KR20140048870A - 원격 화학 분석 분류 장치 및 방법 - Google Patents

원격 화학 분석 분류 장치 및 방법 Download PDF

Info

Publication number
KR20140048870A
KR20140048870A KR20137028613A KR20137028613A KR20140048870A KR 20140048870 A KR20140048870 A KR 20140048870A KR 20137028613 A KR20137028613 A KR 20137028613A KR 20137028613 A KR20137028613 A KR 20137028613A KR 20140048870 A KR20140048870 A KR 20140048870A
Authority
KR
South Korea
Prior art keywords
data
analysis
new analysis
computer
test
Prior art date
Application number
KR20137028613A
Other languages
English (en)
Other versions
KR101937499B1 (ko
Inventor
제에브 루삭
Original Assignee
애주어 볼트 리미티드.
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 애주어 볼트 리미티드. filed Critical 애주어 볼트 리미티드.
Publication of KR20140048870A publication Critical patent/KR20140048870A/ko
Application granted granted Critical
Publication of KR101937499B1 publication Critical patent/KR101937499B1/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6844—Nucleic acid amplification reactions
    • C12Q1/686—Polymerase chain reaction [PCR]
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2300/00—Additional constructional details
    • B01L2300/08—Geometry, shape and general structure
    • B01L2300/0809—Geometry, shape and general structure rectangular shaped
    • B01L2300/0829—Multi-well plates; Microtitration plates
    • 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
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Biotechnology (AREA)
  • Immunology (AREA)
  • Microbiology (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Automatic Analysis And Handling Materials Therefor (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

원격 화학 분석 분류를 위한 휴대용 장치가 제공되며, 컴퓨터 프로세서와 상기 컴퓨터 프로세서상에서 구현되는 장치를 포함하고, 상기 장치는: 원격 컴퓨터상의 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터, 상기 원격 컴퓨터상에서 추출된 표본 외 확장자를 규정하는 데이타를 수신하도록 구성된 표본 외 데이타 수신기, 및 상기 표본 외 데이타 수신기와 통신하고, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류하도록 구성된 새로운 분석 분류기를 포함한다.

Description

원격 화학 분석 분류 장치 및 방법{REMOTE CHEMICAL ASSAY CLASSIFICATION}
본 발명은 화학 반응을 분석하는 기술에 관련된 것으로, 특히 화학 반응 시험을 원격으로 분류하는 시스템과 방법들에 관한 것이다.
전통적으로, 분석의 분류는 업계의 전문가에 의해서 수동 검사를 기준으로 한다. 전문가가 수동으로 수백 또는 수천의 샘플을 검사하고, 정량-형광 중합 효소 연쇄 반응(QF-PCR) 기반의 분석으로부터 얻어진 수천의 그래프를 분석한다.
전문가는, 수동으로 샘플내의 특정 기능을 감지하고, 각각의 샘플을 화학 반응의 두 개 이상의 그룹 중 하나로(즉, 특정 유전자 변이의 존재에 관련하여, 부정 또는 긍정으로서) 분류한다.
현재 사용되는 몇몇의 방법은 화학 반응 분석의 반자동 분류를 제공한다.
예를 들면, 2006년 4월 4일, Tichopad et al에 의해서 "중합 효소 연쇄 반응 사이의 반응 동역학 호환성 평가"라고 출원된 PCT 특허 출원 번호: 제PCT/IB2006/051025호는 대형 학습(training) 세트의 사용법을 설명하고, 통계적으로 화학 분석의 특성을 비교할 수 있다.
이와 유사하게, Wold et al은, 1977년 논문, Kowalski, B.R., ed., Chemometrics Theory and Application, American Chemical Society Symposium Series 52, Wash., D.C., American Chemical Society, pp. 243-282 내에서 "SIMCA: 유사성과 비유의 측면에서 화학 데이타를 분석하기 위한 방법"의 제목으로, 유사성 분석 방법을 기재하고 있다. 상기 Wold 방법도, 많은 량의 시험 샘플 데이타의 유용성과, 다수의 속성 및 클래스 멤버쉽을 필요로 한다.
그러나, 상기에서 설명한 방법은, 여전히 전문가에 의해서 수동으로 구축된 학습 세트에 의존하고 있다. 상기 학습 세트를 구축하기 위해서는, 전문가가 직접 수백 또는 수천 개의 샘플을 검사해야 하고, 각각의 샘플을 화학 반응의 두 개 이상의 그룹 중 하나로 분류하여야 한다.
현재 사용되는 일부 방법은 시료의 자동 분류를 기반으로 한다. 예를 들면, 현재 사용되는 일부의 방법은, 생물학적 시스템내의 패턴들을 파악하기 위해 SVM(지원 벡터 장치)을 사용한다.
상기 지원 벡터 장치(SVM)은 데이타를 분석하고 패턴을 인식하는 관련 감독 학습 방법의 세트이다. 감독 학습 방법은 분류 및 회귀 분석을 위해 널리 사용된다.
직관적으로, SVM 구축 모델은 공간내에 매핑된 점으로서 샘플을 표현함으로써, 별도의 카테고리의 시료들은 분명 차이로 나뉘어진다.
전형적으로, 화학 반응 분석의 분류에서 예비적인 단계는, 많은 수의 시험 분석으로부터 특징 추출을 포함한다.
일 예에서, 상기 특징 추출은, 다른 것들 중에서, 각각의 시험 분석의 QF-PCR 화학 반응 그래프로부터 매개 변수들의 추출, 즉 QF-PCR 화학 반응 그래프상에서 감지될 필요가 있는 엘보우 점(elbow points)들의 좌표 값들의 추출을 포함한다.
상기 매개 변수들은, QF-PCR 화학 반응 그래프상에서 감지된 하나 이상의 엘보우 점들의 형광 강도(FI) 값, 엘보우 각각의 점의 시간, 상기 QF-PCR 화학 반응 그래프의 특정 점들에서 형광 강도(FI) 값 등을 포함할 수 있지만, 이 같은 매개 변수에 제한되지는 않는다.
그 다음, 상기 추출된 매개 변수들은, 상기 시험 분석을 분류하기 위해 사용되고, 즉 당업계에서 알려진 바와 같은 SVM 또는 다른 감독된 학습 방법을 통해서 이다.
본 발명은 종래의 문제점을 개선한 원격 화학 분석 분류 장치 및 방법을 제공한다.
본 발명의 제1 측면에 따르면, 원격 화학 분석 분류를 위한 휴대용 장치가 제공되며, 컴퓨터 프로세서와 상기 컴퓨터 프로세서상에서 구현되는 장치를 포함한다. 상기 장치는: 원격 컴퓨터상의 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터, 상기 원격 컴퓨터상에서 추출된 표본 외(out-of-sample) 확장자를 규정하는 데이타를 수신하도록 구성된 표본 외 데이타 수신기, 및 상기 표본 외 데이타 수신기와 통신하고, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류하도록 구성된 새로운 분석 분류기를 포함한다.
본 발명의 제2 측면에 따르면, 원격 화학 분석 분류를 위한 장치가 제공되고, 상기 장치는: 화학 반응의 다수의 시험 분석을 적어도 두 그룹으로 분류하도록 구성된 시험 분석 분류기, 상기 시험 분석 분류기와 통신하고, 상기 시험 분석의 분류로부터 표본 외 확장자를 추출하도록 구성된 확장자 추출기, 및 상기 확장자 추출기와 통신하고, 상기 추출된 표본 외 확장자를 규정하는 데이타를 포장하도록 구성되며, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을, 상기 그룹 중 하나로 분류하도록 사용되는 원격 컴퓨터로 전송하도록 된 데이타 포장기를 포함한다.
본 발명의 제3 측면에 따르면, 원격 화학 분석 분류를 위한 장치가 제공되며, 상기 장치는: 원격 컴퓨터상에서의 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터, 상기 원격 컴퓨터상에서 추출된 표본 외 확장자를 규정하는 데이타를 수신하도록 구성된 표본 외 데이타 수신기, 및 상기 표본 외 데이타 수신기와 통신하고, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류하도록 구성된 새로운 분석 분류기를 포함한다.
본 발명의 제4 측면에 따르면, 원격 화학 분석 분류를 위한 컴퓨터 구현 방법이 제공되며, 상기 방법은 컴퓨터가 실행하도록 프로그램되는 단계들을 포함하고, 상기 단계들은: 화학 반응의 다수의 시험 분석들을 적어도 두 그룹으로 분류하고, 상기 분류로부터 표본 외 확장자를 추출하며, 그리고 상기 표본 외 확장자를 규정하는 데이타를 사용하여, 상기 화학 반응의 새로운 분석을 상기 그룹 중 하나로 분류하도록 사용되는 원격 컴퓨터로의 전송을 위하여, 상기 추출된 표본 외 확장자를 규정하는 데이타를 포장하는 것들을 포함한다.
본 발명의 제5 측면에 따르면, 원격 화학 분석 분류를 위한 컴퓨터 구현 방법이 제공되며, 상기 방법은 컴퓨터가 실행하도록 프로그램되는 단계들을 포함하고, 상기 단계들은: 원격 컴퓨터상에서의 화학 반응의 시험 분석들을 적어도 두 그룹으로 분류하는 것으로부터 상기 원격 컴퓨터상에서 추출된 표본 외 확장자를 규정하는 데이타를 수신하고, 그리고 상기 표본 외 확장자를 규정하는 데이타를 사용하여, 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류시키는 것을 포함한다.
다르게 정의되지 않는 한, 여기에서 사용되는 모든 기술 및 과학 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식에 의해서 일반적으로 이해되는 것과 동일한 의미를 가진다. 그리고 여기에 제공된 재료, 방법, 및 예들은 단지 설명을 위한 것이며, 제한하고자 의도된 것은 아니다.
본 발명의 방법 및 시스템의 구현은, 특정하게 선택된 작업 또는 단계들을 수동으로, 자동으로, 또는 그것들의 조합으로 실행하거나 또는 완료하는 것을 포함한다.
또한, 본 발명에 따른 방법 및 시스템의 바람직한 실시 예들의 실제적인 계측 및 장비에 따르면, 몇 가지 선택된 단계들은 임의 펌웨어(firmware)의 운영 시스템상에서의 하드웨어, 소프트웨어 또는 그들의 조합으로서 구현될 수 있다.
예를 들면, 하드웨어로서, 본 발명의 선택된 단계는 칩이나 회로로 구현될 수 있다. 소프트웨어로서, 본 발명의 선택된 단계는 임의의 적합한 운영 시스템을 사용하는 컴퓨터에서 실행되는 다수의 소프트웨어 명령어로서 구현될 수 있다.
모든 경우에서, 본 발명의 방법 및 시스템의 선택된 단계들은 다수의 명령어를 실행하기 위한 컴퓨터 플랫폼과 같은, 데이타 프로세서에 의해서 실행되는 것으로 설명될 수 있다.
본 발명의 원격 화학 분석 분류 장치 및 방법에 의하면, 종래의 문제점을 효과적으로 개선할 수 있다.
본 발명은 여기에서 첨부 도면을 참조하여 설명되어 있고, 이는 단지 예시적인 것이다.
도면을 참조한 특정 상세 설명에서, 도시된 특정 부분은 단지 예를 들어서 강조된 것이며, 본 발명의 바람직한 실시 예를 예시적으로 설명하기 위한 것이고, 본 발명의 원리 및 개념 측면의 가장 유용하고 이해하기 쉬운 설명으로 간주되는 것을 제공하기 위해 제시된 것이다.
도면을 참조한 설명은, 본 발명의 여러가지 형태가 실제로 구현될 수 있는 방법을 당업자들에게 명백하게 제시할 것이다.
도면에서:
도 1은 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제1 휴대용 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
도 2는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제2 휴대용 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
도 3은 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제1 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
도 4는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제2 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
도 5는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제1 방법을 보여주는 단순화된 플로우 챠트이다.
도 6은 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제2 방법을 보여주는 단순화된 플로우 챠트이다.
도 7A는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제3 방법을 보여주는 단순화된 플로우 챠트이다.
도 7B는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제4 방법을 보여주는 단순화된 플로우 챠트이다.
도 8은 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 시스템을 개략적으로 보여주는 블록 다이어그램이다.
본 실시 예들은 원격 화학 분석 분류를 위한, 휴대용 장치, 장치 및 방법을 포함한다.
본 발명의 예시적인 실시 예에 따르면, 중앙 컴퓨터는 많은 수의 화학 반응 시험 분석을 두 개 이상의 그룹(즉, 부정 분석 대 긍정 분석)으로 분류하기 위해 사용된다. 결과적으로, 상기 화학 반응의 새로운 분석을 분류하기 위하여 사용가능한 분류 모델이 얻어진다.
일 예에서, 상기 중앙 컴퓨터는 중앙 연구소에서 사용하는 컴퓨터, 또는 사스(SaaS: Software as a Service) 모드에서 여러 실험실에 분류 서비스를 제공하는 업체에서 사용하는 컴퓨터일 수 있으며, 이에 대해서는 이하에서 보다 자세히 설명된 바와 같다.
상기 중앙 컴퓨터상에서의 시험 분석의 분류는, 특징 추출의 예비 단계를 포함할 수 있다.
상기 특징 추출 단계는 연구소에 의해 실시되는 많은 수의 각각의 시험 분석의 결과 데이타로부터 특정 매개 변수들을 추출하는 것을 포함한다.
일 예에서, 상기 특징 추출 단계는 샘플의 각각의 시험 분석에 사용되는 중합 효소 연쇄 반응(PCR)도중에 측정된 정량-형광(QF) 값으로부터 특정 매개 변수들을 추출하는 것을 포함한다.
상기 예에서, 상기 특징 추출은, 다른 것들 중에서도, 화학 반응 동안 측정된, 양적 형광 중합 효소 연쇄 반응(QF-PCR) 화학 반응 값을 나타내는 그래프로부터 매개 변수들의 추출을 포함할 수 있다.
예제 매개 변수들은, QF-PCR 화학 반응 그래프상에서 감지될 필요가 있는 엘보우 점들의 좌표 값(예를 들면, 시간 및 진폭), 및 화학 반응에서 얻어진 제품의 양 등을 포함하지만, 이에 제한되지는 않는다.
그 다음, 각각의 시험 분석은 수학적 공간(즉, 유클리드 공간)의 점으로서 표시되며, 여기서는 각 차원이 시험 분석의 매개 변수들 중의 하나에 해당한다. 각각의 점의 위치는, 상기 점에 의해서 나타난 상기 시험 분석으로부터 추출된 매개 변수들의 값에 의존한다.
다음, 상기 점들은 연산적으로 중(heavy) 분류 기술이 실행된다.
많은 수의 시험 분석들을 나타내는 점들에 적용되는 분류 기술은, 전형적으로 큰 실험실 및 학습 기관에서 사용되는 강력한 컴퓨터 서버에서 발견되는 광범위한 컴퓨팅 자원을 필요로 한다.
상기 분류 기술은 당 업계에서 알려진 바와 같은, SVM(지원 벡터 장치), K-Nearest Neighbor 등과 같은 하나 이상의 학습 기술을 포함할 수 있다.
상기 시험 분석의 정확한 분류는, 다수의 추출된 매개 변수에 의하여 각각의 시험 분석을 특징화하는 것을 포함하며, 따라서 수학적 공간의 차원을 증가시킨다. 또한, SVM과 같은 몇몇의 학습 기술은, 당 업계에서 알려진 바와 같이, 차원의 수에서 추가적인 증가를 포함한다.
상기 수학적 공간이 더 많은 차원을 가질 수록, 상기 분류 기술은 더욱 계산적으로 과도하게 된다.
상기 차원의 수를 줄이기 위하여, 상기 분류 기술은 확산 매핑(아주 최근에 도입됨), 커널(Kernel) PCA, 라플라스 아이겐-매핑(Laplacian Eigen-Mapping), Isomapping, MVU(Maximum Variance Unfolding) 등의 차원 축소 기법들을 추가적으로 포함할 수 있다.
상기 차원 축소 기법들은 수학적 공간내의 차원의 수를 줄이고, 서로 다른 품질(즉, 긍정 대 부정)의 시험 분석 그룹들 사이의 분리를 향상시킨다.
결과적으로 상기 차원 축소 기법들은, SVM 또는 다른 학습 방법에 적용될 때, 상기 시험 분석의 보다 정확한 분류를 제공한다.
그러나, 상기 차원 축소 기법들은 추가적으로 상기 분류 계산 복잡도에 더해진다.
일 예에서, 확산 매핑 기술은 상기 수학적 공간을 차원 축소 공간으로 변환시키고, 이는 유사한 품질의 분석을 나타내는 점들 사이의 근접도를 향상시킨다. 상기 차원 축소 공간은 또한, 이하에서 임베디드(embeded) 공간으로, 언급되어 있다.
그러나, 확산 매핑도 계산적으로 과도한 기술이며, 랜덤 액세스 메모리와 처리 능력의 상당량을 소모한다.
이러한 임베디드 공간의 점들에, SVM과 같은 분류 기술을 적용할 때, 하나 이상의 선들이 상기 임베디드 공간을 그룹들로 분리하는 분류 모델이 산출된다.
SVM은 각각의 점(그에 따라서, 상기 점에 의해서 나타난 시험 분석)들을 나타내는 판별 함수을 산출하며, 상기 그룹 중의 하나에 속하는 점들은, 상기 임베디드 공간 내의 점 위치나, 또는 상기 점에 의해서 나타난 시험 분석을 위해 추출된 매개 변수들의 값들에 기초한다.
상기 임베디드 공간은 상기 시험 분석의 결과 사이의 상관 관계에 의존한다. 즉, 상기 점들은 상기 점들 사이의 상관 관계, 및 각각의 화학 반응 분석으로부터 추출된 매개 변수들의 값들에 따라서 상기 임베디드 공간내에 위치되며, 이에 대해서는 이하에서 보다 상세히 설명된 바와 같다.
새로운 분석이 분류되어야 하는 경우, 상기 새로운 분석의 완전하게 정확한 분류는, 상기 시험 분석과 새로운 분석의 모두의 결과를 사용하여, 전체 임베디드 공간의 계산적으로 과도한 재-계산을 필요로 한다.
본 발명의 예시적인 실시 예에 따르면, 표본 외(out-of-sample) 확장자는 중앙 서버상에서, 시험 분석의 분류로부터 추출된다.
각각의 차원 축소 기법은 당 업계에서 알려진 바와 같이, 하나(또는 그 이상)의 표본 외 확장자를 가질 수 있으며, 이에 대해서는 이하에서 보다 상세히 설명된 바와 같다.
상기 표본 외 확장자는 새로운 분석을 상기 그룹 중 하나(즉, 부정과 긍정 그룹)로 분류하기 위한 방법이며, 상기 시험 분석의 분류에 따른 결과이다.
상기 표본 외 확장자는 상기 새로운 분석을, 임베디드 공간의 완전한 재-계산없이 분류하며, 즉 상기 시험 분석의 분류 중간 생성물을 사용한다고 할 수 있으며, 이에 대해서는 이하에서 보다 상세히 설명된 바와 같다.
한편, 상기 표본 외 확장자는 상기 시험 분석을 분류하기 위해 사용되는 기술보다 계산이 간단하지만(상기 확장자가 임베디드 공간의 완전한 재-계산을 회피하므로), 상기 표본 외 확장자는 분류의 정확성에서 허용 손실을 포함한다.
다음, 상기 확장자를 규정하는 데이타는 포장되고(즉, 특정 형식의 파일로), 그리고 화학 반응의 새로운 분석의 분류에 사용되는 원격 휴대용 장치로 전송되며, 즉 중앙 컴퓨터로부터 멀리 위치된 현장 실험실내로 이다.
일 예에서, 상기 확장자를 규정하는 데이타는, 시험 분석을 분류하기 위한, 확산 매핑 기술의 중간 생성물과, 상기 임베디드 공간에 적용되는 SVM 기술의 판별 함수로 구성되어 있으며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 원격 휴대용 장치는 새로운 분석의 분류를 위한 전용의 소형, 경량 장치일 수 있으며, 중앙 컴퓨터의 컴퓨팅 자원보다는 열등한 전산 자원, 예를 들면 느린 프로세서, 작은 데이타 저장 용량, 다른 소프트웨어 등을 구비하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 원격 휴대용 장치는 새로운 분석을 상기 그룹 중 하나로 분류하기 위해, 상기 표본 외 확장자를 규정하는 데이타를 사용하고, 계산적으로 보다 간단한 표본 외 확장자를 사용하며, 그에 따라서 원격 화학 분석 분류를 제공하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
본 발명에 따른 원리와 작동은, 첨부된 도면 및 상세한 설명을 참조하면 더욱 잘 이해될 수 있을 것이다.
본 발명의 적어도 하나의 실시 예를 상세히 설명하기 전에, 본 발명은 이하의 설명에 명시된, 또는 도면에 도시된 바와 같은 구성 요소의 제작 및 배열의 상세 내용으로 그 응용이 제한되지 않는다는 것을 이해해야 한다.
본 발명은 다른 실시 예나, 또는 여러 가지 다른 방식으로 구현되고 실행될 수 있다. 또한, 여기에서 사용된 어법 및 용어들은 단지 설명만을 위한 것으로서, 제한적으로서 간주되어서는 안된다는 점을 이해하여야만 한다.
도 1을 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제1 휴대용 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
본 발명의 예시적인 실시 예에 따른, 원격 화학 분석 분류를 위한 제1 휴대용 장치(1000)는, 컴퓨터 프로세서(1100), 및 컴퓨터 프로그램으로서 상기 컴퓨터 프로세서(1100)상에서 구현되는 장치를 포함하고 있다.
상기 컴퓨터 프로세서(1100)상에서 구현되는 장치는, 표본 외 데이타 수신기(110)를 포함한다.
상기 표본 외 데이타 수신기(110)는, 표본 외 확장자를 규정하는 데이타를 수신하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 원격 컴퓨터(즉, 중앙 연구소나 실험실로 분류 서비스를 제공하는 회사에서 사용하는 서버상에서)으로부터 추출되고, 상기 휴대용 장치(1000)로 전송되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 상기 원격 컴퓨터상에서 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터 추출되고, 즉 학습 기술과 차원 축소 기법을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는, 이러한 확산 매핑과 같은 비-선형 기법을 기반으로 한다. 상기 추출된 표본 외 확장자를 규정하는 데이타는, 상기 비-선형 기법의 중간 생성물, 즉 선택된 매트릭스를 포함할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는 확산 매핑 및 SVM에 기초하며, 상기 확장자를 규정하는 데이타는 확산 매핑 기술과 SVM 판별 함수의 중간 생성물로 구성되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치는 상기 표본 외 데이타 수신기(110)와 통신하는 새로운 분석 분류기(120)를 추가적으로 포함한다.
상기 새로운 분석 분류기(120)는 화학 반응의 새로운 분석을, 상기 시험 분석이 분류되어지는 그룹들 중의 하나로 분류시키며, 상기 표본 외 확장자를 규정하는 데이타를 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 장치는 또한, 상기 새로운 분석 분류기(110)와 통신하는 매개 변수 추출기(130)를 추가로 포함한다.
상기 매개 변수 추출기(130)는 상기 새로운 분석의 결과 데이타로부터 하나 이상의 매개 변수를 추출하고, 상기 새로운 분석 분류기(120)는 상기 새로운 분석을 분류하기 위해, 상기 추출된 매개 변수들을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 장치는 매개 변수 추출기(130)와 통신하는, 결과 데이타 수신기(140)를 추가로 포함한다.
상기 결과 데이타 수신기(140)는 상기 새로운 분석의 결과 데이타를 수신하고, 상기 새로운 분석 분류기(120)는 새로운 분류를 위해, 수신된 결과 데이타를 사용하거나, 또는 상기 수신된 결과 데이타로부터 추출된 매개 변수들(즉, 매개 변수 추출기(130)에 의함)을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 휴대용 장치(1000)는 추가적으로, 상기 컴퓨터 프로세서(1100)와, 그리고 상기 컴퓨터 프로세서(1100)상에서 구현된 새로운 분석 분류기(110)와 통신하는 데이타 매체 판독기(151)를 추가적으로 포함한다.
선택적으로, 상기 데이타 매체 판독기(151)는, 상기 표본 외 확장자를 규정하는 데이타를, 컴퓨터 판독 가능 매체(예를 들면, USB-메모리, SD(Secure Disital) 카드, 스마트 카드 등)으로부터, 표본 외 데이타 수신기(110)를 위하여 판독한다.
선택적으로, 상기 결과 수신기(140)는 데이타 매체 판독기(151), 또는 상기 휴대용 장치(1000)내에 설치된 다른 데이타 매체 판독기를 사용하여, 컴퓨터 판독 가능 매체로부터 상기 새로운 분석의 결과 데이타를 읽을 수 있다.
상기 새로운 분석 분류기(120)는 상기 새로운 분석의 분류를 위해, 상기 읽기 결과 데이타, 또는 상기 읽기 결과 데이타로부터 추출된 매개 변수들(즉, 매개 변수 추출기(130)에 의함), 그리고 표본 외 확장자를 규정하는 데이타를 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 휴대용 장치(1000)는 상기 컴퓨터 프로세서(1100)와 통신하는 데이타 통신기(152)(즉, 당 업계에서 모뎀 또는 컴퓨터 네트워크 카드로 알려진 것들)를 추가적으로 포함한다.
선택적으로, 상기 데이타 통신기(152)는 원격 컴퓨터와 통신하고, 상기 표본 외 확장자를 규정하는 데이타를 수신하며, 즉 당 업계에서 알려진 바와 같이, 이동통신기기 네트워크, 인터넷 또는 다른 통신 채널을 통해 통신한다.
선택적으로, 상기 데이타 통신기(152), 또는 상기 휴대용 장치(1000)에 설치된 다른 데이타 통신기는 상기 새로운 분석이 실행되는 화학 반응 장치에 연결된 컴퓨터와 통신한다.
상기 데이타 통신기(152)(또는 다른 데이타 통신기)는 화학 반응 장치에 연결된 컴퓨터와 통신하며, 상기 결합된 컴퓨터로부터 새로운 분석의 결과 데이타를 수신한다. 상기 새로운 분석 분류기(120)는 상기 결과 데이타 또는 상기 결과 데이타로부터 추출된 매개 변수들(즉, 매개 변수 추출기(130)에 의함)을 사용하여 상기 새로운 분석을 분류하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 휴대용 장치(1000)는 상기 컴퓨터 프로세서(1100)와 통신하는, 예를 들면 작은 LCD(액정 디스플레이) 화면이나, 또는 작은 LED(발광 다이오드) 조명 세트와 같은 디스플레이(190)를 추가적으로 포함할 수 있다.
상기 디스플레이는 휴대용 장치(1000)의 사용자에게 메시지를 전달하도록 사용될 수 있다.
예를 들면, 상기 새로운 분석의 성공적인 분류시에, 새로운 분석의 분류 결과는 휴대용 장치(1000)의 사용자에게 전달될 수 있으며, 즉 상기 LED 조명(녹색 광) 중 하나를 켜서, 또는 작은 LCD 화면에 표시되는 메시지(즉, '긍정 분석 '메시지)를 통해서 전달될 수 있다.
선택적으로, 상기 컴퓨터 프로세서(1100) 상에서 구현된 장치는, 또한 상기 새로운 분석 분류기(120)와 통신하는, 당업계에서 알려진 DVD 기록기, 또는 CD 기록기인 분류 데이타 기록기를 추가적으로 포함할 수 있다.
상기 분류 데이타 기록기는, 새로운 분석의 분류 결과를, 예를 들면 당업계에서 알려진 바와 같은, CD-ROM, SD 메모리 카드, USB-메모리 등의 컴퓨터 판독 가능 매체에 기입하도록 새로운 분석 분류기(120)에 의해서 사용될 수 있다.
도 2를 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제2 휴대용 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
제2 예시적인 휴대용 장치(2000)는 원격 화학 분석 분류를 위하여, 장치(1000)의 컴퓨터 프로세서(1100) 상에서 구현되는 장치를 포함한다.
선택적으로, 상기 제2 장치(2000)는 또한, 2개의 LED 조명(290)(즉, 녹색 광-긍정적 분류 분석과, 붉은 광-부정적 분류 분석)이 포함되어 있다. 상기 LED 조명(260)은 새로운 분석의 분류 결과를 제2 장치(2000)의 사용자에게 전달하는 데 사용될 수 있으며, 즉 새로운 분석 분류기(120)를 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 제2 예시적인 휴대용 장치(2000)는 추가로 당업계에서 알려진 바와 같이, 휴대용 장치(2000)을 켜거나 끄기 위한 온/오프 스위치(291)를 포함할 수 있다.
상기 제2 장치(2000)는 추가적으로, 하나 이상의 컨트롤 버튼(292)을 포함할 수 있고, 즉 상기 표본 외 확장자를 규정하는 데이타를 읽는 것과, 상기 새로운 분석의 결과 데이타를 읽는 것 사이를 전환하기 위한 것이며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 제2 장치(2000)는 하나 이상의 소켓(293)을 추가적으로 포함할 수 있다.
선택적으로, 하나 이상의 소켓들이 상기 새로운 분석 분류기(120)에 의하여 새로운 분석의 분류 결과를, 예를 들면 SD-메모리 카드, USB-메모리 카드 등의 컴퓨터 판독 가능 매체상에 작성하는 데 사용되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 하나 이상의 소켓들은 컴퓨터 판독 가능 매체(즉, USB-메모리 또는 SD-메모리 카드)를 삽입하기 위해 사용될 수 있고, 이는 데이타 매체 판독기(151)에 의해서 읽혀지기 위하여, 상기 표본 외 확장자를 규정하는 데이타를 전송하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 제2 휴대용 장치(2000)는 느린 프로세서, 최소 데이타 저장 용량 등의 상대적으로 제한된 컴퓨팅 자원을 갖는, 새로운 분석 분류 전용의 소형 경량 장치일 수 있다.
결과적으로, 상기 휴대용 장치(2000)는 계산적으로 과도한 분류 기술을 충분히 실행할 수 있는 강력한 컴퓨터가 없는 소형(및 심지어는 현장) 실험실에서 매우 도움이 될 수 있음을 증명할 수 있으며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
도 3을 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제1 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
예시적인 장치(3000)는, 컴퓨터 프로그램으로서, 하드웨어로서, 컴퓨터 프로그램과 하드웨어의 조합으로서 구현될 수 있다.
선택적으로, 상기 장치(3000)는 원격 컴퓨터(즉, 원격 실험실 컴퓨터, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다)상에 설치된 하나 이상의 전용 클라이언트 프로그램과 원격 통신하는 컴퓨터 서버 응용 장치로서 구현된다.
상기 장치(3000)는 시험 분석 분류기(310)를 포함한다.
상기 시험 분석 분류기(310)는, 화학 반응의 다수의 시험 분석을 적어도 두 그룹으로 분류하고, 즉 부정 분석 그룹과 긍정 분석 그룹으로 분류한다.
상기 시험 분석 분류기는, 학습 기술과 차원 축소 기법을 사용하여 상기 시험 분석을 분류할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(3000)는, 상기 시험 분석 분류기(310)와 통신하는 확장자 추출기(320)를 추가적으로 포함한다.
상기 확장자 추출기(320)는 상기 시험 분석의 분류로부터 표본 외 확장자를 추출하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(3000)는 상기 확장자 추출기(320)와 통신하는 데이타 포장기(330)를 추가적으로 포함한다.
상기 데이타 포장기(330)는 상기 추출된 표본 외 확장자를 규정하는 데이타를 포장하며, 이는 상기 화학 반응의 새로운 분석을 상기 그룹 중 하나로 분류하기 위해서 사용되는 원격 컴퓨터로 전송하기 위함이다.
선택적으로, 상기 원격 컴퓨터는 상기 새로운 분석이 실행되는 화학 반응 장치에 결합되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 시험 분석 분류기(310)는 확산 매핑과 같은 비-선형 기법을 사용하여 상기 시험 분석을 분류한다. 상기 포장된 데이타는 상기 비-선형 기법의 중간 생성물을 포함할 수 있고, 즉 선택된 매트릭스이며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 시험 분석 분류기(310)는 확산 매핑과 SVM을 사용하여 시험 분석을 분류한다. 상기 확장자를 규정하는 데이타는, 확산 매핑 기술의 중간 생성물(즉, 매트릭스)와 SVM 판별 함수를 포함할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
일 예에서, 상기 데이타 포장기(330)는 상기 데이타를 특정 형식의 파일로 포장하며, 즉 표준에 일치하는 포멧으로, 그리고 업계 표준을 준수하는 형식으로 포장한다.
선택적으로, 상기 장치(3000)는 데이타 포장기(330)와 통신하는 데이타 통신기(즉, 모뎀 또는 컴퓨터 네트워크 카드)를 추가적으로 포함한다.
상기 데이타 통신기는 원격 컴퓨터에 상기 포장된 데이타를 통신한다.
선택적으로, 상기 장치(3000)는 상기 데이타 포장기(330)와 통신하는 데이타 기록기를 추가적으로 포함한다.
상기 데이타 기록기는 원격 컴퓨터가 읽을 수 있은 휴대용 매체, 즉 SD 메모리 카드, USB 메모리, 스마트 카드 등에 상기 포장된 데이타를 기록한다.
상기 휴대용 매체는 원격 컴퓨터의 사용자에게 전송되며, 그는 상기 매체를 원격 컴퓨터상의 소켓내에 삽입한다.
상기 원격 컴퓨터는 포장된 데이타를 읽고, 상기 읽기 데이타에 의해서 규정된 표본 외 확장자를 사용하여 화학 반응의 새로운 분석을 분류하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
일 예에서, 상기 장치(3000)는 시험 분석 분류기(310)와 통신하는, 매개 변수 추출기를 추가적으로 포함한다.
상기 매개 변수 추출기는 상기 시험 분석의 결과 데이타로부터 하나 이상의 매개 변수들을 추출하고, 상기 시험 분석 분류기(310)는 상기 시험 분석을 분류하기 위하여, 상기 추출된 매개 변수들을 사용하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 장치(3000)는 시험 데이타 수신기, 즉 상기 매개 변수 추출기와 통신하는 시험 데이타 수신기를 추가적으로 포함한다.
상기 시험 데이타 수신기는 상기 시험 분석의 결과 데이타를 수신하고, 상기 시험 분석 분류기(310)는 상기 시험 분석을 분류하기 위해, 상기 수신된 결과 데이타, 또는 상기 수신된 결과 데이타로부터 추출된 매개 변수(즉, 매개 변수 추출기에 의함)를 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
도 4를 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제2 장치를 개략적으로 보여주는 단순화된 블록 다이어그램이다.
본 발명의 예시적인 실시 예에 따른, 원격 화학 분석 분류를 위한 장치(4000)는, 컴퓨터 프로그램으로서, 하드웨어로서, 컴퓨터 프로그램과 하드웨어의 조합으로서 구현될 수 있다.
상기 장치(4000)는 표본 외 데이타 수신기(410)를 포함한다.
상기 표본 외 데이타 수신기(410)는, 표본 외 확장자를 규정하는 데이타를 수신하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 원격 컴퓨터(즉, 중앙 연구소나, 실험실로 분류 서비스를 제공하는 회사에서 사용하는 서버)상으로부터 추출되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 상기 원격 컴퓨터상에서 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터 추출되고, 즉 학습 기술과 차원 축소 기법을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는, 확산 매핑과 같은 비-선형 기법을 기반으로 한다. 상기 추출된 표본 외 확장자를 규정하는 데이타는, 상기 비-선형 기법의 중간 생성물, 즉 선택된 매트릭스를 포함할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는 확산 매핑 및 SVM에 기초한다. 상기 확장자를 규정하는 데이타는 확산 매핑 기술과 SVM 판별 함수의 중간 생성물(즉, 매트릭스)으로 구성될 수 있으며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(4000)는 상기 표본 외 데이타 수신기(410)와 통신하는 새로운 분석 분류기(420)를 추가적으로 포함한다.
상기 새로운 분석 분류기(420)는 상기 화학 반응의 새로운 분석을, 상기 시험 분석이 분류되어지는 그룹들 중의 하나로 분류시키며, 상기 표본 외 확장자를 규정하는 데이타를 사용한다.
선택적으로, 상기 장치는 또한, 상기 새로운 분석 분류기(420)와 통신하는 매개 변수 추출기를 추가로 포함한다.
상기 매개 변수 추출기는, 상기 새로운 분석의 결과 데이타로부터 하나 이상의 매개 변수를 추출하고, 상기 새로운 분석 분류기(420)는 상기 새로운 분석을 분류하기 위해, 상기 추출된 매개 변수들을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 장치(4000)는 상기 매개 변수 추출기와 통신하는, 결과 데이타 수신기를 추가로 포함한다.
상기 결과 데이타 수신기는 상기 새로운 분석의 결과 데이타를 수신하고, 상기 새로운 분석 분류기(420)는 새로운 분석을 분류하기 위해, 상기 수신된 결과 데이타를 사용하거나, 또는 상기 수신된 결과 데이타로부터 추출된 매개 변수들(즉, 상기 매개 변수 추출기에 의함)을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 장치(4000)는 상기 표본 외 데이타 수신기(410)와 통신하는 데이타 통신기(즉, 당 업계에 알려진 모뎀 또는 컴퓨터 네트워크 카드)를 추가적으로 포함할 수 있다.
상기 데이타 통신기는 원격 컴퓨터와 통신하며, 상기 표본 외 확장자를 규정하는 데이타를 수신하며, 즉 당 업계에서 알려진 바와 같이, 이동통신기기 네트워크, 인터넷 또는 다른 통신 채널을 통해 통신한다.
상기 데이타 통신기는 상기 새로운 분석이 실행되어지는 화학 반응 장치에 연결된 컴퓨터와 통신하며, 상기 결합된 컴퓨터로부터 새로운 분석의 결과 데이타를 수신한다.
상기 새로운 분석 분류기(420)는 상기 결과 데이타 또는 상기 결과 데이타로부터 추출된 매개 변수들(즉, 매개 변수 추출기에 의함)을 사용하여 상기 새로운 분석을 분류하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 장치(4000) 자체는, 새로운 분석이 실행되어지는 화학 반응 장치에 결합되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
예를 들면, 상기 장치(4000)는 상기 화학 반응 장치에 설치된 칩상에서 구현될 수 있고, 즉 상기 화학 반응 장치의 일부를 형성하는 화학 반응 챔버 내부의 센서에 연결된 컨트롤러의 일부로서 구현되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
도 5를 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제1 방법을 보여주는 단순화된 플로우 챠트이다.
본 발명의 예시적인 실시 예에 따른 제1 예시적인 방법은, 전기 회로, 컴퓨터 명령 등을 사용하여 구현될 수 있다
상기 제1 예시적인 방법은 컴퓨터가 실행하도록 프로그램되어지는 단계를 포함한다.
선택적으로, 제1 예시적인 방법은 원격 컴퓨터(즉, 원격 실험실 컴퓨터) 상에 설치된 하나 이상의 전용 클라이언트 프로그램과 원격 통신하는 컴퓨터 서버상에서 구현되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 제1 예시적인 방법에서는, 화학 반응의 다수의 시험 분석들이 두 개 이상의 그룹으로, 즉 부정 분석 그룹과 긍정 분석 그룹으로 분류(510)된다.
선택적으로, 상기 시험 분석은 시험 분석 분류기(310)에 의해서 분류되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 시험 분석은 학습 기술과 차원 축소 기법을 사용하여 분류(510)되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 제1 예시적인 방법에서는 추가적으로, 상기 시험 분석의 분류로부터, 표본 외 확장자가 추출(520)되고, 즉 확장자 추출기(320)를 사용하여 추출되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
다음으로, 상기 추출된 표본 외 확장자를 규정하는 데이타는, 상기 화학 반응의 새로운 분석을 상기 그룹들 중의 하나로 분류시키기 위하여 사용되는 원격 컴퓨터로의 전송을 위하여 포장(package)(530)된다.
선택적으로, 상기 확장자를 규정하는 데이타는, 상기 데이타 포장기(330)에 의해 포장되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터는 상기 새로운 분석이 실행되는 화학 반응 장치에 결합되고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 시험 분석은 확산 매핑과 같은 비-선형 기법을 사용하여 분류(510)된다. 상기 포장된 데이타는 상기 비-선형 기법의 중간 생성물을 포함할 수 있고, 즉 상기 비-선형 기법의 중간 단계에서 생성된 선택 매트릭스이며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 시험 분석의 분류는 확산 매핑과 SVM에 기초한다. 상기 확장자를 규정하는 데이타는 확산 매핑 기술의 중간 생성물(즉, 매트릭스)와 SVM 판별 함수를 포함할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
일 예에서, 상기 표본 외 확장자를 규정하는 데이타는 특정 형식의 파일로, 즉 표준을 준수하는 형식으로 포장(530)된다.
선택적으로, 상기 포장(530)된 데이타는, 모뎀 또는 컴퓨터의 네트워크 카드를 사용하여 원격 컴퓨터와 통신되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 포장된(530) 데이타는, 원격 컴퓨터에서 읽을 수 있은 휴대용 매체, 즉 SD 메모리 카드, USB 메모리, 스마트 카드 등에 기록되고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 휴대용 매체는 원격 컴퓨터의 사용자에게 전송되며, 그는 상기 매체를 원격 컴퓨터상의 소켓내에 삽입한다. 상기 원격 컴퓨터는 포장된(530) 데이타를 읽고, 상기 읽기 데이타에 의해서 규정된 상기 추출된 표본 외 확장자를 사용하여, 화학 반응의 새로운 분석을 분류하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
일 예에서, 제1 예시적인 방법은 추가적으로, 상기 시험 분석의 결과 데이타로부터 하나 이상의 매개 변수를 추출하는 것을 포함하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 추출된 매개 변수는 상기 시험 분석을 분류(510)하는 데에 사용될 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 제1 예시적인 방법은 추가적으로, 상기 시험 분석의 결과 데이타를 수신하는 것을 포함하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
도 6을 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제2 방법을 보여주는 단순화된 플로우 챠트이다.
본 발명의 예시적인 실시 예에 따른 제2 예시적인 방법은, 전기 회로, 컴퓨터 명령 등을 사용하여 구현될 수 있다.
상기 제2 예시적인 방법은 컴퓨터가 실행하도록 프로그램되어지는 단계를 포함한다.
선택적으로, 제2 방법은 장치(4000) 상에서, 도 1에 도시된 휴대용 장치의 컴퓨터 프로세서(1100) 상에서 구현되는 장치상에서, 또는 도 2의 휴대용 장치의 컴퓨터 프로세서상에서 구현되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다. 상기 제2 예시적인 방법은 컴퓨터 서버가 실행하도록 프로그램되어지는 단계를 포함한다.
상기 제2 예시적인 방법은 표본 외 확장자를 규정하는 데이타를 수신(610)하는 단계를 포함하며, 즉 상기 표본 외 데이타 수신기(410)를 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 원격 컴퓨터(즉, 중앙 연구소나, 실험실로 분류 서비스를 제공하는 회사에서 사용하는 서버)상으로부터 추출되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 상기 원격 컴퓨터상에서 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터 추출되고, 즉 학습 기술과 차원 축소 기법을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는, 확산 매핑과 같은 비-선형 기법을 기반으로 한다. 상기 추출된 표본 외 확장자를 규정하는 데이타는, 상기 비-선형 기법의 중간 생성물(즉, 상기 확산 매핑 도중에 계산된 매트릭스)을 포함할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는 확산 매핑 및 SVM에 기초하고, 그리고 상기 확장자를 규정하는 데이타는 확산 매핑 기술의 중간 생성물(즉, 매트릭스)와 SVM 판별 함수로 구성될 수 있으며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 제2 예시적인 방법은 상기 화학 반응의 새로운 분석을, 상기 시험 분석이 분류되어지는 그룹들 중의 하나로 분류(620)시키는 단계를 포함하며, 상기 표본 외 확장자를 규정하는 데이타를 사용한다.
선택적으로, 상기 새로운 분석은 장치(4000)의 새로운 분석 분류기(420)를 사용하여 분류(620)되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 제2 예시적인 방법은 상기 새로운 분석의 결과 데이타로부터 하나 이상의 매개 변수를 추출하는 것을 포함하며, 즉 장치(4000)의 매개 변수 추출기를 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다. 상기 추출된 매개 변수는, 상기 새로운 분석을 분류(620)하기 위해서 사용되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 제2 예시적인 방법은 상기 새로운 분석의 결과 데이타를 수신하는 것을 추가적으로 포함하며, 상기 새로운 분석을 분류(620)하기 위하여, 상기 수신된 결과 데이타를 사용하거나, 상기 수신된 결과 데이타로부터 추출된 매개 변수들(즉, 매개 변수 추출기에 의함)들을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 제2 예시적인 방법은 표본 외 확장자를 규정하는 데이타를 수신하기 위하여, 상기 원격 컴퓨터와 통신하는 것을 추가적으로 포함하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 원격 컴퓨터는 이동통신기기 네트워크, 인터넷 또는 다른 통신 채널을 통해 통신하며, 모뎀 또는 컴퓨터 네트워크 카드를 사용하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 제2 예시적인 방법은 새로운 분석이 실행되어지는 화학 반응 장치에 연결된 컴퓨터와 통신하는 것을 포함하며, 이는 상기 결합된 컴퓨터로부터 새로운 분석의 결과 데이타를 수신하기 위함이다.
상기 결과 데이타, 또는 상기 결과 데이타로부터 추출된 매개 변수들(즉, 매개 변수 추출기에 의함)은, 상기 새로운 분석을 분류(620) 하기 위해서 사용되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 제2 예시적인 방법은 상기 새로운 분석이 실행되어지는 화학 반응 장치에 자체적으로 결합된 장치(즉, 장치(4000))상에서 구현되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
예를 들면, 장치(4000)은 화학 반응 장치에 설치된 칩상에서, 즉 상기 화학 반응 장치의 일부를 형성하는 화학 반응 챔버 내측의 센서에 연결된 컨트롤러의 일부로서 구현될 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
도 7A를 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제3 방법을 보여주는 단순화된 플로우 챠트이다.
본 발명의 예시적인 실시 예에 따른 제3 예시적인 방법은, 전기 회로, 컴퓨터 명령 등을 사용하여 구현될 수 있다.
상기 제3 예시적인 방법은 컴퓨터가 실행하도록 프로그램되어지는 단계를 포함한다.
선택적으로, 제3 예시적인 방법은 원격 컴퓨터(즉, 원격 실험실 컴퓨터)상에 설치된 하나 이상의 전용 클라이언트 프로그램과 원격 통신하는 컴퓨터 서버상에서 구현되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
제3 예시적인 방법에서는, 다수의 매개 변수들은 화학 반응 분석 결과 데이타로부터, 즉 상기 시험 분석의 QF-PCR 그래프로부터 추출(710)되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다. 상기 각각의 시험 분석은 QF-PCR 그래프의 각각 하나로부터 추출(710)된 매개 변수 세트에 의해서 특징지워진다.
그 다음, 확산 매핑 등의 차원 축소 기법이 상기 매개 변수 세트(따라서, 상기 시험 분석)를, 임베디드 공간(즉, 차원적으로 감소된 공간내에서)의 점으로서, 표현(720)하는 데 사용되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
또한 제3 예시적인 방법에서는, 표본 외 확장자에 사용가능한, 차원 축소의 중간 생성물(즉, 매트릭스)이 추출(730)되고, 당 업계에 알려진 기하학적 하모닉(Geometric Harmonics) 기법을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
그 다음, SVM(지원 벡터 장치)과 같은 학습 방법이 상기 시험 분석을 분류(740)하기 위해 사용되며, 즉 당 업계에서 알려진 바와 같이, 임베디드 공간내의 점들을 두 개 이상의 그룹으로 분할하는 판별 함수를 계산하여 이루어진다.
상기 판별 함수는 각각의 점들을 나타나며(따라서, 점에 의해서 표시된 상기 시험 분석을 위함), 상기 그룹 중 하나에 속하는 점들은 상기 임베디드 공간 내의 점의 위치, 또는 상기 점에 의해서 나타난 시험 분석을 위하여 추출된 매개 변수들의 값에 기초한다.
마지막으로, 표본 외 확장자를 규정하는 데이타는 특정 파일 형식으로 포장되고(750), 원격 컴퓨터로 전송된다.
상기 표본 외 확장자를 규정하는 포장된(750) 데이타는, 판별 함수(즉, 매개 변수 세트로서)를 포함한다.
상기 포장된(750) 데이타는 추가적으로, 상기 차원 축소 기법의 중간 생성물, 즉 상기 임베디드 공간내의 시험 분석을 표현(720)하는 데 사용되는, 확산 매핑 도중에 계산된 매트릭스들을 포함한다.
결과적으로, 상기 원격 컴퓨터는 새로운 분석을 분류하기 위하여, 상기 포장된(750) 데이타를 사용할 수 있고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
도 7B를 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 제4 방법을 보여주는 단순화된 플로우 챠트이다.
본 발명의 예시적인 실시 예에 따른 제4 예시적인 방법은, 전기 회로, 컴퓨터 명령 등을 사용하여 구현될 수 있다
제4 예시적인 방법은, 컴퓨터가 실행하도록 프로그램되어지는 단계들을 포함한다.
본 발명의 예시적인 실시 예에 따르면, 확산 매핑(Diffusion Mapping)은 임베디드 영역(즉, 차원 축소 공간내)의 점들로서, 매개 변수 세트(따라서, 시험 분석)를 표현(720)하는 데 사용된다.
상기 임베디드 공간은, 질적으로 동일한 화학 반응의 분석(즉, 화학 반응에서의 특정 화합물의 참여에 관련한 긍정 분석)을 나타내는 점들 사이의 근접성을 향상시킨다.
일 예에서, 화학 반응 시험 분석의 결과 데이타로부터 추출된 매개 변수의 세트가 수신(7010)되며, 즉 D 열 및 N 라인의 입력 매트릭스로서이다. 상기 입력 매트릭스는 D 매개 변수의 n 세트를 포함한다.
다음으로, N 열 및 N 라인의 매트릭스로서 표현된 등방성 커널(Isotropic Kernel)이 계산(7020)된다. 상기 매트릭스내의 각각의 요소는 상기 매개 변수 세트의 각각의 2개가 서로 이웃하는 경우인지를 나타낸다.
일 예에서, 만일 상기 두 세트 사이의 유클리드(Euclidian) 거리가 당업계에서 알려진 바와 같이, 상기 장치(3000)의 사용자에 의해서 사전 설정된 바와 같은 최대 유클리드 거리보다 크지 않을 경우, 매개 변수의 두 세트는 서로 이웃하는 것으로 간주된다.
즉, 상기 등방성 커널은 매개 변수의 세트 간의 유사성을 정의하며, 이는 당업계에 알려진 바와 같이, 상기 수신(7010)된 세트 중의 유클리드 거리로부터 유래된다.
다음, 상기 매개 변수 세트의 각각에 대해, 이웃의 크기(도(degrees)로서 언급됨)가 계산(7030)되고, 즉 상기 세트로부터 사전에 설정된 최대 유클리드 거리 내의 세트의 수이다.
상기 계산(7020)된 커널이 정상화되어지며, 상기 계산(7030)된 크기를 사용하며, 즉 상기 커널내의 각각의 요소를 상기 요소들의 이웃 크기로 분할하여 이루어진다. 상기 커널을 정상화함으로써, N 열 및 N 라인의 매트릭스로서 표현된 확산 연산자들이 계산(7040)된다.
상기 확산 연산자는 상기 세트의 인접한 두개의 것들 사이의 직접적인 전환(transition)의 확률을 나타낸다. 상기 전환은 상기 세트가 점들로서 표현될 수 있은 유클리드 공간내에서, 상기 세트의 인접한 두개의 것들 사이의 단일 단계(single step) 전환이다.
다음으로, 확산 연산자를 위한, 고유 값(eigenvalue)과 해당 고유 벡터가 계산(7050)되며, 이는 당업계에서 알려진 바와 같이, 단수 값 분해(Singular Value Decomposition)를 사용한다. 결과적으로, 상기 계산(7020)된 등방성 커널의 분해가 당업계에서 알려진 바와 같이, 고유 값과 고유 벡터로 제공된다.
각각의 고유 벡터는 해당 고유 값을 가지고 있으며, 상기 고유 벡터들은 그들의 해당 고유 값의 값들을 감소시켜서 정돈된다.
다음, 확산 맵은 상기 계산(7050)된 고유 벡터의 가장 높은 것의 수(즉, 최대 고유 값을 갖는 고유 벡터)를 사용하며, 즉 장치(3000)의 사용자에 의해서 선택된 수를 사용하여 계산(7060)된다.
가장 높은 고유 벡터를 사용하면, 그에 따라서 계산된 임베디드 공간내에서, 상기 수신(7010)된 매개 변수들의 세트의 각각에 대해 좌표 값들이 제공되며, 이는 상기 유클리드 공간과는 달리, 보다 높은 유사성의 점들(즉, 질적으로 동일한 화학 반응 분석을 나타내는 점들) 사이에서 근접성을 강화시킨다.
사용되는 각각의 고유 벡터들은 n 요소들을 가지며, 매개 변수들의 각각의 세트에 대해 하나이다. 상기 고유 벡터내의 각각의 요소는, 매개 변수들의 수신(7010)된 세트 중의 하나를 나타내는 점에 대한 하나의 좌표 값을 설정한다. 상기 계산된 임베디드 공간의 차원은 사용된 고유 벡터들의 수에 의해서 결정된다.
상기 결과적으로 얻어진 확산 맵(map)은, 상기 계산된 임베디드 공간내에서 각각의 점들에 대한 좌표 값 설정을 포함하며, 이는 질적으로 동일한 화학 반응을 나타내는 점들 사이에서 근접성을 향상시킨다.
상기 계산(7060)된 확산 맵는, 상기 계산된 임베디드 공간을 규정하는 변환 함수를 구축(7070)하는 데 사용된다. 즉, 상기 변환 함수는, 상기 확산 맵(즉, 상기 임베디드 공간)내에 포함되어 있는 바와 같이, 적어도 각각의 상기 점들의 좌표 값들에 기초한다.
상기 변환 함수의 확산 맵는, 상기 계산된 임베디드 공간내에서 점들을 배치(7080)하는 데 사용되며, 그에 따라서 상기 임베디드 공간내에서 매개 변수들의 수신(7010)된 각각의 세트(따라서, 화학 반응 시험 분석)를 나타낸다.
상기 제4 방법은, 추가적으로 표본 외 확장자를 추출하는 것을 포함한다.
보다 구체적으로, 상기 변환 함수는 상기 임베디드 공간내에서, 매개 변수의 새로운 세트를 나타내기 위하여 사용가능한 표본 외 확장자 방법을 포함할 수 있다. 상기 표본 외 확장자 방법 중은, 당업계에서 알려진 바와 같은, 기하학적 하모닉(Geometric Harmonics) 기법에 기초할 수 있다. 상기 표본 외 확장자 방법은 새로운 점에 대한 좌표 값들을 제공한다.
도 8을 참조하면, 이는 본 발명의 예시적인 실시 예에 따라서, 원격 화학 분석 분류를 위한 시스템을 개략적으로 보여주는 블록 다이어그램이다.
본 발명의 예시적인 실시 예에 따른 시스템은, 화학 반응 장치(8000)를 포함한다.
선택적으로, 상기 화학 반응 장치(8000)는 화학 반응(즉, PCR) 분석이 실행되는 반응 챔버(810)를 포함한다.
선택적으로, 상기 화학 반응 장치(8000)는 추가적으로, 화학 반응의 물리적 특성 값을 측정하기 위한 하나 이상의 센서(830)를 포함한다.
예를 들면, 상기 센서(830)들은 반응 챔버(810) 가까이에 설치된 측광 센서일 수 있다. 상기 측광 센서들은 상기 화학 반응 분석이 진행되는 동안, 상기 반응 챔버(810)로부터 방출되는 광의 강도를 측정한다.
상기 측광 센서는 당업계에서 알려진 바와 같이, 표준 형광 방법을 사용하여 반응 챔버로부터 광의 방출을 측정한다.
상기 화학 반응 장치(8000)는 추가적으로, 상기 센서(830)에 연결된 사이클 카운터(835)를 포함할 수 있다. 상기 사이클 카운터(835)는 물리적 특성을 측정하기 위하여 상기 센서(830)들에 지시하며, 즉 일정 시간 간격에 한 번씩이다.
선택적으로, 상기 시간 간격은 당업계에서 알려진 바와 같이, 사용자에 의해서 사전에 규정된 것이다.
상기 화학 반응 장치(8000)는 추가적으로, 센서(830)에 연결된 아날로그-디지털-변환기(A2D)(840)를 포함할 수 있다. 상기 아날로그-디지탈-변환기(A2D)(840)는 디지털 형식으로 화학 반응의 물리적 특성의 측정 값을 변환시킨다.
도 8의 시스템은 추가적으로 A2D 변환기(840)와 통신하는, 데이타 누적기(870)를 포함한다.
상기 데이타 누적기(870)는 A2D 변환기(840)로부터 측정 값을 수신하고, 상기 측정 값을 저장한다.
상기 데이타 누적기(870)는 당업계에서 알려진 바와 같이, CD-ROM, 플래시 메모리, RAM(랜덤 액세스 메모리)등을 포함할 수 있지만, 이들에 제한되지 않는다.
상기 시스템은 또한, 데이타 누적기(870)을 통해 화학 반응 장치(8000)에 연결된 컴퓨터 프로세서상에서 구현되는 장치(9000)를 포함할 수 있다.
장치(9000)는 전기 회로, 컴퓨터 명령 등을 사용하여 구현될 수 있다. 상기 장치(9000)는 전용 컴퓨터상에서, 화학 반응 장치(8000)에 연결된, 또는 그 위에 설치된 컴퓨터 칩상에서, 상기 화학 반응 장치(8000)에 연결되거나, 또는 그 위에 설치된 컴퓨터 컨트롤러 상에서 구현될 수 있다.
선택적으로, 상기 화학 반응은 중합 효소 연쇄 반응(PCR)이며, 즉 양적 형광 중합 효소 연쇄 반응(QF-PCR)을 말하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
장치(9000)는 표본 외 데이타 수신기(910)를 포함한다.
상기 표본 외 데이타 수신기(910)는, 표본 외 확장자를 규정하는 데이타를 수신하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 원격 컴퓨터(즉, 실험실로 분류 서비스를 제공하는 회사에서 사용하는 서버)상에서 추출되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 표본 외 확장자는 원격 컴퓨터상에서, 화학 반응의 시험 분석을 적어도 두 그룹으로, 분류하는 것으로부터, 즉 학습 기술과 차원 축소 기법을 사용하여 추출되며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서 이러한 시험 분석의 분류는, 이러한 확산 매핑과 같은 비-선형 기법을 기반으로 한다. 상기 추출된 표본 외 확장자를 규정하는 데이타는 비-선형 기법의 중간 생성물, 즉 확산 매핑 매트릭스를 포함할 수 있으며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
선택적으로, 상기 원격 컴퓨터상에서의 시험 분석의 분류는 확산 매핑과 SVM을 기반으로 한다. 상기 확장자를 규정하는 데이타는, 확산 매핑 기술과 SVM 판별 함수의 중간 생성물(즉, 행렬)로 구성될 수 있으며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(9000)는 추가적으로, 상기 표본 외 데이타 수신기(910)와 통신하는 새로운 분석 분류기(920)를 포함할 수 있다.
상기 새로운 분석 분류기(920)는 상기 챔버(810)내에서 실행된 화학 반응의 분석(즉, 상기 화학 반응의 새로운 분석)을 상기 시험 분석이 분류되어지는 그룹 중의 하나로 분류하며, 상기 표준 외 확장자를 규정하는 데이타를 사용하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(9000)는 추가적으로, 상기 새로운 분석 분류기(920)와 통신하는 매개 변수 추출기(930)를 포함한다.
상기 매개 변수 추출기(930)는 상기 챔버(810)내에서 실행된 새로운 분석의 결과 데이타로부터 하나 이상의 매개 변수를 추출하고, 상기 새로운 분석 분류기(920)는 상기 새로운 분석을 분류하기 위해, 상기 추출된 매개 변수들을 사용하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(9000)는 매개 변수 추출기(930)와 통신하는, 결과 데이타 수신기(940)를 추가적으로 포함한다.
상기 결과 데이타 수신기(940)는 상기 새로운 분석의 결과 데이타(즉, 상기 새로운 화학 반응 분석 도중에, 센서(830)들에 의해서 측정된 형광 강도 값)를 데이타 누적기(870)로부터 수신하고, 상기 결과 데이타를 매개 변수 추출기(930)에 전달한다.
상기 새로운 분석 분류기(920)는 상기 화학 반응의 새로운 분석을, 상기 시험 분석들이 분류되어지는 그룹 중의 하나로 분류하며, 상기 표본 외 확장자를 규정하는 데이타와, 상기 매개 변수 추출기(930)로부터 추출된 매개 변수들을 사용하고, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
상기 장치(9000)는 상기 새로운 분석 분류기(920)와 통신하는, 작은 LCD 화면, 또는 소형 LED 조명 세트와 같은 디스플레이(990)를 추가적으로 포함한다.
상기 새로운 분석의 성공적 분류시에, 상기 새로운 분석 분류기(920)는 디스플레이를 사용하여 사용자에게 상기 분류 결과를 전달한다.
예를 들면, 상기 새로운 분석 분류기(920)는 사용자에게 상기 분류 결과를, LED 조명중의 하나를 점등함으로써(즉, 부정 분석을 표시할 수 있는 적색등) 또는 작은 LCD 화면상에서 메시지를 표시하여(즉, '부정 분석' 메시지) 전달할 수 있다.
차원 축소 기법을 위한 표본 외 확장자
본 발명의 화학 반응 분석과 같은 실제(real-world) 데이타는, 일반적으로 고차원을 갖는다. 즉, 상기 실제 데이타는 많은 매개 변수들에 의해서 특징지워져야 할 필요가 있다.
그와 같은 실제 데이타를 적절히 처리하기 위해서는, 상기 실제 데이타의 차원이 감소되어질 필요가 있다.
차원 축소는 고차원 데이타의 감소된 차원(즉, 임베디드 공간)으로의 의미있는 표현의 변환이며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
차원 축소는 여러 도메인(domains)에서 중요하며, 그것은 고-차원과, 고-차원 공간의 다른 바람직하지 않은 특성에 의해서 가해지는 계산의 복잡성을 줄일 수 있기 때문이다.
이상적으로, 상기 감소된 표현은 상기 실제 데이타의 본질적인 차원에 해당하는 차원을 갖는다. 상기 실제 데이타의 본질적인 차원은 상기 실제 데이타의 관찰된 특성을 고려하는 데에 필요한 매개 변수들의 최소 수이다.
그 결과, 차원 축소는 다른 것들 중에서도, 분류, 시각화, 고-차원 데이타의 압축을 용이하게 한다.
전통적인 차원 축소는, 주요 구성 요소 분석(PCA), 인자 분석, 고전적인 스케일링과 같은 선형 기법을 사용하여 실행된다.
그러나, 상기 선형 기술은 복잡한 비-선형 데이타를 적절하게 처리할 수 없다.
대조적으로, 비-선형 차원 기술은 복잡한 비-선형 데이타를 처리할 수 있는 능력이 있다.
특히 실제 데이타에 대하여, 비-선형 차원 축소 기법은 이점을 제공할 수 있으며, 그 이유는 정상적인 유클리드 공간내에 제시될 때, 실제 데이타는 높은 비-선형 매니 폴드를 형성할 가능성이 높기 때문이다.
상기 차원 축소 기법은, 본 발명의 시험 분석을 분류하기 위해 사용되는 다른 방법 뿐만 아니라, 전형적으로 큰 실험실 및 학습 기관에서 사용하는 강력한 컴퓨터 서버상에서 볼 수 있는 광범위한 컴퓨팅 자원을 필요로 한다.
특히, 새로운 분석이 분류되어야 할 필요가 있을 때, 완전하게 정확한 분류는 전체 임베디드 공간의 완전한 재-계산을 필요로 하며, 이는 상기 시험 분석과 새로운 분석 모두의 결과상에 상기 차원 축소 기법을 적용하여 이루어진다.
본 발명의 예시적인 실시 예에 따르면, 표본 외 확장자는 중앙 서버상에서 상기 시험 분석의 분류로부터 추출된다.
상기 표본 외 확장자는 상기 시험 분석의 분류에 따른 결과적인 그룹 중 하나(즉, 부정과 긍정 그룹)에 새로운 분석을 분류하기 위한 방법이다.
상기 표본 외 확장자는 전체 임베디드 공간의 완전한 재-계산없이 상기 새로운 분석을 분류하며, 즉 상기 시험 분석의 분류의 중간 생성물을 사용한다.
보다 구체적으로, 상기 표본 외 확장자는 상기(원본) 임베디드 공간내의 점으로서, 상기 새로운 분석을 나타낼 수 있으며, 이는 상기 임베디드 공간의 차원 축소 기반의 계산도중에 생성된 매트릭스를 사용하며, 상기 임베디드 공간의 계산적으로 과도한 재-계산없이, 상기 새로운 분석과 상기 시험 분석 모두로부터 추출된 매개 변수에 기초한다.
한편, 상기 표본 외 확장자는 시험 분석을 분류하기 위해 사용되는 기술보다 계산적으로 간단하지만, 상기 표본 외 확장자는 분류의 정확성에서 허용 손실을 포함한다.
표본 외 확장자는 차원 축소 기법의 수를 위해 유용하다.
상기 표본 외 확장자는 매개 변수적 및 비매개 변수적 표본 외 확장자로 세분화될 수 있다.
매개 변수적 표본 외 확장자에서, 상기 차원 축소 기법은 고-차원의 표현(즉, 유클리드 공간)으로부터 새로운 데이타를 저-차원의 표현으로 변환하기 위해 필요한 모든 매개 변수들을 제공한다.
예를 들면, PCA(주 성분 분석)와 같은 선형 기법에서, 상기 변환은 원본 데이타(즉, 시험 분석)에 적용되는 선형 매핑을 사용하여 정의되며, 이는 당업계에서 알려진 바와 같이, 원본 데이타를 분류하기 위한, '학습 데이타'로도 불리운다.
이러한 뉴론(Neuronal) 네트워크와 같은 자동 엔코더(encoders)에 대하여, 학습 네트워크는 고차원의 표현으로부터 저차원 표현으로 변환을 규정한다.
비-선형 차원 축소 기법에 대하여, 매개 변수적 표본 외 확장자는 사용될 수 없고, 그에 따라서 비매개 변수적(nonparametric) 표본 외 확장자가 필요하다.
비매개 변수적 표본 외 확장자는 고차원으로부터 저차원 공간으로 변환 추정을 실행한다. 전형적으로, 비 매개 변수적 표본 외 확장자는 상기 차원 축소 기법의 중간 생성물에 기초한다.
비-선형 차원 축소 기법을 위하여 현재 표본 외 확장자가 많이 사용되고 있다.
예를 들면, 니스트롬(Nystrom) 근사값은, 당 업계에 알려진 바와 같이, 커널 PCA에 대한 선택의 표본 외 확장자이다.
J.C. Plat는 2005년 10차 국제 워크숍의 행사에서, 인공 지능 및 통계의 페이지 261-268 상의, "FastMap, MetricMap 및 Landmark MDS are all Nystrom algorithms"에서 표본 외 확장자를 기반으로 한 예시적인 니스트롬(Nystrom) 근사값을 규정한다.
니스트롬 근사값은 Isomap, LLE, 그리고 라플라시안 아이겐맵 기법(Laplacian Eigenmaps Techniques)을 위한, 표본 외 확장자에 대해서도 사용된다.
Y. Bengio는, The MIT Press의, 2004년, Cambridge, MA, USA의 Neural Information Processing Systems, volume 16의 Advances에서, 논문 "out-of-sample extensions or LLE, Isomap, MDS, eigenmaps, and spectral clustering" 내에, LLE와 라플라시안 아이겐맵에 대한 표본 외 확장자를 기본으로 한 예시적인 니스트롬 근사값을 규정한다.
니스트롬 근사값은, 당업계에서 알려진 바와 같이, 아이소 맵(Isomap)을 위해서도 사용될 수 있다.
H. Choi 및 S. Choi는, 2007년의 Recognition 40(3):853-862의, 논문 "Robust Kernel Isomap"에서, 아이소 맵(Isomap)에 대한 표본 외 확장자를 기반으로 한 예시적인 니스트롬 근사값을 설명한다.
이와 유사하게, V. de Silva와 J.B. Tenenbaum은, The MIT Press에서, 2003년 Cambridge, MA, USA의 Neural Information Processing Systems, volume 15, pages 721-728의 Advances에서 발간된"Global versus local methods in nonlinear dimensionality reduction"에서 아이소 맵을 위한 표본 외 확장자를 기본으로 한 예시적인 니스트롬 근사값을 설명한다.
당업계에서 알려진 MVU(Maximum Variance Unfolding)에 대한 표본 외 확장자몇 가지들은:
- K.Q. Weinberger, B.D. Packer와 L.K. Saul에 의해서, "반-명확한(semi-definite) 프로그래밍과 커널 매트릭스 인수 분해에 의한 비-선형 차원 축소"에 설명된 바와 같이, 랜드마크 점 세트로부터 시험 데이타의 완전한 데이타 세트로의 선형 변환을 계산한다. 2005년, 바베이도스, 위스콘신에서의 'AI 및 통계'의 제10회 국제 워크샵 논문집, '인공 지능 및 통계에 대한 사회' 참조.
- K.Q. Weinberger, F. Sha, Q. Zhu, 그리고 L.K. Saul에 의해서, 2007년, Volume 19의 '신경 정보 처리 시스템'내에 기재된 "대규모 반-명확한 프로그래밍을 위한 그래프 라플라시안 정규화"라는 논문에서 설명된 바와 같이, 라플라시안 그래프의 최소 고유 값에 대응하는 고유 벡터를 연산함에 의한 선형 변환을 찾는다.
- T.J. Chin 및 D. Suter에 의해서, 2008년, '패턴 분석과 기계 지능상의 IEEE 거래' 30(9):1547-1556 내의, 논문 "학습된 매니 폴드의 표본 외 추정"에서 설명된 바와 같이, 가우시안 기저 함수를 사용하여 커널의 고유 함수를 추정한다.
많은 비-선형 차원 축소 기법에 적용될 수 있는 비매개 변수적 표본 외 확장자는, Teng et at al에 의해서, 2005년, 독일, 베를린, Springer Verlag의 컴퓨터 사이언스 강의 노트, Volume 3496, 페이지 546-551에서, "로컬 탄젠트 공간상의 감독 학습"의 논문내에 제안되어 있다.
탱(Teng)은 고-차원의 표현내에서 새로운 데이타 점의 가장 가까운 이웃을 찾고, 상기 가장 가까운 이웃으로부터 해당하는 저-차원의 표현으로 상기 선형 매핑을 계산한다. 상기 새로운 데이타-점의 저-차원 표현은 상기 동일한 선형 매핑을 상기 새로운 데이타-점에 적용하여 찾게 된다.
확산 매핑을 위하여, 표본 외 확장자를 계산하기 위한 선택 방법은, 기하학적 하모닉(Geometric Harmonics)이다.
기하학적 하모닉 및 확산 매핑에서의 그 채용은, S. Lafon, Y. Keller, R.R. Coifman에 의한, 2006년, IEEE Trans. Pattern Anal. Machine Intell., 28(11), PP. 1,784-1,797의 "확산 맵에 의한 데이타 융합과 멀티큐(multicue) 데이타 일치", 및 R.R. Coifman 및 S. Lafon에 의한 2006년, 7월, Appl. Comput, Harmon. Anal., 21, pp. 31-52의 "기하학적 하모닉" 내에 설명되어 있다.
확산 매핑을 위한 표본 외 확장자 기반의 예시적인 기아학적 하모닉는, Genussov, Lavner, 그리고 Cohen에 의해서, 2010년 8월 30일-9월 2일의 이스라엘의 텔 아비브 IWAENC-2010의 '음향 반향 및 잡음 제어'에 관한 제12회 국제 워크숍에서, "기하학적 방법을 사용하여 무성 마찰음 음소(Phonemes)의 분류" 내에서 주어져 있다.
일반적인 추가 논의
본 발명에 따른 예시적인 실시 예는, 미리 계산된 방법 및 매개 변수의 캐시(cache)를 나타내는 소형 휴대용 파일의 생성을 기술한다. 상기 캐시는 단지 작은 메모리 풋 프린트와 최소한의 컴퓨팅 자원을 활용하면서 새로운 샘플들을 분류하기 위해서 사용될 수 있다.
이것은 화학 반응의 새로운 시험 분석의 실시간 분류를 제공하며, 이는 심지어는 분류에 사용되는 분류 모델이, 화학 반응 시험 분석의 대형 데이타 세트상에 적용되는 복잡한 분류 및 임베딩(embedding) 알고리즘에 기초하는 경우에도 그러하며, 이에 대해서는 이하에서 더욱 자세히 설명된 바와 같다.
분류 수송 매체(D)의 생성
1. 수치 특징들은 학습 세트의 화학 곡선으로부터 추출되고,
1.1. 각각의 곡선은 이제 숫자의 세트로 표현된다.
2. 선택적으로, 차원 축소 또는 임베딩 기술이 감소된 차원 수를 갖는 공간내에서 샘플을 나타내도록 사용되고, 이는 선택적으로 그룹 분리를 강화시킨다.
2.1. 매개 변수의 목록은 상기 임베디드 공간의 계산으로부터 추출되고, 저장된다(A). 상기 매개 변수들은 임베디드 공간내로 새로운 샘플들의 표본 외 계산을 실행하도록 요구된다.
3. 선택적으로, 분류 방법이 데이타 세트상에서 사용되며, 이는 상기 임베디드 공간내에서의 그것의 수치적 특성 또는 그것의 위치에 기초하여, 데이타를 다수의 그룹으로 구분하는 판별 함수를 생성한다.
3.1. 판별 함수의 매개 변수들이 추출되고, 그리고 저장된다(B).
4. 상기 표본 외 방법(A)과 판별 함수(B)들이 저장되며, 그것들(D)을 저장하는 파일(또는 파일들 또는 데이타베이스)은 나중에 분류를 위하여 사용되도록 보존되며, 이는 분류를 위해 수송가능한 매체이다.
표본 외 분류기 컴퓨터 프로그램(E)
상기 표본 외 분류기는 컴퓨터 프로그램이며:
1. 이상치(outlier)에 대해, 분류되거나, 정량화되거나 또는 측정되어야 할 데이타의 새로운 화학 곡선들로부터 수치 특징(i)들을 추출한다.
2. 만일 차원 축소의 표본 외 방법(A)이 생성되면, 수치 특징들이 상기 임베딩 방법과 호환적인 표본 외 방법(G)으로 공급되고, 매개 변수 데이타(A)를 활용하며, 표본 외 임베디드 좌표(H)를 생성하게 된다.
3. 만일 차원 축소의 표본 외 방법(A)과 분류기 함수(B)가 생성되면, 임베디드 좌표들은 저장된(B) 판별 함수내로 공급되고, 분류를 달성한다.
4. 만일 단지 분류기 함수(B)만이 생성된 경우, 추출된 수치적 특징들은 분류를 달성하기 위해, 상기 판별 함수(B)로 공급된다.
표본 외 분류기 장치(J)
1. 컴퓨터 프로그램(E)은 컴퓨터, 임베디드 장치, 칩 또는 다른 컴퓨팅 장치(J) 상에 저장된다.
2. 상기 수송가능한 매체(D)는 외부 부착 메모리 모듈로서 삽입되고, 또는 컴퓨팅 장치에 컴퓨터 통신(이메일 등)에 의해서 전송된다.
3. 새로운 반응 매개 변수들의 도착시, 상기 장치(J)는 수송가능한 매체(D)에 저장된 매개 변수들을 사용하여 프로그램(E)를 실행하고, 상기 새로운 반응 매개 변수들 상에서 임베딩과 분류를 실행한다.
4. 결과들은 호출자 또는 운영자로 후송되거나, 또는 나중 분석을 위해 장치내에 기록된다.
표본 외 분류기 컴퓨팅-클라우드 노드(cloud nod)(L)
1. 상기 컴퓨터 프로그램(E)은 제어 명령과 함께, 비활성 운영 시스템 이미지내에 저장된다.
2. 필요시, 상기 컴퓨터 프로그램은 서버내에 로드되고, 그리고 당업계에서 알려진 바와 같이, 가상화된 서버 인스턴스(M)로서 실행된다.
3. 상기 파일(D)은 인스턴스(M)로 보내지고, 인스턴스(M)는 이제 새로운 샘플들을 분류하고, 검증하며, 정량화할 수 있다.
4. 새로운 샘플들은 인스턴스(M)로 전송되고, 분류된다. 그 결과들은 호출자에게 다시 후송되거나, 클라우드 파일 저장소 또는 클라우드 데이타베이스에 저장된다.
5. 상기 서버 인스턴스는 사용 후 폐기될 수 있으며, 이는 어떠한 상태 정보도 그 위에 저장될 필요가 없기 때문이다(비상태 유지(stateless)).
서비스(SaaS)로서의 표본 외 소프트웨어
1. 상기 컴퓨터 프로그램(E)은 컴퓨터 또는 가상화된 서버내에 저장된다.
2. 파일(D)은 프로그램(E)와 함께 저장되거나, 또는 상기 SaaS 모듈의 실행시에, 프로그램(E)으로 전송된다.
3. 새로운 반응 매개 변수들의 도착시, 장치(SaaS)는 파일(D)내에 저장된 매개 변수들을 사용하여 프로그램(E)들을 실행하고, 분류, 이상치(outlier)로서의 유효성과, 상기 새로운 반응 매개 변수들상에서의 정량화를 실행한다.
4. 결과들은 호출자 또는 운영자들에세 전송되거나, 데이타베이스내에 기록된다.
수송가능한 매체(D)의 생성-확산 매핑 샘플
1. 곡선들의 목록은 제어 샘플들과 함께 입력되고, 이는 화학 계량학 및 특히 PCR을 사용하는 때에, 정기적으로 사용된다.
2. 엘보우 점들과, 최대 값 등과 같은, 반응 곡선의 특징들이 곡선으로부터 추출된다.
3. 확산 매핑과 같은 차원 축소 임베딩 기술, 또는 다른 기술들은 유사한 특징을 보이는 곡선들 사이에서 근접성을 향상시키고, 추출된 특징상에 적용된다.
4. 중간 매트릭스 데이타는, 상기 선택의 표본 외 방법에 의해서 요구되는 경우, 상기 임베딩 기술로부터 보존된다. 그런 다음, 이후 사용을 위해서 저장된다.
5. 확산 맵을 위하여, 상기 선택의 표본 외 방법은 기하학적 하모닉이다.
6. 기하학적 하모닉은 Phd. LAFON 학위 논문: '확산 맵과 기하학적 하모닉'의 일부이며, 아래에서 찾아볼 수 있다:
http://www.cims.nvu.edu/~gunturk/Seminar Data/Lafon abstract.html
7. 지원-벡터-머신 알고리즘은, 입력 제어 샘플들을 사용하여 판별 함수를 생성하는 데 사용된다.
7.1. 상기 판별 함수와 그 매개 변수들은 나중에 사용하기 위해 보존 및 저장된다.
8. 정량화 방법은, 샘플들을 정량화하기 위하여 희석 시리즈(Dilution Series)를 사용하는 것과 같이, 원본 세트를 기반으로 샘플을 정량화하는 데 사용된다.
8.1. 상기 매개 변수 및 정량화 방법(즉, 최적의 상기 희석 시리즈 선의 값들)은 저장된다.
9. 이상치 감지 방법은 또한, 그 수치 특징들에 의해서 이상치(outlier)인 점을 유효화하는 함수를 생성하도록 사용될 수 있다.
9.1. 상기 이상치 경계 또는 유효성 함수등은 저장된다.
10. 모든 저장된 데이타는 파일(D)내에 합쳐진다.
표본 외 분류 프로그램(E)-확산 매핑 예제
1. 컴퓨터 프로그램이 제작되며, 파일(D)을 입력하는 때에:
1.1. 점의 목록으로부터 수치적 특징들을 추출한다.
1.2. 파일(D)내에 매개 변수를 갖는 기하학적 하모닉 방법을 실행하여 상기 입력 점들을 임베디드 한다.
1.3. 그 결과들을 호출자에게 다시 전송한다.
본 특허의 유효 기간 도중에, 많은 관련 장치 및 시스템들이 개발될 것으로 예상되며, 여기에서 사용된 용어들, 특히 용어들, "컴퓨터", "모뎀", "컴퓨터 네트워크 카드", "칩", "USB 메모리", "SD 메모리" 및"스마트 카드"들의 범위는, 그러한 모든 새로운 기술들을 선험적으로(a priori) 포함하고자 의도된 것이다.
본 발명의 임의의 특징들은, 명확성을 위해서 별도의 실시 예의 맥락에서 설명되어 있지만, 이는 또한 하나의 실시 예에서 함께 제공될 수 있음을 알 수 있을 것이다.
반대로, 본 발명의 다양한 특징들은 간결함을 위해서, 하나의 실시 예의 맥락에서 설명되어 있지만, 이는 또한 개별적으로 또는 임의의 적절한 하위 조합(subcombination)으로 제공될 수도 있을 것이다.
본 발명은 상기에서 특정 실시 예와 함께 설명되어 있지만, 많은 대안, 수정 및 변형들이 당업자에게는 명백할 것임이 분명하다. 따라서, 이러한 모든 대안, 수정 및 변형들은 첨부된 특허 청구 범위의 기술 사상 및 넓은 범위내에 모두 포함되는 것이다.
본 출원내에서 언급된 모든 간행물, 특허 및 특허 출원들은, 마치 각각의 개별적인 간행물, 특허 및 특허 출원들이 특별히 그리고 개별적으로, 여기에 참조로 포함된 것으로 표시된 것과 같은 정도로, 그 전체가 본 출원내에 참조로서 포함된 것이다.
또한, 본 출원내의 임의의 참조 인용 또는 증명자료들은, 그러한 참조들이 본 발명의 선행 기술로서 유용하다는 것을 인정하는 것으로서 간주되어서는 안될 것이다.

Claims (31)

  1. 원격 화학 분석 분류를 위한 휴대용 장치로서,
    컴퓨터 프로세서와 상기 컴퓨터 프로세서상에서 구현되는 장치를 포함하고, 상기 장치는:
    원격 컴퓨터상의 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터, 상기 원격 컴퓨터상에서 추출된 표본 외 확장자를 규정하는 데이타를 수신하도록 구성된 표본 외 데이타 수신기; 및
    상기 표본 외 데이타 수신기와 통신하고, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류하도록 구성된 새로운 분석 분류기;를 포함하는 휴대용 장치.
  2. 제1항에 있어서, 상기 장치는 상기 새로운 분석의 결과 데이타를 수신하도록 구성된 결과 데이타 수신기를 추가적으로 포함하고, 그리고 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위하여, 상기 수신된 결과 데이타를 사용하도록 구성된 것임을 특징으로 하는 휴대용 장치.
  3. 제1항에 있어서, 상기 장치는 매개 변수 추출기를 추가적으로 포함하고, 그리고 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위해서, 상기 추출된 매개 변수를 사용하도록 구성된 것임을 특징으로 하는 휴대용 장치.
  4. 제1항에 있어서, 상기 컴퓨터 프로세서와 통신하는 데이타 매체 판독기를 추가적으로 포함하고, 컴퓨터 판독 가능 매체로부터 상기 표본 외 확장자를 규정하는 데이타를 읽도록 구성된 것임을 특징으로 하는 휴대용 장치.
  5. 제1항에 있어서, 상기 컴퓨터 프로세서와 통신하는 데이타 통신기를 추가적으로 포함하고, 상기 표본 외 확장자를 규정하는 데이타를 수신하기 위하여 상기 원격 컴퓨터와 통신하도록 구성된 것임을 특징으로 하는 휴대용 장치.
  6. 제1항에 있어서, 상기 컴퓨터 프로세서와 통신하는 데이타 매체 판독기를 추가적으로 포함하고, 컴퓨터 판독 가능 매체로부터 상기 새로운 분석의 결과 데이타를 읽도록 구성되며, 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위하여 상기 결과 데이타를 사용하도록 구성된 것임을 특징으로 하는 휴대용 장치.
  7. 제1항에 있어서, 상기 컴퓨터 프로세서와 통신하는 데이타 통신기를 추가적으로 포함하고, 상기 새로운 분석이 실행되어지는 화학 반응 장치에 결합된 컴퓨터와 통신하도록 구성되어 상기 결합된 컴퓨터로부터 상기 새로운 분석의 결과 데이타를 수신하며, 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위하여 상기 결과 데이타를 사용하도록 구성된 것임을 특징으로 하는 휴대용 장치.
  8. 제1항에 있어서, 상기 컴퓨터 프로세서에 통신하는 디스플레이를 추가적으로 포함하고, 상기 새로운 분석의 분류 결과를 표시하도록 구성된 것임을 특징으로 하는 휴대용 장치.
  9. 제1항에 있어서, 상기 원격 컴퓨터상에서의 상기 시험 분석의 분류는 비-선형 기법에 기초하고, 그리고 상기 추출된 표본 외 확장자를 규정하는 데이타는 상기 비-선형 기법의 중간 생성물을 포함하는 것임을 특징으로 하는 휴대용 장치.
  10. 원격 화학 분석 분류를 위한 장치로서, 상기 장치는:
    화학 반응의 다수의 시험 분석을 적어도 두 그룹으로 분류하도록 구성된 시험 분석 분류기;
    상기 시험 분석 분류기와 통신하고, 상기 시험 분석의 분류로부터 표본 외 확장자를 추출하도록 구성된 확장자 추출기; 및
    상기 확장자 추출기와 통신하고, 상기 추출된 표본 외 확장자를 규정하는 데이타를 포장하도록 구성되며, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을, 상기 그룹 중 하나로 분류하도록 사용되는 원격 컴퓨터로 전송하도록 된 데이타 포장기;를 포함하는 장치.
  11. 제10항에 있어서, 상기 시험 분석들을 특징화하는 시험 데이타를 수신하도록 구성된 시험 데이타 수신기를 추가적으로 포함하고, 상기 시험 분석 분류기는 상기 시험 분석들을 분류하기 위하여, 상기 수신된 시험 데이타를 사용하도록 구성된 것임을 특징으로 하는 장치.
  12. 제10항에 있어서, 상기 시험 분석 분류기와 통신하는 매개 변수 추출기를 추가적으로 포함하고, 상기 시험 분석들을 특징화하는 시험 데이타로부터 적어도 하나의 매개 변수를 추출하도록 구성되며, 상기 시험 분석 분류기는 상기 시험 분석들을 분류하기 위해서, 상기 추출된 매개 변수를 사용하도록 구성된 것임을 특징으로 하는 장치.
  13. 제10항에 있어서, 상기 원격 컴퓨터는 상기 새로운 분석이 실행되어지는 화학 반응 장치에 결합된 것임을 특징으로 하는 장치.
  14. 제10항에 있어서, 상기 시험 분석 분류기는 상기 시험 분석들을 분류시키기 위하여 비-선형 기법을 사용하도록 구성되고, 그리고 상기 추출된 표본 외 확장자를 규정하는 데이타는 상기 비-선형 기법의 중간 생성물을 포함하는 것임을 특징으로 하는 장치.
  15. 제10항에 있어서, 상기 데이타 포장기에 통신하는 데이타 통신기를 추가적으로 포함하고, 상기 원격 컴퓨터에 상기 포장된 데이타를 통신하도록 구성된 것임을 특징으로 하는 장치.
  16. 제10항에 있어서, 상기 데이타 포장기와 통신하는 데이타 기록기를 추가적으로 포함하고, 상기 원격 컴퓨터에 의해서 판독가능한 휴대용 매체상에 상기 포장된 데이타를 기록하도록 구성된 것임을 특징으로 하는 장치.
  17. 원격 화학 분석 분류를 위한 장치로서, 상기 장치는:
    원격 컴퓨터상에서의 화학 반응의 시험 분석을 적어도 두 그룹으로 분류하는 것으로부터, 상기 원격 컴퓨터상에서 추출된 표본 외 확장자를 규정하는 데이타를 수신하도록 구성된 표본 외 데이타 수신기; 및
    상기 표본 외 데이타 수신기와 통신하고, 상기 표본 외 확장자를 규정하는 데이타를 사용하여 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류하도록 구성된 새로운 분석 분류기;를 포함하는 장치.
  18. 제17항에 있어서, 상기 새로운 분석의 결과 데이타를 수신하도록 구성된 결과 데이타 수신기를 추가적으로 포함하고, 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위하여, 상기 수신된 결과 데이타를 사용하도록 구성된 것임을 특징으로 하는 장치.
  19. 제17항에 있어서, 상기 새로운 분석 분류기와 통신하는 매개 변수 추출기를 추가적으로 포함하고, 상기 새로운 분석의 결과 데이타로부터 적어도 하나의 매개 변수를 추출하도록 구성되며, 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위해서, 상기 추출된 매개 변수를 사용하도록 구성된 것임을 특징으로 하는 장치.
  20. 제17항에 있어서, 상기 새로운 분석 분류기와 통신하는 데이타 통신기를 추가적으로 포함하고, 상기 새로운 분석이 실행되어지는 화학 반응 장치에 결합된 컴퓨터와 통신하도록 구성되어 상기 결합된 컴퓨터로부터 상기 새로운 분석의 결과 데이타를 수신하며, 상기 새로운 분석 분류기는 상기 새로운 분석을 분류하기 위하여 상기 결과 데이타를 사용하도록 구성된 것임을 특징으로 하는 장치.
  21. 제17항에 있어서, 상기 새로운 분석이 실행되어지는 화학 반응 장치에 결합된 것임을 특징으로 하는 장치.
  22. 제17항에 있어서, 상기 원격 컴퓨터상에서의 상기 시험 분석들의 분류는 비-선형 기법에 기초하고, 그리고 상기 추출된 표본 외 확장자를 규정하는 데이타는 상기 비-선형 기법의 중간 생성물을 포함하는 것임을 특징으로 하는 장치.
  23. 원격 화학 분석 분류를 위한 컴퓨터 구현 방법으로서, 상기 방법은 컴퓨터가 실행하도록 프로그램되는 단계들을 포함하고, 상기 단계들은:
    화학 반응의 다수의 시험 분석들을 적어도 두 그룹으로 분류하고;
    상기 분류로부터 표본 외 확장자를 추출하며; 그리고
    상기 표본 외 확장자를 규정하는 데이타를 사용하여, 상기 화학 반응의 새로운 분석을 상기 그룹 중 하나로 분류하도록 사용되는 원격 컴퓨터로의 전송을 위하여, 상기 추출된 표본 외 확장자를 규정하는 데이타를 포장하는 것들을 포함하는 방법.
  24. 제23항에 있어서, 상기 원격 컴퓨터는 상기 새로운 분석이 실행되어지는 화학 반응 장치에 결합된 것임을 특징으로 하는 방법.
  25. 제23항에 있어서, 상기 시험 분석들을 분류하기 위하여 비-선형 기법을 사용하는 것을 추가적으로 포함하고, 상기 추출된 표본 외 확장자를 규정하는 데이타는 상기 비-선형 기법의 중간 생성물을 포함하는 것임을 특징으로 하는 방법.
  26. 제23항에 있어서, 상기 원격 컴퓨터에 상기 포장된 데이타를 통신하는 것을 추가적으로 포함하는 것임을 특징으로 하는 방법.
  27. 제23항에 있어서, 상기 원격 컴퓨터에 의해서 판독가능한 휴대용 매체상에 상기 포장된 데이타를 기록하는 것을 추가적으로 포함하는 것임을 특징으로 하는 방법.
  28. 원격 화학 분석 분류를 위한 컴퓨터 구현 방법으로서, 상기 방법은 컴퓨터가 실행하도록 프로그램되는 단계들을 포함하고, 상기 단계들은:
    원격 컴퓨터상에서의 화학 반응의 시험 분석들을 적어도 두 그룹으로 분류하는 것으로부터 상기 원격 컴퓨터상에서 추출된 표본 외 확장자를 규정하는 데이타를 수신하고; 그리고
    상기 표본 외 확장자를 규정하는 데이타를 사용하여, 상기 화학 반응의 새로운 분석을 상기 그룹 중의 하나로 분류시키는 것을 포함하는 방법.
  29. 제28항에 있어서, 상기 새로운 분석이 실행되어지는 화학 반응 장치에 결합된 컴퓨터와 통신하는 것을 추가적으로 포함하고, 상기 결합된 컴퓨터로부터 상기 새로운 분석의 결과 데이타를 수신하며, 상기 새로운 분석을 분류하기 위하여 상기 결과 데이타를 사용하는 것임을 특징으로 하는 방법.
  30. 제28항에 있어서, 상기 새로운 분석이 실행되어지는 화학 반응 장치에 연결된 컴퓨터상에서 구현되는 것임을 특징으로 하는 방법.
  31. 제28항에 있어서, 상기 원격 컴퓨터상에서의 상기 시험 분석들의 분류는 비-선형 기법에 기초하고, 그리고 상기 추출된 표본 외 확장자를 규정하는 데이타는 상기 비-선형 기법의 중간 생성물을 포함하는 것임을 특징으로 방법.
KR1020137028613A 2011-05-25 2012-05-17 원격 화학 분석 분류 장치 및 방법 KR101937499B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/115,185 US8660968B2 (en) 2011-05-25 2011-05-25 Remote chemical assay classification
US13/115,185 2011-05-25
PCT/IB2012/052492 WO2012160489A1 (en) 2011-05-25 2012-05-17 Remote chemical assay classification

Publications (2)

Publication Number Publication Date
KR20140048870A true KR20140048870A (ko) 2014-04-24
KR101937499B1 KR101937499B1 (ko) 2019-01-10

Family

ID=47216676

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020137028613A KR101937499B1 (ko) 2011-05-25 2012-05-17 원격 화학 분석 분류 장치 및 방법

Country Status (5)

Country Link
US (2) US8660968B2 (ko)
EP (2) EP2715656A4 (ko)
KR (1) KR101937499B1 (ko)
CA (1) CA2855922C (ko)
WO (1) WO2012160489A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015123615A1 (en) * 2014-02-13 2015-08-20 Brewmetrix, Inc. Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts
US10467068B2 (en) 2015-10-30 2019-11-05 Council Of Scientific And Industrial Research Automated remote computing method and system by email platform for molecular analysis
DE102016002249A1 (de) 2016-02-26 2017-08-31 Dmk Deutsches Milchkontor Gmbh Schlauchbeutelverpackung
CN107403196B (zh) * 2017-07-28 2020-05-12 江南大学 基于谱聚类分析的即时学习建模对脱丁烷塔底丁烷浓度进行预测的方法
GB201809418D0 (en) * 2018-06-08 2018-07-25 Imperial Innovations Ltd A method for analysis of real-time amplification data

Family Cites Families (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5606164A (en) 1996-01-16 1997-02-25 Boehringer Mannheim Corporation Method and apparatus for biological fluid analyte concentration measurement using generalized distance outlier detection
US6394952B1 (en) * 1998-02-03 2002-05-28 Adeza Biomedical Corporation Point of care diagnostic systems
US6289328B2 (en) 1998-04-17 2001-09-11 The United States Of America As Represented By The Secretary Of The Navy Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection
US6882990B1 (en) 1999-05-01 2005-04-19 Biowulf Technologies, Llc Methods of identifying biological patterns using multiple data sets
US6303305B1 (en) 1999-03-30 2001-10-16 Roche Diagnostics, Gmbh Method for quantification of an analyte
AU1350501A (en) 1999-10-27 2001-05-08 Barnhill Technologies, Llc Methods and devices for identifying patterns in biological systems and methods for uses thereof
US20070021929A1 (en) 2000-01-07 2007-01-25 Transform Pharmaceuticals, Inc. Computing methods for control of high-throughput experimental processing, digital analysis, and re-arraying comparative samples in computer-designed arrays
US6649403B1 (en) 2000-01-31 2003-11-18 Board Of Regents, The University Of Texas Systems Method of preparing a sensor array
CA2402280C (en) 2000-03-10 2008-12-02 Cyrano Sciences, Inc. Control for an industrial process using one or more multidimensional variables
IL152854A0 (en) * 2000-05-17 2003-06-24 Univ New York Method and system for data classification in the presence of a temporal non-stationarity
US8543519B2 (en) * 2000-08-07 2013-09-24 Health Discovery Corporation System and method for remote melanoma screening
US7395250B1 (en) 2000-10-11 2008-07-01 International Business Machines Corporation Methods and apparatus for outlier detection for high dimensional data sets
US20080261220A1 (en) * 2000-11-30 2008-10-23 Third Wave Technologies, Inc. Nucleic Acid Detection Assays
US6944602B2 (en) 2001-03-01 2005-09-13 Health Discovery Corporation Spectral kernels for learning machines
US8417477B2 (en) 2001-05-24 2013-04-09 Test Acuity Solutions, Inc. Methods and apparatus for local outlier detection
US7188030B2 (en) 2001-08-21 2007-03-06 Applera Corporation Automatic threshold setting for quantitative polymerase chain reaction
US7363168B2 (en) 2001-10-02 2008-04-22 Stratagene California Adaptive baseline algorithm for quantitative PCR
US7228237B2 (en) 2002-02-07 2007-06-05 Applera Corporation Automatic threshold setting and baseline determination for real-time PCR
US8328420B2 (en) * 2003-04-22 2012-12-11 Marcio Marc Abreu Apparatus and method for measuring biologic parameters
US20070219741A1 (en) 2005-05-20 2007-09-20 Emilio Miguelanez Methods and apparatus for hybrid outlier detection
US6763308B2 (en) 2002-05-28 2004-07-13 Sas Institute Inc. Statistical outlier detection for gene expression microarray data
WO2004003671A1 (en) 2002-06-28 2004-01-08 Umetrics Ab Method and device for monitoring and fault detection in industrial processes
US7050932B2 (en) 2002-08-23 2006-05-23 International Business Machines Corporation Method, system, and computer program product for outlier detection
WO2004053074A2 (en) 2002-12-06 2004-06-24 Science And Technology Corporation @ Unm Outcome prediction and risk classification in childhood leukemia
CN1667418B (zh) * 2004-03-10 2010-10-06 马杰 多功能测量、分析和诊断便携式装置
WO2006002328A2 (en) 2004-06-23 2006-01-05 Plain Sight Systems, Inc. System and method for document analysis, processing and information extraction
US7062415B2 (en) 2004-08-27 2006-06-13 Lsi Logic Corporation Parametric outlier detection
US7680604B2 (en) 2005-03-11 2010-03-16 Roche Molecular Systems, Inc. PCR elbow determination by rotational transform after zero slope alignment
US7664328B2 (en) 2005-06-24 2010-02-16 Siemens Corporation Joint classification and subtype discovery in tumor diagnosis by gene expression profiling
US7528622B2 (en) 2005-07-06 2009-05-05 Optimal Test Ltd. Methods for slow test time detection of an integrated circuit during parallel testing
US7346471B2 (en) 2005-09-02 2008-03-18 Microsoft Corporation Web data outlier detection and mitigation
US7991561B2 (en) 2005-09-29 2011-08-02 Roche Molecular Systems, Inc. Ct determination by cluster analysis with variable cluster endpoint
US7991558B2 (en) 2005-09-29 2011-08-02 Roche Molecular Systems, Inc. Systems and methods for determining real-time PCR cycle thresholds using cluster analysis
US7668663B2 (en) 2005-12-20 2010-02-23 Roche Molecular Systems, Inc. Levenberg-Marquardt outlier spike removal method
WO2007100986A2 (en) * 2006-02-24 2007-09-07 Rosetta Inpharmatics Llc Extraction and diagnostic fluid devices, systems and methods of use
EP2002013A4 (en) 2006-04-04 2010-05-05 Labonnet Ltd ASSESSMENT OF REACTION KINETICS COMPATIBILITY BETWEEN POLYMERASE CHAIN REACTIONS
US8401797B2 (en) 2006-09-28 2013-03-19 Los Alamos National Security, Llc Method for predicting enzyme-catalyzed reactions
US7917338B2 (en) 2007-01-08 2011-03-29 International Business Machines Corporation Determining a window size for outlier detection
US20090119020A1 (en) 2007-09-25 2009-05-07 Roche Molecular Systems, Inc. Pcr elbow determination using quadratic test for curvature analysis of a double sigmoid
CN102047255B (zh) * 2008-03-26 2016-08-03 赛拉诺斯股份有限公司 医疗信息系统
US20100063835A1 (en) * 2008-09-10 2010-03-11 Expanse Networks, Inc. Method for Secure Mobile Healthcare Selection
WO2011061568A1 (en) * 2009-11-22 2011-05-26 Azure Vault Ltd. Automatic chemical assay classification
WO2011072396A1 (en) * 2009-12-18 2011-06-23 Fpinnovations An on-line macrocontaminant analyser and method
US9002007B2 (en) * 2011-02-03 2015-04-07 Ricoh Co., Ltd. Efficient, remote, private tree-based classification using cryptographic techniques
US20120284049A1 (en) * 2011-05-06 2012-11-08 Searete Llc, A Limited Liability Corporation Of The State Of Delaware System and device for receiving a notification of a benefit after queuing the result of an evaluation of a sample for transmission

Also Published As

Publication number Publication date
US20120303563A1 (en) 2012-11-29
EP3301633B1 (en) 2022-02-16
EP3301633A1 (en) 2018-04-04
US8660968B2 (en) 2014-02-25
US20140113357A1 (en) 2014-04-24
KR101937499B1 (ko) 2019-01-10
CA2855922C (en) 2015-03-24
CA2855922A1 (en) 2013-11-29
US9026481B2 (en) 2015-05-05
EP2715656A4 (en) 2014-10-29
WO2012160489A1 (en) 2012-11-29
EP2715656A1 (en) 2014-04-09

Similar Documents

Publication Publication Date Title
Burney et al. K-means cluster analysis for image segmentation
US9128055B2 (en) Information processing apparatus, information processing method, program, and method of correcting intensity of fluorescence spectrum
US11386540B2 (en) Image based counterfeit detection
WO2016086024A2 (en) Learning contour identification system using portable contour metrics derived from contour mappings
EP2930579A2 (en) State monitoring system, state monitoring method and state monitoring program
KR101937499B1 (ko) 원격 화학 분석 분류 장치 및 방법
CN111406270B (zh) 基于图像的伪造品检测
Abraham et al. Multiparametric analysis of screening data: growing beyond the single dimension to infinity and beyond
US10452746B2 (en) Quantitative comparison of sample populations using earth mover's distance
CN109521725A (zh) 检测异常数据的方法、装置和设备以及机器可读介质
EP3333757A1 (en) Predictive anomaly detection
Stoyanov et al. Predictive analytics methodology for smart qualification testing of electronic components
Li et al. Raman spectrum matching with contrastive representation learning
Hong et al. Group testing for longitudinal data
CN116174342B (zh) 板材分拣打包方法、终端及板材生产线
Oblak et al. Fingermark quality assessment: An open-source toolbox
Dhakar et al. Diagnosing faults in rolling bearings of an air compressor set up using local mean decomposition and support vector machine algorithm
EP3276343B1 (en) Method and device for characterising an analyte
Fişne et al. Fast and efficient computing for deep learning-based defect detection models in lightweight devices
US20230177116A1 (en) Neural network synthesizer
US8738303B2 (en) Identifying outliers among chemical assays
Dahal Exploration and Pre-selection of Images for Downstream Tasks: Leveraging Embeddings and Anomaly Detection in the Manufacturing Process
Lin et al. Towards a Lab-on-a-Chip as a Service (LoCaaS) Framework for in Vitro Cancer Cell Assays
Fan et al. Identification of Gas Mixtures with Few Labels Using Graph Convolutional Networks
Asthana et al. Cognitive Advisory Agent

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right