JP7394362B1 - サーバ、apiおよびコンピュータプログラム - Google Patents
サーバ、apiおよびコンピュータプログラム Download PDFInfo
- Publication number
- JP7394362B1 JP7394362B1 JP2022540627A JP2022540627A JP7394362B1 JP 7394362 B1 JP7394362 B1 JP 7394362B1 JP 2022540627 A JP2022540627 A JP 2022540627A JP 2022540627 A JP2022540627 A JP 2022540627A JP 7394362 B1 JP7394362 B1 JP 7394362B1
- Authority
- JP
- Japan
- Prior art keywords
- sugar chain
- data
- input
- chain structure
- value
- 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
- 238000004590 computer program Methods 0.000 title claims abstract description 19
- 239000008186 active pharmaceutical agent Substances 0.000 title 1
- 235000000346 sugar Nutrition 0.000 claims abstract description 138
- 238000004458 analytical method Methods 0.000 claims description 51
- 238000004885 tandem mass spectrometry Methods 0.000 claims description 35
- 239000012634 fragment Substances 0.000 claims description 24
- 230000010365 information processing Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 21
- 150000004676 glycans Chemical group 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 238000000547 structure data Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 125000002791 glucosyl group Chemical group C1([C@H](O)[C@@H](O)[C@H](O)[C@H](O1)CO)* 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 150000002500 ions Chemical class 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 14
- 238000000034 method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 150000001793 charged compounds Chemical class 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000001360 collision-induced dissociation Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000010828 elution Methods 0.000 description 4
- 238000004949 mass spectrometry Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 125000001424 substituent group Chemical group 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004128 high performance liquid chromatography Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 150000008163 sugars Chemical class 0.000 description 3
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical group O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 238000003776 cleavage reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007017 scission Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 102000003886 Glycoproteins Human genes 0.000 description 1
- 108090000288 Glycoproteins Proteins 0.000 description 1
- 230000006696 biosynthetic metabolic pathway Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000006862 enzymatic digestion Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/62—Detectors specially adapted therefor
- G01N30/72—Mass spectrometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G16C20/40—Searching chemical structures or physicochemical data
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Biomedical Technology (AREA)
- Hematology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Cell Biology (AREA)
- Medicinal Chemistry (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Food Science & Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Databases & Information Systems (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Stored Programmes (AREA)
Abstract
Description
(サーバ)
図1は、本発明の好適な実施形態に係るサーバ1を含むシステムの全体構成を示すブロック図である。まず、サーバ1の構成について、図2のアプリケーションプログラミングインターフェース(API)4の構成と併せて説明する。サーバ1は、入力データから糖鎖構造を絞り込むAPI4を備えたサーバであって、API4が、入力データ取得部41により入力データを取得する入力データ取得ステップと、入力情報処理部42により入力データを処理する入力情報処理ステップと、糖鎖構造絞込部43により入力データから前記糖鎖構造を絞り込む糖鎖構造絞込ステップと、出力部44により絞り込んだ糖鎖構造を出力する出力ステップと、を実行するように構成される。API4への入力の前に入力データを処理する場合、入力情報処理ステップは省略することができる。
端末装置2は、例えば、デスクトップPCや、ノートPC、タブレット、スマートフォン等であり、インターネット等の通信網3を介してサーバ1と通信可能であってAPI4を呼び出すことができるものであれば、特に限定されない。ユーザは、端末装置2を使用してサーバ1にアクセスし、API4を呼び出して入力データを入力し、API4により絞り込まれた糖鎖構造の出力を得る。入力データの入力は、例えばキーボードやマウス、タッチパネル等の入力装置(図示せず)を用いて行うことができる。絞り込まれた糖鎖構造の出力は、例えばディスプレイ等の表示装置(図示せず)に表示させることができる。
質量分析法(Mass Spectrometry)には、試料をイオン化してそのまま分析する方法(MS)と、さらに特定の試料イオン(親イオン)を質量選択し、それを解離させて生成した解離イオンを質量分析するタンデム質量分析法(MS/MS)とがある。質量分析装置は、試料分子に電荷を付加してイオン化を行い、生成したイオンを電場または磁場により質量電荷比に分離し、その量を検出器にて電流値として計測する機器である。質量分析装置の前に液体クロマトグラフ(LC:Liquid Chromatograph)部を連結した液体クロマトグラフィー/質量分析法(LC/MS)は、混合物をLCで分離しながら、MSにより質量を測定する方法である。LC部には高速液体クロマトグラフ(HPLC:High Performance Liquid Chromatograph)が使用される。特定のイオンを選別して、開裂後さらに断片イオンの質量を測定するMS/MSや、その過程を繰り返す多段階MS(MSn)を行うと、さらに構造情報が得られる。
マスタデータ22は、糖鎖構造を絞り込む際に参照したり、糖鎖構造を絞り込むための機械学習の教師データに使用したりする糖鎖構造のデータベースである。図3にマスタデータ22の構成の一例を示す。マスタデータ22は、少なくとも質量の値と、グルコースユニット値(GU値)および/または逆相スケール値と、組成情報と、構造情報とを含む。組成情報は、糖と置換基の種類および糖と置換基の数の情報を含むものである。構造情報は、糖と置換基の種類および糖と置換基の数の情報に、糖のアイソマー情報と、結合様式と、分岐構造の情報を加えたものである。糖鎖構造データは、組成情報および構造情報で構成される。
図5のMSスペクトルの大きいピーク中、最も左に位置するモノアイソトピック・ピークの質量電荷比を確認する。当該モノアイソトピック・ピークと、当該ピークに近接する同位体ピークとの差分から、イオン価数を算出する。質量電荷比と価数を掛け合わせた値から、付加イオンの質量を差し引くことで、質量が算出される。このように、MS解析結果から、質量を算出することができる。
GU値は、グルコースユニット法によりLCにおける溶出時間の標準化行ったものであって、各ピークの検出時間とグルコースオリゴマーの検出時間とを比較することで得られる値である。GU値は、糖鎖構造によって固有の値であるため、データベースと照合することで糖鎖構造を推定することができる。GU値を算出する定量計算式の係数は測定ごとに若干変動するが、定量計算式は溶出時間の関数となる。このように、LC解析結果から、GU値を算出することができる。
マスタデータ22は、さらに断片質量を含んでもよい。断片質量は、MS/MS解析結果(図6を参照)に基づいて、断片の元になった糖鎖構造と質量電荷比とから算出される。例えば断片質量が大きい場合、質量が大きい糖鎖構造が候補として選ばれやすくなる。
マスタデータ22は、さらにMS/MSスペクトルのピーク強度比を含んでもよい。ピーク強度比は、ピークの傾向を定量化してピークの順位を決定するためのものであり、MS/MSスペクトルの各ピークに対し、ピーク強度をピーク全てのピーク強度の合算値で除算して算出される。すなわち、ピーク強度比は、MS/MS解析結果から、算出される。ピークの順位情報は、糖鎖構造が断片化する際の優先順位に依存するので、その情報から元の糖鎖構造を推定することができる。糖鎖構造内のある結合が弱いと、その結合が優先的に切れて断片化しやすいので、その断片のピーク強度は大きくなり、該当するピークの順位は高くなる。この関係により、逆説的に糖鎖構造の結合位置を推定する。例えばピーク強度比が小さい(ピーク強度が大きい)等の情報により、糖鎖構造の分岐構造をある程度推定することができる。
糖鎖構造絞込ステップにおいて、入力情報処理ステップで処理された処理データとマスタデータ22とを照合し、マスタデータ22に一致する糖鎖構造がない場合に、糖鎖構造絞込部43が機械学習モデル23による糖鎖構造の絞込を行うようにしてもよい。以下、機械学習モデル23について説明する。機械学習モデル23は、第1学習モデルおよび第2学習モデルの2つの学習モデルを用意することが好ましい。
第1学習モデルは、糖鎖構造を例えば数十件程度に絞り込むための機械学習モデルである。第1学習モデルの構築において、入力データは、質量の値と、GU値および/または逆相スケール値である。上記のように、質量とGU値および/または逆相スケール値とから糖鎖構造を推定できるので、教師データの入力データとしての質量の値、ならびに、GU値および/または逆相スケール値と、教師データの出力データとしての糖鎖構造データとの相関関係を学習する。
第2学習モデルは、第1学習モデルを使用して絞り込んだ複数の糖鎖構造の中から、さらに1~5件程度の糖鎖構造に絞り込むための機械学習モデルである。第2学習モデルの構築において、入力データは、断片質量の値と、MS/MSスペクトルのピーク強度比と、第1学習モデルで絞り込んだ糖鎖構造である。上記のように、断片質量の値と、MS/MSスペクトルのピーク強度比とから糖鎖構造を推定できるので、教師データの入力データとしての入力データである断片質量の値、MS/MSスペクトルのピーク強度比、および、第1学習モデルで絞り込んだ糖鎖構造と、教師データの出力データとしての糖鎖構造データ5との相関関係を学習する。
機械学習は、入力データと、出力データとして入力データに対応する糖鎖構造データを使用して、教師あり学習を行う。教師あり学習は、例えばニューラルネットワークモデルによる機械学習の他、周知の機械学習により行うことができる。教師あり学習の一例として、ニューラルネットワークモデルによる機械学習について、図7を参照しながら説明する。
図8は、本発明の好適な実施形態に係るサーバ1によるAPI4の実行の流れを示すフローチャートである。
2 端末装置
3 通信網
14 コンピュータプログラム
21 糖鎖構造
22 マスタデータ
23 機械学習モデル
41 入力データ取得部
42 入力情報処理部
43 糖鎖構造絞込部
44 出力部
Claims (3)
- 入力データから糖鎖構造を絞り込むアプリケーションプログラミングインターフェース(API)を備えたサーバであって、
前記APIが、
前記入力データを取得する入力データ取得ステップと、
前記入力データ取得ステップの後に前記入力データを処理して処理データを算出する入力情報処理ステップと、
前記処理データから前記糖鎖構造を絞り込む糖鎖構造絞込ステップと、
絞り込んだ前記糖鎖構造を出力する出力ステップと、
をコンピュータに実行させるように構成され、
前記入力データが、LC解析結果、および、MS解析結果、および、MS/MS解析結果であり、
前記入力情報処理ステップにおいて、
前記LC解析結果から前記処理データとしてグルコースユニット値(GU値)および/または逆相スケール値を算出し、
前記MS解析結果から前記処理データとして質量を算出し、
前記MS/MS解析結果から前記処理データとして断片質量およびMS/MSスペクトルのピーク強度比を算出し、
前記糖鎖構造絞込ステップにおいて、前記入力情報処理ステップで処理された前記処理データを、前記処理データと前記処理データに対応する糖鎖構造とのデータベースであるマスタデータと照合することにより、前記処理データから糖鎖構造の絞込を行い、
前記糖鎖構造絞込ステップにおいて、前記入力情報処理ステップで処理された前記処理データと前記マスタデータとを照合し、前記マスタデータに一致する糖鎖構造がない場合に、機械学習モデルによる糖鎖構造の絞込を行い、
前記機械学習モデルが、
前記質量の値と、前記グルコースユニット値(GU値)および/または前記逆相スケール値とで構成される第1入力、および、前記第1入力に対応する既知の糖鎖構造である糖鎖構造データの組を教師データとして教師あり学習を行うことにより構築された、糖鎖構造の絞込を行うための第1学習モデル、ならびに、
前記断片質量の値と、前記MS/MSスペクトルのピーク強度比と、前記第1学習モデルを使用して絞り込まれた糖鎖構造の糖鎖構造データとで構成される第2入力、および、前記第2入力に対応する既知の糖鎖構造である糖鎖構造データの組を教師データとして教師あり学習を行うことにより構築された、糖鎖構造の絞込を行うための第2学習モデルである、サーバ。 - 入力データから糖鎖構造を絞り込むアプリケーションプログラミングインターフェース(API)であって、
前記APIが、
前記入力データを取得する入力データ取得ステップと、
前記入力データ取得ステップの後に前記入力データを処理して処理データを算出する入力情報処理ステップと、
前記処理データから前記糖鎖構造を絞り込む糖鎖構造絞込ステップと、
絞り込んだ前記糖鎖構造を出力する出力ステップと、
をコンピュータに実行させるように構成され、
前記入力データが、LC解析結果、および、MS解析結果、および、MS/MS解析結果であり、
前記入力情報処理ステップにおいて、
前記LC解析結果から前記処理データとしてグルコースユニット値(GU値)および/または逆相スケール値を算出し、
前記MS解析結果から前記処理データとして質量を算出し、
前記MS/MS解析結果から前記処理データとして断片質量およびMS/MSスペクトルのピーク強度比を算出し、
前記糖鎖構造絞込ステップにおいて、前記入力情報処理ステップで処理された前記処理データを、前記処理データと前記処理データに対応する糖鎖構造とのデータベースであるマスタデータと照合することにより、前記処理データから糖鎖構造の絞込を行い、
前記糖鎖構造絞込ステップにおいて、前記入力情報処理ステップで処理された前記処理データと前記マスタデータとを照合し、前記マスタデータに一致する糖鎖構造がない場合に、機械学習モデルによる糖鎖構造の絞込を行い、
前記機械学習モデルが、
前記質量の値と、前記グルコースユニット値(GU値)および/または前記逆相スケール値とで構成される第1入力、および、前記第1入力に対応する既知の糖鎖構造である糖鎖構造データの組を教師データとして教師あり学習を行うことにより構築された、糖鎖構造の絞込を行うための第1学習モデル、ならびに、
前記断片質量の値と、前記MS/MSスペクトルのピーク強度比と、前記第1学習モデルを使用して絞り込まれた糖鎖構造の糖鎖構造データとで構成される第2入力、および、前記第2入力に対応する既知の糖鎖構造である糖鎖構造データの組を教師データとして教師あり学習を行うことにより構築された、糖鎖構造の絞込を行うための第2学習モデルである、API。 - コンピュータに、請求項2に記載のAPIを実行させるコンピュータプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/025763 WO2024004033A1 (ja) | 2022-06-28 | 2022-06-28 | サーバ、apiおよびコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7394362B1 true JP7394362B1 (ja) | 2023-12-08 |
JPWO2024004033A1 JPWO2024004033A1 (ja) | 2024-01-04 |
Family
ID=89030183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022540627A Active JP7394362B1 (ja) | 2022-06-28 | 2022-06-28 | サーバ、apiおよびコンピュータプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7394362B1 (ja) |
WO (1) | WO2024004033A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014169879A (ja) | 2013-03-01 | 2014-09-18 | Shimadzu Corp | 糖鎖構造解析方法及び装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5443156B2 (ja) * | 2009-12-28 | 2014-03-19 | 公益財団法人野口研究所 | 前立腺癌を判定する方法 |
EP3819639B1 (en) * | 2018-07-11 | 2023-11-08 | Japanese Foundation For Cancer Research | Sugar chain specific to prostate cancer, and test method using same |
-
2022
- 2022-06-28 JP JP2022540627A patent/JP7394362B1/ja active Active
- 2022-06-28 WO PCT/JP2022/025763 patent/WO2024004033A1/ja unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014169879A (ja) | 2013-03-01 | 2014-09-18 | Shimadzu Corp | 糖鎖構造解析方法及び装置 |
Non-Patent Citations (1)
Title |
---|
雲崎 翔太郎,機械学習を用いたマススペクトルデータからの糖鎖構造推定法の開発,電子情報通信学会技術研究報告 Vol.113 No.111,日本,一般社団法人電子情報通信学会,2013年06月20日,157-158頁 |
Also Published As
Publication number | Publication date |
---|---|
WO2024004033A1 (ja) | 2024-01-04 |
JPWO2024004033A1 (ja) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080141080A1 (en) | Storage medium for estimating and improving test case generation | |
US6957159B2 (en) | System for analyzing compound structure | |
US20170090891A1 (en) | Method and device for assisting with code optimisation and parallelisation | |
Kuschner et al. | A Bayesian network approach to feature selection in mass spectrometry data | |
Lundgren et al. | Protein identification using Sorcerer 2 and SEQUEST | |
US9947519B2 (en) | Computational method and system for deducing sugar chains using tandem MSn spectrometry data | |
JP7394362B1 (ja) | サーバ、apiおよびコンピュータプログラム | |
JP7360644B1 (ja) | 機械学習装置、機械学習方法、糖鎖構造絞込装置およびコンピュータプログラム | |
JP5664667B2 (ja) | 質量分析データ解析方法、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 | |
US20210279607A1 (en) | Explaining accuracy drift in production data | |
JP7386234B2 (ja) | 複合試料内の関連化合物の同定およびスコア化 | |
JP6027436B2 (ja) | 質量分析データ解析方法 | |
US10170290B2 (en) | Systems and methods for grouping MS/MS transitions | |
Yuan et al. | Features‐based deisotoping method for tandem mass spectra | |
EP3341737B1 (en) | Rapid scoring of lc-ms/ms peptide data | |
EP3002696B1 (en) | Methods for generating, searching and statistically validating a peptide fragment ion library | |
US20200386726A1 (en) | Composition Estimating Apparatus and Method | |
Benmeziane et al. | Accelerating neural architecture search with rank-preserving surrogate models | |
US20210175060A1 (en) | Mass Spectrum Processing Apparatus and Method | |
EP4102509A1 (en) | Method and apparatus for identifying molecular species in a mass spectrum | |
CN113488107B (zh) | 筛选免疫组库测序生物标志物的方法、设备和存储介质 | |
Kösters et al. | SMITER—A Python Library for the Simulation of LC-MS/MS Experiments. Genes 2021, 12, 396 | |
Lihtamo | Computational methods for annotation of metabolites in untargeted LC-MS analysis | |
Boiko et al. | Using Artificial Neural Networks to Search for the Production of the Higgs Boson Together with a Single Top Quark | |
WO2023037295A2 (en) | Chemical peak finder model for unknown compound detection and identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220628 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231025 |
|
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: 20231107 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231116 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7394362 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |