JP7062256B2 - 材料解析方法及び材料解析装置 - Google Patents

Description

本発明は化学センサを使用した材料の解析に関する。

化学センサは対象となる検体、とりわけガス状分子の複雑な混合物からなる多様なニオイの検出、判別及び同定のための強力なツールとして大きな注目を集めてきた。この種のセンサは一般に検出対象の分子（検体分子）の吸着に伴い生じる物理パラメータの変化を検出するものである。物理パラメータの変化を検出しやすくするため、一般にセンサは「受容体層」と呼ばれる層で被覆した後、測定に用いられる。なお、本願では受容体を被覆する前のセンサをセンサ本体と呼ぶことがある。この種のセンサが検出する物理パラメータは多岐にわたるが、非限定的に例示すれば、表面応力、応力、力、表面張力、圧力、質量、弾性、ヤング率、ポアソン比、共振周波数、周波数、体積、厚み、粘度、密度、磁力、磁気量、磁場、磁束、磁束密度、電気抵抗、電気量、誘電率、電力、電界、電荷、電流、電圧、電位、移動度、静電エネルギー、キャパシタンス、インダクタンス、リアクタンス、サセプタンス、アドミッタンス、インピーダンス、コンダクタンス、プラズモン、屈折率、光度および温度、あるいはこれらの組み合わせ等が用いられる。具体的な化学センサとしては例えば水晶振動子マイクロバランス（ＱＣＭ）、導電性ポリマー（ＣＰ）、電界効果トランジスタ（ＦＥＴ）等の多様なものがある。また、このような化学センサは単一のセンサとして使用する場合もあるが、多くの場合は複数のセンサ素子（以下、チャネルとも称する）を何らかの形態でまとめてアレイ状に構成した化学センサアレイとして利用されてきた。

化学センサアレイにおいては、検出信号は広い範囲の化学物質類に応答するように設計された検出材料中に対象とする検体が吸脱着すること（sorption）によって引き起こされる物理化学的相互作用を測定することによって得られる。化学センサアレイによって得られるこのような多次元的なデータセットは大量の情報を含むため、各々の試料の判別、同定には機械学習を用いた多変量の解析が効果的に適用できる。このような材料解析手法については食品、農業、医薬及び環境科学のような多様な分野で広範な応用が示されてきたが、これらのパターン認識に基づいた解析は基本的にガス状の検体に限定されていた。

すなわち、従来の化学センサを利用した各種の測定の基本原理は、受容体を表面に有する化学センサに流体（主にガス状であるが、液体の場合もある）状の検体を与え、これにより受容体に引き起こされる各種の物理量の変化を化学センサ本体が検出信号に変換することにより、上述したような検体の測定を行うというものであった。本発明の課題は上述の動作原理を応用して、化学センサにより受容体として使用できる検体の判別、同定、組成等の測定を行うことにある。

本発明の一側面によれば、測定対象の材料を担持した化学センサに一つまたは複数種類の流体を与えることにより前記測定対象の材料により引き起こされる物理パラメータの変化に基づいて前記化学センサから出力される信号に基づいて、前記測定対象の材料を解析する、化学センサに担持された材料の解析を行う材料解析方法が与えられる。
ここで、前記物理パラメータは、表面応力、応力、力、表面張力、圧力、質量、弾性、ヤング率、ポアソン比、共振周波数、周波数、体積、厚み、粘度、密度、磁力、磁気量、磁場、磁束、磁束密度、電気抵抗、電気量、誘電率、電力、電界、電荷、電流、電圧、電位、移動度、静電エネルギー、キャパシタンス、インダクタンス、リアクタンス、サセプタンス、アドミッタンス、インピーダンス、コンダクタンス、プラズモン、屈折率、光度および温度のうちの１種または２種以上であってよい。
また、前記化学センサから出力される信号からの特徴量の抽出を行った結果から前記解析を行ってよい。
また、前記化学センサに前記流体とパージ用流体とを交互に切り替えて与えてよい。
また、前記与えられる一つまたは複数種類の流体の少なくとも一つは気体であってよい。
また、前記与えられる一つまたは複数種類の流体の少なくとも一つは液体であってよい。
また、前記気体の少なくとも一つは揮発性の物質から発生する蒸気であってよい。
また、前記解析は前記測定対象の材料が他の材料と同じものであるか否かを識別することであってよい。
また、前記解析は前記測定対象の材料を同定することであってよい。
また、前記解析は前記測定対象の材料中の所望の成分の量を求めることであってよい。
また、前記化学センサから出力される信号を機械学習することにより前記測定対象の材料を解析してよい。
また、前記化学センサから出力される信号を多変量解析処理することにより前記測定対象の材料を解析してよい。
また、前記化学センサから出力される信号に主成分分析または線形判別分析を適用することによって前記測定対象の材料を解析してよい。
また、前記化学センサから出力される信号にパターン認識を適用することにより、前記測定対象の材料を解析してよい。
また、前記パターン認識はサポートベクトルマシンであってよい。
本発明の他の側面によれば、化学センサ及び前記化学センサから出力される検出信号を解析する解析手段とを備え、上記何れかの材料解析方法を行う材料解析装置が与えられる。

以下で詳細に説明するように、本発明によれば、化学センサを使用した各種の測定にあたって、従来とは逆に受容体を測定対象とする新規な材料解析の手法が提供される。これにより、例えば従来化学センサの測定対象とすることが困難であった材料の解析を行うことができるようになる等の効果が得られる。また、これを機械学習などの各種のデータ科学的な処理と組み合わせることにより、測定対象の解析を更に高い精度で行うことができるようになる。

１２種類の異なる蒸気（プローブガス）のうちの６種類に対する４種類のポリマー（ＰＳ、Ｐ４ＭＳ、ＰＶＦ及びＰＣＬ）の応答信号を示す図。使用したプローブガスは上から順に水、エタノール、１－ヘキサノール、ヘキサナル、ｎ－ヘプタン、メチルシクロヘキサンであった。 残り６種類の異なる蒸気（プローブガス）に対する４種類のポリマー（ＰＳ、Ｐ４ＭＳ、ＰＶＦ及びＰＣＬ）の応答信号を示す図。使用したプローブガスは上から順にトルエン、酢酸エチル、アセトン、クロロホルム、アニリン、プロピオン酸であった。 正規化されたそれぞれの応答信号から特徴量の抽出を行う方法を示す図。 ４種類のポリマーの同定を示す図。左上、右上及び左下は４種類のポリマーをＭＳＳに被覆して１２種類の異なる蒸気（プローブガス）に対する応答信号をＰＣＡで解析したＰＣＡスコアプロット。右下は同じ応答信号をＬＤＡで解析したＬＤＡスコアプロットである。使用したポリマーはＰＳ（３５０ｋ）、Ｐ４ＭＳ、ＰＶＦ、及びＰＣＬであり、各ポリマーを被覆したＭＳＳチャネル個数Ｎ＝１１とした。 ４種類の異なるポリマー材料（ＰＳ（３５０ｋ）、Ｐ４ＭＳ、ＰＶＦ及びＰＣＬ）を識別するための、各溶媒１種類からの応答信号から得られた特徴量のＰＣＡスコアプロット。Ｎ＝１１とした。ＰＣＡスコアプロット中、縁取りしたグレイの丸はＰＳ、黒丸はＰ４ＭＳ、やや濃色のグレイの丸はＰＶＦ、やや淡色のグレイの丸はＰＣＬを表す。 （ａ）サポートベクトルマシン（ＳＶＭ）によって計算された分類精度のドットプロットであって、計算に使用されたところの組み合わせたプローブガスの種類数（ｎ）の関数として表している。ここで、５×２交差検証を行っている。上側にあるヒストグラムは組み合わせの個数を示し、下側のヒストグラムは分類精度を示す。（ｂ）同じ１２種類の異なるプローブガスから選択した２種類のプローブガスの組み合わせによる分類精度のドットプロット。最良及び最低の精度を与えた組み合わせをドットプロットに隣接して示す。 各グラフの上部に記載した溶媒を含む選択された溶媒の組み合わせを使用した場合のポリマー材料の分類精度を、使用した溶媒の種類数（ｎ）の関数として示す図。平均分類精度を標準偏差とともに示している。 １２種類の異なるプローブガスから選択した２種類のプローブガスの組み合わせのうちで、ＳＶＭによって計算された分類精度が最良及び最低の結果を与えた組み合わせの各々についてのＰＣＡプロット。酢酸エチルとエタノールとの組み合わせ、酢酸エチルとトルエンとの組み合わせ、及び酢酸エチルとクロロホルムとの組み合わせがＳＶＭによって計算された分類精度について最良の結果を与え、また酢酸エチルとプロピオン酸との組み合わせが最低であった。 本発明に基づいたポリマーの分子量の同定の結果を示すＰＣＡスコアプロット（左上、右上、左下）及びＬＤＡスコアプロット（右下）。ここで、４種類のポリマーでＭＳＳを被覆し、１２種類の異なったプローブガスで測定を行った。使用したポリマーは平均分子量Ｍｗ＝３５００００のポリスチレン（ＰＳ（３５０ｋ））、Ｍｗ＝７２０００のポリ（４－メチルスチレン）（Ｐ４ＭＳ）、Ｍｗ＝２８００００のポリスチレン（ＰＳ（２８０ｋ））、及びＭｗ＝３５０００のポリスチレン（ＰＳ（３５ｋ））であった。 ３種類の異なるポリマー材料（ＰＳ（３５０ｋ）、Ｐ４ＭＳ及びＰＳ（２８０ｋ））を識別するための、各溶媒１種類からの応答信号から得られた特徴量のＰＣＡスコアプロット。ＰＣＡスコアプロット中、ＰＳ（３５０ｋ）はグレイの丸、Ｐ４ＭＳは黒丸、ＰＳ（２８０ｋ）は縁取り付きのグレイの丸である。 ポリマーの分子量の同定のためのＳＶＭ分類結果を示す図。（ａ）ＳＶＭによって計算された分類精度のドットプロットであって、計算に使用されたところの組み合わせたプローブガスの種類数（ｎ）の関数として表している。ここで、５×２交差検証を行っている。上側にあるヒストグラムは組み合わせの個数を示し、右側のヒストグラムは分類精度毎のドットの個数を示す。（ｂ）２種類のプローブガスを使用した場合の分類精度のドットプロット。最良及び最悪の精度を与えた組み合わせをドットプロットに隣接して示す。 選択された溶媒を含む選択された溶媒の組み合わせを使用した場合のポリマー材料の分子量の分類精度を、使用した溶媒の種類数（ｎ）の関数として示す図。平均分類精度を標準偏差とともに示している。 品種と産地との組み合わせの異なる３種類の米（米粉）の判別を示す図。３種類の米粉の水分散液をＭＳＳの各チャネル上に塗布して２種類のプローブガスに対する応答信号をＰＣＡで解析したＰＣＡスコアプロットである。使用した米は、北海道産（品種：コシヒカリ）（黒丸印）、山形県産（品種：はえぬき）（無洗米）（白丸印）及び茨城県産（品種：コシヒカリ）（×印）であり、使用したプローブガスは、水及びエタノールであった。

上述したように、従来の化学センサによる測定では、測定に関与する３つの要素、すなわち化学センサ本体、受容体及び化学センサに与えるガス等の流体のうちで、流体を検体、すなわち変量とし、測定系から出力される検出信号から変量である流体についての判別、同定、組成等の測定を行うというものであった。しかしながら、本願発明者の研究の結果、これら３つの要素の役割は上述のように固定しなければならないというものではなく、変量を流体以外のものに設定することも可能であることを見出した。本発明はこの知見に基づいて完成されたものであり、例えば未知の材料を受容体とした化学センサに既知のガス（以下、本願では化学センサに与える流体としてガスを例に挙げて説明するが、もちろん液体を使用してもよい）を与え、それにより化学センサから出力される検出信号に基づいて受容体を構成する物質の判別・同定・成分の定量等の測定を行うことができる（以下ではこのようなガスをプローブガスと呼ぶ）。

ここで注意しておくが、以下では検出信号から抽出された特徴量に基づいて機械学習等のデータ科学的な手法を用い、パターン認識等の各種の解析手法により未知の材料の識別・同定や組成等を求めるものとして説明を進めるが、本発明は機械学習やパターン認識等を必須の要件とするものではない。本発明の原理は、化学センサを用いた従来の測定の考え方を逆転させ、化学センサに被覆された未知の材料についての情報を、そこに与えられた一つまたは複数の流体（気体、あるいは液体）への応答に基づいて求めるという点にあることに注意されたい。例えば、検出信号が非常に特徴的である等の場合には、機械学習を行うまでもなく受容体の判別等が可能である。検出信号から結論が容易に導けないような場合や、詳細な分析等が必要な場合には、機械学習やパターン認識の手法等を採用して解析を進めることができる。

本発明の一態様によれば、従来とは逆の手法、すなわち化学センサを用いて受容体として使用できる材料のパターン認識を行う。化学センサの検出信号はガスと受容体との相互作用に基づくものであるため、検出を行う要素と検出の対象となる検体とは入替可能である、すなわち、従来とは逆に受容体を検出の対象となる検体とし、ガス分子を検出を行うプローブとして使用することができる。これにより、受容体を、それから得られる特徴量、すなわち検出信号（通常はその信号波形から特徴量の抽出を行った結果のデータ）を用いてパターン認識することができる。

ここで注意しておくが、受容体として使用できる材料は主に固体であるが、その他の材料でも使用する化学センサにおいて受容体として使用できるものであれば特に限定しないが、通常は非揮発性材料が好ましい。また、化学センサを低温にすることで液体や揮発性の固体であっても検出対象の材料として使用できる。説明を簡略化するため、以下では受容体として使用できる材料を固体材料として説明するが、このような説明を行っても一般性を失うものではない。以下で具体的に示す実施例では、固体材料の溶液をインクジェットを用いて塗布することで受容体として使用しているが、本発明は受容体の塗布方法にインクジェットを必須の要件とするものではない。受容体の塗布方法として使用できるものであれば、すべて使用可能である。また、固体材料を特定の溶媒に溶解させた溶液として受容体を調製しているが、本発明では溶液にすることを必須の要件とするものではないことにも注意されたい。

また、単に対象となる材料の識別・同定を行うだけではなく、測定に使用するプローブガスの組み合わせを適切に選択することにより、検体中の特定成分の組成を求める等の量的な分析を行うこともできる。これを行うには、例えば本願発明者等が以前に非特許文献５で詳細に報告した機械学習による手法をそのまま適用すればよい。

上述した本発明の原理をさらに具体的に説明するため、以下では化学センサのセンサ本体としてナノメカニカルセンサを使用する。ナノメカニカルセンサはガス分子と固体材料との間の相互作用から導かれた機械的情報を高い感度で検出する。有機低分子、ポリマー、及び無機ナノ粒子等のほとんどすべての固体材料は、ガス－固体相互作用の結果としてナノメカニカルセンサに作用して何らかの信号を与えることが確認されたので、ナノメカニカルセンサは各種の固体材料を試験するための理想的なプラットプラットホームである。

以下で具体的に示すように、異なる分子量を有する同種のポリマー同士、また異なるモノマーから構成されるポリマー同士を、パターン認識の手法を用いることでうまく識別することができる。また、パターン認識の一手法であるサポートベクトルマシン（support vector machine、ＳＶＭ）に基づく分類モデルを使用した詳細な解析により、選択された僅か２あるいは３種類のプローブガスにより、固体試料を高い分類精度で同定することができることがわかった。複雑な混合物であってもよい任意のガス種をプローブとして使用して検出信号のパターンの多様性を増大させることができるので、本発明によれば、個別の要求に基づいて固体材料のパターン認識の分解能をいくらでも上げることができると期待される。

また、以下で具体的に示すように、本発明の例示的な実施形態では、受容体として使用する固体材料が粉状の固体（粉粒体）であり、パターン認識の手法を用いることで単一成分の粉粒体試料の違い、あるいは複数種類の成分が混ざり合った粉粒体試料の違いを識別することができる。本実施形態では、化学センサを使用した測定に供する前に、粉粒体試料に含まれる複数種類の成分を個々の成分に分離・精製等する必要がないため、測定対象の固体材料（粉粒体）以外の成分（不純物）等が複雑に混ざり合った粉粒体試料の物理・化学特性を簡便に評価することができる。すなわち、本発明によれば、様々な粉粒体、あるいはこれに限らずその他の受容体として使用できる任意試料の物理・化学特性に応じた違いを、化学センサに与える流体（プローブガス）とのガス－固体相互作用、より一般的にはプローブ流体－受容体材料相互作用の結果として得られる独特のパターンとして簡便に識別することができる。なお、本願においては、粉状、粒状の物体を、その粒径が１０^－２ｍから１０^－４ｍ（数ｍｍ～０．１ｍｍ）の場合に粒体、１０^－４ｍ未満から１０^－９ｍ（原子の大きさの数倍まで）の場合には粉体と規定し、両者をまとめて粉粒体（granular materials including nanoparticles, micro-particles and powders）と総称する。

以下で実施例により本発明をさらに詳細に説明する。なお、以下ではナノメカニカルセンサとして膜型表面応力センサ（ＭＳＳ）を使用する。ＭＳＳの具体的な構造、作製方法、動作、特性等については既によく知られている事項なので本願では具体的に説明しないが、必要に応じて特許文献１、非特許文献１等を参照されたい。

以下では、ポリスチレン（polystyrene、ＰＳ）、ポリ（４－メチルスチレン）（poly-(4methylstyrene)、Ｐ４ＭＳ）、ポリカプロラクトン（polycaprolactone、ＰＣＬ）及びポリフッ化ビニリデン（polyvinylidene fluoride、ＰＶＦ）の４種類の異なるポリマーの同定を、ＭＳＳを用いて得られた検出信号をパターン認識の手法を用いて行った。ここで、ＰＳとＰ４ＭＳとは互いによく似た化学構造を有するポリマーの対として、またＰＣＬとＰＶＦとは互いによく似た化学的特性、具体的には疎水性を示すポリマーの対として選択した。これら４種のポリマーの化学構造式を以下に示す。

ここで、ＰＳ（平均分子量Ｍｗ＝３５０００、以下ＰＳ（３５ｋ）と称する）、ＰＳ（Ｍｗ＝２８００００、以下ＰＳ（２８０ｋ）と称する）、ＰＳ（Ｍｗ＝３５００００、以下ＰＳ（３５０ｋ）と称する）、ＰＣＬ、Ｐ４ＭＳ及びＰＶＦはSigma-Aldrichから購入した。ポリマー溶液を作成することでインクジェットによる膜形成に用いる溶媒として使用したＤＭＦ（N,N’-Dimethylformamide）は富士フイルム和光純薬株式会社から購入した。

プローブガスとして使用したエタノール（Ethanol）、１－ヘキサノール（1-hexanol）、ヘキサナル（hexanal）、ｎ－ヘプタン（n-heptane）、メチルシクロヘキサン（methylcyclohexane）、トルエン（toluene）、酢酸エチル（ethyl acetate）、アセトン（acetone）、クロロホルム（chloroform）、アニリン（aniline）及びプロピオン酸（propionic acid）はSigma-Aldrich、東京化成工業株式会社及び富士フイルム和光純薬株式会社から、分析グレードあるいはより上級のものを購入した。全ての試薬は購入したままの状態で使用した。プローブガスとしては上に挙げた１１種類の化学物質に加えて水蒸気（図中ではwaterとも表記）の都合１２種類を使用した。ここで、水蒸気を得るために超純水を使用した。なお、これら１２種類のプローブガスは常温では液体として存在するため、液体の状態では溶媒と呼ぶことがある。また、これらの液体を気化したものを蒸気あるいは溶媒蒸気とよぶことがある。

各々のポリマーをＤＭＦに濃度１ｍｇ／ｍＬで溶解し、インクジェットによりＭＳＳの各チャネル上に堆積つまり被覆させた。ここではノズル（MICROJET CorporationのIJHBS-300）を装着したインクジェットスポッタ（MICROJET CorporationのLaboJet-500SP）を使用した。この堆積を行う際のインクジェットの射出速度、液滴体積、及びインクジェット射出数はそれぞれ約５ｍ／秒、約３００ｐＬ、及び３００発に固定した。また、インクジェットスポッタのステージを８０℃に加熱しておくことで、ＤＭＦを乾燥させた。各ポリマーをＭＳＳ上の少なくとも２つの異なるチャネルに被覆して、コーティング品質を調べた。具体的な被覆チャネル数Ｎは以下の通りであった：ＰＳ（３５ｋ）:Ｎ＝３；ＰＳ（２８０ｋ）：Ｎ＝２；ＰＳ（３５０ｋ）：Ｎ＝１１；ＰＣＬ：Ｎ＝１１；Ｐ４ＭＳ：Ｎ＝１１；ＰＶＦ：Ｎ＝１１。

上記１２種類の物質のそれぞれの蒸気をプローブガスとして使用して、ＭＳＳ（より具体的にはＭＳＳチップ上に設けられている４つのＭＳＳセンサチャネル）から、１２種類のプローブガスと４種類のポリマーとの組み合わせの各々についてのガス－固体相互作用を表す検出信号を得た。具体的には以下の装置構成・手順を使用した。

上述のようにして準備した、ポリマーで被覆されたＭＳＳチップをテフロン（登録商標）製のチャンバー（ＭＳＳチャンバー）に取り付け、これを２５．０±０．５℃に温度制御されたインキュベータ（インキュベータ１）中に置いた。このチャンバーを２つのマスフローコントローラ（ＭＦＣ－１及びＭＦＣ－２）、パージガスライン並びに１５．０±０．５℃に温度制御されたインキュベータ（インキュベータ２）内に収容された混合チャンバー及び溶媒液体を入れるバイアル瓶からなるガスシステムに結合した。各溶媒の蒸気はキャリアガスのバブリングにより発生させた。ここでは、純窒素ガスをキャリアガス及びパージガスとして使用した。実験中、全流量を１００ｍＬ／分に維持した。１２種類の異なる溶媒蒸気の濃度はＭＦＣ－１によりＰ_ａ／Ｐ_ｏ＝０．１になるように制御した。ここで、Ｐ_ａ及びＰ_ｏはそれぞれ溶媒蒸気の分圧及び飽和蒸気圧を表す。

ＭＳＳの出力信号を測定する前に、純窒素ガスをＭＳＳチャンバー中に１分間導入した。次に、ＭＦＣ－１（プローブガスライン）を１０秒毎にオン／オフするとともに、ＭＦＣ－２の制御により、ＭＦＣ－１のオン、オフに関わらず全流量が１００ｍＬ／分を維持するようにした。このオン、オフを５サイクル繰り返した。図１Ａ及び図１Ｂに、同一のプローブガスに対する４種類のポリマーＰＳ、Ｐ４ＭＳ、ＰＶＦ及びＰＣＬを被覆したＭＳＳセンサチャネルからの出力信号の例を示す。これらの図は上記４種類のポリマーを被覆したＭＳＳセンサチャネルと１２種類のプローブガスとの組み合わせのそれぞれに対応する出力信号の具体例を示す。これらのデータはＭＳＳセンサチャネルのブリッジ電圧を－０．５Ｖとして、サンプリングレート１０Ｈｚで測定したものである。

上述したように、各々の蒸気に暴露されると、図１Ａ及び図１Ｂから判るように、各ポリマーからの応答信号（ＭＳＳセンサチャネルからの出力信号）は、当該ポリマーと蒸気との化学的・物理的親和性を反映して強度及び形状の面でユニークなものとなった。

このようにして得られたデータセット（つまり、夫々の応答信号の波形をデジタル化したデータの集合体）に対して教師あり学習を用いた解析（supervised analysis）及び教師なし学習を用いた解析（unsupervised analysis）を行った。教師あり学習及び教師なし学習として、具体的にはそれぞれ線形判別分析（ＬＤＡ）及び主成分分析（ＰＣＡ）を使用した。図２に示すように、正規化された応答信号の減衰曲線の各々から複数のパラメータを特徴量の集合として抽出した。図３の左上、右上及び左下に示すように、ＰＣＡにより１２種類のプローブガスからの全ての特徴量を利用して４つの異なるポリマーをはっきりと判別することができた。また、１種類のプローブガスからの特徴量を用いたＰＣ１－２面については図４を参照されたい。同図では、ＰＣ１－２面上ではＰＳとＰ４ＭＳとは、各プローブガスに対する両者の化学的及び物理的な類似性を反映して、相互に接近したクラスタを形成する。なお、同様のことは図３についても成り立つ。実際、ＰＳとＰ４ＭＳの化学構造や物理特性が似ているため、ＰＣＡおよびＬＤＡにてクラスタが近接している。図３の右下に示すＬＤＡの場合には、各ポリマーは対応するクラスタ同士が重なることがなく明確に分類された。このことから、本発明に基づいて固体材料をパターン認識によって判別することの実現可能性が示される。

ここで注意すべき点として、図３の左上、右上及び左下に示されているＰＣＡの各クラスタ中にまたいくつかのサブクラスタがみられる。これらの小さなサブクラスタの各々はＭＳＳの各チャネル上で被覆されている各ポリマー層に対応するので（ポリマー種毎に１１個のチャネルへの被覆を行った）、これらのサブクラスタ間の違いは各ポリマー層の被覆の再現性を表していると見なすことができる。従って、本発明の方法は、被覆の材料の違いだけではなく、被覆の品質のこのようなわずかな違いを判別するのに十分な分解能を提供する。

ここで、ＰＣＡ及びＬＤＡはPython用の機械学習ライブラリであるscikit-learnを使用して導入した。ＰＣＡでは、データを第１主成分（ＰＣ１）の分散が最大になるように、より低い次元に投影する。第１主成分以降の主成分については、（ｎ＋１）次の主成分がｎ次主成分に対して直交するという制約条件の下でその分散が最大になるように定められる。

ＰＣＡとは対照的に、ＬＤＡではクラスタの分離が最大化されるようにしながらより低い次元へのデータの投影が行われる。ＬＤＡはクラス間の距離を最大化し、同じクラス内の分散を最小化する。

本願ではまた、非線形カーネルを有するＳＶＭクラシファイア（非特許文献２）に基づく機械学習モデルも提供される。１３２個のサンプル（ポリマー毎に３３個のサンプル）の３６組の特徴量集合（プローブガス毎に３つのパラメータ）を使用して最適なＳＶＭモデルを構築し、また検証した。全サンプルの８０％（１０５～１０６サンプル）をトレーニングデータセットとして使用した。放射基底関数のハイパーパラメータ（Ｃ及びγ）を調節した後、残りの２６～２７個のパラメータを使用してＳＶＭモデルを検証した。同定精度を計算するため、五重の交差検証を適用した。各プローブガスの全ての組み合わせを計算してＳＶＭモデルを生成した。訓練されたＳＶＭモデルの個数は４０９５（２^１２－１）であった。

ここでＳＶＭについて更に説明すれば、ＰＣＡ及びＬＤＡはデータセットの次元を減少させるのに使用する。データをより低次元の空間に射影することによって、被覆された材料をクラスタ分離に従って視覚的に認識することができる。ここにおいて、被覆された各々の材料を同定し、またその精度を評価するため、放射基底関数カーネルを有するＳＶＭに基づいた分類モデルを構築した。特徴量集合は、１２種類の異なるガスで測定したＭＳＳ出力信号を正規化したものの各減衰曲線から図２に示すようにして抽出した。ここで、３つの異なる傾きｍ_ｉｊ（ｔ_ｎ）を、以下の式に従って、ｊ番目のガスが与えられるｉ番目のチャネルから抽出した：ｍ_ｉｊ（ｔ_ｎ）＝［Ｉ_ｉｊ（ｔ_０）－Ｉ_ｉｊ（ｔ_０＋ｔ_ｎ）］／ｔ_ｎ。ここで、Ｉ_ｉｊ（ｔ）は、時刻ｔにおける信号出力を、ｔ_０は応答信号が減衰し始める時刻を示す。本願ではｔ_ｎとして３つの時刻、すなわちｔ_ｎ＝０．５、１、１．５（秒）を選択した。三つ組みのパラメータ［ｍ_ｉｊ（０．５），ｍ_ｉｊ（１），ｍ_ｉｊ（１．５）］は各測定における５サイクルの信号応答中の４０秒～１００秒の間の３サイクルから抽出した。このような選択を行った理由は、一連の測定中では時間的に後のサイクルの信号応答の方が初めの頃のものに比べて再現性の良好な信号を与えるからであるが、これはサンプルガスと先に吸着されていたガスとが混合することによって引き起こされる初期変動があることを示している。なお、言うまでもないことであるが、特徴量の抽出法は図２を参照して上で説明したものに限定されるわけではないことに注意されたい。

非線形ＳＶＭに基づいた分類モデルはPython用のscikit-learnライブラリを使用して開発した。モデルを最適化して評価するため、５×２交差検証を採用した。データベース全体を最初は５つのデータセットに区分した。そのうちの４つのデータセットをトレーニングデータセットとして使用し、残った１つのデータセットはテストデータセットとして使用した。トレーニングデータセットは更に２つのサブデータセットに区分した。これらのサブデータセットに基づいてＳＶＭのハイパーパラメータ（すなわちＣ及びγ）を最適化した。この検証過程を５つのデータセットの全ての組み合わせについて繰り返してモデルの分類精度を評価した。

プローブガスの組み合わせによる同定精度をドットプロットとして図５のａに示し、また選択されたプローブガスの組み合わせにより得られる平均精度の計算結果を図６に示す。ＳＶＭ解析により、１２種類のプローブガスからの特徴量集合を１００％の同定精度でポリマー毎に明確に分類することができた。注目すべきことに、プローブガスの組み合わせのほぼ１／４が、２から１２種類のプローブガスを使って、１００％の同定精度となった。各プローブガスの使用割合（usage rate）を以下の表にまとめて示す。この表はＳＶＭ分類のまとめを示しており、「使用率」カラム中の「ポリマー」及び「分子量」サブカラムは、夫々異なるポリマーを判別する精度（ポリマー同定精度）及び分子量の異なるポリマーを判別する精度（分子量同定精度）１００％を達成するプローブガスの組み合わせ中の左端カラム（プローブガス）に示すプローブガスの使用率を示し、「精度」カラム中の「ポリマー」及び「分子量」サブカラムは、上と同様に各プローブガスからの一つの特徴量集合を使用した際の同定精度を示す。ここで、各同定精度は交差検証によって得られた精度を「平均値±標準偏差」の形態で表記している。

これらの結果は、対象とする固体試料に依存してプローブガスを適切に選択することで高精度かつ効率的な同定が可能となることを明確に示している。これについては図５のｂも参照されたい。例えば、この例の場合、２つのプローブガス（すなわち、酢酸エチルとエタノールとの組み合わせ、酢酸エチルとトルエンとの組み合わせ、及び酢酸エチルとクロロホルムとの組み合わせ）を使用することで、１００％の同定精度が達成されるが、他の組み合わせ（酢酸エチルとプロピオン酸）では７５．５±１４．１％という最低の精度となる。

上述した結果に基づいて、２つのプローブガスの最良及び最低の組み合わせを使用して、目視による判定のためにＰＣＡを再度行った。予期したとおり、最良の組み合わせの場合には、図７の左上、右上及び左下に示すようにほとんどのクラスタが十分に分離したが、最低の組み合わせでは、図７の右下から判るように、とりわけＰＳとＰ４ＭＳ間でクラスタ間に大きな重なりが現れた。この高いパターン認識精度は、極性物質であるＰＣＬを他の物質から識別するプローブガスと、ＰＳとＰ４ＭＳとＰＶＦとを互いに識別するプローブガスとの組み合わせにより達成されたものと考えられる。これについては上掲の表及び図４も参照されたい。ここで、ＰＣＡでのクラスタの明確な分離は必ずしもＳＶＭでの高い分類精度をもたらすわけではないことに注意すべきである（非特許文献３）。

固体材料のパターン認識の更なる適用可能性を評価するため、ポリマーの分子量の同定の実験結果を示す。分子量が異なる２種類のポリマー（ＰＳ（３５ｋ）及びＰＳ（２８０ｋ））を追加して、これらを他のポリマーと同様にＭＳＳセンサの各チャネルに被覆し、上述の１２種類のプローブガスに対するこれらの応答を測定した。これらの応答から他のポリマーの場合と同様に特徴量集合を抽出して以前に測定したＰＳ（３５０ｋ）及びＰ４ＭＳについてのデータセットと組み合わせた。１２種類のプローブガスについてのこれらデータセットについてＰＣＡ及びＬＤＡによる解析を行った。図８に示すように、ＰＣＡスコアプロット（図８の左上、右上及び左下）ではとりわけＰＳとＰ４ＭＳとの間で幾分かの誤分類が起こったが、ＬＤＡ（図８の右下）ではＰＳ及びＰ４ＭＳを含むポリスチレン類を分子量に関して明確に識別することができた。また、１種類のプローブガスからの特徴量を用いたＰＣ１－２面については図９を参照されたい。本願発明者が以前に公表した非特許文献４によれば、ナノメカニカルセンサの応答は受容体層のヤング率等の物理的特性に強く影響される。本願実施例で使用したポリスチレンの薄膜のヤング率は３．４～３．９ＧＰａの範囲であると報告されている。従って、本発明の一態様であるパターン認識手法はこのような狭い範囲のヤング率を有するいくつかの材料同士の識別を行うことができることが判る。

１２種類のプローブガスに対する応答の組み合わせについてＳＶＭ分類を行うこともできる。図１０のａ及び上掲の表に示されるように、プローブガスの全組み合わせ中、３１２通りの組み合わせ（全組み合わせの７．６％）で分子量の違いを１００％の精度で同定することができたが、１２種類のプローブガス全てによる応答信号から抽出した最大の特徴量集合では精度が９５．０±０．１０％と言う結果が得られた。これについては図１１も参照されたい。図１０のｂに示すように、２種類のプローブガスの特定の組み合わせ、具体的にはクロロホルムとアニリンとの組み合わせにより１００％の精度が達成されたことに注意されたい。更に、上掲の表からわかるように、一つのプローブガスだけを使用した場合であっても、具体的にはトルエンにより９１．５±３．９％の同定精度が達成され、また図９に示すように、ほとんどのプローブガスのＰＣＡスコアプロットから分子量の違いを大まかに識別できる。

上述の結果から、化学的及び物理的特性が互いに類似している複数の固体材料であっても、適切なプローブガス対を選択することにより、本発明の一態様に係るパターン認識を効果的に適用して検体の同定に使用することができる。本願発明者等が以前非特許文献５で報告したとおり、これらの特性はヤング率等の他の材料パラメータに関連付けることができ、これにより機械学習ベースの回帰分析を用いることによって、成分組成等（非特許文献５では例としてアルコール濃度を求めている）のこの種のパラメータを求めることができる。

次に、受容体材料として粉状の固体（粉粒体）を用いて、ＭＳＳを用いて得られた検出信号をパターン認識の手法を用いて行った、粉粒体の同定について説明する。なお、以下に説明する実施例では、特に明記しない限り、使用したＭＳＳの構造・動作、プローブガスの入手元、ガス－固体相互作用を表す検出信号を得るための装置構成・手順、得られたデータセットに対する解析手法（ＬＤＡ及びＰＣＡ）等は、上述したポリマーの同定に関する実施例と同様である。ただし、他の実施例では特徴量の抽出は図２を参照して説明したように、応答信号波形の傾きを求めることにより行ったが、ここでは０．５秒おきのデータ点そのものを使っている。つまり、波形のベースラインを０Ｖにオフセットさせ、この処理を行った波形上で、立ち下がり点から０．５秒、１秒、１．５秒のデータ点の値を特徴量として抽出した。

粉粒体として、産地の異なる３種類の米の粉（米粉）を使用した。具体的には、北海道産の米（品種：コシヒカリ）、山形県産の米（品種：はえぬき）（無洗米）及び茨城県産の米（品種：コシヒカリ）をめのう乳ばちで各々すりつぶして粉状にしたものを水に分散させ、各々の分散液を、ＭＳＳの各チャネル上に塗布した。
プローブガスとして、エタノール（Ethanol）の蒸気及び超純水を使用して得た水蒸気を使用して、ＭＳＳから、２種類のプローブガスと３種類の米粉との組み合わせの各々についてのガス－固体相互作用を表す検出信号を得た。

得られたデータセットに対するＰＣＡの結果を図１２に示す。図１２に示すように、ＰＣＡにより２種類のプローブガスからの全ての特徴量を利用して品種と産地との組み合わせの異なる３種類の米（米粉）をはっきりと判別することができた。このことから、本発明に基づいて固体材料をパターン認識によって判別することの実現可能性がより具体的に示される。また、系統的にかなり近縁の米の品種間の違い（はえぬきはコシヒカリと別の品種の米との２代交配種）や同品種の米の間の産地等の栽培条件の違いという僅かな違いをパターン認識によってはっきりと識別できたことは、化学的及び物理的特性の違いがごく僅かな固体材料（より一般的には固体に限らず、受容体として使用できる任意の材料）であっても、適切なプローブガス対を選択することにより、本発明の一態様に係るパターン認識を効果的に適用して検体の同定に使用することができることを示している。加えて、本発明によって得られる化学センサの検出信号と、別の指標（例えば、上述した米の場合には、糖度等の食味に関する指標・評価値等）とを組み合わせて機械学習ベースの解析（例えば非特許文献５を参照）を行うことにより、検体に関する様々な指標をより簡便に推定することができるようになると考えられる。

以上詳細に説明したように、本発明によれば、パターン認識の手法を用いることで、プローブガスのある特定の組み合わせを使用した場合、１００％の精度で試料を同定することができる。ＳＶＭ、またＰＣＡやＬＤＡにより例証したように、分子量などの材料特性のわずかな相違であっても、本発明により判別することができる。本発明では任意の種類の気体状のあるいは揮発性の分子でもプローブとして使用して固体材料等の同定に使用できることから、本発明は固体材料等を区別するにあたって極めて高い可能性を有する。本発明において測定対象となり得る固体材料等としては、これに限定する意図はないが、無機ナノ粒子、機能性有機材料及びペプチド、タンパク質、核酸等の生体分子などが挙げられる。ナノメカニカルセンサは多用途の検出プラットホームを提供するが、これによりほとんど全ての種類の固体試料が解析可能となる。本発明はナノメカニカルセンサに限定されるものではなく、多様な化学センサに拡張することができる。本発明はまた工業面でも有効であり、この場合、センサ受容体の品質・性能を定量的に評価することができる。

国際公開２０１１／１４８７７４

G. Yoshikawa, T. Akiyama, F. Loizeau, K. Shiba, S. Gautsch, T. Nakayama, P. Vettiger, N. Rooij and M. Aono. Sensors, 2012, 12, 15873-15887. Vapnik, V. Estimation of Dependences Based on Empirical Data [in Russian], Nauka, Moscow, 1979 [English translation], Springer, New York, 1982. T. Nowotny, A. Z. Berna, R. Binions, S. Trowell, Sens. Actuators B Chem., 2013, 187, 471-480. G. Yoshikawa, Appl. Phys. Lett., 2011, 98, 173502. K. Shiba, R. Tamura, G. Imamura and G. Yoshikawa, Sci. Rep., 2017, 7, 3661.

Claims (13)

1. 測定対象の材料を担持した化学センサに一つの種類の既知の流体を与えるまたは複数種類の既知の流体をそれぞれ与えることにより前記測定対象の材料により引き起こされる物理パラメータの変化に基づいて前記化学センサから出力される信号に基づいて、前記測定対象の材料を解析する、化学センサに担持された材料の解析を行う材料解析方法であって、
   前記解析は、前記測定対象の材料が他の材料と同じものであるか否かを識別すること、前記測定対象の材料を同定すること、および、前記測定対象の材料中の所望の成分の量を求めることのうちから選択される１以上である、材料解析方法。
2. 前記物理パラメータは、表面応力、応力、力、表面張力、圧力、質量、弾性、ヤング率、ポアソン比、共振周波数、周波数、体積、厚み、粘度、密度、磁力、磁気量、磁場、磁束、磁束密度、電気抵抗、電気量、誘電率、電力、電界、電荷、電流、電圧、電位、移動度、静電エネルギー、キャパシタンス、インダクタンス、リアクタンス、サセプタンス、アドミッタンス、インピーダンス、コンダクタンス、プラズモン、屈折率、光度および温度のうちの１種または２種以上である、請求項１に記載の材料解析方法。
3. 前記化学センサから出力される信号からの特徴量の抽出を行った結果から前記解析を行う、請求項１または２に記載の材料解析方法。
4. 前記化学センサに前記一つの種類の既知の流体または複数種類の既知の流体とパージ用流体とを交互に切り替えて与える、請求項１から３の何れかに記載の材料解析方法。
5. 前記与えられる一つの種類の既知の流体または複数種類の既知の流体の少なくとも一つは気体である、請求項１から４の何れかに記載の材料解析方法。
6. 前記与えられる一つの種類の既知の流体または複数種類の既知の流体の少なくとも一つは液体である、請求項１から４の何れかに記載の材料解析方法。
7. 前記気体の少なくとも一つは揮発性の物質から発生する蒸気である、請求項５に記載の材料解析方法。
8. 前記化学センサから出力される信号を機械学習することにより前記測定対象の材料を解析する、請求項１から７の何れかに記載の材料解析方法。
9. 前記化学センサから出力される信号を多変量解析処理することにより前記測定対象の材料を解析する、請求項１から７の何れかに記載の材料解析方法。
10. 前記化学センサから出力される信号に主成分分析または線形判別分析を適用することによって前記測定対象の材料を解析する、請求項９に記載の材料解析方法。
11. 前記化学センサから出力される信号にパターン認識を適用することにより、前記測定対象の材料を解析する、請求項９に記載の材料解析方法。
12. 前記パターン認識はサポートベクトルマシンである、請求項１１に記載の材料解析方法。
13. 測定対象の材料を担持した化学センサ、前記化学センサに一つの種類の既知の流体を与えるまたは複数種類の既知の流体をそれぞれ与える手段、及び前記化学センサから出力される検出信号を解析する解析手段を備え、請求項１から１２の何れかに記載の材料解析方法を行う材料解析装置。

Images