JP7255597B2 - データ解析方法、データ解析装置、及びデータ解析用の学習モデル作成方法 - Google Patents
データ解析方法、データ解析装置、及びデータ解析用の学習モデル作成方法 Download PDFInfo
- Publication number
- JP7255597B2 JP7255597B2 JP2020539899A JP2020539899A JP7255597B2 JP 7255597 B2 JP7255597 B2 JP 7255597B2 JP 2020539899 A JP2020539899 A JP 2020539899A JP 2020539899 A JP2020539899 A JP 2020539899A JP 7255597 B2 JP7255597 B2 JP 7255597B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- analysis
- learning
- parameter set
- reference data
- 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
- 238000007405 data analysis Methods 0.000 title claims description 45
- 238000000034 method Methods 0.000 title claims description 44
- 238000004458 analytical method Methods 0.000 claims description 192
- 239000000126 substance Substances 0.000 claims description 62
- 238000005259 measurement Methods 0.000 claims description 33
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000001819 mass spectrum Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 42
- 230000014759 maintenance of location Effects 0.000 description 29
- 238000012545 processing Methods 0.000 description 28
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 24
- 208000033962 Fontaine progeroid syndrome Diseases 0.000 description 22
- 239000007789 gas Substances 0.000 description 20
- 150000002500 ions Chemical class 0.000 description 20
- 238000002790 cross-validation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 102000004196 processed proteins & peptides Human genes 0.000 description 4
- 108090000765 processed proteins & peptides Proteins 0.000 description 4
- 238000009834 vaporization Methods 0.000 description 4
- 230000008016 vaporization Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000004949 mass spectrometry Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000012159 carrier gas Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 210000001728 clone cell Anatomy 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010828 elution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000816 matrix-assisted laser desorption--ionisation Methods 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000013076 target substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
前記1乃至複数の解析パラメータのうちの少なくとも1つの値が互いに異なる複数の学習用パラメータセットを作成する学習用パラメータセット作成ステップと、
前記測定データと同種のデータであり解析結果が既知である複数の参照データのそれぞれについて、前記複数の学習用パラメータセットのそれぞれを用いて前記解析プログラムによる解析を実行し、該解析の結果の妥当性を表す評価値が最も高いもの、または該評価値が予め決められた基準値以上であるものを解析に適した1乃至複数の学習用パラメータセットとして決定する学習用パラメータセット決定ステップと、
前記複数の学習用パラメータセットのそれぞれに、前記学習用パラメータセット決定ステップにおいて当該学習用パラメータセットが解析に適しているとされた参照データのグループである参照データ群を対応付ける参照データ群作成ステップと、
前記分析装置を用いた試料の測定により取得された測定データである未解析データを入力する未解析データ入力ステップと、
前記未解析データと前記参照データ群の一致度を求め、該一致度を用いて1乃至複数の前記参照データ群のそれぞれに対応付けられた学習用パラメータセットから実解析用パラメータセットを決定する実解析用パラメータセット決定ステップと、
前記実解析用パラメータセットを用いて前記解析プログラムにより前記未解析データの解析を実行する実解析ステップと
を含むことを特徴とする。
前記1乃至複数の解析パラメータのうちの少なくとも1つの値が互いに異なる複数の学習用パラメータセットを作成する学習用パラメータセット作成部と、
前記測定データと同種のデータであり解析結果が既知である複数の参照データのそれぞれについて、前記複数の学習用パラメータセットのそれぞれを用いて前記解析プログラムによる解析を実行し、該解析の結果の妥当性を表す評価値が最も高いもの、または該評価値が予め決められた基準値以上であるものを解析に適した1乃至複数の学習用パラメータセットとして決定する学習用パラメータセット決定部と、
前記複数の学習用パラメータセットのそれぞれに、前記学習用パラメータセット決定部において当該学習用パラメータセットが解析に適しているとされた参照データのグループである参照データ群を対応付ける参照データ群作成部と、
前記複数の学習用パラメータセットのそれぞれに前記参照データ群を対応付けたものを学習データとする機械学習により学習モデルを作成する学習モデル作成部と
を有することを特徴とする。
前記1乃至複数の解析パラメータのうちの少なくとも1つの値が互いに異なる複数の学習用パラメータセットを作成する学習用パラメータセット作成部と、
前記測定データと同種のデータであり解析結果が既知である複数の参照データのそれぞれについて、前記複数の学習用パラメータセットのそれぞれを用いて前記解析プログラムによる解析を実行し、該解析の結果の妥当性を表す評価値が最も高いもの、または該評価値が予め決められた基準値以上であるものを解析に適した1乃至複数の学習用パラメータセットとして決定する学習用パラメータセット決定部と、
前記複数の学習用パラメータセットのそれぞれに、前記学習用パラメータセット決定部により当該学習用パラメータセットが解析に適しているとされた参照データのグループである参照データ群を対応付ける参照データ群作成部と、
前記分析装置を用いた試料の測定により取得された測定データである未解析データを入力する未解析データ入力部と、
前記未解析データと前記参照データ群の一致度を求め、該一致度を用いて1乃至複数の前記参照データ群のそれぞれに対応付けられた学習用パラメータセットから実解析用パラメータセットを決定する実解析用パラメータセット決定部と、
前記実解析用パラメータセットを用いて前記解析プログラムにより前記未解析データの解析を実行する実解析実行部と
を備えることを特徴とする。
上記実施例では、学習用パラメータセット決定部43が、各ピークについて最適な学習用パラメータセットを決定する構成としたが、予め決められた値以上のスコア(評価値)が得られた学習用パラメータセットの全てを、解析に適したパラメータセットとしてもよい。あるいは、同じ保持時間のピークについて得られた最高スコアに対して一定の割合(例えば90%)以上のスコアが得られた学習用パラメータセット全てを解析に適したパラメータセットとすることもできる。これらの場合には、同一のピークデータ(分割参照データ)が複数の解析パラメータに対応付けられることになる。
10…ガスクロマトグラフ部
11…カラムオーブン
12…試料気化室
13…インジェクタ
14…オートサンプラ
15…キャピラリカラム
20…質量分析部
21…イオン源
211…イオン化室
212…フィラメント
22…レンズ電極
23…四重極マスフィルタ
23…真空チャンバ
24…イオン検出器
3、3a…制御・処理装置
31、31a…記憶部
32…物質データベース
33…解析プログラム
34…CNN
40、40a…データ解析用プログラム
41…参照データ取得部
42…学習用パラメータセット作成部
43…学習用パラメータセット決定部
44…参照データ分割部
45…学習モデル作成部
46…未解析データ入力受付部
47…未解析データ分割部
48…実解析用パラメータセット決定部
49…実解析実行部
50…解析結果出力部
51、51a…学習モデル更新部
6…入力部
7…表示部
Claims (14)
- 分析装置を用いた試料の測定により取得された測定データを、1乃至複数の解析パラメータにそれぞれ値を設定して所定の解析プログラムにより解析する方法であって、
前記1乃至複数の解析パラメータのうちの少なくとも1つの値が互いに異なる複数の学習用パラメータセットを作成する学習用パラメータセット作成ステップと、
前記測定データと同種のデータであり解析結果が既知である複数の参照データのそれぞれについて、前記複数の学習用パラメータセットのそれぞれを用いて前記解析プログラムによる解析を実行し、該解析の結果の妥当性を表す評価値が最も高いもの、または該評価値が予め決められた基準値以上であるものを解析に適した1乃至複数の学習用パラメータセットとして決定する学習用パラメータセット決定ステップと、
前記複数の学習用パラメータセットのそれぞれに、前記学習用パラメータセット決定ステップにおいて当該学習用パラメータセットが解析に適しているとされた参照データのグループである参照データ群を対応付ける参照データ群作成ステップと、
前記分析装置を用いた試料の測定により取得された測定データである未解析データを入力する未解析データ入力ステップと、
前記未解析データと前記参照データ群の一致度を求め、該一致度を用いて1乃至複数の前記参照データ群のそれぞれに対応付けられた学習用パラメータセットから実解析用パラメータセットを決定する実解析用パラメータセット決定ステップと、
前記実解析用パラメータセットを用いて前記解析プログラムにより前記未解析データの解析を実行する実解析ステップと
を有することを特徴とするデータ解析方法。 - さらに、
前記複数の学習用パラメータセットのそれぞれに前記参照データ群を対応付けたものを学習データとする機械学習により学習モデルを作成する学習モデル作成ステップ
を有し、
前記実解析用パラメータセット決定ステップにおいて、前記学習モデルを用いてパラメータセットを決定する
ことを特徴とする請求項1に記載のデータ解析方法。 - 前記機械学習が、ディープラーニング、サポートベクターマシン、又はアダブーストを用いたものであることを特徴とする請求項2に記載のデータ解析方法。
- さらに、
前記未解析データを前記参照データとして前記学習用パラメータセット決定ステップを実行することにより前記解析に適した学習用パラメータセットを決定し、該解析に適した学習用パラメータセットに前記未解析データを対応付けたものを学習データとして前記機械学習を行う学習モデル更新ステップ
を有することを特徴とする請求項2に記載のデータ解析方法。 - 前記参照データ及び前記未解析データが、マスクロマトグラム、トータルイオンカレントクロマトグラム、マススペクトル、分光スペクトル、又は画像データであることを特徴とする請求項1に記載のデータ解析方法。
- 前記学習用パラメータセット決定ステップにおいて、前記参照データを分割した分割参照データの一部又は全部について前記解析に適したパラメータセットを決定し、
前記参照データ群作成ステップにおいて、前記分割参照データをグループ化することにより前記参照データ群を作成する
ことを特徴とする請求項1に記載のデータ解析方法。 - 前記解析プログラムが、前記未解析データに含まれる1乃至複数のピークのデータを抽出し、既知の物質に関するデータベースと照合することによって該1乃至複数のピークに対応する物質を同定するものであることを特徴とする請求項6に記載のデータ解析方法。
- 前記未解析データに含まれる1乃至複数のピークのデータのそれぞれについて、同定された物質について前記データベースに保存されているデータとの一致度を求めることを特徴とする請求項7に記載のデータ解析方法。
- 前記実解析用パラメータセット決定ステップにおいて、前記一致度が最も高い参照データ群に対応付けられた学習用パラメータセットを前記実解析用パラメータセットに決定することを特徴とする請求項8に記載のデータ解析方法。
- 前記測定データを所定の基準で分割することにより複数の分割未解析データを作成し、
前記未解析データ入力ステップにおいて前記複数の分割未解析データの一部又は全部を前記未解析データとして入力する
ことを特徴とする請求項6に記載のデータ解析方法。 - 前記分割未解析データが、1乃至複数のピークのデータである
ことを特徴とする請求項10に記載のデータ解析方法。 - 前記実解析用パラメータセット決定ステップにおいて、予め決められた基準以上の高い一致度を有する参照データ群が存在する場合にのみ、前記実解析用パラメータセットを決定することを特徴とする請求項1に記載のデータ解析方法。
- 分析装置を用いた試料の測定により取得された測定データを、1乃至複数の解析パラメータにそれぞれ値を設定して所定の解析プログラムにより解析する装置であって、
前記1乃至複数の解析パラメータのうちの少なくとも1つの値が互いに異なる複数の学習用パラメータセットを作成する学習用パラメータセット作成部と、
前記測定データと同種のデータであり解析結果が既知である複数の参照データのそれぞれについて、前記複数の学習用パラメータセットのそれぞれを用いて前記解析プログラムによる解析を実行し、該解析の結果の妥当性を表す評価値が最も高いもの、または該評価値が予め決められた基準値以上であるものを解析に適した1乃至複数の学習用パラメータセットとして決定する学習用パラメータセット決定部と、
前記複数の学習用パラメータセットのそれぞれに、前記学習用パラメータセット決定部により当該学習用パラメータセットが解析に適しているとされた参照データのグループである参照データ群を対応付ける参照データ群作成部と、
前記分析装置を用いた試料の測定により取得された測定データである未解析データを入力する未解析データ入力部と、
前記未解析データと前記参照データ群の一致度を求め、該一致度を用いて1乃至複数の前記参照データ群のそれぞれに対応付けられた学習用パラメータセットから実解析用パラメータセットを決定する実解析用パラメータセット決定部と、
前記実解析用パラメータセットを用いて前記解析プログラムにより前記未解析データの解析を実行する実解析実行部と
を備えることを特徴とする測定データ解析装置。 - 分析装置を用いた試料の測定により取得された測定データを所定の解析プログラムにより解析する際に使用する1乃至複数の解析パラメータの値を決定するために用いられる学習モデルを作成する装置であって、
前記1乃至複数の解析パラメータのうちの少なくとも1つの値が互いに異なる複数の学習用パラメータセットを作成する学習用パラメータセット作成部と、
前記測定データと同種のデータであり解析結果が既知である複数の参照データのそれぞれについて、前記複数の学習用パラメータセットのそれぞれを用いて前記解析プログラムによる解析を実行し、該解析の結果の妥当性を表す評価値が最も高いもの、または該評価値が予め決められた基準値以上であるものを解析に適した1乃至複数の学習用パラメータセットとして決定する学習用パラメータセット決定部と、
前記複数の学習用パラメータセットのそれぞれに、前記学習用パラメータセット決定部において当該学習用パラメータセットが解析に適しているとされた参照データのグループである参照データ群を対応付ける参照データ群作成部と、
前記複数の学習用パラメータセットのそれぞれに前記参照データ群を対応付けたものを学習データとする機械学習により学習モデルを作成する学習モデル作成部と
を備えることを特徴とするデータ解析用の学習モデル作成装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/031742 WO2020044435A1 (ja) | 2018-08-28 | 2018-08-28 | データ解析方法、データ解析装置、及びデータ解析用の学習モデル作成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020044435A1 JPWO2020044435A1 (ja) | 2021-08-10 |
JP7255597B2 true JP7255597B2 (ja) | 2023-04-11 |
Family
ID=69644836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020539899A Active JP7255597B2 (ja) | 2018-08-28 | 2018-08-28 | データ解析方法、データ解析装置、及びデータ解析用の学習モデル作成方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210319364A1 (ja) |
JP (1) | JP7255597B2 (ja) |
WO (1) | WO2020044435A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11841373B2 (en) * | 2019-06-28 | 2023-12-12 | Canon Kabushiki Kaisha | Information processing apparatus, method for controlling information processing apparatus, and program |
CN114391099A (zh) * | 2019-10-02 | 2022-04-22 | 株式会社岛津制作所 | 波形解析方法和波形解析装置 |
EP4310494A4 (en) * | 2021-03-19 | 2024-09-11 | Shimadzu Corp | METHOD FOR CREATING LEARNING DATA AND DEVICE FOR CREATING LEARNING DATA |
JP2023000828A (ja) * | 2021-06-18 | 2023-01-04 | 富士フイルム株式会社 | 情報処理装置、情報処理方法及びプログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006003345A (ja) | 2004-05-18 | 2006-01-05 | Omron Corp | 知識作成支援装置および表示方法 |
JP2017189394A (ja) | 2016-04-13 | 2017-10-19 | キヤノン株式会社 | 情報処理装置および情報処理システム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1910959A1 (en) * | 2005-07-25 | 2008-04-16 | Metanomics GmbH | Means and methods for analyzing a sample by means of chromatography-mass spectrometry |
JP5509773B2 (ja) * | 2009-01-21 | 2014-06-04 | オムロン株式会社 | パラメータ決定支援装置およびパラメータ決定支援プログラム |
US10153146B2 (en) * | 2014-03-28 | 2018-12-11 | Wisconsin Alumni Research Foundation | High mass accuracy filtering for improved spectral matching of high-resolution gas chromatography-mass spectrometry data against unit-resolution reference databases |
US10113910B2 (en) * | 2014-08-26 | 2018-10-30 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
EP3557261B1 (en) * | 2018-04-20 | 2021-12-08 | F. Hoffmann-La Roche AG | Just in time availability of analytical test results |
-
2018
- 2018-08-28 WO PCT/JP2018/031742 patent/WO2020044435A1/ja active Application Filing
- 2018-08-28 US US17/271,628 patent/US20210319364A1/en active Pending
- 2018-08-28 JP JP2020539899A patent/JP7255597B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006003345A (ja) | 2004-05-18 | 2006-01-05 | Omron Corp | 知識作成支援装置および表示方法 |
JP2017189394A (ja) | 2016-04-13 | 2017-10-19 | キヤノン株式会社 | 情報処理装置および情報処理システム |
Also Published As
Publication number | Publication date |
---|---|
US20210319364A1 (en) | 2021-10-14 |
JPWO2020044435A1 (ja) | 2021-08-10 |
WO2020044435A1 (ja) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7255597B2 (ja) | データ解析方法、データ解析装置、及びデータ解析用の学習モデル作成方法 | |
CN103109345B (zh) | 产物离子光谱的数据独立获取及参考光谱库匹配 | |
EP2728350B1 (en) | Method and system for processing analysis data | |
JP5327388B2 (ja) | 分析データ処理方法及び装置 | |
CA2763991C (en) | Systems and methods for identifying correlated variables in large amounts of spectrometry data | |
Kuich et al. | Maui-VIA: a user-friendly software for visual identification, alignment, correction, and quantification of gas chromatography–mass spectrometry data | |
JP5682540B2 (ja) | 質量分析データ処理方法、質量分析データ処理装置、及び質量分析装置 | |
JP5757264B2 (ja) | クロマトグラフ質量分析データ処理装置 | |
JP2016180599A (ja) | データ解析装置 | |
JP2016061670A (ja) | 時系列データ解析装置及び方法 | |
US6944549B2 (en) | Method and apparatus for automated detection of peaks in spectroscopic data | |
EP3497709B1 (en) | Automated spectral library retention time correction | |
JP2018504600A (ja) | 干渉検出および着目ピークのデコンボルーション | |
JP4984617B2 (ja) | 質量分析データ解析方法 | |
CN117461087A (zh) | 用于鉴别质谱中的分子种类的方法和装置 | |
US7691643B2 (en) | Mass analysis method and mass analysis apparatus | |
Bunkowski | MCC-IMS data analysis using automated spectra processing and explorative visualisation methods | |
JPWO2017158673A1 (ja) | 質量分析データ解析装置及び質量分析データ解析用プログラム | |
JPWO2008053531A1 (ja) | クロマトグラフ質量分析装置 | |
Ju et al. | A graph density-based strategy for features fusion from different peak extract software to achieve more metabolites in metabolic profiling from high-resolution mass spectrometry | |
CN108287200A (zh) | 质谱参照数据库的建立方法及基于其的物质分析方法 | |
CN116642989A (zh) | 一种靶向液-质代谢组学数据的自动定量分析方法 | |
JP7334788B2 (ja) | 波形解析方法及び波形解析装置 | |
CN114096839B (zh) | 成像质量分析装置 | |
Erny et al. | Algorithm for comprehensive analysis of datasets from hyphenated high resolution mass spectrometric techniques using single ion profiles and cluster analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210126 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210128 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210222 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220405 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220603 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220803 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221216 |
|
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: 20230228 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230313 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7255597 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |