JP6715451B2 - マススペクトル解析システム,方法およびプログラム - Google Patents
マススペクトル解析システム,方法およびプログラム Download PDFInfo
- Publication number
- JP6715451B2 JP6715451B2 JP2015078992A JP2015078992A JP6715451B2 JP 6715451 B2 JP6715451 B2 JP 6715451B2 JP 2015078992 A JP2015078992 A JP 2015078992A JP 2015078992 A JP2015078992 A JP 2015078992A JP 6715451 B2 JP6715451 B2 JP 6715451B2
- Authority
- JP
- Japan
- Prior art keywords
- mass spectrum
- statistical analysis
- data
- machine learning
- significant difference
- 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
- 238000001819 mass spectrum Methods 0.000 title claims description 241
- 238000000034 method Methods 0.000 title claims description 183
- 238000007619 statistical method Methods 0.000 claims description 67
- 238000010801 machine learning Methods 0.000 claims description 57
- 230000009467 reduction Effects 0.000 claims description 54
- 238000012795 verification Methods 0.000 claims description 51
- 238000010998 test method Methods 0.000 claims description 44
- 238000003860 storage Methods 0.000 claims description 35
- 238000002790 cross-validation Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 5
- 150000002500 ions Chemical class 0.000 description 35
- 238000006722 reduction reaction Methods 0.000 description 34
- 238000005259 measurement Methods 0.000 description 31
- 238000001228 spectrum Methods 0.000 description 28
- 238000004458 analytical method Methods 0.000 description 27
- 238000012545 processing Methods 0.000 description 26
- 238000012360 testing method Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 238000011156 evaluation Methods 0.000 description 15
- 239000003550 marker Substances 0.000 description 11
- 238000000540 analysis of variance Methods 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 10
- 241000283973 Oryctolagus cuniculus Species 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 201000010099 disease Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008602 contraction Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004949 mass spectrometry Methods 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000000585 Mann–Whitney U test Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000000528 statistical test Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- DMJXRYSGXCLCFP-LBPRGKRZSA-N (3s)-n-tert-butyl-1,2,3,4-tetrahydroisoquinoline-3-carboxamide Chemical compound C1=CC=C2CN[C@H](C(=O)NC(C)(C)C)CC2=C1 DMJXRYSGXCLCFP-LBPRGKRZSA-N 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 2
- 238000001790 Welch's t-test Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000002381 plasma Anatomy 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 1
- 238000005040 ion trap Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000009456 molecular mechanism Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Description
図1はこの発明の実施例のマススペクトル解析システムのハードウェア構成を示すブロック図である。マススペクトル解析システムは,以下に説明するようにプログラムされたコンピュータシステムによって実現される。
図5は質量分析装置10から出力されるテキスト形式の生データ(テキストデータ)の一例を示している。これは一つのサンプルについて,スキャン法により,一定時間間隔で(一例として0.05秒から 0.5秒間隔で),低質量側から高質量側にスキャニングを繰返すことにより得られたものである。各スキャニングにより得られたイオン強度(任意目盛,以下同じ)データが,質量電荷比(m/z)の値(一例として700〜800の範囲のみ示されている)に対応して,スキャン1,2,3,4等の列に数値として並べられている。これは,質量電荷比(m/z),イオン強度および測定時間(スキャニング順を表わすデータ)の3次元データ(テキストファイル)である。
図7は,上述の生データを用いたTIC,MICまたはEIC(次に説明する)のクロマトグラムを示している。横軸は時間(スキャン回数),縦軸はイオン強度である。縦軸のイオン強度はTIC,MIC,EICによって異なる値をとるが,図7はEICのものと理解されたい(イオン強度は任意目盛であるから,その値そのものに大きな意味はないので,TIC,MIC,EICのいずれのものと考えても支障はない)。クロマトグラムは,イオン強度の総和(次に述べるように,何らかの形でまとめられた,または抽出された)を経時的に(時間軸に沿って,すなわちスキャンの順序に並べて)描画したものである。
マススペクトル解析システム20の表示装置24には代表マススペクトルの作成に関してモード選択画面(図示略)が表示され,ユーザはこのモード選択画面にしたがって,手動モードか,自動モードを選択する。手動モードが選択されたときには処理装置21は次に述べる代表マススペクトルの手動作成処理(S12)を実行する。
代表マススペクトル作成に関するモード選択画面において,ユーザが自動を選択すると,図9に示すような条件設定画面が表示部24に表示される(S131 )(条件設定手段)。この画面を用いてユーザは所望の条件を設定することができる。
上述のようにして処理部21において作成された一つのサンプルについての代表マススペクトルは記憶部26のデータベースに登録される。この際に,データの管理,編集を簡便に行うことができるようにするために,測定条件情報や検体情報についてのラベルを付与する。ラベルはデータの集まりがヒエラルキー構造(階層構造)をもつように作成されることが好ましい。この実施例では,最も上位のラベルはプロジェクト名である。
先に説明した代表マススペクトルの作成処理(S12,S13)において(特に,自動作成処理(S13)において)作成されたマススペクトルがすべて品質(クオリティ)の高いものとは限らない。作成した,または既にマススペクトルデータベース27に蓄積されたマススペクトルの品質が次のようにして評価される。この評価処理はメニュー画面(図示略)において指定することにより実行されるが,図10の表示画面において「チェック」ボタンを押してもこの評価処理に進むことができる。
さまざまな総計解析手法があるが,ここでは4つに大きく分類し,各分類ごとにそこに含まれるいくつかの代表的な手法を説明する。
Welch t-test(ウェルチのt検定)
「2つの母集団の平均が等しい」という帰無仮説のもと,等分散を仮定しない両側検定を行うものである。
WRST(Wilcoxon rank sum test)(ウィルコクソン順位和検定)
「両標本が同一母集団から抽出された」という帰無仮説に基づいてノンパラメトリックな検定を行うものである。
ANOVA(Analysis of variance)(分散分析)
「全ての群の母平均に差が無い」という帰無仮説に基づいて多群のパラメトリック検定を行うものである。
次元縮約は多くの変数を少数の変数(スコア)に縮約するものである。
教師無し次元縮約法である。
PLS(Partial least squares)(部分的最小二乗法)
教師あり次元縮約法である。
OPLS(Orthogonal Partial Least squares)(直交PLS)
PLSの改良版で,説明変数の直交成分を分離して解析する。
KPLS(kernel partial least squares)(カーネルPLS)
カーネル法を用いてPLSを非線形拡張するので,分離性能が向上する。
LDA(Linear discriminant analysis)(線形判別分析)
直線,超平面による判別関数を構成。
QDA(Quadratic discriminant analysis)(二次判別分析)
曲線,超曲面による判別関数を構成。
SVM(Support vector machine)(サポートベクターマシン)
マージンを最大化する識別面を特徴空間に構成する非線形識別法。
LR(Logistic regression)(ロジスティック回帰)
事後確率の対数尤度比が線形式で表されると仮定する回帰モデル。
RF(Random forest)(ランダムフォレスト)
決定木を弱学習器とする集団学習アルゴリズム。
機械学習法の診断精度を検証するものである。この検証結果により,最も適した機械学習手法を自動的に選定することも可能となる。
標本群をk個に分割して,そのうちの一つをテストサンプル,残りを訓練サンプルとする検証法。
LOOCV(Leave one out cross validation)(Leave-one-out交差検証)
標本群から1つのサンプルだけを抜き出してテストサンプルとし,残りを訓練サンプルとする検証法。
マススペクトル解析システム20の記憶部26には,上述した有意差検定法に含まれるすべての個別の検証法(Welch t-test,WRST,ANOVAなど)をそれぞれ実行するプログラム(ルーチン)(手段),次元縮約法に含まれるすべての個別の縮約法(PCA,PLS,OPLS,KPLSなど)をそれぞれ実行するプログラム(ルーチン)(手段),機械学習法に含まれるすべての個別の学習法(LDA,QDA,SVM,LR,RFなど)をそれぞれ実行するプログラム(ルーチン)(手段)および検証法に含まれるすべての個別の検証法(k-fold CV ,LOOCVなど)をそれぞれ実行するプログラム(ルーチン)(手段)が格納されており,処理部21はこれらのプログラムにしたがって,各統計解析法,検証法を個別に,または同時に実行することができる。
図16に示すように,検定法としてANOVAが,縮約法としてPCAが,学習法としてLDAが,そして検証法としてLOOCVが選択された場合の具体例について以下に説明する。
食物を通してコレステロール負荷を加えたウサギ10匹:C16と略記する
遺伝的にコレステロール代謝に異常を有するウサギ10匹:Wと略記する
マーカー探索の目的は,3つのグループの識別に有用なマーカー物質を,m/z=10〜1000の中から見つけることである。
(ii)強度が十分に大きいm/zを選出する。平均強度は図16の画面で設定されているように,1.0〜inf.(無限)である。1.0は平均値で正規化しているので平均値を意味する。この条件(ii)は,いずれかのグループで,強度が1を上廻るピークに対応するm/zを選出することである。
(iii) 各グループ内での強度のばらつきが十分に小さいm/zを選出する。ばらつきは図16の画面で設定された変動係数範囲(0.0〜0.3)で定められる。変動係数は,各ピークの強度を1としたときの分散の値で定められる(ピークの強度によって分散の値が変ってしまうので,正規化している)。この条件(iii)は各グループで上記の分散が0.3未満となるようなピークに対応するm/zを選出することである。
マーカー検定で上記(i),(ii),(iii)の条件を満たすm/zが上記のように(図17)選出されたが,変数(m/z)の数が多いので,次元縮約法により,変数の数を減らす。次元縮約法により情報量を削減することで,学習/診断の精度が向上することがあるからである。
教師データを用いて機械学習を行い,この学習結果(判別関数)に基づいて,未知のスペクトルが属するグループを高精度に推定することを目的とするものである。最も好ましくは,上述した統計的検定,次元縮約法,機械学習法を組み合わせて,より高精度な判別器を構成することができる。
2)統計的検定→機械学習:検定において識別に重要であるとみなされたm/zを説明変数として,教師データの学習を行う。
3)次元縮約法→機械学習:全m/zの情報をより少ない変数(主成分やPLSスコア)に縮約し,それらを説明変数として教師データの学習を行う。
4)統計的検定→次元縮約法→機械学習:検定において識別に重要であるとみなされたm/zをより少ない変数(スコア)に縮約し,それらを説明変数として教師データの学習を行う。
図16に示す画面には,検証方法として,Leave-one-out 交差検証(LOOCV)が設定されている。これは「全サンプルから一つのサンプルを検証用に取り出して残りのサンプルで学習を行い,検証用のサンプルが属するグループを正しく推定できるか」という過程を全サンプル数繰り返し,機械学習による推定の正答率を出力する。
20 マススペクトル解析システム
21 処理部
22 入力部
23 出力部
26 記憶部
27,28 データベース
Claims (3)
- 複数のマススペクトルのデータをラベル情報を付加して記憶するマススペクトル蓄積手段,
複数種類の有意差検定法,複数種類の次元縮約法,複数種類の機械学習法または複数種類の交差検証法の選択を可能にする統計解析法入力手段,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選択された有意差検定法,次元縮約法,機械学習法または交差検証法を適用すべきデータセットを指定するデータセット指定手段,および
前記統計解析法入力手段にて選択される複数種類の有意差検定法を実行するプログラムルーチンを有し,選択された有意差検定法を前記指定されたデータセットに対して実行する統計解析実行手段を備え,
前記統計解析実行手段は,群間で有意差があると判断されたピークを選出するものであり,
前記統計解析実行手段は,さらに前記統計解析法入力手段で選択される次元縮約法を実行するプログラムルーチンを有し,前記データセット指定手段によって指定されたデータセット,または前記統計解析実行手段によって群間に有意差があると判断されたピークに対して選択された次元縮約法を実行し,その結果得られるスコアに関するデータを出力するものであり,
前記統計解析実行手段は,さらに前記統計解析法入力手段で選択される機械学習法を実行するプログラムルーチンを有し,前記データセット指定手段によって指定されたデータセット,前記統計解析実行手段によって群間で有意差があると判断されたピーク,または前記統計解析実行手段によって出力されたスコアに関するデータに対して選択された機械学習法を実行可能なものであり,前記選択された機械学習法の学習結果を,前記選択された交差検証法により検証するものであり,
前記統計解析法入力手段は,前記有意差検定法,前記次元縮約法,前記機械学習法,または前記交差検証法の選択の組み合わせを変更可能なものであり,
前記統計解析実行手段は,前記データセット指定手段が指定したデータセットに対し,前記組み合わせごとに前記有意差検定法または前記次元縮約法,前記機械学習法および前記交差検証法を実行し,前記交差検証法の結果に基づいて最適な組み合わせを自動的に判定するものである,
マススペクトル解析システム。 - 複数のマススペクトルのデータをラベル情報を付加してマススペクトル蓄積手段に記憶し,
複数種類の有意差検定法,複数種類の次元縮約法,複数種類の機械学習法または複数種類の交差検証法から選択された有意差検定法,次元縮約法,機械学習法または交差検証法の入力を統計解析法入力手段が受付け,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選択された有意差検定法,次元縮約法,機械学習法または交差検証法を適用すべきデータセットをデータセット指定手段が指定に応じて選択し,
複数種類の有意差検定法を実行するプログラムルーチンのうち統計解析法入力手段が受付けた有意差検定法に関するプログラムルーチンを,前記選択されたデータセットに対して統計解析実行手段が実行し,
前記統計解析実行手段は,群間で有意差があると判断されたピークを選出し,
前記統計解析実行手段はさらに,複数種類の次元縮約法を実行するプログラムルーチンのうち,前記統計解析法入力手段により受付けられた次元縮約法を実行するプログラムルーチンを,前記データセット指定手段によって指定されたデータセット,または前記統計解析実行手段によって群間に有意差があると判断されたピークに対して実行し,その結果得られるスコアに関するデータを出力し,
前記統計解析実行手段は,複数種類の機械学習法を実行するプログラムルーチンのうち,前記統計解析法入力手段が受付けた機械学習法に関するプログラムルーチンを,前記選択されたデータセット,前記統計解析実行手段によって群間で有意差があると判断されたピーク,または前記統計解析実行手段によって出力されたスコアに関するデータに対して実行し,前記選択された機械学習法の学習結果を,複数種類の交差検証法を実行するプログラムルーチンのうち,前記統計解析法入力手段が受付けた交差検証法に関するプログラムルーチンにより検証し,
前記有意差検定法,前記次元縮約法,前記機械学習法,または前記交差検証法の選択の組み合わせの変更を前記統計解析入力手段が受付け,
前記統計解析実行手段は,前記データセット指定手段が選択したデータセットに対し,前記組み合わせごとに前記有意差検定法または前記次元縮約法,前記機械学習法および前記交差検証法に関するプログラムルーチンを実行し,前記交差検証法の結果に基づいて最適な組み合わせを自動的に判定するものである,
マススペクトル解析方法。 - 複数のマススペクトルのデータをラベル情報を付加してマススペクトル蓄積手段に記憶し,
複数種類の有意差検定法,複数種類の次元縮約法,複数種類の機械学習法または複数種類の交差検証法から選択された有意差検定法,次元縮約法,機械学習法または交差検証法の入力を受付け,
前記マススペクトル蓄積手段に蓄積されているマススペクトルから,選択された有意差検定法,次元縮約法,機械学習法または交差検証法を適用すべきデータセットを指定に応じて選択し,
複数種類の有意差検定法を実行するプログラムルーチンのうち選択された有意差検定法に関するプログラムルーチンを,前記選択されたデータセットに対して実行して,群間で有意差があると判断されたピークを選出し,
複数種類の次元縮約法を実行するプログラムルーチンのうち,選択された次元縮約法を実行するプログラムルーチンを,選択されたデータセット,または群間に有意差があると判断されたピークに対して実行し,その結果得られるスコアに関するデータを出力するようにコンピュータを制御し,
複数種類の機械学習法を実行するプログラムルーチンのうち,選択された機械学習法に関するプログラムルーチンを,前記選択されたデータセット,群間で有意差があると判断されたピーク,または出力されたスコアに関するデータに対して実行し,前記選択された機械学習法の学習結果を,複数種類の交差検証法を実行するプログラムルーチンのうち,前記受付けた交差検証法に関するプログラムルーチンにより検証し,
前記有意差検定法,前記次元縮約法,前記機械学習法,または前記交差検証法の選択の組み合わせの変更を受付け,
選択されたデータセットに対し,前記組み合わせごとに前記有意差検定法または前記次元縮約法,前記機械学習法および前記交差検証法に関するプログラムルーチンを実行し,前記交差検証法の結果に基づいて最適な組み合わせを自動的に判定するようにコンピュータを制御する,
マススペクトル解析プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015078992A JP6715451B2 (ja) | 2015-04-08 | 2015-04-08 | マススペクトル解析システム,方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015078992A JP6715451B2 (ja) | 2015-04-08 | 2015-04-08 | マススペクトル解析システム,方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016200435A JP2016200435A (ja) | 2016-12-01 |
JP6715451B2 true JP6715451B2 (ja) | 2020-07-01 |
Family
ID=57424087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015078992A Active JP6715451B2 (ja) | 2015-04-08 | 2015-04-08 | マススペクトル解析システム,方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6715451B2 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017090566A1 (ja) * | 2015-11-26 | 2017-06-01 | ヒューマン・メタボローム・テクノロジーズ株式会社 | データ解析装置、方法及びプログラム |
JP6741278B2 (ja) * | 2017-01-16 | 2020-08-19 | 株式会社島津製作所 | データ解析装置及びデータ解析用プログラム |
WO2018158801A1 (ja) * | 2017-02-28 | 2018-09-07 | 株式会社島津製作所 | スペクトルデータの特徴抽出装置および方法 |
JP7025621B2 (ja) * | 2017-04-13 | 2022-02-25 | 国立大学法人山梨大学 | 質量分析装置及び質量分析方法、並びに解析装置及び解析方法 |
JP6931586B2 (ja) * | 2017-10-06 | 2021-09-08 | 日本電子株式会社 | 質量分析データ処理装置及び質量分析データ処理方法 |
JP7158642B2 (ja) * | 2018-01-16 | 2022-10-24 | 国立大学法人山梨大学 | 質量分析装置及び質量分析システム |
FI20196044A1 (en) * | 2019-12-02 | 2021-06-03 | Karsa Oy | SIGNAL PROCESSING METHOD AND MASS SPECTROMETER USING IT |
JP7310692B2 (ja) * | 2020-04-21 | 2023-07-19 | 株式会社島津製作所 | 理論質量テーブル表示システム |
JP7334671B2 (ja) * | 2020-04-21 | 2023-08-29 | 株式会社島津製作所 | 理論質量テーブル表示システム |
CN113607915B (zh) * | 2021-04-23 | 2024-02-02 | 重庆工商大学 | 基于嵌入式系统的便携式堆肥腐熟度检测仪及检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005214799A (ja) * | 2004-01-29 | 2005-08-11 | Seikei Gakuen | データ解析装置、データ解析方法およびデータ解析プログラム |
JP4470505B2 (ja) * | 2004-02-04 | 2010-06-02 | 株式会社島津製作所 | クロマトグラフ質量分析用データ処理装置 |
EP1910959A1 (en) * | 2005-07-25 | 2008-04-16 | Metanomics GmbH | Means and methods for analyzing a sample by means of chromatography-mass spectrometry |
JP2009057337A (ja) * | 2007-08-31 | 2009-03-19 | Dainippon Sumitomo Pharma Co Ltd | メタボロームデータの解析方法および代謝関与マーカー |
EP2239675A1 (en) * | 2009-04-07 | 2010-10-13 | BIOCRATES Life Sciences AG | Method for in vitro diagnosing a complex disease |
JP5007326B2 (ja) * | 2009-09-24 | 2012-08-22 | 株式会社日立ハイテクノロジーズ | クロマトグラフィー質量分析方法、及びクロマトグラフ質量分析装置 |
JP5365579B2 (ja) * | 2010-05-18 | 2013-12-11 | 株式会社島津製作所 | クロマトグラフ質量分析用データ処理装置 |
US9582909B2 (en) * | 2012-11-15 | 2017-02-28 | Shimadzu Corporation | Chromatograph mass spectrometry data processing device |
JP6020314B2 (ja) * | 2013-04-04 | 2016-11-02 | 株式会社島津製作所 | クロマトグラフ質量分析データ処理装置 |
-
2015
- 2015-04-08 JP JP2015078992A patent/JP6715451B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016200435A (ja) | 2016-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6715451B2 (ja) | マススペクトル解析システム,方法およびプログラム | |
JP7057913B2 (ja) | ビッグデータ解析方法及び該解析方法を利用した質量分析システム | |
US10713590B2 (en) | Bagged filtering method for selection and deselection of features for classification | |
Enot et al. | Preprocessing, classification modeling and feature selection using flow injection electrospray mass spectrometry metabolite fingerprint data | |
US20160216244A1 (en) | Method and electronic nose for comparing odors | |
JP2018152000A (ja) | 分析データ解析装置及び分析データ解析方法 | |
US7761239B2 (en) | Method of diagnosing biological states through the use of a centralized, adaptive model, and remote sample processing | |
WO2021161901A1 (ja) | 特徴量選択方法、特徴量選択プログラム、マルチクラス分類方法、マルチクラス分類プログラム、特徴量選択装置、マルチクラス分類装置、及び特徴量セット | |
US20210350283A1 (en) | Data analyzer | |
Curran et al. | Computer aided manual validation of mass spectrometry-based proteomic data | |
CN109100477A (zh) | 食用油分析方法、识别系统、产生库的方法及数据载体 | |
CN114184599B (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 | |
CN107025387B (zh) | 一种用于癌症生物标志物识别的方法 | |
US20060287969A1 (en) | Methods of processing biological data | |
Kuncheva et al. | Evaluation of feature ranking ensembles for high-dimensional biomedical data: a case study | |
KR20200046991A (ko) | 바이오마커 동정을 위한 대사체 데이터 자동 분석 장치 및 방법 | |
WO2022139735A1 (en) | Disease classification based on rna-sequencing data and an algorithm for the detection of disease-related genes | |
Dittwald et al. | Towards automated discrimination of lipids versus peptides from full scan mass spectra | |
Grissa et al. | A hybrid data mining approach for the identification of biomarkers in metabolomic data | |
Mirkes et al. | Computational diagnosis of canine lymphoma | |
WO2022065216A1 (ja) | 特徴量選択方法、特徴量選択プログラム、及び特徴量選択装置、マルチクラス分類方法、マルチクラス分類プログラム、及びマルチクラス分類装置、並びに特徴量セット | |
JP2007240326A (ja) | 波形解析装置 | |
US20230351263A1 (en) | Active machine learning model for targeted mass spectrometry data analysis | |
Driscoll | EXPLORATION OF MULTIVARIATE CHEMICAL DATA IN NOISY ENVIRONMENTS: NEW ALGORITHMS AND SIMULATION METHOD | |
Kubiak et al. | Visualising and quantifying the usefulness of new predictors stratified by outcome class: The U-smile method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180405 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190123 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191001 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191128 |
|
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: 20200428 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200515 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6715451 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |