JPWO2019117177A1 - 判別方法、学習方法、判別装置及びコンピュータプログラム - Google Patents

判別方法、学習方法、判別装置及びコンピュータプログラム Download PDF

Info

Publication number
JPWO2019117177A1
JPWO2019117177A1 JP2019559678A JP2019559678A JPWO2019117177A1 JP WO2019117177 A1 JPWO2019117177 A1 JP WO2019117177A1 JP 2019559678 A JP2019559678 A JP 2019559678A JP 2019559678 A JP2019559678 A JP 2019559678A JP WO2019117177 A1 JPWO2019117177 A1 JP WO2019117177A1
Authority
JP
Japan
Prior art keywords
cells
principal component
raman
type
learning
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.)
Granted
Application number
JP2019559678A
Other languages
English (en)
Other versions
JP7232771B2 (ja
Inventor
義人 奥野
義人 奥野
大祐 入倉
大祐 入倉
佐希子 赤路
佐希子 赤路
司郎 三宅
司郎 三宅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Horiba Ltd
Original Assignee
Horiba Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Horiba Ltd filed Critical Horiba Ltd
Publication of JPWO2019117177A1 publication Critical patent/JPWO2019117177A1/ja
Application granted granted Critical
Publication of JP7232771B2 publication Critical patent/JP7232771B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/65—Raman scattering
    • 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
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/48707—Physical analysis of biological material of liquid biological material by electrical means
    • G01N33/48728—Investigating individual cells, e.g. by patch clamp, voltage clamp
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
    • G01J3/4412—Scattering spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1434—Optical arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Dispersion Chemistry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Hematology (AREA)
  • Biophysics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

細胞から得られるラマンスペクトルに基づいて、従来よりも正確に細胞の種類を判別することを可能にする判別方法、学習方法、判別装置及びコンピュータプログラムを提供する。試料に含まれる細胞の種類を判別する方法において、一つの未判別の細胞から一つのラマンスペクトルを取得し、種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、前記未判別の細胞のラマンスペクトルが一致する度合を示す複数の一致度を計算し、前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別する。

Description

本発明は、ラマンスペクトルに基づいて細胞の種類を判別するための判別方法、学習方法、判別装置及びコンピュータプログラムに関する。
再生医療の分野では、培養した細胞が所望の種類の細胞に分化しているのかを調べる必要がある。医療診断の分野では、患者から採取された細胞が正常な種類の細胞であるか否かを調べることがある。このように、生物由来の細胞の種類を判別する方法が必要となっている。細胞を染色する方法、又は細胞を破壊する方法を用いた場合は、判別した細胞の時系列的な変化を観察すること、又は判別した細胞の培養等を行うことができないので、細胞の種類を判別する方法は、非破壊的及び非侵襲的な方法であることが望ましい。このような方法として、ラマン分光を利用した方法がある。特許文献１には、細胞の複数の箇所から測定したラマンスペクトル又は所定波長域のラマンスペクトルに対して主成分分析を行い、得られた主成分スコアから細胞の判定を行うことが記載されている。
特開２０１０−１８１３９１号公報
細胞からのラマン散乱光を測定する場合、細胞膜、核、ゴルジ体等、細胞内の各部分から、夫々にラマン散乱光が発生する。このため、細胞より得られるラマンスペクトルは、多数の信号が重なって複雑な形状になる。このため、細胞より得られるラマンスペクトルから、その細胞を特徴付けるラマンバンドを見つけ出して評価することは、困難である。特許文献１に記載の技術では、細胞内のラマンスペクトルの分布を得る必要があり、測定に必要な時間が長いという問題がある。また、同種の細胞であっても細胞内の種々の構造体の分布は多様であり、構造体の分布に応じたラマンスペクトルの分布を得ることの重要性は明確ではない。換言すれば、ラマンスペクトルを利用して正確に細胞の種類を判別する手法は未だ確立していない。
本発明は、斯かる事情に鑑みてなされたものであって、その目的とするところは、細胞から得られるラマンスペクトルに基づいて、従来よりも正確に細胞の種類を判別することを可能にする判別方法、学習方法、判別装置及びコンピュータプログラムを提供することにある。
本発明に係る判別方法は、試料に含まれる細胞の種類を判別する方法において、一つの未判別の細胞から一つのラマンスペクトルを取得し、種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、前記未判別の細胞のラマンスペクトルが一致する度合を示す複数の一致度を計算し、前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別することを特徴とする。
本発明に係る判別方法は、前記学習モデルは、サポートベクターマシンであることを特徴とする。
本発明に係る判別方法は、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアと前記複数の細胞の夫々の種類とを教師データとして、前記学習モデルの機械学習を行うことを特徴とする。
本発明に係る判別方法は、一つの細胞の全体に励起光を照射し、前記一つの細胞の全体からのラマン散乱光を測定することにより、ラマンスペクトルを取得することを特徴とする。
本発明に係る学習方法は、試料に含まれる細胞の種類をラマンスペクトルに基づいて判別するための学習を行う方法であって、種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルを主成分分析することにより得られた、複数の主成分のスペクトル、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得し、複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて複数組の前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行い、前記複数の主成分のスペクトル、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶することを特徴とする。
本発明に係る学習方法は、夫々に前記複数の主成分スコアを成分とする複数の座標点が含まれる座標空間を、前記学習モデルによって複数の領域に分割することにより、複数組の前記複数の主成分スコアを分類することを特徴とする。
本発明に係る判別装置は、試料に含まれる細胞の種類を判別する装置において、種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、未判別の細胞から取得したラマンスペクトルが一致する度合を示す複数の一致度を計算する計算部と、前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別する判別部とを備えることを特徴とする。
本発明に係る判別装置は、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアと前記複数の細胞の夫々の種類とを教師データとして、前記学習モデルの機械学習を行う学習部を更に備えることを特徴とする。
本発明に係る判別装置は、前記教師データを外部から取得する第１取得部を更に備えることを特徴とする。
本発明に係る判別装置は、前記複数の主成分のスペクトル、及び前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを前記学習モデルによって種類別に分類した結果を、外部から取得する第２取得部を更に備えることを特徴とする。
本発明に係るコンピュータプログラムは、コンピュータに、試料に含まれる細胞の種類を判別する処理を実行させるコンピュータプログラムにおいて、コンピュータに、種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、未判別の細胞から取得したラマンスペクトルが寄与する度合を示す複数の一致度を計算するステップと、前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別するステップとを含む処理を実行させることを特徴とする。
本発明に係るコンピュータプログラムは、コンピュータに、試料に含まれる細胞の種類を判別するための学習を行わせるコンピュータプログラムであって、コンピュータに、種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルを主成分分析することにより得られた、複数の主成分のスペクトル、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得するステップと、複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行うステップと、前記複数の主成分のスペクトル、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶するステップとを含む処理を実行させることを特徴とする。
本発明においては、一つの細胞から一つのラマンスペクトルを取得し、取得したラマンスペクトルに基づいて細胞の種類を判別する。また、種類の判明している複数の細胞から得られた複数のラマンスペクトルの主成分分析の結果に基づいて、主成分のスペクトルに対して未判別の細胞のラマンスペクトルが一致する度合を示す複数の一致度を計算する。種類の判明している複数の細胞に対応する複数の主成分スコアを教師あり学習を用いる学習モデルによって分類した結果に基づいて、未判別の細胞に対応する複数の一致度を分類することにより、細胞の種類を判別する。各細胞から一つずつ取得したラマンスペクトルを用いることにより、細胞全体の特徴に応じた判別の処理が行われる。なお、ラマンスペクトルの全部を用いて判別を行ってもよく、又は、ラマンスペクトルの一部分を用い、他の部分を用いずに判別を行ってもよい。また、ラマンスペクトルの全部を用いて学習を行ってもよく、又は、ラマンスペクトルの一部分を用い、他の部分を用いずに学習を行ってもよい。
また、本発明においては、教師あり学習を用いる学習モデルとして、サポートベクターマシンを用いることにより、複数の細胞の夫々に対応する複数の主成分スコアを容易に分類し、未判別の細胞に対応する複数の一致度を容易に分類する。
また、本発明においては、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアと夫々の細胞の種類とを教師データとして、サポートベクターマシン等の学習モデルの機械学習を行う。機械学習の結果、より正確な細胞の種類の判別が可能となる。
また、本発明においては、細胞の種類の判別を行う判別装置は、外部から教師データを取得する。判別装置の使用者以外によって行われたラマンスペクトルの測定結果に基づいて、学習モデルを学習させることができる。
また、本発明においては、判別装置は、種類の判明している複数の細胞から得られた複数のラマンスペクトルを主成分分析により得られた複数の主成分のスペクトルと、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを学習モデルによって種類別に分類した結果とを、外部から取得する。判別装置の使用者以外によって行われた学習の結果を用いて、細胞の種類の判別を行うことができる。
また、本発明においては、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを分類する際に、複数の主成分スコアを成分とした座標点が含まれる座標空間を、サポートベクターマシン等の学習モデルによって複数の領域に分割する。例えば、座標点は第１主成分スコア及び第２主成分スコアを成分とした二次元の座標点である。座標空間の分割に応じて、細胞の種類別に複数の主成分スコアが分類される。
また、本発明においては、一つの細胞から一つのラマンスペクトルを取得する際に、一つの細胞の全体に励起光を照射し、一つの細胞の全体からのラマン散乱光を測定する。ラマンスペクトルの測定を短時間で行うことが可能となり、また、細胞全体の特徴を反映したラマンスペクトルの測定が可能となる。
本発明にあっては、細胞内の細かい構造に影響されることなく細胞全体の特徴に応じた判別の処理が行われ、また、ラマンスペクトルに含まれる一部のラマンバンドを用いるのではなく、ラマンスペクトルの全体的な特徴を比較して細胞の種類の判別を行う。従って、従来よりも正確に細胞の種類を判別することが可能となる等、本発明は優れた効果を奏する。
ラマン散乱光測定装置の構成を示すブロック図である。 判別装置の内部構成を示すブロック図である。 判別装置が学習を行う処理の手順を示すフローチャートである。 ラマンスペクトルの例を示すグラフである。 ラマンスペクトルデータの例を示す図表である。 複数のＲＢＬ及び複数のＣＨＯから得られた複数のラマンスペクトルを主成分分析することにより得られた主成分のスペクトルの例を示すグラフである。 複数のＲＢＬ及び複数のＣＨＯから得られた複数のラマンスペクトルを主成分分析することにより得られた主成分のスペクトルの例を示すグラフである。 主成分スコアの計算結果の例を示す図表である。 実施形態１に係るサポートベクターマシンにより座標空間を分割した例を示す特性図である。 記憶装置の内部構成例を示すブロック図である。 外部から教師データを取得して判別装置が学習を行う処理の手順を示すフローチャートである。 外部から学習データを取得することによって判別装置が学習を行う処理の手順を示すフローチャートである。 判別装置が細胞の種類の判別を行う処理の手順を示すフローチャートである。 ラマンスペクトル中の指紋領域の例を示すグラフである。 指紋領域に係る主成分のスペクトルの例を示すグラフである。 指紋領域に係る主成分のスペクトルの例を示すグラフである。 実施形態２に係るサポートベクターマシンにより座標空間を分割した例を示す特性図である。
以下本発明をその実施の形態を示す図面に基づき具体的に説明する。
本実施形態に係る細胞の種類の判別方法では、ラマン散乱光測定装置により、複数の細胞が含まれる試料から各細胞のラマンスペクトルを測定し、判別装置により、測定されたラマンスペクトルに基づいて細胞の種類の判別を行う。試料には、複数種類の細胞が含まれている。例えば、試料は、培養された細胞を含む試料、又は人等の生物から採取された細胞を含む試料である。ここで、細胞の種類の違いとは、活性化した細胞と活性化していない細胞との違い、生細胞と死細胞との違い、正常な細胞と異常になった細胞との違い等の違いを含む。
（実施形態１）
図１は、ラマン散乱光測定装置１の構成を示すブロック図である。ラマン散乱光測定装置１は、試料５を保持する試料保持部１６と、レーザ光を照射する照射部１１と、マスク１４２と、ビームスプリッタ１４１と、レンズ１５とを備えている。例えば、試料５は液状であり、シャーレ等の容器に収容されている。試料保持部１６は、例えば、試料５を収容した容器が載置される試料台である。試料保持部１６は試料台以外の形態であってもよい。照射部１１が照射するレーザ光は、マスク１４２で細い光束に絞られ、ビームスプリッタ１４１で反射し、レンズ１５を通り、試料５へ照射される。照射部１１、マスク１４２、ビームスプリッタ１４１及びレンズ１５は、レンズ１５の中でレーザ光が光軸及び光軸近傍のみを通るように、配置されている。図１中ではレーザ光を実線矢印で示している。
ラマン散乱光測定装置１は、更に、分光器１３と、光を検出する検出部１２とを備えている。試料５中のレーザ光が照射された部分では、ラマン散乱が生起する。発生したラマン散乱光は、レンズ１５で集光され、ビームスプリッタ１４１を通過し、分光器１３へ入射する。図１中では、ラマン散乱光を破線矢印で示している。分光器１３は、入射されたラマン散乱光を分光する。検出部１２は、分光器１３が分光した夫々の波長の光を検出する。ラマン散乱光測定装置１は、レーザ光及びラマン散乱光の導光、集光及び分離のためにミラー、レンズ及びフィルタ等の多数の光学部品からなる光学系を備えている。図１では、マスク１４２、レンズ１５及びビームスプリッタ１４１以外の光学系を省略している。なお、ラマン散乱光測定装置１は、照射部１１からのレーザ光がビームスプリッタ１４１を通過し、ラマン散乱光がビームスプリッタ１４１で反射する構成であってもよい。
ラマン散乱光測定装置１は、更に、試料保持部１６を移動させる駆動部１７と、制御部１８と、試料保持部１６が保持する試料５を観察するためのカメラ１９とを備えている。例えば、駆動部１７は、試料保持部１６を水平方向に移動させる。駆動部１７が試料保持部１６を移動させることにより、試料５が移動し、試料５の中で照射部１１からレーザ光を照射される部分が変更される。即ち、駆動部１７の動作により、試料５の中でラマン散乱光が発生する部分が変更される。カメラ１９は、例えば、撮像素子を含んでいる。照射部１１、検出部１２、分光器１３、駆動部１７及びカメラ１９は、制御部１８に接続されている。
制御部１８は、ラマン散乱光測定装置１の各部を制御する。照射部１１は、オンとオフとを制御部１８に制御される。分光器１３は、分光して検出部１２に検出させる光の波長を制御部１８に制御される。検出部１２は、夫々の波長の光の検出強度に応じた信号を制御部１８へ出力する。制御部１８は、検出部１２が出力した信号を入力され、分光器１３に分光させた光の波長と入力された信号が示す光の検出強度とに基づいてラマンスペクトルを生成する。制御部１８は、駆動部１７の動作を制御して、試料保持部１６を移動させ、試料５の中でラマン散乱光が発生する部分を変更させる。また、制御部１８は、カメラ１９に試料５を撮像させ、試料５の中でラマン散乱光が発生する部分を確認することを可能にする。このようにして、ラマン散乱光測定装置１は、試料５の各部分からのラマンスペクトルの取得を可能にする。例えば、カメラ１９は、照射部１１から試料５へ照射されるレーザ光と同軸の光を用いて試料５を撮像するように配置されている。レーザ光と同軸の光を用いた撮像を行うことにより、試料５の中でラマン散乱光が発生する部分の位置を確認し、調整することが容易となる。
ラマン散乱光測定装置１には、試料５に含まれる細胞の種類を判別するための処理を行う判別装置２が接続されている。判別装置２は制御部１８に接続されている。図２は、判別装置２の内部構成を示すブロック図である。判別装置２は、パーソナルコンピュータ等のコンピュータを用いて構成されている。判別装置２は、演算を行うＣＰＵ（Central Processing Unit ）２１と、演算に伴って発生する一時的なデータを記憶するＲＡＭ（Random Access Memory）２２と、光ディスク等の記録媒体２０から情報を読み取るドライブ部２３と、ハードディスク等の不揮発性の記憶部２４とを備えている。また判別装置２は、使用者の操作を受け付けるキーボード又はマウス等の操作部２５と、液晶ディスプレイ等の表示部２６と、インタフェース部２７と、通信部２８とを備えている。インタフェース部２７には、制御部１８が接続されている。通信部２８は、判別装置２外の通信ネットワーク３に接続され、通信ネットワーク３を介して、外部の装置と通信を行う。通信部２８は、通信ネットワーク３を介して外部からデータをダウンロードすることが可能である。
ＣＰＵ２１は、記録媒体２０に記録されたコンピュータプログラム２４１をドライブ部２３に読み取らせ、読み取ったコンピュータプログラム２４１を記憶部２４に記憶させる。ＣＰＵ２１は、必要に応じてコンピュータプログラム２４１を記憶部２４からＲＡＭ２２へロードし、ロードしたコンピュータプログラム２４１に従って、判別装置２に必要な処理を実行する。なお、コンピュータプログラム２４１は、通信部２８により判別装置２の外部からダウンロードされてもよい。制御部１８は、生成したラマンスペクトルを表すラマンスペクトルデータを判別装置２へ出力する。判別装置２は、ラマンスペクトルデータをインタフェース部２７で受け付け、ＣＰＵ２１は、ラマンスペクトルデータを記憶部２４に記憶させる。
ラマン散乱光測定装置１及び判別装置２は、一つの分析装置を構成する。判別装置２は、ラマン散乱光測定装置１の動作を制御することも可能である。制御部１８は、カメラ１９を用いて撮像した試料５の画像を表す画像データを判別装置２へ出力し、判別装置２は、画像データをインタフェース部２７で受け付け、ＣＰＵ２１は、画像データが表す試料５の画像を表示部２６に表示させてもよい。使用者は、操作部２５を操作して、ラマン散乱光測定装置１を制御するための指示を入力してもよい。例えば、ＣＰＵ２１は、入力された指示に応じて、試料５中の特定の部分のラマンスペクトルを測定することを指示する制御信号を、インタフェース部２７から制御部１８へ出力する。制御部１８は、制御信号を受け付け、受け付けた制御信号に従って、照射部１１、検出部１２、分光器１３及び駆動部１７の動作を制御し、試料５中の特定の部分のラマンスペクトルを測定する。
本実施形態では、判別装置２は、教師あり学習を用いる学習モデルであるサポートベクターマシンによって細胞の種類の判別を行う。適切に細胞の種類の判別を行うためには、サポートベクターマシンの学習を行う必要がある。図３は、判別装置２が学習を行う処理の手順を示すフローチャートである。ＣＰＵ２１は、コンピュータプログラム２４１に従って、判別装置２に必要な処理を実行する。ラマン散乱光測定装置１は、種類の判明している複数の細胞を含んだ試料５から、複数のラマンスペクトルを取得する（Ｓ１１）。ラマン散乱光測定装置１は、試料５に含まれる複数の細胞の夫々から一つずつラマンスペクトルを測定する。例えば、照射部１１からのレーザ光が一つの細胞の全体に照射されるように、レンズ１５を含む光学系を調整しておき、ラマン散乱光測定装置１は、レーザ光を一つの細胞の全体に照射する。レーザ光はレンズ１５の中で光軸及び光軸近傍のみを通ることにより、一つの細胞の全体に照射される。レンズ１５は、レーザ光の照射によって細胞の全体から発生したラマン散乱光を集光し、検出部１２は細胞の全体からのラマン散乱光を検出する。一つの細胞について平均的なラマンスペクトルが得られ、得られたラマンスペクトルは、細胞全体の特徴を反映する。一つの細胞から一つのラマンスペクトルを取得するので、一つの細胞から複数のラマンスペクトルを取得する場合に比べて、測定時間が短縮される。
ラマン散乱光測定装置１は、駆動部１７で試料保持部１６を移動させることにより、レーザ光を照射する細胞を変更しながら、複数の細胞の夫々から一つずつラマンスペクトルを取得する。例えば、制御部１８は、カメラ１９を用いて各細胞を検出し、各細胞に順次レーザ光が照射されるように駆動部１７を制御する。また、例えば、表示部２６に表示された試料５の画像を確認した使用者が操作部２５を操作することにより、試料５の位置を変更する指示を判別装置２へ入力してもよい。指示に従った制御信号が判別装置２から制御部１８へ入力され、制御部１８は、制御信号に従って駆動部１７を制御し、各細胞に順次レーザ光が照射される。このようにして、試料５から複数のラマンスペクトルが取得される。
図４は、ラマンスペクトルの例を示すグラフである。横軸はラマンシフトを示し、縦軸は夫々のラマンシフトにおけるラマン散乱光の強度を示す。ラマンシフトは波数で表されており、単位はｃｍ-1である。ラマン散乱光の強度の単位はａ．ｕ．（arbitrary unit，任意単位）である。図４には、細胞としてＲＢＬ（Rat Basophilic Leukemia cell）とＣＨＯ（Chinese Hamster Ovary cell）とを用いた例を示している。図４では、ＣＨＯのラマンスペクトルのベースラインをＲＢＬのベースラインよりも大きい値にして、二種類のラマンスペクトルを示している。二種類のラマンスペクトルの形状は似通っており、ラマンスペクトルの形状から二種類の細胞を区別することは困難である。
制御部１８は、複数のラマンスペクトルを表すラマンスペクトルデータを出力し、判別装置２は、ラマンスペクトルデータをインタフェース部２７で受け付け、ラマンスペクトルデータを記憶部２４で記憶する。ラマンスペクトルデータは、複数の細胞の夫々から得られたラマンスペクトルを表すデータを含んでいる。一つのラマンスペクトルを表すデータは、測定されたラマン散乱光が発生した一つの細胞、即ちラマンスペクトルの発生元の細胞に関連付けられている。
図５は、ラマンスペクトルデータの例を示す図表である。図５には、ラマンスペクトルを測定した細胞の数がＮ（Ｎは自然数）である例を示している。図５では、夫々の細胞に番号を付して互いを区別しており、細胞の番号を縦方向に並べている。ラマンスペクトルデータでは、夫々の細胞に関連付けて、夫々のラマンシフトについて測定されたラマン散乱光の強度の値が記録されている。図５中の＊＊は数値を示す。夫々の細胞について、複数のラマン散乱光の強度の値が横方向に並んでおり、夫々のラマン散乱光の強度の値は夫々のラマンシフトの値に対応する。図５では、番号１の細胞のラマンスペクトルを表すデータを太枠で囲んでいる。一つの細胞のラマンスペクトルは、夫々のラマンシフトに対応するラマン散乱光の強度からなる多次元データで表されている。ラマンスペクトルデータは、複数の細胞に対応する複数の多次元データを含んでいる。
ＣＰＵ２１は、次に、取得した複数のラマンスペクトルからバックグラウンドの信号を除去するバックグラウンド処理を行う（Ｓ１２）。ＣＰＵ２１は、次に、複数のラマンスペクトルの主成分分析を行う（Ｓ１３）。Ｓ１３では、ＣＰＵ２１は、複数のラマンスペクトルを表す複数の多次元データの主成分分析を行う。具体的には、ラマンスペクトルを測定した細胞の数をＮ、一つのラマンスペクトルに含まれるラマン散乱光の強度の値の数をＭ（Ｍは自然数）とすると、ラマン散乱光の強度の値を要素とするＮ行Ｍ列の行列に対して主成分分析を行う。例えば、図５に示す枠で囲んだ行列が主成分分析の対象である。一つの行に含まれるＭ個の要素からなる多次元データが、一つのラマンスペクトルを表し、一つの細胞に対応する。
ＣＰＵ２１は、主成分分析により、複数のラマンスペクトルの全情報の内で最も多い割合の情報を集約した第１主成分のスペクトル、次に多い割合の情報を集約した第２主成分のスペクトル等、複数の主成分のスペクトルを生成する計算を行う。図６Ａ及び図６Ｂは、複数のＲＢＬ及び複数のＣＨＯから得られた複数のラマンスペクトルを主成分分析することにより得られた主成分のスペクトルの例を示すグラフである。図６Ａ及び図６Ｂは、複数のＲＢＬ及び複数のＣＨＯから得られた複数のラマンスペクトルを主成分分析した結果を示す。図６Ａは第１主成分のスペクトルの例を示し、図６Ｂは第２主成分のスペクトルの例を示す。横軸はラマンシフトを示し、縦軸は夫々のラマンシフトにおけるラマン散乱光の強度を示す。
Ｓ１３では、更に、ＣＰＵ２１は、複数のラマンスペクトルの夫々について、複数の主成分スコアを計算する。主成分スコアは、主成分のスペクトルに対して夫々のラマンスペクトルが寄与する割合を示す数値である。第１主成分スコアは、第１主成分のスペクトルに対して一のラマンスペクトルが寄与する割合を示し、第２主成分スコアは、第２主成分のスペクトルに対して一のラマンスペクトルが寄与する割合を示す。言い換えれば、主成分スコアは、夫々のラマンスペクトルがどのような割合で組み合わされば主成分のスペクトルが構成されるのかを示す。夫々に第１主成分スコアを乗じた複数のラマンスペクトルを加算することにより、第１主成分のスペクトルが得られる。ＣＰＵ２１は、行列計算により複数の主成分スコアを計算する。夫々のラマンスペクトルについて複数の主成分スコアが計算される。この結果、夫々のラマンスペクトル及び細胞に対応して、複数の主成分スコアが得られる。
図７は、主成分スコアの計算結果の例を示す図表である。夫々のラマンスペクトルの発生元の細胞の番号に対応付けて、複数の主成分スコアが記録されている。図７中の＊＊は数値を示す。夫々の細胞について、複数の主成分スコアが横方向に並んでいる。図７では、番号１の細胞に対応する複数の主成分スコアの値を太枠で囲んでいる。複数の主成分スコアの組は、一つのラマンスペクトルに対応し、当該ラマンスペクトルの発生元の一つの細胞に対応する。複数のラマンスペクトル及び複数の細胞に対応して、複数の主成分スコアが複数組計算される。ＣＰＵ２１は、複数組の複数の主成分スコアをＲＡＭ２２又は記憶部２４に記憶させる。
ＣＰＵ２１は、次に、複数の細胞の夫々に対応する複数の主成分スコアを成分とする座標点が含まれる座標空間を生成する（Ｓ１４）。例えば、ＣＰＵ２１は、第１主成分スコア及び第２主成分スコアを成分とする複数の座標点を二次元座標上にプロットすることにより、複数の細胞に対応する複数の座標点が含まれる座標空間を生成する。ラマンスペクトルを測定した細胞が何れの種類の細胞であるのかを示す細胞情報をインタフェース部２７又は操作部２５で受け付け、ＣＰＵ２１は、次に、受け付けた細胞情報と複数の細胞の夫々に対応する複数の主成分スコアとを教師データとして、サポートベクターマシンの学習を行う（Ｓ１５）。Ｓ１５では、ＣＰＵ２１は、夫々の細胞に対応する複数の主成分スコアを、細胞情報が示す夫々の細胞の種類に応じて分類することができるように、サポートベクターマシンのパラメータを調整する機械学習を行う。例えば、ＣＰＵ２１は、細胞の種類を判別するために、第１主成分スコア及び第２主成分スコアを成分とする複数の座標点が含まれる座標空間をサポートベクターマシンによって複数の領域に分割する処理を行う。この際に、ＣＰＵ２１は、異なる種類の細胞に対応する座標点は異なる領域に含まれるように座標空間を分割すべく、サポートベクターマシンのパラメータを調整する。
図８は、実施形態１に係るサポートベクターマシンにより座標空間を分割した例を示す特性図である。図中には、横軸は第１主成分スコアを示し、縦軸は第２主成分スコアを示す。二次元座標空間内に、第１主成分スコア及び第２主成分スコアを成分とする複数の座標点が含まれている。図８中には、複数のＲＢＬから得られた複数のラマンスペクトルに対応する複数の座標点と、複数のＣＨＯから得られた複数のラマンスペクトルに対応する複数の座標点とを示している。同じ種類の細胞からは、似た形状のラマンスペクトルが得られ、主成分スコアも似た数値となる。このため、座標空間内では、同じ種類の細胞に対応する座標点は互いに近い位置に存在し、異なった種類の細胞に対応する座標点は互いに離れた位置に存在する傾向がある。破線で囲んだ複数の座標点は、複数のＣＨＯに対応する。一点鎖線で囲んだ複数の座標点は、複数のＲＢＬに対応する。ＣＰＵ２１は、サポートベクターマシンにより、ＣＨＯに対応する座標点が含まれる領域と、ＲＢＬに対応する座標点が含まれる領域とに二次元座標空間を分割することができるように、サポートベクターマシンのパラメータを調整する。図８には、分割した複数の領域の境界６１を直線で示している。更に、ＣＰＵ２１は、座標空間内で座標点と境界６１との間のマージンが可及的に大きくなるように、サポートベクターマシンのパラメータを調整する。Ｓ１５の処理は、学習部に対応する。
ＣＰＵ２１は、次に、学習後のサポートベクターマシンの処理により、異なる種類の細胞に対応する座標点は異なる領域に含まれるように座標空間を分割した境界６１を生成する計算を行う（Ｓ１６）。図８に示すように二次元の座標空間を分割する場合は、境界６１は二次元空間内の直線又は曲線として生成される。ＣＰＵ２１は、次に、サポートベクターマシンの学習結果を表し、Ｓ１３で生成した主成分のスペクトル、Ｓ１６で生成した境界６１、及び境界６１で分割された各領域に対応する細胞の種類を表すデータを含む学習データを、記憶部２４に記憶させる（Ｓ１７）。境界６１、及び境界６１で分割された各領域に対応する細胞の種類は、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを種類別に分類した結果に対応する。以上で、判別装置２が学習を行う処理は終了する。Ｓ１１〜Ｓ１７の処理は、随時繰り返される。例えば、試料５に含まれる細胞の種類を変更して、Ｓ１１〜Ｓ１７の処理が繰り返される。例えば、想定される複数の種類の組み合わせについてＳ１１〜Ｓ１７の処理が行われる。
以上の説明では、判別装置２が教師データを作成する例を示したが、判別装置２は、教師データを外部から取得する処理を行ってもよい。通信ネットワーク３には、教師データを記憶する記憶装置４が接続されている。
図９は、記憶装置４の内部構成例を示すブロック図である。記憶装置４は、サーバ装置等のコンピュータである。記憶装置４は、ＣＰＵ４１と、ＲＡＭ４２と、ハードディスク等の不揮発性の記憶部４３と、通信部４４とを備えている。通信部４４は、通信ネットワーク３に接続する。記憶部４３は、コンピュータプログラム４３１を記憶している。ＣＰＵ４１は、コンピュータプログラム４３１に従って各種の処理を実行する。また、記憶部４３は、教師データを記憶している。教師データは、ラマン散乱光測定装置１若しくは判別装置２のメーカ、又は他の使用者によって、記憶装置４へアップロードされている。なお、本実施形態では、単一のコンピュータで記憶装置４を構成した例を示しているが、記憶装置４は、通信ネットワーク３を介して互いに接続された複数のコンピュータで構成されていてもよい。
図１０は、外部から教師データを取得して判別装置２が学習を行う処理の手順を示すフローチャートである。判別装置２及び記憶装置４は、判別装置２が記憶装置４から教師データを取得するために必要な認証処理を行う（Ｓ２１）。例えば、判別装置２のＣＰＵ２１は、使用者が操作部２５を操作することによって入力されたパスワード等の認証情報を、通信部２８に通信ネットワーク３を介して記憶装置４へ送信させる。記憶装置４のＣＰＵ４１は、判別装置２から送信された認証情報が正当であるか否かを判定し、認証情報が正当である場合は教師データのダウンロードを許可し、認証情報が正当でない場合はダウンロードを不許可とする処理を行う。また、例えば、判別装置２のＣＰＵ２１は、教師データの使用料を支払うための処理を行う。記憶装置４のＣＰＵ４１は、支払いのための処理が行われたか否かを確認する処理を行い、支払いのための処理が行われたことが確認された場合に教師データのダウンロードを許可し、支払いのための処理が行われたことが確認されない場合にダウンロードを不許可とする処理を行う。例えば、ＣＰＵ４１は、認証結果を示す情報を、通信部４４に通信ネットワーク３を介して判別装置２へ送信させる。
ダウンロードを許可する認証結果が得られた場合に、ＣＰＵ２１は、通信部２８により記憶装置４から教師データをダウンロードし、記憶部２４に記憶させる（Ｓ２２）。例えば、ＣＰＵ２１は、ダウンロードを許可する認証結果を示す情報を通信部２８で受信した場合に、Ｓ２２の処理を行う。教師データは、複数の細胞のラマンスペクトルの主成分分析により得られる複数の主成分のスペクトルと、複数の細胞の夫々に対応する複数の主成分スコアと、夫々の細胞が何れの種類の細胞であるのかを示す細胞情報とを含んでいる。Ｓ２２の処理は、第１取得部に対応する。ＣＰＵ２１は、ダウンロードした教師データを用いて、サポートベクターマシンの機械学習を行う（Ｓ２３）。Ｓ２３の処理は、Ｓ１４〜Ｓ１６の処理と同様の処理である。ＣＰＵ２１は、次に、教師データに含まれる主成分のスペクトル、生成した境界６１、及び各領域に対応する細胞の種類を表すデータを含む学習データを記憶部２４に記憶させ（Ｓ２４）、判別装置２が学習を行う処理を終了する。
また、判別装置２は、ラマンスペクトルデータを外部から取得する処理を行ってもよい。記憶装置４は、ラマンスペクトルデータ及び細胞情報を記憶部４３に記憶している。ラマンスペクトルデータ及び細胞情報は、ラマン散乱光測定装置１若しくは判別装置２のメーカ、又は他の使用者によって、記憶装置４へアップロードされている。ＣＰＵ２１は、Ｓ１１で、通信部２８により通信ネットワーク３を介して記憶装置４からラマンスペクトルデータ及び細胞情報をダウンロードすることによって、ラマンスペクトルデータを外部から取得し、ラマンスペクトルデータ及び細胞情報を記憶部２４に記憶させる。ＣＰＵ２１は、取得したラマンスペクトルデータ及び細胞情報を用いて、Ｓ１２〜Ｓ１７の処理を実行する。ＣＰＵ２１は、ダウンロードを行う前に、Ｓ２１と同様の認証処理を行ってもよい。
また、学習に用いる教師データは、複数回の測定から得られたデータであってもよい。例えば、ラマン散乱光測定装置１は複数の試料５を用いて複数回の測定を行い、判別装置２は複数回の測定により得られたラマンスペクトルから教師データを作成してもよい。例えば、ラマン散乱光測定装置１は異なる細胞を含んだ複数の試料５を用いて複数回の測定を行い、判別装置２は複数回の測定により得られたラマンスペクトルから教師データを作成してもよい。また、学習に用いる教師データは、ラマンスペクトルデータから作成した教師データと、外部から取得した教師データとの両方を含んだデータであってもよい。
また、判別装置２は、学習データを外部から取得する処理を行ってもよい。記憶装置４は、主成分のスペクトル、サポートベクターマシンにより生成された境界６１、及び境界６１で分割された各領域に対応する細胞の種類を表すデータを含んだ学習データを、記憶部４３に記憶している。学習データは、ラマン散乱光測定装置１若しくは判別装置２のメーカ、又は他の使用者によって、記憶装置４へアップロードされている。図１１は、外部から学習データを取得することによって判別装置２が学習を行う処理の手順を示すフローチャートである。判別装置２及び記憶装置４は、判別装置２が記憶装置４から学習データを取得するために必要な認証処理を行う（Ｓ３１）。例えば、判別装置２のＣＰＵ２１は、認証情報を通信部２８に記憶装置４へ送信させ、記憶装置４のＣＰＵ４１は、認証情報が正当であるか否かを判定し、認証情報が正当である場合は学習データのダウンロードを許可し、認証情報が正当でない場合はダウンロードを不許可とする処理を行う。また、例えば、判別装置２のＣＰＵ２１は、学習データの使用料を支払うための処理を行う。記憶装置４のＣＰＵ４１は、支払いのための処理が行われたことが確認された場合に学習データのダウンロードを許可し、支払いのための処理が行われたことが確認されない場合にダウンロードを不許可とする処理を行う。例えば、ＣＰＵ４１は、認証結果を示す情報を、通信部４４に通信ネットワーク３を介して判別装置２へ送信させる。
ダウンロードを許可する認証結果が得られた場合に、ＣＰＵ２１は、通信部２８により通信ネットワーク３を介して記憶装置４から学習データをダウンロードする（Ｓ３２）。例えば、ＣＰＵ２１は、ダウンロードを許可する認証結果を示す情報を通信部２８で受信した場合に、Ｓ３２の処理を行う。Ｓ３２の処理は、第２取得部に対応する。ＣＰＵ２１は、次に、ダウンロードした学習データを記憶部２４に記憶させ（Ｓ３３）、判別装置２が学習を行う処理を終了する。なお、判別装置２は、ラマンスペクトルデータ、教師データ又は学習データを記憶装置４へアップロードする処理を行ってもよい。
本実施形態では、判別装置２は、学習データを利用して、試料５に含まれる細胞の種類の判別を行う。図１２は、判別装置２が細胞の種類の判別を行う処理の手順を示すフローチャートである。ＣＰＵ２１は、コンピュータプログラム２４１に従って、判別装置２に必要な処理を実行する。ラマン散乱光測定装置１は、種類が判別されていない一又は複数の細胞を含んだ試料５から、ラマンスペクトルを取得する（Ｓ４１）。ラマン散乱光測定装置１は、Ｓ１１での測定と同様に、試料５に含まれる一つの細胞毎に一つのラマンスペクトルを測定する。判別対象の細胞が一つである場合は一つのラマンスペクトルが得られ、判別対象の細胞が複数である場合は複数のラマンスペクトルが得られる。制御部１８は、一又は複数のラマンスペクトルを表すラマンスペクトルデータを出力し、判別装置２は、ラマンスペクトルデータをインタフェース部２７で受け付け、ラマンスペクトルデータを記憶部２４で記憶する。
ＣＰＵ２１は、次に、取得したラマンスペクトルからバックグラウンドの信号を除去するバックグラウンド処理を行う（Ｓ４２）。ＣＰＵ２１は、次に、学習データに含まれるデータが表す複数の主成分のスペクトルに対して取得したラマンスペクトルが一致している度合を示す複数の一致度を計算する（Ｓ４３）。一致度は、主成分分析の際に計算される主成分スコアと同等の方法により計算される。Ｓ４３では、ＣＰＵ２１は、Ｓ１２において複数のラマンスペクトルの夫々について複数の主成分スコアを計算した計算方法と同じ計算方法を用いて、種類が判別されていない細胞のラマンスペクトルの、複数の主成分のスペクトルに対する一致度を計算する。ＣＰＵ２１は、一つのラマンスペクトルについて、Ｓ１２において計算される主成分スコアと同じ数の一致度を計算する。例えば、ＣＰＵ２１は、Ｓ１２での行列計算において主成分スコアを計算するために用いられた行列を用いて、行列計算を行うことにより、複数の一致度を計算する。例えば、ＣＰＵ２１は、第１主成分スコアと同等の計算方法で計算される第１の一致度、及び第２主成分スコアと同等の計算方法で計算される第２の一致度を計算する。第１の一致度は、学習データが表す第１主成分のスペクトルに対して種類が判別されていない細胞のラマンスペクトルがどの程度一致しているかを示し、第２の一致度は、第２主成分のスペクトルに対してラマンスペクトルがどの程度一致しているかを示す。Ｓ４３の処理は計算部に対応する。
ＣＰＵ２１は、次に、各細胞に対応する複数の一致度を成分とする座標点を座標空間内にプロットする（Ｓ４４）。例えば、ＣＰＵ２１は、第１の一致度及び第２の一致度を成分とする座標点を二次元座標上にプロットする。ＣＰＵ２１は、次に、学習データに含まれるデータが表す境界６１により座標空間を複数の領域に分割し、各細胞に対応する座標点が何れの領域に含まれているかを判定する（Ｓ４５）。
ＣＰＵ２１は、次に、学習データに含まれるデータが表す、境界６１で分割された各領域に対応する細胞の種類を、各領域に含まれていると判定された座標点に対応する細胞の種類とすることにより、細胞の種類を判別する（Ｓ４６）。Ｓ４４〜Ｓ４６の処理は判別部に対応する。ＣＰＵ２１は、次に、細胞の種類の判別結果を示すデータを、記憶部２４に記憶させる（Ｓ４７）。ＣＰＵ２１は、細胞の種類の判別結果を表示部２６に表示させてもよい。以上で、細胞の種類の判別を行う処理は終了する
例えば、判別装置２は、培養によって所望の種類に分化した細胞と未分化の細胞とを判別するために用いられる。分化していることが判明している細胞と未分化であることが判明している細胞とから得られたラマンスペクトルに基づいて教師データを作成し、サポートベクターマシンの学習を行い、学習データを作成する。その後、培養された細胞を含む試料５からラマンスペクトルをラマン散乱光測定装置１で測定し、判別装置２は、学習データに基づいて、試料５に含まれた細胞が所望の種類に分化した細胞であるか又は未分化の細胞であるかを判別する。また、判別装置２は、サポートベクターマシンによって細胞の種類を判別した際に、座標空間における各細胞に対応する座標点と境界６１との間の距離に応じて、細胞の分化の度合いを判定することも可能である。
例えば、判別装置２は、採取された細胞が正常な種類の細胞であるか否かを判別するために用いられる。正常であることが判明している細胞と異常であることが判明している細胞とから得られたラマンスペクトルに基づいて教師データを作成し、サポートベクターマシンの学習を行い、学習データを作成する。その後、採取された細胞を含む試料５からラマンスペクトルをラマン散乱光測定装置１で測定し、判別装置２は、学習データに基づいて、試料５に含まれた細胞が正常な細胞であるか否かを判別する。また、判別装置２は、サポートベクターマシンによって細胞の種類を判別した際に、座標空間における各細胞に対応する座標点と境界６１との間の距離に応じて、異常な細胞の異常の度合いを判定することも可能である。
以上詳述した如く、本実施形態においては、一つの細胞から一つのラマンスペクトルを取得し、取得したラマンスペクトルに基づいて細胞の種類を判別する。細胞内のラマンスペクトルの分布を用いて細胞の種類を判別する方法に比べて、判別のために必要な時間が短縮される。各細胞から一つずつ取得したラマンスペクトルを用いることにより、細胞内のラマンスペクトルの分布を用いる場合に比べて、細胞内の細かい構造に影響されることなく細胞全体の特徴に応じた判別の処理が行われる。
また、本実施形態においては、判別装置２は、種類の判明している複数の細胞から得られた複数のラマンスペクトルを主成分分析し、複数のラマンスペクトルの夫々に対応する複数の主成分スコアを、サポートベクターマシンによって種類別に分類する。また、判別装置２は、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアの分類結果に基づいて、未判別の細胞に対応する複数の一致度を分類することにより、細胞の種類を判別する。同じ種類の細胞からは、似た形状のラマンスペクトルが得られ、主成分スコアも似た数値となる傾向があるので、種類の判明している細胞に対応する主成分スコアの組を分類することができ、分類結果に応じて未判別の細胞に対応する一致度を分類することにより、細胞が判別される。ラマンスペクトルに含まれる一部のラマンバンドを細胞に特徴的なものとして着目するのではなく、ラマンスペクトルの全体的な特徴を比較して細胞の種類の判別を行うので、従来よりも正確にまた容易に細胞の種類を判別することが可能となる。また、サポートベクターマシンを用いて判別を行うので、サポートベクターマシンの学習を行うことによって、より正確に細胞の種類を判別することが可能となるように判別装置２を改良することが可能となる。
（実施形態２）
実施形態２においては、ラマンスペクトルの一部分を用いて細胞の判別を行う形態を示す。細胞のラマンスペクトルには、細胞の特徴を比較的強く反映しており、細胞の種類による変化が大きい部分と、細胞の特徴をあまり反映しておらず、細胞の種類による変化が小さい部分とが含まれる。以下、細胞のラマンスペクトル中で細胞の特徴を強く反映した部分を、指紋領域と言う。実施形態２では、指紋領域を用いて細胞の判別を行う。
図１３は、ラマンスペクトル中の指紋領域の例を示すグラフである。図１３に示したラマンスペクトルは、図４に示したラマンスペクトルと同一である。指紋領域の範囲は、ラマンシフトが１２５０〜１７５０ｃｍ-1である範囲である。指紋領域は、シトクロムＣ、核酸、脂質、又はアミドの二次構造（アミドＩ、ＩＩ若しくはＩＩＩ等）等、細胞の内部の構成物に由来する重要な情報を反映している。このため、指紋領域は、細胞の特徴を強く反映しており、ラマンスペクトル中の他の部分に比べて、細胞の種類による変化が大きい。
実施形態２においても、ラマン散乱光測定装置１の構成は、実施形態１と同様である。実施形態１と同様に、ラマン散乱光測定装置１は、Ｓ１１〜Ｓ１７の処理を実行することにより、細胞の種類の判別を行うためのサポートベクターマシンの学習を行う。Ｓ１１では、ラマン散乱光測定装置１は、試料５に含まれる複数の細胞の夫々から一つずつラマンスペクトルを測定することにより、複数のラマンスペクトルを取得する。
Ｓ１３では、判別装置２のＣＰＵ２１は、複数のラマンスペクトル中の指紋領域の主成分分析を行う。即ち、ＣＰＵ２１は、複数のラマンスペクトルを表す複数の多次元データの中で、指紋領域に対応する多次元データに対して主成分分析を行う。例えば、図５に示す行列の中で、ラマンシフトが１２５０〜１７５０ｃｍ-1である範囲に対応する部分から抽出した行列が、主成分分析の対象である。ＣＰＵ２１は、主成分分析により、指紋領域に係る第１主成分のスペクトル、及び指紋領域に係る第２主成分のスペクトル等、指紋領域に係る複数の主成分のスペクトルを生成する計算を行う。
図１４Ａ及び図１４Ｂは、指紋領域に係る主成分のスペクトルの例を示すグラフである。図１４Ａ及び図１４Ｂは、複数のＲＢＬ及び複数のＣＨＯから得られた複数のラマンスペクトルを主成分分析した結果を示す。図１４Ａは第１主成分のスペクトルの例を示し、図１４Ｂは第２主成分のスペクトルの例を示す。横軸はラマンシフトを示し、縦軸は夫々のラマンシフトにおけるラマン散乱光の強度を示す。
Ｓ１３では、更に、ＣＰＵ２１は、複数のラマンスペクトルの夫々について、指紋領域に係る第１主成分スコア、及び指紋領域に係る第２主成分スコア等、指紋領域に係る複数の主成分スコアを計算する。指紋領域に係る第１主成分スコアは、指紋領域に係る第１主成分のスペクトルに対して一のラマンスペクトル中の指紋領域が寄与する割合を示す。夫々のラマンスペクトル及び細胞に対応して、指紋領域に係る複数の主成分スコアが得られる。
なお、判別装置２は、Ｓ１３では、指紋領域の範囲よりも広いラマンシフトの範囲に対応する主成分のスペクトルを生成し、主成分のスペクトルから指紋領域に対応する部分を抽出し、抽出した部分を利用して指紋領域に係る主成分スコアを計算してもよい。また、ラマン散乱光測定装置１は、Ｓ１１において測定したラマンスペクトルから、指紋領域を抽出し、抽出した指紋領域を表すデータに対してＳ１２以降の処理を行ってもよい。また、ラマン散乱光測定装置１は、Ｓ１１においてラマンスペクトルを測定する際に、指紋領域のみを測定し、測定した指紋領域を表すデータに対してＳ１２以降の処理を行ってもよい。いずれの方法を用いた場合であっても、指紋領域に係る複数の主成分スコアが得られる。
ＣＰＵ２１は、Ｓ１４では、次に、指紋領域に係る複数の主成分スコアを成分とする座標点が含まれる座標空間を生成する。例えば、ＣＰＵ２１は、指紋領域に係る第１主成分スコア及び指紋領域に係る第２主成分スコアを成分とする複数の座標点を二次元座標上にプロットする。Ｓ１５では、ＣＰＵ２１は、細胞情報と指紋領域に係る複数の主成分スコアとを教師データとして、サポートベクターマシンの学習を行う。例えば、ＣＰＵ２１は、細胞の種類を判別するために、指紋領域に係る第１主成分スコア及び指紋領域に係る第２主成分スコアを成分とする複数の座標点が含まれる座標空間をサポートベクターマシンによって複数の領域に分割する処理を行う。実施形態１と同様に、ＣＰＵ２１は、異なる種類の細胞に対応する座標点は異なる領域に含まれるように座標空間を分割すべく、サポートベクターマシンのパラメータを調整する。
図１５は、実施形態２に係るサポートベクターマシンにより座標空間を分割した例を示す特性図である。横軸は指紋領域に係る第１主成分スコアを示し、縦軸は指紋領域に係る第２主成分スコアを示す。図中には、二次元座標空間内に、指紋領域に係る第１主成分スコア及び指紋領域に係る第２主成分スコアを成分とする複数の座標点が含まれている。図１５中には、複数のＲＢＬから得られた複数のラマンスペクトルに対応する複数の座標点と、複数のＣＨＯから得られた複数のラマンスペクトルに対応する複数の座標点とを示している。同じ種類の細胞からは、同様の指紋領域が得られ、指紋領域に係る主成分スコアは似た数値となる。このため、座標空間内では、同じ種類の細胞に対応する座標点は互いに近い位置に存在し、異なった種類の細胞に対応する座標点は互いに離れた位置に存在する傾向がある。破線で囲んだ複数の座標点は、複数のＣＨＯに対応する。一点鎖線で囲んだ複数の座標点は、複数のＲＢＬに対応する。ＣＰＵ２１は、ＣＨＯに対応する座標点が含まれる領域と、ＲＢＬに対応する座標点が含まれる領域とに二次元座標空間を分割することができるように、サポートベクターマシンのパラメータを調整する。図１５には、分割した複数の領域の境界６１を折れ線で表現した例を示している。更に、ＣＰＵ２１は、座標空間内で座標点と境界６１との間のマージンが可及的に大きくなるように、サポートベクターマシンのパラメータを調整する。
ＣＰＵ２１は、実施形態１と同様に、Ｓ１６及びＳ１７の処理を実行する。Ｓ１１〜Ｓ１７の結果、指紋領域に係る主成分のスペクトル、境界６１、及び境界６１で分割された各領域に対応する細胞の種類を表すデータを含む学習データが、記憶部２４に記憶される。実施形態１と同様に、判別装置２は、教師データ又は学習データを外部から取得する処理を行ってもよい。
実施形態１と同様に、ラマン散乱光測定装置１は、Ｓ４１〜Ｓ４７の処理を実行することにより、学習データを利用して、試料５に含まれる細胞の種類の判別を行う。Ｓ４１では、ラマン散乱光測定装置１は、試料５に含まれる細胞一つにつき一つのラマンスペクトルを取得する。Ｓ４３では、判別装置２のＣＰＵ２１は、取得したラマンスペクトルから指紋領域を抽出し、学習データに含まれるデータが表す指紋領域に係る主成分のスペクトルに対して、抽出した指紋領域が一致している度合を示す一致度を計算する。ＣＰＵ２１は、主成分スコアを計算した計算方法と同じ計算方法を用いて、指紋領域に係る一致度を計算する。ＣＰＵ２１は、一つのラマンスペクトルについて、指紋領域に係る一致度を、指紋領域に係る主成分スコアと同じ数だけ計算する。例えば、ＣＰＵ２１は、第１主成分スコアと同等の計算方法で計算される第１の一致度、及び第２主成分スコアと同等の計算方法で計算される第２の一致度を計算する。
なお、ラマン散乱光測定装置１は、Ｓ４１においてラマンスペクトルを測定する際に、指紋領域のみを測定し、測定した指紋領域を表すデータに対してＳ４２以降の処理を行ってもよい。この場合であっても、指紋領域に係る一致度が得られる。
ＣＰＵ２１は、実施形態１と同様に、Ｓ４４〜Ｓ４７の処理を実行する。Ｓ４１〜Ｓ４７の処理により、試料５に含まれる細胞の種類の判別結果が得られる。以上のように、実施形態２では、細胞から得られるラマンスペクトル中の指紋領域を利用して、サポートベクターマシンの学習、及び細胞の判別を行う。指紋領域は、細胞の特徴を強く反映しており、細胞の種類による変化が大きいので、判別装置２は、指紋領域を利用することによって、種類の異なる細胞をより確実に分類することができるようにサポートベクターマシンを学習させることができる。このサポートベクターマシンを用いることにより、判別装置２は、細胞の種類の判別をより精度良く行うことが可能となる。
以上の実施形態１及び２においては、ラマン散乱光測定装置１が試料５へレーザ光を照射する形態を示したが、ラマン散乱光測定装置１は、ラマンスペクトルの測定のためにレーザ光以外の励起光を試料５へ照射する形態であってもよい。また、実施形態１及び２においては、試料５の中でラマン散乱光が発生する部分を変更させるために試料５を移動させる形態を示したが、ラマン散乱光測定装置１は、試料５の中でラマン散乱光が発生する部分を変更させるために励起光の光路を移動させる形態であってもよい。
また、実施形態１及び２においては、一つの細胞から一つのラマンスペクトルを測定するために一つの細胞全体にレーザ光を照射してラマンスペクトルを測定する形態を示した。しかしながら、ラマン散乱光測定装置１は、一つの細胞内の複数の部分に順次励起光を照射し、一つの細胞内の複数の部分に対応する複数のラマンスペクトルを測定し、複数のラマンスペクトルを代表する一つのラマンスペクトルを作成してもよい。例えば、ラマン散乱光測定装置１は、複数のラマンスペクトルを平均したラマンスペクトルを作成する。このようにしても、一つの細胞から一つのラマンスペクトルが測定される。一つの細胞内の複数の部分に順次励起光を照射するように光学系が設定されているラマン散乱光測定装置１をも、細胞の種類の判別のために利用することができる。
また、実施形態１及び２においては、細胞の種類の判別のために二次元座標空間をサポートベクターマシンによって複数の領域に分割する処理を行う形態を示したが、判別装置２は、三次元以上の座標空間を複数の領域に分割する処理を行う形態であってもよい。例えば、判別装置２が三次元の座標空間を複数の領域に分割する処理を行う形態では、第１主成分スコア、第２主成分スコア及び第３主成分スコアを成分とする座標点を含んだ座標空間、並びに第１、第２及び第３の一致度を成分とする座標点を含んだ座標空間が用いられ、境界６１は平面又は曲面となる。また、実施形態１及び２においては、教師あり学習を用いる学習モデルとしてサポートベクターマシンを用いた形態を示したが、判別装置２は、サポートベクターマシン以外の学習モデルを用いた形態であってもよい。例えば、判別装置２は、教師あり学習を用いる学習モデルとしてコンボリューショナル・ニューラルネットワークを用いた形態であってもよい。また、判別装置２は、細胞の種類の判別だけではなく、細胞核の種類の判別又はタンパク質の種類の判別等、細胞内の部分又は生体物質の判別にも用いることが可能である。また、実施形態１及び２においては、ラマン散乱光測定装置１と判別装置２とが一体になって分析装置を構成した形態を示したが、判別装置２はラマン散乱光測定装置１から分離した形態であってもよい。
本発明は上述した実施の形態の内容に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。即ち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態も本発明の技術的範囲に含まれる。
（付記１）
試料に含まれる細胞の種類を判別する方法において、
一つの未判別の細胞から一つのラマンスペクトルを取得し、
種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの予め定められたラマンシフト範囲に対応する部分に対する主成分分析により得られた複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分に対して、前記未判別の細胞のラマンスペクトルの前記ラマンシフト範囲に対応する部分が一致する度合を示す複数の一致度を計算し、
前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別すること
を特徴とする判別方法。
（付記２）
試料に含まれる細胞の種類をラマンスペクトルに基づいて判別するための学習を行う方法であって、
種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの予め定められたラマンシフト範囲に対応する部分を主成分分析することにより得られた、複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得し、
複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて複数組の前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行い、
前記複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶すること
を特徴とする学習方法。
（付記３）
試料に含まれる細胞の種類を判別する装置において、
種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの予め定められたラマンシフト範囲に対応する部分に対する主成分分析により得られた複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分に対して、未判別の細胞から取得したラマンスペクトルの前記ラマンシフト範囲に対応する部分が一致する度合を示す複数の一致度を計算する計算部と、
前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別する判別部と
を備えることを特徴とする判別装置。
（付記４）
コンピュータに、試料に含まれる細胞の種類を判別する処理を実行させるコンピュータプログラムにおいて、
コンピュータに、
種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの予め定められたラマンシフト範囲に対応する部分に対する主成分分析により得られた複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分に対して、未判別の細胞から取得したラマンスペクトルの前記ラマンシフト範囲に対応する部分が寄与する度合を示す複数の一致度を計算するステップと、
前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別するステップと
を含む処理を実行させることを特徴とするコンピュータプログラム。
（付記５）
コンピュータに、試料に含まれる細胞の種類を判別するための学習を行わせるコンピュータプログラムであって、
コンピュータに、
種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトル予め定められたラマンシフト範囲に対応する部分を主成分分析することにより得られた、複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得するステップと、
複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行うステップと、
前記複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶するステップと
を含む処理を実行させることを特徴とするコンピュータプログラム。
１ ラマン散乱光測定装置
１１ 照射部
１２ 検出部
１３ 分光器
１５ レンズ
１８ 制御部
２ 判別装置
２１ ＣＰＵ
２４ 記憶部
２４１ コンピュータプログラム
３ 通信ネットワーク
４ 記憶装置
５ 試料
また、本発明においては、判別装置は、種類の判明している複数の細胞から得られた複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルと、種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを学習モデルによって種類別に分類した結果とを、外部から取得する。判別装置の使用者以外によって行われた学習の結果を用いて、細胞の種類の判別を行うことができる。
ラマン散乱光測定装置１は、更に、分光器１３と、光を検出する検出部１２とを備えている。試料５中のレーザ光が照射された部分では、ラマン散乱が生起する。発生したラマン散乱光は、レンズ１５で集光され、ビームスプリッタ１４１を通過し、分光器１３へ入射する。図１中では、ラマン散乱光を破線矢印で示している。分光器１３は、入射されたラマン散乱光を分光する。検出部１２は、分光器１３が分光した夫々の波長の光を検出する。ラマン散乱光測定装置１は、レーザ光及びラマン散乱光の導光、集光及び分離のためにミラー、レンズ及びフィルタ等の多数の光学部品からなる光学系を備えている。図１では、マスク１４２、レンズ１５及びビームスプリッタ１４１以外の光学部品を省略している。なお、ラマン散乱光測定装置１は、照射部１１からのレーザ光がビームスプリッタ１４１を通過し、ラマン散乱光がビームスプリッタ１４１で反射する構成であってもよい。
（付記５）
コンピュータに、試料に含まれる細胞の種類を判別するための学習を行わせるコンピュータプログラムであって、
コンピュータに、
種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの予め定められたラマンシフト範囲に対応する部分を主成分分析することにより得られた、複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得するステップと、
複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行うステップと、
前記複数の主成分のスペクトルの前記ラマンシフト範囲に対応する部分、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶するステップと
を含む処理を実行させることを特徴とするコンピュータプログラム。

Claims (12)

  1. 試料に含まれる細胞の種類を判別する方法において、
    一つの未判別の細胞から一つのラマンスペクトルを取得し、
    種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、前記未判別の細胞のラマンスペクトルが一致する度合を示す複数の一致度を計算し、
    前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別すること
    を特徴とする判別方法。
  2. 前記学習モデルは、サポートベクターマシンであること
    を特徴とする請求項１に記載の判別方法。
  3. 種類の判明している複数の細胞の夫々に対応する複数の主成分スコアと前記複数の細胞の夫々の種類とを教師データとして、前記学習モデルの機械学習を行うこと
    を特徴とする請求項１又は２に記載の判別方法。
  4. 一つの細胞の全体に励起光を照射し、
    前記一つの細胞の全体からのラマン散乱光を測定することにより、ラマンスペクトルを取得すること
    を特徴とする請求項１乃至３のいずれか一つに記載の判別方法。
  5. 試料に含まれる細胞の種類をラマンスペクトルに基づいて判別するための学習を行う方法であって、
    種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルを主成分分析することにより得られた、複数の主成分のスペクトル、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得し、
    複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて複数組の前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行い、
    前記複数の主成分のスペクトル、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶すること
    を特徴とする学習方法。
  6. 夫々に前記複数の主成分スコアを成分とする複数の座標点が含まれる座標空間を、前記学習モデルによって複数の領域に分割することにより、複数組の前記複数の主成分スコアを分類すること
    を特徴とする請求項５に記載の学習方法。
  7. 試料に含まれる細胞の種類を判別する装置において、
    種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、未判別の細胞から取得したラマンスペクトルが一致する度合を示す複数の一致度を計算する計算部と、
    前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別する判別部と
    を備えることを特徴とする判別装置。
  8. 種類の判明している複数の細胞の夫々に対応する複数の主成分スコアと前記複数の細胞の夫々の種類とを教師データとして、前記学習モデルの機械学習を行う学習部
    を更に備えることを特徴とする請求項７に記載の判別装置。
  9. 前記教師データを外部から取得する第１取得部
    を更に備えることを特徴とする請求項８に記載の判別装置。
  10. 前記複数の主成分のスペクトル、及び前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを前記学習モデルによって種類別に分類した結果を、外部から取得する第２取得部
    を更に備えることを特徴とする請求項７乃至９のいずれか一つに記載の判別装置。
  11. コンピュータに、試料に含まれる細胞の種類を判別する処理を実行させるコンピュータプログラムにおいて、
    コンピュータに、
    種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルの主成分分析により得られた複数の主成分のスペクトルに対して、未判別の細胞から取得したラマンスペクトルが寄与する度合を示す複数の一致度を計算するステップと、
    前記主成分分析により得られた前記種類の判明している複数の細胞の夫々に対応する複数の主成分スコアを、教師あり学習を用いる学習モデルによって種類別に分類した結果に基づいて、前記複数の一致度を分類することにより、前記未判別の細胞の種類を判別するステップと
    を含む処理を実行させることを特徴とするコンピュータプログラム。
  12. コンピュータに、試料に含まれる細胞の種類を判別するための学習を行わせるコンピュータプログラムであって、
    コンピュータに、
    種類の判明している複数の細胞の夫々から一つずつ得られたラマンスペクトルからなる複数のラマンスペクトルを主成分分析することにより得られた、複数の主成分のスペクトル、及び前記複数の細胞の夫々に対応する複数の主成分スコアを取得するステップと、
    複数組の前記複数の主成分スコアと、前記複数の細胞の夫々の種類とを教師データとして、教師あり学習を用いる学習モデルによって前記種類に応じて前記複数の主成分スコアを分類することができるように、前記学習モデルの機械学習を行うステップと、
    前記複数の主成分のスペクトル、及び学習後の前記学習モデルによる前記複数の主成分スコアの分類結果を記憶するステップと
    を含む処理を実行させることを特徴とするコンピュータプログラム。
JP2019559678A 2017-12-13 2018-12-12 判別方法、学習方法、判別装置及びコンピュータプログラム Active JP7232771B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017238644 2017-12-13
JP2017238644 2017-12-13
PCT/JP2018/045591 WO2019117177A1 (ja) 2017-12-13 2018-12-12 判別方法、学習方法、判別装置及びコンピュータプログラム

Publications (2)

Publication Number Publication Date
JPWO2019117177A1 true JPWO2019117177A1 (ja) 2021-01-14
JP7232771B2 JP7232771B2 (ja) 2023-03-03

Family

ID=66819260

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019559678A Active JP7232771B2 (ja) 2017-12-13 2018-12-12 判別方法、学習方法、判別装置及びコンピュータプログラム

Country Status (5)

Country Link
US (1) US11125692B2 (ja)
EP (1) EP3709005A1 (ja)
JP (1) JP7232771B2 (ja)
CN (1) CN111433592B (ja)
WO (1) WO2019117177A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210052389A (ko) 2018-08-27 2021-05-10 리제너론 파마슈티칼스 인코포레이티드 다운스트림 정제에서의 라만 분광법의 사용
JP7383939B2 (ja) * 2019-09-03 2023-11-21 東ソー株式会社 学習装置、学習方法、細胞判別装置、細胞判別方法、細胞判別学習プログラムおよび細胞判別プログラム
WO2021070385A1 (ja) * 2019-10-11 2021-04-15 アイポア株式会社 粒子の識別を行うためのセンサ、測定器、コンピュータ装置、およびシステム
CN116235031A (zh) * 2020-10-05 2023-06-06 松下知识产权经营株式会社 处理装置、系统、方法和计算机程序
EP4248753A4 (en) * 2020-11-20 2024-04-24 Juchheim Co Ltd BUM CAKE BAKING SYSTEM, BUM CAKE BAKING AID SYSTEM, PROGRAM AND METHOD FOR PRODUCING BUM CAKES
CN113267482B (zh) * 2021-01-28 2023-07-25 深圳市罗湖区人民医院 一种鼻咽癌单细胞检测方法、存储介质及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317158A1 (en) * 2008-12-18 2011-12-29 Lyng Fiona M Cytological method for analyzing a biological sample by raman spectroscopy
WO2017073737A1 (ja) * 2015-10-28 2017-05-04 国立大学法人東京大学 分析装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10365220B2 (en) * 2005-05-31 2019-07-30 Lawrence Livermore National Security, Llc Single-cell raman spectroscopy for the non-destructive, non-invasive analysis of cells and cellular components
US8379197B2 (en) * 2006-01-05 2013-02-19 Chemimage Corporation Spectroscopic systems and methods for classifying and pharmaceutically treating cells
WO2008100582A2 (en) * 2007-02-14 2008-08-21 Chemimage Corporation Spectroscopic system and method for predicting outcome of disease
WO2009021178A1 (en) * 2007-08-08 2009-02-12 Chemimage Corporation Raman difference spectra based disease classification
JP2010181391A (ja) 2009-02-05 2010-08-19 Mutsumi Takagi 動物細胞の識別方法
GB201018628D0 (en) * 2010-11-04 2010-12-22 Univ Nottingham Method, apparatus and software for identifying cells
CN103487425A (zh) * 2013-09-12 2014-01-01 福建师范大学 一种利用表面增强拉曼光谱判别癌细胞的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110317158A1 (en) * 2008-12-18 2011-12-29 Lyng Fiona M Cytological method for analyzing a biological sample by raman spectroscopy
WO2017073737A1 (ja) * 2015-10-28 2017-05-04 国立大学法人東京大学 分析装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DIES H , ET AL.: "Rapid identification and quantification of illicit drugs on nanodendritic surface-enhanced Raman sca", SENSORS AND ACTUATORS B, vol. 257, JPN6019007499, 31 October 2017 (2017-10-31), pages 382 - 388, ISSN: 0004881647 *
KIM W , ET AL.: "Instrument-Free Synthesizable Fabrication of Label-Free Optical Biosensing Paper Strips for the Earl", ANALYTICAL CHEMISTRY, vol. 88, JPN6019007497, 29 April 2016 (2016-04-29), pages 5531 - 5537, ISSN: 0004881646 *

Also Published As

Publication number Publication date
JP7232771B2 (ja) 2023-03-03
EP3709005A1 (en) 2020-09-16
CN111433592B (zh) 2023-09-15
CN111433592A (zh) 2020-07-17
WO2019117177A1 (ja) 2019-06-20
US11125692B2 (en) 2021-09-21
US20210140891A1 (en) 2021-05-13

Similar Documents

Publication Publication Date Title
JP7232771B2 (ja) 判別方法、学習方法、判別装置及びコンピュータプログラム
JP7339308B2 (ja) 細胞の表現型応答を自動的に分析するためのシステムおよび方法
US11098275B2 (en) Analysis device
US20200323480A1 (en) Hyperspectral Image-Guided Raman Ocular Imager for Alzheimer's Disease Pathologies
WO2006104201A1 (ja) 細胞画像解析方法、細胞画像解析プログラム、細胞画像解析装置、スクリーニング方法およびスクリーニング装置
US8253936B2 (en) Raman characterization of transplant tissue
WO2016080442A1 (ja) 品質評価方法及び品質評価装置
JP2007020449A (ja) スクリーニング方法およびスクリーニング装置
JPWO2018203568A1 (ja) 細胞評価システム及び方法、細胞評価プログラム
US20200300768A1 (en) Determination device, determination method, and determination program
JP4728025B2 (ja) 細胞画像解析装置
JP2018004594A (ja) 品質評価方法及び品質評価装置
EP1857538B1 (en) Microscope apparatus and cell observation method
JP2019207239A (ja) 品質評価方法及び品質評価装置
US20220065782A1 (en) Forensic detector and the system thereof
JP5845154B2 (ja) 生体数モデル生成装置、生体数モデル生成方法、サイトメーター、および、プログラム
KR102139477B1 (ko) 매질 특성 차이를 이용한 영상 기반의 시료 분석 장치를 이용하여 시료를 측정하고 분석하는 방법
US20240044773A1 (en) Cell life-and-death determination method, cell life-and-death determination device, and cell life-and-death determination system
US20220349803A1 (en) Method and apparatus for particle detection in turbid or clear medium
US20240052287A1 (en) Cell culture apparatus and living cell concentration adjustment method
US20230129540A1 (en) Cell analyzer device
JP2023067851A (ja) 細胞の成熟度の評価方法
CN107407639A (zh) 用于检查用于移植的材料的装置和方法
Regner Randomness in Biological Systems

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200515

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211005

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220927

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221117

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: 20230207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230220

R150 Certificate of patent or registration of utility model

Ref document number: 7232771

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150