JP7334549B2 - 微生物判別方法、微生物判別システム、及び微生物判別プログラム - Google Patents
微生物判別方法、微生物判別システム、及び微生物判別プログラム Download PDFInfo
- Publication number
- JP7334549B2 JP7334549B2 JP2019162711A JP2019162711A JP7334549B2 JP 7334549 B2 JP7334549 B2 JP 7334549B2 JP 2019162711 A JP2019162711 A JP 2019162711A JP 2019162711 A JP2019162711 A JP 2019162711A JP 7334549 B2 JP7334549 B2 JP 7334549B2
- Authority
- JP
- Japan
- Prior art keywords
- microorganism
- unit
- subspecies
- discrimination
- mass
- 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
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Description
同一の種に属し、亜種、株、又はタイプが既知である複数の既知微生物をそれぞれ質量分析して複数のマススペクトルを取得し、
前記既知微生物と同一の種に属する微生物において、異なる亜種間、異なる株間、又は異なるタイプ間で質量が相違すると推定されるマーカー候補タンパク質のm/zを記載したm/zリストを作成し、
前記m/zリストに記載されたm/zの前後所定の範囲のみを非零とするマスクを作成し、
前記複数のマススペクトルの各々に対して前記マスクによるマスキングを施し、
前記マスキング後の前記複数のマススペクトルの各々に連続ウェーブレット変換を施すことによって複数のウェーブレット画像を生成し、
前記複数のウェーブレット画像と、前記複数の既知微生物の各々の亜種、株、又はタイプの情報とを学習データとする機械学習によって判別モデルを生成し、
前記既知微生物と同一の種に属し、亜種、株、又はタイプが未知である未知微生物を質量分析して得られたマススペクトルを前記判別モデルに適用することによって、該未知微生物の亜種、株、又はタイプを判別するものである。
同一の種に属し、亜種、株、又はタイプが既知である複数の既知微生物をそれぞれ質量分析して得られた複数のマススペクトルを取得する既知サンプルデータ取得部と、
前記既知微生物と同一の種に属する微生物において、異なる亜種間、異なる株間、又は異なるタイプ間で質量が相違すると推定されるマーカー候補タンパク質のm/zを記載したm/zリストを取得するm/zリスト取得部と、
前記m/zリストに記載されたm/zの前後所定の範囲のみを非零とするマスクを作成するマスク作成部と、
前記複数のマススペクトルの各々に対して前記マスクによるマスキングを施すマスキング部と、
前記マスキング後の前記複数のマススペクトルの各々に連続ウェーブレット変換を施すことによって複数のウェーブレット画像を生成するウェーブレット画像生成部と、
前記複数のウェーブレット画像と、前記複数の既知微生物の各々の亜種、株、又はタイプの情報とを学習データとする機械学習によって判別モデルを生成するモデル生成部と、
前記既知微生物と同一の種に属し、亜種、株、又はタイプが未知である未知微生物を質量分析して得られたマススペクトルを前記判別モデルに適用することによって、該未知微生物の亜種、株、又はタイプを判別する判別部と、
を備えるものである。
アクネ菌は、形態、細胞壁の構成成分、及び血清型凝集試験の結果等の表現型によって5つのタイプ(Type I A1, Type I A2, Type I B, Type II, 及びType III)に分類される。本実施例では、タイプが既知のアクネ菌45株をサンプルとしてMALDI-MSによる分析を行い、得られた45個のマススペクトルデータの中からランダムに選出した70%のマススペクトルデータを判別モデルの作成に使用した。以下、これらのマススペクトルを「学習用マススペクトル」とよぶ)。なお、残り30%のマススペクトルデータは、判別モデルの評価(詳細は後述)に使用した。以下、これらのマススペクトルを「評価用マススペクトル」とよぶ。
NCBIから入手したアクネ菌のアミノ酸配列情報に基づいて、タイプ間で質量に相違があるタンパク質を抽出し、さらにその中からMALDI-MSによって安定的に検出可能なタンパク質を選出した。更に、NCBIからこれらのタンパク質(マーカー候補タンパク質)の理論質量を取得してm/zに変換することにより、図3で示したm/zリストを作成した。
前記m/zリストを用いて前記学習用マススペクトルのキャリブレーションを行った。具体的には、前記学習用マススペクトルの各々についてピーク検出を行ってピークリストを作成すると共に、該ピークリストを前記m/zリストと照合し、図4で示したように、両者におけるm/z値の差異を打ち消すように各学習用マススペクトルの横軸を補正した。
さらに、前記m/zリストに基づいて、該リストに含まれる理論m/zの近傍だけで信号強度が非零となるマスクを作成し、これを用いて前記キャリブレーション後の各学習用マススペクトルのマスキングを行った。前記マスクのプロファイル、及び該マスクを学習用マススペクトルに適用した結果は、図5~図7で例示した通りである。
前記キャリブレーション及び前記マスキングを施した各学習用マススペクトルから値を有しない領域を除去した上で、連続ウェーブレット変換によってウェーブレット画像(図9で例示)に変換した。
各学習用マススペクトルに対して上記のキャリブレーション、マスキング、ウェーブレット画像への変換を行って得られた複数のウェーブレット画像データを学習用データとして、ディープラーニングによる判別モデルの生成を行った。
以上の方法で生成した判別モデルによって、評価用マススペクトルのタイピングを行うことができるか否かを確認した。具体的には、上述の通り、タイプが既知のアクネ菌45株について得られた45個のマススペクトルデータに対して、上述のような「学習用マススペクトル」と「評価用マススペクトル」へのランダムな分割と、「学習用マススペクトル」を用いた判別モデルの生成、及び該判別モデルを用いた「評価用マススペクトル」のタイピングを100回繰り返し行うことにより、判別モデルの誤判別率を導出した。なお、上記の通り本実施例では「評価用マススペクトル」についても正解(すなわちアクネ菌のタイプ)が分かっているため、前記判別モデルによる「評価用マススペクトル」のタイピングの成否を判定することができる。
上述した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
同一の種に属し、亜種、株、又はタイプが既知である複数の既知微生物をそれぞれ質量分析して複数のマススペクトルを取得し、
前記既知微生物と同一の種に属する微生物において、異なる亜種間、異なる株間、又は異なるタイプ間で質量が相違すると推定されるマーカー候補タンパク質のm/zを記載したm/zリストを作成し、
前記m/zリストに記載されたm/zの前後所定の範囲のみを非零とするマスクを作成し、
前記複数のマススペクトルの各々に対して前記マスクによるマスキングを施し、
前記マスキング後の前記複数のマススペクトルの各々に連続ウェーブレット変換を施すことによって複数のウェーブレット画像を生成し、
前記複数のウェーブレット画像と、前記複数の既知微生物の各々の亜種、株、又はタイプの情報とを学習データとする機械学習によって判別モデルを生成し、
前記既知微生物と同一の種に属し、亜種、株、又はタイプが未知である未知微生物を質量分析して得られたマススペクトルを前記判別モデルに適用することによって、該未知微生物の亜種、株、又はタイプを判別するものである。
前記既知微生物のマススペクトルに含まれるピークのm/zと、前記m/zリストに記載されたm/zとを照合して、両者の差異が小さくなるように該マススペクトルをキャリブレーションし、
キャリブレーション後の該マススペクトルに対して前記マスキングを施すものであってもよい。
前記既知微生物がアクネ菌であり、
前記マーカー候補タンパク質が、リボソームタンパク質L30、L29、S15、S19、L23、L21、L07/L12、S08、L15、L09、L13、及びL06、並びにAntitoxinであって、
アクネ菌である前記未知微生物のタイプを判別するものであってもよい。
同一の種に属し、亜種、株、又はタイプが既知である複数の既知微生物をそれぞれ質量分析して得られた複数のマススペクトルを取得する既知サンプルデータ取得部と、
前記既知微生物と同一の種に属する微生物において、異なる亜種間、異なる株間、又は異なるタイプ間で質量が相違すると推定されるマーカー候補タンパク質のm/zを記載したm/zリストを取得するm/zリスト取得部と、
前記m/zリストに記載されたm/zの前後所定の範囲のみを非零とするマスクを作成するマスク作成部と、
前記複数のマススペクトルの各々に対して前記マスクによるマスキングを施すマスキング部と、
前記マスキング後の前記複数のマススペクトルの各々に連続ウェーブレット変換を施すことによって複数のウェーブレット画像を生成するウェーブレット画像生成部と、
前記複数のウェーブレット画像と、前記複数の既知微生物の各々の亜種、株、又はタイプの情報とを学習データとする機械学習によって判別モデルを生成するモデル生成部と、
前記既知微生物と同一の種に属し、亜種、株、又はタイプが未知である未知微生物を質量分析して得られたマススペクトルを前記判別モデルに適用することによって、該未知微生物の亜種、株、又はタイプを判別する判別部と、
を備えるものである。
前記既知微生物のマススペクトルに含まれるピークのm/zと、前記m/zリストに記載されたm/zとを照合して、両者の差異が小さくなるように該マススペクトルをキャリブレーションするキャリブレーション部、
を更に備え、
前記既知微生物のマススペクトルに対して前記キャリブレーション部によるキャリブレーションを施した上で、前記マスキング部によるマスキングを行うものであってもよい。
前記既知微生物がアクネ菌であり、
前記マーカー候補タンパク質が、リボソームタンパク質L30、L29、S15、S19、L23、L21、L07/L12、S08、L15、L09、L13、及びL06、並びにAntitoxinであって、
前記判別部において、アクネ菌である前記未知微生物のタイプを判別するものであってもよい。
既知微生物のマススペクトルをウェーブレット画像に変換する前にキャリブレーションを行うことにより、前記複数のマススペクトルデータにおける横軸のずれを補正して、生成される判別モデルの正確性を高めることができる。
20…学習データ生成部
21…既知サンプルデータ取得部
22…m/zリスト取得部
23…既知サンプルデータキャリブレーション部
24…マスク作成部
25…既知サンプルデータマスキング部
26…既知サンプルデータ画像化部
30…モデル生成部
40…判別部
41…未知サンプルデータ取得部
42…未知サンプルデータキャリブレーション部
43…未知サンプルデータマスキング部
44…未知サンプルデータ画像化部
45…判別実行部
50…データ記憶部
60…入力部
70…表示部
Claims (7)
- 同一の種に属し、亜種、株、又はタイプが既知である複数の既知微生物をそれぞれ質量分析して得られた複数のマススペクトルを取得し、
前記既知微生物と同一の種に属する微生物において、異なる亜種間、異なる株間、又は異なるタイプ間で質量が相違すると推定されるマーカー候補タンパク質のm/zを記載したm/zリストを取得し、
前記m/zリストに記載されたm/zの前後所定の範囲のみを非零とするマスクを作成し、
前記複数のマススペクトルの各々に対して前記マスクによるマスキングを施し、
前記マスキング後の前記複数のマススペクトルの各々に連続ウェーブレット変換を施すことによって、前記連続ウェーブレット変換後の信号強度分布を表した2次元画像データである複数のウェーブレット画像を生成し、
前記複数のウェーブレット画像と、前記複数の既知微生物の各々の亜種、株、又はタイプの情報とを学習データとする機械学習によって判別モデルを生成し、
前記既知微生物と同一の種に属し、亜種、株、又はタイプが未知である未知微生物を質量分析して得られたマススペクトルを前記判別モデルに適用することによって、該未知微生物の亜種、株、又はタイプを判別する、微生物判別方法。 - 前記複数のマススペクトルの各々に含まれるピークのm/zと、前記m/zリストに記載されたm/zとを照合して、両者の差異が小さくなるように該複数のマススペクトルの各々をキャリブレーションし、
キャリブレーション後の該複数のマススペクトルの各々に対して前記マスキングを施す請求項1に記載の微生物判別方法。 - 前記複数の既知微生物の各々がアクネ菌であり、
前記マーカー候補タンパク質が、リボソームタンパク質L30、L29、S15、S19、L23、L21、L07/L12、S08、L15、L09、L13、及びL06、並びにAntitoxinであって、
アクネ菌である前記未知微生物のタイプを判別する請求項1又は2に記載の微生物判別方法。 - 同一の種に属し、亜種、株、又はタイプが既知である複数の既知微生物をそれぞれ質量分析して得られた複数のマススペクトルを取得する既知サンプルデータ取得部と、
前記既知微生物と同一の種に属する微生物において、異なる亜種間、異なる株間、又は異なるタイプ間で質量が相違すると推定されるマーカー候補タンパク質のm/zを記載したm/zリストを取得するm/zリスト取得部と、
前記m/zリストに記載されたm/zの前後所定の範囲のみを非零とするマスクを作成するマスク作成部と、
前記複数のマススペクトルの各々に対して前記マスクによるマスキングを施すマスキング部と、
前記マスキング後の前記複数のマススペクトルの各々に連続ウェーブレット変換を施すことによって、前記連続ウェーブレット変換後の信号強度分布を表した2次元画像データである複数のウェーブレット画像を生成するウェーブレット画像生成部と、
前記複数のウェーブレット画像と、前記複数の既知微生物の各々の亜種、株、又はタイプの情報とを学習データとする機械学習によって判別モデルを生成するモデル生成部と、
前記既知微生物と同一の種に属し、亜種、株、又はタイプが未知である未知微生物を質量分析して得られたマススペクトルを前記判別モデルに適用することによって、該未知微生物の亜種、株、又はタイプを判別する判別部と、
を備える微生物判別システム。 - 前記複数のマススペクトルの各々に含まれるピークのm/zと、前記m/zリストに記載されたm/zとを照合して、両者の差異が小さくなるように該複数のマススペクトルの各々をキャリブレーションするキャリブレーション部、
を更に備え、
前記複数のマススペクトルの各々に対して前記キャリブレーション部によるキャリブレーションを施した上で、前記マスキング部によるマスキングを行う請求項4に記載の微生物判別システム。 - 前記複数の既知微生物の各々がアクネ菌であり、
前記マーカー候補タンパク質が、リボソームタンパク質L30、L29、S15、S19、L23、L21、L07/L12、S08、L15、L09、L13、及びL06、並びにAntitoxinであって、
前記判別部において、アクネ菌である前記未知微生物のタイプを判別する請求項4又は請求項5に記載の微生物判別システム。 - コンピュータを、請求項4~6のいずれかに記載の微生物判別システムの各部として機能させる微生物判別プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019162711A JP7334549B2 (ja) | 2019-09-06 | 2019-09-06 | 微生物判別方法、微生物判別システム、及び微生物判別プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019162711A JP7334549B2 (ja) | 2019-09-06 | 2019-09-06 | 微生物判別方法、微生物判別システム、及び微生物判別プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021042965A JP2021042965A (ja) | 2021-03-18 |
JP7334549B2 true JP7334549B2 (ja) | 2023-08-29 |
Family
ID=74863203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019162711A Active JP7334549B2 (ja) | 2019-09-06 | 2019-09-06 | 微生物判別方法、微生物判別システム、及び微生物判別プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7334549B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016537964A (ja) | 2013-10-09 | 2016-12-08 | ユニバーシティ オブ メリーランド,ボルチモア | 真菌を同定する方法 |
WO2017168743A1 (ja) | 2016-03-31 | 2017-10-05 | 株式会社島津製作所 | 微生物の識別方法 |
JP2019516084A (ja) | 2016-06-28 | 2019-06-13 | 株式会社島津製作所 | 飛行時間型質量分析に基づく信号処理方法およびシステム並びに電子機器 |
-
2019
- 2019-09-06 JP JP2019162711A patent/JP7334549B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016537964A (ja) | 2013-10-09 | 2016-12-08 | ユニバーシティ オブ メリーランド,ボルチモア | 真菌を同定する方法 |
WO2017168743A1 (ja) | 2016-03-31 | 2017-10-05 | 株式会社島津製作所 | 微生物の識別方法 |
JP2019516084A (ja) | 2016-06-28 | 2019-06-13 | 株式会社島津製作所 | 飛行時間型質量分析に基づく信号処理方法およびシステム並びに電子機器 |
Non-Patent Citations (4)
Title |
---|
MALDI-MS Proteotyping of Cutibacterium Acnes,2'nd_International BMS Symposium 2018,2018年10月26日 |
MALDI-MSによるバクテリア分析,島津評論,Vol.74,No.1-2,2017年09月20日,PP.51-62 |
Rapid Screening of Epidemiologically Important Salmonella enterica subsp. enterica Serovars by Whole-Cell Matrix-Assisted Laser Desorption Ionization-Time of Flight Mass Spectrometry,APPLIED AND ENVIRONMENTAL MICROBIOLOGY,2011年,Vol.77,No.12,P4136-4146 |
TOFwave: reproducibility in biomarker discovery from time-of-flight mass spectrometry data,Molecular BioSystems,2012年,Vol.8,P2845-2849 |
Also Published As
Publication number | Publication date |
---|---|
JP2021042965A (ja) | 2021-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Girard et al. | Identification and typing of the emerging pathogen Candida auris by matrix‐assisted laser desorption ionisation time of flight mass spectrometry | |
Feng et al. | FTIR-assisted MALDI-TOF MS for the identification and typing of bacteria | |
US9489514B2 (en) | Classifying malware by order of network behavior artifacts | |
CN108931570B (zh) | 质谱分析数据解析装置以及质谱分析数据解析用程序 | |
EP3044582A1 (en) | Method and electronic nose for comparing odors | |
Henderson et al. | A comparison of PCA and MAF for ToF‐SIMS image interpretation | |
JP2011191222A (ja) | 質量分析データ処理方法及び装置 | |
US20130325771A1 (en) | New classification method for spectral data | |
Xu et al. | Comparison of human axillary odour profiles obtained by gas chromatography/mass spectrometry and skin microbial profiles obtained by denaturing gradient gel electrophoresis using multivariate pattern recognition | |
US8831316B2 (en) | Point source detection | |
JP6318513B2 (ja) | 代表色抽出装置、代表色抽出方法、プログラムおよび記録媒体 | |
JP7334549B2 (ja) | 微生物判別方法、微生物判別システム、及び微生物判別プログラム | |
CN102906851B (zh) | 分析质谱的方法及系统 | |
Hansen et al. | X-Hitting: an algorithm for novelty detection and dereplication by UV spectra of complex mixtures of natural products | |
CN106650779B (zh) | 谱图相似度的计算方法 | |
US20230282310A1 (en) | Microorganism Discrimination Method and System | |
JP2020060444A5 (ja) | ||
JP2021025953A (ja) | 質量分析データ処理方法、質量分析データ処理システム、及び質量分析データ処理プログラム | |
JP7156213B2 (ja) | 質量分析データ処理方法、質量分析データ処理システム、及びプログラム | |
Ovchinnikova et al. | Recognizing off-sample mass spectrometry images with machine and deep learning | |
US20200273545A1 (en) | Computer-implemented methods and systems for identifying a species from mass spectra | |
Jarman et al. | The statistical defensibility of forensic proteomics | |
Skarysz et al. | Fast and automated biomarker detection in breath samples with machine learning | |
US20220230708A1 (en) | Method for detecting outlier of theoretical masses | |
Plantinga et al. | Beta Diversity and Distance-Based Analysis of Microbiome Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211223 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211223 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221130 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221213 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230208 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230410 |
|
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: 20230718 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230731 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7334549 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |