JP7405852B2 - ニューラルネットワークによる液体処理操作の分類 - Google Patents

Description

本発明は、液体処理操作を分類するための方法、コンピュータプログラムおよびコンピュータ読取可能な媒体ならびにラボラトリーオートメーションシステムに関する。

例えば特定の疾患について患者の検査をする検査技師の業務を自動化するのに、ラボラトリーオートメーションシステムが用いられている。通常、患者の血液、尿、便などのサンプルが採取され、生化学的な手法によって分析される。このような手法は、物質の添加、培養、分離などの様々な操作と、特定の疾患を示す物質の量または存在を定量的または定性的に測定する測定過程とで構成される。

ラボラトリーオートメーションシステムの重要な部分のひとつが液体処理システムである。これは通常、１本以上のピペットを含む。これらのピペットは、三次元的に移動可能であり、キャビティから液体を自動的に吸引したり、他のキャビティに液体を自動的に分注したりすることができる。ピペットを用いて異なるキャビティ間で液体を自動的に移動させることは、ピペッティング操作（pipetting procedure）と呼ばれることがある。液体処理システムは、１つ以上の分注カニューレを含む場合もあり、この分注カニューレは、ラボラトリーシステムの作業面に置かれたディスペンサーモジュールの一部であってもよいし、三次元的に移動可能でリザーバからキャビティに液体を自動的に分注できるものであってもよい。「分注」という用語は、試薬や希釈剤などの液体を、分注チップに流体的に接続されたリザーバから分注すること、あるいは、キャビティから液体を吸引し、その液体をピペットチップから別のキャビティに分注することのいずれかとして理解される。

自動液体処理システムでは、プロセスの安全性がますます重要になっている。このため、新しいエアピペッターでは一般に、液体の移動時に空気圧を測定する。このような信号の分類は、通常は容易ではない。なぜなら、液体パラメータ、動的パラメータ、システムおよびピペットチップのパラメータ、環境パラメータなど、ピペッティング操作に影響する複数の影響パラメータが存在するためである。

圧力センサからの測定データを評価することができる方法はいくつかある。

例えば、多くの正しいピペッティング操作に基づいて、理想的な圧力曲線を決定することができる。実測圧力曲線と理想的な圧力曲線とを比較することで、ピペッティング操作を評価することができる。この圧力曲線は、正しいピペッティング操作の場合、理想的な圧力曲線から所定の割合しかずれることがない。しかしながら、容量、サンプル、チップタイプの組み合わせごとに、理想的な圧力曲線を確立しなければならない場合がある。

別の例として、ピペッティング、サンプルおよび環境パラメータに基づいて、理論的な圧力曲線を決定することができる。ピペッティング操作の後、理論的な圧力曲線を実測ピペッティング曲線にフィットさせることができる。その後、フィッティングパラメータを評価すればよい。その評価に基づいて、液体の移動（すなわちピペッティング操作）が正しいか誤りであるかを評価してもよい。ただし、この場合、液体処理システム全体の理論モデルを決定しなければならない場合がある。さらに、チップのタイプ、サンプルのタイプおよび液体処理システムの組み合わせごとにモデルを適合させ、検証しなければならない場合がある。

ＥＰ １ ７４５ ８５１ Ａ１には、液体の分類に適したピペッティングデバイスが記載されている。これは、シミュレーション曲線と実測曲線との比較に基づいている。

ＷＯ ２０１２ ０６８ ６１０ Ａ１では、訓練されたニューラルネットワークへの入力として実測圧力を使用することにより、液体の密度が推測されている。

ＵＳ ２００４／０３４ ４７９ Ａ１およびＥＰ １ ３９１ ７３４ Ａ２は、ニューラルネットワークを用いて圧力変動の波形を解析するサンプル分注装置および自動分析装置に関する。

Unver et al., "A fuzzy quality control-decision support system for improving operational reliability of liquid transfer operations in laboratory automation", Expert Systems with Applications, vo. 36, no. 4, 14 November 2018, pages 8064-8070では、液体移動操作における品質管理を行うためにファジィ論理が用いられている。

本発明の目的は、ラボラトリーオートメーションシステムの構成および／または制御を単純にすることである。

この目的は、独立請求項の主題によって達成される。さらに例示的な実施形態は、引用請求項および以下の説明から明らかになる。

本発明の第１の態様は、液体処理操作を分類するための方法に関する。本方法を、例えば、ラボラトリーオートメーションシステムの制御装置によって、自動的に実行することができる。液体処理操作は、ピペッティング操作、ピペッティング操作の一部および／または分注操作であってもよい。ラボラトリーオートメーション装置によって行われる、ピペットを用いて異なるキャビティ間で液体を自動的に移動させることは、ピペッティング操作と呼ばれることがある。ラボラトリーオートメーション装置によって行われる、ピペットおよび／または分注カニューレを用いて液体を自動的に分注することは、分注操作と呼ばれることがある。分注操作は、ピペッティング操作の一部であってもよい。

本発明の一実施形態によれば、本方法は、液体処理操作時の経時的な測定についての測定曲線が符号化された測定データを受信することを含む。測定データは、液体および／または気体の圧力測定および／または流量測定など、液体処理に関連するセンサデータを含んでいてもよい。

また、ピペットチップや容器の充填レベルに関する測定も可能である。例えば、ピペットチップ内の容量検知によって吸引量を測定することができる。また、吸引や分注の前後の液面レベルを検知することで、移動元または移動先のキャビティ内の容積変化を測定し、キャビティの既知の断面を用いて容積差を算出することができる。

測定データについては、ラボラトリーオートメーションシステムのセンサで取得することができる。例えば、ラボラトリーオートメーションシステムのピペットにへのラインの気体および／または液体の圧力および／または流量を測定すればよい。この測定を、液体処理操作を実施するために圧力が変更されるピペットおよび／または分注カニューレに接続された空間で実行することもできる。

ラインに加えられる圧力をポンプによって加えることができ、加えられた圧力で、ピペットチップによる液体の吸引および分注を制御することができる。加えられた圧力とピペット内を流れる液体によってライン内の圧力が変化し、ライン内の流れが変化する場合がある。

本発明の一実施形態によれば、本方法は、測定データを（人工）ニューラルネットワークに入力し、ニューラルネットワークを用いて、液体処理操作に対する少なくとも１つの品質値を算出することをさらに含む。

ニューラルネットワークは、ソフトウェアモジュールおよび／またはソフトウェアライブラリとして提供されてもよく、これは、既に検証された訓練データから作成されたパラメータ付け補完される。訓練データは、既に検証された複数の異なる液体処理操作の測定データおよび任意の液体処理データの組であってもよい。液体処理データには、ラボラトリーオートメーションシステムのコンフィギュレーションおよび／または設定が符号化されていてもよい。訓練データは、それぞれの液体処理操作に対する１つ以上の品質値を含んでいてもよい。

ニューラルネットワークは、ディープニューラルネットワークであってもよく、すなわち、畳み込み層や全結合層などの複数の層を含んでもよい。ニューラルネットワークは、一列に接続された少なくとも２つの畳み込み層および／または少なくとも２つの全結合層を含んでもよい。以下、本明細書で説明する異なるタイプの層を定義する。

層は、例えば前の層から入力値を受け取るための入力と、例えば次の層に出力値を送るための出力とを有する、一組のニューロンであってもよい。ニューロンは、重みと、重みに応じて入力値から出力値を算出する関数とを有していてもよい。層には、オブジェクト指向プログラミング言語のオブジェクトが与えられてもよい。ニューロンの数、重みおよび関数は、パラメータデータとして提供されてもよく、これらは、例えば、オブジェクトに符号化されていてもよい。パラメータデータは、ニューラルネットワークのパラメータ付けとみなすことができるのに対し、層とその相互接続は、ニューラルネットワークの構造とみなすことができる。

ラボラトリーオートメーションシステムにおける実際の測定からの測定データを、ニューラルネットワークに入力してもよい。これは、測定データを検証するために訓練されている。検証は、成功した液体処理操作と失敗した液体処理操作への分類など、分類であってもよい。また、検証は、物理量を示す１つ以上の値であってもよく、これは、吸引量および／または分注量など、それぞれの液体処理操作に存在する。さらに、可能性のある物理量は、ピペッティングおよび／または分注されたサンプル液体の物理的特性、例えば、比密度、粘度、表面張力および／またはサンプルによるピペットチップ（および／または分注カニューレ）表面の濡れ性などであってもよい。

一般に、ラボラトリーオートメーションシステムにおける液体の移動を検証するおよび／または分類するために、測定データを評価するのにニューラルネットワークベースの機械学習アルゴリズムを使用することができる。訓練されたニューラルネットワークを、エラー検出アシスタントとして使用することができる。

ニューラルネットワークを、ラボラトリーオートメーションシステムの動作中および／または動作後に調整することすらも可能である。誤った陽性率に対してエラー検出率を調整してもよく、訓練セットに検証した測定曲線および／または分類された測定曲線を追加してもよい。ラボラトリーオートメーションシステムを使用する顧客は、測定曲線を検証し、ニューラルネットワークの予測能力を向上させることができる。

本発明の一実施形態によれば、本方法は、品質値を用いてラボラトリーオートメーションシステムを制御することをさらに含む。本方法は、ラボラトリーオートメーションシステムの動作時、ラボラトリーオートメーションシステムの制御装置によって実施することができる。例えば、品質値は、液体処理操作が正しいか誤っているかを分類してもよいし、品質値は、吸引容積が小さすぎることを示してもよいといった具合である。液体処理操作が正しくなかったと想定される場合には、液体処理操作でラボラトリーオートメーションシステムによって処理されたアッセイおよび／またはサンプルを誤りとしてマークしてもよいおよび／または廃棄してもよい。

本発明の一実施形態によれば、本方法は、品質値が失敗した液体処理操作を示している場合に、液体処理操作を誤りであるとマークすることおよび／または品質値が失敗した液体処理操作を示している場合に液体処理操作の結果を廃棄することをさらに含む。

本発明の一実施形態によれば、本方法は、品質値が失敗した液体処理操作を示している場合に、液体処理操作によるアッセイおよび／またはサンプル処理を繰り返すことをさらに含む。

本発明の一実施形態によれば、測定データは、時系列で並べられた測定値のベクトルを含む。圧力、流量および／またはより一般的な液体処理センサデータを経時的に測定することができ、すなわち、測定曲線を決定することができる。測定データは、この曲線の時間的に離散した測定値を含むものであってもよい。測定値は、時系列のベクトルに連結されてもよい。このようなベクトルは、連続的な物理量の一次元のデジタル化されたイメージとみなすことができ、したがって、ニューラルネットワークに入力されるのに特に適している場合がある。

本発明の一実施形態によれば、本方法は、液体処理データをニューラルネットワークに入力することをさらに含み、液体処理データには、液体処理操作を実施するラボラトリーオートメーションシステムのコンフィギュレーションおよび／または設定が符号化されている。測定データの他に、液体処理データ、すなわち、実際に使用されるピペットチップなどのラボラトリーオートメーションシステムの特性が符号化されているデータも、ニューラルネットワークに入力することができる。言い換えれば、ニューラルネットワークは、ラボラトリーオートメーションシステムの異なるコンフィギュレーションおよび／または設定について訓練されていてもよい。このようにして、同じニューラルネットワークを、異なる応用場面で使用することができる。

液体処理データは、密度、粘度および／または液体の種類など、液体に関する情報を含んでいてもよい。液体処理データは、ピペットおよび／または廃棄可能なピペットチップに関する情報（大きさ、タイプ、最大容量など）を含んでいてもよい。液体処理データは、吸引および／または分注速度、吸引および／または分注する液体の量、吸引および／または分注の長さ、ポンプの制御パラメータなど、液体処理操作および／または制御パラメータに関する情報を含んでいてもよい。

本発明の一実施形態によれば、ニューラルネットワークに入力される前に、測定データと液体処理データが１つのベクトルに連結される。測定データおよび液体処理データは、１種類の入力情報として扱われてもよいおよび／またはニューラルネットワークの１つの入力層に入力されてもよい。

本発明の一実施形態によれば、測定データと液体処理データは、ニューラルネットワークの異なる入力層に入力される。また、２種類のデータが異なる入力層に入力されてもよく、その入力層がニューラルネットワークの異なる他の層に接続されていてもよい。このようにして、２つの異なるデータセットは、同じ層によって処理される前に、異なる構成の層によって異なるように処理されてもよい。

本発明の一実施形態によれば、ニューラルネットワークは、少なくとも１つの層で構成された測定データ分岐と、少なくとも１つの層で構成された液体処理データ分岐とを含む。測定データは、測定データ分岐の入力層に入力されてもよく、液体処理データは、液体処理データ分岐の入力層に入力されてもよい。

測定データ分岐は、少なくとも２つの畳み込み層を含んでもよい。しかしながら、測定データ分岐が１つの入力層だけであることが可能な場合もある。液体処理データ分岐は、１つの入力層だけであってもよいが、さらに１つ、２つまたはそれ以上の全結合層を含んでいてもよい。

本発明の一実施形態によれば、ニューラルネットワークは、全結合層の分岐を含む。例えば、測定データ分岐の出力および液体処理データ分岐の出力が、全結合層の分岐に入力される。全結合層の分岐は、少なくとも２つの全結合層を含んでいてもよい。全結合層の分岐は、その末端に確率層を含んでいてもよく、これは、異なる分類タイプに対する確率値を作成する。

一般に、ニューラルネットワーク、特に全結合層の分岐によって、複数の品質値を出力することができる。このような品質値は分類値を含んでいてもよく、これは、特定の分類タイプの確率を示す割合値であってもよい。このような品質値は、液体処理操作時に発生する場合がある特定の物理量を推定する推定値であってもよい。

本発明の一実施形態によれば、ニューラルネットワークは、液体処理操作を分類する分類値を出力する。例えば、分類値は、正しい操作、詰まり、空気の吸引、サンプルの不足、気泡、泡沫、チップの閉塞、漏れなどの少なくとも１つを示すことができる。液体処理操作時に発生する場合がある問題のすべてまたはいくつかのタイプが分類されてもよい。また、分類は、操作が正しく実施されたか否かを示すだけに限定されてもよい。

本発明の一実施形態によれば、ニューラルネットワークは、液体処理操作の物理量を推定する推定値を出力する。例えば、推定値は、分注量と吸引量のうちの少なくとも一方を推定する。ニューラルネットワークは、ラボラトリーオートメーションシステムのモデルとして訓練されてもよい。これは物理量を出力し、これは測定データから決定される。物理的な関係が符号化されている数学的関数に基づいてモデルを決定する必要はない。

本発明の一実施形態によれば、液体処理操作は、ピペットを下げて液体の入ったキャビティに入れることを含む。ピペットを下げて液体に入れる間、すなわちポンプが動作を開始する前に、圧力、流量および／または液体処理センサのデータを測定することができる。

本発明の一実施形態によれば、液体処理操作は、ピペット内の圧力を下げてピペット内に液体を吸引することおよび／またはピペット内の圧力を上げてピペット内に液体を分注することを含む。圧力は、ピペットに接続されたポンプによって下げるおよび／上げることができる。測定データは、ピペット内への液体の吸引時の測定値を含んでいてもよいおよび／または測定データは、ピペットからの液体の分注時の測定値を含んでいてもよい。ニューラルネットワークによって検証することは、吸引時のみ、分注時のみおよび／またはその両方で実施できることに注意されたい。

本発明の別の態様は、液体処理操作を分類するためのコンピュータプログラムであって、プロセッサによって実行されたときに、上記および以下に記載された方法の工程を実行するように適合されている、プログラムに関する。このコンピュータプログラムは、ラボラトリーオートメーションシステムのコントローラおよび／またはラボラトリーオートメーションシステムと通信可能に相互接続されたＰＣなどのコンピューティングデバイスで実行することができる。また、本方法を、組み込みマイクロコントローラによって実施することも可能である。

本発明の別の態様は、そのようなコンピュータプログラムが格納された、コンピュータ読取可能な媒体に関する。コンピュータ読取可能な媒体は、フロッピーディスク、ハードディスク、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）記憶装置、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）またはフラッシュメモリであってもよい。コンピュータ読取可能な媒体は、プログラムコードのダウンロードが可能なインターネットなどのデータ通信ネットワークであってもよい。一般に、コンピュータ読取可能な媒体は、非一時的な媒体であっても一時的な媒体であってもよい。

本発明のさらに別の態様は、ラボラトリーオートメーションシステムに関する。

本発明の一実施形態によれば、ラボラトリーオートメーションシステムは、ピペットおよび／または分注カニューレを運ぶための液体処理アームと、ピペット内の液体を吸引および分注するために、ピペットに接続された空間内の圧力を変化させるためのポンプと、ピペットに接続された空間内の測定を行うためのセンサ装置と、ポンプを制御し、センサ装置から測定データを受信するための制御装置とを備える。

測定値は、圧力、流量、容積変化の測定値など、液体処理操作に関連するどのような測定値であってもよい。測定データは、液体処理センサデータであってもよいし、液体処理センサデータを含むものであってもよい。

さらに、制御装置は、上記および以下に述べるような方法を実行するように適合化されていてもよい。制御装置は、上記および以下に述べる記載のニューラルネットワークを格納してもよい。

上記および以下に述べるような方法の特徴は、上記および以下に述べるような制御装置、コンピュータプログラムおよびコンピュータ読取可能な媒体の特徴であってもよいし、逆もまたしかりであることを、理解すべきである。

本発明のこれらの態様および他の態様は、以下に述べる実施形態から、これらの実施形態を参照して明らかになるであろう。

以下、添付の図面を参照して、本発明の実施形態をさらに詳細に説明する。

図１は、本発明の一実施形態によるラボラトリーオートメーションシステムを概略的に示す。 図２は、本発明の一実施形態による液体処理操作を分類するための方法の流れ図を示す。 図３は、ピペッティング操作時の測定曲線を示す。 図４は、ピペッティング操作時に詰まりがある場合の複数の測定曲線を示す。 図５は、ピペッティング操作時に気泡が存在する場合の複数の測定曲線を示す。 図６は、本発明の一実施形態で用いられるニューラルネットワークの入力ベクトルを概略的に示す。 図７は、本発明の一実施形態で用いられるニューラルネットワークのレイアウトを概略的に示す。 図８は、本発明の一実施形態で用いられるニューラルネットワークのさらに別のレイアウトを概略的に示す。 図９は、本発明の一実施形態で用いられるニューラルネットワークのさらに別のレイアウトを概略的に示す。

図面で用いる参照符号およびその意味を、まとめて符号の説明に列挙する。基本的に、複数の図において、同じ部分には同一の参照符号を付す。

ラボラトリーオートメーションシステム１０を、図１に概略的に示す。このシステムは、ピペット１４が取り付けられた、自動移動可能なピペットアーム１２を備える。ピペット１４は、廃棄可能なピペットチップ１５を含んでいてもよく、このピペットチップ１５も、ピペットアーム１２によって把持および廃棄することができる。図１に示すように、ピペットチップ１５は、容器１６の中まで下降させられる。容器１６は、マルチウェルプレートのウェル、サンプルの入った試験管、試薬の入った容器などであってもよい。

ピペットアーム１２は、ピペット１４およびピペットチップ１５を三次元的に移動させることができ、ピペットチップ１５を下降させて容器１６の中に入れることができ、容器の中からピペットチップを引きあげることができる。容器１６と、場合によってはピペットチップ１５には、サンプルや試薬などの液体１８が入っていてもよい。ピペット１４およびそのチップ１５は、異なる容器１６の間で一定量の液体を移動するおよび／または運ぶために使用される。

ラボラトリーオートメーションシステム１０には、分注カニューレが含まれていてもよい。これらのカニューレは、ピペットアーム１２に接続されていてもよく、この場合、液体処理アームとみなすこともできる。分注カニューレは、リザーバに接続されてもよく、液体を容器１６に分注するために使用されてもよい。

さらに、ラボラトリーオートメーションシステム１０は、ホース２２を介してピペット１４と接続されるポンプ２０を備える。ポンプ２０を用いて、ホース２２およびピペット１４に圧力を加えることができ、これにより、ピペット１４が液体１８を吸引または分注する。

ホース２２および／またはピペット１４に取り付けられていてもよいセンサ装置２４が、ホース２２および／またはピペット１４内の圧力および／または流量を測定するようになっている。センサ装置２４によって取得された測定データを使用して、本明細書で説明するようなピペット操作を検証してもよい。

ラボラトリーオートメーションシステム１０の制御装置２６は、ラボラトリーオートメーションシステム１０の一部であってもよいし、それに接続されていてもよいし、ピペットアーム１２、ポンプ２０を制御してもよいし、センサ装置２４から測定データを受信してもよい。

制御装置２６によって実行することができる、液体処理操作を分類するための方法の流れ図を、図２に示す。

工程Ｓ１０では、測定データ５６が生成される。一般に、ラボラトリーオートメーションシステム１０のセンサ装置２４は、圧力および／または流量を経時的に測定することができ、これから測定曲線を形成することができる。測定時、測定値を経時的に取得し、制御装置２６に送信してもよい。

ピペッティング操作時の測定曲線２８、特に圧力曲線２８を、図３に示す。圧力曲線および圧力測定に関して以下で述べることはすべて、流量曲線および流量測定にも適用されることに注意されたい。また、以下で述べることはすべて、該当する場合には、分注カニューレを用いて実行される分注操作にも関連する可能性がある。

工程Ｓ１０における測定データ５６の作成は、ラボラトリーオートメーションシステム１０の制御と並行して実施することができ、この制御も制御装置２６によって実施することができる。

通常、ピペット１４内の圧力を下げて液体１８をピペット１４内に吸引することによって、２つのキャビティ１６の間で液体１８を移動させる。これは、ポンプ２０を適切に制御することによって行うことができる。その後、ピペット１４内の圧力を増すことで、ピペット１４内の液体１８を分注するが、これもポンプ２０を適切に制御することによって行うことができる。なお、吸引と分注の前、間、後に、ピペットアーム１２によって、ピペット１４を第１のキャビティ１６と第２のキャビティ１６に移動させてもよい。

図３の圧力曲線２８は、ピペットチップ１５を把持してから最終的にピペットチップ１４を下げるまでの実測圧力を示す。ここで、時間は左から右に流れている。特に、吸引曲線３０と分注曲線３２とを拡大して示してある。

最初に、ピペットチップ１５が把持され（３４）、第１キャビティ１６へのピペットアーム１２の移動（３６）が行われる。（３８）では、吸引が開始される。圧力が低下することで、ピペットチップ１５内に液体１８を吸引するための過小圧が発生することが分かる。（４０）では、吸引が終了し、圧力が平均値に戻る。その後、第２キャビティ１６へのピペットアーム１２のさらなる移動（４２）が行われる。（４４）では、液体１８の分注が開始され、（４６）では、分注が終了する。図から明らかなように、ここでは、ピペットチップ１５内の過圧によって液体１８が分注されるように、圧力が高められている。最後に、ピペットアーム１２の廃棄容器への移動（４８）が行われ、そこでピペットチップ１５が落とされる（５０）。

吸引（３０）と分注（３２）が正しく行われている場合、圧力曲線は図３のようになる。しかしながら、吸引および／または分注（３２）の際にエラーが発生すると、異なる形状の圧力曲線になる。

例として、ピペッティング操作が正しく実施されなかった場合の吸引曲線３０を図４および図５に示す。特に、図４には、ピペッティング操作実施時に詰まりがある場合の複数の吸引曲線３０を示されている。これらの曲線はいずれも、図３に示すような最適な曲線から、何らかの形で同じように逸脱していることがわかる。図５には、ピペッティング操作実施時に気泡が存在する場合の複数の吸引曲線３０を示されている。ここでも、これらの曲線は、図３に示すような最適な曲線から同じように逸脱していることがわかる。

図２に戻ると、工程Ｓ１２では、ピペッティング操作実施時の経時的な測定についての測定曲線２８、３０および／または３２が符号化された測定データ５６が、制御装置２６によって受信される。

制御装置２６は、測定値からベクトル形式でデータ構造を作成することができる。ここでは、測定値が時系列に並べられている。さらに、ラボラトリーオートメーションシステム１０のコンフィギュレーションパラメータおよび／またはパラメータ設定などの別のデータで、データベクトルが補完されていてもよい。

制御装置２６によって作成できるデータベクトル５２を、図６に概略的に示す。データベクトル５２は、液体処理データ５４と測定データ５６とで構成される。

液体処理データ５４は、コンフィギュレーションパラメータおよび／または設定５５で構成されてもよく、これらは、例えば、実際に実行された液体処理操作のタイプ、使用されたピペットチップ１５のタイプ、液体１８のタイプなどに依存する場合がある。制御装置２６は、そのようなデータを組み立て、それをデータベクトル５２に入れることができる。

液体処理データ５４内のエントリおよび／または値５５は、異なる大きさおよび／または異なるフォーマットであってもよいことに注意されたい。

測定データ５６は、測定値５３で構成されていてもよい。測定データ５６には、例えば、特定の長さのデータベクトル５２に収まるように、制御装置２６によって前処理を施すことができる場合がある。

測定データ５６は、時系列に並べられた測定値５３のベクトル５２として配置されていてもよい。すなわち、測定値５３の指数が高いほど、その測定値が取得された時間が高いことになる。

図２に戻り、工程Ｓ１４では、測定データ５６および任意に液体処理データ５４がニューラルネットワークに入力され、ニューラルネットワークを用いて液体処理操作に対する少なくとも１つの品質値７４、８６が算出される。ニューラルネットワークの例を、図７～図９に関連して説明する。

例えば、本発明の一実施形態で用いられるニューラルネットワーク５７のレイアウト及び／又は構造を図７に概略的に示す。図７では、レイアウトは連結された層５８～７２の並びであり、各々が一組のニューロンで構成されている。

ニューラルネットワーク５７は、そのレイアウト以外にも、ニューロン数および／または各ニューロンの入力数および／または出力数など、その層に対し、構成／パラメータ付けも含むことに注意されたい。さらに、各層は、その入力に対する重みとその出力に対する関数も含み、重みに基づいてそれぞれの出力値を計算する。

重みは、ニューラルネットワーク５７の訓練中に決定することができ、ニューラルネットワーク５７には、図３から図５に示すような曲線２８、３０、３２などのすでに検証された多数の訓練データセットが、任意に対応する液体処理データと一緒に提供される。これは、例えば、バックプロパゲーションによって実現することができる。

図７の例では、測定データ５６および液体処理データ５４は、ニューラルネットワーク５７に入力される前に、例えば図６に示すように１つのベクトル５２として連結されてもよい。しかしながら、測定データ５６のベクトルだけをニューラルネットワーク５７に入力することも可能である。ニューラルネットワークが、１つの構成および／またはタイプの液体処理操作についてのみ訓練されている場合に、そのようになり得る。

図７のニューラルネットワーク５７は、入力層５８、リシェイプ層６０、畳み込み層６２およびプーリング層６４の複数のペア、ドロップアウト層６６、平坦化層６８、多数の全結合層７０、確率層７２を（この順に）含む。全結合層７０同士の間に、さらにドロップアウト層６６が配置されていてもよい。

入力層５８は、入力データ（測定データ５６および／または液体処理データ５４など）のベクトルを受け取り、および／または第１工程で入力データを前処理する。

リシェイプ層６０は、入力データに対する出力データの次元を変更する。正しいフォーマットが直接提供される場合には、リシェイプ層６０は必要ない場合もある。

畳み込み層６２は、入力データの局所的な受容野に１つ以上のフィルタ（カーネルとも呼ばれる）を適用して特徴マップを作成する。本例では、リシェイプ層および／または局所受容野の出力は一次元であってもよい。

プーリング層６４は、例えば領域の最大値を取るなどして、前の層の情報を凝縮した層である。

ドロップアウト層６６は、学習を一般化するために、訓練中のフィードバック情報の一部を除去するものである。予測の一般性を高めるために、ドロップアウト層の１つ、いくつか、またはすべてを任意とすることができる。

平坦化層６８は、多次元データを一次元データに変換するものである。

全結合層７０は、前の層と完全に１対１の接続を持つ層である。

確率層は、正規化されていない入力から分類器の確率値を決定する層である。確率層は、ソフトマックス活性化関数で出力を正規化し、合計が１になるようにした全結合層であってもよい。

最終的に、ニューラルネットワーク５７は、液体処理操作を分類する確率値である、１つ以上の分類値７４を出力する。例えば、分類値７４は、正しい操作、詰まり、吸引、短いサンプル、気泡、泡、チップの閉塞、漏れを示すものである。

本発明の一実施形態で使用することができる、ニューラルネットワーク５７の別のレイアウトを概略的に図８に示す。図８において、測定データ５６および液体処理データ５４は、ニューラルネットワーク５７の異なる入力層５８、８２に入力される。さらに、ニューラルネットワーク５７は、測定データ分岐７６と、液体処理データ分岐７８とを含む。

測定データ５６は、測定データ分岐７６の入力層５８に入力され、液体処理データ５４は、液体処理データ分岐７８の入力層８２に入力される。

測定データ分岐７６は、畳み込み層６２とプーリング層６４とのペアを少なくとも２つ含んでもよい。さらに、測定データ分岐７６は、入力層５８の後にリシェイプ層６０を含み、最後に平坦化層６８を含むものであってもよい。

液体処理データ分岐７８は、液体処理データ５４が入力される入力層８２のみで構成されている。

測定データ分岐７６および液体処理データ分岐７８の出力は、２つのベクトルなどの出力を特定の次元に沿って一緒に連結する連結層８４に入力される。

連結層８４の出力は、ニューラルネットワーク５７の全結合層の分岐８０に入力される。全結合層の分岐８０は、少なくとも２つの全結合層７０を含んでもよい。全結合層７０同士の間に、ドロップアウト層６６が配置されてもよい。全結合層の分岐８０の出力は、図７に示すものなどの確率層７２に入力される。

図７のニューラルネットワーク５７も、測定データ分岐７６またはより一般的な畳み込み分岐と全結合層の分岐を有しており、これらが一列に接続されていると仮定してもよい。

本発明の一実施形態で使用することができる、ニューラルネットワーク５７のさらに別のレイアウトを概略的に図９に示す。

図８のニューラルネットワークと同様に、図９のニューラルネットワーク５７は、測定データ分岐７６の出力と液体処理データ分岐７８の出力が入力される全結合層の分岐８０を含む。しかしながら、測定データ分岐７６および液体処理データ分岐７８は、１つの入力層５８、８２だけで構成されている。

図７および図８のニューラルネットワーク５７とは逆に、図９のニューラルネットワーク５７は、液体処理操作の物理量を推定する１つ以上の推定値８６を出力するように訓練された。例えば、推定値８６は、分注された量であってもよいし、吸引された量であってもよい。この場合、学習データには、対応する推定値を提供する必要がある。

図７および図８のニューラルネットワーク５７が、図９のニューラルネットワーク５７のように推定値８６を出力することや、図９のニューラルネットワーク５７が、図７および図８のニューラルネットワーク５７のように確率値７４を出力することが可能な場合もある。

図２に戻って、工程Ｓ１６では、ラボラトリーオートメーションシステム１０で処理されたアッセイおよび／またはサンプルが、ニューラルネットワーク５７によって決定された１つ以上の品質値７４、８６でマーキングされてもよい。

また、これは、品質値７４、８６によって示されるように誤って実行された液体処理操作で処理されたアッセイおよび／またはサンプルを廃棄することおよび／またはこのアッセイおよび／またはサンプルを２回目に処理することであってもよい。

以上、図面および上記の説明において、本発明について図示し、詳細に説明してきたが、このような図示および説明は、例示または実例であって限定的なものとみなされるものではなく、本発明は、開示された実施形態に限定されるものではない。当業者であれば、図面、開示内容および添付の特許請求の範囲の検討から、特許請求の範囲に記載の発明を実施することによって、開示された実施形態に対する他の変形例を理解し、実施することが可能である。特許請求の範囲において、「含む（comprising）」という語は、他の要素または工程を排除するものではなく、不定冠詞「a」または「an」は複数を排除するものではない。単一のプロセッサまたはコントローラまたは他のユニットは、特許請求の範囲に記載された複数のアイテムの機能を満たし得る。相互に異なる引用請求項に何らかの手段が記載されているという単なる事実は、これらの手段の組み合わせを用いて利益を得ることができない旨を示すものではない。特許請求の範囲における参照符号はいずれも、その範囲を限定するものと解釈されるべきではない。

１０ ラボラトリーオートメーションシステム
１２ ピペットアーム
１４ ピペット
１５ ピペットチップ
１６ 容器
１８ 液体
２０ ポンプ
２２ ホース
２４ センサ装置
２６ 制御装置
２８ 圧力曲線
３０ 吸引曲線
３２ 分注曲線
３４ ピペットチップ把持
３６ ピペットアームの移動
３８ 吸引開始
４０ 吸引終了
４２ ピペットアームの移動
４４ 分注開始
４６ 分注終了
４８ ピペットアームの移動
５０ ピペットチップの降下
５２ データベクトル
５３ 測定値
５４ 液体処理データ
５５ コンフィギュレーションパラメータ
５６ 測定データ
５７ ニューラルネットワーク
５８ 入力層
６０ リシェイプ層
６２ 畳み込み層
６４ プーリング層
６６ ドロップアウト層
６８ 平坦化層
７０ 全結合層
７２ 確率決定層
７４ 品質値、分類値
７６ 測定データ分岐
７８ 液体処理データ分岐
８０ 全結合層の分岐
８２ 第２の入力層
８４ 連結層
８６ 品質値、推定値

Claims (13)

1. 複数の液体処理操作を分類するための方法であって、
   液体処理操作時の経時的な測定の測定曲線（２８、３０、３２）が符号化された測定データ（５６）を受信し、
   前記測定データ（５６）をニューラルネットワーク（５７）に入力し、
   液体処理データ（５４）を前記ニューラルネットワーク（５７）に入力し、
   前記ニューラルネットワーク（５７）を用いて、前記液体処理操作に対する少なくとも１つの品質値（７４、８６）を算出することを含み、
   前記液体処理データ（５４）には、前記液体処理操作を実施するラボラトリーオートメーションシステム（１０）のコンフィギュレーションおよび／または設定が符号化され、
   前記ニューラルネットワーク（５７）は、少なくとも１つの層で構成された少なくとも１つの測定データ分岐（７６）と、少なくとも１つの層で構成された液体処理データ分岐（７８）とを含み、
   前記測定データ（５６）は、前記測定データ分岐（７６）の入力層（５８）に入力され、前記液体処理データ（５４）は、前記液体処理データ分岐（７８）の入力層（８２）に入力される、方法。
2. 前記測定データ（５６）は、時系列に並べられた測定値（５７）のベクトル（５２）を含む、請求項１に記載の方法。
3. 前記測定データ分岐（７６）は、少なくとも２つの畳み込み層（６２）を含む、請求項１または２に記載の方法。
4. 前記ニューラルネットワーク（５７）は、前記測定データ分岐（７６）の出力および前記液体処理データ分岐（７８）の出力が入力される全結合層の分岐（８０）を含む、請求項１～３のいずれか１項に記載の方法。
5. 前記全結合層の分岐（８０）は、少なくとも２つの全結合層（７０）を含む、請求項４に記載の方法。
6. 前記ニューラルネットワーク（５７）が、前記液体処理操作を分類する分類値（７４）を出力する、請求項１～５のいずれか１項に記載の方法。
7. 前記分類値（７４）が、正しい操作、詰まり、空気の吸引、サンプルの不足、気泡、泡沫、チップの閉塞、漏れのうちの少なくとも１つを示す、請求項６に記載の方法。
8. 前記ニューラルネットワーク（５７）は、前記液体処理操作の物理量を推定する推定値（８６）を出力する、請求項１～７のいずれか１項に記載の方法。
9. 前記推定値（８６）は、分注量、吸引量のうちの少なくとも１つを推定する、請求項８に記載の方法。
10. 前記液体処理操作が、
    ピペット（１４）内の圧力を下げることによって、液体（１８）を前記ピペット（１４）内に吸引すること（３０）と、
    前記ピペット（１４）および／または分注カニューレ内の圧力を上げることにより、前記ピペット（１４）および／または前記分注カニューレ内の液体（１８）を分注すること（３２）のうちの少なくとも１つを含む、請求項１～９のいずれか１項に記載の方法。
11. 液体処理操作を分類するためのコンピュータプログラムであって、プロセッサによって実行されたときに、請求項１～１０のいずれか１項に記載の方法の工程を実施するように適合されている、プログラム。
12. 請求項１１に記載のコンピュータプログラムが格納されている、コンピュータ読取可能な媒体。
13. ピペット（１４）および／または分注カニューレを運ぶための液体処理アーム（１２）と、
    前記ピペット（１４）内の液体（１８）を吸引および分注するために、前記ピペット（１４）に接続された空間（２２）内の圧力を変化させるポンプ（２０）と、
    前記ピペット（１４）に接続された前記空間（２２）内の測定を行うためのセンサ装置（２４）と、
    前記ポンプ（２０）を制御し、前記センサ装置（２４）から測定データ（５６）を受信するための制御装置（２６）と、を備え、
    前記制御装置（２６）が、請求項１～１１のいずれか１項に記載の方法を実施するように適合されている、ラボラトリーオートメーションシステム（１０）。
    。

Images