の画像セット２１００内の各画像２１１６は、フローセル２１０２のタイル２１０４を覆い、タイル２１０４上のクラスター２１０６の強度放射、及び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。一実施例では、サイクルｔ１に関して、画像セットは、対応する蛍光染料で標識化され、対応する波長帯（画像／撮像チャネル）で撮像された各塩基Ａ、Ｃ、Ｔ、及びＧ用の１つの画像を含む、４つの画像２１１２Ａ、２１１２Ｃ、２１１２Ｔ、２１１２Ｇを含む。
例示目的のために、画像２１１２Ｇでは、図２１ｂは、２１０８としてのクラスター強度放射及び２１１０としての背景強度放出を示す。別の実施例では、サイクルｔｎに関して、画像セットはまた、対応する蛍光染料で標識化され、対応する波長帯（画像／撮像チャネル）で撮像された各塩基Ａ、Ｃ、Ｔ、及びＧ用の１つの画像を含む、４つの画像２１１４Ａ、２１１４Ｃ、２１１４Ｔ、２１１４Ｇを含む。また、例示目的のために、画像２１１４Ａにおいて、図２１ｂは、２１１８としてクラスター強度放射を示し、画像２１１４Ｔでは、背景強度放射を２１２０として示す。
入力画像データ１７０２は、強度チャネル（撮像チャネルとも呼ばれる）を使用して符号化される。特定の配列決定サイクルのためにシーケンサから取得されたｃ画像のそれぞれについて、別個の画像化チャネルを使用して、その強度信号データを符号化する。例えば、配列決定が、各配列決定サイクルにおいて赤色画像及び緑色画像を生成する２チャネル化学を使用すると考える。そのような場合、入力データ２６３２は、（ｉ）赤色画像内に捕捉された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す、ｗ×ｈピクセルを有する第１の赤色画像化チャネルと、（ｉｉ）１つ又はそれ以上のクラスターの強度放射及び緑色画像内に捕捉されたそれらの周囲背景の強度放射を示す、ｗ×ｈピクセルを有する第２の緑色画像化チャネルと、を含む。
（非画像データ）
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）。
更に別の実施形態では、入力データは、生体センサーを使用して、分析物がナノ細孔を通過するとき、又はその開口部付近を通過する際に電流の破壊を測定するためにバイオセンサーを使用するナノ細孔検知から構築される。例えば、Ｏｘｆｏｒｄ Ｎａｎｏｐｏｒｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ（ＯＮＴ）配列決定は、以下の概念に基づく：ナノ細孔を介して膜を介してＤＮＡ（又はＲＮＡ）の単一鎖を通過させ、膜にわたって電位差を印加する。細孔内に存在するヌクレオチドは、細孔の電気抵抗に影響を及ぼし、そのため、経時的な電流測定は、細孔を通過するＤＮＡ塩基の配列を示すことができる。この電流信号（プロットされたときにその外観に起因する「押しつぶし」）は、ＯＮＴシーケンサによって収集された生データである。これらの測定値は、４ｋＨｚ周波数（例えば）で取られた１６ビットの整数データ取得（ＤＡＣ）値として記憶される。１秒当たり～４５０塩基対のＤＮＡ鎖速度を用いて、これは、平均して、塩基当たり約９つの生観察を与える。次いで、この信号を処理して、個々の読み取りに対応する開孔信号の破断を特定する。これらの生信号の伸長は、ベースと呼ばれ、ＤＡＣ値をＤＮＡ塩基の配列に変換するプロセスである。いくつかの実施態様では、入力データは、正規化又はスケーリングされたＤＡＣ値を含む。
別の実施態様では、画像データは、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又はニューラルネットワークベースのベースコーラー１５１４への入力として使用されない。その代わりに、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）。
更に別の実施態様では、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への入力は、生体センサーを使用して、分析物がナノ細孔を通過するとき、又はその開口部付近を通過する際に、電流の破壊を測定するためにバイオセンサーを使用するナノ細孔検知から構築される。例えば、Ｏｘｆｏｒｄ Ｎａｎｏｐｏｒｅ Ｔｅｃｈｎｏｌｏｇｉｅｓ（ＯＮＴ）配列決定は、以下の概念に基づく：ナノ細孔を介して膜を介してＤＮＡ（又はＲＮＡ）の単一鎖を通過させ、膜にわたって電位差を印加する。細孔内に存在するヌクレオチドは、細孔の電気抵抗に影響を及ぼし、そのため、経時的な電流測定は、細孔を通過するＤＮＡ塩基の配列を示すことができる。この電流信号（プロットされたときにその外観に起因する「押しつぶし」）は、ＯＮＴシーケンサによって収集された生データである。これらの測定値は、４ｋＨｚ周波数（例えば）で取られた１６ビットの整数データ取得（ＤＡＣ）値として記憶される。１秒当たり～４５０塩基対のＤＮＡ鎖速度を用いて、これは、平均して、塩基当たり約９つの生観察を与える。次いで、この信号を処理して、個々の読み取りに対応する開孔信号の破断を特定する。これらの生信号の伸長は、ベースコールされ、ＤＡＣ値をＤＮＡ塩基の配列に変換するプロセスである。いくつかの実施態様では、入力データ２６３２は、正規化又はスケーリングされたＤＡＣ値を含む。
（パッチ抽出）
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。
一実施態様では、パッチ抽出器２２０２は、一連の画像セット２１００内のシーケンス画像１０８からパッチを抽出し、一連のダウンサイズの画像セット２２０６、２２０８、２２１０及び２２１２を生成する。一連のダウンサイズ画像セット内の各画像は、一連の画像セット２１００内の対応するシーケンス決定画像から抽出されるサイズＭ×Ｍ（例えば、２０×２０）のパッチである。パッチのサイズは予め設定することができる。他の別の実施態様では、Ｍは１～１０００の範囲の任意の数である。
図２２では、４つの例示的な一連のダウンサイズ画像セットが示されている。第１の例示的な一連のダウンサイズ画像セット２２０６は、一連の画像セット２１００内のシーケンス画像１０８内の座標０，０～２０，２０から抽出される。第２の例示的な一連のダウンサイズ画像セット２２０８は、一連の画像セット２１００内のシーケンス画像１０８内の座標２０，２０～４０，４０から抽出される。第３の例示的な一連のダウンサイズ画像セット２２１０は、一連の画像セット２１００内のシーケンス画像１０８内の座標４０，４０～６０，６０から抽出される。第４の例示的な一連のダウンサイズ画像セット２２１２は、一連の画像セット２１００内のシーケンス画像１０８内の座標６０，６０～８０，８０から抽出される。
いくつかの実施態様では、一連のダウンサイズの画像セットは、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に入力として供給される入力画像データ１７０２を形成する。複数の一連のダウンサイズの画像セットを入力バッチとして同時に供給することができ、入力バッチ内の各シリーズに対して別個の出力を生成することができる。
（アップサンプリング）
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。
一実施態様では、アップサンプラー２３０２は、一連の画像セット２１００内のシーケンス画像１０８をアップサンプリング係数（例えば、４ｘ）及び一連のアップサンプリングされた画像セット２３００によってアップサンプリングする。
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）であり、アップサンプリング係数４によってアップサンプリングされて、一連のアップサンプリングされた画像セット２３００内のサイズＵ×Ｕ（例えば、８０００×８０００）のアップサンプリングされた画像を生成する。
一実施態様では、一連の画像セット２１００内のシーケンス画像１０８は、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に直接供給され、アップサンプリングは、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の初期層によって実行される。すなわち、アップサンプラー２３０２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の一部であり、一連の画像セット２１００内のシーケンス画像１０８をアップサンプリングし、一連のアップサンプリングされた画像セット２３００を生成する第１の層として動作する。
いくつかの実施態様では、一連のアップサンプリングされた画像セット２３００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に入力として供給される入力画像データ１７０２を形成する。
図２４は、図２３の一連のアップサンプリングされた画像セット２３００からパッチを抽出して、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及びダウンサイズの」画像セット２４０６、２４０８、２４１０及び２４１２を生成する一実施態様を示す。
一実施態様では、パッチ抽出器２２０２は、一連のアップサンプリングされた画像セット２３００内のアップサンプリングされた画像からパッチを抽出し、一連のアップサンプリングされた画像セット２４０６、２４０８、２４１０及びダウンサイズの画像セット２４１２を生成する。一連のアップサンプリングされた画像セット及びダウンサイズの画像セット内のそれぞれのアップサンプリングされた画像は、一連のアップサンプリングされた画像セット２３００内の対応するアップサンプリングされた画像から抽出されるサイズＭ×Ｍ（例えば、８０×８０）のパッチである。パッチのサイズは予め設定することができる。他の別の実施態様では、Ｍは１～１０００の範囲の任意の数である。
図２４では、アップサンプリングされた及び小型化された画像セットの４つの例示的な一連が示されている。アップサンプリングされ、ダウンサイズの画像セット２４０６の第１の例の一連は、一連のアップサンプリングされた画像セット２３００内のアップサンプリングされた画像内の座標０，０～８０，８０から抽出される。アップサンプリングされ、ダウンサイズの画像セット２４０８の第２の例示的な一連は、一連のアップサンプリングされた画像セット２３００内のアップサンプリングされた画像内の座標８０，８０～１６０，１６０から抽出される。アップサンプリングされ、ダウンサイズされた画像セット２４１０の第３の一連の例は、一連のアップサンプリングされた画像セット２３００内のアップサンプリングされた画像内の座標１６０，１６０～２４０，２４０から抽出される。アップサンプリングされ、ダウンサイズされた画像セット２４１２の第４の一連の例は、一連のアップサンプリングされた画像セット２３００内のアップサンプリングされた画像内の座標２４０，２４０～３２０，３２０から抽出される。
いくつかの実施態様では、一連のアップサンプリング及びダウンサイズの画像セットは、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に入力として供給される入力画像データ１７０２を形成する。複数の一連のアップサンプリングされた画像セット及びダウンサイズの画像セットは、入力バッチとして同時に供給され得、入力バッチ内の各シリーズに対して別個の出力を生成することができる。
（出力）
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。
各タイプのモデルの出力１７１４は、ユニット配列１７１２を含む。ユニット１７１２は、ピクセル、サブピクセル、又はスーパーピクセルであり得る。各タイプのモデルの出力は、ユニット配列の出力値が、回帰モデル２６００の場合の減衰マップ１７１６と、バイナリ分類モデル４６００の場合のバイナリマップ１７２０と、三元分類モデル５４００の場合の三元マップ１７１８とを一緒に特徴付ける／表す／表すように、ユニットごとの出力値を含む。以下の詳細がある。
（グラウンドトゥルースデータ生成）
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。
図示の別の実施態様では、グラウンドトゥルースデータは、フローセルＡのレーンＡ上にあるタイルＡのために生成される。グラウンドトゥルースデータは、シーケンス実行中に捕捉されたタイルＡのシーケンス画像１０８から生成される。タイルＡのシーケンス画像１０８は、ピクセル領域にある。配列決定サイクルごとに４つのシーケンス画像を生成する４チャネル化学を伴う一例では、５０個の配列決定サイクルのための２００個のシーケンス画像１０８がアクセスされる。２００個のシーケンス画像１０８のそれぞれは、特定の配列決定サイクルで特定の画像チャネル内に捕捉されたタイルＡ及びそれらの周囲の背景上のクラスターの強度放出を示す。
サブピクセルアドレス指定器１１０は、シーケンス画像１０８をサブピクセルドメインに変換し（例えば、各ピクセルを複数のサブピクセルに分割することによって）サブピクセルドメインに変換し、サブピクセルドメイン内にシーケンス画像１１２を生成する。
次いで、ベースコーラー１１４（例えば、ＲＴＡ）は、サブピクセルドメイン内のシーケンス画像１１２を処理し、各サブピクセル及び５０個の配列決定サイクルのそれぞれについて、ベースコールを生成する。これは、本明細書では「サブピクセルベースコール」と称される。
次いで、サブピクセルベースのコール１１６をマージして、各サブピクセルに対して、５０回の配列決定サイクルにわたってベースコールシーケンスを生成する。各サブピクセルのベースコールシーケンスは、５０個のベースコール、すなわち、５０個の配列決定サイクルのそれぞれに対する１つのベースコールを有する。
探索器１１８は、ペアワイズベースで連続するサブピクセルのベースコールシーケンスを評価する。探索は、それぞれのサブピクセルを評価して、その連続するサブピクセルのうちのどのサブピクセルを、実質的に一致するベースコールシーケンスを共有することを含む。連続するサブピクセルのベースコールシーケンスは、ベースコールの所定の部分が、序数の位置ごとの基準（例えば、＞＝４５サイクルにおける４１一致、＜＝４５サイクルにおける４不一致、＜＝５０サイクルにおける４不一致、又は＜＝３４サイクルにおける２不一致）と一致するとき、連続するサブピクセルのベースコールシーケンスは「実質的に一致する」。
いくつかの実施態様では、ベースコーラー１１４はまた、クラスターの予備中心座標を特定する。予備中心座標を含むサブピクセルは、中心又は原点サブピクセルと呼ばれる。ベースコーラー１１４及び対応する原点サブピクセル（６０６ａ～ｃ）によって特定されたいくつかの例示的な予備中心座標（６０４ａ～ｃ）が図６に示されている。しかしながら、以下に説明するように、原点サブピクセル（クラスターの予備中心座標）の識別は必要ではない。いくつかの実施態様では、探索器１１８は、原点サブピクセル６０６ａ～ｃから始まり連続的に連続する非原点サブピクセル７０２ａ～ｃを継続して、サブピクセルの実質的に一致するベースコールシーケンスを特定するための、幅優先探索を使用する。これは、以下に説明するように、任意選択的である。
サブピクセルの実質的に一致するベースコールシーケンスの探索は、全てのサブピクセルについて探索を行うことができ、その探索は、原点サブピクセルから開始する必要がなく、その代わりに、任意のサブピクセル（例えば、０，０サブピクセル又は任意のランダムサブピクセル）から開始することができないため、原点サブピクセル（クラスターの初期中心座標）の識別を必要としない。したがって、各サブピクセルは、実質的に一致するベースコールシーケンスを別の連続サブピクセルと共有するかどうかを判定するために評価されるため、探索は、原点サブピクセルを利用する必要はなく、任意のサブピクセルで開始することができる。
原点サブピクセルが使用されるか否かに関わらず、ベースコーラー１１４によって予測される原点サブピクセル（クラスターの初期中心座標）を含まない特定のクラスターが特定される。サブピクセルベースコールのマージによって識別され、原点サブピクセルを含まないクラスターのいくつかの例は、図８ａのクラスター８１２ａ、８１２ｂ、８１２ｃ、８１２ｄ及び８１２ｅである。したがって、原点サブピクセル（クラスターの初期中心座標）を特定するためのベースコーラー１１４の使用は任意であり、サブピクセルの実質的に一致するベースコールシーケンスの探索には必須ではない。
探索器１１８：（１）いわゆる「不連続領域」として、実質的に一致するベースコールシーケンスを有する連続するサブピクセルを特定し、（２）更に、（１）で既に特定されている非接合領域のいずれにも属さない、これらのサブピクセルのベースコールシーケンスを更に評価し、追加の不連続領域を取得し、（３）次に、（１）及び（２）で既に特定されている不連続領域のいずれにも属しないサブピクセルとして背景サブピクセルを特定する。アクション（２）は、中心がベースコーラー１１４によって識別されない追加又は追加のクラスターを識別するために開示された技術を可能にする。
探索器１１８の結果は、タイルＡのいわゆる「クラスターマップ」で符号化され、クラスターマップデータストア１２０内に記憶される。クラスターマップでは、タイルＡ上のクラスターのそれぞれは、隣接するサブピクセルのそれぞれの不連続領域によって識別され、背景サブピクセルは、分離された領域を分離して、タイルＡ上の周囲の背景を識別する。
質量中心（ＣＯＭ）計算機１００４は、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、不連続領域のそれぞれのＣＯＭを計算することによって、タイルＡ上のクラスターのそれぞれの中心を決定する。クラスターの質量中心は、ＣＯＭデータ２５０２として記憶される。
サブピクセル分類部２５０４は、クラスターマップ及びＣＯＭデータ２５０２を使用してサブピクセル分類２５０６を生成する。サブピクセル分類２５０６は、（１）背景サブピクセル、（２）ＣＯＭサブピクセル（それぞれの不連続領域のＣＯＭを含む各不連続領域に関する１つのＣＯＭサブピクセル）、及び（３）それぞれの不連続領域を形成するクラスター／クラスター内部サブピクセルと、を分類する。すなわち、クラスターマップ内の各サブピクセルには、３つのカテゴリのうちの１つが割り当てられる。
一部の実施態様におけるサブピクセル分類２５０６に基づいて、（ｉ）グラウンドトゥルース減衰マップ１２０４は、グラウンドトゥルース減衰マップ生成器１２０２によって生成され、（ｉｉ）グラウンドトゥルースバイナリマップ１３０４は、グラウンドトゥルースバイナリマップ生成器１３０２によって生成され、（ｉｉｉ）グラウンドトゥルース三元マップ１４０４は、グラウンドトゥルース三元マップ生成器１４０２によって生成される。
１．（回帰モデル）
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。
（減衰マップ）
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。
更に、グラウンドトゥルース減衰マップ生成器１２０２は、全ての背景サブピクセルに同じ事前決定値（例えば、最小の背景値）を割り当てる。
グラウンドトゥルース減衰マップ１２０４は、割り当てられた値に基づいて、不連続領域及び背景サブピクセル内の連続するサブピクセルを表している。グラウンドトゥルース減衰マップ１２０４はまた、割り当てられた値をユニット配列に記憶し、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。
（訓練）
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。
訓練２８００は、減衰マップ１７１６とグラウンドトゥルース減衰マップ１２０４との間の誤差２８０６を最小化し、誤差２８０６に基づいて回帰モデル２６００のパラメータを更新することを反復的に最適化することを含む。一実施態様では、損失関数は平均二乗誤差であり、減衰マップ１７１６及びグラウンドトゥルース減衰マップ１２０４における対応するサブピクセルの加重減衰値の間のサブピクセルごとに最小化される。
訓練２８００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬２８０８及び後方伝搬２８１０を含む。訓練データ１５０４は、入力画像データ１７０２として、一連のアップサンプリング及びダウンサイズの画像セットを含む。訓練データ１５０４は、アノテーター２８０６によって、グラウンドトゥルースラベルで注釈付けされる。訓練２８００は、アダムなどの確率的勾配更新アルゴリズムを使用して、訓練器１５１０によって操作可能である。
（推論）
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。
推論２９００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬２９０４を含む。推論２９００は、入力画像データ１７０２として、一連のアップサンプリングされた画像セット及びダウンサイズの画像セットを含む推論データ２９０８に対して実行される。推論２９００は、テスター２９０６によって動作可能である。
（流域分離）
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３１は、背景サブピクセル及びそれぞれ閾値化器１８０２によって特定される中心サブピクセルを入力として取り、ピークロケータ１８０６が、隣接するクラスター間の強度の谷部を見つけ、クラスターを特徴付ける隣接するクラスター／クラスター内部サブピクセルの非重複グループを出力する、流域分割技術の一実施態様を示す。流域分割技術に関する更なる詳細は、「Ｗａｔｅｒｓｈｅｄ Ｓｅｇｍｅｎｔａｔｉｏｎ」と題された付録に見出すことができる。
一実施態様では、流域分割器３１０２は、入力（１）減衰マップ１７１６、（２）の無効化された出力値１８０２、及び（３）ピークロケータ１８０６によって識別されたクラスター中心を入力（１）マイナス出力値２９１０として取り込む。次いで、入力に基づいて、流域分割器３１０２は出力部３１０４を生成する。出力３１０４では、各クラスター中心は、クラスター中心に属するサブピクセルの固有のセット／グループとして識別される（サブピクセルがバイナリ出力で「１」である限り、すなわち、背景サブピクセルではない）として特定される。更に、クラスターは、少なくとも４つのサブピクセルを含むことに基づいてフィルタリングされる。流域分割器３１０２は、分割器１８１０の一部であり得、分割器１８１０は、次いで、ポストプロセッサ１８１４の一部である。
（ネットワーク構造）
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。
（クラスター強度抽出）
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。
第１の手法によれば、サブピクセルの座標は、シーケンス画像１０８内に位置し、それらのそれぞれの強度は、双線形補間を使用して抽出され、クラスターに寄与するサブピクセルのカウントに基づいて正規化される。
第２の手法は、ピクセルに寄与するサブピクセルの数に従ってピクセルの強度を変調するために、重み付けエリアカバー技術を使用する。ここでも、変調ピクセル強度は、サブピクセルカウントパラメータによって正規化される。
第３の手法は、二次補間を使用して、シーケンス画像をサブピクセルドメインにアップサンプルし、クラスターに属するアップサンプリングされたピクセルの強度を合計し、クラスターに属するアップサンプリングされたピクセルのカウントに基づいて合計された強度を正規化する。
（実験結果及び考察）
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。
第２のアプローチでは、クラスターの中心の代わりに、テンプレート画像内のクラスター形状情報に基づいて、シーケンス画像から抽出されたクラスター強度は、ベースコールのために、ＲＴＡベースコーラーに供給される。
図３５は、クラスター中心として非ＣＯＭ位置を使用することとは対照的に、ＲＴＡベースコールがクラスター中心として質量（ＣＯＭ）位置のグラウンドトゥルース中心を使用するときのベースコール性能の差を示す。結果は、ＣＯＭを使用してベースコールを改善することを示す。
（モデル出力の実施例）
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。
減衰マップ１７１６及びグラウンドトゥルース減衰マップ１２０４の両方は、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描写し、クラスターの中心は、不連続領域のうちの対応する領域の質量の中心で中心サブピクセルとしてのクラスターの中心、及びそれらの周囲の背景としてのクラスターを示す。
また、不連続領域のうちの対応する領域内の連続するサブピクセルは、隣接するサブピクセルが属する不連続領域内の中心サブピクセルからの連続サブピクセルの距離に応じて重み付けされた値を有する。一実施態様では、中心サブピクセルは、不連続領域のうちの対応する領域内で最も高い値を有する。一実施態様では、背景サブピクセルは全て、減衰マップ内で同じ最小の背景値を有する。
図３７は、ピーク３７０２を検出することによって、減衰マップ内のクラスター中心を識別するピークロケータ１８０６の一実施態様を示す。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３８は、回帰モデル２６００によって生成された減衰マップ１７１６内のピークロケータ１８０６によって検出されたピークを、対応するグラウンドトゥルース減衰マップ１２０４内のピークと比較する。赤色マーカーは、クラスター中心として回帰モデル２６００によって予測されるピークであり、緑色マーカーは、クラスターの塊のグラウンドトゥルース中心である。
（更なる実験結果及び考察）
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。
図４０は、２０ｐＭのライブラリ濃度（通常の運転）に対する、ＲＴＡベースコーラーを用いた回帰モデル２６００の性能を比較する。ＲＴＡベースコーラーを実行することで、回帰モデル２６００は、より高いクラスター密度環境（すなわち、９８８，８８４クラスター）内の３４、３２３（４．４６％）のクラスターを特定する。
図４０はまた、チェスチティフィルタ（「％ＰＦ」（パスフィルタ））を通過するクラスターの数、位置合わせされたリードの数（「配列された％」）、重複するリードの数（「％」）、「複製」）、参照配列に位置合わせされた全てのリード（「％不一致」）、品質スコア３０及び上記（「％Ｑ３０塩基」）と呼ばれる塩基などについて、参照配列を一致させないリードの数などの他の配列決定メトリックの結果を示す。
図４１は、３０ｐＭライブラリ濃度（高密度実行）に関する、ＲＴＡベースコーラーを用いた回帰モデル２６００の性能を比較する。ＲＴＡベースコーラーを実行することで、回帰モデル２６００は、３４、３２３（６．２７％）より多くのクラスターを、遙かに高いクラスター密度環境（すなわち、１，３５１，５８８クラスター）で特定する。
図４１はまた、チェスチティフィルタ（「％ＰＦ」（パスフィルタ））を通過するクラスターの数、位置合わせされたリードの数（「配列された％」）、重複するリードの数（「％」）、「複製」）、参照配列に位置合わせされた全てのリード（「％不一致」）、品質スコア３０及び上記（「％Ｑ３０塩基」）と呼ばれる塩基などについて、参照配列を一致させないリードの数などの他の配列決定メトリックの結果を示す。
図４２は、２組の非重複（固有又は重複複製）の正しい読み取り対の数、すなわち、両方の読み取りが、回帰モデル２６００によって検出された妥当な距離内で内側に位置合わせされた対のリードの数と、ＲＴＡベースのカラーによって検出されたものと比較したものである。比較は、２０ｐＭの通常運転及び３０ｐＭの高密度運転の両方で行われる。
より重要なことに、図４２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が、テンプレート生成に対する入力のより少ない配列決定サイクルにおいて、より多くのクラスターを検出することができることを示す。ただ４回の配列決定サイクルでは、回帰モデル２６００は、２０ｐＭの通常の実行中のＲＴＡベースコーラーよりも、１１％のより重複していない正しい読み取り対を識別し、３０ｐＭの高密度実行中のＲＴＡベースコーラーよりも３３％の２組の適切なリード対を特定する。７回の配列決定サイクルでは、回帰モデル２６００は、２０ｐＭの通常の実行中のＲＴＡベースコーラーよりも、４．５％のより重複していない適切な読み取り対を識別し、３０ｐＭの高密度実行中のＲＴＡベースコーラーよりも６．３％の２組の適切なリード対を特定する。
図４３は、回帰モデル２６００によって生成された第１の減衰マップを右側に示す。第１の減衰マップは、クラスターの形状、クラスターサイズ、及びクラスター中心を示すそれらの空間分布と共に、２０ｐＭの通常運転中に撮像されたクラスター及びそれらの周囲の背景を識別する。
左側では、図４３は、回帰モデル２６００によって生成された第２の減衰マップを示す。第２減衰マップは、３０ｐＭ高密度実行中に撮像されたクラスター及びそれらの周囲の背景を、クラスター形状、クラスターサイズ、及びクラスター中心を示すそれらの空間的分布と共に識別する。
図４４は、４０ｐＭのライブラリ濃度（高密度実行）について、ＲＴＡベースコーラーを用いた回帰モデル２６００の性能を比較する。回帰モデル２６００は、遥かに高いクラスター密度環境（すなわち、１，５０９，３９５クラスター）において、ＲＴＡベースコーラーよりも８９，４４１，６８８のより整列したベースを生成した。
図４４はまた、チェスチティフィルタ（「％ＰＦ」（パスフィルタ））を通過するクラスターの数、位置合わせされたリードの数（「配列された％」）、重複するリードの数（「％」）、「複製」）、参照配列に位置合わせされた全てのリード（「％不一致」）、品質スコア３０及び上記（「％Ｑ３０塩基」）と呼ばれる塩基などについて参照配列を不一致させるリードの数などの他の配列決定メトリックの結果を示す。
（モデル出力の更なる実施例）
図４５は、回帰モデル２６００によって生成された第１の減衰マップを左に示す。第１の減衰マップは、４０ｐＭの通常運転中に画像化されたクラスター及びそれらの周囲の背景を、クラスター形状、クラスターサイズ、及びクラスター中心を示すそれらの空間的分布と共に識別する。
右上では、図４５は、閾値及び第１の減衰マップに適用されたピーク位置の結果を示して、それぞれのクラスターを互いから及び背景から区別し、それらのそれぞれのクラスター中心を識別する結果を示す。いくつかの実施態様では、それぞれのクラスターの強度が識別され、不一致率を低減するために適用されるシャーシフィルタ（又は通過フィルタ）が特定される。
２．（バイナリ分類モデル）
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。
（バイナリマップ）
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。
他の別の実施態様では、単位ごとの分類層は、単位の活性化が、単位が第１のクラスに属する確率として解釈されるように、バイナリマップ１７２０内の各サブピクセルについてのシグモイド分類スコアを生成するサブピクセルごとの分類層であり、逆に、１つからの１つのマイナスは、第２のクラスに属する確率を与える。
バイナリマップ１７２０は、予測される分類スコアに基づいて、各サブピクセルを表している。バイナリマップ１７２０はまた、ユニット配列内に予測値分類スコアを記憶し、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。
（訓練）
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。
図示した実施態様では、バイナリ分類モデル４６００の最終出力層は、ソフトマックスベースのサブピクセルごとの分類層である。ソフトマックス別の実施態様では、グラウンドトゥルースバイナリマップ生成器１４０２は、（ｉ）クラスター中心値対（例えば、［１、０］）又は（ｉｉ）非中心値対（例えば、［０、１］）のいずれかの各グラウンドトゥルースサブピクセルを割り当てる。
クラスター中心値対［１、０］において、第１の値［１］はクラスター中心クラスラベルを表し、第２の値［０］は、非中心クラスラベルを表す。非中心値対［０，１］において、第１の値［０］はクラスター中心クラスラベルを表し、第２の値［１］は、非中心クラスラベルを表す。
グラウンドトゥルースバイナリマップ１４０４は、割り当てられた値対／値に基づいて、各サブピクセルを表している。グラウンドトゥルースバイナリマップ１４０４はまた、割り当てられた値対／値をユニット配列に記憶し、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。
訓練は、バイナリマップ１７２０とグラウンドトゥルースバイナリマップ１４０４との間の誤差４７０６（例えば、ソフトマックス誤差）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４７０６に基づいてバイナリ分類モデル４６００のパラメータを更新することと、を含む。
一実施態様では、損失関数は、カスタム重み付け二値クロスエントロピー損失であり、エラー４７０６は、図４７に示されるように、予測される分類スコア（例えば、ソフトマックススコア）と標識されたクラススコア（例えば、ソフトマックススコア）との間のサブピクセルごとに最小化され、バイナリマップ１７２０及びグラウンドトゥルースバイナリマップ１４０４内の対応するサブピクセルの標識されたクラススコア（例えば、ソフトマックススコア）との間で最小化される。
カスタム加重損失関数は、ＣＯＭサブピクセルが誤分類されるたびに、褒賞（又はペナルティ）マトリックスで指定された対応する褒賞（又はペナルティ）重みを乗じて、ＣＯＭサブピクセルに、より多くの重みを与える。カスタム加重損失関数に関する更なる詳細は、「Ｃｕｓｔｏｍ－Ｗｅｉｇｈｔｅｄ Ｌｏｓｓ Ｆｕｎｃｔｉｏｎ」と題された付録に見出すことができる。
訓練４７００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬４７０８及び後方伝搬４７１０を含む。訓練データ１５０４は、入力画像データ１７０２として、一連のアップサンプリング及びダウンサイズの画像セットを含む。訓練データ１５０４は、アノテーター２８０６によって、グラウンドトゥルースラベルで注釈付けされる。訓練２８００は、アダムなどの確率的勾配更新アルゴリズムを使用して、訓練器１５１０によって操作可能である。
図４８は、バイナリ分類モデル４６００の最終出力層がシグモイドベースのサブピクセルごとの分類層である、バイナリ分類モデル４６００の訓練４８００の別の実施形態である。
シグモイド別の実施態様では、グラウンドトゥルースバイナリマップ生成器１３０２は、（ｉ）クラスター中心値（例えば、［１］）又は（ｉｉ）非中心値（例えば、［０］）のいずれかの各グラウンドトゥルースサブピクセルを割り当てる。ＣＯＭサブピクセルには、クラスター中心値ペア／値が割り当てられ、他の全てのサブピクセルには、非中心値対／値が割り当てられる。
クラスター中心値では、０～１の間の閾値中間値（例えば、０．５を超える値）の値は、中心クラスラベルを表す。非中心値では、０～１の閾値中間値（例えば、０．５未満の値）を下回る値は、非中心クラスラベルを表す。
グラウンドトゥルースバイナリマップ１４０４は、割り当てられた値対／値に基づいて、各サブピクセルを表している。グラウンドトゥルースバイナリマップ１４０４はまた、割り当てられた値対／値をユニット配列に記憶し、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。
訓練は、バイナリマップ１７２０とグラウンドトゥルースバイナリマップ１４０４との間の誤差４８０６（例えば、シグモイド誤差）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４８０６に基づいてバイナリ分類モデル４６００のパラメータを更新することと、を含む。
一実施態様では、損失関数は、カスタム重み付け二値クロスエントロピー損失であり、誤差４８０６は、図４８に示されるように、バイナリマップ１７２０及びグラウンドトゥルースバイナリマップ１４０４内の対応するサブピクセルの予測スコア（例えば、シグモイドスコア）との間のサブピクセルごとに最小化され、図４８に示されるように、二値マップ１７２０及びグラウンドトゥルースバイナリマップ１４０４における対応するサブピクセルの標識されたスコア（例えば、シグモイドスコア）で最小化される。
カスタム加重損失関数は、ＣＯＭサブピクセルが誤分類されるたびに、褒賞（又はペナルティ）マトリックスで指定された対応する褒賞（又はペナルティ）重みを乗じて、ＣＯＭサブピクセルに、より多くの重みを与える。カスタム加重損失関数に関する更なる詳細は、「Ｃｕｓｔｏｍ－Ｗｅｉｇｈｔｅｄ Ｌｏｓｓ Ｆｕｎｃｔｉｏｎ」と題された付録に見出すことができる。
訓練４８００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬４８０８及び後方伝搬４８１０を含む。訓練データ１５０４は、入力画像データ１７０２として、一連のアップサンプリング及びダウンサイズの画像セットを含む。訓練データ１５０４は、アノテーター２８０６によって、グラウンドトゥルースラベルで注釈付けされる。訓練２８００は、アダムなどの確率的勾配更新アルゴリズムを使用して、訓練器１５１０によって操作可能である。
図４９は、バイナリ分類モデル４６００に供給された入力画像データ１７０２、及びバイナリ分類モデル４６００を訓練するために使用される対応するクラスラベル４９０４の別の実施を示す。
図示の別の実施態様では、入力画像データ１７０２は、一連でアップサンプリングされ、ダウンサイズの画像セット４９０２を含む。クラスラベル４９０４は、２つのクラスを含む。（１）「クラスター中心なし」及び（２）「クラスター中心」は、異なる出力値を使用して区別される。すなわち、（１）光緑色単位／サブピクセル４９０６は、クラスター中心を含まないバイナリ分類モデル４６００によって予測されるサブピクセルを表し、（２）暗緑色サブピクセル４９０８は、クラスター中心を含むとバイナリ分類モデル４６００によって予測される単位／サブピクセルを表す。
（推論）
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。
推論５０００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬５００４を含む。推論５０００は、入力画像データ１７０２として、一連のアップサンプリングされた画像セット及びダウンサイズの画像セットを含む推論データ２９０８に対して実行される。推論５０００は、テスター２９０６によって動作可能である。
いくつかの実施態様では、バイナリマップ１７２０は、クラスターメタデータを生成するために、閾値保持、ピーク検出、及び／又は流域分割などの、上述の後処理技術に供される。
（ピーク検出）
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。
ソフトマックス用途では、バイナリマップ１７２０は、２つのアレイを含む。（１）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、（２）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、を含む。アレイの両方において、各ユニットは、入力内の対応するサブピクセルを表す。
入力内のどのサブピクセルがクラスター中心を含み、クラスター中心を含まないかを判定するために、ピークロケータ１８０６は、バイナリマップ１７２０内のユニット上にピーク検出を適用する。ピーク検出は、事前設定された閾値を上回る分類スコア（例えば、ソフトマックス／シグモイドスコア）を有する単位を特定する。識別されたユニットは、クラスター中心として推論され、入力内のそれらの対応するサブピクセルは、クラスター中心を含み、サブピクセル分類データストア５１０２内のクラスタセンターサブピクセルとして記憶されると判定される。ピークロケータ１８０６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。
入力内の残りのユニット及びそれらの対応するサブピクセルは、クラスター中心を含まず、サブピクセル分類データストア５１０２内の非中心サブピクセルとして記憶される。
いくつかの実施態様では、ピーク検出を適用する前に、特定の背景閾値（例えば、０． ３）を下回る分類スコアを有するユニットは、ゼロに設定される。いくつかの実施態様では、入力内のそのようなユニット及びそれらの対応するサブピクセルは、クラスターを取り囲む背景を示すように推論され、サブピクセル分類データストア５１０２内の背景サブピクセルとして記憶される。他の実施態様では、このようなユニットは、ノイズと見なされ、無視することができる。
（モデル出力の実施例）
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５２ｂは、再較正及び精密統計を使用したバイナリ分類モデル４６００の性能を示す。これらの統計値を適用することにより、バイナリ分類モデル４６００は、ＲＴＡベースコーラーを実行する。
（ネットワーク構造）
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。
３．三元（３クラス）分類モデル
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）
三元分類モデル５４００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、３つのクラスにわたって三元マップ１７１８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、背景クラス、クラスター中心クラス、及びクラスター／クラスター内部クラス、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。
三元マップ１７１８は、予測される分類スコアに基づいて、各サブピクセルを表している。三元マップ１７１８はまた、ユニット配列内に予測値分類スコアを記憶し、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。
（訓練）
図５５は、三元分類モデル５４００の三元マップ１７１８が、訓練用グラウンドトゥルース三元マップ１３０４に漸進的に接近又は適合するまで、三元分類モデル５４００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て、三元分類モデル５４００を訓練５５００する一実施態様である。
図示した実施態様では、三元分類モデル５４００の最終出力層は、ソフトマックスベースのサブピクセルごとの分類層である。ソフトマックス別の実施態様では、各グラウンドトゥルースの三元マップ生成器１４０２は、（ｉ）背景値トリプレット（例えば、［１、０、０］）、（ｉｉ）クラスター中心値トリプレット（例えば、［０、１、０］）、又は（ｉｉｉ）クラスター／クラスター内部値トリプレット（例えば、［０、０、１］）のいずれかを割り当てる。
背景サブピクセルに背景値トリプレットが割り当てられる。質量（ＣＯＭ）サブピクセルの中心には、クラスター中心値トリプレットが割り当てられる。クラスター／クラスター内部サブピクセルには、クラスター／クラスター内部値トリプレットが割り当てられる。
背景値トリプレット［１、０、０］において、第１の値［１］は背景クラスラベルを表し、第２の値［０］はクラスター中心ラベルを表し、第３の値［０］はクラスター／クラスター内部クラスラベルを表す。
クラスター中心値トリプレット［０、１、０］において、第１の値［０］は、背景クラスラベルを表し、第２の値［１］はクラスター中心ラベルを表し、第３の値［０］はクラスター／クラスター内部クラスラベルを表す。
クラスター／クラスター内部値トリプレット［０、０、１］において、第１の値［０］は、背景クラスラベルを表し、第２の値［０］はクラスター中心ラベルを表し、第３の値［１］はクラスター／クラスター内部クラスラベルを表す。
グラウンドトゥルース三元マップ１３０４は、割り当てられた値トリプレットに基づいて、各サブピクセルを表している。グラウンドトゥルース三元マップ１３０４はまた、割り当てられたトリプレットをユニット配列に記憶し、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。
訓練は、三元マップ１７１８とグラウンドトゥルース三元マップ１３０４との間の誤差５５０６（例えば、ソフトマックス誤差）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５５０６に基づいて三元分類モデル５４００のパラメータを更新することと、を含む。
一実施態様では、損失関数は、カスタム重み付けカテゴリ化クロスエントロピー損失であり、エラー５５０６は、図５４に示されるように、予測分類スコア（例えば、ソフトマックススコア）と標識されたクラススコア（例えば、ソフトマックススコア）との間のサブピクセルごとに最小化され、三元マップ１７１８及びグラウンドトゥルース三元マップ１３０４内の対応するサブピクセルの標識されたクラススコア（例えば、ソフトマックススコア）との間で最小化される。
カスタム加重損失関数は、ＣＯＭサブピクセルが誤分類されるたびに、褒賞（又はペナルティ）マトリックスで指定された対応する褒賞（又はペナルティ）重みを乗じて、ＣＯＭサブピクセルに、より多くの重みを与える。カスタム加重損失関数に関する更なる詳細は、「Ｃｕｓｔｏｍ－Ｗｅｉｇｈｔｅｄ Ｌｏｓｓ Ｆｕｎｃｔｉｏｎ」と題された付録に見出すことができる。
訓練５５００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬５５０８及び後方伝搬５５１０を含む。訓練データ１５０４は、入力画像データ１７０２として、一連のアップサンプリング及びダウンサイズの画像セットを含む。訓練データ１５０４は、アノテーター２８０６によって、グラウンドトゥルースラベルで注釈付けされる。訓練５５００は、アダムなどの確率的勾配更新アルゴリズムを使用して、訓練器１５１０によって操作可能である。
図５６は、三元分類モデル５４００に供給された入力画像データ１７０２、及び三元分類モデル５４００を訓練するために使用される対応するクラスラベルの一実施態様を示す。
図示の別の実施態様では、入力画像データ１７０２は、一連でアップサンプリングされ、ダウンサイズの画像セット５６０２を含む。クラスラベル５６０４は、３つのクラスを含む。（１）「背景クラス」、（２）「クラスター中心クラス」、及び（３）「クラスター内部クラス」は、異なる出力値を使用して区別される。例えば、これらの異なる出力値の一部は、以下のように視覚的に表すことができる。（１）グレーユニット／サブ画素５６０６は、背景であると三元分類モデル５４００によって予測されるサブピクセルを表し、（２）暗緑色単位／サブピクセル５６０８は、クラスター中心を含有するために三元分類モデル５４００によって予測されるサブピクセルを表し、及び（３）光緑色サブピクセル５６１０は、クラスターの内部を収容するために、三元分類モデル５４００によって予測されるサブピクセルを表す。
（ネットワーク構造）
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。
（推論）
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。
推論５８００は、バッチングなどの平行四辺形技術を含む、数百、数千、及び／又は数百万回の前方伝搬５８０４を含む。推論５８００は、入力画像データ１７０２として、一連のアップサンプリングされた画像セット及びダウンサイズの画像セットを含む推論データ２９０８に対して実行される。推論５０００は、テスター２９０６によって動作可能である。
いくつかの実施態様では、三元マップ１７１８は、閾値化、ピーク検出、及び／又は流域分割などの、上述の後処理技術を使用して、三元分類モデル５４００によって生成される。
図５９は、３つの対応するクラス、すなわち、背景クラス５９０６のクラスター中心クラス５９０２及びクラスター／クラスター内部クラス５９０４の三元ソフトマックス分類スコア分布をそれぞれ有する三元分類モデル５４００によって生成された三元マップ１７１８をグラフで示す。
図６０は、単位ごとの出力値と共に三元分類モデル５４００によって生成されたユニット配列を示す。図示のように、各ユニットは、３つの対応するクラス、すなわち、背景クラス５９０６のクラスター中心クラス５９０２及びクラスター／クラスター内部クラス５９０４の３つの出力値を有する。各分類（列方向）について、各単位は、各単位の括弧内のクラスによって示されるように、最も高い出力値を有するクラスを割り当てられる。いくつかの実施態様では、出力値６００２、６００４、及び６００６は、それぞれのクラス５９０６、５９０２、及び５９０４（行ごと）のそれぞれについて分析される。
（ピーク検出及び流域分割）
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。
ソフトマックス用途では、三元マップ１７１８は、３つのアレイを含む。（１）背景クラスの単位ごとの分類スコアの第１のアレイ５８０２ａ、（２）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、及び（３）クラスター内部クラスに関する単位ごと分類スコアの第３のアレイ５８０２ｃと、を含む。全ての３つのアレイにおいて、各ユニットは、入力内の対応するサブピクセルを表す。
入力内のどのサブピクセルがクラスターの内部を含有し、かつ背景を含むクラスター中心を含むかを判定するために、ピークロケータ１８０６は、クラスター中心クラス５８０２ｂの三元マップ１７１８内のソフトマックス値にピーク検出を適用する。ピーク検出は、事前設定された閾値を上回る分類スコア（例えば、ソフトマックススコア）を有するユニットを特定する。特定されたユニットは、クラスター中心として推論され、入力内のそれらの対応するサブピクセルは、クラスター中心を含み、サブピクセル分類及びセグメント化データストア６１０２内のクラスター中心サブピクセルとして記憶されると判定される。ピークロケータ１８０６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。
いくつかの実施態様では、ピーク検出を適用する前に、特定のノイズ閾値（例えば、０．３）を下回る分類スコアを有するユニットは、ゼロに設定される。このようなユニットは、ノイズと見なすことができ、無視することができる。
また、特定の背景閾値（例えば、０．５以上）を上回る背景クラス５８０２ａの分類スコアを有し、入力内のそれらの対応するサブピクセルは、クラスターを取り囲む背景を示すように推論され、サブピクセル分類及びセグメント化データストア６１０２内の背景サブピクセルとして記憶される背景サブピクセルとして記憶される。
次いで、流域セグメント３１０２によって操作される流域分割アルゴリズムが、クラスターの形状を決定するために使用される。いくつかの実施態様では、背景ユニット／サブピクセルは、流域分割アルゴリズムによってマスクとして使用される。クラスター中心及びクラスター内部として推論される単位／サブピクセルの分類スコアは、いわゆる「クラスターラベル」を生成するために合計される。クラスター中心は、流域分割アルゴリズムによる強度谷部による分離のために、流域マーカーとして使用される。
一実施態様では、負極化されたクラスターラベルは、分割を実行し、背景サブピクセルによって分離された隣接するクラスター内部サブピクセルの不連続領域としてクラスター形状を生成する、流域分割器３１０２への入力画像として提供される。更に、各不連続領域は、対応するクラスター中心サブピクセルを含む。いくつかの実施態様では、対応するクラスター中心サブピクセルは、それが属する領域の中心である。他の実施態様では、不連続領域の質量（ＣＯＭ）の中心は、下にある位置座標に基づいて計算され、クラスターの新たな中心として記憶される。
流域分割器３１０２の出力は、サブピクセル分類及び分割データストア６１０２に記憶される。流域分割アルゴリズム及び他の分割アルゴリズムに関する更なる詳細は、「Ｗａｔｅｒｓｈｅｄ Ｓｅｇｍｅｎｔａｔｉｏｎ」と題された付録に見出すことができる。
ピークロケータ１８０６及び流域分割器３１０２の出力例が図６２ａ、６２ｂ、６３、及び６４に示されている。
（モデル出力の実施例）
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６２ｂは、三元分類モデル５４００の他の例示的予測を示す。図６２ｂ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６２１２（最下部）は、クラスター／クラスター内部クラスの各ユニットの出力値を示す。第２のマップ６２１４は、クラスター中心クラスのそれぞれの単位の出力値を示す。第３のマップ６２１６（最も右の）は、背景クラスのそれぞれの単位の出力値を示す。第４のマップ（上部）６２１０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である。
図６２ｃは、三元分類モデル５４００の更に他の例示的予測を示す。図６４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６２２０（最下部）は、クラスター／クラスター内部クラスの各ユニットの出力値を示す。第２のマップ６２２２は、クラスター中心クラスのそれぞれの単位の出力値を示す。第３のマップ６２２４（最も右の）は、背景クラスのそれぞれの単位の出力値を示す。第４のマップ６２１８（上部）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である。
図６３は、出力を後処理に供することによって、図６２ａの三元分類モデル５４００の出力からクラスター中心及びクラスター形状を導出する一実施態様を示す。後処理（例えば、ピーク位置、流域分割）は、クラスター形状データ及びクラスターマップ６３１０内で識別される他のメタデータを生成する。
（実験結果及び考察）
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。
検出されたクラスターが下流分析のためにどれくらい良好かを測定する他のメトリックとしては、検出されたクラスターから生成された整列されたリードの数（「配列された％」）、検出されたクラスターから生成された複製リードの数（「％Ｄｕｐｌｉｃａｔｅ」）、検出されたクラスターから生成されたリードの数は、参照配列に位置合わせされた全てのリードについて参照配列を不一致させる（「不一致」）、検出されたクラスターから生成されたリードの数は、その部分がいずれかの側の基準配列に十分に一致しないため、位置合わせ（「軟クリップの％」）について無視され、検出されたクラスターについて呼ばれる塩基の数は、品質スコア３０を有し、上にある（「％」）。Ｑ３０塩基」）、検出されたクラスターから生成された対のリードの数は、妥当な距離（「全適切な読み取り対」）内で内側に位置合わせされたリードと、検出されたクラスターから生成されたユニークな又は重複した適切な読み取りペアの数（「非重複の正しい読み取り対」）。
図６４に示されるように、バイナリ分類モデル４６００及び回帰モデル２６００の両方は、測定基準の大部分でのテンプレート生成において、ＲＴＡベースコーラーを実行する。
図６５は、３つの状況、５つの配列決定メトリック、及び２つの実行密度下での、三元分類モデル５４００の性能をＲＴＡベースコーラーの性能と比較する。
「ＲＴＡ」と呼ばれる第１の状況では、クラスター中心は、ＲＴＡベースコーラーによって検出され、クラスターからの強度抽出は、ＲＴＡベースコーラーによって行われ、クラスターはまた、ＲＴＡベースコーラーを使用してベースコールされる。「ＲＴＡ ＩＥ」と呼ばれる第２の状況では、クラスター中心は、三元分類モデル５４００によって検出されるが、クラスターからの強度抽出は、ＲＴＡベースコーラーによって行われ、クラスターもまた、ＲＴＡベースコーラーを使用してベースコールされる。「Ｓｅｌｆ ＩＥ」と呼ばれる第３の状況において、クラスター中心は、三元分類モデル５４００によって検出され、クラスターからの強度抽出は、本明細書に開示されるクラスター形状ベースの強度抽出技術を使用して行われる（クラスター形状情報が三元分類モデル５４００によって生成されることに留意されたい）。ただし、クラスターは、ＲＴＡベースコーラーを使用してベースコールされる。
性能は、三元分類モデル５４００と、以下の５つの測定基準に沿ったＲＴＡベースコーラーとの間で比較される。（１）検出されたクラスターの総数（「＃クラスター」）、（２）チェスチティフィルタ（「＃ＰＦ」）を通過する検出されたクラスターの数、（３）検出されたクラスターから生成された固有の又は重複した適切なリード対の数（「＃不重複適切な読み出しペア」）、（４）検出されたクラスターから生成された配列リードと、アライメント後の参照配列（「不一致率」）、及び（５）品質スコア３０を有する検出されたクラスターと（「％Ｑ３０」）との間の不一致の割合。
３つの状況下の三元分類モデル５４００とＲＴＡベースコーラーとの間で性能を比較し、２種類の配列決定実行について５つのメトリックを比較する。（１）２０ｐＭライブラリ濃度を有する通常実行、及び（２）３０ｐＭライブラリ濃度を有する高密度実行。
図６５に示されるように、三元分類モデル５４００は、全ての測定基準に対して、ＲＴＡベースコーラーを実行する。
図６６は、同じ３つの状況下で、５つの測定基準、及び２つの実行密度の下で、回帰モデル２６００が全ての測定基準に対してＲＴＡベースコーラーを実行することを示す。
図67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の最終層6702に焦点を当てる。
図６８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の最終層６７０２が、逆伝搬ベースの勾配更新訓練の結果として学習したものを可視化する。図示された実施態様は、グラウンドトゥルースクラスター形状に重ねられた最終層６７０２の３２つの畳み込みフィルタから２４を可視化する。図６８に示されるように、最終層６７０２は、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、及びクラスター境界などのクラスターの空間的分布を含むクラスターメタデータを学習している。
図６９は、（青色での）バイナリ分類モデル４６００のクラスター中心予測を、（ピンク色で）ＲＴＡベースのカラーのものに重ね合わせる。予測は、Ｉｌｌｕｍｉｎａ ＮｅｘｔＳｅｑシーケンサからの画像データを配列決定するために行われる。
図７０は、バイナリ分類モデル４６００の最終層の訓練された畳み込みフィルタの可視化上に、（ピンク色で）ＲＴＡベースコール（ピンク色で）によって作成されたクラスター中心予測を重ね合わせる。これらの畳み込みフィルタは、Ｉｌｌｕｍｉｎａ ＮｅｘｔＳｅｑシーケンサからの画像データの配列決定の結果として学習される。
図７１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を訓練するために使用される訓練データの一実施態様を示す。この別の実施態様では、訓練データは、ストームプローブ画像を用いてデータを生成する高密度フローセルから取得される。別の実施態様では、訓練データは、より少ないブリッジ増幅サイクルでデータを生成する高密度フローセルから得られる。
図７２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のクラスター中心予測に基づいて画像位置合わせ用のビーズを使用する一実施例である。
図７３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によって識別されたクラスターのクラスター統計の一実施態様を示す。クラスター統計は、寄与するサブピクセル数及びＧＣ含有量に基づくクラスターサイズを含む。
図７４は、入力画像データ１７０２が使用される初期配列決定サイクルの数が５～７増加すると、ニューラルネットワークベースのテンプレート生成器１５１２が隣接するクラスター間を区別する能力がどのように改善されるかを示す。５つの配列決定サイクルに関して、単一のクラスターは、連続するサブピクセルの単一の不連続領域によって識別される。７つの配列決定サイクルに関して、単一クラスターは、隣接するサブピクセルの独自の不連続領域をそれぞれ有する２つの隣接するクラスターに分割される。
図７５は、非ＣＯＭ位置がクラスター中心として使用されるときとは対照的に、ＲＴＡベースのカラーがクラスター中心として質量（ＣＯＭ）位置のグラウンドトゥルースを使用するときのベースコール性能の差を示す。
図７６は、追加の検出されたクラスター上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の性能を示す。
図７７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を訓練するために使用される異なるデータセットを示す。
（配列決定システム）
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。
配列決定システム７８００Ａは、生物学的物質又は化学物質のうちの少なくとも１つに関連する任意の情報又はデータを得ることができる。いくつかの実施態様では、配列決定システム７８００Ａは、ベンチトップデバイス又はデスクトップコンピュータと同様であり得るワークステーションである。例えば、所望の反応を実施するためのシステム及び構成要素の大部分（又は全て）は、共通のハウジング７８０２内にあってもよい。
特定の実施態様では、配列決定システム７８００Ａは、ｄｅ ｎｏｖｏ ｓｅｑｕｅｎｃｉｎｇ、全ゲノム又は標的ゲノム領域の再配列、及びメタゲノミクスを含むがこれらに限定されない、様々な用途のために構成された核酸配列決定システムである。シーケンサはまた、ＤＮＡ又はＲＮＡ分析に使用されてもよい。いくつかの実施態様では、配列決定システム７８００Ａはまた、バイオセンサー内に反応部位を生成するように構成されてもよい。例えば、配列決定システム７８００Ａは、サンプルを受容し、サンプル由来のクロノウイルス増幅核酸の表面結合クラスターを生成するように構成され得る。各クラスターは、バイオセンサー内の反応部位を構成するか、又はその一部であってもよい。
例示的な配列決定システム７８００Ａは、バイオセンサー７８１２と相互作用して、バイオセンサー７８１２内で所望の反応を行うように構成されたシステム容器又はインターフェース７８１０を含んでもよい。図７８Ａに関して以下の説明では、バイオセンサー７８１２はシステム受け部７８１０内に装填される。しかしながら、バイオセンサー７８１２を含むカートリッジは、システム受け部７８１０に挿入されてもよく、一部の状態では、カートリッジは一時的又は永久的に除去され得ることが理解される。上述のように、カートリッジは、とりわけ、流体制御及び流体貯蔵構成要素を含んでもよい。
特定の実施態様では、配列決定システム７８００Ａは、バイオセンサー７８１２内で多数の平行反応を行うように構成されている。バイオセンサー７８１２は、所望の反応が生じ得る１つ又はそれ以上の反応部位を含む。反応部位は、例えば、バイオセンサーの固体表面に固定化されてもよく、又はバイオセンサーの対応する反応チャンバ内に位置するビーズ（又は他の可動基材）に固定化されてもよい。反応部位は、例えば、クロノウイルス増幅核酸のクラスターを含むことができる。バイオセンサー７８１２は、固体撮像装置（例えば、ＣＣＤ又はＣＭＯＳイメージャ）及びそれに取り付けられたフローセルを含んでもよい。フローセルは、配列決定システム７８００Ａから溶液を受容し、溶液を反応部位に向けて方向付ける１つ又はそれ以上の流路を含んでもよい。任意選択的に、バイオセンサー７８１２は、熱エネルギーを流路の内外に伝達するための熱要素と係合するように構成することができる。
配列決定システム７８００Ａは、相互に相互作用して、生物学的又は化学的分析のための所定の方法又はアッセイプロトコルを実行する、様々な構成要素、アセンブリ、及びシステム（又はサブシステム）を含んでもよい。例えば、配列決定システム７８００Ａは、配列決定システム７８００Ａの様々な構成要素、アセンブリ、及びサブシステムと通信してもよく、またバイオセンサー７８１２も含むシステムコントローラ７８０６を含む。例えば、システム容器７８１０に加えて、配列決定システム７８００Ａはまた、配列決定システム７８００Ａの流体ネットワーク及びバイオセンサー７８１２の流体の流れを制御する流体制御システム７８０８と、バイオアッセイシステムによって使用され得る全ての流体（例えば、気体又は液体）を保持する流体貯蔵システム７８１４と、流体ネットワーク、流体貯蔵システム７８１４及び／又はバイオセンサー７８１２内の流体の温度を調節し得る温度制御システム７８０４と、バイオセンサー７８１２を照明するように構成された照明システム７８１６と、を備えていてもよい。上述のように、バイオセンサー７８１２を有するカートリッジがシステム容器７８１０内に装填される場合、カートリッジはまた、流体制御及び流体貯蔵構成要素を含んでもよい。
また、配列決定システム７８００Ａは、ユーザーと対話するユーザーインターフェース７８１８を含んでもよい。例えば、ユーザーインターフェース７８１８は、ユーザーから情報を表示又は要求するディスプレイ７８２０と、ユーザー入力を受け取るためのユーザー入力デバイス７８２２とを含むことができる。いくつかの実施態様では、ディスプレイ７８２０及びユーザー入力デバイス７８２２は、同じデバイスである。例えば、ユーザーインターフェース７８１８は、個々のタッチの存在を検出し、またディスプレイ上のタッチの場所を識別するように構成されたタッチ感知ディスプレイを含んでもよい。しかしながら、マウス、タッチパッド、キーボード、キーパッド、ハンドヘルドスキャナー、音声認識システム、動き認識システムなどの他のユーザー入力デバイス７８２２が使用されてもよい。以下でより詳細に説明するように、配列決定システム７８００Ａは、所望の反応を実施するために、バイオセンサー７８１２（例えば、カートリッジの形態）を含む様々な構成要素と通信してもよい。配列決定システム７８００Ａはまた、バイオセンサーから得られたデータを分析して、ユーザーに所望の情報を提供するように構成されてもよい。
システムコントローラ７８０６は、マイクロコントローラ、低減命令セットコンピュータ（ＲＩＳＣ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、粗粒化再構成可能構造（ＣＧＲＡｓ）、論理回路、及び本明細書に記載される機能を実行することができる任意の他の回路又はプロセッサと、を備える。上記の実施例は、例示的なものに過ぎず、したがって、システムコントローラという用語の定義及び／又は意味を制限することを意図するものではない。例示的実施態様では、システムコントローラ７８０６は、検出データを取得し分析する少なくとも１つのために、１つ又はそれ以上の記憶要素、メモリ、又はモジュール内に記憶された命令のセットを実行する。検出データは、ピクセル信号の複数のシーケンスを含むことができ、それにより、数百万個のセンサー（又はピクセル）のそれぞれからのピクセル信号のシーケンスを、多くのベースコールサイクルにわたって検出することができる。記憶要素は、配列決定システム７８００Ａ内の情報源又は物理メモリ要素の形態であってもよい。
命令セットは、本明細書に記載される様々な実施態様の方法及びプロセスなどの特定の動作を実行するように配列決定システム７８００Ａ又はバイオセンサー７８１２に指示する様々なコマンドを含んでもよい。命令のセットは、有形の非一時的コンピュータ可読媒体又は媒体の一部を形成し得るソフトウェアプログラムの形態であってもよい。本明細書で使用するとき、用語「ソフトウェア」及び「ファームウェア」は互換可能であり、ＲＡＭメモリ、ＲＯＭメモリ、ＥＰＲＯＭメモリ、ＥＥＰＲＯＭメモリ、及び不揮発性ＲＡＭ（ＮＶＲＡＭ）メモリを含むコンピュータによって実行されるメモリに記憶された任意のコンピュータプログラムを含む。上記メモリタイプは、例示的なものに過ぎず、したがって、コンピュータプログラムの記憶に使用可能なメモリの種類に限定されない。
ソフトウェアは、システムソフトウェア又はアプリケーションソフトウェアなどの様々な形態であってもよい。更に、ソフトウェアは、別個のプログラムの集合、又はより大きいプログラム内のプログラムモジュール若しくはプログラムモジュールの一部の形態であってもよい。ソフトウェアはまた、オブジェクト指向プログラミングの形態のモジュール式プログラミングを含んでもよい。検出データを取得した後、検出データは、ユーザー入力に応じて処理された配列決定システム７８００Ａによって自動的に処理されてもよく、又は別の処理マシン（例えば、通信リンクを介したリモート要求）によって行われる要求に応じて処理されてもよい。図示の別の実施態様では、システムコントローラ７８０６は分析モジュール７８４４を含む。他の別の実施態様では、システムコントローラ７８０６は分析モジュール７８４４を含まず、代わりに分析モジュール７８４４へのアクセスを有する（例えば、分析モジュール７８４４は、クラウド上で別個にホスティングされ得る）。
システムコントローラ７８０６は、通信リンクを介して、バイオセンサー７８１２及び配列決定システム７８００Ａの他の構成要素に接続されてもよい。システムコントローラ７８０６はまた、オフサイトシステム又はサーバに通信可能に接続されてもよい。通信リンクは、配線、コード、又は無線であってもよい。システムコントローラ７８０６は、ユーザーインターフェース７８１８及びユーザー入力デバイス７８２２からユーザー入力又はコマンドを受信してもよい。
流体制御システム７８０８は、流体ネットワークを含み、流体ネットワークを通る１つ又はそれ以上の流体の流れを方向付けるように構成されている。流体ネットワークは、バイオセンサー７８１２及び流体貯蔵システム７８１４と流体連通していてもよい。例えば、流体貯蔵システム７８１４から流体を選択し、制御された方法でバイオセンサー７８１２に向けてもよく、又は流体は、バイオセンサー７８１２から引き出され、例えば、流体貯蔵システム７８１４内の廃棄物リザーバに向けられてもよい。図示されていないが、流体制御システム７８０８は、流体ネットワーク内の流体の流量又は圧力を検出する流量センサーを含んでもよい。センサーは、システムコントローラ７８０６と通信してもよい。
温度制御システム７８０４は、流体ネットワーク、流体貯蔵システム７８１４及び／又はバイオセンサー７８１２の異なる領域における流体の温度を調節するように構成されている。例えば、温度制御システム７８０４は、バイオセンサー７８１２と相互作用し、バイオセンサー７８１２内の反応部位に沿って流れる流体の温度を制御する熱循環器を含んでもよい。温度制御システム７８０４はまた、配列決定システム７８００Ａ又はバイオセンサー７８１２の中実要素又は構成要素の温度を調節してもよい。図示されていないが、温度制御システム７８０４は、流体又は他の構成要素の温度を検出するためのセンサーを含んでもよい。センサーは、システムコントローラ７８０６と通信してもよい。
流体貯蔵システム７８１４は、バイオセンサー７８１２と流体連通しており、所望の反応を行うために使用される様々な反応成分又は反応物質を貯蔵してもよい。流体貯蔵システム７８１４はまた、流体ネットワーク及びバイオセンサー７８１２を洗浄又は洗浄し、反応物質を希釈するための流体を貯蔵してもよい。例えば、流体貯蔵システム７８１４は、試料、試薬、酵素、他の生体分子、緩衝液、水性、及び非極性溶液などを保存するための様々なリザーバを含んでもよい。更に、流体貯蔵システム７８１４はまた、バイオセンサー７８１２から廃棄物を受容するための廃棄物リザーバを含んでもよい。カートリッジを含む実施態様形態では、カートリッジは、流体貯蔵システム、流体制御システム、又は温度制御システムのうちの１つ又はそれ以上を含み得る。したがって、これらのシステムに関する本明細書に記載される構成要素のうちの１つ又はそれ以上は、カートリッジハウジング内に収容され得る。例えば、カートリッジは、サンプル、試薬、酵素、他の生体分子、緩衝液、水性、及び非極性溶液、廃棄物などを保存するための様々なリザーバを有し得る。したがって、流体貯蔵システム、流体制御システム、又は温度制御システムのうちの１つ又はそれ以上は、カートリッジ又は他のバイオセンサーを介してバイオアッセイシステムと取り外し可能に係合され得る。
照明システム７８１６は、バイオセンサーを照明するための光源（例えば、１つ又はそれ以上のＬＥＤ）及び複数の光学構成要素を含んでもよい。光源の例としては、レーザー、アークランプ、ＬＥＤ、又はレーザーダイオードが挙げられ得る。光学部品は、例えば、反射器、偏光板、ビームスプリッタ、コリマ、レンズ、フィルタ、ウェッジ、プリズム、鏡、検出器などであってもよい。照明システムを使用する実施態様では、照明システム７８１６は、励起光を反応部位に向けるように構成されてもよい。一例として、蛍光団は、緑色の光の波長によって励起されてもよく、そのため、励起光の波長は約５３２ｎｍであり得る。一実施態様では、照明システム７８１６は、バイオセンサー７８１２の表面の表面法線に平行な照明を生成するように構成されている。別の実施態様では、照明システム７８１６は、バイオセンサー７８１２の表面の表面法線に対してオフアングルである照明を生成するように構成されている。更に別の実施態様では、照明システム７８１６は、いくつかの平行照明及びある程度のオフアングル照明を含む複数の角度を有する照明を生成するように構成されている。
システム容器又はインターフェース７８１０は、機械的、電気的、及び流体的な方法のうちの少なくとも１つにおいてバイオセンサー７８１２と係合するように構成される。システム受け部７８１０は、バイオセンサー７８１２を所望の配向に保持して、バイオセンサー７８１２を通る流体の流れを容易にすることができる。システム受け部７８１０はまた、バイオセンサー７８１２と係合するように構成された電気接点を含んでもよく、それにより、配列決定システム７８００Ａは、バイオセンサー７８１２と通信してもよく、及び／又はバイオセンサー７８１２に電力を供給することができる。更に、システム容器７８１０は、バイオセンサー７８１２と係合するように構成された流体ポート（例えば、ノズル）を含んでもよい。いくつかの実施態様では、バイオセンサー７８１２は、電気的に、また流体方式で、システム受け部７８１０に取り外し可能に連結される。
加えて、配列決定システム７８００Ａは、他のシステム若しくはネットワークと遠隔で、又は他のバイオアッセイシステム７８００Ａと通信してもよい。バイオアッセイシステム７８００Ａによって得られた検出データは、リモートデータベースに記憶されてもよい。
図７８Ｂは、図７８Ａのシステムで使用することができるシステムコントローラ７８０６のブロック図である。一実施態様では、システムコントローラ７８０６は、互いに通信することができる１つ又はそれ以上のプロセッサ又はモジュールを含む。プロセッサ又はモジュールのそれぞれは、特定のプロセスを実行するためのアルゴリズム（例えば、有形及び／又は非一時的コンピュータ可読記憶媒体上に記憶された命令）又はサブアルゴリズムを含んでもよい。システムコントローラ７８０６は、モジュールの集合として概念的に例示されるが、専用ハードウェアボード、ＤＳＰ、プロセッサなどの任意の組み合わせを利用して実施態様されてもよい。あるいは、システムコントローラ７８０６は、単一のプロセッサ又は複数のプロセッサを備えた既製のＰＣを使用して実施態様されてもよく、機能動作はプロセッサ間に分散される。更なる選択肢として、以下に記載されるモジュールは、特定のモジュール式機能が専用ハードウェアを利用して実施されるハイブリッド構成を利用して実施態様されてもよく、残りのモジュール式機能は、既製のＰＣなどを利用して実施される。モジュールはまた、処理ユニット内のソフトウェアモジュールとして実施態様されてもよい。
動作中、通信ポート７８５０は、バイオセンサー７８１２（図７８Ａ）及び／又はサブシステム７８０８、７８１４、７８０４（図７８Ａ）から情報（例えば、データ）に情報（例えば、コマンド）を送信してもよい。実施態様形態では、通信ポート７８５０は、ピクセル信号の複数のシーケンスを出力することができる。通信リンク７８３４は、ユーザーインターフェース７８１８からユーザー入力を受信し（図７８Ａ）、ユーザーインターフェース７８１８にデータ又は情報を送信してもよい。バイオセンサー７８１２又はサブシステム７８０８、７８１４、７８０４からのデータは、バイオアッセイセッション中に、システムコントローラ７８０６によってリアルタイムで処理されてもよい。追加的に又は代替的に、データは、バイオアッセイセッション中にシステムメモリ内に一時的に記憶され、リアルタイム又はオフライン操作よりも遅く処理されてもよい。
図７８Ｂに示すように、システムコントローラ７８０６は、中心処理装置（ＣＰＵ）７８５２と共に主制御モジュール７８２４と通信する複数のモジュール７８２６－７８４８を含んでもよい。主制御モジュール７８２４は、ユーザーインターフェース７８１８と通信してもよい（図７８Ａ）。モジュール７８２６－７８４８は、主制御モジュール７８２４と直接通信するものとして示されているが、モジュール７８２６－７８４８はまた、互いに、ユーザーインターフェース７８１８と、及びバイオセンサー７８１２と直接通信してもよい。また、モジュール７８２６－７８４８は、他のモジュールを介して主制御モジュール７８２４と通信してもよい。
複数のモジュール７８２６－７８４８は、サブシステム７８０８、７８１４、７８０４及び７８１６とそれぞれ通信するシステムモジュール７８２８－７８３２、７８２６を含む。流体制御モジュール７８２８は、流体ネットワークを通る１つ又はそれ以上の流体の流れを制御するために、流体制御システム７８０８と通信して、流体ネットワークの弁及び流量センサーを制御してもよい。流体貯蔵モジュール７８３０は、流体が低い場合、又は廃棄物リザーバが容量又はその近くにあるときにユーザーに通知することができる。流体貯蔵モジュール７８３０はまた、流体が所望の温度で貯蔵され得るように、温度制御モジュール７８３２と通信してもよい。照明モジュール７８２６は、所望の反応（例えば、結合事象）が生じた後など、プロトコル中に指定された時間で反応部位を照明するために、照明システム７８１６と通信してもよい。いくつかの実施態様では、照明モジュール７８２６は、照明システム７８１６と通信して、指定された角度で反応部位を照明することができる。
複数のモジュール７８２６－７８４８はまた、バイオセンサー７８１２と通信する装置モジュール７８３６と、バイオセンサー７８１２に関連する識別情報を判定する識別モジュール７８３８とを含んでもよい。装置モジュール７８３６は、例えば、システム容器７８１０と通信して、バイオセンサーが配列決定システム７８００Ａとの電気的及び流体的接続を確立したことを確認することができる。識別モジュール７８３８は、バイオセンサー７８１２を識別する信号を受信してもよい。識別モジュール７８３８は、バイオセンサー７８１２の識別情報を使用して、他の情報をユーザーに提供してもよい。例えば、識別モジュール７８３８は、ロット番号、製造日、又はバイオセンサー７８１２で実行されることが推奨されるプロトコルを決定し、その後表示してもよい。
複数のモジュール７８２６－７８４８はまた、バイオセンサー７８１２から信号データ（例えば、画像データ）を受信及び分析する分析モジュール７８４４（信号処理モジュール又は信号プロセッサとも呼ばれる）も含む。分析モジュール７８４４は、検出／画像データを記憶するためのメモリ（例えば、ＲＡＭ又はフラッシュ）を含む。検出データは、ピクセル信号の複数のシーケンスを含むことができ、それにより、数百万個のセンサー（又はピクセル）のそれぞれからのピクセル信号のシーケンスを、多くのベースコールサイクルにわたって検出することができる。信号データは、その後の分析のために記憶されてもよく、又はユーザーインターフェース７８１８に送信されて、所望の情報をユーザーに表示することができる。いくつかの実施態様では、信号データは、分析モジュール７８４４が信号データを受信する前に、固体撮像素子（例えば、ＣＭＯＳ画像センサー）によって処理され得る。
分析モジュール７８４４は、複数の配列決定サイクルのそれぞれにおいて、光検出器から画像データを取得するように構成される。画像データは、光検出器によって検出された発光信号から導出され、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／又はニューラルネットワークベースのベースコーラー１５１４を介して、複数の配列決定サイクルのそれぞれについて画像データを処理し、複数の配列決定サイクルのそれぞれにおいて分析物のうちの少なくとも一部のためのベースコールを生成する。光検出器は、１つ又はそれ以上のオーバーヘッドカメラ（例えば、バイオセンサー７８１２上のクラスターの画像を上から撮影するＩｌｌｕｍｉｎａのＧＡＩＩｘのＣＣＤカメラ）の一部であってもよく、又はバイオセンサー７８１２自体の一部（例えば、バイオセンサー７８１２上のクラスターの下にあり、底部からのクラスターの画像を取るＩｌｌｕｍｉｎａのｉＳｅｑのＣＭＯＳ画像センサー）であってもよい。
光検出器の出力は、それぞれクラスターの強度放出及びそれらの周辺背景を示すシーケンス画像である。シーケンス画像は、配列決定中に配列にヌクレオチドを組み込む結果として生成される強度放出を示す。強度放出は、関連する検体及びそれらの周囲の背景からのものである。シーケンス画像は、メモリ７８４８に記憶される。
プロトコルモジュール７８４０及び７８４２は、メイン制御モジュール７８２４と通信して、所定のアッセイプロトコルを実施する際にサブシステム７８０８、７８１４及び７８０４の動作を制御する。プロトコルモジュール７８４０及び７８４２は、所定のプロトコルに従って特定の動作を実行するように配列決定システム７８００Ａに指示するための命令セットを含み得る。図示のように、プロトコルモジュールは、シーケンスごとの合成プロセスを実行するための様々なコマンドを発行するように構成された、配列合成（ＳＢＳ）モジュール７８４０であってもよい。ＳＢＳにおいて、核酸テンプレートに沿った核酸プライマーの伸長を監視して、テンプレート中のヌクレオチド配列を決定する。下にある化学プロセスは、（例えば、ポリメラーゼ酵素により触媒される）又はライゲーション（例えば、リガーゼ酵素により触媒される）であり得る。特定のポリマー系ＳＢＳの実施態様では、プライマーに付加されるヌクレオチドの順序及び種類の検出を使用してテンプレートの配列を決定することができるように、蛍光標識ヌクレオチドをテンプレート依存様式でプライマー（それによってプライマーを伸長させる）に添加する。例えば、第１のＳＢＳサイクルを開始するために、１つ又はそれ以上の標識されたヌクレオチド、ＤＮＡポリメラーゼなどを、核酸テンプレートのアレイを収容するフローセル内に／それを介して送達することができる。核酸テンプレートは、対応する反応部位に位置してもよい。プライマー伸長が、組み込まれる標識ヌクレオチドを、撮像事象を通して検出することができる、これらの反応部位が検出され得る。撮像イベントの間、照明システム７８１６は、反応部位に励起光を提供することができる。任意に、ヌクレオチドは、ヌクレオチドがプライマーに添加されると、更なるプライマー伸長を終結する可逆終端特性を更に含むことができる。例えば、可逆的ターミネーター部分を有するヌクレオチド類似体をプライマーに添加して、デブロッキング剤が部分を除去するためにデブロッキング剤が送達されるまで続く伸長が生じ得ない。したがって、可逆終端を使用する別の実施態様では、フローセル（検出前又は検出後）にデブロッキング試薬を送達するために、コマンドを与えることができる。１つ又はそれ以上のコマンドは、様々な送達工程間の洗浄（複数可）をもたらすために与えられ得る。次いで、サイクルをｎ回繰り返してプライマーをｎ個のヌクレオチドで伸長させることができ、それによって長さｎの配列を検出する。例示的な配列決定技術は、例えば、Ｂｅｎｔｌｅｙ ｅｔ ａｌ．，Ｎａｔｕｒｅ ４５６：５３－５９（２００７８）、国際公開第０４／０１７８４９７号、米国特許第７，０５７，０２６号、国際公開第９１／０６６７７８号、同第０７／１２３７４４号、米国特許第７，３２９，４９２号、同第７，２１１，４１４号、同第７，３１５，０１９号、米国特許第７，４０５，２７８１号、及び同第２００７８／０１４７０７８０７８２号（それぞれ参照により本明細書に組み込まれる）に記載されている。
ＳＢＳサイクルのヌクレオチド送達工程では、単一の種類のヌクレオチドのいずれかを一度に送達することができ、又は複数の異なるヌクレオチドタイプ（例えば、Ａ、Ｃ、Ｔ、及びＧ）を送達することができる。一度に単一の種類のヌクレオチドのみが存在するヌクレオチド送達構成では、異なるヌクレオチドは、個別化された送達に固有の時間的分離に基づいて区別することができるため、異なるヌクレオチドは別個の標識を有する必要はない。したがって、配列決定方法又は装置は、単一の色検出を使用することができる。例えば、励起源は、単一の波長又は単一の波長範囲の励起のみを提供する必要がある。ある時点で、送達がフローセル内に存在する複数の異なるヌクレオチドをもたらすヌクレオチド送達構成では、異なるヌクレオチドタイプを組み込む部位は、混合物中のそれぞれのヌクレオチドタイプに結合された異なる蛍光標識に基づいて区別することができる。例えば、４つの異なる蛍光団のうちの１つをそれぞれ有する４つの異なるヌクレオチドを使用することができる。一実施態様では、４つの異なるフルオロフォアは、スペクトルの４つの異なる領域における励起を使用して区別することができる。例えば、４つの異なる励起放射線源を使用することができる。あるいは、４つ未満の異なる励起源を使用することができるが、単一源からの励起放射線の光学的濾過を使用して、フローセルにおいて異なる励起放射線の範囲を生成することができる。
いくつかの実施態様では、４つ未満の異なる色を、４つの異なるヌクレオチドを有する混合物中で検出することができる。例えば、ヌクレオチドの対は、同じ波長で検出することができるが、対のうちの１つのメンバーに対する強度の差に基づいて、又は、対の他の部材について検出された信号と比較して明らかなシグナルを出現又は消失させる、対の１つのメンバーへの変化（例えば、化学修飾、光化学修飾、又は物理的改質を行うことを介して）に基づいて区別され得る。４つ未満の色の検出を使用して４つの異なるヌクレオチドを区別するための例示的な装置及び方法が、例えば、参照によりその全体が本明細書に組み込まれる米国特許第６１／５３７８，２９４号及び米国特許第６１／６１９，７８７７８号に記載されている。２０１２年９月２１日に出願された米国特許出願第１３／６２４，２００号は、その全体が参照により組み込まれる。
複数のプロトコルモジュールはまた、バイオセンサー７８１２内の製品を増幅するための流体制御システム７８０８及び温度制御システム７８０４にコマンドを発行するように構成された試料調製（又は生成）モジュール７８４２を含んでもよい。例えば、バイオセンサー７８１２は、配列決定システム７８００Ａに係合されてもよい。増幅モジュール７８４２は、バイオセンサー７８１２内の反応チャンバに必要な増幅成分を送達するために、流体制御システム７８０８に命令を発行することができる。他の実施態様では、反応部位は、テンプレートＤＮＡ及び／又はプライマーなどの増幅のためのいくつかの成分を既に含有していてもよい。増幅成分を反応チャンバに送達した後、増幅モジュール７８４２は、既知の増幅プロトコルに従って異なる温度段階を通して温度制御システム７８０４にサイクルするように指示し得る。いくつかの実施態様では、増幅及び／又はヌクレオチドの取り込みは、等温的に実施される。
ＳＢＳモジュール７８４０は、クローン性アンプリコンのクラスターがフローセルのチャネル内の局所領域上に形成されるブリッジＰＣＲを実行するコマンドを発行することができる。ブリッジＰＣＲを介してアンプリコンを生成した後、アンプリコンを「線形化」して、一本鎖テンプレートＤＮＡを作製してもよく、ｓｓｔＤＮＡ及び配列決定プライマーは、関心領域に隣接する普遍配列にハイブリダイズされてもよい。例えば、合成方法による可逆的ターミネーター系配列決定を、上記のように又は以下のように使用することができる。
各塩基性コーリング又は配列決定サイクルは、例えば、修飾ＤＮＡポリメラーゼ及び４種類のヌクレオチドの混合物を使用することによって達成することができる単一の塩基によってｓｓｔＤＮＡを延長することができる。異なる種類のヌクレオチドは、固有の蛍光標識を有することができ、各ヌクレオチドは、各サイクルにおいて単一塩基の組み込みのみが生じることを可能にする可逆的ターミネーターを更に有し得る。ＳｓｔＤＮＡ、励起光に単一の塩基を添加した後、反応部位に入射し、蛍光発光を検出することができる。検出後、蛍光標識及びターミネーターは、ｓｓｔＤＮＡから化学的に切断され得る。別の同様の基本コーリング又は配列決定サイクルは、以下の通りであってもよい。そのような配列決定プロトコルでは、ＳＢＳモジュール７８４０は、バイオセンサー７８１２を通る試薬及び酵素溶液の流れを方向付けるように流体制御システム７８０８に指示することができる。本明細書に記載される装置及び方法と共に利用することができる例示的な可逆性ターミネーターベースのＳＢＳ方法は、米国特許出願公開第２００７／０１６６７０５号、米国特許出願公開第２００６／０１７８７８９０１号、米国特許第７，０５７，０２６号、米国特許出願公開第２００６／０２４０４３９号、米国特許出願公開第２００６／０２７８１４７１４７０９号、国際公開第０５／０６５７８１４号、米国特許出願公開第２００５／０１４７００９００号、国際公開第０６／０７８Ｂ１９９号及び国際公開第０７／０１４７０２５１号（それぞれ参照によりその全体が本明細書に組み込まれる）に記載されている。可逆性ターミネーター系ＳＢＳの例示的な試薬は、米国特許第７，５４１，４４４号、米国特許第７，０５７，０２６号、同第７，４１４，１４７１６号、同第７，４２７，６７３号、同第７，５６６，５３７号、同第７，５９２，４３５号号、及び国際公開第０７／１４７８３５３６７８号に記載されており、これらはそれぞれ参照によりその全体が本明細書に組み込まれる。
いくつかの実施態様では、増幅及びＳＢＳモジュールは、単一のアッセイプロトコルで動作してもよく、例えば、テンプレート核酸は増幅され、続いて同じカートリッジ内で配列される。
配列決定システム７８００Ａはまた、ユーザーがアッセイプロトコルを再構成することを可能にし得る。例えば、決定システム７８００Ａは、決定されたプロトコルを修正するために、ユーザーインターフェース７８１８を通じてユーザーにオプションを提供することができる。例えば、バイオセンサー７８１２が増幅のために使用されると判定された場合、配列決定システム７８００Ａは、アニーリングサイクルの温度を要求し得る。更に、配列決定システム７８００Ａは、選択されたアッセイプロトコルに対して一般的に許容されないユーザー入力をユーザーが提供した場合に、ユーザーに警告を発行し得る。
実施態様形態では、バイオセンサー７８１２は、センサー（又はピクセル）のミリオンを含み、それらのそれぞれは、連続するベースコールサイクルにわたって複数のピクセル信号のシーケンスを生成する。分析モジュール７８４４は、センサーのアレイ上のセンサーの行方向及び／又は列方向の位置に従って、ピクセル信号の複数のシーケンスを検出し、それらを対応するセンサー（又はピクセル）に属させる。
図７９は、ベースコールセンサー出力などの配列決定システム７８００Ａからのセンサーデータの分析のためのシステムの簡略ブロック図である。図７９の例では、システム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、中心処理ユニット（ＣＰＵ）７８５２（すなわち、ホストプロセッサ）によって実行される実行時プログラムと協調して、ベースコーラー（例えば、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／又はニューラルネットワークベースのベースコーラー１５１４）を実行することができる。配列決定システム７８００Ａは、バイオセンサー７８１２及びフローセルを含む。フローセルは、遺伝物質のクラスターが、遺伝物質中の塩基を同定するためにクラスター内の反応を引き起こすために使用される一連の分析物フローに曝露される１つ又はそれ以上のタイルを含み得る。センサーは、タイルデータを提供するために、フローセルの各タイルにおけるシーケンスの各サイクルの反応を検知する。遺伝的配列決定はデータ集約的操作であり、このデータ集約的動作は、ベースコールセンサーデータを、ベースコール動作中に感知された各遺伝物質群のベースコールのシーケンスに変換する。
本実施例のシステムは、ベースコール動作を調整するための実行時プログラムを実行するＣＰＵ７８５２と、タイルデータのアレイのシーケンスを記憶するメモリ７８４８Ｂと、ベースコール動作によって生成されたベースコールリードと、ベースコール動作で使用される他の情報とを記憶する。また、この図では、システムは、構成ファイル（又はファイル）、例えば、ＦＰＧＡビットファイル、並びに構成可能プロセッサ７８４６を構成及び再構成するために使用されるニューラルネットワークのモデルパラメータなどの構成ファイル（又はファイル）を記憶するメモリ７８４８Ａを含む。配列決定システム７８００Ａは、構成可能プロセッサを構成するためのプログラムを含むことができ、いくつかの実施形態では、ニューラルネットワークを実行する再構成可能なプロセッサを含み得る。
配列決定システム７８００Ａは、バス７９０２によって構成可能プロセッサ７８４６に結合される。バス７９０２は、ＰＣＩ－ＳＩＧ規格（ＰＣＩ Ｓｐｅｃｉａｌ Ｉｎｔｅｒｅｓｔ Ｇｒｏｕｐ）によって現在維持及び開発されているＰＣＩｅ規格（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ Ｅｘｐｒｅｓｓ）と互換性のあるバス技術などの高スループット技術を使用して実施態様することができる。また、この例では、メモリ７８４８Ａは、バス７９０６によって構成可能プロセッサ７８４６に結合される。メモリ７８４８Ａは、構成可能プロセッサ７８４６を有する回路基板上に配置されたオンボードメモリであってもよい。メモリ７８４８Ａは、ベースコール動作で使用される作業データの構成可能プロセッサ７８４６による高速アクセスに使用される。バス７９０６はまた、ＰＣＩｅ規格と互換性のあるバス技術などの高スループット技術を使用して実施態様することもできる。
フィールドプログラマブルゲートアレイＦＰＧＡ、粗いグレー構成可能な再構成可能アレイＣＧＲＡｓ、並びに他の構成可能かつ再構成可能なデバイスを含む構成可能なプロセッサは、コンピュータプログラムを実行する汎用プロセッサを使用して達成され得るよりも、より効率的に又はより高速に様々な機能を実施態様するように構成することができる。構成可能なプロセッサの構成は、時にはビットストリーム又はビットファイルと称される構成ファイルを生成するために機能的な説明を編集することと、構成ファイルをプロセッサ上の構成可能要素に配布することと、を含む。構成ファイルは、データフローパターンを設定するように回路を構成することにより、分散メモリ及び他のオンチップメモリリソースの使用、ルックアップテーブルコンテンツ、構成可能な論理ブロックの動作、及び構成可能な論理ブロックの動作、及び構成可能なアレイの構成可能な相互接続及び他の要素のような構成可能な実行ユニットとを含む。構成ファイルがフィールド内で変更され得る場合、ロードされた構成ファイルを変更することによって構成ファイルを変更することができる場合に再構成可能である。例えば、構成ファイルは、揮発性ＳＲＡＭ要素内に、不揮発性読み書きメモリ素子内に記憶されてもよく、構成可能又は再構成可能なプロセッサ上の構成可能要素のアレイ間に分散されたものであってもよい。様々な市販の構成可能なプロセッサは、本明細書に記載されるようなベースコール動作において使用するのに好適である。例としては、Ｇｏｏｇｌｅのテンソル処理ユニット（ＴＰＵ）（商標）、ＧＸ４ Ｒａｃｋｍｏｕｎｔ Ｓｅｒｉｅｓ（商標）、ＧＸ９ Ｒａｃｋｍｏｕｎｔ Ｓｅｒｉｅｓ（商標）、ＮＶＩＤＩＡ ＤＧＸ－１（商標）、Ｍｉｃｒｏｓｏｆｔ’Ｓｔｒａｔｉｘ Ｖ ＦＰＧＡ（商標）、ＧｒａｐｈｃｏｒｅのＩｎｔｅｌｌｉｇｅｎｔ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ（ＩＰＵ）（商標）、ＱｕａｌｃｏｍｍのＺｅｒｏｔｈ Ｐｌａｔｆｏｒｍ（商標）（Ｓｎａｐｄｒａｇｏｎ ｐｒｏｃｅｓｓｏｒｓ（商標）、ＮＶＩＤＩＡ Ｖｏｌｔａ（商標）、ＮＶＩＤＩＡのドライブＰＸ（商標）、ＮＶＩＤＩＡのＪＥＴＳＯＮ ＴＸ１／ＴＸ２ ＭＯＤＵＬＥ（商標）、Ｉｎｔｅｌ’ｓ ＮｉｒｖａｎａＴＭ、Ｍｏｖｉｄｉｕｓ ＶＰＵ（商標）、Ｆｕｊｉｔｓｕ ＤＰＩ（商標）、アームＤｙｎａｍｉｃＩＱ（商標）、ＩＢＭ ＴｒｕｅＮｏｒｔｈ（商標）、Ｌａｍｂｄａ ＧＰＵ Ｓｅｒｖｅｒ ｗｉｔｈ Ｔｅｓｔａ Ｖ１００ｓ（商標）、Ｘｉｌｉｎｘ Ａｌｖｅｏ（商標）Ｕ２００、Ｘｉｌｉｎｘ Ａｌｖｅｏ（商標）Ｕ２５０、Ｘｉｌｉｎｘ Ａｌｖｅｏ（商標）Ｕ２８０、Ｉｎｔｅｌ／Ａｌｔｅｒａ Ｓｔｒａｔｉｘ（商標）ＧＸ２８００、Ｉｎｔｅｌ／Ａｌｔｅｒａ Ｓｔｒａｔｉｘ（商標）ＧＸ２８００、及びＩｎｔｅｌ Ｓｔｒａｔｉｘ（商標）ＧＸ１０Ｍ、が含まれる。いくつかの実施例では、ホストＣＰＵは、構成可能プロセッサと同じ集積回路上に実施態様することができる。
本明細書に記載される実施形態は、構成可能プロセッサ７８４６を使用して、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／又はニューラルネットワークベースのベースコーラー１５１４を実施する。構成可能プロセッサ７８４６の構成ファイルは、高レベルの記述言語ＨＤＬ又はレジスタ転送レベルＲＴＬ言語仕様を使用して実行されるロジック機能を指定することによって実施態様することができる。本明細書は、選択された構成可能プロセッサが構成ファイルを生成するように設計されたリソースを使用してコンパイルすることができる。構成可能なプロセッサではない場合がある特定用途向け集積回路の設計を生成する目的で、同じ又は類似の仕様をコンパイルすることができる。
したがって、本明細書に記載される全ての実施形態における構成可能プロセッサ構成可能プロセッサ７８４６の代替例は、特定用途向けＡＳＩＣ又は専用集積回路又は集積回路のセットを含む構成されたプロセッサを含み、又はシステムオンチップＳＯＣデバイス、又は本明細書に記載されるようなニューラルネットワークベースのベースコール動作を実行するように構成された、システムオンチップＳＯＣデバイス、又はグラフィック処理ユニット（ＧＰＵ）プロセッサ若しくは粗粒化再構成可能構造（ＣＧＲＡ）プロセッサである。
一般に、ニューラルネットワークの実行を実行するように構成された、本明細書に記載の構成可能なプロセッサ及び構成されたプロセッサは、本明細書ではニューラルネットワークプロセッサと称される。
構成可能プロセッサ７８４６は、この例では、ＣＰＵ７８５２によって実行されるプログラムを使用して、又は構成可能要素７９１６のアレイを構成する他のソースによってロードされた構成ファイルによって構成される（例えば、構成論理ブロック（ＣＬＢ）、例えばルックアップテーブル（ＬＵＴ）、フリップフロップ、演算処理ユニット（ＰＭＵ）、及び計算メモリユニット（ＣＭＵ）、構成可能なＩ／Ｏブロック、プログラマブル相互接続）を計算して、ベースコール機能を実行する。この例では、構成は、バス７９０２及び７９０６に結合され、ベースコール動作で使用される要素間でデータ及び制御パラメータを分散する機能を実行するデータフローロジック７９０８を含む。
また、構成可能プロセッサ７８４６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／又はニューラルネットワークベースのベースコーラー１５１４を実行するために、ベースコール実行論理７９０８を用いて構成される。論理７９０８は、マルチサイクル実行クラスター（例えば、７９１４）を含み、この実施例では、実行クラスターＸを介した実行クラスター１を含む。多重サイクル実行クラスターの数は、動作の所望のスループットを伴うトレードオフ、及び構成可能プロセッサ７８４６上の利用可能なリソースに従って選択することができる。
多重サイクル実行クラスターは、構成可能なプロセッサ７８４６上の構成可能な相互接続及びメモリリソースを使用して実施態様されるデータ流路７９１０によってデータフローロジック７９０８に結合される。また、多重サイクル実行クラスターは、構成可能な相互接続及びメモリリソース、例えば構成可能プロセッサ７８４６を使用して実施態様される制御経路７９１２によってデータフローロジック７９０８に結合される。利用可能な実行クラスターを示す制御信号を提供する、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／又はニューラルネットワークベースのベースコーラー１５１４の実行のための入力ユニットを利用可能な実行クラスターに提供する準備を提供し、ニューラルネットワークベースのテンプレート生成器１５１２及び／又はニューラルネットワークベースのベースコーラー１５１４の訓練されたパラメータを提供する準備は、ベースコール分類データの出力パッチ、及び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／又はニューラルネットワークベースのベースコーラー１５１４の実行に使用される他の制御データを提供する。
構成可能プロセッサ７８４６は、訓練されたパラメータを使用して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／又はニューラルネットワークベースのベースコーラー１５１４の実行を実行して、ベースコール動作の検知サイクルに関する分類データを生成するように構成される。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／又はニューラルネットワークベースのベースコーラー１５１４の実行を実行して、ベースコール動作の被験者検知サイクルの分類データを生成する。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／又はニューラルネットワークベースのベースコーラー１５１４の実行は、Ｎ個の感知サイクルのそれぞれの検知サイクルからのタイルデータのアレイの数Ｎを含むシーケンスで動作し、Ｎ個の検知サイクルは、本明細書に記載される実施例での時間シーケンスにおける動作ごとの１つの基本位置に対する異なる基本呼び出し動作のためのセンサーデータを提供する。任意選択的に、Ｎ個の感知サイクルのうちのいくつかは、実行される特定のニューラルネットワークモデルに従って必要に応じて、シーケンスから出ることができる。数Ｎは、１を超える任意の数であり得る。本明細書に記載されるいくつかの実施例では、Ｎ個の検知サイクルの検知サイクルは、被験者の検知サイクルに先行する少なくとも１つの検知サイクル、及び被験者サイクルの後の少なくとも１回の検知サイクルについての検知サイクルのセットを表す。本明細書では、数Ｎが５以上の整数である、実施例が記載される。
データフローロジック７９０８は、Ｎ個のアレイの空間的に整合されたパッチのタイルデータを含む所与の実行のための入力ユニットを使用して、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／又はニューラルネットワークベースのベースコーラー１５１４の実行のために、メモリ７８４８Ａから構成可能プロセッサ７８４６に、タイルデータ及びモデルパラメータの少なくともいくつかの訓練されたパラメータを移動させるように構成される。入力ユニットは、１回のＤＭＡ動作におけるダイレクトメモリアクセス動作によって、又は、配備されたニューラルネットワークの実行と協調して、利用可能なタイムスロットの間に移動するより小さいユニット内で移動させることができる。
本明細書に記載される感知サイクルのタイルデータは、１つ又はそれ以上の特徴を有するセンサーデータのアレイを含むことができる。例えば、センサーデータは、ＤＮＡ、ＲＮＡ、又は他の遺伝物質の遺伝的配列における塩基位置で４塩基のうちの１つを同定するために分析される２つの画像を含むことができる。タイルデータはまた、画像及びセンサーに関するメタデータを含むことができる。例えば、ベースコール動作の実施形態では、タイルデータは、タイル上の遺伝物質群の中心からのセンサーデータのアレイ内の各ピクセルの距離を示す中心情報からの距離などの、クラスターとの画像の位置合わせに関する情報を含むことができる。
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／又はニューラルネットワークベースのベースコーラー１５１４の実行中に、タイルデータはまた、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及び／又はニューラルネットワークベースのベースコーラー１５１４の実行中に生成されるデータも含み得る。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／又はニューラルネットワークベースのベースコーラー１５１４の実行中に再計算されるのではなく再計算することができる中間データと称される。例えば、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／又はニューラルネットワークベースのベースコーラー１５１４の実行中に、データフローロジック７９０８は、タイルデータのアレイの所与のパッチのセンサーデータの代わりに、中間データをメモリ７８４８Ａに書き込むことができる。このような実施形態は、以下により詳細に記載される。
図示されているように、ベースコール動作の検知サイクルからタイルのセンサーデータを含むタイルデータを記憶する実行時プログラムによってアクセス可能なメモリ（例えば、７８４８Ａ）を含む、ベースコールセンサー出力の分析のためのシステムが説明される。また、システムは、メモリへのアクセスを有する構成可能プロセッサ７８４６などのニューラルネットワークプロセッサを含む。ニューラルネットワークプロセッサは、訓練されたパラメータを使用してニューラルネットワークの実行を実行して、検知サイクルのための分類データを生成するように構成される。本明細書に記載されるように、ニューラルネットワークの実行は、被験者サイクルを含むＮ個の感知サイクルのそれぞれの感知サイクルからタイルデータのＮ個のアレイのシーケンスで動作して、被験者サイクルの分類データを生成する。データフローロジック９０８は、Ｎ個の感知サイクルのそれぞれの感知サイクルからのＮ個のアレイの空間的に整合されたパッチのデータを含む入力ユニットを使用して、ニューラルネットワークの実行のために、メモリからニューラルネットワークプロセッサにタイルデータ及び訓練されたパラメータを移動させるために提供される。
また、ニューラルネットワークプロセッサがメモリへのアクセスを有し、複数の実行クラスターを含み、ニューラルネットワークを実行するように構成された複数の実行クラスター内の実行クラスターを含むシステムも説明される。データフローロジック７９０８は、メモリへのアクセス、及び複数の実行クラスター内のクラスターを実行して、複数の実行クラスター内の利用可能な実行クラスターにタイルデータの入力ユニットを提供し、入力ユニットは、それぞれの感知サイクルからタイルデータのアレイの空間的に整列されたパッチの数Ｎを含む、入力ユニットと、被験者検知サイクルを含み、Ｎ個の空間的に整合されたパッチをニューラルネットワークに適用して、被験者検知サイクルの空間的に整合されたパッチの分類データの出力パッチを生成させるように、実行クラスターに、ニューラルネットワークにＮ個の空間的に位置合わせされたパッチを適用させることと、を含み、Ｎは１より大きい。
図８０は、ホストプロセッサによって実行される実行時プログラムの機能を含む、ベースコール動作の態様を示す簡略図である。この図では、フローセルからの画像センサーの出力は、ライン８０００上で画像処理スレッド８００１に提供され、画像処理スレッド８００１は、個々のタイルのセンサーデータのアレイ内の位置合わせ及び配置、及び画像の再サンプリングなどの画像上のプロセスを実行することができ、フローセル内の各タイルのタイルクラスターマスクを計算するプロセスによって使用することができ、フローセルの対応するタイル上の遺伝子材料のクラスターに対応するセンサーデータのアレイ内のピクセルを識別するプロセスによって使用することができる。画像処理スレッド８００１の出力は、ＣＰＵ内のディスパッチロジック８０１０に、ライン８００２上に提供され、これは、高速バス８００３上又は高速バス８００５上のデータキャッシュ８００４（例えば、ＳＳＤ記憶装置）に、ベースコール動作の状態に従って、図７９の構成可能プロセッサ７８４６などのニューラルネットワークプロセッサハードウェア８０２０に転送される。処理され、変換された画像は、以前に使用されたサイクルを検知するために、データキャッシュ８００４上に記憶され得る。ハードウェア８０２０は、ニューラルネットワークによって出力された分類データをディスパッチロジック８０８０に返し、ディスパッチロジック８０８０は、情報をデータキャッシュ８００４に、又はライン８０１１上でスレッド８００２に渡し、分類データを使用してベースコール及び品質スコア計算を実行し、ベースコール読み取りのための標準フォーマットでデータを配置することができる。ベースコール及び品質スコア計算を実行するスレッド８００２の出力は、ベースコールリードを集約するスレッド８００３に、ライン８０１２上に提供され、データ圧縮などの他の動作を実行し、結果として得られるベースコール出力を顧客による利用のために指定された宛先に書き込む。
いくつかの実施形態では、ホストは、ニューラルネットワークを支持するハードウェア８０２０の出力の最終処理を実行する、スレッド（図示せず）を含むことができる。例えば、ハードウェア８０２０は、マルチクラスターニューラルネットワークの最終層から分類データの出力を提供することができる。ホストプロセッサは、ベースコール及び品質スコアスレッド８００２によって使用されるデータを設定するために、分類データを超えて、ソフトマックス関数などの出力起動機能を実行することができる。また、ホストプロセッサは、ハードウェア８０２０への入力前のタイルデータのバッチ正規化などの入力動作（図示せず）を実行することができる。
図８１は、図７９の構成などの構成可能プロセッサ７８４６の構成の簡略図である。図８１では、構成可能プロセッサ７８４６は、複数の高速ＰＣＩｅインターフェースを有するＦＰＧＡを含む。ＦＰＧＡは、図７９を参照して説明されるデータフローロジック７９０８を含むラッパー８１００を用いて構成される。ラッパー８１００は、ＣＰＵ通信リンク８１０９を介してＣＰＵ内の実行時プログラムとのインターフェース及び調整を管理し、ＤＲＡＭ通信リンク８１１０を介してオンボードＤＲＡＭ８１０２（例えば、メモリ７８４８Ａ）との通信を管理する。ラッパー８１００内のデータフローロジック７９０８は、数Ｎのサイクルのために、オンボードＤＲＡＭ８１０２上のタイルデータのアレイをクラスター８１０１まで横断することによって取得されたパッチデータを提供し、クラスター８１０１からプロセスデータ８１１５を取得して、オンボードＤＲＡＭ８１０２に配信する。ラッパー８１００はまた、タイルデータの入力アレイ、及び分類データの出力パッチの両方について、オンボードＤＲＡＭ８１０２とホストメモリとの間のデータの転送を管理する。ラッパーは、ライン８１１３上のパッチデータを割り当てられたクラスター８１０１に転送する。ラッパーは、オンボードＤＲＡＭ８１０２から取得されたクラスター８１０１にライン８１１２の重みやバイアスなどの訓練されたパラメータを提供する。ラッパーは、ＣＰＵ通信リンク８１０９を介してホスト上のランタイムプログラムから提供されるか、又はそれに応答して生成されるクラスター８１０１に、ライン８１１１上の構成及び制御データを提供する。クラスターはまた、ホストからの制御信号と協働して使用されて、空間的に整列したパッチデータを提供し、クラスター８１０１のリソースを使用して、パッチデータを介して多重サイクルニューラルネットワークをパッチデータの上で実行するために、ホストからの制御信号と協働して使用されるラッパー８１００に、ライン８１１６上の状態信号を提供することができる。
上述のように、タイルデータの複数のパッチのうちの対応するパッチ上で実行するように構成されたラッパー８１００によって管理される単一の構成可能なプロセッサ上に複数のクラスターが存在し得る。各クラスターは、本明細書に記載される複数の感知サイクルのタイルデータを使用して、被験者検知サイクルにおけるベースコールの分類データを提供するように構成することができる。
システムの例では、フィルタ重み及びバイアスのようなカーネルデータを含むモデルデータをホストＣＰＵから構成可能プロセッサに送信することができ、その結果、モデルは、サイクル数の関数として更新され得る。ベースコール動作は、代表的な例では、数百の感知サイクルの順序で含むことができる。ベースコール動作は、いくつかの実施形態では、ペアリングされた端部読み取りを含むことができる。例えば、モデル訓練されたパラメータは、２０サイクルごと（又は他の数のサイクル）ごとに、又は特定のシステム及びニューラルネットワークモデルに実施態様される更新パターンに従って更新されてもよい。いくつかの実施形態では、タイル上の遺伝的クラスター内の所与のストリングのためのシーケンスが、ストリングの第１の端部から（又は上方に）延在する第１の部分と、ストリングの第２の端部から上方（又は下方）に延在する第２の部分とを含む、ペアリングされた端部リードを含むいくつかの実施形態では、訓練されたパラメータは、第１の部分から第２の部分への遷移で更新され得る。
いくつかの実施例では、タイルのための感知データの複数サイクルの画像データは、ＣＰＵから包装材８１００に送信され得る。ラッパー８１００は、任意選択的に、感知データの一部の前処理及び変換を行い、その情報をオンボードＤＲＡＭ８１０２に書き込むことができる。各感知サイクルの入力タイルデータは、タイル当たり４０００×３０００ピクセル／タイル以上を含むセンサーデータのアレイを含むことができ、２つの特徴はタイルの２つの画像の色を表し、１ピクセル当たり１つ又は２つのバイトを含むセンサーデータのアレイを含むことができる。数Ｎが、多重サイクルニューラルネットワークの各実施において使用される３回の検知サイクルである実施形態では、多重サイクルニューラルネットワークの各実施のためのタイルデータのアレイは、数当たり数百メガバイトの数で消費することができる。システムのいくつかの実施形態では、タイルデータはまた、タイルごとに１回記憶されたＤＦＣデータのアレイ、又はセンサーデータ及びタイルに関する他のタイプのメタデータも含む。
動作中、多重サイクルクラスターが利用可能である場合、ラッパーは、パッチをクラスターに割り当てる。ラッパーはタイルの横断面にタイルデータの次のパッチをフェッチし、適切な制御及び構成情報と共に割り当てられたクラスターに送信する。クラスターは、構成可能プロセッサ上の十分なメモリを用いて構成されて、パッチを含むデータのパッチを、定位置に処理されているいくつかのシステム内で複数サイクルから保持するのに十分なメモリを有するように構成することができ、様々な実施形態では、ピンポンバッファ技術又はラスタ走査技術を使用して処理される。
割り当てられたクラスターが、現在のパッチのニューラルネットワークのその動作を完了し、出力パッチを生成すると、それはラッパーに信号を送る。ラッパーは、割り当てられたクラスターから出力パッチを読み出すか、あるいは割り当てられたクラスターは、データをラッパーにプッシュする。次いで、ラッパーは、ＤＲＡＭ８１０２内の処理されたタイルのための出力パッチを組み立てる。タイル全体の処理が完了し、データの出力パッチがＤＲＡＭに転送されると、ラッパーは、処理された出力アレイを、特定のフォーマットでホスト／ＣＰＵに返送する。いくつかの実施形態では、オンボードＤＲＡＭ８１０２は、ラッパー８１００内のメモリ管理論理によって管理される。ランタイムプログラムは、リアルタイム分析を提供するために連続フローで実行される全てのサイクルについての全てのタイルデータのアレイの分析を完了するために、配列決定動作を制御することができる。
（技術的な改善及び用語）
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。
特許請求の範囲を含む本出願全体を通して、「画像、画像データ、又は分析物及びそれらの周囲背景の強度放射を示す画像領域が使用されるとき、それらは、検体に取り付けられたタグの強度放射を指す。当業者であれば、取り付けられたタグの強度放出は、タグが取り付けられている検体の強度放射を表すか、又はそれに相当し、したがって互換的に使用されることを理解するであろう。同様に、検体の特性は、検体に取り付けられたタグ、又は取り付けられたタグからの強度放出の特性を指す。例えば、検体の中心とは、検体に取り付けられたタグによって放出される強度放出の中心を指す。別の実施例では、検体の周囲の背景とは、検体に取り付けられたタグによって放出される強度放射の周囲の背景を指す。
特許、特許出願、論文、書籍、木、及びウェブページが挙げられるがこれらに限定されない、本出願において引用された文献及び類似材料は、その全体が参照により明示的に組み込まれる。組み込まれた文献及び類似の材料のうちの１つ又はそれ以上が、定義された用語、用語使用、記載された技術などを含むがこれらに限定されない、本出願とは異なる、又は矛盾する場合には、この出願は制御する。
開示される技術は、核酸テンプレート又はその相補体、例えば、ＤＮＡ若しくはＲＮＡポリヌクレオチド又は他の核酸サンプルなどの核酸サンプルから得ることができる核酸配列情報の品質及び量を改善するためにニューラルネットワークを使用する。したがって、開示される技術の特定の実施は、以前に利用可能な方法と比較して、より高いスループットのポリヌクレオチド配列決定、例えば、より高いＤＮＡ又はＲＮＡ配列データの収集速度、配列データ収集におけるより高い効率、及び／又はそのような配列データを得る低コストを提供する。
開示される技術は、ニューラルネットワークを使用して、固相核酸クラスターの中心を同定し、そのようなクラスターの配列決定中に生成される光信号を解析して、隣接する、隣接する、又は重複するクラスター間で曖昧さなく区別して、単一の離散したソースクラスターに配列決定シグナルを割り当てる。したがって、これら及び関連する実施態様は、高密度クラスターアレイの領域からの、配列データなどの有意義な情報の回収を可能にし、有用な情報は、重複する又は非常に近接して離間配置された隣接クラスターの影響を混乱させることに起因して、そのような領域から以前に得られなかった場合がある。重複するシグナルの効果（例えば、核酸配列決定において使用されるような）の効果を含む。
以下により詳細に記載されるように、特定の実施形態では、本明細書で提供されるように、１つ又は複数の核酸クラスターに固定化された固体支持体を含む組成物が提供される。各クラスターは、同じ配列の複数の固定化された核酸を含み、本明細書で提供されるような検出可能な中心標識を有する識別可能な中心を有し、識別可能な中心は、クラスター内の周囲領域において固定化された核酸と区別可能である。また、識別可能な中心を有するこのようなクラスターを作製及び使用するための方法も本明細書に記載される。
本開示の実施態様は、多数の状況での使用が見出され、その利点は、クラスター内の実質的に中心の位置の位置を識別、決定、アノテーション、記録、ないしは別の方法で割り当てる能力から得られる、多くの状況において使用が見出されるであろう。ハイスループット核酸配列決定、光学的又は他のシグナルを個別のソースクラスターに割り当てるための画像解析アルゴリズムの開発、及び固定化された核酸クラスターの中心の認識が望ましい及び有益である他の用途が望ましい。
特定の実施態様では、本発明は、核酸配列決定（例えば、「配列決定」）などのハイスループット核酸分析に関連する方法を企図する。例示的なハイスループット核酸解析としては、非限定的に、デノボ配列決定、再配列決定、全ゲノム配列決定、遺伝子発現解析、遺伝子発現モニタリング、エピジェネティクス分析、ゲノムメチル化分析、対立遺伝子特異的プライマー伸長（ＡＰＳＥ）、遺伝的多様性プロファイリング、全ゲノム多型発見及び解析、単一ヌクレオチド多型解析、ハイブリダイゼーション系配列決定法などが挙げられる。当業者は、様々な異なる核酸が、本発明の方法及び組成物を使用して分析され得ることを理解するであろう。
本発明の実施は核酸配列決定に関連して記載されているが、それらは、異なる時点で取得された画像データ、空間的位置、又は他の時間的若しくは物理的観点で取得された画像データが分析される任意の分野において適用可能である。例えば、本明細書に記載される方法及びシステムは、マイクロアレイ、生物学的検体、細胞、生物などからの画像データが取得され、異なる時点又は視点で取得され、分析される、分子生物学及び細胞生物学の分野において有用である。画像は、蛍光顕微鏡法、光学顕微鏡法、共焦点顕微鏡法、光学画像化法、磁気共鳴画像化法、トモグラフィー走査などが挙げられるが、これらに限定されない、技術分野において既知の任意の数の技術を使用して得ることができる。別の例として、本明細書に記載される方法及びシステムは、監視、空中、又は衛星撮像技術などによって取得された画像データが、異なる時点又は視点で取得され、分析される場合に適用することができる。この方法及びシステムは、視野内で取得された画像を分析するのに特に有用であり、この視野内で、観察される検体は、視野内の互いに対して同じ場所に留まる。しかしながら、検体は、別個の画像で異なる特性を有してもよく、例えば、検体は、視野の別々の画像において異なるように見える場合がある。例えば、検体は、異なる画像で検出された所与の検体の色とは異なるように見える場合があり、異なる画像内の所与の分析物のために検出された信号の強度の変化、又は更には、１つの画像中の所与の分析物の信号の外観、及び別の画像内の検体の信号の消失を示し得る。
本明細書に記載される例は、学術分析又は商業的分析のための様々な生物学的又は化学的プロセス及びシステムにおいて使用されてもよい。より具体的には、本明細書に記載される例は、指定された反応を示すイベント、特性、品質、又は特性を検出することが望ましい様々なプロセス及びシステムにおいて使用されてもよい。例えば、本明細書に記載される例としては、光検出デバイス、バイオセンサー、及びそれらの構成要素、並びにバイオセンサーと共に動作するバイオアッセイシステムが挙げられる。いくつかの実施例では、装置、バイオセンサー、及びシステムは、フローセルと、実質的に一体型構造で一緒に（取り外し可能に又は固定的に）結合された１つ又はそれ以上の光センサーと、を含み得る。
装置、バイオセンサー、及びバイオアッセイシステムは、個別に又は集合的に検出され得る複数の指定された反応を実施するように構成されてもよい。装置、バイオセンサー、及びバイオアッセイシステムは、複数の指定された反応が並行して生じる多数のサイクルを実行するように構成されてもよい。例えば、装置、バイオセンサー、及びバイオアッセイシステムを使用して、酵素操作及び光又は画像検出／捕捉の反復サイクルを通して、ＤＮＡ特徴の高密度配列を配列することができる。したがって、デバイス、バイオセンサー、及びバイオアッセイシステム（例えば、１つ又はそれ以上のカートリッジを介した）は、試薬又は他の反応成分を反応溶液中に送達する１つ又はそれ以上のマイクロ流体チャネル、バイオセンサー、及びバイオアッセイシステムを含んでもよい。いくつかの実施例では、反応溶液は、約５以下、又は約４以下、又は約３以下のｐＨを含むなど、実質的に酸性であってもよい。いくつかの他の実施例では、反応溶液は、約８以上、又は約９以上、又は約１０以上のｐＨを含むなど、実質的にアルカリ性／塩基性であってもよい。本明細書で使用するとき、用語「酸性」及びその文法的変異体は、約７未満のｐＨ値を指し、用語「塩基性」、「アルカリ性」及びその文法的変異型は、約７を超えるｐＨ値を指す。
いくつかの実施例では、反応部位は、均一又は反復パターンなどの所定の方法で提供又は離間される。いくつかの他の実施例では、反応部位はランダムに分布している。反応部位のそれぞれは、関連する反応部位からの光を検出する１つ又はそれ以上の光ガイド及び１つ又はそれ以上の光センサーと関連付けることができる。いくつかの実施例では、反応部位は、指定された反応を少なくとも部分的に区画化し得る反応凹部又はチャンバ内に位置する。
本明細書で使用するとき、「指定された反応」は、対象となる検体などの対象となる化学物質又は生物学的物質の化学的、電気的、物理的、又は光学的特性（又は品質）のうちの少なくとも１つの変化を含む。特定の実施例では、指定された反応は、例えば、蛍光標識生体分子を対象とする蛍光標識生体分子の組み込みなどの正の結合事象である。より一般的には、指定された反応は、化学変換、化学変化、又は化学的相互作用であってもよい。指定された反応はまた、電気特性の変化であってもよい。特定の実施例では、指定された反応は、検体と蛍光標識された分子を組み込むことを含む。検体はオリゴヌクレオチドであってもよく、蛍光標識分子はヌクレオチドであってもよい。指定された反応は、励起光が標識ヌクレオチドを有するオリゴヌクレオチドに向けられ、蛍光団が検出可能な蛍光シグナルを発するときに、指定された反応が検出され得る。代替例では、検出された蛍光は、化学発光又は生物発光の結果である。指定された反応はまた、例えば、ドナーフルオロフォアをアクセプタ蛍光団に近接させることによって蛍光（又はＦｏｒｓｔｅｒ）共鳴エネルギー移動（ＦＲＥＴ）を増加させることができ、ドナーとアクセプタ蛍光団とを分離することによってＦＲＥＴを減少させ、消光剤をフルオロフォアから分離することによって蛍光を増加させるか、又は消光剤及び蛍光団を共局在させることによって蛍光を減少させることができる。
本明細書で使用するとき、「反応溶液」、「反応成分」又は「反応物質」は、少なくとも１つの指定された反応を得るために使用され得る任意の物質を含む。例えば、潜在的な反応成分としては、例えば、試薬、酵素、サンプル、他の生体分子、及び緩衝液が挙げられる。反応成分は、溶液中の反応部位に送達されてもよく、及び／又は反応部位で固定されてもよい。反応成分は、反応部位で固定化された対象検体などの別の物質と直接又は間接的に相互作用し得る。上記のように、反応溶液は、実質的に酸性であってもよい（すなわち、比較的高い酸性度を含む）（例えば、約５以下のｐＨ、約４以下のｐＨを含む）、又は約３以下のｐＨ、又は実質的にアルカリ性／塩基性（すなわち、比較的高いアルカリ性／塩基性を含む）（例えば、約８以上のｐＨ、約９以上のｐＨ、又は約１０以上のｐＨを含む）。
本明細書で使用するとき、用語「反応部位」は、少なくとも１つの指定された反応が生じ得る局所的領域である。反応部位は、物質がその上に固定され得る反応構造又は基材の支持表面を含んでもよい。例えば、反応部位は、その上に反応成分、例えば、その上に核酸のコロニーを有する反応構造（フローセルのチャネル内に配置され得る）の表面を含んでもよい。いくつかのこのような実施例では、コロニー中の核酸は同じ配列を有し、例えば、一本鎖又は二本鎖テンプレートのクローンコピーである。しかしながら、いくつかの実施例では、反応部位は、例えば、一本鎖又は二本鎖形態で、単一の核酸分子のみを含有してもよい。
複数の反応部位は、反応構造に沿ってランダムに分布してもよく、又は所定の様式で配置されてもよい（例えば、マイクロアレイなどのマトリックス内の並列）。反応部位はまた、指定された反応を区画化するように構成された空間領域又は容積を少なくとも部分的に画定する反応室又は凹部を含むことができる。本明細書で使用するとき、用語「反応チャンバ」又は「反応凹部」は、支持構造体の画定された空間領域（多くの場合、流路と流体連通している）を含む。反応凹部は、周囲環境又は空間領域から少なくとも部分的に分離されてもよい。例えば、複数の反応凹部は、検出表面などの共有された壁によって互いに分離されてもよい。より具体的な例として、反応凹部は、検出表面の内面によって画定された窪み、ウェル、溝、空洞、又は窪みを含むナノセルであってもよく、ナノセルが流路と流体連通することができるように、開口部又は開口部（すなわち、開側面である）を有することができる。
いくつかの実施例では、反応構造の反応凹部は、固体がその中に完全に又は部分的に挿入され得るように、固体（半固体を含む）に対してサイズ及び形状を定められる。例えば、反応凹部は、捕捉ビーズを収容するような大きさ及び形状であってもよい。捕捉ビーズは、クロノウイルス増幅ＤＮＡ又はその上の他の物質を有してもよい。あるいは、反応凹部は、およその数のビーズ又は固体基材を受容するような大きさ及び形状であってもよい。別の例として、反応凹部は、拡散又はフィルタ流体又は反応凹部に流入し得る溶液を制御するように構成された多孔質ゲル又は物質で充填されてもよい。
いくつかの実施例では、光センサー（例えば、フォトダイオード）は、対応する反応部位と関連付けられる。反応部位に関連する光センサーは、関連する反応部位において指定された反応が生じたときに、少なくとも１つの光ガイドを介して、関連する反応部位からの光放射を検出するように構成されている。いくつかの場合では、複数の光センサー（例えば、光検出又はカメラデバイスのいくつかのピクセル）は、単一の反応部位に関連付けられてもよい。他の場合では、単一の光センサー（例えば、単一のピクセル）は、単一の反応部位に、又は反応部位の群と関連付けられてもよい。バイオセンサーの光センサー、反応部位、及び他の特徴は、光の少なくとも一部が反射されることなく光センサーによって直接検出されるように構成されてもよい。
本明細書で使用するとき、「生物学的又は化学物質」は、生体分子、対象試料、対象検体、及び他の化学化合物を含む。生物学的物質又は化学物質を使用して、他の化学化合物を検出、同定、若しくは分析するか、又は他の化学化合物を研究又は分析するための仲介として機能してもよい。特定の実施例では、生物学的物質又は化学物質は、生体分子を含む。本明細書で使用するとき、「生体分子」は、バイオポリマー、ヌクレオチド、核酸、ポリヌクレオチド、オリゴヌクレオチド、タンパク質、酵素、ポリペプチド、抗体、抗原、リガンド、受容体、多糖類、炭水化物、ポリリン酸、細胞、組織、生物、若しくはそれらの断片、又は前述の種の類似体若しくは模倣体などの任意の他の生物学的に活性な化学化合物のうちの少なくとも１つを含む。更なる例では、生物学的若しくは化学物質又は生体分子は、酵素又は試薬などの別の反応の生成物、例えば、ピロ配列決定反応においてピロリン酸を検出するために使用される酵素又は試薬などの酵素又は試薬の生成物を検出する。ピロホスフェート検出に有用な酵素及び試薬は、例えば、参照によりその全体が組み込まれる米国特許公開第２００５／０２４４８７０（Ａ１）号に記載されている。
生体分子、試料、及び生物学的物質又は化学物質は、天然に存在しても合成であってもよく、反応凹部又は領域内の溶液又は混合物中に懸濁されてもよい。生体分子、試料、及び生物学的物質又は化学物質もまた、固体相又はゲル材料に結合されてもよい。生体分子、試料、及び生物学的物質又は化学物質はまた、医薬組成物を含んでもよい。場合によっては、対象とする生体分子、試料、及び生物学的物質又は化学物質は、標的、プローブ、又は検体と呼ばれる場合がある。
本明細書で使用するとき、「バイオセンサー」は、反応部位又は反応部位に近接して生じる指定された反応を検出するように構成された複数の反応部位を有する反応構造を含む装置を含む。バイオセンサーは、固体光検出装置又は「撮像」デバイス（例えば、ＣＣＤ又はＣＭＯＳ光検出デバイス）、及び任意選択的に、それに取り付けられたフローセルを含んでもよい。フローセルは、反応部位と流体連通する少なくとも１つの流路を含み得る。１つの特定の例として、バイオセンサーは、生物学的アッセイシステムに流体的かつ電気的に結合するように構成される。バイオアッセイシステムは、所定のプロトコル（例えば、配列番号合成）に従って反応部位に反応溶液を送達し、複数の撮像事象を実施してもよい。例えば、バイオアッセイシステムは、反応溶液を反応部位に沿って流すことができる。反応溶液のうちの少なくとも１つは、同じ又は異なる蛍光標識を有する４種類のヌクレオチドを含んでもよい。ヌクレオチドは、反応部位の対応するオリゴヌクレオチドなどに結合してもよい。次いで、バイオアッセイシステムは、励起光源（例えば、発光ダイオード（ＬＥＤ）などの固体光源）を使用して反応部位を照明することができる。励起光は、波長の範囲を含む所定の波長又は波長を有してもよい。入射励起光によって励起された蛍光標識は、光センサーによって検出され得る発光信号（例えば、励起光とは異なる波長又は波長の光、及び潜在的に互いに異なる）を提供することができる。
本明細書で使用するとき、用語「固定化された」は、生体分子又は生物学的物質又は化学物質に関して使用されるとき、生体分子又は生物学的物質又は化学物質を、光検出デバイス又は反応構造の検出表面などの表面に実質的に付着させることを含む。例えば、生体分子又は生物学的物質又は化学物質は、非共有結合（例えば、静電力、ファンデルワールス、及び疎水性界面の脱水）を含む吸着技術、並びに官能基又はリンカーが生体分子の表面への結合を促進する共有結合技術を含む吸着技術を用いて、反応構造の表面に固定化されてもよい。生体分子又は生物学的物質若しくは化学物質を表面に固定化することは、表面の特性、生体分子又は生物学的物質若しくは化学物質を担持する液体媒体、並びに生体分子又は生物学的物質若しくは化学物質自体の特性に基づいてもよい。いくつかの場合において、表面は、生体分子（又は生物学的物質又は化学物質）を表面に固定化するのを容易にするために、表面を官能化（例えば、化学的又は物理的に修飾）してもよい。
いくつかの実施例では、核酸は、その反応凹部の表面などの反応構造に固定化することができる。特定の実施例では、本明細書に記載される装置、バイオセンサー、バイオアッセイシステム及び方法は、天然ヌクレオチド、及び天然ヌクレオチドと相互作用するように構成された酵素の使用を含んでもよい。天然ヌクレオチドとしては、例えば、リボヌクレオチド又はデオキシリボヌクレオチドが挙げられる。天然ヌクレオチドは、一リン酸、二リン酸、又は三リン酸形態であってよく、アデニン（Ａ）、チミン（Ｔ）、ウラシル（Ｕ）、グアニン（Ｇ）、又はシトシン（Ｃ）から選択される塩基を有することができる。しかしながら、上記ヌクレオチドの非天然ヌクレオチド、修飾ヌクレオチド、又は類似体を使用することができることが理解されるであろう。
上記のように、生体分子又は生物学的物質又は化学物質は、反応構造の反応凹部内の反応部位に固定されてもよい。このような生体分子又は生物学的物質は、干渉嵌め、接着、共有結合、又は捕捉によって、反応凹部内に物理的に保持又は固定化されてもよい。反応凹部内に配置され得る物品又は固体の例としては、ポリマービーズ、ペレット、アガロースゲル、粉末、量子ドット、又は反応チャンバ内で圧縮及び／又は保持され得る他の固体が挙げられる。特定の実施態様では、反応凹部は、ＤＮＡオリゴヌクレオチドに共有結合することができるヒドロゲル層でコーティング又は充填されてもよい。特定の実施例では、ＤＮＡボールなどの核酸超構造は、例えば、反応凹部の内面に取り付けることによって、又は反応凹部内に液体中に滞留することによって、反応凹部内又は反応凹部に配置することができる。ＤＮＡボール又は他の核酸超構造を実施することができ、次いで、反応凹部内又は反応凹部に配置することができる。あるいは、ＤＮＡボールは、反応凹部においてその場で合成することができる。反応凹部内に固定された物質は、固体、液体、又は気体状態であり得る。
本明細書で使用するとき、用語「検体」は、相対位置に従って他の点又は領域と区別することができるパターンの点又は領域を意味することを意図する。個々の分析物は、特定の種類の１つ又はそれ以上の分子を含むことができる。例えば、検体は、特定の配列を有する単一の標的核酸分子を含むことができ、又は検体は、同じ配列（及び／又はその相補的配列）を有するいくつかの核酸分子を含むことができる。パターンの異なる検体である異なる分子は、パターン内の検体の場所に従って互いに分化させることができる。例示的な検体としては、基材中のウェル、基材中又は基材上のビーズ（又は他の粒子）、基材からの突出部、基材上の隆起部、基材上のゲル材料のパッド、又は基材内のチャネルが挙げられる。
検出、特徴付け、又は識別される様々な標的検体のいずれも、本明細書に記載される装置、システム、又は方法で使用することができる。例示的な検体としては、限定するものではないが、核酸（例えば、ＤＮＡ、ＲＮＡ又はそれらの類似体）、タンパク質、多糖類、細胞、抗体、エピトープ、受容体、リガンド、酵素（例えば、キナーゼ、ホスファターゼ又はポリメラーゼ）、小分子薬物候補、細胞、ウイルス、生物などが挙げられるが、これらに限定されない。
用語「検体」、「核酸」、「核酸分子」、及び「ポリヌクレオチド」という用語は、本明細書において互換的に使用される。様々な実施態様では、核酸は、特定の種類の核酸分析のために、本明細書で提供されるようなテンプレート（例えば、核酸テンプレート、又は核酸テンプレートに相補的な核酸相補体）として使用されてもよく、核酸増幅、核酸発現解析、及び／又は核酸配列決定、又はこれらの好適な組み合わせが挙げられるが、これらに限定されない。特定の実施における核酸としては、例えば、３’－５’ホスホジエステル中のデオキシリボヌクレオチドの直鎖ポリマー、又はデオキシリボ核酸（ＤＮＡ）、例えば、一本鎖及び二本鎖ＤＮＡ、ゲノムＤＮＡ、コピーＤＮＡ若しくは相補的ＤＮＡ（ｃＤＮＡ）、組み換えＤＮＡ、又は任意の形態の合成ＤＮＡ若しくは修飾ＤＮＡが挙げられる。他の実施態様では、核酸としては、例えば、３’－５’ホスホジエステル中のリボヌクレオチドの直鎖ポリマー、又はリボ核酸（ＲＮＡ）などの他の結合、例えば、一本鎖及び二本鎖ＲＮＡ、メッセンジャー（ｍＲＮＡ）、コピーＲＮＡ又は相補的ＲＮＡ（ｃＲＮＡ）、あるいはスプライシングされたｍＲＮＡ、リボソームＲＮＡ、小核ＲＮＡ（ｓｎｏＲＮＡ）、ｍｉｃｒｏＲＮＡ（ｍｉＲＮＡ）、低干渉ＲＮＡ（ｓＲＮＡ）、ピウイＲＮＡ（ｐｉＲＮＡ）、又は任意の形態の合成若しくは修飾ＲＮＡ。本発明の組成物及び方法において使用される核酸は、長さが変化してもよく、無傷又は完全長の分子若しくは断片、又はより大きい核酸分子のより小さい部分であってもよい。特定の実施態様では、核酸は、本明細書の他の箇所に記載されるように、１つ又はそれ以上の検出可能な標識を有してもよい。
用語「検体」、「クラスター」、「核酸クラスター」、「核酸コロニー」、及び「ＤＮＡクラスター」は互換的に使用され、固体支持体に結合された核酸テンプレート及び／又はその相補体の複数のコピーを指す。典型的には、特定の好ましい実施態様では、核酸クラスターは、それらの５’末端を介して固体支持体に結合されたテンプレート核酸及び／又はその相補体の複数のコピーを含む。核酸クラスターを構成する核酸鎖のコピーは、一本鎖又は二本鎖形態であってよい。クラスター内に存在する核酸テンプレートのコピーは、例えば、標識部分の存在に起因して、互いに異なる対応する位置にヌクレオチドを有することができる。対応する位置はまた、異なる化学構造を有するが、ウラシル及びチミンの場合など、類似のＷａｔｓｏｎ－Ｃｒｉｃｋ塩基対形成特性を有するアナログ構造を含むことができる。
核酸のコロニーはまた、「核酸クラスター」と呼ばれることもある。核酸コロニーは、本明細書の他の箇所で更に詳細に記載されるように、クラスター増幅又はブリッジ増幅技術によって任意に作成することができる。標的配列の複数の反復は、ローリングサークル増幅手順を使用して作成された混乱剤などの単一の核酸分子中に存在し得る。
本発明の核酸クラスターは、使用される条件に応じて、異なる形状、サイズ、及び密度を有することができる。例えば、クラスターは、実質的に円形、多面、ドーナツ形、又はリング形状の形状を有することができる。核酸クラスターの直径は、約０．２μｍ～約６μｍ、約０．３μｍ～約４μｍ、約０．４μｍ～約３μｍ、約０．５μｍ～約２μｍ、約０．７５μｍ～約１．５μｍ、又は任意の介在直径であるように設計することができる。特定の実施態様において、核酸クラスターの直径は、約０．５μｍ、約１μｍ、約１．５μｍ、約２μｍ、約２．５μｍ、約３μｍ、約４μｍ、約５μｍ、又は約６μｍである。核酸クラスターの直径は、クラスターの産生において実施される増幅サイクルの数、核酸テンプレートの長さ、又はクラスターが形成される表面に付着したプライマーの密度を含むが、これらに限定されない多数のパラメータによって影響され得る。核酸クラスターの密度は、典型的には、０．１／ｍｍ２、１／ｍｍ２、１０／ｍｍ２、１００／ｍｍ２、１，０００／ｍｍ２、１０，０００／ｍｍ２～１００，０００／ｍｍ２の範囲であるように設計することができる。本発明は、一部では、より高密度の核酸クラスター、例えば、１００，０００／ｍｍ２～１，０００，０００／ｍｍ２、及び１，０００，０００／ｍｍ２～１０，０００，０００／ｍｍ２を更に企図する。
本明細書で使用するとき、「検体」は、検体又は視野内の対象領域である。マイクロアレイデバイス又は他の分子分析デバイスに関連して使用される場合、分析物は、類似又は同一の分子によって占有される領域を指す。例えば、検体は、増幅オリゴヌクレオチド、又は同じ又は類似の配列を有するポリヌクレオチド又はポリペプチドの任意の他の群であり得る。他の実施態様では、検体は、試料上の物理的領域を占有する任意の要素又は要素群であり得る。例えば、分析物は、ランドのパセル、水の本体などであってもよい。分析物が撮像されると、各検体は、一部の領域を有する。したがって、多くの実施態様では、分析物は、単に１つのピクセルではない。
検体間の距離は、任意の数の方法で説明することができる。いくつかの実施態様では、検体間の距離は、１つの分析物の中心から別の分析物の中心まで説明することができる。他の実施態様では、距離は、１つの分析物の縁部から別の分析物の縁部まで、又は各分析物の最も外側の識別可能な点間に記載することができる。分析物の縁部は、チップ上の理論的若しくは実際の物理的境界、又は分析物の境界内のいくつかの点として説明することができる。他の実施態様では、距離は、試料上の固定点、又は試料の画像に関して説明することができる。
一般に、分析方法に関して、いくつかの実施態様が本明細書に記載される。自動又は半自動化方法で方法を実行するためのシステムも提供されることが理解されるであろう。したがって、本開示は、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ベースコールシステムを提供し、システムは、プロセッサと、記憶装置と、画像解析用のプログラムと、を含むことができ、プログラムは、本明細書に記載される方法のうちの１つ又はそれ以上を実行するための命令を含む。したがって、本明細書に記載される方法は、例えば、本明細書に記載されるか又は技術分野において既知の構成要素を有するコンピュータ上で実行することができる。
本明細書に記載される方法及びシステムは、様々なオブジェクトのうちのいずれかを分析するのに有用である。特に有用な物体は、固体担体又は付着した検体を有する固相表面である。本明細書に記載される方法及びシステムは、ｘｙ平面における分析物の繰り返しパターンを有する物体と共に使用される場合、利点を提供する。一例は、細胞、ウイルス、核酸、タンパク質、抗体、炭水化物、小分子（薬物候補など）、生物学的活性分子、又は他の対象検体の集合を有するマイクロアレイである。
核酸及びポリペプチドなどの生物学的分子を有する検体を有するアレイの用途の数が増えてきた。このようなマイクロアレイは、典型的には、デオキシリボ核酸（ＤＮＡ）又はリボ核酸（ＲＮＡ）プローブが挙げられる。これらは、ヒト及び他の生物に存在するヌクレオチド配列に特異的である。特定の用途では、例えば、個々のＤＮＡ又はＲＮＡプローブをアレイの個々の検体に取り付けることができる。既知のヒト又は生物からのものなどの試験サンプルは、標的核酸（例えば、遺伝子断片、ｍＲＮＡ、又はアンプリコン）が配列中のそれぞれの検体で相補的プローブにハイブリダイズするように、アレイに曝露することができる。プローブは、標的特異的プロセス（例えば、標的核酸上に存在する標識に起因して、又は検体においてハイブリダイズした形態で存在するプローブ又は標的の酵素標識に起因して）標識することができる。次いで、分析物の上の特定の光の周波数を走査して、どの標的核酸が試料中に存在するかを特定することによって検査することができる。
生物学的マイクロアレイは、遺伝子配列決定及び類似の用途に使用され得る。一般に、遺伝子配列決定は、ＤＮＡ又はＲＮＡの断片などの標的核酸の長さのヌクレオチドの順序を決定することを含む。比較的短い配列は、典型的には、各分析物において配列決定され、得られた配列情報は、様々な生物情報科学法において使用されて、フラグメントが由来する多くの広範な長さの遺伝物質の配列を確実に決定するために、様々な生物情報科学法において使用されてもよい。特徴的断片の自動化されたコンピュータベースのアルゴリズムが開発されており、ゲノムマッピング、遺伝子の同定、及びそれらの機能などにおいて、より最近使用されてきた。マイクロアレイは、多数の変異体が存在するため、ゲノム含有量を特徴付けるのに特に有用であり、このことは、個々のプローブ及び標的に対して多くの実験を実施する代替物であるため、ゲノム含有量を特徴付けるのに特に有用である。マイクロアレイは、実用的な方法でこのような調査を実施するための理想的なフォーマットである。
技術分野において既知の様々な分析物アレイ（「マイクロアレイ」とも呼ばれる）のいずれも、本明細書に記載される方法又はシステムにおいて使用することができる。典型的なアレイは、それぞれが個々のプローブ又はプローブの集団を有する検体を含む。後者の場合、各検体におけるプローブの集団は、典型的には、単一種のプローブを有する均質である。例えば、核酸配列の場合、各検体は、それぞれ共通の配列を有する複数の核酸分子を有することができる。しかしながら、いくつかの実施態様では、アレイの各分析物における集団は、不均質であり得る。同様に、タンパク質配列は、単一のタンパク質又はタンパク質の集団を有する検体を有することができ、典型的には、同じアミノ酸配列を有するが、必ずしもそうではない。プローブは、例えば、プローブを表面に共有結合することによって、又はプローブと表面との非共有相互作用（複数可）を介して、アレイの表面に取り付けることができる。いくつかの実施態様では、核酸分子などのプローブは、例えば、それぞれ参照により本明細書に組み込まれる米国特許出願第１３／７８４，３６８号、及び米国特許第２０１１／００５９８６５（Ａ１）号に記載されるように、ゲル層を介して表面に付着させることができる。
例示的なアレイとしては、限定するものではないが、Ｉｌｌｕｍｉｎａ，Ｉｎｃから入手可能なＢｅａｄＣｈｉｐアレイ（Ｓａｎ Ｄｉｅｇｏ，Ｃａｌｉｆ．）又は他のもの、例えば、プローブが、表面上に存在するビーズ（例えば、表面上のウェル内のビーズ）に取り付けられる以下に記載されたものなどの他のものが挙げられる。米国特許第６，２６６，４５９号、米国特許第６，３５５，４３１号、米国特許第６，７７０，４４１号、米国特許第６，８５９，５７０号、又は米国特許第７，６２２，２９４号、又はＰＣＴ国際公開第００／６３４３７号。これらは、それぞれ参照により本明細書に組み込まれる。使用することができる市販のマイクロアレイの更なる例としては、例えば、ＶＬＳＩＰＳ（商標）（Ｖｅｒｙ Ｌａｒｇｅ Ｓｃａｌｅ Ｉｍｍｏｂｉｌｉｚｅｄ Ｐｏｌｙｍｅｒ Ｓｙｎｔｈｅｓｉｓ）技術と呼ばれることがある技術に従って合成されたＡｆｆｙｍｅｔｒｉｘ（登録商標）ＧｅｎｅＣｈｉｐ（登録商標）マイクロアレイ又は他のマイクロアレイが挙げられる。スポットされたマイクロアレイはまた、本開示のいくつかの実施態様による方法又はシステムにおいて使用することができる。例示的なスポッティングされたマイクロアレイは、Ａｍｅｒｓｈａｍ Ｂｉｏｓｃｉｅｎｃｅｓから入手可能なＣｏｄｅＬｉｎｋ（商標）Ａｒｒａｙである。有用な別のマイクロアレイは、Ａｇｉｌｅｎｔ Ｔｅｃｈｎｏｌｏｇｉｅｓから入手可能なＳｕｒｅＰｒｉｎｔＴＭ Ｔｅｃｈｎｏｌｏｇｙなどのインクジェット印刷法を使用して製造されるものである。
他の有用な配列としては、核酸配列決定用途で使用されるものが挙げられる。例えば、ゲノム断片（多くの場合、クラスターと呼ばれる）のアンプリコンを有する配列は、それぞれ参照により本明細書に組み込まれるＢｅｎｔｌｅｙ ｅｔ ａｌ．、Ｎａｔｕｒｅ ４５６：５３－５９（２００８）、国際公開第０４／０１８４９７号、国際公開第９１／０６６７８号、国際公開第０７／１２３７４４号、米国特許第７，３２９，４９２号、米国特許第７，２１１，４１４号、米国特許第７，３１５，０１９号、米国特許第７，４０５，２８１号、又は米国特許第７，０５７，０２６号、又は米国特許出願公開第２００８／０１０８０８２号に記載されているものなどが特に有用である。核酸配列決定に有用な別の種類の配列は、エマルションＰＣＲ技術から生成される粒子の配列である。実施例は、Ｄｒｅｓｓｍａｎ ｅｔ ａｌ．，Ｐｒｏｃ．Ｎａｔｌ．Ａｃａｄ．Ｓｃｉ．ＵＳＡ １００：８８１７－８８２２（２００３）、国際公開第０５／０１０１４５号、米国特許出願公開第２００５／０１３０１７３号又は米国特許出願公開第２００５／００６４４６０号に記載されており、これらはそれぞれその全体が参照により本明細書に組み込まれる。
核酸配列に使用される配列は、多くの場合、核酸分析物のランダムな空間パターンを有する。例えば、Ｉｌｌｕｍｉｎａ Ｉｎｃから入手可能なＨｉＳｅｑ又はＭｉＳｅｑ配列決定プラットフォーム（Ｓａｎ Ｄｉｅｇｏ，Ｃａｌｉｆ．）は、核酸配列がランダム播種、続いてブリッジ増幅によって形成されるフローセルを利用する。しかしながら、パターン化された配列は、核酸配列又は他の分析用途にも使用することができる。パターン化されたアレイの例、それらの使用方法及びその使用方法は、米国特許出願第１３／７８７，３９６号、米国特許出願第１３／７８３，０４３号、米国特許出願第１３／７８４，３６８号、米国特許出願公開第２０１３／０１１６１５３（Ａ１）号、及び米国特許出願公開第２０１２／０３１６０８６（Ａ１）号に記載されており、これらはそれぞれ参照により本明細書に組み込まれる。このようなパターン化された配列の分析物を使用して、単一の核酸テンプレート分子を捕捉して、例えば、ブリッジ増幅を介して、均質なコロニーの後続の形成を行うことができる。このようなパターン化された配列は、核酸配列決定用途に特に有用である。
アレイ（又は本明細書の方法又はシステムで使用される他の物体）上の検体のサイズは、特定の用途に適するように選択することができる。例えば、いくつかの実施態様では、アレイの分析物は、単一の核酸分子のみを収容するサイズを有することができる。このサイズ範囲の複数の検体を有する表面は、単一分子分解能で検出するための分子の配列を構築するのに有用である。このサイズ範囲の検体もまた、核酸分子のコロニーをそれぞれ含む検体を有するアレイでの使用にも有用である。したがって、アレイの検体はそれぞれ、約１ｍｍ２以下、約５００μｍ２以下、約１００μｍ２以下、約１０μｍ２以下、約１μｍ２以下、約５００ｎｍ２以下、又は約１００ｎｍ２以下、約１０ｎｍ２以下、約５ｎｍ２以下、又は約１ｎｍ２以下の面積を有することができる。代替的に又は追加的に、アレイの検体は、約１ｍｍ２以上、約５００μｍ２以上、約１００μｍ２以上、約１０μｍ２以上、約１μｍ２以上、約５００ｎｍ２以上、約１００ｎｍ２以上、約１０ｎｍ２以上、約５ｎｍ２以上、又は約１ｎｍ２以上である。実際に、検体は、上記に例示したものから選択される上限と下限との間の範囲内の大きさを有することができる。表面の検体のいくつかのサイズ範囲が核酸及び核酸のスケールに関して例示されてきたが、これらのサイズ範囲の検体は、核酸を含まない用途に使用できることが理解されるであろう。検体のサイズは、核酸用途に使用されるスケールに必ずしも限定される必要はないことが更に理解されるであろう。
分析物のアレイなどの複数の検体を有する物体を含む実施例では、検体は、互いの間の空間で分離されている、別個のものとすることができる。本発明において有用なアレイは、最大で１００μｍ、５０μｍ、１０μｍ、５μｍ、１μｍ、０．５μｍ以下の縁部から縁部までの距離によって分離される分析物を有することができる。代替的に又は追加的に、アレイは、少なくとも０．５μｍ、１μｍ、５μｍ、１０μｍ、５０μｍ、１００μｍ、又はそれ以上の縁部から縁部までの距離によって分離される分析物を有することができる。これらの範囲は、分析物の平均縁部間隔及び縁部間隔、並びに最小又は最大間隔に適用することができる。
いくつかの実施態様では、アレイの分析物は、別個である必要はなく、代わりに、隣接する検体は互いに当接することができる。検体が別個であるか否かに関わらず、検体及び／又は検体のピッチの大きさは、アレイが所望の密度を有することができるように変化し得る。例えば、規則的なパターンにおける平均分析物ピッチは、最大で１００μｍ、５０μｍ、１０μｍ、５μｍ、１μｍ、０．５μｍ以下であり得る。代替的に又は追加的に、規則的なパターンにおける平均分析物ピッチは、少なくとも０．５μｍ、１μｍ、５μｍ、１０μｍ、５０μｍ、１００μｍ、又はそれ以上であり得る。これらの範囲は、規則的なパターンの最大ピッチ又は最小ピッチにも適用することができる。例えば、規則的なパターンの最大分析物ピッチは、１００μｍ以下、５０μｍ以下、１０μｍ以下、５μｍ以下、１μｍ以下、０．５μｍ以下とすることができ、かつ／又は規則的なパターンにおける最小分析物ピッチは、少なくとも０．５μｍ、１μｍ、５μｍ、１０μｍ、５０μｍ、１００μｍ、又はそれ以上であり得る。
アレイ内の検体の密度は、単位面積当たりに存在する検体の数に関しても理解され得る。例えば、アレイに関する検体の平均密度は、少なくとも約１×１０３検体／ｍｍ２、１×１０４検体／ｍｍ２、１×１０５検体／ｍｍ２、１×１０６検体／ｍｍ２、１×１０６検体／ｍｍ２、１×１０７検体／ｍｍ２、１×１０８検体／ｍｍ２、又は１×１０９検体／ｍｍ２以上であり得る。あるいは、又はそれに加えて、アレイに関する検体の平均密度は、最大で約１×１０９検体／ｍｍ２、１×１０８検体／ｍｍ２、１×１０７検体／ｍｍ２、１×１０６検体／ｍｍ２、１×１０５検体／ｍｍ２、１×１０４検体／ｍｍ２、又は１×１０３検体／ｍｍ２以下であり得る。
上記の範囲は、例えば、分析物のアレイの全て又は一部を含む規則的なパターンの全て又は一部に適用することができる。
パターン内の検体は、様々な形状のいずれかを有することができる。例えば、アレイの表面上などの２次元平面で観察される場合、検体は、丸みを帯びた、円形、楕円形、矩形、正方形、対称、非対称、三角形、多角形などに見える場合がある。検体は、例えば六角形又は直線パターンを含む規則的な繰り返しパターンで配置することができる。パターンは、所望のレベルのパッキングを達成するように選択され得る。例えば、円形分析物は、六角形の配置で最適に充填される。当然のことながら、他の包装構成もまた、円形分析物のために使用することができ、逆もまた同様である。
パターンは、パターンの最小幾何学的単位を形成するサブセット内に存在する検体の数に関して特徴付けることができる。サブセットは、例えば、少なくとも約２、３、４、５、６、１０以上の検体を含み得る。分析物のサイズ及び密度に応じて、幾何学的単位は、１ｍｍ２、５００μｍ２、１００μｍ２、５０μｍ２、１０μｍ２、１μｍ２、５００ｎｍ２、１００ｎｍ２、５０ｎｍ２、１０ｎｍ２以下の面積を占めることができる。代替的に又は追加的に、幾何学的単位は、１０ｎｍ２、５０ｎｍ２、１００ｎｍ２、５００ｎｍ２、１μｍ２、１０μｍ２、５０μｍ２、１００μｍ２、５００μｍ２、１ｍｍ２以上の面積を占めることができる。形状、サイズ、ピッチなどの幾何学的単位における検体の特性は、アレイ又はパターンの検体に関して、より一般的に本明細書に記載されるものから選択することができる。
分析物の規則的なパターンを有するアレイは、検体の相対的な場所に対して順序付けられるが、各検体の１つ又はそれ以上の他の特性に対してランダムであってもよい。例えば、核酸配列の場合、核酸検体は、それらの相対的な位置に関して規則的であるが、任意の特定の分析物に存在する核酸種に関する配列の知識に関してランダムであってもよい。より具体的な例として、テンプレート核酸を有する検体の反復パターンを播種し、各検体でテンプレートを増幅して、分析物においてテンプレートのコピーを形成することによって形成される核酸配列（例えば、クラスター増幅又はブリッジ増幅を介して、核酸検体の規則的なパターンを有するが、配列にわたる核酸の配列の分布に関してランダムであろう。したがって、アレイ上の核酸材料の存在の検出は、分析物の繰り返しパターンをもたらすことができるのに対し、配列特異的検出は、アレイにわたる信号の非反復分布をもたらすことができる。
本明細書におけるパターン、順序、ランダム性などの説明は、アレイ上の検体などの物体上の検体にも関するだけでなく、画像中の検体にも関連することが理解されるであろう。したがって、パターン、順序、ランダム性などは、限定するものではないが、グラフィカルユーザーインターフェース又は他の出力デバイスなどのコンピュータ可読媒体又はコンピュータ構成要素を含むがこれらに限定されない、画像データを記憶、操作、又は通信するために使用される様々なフォーマットのうちのいずれかに存在することができる。
本明細書で使用するとき、用語「画像」は、オブジェクトの全て又は一部の表現を意味することを意図する。表現は、光学的に検出された再現であり得る。例えば、蛍光、発光、散乱、又は吸収信号から画像を得ることができる。画像内に存在するオブジェクトの部分は、物体の表面又は他のｘｙ面であり得る。典型的には、画像は２次元表現であるが、場合によっては、画像内の情報は、３つ又はそれ以上の次元から導出することができる。画像は、光学的に検出された信号を含む必要はない。非光信号を代わりに存在させることができる。画像は、本明細書の他の箇所に記載されるもののうちの１つ又はそれ以上などの、コンピュータ可読フォーマット又は媒体に提供することができる。
本明細書で使用するとき、「画像」は、試料又は他の物体の少なくとも一部分の再現又は表現を指す。いくつかの実施態様では、再現は、例えばカメラ又は他の光学検出器によって生成される光再現である。再現は、非光学的再現、例えば、ナノ細孔分析物のアレイから得られる電気信号の表現、又はイオン感応性ＣＭＯＳ検出器から得られた電気信号の表現であり得る。特定の実施態様では、非光学的再現性は、本明細書に記載される方法又は装置から除外され得る。画像は、例えば、１００μｍ、５０μｍ、１０μｍ、５μｍ、１μｍ、又は０．５μｍ未満離れたものを含む、様々な間隔のいずれかで存在する検体の検体を区別することができる解像度を有することができる。
本明細書で使用するとき、「取得」、「取得」、及び同様の用語は、画像ファイルを取得するプロセスの任意の部分を指す。いくつかの実施態様では、データ取得は、標本の画像を生成することと、標本内の信号を探すことと、信号の画像を探すか又は生成するように検出デバイスに指示することと、画像ファイルの更なる分析又は変換のための命令、及び画像ファイルの任意の数の変換又は操作のための命令を与えることと、を含むことができる。
本明細書で使用するとき、用語「テンプレート」は、信号又は検体間の場所又は関係の表現を指す。したがって、いくつかの実施態様では、テンプレートは、検体中の検体に対応する信号の表現を有する物理的グリッドである。いくつかの実施態様では、テンプレートは、チャート、テーブル、テキストファイル、又は分析物に対応する場所を示す他のコンピュータファイルであり得る。本明細書に提示される実施態様では、異なる基準点で捕捉された試料の画像のセットにわたって検体の場所を追跡するためにテンプレートが生成される。例えば、テンプレートは、別の分析物に対する１つの分析物の方向及び／又は距離を記述するｘ、ｙ座標、又は一連の値であり得る。
本明細書で使用するとき、用語「標本」は、画像が取り込まれる物体又は物体の領域を指すことができる。例えば、画像が土壌の表面から撮影される実施例では、ランドのパセルは、標本であり得る。生体分子の分析がフローセル内で行われる他の実施態様では、フローセルは、任意の数のサブディビジョンに分割されてもよく、これらのそれぞれは検体であってもよい。例えば、フローセルは、様々な流路又はレーンに分割されてもよく、各レーンは、画像化される２、３、４、５、６、７、８、９、１０、２０、３０、４０、５０、６０、７０、８０、９０、１００、１１０、１２０、１４０、１６０、１８０、２００、４００、６００、８００、１０００個以上の別個の領域に更に分割され得る。フローセルの一例は８つのレーンを有し、各レーンは１２０個の標本又はタイルに分割されている。別の実施態様では、試料は、複数のタイル、又は更にはフローセル全体で作製されてもよい。したがって、各検体の画像は、撮像されるより大きい表面の領域を表すことができる。
本明細書に記載される範囲及び連続数リストへの言及は、列挙された数だけではなく、列挙された数字間の全ての実数を含むことが理解されるであろう。
本明細書で使用するとき、「参照点」は、画像間の任意の時間的又は物理的区別を指す。好ましい別の実施態様では、基準点は時間点である。より好ましい実施態様では、参照点は、配列決定反応中の時点又はサイクルである。しかしながら、用語「基準点」は、画像を区別又は分離することができる、角度、回転、時間、又は他の態様などの画像を区別又は分離する他の態様を含むことができる。
本明細書で使用するとき、「画像のサブセット」は、セット内の画像のグループを指す。例えば、サブセットは、画像のセットから選択される１、２、３、４、６、８、１０、１２、１４、１６、１８、２０、３０、４０、５０、６０又は任意の数の画像を含んでもよい。特定の別の実施態様では、サブセットは、１、２、３、４、６、８、１０、１２、１４、１６、１８、２０、３０、４０、５０、６０以下、又は画像のセットから選択される任意の数の画像を含んでもよい。好ましい別の実施態様では、画像は、各サイクルに相関する４つの画像を有する１つ又はそれ以上の配列決定サイクルから得られる。したがって、例えば、サブセットは、４サイクルにわたって取得された１６画像のグループであり得る。
塩基は、ヌクレオチド塩基又はヌクレオチド、（アデニン）、Ｃ（シトシン）、Ｔ（チミン）、又はＧ（グアニン）を指す。本出願は、「塩基（複数可）」及び「ヌクレオチド（複数可）」を互換的に使用する。
用語「染色体」は、ＤＮＡ及びタンパク質成分（特にヒストントン）を含むクロマチンストランドに由来する、生きている細胞の本発明の有効性を有する遺伝子キャリアを指す。本明細書では、従来の国際的に認識されている個々のヒトゲノム染色体番号付けシステムが本明細書で使用される。
「部位」という用語は、参照ゲノム上の固有の位置（例えば、染色体ＩＤ、染色体位置及び配向）を指す。いくつかの実施態様では、部位は、残基、配列タグ、又は配列上のセグメントの位置であってもよい。用語「遺伝子座」は、参照染色体上の核酸配列又は多型の特定の位置を指すために使用されてもよい。
本明細書における用語「試料」は、典型的には、配列決定及び／又はフェーズドされる核酸を含有する生物液、細胞、組織、器官、又は生物に由来するサンプル、又は配列決定及び／又はフェーズドされる核酸配列を少なくとも１つ含有する核酸の混合物に由来するサンプルを指す。このような試料としては、痰／口腔流体、羊水、血液、血液画分、細針生検試料（例えば、外科生検、針生検など）、尿、腹膜流体、胸膜流体、組織外植片、臓器培養物、及びこれらの任意の他の組織若しくは細胞調製物、又はこれらの画分若しくは誘導体が挙げられるが、これらに限定されない。サンプルは、多くの場合、ヒト被験者（例えば、患者）から採取されるが、試料は、イヌ、ネコ、ウマ、ヤギ、ヒツジ、ウシ、ブタなどを含むがこれらに限定されない、染色体を有する任意の生物から採取することができる。試料は、生物学的源から得られるように、又は試料の特性を修正する前処理後に、直接使用することができる。例えば、このような前処理は、血漿を血液から調製すること、粘性流体を希釈することなどを含んでもよい。前処理の方法には、濾過、沈殿、希釈、蒸留、混合、遠心分離、凍結、凍結乾燥、濃縮、増幅、核酸断片化、干渉成分の不活性化、試薬の添加、溶解などを含んでもよいが、これらに限定されない。
用語「配列」は、互いに結合されたヌクレオチドの鎖を含むか、又はそれを表す。ヌクレオチドは、ＤＮＡ又はＲＮＡに基づくことができる。１つの配列は、複数のサブシーケンスを含んでもよいことを理解されたい。例えば、単一の配列（例えば、ＰＣＲアンプリコン）は、３５０ヌクレオチドを有してもよい。サンプル読み取りは、これらの３５０ヌクレオチド内に複数のサブシーケンスを含んでもよい。例えば、サンプル読み取りは、例えば、２０－５０ヌクレオチドを有する第１及び第２のフランキングサブシーケンスを含んでもよい。第１及び第２の隣接するサブシーケンスは、対応するサブシーケンス（例えば、４０－１００ヌクレオチド）を有する反復セグメントの両側に位置してもよい。隣接するサブ配列のそれぞれは、プライマーサブ配列（例えば、１０－３０ヌクレオチド）を含んでもよい（又はその一部を含み得る）。読書を容易にするために、用語「サブ配列」は「配列」と称されるが、２つの配列は、共通のストランド上で互いに別個である必要はないことが理解される。本明細書に記載の様々な配列を区別するために、配列は、異なる標識（例えば、標的配列、プライマー配列、隣接配列、参照配列など）を与えられてもよい。「対立遺伝子」などの他の用語は、同様の物体を区別するために異なるラベルを与えられてもよい。アプリケーションは、「読み取り（単数又は複数）」及び「シーケンス読み取り（単数又は複数）」を互換的に使用する。
用語「ｐａｉｒｅｄ ｅｎｄ ｓｅｑｕｅｎｃｉｎｇ」は、標的フラグメントの両端を配列する配列決定方法を指す。ペレッドエンド配列決定は、ゲノム再構成及び反復セグメントの検出、並びに遺伝子融合及び新規転写物の検出を容易にし得る。パイレッドエンド配列決定の方法は、国際公開第０７０１０２５２号、国際出願第ＰＣＴＧＢ２００７／００３７９８号、及び米国特許出願公開第２００９／００８８３２７号に記載されており、これらはそれぞれ参照により本明細書に組み込まれる。一実施例では、一連の操作は、以下のように実施されてもよく、（ａ）核酸のクラスターを生成する、（ｂ）核酸を直鎖化すること、（ｃ）第１の配列決定プライマーをハイブリダイズし、伸長の繰り返しサイクル、走査及び脱ブロッキングを行う。（ｄ）相補的なコピーを合成することによって、フロー細胞表面上の標的核酸を「反転」し、（ｅ）再合成された鎖を直鎖化し、（ｆ）第２配列決定プライマーをハイブリダイズし、伸長の繰り返しサイクル、走査及び脱ブロッキングを行う。反転操作は、ブリッジ増幅の単一サイクルについて上述した試薬を送達することができる。
用語「参照ゲノム」又は「参照配列」は、対象からの同定された配列を参照するために使用され得る任意の生物の部分的又は完全ないずれかの特定の既知のゲノム配列を指す。例えば、ヒト被験者に使用される参照ゲノム、並びに多くの他の生物が、Ｎａｔｉｏｎａｌ Ｃｅｎｔｅｒ ｆｏｒ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ Ｉｎｆｏｒｍａｔｉｏｎ ａｔ ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖで見出される。「ゲノム」は、核酸配列で発現される、生物又はウイルスの完全な遺伝子情報を指す。ゲノムは、ＤＮＡの遺伝子及び非コード配列の両方を含む。参照配列は、それに位置合わせされたリードよりも大きくてもよい。例えば、それは、少なくとも約１００倍大きい、又は少なくとも約１０００倍大きい、又は少なくとも約１０，０００倍大きい、又は少なくとも約１０５倍大きい、又は少なくとも約１０６倍大きい、又は少なくとも約１０７倍大きい場合がある。一実施例では、参照ゲノム配列は、完全長ヒトゲノムのものである。別の例では、参照ゲノム配列は、１３番染色体などの特定のヒト染色体に限定される。いくつかの実施態様では、参照染色体は、ヒトゲノムバージョンｈｇ１９からの染色体配列である。このような配列は、染色体参照配列と呼ばれる場合があるが、用語参照ゲノムは、そのような配列を網羅することを意図している。参照配列の他の例としては、他の種のゲノム、並びに任意の種の染色体、サブ染色体領域（ストランドなど）などが挙げられる。様々な実施態様では、参照ゲノムは、複数の個体に由来するコンセンサース配列又は他の組み合わせである。しかしながら、特定の用途では、参照配列は、特定の個体から採取されてもよい。他の実施態様では、「ゲノム」はまた、ゲノム配列の特定の記憶形式及び表現を使用するいわゆる「グラフゲノム」も被覆する。一実施態様では、グラフゲノムは、線形ファイルにデータを記憶する。別の実施態様では、グラフゲノムは、代替的な配列（例えば、小さな差異を有する染色体の異なるコピー）がグラフ内の異なる経路として記憶されている表現を指す。グラフゲノムの実施に関する更なる情報は、ｈｔｔｐｓ：／／ｗｗｗ．ｂｉｏｒｘｉｖ．ｏｒｇ／ｃｏｎｔｅｎｔ／ｂｉｏｒｘｉｖ／ｅａｒｌｙ／２０１８／０３／２０／１９４５３０．ｆｕｌｌ．ｐｄｆにおいて見出すことができ、その内容は参照によりその全体が本明細書に組み込まれる。
用語「読み取られる」は、ヌクレオチドサンプル又は参照のフラグメントを記述する配列データの集合を指す。用語「読み取られる」は、サンプル読み取り及び／又は参照読み取りを指し得る。典型的には、必ずしもそうではないが、読み取りは、サンプル又は参照における連続的な塩基対の短いシーケンスを表す。読み取りは、サンプル又は参照フラグメントのベース対配列（ＡＴＣＧ）によって記号的に表されてもよい。読み取りが基準シーケンスと一致するか、又は他の基準を満たすかを判定するために、メモリデバイスに記憶され、適切に処理されてもよい。読み取りは、配列決定機器から直接、又はサンプルに関する記憶された配列情報から間接的に得られてもよい。場合によっては、例えば、染色体又はゲノム領域又は遺伝子に位置合わせされ、特異的に割り当てられ得る、より大きな配列又は領域を同定するために使用することができる十分な長さ（例えば、少なくとも約２５ｂｐ）のＤＮＡ配列である。
次世代配列決定法としては、例えば、合成技術（Ｉｌｌｕｍｉｎａ）、ピロ配列決定（４５４）、イオン半導体技術（Ｉｏｎ Ｔｏｒｒｅｎｔ ｓｅｑｕｅｎｃｉｎｇ）、一分子リアルタイム配列決定（Ｐａｃｉｆｉｃ Ｂｉｏｓｃｉｅｎｃｅｓ）及びライゲーションによる配列決定（ＳＯＬｉＤ配列決定）が挙げられる。配列決定法に応じて、各読み取りの長さは、約３０ｂｐ～１０，０００ｂｐを超えて変化し得る。例えば、ＳＯＬｉＤシーケンサを用いたＤＮＡ配列決定法は、約５０ｂｐの核酸リードを生成する。別の例では、Ｉｏｎ Ｔｏｒｒｅｎｔ Ｓｅｑｕｅｎｃｉｎｇは、最大４００ｂｐの核酸リードを生成し、４５４のピロ配列は、約７００ｂｐの核酸リードを生成する。更に別の例では、単分子リアルタイム配列決定法は、１０，０００ｂｐ～１５，０００ｂｐのリードを生成し得る。したがって、特定の実施態様では、核酸配列のリードは、３０－１００ｂｐ、５０－２００ｂｐ、又は５０－４００ｂｐの長さを有する。
用語「サンプル読み取り」、「サンプル配列」又は「サンプル断片」は、サンプルから対象とするゲノム配列に関する配列データを指す。例えば、サンプル読み取りは、順方向及び逆方向プライマー配列を有するＰＣＲアンプリコンからの配列データを含む。配列データは、任意の選択配列手順から得ることができる。サンプルの読み取りは、例えば、配列単位合成（ＳＢＳ）反応、配列決定・ライゲーション反応、又は反復要素の長さ及び／若しくは同一性を決定することが望ましい任意の他の好適な配列決定方法であり得る。サンプル読み取りは、複数のサンプル読み取りに由来するコンセンサース（例えば、平均又は加重）配列であり得る。特定の実施態様では、参照配列を提供する工程は、ＰＣＲアンプリコンのプライマー配列に基づいて目的の遺伝子座を同定することを含む。
用語「生フラグメント」は、サンプル読み取り又はサンプル断片内の対象とする指定位置又は二次位置に少なくとも部分的に重なり合う、対象とするゲノム配列の一部の配列データを指す。生産物断片の非限定的な例としては、二重ステッチされた断片、単純なステッチされたフラグメント、及び単純な非ステッチの断片が挙げられる。用語「生」は、生のフラグメントがサンプル読み取りにおける配列データとのいくつかの関係を有する配列データを含むことを示すために使用され、生のフラグメントが、サンプル読み取りにおける潜在的変異体に対応し、かつそれを認証又は確認する支持変異体を示すかどうかに関わらず、使用される。用語「生フラグメント」は、フラグメントが、サンプル読み取りにおける変異型コールを検証する支持変異体を必ずしも含むことを示すものではない。例えば、サンプル読み取りが、第１の変異体を呈するために、変異型呼び出しアプリケーションによって判定されるとき、この変異型呼び出しアプリケーションは、１つ又はそれ以上の生のフラグメントが、サンプル読み取りにおける変異体を考慮して、そうでなければ発生することが予想され得る、対応する種類の「支持」変異体を欠くと判定することができる。
用語「マッピング」、「整列された」、「整列している」、又は「整列する」という用語は、読み取り又はタグを参照シーケンスと比較し、それによって、参照配列が読み取りシーケンスを含むかどうかを判定するプロセスを指す。参照配列が読み取られた場合、読み取りは参照シーケンスにマップされてもよく、又は特定の別の実施態様では、参照シーケンス内の特定の位置にマッピングされてもよい。いくつかの場合において、整列は、読み取りが特定の参照配列のメンバーであるか否か（すなわち、読み取りが参照配列中に存在するか又は存在していないか）を単に伝える。例えば、ヒト染色体１３についての参照配列に対する読み取りの位置合わせは、１３番染色体の参照配列中に読み取りが存在するかどうかを伝える。この情報を提供するツールは、設定メンバシップ試験機と呼ばれることがある。場合によっては、位置合わせは、読み取り又はタグマップがある参照シーケンス内の位置を更に示す。例えば、参照配列がヒトゲノム配列全体である場合、アライメントは、染色体１３上にリードが存在することを示してもよく、更に、読み取られたものが染色体１３の特定の鎖及び／又は部位にあることを更に示してもよい。
用語「インデル」は、生物のＤＮＡ中の塩基の挿入及び／又は欠失を指す。マイクロインデルは、１～５０ヌクレオチドの正味変化をもたらすインデルを表す。インデルの長さが３の倍数でない限り、ゲノムの領域をコードする際に、フレームシフト変異が生じる。インデルは、点突然変異と対比することができる。インデル挿入物は、配列からヌクレオチドを欠失させるが、点変異は、ＤＮＡ中の全体的な数を変えることなくヌクレオチドのうちの１つを置き換える置換の形態である。インデルはまた、隣接するヌクレオチドにおける置換として定義され得るＴａｎｄｅｍ Ｂａｓｅ変異（ＴＢＭ）と対比することもできる（主に２つの隣接するヌクレオチドで置換されるが、隣接する３つのヌクレオチドでの置換が観察された。
用語「変異体」は、核酸参照とは異なる核酸配列を指す。典型的な核酸配列変異体としては、限定するものではないが、単一のヌクレオチド多型（ＳＮＰ）、短い欠失及び挿入多型（Ｉｎｄｅｌ）、コピー数変動（ＣＮＶ）、マイクロ衛星マーカー、又は短いタンデム反復及び構造変異が挙げられる。体細胞変異体の呼び出しは、ＤＮＡサンプル中に低頻度で存在する変異体を同定するための努力である。体細胞変異体のコーリングは、癌治療の文脈において対象となる。癌は、ＤＮＡにおける変異の蓄積によって引き起こされる。腫瘍由来のＤＮＡサンプルは、一般的に不均質であり、いくつかの正常細胞、癌進行の早期段階（より少ない突然変異を伴う）、及び一部の後期細胞（より多くの変異を有する）を含む。この不均一性のため、腫瘍を配列決定するとき（例えば、ＦＦＰＥサンプルから）、体細胞変異は、多くの場合、低頻度で現れる。例えば、ＳＮＶは、所与の塩基を被覆するリードの１０％のみに見られ得る。変異体分類子によって体細胞又は生殖細胞系として分類される変異体は、本明細書では「試験中の変異体」とも称される。
用語「ノイズ」は、配列決定プロセス及び／又は変異型呼び出しアプリケーションにおける１つ又はそれ以上の誤差から生じる、誤りのある変異型コールを指す。
用語「変異体頻度」は、集団内の特定の遺伝子座における対立遺伝子（遺伝子の変異体）の相対頻度を表し、分画又は割合として表される。例えば、分画又は割合は、その対立遺伝子を保有する集団中の全ての染色体の割合であってもよい。一例として、サンプル変異体頻度は、個体から対象となるゲノム配列について得られたリード及び／又はサンプルの数に対応する「集団」にわたって、対象とするゲノム配列に沿った特定の遺伝子座／位置における対立遺伝子／変異体の相対頻度を表す。別の例として、ベースライン変異体頻度は、１つ又はそれ以上のベースラインゲノム配列に沿った特定の遺伝子座／位置における対立遺伝子／変異体の相対頻度を表し、ここで、１つ又はそれ以上のベースラインゲノム配列について得られた、１つ又はそれ以上のベースラインゲノム配列に沿った特定の遺伝子座／位置における対立遺伝子／変異体の相対頻度を表す。
用語「変異型対立遺伝子頻度（ＶＡＦ）」は、変異体を標的位置での全体的な被覆率で割った、配列決定されたリードの割合を指す。ＶＡＦは、変異体を保有する配列決定されたリードの割合の尺度である。
用語「位置」、「指定位置」、及び「遺伝子座」は、ヌクレオチド配列内の１つ又はそれ以上のヌクレオチドの位置又は座標を指す。用語「位置」、「指定位置」、及び「遺伝子座」はまた、ヌクレオチドの配列における１つ又はそれ以上の塩基対の位置又は座標を指す。
用語「ハプロタイプ」は、互いに遺伝する染色体上の隣接する部位における対立遺伝子の組み合わせを指す。ハプロタイプは、存在する場合、所与の座の組の間に生じた組み換え事象の数に応じて、１つの遺伝子座、いくつかの座、又は染色体全体であってもよい。
本明細書における「閾値」という用語は、サンプル、核酸、又はその一部（例えば、読み取り）を特徴付けるためのカットオフとして使用される数値又は数値を指す。閾値は、経験的分析に基づいて変化してもよい。閾値は、そのような値を生じさせる源が特定の方法で分類されるべきかどうかを判定するために、測定値又は計算値と比較することができる。閾値は、経験的又は分析的に識別することができる。閾値の選択は、ユーザーが分類を行う必要があることを望む信頼度に依存する。閾値は、特定の目的（例えば、感度及び選択性のバランスのために）選択されてもよい。本明細書で使用するとき、用語「閾値」は、分析の過程が変化し得る点、及び／又はアクションがトリガされ得る点を示す。閾値は、所定の数である必要はない。その代わりに、閾値は、例えば、複数の因子に基づく関数であってもよい。閾値は、状況に適応し得る。更に、閾値は、上限、下限、又は限界間の範囲を示し得る。
いくつかの実施態様では、配列決定データに基づく指標又はスコアは、閾値と比較され得る。本明細書で使用するとき、用語「メトリック」又は「スコア」は、配列決定データから決定された値又は結果を含んでもよく、又は配列決定データから決定された値又は結果に基づく関数を含んでもよい。閾値と同様に、指標又はスコアは、状況に適応し得る。例えば、指標又はスコアは、正規化された値であってもよい。スコア又はメトリックの例として、１つ又はそれ以上の実施態様は、データを分析する際にカウントスコアを使用することができる。計数スコアは、サンプル読み取りの数に基づいてもよい。サンプル読み取りは、サンプル読み取りが少なくとも１つの共通の特性又は品質を有するように、１つ又はそれ以上のフィルタリング段階を経ていてもよい。例えば、計数スコアを決定するために使用されるサンプル読み取りのそれぞれは、参照配列と整列されていてもよく、又は潜在的な対立遺伝子として割り当てられてもよい。共通の特性を有するサンプル読み取りの数をカウントして、読み取りカウントを決定することができる。カウントスコアは、読み取りカウントに基づいてもよい。いくつかの実施態様では、計数スコアは、読み取りカウントと等しい値であってもよい。他の実施例では、計数スコアは、読み取りカウント及び他の情報に基づいてもよい。例えば、計数スコアは、遺伝子座の特定の対立遺伝子の読み取りカウント、及び遺伝子座の合計リード数に基づいてもよい。いくつかの実施態様では、計数スコアは、遺伝子座の読み出しカウント及び以前に得られたデータに基づいてもよい。いくつかの実施態様では、計数スコアは、所定の値間の正規化スコアであってもよい。計数スコアはまた、サンプルの他の遺伝子座からのリードカウントの関数、又は対象となるサンプルと同時に実行された他のサンプルからのリードカウントの関数であってもよい。例えば、計数スコアは、特定の対立遺伝子の読み取りカウント及びサンプル中の他の遺伝子座の読み取りカウント、及び／又は他のサンプルからのリードカウントの関数であってもよい。一例として、他の遺伝子座からのリードカウント及び／又は他のサンプルからのリードカウントを使用して、特定の対立遺伝子についての計数スコアを正規化してもよい。
用語「被覆率」又は「断片被覆率」は、配列の同じフラグメントに対する多数のサンプルリードの計数又は他の尺度を指す。読み取りカウントは、対応するフラグメントをカバーするリードの数のカウントを表し得る。あるいは、被覆率は、履歴知識、サンプルの知識、遺伝子座の知識などに基づく指定された因子を、読み取りカウントに掛けることによって決定されてもよい。
用語「読み取り深さ」（従来、「ｘ」が続く数）は、標的位置における重複アラインメントを伴う配列決定されたリードの数を指す。これは、多くの場合、１組の間隔（エキソン、遺伝子、又はパネルなど）のカットオフを超える平均又は百分率として表現される。例えば、臨床報告は、パネル平均被覆率が、標的化されたベースカバー＞１００ｘの９８％を有する１，１０５ｘであると言うことができる。
用語「ベースコール品質スコア」又は「Ｑスコア」は、単一の配列決定された塩基が正しい確率に反比例する０－５０からの範囲のＰＨＲＥＤスケールされた確率を指す。例えば、２０のＱを有するＴベースコールは、９９．９９％の確率で正しいと考えられる。Ｑ＜２０での任意のベースコールは、低品質であると見なされるべきであり、変異体を支持する配列決定されたリードのかなりの割合が低い場合に同定される任意の変異体は、潜在的に偽陽性であると見なされるべきである。
用語「変異体リード」又は「変異体リード番号」は、変異体の存在を支持する配列決定されたリードの数を指す。
「ストリンデディティー」（又はＤＮＡストランド）に関して、ＤＮＡ中の遺伝的メッセージは、文字Ａ、Ｇ、Ｃ、及びＴの文字、例えば、５’－ＡＧＧＡＣＡ－３’として表すことができる。多くの場合、配列は、本明細書に示される方向、すなわち、５’端を左に、３’端を右に書き込む。ＤＮＡは、（特定のウイルスのように）一本鎖分子として生じる場合があるが、通常、二本鎖単位としてＤＮＡを見つける。これは、２つの抗平行ストランドを有する二重螺旋構造を有する。この場合、「逆平行」という語は、２つのストランドが平行に走るが、反対の極性を有することを意味する。二本鎖ＤＮＡは、塩基とペアリングによって一緒に保持され、ペアリングは、アデニン（Ａ）対がチミン（Ｔ）及びシトシン（Ｃ）対とグアニン（Ｇ）との対となるように、常に保持される。このペアリングは相補性と呼ばれ、１本のＤＮＡ鎖は、他方の相補体であると言われる。したがって、二本鎖ＤＮＡは、このように、２つのストリングとして表され得る：５’－ＡＧＧＡＣＡ－３’及び３’－ＴＣＣＴＧＴ－５’。２つのストランドは、反対の極性を有することに留意されたい。したがって、２つのＤＮＡ鎖のストランド性は、基準ストランド及びその補体、順方向及び逆方向ストランド、トップ及びボトムストランド、センス及びアンチセンスストランド、又はＷａｔｓｏｎ及びＣｒｉｃｋストランドと呼ぶことができる。
リードアライメント（リードマッピングとも呼ばれる）は、ゲノム中の配列が由来する場合に、参照するプロセスである。整列が行われると、所与の読み取りの「マッピング品質」又は「マッピング品質スコア（ＭＡＰＱ）」は、ゲノム上のその位置が正しい確率を定量化する。マッピング品質は、位相スケールで符号化され、Ｐはアライメントが正しくない確率である。確率は、以下のように計算される。式Ｐ＝１０（－ＭＡＱ／１０）中、ＭＡＰＱはマッピング品質である。例えば、－４の電力に対する４０＝１０のマッピング品質は、読み取りが不正確に位置合わせされた０．０１％の機会が存在することを意味する。したがって、マッピング品質は、読み取りの基本品質、参照ゲノムの複雑性、及びパレッドエンド情報などのいくつかの位置合わせ因子と関連付けられる。最初に、読み取りの基本品質が低い場合、観察された配列が誤っている可能性があり、したがってそのアライメントが誤っていることを意味する。第２に、マッピング能力はゲノムの複雑さを指す。反復領域は、これらの領域に含まれるマップ及びリードをマッピングすることがより困難であり、通常、マッピング品質が低くなる。この文脈では、ＭＡＰＱは、リードが一意的に整列されておらず、それらの実際の原点を決定することができないという事実を反映する。第３に、パリッドエンド配列決定データの場合、コンコダント対は、より良好に整列される可能性が高い。マッピング品質が高いほど、アライメントがより良好である。良好なマッピング品質と整合された読み取りは、通常、読み出しシーケンスが良好であり、高いマッピング可能領域内ではわずかな不一致と位置合わせされたことを意味する。ＭＡＰＱ値は、アライメント結果の品質管理として使用することができる。２０よりも高いＭＡＰＱと位置合わせされたリードの割合は、通常、下流分析のためである。
本明細書で使用するとき、「信号」は、例えば画像内の発光、好ましくは発光などの検出可能な事象を指す。したがって、好ましい別の実施態様では、信号は、画像内に捕捉された任意の検出可能な発光（すなわち、「スポット」）を表すことができる。したがって、本明細書で使用するとき、「信号」は、検体の分析物からの実際の放出の両方を指すことができ、実際の分析物と相関しない擬似発光を指すことができる。したがって、信号はノイズから生じ得、試験片の実際の分析物を代表しないように後に廃棄することができる。
本明細書で使用するとき、用語「塊」は、一群の信号を指す。特定の実施態様では、信号は、異なる検体に由来する。好ましい別の実施態様では、信号塊は、一緒にクラスター化する信号群である。より好ましい実施態様では、シグナル凝集は、１つの増幅オリゴヌクレオチドによって覆われた物理的領域を表す。各信号塊は、理想的には、いくつかの信号（テンプレートサイクル当たり１つ、恐らくはクロストークによってより多く）として観察されるべきである。したがって、２つ（又はそれ以上）の信号が同じ信号の塊からテンプレートに含まれる、重複する信号が検出される。
本明細書で使用するとき、「最小」、「最大」、「最小化」、「最大化」、及びその文法的変異形などの用語は、絶対最大値又は最小値ではない値を含むことができる。いくつかの実施態様では、値は、最大値及び最小値付近を含む。他の実施例では、値は、局所的最大値及び／又は局所最小値を含むことができる。いくつかの実施態様では、値は、絶対最大値又は最小値のみを含む。
本明細書で使用するとき、「クロストーク」は、別個の画像においても検出される１つの画像内の信号の検出を指す。好ましい別の実施態様では、クロストークは、放出された信号が２つの別個の検出チャネルで検出されるときに発生し得る。例えば、放射された信号が１つの色で発生する場合、その信号の放射スペクトルは、別の色で別の放射された信号と重なってもよい。好ましい実施態様では、ヌクレオチド塩基Ａ、Ｃ、Ｇ、及びＴの存在を示すために使用される蛍光分子は、別個のチャネルで検出される。しかし、Ａ及びＣの発光スペクトルは重複するため、色チャネルを使用した検出中に、Ｃ色信号の一部が検出され得る。したがって、Ａ信号とＣ信号との間のクロストークにより、１つのカラー画像からの信号が他のカラー画像に現れることを可能にする。いくつかの実施態様では、Ｇ及びＴクロストークがある。いくつかの実施態様では、チャネル間のクロストークの量は非対称である。チャネル間のクロストークの量は、とりわけ、適切な放射スペクトルを有する信号分子の選択、並びに検出チャネルのサイズ及び波長範囲の選択によって制御され得ることが理解されるであろう。
本明細書で使用するとき、「レジスタ」、「登録」、「登録」、及び同様の用語は、画像又はデータセット内の信号を、別の時点又は視点からの画像又はデータセット内の信号と相関させるための任意のプロセスを指す。例えば、位置合わせを使用して、画像のセットからの信号を整列させてテンプレートを形成することができる。別の例では、位置合わせを使用して、他の画像からの信号をテンプレートに位置合わせすることができる。１つの信号は、別の信号に直接又は間接的に登録されてもよい。例えば、画像「Ｓ」からの信号は、画像「Ｇ」に直接登録されてもよい。別の例として、画像「Ｎ」からの信号は、画像「Ｇ」に直接登録されてもよく、あるいは、画像「Ｎ」からの信号は、以前に画像「Ｇ」に登録された画像「Ｓ」に登録されてもよい。したがって、画像「Ｎ」からの信号は、画像「Ｇ」に間接的に登録される。
本明細書で使用するとき、用語「基準」は、物体内又は物体上の区別可能な基準点を意味することを意図する。基準点は、例えば、マーク、第２の物体、形状、縁部、領域、不規則性、チャネル、ピット、ポストなどであり得る。基準点は、オブジェクトの画像内に、又はオブジェクトを検出することに由来する別のデータセット内に存在することができる。基準点は、物体の平面内のｘ及び／又はｙ座標によって指定することができる。代替的に又は追加的に、基準点は、例えば、物体と検出器との相対位置によって定義される、ｘｙ平面に直交するｚ座標によって指定することができる。基準点に対する１つ又はそれ以上の座標は、オブジェクトの１つ又はそれ以上の他の分析物、又はオブジェクトに由来する画像又は他のデータセットに対して指定することができる。
本明細書で使用するとき、用語「光信号」は、例えば、蛍光、発光、散乱、又は吸収信号を含むことを意図する。光信号は、紫外線（ＵＶ）範囲（約２００～３９０ｎｍ）、可視（ＶＩＳ）範囲（約３９１～７７０ｎｍ）、赤外線（ＩＲ）範囲（約０．７７１～２５マイクロメートル）、又は電磁スペクトルの他の範囲で検出することができる。これらの範囲のうちの１つ又はそれ以上の全て又は一部を除外する方法で、光信号を検出することができる。
本明細書で使用するとき、用語「信号レベル」は、所望又は所定の特性を有する検出されたエネルギー又は符号化された情報の量又は量を意味することを意図する。例えば、光信号は、強度、波長、エネルギー、周波数、電力、輝度などのうちの１つ又はそれ以上によって定量化することができる。他の信号は、電圧、電流、電界強度、磁場強度、周波数、電力、温度などの特性に従って定量化することができる。信号の不在は、ゼロの信号レベル、又はノイズとは有意に区別されない信号レベルであると理解される。
本明細書で使用するとき、用語「シミュレートする」は、物理又は行動の特性を予測する物理的又は行動の表現又はモデルを作成することを意味することを意図する。表現又はモデルは、多くの場合、そのもの又は行動と区別可能であり得る。例えば、表現又はモデルは、色、被加工、サイズ、又は形状の全て又は一部から検出される信号の強度などの１つ又はそれ以上の特性に対するものと区別することができる。特定の実施態様では、表現又はモデルは、何か又は行為と比較して、理想化、誇張、ミュート、又は不完全であり得る。したがって、いくつかの実施態様では、モデルの表現は、例えば、上記の特性のうちの少なくとも１つに関して表すものであることを表すものであることができる。表現又はモデルは、本明細書の他の箇所に記載されるもののうちの１つ又はそれ以上などのコンピュータ可読フォーマット又は媒体に提供され得る。
本明細書で使用するとき、用語「特定の信号」は、背景エネルギー又は情報などの他のエネルギー又は情報にわたって選択的に観察される、検出されたエネルギー又は符号化情報を意味することを意図する。例えば、特定の信号は、特定の強度、波長、若しくは色で検出される光信号、特定の周波数、電力若しくは場強度で検出される電気信号、又は分光及び分析検出に関する技術分野において既知の他の信号であり得る。
本明細書で使用するとき、用語「スイング」は、物体の矩形部分を意味することを意図する。スイングは、ストリップの最長寸法に平行な方向に、物体と検出器との間の相対移動によって走査される細長いストリップであり得る。一般に、矩形部分又はストリップの幅は、その全長に沿って一定である。物体の複数のスエージは、互いに平行であってもよい。物体の複数のスエージは、互いに重なり合い、互いに隣接するか、又は間質領域によって互いに分離され得る。
本明細書で使用するとき、用語「分散」は、予想される差、及び観察される差、又は２つ又はそれ以上の観測結果間の差を意味することを意図する。例えば、分散は、期待値と測定値との間の不一致であり得る。標準偏差、標準偏差の二乗、変動係数などの統計関数を使用して、分散を表すことができる。
本明細書で使用するとき、用語「ｘｙ座標」は、ｘｙ平面内の位置、サイズ、形状、及び／又は向きを指定する情報を意味することを意図する。情報は、例えば、デカルトシステムにおける数値座標であり得る。座標は、ｘ軸及びｙ軸の一方又は両方に対して提供することができ、又はｘｙ平面内の別の場所に対して提供することができる。例えば、物体の検体の座標は、対象物の基準又は他の分析物の位置に対する検体の場所を指定することができる。
本明細書で使用するとき、用語「ｘｙ平面」は、直線軸ｘ及びｙによって画定される２次元領域を意味することを意図する。検出器及び検出器によって観察される物体を参照して使用される場合、検出器と検出されている物体との間の観測方向に直交するように更に指定することができる。
本明細書で使用するとき、用語「ｚ座標」は、ｘｙ平面に直交する軸に沿った点、線、又は領域の位置を指定する情報を意味することを意図する。特定の別の実施態様では、ｚ軸は、検出器によって観察される物体の領域に直交する。例えば、光学系の焦点の方向は、ｚ軸に沿って指定されてもよい。
いくつかの実施態様では、獲得された信号データは、アフィン変換を用いて変換される。いくつかのそのような実施態様では、テンプレートの生成は、色チャネル間のアフィン変換が走る間に一貫しているという事実を使用する。この一貫性のため、標本中の検体の座標を決定する際に、デフォルトオフセットのセットを使用することができる。例えば、デフォルトオフセットファイルは、Ａチャネルなどの１つのチャネルに対する異なるチャネルに対する相対変換（シフト、スケール、スキュー）を含むことができる。しかしながら、他の実施態様では、ラン中及び／又は走る間の色チャネルドリフト間のオフセットは、オフセット駆動型テンプレート生成を困難にする。このような実施例では、本明細書で提供される方法及びシステムは、オフセットしたテンプレート生成を利用することができ、これについては以下で更に説明する。
上記の実施態様のいくつかの態様では、システムはフローセルを含み得る。一部の態様では、フローセルは、レーン、又は他の構成のタイルを含み、タイルの少なくとも一部は、１つ又はそれ以上の検体群を含む。一部の態様では、検体は、核酸などの複数の分子を含む。特定の態様では、フローセルは、標識されたヌクレオチド塩基を核酸の配列に送達し、それによって、核酸を含む検体に対応するシグナルを生成するように、検体内の核酸にハイブリダイズするプライマーを伸長させるように構成される。好ましい実施態様では、検体内の核酸は、互いに同一又は実質的に同一である。
本明細書に記載される画像解析システムのいくつかにおいて、画像のセット内の各画像は、色信号を含み、異なる色は、異なるヌクレオチドベースに対応する。一部の態様では、画像のセットの各画像は、少なくとも４つの異なる色から選択される単一の色を有する信号を含む。一部の態様では、画像のセット内の各画像は、４つの異なる色から選択される単一の色を有する信号を含む。本明細書に記載されるシステムのいくつかにおいて、核酸は、４つの異なる画像を生成するように、４つの異なる標識ヌクレオチド塩基を分子の配列に提供することにより、核酸を配列決定することができ、各画像は単一の色を有するシグナルを含み、信号色が、４つの異なる画像のそれぞれに対して異なることにより、核酸内の特定の位置に存在する４つの可能なヌクレオチドに対応する４つのカラー画像のサイクルを生成する、方法。特定の態様では、システムは、追加の標識ヌクレオチド塩基を分子の配列に送達するように構成されたフローセルを含み、それによって複数のカラー画像のサイクルを生成する。
好ましい実施態様形態では、本明細書で提供される方法は、プロセッサがアクティブにデータを取得しているか、又はプロセッサが低活動状態にあるかどうかを判定することを含み得る。多数の高品質画像を取得及び記憶することは、典型的には、大量の記憶容量を必要とする。更に、取得され記憶されると、画像データの分析はリソース集約的になり得、追加の画像データの取得及び記憶などの他の機能の処理能力を妨げる可能性がある。したがって、本明細書で使用するとき、用語「低活動状態」は、所与の時間におけるプロセッサの処理能力を指す。いくつかの実施態様では、低活動状態は、プロセッサがデータを取得及び／又は記憶していないときに生じる。いくつかの実施態様では、一部のデータ取得及び／又はストレージが行われる場合には、低いアクティビティ状態が生じるが、他の機能に干渉することなく画像解析が同時に生じ得るように、追加の処理能力が残る。
本明細書で使用するとき、「競合を特定する」とは、複数のプロセスがリソースに対して競合する状況を特定することを指す。いくつかのそのような実施態様では、１つのプロセスは、別のプロセスに対して優先度を与えられる。いくつかの実施態様では、競合は、時間、処理能力、記憶能力、又は優先度が与えられる任意の他のリソースの割り当てに対する優先度を与える必要性に関連し得る。したがって、いくつかの実施態様では、処理時間又は容量が、データセットを分析し、データセットを取得及び／又は記憶するかのいずれかなどの２つのプロセス間に分散される場合、２つのプロセス間の不一致が存在し、プロセスのうちの１つに優先度を与えることによって解決することができる。
本明細書では、画像解析を実行するためのシステムも提供される。システムは、プロセッサと、記憶容量と、画像解析用のプログラムと、を含むことができ、プログラムは、記憶のための第１のデータセット及び分析のための第２のデータセットを処理するための命令を含み、処理は、記憶装置上の第１のデータセットを取得及び／又は記憶することと、プロセッサが第１のデータセットを取得していないときに第２のデータセットを解析することと、を含む。特定の態様では、プログラムは、第１のデータセットを取得及び／又は記憶することと、第２のデータセットを解析することとの間の競合の少なくとも１つのインスタンスを識別するための命令を含み、第１のデータセットを取得及び／又は記憶することが優先度を与えられるように、画像データを取得及び／又は記憶することが優先される。特定の態様では、第１のデータセットは、光学撮像装置から取得された画像ファイルを含む。特定の態様では、システムは、光学撮像装置を更に備える。一部の態様では、光学撮像装置は、光源と検出デバイスとを備える。
本明細書で使用するとき、用語「プログラム」は、タスク又はプロセスを実行するための命令又はコマンドを指す。用語「プログラム」は、用語「モジュール」と互換的に使用され得る。特定の実施態様では、プログラムは、同じコマンドセットの下で実行される様々な命令のコンパイルであり得る。他の実施態様では、プログラムは、別個のバッチ又はファイルを参照することができる。
以下に記載されるのは、本明細書に記載される画像解析を実行するための方法及びシステムを利用する驚くべき効果の一部である。いくつかの配列決定の実現例では、配列決定システムの有用性の重要な尺度は、その全体的な効率である。例えば、１日当たりに生成されるマッピング可能なデータの量、並びに器具の設置及び実行の総コストは、経済的な配列決定ソリューションの重要な態様である。マッピング可能なデータを生成し、システムの効率を高めるための時間を短縮するために、リアルタイムのベースコールを機器コンピュータ上で有効にすることができ、配列決定ケミストリー及び画像化と並行して実行することができる。これにより、配列決定化学仕上げの前に、データ処理及び分析が完了することを可能にする。更に、中間データに必要な記憶を低減し、ネットワークを横切って移動する必要があるデータの量を制限することができる。
シーケンス出力が増加している間、本明細書で提供されるシステムからネットワークに転送された実行ごとのデータ、及び二次分析処理ハードウェアは、実質的に減少している。機器コンピュータ（取得コンピュータ）上でデータを変換することにより、ネットワークロードが劇的に低減される。これらのオン機器、オフネットワークデータ低減技術を伴わずに、ＤＮＡ配列決定機器のフレットの画像出力は、ほとんどのネットワークをクリップルするであろう。
ハイスループットＤＮＡ配列決定機器の広範な採用は、使用の容易さ、用途の範囲に対する支持、及び実質的に任意のｌａｂ環境に対する適合性によって、部分的に駆動されてきた。本明細書に提示される高度に効率的なアルゴリズムは、配列決定インスツルメントを制御することができる単純なワークステーションに、有意な分析機能を加えることを可能にする。計算ハードウェアの必要条件のこの低減は、配列決定出力レベルが増加し続けるにつれて、更に重要となる、いくつかの実用的な利点を有する。例えば、単純なタワー、熱生成、実験室設置面積、及び電力消費を最小限に抑えるために、画像解析及びベースコールを行うことによって、最小に保たれる。対照的に、他の商業的な配列決定技術は、１次分析のために、最大５回の処理電力で、そのコンピューティングインフラストラクチャを最近ランプアップして、熱出力及び電力消費の増加を開始する。したがって、いくつかの実施態様では、本明細書で提供される方法及びシステムの計算効率は、サーバハードウェアを最小限に抑えながら、それらの配列決定スループットを増加させることを可能にする。
したがって、いくつかの実施態様では、本明細書に提示される方法及び／又はシステムは、状態マシンとして機能し、各試料の個々の状態の追跡を保ち、試料が次の状態に進む準備ができていることを検出すると、適切な処理を行い、試料をその状態に前進させる。状態マシンがファイルシステムを監視して、好ましい実施例に従って試料が次の状態に進む準備ができているかを判定する方法のより詳細な例が、以下の実施例１に記載されている。
好ましい実施態様では、本明細書で提供される方法及びシステムは、マルチスレッドであり、構成可能な数のスレッドと協働することができる。したがって、例えば、核酸配列決定の文脈において、本明細書で提供される方法及びシステムは、リアルタイム分析のためのライブ配列決定実行中に背景において作用することができ、又はオフライン分析のために既存の画像データセットを使用して実行することができる。特定の好ましい実施形態では、方法及びシステムは、それぞれのスレッドを、それが関与する検体のそれ自体のサブセットを与えることによって、マルチスレッドを取り扱う。これにより、スレッド保持の可能性が最小限に抑えられる。
本開示の方法は、検出装置を使用して物体の標的画像を取得する工程を含むことができ、この画像は、オブジェクト上の検体の繰り返しパターンを含む。表面の高解像度撮像が可能な検出装置が特に有用である。特定の実施態様では、検出装置は、本明細書に記載される密度、ピッチ、及び／又は検体サイズにおける検体を区別するのに十分な分解能を有するであろう。表面から画像又は画像データを得ることができる検出装置が特に有用である。例示的な検出器は、物体と検出器とを静的関係に維持しつつ、面積画像を取得するように構成されたものである。走査装置も使用することができる。例えば、連続領域画像を取得する装置（例えば、「ステップ及びショット」検出器と呼ばれる）を使用することができる。また、物体の表面上の点又は線を連続的に走査して、表面の画像を構築するためにデータを蓄積するデバイスも有用である。点走査検出器は、表面のｘ－ｙ平面内のラスタ運動を介してオブジェクトの表面上の点（すなわち、小さい検出領域）を走査するように構成することができる。線走査検出器は、物体の表面のｙ次元に沿った線を走査するように構成することができ、この線の最長寸法は、ｘ次元に沿って生じる。検出デバイス、物体、又はその両方を移動させて、走査検出を達成できることが理解されるであろう。例えば核酸配列決定用途において特に有用な検出装置は、米国特許出願公開第２０１２／０２７０３０５（Ａ１）号、米国特許出公開願第２０１３／００２３４２２（Ａ１）号、及び米国特許出公開願第２０１３／０２６０３７２（Ａ１）号、及び米国特許第５，５２８，０５０号、米国特許第５，７１９，３９１号、米国特許第８，１５８，９２６号及び米国特許第８，２４１，５７３号に記載されており、これらはそれぞれ、参照により本明細書に組み込まれる。
本明細書に開示される実施態様は、ソフトウェア、ファームウェア、ハードウェア、又はそれらの任意の組み合わせを生成するためのプログラミング技術又は工学技術を使用して、製造方法、装置、システム、又は物品として実施態様されてもよい。本明細書で使用するとき、用語「製造物品」は、光学記憶デバイスなどのハードウェア又はコンピュータ可読媒体、並びに揮発性又は不揮発性メモリデバイス内に実施態様されるコード又は論理を指す。そのようなハードウェアとしては、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、粗粒度再構成可能構造（ＣＧＲＡ）、特定用途向け集積回路（ＡＳＩＣ）、複合プログラマブル論理デバイス（ＣＰＬＤ）、プログラマブルロジックアレイ（ＰＬＡ）、マイクロプロセッサ、又は他の同様の処理装置が挙げられるが、これらに限定されない。特定の実施態様では、本明細書に記載される情報又はアルゴリズムは、非一過性記憶媒体中に存在する。
特定の実施態様形態では、本明細書に記載されるコンピュータ実装の方法は、物体の複数の画像が取得されている間、リアルタイムで発生することができる。このようなリアルタイム分析は、核酸配列が流体及び検出工程の繰り返しサイクルに供される核酸配列決定用途に特に有用である。配列決定データの分析は、多くの場合、本明細書に記載される方法をリアルタイム又は背景で実行するのに有益であり得る一方で、他のデータ獲得又は分析アルゴリズムがプロセス中である間に、本明細書に記載される方法を実行することが有益であり得る。本方法で使用することができるリアルタイム分析法の例は、Ｉｌｌｕｍｉｎａ，Ｉｎｃ（Ｓａｎ Ｄｉｅｇｏ，Ｃａｌｉｆ．）から市販されており、及び／又は、参照により本明細書に組み込まれる米国特許出願公開第２０１２／００２０５３７（Ａ１）号に記載されているＭｉＳｅｑ及びＨｉＳｅｑ配列決定機器に使用されるものである。
１つ又はそれ以上のプログラムされたコンピュータによって形成され、本明細書に記載される方法の１つ又はそれ以上のステップを実行するために実行されるコードを有するプログラミングが、１つ又はそれ以上の機械可読媒体上に記憶されている、例示的データ分析システム。一実施態様では、例えば、システムは、標的オブジェクトからデータを取得するように構成された１つ又はそれ以上の検出システム（例えば、光学撮像システム）へのシステムのネットワーキングを可能にするように設計されたインターフェースを含む。インターフェースは、適切な場合には、データを受信及び条件することができる。特定の実施態様では、検出システムは、例えば、アレイ又は他の物体の画像を一緒に形成する個々の画像要素又はピクセルを表す画像データを出力する。プロセッサは、処理コードによって定義された１つ又はそれ以上のルーチンに従って、受信した検出データを処理する。処理コードは、様々な種類のメモリ回路に記憶されてもよい。
現時点で企図される実施態様によれば、検出データ上で実行される処理コードは、検出データを分析して、データ内で可視又は符号化された個々の検体の場所、及び分析物が検出されない場所（すなわち、分析物が存在しないか、又は、既存の分析物から有意な信号が検出されない場所）及びメタデータを判定するように設計されたデータ分析ルーチンを含む。特定の実施態様では、アレイ内の検体位置は、典型的には、撮像された検体に付着した蛍光染料の存在に起因して、非検体位置よりも明るく見える。検体は、例えば、検体におけるプローブの標的が検出されているアレイ内に存在しない場合、分析物は、それらの周囲領域よりも明るく見える必要はないことが理解されるであろう。個々の検体が現れる色は、使用される染料、並びに撮像目的のために撮像システムによって使用される光の波長の関数であり得る。標的が結合されていない、又は特定のラベルを有さない検体は、マイクロアレイ内の予想される場所などの他の特性に従って特定することができる。
データ分析ルーチンがデータ中に個々の分析物を配置すると、値割り当てが実行され得る。一般に、値割り当ては、対応する場所における検出器構成要素（例えば、ピクセル）によって表されるデータの特性に基づいて、各分析物にデジタル値を割り当てる。すなわち、例えば、画像化データが処理されるとき、値割り当てルーチンは、特定の場所で特定の色又は波長の光が特定の場所で検出されたことを認識するように設計されてもよい。典型的なＤＮＡ画像化用途では、例えば、４つの共通ヌクレオチドは、４つの別個の区別可能な色によって表される。次いで、各色は、そのヌクレオチドに対応する値を割り当てられてもよい。
本明細書で使用するとき、用語「モジュール」、「システム」、又は「システムコントローラ」は、１つ又はそれ以上の機能を実行するように動作するハードウェア及び／又はソフトウェアシステム及び回路を含み得る。例えば、モジュール、システム、又はシステムコントローラは、コンピュータメモリなどの有形及び非一時的コンピュータ可読記憶媒体上に記憶された命令に基づいて動作を実行する、コンピュータプロセッサ、コントローラ、又は他のログベースのデバイスを含んでもよい。あるいは、モジュール、システム、又はシステムコントローラは、有線論理及び回路に基づいて動作を実行する、有線デバイスを含んでもよい。添付の図面に示されるモジュール、システム、又はシステムコントローラは、ソフトウェア又は結線命令に基づいて動作するハードウェア及び回路、ハードウェアを動作させるように命令するソフトウェア、又はそれらの組み合わせを表し得る。モジュール、システム、又はシステムコントローラは、１つ又はコンピュータマイクロプロセッサなどの１つ又はそれ以上のプロセッサを含む、及び／又はそれと接続されるハードウェア回路又は回路を含むか、又は表すことができる。
本明細書で使用するとき、用語「ソフトウェア」及び「ファームウェア」は互換可能であり、ＲＡＭメモリ、ＲＯＭメモリ、ＥＰＲＯＭメモリ、ＥＥＰＲＯＭメモリ、及び不揮発性ＲＡＭ（ＮＶＲＡＭ）メモリを含むコンピュータによって実行されるメモリに記憶された任意のコンピュータプログラムを含む。上記メモリタイプは単なる例であり、コンピュータプログラムの記憶に使用可能なメモリの種類に限定されるものではない。
分子生物学分野では、使用中の核酸配列決定のためのプロセスの１つは、配列番号合成である。この技術は、非常に平行な配列決定プロジェクトに適用することができる。例えば、自動プラットフォームを使用することにより、数百万の配列決定反応を同時に行うことが可能である。したがって、本発明の実施態様の１つは、核酸配列決定中に生成された画像データを取得、記憶、及び分析するための器具及び方法に関する。
取得及び記憶することができるデータ量の莫大なゲインは、合理化された画像解析方法を更により有益にする。例えば、本明細書に記載される画像解析方法は、設計者及びエンドユーザーの両方が、既存のコンピュータハードウェアの効率的な使用を行うことを可能にする。したがって、本明細書では、迅速に増加するデータ出力の面における処理データの計算量を低減する方法及びシステムが本明細書に提示される。例えば、ＤＮＡ配列決定の分野では、収率は最近の過程で１５倍に拡大され、ＤＮＡ配列決定デバイスの単一の実行において何百ギガーゼに達する可能性がある。計算インフラストラクチャの要件が比例的に増加した場合、大規模なゲノム規模の実験は、ほとんどの研究者に到達していない。したがって、より多くの生シーケンスデータの生成は、二次分析及びデータ記憶の必要性を増加させ、データ輸送及び記憶の最適化を非常に有益にする。本明細書に提示される方法及びシステムのいくつかの実施態様は、使用可能なシーケンスデータを生成するために必要な時間、ハードウェア、ネットワーキング、及び実験室インフラストラクチャ要件を低減することができる。
本開示は、方法を実行するための様々な方法及びシステムを説明する。方法のいくつかの例は、一連の工程として記載される。しかしながら、実施態様は、本明細書に記載される特定の工程及び／又は工程の順序に限定されないことを理解されたい。工程は省略されてもよく、工程は修正されてもよく、及び／又は他の工程が追加されてもよい。更に、本明細書に記載される工程を組み合わせることができ、工程は同時に実行されてもよく、工程は同時に実行されてもよく、工程は複数のサブステップに分割されてもよく、工程は、異なる順序で実行されてもよく、又は工程（又は一連の工程）は、反復的に再実行されてもよい。加えて、本明細書には異なる方法が記載されているが、他の実施態様では、異なる方法（又は異なる方法の工程）を組み合わせてもよいことを理解されたい。
いくつかの実施態様では、タスク又は動作を実行するように「構成された」処理ユニット、プロセッサ、モジュール、又はコンピューティングシステムは、タスク又は動作を実行するように特に構造化されていると理解され得る（例えば、タスク又は動作を実行するように調整又は意図された、及び／又はタスク若しくは動作を実行するように調整若しくは意図された１つ又はそれ以上のプログラム又は命令を有すること、及び／又はタスク若しくは動作を実行するように調整又は意図された処理回路の配置を有する）。明確さ及び疑義の回避のために、汎用コンピュータ（適切にプログラムされた場合にタスク又は動作を実行するように構成された」となり得る）汎用コンピュータは、タスク又は動作を実行するために具体的にプログラム又は構造的に変更されない限り、タスク又は動作を実行するように「構成されている」ように構成されていない）。
更に、本明細書に記載される方法の操作は、操作が、商業的に妥当な時間期間内に、当業者には、平均的なヒト又は当業者によって実施されることができないように、十分に複雑であり得る。例えば、この方法は、そのような人が商業的に妥当な時間内で方法を完了できないように、比較的複雑な計算に依存し得る。
本出願全体を通して、様々な刊行物、特許、又は特許出願が参照されている。これらの出版物の全体の開示は、本発明が属する技術分野の状態をより完全に説明するために、本出願において参照により本明細書に組み込まれる。
用語「含む（comprising）」は、本明細書では、列挙された要素のみならず、任意の追加の要素を更に包含する、オープンエンドであることが意図される。
本明細書で使用するとき、用語「それぞれ」は、項目の集合を参照して使用されるとき、集合内の個々の項目を特定することを意図しているが、必ずしも集合内の全ての項目を指すものではない。明示的な開示又は文脈がそうでないことを明確に指示する場合、例外が生じ得る。
上記の実施例を参照して本発明を説明したが、本発明から逸脱することなく様々な修正を行うことができることを理解されたい。
本出願のモジュールは、ハードウェア又はソフトウェアで実施態様することができ、図に示されるように、正確に同じブロックで分割される必要はない。いくつかは、異なるプロセッサ若しくはコンピュータ上に実施態様されてもよく、又は多数の異なるプロセッサ若しくはコンピュータの中で広がることもできる。加えて、モジュールの一部は、達成される機能に影響を及ぼすことなく、図に示されるものとは並行して、又は異なる順序で操作され得ることが理解されるであろう。また、本明細書で使用するとき、用語「モジュール」は、モジュールを構成するために本明細書で考慮することができる、「サブモジュール」を含むことができる。モジュールとして指定された図のブロックはまた、方法におけるフローチャート工程と考えることができる。
本明細書で使用するとき、情報項目の「識別」は、その情報の項目の直接仕様を必ずしも必要としない。情報は、単に、一方向の１つ又はそれ以上の層を通じた実際の情報を単に参照することによって、又は情報の実際の項目を決定するのに十分である異なる情報の１つ又はそれ以上のアイテムを識別することによって、フィールド内で「識別され得る」ことができる。加えて、用語「指定する」は、本明細書では、「識別する」と同じであることを意味する。
本明細書で使用するとき、所与の信号、イベント又は値は、「前デセサー信号、イベント又は前デセサー信号の値、所与の信号、イベント、又は値によって影響されるイベント又は値に依存する。介在処理要素、工程又は期間が存在する場合、所与の信号、イベント、又は値は、「前デセサー信号、イベント又は値」に依存して「存在する」ことができる。介在処理要素又はステップが２つ又はそれ以上の信号、イベント、又は値を組み合わせる場合、処理要素又はステップの信号出力は、「信号、イベント、又は値入力のそれぞれ」に依存していると見なされる。所与の信号、イベント又は値が前デセサー信号、イベント又は値と同じである場合、これは単に、所与の信号、イベント、又は値が「前デセサー信号、イベント又は値」に依存して「依存して」又は「依存して」又は「ベースデセサー信号、イベント又は値」に基づいて、「依存して」又は「依存する」と見なされる。別の信号、イベント又は値に対する所与の信号、イベント、又は値の「応答性」は、同様に定義される。
本明細書で使用するとき、「並行して」又は「並行して」は、正確な同時性を必要としない。個人の１人の評価が、個人の別の評価が完了する前に開始する場合に十分である。
（コンピュータシステム）
図８２は、本明細書に開示される技術を実施態様するために配列決定システム８００Ａによって使用され得るコンピュータシステム８２００である。コンピュータシステム８２００は、バスサブシステム８２５５を介して多数の周辺デバイスと通信する、少なくとも１つの中心処理装置（ＣＰＵ）８２７２を含む。これらの周辺デバイスは、例えば、メモリデバイス及びファイルストレージサブシステム８２３６、ユーザーインターフェース入力デバイス８２３８、ユーザーインターフェース出力デバイス８２７６及びネットワークインターフェースサブシステム８２７４を含む記憶サブシステム８２１０を含むことができる。入力及び出力デバイスは、コンピュータシステム８２００とのユーザー対話を可能にする。ネットワークインターフェースサブシステム８２７４は、他のコンピュータシステム内の対応するインターフェースデバイスへのインターフェースを含む外部ネットワークへのインターフェースを提供する。
一実施態様では、システムコントローラ７８０６は、記憶サブシステム８２１０及びユーザーインターフェース入力デバイス８２３８に通信可能にリンクされている。
ユーザーインターフェース入力デバイス８２３８は、キーボードと、マウス、トラックボール、タッチパッド、又はグラフィックスタブレットなどのポインティングデバイスと、スキャナーと、ディスプレイに組み込まれたタッチスクリーンと、音声認識システム及びマイクロフォンなどのオーディオ入力デバイスと、他の種類の入力デバイスと、を含むことができる。一般に、用語「入力デバイス」の使用は、コンピュータシステム８２００に情報を入力するための全ての可能な種類のデバイス及び方法を含むことを意図する。
ユーザーインターフェース出力デバイス８２７６は、ディスプレイサブシステム、プリンタ、ファックス装置、又はオーディオ出力デバイスなどの非視覚ディスプレイを含むことができる。ディスプレイサブシステムは、ＬＥＤディスプレイ、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）などのフラットパネルデバイス、投影デバイス、又は可視画像を作成するための何らかの他の機構を含むことができる。ディスプレイサブシステムはまた、音声出力デバイスなどの非視覚ディスプレイを提供することができる。一般に、用語「出力装置」の使用は、コンピュータシステム８２００からユーザー又は別のマシン若しくはコンピュータシステムに情報を出力するための、全ての可能な種類のデバイス及び方法を含むことを意図する。
記憶サブシステム８２１０は、本明細書に記載されるモジュール及び方法のうちのいくつか又は全ての機能を提供するプログラミング及びデータ構築物を記憶する。これらのソフトウェアモジュールは、概して、深層学習プロセッサ８２７８によって実行される。
深層学習プロセッサ８２７８は、グラフィック処理ユニット（ＧＰＵ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、及び／又は粗粒化再構成可能構造（ＣＧＲＡｓ）であり得る。深層学習プロセッサ８２７８は、Ｇｏｏｇｌｅ Ｃｌｏｕｄ Ｐｌａｔｆｏｒｍ（商標）、Ｘｉｌｉｎｘ（商標）及びＣｉｒｒａｓｃａｌｅ（商標）などの深層学習クラウドプラットフォームによってホスティングすることができる。深層学習プロセッサ８２７８の例としては、Ｇｏｏｇｌｅのテンソル処理ユニット（ＴＰＵ）（商標）、ＧＸ４ Ｒａｃｋｍｏｕｎｔ Ｓｅｒｉｅｓ（商標）、ＧＸ８２ Ｒａｃｋｍｏｕｎｔ Ｓｅｒｉｅｓ（商標）、ＮＶＩＤＩＡ ＤＧＸ－１（商標）、Ｍｉｃｒｏｓｏｆｔ’Ｓｔｒａｔｉｘ Ｖ ＦＰＧＡ（商標）、ＧｒａｐｈｃｏｒｅのＩｎｔｅｌｌｉｇｅｎｔ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ（ＩＰＵ）（商標）、Ｓｎａｐｄｒａｇｏｎ ｐｒｏｃｅｓｓｏｒｓ（商標）、ＮＶＩＤＩＡのＶｏｌｔａ（商標）、ＮＶＩＤＩＡのドライブＰＸ（商標）、ＮＶＩＤＩＡのＪＥＴＳＯＮ ＴＸ１／ＴＸ２ ＭＯＤＵＬＥ（商標）、Ｉｎｔｅｌ’ｓ Ｎｉｒｖａｎａ（商標）、Ｍｏｖｉｄｉｕｓ ＶＰＵ（商標）、Ｆｕｊｉｔｓｕ ＤＰＩ（商標）、アームＤｙｎａｍｉｃＩＱ（商標）、ＩＢＭ ＴｒｕｅＮｏｒｔｈ（商標）、Ｌａｍｂｄａ ＧＰＵサーバをＴｅｓｔａ Ｖ１００ｓＴＭ及び他のものと使用した。
記憶サブシステム８２１０で使用されるメモリサブシステム８２２２は、プログラム実行中に命令及びデータを記憶するためのメインランダムアクセスメモリ（ＲＡＭ）８２３２と、固定命令が記憶された読み取り専用メモリ（ＲＯＭ）８２３４とを含む多数のメモリを含むことができる。ファイル記憶サブシステム８２３６は、プログラム及びデータファイルのための永続的な記憶装置を提供することができ、ハードディスクドライブ、関連する取り外し可能な媒体、ドライブ、光学ドライブ、又は取り外し可能な媒体カートリッジを含むことができる。特定の実施態様の機能を実施態様するモジュールは、ストレージサブシステム８２１０内のファイル記憶サブシステム８２３６によって、又はプロセッサによってアクセス可能な他のマシン内に記憶され得る。
バスサブシステム８２５５は、コンピュータシステム８２００の様々な構成要素及びサブシステムを、意図されるように互いに通信するための機構を提供する。バスサブシステム８２５５は、単一のバスとして概略的に示されているが、バスサブシステムの代替実施態様は、複数のバスを使用することができる。
コンピュータシステム８２００自体は、パーソナルコンピュータ、ポータブルコンピュータ、ワークステーション、コンピュータ端末、ネットワークコンピュータ、テレビ、メインフレーム、サーバファーム、緩く分散した一組の緩くネットワーク化されたコンピュータ、又は任意の他のデータ処理システム若しくはユーザーデバイスを含む様々なタイプのものであり得る。コンピュータ及びネットワークの変化の性質により、図８２に示されるコンピュータシステム８２００の説明は、本発明の好ましい実施態様を例示する目的のための特定の例としてのみ意図される。コンピュータシステム８２００の多くの他の構成は、図８２に示されるコンピュータシステムよりも多く又は少ない構成要素を有することができる。
（特定の改善）
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。
（サブピクセルベースコール）
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。
開示されるこのセクション及び技術の他のセクションに記載される方法は、開示される追加の方法に関連して説明される以下の特徴及び／又は特徴のうちの１つ又はそれ以上を含むことができる。簡潔性の目的で、本出願に開示される特徴の組み合わせは、個別に列挙されず、特徴の各ベースセットで繰り返されない。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、本方法は、分析物マップ内のサブピクセルを、非接合領域のいずれにも属さないサブピクセルを識別することを含む。一実施態様では、本方法は、ベースコーラーから、５つのベース（Ａ、Ｃ、Ｔ、Ｇ、及びＮ）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ことを含む。一実施態様では、分析物マップは、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特定する。
一実施態様では、本方法は、ベースカラーによって判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、原点サブピクセルから始まり連続的に連続する非原点サブピクセルを継続することによって、ベースコールシーケンスを実質的に一致させるための、幅優先探索と、を含む。一実施態様では、方法は、分析物ベースで分析物の中心座標を決定することと、分析物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と、分析物上の分析物の超位置中心座標を分析物によって分析物ベースで記憶して、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ことと、を含む。
一実施態様では、方法は、分析物ベースで分析物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ことと、分析物マップを内挿を用いてアップサンプリングし、分類部を訓練するためにグラウンドトゥルースとして使用するために、メモリ内にアップサンプリングされた分析物マップを記憶することと、を含み、分析物による分析物ベースのアップサンプリングされた分析物マップにおいて、分析物ごとに、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工程と、を含む。一実施態様では、値は、ゼロと１との間で正規化された強度値である。一実施態様では、方法は、アップサンプリングされた分析物マップにおいて、背景として特定された全てのサブピクセルに同じ所定の値を割り当てることを含む。一実施態様では、所定の値はゼロ強度値である。
一実施態様では、本方法は、分離された領域内の連続するサブピクセルを発現するアップサンプリングされた分析物マップから減衰マップを生成することと、その割り当てられた値に基づいて背景として識別されたサブピクセルとから減衰マップを生成することと、分類部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、メモリ内に減衰マップを記憶することと、を含む。一実施態様では、減衰マップ内の各サブピクセルは、ゼロと１との間で正規化された値を有する。一実施態様では、本方法は、アップサンプリングされた分析物マップにおいて、分析物によって分析物ベースで、同じ分析物に属する分析物内部サブピクセルとして、不連続領域内の連続するサブピクセルを分析物中心サブピクセルとして分類する工程と、分析物境界部分を境界サブピクセルとして含み、サブピクセルが背景サブピクセルとして背景として識別され、分類部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、メモリ内に分類を記憶することと、を含む。
一実施態様では、方法は、分析物による分析物ベース、分析物内部サブピクセルの座標、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、メモリにダウンスケールされた座標を記憶することと、を含む。
一実施態様では、方法は、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検体センターサブピクセルをラベル化するために色符号化を使用して、分析物センターサブピクセルをラベル化することと、分類部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、を含む。一実施態様では、方法は、背景クラスに属する背景サブピクセルをラベル化するためにカラーコーディングを使用して、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背景サブピクセルをラベル化することと、分析物センターサブピクセルは、分析物センタークラスに属するものであり、分析物内部サブピクセルは、分析物内部クラスに属するものとして、及び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、メモリ内に三元グラウンドトゥルースデータを記憶することと、を含む。
一実施態様では、本方法は、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保存する工程と、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分布を決定する工程と、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検体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類を記憶する工程であって、分析物によって分析物ベースで、分析物内部サブピクセルの座標、分析物中心サブピクセル、境界サブピクセルを記憶するステップと、分類子を訓練し、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係数によって座標をダウンスケールするために、メモリ内の背景副ピクセルが、検体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、メモリにダウンスケールされた座標を記憶することと、を含む。
一実施態様では、ベースコールシーケンスは、ベースコールの所定の部分が、順序の位置ごとに一致するときに実質的に一致する。一実施態様では、ベースカラーは、最近傍強度抽出、ガウス系強度抽出、平均２×２サブピクセル領域に基づく強度抽出のうちの少なくとも１つを含む、サブピクセルの強度を補間することによって、ベースコールシーケンスを生成し、２×２サブピクセル面積の最も明るい試験に基づく強度抽出、平均３×３サブピクセル面積、バイリニア強度抽出、双キュービック強度抽出、及び／又は加重面積被覆率に基づく強度抽出に基づく強度抽出。一実施態様では、サブピクセルは、それらの整数又は非整数座標に基づいて、ベースコーラーに特定される。
一実施態様では、本方法は、不連続領域の少なくとも一部が所定の最小数のサブピクセルを有することを必要とすることを含む。一実施態様では、フローセルは、分析物を占有するウェルのアレイを有する、少なくとも１つのパターン化された表面を有する。そのような実施形態では、本方法は、検体の決定された形状及びサイズに基づいて、ウェルのうちのどれが、ウェルのうちの１つが最小限に占有されている少なくとも１つの検体によって実質的に占有され、ウェルのうちの１つが、複数の検体によって共占有される。
一実施態様では、フローセルは、少なくとも１つのパターン化されていない表面を有し、分析物は、非パターン化表面上で不均一に散乱される。一実施態様では、検体の密度は、約１００，０００検体／ｍｍ２～約１，０００，０００検体／ｍｍ２の範囲である。一実施態様では、検体の密度は、約１，０００，０００検体／ｍｍ２～約１０，０００，０００検体／ｍｍ２の範囲である。一実施態様では、サブピクセルは４分の１サブピクセルである。別の実施態様では、サブピクセルは半サブピクセルである。一実施態様では、ベースコーラーによって決定される検体の予備中心座標は、タイルのテンプレート画像内に定義され、画像座標系のピクセル解像度、画像座標系、及び測定スケールは、テンプレート画像及び画像と同じである。一実施態様では、各画像セットは、４つの画像を有する。別の実施態様では、各画像セットは２つの画像を有する。更に別の実施態様では、各画像セットは１つの画像を有する。一実施態様では、配列決定動作は、４チャネル化学を利用する。別の実施態様では、配列決定動作は、２チャネル化学を利用する。更に別の実施態様では、配列決定実行は、１チャネル化学を利用する。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
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、配列決定実行中に捕捉されたタイルの画像セット、及びベースカ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を含む。この方法は、各画像セットについて、基本的な中心座標を含む４つの基本原点サブピクセルのうちの１つとして、原点サブピクセルのそれぞれに連続的に連続している連続するサブピクセルの所定の近傍を含む４つの基本原点サブピクセルのうちの１つとして取得することと、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。本方法は、原点サブピクセルのうちの対応する１つの少なくとも一部に連続的に隣接し、かつ、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対応する１つの少なくとも一部と共有する、分析物マップを生成することを含む。本方法は、分析物マップをメモリに保存する工程と、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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、連続するサブピクセルの所定の近傍は、原点サブピクセルを含むピクセルを中心とするｍ×ｎサブピクセルパッチであり、サブピクセルパッチは３×３ピクセルである。一実施態様では、連続するサブピクセルの所定の近傍は、原点サブピクセルを含むピクセルを中心とするｎ個の接続されたサブピクセル近傍である。一実施態様では、方法は、分析物マップ内の、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を含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（訓練データ生成）
私たちは、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を開示している。方法は、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ことを含み、フローセルは複数のタイルを有し、多数の画像において、各タイルは、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、画像セットのシーケンス内の各画像は、特定の１回のサイクルにおいて、特定のタイルのうちの特定の１つの上の分析物及びそれらの周囲の背景の強度放射を示す。この方法は、複数の訓練実施例を有する訓練セットを構築することを含み、各訓練実施例は、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一部の画像セットからの画像データを含む。この方法は、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を含み、地面真理値データ表現は、その強度放射が画像データによって描かれているタイルのうちの特定の１つの上の、分析物及びそれらの周囲の背景の空間的分布のうちの少なくとも１つを識別することと、分析物の形状、分析物サイズ、及び／又は分析物境界、及び／又は検体の中心のうちの少なくとも１つを含む。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、画像データは、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み、画像は１８００×１８００の解像度を有する。一実施態様では、画像データは、画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチは、タイルのうちの特定の１つの一部分を覆い、解像度が２０×２０である。一実施態様では、画像データは、画像パッチのアップサンプリングされた表現を含み、アップサンプリングされた表現は、８０×８０の解像度を有する。一実施態様では、グラウンドトゥルースデータ表現は、８０×８０のアップサンプリング解像度を有する。
一実施態様では、複数の訓練実施例は、タイルの同じ特定の１つに対応し、それぞれ、タイルのうちの同じ特定の画像セット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は互いに重なり合う。一実施態様では、グラウンドトゥルースデータ表現は、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、不連続領域のそれぞれの１つの内部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、分析物を識別する。一実施態様では、グラウンドトゥルースデータ表現は、色符号化を使用して、検体中心又は非中心のいずれかとして各サブピクセルを識別する。一実施態様では、グラウンドトゥルースデータ表現は、色符号化を使用して、分析物内部、分析物中心、又は周囲の背景のいずれかとして各サブピクセルを識別する。
一実施態様では、この方法は、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ベースコールの訓練データとして、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、メモリに記憶することを含む。一実施態様では、本方法は、様々なフローセル、配列決定機器、配列決定プロトコル、配列決定ケミストリー、配列決定試薬、及び分析物密度の訓練データを生成することを含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（メタデータ及びベースのコール生成）
一実施態様では、方法は、シーケンサによって生成された分析物のシーケンス画像にアクセスすることと、シーケンス決定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して、検体に関するメタデータを生成するための訓練データを使用することと、を含む。他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
一実施態様では、方法は、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して検体を呼び出すための訓練データを使用することと、を含む。他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（回帰モデル）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、不連続領域のうちの対応する領域内の隣接するサブピクセルは、隣接するサブピクセルが属する不連続領域内の中心サブピクセルからの隣接するサブピクセルの距離に従って重み付けされた強度値を有する。一実施態様では、中心サブピクセルは、不連続領域のうちの対応する領域内で最も高い強度値を有する。一実施態様では、背景サブピクセルは全て、出力において同じ最低強度値を有する。一実施態様では、出力層は、ゼロと１との間の強度値を正規化する。
一実施態様では、方法は、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、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場所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で使用するために、メモリにダウンスケールされた場所座標を記憶することと、を含む。一実施態様では、本方法は、同じ検体に属する検体内部サブピクセルとして、隣接するサブピクセルを、同じ検体に属する検体内部サブピクセルとして分類する工程と、分析物を呼び出すベースで使用するために、分析物による分析物ベースの分析物内部サブピクセルの分類及びダウンスケールされた場所座標を記憶する工程と、を含む。一実施態様では、本方法は、分析物ベースで、分析物の中心のうちの対応する検体の内部サブピクセルの距離を判定する工程と、検体を呼び出すベースで使用するために、分析物による分析物ベースでのメモリ内の距離を記憶することと、を含む。
一実施態様では、本方法は、最近傍強度抽出、ガウス系強度抽出、平均２×２サブピクセル領域に基づく強度抽出のうちの少なくとも１つを使用することを含む、不連続領域のうちの対応する領域内の分析物内部サブピクセルから強度を抽出することを含み、２×２個のサブピクセル領域の最も明るい試験に基づく強度抽出、平均３×３サブピクセル面積、双線形強度抽出、二次強度抽出、及び／又は強度抽出に基づく強度抽出、及び／又は加重領域被覆率に基づく強度抽出、及び／又は強度抽出に基づいて、強度抽出、及び／又は強度抽出に基づいて強度抽出することと、を含む。
一実施態様では、本方法は、不連続領域に基づいて、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つを含む分析物の空間分布を決定する工程と、検体を呼び出すベースで使用するために、分析物による分析物ベースのメモリ内に関連する分析物メタデータを保存することと、を含む。
一実施態様では、入力画像データは、画像セットのシーケンス内の画像を含み、画像は３０００×３０００の解像度を有する。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされた表現を含み、アップサンプリングされた表現は、８０×８０の解像度を有する。一実施態様では、出力は、８０×８０のアップサンプリング解像度を有する。
一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを完全入力解像度特徴マップにマッピングするデコーダの階層を含む。一実施態様では、検体の密度は、約１００，０００検体／ｍｍ２～約１，０００，０００検体／ｍｍ２の範囲である。別の実施態様では、検体の密度は、約１，０００，０００検体／ｍｍ２～約１０，０００，０００検体／ｍｍ２の範囲である。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（訓練回帰モデル）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、本方法は、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することを含む。一実施態様では、グラウンドトゥルースデータでは、不連続領域のうちの対応する領域内の隣接するサブピクセルは、隣接するサブピクセルが属する接合領域内の中心サブピクセルからの隣接するサブピクセルの距離に従って重み付けされた強度値を有する。一実施態様では、グラウンドトゥルースデータでは、中心サブピクセルは、それぞれの不連続領域内の最も高い強度値を有する。一実施態様では、グラウンドトゥルースデータでは、背景サブピクセルは全て、出力において同じ最低強度値を有する。一実施態様では、グラウンドトゥルースデータでは、強度値は、ゼロと１との間で正規化される。
一実施態様では、損失関数は平均二乗誤差であり、出力及びグラウンドトゥルースにおける対応するサブピクセルの正規化された強度値とグラウンドトゥルースとの間のサブピクセル基準で最小化される。一実施態様では、グラウンドトゥルースデータは、関連する分析物メタデータの一部として、分析物形状、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つを含む分析物の空間的分布を識別する。一実施態様では、画像データは画像セットのシーケンス内の画像を含み、画像は１８００×１８００の解像度を有する。一実施態様では、画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされた表現を含み、画像パッチのアップサンプリングされた表現は、８０×８０の解像度を有する。
一実施態様では、訓練データにおいて、複数の訓練例は、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の画像データの異なる画像パッチとして、及び異なる画像パッチの少なくとも一部が互いに重なり合う。一実施態様では、グラウンドトゥルースデータは、８０×８０のアップサンプリング解像度を有する。一実施態様では、訓練データは、フローセルの複数のタイルの訓練実施例を含む。一実施態様では、訓練データは、様々なフローセル、配列決定インストール、配列決定プロトコル、配列決定ケミストリー、配列決定試薬、及び分析物密度の訓練例を含む。一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、エンコーダサブネットワークは、エンコーダの階層を含み、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、最終分類層によるサブピクセルごとの分類のための完全入力解像度特徴マップにマッピングするデコーダの階層を含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（ニューラルネットワークベースのテンプレート生成器）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、画像データは、分析物の周囲の背景の強度放射を更に示す。そのような実施形態では、本方法は、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出力を含む。一実施態様では、方法は、出力に基づいて、フローセル上の検体の中心位置座標を決定することを含む。一実施態様では、ニューラルネットワークは、畳み込みニューラルネットワークである。一実施態様では、ニューラルネットワークは、反復ニューラルネットワークである。一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、続いて出力層はエンコーダサブネットワークがエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを完全入力解像度特徴マップにマッピングするデコーダの階層を含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（バイナリ分類モデル）
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。一実施態様では、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。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、分析物中心又は非中心のいずれかとして分類される。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、分類層は、出力内の各サブピクセルを、分析物中心である第１の尤度スコア、及び非中心である第２の尤度スコアを割り当てる。一実施態様では、第１及び第２の尤度スコアは、ソフトマックス関数に基づいて決定され、ゼロと１との間で指数関数的に正規化される。一実施態様では、第１及び第２の尤度スコアは、シグモイド関数に基づいて決定され、ゼロと１との間で正規化される。一実施態様では、出力における各サブピクセルは、第１及び第２の尤度スコアのうちの１つが他方よりも高いかに基づいて、分析物中心又は非中心のいずれかとして分類される。一実施態様では、出力における各サブピクセルは、第１及び第２の尤度スコアが所定の閾値尤度スコアを上回るかどうかに基づいて、分析物中心又は非中心のいずれかとして分類される。一実施態様では、出力は、検体のうちの対応する検体の質量中心の中心を特定する。一実施態様では、出力において、検体中心として分類されるサブピクセルには、同じ第１の所定の値が割り当てられ、非中心として分類されるサブピクセルは全て、同じ第２の所定の値を割り当てられる。一実施態様では、第１及び第２の所定の値は強度値である。一実施態様では、第１及び第２の所定の値は、連続値である。
一実施態様では、本方法は、検体中心として分類されたサブピクセルの場所座標を決定することと、入力画像データを調製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場所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で使用するために、メモリ内にダウンスケールされた場所座標を記憶することと、を含む。一実施態様では、入力画像データは、画像セットのシーケンス内の画像を含み、画像は３０００×３０００の解像度を有する。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされた表現を含み、アップサンプリングされた表現は、８０×８０の解像度を有する。一実施態様では、出力は、８０×８０のアップサンプリング解像度を有する。
一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、続いて分類層が、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを、分類層によるサブピクセルごとの分類のための完全入力解像度特徴マップにマッピングするデコーダの階層を含む。一実施態様では、検体の密度は、約１００，０００検体／ｍｍ２～約１，０００，０００検体／ｍｍ２の範囲である。別の実施態様では、検体の密度は、約１，０００，０００検体／ｍｍ２～約１０，０００，０００検体／ｍｍ２の範囲である。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（バイナリ分類モデルの訓練）
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強度放射が示される、検体の中心を特定する。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、分析物中心又は非中心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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、本方法は、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することを含む。一実施態様では、グラウンドトゥルースデータにおいて、検体センターとして分類されるサブピクセルは全て、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サブピクセルは全て、同じ第２の所定のクラススコアが割り当てられる。一実施態様では、各出力において、各サブピクセルは、検体中心である第１の予測スコアと、非中心である第２の予測スコアとを有する。一実施態様では、損失関数は、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サブピクセルの予測スコアとクラススコアとの間のサブピクセルベースで最小化される。一実施態様では、グラウンドトゥルースデータは、検体のうちの対応する検体の重心における中心を特定する。一実施態様では、グラウンドトゥルースでは、検体センターとして分類されるサブピクセルは全て、同じ第１の所定の値を割り当てられ、非中心として分類されるサブピクセルは全て、同じ第２の所定の値を割り当てられる。一実施態様では、第１及び第２の所定の値は強度値である。別の実施態様では、第１及び第２の所定の値は、連続値である。
一実施態様では、グラウンドトゥルースデータは、関連する分析物メタデータの一部として、分析物形状、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つを含む分析物の空間的分布を識別する。一実施態様では、画像データは画像セットのシーケンス内の画像を含み、画像は１８００×１８００の解像度を有する。一実施態様では、画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされた表現を含み、画像パッチのアップサンプリングされた表現は、８０×８０の解像度を有する。一実施態様では、訓練データにおいて、複数の訓練例は、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の画像データの異なる画像パッチとして、及び異なる画像パッチの少なくとも一部が互いに重なり合う。一実施態様では、グラウンドトゥルースデータは、８０×８０のアップサンプリング解像度を有する。一実施態様では、訓練データは、フローセルの複数のタイルの訓練実施例を含む。一実施態様では、訓練データは、様々なフローセル、配列決定インストール、配列決定プロトコル、配列決定ケミストリー、配列決定試薬、及び分析物密度の訓練例を含む。一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、続いて分類層が、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを、分類層によるサブピクセルごとの分類のための完全入力解像度特徴マップにマッピングするデコーダの階層を含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（三元分類モデル）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、分類層は、出力中の各サブピクセルを、背景である第１の尤度スコア、分析物中心である第２の尤度スコア、及び分析物内部である第３の尤度スコアを割り当てる。一実施態様では、第１、第２、及び第３の尤度スコアは、ソフトマックス関数に基づいて決定され、ゼロと１との間で指数関数的に正規化される。一実施態様では、出力における各サブピクセルは、第１、第２、及び第３の尤度スコアのうちの１つが最も高いかに基づいて、背景、検体中心、又は分析物内部のいずれかとして分類される。一実施態様では、出力における各サブピクセルは、第１、第２、及び第３の尤度スコアが所定の閾値尤度スコアを上回るかどうかに基づいて、背景、検体中心、又は分析物内部のいずれかとして分類される。一実施態様では、出力は、検体のうちの対応する検体の質量中心で分析物中心を特定する。一実施態様では、出力において、背景として分類されるサブピクセルは全て、同じ第１の所定の値を割り当てられ、検体中心として分類されるサブピクセルは全て同じ第２の所定の値を割り当てられ、検体内部として分類されるサブピクセルは全て、同じ第３の所定の値が割り当てられる。一実施態様では、第１、第２、及び第３の所定の値は、強度値である。一実施態様では、第１、第２、及び第３の所定の値は、連続値である。
一実施態様では、本方法は、分析物基準で分析物中心として分類される副ピクセルの場所座標を決定することと、入力画像データを調製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場所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で使用するために、分析物による分析物ベースのメモリにダウンスケールされた場所座標を記憶することと、を含む。一実施態様では、本方法は、分析物ベースの分析物内部として分類された副ピクセルの場所座標を決定することと、入力画像データを調製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場所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で使用するために、分析物による分析物ベースのメモリにダウンスケールされた場所座標を記憶することと、を含む。一実施態様では、本方法は、分析物基準に基づいて、検体中心として分類されたサブピクセルのうちの対応する１つから分析物内部として分類されるサブピクセルの距離を決定することと、分析物を呼び出すベースで使用するために、分析物による分析物ベースでのメモリ内の距離を記憶することと、を含む。一実施態様では、本方法は、分析物基準で、分析物内部として分類されるサブピクセルから強度を抽出することを含み、これは、最近傍強度抽出、ガウス系強度抽出、平均２×２サブピクセル領域に基づく強度抽出のうちの少なくとも１つを使用することを含み、２×２個のサブピクセル領域の最も明るい試験に基づく強度抽出、平均３×３サブピクセル面積、双線形強度抽出、二次強度抽出、及び／又は強度抽出に基づく強度抽出、及び／又は加重領域被覆率に基づく強度抽出、及び／又は強度抽出に基づいて、強度抽出、及び／又は強度抽出に基づいて強度抽出することと、を含む。
一実施態様では、入力画像データは、画像セットのシーケンス内の画像を含み、画像は３０００×３０００の解像度を有する。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされた表現を含み、アップサンプリングされた表現は、８０×８０の解像度を有する。一実施態様では、出力は、８０×８０のアップサンプリング解像度を有する。一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、続いて分類層が、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを、分類層によるサブピクセルごとの分類のための完全入力解像度特徴マップにマッピングするデコーダの階層を含む。一実施態様では、検体の密度は、約１００，０００検体／ｍｍ２～約１，０００，０００検体／ｍｍ２の範囲である。別の実施態様では、検体の密度は、約１，０００，０００検体／ｍｍ２～約１０，０００，０００検体／ｍｍ２の範囲である。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（ターナルクラス分類モデルの訓練）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、本方法は、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することを含む。一実施態様では、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サブピクセルは全て、同じ第１の所定のクラススコアを割り当てられ、検体中心として分類されるサブピクセルは全て、同じ第２の所定のクラススコアを割り当てられ、検体内部として分類されるサブピクセルは全て、同じ第３の所定のクラススコアが割り当てられる。
一実施態様では、各出力において、各サブピクセルは、背景である第１の予測スコア、分析物中心である第２の予測スコア、及び分析物内部である第３の予測スコアを有する。一実施態様では、損失関数は、カスタム重み付け三元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サブピクセルの予測スコアとクラススコアとの間のサブピクセルベースで最小化される。一実施態様では、グラウンドトゥルースデータは、検体のうちの対応する検体の質量の中心で分析物中心を特定する。一実施態様では、グラウンドトゥルースにおいて、背景として分類されるサブピクセルは全て、同じ第１の所定の値を割り当てられ、検体中心として分類されるサブピクセルは全て同じ第２の所定の値を割り当てられ、検体内部として分類されるサブピクセルは全て、同じ第３の所定の値が割り当てられる。一実施態様では、第１、第２、及び第３の所定の値は、強度値である。一実施態様では、第１、第２、及び第３の所定の値は、連続値である。一実施態様では、画像データは画像セットのシーケンス内の画像を含み、画像は１８００×１８００の解像度を有する。一実施態様では、画像データは画像セットのシーケンス内の画像を含み、画像は１８００×１８００の解像度を有する。
一実施態様では、画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされた表現を含み、画像パッチのアップサンプリングされた表現は、８０×８０の解像度を有する。一実施態様では、訓練データにおいて、複数の訓練例は、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の画像データの異なる画像パッチとして、及び異なる画像パッチの少なくとも一部が互いに重なり合う。一実施態様では、グラウンドトゥルースデータは、８０×８０のアップサンプリング解像度を有する。一実施態様では、訓練データは、フローセルの複数のタイルの訓練実施例を含む。一実施態様では、訓練データは、様々なフローセル、配列決定インストール、配列決定プロトコル、配列決定ケミストリー、配列決定試薬、及び分析物密度の訓練例を含む。一実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、続いて分類層が、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを、分類層によるサブピクセルごとの分類のための完全入力解像度特徴マップにマッピングするデコーダの階層を含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（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。本方法は、単位の出力値に分割器を適用することと、背景ユニットによって分離され、中心ユニットを中心とし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と、を含む。セグメントは中心ユニットから始まり、各中心ユニットに関して、中心が中心ユニットに含まれる同じ分析物を示す連続的に連続するユニット群を決定する。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、ユニットはピクセルである。別の実施態様では、ユニットはサブピクセルである。更に別の実施形態では、ユニットはスーパーピクセルである。一実施態様では、出力値は連続値である。別の実施態様では、出力値は、ソフトマックススコアである。一実施態様では、非重複領域のうちの対応する領域内の連続単位は、隣接するユニットが属する非重複領域内の中心ユニットからの連続ユニットの距離に従って重み付けされた出力値を有する。一実施態様では、中心ユニットは、非重複領域のうちのそれぞれの領域内で最も高い出力値を有する。
一実施態様では、非重複領域は不規則な輪郭を有し、ユニットはサブピクセルである。そのような実施態様において、方法は、所与の分析物の形状を特定する連続するサブピクセルの対応する非重複領域に基づいて、所与の分析物の検体強度に寄与するサブピクセルを特定することによって、所与の分析物の検体強度を判定する工程と、現在の配列決定サイクルで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サブピクセルを配置することと、画像のそれぞれにおいて、特定されたサブピクセルの強度を補間することと、補間された強度を組み合わせ、組み合わさ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合わせて、現在の配列決定サイクルにおいて、所与の分析物の分析物強度を決定する工程と、を含む。一実施態様では、正規化は正規化係数に基づいており、正規化係数は、特定されたサブピクセルの数である。一実施態様では、本方法は、現在の配列決定サイクルにおける分析物強度に基づいて、所与の分析物を呼び出すことを含む。
一実施態様では、非重複領域は不規則な輪郭を有し、ユニットはサブピクセルである。そのような実施態様において、方法は、所与の分析物の形状を特定する連続するサブピクセルの対応する非重複領域に基づいて、所与の分析物の検体強度に寄与するサブピクセルを特定することによって、所与の分析物の検体強度を判定する工程と、特定されたサブピクセルを、対応する光学からアップサンプリングされた１つ又はそれ以上のサブピクセル解像度画像内に配置することと、現在の配列決定サイクルで１つ又はそれ以上の画像チャネルに対して生成されたピクセル解像度画像であって、アップサンプリングされた画像のそれぞれにおいて、特定されたサブピクセルの強度を組み合わせ、組み合わせ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、アップサンプリングされた画像のそれぞれに対する画像ごとの分析物強度を組み合わせて、現在の配列決定サイクルでの所与の分析物の分析物強度を決定することと、を含む。一実施態様では、正規化は正規化係数に基づいており、正規化係数は、特定されたサブピクセルの数である。一実施態様では、本方法は、現在の配列決定サイクルにおける分析物強度に基づいて、所与の分析物を呼び出すことを含む。
一実施態様では、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。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの少なくとも１つの画像パッチを含み、画像パッチはタイルの一部分を覆い、解像度は２０×２０である。一実施態様では、入力画像データは、画像セットのシーケンス内の画像のそれぞれからの画像パッチのアップサンプリングされたサブピクセル解像度表現を含み、アップサンプリングされたサブピクセル表現は、８０×８０の解像度を有する。
一実施態様では、ニューラルネットワークは、畳み込みニューラルネットワークである。別の実施態様では、ニューラルネットワークは、反復ニューラルネットワークである。更に別の実施態様では、ニューラルネットワークは、残留ボック及び残留接続を有する残留ニューラルネットワークである。更に更なる別の実施態様では、ニューラルネットワークは、エンコーダサブネットワーク及び対応するデコーダネットワークを有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り、エンコーダサブネットワークはエンコーダの階層を含み、デコーダサブネットワークは、低解像度エンコーダ特徴マップを完全入力解像度特徴マップにマッピングするデコーダの階層を含む。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（ピーク検出）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、本方法は、単位の出力値に分割器を適用することと、背景ユニットによって分離され、中心ユニットで中心に置か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と、を含む。セグメントは中心ユニットから始まり、各中心ユニットに関して、中心が中心ユニットに含まれる同じ分析物を示す連続的に連続するユニット群を決定する。
このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
ニューラルネットワークベースの分析データ生成器
一実施態様では、方法は、ニューラルネットワーク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、を含む。画像データは、検体の強度放出を示す。この方法は、出力層を通して代替表現を処理することと、検体の空間分布、検体の形状、検体の中心、及び／又は検体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ことと、を含む。他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（ユニットベースの回帰モデル）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、ユニットはピクセルである。別の実施態様では、ユニットはサブピクセルである。更に別の実施形態では、ユニットはスーパーピクセルである。このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（ユニットベースの結合分類モデル）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、ユニットはピクセルである。別の実施態様では、ユニットはサブピクセルである。更に別の実施形態では、ユニットはスーパーピクセルである。このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
（ユニットベースの三元分類モデル）
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。
他の実施態様のための特定の実施態様セクションで説明される特徴のそれぞれは、この実施態様に等しく適用される。上記のように、全ての他の特徴はここでは繰り返されず、参照により繰り返されるべきである。読者は、これらの実施態様において特定された特徴が、他の実施態様で特定されたベース特徴のセットと容易に組み合わせることができるかを理解するであろう。
一実施態様では、ユニットはピクセルである。別の実施態様では、ユニットはサブピクセルである。更に別の実施形態では、ユニットはスーパーピクセルである。このセクションで説明される方法の他の実施態様は、上述の方法のいずれかを実行するためにプロセッサによって実行可能な命令を記憶する非一時的コンピュータ可読記憶媒体を含むことができる。このセクションで説明される方法の更に別の実施態様は、メモリと、メモリ内に記憶された命令を実行するように動作可能な１つ又はそれ以上のプロセッサとを含むシステムを含むことができ、上記の方法のいずれかを実行することができる。
項目
本発明者らは、以下の項目を開示する。
項目セット１
１．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、
原点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、
原点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、
原点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、
原点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。
1510 訓練器
1512 ニューラルネットワークベースのテンプレート生成器
1514 ニューラルネットワークベースのベースコーラー
1802 閾値化器
1806 ピークロケータ
1810 分割器
1814 後処理装置
1902 強度抽出器
1904 サブピクセルロケータ
1906 補間器及びサブピクセル強度結合器
1908 正規化器
1910 クロスチャネルサブピクセル強度累算器
2002 強度抽出器
2004 サブピクセルロケータ
2006 サブピクセル強度結合器
2008 正規化器
2010 クロスチャネルサブピクセル強度累算器
2302 アップサンプラー
2600 回帰モデル
3102 流域分割器
4600 バイナリ分類モデル
5400 三元分類モデル
7804 温度制御システム
7806 システムコントローラ
7808 流体制御システム
7812 バイオセンサ
7814 流体貯蔵システム
7816 照明システム
7818 ユーザーインターフェース
7824 主制御モジュール
7826 照明モジュール
7828 流体制御モジュール
7830 流体貯蔵モジュール
7832 温度制御モジュール
7836 装置モジュール
7838 識別モジュール
7840 ＳＢＳモジュール
7842 増幅モジュール
7844 分析モジュール
7846 構成可能プロセッサ
7848 メモリ
7848Ａ メモリ（ビットファイル、ベースコーラーパラメータ）
7848Ｂ メモリ（画像データ、ベースコールリード）
7848Ｃ メモリ（タイルデータ、モデルパラメータ）
7852 ＣＰＵ（実行時間）
7908 データフローロジック
7914 多重サイクル実行クラスター１
8200 コンピュータシステム
8210 ストレージサブシステム
8222 メモリサブシステム
8236 ファイル記憶サブシステム
8238 ユーザーインターフェース入力装置
8255 バスサブシステム
8274 ネットワークインターフェースサブシステム
8276 ユーザーインターフェース出力装置
8278 深層学習プロセッサ（ＧＰＵ、／ＦＰＧＡ、ＣＧＲＡ）

Claims (25)

  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、前記一連の画像が、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、
    前記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、前記配列決定動作の複数の配列決定サイクルにわたって、前記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前記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前記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、
    前記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ために、前記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、
    前記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、前記グラウンドトゥルース訓練データに基づいて、前記減衰マップ、前記三元マップ、又は前記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前記減衰マップ、前記三元マップ、又は前記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、前記減衰マップ、前記三元マップ、又は前記バイナリマップから導き出された前記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又は２に記載のコンピュータ実装の方法であって、
    前記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、前記クラスターマップを生成すること、を更に含む、方法。
  4. 前記クラスターマップが、前記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から３のいずれか一項に記載のコンピュータ実装の方法。
  5. 請求項１から４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、前記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前記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、
    前記原点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、方法。
  6. 請求項１から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、
    前記クラスターマップの前記不連続領域の質量の中心を、前記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、前記クラスターの超位置中心座標を決定することと、
    前記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前記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、メモリ内の前記クラスターの前記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、
    前記クラスターの前記超位置中心座標における前記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、
    補間を使用して前記クラスターマップをアップサンプリングし、前記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前記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、前記メモリ内に前記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、前記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、
    前記不連続領域内の前記連続するサブピクセルを表し、前記サブピクセルが前記割り当てられた値に基づいて前記背景として特定される、前記アップサンプリングされたクラスターマップから前記減衰マップを生成することと、
    前記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前記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、前記メモリに前記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、
    前記アップサンプリングされたクラスターマップにおいて、前記クラスターごとに、前記非接合領域内の前記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前記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、
    前記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前記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、前記メモリに前記分類を記憶することと、を更に含む、方法。
  10. 請求項１から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、
    前記クラスターごとに、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、前記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前記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、メモリ内に前記背景サブピクセルを記憶することと、
    前記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、前記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前記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、前記メモリに前記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１から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、
    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、
    前記クラスターマップをメモリに記憶し、前記クラスター中心、前記クラスター形状、前記クラスターサイズ、前記クラスター背景、及び／又は前記クラスター境界を含む、前記クラスターマップに基づいて、前記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、
    前記タイル内の前記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、
    前記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前記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、前記メモリに前記分類を記憶することと、
    前記クラスターにクラスターごとに、前記クラスター内部サブピクセルの座標、前記クラスター中心サブピクセル、前記境界サブピクセル、及び前記背景サブピクセルを、前記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前記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、前記メモリ内に前記背景サブピクセルを記憶することと、
    前記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前記座標をダウンスケールすることと、
    前記タイルにわたるクラスターごとに、前記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前記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、前記メモリ内の前記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. 前記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１から１１のいずれか一項に記載のコンピュータ実装の方法。
  13. 前記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から１２のいずれか一項に記載のコンピュータ実装の方法。
  14. 請求項１から１３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、フローセルが、前記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
    前記ウェルのうちの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、
    前記ウェルのうちの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、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前記タイルの画像のセットにアクセスすることと、前記ベースコーラーによって決定された前記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、
    前記予備中心座標を含む原点サブピクセルと、
    前記原点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、前記原点サブピクセルのそれぞれ及び前記連続するサブピクセルの前記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、
    前記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、
    前記４つのベースのうちの前記１つの実質的に一致するベースコールシーケンスを前記原点サブピクセルのうちの前記それぞれの１つの前記少なくとも一部と共有することと、
    前記クラスターマップをメモリに記憶し、前記クラスターマップ内の前記不連続領域に基づいて、前記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、前記フローセルが複数のタイルを有し、前記多数の画像において、前記タイルのそれぞれが、前記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、前記タイルのうちの特定の１つに対応し、前記タイルのうちの前記特定の１つの画像セットの前記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、
    前記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、前記グラウンドトゥルースデータ表現は、その強度放出が前記画像データによって示され、請求項１から１５のいずれか一項に記載の方法を使用して少なくとも部分的に決定される前記タイルの前記特定の１つ上のクラスターの少なくとも１つの特性を識別することと、を含む、方法。
  17. 前記クラスターの前記少なくとも１つの特性が、前記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. 前記画像データが、前記タイルの前記特定の１つの画像セットのシーケンス内の前記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から１７のいずれか一項に記載のコンピュータ実装の方法。
  19. 前記画像データが、前記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１６から１８のいずれか一項に記載のコンピュータ実装の方法。
  20. 前記画像データが、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１６から１９のいずれか一項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、前記タイルのうちの同じ特定の１つに対応し、それぞれ、前記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１６から２０のいずれか一項に記載のコンピュータ実装の方法。
  22. 前記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前記クラスターを識別し、前記クラスターの中心が、前記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前記クラスターの中心、及び前記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、前記クラスターの中心を特定する、請求項１６から２１のいずれか一項に記載のコンピュータ実装の方法。
  23. 請求項１６から２２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、
    前記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前記訓練実施例を、前記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前記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、
    前記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、
    前記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。
JP2020572704A 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 Pending JP2022532458A (ja)

Applications Claiming Priority (31)

Application Number Priority Date Filing Date Title
US201962821602P 2019-03-21 2019-03-21
US201962821681P 2019-03-21 2019-03-21
US201962821766P 2019-03-21 2019-03-21
US201962821724P 2019-03-21 2019-03-21
US201962821618P 2019-03-21 2019-03-21
US62/821,681 2019-03-21
US62/821,766 2019-03-21
US62/821,602 2019-03-21
US62/821,618 2019-03-21
US62/821,724 2019-03-21
NL2023310 2019-06-14
NL2023314A NL2023314B1 (en) 2019-03-21 2019-06-14 Artificial intelligence-based quality scoring
NL2023314 2019-06-14
NL2023311A NL2023311B9 (en) 2019-03-21 2019-06-14 Artificial intelligence-based generation of sequencing metadata
NL2023316 2019-06-14
NL2023312 2019-06-14
NL2023312A NL2023312B1 (en) 2019-03-21 2019-06-14 Artificial intelligence-based base calling
NL2023316A NL2023316B1 (en) 2019-03-21 2019-06-14 Artificial intelligence-based sequencing
NL2023310A NL2023310B1 (en) 2019-03-21 2019-06-14 Training data generation for artificial intelligence-based sequencing
NL2023311 2019-06-14
US16/825,987 US11347965B2 (en) 2019-03-21 2020-03-20 Training data generation for artificial intelligence-based sequencing
US16/825,991 US11210554B2 (en) 2019-03-21 2020-03-20 Artificial intelligence-based generation of sequencing metadata
US16/826,134 2020-03-20
US16/825,987 2020-03-20
US16/826,134 US11676685B2 (en) 2019-03-21 2020-03-20 Artificial intelligence-based quality scoring
US16/826,126 2020-03-20
US16/826,126 US11783917B2 (en) 2019-03-21 2020-03-20 Artificial intelligence-based base calling
US16/825,991 2020-03-20
US16/826,168 2020-03-21
US16/826,168 US11436429B2 (en) 2019-03-21 2020-03-21 Artificial intelligence-based sequencing
PCT/US2020/024090 WO2020191389A1 (en) 2019-03-21 2020-03-21 Training data generation for artificial intelligence-based sequencing

Publications (2)

Publication Number Publication Date
JP2022532458A true JP2022532458A (ja) 2022-07-15
JPWO2020191389A5 JPWO2020191389A5 (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
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
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
JP2020572706A Pending JP2022535306A (ja) 2019-03-21 2020-03-22 人工知能ベースの配列決定

Family Applications After (4)

Application Number Title Priority Date Filing Date
JP2020572703A Pending JP2022526470A (ja) 2019-03-21 2020-03-21 人工知能ベースのベースコール
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
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
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) KR20210143154A (ja)
CN (5) CN112313666A (ja)
AU (5) AU2020241905A1 (ja)
BR (4) BR112020026408A2 (ja)
CA (1) CA3104951A1 (ja)
IL (5) IL279533A (ja)
MX (4) MX2020014288A (ja)
SG (4) SG11202012453PA (ja)

Families Citing this family (58)

* Cited by examiner, † Cited by third party
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
US11972343B2 (en) 2018-06-11 2024-04-30 Inait Sa Encoding and decoding information
US11663478B2 (en) 2018-06-11 2023-05-30 Inait Sa Characterizing activity in a recurrent artificial neural network
EP3617947A1 (en) * 2018-08-30 2020-03-04 Nokia Technologies Oy Apparatus and method for processing image data
US11569978B2 (en) 2019-03-18 2023-01-31 Inait Sa Encrypting and decrypting information
US11652603B2 (en) 2019-03-18 2023-05-16 Inait Sa Homomorphic encryption
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
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
EP3966778A1 (en) * 2019-05-06 2022-03-16 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
US11580401B2 (en) 2019-12-11 2023-02-14 Inait Sa Distance metrics and clustering in recurrent neural networks
US11797827B2 (en) * 2019-12-11 2023-10-24 Inait Sa Input into a neural network
US11977723B2 (en) * 2019-12-17 2024-05-07 Palantir Technologies Inc. Image tiling and distributive modification
IL295560A (en) 2020-02-20 2022-10-01 Illumina Inc An artificial intelligence-based many-to-many base reader
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
US20220114259A1 (en) * 2020-10-13 2022-04-14 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
US20220180630A1 (en) * 2020-12-04 2022-06-09 Intelinair, Inc. Resudue analysis and management system
CN112508457A (zh) * 2020-12-25 2021-03-16 树根互联技术有限公司 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
US20220284343A1 (en) * 2021-03-05 2022-09-08 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
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
CN115803816A (zh) * 2021-03-31 2023-03-14 因美纳有限公司 具有情境感知的基于人工智能的碱基检出器
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
EP4360097A1 (en) * 2021-06-24 2024-05-01 Nautilus Subsidiary, Inc. Methods and systems for assay refinement
AU2022305321A1 (en) * 2021-06-29 2024-01-18 Illumina, 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
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
WO2023097685A1 (zh) * 2021-12-03 2023-06-08 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
CN117063240A (zh) 2021-12-24 2023-11-14 上海芯像生物科技有限公司 基于深度学习的核酸测序方法和系统
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
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 (236)

* Cited by examiner, † Cited by third party
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
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
US6090592A (en) 1994-08-03 2000-07-18 Mosaic Technologies, Inc. Method for performing amplification of nucleic acid on supports
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
JP2002515738A (ja) 1996-01-23 2002-05-28 アフィメトリックス，インコーポレイティド 核酸分析法
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
ATE269908T1 (de) 1997-04-01 2004-07-15 Manteia S A Methode zur sequenzierung von nukleinsäuren
DE69837913T2 (de) 1997-04-01 2008-02-07 Solexa Ltd., Saffron Walden Verfahren zur vervielfältigung von nukleinsäure
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
US20050191698A1 (en) 1999-04-20 2005-09-01 Illumina, Inc. Nucleic acid sequencing using microsphere arrays
DK1923471T3 (da) 1999-04-20 2013-04-02 Illumina Inc Detektion af nukleinsyrereaktioner på bead-arrays
US6355431B1 (en) 1999-04-20 2002-03-12 Illumina, Inc. Detection of nucleic acid amplification reactions using bead arrays
US6770441B2 (en) 2000-02-10 2004-08-03 Illumina, Inc. Array compositions and methods of making same
WO2002004680A2 (en) 2000-07-07 2002-01-17 Visigen Biotechnologies, Inc. Real-time sequence determination
EP1323736A4 (en) 2000-08-10 2005-08-24 Masabumi Shibuya CHIMERIC GROWTH FACTOR OF HUMAN TYPE VASCULAR ENDOTHELIAL CELLS
AU2001283299A1 (en) * 2000-08-14 2002-02-25 Incyte Genomics, Inc. Basecalling system and protocol
US7211414B2 (en) 2000-12-01 2007-05-01 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
US20030062485A1 (en) 2001-09-28 2003-04-03 Fernandez Salvador M. 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
EP3795577A1 (en) 2002-08-23 2021-03-24 Illumina Cambridge Limited Modified nucleotides
US6914961B2 (en) 2002-09-30 2005-07-05 Teradyne, Inc. Speed binning by neural network
AU2003290429A1 (en) 2002-12-25 2004-07-22 Casio Computer Co., Ltd. Optical dna sensor, dna reading apparatus, identification method of dna and manufacturing method of optical dna sensor
DE602004024034D1 (de) 2003-01-29 2009-12-24 454 Corp Nukleinsäureamplifikation auf basis von kügelchenemulsion
US7575865B2 (en) 2003-01-29 2009-08-18 454 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
EP2789383B1 (en) 2004-01-07 2023-05-03 Illumina Cambridge Limited Molecular arrays
US7761240B2 (en) * 2004-08-11 2010-07-20 Aureon Laboratories, Inc. Systems and methods for automated diagnosis and grading of tissue images
JP2008513782A (ja) 2004-09-17 2008-05-01 パシフィック バイオサイエンシーズ オブ カリフォルニア， インコーポレイテッド 分子解析のための装置及び方法
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
WO2006125674A1 (en) * 2005-05-25 2006-11-30 Stiftelsen Universitetsforskning Bergen Microscope system and screening method for drugs, physical therapies and biohazards
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
DK1907571T3 (en) 2005-06-15 2017-08-21 Complete Genomics Inc NUCLEIC ACID ANALYSIS USING INCIDENTAL MIXTURES OF NON-OVERLAPPING FRAGMENTS
GB0514910D0 (en) 2005-07-20 2005-08-24 Solexa Ltd Method for sequencing a polynucleotide template
GB0514936D0 (en) 2005-07-20 2005-08-24 Solexa Ltd Preparation of templates for nucleic acid sequencing
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
EP2021503A1 (en) 2006-03-17 2009-02-11 Solexa Ltd. Isothermal methods for creating clonal single molecule arrays
EP3373174A1 (en) 2006-03-31 2018-09-12 Illumina, Inc. Systems and devices for sequence by synthesis analysis
AU2007262978A1 (en) 2006-06-22 2007-12-27 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
WO2008092150A1 (en) 2007-01-26 2008-07-31 Illumina, Inc. Nucleic acid sequencing system and method
WO2008115405A2 (en) * 2007-03-16 2008-09-25 Sti Medicals Systems, Llc A method of image quality assessment to procuce 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
CA2689626C (en) 2007-06-06 2016-10-25 Pacific Biosciences Of California, Inc. Methods and processes for calling bases in sequence by incorporation methods
US9233253B2 (en) 2012-01-16 2016-01-12 Greatbatch Ltd. EMI filtered co-connected hermetic feedthrough, feedthrough capacitor and leadwire assembly for an active implantable medical device
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
BRPI0917864A2 (pt) * 2008-08-15 2015-11-24 Univ Brown aparelho e método para estimativa da forma corporal
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
US8594439B2 (en) * 2009-05-28 2013-11-26 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
US20110286628A1 (en) * 2010-05-14 2011-11-24 Goncalves Luis F Systems and methods for object recognition using a large database
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
WO2012092515A2 (en) 2010-12-30 2012-07-05 Life Technologies Corporation Methods, systems, and computer readable media for 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
US8951781B2 (en) 2011-01-10 2015-02-10 Illumina, Inc. Systems, methods, and apparatuses to image a sample for biological or chemical analysis
WO2012142531A2 (en) 2011-04-14 2012-10-18 Complete Genomics, Inc. Processing and analysis of complex nucleic acid sequence data
WO2012170936A2 (en) 2011-06-09 2012-12-13 Illumina, Inc. Patterned flow-cells useful for nucleic acid analysis
HRP20211523T1 (hr) 2011-09-23 2021-12-24 Illumina, Inc. Pripravci za sekvenciranje nukleinske kiseline
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
EP2771103B1 (en) 2011-10-28 2017-08-16 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
US8660342B2 (en) * 2012-01-24 2014-02-25 Telefonica, S.A. Method to assess aesthetic quality of photographs
WO2013151622A1 (en) 2012-04-03 2013-10-10 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
ES2704255T3 (es) 2013-03-13 2019-03-15 Illumina Inc Métodos y sistemas para alinear elementos de ADN repetitivos
CA2898459C (en) 2013-03-14 2021-02-02 Illumina, Inc. Modified polymerases for improved incorporation of nucleotide analogues
CN105027165B (zh) * 2013-03-15 2021-02-19 文塔纳医疗系统公司 用于数字完整载片的自动化评分的基于组织对象的机器学习系统
WO2014182630A1 (en) 2013-05-06 2014-11-13 Pacific Biosciences Of California , Inc. Real-time electronic sequencing
KR102177225B1 (ko) 2013-07-01 2020-11-10 일루미나, 인코포레이티드 촉매-무함유 표면 작용화 및 중합체 그라프팅
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
EP3715467A1 (en) 2013-12-03 2020-09-30 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
CN105980578B (zh) * 2013-12-16 2020-02-14 深圳华大智造科技有限公司 用于使用机器学习进行dna测序的碱基判定器
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
CN107077537B (zh) 2014-09-12 2021-06-22 伊鲁米纳剑桥有限公司 用短读测序数据检测重复扩增
US10676787B2 (en) * 2014-10-13 2020-06-09 Life Technologies Corporation Methods, systems, and computer-readable media for accelerated base calling
PT3212684T (pt) 2014-10-31 2020-02-03 Illumina Cambridge Ltd Revestimentos de polímeros e de copolímero de 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
WO2016145516A1 (en) 2015-03-13 2016-09-22 Deep Genomics Incorporated System and method for training neural networks
US10733417B2 (en) * 2015-04-23 2020-08-04 Cedars-Sinai Medical Center Automated delineation of nuclei for three dimensional (3-D) high content screening
US9836839B2 (en) 2015-05-28 2017-12-05 Tokitae Llc Image analysis systems and related methods
US10061972B2 (en) * 2015-05-28 2018-08-28 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
EP3311299A4 (en) 2015-06-22 2019-02-20 Myriad Women's Health, Inc. METHODS OF PREDICTING PATHOGENICITY OF GENETIC SEQUENCE VARIANTS
CN106434873B (zh) 2015-08-13 2021-08-27 生捷科技控股公司 使核酸分子同步化的方法
US11094058B2 (en) 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
US10755810B2 (en) 2015-08-14 2020-08-25 Elucid Bioimaging Inc. Methods and systems for representing, storing, and accessing computable medical imaging-derived quantities
US10176408B2 (en) 2015-08-14 2019-01-08 Elucid Bioimaging Inc. Systems and methods for analyzing pathologies utilizing quantitative imaging
WO2017037180A1 (en) * 2015-09-02 2017-03-09 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
US10740883B2 (en) 2015-12-10 2020-08-11 Qiagen Gmbh Background compensation
KR102592076B1 (ko) 2015-12-14 2023-10-19 삼성전자주식회사 딥러닝 기반 영상 처리 장치 및 방법, 학습 장치
EP3427183A1 (en) * 2016-03-10 2019-01-16 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
EP4224219A3 (en) 2016-04-22 2023-08-30 Illumina Inc Photonic stucture-based devices and compositions for use in luminescent imaging of multiple sites within a pixel, and methods of using the same
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
BR112018074572B1 (pt) 2016-06-01 2024-02-27 Quantum-Si Incorporated Métodos de identificação de nucleotídeos e para calibrar um instrumento de sequenciamento, meio de armazenamento legível em computador não transitório, dispositivo e instrumento de sequenciamento
JP7046840B2 (ja) 2016-06-07 2022-04-04 イルミナ インコーポレイテッド 二次および／または三次処理を実行するためのバイオインフォマティクスシステム、装置、および方法
US20180107927A1 (en) 2016-06-15 2018-04-19 Deep Genomics Incorporated Architectures for training neural networks using biological sequences, conservation, and molecular phenotypes
WO2018029108A1 (en) 2016-08-08 2018-02-15 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
US11891647B2 (en) 2016-12-28 2024-02-06 Native Microbials, Inc. Methods, apparatuses, and systems for analyzing complete microorganism strains in complex heterogeneous communities, determining functional relationships and interactions thereof, and identifying and synthesizing bioreactive modificators based thereon
WO2018129314A1 (en) 2017-01-06 2018-07-12 Illumina, Inc. Phasing correction
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
AU2018210188B2 (en) 2017-01-18 2023-11-09 Illumina, Inc. Methods and systems for generation and error-correction of unique molecular index sets with heterogeneous molecular lengths
US10491239B1 (en) 2017-02-02 2019-11-26 Habana Labs Ltd. Large-scale computations using an adaptive numerical format
NL2018852B1 (en) 2017-05-05 2018-11-14 Illumina Inc Optical distortion correction for imaged samples
RU2736384C1 (ru) 2017-03-07 2020-11-16 Иллюмина, Инк. Секвенирование с помощью одиночного источника света и двух оптических каналов
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
ES2929837T3 (es) 2017-04-23 2022-12-02 Illumina Cambridge Ltd Composiciones y métodos para mejorar la identificación de muestras en bibliotecas de ácidos nucleicos indexados
US10943255B1 (en) 2017-04-28 2021-03-09 Snap Inc. Methods and systems for interactive advertising with media collections
AU2018261332A1 (en) 2017-05-01 2019-11-07 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
WO2018208699A1 (en) 2017-05-08 2018-11-15 Illumina, Inc. Universal short adapters for indexing of polynucleotide samples
CN111742370A (zh) 2017-05-12 2020-10-02 密歇根大学董事会 个体和队列药理学表型预测平台
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
US20200202977A1 (en) 2017-07-31 2020-06-25 Illumina, Inc. Sequencing system with multiplexed biological sample aggregation
WO2019028047A1 (en) 2017-08-01 2019-02-07 Illumina, Inc SPATIAL INDEXING OF GENETIC MATERIAL AND PREPARATION OF PHARMACOTOQUE USING HYDROGEL BALLS AND FLOW CELLS
CN111164643A (zh) 2017-08-14 2020-05-15 雷神公司 用于肿瘤检测的减法算法
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
AU2018334245B2 (en) 2017-09-15 2022-03-17 Illumina, Inc. Tuning and calibration features of a sequence-detection system
US11143789B2 (en) * 2017-10-11 2021-10-12 Beyond Limits, Inc. Static engine and neural network for a cognitive reservoir system
US10540591B2 (en) 2017-10-16 2020-01-21 Illumina, Inc. Deep learning-based techniques for pre-training deep convolutional neural networks
JP2020525887A (ja) 2017-10-16 2020-08-27 イルミナ インコーポレイテッド ディープラーニングベースのスプライス部位分類
NZ759818A (en) 2017-10-16 2022-04-29 Illumina Inc Semi-supervised learning for training an ensemble of deep convolutional neural networks
WO2019084158A1 (en) 2017-10-26 2019-05-02 Ultima Genomics, Inc. METHODS AND SYSTEMS FOR SEQUENCE CALL
WO2019084515A1 (en) 2017-10-26 2019-05-02 Essenlix Corporation DEVICES AND METHODS FOR COLORING TISSUES AND CELLS
EP3701260A4 (en) 2017-10-26 2021-10-27 Essenlix Corporation IMAGE-BASED ANALYSIS SYSTEM AND METHODS USING MACHINE LEARNING AND CROF
US11609224B2 (en) 2017-10-26 2023-03-21 Essenlix Corporation Devices and methods for white blood cell analyses
US20200342955A1 (en) 2017-10-27 2020-10-29 Apostle, Inc. Predicting cancer-related pathogenic impact of somatic mutations using deep learning-based methods
EP4289996A3 (en) 2017-11-06 2024-01-17 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
JP7231631B2 (ja) * 2017-12-05 2023-03-01 ベンタナ メディカル システムズ， インコーポレイテッド 腫瘍空間異質性およびインターマーカ異質性の計算方法
US11288576B2 (en) 2018-01-05 2022-03-29 Illumina, Inc. Predicting quality of sequencing results using deep neural networks
WO2019136388A1 (en) 2018-01-08 2019-07-11 Illumina, Inc. Systems and devices for high-throughput sequencing with semiconductor-based detection
EP3738122A1 (en) 2018-01-12 2020-11-18 Life Technologies Corporation Methods for flow space quality score prediction by neural networks
JP6862581B2 (ja) 2018-01-15 2021-04-21 イルミナ インコーポレイテッド 深層学習ベースのバリアント分類器
US11538556B2 (en) 2018-01-26 2022-12-27 Quantum-Si Incorporated Machine learning enabled pulse and base calling for sequencing devices
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
WO2019191319A1 (en) 2018-03-30 2019-10-03 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
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
EP3837690A1 (en) 2018-08-13 2021-06-23 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
KR20200043169A (ko) 2018-10-17 2020-04-27 삼성전자주식회사 뉴럴 네트워크의 파라미터를 양자화하는 방법 및 장치
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
CN113168890A (zh) 2018-12-10 2021-07-23 生命科技股份有限公司 用于Sanger测序的深度碱基识别器
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
EP3939047A4 (en) 2019-03-10 2022-11-30 Ultima Genomics, Inc. METHODS AND SYSTEMS FOR SEQUENCE CALLING
NL2023314B1 (en) 2019-03-21 2020-09-28 Illumina Inc Artificial intelligence-based quality scoring
US11347965B2 (en) 2019-03-21 2022-05-31 Illumina, Inc. Training data generation for artificial intelligence-based sequencing
NL2023310B1 (en) 2019-03-21 2020-09-28 Illumina Inc Training data generation for artificial intelligence-based sequencing
NL2023312B1 (en) 2019-03-21 2020-09-28 Illumina Inc Artificial intelligence-based base calling
US11210554B2 (en) 2019-03-21 2021-12-28 Illumina, Inc. Artificial intelligence-based generation of sequencing metadata
NL2023311B9 (en) 2019-03-21 2021-03-12 Illumina Inc Artificial intelligence-based generation of sequencing metadata
NL2023316B1 (en) 2019-03-21 2020-09-28 Illumina Inc 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
CN112313750B (zh) 2019-05-16 2023-11-17 因美纳有限公司 使用卷积的碱基识别
US11593649B2 (en) 2019-05-16 2023-02-28 Illumina, Inc. Base calling using convolutions
CN113939600A (zh) 2019-05-29 2022-01-14 X基因组公司 用于测定序列的系统和方法
WO2021041338A1 (en) * 2019-08-23 2021-03-04 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
US20210265015A1 (en) 2020-02-20 2021-08-26 Illumina, Inc. Hardware Execution and Acceleration of Artificial Intelligence-Based Base Caller
US20210265016A1 (en) 2020-02-20 2021-08-26 Illumina, Inc. Data Compression for Artificial Intelligence-Based Base Calling
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
EP4211268A1 (en) 2020-09-10 2023-07-19 Ultima Genomics, Inc. Methods and systems for sequence and variant calling

Also Published As

Publication number Publication date
US20220292297A1 (en) 2022-09-15
KR20210142529A (ko) 2021-11-25
KR20210145115A (ko) 2021-12-01
IL279522A (en) 2021-01-31
JP2022535306A (ja) 2022-08-08
EP3942070A1 (en) 2022-01-26
MX2020014288A (es) 2021-05-28
IL279533A (en) 2021-01-31
JP2022525267A (ja) 2022-05-12
MX2020014299A (es) 2021-03-25
EP3942073A2 (en) 2022-01-26
BR112020026433A2 (pt) 2021-03-23
IL279525A (en) 2021-01-31
SG11202012441QA (en) 2021-01-28
AU2020241905A1 (en) 2021-01-07
BR112020026408A2 (pt) 2021-03-23
EP3942074A2 (en) 2022-01-26
BR112020026455A2 (pt) 2021-03-23
SG11202012463YA (en) 2021-01-28
US20230268033A1 (en) 2023-08-24
JP2022526470A (ja) 2022-05-25
IL281668A (en) 2021-05-31
MX2020014293A (es) 2021-03-25
SG11202012453PA (en) 2021-01-28
US20230004749A1 (en) 2023-01-05
KR20210145116A (ko) 2021-12-01
KR20210143100A (ko) 2021-11-26
AU2020241586A1 (en) 2021-01-14
EP3942072B1 (en) 2023-09-06
AU2020240141A1 (en) 2021-01-14
EP4276769A2 (en) 2023-11-15
US11961593B2 (en) 2024-04-16
SG11202012461XA (en) 2021-01-28
CN112585689A (zh) 2021-03-30
BR112020026426A2 (pt) 2021-03-23
EP3942072A1 (en) 2022-01-26
CN112689875A (zh) 2021-04-20
CA3104951A1 (en) 2020-09-24
US11908548B2 (en) 2024-02-20
JP2022524562A (ja) 2022-05-09
AU2020240383A1 (en) 2021-04-15
CN112334984A (zh) 2021-02-05
EP3942071A1 (en) 2022-01-26
IL279527A (en) 2021-01-31
US20200302223A1 (en) 2020-09-24
MX2020014302A (es) 2021-05-28
US11210554B2 (en) 2021-12-28
CN112789680A (zh) 2021-05-11
KR20210143154A (ko) 2021-11-26
US20220147760A1 (en) 2022-05-12
CN112313666A (zh) 2021-02-02
US20240071573A1 (en) 2024-02-29
AU2020256047A1 (en) 2021-01-07
EP4276769A3 (en) 2024-01-24

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