JP2023541718A - 病気の早期検出および監視のための予測診断検査 - Google Patents

Abstract

がんを含む病気の検出および診断のための方法およびシステム。患者の検体が、分光シグネチャを作成するために近赤外および中赤外範囲における吸光分光法によって分析され、検体は患者から取得される。このシグネチャは、1つまたは複数のがんを含む病気の存在を分光シグネチャが示すかどうかを決定するために、1つまたは複数の機械学習技法を使用して計算エンジンによって処理される。実施形態は、従来容認されていた波長範囲の外で動作し、より高速で、簡単で、かつ信頼性の高い検査を促進する。

Description

本出願は、一般に、診断検査の分野に関し、より詳細には、分光分析による診断に関する。

がんは、世界的に重大な健康問題のままであり、米国において死亡の第2の主因である。早期がん検出は、依然として、より良好な治療選択肢および患者の転帰を可能にするための、この病気に対する最良の武器である。いまだに、がんスクリーニングおよび早期検出のための現在の技術は、がんとの戦いに勝つのを助けるために、危険を伴い、費用がかかり、時間がかかる。がんスクリーニングは、特定の年齢範囲、喫煙履歴、飲酒、および潜在的環境暴露に基づいて、高リスク集団に対してのみ推奨される。これらの基準を満たさない集団、たとえば、ヒトパピローマウイルス関連の頭頸部がんを有する集団に対してさえも、がん発症は増加している。がんスクリーニングおよび診断に使用されるがん検査および手順には、放射線イメージング、内視鏡、生検、および細胞学が含まれる。

コンピュータ断層撮影(CT)、X線、および陽電子放射断層撮影(PET)などの検査は、健常者にがんを引き起こす可能性がある放射線暴露のリスクを伴う。内視鏡および生検は侵襲的であり、不快感を引き起こす可能性がある。初期段階におけるがんを検出するこれらの方法は、個人行動(マンモグラム、結腸内視鏡検査、子宮頸部細胞診などのスケジューリングなど)に依存するので、不快感およびリスクは、速やかに検査を受けることに対して不安と嫌気を生じる可能性がある。侵襲的であることに加えて、病理組織学的診断は、誤診に起因して、高い確率の偽陰性および偽陽性を伴う。これは、いくつかのタイプの腫瘍が組織学的に近いことに部分的に起因し、かつ、細胞の分化が乏しく、組織の起源を同定することを困難にすることに起因する。

光学分光法の様々な方法が、がんの早期診断に使用され始めたが、期待できる結果を示したものはほとんどない。フーリエ変換分光(またはFTIR)検出システムが研究されており、多くのがん生体指標は、しばしば、赤外(「IR」)または近赤外域(900～3080nmなど)において低い感度および低い特異度を有するが、この意義深い波長域にわたる高い波長を使用して、幾分の明るい見通しを有してシステムが使用された。しかしながら、FTIR分光法は、それが、既存のスクリーニング、診断、管理および監視の方法と比較して、簡素で、迅速で、比較的正確で、高価でなく、非破壊であり、自動化に適した方法を提供するという事実に起因して、明るい見通しを示した。赤外分光法は、意思決定を通知し、早期診断を提供することによって患者の転帰を改善するのを助けることができるので、がんおよび他の病気のスクリーニングおよび検出のための重要なツールである。FTIR分光法の例は、Kenneth A. Kristoffersenら、「Fourier-transform infrared spectroscopy for monitoring proteolytic reactions using dry-films treated with trifluoroacetic acid」、10 SCI REP 7844(2020) (https://doi.org/10.1038/s41598-020-64583-3において入手可能)に記載されている。

近赤外(NIR)分光法は、がんスクリーニングを取り入れるための新しい手法ではないが、最近公開された研究は、より高い波長の使用と、複数のタイプの検体を測定するための複合手法とを勧めている。がん検出におけるNIR分光法のために最も頻繁に使用される範囲は、600～1100nmであった。より長い波長は、水によって大部分吸収される傾向があり、それは、任意の差を見ることをより一層困難にする。水は、光学的に透明であるが、200nm以下で高い吸収性があり、同じく、いくらかのNIRならびにより多くの中赤外および遠赤外の光を吸収する。

追加の試みが、非侵襲的がん検出の手段として液体生検を利用するために行われた。液体生検の例が、血液を使用してがんを検出することを記載する米国特許第10,288,615号に示されている。さらに、がん細胞に対する正常細胞内の含水量を測定する研究および開示が提示された。NIR分光手法の例が、たとえば、水分吸収波長を使用するNIRスペクトル光学イメージングを記載する米国特許第7,706,862号に示されている。1つまたは複数の主要な水分吸収波長における近赤外(NIR)におけるスペクトル光学イメージングが、がんまたは前がん組織の領域と正常組織の領域との間の含水量における差を同定するために使用される。後期段階のがんにおける組織領域は、正常組織より多くの含水量を有する。

主要な水分吸収「指紋」波長は、980nm、1195nm、1456nm、1944nm、2880nmから3360nm、および4720nmのうちの少なくとも1つを含む。400nmから6000nmの範囲内で、水分吸収が低いかまたはない少なくとも1つの参照波長、たとえば、4500nm、2230nm、1700nm、1300nm、1000nm、および800nmが、主要な水分吸収波長において取られる画像との比較を引き出すための参照画像を作成するために使用される。NIRは、細胞による水分吸収を測定するために使用され得るが、それは、最も信頼性の高い技法ではなく、毎回明確な結果を作成するものでもない。水は、波長の大部分を吸収するので、イメージングは困難である可能性があり、正確さには限界がある。分子フィンガープリンティングは、病気フィンガープリントを構成する特定の生体指標および所定の病気生体指標における差を探すことを伴う。たとえば、がんの分子フィンガープリントを同定するための総合的手法は、単なるがんの存在だけでなく、がんのタイプも決定することを必要とされる。フィンガープリントは、以前の研究によって十分に支持される概念である広域スペクトル分光法を使用する分光シグネチャに基づく。赤外(IR)分光法を使用することで、血清成分における差が、異なる健康状態に特有の一意の分光シグネチャを生成するために記録され得る。しかしながら、同様の技術を使用する任意の以前の研究は、血清生体分子を分析するために、より長い波長のIR吸光度に重点を置いていた。したがって、非侵襲的で、低コストで、低リスクの早期がん検出手段のための技術が、現在必要とされている。

米国特許第10,288,615号 米国特許第7,706,862号

Kenneth A. Kristoffersenら、「Fourier-transform infrared spectroscopy for monitoring proteolytic reactions using dry-films treated with trifluoroacetic acid」、10 SCI REP 7844(2020)

本開示は、患者検体の近赤外から中赤外(NIR-MIR)範囲の吸光分光法を実行し、得られた分光シグネチャを分析して、がんなどの病気の存在を決定することによる、病気の診断のための方法およびシステムを提供する。

本開示の一態様によれば、病気の診断のための方法は、分光シグネチャを作成するために、NIR-MIR範囲における吸光分光法によって、患者から取得された検体を分析するステップを含む。分光シグネチャは、プロセッサによって受信される。プロセッサは、分光シグネチャが、結果として病気の存在を示すかどうかを決定し、その結果を出力する。方法は、任意選択で、結果が、病気が存在することを示すとき、病気を治療するために患者に治療法を与えることを含むことができる。

本開示の別の態様によれば、病気の存在の診断のためのシステムは、メモリと、プロセッサであって、患者からの検体のNIRおよび/またはMIR範囲における吸光分光法によって作成される分光シグネチャを受信することと、分光シグネチャが、結果として病気の存在を示すかどうかを決定することと、その結果を出力することとを行うために、メモリに記憶された命令を実行するように構成されたプロセッサとを含む。

実施形態では、検体は、溶解物検体（lysate sample）であり得る。溶解物検体は、可溶化溶液または均質化溶液を血清検体に付加することによって取得され得る。可溶化溶液または均質化溶液は、血清検体に1:1の割合で付加され得る。実施形態では、光結合溶液またはタンパク質分解試薬のうちの少なくとも1つが、溶解物検体に付加される。実施形態では、可溶化溶液、均質化溶液、光結合溶液、およびタンパク質分解試薬のうちの任意の組合せが、溶解物検体に付加され得る。

実施形態は、IR反射サンプリングカード上で検体を乾燥させることをさらに含むことができる。カードは、アルミニウムまたは他の非IR吸収材料でコーティングされ得る。

実施形態では、プロセッサは、モデルアーキテクチャおよび1つまたは複数のモデルパラメータを含む計算エンジンに分光シグネチャを与えることによって、分光シグネチャが病気の存在を示すかどうかを決定することができる。計算エンジンは、分光シグネチャ、モデルアーキテクチャ、および1つまたは複数のモデルパラメータに基づいて結果を与えるように構成された、機械学習アルゴリズムなどの計算アルゴリズムを実行することができる。

実施形態では、計算エンジンは、結果の正確さを示すフィードバックを受信することができる。少なくとも1つのモデルパラメータが、フィードバックに基づいて更新され得る。

本開示の別の態様によれば、検体中の病原体を検出する方法が開示される。方法は、患者の全血検体を凝固キュベットの中に受け取るステップと、血清検体を分析チャンバの中に放出するように凝固キュベットを動作させるステップと、近赤外および/または中赤外スペクトルを使用する分光光度計にキュベットを挿入するステップと、病原体が血清検体中に存在するかどうかを決定するステップと、病原体が検出されたかどうかを示す結果を出力するステップとを含む。

本開示の別の態様によれば、検体中の病原体を検出するためのシステムは、凝固キュベットと、近赤外および/または中赤外スペクトルを使用する分光光度計と、分光光度計と関連付けられ、分光光度計によって出力された分光測光シグネチャの分析を実行するように構成されたプロセッサとを含む。

本開示の別の態様によれば、血清分離キュベットは、検体容器および検体容器の上の1つまたは複数の血清チャネルを含む血清分析チャンバと、凝固チャンバであって、凝固チャンバに導入された検体を凝固させるための凝固剤、凝固した全細胞を検体から除去するための凝固ストレーナ、およびチャネルプラグを含む、凝固チャンバとを含む。チャネルプラグおよび血清チャネルは、検体血清が分析チャンバに流入し得るように、凝固チャンバと分析チャンバとの間に解除可能なシールを形成することができる。

本開示の実施形態は、人工知能および機械学習主導の光学的分子センシングシステムと、早期がん検出を含む病気を検出するための方法とを提供する。実施形態は、可搬型電源内蔵光センシングデバイス、使い捨てサンプリングチューブ、または微小流体カセット(マイクロキュベット)を、光センシングカクテル溶液とともに含む。データは、スマートデバイスまたはコンピュータ上で(ローカルベースおよびクラウドベースの)予測訓練データベースを有するアプリケーションによって収集されて分析される。システムは、血清中で直接実行されるがん特有の生体分子の分析のために適用され得る。生体分子分析に必要とされるのは、比較的小さい体積(約50～200μL)の検体であり、その分析は、20分以下の時間をかけて、検体を損なわずに行われる。

上記の概要は、図示される実施形態の各々または本明細書の主題のすべての実装形態を説明することを意図していない。以下の図面および詳細な説明が、様々な実施形態をより詳細に例証する。

本明細書の主題は、様々な実施形態の以下の詳細な説明を、添付の図面とともに考察することで、より完全に理解され得る。

一実施形態による、遠心分離機および血清を使用して病気を検出するための方法を示すフローチャートである。 一実施形態による、血清カクテルを使用して病気を検出するための方法を示すフローチャートである。 一実施形態による、専用キュベットを使用して病気を検出するための方法を示すフローチャートである。 一実施形態による、溶解物を使用して病気を検出するための方法を示すフローチャートである。 一実施形態による、計算エンジンを示す概略図である。 一実施形態による、計算エンジンを訓練する方法を示す概略図である。 分光法出力における差を示す正規化スペクトルの図である。 分光法出力における差を示す正規化スペクトルの図である。 分光法出力における差を示す正規化スペクトルの図である。 分光法出力における差を示す正規化スペクトルの図である。 一実施形態による、例示的な出力を示すチャートである。 一実施形態による、例示的な出力を示すチャートである。

様々な実施形態は、様々な修正形態および代替形態を受け入れる余地があるが、それらの詳細は、図面中に例として示されており、詳細に説明される。しかしながら、本発明は、特許請求する発明を、説明する特定の実施形態に限定しないことを理解されたい。対照的に、本発明は、特許請求の範囲によって定義される主題の趣旨および範囲内に含まれるすべての修正物、均等物、および代替物を包含することになる。

がんなどの病気の非侵襲的診断および早期検出は、今日の健康管理における主要な問題のままである。生体指標/遺伝子検査、液体生検、および呼気生検を含む、新しい新興の非侵襲的検査が開発されている。しかしながら、高コスト、長い検査手順、および低い陽性検査精度が、上記の検査をルーティン検査に不適当なものにする。本開示のシステムおよび方法は、血清または血漿中で直接、速やかに低コストで実行されて、複数の長いステップの検体処理の必要性を排除することができる、液体生検ベース診断に変革をもたらすように設計される。

液体生検ベース診断は、病気検出に対して高い感度および精度を提供することができる。がん診断のための現在の液体生検技術は、血液検体中の循環腫瘍細胞(CTC)および無細胞循環腫瘍(ct)DNA、mRNA、ならびにマイクロRNA(miRNA)の分析を含む。その他は、血漿または血清からの細胞外小胞/エクソソーム生体指標の分離および分析を含む。これらの技術は、フローサイトメトリ、次世代シークエンシングポリメラーゼ連鎖反応(PCR)および関連する化学に基づく検出、ならびにタンパク質/糖鎖検出の使用に基づく、生体指標の所定のセットの分析に依存する。しかしながら、これらの技術は、依然として初期段階にあり、それらの成功は、複数の要因によって制限されている。

第1に、がんの不均一性に起因して、1つの液体生検プラットフォームが、早期がん検出のために生体指標の所定のセットを一貫して確実に測定することはできない。第2に、調製、操作、長期の化学反応、検出、およびデータ分析の複数のステップを必要とする検体分析は、技術開発および臨床環境におけるユーティリティに対する高コストは言うまでもなく、技術的および人的エラーを起こしがちである。最後に、現在の液体生検技術は、分析のために大きい検体容量を必要とし、検体は、複数の検定のために再使用することができない。これらの問題に対する解決策は、血清から検出まで直進して、長い検体処理なしに10～30分以内に結果を出す、革新的な非破壊の、広範な分子フィンガープリントベース液体生検技術である。また、検体は、複数の検定のために再使用され得る。

本開示の光センシングは、血清中に存在する生体分子の複合混合物によって生成される、がん特有の分子「フィンガープリント」の分光測光分析に基づく。この技術は、進行するがんを有する患者からの血液検体は、健常者からの検体とは異なる構造組成を有する生体分子を含有するという原理に基づいて働く。これらは、生化学成分、タンパク質、循環する無細胞DNA/RNA/miRNA、および血清中で可溶性であるだけでなく血清中に存在するエクソソームなど、脂質で覆われた細胞外小胞(EV)中に包含される糖鎖(糖質)において相違点を含む。

エクソソームは、組織、およびがんの存在に応答する免疫細胞など、細胞間通信のための免疫細胞によって分泌される小さい膜結合性EVである。それらは、血清中に見られるアポトーシス小体(死にかけている細胞から放出される)および微小胞などの他のEVより小さいが、それらは、がん細胞にとって極めて重要な生物学的成分を含有する。さらに重要なことには、がん細胞は、一般に、健康な細胞より多くのエクソソームを分泌し、より多くの生体分子を処理する。総合的ながんに関連したエクソソーム含有量は、健康なエクソソームと区別できる。なぜならば、それらは、免疫反応を調節して抑制するために、およびがんの成長および広がりを支援する生態的地位を確立するために、腫瘍内微小環境(または生態的地位)内で他のがん細胞の間の通信を仲介するために使用されるからである。加えて、血清生体分子、特にエクソソーム内の密に詰まったカーゴは、異なる生理的/病的条件に対して特有の分子フィンガープリントをもたらす、異なる分子間相互作用および化学結合を形成する。

DNA、mRNA、miRNA、またはエクソソームに特に重点を置く他の技法とは違って、本開示は、血清中およびより大きいEVおよびエクソソーム中に存在するすべての成分の複合混合物を検出する。これは、少なくとも、がん関連成分は、より大きい微小胞中ならびに死にかけているがん細胞のアポトーシス小体中にも見られるので有益である。血清およびEV成分の生化学的および物理的特性を測定することによって、分子フィンガープリントにおける差が、異なるタイプのがんの存在に関連付けられ得る。フィンガープリントは、広域スペクトル分光法を使用する分光シグネチャに基づく。この概念は、文献および我々自身の予備データ中で報告された複数の研究によって良好に支持される。赤外(IR)分光法を使用することで、血清分子構成における差が、異なる健康状態に特有の一意の分光シグネチャまたはフィンガープリントを生成するために記録され得る。

本開示は、少量の血液検体を使用して、がんなどの病気の初期兆候に対する、高速、低コストおよび低リスクのスクリーニングおよび監視を提供する。本開示は、光センシング技術を使用することができるので、検体は破壊されず、追加の採血を必要とすることなく、他の検査にも使用され得る。本明細書で開示するがんセンシング戦略は、広範な、生体指標に依存しないがんフィンガープリントにおける差を探索し、所定のがん生体指標特有の信号と組み合わせて、1回の読み(スキャン当たり約2秒)において1000を超えるデータ点を生成する。この技法は、1つの検体を使用して1つだけの検査から異なるタイプのがんの早期検出を可能にする。

本開示の技術は、可視光および近赤外(VIS/NIR)光から中赤外(MIR)光までの吸収スペクトルを、変調されたNIR/MIRスペクトルを所定の生体指標特有の蛍光スペクトルと組み合わせたベース成分として使用して、分子フィンガープリントのために血清を測定する。これは、本開示を具体化するセンシングデバイスがコンパクトで、可搬性で、バッテリ駆動であることを可能にする。分子フィンガープリントを規定するベース分光シグネチャおよび生体指標特有の信号に加えて、我々は、同じく、多発がん検出プラットフォームのために広範な分子フィンガープリントを作成して、早期がん検出精度を高めるために、がん特有のタンパク質、核酸および糖質の特定のセットに結合するように設計された特定の化合物、ペプチドおよび抗体を使用して、変調された吸収スペクトルを測定する。

本明細書を通して、波長または波数の範囲は、「中IR」または「近IR」と呼ばれる。文脈に応じて、これらの用語は、様々な技術分野(technical discipline)において異なる意味を有することができる。しかしながら、本文書の目的に対して、近IRまたはNIRは、約600nmと約2500nmとの間、本明細書で説明するアプリケーションの大部分では600nmと1100nmとの間の波長を有する光を指すことを理解されたい。中IRまたはMIRは、約1250nmと約25,000nmとの間、本明細書で説明するアプリケーションの大部分では2500nmと25,000nmとの間の波長範囲を有する光を指す。「赤外光源」は、赤外波長範囲内の放射線を生成または放射する1つまたは複数の光源を指し、たとえば、「赤外光源」は、中IRの中の波長(2～2.5ミクロン)を含むことができる。赤外光源は、これらの波長の小区域の大部分にわたって放射線を生成し得るか、または波長範囲のうちの1つのサブセットである同調範囲を有し得るか、またはたとえば複数の離散波長範囲、たとえば、2.5～4ミクロンもしくは5～13ミクロンにわたって放射を提供し得る。放射線源は、熱源もしくはグローバル源、スーパーコンティニウムレーザ源、周波数コム、差周波数発生器、和周波数発生器、高調波発生器、光パラメトリック発振器(OPO)、光パラメトリック発生器(OPG)、量子カスケードレーザ(QCL)、ナノ秒、ピコ秒、フェムト秒およびアト秒レーザシステム、CO2レーザ、加熱されたカンチレバープローブもしくは他の極小ヒータ、ならびに/または放射線のビームを作成する任意の他の源を含む多数の源のうちの1つであり得る。源は、たとえば、10cm-1未満もしくは1cm-1未満より小さいスペクトル幅を有する狭帯域であり得るか、または、たとえば、10cm-1超、100cm-1超もしくは500cm-1より大きいスペクトル幅を有する広帯域であり得る。

「赤外吸収スペクトル」は、赤外吸収係数、吸光度、または検体のIR吸収特性の同様の表示の波長依存性に比例するスペクトルを指す。赤外吸収スペクトルの例は、フーリエ変換赤外分光計(FTIR)によって作成される吸収測定値、すなわちFTIR吸収スペクトルである。一般に、赤外光は、吸収される(すなわち、赤外吸収スペクトルの一部)か、伝送される(すなわち、赤外透過スペクトルの一部)か、または反射されるかのいずれかである。収集された光の反射スペクトルまたは透過スペクトルは、プローブ光源の中のその波長における強度と比較して、各波長において異なる強度を有することができる。

「約」または「近似の」などの用語は同意語であり、その用語で修飾された値は、それに関連する了解済みの範囲を有することを示すために使用され、その範囲は、±20%、±15%、±10%、±5%、または±1%であり得る。

本開示の実施形態は、図1のフローパス100の中に全体的に示される、病気検出デバイスおよび手順を対象とする。本開示は、例として、関心のある診断としてがんに重点を置くが、本開示の原理、デバイスおよび方法は、心臓病、糖尿病、COVID-19など、他の病気の診断に適用可能であり得る。

全血検体102が患者から採血され、遠心分離104されて、血清106を取り出す。次いで、血清は、光学的に分析され108、患者の血液中に存在するEVおよびエクソソームの分光シグネチャ110または「分子フィンガープリント」を作成する。この分光シグネチャは、脂質、タンパク質、糖質および核酸を含む、血清中に存在する各タイプの分子に対して固有のピークを含有する。

全血検体102が、本明細書のこの例および他の例において標的検体として説明されているが、実施形態では、限定はしないが、脳脊髄液または他の液体生検、唾液、尿などを含む他の検体が使用されてもよい。固体もしくは液化組織、または蒸気、たとえば呼気の分析も想定される。全血検体を採血することの容易さおよび非侵襲的性質、ならびに体の様々なシステムの細胞に対する血液の全体的表現に起因して、全血が、一般に望ましい場合がある。

検体を遠心分離させること104で、血清106から全血細胞が除去され、より大きい全細胞がEVおよびエクソソームを不明瞭にすることが防止される。実施形態では、検体を遠心分離させることは省略されてもよく、それにより、全血検体が、分光光度計108によって分析され得る。

実施形態では、センサカクテル溶液が、光センサ108による分析の前に血清106に付加され得る。センサカクテル溶液は、EGF、INHBA、CD44、および異なるタイプのがんと関連付けられた血清中に存在する他の細胞外に分泌/放出された分子を含む、がんタイプ特有のタンパク質および生体分子に対する抗体、ペプチドおよび/または分子結合試薬の混合物である。抗体およびペプチドは、変調された吸収スペクトルの測定値に対して非結合であるか、または蛍光スペクトルの分析に対して蛍光共鳴エネルギー移動(FRET)蛍光色素分子で標識される。センサカクテルの付加は、標的分子が存在するかどうかに従って出力シグネチャを修正し、がん特有の分子が検体中に存在するかどうかの存在/不在検出を提供する。標的の抗体は、当技術分野で利用可能な任意の手段によって標識され得るが、そのような修正は、本開示の原理および方法のもとで、標的同定に対して不要である。

当技術分野で知られている様々な抗体、ペプチドおよび分子結合試薬から編成される、カクテル溶液に対する様々な可能な組合せが想定される。たとえば、一般的ながん検出溶液は、より対象を絞った検査が適切であるかどうかに対するスクリーニング測定(screen measure)を提供するために、様々ながん系統に関連するEVおよびエクソソームの広範なアレイを同定し得る。他のカクテル溶液が、特定のがん系統、たとえば、肺がん、乳がんなどに関連する細胞生産物に対して特別に調整され得るか、または特定のがん系統が特有の出力を生み出すように調整され得る。

検体は、分光シグネチャ110を生じるために分光光度計108によって分析され得る。任意の広域スペクトルの分光周波数(spectroscopy frequency)が使用され得るが、いくつかの望ましい実施形態では、赤外(IR)、近赤外(NIR)、または可視(VIS)の光スペクトルが使用され得る。これらの範囲のより短い波長は、より小さい、よりコンパクトな分光光度計が使用されることを可能にするために望ましい場合があり、それは、必要な機器の可搬性を付加的に向上させて、検査のモビリティおよび利用可能性を改善し得る。より短い波長の分光光度計は、同じく、必要な電力がより低いこと、および水性検体が分析され得るので検体調製がより簡単であることに起因して望ましい場合がある。

NIRまたはMIR範囲によって提供されるこれらの利点にもかかわらず、作成される分光シグネチャ110は、広い倍音とNIRまたはMIR吸光度によって作成される結合帯域とに起因して、しばしば複雑である。以下で図4に関してより詳細に説明するように、計算エンジン600は、分光シグネチャ110を受信し、また、分光シグネチャ110の1つまたは複数の解釈を自動的に受信するように構成され得る。

図2は、実施形態による、検体収集および調製の可能なモードを示す概略図である。

第1のシステム200は、採血のための急速血液凝固微量遠心管および血清分離のための高速微量遠心機と、血清およびセンサカクテルミックスのための光学的に透明なマイクロキュベットと、ブルートゥース(登録商標)/Wi-Fi接続された光センサと、計算エンジン600を含むかまたは通信可能に接続され得るソフトウェアアプリケーションを有するコンピュータまたはスマートデバイスとを含むことができる。それゆえ、システム200は、実験室ベースの分析システムを提供することができる。

第2のシステム300は、個人使用のために家庭で、または他の非実験室環境で行われ得る、指先穿刺による血液の滴を採取するために設計された血清分離マイクロキュベットを含むことができる。収集された血清は、編成済みのセンサカクテルと混合されて可搬型光センサの中で分析され得るか、またはより総合的な分析のために検査施設に送られ得る。それゆえ、システム300は、家庭向けシステムまたはモバイルシステムなど、より可搬型の分析システムを提供することができる。

図3は、実施形態によって提供される血清分離マイクロキュベットを示す概略図である。患者または他のユーザは、個人的に所有されるかまたは薬局もしくはクリニックなどの公共の場で利用されるかのいずれかであるNIRまたはVIS分光光度計など、小さくて低電力の分光光度計を有し得る。個人用または公用のそのような機械は、直接受け取って、血清分離マイクロキュベットを分析するように設計され得る。ユーザは、指先穿刺302を実行し、数滴の全血を血清分離マイクロキュベット304の中に入れることによって、がんまたは他の関心のある病気に対して自分自身でスクリーニングし得る。血清分離マイクロキュベットは、光センサ306の中に入れられ、関連するプロセッサ308によって分析され得る。出力結果が生成され310、ユーザ自身に提示され得るか、または、システムが、医療提供者と適切に連絡を取ることによるかまたは電子的医療記録システムと統合することによるなど、ユーザが結果を医療提供者に直接送ることを可能にするように構成され得る。

血清分離マイクロキュベット400は、凝血チャンバ410と血清分析チャンバ420とを含む。実施形態では、マイクロキュベット400は、その使い易さの機能を支援するために編成済みであり得る。凝血チャンバ410は、血清分析チャンバ420の上に置かれる。ユーザは、たとえば、指刺しによって数滴の血液を上部の凝固チャンバ410に入れ得る。凝固する血液細胞が凝固チャンバ410の中に捕捉され、血清は、下部の血清分析チャンバ420の中に流れ落ちるかまたは重力で流れ出ることができる。

凝血チャンバ410は、セルフロックキャップ412と、凝固ストレーナ414と、血清チャネルプラグ416とを含む。凝固チャンバ410は、凝固剤でコーティングされ、それにより、血液または他の生物検体は、チャンバに付加されると凝固し始める。セルフロックキャップ412は、凝固チャンバ410の開いた上部を永久に封止するために、たとえば締まりばめで構成され得る。凝固チャンバの底は、チャネルプラグ416などによって解除可能に封止され得る。凝固ストレーナ414は、キャップ412、またはチャネルプラグ416の上に置かれた他のものと一体化されて、血清が下部の分析チャンバ420の中に放出され得るように、凝固細胞を捕捉する役割を果たし得る。チャネルプラグ416は、十分な細胞がストレーナ414によって除去されて満足のいく血清検体を生じるまで、検体の血清および細胞を凝固チャンバ410の中に保持し得る。プラグ416は、血清が下部の分析チャンバ420に流入することを可能にするために凝固チャンバ410を持ち上げるかまたはねじることなどによって解除され得る。

分析チャンバ420は、容器422と排液チャネル424とを含む。分析チャンバ420の上部における排液チャネル424は、血清を下部の容器422に向かわせて、幾分かの付加的な検体のろ過をもたらすことができる。チャネル424は、同じく、凝固チャンバ410と分析チャンバ420との間の解除可能な封止に関与し得る。たとえば、チャネル424は、たとえば、凝固チャンバ410を持ち上げてチャネル424の間からプラグ416を除去することによってプラグ416が解除されるまで、検体が分析チャンバ420に入るのを防止するために、凝固チャンバのプラグ416と連結し得る。血清は、容器422の中に収集されると、分光法などによって分析され得る。実施形態では、分析チャンバは、同じく、血清が容器422の中に集まるにつれて血清が標的物質と混合するように、標的抗体またはペプチドをチャネル424の上にまたは直接容器422の中に付加することによって、カクテルの混合を可能にする役割を果たし得る。少なくとも容器422は、および実施形態ではキュベット400の全部またはいずれかの構成要素は、光学的に透明な材料で形成される。

実施形態では、本開示の方法は、図4のフローパス500の中に全体的に示される溶解物とともに使用され得る。血清検体502は、患者から全血検体を採取し、それを遠心分離させて赤血球を取り出すことによって調製される。次いで、EV可溶化および均質化溶液が、EVを血清502に溶解させて溶解物504を作成するために、1:1でまたは最適な割合で血清502に付加される。溶解物のみから成るベース検体506が、光学フィンガープリンティングのために使用されてもよく、または溶解物504が、光学フィンガープリンティングの前に修正されてもよい。第1の修正された検体508は、光学フィンガープリンティングのために溶解物に付加される光結合溶液を含むことができる。光結合溶液は、抗体と、ペプチドと、がんタイプ特有のタンパク質および生体分子に対する他の成分とを含み得る。第2の修正された検体510は、溶解物504に付加されるタンパク質分解試薬を含むことができる。タンパク質分解試薬は、溶解物の中のペプチドを光学フィンガープリンティングのためにより小さいペプチドに分解し得る。いくつかの実施形態では、溶解物のみ、光結合溶液を有する溶解物、およびタンパク質分解試薬を有する溶解物のうちの2つ以上の組合せが、光学フィンガープリンティング検体として使用され得る。

次いで、光学フィンガープリンティング検体は、減衰全反射(「ATR」)結晶512または赤外(「IR」)反射サンプリングカード514の上に塗布されて乾燥され得る。光学フィンガープリンティング検体が乾燥されると、フーリエ変換赤外分光(FTIR)が、当技術分野で知られているシステムおよび方法を使用して実行される516。ATR結晶に対してFTIRが行われると、IRビームが規定された屈折率を有するATR結晶の中に進み、乾燥膜上の検体を通過する。IRビームは、屈折されて結晶の中に戻り、検出器が、得られた波長を検出して分光シグネチャを作成する。

いくつかの実施形態では、光学フィンガープリンティング検体は、アルミニウムコーティングされたカードなどのIR反射サンプリングカード514上で乾燥される。アルミニウムは高反射性であってIRビームを反射し、他のコーティング、たとえば、金、インジウム、酸化スズ、酸化亜鉛などの1つまたは複数の材料を含有するコーティングなどが検討される。次いで、コーティングされたIR反射サンプリングカードに対して、FTIR516が行われ、IRビームが、カードおよび乾燥検体を通過し、検出器によって検出されるIRビームを反射し、反射ビームが分光シグネチャを作成する。

本開示のシステムおよび方法による血清分析は、システム構成に応じて、30分以内、20分以内、10分以内に結果を作成することができる。本開示は、有利には、光センサデバイスと、微量遠心機または血清分離マイクロキュベットのいずれかと、スマートフォンまたはラップトップコンピュータとから成る一体型システムを使用する、少ない資源環境において使用され得る。血栓から分離された後、マイクロキュベットの内部に置かれた血清検体は、ベースのおよび変調された吸光分光法を実行するために、光センサデバイスを使用して分析される。本明細書で開示する方法およびシステムを使用して、小さい検体が、決定的な結果をもたらし得、たとえば、50μl、60μl、70μl、80μl、またはそれより少量の検体が、効果的に使用され得る。

図5は、一実施形態による、計算エンジン600の構成要素を示す概略図である。実施形態では、計算エンジン600は、分光シグネチャの効率的解釈を可能にするために、機械学習などの人工知能技法を含む1つまたは複数の計算技法を使用することができる。

多くの異なる機械学習アルゴリズムが存在し、一般に、機械学習アルゴリズムは、入力変数x(ドメイン)を出力変数y(レンジ)に最もよくマッピングする理想的なターゲット関数fを近似するために探索し、したがって、
y=f(x)。

それゆえ、fの近似としての機械学習アルゴリズムは、yの予測を提供するのに適している。教師あり機械学習アルゴリズムは、訓練データセットに基づいてfを近似するためのモデルを生成し、訓練データセットの各々は、出力yと関連付けられる。教師ありアルゴリズムは、予測が、訓練データセットと関連付けられた出力yに基づいて定式化され得る訓練プロセスによってfを近似するモデルを生成する。訓練プロセスは、モデルが所望のレベルの訓練データの精度を達成するまで反復することができる。

他の機械学習アルゴリズムは、訓練を必要としない。教師なし機械学習アルゴリズムは、入力データの中に存在する構造、関係、テーマ、および/または類似性を推測することによってfを近似するモデルを生成する。たとえば、規則はデータから抽出され得、数学的プロセスが、冗長性を系統的に低減するために適用され得るか、またはデータが、類似性に基づいて構造化され得る。教師ありと教師なしの手法のハイブリッドなど、半教師ありアルゴリズムも採用され得る。

特に、fのレンジyは、とりわけ、ドメインxが、たとえば標識化、カテゴリ化などのために分類されるように、正式に列挙されるか、拡張可能かまたは不明確かに関わらず分類方式の集合のセットであり得るか、クラスタがドメインxおよび/または中間レンジy'のフィーチャに基づいて決定され得る、データのクラスタのセットであり得るか、または1つの値、連続する値などの連続変数であり得る。

機械学習に対する回帰アルゴリズムは、連続したレンジyでfをモデル化することができる。そのようなアルゴリズムの例は、通常最小二乗回帰(OLSR)、線形回帰、ロジスティック回帰、ステップワイズ回帰、多変量適応回帰スプライン(MARS)、および局所推定散布図平滑化(LOESS)を含む。

クラスタ化アルゴリズムは、たとえば、fを推測して、標識されていないデータを含むデータから隠れ構造を記述するために使用され得る。そのようなアルゴリズムは、とりわけ、K平均法、混合モデル、ニューラルネットワーク、および階層的クラスタリングを含む。異常検出アルゴリズムも採用され得る。

分類アルゴリズムは、カテゴリ(レンジy)の集合のセットのうちのどれに、1つまたは複数の観測結果(ドメインx)が属するかを同定する困難な課題に取り組む。そのようなアルゴリズムは、一般的に、データの訓練セットに基づいて、教師ありであるかまたは半教師ありである。アルゴリズムは、とりわけ、フィッシャーの線形判別式、ロジスティック回帰、単純ベイズ分類器などの線形分類器と、最小二乗サポートベクターマシンなどのサポートベクターマシン(SVM)と、二次分類器と、カーネル推定と、デシジョンツリーと、ニューラルネットワークと、学習ベクトル量子化とを含むことができる。

計算エンジン600は、それが、単一、個別および/または独特であり、ランタイム環境、オペレーティングシステム、プラットフォームソフトウェアなどのコンピュータシステムにおいて実行する物理的または仮想のコンピュータシステムまたはソフトウェアプラットフォームなどの潜在的に複数の実行環境における実行のために計算エンジン600が記憶または送信され得るという意味で可搬型であり得るという点で、個別のソフトウェアモジュールであり得る。

計算エンジン600は、前に本明細書で説明した機械学習アルゴリズムかまたは当業者には明白な他の適切な機械学習アルゴリズムのうちのいずれかなど、実行可能な計算アルゴリズム602を含むことができる。適切な機械学習アルゴリズムは、レンジデータおよび/または他の出力データなどの機械学習結果を生成するために、アルゴリズムに対する入力として、たとえばドメインデータおよび/または構成パラメータを含む入力パラメータに基づいて、計算エンジン600の範囲の中で実行するように構成可能である。たとえば、計算アルゴリズム602は、ソフトウェアオブジェクトまたはサブルーチンの方法として、ソフトウェアライブラリの中のプロシージャまたは関数として提供され得る。したがって、機械学習アルゴリズムは、アルゴリズムが教師ありもしくは半教師あり計算エンジン600を訓練するための動作の訓練フェーズ、および/または1つまたは複数の機械学習結果を提供するためのアルゴリズムの動作の処理フェーズのうちのいずれかまたはすべてを含む機械学習関数を実行するために実行可能である。

計算エンジン600は、アルゴリズムによるデータを記憶するためのデータ記憶装置604をさらに含むことができる。データ記憶装置は、メモリなど、揮発性または不揮発性の記憶装置であり得る。データ記憶装置604は、機械学習パラメータ606などのアルゴリズムと、とりわけツリーデータ構造、回帰分析データ構造の表現、ニューラルネットワークデータ構造の表現、変数、および当業者には明白な機械学習アルゴリズムによって記憶され得る任意の他のデータなどの機械学習モデル608の表現を含む機械学習データ構造とによって必要とされるデータを記憶するために使用され得る。したがって、このようにして、計算エンジン600は、1つまたは複数の機械学習アルゴリズムおよびそのようなアルゴリズムに対してまたはそれによって必要とされるデータの個別のカプセル化を提供する。

計算エンジン600は、入力を受信して出力を送達するために計算エンジン600の外と通信するためのインターフェース610をさらに含むことができる。たとえば、構成情報、訓練データおよび機械学習入力(ドメイン)情報を含む機械学習パラメータが、入力データ612の少なくとも一部として入力を介して通信され得る。モデルによって生成された予測などの結果614が、インターフェースを介して出力として通信され得る。フィードバック616は、計算エンジン600の訓練の個別動作の間に使用され得るか、または反復学習を提供するために計算エンジン600の通常動作の間に入力として提供され得る追加の入力を含むことができる。

インターフェース610は、ユーザ入力を受信し、計算エンジン600の構成に関する出力をユーザに提供することができる。インターフェース610は、モバイルアプリケーション、ウェブベースアプリケーション、または任意の他の実行可能なアプリケーションフレームワークを含むことができる。インターフェースは、計算エンジン600の様々な構成要素と通信すること、ユーザ入力を受信すること、および出力をユーザに提示することができる任意のコンピューティングデバイスの上に存在すること、上に提示すること、またはそれによってアクセスされ得る。実施形態では、インターフェースは、スマートフォン、タブレットコンピュータ、ラップトップコンピュータ、またはデスクトップコンピュータの上に存在し得るか、または提示され得る。

計算エンジン600は、畳み込み層、活性化層、プーリング層など、任意の数の層を有する任意の適切な機械学習アルゴリズムまたはアーキテクチャを実装することができる。さらに、計算エンジン600は、任意の適切な訓練方法によって訓練され得る。一実施形態では、計算エンジン600は、単層ニューラルネットワークを含むことができ、教師あり訓練技法を使用して訓練され得る。

訓練は、知られている分子を標的にすることによるもの、ならびに知られている診断および制御のスペクトルを提供することによるものであり得る。実施形態では、結果は、結果の全体的な明確さおよび一貫性を高めるために、分析する前に合計吸光度に対して正規化され得る。

一実施形態では、訓練データは、分光シグネチャ110を含むことができ、分光シグネチャ110は、健康(無がん)、乳がん、肺がん、他のがん、またはそれらの組合せなど、知られている診断で標識され得る。それゆえ、計算エンジン600は、診断を(その尤度とともに)示すように所与の分光シグネチャ入力を分類することができる。

訓練データは、同じく、知られている関心のある分子(脂質、タンパク質など)の存在(またはそれらの欠乏)に基づいて標識される分光シグネチャ110を含むことができる。それゆえ、計算エンジンは、所与の分光シグネチャ入力を、関心のある1つまたは複数の分子の存在を(それらの尤度とともに)示すように分類することができる。

分光シグネチャ110に加えて、実施形態では、計算112への入力(訓練データの中か、または評価されるデータの中かにかかわらず)は、人口統計データ(年齢、民族性など)、健康特性(身長、体重、医療履歴、投薬など)などを含む患者についての付加的情報を含むことができる。そのため、計算エンジン600は、出力を決定するために付加的な患者データを使用することができる。

図6は、計算エンジン600を訓練するための方法1000を示すフローチャートである。1002において、標識されたデータセット分光シグネチャ110が受信または提供され得、上記で説明したように、データセットは、追加の患者データをさらに含むことができる。1004において、標識されたデータセットは、訓練データと検査データとに分割され得、たとえば、訓練データセットは、標識されたデータセットの中のエントリの60%など、一定のパーセンテージを含むことができる。1006において、関連する知られている診断、分子の存在、または他の要因を含む訓練データセットが、モデルに提供され得る。1008において、モデルは、任意の適切な方法によってパラメータの第1のセットを生成することができる。

1010において、検査データセットの一部または全部が、知られているエントリなしにモデルに提供され得る。1012において、モデルによって生成された予測が、検査データセットの中の各入力に対しての知られているエントリと比較され得る。1012において、推奨が、容認可能な量のエラーを示す場合、追加の検査が、1016において反復することによって発生することができる。1012において、推奨が、容認できない量のエラーを示す場合、分類パラメータが、1016における反復に進む前に修正され得る。この検査フェーズは、検査データセットが尽きるまで、エラーの量が、設定された時間期間の間に着実に最小のしきい値に至るまで、または何らかの他の基準が満たされるまで、反復され得る。

図7～図10は、以下に詳述される本開示の実施形態によって記録される例を示すチャートである。

概念の証拠
患者当たり200μlの血清の検体が、凝固した全血の遠心分離によって集まった。分光法が、約3～4nmの分解能(間隔)で403nmから724nmの範囲においてベースのおよび変調された吸収スペクトルを測定するために実行された。全吸収スペクトル測定が、約5～10秒の間、または吸収信号が安定するまで(通常20秒以内)、連続して実行された。各検体に対する最終吸収スペクトルが、合計測定時間にわたって平均化された。4人の健常者(非がん)、3人の肺がん患者、および2人の乳がん患者からの血清検体の平均化されたベース吸収スペクトルが、各検体に対して個別に合計の吸光度値に対して正規化されて、可視化のためにプロットされた(図7)。独特のスペクトルが、健常者と肺がん患者との間で観察された一方で、健常者と乳がん患者との間の差は、あまり明白ではなかったが、識別可能であった。

特異度
がん患者の血清分光法が、がんに関連した分子フィンガープリントの測定値であったかどうかを決定するために、肺がんと乳がんとの血清検体が、6つの異なる健康な血清条件と混合された。観察された吸収スペクトルが、がんにかかわらずに全血清内容物に依存した場合、がん特有の分光法が、非がんの健康な血清成分によってマスクされ、健康検体とがん検体との間の区別がつかないスペクトルを表す。血清の複雑さを高めるために、2つの健康な血清検体が1:1の割合で混合され、6つの異なる血清組合せを生成した。各がん血清検体が、各健康な血清混合物と1:1の割合で混合され、各検体に対して50%希釈における18の肺がん検体と12の乳がん検体とを作成した。健康な血清の異なる組合せの中に50%で希釈されたがん検体は、6つの異なる健康な血清組合せと比較して、より独特な吸収スペクトルを作成した(図8)。これらの結果は、分子フィンガープリント分光法が、検査された肺がんおよび乳がんの検体に対して特異であったことを示す。

変調
吸収スペクトルが、抗ヒト上皮成長因子(EGF)抗体を使用して変調され得るかどうかが検査された。EGFは、腫瘍形成に対してがん細胞によって作成される重要な成長因子であり、がん患者からの血清中により高いレベルで存在する。仮説は、抗EGF抗体が、がん患者の血清中に存在するEGFタンパク質と結合して、その全体的分子結合を変化させて、タンパク質の光吸収スペクトルに変化をもたらすことであった。この仮説を証明するために、健康な血清と肺がんの血清とが、1μgの抗体と(合計1体積%において)混合され、周囲温度において0分、10分、および20分の間、培養された。

10分(データを示さず)および20分の培養時間において、健康な血清の吸収スペクトルにおいてわずかな増加が、403nmと425nmとの間で見られたが、肺がんの血清の吸光度は、異なる波長において特異的に変調された(図9および図10のチャートA)。肺がんの血清の吸光度は、より短い波長領域において、10分培養において上にシフトし、20分培養の後に下にシフトした(図10のチャートB)。0分および10分の培養時間とは対照的に、血清は、EGF抗体が存在する中で20分経過後、より長い波長領域において上にシフトした(図10のチャートC)。これらの結果は、より短い波長において増加した光の吸光度は、非結合抗体の存在に起因したことを示す。がん患者の血清中のEGFタンパク質に結合すると、抗体が、より長い波長において光の吸光度を増加させ、変調された吸収スペクトルを作成した。吸光度の増加は、波長の増加と相関性があるように見えた。我々の技術開発の一部として、吸光度におけるさらなる増加が観察されるかどうかを決定するために、分光法は、724nmを超えて950nmまたはそれより長い波長まで実行される。

識別
本開示のシステムが、乳がん血清検体および健康な血清検体から肺がんを識別することができるかどうかを示すために、ニューラルネットワーク機械学習アルゴリズムが、血清分光法からの正規化されたデータを使用して予測モデルを訓練して構築するために使用された。希釈されない検体と希釈された(64倍まで)検体とを含む、検査されたすべての検体が、1つの検体が検査を控えられて残りの検体がモデルを訓練するために使用される一個抜き交差検証の中に含められた。交差検証のプロセスが、すべての検体が検査されるまで反復された。機械学習交差検証の結果は、図11Aに可視化されている。予測モデルは、検体の希釈にかかわらず、健康な検体を97.9%(特異度を表す)で、肺がんを100%で、および乳がんを92.9%で正確に分類することができた(図11B)。より多くの乳がんの検体が、十分な訓練を確実にして、予測精度を改善するために追加され得る。

一実施形態では、システム100および/またはその構成要素もしくはサブシステムは、コンピューティングデバイス、マイクロプロセッサ、モジュール、および他のコンピュータまたはコンピューティングデバイスを含むことができ、それらは、デジタルデータを入力として受け取る任意のプログラマブルデバイスであり得、命令またはアルゴリズムに従って入力を処理するように構成され、結果を出力として提供する。一実施形態では、本明細書で説明するコンピューティングデバイスおよび他のそのようなデバイスは、コンピュータプログラムの命令を実行するように構成された中央処理装置(CPU)であること、それを含むこと、含有すること、またはそれと結合することができる。それゆえ、本明細書で説明するコンピューティングデバイスおよび他のそのようなデバイスは、基本的な算術的、論理的、および入力/出力の演算を実行するように構成される。

本明細書で説明するコンピューティングデバイスおよび他のデバイスは、メモリを含むことができる。メモリは、命令またはアルゴリズムを実行するための空間を提供するためだけでなく、命令自体を記憶するための空間を提供するために、結合されたコンピューティングデバイスまたはプロセッサによる要求に応じて揮発性または不揮発性メモリを含むことができる。一実施形態では、揮発性メモリは、たとえば、ランダムアクセスメモリ(RAM)、ダイナミックランダムアクセスメモリ(DRAM)、またはスタティックランダムアクセスメモリ(SRAM)を含むことができる。一実施形態では、不揮発性メモリは、たとえば、リードオンリーメモリ、フラッシュメモリ、強誘電体RAM、ハードディスク、フロッピーディスク、磁気テープ、または光ディスクストレージを含むことができる。これらの実施形態は、単なる例として与えられ、本開示の範囲を制限することを意図していないので、前述のリストは、使用され得るメモリのタイプを制限するものでは決してない。

一実施形態では、システムまたはそれらの構成要素は、様々なモジュールまたはエンジンを備えるかまたは含むことができ、それらの各々は、機能または機能のセットを自律的に実行するように構築され、プログラムされ、構成され、または場合によっては適応される。本明細書で使用する「エンジン」という用語は、たとえば、実在するデバイス、構成要素、または特定用途向け集積回路(ASIC)もしくはフィールドプログラマブルゲートアレイ(FPGA)などによるハードウェアを使用して実装される構成要素の配置として、または、マイクロプロセッサシステムおよびプログラム命令のセットなどによるハードウェアとソフトウェアとの組合せとして定義され、プログラム命令は、エンジンを、(実行される間に)マイクロプロセッサシステムを専用デバイスに変換する特定の機能を実践するように適応させる。エンジンは、同じく、ハードウェアのみによって促進されるいくつかの機能と、ハードウェアとソフトウェアとの組合せによって促進される他の機能の、2つの機能の組合せとして実装され得る。いくつかの実装形態では、エンジンの少なくとも一部、場合によっては全部が、オペレーティングシステム、システムプログラム、およびアプリケーションプログラムを実行するハードウェア(たとえば、1つまたは複数のプロセッサ、メモリまたは駆動記憶装置などのデータ記憶デバイス、ネットワークインターフェースデバイスなどの入力/出力設備、ビデオデバイス、キーボード、マウスまたはタッチスクリーンデバイスなど)から構成される1つまたは複数のコンピューティングプラットフォームのプロセッサ上で実行され得る一方で、必要に応じて、マルチタスキング、マルチスレッディング、分散処理(たとえば、クラスタ、ピアツーピア、クラウドなど)、または他のそのような技法を使用するエンジンも実装する。それに応じて、各エンジンは、様々な物理的に実現可能な構成で実現され得、一般に、そのような制限が明確に記載されない限り、本明細書で例示される任意の特定の実装形態に制限されるべきではない。加えて、エンジンは、それ自体、2つ以上のサブエンジンから成ることができ、サブエンジンの各々は、それ自体で1つのエンジンと見なされ得る。その上、本明細書で説明する実施形態では、様々なエンジンの各々は、規定された自律機能に対応するが、他の検討される実施形態では、各機能は、2つ以上のエンジンに分配され得ることを理解されたい。同様に、他の検討される実施形態では、複数の規定された機能が、それらの複数の機能を、おそらくは他の機能と並行して実行する単一のエンジンによって実装されてもよく、または本明細書の例に具体的に示されるものとは異なるエンジンのセットの間で分配されてもよい。

システム、デバイス、および方法の様々な実施形態が、本明細書で説明された。これらの実施形態は、単なる例として与えられており、特許請求される発明の範囲を限定することは意図されていない。その上、説明された実施形態の様々な特徴は、多数の追加の実施形態を作成するために、様々な方法で組み合わされ得ることを諒解されたい。その上、様々な材料、寸法、形状、構成、およびロケーションなどが、開示される実施形態とともに使用するために説明されたが、開示されたものに加えて、他のものが、特許請求される発明の範囲を超えることなく利用され得る。

本明細書の主題は、上記で説明した任意の個々の実施形態の中に示されるよりも少ない特徴を含む場合があることは、当業者には認識されよう。本明細書で説明する実施形態は、本明細書の主題の様々な特徴が組み合わされ得る方法の包括的提示ではあることを意図していない。それに応じて、実施形態は、特徴の相互排他的組合せではなく、むしろ、様々な実施形態は、当業者には理解されるように、異なる個々の実施形態から選択された異なる個々の特徴の組合せを含むことができる。その上、1つの実施形態に関して説明される要素が、特段に注記されない限り、そのような実施形態において説明されないときでも、他の実施形態の中で実装され得る。

従属請求項は、特許請求の範囲において、1つまたは複数の他の請求項との特定の組合せを指し得るが、他の実施形態は、従属請求項と各他の従属請求項の主題との組合せ、または1つもしくは複数の特徴と他の従属請求項もしくは独立請求項との組合せも含むことができる。そのような組合せは、特定の組合せは意図されないことが述べられない限り、本明細書において提案される。

上記の文書の参照によるいかなる組み込みも、本明細書における明確な開示に反する主題が組み込まれないように制限される。上記の文書の参照による任意の組み込みは、その文書に含まれない請求項が、本明細書の参照によって組み込まれないように、さらに制限される。上記の文書の参照による任意の組み込みは、その文書の中で提供される任意の定義が、本明細書に明確に含まれない限り、本明細書の参照によって組み込まれないように、またさらに制限される。

特許請求の範囲を解釈するために、「のための手段」または「ためのステップ」という具体的な用語が請求項に記載されない限り、米国特許法第112条(f)項の条項は行使されないことが明確に意図されている。

100 フローパス、システム
102 全血検体
104 遠心分離
106 血清
108 分光光度計、光センサ
110 分光シグネチャ
200 第1のシステム
300 第2のシステム
400 マイクロキュベット
410 凝血チャンバ
412 セルフロックキャップ
414 凝固ストレーナ
416 血清チャネルプラグ
420 血清分析チャンバ
422 容器
424 排液チャネル
500 フローパス
502 血清検体
504 溶解物
506 ベース検体
508 第1の修正された検体
510 第2の修正された検体
512 減衰全反射(「ATR」)結晶
514 赤外(「IR」)反射サンプリングカード
516 フーリエ変換赤外分光(FTIR)
600 計算エンジン
602 計算アルゴリズム
604 データ記憶装置
606 機械学習パラメータ
608 機械学習モデル
610 インターフェース
612 入力データ
614 結果
616 フィードバック

Claims (21)

1. 病気に対する診断の方法であって、
   分光シグネチャを作成するために近赤外および/または中赤外範囲における吸光分光法によって検体を分析するステップであって、前記検体は、患者から取得される、ステップと、
   前記分光シグネチャをプロセッサによって受信するステップと、
   前記分光シグネチャが、結果として前記病気の存在を示すかどうかを、前記プロセッサによって決定するステップと、
   前記結果を前記プロセッサによって出力するステップと
   を含む、方法。
2. 前記結果が、前記病気が存在することを示すとき、前記病気を治療するために前記患者に治療法を与えるステップをさらに含む、請求項1に記載の方法。
3. 前記検体は、溶解物検体である、請求項1に記載の方法。
4. 前記溶解物検体は、可溶化溶液または均質化溶液を血清検体に付加することによって取得される、請求項3に記載の方法。
5. 前記可溶化溶液または前記均質化溶液は、前記血清検体に1:1の割合で付加される、請求項4に記載の方法。
6. 光学分子結合溶液またはタンパク質分解試薬のうちの少なくとも1つが、前記溶解物検体に付加される、請求項3に記載の方法。
7. IR反射サンプリングカードまたは非IR吸収サンプリングカード上で前記検体を乾燥させるステップをさらに含む、請求項1に記載の方法。
8. 前記IR反射サンプリングカードは、アルミニウムでコーティングされる、請求項7に記載の方法。
9. 前記分光シグネチャが、結果として前記病気の前記存在を示すかどうかを、前記プロセッサによって決定するステップが、
   モデルアーキテクチャおよび1つまたは複数のモデルパラメータを含む計算エンジンに前記分光シグネチャを提供するステップと、
   前記分光シグネチャ、前記モデルアーキテクチャ、および前記1つまたは複数のモデルパラメータに基づいて前記結果を提供するように構成された計算アルゴリズムを、前記計算エンジンによって実行するステップと
   を含む、請求項1に記載の方法。
10. 前記結果の正確さを示すフィードバックを前記計算エンジンに提供するステップと、
    前記結果、前記分光シグネチャ、および前記フィードバックに基づいて、前記1つまたは複数のモデルパラメータを更新するステップと
    をさらに含む、請求項9に記載の方法。
11. 病気の存在を診断するためのシステムであって、
    メモリと、
    プロセッサであって、
    患者からの検体の近赤外および/または中赤外範囲における吸光分光法によって作成される分光シグネチャを受信することと、
    前記分光シグネチャが、結果として前記病気の前記存在を示すかどうかを決定することと、
    前記結果を出力することと
    を行うために、前記メモリに記憶された命令を実行するように構成されたプロセッサと
    を備える、システム。
12. 前記検体は、血清検体である、請求項11に記載のシステム。
13. 前記検体は、全血検体である、請求項11に記載のシステム。
14. 前記検体は、溶解物検体である、請求項11に記載のシステム。
15. 前記溶解物検体は、可溶化溶液または均質化溶液を血清検体に付加することによって取得される、請求項13に記載のシステム。
16. 前記可溶化溶液または前記均質化溶液は、前記血清検体に1:1の割合で付加される、請求項14に記載のシステム。
17. 前記プロセッサは、前記分光シグネチャが前記病気の前記存在を示すかどうかを、
    モデルアーキテクチャおよび1つまたは複数のモデルパラメータを含む計算エンジンに前記分光シグネチャを提供することと、
    前記分光シグネチャ、前記モデルアーキテクチャ、および前記1つまたは複数のモデルパラメータに基づいて前記結果を提供するように構成された計算アルゴリズムを、前記計算エンジンによって実行することと
    によって決定するように構成される、請求項11に記載のシステム。
18. 前記プロセッサは、
    前記結果の正確さを示すフィードバックを前記計算エンジンに提供することと、
    前記結果、前記分光シグネチャ、および前記フィードバックに基づいて、前記1つまたは複数のモデルパラメータを更新することと
    を行うために、前記メモリ内の命令を実行するようにさらに構成される、請求項17に記載のシステム。
19. 検体中の病原体を検出する方法であって、
    患者の全血検体を凝固キュベットの中に受け取るステップと、
    血清検体を分析チャンバの中に放出するように前記凝固キュベットを動作させるステップと、
    近赤外および/または中赤外スペクトルを使用する分光光度計に前記キュベットを挿入するステップと、
    病原体が前記血清検体中に存在するかどうかを決定するステップと、
    前記病原体が検出されたかどうかを示す結果を出力するステップと
    を含む、方法。
20. 検体中の病原体を検出するためのシステムあって、
    凝固キュベットと、
    近赤外および/または中赤外スペクトルを使用する分光光度計と、
    前記分光光度計と関連付けられ、前記分光光度計によって出力された分光測光シグネチャの分析を実行するように構成されたプロセッサと
    を備える、システム。
21. 血清分離キュベットであって、
    検体容器および前記検体容器の上の1つまたは複数の血清チャネルを含む血清分析チャンバと、
    凝固チャンバであって、前記凝固チャンバに導入された検体を凝固させるための凝固剤、凝固した全細胞を前記検体から除去するための凝固ストレーナ、およびチャネルプラグを含む、凝固チャンバと
    を備え、
    前記チャネルプラグおよび前記血清チャネルは、検体血清が前記分析チャンバに流入し得るように、前記凝固チャンバと前記分析チャンバとの間に解除可能なシールを形成する、血清分離キュベット。