JP2022543275A - 細菌分類 - Google Patents

Abstract

細菌を分類するための方法、コンピュータ・プログラム製品、およびコンピュータ・システム。この方法は、１つ以上の細菌に対応する形態シグネチャを抽出することと、１つ以上の細菌に対応する運動性シグネチャを抽出することとを含む。この方法は、形態シグネチャおよび運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、マージ・ベクトル・シグネチャに基づいて１つ以上の細菌を分類することとをさらに含む。

Description

例示的実施形態は一般的に細菌の分類に関し、より具体的には細菌の形態および運動性に基づく細菌の分類に関する。

たとえば食品および健康産業などの産業は、消費者食品中のたとえば大腸菌（Ｅ．Ｃｏｌｉ）、サルモネラ菌（Ｓａｌｍｏｎｅｌｌａ）、リステリア菌（Ｌｉｓｔｅｒｉａ）、およびカンピロバクター菌（Ｃａｍｐｙｌｏｂａｃｔｅｒ）などの細菌の存在を気にかけている。これらの細菌は環境および栄養条件が適切なときに増殖して生育するため、それらはほんの数時間のうちに急速に生育して微小コロニーとなり、さらに消費者に脅威をもたらし得る巨視的な薄いバイオフィルムとなる可能性がある。この理由から、たとえば食肉および農産物生産者などの食品提供者は、生産品中のこうした細菌を、たとえば１ミリリットル当たり１０コロニー形成単位（ｃｆｕ：ｃｏｌｏｎｙ ｆｏｒｍｉｎｇ ｕｎｉｔｓ）すなわち１０ｃｆｕ／ｍｌなどの非常に少ない量に制限することが要求される。食品産業で食品中の細菌のタイプを決定するために用いられる現在の方法は濃縮プロセスを含み、ここでサンプルは８～２４時間にわたって試験され、その時間の間に細菌カウントは１０４ｃｆｕ／ｍｌに増加する。この濃度の細菌が試験のために利用可能になると、ポリメラーゼ連鎖反応（ＰＣＲ：ｐｏｌｙｍｅｒａｓｅ－ｃｈａｉｎ ｒｅａｃｔｉｏｎｓ）またはＤＮＡ配列決定法を用いて、それらのＤＮＡに基づいて細菌の特定のタイプが同定されるが、これらの方法は効率性および容易さに欠ける。

したがって、当該技術分野においては前述の問題に対処することが求められている。

第１の態様から見ると、本発明は細菌を分類するためのコンピュータ実施方法を提供し、この方法は、１つ以上の細菌に対応する形態シグネチャを抽出することと、１つ以上の細菌に対応する運動性シグネチャを抽出することと、形態シグネチャおよび運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、マージ・ベクトル・シグネチャに基づいて１つ以上の細菌を分類することとを含む。

さらなる態様から見ると、本発明は細菌を分類するためのコンピュータ・プログラム製品を提供し、このコンピュータ・プログラム製品は、処理回路によって可読のコンピュータ可読記憶媒体を含み、このコンピュータ可読記憶媒体は、本発明のステップを行うための方法を行うための処理回路による実行のための命令を記憶する。

さらなる態様から見ると、本発明は、コンピュータ可読媒体に記憶され、かつデジタル・コンピュータの内部メモリにロード可能なコンピュータ・プログラムを提供し、このコンピュータ・プログラムは、前記プログラムがコンピュータで実行されるときに本発明のステップを行うためのソフトウェア・コード部分を含む。

さらなる態様から見ると、本発明は細菌を分類するためのコンピュータ・プログラム製品を提供し、このコンピュータ・プログラム製品は、１つ以上の非一時的なコンピュータ可読記憶媒体と、方法を実行し得るこの１つ以上の非一時的なコンピュータ可読記憶媒体に記憶されたプログラム命令とを含み、この方法は、１つ以上の細菌に対応する形態シグネチャを抽出することと、１つ以上の細菌に対応する運動性シグネチャを抽出することと、形態シグネチャおよび運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、マージ・ベクトル・シグネチャに基づいて１つ以上の細菌を分類することとを含む。

さらなる態様から見ると、本発明は細菌を分類するためのコンピュータ・システムを提供し、このコンピュータ・システムは、１つ以上のコンピュータ・プロセッサと、１つ以上のコンピュータ可読記憶媒体と、方法を実行し得るこの１つ以上のプロセッサの少なくとも１つによる実行のためにこのコンピュータ可読記憶媒体の１つ以上に記憶されたプログラム命令とを含み、この方法は、１つ以上の細菌に対応する形態シグネチャを抽出することと、１つ以上の細菌に対応する運動性シグネチャを抽出することと、形態シグネチャおよび運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、マージ・ベクトル・シグネチャに基づいて１つ以上の細菌を分類することとを含む。

例示的実施形態は、形態および運動性に基づいて細菌を同定するための方法と、コンピュータ・プログラム製品と、コンピュータ・システムとを開示する。この方法は、１つ以上の細菌に対応する形態シグネチャを抽出することと、１つ以上の細菌に対応する運動性シグネチャを抽出することとを含んでもよい。この方法は、形態シグネチャおよび運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、マージ・ベクトル・シグネチャに基づいて１つ以上の細菌を分類することとをさらに含んでもよい。

いくつかの実施形態によると、形態シグネチャを抽出することは、１つ以上の細菌の形態を、細菌の形態と細菌のタイプとを関連付けるモデルと比較することに基づいていてもよい。

実施形態において、細菌の形態と細菌のタイプとを関連付けるモデルは、細胞のサイズ、細胞の形状、細胞の長さ、細胞の直径、細胞の体積、およびグラム染色タイプを含む群より選択される特性を含んでもよい。

いくつかの実施形態によると、運動性シグネチャを抽出することは、１つ以上の細菌の運動性を、細菌の運動性と細菌のタイプとを関連付けるモデルと比較することに基づいていてもよい。

実施形態において、細菌の運動性と細菌のタイプとを関連付けるモデルは、ランの長さ、平均のランの長さ、ラン速度、平均ラン速度、タンブルの長さ、平均のタンブルの長さ、タンブル速度、平均タンブル速度、およびタンブルの間隔を含む群より選択される特性を含んでもよい。

いくつかの実施形態によると、細菌の運動性と細菌のタイプとを関連付けるモデルは、複製速度という特性をさらに含んでもよい。

実施形態において、形態シグネチャ、運動性シグネチャ、およびマージ・ベクトル・シグネチャは、人工知能アルゴリズムを介して生成されてもよい。

以下の詳細な説明は例として与えられるものであって、例示的実施形態をそれのみに限定することは意図されておらず、添付の図面と併用すると最もよく理解されるだろう。

例示的実施形態による細菌分類システム１００を示す例示的概略図である。 例示的実施形態による細菌分類システム１００の細菌分類器１３４がスマート・デバイス顕微鏡を用いて細菌を記録する動作を示す例示的な流れ図２００である。 例示的実施形態による細菌分類システム１００の細菌分類器１３４が形態および運動性シグネチャを用いて細菌を分類する一般的な動作を示す例示的な流れ図３００である。 例示的実施形態による細菌分類システム１００の細菌分類器１３４が細菌の形態シグネチャを抽出する動作を示す例示的な流れ図４００である。 例示的実施形態による細菌分類システム１００の細菌分類器１３４が細菌の運動性シグネチャを抽出する動作を示す例示的な流れ図５００である。 例示的実施形態による運動性シグネチャの生成の際に分析される細菌のランおよびタンブルを示す図である。 例示的実施形態による細菌分類器１３４が大腸菌（Ｅ．Ｃｏｌｉ）細菌を分類する例を示す図である。 例示的実施形態による細菌分類器１３４が枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）細菌を分類する例を示す図である。 例示的実施形態による図１の対話識別システム１００のハードウェア・コンポーネントを示す例示的なブロック図である。 例示的実施形態によるクラウド・コンピューティング環境を示す図である。 例示的実施形態による抽象化モデル・レイヤを示す図である。

図面は必ずしも縮尺どおりではない。図面は単なる概略的な表現であり、例示的実施形態の特定のパラメータを表現することは意図されていない。図面は典型的な例示的実施形態のみを示すことが意図されている。図面において、類似の番号は類似の構成要素を表す。

本明細書には、請求される構造および方法の詳細な実施形態が開示されている。しかし、開示される実施形態は、さまざまな形で具現化され得る請求される構造および方法の単なる例示であることが理解され得る。例示的実施形態は単なる例示であり、多くの異なる形で具現化されてもよく、本明細書に示される例示的実施形態に限定されると解釈されるべきではない。むしろこれらの例示的実施形態は、この開示が完全で完成したものとなり、かつ例示的実施形態によって包含されるべき範囲を当業者に完全に伝えるものとなるように提供される。記載においては、提供される実施形態を不必要に不明瞭にすることを避けるために、周知の特性および技術の詳細は省略されることがある。

明細書における「一実施形態」、「実施形態」、「例示的実施形態」などの言及は、記載される実施形態が特定の特性、構造、または特徴などを含み得るが、すべての実施形態が必ずしもその特定の特性、構造、または特徴を含まなくてもよいことを示す。さらに、こうした表現は必ずしも同じ実施形態を示すものではない。さらに、ある実施形態に関連して特定の特性、構造、または特徴が記載されるとき、明確に記載されていてもいなくても、こうした特性、構造、または特徴を他の実施形態と関連付けて実施することは当業者の知識の範囲内であると考えられる。

例示的実施形態の提示を不明瞭にしないために、以下の詳細な説明において、当該技術分野で公知のいくつかの処理ステップまたは動作は、提示および例示の目的のためにともに組み合わされていることがあり、場合によっては詳細に説明されていないことがある。他の場合には、当該技術分野で公知のいくつかの処理ステップまたは動作はまったく説明されないことがある。以下の説明は、さまざまな例示的実施形態による特有の特性または構成要素に焦点を当てたものであることが理解されるべきである。

たとえば食品および健康産業などの産業は、消費者食品中のたとえば大腸菌（Ｅ．Ｃｏｌｉ）、サルモネラ菌（Ｓａｌｍｏｎｅｌｌａ）、リステリア菌（Ｌｉｓｔｅｒｉａ）、およびカンピロバクター菌（Ｃａｍｐｙｌｏｂａｃｔｅｒ）などの細菌の存在を気にかけている。これらの細菌は環境および栄養条件が適切なときに増殖して生育するため、それらはほんの数時間のうちに急速に生育して微小コロニーとなり、さらに消費者に脅威をもたらし得る巨視的な薄いバイオフィルムとなる可能性がある。この理由から、たとえば食肉および農産物生産者などの食品提供者は、生産品中のこうした細菌を、たとえば１ミリリットル当たり１０コロニー形成単位（ｃｆｕ）すなわち１０ｃｆｕ／ｍｌなどの非常に少ない量に制限することが要求される。食品産業で食品中の細菌のタイプを決定するために用いられる現在の方法は濃縮プロセスを含み、ここでサンプルは８～２４時間にわたって試験され、その時間の間に細菌カウントは１０４ｃｆｕ／ｍｌに増加する。この濃度の細菌が試験のために利用可能になると、ポリメラーゼ連鎖反応（ＰＣＲ）またはＤＮＡ配列決定法を用いて、それらのＤＮＡに基づいて細菌の特定のタイプが同定されるが、これらの方法は効率性および容易さに欠ける。

例示的実施形態は、低コストの顕微鏡を用いて細菌をイメージングし、次いで多層またはディープ・ラーニング・ニューラル・ネットワークおよびコンピュータ・ビジョン技術に基づいて細菌を分類するための手段を開示する。例示的実施形態の主要部は、人工知能モデルを用いて液体中または固体表面上の細菌をイメージングおよび分類するためのカスタマイズされた低コストの顕微鏡を含む。例示的実施形態は、個々の細菌を同定するために人工知能アルゴリズムを使用するだけでなく、低コストの顕微鏡を用いてそれをより迅速に、より効率的に、より安価に、かつ正確な方式で行うことによって、既存の解決策を改善する。

図１は、例示的実施形態による細菌分類システム１００を示している。例示的実施形態によると、細菌分類システム１００はスマート・デバイス１２０と、細菌分類サーバ１３０とを含んでもよく、これらはネットワーク１０８を介して相互接続されてもよい。例示的実施形態のプログラミングおよびデータは、ネットワーク１０８を介していくつかのサーバにわたってリモートで記憶されてアクセスされてもよいが、例示的実施形態のプログラミングおよびデータは、代替的または付加的にただ１つの物理的コンピュータ・デバイスにローカルで記憶されてもよいし、図示されるもの以外のコンピュータ・デバイスの間で記憶されてもよい。たとえば実施形態において、ネットワーク１０８に接続する必要なくローカルで使用するために、細菌分類器１３４および必要なコンポーネントはすべてスマート・デバイス１２０に記憶されていてもよい。本明細書において、細菌分類システム１００の動作をより詳細に説明する。

例示的実施形態において、ネットワーク１０８は、接続されたデバイス間のデータ転送が可能な通信チャネルであってもよい。したがって、細菌分類システム１００のコンポーネントは、ネットワーク１０８を介して相互接続されたネットワーク・コンポーネントまたはネットワーク・デバイスを表してもよい。例示的実施形態において、ネットワーク１０８はインターネットであってもよく、インターネットに接続されたデバイス間の通信をサポートするためのネットワークおよびゲートウェイの世界的集合体を表していてもよい。さらに、ネットワーク１０８はたとえば有線、無線、光ファイバなどのさまざまなタイプの接続を使用してもよく、それらの接続はイントラネット・ネットワーク、ローカル・エリア・ネットワーク（ＬＡＮ：ｌｏｃａｌ ａｒｅａ ｎｅｔｗｏｒｋ）、広域ネットワーク（ＷＡＮ：ｗｉｄｅ ａｒｅａ ｎｅｔｗｏｒｋ）、またはその組み合わせとして実現されてもよい。さらなる実施形態において、ネットワーク１０８はＢｌｕｅｔｏｏｔｈ（Ｒ）ネットワーク、Ｗｉ－Ｆｉネットワーク、またはその組み合わせであってもよい。なおもさらなる実施形態において、ネットワーク１０８は２つ以上のパーティ間の電話を容易にするために用いられる電気通信ネットワークであってもよく、それは有線ネットワーク、無線ネットワーク、閉じられたネットワーク、衛星ネットワーク、またはその組み合わせを含む。一般的にネットワーク１０８は、接続されたデバイス間の通信をサポートする接続およびプロトコルの任意の組み合わせを表してもよい。

例示的実施形態において、スマート・デバイス１２０は光学アダプタ１２２と、細菌同定クライアント１２４とを含み、スマート・デバイス１２０は企業サーバ、ラップトップ・コンピュータ、ノートブック、タブレット・コンピュータ、ネットブック・コンピュータ、パーソナル・コンピュータ（ＰＣ：ｐｅｒｓｏｎａｌ ｃｏｍｐｕｔｅｒ）、デスクトップ・コンピュータ、サーバ、パーソナル・デジタル・アシスタント（ＰＤＡ：ｐｅｒｓｏｎａｌ ｄｉｇｉｔａｌ ａｓｓｉｓｔａｎｔ）、ダイヤル式電話、プッシュ式電話、スマート・フォン、携帯電話、仮想デバイス、シン・クライアント、ＩｏＴデバイス、または他のコンピュータ・デバイスからのデータの受信およびそこへの送信が可能な任意のその他の電子デバイスもしくはコンピュータ・システムであってもよい。実施形態において、スマート・デバイス１２０は、好ましくは１ミクロン以上の光学的分解能を有する、たとえばデジタル・カメラ、イメージャ、複合光顕微鏡、実体顕微鏡、デジタル顕微鏡、ＵＳＢコンピュータ顕微鏡、ポケット顕微鏡、電子顕微鏡、走査プローブ顕微鏡、および超音波顕微鏡などの測定器であってもよい。スマート・デバイス１２０は調整可能な光学的分解能を有してもよいが、実施形態例においては長さ１～１０ミクロンの細菌をイメージングするために１ミクロンの光学的分解能を有してもよい。当然のことながら、スマート・デバイス１２０の光学的分解能は適用に基づいて変動してもよく、さらに当然のことながら、こうした光学的分解能を達成するために、たとえば本明細書においてより詳細に説明される光学アダプタ１２２などの強化デバイスの使用が必要とされることがある。スマート・デバイス１２０は単一のデバイスとして示されているが、他の実施形態においてスマート・デバイス１２０は、モジュール方式などでともに動作するか、または独立して動作するコンピュータ・デバイスのクラスタまたは複数のコンピュータ・デバイスを含んでもよい。スマート・デバイス１２０は、図９を参照してハードウェアの実施としてより詳細に説明されるか、図１０を参照してクラウドの実施の一部としてより詳細に説明されるか、もしくは図１１を参照して処理のために機能的抽象化レイヤを使用するものとしてより詳細に説明されるか、またはその組み合わせである。

例示的実施形態において、光学アダプタ１２２は知覚データ収集を強化できるデバイスであってもよい。実施形態例において、こうした修正は拡大、照明、分解能、処理、フィルタリング、ノイズの低減などを含んでもよい。たとえば、光学アダプタ１２２は、スマート・フォン（スマート・デバイス１２０）が捕捉した画像をより進んだ分析のために拡大することができるレンズであってもよい。加えて光学アダプタ１２２は、非常に低い画像歪みでイメージングするための特殊化したレンズ、特殊照明、およびバックグラウンドとの良好なコントラストで細菌の画像を得るための光学部品を有してもよい。光学アダプタ１２２は、スマート・デバイス１２０が捕捉する画像の光学的分解能を増加させてもよく、かつたとえば１ミクロンなどの分解能で画像を拡大（例、１５～１００倍）してもよい。他の実施形態において、光学アダプタ１２２は光源と、ズームおよび焦点アジャスタと、光学アダプタ１２２をスマート・デバイス１２０に搭載するためのハードウェアと、細菌培養サンプルを収容するためのマイクロ流体封入セルと、サンプルを見るためのサンプル・ステージと、その他の機器とを含んでもよい。細菌培養サンプルを収容するためのマイクロ流体封入セルは、３～１０μｌの細菌培養サンプルを貯蔵してもよい。当然のことながら、スマート・デバイス１２０が光学アダプタ１２２を使用せずに所望の光学的分解能を達成できる、たとえばデジタル顕微鏡などの実施形態においては、光学アダプタ１２２を介したこうした強化は必要ないかもしれず、よってこうした実施形態では省略されてもよい。

細菌分類クライアント１２４は、クライアント－サーバ関係におけるクライアントとして動作してもよく、ユーザがネットワーク１０８を介してサーバおよび他のコンピュータ・デバイスと対話するためにユーザと通信してユーザ・インターフェースを提供できるソフトウェア・アプリケーションもしくはハードウェア・アプリケーションまたはその両方であってもよい。さらに、実施形態例において、細菌分類クライアント１２４は、ネットワーク１０８を介してスマート・デバイス１２０から他のデバイスへ、および他のデバイスからデータを転送できてもよい。実施形態において、細菌分類クライアント１２４は、Ｂｌｕｅｔｏｏｔｈ（Ｒ）、２．４ｇＨｚおよび５ｇＨｚインターネット、近距離無線通信、Ｚ－Ｗａｖｅ、Ｚｉｇｂｅｅなどを含む、データ伝送および交換のためのさまざまな有線および無線通信プロトコルを使用する。細菌分類クライアント１２４については、図２～５に関してより詳細に説明される。

例示的実施形態において、細菌分類サーバ１３０は１つ以上の細菌分類モデル１３２と、細菌分類器１３４とを含んでもよく、細菌分類クライアント１２４とのクライアント－サーバ関係におけるサーバとして動作してもよい。細菌分類サーバ１３０は企業サーバ、ラップトップ・コンピュータ、ノートブック、タブレット・コンピュータ、ネットブック・コンピュータ、ＰＣ、デスクトップ・コンピュータ、サーバ、ＰＤＡ、ダイヤル式電話、プッシュ式電話、スマート・フォン、携帯電話、仮想デバイス、シン・クライアント、ＩｏＴデバイス、または他のコンピュータ・デバイスからのデータの受信およびそこへの送信が可能な任意のその他の電子デバイスもしくはコンピュータ・システムであってもよい。細菌分類サーバ１３０は単一のデバイスとして示されているが、他の実施形態において細菌分類サーバ１３０は、ともに動作するか、または独立して動作するコンピュータ・デバイスのクラスタまたは複数のコンピュータ・デバイスを含んでもよい。細菌分類サーバ１３０は、図９を参照してハードウェアの実施としてより詳細に説明されるか、図１０を参照してクラウドの実施の一部としてより詳細に説明されるか、もしくは図１１を参照して処理のために機能的抽象化レイヤを使用するものとしてより詳細に説明されるか、またはその組み合わせである。

細菌分類モデル１３２は、１つ以上のタイプの細菌と、その１つ以上のタイプの細菌が示す１つ以上の特徴または特性との関連性をモデル化する１つ以上のアルゴリズムであってもよい。たとえば、こうした細菌は大腸菌（Ｅ．Ｃｏｌｉ）、バチルス（Ｂａｃｉｌｌｕｓ）、サルモネラ菌（Ｓａｌｍｏｎｅｌｌａ）、リステリア菌（Ｌｉｓｔｅｒｉａ）、カンピロバクター菌（Ｃａｍｐｙｌｏｂａｃｔｅｒ）、およびその他のブドウ球菌（Ｓｔａｐｈｙｌｏｃｏｃｃｕｓ）の細菌を含んでもよく、一方でこうした関連付けられる特性は細菌の形態（例、細菌のサイズ、形状、長さ、直径、体積、色など）、細菌の運動性（例、運動、遊泳速度、ラン時間、タンブル時間）、コロニー・パターン生育速度、増殖速度、染色応答、およびその他の人工知能分析に適したデータのソースを含んでもよい。実施形態例において、特定の細菌に対して、ならびに、液体培養物中、バイオフィルム中、および固体表面上の異なるライフ・ステージの細菌の両方に対して、細菌分類モデル１３２が個別に生成されてもよい。細菌分類モデル１３２は、１つ以上の特性があるタイプの細菌を示す可能性をモデル化するための、たとえばニューラル・ネットワーク、ディープ・ラーニング・ニューラル・ネットワーク、コンピュータ・ビジョン技術、粒子追跡アルゴリズムなどの機械学習法を用いて生成され得る。実施形態において、こうした特性は、ある特性が正しい細菌を示す可能性に基づいてモデルによって重み付けされてもよく、こうした重みはフィードバック・ループの使用によって微調整されてもよい。細菌分類モデル１３２については、図２～５を参照してより詳細に説明される。

例示的実施形態において、細菌分類器１３４は、細菌培養サンプルを受け取ることと、細菌培養サンプルの焦点およびズームに対する調整を受け取ることとが可能な、ソフトウェア・プログラムもしくはハードウェア・プログラムまたはその両方であってもよい。細菌分類器はさらに、所与の経過持続時間にわたって特定のフレーム・レートで、調整されたズームおよび焦点にて細菌の映像を記録できる。加えて細菌分類器１３４は、記録された映像から細菌培養サンプルのシーケンシャル・フレームを抽出することと、細菌培養サンプルの形態および運動性ベクトル・シグネチャを抽出することとが可能である。細菌分類器１３４は、形態および運動性ベクトル・シグネチャをマージすることと、マージ・ベクトル・シグネチャをモデルと比較することに基づいて細菌培養サンプルを分類することとが可能である。細菌分類器１３４については、図２～５を参照してより詳細に説明される。

図２は、例示的実施形態による細菌分類システム１００の細菌分類器１３４がスマート・デバイス顕微鏡を用いて細菌を記録する動作を示す例示的な流れ図を示している。

細菌分類器１３４は、細菌培養サンプルを受け取る（ステップ２０２）。実施形態例において、細菌分類器１３４は、液体内または固体表面の頂部に存在する培養サンプルを受け取る。液体内の細菌培養サンプルを分類する実施形態において、サンプルは３～１０マイクロリットルであってもよく、光学アダプタ１２２を使用する実施形態において、サンプルはマイクロ流体サンプル封入セルに含まれていてもよい。表面上の細菌を分類する実施形態において、その表面は数平方センチメートルであってもよい。液体および固体表面の両方の実施形態において、細菌培養サンプルは、スマート・デバイス１２０または光学アダプタ１２２の視界またはサンプル・ステージ内の中央に置かれてもよい。たとえば、細菌培養サンプルは、未知の細菌を含有する４マイクロリットルのマイクロ流体セルであってもよい。他の実施形態において、細菌分類器１３４は、たとえば卓上作業表面などのより大きな面積を走査するためのｘ－ｙ移動ステージに搭載されてもよい。

細菌分類器１３４は顕微鏡焦点調整を受け取る（ステップ２０４）。実施形態例において、細菌分類器１３４は、たとえばノブ、スライダ、ボタンなどの物理的アクチュエータか、または物理的アクチュエータを電気的に制御するたとえばデジタル・ノブ、スライダ、ボタンなどを有するタッチスクリーンなどのデジタル手段によってスマート・デバイス１２０の焦点面を変更するために、顕微鏡焦点調整を受け取ってもよい。実施形態において、細菌分類器１３４はスマート・デバイス１２０を介して焦点調整を受け取ってもよいし、光学アダプタ１２２を介して画像強化を実現する実施形態において、細菌分類器１３４は光学アダプタ１２２を介して焦点調整を受け取ってもよい。たとえば、光学アダプタ１２２は、光学アダプタ１２２の１つ以上のレンズとスマート・デバイス１２０との間の距離または角度を調整することによってスマート・デバイス１２０の焦点を変更するためのノブを有してもよい。

細菌分類器１３４は顕微鏡ズーム調整を受け取る（ステップ２０６）。実施形態例において、細菌分類器１３４は、たとえばノブ、スライダ、ボタンなどの物理的アクチュエータか、またはたとえばデジタル・ノブ、スライダ、ボタンなどを有するタッチスクリーンなどのデジタル手段によってスマート・デバイス１２０の画角を変更するために、顕微鏡ズーム調整を受け取ってもよい。実施形態において、細菌分類器１３４はスマート・デバイス１２０を介してズーム調整を受け取ってもよいし、光学アダプタ１２２を介して画像強化を実現する実施形態において、細菌分類器１３４は光学アダプタ１２２を介してズーム調整を受け取ってもよい。たとえば、光学アダプタ１２２は、光学アダプタ１２２の１つ以上のレンズとスマート・デバイス１２０との間の距離または角度を調整することによってスマート・デバイス１２０の焦点を変更するためのノブを有してもよい。

細菌分類器１３４は、所与の経過時間にわたってさまざまなフレーム・レートで映像を記録する（ステップ２０８）。実施形態において、細菌分類器１３４は、１～２分間の持続時間にわたって１ミクロンの分解能および１秒当たり２５～２５０フレームのフレーム・レートにて細菌を記録してもよい。しかし当然のことながら、細菌分類器１３４は細菌、機器、および適用に基づいて、さまざまな分解能、フレーム・レート、および持続時間で細菌を記録するように構成されてもよい。実施形態例において、記録された映像はネットワーク１０８を介して細菌分類クライアント１２４から細菌分類サーバ１３０に転送されてもよいが、他の実施形態において、記録された映像はスマート・デバイス１２０においてローカルに記憶および分析されてもよい。

図３は、例示的実施形態による細菌分類システム１００の細菌分類器１３４が形態および運動性シグネチャを用いて細菌を分類する動作を示す例示的な流れ図を示している。図３は細菌分類器１３４の動作の一般的な概観を示すのに対し、図４～５はそれぞれ細菌の形態および運動性の分析のより詳細な説明を提供することが認識されるだろう。

細菌分類器１３４は、記録された映像からシーケンシャル・フレームを抽出する（ステップ３０２）。実施形態例において、細菌分類器１３４は、細菌の形態および運動性を分析するために十分な任意の記録持続時間にわたる映像フレーム・レート内の任意の数のフレームを抽出してもよい。したがって、細菌のタイプに依存して、細菌分類器１３４は、細菌の形状（例、サイズ、直径、体積など）を識別するために十分な数のフレームと、細菌の運動（例、ラン、タンブル、増殖／複製）を分析するために十分な数のフレームおよび持続時間とを抽出してもよい。実施形態において、所望のフレーム・レートは固定された周期的なもの（例、１秒当たり１フレーム）であってもよいが、他の実施形態において、フレーム・レートは時間とともに増加または減少してもよい（例、持続時間全体にわたってより遅い時間にフレーム・レート抽出が増加する）。さらなる実施形態において、特定の現象に対してフレームが分析されてもよく、その特定の現象が起こったときにフレームが抽出されてもよいし、フレーム抽出の速度が増加してもよい。同様に、フレームを抽出する持続時間は固定されていても可変であってもよく、いくつかの実施形態は固定した持続時間を実現するのに対し、他の実施形態は細菌活性または特定の現象の発生に基づいて短縮または延長される持続時間を実現してもよい。

例示的な実施例を参照すると、細菌分類器１３４は、１つ以上の細菌を示す３分間の記録映像から、２分間の持続時間にわたって１秒当たり２５フレームのレートにてフレームを抽出してもよい。

細菌分類器１３４は形態シグネチャを抽出する（ステップ３０４）。実施形態例において、抽出された形態シグネチャは、たとえば病原性対非病原性細菌、グラム染色タイプ、形状、長さ、細胞の直径、細胞の体積などの特徴に関して細菌を表現するものである。次いで細菌分類器１３４は、未知の細菌を分類するために、分類済の細菌の形態シグネチャに対する抽出された形態シグネチャの類似性を定めてもよい。形態シグネチャの抽出に関する細菌分類器１３４の動作については、図４に関してより詳細に説明される。

上記で導入された例示的な実施例を続けると、細菌分類器１３４は、抽出されたフレーム内で捕捉された細菌の形態シグネチャを抽出する。

細菌分類器１３４は運動性シグネチャを抽出する（ステップ３０６）。実施形態例において、抽出された運動性シグネチャは、細菌が代謝エネルギーを用いて独立して動く能力に関して細菌を表現するものである。運動性シグネチャは、たとえば細菌のランの長さ／持続時間、細菌のランの速度および平均速度、細菌のタンブルおよびタンブルの長さ／持続時間、細菌の増殖／複製速度などの特徴を含んでもよい。次いで細菌分類器１３４は、未知の細菌を分類するために、分類済の細菌の運動性シグネチャに対する抽出された運動性シグネチャの類似性を定めてもよい。運動性シグネチャの抽出に関する細菌分類器１３４の動作については、図５に関してより詳細に説明される。

前に導入された例示的な実施例を再び参照すると、細菌分類器１３４は、抽出されたフレーム内で捕捉された細菌の運動性シグネチャを抽出する。

細菌分類器１３４は、形態および運動性シグネチャをマージしてマージ・ベクトル・シグネチャにする（ステップ３０８）。実施形態例において、形態および運動性ベクトル・シグネチャはマージされて、組み合わされたシグネチャを表す統合ベクトルとなる。次いで細菌分類器１３４は、閾値コンパレータを用いてマージ・ベクトルとモデルとを比較してもよく、その結果は、指定された信頼水準で細菌培養サンプル内に存在する細菌のタイプを示す。

例示的な実施例に戻ると、細菌分類器１３４は形態シグネチャと運動性シグネチャとを組み合わせて、マージ・ベクトル・シグネチャを作成する。

細菌分類器１３４は、細菌培養サンプルを分類および定量化する（ステップ３１０）。実施形態例において、細菌分類器１３４は、マージ・ベクトルとモデルとの閾値比較の結果に基づいて、細菌培養サンプルを１つ以上の個々の細菌のタイプに分類してもよい。たとえば、マージ・ベクトルが１つ以上の既知の細菌のマージ・ベクトルに対する類似性の閾値を超えていると判定したことに基づいて、細菌分類器１３４はその未知の細菌を既知の細菌と分類してもよい。

加えて、細菌分類器１３４は個々の細菌を分類できるため、細菌分類器１３４は分類された細菌の濃度を定量化できる。実施形態において、細菌分類器１３４は、形態および運動性分析に基づいて細菌の増殖／複製を検出するようにさらに構成されてもよく、それによって細菌分類器１３４は細菌を分類するときに細菌の増殖速度を考慮できるようになる。たとえば、細菌分類器１３４は観察された増殖／複製速度と既知の細菌の増殖／複製速度とを比較し、次いで細菌を分類するときにそれらの速度の定められた類似性を考慮してもよい。加えて細菌分類器１３４は、生存細胞と非生存細胞とを区別するために細菌の増殖の検出を利用するようにさらに構成されてもよい。たとえば細菌分類器１３４は、非常に低い増殖速度の検出か、もしくは細菌生活環の誘導期の検出か、またはその両方に基づいて、細胞が非生存であると判定してもよい。

上記で導入された例示的な実施例を参照すると、図７～８に示されるとおり、細菌分類器１３４は細菌培養サンプルのマージ・ベクトルと、既知の細菌のマージ・ベクトルとを比較して、細菌サンプルが大腸菌（Ｅ．Ｃｏｌｉ）および枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）を含有すると判定する。

細菌分類器１３４はモデルを調整する（ステップ３１２）。実施形態において、細菌分類器１３４は、細菌分類モデル１３２を修正して精度、速度、効率などを改善するために、受け取ったフィードバックを使用してもよい。したがって細菌分類モデル１３２は、フィードバック情報が利用可能であるときに細菌分類モデル１３２を継続的に修正／改善するように構成されてもよい。細菌分類器１３４は、たとえばユーザ入力、教師あり／教師なしトレーニング、細菌培養物がさらに調査される際の追加情報の拡張解析などのいくつかの方式で、フィードバックを受け取ってもよい。細菌分類モデル１３２に対するこうした修正は、細菌の各タイプおよびライフ・ステージに関する特性の追加／除去、特性の統合、特定の特性に関連する重みの増加／減少などを含んでもよい。たとえば細菌分類器１３４は、フィードバックを通じて正しいことが確認された細菌分類の推定において依拠された特性に関連する重みを増加してもよく、一方で誤った細菌の推定において依拠された特性に関連する重みを減少させてもよい。最も簡単な方式では、初期設定において細菌分類モデル１３２の厳密なトレーニング・ステージを実現する実施形態によって、細菌分類器１３４は正しい細菌または誤った細菌が同定されたことを示すフィードバックをユーザまたは管理者から受け取ってもよい。細菌分類器１３４は、ユーザまたは管理者からのこうしたフィードバックをランダムに要求しても、定期的な間隔で要求しても、細菌分類器１３４が確実性／確率の閾値未満の細菌推定を行った場合などに要求してもよい。より複雑な実施形態において、細菌分類器１３４は、細菌コロニーをさらに発達させることによってそれらの同定の困難さを低減することに基づいて、より遅い時間に前の細菌分類を確認するように構成されてもよい。細菌分類モデル１３２のトレーニングについては、図４～５に関してより詳細に説明される。

前に導入された実施例を再び参照すると、細菌分類器１３４は、分類された細菌が大腸菌（Ｅ．Ｃｏｌｉ）および枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）であることを確認するようユーザに指示する。代替的には、細菌分類器１３４は、より多くのデータを集めて結果を検証するために数分間経過させた後に、細菌を再分析してもよい。細菌分類器１３４が正しい細菌を同定したという確証を受け取ったことに基づいて、細菌分類器１３４はその判定において依拠された特性に関連する重みを増加してもよい。

図４は、例示的実施形態による細菌分類システム１００の細菌分類器１３４が細菌の形態シグネチャ３０４を抽出する動作を示す例示的な流れ図を示している。

細菌分類器１３４は、細胞の形態と細菌クラスとを関連付けるモデルをトレーニングする（ステップ４０２）。実施形態例において、細菌分類器１３４は、１つ以上の細菌が示す１つ以上の形態特徴に基づいて細菌の１つ以上のタイプ、量、およびライフ・ステージを分類できる、１つ以上のモデルすなわち１つ以上の細菌分類モデル１３２をトレーニングしてもよい。実施形態例において、細菌分類器１３４は、細菌の同一性を示す細菌の特定の特徴または特性を認識して重み付けするようにトレーニングされ、それらの重み付けされた特性を用いて細菌クラスを示す値を算出する。細菌分類器１３４は、同定可能な特徴を示す任意のタイプの細菌を同定するように構成されてもよく、こうした細菌は大腸菌（Ｅ．Ｃｏｌｉ）、サルモネラ菌（Ｓａｌｍｏｎｅｌｌａ）、リステリア菌（Ｌｉｓｔｅｒｉａ）、カンピロバクター菌（Ｃａｍｐｙｌｏｂａｃｔｅｒ）などを含んでもよく、細菌に関連する特性はサイズ、長さ、細胞の直径、細胞の体積、細胞の形状、細胞の色、グラム染色タイプ、細胞の増殖、細胞の増殖速度などを含んでもよい。実施形態例において、細菌分類器１３４は、教師ありトレーニングもしくは教師なしトレーニングまたはその両方のプロセスを通じて、こうした特性を認識して細菌と関連付けるようにトレーニングされてもよく、このプロセスにおいて細菌分類器１３４は、細菌生活環の全ステージにおいて液体中および固体表面上のさまざまな細菌の特性を観察する。いくつかの実施形態においては、細菌分類器１３４にさまざまな細菌の画像／映像を提供し、識別された特性と注釈付き細菌のタイプとを関連付けるように細菌分類器１３４を構成することによって、細菌分類器１３４をトレーニングしてもよい。こうした実施形態において、次いで細菌分類器１３４は追加の注釈付き画像を用いて試験および調整されてもよいが、このときに細菌のタイプを隠し、後に明らかになる細菌のタイプに基づいて細菌分類モデル１３２を微調整する。他の実施形態において、教師あり学習が実施されてもよく、ここではモデレータまたは管理者が画像内の細菌を同定し、それに従って細菌分類器１３４が重みを修正する。次いで細菌分類器１３４は、生成されたモデルを、次により詳細に説明される未知の細菌との比較のための参照として用いてもよい。

細菌分類器１３４の動作をさらに示すためにここで参照される例示的な実施例において、細菌分類器１３４は大腸菌（Ｅ．Ｃｏｌｉ）、カンピロバクター菌（Ｃａｍｐｙｌｏｂａｃｔｅｒ）、リステリア菌（Ｌｉｓｔｅｒｉａ）、およびサルモネラ菌（Ｓａｌｍｏｎｅｌｌａ）の細菌のタイプを同定するようにトレーニングされる。ここで細菌分類器１３４は、表１に示されるとおり、病原性対非病原性細菌、グラム染色、形状、長さ、細胞の直径、および細胞の体積の特性を用いてトレーニングされる。

細菌分類器１３４は、抽出された画像フレーム内の未知の細菌から輪郭およびブロブ形状のサンプルを収集する（ステップ４０４）。実施形態例において、細菌分類器１３４は、抽出されたフレーム内の個々の細菌の輪郭およびブロブを識別するために、たとえばエッジ検出器、ソーベル（Ｓｏｂｅｌ）フィルタなどの技術を使用してもよい。加えて細菌分類器１３４は、ノイズを低減して細菌画像セグメント特性を強調するために、画像を前処理してもよい。フレーム内の細菌のエッジを識別することに加えて、細菌分類器１３４は、画像フレーム内の識別された各細胞のサイズ、グラム染色タイプ、形状、長さ、細胞の直径、および細胞の体積をさらに定めてもよい。

先に導入された例示的な実施例を続けると、細菌分類器１３４は、未知の細菌の形状、長さ、直径、および体積を抽出する。

細菌分類器１３４は、トレーニング済のモデルを細菌の画像フレームに適用する（ステップ４０６）。実施形態において、細菌分類器１３４は、１つ以上の細菌の１つ以上のタイプを分類するために、細菌分類モデル１３２を細菌の画像フレームに適用するように構成されてもよい。前述のとおり、１つ以上の細菌分類モデル１３２は、細菌特性を重み付けして既知の細菌分類に関連付ける。したがって、トレーニング・フェーズの間に識別された既知の関連性を用いて、細菌分類器１３４は同じモデルを未知の細菌に適用でき、その結果として画像内の最も可能性の高い細菌のタイプを示す値が得られる。実施形態において、細菌分類器１３４は、２つの細菌の類似性の尺度を定めるために、たとえばシャム（Ｓｉａｍｅｓｅ）ネットワーク類似性などの類似性の尺度をモデルの既知の細菌と画像フレームの未知の細菌とに適用するように構成されてもよい。類似性レベルが特定の閾値を超えていることに基づいて、細菌分類器１３４は未知の細菌を既知の分類に分類してもよい。加えて、モデルはこうした特性を精度によって重み付けすることによって、特定の細菌に高度に関連することが証明された特性はより重く重み付けされて、分析の際により重く依拠されるように構成されてもよい。反対に、有益ではあるが関連性が少ない特性は、判定においてより少なく重み付けされる。さらに細菌分類器１３４は、本明細書においてより詳細に説明されるフィードバック・ループの使用によって、これらの重みをさらに微調整および改善してもよい。

前に導入された実施例を再び参照すると、細菌分類器１３４は、イメージングされた細菌のたとえば形状、サイズなどの形態特性を、イメージングされた細菌と比較する。

細菌分類器１３４は、マルチクラス予測ベクトルを生成する（ステップ４０８）。実施形態例において、生成されたマルチクラス予測ベクトルは、特性セットからシグネチャのセットへのマッピングである。細菌分類器１３４は、細菌が属するクラスをベクトルの形の出力として識別する機械学習モデルを使用する。たとえば細菌分類器１３４は、ある細菌が大腸菌（Ｅ．Ｃｏｌｉ）または枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）であるかどうかを、長さ１のベクトルの二項分類に基づいて判定してもよい。同様に、こうした分類が複数のクラスの細菌の間で行われてもよく、各ベクトル値はクラスを表す。

前に導入された実施例を再び参照すると、細菌分類器１３４は、細菌の形態に基づき、細胞の長さおよび細胞の直径に大きく依拠してその細菌を大腸菌（Ｅ．Ｃｏｌｉ）および枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）と分類して、サンプル内に存在する可能性が最も高い細菌は大腸菌（Ｅ．Ｃｏｌｉ）および枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）であると判定するために、マルチクラス予測ベクトルを生成する（図７～８を参照）。

図５は、例示的実施形態による細菌分類システム１００の細菌分類器１３４が細菌の運動性シグネチャ３０６を抽出する動作を示す例示的な流れ図を示す。当然のことながら、細菌の運動性シグネチャを抽出するためには、細菌のランおよびタンブルをランダム運動と区別する必要がある。ランおよびタンブルをランダム運動と区別するために、細菌分類器１３４は、以下により詳細に説明されるブラウン・ランダム運動との比較を使用する。

細菌分類器１３４は、抽出された画像フレームの１つ以上にわたって、１つ以上の細菌軌跡を追跡する（ステップ５０２）。実施形態例において、細菌分類器１３４は、たとえばエッジ検出器などを用いて第１のフレームにおける細菌の輪郭およびブロブを識別してから、その後の画像フレームにおいて同じ細菌を識別することによって、１つ以上の細菌軌跡を追跡してもよい。画像フレームの間に細菌が移動した距離と、画像フレームの間の経過時間とに基づいて、細菌分類器１３４は検出した細菌の軌跡を定め得る。

上記の実施例を再び参照すると、細菌分類器１３４は第１のフレーム内の細菌を検出し、同じ細菌が３８ミリ秒離れて捕捉されたフレームの間で０．５μｍ移動したことを検出する。

細菌分類器１３４は、サンプル・サブセットに対する遊泳運動（ラン）およびタンブル運動を取得する（ステップ５０４）。識別された軌跡に基づいて、細菌分類器１３４は細菌のランおよびタンブル運動を得てもよい。実施形態例において、細菌分類器１３４は、細菌の軌跡内で、たとえば経路からの顕著な逸脱のない線などの比較的真っ直ぐな線を識別することによって、ラン／遊泳運動を検出してもよい（図６を参照）。こうした直線運動は、遊泳とみなされるべき最小限の閾値を有してもよく、たとえば絶対直線距離など、またはたとえば細菌のサイズもしくはアスペクト比に対する直線距離などを必要としてもよい。こうした距離は、たとえば１０細菌長さなどであってもよい。加えて細菌分類器１３４は、たとえば細菌が自身の経路を１回以上横切った場合を識別することなどによって、タンブル、すなわち細菌がターン、スピン、回転などを行う運動を識別してもよい（図６を参照）。

上記の実施例を再び参照すると、細菌分類器１３４は、タンブルの前に直線運動を行う細菌を識別する。

細菌分類器１３４は、サンプル・サブセットの運動性の特徴を算出する（ステップ５０６）。実施形態例において、細菌分類器１３４は、運動性の特徴を算出するために細菌の軌跡を使用してもよい。たとえば、こうした運動性の特徴はランの長さ、ランの平均の長さ、ランの速度、ランの平均の速度、タンブルの長さ、タンブルの平均の長さ、タンブルの速度、タンブルの平均の速度、タンブルの間隔などを含んでもよい。実施形態例において、細菌分類器１３４は、画像フレームの間の時間に細菌がカバーした距離を推定することによって移動速度を推定することによって、こうした特徴を算出してもよい。

たとえば上記の実施例において、細菌分類器１３４は、細菌が３秒の持続時間にわたって５１μｍの距離を移動し、１７μｍの平均のランの長さと、１７μｍ／秒の平均のラン速度と、１秒のタンブル間隔とを示したことを決定する。

細菌分類器１３４は、各分類に対する対の分布として細菌シグネチャを識別する（ステップ５０８）。実施形態例において、細菌分類器１３４は、各分類に対する対、すなわち平均速度およびタンブル間隔の分布として運動性シグネチャを生成する。

上記の実施例を参照すると、細菌分類器１３４は、１７μｍ／秒の平均ラン速度と、１秒のタンブル間隔との分布に基づいて、運動性シグネチャを生成し得る。

細菌分類器１３４は、細菌位置シフト対タイムラプスを取得する（ステップ５１０）。細菌のランおよびタンブルをランダム運動と区別するために、細菌分類器１３４は細菌位置シフト対タイムラプスを取得する。ここで細菌分類器１３４は、経時的な位置シフトを算出するために、フレームにわたる細菌の軌跡を使用する。たとえば細菌分類器１３４は、定期的な間隔を置いて抽出されたフレーム間でサンプル内の細菌が移動した距離を測定してもよい。その距離およびフレームの間の時間に基づいて、細菌分類器１３４は位置シフト対タイムラプスを推定してもよい。

上記の実施例を続けると、細菌分類器１３４は、細菌の経時的な移動に基づいてシフト対タイムラプスを取得する。

細菌分類器１３４は、位置シフト分布対タイムラプスからシフトの分散を抽出する（ステップ５１２）。実施形態例において、細菌分類器１３４は位置シフト分布を生成して、位置シフト対タイムラプス・データの分散を定める。実施形態例において、細菌分類器１３４は異なるサイズの細菌の位置シフト分布を見ており、ここでより小さいサイズの細菌の分散はより大きい分散を有することになり、逆も同様である。これは細菌培養温度にも依存するため、実施形態において、両方のサンプルは大体同じ温度に保たれる。

細菌分類器１３４は、各分類に対する対の分布として細菌の運動性シグネチャを分類する（ステップ５１４）。実施形態例において、細菌分類器１３４は、各分類に対する対、すなわち分散およびタイムラプスの分布として運動性シグネチャを生成する。実施形態例において、運動性の特性もしくはシグネチャ分布またはその両方は、たとえばトレース・ベクトル、特定の方向における移動速度、速度、拡散などを介して収集されてもよい。

前に導入された実施例に戻ると、細菌分類器１３４は、細菌の分散およびタイムラプスの対の分布に基づいて運動性シグネチャを生成する。

図６は、例示的実施形態による運動性シグネチャの生成の際に分析される細菌のランおよびタンブルを示している。

図７は、例示的実施形態による細菌分類器１３４が大腸菌（Ｅ．Ｃｏｌｉ）細菌を分類する例を示している。

図８は、例示的実施形態による細菌分類器１３４が枯草菌（Ｂａｃｉｌｌｕｓ Ｓｕｂｔｉｌｉｓ）細菌を分類する例を示している。

図９は、例示的実施形態による図１の細菌分類システム１００内のデバイスのブロック図を示している。当然のことながら、図９は１つの実施の単なる例示を提供するものであり、異なる実施形態が実現され得る環境に関する任意の限定を意味するものではない。示される環境に対する多くの修正が行われてもよい。

本明細書において用いられるデバイスは、１つ以上のプロセッサ０２、１つ以上のコンピュータ可読ＲＡＭ０４、１つ以上のコンピュータ可読ＲＯＭ０６、１つ以上のコンピュータ可読記憶媒体０８、デバイス・ドライバ１２、読取り／書込みドライブまたはインターフェース１４、ネットワーク・アダプタまたはインターフェース１６を含んでもよく、これらすべてが通信ファブリック１８を通じて相互接続されている。通信ファブリック１８は、プロセッサ（たとえばマイクロプロセッサ、通信およびネットワーク・プロセッサなど）、システム・メモリ、周辺デバイス、およびシステム内の任意のその他のハードウェア・コンポーネントの間でデータを送るか、もしくは情報を制御するか、またはその両方を行うために設計された任意のアーキテクチャによって実現されてもよい。

１つ以上のオペレーティング・システム１０および１つ以上のアプリケーション・プログラム１１は、それぞれのＲＡＭ０４（通常はキャッシュ・メモリを含む）の１つ以上を介して１つ以上のプロセッサ０２によって実行されるために、コンピュータ可読記憶媒体０８の１つ以上に記憶されている。例示される実施形態において、各々のコンピュータ可読記憶媒体０８は、内部ハード・ドライブの磁気ディスク・ストレージ・デバイス、ＣＤ－ＲＯＭ、ＤＶＤ、メモリ・スティック、磁気テープ、磁気ディスク、光ディスク、半導体記憶デバイス、たとえばＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、フラッシュ・メモリなど、またはコンピュータ・プログラムおよびデジタル情報を記憶できる任意のその他のコンピュータ可読有形ストレージ・デバイスであってもよい。

本明細書において用いられるデバイスは、１つ以上のポータブル・コンピュータ可読記憶媒体２６からの読取りおよびそこへの書込みを行うためのＲ／Ｗドライブまたはインターフェース１４も含んでもよい。前記デバイスにおけるアプリケーション・プログラム１１は、ポータブル・コンピュータ可読記憶媒体２６の１つ以上に記憶され、それぞれのＲ／Ｗドライブまたはインターフェース１４を介して読取られて、それぞれのコンピュータ可読記憶媒体０８にロードされてもよい。

本明細書において用いられるデバイスは、たとえばＴＣＰ／ＩＰアダプタ・カードまたは無線通信アダプタ（たとえばＯＦＤＭＡ技術を用いた４Ｇ無線通信アダプタなど）などのネットワーク・アダプタまたはインターフェース１６も含んでもよい。前記コンピュータ・デバイスにおけるアプリケーション・プログラム１１は、ネットワーク（たとえばインターネット、ローカル・エリア・ネットワーク、またはその他の広域ネットワークもしくは無線ネットワークなど）と、ネットワーク・アダプタまたはインターフェース１６とを介して、外部コンピュータまたは外部ストレージ・デバイスからコンピュータ・デバイスにダウンロードされてもよい。プログラムは、ネットワーク・アダプタまたはインターフェース１６からコンピュータ可読記憶媒体０８にロードされてもよい。ネットワークは銅線、光ファイバ、無線伝送、ルータ、ファイヤウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはその組み合わせを含んでもよい。

本明細書において用いられるデバイスは、ディスプレイ・スクリーン２０、キーボードまたはキーパッド２２、およびコンピュータ・マウスまたはタッチパッド２４も含んでもよい。デバイス・ドライバ１２は、イメージングのためのディスプレイ・スクリーン２０、キーボードまたはキーパッド２２、コンピュータ・マウスまたはタッチパッド２４、あるいは英数字エントリおよびユーザ選択の圧力検知のためのディスプレイ・スクリーン２０、あるいはその組み合わせとインターフェースする。デバイス・ドライバ１２、Ｒ／Ｗドライブまたはインターフェース１４、およびネットワーク・アダプタまたはインターフェース１６は、ハードウェアおよびソフトウェア（コンピュータ可読記憶媒体０８もしくはＲＯＭ０６またはその両方に記憶される）を含んでもよい。

本明細書に記載されるプログラムは、例示的実施形態の特定の１つにおいてそれらのプログラムが実施されるアプリケーションに基づいて識別される。しかし当然のことながら、本明細書における任意の特定のプログラム体系は単に便宜のために用いられるものであり、よって例示的実施形態は、こうした体系によって識別されるか、もしくは意味されるか、またはその両方である任意の特定のアプリケーションにおける使用のみに限定されるべきではない。

前述に基づいて、コンピュータ・システムと、方法と、コンピュータ・プログラム製品とが開示されている。しかし、例示的実施形態の範囲から逸脱することなく、多数の修正および置換が行われ得る。したがって、例示的実施形態は限定ではなく例として開示されている。

この開示はクラウド・コンピューティングの詳細な説明を含むが、本明細書に記述される教示の実施はクラウド・コンピューティング環境に限定されないことが理解されるべきである。むしろ、例示的実施形態は、現在公知であるか、または後に開発される任意のその他のタイプのコンピューティング環境とともに実現され得る。

クラウド・コンピューティングは、最小限の管理努力またはサービスのプロバイダとのインタラクションによって迅速にプロビジョニングおよびリリースされ得る構成可能なコンピューティング・リソース（例、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス）の共有プールへの便利なオンデマンド・ネットワーク・アクセスを可能にするためのサービス配信のモデルである。このクラウド・モデルは少なくとも５つの特性と、少なくとも３つのサービス・モデルと、少なくとも４つの配置モデルとを含んでもよい。

特性は次のとおりである。
オンデマンド・セルフサービス。クラウド消費者は、たとえばサーバ時間およびネットワーク・ストレージなどのコンピューティング・ケイパビリティを、必要に応じて自動的に、サービスのプロバイダとの人的インタラクションを必要とせずに一方的にプロビジョニングできる。
広範なネットワーク・アクセス。ケイパビリティはネットワークを通じて利用可能であり、さまざまなシンまたはシック・クライアント・プラットフォーム（例、携帯電話、ラップトップ、およびＰＤＡ）による使用を容易にする標準的な機構を通じてアクセスされる。
リソース・プール。マルチテナント・モデルを用いて複数の消費者にサービスするために、プロバイダのコンピューティング・リソースはプールされ、要求に従って異なる物理および仮想リソースが動的に割り当ておよび再割り当てされる。消費者は一般的に、提供されるリソースの正確な場所に対する制御も知識も有さないが、より高い抽象化レベルにおける場所（例、国、州、またはデータ・センタ）を特定できてもよいという点で、場所独立性の意味が存在する。
迅速な順応性。ケイパビリティは、素早くスケール・アウトするために場合によっては自動的に、迅速かつ順応的にプロビジョニングされ、かつ素早くスケール・インするために迅速にリリースされ得る。消費者にとって、プロビジョニングのために利用可能なケイパビリティはしばしば無制限にみえ、任意のときに任意の量を購入できる。
従量制サービス。クラウド・システムは、サービスのタイプ（例、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント）に対して適切な何らかの抽象化レベルにおいて計測ケイパビリティを利用することによって、リソースの使用を自動的に制御および最適化する。リソースの使用をモニタ、制御、および報告して、使用されるサービスのプロバイダおよび消費者の両方に対する透明性を提供できる。

サービス・モデルは次のとおりである。
サービスとしてのソフトウェア（ＳａａＳ：Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）。消費者に提供されるケイパビリティは、クラウド・インフラストラクチャにおいて動作するプロバイダのアプリケーションの使用である。アプリケーションは、さまざまなクライアント・デバイスからたとえばウェブ・ブラウザ（例、ウェブ・ベースのｅメール）などのシン・クライアント・インターフェースを通じてアクセス可能である。消費者はネットワーク、サーバ、オペレーティング・システム、ストレージ、または個々のアプリケーション・ケイパビリティさえも含む基盤となるクラウド・インフラストラクチャを管理または制御することはなく、例外となり得るのは限られたユーザ特有のアプリケーション構成設定である。
サービスとしてのプラットフォーム（ＰａａＳ：Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ）。消費者に提供されるケイパビリティは、プロバイダによってサポートされるプログラミング言語およびツールを用いて作成された、消費者が作成または取得したアプリケーションのクラウド・インフラストラクチャへの配置である。消費者はネットワーク、サーバ、オペレーティング・システム、またはストレージを含む基盤となるクラウド・インフラストラクチャを管理または制御することはないが、配置されたアプリケーションおよびおそらくはアプリケーション・ホスティング環境構成に対する制御を有する。
サービスとしてのインフラストラクチャ（ＩａａＳ：Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）。消費者に提供されるケイパビリティは、オペレーティング・システムおよびアプリケーションを含み得る、消費者が任意のソフトウェアを配置および実行することが可能な処理、ストレージ、ネットワーク、およびその他の基本的なコンピューティング・リソースのプロビジョニングである。消費者は基盤となるクラウド・インフラストラクチャを管理または制御することはないが、オペレーティング・システム、ストレージ、配置されたアプリケーションに対する制御、およびおそらくはネットワーク形成コンポーネント（例、ホスト・ファイアウォール）の選択に対する限られた制御を有する。

配置モデルは次のとおりである。
プライベート・クラウド。このクラウド・インフラストラクチャは、ある組織に対してのみ操作される。これはその組織またはサード・パーティによって管理されてもよく、オンプレミスまたはオフプレミスに存在してもよい。
コミュニティ・クラウド。このクラウド・インフラストラクチャは複数の組織によって共有され、共通する関心事項（例、任務、セキュリティ要件、ポリシー、およびコンプライアンスの検討）を有する特定のコミュニティをサポートする。これはそれらの組織またはサード・パーティによって管理されてもよく、オンプレミスまたはオフプレミスに存在してもよい。
パブリック・クラウド。このクラウド・インフラストラクチャは、一般人または大規模な産業グループに対して利用可能にされ、クラウド・サービスを販売する組織が所有している。
ハイブリッド・クラウド。このクラウド・インフラストラクチャは２つ以上のクラウド（プライベート、コミュニティ、またはパブリック）の複合体であり、それらのクラウドは独自のエンティティに留まるが、データおよびアプリケーション・ポータビリティを可能にする標準または独自の技術（例、クラウド間のロード・バランシングのためのクラウド・バースティング）によってともに結合される。

クラウド・コンピューティング環境はサービス指向型であり、ステートレス性、低結合性、モジュラリティ、およびセマンティックな相互運用性に焦点を合わせている。クラウド・コンピューティングの中心には、相互接続されたノードのネットワークを含むインフラストラクチャがある。

ここで図１０を参照すると、例示的なクラウド・コンピューティング環境５０が示されている。示されるとおり、クラウド・コンピューティング環境５０は１つ以上のクラウド・コンピューティング・ノード４０を含み、たとえばパーソナル・デジタル・アシスタント（ＰＤＡ）もしくは携帯電話５４Ａ、デスクトップ・コンピュータ５４Ｂ、ラップトップ・コンピュータ５４Ｃ、または自動車のコンピュータ・システム５４Ｎ、あるいはその組み合わせなどの、クラウド消費者によって用いられるローカル・コンピュータ・デバイスが、このクラウド・コンピューティング・ノード４０によって通信してもよい。ノード４０は互いに通信してもよい。これらのノードは、たとえば上述したプライベート、コミュニティ、パブリック、もしくはハイブリッド・クラウド、またはその組み合わせなどの１つ以上のネットワークにおいて、物理的または仮想的にグループ化（図示せず）されてもよい。このことは、クラウド・コンピューティング環境５０がインフラストラクチャ、プラットフォーム、もしくはソフトウェア、またはその組み合わせを、クラウド消費者がそれに対するリソースをローカル・コンピュータ・デバイスにおいて維持する必要のないサービスとして提供することを可能にする。図１０に示されるコンピュータ・デバイス５４Ａ～Ｎのタイプは単なる例示であることが意図されており、コンピューティング・ノード４０およびクラウド・コンピューティング環境５０は、任意のタイプのネットワークもしくはネットワーク・アドレス可能接続（例、ウェブ・ブラウザを使用するもの）またはその両方を通じて、任意のタイプのコンピュータ・デバイスと通信できることが理解される。

ここで図１１を参照すると、クラウド・コンピューティング環境５０（図１０）によって提供される機能的抽象化レイヤのセットが示されている。図１１に示されるコンポーネント、レイヤ、および機能は単なる例示であることが意図されており、例示的実施形態はそれらに限定されないことが予め理解されるべきである。示されるとおり、以下のレイヤおよび対応する機能が提供される。

ハードウェアおよびソフトウェア・レイヤ６０は、ハードウェアおよびソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例は、メインフレーム６１、ＲＩＳＣ（縮小命令セット・コンピュータ（Ｒｅｄｕｃｅｄ Ｉｎｓｔｒｕｃｔｉｏｎ Ｓｅｔ Ｃｏｍｐｕｔｅｒ））アーキテクチャ・ベースのサーバ６２、サーバ６３、ブレード・サーバ６４、ストレージ・デバイス６５、ならびにネットワークおよびネットワーク形成コンポーネント６６を含む。いくつかの実施形態において、ソフトウェア・コンポーネントは、ネットワーク・アプリケーション・サーバ・ソフトウェア６７およびデータベース・ソフトウェア６８を含む。

仮想化レイヤ７０は抽象化レイヤを提供し、この抽象化レイヤから仮想エンティティの以下の例が提供されてもよい。仮想サーバ７１、仮想ストレージ７２、仮想プライベート・ネットワークを含む仮想ネットワーク７３、仮想アプリケーションおよびオペレーティング・システム７４、ならびに仮想クライアント７５。

一例において、管理レイヤ８０は以下に記載される機能を提供してもよい。リソース・プロビジョニング８１は、クラウド・コンピューティング環境内でタスクを行うために使用されるコンピューティング・リソースおよびその他のリソースの動的調達を提供する。計測および価格決定８２は、クラウド・コンピューティング環境内でリソースが使用される際のコスト追跡と、これらのリソースの消費に対する請求書またはインボイスの送付とを提供する。一例において、これらのリソースはアプリケーション・ソフトウェア・ライセンスを含んでもよい。セキュリティは、クラウド消費者およびタスクに対するアイデンティティ検証、ならびにデータおよびその他のリソースの保護を提供する。ユーザ・ポータル８３は、消費者およびシステム管理者に対するクラウド・コンピューティング環境へのアクセスを提供する。サービス・レベル管理８４は、要求されるサービス・レベルが満たされるようにクラウド・コンピューティング・リソースの割り当ておよび管理を提供する。サービス・レベル・アグリーメント（ＳＬＡ：Ｓｅｒｖｉｃｅ Ｌｅｖｅｌ Ａｇｒｅｅｍｅｎｔ）計画および実現８５は、ＳＬＡによって将来の要求が予測されるクラウド・コンピューティング・リソースに対する事前の取り決めおよびその調達を提供する。

ワークロード・レイヤ９０は、クラウド・コンピューティング環境が使用され得る機能の例を提供する。このレイヤから提供され得るワークロードおよび機能の例は、マッピングおよびナビゲーション９１、ソフトウェア開発およびライフサイクル管理９２、仮想教室の教育配信９３、データ分析処理９４、トランザクション処理９５、および細菌処理９６を含む。

例示的実施形態は、任意の可能な技術的詳細レベルの統合におけるシステム、方法、もしくはコンピュータ・プログラム製品、またはその組み合わせであってもよい。コンピュータ・プログラム製品は、プロセッサに例示的実施形態の態様を行わせるためのコンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体（または複数の媒体）を含んでもよい。

コンピュータ可読記憶媒体は、命令実行デバイスによって使用するための命令を保持および記憶できる有形デバイスであり得る。コンピュータ可読記憶媒体は、たとえば電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁気ストレージ・デバイス、半導体ストレージ・デバイス、または前述の任意の好適な組み合わせなどであってもよいが、それに限定されない。コンピュータ可読記憶媒体のより具体的な例の非網羅的リストは以下を含む。ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、リード・オンリ・メモリ（ＲＯＭ：ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、消去可能プログラマブル・リード・オンリ・メモリ（ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）（ＥＰＲＯＭまたはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ：ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、ポータブル・コンパクト・ディスク・リード・オンリ・メモリ（ＣＤ－ＲＯＭ：ｃｏｍｐａｃｔ ｄｉｓｃ ｒｅａｄ－ｏｎｌｙ ｍｅｍｏｒｙ）、デジタル多用途ディスク（ＤＶＤ：ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｋ）、メモリ・スティック、フレキシブル・ディスク、機械的にコード化されたデバイス、たとえばパンチ・カードまたは記録された命令を有する溝の中の隆起構造など、および前述の任意の好適な組み合わせ。本明細書において用いられるコンピュータ可読記憶媒体は、たとえば電波もしくはその他の自由に伝播する電磁波、導波路もしくはその他の伝送媒体を通じて伝播する電磁波（例、光ファイバ・ケーブルを通過する光パルス）、またはワイヤを通じて伝送される電気信号など、それ自体が一時的信号のものであると解釈されるべきではない。

本明細書に記載されるコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスにダウンロードされ得るか、またはたとえばインターネット、ローカル・エリア・ネットワーク、広域ネットワーク、もしくは無線ネットワーク、またはその組み合わせなどのネットワークを介して外部コンピュータまたは外部ストレージ・デバイスにダウンロードされ得る。ネットワークは銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイヤウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはその組み合わせを含んでもよい。各コンピューティング／処理デバイス内のネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信して、そのコンピュータ可読プログラム命令をそれぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に記憶するために転送する。

例示的実施形態の動作を実行するためのコンピュータ可読プログラム命令はアセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ：ｉｎｓｔｒｕｃｔｉｏｎ－ｓｅｔ－ａｒｃｈｉｔｅｃｔｕｒｅ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路に対する構成データ、または１つ以上のプログラミング言語の任意の組み合わせで書かれたソース・コードもしくはオブジェクト・コードであってもよく、このプログラミング言語はオブジェクト指向プログラミング言語、たとえばＳｍａｌｌｔａｌｋ、またはＣ＋＋など、および手続き型プログラミング言語、たとえば「Ｃ」プログラミング言語または類似のプログラミング言語などを含む。コンピュータ可読プログラム命令は、すべてがユーザのコンピュータで実行されてもよいし、スタンド・アロン・ソフトウェア・パッケージとして部分的にユーザのコンピュータで実行されてもよいし、一部がユーザのコンピュータで、一部がリモート・コンピュータで実行されてもよいし、すべてがリモート・コンピュータまたはサーバで実行されてもよい。後者のシナリオにおいて、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）または広域ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを通じてユーザのコンピュータに接続されてもよいし、（たとえば、インターネット・サービス・プロバイダを用いてインターネットを通じて）外部コンピュータへの接続が行われてもよい。いくつかの実施形態において、たとえばプログラマブル・ロジック回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ：ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙｓ）、またはプログラマブル・ロジック・アレイ（ＰＬＡ：ｐｒｏｇｒａｍｍａｂｌｅ ｌｏｇｉｃ ａｒｒａｙｓ）などを含む電子回路は、例示的実施形態の態様を行うために電子回路をパーソナライズするためのコンピュータ可読プログラム命令の状態情報を使用することによって、コンピュータ可読プログラム命令を実行してもよい。

本明細書においては、例示的実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品の流れ図もしくはブロック図またはその両方を参照して、例示的実施形態の態様を説明している。流れ図もしくはブロック図またはその両方の各ブロック、および流れ図もしくはブロック図またはその両方におけるブロックの組み合わせは、コンピュータ可読プログラム命令によって実現され得ることが理解されるだろう。

これらのコンピュータ可読プログラム命令は、汎用目的コンピュータ、特定目的コンピュータ、またはマシンを生成するためのその他のプログラマブル・データ処理装置のプロセッサに提供されることによって、そのコンピュータまたはその他のプログラマブル・データ処理装置のプロセッサを介して実行される命令が、流れ図もしくはブロック図またはその両方の単数または複数のブロックにおいて指定される機能／動作を実現するための手段を生じてもよい。これらのコンピュータ可読プログラム命令は、コンピュータ、プログラマブル・データ処理装置、もしくはその他のデバイス、またはその組み合わせに特定の方式で機能するように指示できるコンピュータ可読記憶媒体にも記憶されることによって、命令が記憶されたコンピュータ可読記憶媒体が、流れ図もしくはブロック図またはその両方の単数または複数のブロックにおいて指定される機能／動作の態様を実現する命令を含む製造物を含んでもよい。

コンピュータ可読プログラム命令は、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイスにもロードされて、コンピュータに実現されるプロセスを生成するためにコンピュータ、他のプログラマブル装置、または他のデバイスにおいて一連の動作ステップを行わせることによって、そのコンピュータ、他のプログラマブル装置、または他のデバイスにおいて実行される命令が、流れ図もしくはブロック図またはその両方の単数または複数のブロックにおいて指定される機能／動作を実現してもよい。

図面における流れ図およびブロック図は、さまざまな例示的実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実施のアーキテクチャ、機能、および動作を示すものである。これに関して、流れ図またはブロック図の各ブロックは、指定される論理機能（単数または複数）を実現するための１つ以上の実行可能命令を含むモジュール、セグメント、または命令の一部を表してもよい。いくつかの代替的実施において、ブロック内に示される機能は、図面に示されるものとは異なる順序で起こってもよい。たとえば、連続して示される２つのブロックは、実際には実質的に同時に実行されてもよいし、関与する機能によってはこれらのブロックがときに逆の順序で実行されてもよい。加えて、ブロック図もしくは流れ図またはその両方の各ブロック、およびブロック図もしくは流れ図またはその両方のブロックの組み合わせは、指定された機能または動作を行うか、特定目的のハードウェアおよびコンピュータ命令の組み合わせを実行する特定目的のハードウェア・ベースのシステムによって実現され得ることが注目されるだろう。

Claims (15)

1. 細菌を分類するためのコンピュータ実施方法であって、前記方法は、
   １つ以上の細菌に対応する形態シグネチャを抽出することと、
   前記１つ以上の細菌に対応する運動性シグネチャを抽出することと、
   前記形態シグネチャおよび前記運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、
   前記マージ・ベクトル・シグネチャに基づいて前記１つ以上の細菌を分類することと
   を含む、方法。
2. 前記形態シグネチャを抽出することは、前記１つ以上の細菌の形態を、細菌の形態と細菌のタイプとを関連付けるモデルと比較することに基づく、請求項１に記載の方法。
3. 前記細菌の形態と細菌のタイプとを関連付けるモデルは、細胞のサイズ、細胞の形状、細胞の長さ、細胞の直径、細胞の体積、およびグラム染色タイプを含む群より選択される特性を含む、請求項２に記載の方法。
4. 前記運動性シグネチャを抽出することは、前記１つ以上の細菌の運動性を、細菌の運動性と細菌のタイプとを関連付けるモデルと比較することに基づく、請求項１～３のいずれかに記載の方法。
5. 前記細菌の運動性と細菌のタイプとを関連付けるモデルは、ランの長さ、平均のランの長さ、ラン速度、平均ラン速度、タンブルの長さ、平均のタンブルの長さ、タンブル速度、平均タンブル速度、およびタンブルの間隔を含む群より選択される特性を含む、請求項４に記載の方法。
6. 前記細菌の運動性と細菌のタイプとを関連付けるモデルは、複製速度の前記特性をさらに含む、請求項１～５のいずれかに記載の方法。
7. 前記形態シグネチャ、前記運動性シグネチャ、および前記マージ・ベクトル・シグネチャは、人工知能アルゴリズムを介して生成される、請求項１～６のいずれかに記載の方法。
8. 細菌を分類するためのコンピュータ・プログラム製品であって、前記コンピュータ・プログラム製品は、
   処理回路によって可読のコンピュータ可読記憶媒体を含み、前記コンピュータ可読記憶媒体は、請求項１～７のいずれかに記載の方法を行うための前記処理回路による実行のための命令を記憶する、コンピュータ・プログラム製品。
9. コンピュータ可読媒体に記憶され、かつデジタル・コンピュータの内部メモリにロード可能なコンピュータ・プログラムであって、前記プログラムがコンピュータで実行されるときに請求項１～７のいずれかに記載の方法を行うためのソフトウェア・コード部分を含む、コンピュータ・プログラム。
10. 細菌を分類するためのコンピュータ・システムであって、前記コンピュータ・システムは、
    １つ以上のコンピュータ・プロセッサと、１つ以上のコンピュータ可読記憶媒体と、方法を実行し得る前記１つ以上のプロセッサの少なくとも１つによる実行のために前記コンピュータ可読記憶媒体の前記１つ以上に記憶されたプログラム命令とを含み、前記方法は、
    １つ以上の細菌に対応する形態シグネチャを抽出することと、
    前記１つ以上の細菌に対応する運動性シグネチャを抽出することと、
    前記形態シグネチャおよび前記運動性シグネチャをマージしてマージ・ベクトル・シグネチャにすることと、
    前記マージ・ベクトル・シグネチャに基づいて前記１つ以上の細菌を分類することと
    を含む、コンピュータ・システム。
11. 前記形態シグネチャを抽出することは、前記１つ以上の細菌の形態を、細菌の形態と細菌のタイプとを関連付けるモデルと比較することに基づく、請求項１０に記載のコンピュータ・システム。
12. 前記細菌の形態と細菌のタイプとを関連付けるモデルは、細胞のサイズ、細胞の形状、細胞の長さ、細胞の直径、細胞の体積、およびグラム染色タイプを含む群より選択される特性を含む、請求項１１に記載のコンピュータ・システム。
13. 前記運動性シグネチャを抽出することは、前記１つ以上の細菌の運動性を、細菌の運動性と細菌のタイプとを関連付けるモデルと比較することに基づく、請求項１０～１２のいずれかに記載のコンピュータ・システム。
14. 前記細菌の運動性と細菌のタイプとを関連付けるモデルは、ランの長さ、平均のランの長さ、ラン速度、平均ラン速度、タンブルの長さ、平均のタンブルの長さ、タンブル速度、平均タンブル速度、およびタンブルの間隔を含む群より選択される特性を含む、請求項１３に記載のコンピュータ・システム。
15. 前記細菌の運動性と細菌のタイプとを関連付けるモデルは、複製速度の前記特性をさらに含む、請求項１１～１４のいずれかに記載のコンピュータ・システム。

Images