JP6987837B2 - 抗菌剤感受性予測のためのフローサイトメトリデータ処理 - Google Patents
抗菌剤感受性予測のためのフローサイトメトリデータ処理 Download PDFInfo
- Publication number
- JP6987837B2 JP6987837B2 JP2019500374A JP2019500374A JP6987837B2 JP 6987837 B2 JP6987837 B2 JP 6987837B2 JP 2019500374 A JP2019500374 A JP 2019500374A JP 2019500374 A JP2019500374 A JP 2019500374A JP 6987837 B2 JP6987837 B2 JP 6987837B2
- Authority
- JP
- Japan
- Prior art keywords
- phenotype
- antibacterial agent
- fluorescence
- microorganism
- distribution
- 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
- 238000012545 processing Methods 0.000 title description 7
- 230000000845 anti-microbial effect Effects 0.000 title description 2
- 238000009826 distribution Methods 0.000 claims description 125
- 244000005700 microbiome Species 0.000 claims description 97
- 238000000034 method Methods 0.000 claims description 88
- 239000003242 anti bacterial agent Substances 0.000 claims description 83
- 239000013598 vector Substances 0.000 claims description 79
- 238000012360 testing method Methods 0.000 claims description 51
- 230000003115 biocidal effect Effects 0.000 claims description 37
- 239000007788 liquid Substances 0.000 claims description 17
- 239000003550 marker Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 241000894006 Bacteria Species 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000035899 viability Effects 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 5
- 230000008685 targeting Effects 0.000 claims description 4
- 229940088710 antibiotic agent Drugs 0.000 description 26
- 239000000523 sample Substances 0.000 description 24
- ORFOPKXBNMVMKC-DWVKKRMSSA-N ceftazidime Chemical compound S([C@@H]1[C@@H](C(N1C=1C([O-])=O)=O)NC(=O)\C(=N/OC(C)(C)C(O)=O)C=2N=C(N)SC=2)CC=1C[N+]1=CC=CC=C1 ORFOPKXBNMVMKC-DWVKKRMSSA-N 0.000 description 15
- 229960000484 ceftazidime Drugs 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 13
- CEAZRRDELHUEMR-URQXQFDESA-N Gentamicin Chemical compound O1[C@H](C(C)NC)CC[C@@H](N)[C@H]1O[C@H]1[C@H](O)[C@@H](O[C@@H]2[C@@H]([C@@H](NC)[C@@](C)(O)CO2)O)[C@H](N)C[C@@H]1N CEAZRRDELHUEMR-URQXQFDESA-N 0.000 description 12
- 229930182566 Gentamicin Natural products 0.000 description 12
- 229960002518 gentamicin Drugs 0.000 description 12
- 238000012706 support-vector machine Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 206010020751 Hypersensitivity Diseases 0.000 description 10
- 238000009635 antibiotic susceptibility testing Methods 0.000 description 9
- 230000001580 bacterial effect Effects 0.000 description 9
- 238000000684 flow cytometry Methods 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 9
- 239000004599 antimicrobial Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000011534 incubation Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000813 microbial effect Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000890 drug combination Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000009036 growth inhibition Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- PGGFJIYMMRZEKG-UHFFFAOYSA-N 1,3-dibutyl-1,3-diazinane-2,4,6-trione Chemical compound CCCCN1C(=O)CC(=O)N(CCCC)C1=O PGGFJIYMMRZEKG-UHFFFAOYSA-N 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002814 agar dilution Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 229940121375 antifungal agent Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 230000009089 cytolysis Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000002999 depolarising effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000003113 dilution method Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- BFMYDTVEBKDAKJ-UHFFFAOYSA-L disodium;(2',7'-dibromo-3',6'-dioxido-3-oxospiro[2-benzofuran-1,9'-xanthene]-4'-yl)mercury;hydrate Chemical compound O.[Na+].[Na+].O1C(=O)C2=CC=CC=C2C21C1=CC(Br)=C([O-])C([Hg])=C1OC1=C2C=C(Br)C([O-])=C1 BFMYDTVEBKDAKJ-UHFFFAOYSA-L 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001506 fluorescence spectroscopy Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 244000005709 gut microbiome Species 0.000 description 1
- 230000009610 hypersensitivity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002054 inoculum Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/18—Testing for antimicrobial activity of a material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/14—Optical investigation techniques, e.g. flow cytometry
- G01N15/1429—Signal processing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
-
- G—PHYSICS
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Signal Processing (AREA)
- Toxicology (AREA)
- Microbiology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Dispersion Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Description
− この研究では、著者らは、1/16×MIC濃度における抗生物質で処理された高感受性株を使用して99%の信頼度における識別閾値を定義している。バーは、高感受性表現型に対してかなり低く設定されているが、それらの予測モデルは、耐性表現型を含まない。実際に、1つの耐性株は、高感受性株を使用して構築された予測モデルを検証するためにのみ使用された。したがって、表現型間の比較を含む識別戦略は、提案されていない。
− 著者らは、中間表現型の検出を説明していない。
− 彼らの予測モデルの潜在的な応用のために、著者らは、彼らの高感受性モデル株のMIC濃度の使用を提案する。この抗生物質濃度は、より高いMIC値を示した別の株の感受性プロファイルを明確に検出するのに十分ではなかったので(たとえば、ゲンタマイシン)、この方法は、ロバストではないように思われる。したがって、この文献は、特定の濃度を使用する予測モデルの開発、および異なる濃度を使用する方法の検証について、なにも説明していない。
− この研究で提案された予測モデルは、単一の高感受性株に基づく。株、表現型、MIC値などに依存する抗生物質に対する応答の不均一性のため、彼らの方法のロバスト性は、検証することができない。
A.以下のステップ、すなわち、
a.抗菌剤の高感受性ブレークポイント濃度および耐性ブレークポイント濃度に基づいて決定された、高感受性表現型微生物と、中間表現型微生物と、耐性表現型微生物とを含む微生物のセットを選択し、微生物の前記セットの感受性表現型のデジタルセットを生成するステップとを行うステップと、
b.微生物のセットの各微生物について、前記微生物の集団と、前記微生物を標的とする生存性蛍光マーカーと、抗菌剤とを含む液体試料を調製するステップであって、前記液体試料が少なくとも2つの異なる濃度の抗菌剤を含む、ステップと、
c.各試料について、フローサイトメータによって、前記試料内の微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む値のデジタルセットを取得するステップと、
d.微生物のセットの各微生物について、コンピュータユニットによって、前記微生物について取得された値のセットに基づいて特徴ベクトルを生成するステップと、
e.コンピュータユニットによって、生成された特徴ベクトルおよび感受性表現型のデジタルセットに基づいて、抗菌剤に対する感受性表現型の予測モデルを学習するステップと、
を含む学習段階と、
B.以下のステップ、すなわち、
f.試験微生物の集団と、生存性蛍光マーカーと、異なる濃度における抗菌剤とを含む液体試料を調製するステップと、
g.試験微生物の各試料について、フローサイトメータによって、ステップc)において取得された値のセットに対応する値のデジタルセットを取得するステップと、
h.コンピュータユニットによって、試験微生物について取得された値のセットに基づいて特徴ベクトルを生成するステップであって、前記特徴ベクトルがステップd)の特徴ベクトルに対応する、ステップと、
i.予測モデルを記憶するコンピュータユニットによって、前記モデルを試験微生物の特徴ベクトルに適用することによって、試験微生物の感受性表現型を予測するステップと
を含む予測段階と
を含む方法である。
− 予測モデルは、高感受性表現型対耐性表現型および中間表現型の第1の予測モデルと、耐性表現型対高感受性表現型および中間表現型の第2のモデルとを含み、第1および第2の表現型モデルは、独立して学習され、
− 中間表現型は、第1の予測モデルが高感受性表現型を予測しないとき、および第2の予測モデルが耐性表現型を予測しないときに予測される。
− 抗菌剤の異なる濃度を含む異なる濃度の第1のセットを選択し、異なる濃度の前記第1のセットのすべての濃度を用いてステップb)からf)を実行するステップと、
− 生成された特徴ベクトルおよび感受性表現型のデジタルセットに基づいて、抗菌剤に対する感受性表現型の予測モデルを学習するステップであって、前記学習することが、予測モデルの精度および予測モデルの複雑さをトレードオフするL1正則化最適化問題を使用して実行され、抗菌剤の異なる濃度が、L1正則化最適化問題によって放棄されない濃度の第1のセットの濃度である、ステップと
による、抗菌剤の異なる濃度の選択を含む。
− 抗菌剤の異なる濃度の各々について、
● 蛍光分布の主モードに対応する第1の蛍光値と、第1の蛍光値よりも大きい蛍光値の分布の第1の面積とを計算し、
● 前記第1および第2の蛍光値の間の分布の第2の面積が50%を超える第1の面積の定義済みの割合に等しい第2の蛍光値を計算するステップと、
− 抗菌剤の異なる濃度のうちの各非ヌル濃度について、関係、すなわち、
に従って比を計算するステップであって、ここで、Mode(ATB)およびQT(ATB)は、それぞれ、前記非ヌル濃度に関する第1および第2の蛍光値であり、Mode(noATB)およびQT(noATB)は、それぞれ、ヌル濃度に関する第1および第2の蛍光値である、ステップと
を含む。
− 抗菌剤の異なる濃度の各々について、前記異なる濃度の蛍光分布の平均値を計算するステップと、
− 抗菌剤の異なる濃度のうちの各非ヌル濃度について、前記非ヌル濃度の平均値とヌル濃度の平均値との比を計算するステップと
を含む。
a.試験微生物の集団と、試験微生物を標的とする生存性蛍光マーカーと、異なる濃度の抗菌剤とを含む液体試料を調製するステップと、
b.試験微生物の各試料について、フローサイトメータによって、前記試料中の試験微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む値のデジタルセットを取得するステップと、
c.コンピュータユニットによって、試験微生物について取得された値のセットに基づいて特徴ベクトルを生成するステップと、
d.予測モデルを記憶するコンピュータユニットによって、前記モデルを試験微生物の特徴ベクトルに適用することによって、試験微生物の感受性表現型を予測するステップであって、予測モデルが上記で説明したように学習段階に従って学習される、ステップと
を含む方法である。
− 液体試料中の試験微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む値のデジタルセットを取得するためのフローサイトメータであって、前記試料が試験微生物を標的とする生存性蛍光マーカーと、異なる濃度の抗菌剤とを含む、フローサイトメータと、
● 上記で説明したように学習段階に従って学習された予測モデルを記憶し、
● 試験微生物について取得された値のセットに基づいて特徴ベクトルを生成し、
● 予測モデルを試験微生物の特徴ベクトルに適用することによって試験微生物の感受性表現型を予測する
ように設定されたコンピュータユニットと
を備えるシステムである。
− 試験微生物について取得された値のセットに基づいて特徴ベクトルを生成するステップであって、前記セットが、フローサイトメータによって取得された液体試料中の試験微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む、ステップと、
− 予測モデルを試験微生物の特徴ベクトルに適用することによって試験微生物の感受性表現型を予測するステップと
を含み、
予測モデルは、上記で説明したように学習段階に従って学習される。
に従って、各非ヌル濃度Cj>iについて計算され、ここで、
および
は、それぞれ、分布Fli,j>1およびFli,1の平均値である。
− 1DのSSCまたはFSC分布のビニング:信号のダイナミックレンジ(たとえば、[1,10000])は、対数目盛において5、10、20、または40のビンにカットされる。各ビンに入るイベントの割合は、次いで、分布全体を表すために使用された。
− 2DのSSC/FSC分布のビニング:同じ手順が2つの散乱信号によって定義される二次元空間に適用され、したがって、二次元空間は、5×5=25、10×10=100、20×20=400、または40×40=1600ビンに離散化される。
− 1D蛍光信号のビニング:そのモードよりも上(すなわち、非ヌル強度における主なpicよりも上)である分布の一部のみが考慮されるということを注目すべき例外として、1D散乱信号に関するものと同じ手順が適用される。蛍光分布が、その振幅が大きく変動する可能性があるヌル強度においてピークを示し、したがって、ビニング表現に有害である可能性があるので、分布の残りの部分は、考慮されない。
のように計算され、ここで、Mode(Fli,j>1)は、蛍光分布Fli,j>1の主な非ヌルpicの蛍光値、すなわち、最大数のイベントに対応する蛍光強度であり、QT(Fli,j>1,q)は、前記2つの値の間の蛍光分布の面積がモードよりも上の蛍光値に関する蛍光分布の全面積のq%に等しいような蛍光値であり、Mode(noATB)およびQT(noATB)は、それぞれ、ヌル濃度C1ありの蛍光分布に関するアナログ値である。クオンタイルqは、左から右への曲線の下の面積の70%よりも上、具体的には、75%、90%、95%、および99%に等しい。
− 1D蛍光分布(ビニングデータ)から得られる4セットの値、
− 1DのSSC分布(ビニングデータ)から得られる4セットの値、
− 1DのFSC分布(ビニングデータ)から得られる4セットの値、
− 2DのFSC−SSC分布(ビニングデータ)に対応する4セットの値、
− MFIの1つの比、
− クオンタイルQの4つの比、ならびに、
− 2DのFSC−SSC分布および1D蛍光分布の組合せ(3Dモデル、ビニングデータ)から得られる16セットの値
がコンピュータユニット14によって生成される。
− ブレークポイントベースの戦略(BPS:breakpoint−based strategy)。BPS戦略は、それぞれS表現型およびR表現型を予測する2つの行列に基づく。中間表現型は、それらが2つの行列のいずれにも入らないとき、除去によって予測される。
− グローバル戦略(GS:global strategy)。GS戦略も、SおよびRについての2つの行列に基づき、中間表現型も、除去によって予測される。BPS戦略とは対照的に、GSは、各行列中の2つ以上の抗生物質濃度からのデータを処理することによって予測モデルを構築することができる。
− グローバルマルチクラス戦略(GMS:global multiclass strategy)。GMS戦略は、それぞれS表現型、I表現型、およびR表現型を予測する3つの行列に基づく。GSと同様に、GMS戦略も、各行列内の2つ以上の抗生物質濃度からのデータを処理することができる。
を使用して処理される。
− MFIまたはクオンタイルベースの指標Qによって表される蛍光信号に作用するBPS戦略について、各微生物は、単一の値によって表され、この値は、それらが異なる抗生物質濃度から計算されたので、S表現型およびR表現型を予測することを担当するモデルを構築するために同じではない。この場合、分類規則は、単純な形式を有し、単にMFIまたはQに閾値を設定するようになる。この閾値を最適化するために、後に詳述するように、ROC曲線分析が使用される。
− すべての他の場合には、各微生物は、いくつかの値(たとえば、GS戦略およびGMC戦略に関するいくつかのMFIもしくはQ値、または、BPS戦略、GS戦略、およびGMC戦略に関する1つもしくは複数のビニング分布を含むベクトル)によって表された。これらの場合、サポートベクターマシン(SVM)アルゴリズムは、後に詳述するように、そのような多次元特徴ベクトルを分類規則に変換する分類規則を学習するためにコンピュータユニットによって実施される。
− BPS戦略およびGS戦略について、S株およびR株を識別することを担当する2つのモデルが独立して構築される。両方のモデルは、二項分類モデルであり、第1のモデルは、{IおよびR}株からS株を分離しようとするものであり、第2のモデルは、{SおよびI}からR株を分離しようとするものである。BPS戦略とGS戦略との間の違いは、学習アルゴリズムに提供される情報の量にのみ存在していた。BPS戦略に関して、{R対S−I}モデルおよび{S対R−I}モデルの各々を学習すると考えられる唯一の抗生物質濃度は、関連するブレークポイントに対応したものであった。したがって、これは、各モデルを学習するためにアルゴリズムに提供されたデータが同じではなかったことを意味する。逆に、GS戦略において、利用可能なすべての抗生物質濃度が各モデルを学習するために考慮される。したがって、これは、各モデルを学習するためにアルゴリズムに提供されたデータが同じであり、BPS戦略に提供されたものよりも典型的にはm−1倍長く、有利には、m−1=4(4つの濃度が所与の抗生物質に対して株を特徴付けると考えられる)であることを意味する。
− GMS戦略について、R株、S株、およびI株を直接識別するために、「1対すべて」のSVMマルチクラスモデルが構築される。その目的のため、各々が1つのカテゴリの株を2つの他のカテゴリの株から分離することを担当する3つのモデルが構築される。これは、I株が除去(RにもSにも分類されなかった株)によって識別される上記の手法とは対照的であった。
− データセットを所定の数Kの偶数のサブセット、または「折りたたみ」に分割し、Kは、典型的には5または10に設定される。
− 反復手順を実行し、
○ データのKのサブセットのうちの1つを残しておき、
○ 最適化するモデルパラメータの異なる値について、(K−1の)残りのサブセットから分類モデルを学習し、
○ モデルパラメータの異なる値に対応して、異なる候補モデルについて、提出されたサブセットにおける予測を評価する。
− モデルパラメータの異なる候補値についてデータセット全体に対して測定された分類性能を評価し、
− 分類性能を最大化する値を選択する。
− 候補閾値を定義するために、R株およびS株を残りのものから識別することを担当する2つのモデルの各々についてROC曲線が最初に構築され、
− 次いで、{0.7,0.75,0.8,0.85,0.9,0.95}の真陽性率(または感受性)に対応する6つの候補閾値が抽出され、陽性クラスは、各モデルによって対象とされるクラス(すなわち、R株を識別することを担当するモデルにとってR、他の1つにとってS)に対応する。
− 軽微な誤差(mE:minor error)=IがSもしくはRを予測した、SがIを予測した、またはRがIを予測した、
− 大きい誤差(ME:major error)=SがRを予測した、
− 非常に大きい誤差(VME:very major error)=RがSを予測した
のように分類される。
− データセットの(K−1)のサブセットを使用するモデルに関与するパラメータが最適化される。この目的のために、前述の交差検証手順に頼る。
− 残りのサブセットに対する予測が評価される。
Score=Number(mE)×p1+Number(ME)×p2+Number(VME)×p3
を使用して各予測モデルについて計算され、ここで、p1>p2>p3は、正数であり、たとえば、それぞれ、1、2、および4に等しい。
− (たとえば、試験された4つの濃度のうちの1つのみが最適な識別に関連する場合)試薬の量を減らすこと、
− FCM取得の時間を短縮すること(たとえば、ちょうど1つの濃度が関連する場合、より少ないチューブまたはウェルが分析される必要がある)、
− (たとえば、最も関連する濃度が必ずしもブレークポイント濃度ではない場合)最も適切な濃度を選択すること
を可能にし得る。
− 生物学的試料または微生物抽出物からのFCM−AST、
− 他の生存性マーカーまたはマルチラベリングが使用され得る、
− すべての種および抗生物質/抗真菌薬に適用され得る、
− 誤差の評価は、特定の表現型の予測を強化するために調整され得る、
− クオンタイル法は、FSCモノパラメトリック分布およびSSCモノパラメトリック分布にも適用され得る、
− クオンタイル法は、異種集団(たとえば、hVISA)を検出するためにも使用され得る、
− ビニング法およびクオンタイル法のために5つ以上の構成が調査され得る、
− 3Dモデルは、ビニング法から得られた1D特徴ベクトルを組み合わせることによっても構築され得る、
− 3Dモデルは、クオンタイル法またはMFI法から得られた1D特徴ベクトルを組み合わせることによっても構築され得る、
− 散乱および蛍光を含む2Dモデルも調査され得る、
− 細胞の自己蛍光も、分析のための追加のパラメータとして追加され得る
にも適用される。
A.実験1:異種蛍光分布に対するクオンタイルベースの予測モデルの評価
A.i.ゲンタマイシンで処理された株の蛍光分布プロファイル
実験は、以下の行に記載されているように実行された。
− 107の腸内細菌株のパネル(図6:ゲンタマイシンに対するそれらのMICに従った株のパネルの分布)が、図3に記載のプロトコルに従って0、2、4、および8mg/Lのゲンタマイシンで処理され、FCMによって分析された。すべての株の参照表現型は、CLSIブレークポイントに従って、微量液体希釈法によって決定された。
− 蛍光分布は、すべての株について観察され、それらのプロファイルに基づいて分類された。
− 予測モデルは、FCMデータから生成され、性能は、上記で説明したように評価された。
− プロファイルA:蛍光分布のまったくないかまたはわずかなシフト。
− プロファイルB:1つの非蛍光集団と小さい蛍光集団とを有する異種分布。
− プロファイルC:蛍光分布の著しいシフト。
− 高感受性表現型について、最も低いゲンタマイシン濃度(2mg/L)で処理されたとき、等しい数の株が、非シフト(プロファイルA)または異種蛍光分布(プロファイルB)のいずれかを示した。4mg/Lおよび8mg/Lのゲンタマイシンで処理されたとき、株の大部分は、異種蛍光分布(プロファイルB)を示した。
− ほとんどすべて(37のうち36)の耐性株は、試験されたすべての濃度においていかなる蛍光シフトも示さなかった(プロファイルA)。
− 中間表現型について、最も低い濃度(2mg/L)で処理されたとき、より多くの株が蛍光のシフトを示さなかった(プロファイルA)。4mg/Lおよび8mg/Lのゲンタマイシンで処理されたとき、等しい数の株が、非シフト(プロファイルA)または異種蛍光分布(プロファイルB)のいずれかを示した。
上記で仮定したように、MFI法の使用は、異種蛍光分布が見出されるとき、適切ではない可能性がある。我々の株のパネル(図7)内の我々の観察と関連して、我々は、クオンタイル法およびMFI法から生成された特徴ベクトルを使用して構築されたBPS予測モデルの性能を比較した。
B.i.識別戦略の性能評価
この実験では、我々は、セフタジジムに対する広い範囲の予測モデルの評価を行った。
− 128の腸内細菌株(図9:セフタジジムに対するそれらのMICに従った株のパネルの分布)が、図3に記載のFCMプロトコルを使用して4つの異なる濃度のセフタジジム(1、2、4、および8mg/L)を用いて処理されるか、または処理されなかった。
− 上記で説明したように特徴ベクトルを生成するために、FCMデータが使用された。
− 各戦略(BPS、GS、およびGSM)について、生成された特徴ベクトルに基づいて7タイプの予測モデルが構築された(図10:生成された予測モデルの数。「FL1」は、蛍光を意味する)。
− すべてのモデルの性能は、上記で説明したように交差検証に続いて評価された。
− GS戦略は、4タイプの予測モデル(1D FL1 QT、1D SSCビニング、2D FSC−SSCビニング、および3D FSC−SSC−FL1ビニング)について最も低いスコアを示した。
− GSM戦略は、3タイプの予測モデル(1D FL1 MFI、1D FL1ビニング、および1D FCSビニング)について最も低いスコアを示した。
21の予測モデルの凝縮された選択は、それらの誤差スコアに従って分類された(図12:セフタジジムに対する予測モデルの分類。BP=BPS。G=GS。GMC=GMS)。我々の分類によれば、セフタジジムに対する最良の予測モデルは、GS戦略を用いて構築された3D FSC−SSC−FL1モデルである。我々は、以下のことを観察する。
− 1D SSCビニング(GS)予測アルゴリズムも比較的良好な性能を示したことに注目することは、興味深い(図12)。これは、FL1およびFSCパラメータが、選択された3Dモデルアルゴリズムの識別能力にわずかしか寄与しないことを示唆する。したがって、予測モデルの我々の分析方法および分類は、FCM−ASTプロトコル(1D SSCビニング(GS)モデルには生存性マーカーは必要ない)ならびにFCM取得パラメータ(SSCのみ)を大幅に簡略化するのに役立つ可能性がある。一方、我々は、異なる生存性マーカーの使用がさらに優れた予測性能のために3Dモデルの識別能力を大幅に改善することができると仮定することができる。
− クオンタイルデータに対して構築された予測モデルは、劣った性能のものである。これは、セフタジジムで処理された株の大部分が均一な蛍光分布を示すことを示唆する。
図12に示すように、セフタジジムに対する最良の予測モデルは、GS戦略を使用して構築された3Dモデルである。このモデルは、4つの濃度のセフタジジム(1、2、4、および8mg/L)を処理する。3Dモデルの識別能力におけるこれらの濃度の関連性を調べるための努力において、我々は、上記で説明したようにGS戦略に基づいて3Dモデルを構築するためにLasso分析ツールを使用した。
− Lassoを用いて構築された3Dモデルは、2つの濃度(2mg/Lおよび8mg/L)のみを使用し、これは、我々がセフタジジムのためのFCM−AST用途の開発に使用されるべき濃度の数を減らすことができることを示唆する。
− 我々のBPS戦略では、使用される濃度は、高感受性表現型行列において4mg/L、耐性表現型行列において8mg/Lである。我々のLasso分析では、4mg/Lの濃度は、無関係であり、2mg/Lが優先的に使用される。これは、FCM調査において最も識別力のある濃度が必ずしもブレークポイント濃度ではないことを裏付ける。これは、なぜBP戦略を使用して構築された3Dモデルが3Dモデルの最下位の実施であるかを説明する可能性がある(図13)。
1. Huang, T.H., et al., Rapid cytometric antibiotic susceptibility testing utilizing adaptive multidimensional statistical metrics.Anal Chem, 2015. 87(3): p. 1941-9.
2. Alvarez-Barrientos, A., et al., Applications of flow cytometry to clinical microbiology. Clin Microbiol Rev, 2000. 13(2): p. 167-95.
3. Aghayee, S., et al., Combination of fluorescence microscopy and nanomotion detection to characterize bacteria. J Mol Recognit, 2013. 26(11): p. 590-595.
4. Shapiro, H.M. and N.G. Perlmutter, Killer applications: toward affordable rapid cell-based diagnostics for malaria and tuberculosis. Cytometry B Clin Cytom, 2008. 74 Suppl 1: p. S152-64.
5. Joux, F. and P. Lebaron, Use of fluorescent probes to assess physiological functions of bacteria at single-cell level.Microbes Infect, 2000. 2(12): p. 1523-35.
6. Martinez, O.V., et al., The effect of some beta-lactam antibiotics on Escherichia coli studied by flow cytometry.Cytometry, 1982. 3(2): p. 129-33.
7. Pina-Vaz, C., S. Costa-de-Oliveira, and A.G. Rodrigues, Safe susceptibility testing of Mycobacterium tuberculosis by flow cytometry with the fluorescent nucleic acid stain SYTO 16. J Med Microbiol, 2005. 54(Pt 1): p. 77-81.
8. Cohen, C.Y. and E. Sahar, Rapid flow cytometric bacterial detection and determination of susceptibility to amikacin in body fluids and exudates. J Clin Microbiol, 1989. 27(6): p. 1250-6.
9. Kerstens, M., et al., Quantification of Candida albicans by flow cytometry using TO-PRO((R))-3 iodide as a single-stain viability dye. J Microbiol Methods, 2013. 92(2): p. 189-91.
10. Boi, P., et al., Evaluation of Escherichia coli viability by flow cytometry: A method for determining bacterial responses to antibiotic exposure. Cytometry B Clin Cytom, 2015. 88(3): p. 149-53.
11. Nuding, S. and L. Zabel, Detection, Identification, and Susceptibility Testing of Bacteria by Flow Cytometry. J Bacteriol Parasitol 2013. S5-005.
12. Gauthier, C., Y. St-Pierre, and R. Villemur, Rapid antimicrobial susceptibility testing of urinary tract isolates and samples by flow cytometry. J Med Microbiol, 2002. 51(3): p. 192-200.
13. Gant, V.A., et al., The application of flow cytometry to the study of bacterial responses to antibiotics. J Med Microbiol, 1993. 39(2): p. 147-54.
14. Wickens, H.J., et al., Flow cytometric investigation of filamentation, membrane patency, and membrane potential in Escherichia coli following ciprofloxacin exposure. Antimicrob Agents Chemother, 2000. 44(3): p. 682-7.
15. Renggli, S., et al., The role of auto-fluorescence in flow-cytometric analysis of Escherichia coli treated with bactericidal antibiotics. J Bacteriol, 2013.
16. J.L., F.G., Method for the rapid determination of susceptibility or resistance of bacteria to antibiotics EP 2821499 A1 2015.
17. Pina-Vaz, C., et al., Kit and method of detecting the resistant microorganisms to a therapeutic agent. WO 2012/164547 A1, 2012.
18. Suller, M.T., J.M. Stark, and D. Lloyd, A flow cytometric study of antibiotic-induced damage and evaluation as a rapid antibiotic susceptibility test for methicillin-resistant Staphylococcus aureus.J Antimicrob Chemother, 1997. 40(1): p. 77-83.
19. Jepras, R.I., et al., Rapid assessment of antibiotic effects on Escherichia coli by bis-(1,3-dibutylbarbituric acid) trimethine oxonol and flow cytometry. Antimicrob Agents Chemother, 1997. 41(9): p. 2001-5.
20. Shrestha, N.K., et al., Rapid differentiation of methicillin-resistant and methicillin-susceptible Staphylococcus aureus by flow cytometry after brief antibiotic exposure. J Clin Microbiol, 2011. 49(6): p. 2116-20.
21. Shrestha, N.K., et al., Immuno-flow cytometry for the rapid identification of Staphylococcus aureus and the detection of methicillin resistance. Eur J Clin Microbiol Infect Dis, 2012. 31(8): p. 1879-82.
22. M. Yuan and Y. Lin, Model selection and estimation in regression with grouped variables. Journal of The Royal Statistical Society Series B, 68(1):49-67, 2006.
23. F. Bach et al., Structured sparsity through convex optimization. Statistical Science, 27(4):450-468, 2012.
Claims (21)
- 高感受性表現型、中間表現型、および耐性表現型の中から、抗菌剤に対する試験微生物の感受性表現型を予測するための方法であって、
A.以下のステップ、すなわち、
a.前記抗菌剤の高感受性ブレークポイント濃度および耐性ブレークポイント濃度に基づいて決定された、高感受性表現型微生物と、中間表現型微生物と、耐性表現型微生物とを含む微生物のセットを選択し、前記微生物のセットの感受性表現型のデジタルセットを生成するステップと、
b.前記微生物のセットの各微生物について、前記微生物の集団と、前記微生物を標的とする生存性蛍光マーカーと、前記抗菌剤とを含む液体試料を調製するステップであって、前記液体試料が少なくとも2つの異なる濃度の抗菌剤を含む、ステップと、
c.各試料について、フローサイトメータによって、前記試料内の前記微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む値のデジタルセットを取得するステップと、
d.前記微生物のセットの各微生物について、コンピュータユニットによって、前記微生物について取得された値の前記セットに基づいて特徴ベクトルを生成するステップと、
e.コンピュータユニットによって、前記生成された特徴ベクトルおよび感受性表現型の前記デジタルセットに基づいて、前記抗菌剤に対する前記感受性表現型の予測モデルを学習するステップと、
を含む学習段階と、
B.以下のステップ、すなわち、
f.前記試験微生物の集団と、前記生存性蛍光マーカーと、前記異なる濃度における前記抗菌剤とを含む液体試料を調製するステップと、
g.前記試験微生物の各試料について、フローサイトメータによって、ステップc.において取得された値の前記セットに対応する値のデジタルセットを取得するステップと、
h.コンピュータユニットによって、前記試験微生物について取得された値の前記セットに基づいて特徴ベクトルを生成するステップであって、前記特徴ベクトルがステップd.の前記特徴ベクトルに対応する、ステップと、
i.前記予測モデルを記憶するコンピュータユニットによって、前記モデルを前記試験微生物の前記特徴ベクトルに適用することによって、前記試験微生物の前記感受性表現型を予測するステップと
を含む予測段階と
を含む方法。 - 前記予測モデルが、前記高感受性表現型対前記耐性表現型および中間表現型の第1の予測モデルと、前記耐性表現型対前記高感受性表現型および中間表現型の第2の予測モデルとを含み、前記第1および第2の予測モデルが独立して学習され、
前記第1の予測モデルが前記高感受性表現型を予測せず且つ前記第2の予測モデルが前記耐性表現型を予測しないときに、前記中間表現型が予測される、
請求項1に記載の方法。 - 前記予測モデルが、前記高感受性表現型対前記耐性表現型および中間表現型の第1の予測モデルと、前記耐性表現型対前記高感受性表現型および中間表現型の第2の予測モデルと、前記中間表現型対前記高感受性表現型および耐性表現型の第3の予測モデルとを含み、前記第1、第2、および第3の予測モデルが独立して学習される、請求項1に記載の方法。
- 前記抗菌剤の前記異なる濃度が、高感受性ブレークポイント濃度と耐性ブレークポイント濃度とを含む範囲を定義する、請求項1から3のいずれか一項に記載の方法。
- 前記抗菌剤の前記異なる濃度が、それぞれ、前記高感受性ブレークポイント濃度および前記耐性ブレークポイント濃度にある、請求項1から4のいずれか一項に記載の方法。
- 前記抗菌剤の前記異なる濃度が、少なくとも3つの濃度、より具体的には、少なくとも4つの濃度を含む、請求項1から4のいずれか一項に記載の方法。
- 前記抗菌剤の前記異なる濃度のうちの少なくとも1つが、前記高感受性ブレークポイント濃度未満である、請求項1から6のいずれか一項に記載の方法。
- 前記学習段階において、
前記抗菌剤の前記異なる濃度を含む異なる濃度の第1のセットを選択し、異なる濃度の前記第1のセットのすべての濃度を用いてステップb.からf.を実行するステップと、
前記生成された特徴ベクトルおよび感受性表現型の前記デジタルセットに基づいて、前記抗菌剤に対する前記感受性表現型の予測モデルを学習するステップであって、前記予測モデルの精度と前記予測モデルの複雑さをトレードオフするL1正則化最適化問題を使用して実行され、前記抗菌剤の前記異なる濃度が、前記L1正則化最適化問題によって放棄されない濃度の前記第1のセットの濃度である、ステップと
による、前記抗菌剤の前記異なる濃度の選択を含む、請求項1から7のいずれか一項に記載の方法。 - 前記L1正則化最適化問題がL1正則化ロジスティック回帰である、請求項8に記載の方法。
- 前記値のデジタルセットが定義済みの蛍光範囲にわたる蛍光分布を含み、前記特徴ベクトルが前記定義済みの蛍光範囲の一区分にわたる前記蛍光分布のヒストグラムを含む、請求項1から9のいずれか一項に記載の方法。
- 前記値のデジタルセットが定義済みの側方散乱値範囲にわたる側方散乱分布を含み、前記特徴ベクトルが前記定義済みの側方散乱値範囲の一区分にわたる前記側方散乱分布のヒストグラムを含む、請求項1から10のいずれか一項に記載の方法。
- 前記値のデジタルセットが定義済みの前方散乱値範囲にわたる前方散乱分布を含み、前記特徴ベクトルが前記定義済みの前方散乱値範囲の一区分にわたる前記前方散乱分布のヒストグラムを含む、請求項1から11のいずれか一項に記載の方法。
- 前記値のデジタルセットが前方散乱値および側方散乱値の定義済みの二次元範囲にわたる前方散乱値対側方散乱値の二次元分布を含み、前記特徴ベクトルが前記定義済みの二次元範囲の一区分にわたる前記前方散乱分布対前記側方散乱分布の二次元ヒストグラムを含む、請求項1から12のいずれか一項に記載の方法。
- 前記抗菌剤の前記異なる濃度のうちの1つがヌルであり、前記値のデジタルセットが蛍光分布を含み、前記特徴ベクトルの生成が、
前記抗菌剤の前記異なる濃度の各々について、
前記蛍光分布の主モードに対応する第1の蛍光値と、前記第1の蛍光値よりも大きい蛍光値に関する分布の第1の面積とを計算し、
前記第1および第2の蛍光値の間の分布の第2の面積が、50%を超える、前記第1の面積の定義済みの割合に等しい、前記第1の蛍光値よりも大きい第2の蛍光値を計算するステップと、
前記抗菌剤の前記異なる濃度のうちの各非ヌル濃度について、関係、すなわち、
に従って比を計算するステップであって、ここで、Mode(ATB)およびQT(ATB)が、それぞれ、前記非ヌル濃度に関する前記第1および第2の蛍光値であり、Mode(noATB)およびQT(noATB)が、それぞれ、前記ヌル濃度に関する前記第1および第2の蛍光値である、ステップと
を含む、請求項1から13のいずれか一項に記載の方法。 - 前記定義済みの割合が70%を超え、好ましくは75%、90%、95%、または99%に等しい、請求項13に記載の方法。
- 前記抗菌剤の前記異なる濃度のうちの1つがヌルであり、前記値のデジタルセットが蛍光分布を含み、前記特徴ベクトルの生成が、
前記抗菌剤の前記異なる濃度の各々について、前記異なる濃度の前記蛍光分布の平均値を計算するステップと、
前記抗菌剤の前記異なる濃度のうちの各非ヌル濃度について、前記非ヌル濃度の平均値と前記ヌル濃度の平均値との比を計算するステップと
を含む、請求項1から15のいずれか一項に記載の方法。 - 前記微生物のセットの前記微生物が、異なる種および/または属に属する、請求項1から16のいずれか一項に記載の方法。
- 前記抗菌剤が抗生物質であり、前記微生物が細菌である、請求項1から17のいずれか一項に記載の方法。
- 高感受性表現型、中間表現型、および耐性表現型の中から、抗菌剤に対する試験微生物の感受性表現型を予測するための方法であって、
a.前記試験微生物の集団と、前記試験微生物を標的とする生存性蛍光マーカーと、異なる濃度の前記抗菌剤とを含む液体試料を調製するステップと、
b.前記試験微生物の各試料について、フローサイトメータによって、前記試料中の前記試験微生物の前記集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む値のデジタルセットを取得するステップと、
c.コンピュータユニットによって、前記試験微生物について取得された値の前記セットに基づいて特徴ベクトルを生成するステップと、
d.予測モデルを記憶するコンピュータユニットによって、前記モデルを前記試験微生物の前記特徴ベクトルに適用することによって、前記試験微生物の前記感受性表現型を予測するステップ
とを含み、
前記予測モデルが請求項1から18のいずれか一項に記載の学習段階に従って学習される、方法。 - 高感受性表現型、中間表現型、および耐性表現型の中から、抗菌剤に対する試験微生物の感受性表現型を予測するためのシステムであって、
液体試料中の前記試験微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む値のデジタルセットを取得するためのフローサイトメータであって、前記試料が前記試験微生物を標的とする生存性蛍光マーカーと、異なる濃度の前記抗菌剤とを含む、フローサイトメータと、
請求項1から18のいずれか一項に記載の学習段階に従って学習された予測モデルを記憶し、
前記試験微生物について取得された値の前記セットに基づいて特徴ベクトルを生成し、
前記予測モデルを前記試験微生物の前記特徴ベクトルに適用することによって前記試験微生物の前記感受性表現型を予測する
ように設定されたコンピュータユニットと
を備えるシステム。 - コンピュータによって実施される方法を実行するための命令を記憶するコンピュータ可読媒体であって、前記方法が、高感受性表現型、中間表現型、および耐性表現型の中からの、抗菌剤に対する試験微生物の感受性表現型の予測を含み、前記予測が、
試験微生物について取得された値のセットに基づいて特徴ベクトルを生成するステップであって、前記セットが、フローサイトメータによって取得された液体試料中の前記試験微生物の集団の蛍光分布および/または前方散乱分布および/または側方散乱分布を含む、ステップと、
予測モデルを前記試験微生物の前記特徴ベクトルに適用することによって前記試験微生物の前記感受性表現型を予測するステップと
を含み、
前記予測モデルが、請求項1から18のいずれか一項に記載の学習段階に従って学習される、コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16178635.5 | 2016-07-08 | ||
EP16178635.5A EP3266877B1 (en) | 2016-07-08 | 2016-07-08 | Flow cytometry data processing for antimicrobial agent sensibility prediction |
PCT/EP2017/066900 WO2018007501A1 (en) | 2016-07-08 | 2017-07-06 | Flow cytometry data processing for antimicrobial agent sensibility prediction |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019528680A JP2019528680A (ja) | 2019-10-17 |
JP6987837B2 true JP6987837B2 (ja) | 2022-01-05 |
Family
ID=56557474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019500374A Active JP6987837B2 (ja) | 2016-07-08 | 2017-07-06 | 抗菌剤感受性予測のためのフローサイトメトリデータ処理 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190355440A1 (ja) |
EP (1) | EP3266877B1 (ja) |
JP (1) | JP6987837B2 (ja) |
CN (1) | CN109415755B (ja) |
WO (1) | WO2018007501A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7071976B2 (ja) * | 2016-11-28 | 2022-05-19 | コーニンクレッカ フィリップス エヌ ヴェ | 抗生物質感受性の分析的予測 |
JP7230342B2 (ja) * | 2018-05-18 | 2023-03-01 | 株式会社ニコン | 細菌の薬剤感受性の判定方法及び細菌の薬剤感受性の判定装置 |
US20240280468A1 (en) * | 2021-06-30 | 2024-08-22 | Sony Group Corporation | Biological sample analyzer |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112013031110B1 (pt) * | 2011-06-03 | 2020-09-29 | Universidade Do Porto | Kit e método de detecção de microorganismos resistentes a um agente terapêutico |
EP2821499B1 (en) | 2013-07-04 | 2017-02-15 | ABM Technologies, LLC | Method for the rapid determination of susceptibility or resistance of bacteria to antibiotics |
-
2016
- 2016-07-08 EP EP16178635.5A patent/EP3266877B1/en active Active
-
2017
- 2017-07-06 JP JP2019500374A patent/JP6987837B2/ja active Active
- 2017-07-06 WO PCT/EP2017/066900 patent/WO2018007501A1/en active Application Filing
- 2017-07-06 CN CN201780042446.2A patent/CN109415755B/zh active Active
- 2017-07-06 US US16/316,320 patent/US20190355440A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2019528680A (ja) | 2019-10-17 |
CN109415755B (zh) | 2023-06-23 |
US20190355440A1 (en) | 2019-11-21 |
EP3266877B1 (en) | 2019-02-27 |
WO2018007501A1 (en) | 2018-01-11 |
EP3266877A1 (en) | 2018-01-10 |
CN109415755A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Williams et al. | Distinguishing between living and nonliving bacteria: evaluation of the vital stain propidium iodide and its combined use with molecular probes in aquatic samples | |
JP6987837B2 (ja) | 抗菌剤感受性予測のためのフローサイトメトリデータ処理 | |
EP2414536B1 (en) | Fluorescence cued raman identification of viable organisms | |
Puchkov | Image analysis in microbiology: a review | |
Baum et al. | HyphArea—automated analysis of spatiotemporal fungal patterns | |
US20230067015A1 (en) | Systems and methods for antibacterial susceptibility testing using dynamic laser speckle imaging | |
Young et al. | Massively parallel sequencing is unlocking the potential of environmental trace evidence | |
JP6987838B2 (ja) | 抗菌剤感受性予測のためのフローサイトメトリデータ処理 | |
US20230401449A1 (en) | Means and methods for classifying microbes | |
Posteraro et al. | The future of fungal susceptibility testing | |
EP4125064A1 (en) | Method and system for prediction of microorganism growth using artificial intelligence | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
Ezegbogu | Identifying the scene of a crime through pollen analysis | |
US8666673B2 (en) | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification | |
Lindner et al. | A user's guide to the bioinformatic analysis of shotgun metagenomic sequence data for bacterial pathogen detection | |
WO2011092860A1 (ja) | 土壌の作物育成度数測定方法及び産地偽装判定方法 | |
US20200400548A1 (en) | Systems and method for rapid identification and analysis of cells in forensic samples | |
EP2569732A1 (en) | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification | |
Sun et al. | Eliminate false positives in metagenomic profiling based on type IIB restriction sites | |
JP2014035255A (ja) | 生体数モデル生成装置、生体数モデル生成方法、サイトメーター、および、プログラム | |
Huang et al. | IDENTIFICATION AND ENUMERATION OF SALMONELLA ON SAMPLE SLIDES OF POULTRY CARCASSWASHWATER USING IMAGE ANALYSIS WITH FLUORESCENT MICROSCOPY | |
CN113537726B (zh) | 跨境隐存高危因子智能风险挖掘方法 | |
WO2023174728A1 (en) | Method of analysing the motional activity of particles | |
Fernández-Manteca et al. | Identification of hypermucoviscous Klebsiella pneumoniae K1, K2, K54 and K57 capsular serotypes by Raman spectroscopy | |
Rahman et al. | Bacterial Behaviour Analysis Through Image Segmentation Using Deep Learning Approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200706 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210525 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210601 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210901 |
|
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: 20211102 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211201 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6987837 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |