JP2024527306A - オリゴ配列を使用して訓練された自己学習ベースコーラ - Google Patents
オリゴ配列を使用して訓練された自己学習ベースコーラ Download PDFInfo
- Publication number
- JP2024527306A JP2024527306A JP2023579783A JP2023579783A JP2024527306A JP 2024527306 A JP2024527306 A JP 2024527306A JP 2023579783 A JP2023579783 A JP 2023579783A JP 2023579783 A JP2023579783 A JP 2023579783A JP 2024527306 A JP2024527306 A JP 2024527306A
- Authority
- JP
- Japan
- Prior art keywords
- base
- sequence
- training
- neural network
- predicted
- 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
- 238000012549 training Methods 0.000 claims abstract description 661
- 238000013528 artificial neural network Methods 0.000 claims abstract description 580
- 238000000034 method Methods 0.000 claims abstract description 361
- 108091034117 Oligonucleotide Proteins 0.000 claims abstract description 125
- 238000013507 mapping Methods 0.000 claims description 179
- 238000003860 storage Methods 0.000 claims description 78
- 230000007423 decrease Effects 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 description 138
- 238000012163 sequencing technique Methods 0.000 description 129
- 238000006243 chemical reaction Methods 0.000 description 115
- 230000036961 partial effect Effects 0.000 description 68
- 239000012530 fluid Substances 0.000 description 67
- 125000003729 nucleotide group Chemical group 0.000 description 58
- 239000012071 phase Substances 0.000 description 56
- 230000015654 memory Effects 0.000 description 55
- 239000002773 nucleotide Substances 0.000 description 54
- 230000008569 process Effects 0.000 description 46
- 150000007523 nucleic acids Chemical class 0.000 description 42
- 238000012545 processing Methods 0.000 description 42
- 102000039446 nucleic acids Human genes 0.000 description 38
- 108020004707 nucleic acids Proteins 0.000 description 38
- 239000000523 sample Substances 0.000 description 38
- 239000000758 substrate Substances 0.000 description 38
- 108020004414 DNA Proteins 0.000 description 33
- 102000053602 DNA Human genes 0.000 description 33
- 230000006870 function Effects 0.000 description 33
- 230000002123 temporal effect Effects 0.000 description 28
- 238000005286 illumination Methods 0.000 description 24
- 238000005070 sampling Methods 0.000 description 24
- 239000000126 substance Substances 0.000 description 23
- 230000003321 amplification Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 21
- 238000003199 nucleic acid amplification method Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 20
- 230000005284 excitation Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 239000000463 material Substances 0.000 description 18
- 238000001514 detection method Methods 0.000 description 17
- 239000012491 analyte Substances 0.000 description 16
- 108010076504 Protein Sorting Signals Proteins 0.000 description 15
- 108090000623 proteins and genes Proteins 0.000 description 15
- 238000010223 real-time analysis Methods 0.000 description 15
- 239000007787 solid Substances 0.000 description 15
- 238000003491 array Methods 0.000 description 13
- 239000002131 composite material Substances 0.000 description 12
- 238000007796 conventional method Methods 0.000 description 12
- 102000004169 proteins and genes Human genes 0.000 description 12
- 238000004166 bioassay Methods 0.000 description 11
- 238000011068 loading method Methods 0.000 description 11
- 102000040430 polynucleotide Human genes 0.000 description 11
- 108091033319 polynucleotide Proteins 0.000 description 11
- 239000002157 polynucleotide Substances 0.000 description 11
- 238000003786 synthesis reaction Methods 0.000 description 11
- 239000011324 bead Substances 0.000 description 10
- 239000000203 mixture Substances 0.000 description 10
- 229920002477 rna polymer Polymers 0.000 description 10
- 239000003153 chemical reaction reagent Substances 0.000 description 9
- 238000002161 passivation Methods 0.000 description 9
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical compound CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 description 9
- 230000002441 reversible effect Effects 0.000 description 9
- 241001342895 Chorus Species 0.000 description 8
- 239000012620 biological material Substances 0.000 description 8
- HAORKNGNJCEJBX-UHFFFAOYSA-N cyprodinil Chemical compound N=1C(C)=CC(C2CC2)=NC=1NC1=CC=CC=C1 HAORKNGNJCEJBX-UHFFFAOYSA-N 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000005562 fading Methods 0.000 description 8
- 239000012634 fragment Substances 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 102000004190 Enzymes Human genes 0.000 description 7
- 108090000790 Enzymes Proteins 0.000 description 7
- 108091028043 Nucleic acid sequence Proteins 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 7
- 238000004020 luminiscence type Methods 0.000 description 7
- 230000003252 repetitive effect Effects 0.000 description 7
- 238000003556 assay Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010348 incorporation Methods 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012384 transportation and delivery Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000001444 catalytic combustion detection Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 5
- 238000003752 polymerase chain reaction Methods 0.000 description 5
- 230000002250 progressing effect Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 241000588724 Escherichia coli Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000000376 reactant Substances 0.000 description 4
- 108091093088 Amplicon Proteins 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 3
- 108010014303 DNA-directed DNA polymerase Proteins 0.000 description 3
- 102000016928 DNA-directed DNA polymerase Human genes 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- JLCPHMBAVCMARE-UHFFFAOYSA-N [3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-hydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methyl [5-(6-aminopurin-9-yl)-2-(hydroxymethyl)oxolan-3-yl] hydrogen phosphate Polymers Cc1cn(C2CC(OP(O)(=O)OCC3OC(CC3OP(O)(=O)OCC3OC(CC3O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c3nc(N)[nH]c4=O)C(COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3CO)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cc(C)c(=O)[nH]c3=O)n3cc(C)c(=O)[nH]c3=O)n3ccc(N)nc3=O)n3cc(C)c(=O)[nH]c3=O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)O2)c(=O)[nH]c1=O JLCPHMBAVCMARE-UHFFFAOYSA-N 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 125000000524 functional group Chemical group 0.000 description 3
- 239000000499 gel Substances 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- -1 polypropylene Polymers 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 108091028732 Concatemer Proteins 0.000 description 2
- 241000288906 Primates Species 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 108020004682 Single-Stranded DNA Proteins 0.000 description 2
- ISAKRJDGNUQOIC-UHFFFAOYSA-N Uracil Chemical compound O=C1C=CNC(=O)N1 ISAKRJDGNUQOIC-UHFFFAOYSA-N 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000005415 bioluminescence Methods 0.000 description 2
- 230000029918 bioluminescence Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- OPTASPLRGRRNAP-UHFFFAOYSA-N cytosine Chemical compound NC=1C=CNC(=O)N=1 OPTASPLRGRRNAP-UHFFFAOYSA-N 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical compound O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 description 2
- 238000013090 high-throughput technology Methods 0.000 description 2
- 239000000017 hydrogel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 229920003023 plastic Polymers 0.000 description 2
- 229920002401 polyacrylamide Polymers 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- RWQNBRDOKXIBIV-UHFFFAOYSA-N thymine Chemical compound CC1=CNC(=O)NC1=O RWQNBRDOKXIBIV-UHFFFAOYSA-N 0.000 description 2
- 239000012780 transparent material Substances 0.000 description 2
- 241001515965 unidentified phage Species 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- PHIYHIOQVWTXII-UHFFFAOYSA-N 3-amino-1-phenylpropan-1-ol Chemical compound NCCC(O)C1=CC=CC=C1 PHIYHIOQVWTXII-UHFFFAOYSA-N 0.000 description 1
- 229930024421 Adenine Natural products 0.000 description 1
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 description 1
- 240000001436 Antirrhinum majus Species 0.000 description 1
- 238000001712 DNA sequencing Methods 0.000 description 1
- 229920002307 Dextran Polymers 0.000 description 1
- 108700028146 Genetic Enhancer Elements Proteins 0.000 description 1
- 102100034343 Integrase Human genes 0.000 description 1
- 102000003960 Ligases Human genes 0.000 description 1
- 108090000364 Ligases Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 108091092878 Microsatellite Proteins 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000995070 Nirvana Species 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 239000004793 Polystyrene Substances 0.000 description 1
- 108010092799 RNA-directed DNA polymerase Proteins 0.000 description 1
- 108091028664 Ribonucleotide Proteins 0.000 description 1
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 108700005078 Synthetic Genes Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229960000643 adenine Drugs 0.000 description 1
- 239000012790 adhesive layer Substances 0.000 description 1
- 239000011543 agarose gel Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009435 amidation Effects 0.000 description 1
- 238000007112 amidation reaction Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000000692 anti-sense effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003012 bilayer membrane Substances 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002299 complementary DNA Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229940104302 cytosine Drugs 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 239000005547 deoxyribonucleotide Substances 0.000 description 1
- 125000002637 deoxyribonucleotide group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 239000001177 diphosphate Substances 0.000 description 1
- XPPKVPWEQAFLFU-UHFFFAOYSA-J diphosphate(4-) Chemical compound [O-]P([O-])(=O)OP([O-])([O-])=O XPPKVPWEQAFLFU-UHFFFAOYSA-J 0.000 description 1
- 235000011180 diphosphates Nutrition 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 208000018459 dissociative disease Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000032050 esterification Effects 0.000 description 1
- 238000005886 esterification reaction Methods 0.000 description 1
- 238000006266 etherification reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229920001519 homopolymer Polymers 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 125000002887 hydroxy group Chemical group [H]O* 0.000 description 1
- 230000003100 immobilizing effect Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010369 molecular cloning Methods 0.000 description 1
- 239000003068 molecular probe Substances 0.000 description 1
- 150000004712 monophosphates Chemical class 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000007899 nucleic acid hybridization Methods 0.000 description 1
- 230000005257 nucleotidylation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920002223 polystyrene Polymers 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002165 resonance energy transfer Methods 0.000 description 1
- 239000002336 ribonucleotide Substances 0.000 description 1
- 125000002652 ribonucleotide group Chemical group 0.000 description 1
- 238000007363 ring formation reaction Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000012056 semi-solid material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007841 sequencing by ligation Methods 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 241001147420 ssDNA viruses Species 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 229940113082 thymine Drugs 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 125000002264 triphosphate group Chemical group [H]OP(=O)(O[H])OP(=O)(O[H])OP(=O)(O[H])O* 0.000 description 1
- 229940035893 uracil Drugs 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- 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
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Epidemiology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Public Health (AREA)
- Analytical Chemistry (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
ベースコーラを漸進的に訓練する方法が開示される。方法は、単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することを含む。動作（ｉ）において、ベースコーラは、マルチオリゴ塩基配列を含む検体で更に訓練され、標識された訓練データは、更に訓練されたベースコーラを使用して生成される。動作（ｉ）は、ベースコーラを更に訓練するために反復的に繰り返される。実施例では、少なくとも１回の反復中に、ベースコーラ内にロードされたニューラルネットワーク構成の複雑度が増大する。実施例では、反復中に生成された標識された訓練データは、直後の反復中に前記ベースコーラを訓練するために使用される。
Description
優先権出願
本出願は、２０２２年６月１日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｌｉｇｏ Ｓｅｑｕｅｎｃｅｓ」と題する米国非仮特許出願第１７／８３０，２８７号（代理人整理番号ＩＬＬＭ１０３８－３／ＩＰ－２０５０－ＵＳ）の優先権を主張し、これは、２０２１年６月２９日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｌｉｇｏ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６３／２１６，４１９号（代理人整理番号ＩＬＬＭ１０３８－１／ＩＰ－２０５０－ＰＲＶ）及び２０２１年６月２９日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｒｇａｎｉｓｍ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６３／２１６，４０４号（代理人整理番号ＩＬＬＭ１０３８－２／ＩＰ－２０９４－ＰＲＶ）の利益を主張する。優先権出願は、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。
本出願は、２０２２年６月１日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｌｉｇｏ Ｓｅｑｕｅｎｃｅｓ」と題する米国非仮特許出願第１７／８３０，２８７号（代理人整理番号ＩＬＬＭ１０３８－３／ＩＰ－２０５０－ＵＳ）の優先権を主張し、これは、２０２１年６月２９日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｌｉｇｏ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６３／２１６，４１９号（代理人整理番号ＩＬＬＭ１０３８－１／ＩＰ－２０５０－ＰＲＶ）及び２０２１年６月２９日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｒｇａｎｉｓｍ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６３／２１６，４０４号（代理人整理番号ＩＬＬＭ１０３８－２／ＩＰ－２０９４－ＰＲＶ）の利益を主張する。優先権出願は、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。
本出願は、２０２２年６月１日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｒｇａｎｉｓｍ Ｓｅｑｕｅｎｃｅｓ」と題する米国非仮特許出願第１７／８３０，３１６号（代理人整理番号ＩＬＬＭ１０３８－５／ＩＰ－２０９４－ＵＳ）の優先権を主張し、これは、２０２１年６月２９日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｒｇａｎｉｓｍ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６３／２１６，４０４号（代理人整理番号ＩＬＬＭ１０３８－２／ＩＰ－２０９４－ＰＲＶ）及び２０２１年６月２９日に出願された「Ｓｅｌｆ－Ｌｅａｒｎｅｄ Ｂａｓｅ Ｃａｌｌｅｒ，Ｔｒａｉｎｅｄ Ｕｓｉｎｇ Ｏｌｉｇｏ Ｓｅｑｕｅｎｃｅｓ」と題する米国仮特許出願第６３／２１６，４１９号（代理人整理番号ＩＬＬＭ１０３８－１／ＩＰ－２０５０－ＰＲＶ）の利益を主張する。優先権出願は、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。
開示される技術は、人工知能型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（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）を模倣するための対応するデータ処理方法及び製品に関し、不確実性を伴う推論のためのシステム（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。
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参照により組み込まれる。
同時に出願された「ＳＥＬＦ－ＬＥＡＲＮＥＤ ＢＡＳＥ ＣＡＬＬＥＲ，ＴＲＡＩＮＥＤ ＵＳＩＮＧ ＯＲＧＡＮＩＳＭ ＳＥＱＵＥＮＣＥＳ」と題するＰＣＴ特許出願（代理人整理番号ＩＬＬＭ ＩＬＬＭ１０３８－６／ＩＰ－２０９４－ＰＣＴ）、
２０２０年２月２０日に出願された「ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＢＡＳＥ ＣＡＬＬＩＮＧ ＯＦ ＩＮＤＥＸ ＳＥＱＵＥＮＣＥＳ」と題する米国特許仮出願第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」と題する米国特許仮出願第６２／９７９，４１４号（代理人整理番号ＩＬＬＭ１０１６－１／ＩＰ－１８５８－ＰＲＶ）、
２０２０年３月２０日に出願された「ＴＲＡＩＮＩＮＧ ＤＡＴＡ ＧＥＮＥＲＡＴＩＯＮ ＦＯＲ ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＳＥＱＵＥＮＣＩＮＧ」と題する米国特許非仮出願第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「ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＧＥＮＥＲＡＴＩＯＮ ＯＦ ＳＥＱＵＥＮＣＩＮＧ ＭＥＴＡＤＡＴＡ」と題する米国非仮特許出願第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」と題する米国非仮特許出願第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」と題する米国非仮特許出願第１６／８２６，１３４号（代理人整理番号ＩＬＬＭ１００８－１９／ＩＰ－１７４７－ＵＳ）、及び
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公開第１６／８２６，１６８号（代理人整理番号ＩＬＬＭ １００８－２０／ＩＰ－１７５２－ＰＲＶ－ＵＳ）。
以下は、本明細書に完全に記載されているかのように参照により組み込まれる。
同時に出願された「ＳＥＬＦ－ＬＥＡＲＮＥＤ ＢＡＳＥ ＣＡＬＬＥＲ，ＴＲＡＩＮＥＤ ＵＳＩＮＧ ＯＲＧＡＮＩＳＭ ＳＥＱＵＥＮＣＥＳ」と題するＰＣＴ特許出願（代理人整理番号ＩＬＬＭ ＩＬＬＭ１０３８－６／ＩＰ－２０９４－ＰＣＴ）、
２０２０年２月２０日に出願された「ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＢＡＳＥ ＣＡＬＬＩＮＧ ＯＦ ＩＮＤＥＸ ＳＥＱＵＥＮＣＥＳ」と題する米国特許仮出願第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」と題する米国特許仮出願第６２／９７９，４１４号（代理人整理番号ＩＬＬＭ１０１６－１／ＩＰ－１８５８－ＰＲＶ）、
２０２０年３月２０日に出願された「ＴＲＡＩＮＩＮＧ ＤＡＴＡ ＧＥＮＥＲＡＴＩＯＮ ＦＯＲ ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＳＥＱＵＥＮＣＩＮＧ」と題する米国特許非仮出願第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「ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＧＥＮＥＲＡＴＩＯＮ ＯＦ ＳＥＱＵＥＮＣＩＮＧ ＭＥＴＡＤＡＴＡ」と題する米国非仮特許出願第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」と題する米国非仮特許出願第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」と題する米国非仮特許出願第１６／８２６，１３４号（代理人整理番号ＩＬＬＭ１００８－１９／ＩＰ－１７４７－ＵＳ）、及び
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公開第１６／８２６，１６８号（代理人整理番号ＩＬＬＭ １００８－２０／ＩＰ－１７５２－ＰＲＶ－ＵＳ）。
このセクションで考察される主題は、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と関連付けられた問題は、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装形態に対応し得る。
計算能力の急速な改善により、近年、多くのコンピュータビジョンタスクにおいて、深層畳み込みニューラルネットワーク（Convolution Neural Network、ＣＮＮ）が、著しく改善された精度で、大成功を収めることが可能となった。推論段階の間、多くのアプリケーションは、厳密な電力消費要件を伴う、１つの画像の低遅延の処理を必要とし、これにより、グラフィックス処理ユニット（Graphics Processing Unit、ＧＰＵ）及び他の汎用プラットフォームの効率が低下し、そのことは、特定のアクセレレーションハードウェア、例えば、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array、ＦＰＧＡ）にとっては、深層学習アルゴリズムの推論に特に効果的となるようにデジタル回路をカスタマイズすることによって、好機をもたらすこととなる。しかしながら、携帯型及び埋め込み式システムにＣＮＮを配備することは、大きいデータ量、集中的な計算、様々なアルゴリズム構造、及び頻繁なメモリアクセスのために依然として困難である。
畳み込みが、ＣＮＮにおけるほとんどの演算を提供するので、畳み込みアクセレレーションスキームが、ハードウェアＣＮＮアクセラレータの効率及び性能に大きく影響することになる。畳み込みは、カーネル及び特徴マップに沿ってスライドする４つのレベルのループを伴う、積和（multiply and accumulate、ＭＡＣ）演算を含む。第１のループレベルは、１つのカーネルウィンドウ内のピクセルのＭＡＣを計算する。第２のループレベルは、様々な異なる入力特徴マップにわたるＭＡＣの積の和を累積する。第１及び第２のループレベルを完了した後、バイアスを追加することにより、出力特徴マップでの最終的な出力要素が得られる。第３のループレベルは、入力特徴マップ内で、カーネルウィンドウをスライドさせる。第４のループレベルは、様々な異なる出力特徴マップを発生させる。
ＦＰＧＡは、特に、推論タスクを加速化するために、より多くの関心を集め、より広く普及しており、それは、ＦＰＧＡが、（１）再構成可能性が高く、（２）ＣＮＮの急速な進化にキャッチアップするために必要な開発時間の速さという点で、特定用途向け集積回路（application specific integrated circuit、ＡＳＩＣ）と比較して優れており、（３）良好な性能を有し、（４）ＧＰＵと比較して、エネルギー効率が優れている、ということに起因する。ＦＰＧＡの高い性能及び高い効率性は、特定の計算のためにカスタマイズされた回路を合成して、カスタマイズされたメモリシステムで数十億回の演算を直接処理することによって実現することができる。例えば、現代のＦＰＧＡにおける数百から数千のデジタル信号処理（digital signal processing、ＤＳＰ）ブロックは、コア畳み込み演算、例えば、高度の並列処理を伴う積和演算をサポートする。外部オンチップメモリとオンチッププロセッシングエンジン（processing engine、ＰＥ）と間の専用データバッファは、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）チップ上に、数十メガバイトのオンチップブロックランダムアクセスメモリ（block random access memory、ＢＲＡＭ）を構成することにより、優先データフローを実現するように設計することができる。
高性能を達成するためにリソース利用を最大化しながら、データ通信を最小限に抑えるために、ＣＮＮアクセレレーションの効率的なデータフロー及びハードウェアアーキテクチャが望まれている。アクセレレーションハードウェア上の様々なＣＮＮアルゴリズムの推論プロセスを加速化し、高い性能、高い効率、及び高い柔軟性を実現するための方法論及びフレームワークを設計するための好機が生じることとなる。
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。
様々な実施形態で使用することができるバイオセンサの断面図を示す。
そのタイル内にクラスタを含むフローセルの一実装形態を示す。
８つのレーンを有する例示的なフローセルを示し、１つのタイル及びそのクラスタ及びそれらの周囲の背景のズームインも示す。
ベースコールセンサ出力など、配列決定システムからのセンサ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ランタイム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４の構成可能なプロセッサなど、構成可能なプロセッサの構成の簡略図である。
本明細書に記載のように構成された構成可能又は再構成可能なアレイを使用して実行することができるニューラルネットワークアーキテクチャの図である。
図７のもののようなニューラルネットワークアーキテクチャによって使用されるセンサデータのタイルの組織の簡略図である。
図７のもののようなニューラルネットワークアーキテクチャによって使用されるセンサデータのタイルのパッチの簡略図である。
フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの構成可能又は再構成可能なアレイ上の図７のもののようなニューラルネットワークの構成の一部を示す。
本明細書に記載のように構成された構成可能又は再構成可能なアレイを使用して実行することができる別の代替のニューラルネットワークアーキテクチャの図である。
異なる配列決定サイクルでデータの処理を分離するために使用されるニューラルネットワークベースのベースコーラの専用アーキテクチャの一実装形態を示す。
各々が畳み込みを含み得る、分離された層の一実装形態を示す。
各々が畳み込みを含み得る、組み合わせ層の一実装形態を示す。
各々が畳み込みを含み得る、組み合わせ層の別の実装形態を示す。
既知の合成オリゴ配列を使用して、ニューラルネットワーク構成を含むベースコーラを訓練するために、単一オリゴ訓練段階で動作するベースコーリングシステムを例解する。
予測された塩基配列と対応するグラウンドトゥルース塩基配列との間の比較動作を示す。
既知の合成オリゴ配列を使用して、ニューラルネットワーク構成を含むベースコーラを訓練するために、単一オリゴ訓練段階で動作する図１４Ａのベースコーリングシステムの更なる詳細を例解する。
２つの既知の合成配列を使用して標識された訓練データを生成するために、２オリゴ訓練段階の訓練データ生成フェーズにおいて動作する図１４Ａのベースコーリングシステムを例解する。
図１５Ａに関して考察された２オリゴ配列の２つの対応する例示的選択を例解する。
図１５Ａに関して考察された２オリゴ配列の２つの対応する例示的選択を例解する。
（ｉ）予測されたベースコール配列を第１のオリゴ若しくは第２のオリゴのいずれかにマッピングするか、又は（ｉｉ）予測されたベースコール配列を２つのオリゴのいずれかにマッピングする際に不確定性を宣言するかのいずれかのための例示的なマッピング操作を例解する。
図１５Ｄのマッピングから生成された標識された訓練データを例解し、訓練データは、図１６Ａに例解された別のニューラルネットワーク構成によって使用される。
２つの既知の合成オリゴ配列を使用して、別のニューラルネットワーク構成（図１４Ａのニューラルネットワーク構成とは異なり、図１４Ａのニューラルネットワーク構成に対してより複雑である）を備えるベースコーラを訓練するために、２オリゴ訓練段階の訓練データ消費及び訓練フェーズにおいて動作する図１４Ａのベースコーリングシステムを例解する。
２オリゴ訓練段階の訓練データ生成フェーズの第２の反復において動作する図１４Ａのベースコーリングシステムを例解する。
図１６Ｂに例解されたマッピングから生成された標識された訓練データを例解し、訓練データは更なる訓練のために使用される。
２つの既知の合成オリゴ配列を使用して、図１６Ａのニューラルネットワーク構成を備えるベースコーラを訓練するために、「２オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」の第２の反復において動作する図１４Ａのベースコーリングシステムを例解する。
単一オリゴ及び２オリゴ配列を使用して、ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法を描写する、フローチャートを例解する。
図１７Ａの方法１７００の終わりにおいて第ＰのＮＮ構成によって生成された例示的な標識された訓練データを例解する。
３オリゴニューラルネットワーク構成を備えるベースコーラを訓練するために、「３オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」の第１の反復において動作する図１４Ａのベースコーリングシステムを例解する。
図１８Ａの３オリゴニューラルネットワーク構成を備えるベースコーラを訓練するために、「３オリゴ訓練段階」の「訓練データ生成フェーズ」で動作する図１４Ａのベースコーリングシステムを例解する。
（ｉ）予測されたベースコール配列を図１８Ｂの３つのオリゴのいずれかにマッピングするか、又は（ｉｉ）予測されたベースコール配列のマッピングが不確定であると宣言するかのいずれかのマッピング動作を例解する。
図１８Ｃのマッピングから生成された標識された訓練データを示し、訓練データは、別のニューラルネットワーク構成を訓練するために使用される。
３オリゴグラウンドトゥルース配列を使用して、ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法を描写するフローチャートを例解する。
複数オリゴグラウンドトゥルース配列を使用してベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的な方法を描写するフローチャートを例解する。
図１４Ａのベースコーラを訓練するために使用される生物配列を例解する。
図２０Ａの第１の生物配列の様々な部分配列を使用して、第１の生物レベルのニューラルネットワーク構成を備えるベースコーラを訓練するために、第１の生物訓練段階の訓練データ生成フェーズにおいて動作する図１４Ａのベースコーリングシステムを例解する。
ベースコーリング動作の配列決定実行であるサイクル数の関数として信号強度が減少したフェーディングの実施例を例解する。
配列決定進行のサイクルとしての減少する信号対ノイズ比を概念的に示す。
部分配列のＬ１個の塩基の第１のＬ２個の塩基のベースコーリングを例解し、部分配列の第１のＬ２個の塩基は、部分配列を図２０Ａの生物配列にマッピングするために使用される。
図２０Ｅのマッピングから生成された標識された訓練データを例解し、標識された訓練データは、グラウンドトゥルースとして図２０Ａの生物配列のセクションを含む。
第１の生物レベルニューラルネットワーク構成を備えるベースコーラを訓練するために、「生物レベル訓練段階」の「訓練データ消費及び訓練フェーズ」において動作する図１４Ａのベースコーリングシステムを例解する。
図２０Ａの単純生物配列を使用して、ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法を描写する、フローチャートを例解する。
図１４Ａのベースコーラについての対応するＮＮ構成の訓練のための複雑な生物配列の使用を例解する。
ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法を描写するフローチャートを例解する。
本開示で考察されるベースコーラ訓練プロセスの有効性を例解する様々なチャートを例解する。
本開示で考察されるベースコーラ訓練プロセスの有効性を例解する様々なチャートを例解する。
本開示で考察されるベースコーラ訓練プロセスの有効性を例解する様々なチャートを例解する。
本開示で考察されるベースコーラ訓練プロセスの有効性を例解する様々なチャートを例解する。
一実装形態によるベースコールシステムのブロック図である。
図２４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のブロック図である。
開示される技術を実装するために使用することができるコンピュータシステムの簡略ブロック図である。
本明細書で使用される場合、「ポリヌクレオチド」又は「核酸」という用語は、デオキシリボ核酸（deoxyribonucleic acid、ＤＮＡ）を指し、しかしながら、適切な場合には、当業者は、本明細書のシステム及びデバイスをリボ核酸（ribonucleic acid、ＲＮＡ）とともに利用することもできることを認識するであろう。これらの用語は、同等物として、ヌクレオチド類似体から作製されるＤＮＡ又はＲＮＡのいずれかの類似体を含むと理解されるべきである。本明細書で使用されるこれらの用語はまた、例えば逆転写酵素の作用によって、相補的であるｃＤＮＡ、又はＲＮＡ鋳型から生成されるコピーＤＮＡも包含する。
本明細書のシステム及びデバイスによって配列決定される一本鎖ポリヌクレオチド分子は、ＤＮＡ又はＲＮＡとして一本鎖形態で起源を有するか、又は二本鎖ＤＮＡ（double-stranded DNA、ｄｓＤＮＡ）形態（例えば、ゲノムＤＮＡ断片、ＰＣＲ及び増幅産物及び同様のもの）で起源を有することができる。したがって、一本鎖ポリヌクレオチドは、ポリヌクレオチド二重鎖のセンス鎖又はアンチセンス鎖であり得る。標準的な技法を使用した本開示の方法での使用に好適な一本鎖ポリヌクレオチド分子の調製方法は、当該技術分野で既知である。一次ポリヌクレオチド分子の正確な配列は、一般に、本開示に重要ではなく、既知又は不明であり得る。一本鎖ポリヌクレオチド分子は、イントロン及びエクソン配列（コード配列）の両方、並びにプロモータ及びエンハンサ配列などの非コード調節配列を含む、ゲノムＤＮＡ分子（例えば、ヒトゲノムＤＮＡ）を表すことができる。
ある実施形態において、本開示の使用を通して配列決定される核酸は、基質（例えば、フローセル内の基質、又はフローセルなどの基質上の１つ以上のビーズなど）上に固定化される。本明細書で使用される「固定化された」という用語は、明示的又は文脈によって別途示されない限り、直接的又は間接的な、共有付着又は非共有付着を包含することを意図する。ある実施形態では、共有結合が好ましい場合があるが、概して必要とされるのは、例えば、核酸配列決定を必要とする用途において、支持体を使用することが意図される条件下で、分子（例えば、核酸）が、支持体に固定化されたままである又は結合したままであるということである。
本明細書で使用するような「固体支持体」（又はある用法では「基質」）という用語は、例えばガラス表面、プラスチック表面、ラテックス、デキストラン、ポリスチレン表面、ポリプロピレン表面、ポリアクリルアミドゲル、金表面、シリコンウェハなど、核酸を付着させることができる任意の不活性基質又はマトリックスを指す。多くの実施形態において、固体支持体はガラス表面（例えば、フローセルチャネルの平面）である。ある実施形態では、固体支持体は、例えば、ポリヌクレオチドなどの分子への共有結合を可能にする反応性基を含む中間材料の層又はコーティングの用途によって「官能化」されている不活性基質又はマトリックスから構成され得る。非限定的な例として、そのような支持体は、ガラスなどの不活性基質上に支持されたポリアクリルアミドヒドロゲルを含むことができる。そのような実施形態では、分子（ポリヌクレオチド）は、中間材料（例えば、ヒドロゲル）に直接共有結合することができるが、中間材料は、それ自体が基質又はマトリックス（例えば、ガラス基質）に非共有結合することができる。固体支持体への共有結合は、この種類の配置を包含するように適宜解釈されるべきである。
上記のように、本開示は、核酸を配列決定するための新規のシステム及びデバイスを含む。当業者に明らかであるように、特定の核酸配列への本明細書における言及は、文脈に依存して、このような核酸配列を含む核酸分子もまた言及し得る。標的断片の配列決定は、塩基の時系列順の読み取りが確立されることを意味する。読み取られる塩基は、連続している必要はないが、これが好ましいが、配列決定の間に全断片上の全ての塩基が配列決定される必要もない。配列決定は、ヌクレオチド又はオリゴヌクレオチドが遊離３’ヒドロキシル基に連続的に付加され、その結果、５’から３’の方向にポリヌクレオチド鎖が合成される、任意の好適な配列決定技法を使用して実施することができる。付加されたヌクレオチドの性質は、好ましくは、各ヌクレオチド付加後に決定される。全ての連続塩基が配列決定されるわけではない、ライゲーションによる配列決定を使用する配列決定技法、及び表面の鎖に塩基を付加するのではなく、塩基を除去する超並列シグネチャ配列決定（massively parallel signature sequencing、ＭＰＳＳ）などの技法も、本開示のシステム及びデバイスとともに使用するのに適している。
ある実施形態では、本開示は、合成による配列決定（sequencing-by-synthesis、ＳＢＳ）を開示する。ＳＢＳでは、４つの蛍光標識された修飾ヌクレオチドを使用して、基質（例えば、フローセル）の表面上に存在する増幅されたＤＮＡの高密度クラスタ（おそらく数百万のクラスタ）を配列決定する。本明細書のシステム及びデバイスとともに利用することができる、ＳＢＳ手順及び方法に関する様々な付加的側面は、例えば、国際公開第０４０１８４９７号、国際公開第０４０１８４９３号及び米国特許第７，０５７，０２６号（ヌクレオチド）、国際公開第０５０２４０１０号及び国際公開第０６１２０４３３号（ポリメラーゼ）、国際公開第０５０６５８１４号（表面付着技法）、並びに国際公開第９８４４１５１号、国際公開第０６０６４１９９号及び国際公開第０７０１０２５１号に開示されており、その各々の内容は、参照することによってその全体として本明細書に組み込まれる。
本明細書のシステム／デバイスの特定の使用では、配列決定のための核酸試料を含有するフローセルは、適切なフローセルホルダ内に置かれる。配列決定のための試料は、単一分子、クラスタの形態の増幅された単一分子、又は核酸の分子を含むビーズの形態を取ることができる。核酸は、未知の標的配列に隣接するオリゴヌクレオチドプライマを含むように調製される。第１のＳＢＳ配列決定サイクルを開始するために、１つ以上の異なる標識されたヌクレオチド、及びＤＮＡポリメラーゼなどが、流体フローサブシステム（その様々な実施形態が本明細書に記載されている）によってフローセル内に／フローセルを通って流される。単一ヌクレオチドが一度に追加され得るか、又は配列決定手順で使用されるヌクレオチドが可逆終端性質を有するように特別に設計され得、したがって、配列決定反応の各サイクルが、４つ全ての標識されたヌクレオチド（Ａ、Ｃ、Ｔ、Ｇ）の存在下で同時に生じることを許容する。４個のヌクレオチドが一緒に混合される場合、ポリメラーゼは、正しい塩基を選択して組み込むことができ、各配列は、単一の塩基によって伸長される。システムを使用するそのような方法では、４つの選択肢の間の自然な競合が、反応混合物中に１つのヌクレオチドしか存在しない場合（そのため、配列のほとんどが正しいヌクレオチドに曝露されない）よりも高い精度をもたらす。特定の塩基が次々に繰り返される配列（例えば、ホモポリマー）は、任意の他の配列と同様に、高い精度で対処される。
流体フローサブシステムはまた、ブロックされた３’末端（適切な場合）及びフルオロフォアを各組み込まれた塩基から除去するために、適切な試薬を流す。基質は、４つのブロックされたヌクレオチドの第２のラウンド、又は任意選択的に、異なる個々のヌクレオチドを用いた第２のラウンドのいずれかに曝露される可能性がある。次いで、このようなサイクルが繰り返され、各クラスタの配列が複数の化学サイクルにわたって読み取られる。本開示のコンピュータ態様は、任意選択的に、各単一分子、クラスタ又はビーズから収集された配列データを整列させて、より長いポリマーなどの配列を決定することができる。あるいは、画像処理及び整列は、別個のコンピュータ上で実行することができる。
システムの加熱／冷却構成要素は、フローセルチャネル及び試薬貯蔵エリア／容器（及び任意選択的にカメラ、光学系、及び／又は他の構成要素）内の反応条件を調節する一方で、流体フロー構成要素は、取り込まれなかった試薬が洗い流される間に、基質表面が取り込みに適した試薬（例えば、取り込まれるべき適切な蛍光標識ヌクレオチド）に曝露されることを許容する。フローセルが置かれる任意選択の可動ステージにより、基質をレーザー（又は他の光）で励起するためにフローセルを適正配向にすることが許容され、任意選択的に対物レンズに対してフローセルを移動させ、基質の異なるエリアを読み取ることが許容される。加えて、システムの他の構成要素もまた、任意選択的に移動可能／調整可能である（例えば、カメラ、対物レンズ、ヒータ／クーラなど）。レーザー励起の間、基質上の核酸から放出された蛍光の画像／場所は、カメラ構成要素によって捕捉され、それによって、コンピュータ構成要素において、各単一分子、クラスタ又はビーズについての第１の塩基の同一性を記録する。
本明細書に記載される実施形態は、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実施形態は、所望の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実施形態としては、カートリッジ、バイオセンサ、及びそれらの構成要素、並びにカートリッジ及びバイオセンサとともに動作するバイオアッセイシステムが挙げられる。特定の実施形態では、カートリッジ及びバイオセンサは、実質的に単一の構造で一緒に結合されたフローセル及び１つ以上のセンサ、ピクセル、光検出器、又はフォトダイオードを含む。
特定の実施形態の以下の詳細な説明は、添付の図面と併せて読むと、より良く理解され得る。図が様々な実施形態の機能ブロックの図を示す限りにおいて、機能ブロックは、必ずしもハードウェア回路間の分割を示すものではない。したがって、例えば、機能ブロック（例えば、プロセッサ又はメモリ）のうちの１つ以上は、１つのハードウェア（例えば、汎用信号プロセッサ又はランダムアクセスメモリ、ハードディスクなど）で実装されてもよい。同様に、プログラムは、スタンドアロンプログラムであってもよく、オペレーティングシステム内のサブルーチンとして組み込まれてもよく、インストールされたソフトウェアパッケージ内の機能であってもよい、など。様々な実施形態は、図面に示された配置及び手段に限定されないことを理解されたい。
本明細書で使用する際、単数形で記載され、かつ単語「ａ」又は「ａｎ」に続く要素又は工程は、かかる除外が明示的に記載されていない限り、複数のこれらの要素又は工程を除外しないものとして理解されるべきである。更に、「一実施形態」への言及は、列挙された特徴をまた組み込む追加の実施形態の存在を除外するものとして解釈されることを意図するものではない。更に、反対に明示的に述べられていない限り、特定の特性を有する要素又は複数の要素を「備える」又は「有する」又は「含む」実施形態は、それらがその特性を有するかどうかにかかわらず、追加の要素を含み得る。
本明細書で使用するとき、「所望の反応」は、対象となる検体の化学的、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。特定の実施形態では、所望の反応は、正の結合事象である（例えば、蛍光標識された生体分子の対象となる検体への組み込み）。より一般的には、所望の反応は、化学変換、化学変化、又は化学的相互作用であってもよい。所望の反応はまた、電気特性の変化であってもよい。例えば、所望の反応は、溶液内のイオン濃度の変化であってもよい。例示的な反応としては、還元、酸化、付加、脱離、再配列、エステル化、アミド化、エーテル化、環化、又は置換などの化学反応、第１の化学物質が第２の化学物質に結合する結合相互作用、２つ以上の化学物質が互いに分離する解離反応、蛍光、発光、生物発光、化学発光、並びに核酸複製、核酸増幅、核酸ハイブリダイゼーション、核酸ライゲーション、リン酸化、酵素触媒、受容体結合、又はリガンド結合などの生体反応、が挙げられるが、これらに限定されない。所望の反応はまた、例えば、周囲の溶液又は環境のｐＨの変化として検出可能である、プロトンの添加又は除去であってもよい。追加の所望の反応は、膜（例えば、天然又は合成二層膜）を横切るイオンの流れの検出であることができ、例えば、イオンが膜を通って流れるとき、電流が乱れ、この乱れが検出され得る。
特定の実施形態では、所望の反応は、検体への蛍光標識分子の組み込みを含む。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。所望の反応は、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方向付けられ、かつ蛍光団が検出可能な蛍光信号を発するときに、検出され得る。代替の実施形態では、検出された蛍光は、化学発光又は生物発光の結果である。所望の反応はまた、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団（又はＦｏｒｓｔｅｒ）共鳴エネルギー移動（Fluorescence Resonance Energy Transfer、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離すことによってＦＲＥＴを減少させ、消光剤をフルオロフォアから離す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団を減少させることができる。
本明細書で使用するとき、「反応成分」又は「反応物質」は、所望の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、反応成分としては、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、典型的には、溶液中の反応部位に送達され、及び／又は反応部位で固定される。反応成分は、対象となる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。
本明細書で使用するとき、用語「反応部位」は、所望の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、その上に核酸のコロニーを有するフローセルのチャネル内に実質的に平面状の表面を含んでもよい。常にではないが、典型的には、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、いくつかの実施形態では、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。更に、複数の反応部位は、支持表面に沿って不均一に分布してもよく、又は所定の様式で（例えば、マイクロアレイなどのマトリックス内で並列に）配置されてもよい。反応部位はまた、所望の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チャンバ（又はウェル）を含むことができる。
本出願は、用語「反応チャンバ」及び「ウェル」を互換的に使用する。本明細書で使用するとき、用語「反応チャンバ」又は「ウェル」は、フローチャネルと流体連通している空間領域を含む。反応チャンバは、周囲環境又は他の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、複数の反応チャンバは、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、反応チャンバは、ウェルの内面によって画定された空洞を含み、空洞がフローチャネルと流体連通しているように開口部又はアパーチャを有してもよい。そのような反応チャンバを含むバイオセンサは、２０１１年１０月２０日に出願された国際出願ＰＣＴ／ＵＳ２０１１／０５７１１１号により詳細に記載されており、その全体は参照により本明細書に組み込まれる。
いくつかの実施形態では、反応チャンバは、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、反応チャンバは、ただ１つの捕捉ビーズを収容するようにサイズ及び形状を定められる。捕捉ビーズは、クローン的に増幅されたＤＮＡ又はその上の他の物質を有してもよい。あるいは、反応チャンバは、おおよその数のビーズ又は固体基材を受容するようにサイズ及び形状を定められる。別の例として、反応チャンバはまた、反応チャンバに流入し得る拡散又はフィルタ流体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。
いくつかの実施形態では、センサ（例えば、光検出器、フォトダイオード）は、バイオセンサのサンプル表面の対応するピクセル領域に関連付けられている。したがって、ピクセル領域は、１つのセンサ（又はピクセル）のバイオセンサのサンプル表面上の領域を表す幾何学的構築物である。ピクセル領域に関連付けられたセンサは、関連するピクセル領域の上にある反応部位又は反応チャンバで所望の反応が生じたとき、関連するピクセル領域から収集された発光を検出する。平坦な表面の実施形態では、ピクセル領域は重なり合うことができる。いくつかの場合には、複数のセンサは、単一の反応部位又は単一の反応チャンバに関連付けられ得る。他の場合には、単一のセンサは、反応部位のグループ又は反応チャンバのグループに関連付けられ得る。
本明細書で使用するとき、「バイオセンサ」は、複数の反応部位及び／又は反応チャンバ（若しくはウェル）を有する構造を含む。バイオセンサは、ソリッドステート撮像デバイス（例えば、ＣＣＤ又はＣＭＯＳイメージャ）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、反応部位及び／又は反応チャンバと流体連通している少なくとも１つのフローチャネルを含み得る。１つの特定の例として、バイオセンサは、バイオ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、合成による配列決定）に従って反応部位及び／又は反応チャンバに反応物質を送達し、複数の撮像イベントを実行してもよい。例えば、バイオアッセイシステムは、反応部位及び／又は反応チャンバに沿って流れるように溶液を方向付けることができる。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タイプのヌクレオチドを含んでもよい。ヌクレオチドは、反応部位及び／又は反応チャンバに位置する対応するオリゴヌクレオチドに結合し得る。次いで、バイオアッセイシステムは、励起光源（例えば、発光ダイオード又はＬＥＤなどのソリッドステート光源）を使用して反応部位及び／又は反応チャンバ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複数の波長を有してもよい。励起された蛍光標識は、センサによって捕捉され得る発光信号を提供する。
代替の実施形態では、バイオセンサは、他の識別可能な特性を検出するように構成された電極又は他のタイプのセンサを含み得る。例えば、センサは、イオン濃度の変化を検出するように構成され得る。別の例では、センサは、膜を横切るイオン電流の流れを検出するように構成され得る。
本明細書で使用するとき、「クラスタ」は、類似又は同一の分子又はヌクレオチド配列又はＤＮＡ鎖のコロニーである。例えば、クラスタは、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。他の実施形態では、クラスタは、サンプル表面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。実施形態では、クラスタは、ベースコールサイクル中に反応部位及び／又は反応チャンバに固定化される。
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若しく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若しくは化学物質を分子レベルで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若しくは化学物質は、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付着を促進する共有結合技術を含む吸着技術を用いて、基材物質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基材物質の表面に固定化することは、基材表面の特性、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。場合によっては、基材表面は、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、基材表面を官能化（例えば、化学的又は物理的に修飾）してもよい。基材表面は、表面に結合した官能基を有するように最初に修飾されてもよい。次いで、官能基は、生体分子又は生物学的物質若しくは化学物質に結合して、それらをその上に固定化し得る。物質は、例えば、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２０１１／００５９８６５（Ａ１）号に記載されているように、ゲルを介して表面に固定化され得る。
いくつかの実施形態では、核酸は表面に付着され、ブリッジ増幅を使用して増幅することができる。有用なブリッジ増幅法は、例えば、米国特許第５，６４１，６５８号、国際公開第２００７／０１０２５１号、米国特許第６，０９０，５９２号、米国特許出願公開第２００２／００５５１００（Ａ１）号、米国特許第７，１１５，４００号、米国特許出願公開第２００４／００９６８５３（Ａ１）号、米国特許出願公開第２００４／０００２０９０（Ａ１）号、米国特許出願公開第２００７／０１２８６２４（Ａ１）号、及び米国特許出願公開第２００８／０００９４２０（Ａ１）号に記載されており、これらの各々は、その全体が本明細書に組み込まれる。表面上の核酸を増幅するための別の有用な方法は、例えば、以下で更に詳細に説明する方法を使用する、ローリングサークル増幅（Rolling Circle Amplification、ＲＣＡ）である。いくつかの実施形態では、核酸は、表面に付着され、１つ以上のプライマー対を使用して増幅され得る。例えば、プライマーのうちの１つは溶液中であってもよく、他のプライマーは、表面上に固定化され得る（例えば、５’－付着）。例として、核酸分子は、表面上のプライマーのうちの１つにハイブリダイズし、続いて固定化プライマーを伸長させて、核酸の第１のコピーを生成することができる。溶液中のプライマーは、次いで、核酸の第１のコピーをテンプレートとして使用して伸長させることができる核酸の第１のコピーにハイブリダイズする。任意選択的に、核酸の第１のコピーが生成された後、元の核酸分子は、表面上の第２の固定化プライマーにハイブリダイズすることができ、同時に、又は溶液中のプライマーが伸長された後に伸長され得る。任意の実施形態では、固定化プライマー及び溶液中のプライマーを使用する伸長の反復ラウンド（例えば、増幅）は、核酸の複数のコピーを提供する。
特定の実施形態では、本明細書に記載されるシステム及び方法によって実行されるアッセイプロトコルは、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む。天然ヌクレオチドとしては、例えば、リボヌクレオチド（ＲＮＡ）又はデオキシリボヌクレオチド（ＤＮＡ）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。有用な非天然ヌクレオチドのいくつかの例は、合成方法による可逆的ターミネーターベースの配列決定に関して以下に記載されている。
反応チャンバを含む実施形態では、物品又は固体物質（半固体物質を含む）が、反応チャンバ内に配置され得る。配置される場合、物品又は固体は、干渉嵌合、接着、又は閉じ込めを介して反応チャンバ内に物理的に保持又は固定化され得る。反応チャンバ内に配置され得る例示的な物品又は固体としては、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。特定の実施形態では、ＤＮＡボールなどの核酸超構造は、例えば、反応チャンバの内面に取り付けることによって、又は反応チャンバ内に液体中に滞留することによって、反応チャンバ内に又は反応チャンバ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事前成形し、次いで、反応チャンバ内に又は反応チャンバに配置することができる。あるいは、ＤＮＡボールは、反応チャンバにおいてその場で合成することができる。ＤＮＡボールは、ローリングサークル増幅によって合成して、特定の核酸配列のコンカテマーを生成することができ、コンカテマーは、比較的コンパクトなボールを形成する条件で処理することができる。ＤＮＡボール及びそれらの合成のための方法は、例えば、米国特許出願公開第２００８／０２４２５６０（Ａ１）号又は同第２００８／０２３４１３６（Ａ１）号に記載されており、それらの各々は、その全体が本明細書に組み込まれる。反応チャンバ内に保持又は配置された物質は、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、「ベースコール」は、核酸配列中のヌクレオチド塩基を識別する。ベースコールは、特定のサイクルにおいてあらゆるクラスタのベースコール（Ａ、Ｃ、Ｇ、Ｔ）を判定するプロセスを指す。一例として、ベースコールは、米国特許出願公開第２０１３／００７９２３２号の組み込まれた資料に記載されている４チャネル、２チャネル又は１チャネル方法及びシステムを利用して実行することができる。特定の実施形態では、ベースコールサイクルは、「サンプリングイベント」と呼ばれる。１色素及び２チャネル配列決定プロトコルでは、サンプリングイベントは、各段階でピクセル信号が発生するように、時系列で２つの照明段階を含む。第１の照明段階は、ＡＴピクセル信号においてヌクレオチド塩基Ａ及びＴを示す所与のクラスタからの照明を誘導し、第２の照明段階は、ＣＴピクセル信号においてヌクレオチド塩基Ｃ及びＴを示す所与のクラスタからの照明を誘導する。
開示された技術、例えば、開示されたベースコーラは、中央処理ユニット（Central Processing Unit、ＣＰＵ）、グラフィックス処理ユニット（Graphics Processing Unit、ＧＰＵ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array、ＦＰＧＡ）、粗粒度再構成可能アーキテクチャ（Coarse-Grained Reconfigurable Architecture、ＣＧＲＡｓ）、特定用途向け集積回路（Application-Specific Integrated Circuit、ＡＳＩＣ）、特定用途向け命令セットプロセッサ（Application Specific Instruction-set Processor、ＡＳＩＰ）、及びデジタル信号プロセッサ（Digital Signal Processor、ＤＳＰ）のようなプロセッサ上に実装することができる。
バイオセンサ
図１は、様々な実施形態で使用することができるバイオセンサ１００の断面図を示す。バイオセンサ１００は、ベースコールサイクル中に２つ以上のクラスタ（例えば、ピクセル領域当たり２つのクラスタ）をそれぞれ保持することができるピクセル領域１０６’、１０８’、１１０’、１１２’、及び１１４’を有する。示されるように、バイオセンサ１００は、サンプリングデバイス１０４上に取り付けられたフローセル１０２を含み得る。図示の実施形態では、フローセル１０２は、サンプリングデバイス１０４に直接固定される。しかしながら、代替の実施形態では、フローセル１０２は、サンプリングデバイス１０４に取り外し可能に結合され得る。サンプリングデバイス１０４は、官能化され得る（例えば、所望の反応を起こすのに好適な様式で化学的又は物理的に修飾され得る）サンプル表面１３４を有する。例えば、サンプル表面１３４は、官能化されてもよく、ベースコールサイクル中に２つ以上のクラスタをそれぞれ保持することができる（例えば、それに固定化された対応するクラスタ対１０６Ａ、１０６Ｂ、クラスタ対１０８Ａ、１０８Ｂ、クラスタ対１１０Ａ、１１０Ｂ、クラスタ対１１２Ａ、１１２Ｂ、及びクラスタ対１１４Ａ、１１４Ｂをそれぞれ有する）複数のピクセル領域１０６’、１０８’、１１０’、１１２’、及び１１４’を含み得る。各ピクセル領域は、対応するセンサ（又はピクセル若しくはフォトダイオード）１０６、１０８、１１０、１１２、及び１１４に関連付けられ、したがって、ピクセル領域によって受信された光は、対応するセンサによって捕捉される。ピクセル領域１０６’はまた、クラスタ対を保持する反応表面１３４上の対応する反応部位１０６”に関連付けられ得、したがって、反応部位１０６”から発光された光は、ピクセル領域１０６’によって受信され、対応するセンサ１０６によって捕捉される。この感知構造の結果として、ベースコールサイクル中に特定のセンサのピクセル領域に２つ以上のクラスタが存在する（例えば、対応するクラスタ対をそれぞれ有する）場合、そのベースコールサイクルにおけるピクセル信号は、２つ以上のクラスタの全てに基づく情報を搬送する。結果として、本明細書に記載の信号処理は、特定のベースコールサイクルの所与のサンプリングイベントにおいてピクセル信号より多くのクラスタが存在する、各クラスタを区別するために使用される。
図１は、様々な実施形態で使用することができるバイオセンサ１００の断面図を示す。バイオセンサ１００は、ベースコールサイクル中に２つ以上のクラスタ（例えば、ピクセル領域当たり２つのクラスタ）をそれぞれ保持することができるピクセル領域１０６’、１０８’、１１０’、１１２’、及び１１４’を有する。示されるように、バイオセンサ１００は、サンプリングデバイス１０４上に取り付けられたフローセル１０２を含み得る。図示の実施形態では、フローセル１０２は、サンプリングデバイス１０４に直接固定される。しかしながら、代替の実施形態では、フローセル１０２は、サンプリングデバイス１０４に取り外し可能に結合され得る。サンプリングデバイス１０４は、官能化され得る（例えば、所望の反応を起こすのに好適な様式で化学的又は物理的に修飾され得る）サンプル表面１３４を有する。例えば、サンプル表面１３４は、官能化されてもよく、ベースコールサイクル中に２つ以上のクラスタをそれぞれ保持することができる（例えば、それに固定化された対応するクラスタ対１０６Ａ、１０６Ｂ、クラスタ対１０８Ａ、１０８Ｂ、クラスタ対１１０Ａ、１１０Ｂ、クラスタ対１１２Ａ、１１２Ｂ、及びクラスタ対１１４Ａ、１１４Ｂをそれぞれ有する）複数のピクセル領域１０６’、１０８’、１１０’、１１２’、及び１１４’を含み得る。各ピクセル領域は、対応するセンサ（又はピクセル若しくはフォトダイオード）１０６、１０８、１１０、１１２、及び１１４に関連付けられ、したがって、ピクセル領域によって受信された光は、対応するセンサによって捕捉される。ピクセル領域１０６’はまた、クラスタ対を保持する反応表面１３４上の対応する反応部位１０６”に関連付けられ得、したがって、反応部位１０６”から発光された光は、ピクセル領域１０６’によって受信され、対応するセンサ１０６によって捕捉される。この感知構造の結果として、ベースコールサイクル中に特定のセンサのピクセル領域に２つ以上のクラスタが存在する（例えば、対応するクラスタ対をそれぞれ有する）場合、そのベースコールサイクルにおけるピクセル信号は、２つ以上のクラスタの全てに基づく情報を搬送する。結果として、本明細書に記載の信号処理は、特定のベースコールサイクルの所与のサンプリングイベントにおいてピクセル信号より多くのクラスタが存在する、各クラスタを区別するために使用される。
図示の実施形態では、フローセル１０２は、側壁１３８、１２５、及び側壁１３８、１２５によって支持されるフローカバー１３６を含む。側壁１３８、１２５は、サンプル表面１３４に結合され、フローカバー１３６と側壁１３８、１２５との間に延在する。いくつかの実施形態では、側壁１３８、１２５は、フローカバー１３６をサンプリングデバイス１０４に接合する硬化性接着剤層から形成される。
側壁１３８、１２５は、フローカバー１３６とサンプリングデバイス１０４との間にフローチャネル１４４が存在するようにサイズ及び形状を定められる。フローカバー１３６は、バイオセンサ１００の外部からフローチャネル１４４に伝搬する励起光１０１に対して透明な材料を含み得る。一例では、励起光１０１は、非直交角度でフローカバー１３６に近づく。
また図示のように、フローカバー１３６は、他のポート（図示せず）に流体的に係合するように構成された入口ポート及び出口ポート１４２、１４６を含み得る。例えば、これらの他のポートは、カートリッジ又はワークステーションからのものであり得る。フローチャネル１４４は、サンプル表面１３４に沿って流体を方向付けるようにサイズ及び形状を定められる。フローチャネル１４４の高さＨ１及び他の寸法は、サンプル表面１３４に沿って流体の実質的に均一な流れを維持するように構成され得る。フローチャネル１４４の寸法はまた、気泡形成を制御するように構成され得る。
例として、フローカバー１３６（又はフローセル１０２）は、ガラス又はプラスチックなどの透明材料を含み得る。フローカバー１３６は、平面状の外面と、フローチャネル１４４を画定する平面状の内面とを有する、実質的に長方形のブロックを構成し得る。ブロックは、側壁１３８、１２５上に取り付けられ得る。あるいは、フローセル１０２をエッチングして、フローカバー１３６及び側壁１３８、１２５を画定することができる。例えば、凹部が、透明材料にエッチングされ得る。エッチングされた材料がサンプリングデバイス１０４に取り付けられると、凹部はフローチャネル１４４になり得る。
サンプリングデバイス１０４は、例えば、複数のスタック基材層１２０～１２６を備える集積回路と同様であり得る。基材層１２０～１２６は、ベース基材１２０、ソリッドステートイメージャ１２２（例えば、ＣＭＯＳ画像センサ）、フィルタ又は光管理層１２４、並びにパッシベーション層１２６を含み得る。上記は単なる例示であり、他の実施形態はより少ない又は追加の層を含み得ることに留意されたい。更に、基材層１２０～１２６の各々は、複数の副層を含み得る。サンプリングデバイス１０４は、ＣＭＯＳ画像センサ及びＣＣＤなどの集積回路を製造する際に使用されるものと同様のプロセスを使用して製造され得る。例えば、基材層１２０～１２６又はそれらの一部は、サンプリングデバイス１０４を形成するために成長、堆積、エッチングなどを行うことができる。
パッシベーション層１２６は、フローチャネル１４４の流体環境からフィルタ層１２４を遮蔽するように構成されている。場合によっては、パッシベーション層１２６はまた、生体分子又は他の対象となる検体がその上に固定化されることを可能にする固体表面（すなわち、サンプル表面１３４）を提供するように構成されている。例えば、反応部位の各々は、サンプル表面１３４に固定化された生体分子のクラスタを含み得る。したがって、パッシベーション層１２６は、反応部位がそれに固定化されることを可能にする材料から形成され得る。パッシベーション層１２６はまた、所望の蛍光に対して少なくとも透明である材料を含み得る。例として、パッシベーション層１２６は、窒化ケイ素（Ｓｉ２Ｎ４）及び／又はシリカ（ＳｉＯ２）を含み得る。しかしながら、他の好適な材料を使用することができる。図示の実施形態では、パッシベーション層１２６は、実質的に平面状であり得る。しかしながら、代替の実施形態では、パッシベーション層１２６は、ピット、ウェル、溝などの凹部を含み得る。図示の実施形態では、パッシベーション層１２６は、約１５０～２００ｎｍ、より具体的には約１７０ｎｍの厚さを有する。
フィルタ層１２４は、光の透過に影響を及ぼす様々な特徴を含み得る。いくつかの実施形態では、フィルタ層１２４は、複数の機能を実行することができる。例えば、フィルタ層１２４は、（ａ）励起光源からの光信号など、不要な光信号をフィルタリングするか、（ｂ）反応部位からの発光信号を、反応部位からの発光信号を検出するように構成された対応するセンサ１０６、１０８、１１０、１１２、及び１１４に向かって方向付けるか、又は（ｃ）隣接する反応部位からの不要な発光信号の検出を遮断若しくは防止するように構成され得る。したがって、フィルタ層１２４は光管理層とも呼ばれ得る。図示の実施形態では、フィルタ層１２４は、約１～５μｍ、より具体的には約２～４μｍの厚さを有する。代替の実施形態では、フィルタ層１２４は、マイクロレンズ又は他の光学構成要素のアレイを含み得る。マイクロレンズの各々は、関連する反応部位からの発光信号をセンサに方向付けるように構成され得る。
いくつかの実施形態では、ソリッドステートイメージャ１２２及びベース基材１２０は、以前に構成されたソリッドステート撮像デバイス（例えば、ＣＭＯＳチップ）として一緒に提供され得る。例えば、ベース基材１２０は、シリコンのウェハであってもよく、ソリッドステートイメージャ１２２は、その上に取り付けられてもよい。ソリッドステートイメージャ１２２は、半導体材料（例えば、シリコン）の層、並びにセンサ１０６、１０８、１１０、１１２、及び１１４を含む。図示の実施形態では、センサは、光を検出するように構成されたフォトダイオードである。他の実施形態では、センサは、光検出器を備える。ソリッドステートイメージャ１２２は、ＣＭＯＳベースの製造プロセスを介して単一のチップとして製造され得る。
ソリッドステートイメージャ１２２は、フローチャネル１４４内からの又はフローチャネル１４４に沿った所望の反応を示すアクティビティを検出するように構成されたセンサ１０６、１０８、１１０、１１２、及び１１４の高密度アレイを含み得る。いくつかの実施形態では、各センサは、約１～２平方マイクロメートル（μｍ２）であるピクセル領域（又は検出領域）を有する。アレイは、５００，０００個のセンサ、５００万個のセンサ、１０００万個のセンサ、又は更に１億２０００万個のセンサを含むことができる。センサ１０６、１０８、１１０、１１２、及び１１４は、所望の反応を示す所定の光の波長を検出するように構成することができる。
いくつかの実施形態では、サンプリングデバイス１０４は、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７，５９５，８８２号に記載されているマイクロ回路配置などのマイクロ回路配置を含む。より具体的には、サンプリングデバイス１０４は、センサ１０６、１０８、１１０、１１２、及び１１４の平面アレイを有する集積回路を備え得る。サンプリングデバイス１０４内に形成された回路は、信号増幅、デジタル化、記憶、及び処理のうちの少なくとも１つのために構成され得る。回路は、検出された蛍光を収集及び分析し、検出データを信号プロセッサに通信するためのピクセル信号（又は検出信号）を発生させることができる。回路はまた、サンプリングデバイス１０４において追加のアナログ及び／又はデジタル信号処理を実行し得る。サンプリングデバイス１０４は、信号ルーティングを実行する（例えば、ピクセル信号を信号プロセッサに送信する）導電ビア１３０を含み得る。ピクセル信号はまた、サンプリングデバイス１０４の電気接点１３２を通って送信され得る。
サンプリングデバイス１０４は、本明細書に完全に記載されているかのように参照により組み込まれる、２０２０年５月１４日に出願された「Ｓｙｓｔｅｍｓ ａｎｄ Ｄｅｖｉｃｅｓ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ Ｐｅｒｆｏｒｍａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｐｉｘｅｌ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国非仮特許出願第１６／８７４，５９９号（代理人整理番号ＩＬＬＭ１０１１－４／ＩＰ－１７５０－ＵＳ）に関して更に詳細に論じられている。サンプリングデバイス１０４は、上述されたような上記の構成又は使用に限定されない。代替の実施形態では、サンプリングデバイス１０４は、他の形態をとってもよい。例えば、サンプリングデバイス１０４は、フローセルに結合されているか、又は反応部位をその中に有するフローセルとインターフェース接続するように移動される、ＣＣＤカメラなどのＣＣＤデバイスを備え得る。
図２は、そのタイル内にクラスタを含むフローセル２００の一実装形態を示す。フローセル２００は、図１のフローセル１０２に対応し、例えば、フローカバー１３６なしである。更に、フローセル２００の描写は、本質的に記号的であり、フローセル２００は、その中に様々な他の構成要素を示すことなく、その中に様々なレーン及びタイルを記号的に示している。図２は、フローセル２００の上面図を示している。
一実施形態では、フローセル２００は、レーン２０２ａ、２０２ｂ、．．．、２０２Ｐ、すなわち、Ｐ個のレーンなど、複数のレーンに分けられるか又は分割される。図２の例では、フローセル２００は、８つのレーンを含むように、すなわち、この例ではＰ＝８であるように示されているが、フローセル内のレーンの数は、実装形態固有である。
一実施形態では、個々のレーン２０２は、「タイル」２１２と呼ばれる非重複領域に更に分割される。例えば、図２は、例示的なレーンのセクション２０８の拡大図を示している。セクション２０８は、複数のタイル２１２を含むように示されている。
実施例では、各レーン２０２は、１つ以上のタイル列を含む。例えば、図２では、各レーン２０２は、拡大セクション２０８内に示されているように、２つの対応するタイル列２１２を含む。各レーン内の各タイル列内のタイルの数は、実装形態固有であり、一例では、各レーン内の各タイル列に５０個のタイル、６０個のタイル、１００個のタイル、又は別の適切な数のタイルが存在し得る。
各タイルは、対応する複数のクラスタを含む。配列決定手順中、タイル上のクラスタ及びそれらの周囲の背景が撮像される。例えば、図２は、例示的なタイル内の例示的なクラスタ２１６を示している。
図３は、８つのレーンを有する例示的なＩｌｌｕｍｉｎａ ＧＡ－ＩＩｘ（商標）フローセルを示し、１つのタイル及びそのクラスタ及びそれらの周囲の背景のズームインも示す。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２１２は数十万～数百万個のクラスタを保持する。図３では、明るい斑点として示されているクラスタを有するタイルから発生した画像は、３０８に示されており（例えば、３０８は、タイルの拡大画像図であり）、例示的なクラスタ３０４は標識されている。クラスタ３０４は、テンプレート分子の約千個の同一のコピーを含むが、クラスタはサイズ及び形状が異なる。クラスタは、配列決定実行前に、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。増幅及びクラスタ成長の目的は、撮像デバイス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３０４内のＤＮＡフラグメントの物理的距離は小さいため、撮像デバイスは、フラグメントのクラスタを単一のスポット３０４として知覚する。
クラスタ及びタイルは、２０２０年３月２０日に出願された「ＴＲＡＩＮＩＮＧ ＤＡＴＡ ＧＥＮＥＲＡＴＩＯＮ ＦＯＲ ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＳＥＱＵＥＮＣＩＮＧ」と題する米国非仮特許出願第１６／８２５，９８７号（代理人整理番号ＩＬＬＭ１００８－１６／ＩＰ－１６９３－ＵＳ）に関して更に詳細に論じられている。
図４は、ベースコールセンサ出力など、配列決定システムからのセンサ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（例えば、図１を参照）。図４の例では、システムは、配列決定マシン４００及び構成可能なプロセッサ４５０を含む。構成可能なプロセッサ４５０は、中央処理ユニット（central processing unit、ＣＰＵ）４０２などのホストプロセッサによって実行されるランタイムプログラムと協調して、ニューラルネットワークベースのベースコーラを実行することができる。配列決定マシン４００は、（例えば、図１～図３に関して論じられた）ベースコールセンサ及びフローセル４０１を備える。フローセルは、図１～図３に関して論じられたように、遺伝物質のクラスタが、クラスタ内の反応を引き起こして遺伝物質中の塩基を識別するために使用される検体フローの配列に曝露される１つ以上のタイルを含むことができる。センサは、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配列の各サイクルの反応を感知する。この技術の実施例は、以下により詳細に記載される。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配列に変換する。
この実施例のシステムは、ベースコール動作を調整するランタイムプログラムを実行するＣＰＵ４０２と、タイルデータのアレイの配列、ベースコール動作によって生成されたベースコール読み取り、及びベースコール動作で使用される他の情報を記憶するメモリ４０３と、を含む。また、この図では、システムは、構成ファイル（又は複数のファイル）、例えば、ＦＰＧＡビットファイル、及び構成可能なプロセッサ４５０を構成及び再構成し、かつニューラルネットワークを実行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を記憶するメモリ４０４を含む。配列決定マシン４００は、構成可能な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むことができる。
配列決定マシン４００は、バス４０５によって、構成可能なプロセッサ４５０に結合される。バス４０５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装することができる。また、この実施例では、メモリ４６０は、バス４６１によって、構成可能なプロセッサ４５０に結合される。メモリ４６０は、構成可能なプロセッサ４５０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４６０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なプロセッサ４５０による高速アクセスに使用される。バス４６１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装することもできる。
フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、粗粒化された再構成可能アレイ（Coarse Grained Reconfigurable Array、ＣＧＲＡ）、及び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装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呼ば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、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などの市販の製品が挙げられる。いくつかの実施例では、ホストＣＰＵは、構成可能なプロセッサと同じ集積回路上に実装することができる。
本明細書に記載の実施形態は、構成可能なプロセッサ４５０を使用して、マルチサイクルニューラルネットワークを実装する。構成可能なプロセッサの構成ファイルは、高レベルの記述言語（high-level description language、ＨＤＬ）又はレジスタ転送レベル（register transfer level、ＲＴＬ）言語仕様を使用して実行される論理機能を指定することによって実装することができる。本明細書は、選択された構成可能なプロセッサが構成ファイルを発生させ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発生させる目的で、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なプロセッサの代替例は、本明細書に記載される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、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、あるいはシステムオンチップＳＯＣデバイスを含む、構成されたプロセッサを含む。
一般に、ニューラルネットワークの動作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呼ばれる。
構成可能なプロセッサ４５０は、この実施例では、ＣＰＵ４０２によって実行されるプログラムを使用してロードされた構成ファイルによって、又は構成可能なプロセッサ４５４上の構成可能な要素のアレイを構成してベースコール機能を実行する他のソースによって構成されている。この実施例では、構成は、バス４０５及び４６１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配する機能を実行するデータフロー論理４５１を含む。
また、構成可能なプロセッサ４５０は、マルチサイクルニューラルネットワークを実行するためにベースコール実行論理４５２を用いて構成されている。論理４５２は、複数のマルチサイクル実行クラスタ（例えば、４５３）を含み、これは、この実施例では、マルチサイクルクラスタ１からマルチサイクルクラスタＸを含む。マルチサイクルクラスタの数は、動作の所望のスループットを伴うトレードオフ、及び構成可能なプロセッサ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。
マルチサイクルクラスタは、構成可能なプロセッサ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装されるデータフロー経路４５４によってデータフロー論理４５１に結合される。また、マルチサイクルクラスタは、例えば構成可能なプロセッサ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装された制御経路４５５によってデータフロー論理４５１に結合されている。それは、利用可能なクラスタ、ニューラルネットワークの動作の実行のための入力ユニットを利用可能なクラスタに提供する準備ができていること、ニューラルネットワークの訓練されたパラメータを提供する準備ができていること、ベースコール分類データの出力パッチを提供する準備ができていること、及びニューラルネットワークの実行に使用される他の制御データを示す、制御信号を提供する。
構成可能なプロセッサは、訓練されたパラメータを使用してマルチサイクルニューラルネットワークの動作を実行して、ベースコール動作の感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ている。ニューラルネットワークの動作を実行して、ベースコール動作の被験者感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の動作は、Ｎ個の感知サイクルのそれぞれの感知サイクルからのタイルデータのアレイの数Ｎを含む配列に対して動作し、Ｎ個の感知サイクルは、本明細書に記載される実施例では、時系列における動作ごとに１つの塩基位置に対する異なるベースコール動作のセンサデータを提供する。任意選択的に、Ｎ個の感知サイクルのうちのいくつかは、実行されてい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、配列から外れることができる。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個の感知サイクルの感知サイクルは、時系列で、被験者感知サイクルに先行する少なくとも１つの感知サイクル、及び被験者サイクルに後続する少なくとも１つの感知サイクルについての感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。
データフロー論理４５１は、Ｎ個のアレイの空間的に位置合わせされたパッチのタイルデータを含む所与の動作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の動作のために、メモリ４６０から、構成可能なプロセッサに、タイルデータ、及びモデル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ている。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つ以上の特徴を有するセンサデータのアレイを含むことができる。例えば、センサデータは、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つを識別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。
以下に記載されるようなマルチサイクルニューラルネットワークの実行中に、タイルデータはまた、中間データと呼ばれる、マルチサイクルニューラルネットワークの実行中に生成されたデータを含むことができ、これは、マルチサイクルニューラルネットワークの実行中に再計算されるのではなく再利用され得る。例えば、マルチサイクルニューラルネットワークの実行中に、データフロー論理は、タイルデータのアレイの所与のパッチのセンサデータの代わりに、中間データをメモリ４６０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感知サイクルからタイルのセンサデータを含むタイルデータを記憶するランタイムプログラムによってアクセス可能なメモリ（例えば、４６０）を含む、ベースコールセンサ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なプロセッサ４５０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動作を実行して、感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動作は、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個のアレイの配列で動作して、被験者サイクルの分類データを生成する。データフロー論理４５１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位置合わせ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を含み、複数の実行クラスタ内の実行論理クラスタがニューラルネットワークを実行するように構成されているシステムも説明される。データフロー論理は、メモリへのアクセス、及び複数の実行クラスタ内のクラスタを実行して、複数の実行クラスタ内の利用可能な実行クラスタ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位置合わせされたパッチの数Ｎを含む、入力ユニットと、被験者感知サイクルを含み、Ｎ個の空間的に位置合わせされたパッチをニューラルネットワークに適用して、被験者感知サイクルの空間的に位置合わせ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５は、ホストプロセッサによって実行されるランタイム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、（図１及び図２に示されたものなどの）フローセルからの画像センサの出力は、ライン５００上で画像処理スレッド５０１に提供され、画像処理スレッド５０１は、個々のタイルのセンサデータのアレイの再サンプリング、位置合わせ及び配置などの画像に対する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物質のクラスタに対応するセンサ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。クラスタマスクを計算するために、１つの例示的なアルゴリズムは、ソフトマックス出力から導出されたメトリックを使用して初期配列決定サイクルで信頼できないクラスタを検出するプロセスに基づいており、次いで、それらのウェル／クラスタからのデータは廃棄され、それらのクラスタの出力データは生成されない。例えば、プロセスは、最初のＮ１個の（例えば、２５個の）ベースコール中に信頼性が高いクラスタを識別し、他のクラスタを拒否することができる。拒否されたクラスタは、基準によるとポリクローナル又は非常に弱い強度又は不明瞭であり得る。この手順は、ホストＣＰＵで実行することができる。代替の実装形態では、潜在的にこの情報を使用して、ＣＰＵに戻されるべき対象となる必要なクラスタを識別し、それにより、中間データに必要なストレージを制限し得る。
画像処理スレッド５０１の出力は、ライン５０２上でＣＰＵ内のディスパッチ論理５１０に提供され、ディスパッチ論理５１０は、ベースコール動作の状態に従って、タイルデータのアレイを、高速バス５０３上でデータキャッシュ５０４に、又は高速バス５０５上で、図４の構成可能なプロセッサなどのマルチクラスタニューラルネットワークプロセッサハードウェア５２０にルーティングする。ハードウェア５２０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論理５１０に返し、ディスパッチ論理５１０は、情報をデータキャッシュ５０４に、又はライン５１１上でスレッド５０２に渡し、それは、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５０２の出力は、ライン５１２上でスレッド５０３に提供され、それは、ベースコール読み取りを集約し、データ圧縮などの他の動作を実行し、結果として得られた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サポートするハードウェア５２０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５２０は、マルチクラスタ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５０２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５２０に入力する前に、タイルデータの再サンプリング、バッチ正規化又は他の調整などの入力動作（図示せず）を実行することができる。
図６は、図４の構成可能なプロセッサなど、構成可能なプロセッサの構成の簡略図である。図６では、構成可能なプロセッサは、複数の高速ＰＣＩｅインターフェースを有するＦＰＧＡを備える。ＦＰＧＡは、図１を参照しながら記載されたデータフロー論理を含むラッパー６００を用いて構成されている。ラッパー６００は、ＣＰＵ通信リンク６０９を介してＣＰＵ内のランタイム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６１０を介してオンボードＤＲＡＭ６０２（例えば、メモリ４６０）との通信を管理する。ラッパー６００内のデータフロー論理は、数Ｎのサイクルのために、オンボードＤＲＡＭ６０２上のタイルデータのアレイをクラスタ６０１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６０１からプロセスデータ６１５を取得して、オンボードＤＲＡＭ６０２に配信する。ラッパー６００はまた、タイルデータの入力アレイと、分類データの出力パッチの両方について、オンボードＤＲＡＭ６０２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６１３上でパッチデータを、割り当てられたクラスタ６０１に転送する。ラッパーは、クラスタ６０１に、ライン６１２上で、オンボードＤＲＡＭ６０２から取得された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、クラスタ６０１に、ライン６１１上で、ＣＰＵ通信リンク６０９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発生した構成及び制御データを提供する。クラスタはまた、タイルデータのアレイの横断を管理して空間的に位置合わせされたパッチデータを提供し、かつクラスタ６０１のリソースを使用してパッチデータ上でマルチサイクルニューラルネットワークを実行するために、ホストからの制御信号と協働して使用される状態信号を、ライン６１６上でラッパー６００に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６００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が存在し得る。各クラスタは、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、被験者感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から構成可能な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装される更新パターンに従って更新されてもよい。タイル上の遺伝的クラスタ内の所与のストリングのための配列が、ストリングの第１の端部から下方に（又は上方に）延在する第１の部分と、ストリングの第２の端部から上方に（又は下方に）に延在する第２の部分とを含む、ペア端部読み取り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からラッパー６００に送信することができる。ラッパー６００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ＤＲＡＭ６０２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、タイル当たり感知サイクル当たり４０００×３０００ピクセル以上を含むセンサ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データのアレイを含むことができる。数Ｎが、マルチサイクルニューラルネットワークの各動作において使用される３回の感知サイクルである実施形態では、マルチサイクルニューラルネットワークの各動作のためのタイルデータのアレイは、タイル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、マルチサイクルクラスタが利用可能である場合、ラッパーは、パッチをクラスタに割り当てる。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ともに割り当てられたクラスタに送信する。クラスタは、構成可能な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は、データをラッパーにプッシュする。次いで、ラッパーは、ＤＲＡＭ６０２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ことになる。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ＤＲＡＭ６０２は、ラッパー６００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動作す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。
図７は、本明細書に記載のシステムを使用して実行することができるマルチサイクルニューラルネットワークモデルの図である。図７に示される例は、５サイクル入力、１サイクル出力ニューラルネットワークと呼ばれ得る。マルチサイクルニューラルネットワークモデルへの入力は、所与のタイルの５つの感知サイクルのタイルデータアレイからの、５つの空間的に位置合わせされたパッチ（例えば、７００）を含む。空間的に位置合わせされたパッチは、セット内の他のパッチと同じ位置合わせされた行及び列の寸法（ｘ、ｙ）を有し、その結果、情報は、配列サイクルにおけるタイル上の遺伝物質の同じクラスタに関連する。この例では、被験者パッチは、サイクルＫのタイルデータのアレイからのパッチである。５つの空間的に位置合わせされたパッチのセットは、２サイクルだけ被験者パッチに先行するサイクルＫ－２からのパッチと、１サイクルだけ被験者パッチに先行するサイクルＫ－１からのパッチと、１サイクルだけ被験者サイクルからパッチに後続するサイクルＫ＋１からのパッチと、２サイクルだけ被験者サイクルからパッチに後続するサイクルＫ＋２からのパッチと、を含む。
モデルは、入力パッチの各々に対して、ニューラルネットワークの層の分離されたスタック７０１を含む。したがって、スタック７０１は、サイクルＫ＋２からのパッチのタイルデータを入力として受信し、それらが入力データ又は中間データを共有しないようにスタック７０２、７０３、７０４、及び７０５から分離される。いくつかの実施形態では、スタック７１０～７０５の全ては、同一のモデル、及び同一の訓練されたパラメータを有することができる。他の実施形態では、モデル及び訓練されたパラメータは、異なるスタックにおいて異なり得る。スタック７０２は、サイクルＫ＋１からのパッチのタイルデータを入力として受信する。スタック７０３は、サイクルＫからのパッチのタイルデータを入力として受信する。スタック７０４は、サイクルＫ－１からのパッチのタイルデータを入力として受信する。スタック７０５は、サイクルＫ－２からのパッチのタイルデータを入力として受信する。分離されたスタックの層は各々、層の入力データにわたって複数のフィルタを含むカーネルの畳み込み動作を実行する。上記の例のように、パッチ７００は、３つの特徴を含み得る。層７１０の出力は、１０～２０個の特徴など、より多くの特徴を含み得る。同様に、層７１１～７１６の各々の出力は、特定の実装形態に好適な任意の数の特徴を含むことができる。フィルタのパラメータは、重み及びバイアスなど、ニューラルネットワークの訓練されたパラメータである。スタック７０１～７０５の各々からの出力特徴セット（中間データ）は、複数のサイクルからの中間データが組み合わされる時間的組み合わせ層の逆階層７２０への入力として提供される。例示される例では、逆階層７２０は、分離されたスタックのうちの３つから中間データをそれぞれ受信する、３つの組み合わせ層７２１、７２２、７２３を含む第１の層と、３つの時間層７２１、７２２、７２３から中間データを受信する、１つの組み合わせ層７３０を含む最終層と、を含む。
最終組み合わせ層７３０の出力は、サイクルＫからタイルの対応するパッチに位置するクラスタの分類データの出力パッチである。出力パッチは、サイクルＫのタイルの出力アレイ分類データに組み立てることができる。いくつかの実施形態では、出力パッチは、入力パッチとは異なるサイズ及び寸法を有し得る。いくつかの実施形態では、出力パッチは、クラスタデータを選択するためにホストによってフィルタリングされ得るピクセルごとのデータを含み得る。
次いで、出力分類データを、特定の実装形態に応じて、ホストによって、又は構成可能なプロセッサ上で任意選択的に実行されるソフトマックス関数７４０（又は他の出力起動機能）に適用することができる。ソフトマックスとは異なる出力関数を使用することができる（例えば、最大出力に従ってベースコール出力パラメータを作製し、次いで、コンテキスト／ネットワーク出力を使用して学習された非線形マッピングを使用して、ベース品質を与える）。
最後に、ソフトマックス関数７４０の出力は、サイクルＫのベースコール確率（７５０）として提供され、その後の処理で使用されるホストメモリに記憶され得る。他のシステムは、出力確率計算のために別の関数、例えば、別の非線形モデルを使用することができる。
ニューラルネットワークは、複数の実行クラスタを有する構成可能なプロセッサを使用して実装して、１つの感知サイクルの時間間隔の持続時間内に、又は時間間隔の持続時間の近くで１つのタイルサイクルの評価を完了し、リアルタイムで出力データを効果的に出力することができる。データフロー論理は、タイルデータ及び訓練されたパラメータの入力ユニットを実行クラスタに分配するように、かつメモリでのアグリゲーションのために出力パッチを分配するように構成することができる。
図７のものと同様の５サイクル入力、１サイクル出力ニューラルネットワークのデータの入力ユニットは、２チャネルセンサデータを使用したベースコール動作について図８Ａ及び図８Ｂを参照しながら説明される。例えば、遺伝的配列における所与の塩基について、ベースコール動作は、検体の２つの流れ及び２つの反応を実行することができ、これは、画像などの信号の２つのチャネルを発生させ、これは、遺伝物質の各クラスタについて遺伝的配列の現在の位置に４つの塩基のうちのどの１つが位置するかを識別するように処理され得る。他のシステムでは、感知データの異なる数のチャネルが利用され得る。例えば、ベースコールは、１チャネル方法及びシステムを利用して実行することができる。米国特許出願公開第２０１３／００７９２３２号の組み込まれた資料は、１チャネル、２チャネル、又は４チャネルなど、様々な数のチャネルを使用してベースコールを論じている。
図８Ａは、５サイクル入力、１サイクル出力ニューラルネットワークを実行する目的で使用される、所与のタイル、タイルＭのための５サイクルのタイルデータのアレイを示す。この実施例における５サイクル入力タイルデータは、データフロー論理によってアクセスされ得るシステム内のオンボードＤＲＡＭ又は他のメモリに書き込まれ、サイクルＫ－２のために、チャネル１のアレイ８０１及びチャネル２のアレイ８１１を含み、サイクルＫ－１のために、チャネル１のアレイ８０２及びチャネル２のアレイ８１２を含み、サイクルＫのために、チャネル１のアレイ８０３及びチャネル２のアレイ８１３を含み、サイクルＫ＋１のために、チャネル１のアレイ８０４及びチャネル２のアレイ８１４を含み、サイクルＫ＋２のために、チャネル１のアレイ８０５及びチャネル２のアレイ８１５を含むことができる。また、タイルのメタデータのアレイ８２０は、メモリに１回書き込むことができ、この場合、各サイクルとともにニューラルネットワークへの入力として使用するために含まれるＤＦＣファイルが含まれる。
図８Ａは２チャネルベースコール動作を論じているが、２つのチャネルを使用することは単なる例であり、ベースコールは、任意の他の適切な数のチャネルを使用して実行することができる。例えば、米国特許出願公開第２０１３／００７９２３２号の組み込まれた資料は、１チャネル、２チャネル、又は４チャネル、又は別の適切な数のチャネルなど、様々な数のチャネルを使用してベースコールを論じている。
データフロー論理は、入力パッチ上で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各実行クラスタについてタイルデータのアレイの空間的に位置合わせされたパッチを含むタイルデータの、図８Ｂを参照して理解され得る入力ユニットを構成する。割り当てられた実行クラスタの入力ユニットは、５つの入力サイクルのためのタイルデータのアレイ８０１～８０５、８１１、８１５、８２０の各々からの空間的に位置合わせされたパッチ（例えば、８５１、８５２、８６１、８６２、８７０）を読み取り、それらを、データ経路（概略的には８５０）を介して、割り当てられた実行クラスタが使用するために構成された構成可能なプロセッサ上のメモリに送達することによって、データフロー論理によって構成される。割り当てられた実行クラスタは、５サイクル入力／１サイクル出力ニューラルネットワークの実行を実行し、被験者サイクルＫのタイルの同じパッチについて分類データの被験者サイクルＫの出力パッチを送達する。
図９は、図７のもの（例えば、７０１及び７２０）のようなシステムで使用可能なニューラルネットワークのスタックの簡略化された表現である。この例では、ニューラルネットワークのいくつかの機能（例えば、９００、９０２）は、ホスト上で実行され、ニューラルネットワークの他の部分（例えば、９０１）は、構成可能なプロセッサ上で実行される。
一例では、第１の機能は、ＣＰＵ上に形成されたバッチ正規化（層９１０）であり得る。しかしながら、別の例では、機能としてのバッチ正規化は、１つ以上の層に融合されてもよく、別個のバッチ正規化層は存在しなくてもよい。
いくつかの空間的な分離された畳み込み層は、構成可能なプロセッサについて上記で論じられたように、ニューラルネットワークの畳み込み層の第１のセットとして実行される。この例では、畳み込み層の第１のセットは、空間的に２Ｄ畳み込みを適用する。
図９に示されるように、各スタック内の空間的に分離されたニューラルネットワーク層の数Ｌ／２に対して（Ｌは図７を参照しながら説明された）、第１の空間畳み込み９２１が実行され、続いて第２の空間畳み込み９２２が実行され、続いて第３の空間畳み込み９２３が実行され、以下同様である。９２３Ａに示されるように、空間層の数は、任意の実際的な数であり得、これは、コンテキストにおいて、異なる実施形態では、数個～２０超の範囲であり得る。
ＳＰ＿ＣＯＮＶ＿０の場合、カーネル重みは、この層に３つの入力チャネルがあるため、例えば（１、６、６、３、Ｌ）構造で記憶される。この実施例では、この構造の「６」は、変換されたＷｉｎｏｇｒａｄドメインに係数を記憶することによるものである（カーネルサイズは空間ドメインでは３×３であるが、変換ドメインでは拡張する）。
他のＳＰ＿ＣＯＮＶ層の場合、カーネル重みは、これらの層の各々についてＫ（＝Ｌ）個の入力及び出力があるため、この実施例では（１、６、６Ｌ）構造で記憶される。
空間層のスタックの出力は、ＦＰＧＡ上で実行される畳み込み層９２４、９２５を含めて、時間層に提供される。層９２４及び９２５は、サイクルにわたって１Ｄ畳み込みを適用する畳み込み層であり得る。９２４Ａに示されるように、時間層の数は、任意の実際的な数であり得、これは、コンテキストにおいて、異なる実施形態では、数個～２０超の範囲であり得る。
第１の時間層、ＴＥＭＰ＿ＣＯＮＶ＿０層８２４は、図７に示すように、サイクルチャネルの数を５から３に減少させる。第２の時間層、層９２５は、図７に示すようにサイクルチャネルの数を３から１に減少させ、特徴マップの数を、各ベースコールの信頼性を表すピクセルごとの４つの出力に減少させる。
時間層の出力は、出力パッチに蓄積され、ホストＣＰＵに送達されて、例えば、ソフトマックス関数９３０、又は他の関数を適用して、ベースコール確率を正規化する。
図１０は、ベースコール動作のために実行することができる１０入力、６出力ニューラルネットワークを示す代替の実装形態を示す。この例では、サイクル０～９の空間的に位置合わせされた入力パッチのタイルデータは、サイクル９のスタック１００１など、空間層の分離されたスタックに適用される。分離されたスタックの出力は、時間スタック１０２０の逆階層配置に適用され、出力１０３５（２）～１０３５（７）は、被験者サイクル２～７のベースコール分類データを提供する。
図１１は、異なる配列決定サイクルでデータの処理を分離するために使用されるニューラルネットワークベースのベースコーラの専用アーキテクチャ（例えば、図７）の一実装形態を示す。上記の専用アーキテクチャを使用する動機をまず説明する。
ニューラルネットワークベースのベースコーラは、現在の配列決定サイクル、１つ以上の先行する配列決定サイクル、及び１つ以上の連続する配列決定サイクルでデータを処理する。追加の配列決定サイクルのデータは、配列固有のコンテキストを提供する。ニューラルネットワークベースのベースコーラは、訓練中に配列固有のコンテキストを学習し、それらをベースコールする。更に、事前及び事後配列決定サイクルのデータは、プレフェージング及びフェージング信号の二次の寄与を現在の配列決定サイクルに提供する。
異なる配列決定サイクルで、かつ異なる画像チャネル内に捕捉される画像は、位置合わせ不良であり、互いに残留位置合わせ誤差を有する。この位置合わせ不良を考慮するために、専用アーキテクチャは、配列決定サイクル間では情報を混合せず、同一の配列決定サイクル内でのみ情報を混合する、空間畳み込み層を含む。
空間畳み込み層は、畳み込みの「専用の非共有」配列を介して複数の配列決定サイクルの各々に対して独立してデータを処理することによって分離を操作する、いわゆる「分離された畳み込み」を使用する。分離された畳み込みは、任意の他の配列決定サイクルのデータ及び得られた特徴マップ上で畳み込むことなく、所与の配列決定サイクル、すなわち、サイクル内のみのデータ及び得られた特徴マップ上で畳み込む。
例えば、入力データが、（ｉ）ベースコールされる現在の（時間ｔ）配列決定サイクルに対する現在のデータと、（ｉｉ）以前の（時間ｔ－１）配列決定サイクルに対する以前のデータと、（ｉｉｉ）次の（時間ｔ＋１）配列決定サイクルに対する次のデータと、を含むと考える。次いで、専用アーキテクチャは、３つの別個のデータ処理パイプライン（又は畳み込みパイプライン）、すなわち、現在のデータ処理パイプライン、以前のデータ処理パイプライン、及び次のデータ処理パイプラインを開始する。現在のデータ処理パイプラインは、現在の（時間ｔ）配列決定サイクルに対する現在のデータを入力として受信し、複数の空間畳み込み層を介して独立してそれを処理して、最終空間畳み込み層の出力としていわゆる「現在の空間畳み込み表現」を生成する。以前のデータ処理パイプラインは、以前の（時間ｔ－１）配列決定サイクルに対する以前のデータを入力として受信し、複数の空間畳み込み層を介して独立してそれを処理して、最終空間畳み込み層の出力としていわゆる「以前の空間畳み込み表現」を生成する。次のデータ処理パイプラインは、次の（時間ｔ＋１）配列決定サイクルに対する次のデータを入力として受信し、複数の空間畳み込み層を介して独立してそれを処理して、最終空間畳み込み層の出力としていわゆる「次の空間畳み込み表現」を生成する。
いくつかの実装形態では、現在のパイプライン、１つ以上の以前のパイプライン、及び１つ以上の次の処理パイプラインは、並列に実行される。
いくつかの実装形態では、空間畳み込み層は、専用アーキテクチャ内の空間畳み込みネットワーク（又はサブネットワーク）の一部である。
ニューラルネットワークベースのベースコーラは、配列決定サイクル間、すなわち、サイクル間で情報を混合する時間畳み込み層を更に含む。時間畳み込み層は、空間畳み込みネットワークからそれらの入力を受信し、それぞれのデータ処理パイプラインに対して最終空間畳み込み層によって生成される空間畳み込み表現で動作する。
時間畳み込み層のサイクル間動作性自由度は、空間畳み込みネットワークへの入力として供給される画像データ内に存在する位置合わせ不良特性が、空間畳み込み層の配列によって実行される、分離された畳み込みのスタック又はカスケードによって空間畳み込み表現からパージされるという事実から生じる。
時間畳み込み層は、スライディングウィンドウベースでの後続の入力で入力チャネル上でグループごとに畳み込む、いわゆる「組み合わせ畳み込み」を使用する。一実装形態では、後続の入力は、以前の空間畳み込み層又は以前の時間畳み込み層によって生成される後続の出力である。
いくつかの実装形態では、時間畳み込み層は、専用アーキテクチャ内の時間畳み込みネットワーク（又はサブネットワーク）の一部である。時間畳み込みネットワークは、空間畳み込みネットワークからその入力を受信する。一実装形態では、時間畳み込みネットワークの第１の時間畳み込み層は、配列決定サイクル間の空間畳み込み表現をグループごとに組み合わせる。別の実装形態では、時間畳み込みネットワークの後続の時間畳み込み層は、以前の時間畳み込み層の連続する出力を組み合わせる。
最終時間畳み込み層の出力は、出力を生成する出力層に供給される。出力は、１つ以上の配列決定サイクルで１つ以上のクラスタをベースコールするために使用される。
前方伝搬の間、専用アーキテクチャは、２つの段階で複数の入力からの情報を処理する。第１の段階では、分離された畳み込みは、入力間の情報の混合を防止するために使用される。第２の段階では、組み合わせ畳み込みは、入力間の情報を混合するために使用される。第２の段階からの結果は、複数の入力に対して単一の推論を行うために使用される。
これは、バッチモード技術とは異なり、畳み込み層は、バッチ内の複数の入力を同時に処理し、バッチ内の各入力に対して対応する推測を行う。対照的に、専用アーキテクチャは、複数の入力を単一の推論にマッピングする。単一の推論は、４つの塩基（Ａ、Ｃ、Ｔ、及びＧ）の各々に対する分類スコアなどの２つ以上の予測を含み得る。
一実装形態では、入力は、各入力が異なる時間ステップで発生し、かつ複数の入力チャネルを有するように、時間的順序付けを有する。例えば、複数の入力は、以下の３つの入力、すなわち、時間ステップ（ｔ）で現在の配列決定サイクルによって発生する現在の入力と、時間ステップ（ｔ－１）で以前の配列決定サイクルによって発生する以前の入力と、時間ステップ（ｔ＋１）で次の配列決定サイクルによって発生する次の入力と、を含み得る。別の実装形態では、各入力は、１つ以上の以前の畳み込み層によって現在の、以前の、及び次の入力からそれぞれ導出され、ｋ個の特徴マップを含む。
一実施態様では、各入力は、以下の５つの入力チャネル、すなわち、赤色画像チャネル（赤色）と、赤色距離チャネル（黄色）と、緑色画像チャネル（緑色）と、緑色距離チャネル（紫色）と、スケーリングチャネル（青色）と、を含み得る。別の実装形態では、各入力は、以前の畳み込み層によって生成されるｋ個の特徴マップを含み得、各特徴マップは、入力チャネルとして処理される。更に別の例では、各入力は、単に１つのチャネル、２つのチャネル、又は別の異なる数のチャネルを有することができる。米国特許出願公開第２０１３／００７９２３２号の組み込まれた資料は、１チャネル、２チャネル、又は４チャネルなど、様々な数のチャネルを使用してベースコールを論じている。
図１２は、各々が畳み込みを含み得る、分離された層の一実装形態を示す。分離された畳み込みは、畳み込みフィルタを各入力に並行して適用することによって、複数の入力を一度に処理する。分離された畳み込みでは、畳み込みフィルタは、同じ入力内で入力チャネルを組み合わせ、異なる入力内で入力チャネルを組み合わせない。一実装形態では、同じ畳み込みフィルタは、各入力に並行して適用される。別の実装形態では、異なる畳み込みフィルタは、各入力に並行して適用される。いくつかの実装形態では、各空間畳み込み層は、ｋ個の畳み込みフィルタのバンクを含み、その各々は、各入力に並行して適用される。
図１３Ａは、各々が畳み込みを含み得る、組み合わせ層の一実装形態を示す。図１３Ｂは、各々が畳み込みを含み得る、組み合わせ層の別の実装形態を示す。組み合わせ畳み込みは、異なる入力の対応する入力チャネルをグループ化し、畳み込みフィルタを各グループに適用することによって、異なる入力間で情報を混合する。対応する入力チャネルのグループ化及び畳み込みフィルタの適用は、スライディングウィンドウベースで生じる。このコンテキストでは、ウィンドウは、例えば、２つの連続する配列決定サイクルに対する出力を表す、２つ以上の連続する入力チャネルに及ぶ。ウィンドウがスライドウィンドウであるため、最も多くの入力チャネルは、２つ以上のウィンドウで使用される。
いくつかの実装形態では、異なる入力は、先行する空間又は時間畳み込み層によって生成される出力配列から生じる。出力配列では、異なる入力は、連続する出力として配置され、したがって、連続する入力として次の時間畳み込み層によって観察される。次いで、次の時間畳み込み層では、組み合わせ畳み込みは、連続する入力内の対応する入力チャネルのグループに畳み込みフィルタを適用する。
一実装形態では、連続する入力は、現在の入力が時間ステップ（ｔ）で現在の配列決定サイクルによって発生し、以前の入力が時間ステップ（ｔ－１）で以前の配列決定サイクルによって発生し、次の入力が時間ステップ（ｔ＋１）で次の配列決定サイクルによって発生するように、時間的順序付けを有する。別の実装形態では、各連続する入力は、１つ以上の以前の畳み込み層によって現在の、以前の、及び次の入力からそれぞれ導出され、ｋ個の特徴マップを含む。
一実施態様では、各入力は、以下の５つの入力チャネル、すなわち、赤色画像チャネル（赤色）と、赤色距離チャネル（黄色）と、緑色画像チャネル（緑色）と、緑色距離チャネル（紫色）と、スケーリングチャネル（青色）と、を含み得る。別の実装形態では、各入力は、以前の畳み込み層によって生成されるｋ個の特徴マップを含み得、各特徴マップは、入力チャネルとして処理される。
畳み込みフィルタの深さＢは、対応する入力チャネルがスライディングウィンドウベースで畳み込みフィルタによってグループごとに畳み込まれる、連続する入力の数に依存する。言い換えると、深さＢは、各スライディングウィンドウ及びグループサイズ内の連続する入力の数と等しい。
図１３Ａでは、各スライディングウィンドウ内で２つの継続的な入力からの対応する入力チャネルが組み合わされており、したがって、Ｂ＝２である。図１３Ｂでは、３つの連続する入力からの対応する入力チャネルは、各スライディングウィンドウ内で組み合わされ、したがってＢ＝３である。
一実装形態では、スライディングウィンドウは、同じ畳み込みフィルタを共有する。別の実装形態では、異なる畳み込みフィルタが、各スライディングウィンドウに対して使用される。いくつかの実装形態では、各時間畳み込み層は、ｋ個の畳み込みフィルタのバンクを含み、その各々は、スライディングウィンドウベースの連続する入力に適用される。
図４～図１０の更なる詳細及びその変形形態は、本明細書に完全に記載されているかのように参照により組み込まれる、２０２１年２月１５日に出願された「ＨＡＲＤＷＡＲＥ ＥＸＥＣＵＴＩＯＮ ＡＮＤ ＡＣＣＥＬＥＲＡＴＩＯＮ ＯＦ ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＢＡＳＥ ＣＡＬＬＥＲ」と題する同時係属中の米国非仮特許出願第１７／１７６，１４７号（代理人整理番号ＩＬＬＭ１０２０－２／ＩＰ－１８６６－ＵＳ）に見出すことができる。
スクラッチからのベースコーラの訓練
ベースコーリングシステムは、塩基配列を含む未知の検体のベースコールを予測するように訓練される。例えば、ベースコーリングシステムは、未知の検体の塩基に対するベースコールを予測するニューラルネットワークを含むベースコーラを有する。
ベースコーリングシステムは、塩基配列を含む未知の検体のベースコールを予測するように訓練される。例えば、ベースコーリングシステムは、未知の検体の塩基に対するベースコールを予測するニューラルネットワークを含むベースコーラを有する。
ベースコーリングシステムのニューラルネットワークを訓練することは困難である。これは、ベースコーリングシステムを訓練するために使用される標識された訓練データがない場合に特に当てはまる。いくつかの実施例では、リアルタイム分析（Real Time Analysis，ＲＴＡ）システムを使用して、標識された訓練データを生成することができ、これは、ベースコーリングシステムを訓練するために使用され得る。ＲＴＡシステムの実施例は、２０１９年５月２８日に発行された「Ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍ ａｎｄ ｍｅｔｈｏｄｓ」という名称の米国特許第ＵＳ１０３０４１８９（Ｂ２）号で論じられており、この特許は、参照により本明細書に完全に記載されているかのように組み込まれる。しかしながら、システムがＲＴＡを欠いているか、又はＲＴＡの機能性を完全に利用することができない場合、ベースコーリングシステムのニューラルネットワークを訓練するための最初に標識された訓練データを生成することは困難であろう。
本開示は、最初の標識された訓練データを生成し、標識された訓練データを使用してそれ自体を訓練し、少なくとも部分的に訓練されたベースコーラを使用して更なる標識された訓練データを生成し、更なる標識された標識された訓練データを使用してそれ自体を訓練し、更なる一層標識された訓練データを生成し、ベースコーラを十分に訓練するためにこのプロセスを反復的に繰り返す自己学習ベースコーラについて論じる。この反復訓練及び標識された訓練データ生成プロセスは、単一オリゴ段階、複数オリゴ段階（２オリゴ段階、３オリゴ段階など）、それに続く単一生物段階、複合生物段階、更なる複合生物段階などの異なる段階を含む。したがって、標識された訓練データの訓練及び生成のために使用される検体の複雑度及び／又は長さは、本明細書において更に詳細に順に論じられるように、ベースコーラの基礎をなすニューラルネットワーク構成の複雑度とともに、反復とともに漸進的かつ単調に増加する。ベースコーラは漸進的に自己訓練されるので、そのようなシステムは、標識された訓練データを生成するためのＲＴＡの使用を不要にする。したがって、本明細書で説明するベースコーリングシステムはＲＴＡを含み得るが、本明細書で論ずる反復訓練プロセスをＲＴＡに加えて、又はＲＴＡの代わりに使用して、ベースコーラを訓練することができる。
図１４Ａは、既知の合成配列１４０６を使用して、ニューラルネットワーク（neural network、ＮＮ）構成１４１５を含むベースコーラ１４１４を訓練するために、単一オリゴ訓練段階で動作するベースコーリングシステム１４００を示す。
図１４Ａの実施例では、ベースコーリングシステム１４００は、図４の配列決定マシン４００などの配列決定マシン１４０４を備える。実施形態では、配列決定マシン１４０４は、図１のバイオセンサ１００のフローセル１０２と同様のフローセル１４０５を備えるバイオセンサ（図１４Ａには例解せず）を含む。
図２、図３、及び図６に関して論じたように、フローセル１４０５は、複数のクラスタ１４０７ａ、．．．、１４０７Ｇを備える。具体的には、実施例では、フローセル１４０５は、タイルの複数のレーンを備え、各タイルは、図２に関して論じたように、対応する複数のクラスタを含む。図１４Ａでは、フローセル１４０５は、いくつかのそのような例示的なクラスタ１４０７ａ、．．．、１４０７Ｇを含むように例解されている。ベースコーリング処理では、特定サイクルにおけるクラスタごとのベースコール（Ａ，Ｃ，Ｇ，Ｔ）が予測される。
典型的なフローセル１４０５は、数千又は数百万ものクラスタなどの複数のクラスタ１４０７を含むことができる。単に実施例として、本開示の範囲を限定することなく、また本開示の原理のいくつかを説明するために、フローセル１４０５内に１０，０００（又は１０ｋ）個のクラスタ１４０７があると仮定するが（すなわち、Ｇ＝１０，０００）、実用的なフローセルは、はるかに多数のそのようなクラスタを有する可能性が高い。
実施例では、既知の合成配列１４０６は、単一オリゴ訓練段階中のベースコーリング動作のための検体として使用される。実施例では、既知の合成配列１４０６は、合成的に生成されたオリゴマーを含む。オリゴヌクレオチドは、オリゴマー又は単にオリゴと呼ばれる短いＤＮＡ又はＲＮＡ分子であり、遺伝子検査、研究、及び法医学において広範な用途を有する。固相化学合成によって実験室で一般的に作製されるこれらの少量の核酸は、任意のユーザ指定配列を有する一本鎖分子として製造することができ、したがって、人工遺伝子合成、ポリメラーゼ連鎖反応（polymerase chain reaction、ＰＣＲ）、ＤＮＡ配列決定、分子クローニングに、及び分子プローブとして極めて重要である。オリゴヌクレオチドの長さは、通常、「量体」によって示される。例えば、６ヌクレオチド（ｎｔ）のオリゴヌクレオチドは六量体であるが、２５ｎｔのオリゴヌクレオチドは通常「２５量体」と呼ばれる。実施例では、既知の合成配列１４０６を含むオリゴマー又はオリゴのサイズは、８、１０、１２、又はそれ以上などの任意の適切な数の塩基を有することができ、実装固有である。単なる実施例として、図１４Ａは、８塩基を含む既知の合成配列１４０６のオリゴを例解する。
図１４Ａで言及されるオリゴは、オリゴ＃１（又はオリゴ番号１）として標識される。図１４Ａではただ１つの固有のオリゴが使用されているので、同じオリゴ＃１が個々のクラスタ１４０７に投入（populate）されている。したがって、１０ｋ個のクラスタ１４０７には全て、同じオリゴ配列が投入されている。すなわち、同じオリゴのコピーが全てのクラスタ１４０７に投入されている。
配列決定マシン１４０４は、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対して配列信号１４１２ａ、．．．、１４１２Ｇを生成する。例えば、クラスタ１４０７ａについて、配列決定マシン１４０４は、一連の配列決定サイクルについてクラスタ１４０７ａに投入された塩基配列を示す対応する配列信号１４１２ａを生成する。同様に、クラスタ１４０７ｂについて、配列決定マシン１４０４は、一連の配列決定サイクルについてクラスタ１４０７ｂに投入された塩基配列を示す対応する配列信号１４１２ｂを生成し、以下同様である。ベースコーラ１４１４は、配列信号１４１２を受信し、対応する塩基をコールする（例えば、予測する）ことを目的とする。実施例では、ＮＮ構成１４１５（及び本明細書で後述する様々な他のＮＮ構成）を含むベースコーラ１４１４は、メモリ４０４、４０３、及び／又は４０６に記憶することができ、配列決定マシン４００にローカルであるホストＣＰＵ（図４のＣＰＵ４０２など）及び／又は構成可能プロセッサ（図４の構成可能プロセッサ４５０など）上で実行することができる。別の実施例では、ベースコーラ１４１４は、配列決定マシン４００から遠隔に記憶され（例えば、クラウドに記憶され）、遠隔プロセッサによって実行される（例えば、クラウドで実行される）ことができる。例えば、ベースコーラ１４１４のリモートバージョンでは、ベースコーラ１４１４は、配列信号１４１２を（例えば、インターネットなどのネットワークを介して）受信し、ベースコーリング動作を実行し、ベースコーリング結果を（例えば、インターネットなどのネットワークを介して）配列決定マシン４００に送信する。
実施例では、配列信号１４１２は、本明細書で前述したように、センサ（例えば、光検出器、フォトダイオード）によって捕捉された画像を含む。したがって、本明細書で論じた実施例及び実施形態の少なくともいくつかは、画像を含む配列信号を処理するベースコーラ（ベースコーラ１４１４など）を反復的に訓練することに関する。しかしながら、本開示の原理は、任意の特定のタイプの配列信号を受信する任意の特定のタイプのベースコーラを訓練することに限定されない。例えば、本開示において本明細書で論じた反復訓練は、訓練されるベースコーラのタイプ、又は使用される配列信号のタイプとは無関係である。例えば、本開示において本明細書で論じられる反復訓練は、画像を含まない配列信号に基づいて塩基を呼び出すように構成されたベースコーラなど、任意の他の適切なタイプのベースコーラを訓練するために使用することができる。例えば、配列信号は、電気信号（例えば、電圧信号、電流信号）、ｐＨレベル、及び／又は同様のものを含むことができ、本明細書で論じられる反復訓練方法は、任意のそのようなタイプの配列信号を受信するベースコーラの訓練に適用することができる。
ニューラルネットワーク構成１４１５は、本明細書で更に詳細に論じるように、（例えば、図１６Ａのニューラルネットワーク構成１６１５など、本明細書で後述するいくつかの他のニューラルネットワーク構成と比較して）比較的少ない数の層及び比較的少ない数のパラメータを使用する畳み込みニューラルネットワーク（その実施例は、図７、図９、図１０、図１１、図１２に例解される）である。
ニューラルネットワーク構成１４１５を含む最初に訓練されていないベースコーラ１４１４は、対応する配列信号１４１２ａ、．．．、１４１２Ｇにそれぞれ基づいて、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対するベースコール配列１４１８ａ、．．．、１４１８Ｇを予測する。例えば、クラスタ１４０７ａについて、ベースコーラ１４１４は、対応する配列信号１４１２ａに基づいて、一連の配列決定サイクルについてのクラスタ１４０７ａについてのベースコールを含む対応するベースコール配列１４１８ａを予測する。同様に、クラスタ１４０７ｂについて、ベースコーラ１４１４は、対応する配列信号１４１２ｂに基づいて、一連の配列決定サイクルについてのクラスタ１４０７ｂについてのベースコールを含む対応するベースコール配列１４１８ｂを予測するなどする。したがって、Ｇベースコール配列１４１８ａ、．．．、１４１８Ｇは、ベースコーラ１４１４によって予測される。
オリゴ＃１は、概してＧＡ１、．．．、ＧＡ８と標識された８個の塩基を有すると仮定する。単に実施例として、本開示の範囲を限定することなく、オリゴ＃の８個の塩基がＡ、Ｃ、Ｔ、Ｔ、Ｇ、Ｃ、Ａ、Ｃであると仮定する。最初は、ベースコーラ１４１４は訓練されておらず、したがって、ベースコールにおいて誤差が生じる可能性が高い。例えば、予測されたベースコール配列１４１８ａ（概して、Ｓａ１、．．．、Ｓａ８と標識される）は、図１４Ａに例解されるように、Ｃ、Ａ、Ｔ、Ｃ、Ｇ、Ｃ、Ａ、Ｇである。したがって、オリゴ＃１のグラウンドトゥルース塩基配列１４０６（すなわち、Ａ、Ｃ、Ｔ、Ｔ、Ｇ、Ｃ、Ａ、Ｃ）と予測された塩基配列１４１８ａ（すなわち、Ｃ、Ａ、Ｔ、Ｃ、Ｇ、Ｃ、Ａ、Ｇ）とを比較すると、塩基番号１、２、４、及び８についてのベースコールにおいて誤差が存在する。したがって、図１４Ａでは、オリゴ＃１のグラウンドトゥルース塩基配列１４０６と予測された塩基配列１４１８ａとが動作１４１３ａにおいて比較され、これらの２つの塩基配列間の誤差が、ベースコーラ１４１４のニューラルネットワーク構成１４１５の逆方向パスで使用されて、ニューラルネットワーク構成１４１５の勾配及び重みを更新するために使用されるなど、ニューラルネットワーク構成１４１５を訓練する（図１４Ａで勾配更新１４１７として記号的に標識される）。
図１４Ａ１は、予測された塩基配列１４１８ａとオリゴ＃１のグラウンドトゥルース塩基配列１４０６との間の比較動作を更に詳細に例解する。例えば、図１４Ａ及び図１４Ａ１を参照すると、予測された塩基配列１４１８ａは、Ｃ，Ａ，Ｔ，Ｃ，Ｇ，Ｃ，Ａ，Ｇであり、オリゴ＃１のグラウンドトゥルース塩基配列１４０６は、Ａ，Ｃ，Ｔ，Ｔ，Ｇ，Ｃ，Ａ，Ｃである。したがって、オリゴ＃１のグラウンドトゥルース塩基配列１４０６（すなわち、Ａ、Ｃ、Ｔ、Ｔ、Ｇ、Ｃ、Ａ、Ｃ）と予測された塩基配列１４１８ａ（すなわち、Ｃ、Ａ、Ｔ、Ｃ、Ｇ、Ｃ、Ａ、Ｇ）とを比較すると、塩基番号１、２、４、及び８についてのベースコールにおいて誤差が存在する。例えば、図１４Ａ１では、塩基番号１のベースコールの誤差は、「ＣはＡであるべき」、すなわち、ベースコールＣはベースコールＡであるべき、によって与えられる。同様に、塩基番号２のベースコールの誤差は、「ＡはＣであるべき」、すなわち、ベースコールＡはベースコールＢであるべき、などによって与えられる。塩基番号３、５、６、及び７についてのベースコールについて誤差はない（図１４Ａ１で「Ｍａｔｃｈ（ｎｏ ｅｒｒｏｒ）」として例解される）。したがって、図１４Ａ１では、比較の間、予測されたベースコール配列１４１８ａの各ベースコールは、対応するグラウンドトゥルース配列（例えば、オリゴ＃１の塩基配列１４０６）の対応するベースコールと比較され、図１４Ａ１に例解されるように、対応する比較結果を生成する。
再び図１４Ａを参照すると、ベースコーリングシステム１４００は、マッピングロジック１４１６も含み、その機能は、本明細書において後述する。実施例では、マッピングロジック１４１６は、メモリ４０４、４０３、及び／又は４０６に記憶することができ、マッピングロジック１４１６は、配列決定マシン４００にローカルであるホストＣＰＵ（図４のＣＰＵ４０２など）及び／又は構成可能プロセッサ（図４の構成可能プロセッサ４５０など）上で実行することができる。別の実施例では、マッピングロジック１４１６は、配列決定マシン４００から遠隔に記憶（例えば、クラウドに記憶）することができ、遠隔プロセッサによって実行（例えば、クラウドで実行）することができる。例えば、マッピングロジック１４１６のリモートバージョンでは、マッピングロジックは、配列決定マシン４００からマッピングされるべきデータを（例えば、インターネットなどのネットワークを介して）受信し、マッピング動作を行い、マッピング結果を（例えば、インターネットなどのネットワークを介して）配列決定マシン４００に送信する。マッピング動作については、本明細書において後で更に詳細に論ずる。
図１４Ａ並びに本開示の様々な他の図、実施例、及び実施形態は、ベースコール配列を予測するベースコーラに言及する。ベースコール配列のそのような予測の様々な実施例は、本明細書中で論じられている。ベースコール予測の更なる実施例は、２０２１年７月１日に出願された「ＩＭＰＲＯＶＥＤ ＡＲＴＩＦＩＣＩＡＬ ＩＮＴＥＬＬＩＧＥＮＣＥ－ＢＡＳＥＤ ＢＡＳＥ ＣＡＬＬＩＮＧ ＯＦ ＩＮＤＥＸ ＳＥＱＵＥＮＣＥＳ」と題する同時係属中の米国仮特許出願第６３／２１７，６４４号（代理人整理番号ＩＬＬＭ１０４６－１／ＩＰ－２１３５－ＰＲＶ）に見出すことができ、これは、参照により、本明細書に完全に記載されているかのように組み込まれる。
図１４Ｂは、既知の合成配列１４０６を使用して、ニューラルネットワーク構成１４１５を備えるベースコーラ１４１４を訓練するために、単一オリゴ訓練段階で動作する図１４Ａのベースコーリングシステム１４００の更なる詳細を例解する。例えば、図１４Ｂは、ベースコーラ１４１４を訓練するために予測されたベースコール配列１４１８ａ、．．．、１４１８Ｇを使用することを例解する。例えば、予測されたベースコール配列１４１８ａ、．．．、１４１８Ｇの個々のものは、オリゴ＃１のグラウンドトゥルース塩基配列１４０６と比較され（比較動作１４１３ａ、．．．、１４１３Ｇを参照）、その結果得られた誤差は、ニューラルネットワーク構成１４１５の逆伝搬セクションによる勾配更新及びその結果としてのパラメータ（重み及びバイアスなど）の更新（図１４Ａにおいて勾配更新１４１７として記号的に標識される）のために使用される。
したがって、ニューラルネットワーク構成１４１５は、ニューラルネットワーク構成１４１５によって予測されたベースコール配列１４１８を使用して、かつオリゴ＃１のグラウンドトゥルース塩基配列１４０６を使用して訓練されている。図１４Ａ及び図１４Ｂに関して論じられた訓練は単一オリゴを使用するので、この訓練段階は「単一オリゴ訓練段階」とも呼ばれ、図１４Ａ及び図１４Ｂはそれに応じて標識されている。
実施例では、図１４Ａ及び図１４Ｂのプロセスを反復的に繰り返すことができる。例えば、図１４Ａの第１の反復において、ＮＮ構成１４１５は少なくとも部分的に訓練される。少なくとも部分的に訓練されたＮＮ構成１４１５は、（例えば、図１４Ａに関して論じられるように）配列信号１４１２から予測されたベースコール配列を再生成するために、第２の反復の間、再び使用され、その結果得られた予測されたベースコール配列は、誤差信号を生成するためにグラウンドトゥルース１４０６（すなわち、オリゴ＃１）と再び比較され、この誤差信号は、ＮＮ構成１４１５を更に訓練するために使用される。このプロセスは、ＮＮ構成１４１５が十分に訓練されるまで、反復的に複数回繰り返され得る。実施例では、このプロセスは、特定の回数にわたって反復的に繰り返され得る。別の実施例では、このプロセスは、いくつかの誤差が飽和するまで反復的に繰り返され得る（例えば、連続する反復における誤差が著しく減少しない）。
図１５Ａは、２つの既知の合成配列１５０１Ａ及び１５０１Ｂを使用して標識された訓練データを生成するために、２オリゴ訓練段階の訓練データ生成フェーズで動作する図１４Ａのベースコーリングシステム１４００を例解する。
図１５Ａのベースコーリングシステム１４００は、図１４Ａのベースコーリングシステムと同じであり、両図において、ベースコーリングシステム１４００は、ニューラルネットワーク構成１４１５を使用する。更に、２つの異なる一意的なオリゴ配列１５０１Ａ及び１５０１Ｂが、フローセル１４０５の様々なクラスタにロードされる。単なる実施例として、かつ本開示の範囲を限定することなく、１０，０００個のクラスタ１４０７のうち、約５，２００個のクラスタにはオリゴ配列１５０１Ａが投入され、残りの４，８００個のクラスタにはオリゴ配列１５０１Ｂが投入されると仮定する（ただし、別の実施例では、２つのオリゴは１０，０００個のクラスタの間で実質的に等しく分割されることができる）。
配列決定マシン１４０４は、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対して配列信号１５１２ａ、．．．、１５１２Ｇを生成する。例えば、クラスタ１４０７ａについて、配列決定マシン１４０４は、一連の配列決定サイクルについてクラスタ１４０７ａの塩基を示す対応する配列信号１５１２ａを生成する。同様に、クラスタ１４０７ｂについて、配列決定マシン１４０４は、一連の配列決定サイクルについてのクラスタ１４０７ｂについての塩基を示す対応する配列信号１５１２ｂを生成するなどする。
少なくとも部分的に訓練されたニューラルネットワーク構成１４１５（例えば、図１４Ａ及び図１４Ｂの動作を反復的に繰り返すことによって訓練される）を備えるベースコーラ１４１４は、それぞれ対応する配列信号１５１２ａ、．．．、１５１２Ｇに基づいて、複数のクラスタ１４０７ａ、．．．、１４０７Ｇの対応するものに対するベースコール配列１５１８ａ、．．．、１５１８Ｇを予測する。例えば、クラスタ１４０７ａについて、ベースコーラ１４１４は、対応する配列信号１５１２ａに基づいて、一連の配列決定サイクルについてのクラスタ１４０７ａについてのベースコールを含む対応するベースコール配列１５１８ａを予測する。同様に、クラスタ１４０７ｂについて、ベースコーラ１４１４は、対応する配列信号１５１２ｂに基づいて、一連の配列決定サイクルについてのクラスタ１４０７ｂについてのベースコールを含む対応するベースコール配列１５１８ｂを予測するなどする。したがって、Ｇベースコール配列１５１８ａ、．．．、１５１８Ｇは、ベースコーラ１４１４によって予測される。図１５Ａのニューラルネットワーク構成１４１５は、図１４Ａ及び図１４Ｂに関して論じられた単一オリゴ訓練段階の反復中に、より早く訓練されたことに留意されたい。したがって、予測されたベースコール配列１５１８ａ、．．．、１５１８Ｇは、ある程度正確であるが、（ベースコーラ１４１４が完全に訓練されていないため）あまり高精度ではない。
実施形態では、オリゴ配列１５０１Ａ及び１５０１Ｂは、２つのオリゴの塩基間に十分な編集距離を有するように選択される。図１５Ｂ及び図１５Ｃは、図１５Ａのオリゴ配列１５０１Ａ及び１５０１Ｂの２つの対応する例示的選択を例解する。例えば、図１５Ｂでは、オリゴ１５０１Ａは、塩基Ａ、Ｃ、Ｔ、Ｔ、Ｇ、Ｃ、Ａ、Ｃを有するように選択され、一方、オリゴ１５０１Ｂは、塩基Ｃ、Ｃ、Ｔ、Ａ、Ｇ、Ｃ、Ａ、Ｃを有するように選択される。したがって、２つのオリゴ１５１０Ａ及び１５１０Ｂでの第１の塩基及び第４の塩基は異なり、２つのオリゴ１５１０Ａと１５１０Ｂとの間に２の編集距離をもたらす。
対照的に、図１５Ｂにおいて、オリゴ１５０１Ａは、塩基Ａ、Ｃ、Ｔ、Ｔ、Ｇ、Ｃ、Ａ、Ｃを有するように選択され、一方、オリゴ１５０１Ｂは、塩基Ｃ、Ａ、Ｔ、Ｇ、Ａ、Ｔ、Ａ、Ｇを有するように選択される。したがって、図１５Ｂの実施例では、２つのオリゴ１５１０Ａ及び１５１０Ｂでの第１、第２、第４、第５、第６、及び第８の塩基は異なり、２つのオリゴ１５１０Ａと１５１０Ｂとの間に６の編集距離をもたらす。
実施例では、２つのオリゴ１５０１Ａ及び１５０１Ｂは、２つのオリゴが少なくとも閾値編集距離によって分離されるように選択される。単なる実施例として、閾値編集距離は、４塩基、５塩基、６塩基、７塩基、又は更には８塩基である可能性がある。したがって、２つのオリゴ１５０１Ａ及び１５０１Ｂは、２つのオリゴが互いに十分に異なるように選択される。
再び図１５Ａを参照すると、ベースコーラ１４１４は、どのオリゴ配列がどのクラスタに投入されているかについては知らない。したがって、ベースコーラ１４１４は、既知のオリゴ配列１５０１Ａ、１５０１Ｂと様々なクラスタとの間のマッピングを知らない。実施例では、マッピングロジック１４１６は、予測されたベースコール配列１５１８を受け取り、各予測されたベースコール配列１５１８をオリゴ１５０１Ａ若しくはオリゴ１５０１Ｂのいずれかにマッピングするか、又は予測されたベースコール配列を２つのオリゴのいずれかにマッピングする際に不確定性を宣言する。図１５Ｄは、（ｉ）予測されたベースコール配列をオリゴ１５０１Ａ又はオリゴ１５０１Ｂのいずれかにマッピングするか、又は（ｉｉ）予測されたベースコール配列を２つのオリゴのいずれかにマッピングする際に不確定性を宣言するための例示的マッピング動作を例解する。
実施例では、２つのオリゴ間の編集距離が大きいほど、個々の予測を２つのオリゴのいずれかにマッピングすることが容易になる（又はより正確になる）。例えば、図１５Ｂを参照すると、２つのオリゴ１５０１Ａと１５０１Ｂとの間の編集距離がわずか２であるので、２つのオリゴはほぼ類似しており、ベースコール予測を２つのオリゴのいずれかにマッピングすることは比較的困難であり得る。しかしながら、図１５Ｃにおける２つのオリゴ１５０１Ａと１５０１Ｂとの間の編集距離は６であるので、２つのオリゴは非常に非類似であり、予測を２つのオリゴのいずれかにマッピングすることは比較的容易であり得る。したがって、編集距離が２である図１５Ｂは、「訓練にはあまり適していない」と標識され、編集距離が６である図１５Ｃは、「訓練により適している」と標識される。したがって、実施例では、図１５Ｃに従う（図１５Ｂに従わない）オリゴ１５０１Ａ及び１５０１Ｂが生成され、本明細書で更に詳細に順に論じられるように、訓練のために使用される。
再び図１５Ｄを参照すると、例示的な予測されたベースコール配列１５１８ａ、１５１８ｂ、及び１５１８Ｇが例解されている。２つのオリゴ１５０１Ａ及び１５０１Ｂの例示的な塩基も例解されている（２つのオリゴの例示的な塩基は、図１５Ｃに例解されている塩基に対応する）。
ニューラルネットワーク構成１４１５はある程度訓練されているが、完全には訓練されていないため、ニューラルネットワーク構成１４１５はベースコール予測を行うことができ得るが、そのようなベースコール予測は誤差を生じやすい。
予測されたベースコール配列１５１８ａは、Ｃ、Ａ、Ｇ、Ｇ、Ｃ、Ｔ、Ａ、Ｃを含む。これをオリゴ１５０１Ａのベースコール配列Ａ、Ｃ、Ｔ、Ｔ、Ｇ、Ｃ、Ａ、Ｃと比較し、またオリゴ１５０１Ｂのベースコール配列Ｃ、Ａ、Ｔ、Ｇ、Ａ、Ｔ、Ａ、Ｇと比較する。予測されたベースコール配列１５１８ａは、オリゴ１５０１Ａの対応する第７及び第８の塩基と一致する第７及び第８の塩基を有し、オリゴ１５０１Ｂの対応する塩基と一致する第１、第２、第４、第６及び第７の塩基を有する。したがって、図１５Ｄに例解されるように、予測されるベースコール配列１５１８ａは、オリゴ１５０１Ａと２塩基の類似性を有し、予測されるベースコール配列１５１８ａは、オリゴ１５０１Ｂと５塩基の類似性を有する。
実際に予測されたベースコール配列１５１８ａがオリゴ１５０１Ｂに対するものである場合（例えば、予測されたベースコール配列１５１８ａがオリゴ１５０１Ｂと５塩基の類似性を有するように）、これは、ニューラルネットワーク構成１４１５が、８塩基配列の５塩基を正しく予測することができた（すなわち、オリゴ１５０１Ｂの対応する塩基と一致する第１、第２、第４、第６、及び第７塩基を正しく予測することができた）ことを意味する。しかしながら、ニューラルネットワーク構成１４１５は完全に訓練されていないため、ニューラルネットワーク構成１４１５は、残りの３つのベース（すなわち、第３、第５、及び第８のベース）を予測する際に誤差を生じた。
マッピングロジック１４１６は、適切なロジックを使用して、予測されたベースコール配列を対応するオリゴにマッピングすることができる。例えば、予測されたベースコール配列が、オリゴ１５０１ＡとのＳＡ数の類似性、及びオリゴ１５０１ＢとのＳＢ数の類似性を有すると仮定する。実施例では、マッピングロジック１４１６は、ＳＡ＞ＳＴであり、かつＳＢ＜ＳＴである場合、予測されたベースコール配列をオリゴ１５０１Ａにマッピングし、ここでＳＴは閾値数である。すなわち、マッピングロジック１４１６は、オリゴ１５０１Ａとの類似性レベルが閾値より高い場合、かつオリゴ１５０１Ｂとの類似性レベルが閾値より低い場合、予測されたベースコール配列をオリゴ１５０１Ａにマッピングする。
同様に、別の実施例では、マッピングロジック１４１６は、ＳＢ＞ＳＴかつＳＡ＜ＳＴの場合、予測されたベースコール配列をオリゴ１５０１Ｂにマッピングする。
更に別の実施例では、マッピングロジック１４１６は、ＳＡ及びＳＢの両方が閾値ＳＴ未満である場合、又はＳＡ及びＳＢの両方が閾値ＳＴより大きい場合、予測されたベースコール配列が不確定であると宣言する。
上記の議論は、方程式の形で次のように書くことができる。
予測されたベースコール配列について、
ＳＡ＞ＳＴかつＳＢ＜ＳＴであれば、オリゴ１５０１Ａにマッピングする。（式１）
ＳＢ＞ＳＴかつＳＡ＜ＳＴであれば、オリゴ１５０１Ｂにマッピングする。（式２）
ＳＡ、ＳＢが両方とも＜ＳＴである場合、不確定なマッピングを宣言する。又は（式３）
ＳＡ、ＳＢが両方とも＞ＳＴである場合、不確定なマッピングを宣言する。（式４）
予測されたベースコール配列について、
ＳＡ＞ＳＴかつＳＢ＜ＳＴであれば、オリゴ１５０１Ａにマッピングする。（式１）
ＳＢ＞ＳＴかつＳＡ＜ＳＴであれば、オリゴ１５０１Ｂにマッピングする。（式２）
ＳＡ、ＳＢが両方とも＜ＳＴである場合、不確定なマッピングを宣言する。又は（式３）
ＳＡ、ＳＢが両方とも＞ＳＴである場合、不確定なマッピングを宣言する。（式４）
閾値ＳＴは、オリゴ内の塩基の数（図に例解される例示的な使用事例では８である）、所望の精度に依存し、かつ／又は実装固有である。単に実施例として、閾値ＳＴは、図１５Ｄに例解される例示的な使用事例において４であると仮定される。４という閾値ＳＴは単なる実施例であり、閾値ＳＴの選択は実装固有である可能性があることに留意されたい。単なる実施例として、訓練の最初の反復中に、閾値ＳＴは、比較的低い値（例えば、４）を有することができる。閾値ＳＴは、訓練の後の反復中に比較的高い値（例えば、６又は７）を有することができる（訓練反復は、本明細書において後で説明されている）。したがって、後の訓練反復中にＮＮ構成がより良く訓練されるとき、閾値ＳＴを徐々に増加させることができる。しかしながら、別の例では、閾値ＳＴは、訓練の全ての反復を通して同じ値を有することができる。図１５Ｄの実施例では閾値ＳＴは４として選択されているが、他の例示的な実装形態では、閾値ＳＴは、例えば、５、６、又は７である可能性がある。実施例では、閾値ＳＴは、パーセンテージとして表すこともできる。例えば、閾値ＳＴが４であり、総塩基数が８である場合、閾値ＳＴは、（４／８）×１００、すなわち、５０％と表すことができる。閾値ＳＴは、ユーザが選択可能なパラメータとすることができ、実施例では５０％～９５％の間になるように選択することができる。
ここで再び図１５Ｄを参照すると、上記のように、予測されたベースコール配列１５１８ａは、オリゴ１５０１Ａと２塩基の類似性を有し、そして予測されたベースコール配列１５１８ａは、オリゴ１５０１Ｂと５塩基の類似性を有する。したがって、ＳＡ＝２、ＳＢ＝５である。式２に従って、４の閾値ＳＴを仮定すると、予測されたベースコール配列１５１８ａは、オリゴ１５０１Ｂにマッピングされる。
ここで予測されたベースコール配列１５１８ｂを参照すると、予測されたベースコール配列１５１８ｂは、オリゴ１５０１Ａと２塩基の類似性を有し、予測されたベースコール配列１５１８ｂは、オリゴ１５０１Ｂと３塩基の類似性を有する。したがって、ＳＡ＝２、ＳＢ＝３である。式３に従って、４の閾値ＳＴを仮定すると、予測されたベースコール配列１５１８ｂは、オリゴ配列のいずれかへのマッピングについて不確定であると宣言される。
ここで予測されたベースコール配列１５１８Ｇを参照すると、予測されたベースコール配列１５１８Ｇは、オリゴ１５０１Ａと６塩基の類似性を有し、予測されたベースコール配列１５１８Ｇは、オリゴ１５０１Ｂと３塩基の類似性を有する。したがって、ＳＡ＝６、ＳＢ＝３である。式２に従って、４の閾値ＳＴを仮定すると、予測されるベースコール配列１５１８Ｇは、オリゴ１５０１Ａにマッピングされる。
図１５Ｅは、図１５Ｄのマッピングから生成された標識された訓練データ１５５０を例解し、標識された訓練データ１５５０は、別のニューラルネットワーク構成１６１５によって使用される（例えば、図１６Ａに例解、ここで、他のニューラルネットワーク構成１６１５は、図１４Ａ、図１４Ｂ、図１５Ａのニューラルネットワーク構成１４１５とは異なり、より複雑である）。
図１５Ｅに例解されるように、予測されたベースコール配列１５１８及び対応する配列信号のいくつかは、オリゴ１５０１Ａの塩基配列（すなわち、グラウンドトゥルース１５０６ａ）にマッピングされ、いくつかの他の予測されたベースコール配列１５１８及び対応する配列信号は、オリゴ１５０１Ｂの塩基配列（すなわち、グラウンドトゥルース１５０６ｂ）にマッピングされ、予測されたベースコール配列１５１８及び対応する配列信号の残りのマッピングは不確定である。
例えば、予測されたベースコール配列１５１８ｃ、１５１８ｄ、１５１８Ｇ及び対応する配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇは、オリゴ１５０１Ａの塩基配列（すなわち、グラウンドトゥルース１５０６ａ）にマッピングされ、予測されたベースコール配列１５１８ａ、１５１８ｆ及び対応する配列信号１５１２ａ、１５１２ｆは、オリゴ１５０１Ｂの塩基配列（すなわち、グラウンドトゥルース１５０６ｂ）にマッピングされ、予測されたベースコール配列１５１８ｂ、１５１８ｅ、１５１８ｇ及び対応する配列信号１５１２ｂ、１５１２ｅ、１５１２ｇの残りのマッピングは不確定である。
単に実施例として、訓練データ１５５０の２，６００ベースコール配列がオリゴ１５０１Ａにマッピングされ、訓練データ１５５０の３，０００ベースコール配列がオリゴ１５０１Ｂにマッピングされると仮定する。図１５Ｅに例解されるように、残りの４，４００ベースコール配列は不確定であり、２つのオリゴのいずれにもマッピングされない。
図１５Ａ、図１５Ｄ、及び図１５Ｅは、ラベリング訓練データ１５５０が２つのオリゴからの配列を使用し、ニューラルネットワーク構成１４１５を使用して生成されるので、「２オリゴ訓練段階」の「訓練データ生成フェーズ」と呼ばれることに留意されたい。
図１６Ａは、２つの既知の合成配列１５０１Ａ及び１５０１Ｂを使用して、（図１４Ａのニューラルネットワーク構成１４１５とは異なり、より複雑である）別のニューラルネットワーク構成１６１５を備えるベースコーラ１４１４を訓練するために、「２オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」で動作する図１４Ａのベースコーリングシステム１４００を例解する。
図１６Ａのベースコーリングシステム１４００は、図１４Ａのベースコーリングシステムと同じである。しかしながら、（ニューラルネットワーク構成１４１５がベースコーラ１４１４において使用された）図１４Ａとは異なり、図１６Ａのベースコーラ１４１４は、異なるニューラルネットワーク構成１６１５を使用する。図１６Ａのニューラルネットワーク構成１６１５は、図１４Ａのニューラルネットワーク構成１４１５とは異なる。例えば、ニューラルネットワーク構成１６１５は、ニューラルネットワーク構成１４１５よりも多い数の層及びパラメータ（重み及びバイアスなど）を使用する畳み込みニューラルネットワーク（その実施例が図７、図９、図１０、図１１、図１２に例解されている）である。別の実施例では、ニューラルネットワーク構成１６１５は、ニューラルネットワーク構成１４１５よりも多い数の畳み込みフィルタを使用する畳み込みニューラルネットワークである。２つのニューラルネットワーク構成１４１５及び１６１５の構成、トポロジ、並びに層及び／又はフィルタの数は、いくつかの例では異なり得る。
図１６Ａに例解される「２オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」では、ニューラルネットワーク構成１６１５を備えるベースコーラ１４１４は、図１５Ａの「訓練データ生成フェーズ」中に以前に生成された配列信号１５１２を受信する。すなわち、ニューラルネットワーク構成１６１５を備えるベースコーラ１４１４は、以前に生成された配列信号１５１２を再使用する。したがって、以前に生成された配列信号１５１２は、図１６Ａに例解される「２オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」で再使用されるので、配列決定マシン１４０４及びその中の構成要素は役割を果たさず、したがって、点線を使用して例解される。同様に、マッピングロジック１４１６も（図１６Ａではマッピングが実行されていないので）何の役割も果たさず、したがって、マッピングロジック１４１６も点線を使用して例解されている。
したがって、図１６Ａでは、ニューラルネットワーク構成１６１５を備えるベースコーラ１４１４は、以前に生成された配列信号１５１２を受信し、配列信号１５１２からベースコール配列１６１８を予測する。予測されたベースコール配列１６１８は、予測されたベースコール配列１６１８ａ、１６１８ｂ、．．．、１６１８Ｇを含む。例えば、配列信号１５１２ａは、ベースコール配列１６１８ａを予測するために使用され、配列信号１５１２ｂは、ベースコール配列１６１８ｂを予測するために使用され、配列信号１５１２Ｇは、ベースコール配列１６１８Ｇを予測するために使用されるなどである。
ニューラルネットワーク構成１６１５はまだ訓練されておらず、したがって、予測されたベースコール配列１６１８ａ、１６１８ｂ、．．．、１６１８Ｇは多くの誤差を有し得る。図１５Ｅのマッピングされた訓練データ１５５０は、ここで、ニューラルネットワーク構成１６１５を訓練するために使用される。例えば、訓練データ１５５０から、ベースコーラ１４１４は、
（ｉ）配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇは、オリゴ１５０１Ａの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ａ）、
（ｉｉ）配列信号１５１２ａ、１５１２ｆは、オリゴ１５０１Ｂの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ｂ）、及び
（ｉｉｉ）配列信号１５１２ｂ、１５１２ｅ、１５１２ｇのマッピングは、不確定であるということを知る。
（ｉ）配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇは、オリゴ１５０１Ａの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ａ）、
（ｉｉ）配列信号１５１２ａ、１５１２ｆは、オリゴ１５０１Ｂの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ｂ）、及び
（ｉｉｉ）配列信号１５１２ｂ、１５１２ｅ、１５１２ｇのマッピングは、不確定であるということを知る。
したがって、配列信号１５１２及び予測されたベースコール配列１５１８は、（ｉ）オリゴ１５０１Ａの塩基配列（すなわち、グラウンドトゥルース１５０６ａ）にマッピングすることができる配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇ（及び対応する予測されたベースコール配列１５１８ｃ、１５１８ｄ、１５１８Ｇ）を含む第１のカテゴリ、（ｉ）オリゴ１５０１Ｂの塩基配列（すなわち、グラウンドトゥルース１５０６ｂ）にマッピングすることができる配列信号１５１２ａ、１５１２ｆ（及び対応する予測されたベースコール配列１５１８ａ、１５１８ｆ）を含む第２のカテゴリ、（ｉｉｉ）オリゴ１５０１Ａ又は１５０１Ｂの塩基配列のいずれにもマッピングすることができない配列信号１５１２ｂ、１５１２ｅ、１５１２ｇ（及び対応する予測されたベースコール配列１５１８ｂ、１５１８ｅ、１５１８ｇ）を含む第３のカテゴリという３つのカテゴリに選別される。
したがって、上記の（ｉｉｉ）に基づいて、（例えば、配列信号１５１２ｂ、１５１２ｅ、１５１２ｇに対応する）予測されたベースコール配列１６１８ｂ、１６１８ｅ、及び１６１８ｇは、ニューラルネットワーク構成１６１５を訓練するために使用されない。したがって、予測されたベースコール配列１６１８ｂ、１６１８ｅ、及び１６１８ｇは、訓練反復中に廃棄され、勾配更新のために使用されない（予測されたベースコール配列１６１８ｂ、１６１８ｅ、及び１６１８ｇと勾配更新ボックス１６１７との間の「Ｘ」又は「交差記号」を使用して図１６Ａに記号的に例解される）。
上記の（ｉ）に基づいて、ベースコーラ１４１４は、（例えば、配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇに対応する）予測されたベースコール配列１６１８ｃ、１６１８ｄ、１６１８Ｇがオリゴ１５０１Ａについてのものである可能性が高いことを知る。すなわち、オリゴ１５０１Ａの塩基配列は、これらの予測されたベースコール配列１６１８ｃ、１６１８ｄ、１６１８Ｇについてのグラウンドトゥルースである可能性が高いが、訓練されていないニューラルネットワーク構成１６１５は、これらの予測されたベースコール配列の少なくともいくつかの塩基を誤って予測した場合がある。したがって、ニューラルネットワーク構成は、比較関数１６１３を使用して、予測されたベースコール配列１６１８ｃ、１６１８ｄ、及び１６１８Ｇの各々を（オリゴ１５０１Ａの塩基配列である）グラウンドトゥルース１５０６ａと比較し、勾配更新１６１７及びニューラルネットワーク構成１６１５の結果として生じる訓練について、生成された誤差を使用する。
同様に、上記の（ｉｉ）に基づいて、ベースコーラは、（例えば、それぞれ配列信号１５１２ａ及び１５１２ｆに対応する）予測されたベースコール配列１６１８ａ及び１６１８ｆがオリゴ１５０１Ｂについてのものである可能性が高いことを知る。すなわち、オリゴ１５０１Ｂの塩基配列は、これらの予測されたベースコール配列１６１８ａ及び１６１８ｆについてのグラウンドトゥルースである可能性が高いが、訓練されていないニューラルネットワーク構成１６１５は、これらの予測されたベースコール配列の少なくともいくつかの塩基を誤って予測した場合がある。したがって、ニューラルネットワーク構成は、比較関数１６１３を使用して、予測されたベースコール配列１６１８ａ及び１６１８ｆの各々をグラウンドトゥルース１５０６ｂ（オリゴ１５０１Ｂの塩基配列である）と比較し、勾配更新１６１７及びニューラルネットワーク構成１６１５の結果として生じる訓練のために、生成された誤差を使用する。
図１６Ａの訓練データ消費及び訓練フェーズの終わりにおいて、ＮＮ構成１６１５は少なくとも部分的に訓練される。
図１６Ｂは、２オリゴ訓練段階の訓練データ生成フェーズの第２の反復において動作する図１４Ａのベースコーリングシステム１４００を例解する。例えば、図１６Ａでは、ニューラルネットワーク構成１６１５は、訓練データ１５５０を使用して訓練されていた。図１６Ｂにおいて、いくらか又は少なくとも部分的に訓練されたニューラルネットワーク構成１６１５は、更なる訓練データを生成するために使用される。例えば、少なくとも部分的に訓練されたニューラルネットワーク構成１６１５は、以前に生成された配列信号１５１２を使用して、ベースコール配列１６２８を予測する。図１６Ｂの予測されたベースコール配列１６２８は、図１６Ａの予測されたベースコール配列１６１８よりも相対的に正確である可能性が高く、なぜなら、図１６Ａの予測されたベースコール配列１６１８は、訓練されていないニューラルネットワーク構成１６１５を使用して生成されたのに対して、図１６Ｂの予測されたベースコール配列１６２８は、少なくとも部分的にニューラルネットワーク構成１６１５を使用して生成されるからである。
更に、マッピングロジック１４１６は、予測されたベースコール配列１６２８の個々のものをオリゴ１５０１Ａ若しくはオリゴ１５０１Ｂのいずれかにマッピングするか、又は（例えば、図１５Ｄに関する考察と同様に）予測されたベースコール配列１６２８のマッピングが不確定であることを宣言する。
図１６Ｃは、図１６Ｂのマッピングから生成された標識された訓練データ１６５０を例解し、訓練データ１６５０は、更なる訓練のために使用される。
図１６Ｃに例解されるように、予測されたベースコール配列１６２８及び対応する配列信号１５１２のいくつかは、オリゴ１５０１Ａの塩基配列（すなわち、グラウンドトゥルース１５０６ａ）にマッピングされ、いくつかの他の予測されたベースコール配列１６２８及び対応する配列信号１５１２は、オリゴ１５０１Ｂの塩基配列（すなわち、グラウンドトゥルース１５０６ｂ）にマッピングされ、残りの予測されたベースコール配列１６２８及び対応する配列信号１５１２のマッピングは不確定である。
例えば、予測されたベースコール配列１６２８は、（ｉ）予測されたベースコール配列１６２８ｃ、１６２８ｄ、及び１６２８Ｇ並びに対応する配列信号１５１２ｃ、１５１２ｄ、及び１５１２Ｇはオリゴ１５０１Ａの塩基配列、（すなわち、グラウンドトゥルース１５０６ａ）にマッピングされ、（ｉｉ）予測されたベースコール配列１６２８ａ、１６２８ｂ、及び１６２８ｆ並びに対応する配列信号１５１２ａ、１５１２ｂ、及び１５１２ｆは、オリゴ１５０１Ｂの塩基配列（すなわち、グラウンドトゥルース１５０６ｂ）にマッピングされ、（ｉｉｉ）残りの予測されたベースコール配列１６２８ｅ及び１６２８ｇ並びに対応する配列信号１５１２ｅ及び１５１２ｇのマッピングは不確定であるという、３つのカテゴリに選別される。
単に実施例として、訓練データ１６５０の３，３００ベースコール配列がオリゴ１５０１Ａにマッピングされ、訓練データ１６５０の３，２００ベースコール配列がオリゴ１５０１Ｂにマッピングされると仮定する。図１６Ｃに例解するように、残りの３，５００ベースコール配列は不確定であり、２つのオリゴのいずれにもマッピングされない。
図１５Ｅ及び図１６Ｃの訓練データ間でベースコールのマッピングされていない（又は不確定である）配列の数を比較すると、この数が図１５Ｅでは４，４００であり、図１６Ｃでは３，５００であることが観察される。これは、（訓練データ１６５０のマッピングを生成するために使用された）図１６Ｂの少なくとも部分的に訓練されたニューラルネットワーク構成１６１５は、（訓練データ１５５０のマッピングを生成するために使用された）図１５Ａの少なくとも部分的に訓練されたニューラルネットワーク構成１４１５よりも比較的正確であり、かつ／又はより訓練され得るためである。したがって、ベースコールが相対的により正確になり（例えば、誤差が少なくなり）、したがって、相対的に正しくマッピングされるようになるにつれて、ベースコールの不確定な配列の数は徐々に減少する。
図１６Ｄは、２つの既知の合成配列１５０１Ａ及び１５０１Ｂを使用して、図１６Ａのニューラルネットワーク構成１６１５を備えるベースコーラ１４１４を訓練するために、「２オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」の第２の反復で動作する図１４Ａのベースコーリングシステム１４００を例解する。
図１６Ａ及び図１６Ｄは、少なくとも部分的に類似している。例えば、図１６Ａ及び図１６Ｄは、それぞれ、図１５Ｅの訓練データ１５５０及び図１６Ｃの訓練データ１６５０を使用して、ニューラルネットワーク構成１６１５を訓練するために使用される。図１６Ａの最初の段階において、ニューラルネットワーク構成１６１５は全く訓練されておらず、一方、図１６Ｄの最初の段階において、ニューラルネットワーク構成１６１５は、少なくとも部分的に訓練されるということに留意されたい。
図１６Ｄでは、少なくとも部分的に訓練されたニューラルネットワーク構成１６１５を含むベースコーラ１４１４は、図１５Ａの「訓練データ生成フェーズ」中に以前に生成された配列信号１５１２を受信し、配列信号１５１２からベースコール配列１６３８を予測する。予測されたベースコール配列１６３８は、予測されたベースコール配列１６３８ａ、１６３８ｂ、．．．、１６３８Ｇを含む。例えば、配列信号１５１２ａは、ベースコール配列１６３８ａを予測するために使用され、配列信号１５１２ｂは、ベースコール配列１６３８ｂを予測するために使用され、配列信号１５１２Ｇは、ベースコール配列１６３８Ｇを予測するために使用されるなどである。
ニューラルネットワーク構成１６１５は完全には訓練されておらず、したがって、予測されたベースコール配列１６３８ａ、１６３８ｂ、．．．、１６３８Ｇはいくつかの誤差を含むが、図１６Ｄの予測されたベースコール配列１６３８内の誤差は、図１６Ａの予測されたベースコール配列１６１８及び図１６Ｂの予測されたベースコール配列１６２８における誤差よりも少ない可能性が高い。図１６Ｃのマッピングされた訓練データ１６５０は、ここで、ニューラルネットワーク構成１６１５を更に訓練するために使用される。例えば、訓練データ１６５０から、ベースコーラ１４１４は、
（ｉ）配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇは、オリゴ１５０１Ａの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ａ）、
（ｉｉ）配列信号１５１２ａ、１５１２ｂ、１５１２ｆは、オリゴ１５０１Ｂの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ｂ）、及び
（ｉｉｉ）配列信号１５１２ｅ、１５１２ｇのマッピングは、不確定であるということを知る。
（ｉ）配列信号１５１２ｃ、１５１２ｄ、１５１２Ｇは、オリゴ１５０１Ａの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ａ）、
（ｉｉ）配列信号１５１２ａ、１５１２ｂ、１５１２ｆは、オリゴ１５０１Ｂの塩基配列に対するものであり（すなわち、グラウンドトゥルース１５０６ｂ）、及び
（ｉｉｉ）配列信号１５１２ｅ、１５１２ｇのマッピングは、不確定であるということを知る。
したがって、上記の（ｉｉｉ）に基づいて、（例えば、それぞれ配列信号１５１２ｅ及び１５１２ｇに対応する）図１６Ｄの予測されたベースコール配列１６３８ｅ及び１６３８ｇは、ニューラルネットワーク構成１６１５を訓練するためには使用されない。したがって、これらの予測されたベースコール配列１６３８ｅ及び１６３８ｇは、訓練データから廃棄され、勾配更新のために使用されない（予測されたベースコール配列１６１８ｅ、１６１８ｇと勾配更新ボックス１６１７との間の「Ｘ」又は「交差記号」を使用して図１６Ｄに記号的に例解される）。
上記の（ｉ）に基づいて、ベースコーラ１４１４は、（例えば、配列信号１５１２ｃ、１５１２ｄ、及び１５１２Ｇにそれぞれ対応する）予測されたベースコール配列１６３８ｃ、１６３８ｄ、及び１６３８Ｇがオリゴ１５０１Ａについてのものである可能性が高いことを知る。すなわち、オリゴ１５０１Ａの塩基配列は、これらの予測されたベースコール配列１６３８ｃ、１６３８ｄ、１６３８Ｇについてのグラウンドトゥルースである可能性が高いが、部分的にはニューラルネットワーク構成１６１５は、これらの予測されたベースコール配列の少なくともいくつかの塩基を誤って予測した場合がある。したがって、ニューラルネットワーク構成は、比較関数１６１３を使用して、予測されたベースコール配列１６３８ｃ、１６３８ｄ、１６３８Ｇの各々を（オリゴ１５０１Ａの塩基配列である）グラウンドトゥルース１５０６ａと比較し、勾配更新１６１７及びニューラルネットワーク構成１６１５の結果として生じる訓練について、生成された誤差を使用する。例えば、比較中に、予測されたベースコール配列１６３８ｃの各ベースコールは、対応するグラウンドトゥルース配列の対応するベースコールと比較されて、図１４Ａ１に関して論じたように、例えば、対応する比較結果を生成する。
同様に、上記の（ｉｉ）に基づいて、ベースコーラは、（例えば、それぞれ配列信号１５１２ａ、１５１２ｂ、及び１５１２ｆに対応する）予測されたベースコール配列１６３８ａ、１６３８ｂ、及び１６３８ｆがオリゴ１５０１Ｂについてのものである可能性が高いことを知る。すなわち、オリゴ１５０１Ａの塩基配列は、これらの予測されたベースコール配列１６３８ａ、１６３８ｂ、及び１６３８ｆについてのグラウンドトゥルースである可能性が高いが、部分的にはニューラルネットワーク構成１６１５は、これらの予測されたベースコール配列の少なくともいくつかの塩基を誤って予測した場合がある。したがって、ニューラルネットワーク構成は、比較関数１６１３を使用して、予測されたベースコール配列１６３８ａ、１６３８ｂ、及び１６３８ｆの各々をグラウンドトゥルース１５０６ｂ（オリゴ１５０１Ｂの塩基配列である）と比較し、勾配更新１６１７及びニューラルネットワーク構成１６１５の結果として生じる訓練のために、生成された誤差を使用する。
図１７Ａは、単一オリゴ及び２オリゴ配列を使用して、ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法１７００を描写する、フローチャートを例解する。方法１７００は、本質的に漸進的かつ単調に複雑であるＮＮ構成を漸進的に訓練する。ＮＮ構成の複雑度を増加させることは、ＮＮ構成の層の数を増加させること、ＮＮ構成のフィルタの数を増加させること、ＮＮ構成におけるトポロジの複雑度を増加させること、及び／又は同様のものを含むことができる。例えば、方法１７００は、（図１４Ａ及び他の図に関して本明細書で先に論じたＮＮ構成１４１５である）第１のＮＮ構成、（図１６Ａ及び他の図に関して本明細書で先に論じたＮＮ構成１６１５である）第２のＮＮ構成、（図１４Ａ～図１６Ｄに関して具体的に論じていない）第ＰのＮＮ構成などを参照する。実施例では、図１７Ａのボックス１７１０内に記号的に例解されているように、第ＰのＮＮ構成の複雑度は、第（Ｐ－１）のＮＮ構成の複雑度よりも高く、これは、第（Ｐ－２）のＮＮ構成の複雑度よりも高く、以下同様であり、第２のＮＮ構成の複雑度は、第１のＮＮ構成の複雑度よりも高い。したがって、ＮＮ構成の複雑度は、単調に増加する（つまり、後の段階のＮＮ構成は、少なくとも前の段階のＮＮ構成と同等以上の複雑度を有する）。
方法１７００では、動作１７０４ａは、第１のＮＮ構成を反復的に訓練し、第２のＮＮ構成について標識された訓練データを生成するためのものであり、動作１７０４ｂ１～１７０４ｂｋは、第２のＮＮ構成を訓練し、第３のＮＮ構成について標識された訓練データを生成するためのものであり、動作１７０４ｃは、第３のＮＮ構成を訓練し、第４のＮＮ構成について標識された訓練データを生成するためのものであることに留意されたい。このプロセスが続き、動作１７０４Ｐは、第ＰのＮＮ構成を訓練し、後続のＮＮ構成のための標識された訓練データを生成するためのものである。したがって、一般的に言えば、方法１７００では、動作１７０４ｉは、第ｉのＮＮ構成を訓練し、第（ｉ＋１）のＮＮ構成について標識された訓練データを生成するためのものであり、ここでｉ＝１、．．．、Ｐである。
方法１７００は、１７０４ａにおいて、（ｉ）単一のオリゴ配列を用いて第１のＮＮ構成を反復的に訓練することと、（ｉｉ）訓練された第１のＮＮ構成を使用して第１の２オリゴ標識訓練データを生成することとを含む。論じたように、第１のＮＮ構成は、図１４ＡのＮＮ構成１４１５であり、単一オリゴ配列は、図１４Ａ、図１４Ｂに関して論じたオリゴ＃１を含む。単一オリゴ配列を用いた第１のＮＮ構成の反復訓練は、図１４Ａ、図１４Ｂに関して論じられる。訓練された第１のＮＮ構成を使用する第１の２オリゴ標識訓練データの生成は、図１５Ａ、図１５Ｄ、図１５Ｅに関して論じられ、ここで、第１の２オリゴ標識訓練データは、図１５Ｅの訓練データ１５５０である。
次いで、方法１７００は、１７０４ａから１７０４ｂに進む。例解されるように、動作１７０４ｂは、（例えば、動作１７０４ａから生成された第１の２オリゴ標識訓練データを使用して）第２のＮＮ構成を訓練し、訓練された第２のＮＮ構成を使用して、第３のＮＮ構成を訓練するための更なる２オリゴ標識訓練データを生成するためのものである。動作１７０４ｂは、ブロック１７０４ｂ１～１７０４ｂｋにおける部分動作を含む。
ブロック１７０４ｂ１において、（ｉ）第２のＮＮ構成は、１７０４ａにおいて生成された第１の２オリゴ標識訓練データを使用して訓練され、（ｉｉ）第２の２オリゴ標識訓練データは、少なくとも部分的に訓練された第２のＮＮ構成を使用して生成される。論じたように、第２のＮＮ構成は、図１６ＡのＮＮ構成１６１５である。第１の２オリゴ標識訓練データを使用した第２のＮＮ構成の訓練も、図１６Ａに例解されている。少なくとも部分的に訓練された第２のＮＮ構成を使用する（例えば、図１６Ｃの訓練データ１６５０である）第２の２オリゴ標識訓練データの生成は、図１６Ｂ及び図１６Ｃに関して論じられる。
次いで、方法１７００は、１７０４ｂ１から１７０４ｂ２に進む。ブロック１７０４ｂ２において、（ｉ）第２の２オリゴ標識訓練データを使用して第２のＮＮ構成が更に訓練され、（ｉｉ）更に訓練された第２のＮＮ構成を使用して第３の２オリゴ標識訓練データが生成される。第２の２オリゴ標識訓練データを使用した第２のＮＮ構成の訓練を図１６Ｄに例解する。更に訓練された第２のＮＮ構成を使用する第３の２オリゴ標識訓練データの生成は例解されていないが、図１６Ｂ及び図１６Ｃに関する考察と同様である。
ブロック１７０４ｂ１は、第２のＮＮ構成を訓練する第１の反復であり、ブロック１７０４ｂ２は、第２のＮＮ構成を訓練する第２の反復であり、以下同様であり、最後にブロック１７０４ｂｋは、第２のＮＮ構成を訓練する第ｋの反復であることに留意されたい。論じられるように、ブロック１７０４ｂ１の動作は、図１６Ａ、図１６Ｂ、図１６Ｃに関して詳細に論じられる。後続のブロック１７０４ｂ２、．．．、１７０４ｂｋの動作は、ブロック１７０４ｂ１についての考察と同様であり得る。
反復１７０４ｂ１、．．．、１７０４ｂｋの全てにおいて同じ第２のＮＮ構成が使用されることに留意されたい。したがって、これらのｋ回の反復は、第２のＮＮ構成の複雑度を増加させることなく、同じ第２のＮＮ構成を反復的に訓練することを目的とする。
第２のＮＮ構成の訓練は、ブロック１７０４ｂ１、１７０４ｂ２、．．．、１７０４ｂｋの反復ごとに進行する。第２のニューラルネットワークが反復１７０４ｂ１、．．．、１７０４ｂｋの各ステップにおいて徐々に訓練されるにつれて、第２のニューラルネットワークは、ベースコール配列を予測する際の誤差が漸進的に相対的に少なくなる。例えば、ブロック１７０４ａに示され、図１５Ｅにも例解されるように、訓練された第１のＮＮ構成を使用して生成された第１の２オリゴ標識訓練データ（すなわち、訓練データ１５５０）は、４４％（すなわち、１０，０００のうちの４，４００）の不確定なマッピングを有する。ブロック１７０４ｂ１に示され、図１６Ｃにも例解されるように、部分的に訓練された第２のＮＮ構成を使用して生成された第２の２オリゴ標識訓練データ（すなわち、訓練データ１６５０）は、３５％（すなわち、１０，０００のうちの３，５００）の不確定なマッピングを有する。ブロック１７０４ｂ２に示され、単に実施例として示されるように、更に訓練された第２のＮＮ構成を使用して生成された第３の２オリゴ標識訓練データは、３２％（すなわち、１０，０００のうちの３，２００）の不確定なマッピングを有し得る。不確定なマッピングの割合は、例えば、ブロック１７０４ｂｋにおいて約２０％に達するまで、反復ごとに徐々に減少し得る。
第２のＮＮ構成を訓練するための反復回数「ｋ」は、１つ以上の収束条件を満たすことに基づき得る。収束条件が満たされると、第２のＮＮ構成を訓練するための反復は終了することができる。収束条件は、実装固有であり、第２のＮＮ構成を訓練するために受ける反復の回数を指示する。実施例では、収束条件を満たすことは、更なる反復が第２のＮＮ構成の更なる訓練に著しく役立たない場合があり、したがって、第２のＮＮ構成のための訓練反復を終了することができることを示す。本明細書では、収束条件及びそれを満たすことのいくつかの実施例について論じる。例えば、第２のＮＮ構成は、不確定なマッピングの割合が閾値割合未満になるまで、反復的に訓練され得る。ここで、収束条件は、不確定なマッピングの割合が閾値割合未満になると満たされる。例えば、第２のＮＮ構成の場合、この閾値は、単なる実施例として、約２０％とすることができる。したがって、反復ｋにおいて、閾値が満たされると、収束条件が満たされ、第２のＮＮ構成の訓練が終了する。したがって、方法は１７０４ｃに進み、ブロック１７０４ｂｋにおいて生成された第Ｋの２オリゴ標識訓練データを使用して、第２のＮＮ構成よりも複雑な第３のＮＮ構成を訓練する。
別の実施例では、第２のＮＮ構成の反復は、不確定なマッピングの割合がある程度飽和するまで（すなわち、連続した反復で大幅に減少しないまで）続けられ、収束条件を満たす。すなわち、この実施例では、閾値を下回る飽和は、反復訓練の十分な収束を示し（例えば、収束条件の満足を示す）、更なる反復ではモデルを著しく改善することができないため、現在のモデルの反復を終了することができる。例えば、反復（ｋ－２）において（例えば、ブロック１７０４ｂ（ｋ－２）において）、不確定なマッピングの割合が２１％であり、反復（ｋ－１）において（例えば、ブロック１７０４ｂ（ｋ－２）において）、不確定なマッピングの割合が２０．４％であり、反復ｋにおいて（例えば、ブロック１７０４ｂｋにおいて）、不確定なマッピングの割合が２０％であると仮定する。したがって、最後の２回の反復では、不確定なマッピング割合の減少は比較的低く（例えば、それぞれ０．６％及び０．４％）、訓練がほぼ飽和しており、更なる訓練が第２のＮＮ構成を大幅に改善することができないことを示唆している。ここで、飽和度は、２つの連続した反復中の不確定なマッピングの割合の間の差として測定される。すなわち、２つの連続する反復がほぼ同じ不確定なマッピングの割合を有する場合、更なる反復は、この割合の更なる低減に役立たない場合があり、したがって、訓練反復を終了することができる。したがって、この段階において、第２のＮＮ構成についての反復が終了し、方法１７００は、第３のＮＮ構成について１７０４ｃに進む。
更に別の実施例では、反復回数「ｋ」が事前に指定され、ｋ回の反復を完了することが収束条件を満たし、その結果、現在のＮＮ構成に対する訓練を終了することができ、次のＮＮ構成を開始することができる。
したがって、第２のＮＮ構成に対する反復の終わりにおいて（すなわち、ブロック１７０４ｋの終わりにおいて）、方法１７００はブロック１７０４ｃに進み、そこで第３のＮＮ構成が反復的に訓練される。第３のＮＮ構成の訓練はまた、動作１７０４ｂ１、．．．、１７０４ｂｋに関して論じられたものと同様の反復を含み、したがって、更に詳細には論じることはない。
より複雑なＮＮ構成を漸進的に訓練するこのプロセスは、方法１７００の１７０４Ｐにおいて、第ＰのＮＮ構成が訓練され、次のＮＮ構成を訓練するための２オリゴ訓練データが生成されるまで継続する。
実施例では、本明細書で論じるように、ブロック１７０４ｂ１、．．．、１７０４ｂｋ、１７０４ｃ、．．．、１７０４Ｐの全ての反復に対して同じ２オリゴ配列が使用され得ることに留意されたい。しかしながら、いくつかの他の実施例では、本明細書では論じられていないが、異なる２オリゴ配列が図１７の方法１７００の異なる反復に使用され得る。
論じられるように、モデルがより複雑であるほど、モデルは、ベースコールを予測するためにより良く訓練され得る。例えば、第２のＮＮ構成の訓練の終わりにおいて、第２のＮＮ構成によって生成された最終的な標識訓練データは、２０％の不確定なマッピングを有する。不確定なマッピングの割合は、第３のＮＮ構成の訓練の終わりにおいて更に減少する。例えば、第３のＮＮ構成の第１の訓練反復中、不確定なマッピングの割合は３６％であり（例えば、第３のＮＮ構成は第１の反復中にほとんど訓練されていないため）、この割合は第３のＮＮ構成のその後の訓練反復とともに徐々に減少する。図１７Ａに例解するように、例えば、第３のＮＮ構成の訓練の終わりにおいて、第３のＮＮ構成によって生成された最終的な標識訓練データが１７％の不確定なマッピングを有すると仮定する。この不確定なマッピングの割合は、図１７Ａの反復の進行とともに更に減少し、例えば、第ＰのＮＮ構成の訓練の終わりにおいて、第ＰのＮＮ構成によって生成された最終的な標識訓練データは、１２％の不確定マッピングを有する。訓練は、例えば、第ＰのＮＮ構成に対して（本明細書で前述した）収束条件が満たされたときに、訓練が、１２％の不確定なマッピングで終わることに留意されたい。したがって、Ｐ個のＮＮ構成が方法１７００において訓練される。数「Ｐ」は、３、４、５、又はそれ以上とすることができ、実装固有であり、対応する１つ以上の収束条件を満たすことに基づくこともできる。例えば、第（Ｐ－１）のＮＮ構成が１２．０５％の不確定マッピングをもたらし、第ＰのＮＮ構成が１２％の不確定なマッピングをもたらす場合、２つのＮＮ構成間には０．０５％の不確定マッピングのわずかな改善がある。これは、２オリゴ配列による新しいＮＮ構成の訓練が飽和していることを示す。ここで、飽和とは、２つの連続するＮＮ構成間の不確定なマッピングの割合の差を指す。飽和が閾値（例えば０．１％）以下である場合、２オリゴ配列訓練の訓練は終了される。別の実施例では、ＮＮ構成の数「Ｐ」は、例えば、３、４、又はそれ以上の数であるように、ユーザが事前に指定することができる。以下に論じるように、２オリゴ配列を使用したＰ個のＮＮ構成による訓練が完了したら、更に複雑な検体（３オリゴ配列など）を訓練に使用し得る。
図１７Ｂは、図１７Ａの方法１７００の終わりにおいてＰ番目のＮＮ構成によって生成された例示的な最終的な標識された訓練データを例解する。論じたように、第ＰのＮＮ構成の訓練の終わりにおいて、第ＰのＮＮ構成によって生成された最終的な標識された訓練データは、１２％（又は１０，０００のうち１，２００）の不確定なマッピングを有する。予測されたベースコール配列は、（ｉ）オリゴ１５０１Ａにマッピングされる予測されたベースコール配列を含む第１のカテゴリ、（ｉｉ）オリゴ１５０１Ｂにマッピングされる予測されたベースコール配列を含む第２のカテゴリ、及び（ｉｉｉ）オリゴ１５０１Ａ又は１５０１Ｂのいずれにもマッピングされない予測されたベースコール配列を含む第３のカテゴリである、３つのカテゴリに選別される。図１７Ｂの訓練データ１７５０は、図１５Ｅ及び図１６Ｃの訓練データに関する考察に基づいて明らかになるであろう。
図１８Ａは、３オリゴニューラルネットワーク構成１８１５を備えるベースコーラ１４１４を訓練するために、「３オリゴ訓練段階」の「訓練データ消費及び訓練フェーズ」の第１の反復で動作する図１４Ａのベースコーリングシステム１４００を例解する。ニューラルネットワーク構成１８１５を「３オリゴ」ニューラルネットワーク構成１８１５として標識する理由は、本明細書において後で明らかになるであろう。図１８Ａは、図１６Ｄと少なくとも部分的に類似している。しかしながら、図１５Ｄとは異なり、方法１７００の終わりにおいて（例えば、２オリゴベースの訓練を使用した第ＰのＮＮ構成によって）生成された標識された訓練データ１７５０（図１７Ｂ参照）が、図１８Ａの訓練中に使用される。
例えば、図１８Ａにおいて、３オリゴニューラルネットワーク構成１８１５を含むベースコーラ１４１４は、ベースコール配列１８３８ａ、１８３８ｂ、．．．、１８３８Ｇを予測する。図１７Ｂのマッピングされた訓練データ１７５０は、ここで、図１６Ｄに関して論じられる訓練と同様に、３オリゴニューラルネットワーク構成１８１５を更に訓練するために使用される。
図１８Ｂは、図１８Ａの３オリゴニューラルネットワーク構成１８１５を備えるベースコーラ１４１４を訓練するために、「３オリゴ訓練段階」の「訓練データ生成フェーズ」で動作する図１４Ａのベースコーリングシステム１４００を例解する。
図１８Ｂでは、３つの異なるオリゴ配列１８０１Ａ、１８０１Ｂ、及び１８０１Ｃが、フローセル１４０５の様々なクラスタにロードされる。単なる実施例として、本開示の範囲を限定することなく、１０，０００個のクラスタ１４０７のうち、約３，２００個のクラスタがオリゴ配列１８０１Ａを含み、約３，３００個のクラスタがオリゴ配列１８０１Ｂを含み、残りの３，５００個のクラスタがオリゴ配列１５０１Ｃを含むと仮定する（ただし、別の実施例では、３つのオリゴは１０，０００個のクラスタの間で実質的に等しく分割することができる）。
配列決定マシン１４０４は、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対して配列信号１８１２ａ、．．．、１８１２Ｇを生成する。例えば、クラスタ１４０７ａについて、配列決定マシン１４０４は、一連の配列決定サイクルについてクラスタ１４０７ａの塩基を示す対応する配列信号１８１２ａを生成する。同様に、クラスタ１４０７ｂについて、配列決定マシン１４０４は、一連の配列決定サイクルについてのクラスタ１４０７ｂについての塩基を示す対応する配列信号１８１２ｂを生成するなどする。
ニューラルネットワーク構成１８１５を含むベースコーラ１４１４は、例えば、図１５Ａに関して論じるように、対応する配列信号１８１２ａ、．．．、１８１２Ｇにそれぞれ基づいて、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対するベースコール配列１８１８ａ、．．．、１８１８Ｇを予測する。
実施形態では、オリゴ配列１８０１Ａ、１８０１Ｂ、及び１８０１Ｃは、図１５Ｂ及び図１５Ｃに関する考察に基づいて明らかになるように、例えば、３つのオリゴの塩基間に十分な編集距離を有するように選択される。例えば、３つのオリゴ配列１８０１Ａ、１８０１Ｂ、及び１８０１Ｃのうちのいずれかは、少なくとも閾値編集距離だけ、３つのオリゴ配列１８０１Ａ、１８０１Ｂ、及び１８０１Ｃのうちの別のものから分離される。単なる実施例として、閾値編集距離は、４塩基、５塩基、６塩基、７塩基、又は更には８塩基である可能性がある。したがって、３つのオリゴは、３つのオリゴが互いに十分に異なるように選択される。
再び図１８Ｂを参照すると、実施例では、ベースコーラ１４１４は、どのオリゴ配列がどのクラスタに投入されているかについては知らない。したがって、ベースコーラ１４１４は、既知のオリゴ配列１８０１Ａ、１８０１Ｂ、及び１８０１Ｃと様々なクラスタとの間のマッピングを知らない。マッピングロジック１４１６は、予測されたベースコール配列１８１８を受け取り、各予測されたベースコール配列１８１８をオリゴ１８０１Ａ、１８０１Ｂ、若しくは１８０１Ｃのうちの１つにマッピングするか、又は予測されたベースコール配列を３つのオリゴのいずれかにマッピングする際に不確定性を宣言する。図１８Ｃは、（ｉ）予測されたベースコール配列を３つのオリゴ１８０１Ａ、１８０１Ｂ、１８０１Ｃのいずれかにマッピングするか、又は（ｉｉ）予測されたベースコール配列の３つのオリゴのいずれかへのマッピングが不確定であると宣言するためのマッピング動作を例解する。
図１８Ｃに例解されるように、予測されたベースコール配列１８１８ａは、オリゴ１８０１Ａと２塩基の類似性を有し、オリゴ１８０１Ｂと５塩基の類似性を有し、オリゴ１８０１Ｃと１塩基の類似性を有する。（例えば、式１～４に関して論じられる）閾値類似性ＳＴが４であると仮定すると、予測されたベースコール配列１８１８ａは、オリゴ１８０１Ｂにマッピングされる。
同様に、図１８Ｃの実施例では、予測されたベースコール配列１８１８ｂは、オリゴ１８０１Ｃにマッピングされ、予測されたベースコール配列１８１８ａのマッピングは、図１８Ｂのマッピングロジック１４１６によって不確定であると宣言される。
図１８Ｄは、図１８Ｃのマッピングから生成された標識された訓練データ１８５０を例解し、訓練データ１８５０は、別のニューラルネットワーク構成を訓練するために使用される。図１８Ｄに例解されるように、予測されたベースコール配列１８１８及び対応する配列信号のいくつかは、オリゴ１８０１Ａの塩基配列（すなわち、グラウンドトゥルース１８０６ａ）にマッピングされ、予測されたベースコール配列１８１８及び対応する配列信号のいくつかは、オリゴ１８０１Ｂの塩基配列（すなわち、グラウンドトゥルース１８０６ｂ）にマッピングされ、予測されたベースコール配列１８１８及び対応する配列信号のいくつかは、オリゴ１８０１Ｃの塩基配列（すなわち、グラウンドトゥルース１５０６ｃ）にマッピングされ、予測されたベースコール配列１８１８及び対応する配列信号の残りのマッピングは不確定である。図１８Ｄの訓練データ１８５０は、前述の図１５Ｅの訓練データ１５５０に関する考察に基づいて明らかになるであろう。
図１８Ｅは、３オリゴグラウンドトゥルース配列を使用して、ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法１８８０を描写するフローチャートを例解する。方法１８００は、本質的に漸進的かつ単調に複雑である３オリゴＮＮ構成を漸進的に訓練する。ＮＮ構成の複雑度を増加させることは、図１７Ａに関しても論じたように、ＮＮ構成の層の数を増加させること、ＮＮ構成のフィルタの数を増加させること、ＮＮ構成におけるトポロジの複雑度を増加させること、及び／又は同様のものを含むことができる。例えば、方法１８８０は、第１の３オリゴＮＮ構成（図１８Ａに関して本明細書で先に論じた３オリゴＮＮ構成１８１５である）、第２の３オリゴＮＮ構成、第ＱのＮＮ構成などを参照する。実施例では、図１８Ｅのボックス１８９０内に記号的に例解されているように、第Ｑの３オリゴＮＮ構成の複雑度は、第（Ｑ－１）の３オリゴＮＮ構成の複雑度よりも高く、これは、第（Ｑ－２）の３オリゴＮＮ構成の複雑度よりも高く、以下同様であり、第２の３オリゴＮＮ構成の複雑度は、第１の３オリゴＮＮ構成の複雑度よりも高い。
図１８Ｅの方法１８８０では、動作１７０４Ｐは、図１７Ａの方法１７００の最後のブロックからのものであり、動作１８８８ａ１～１８８８ａｍは、第１の３オリゴＮＮ構成を反復的に訓練し、第２の３オリゴＮＮ構成のための標識された訓練データを生成するためのものであり、動作１８８８ｂは、第２の３オリゴＮＮ構成を反復的に訓練し、第３の３オリゴＮＮ構成のための標識された訓練データを生成するためのものであり、以下同様であることに留意されたい。このプロセスは継続し、動作１８８８Ｑは、第Ｑの３オリゴＮＮ構成を訓練し、後続のＮＮ構成を訓練するための標識された訓練データを生成するためのものである。したがって、一般的に言えば、方法１８８０では、動作１８８８ｉは、第ｉの３オリゴＮＮ構成を訓練し、第（ｉ＋１）の３オリゴＮＮ構成のための標識された訓練データを生成するためのものであり、ここでｉ＝１、．．．、Ｑである。
方法１８８０は、１７０４Ｐにおいて、２オリゴグラウンドトゥルースデータを使用して第ＰのＮＮ構成を訓練するために動作１７０４ｂ１、．．．、１７０４ｂｋを繰り返すことと、図１７Ａの方法１７００の最後のブロックである次のＮＮ構成を訓練するための２オリゴ標識された訓練データを生成することと、を含む。
次いで、方法１８８０は、１７０４Ｐから１８８８ａ１に進む。例解されるように、動作１８８８ａは、前のブロック（例えば、ブロック１７０４Ｐ）から生成された標識された訓練データ（例えば、図１７Ｂの訓練データ１７５０）を使用して第１の３オリゴＮＮ構成（例えば、３オリゴニューラルネットワーク構成１８１５）を訓練し、訓練された第１の３オリゴＮＮ構成を使用して、第２の３オリゴＮＮ構成の後続の訓練のための更なる３オリゴ標識された訓練データを生成するためのものである。動作１８８８ａは、ブロック１８８８ａ１～１８８８ａｍにおける部分動作を含む。
ブロック１８８８ａ１において、（ｉ）第１の３オリゴＮＮ構成（例えば、図１８Ａの３オリゴＮＮ構成１８１５）は、１７０４Ｐにおいて生成された標識された訓練データを使用して訓練され、（ｉｉ）３オリゴ標識された訓練データは、少なくとも部分的に訓練された第１の３オリゴＮＮ構成（図１８Ｄの訓練データ１８５０など）を使用して生成される。
次いで、方法１８８０は、１８８８ａ１から１８８８ａ２に進む。ブロック１８８８ａ２において、（ｉ）第１の３オリゴＮＮ構成は、前の段階において生成された（例えば、ブロック１８８８ａ１において生成された）３オリゴ標識された訓練データを使用して更に訓練され、（ｉｉ）新たな３オリゴ標識された訓練データが、更に訓練された第１の３オリゴＮＮ構成を使用して生成される。
ブロック１８８８ａ２（及びブロック１８８８ａ２）に関して論じられた動作は、１８８８ａ３、．．．、１８８８ａｍにおいて反復的に繰り返される。ブロック１８８８ａ１、．．．、１８８８ａｍは全て、第１の３オリゴＮＮ構成を訓練するためのものであることに留意されたい。反復回数「ｍ」は、実装固有であり得、特定のＮＮモデルを訓練するための反復回数を選択するために使用される例示的な基準は、図１７Ａの方法１７００に関して論じられている（例えば、この方法における反復回数「ｋ」の選択）。
第１の３オリゴＮＮ構成が１８８８ａｍにおいて十分に又は満足のいくように訓練された後、方法１８８８はブロック１８８８ｂに進み、第２の３オリゴＮＮ構成が反復的に訓練される。第２の３オリゴＮＮ構成の訓練はまた、動作１８８８ａ１、．．．、１８８８ａｍに関して論じられたものと同様の反復を含み、したがって、更に詳細には論じることはない。
より複雑なＮＮ構成を漸進的に訓練するこのプロセスは、方法１８８８の１８８８Ｑにおいて、第Ｑの３オリゴＮＮ構成が訓練され、対応する３オリゴ訓練データが次のＮＮ構成を訓練するために生成されるまで継続する。
図１９は、複数オリゴグラウンドトゥルース配列を使用してベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的な方法１９００を描写するフローチャートを例解する。図１９は、本質的に、図１４Ａ～図１８Ｅに関する考察を要約する。例えば、図１９は、単一オリゴ段階、２オリゴ段階、３オリゴ段階などの異なるオリゴ段階を使用する反復訓練及び標識された訓練データ生成プロセスを例解する。したがって、標識された訓練データの訓練及び生成のために使用される検体の複雑度及び／又は長さは、ベースコーラの基礎となるニューラルネットワーク構成の複雑度とともに、反復とともに漸進的かつ単調に増加する。
方法１９００は、１９０４ａにおいて、例えば、図１４Ａ及び図１４Ｂ並びに図１７Ａの方法１７００のブロック１７０４ａに関して論じたように、１オリゴＮＮ構成を反復的に訓練し、標識された訓練データを生成すること、を含む。
方法１９００は、１９０４ｂにおいて、例えば、図１７Ａの方法１７００のブロック１７０４ｂ１～１７０４Ｐに関して論じたように、２オリゴ配列を使用して１つ以上の２オリゴＮＮ構成を反復的に訓練することと、標識された２オリゴ訓練データを生成することと、を更に含む。
方法１９００は、１９０４ｃにおいて、例えば、図１８Ｅの方法１８８０のブロック１８８８ａ１～１８８８Ｑに関して論じたように、３オリゴ配列を使用して１つ以上の３オリゴＮＮ構成を反復的に訓練することと、標識された３オリゴ訓練データを生成することと、を更に含む。
このプロセスは継続し、より多数のオリゴ配列が漸進的に使用され得る。最後に、１９０４Ｎにおいて、１つ以上のＮオリゴＮＮ構成が、Ｎオリゴ配列を使用して訓練され、対応するＮオリゴ標識された訓練データが生成され、ここで、Ｎは、２以上の適切な正の整数であり得る。１９０４Ｎにおける動作は、１９０４ｂ及び１９０４ｃにおける動作に関する考察に基づいて明らかになるであろう。
図１４Ａ～図１９は、合成的に配列決定された単純なオリゴ配列を用いたＮＮモデルの訓練に関連付けられている。例えば、これらの図において使用されるオリゴ配列は、生物のＤＮＡにおいて見出される配列と比較して、より少ない数の塩基を有する可能性が高い。実施形態では、図１４Ａ～図１９に関して論じられたオリゴベースの訓練を使用して、漸進的に複雑なＮＮモデルを訓練し、漸進的に豊富な標識された訓練データセットを生成する。例えば、図１９は、ＮオリゴＮＮ構成を使用してＮオリゴ標識された訓練データセットを出力し、ここで、Ｎオリゴ標識された訓練データセットは、「Ｎ未満」の数のオリゴに関連付けられた標識された訓練データセットよりもはるかに豊富な、多様な、かつより大きな標識された訓練データセットを有し得る。
しかしながら、実際には、配列決定マシン１４０４とベースコーラ１４１４は、単純なオリゴ配列よりもはるかに複雑な配列をベースコールすることになる。例えば、実際には、配列決定マシン１４０４及びベースコーラ１４１４は、単純なオリゴ配列よりもはるかに複雑な生物配列をベースコールすることになる。したがって、ベースコーラ１４１４は、オリゴ配列よりも複雑な生物ＤＮＡ及びＲＮＡにおいて見出される塩基配列に関して訓練されなければならない。
図２０Ａは、図１４Ａのベースコーラ１４１４を訓練するために使用される生物配列２０００を例解する。生物の配列は、ｐｈｉｘ（ファイＸとも呼ばれる）などの、塩基数が比較的少ない生物の配列であることができる。ｐｈｉｘバクテリオファージは、一本鎖ＤＮＡ（single-stranded DNA、ｓｓＤＮＡ）ウイルスである。ｐｈｉｘ１７４バクテリオファージは大腸菌に感染するｓｓＤＮＡウイルスで、１９７７年に配列決定された最初のＤＮＡベースのゲノムである。ｐｈｉｘ（ΦＸ１７４など）ウイルス粒子も、インビトロで組み立てに成功している。実施形態では、オリゴ配列を用いてベースコーラ１４１４を訓練した後（図１４Ａ～図１９に関して論じたように）、ベースコーラ１４１４は、ｐｈｉｘ ＤＮＡなどの単純生物ＤＮＡを用いて更に訓練することができるが、これは本開示の範囲を限定しない。例えば、ｐｈｉｘの代わりに、より複雑な生物、例えば細菌（大腸菌又はＥ－ｃｏｌｉ菌など）を使用することができる。したがって、生物配列２０００は、ｐｈｉｘ、又は別の比較的単純な生物ＤＮＡであることができる。生物配列２０００は、事前に配列決定されている、すなわち、生物配列２０００の塩基配列は、先験的に既知である（例えば、配列決定マシン及び図１４Ａに例解されるものとは異なる既に訓練されたベースコーラによって配列決定されている）。
図２０Ａに例解されるように、生物配列２０００を図１４Ａの配列決定マシン１４０４にロードする場合、生物配列２０００は、複数の部分配列２００４ａ、２００４ｂ、．．．、２００４Ｎに分割又は区分される。各部分配列は、対応する１つ以上のクラスタにロードされる。したがって、各クラスタ１４０７には、対応する部分配列２００４及びその合成コピーが投入される。例えば、クラスタに投入できる部分配列の最大サイズなど、任意の適切な基準を使用して生物配列２０００を区分することができる。例えば、フローセルの個々のクラスタに、最大約１５０個の塩基を有する部分配列が投入できる場合、部分配列２００４の個々のものが最大１５０個の塩基を有するように、それに応じて区分することができる。実施例では、個々の部分配列２００４は、実質的に等しい数の塩基を有することができ、一方、別の実施例では、個々の部分配列２００４は異なる数の塩基を有することができる。部分配列２００４ｂは、本開示の教示を論ずるための実施例として使用され、Ｌ１個の塩基を有すると仮定される。単なる実施例として、数Ｌ１は、１００～２００であることができるが、任意の他の適切な値を有することができ、実装固有である。
図２０Ｂは、図２０Ａの第１の生物配列２０００の部分配列２００４ａ、．．．、２００４Ｓを使用して、第１の生物レベルのニューラルネットワーク構成２０１５を備えるベースコーラ１４１４を訓練するために、第１の生物訓練段階の訓練データ生成フェーズで動作する図１４Ａのベースコーリングシステム１４００を例解する。
図２０Ｂには例解されていないが、第１の生物レベルＮＮ構成２０１５は、図１９の方法１９０４からのＮオリゴ標識された訓練データを使用して最初に訓練されることに留意されたい。したがって、第１の生物レベルＮＮ構成２０１５は、少なくとも部分的に事前訓練される。図２０Ｂのベースコーリングシステム１４００は、図１４Ａのベースコーリングシステムと同じであるが、２つの図では、ベースコーリングシステム１４００は、異なるニューラルネットワーク構成及び異なる検体を使用する。
上述したように、部分配列２００４ａ、．．．、２００４Ｓは、対応するクラスタ１４０７にロードされる。例えば、部分配列２００４ａは、クラスタ１４０７ａにロードされ、部分配列２００４ｂは、クラスタ１４０７ｂにロードされるなどする。各クラスタ１４０７は、同じ部分配列２００４の複数の配列決定されたコピーを含むことに留意されたい。例えば、クラスタにロードされた部分配列は、クラスタが同じ部分配列の複数のコピーを有するように合成的に複製され、これは、クラスタについての対応する配列信号２０１２を生成するのに役立つ。
ベースコーラ１４１４は、どのクラスタにどの部分配列が投入されているかを知らないことに留意されたい。例えば、部分配列２００４ａ及びその合成コピーが特定のクラスタにロードされる場合、ベースコーラ１４１４は、部分配列２００４ａ投入されたクラスタを知らない。本明細書で後述するように、マッピングロジック１４１６は、訓練プロセスを容易にするために、個々の部分配列２００４を対応するクラスタ１４０７にマッピングすることを目的とする。
配列決定マシン１４０４は、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対して配列信号２０１２ａ、．．．、２０１２Ｇを生成する。例えば、クラスタ１４０７ａについて、配列決定マシン１４０４は、一連の配列決定サイクルについてクラスタ１４０７ａの塩基を示す対応する配列信号２０１２ａを生成する。同様に、クラスタ１４０７ｂについて、配列決定マシン１４０４は、一連の配列決定サイクルについてのクラスタ１４０７ｂについての塩基を示す対応する配列信号２０１２ｂを生成するなどする。
実施例では、個々の部分配列２００４は、対応するクラスタ１４０７にロードされるが、ベースコーラ１４１４は、どの部分配列がどのクラスタにロードされるかを知らない。したがって、ベースコーラ１４１４は、部分配列２００４とクラスタ１４０７との間のマッピングを知らない。各クラスタ１４０７が対応する配列信号２０１２を生成するので、ベースコーラ１４１４は、部分配列２００４と配列信号２０１２との間のマッピングを知らない。
ニューラルネットワーク構成２０１５を含むベースコーラ１４１４は、対応する配列信号２０１２ａ、．．．、２０１２Ｇにそれぞれ基づいて、複数のクラスタ１４０７ａ、．．．、１４０７Ｇのうちの対応するクラスタに対するベースコール配列２０１８ａ、．．．、２０１８Ｇを予測する。例えば、クラスタ１４０７ａについて、ベースコーラ１４１４は、対応する配列信号２０１２ａに基づいて、一連の配列決定サイクルについてのクラスタ１４０７ａについてのベースコールを含む対応するベースコール配列２０１８ａを予測する。同様に、クラスタ１４０７ｂについて、ベースコーラ１４１４は、対応する配列信号２０１２ｂに基づいて、一連の配列決定サイクルについてのクラスタ１４０７ｂについてのベースコールを含む対応するベースコール配列２０１８ｂを予測するなどする。
ニューラルネットワーク構成２０１５は、部分的にのみ訓練され、完全には訓練されないことに留意されたい。したがって、ニューラルネットワーク構成２０１５が個々の部分配列の塩基の一部又は大部分を正確に予測できない場合がある。
更に、部分配列でのベースコールが進行するにつれて、例えば、フェージング(phasing)又はプレフェージング(pre-phasing)のフェーディング(fading)及び／又はノイズに起因して、塩基をコールすることがますます困難になる。図２０Ｃは、ベースコーリング動作の配列決定実行であるサイクル数の関数として信号強度が減少したフェーディングの実施例を例解する。フェーディングは、サイクル数の関数としてのクラスタの蛍光信号強度の指数関数的減衰である。配列決定実行が進行するにつれて、検体ストランドは、過度に洗浄され、反応種を作成するレーザー発光に曝露され、過酷な環境条件に置かれる。これらの全ては、各検体においてフラグメントが徐々に失われる結果を招き、その蛍光信号強度を低下させる。フェーディングは、減光又は信号減衰とも呼ばれる。図２０Ｃは、フェーディング２０００Ｃの一実施例を例解する。図２０Ｃでは、ＡＣマイクロサテライトを有する検体フラグメントの強度値は、指数関数的減衰を示す。
図２０Ｄは、配列決定進行のサイクルとしての減少する信号対ノイズ比を概念的に示す。例えば、配列決定が進行すると、信号強度が低下し、ノイズが増加し、その結果、信号対ノイズ比が実質的に減少するため、正確なベースコールがますます困難になる。物理的には、後の合成ステップは、センサに対して、より前の合成ステップとは異なる位置にタグを取り付けることが観察された。センサが、合成されている配列の下方にあるとき、信号減衰は、より前のステップよりも後の配列決定ステップでセンサから更に離れたストランドにタグを取り付けることから生じる。これは、配列決定サイクルの進行とともに信号減衰を引き起こす。いくつかの設計では、センサが、クラスタを保持する基材の上方にある場合、信号は、減衰する代わりに、配列決定が進行するにつれて増加し得る。
調査されたフローセル設計では、信号が減衰している間、ノイズが増大する。物理的に、フェージング及びプレフェージングは、配列決定が進行するにつれてノイズを増加させる。フェージングは、タグが配列に沿って進行することができない配列決定のステップを指す。プレフェージングは、配列決定サイクル中に、タグが、１つの位置ではなく２つの位置だけ前方にジャンプする配列決定ステップを指す。フェージング及びプレフェージングは両方とも、比較的頻繁ではなく、５００～１０００サイクル中に１回程度である。フェージングは、プレフェージングよりわずかに頻繁である。フェージング及びプレフェージングは、強度データを生成するクラスタ内の個々のストランドに影響を及ぼすので、クラスタからの強度ノイズ分布は、配列決定が進行するにつれて、二項展開、三項展開、四項展開などで累積する。
フェーディング、信号減衰、及び信号対ノイズ比の減少、並びに図２０Ｃ及び図２０Ｄの更なる詳細は、２０２０年５月１４日に出願された「Ｓｙｓｔｅｍｓ ａｎｄ Ｄｅｖｉｃｅｓ ｆｏｒ Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ Ｐｅｒｆｏｒｍａｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｐｉｘｅｌ－Ｂａｓｅｄ Ｓｅｑｕｅｎｃｉｎｇ」と題する米国非仮特許出願第１６／８７４，５９９号（代理人整理番号ＩＬＬＭ１０１１－４／ＩＰ－１７５０－ＵＳ）に見出すことができ、本明細書に完全に記載されているかのように参照により組み込まれる。
したがって、ベースコーリングの間、ベースコーリングの信頼性又は予測可能性は、配列決定サイクルが進行するにつれて減少する。例えば、図２０Ａの部分配列２００４ｂなどの特定の部分配列を参照すると、概して、部分配列２００４ｂの塩基１～１０のコーリングは、塩基１０～２０のコーリング又は塩基５０～６０のコーリングよりも信頼性が高い場合がある。言い換えれば、部分配列２００４ｂのＬ１個の塩基の最初の数個の塩基は、部分配列２００４ｂのＬ１個の塩基の残りの塩基よりも比較的正確に予測される可能性が高い。
図２０Ｅは、部分配列のＬ１個の塩基のうちの第１のＬ２個の塩基のベースコーリングを例解し、部分配列２００４ｂの第１のＬ２個の塩基は、部分配列２００４ｂを配列２０００にマッピングするために使用される。
例えば、図２０Ａ、図２０Ｂ、及び図２０Ｅを参照すると、配列決定マシン１４０４は、部分配列２００４ｂに対応する配列信号２０１２ｂを生成する（すなわち、部分配列２００４ｂがクラスタ１４０７ｂに投入されていると仮定する）。しかし、ベースコーラ１４１４は、配列信号２０１２ｂに対応する部分配列が配列２０００のどこに適合するかを知らない。すなわち、ベースコーラ１４１４は、特に部分配列２００４ｂがクラスタ１４０７ｂにロードされていることを知らない。
図２０Ｅに例解されるように、部分的に訓練されたＮＮ構成２０１５（例えば、図１９の方法１９０４からのＮオリゴ標識された訓練データを使用して訓練される）は、配列信号２０１２ｂを受信し、配列信号２０１２ｂによって示されるＬ１個の塩基を予測する。Ｌ１個の塩基の予測は、第１のＬ２個の塩基の予測を含み、部分配列２００４ｂの第１のＬ２個の塩基の予測は、部分配列２００４ｂを配列２０００にマッピングするために使用される。
実施例では、数Ｌ２は１０である。数Ｌ２は、Ｌ２がＬ１よりも相対的に小さい限り、８、１０、１２、１３、又は同様のものなどの任意の適切な数であり得る。例えば、Ｌ２は、Ｌ１の１０％未満、Ｌ１の２５％未満、又は同様のものである。
例えば、ＮＮ構成２０１５によって予測される部分配列２００４ｂの第１のＬ２個の塩基は、図２０Ｅに例解するように、Ａ、Ｃ、Ｃ、Ｔ、Ｇ、Ａ、Ｇ、Ｃ、Ｇ、Ａである。リマイニング（Ｌ１－Ｌ２）塩基の予測は、図２０ＥでＢ１、．．．、Ｂ１として一般的に例解される。
ここで、ＮＮ構成２０１５が第１のＬ２個の塩基を正しく予測した可能性もあれば、これらのＬ２個の塩基予測に１つ以上の誤差がある可能性もある。マッピングロジック１４１６は、第１のＬ２個の塩基の予測を、生物配列２０００中の対応する連続するＬ２個の塩基にマッピングしようとする。別の言い方をすれば、マッピングロジック１４１６は、生物配列２０００内の部分配列２００４ｂを同定できるように、第１のＬ２個の塩基の予測を生物配列２０００内の連続するＬ２個の塩基に一致させようとする。
図２０Ｅに例解されるように、マッピングロジック１４１６は、部分配列２００４ｂについて予測された第１のＬ２個の塩基と、生物配列２０００中の連続するＬ２個の塩基との間の「実質的」かつ「一意的」な一致を見出すことができる。「実質的な」一致は、一致が１００％でない場合があり、一致に１つ以上の誤差が存在し得ることを意味することに留意されたい。例えば、ＮＮ構成２０１５によって予測された部分配列２００４ｂの第１のＬ２個の塩基は、Ａ、Ｃ、Ｃ、Ｔ、Ｇ、Ａ、Ｇ、Ｃ、Ｇ、Ａであるが、生物配列２０００の対応する実質的に一致する連続するＬ２個の塩基は、Ａ、Ｇ、Ｃ、Ｔ、Ｇ、Ａ、Ｇ、Ｃ、Ｇ、Ａである。したがって、これら２つのＬ２個の塩基配列の第２の塩基は一致しないが、残りの塩基は一致する。そのような不一致の数が閾値パーセンテージ未満である限り、マッピングロジック１４１６は、２つのＬ２個の塩基断片数が一致していると宣言する。不一致の閾値パーセンテージは、数Ｌ２の１０％、又は２０％、又は同様のパーセンテージであり得る。したがって、実施例では、Ｌ２は１０であり、マッチングロジック１４１６は、最大２つの不一致（又は２０％の不一致）を許容することができる。したがって、マッピングロジック１４１６は、部分配列２００４ｂについて予測された第１のＬ２個の塩基、又はそのわずかな変動（例えば、変動がマッチング中の誤差許容度を意味する）を、生物配列２０００の連続するＬ２個の塩基にマッピングすることを目的とする。閾値パーセンテージの値は、実装固有であることができ、ユーザ構成可能であることができる。単に実施例として、訓練の最初の反復中に、閾値パーセンテージは比較的高く（２０％など）、閾値パーセンテージは、訓練の後の反復中に比較的低い値（１０％など）を有することができる。したがって、訓練反復の初期段階において、ベースコーリング予測における誤差の可能性が比較的高いため、閾値パーセンテージは比較的高くなることができる。ＮＮの構成がより良く訓練されると、より良いベースコーリング予測を行う可能性が高くなるため、閾のパーセンテージを徐々に下げることができる。しかしながら、別の実施例では、閾値パーセンテージは、訓練の全ての反復を通して同じであることができる。
また、実施例では、２つのＬ２個の塩基間のマッチングは、適正マッピングのために一意でなければならず、一意でないマッチングは、マッチングとマッピングが不確定であると宣言されることをもたらし得る。したがって、部分配列２００４ｂ（又はそのわずかな変異）について予測される第１のＬ２個の塩基は、マッチング及びマッピングが有効であるために、生物配列２０００において１回のみ生じることができる。通常、より単純な生物の実用的な塩基配列では、連続するＬ２個の塩基（又はその小さな変異）は、生物配列２０００の中で一度しか出現しない可能性が高い。
例えば、図２０Ｅの実施例を参照すると、生物配列２０００の１つのセクションでは連続する塩基Ａ、Ｇ、Ｃ、Ｔ、Ｇ、Ａ、Ｇ、Ｃ、Ｇ、Ａの出現があり、生物配列２０００の別のセクションで連続する塩基Ａ、Ｃ、Ａ、Ｔ、Ｇ、Ａ、Ｇ、Ｃ、Ｇ、Ａの別の出現がある場合、生物配列２０００の両方のセクションは、ＮＮ構成２０１５によって予測された部分配列２００４ｂの第１のＬ２個の塩基（Ａ、Ｃ、Ｃ、Ｔ、Ｇ、Ａ、Ｇ、Ｃ、Ｇ、Ａ）に一致する可能性がある。したがって、この実施例では、マッチングは一意ではなく、マッピングロジック１４１６は、生物配列２０００の２つのセクションのうちのどちらが部分配列２００４ｂ上のＬ２個の塩基にマッピングされるかを知らない。そのようなシナリオでは、マッピングロジック１４１６は、信頼できるマッチングがないことを宣言する（すなわち、不確定なマッピングを宣言する）。
図２０Ｅの実施例を参照すると、例解されるように、ＮＮ構成２０１５によって予測される部分配列２００４ｂの第１のＬ２個の塩基は、生物配列２０００の対応する連続するＬ２個の塩基と「実質的に」かつ「一意に」一致する。また、生物配列２０００のセクション２０００Ｂ（Ｌ１個の塩基を有する）を仮定すると、部分配列２００４ｂの第１のＬ２予測は、生物配列２０００のセクションＢの第１のＬ２個の塩基と「実質的に」かつ「一意的に」一致する。したがって、部分配列２００４ｂは実際には生物配列２０００のセクション２０００Ｂである可能性が最も高い。別の言い方をすれば、生物配列２０００のセクション２０００Ｂを図２０Ａで区分して、部分配列２００４ｂを形成した可能性が最も高い。
したがって、生物配列２０００のセクション２０００Ｂは、部分配列２００４ｂに対応する配列信号２０１２ｂに対するグラウンドトゥルースとして機能する。図２０Ｆは、図２０Ｅのマッピングから生成された標識された訓練データ２０５０を例解し、標識された訓練データ２０５０は、グラウンドトゥルースとして図２０Ａの生物配列２０００のセクションを含む。
図２０Ｆの標識された訓練データ２０５０で、単なる実施例として、部分配列２００４ａ、２００４ｄは、不確定なマッピングのために、生物配列２０００のいずれのセクションにもマッピングされない。例えば、図２０Ｅに関して論じられたように、マッピングロジック１４１６が最終的なマッピングを宣言するためには、部分配列の第１のＬ２個の塩基と生物配列２０００の対応するセクションとの間に実質的かつ一意的なマッチングが存在しなければならない。ＮＮ構成２０１５は、部分配列２００４ａ、２００４ｄの各々の第１のＬ２個の塩基で比較的多数の誤差を生じ得、その結果として、これらの部分配列は、生物配列２０００の任意の対応するセクションにマッピングされる可能性はない。
図２０Ｆの標識された訓練データ２０５０では、部分配列２００４ｂ（したがって、配列信号２０１２ｂ）は、図２０Ｅに関して論じたように、生物配列２０００のセクション２０００Ｂにマッピングされる。同様に、部分配列２００４ｃは生物配列２０００のセクション２０００Ｃにマッピングされ、部分配列２００４Ｓは生物配列２０００のセクション２０００Ｓにマッピングされる。例えば、部分配列２００４ｃは、部分配列２００４ｃの第１のＬ２個の塩基予測がセクション２０００Ｃの第１のＬ２個の塩基と「実質的に」かつ「一意的に」一致するように、生物配列２０００のセクション２０００Ｃ（例えば、部分配列２００４ｃと同じ塩基数を有する）にマッピングされる。
図２０Ｇは、第１の生物レベルニューラルネットワーク構成２０１５を備えるベースコーラ１４１４を訓練するために、「生物レベル訓練段階」の「訓練データ消費及び訓練フェーズ」で動作する図１４Ａのベースコーリングシステム１４００を例解する。例えば、図２０Ｆの標識された訓練データ２０５０は、図２０Ｇの訓練で使用される。
例えば、ベースコーラ１４１４によって予測された部分配列２００４ｂのＬ１個の塩基は、生物配列２０００のセクション２０００Ｂと比較される。ベースコーラ１４１４によって予測された部分配列２００４ｂのＬ１個の塩基は、図２０Ｆのマッピングを生成するために生物配列２０００と比較された第１のＬ２個の塩基を有することに留意されたい。残りの（Ｌ１－Ｌ２）塩基は、多くの誤差を含む可能性が高いので、図２０Ｆのマッピングを生成する間、残りの（Ｌ１－Ｌ２）塩基を比較しなかった。これは、図２０Ｃ及び図２０Ｄに関して論じられたように、部分配列で後に生じる塩基が、フェーディング、フェージング及び／又は事前フェージングに起因して、誤って予測される可能性がより高いためである。図２０Ｇでは、ベースコーラ１４１４によって予測された部分配列２００４ｂのＬ１個全ての塩基が、生物配列２０００のセクション２０００Ｂ上の対応するＬ１個の塩基と比較される。
したがって、図２０Ｆのマッピングは、部分配列２００４ｂが図２０Ｇで比較される生物配列２０００の一部分（すなわち、セクション２０００Ｂ）を特定する。マッピングが完了し、標識された訓練データ２０５０が生成されると、標識された訓練データ２０５０は、図２０Ｇにおいて、誤差信号の比較及び生成のために使用され、誤差信号は、ＮＮ構成２０１５の逆方向パスにおける勾配更新２０１７及び結果として生じるＮＮ構成２０１５の訓練のために使用される。
部分配列のいくつか（部分配列２００４ａ及び２００４ｄなど、図２０Ｆを参照）は、生物配列２０００の対応するセクションに最終的にマッチせず、したがって、これらの部分配列に対応するベースコール予測は、図２０Ｇの訓練において使用されないことに留意されたい。
図２１は、図２０Ａの単純生物配列２０００を使用して、ベースコーリングのためのニューラルネットワーク構成を反復的に訓練するための例示的方法２１００を描写する、フローチャートを例解する。方法２１００は、本質的に単調に複雑であるＮＮ構成を漸進的に訓練する。本明細書で前述したように、ＮＮ構成の複雑度を増加させることは、ＮＮ構成の層の数を増加させること、ＮＮ構成のフィルタの数を増加させること、ＮＮ構成におけるトポロジの複雑度を増加させること、及び／又は同様のものを含むことができる。例えば、方法２１００は、第１の生物レベルのＮＮ構成（図２０Ｂ、図２０Ｇ及び他の図に関して本明細書で先に論じたＮＮ構成２０１５である）、第２の生物レベルのＮＮ構成、第Ｒの生物レベルのＮＮ構成などを参照する。実施例では、第Ｒの生物レベルＮＮ構成の複雑度は、第（Ｒ－１）の生物レベルＮＮ構成の複雑度よりも高く、これは第（Ｒ－２）の生物レベルＮＮ構成の複雑度よりも高いなどであり、第２の生物レベルＮＮ構成の複雑度は、第１の生物レベルＮＮ構成の複雑度よりも高い。
方法２１００では、（ブロック２１０４ａ１、．．．、２１０４ａｍを含む）動作２１０４ａは、第１の生物レベルＮＮ構成を訓練し、第２の生物レベルＮＮ構成のための標識された訓練データを生成するためのものであり、動作２１０４ｂは、第２の生物レベルＮＮ構成を訓練し、第３の生物レベルＮＮ構成のための標識された訓練データを生成するためのものであるなどすることに留意されたい。このプロセスが続き、最終的に動作２１０４Ｒは、Ｒ番目の生物レベルＮＮ構成を訓練し、次の段階のＮＮ構成のために標識された訓練データを生成するためのものである。したがって、一般的に言えば、方法２１００では、動作２１０４ｉは、第ｉの生物レベルＮＮ構成を訓練し、第（ｉ＋１）の生物レベルＮＮ構成のための標識された訓練データを生成するためのものであり、ｉ＝１、．．．、Ｒである。
方法２１００は、２１０４ａ１において、（ｉ）図１９の方法１９００の１９０４ＮからのＮオリゴ標識された訓練データを使用して、第１の生物レベルＮＮ構成（例えば、図２０Ｂの生物レベルＮＮ構成２０１５であるが、このＮＮ構成の訓練は図２０Ｂに例解されていない）を訓練することと、（ｉｉ）少なくとも部分的に訓練された第１の生物レベルＮＮ構成２０１５を使用して、標識された訓練データを生成することと、を含む。標識された訓練データは、図２０Ｆに例解されており、その生成は図２０Ｅ及び図２０Ｆに関して論じられている。
次いで、方法２１００は、２１０４ａ１から２０１４ａ２に進み、その間に、第１の生物レベルＮＮ構成２０１５を訓練する第２の反復が行われる。例えば、２１０４ａ２において、（ｉ）第１の生物レベルＮＮ構成２０１５は、例えば、図２０Ｇに関して論じたように、前の段階からの標識された訓練データを使用して更に訓練され、（ｉｉ）少なくとも部分的に訓練された第１の生物レベルＮＮ構成２０１５を使用して、更なる標識された訓練データが生成される（例えば、図２０Ｅ及び図２０Ｆに関する考察と同様）。
訓練と生成の動作は反復的に繰り返され、最終的に２１０４ａｍにおいて、第１の生物レベルＮＮ構成２０１５の訓練が完了する。ブロック２０１４ａ１は、第１の生物レベルＮＮ構成２０１５を訓練する第１の反復であり、ブロック２１０４ａ２は、第１の生物レベルＮＮ構成２０１５を訓練する第２の反復であるなどし、最終的にブロック２１０４ａｍは、第１の生物レベルＮＮ構成２０１５を訓練する第ｍの反復であることに留意されたい。反復回数は、図１７Ａの方法１７００に関して本明細書で以前に論じられたものなどの１つ以上の要因に基づくことができる（例えば、反復回数「ｋ」を選択するための基準が論じられた場合）。第１の生物レベルＮＮ構成２０１５の複雑度は、２１０４ａ１、．．．、２１０４ａｍの反復中に変化しない。
第１の生物レベルのＮＮ構成２０１５に対する反復の終わりにおいて（すなわち、ブロック２１０４ａｍの終わりにおいて）、方法２１００はブロック２１０４ｂに進み、ここで、第２の生物レベルのＮＮ構成が反復的に訓練される。第２の生物レベルのＮＮ構成の訓練及び関連付けられた訓練標識されたデータの生成も、動作２１０４ａ１、．．．、２１０４ａｍに関して論じたものと同様の反復を含むことになり、したがって、更に詳細には論ずることはない。
訓練標識されたデータの生成に関連付けられたより複雑なＮＮ構成を漸進的に訓練するこのプロセスは、方法２１００の２１０４Ｒにおいて、第Ｒの生物レベルのＮＮ構成が訓練され、対応する標識された訓練データが次のＮＮ構成を訓練するために生成されるまで継続する。
図２２は、図１４Ａのベースコーラ１４１４についての対応するＮＮ構成の訓練のための複雑な生物配列の使用を例解する。例えば、図２０Ａ～図２１に関して論じたように、部分配列当たり約Ｌ１個の塩基を含む比較的単純な生物配列２０００を使用して、Ｒ個の単純生物レベルＮＮ構成を反復的に訓練し、対応する標識された訓練データを生成する。例えば、図２１の方法２１００は、このような反復学習と、単純な生物配列２０００を使用した標識された学習データの生成を例解する。論じられるように、単純生物配列２０００は、Ｐｈｉｘ、又は比較的単純な（又は比較的小さい）遺伝子配列を有する別の生物であり得る。
図２２には、比較的複雑な生物配列２２００ａの使用も例解されている。生物配列２２００ａは、例えば、複合生物配列２２００ａでの塩基の数が生物配列２０００での塩基の数よりも多いので、生物配列２０００よりも複雑である。単なる実施例として、生物配列２０００は約１００万個の塩基を有することができ、複合生物配列２２００ａは４００万個の塩基を有することができる。別の実施例では、複合生物配列２２００ａから区分された各部分配列は、生物配列２０００から区分された各部分配列の塩基数よりも多い塩基数を有する。更に別の実施例では、複合生物配列２２００ａから区分される部分配列の数は、生物配列２０００から区分される部分配列の数よりも多い。例えば、複合生物配列２２００ａ及び生物配列２０００を区分する場合、複合生物配列２２００ａから区分される部分配列の数は、生物配列２０００から区分される部分配列の数よりも多くなるが、これは、（ｉ）複合生物配列２２００ａが生物配列２０００よりも多い塩基数を有し、（ｉｉ）各部分配列が多くても閾値塩基数を有し得るからである。実施例では、複合生物配列２２００ａは、Ｅ－ｃｏｌｉなどの細菌由来の遺伝物質、又は生物配列２０００よりも複雑な他の適切な生物配列を含む。
図２２に例解するように、複合生物配列２２００ａは、Ｒａ個の複合生物レベルＮＮ構成を反復的に訓練し、標識された訓練データを生成するために使用される。訓練及び標識された訓練データの生成は、図２１の方法２１００に関して論じたものと同様である（違いは、方法２１００が特に生物配列２０００に向けられているのに対して、ここでは複合生物配列２２００ａが使用されていることである）。
この反復プロセスは継続し、最後に、相対的に更に複雑な生物配列２２００Ｔが使用される。更なる複雑な生物配列２２００Ｔは、生物配列２０００及び２２００ａよりも複雑である。例えば、更なる複雑な生物配列２２００Ｔでの塩基数は、生物配列２０００及び２２００ａの各々での塩基数よりも多い。別の実施例では、更に複雑な生物配列２２００Ｔから区分された各部分配列は、生物配列２０００又は２２００ａから区分された各部分配列の塩基数よりも多い塩基数を有する。更に別の実施例では、更に複雑な生物配列２２００Ｔから区分される部分配列の数は、生物配列２０００又は２２００ａから区分される部分配列の数よりも多い。実施例では、更なる複雑な生物配列２２００Ｔは、ヒト又は他の哺乳動物由来の遺伝物質などの複雑種由来の遺伝物質を含む。
図２２に例解するように、生物配列２２００Ｔは、ＲＴ個の更に複雑な生物レベルＮＮ構成を反復的に訓練し、標識された訓練データを生成するために使用される。訓練及び標識された訓練データの生成は、図２１の方法２１００に関して論じたものと同様である（違いは、方法２１００が特に生物配列２０００に向けられているのに対して、ここでは生物配列２０００Ｔが使用されていることである）。
図２３Ａは、ベースコールのためにニューラルネットワーク構成を反復的に訓練するための例示的な方法２３００を描写するフローチャートを例解する。方法２３００は、図１４Ａ～図２２に関して本明細書で論じられる実施形態及び実施例のうちの少なくともいくつかを要約する。方法２３００は、本明細書で論じられるように、本質的に単調に複雑であるＮＮ構成を漸進的に訓練する。方法２３００はまた、検体として複雑な遺伝子配列を単調に使用する。方法２３００は、本明細書で論じられる様々な図のベースコーラ１４１４を訓練するために使用される。
方法２３００は、図１７Ａの方法１７００のブロック１７０４に関して論じたように、２３０４で始まり、ここではＮＮ構成１４１５（例えば、図１４Ａを参照）を含むベースコーラ１４１４が単一オリゴグラウンドトゥルースデータを使用して反復的に訓練される。図１４Ａの少なくとも部分的に訓練されたＮＮ構成１４１５は、図１７Ａの方法１７００のブロック１７０４に関しても論じたように、標識された訓練データを生成するために使用される。
次に、方法２３００は、２３０４から２３０８に進み、ここでは１つ以上のＮＮ構成が、２オリゴ配列を使用して反復的に訓練され、対応する標識された訓練データが、例えば、図１７Ａの方法１７００に関して論じられたように、生成される。
次に、方法２３００は、２３０８から２３１２に進み、ここでは１つ以上のＮＮ構成が、３オリゴ配列を使用して反復的に訓練され、対応する標識された訓練データが、例えば、図１９の方法１９００に関して論じられたように、生成される。
２３１６において、例えば、図１９の方法１９００に関して論じられたように、１つ以上のＮＮ構成がＮオリゴ配列を使用して反復的に訓練され、対応する標識された訓練データが生成されるまで、漸増する数のオリゴを使用してＮＮ構成を訓練するこのプロセスは継続する。
次いで、方法２３００は２３２０に移行し、ここで、訓練及び標識された訓練データの生成は生物を伴う。２３２０において、図２０Ａの単純生物配列２０００などの単純生物配列が使用される。１つ以上のＮＮ構成は、単純生物配列を使用して訓練され（例えば、図２１の方法２１００を参照）、標識された訓練データが生成される。
方法２３００が２３２０から進むにつれて、例えば、図２２に関して論じたように、ますます複雑な生物配列が使用される。最後に、２３２８において、複雑な生物配列（例えば、図２２の更なる複雑な生物配列２２００Ｔ）を使用して、１つ以上のＮＮ構成が反復的に訓練され、対応する標識された訓練データが生成される。
したがって、方法２３００は、ベースコーラ１４１４が「十分に訓練される」まで継続される。「十分に訓練される」は、ベースコーラ１４１４が、ここで、標的誤差率未満の誤差率でベースコールを行うことができることを暗示し得る。論じられるように、訓練プロセスは、十分な訓練及びベースコーリングの標的誤差率が達成されるまで、反復的に継続されることができる（例えば、図２３Ｅの「誤差率」チャートを参照されたい）。方法２３００の終わりにおいて、方法２３００の最後のＮＮ構成を含むベースコーラ１４１４は、ここで十分に訓練される。したがって、方法２３００の最後のＮＮ構成を含む訓練されたベースコーラ１４１４は、ここで、推論のために使用することができ、例えば、未知の遺伝子配列を配列決定するために使用することができる。
図２３Ｂ～図２３Ｅは、本開示で論じられたベースコーラ訓練プロセスの有効性を例解する様々なチャートを例解する。図２３Ｂを参照すると、（ｉ）本明細書で論じられるニューラルネットワークベースの訓練データ生成技法を使用して訓練されたＮＮ構成１６１５などの第１の２オリゴＮＮ構成、及び（ｉｉ）従来の２オリゴ訓練グデータ生成技法を使用して訓練されたＮＮ構成によって生成された訓練データのマッピングパーセンテージを描写するチャート２３６０が例解されている。チャート２３６０内の白色バーは、本明細書で論じられるニューラルネットワークベースのモデルを使用して生成される、訓練データを使用して訓練される第１の２オリゴＮＮ構成からのマッピングデータを例解する。したがって、チャート２３６０内の白いバーは、本明細書で論じられる様々な技法を使用して生成されたマッピングデータを例解する。チャート２３６０内の灰色のバーは、リアルタイム解析（Real Time Analysis，ＲＴＡ）モデルなどの従来の非ニューラルネットワークベースのモデルによって生成された訓練データによって訓練されるＮＮ構成に関連付けられたデータを例解する。ＲＴＡモデルの実施例は、２０１９年５月２８日に発行された「Ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍ ａｎｄ ｍｅｔｈｏｄｓ」という名称の米国特許第ＵＳ１０３０４１８９（Ｂ２）号で論じられており、これは、参照により本明細書に完全に記載されているかのように組み込まれる。したがって、チャート２３６０内の灰色のバーは、従来の技法を使用して生成されたマッピングデータを例解する。実施例では、チャート２３６０の白色バーは、図１７Ａの方法１７００の動作１７０４ｂ１において生成することができる。チャート２３６０は、オリゴ１にマッピングされたベースコール予測のパーセンテージ、オリゴ２にマッピングされたベースコール予測のパーセンテージ、及びオリゴ１又は２のいずれにも最終的にマッピングすることができないベースコール予測のパーセンテージを例解する（すなわち、不確定なパーセンテージ）。見られるように、本明細書で論じられた技法を使用して生成された訓練データの不確定なパーセンテージは、従来の技法を使用して生成された訓練データの不確定なパーセンテージよりもわずかに高い。したがって、最初に（例えば、訓練反復の開始時）に、従来の技法は、本明細書で論じられた訓練データ生成技法よりもわずかに性能が優れている。
次に図２３Ｃを参照すると、（ｉ）本明細書で論じられたニューラルネットワークベースの訓練データ生成技法を使用して訓練される第１の２オリゴＮＮ構成（ＮＮ構成１６１５など）（白色のバー）、（ｉｉ）本明細書で論じられたニューラルネットワークベースの訓練データ生成技法を使用して訓練される第２の２オリゴＮＮ構成（点線のバー）、及び（ｉｉｉ）ＲＴＡベースの従来の訓練データ生成技法などの従来の２オリゴ訓練データ生成技法を使用して訓練されるＮＮ構成（灰色のバー）を使用して生成される訓練データでのマッピングパーセンテージを描写するチャート２３６５が例解されている。実施例では、第１の２オリゴＮＮ構成（白色のバー）及び第２の２オリゴＮＮ構成（点線のバー）は、それぞれ、図１７Ａの方法１７００の動作１７０４ｂ及び１７０４ｃに対応する。チャート２３６５は、オリゴ１にマッピングされたベースコール予測のパーセンテージ、オリゴ２にマッピングされたベースコール予測のパーセンテージ、及びオリゴ１又は２のいずれにも最終的にマッピングすることができないベースコール予測のパーセンテージを例解する（すなわち、不確定なパーセンテージ）。見られるように、第１の２オリゴＮＮ構成を使用して生成された訓練データについての不確定なパーセンテージは、（ｉ）第２の２オリゴＮＮ構成を使用して生成された訓練データ及び（ｉｉ）従来の技法を使用して生成された訓練データの各々よりも高い。更に、第２の２オリゴＮＮ構成を使用して生成された訓練データについての不確定なパーセンテージは、従来技法を使用して生成された訓練データとほぼ同等する。したがって、反復及びより複雑なＮＮ構成では、ＮＮベースの構成を使用して生成された訓練データは、従来の技法を使用して生成された訓練データとほぼ同等である。
次に図２３Ｄを参照すると、（ｉ）本明細書で論じられるニューラルネットワークベースの訓練データ生成技法を使用して訓練された第１の４オリゴＮＮ構成（白色のバー）、及び（ｉｉ）従来の４オリゴ訓練データ生成技法、例えば、ＲＴＡベースの技法を使用して訓練されたＮＮ構成（灰色のバー）によって生成された訓練データのマッピングパーセンテージを描写するチャート２３７０が例解されている。見られるように、本明細書で論じられる技法を使用して生成された訓練データの不確定なパーセンテージは、従来の技法を使用して生成された訓練データの不確定なパーセンテージと同等である。したがって、訓練が４オリゴ配列に移行した場合、従来の技法と本明細書で論じられた訓練データ生成技法は、同等の結果を生成する。
ここで図２３Ｅを参照すると、（ｉ）本明細書で論じられた複雑な生物配列を使用して、例えば図２３Ａの方法２３００の動作２３２８に関して訓練されたＮＮ構成（実線）、及び（ｉｉ）従来の複雑な生物訓練データ生成技法、例えばＲＴＡベースの技法を使用して訓練されたＮＮ構成（破線）によって生成されたデータの誤差率を描写するチャート２３７５が例解されている。見られるように、本明細書で論じられた技法を使用して生成されたデータの誤差率は、従来の技法を使用して生成されたデータと同等である。したがって、従来の技法及び本明細書で論じられた訓練データ生成技法は、同等の結果を生成する。論じたように、本明細書で論じた訓練データ生成技法は、例えば、従来の技法が訓練データ生成のために利用可能でないか、又は準備ができていないとき、従来の技法の代わりに使用され得る。
図２４は、一実装形態による、ベースコールシステム２４００のブロック図である。ベースコールシステム２４００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ように動作することができる。いくつかの実装形態では、ベースコールシステム２４００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２４１６内にあってもよい。
特定の実装形態では、ベースコールシステム２４００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（又はシーケンサ）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。いくつかの実装形態では、ベースコールシステム２４００はまた、バイオセンサ内に反応部位を発生させるように構成されてもよい。例えば、ベースコールシステム２４００は、サンプルを受容し、サンプル由来のクローン的に増幅された核酸の表面付着クラスタを発生させるように構成され得る。各クラスタは、バイオセンサ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。
例示的なベースコールシステム２４００は、バイオセンサ２４０２と相互作用して、バイオセンサ２４０２内で所望の反応を行うように構成されたシステム受け部又はインターフェース２４１２を含んでもよい。図２４に関して以下の説明では、バイオセンサ２４０２はシステム受け部２４１２内に装填される。しかしながら、バイオセンサ２４０２を含むカートリッジは、システム受け部２４１２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。
特定の実装形態では、ベースコールシステム２４００は、バイオセンサ２４０２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２４０２は、所望の反応が生じ得る１つ以上の反応部位を含む。反応部位は、例えば、バイオセンサの固体表面に固定化されてもよく、又はバイオセンサ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、クローン的に増幅された核酸のクラスタを含むことができる。バイオセンサ２４０２は、ソリッドステート撮像デバイス（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、ベースコールシステム２４００から溶液を受容し、溶液を反応部位に向かって方向付ける１つ以上のフローチャネルを含んでもよい。任意選択的に、バイオセンサ２４０２は、熱エネルギーをフローチャネル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。
ベースコールシステム２４００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、ベースコールシステム２４００は、ベースコールシステム２４００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２４０２も含む、システムコントローラ２４０４を含む。例えば、システム受け部２４１２に加えて、ベースコールシステム２４００はまた、ベースコールシステム２４００及びバイオセンサ２４０２の流体ネットワーク全体にわたる流体の流れを制御するための流体制御システム２４０６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、流体、ガス又は液体）を保持するように構成された流体貯蔵システム２４０８と、流体ネットワーク、流体貯蔵システム２４０８、及び／又はバイオセンサ２４０２内の流体の温度を調整し得る温度制御システム２４１０、並びにバイオセンサ２４０２を照明するように構成された照明システム２４０９と、を含み得る。上述のように、バイオセンサ２４０２を有するカートリッジがシステム受け部２４１２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、ベースコールシステム２４００は、ユーザと対話するユーザインターフェース２４１４を含んでもよい。例えば、ユーザインターフェース２４１４は、ユーザから情報を表示又は要求するディスプレイ２４１３と、ユーザ入力を受け取るためのユーザ入力デバイス２４１５とを含むことができる。いくつかの実装形態では、ディスプレイ２４１３及びユーザ入力デバイス２４１５は、同じデバイスである。例えば、ユーザインターフェース２４１４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位置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、音声認識システム、動き認識システムなどの他のユーザ入力デバイス２４１５が使用されてもよい。以下でより詳細に説明するように、ベースコールシステム２４００は、所望の反応を実行するために、バイオセンサ２４０２（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。ベースコールシステム２４００はまた、バイオセンサから得られたデータを分析して、ユーザ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２４０４は、マイクロコントローラ、低減命令セットコンピュータ（Reduced Instruction Set Computer、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）、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を使用するシステムを含む、任意のプロセッサベース又はマイクロプロセッサベースのシステムを含み得る。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。例示的な実装形態では、システムコントローラ２４０４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配列を含むことができ、それにより、数百万個のセンサ（又はピクセル）のそれぞれからのピクセル信号の配列を、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、ベースコールシステム２４００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装形態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ベースコールシステム２４００又はバイオセンサ２４０２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（non-volatile 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タイプに限定されない。
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分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、ユーザ入力に応じて処理されたベースコールシステム２４００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。図示の別の実装形態では、システムコントローラ２４０４は、（図２５に示される）分析モジュール２５３８を含む。他の別の実装形態では、システムコントローラ２４０４は分析モジュール２５３８を含まず、代わりに分析モジュール２５３８へのアクセスを有する（例えば、分析モジュール２５３８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２４０４は、通信リンクを介して、バイオセンサ２４０２及びベースコールシステム２４００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２４０４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２４０４は、ユーザインターフェース２４１４及びユーザ入力デバイス２４１５からユーザ入力又はコマンドを受信してもよい。
流体制御システム２４０６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２４０２及び流体貯蔵システム２４０８と流体連通していてもよい。例えば、流体貯蔵システム２４０８から流体を選択し、制御された方法でバイオセンサ２４０２に方向付けてもよく、又は流体は、バイオセンサ２４０２から引き出され、例えば、流体貯蔵システム２４０８内の廃棄物リザーバに方向付けられてもよい。図示されていないが、流体制御システム２４０６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を含んでもよい。センサは、システムコントローラ２４０４と通信してもよい。
温度制御システム２４１０は、流体ネットワーク、流体貯蔵システム２４０８及び／又はバイオセンサ２４０２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２４１０は、バイオセンサ２４０２と相互作用し、バイオセンサ２４０２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２４１０はまた、ベースコールシステム２４００又はバイオセンサ２４０２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２４１０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を含んでもよい。センサは、システムコントローラ２４０４と通信してもよい。
流体貯蔵システム２４０８は、バイオセンサ２４０２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２４０８はまた、流体ネットワーク及びバイオセンサ２４０２を洗浄又はクリーニングし、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２４０８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２４０８はまた、バイオセンサ２４０２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装形態では、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つ以上は、カートリッジ又は他のバイオセンサ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２４０９は、バイオセンサを照明するための光源（例えば、１つ以上の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る。光学構成要素は、例えば、反射器、偏光板、ビームスプリッタ、コリメータ、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装形態では、照明システム２４０９は、励起光を反応部位に方向付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。一実装形態では、照明システム２４０９は、バイオセンサ２４０２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。別の実装形態では、照明システム２４０９は、バイオセンサ２４０２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。更に別の実装形態では、照明システム２４０９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。
システム受け部又はインターフェース２４１２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２４０２と係合するように構成される。システム受け部２４１２は、バイオセンサ２４０２を所望の配向に保持して、バイオセンサ２４０２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２４１２はまた、バイオセンサ２４０２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、ベースコールシステム２４００は、バイオセンサ２４０２と通信してもよく、及び／又はバイオセンサ２４０２に電力を供給することができる。更に、システム受け部２４１２は、バイオセンサ２４０２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。いくつかの実装形態では、バイオセンサ２４０２は、電気的に、また流体方式で、システム受け部２４１２に取り外し可能に連結される。
加えて、ベースコールシステム２４００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２４００と通信してもよい。バイオアッセイシステム２４００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２５は、図２４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２４０４のブロック図である。一実装形態では、システムコントローラ２４０４は、互いに通信することができる１つ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２４０４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装されてもよい。あるいは、システムコントローラ２４０４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を使用して実装されてもよく、機能動作はプロセッサ間に分散される。更なるオプションとして、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行されるハイブリッド構成を利用して実装されてもよく、残りのモジュール式機能は、既製のＰＣなどを利用して実行される。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装されてもよい。
動作中、通信ポート２５２０は、バイオセンサ２４０２（図２４）及び／又はサブシステム２４０６、２４０８、２４１０（図２４）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。実装形態では、通信ポート２５２０は、ピクセル信号の複数の配列を出力することができる。通信ポート２５２０は、ユーザインターフェース２４１４からユーザ入力を受信し（図２４）、ユーザインターフェース２４１４にデータ又は情報を送信してもよい。バイオセンサ２４０２又はサブシステム２４０６、２４０８、２４１０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２４０４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遅く処理されてもよい。
図２５に示すように、システムコントローラ２４０４は、主制御モジュール２５３０と通信する複数のモジュール２５３１～２５３９を含んでもよい。主制御モジュール２５３０は、ユーザインターフェース２４１４と通信してもよい（図２４）。モジュール２５３１～２５３９は、主制御モジュール２５３０と直接通信するものとして示されているが、モジュール２５３１～２５３９はまた、互いに、ユーザインターフェース２４１４と、及びバイオセンサ２４０２と直接通信してもよい。また、モジュール２５３１～２５３９は、他のモジュールを介して主制御モジュール２５３０と通信してもよい。
複数のモジュール２５３１～２５３９は、サブシステム２４０６、２４０８、２４１０及び２４０９とそれぞれ通信するシステムモジュール２５３１～２５３３、２５３９を含む。流体制御モジュール２５３１は、流体ネットワークを通る１つ以上の流体の流れを制御するために、流体制御システム２４０６と通信して、流体ネットワークの弁及び流量センサを制御してもよい。流体貯蔵モジュール２５３２は、流体が低い場合、又は廃棄物リザーバが満タン容量又はほぼ満タン容量にあるときにユーザに通知することができる。流体貯蔵モジュール２５３２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２５３３と通信してもよい。照明モジュール２５３９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２４０９と通信してもよい。いくつかの実装形態では、照明モジュール２５３９は、照明システム２４０９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２５３１～２５３９はまた、バイオセンサ２４０２と通信するデバイスモジュール２５３４と、バイオセンサ２４０２に関連する識別情報を判定する識別モジュール２５３５とを含んでもよい。デバイスモジュール２５３４は、例えば、システム受け部２４１２と通信して、バイオセンサがベースコールシステム２４００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２５３５は、バイオセンサ２４０２を識別する信号を受信してもよい。識別モジュール２５３５は、バイオセンサ２４０２の識別情報を使用して、他の情報をユーザに提供してもよい。例えば、識別モジュール２５３５は、ロット番号、製造日、又はバイオセンサ２４０２で動作することが推奨されるプロトコルを判定し、その後表示してもよい。
複数のモジュール２５３１～２５３９はまた、バイオセンサ２４０２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２５３８（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２５３８は、検出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配列を含むことができ、それにより、数百万個のセンサ（又はピクセル）のそれぞれからのピクセル信号の配列を、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、又はユーザインターフェース２４１４に送信されて、所望の情報をユーザに表示することができる。いくつかの実装形態では、信号データは、分析モジュール２５３８が信号データを受信する前に、ソリッドステートイメージャ（例えば、ＣＭＯＳ画像センサ）によって処理され得る。
分析モジュール２５３８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ている。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（例えば、ニューラルネットワークベースのテンプレート発生器２５４８、ニューラルネットワークベースのベースコーラ２５５８（例えば、図７、図９、及び図１０を参照）、並びに／あるいはニューラルネットワークベースの品質スコアラー２５６８）を通して複数の配列決定サイクルの各々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各々において検体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。
プロトコルモジュール２５３６及び２５３７は、主制御モジュール２５３０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２４０６、２４０８及び２４１０の動作を制御する。プロトコルモジュール２５３６及び２５３７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ベースコールシステム２４００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、配列決定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、合成による配列決定（sequencing-by-synthesis、ＳＢＳ）モジュール２５３６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判定する。下にある化学プロセスは、重合（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の実装形態では、プライマーに付加されるヌクレオチドの順序及びタイプの検出を使用してテンプレートの配列を判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、撮像イベント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２４０９は、反応部位に励起光を提供することができる。任意選択的に、ヌクレオチドは、ヌクレオチドがプライマーに付加されると、更なるプライマー伸長を終結する可逆的終結特性を更に含むことができる。例えば、脱ブロック作用因子が送達されてその部分を除去するまで、その後の伸長が起こらないように、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付加することができる。したがって、可逆終端を使用する別の実装形態では、フローセル（検出が生じる前又は後）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つ以上のコマンドは、様々な送達ステップ間の洗浄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ヌクレオチドだけ伸長させ、それによって長さｎの配列を検出することができる。例示的な配列決定技術は、例えば、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、米国特許第７，２１１，４１４号、米国特許第７，３１５，０１９号、及び米国特許第７，４０５，２８１号に記載されており、これらの各々は、参照により本明細書に組み込まれる。
ＳＢＳサイクルのヌクレオチド送達ステップでは、単一のタイプ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を一緒に）を送達することができる。一度に単一のタイプ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付着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。一実装形態では、４つの異なる蛍光団は、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。
いくつかの実装形態では、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、対の他のメンバーについて検出された信号と比較して明らかな信号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個未満の色の検出を使用して４個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、米国特許出願第６１／５３８，２９４号及び同第６１／６１９，８７８号に記載されており、それらの全体が参照により本明細書に組み込まれる。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２４０２内の製品を増幅するための流体制御システム２４０６及び温度制御システム２４１０にコマンドを発行するように構成されたサンプル調製（又は発生）モジュール２５３７を含んでもよい。例えば、バイオセンサ２４０２は、ベースコールシステム２４００に係合されてもよい。増幅モジュール２５３７は、バイオセンサ２４０２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２４０６に命令を発行することができる。他の実装形態では、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２５３７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２４１０にサイクルするように指示し得る。いくつかの実装形態では、増幅及び／又はヌクレオチドの取り込みは、等温的に実行される。
ＳＢＳモジュール２５３６は、クローン性アンプリコンのクラスタ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発生させた後、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。
各ベースコール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タイプ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。異なるタイプのヌクレオチドは、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。単一の塩基をｓｓｔＤＮＡに添加した後、励起光が反応部位に入射し、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２５３６は、バイオセンサ２４０２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２４０６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とも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（Ａ１）号、米国特許出願公開第２００６／０１８８９０１（Ａ１）号、米国特許第７，０５７，０２６号、米国特許出願公開第２００６／０２４０４３９（Ａ１）号、米国特許出願公開第２００６／０２８１４７１４７０９（Ａ１）号、国際公開第０５／０６５８１４号、国際公開第０６／０６４１９９号に記載されており、これらの各々は、その全体が参照により本明細書に組み込まれる。可逆性ターミネーターベースのＳＢＳの例示的な試薬が、米国特許第７，５４１，４４４号、米国特許第７，０５７，０２６号、米国特許第７，４２７，６７３号、米国特許第７，５６６，５３７号、及び米国特許第７，５９２，４３５号に記載されており、これらの各々は、その全体が参照により本明細書に組み込まれる。
いくつかの実装形態では、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。
ベースコールシステム２４００はまた、ユーザ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、ベースコールシステム２４００は、判定されたプロトコルを修正するために、ユーザインターフェース２４１４を通じてユーザ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２４０２が増幅のために使用されると判定された場合、ベースコールシステム２４００は、アニーリングサイクルの温度を要求し得る。更に、ベースコールシステム２４００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入力をユーザが提供した場合に、ユーザに警告を発行し得る。
実装形態では、バイオセンサ２４０２は、センサ（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配列を発生させる。分析モジュール２５３８は、センサのアレイ上のセンサの行方向及び／又は列方向の位置に従って、ピクセル信号の複数の配列を検出し、それらを対応するセンサ（又はピクセル）に属させる。
センサのアレイ内の各センサは、フローセルのタイルのセンサデータを生成することができ、ここで、遺伝物質のクラスタがベースコール動作中に配置されるフローセル上の領域内のタイル。センサデータは、ピクセルのアレイ内の画像データを含むことができる。所与のサイクルについて、センサデータは、２つ以上の画像を含むことができ、タイルデータとしてピクセルごとに複数の特徴を生成する。
図２６は、開示される技術を実装するために使用することができるコンピュータ２６００システムの簡略ブロック図である。コンピュータシステム２６００は、バスサブシステム２６５５を介していくつかの周辺デバイスと通信する少なくとも１つの中央処理ユニット（ＣＰＵ）２６７２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記憶サブシステム２６３６を含む記憶サブシステム２６１０、ユーザインターフェース入力デバイス２６３８、ユーザインターフェース出力デバイス２６７６、並びにネットワークインターフェースサブシステム２６７４を含むことができる。入力デバイス及び出力デバイスは、コンピュータシステム２６００とのユーザ対話を許容する。ネットワークインターフェースサブシステム２６７４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。
ユーザインターフェース入力デバイス２６３８は、キーボード、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、スキャナ、ディスプレイに組み込まれたタッチスクリーン、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、並びに他のタイプの入力デバイス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２６００内に情報を入力するための全ての可能なタイプのデバイス及び方式を含むことを意図している。
ユーザインターフェース出力デバイス２６７６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（cathode ray tube、ＣＲＴ）、液晶ディスプレイ（liquid crystal display、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、オーディオ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「出力デバイス」の使用は、コンピュータシステム２６００からユーザ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、全ての可能なタイプのデバイス及び方式を含むことを意図している。
記憶サブシステム２６１０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２６７８によって実行される。
一実装形態では、ニューラルネットワークは、深層学習プロセッサ２６７８を使用して実装され、構成可能で再構成可能なプロセッサ、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）、並びに／あるいは粗粒化された再構成可能アーキテクチャ（ＣＧＲＡ）及びグラフィック処理ユニット（ＧＰＵ）他の構成されたデバイスであり得る。深層学習プロセッサ２６７８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１４９７８の例には、ＧｏｏｇｌｅのＴｅｎｓｏｒ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＴＰＵ）（商標）、ＧＸ４ Ｒａｃｋｍｏｕｎｔ Ｓｅｒｉｅｓ（商標）、ＧＸ１４９ Ｒａｃｋｍｏｕｎｔ Ｓｅｒｉｅｓ（商標）のようなラックマウントソリューション、ＮＶＩＤＩＡ ＤＧＸ－１（商標）、ＭｉｃｒｏｓｏｆｔのＳｔｒａｔｉｘ Ｖ ＦＰＧＡ（商標）、ＧｒａｐｈｃｏｒｅのＩｎｔｅｌｌｉｇｅｎｔ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ（ＩＰＵ）（商標）、Ｓｎａｐｄｒａｇｏｎ ｐｒｏｃｅｓｓｏｒｓ（商標）を有するＱｕａｌｃｏｍｍのＺｅｒｏｔｈ Ｐｌａｔｆｏｒｍ（商標）、ＮＶＩＤＩＡのＶｏｌｔａ（商標）、ＮＶＩＤＩＡのＤＲＩＶＥ ＰＸ（商標）、ＮＶＩＤＩＡのＪＥＴＳＯＮ ＴＸ１／ＴＸ２ ＭＯＤＵＬＥ（商標）、ＩｎｔｅｌのＮｉｒｖａｎａ（商標）、Ｍｏｖｉｄｉｕｓ ＶＰＵ（商標）、富士通のＤＰＩ（商標）、ＡＲＭのＤｙｎａｍｉｃＩＱ（商標）、ＩＢＭのＴｒｕｅＮｏｒｔｈ（商標）などが含まれる。
記憶サブシステム２６１０で使用されるメモリサブシステム２６２２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（random access memory、ＲＡＭ）２６３４と、固定命令が記憶された読み取り専用メモリ（read only memory、ＲＯＭ）２６３２とを含むいくつか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２６３６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、関連付けられた取り外し可能な媒体、ＣＤ－ＲＯＭ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。ある実施態様の機能を実施するモジュールは、記憶サブシステム２６１０内のファイル記憶サブシステム２６３６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することができる。
バスサブシステム２６５５は、コンピュータシステム２６００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させるための機構を提供する。バスサブシステム２６５５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の実施態様は、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２６００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、緩くネットワーク化されたコンピュータの緩く分散したセット、又は任意の他のデータ処理システム若しくはユーザ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は絶え間なく変化する性質のものであるため、図２６に示されるコンピュータシステム２６００の説明は、本発明の好ましい実装形態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２６００の多くの他の構成は、図２６に示されるコンピュータシステムより多くの又は少ない構成要素を有することができる。
本発明者らは、以下の項目を開示する。
節
節セット＃１（オリゴ配列を使用して訓練された自己学習ベースコーラ）。
１．ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
少なくとも１回の反復中に、ベースコーラ内にロードされたニューラルネットワーク構成の複雑度を増加させながら、ステップ（ｉ）を繰り返すことによってベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データが、直後の反復中にベースコーラを訓練するために使用される、コンピュータ実装方法。
１ａ．マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練する少なくとも１回の反復中に、検体内で、マルチオリゴ塩基配列の一意的なオリゴ塩基配列の数を増加させることを更に含む、
節１の方法。
２．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
ベースコーラの最初の訓練の第１の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタに投入することと、
複数のクラスタに対応する複数の配列信号を生成することであって、複数の配列信号の各配列信号が、複数のクラスタのうちの対応するクラスタにロードされた塩基配列を表す、生成することと、
複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応するベースコールを予測し、それによって複数の予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する誤差信号を生成し、それによって、複数の配列信号に対応する複数の誤差信号を生成することと、
複数の誤差信号に基づいて、第１の反復中にベースコーラを最初に訓練することと、を含む、節１の方法。
２ａ．第１の反復中にベースコーラを最初に訓練することが、
ベースコーラにロードされたニューラルネットワーク構成の逆伝搬経路を使用して、複数の誤差信号に基づいて、ニューラルネットワーク構成の重み及び／又はバイアスを更新すること、を含む、節２の方法。
３．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
最初の訓練の第１の反復の後に行われるベースコーラの最初の訓練の第２の反復中に、
最初の訓練の第１の反復中に部分的に訓練されたベースコーラを使用して、複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応する更なるベースコールを予測し、それによって、複数の更なる予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する更なる予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する更なる誤差信号を生成し、それによって、複数の配列信号に対応する複数の更なる誤差信号を生成することと、
複数の更なる誤差信号に基づいて、第２の反復中にベースコーラを更に最初に訓練することと、を更に含む、節２の方法。
４．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
収束条件が満たされるまで、複数のインスタンスについて、単一オリゴ塩基配列を含む検体を用いてベースコーラの最初の訓練の第２の反復を繰り返すこと、を含む、節３の方法。
５．収束条件が、ベースコーラの最初の訓練の第２の反復の２つの連続する反復の間に、複数の更なる誤差信号の減少が閾値未満である場合に満たされる、節４の方法。
６．収束条件が、ベースコーラの最初の訓練の第２の反復が、少なくとも閾値数のインスタンスについて繰り返される場合に、満たされる、節４の方法。
７．ベースコーラの最初の訓練の第１の反復中に生成された複数のクラスタに対応する複数の配列信号が、ベースコーラの最初の訓練の第２の反復のために再使用される、
節３の方法。
８．（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ配列の塩基とを比較することが、
第１の予測されたベースコールについて、（ｉ）第１の予測されたベースコールの第１の塩基を、既知の単一オリゴ配列の第１の塩基と比較し、（ｉｉ）第１の予測されたベースコールの第２の塩基を、既知の単一オリゴ配列の第２の塩基と比較して、対応する第１の誤差信号を生成すること、を含む、節２の方法。
９．ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することと、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ２回の反復のためにベースコーラを更に訓練することと、を含み、
Ｎ１回の反復が、Ｎ２回の反復の前に行われる、節１の方法。
１０．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練するために、第１のニューラルネットワーク構成がベースコーラ内にロードされ、ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復のためにベースコーラを更に訓練することを含み、それによって、
（ｉ）Ｎ１回の反復の第１のサブセットのために、第２のニューラルネットワーク構成がベースコーラ内にロードされ、
（ｉｉ）Ｎ１回の反復の第１のサブセットの後に生じるＮ１回の反復の第２のサブセットのために、第３のニューラルネットワーク構成がベースコーラ内にロードされ、第１、第２、及び第３のニューラルネットワーク構成が互いに異なる、節１の方法。
１１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも複雑であり、第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも複雑である、節１０の方法。
１２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節１０の方法。
１３．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節１０の方法。
１４．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節１０の方法。
１５．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数の層を有する、節１０の方法。
１６．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも大きい数の重みを有する、節１０の方法。
１７．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数のパラメータを有する、節１０の方法。
１８．２つの既知の一意的なオリゴ塩基配列を含む検体を用いてＮ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）フローセルの第２の複数のクラスタに、２つの既知のユニークなオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）複数の予測されたベースコールのうちの第１の予測されたベースコールを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）複数の予測されたベースコールのうちの第２の予測されたベースコールを第２の既知のオリゴ塩基配列にマッピングする一方で、複数の予測されたベースコールのうちの第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）第１の予測されたベースコールを第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）第２の予測されたベースコールを第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
第１及び第２の誤差信号に基づいて、ベースコーラを更に訓練することと、を含む、節１０の方法。
１９．第１の予測されたベースコールを２つの既知の一意的なオリゴ塩基配列の第１の既知のオリゴ塩基配列にマッピングすることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、第２の既知のオリゴ塩基配列と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、第１の予測されたベースコールを第１の既知のオリゴ塩基配列にマッピングすることと、を含む、節１８の方法。
２０．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節１８の方法。
２１．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節１８の方法。
２２．Ｎ１回の反復のうちの１回の反復に対して更に訓練されたベースコーラを使用して標識された訓練データを生成することが、
Ｎ１回の反復のうちの１回の反復中にベースコーラを更に訓練した後に、第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）他の複数の予測されたベースコールの第１のサブセットを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）他の複数の予測されたベースコールの第２のサブセットを第２の既知のオリゴ塩基配列に再マッピングする一方で、他の複数の予測されたベースコールの第３のサブセットを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
標識された訓練データが、（ｉ）記他の複数の予測されたベースコールの第１のサブセットであって、第１の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第１のサブセットに対するグラウンドトゥルースデータを形成する、第１のサブセット、及び（ｉｉ）他の複数の予測されたベースコールの第２のサブセットであって、第２の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第２のサブセットに対するグラウンドトゥルースデータを形成する、第２のサブセットを含むように、再マッピングに基づいて標識された訓練データを生成することと、を含む、節１８の方法。
２３．Ｎ１回の反復のうちの１回の反復中に生成された標識された訓練データが、Ｎ１回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、
節２２の方法。
２４．ベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中と、Ｎ１回の反復のうちの直後の反復中とで同じである、
節２３の方法。
２５．Ｎ１回の反復のうちの直後の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節２３の方法。
２６．ベースコーラを反復的に更に訓練することが、
反復的な更なる訓練の間の反復の進行とともに、マルチオリゴ塩基配列を含む検体中の一意的なオリゴ塩基配列の数を単調に増加させること、を含む、節１の方法。
２７．ベースコーラを使用して、オリゴの既知の配列を有するように配列決定された未知の検体についてのベースコール配列を予測することと、
未知の検体の各々を、既知の配列に一致するグラウンドトゥルース配列で標識することと、
標識された未知の検体を使用して、ベースコーラを訓練することと、を含む、
コンピュータ実装方法。
２８．収束が満足するまで、使用すること、標識すること、及び訓練することを繰り返すことを更に含む、節２７のコンピュータ実装方法。
２９．ベースコーラを使用して、２つ以上のオリゴの２つ以上の既知の配列を有するように配列決定された未知の検体の集団についてのベースコール配列を予測することと、
選別された未知の検体のベースコール配列の既知の配列への分類に基づいて、未知の検体の集団から未知の検体を選別することと、
分類に基づいて、選別された未知の検体のそれぞれのサブセットを、既知の配列にそれぞれ一致するそれぞれのグラウンドトゥルース配列で標識することと、
選別された未知の検体の標識されたそれぞれのサブセットを使用して、ベースコーラを訓練することと、を含む、
コンピュータ実装方法。
３０．収束が満足するまで、使用すること、選別すること、標識すること、及び訓練することを繰り返すことを更に含む、節２９のコンピュータ実装方法。
３１．ベースコーラを漸進的に訓練するためにコンピュータプログラム命令が記憶された非一時的コンピュータ可読記憶媒体であって、命令が、プロセッサ上で実行されると、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
少なくとも１回の反復中に、ベースコーラ内にロードされたニューラルネットワーク構成の複雑度を増加させながら、ステップ（ｉ）を繰り返すことによってベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データが、直後の反復中にベースコーラを訓練するために使用される、非一時的コンピュータ可読記憶媒体。
３１ａ．命令が、
マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練する少なくとも１回の反復中に、検体内で、マルチオリゴ塩基配列の一意的なオリゴ塩基配列の数を増加させることを更に含む、節３１のコンピュータ可読記憶媒体。
３２．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
ベースコーラの最初の訓練の第１の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタに投入することと、
複数のクラスタに対応する複数の配列信号を生成することであって、複数の配列信号の各配列信号が、複数のクラスタのうちの対応するクラスタにロードされた塩基配列を表す、生成することと、
複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応するベースコールを予測し、それによって複数の予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する誤差信号を生成し、それによって、複数の配列信号に対応する複数の誤差信号を生成することと、
複数の誤差信号に基づいて、第１の反復中にベースコーラを最初に訓練することと、を含む、節３１のコンピュータ可読記憶媒体方法。
３２ａ．第１の反復中にベースコーラを最初に訓練することが、
ベースコーラにロードされたニューラルネットワーク構成の逆伝搬経路を使用して、複数の誤差信号に基づいて、ニューラルネットワーク構成の重み及び／又はバイアスを更新すること、を含む、節３２のコンピュータ可読記憶媒体。
３３．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
最初の訓練の第１の反復の後に行われるベースコーラの最初の訓練の第２の反復中に、
最初の訓練の第１の反復中に部分的に訓練されたベースコーラを使用して、複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応する更なるベースコールを予測し、それによって、複数の更なる予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する更なる予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する更なる誤差信号を生成し、それによって、複数の配列信号に対応する複数の更なる誤差信号を生成することと、
複数の更なる誤差信号に基づいて、第２の反復中にベースコーラを更に最初に訓練することと、を更に含む、節３２のコンピュータ可読記憶媒体。
３４．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
収束条件が満たされるまで、複数のインスタンスについて、単一オリゴ塩基配列を含む検体を用いてベースコーラの最初の訓練の第２の反復を繰り返すこと、を含む、節３３のコンピュータ可読記憶媒体。
３５．収束条件が、ベースコーラの最初の訓練の第２の反復の２つの連続する反復の間に、複数の更なる誤差信号の減少が閾値未満である場合に満たされる、節３４のコンピュータ可読記憶媒体。
３６．収束条件が、ベースコーラの最初の訓練の第２の反復が、少なくとも閾値数のインスタンスについて繰り返される場合に、満たされる、節３４のコンピュータ可読記憶媒体。
３７．ベースコーラの最初の訓練の第１の反復中に生成された複数のクラスタに対応する複数の配列信号が、ベースコーラの最初の訓練の第２の反復のために再使用される、
節３３のコンピュータ可読記憶媒体。
３８．（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ配列の塩基とを比較することが、
第１の予測されたベースコールについて、（ｉ）第１の予測されたベースコールの第１の塩基を、既知の単一オリゴ配列の第１の塩基と比較し、（ｉｉ）第１の予測されたベースコールの第２の塩基を、既知の単一オリゴ配列の第２の塩基と比較して、対応する第１の誤差信号を生成すること、を含む、節３２のコンピュータ可読記憶媒体。
３９．ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することと、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ２回の反復のためにベースコーラを更に訓練することと、を含み、
Ｎ１回の反復が、Ｎ２回の反復の前に行われる、節３１のコンピュータ可読記憶媒体。
４０．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練する間に、第１のニューラルネットワーク構成がベースコーラ内にロードされ、ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復のためにベースコーラを更に訓練することを含み、それによって、
（ｉ）Ｎ１回の反復の第１のサブセットについて、第２のニューラルネットワーク構成がベースコーラ内にロードされ、
（ｉｉ）Ｎ１回の反復の第１のサブセットの後に生じるＮ１回の反復の第２のサブセットについて、第３のニューラルネットワーク構成がベースコーラ内にロードされ、第１、第２、及び第３のニューラルネットワーク構成が互いに異なる、３１のコンピュータ可読記憶媒体。
４１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも複雑であり、第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも複雑である、節４０のコンピュータ可読記憶媒体。
４２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節４０のコンピュータ可読記憶媒体。
４３．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節４０のコンピュータ可読記憶媒体。
４４．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節４０のコンピュータ可読記憶媒体。
４５．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数の層を有する、節４０のコンピュータ可読記憶媒体。
４６．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも大きい数の重みを有する、節４０のコンピュータ可読記憶媒体。
４７．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数のパラメータを有する、節４０のコンピュータ可読記憶媒体。
４８．２つの既知の一意的なオリゴ塩基配列を含む検体を用いてＮ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）フローセルの第２の複数のクラスタに、２つの既知のユニークなオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）複数の予測されたベースコールのうちの第１の予測されたベースコールを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）複数の予測されたベースコールのうちの第２の予測されたベースコールを第２の既知のオリゴ塩基配列にマッピングする一方で、複数の予測されたベースコールのうちの第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）第１の予測されたベースコールを第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）第２の予測されたベースコールを第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
第１及び第２の誤差信号に基づいて、ベースコーラを更に訓練することと、を含む、節４０のコンピュータ可読記憶媒体。
４９．第１の予測されたベースコールを２つの既知の一意的なオリゴ塩基配列の第１の既知のオリゴ塩基配列にマッピングすることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、第２の既知のオリゴ塩基配列と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、第１の予測されたベースコールを第１の既知のオリゴ塩基配列にマッピングすることと、を含む、節３８のコンピュータ可読記憶媒体。
５０．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節４８のコンピュータ可読記憶媒体。
５１．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節４８のコンピュータ可読記憶媒体。
５２．Ｎ１回の反復のうちの１回の反復の間更に訓練されたベースコーラを使用して標識された訓練データを生成することが、
Ｎ１回の反復のうちの１回の反復中にベースコーラを更に訓練した後に、第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）他の複数の予測されたベースコールの第１のサブセットを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）他の複数の予測されたベースコールの第２のサブセットを第２の既知のオリゴ塩基配列に再マッピングする一方で、他の複数の予測されたベースコールの第３のサブセットを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
標識された訓練データが、（ｉ）記他の複数の予測されたベースコールの第１のサブセットであって、第１の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第１のサブセットに対するグラウンドトゥルースデータを形成する、第１のサブセット、及び（ｉｉ）他の複数の予測されたベースコールの第２のサブセットであって、第２の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第２のサブセットに対するグラウンドトゥルースデータを形成する、第２のサブセットを含むように、再マッピングに基づいて標識された訓練データを生成することと、を含む、節４８のコンピュータ可読記憶媒体。
５３．Ｎ１回の反復のうちの１回の反復中に生成された標識された訓練データが、Ｎ１回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、
節５２のコンピュータ可読記憶媒体。
５４．ベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中と、Ｎ１回の反復のうちの直後の反復中とで同じである、
節５３のコンピュータ可読記憶媒体。
５５．Ｎ１回の反復のうちの直後の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節５３のコンピュータ可読記憶媒体。
５６．ベースコーラを反復的に更に訓練することが、
反復的な更なる訓練の間の反復の進行とともに、マルチオリゴ塩基配列を含む検体中の一意的なオリゴ塩基配列の数を単調に増加させること、を含む、節３１のコンピュータ可読記憶媒体。
節セット＃１（オリゴ配列を使用して訓練された自己学習ベースコーラ）。
１．ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
少なくとも１回の反復中に、ベースコーラ内にロードされたニューラルネットワーク構成の複雑度を増加させながら、ステップ（ｉ）を繰り返すことによってベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データが、直後の反復中にベースコーラを訓練するために使用される、コンピュータ実装方法。
１ａ．マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練する少なくとも１回の反復中に、検体内で、マルチオリゴ塩基配列の一意的なオリゴ塩基配列の数を増加させることを更に含む、
節１の方法。
２．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
ベースコーラの最初の訓練の第１の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタに投入することと、
複数のクラスタに対応する複数の配列信号を生成することであって、複数の配列信号の各配列信号が、複数のクラスタのうちの対応するクラスタにロードされた塩基配列を表す、生成することと、
複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応するベースコールを予測し、それによって複数の予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する誤差信号を生成し、それによって、複数の配列信号に対応する複数の誤差信号を生成することと、
複数の誤差信号に基づいて、第１の反復中にベースコーラを最初に訓練することと、を含む、節１の方法。
２ａ．第１の反復中にベースコーラを最初に訓練することが、
ベースコーラにロードされたニューラルネットワーク構成の逆伝搬経路を使用して、複数の誤差信号に基づいて、ニューラルネットワーク構成の重み及び／又はバイアスを更新すること、を含む、節２の方法。
３．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
最初の訓練の第１の反復の後に行われるベースコーラの最初の訓練の第２の反復中に、
最初の訓練の第１の反復中に部分的に訓練されたベースコーラを使用して、複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応する更なるベースコールを予測し、それによって、複数の更なる予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する更なる予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する更なる誤差信号を生成し、それによって、複数の配列信号に対応する複数の更なる誤差信号を生成することと、
複数の更なる誤差信号に基づいて、第２の反復中にベースコーラを更に最初に訓練することと、を更に含む、節２の方法。
４．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
収束条件が満たされるまで、複数のインスタンスについて、単一オリゴ塩基配列を含む検体を用いてベースコーラの最初の訓練の第２の反復を繰り返すこと、を含む、節３の方法。
５．収束条件が、ベースコーラの最初の訓練の第２の反復の２つの連続する反復の間に、複数の更なる誤差信号の減少が閾値未満である場合に満たされる、節４の方法。
６．収束条件が、ベースコーラの最初の訓練の第２の反復が、少なくとも閾値数のインスタンスについて繰り返される場合に、満たされる、節４の方法。
７．ベースコーラの最初の訓練の第１の反復中に生成された複数のクラスタに対応する複数の配列信号が、ベースコーラの最初の訓練の第２の反復のために再使用される、
節３の方法。
８．（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ配列の塩基とを比較することが、
第１の予測されたベースコールについて、（ｉ）第１の予測されたベースコールの第１の塩基を、既知の単一オリゴ配列の第１の塩基と比較し、（ｉｉ）第１の予測されたベースコールの第２の塩基を、既知の単一オリゴ配列の第２の塩基と比較して、対応する第１の誤差信号を生成すること、を含む、節２の方法。
９．ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することと、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ２回の反復のためにベースコーラを更に訓練することと、を含み、
Ｎ１回の反復が、Ｎ２回の反復の前に行われる、節１の方法。
１０．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練するために、第１のニューラルネットワーク構成がベースコーラ内にロードされ、ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復のためにベースコーラを更に訓練することを含み、それによって、
（ｉ）Ｎ１回の反復の第１のサブセットのために、第２のニューラルネットワーク構成がベースコーラ内にロードされ、
（ｉｉ）Ｎ１回の反復の第１のサブセットの後に生じるＮ１回の反復の第２のサブセットのために、第３のニューラルネットワーク構成がベースコーラ内にロードされ、第１、第２、及び第３のニューラルネットワーク構成が互いに異なる、節１の方法。
１１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも複雑であり、第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも複雑である、節１０の方法。
１２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節１０の方法。
１３．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節１０の方法。
１４．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節１０の方法。
１５．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数の層を有する、節１０の方法。
１６．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも大きい数の重みを有する、節１０の方法。
１７．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数のパラメータを有する、節１０の方法。
１８．２つの既知の一意的なオリゴ塩基配列を含む検体を用いてＮ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）フローセルの第２の複数のクラスタに、２つの既知のユニークなオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）複数の予測されたベースコールのうちの第１の予測されたベースコールを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）複数の予測されたベースコールのうちの第２の予測されたベースコールを第２の既知のオリゴ塩基配列にマッピングする一方で、複数の予測されたベースコールのうちの第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）第１の予測されたベースコールを第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）第２の予測されたベースコールを第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
第１及び第２の誤差信号に基づいて、ベースコーラを更に訓練することと、を含む、節１０の方法。
１９．第１の予測されたベースコールを２つの既知の一意的なオリゴ塩基配列の第１の既知のオリゴ塩基配列にマッピングすることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、第２の既知のオリゴ塩基配列と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、第１の予測されたベースコールを第１の既知のオリゴ塩基配列にマッピングすることと、を含む、節１８の方法。
２０．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節１８の方法。
２１．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節１８の方法。
２２．Ｎ１回の反復のうちの１回の反復に対して更に訓練されたベースコーラを使用して標識された訓練データを生成することが、
Ｎ１回の反復のうちの１回の反復中にベースコーラを更に訓練した後に、第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）他の複数の予測されたベースコールの第１のサブセットを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）他の複数の予測されたベースコールの第２のサブセットを第２の既知のオリゴ塩基配列に再マッピングする一方で、他の複数の予測されたベースコールの第３のサブセットを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
標識された訓練データが、（ｉ）記他の複数の予測されたベースコールの第１のサブセットであって、第１の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第１のサブセットに対するグラウンドトゥルースデータを形成する、第１のサブセット、及び（ｉｉ）他の複数の予測されたベースコールの第２のサブセットであって、第２の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第２のサブセットに対するグラウンドトゥルースデータを形成する、第２のサブセットを含むように、再マッピングに基づいて標識された訓練データを生成することと、を含む、節１８の方法。
２３．Ｎ１回の反復のうちの１回の反復中に生成された標識された訓練データが、Ｎ１回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、
節２２の方法。
２４．ベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中と、Ｎ１回の反復のうちの直後の反復中とで同じである、
節２３の方法。
２５．Ｎ１回の反復のうちの直後の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節２３の方法。
２６．ベースコーラを反復的に更に訓練することが、
反復的な更なる訓練の間の反復の進行とともに、マルチオリゴ塩基配列を含む検体中の一意的なオリゴ塩基配列の数を単調に増加させること、を含む、節１の方法。
２７．ベースコーラを使用して、オリゴの既知の配列を有するように配列決定された未知の検体についてのベースコール配列を予測することと、
未知の検体の各々を、既知の配列に一致するグラウンドトゥルース配列で標識することと、
標識された未知の検体を使用して、ベースコーラを訓練することと、を含む、
コンピュータ実装方法。
２８．収束が満足するまで、使用すること、標識すること、及び訓練することを繰り返すことを更に含む、節２７のコンピュータ実装方法。
２９．ベースコーラを使用して、２つ以上のオリゴの２つ以上の既知の配列を有するように配列決定された未知の検体の集団についてのベースコール配列を予測することと、
選別された未知の検体のベースコール配列の既知の配列への分類に基づいて、未知の検体の集団から未知の検体を選別することと、
分類に基づいて、選別された未知の検体のそれぞれのサブセットを、既知の配列にそれぞれ一致するそれぞれのグラウンドトゥルース配列で標識することと、
選別された未知の検体の標識されたそれぞれのサブセットを使用して、ベースコーラを訓練することと、を含む、
コンピュータ実装方法。
３０．収束が満足するまで、使用すること、選別すること、標識すること、及び訓練することを繰り返すことを更に含む、節２９のコンピュータ実装方法。
３１．ベースコーラを漸進的に訓練するためにコンピュータプログラム命令が記憶された非一時的コンピュータ可読記憶媒体であって、命令が、プロセッサ上で実行されると、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
少なくとも１回の反復中に、ベースコーラ内にロードされたニューラルネットワーク構成の複雑度を増加させながら、ステップ（ｉ）を繰り返すことによってベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データが、直後の反復中にベースコーラを訓練するために使用される、非一時的コンピュータ可読記憶媒体。
３１ａ．命令が、
マルチオリゴ塩基配列を含む検体を用いてベースコーラを更に訓練する少なくとも１回の反復中に、検体内で、マルチオリゴ塩基配列の一意的なオリゴ塩基配列の数を増加させることを更に含む、節３１のコンピュータ可読記憶媒体。
３２．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
ベースコーラの最初の訓練の第１の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタに投入することと、
複数のクラスタに対応する複数の配列信号を生成することであって、複数の配列信号の各配列信号が、複数のクラスタのうちの対応するクラスタにロードされた塩基配列を表す、生成することと、
複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応するベースコールを予測し、それによって複数の予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する誤差信号を生成し、それによって、複数の配列信号に対応する複数の誤差信号を生成することと、
複数の誤差信号に基づいて、第１の反復中にベースコーラを最初に訓練することと、を含む、節３１のコンピュータ可読記憶媒体方法。
３２ａ．第１の反復中にベースコーラを最初に訓練することが、
ベースコーラにロードされたニューラルネットワーク構成の逆伝搬経路を使用して、複数の誤差信号に基づいて、ニューラルネットワーク構成の重み及び／又はバイアスを更新すること、を含む、節３２のコンピュータ可読記憶媒体。
３３．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
最初の訓練の第１の反復の後に行われるベースコーラの最初の訓練の第２の反復中に、
最初の訓練の第１の反復中に部分的に訓練されたベースコーラを使用して、複数の配列信号の各配列信号に基づいて、既知の単一オリゴ塩基配列に対する対応する更なるベースコールを予測し、それによって、複数の更なる予測されたベースコールを生成することと、
複数の配列信号の各配列信号について、（ｉ）対応する更なる予測されたベースコールと（ｉｉ）既知の単一オリゴ塩基配列の塩基との比較に基づいて、対応する更なる誤差信号を生成し、それによって、複数の配列信号に対応する複数の更なる誤差信号を生成することと、
複数の更なる誤差信号に基づいて、第２の反復中にベースコーラを更に最初に訓練することと、を更に含む、節３２のコンピュータ可読記憶媒体。
３４．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
収束条件が満たされるまで、複数のインスタンスについて、単一オリゴ塩基配列を含む検体を用いてベースコーラの最初の訓練の第２の反復を繰り返すこと、を含む、節３３のコンピュータ可読記憶媒体。
３５．収束条件が、ベースコーラの最初の訓練の第２の反復の２つの連続する反復の間に、複数の更なる誤差信号の減少が閾値未満である場合に満たされる、節３４のコンピュータ可読記憶媒体。
３６．収束条件が、ベースコーラの最初の訓練の第２の反復が、少なくとも閾値数のインスタンスについて繰り返される場合に、満たされる、節３４のコンピュータ可読記憶媒体。
３７．ベースコーラの最初の訓練の第１の反復中に生成された複数のクラスタに対応する複数の配列信号が、ベースコーラの最初の訓練の第２の反復のために再使用される、
節３３のコンピュータ可読記憶媒体。
３８．（ｉ）対応する予測されたベースコールと（ｉｉ）既知の単一オリゴ配列の塩基とを比較することが、
第１の予測されたベースコールについて、（ｉ）第１の予測されたベースコールの第１の塩基を、既知の単一オリゴ配列の第１の塩基と比較し、（ｉｉ）第１の予測されたベースコールの第２の塩基を、既知の単一オリゴ配列の第２の塩基と比較して、対応する第１の誤差信号を生成すること、を含む、節３２のコンピュータ可読記憶媒体。
３９．ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することと、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ２回の反復のためにベースコーラを更に訓練することと、を含み、
Ｎ１回の反復が、Ｎ２回の反復の前に行われる、節３１のコンピュータ可読記憶媒体。
４０．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練する間に、第１のニューラルネットワーク構成がベースコーラ内にロードされ、ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復のためにベースコーラを更に訓練することを含み、それによって、
（ｉ）Ｎ１回の反復の第１のサブセットについて、第２のニューラルネットワーク構成がベースコーラ内にロードされ、
（ｉｉ）Ｎ１回の反復の第１のサブセットの後に生じるＮ１回の反復の第２のサブセットについて、第３のニューラルネットワーク構成がベースコーラ内にロードされ、第１、第２、及び第３のニューラルネットワーク構成が互いに異なる、３１のコンピュータ可読記憶媒体。
４１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも複雑であり、第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも複雑である、節４０のコンピュータ可読記憶媒体。
４２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節４０のコンピュータ可読記憶媒体。
４３．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節４０のコンピュータ可読記憶媒体。
４４．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節４０のコンピュータ可読記憶媒体。
４５．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数の層を有する、節４０のコンピュータ可読記憶媒体。
４６．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも大きい数の重みを有する、節４０のコンピュータ可読記憶媒体。
４７．第３のニューラルネットワーク構成が、第２のニューラルネットワーク構成よりも多い数のパラメータを有する、節４０のコンピュータ可読記憶媒体。
４８．２つの既知の一意的なオリゴ塩基配列を含む検体を用いてＮ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）フローセルの第２の複数のクラスタに、２つの既知のユニークなオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）複数の予測されたベースコールのうちの第１の予測されたベースコールを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）複数の予測されたベースコールのうちの第２の予測されたベースコールを第２の既知のオリゴ塩基配列にマッピングする一方で、複数の予測されたベースコールのうちの第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）第１の予測されたベースコールを第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）第２の予測されたベースコールを第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
第１及び第２の誤差信号に基づいて、ベースコーラを更に訓練することと、を含む、節４０のコンピュータ可読記憶媒体。
４９．第１の予測されたベースコールを２つの既知の一意的なオリゴ塩基配列の第１の既知のオリゴ塩基配列にマッピングすることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、第２の既知のオリゴ塩基配列と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、第１の予測されたベースコールを第１の既知のオリゴ塩基配列にマッピングすることと、を含む、節３８のコンピュータ可読記憶媒体。
５０．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節４８のコンピュータ可読記憶媒体。
５１．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節４８のコンピュータ可読記憶媒体。
５２．Ｎ１回の反復のうちの１回の反復の間更に訓練されたベースコーラを使用して標識された訓練データを生成することが、
Ｎ１回の反復のうちの１回の反復中にベースコーラを更に訓練した後に、第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）他の複数の予測されたベースコールの第１のサブセットを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）他の複数の予測されたベースコールの第２のサブセットを第２の既知のオリゴ塩基配列に再マッピングする一方で、他の複数の予測されたベースコールの第３のサブセットを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
標識された訓練データが、（ｉ）記他の複数の予測されたベースコールの第１のサブセットであって、第１の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第１のサブセットに対するグラウンドトゥルースデータを形成する、第１のサブセット、及び（ｉｉ）他の複数の予測されたベースコールの第２のサブセットであって、第２の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第２のサブセットに対するグラウンドトゥルースデータを形成する、第２のサブセットを含むように、再マッピングに基づいて標識された訓練データを生成することと、を含む、節４８のコンピュータ可読記憶媒体。
５３．Ｎ１回の反復のうちの１回の反復中に生成された標識された訓練データが、Ｎ１回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、
節５２のコンピュータ可読記憶媒体。
５４．ベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中と、Ｎ１回の反復のうちの直後の反復中とで同じである、
節５３のコンピュータ可読記憶媒体。
５５．Ｎ１回の反復のうちの直後の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節５３のコンピュータ可読記憶媒体。
５６．ベースコーラを反復的に更に訓練することが、
反復的な更なる訓練の間の反復の進行とともに、マルチオリゴ塩基配列を含む検体中の一意的なオリゴ塩基配列の数を単調に増加させること、を含む、節３１のコンピュータ可読記憶媒体。
節セット＃２（生物配列を使用して訓練された自己学習ベースコーラ）
Ａ１．ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
ベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）生物塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
ステップ（ｉ）をＮ回の反復の間繰り返すことによって、ベースコーラを反復的に更に訓練することであって、
第１の複数の塩基部分配列に選別された第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ１回の反復の間、ベースコーラを更に訓練すること、及び
第２の複数の塩基部分配列に選別された第２の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ２回の反復の間、ベースコーラを更に訓練することを含む、反復的に更に訓練することと、を含み、
ベースコーラにロードされるニューラルネットワーク構成の複雑度が、Ｎ回の反復とともに単調に増加し、
Ｎ回の反復のうちの反復中に生成された標識
された訓練データが、Ｎ回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、コンピュータ実装方法。
Ａ１ａ．ベースコーラを最初に訓練することが、
１つ以上のオリゴ塩基配列を含む検体を用いてベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することを含む、節Ａ１の方法。
Ａ２．Ｎ１回の反復が、Ｎ２回の反復の前に行われ、第２の生物塩基配列が、第１の生物塩基配列よりも多い数の塩基を有する、節Ａ１の方法。
Ａ３．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
（ｉ）フローセルの複数のクラスタのうちの第１のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第１の塩基部分配列を、（ｉｉ）フローセルの複数のクラスタのうちの第２のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第２の塩基部分配列を、かつ（ｉｉｉ）フローセルの複数のクラスタのうちの第３のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第３の塩基部分配列を投入することと、
（ｉ）第１のクラスタに投入された塩基部分配列を示す第１のクラスタからの第１の配列信号、（ｉｉ）第２のクラスタに投入された塩基部分配列を示す第２のクラスタからの第２の配列信号、及び（ｉｉｉ）第３のクラスタに投入された塩基部分配列を示す第３のクラスタからの第３の配列信号を受信することと、
（ｉ）第１の配列信号に基づいて、第１の予測された塩基部分配列を、（ｉｉ）第２の配列信号に基づいて、第２の予測された塩基部分配列を、かつ（ｉｉｉ）第３の配列信号に基づいて、第３の予測された塩基部分配列を生成することと、
（ｉ）第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、かつ（ｉｉ）第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションとマッピングする一方で、第３の予測された塩基部分配列を、第１の生物塩基配列のいずれのセクションともマッピングしないことと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、第１の予測された塩基部分配列のグラウンドトゥルースである、第１の予測された塩基部分配列、及び（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた第２の予測された塩基部分配列であって、第１の生物塩基配列の第２のセクションが、第２の予測された塩基部分配列のグラウンドトゥルースである、第２の予測された塩基部分配列を含む、標識された訓練データを生成することと、を含む、節Ａ１の方法。
Ａ３ａ．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
第１、第２、及び第３の予測された塩基部分配列を生成する前に、ベースコーラを最初に訓練する間に生成された標識された訓練データを使用して、ベースコーラを訓練することを含む、節Ａ３の方法。
Ａ４．第１の予測された塩基部分配列が、Ｌ１個の塩基を有し、
第１の予測された塩基部分配列のＬ１個の塩基のうちの１つ以上の塩基が、ベースコーラによるベースコーリング予測における誤差に起因して、第１の生物塩基配列の第１のセクションの対応する塩基と一致しない、
節Ａ３の方法。
Ａ５．第１の予測された塩基部分配列がＬ１個の塩基を有し、第１の予測された塩基部分配列のＬ１個の塩基が、最初のＬ２個の塩基と、それに続く後続のＬ３個の塩基とを含み、第１の予測された塩基部分配列を第１の生物塩基配列の第１のセクションとマッピングすることが、
第１の予測された塩基配列の最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させることと、
第１の生物塩基配列の第１のセクションを、第１のセクションが、（ｉ）連続するＬ２個の塩基を最初の塩基として含み、かつ（ｉｉ）Ｌ１個の塩基を含むように同定することと、
第１の予測された塩基部分配列を、第１の生物塩基配列の同定された第１のセクションとマッピングすることと、を含む、節Ａ３の方法。
Ａ６．方法が、
第１の予測された塩基配列の最初のＬ２個の塩基を実質的かつ一意的に一致させる一方で、第１の予測された塩基配列の後続のＬ３個の塩基を第１の生物塩基配列のいずれかの塩基と一致させることをめざすことを控えることを更に含む、Ａ５の方法。
Ａ７．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と実質的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基の少なくとも閾値数の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一致する、Ａ５の方法。
Ａ８．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一意的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基のみと実質的に一致し、第１の生物塩基配列の他の連続するＬ２個の塩基とは一致しない、Ａ５の方法。
Ａ９．第３の予測された塩基部分配列がＬ１個の塩基を有し、第３の予測された塩基部分配列と、第１の複数の塩基部分配列の塩基部分配列のいずれかとのマッピングしないことが、
（ｉ）第３の予測された塩基配列のＬ１個の塩基のうちの最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させないことを含む、節Ａ３の方法。
Ａ１０．Ｎ１回の反復のうちの１回の反復が、Ｎ１回の反復のうちの第１の反復であり、Ｎ１回の反復のうちの第２の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データを使用して、ベースコーラを訓練することと、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データで訓練されたベースコーラを使用して、（ｉ）第１の配列信号に基づく、更なる第１の予測された塩基部分配列、（ｉｉ）第２の配列信号に基づく、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第３の配列信号に基づく、更なる第３の予測された塩基部分配列を生成することと、
（ｉ）更なる第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、（ｉｉ）更なる第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションと、かつ（ｉｉｉ）更なる第３の予測された塩基部分配列を、第１の生物塩基配列の第３のセクションとマッピングすることと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた更なる第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、更なる第１の予測された塩基部分配列のグラウンドトゥルースである、更なる第１の予測された塩基部分配列、（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた更なる第２の予測された塩基部分配列であって、第１の生物塩基配列の更なる第２のセクションが、更なる第２の予測された塩基部分配列のグラウンドトゥルースである、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第１の生物塩基配列の第３のセクションにマッピングされた更なる第３の予測された塩基部分配列であって、第１の生物塩基配列の更なる第３のセクションが、更なる第３の予測された塩基部分配列のグラウンドトゥルースである、第３の予測された塩基部分配列を含む、更なる標識された訓練データを生成することと、を含む、節Ａ３の方法。
Ａ１１．（ｉ）Ｎ１回の反復のうちの第１の反復中に生成された第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第１の誤差を生成することと、
（ｉ）Ｎ１回の反復のうちの第２の反復中に生成された更なる第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第２の誤差を生成することと、
ベースコーラが、第１の反復と比較して第２の反復中により良く訓練されるので、第２の誤差が第１の誤差未満である、
節Ａ１０の方法。
Ａ１２．第１の反復中に生成された第１、第２、及び第３の配列信号が、更なる第１の予測された塩基部分配列、更なる第２の予測された塩基部分配列、及び更なる第３の予測された塩基部分配列をそれぞれ生成するために、第２の反復において再使用される、
節Ａ１０の方法。
Ａ１３．Ｎ１回の反復のうちの第１の反復とＮ１回の反復のうちの第２の反復の間、ベースコーラのニューラルネットワーク構成が同じである、
節Ａ１０の方法。
Ａ１３ａ．収束条件が満たされるまで、ベースコーラのニューラルネットワーク構成が、複数回の反復の間、再使用される、
節Ａ１３の方法。
Ａ１４．Ｎ１回の反復のうちの第１の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの第２の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節Ａ１０の方法。
Ａ１５．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の第１のサブセットについて、ベースコーラにロードされた第１のニューラルネットワーク構成を用いてベースコーラを更に訓練することと、
Ｎ１回の反復の第２のサブセットについて、ベースコーラにロードされた第２のニューラルネットワーク構成を用いてベースコーラを更に訓練することであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、更に訓練することと、を含む、節Ａ１の方法。
Ａ１６．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ａ１５の方法。
Ａ１７．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ａ１５の方法。
Ａ１８．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ａ１５の方法。
Ａ１９．ベースコーラを反復的に更に訓練することが、
第１の生物塩基配列を含む検体を用いたＮ１回の反復のうちの１回以上の反復については、ベースコーラに第１のニューラルネットワーク構成をロードすることと、
第２の生物塩基配列を含む検体を用いたＮ２回の反復のうちの１回以上の反復については、ベースコーラに第２のニューラルネットワーク構成をロードすることであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、ロードすることと、を含む、節Ａ１の方法。
Ａ２０．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ａ１９の方法。
Ａ２１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ａ１９の方法。
Ａ２２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ａ１９の方法。
Ａ２３．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の後に収束条件が満たされるまで、第１の生物塩基配列を用いて更なる訓練を繰り返すことを含む、節Ａ１の方法。
Ａ２４．収束条件が、Ｎ１回の反復のうちの２つの連続する反復の間に、生成された誤差信号の減少が閾値未満であるときに満たされる、節Ａ２３の方法。
Ａ２５．収束条件が、Ｎ１回の反復の完了後に満たされる、節Ａ２３の方法。
Ａ１．ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
ベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）生物塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
ステップ（ｉ）をＮ回の反復の間繰り返すことによって、ベースコーラを反復的に更に訓練することであって、
第１の複数の塩基部分配列に選別された第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ１回の反復の間、ベースコーラを更に訓練すること、及び
第２の複数の塩基部分配列に選別された第２の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ２回の反復の間、ベースコーラを更に訓練することを含む、反復的に更に訓練することと、を含み、
ベースコーラにロードされるニューラルネットワーク構成の複雑度が、Ｎ回の反復とともに単調に増加し、
Ｎ回の反復のうちの反復中に生成された標識
された訓練データが、Ｎ回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、コンピュータ実装方法。
Ａ１ａ．ベースコーラを最初に訓練することが、
１つ以上のオリゴ塩基配列を含む検体を用いてベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することを含む、節Ａ１の方法。
Ａ２．Ｎ１回の反復が、Ｎ２回の反復の前に行われ、第２の生物塩基配列が、第１の生物塩基配列よりも多い数の塩基を有する、節Ａ１の方法。
Ａ３．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
（ｉ）フローセルの複数のクラスタのうちの第１のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第１の塩基部分配列を、（ｉｉ）フローセルの複数のクラスタのうちの第２のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第２の塩基部分配列を、かつ（ｉｉｉ）フローセルの複数のクラスタのうちの第３のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第３の塩基部分配列を投入することと、
（ｉ）第１のクラスタに投入された塩基部分配列を示す第１のクラスタからの第１の配列信号、（ｉｉ）第２のクラスタに投入された塩基部分配列を示す第２のクラスタからの第２の配列信号、及び（ｉｉｉ）第３のクラスタに投入された塩基部分配列を示す第３のクラスタからの第３の配列信号を受信することと、
（ｉ）第１の配列信号に基づいて、第１の予測された塩基部分配列を、（ｉｉ）第２の配列信号に基づいて、第２の予測された塩基部分配列を、かつ（ｉｉｉ）第３の配列信号に基づいて、第３の予測された塩基部分配列を生成することと、
（ｉ）第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、かつ（ｉｉ）第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションとマッピングする一方で、第３の予測された塩基部分配列を、第１の生物塩基配列のいずれのセクションともマッピングしないことと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、第１の予測された塩基部分配列のグラウンドトゥルースである、第１の予測された塩基部分配列、及び（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた第２の予測された塩基部分配列であって、第１の生物塩基配列の第２のセクションが、第２の予測された塩基部分配列のグラウンドトゥルースである、第２の予測された塩基部分配列を含む、標識された訓練データを生成することと、を含む、節Ａ１の方法。
Ａ３ａ．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
第１、第２、及び第３の予測された塩基部分配列を生成する前に、ベースコーラを最初に訓練する間に生成された標識された訓練データを使用して、ベースコーラを訓練することを含む、節Ａ３の方法。
Ａ４．第１の予測された塩基部分配列が、Ｌ１個の塩基を有し、
第１の予測された塩基部分配列のＬ１個の塩基のうちの１つ以上の塩基が、ベースコーラによるベースコーリング予測における誤差に起因して、第１の生物塩基配列の第１のセクションの対応する塩基と一致しない、
節Ａ３の方法。
Ａ５．第１の予測された塩基部分配列がＬ１個の塩基を有し、第１の予測された塩基部分配列のＬ１個の塩基が、最初のＬ２個の塩基と、それに続く後続のＬ３個の塩基とを含み、第１の予測された塩基部分配列を第１の生物塩基配列の第１のセクションとマッピングすることが、
第１の予測された塩基配列の最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させることと、
第１の生物塩基配列の第１のセクションを、第１のセクションが、（ｉ）連続するＬ２個の塩基を最初の塩基として含み、かつ（ｉｉ）Ｌ１個の塩基を含むように同定することと、
第１の予測された塩基部分配列を、第１の生物塩基配列の同定された第１のセクションとマッピングすることと、を含む、節Ａ３の方法。
Ａ６．方法が、
第１の予測された塩基配列の最初のＬ２個の塩基を実質的かつ一意的に一致させる一方で、第１の予測された塩基配列の後続のＬ３個の塩基を第１の生物塩基配列のいずれかの塩基と一致させることをめざすことを控えることを更に含む、Ａ５の方法。
Ａ７．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と実質的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基の少なくとも閾値数の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一致する、Ａ５の方法。
Ａ８．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一意的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基のみと実質的に一致し、第１の生物塩基配列の他の連続するＬ２個の塩基とは一致しない、Ａ５の方法。
Ａ９．第３の予測された塩基部分配列がＬ１個の塩基を有し、第３の予測された塩基部分配列と、第１の複数の塩基部分配列の塩基部分配列のいずれかとのマッピングしないことが、
（ｉ）第３の予測された塩基配列のＬ１個の塩基のうちの最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させないことを含む、節Ａ３の方法。
Ａ１０．Ｎ１回の反復のうちの１回の反復が、Ｎ１回の反復のうちの第１の反復であり、Ｎ１回の反復のうちの第２の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データを使用して、ベースコーラを訓練することと、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データで訓練されたベースコーラを使用して、（ｉ）第１の配列信号に基づく、更なる第１の予測された塩基部分配列、（ｉｉ）第２の配列信号に基づく、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第３の配列信号に基づく、更なる第３の予測された塩基部分配列を生成することと、
（ｉ）更なる第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、（ｉｉ）更なる第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションと、かつ（ｉｉｉ）更なる第３の予測された塩基部分配列を、第１の生物塩基配列の第３のセクションとマッピングすることと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた更なる第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、更なる第１の予測された塩基部分配列のグラウンドトゥルースである、更なる第１の予測された塩基部分配列、（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた更なる第２の予測された塩基部分配列であって、第１の生物塩基配列の更なる第２のセクションが、更なる第２の予測された塩基部分配列のグラウンドトゥルースである、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第１の生物塩基配列の第３のセクションにマッピングされた更なる第３の予測された塩基部分配列であって、第１の生物塩基配列の更なる第３のセクションが、更なる第３の予測された塩基部分配列のグラウンドトゥルースである、第３の予測された塩基部分配列を含む、更なる標識された訓練データを生成することと、を含む、節Ａ３の方法。
Ａ１１．（ｉ）Ｎ１回の反復のうちの第１の反復中に生成された第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第１の誤差を生成することと、
（ｉ）Ｎ１回の反復のうちの第２の反復中に生成された更なる第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第２の誤差を生成することと、
ベースコーラが、第１の反復と比較して第２の反復中により良く訓練されるので、第２の誤差が第１の誤差未満である、
節Ａ１０の方法。
Ａ１２．第１の反復中に生成された第１、第２、及び第３の配列信号が、更なる第１の予測された塩基部分配列、更なる第２の予測された塩基部分配列、及び更なる第３の予測された塩基部分配列をそれぞれ生成するために、第２の反復において再使用される、
節Ａ１０の方法。
Ａ１３．Ｎ１回の反復のうちの第１の反復とＮ１回の反復のうちの第２の反復の間、ベースコーラのニューラルネットワーク構成が同じである、
節Ａ１０の方法。
Ａ１３ａ．収束条件が満たされるまで、ベースコーラのニューラルネットワーク構成が、複数回の反復の間、再使用される、
節Ａ１３の方法。
Ａ１４．Ｎ１回の反復のうちの第１の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの第２の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節Ａ１０の方法。
Ａ１５．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の第１のサブセットについて、ベースコーラにロードされた第１のニューラルネットワーク構成を用いてベースコーラを更に訓練することと、
Ｎ１回の反復の第２のサブセットについて、ベースコーラにロードされた第２のニューラルネットワーク構成を用いてベースコーラを更に訓練することであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、更に訓練することと、を含む、節Ａ１の方法。
Ａ１６．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ａ１５の方法。
Ａ１７．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ａ１５の方法。
Ａ１８．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ａ１５の方法。
Ａ１９．ベースコーラを反復的に更に訓練することが、
第１の生物塩基配列を含む検体を用いたＮ１回の反復のうちの１回以上の反復については、ベースコーラに第１のニューラルネットワーク構成をロードすることと、
第２の生物塩基配列を含む検体を用いたＮ２回の反復のうちの１回以上の反復については、ベースコーラに第２のニューラルネットワーク構成をロードすることであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、ロードすることと、を含む、節Ａ１の方法。
Ａ２０．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ａ１９の方法。
Ａ２１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ａ１９の方法。
Ａ２２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ａ１９の方法。
Ａ２３．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の後に収束条件が満たされるまで、第１の生物塩基配列を用いて更なる訓練を繰り返すことを含む、節Ａ１の方法。
Ａ２４．収束条件が、Ｎ１回の反復のうちの２つの連続する反復の間に、生成された誤差信号の減少が閾値未満であるときに満たされる、節Ａ２３の方法。
Ａ２５．収束条件が、Ｎ１回の反復の完了後に満たされる、節Ａ２３の方法。
Ｂ１．ベースコーラを漸進的に訓練するためにコンピュータプログラム命令が記憶された非一時的コンピュータ可読記憶媒体であって、命令が、プロセッサ上で実行されると、
ベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）生物塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
ステップ（ｉ）をＮ回の反復の間繰り返すことによって、ベースコーラを反復的に更に訓練することであって、
第１の複数の塩基部分配列に選別された第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ１回の反復の間、ベースコーラを更に訓練すること、及び
第２の複数の塩基部分配列に選別された第２の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ２回の反復の間、ベースコーラを更に訓練することを含む、反復的に更に訓練することと、を含み、
ベースコーラにロードされるニューラルネットワーク構成の複雑度が、Ｎ回の反復とともに単調に増加し、
Ｎ回の反復のうちの反復中に生成された標識された訓練データが、Ｎ回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、非一時的コンピュータ可読記憶媒体。
Ｂ１ａ．ベースコーラを反復的に更に訓練することが、
１つ以上のオリゴ塩基配列を含む検体を用いてベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することを含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ２．Ｎ１回の反復が、Ｎ２回の反復の前に行われ、第２の生物塩基配列が、第１の生物塩基配列よりも多い数の塩基を有する、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ３．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
（ｉ）フローセルの複数のクラスタのうちの第１のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第１の塩基部分配列を、（ｉｉ）フローセルの複数のクラスタのうちの第２のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第２の塩基部分配列を、かつ（ｉｉｉ）フローセルの複数のクラスタのうちの第３のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第３の塩基部分配列を投入することと、
（ｉ）第１のクラスタに投入された塩基部分配列を示す第１のクラスタからの第１の配列信号、（ｉｉ）第２のクラスタに投入された塩基部分配列を示す第２のクラスタからの第２の配列信号、及び（ｉｉｉ）第３のクラスタに投入された塩基部分配列を示す第３のクラスタからの第３の配列信号を受信することと、
（ｉ）第１の配列信号に基づいて、第１の予測された塩基部分配列を、（ｉｉ）第２の配列信号に基づいて、第２の予測された塩基部分配列を、かつ（ｉｉｉ）第３の配列信号に基づいて、第３の予測された塩基部分配列を生成することと、
（ｉ）第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、かつ（ｉｉ）第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションとマッピングする一方で、第３の予測された塩基部分配列を、第１の生物塩基配列のいずれのセクションともマッピングしないことと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、第１の予測された塩基部分配列のグラウンドトゥルースである、第１の予測された塩基部分配列、及び（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた第２の予測された塩基部分配列であって、第１の生物塩基配列の第２のセクションが、第２の予測された塩基部分配列のグラウンドトゥルースである、第２の予測された塩基部分配列を含む、標識された訓練データを生成することと、を含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ３ａ．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
第１、第２、及び第３の予測された塩基部分配列を生成する前に、ベースコーラを最初に訓練する間に生成された標識された訓練データを使用して、ベースコーラを訓練することを含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ４．第１の予測された塩基部分配列が、Ｌ１個の塩基を有し、
第１の予測された塩基部分配列のＬ１個の塩基のうちの１つ以上の塩基が、ベースコーラによるベースコーリング予測における誤差に起因して、第１の生物塩基配列の第１のセクションの対応する塩基と一致しない、
節Ｂ３のコンピュータ可読記憶媒体。
Ｂ５．第１の予測された塩基部分配列がＬ１個の塩基を有し、第１の予測された塩基部分配列のＬ１個の塩基が、最初のＬ２個の塩基と、それに続く後続のＬ３個の塩基とを含み、第１の予測された塩基部分配列を第１の生物塩基配列の第１のセクションとマッピングすることが、
第１の予測された塩基配列の最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させることと、
第１の生物塩基配列の第１のセクションを、第１のセクションが、（ｉ）連続するＬ２個の塩基を最初の塩基として含み、かつ（ｉｉ）Ｌ１個の塩基を含むように同定することと、
第１の予測された塩基部分配列を、第１の生物塩基配列の同定された第１のセクションとマッピングすることと、を含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ６．第１の予測された塩基配列の最初のＬ２個の塩基を実質的かつ一意的に一致させる一方で、第１の予測された塩基配列の後続のＬ３個の塩基を第１の生物塩基配列のいずれかの塩基と一致させることをめざすことを控えることを更に含む、
Ｂ５のコンピュータ可読記憶媒体。
Ｂ７．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と実質的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基の少なくとも閾値数の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一致する、Ｂ５のコンピュータ可読記憶媒体。
Ｂ８．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一意的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基のみと実質的に一致し、第１の生物塩基配列の他の連続するＬ２個の塩基とは一致しない、Ｂ５のコンピュータ可読記憶媒体。
Ｂ９．第３の予測された塩基部分配列がＬ１個の塩基を有し、第３の予測された塩基部分配列と、第１の複数の塩基部分配列の塩基部分配列のいずれかとのマッピングしないことが、
（ｉ）第３の予測された塩基配列のＬ１個の塩基のうちの最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させないことを含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ１０．Ｎ１回の反復のうちの１回の反復が、Ｎ１回の反復のうちの第１の反復であり、Ｎ１回の反復のうちの第２の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データを使用して、ベースコーラを訓練することと、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データで訓練されたベースコーラを使用して、（ｉ）第１の配列信号に基づく、更なる第１の予測された塩基部分配列、（ｉｉ）第２の配列信号に基づく、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第３の配列信号に基づく、更なる第３の予測された塩基部分配列を生成することと、
（ｉ）更なる第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、（ｉｉ）更なる第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションと、かつ（ｉｉｉ）更なる第３の予測された塩基部分配列を、第１の生物塩基配列の第３のセクションとマッピングすることと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた更なる第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、更なる第１の予測された塩基部分配列のグラウンドトゥルースである、更なる第１の予測された塩基部分配列、（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた更なる第２の予測された塩基部分配列であって、第１の生物塩基配列の更なる第２のセクションが、更なる第２の予測された塩基部分配列のグラウンドトゥルースである、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第１の生物塩基配列の第３のセクションにマッピングされた更なる第３の予測された塩基部分配列であって、第１の生物塩基配列の更なる第３のセクションが、更なる第３の予測された塩基部分配列のグラウンドトゥルースである、第３の予測された塩基部分配列を含む、更なる標識された訓練データを生成することと、を含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ１１．（ｉ）Ｎ１回の反復のうちの第１の反復中に生成された第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第１の誤差を生成することと、
（ｉ）Ｎ１回の反復のうちの第２の反復中に生成された更なる第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第２の誤差を生成することと、を更に含み、
ベースコーラが、第１の反復と比較して第２の反復中により良く訓練されるので、第２の誤差が第１の誤差未満である、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１２．第１の反復中に生成された第１、第２、及び第３の配列信号が、更なる第１の予測された塩基部分配列、更なる第２の予測された塩基部分配列、及び更なる第３の予測された塩基部分配列をそれぞれ生成するために、第２の反復において再使用される、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１３．Ｎ１回の反復のうちの第１の反復とＮ１回の反復のうちの第２の反復の間、ベースコーラのニューラルネットワーク構成が同じである、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１３ａ．収束条件が満たされるまで、ベースコーラのニューラルネットワーク構成が、複数回の反復の間、再使用される、
節Ｂ１３のコンピュータ可読記憶媒体。
Ｂ１４．Ｎ１回の反復のうちの第１の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの第２の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１５．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の第１のサブセットについては、ベースコーラにロードされた第１のニューラルネットワーク構成を用いてベースコーラを更に訓練することと、
Ｎ１回の反復の第２のサブセットについては、ベースコーラにロードされた第２のニューラルネットワーク構成を用いてベースコーラを更に訓練することであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、更に訓練することと、を含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ１６．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ｂ１５のコンピュータ可読記憶媒体。
Ｂ１７．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ｂ１５のコンピュータ可読記憶媒体。
Ｂ１８．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ｂ１５のコンピュータ可読記憶媒体。
Ｂ１９．ベースコーラを反復的に更に訓練することが、
第１の生物塩基配列を含む検体を用いたＮ１回の反復のうちの１回以上の反復については、ベースコーラに第１のニューラルネットワーク構成をロードすることと、
第２の生物塩基配列を含む検体を用いたＮ２回の反復のうちの１回以上の反復については、ベースコーラに第２のニューラルネットワーク構成をロードすることであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、ロードすることと、を含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ２０．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ｂ１９のコンピュータ可読記憶媒体。
Ｂ２１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ｂ１９のコンピュータ可読記憶媒体。
Ｂ２２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ｂ１９のコンピュータ可読記憶媒体。
Ｂ２３．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の後に収束条件が満たされるまで、第１の生物塩基配列を用いて更なる訓練を繰り返すことを含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ２４．収束条件が、Ｎ１回の反復のうちの２つの連続する反復の間に、生成された誤差信号の減少が閾値未満であるときに満たされる、節Ｂ２３のコンピュータ可読記憶媒体。
Ｂ２５．収束条件が、Ｎ１回の反復の完了後に満たされる、節Ｂ２３のコンピュータ可読記憶媒体。
ベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）生物塩基配列を含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
ステップ（ｉ）をＮ回の反復の間繰り返すことによって、ベースコーラを反復的に更に訓練することであって、
第１の複数の塩基部分配列に選別された第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ１回の反復の間、ベースコーラを更に訓練すること、及び
第２の複数の塩基部分配列に選別された第２の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちＮ２回の反復の間、ベースコーラを更に訓練することを含む、反復的に更に訓練することと、を含み、
ベースコーラにロードされるニューラルネットワーク構成の複雑度が、Ｎ回の反復とともに単調に増加し、
Ｎ回の反復のうちの反復中に生成された標識された訓練データが、Ｎ回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、非一時的コンピュータ可読記憶媒体。
Ｂ１ａ．ベースコーラを反復的に更に訓練することが、
１つ以上のオリゴ塩基配列を含む検体を用いてベースコーラを最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することを含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ２．Ｎ１回の反復が、Ｎ２回の反復の前に行われ、第２の生物塩基配列が、第１の生物塩基配列よりも多い数の塩基を有する、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ３．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
（ｉ）フローセルの複数のクラスタのうちの第１のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第１の塩基部分配列を、（ｉｉ）フローセルの複数のクラスタのうちの第２のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第２の塩基部分配列を、かつ（ｉｉｉ）フローセルの複数のクラスタのうちの第３のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第３の塩基部分配列を投入することと、
（ｉ）第１のクラスタに投入された塩基部分配列を示す第１のクラスタからの第１の配列信号、（ｉｉ）第２のクラスタに投入された塩基部分配列を示す第２のクラスタからの第２の配列信号、及び（ｉｉｉ）第３のクラスタに投入された塩基部分配列を示す第３のクラスタからの第３の配列信号を受信することと、
（ｉ）第１の配列信号に基づいて、第１の予測された塩基部分配列を、（ｉｉ）第２の配列信号に基づいて、第２の予測された塩基部分配列を、かつ（ｉｉｉ）第３の配列信号に基づいて、第３の予測された塩基部分配列を生成することと、
（ｉ）第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、かつ（ｉｉ）第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションとマッピングする一方で、第３の予測された塩基部分配列を、第１の生物塩基配列のいずれのセクションともマッピングしないことと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、第１の予測された塩基部分配列のグラウンドトゥルースである、第１の予測された塩基部分配列、及び（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた第２の予測された塩基部分配列であって、第１の生物塩基配列の第２のセクションが、第２の予測された塩基部分配列のグラウンドトゥルースである、第２の予測された塩基部分配列を含む、標識された訓練データを生成することと、を含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ３ａ．Ｎ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復中に、
第１、第２、及び第３の予測された塩基部分配列を生成する前に、ベースコーラを最初に訓練する間に生成された標識された訓練データを使用して、ベースコーラを訓練することを含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ４．第１の予測された塩基部分配列が、Ｌ１個の塩基を有し、
第１の予測された塩基部分配列のＬ１個の塩基のうちの１つ以上の塩基が、ベースコーラによるベースコーリング予測における誤差に起因して、第１の生物塩基配列の第１のセクションの対応する塩基と一致しない、
節Ｂ３のコンピュータ可読記憶媒体。
Ｂ５．第１の予測された塩基部分配列がＬ１個の塩基を有し、第１の予測された塩基部分配列のＬ１個の塩基が、最初のＬ２個の塩基と、それに続く後続のＬ３個の塩基とを含み、第１の予測された塩基部分配列を第１の生物塩基配列の第１のセクションとマッピングすることが、
第１の予測された塩基配列の最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させることと、
第１の生物塩基配列の第１のセクションを、第１のセクションが、（ｉ）連続するＬ２個の塩基を最初の塩基として含み、かつ（ｉｉ）Ｌ１個の塩基を含むように同定することと、
第１の予測された塩基部分配列を、第１の生物塩基配列の同定された第１のセクションとマッピングすることと、を含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ６．第１の予測された塩基配列の最初のＬ２個の塩基を実質的かつ一意的に一致させる一方で、第１の予測された塩基配列の後続のＬ３個の塩基を第１の生物塩基配列のいずれかの塩基と一致させることをめざすことを控えることを更に含む、
Ｂ５のコンピュータ可読記憶媒体。
Ｂ７．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と実質的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基の少なくとも閾値数の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一致する、Ｂ５のコンピュータ可読記憶媒体。
Ｂ８．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一意的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基のみと実質的に一致し、第１の生物塩基配列の他の連続するＬ２個の塩基とは一致しない、Ｂ５のコンピュータ可読記憶媒体。
Ｂ９．第３の予測された塩基部分配列がＬ１個の塩基を有し、第３の予測された塩基部分配列と、第１の複数の塩基部分配列の塩基部分配列のいずれかとのマッピングしないことが、
（ｉ）第３の予測された塩基配列のＬ１個の塩基のうちの最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させないことを含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ１０．Ｎ１回の反復のうちの１回の反復が、Ｎ１回の反復のうちの第１の反復であり、Ｎ１回の反復のうちの第２の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データを使用して、ベースコーラを訓練することと、
Ｎ１回の反復のうちの第１の反復中に生成された標識された訓練データで訓練されたベースコーラを使用して、（ｉ）第１の配列信号に基づく、更なる第１の予測された塩基部分配列、（ｉｉ）第２の配列信号に基づく、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第３の配列信号に基づく、更なる第３の予測された塩基部分配列を生成することと、
（ｉ）更なる第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、（ｉｉ）更なる第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションと、かつ（ｉｉｉ）更なる第３の予測された塩基部分配列を、第１の生物塩基配列の第３のセクションとマッピングすることと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた更なる第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、更なる第１の予測された塩基部分配列のグラウンドトゥルースである、更なる第１の予測された塩基部分配列、（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた更なる第２の予測された塩基部分配列であって、第１の生物塩基配列の更なる第２のセクションが、更なる第２の予測された塩基部分配列のグラウンドトゥルースである、更なる第２の予測された塩基部分配列、及び（ｉｉｉ）第１の生物塩基配列の第３のセクションにマッピングされた更なる第３の予測された塩基部分配列であって、第１の生物塩基配列の更なる第３のセクションが、更なる第３の予測された塩基部分配列のグラウンドトゥルースである、第３の予測された塩基部分配列を含む、更なる標識された訓練データを生成することと、を含む、節Ｂ３のコンピュータ可読記憶媒体。
Ｂ１１．（ｉ）Ｎ１回の反復のうちの第１の反復中に生成された第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第１の誤差を生成することと、
（ｉ）Ｎ１回の反復のうちの第２の反復中に生成された更なる第１の予測された塩基部分配列と、（ｉｉ）第１の生物塩基配列の第１のセクションとの間の第２の誤差を生成することと、を更に含み、
ベースコーラが、第１の反復と比較して第２の反復中により良く訓練されるので、第２の誤差が第１の誤差未満である、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１２．第１の反復中に生成された第１、第２、及び第３の配列信号が、更なる第１の予測された塩基部分配列、更なる第２の予測された塩基部分配列、及び更なる第３の予測された塩基部分配列をそれぞれ生成するために、第２の反復において再使用される、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１３．Ｎ１回の反復のうちの第１の反復とＮ１回の反復のうちの第２の反復の間、ベースコーラのニューラルネットワーク構成が同じである、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１３ａ．収束条件が満たされるまで、ベースコーラのニューラルネットワーク構成が、複数回の反復の間、再使用される、
節Ｂ１３のコンピュータ可読記憶媒体。
Ｂ１４．Ｎ１回の反復のうちの第１の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの第２の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節Ｂ１０のコンピュータ可読記憶媒体。
Ｂ１５．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の第１のサブセットについては、ベースコーラにロードされた第１のニューラルネットワーク構成を用いてベースコーラを更に訓練することと、
Ｎ１回の反復の第２のサブセットについては、ベースコーラにロードされた第２のニューラルネットワーク構成を用いてベースコーラを更に訓練することであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、更に訓練することと、を含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ１６．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ｂ１５のコンピュータ可読記憶媒体。
Ｂ１７．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ｂ１５のコンピュータ可読記憶媒体。
Ｂ１８．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ｂ１５のコンピュータ可読記憶媒体。
Ｂ１９．ベースコーラを反復的に更に訓練することが、
第１の生物塩基配列を含む検体を用いたＮ１回の反復のうちの１回以上の反復については、ベースコーラに第１のニューラルネットワーク構成をロードすることと、
第２の生物塩基配列を含む検体を用いたＮ２回の反復のうちの１回以上の反復については、ベースコーラに第２のニューラルネットワーク構成をロードすることであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成とは異なる、ロードすることと、を含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ２０．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ｂ１９のコンピュータ可読記憶媒体。
Ｂ２１．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ｂ１９のコンピュータ可読記憶媒体。
Ｂ２２．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ｂ１９のコンピュータ可読記憶媒体。
Ｂ２３．第１の生物塩基配列を含む検体を用いて、Ｎ回の反復のうちのＮ１回の反復の間ベースコーラを更に訓練することが、
Ｎ１回の反復の後に収束条件が満たされるまで、第１の生物塩基配列を用いて更なる訓練を繰り返すことを含む、節Ｂ１のコンピュータ可読記憶媒体。
Ｂ２４．収束条件が、Ｎ１回の反復のうちの２つの連続する反復の間に、生成された誤差信号の減少が閾値未満であるときに満たされる、節Ｂ２３のコンピュータ可読記憶媒体。
Ｂ２５．収束条件が、Ｎ１回の反復の完了後に満たされる、節Ｂ２３のコンピュータ可読記憶媒体。
１．ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
（ｉ）ベースコーラを使用して、オリゴの既知の配列を有するように配列決定された単一オリゴ未知検体の集団（すなわち、未知の標的配列）についての単一オリゴベースコール配列を予測し、（ｉｉ）単一オリゴ未知検体の集団内の各単一オリゴ未知検体を、既知の配列と一致する単一オリゴグラウンドトゥルース配列で標識し、（ｉｉｉ）単一オリゴ未知検体の標識された集団を使用して、ベースコーラを訓練する単一オリゴ訓練段階から始めることと、
（ｉ）ベースコーラを使用して、２つ以上のオリゴの２つ以上の既知の配列を有するように配列決定されたマルチオリゴ未知検体の集団についてマルチオリゴベースコール配列を予測し、（ｉｉ）選別されたマルチオリゴ未知検体のマルチオリゴベースコール配列の既知の配列への分類に基づいて、マルチオリゴ未知検体の集団からマルチオリゴ未知検体を選別し、（ｉｉｉ）分類に基づいて、選別されたマルチオリゴ未知検体のそれぞれのサブセットを、既知の配列にそれぞれ一致するそれぞれのマルチオリゴグラウンドトゥルース配列で標識し、（ｉｖ）選別されたマルチオリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、１つ以上のマルチオリゴ訓練段階を継続することと、
（ｉ）ベースコーラを使用して、生物の参照配列の１つ以上の既知の部分配列を有するように配列決定された生物特有未知検体の集団について生物特有ベースコール配列を予測し、（ｉｉ）選別された生物特有未知検体の生物特有ベースコール配列の、既知の部分配列を含有する参照配列のセクションへのマッピングに基づいて、生物特有未知検体の集団から生物特有未知検体を選別し、（ｉｉｉ）マッピングに基づいて、選別された生物特有未知検体のそれぞれのサブセットを、既知の部分配列にそれぞれ一致するそれぞれの生物特有グラウンドトゥルース配列で標識し、（ｉｖ）選別された生物特有未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、１つ以上の生物特有訓練段階を継続することと、を含む、コンピュータ実装方法。
２．収束条件が満たされるまで、マルチオリゴ訓練段階に進む前に、単一オリゴ訓練段階の複数の反復を実行することを更に含む、節１のコンピュータ実装方法。
３．収束条件が満たされるまで、生物特有訓練段階に進む前に、マルチオリゴ訓練段階の各々の複数の反復を実行することを更に含む、節１のコンピュータ実装方法。
４．対象マルチオリゴ訓練段階の各反復において、選別されたマルチオリゴ未知検体が、置換を用いてマルチオリゴ未知検体の集団から選別され、したがって、選別されたマルチオリゴ未知検体の標識されたそれぞれのサブセットのそれぞれのサイズが、対象マルチオリゴ訓練段階の連続する反復間で増加する、節３のコンピュータ実装方法。
５．収束条件が満たされるまで、生物特有訓練段階の各々の複数の反復を実行することを更に含む、節１のコンピュータ実装方法。
６．対象生物特有訓練段階の各反復において、選別された生物特有未知検体が、置換を用いて生物特有未知検体の集団から選別され、したがって、選別された生物特有未知検体の標識されたそれぞれのサブセットのそれぞれのサイズが、対象生物特有訓練段階の連続する反復間で増加する、節５のコンピュータ実装方法。
７．分類が、マルチオリゴベースコール配列と既知の配列との間の重複に基づく、節１のコンピュータ実装方法。
８．重複が、編集距離及び最小類似性閾値に基づいて判定される、節７のコンピュータ実装方法。
９．マッピングが、生物特有ベースコール配列の開始部分が参照配列のセクションの開始部分と一致するかどうかに基づく、節１のコンピュータ実装方法。
１０．収束条件が、ベースコーラの標的精度である、節２のコンピュータ実装方法。
１１．収束条件が、ベースコーラの標的精度である、節３のコンピュータ実装方法。
１２．収束条件が、ベースコーラの標的精度である、節５のコンピュータ実装方法。
１３．収束条件が、選別されたマルチオリゴ未知検体の標識されたそれぞれのサブセットの標的累積サイズである、節３のコンピュータ実装方法。
１４．収束条件が、選別された生物特有未知検体の標識されたそれぞれのサブセットの標的累積サイズである、節５のコンピュータ実装方法。
１５．単一オリゴ訓練段階の連続する反復の間にベースコーラの構成を変更することを更に含む、節２のコンピュータ実装方法。
１６．対象マルチオリゴ訓練段階の連続する反復の間にベースコーラの構成を変更することを更に含む、節３のコンピュータ実装方法。
１７．対象生物特有訓練段階の連続する反復の間にベースコーラの構成を変更することを更に含む、節５のコンピュータ実装方法。
１８．単一オリゴ訓練段階の連続する反復の間に、ベースコーラの構成を固定されたままにすることを更に含む、節２のコンピュータ実装方法。
１９．対象マルチオリゴ訓練段階の連続する反復の間、ベースコーラの構成を固定されたままにすることを更に含む、節３のコンピュータ実装方法。
２０．対象生物特有訓練段階の連続する反復の間にベースコーラの構成を固定されたままにすることを更に含む、節５のコンピュータ実装方法。
２１．単一オリゴ訓練段階からマルチオリゴ訓練段階に進行するときに、ベースコーラの構成を変更することを更に含む、節１のコンピュータ実装方法。
２２．マルチオリゴ訓練段階から生物特有訓練段階に進行するときに、ベースコーラの構成を変更することを更に含む、節１のコンピュータ実装方法。
２３．単一オリゴ訓練段階からマルチオリゴ訓練段階に進むときに、ベースコーラの構成を固定したままにすることを更に含む、節１のコンピュータ実装方法。
２４．マルチオリゴ訓練段階から生物特有訓練段階に進行するときに、ベースコーラの構成を固定したままにすることを更に含む、節１のコンピュータ実装方法。
２５．ベースコーラが、ニューラルネットワークである、節１のコンピュータ実装方法。
２６．構成が、ニューラルネットワークのパラメータの数によって画定される、節２５のコンピュータ実装方法。
２７．構成が、ニューラルネットワークの層の数によって画定される、節２５のコンピュータ実装方法。
２８．構成が、フォワードパスインスタンス（例えば、隣接する画像の漸進的に大きくなるスライディングウィンドウ）内でニューラルネットワークによって処理される入力の数によって画定される、節２５のコンピュータ実装方法。
２９．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、節２５のコンピュータ実装方法。
３０．構成が、畳み込みニューラルネットワーク内の畳み込みフィルタの数によって画定される、節２９のコンピュータ実装方法。
３１．構成が、畳み込みニューラルネットワークの層の数によって画定される、節２９のコンピュータ実装方法。
３１Ａ．ベースコーラの第１の構成を使用して、オリゴ訓練段階の少なくとも１つの反復を実装することと、
ベースコーラの第２の構成を使用して、マルチオリゴ訓練段階の少なくとも１つの反復を実装することと、を更に含み、
ベースコーラの第１の構成が、ベースコーラの第２の構成の第２のニューラルネットワークよりも少ない数のパラメータを有する第１のニューラルネットワークを備える、
節１のコンピュータ実装方法。
３１Ｂ．ベースコーラの第３の構成を使用して、生物特有訓練段階の少なくとも１回の反復を実施することと、
ベースコーラの第２の構成が、ベースコーラの第３の構成の第３のニューラルネットワークよりも少ない数のパラメータを有する第２のニューラルネットワークを備える、
節３１Ａのコンピュータ実装方法。
３２．対象マルチオリゴ訓練段階の各反復において、マルチオリゴベースコール配列の少なくともいくつかが、既知の配列に分類されない、節４のコンピュータ実装方法。
３３．未分類マルチオリゴベースコール配列の数が、対象マルチオリゴ訓練段階の連続する反復の間に減少する、節３２のコンピュータ実装方法。
３４．対象生物特有訓練段階の各反復において、生物特有ベースコール配列の少なくともいくつかが、既知の部分配列に分類されない、節６のコンピュータ実装方法。
３５．未分類の生物特有ベースコール配列の数が、対象生物特有訓練段階の連続する反復の間に減少する、節３４のコンピュータ実装方法。
３６．対象マルチオリゴ訓練段階の各反復において、マルチオリゴベースコール配列の少なくともいくつかが、既知の配列に分類されない、節４のコンピュータ実装方法。
３７．未分類マルチオリゴベースコール配列の数が、対象マルチオリゴ訓練段階の連続する反復の間に減少する、節３６のコンピュータ実装方法。
３８．対象生物特有訓練段階の各反復において、生物特有ベースコール配列の少なくともいくつかが、既知の部分配列に分類されない、節６のコンピュータ実装方法。
３９．未分類の生物特有ベースコール配列の数が、対象生物特有訓練段階の連続する反復の間に減少する、節３８のコンピュータ実装方法。
４０．ベースコーラの精度が、単一オリゴ訓練段階、マルチオリゴ訓練段階、及び生物特有訓練段階からの訓練の進行とともに増加する、節１のコンピュータ実装方法。
４１．オリゴの既知の配列が１～１００塩基を有し、２つ以上のオリゴの既知の配列の各々が１～１００塩基を有し、参照配列の既知の部分配列の各々が１～１０００塩基を有する、節１のコンピュータ実装方法。
４２．ベースコーラを訓練するために使用される標識された訓練実施例の塩基多様性が、単一オリゴ訓練段階、マルチオリゴ訓練段階、及び生物特有訓練段階からの訓練の進行とともに増加する、節４１のコンピュータ実装方法。
４３．単一オリゴ訓練段階が、単一オリゴベースコール配列と単一オリゴグラウンドトゥルース配列との間の不一致に基づいて、ベースコーラの重みを更新することによってベースコーラを訓練する、節１のコンピュータ実装方法。
４４．マルチオリゴ訓練段階が、分類されたマルチオリゴベースコール配列とそれぞれのマルチオリゴグラウンドトゥルース配列との間の不一致に基づいて、ベースコーラの重みを更新することによってベースコーラを訓練する、節１のコンピュータ実装方法。
４５．生物特有訓練段階が、マッピングされた生物特有ベースコール配列とそれぞれの生物特有グラウンドトゥルース配列との間の不一致に基づいて、ベースコーラの重みを更新することによってベースコーラを訓練する、節１のコンピュータ実装方法。
４６．生物特有訓練段階が、参照配列の低マッピング閾値セクション及び／又は既知のバリアントセクションにマッピングする生物特有ベースコール予測を分類しない、節１のコンピュータ実装方法。
４７．推論段階において未知の検体をベースコールするために、単一オリゴ訓練段階によって生成された訓練されたベースコーラを使用することを更に含む、節１のコンピュータ実装方法。
４８．推論段階において未知の検体をベースコールするために、マルチオリゴ訓練段階のいずれかによって生成された更なる訓練されたベースコーラを使用することを更に含む、節４７のコンピュータ実装方法。
４９．推論段階において未知の検体をベースコールするために、生物特有訓練段階のいずれかによって生成された更に訓練されたベースコーラを使用することを更に含む、節４８のコンピュータ実装方法。
５０．マルチオリゴ訓練段階が、２オリゴ訓練段階、３オリゴ訓練段階、４オリゴ訓練段階、及び後続のマルチオリゴ訓練段階を含む、節１のコンピュータ実装方法。
５１．２オリゴ訓練段階が、（ｉ）ベースコーラを使用して、２つのオリゴの２つの既知の配列を有するように配列決定された２オリゴ未知検体の集団の２オリゴベースコール配列を予測し、（ｉｉ）２つの既知の配列に対する選別された２オリゴ未知検体の２オリゴベースコール配列の分類に基づいて、２オリゴ未知検体の集団から２オリゴ未知検体を選別し、（ｉｉｉ）２つの既知の配列にそれぞれ一致するそれぞれの２オリゴグラウンドトゥルース配列で選別された２オリゴ未知検体のそれぞれのサブセットを標識し、（ｉｖ）選別された２オリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、節５０のコンピュータ実装方法。
５２．３オリゴ訓練段階が、（ｉ）ベースコーラを使用して、３つのオリゴの３つの既知配列を有するように配列決定された３オリゴ未知検体の集団の３オリゴベースコール配列を予測し、（ｉｉ）３つの既知の配列に対する選別された３オリゴ未知検体の３オリゴベースコール配列の分類に基づいて、３オリゴ未知検体の集団から３オリゴ未知検体を選別し、（ｉｉｉ）３つの既知配列にそれぞれ一致するそれぞれの３オリゴグラウンドトゥルース配列で選別された３オリゴ未知検体のそれぞれのサブセットを標識し、（ｉｖ）選別された３オリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、節５０のコンピュータ実装方法。
５３．４オリゴ訓練段階が、（ｉ）ベースコーラを使用して、４つのオリゴの４つの既知の配列を有するように配列決定された４オリゴ未知検体の集団の４オリゴベースコール配列を予測し、（ｉｉ）４つの既知の配列に対する選別された４オリゴ未知検体の４オリゴベースコール配列の分類に基づいて、４オリゴ未知検体の集団から４オリゴ未知検体を選別し、（ｉｉｉ）４つの既知の配列にそれぞれ一致するそれぞれの４オリゴグラウンドトゥルース配列で選別された４オリゴ未知検体のそれぞれのサブセットを標識し、（ｉｖ）選別された４オリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、節５０のコンピュータ実装方法。
５４．生物が、細菌である（例えば、ＰｈｉＸ、大腸菌）、節１のコンピュータ実装方法。
５５．生物が、霊長類（例えば、ヒト）である、節１のコンピュータ実装方法。
５６．単一オリゴ未知検体が、単一オリゴベースコール配列を予測するためにベースコーラによって処理される単一オリゴ信号配列によって特徴付けられ、単一オリゴグラウンドトゥルース配列が、ベースコーラを訓練するために単一オリゴ信号配列に割り当てられる、節１のコンピュータ実装方法。
５７．マルチオリゴ未知検体が、マルチオリゴベースコール配列を予測するためにベースコーラによって処理されるマルチオリゴ信号配列によって特徴付けられ、マルチオリゴグラウンドトゥルース配列が、ベースコーラを訓練するためにマルチオリゴ信号配列に割り当てられる、節５６のコンピュータ実装方法。
５８．生物特有未知検体が、生物特有ベースコール配列を予測するためにベースコーラによって処理される生物特有信号配列によって特徴付けられ、生物特有グラウンドトゥルース配列が、ベースコーラを訓練するために生物特有信号配列に割り当てられる、節５７のコンピュータ実装方法。
５９．単一オリゴ信号配列、マルチオリゴ信号配列、及び生物特有信号配列が、画像配列である、節５８のコンピュータ実装方法。
６０．単一オリゴ信号配列、マルチオリゴ信号配列、及び生物特有信号配列が、電圧リード配列である、節５８のコンピュータ実装方法。
６１．単一オリゴ信号配列、マルチオリゴ信号配列、及び生物特有信号配列が、電流リード配列である、節５８のコンピュータ実装方法。
６２．単一オリゴ未知検体、マルチオリゴ未知検体、及び生物特有未知検体が、単一分子である、節１のコンピュータ実装方法。
６３．単一オリゴ未知検体、マルチオリゴ未知検体、及び生物特有未知検体が、増幅された単一分子（すなわち、クラスタ）である、節１のコンピュータ実装方法。
６４．単一オリゴ未知検体、マルチオリゴ未知検体、及び生物特有未知検体が、分子を含むビーズである、節１のコンピュータ実装方法。
６５．ベースコーラを使用して、生物の参照配列の１つ以上の既知の部分配列を有するように配列決定された未知の検体の集団のベースコール配列を予測することと、
選別された未知の検体のベースコール配列の、既知の部分配列を含有する参照配列のセクションへのマッピングに基づいて、未知の検体の集団から未知の検体を選別することと、
マッピングに基づいて、選別された未知の検体のそれぞれのサブセットを、既知の部分配列にそれぞれ一致するそれぞれのグラウンドトゥルース配列で標識することと、
選別された未知の検体の標識されたそれぞれのサブセットを使用して、ベースコーラを訓練することと、を含む、
コンピュータ実装方法。
６６．収束が満足するまで、使用すること、選別すること、標識すること、及び訓練することを繰り返すことを更に含む、節６５のコンピュータ実装方法。
６７．未知の塩基配列の漸進的により複雑な訓練例に対して、ベースコーラの漸進的により複雑な構成を訓練することであって、訓練例の処理に応答して、ベースコーラによって生成されたベースコール配列を、未知の塩基配列が配列決定された後の既知の塩基組成にマッピングすることに基づいて、訓練例に対して増加する量のグラウンドトゥルースラベルを反復的に生成することを含む、訓練することを含む、
コンピュータ実装方法。
６８．ベースコーラのより複雑な構成が、ベースコーラのパラメータの数を漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
６９．ベースコーラが、ニューラルネットワークである、節６８のコンピュータ実装方法。
７０．ニューラルネットワークのより複雑な構成が、ニューラルネットワークの層の数を漸進的に増加させることによって画定される、節６９のコンピュータ実装方法。
７１．ニューラルネットワークのより複雑な構成が、フォワードパスインスタンスにおいてニューラルネットワークによって処理される入力の数を漸進的に増加させることによって画定される、節６８のコンピュータ実装方法。
７２．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、節６９のコンピュータ実装方法。
７３．畳み込みニューラルネットワークのより複雑な構成が、畳み込みニューラルネットワークの畳み込みフィルタの数を漸進的に増加させることによって画定される、節７２のコンピュータ実装方法。
７４．畳み込みニューラルネットワークのより複雑な構成が、畳み込みニューラルネットワークの畳み込み層の数を漸進的に増加させることによって画定される、節７２のコンピュータ実装方法。
７５．未知の塩基配列のより複雑な訓練例が、未知の塩基配列の長さを漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
７６．未知の塩基配列のより複雑な訓練例が、未知の塩基配列の塩基多様性を漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
７７．未知の塩基配列のより複雑な訓練例が、未知の塩基配列が配列決定されるサンプルの数を漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
７８．未知の塩基配列のより複雑な訓練例が、オリゴ試料から細菌試料、霊長類試料へと進めることで画定される、節６７のコンピュータ実装方法。
（ｉ）ベースコーラを使用して、オリゴの既知の配列を有するように配列決定された単一オリゴ未知検体の集団（すなわち、未知の標的配列）についての単一オリゴベースコール配列を予測し、（ｉｉ）単一オリゴ未知検体の集団内の各単一オリゴ未知検体を、既知の配列と一致する単一オリゴグラウンドトゥルース配列で標識し、（ｉｉｉ）単一オリゴ未知検体の標識された集団を使用して、ベースコーラを訓練する単一オリゴ訓練段階から始めることと、
（ｉ）ベースコーラを使用して、２つ以上のオリゴの２つ以上の既知の配列を有するように配列決定されたマルチオリゴ未知検体の集団についてマルチオリゴベースコール配列を予測し、（ｉｉ）選別されたマルチオリゴ未知検体のマルチオリゴベースコール配列の既知の配列への分類に基づいて、マルチオリゴ未知検体の集団からマルチオリゴ未知検体を選別し、（ｉｉｉ）分類に基づいて、選別されたマルチオリゴ未知検体のそれぞれのサブセットを、既知の配列にそれぞれ一致するそれぞれのマルチオリゴグラウンドトゥルース配列で標識し、（ｉｖ）選別されたマルチオリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、１つ以上のマルチオリゴ訓練段階を継続することと、
（ｉ）ベースコーラを使用して、生物の参照配列の１つ以上の既知の部分配列を有するように配列決定された生物特有未知検体の集団について生物特有ベースコール配列を予測し、（ｉｉ）選別された生物特有未知検体の生物特有ベースコール配列の、既知の部分配列を含有する参照配列のセクションへのマッピングに基づいて、生物特有未知検体の集団から生物特有未知検体を選別し、（ｉｉｉ）マッピングに基づいて、選別された生物特有未知検体のそれぞれのサブセットを、既知の部分配列にそれぞれ一致するそれぞれの生物特有グラウンドトゥルース配列で標識し、（ｉｖ）選別された生物特有未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、１つ以上の生物特有訓練段階を継続することと、を含む、コンピュータ実装方法。
２．収束条件が満たされるまで、マルチオリゴ訓練段階に進む前に、単一オリゴ訓練段階の複数の反復を実行することを更に含む、節１のコンピュータ実装方法。
３．収束条件が満たされるまで、生物特有訓練段階に進む前に、マルチオリゴ訓練段階の各々の複数の反復を実行することを更に含む、節１のコンピュータ実装方法。
４．対象マルチオリゴ訓練段階の各反復において、選別されたマルチオリゴ未知検体が、置換を用いてマルチオリゴ未知検体の集団から選別され、したがって、選別されたマルチオリゴ未知検体の標識されたそれぞれのサブセットのそれぞれのサイズが、対象マルチオリゴ訓練段階の連続する反復間で増加する、節３のコンピュータ実装方法。
５．収束条件が満たされるまで、生物特有訓練段階の各々の複数の反復を実行することを更に含む、節１のコンピュータ実装方法。
６．対象生物特有訓練段階の各反復において、選別された生物特有未知検体が、置換を用いて生物特有未知検体の集団から選別され、したがって、選別された生物特有未知検体の標識されたそれぞれのサブセットのそれぞれのサイズが、対象生物特有訓練段階の連続する反復間で増加する、節５のコンピュータ実装方法。
７．分類が、マルチオリゴベースコール配列と既知の配列との間の重複に基づく、節１のコンピュータ実装方法。
８．重複が、編集距離及び最小類似性閾値に基づいて判定される、節７のコンピュータ実装方法。
９．マッピングが、生物特有ベースコール配列の開始部分が参照配列のセクションの開始部分と一致するかどうかに基づく、節１のコンピュータ実装方法。
１０．収束条件が、ベースコーラの標的精度である、節２のコンピュータ実装方法。
１１．収束条件が、ベースコーラの標的精度である、節３のコンピュータ実装方法。
１２．収束条件が、ベースコーラの標的精度である、節５のコンピュータ実装方法。
１３．収束条件が、選別されたマルチオリゴ未知検体の標識されたそれぞれのサブセットの標的累積サイズである、節３のコンピュータ実装方法。
１４．収束条件が、選別された生物特有未知検体の標識されたそれぞれのサブセットの標的累積サイズである、節５のコンピュータ実装方法。
１５．単一オリゴ訓練段階の連続する反復の間にベースコーラの構成を変更することを更に含む、節２のコンピュータ実装方法。
１６．対象マルチオリゴ訓練段階の連続する反復の間にベースコーラの構成を変更することを更に含む、節３のコンピュータ実装方法。
１７．対象生物特有訓練段階の連続する反復の間にベースコーラの構成を変更することを更に含む、節５のコンピュータ実装方法。
１８．単一オリゴ訓練段階の連続する反復の間に、ベースコーラの構成を固定されたままにすることを更に含む、節２のコンピュータ実装方法。
１９．対象マルチオリゴ訓練段階の連続する反復の間、ベースコーラの構成を固定されたままにすることを更に含む、節３のコンピュータ実装方法。
２０．対象生物特有訓練段階の連続する反復の間にベースコーラの構成を固定されたままにすることを更に含む、節５のコンピュータ実装方法。
２１．単一オリゴ訓練段階からマルチオリゴ訓練段階に進行するときに、ベースコーラの構成を変更することを更に含む、節１のコンピュータ実装方法。
２２．マルチオリゴ訓練段階から生物特有訓練段階に進行するときに、ベースコーラの構成を変更することを更に含む、節１のコンピュータ実装方法。
２３．単一オリゴ訓練段階からマルチオリゴ訓練段階に進むときに、ベースコーラの構成を固定したままにすることを更に含む、節１のコンピュータ実装方法。
２４．マルチオリゴ訓練段階から生物特有訓練段階に進行するときに、ベースコーラの構成を固定したままにすることを更に含む、節１のコンピュータ実装方法。
２５．ベースコーラが、ニューラルネットワークである、節１のコンピュータ実装方法。
２６．構成が、ニューラルネットワークのパラメータの数によって画定される、節２５のコンピュータ実装方法。
２７．構成が、ニューラルネットワークの層の数によって画定される、節２５のコンピュータ実装方法。
２８．構成が、フォワードパスインスタンス（例えば、隣接する画像の漸進的に大きくなるスライディングウィンドウ）内でニューラルネットワークによって処理される入力の数によって画定される、節２５のコンピュータ実装方法。
２９．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、節２５のコンピュータ実装方法。
３０．構成が、畳み込みニューラルネットワーク内の畳み込みフィルタの数によって画定される、節２９のコンピュータ実装方法。
３１．構成が、畳み込みニューラルネットワークの層の数によって画定される、節２９のコンピュータ実装方法。
３１Ａ．ベースコーラの第１の構成を使用して、オリゴ訓練段階の少なくとも１つの反復を実装することと、
ベースコーラの第２の構成を使用して、マルチオリゴ訓練段階の少なくとも１つの反復を実装することと、を更に含み、
ベースコーラの第１の構成が、ベースコーラの第２の構成の第２のニューラルネットワークよりも少ない数のパラメータを有する第１のニューラルネットワークを備える、
節１のコンピュータ実装方法。
３１Ｂ．ベースコーラの第３の構成を使用して、生物特有訓練段階の少なくとも１回の反復を実施することと、
ベースコーラの第２の構成が、ベースコーラの第３の構成の第３のニューラルネットワークよりも少ない数のパラメータを有する第２のニューラルネットワークを備える、
節３１Ａのコンピュータ実装方法。
３２．対象マルチオリゴ訓練段階の各反復において、マルチオリゴベースコール配列の少なくともいくつかが、既知の配列に分類されない、節４のコンピュータ実装方法。
３３．未分類マルチオリゴベースコール配列の数が、対象マルチオリゴ訓練段階の連続する反復の間に減少する、節３２のコンピュータ実装方法。
３４．対象生物特有訓練段階の各反復において、生物特有ベースコール配列の少なくともいくつかが、既知の部分配列に分類されない、節６のコンピュータ実装方法。
３５．未分類の生物特有ベースコール配列の数が、対象生物特有訓練段階の連続する反復の間に減少する、節３４のコンピュータ実装方法。
３６．対象マルチオリゴ訓練段階の各反復において、マルチオリゴベースコール配列の少なくともいくつかが、既知の配列に分類されない、節４のコンピュータ実装方法。
３７．未分類マルチオリゴベースコール配列の数が、対象マルチオリゴ訓練段階の連続する反復の間に減少する、節３６のコンピュータ実装方法。
３８．対象生物特有訓練段階の各反復において、生物特有ベースコール配列の少なくともいくつかが、既知の部分配列に分類されない、節６のコンピュータ実装方法。
３９．未分類の生物特有ベースコール配列の数が、対象生物特有訓練段階の連続する反復の間に減少する、節３８のコンピュータ実装方法。
４０．ベースコーラの精度が、単一オリゴ訓練段階、マルチオリゴ訓練段階、及び生物特有訓練段階からの訓練の進行とともに増加する、節１のコンピュータ実装方法。
４１．オリゴの既知の配列が１～１００塩基を有し、２つ以上のオリゴの既知の配列の各々が１～１００塩基を有し、参照配列の既知の部分配列の各々が１～１０００塩基を有する、節１のコンピュータ実装方法。
４２．ベースコーラを訓練するために使用される標識された訓練実施例の塩基多様性が、単一オリゴ訓練段階、マルチオリゴ訓練段階、及び生物特有訓練段階からの訓練の進行とともに増加する、節４１のコンピュータ実装方法。
４３．単一オリゴ訓練段階が、単一オリゴベースコール配列と単一オリゴグラウンドトゥルース配列との間の不一致に基づいて、ベースコーラの重みを更新することによってベースコーラを訓練する、節１のコンピュータ実装方法。
４４．マルチオリゴ訓練段階が、分類されたマルチオリゴベースコール配列とそれぞれのマルチオリゴグラウンドトゥルース配列との間の不一致に基づいて、ベースコーラの重みを更新することによってベースコーラを訓練する、節１のコンピュータ実装方法。
４５．生物特有訓練段階が、マッピングされた生物特有ベースコール配列とそれぞれの生物特有グラウンドトゥルース配列との間の不一致に基づいて、ベースコーラの重みを更新することによってベースコーラを訓練する、節１のコンピュータ実装方法。
４６．生物特有訓練段階が、参照配列の低マッピング閾値セクション及び／又は既知のバリアントセクションにマッピングする生物特有ベースコール予測を分類しない、節１のコンピュータ実装方法。
４７．推論段階において未知の検体をベースコールするために、単一オリゴ訓練段階によって生成された訓練されたベースコーラを使用することを更に含む、節１のコンピュータ実装方法。
４８．推論段階において未知の検体をベースコールするために、マルチオリゴ訓練段階のいずれかによって生成された更なる訓練されたベースコーラを使用することを更に含む、節４７のコンピュータ実装方法。
４９．推論段階において未知の検体をベースコールするために、生物特有訓練段階のいずれかによって生成された更に訓練されたベースコーラを使用することを更に含む、節４８のコンピュータ実装方法。
５０．マルチオリゴ訓練段階が、２オリゴ訓練段階、３オリゴ訓練段階、４オリゴ訓練段階、及び後続のマルチオリゴ訓練段階を含む、節１のコンピュータ実装方法。
５１．２オリゴ訓練段階が、（ｉ）ベースコーラを使用して、２つのオリゴの２つの既知の配列を有するように配列決定された２オリゴ未知検体の集団の２オリゴベースコール配列を予測し、（ｉｉ）２つの既知の配列に対する選別された２オリゴ未知検体の２オリゴベースコール配列の分類に基づいて、２オリゴ未知検体の集団から２オリゴ未知検体を選別し、（ｉｉｉ）２つの既知の配列にそれぞれ一致するそれぞれの２オリゴグラウンドトゥルース配列で選別された２オリゴ未知検体のそれぞれのサブセットを標識し、（ｉｖ）選別された２オリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、節５０のコンピュータ実装方法。
５２．３オリゴ訓練段階が、（ｉ）ベースコーラを使用して、３つのオリゴの３つの既知配列を有するように配列決定された３オリゴ未知検体の集団の３オリゴベースコール配列を予測し、（ｉｉ）３つの既知の配列に対する選別された３オリゴ未知検体の３オリゴベースコール配列の分類に基づいて、３オリゴ未知検体の集団から３オリゴ未知検体を選別し、（ｉｉｉ）３つの既知配列にそれぞれ一致するそれぞれの３オリゴグラウンドトゥルース配列で選別された３オリゴ未知検体のそれぞれのサブセットを標識し、（ｉｖ）選別された３オリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、節５０のコンピュータ実装方法。
５３．４オリゴ訓練段階が、（ｉ）ベースコーラを使用して、４つのオリゴの４つの既知の配列を有するように配列決定された４オリゴ未知検体の集団の４オリゴベースコール配列を予測し、（ｉｉ）４つの既知の配列に対する選別された４オリゴ未知検体の４オリゴベースコール配列の分類に基づいて、４オリゴ未知検体の集団から４オリゴ未知検体を選別し、（ｉｉｉ）４つの既知の配列にそれぞれ一致するそれぞれの４オリゴグラウンドトゥルース配列で選別された４オリゴ未知検体のそれぞれのサブセットを標識し、（ｉｖ）選別された４オリゴ未知検体の標識されたそれぞれのサブセットを使用して、ベースコーラを更に訓練する、節５０のコンピュータ実装方法。
５４．生物が、細菌である（例えば、ＰｈｉＸ、大腸菌）、節１のコンピュータ実装方法。
５５．生物が、霊長類（例えば、ヒト）である、節１のコンピュータ実装方法。
５６．単一オリゴ未知検体が、単一オリゴベースコール配列を予測するためにベースコーラによって処理される単一オリゴ信号配列によって特徴付けられ、単一オリゴグラウンドトゥルース配列が、ベースコーラを訓練するために単一オリゴ信号配列に割り当てられる、節１のコンピュータ実装方法。
５７．マルチオリゴ未知検体が、マルチオリゴベースコール配列を予測するためにベースコーラによって処理されるマルチオリゴ信号配列によって特徴付けられ、マルチオリゴグラウンドトゥルース配列が、ベースコーラを訓練するためにマルチオリゴ信号配列に割り当てられる、節５６のコンピュータ実装方法。
５８．生物特有未知検体が、生物特有ベースコール配列を予測するためにベースコーラによって処理される生物特有信号配列によって特徴付けられ、生物特有グラウンドトゥルース配列が、ベースコーラを訓練するために生物特有信号配列に割り当てられる、節５７のコンピュータ実装方法。
５９．単一オリゴ信号配列、マルチオリゴ信号配列、及び生物特有信号配列が、画像配列である、節５８のコンピュータ実装方法。
６０．単一オリゴ信号配列、マルチオリゴ信号配列、及び生物特有信号配列が、電圧リード配列である、節５８のコンピュータ実装方法。
６１．単一オリゴ信号配列、マルチオリゴ信号配列、及び生物特有信号配列が、電流リード配列である、節５８のコンピュータ実装方法。
６２．単一オリゴ未知検体、マルチオリゴ未知検体、及び生物特有未知検体が、単一分子である、節１のコンピュータ実装方法。
６３．単一オリゴ未知検体、マルチオリゴ未知検体、及び生物特有未知検体が、増幅された単一分子（すなわち、クラスタ）である、節１のコンピュータ実装方法。
６４．単一オリゴ未知検体、マルチオリゴ未知検体、及び生物特有未知検体が、分子を含むビーズである、節１のコンピュータ実装方法。
６５．ベースコーラを使用して、生物の参照配列の１つ以上の既知の部分配列を有するように配列決定された未知の検体の集団のベースコール配列を予測することと、
選別された未知の検体のベースコール配列の、既知の部分配列を含有する参照配列のセクションへのマッピングに基づいて、未知の検体の集団から未知の検体を選別することと、
マッピングに基づいて、選別された未知の検体のそれぞれのサブセットを、既知の部分配列にそれぞれ一致するそれぞれのグラウンドトゥルース配列で標識することと、
選別された未知の検体の標識されたそれぞれのサブセットを使用して、ベースコーラを訓練することと、を含む、
コンピュータ実装方法。
６６．収束が満足するまで、使用すること、選別すること、標識すること、及び訓練することを繰り返すことを更に含む、節６５のコンピュータ実装方法。
６７．未知の塩基配列の漸進的により複雑な訓練例に対して、ベースコーラの漸進的により複雑な構成を訓練することであって、訓練例の処理に応答して、ベースコーラによって生成されたベースコール配列を、未知の塩基配列が配列決定された後の既知の塩基組成にマッピングすることに基づいて、訓練例に対して増加する量のグラウンドトゥルースラベルを反復的に生成することを含む、訓練することを含む、
コンピュータ実装方法。
６８．ベースコーラのより複雑な構成が、ベースコーラのパラメータの数を漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
６９．ベースコーラが、ニューラルネットワークである、節６８のコンピュータ実装方法。
７０．ニューラルネットワークのより複雑な構成が、ニューラルネットワークの層の数を漸進的に増加させることによって画定される、節６９のコンピュータ実装方法。
７１．ニューラルネットワークのより複雑な構成が、フォワードパスインスタンスにおいてニューラルネットワークによって処理される入力の数を漸進的に増加させることによって画定される、節６８のコンピュータ実装方法。
７２．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、節６９のコンピュータ実装方法。
７３．畳み込みニューラルネットワークのより複雑な構成が、畳み込みニューラルネットワークの畳み込みフィルタの数を漸進的に増加させることによって画定される、節７２のコンピュータ実装方法。
７４．畳み込みニューラルネットワークのより複雑な構成が、畳み込みニューラルネットワークの畳み込み層の数を漸進的に増加させることによって画定される、節７２のコンピュータ実装方法。
７５．未知の塩基配列のより複雑な訓練例が、未知の塩基配列の長さを漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
７６．未知の塩基配列のより複雑な訓練例が、未知の塩基配列の塩基多様性を漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
７７．未知の塩基配列のより複雑な訓練例が、未知の塩基配列が配列決定されるサンプルの数を漸進的に増加させることによって画定される、節６７のコンピュータ実装方法。
７８．未知の塩基配列のより複雑な訓練例が、オリゴ試料から細菌試料、霊長類試料へと進めることで画定される、節６７のコンピュータ実装方法。
Ｃ１．ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）特定の長さの検体及び／又は特定の数の塩基配列若しくは塩基部分配列をその中に含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）各反復で、（ａ）検体内の塩基配列又は塩基部分配列の長さ及び／又は数を単調に増加させ、かつ（ｂ）ベースコーラ内にロードされるニューラルネットワーク構成の複雑度を単調に増加させる一方で、ステップ（ｉ）を繰り返すことによってベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データを使用して、直後の反復中にベースコーラを訓練する、コンピュータ実装方法。
Ｃ２．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
ベースコーラの最初の訓練の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタ内にロードすることと、
複数のクラスタの各クラスタについて、既知の単一オリゴ塩基配列に対応するベースコールを予測することと
複数のクラスタの各クラスタについて、対応する予測されたベースコールを既知の単一オリゴ配列の塩基と比較することに基づいて、対応する誤差信号を生成し、それによって、複数のクラスタに対応する複数の誤差信号を生成することと、
複数の誤差信号に基づいて、ベースコーラを最初に訓練することと、含む、節Ｃ１の方法。
Ｃ３．ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することと、
第１の複数の塩基部分配列に選別された第１の生物塩基配列を含む検体を用いて、Ｎ２回の反復の間、ベースコーラを更に訓練することと、
第２の複数の塩基部分配列に選別された第２の生物塩基配列を含む検体を用いて、Ｎ３回の反復の間、ベースコーラを更に訓練することと、を含み、
Ｎ１回の反復が、Ｎ２回の反復の前に行われ、Ｎ２回の反復が、Ｎ３回の反復の前に行われ、
第２の生物塩基配列が、第１の生物塩基配列よりも塩基数が多い、節Ｃ１の方法。
Ｃ４．ベースコーラを反復的に更に訓練することが、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ４回の反復のためにベースコーラを更に訓練することと、を含み、
Ｎ４回の反復が、Ｎ１回の反復を行うこととＮ２回の反復を行うこととの間に行われる、節Ｃ３の方法。
Ｃ５．２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することが、
ベースコーラ内にロードされた第１のニューラルネットワーク構成を用いて、Ｎ１回の反復の第１のサブセットの間ベースコーラを更に訓練することと、
ベースコーラ内にロードされた第２のニューラルネットワーク構成を用いてＮ１回の反復の第２のサブセットの間ベースコーラを更に訓練することであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも複雑であり、Ｎ１回の反復の第２のサブセットが、Ｎ１回の反復の第１のサブセットが発生した後に発生する、更に訓練することと、を含む、節Ｃ３の方法。
Ｃ６．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ｃ５の方法。
Ｃ７．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ｃ５の方法。
Ｃ８．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ｃ５の方法。
Ｃ９．２つの既知の一意的なオリゴ塩基配列を含む検体を用いてＮ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）フローセルの第２の複数のクラスタに、２つの既知のユニークなオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）複数の予測されたベースコールのうちの第１の予測されたベースコールを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）複数の予測されたベースコールのうちの第２の予測されたベースコールを第２の既知のオリゴ塩基配列にマッピングする一方で、複数の予測されたベースコールのうちの第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）第１の予測されたベースコールを第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）第２の予測されたベースコールを第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
第１及び第２の誤差信号に基づいて、ベースコーラを更に訓練することと、を含む、節Ｃ３の方法。
Ｃ１０．第１の予測されたベースコールを２つの既知の一意的なオリゴ塩基配列の第１の既知のオリゴ塩基配列にマッピングすることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、第２の既知のオリゴ塩基配列と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、第１の予測されたベースコールを第１の既知のオリゴ塩基配列にマッピングすることと、を含む、節Ｃ９の方法。
Ｃ１１．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節Ｃ９の方法。
Ｃ１２．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節Ｃ９の方法。
Ｃ１３．Ｎ１回の反復のうちの１回の反復の間に更なる訓練されたベースコーラを使用して標識された訓練データを生成することが、
Ｎ１回の反復のうちの１回の反復中にベースコーラを更に訓練した後に、第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）他の複数の予測されたベースコールの第１のサブセットを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）他の複数の予測されたベースコールの第２のサブセットを第２の既知のオリゴ塩基配列に再マッピングする一方で、他の複数の予測されたベースコールの第３のサブセットを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
標識された訓練データが、（ｉ）記他の複数の予測されたベースコールの第１のサブセットであって、第１の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第１のサブセットに対するグラウンドトゥルースデータを形成する、第１のサブセット、及び（ｉｉ）他の複数の予測されたベースコールの第２のサブセットであって、第２の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第２のサブセットに対するグラウンドトゥルースデータを形成する、第２のサブセットを含むように、再マッピングに基づいて標識された訓練データを生成することと、を含む、節Ｃ９の方法。
Ｃ１４．Ｎ１回の反復のうちの１回の反復中に生成された標識された訓練データが、Ｎ１回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、
節Ｃ１３の方法。
Ｃ１５．ベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中と、Ｎ１回の反復のうちの直後の反復中とで同じである、
節Ｃ１４の方法。
Ｃ１６．Ｎ１回の反復のうちの直後の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節Ｃ１４の方法。
Ｃ１７．Ｎ２回の反復の間ベースコーラを更に訓練することが、
（ｉ）フローセルの複数のクラスタのうちの第１のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第１の塩基部分配列を、（ｉｉ）フローセルの複数のクラスタのうちの第２のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第２の塩基部分配列を、かつ（ｉｉｉ）フローセルの複数のクラスタのうちの第３のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第３の塩基部分配列を投入することと、
（ｉ）第１のクラスタに投入された塩基部分配列を示す第１のクラスタからの第１の配列信号、（ｉｉ）第２のクラスタに投入された塩基部分配列を示す第２のクラスタからの第２の配列信号、及び（ｉｉｉ）第３のクラスタに投入された塩基部分配列を示す第３のクラスタからの第３の配列信号を受信することと、
（ｉ）第１の配列信号に基づいて、第１の予測された塩基部分配列を、（ｉｉ）第２の配列信号に基づいて、第２の予測された塩基部分配列を、かつ（ｉｉｉ）第３の配列信号に基づいて、第３の予測された塩基部分配列を生成することと、
（ｉ）第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、かつ（ｉｉ）第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションとマッピングする一方で、第３の予測された塩基部分配列を、第１の生物塩基配列のいずれのセクションともマッピングしないことと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、第１の予測された塩基部分配列のグラウンドトゥルースである、第１の予測された塩基部分配列、及び（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた第２の予測された塩基部分配列であって、第１の生物塩基配列の第２のセクションが、第２の予測された塩基部分配列のグラウンドトゥルースである、第２の予測された塩基部分配列を含む、標識された訓練データを生成することと、を含む、節Ｃ３の方法。
Ｃ１８．第１の予測された塩基部分配列が、Ｌ１個の塩基を有し、
第１の予測された塩基部分配列のＬ１個の塩基のうちの１つ以上の塩基が、ベースコーラによるベースコーリング予測における誤差に起因して、第１の生物塩基配列の第１のセクションの対応する塩基と一致しない、
節Ｃ１７の方法。
Ｃ１９．第１の予測された塩基部分配列がＬ１個の塩基を有し、第１の予測された塩基部分配列のＬ１個の塩基が、最初のＬ２個の塩基と、それに続く後続のＬ３個の塩基とを含み、第１の予測された塩基部分配列を第１の生物塩基配列の第１のセクションとマッピングすることが、
第１の予測された塩基配列の最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させることと、
第１の生物塩基配列の第１のセクションを、第１のセクションが、（ｉ）連続するＬ２個の塩基を最初の塩基として含み、かつ（ｉｉ）Ｌ１個の塩基を含むように同定することと、
第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションとマッピングすることと、を含む、節Ｃ１８の方法。
Ｃ２０．第１の予測された塩基配列の最初のＬ２個の塩基を実質的かつ一意的に一致させる一方で、第１の予測された塩基配列の後続のＬ３個の塩基を第１の生物塩基配列のいずれかの塩基と一致させることをめざすことを控えることを更に含む、Ｃ１９の方法。
Ｃ２１．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と実質的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基の少なくとも閾値数の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一致する、
Ｃ１９の方法。
Ｃ２２．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一意的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基のみと実質的に一致し、第１の生物塩基配列の他の連続するＬ２個の塩基とは一致しない、Ｃ１９の方法。
Ｃ２３．第３の予測された塩基部分配列がＬ１個の塩基を有し、第３の予測された塩基部分配列と、第１の複数の塩基部分配列の塩基部分配列のいずれかとのマッピングしないことが、
（ｉ）第３の予測された塩基配列のＬ１個の塩基のうちの最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させないことを含む、節Ｃ１７の方法。
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）特定の長さの検体及び／又は特定の数の塩基配列若しくは塩基部分配列をその中に含む検体を用いてベースコーラを更に訓練し、更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）各反復で、（ａ）検体内の塩基配列又は塩基部分配列の長さ及び／又は数を単調に増加させ、かつ（ｂ）ベースコーラ内にロードされるニューラルネットワーク構成の複雑度を単調に増加させる一方で、ステップ（ｉ）を繰り返すことによってベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データを使用して、直後の反復中にベースコーラを訓練する、コンピュータ実装方法。
Ｃ２．単一オリゴ塩基配列を含む検体を用いてベースコーラを反復的に最初に訓練することが、
ベースコーラの最初の訓練の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタ内にロードすることと、
複数のクラスタの各クラスタについて、既知の単一オリゴ塩基配列に対応するベースコールを予測することと
複数のクラスタの各クラスタについて、対応する予測されたベースコールを既知の単一オリゴ配列の塩基と比較することに基づいて、対応する誤差信号を生成し、それによって、複数のクラスタに対応する複数の誤差信号を生成することと、
複数の誤差信号に基づいて、ベースコーラを最初に訓練することと、含む、節Ｃ１の方法。
Ｃ３．ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することと、
第１の複数の塩基部分配列に選別された第１の生物塩基配列を含む検体を用いて、Ｎ２回の反復の間、ベースコーラを更に訓練することと、
第２の複数の塩基部分配列に選別された第２の生物塩基配列を含む検体を用いて、Ｎ３回の反復の間、ベースコーラを更に訓練することと、を含み、
Ｎ１回の反復が、Ｎ２回の反復の前に行われ、Ｎ２回の反復が、Ｎ３回の反復の前に行われ、
第２の生物塩基配列が、第１の生物塩基配列よりも塩基数が多い、節Ｃ１の方法。
Ｃ４．ベースコーラを反復的に更に訓練することが、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ４回の反復のためにベースコーラを更に訓練することと、を含み、
Ｎ４回の反復が、Ｎ１回の反復を行うこととＮ２回の反復を行うこととの間に行われる、節Ｃ３の方法。
Ｃ５．２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間ベースコーラを更に訓練することが、
ベースコーラ内にロードされた第１のニューラルネットワーク構成を用いて、Ｎ１回の反復の第１のサブセットの間ベースコーラを更に訓練することと、
ベースコーラ内にロードされた第２のニューラルネットワーク構成を用いてＮ１回の反復の第２のサブセットの間ベースコーラを更に訓練することであって、第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも複雑であり、Ｎ１回の反復の第２のサブセットが、Ｎ１回の反復の第１のサブセットが発生した後に発生する、更に訓練することと、を含む、節Ｃ３の方法。
Ｃ６．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数の層を有する、節Ｃ５の方法。
Ｃ７．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも大きい数の重みを有する、節Ｃ５の方法。
Ｃ８．第２のニューラルネットワーク構成が、第１のニューラルネットワーク構成よりも多い数のパラメータを有する、節Ｃ５の方法。
Ｃ９．２つの既知の一意的なオリゴ塩基配列を含む検体を用いてＮ１回の反復の間ベースコーラを更に訓練することが、Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）フローセルの第２の複数のクラスタに、２つの既知のユニークなオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）複数の予測されたベースコールのうちの第１の予測されたベースコールを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）複数の予測されたベースコールのうちの第２の予測されたベースコールを第２の既知のオリゴ塩基配列にマッピングする一方で、複数の予測されたベースコールのうちの第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）第１の予測されたベースコールを第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）第２の予測されたベースコールを第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
第１及び第２の誤差信号に基づいて、ベースコーラを更に訓練することと、を含む、節Ｃ３の方法。
Ｃ１０．第１の予測されたベースコールを２つの既知の一意的なオリゴ塩基配列の第１の既知のオリゴ塩基配列にマッピングすることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、第２の既知のオリゴ塩基配列と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、第１の予測されたベースコールを第１の既知のオリゴ塩基配列にマッピングすることと、を含む、節Ｃ９の方法。
Ｃ１１．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節Ｃ９の方法。
Ｃ１２．第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
第１の予測されたベースコールの各塩基を、第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
第１の予測されたベースコールが、第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することに基づいて、第３の予測されたベースコールを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、節Ｃ９の方法。
Ｃ１３．Ｎ１回の反復のうちの１回の反復の間に更なる訓練されたベースコーラを使用して標識された訓練データを生成することが、
Ｎ１回の反復のうちの１回の反復中にベースコーラを更に訓練した後に、第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）他の複数の予測されたベースコールの第１のサブセットを第１の既知のオリゴ塩基配列に、かつ（ｉｉ）他の複数の予測されたベースコールの第２のサブセットを第２の既知のオリゴ塩基配列に再マッピングする一方で、他の複数の予測されたベースコールの第３のサブセットを第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
標識された訓練データが、（ｉ）記他の複数の予測されたベースコールの第１のサブセットであって、第１の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第１のサブセットに対するグラウンドトゥルースデータを形成する、第１のサブセット、及び（ｉｉ）他の複数の予測されたベースコールの第２のサブセットであって、第２の既知のオリゴ塩基配列が他の複数の予測されたベースコールの第２のサブセットに対するグラウンドトゥルースデータを形成する、第２のサブセットを含むように、再マッピングに基づいて標識された訓練データを生成することと、を含む、節Ｃ９の方法。
Ｃ１４．Ｎ１回の反復のうちの１回の反復中に生成された標識された訓練データが、Ｎ１回の反復のうちの直後の反復中にベースコーラを訓練するために使用される、
節Ｃ１３の方法。
Ｃ１５．ベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中と、Ｎ１回の反復のうちの直後の反復中とで同じである、
節Ｃ１４の方法。
Ｃ１６．Ｎ１回の反復のうちの直後の反復中のベースコーラのニューラルネットワーク構成が、Ｎ１回の反復のうちの１回の反復中のベースコーラのニューラルネットワーク構成とは異なり、より複雑である、
節Ｃ１４の方法。
Ｃ１７．Ｎ２回の反復の間ベースコーラを更に訓練することが、
（ｉ）フローセルの複数のクラスタのうちの第１のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第１の塩基部分配列を、（ｉｉ）フローセルの複数のクラスタのうちの第２のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第２の塩基部分配列を、かつ（ｉｉｉ）フローセルの複数のクラスタのうちの第３のクラスタに、第１の生物の第１の複数の塩基部分配列のうちの第３の塩基部分配列を投入することと、
（ｉ）第１のクラスタに投入された塩基部分配列を示す第１のクラスタからの第１の配列信号、（ｉｉ）第２のクラスタに投入された塩基部分配列を示す第２のクラスタからの第２の配列信号、及び（ｉｉｉ）第３のクラスタに投入された塩基部分配列を示す第３のクラスタからの第３の配列信号を受信することと、
（ｉ）第１の配列信号に基づいて、第１の予測された塩基部分配列を、（ｉｉ）第２の配列信号に基づいて、第２の予測された塩基部分配列を、かつ（ｉｉｉ）第３の配列信号に基づいて、第３の予測された塩基部分配列を生成することと、
（ｉ）第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションと、かつ（ｉｉ）第２の予測された塩基部分配列を、第１の生物塩基配列の第２のセクションとマッピングする一方で、第３の予測された塩基部分配列を、第１の生物塩基配列のいずれのセクションともマッピングしないことと、
（ｉ）第１の生物塩基配列の第１のセクションにマッピングされた第１の予測された塩基部分配列であって、第１の生物塩基配列の第１のセクションが、第１の予測された塩基部分配列のグラウンドトゥルースである、第１の予測された塩基部分配列、及び（ｉｉ）第１の生物塩基配列の第２のセクションにマッピングされた第２の予測された塩基部分配列であって、第１の生物塩基配列の第２のセクションが、第２の予測された塩基部分配列のグラウンドトゥルースである、第２の予測された塩基部分配列を含む、標識された訓練データを生成することと、を含む、節Ｃ３の方法。
Ｃ１８．第１の予測された塩基部分配列が、Ｌ１個の塩基を有し、
第１の予測された塩基部分配列のＬ１個の塩基のうちの１つ以上の塩基が、ベースコーラによるベースコーリング予測における誤差に起因して、第１の生物塩基配列の第１のセクションの対応する塩基と一致しない、
節Ｃ１７の方法。
Ｃ１９．第１の予測された塩基部分配列がＬ１個の塩基を有し、第１の予測された塩基部分配列のＬ１個の塩基が、最初のＬ２個の塩基と、それに続く後続のＬ３個の塩基とを含み、第１の予測された塩基部分配列を第１の生物塩基配列の第１のセクションとマッピングすることが、
第１の予測された塩基配列の最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させることと、
第１の生物塩基配列の第１のセクションを、第１のセクションが、（ｉ）連続するＬ２個の塩基を最初の塩基として含み、かつ（ｉｉ）Ｌ１個の塩基を含むように同定することと、
第１の予測された塩基部分配列を、第１の生物塩基配列の第１のセクションとマッピングすることと、を含む、節Ｃ１８の方法。
Ｃ２０．第１の予測された塩基配列の最初のＬ２個の塩基を実質的かつ一意的に一致させる一方で、第１の予測された塩基配列の後続のＬ３個の塩基を第１の生物塩基配列のいずれかの塩基と一致させることをめざすことを控えることを更に含む、Ｃ１９の方法。
Ｃ２１．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と実質的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基の少なくとも閾値数の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一致する、
Ｃ１９の方法。
Ｃ２２．第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基と一意的に一致し、それによって、第１の予測された塩基配列の最初のＬ２個の塩基が、第１の生物塩基配列の連続するＬ２個の塩基のみと実質的に一致し、第１の生物塩基配列の他の連続するＬ２個の塩基とは一致しない、Ｃ１９の方法。
Ｃ２３．第３の予測された塩基部分配列がＬ１個の塩基を有し、第３の予測された塩基部分配列と、第１の複数の塩基部分配列の塩基部分配列のいずれかとのマッピングしないことが、
（ｉ）第３の予測された塩基配列のＬ１個の塩基のうちの最初のＬ２個の塩基を、第１の生物塩基配列の連続するＬ２個の塩基と実質的かつ一意的に一致させないことを含む、節Ｃ１７の方法。
我々は以下のように特許請求する。
１００ バイオセンサ
１０１ 励起光
１０２ フローセル
１０４ サンプリングデバイス
１０６ センサ
１０６’ ピクセル領域
１０８ センサ
１０８’ ピクセル領域
１１０ センサ
１１０’ ピクセル領域
１１２ センサ
１１２’ ピクセル領域
１１４ クラスタ対
１２０ 基材層
１２１ 基材層
１２２ 基材層
１２３ 基材層
１２４ 基材層
１２５ 基材層
１２６ 基材層
１３０ 導電ビア
１３２ 電気接点
１３４ サンプル表面
１３６ フローカバー
１３８ 側壁
１４２ 出口ポート
１４４ フローチャネル
１４６ 出口ポート
２００ フローセル
２０２ レーン
２０８ セクション
２１２ タイル
２１６ クラスタ
３０４ クラスタ
４００ 配列決定マシン
４０１ フローセル
４０２ ＣＰＵ
４０３ メモリ
４０４ メモリ
４０５ バス
４５０ プロセッサ
４５１ データフロー論理
４５２ ベースコール実行論理
４５４ データフロー経路
４５５ 制御経路
４６０ メモリ
４６１ バス
５００ ライン
５０１ 画像処理スレッド
５０２ ライン
５０３ 高速バス
５０４ データキャッシュ
５０５ 高速バス
５１０ ディスパッチ論理
５１１ ライン
５１２ ライン
５２０ マルチクラスタニューラルネットワークプロセッサハードウェア
６０１ クラスタ
６０２ ＤＲＡＭ
６０９ ＣＰＵ通信リンク
６１０ ＤＲＡＭ通信リンク
６１５ プロセスデータ
７００ パッチ
７０１ スタック
７０２ スタック
７０３ スタック
７０４ スタック
７０５ スタック
７１０ 層
７１１ 層
７１２ 層
７１３ 層
７１４ 層
７１５ 層
７１６ 層
７２０ 逆階層
７２１ 時間層
７２２ 時間層
７２３ 時間層
７４０ ソフトマックス関数
７５０ ベースコール確率
１４００ ベースコーリングシステム
１４０４ 配列決定マシン
１４０５ フローセル
１４０６ グラウンドトゥルース
１４０７ クラスタ
１４１２ 配列信号
１４１３ 比較動作
１４１３ 動作
１４１４ ベースコーラ
１４１５ ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＮＮ）構成
１４１６ マッピングロジック
１４１７ 勾配更新
１４１８ ベースコール配列
１５０１ オリゴ
１５０６ グラウンドトゥルース
１５１０ オリゴ
１５１２ 配列信号
１５１８ ベースコール配列
１５５０ 訓練データ
１６１３ 比較関数
１６１５ ニューラルネットワーク構成
１６１７ 勾配更新
１６１８ ベースコール配列
１６２８ ベースコール配列
１６３８ ベースコール配列
２０００ 生物配列
２００４ 部分配列
２０１２ 配列信号
２０１５ 第１の生物レベルニューラルネットワーク構成
２０１８ ベースコール配列
２４００ ベースコールシステム
２４０２ バイオセンサ
２４０４ システムコントローラ
２４０６ 流体制御システム
２４０８ 流体貯蔵システム
２４０９ 照明システム
２４１０ 温度制御システム
２４１２ インターフェース
２４１３ ディスプレイ
２４１４ ユーザインターフェース
２４１５ ユーザ入力デバイス
２４１６ ハウジング
２５２０ 通信ポート
２５３０ 主制御モジュール
２５３１ 流体制御モジュール
２５３２ 流体貯蔵モジュール
２５３３ 温度制御モジュール
２５３４ デバイスモジュール
２５３５ 識別モジュール
２５３６ 配列決定（ｓｅｑｕｅｎｃｉｎｇ－ｂｙ－ｓｙｎｔｈｅｓｉｓ、ＳＢＳ）モジュール
２５３７ 増幅モジュール
２５３８ 分析モジュール
２５３９ 照明モジュール
２５４８ テンプレート発生器
２５５８ ベースコーラ
２６００ コンピュータシステム
２６１０ 記憶サブシステム
２６２２ メモリサブシステム
２６３２ 専用メモリ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）
２６３４ メインランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＲＡＭ）
２６３６ ファイル記憶サブシステム
２６３８ ユーザインターフェース入力デバイス
２６５５ バスサブシステム
２６７２ 中央処理ユニット（ＣＰＵ）
２６７４ ネットワークインターフェースサブシステム
２６７６ ユーザインターフェース出力デバイス
２６７８ 深層学習プロセッサ
１０１ 励起光
１０２ フローセル
１０４ サンプリングデバイス
１０６ センサ
１０６’ ピクセル領域
１０８ センサ
１０８’ ピクセル領域
１１０ センサ
１１０’ ピクセル領域
１１２ センサ
１１２’ ピクセル領域
１１４ クラスタ対
１２０ 基材層
１２１ 基材層
１２２ 基材層
１２３ 基材層
１２４ 基材層
１２５ 基材層
１２６ 基材層
１３０ 導電ビア
１３２ 電気接点
１３４ サンプル表面
１３６ フローカバー
１３８ 側壁
１４２ 出口ポート
１４４ フローチャネル
１４６ 出口ポート
２００ フローセル
２０２ レーン
２０８ セクション
２１２ タイル
２１６ クラスタ
３０４ クラスタ
４００ 配列決定マシン
４０１ フローセル
４０２ ＣＰＵ
４０３ メモリ
４０４ メモリ
４０５ バス
４５０ プロセッサ
４５１ データフロー論理
４５２ ベースコール実行論理
４５４ データフロー経路
４５５ 制御経路
４６０ メモリ
４６１ バス
５００ ライン
５０１ 画像処理スレッド
５０２ ライン
５０３ 高速バス
５０４ データキャッシュ
５０５ 高速バス
５１０ ディスパッチ論理
５１１ ライン
５１２ ライン
５２０ マルチクラスタニューラルネットワークプロセッサハードウェア
６０１ クラスタ
６０２ ＤＲＡＭ
６０９ ＣＰＵ通信リンク
６１０ ＤＲＡＭ通信リンク
６１５ プロセスデータ
７００ パッチ
７０１ スタック
７０２ スタック
７０３ スタック
７０４ スタック
７０５ スタック
７１０ 層
７１１ 層
７１２ 層
７１３ 層
７１４ 層
７１５ 層
７１６ 層
７２０ 逆階層
７２１ 時間層
７２２ 時間層
７２３ 時間層
７４０ ソフトマックス関数
７５０ ベースコール確率
１４００ ベースコーリングシステム
１４０４ 配列決定マシン
１４０５ フローセル
１４０６ グラウンドトゥルース
１４０７ クラスタ
１４１２ 配列信号
１４１３ 比較動作
１４１３ 動作
１４１４ ベースコーラ
１４１５ ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＮＮ）構成
１４１６ マッピングロジック
１４１７ 勾配更新
１４１８ ベースコール配列
１５０１ オリゴ
１５０６ グラウンドトゥルース
１５１０ オリゴ
１５１２ 配列信号
１５１８ ベースコール配列
１５５０ 訓練データ
１６１３ 比較関数
１６１５ ニューラルネットワーク構成
１６１７ 勾配更新
１６１８ ベースコール配列
１６２８ ベースコール配列
１６３８ ベースコール配列
２０００ 生物配列
２００４ 部分配列
２０１２ 配列信号
２０１５ 第１の生物レベルニューラルネットワーク構成
２０１８ ベースコール配列
２４００ ベースコールシステム
２４０２ バイオセンサ
２４０４ システムコントローラ
２４０６ 流体制御システム
２４０８ 流体貯蔵システム
２４０９ 照明システム
２４１０ 温度制御システム
２４１２ インターフェース
２４１３ ディスプレイ
２４１４ ユーザインターフェース
２４１５ ユーザ入力デバイス
２４１６ ハウジング
２５２０ 通信ポート
２５３０ 主制御モジュール
２５３１ 流体制御モジュール
２５３２ 流体貯蔵モジュール
２５３３ 温度制御モジュール
２５３４ デバイスモジュール
２５３５ 識別モジュール
２５３６ 配列決定（ｓｅｑｕｅｎｃｉｎｇ－ｂｙ－ｓｙｎｔｈｅｓｉｓ、ＳＢＳ）モジュール
２５３７ 増幅モジュール
２５３８ 分析モジュール
２５３９ 照明モジュール
２５４８ テンプレート発生器
２５５８ ベースコーラ
２６００ コンピュータシステム
２６１０ 記憶サブシステム
２６２２ メモリサブシステム
２６３２ 専用メモリ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）
２６３４ メインランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ、ＲＡＭ）
２６３６ ファイル記憶サブシステム
２６３８ ユーザインターフェース入力デバイス
２６５５ バスサブシステム
２６７２ 中央処理ユニット（ＣＰＵ）
２６７４ ネットワークインターフェースサブシステム
２６７６ ユーザインターフェース出力デバイス
２６７８ 深層学習プロセッサ
Claims (33)
- ベースコーラを漸進的に訓練するコンピュータ実装方法であって、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、前記最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）マルチオリゴ塩基配列を含む検体を用いて前記ベースコーラを更に訓練し、前記更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
少なくとも１回の反復中に、前記ベースコーラ内にロードされたニューラルネットワーク構成の複雑度を増加させながら、ステップ（ｉ）を繰り返すことによって前記ベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データが、直後の反復中に前記ベースコーラを訓練するために使用される、コンピュータ実装方法。 - マルチオリゴ塩基配列を含む検体を用いて前記ベースコーラを更に訓練する少なくとも１回の反復中に、前記検体内で、前記マルチオリゴ塩基配列の一意的なオリゴ塩基配列の数を増加させることを更に含む、請求項１に記載の方法。
- 前記単一オリゴ塩基配列を含む前記検体を用いて前記ベースコーラを反復的に最初に訓練することが、
前記ベースコーラの前記最初の訓練の第１の反復中に、
既知の単一オリゴ塩基配列を、フローセルの複数のクラスタに投入することと、
前記複数のクラスタに対応する複数の配列信号を生成することであって、前記複数の配列信号の各配列信号が、前記複数のクラスタのうちの対応するクラスタにロードされた塩基配列を表す、生成することと、
前記複数の配列信号の各配列信号に基づいて、前記既知の単一オリゴ塩基配列に対する対応するベースコールを予測し、それによって複数の予測されたベースコールを生成することと、
前記複数の配列信号の各配列信号について、（ｉ）対応する予測されたベースコールと（ｉｉ）前記既知の単一オリゴ塩基配列の前記塩基との比較に基づいて、対応する誤差信号を生成し、それによって、前記複数の配列信号に対応する複数の誤差信号を生成することと、
前記複数の誤差信号に基づいて、前記第１の反復中に前記ベースコーラを最初に訓練することと、を含む、請求項１又は２に記載の方法。 - 前記第１の反復中に前記ベースコーラを最初に訓練することが、
前記ベースコーラにロードされたニューラルネットワーク構成の逆伝搬経路を使用して、前記複数の誤差信号に基づいて、前記ニューラルネットワーク構成の重み及び／又はバイアスを更新すること、を含む、請求項３に記載の方法。 - 前記単一オリゴ塩基配列を含む前記検体を用いて前記ベースコーラを反復的に最初に訓練することが、
前記最初の訓練の前記第１の反復の後に行われる前記ベースコーラの前記最初の訓練の第２の反復中に、
前記最初の訓練の前記第１の反復中に部分的に訓練された前記ベースコーラを使用して、前記複数の配列信号の各配列信号に基づいて、前記既知の単一オリゴ塩基配列に対する対応する更なるベースコールを予測し、それによって、複数の更なる予測されたベースコールを生成することと、
前記複数の配列信号の各配列信号について、（ｉ）対応する更なる予測されたベースコールと（ｉｉ）前記既知の単一オリゴ塩基配列の前記塩基との比較に基づいて、対応する更なる誤差信号を生成し、それによって、前記複数の配列信号に対応する複数の更なる誤差信号を生成することと、
前記複数の更なる誤差信号に基づいて、前記第２の反復中に前記ベースコーラを更に最初に訓練することと、を更に含む、請求項１～４のいずれか一項に記載の方法。 - 前記単一オリゴ塩基配列を含む前記検体を用いて前記ベースコーラを反復的に最初に訓練することが、
収束条件が満たされるまで、複数のインスタンスについて、前記単一オリゴ塩基配列を含む検体を用いて前記ベースコーラの前記最初の訓練の前記第２の反復を繰り返すこと、を含む、請求項５に記載の方法。 - 前記収束条件が、前記ベースコーラの前記最初の訓練の前記第２の反復の２つの連続する反復の間に、前記複数の更なる誤差信号の減少が閾値未満である場合に満たされる、請求項６に記載の方法。
- 前記収束条件が、前記ベースコーラの前記最初の訓練の前記第２の反復が、少なくとも閾値数のインスタンスについて繰り返される場合に、満たされる、請求項６又は７に記載の方法。
- 前記ベースコーラの前記最初の訓練の前記第１の反復中に生成された、前記複数のクラスタに対応する前記複数の配列信号が、前記ベースコーラの前記最初の訓練の前記第２の反復のために再使用される、請求項３～８のいずれか一項に記載の方法。
- （ｉ）前記対応する予測されたベースコールと、（ｉｉ）前記既知の単一オリゴ配列の前記塩基と、を比較することが、
第１の予測されたベースコールについて、（ｉ）前記第１の予測されたベースコールの第１の塩基を、前記既知の単一オリゴ配列の第１の塩基と比較し、（ｉｉ）前記第１の予測されたベースコールの第２の塩基を、前記既知の単一オリゴ配列の第２の塩基と比較して、対応する第１の誤差信号を生成すること、を含む、請求項３～９のいずれか一項に記載の方法。 - 前記ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間前記ベースコーラを更に訓練することと、
３つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ２回の反復の間前記ベースコーラを更に訓練することと、を含み、
前記Ｎ１回の反復が、前記Ｎ２回の反復の前に行われる、請求項１～１０のいずれか一項に記載の方法。 - 前記単一オリゴ塩基配列を含む前記検体を用いて前記ベースコーラを反復的に最初に訓練する間に、第１のニューラルネットワーク構成が前記ベースコーラ内にロードされ、前記ベースコーラを反復的に更に訓練することが、
２つの既知の一意的なオリゴ塩基配列を含む検体を用いて、Ｎ１回の反復の間前記ベースコーラを更に訓練することを含み、それによって、
（ｉ）前記Ｎ１回の反復の第１のサブセットの間、第２のニューラルネットワーク構成が前記ベースコーラ内にロードされ、
（ｉｉ）前記Ｎ１回の反復の前記第１のサブセットの後に生じる前記Ｎ１回の反復の第２のサブセットの間、第３のニューラルネットワーク構成がベースコーラ内にロードされ、前記第１、第２、及び第３のニューラルネットワーク構成が互いに異なる、請求項１～１１のいずれか一項に記載の方法。 - 前記第２のニューラルネットワーク構成が、前記第１のニューラルネットワーク構成よりも複雑であり、前記第３のニューラルネットワーク構成が、前記第２のニューラルネットワーク構成よりも複雑である、請求項１２に記載の方法。
- 前記第２のニューラルネットワーク構成が、前記第１のニューラルネットワーク構成よりも多い数の層を有する、請求項１２又は１３に記載の方法。
- 前記第２のニューラルネットワーク構成が、前記第１のニューラルネットワーク構成よりも大きい数の重みを有する、請求項１２～１４のいずれか一項に記載の方法。
- 前記第２のニューラルネットワーク構成が、前記第１のニューラルネットワーク構成よりも多い数のパラメータを有する、請求項１２～１５のいずれか一項に記載の方法。
- 前記第３のニューラルネットワーク構成が、前記第２のニューラルネットワーク構成よりも多い数の層を有する、請求項１２～１６のいずれか一項に記載の方法。
- 前記第３のニューラルネットワーク構成が、前記第２のニューラルネットワーク構成よりも大きい数の重みを有する、請求項１２～１７のいずれか一項に記載の方法。
- 前記第３のニューラルネットワーク構成が、前記第２のニューラルネットワーク構成よりも多い数のパラメータを有する、請求項１２～１８のいずれか一項に記載の方法。
- ２つの既知の一意的なオリゴ塩基配列を含む前記検体を用いて前記Ｎ１回の反復の間前記ベースコーラを更に訓練することが、前記Ｎ１回の反復のうちの１回の反復の間、
（ｉ）フローセルの第１の複数のクラスタに、前記２つの既知の一意的なオリゴ塩基配列のうちの第１の既知のオリゴ塩基配列を、かつ（ｉｉ）前記フローセルの第２の複数のクラスタに、前記２つの既知の一意的なオリゴ塩基配列のうちの第２の既知のオリゴ塩基配列を投入することと、
前記第１及び第２の複数のクラスタの各クラスタについて、複数の予測されたベースコールが生成されるように、対応するベースコールを予測することと、
（ｉ）前記複数の予測されたベースコールのうちの第１の予測されたベースコールを前記第１の既知のオリゴ塩基配列に、かつ（ｉｉ）前記複数の予測されたベースコールのうちの第２の予測されたベースコールを前記第２の既知のオリゴ塩基配列にマッピングする一方で、前記複数の予測されたベースコールのうちの第３の予測されたベースコールを前記第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
（ｉ）前記第１の予測されたベースコールを前記第１の既知のオリゴ塩基配列と比較することに基づいて、第１の誤差信号、及び（ｉｉ）前記第２の予測されたベースコールを前記第２の既知のオリゴ塩基配列と比較することに基づいて、第２の誤差信号を生成することと、
前記第１及び第２の誤差信号に基づいて、前記ベースコーラを更に訓練することと、を含む、請求項１１～１９のいずれか一項に記載の方法。 - 前記第１の予測されたベースコールを前記２つの既知の一意的なオリゴ塩基配列の前記第１の既知のオリゴ塩基配列にマッピングすることが、
前記第１の予測されたベースコールの各塩基を、前記第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
前記第１の予測されたベースコールが、前記第１の既知のオリゴ塩基配列と少なくとも閾値数の塩基の類似性を有し、前記第２の既知のオリゴ塩基配列と前記閾値数未満の塩基の類似性を有すると判定することと、
前記第１の予測されたベースコールが、前記第１の既知のオリゴ塩基配列と前記少なくとも閾値数の塩基の類似性を有すると判定することに基づいて、前記第１の予測されたベースコールを前記第１の既知のオリゴ塩基配列にマッピングすることと、を含む、請求項２０に記載の方法。 - 前記第３の予測されたベースコールを前記第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
前記第１の予測されたベースコールの各塩基を、前記第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
前記第１の予測されたベースコールが、前記第１及び第２の既知のオリゴ塩基配列の各々と閾値数未満の塩基の類似性を有すると判定することと、
前記第１の予測されたベースコールが、前記第１及び第２の既知のオリゴ塩基配列の各々と前記閾値数未満の塩基の類似性を有すると判定することに基づいて、前記第３の予測されたベースコールを前記第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、請求項２０又は２１に記載の方法。 - 前記第３の予測されたベースコールを前記第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることが、
前記第１の予測されたベースコールの各塩基を、前記第１及び第２の既知のオリゴ塩基配列の対応する塩基と比較することと、
前記第１の予測されたベースコールが、前記第１及び第２の既知のオリゴ塩基配列の各々と閾値数を超える塩基の類似性を有すると判定することと、
前記第１の予測されたベースコールが、前記第１及び第２の既知のオリゴ塩基配列の各々と前記閾値数を超える塩基の類似性を有すると判定することに基づいて、前記第３の予測されたベースコールを前記第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、を含む、請求項２０～２２のいずれか一項に記載の方法。 - 前記Ｎ１回の反復のうちの前記１回の反復の間前記更に訓練されたベースコーラを使用して、標識された訓練データを生成することが、
前記Ｎ１回の反復のうちの前記１回の反復中に前記ベースコーラを更に訓練した後に、前記第１及び第２の複数のクラスタの各クラスタについて、別の複数の予測されたベースコールが生成されるように、対応するベースコールを再予測することと、
（ｉ）前記他の複数の予測されたベースコールの第１のサブセットを前記第１の既知のオリゴ塩基配列に、かつ（ｉｉ）前記他の複数の予測されたベースコールの第２のサブセットを前記第２の既知のオリゴ塩基配列に再マッピングする一方で、前記他の複数の予測されたベースコールの第３のサブセットを前記第１又は第２の既知のオリゴ塩基配列のいずれかにマッピングすることを控えることと、
前記標識された訓練データが、（ｉ）前記他の複数の予測されたベースコールの前記第１のサブセットであって、前記第１の既知のオリゴ塩基配列が前記他の複数の予測されたベースコールの前記第１のサブセットに対するグラウンドトゥルースデータを形成する、前記第１のサブセット、及び（ｉｉ）前記他の複数の予測されたベースコールの前記第２のサブセットであって、前記第２の既知のオリゴ塩基配列が前記他の複数の予測されたベースコールの前記第２のサブセットに対する前記グラウンドトゥルースデータを形成する、前記第２のサブセットを含むように、前記再マッピングに基づいて標識された訓練データを生成することと、を含む、請求項２０～２３のいずれか一項に記載の方法。 - 前記Ｎ１回の反復のうちの前記１回の反復中に生成された前記標識された訓練データが、前記Ｎ１回の反復のうちの直後の反復中に前記ベースコーラを訓練するために使用される、請求項２４に記載の方法。
- 前記ベースコーラの前記ニューラルネットワーク構成が、前記Ｎ１回の反復のうちの前記１回の反復中と、前記Ｎ１回の反復のうちの前記直後の反復中とで同じである、請求項２５に記載の方法。
- 前記Ｎ１回の反復のうちの前記直後の反復中の前記ベースコーラのニューラルネットワーク構成が、前記Ｎ１回の反復のうちの前記１回の反復中の前記ベースコーラのニューラルネットワーク構成とは異なり、より複雑である、請求項２５又は２６に記載の方法。
- 前記ベースコーラを反復的に更に訓練することが、
前記反復的な更なる訓練の間の前記反復の進行とともに、前記マルチオリゴ塩基配列を含む前記検体中の一意的なオリゴ塩基配列の数を単調に増加させること、を含む、請求項１～２７のいずれか一項に記載の方法。 - ベースコーラを使用して、オリゴの既知の配列を有するように配列決定された未知の検体についてのベースコール配列を予測することと、
前記未知の検体の各々を、前記既知の配列に一致するグラウンドトゥルース配列で標識することと、
前記標識された未知の検体を使用して、前記ベースコーラを訓練することと、を含む、コンピュータ実装方法。 - 収束が満足するまで、前記使用すること、前記標識すること、及び前記訓練することを繰り返すことを更に含む、請求項２９に記載のコンピュータ実装方法。
- ベースコーラを使用して、２つ以上のオリゴの２つ以上の既知の配列を有するように配列決定された未知の検体の集団についてのベースコール配列を予測することと、
選別された未知の検体のベースコール配列の前記既知の配列への分類に基づいて、前記未知の検体の集団から未知の検体を選別することと、
前記分類に基づいて、前記選別された未知の検体のそれぞれのサブセットを、前記既知の配列にそれぞれ一致するそれぞれのグラウンドトゥルース配列で標識することと、
前記選別された未知の検体の前記標識されたそれぞれのサブセットを使用して、前記ベースコーラを訓練することと、を含む、コンピュータ実装方法。 - 収束が満足するまで、前記使用すること、前記選別すること、前記標識すること、及び前記訓練することを繰り返すことを更に含む、請求項３１に記載のコンピュータ実装方法。
- ベースコーラを漸進的に訓練するためにコンピュータプログラム命令が記憶された非一時的コンピュータ可読記憶媒体であって、前記命令が、プロセッサ上で実行されると、
単一オリゴ塩基配列を含む検体でベースコーラを反復的に最初に訓練し、前記最初に訓練されたベースコーラを使用して標識された訓練データを生成することと、
（ｉ）マルチオリゴ塩基配列を含む検体を用いて前記ベースコーラを更に訓練し、前記更に訓練されたベースコーラを使用して標識された訓練データを生成することと、
少なくとも１回の反復中に、前記ベースコーラ内にロードされたニューラルネットワーク構成の複雑度を増加させながら、ステップ（ｉ）を繰り返すことによって前記ベースコーラを更に訓練することと、を含み、反復中に生成された標識された訓練データが、直後の反復中に前記ベースコーラを訓練するために使用される、非一時的コンピュータ可読記憶媒体。
Applications Claiming Priority (9)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163216404P | 2021-06-29 | 2021-06-29 | |
| US202163216419P | 2021-06-29 | 2021-06-29 | |
| US63/216,419 | 2021-06-29 | ||
| US63/216,404 | 2021-06-29 | ||
| US17/830,287 | 2022-06-01 | ||
| US17/830,287 US20220415445A1 (en) | 2021-06-29 | 2022-06-01 | Self-learned base caller, trained using oligo sequences |
| US17/830,316 | 2022-06-01 | ||
| US17/830,316 US20230026084A1 (en) | 2021-06-29 | 2022-06-01 | Self-learned base caller, trained using organism sequences |
| PCT/US2022/035564 WO2023278608A1 (en) | 2021-06-29 | 2022-06-29 | Self-learned base caller, trained using oligo sequences |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024527306A true JP2024527306A (ja) | 2024-07-24 |
Family
ID=82748504
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023579784A Pending JP2024528510A (ja) | 2021-06-29 | 2022-06-29 | 生物配列を使用して訓練された自己学習ベースコーラ |
| JP2023579783A Pending JP2024527306A (ja) | 2021-06-29 | 2022-06-29 | オリゴ配列を使用して訓練された自己学習ベースコーラ |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023579784A Pending JP2024528510A (ja) | 2021-06-29 | 2022-06-29 | 生物配列を使用して訓練された自己学習ベースコーラ |
Country Status (6)
| Country | Link |
|---|---|
| EP (2) | EP4364155A1 (ja) |
| JP (2) | JP2024528510A (ja) |
| KR (2) | KR20240027599A (ja) |
| AU (2) | AU2022300970A1 (ja) |
| CA (2) | CA3224387A1 (ja) |
| WO (2) | WO2023278608A1 (ja) |
Family Cites Families (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2044616A1 (en) | 1989-10-26 | 1991-04-27 | Roger Y. Tsien | Dna sequencing |
| 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 |
| EP3034626A1 (en) | 1997-04-01 | 2016-06-22 | Illumina Cambridge Limited | Method of nucleic acid sequencing |
| WO1998044152A1 (en) | 1997-04-01 | 1998-10-08 | Glaxo Group Limited | Method of nucleic acid sequencing |
| AR021833A1 (es) | 1998-09-30 | 2002-08-07 | Applied Research Systems | Metodos de amplificacion y secuenciacion de acido nucleico |
| AU2001282881B2 (en) | 2000-07-07 | 2007-06-14 | Visigen Biotechnologies, Inc. | Real-time sequence determination |
| WO2002044425A2 (en) | 2000-12-01 | 2002-06-06 | Visigen Biotechnologies, Inc. | Enzymatic nucleic acid synthesis: compositions and methods for altering monomer incorporation fidelity |
| AR031640A1 (es) | 2000-12-08 | 2003-09-24 | Applied Research Systems | Amplificacion isotermica de acidos nucleicos en un soporte solido |
| 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 |
| SI3363809T1 (sl) | 2002-08-23 | 2020-08-31 | Illumina Cambridge Limited | Modificirani nukleotidi za polinukleotidno sekvenciranje |
| PT3147292T (pt) | 2002-08-23 | 2018-11-22 | Illumina Cambridge Ltd | Nucleótidos identificados |
| GB0321306D0 (en) | 2003-09-11 | 2003-10-15 | Solexa Ltd | Modified polymerases for improved incorporation of nucleotide analogues |
| EP2789383B1 (en) | 2004-01-07 | 2023-05-03 | Illumina Cambridge Limited | Molecular arrays |
| EP3415641B1 (en) | 2004-09-17 | 2023-11-01 | Pacific Biosciences Of California, Inc. | Method for analysis of molecules |
| EP1828412B2 (en) | 2004-12-13 | 2019-01-09 | Illumina Cambridge Limited | Improved method of nucleotide detection |
| JP4990886B2 (ja) | 2005-05-10 | 2012-08-01 | ソレックサ リミテッド | 改良ポリメラーゼ |
| US8045998B2 (en) | 2005-06-08 | 2011-10-25 | Cisco Technology, Inc. | Method and system for communicating using position information |
| GB0514936D0 (en) | 2005-07-20 | 2005-08-24 | Solexa Ltd | Preparation of templates for nucleic acid sequencing |
| 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 |
| EP2021503A1 (en) | 2006-03-17 | 2009-02-11 | Solexa Ltd. | Isothermal methods for creating clonal single molecule arrays |
| EP4105644A3 (en) | 2006-03-31 | 2022-12-28 | Illumina, Inc. | Systems and devices for sequence by synthesis analysis |
| US20080242560A1 (en) | 2006-11-21 | 2008-10-02 | Gunderson Kevin L | Methods for generating amplified nucleic acid arrays |
| US7595882B1 (en) | 2008-04-14 | 2009-09-29 | Geneal Electric Company | Hollow-core waveguide-based raman systems and methods |
| US8965076B2 (en) | 2010-01-13 | 2015-02-24 | Illumina, Inc. | Data processing system and methods |
| PT3623481T (pt) | 2011-09-23 | 2021-10-15 | Illumina Inc | Composições para sequenciação de ácidos nucleicos |
| EP3084002A4 (en) * | 2013-12-16 | 2017-08-23 | Complete Genomics, Inc. | Basecaller for dna sequencing using machine learning |
-
2022
- 2022-06-29 WO PCT/US2022/035564 patent/WO2023278608A1/en active Application Filing
- 2022-06-29 CA CA3224387A patent/CA3224387A1/en active Pending
- 2022-06-29 AU AU2022300970A patent/AU2022300970A1/en active Pending
- 2022-06-29 KR KR1020237043352A patent/KR20240027599A/ko unknown
- 2022-06-29 CA CA3224382A patent/CA3224382A1/en active Pending
- 2022-06-29 EP EP22751495.7A patent/EP4364155A1/en active Pending
- 2022-06-29 JP JP2023579784A patent/JP2024528510A/ja active Pending
- 2022-06-29 KR KR1020237044214A patent/KR20240027608A/ko unknown
- 2022-06-29 EP EP22748543.0A patent/EP4364150A1/en active Pending
- 2022-06-29 WO PCT/US2022/035567 patent/WO2023278609A1/en active Application Filing
- 2022-06-29 AU AU2022302056A patent/AU2022302056A1/en active Pending
- 2022-06-29 JP JP2023579783A patent/JP2024527306A/ja active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024528510A (ja) | 2024-07-30 |
| WO2023278609A1 (en) | 2023-01-05 |
| WO2023278608A1 (en) | 2023-01-05 |
| AU2022300970A1 (en) | 2024-01-18 |
| KR20240027608A (ko) | 2024-03-04 |
| CA3224387A1 (en) | 2023-01-05 |
| AU2022302056A1 (en) | 2024-01-18 |
| EP4364150A1 (en) | 2024-05-08 |
| CA3224382A1 (en) | 2023-01-05 |
| KR20240027599A (ko) | 2024-03-04 |
| EP4364155A1 (en) | 2024-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4107737B1 (en) | Knowledge distillation and gradient pruning-based compression of artificial intelligence-based base caller | |
| US20220301657A1 (en) | Tile location and/or cycle based weight set selection for base calling | |
| US20230343414A1 (en) | Sequence-to-sequence base calling | |
| JP2023515108A (ja) | 人工知能ベースの多対多ベースコール | |
| JP2024532049A (ja) | ベースコールシステムの品質スコア較正 | |
| US20230041989A1 (en) | Base calling using multiple base caller models | |
| JP2024527306A (ja) | オリゴ配列を使用して訓練された自己学習ベースコーラ | |
| US20220415445A1 (en) | Self-learned base caller, trained using oligo sequences | |
| US20230026084A1 (en) | Self-learned base caller, trained using organism sequences | |
| US20230029970A1 (en) | Quality score calibration of basecalling systems | |
| CN117546249A (zh) | 使用寡核苷酸序列训练的自学碱基检出器 | |
| JP2024510539A (ja) | ベースコールのためのタイル位置及び／又はサイクルベースの重みセット選択 | |
| JP2024529843A (ja) | 複数のベースコーラモデルを使用するベースコール | |
| WO2022197752A1 (en) | Tile location and/or cycle based weight set selection for base calling | |
| CN117529780A (zh) | 碱基检出系统的质量分数校准 | |
| JP2024532004A (ja) | ベースコールのための補間及び適合による強度抽出 | |
| CN117546248A (zh) | 使用多个碱基检出器模型的碱基检出 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240129 |