JP6558786B1 - 標的の特性の予測を行うための方法、コンピュータシステム、プログラム - Google Patents
標的の特性の予測を行うための方法、コンピュータシステム、プログラム Download PDFInfo
- Publication number
- JP6558786B1 JP6558786B1 JP2018183381A JP2018183381A JP6558786B1 JP 6558786 B1 JP6558786 B1 JP 6558786B1 JP 2018183381 A JP2018183381 A JP 2018183381A JP 2018183381 A JP2018183381 A JP 2018183381A JP 6558786 B1 JP6558786 B1 JP 6558786B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- target
- parameter set
- burst
- parameters
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
- G01N33/4836—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures using multielectrode arrays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/645—Specially adapted constructive features of fluorimeters
- G01N21/6456—Spatial resolved fluorescence measurements; Imaging
- G01N21/6458—Fluorescence microscopy
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
- G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Abstract
Description
標的の特性の予測方法であって、
(1)第1の対象に対する第1のデータを得る工程と、
(2)第2の対象に対する第2のデータを得る工程と、
(3)候補パラメータセット中の各候補パラメータの全ての組み合わせについて、前記第1のデータおよび前記第2のデータの多変量解析を行い、予測パラメータセットを特定する工程と、
(4)前記標的に対する標的データから、前記予測パラメータセットに基づいて前記特性を予測する工程
を包含する、方法。
前記予測パラメータセットを特定する工程(3)が、前記多変量解析によって前記第1の対象と前記第2の対象とを分離可能な前記候補パラメータの組み合わせを、前記予測パラメータセットと特定することを含む、項目1に記載の方法。
前記予測する工程(4)が、前記標的データと、前記第1のデータおよび前記第2のデータとを比較し、前記標的データに類似するデータを与えた対象の特性を、前記標的の特性と特定することを含む、項目1または2に記載の方法。
前記標的データ、前記第1のデータおよび前記第2のデータの、前記予測パラメータセットについての多変量解析によって、前記標的データが、前記第1のデータまたは前記第2のデータのいずれと類似するかを決定することを含む、項目3に記載の方法。
前記類似が、ユークリッド距離、コサイン類似度、またはその組み合わせによって決定される、項目4に記載の方法。
(5)前記工程(4)で予測された特性に対応する第2の予測パラメータセットに基づいて、前記標的に対する第2の標的データから、第2の特性を予測する工程
をさらに包含する、項目1〜5のいずれか1項に記載の方法。
前記多変量解析が主成分解析またはクラスター分析である、項目1〜6のいずれか1項に記載の方法。
前記標的が化合物である、項目1〜7のいずれか1項に記載の方法。
前記特性が、前記化合物の薬効、毒性、作用機序の1つまたは複数を含む、項目8に記載の方法。
前記データが、神経細胞の活動データである、項目9に記載の方法。
前記活動データが、微小電極アレイ、Ca2+イメージング法、膜電位イメージング法のうちの1つを用いて得られたものである、項目10に記載の方法。
前記神経細胞は神経幹細胞である、項目10または11に記載の方法。
前記神経幹細胞はiPS細胞である、項目12に記載の方法。
前記候補パラメータセットが、基本活動パラメータを含む、項目10〜13のいずれか1項に記載の方法。
前記基本活動パラメータが、TS、NoB、バースト周波数、バーストパーセンテージ、およびバースト長の四分位範囲を含む、項目14に記載の方法。
前記候補パラメータセットが、バースト構造パラメータの平均値を含む、項目10〜15のいずれか1項に記載の方法。
前記候補パラメータセットが、バースト構造パラメータの標準偏差または中央絶対偏差を含む、項目10〜15のいずれか1項に記載の方法。
前記バースト構造パラメータが、バースト長、バースト中スパイク数、IBI、IPI、PS、ピーク時間パーセンテージ、バースト内平均ISI、バースト内中央ISI、バースト内中央ISI/平均ISIを含む、項目16または17に記載の方法。
前記候補パラメータセットが、周期性パラメータに関するパラメータをさらに含む、項目10〜18のいずれか1項に記載の方法。
前記周期性に関するパラメータが、周期性パラメータを含む、項目19に記載の方法。
前記周期性に関するパラメータが、バースト長、バースト中スパイク数、IBI、IPI、PS、ピーク時間パーセンテージ、バースト内平均ISI、バースト内中央ISI、バースト内中央ISI/平均ISIのそれぞれの変動係数と、バースト内CV ISIの平均値、バースト内CV ISIの標準偏差、バースト内CV ISIの中央絶対偏差、およびバースト内CV ISIの変動係数とをさらに含む、項目19または20に記載の方法。
前記候補パラメータセットが、周波数解析パラメータを含む、項目10〜21のいずれか1項に記載の方法。
前記周波数解析パラメータが、約250Hz以下の周波数解析パラメータを含む、項目22に記載の方法。
前記候補パラメータセットが、非線形時系列解析パラメータを含む、項目10〜23のいずれか1項に記載の方法。
標的の特性の予測方法であって、
第1の対象、第2の対象および前記標的それぞれに対する、データを得る工程、
それぞれのデータに対して、予測パラメータセットについて多変量解析を行う工程と、
前記標的のデータが前記第1の対象のデータまたは前記第2の対象のデータいずれに類似しているかを決定する工程と、
前記標的のデータが前記第2の対象のデータよりも前記第1の対象のデータに類似していると決定された場合に、前記第1の対象の特性を前記標的の前記特性であると特定する工程と
を包含する、方法。
前記予測パラメータセットが、周期性パラメータ、約250Hz以下の周波数解析パラメータ、または非線形時系列解析パラメータの1または複数を含む、項目25に記載の方法。
標的の特性を予測するためのコンピュータシステムであって、
第1の対象に対する第1のデータおよび第2の対象に対する第2のデータを受信する手段と、
候補パラメータセット中の各候補パラメータの全ての組み合わせについて、前記第1のデータおよび前記第2のデータの多変量解析を行う手段と、
前記多変量解析の結果に基づいて予測パラメータセットを特定する手段と、
前記標的に対する標的データから、前記予測パラメータセットに基づいて前記特性を予測する手段と
を備えているコンピュータシステム。
標的の特性を予測するためのプログラムであって、前記プログラムは、プロセッサを備えるコンピュータシステムにおいて実行され、前記プログラムは、
(1)第1の対象に対する第1のデータを受信する工程と、
(2)第2の対象に対する第2のデータを受信する工程と、
(3)候補パラメータセット中の各候補パラメータの全ての組み合わせに対して、前記第1のデータおよび前記第2のデータの多変量解析を行い、予測パラメータセットを特定する工程と、
(4)前記標的に対する標的データから、前記予測パラメータセットに基づいて前記特性を予測する工程と
を包含する処理を前記プロセッサに実行させる、方法。
標的の特性を予測するためのコンピュータシステムであって、
第1の対象、第2の対象および前記標的それぞれに対する、データを受信する手段と、
それぞれのデータに対して、予測パラメータセットについて多変量解析を行う手段と、
前記標的のデータが前記第1の対象のデータまたは前記第2の対象のデータいずれに類似しているかを決定する手段と、
前記標的のデータが前記第2の対象のデータよりも前記第1の対象のデータに類似していると決定された場合に、前記第1の対象の特性を前記標的の前記特性であると特定する手段と
を備えている、コンピュータシステム。
標的の特性を予測するためのプログラムであって、前記プログラムは、プロセッサを備えるコンピュータシステムにおいて実行され、前記プログラムは、
第1の対象、第2の対象および前記標的それぞれに対する、データを受信する工程と、
それぞれのデータに対して、予測パラメータセットについて多変量解析を行う工程と、
前記標的のデータが前記第1の対象のデータまたは前記第2の対象のデータいずれに類似しているかを決定する工程と、
前記標的のデータが前記第2の対象のデータよりも前記第1の対象のデータに類似していると決定された場合に、前記第1の対象の特性を前記標的の前記特性であると特定する工程と
を包含する処理を前記プロセッサに実行させる、プログラム。
本明細書において、「対象化合物」とは、特性を予測する対象の化合物のことをいう。対象化合物は、未知の化合物であってもよいし、既知の化合物であってもよい。対象化合物の特性は、例えば、薬効、毒性、作用機序を含むがこれらに限定されない。
本発明の発明者は、非臨床試験において対象化合物の神経系に対する特性を評価するために、多変量解析を用いて対象化合物の特性を予測する手法を開発した。本発明の方法においては、複数の候補パラメータを含むパラメータセット中の複数(好ましくは全て)の組み合わせに対して、多変量解析を用いることにより、既知化合物の応答の分離に好適な予測パラメータセットを導出することができる。その予測パラメータセットを用いて、対象化合物を神経細胞に投与したときに取得された活動データを解析することによって、対象化合物の特性がどの既知化合物の特性に類似するかを予測する。
図1は、本発明の対象化合物の特性を予測するためのコンピュータシステム100の構成の一例を示す。
図3のグラフは、ラスタープロット画像と、そのラスタープロット画像から生成されたヒストグラムとを組み合わせた図であり、グラフの下側にラスタープロット画像が示され、グラフの上側にヒストグラムが示されている。ラスタープロット画像では、縦軸が電極を示し、横軸が時間を示しており、黒色のプロットがスパイクを表している。ヒストグラムでは、縦軸が1秒当たりのスパイク数を示し、横軸が時間を示している。
(1)Total Spikes(TS:計測中に検出されたスパイクの総数)、
(2)Number of SBF(NoB:計測中に検出された同期バースト発火の総数)、
(3)Inter Burst Interval(IBI:同期バースト発火の終点から次の同期バースト発火の始点までの時間)、
(4)Duration of SBF(バースト長:同期バースト発火の始点から終点までの時間)、
(5)Spikes in a SBF(バースト中スパイク数:同期バースト発火中に検出されたスパイク数)、
(6)Peak Spikes(PS:スパイク数のヒストグラムのピーク値)、
(7)CV of Peak Spikes(PSの変動係数。変動係数(CV)=標準偏差/平均値)、
(8)Inter Peak Interval(IPI:ヒストグラムのピーク値から次のピーク値までの時間)、
(9)CV of Inter Peak Interval(IPIの変動係数)
を含む。
候補パラメータは、例えば、基本活動パラメータを含む。基本活動パラメータは、
・TS、
・NoB、
・Burst Frequency(バーストの周波数:NoB/計測時間(s))、
・Burst percentage(バーストパーセンテージ:全同期バースト発火中のスパイク数/TS)、および
・Burst Duration Interquartile Range(バースト長の四分位範囲)
を含む。候補パラメータセットに、基本活動パラメータ、特にTS、NoB等のパラメータを含めることにより、神経ネットワーク活動の増減という概念を含んで多変量解析がなされるため、化合物投与による神経ネットワーク活動の基本的な変化と方向性とを指標として化合物の応答を分離することができるという効果が得られる。また、基本活動パラメータは、発火数やバースト発火回数等の増減に化合物応答が顕著に見られる化合物の分離に有効であり得、必須でもあり得る。候補パラメータセットに、基本活動パラメータを含めることにより、既知化合物の分離および対象化合物の予測の精度が向上し、誤った予測を防ぐことができるという利点も有する。
候補パラメータは、例えば、バースト構造パラメータの全バーストでの平均値を含む。バースト構造パラメータは、同期バースト発火に関するパラメータであり、例えば、
・バースト長、
・バースト中スパイク数、
・IBI、
・IPI、
・PS、
・Peak time percentage(ピーク時間パーセンテージ:バースト長を100%としたときにバースト内のピークスパイクが現れる時刻を%で表した値。バーストの開始時刻でピークスパイクが現れると0%、バーストの終了時刻でピークスパイクが現れると100%となる)、
・mean ISI within Burst(バースト内平均ISI:バースト内のISI(Inter spike interval:スパイク間隔)の平均値)、
・median ISI within Burst(バースト内中央ISI:バースト内のISIの中央値)、
・median/mean ISI within Burst(バースト内中央ISI/平均ISI:バースト内のISIの中央値/平均値)
を含む。候補パラメータセットに、バースト構造パラメータを含めることにより、バースト構造パラメータに変化が認められる化合物応答を分離するように多変量解析がなされるため、化合物の用量依存的な変化の検出、化合物応答の分離、および、作用機序予測の精度が向上するという効果が得られる。
候補パラメータは、周期性に関するパラメータを含む。周期性に関するパラメータは、例えば、Periodicity(周期性パラメータ)を含む。Periodicity(周期性パラメータ)は、以下の式で表される。
ここで、All frequency bandは、スパイク数のヒストグラムに対して周波数解析を行ったときに含まれる周波数の全帯域幅であり、例えば約5Hzである。Dominant frequency bandは、スパイク数のヒストグラムに対して周波数解析を行ったときのパワーが閾値を超える周波数の帯域幅である。Periodicity(周期性パラメータ)は、例えば、図4A〜図4Cに示されるように導出される。
候補パラメータは、例えば、周波数解析パラメータを含む。周波数解析パラメータは、例えば、約250Hz以下の周波数成分を解析することが可能なパラメータである。約250Hz以下の周波数成分は、活動電位成分(約1kHz以上)よりも低く、神経機能で重要となるシナプス後電流成分が反映されているため、約250Hz以下の周波数成分を解析するパラメータにより、神経細胞に対する化合物の特性を検出することが可能になる。さらに、約250Hz以下の周波数成分を解析するパラメータは、in vivo脳波と比較可能な指標であり、in vivoとin vitroとの相関を取ることを可能にする。
ここで、WTAは、各周波数帯の1ピクセルあたりのウェーブレット変換係数であり、WTAは、各周波数帯の1ピクセルあたりのウェーブレット変換係数であり、WTBは、各周波数帯域のウェーブレット変換係数の合計値であり、NXは、X軸のピクセル数であり、NY(f)は、各周波数帯のY軸のピクセル数である。化合物投与前のデータをウェーブレット変換することによって形成されたスカログラムにおいてWTAを導出し、化合物投与後のデータをウェーブレット変換することによって形成されたスカログラムにおいてWTAを導出し、化合物投与前のWTAと化合物投与後のWTAとの差分をとることによって強度を算出することができる。
候補パラメータは、例えば、非線形時系列解析パラメータを含む。非線形時系列解析パラメータは、例えば、Detrended fluctuation analysis(DFA)によって算出されるスケーリング指数αである。DFAは、非定常な変動成分(トレンド)を除き、ゆらぎの長期相関をスケーリング指数αによって特徴づける手法である。DFAによって算出される変動F(n)は、
の関係を有し、ここで、スケーリング指数αが、0.5である場合、長期相関が無いことを示し、α>0.5である場合、正の相関があることを示し、α<0.5である場合、負の相関があることを示し、α=1である場合、1/fノイズであることを示す。
・Normalized Duration IQR(中央値で正規化したバースト長の四分位範囲)
・Full Width at Half Height of Normalized Cross Correlation(Cross−Correlogramの半値幅)
図7は、対象化合物の特性を予測するためのコンピュータシステム100における処理の一例を示す。図7に示される例では、対象化合物の特性を予測するための処理700を説明する。
で表される。
110 受信手段
120 プロセッサ
130 メモリ
140 出力手段
200 データベース部
Claims (31)
- 標的の特性の予測方法であって、
(1)第1の対象に対する第1のデータを得る工程と、
(2)第2の対象に対する第2のデータを得る工程と、
(3)3つ以上の候補パラメータを含む候補パラメータセット中の各候補パラメータの全ての組み合わせについて前記第1のデータおよび前記第2のデータの多変量解析を行うことにより、前記第1の対象と前記第2の対象とを分離可能な前記候補パラメータの組み合わせを予測パラメータセットとして特定する工程と、
(4)前記標的に対する標的データから、前記予測パラメータセットに基づいて前記特性を予測する工程
を包含する、方法。 - 前記予測する工程(4)が、前記標的データと、前記第1のデータおよび前記第2のデータとを比較し、前記標的データに類似するデータを与えた対象の特性を、前記標的の特性と特定することを含む、請求項1に記載の方法。
- 前記標的データ、前記第1のデータおよび前記第2のデータの、前記予測パラメータセットについての多変量解析によって、前記標的データが、前記第1のデータまたは前記第2のデータのいずれと類似するかを決定することを含む、請求項2に記載の方法。
- 前記類似が、ユークリッド距離、コサイン類似度、またはその組み合わせによって決定される、請求項3に記載の方法。
- 前記類似が、ユークリッド距離とコサイン類似度との組み合わせによって決定される、請求項4に記載の方法。
- (5)前記工程(4)で予測された特性に対応する第2の予測パラメータセットに基づいて、前記標的に対する第2の標的データから、第2の特性を予測する工程
をさらに包含する、請求項1〜5のいずれか1項に記載の方法。 - 前記多変量解析が主成分解析またはクラスター分析である、請求項1〜6のいずれか1項に記載の方法。
- 前記標的が化合物である、請求項1〜7のいずれか1項に記載の方法。
- 前記特性が、前記化合物の薬効、毒性、作用機序の1つまたは複数を含む、請求項8に記載の方法。
- 前記データが、神経細胞の活動データである、請求項9に記載の方法。
- 前記活動データが、微小電極アレイ、Ca2+イメージング法、膜電位イメージング法のうちの1つを用いて得られたものである、請求項10に記載の方法。
- 前記神経細胞は神経幹細胞である、請求項10または11に記載の方法。
- 前記神経幹細胞はiPS細胞である、請求項12に記載の方法。
- 前記候補パラメータセットが、基本活動パラメータを含む、請求項10〜13のいずれか1項に記載の方法。
- 前記基本活動パラメータが、TS、NoB、バースト周波数、バーストパーセンテージ、およびバースト長の四分位範囲を含む、請求項14に記載の方法。
- 前記候補パラメータセットが、バースト構造パラメータの平均値を含む、請求項10〜15のいずれか1項に記載の方法。
- 前記候補パラメータセットが、バースト構造パラメータの標準偏差または中央絶対偏差を含む、請求項10〜15のいずれか1項に記載の方法。
- 前記バースト構造パラメータが、バースト長、バースト中スパイク数、IBI、IPI、PS、ピーク時間パーセンテージ、バースト内平均ISI、バースト内中央ISI、バースト内中央ISI/平均ISIを含む、請求項16または17に記載の方法。
- 前記候補パラメータセットが、周期性に関するパラメータをさらに含む、請求項10〜18のいずれか1項に記載の方法。
- 前記周期性に関するパラメータが、周期性パラメータを含む、請求項19に記載の方法。
- 前記周期性に関するパラメータが、バースト長、バースト中スパイク数、IBI、IPI、PS、ピーク時間パーセンテージ、バースト内平均ISI、バースト内中央ISI、バースト内中央ISI/平均ISIのそれぞれの変動係数と、バースト内CV ISIの平均値、バースト内CV ISIの標準偏差、バースト内CV ISIの中央絶対偏差、およびバースト内CV ISIの変動係数とをさらに含む、請求項19または20に記載の方法。
- 前記候補パラメータセットが、周波数解析パラメータを含む、請求項10〜21のいずれか1項に記載の方法。
- 前記周波数解析パラメータが、約250Hz以下の周波数解析パラメータを含む、請求項22に記載の方法。
- 前記候補パラメータセットが、非線形時系列解析パラメータを含む、請求項10〜23のいずれか1項に記載の方法。
- 前記候補パラメータセットが、基本活動パラメータのうちの少なくとも1つと、バースト構造パラメータのうちの少なくとも1つと、周期性に関するパラメータのうちの少なくとも1つと、周波数解析パラメータのうちの少なくとも1つと、非線形時系列解析パラメータのうちの少なくとも1つとを含む、請求項10〜24のいずれか一項に記載の方法。
- 標的の特性の予測方法であって、
第1の対象、第2の対象および前記標的それぞれに対する、データを得る工程、
それぞれのデータに対して、予測パラメータセットについて多変量解析を行う工程と、
前記標的のデータが前記第1の対象のデータまたは前記第2の対象のデータのいずれに類似しているかを決定する工程であって、前記類似が、ユークリッド距離とコサイン類似度との組み合わせによって決定される、工程と、
前記標的のデータが前記第2の対象のデータよりも前記第1の対象のデータに類似していると決定された場合に、前記第1の対象の特性を前記標的の前記特性であると特定する工程と
を包含する、方法。 - 前記予測パラメータセットが、周期性パラメータ、約250Hz以下の周波数解析パラメータ、または非線形時系列解析パラメータの1または複数を含む、請求項26に記載の方法。
- 標的の特性を予測するためのコンピュータシステムであって、
第1の対象に対する第1のデータおよび第2の対象に対する第2のデータを受信する手段と、
3つ以上の候補パラメータを含む候補パラメータセット中の各候補パラメータの全ての組み合わせについて、前記第1のデータおよび前記第2のデータの多変量解析を行う手段と、
前記多変量解析の結果に基づいて、前記第1の対象と前記第2の対象とを分離可能な前記候補パラメータの組み合わせを予測パラメータセットとして特定する手段と、
前記標的に対する標的データから、前記予測パラメータセットに基づいて前記特性を予測する手段と
を備えているコンピュータシステム。 - 標的の特性を予測するためのプログラムであって、前記プログラムは、プロセッサを備えるコンピュータシステムにおいて実行され、前記プログラムは、
(1)第1の対象に対する第1のデータを受信する工程と、
(2)第2の対象に対する第2のデータを受信する工程と、
(3)3つ以上の候補パラメータを含む候補パラメータセット中の各候補パラメータの全ての組み合わせに対して、前記第1のデータおよび前記第2のデータの多変量解析を行うことにより、前記第1の対象と前記第2の対象とを分離可能な前記候補パラメータの組み合わせを予測パラメータセットとして特定する工程と、
(4)前記標的に対する標的データから、前記予測パラメータセットに基づいて前記特性を予測する工程と
を包含する処理を前記プロセッサに実行させる、方法。 - 標的の特性を予測するためのコンピュータシステムであって、
第1の対象、第2の対象および前記標的それぞれに対する、データを受信する手段と、
それぞれのデータに対して、予測パラメータセットについて多変量解析を行う手段と、
前記標的のデータが前記第1の対象のデータまたは前記第2の対象のデータのいずれに類似しているかを決定する手段であって、前記類似が、ユークリッド距離とコサイン類似度との組み合わせによって決定される、手段と、
前記標的のデータが前記第2の対象のデータよりも前記第1の対象のデータに類似していると決定された場合に、前記第1の対象の特性を前記標的の前記特性であると特定する手段と
を備えている、コンピュータシステム。 - 標的の特性を予測するためのプログラムであって、前記プログラムは、プロセッサを備えるコンピュータシステムにおいて実行され、前記プログラムは、
第1の対象、第2の対象および前記標的それぞれに対する、データを受信する工程と、
それぞれのデータに対して、予測パラメータセットについて多変量解析を行う工程と、
前記標的のデータが前記第1の対象のデータまたは前記第2の対象のデータのいずれに類似しているかを決定する工程であって、前記類似が、ユークリッド距離とコサイン類似度との組み合わせによって決定される、工程と、
前記標的のデータが前記第2の対象のデータよりも前記第1の対象のデータに類似していると決定された場合に、前記第1の対象の特性を前記標的の前記特性であると特定する工程と
を包含する処理を前記プロセッサに実行させる、プログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018183381A JP6558786B1 (ja) | 2018-09-28 | 2018-09-28 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
US17/269,707 US20210199639A1 (en) | 2018-09-28 | 2019-09-27 | Method, computer system, and program for predicting characteristic of target |
EP19864717.4A EP3859329A4 (en) | 2018-09-28 | 2019-09-27 | METHOD, COMPUTER SYSTEM AND PROGRAM FOR PREDICTING A TARGET CHARACTERISTIC |
PCT/JP2019/038242 WO2020067464A1 (ja) | 2018-09-28 | 2019-09-27 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018183381A JP6558786B1 (ja) | 2018-09-28 | 2018-09-28 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019128575A Division JP2020056781A (ja) | 2019-07-10 | 2019-07-10 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6558786B1 true JP6558786B1 (ja) | 2019-08-14 |
JP2020051968A JP2020051968A (ja) | 2020-04-02 |
Family
ID=67614840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018183381A Active JP6558786B1 (ja) | 2018-09-28 | 2018-09-28 | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210199639A1 (ja) |
EP (1) | EP3859329A4 (ja) |
JP (1) | JP6558786B1 (ja) |
WO (1) | WO2020067464A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667692A (zh) * | 2019-10-16 | 2021-04-16 | 北京一起教育信息咨询有限责任公司 | 一种数据处理方法、装置及电子设备 |
CN115236006A (zh) * | 2022-08-04 | 2022-10-25 | 浙江嘉园智能科技有限公司 | 一种电子河长光谱检测数据的处理方法及系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210342645A1 (en) * | 2020-05-04 | 2021-11-04 | International Business Machines Corporation | Combining ensemble techniques and re-dimensioning data to increase machine classification accuracy |
JP7138995B2 (ja) * | 2020-08-13 | 2022-09-20 | 学校法人東北工業大学 | 脳から取得される波形データに対してバースト解析を行う方法、コンピュータシステム、プログラム、ならびに、バースト解析を用いて標的の状態を予測する方法、コンピュータシステム、プログラム |
WO2022034801A1 (ja) * | 2020-08-13 | 2022-02-17 | 学校法人東北工業大学 | ヒストグラム画像を作成する方法、コンピュータシステム、プログラム、ならびに、ヒストグラム画像を用いて対象の状態を予測する方法、コンピュータシステム、プログラム |
WO2023181936A1 (ja) * | 2022-03-24 | 2023-09-28 | コニカミノルタ株式会社 | 予測装置、予測システムおよび予測プログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002093318A2 (en) * | 2001-05-15 | 2002-11-21 | Psychogenics Inc. | Systems and methods for monitoring behavior informatics |
WO2006050124A2 (en) * | 2004-10-29 | 2006-05-11 | Novartis Ag | Evaluation of the toxicity of pharmaceutical agents |
US20080118576A1 (en) * | 2006-08-28 | 2008-05-22 | Dan Theodorescu | Prediction of an agent's or agents' activity across different cells and tissue types |
JP5874876B2 (ja) * | 2011-07-06 | 2016-03-02 | 株式会社メディクローム | 化学物質の生体に対する影響の評価方法 |
JP2015507470A (ja) * | 2011-11-11 | 2015-03-12 | コールド スプリング ハーバー ラボラトリー,アン エデュケーションコーポレーション オブ ザ ステイト オブ ニュー ヨーク | 薬物スクリーニング法およびその使用 |
SG11201804144UA (en) * | 2015-11-20 | 2018-06-28 | Agency Science Tech & Res | High-throughput imaging-based methods for predicting cell-type-specific toxicity of xenobiotics with diverse chemical structures |
-
2018
- 2018-09-28 JP JP2018183381A patent/JP6558786B1/ja active Active
-
2019
- 2019-09-27 EP EP19864717.4A patent/EP3859329A4/en active Pending
- 2019-09-27 WO PCT/JP2019/038242 patent/WO2020067464A1/ja unknown
- 2019-09-27 US US17/269,707 patent/US20210199639A1/en active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667692A (zh) * | 2019-10-16 | 2021-04-16 | 北京一起教育信息咨询有限责任公司 | 一种数据处理方法、装置及电子设备 |
CN115236006A (zh) * | 2022-08-04 | 2022-10-25 | 浙江嘉园智能科技有限公司 | 一种电子河长光谱检测数据的处理方法及系统 |
CN115236006B (zh) * | 2022-08-04 | 2023-05-23 | 浙江嘉园智能科技有限公司 | 一种电子河长光谱检测数据的处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020067464A1 (ja) | 2020-04-02 |
EP3859329A1 (en) | 2021-08-04 |
EP3859329A4 (en) | 2022-07-13 |
US20210199639A1 (en) | 2021-07-01 |
JP2020051968A (ja) | 2020-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6558786B1 (ja) | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム | |
Beaman et al. | Sensory coding accuracy and perceptual performance are improved during the desynchronized cortical state | |
Ouyang et al. | Mosquito vector monitoring system based on optical wingbeat classification | |
Birot et al. | Automatic detection of fast ripples | |
Yger et al. | Fast and accurate spike sorting in vitro and in vivo for up to thousands of electrodes | |
Ortiz-Rosario et al. | Wavelet methodology to improve single unit isolation in primary motor cortex cells | |
WO2020067463A1 (ja) | 対象化合物の特性の予測を行うための方法、コンピュータシステム、プログラム | |
CN111956221B (zh) | 一种基于小波散射因子与lstm神经网络模型的颞叶癫痫分类方法 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
Sun et al. | Analysis of extracellular spike waveforms and associated receptive fields of neurons in cat primary visual cortex | |
Zhang et al. | Patient-specific seizure prediction from scalp EEG using vision transformer | |
Sheykhivand et al. | Sleep stage scoring of single-channel EEG signal based on RUSBoost classifier | |
Hu et al. | Mea-toolbox: An open source toolbox for standardized analysis of multi-electrode array data | |
Obeidat et al. | EEG based epilepsy diagnosis system using reconstruction phase space and naive Bayes classifier | |
JP7138995B2 (ja) | 脳から取得される波形データに対してバースト解析を行う方法、コンピュータシステム、プログラム、ならびに、バースト解析を用いて標的の状態を予測する方法、コンピュータシステム、プログラム | |
RU2332160C1 (ru) | Способ исследования электроэнцефалограммы человека и животных | |
JP2020056781A (ja) | 標的の特性の予測を行うための方法、コンピュータシステム、プログラム | |
Fani et al. | EEG-based automatic epilepsy diagnosis using the instantaneous frequency with sub-band energies | |
JP7099777B1 (ja) | ヒストグラム画像を作成する方法、コンピュータシステム、プログラム、ならびに、ヒストグラム画像を用いて対象の状態を予測する方法、コンピュータシステム、プログラム | |
Obukhov et al. | Metric classification of traumatic brain injury epileptiform activity from electroencephalography data | |
Obukhov et al. | Epileptiform activity detection and classification algorithms of rats with post-traumatic epilepsy | |
Song et al. | Epileptic EEG signal analysis and identification based on nonlinear features | |
Kapucu et al. | Quantification and automatized adaptive detection of in vivo and in vitro neuronal bursts based on signal complexity | |
Ridouh et al. | EEG signals classification using support vector machine | |
JP2020057364A (ja) | 対象化合物の特性の予測を行うための方法、コンピュータシステム、プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190117 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190117 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190301 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190305 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190424 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190627 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190710 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6558786 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |