JP2022546206A - 検体レベルの適応正規化のための方法、装置、及びコンピュータ読み取り可能な媒体 - Google Patents
検体レベルの適応正規化のための方法、装置、及びコンピュータ読み取り可能な媒体 Download PDFInfo
- Publication number
- JP2022546206A JP2022546206A JP2022506418A JP2022506418A JP2022546206A JP 2022546206 A JP2022546206 A JP 2022546206A JP 2022506418 A JP2022506418 A JP 2022506418A JP 2022506418 A JP2022506418 A JP 2022506418A JP 2022546206 A JP2022546206 A JP 2022546206A
- Authority
- JP
- Japan
- Prior art keywords
- analyte
- scale factor
- samples
- analyte levels
- normalization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
- G01N33/6848—Methods of protein analysis involving mass spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Biotechnology (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Microbiology (AREA)
Abstract
Description
本明細書で使用されるように、単語「できる(can)」は、強制的な意味(すなわち、意味しなければならない)ではなく、許容的な意味(すなわち、可能性を有する意味)で使用される。同様に、「include)」、「including」、「includes」、「comprise」、「comprises」、「comprising」等は、要素を含むという意味であり、それに限られる意味ではない。
(1) 関心のある指示されたグループ、
(2) 指示されたグループ間の差を決定するために使用される検定統計量
(3) 多重検定補正方法
(4) 検定の重要性レベルのカットオフ
メモリ1001内に記憶されたすべてのソフトウェアは、コンピュータ読み取り可能命令として記憶することができ、それは、1つ以上のプロセッサ1002によって実行されると、プロセッサが本明細書に記載する機能を実行するようにする。
図11は、38の技術的反復検定についての全てのアプタマーベースのプロテオミクスアッセイ測定にわたる変動係数の中央値を示す。出願人は、13回のアプタマーベースのプロテオミクスアッセイラン(品質管理(QC)サンプル)から38回の技術的反復を行い、測定値の平均/中央値にわたり、測定値の標準偏差として定義される変動係数(CV)を、アプタマーベースのプロテオミックアッセイメニューに亘る各検体について計算した。ANMLを使用して、出願人は、各サンプルを正規化し、その一方で、各サンプルが正規化プロセスの下で許容される反復の最大数を制御した。反復の中央値CVは、許容可能な反復の最大数が増加するにつれて減少したCVを示し、反復が収束することを許容されるにつれて増加する精度を示す。
図12は、最大許容反復に関する、サンプルについての性別特異的バイオマーカーに対するコルモゴロフ-スミルノフ統計量を示す。
662回(BI、Boulderにて)、2066 QCサンプルを用いて実施する。これらの反復は、4つの異なるQCロットを含む。図13は、分析に使用した血漿及び血清についてのサンプルIDによるQCサンプルの数を示す。
第1の比較は、異なる正規化基準/方法間のスケールファクタの一致を調べることである。僅かな差しかない場合には、他のすべてのメトリックの良好な一致が期待される。図1は、血漿及び血清中のQCサンプルについてのスケールファクタを示し、これは、QC_1710255(これについて、本出願人は、はるかに最大の反復数を有する)について、大部分について、大きな差異は存在しない(破線は、スケールファクタにおける0.1の差異を表す。したがって、差異は、ほとんど0.05未満である)。
次いで、我々は、正規化中央値及びANMLにおいて、血漿及び血清サンプル中の対照サンプルについてCV分解を計算した。図15は、中央値正規化及びANMLを用いた対照サンプルのCV分解を示す。線は、プレート内(intra)、プレート間(inter)、及び全体での各対照サンプルについてのCVの経験的累積分布関数を示す。ANMLが対照サンプルの再現性を変化させないことを示す2つの正規化ストラテジーの間には、(もしあるとしても)識別可能な差はほとんどない。
[QC比率(参照に対する)]
ANML後、QCロットの各々について参照を計算し、これらの参照値を使用して、各ランにおける中央値QC値と比較する。血漿及び血清中のQCサンプルの経験的累積分布関数。図16は、中央値正規化及びANMLを用いた中央値QC比を示す。各ラインは、個々のプレートを示す。これらの比率分布は、我々が「良好である」分布を有する場合、ANMLを使用した場合に分布があまり変化しなかったことを示す。一方、一対の異常な分布(明るい青色のプラズマ)は、ANML下では幾分良好になる。テールはあまり影響を受けていないように思われるが、どちらの方法についても、それらの差及び比率と同様に、テールの%を下回るようにプロットすることを確実にする。図17は、中央値正規化及びANMLを用いたテール部におけるQC比を示す。各ドットは個々のプレートを示し、黄色の線はプレート破損基準を示し、デルタプロットの点線は+-0.5%であり、一方、比プロットの点線は0.9、1.1である。本出願人は、失敗に変化がないことを確認する(テール部において15%を超えた唯一のプロットされたランはそこに残存し、プロットされなかった異常なものは異常なままである)。さらに、テール部における差異は、ほとんど全てのランについて0.5%をはるかに下回る。
出願人は、正規化中の検体排除について2.0の一貫したマハラノビス距離カットオフを用いて、臨床(Covance)及び実験(タイムトゥスピン)データセットにおけるSSANに対するANMLの効果を比較した。
タイムトゥスピンの実験は、18の固体を用いて行われた。6本のK2EDTA-血漿採血管の各々は、処理の前に、0、0.5、1.5、3、9、24時間放置された。
、数千の検体は、信号の変化が処理時間の関数となることを示す。同一の検体は、制御されないプロトコル、又はSomaLogic収集プロトコルと一致しない処理プロトコルを用いて、臨床サンプルと類似した動きを示す。SSANからのスケールファクタをALMNと比較した。図18は、SSAN及びANMLを用いたタイムトゥスピンのサンプルにおけるスケールファクタの一致を示す。各ドットは、個々のサンプルを示す。2つの方法の間には非常に良好な一致がある。
次に、本出願人は、集団参照を導出するために使用されたコーヴァンス血漿サンプルにおいてANMLを検定した。単一サンプル適応スキームを用いて得られたスケールファクタの比較が、希釈群によって図20に示されている。図20は、SSAN及びANMLを用いたコーヴァンス(血漿)からのスケールファクタ間の一致プロットを示す。各ドットは個体を示し、実線は同一性を示す。2つの方法の間で非常に良好な一致が再び得られる。
分析は、ハイブリダイゼーション正規化され、内部的に校正されたデータから開始する。以下の全ての研究において、特に断らない限り、適応正規化法は、BH多重検定補正と共に、定義された群における差を検出するためにStudent's T検定を使用する。典型的には、正規化は、挙動を調べるために異なるカットオフ値で繰り返される。すべての場合において、適応正規化は、標準中央値正規化スキームと比較される。
コーヴァンスは、5つの異なる収集サイト(サンディエゴ、ホノルル、ポートランド、ボイシ、及びオースチン/ダラスに亘って健康な個体から血漿及び血清サンプルを収集した。テキサスサイトからの1つのサンプルのみがアッセイされ、従って、この分析から取り除かれた。各行列についての167コーヴァンスのサンプルをアプタマーベースのプロテオミクスアッセイ(V3アッセイ;5kメニュー)で泳動した。ここで、指示されたグループは、最初の4つの収集サイトによって定義される。
(1)収集サイトバイアス又は生物学的バイアスのないデータセットについて、適応正規化は、血清測定について示されるように、標準正規化中央値の結果を忠実に再現する。複数のサイト又は分析前変動又は他の臨床共変量が多くの検体測定値に影響を及ぼす状況では、適応正規化は、スケールファクタ決定中に変更された測定値を除去することによって、データを正しく正規化する。スケールファクタが計算されると、サンプル全体がスケーリングされる。
個体当たり複数のチューブを有する18個体から採取したサンプルを、室温で0、0.5、1.5、3、9、及び24時間回転させる前に載置させた。サンプルは、標準的なアプタマーベースのプロテオミクスアッセイを使用して測定された。
PBANの有用性の最終例には、おそらく一貫した収集であるが、対象となる基礎的な生理学的状態である慢性腎臓病(CKD)のために、極めて大きな生物学的作用を有する単一サイトからのデータセットが含まれる。
標準的な正規化中央値を用いて、全希釈を通じた疾患(GFR)状態別の正規化尺度の中央値因子の有意差を観察し、GFRと血漿中の蛋白質濃度との間に強い逆相関があることを示している。図32は、GFR値によって分割された希釈及び疾患状態による標準正規化スケールファクタの中央値を示す。この効果は、3つの希釈液全てに存在するが、0.005%混合液で最も弱く、観察されたバイアスのいくつかは、上記の例のようにNSBによるものであることを示唆している。
集団ベースの適応正規化の使用は、データセットに関連するメタデータに依存する。実際には、臨床変数、アウトカム、又は収集プロトコルが多数の検体測定に影響を及ぼす場合、標準的なデータワークアッププロセスから分析ツールに正規化を移動させる。本出願人は、分析前の変動ならびに極端な生理学的変動を有する検定を検討し、この手順は、性能の尺度としてスケールファクタにおけるバイアスを使用して良好に機能する。
最後に、適応正規化は、収集サイトに亘って一致しないか、又は疾患状態と強く相関する検体を正規化計算から除去することによって機能するが、そのような差は、正規化後に保存され、さらには増強される。この手順は、収集サイトのバイアス、又はGFRに起因する蛋白質レベルを「補正」しない。むしろ、このような大きな差異効果が、データ中にアーチファクトを導入し、そして蛋白質シグネチャーを破壊するので、正規化の間に除去されないことを確実にする。逆も真であり、殆どの差は適応正規化後に強調され、一方、未分化測定はより一貫して行われる。
出願人は、少数の検体(例えば、測定値の5%未満)を含む生物学的応答を有する一貫して収集されたサンプルを用いて、データセットの標準正規化を再現するロバストな正規化手順(集団ベースの適応正規化、aka PBAN)を開発した。サイト依存性のバイアス(分析前の変動)を有する収集物について、又は多くの検体が影響を受ける臨床集団の研究について、適応正規化手順は、意図しないサンプルバイアスに起因するアーチファクトの導入を防ぎ、そして生物学的応答を弱めない。ここに提示された分析は、正規化の間、主要な臨床変数もしくは収集サイト、又はその両方を使用して正規化を導くための適応正規化の使用を支持する。
Claims (35)
- 1つ以上のサンプル中の検体レベルの適応正規化のために1つ以上のコンピューティングデバイスによって実行される方法であって、
1つ以上のコンピューティングデバイスのうちの少なくとも1つによって、1つ以上のサンプル中で検出された1つ以上の検体に対応する1つ以上の検体レベルを受信し、各検体レベルは、前記1つ以上のサンプル中の前記検体の検出された量に対応するステップと、
複数回の反復に亘って1つ以上の検体レベルを正規化し、正規化は、各反復について、前記1つ以上の検体レベル中の任意の外れ値検体レベルを除去し、前記1つ以上の検体レベル中の少なくとも1つの残りの検体レベルの少なくとも一部に基づいてスケールファクタを計算し、前記1つ以上の検体レベルにスケールファクタを適用することによって行われるステップと
を備え、
前記1つ以上の検体レベルにおける外れ値検体レベルは、各検体レベルと、参照データセットにおけるその検体の対応する参照分布との間の外れ値分析に少なくとも部分的に基づいて決定される方法。 - 前記外れ値分析は、距離ベースの外れ値分析を含む、請求項1に記載の方法。
- 前記外れ値分析は、密度ベースの外れ値分析を含む、請求項1に記載の方法。
- 前記複数回の反復に亘って1つ以上の検体レベルを正規化することは、連続する反復間のスケールファクタの変化が所定の変化閾値以下になるまで、又は1つ以上の反復の量が最大反復値を超えるまで、追加の反復を実行することを含む、請求項1~3のいずれか1項に記載の方法。
- 1つ以上のサンプル中の検体レベルの適応正規化のためのコンピュータ実行方法であって、その方法は、
1つ以上のサンプル中で検出された1つ以上の検体に対応する1つ以上の検体レベルを受け取り、各検体レベルは、前記1つ以上のサンプル中の前記検体の検出された量に対応するステップと、
連続する反復間のスケールファクタの変化が所定の変化閾値以下になるまで、又は1つ以上の反復の量が最大反復値を超えるまで、複数回の反復に亘ってスケールファクタを前記1つ以上の検体レベルに反復的に適用することを反復するステップと
を含み、
前記複数回の反復における各反復は、
前記1つ以上の検体レベルにおける各検体レベルと、参照データセットにおける前記検体の対応する参照分布との間の距離を決定するステップと、
対応する参照分布から所定の距離内にある検体レベルに少なくとも部分的に基づいてスケールファクタを決定するステップと、
前記スケールファクタを適用することによって1つ以上の検体レベルを正規化するステップと
を含む、コンピュータ実行方法。 - 前記1つ以上の検体レベルにおける各検体レベルと、前記参照データセットにおける前記検体の対応する参照分布との間の距離を決定することは、各検体レベルと、前記参照データセット内の前記検体の対応する参照分布との間のマハラノビス距離の絶対値を決定するステップを含む、請求項5に記載の方法。
- 前記1つ以上の検体レベルにおける各検体レベルと、前記参照データセットにおける前記検体の対応する参照分布との間の距離を決定することは、各検体レベルと、前記参照データセット内の前記検体の対応する参照分布の平均又は中央値との間の標準偏差の量を決定することを含む、請求項5に記載の方法。
- 前記所定の距離は、0.5~6の範囲の値を含む、請求項5~7のいずれか1項に記載の方法。
- 前記所定の距離は、1~4の範囲の値を含む、請求項5~8のいずれか1項に記載の方法。
- 前記所定の距離は、1.5~3.5の範囲の値を含む、請求項5~9のいずれか1項に記載の方法。
- 前記所定の距離は、1.5~2.5の範囲の値を含む、請求項5~10のいずれか1項に記載の方法。
- 前記所定の距離は、2.0~2.5の範囲の値を含む、請求項5~11のいずれか1項に記載の方法。
- 対応する参照分布から所定の距離内にある検体レベルに少なくとも部分的に基づいて前記スケールファクタを決定するステップは、
対応する参照分布から所定の距離内にある各検体レベルの検体スケールファクタを決定するステップであって、前記検体スケールファクタは、前記検体レベルと、対応する参照分布の平均値又は中央値とに少なくとも部分的に基づいて決定されるステップと、
それら対応する参照分布から所定の距離内にある検体レベルに対応する検体スケールファクタの平均又は中央値のいずれかを計算することによってスケールファクタを決定するステップと
を含む、請求項5~12のいずれか1項に記載の方法。 - それら対応する参照分布から所定の距離内にある検体レベルに少なくとも部分的に基づいて前記スケールファクタを決定するステップは、それら対応する参照分布から所定の距離内にある検体レベルが、対応する参照分布の一部である確率を最大にするスケールファクタの値を決定することを含む、請求項5~12のいずれか1項に記載の方法。
- 各検体レベルが対応する参照分布の一部である確率が、前記スケールファクタ、前記検体レベル、前記対応する参照分布の標準偏差、及び前記対応する参照分布の中央値に少なくとも部分的に基づいて決定される、請求項14に記載の方法。
- 前記後続の反復の間の前記スケールファクタの変化は、パーセンテージ変化として測定され、前記所定の変化閾値は、0パーセントと40パーセントとの間の値を含む、請求項4~15のいずれか1項に記載の方法。
- 前記所定の変化閾値は、0%と20%との間の値を含む、請求項4~16のいずれか1項に記載の方法。
- 前記所定の変化閾値は、0%と10%との間の値を含む、請求項4~17のいずれか1項に記載の方法。
- 前記所定の変化閾値は、0%と5%との間の値を含む、請求項4~18のいずれか1項に記載の方法。
- 前記所定の変化閾値は、0%と2%との間の値を含む、請求項4~19のいずれか1項に記載の方法。
- 前記所定の変化閾値は、0パーセントと1パーセントとの間の値を含む、請求項4~20のいずれか1項に記載の方法。
- 前記所定の変化閾値は、0パーセントを含む、請求項4~21のいずれか1項に記載の方法。
- 前記最大反復値は、10回の反復、20回の反復、30回の反復、40回の反復、50回の反復、100回の反復、又は200回の反復のうちの1つを含む、請求項4~22のいずれか1項に記載の方法。
- 前記スケールファクタは、前記少なくとも1つの残りの検体レベルを、それらの対応する参照分布の中央値又は平均値に正規化することによって計算される、請求項1~4のいずれか1項に記載の方法。
- 前記残りの検体レベルがそれらの対応する参照分布の一部である確率を最大化することによって前記スケールファクタが計算される、請求項1~4のいずれか1項に記載の方法。
- 前記1つ以上のサンプルが生物学的サンプルを含む、請求項1~25のいずれか1項に記載の方法。
- 前記生物学的サンプルが、血液サンプル、血漿サンプル、血清サンプル、脳脊髄液サンプル、細胞溶解物サンプル、又は尿サンプルのうちの1つ以上を含む、請求項26に記載の方法。
- 前記1つ以上のサンプル中で検出された前記1つ以上の検体に対応する前記1つ以上の検体レベルが、前記1つ以上のサンプル中で検出された複数の検体に対応する複数の検体レベルを含む、請求項1~27のいずれか1項に記載の方法。
- 1つ以上の検体が、蛋白質検体、ペプチド検体、糖検体、又は脂質検体のうちの1つ以上を含む、請求項1~28のいずれか1項に記載の方法。
- 各検体レベルが、前記検体の結合パートナーを1つ以上のサンプルに適用することに基づいて決定され、
前記結合パートナーの検体への結合は、測定可能な信号を生じさせ、
前記測定可能な信号は、前記検体レベルを生じさせる、請求項1~29のいずれか1項に記載の方法。 - 前記結合パートナーが抗体又はアプタマーである、請求項30に記載の方法。
- 各検体レベルが、1つ以上のサンプルの質量分析に基づいて決定される、請求項1~31のいずれか1項に記載の方法。
- 前記1つ以上のサンプルが複数のサンプルを含み、前記1つ以上の検体に対応する1つ以上の検体レベルが、各検体に対応する複数の検体レベルを含み、
前記1つ以上の検体レベル内の各検体レベルと、前記参照データセット内の前記検体の対応する参照分布との間の距離を決定するステップが、
Student's T検定、コルモゴロフ‐スミノフ検定、又は各検体に対応する複数の検体レベルと、参照データセット中の各検体の対応する参照分布との間のCohenのD統計量を決定することを含む、請求項1~32のいずれか1項に記載の方法。 - 1つ以上のプロセッサによって実行されると、前記1つ以上のプロセッサに、請求項1~33のいずれか1つによる方法を実行させるコンピュータプログラム。
- 請求項1~33のいずれか1項に記載の方法を実行するように構成された装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962880791P | 2019-07-31 | 2019-07-31 | |
US62/880,791 | 2019-07-31 | ||
PCT/US2020/043614 WO2021021678A1 (en) | 2019-07-31 | 2020-07-24 | Method, apparatus, and computer-readable medium for adaptive normalization of analyte levels |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022546206A true JP2022546206A (ja) | 2022-11-04 |
Family
ID=74228873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022506418A Pending JP2022546206A (ja) | 2019-07-31 | 2020-07-24 | 検体レベルの適応正規化のための方法、装置、及びコンピュータ読み取り可能な媒体 |
Country Status (12)
Country | Link |
---|---|
US (1) | US20220293227A1 (ja) |
EP (1) | EP4004559A4 (ja) |
JP (1) | JP2022546206A (ja) |
KR (1) | KR20220073732A (ja) |
CN (1) | CN114585922A (ja) |
AU (1) | AU2020322435A1 (ja) |
BR (1) | BR112022001579A2 (ja) |
CA (1) | CA3147432A1 (ja) |
IL (1) | IL289847A (ja) |
MX (1) | MX2022001336A (ja) |
WO (1) | WO2021021678A1 (ja) |
ZA (1) | ZA202202429B (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023211771A1 (en) | 2022-04-24 | 2023-11-02 | Somalogic Operating Co., Inc. | Methods for sample quality assessment |
WO2023211769A1 (en) | 2022-04-24 | 2023-11-02 | Somalogic Operating Co., Inc. | Methods for sample quality assessment |
WO2023211770A1 (en) | 2022-04-24 | 2023-11-02 | Somalogic Operating Co., Inc. | Methods for sample quality assessment |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7039446B2 (en) * | 2001-01-26 | 2006-05-02 | Sensys Medical, Inc. | Indirect measurement of tissue analytes through tissue properties |
EP1432976A4 (en) * | 2001-09-05 | 2007-11-28 | Genicon Sciences Corp | DEVICE FOR READING SIGNALS EMITTED BY RESONANCE LIGHT DISPERSION PARTICLES USED AS MARKERS |
US20090136966A1 (en) * | 2005-07-28 | 2009-05-28 | Biosystems International Sas | Normalization of Complex Analyte Mixtures |
US7865389B2 (en) * | 2007-07-19 | 2011-01-04 | Hewlett-Packard Development Company, L.P. | Analyzing time series data that exhibits seasonal effects |
WO2017083310A1 (en) * | 2015-11-09 | 2017-05-18 | Inkaryo Corporation | A normalization method for sample assays |
WO2018094204A1 (en) * | 2016-11-17 | 2018-05-24 | Arivale, Inc. | Determining relationships between risks for biological conditions and dynamic analytes |
-
2020
- 2020-07-24 CN CN202080068757.8A patent/CN114585922A/zh active Pending
- 2020-07-24 AU AU2020322435A patent/AU2020322435A1/en active Pending
- 2020-07-24 KR KR1020227006752A patent/KR20220073732A/ko unknown
- 2020-07-24 EP EP20846356.2A patent/EP4004559A4/en active Pending
- 2020-07-24 JP JP2022506418A patent/JP2022546206A/ja active Pending
- 2020-07-24 WO PCT/US2020/043614 patent/WO2021021678A1/en active Application Filing
- 2020-07-24 MX MX2022001336A patent/MX2022001336A/es unknown
- 2020-07-24 CA CA3147432A patent/CA3147432A1/en active Pending
- 2020-07-24 BR BR112022001579A patent/BR112022001579A2/pt unknown
- 2020-07-24 US US17/631,860 patent/US20220293227A1/en active Pending
-
2022
- 2022-01-13 IL IL289847A patent/IL289847A/en unknown
- 2022-02-25 ZA ZA2022/02429A patent/ZA202202429B/en unknown
Also Published As
Publication number | Publication date |
---|---|
US20220293227A1 (en) | 2022-09-15 |
EP4004559A1 (en) | 2022-06-01 |
BR112022001579A2 (pt) | 2022-04-19 |
MX2022001336A (es) | 2022-04-06 |
IL289847A (en) | 2022-03-01 |
AU2020322435A1 (en) | 2022-03-24 |
WO2021021678A1 (en) | 2021-02-04 |
CA3147432A1 (en) | 2021-02-04 |
EP4004559A4 (en) | 2023-10-04 |
ZA202202429B (en) | 2023-05-31 |
CN114585922A (zh) | 2022-06-03 |
KR20220073732A (ko) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Büttner et al. | A test metric for assessing single-cell RNA-seq batch correction | |
Love et al. | Modeling of RNA-seq fragment sequence bias reduces systematic errors in transcript abundance estimation | |
Van Dijk et al. | Recovering gene interactions from single-cell data using data diffusion | |
Le Boedec | Sensitivity and specificity of normality tests and consequences on reference interval accuracy at small sample size: a computer‐simulation study | |
JP2022546206A (ja) | 検体レベルの適応正規化のための方法、装置、及びコンピュータ読み取り可能な媒体 | |
Patruno et al. | A review of computational strategies for denoising and imputation of single-cell transcriptomic data | |
Ruan et al. | Differential analysis of biological networks | |
Miao et al. | Differential expression analyses for single-cell RNA-Seq: old questions on new data | |
US11995568B2 (en) | Identification and prediction of metabolic pathways from correlation-based metabolite networks | |
Makhamreh et al. | Messenger-RNA modification standards and machine learning models facilitate absolute site-specific pseudouridine quantification | |
Trapnell et al. | Monocle: Cell counting, differential expression, and trajectory analysis for single-cell RNA-Seq experiments | |
Marti et al. | Aging causes changes in transcriptional noise across a diverse set of cell types | |
Biswas et al. | Biological averaging in RNA-seq | |
WO2019132010A1 (ja) | 塩基配列における塩基種を推定する方法、装置及びプログラム | |
G'Sell et al. | False variable selection rates in regression | |
CN113260710A (zh) | 用于通过多个定制掺合混合物验证微生物组序列处理和差异丰度分析的组合物、系统、设备和方法 | |
Vutov et al. | Multiple two‐sample testing under arbitrary covariance dependency with an application in imaging mass spectrometry | |
Chong et al. | SeqControl: process control for DNA sequencing | |
Leote et al. | Regulatory network-based imputation of dropouts in single-cell RNA sequencing data | |
Zachariasen et al. | Identification of representative species-specific genes for abundance measurements | |
CN113195741A (zh) | 从循环核酸中鉴定全基因组序列数据中的全局序列特征 | |
Newman et al. | Transkingdom Network Analysis (TkNA): a systems framework for inferring causal factors underlying host-microbiota and other multi-omic interactions | |
CN113488107B (zh) | 筛选免疫组库测序生物标志物的方法、设备和存储介质 | |
Hirt et al. | A Bayesian framework for genome-wide inference of DNA methylation levels | |
Li et al. | Compositional variable selection in quantile regression for microbiome data with false discovery rate control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220930 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20220930 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220930 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230721 |