JP7160843B2 - 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 - Google Patents
残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 Download PDFInfo
- Publication number
- JP7160843B2 JP7160843B2 JP2019568247A JP2019568247A JP7160843B2 JP 7160843 B2 JP7160843 B2 JP 7160843B2 JP 2019568247 A JP2019568247 A JP 2019568247A JP 2019568247 A JP2019568247 A JP 2019568247A JP 7160843 B2 JP7160843 B2 JP 7160843B2
- Authority
- JP
- Japan
- Prior art keywords
- residues
- variant
- value
- modified
- feature
- 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
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
- G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
-
- 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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/30—Detection of binding sites or motifs
-
- C—CHEMISTRY; METALLURGY
- C40—COMBINATORIAL TECHNOLOGY
- C40B—COMBINATORIAL CHEMISTRY; LIBRARIES, e.g. CHEMICAL LIBRARIES
- C40B30/00—Methods of screening libraries
- C40B30/10—Methods of screening libraries by measuring physical properties, e.g. mass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16C20/60—In silico combinatorial chemistry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
- G16B20/50—Mutagenesis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Bioethics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Library & Information Science (AREA)
- Medicinal Chemistry (AREA)
- Organic Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
・正又は負の荷電パッチ(charge patches)又は疎水性パッチにおける残基の関与
・隣接する残基の基の多様性(例えば所与の距離内の疎水性、酸性、塩基性又は中性の残基の数-距離は三次構造に基づく)
・残基の溶媒アクセシビリティ(分子の表面で高い)
・領域/チェーン・インタフェース(chain interface)への近さ(例えばFv及び定常ドメイン・インタフェース(constant domain interface)への距離)
・二次構造環境
・元の残基(分子内)と新たな残基(変異体内)の長さ又はサイズ
・元の残基と新たな残基のpKa(すなわち、酸性度)
Claims (15)
- 親タンパク質の変異体の分子特性の値を予測するためのコンピューティングシステムによって、実行される方法であって、前記方法は、以下の:
前記変異体を生成するために修飾された前記親タンパク質の残基の配列における第1の修飾された残基の数を決定するステップ;
前記第1の修飾された残基の数及び前記変異体の分子特性に対する第1値を示す変異体の情報を決定するステップ;
前記第1の修飾された残基の数の構造的特徴に対する第1値を収集するステップ;
収集された前記第1の修飾された残基の数の構造的特徴に関する第1値について、1つ以上の統計操作を実行して、前記変異体の第1特徴ベクトルを生成するステップであって、前記第1特徴ベクトルは、各前記構造的特徴に関する1つ以上の統計マトリクスの第1値を含むステップ;
前記変異体の分子特性に対する第1値を前記第1特徴ベクトルに割り当てるステップであって、前記第1特徴ベクトルおよび前記分子特性に対する第1値は、モデルのトレーニングデータの一部を形成し、前記トレーニングデータは、前記親タンパク質の複数の変異体に対する複数の特徴ベクトルおよび前記複数の変異体に対する前記分子特性の複数の値を含むステップ;
回帰モデルまたは分類モデルを用いて、前記トレーニングデータを用いて前記分子特性の値を予測するためのモデルのパラメータ数を生成するステップ;
修飾された前記親タンパク質の第2の修飾残基の数を示す新しい変異体の情報にアクセスして前記親タンパク質の新しい変異体を形成するステップ;
前記第2の修飾残基の数の構造的特徴に対する第2値を収集するステップ;
前記第2の修飾残基の数の構造的特徴について収集された前記第2値に関して1つ以上の統計的演算を実行して、各構造的特徴についての1つ以上の統計マトリクスの第2値を含む第2特徴ベクトルを生成するステップ;かつ、
前記第2特徴ベクトルにモデルを適用して、前記新しい変異体の分子特性の第2値を決定するステップ;
を含む、方法。 - さらに、前記変異体の構造モデルを用いて、前記第1の修飾された残基の数の構造的特徴の第1値を決定するステップ、を含む、請求項1に記載の方法。
- 前記モデルが、前記トレーニングデータを入力として線形回帰手法を用いて生成される、請求項1又は2に記載の方法。
- 前記モデルが、前記トレーニングデータを入力としてニューラルネットワークを学習することにより生成される、請求項1~3のいずれか一項に記載の方法。
- 前記モデルの生成は、前記トレーニングデータの次元を減らすことを含む、請求項1~4のいずれか一項に記載の方法。
- 前記変異体の残基の構造的特徴の値を、前記残基に隣接する残基の多様性に関連して、以下の:
前記残基の距離内の疎水性残基の数を決定すること;
前記残基の距離内の酸性残基の数を決定すること;
前記残基の距離内の塩基性残基の数を決定すること;かつ
前記変異体の残基の距離内の中性残基の数を決定すること;
によって決定させる、方法であって、ここで、
前記距離は、前記変異体の三次構造に基づく、
請求項1~5のいずれか一項に記載の方法。 - 前記変異体が前記親タンパク質のアミノ酸を異なるアミノ酸で置換することにより形成される、請求項1~6のいずれか一項に記載の方法。
- 前記分子特性が、抗体融解温度、高分子量の比率、化学的非折り畳み挙動、溶解度、粘度、および凝集挙動からなる群から選択される、請求項1に記載の方法。
- さらに、以下の:
前記変異体の表面への修飾残基の近接性に基づいて、溶媒に対する修飾残基のアクセシビリティを決定することにより、前記変異体の修飾残基の第1構造的特徴の第1値を決定すること;及び
親分子のpKa値に対する変異体のpKa値を決定することによって、前記修飾残基の第2構造的特徴の第2値を決定すること;
を含む、請求項1~8のいずれか一項に記載の方法。 - 1つ以上の統計的測定基準が、合計、平均、標準偏差、スキュー、クルトシス、最小、最大、積、絶対値の対数の合計、および絶対値の対数の平均からなる群から選択される、請求項1~9のいずれか一項に記載の方法。
- 親タンパク質の変異体の分子特性の値を予測するコンピューティングシステムであって、以下の:
1つ以上のプロセッサと
前記コンピューティングシステムを以下の:
前記変異体を生成するために修飾された前記親タンパク質の残基の配列における第1の修飾された残基の数を決定するステップ;
前記第1の修飾された残基の数及び前記変異体の前記分子特性に対する第1値を示す変異体情報を決定するステップ;
前記第1の修飾された残基の数の構造的特徴に対する第1値を収集するステップ;
収集された前記第1の修飾された残基の数の構造的特徴に関する第1値について、1つ以上の統計操作を実行して、前記変異体の第1特徴ベクトルを生成するステップであって、前記第1特徴ベクトルは、各前記構造的特徴に関する1つ以上の統計マトリクスの第1値を含むステップ;
前記変異体の分子特性に対する第1値を前記第1特徴ベクトルに割り当てるステップであって、前記第1特徴ベクトルおよび前記分子特性に対する第1値は、モデルのトレーニングデータの一部を形成し、前記トレーニングデータは、親タンパク質の複数の変異体に対する複数の特徴ベクトルおよび前記複数の変異体に対する前記分子特性の複数の値を含むステップ;
回帰モデルまたは分類モデルを用いて、前記トレーニングデータを用いて前記分子特性の値を予測するためのモデルのパラメータ数を生成するステップ;
修飾された前記親タンパク質の第2の修飾残基の数を示す新しい変異体の情報にアクセスして前記親タンパク質の新しい変異体を形成するステップ;
前記第2の修飾残基の数の構造的特徴に対する第2値を収集するステップ;
前記第2の修飾残基の数の構造的特徴について収集された前記第2値に関して1つ以上の統計的演算を実行して、各構造的特徴についての1つ以上の統計的マトリクスの第2値を含む第2特徴ベクトルを生成するステップ;かつ、
前記第2特徴ベクトルにモデルを適用して、前記新しい変異体の分子特性の第2値を決定するステップ;
のように制御するために前記1つ以上のプロセッサによって実行可能なコンピュータ実行可能命令を格納する1つ以上のコンピュータ可読記憶媒体;
を含む、コンピューティングシステム。 - 前記コンピュータ実行可能命令が、前記分子特性の値を予測するために前記構造的特徴のサブセットを識別するように前記コンピューティングシステムをさらに制御する、請求項11に記載のコンピューティングシステム。
- 前記構造的特徴は、電荷パッチまたは疎水性パッチへの残基の参加、隣接する残基のグループの多様性、残基の溶媒へのアクセシビリティ、領域/鎖のインターフェースへの近さ、二次構造環境、分子および変異体中の残基のサイズ、および分子および変異体中の残基の酸性度からなるグループから選択される、請求項11又は12に記載のコンピューティングシステム。
- 前記1つ以上の非一時的コンピュータ可読記憶媒体は、前記1つ以上の処理ユニットによって実行されると、新しい変異体分子のために修飾された残基の数を生成するため、前記親タンパク質の残基に対する変化を示す入力を前記コンピューティングシステムに取得させる、追加のコンピュータ実行可能命令を格納する、請求項11~13のいずれか1項に記載のコンピューティングシステム。
- 前記1つ以上のコンピュータ可読記憶媒体は、前記1つ以上のプロセッサによって実行されると、前記コンピューティングシステムに、新しい変異体分子の各残基について、前記新しい変異体各々の残基が前記親タンパク質の対応する位置の残基に対して変化したかどうかを示す配列を含む前記新しい変異体の情報を生成させる、追加のコンピュータ実行可能命令を格納する、請求項14に記載のコンピューティングシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022164671A JP7411758B2 (ja) | 2017-06-08 | 2022-10-13 | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762517048P | 2017-06-08 | 2017-06-08 | |
US62/517,048 | 2017-06-08 | ||
PCT/US2018/036777 WO2018227167A1 (en) | 2017-06-08 | 2018-06-08 | Predicting molecular properties of molecular variants using residue-specific molecular structural features |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022164671A Division JP7411758B2 (ja) | 2017-06-08 | 2022-10-13 | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020529060A JP2020529060A (ja) | 2020-10-01 |
JP2020529060A5 JP2020529060A5 (ja) | 2021-07-29 |
JP7160843B2 true JP7160843B2 (ja) | 2022-10-25 |
Family
ID=62779101
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019568247A Active JP7160843B2 (ja) | 2017-06-08 | 2018-06-08 | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 |
JP2022164671A Active JP7411758B2 (ja) | 2017-06-08 | 2022-10-13 | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022164671A Active JP7411758B2 (ja) | 2017-06-08 | 2022-10-13 | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11804283B2 (ja) |
EP (1) | EP3635593A1 (ja) |
JP (2) | JP7160843B2 (ja) |
CA (1) | CA3066223A1 (ja) |
WO (1) | WO2018227167A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018227167A1 (en) | 2017-06-08 | 2018-12-13 | Just Biotherapeutics, Inc. | Predicting molecular properties of molecular variants using residue-specific molecular structural features |
US11798655B2 (en) * | 2019-05-15 | 2023-10-24 | International Business Machines Corporation | Feature vector feasibility estimation |
CN110728047B (zh) * | 2019-10-08 | 2023-04-07 | 中国工程物理研究院化工材料研究所 | 一种基于机器学习性能预测含能分子计算机辅助设计系统 |
CN111063389B (zh) * | 2019-12-04 | 2021-10-29 | 浙江工业大学 | 一种基于深度卷积神经网络的配体绑定残基预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050278124A1 (en) | 2004-06-14 | 2005-12-15 | Duffy Nigel P | Methods for molecular property modeling using virtual data |
GB201310859D0 (en) * | 2013-06-18 | 2013-07-31 | Cambridge Entpr Ltd | Rational method for solubilising proteins |
WO2018227167A1 (en) | 2017-06-08 | 2018-12-13 | Just Biotherapeutics, Inc. | Predicting molecular properties of molecular variants using residue-specific molecular structural features |
-
2018
- 2018-06-08 WO PCT/US2018/036777 patent/WO2018227167A1/en unknown
- 2018-06-08 US US16/620,389 patent/US11804283B2/en active Active
- 2018-06-08 EP EP18735116.8A patent/EP3635593A1/en active Pending
- 2018-06-08 CA CA3066223A patent/CA3066223A1/en active Pending
- 2018-06-08 JP JP2019568247A patent/JP7160843B2/ja active Active
-
2022
- 2022-10-13 JP JP2022164671A patent/JP7411758B2/ja active Active
Non-Patent Citations (5)
Title |
---|
Hao Lin, et al.,AcalPred: A Sequence-Based Tool for Discriminating between Acidic and Alkaine Enzymes,[online],2013年10月09日,p.1-6,[検索日:2022年5月2日], <URL:https://jounals.plos.org/plosone/article/file?id=10.1371/journal.pone.00757268&type=printable> |
Hao Lin, et al.,Prediction of thermophilic proteins using feature selection technique,Journal of Microbiological Methods [online],Vol.84,2010年10月31日,p.67-70,[検索日:2022年5月2日], <URL:http://chenweilab.cn/static/pdf/201101.pdf> |
Olga Obrezanova, et al.,Aggregation risk prediction for antibodies and its application to biotherapeutic development,[online],2015年03月04日,p.352-363,[検索日:2022年5月2日], <URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4622581/pdf/kmab-07-02-1007828.pdf> |
Vikas Pejaver, et al.,Missense variant pathogenicity predictors generalize well across a range of function-specific prediction challenges,[online],2017年03月26日,p.1092-1108,[検索日:2022年5月2日], <URL:htttps://onlinelibrary.wiley.com/doi/epdf/10.1002/humu.23258> |
Yang Yang, et al.,PON-Sol: prediction of effects of amino acid substitutions on protein solubility,Bioinformatics [online],Vol.32, Issue 13,2016年02月09日,p.2032-2034,[検索日:2022年5月2日], <URL:https://academic.oup.com/bioinformatics/article/32/13/2032/1742792> |
Also Published As
Publication number | Publication date |
---|---|
CA3066223A1 (en) | 2018-12-13 |
US20200143904A1 (en) | 2020-05-07 |
JP7411758B2 (ja) | 2024-01-11 |
EP3635593A1 (en) | 2020-04-15 |
JP2020529060A (ja) | 2020-10-01 |
JP2023001132A (ja) | 2023-01-04 |
WO2018227167A1 (en) | 2018-12-13 |
US11804283B2 (en) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7411758B2 (ja) | 残基固有の分子構造特徴を用いた分子変異体の分子特性の予測 | |
Zhao et al. | A comparative study of metamodeling methods considering sample quality merits | |
JP2020529060A5 (ja) | ||
CN109146843A (zh) | 基于深度神经网络的目标检测方法及装置 | |
Bataleblu | Computational intelligence and its applications in uncertainty-based design optimization | |
CN109063418A (zh) | 疾病预测分类器的确定方法、装置、设备及可读存储介质 | |
Pal | Deep learning parameterization of subgrid scales in wall-bounded turbulent flows | |
Tang et al. | Physics-informed neural networks to solve lumped kinetic model for chromatography process | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
JP7225874B2 (ja) | モデル出力プログラム、モデル出力方法及びモデル出力装置 | |
Fan et al. | Neighborhood constraint matrix completion for drug-target interaction prediction | |
US11710057B2 (en) | Methods and systems for identifying patterns in data using delimited feature-regions | |
Rigoni et al. | Metamodels for fast multi-objective optimization: trading off global exploration and local exploitation | |
JPWO2015163322A1 (ja) | データ分析装置、データ分析方法およびプログラム | |
TWI598829B (zh) | 資料分析系統以及方法 | |
JP7207128B2 (ja) | 予測システム、予測方法、および予測プログラム | |
Zhao et al. | Hierarchical cross-entropy optimization for fast on-chip decap budgeting | |
Viúdez-Moreiras et al. | Performance comparison of Kriging and SVR surrogate models applied to the objective function prediction within aerodynamic shape optimization | |
JP2021174402A (ja) | 材料の特性値を推定するシステム | |
Mittas et al. | Benchmarking effort estimation models using archetypal analysis | |
Yoon et al. | Prediction of time series microarray data using neurofuzzy networks | |
Kowalczyk et al. | Numpress–integrated computer system for analysis and optimization of industrial sheet metal forming processes | |
Jeong et al. | Feature selection for steel defects classification | |
Wackers et al. | CFD-Based Shape Optimization Under Limited Computational Resources-A Study on Adaptive Multi-Fidelity Metamodeling | |
JP7224263B2 (ja) | モデル生成方法、モデル生成装置及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210608 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210611 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220517 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220809 |
|
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: 20220913 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221013 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7160843 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |