KR20220113683A - 생물학적 샘플의 분석을 위한 시스템 및 방법 - Google Patents

생물학적 샘플의 분석을 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20220113683A
KR20220113683A KR1020227017350A KR20227017350A KR20220113683A KR 20220113683 A KR20220113683 A KR 20220113683A KR 1020227017350 A KR1020227017350 A KR 1020227017350A KR 20227017350 A KR20227017350 A KR 20227017350A KR 20220113683 A KR20220113683 A KR 20220113683A
Authority
KR
South Korea
Prior art keywords
interest
data
region
view
biological samples
Prior art date
Application number
KR1020227017350A
Other languages
English (en)
Inventor
다르샨 타케르
키스 제이 브레인링거
빈센트 호우 티엔 파이
크리슈토프 안드레아스 나이어
토마스 엠 베털리
헤일리 엠 베넷
엘리자베스 매리 발차크
알렉산더 제랄드 올슨
웨슬리 아서 징크
존 에이 테니
올렉산드르 토크마코프
이고르 파스트나치트
유리 니체포루크
안드리 코발
크리스티나 안드레스
알로나 코스텐코
Original Assignee
버클리 라잇츠, 인크.
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 버클리 라잇츠, 인크. filed Critical 버클리 라잇츠, 인크.
Publication of KR20220113683A publication Critical patent/KR20220113683A/ko

Links

Images

Classifications

    • G01N15/1463—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
    • B01L3/50—Containers for the purpose of retaining a material to be analysed, e.g. test tubes
    • B01L3/502—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures
    • B01L3/5027—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip
    • B01L3/502761—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip specially adapted for handling suspended solids or molecules independently from the bulk fluid flow, e.g. for trapping or sorting beads, for physically stretching molecules
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
    • B01L3/50—Containers for the purpose of retaining a material to be analysed, e.g. test tubes
    • B01L3/502—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures
    • B01L3/5027—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip
    • B01L3/502769—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by multiphase flow arrangements
    • B01L3/502784—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by multiphase flow arrangements specially adapted for droplet or plug flow, e.g. digital microfluidics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
    • B01L3/50—Containers for the purpose of retaining a material to be analysed, e.g. test tubes
    • B01L3/502—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures
    • B01L3/5027—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip
    • B01L3/502769—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by multiphase flow arrangements
    • B01L3/502784—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by multiphase flow arrangements specially adapted for droplet or plug flow, e.g. digital microfluidics
    • B01L3/502792—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by multiphase flow arrangements specially adapted for droplet or plug flow, e.g. digital microfluidics for moving individual droplets on a plate, e.g. by locally altering surface tension
    • 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
    • G01N15/1433—Signal processing using image recognition
    • G01N15/1475—
    • 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
    • G01N15/1484—Optical investigation techniques, e.g. flow cytometry microstructural devices
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G01N21/6458—Fluorescence microscopy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N35/00871—Communications between instruments or with remote terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
    • G16B30/20—Sequence assembly
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2200/00—Solutions for specific problems relating to chemical or physical laboratory apparatus
    • B01L2200/02—Adapting objects or devices to another
    • B01L2200/026—Fluid interfacing between devices or objects, e.g. connectors, inlet details
    • B01L2200/027—Fluid interfacing between devices or objects, e.g. connectors, inlet details for microfluidic devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2200/00—Solutions for specific problems relating to chemical or physical laboratory apparatus
    • B01L2200/06—Fluid handling related problems
    • B01L2200/0647—Handling flowable solids, e.g. microscopic beads, cells, particles
    • B01L2200/0668—Trapping microscopic beads
    • 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
    • B01L2300/06—Auxiliary integrated devices, integrated components
    • B01L2300/0627—Sensor or part of a sensor is integrated
    • B01L2300/0645—Electrodes
    • 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
    • B01L2300/0861—Configuration of multiple channels and/or chambers in a single devices
    • B01L2300/0883—Serpentine channels
    • 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
    • B01L2300/16—Surface properties and coatings
    • B01L2300/161—Control and use of surface tension forces, e.g. hydrophobic, hydrophilic
    • B01L2300/165—Specific details about hydrophobic, oleophobic surfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2400/00—Moving or stopping fluids
    • B01L2400/04—Moving fluids with specific forces or mechanical means
    • B01L2400/0403—Moving fluids with specific forces or mechanical means specific forces
    • B01L2400/0415—Moving fluids with specific forces or mechanical means specific forces electrical forces, e.g. electrokinetic
    • B01L2400/0427—Electrowetting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L2400/00—Moving or stopping fluids
    • B01L2400/08—Regulating or influencing the flow resistance
    • B01L2400/084—Passive control of flow resistance
    • B01L2400/086—Passive control of flow resistance using baffles or other fixed flow obstructions
    • 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
    • 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
    • G01N2015/1486—Counting the particles
    • 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
    • G01N2015/1493—Particle size
    • 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
    • G01N2015/1497—Particle shape
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
    • G01N35/00584—Control arrangements for automatic analysers
    • G01N35/00722—Communications; Identification
    • G01N2035/00891—Displaying information to the operator
    • G01N2035/0091—GUI [graphical user interfaces]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Clinical Laboratory Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Hematology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Quality & Reliability (AREA)
  • Fluid Mechanics (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

생물학적 샘플에 대한 처리를 수행하기 위한 방법들, 시스템들 및 제조 물품들이 개시된다. 미세유체 디바이스에서 다수의 관심 영역의 생물학적 샘플들의 분석 및 그 분석과 상관된 타임라인이 식별될 수 있다. 다수의 관심 영역들에 대한 하나 이상의 관심 영역 유형이 결정될 수 있고; 다수의 특성들이 하나 이상의 관심 영역 유형에 적어도 부분적으로 기초하여 생물학적 샘플들에 대해 결정될 수 있다. 연관된 데이터는 다수의 식별자들 및 타임라인에 적어도 부분적으로 기초하여 사용자 인터페이스의 생물학적 샘플의 적어도 일부에 대한 사용자 인터페이스의 다수의 관심 영역에 각각 대응한다. 관심 영역 내의 생물학적 샘플들의 카운트는 콘볼루션 신경망 (CNN) 을 사용하여 데이터의 클래스 또는 유형에 적어도 부분적으로 기초하여 결정될 수 있다.

Description

생물학적 샘플의 분석을 위한 시스템 및 방법
본 출원은 2019년 11월 17일에 출원되고, 발명의 명칭이 "ASSAY DATA GRAPHICAL USER INTERFACE SYSTEMS AND METHODS" 인 미국 가특허출원 제62/936,550호, 2020년 6월 6일에 출원되고, 발명의 명칭이 "ASSAY DATA GRAPHICAL USER INTERFACE SYSTEMS AND METHODS" 인 미국 가특허출원 제63/035,726호, 2020년 8월 3일에 출원되고, 발명의 명칭이 "ASSAY DATA GRAPHICAL USER INTERFACE SYSTEMS AND METHODS" 인 미국 가특허출원 제63/060,647호, 및 2019년 12월 19일에 출원되고, 발명의 명칭이 "AUTOMATED COUNTING OF MICRO-OBJECTS IN MICROFLUIDIC DEVICES" 인 미국 가특허출원 제62/950,573호의 이익을 주장한다. 앞서 언급한 미국 가특허출원들의 내용은 모든 목적을 위해 그 전체가 참조로 명시적으로 여기에 포함된다.
본 특허 문서의 개시의 일부는 저작권 보호를 받는 자료를 포함한다. 저작권 소유자는 누구든 본 특허 문서 또는 특허 개시를 특허청의 특허 파일 또는 기록들에 나타나 있는 대로 팩시밀리 복제하는 것에는 반대하지 않지만, 그 외에는 어떤 것이라도 모든 저작권들을 보유한다.
본 발명은 예를 들어 그래픽 사용자 인터페이스(GUI)에서 마이크로-객체의 분석 결과를 생성 및 표시하는 데 유용할 수 있는 디바이스, 시스템 및 프로세스에 관한 것으로, 보다 상세하게는 마이크로-객체의 분석에 의해 생성된 데이터와 함께 사용되는 그러한 방법, 시스템 및 GUI에 관한 것이다.
"랩-온-어-칩 (lab-on-a-chip)" 이라고도 불리는 미세유체 디바이스에 대한 생물학적 분석들은 그들이 생산할 수 있는 높은 처리량 때문에 중요한 연구 도구들이 되었으며, 결과적으로 통계적으로 관련성이 높은 대규모 테스트를 실행하는 시간과 비용을 크게 줄일 수 있다. 당연히 이 영역의 개선은 치료제 평가에 큰 영향을 미칠 수 있다.
비콘 (Beacon) 및 라이트닝 (Lightning) 플랫폼들을 포함하여 버클리 라이츠 (Berkeley Lights) (캘리포니아주 에머리빌)에서 제공하는 디지털 세포 생물학 기술들은 생물학적 분석에 사용되는 생물학적 세포, 비드 및 기타 객체를 포함하여 마이크로-객체를 조작하는 연구자를 위한 중요한 새 도구들을 포함한다. 전체 내용이 여기에 참조로 포함되는 다음 문서들은 이러한 기술들의 일부 양태들을 설명한다:
챔버(또는 펜)를 갖는 미세유체 디바이스의 경우: 2018년 1월 2일에 허여된 미국 특허 번호 9,857,333(2014년 5월 8일에 발행된 WO 2014/070873 참조); 및 2018년 7월 3일자로 허여된 미국 특허 번호 10,010,882(2015년 4월 30일에 발행된 WO 2015/061497 참조).
유전영동(DEP) 힘을 생성할 수 있는 미세유체 디바이스 및 미세유체 디바이스 내에서 마이크로-객체를 움직이는 다른 수단의 경우: 2014년 1월 21일에 허여된 미국 특허 번호 RE44,711; 2011년 6월 7일자로 허여된 미국 특허 번호 7,956,339; 2016년 1월 5일에 허여된 미국 특허 번호 9,227,200; 2018년 3월 6일에 허여된 미국 특허 번호 9,908,115(2016년 6월 16일에 발행된 WO 2016/094308 참조); 2016년 8월 2일에 허여된 미국 특허 번호 9,403,172 및 2018년 2월 20일에 허여된 9,895,699(2014년 5월 15일에 발행된 WO 2014/074367 참조); 2017년 11월 14일자로 발행된 미국 특허 번호 9,815,056(2016년 6월 9일에 발행된 WO 2016/090295 참조); 2018년 8월 28일에 허여된 미국 특허 번호 10,058,865(2016년 6월 16일에 발행된 WO 2016/094333 참조); 및 2018년 6월 28일에 공개된 WO 2017/117408.
미세유체 칩 내의 생물학적 세포를 분석하는 방법의 경우: 2015년 4월 30일에 공개된 WO 2015/061497; 2018년 2월 13일에 허여된 미국 특허 번호 9,889,445 및 2019년 8월 13일에 허여된 10,376,886(2015년 4월 30일에 공개된 WO 2015/061506 참조); 2017년 6월 15일 공개된 WO 2017100347; 2017년 6월 1일에 공개된 WO 2017091601; 2017년 10월 19일 공개된 WO 2017/181135; 2017년 9월 21일 공개된 WO 2017/161210; 2018년 1월 25일 공개된 WO 2018018017; 2018년 4월 5일 공개된 WO 2018064640; 2018년 7월 26일 공개된 WO 2018/076024; WO 2019075476, 2019년 4월 19일 공개; WO 2019191459, 2019년 10월 3일 공개, WO 2020092975, 2020년 5월 7일 공개; WO 20200056339, 2020년 3월 19일 공개; WO 2020077274, 2020년 4월 16일 공개; 2020년 8월 25일에 허여된 US10,751,715; 및 WO2020223555, 2020년 11월 5일 공개.
이러한 미세유체 디바이스를 동작시키고 그러한 방법의 전부 또는 일부를 수행하기에 적합한 기기 및 소프트웨어의 경우: 2014년 1월 21일에 허여된 미국 특허 번호 RE44,711; 2019년 8월 20일에 허여된 미국 특허 번호 10,384,204(2016년 6월 16일에 발행된 WO 2016/094308 참조); WO 2018/102747, 2018년 6월 7일 공개; WO 2018/102748, 2018년 6월 7일 공개; 2018년 6월 12일에 허여된 미국 특허 번호 9,996,920(2016년 6월 16일에 발행된 WO 2016/094459 참조); WO 2016/094522, 2016년 6월 16일 공개; 및 2019년 5월 31일에 출원된 PCT/US2019/035046.
챔버들을 갖는 다른 유형의 미세유체 디바이스, 생물학적 세포를 분석하는 방법, 및 그러한 디바이스를 동작시키기고 그러한 방법을 수행하기 위한 기기는 다음을 포함한다: 미국 특허 6,294,063 (Becker, et al.), 6,408,878(Unger et al.), 6,942,776(Medoro), 10,421,936(Hansen et al.), 그리고 10,466,241(Hansen et al.)
이러한 기술에서, 두 개 또는 수 개 내지 수십 개 내지 수백 개의 챔버가 단일 디바이스 상에 존재하며; 챔버는 기판의 마이크로웰이거나 수백 배 내지 수천 배 더 큰 대형 챔버일 수 있다. 특정 실시형태에서, 챔버 내의 마이크로-객체(예를 들어, 비드, 단백질 및/또는 생물학적 세포 등)에 대한 분석이 실행된 후, 이러한 시스템의 데이터 출력은 예를 들어 내부에 포함된 임의의 마이크로-객체를 포함하여, 개별 챔버 자체(또는 큰 챔버의 많은 개별 영역)의 고해상도 이미지 데이터를 포함하는 데이터 노드를 포함하는 매우 큰 데이터세트를 포함한다. 데이터 노드는 또한 각 이미지에 대한 타임 스탬프 뿐아니라 이미지가 촬영된 시간의 다른 동작 조건, 그리고 마이크로-객체에 대해 수행된 분석의 정성적 및/또는 정량적 결과를 포함할 수 있다.
심지어 단일 시스템 또는 단일 분석으로부터의 결과 데이터세트가 매우 크고 종종 이미지와 영숫자 요소를 모두 포함하기 때문에, 인간 연구원이 어떤 프로세스들이 임의의 하나 이상의 관심 챔버들에서, 특히 분석이 실행되는 오랜 시간 주기에 걸쳐 발생할 수 있는 지를 캡처하거나 시각화하는 것 그리고, 그로부터 임의의 유용한 정보를 도출하는 것은 말할 것도 없이, 동시에 다수의 마이크로-객체로부터 데이터를 분석(예를 들어, 시각적 비교)하는 것은 완전히 불가능하지는 않더라도 어렵다.
심지어 단일의 분석으로부터의 매우 큰 데이터세트에 의해 발생되는 문제를 더욱 악화시키기 위해, 예를 들어 분석 결과, 분석을 위한 입력 데이터, 생물학적 샘플들 및 분석을 위한 장치와 상관된 메타데이터 등을 포함하는 데이터세트는 종종 구조화되지 않거나 서로 상관되지 않은 수많은 데이터 엘리먼트들을 포함한다.
그러한 구조화되지 않은 방식으로 흩어져 있는 다양한 유형의 데이터 또는 정보를 갖는 그러한 대규모 데이터 세트를 선별하여 데이터 세트가 전달하려고 의도하는 것을 해독하는 것은 연구자들이 생물학적 샘플에 대한 다수의 분석을 빠르고 효율적으로 수행하고 분석 결과들의 가장 영향력 있고 의미 있는 합성을 추출하는 데 극복할 수 없고 비현실적인 장애물들을 제시한다. 한 예에서, 항체치료제 발견은 발견 과정 동안 높은 불확실성을 지닌 힘들고 값비싼 과정이다. 또 다른 비제한적인 예에서, 특히 Covid-19 대유행과 같은 대유행 상황에서 검출 및 고처리량 약물 스크리닝은 잠재적 리드 및 후보 치료제에 대한 신속한 다인자 평가를 필요로 한다. 따라서, 다양한 데이터 및 정보(예를 들어, 분석 결과, 입력, 메타데이터 등)를 상관시키는 것, 관심 생물학적 샘플을 분석하는 것, 시각화를 위한 적절한 관심 결과를 제시하는 것, 연구자들이 효율적이고 빠르게 데이터세트를 조작하여 관심 데이터를 식별하여 기존의 검출 또는 약물 스크리닝 접근 방식의 앞서 언급한 문제와 단점을 해결하는데 있어서 개선에 대한 심각한 필요가 존재한다.
하나 이상의 실시형태에서 생물학적 샘플에 대해 프로세스를 수행하기 위한 방법(들), 시스템(들) 및 제조 물품(들)이 개시된다. 일부 실시형태는 생물학적 샘플에 대한 어세이 (assay) 분석 또는 시퀀싱 분석을 수행하는 방법에 관한 것이다. 이러한 실시형태에서, 사용자 인터페이스가 식별되고, 복수의 생물학적 샘플들로부터 캡처된 입력들의 하나 이상의 속성들을 처리하기 위한 시스템(예를 들어, 어세이 분석기, 범용 컴퓨터, 특정 목적 컴퓨터 등)의 프로세서에 커플링된다. 일부 실시형태는 복수의 챔버를 갖는 미세유체 디바이스에서 관심 영역의 생물학적 샘플들의 자동화된 카운트를 수행하기 위한 방법에 관한 것이다.
임의의 실시형태에서 전술한 방법 중 임의의 것을 수행하기 위한 시스템이 또한 여기에 설명되어 있다. 프로세서 또는 프로세서 코어에 의해 실행될 때 프로세서 또는 프로세서 코어로 하여금 임의의 실시형태에서 전술한 방법 중 임의의 것을 수행하게 하는 명령들의 시퀀스를 저장하기 위한 비일시적 컴퓨터 판독가능 매체가 또한 설명된다.
본 개시의 일부 실시형태들의 개요 기재
1. 생물학적 샘플을 분석하기 위한 방법으로서, 미세유체 디바이스에서 다수의 관심 영역들의 생물학적 샘플들의 분석 및 그 분석과 상관된 타임라인을 식별하는 단계로서, 타임라인은 생물학적 샘플의 분석의 워크플로우 또는 파이프라인과 시간적으로 정렬되는 정보를 포함하는, 상기 식별하는 단계; 다수의 관심 영역들에 대한 하나 이상의 관심 영역 유형을 결정하는 단계로서, 하나 이상의 관심 영역 유형은 생물학적 샘플들 중 적어도 하나의 생물학적 샘플과 상관된 타겟 기반 유형 또는 미세유체 디바이스와 상관된 구조 기반 유형을 포함하는, 상기 하나 이상의 관심 영역 유형을 결정하는 단계; 하나 이상의 관심 영역 유형에 적어도 부분적으로 기초하여 생물학적 샘플에 대한 다수의 특성들을 결정하는 단계로서, 다수의 특성들은 각각 생물학적 샘플 또는 분석에 대한 속성, 특성 또는 정량화 가능한 메트릭에 대응하는, 상기 다수의 특성들을 결정하는 단계; 및 다수의 특성 및 타임라인에 적어도 부분적으로 기초하여 사용자 인터페이스에서 생물학적 샘플의 적어도 일부에 대한 사용자 인터페이스의 다수의 관심 영역에 각각 대응하는 연관된 데이터를 배열 및 렌더링하는 단계를 포함한다.
2. 실시형태 1에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 연관된 데이터를 렌더링하기 위한 사용자 인터페이스의 할당 가능한 공간에 적어도 부분적으로 기초하여 연관된 데이터에 대한 복수의 갤러리 서브 구조를 갖는 갤러리 구조를 결정하는 단계를 포함한다.
3. 실시형태 1-2 중 어느 하나에 있어서, 복수의 갤러리 서브 구조의 갤러리 서브 구조는 생물학적 샘플 또는 생물학적 샘플의 분석과 상관된 특성에 대응하고, 갤러리 서브 구조는 하나 이상의 갤러리 필드를 포함하고, 그 특성은 적어도 하나의 타겟 기반 특성, 적어도 하나의 구조 기반 특성, 또는 적어도 하나의 타겟 기반 특성과 적어도 하나의 구조 기반 특성의 조합을 포함한다.
4. 실시형태 1 내지 실시형태 3 중 어느 하나에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 특성에 적어도 부분적으로 기초하여 갤러리 구조의 복수의 갤러리 서브 구조로 연관된 데이터를 파퓰레이팅하는 단계를 포함한다.
5. 실시형태 1 내지 실시형태 4 중 어느 하나의 방법에 있어서, 갤러리 서브 구조의 갤러리 필드는 생물학적 샘플들 중 적어도 하나의 구조 기반 관심 영역 또는 타겟 기반 관심 영역에 대해 캡처된 이미지 시퀀스의 이미지에 대응하고, 그 이미지 또는 이미지 시퀀스는 하나 이상의 기본 이미지에서 결정된다.
6. 실시형태 1 내지 실시형태 5 중 어느 하나에 있어서, 타임라인 부분의 복수의 그래픽 표현은 복수의 갤러리 서브 구조에 각각 대응한다.
7. 실시형태 1 내지 실시형태 4 중 어느 한 실시형태에 있어서, 갤러리 구조를 결정하는 단계는 비일시적 컴퓨터 액세스 가능 저장 매체의 주소 지정 가능 공간에 저장된 갤러리 구조로부터 다수의 관심 영역의 적어도 제1 부분으로부터 획득된 생물학적 샘플들의 적어도 제1 부분에 대해 시점들 또는 시간 주기들의 세트에서 캡처된 것과 상관된 데이터의 제1 시퀀스를 결정하는 단계를 포함하며, 여기서 데이터의 제1 시퀀스는 다수의 특성들 중 적어도 제1 특성에 대응한다.
8. 실시형태 1 내지 실시형태 7 중 어느 한 실시형태에 있어서, 갤러리 구조를 결정하는 단계는 갤러리 구조로부터 다수의 관심 영역의 적어도 제2 부분으로부터 획득된 생물학적 샘플들의 적어도 제2 부분에 대해 시점들 또는 시간 주기들의 세트에서 캡처된 것과 상관된 데이터의 제2 시퀀스를 결정하는 단계를 포함하며, 여기서 데이터의 제2 시퀀스는 다수의 특성들 중 적어도 제2 특성에 대응한다.
9. 실시형태 1 내지 실시형태 8 중 어느 하나의 방법에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 사용자 인터페이스의 제1 윈도우 부분에서 그래픽 처리 유닛을 사용하여 갤러리 뷰에서 데이터의 제1 및 제2 시퀀스를 렌더링하는 단계를 포함한다.
10. 실시형태 1 내지 실시형태 9의 방법에 있어서, 제1 뷰에서 데이터의 제1 및 제2 시퀀스를 렌더링하는 단계는, 사용자 인터페이스에서 제1 선택 위젯으로 다수의 특성들로부터 적어도 제1 특성의 선택에 응답하여, 생물학적 샘플들의 적어도 제1 부분 또는 그 분석에 대해 복수의 값에서 제1 특성의 제1 값을 추출하는 단계; 및 생물학적 샘플들의 적어도 제2 부분 또는 그 분석을 위한 복수의 값으로부터 제2 특성의 제2 값을 추출하는 단계를 포함한다.
11. 실시형태 1 내지 실시형태 10 중 어느 하나의 방법에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 갤러리 뷰로 데이터의 제 1 및 제 2 시퀀스에 각각 대응하는 제 1 상호작용 객체 및 제 2 상호작용 객체를 렌더링하는 단계를 포함한다.
12. 실시형태 1-11 중 어느 한 실시형태에 있어서, 제1 상호작용 객체는 생물학적 샘플의 적어도 제1 부분 또는 분석에 대한 제1 값을 나타내고, 제2 상호작용 객체는 생물학적 샘플의 적어도 제2 부분 또는 분석에 대한 제2 값을 나타낸다.
13. 실시형태 1-12 중 어느 한 실시형태에 있어서, 사용자 인터페이스가 입력의 하나 이상의 속성에 대한 데이터를 처리하기 위한 프로세서에 커플링되고 생물학적 샘플의 적어도 제1 및 제2 부분으로부터 캡처되고 시점들 또는 시간 주기들의 세트에서 획득된 이미지들의 세트를 포함한다.
14. 실시형태 1-13 중 어느 한 실시형태에 있어서, 이미지 세트의 이미지가 복수의 챔버를 포함하는 미세유체 디바이스와 상관된 다수의 관심 영역의 관심 영역 내에 배치된 각각의 생물학적 샘플로부터 획득된다.
15. 실시형태 1-14 중 어느 한 실시형태에 있어서, 연관된 데이터를 정렬 및 렌더링하는 단계는 생물학적 샘플에 대한 제1 특성을 선택하기 위한 제1 선택 위젯을 렌더링하는 단계를 포함한다.
16. 실시형태 1-15 중 어느 한 실시형태에 있어서, 미세유체 디바이스에서 제1 관심 영역에 대해 캡처된 이미지의 제1 세트에 대한 데이터의 제1 세트가 갤러리 구조의 제1 갤러리 서브 구조에 표시되고; 미세유체 디바이스에서 제2 관심 영역에 대해 캡처된 이미지의 제2 세트에 대한 데이터의 제2 세트는 갤러리 구조의 제2 갤러리 서브 구조에 표시된다.
17. 실시형태 1 내지 실시형태 16 중 어느 한 실시형태에 있어서, 제1 상호작용 객체는 시점들 또는 시간 주기들의 세트의 제1 시점 또는 시간 주기에서 제1 랭크와 연관되고, 제1 랭크는 제1 관심 영역에 대한 제1 특성의 제1 값에 적어도 부분적으로 기초하여 미세유체 디바이스의 복수의 챔버에 속하는 제1 관심 영역의 제1 장소를 나타낸다.
18. 실시형태 1 내지 실시형태 17 중 어느 한 실시형태에 있어서, 제2 상호작용 객체는 시점들 또는 시간 주기들의 세트의 제1 시점 또는 시간 주기에서 제2 랭크와 연관되고, 제2 랭크는 제2 관심 영역에 대한 제1 특성의 제1 값에 적어도 부분적으로 기초하여 미세유체 디바이스의 복수의 챔버와 상관된 제2 관심 영역의 제2 장소를 나타낸다.
19. 실시형태 1 내지 실시형태 18 중 어느 한 실시형태에 있어서, 제1 및 제2 랭크들은 제1 시점 또는 시간 주기에서 각각 제1 관심 영역에서 제1 생물학적 샘플의 제1 상태 및 제2 관심 영역에서 제2 생물학적 샘플의 제2 상태를 나타내기 위해 제1 뷰에서 제1 및 제2 상호작용 객체들과 함께 각각 표시된다.
20. 실시형태 1 내지 19 중 어느 하나에 있어서, 데이터의 제1 갤러리 서브 구조 및 데이터의 제2 갤러리 서브 구조는 제1 식별자에 대응하는 상호작용 식별자를 갖는 제3 갤러리 서브 구조를 포함하도록 배열된다.
21. 실시형태 1 내지 20 중 어느 하나에 있어서, 제3 갤러리 서브 구조의 상호작용 식별자는 사용자 인터페이스에서 호출될 때 제1 랭크 및 제2 랭크에 적어도 부분적으로 기초하여 제1 갤러리 서브 구조 및 제2 갤러리 서브 구조를 배열하는 랭킹 동작을 트리거한다.
22. 실시형태 1-21 중 어느 하나에 있어서, 복수의 갤러리 서브 구조의 갤러리 서브 구조의 높이 또는 너비는 수정된 높이 또는 수정된 너비로 구성 가능하거나, 제3 선형 구조의 필드의 너비는 제1 뷰에서 수정된 너비로 구성 가능하다.
23. 실시형태 1-16 중 어느 하나에 있어서, 갤러리 구조는 열 구조 및 행 구조를 포함하고, 열 구조는 다수의 열들을 포함하고, 행 구조는 다수의 행들을 포함하고, 미세유체 디바이스의 단일의 챔버의 하나 이상의 생물학적 샘플들에 대해 수행된 분석에 특정한 생물학적 샘플 데이터를 포함한다.
24. 실시형태 1-23 중 어느 하나에 있어서, 열 구조의 열은 단일 챔버에서 수행된 분석에 특정한 생물학적 샘플 데이터에 대응하고, 열에 대응하는 각 행은 특정 시점에 또는 특정 시간 주기 동안 단일 챔버에 대해 캡처되거나 생성된 생물학적 샘플 데이터에 각각 대응한다.
25. 실시형태 1-23 중 어느 하나에 있어서, 행 구조의 행은 미세유체 디바이스의 챔버에 대해 수행된 분석에 특정한 생물학적 샘플 데이터에 대응하고, 행에 대응하는 각 열은 각각 특정 시점에 또는 특정 시간 주기 동안 챔버에 대해 캡처되거나 생성되는 생물학적 샘플 데이터에 대응한다.
26. 실시형태 1-25 중 어느 하나에 있어서, 다수의 특성들의 식별자는 미세유체 디바이스의 생물학적 샘플들 중 적어도 하나의 생물학적 샘플에 대해 수행되는 어세이 분석의 적어도 하나의 측면 또는 그 어세이 분석의 결과에 속한다.
27. 실시형태 1-23 중 어느 하나에 있어서, 이미지들의 세트, 데이터의 제1 시퀀스, 또는 데이터의 제2 시퀀스는 이미지들의 세트, 데이터의 제1 시퀀스, 또는 데이터의 제2 시퀀스가 캡처되거나 생성되는 때에 고유의 타임 스탬프로 타임 스탬핑된다.
28. 실시형태 1-22 중 어느 하나에 있어서, 다수의 특성들은 미세유체 디바이스의 챔버 식별자, 생물학적 샘플의 크기 속성, 생물학적 샘플에 대한 최대 밝기 속성, 생물학적 샘플에 대한 최소 밝기 속성, 생물학적 샘플의 중심 (centroid) 에 대한 제1 방향의 제1 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 제2 방향의 제2 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 크기 속성, 시간 경과 인덱스 속성, 미세유체 디바이스에 대한 디바이스 식별자, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 복수의 챔버 또는 다수의 관심 영역의 스코어 속성, 게이트 경로 인덱스, 영역 픽셀 속성, 배경 픽셀 속성, 또는 생물학적 샘플에 대한 중간 밝기 속성 중 적어도 하나를 포함한다.
29. 실시형태 1 내지 실시형태 28 중 어느 하나에 있어서, 제1 상호작용 객체 및 제2 상호작용 객체를 렌더링하는 단계는, 프로세서에 의해, 사용자 인터페이스에 표시되어야 하는 제1 랭크에 적어도 부분적으로 기초하여 사용자 인터페이스의 갤러리 구조의 제1 갤러리 서브 구조에 대한 동적 폭 또는 길이를 결정하는 단계를 포함한다.
30. 실시형태 1 내지 29 중 어느 하나에 있어서, 제1 상호작용 객체 및 제2 상호작용 객체를 렌더링하는 단계는 제1 갤러리 서브 구조에 대한 동적 폭 또는 길이에 적어도 부분적으로 기초하여 이미지들의 제1 시퀀스를 포함하는 데이터의 제1 시퀀스의 적어도 일부를 제1 갤러리 서브 구조로 렌더링하는 단계를 더 포함한다.
31. 실시형태 1-30 중 어느 하나에 있어서, 제1 갤러리 서브 구조의 제1 복수의 갤러리 필드들 내의 갤러리 필드는 복수의 관심 영역의 관심 영역에 대응하고, 여기서 관심 영역은 제1 고유 식별자에 대응한다.
32. 실시형태 1-31 중 어느 하나에 있어서, 갤러리 필드는 복수의 챔버와 상관된 관심 영역에 추가로 대응하고 복수의 갤러리 서브 구조에 대응하도록 추가로 배열된다.
33. 실시형태 1-32 중 어느 하나에 있어서, 복수의 갤러리 서브 구조의 갤러리 서브 구조는 다수의 특성들의 식별자에 대응한다.
34. 실시형태 1-33 중 어느 하나에 있어서, 타임라인에 적어도 부분적으로 기초하여 사용자 인터페이스에서 타임라인 뷰 활성화 상호작용 위젯을 통한 타임라인 뷰의 호출에 응답하여, 사용자 인터페이스에서 타임라인 뷰 및 매칭 그리드 부분을 렌더링하는 단계를 더 포함한다.
35. 실시형태 1-34 중 어느 하나에 있어서, 타임라인 뷰는 생물학적 샘플의 분석에서 다수의 워크플로우 태스크들의 각각의 진행을 포함한다.
36. 실시형태 1-35 중 어느 하나에 있어서, 타임라인 뷰는 분석 또는 생물학적 샘플과 상관된 데이터의 제1 시퀀스 및 데이터의 제2 시퀀스에 적어도 부분적으로 기초하여 렌더링된다.
37. 실시형태 1-36 중 어느 하나에 있어서, 각각의 진행은 다수의 워크플로우 태스크들의 각각의 시간적 지속기간들을 그래픽으로 표시한다.
38. 실시형태 1-37 중 어느 하나에 있어서, 각각의 진행은 타임라인 뷰에서 상호작용할 때 프로세서로 하여금 적어도 매칭 그리드 부분을 데이터의 제1 시퀀스의 적어도 일부 또는 제1 분석 결과의 적어도 일부와 함께 팝퓰레이팅하게 하는 상호작용 진행 위젯으로 표시된다.
39. 실시형태 1-37 중 어느 하나에 있어서, 사용자 인터페이스에 표시된 미세유체 디바이스의 식별, 데이터의 제1 시퀀스, 또는 데이터의 제2 시퀀스의 에 응답하여 갤러리 구조가 미세유체 디바이스에 대해 존재하는지 여부를 결정하는 단계를 추가로 포함하고, 여기서 데이터는 다수의 관심 영역들 중 제1 관심 영역의 제1 생물학적 샘플과 상관된 데이터의 제1 시퀀스, 또는 사용자 인터페이스에 표시된 다수의 관심 영역들 중 제2 관심 영역의 제2 생물학적 샘플과 상관된 데이터의 제2 시퀀스를 포함한다.
40. 실시형태 1-39 중 어느 하나에 있어서, 미세유체 디바이스에 대해 갤러리 구조가 존재한다고 결정될 때, 매칭 그리드 부분을 데이터의 제1 시퀀스의 적어도 일부 또는 연관된 데이터의 적어도 일부와 함께 팝퓰레이팅하는 단계; 및 사용자 인터페이스로부터 식별자 변경 입력을 수신할 때, 데이터의 제1 시퀀스의 제1 식별자를 변경하는 명령을 트리거하는 식별자 위젯을 렌더링하는 단계를 더 포함한다.
41. 실시형태 1 내지 40 중 어느 하나에 있어서, 사용자 인터페이스에서 호출될 때 적어도 프로세서로 하여금 미세유체 디바이스 및 미세유체 디바이스와 상관된 데이터를 타임라인 뷰로부터 제거하게 하는 삭제 위젯을 렌더링하는 단계를 더 포함한다.
42. 실시형태 1 내지 41 중 어느 하나에 있어서, 타임라인 뷰는 사용자 인터페이스에서 제1 조정 가능한 크기 또는 형상을 포함한다.
43. 실시형태 1 내지 실시형태 42 중 어느 하나에 있어서, 매칭 그리드 부분은 사용자 인터페이스에서 제2 조정 가능한 크기 또는 형상을 포함한다.
44. 실시형태 1-43 중 어느 하나에 있어서, 타임라인 부분은 다수의 생물학적 실험들의 대응하는 실험 유형들을 각각 식별하는 다수의 그래픽 표시들을 포함한다.
45. 실시형태 1-44 중 어느 하나에 있어서, 다수의 관심 영역들 중 제1 관심 영역을 타임라인 뷰에 도시된 하나 이상의 그래픽 요소와 연관시키는 단계를 더 포함한다.
46. 실시형태 1-36 중 어느 하나에 있어서, 제1 관심 영역을 하나 이상의 그래픽 요소와 연관시키는 단계는 사용자 인터페이스의 일부에서 제1 열에 있는 하나 이상의 그래픽 요소의 제1 그래픽 요소에 대해 제1 시점 또는 제1 시간 주기에 캡처된 데이터의 제1 시퀀스에 대응하는 제1 상호작용 객체를 렌더링하는 단계를 포함한다.
47. 실시형태 1 내지 실시형태 46 중 어느 하나에 있어서, 제1 관심 영역을 하나 이상의 그래픽 요소와 연관시키는 단계는 하나 이상의 그래픽 요소의 제2 그래픽 요소에 대해 제2 시점 또는 제2 시간 주기에 캡처된 데이터의 제1 시퀀스에 대응하는 제2 상호작용 객체를 렌더링하는 단계를 포함하고, 제2 상호작용 객체는 사용자 인터페이스의 일부에서 제2 열에 대응한다.
48. 실시형태 1-46 중 어느 하나에 있어서, 하나 이상의 그래픽 요소들의 그래픽 요소의 크기는 데이터가 생물학적 샘플에 대해 캡처되는 시간 주기의 시간적 지속기간에 대응하고, 더 큰 그래픽 요소는 더 긴 시간적 주기를 나타낸다.
49. 실시형태 1-36 중 어느 하나에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 생물학적 샘플의 분석을 위한 파이프라인 또는 워크플로우에 적어도 부분적으로 기초하여 타임라인을 결정하는 단계를 포함한다.
50. 실시형태 1-49 중 어느 하나에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 타임라인에 적어도 부분적으로 기초하여 분석을 위한 복수의 스테이지들을 결정하는 단계를 포함하며, 여기서 복수의 스테이지들은 각각 생물학적 샘플의 분석을 위한 복수의 시점들 또는 시간 주기들에 대응한다.
51. 실시형태 1-50 중 어느 하나에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 복수의 시점들 또는 시간 주기들에 적어도 부분적으로 기초하여 복수의 스테이지들에 대한 복수의 그래픽 표시를 각각 결정하는 단계를 포함한다.
52. 실시형태 1-51 중 어느 하나에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 복수의 시점 또는 시간 주기와 상관된 시간적 순서에 따라 사용자 인터페이스의 타임라인 뷰에서 복수의 그래픽 표시를 배열하고 렌더링하는 단계를 포함한다.
53. 실시형태 1-52 중 어느 하나에 있어서, 사용자 인터페이스에서 데이터 제어 뷰를 렌더링하는 단계를 더 포함하고, 데이터 제어 뷰를 렌더링하는 단계는 복수의 챔버를 갖는 미세유체 디바이스에 대한 복수의 필드를 갖는 미세유체 디바이스 데이터 구조를 생성하는 단계를 포함한다.
54. 실시형태 1-53 중 어느 하나에 있어서, 데이터 제어 뷰를 렌더링하는 단계는 미세유체 디바이스의 제1 데이터를 미세유체 디바이스 데이터 구조의 제1 필드에 팝퓰레이팅하는 단계를 포함하며, 여기서 그 제1 데이터는 미세유체 디바이스의 제1 식별자를 포함한다.
55. 실시형태 1-54 중 어느 하나에 있어서, 데이터 제어 뷰를 렌더링하는 단계는 미세유체 디바이스 데이터 구조의 제1 필드에 대한 제1 상호작용 데이터 제어 위젯을 렌더링하는 단계를 포함하며, 여기서 제1 상호작용 데이터 제어 위젯은 상호작용할 때, 적어도 제1 데이터 및 갤러리 뷰와 상관된 챔버 목록을 구성하기 위해 데이터 제어 뷰에서 수신된 제1 입력에 따라 타임라인 뷰 또는 갤러리 뷰와 상관되는 다수의 제1 후보 액션들 중 하나를 호출한다.
56. 실시형태 1-55 중 어느 하나에 있어서, 데이터 제어 뷰를 렌더링하는 단계는 미세유체 디바이스의 제2 데이터를 미세유체 디바이스 데이터 구조의 제2 필드에 팝퓰레이팅하는 단계를 더 포함하며, 여기서 제2 데이터는 미세유체 디바이스 내의 생물학적 샘플들에 대한 제1 생물학적 처리와 상관된 태그를 포함한다.
57. 실시형태 1-56 중 어느 하나에 있어서, 데이터 제어 뷰를 렌더링하는 단계는 제2 필드에 대한 제2 상호작용 데이터 제어 위젯을 렌더링하는 단계를 더 포함하고, 제2 상호작용 데이터 제어 위젯은 연관된 데이터의 하나 이상의 시각화 옵션을 구성하기 위한 데이터 제어 뷰에서의 제2 사용자 입력에 응답하여 다수의 제2 후보 액션들 중 적어도 하나를 호출한다.
58. 실시형태 1-55 중 어느 하나에 있어서, 데이터 제어 뷰를 렌더링하는 단계는 미세유체 디바이스의 제3 데이터를 미세유체 디바이스 데이터 구조의 하나 이상의 제3 필드들에 팝퓰레이팅하는 단계를 더 포함하며, 여기서 제3 데이터는 미세유체 디바이스에 대한 타임 스탬프를 포함한다.
59. 실시형태 1-58 중 어느 하나에 있어서, 데이터 제어 뷰를 렌더링하는 단계는 하나 이상의 제3 필드들에 대한 제3 상호작용 데이터 제어 위젯을 렌더링하는 단계를 더 포함하고, 제3 상호작용 데이터 제어 위젯은, 상호작용할 때, 분석을 위한 클러스터링 또는 치수 감소를 구성하기 위한 데이터 제어 뷰에서의 제3 사용자 입력에 응답하여 다수의 제3 후보 액션들 중 적어도 하나를 호출한다.
60. 실시형태 1-59 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계를 더 포함하고, 필터 뷰를 렌더링하는 단계는 필터 생성 모듈의 제1 필터 선택기 스위치와의 상호작용에 의해 트리거되는 하나 이상의 명령들의 실행에 적어도 부분적으로 기초하여 제1 필터에 대한 제1 필터 유형을 결정하는 단계를 포함한다.
61. 실시형태 1-60 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제1 필터 유형의 결정에 응답하여 사용자 인터페이스의 필터 뷰에서 하나 이상의 제1 필터들의 제1 필터 유형에 대한 제1 필터 선택기 스위치를 렌더링하는 단계를 포함하고, 여기서 제1 속성 선택기 스위치는 호출될 때 제1 필터 유형에 대한 하나 이상의 제1 대화식 필터 속성들의 목록의 제1 제시를 트리거한다.
62. 실시형태 1-61 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 하나 이상의 제1 상호작용 필터 속성들의 목록 내의 제1 상호작용 필터 속성의 호출에 응답하여, 제1 필터에 따라 미세유체 디바이스의 복수의 챔버 또는 다수의 관심 영역을 필터링하기 위한 제1 필터 구성기를 렌더링하는 단계를 더 포함한다.
63. 실시형태 1-62 중 어느 하나에 있어서, 제1 필터 구성기는 제1 상호작용 필터 속성에 대한 제1 상호작용 필터 입력에 응답하여 복수의 챔버 또는 다수의 관심 영역에 제1 동적 제약을 부과한다.
64. 실시형태 1 내지 63 중 어느 하나에 있어서, 제1 동적 제약은 사용자 인터페이스에 디스플레이될 복수의 챔버 또는 다수의 관심 영역으로부터 필터링된 관심 영역들의 제1 세트를 생성하기 위해 복수의 챔버 또는 다수의 관심 영역을 제약한다.
65. 실시형태 1-64 중 어느 하나에 있어서, 제1 필터 구성기는 필터 뷰에서 동적 조작으로 조작될 때 미세유체 디바이스에서 동적으로 제약된 관심 영역의 수를 한정하고 또한 동적 조작에 적어도 부분적으로 기초하여 필터 뷰에서 동적으로 제약된 관심 영역의 수의 그래픽 표시를 트리거하는 제1 구성 슬라이더 위젯을 포함한다.
66. 실시형태 1-64 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 미세유체 디바이스에 대한 필터 뷰에서, 제1 동적 제약을 만족하는 필터링된 관심 영역의 제1 세트에 대한 관심 영역의 제1 총 수를 동적으로 결정하고 표시하는 단계를 더 포함한다.
67. 실시형태 1-66 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제1 필터에 대한 제1 동적 제약의 제1 동적 변경에 응답하여 동적으로 변하는 제1 히스토그램을 렌더링하는 단계를 더 포함한다.
68. 실시형태 1-67 중 어느 하나에 있어서, 제1 히스토그램은 제1 동적 제약의 제1 동적 변화에 응답하여 동적으로 변하는 제1 히스토그램의 상부에 오버레이되는 관심 영역 또는 복수의 챔버의 강조되지 않은 히스토그램을 포함한다.
69. 실시형태 1-68 중 어느 하나에 있어서, 필터 뷰는 필터링된 관심 영역의 제1 세트의 필터링된 관심 영역에 대한 정보를 더 포함하고, 그 정보는 하나 이상의 관심 영역 식별자, 제1 동적 제약을 만족시키는 관심 영역들의 제1 총 수 , 제1 상호작용 필터 속성에 대한 복수의 챔버 또는 다수의 관심 영역의 제1 분포를 나타내는 히스토그램, 제1 상호작용 필터 속성에 대한 필터링된 관심 영역의 제1 세트의 제2 분포를 나타내는 히스토그램의 강조된 부분, 또는 이들의 임의의 조합을 포함한다.
70. 실시형태 1-61 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 필터 생성 모듈에서, 적어도 제2 필터 유형의 제2 필터와 제3 필터 유형의 제3 필터의 논리적 조합을 생성하는 단계를 더 포함한다.
71. 실시형태 1-70 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제2 필터 유형에 대한 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함한다.
72. 실시형태 1-71 중 어느 하나에 있어서, 호출될 때, 제1 필터 선택기 스위치는 제2 필터 유형, 제2 필터에 대한 제2 속성 선택기, 또는 제3 필터에 대한 제3 속성 선택기를 결정하는 데 사용된다.
73. 실시형태 1-72 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 제2 필터 속성의 결정에 응답하여, 제2 필터에 따라 복수의 챔버 또는 다수의 관심 영역을 필터링하기 위한 제2 필터 구성기를 렌더링하는 단계를 더 포함하고, 여기서 제2 필터 구성기는 제2 필터 입력에 응답하여 제2 동적 제약을 부과하고, 제2 동적 제약은 사용자 인터페이스에 표시될 다수의 관심 영역으로부터 필터링된 관심 영역의 제2 수를 제약한다.
74. 실시형태 1-73 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 미세유체 디바이스에 대한 필터 뷰에서, 제2 동적 제약을 만족하는 필터링된 관심 영역의 제2 총 수를 동적으로 결정하고 표시하는 단계를 더 포함한다.
75. 실시형태 1-74 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제2 필터 입력으로부터의 제2 동적 제약의 제2 동적 변경에 응답하여 동적으로 변하는 제2 히스토그램을 렌더링하는 단계를 더 포함한다.
76. 실시형태 1-75 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제2 필터 유형에 대한 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함하고, 여기서 제1 필터 선택기 스위치는, 호출될 때, 제2 필터 유형 및 제2 필터 유형에 대응하는 제2 속성 선택기를 결정하는 데 사용된다.
77. 실시형태 1-76 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제2 필터 유형의 호출에 응답하여, 사용자 인터페이스의 필터 뷰에서 하나 이상의 제2 필터의 제2 필터 유형에 대한 제2 속성 선택기 스위치를 렌더링하는 단계를 더 포함한다.
78. 실시형태 1 내지 실시형태 77 중 어느 하나에 있어서, 제2 속성 선택기는 호출될 때 제2 필터 유형에 대한 하나 이상의 제2 상호작용 필터 속성들의 목록의 제2 제시를 트리거한다.
78. 실시형태 1-77 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제3 필터 유형에 대한 제1 필터 생성 모듈에서의 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함하고, 여기서 제1 필터 선택기 스위치는, 호출될 때, 제3 필터 유형 및 제3 필터 유형에 대응하는 제3 속성 선택기를 결정하는 데 사용된다.
79. 실시형태 1-78 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제3 필터 유형의 호출에 응답하여 사용자 인터페이스의 필터 뷰에서 하나 이상의 제3 필터들의 제3 필터 유형에 대한 제3 속성 선택기를 렌더링하는 단계를 더 함하고, 여기서 제3 속성 선택기는 호출될 때 제3 필터 유형에 대한 하나 이상의 제3 상호작용 필터 속성들의 목록의 제3 제시를 트리거한다.
80. 실시형태 1-79 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제2 상호작용 필터 속성의 선택에 응답하여, 제2 필터에 따라 미세유체 디바이스의 복수의 챔버 또는 다수의 관심 영역을 필터링하기 위한 제2 필터 구성기를 렌더링하는 단계를 더 포함한다.
81. 실시형태 1-80 중 어느 하나에 있어서, 제2 필터 구성기는 제2 상호작용 필터 입력에 응답하여 제2 동적 제약을 부과하는 데 사용된다.
82. 실시형태 1 내지 81 중 어느 하나에 있어서, 제2 동적 제약은 사용자 인터페이스에 디스플레이될 필터링된 관심 영역들의 제2 세트로 제1 필터로부터의 복수의 챔버 또는 다수의 관심 영역을 제약한다.
83. 실시형태 1-82 중 어느 하나에 있어서, 제2 필터 구성기는, 제 2 동적 조작으로 조작될 때, 미세유체 디바이스에 대한 동적으로 제약된 관심 영역의 별개의 수로 복수의 챔버 또는 다수의 관심 영역을 한정하고 또한 제2 동적 조작에 적어도 부분적으로 기초하여 필터 뷰에서 동적으로 제약된 관심 영역의 그 별개의 수의 그래픽 표시를 렌더링하는 것을 트리거하는 제2 구성 슬라이더 위젯을 포함한다.
84. 실시형태 1-81 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제3 상호작용 필터 속성의 선택 또는 결정에 응답하여, 제3 필터에 따라 미세유체 디바이스의 필터링된 관심 영역들의 제2 세트를 필터링하기 위한 제3 필터 구성기를 렌더링하는 단계를 더 포함한다.
85. 실시형태 1-84 중 어느 하나에 있어서, 제3 필터 구성기는 제3 상호작용 필터 입력에 응답하여 제3 동적 제약을 부과하고, 제3 동적 제약은 사용자 인터페이스에 표시될 필터링된 관심 영역들의 제3 세트로 제2 필터로부터의 필터링된 관심 영역의 제2 세트를 제약한다.
86. 실시형태 1-85 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 미세유체 디바이스에 대한 필터 뷰에서, 제2 동적 제약을 만족하는 필터링된 관심 영역의 제2 세트에 대한 관심 영역의 제2 총 수를 동적으로 결정하고 표시하는 단계를 더 포함한다.
87. 실시형태 1-86 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 미세유체 디바이스에 대한 필터 뷰에서, 제3 동적 제약을 만족하는 필터링된 관심 영역의 제3 세트에 대한 관심 영역의 제3 총 수를 동적으로 결정하고 표시하는 단계를 더 포함한다.
88. 실시형태 1-87 중 어느 하나에 있어서, 필터 뷰는 필터링된 관심 영역의 제 2 또는 제3 세트의 필터링된 관심 영역에 대한 제2 정보를 더 포함하고, 그 제2 정보는 하나 이상의 관심 영역 식별자, 제2 또는 제3 동적 제약을 각각 만족시키는 관심 영역들의 제2 또는 제3 총 수, 제2 및 제 3 상호작용 필터 속성들에 대한 복수의 관심 영역의 별개의 분포를 나타내는 별개의 히스토그램, 제1 상호작용 필터 속성에 대한 필터링된 관심 영역의 제2 또는 제3 세트의 제3 분포를 나타내는 별개의 히스토그램의 별개의 강조된 부분, 또는 이들의 임의의 조합을 포함한다.
89. 실시형태 1-88 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제2 상호작용 필터 입력으로부터의 제2 동적 제약의 제2 동적 변경에 응답하여 동적으로 변하는 제3 히스토그램 또는 산점도를 렌더링하는 단계를 더 포함한다.
90. 실시형태 1-89 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 제3 상호작용 필터 입력으로부터의 제3 동적 제약의 제3 동적 변경에 응답하여 동적으로 변하는 제4 히스토그램 또는 산점도를 렌더링하는 단계를 더 포함한다.
91. 실시형태 1-61 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 목록 생성 모듈에서, 제1 관심 영역 목록을 생성하는 단계를 더 포함한다.
92. 실시형태 1-91 중 어느 하나에 있어서, 제1 관심 영역 목록을 생성하는 단계는 사용자 인터페이스와의 제1 상호작용에 적어도 부분적으로 기초하여 제1 관심 영역 목록을 생성하기 위한 사용자 인터페이스로부터의 제1 명령을 수신하는 단계로서, 제1 상호작용은 필터 뷰에서 필터링된 관심 영역의 세트 또는 복수의 챔버 또는 다수의 관심 영역에서 선택된 관심 영역에 대한 선택된 상태를 설정하기 위해 사용자 인터페이스의 다중 상태 선택기를 토글하는 것에 대응하는, 상기 제1 명령을 수신하는 단계; 필터 뷰에서 목록 생성 스위치를 렌더링하는 단계로서, 목록 생성 스위치는 호출될 때 필터링된 관심 영역의 세트 또는 복수의 챔버 또는 다수의 관심 영역으로부터 적어도 제1 상호작용에 의해 선택되는 하나 이상의 제1 선택된 관심 영역을 포함하도록 제1 관심 영역 목록을 생성하는 데 사용되는, 상기 목록 생성 스위치를 렌더링하는 단계; 또는 목록 생성 스위치와의 상호작용에 응답하여 하나 이상의 제1 선택된 관심 영역에 대한 제1 관심 영역 목록을 생성하는 단계 중 적어도 하나를 포함한다.
93. 실시형태 1-61 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는, 목록 생성 모듈에서 제2 관심 영역 목록을 생성하는 단계; 및 하나 이상의 필터에 적어도 부분적으로 기초하여 필터 뷰의 그래픽 플롯에서 제시된 관심 영역들의 수를 제시하는 단계를 더 포함하며, 여기서 그래픽 플롯은 제시된 관심 영역의 수의 하나 이상의 특성들이 하나 이상의 필터에 대해 분포하는 방법을 도시한다.
94. 실시형태 1-93 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 사용자 인터페이스로부터 제2 상호작용에 적어도 부분적으로 기초하여 제2 명령을 수신하는 단계를 더 포함하고, 여기서 제2 상호작용은 사용자 인터페이스에서 연관된 데이터와 상관된 데이터를 표시하는 하나 이상의 디스플레이 영역을 둘러싸는 사용자 정의 곡선 또는 직선 경계로 제시된 관심 영역들의 수로부터의 관심 영역의 서브세트의 선택을 포함한다.
95. 실시형태 1-94 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 목록 생성 스위치의 활성화에 응답하여 하나 이상의 디스플레이 영역에 대한 제2 관심 영역 목록을 생성하는 단계를 더 포함한다.
96. 실시형태 1-95 중 어느 하나에 있어서, 필터 뷰의 사용자 정의 곡선 또는 직선 경계는 제시된 관심 영역의 수에서 하나 이상의 관심 영역의 하나 이상의 특성들을 포함하는 하나 이상의 선택 기준에 적어도 부분적으로 기초하여 결정되고, 제시된 관심 영역의 수는 제시된 관심 영역 수의 제1 속성에 적어도 부분적으로 기초하여 다수의 컬러들 또는 균일한 컬러 스킴을 갖는 히트 맵 (heat map) 으로 필터 뷰에 표시된다.
97. 실시형태 1-96 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 필터 뷰에서 관심 영역에서 또는 그 주위에서 호버링하는 포인팅 장치의 커서에 응답하여, 관심 영역에 대한 정보를 표시하기 위해 팝업 디스플레이 영역의 생성을 트리거하는 단계를 더 포함하고, 여기서 그 정보는 관심 영역의 하나 이상의 특성의 선택에 적어도 부분적으로 기초하여 사용자에 의해 구성 가능하다.
98. 실시형태 1-97 중 어느 하나에 있어서, 필터 뷰를 렌더링하는 단계는 적어도 하나 이상의 노드를 사용자 정의 곡선 또는 직선 경계에 추가하고 하나 이상의 노드에 적어도 부분적으로 기초하여 사용자 정의 곡선 또는 직선 경계를 수정함으로써 사용자 정의 곡선 또는 직선 경계를 수정하는 단계를 더 포함한다.
99. 실시형태 1-98 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계를 더 포함하고, 생물정보학 파이프라인 뷰를 생성하는 단계는 미세유체 디바이스의 복수의 챔버 또는 다수의 관심 영역에서 생물학적 샘플에 대한 시퀀싱 데이터세트를 결정하는 단계를 포함하며, 여기서 생물학적 샘플은 뉴클레오티드 또는 아미노산의 시퀀스를 포함한다.
100. 실시형태 1-99 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는 사용자 인터페이스에서 시퀀싱 데이터세트를 수신하는 단계; 및 사용자 인터페이스에서 뉴클레오티드 또는 아미노산의 시퀀스와 상관된 특성을 식별하는 단계를 더 포함한다.
101. 실시형태 1-100 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는, 사용자 인터페이스에서 제1 시퀀싱 뷰 위젯과의 제1 상호작용에 응답하여, 미세유체 디바이스의 다수의 관심 영역 또는 복수의 챔버에서 뉴클레오티드의 시퀀스, 아미노산의 시퀀스, 또는 거대분자의 시퀀스 중 적어도 하나를 포함하는 제1 생물학적 샘플의 시퀀스의 속성의 분포를 도시하는 생물정보학 파이프라인 뷰에서 제1 시퀀싱 뷰를 렌더링하는 단계를 더 포함한다.
102. 실시형태 1-101 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는 제1 생물학적 샘플의 시퀀스의 특성의 분포의 하나 이상의 통계적 측정을 포함하는 제1 정보로 제1 시퀀싱 뷰를 오버레이하는 단계를 추가로 포함하며, 여기서 사용자 인터페이스는 제1 생물학적 샘플의 다수의 시퀀스들의 총 수, 제1 생물학적 샘플의 시퀀스를 갖는 관심 영역의 총 수, 및 관심 영역의 어레이의 각각의 관심 영역에서 제1 생물학적 샘플의 하나 이상의 시퀀스 각각의 총 수를 포함한다.
103. 실시형태 1-102 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는, 제1 시퀀싱 뷰에서 분포의 일부에 대한 제2 상호작용에 응답하여, 제1 시퀀싱 뷰의 분포의 일부와 관련하여 제1 생물학적 샘플의 다수의 시퀀스의 하나 이상의 시퀀스과 상관된 하나 이상의 정량화 가능한 측정들을 포함하는 제2 정보로 제1 시퀀싱 뷰를 오버레이하는 단계를 더 포함한다.
104. 실시형태 1-103 중 어느 하나에 있어서, 사용자 인터페이스의 생물정보학 파이프라인 뷰에서 제1 곡선 또는 직선 선택 위젯과의 제2 상호작용을 수신하는 단계를 더 포함하고, 제2 상호작용은 제2 상호작용의 정도에 적어도 부분적으로 기초하여 생물정보학 파이프라인 뷰에서 제1 시퀀싱 뷰의 일부를 제거하기 위한 제1 명령을 트리거한다.
105. 실시형태 1-104 중 어느 하나에 있어서, 사용자 인터페이스에서 제2 시퀀싱 뷰 위젯과의 제3 상호작용에 응답하여, 다수의 관심 영역 또는 복수의 챔버에서 뉴클레오티드 또는 아미노산의 시퀀스의 특성의 제2 분포를 도시하는 생물정보학 파이프라인 뷰에서 제2 시퀀싱 뷰를 렌더링하는 단계를 더 포함한다.
106. 실시형태 1-105 중 어느 하나에 있어서, 제2 분포는 형광 염료에 대한 응답으로 복수의 챔버 또는 다수의 관심 영역에서 복수의 생물학적 샘플의 각각의 강도를 포함하고, 각각의 강도는 사용자에 의해 커스터마이즈 가능한 각각의 컬러링 톤들과 연관된다.
107. 실시형태 1-106 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰에서 곡선 또는 직선 선택 위젯 또는 상이한 곡선 또는 직선 선택 위젯과의 제4 상호작용을 수신하는 단계를 더 포함하고, 제3 상호작용은 제4 상호작용의 정도에 적어도 부분적으로 기초하여 생물정보학 파이프라인 뷰에서 제2 시퀀싱 뷰로부터 하나 이상의 관심 영역을 선택하기 위한 제2 명령을 트리거한다.
108. 실시형태 1-107 중 어느 하나에 있어서, 제1 관심 영역 목록을 생성하기 위해 사용자 인터페이스로부터 제5 명령을 수신하는 단계를 더 포함한다.
109. 실시형태 1-108 중 어느 하나에 있어서, 제1 관심 영역 목록을 생성하기 위한 제5 명령을 수신하는 단계는 생물정보학 파이프라인 뷰에서 곡선 또는 직선 선택 위젯 또는 상이한 곡선 또는 직선 선택 위젯에 적어도 부분적으로 기초하여 제2 시퀀싱 뷰로부터 선택된 하나 이상의 관심 영역에 대한 제1 관심 영역 목록을 생성하는 단계를 포함한다.
110. 실시형태 1-109 중 어느 하나에 있어서, 제1 관심 영역 목록을 생성하기 위한 제5 명령을 수신하는 단계는, 제2 시퀀싱 뷰로부터 선택된 하나 이상의 관심 영역을 포함하는 제1 관심 영역 목록의 생성에 응답하여, 데이터의 제2 시퀀스를 갤러리 구조 또는 별도의 갤러리 구조에서 다수의 갤러리 필드로 렌더링하는 동작을 호출하는 제6 명령을 트리거하는 단계를 포함한다.
111. 실시형태 1 내지 110 중 어느 하나에 있어서, 제1 관심 영역 목록을 생성하기 위한 제5 명령을 수신하는 단계는, 사용자 인터페이스에 디스플레이하기 위해 다수의 갤러리 필드 중 각각의 갤러리 필드에 대한 동적 너비 또는 상이한 동적 너비를 결정하는 단계를 더 포함한다.
112. 실시형태 1 내지 111 중 어느 하나에 있어서, 제1 관심 영역 목록을 생성하기 위한 제5 명령을 수신하는 단계는, 제2 시퀀싱 뷰로부터 선택된 하나 이상의 관심 영역의 각각의 관심 영역에 대한 대응하는 디스플레이 특성을 갖는 각각의 상호작용 객체를 렌더링하는 단계를 더 포함한다.
113. 실시형태 1-112 중 어느 하나에 있어서, 액트들 (acts) 의 세트는 적어도 하나의 뷰를 포함하는 사용자 인터페이스에서 다방향 배치 위젯을 렌더링하는 단계; 및 사용자로부터의 제1 입력에 적어도 부분적으로 기초하여 별도의 객체를 사용자 인터페이스에 추가하기 위한 추가 명령을 식별하는 단계를 더 포함한다.
114. 실시형태 1 내지 실시형태 113 중 어느 하나에 있어서, 액트들의 세트는 제1 입력에 적어도 부분적으로 기초하여 개별 객체에 대한 다수의 후보 배치 위치로부터 후보 배치 위치를 결정하는 단계를 더 포함한다.
115. 실시형태 1-114 중 어느 하나에 있어서, 액트들의 세트는 사용자 인터페이스의 후보 위치에서 잔영 (ghosting) 객체를 렌더링하여 사용자 인터페이스에서 별도의 객체를 배치하기 전에 적어도 하나의 뷰와 관련하여 별도의 객체가 배치될 위치를 그래픽으로 제시하는 단계를 더 포함한다.
116. 실시형태 1 내지 실시형태 115 중 어느 하나에 있어서, 사용자 입력 장치로부터의 별도의 입력에 따라 별도의 객체를 후보 배치 위치에 스냅하는 단계를 더 포함한다.
117. 실시형태 1-117 중 어느 하나에 있어서, 다방향 배치 위젯은 사용자 인터페이스에 별도의 객체를 배치하기 위해 적어도 2개의 직교 방향으로 다수의 후보 배치 위치를 제공하고, 별도의 객체의 하나 이상의 경계는 사용자 인터페이스에서 별도의 객체의 배치 후에 개별적으로 조정가능하다.
118. 실시형태 1 내지 117 중 어느 하나에 있어서, 제1 입력은 사용자 인터페이스에서 렌더링된 다방향 배치 위젯과 관련하여 사용자 입력 장치의 커서의 상대 위치와 상관된 정보를 포함하거나, 또는 적어도 하나의 뷰 및 별도의 객체는 둘 다 사용자 인터페이스의 후보 배치 위치에서 별도의 객체의 배치를 수용하기 위해 적어도 하나의 뷰의 크기를 조정함으로써 사용자 인터페이스에서 비중첩 방식으로 제시된다.
119. 실시형태 1-118 중 어느 하나에 있어서, 미세유체 디바이스의 복수의 챔버의 각각의 챔버는 고유 식별자를 포함한다.
120. 실시형태 1-119 중 어느 하나에 있어서, 다수의 특성들은 미세유체 디바이스의 관심 영역의 식별자, 복수의 생물학적 샘플의 크기 속성, 복수의 생물학적 샘플에 대한 최대 밝기 속성, 복수의 생물학적 샘플에 대한 최소 밝기 속성, 생물학적 샘플의 중심에 대한 제1 방향의 제1 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 제2 방향의 제2 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 크기 속성, 시간 경과 인덱스 속성, 미세유체 디바이스에 대한 디바이스 식별자, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 복수의 관심 영역의 스코어 속성, 게이트 경로 인덱스, 영역 픽셀 속성, 배경 픽셀 속성, 또는 복수의 생물학적 샘플에 대한 중간 밝기 속성 중 적어도 하나를 더 포함하는 하나 이상의 속성들에 대응한다.
121. 실시형태 1-121 중 어느 하나에 있어서, 미세유체 디바이스의 관심 영역에서 제1 시점에서 생물학적 샘플의 제1 카운트를 결정하는 단계를 추가로 포함한다.
122. 실시형태 1-121 중 어느 하나에 있어서, 제1 시점에서 생물학적 샘플의 제1 카운트를 결정하는 단계는 미세유체 디바이스에서 관심 영역에 대한 제1 시점에서 캡처된 제1 이미지 데이터를 수신하는 단계를 포함한다.
123. 실시형태 1 내지 실시형태 122 중 어느 하나에 있어서, 적어도 제1 이미지 데이터를 제1 픽셀 정보 X 제2 픽셀 정보 X 픽셀 깊이 정보의 어레이로 배열함으로써 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 사전 처리하는 단계를 더 포함한다.
124. 실시형태 1-123 중 어느 하나에 있어서, 적어도 다수의 처리 블록을 갖는 콘볼루션 신경망(CNN)으로 생물학적 샘플을 인식함으로써 관심 영역에서 생물학적 샘플의 제1 카운트를 결정하는 단계를 더 포함한다.
125. 실시형태 1-124 중 어느 하나에 있어서, 적어도 제1 이미지 데이터 또는 제1 사전 처리된 이미지 데이터를 적어도 머신 러닝 모델을 사용하여 제1 클래스 또는 유형으로 분류함으로써 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계를 더 포함한다.
126. 실시형태 1-125 중 어느 하나에 있어서, 콘볼루션 신경망(CNN)을 사용하여 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 관심 영역에서 생물학적 샘플의 제1 카운트를 결정하는 단계를 더 포함한다.
127. 실시형태 1-126 중 어느 하나에 있어서, 그래픽 사용자 인터페이스(GUI)의 갤러리 뷰에서 관심 영역에 대한 제1 카운트와 상관된 텍스트 또는 그래픽 정보를 표시하는 단계를 더 포함한다.
128. 실시형태 1-124 중 어느 하나에 있어서, 다수의 처리 블록은 제1 처리 블록, 제2 처리 블록, 및 제3 처리 블록을 포함하고, 제1 처리 블록은 제1 다운샘플링된 이미지 데이터로 제2 다운 샘플링 블록으로 제1 입력을 다운샘플링하는 제1 다운샘플링 블록을 포함한다.
129. 실시형태 1-128 중 어느 하나에 있어서, 제1 처리 블록은 제1 잔차 네트워크를 더 포함하고, 여기서 제1 잔차 네트워크는 제1 다운샘플링 블록을 따르고, 제1 다운샘플링 블록 및 제1 처리 블록의 제1 잔차 네트워크 각각은 적어도 하나의 제1 콘볼루션 층을 포함한다.
130. 실시형태 1-129 중 어느 하나에 있어서, 제1 잔차 네트워크는 제1 평행 경로 및 제2 평행 경로를 포함하고, 둘 다 제1 다운샘플링 블록으로부터 출력된 제1 다운샘플링 블록을 수신하고, 제1 평행 경로는 제1 필터 크기를 포함하고, 제2 평행 경로는 제1 평행 경로의 제1 필터 크기보다 작은 제2 필터 크기를 포함한다.
131. 실시형태 1 내지 실시형태 129 중 어느 하나에 있어서, 다수의 처리 블록들은 각각의 정규화 층이 각각에 뒤따르는 다수의 전치 콘볼루션 층들을 더 포함하는 제4 처리 블록을 더 포함한다.
132. 실시형태 1-131 중 어느 하나에 있어서, 전치 콘볼루션 층들의 수 중 전치 콘볼루션 층은 제1 처리 블록의 적어도 하나의 제1 콘볼루션 층 또는 제2 처리 블록의 적어도 하나의 제2 콘볼루션 층와 동일한 스트라이드 (stride) 번호를 갖는다.
133. 실시형태 1-124 중 어느 하나에 있어서, 콘볼루션 신경망의 콘볼루션 층은 1 X 1 보다 큰 필터 크기를 가지므로 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않는다.
135. 실시형태 1-124 중 어느 하나에 있어서, 콘볼루션 신경망은 풀링 층을 포함하지 않는다.
136. 실시형태 1-135 중 어느 하나에 있어서, 차등 유전자 발현 모듈에서, 제1 시점 또는 시간 주기에 미세유체 디바이스의 다수의 관심 영역의 생물학적 샘플과 상관된 제1 데이터세트를 수신하는 단계를 추가로 포함한다.
137. 실시형태 1-136 중 어느 하나에 있어서, 차등 유전자 발현 모듈에서, 제2 시점 또는 시간 주기에 다수의 관심 영역의 생물학적 샘플과 상관된 제2 데이터세트를 수신하는 단계를 추가로 포함한다.
138. 실시형태 1-137 중 어느 하나에 있어서, 생물학적 샘플의 제1 데이터세트에 대한 관심 영역의 제1 목록을 결정하는 단계; 및 생물학적 샘플의 제2 데이터세트에 대한 관심 영역의 제2 목록을 결정하는 단계를 더 포함한다.
139. 실시형태 1-137 중 어느 하나에 있어서, 제1 및 제2 시점들 또는 시간 주기들 사이의 제1 정량화 가능한 메트릭의 변화와 상관된 적어도 하나의 통계 측정을 결정하는 단계를 더 포함한다.
140. 실시형태 1-139 중 어느 하나에 있어서, 적어도 하나의 통계 측정은 폴드 (fold) 변화를 포함하고, 그 변화는 제1 시점 또는 시간 주기의 제1 정량화 가능한 메트릭과 제2 시점 또는 시간 주기의 제1 정량화 가능한 메트릭 사이의 제1 비율을 포함한다.
141. 실시형태 1-139 중 어느 하나에 있어서, 적어도 하나의 통계 측정은 제1 시점 또는 시간 주기의 제1 정량화 가능한 메트릭과 제2 시점 또는 시간 주기의 제1 정량화 가능한 메트릭 사이의 제2 비율의 로그를 포함한다.
142. 실시형태 1-139 중 어느 하나에 있어서, 폴드 변화 슬라이더 위젯과의 제1 사용자 상호작용으로부터 제1 구성 가능한 제약 값을 수신하는 단계를 더 포함하고, 여기서 제1 구성 가능한 제약 값은 제1 구성 가능한 제약 값 아래의 제1 정량화 가능한 메트릭의 변화를 나타내는 생물학적 샘플과 상관된 제1 데이터를 억제한다.
143. 실시형태 1-142 중 어느 하나에 있어서, 제1 사용자 상호작용에 적어도 부분적으로 기초하여 제1 및 제2 데이터세트들 중 적어도 일부를 동적으로 필터링하는 단계를 더 포함한다.
144. 실시형태 1-142 중 어느 하나에 있어서, 제1 구성 가능한 제약 값에 적어도 부분적으로 기초하여 제1 데이터세트 및 제2 데이터세트로부터의 차등 유전자 발현 뷰에 제1 차등 유전자 발현 데이터를 표시하는 단계를 추가로 포함하고, 여기서 제1 구성 가능한 제약 값 아래의 변경을 나타내는 제1 및 제2 데이터세트들과 상관된 제1 데이터는 차등 유전자 발현 보기에서 억제된다.
145. 실시형태 1-144 중 어느 하나에 있어서, 구성 위젯들의 세트를 사용하여 미세유체 디바이스의 생물학적 샘플과 상관된 제1 데이터세트에 대한 생물정보학 파이프라인 뷰를 구성하는 단계를 추가로 포함한다.
146. 실시형태 1-145 중 어느 하나에 있어서, 복수의 구성 위젯들은 차원 감소 위젯, 클러스터링 위젯, 좌표 구성 위젯, 컬러 스케일 구성 위젯, 다수의 컬러 스케일 구성 위젯, 산점도 구성 위젯, 관심 영역 목록 조작 모듈 또는 동적 필터링 슬라이더 위젯 중 적어도 하나를 포함한다.
147. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 차원 축소 위젯과의 제1 상호작용으로부터, 생물학적 샘플의 제1 데이터세트에 대한 다수의 주성분 분석(PCA) 성분들을 수신하는 단계를 포함한다.
148. 실시형태 1-147 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는 주성분 분석 성분들의 수에 적어도 부분적으로 기초하여 생물학적 샘플과 상관된 제1 데이터세트의 차원을 감소시키는 단계를 포함한다.
149. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 클러스터링 위젯과의 제2 상호작용으로부터, 생물학적 샘플의 제1 데이터세트에 대한 루뱅 클러스터링 파라미터 값을 수신하는 단계를 포함한다.
150. 실시형태 1-149 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는 적어도 루뱅 클러스터링 파라미터 값에 적어도 부분적으로 기초하여 제1 데이터세트를 처리함으로써 생물학적 샘플들의 적어도 일부를 하나 이상의 클러스터로 클러스터링하는 단계를 포함한다.
151. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 좌표 구성 위젯과의 제3 상호작용으로부터, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 좌표계를 결정하는 단계를 포함하며, 여기서 제3 상호작용은 UMAP(Uniform Manifold Approximation and Projection) 또는 PCA(주성분 분석)를 포함하는 복수의 옵션으로부터 좌표계를 선택한다.
153. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 컬러 스케일 구성 위젯과의 제4 상호작용으로부터, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 컬러 스케일을 결정하는 단계를 포함하며, 여기서 제4 상호작용은 선형 컬러 스케일 또는 대수 컬러 스케일을 포함하는 복수의 옵션으로부터 컬러 스케일을 선택한다.
154. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 컬러 스케일 수 구성 위젯과의 제5 상호작용으로부터, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 컬러 스케일들의 수를 결정하는 단계를 포함하며, 여기서 제5 상호작용은 단일 컬러바 또는 다수의 컬러바들을 포함하는 복수의 옵션으로부터 컬러 스케일들의 수를 선택한다.
155. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 산점도 구성 위젯과의 제6 상호작용으로부터, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 하나 이상의 산점도 옵션들을 결정하는 단계를 포함하며, 여기서 제6 상호작용은 복수의 산점도 옵션들로부터 하나 이상의 산점도 옵션들을 선택한다.
156. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 관심 영역 목록 조작 모듈과의 제7 상호작용으로부터, 제1 데이터세트에 대한 관심 영역의 하나 이상의 목록에 대한 하나 이상의 옵션을 결정하는 단계를 포함하며, 여기서 제7 상호작용 제1 목록 선택 모드 옵션, 제2 목록 선택 모드 옵션, 또는 관심 영역의 하나 이상의 목록에 대한 식별자 옵션을 포함하는 복수의 옵션으로부터 하나 이상의 옵션을 선택한다.
157. 실시형태 1-146 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는 생물정보학 파이프라인 뷰에서 생물학적 샘플에 대한 제1 데이터세트의 적어도 일부에 대한 그래픽 표시를 식별하는 단계를 포함한다.
158. 실시형태 1-157 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는 생물학적 샘플에 대한 제1 데이터 세트의 적어도 일부에 대한 그래픽 표시에 대한 동적으로 생성된 범위와 연관된 동적 필터링 슬라이더 위젯을 동적으로 생성하는 단계를 포함한다.
159. 실시형태 1-158 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는 동적 필터링 슬라이더 위젯과의 제8 상호작용으로부터 동적 필터링 슬라이더 위젯의 동적으로 생성된 범위와의 제8 상호작용에 적어도 부분적으로 기초하여 동적 값을 결정하는 단계를 포함한다.
160. 실시형태 1-159 중 어느 하나에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는: 동적으로 생성된 범위와의 제8 상호작용에 적어도 부분적으로 기초하여 결정되는 동적 값에 응답하여 생물학적 샘플에 대한 제1 데이터세트의 적어도 일부에 대한 그래픽 표시를 동적으로 리프레싱 (refreshing) 하는 단계를 포함한다.
161. 생물학적 샘플의 이미지를 분석하는 방법에 있어서, 미세유체 디바이스에서 관심 영역에 대한 제1 시점 또는 기간에 캡쳐된 제1 이미지 데이터를 수신하는 단계; 적어도 제1 이미지 데이터를 제1 픽셀 정보 X 제2 픽셀 정보 X 픽셀 깊이 정보의 어레이로 배열함으로써 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 사전 처리하는 단계; 적어도 머신 러닝 모델을 사용하여 제1 이미지 데이터를 제1 클래스 또는 유형으로 분류함으로써 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계; 다수의 처리 블록들을 갖는 콘볼루션 신경망 (CNN) 으로 생물학적 샘플을 인식함으로써 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 관심 영역에서 생물학적 샘플의 제1 카운트를 결정하는 단계; 및 그래픽 사용자 인터페이스(GUI)의 갤러리 뷰에서 관심 영역에 대한 제1 카운트와 상관된 텍스트 또는 그래픽 정보를 표시하는 단계를 포함한다.
162. 실시형태 161의 방법에 있어서, 다중 처리 블록은 제2 다운샘플링 블록에 대한 제1 입력을 제1 다운샘플링된 이미지 데이터로 다운샘플링하는 제1 다운샘플링 블록; 및 제1 잔차 네트워크를 더 포함하는 제1 처리 블록을 포함하고, 여기서 제1 잔차 네트워크는 제1 다운샘플링 블록을 따르고, 제1 처리 블록의 제1 다운샘플링 블록 및 제1 잔차 네트워크 각각은 적어도 하나의 제1 콘볼루션 층을 포함한다.
163. 실시형태 161-162 중 어느 하나에 있어서, 여기서 제1 다운샘플링 블록은 제1 차원 및 제1 깊이에 대한 제1 스트라이드를 갖는 제1 콘볼루션 커널을 포함하고, 제1 차원은 1x1보다 크고, 제1 스트라이드는 1보다 크다.
164. 실시형태 161-163 중 어느 하나에 있어서, 제1 콘볼루션 커널은 제1 배치 정규화 층이 후속되고, 그것은 제1 다운샘플링 블록에서의 제1 활성화 층이 더 후속된다.
165. 실시형태 161-163 중 어느 하나에 있어서, 제1 잔차 네트워크는 제1 평행 경로 및 제2 평행 경로를 포함하고, 둘 다 제1 다운샘플링 블록으로부터 제1 다운샘플링 블록 출력을 수신하고, 제1 평행 경로는 제1 필터 크기를 포함하고, 제2 평행 경로는 제1 평행 경로의 제1 필터 크기보다 작은 제2 필터 크기를 포함한다.
166. 실시형태 161-165 중 어느 하나에 있어서, 여기서 제1 평행 경로는 적어도 제2 차원 및 제2 깊이에 대한 제2 스트라이드를 갖는 복수의 제2 콘볼루션 커널을 포함하고, 제2 차원은 제1 차원보다 낮고 1x1보다 크고, 제2 스트라이드는 제1 스트라이드보다 작다.
167. 실시형태 161-166 중 어느 하나에 있어서, 적어도 제2 평행 경로를 따른 제3 스트라이드를 갖는 제3 차원을 갖는 제3 콘볼루션 커널로 제1 다운샘플링 블록 출력을 처리함으로써 제1 이미지 데이터를 처리함에 있어서 공간 정보의 제1 손실을 감소시키는 단계를 더 포함하고, 여기서 제 3 차원은 제 1 차원 및 제 2 차원보다 작고, 제 3 스트라이드는 제 1 스트라이드보다 작다.
168. 실시형태 161-167 중 어느 하나에 있어서, 제1 처리 블록은 제2 활성화 층이 뒤따르는 제1 재조합 층을 더 포함하고, 제1 재조합 층은 제1 평행 경로 및 제2 평행 경로 모두에 작동 가능하게 연결된다.
169. 실시형태 161-165 중 어느 하나에 있어서, 다중 처리 블록은 제2 다운샘플링 블록에 대한 제2 입력을 제2 다운샘플링된 이미지 데이터로 다운샘플링하는 제2 다운샘플링 블록; 및 제2 다운샘플링 블록을 뒤따르는 제2 잔차 네트워크를 더 포함하는 제2 처리 블록을 더 포함하고, 여기서 제2 처리 블록의 제2 다운샘플링 블록 및 제2 잔차 네트워크 각각은 적어도 하나의 제2 콘볼루션 층을 포함한다.
170. 실시형태 161-169 중 어느 하나에 있어서, 여기서 제2 다운샘플링 블록은 제4 차원 및 제4 깊이에 대한 제4 스트라이드를 갖는 제4 콘볼루션 커널을 포함하고, 제4 차원은 1x1보다 크고, 제4 스트라이드는 1보다 크다.
171. 실시형태 161-170 중 어느 하나에 있어서, 제2 콘볼루션 커널은 제2 배치 정규화 층이 후속되고, 그것은 제2 다운샘플링 블록에서의 제3 활성화 층이 더 후속된다.
172. 실시형태 161-170 중 어느 하나에 있어서, 제2 잔차 네트워크는 제3 평행 경로 및 제4 평행 경로를 포함하고, 이들 양자 모두는 제2 다운샘플링 층으로부터 제2 다운샘플링 블록 출력을 수신하고, 제4 평행 경로는 제3 평행 경로의 제 2 의 더 큰 필터 크기보다 작은 제 2 의 더 작은 필터 크기를 포함한다.
173. 실시형태 161-172 중 어느 하나에 있어서, 여기서 제3 평행 경로는 적어도 제5 차원 및 제5 깊이에 대한 제5 스트라이드를 갖는 복수의 제2 콘볼루션 커널을 포함하고, 제5 차원은 제4 차원보다 낮고 1x1보다 크고, 제5 스트라이드는 제4 스트라이드보다 작다.
174. 실시형태 161-173 중 어느 하나에 있어서, 적어도 제4 평행 경로를 따른 제6 스트라이드를 갖는 제6 차원을 갖는 제6 콘볼루션 커널로 제2 다운샘플링 블록 출력을 처리함으로써 공간 정보의 제2 손실을 감소시키는 단계를 더 포함하고, 여기서 제 6 차원은 제 4 차원 및 제 5 차원보다 작고, 제 6 스트라이드는 제 4 스트라이드보다 작다.
175. 실시형태 161-174 중 어느 하나에 있어서, 제2 처리 블록은 제4 활성화 층이 뒤따르는 제2 재조합 층을 더 포함하고, 제2 재조합 층은 제3 평행 경로 및 제4 평행 경로 모두에 작동 가능하게 연결된다.
176. 실시형태 161-174 중 어느 하나에 있어서, 다수의 처리 블록은 제3 다운샘플링 블록에 대한 제3 입력을 제3 다운샘플링된 이미지 데이터로 다운샘플링하는 제3 다운샘플링 블록; 및 제3 다운샘플링 블록을 뒤따르는 제3 잔차 네트워크를 더 포함하는 제3 처리 블록을 더 포함하고, 여기서 제3 처리 블록의 제3 다운샘플링 블록 및 제2 잔차 네트워크 각각은 적어도 하나의 제3 콘볼루션 층을 포함한다.
177. 실시형태 161-176 중 어느 하나에 있어서, 여기서 제3 다운샘플링 블록은 제7 차원 및 제7 깊이에 대한 제7 스트라이드를 갖는 제7 콘볼루션 커널을 포함하고, 제7 차원은 1x1보다 크고, 제7 스트라이드는 1보다 크다.
178. 실시형태 161-177 중 어느 하나에 있어서, 제7 콘볼루션 커널은 제3 배치 정규화 층이 후속되고, 그것은 제3 다운샘플링 블록에서의 제5 활성화 층이 더 후속된다.
179. 실시형태 161-177 중 어느 하나에 있어서, 제3 잔차 네트워크는 제5 평행 경로 및 제6 평행 경로를 포함하고, 이들 양자 모두는 제3 다운샘플링 층으로부터 제3 다운샘플링 블록 출력을 수신하고, 제6 평행 경로는 제5 평행 경로의 제 3 의 더 큰 필터 크기보다 작은 제 3 의 더 작은 필터 크기를 포함한다.
180. 실시형태 161-179 중 어느 하나에 있어서, 여기서 제5 평행 경로는 적어도 제8 차원 및 깊이 값에 대한 제8 스트라이드를 갖는 복수의 제8 콘볼루션 커널을 포함하고, 제8 차원은 제7 차원보다 낮고 1x1보다 크고, 제8 스트라이드는 제7 스트라이드보다 작다.
181. 실시형태 161-180 중 어느 하나에 있어서, 적어도 제6 평행 경로를 따른 제9 스트라이드를 갖는 제9 차원을 갖는 제9 콘볼루션 커널로 제3 다운샘플링 블록 출력을 처리함으로써 공간 정보의 제3 손실을 감소시키는 단계를 더 포함하고, 여기서 제 9 차원은 제 7 차원 및 제 8 차원보다 작고, 제 9 스트라이드는 제 7 스트라이드보다 작다.
182. 실시형태 161-181 중 어느 하나에 있어서, 제3 처리 블록은 제6 활성화 층이 뒤따르는 제3 재조합 층을 더 포함하고, 제3 재조합 층은 제5 평행 경로 및 제6 평행 경로 모두에 작동 가능하게 연결된다.
183. 실시형태 161-179 중 어느 하나에 있어서, 다수의 처리 블록은 각각의 정규화 층에 의해 각각 후속되는 다수의 전치 콘볼루션 층을 더 포함하는 제4 처리 블록을 더 포함하고, 여기서 그 다수의 전치 콘볼루션 층들 중의 전치 콘볼루션 층은 제1 처리 블록의 적어도 하나의 제1 콘볼루션 층 또는 제2 처리 블록의 적어도 하나의 제2 콘볼루션 층와 동일한 스트라이드 (stride) 수를 갖는다.
184. 실시형태 161-183 중 어느 하나에 있어서, 그 다수의 전치 콘볼루션 층들은 제1 및 제2 처리 블록의 콘볼루션 층의 총 수보다 적어도 하나 작은 값에 대응한다.
185. 실시형태 161-184 중 어느 하나에 있어서, 콘볼루션 신경망의 콘볼루션 층은 1 X 1 보다 큰 필터 크기를 가지므로 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않는다.
186. 실시형태 161-185 중 어느 하나에 있어서, 콘볼루션 신경망은 풀링 층을 포함하지 않는다.
187. 실시형태 161-186 중 어느 하나에 있어서, 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 사전 처리하는 단계는 관심 영역 또는 제1 이미지 데이터의 유형에 적어도 부분적으로 기초하여 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 적어도 감소시키는 단계를 포함하고, 여기서 제 1 이미지 데이터의 유형은 생물학적 샘플을 분석하기 위해 제 1 이미지 데이터가 캡처되는 동작에 대응하고, 그 동작은 익스포트 (export) 동작 또는 임포트 (import) 동작을 포함한다.
188. 실시형태 161-187 중 어느 하나에 있어서, 생물학적 샘플의 제1 기하학적 특성 및 관심 영역의 제2 기하학적 특성에 적어도 부분적으로 기초하여 제1 이미지 데이터에 대한 픽셀 크기를 결정하는 단계를 더 포함한다.
189. 실시형태 161-188 중 어느 하나에 있어서, 생물학적 샘플의 제1 기하학적 특성은 생물학적 샘플의 직경, 장경, 단경 또는 면적을 포함하고, 관심 영역의 제2 기하학적 특성은 관심 영역 또는 그것의 일부의 폭 또는 길이를 포함한다.
190. 실시형태 161-189 중 어느 하나에 있어서, 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계는, 적어도 콘볼루션 신경망의 제1 처리 블록을 사용하여 복수의 저레벨 특징을 처리하는 단계를 포함한다.
191. 실시형태 161-190 중 어느 하나에 있어서, 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계는, 콘볼루션 신경망의 적어도 제3 처리 블록을 사용하여 복수의 추상적 특징을 처리하는 단계를 더 포함한다.
192. 실시형태 161-191 중 어느 하나에 있어서, 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계는 제1 클래스 또는 유형 또는 제1 클래스 또는 유형에 대응하는 제1 통계를 결정하는 단계를 더 포함하고, 여기서 제1 통계는 제1 이미지 데이터에서의 하나 이상의 픽셀이 대응하는 생물학적 샘플 특성을 나타내는 제 1 확률을 포함한다.
193. 실시형태 1-192 중 어느 하나에 있어서, 적어도 다수의 처리 블록을 갖는 콘볼루션 신경망(CNN)을 사용하여 관심 영역에 대한 제2 시점 또는 기간에 캡처된 제2 이미지 데이터로부터 생물학적 샘플의 제2 카운트를 결정하는 단계를 더 포함한다.
194. 실시형태 1-193 중 어느 하나에 있어서, 적어도 그래픽 사용자 인터페이스(GUI)의 갤러리 뷰에서 제1 이미지 데이터의 일부 및 제2 이미지 데이터의 일부를 순차적으로 렌더링함으로써 관심 영역의 비디오 또는 이미지 시퀀스를 재생하는 단계를 더 포함한다.
195. 실시형태 1-193 중 어느 하나에 있어서, 생물학적 샘플의 제2 카운트를 결정하는 단계는: 미세유체 디바이스에서 관심 영역에 대한 제1 시점에서 캡처된 제2 이미지 데이터를 수신하는 단계; 및 적어도 상기 제2 이미지 데이터를 상기 제1 픽셀 정보 X 상기 제2 픽셀 정보 X 상기 픽셀 깊이 정보의 배열로 배열하여 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 사전 처리하는 단계를 포함한다.
196. 실시형태 1-195 중 어느 하나에 있어서, 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 사전 처리하는 단계는 관심 영역 또는 제2 이미지 데이터의 유형에 적어도 부분적으로 기초하여 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 적어도 감소시키는 단계를 포함하고, 여기서 제 2 이미지 데이터의 유형은 생물학적 샘플을 분석하기 위해 제 2 이미지 데이터가 캡처되는 별개의 동작에 대응하고, 그 별개의 동작은 익스포트 동작, 임포트 동작, 별개의 익스포트 동작, 별개의 임포트 동작을 포함한다.
197. 실시형태 1-195 중 어느 하나에 있어서, 생물학적 샘플의 제2 카운트를 결정하는 단계는: 적어도 머신 러닝 모델을 사용하여 제2 이미지 데이터를 제1 클래스 또는 유형으로 분류하는 단계; 및 적어도 다중 처리 블록을 갖는 콘볼루션 신경망으로 생물학적 샘플을 인식함으로써 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 관심 영역의 제2 시점에서 생물학적 샘플의 제2 카운트를 결정하는 단계를 더 포함한다.
198. 실시형태 1-193 중 어느 하나에 있어서, 제1 이미지 데이터로부터 하나 이상의 제1 이미지를 결정하는 단계로서, 하나 이상의 제1 이미지는 제1 카운트와 상관되고 제1 시점 또는 기간에 시간적으로 대응하는 제1 정보를 포함하는, 상기 하나 이상의 제1 이미지를 결정하는 단계; 제2 이미지 데이터로부터 하나 이상의 제2 이미지를 결정하는 단계로서, 하나 이상의 제2 이미지는 제2 카운트와 상관되고 제2 시점 또는 기간에 시간적으로 대응하는 제2 정보를 포함하는, 상기 하나 이상의 제2 이미지를 결정하는 단계; 및 적어도 그래픽 사용자 인터페이스에서 시간적 순서로 하나 이상의 제1 이미지와 하나 이상의 제2 이미지를 동적으로 렌더링함으로써 생물학적 샘플의 적어도 일부의 시간적 진행을 제시를 더 포함한다.
199. 프로세서에 의해 실행될 때 프로세스로 하여금 실시형태 1-198 의 방법 중 임의의 것을 수행하게 하는 명령들의 시퀀스를 저장하는 비일시적 머신 액세스 가능 저장 매체를 포함하는 제조 물품.
200. 시스템으로서, 프로세서; 제1 분자생물학적 디바이스 내의 제1 분자생물학적 샘플 및 제2 분자생물학적 샘플을 포함하는 복수의 분자생물학적 샘플을 처리하기 위한 프로세서에 연결된 사용자 인터페이스; 프로세서에 의해 실행될 때 프로세서로 하여금 실시형태 1-198 의 방법 중 임의의 것을 수행하게 하는 명령들의 시퀀스를 저장하는 비일시적 컴퓨터 액세스 가능 저장 매체를 포함하는, 시스템.
본 출원의 발명은 이제 단지 예로서 제공된 장치 및 방법의 예시적인 실시형태를 참조하고 첨부 도면을 참조하여 더 상세히 설명될 것이다.
도 1은 하나 이상의 실시형태에서 향상된 사용자 인터페이스로 생물학적 샘플을 분석하기 위한 프로세스 및/또는 시스템의 블록도의 단순화된 예를 예시한다.
도 2a는 하나 이상의 실시형태에서 예시적인 분석 데이터 디스플레이 엔진을 도시한다.
도 2b는 본 명세서에 기술된 다양한 계산 태스크가 하나 이상의 실시형태에서 구현될 수 있는 예시적인 컴퓨팅 시스템이 있는 예시적인 컴퓨팅 노드를 도시한다.
도 3a 내지 도 3c는 하나 이상의 실시형태에서 복수의 생물학적 샘플에 대해 본원에 기재된 하나 이상의 분석에 사용될 수 있는 예시적인 미세유체 디바이스를 예시한다.
도 3d 내지 도 3j 는 관심 영역을 특성화하는 데 사용할 수 있는 미세유체 디바이스의 예시적인 구조적 특징들을 보여준다.
도 3k 는 본 개시물의 일 실시형태에 따른 미세유체 디바이스를 예시한다.
도 3l 은 본 개시물의 일 실시형태에 따른 미세유체 디바이스의 코팅된 표면을 예시한다.
도 3m 은 본 개시물의 일부 실시형태들에 따른 미세유체 디바이스 및 연관된 제어 장비와 함께 사용을 위한 시스템의 구체적인 예를 예시한다.
도 3n 은 본 개시의 일부 실시형태들에 따른 이미징 디바이스를 예시한다.
도 3o는 생물학적 샘플에 대한 어세이 분석을 수행하기 위해 여기에 설명된 다양한 프로세스가 하나 이상의 실시형태에서 구현될 수 있는 컴퓨터화된 시스템을 예시한다.
도 4a는 하나 이상의 실시형태에서 칩 타임라인 뷰의 일부를 보여주는 예시적인 단순화된 사용자 인터페이스의 일부를 도시한다.
도 4b는 일부 실시형태들에서 도 13a의 데이터 영역(1302)의 확대도를 도시한다.
도 4c는 하나 이상의 실시형태에서 칩 타임라인 뷰에 대한 더 많은 세부사항을 예시한다.
도 4d는 하나 이상의 실시형태에서 칩 타임라인 뷰의 다른 예를 예시한다.
도 4e는 하나 이상의 실시형태에서 칩 타임라인 뷰의 예를 도시한다.
도 5a는 일부 실시형태에서 칩 타임라인 뷰에 다른 객체를 삽입하기 위해 배치 위젯을 작동시키는 다른 예를 도시한다.
도 5b는 일부 실시형태에서 원래의 칩 타임라인 뷰의 상단에 갤러리 뷰(1604)가 삽입된 칩 타임라인 윈도우를 예시한다.
도 5c는 삽입된 객체에 대한 높이를 조정한 후 원래의 칩 타임라인 뷰의 상단에 삽입된 갤러리 뷰가 있는 칩 타임라인 윈도우를 도시한다.
도 5d는 하나 이상의 실시형태에서 사용자 인터페이스 또는 그 일부에 디스플레이될 수 있는 갤러리 뷰 객체의 다른 예를 예시한다.
도 5e는 일부 실시형태들에서 도 4a의 원본 칩 타임라인 윈도우 또는 뷰의 오른쪽에 갤러리 뷰(1804)를 추가하는 예를 도시한다.
도 5f는 삽입된 갤러리 뷰에 대한 높이를 조정한 후 원래의 칩 타임라인 뷰의 우측에 삽입된 갤러리 뷰를 갖는 칩 타임라인 윈도우를 도시한다.
도 5g는 하나 이상의 실시형태에서 칩 타임라인 뷰에 대한 원시 데이터를 저장하는 예시적인 데이터 구조의 예시적인 디스플레이를 도시한다.
도 5h는 하나 이상의 실시형태들에서 도 5g 에 도시된 예시적인 데이터 구조의 예시적인 디스플레이의 일부에 대한 더 많은 세부사항을 예시한다.
도 5i는 하나 이상의 실시형태들에서 도 5g 에 도시된 예시적인 데이터 구조의 예시적인 디스플레이의 일부에 대한 더 많은 세부사항을 예시한다.
도 5j는 하나 이상의 실시형태에서 원시 데이터를 저장하는 예시적인 데이터 구조의 예시적인 그룹핑을 도시한다.
도 5k는 하나 이상의 실시형태에서 다방향 배치 위젯을 사용하여 칩 타임라인 뷰 또는 윈도우에 객체를 삽입하는 다른 예를 도시한다.
도 6a 는 하나 이상의 실시형태에서 객체의 형태로 각 챔버와 연관된 추가 콘텐츠를 표시하기 위해 확장 위젯을 작동시키는 예를 도시한다.
도 6b는 일부 실시형태에서 본 명세서에 설명된 생물정보학 파이프라인 사용자 인터페이스 및 하나 이상의 다른 사용자 인터페이스 또는 뷰의 통합의 예를 도시한다.
도 6c는 일부 실시형태에서 로딩된 생물정보학 파이프라인 데이터세트에 대해 예시된 갤러리 뷰의 더 많은 세부사항을 예시한다.
도 6d는 하나 이상의 실시형태에서 예시적인 갤러리 뷰에 대한 설정을 구성하기 위한 예시적인 갤러리 뷰 위의 예시적인 팝업 창을 도시한다.
도 6e는 일부 실시형태에서 예시적인 갤러리 뷰에서 의사 채색의 예시적인 결과를 예시한다.
도 6f는 일부 실시형태에서 예시적인 갤러리 뷰에서의 챔버들의 열의 컬러 팩터 및 하나 이상의 개별 챔버의 확대 특징을 변경한 예시적인 결과를 예시한다.
도 6g는 일부 실시형태에서 뷰를 구성하기 위한 구성 위젯의 다른 예를 도시한다.
도 6h는 일부 실시형태에서 사용자가 도 6g 에서의 챔버의 상태를 "선택" 상태에서 "미정" 상태로 변경한 예를 나타낸다.
도 6i는 일부 실시형태에서 하나 이상의 필터 유형의 하나 이상의 필터를 추가하기 위한 필터 빌더 (builder) 및 애플리케이션 모듈의 예를 예시한다.
도 7a 는 하나 이상의 실시형태에서 생물정보학 파이프라인 엔진에 대한 예시적인 생물정보학 파이프라인 사용자 인터페이스를 예시한다.
도 7b 는 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트의 차원 감소 뿐만 아니라 예시적인 생물정보학 파이프라인 사용자 인터페이스의 일부 추가 특징을 위한 하나 이상의 차원 감소 파라미터를 구성할 수 있는 능력이 사용자에게 제공되는 예를 예시한다.
도 7c는 하나 이상의 실시형태에서 생물학적 파이프라인 데이터세트의 예시적인 표시를 도시한다.
도 7d 는 하나 이상의 실시형태에서 도 7a 내지 도 7c 에 예시된 예시적인 생물정보학 파이프라인 사용자 인터페이스에 대한 더 많은 세부사항을 예시한다.
도 7e 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스의 일부 예시적인 동적 양태들을 예시한다.
도 7f 는 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트의 일부를 선택하기 위한 또 다른 선택 도구의 예를 예시한다.
도 7g 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스에서의 도 7f 의 선택 결과의 예를 도시한다.
도 7h 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스에서의 도 7g 로부터의 선택 결과를 도시한다.
도 7i 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스에서의 도 7g 로부터의 선택 결과를 도시한다.
도 7j 는 로딩된 생물정보학 파이프라인 데이터세트에서 생물학적 샘플의 클러스터링 결과의 일부 예시적인 산점도, 상호작용 플롯 또는 그래픽 표현, 뿐만 아니라 사용자가 하나 이상의 실시형태에서 사용자 인터페이스에 제시된 상호작용 플롯을 구성하는 예를 예시한다.
도 7k 는 적용 가능한 경우 일부 실시형태에서 사용자가 객체를 선택하기 위해 임의의 그래프 또는 뷰와 통합될 수 있는 내장 선택 위젯을 예시한다.
도 7l은 일부 실시형태에서 차등 유전자 발현을 구성하는 또 다른 예를 예시한다.
도 7m은 하나 이상의 실시형태에서 예시적인 생물정보학 파이프라인 사용자 인터페이스의 추가 특징을 도시한다.
도 7n은 하나 이상의 실시형태에서 생물정보학 파이프라인 사용자 인터페이스의 차등 유전자 발현을 위한 추가 기능의 예를 예시한다.
도 7o는 일부 실시형태들에서 도 7l 로부터의 예시적인 차등 유전자 발현 결과를 예시한다.
도 7p는 예시적인 표현형 데이터 결과를 예시한다.
도 7q는 도 7p의 표현형 데이터 결과와 연결된 예시적인 차등 유전자 발현 결과를 도시한다.
도 8a 는 일부 실시형태에서 미세유체 디바이스의 복수의 챔버에 대해 캡처된 예시적인 이미지를 도시한다.
도 8b 는 일부 실시형태에서 도 8a에 예시된 이전 시점에서 캡처된 것들과 동일한 다음 시점에서의 다수의 챔버들에 대해 캡처된 다른 예시적인 이미지를 예시한다.
도 8c는 일부 실시형태에서 도 8a 내지 도 8b 의 이전 시점에서 캡처된 것과 동일한 다수의 챔버들에 대해 다음 시점에서 캡처된 다른 예시적인 이미지를 도시한다.
도 8d는 하나 이상의 실시형태에서 마이크로-객체의 식별 및 챔버에 대한 마이크로-객체의 할당 직후에 미세 유체 회로의 채널 내의 마이크로-객체를 예시한다.
도 8e는 하나 이상의 실시형태에서 광 케이지들이 그들의 선택된 궤적들을 따라 이동된 나중 시점의 도 8d의 동일한 마이크로-객체를 도시한다.
도 8f 는 하나 이상의 실시형태들에서 광 케이지가 격리 챔버 내에 세포를 위치시키기 위해 그들의 선택된 궤적을 따라 거의 완전히 이동된 제 3 시점에서의 동일한 세포를 도시한다.
도 9a은 하나 이상의 실시형태에서 다중 챔버를 갖는 미세유체 디바이스를 사용하여 생물학적 샘플을 분석하기 위한 방법 및/또는 시스템의 고수준 흐름도를 예시한다.
도 10a 는 하나 이상의 실시형태에서 향상된 사용자 인터페이스로 생물학적 샘플을 분석하기 위한 프로세스 및/또는 시스템의 블록도의 단순화된 예를 예시한다.
도 10b 내지 도 10c 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10d 내지 도 10e 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10f 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10g-1, 도 10g-2, 도 10g-3, 및 도 10g-4 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10h-1 및 도 10h-2 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10h-3 은 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10i 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10j 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 10k-1 및 도 10k-2 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다.
도 11a-1 은 하나 이상의 실시형태에서 다중 챔버를 갖는 미세유체 디바이스를 사용하여 생물학적 샘플을 분석하기 위한 방법 및/또는 시스템의 다른 고수준 흐름도를 예시한다.
도 11a-2 는 하나 이상의 실시형태들에서 도 11a-1 에 도시된 고수준 흐름도의 일부에 대한 더 많은 세부사항을 예시한다.
도 11b-1 및 도 11b-2 는 하나 이상의 실시형태들에서 도 11a-1 에 도시된 고수준 흐름도의 일부에 대한 더 많은 세부사항을 예시한다.
도 12a 내지 도 12f 는 하나 이상의 실시형태들에 따른 일부 예시적인 마이크로-객체 분리 예들을 예시한다.
도 13a 는 하나 이상의 실시형태에 따른 콘볼루션 신경망의 단순화된 개략도를 도시한다.
도 14a 내지 도 14c 는 다양한 실시형태들에 따른 잔차 네트워크, 다운 샘플링 블록 및 업 샘플링 블록의 개략도를 도시한다.
도 14d 내지 도 14g는 하나 이상의 실시형태에서 콘볼루션 신경망에 대한 더 많은 세부사항을 예시한다.
도 15 는 다양한 실시형태에 따라 이미지 내의 마이크로-객체들을 자동 검출하기 위한 방법의 단순화된 예시의 플로우챠트를 도시한다.
도 16 은 다양한 실시형태에 따라 이미지 내의 마이크로-객체들을 자동 검출하기 위한 단순화된 예시의 시스템을 도시한다.
도 17은 전체 평균 풀링을 수행하기 위한 예시적인 프로세스, 및 여기에 개시된 방법 중 임의의 하나에 의해 카운트가 결정될 수 있는 미세유체 디바이스의 예시적인 영역들을 예시한다.
도 18은 카운트가 본원에 개시된 프로세스 중 임의의 하나에 의해 결정될 수 있는 미세유체 디바이스의 일부 예시적인 영역들을 예시한다.
도 19 는 하나 이상의 실시형태에 따른 신경망의 개략도를 도시한다.
도 20 은 하나 이상의 실시형태들에 따른 처리 블록의 개략도를 도시한다.
도 21 은 하나 이상의 실시형태에 따른 최종 처리 블록의 개략도를 도시한다.
도 22a 는 하나 이상의 실시형태에서 미세유체 디바이스 내의 생물학적 샘플을 프로그램에 따라서 분석하기 위한 프로세스 또는 시스템의 단순화된 고수준 블록도를 예시한다.
도 22b 내지 도 22f 는 하나 이상의 실시형태들에서 도 22a 에 도시된 고수준 블록도에 대한 더 많은 세부사항을 예시한다.
다음의 설명에서, 특정한 특정 세부사항들이 다양한 개시된 실시형태의 철저한 이해를 제공하기 위해 기술된다. 그러나, 관련 기술분야의 숙련자는 실시형태가 이러한 특정 세부사항 중 하나 이상 없이, 또는 다른 방법, 컴포넌트, 재료 등으로 실시될 수 있음을 인식할 것이다. 다른 예에서, 컴퓨터 시스템, 서버 컴퓨터, 및/또는 통신 네트워크와 연관된 잘 알려진 구조들은 실시형태의 설명을 불필요하게 모호하게 하는 것을 피하기 위해 상세히 도시되거나 설명되지 않았다.
문맥이 달리 요구하지 않는 한, 이하의 명세서 및 청구범위에 걸쳐, "포함한다" 및 "포함하는" 과 같은 단어 "포함한다" 및 그의 변형은 열린, 포괄적 의미로, 즉 "포함하는, 그러나 이에 제한되지 않음" 으로 해석되어야 한다.
이 명세서 전체에 걸쳐 "일 실시형태", "실시형태" 등에 대한 언급은 그 실시형태와 관련하여 설명된 특정한 특징, 구조, 또는 특성이 적어도 일 실시형태에 포함되는 것을 의미한다. 따라서, 본 명세서 전체의 곳곳에 기재된 어구 "일 실시형태에서" 또는 "실시형태에서" 는 모두 반드시 동일한 실시형태를 참조하는 것은 아니다. 또한, 특정 특징들, 구조들 또는 특성들은 하나 이상의 실시형태들에서 임의의 적절한 방식으로 결합될 수도 있다. 또한, 본 명세서 및 첨부된 청구항들에서 사용된 바와 같이, 단수 형태의 부정관사 및 정관사 ("a," "an" 및 "the") 는, 문맥이 달리 명확하게 진술하지 않는 한, 복수의 지시대상들을 포함한다. 용어 "또는" 은 내용이 명확하게 이와 다르게 기술하지 않을 경우에, "및/또는" 을 포함하는 그 의미에서 일반적으로 채용된다.
하나 이상의 실시형태에서 생물학적 샘플에 대해 프로세스를 수행하기 위한 방법(들), 시스템(들) 및 제조 물품(들)이 개시된다. 일부 실시형태는 생물학적 샘플에 대한 어세이 (assay) 분석 또는 시퀀싱 분석을 수행하는 방법에 관한 것이다. 이러한 실시형태에서, 사용자 인터페이스가 식별되고, 복수의 생물학적 샘플들로부터 캡처된 입력들의 하나 이상의 속성들 및/또는 복수의 생물학적 샘플들의 특징들을 처리하기 위한 시스템(예를 들어, 어세이 분석기, 범용 컴퓨터, 특정 목적 컴퓨터 등)의 프로세서에 커플링된다. 일부 실시형태는 복수의 챔버를 갖는 미세유체 디바이스에서 관심 영역의 생물학적 샘플들의 자동화된 카운트를 수행하기 위한 방법에 관한 것이다. 임의의 실시형태에서 전술한 방법 중 임의의 것을 수행하기 위한 시스템이 또한 여기에 설명되어 있다. 프로세서 또는 프로세서 코어에 의해 실행될 때 프로세서 또는 프로세서 코어로 하여금 임의의 실시형태에서 전술한 방법 중 임의의 것을 수행하게 하는 명령들의 시퀀스를 저장하기 위한 비일시적 컴퓨터 판독가능 매체가 또한 설명된다.
이러한 입력에는 복수의 생물학적 샘플에 대해 캡처되고 일 세트의 시점들 또는 기간들에 획득되는 이미지들의 세트가 포함된다. 복수의 생물학적 샘플은 제1 생물학적 샘플 및 제2 생물학적 샘플을 포함하고, 생물학적 샘플은 마이크로-객체, 세포, 조직, 단백질, 유전자, 바이러스 또는 DNA( deoxyribonucleic acid), RNA(ribonucleic acid) 등과 같은 세포내 분자를 포함할 수 있다. "생물학적 샘플" 및 "마이크로-객체"라는 용어는 "제외하는", "포함하지 않는" 등과 같은 배타적인 단어로 명시적으로 반대로 설명되지 않는 한 "생물학적 샘플"에 대해 앞서 언급한 예(들) 중 어느 하나를 지칭하기 위해 상호 교환적으로 사용될 수 있음에 유의해야 한다. 입력들은 미세유체 디바이스, 미세유체 디바이스, 또는 미세유체 장치, 나노유체 디바이스, 나노유체 디바이스 또는 나노유체 장치(이하 "미세유체 디바이스"로 통칭) 내의 관심 영역 (예를 들어, 챔버와 흐름 채널, 챔버와 흐름 채널의 일부 (챔버 바로 위 및/또는 챔버에 바로 인접하여 위치되는 부분) 사이의 계면에 또는 그 근처에 있는, 챔버들의 어레이 중 단일 챔버의 적어도 일부) 에 위치되는 샘플에 대해 캡처되거나 다르게는 수집된다. "미세유체 디바이스"라는 용어는 "미세유체 칩" 또는 간단히 "칩"으로도 지칭될 수 있으며, 따라서 이러한 용어는 본 개시내용에서 상호교환가능하게 사용될 수 있음에 유의해야 한다. 본 문서에 사용된 생물학적 샘플의 분석 결과는 이미지 세트, 하나 이상의 이미지 시퀀스, 또는 이와 관련된 임의의 데이터를 포함할 수 있으며, 예를 들어, 이미지 세트 또는 하나 이상의 이미지 시퀀스들에서 도출된 데이터를 포함한다.
미세유체 디바이스의 관심 영역은 미세유체 디바이스의 개별 영역에서 가져온 단일 이미지 또는 이미지 시퀀스를 포함할 수 있다. 관심 영역은 일부 실시형태에서 순서대로 또는 일부 다른 실시형태에서 특정 순서 없이 제시 및 표시될 수 있다. 관심 영역이 특정 순서로 제시되는 실시형태에서, 순서는 관심 영역의 하나 이상의 특징에 의해 결정될 수 있으며, 여기서 관심 영역 세트 내의 관심 영역들은 하나 이상의 특성 또는 특징에 따라 정렬된다. 일부 실시형태에서 관심 영역은 관심 영역 목록 또는 데이터 구조에 저장될 수 있다. 이들 실시형태 중 일부에서, 관심 영역 목록은 예를 들어 목록에서 관심 영역의 적어도 일부에 대한 사용자의 리뷰로부터 생성되는 하나 이상의 목록을 포함할 수 있다. 예를 들어, 사용자는 필터 빌더 및 애플리케이션 모듈을 사용하여 관심 영역 세트를 식별하기 위해 하나 이상의 1차원 또는 다차원 필터를 적용할 수 있다.
다른 예로서, 사용자는 예를 들어 갤러리 뷰, 생물정보학 파이프라인 뷰, 또는 하나 이상의 그래프를 사용하여 하나 이상의 관심 영역을 포함하는 관심 영역 목록을 커스텀 선택할 수 있다. 전술한 관심 영역 세트, 커스텀 챔버 목록(들) 등은 또한 기존 관심 영역 목록에 추가되거나 새로운 관심 영역 목록에 저장될 수 있다. 앞서 언급한 예는 사용자 생성 관심 영역 목록을 보여준다. 관심 영역 목록은 또한 일부 실시형태에서 사용자 인터페이스에서 (예를 들어, 갤러리 뷰에서) 디스플레이되거나 디스플레이가능한 하나 이상의 관심 영역에 대해 자동으로 생성될 수 있다. 일부 실시형태에서, 그의 정보가 관심 영역 목록에 저장되어 있는 관심 영역은 제한 없이 하나 이상의 미세유체 디바이스, 하나 이상의 이미지 캡처 디바이스 또는 센서로부터 획득된 뷰 이미지들의 하나 이상의 필드들 등과 같은 하나 이상의 소스들로부터 도출될 수 있다.
미세유체 디바이스(레버러토리-온-칩 (laboratory-on-a-chip), 칩, 유전자 칩, DNA 칩 등으로도 불릴 수 있음)는 (100, 500, 1,000, 5,000, 7,000, 9,000, 11,000개 이상의 생물학적 샘플을 초과하는 생물학적 샘플 어레이를 포함하는) 하나 이상의 생물학적 샘플에 대해 하나 이상의 소형화된 프로세스 또는 테스트 (예를 들어, 다중화, 자동화, 고처리량 스크리닝, 분석, 어세이 등) 를 수행하도록 구성된 마이크로칩의 관심 영역에서 국부화된 측정 가능한 효과를 나타내기 위해 매우 작은 양의 유체 (예를 들어, 임의의 주어진 시간에 미세유체 디바이스의 회로 내에서 1mL 미만) 또는 유체들, 시약, 가용성 형광 리포터 등을 (예를 들어, 능동 및/또는 수동 컴포넌트들 및/또는 마이크로 펌프, 마이크로 밸브 등과 같은 마이크로 컴포넌트들을 사용하여) 조작하는 기구를 포함할 수 있다. 미세유체 디바이스에 대해 수행되는 작업들은 유체 또는 유체들의 제어 및 조작에 응답하여 관심 영역 또는 관심 영역들의 하나 이상의 특징/특성의 변화를 관찰하도록 구성될 수 있으며, 이러한 유체들은 생물학적 샘플을 특성화하기 위한 목적으로 작은 규모 (예를 들어, 밀리미터 이하 규모, 마이크로 규모, 나노 규모 등) 로 제한된다. 유체들의 조작은 흐름을 중지시키는 것, 흐름을 개시하는 것, 마이크로-객체를 임포팅하는 것, 마이크로-객체를 미세유체 디바이스의 영역으로 로딩하는 것, 마이크로-객체를 격리시키는 것, 미세유체 디바이스 내의 특정 타겟 주변에 있는 미세유체 디바이스 영역의 형광 변화 (예를 들어, 강도, 시간 경과에 따른 강도의 축적 또는 고갈, 파장별 강도, 상이한 파장들에서의 상대 강도 등) 를 측정하는 것, 미세유체 디바이스의 모양 또는 크기의 변화, 마이크로-객체의 밀도 증가를 측정하는 것 등을 포함할 수 있다.
관심 영역(ROI) 은 시간이 지남에 따라 하나 이상의 변화 (예를 들어, 형광의 변화, 움직임의 변화, 흐름의 변화, 생물학적 샘플이 관심 영역으로 또는 밖으로 이동했음을 나타내는 변화 등) 에 대해 모니터링될 수 있는 미세유체 디바이스의 영역으로부터 도출될 수 있는 데이터의 세트를 포함한다. 일부 실시형태에서, 관심 영역은 타겟 기반일 수 있으며 여기서 관심 영역은 관심 영역의 하나 이상의 특징들에 의해 식별, 분류, 정렬 또는 결정된다. 다른 실시형태에서 관심 영역은 구조 기반일 (예를 들어, 미세유체 회로 구조에 기초할) 수 있다. 여기에서 언급된 관심 영역은 어느 하나의 클래스 (예를 들어, 타겟 기반 또는 구조 기반) 일 수 있다. 또한, "관심 영역", "챔버" 및 "펜"이라는 용어는 달리 구체적으로, 펜 또는 챔버의 의미를 제한하기 위해 "제외하는", "포함하지 않는" 등과 같은 배타적인 단어로 명시적으로 반대로 설명되지 않는 한 전체의 설명에 걸쳐 앞서 언급한 구조 기반 "관심 영역"을 지칭하기 위해 상호 교환적으로 사용될 수 있다. 관심 영역은 구조 기반 관심 영역(들), 타겟 기반 관심 영역, 또는 구조 기반 및 타겟 기반 관심 영역 모두의 조합을 포함할 수 있음에 유의해야 한다.
전자의 타겟 기반 클래스에서 관심 영역은 타겟 또는 타겟의 특징에 적어도 부분적으로 기초하여 정의되는 2차원(2D) (예를 들어, 2D 이미지의 영역) 또는 3차원 (3D) 영역을 포함할 수 있다. 타겟의 일부 예는, 제한 없이, 생물학적 샘플 또는 하나 이상의 마이크로-객체, 그것의 피처, 속성, 특성 및/또는 특징, 관심 영역의 특성과 관련되거나 예를 들어 생물정보학 파이프라인, 어세이 분석 등에 의해 수집되거나 도출된 분석 데이터에서 모니터링되거나 도출되는 정량화 가능한 메트릭과 상관된 피처, 속성, 특성 및/또는 특징을 포함할 수 있다. 이러한 실시형태에서 언급되는 마이크로-객체 또는 생물학적 샘플은 하나 이상의 기준에 적어도 부분적으로 기초하여 결정될 수 있다. 예를 들어, 이러한 하나 이상의 기준은 바로 아래에 더 자세히 설명되는 하나 이상의 속성들 (예를 들어, 아래에 설명되는 생물학적 샘플들을 처리하기 위해 선택되는 복수의 속성들) 에 적어도 부분적으로 기초하여 포뮬레이팅되는 임의의 관계들, 제약들, 요건들, 제한들 등을 포함할 수 있다. 하나 이상의 속성들 중 일부의 예들은 영역(예를 들어, 영역을 형성하는 픽셀의 수), 영역의 미크론들(예를 들어, 제곱 미크론 또는 미크론 차원), 배경 영역, 배경 영역의 픽셀 수, 배경 영역의 미크론들(예를 들어, 제곱 미크론 또는 미크론 차원), 미크론 단위의 중심(예를 들어, x-중심, y-중심, 중심의 좌표, 평방 미크론 단위의 중심의 면적 등), 픽셀 단위의 중심(예를 들어, x- 중심 또는 y-중심, 중심 좌표, 중심 면적), 샘플의 원형도, 미크론 단위의 샘플 직경, 최대 밝기, 중간 밝기, 최대 배경 밝기, 평균 배경 밝기, 샘플의 외주 미크론, 또는 타겟 인덱스 (예를 들어, 특정 타겟과 관련된 고유 식별자 또는 레이블) 등을 포함할 수 있다. 따라서 타겟 기반 관심 영역은 단일 마이크로-객체, 예를 들어 세포를 포함할 수 있고, 해당 마이크로-객체에 대해 평가된 데이터를 포함하고 타임라인 또는 선택된 워크플로우에 걸쳐 마이크로-객체와 연결된다. 또한, 각각이 단일 마이크로-객체를 포함하고 설명된 데이터를 포함하는 복수의 타겟 기반 관심 영역이 정의될 수 있으며, 여기서 관심 영역은 미세유체 디바이스 전체에 분포되어 있다.
후자의 실시형태에서, 구조 기반 관심 영역(예를 들어, 미세유체 회로 구조 기반 관심 영역)은 미세유체 회로 또는 디바이스 또는 이의 일부의 2D 또는 3D 영역을 포함할 수 있다. 예를 들어, 구조 기반 관심 영역은 제한 없이 하나 이상의 챔버, 펜, 격리 영역 등 (그것은 또한 단수 참조로 각각 챔버, 펜, 격리 영역 또는 복수 참조로 다수의 챔버들, 펜들, 격리 영역들 등으로 지칭될 수 있음), 미세유체 디바이스의 흐름 채널(및/또는 그것의 피처), 미세유체 회로 또는 디바이스의 챔버와 흐름 채널 사이의 인터페이스, 챔버, 흐름 채널, 및/또는 인터페이스의 일부, 미세유체 회로 또는 디바이스 내의 또는 그것들과 상관된 임의의 영역, 또는 이들의 임의의 조합을 포함할 수 있다. 챔버는 미세유체 디바이스의 챔버가 일부 실시형태에서 챔버 외부의 흐름 및/또는 챔버 외부의 하나 이상의 다른 생물학적 샘플로부터 생물학적 샘플을 효과적으로 물리적으로 격리하거나 선택적으로 격리하기 때문에 격리 챔버로 지칭될 수 있다.
일부 실시형태에서, 관심 영역(타겟 기반 및/또는 구조 기반)은 미세유체 디바이스의 또는 그것과 상관된 임의의 부분을 포함할 수 있고, 예를 들어 미세유체 디바이스 또는 그의 일부의 특성에 적어도 부분적으로 기초하여 (예를 들어, 아래에 더 자세히 설명되는 갤러리의 생성 중의 런타임 시에) 동적으로 자동으로 결정될 수 있다. 전술한 특성의 일부 예는 미세유체 디바이스의 또는 그 일부의 형상 또는 경계를 제한 없이 포함할 수 있다. 일부 실시형태에서, 관심 영역은 워크플로우 또는 그 일부(예를 들어, 워크플로우의 일 단계)에 적어도 부분적으로 기초하여 동적으로 자동으로 결정될 수 있다. 따라서 관련 데이터는 그렇게 결정된 관심 영역에 응답하여 자동으로 생성될 수 있다.
기본 이미지가 미세유체 디바이스의 다중 챔버를 캡처하는 예에서 기본 이미지로부터 익스포트 프로세스의 하나 이상의 시점에서 관심 영역에 대한 갤러리 뷰가 생성될 수 있다. 일부 실시형태에서, (노출 시간의 양을 수용하면서) 일시점에서 단일 이미지 캡처 디바이스 (예를 들어, 단일 이미지 센서, 단일 카메라 등) 에 의해 캡처되는 다수의 관심 영역들을 포함하는 기본 이미지는 그 기본 이미지에서 및/또는 미세유체 디바이스의 기본 이미지들에 걸쳐 다수의 관심 영역 각각에 대한 개별 이미지 또는 이미지 시퀀스로 크로핑 (cropping) 될 수 있다. 추가 실시형태에서, 각각의 이미지 시퀀스를 갖는 관심 영역의 어레이에 대한 컴파일된 이미지 시퀀스는 특정 시점들에서 촬영되거나 특정 시점들에서 이미지들의 스택으로부터 선택되는 기본 이미지들의 어레이로부터 유도될 수 있다. 이미지 시퀀스들에 포함된 특정 시점들은 칩 타임라인 뷰에 기초하여 시점에 따라 결정되거나 표시될 수 있으며, 여기서 미세유체 디바이스에서 수행되는 단계 또는 작업은 타임라인에 걸쳐 블록(선택적으로 색상 코딩됨)으로 도시된다.
예를 들어, 익스포트 프로세스에 대한 관심 영역은 한 시점에서 개별 챔버(또는 그 일부)의 이미지를 포함하도록 결정될 수 있다. 이러한 결정에 응답하여, 시스템은 기본 이미지에서 챔버를 자동으로 식별하고 개별 챔버가 챔버에 대한 기본 이미지로부터 크로핑된 이미지에 남아 있도록 기본 이미지를 크로핑할 수 있다. 다른 예로서, 다른 관심 영역은 개별 챔버(또는 그 일부) 플러스 개별 챔버와 후속 시점의 흐름 채널 사이의 인터페이스의 이미지를 포함하도록 결정될 수 있다. 이러한 결정에 응답하여, 시스템은 기본 이미지에서 챔버 및 흐름 채널을 자동으로 식별하고, 기본 이미지를 크로핑하여 개별 챔버(또는 선택적으로 흐름 채널의 일부가 있는 개별 챔버)가 챔버에 대한 기본 이미지로부터의 크로핑된 이미지에 남도록 할 수 있다. 일부 실시형태에서, 크로핑은 모든 결과적인 관심 영역이 비교될 수 있는 특징 또는 특성을 포함하도록 기본 이미지에 걸쳐 수행될 수 있다. 달리 명시적으로 반대로 설명되지 않는 한, 용어 "챔버", "펜" 및 "챔버"는 전체 설명에 걸쳐 교환가능하게 사용된다.
관심 영역은 "특성" 및 "특징"에 기초하여 결정될 수 있으며 (예를 들어, 기본 이미지는 특성 및 특징에 따라 관심 영역들로 분할되며), 여기서 기본 이미지는 칩 타임라인 (1304B) 에서 그래픽적으로 표현된 블록 동안 촬영된 이미지들로부터 도출된다. 또한, "관심 영역"의 "특성" 및 "특징"을 사용하여 관심 영역을 정렬할 수도 있다 (예를 들어, "특성" 또는 "특징"은 관심 영역을 나타내는 이미지 시퀀스에서 캡처될 수 있고, 및/또는 예를 들어 갤러리 뷰 (1804) 에서 관심 영역을 표시할 목적으로 정량화될 수 있다.
다른 예로서, 제3 관심 영역은 나중 시점에서 (선택적으로 개별 챔버와 흐름 채널 사이의 인터페이스를 포함하는) 흐름 채널의 이미지를 포함하도록 결정될 수 있다. 그러한 결정에 응답하여, 시스템은 기본 이미지에서 흐름 채널 (및 선택적으로 챔버를 갖는 흐름 채널의 인터페이스) 을 자동으로 식별하고 , 기본 이미지를 크로핑하여 흐름 채널 (및 선택적으로 챔버를 갖는 흐름 채널의 인터페이스) 이 챔버에 대한 기본 이미지로부터의 크로핑된 이미지에 남도록 할 수 있다. 이러한 예에서, 개별 이미지의 이러한 결정들 및 생성들의 일부 또는 전부는 시스템에 의해 자동으로 이루어지고, 예를 들어 챔버 내의 생물학적 샘플(들)과 상관된 익스포트 프로세스의 시간 기반 개발을 예시하기 위해 앞서 언급한 개별 이미지를 갖는 갤러리 뷰에 제시될 수 있다.
일부 실시 예에서, 본 문서에 언급된 워크플로우는 미세유체 디바이스 내에 또는 그것 상에 있는 하나 이상의 생물학적 샘플에 대해 수행되었거나 수행되거나 수행될 일 집합의 또는 일련의 단계들 및/또는 작업들을 포함할 수 있다. 워크플로우의 수행은 예를 들어 일부 실시형태에서 하나 이상의 생물학적 샘플에 대한 하나 이상의 생물정보학 파이프라인, 하나 이상의 분석 등을 포함할 수 있지만 이에 국한되지 않는다.
워크플로우는 예를 들어, 의도된 결과를 생성하고/하거나 ROI (관심 영역) 또는 복수의 ROI 들을 필터링, 평가 또는 모니터링하기 위해 선택적으로 수행되는, 미세유체 디바이스에서 정의된 시간 경과에 걸쳐 미세유체 디바이스에서 수행되는 일련의 작업들 또는 방법을 포함할 수 있다. 예를 들어, 워크플로우와 상관관계가 있는 데이터를 시스템으로 임포팅하기 전에 미세유체 디바이스 내에 또는 그것 상에 있는 하나 이상의 생물학적 샘플에 대해 워크플로우가 수행되었을 수 있다. 시스템은 데이터를 수신하고 여기에 설명된 바와 같이 다양한 기법들 (예를 들어, 필터링, 크로핑, 표시, 비교, 선택, 순서화 등) 을 채용 및 적용하여 데이터를 특성화하고 그것을 사용자에게 사용 가능한 포맷으로 제시하도록 구성될 수 있으며, 여기서 사용 가능한 포맷은 미세유체 디바이스(예를 들어, 타겟 기반 또는 구조 기반) 로부터 및/또는 특정 작업이 미세유체 디바이스에서 수행된 시간에 얻은 이미지들 (예를 들어, 작업의 시간 경과를 나타내는 칩 타임라인에 따라 획득된 이미지들) 의 하나 이상의 특징 또는 특성에 대한 변경 (예를 들어, 조건들, 유동율, 미세유체 디바이스의 임포트/익스포트, 미세유체 디바이스의 특정 영역 안팎으로 작은 분자들의 관류, 시약(들) 및/또는 비 명시야 이미징의 사용을 수반하는 임의의 작업들, 분석 또는 그 일부, 배양을 통한 타임랩스 이미징, 세포 로딩, 비드 로딩, 셀 언로딩 등에서의 변경) 을 포함하는 획득된 데이터의 특징/특성에 따라 달라질 수 있다.
워크플로우의 출력은 예를 들어 아래에서 설명되는 칩 타임라인 뷰, 갤러리 뷰 등에서 렌더링 및/또는 표시될 수 있는 출력에 대한 시간적 스냅샷의 관련성 및/또는 시간의 컨텍스트를 제공할 수 있다. 일부 실시형태에서, 워크플로우의 출력 및/또는 그로부터 도출된 임의의 다른 데이터 또는 정보(예를 들어, 분석, 계산적 생물학적 결과 등)는 하나 이상의 폴더 또는 디렉토리 내의 하나 이상의 파일 (예를 들어, 쉼표로 구분된 값 또는 csv 파일, 테이블, 데이터베이스, 관계형 데이터베이스 테이블 또는 임의의 적절한 데이터 구조 등) 로서 저장될 수 있다. 일부 실시형태에서, 워크플로우 실행 유닛은 (예를 들어, 분석, 생물정보학 등과 상관된 다양한 기기를 제어하는 세포 분석 스위트 또는 CAS와 같은 별도의 분석 실행 시스템에서) 다양한 분석 기능을 수행하기 위해 본 명세서에 설명된 하나 이상의 모듈 또는 시스템으로부터 분리될 수 있다. 일부 다른 실시형태에서, 워크플로우 실행 유닛은 여기에 설명된 하나 이상의 모듈 또는 시스템과 통합될 수 있거나 심지어 단일 시스템(예를 들어, 워크플로우를 실행하고 분석을 수행하기 위한 분석기)을 형성할 수도 있다.
일부 다른 실시형태에서 시스템이 다양한 데이터를 수집하고 수집된 데이터에 대해 다양한 분석 또는 계산 기능을 수행하는 동안 워크플로우는 데이터의 여러 피스들 (pieces) 을 생성하기 위해 동시에 실행될 수 있다. 즉, 여기에 설명된 시스템은 출력 데이터가 수집됨에 따라 실시간으로 또는 실질적으로 실시간으로 워크플로우로부터의 결과 데이터의 워크플로우 수집 및 분석 양자 모두를 실행할 수 있다. 실질적으로 실시간으로, 여기에 설명된 시스템은 수집된 출력이 생성되고 수집되자마자 워크플로우 단계의 수집된 출력에 대해 분석 기능을 수행할 수 있는 반면 분석 출력을 생성하기 위해 분석 기능을 수행 (예를 들어, 분석 기능을 호출, 분석 기능을 실행, 분석 출력을 생성, 저장을 위해 분석 출력을 송신, 및 디스플레이에 분석 출력 렌더링 등) 하기 위한 시간에 출력을 수집할 (예를 들어, 이미지를 캡처링, 이미지 데이터를 휘발성 또는 비휘발성 저장 매체로 전송하여 저장하는) 시간은 현대 컴퓨팅 장치에서 이러한 처리 작업의 편리한 특성으로 인해 "거의 실시간" 기준을 충족하기 위해 아직 무시될 수 있다. 본 명세서에서 사용되는 바와 같이, 워크플로우 단계는 하나 이상의 워크플로우 태스크를 포함할 수 있다.
워크플로우는 워크플로우 단계 및 대응하는 워크플로우 태스크들을 포함하며, 여기서 각 워크플로우 태스크는 결과를 얻기 위해 미세유체 디바이스에서 수행되는 활동이다. 이러한 맥락에서 결과는 다음 중 하나 이상을 포함할 수 있다: 이미지를 포함하는 데이터 세트, 이미지의 분석된 정량화된 특징, 제품 예를 들어 유전자 제품 또는 시퀀스, 미세유체 디바이스에서 분석되는 샘플의 스코어/랭킹 또는 랭킹, 또는 미세유체 디바이스에서 실행되는 분석 또는 워크플로우로부터 합리적으로 예상되거나 미세유체 디바이스에서 실행되는 샘플의 제품(예를 들어, 단백질 또는 핵산 시퀀스 등)에서 획득되는 임의의 다른 출력. 예시적인 워크플로우 태스크들은 미세유체 디바이스 내에 배치된 마이크로-객체(생물학적 또는 기타)를 분석, 모니터링, 교란, 관찰 또는 조사하는 것과 관련된 임의의 활동을 포함할 수 있다. 예시적인 워크플로우 태스크들은 다음을 포함하지만 이에 국한되지는 않는다: 임포트, 배양, 분석, 관류, 조작, 및 익스포트. 임포트는 하나 이상의 마이크로-객체를 포함하는 용액을 유입시키는 것을 포함할 수 있다. 배양은 마이크로-객체 (예를 들어, 세포) 의 개체군을 확장할 목적으로 디바이스의 개별 유체 영역에서 가용화되는 성분 (예를 들어, 산소, 당 등) 또는 비가용화되는 성분의 흐름, 온도, 빛, 농도의 조정, 조절, 유지 또는 제어 또는 최적화를 포함할 수 있다. 마이크로-객체 (예를 들어, 마이크로-객체) 로부터 측정 가능한 응답을 이끌어내도록 구성된 성분(시약, 소분자, 거대 분자 등)을 노출 (예를 들어, 방출, 케이징 해제, 가용화, 관류 등) 하는 것을 포함하지만 이에 국한되지 않는 작업을 수행하는 것을 포함할 수 있다. 관류는 예를 들어, 입구에서의 주입 또는 출구에서의 흡인을 통해 용액을 유입시키는 것을 포함할 수 있으며, 여기서 그 용액은 액체, 예를 들어 하나 이상의 성분(예를 들어, 계면활성제, 이온, 시약, 염료 등)을 포함하는 매질을 포함한다. 조작은 미세유체 디바이스 내의 하나 이상의 위치에서 하나 이상의 마이크로-객체의 이동, 재배치(예를 들어, 페닝 (penning) 또는 페닝 해제), 또는 그렇지 않으면 하나 이상의 마이크로-객체의 공간적 배치를 조정하는 것을 포함할 수 있다. 익스포트는 미세유체 디바이스 내부로부터 미세유체 디바이스의 소정 영역으로 마이크로-객체를 변위시키는 것 및 변위된 마이크로-객체가 미세유체 디바이스를 통해 그리고 그것 밖으로 흐르도록 미세유체 디바이스를 통해 용액을 유동시키는 것을 포함할 수 있다.
앞서 언급한 바와 같이, 이미지 시퀀스는 타임스탬프 또는 워크플로우에 대응하는 시계열과 연관된 워크플로우의 하나 이상의 이산 또는 연속 시간 세그먼트들에서 획득될 수 있다. 이미지 시퀀스는 워크플로우 동안 수행되는 하나 이상의 워크플로우 태스크들로부터 추가로 획득 또는 선택될 수 있다. 여기에 공개된 실시형태에서, 이미지 시퀀스는 타임라인 뷰에 표시될 수 있으며 여기에 공개된 발명은 워크플로우 및/또는 워크플로우 태스크들을 나타내는 타임라인의 부분들을 선택하고 타임라인의 대응하는 선택된 부분에 대한 이미지 시퀀스를 디스플레이하는 대안적인 뷰들 (예를 들어, 갤러리 뷰) 을 생성하기 위한 호출가능한 수단을 제공한다. 또한, 뷰들 (예를 들어, 갤러리 뷰 등) 은 워크플로우와 관련된 컨텍스트 정보(예를 들어, 선택된 이미지 시퀀스가 획득된 때에 수행된 워크플로우 및 워크플로우 태스크 동안 그것이 취해진 타임 스탬프) 를 보존하고 디스플레이하면서 이미지 시퀀스들을 더욱 조직화 및 디스플레이하도록 구성될 수 있다.
이전에 설명한 대로 워크플로우 또는 워크플로우 단계는 일정 기간 동안 수행되는 일련의 워크플로우 태스크들을 포함할 수 있다. 미세유체 디바이스에서 수행되는 일련의 예시적인 워크플로우 태스크들은 다음과 같은 연속적 또는 불연속적 일련의 태스크들을 포함한다: {임포트, 배양, 분석, 배양, 분석, 배양, 분석, 익스포트 등} 여기서 이미지 시퀀스는 전체 워크플로우에 걸쳐, 하나 이상의 워크플로우 태스크들에 걸쳐, 또는 하나 이상의 워크플로우 태스크들의 일부로서 연속적으로 또는 불연속적으로 취해진다. 이미지 시퀀스의 이미지는 주어진 이미지 캡처 속도에서 또는 상이한 이미지 캡처 속도에서 얻을 수 있다. 이미지 시퀀스는 대표 이미지(예를 들어, 대표 이미지의 서브세트를 갖는 평균화된, 선택된, 또는 다운 샘플링된 이미지 또는 개별 시점에서 또는 워크플로우의 정의된 서브세트들에서 취해진 원시 이미지 시퀀스)를 포함할 수 있다.
워크플로우, 워크플로우 단계 및/또는 워크플로우 태스크들에 걸쳐 연속적인 또는 불연속적인 세그먼트들로 취해진 이미지 시퀀스는 타임라인 뷰에 제시될 수 있다. 타임라인 뷰는 예를 들어 타임라인 뷰에서 시간에 따라 플롯된 블록, 그래픽 표현 또는 그래픽 요소로서 디스플레이된 워크플로우 단계 및/또는 워크플로우 태스크를 갖는 워크플로우(예를 들어, 전체 워크플로우 또는 워크플로우의 임의의 서브세트, 예를 들어 워크플로우의 일시적으로 인접한 서브세트 또는 워크플로우의 일시적으로 불연속적인 서브세트)를 디스플레이할 수 있다. "블록"이라는 용어에 대한 참조는 사용자 인터페이스에서 워크플로우가 직사각형 모양과 같은 솔리드 모양의 순서화된 집합으로서 표시됨을 의미할 수 있거나 반드시 그것을 의미하지는 않을 수도 있음을 유의해야 한다. 오히려 워크플로우는 적절한 그래픽 표현으로 나타낼 수 있다. 또한, "블록", "그래픽 표현" 및 "그래픽 요소"라는 용어는 이 전체 설명에서 워크플로우 태스크 또는 워크플로우 단계를 나타내기 위해 교환가능하게 사용될 수 있다. 블록 또는 그래픽 표현은 각각의 워크플로우 태스크에 대응할 수 있으며 컬러 코딩될 수 있다. 워크플로우 단계의 그래픽 표현은 예를 들어 워크플로우 단계의 하나 이상의 워크플로우 태스크에 각각 대응하는 하나 이상의 세그먼트를 포함할 수 있다. 워크플로우 단계의 그래픽 표현이 그들의 대응하는 워크플로우 태스크를 각각 나타내는 다수의 세그먼트들을 포함하는 일부 실시형태에서, 이러한 다수의 세그먼트들은 서로에 대해 시간적으로 정렬되거나 배열될 수 있다. 또한, 각 세그먼트는 예를 들어 미세유체 디바이스 데이터 구조 또는 갤러리 구조에 저장된 그 자신의 데이터에 대응할 수도 있다. 이들 실시형태 중 일부에서, 세그먼트는 (예를 들어, 사용자가 세그먼트를 확대하고 세그먼트를 클릭함으로써) 상호작용될 수 있고, 그러한 상호작용은 예를 들어 대응하는 데이터의 취출 및 (예를 들어, 갤러리 뷰에서 또는 갤러리 뷰의 일치하는 격자 부분에서) 사용자 인터페이스에서 대응하는 데이터의 적어도 일부의 표시를 트리거할 수 있다. 워크플로우가 그들의 대응하는 워크플로우 단계 또는 워크플로우 태스크를 각각 나타내는 다수의 그래픽 표현들을 포함하는 일부 실시형태에서, 이러한 다수의 그래픽 세그먼트들은 (예를 들어, 시간 축을 따라 다수의 그래픽 세그먼트들을 위치시킴으로써) 사용자 인터페이스에서 서로에 대해 시간적으로 정렬되거나 배열될 수 있다. 또한, 각 그래픽 표현은 예를 들어 단일 미세유체 디바이스 데이터 구조 또는 갤러리 구조의 행 또는 열에 저장된 그 자신의 데이터에 대응할 수도 있다. 이들 실시형태 중 일부에서, 그래픽 표현은 (예를 들어, 그래픽 표현에 대한 사용자의 클릭에 의해) 상호작용될 수 있고, 그러한 상호작용은 예를 들어 대응하는 데이터의 취출 및 (예를 들어, 갤러리 뷰에서 또는 갤러리 뷰의 일치하는 격자 부분에서) 사용자 인터페이스에서 대응하는 데이터의 적어도 일부의 표시를 트리거할 수 있다. 분석에 대응하는 타임라인은 하나 이상의 블록 또는 그래픽 표현을 포함할 수 있다. 동일한 블록의 다수의 세그먼트들은 다른 뷰들 (갤러리 뷰를 포함하지만 이에 국한되지 않음) 에서의 디스플레이를 위한 이미지 선택들을 나타내기 위해 컬러 코딩될 수도 있다. 워크플로우 태스크 동안 수집된 이미지 시퀀스는 타임라인 뷰 (예를 들어, 도 4b 및 도 4c 등 참조) 에 표시될 수 있으며, 여기서 타임라인의 블록 또는 그래픽 표현은 워크플로우 태스크 (예를 들어, 도 4b 의 404B, 도 4c 의 408C 등 참조) 에 대응한다. 예를 들어, 워크플로우의 대응하는 워크플로우 태스크 또는 워크플로우 단계를 각각 나타내는 다수의 그래픽 표현은 예를 들어 대응하는 워크플로우 태스크 또는 워크플로우 단계가 일시적으로 발생하는 시간 순서에 따라 사용자 인터페이스에서 렌더링될 수 있다. 일부 실시형태에서, 그래픽 표현은 그래픽 표현의 일단 또는 일 측면이 대응하는 워크플로우 태스크 또는 단계가 발생하는 시작 시점 또는 기간에 대응하고 그래픽 표현의 타단 또는 타 측면은 대응하는 워크플로우 태스크 또는 단계가 종료된 종료 시점 또는 기간에 대응하는 시간 축을 갖는 타임라인 뷰에서 렌더링될 수 있다. 일부 실시형태에서, 그래픽 표현의 크기 또는 치수는 대응하는 워크플로우 태스크 또는 단계의 시간적 지속시간에 비례하도록 렌더링될 수 있다.
일부 실시형태들에서, 미세유체 피쳐들은 폭 또는 면적을 갖는 것으로 설명되고, 그 치수는 일반적으로, 미세유체 디바이스의 기판 및/또는 커버에 평행한 평면 내에 놓인, x-축 및/또는 y-축 치수에 대해 설명된다. 미세유체 피쳐의 높이는 미세유체 디바이스의 기판 및/또는 커버에 평행한 평면에 수직한 z-축 방향에 대해 설명될 수도 있다. 일부의 경우, 채널 또는 통로와 같은, 미세유체 피쳐의 단면적은 x-축/z-축, y-축/z-축, 또는 x-축/y-축 영역을 기준으로 할 수도 있다.
이러한 실시형태에서, 복수의 특성들이 복수의 생물학적 샘플을 처리하기 위해 복수의 생물학적 샘플에 대해 선택될 수 있다. 미세유체 디바이스의 제1 관심 영역(예를 들어, 챔버)에서 얻은 제1 생물학적 샘플에 대한 일 세트의 시점 또는 기간과 상관된 데이터의 제1 시퀀스는 비일시적 컴퓨터 액세스 가능 저장 매체 내의 주소 지정 가능한 공간에서 데이터 구조로 팝퓰레이팅될 수 있으며, 여기서 데이터의 제1 시퀀스는 복수의 특성 중 적어도 하나 이상에 대응한다.
복수의 특성들의 "특성" 또는 "특징"은 생물학적 샘플의 하나 이상의 어세이 분석, 생물학적 샘플 자체, 하나 이상의 어세이 분석의 결과와 상관된 임의의 특성을 포함할 수 있다. 본 명세서에서 사용되는 바와 같이, 용어들 "특성" 및 "특징" 은 상호교환가능하게 사용될 수도 있다. 따라서 특성 또는 특징은 사용자 인터페이스에 제시되는 뷰 또는 뷰가 사용자 인터페이스에 제시되는 방법을 제한, 구성 또는 제어하는 데 사용될 수 있다. 특성 또는 특징은 특성의 지정 또는 선택에 응답하여 자동으로 호출될 수 있는 하나 이상의 기능과 연관될 수도 있다. 예를 들어, 사용자가 세포 카운트 특성을 선택할 때, 정렬 결과를 적절한 보기로 제시하기 위해 다양한 객체(예를 들어, 복수의 챔버의 상호작용 이미지 객체)를 정렬하기 위해 정렬 기능이 자동으로 호출될 수 있다. 상이한 특성은 일부 실시형태에서 하나 이상의 기능의 동일한 세트 또는 일부 다른 실시형태에서 하나 이상의 기능의 상이한 세트와 연관될 수 있다.
복수의 특성의 특성의 일부 예는, 제한 없이, 미세유체 디바이스의 챔버의 식별자, 복수의 생물학적 샘플의 크기 속성, 복수의 생물학적 샘플에 대한 최대 밝기 속성, 복수의 생물학적 샘플에 대한 최소 밝기 속성, 생물학적 샘플의 중심에 대한 제1 방향의 제1 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 제2 방향의 제2 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 크기 속성, 시간 경과 지수 속성, 미세유동 장치에 대한 디바이스 식별자, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 복수의 챔버의 스코어 속성, 게이트 경로 인덱스, 영역 픽셀 속성, 배경 픽셀 속성, 복수의 생물학적 샘플에 대한 중간 밝기 속성, 타겟 영역 픽셀 카운트 속성, 타겟 영역 크기 속성, 타겟 배경 영역 크기 속성, 타겟 배경 픽셀 카운트 속성, 타겟 배경 최대 밝기 속성, 타겟 원형도 속성, 카운팅 알고리즘 식별, 이미징 큐브 속성, 타겟 직경 속성, 익스포트 용기 식별자, 익스포트 챔버 열 식별자, 익스포트 챔버 행 식별자, 임포트 챔버 열 식별자, 임포트 챔버 행 식별자, 임포트 용기 식별자, 챔버 양성 검증 속성, 언페닝된 (unpenned) 생물학적 샘플에 대한 생물학적 샘플 카운트 속성, 또는 데이터의 캡처 또는 생성의 시간 또는 기간을 나타내는 타임스탬프 중 적어도 하나를 포함할 수 있다.
미세유체 디바이스의 제2 챔버에서 얻은 제2 생물학적 샘플에 대한 시점들 또는 기간들의 세트과 상관된 데이터의 제2 시퀀스는 또한 비일시적 컴퓨터 액세스 가능 저장 매체 내의 주소 지정 가능한 공간에서 데이터 구조로 팝퓰레이팅될 수 있으며, 여기서 데이터의 제2 시퀀스는 복수의 특성들 중 적어도 제 2 부분에 대응한다.
데이터의 제 1 및 제 2 시퀀스들은, 사용자 인터페이스의 제 1 윈도우 부분에서 그리고 그래픽 처리 장치를 사용하여, 제 1 뷰에서 렌더링될 수 있으며, 제 1 뷰에서 데이터의 제 1 및 제 2 시퀀스를 렌더링하는 것은, 사용자 인터페이스의 제1 선택 위젯으로부터 제1 특성의 선택에 응답하여, 제1 생물학적 샘플에 대한 복수의 특성의 제1 부분으로부터 제1 특성의 제1 특성 값을 추출하는 것; 및 제2 생물학적 샘플에 대한 복수의 특성의 제2 부분으로부터 제1 특성의 제2 특성 값을 추출하는 것을 포함한다.
이러한 실시형태는 데이터의 제1 및 제2 시퀀스들에 각각 대응하는 제1 상호작용 객체 및 제2 상호작용 객체를 제1 뷰로 추가로 렌더링할 수 있으며, 여기서 제1 상호작용 객체는 제1 생물학적 샘플의 제1 특성 값을 나타내고 제2 상호작용 객체는 제2 생물학적 샘플의 제2 특성 값을 나타낸다. 상호작용 객체는 예를 들어, 사용자가 예를 들어 여기에 설명된 사용자 인터페이스를 통해 상호작용할 수 있는 소프트웨어 객체를 포함한다. 상호작용 객체와의 사용자 상호 작용에 응답하여 기본 시스템 수신은 상호작용 객체에 대한 하나 이상의 기능을 호출하고 수행하여 사용자 상호 작용 이전에 사용자 인터페이스에 제시된 것을 수정하거나 사용자 상호 작용을 기반으로 하여 사용자 인터페이스에 새로운 또는 리프레시된 뷰를 생성할 수 있다.
일부 실시형태들에서, 데이터 구조는 열 구조 및 행 구조를 포함하고, 열 구조는 다수의 열들을 포함하고, 행 구조는 다수의 행들을 포함하고, 미세유체 디바이스의 관심 영역 (예를 들어, 단일의 챔버) 의 하나 이상의 생물학적 샘플들에 대해 수행된 분석에 특정한 생물학적 샘플 데이터를 포함한다. 이들 실시형태들 중 일부에서, 열 구조의 열은 챔버에서 수행된 어세이 분석에 특정한 생물학적 샘플 데이터에 대응하고, 열에 대응하는 각 행은 특정 시점에 또는 특정 기간 동안 챔버에 대해 캡처되거나 생성되는 생물학적 샘플 데이터에 대응한다.
일부 다른 실시형태에 있어서, 행 구조의 행은 챔버에 대해 수행된 어세이 분석에 특정한 생물학적 샘플 데이터에 대응하고, 행에 대응하는 각 열은 특정 시점에 또는 특정 기간 동안 챔버에 대해 캡처되거나 생성되는 생물학적 샘플 데이터에 대응한다.
미세유체 디바이스는 유체를 수용하도록 구성된 하나 이상의 별개의 미세유체 또는 나노유체 회로들을 포함하는 디바이스를 포함하며, 각각의 미세유체 또는 나노유체 회로는 영역(들), 유동 경로(들), 채널(들), 챔버(들), 및/또는 펜(들) 등 (집합적으로 단수 참조를 위해 "챔버" 및 복수 참조를 위해 "챔버들") 및 옵션적으로 유체 (및 옵션적으로 유체 내에 현탁된 마이크로-객체들) 가 미세유체 디바이스로 유입하고 및/또는 그로부터 유출하는 것을 허용하도록 구성된 적어도 하나의 포트를 포함하지만 이에 한정되지 않는 유체적으로 상호연결된 회로 엘리먼트들을 포함한다. 일부 실시형태들에서, 미세유체 또는 나노유체 디바이스의 미세유체 또는 나노유체 회로는, 적어도 하나의 챔버, 및 미세유체 채널을 포함할 수도 있는 유동 영역을 포함할 것이며, 약 1 mL 미만, 예를 들어 약 750, 500, 250, 200, 150, 100, 75, 50, 25, 20, 15, 10, 9, 8, 7, 6, 5, 4, 3 또는 2 마이크로리터 미만의 유체 체적을 유지할 것이다. 소정의 실시형태들에서, 미세유체 회로는 약 1-2, 1-3, 1-4, 1-5, 2-5, 2-8, 2-10, 2-12, 2-15, 2-20, 5-20, 5-30, 5-40, 5-50, 10-50, 10-75, 10-100, 20-100, 20-150, 20-200, 50-200, 50-250, 또는 50-300 마이크로리터를 보유한다. 미세유체 또는 나노유체 회로는 미세유체 디바이스 내의 제 1 포트 (예를 들어, 인렛) 와 유체 연결된 제 1 단부 및 미세유체 디바이스 내의 제 2 포트 (예를 들어, 아웃렛) 와 유체 연결된 제 2 단부를 갖도록 구성될 수도 있다.
본원에서 이용된 바와 같은 "미세유체 채널" 또는 "유동 채널" 은 양자의 수평 및 수직 치수들보다 상당히 더 긴 길이를 가지는 미세유체 디바이스의 유동 영역을 지칭한다. 예를 들어, 흐름 채널은 수평 또는 수직 치수 중 어느 하나의 길이의 적어도 5 배, 예를 들어 그 길이의 적어도 10 배, 그 길이의 적어도 25 배, 그 길이의 적어도 100 배, 그 길이의 적어도 200 배, 그 길이의 적어도 500 배, 그 길이의 적어도 1,000 배, 그 길이의 적어도 5,000 배, 또는 그 이상일 수 있다. 일부 실시형태들에서, 유동 채널의 길이는 그 사이의 임의의 값을 포함하여, 약 100,000 미크론 내지 약 500,000 미크론이다. 일부 실시형태들에서, 수평 치수는 약 100 미크론 내지 약 1000 미크론 (예컨대, 약 150 미크론 내지 약 500 미크론) 이며, 수직 치수는 약 25 미크론 내지 약 200 미크론 (예컨대, 약 40 미크론 내지 약 150 미크론이다. 흐름 채널은 미세유체 디바이스에서 다양한 상이한 공간 구성들을 가질 수도 있고, 따라서 완벽히 선형 엘리먼트에 제한되지 않는다는 것에 주목한다. 예를 들어, 유동 채널은 다음 구성들: 곡선, 굴곡, 나선, 오름 경사, 내리막 경사, 포크 (예컨대, 다수의 상이한 유동 통로들), 및 이들의 임의의 조합을 가지는 하나 이상의 섹션들일 수도 있거나 또는 포함할 수도 있다. 게다가, 유동 채널은 그의 경로를 따라서 상이한 단면적들을 가질 수도 있으며, 그 내부에 원하는 유체 유동을 제공하기 위해 넓어지거나 수축될 수도 있다. 유동 채널은 밸브들을 포함할 수도 있으며, 밸브들은 마이크로 유체공학의 분야에 공지된 임의의 유형일 수도 있다. 밸브들을 포함하는 미세유체 채널들의 예들은 미국 특허들 제 6,408,878호 및 제 9,227,200호에 개시되어 있으며, 이들의 각각은 본원에서 전체적으로 참고로 포함된다.
본원에서 이용된 바와 같이, 용어 "마이크로-객체" 는 일반적으로, 본 개시에 따라 격리 및/또는 조작될 수도 있는 임의의 미세한 객체를 지칭한다. 마이크로-객체들의 비-한정적 예들은: 미세입자들; 미세비드들 (예를 들어, 폴리스티렌 비드들, 유리 비드들, 비정질 고체 기판, LuminexTM 비드들 등); 자기 비드들; 미세로드들; 미세와이어들; 양자 점들 등과 같은 무생물의 마이크로-객체들; 세포들 등과 같은 마이크로-객체들; 생물학적 세포기관들; 소낭들, 또는 착물들; 합성 소낭들; (예를 들어, 막 표본들로부터 유래된 또는 합성의) 리포솜들; 지질 나노래프트들 등; 또는 무생물의 마이크로-객체들 및 마이크로-객체들의 조합 (예를 들어, 세포들에 부착된 미세비드들, 리포솜-코팅된 미세-비드들, 리포솜-코팅된 자기 비드들 등) 을 포함한다. 비드들은 공유결합으로 또는 비-공유결합으로 부착된 모이어티들/분자들, 이를 테면 형광 라벨들, 단백질들 (수용기 분자들을 포함), 탄수화물들, 항원들, 소분자 시그널링 모이어티들, 또는 분석에서 사용 가능한 다른 화학적/생물학적 종들을 포함할 수도 있다. 일부 변형에서, 모이어티/분자를 포함하는 비드/고체 기질은 예를 들어 선택적으로 또는 비선택적으로 근접하여 존재하는 소분자, 펩티드, 단백질 또는 핵산을 포함하는 분자에 결합하도록 구성된 포획 비드일 수 있다. 하나의 비제한적인 예에서, 포획 비드는 특정 핵산 시퀀스를 갖는 핵산에 결합하도록 구성된 핵산 시퀀스를 포함할 수 있거나, 또는 포획 비드의 핵산 시퀀스는 관련된 핵산 시퀀스를 갖는 핵산 세트에 결합하도록 구성될 수 있다. 어떤 유형의 결합이든 선택적인 것으로 이해될 수 있다. 모이어티/분자를 포함하는 포획 비드는 구조적으로 다르지만 물리화학적으로 유사한 분자, 예를 들어 선택된 크기 또는 전하의 분자를 포획하도록 구성된 크기 배제 비드 또는 제올라이트의 결합이 수행될 때 비선택적으로 결합할 수 있다. 지질 나노래프트들은 예를 들어 Ritchie 등 (2009) "Reconstitution of Membrane Proteins in Phospholipid Bilayer Nanodiscs", Methods Enzymol., 464:211-231 에 기재되어 있다. 지질 나노라프트들은 예를 들어 Ritchie et al.(2009) "Reconstitution of Membrane Proteins in Phospholipid Bilayer Nanodiscs", Methods Enzymol., 464:211-231에 기재되어 있다.
본 명세서에서 사용된 바와 같이, 용어 "세포" 는 용어 "생물학적 세포" 또는 "생물학적 샘플" 과 상호교환가능하게 사용될 수 있다. 생물학적 세포의 비 제한적인 예로는 진핵 세포, 식물 세포, 포유 동물 세포, 파충류 세포, 조류 세포, 물고기 세포 등과 같은 동물 세포, 원핵 세포, 박테리아 세포, 진균 세포, 원충 세포 등이 포함된다 근육, 연골, 지방, 피부, 간, 폐, 신경 조직 등과 같은 조직으로부터 해리된 세포, T 세포, B 세포, 자연 살해 세포, 대 식세포 등의 면역 세포, 배아 (예를 들어 접합체), 난 모세포, 난자, 정자 세포, 하이 브리 도마, 배양된 세포, 세포주의 세포, 암세포, 감염된 세포, 프랜스펙션된 및/또는 형질 전환된 세포, 리포터 세포, 등을 포함한다. 포유류 세포는, 예를 들어, 인간, 생쥐, 쥐, 말, 염소, 양, 소, 영장류 등으로부터의 것일 수 있다.
콜로니 (colony) 에서 번식할 수 있는 모든 살아있는 세포들이 단일 부모 세포에서 유래한 딸 세포들이면, 생물학적 세포들의 콜로니는 "클론 (clonal)" 이다. 어떤 실시형태들에서, 클론 콜로니에서의 모든 딸 세포들은 단일 부모 세포로부터 10 번 이하의 분할들에 의해 유도된다. 다른 실시형태들에서, 클론 콜로니에서의 모든 딸 세포들은 단일 부모 세포로부터 14 번 이하의 분할들에 의해 유도된다. 다른 실시형태들에서, 클론성 군체에서의 모든 딸 세포들은 17 개를 초과하지 않는 분할들에 의해 단일의 부모 세포로부터 유도된다. 다른 실시형태들에서, 클론성 군체에서의 모든 딸 세포들은 20 개를 초과하지 않는 분할들에 의해 단일의 부모 세포로부터 유도된다. 용어 "클론 세포들" 은 동일한 클론 콜로니의 세포들을 지칭한다.
본원에서 이용된 바와 같이, 생물학적 세포들의 "군체" 는 2 개 이상의 세포들 (예컨대, 약 2 내 약 20, 약 4 내지 약 40, 약 6 내지 약 60, 약 8 내지 약 80, 약 10 내지 약 100, 약 20 내지 약 200, 약 40 내지 약 400, 약 60 내지 약 600, 약 80 내지 약 800, 약 100 내지 약 1000, 또는 1000 개 이상의 세포) 을 지칭한다.
본 명세서에서 사용된 바와 같이, 용어 "세포(들)를 유지하는 것" 은 세포들을 생존가능하게 유지하고 및/또는 증식시키는데 필요한 조건들을 제공하는, 유체 및 기체 성분들 양자 모두, 및 옵션으로는 표면을 포함하는 환경을 제공하는 것을 지칭한다. 본원에서 사용된 바와 같이, 세포들을 언급할 때 용어 "팽창하는"은 세포 수의 증가를 지칭한다. 유체 매질의 "성분"은, 용매 분자들, 이온들, 소분자들, 항생물질들, 뉴클레오티드들 및 뉴클레오시드들, 핵산들, 아미노산들, 펩티드들, 단백질들, 설탕들, 탄수화물들, 지질들, 지방산들, 콜레스테롤, 대사물들 등을 포함하는, 매질에 존재하는 임의의 화학적 또는 생물학적 분자이다. 유체 매질에 관하여 본 명세서에서 사용되는 바와 같이, "확산하다" 및 "확산"은 농도 기울기 아래의 유체 매질 성분의 열역학 운동을 지칭한다.
"매질의 흐름"이란 문구는 주로 확산 이외의 임의의 메커니즘으로 인한 유체 매질의 벌크 이동을 의미하고, 관류를 포함할 수 있다. 예를 들어, 매질의 흐름은 지점들 사이의 압력 차이로 인한 유체 매질의 하나의 지점으로부터 다른 지점으로의 이동을 수반할 수 있다. 이러한 흐름은 액체의 연속적인, 펄싱된, 주기적인, 랜덤한, 간헐적인, 또는 왕복 흐름, 또는 이들의 임의의 조합을 포함할 수 있다. 하나의 유체 매질이 다른 유체 매질로 흐르는 경우, 매질의 터뷸런스 및 혼합이 초래될 수 있다. 흐르는 것은 미세유체 채널을 통해 밖으로 용액을 당기거나(예를 들어, 흡인) 또는 미세유체 채널 내로 및 미세유체 채널을 통해 유체를 미는 것(예를 들어, 관류)을 포함할 수 있다.
문구 "실질적으로 흐르지 않음" 은, 시간 경과에 따라 평균화될 때, 유체 배지 안으로 또는 유체 배지 내에서 재료 (예를 들어, 관심 있는 분석물) 의 성분들의 확산 속도보다 작은 유체 배지의 흐름 속도를 지칭한다. 이러한 재료의 성분들의 확산의 레이트는, 예를 들어 온도, 성분들의 사이즈, 및 성분들과 유체 매질 사이의 상호작용들의 강도에 의존할 수 있다.
미세유체 디바이스 내의 상이한 영역들을 참조하여 본원에 사용된 바와 같이, 문구 "유체적으로 접속된" 은, 상이한 영역들이 유체 배지와 같은 유체로 실질적으로 채워지는 경우, 유체의 단일 바디를 형성하도록 영역들 각각에서의 유체가 접속되는 것을 의미한다. 이것은, 상이한 영역들에서의 유체들 (또는 유체 매질들) 이 반드시 조성이 동일하다는 것을 의미하지 않는다. 오히려, 미세유체 디바이스의 상이한 유체 연결된 영역들에서의 유체들은, 용질들이 그들 개별의 농도 기울기들을 하강시키고 및/또는 유체들이 디바이스를 통해 흐를 때 유입되는 상이한 조성들 (예를 들어, 단백질들, 탄수화물들, 이온들, 또는 다른 분자들과 같은 용질들의 상이한 농도들) 을 가질 수 있다.
본원에서 사용된 바와 같이, "흐름 경로" 는 배지의 흐름의 궤적을 정의하고, 그것에 종속되는 하나 이상의 유체적으로 접속된 회로 엘리먼트들 (예를 들어, 채널(들), 영역(들), 챔버(들) 등) 을 지칭한다. 흐름 경로는 따라서 미세유체 디바이스의 스윕된 영역의 예이다. 다른 회로 엘리먼트들 (예를 들어, 비스윕된 영역들) 은 흐름 경로에서의 매질의 흐름에 종속됨 없이 흐름 경로를 포함하는 회로 엘리먼트들과 유체 연결될 수도 있다. 본원에서 이용된 바와 같이, "마이크로-객체를 격리시키는 것" 은 마이크로-객체를 미세유체 디바이스 내의 정의된 에어리어에 한정시킨다.
미세유체 (또는 나노유체) 디바이스는 "스윕된" 영역들 및 "스윕되지 않은" 영역들을 포함할 수 있다. 본원에서 사용된 바와 같이, "스윕 (swept)" 영역은, 미세유체 회로를 통해 유체가 흐를 때 각각이 배지의 흐름을 경험하는, 미세유체 회로의 하나 이상의 유체적으로 상호 연결된 회로 엘리먼트들로 구성된다. 스윕된 영역의 회로 엘리먼트들은 예를 들어 영역들, 채널들, 및 챔버들의 전부 또는 부분들을 포함할 수 있다. 본원에서 사용된 바와 같이, "비스윕 (unswept)" 영역은, 미세유체 회로를 통해 유체가 흐를 때 각각이 어떠한 흐름의 플럭스도 실질적으로 경험하지 못하는, 미세유체 회로의 하나 이상의 유체적으로 상호 연결된 회로 엘리먼트들로 구성된다. 유체 연결들이 확산을 가능하게 하지만 실질적으로 스윕된 영역과 비스윕된 영역 사이에 어떠한 매질들의 흐름도 없도록 구조화되어 있다면, 비스윕된 영역은 스윕된 영역에 유체 연결될 수 있다. 따라서, 미세유체 디바이스는 스윕된 영역과 비스윕된 영역 사이에서 실질적으로 확산 유체 연통을 가능하게 하면서, 스윕된 영역에서의 매질의 흐름으로부터 비스윕된 영역을 실질적으로 고립시키도록 구조화될 수 있다. 예를 들어, 미세유체 디바이스의 흐름 채널은 스윕 영역의 일 예인 한편, 미세유체 디바이스의 고립 영역(이하에서 더 상세히 설명됨)은 비스윕 영역의 예이다.
본원에 사용된 바와 같이, 유체 매질 흐름의 "비-스윕핑 (non-sweeping)" 속도는, 챔버의 격리 영역 내의 제 2 유체 매질의 성분들이 유동 영역 내의 제 1 유체 매질로 확산하는 것 및/또는 제 1 유체 매질의 성분들이 격리 영역 내의 제 2 유체 매질로 확산하는 것을 허용하기에 충분한 흐름의 속도를 의미하고; 또한 제 1 매질은 격리 영역 안으로 실질적으로 유동하지 않는다.
본원에서 사용된 바와 같이, "실질적으로" 는 의도된 목적을 위해 작동하기에 충분하다는 것을 의미한다. 용어 "실질적으로" 는 따라서, 당업자에 의해 예상될 것이지만, 전체 성능에 인식가능하게 영향을 주지 않는 바와 같은, 절대적인 또는 완전한 상태, 치수, 측정, 결과 등으로부터의 소수의 중요하지 않은 변화들을 허용한다. 수치 값들 또는 수치 값들로서 표현될 수 있는 파라미터들 또는 특징들에 대하여 사용될 때, "실질적으로" 는 10 퍼센트 이내를 의미한다. 용어 "것들 (ones)" 은 하나보다 더 많은 것을 의미한다. 본 명세서에서 사용된 바와 같이, 용어 "복수" 는 2, 3, 4, 5, 6, 7, 8, 9, 10, 또는 그 이상일 수 있다.
본 명세서에 사용된 바와 같이, "펜" 또는 "페닝"은 일부 실시형태에서 미세유체 디바이스 내의 챔버(예를 들어, 격리 펜) 내에 마이크로-객체를 배치하는 것을 지칭한다. 마이크로-객체를 페닝하는데 사용되는 힘은 유전영동(DEP), 예를 들어 광학적으로 작동되는 유전영동력(OEP); 중력; 자기력; 국부적으로 작동되는 유체 흐름; 또는 기울이기와 같은 여기에 기술된 임의의 적절한 힘일 수 있다. 일부 실시형태에서, 복수의 마이크로-객체를 페닝하는 것은 실질적으로 모든 마이크로-객체를 재배치할 수 있다. 일부 다른 실시형태에서, 복수의 마이크로-객체 중 선택된 수가 페닝될 수 있고, 복수의 마이크로-객체 중 나머지는 페닝 되지 않을 수 있다. 일부 실시형태에서, 선택된 마이크로-객체가 페닝될 때, DEP 힘, 예를 들어, 광학적으로 작동되는 DEP 힘 또는 자기력이 선택된 마이크로-객체를 재배치하기 위해 사용될 수 있다. 일부 실시형태에서, 마이크로-객체는 미세유체 디바이스의 유동 영역, 예를 들어 미세 유체 채널에 도입되고 페닝에 의해 챔버 내로 도입될 수 있다.
본 명세서에 사용된 바와 같이, "언펜" 또는 "언페닝 (unpenning)"은 일부 실시형태에서 미세유체 디바이스의 챔버, 예를 들어 격리 펜 내로부터 흐름 영역, 예를 들어 미세유체 채널 내의 새로운 위치로 마이크로-객체를 재배치하는 것을 지칭한다. 마이크로-객체를 언페닝하는데 사용되는 힘은 유전영동, 예를 들어 광학적으로 작동되는 유전영동력; 중력; 자기력; 국부적으로 작동되는 유체 흐름; 또는 기울이기와 같은 여기에 기술된 임의의 적절한 힘일 수 있다. 일부 실시형태에서, 복수의 마이크로-객체를 언페닝하는 것은 실질적으로 모든 마이크로-객체를 재배치할 수 있다. 일부 다른 실시형태에서, 복수의 마이크로-객체 중 선택된 수가 언페닝될 수 있고, 복수의 마이크로-객체 중 나머지는 언페닝 되지 않을 수 있다. 일부 실시형태에서, 선택된 마이크로-객체가 언페닝될 때, DEP 힘, 예를 들어, 광학적으로 작동되는 DEP 힘 또는 자기력이 선택된 마이크로-객체를 재배치하기 위해 사용될 수 있다.
일부 실시형태는 여기에 개시된 방법, 프로세스 또는 하위 프로세스 중 임의의 것을 수행하기 위해 호출될 수 있는 하드웨어 시스템에 관한 것이다. 하드웨어 시스템은 적어도 하나의 마이크로프로세서 또는 적어도 하나의 프로세서 코어를 포함할 수 있으며, 이는 일부 실시형태에서 본 명세서에 개시된 방법, 프로세스, 또는 서브-프로세스 중 임의의 것을 수행하기 위해 하나 이상의 실행 스레드를 실행한다. 하드웨어 시스템은 다양한 유형의 데이터 또는 정보를 일시적으로 또는 지속적으로 저장하기 위해 하나 이상의 형태의 비일시적 기계 판독 가능 저장 매체 또는 장치를 더 포함할 수 있다. 하드웨어 시스템의 일부 예시적인 모듈 또는 컴포넌트는 아래의 시스템 아키텍처 개요 섹션에서 찾을 수 있다.
일부 실시형태는 적어도 하나의 프로세서 또는 적어도 하나의 프로세서 코어에 의해 실행될 때 적어도 하나의 프로세서 또는 적어도 하나의 프로세서 코어로 하여금 본 명세서에 개시된 방법, 프로세스 또는 하위 프로세스 중 임의의 것을 수행하게 하는 명령들의 시퀀스를 저장한 비일시적 기계 액세스가능 저장 매체를 포함하는 제조 물품에 관한 것이다. 비일시적 기계 판독 가능 저장 매체의 몇 가지 예시적인 형태는 아래의 시스템 아키텍처 개요 섹션에서도 찾을 수 있습니다.
본 발명의 제1 양태에 따르면, 비일시적 컴퓨터 판독가능 매체는 명령들을 저장하고, 그 명령들은 하나 이상의 프로세서에 의해 실행될 때 하나 이상의 프로세서로 하여금 디스플레이를 위해 어세이 분석으로부터 도출된 데이터를 제공하게 하는 하나 이상의 명령들을 포함하며, 그 데이터는 랩-온-어-칩 (lab-on-a-chip) 의 챔버의 적어도 일부에 대한 적어도 하나의 이미지, 및 상기 적어도 하나의 챔버와 관련된 영숫자 데이터를 포함하는 것을 특징으로 하며, 여기서 디스플레이는 갤러리 뷰, 타임라인 뷰, 원시 데이터 테이블 또는 이들의 조합이다.
그러한 비일시적 컴퓨터 판독 가능 매체에서, 하나 이상의 프로세서는 디스플레이를 위해 분석의 단계들로서 배열된 랩-온-어-칩의 부분들의 이미지들을 포함하는 갤러리 뷰를 제공한다. 그러한 비일시적 컴퓨터 판독 가능 매체에서, 하나 이상의 프로세서는 디스플레이를 위해 이미지가 캡처된 시간에 각각의 이미지에 대응하는 영숫자 데이터를 포함하는 갤러리 뷰를 제공한다. 그러한 비일시적 컴퓨터 판독 가능 매체에서, 하나 이상의 프로세서는 디스플레이를 위해 분석의 단계를 나타내는 타임라인을 따라 이미지 시퀀스 마커를 포함하는 타임라인 뷰를 제공한다. 이러한 비일시적 컴퓨터 판독 가능 매체에서, 하나 이상의 프로세서는 디스플레이를 위해 원시 데이터 보기를 테이블로서 제공한다.
본 발명의 다른 양태에 따르면, 디바이스는 어세이 분석으로부터 도출된 데이터에 기초하여 그래픽 장면을 특정하는 정보를 수신하기 위해 하나 이상의 프로세서들을 포함하며, 그 데이터는 랩-온-어-칩 (lab-on-a-chip) 의 챔버의 적어도 일부에 대한 적어도 하나의 이미지, 및 상기 적어도 하나의 챔버와 관련된 영숫자 데이터를 포함하는 것을 특징으로 하며, 여기서 디스플레이는 갤러리 뷰, 타임라인 뷰, 원시 데이터 테이블 또는 이들의 조합이다.
그러한 디바이스에서, 그 정보는 디스플레이를 위해 분석의 단계들로서 배열된 랩-온-어-칩의 부분들의 이미지들을 포함하는 갤러리 뷰를 특정한다. 그러한 디바이스에서, 그 정보는 디스플레이를 위해 이미지가 캡처된 시간에 각각의 이미지에 대응하는 영숫자 데이터를 포함하는 갤러리 뷰를 특정한다. 그러한 디바이스에서, 그 정보는 디스플레이를 위해 분석의 단계를 나타내는 타임라인을 따라 이미지 시퀀스 마커를 포함하는 타임라인 뷰를 특정한다. 이러한 디바이스에서, 그 정보는 디스플레이를 위해 원시 데이터 보기를 테이블로서 특정한다.
본 발명의 또 다른 양태에 따르면, 어세이 분석으로부터 도출된 데이터를 디스플레이하는 방법은 디바이스에 의해 그리고 디스플레이를 위해 어세이 분석으로부터 도출된 데이터를 제공하는 단계를 포함하고, 그 데이터는 랩-온-어-칩 (lab-on-a-chip) 의 챔버의 적어도 일부에 대한 적어도 하나의 이미지, 및 상기 적어도 하나의 챔버와 관련된 영숫자 데이터를 포함하며, 및 디바이스에 의해 그리고 디스플레이를 위해 갤러리 뷰, 타임라인 뷰, 원시 데이터 테이블 또는 이들의 조합을 제공하는 단계를 포함한다.
그러한 방법에서, 상기 제공하는 단계는 디스플레이를 위해 분석의 단계들로서 배열된 랩-온-어-칩의 부분들의 이미지들을 포함하는 갤러리 뷰를 제공하는 단계를 포함한다. 그러한 방법에서, 상기 제공하는 단계는 디스플레이를 위해 이미지가 캡처된 시간에 각각의 이미지에 대응하는 영숫자 데이터를 포함하는 갤러리 뷰를 제공하는 단계를 포함한다. 그러한 방법에서, 상기 제공하는 단계는 디스플레이를 위해 분석의 단계를 나타내는 타임라인을 따라 이미지 시퀀스 마커를 포함하는 타임라인 뷰를 제공하는 단계를 포함한다. 이러한 방법에서, 상기 제공하는 단계는 디스플레이를 위해 원시 데이터 보기를 테이블로서 제공하는 단계를 포함한다.
본 발명의 또 다른 양태, 특징 및 부수적인 이점은 첨부 도면과 함께 취해진, 이에 따라 구성된 실시형태의 다음의 상세한 설명을 읽음으로써 당업자에게 명백해질 것이다.
이제 여러 실시형태들이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 실시할 수 있도록 본 발명의 예시적인 예로서 제공되는 도면을 참조하여 상세히 설명한다. 특히, 도면들 및 이하의 예시들은 본 발명의 범위를 제한하려는 것이 아니다. 본 발명의 특정 요소가 공지된 컴포넌트(또는 방법 또는 프로세스)를 사용하여 부분적으로 또는 완전히 구현될 수 있는 경우, 본 발명의 이해에 필요한 그러한 공지된 컴포넌트(또는 방법 또는 프로세스)의 부분이 설명될 것이며, 이러한 공지된 컴포넌트(또는 방법 또는 프로세스)의 다른 부분에 대한 상세한 설명은 본 개시내용을 모호하게 하지 않도록 생략될 것이다.
도면을 참조하면, 유사한 참조 번호는 여러 도면 전체에 걸쳐 동일하거나 대응하는 요소를 나타낸다.
예시적인 실시형태는 필터링된 데이터의 표시를 위한 사용자의 선택들에 기초한 필터링 데이터를 포함하고, 데이터베이스/데이터 공간에 하우징되는 어세이 분석기로부터의 데이터를 여러 다른 포맷들 중 하나 이상으로 표시하기 위한 기법, 컴퓨터 기반 매체, 시스템 및/또는 장치를 제공할 수 있다.
도 1은 하나 이상의 실시형태에서 향상된 사용자 인터페이스로 생물학적 샘플 또는 마이크로-객체를 분석하기 위한 프로세스 및/또는 시스템 (150A) 의 블록도의 단순화된 예를 예시한다. 달리 구체적으로 부인되거나 설명되지 않는 한, 도 1에 도시되고 이하에 설명되는 요소들의 일부 또는 전부는 이러한 요소가 임의의 실시형태와 관련된 범위에서 본 명세서에 설명된 임의의 실시형태에 완전하고 동일한 효과로 적용된다. 이 단순화된 예에서, 하나 이상의 분석(104)(예를 들어, 하나 이상의 어세이 분석, 하나 이상의 시퀀싱 분석 등)이 하나 이상의 대응하는 워크플로우, 파이프라인 등 (102) 을 가진 미세유체 디바이스에서 복수의 생물학적 샘플(예를 들어, 마이크로-객체, 세포, 조직 , 단백질, 유전자, 바이러스 또는 DNA(deoxyribonucleic acid), RNA(ribonucleic acid)와 같은 세포내 분자 등)에 대해 수행될 수 있다. "생물학적 샘플", "마이크로-객체", "세포", "조직", "단백질", "유전자", "바이러스" 및 "세포내 분자"라는 용어는 달리 특별히 구별되지 않는 한 전체 개시 내용에 걸쳐 상호 교환적으로 사용될 수 있다. 시퀀싱 분석은 예를 들어 생물학적 샘플 또는 이에 대한 복수의 빌딩 블록들 또는 염기들 중 하나 이상에 대한 더 자세한 정보(예를 들어, 특정 DNA에 어떤 유전 정보가 포함되어 있는지, DNA의 어떤 스트레치가 유전자를 포함하는지, 어떤 스트레치가 조절 지침을 전달하는지 등)를 제공하기 위해 생물학적 샘플(예를 들어, DNA 분자)을 구성하는 복수의 빌딩 블록들 또는 뉴클레오티드 염기들의 순서를 결정하는 것을 포함한다.
일부 실시형태에서, 생물학적 샘플의 분석은 복수의 구조 기반 및/또는 타겟 기반 관심 영역들을 갖는 제1 미세유체 디바이스에서 제1 구조 기반 또는 타겟 기반 관심 영역으로 제1 가이드 경로를 통해 제1 생물학적 샘플을 지향시키는 것 및 제1 미세유체 디바이스의 제2 구조 기반 또는 타겟 기반 관심 영역으로 제2 가이드 경로를 통해 제2 생물학적 샘플을 지향시키는 것을 포함할 수도 있다. 이러한 실시형태들의 일부에서, 단일 분석 장치는 생물학적 샘플에 대한 분석(예를 들어, 어세이, 시퀀싱 등) 및 컴퓨터 분석(예를 들어, 컴퓨터 생물학, 생물정보학, 또는 기타 컴퓨터 분석 등)을 수행하는 데 사용될 수 있다. 일부 다른 실시형태에서 다수의 시스템은 생물학적 샘플의 분석을 수행할 수 있다. 예를 들어, 제1 시스템은 제1 생물학적 샘플에 대해 하나 이상의 제1 분석을 수행할 수 있고, 제2 시스템은 제1 또는 제2 생물학적 샘플에 대해 하나 이상의 제2 분석을 수행할 수 있고, 하나 이상의 제3 시스템들 또는 제1 및 제2 시스템들 중 임의의 것은 컴퓨터 분석을 수행할 수 있다. 일부 실시형태에서, 전술한 하나 이상의 제3 시스템은 예를 들어, 서버, 랩탑 컴퓨터, 데스크탑 컴퓨터, 원격 컴퓨터에 연결된 단말기, 및/또는 가상화 환경의 하나 이상의 가상 머신을 포함할 수 있다. 일부 실시형태에서, 여기에서 활용되는 다양한 소프트웨어 모듈은 클라우드 환경에 위치될 수 있고 하나 이상의 개별 애플리케이션 프로그래밍 인터페이스(API)를 통해 사용자 또는 클라이언트 컴퓨팅 노드와 통신하여 서비스의 실행을 호출하고, 분석을 위한 입력 데이터를 전송하며, 및/또는 클라우드 환경에서 제공되는 서비스로부터의 출력 데이터를 전송하는 서비스로서 제공될 수 있다.
일부 실시형태에서, 생물학적 샘플에 대해 수행된 분석과 상관된 분석 결과는 단일 분석 장치의 비일시적 컴퓨터 액세스 가능 저장 매체의 주소 지정 가능한 공간에 저장될 수 있으며, 여기서 그 결과는 일정 기간 동안 캡처된 생물학적 물질의 이미지의 하나 이상의 시퀀스를 포함한다. "분석 결과"라는 용어는 또한 "연관 데이터"라고도 지칭될 수 있는데, 이는 분석 결과가 미세유동 장치에서 생물학적 샘플의 분석을 위한 다양한 입력 및 출력 데이터를 포함하고 따라서 분석과 연관되기 때문이다. 일부 실시형태에서, 분석 결과(또는 연관 데이터)는 미세유체 디바이스에서 생물학적 샘플의 분석을 위한 임의의 입력 및 출력을 포함할 수 있다. 예를 들어, 연관 데이터는, 제한 없이, 생물학적 샘플의 분석을 위한 사용자의 임의의 입력, 분석에 사용되는 하나 이상의 소프트웨어 애플리케이션 및/또는 하나 이상의 장치의 하나 이상의 설정 및/또는 구성, 생물학적 샘플, 장치(들) 및/또는 생물학적 샘플의 분석에 관련된 소프트웨어 애플리케이션(들)과 상관된 하나 이상의 매개변수 및 하나 이상의 매개변수 값을 포함할 수 있다.
연관 데이터는 또한 일부 실시형태에서 분석의 중간 및/또는 최종 출력을 포함할 수 있다. 예를 들어, 연관 데이터는, 제한 없이, 처리된 이미지, 처리된 이미지의 데이터, 집계, 상관 및/또는 평가된 데이터(예를 들어, 세포 카운트, 세포의 크기 및/또는 모양 등), 시퀀싱 결과 및/또는 그에 대한 메타데이터를 포함할 수 있다. 연관 데이터는 정적 데이터, 동적 데이터 또는 정적 데이터와 동적 데이터의 조합을 포함할 수 있다. 일부 실시형태에서, 동적 데이터는 시간에 따라 변하는 데이터 및/또는 동적 상호작용(예를 들어, 사용자 인터페이스에서 위젯을 조작함으로써 데이터와 상호작용하는 사용자 등)에 응답할 수 있는 데이터를 포함한다. 연관 데이터는 일부 실시형태에서 테이블, 데이터베이스 테이블, 또는 임의의 다른 적절한 데이터 구조와 같은 데이터 구조에 구조화된 방식으로 배열 및 저장될 수 있다. 추가로 또는 대안으로, 연관 데이터의 상이한 부분들은 다수의 관심 영역들(예를 들어, 구조 기반 및/또는 타겟 기반 관심 영역(들)) 및/또는 연관 데이터가 획득된 미세 유체 디바이스의 복수의 챔버들에 각각 대응할 수 있다. 예를 들어, 연관 데이터는 상이한 서브 구조(예를 들어, 열, 행 등)가 미세유체 디바이스 내의 상이한 관심 영역들 및/또는 상이한 챔버들에 각각 대응할 수 있는 본원에 기재된 미세유체 디바이스 데이터 구조 또는 갤러리 구조에서 구조화된 방식으로 저장될 수 있다.
단일 분석 장치는 컴퓨터 분석을 수행하기 위해 여기에 설명된 다양한 모듈, 함수 및/또는 기능을 호출할 수 있다. 일부 다른 실시형태에서, 생물학적 샘플에 대한 분석(예를 들어, 분석, 시퀀싱 등) 및 컴퓨터 분석(예를 들어, 컴퓨터 생물학, 생물정보학 또는 기타 컴퓨터 분석 등)은 하나 이상의 대응하는 장치에서 별도로 수행될 수 있다.
"단일 분석 장치"는 하나 이상의 모듈, 하나 이상의 메커니즘, 하나 이상의 디바이스 및/또는 하나 이상의 하위 시스템 등의 하드웨어 및 소프트웨어 요소의 조합을 포함하는 시스템을 포함하며, 그것은 그 시스템 내에 완전히 통합되어 하나 이상의 분석을 수행하고, 중간 및/또는 최종 분석 데이터를 사전 처리 및 사후 처리하며, 더 효율적이고 효과적인 방식으로 하나 이상의 사용자 인터페이스에 구성가능한 분석 결과들을 제시하여 사용자가 분석 결과를 조작하고 그것과 상호 작용하여 방대한 중간 및 최종 분석 데이터에 대한 통찰력을 얻고 여기에 설명된 다양한 도구, 모듈, 위젯 및 기능을 사용하여 이러한 하나 이상의 분석들의 목표의 달성을 촉진한다.
미세유체 장치는 예를 들어 미세유체 디바이스, 미세유체 디바이스, 나노유체 디바이스, 나노유체 디바이스, 또는 나노유체 장치를 포함할 수 있고 이하에서는 "미세유체 디바이스"로 통칭한다. 미세유체 디바이스(레버러토리-온-칩, 유전자 칩, DNA 칩 등으로도 불릴 수 있음)는 (100, 500, 1,000, 5,000, 7,000, 9,000, 11,000개 이상의 생물학적 샘플을 초과하는 생물학적 샘플 어레이를 포함하는) 하나 이상의 생물학적 샘플에 대해 하나 이상의 소형화된 프로세스 또는 테스트 (예를 들어, 다중화, 자동화, 고처리량 스크리닝, 분석, 어세이 등) 를 수행하도록 구성된 미세유체 디바이스의 관심 영역 (예를 들어, 챔버 또는 격리 챔버의 적어도 일부일 수 있는 타겟 기반 ROI, 또는 구조 기반 ROI) 에서 국부화된 측정 가능한 효과를 나타내기 위해 매우 작은 양의 유체 (예를 들어, 임의의 주어진 시간에 미세유체 디바이스의 회로 내에서 1mL 미만) 또는 유체들, 시약, 가용성 형광 리포터 등을 (예를 들어, 능동 및/또는 수동 컴포넌트들 및/또는 마이크로 펌프, 마이크로 밸브 등과 같은 마이크로 컴포넌트들을 사용하여) 조작하는 기구를 포함할 수 있다.
워크플로우 또는 파이프라인은 예를 들어 타겟 분석물(예를 들어, 생물학적 샘플, 약물, 생화학 물질 등)의 하나 이상의 특성(예를 들어, 존재, 양, 또는 기능적 활성 등)을 정성적으로 평가하거나 정량적으로 측정하기 위해 함께 연결되거나 연쇄되는 하나 이상의 툴들을 사용하여 복수의 생물학적 샘플들 및/또는 그것들에 대한 데이터 상에서 또는 그것들에 대해서 수행될 수 있는 일련의 직렬 및/또는 평행 단계들, 절차들, 또는 변환들을 포함한다. 워크플로우 또는 파이프라인은 또한 데이터 취출/임포트, 데이터 필터링, 클리닝-업, 푸루닝 (pruning), 또는 정규화 등, 및/또는 일부 실시형태에서 데이터 익스포트와 같은 하나 이상의 데이터 조작 작업들 또는 그것들을 위한 명령들을 포함하거나 수반할 수 있다.
하나 이상의 데이터세트 또는 데이터 구조(106)가 생성될 수 있다. 이러한 하나 이상의 데이터세트 또는 데이터 구조(106)는 (예를 들어, 하나 이상의 시점에서 또는 하나 이상의 기간 동안) 분석(104)의 과정 동안 또는 분석(104) 을 위해 캡처되는 임의의 데이터를 포함할 수 있다. 이러한 데이터의 일부 예는 미세유체 디바이스에서 하나 이상의 관심 영역에 대해 캡처된 하나 이상의 기본 이미지(108)를 포함한다. 예를 들어, 기본 이미지는 특정 순간에 미세유체 디바이스의 복수 챔버의 이미지를 캡처할 수 있다. 이러한 데이터는 생물학적 샘플에 관련되고 분석 과정에서 캡처, 감지 또는 수집되는 고유 데이터(150)를 더 포함할 수 있다.
예를 들어, 그러한 데이터는 친화도(예를 들어, 코로나19 바이러스와 같은 바이러스 및/또는 더 많은 항체들 사이의 친화도), 세포 활성화 정도, 타겟 소분자, 펩타이드, 단백질, 신호전달 분자 등의 세포 분비의 정도, 특정 자극(예를 들어, 소분자의 도입 등)에 대한 세포의 반응의 정도 - 이러한 특성은 일부 실시형태에서 생물학적 샘플의 크기, 장경, 단경, 원형도, 형태 (morphology), 형광 표지 등을 포함하지만 이에 국한되지 않는 관심 영역의 하나 이상의 타겟 기반 또는 구조 기반 특성들과 상관될 수 있다 - 와 같은 생물학적 샘플의 또는 생물학적 샘플에 대한 측정 가능하거나 정량화 가능한 특성을 포함할 수 있다.
이러한 데이터는 또한 생물학적 샘플와 상관되는 다른 데이터에서 유도되거나 계산된 유도 또는 분석 데이터 (152) 를 포함할 수도 있다. 예를 들어, 이러한 유도 또는 분석 데이터(152)는 알고리즘(들), 분석, 통계적 측정 및/또는 커스텀 생성 데이터(예를 들어, 계산되거나 도출된 크기, 장경, 단경, 원형도 등, 하나 이상의 필터, 클러스터링 알고리즘, 랭킹 알고리즘 등을 적용하여 커스텀 생성된 펜 목록(들), 데이터 세트(들), 템플릿(들) 등), 또는 임의의 다른 처리된 데이터를 사용하여 이미지로부터 추정된 임의의 직경(들) 또는 기하학적 특성들과 같은 임의의 계산된 특성들을 포함할 수 있다. 계산되거나 유도된 크기, 장경, 단경, 원형도 등은 예를 들어 이미지(예를 들어, 기본 이미지, 관심 영역의 이미지 등)로부터 얻어질 수 있으며, 예를 들어, 디스플레이 상에 미크론과 같은 물리적 치수들 또는 조명의 단위 영역들의 수 (예를 들어, 픽셀) 로 표현될 수 있다.
고유 데이터(150) 및 도출 또는 분석 데이터(152)는 달리 구체적으로 설명되지 않는 한 집합적으로 데이터세트 또는 단순히 데이터로 지칭되거나 저장될 수 있다. 일부 실시형태에서, 고유 데이터(150) 및 도출 및 분석 데이터(152)는 각각 하나 이상의 개별 데이터 구조에 저장될 수 있다. 일부 다른 실시형태에서, 고유 데이터(150)의 적어도 일부 및 도출 또는 분석 데이터(152)의 적어도 일부는 단일 데이터 구조에 저장될 수 있다.
고유 데이터(150) 및 도출 또는 분석 데이터(152)가 하나 이상의 개별 데이터 구조에 별도로 저장되는 일부 실시형태에서, 그럼에도 불구하고 고유 데이터(150) 및 도출 또는 분석 데이터(152)는 서로 연결될 수 있다. 예를 들어, 고유 데이터(150)의 임의의 부분과 도출 또는 분석 데이터(152)의 대응하는 부분은, 예를 들어, 미세유체 디바이스 식별자, 챔버 식별자, 또는 챔버 식별자 및 미세유체 디바이스 식별자로부터 결정된 통합 (aggregated) 식별자, 생물학적 샘플와 상관된 임의의 피처, 특성, 특징, 속성 등 또는 미세유체 디바이스 또는 그것의 일부의 하나 이상의 구조적 피처 또는 특성, 또는 임의의 다른 적절한 링크들과 같은 하나 이상의 식별자들 또는 임의의 다른 적절한 링크들을 사용함으로써 서로와 상관될 수 있다. 더욱이, 전술한 데이터 구조들 중 임의의 것은 이러한 인덱싱된 데이터 구조에 대한 보다 효율적인 액세스 및 질의를 용이하게 하기 위해 아래에 설명된 바와 같이 인덱싱될 수 있다.
프로세스를 위해 캡처된 데이터는 데이터의 각각의 피스가 고유 식별자와 연관될 수 있는 하나 이상의 데이터 구조에 저장될 수 있다. 미세유체 디바이스에서 나타날 수 있는 많은 수의 관심 영역들로 인해(예를 들어, 단일 미세유체 디바이스 내의 한 자리 수의 ROI에서 수만 개의 ROI까지), 고유 식별자는 미세유체 디바이스의 식별, 관심 영역 (예를 들어, 미세유체 디바이스 내의 특정 챔버) 에 대한 고유 식별자, 타임스탬프, 영역 식별 및/또는 기본 이미지 또는 기본 이미지에서 캡처된 임의의 관심 영역을 고유하게 로케이팅하는 역할을 할 수 있는 임의의 다른 적절한 식별(예를 들어, 바코드 등) 중 적어도 하나와 관련될 수 있다. 기본 이미지와 상관된 데이터는 하나 이상의 테이블, 하나 이상의 데이터베이스, 하나 이상의 관계형 데이터베이스 테이블, 또는 데이터세트에서 캡처된 각 데이터 피스를 생물학적 샘플, 생물학적 샘플의 특징 또는 특성, 분석의 일부, 및/또는 일부 실시형태에서 워크플로우 또는 파이프라인의 일부와 상관시키는 임의의 다른 적합한 형태 또는 포맷과 같은 다수의 데이터 구조들 또는 상이한 형태들 (예를 들어, 구조화된 데이터 및/또는 구조화되지 않은 데이터) (110) 에 저장될 수 있다. 데이터세트는 효율적이고 편리한 액세스, 취출 또는 질의를 용이하게 하기 위해 하나 이상의 인덱싱 키로 인덱싱될 수 있다.
데이터세트는 데이터세트 또는 그 일부에 대한 판독 및/또는 기입 액세스를 가질 수 있는 하나 이상의 모듈(112)에 로딩될 수 있다. 이들 하나 이상의 모듈(112)은, 예를 들어, 하나 이상의 1차원 또는 다차원 필터를 생성하고 로딩된 데이터세트에 적용하는 하나 이상의 필터 빌더 및 애플리케이션 모듈(114), 다양한 그래프, 플롯 등(예를 들어, 뷰들(130)) 을 생성 또는 렌더링하는 하나 이상의 그래핑 모듈(116), 로딩된 데이터세트 상에 또는 로딩된 데이터세트에 대해 하나 이상의 분석을 수행하는 하나 이상의 분석 모듈(118), 하나 이상의 개별 뷰들(예를 들어, 갤러리 뷰, 칩 타임라인 뷰 등)을 생성하는 하나 이상의 뷰 모듈 (120), 여기에 설명된 임의의 다른 모듈, 또는 복수의 생물학적 샘플의 분석을 용이하게 하는 임의의 다른 적절하거나 요구되거나 원하는 모듈을 포함할 수 있다. 이러한 하나 이상의 모듈(112)은 예를 들어 관심 영역에서 생물학적 샘플의 총 카운트를 자동으로 프로그램적으로 결정하는 콘볼루션 신경망을 채용할 수 있는 머신 러닝 기반 생물학적 샘플 카운팅 모듈(121)을 포함할 수 있다. 일부 실시형태에서, 임의의 뷰(예를 들어, 갤러리 뷰, 칩 타임라인 뷰, 생물정보학 파이프라인 뷰, 그래프 뷰 등)가 독립적으로 생성되거나 렌더링될 수 있다. 이들 실시형태 중 일부에서, 하나 이상의 뷰는 객체 지향 프로그래밍의 맥락에서 하나 이상의 개별 객체로서 패키징되고 다른 뷰에 삽입될 수 있다.
일부 실시형태에서, 하나 이상의 모듈(112)은 하나 이상의 트레이닝 데이터세트 및/또는 벤치마크 데이터세트를 갖는 지도 및/또는 비지도 학습 기법들로부터 결정된 하나 이상의 모델을 포함하는 하나 이상의 인공 지능(AI) 모듈(123)을 포함할 수 있다. 예를 들어, 챔버, 펜 또는 관심 영역의 목록은 일단 사용자가 챔버, 펜, 관심 영역 등의 목록에 대한 연관 데이터가 하나 이상의 정확도, 성능 및/또는 생산(예를 들어, 태그, 워크플로우, 워크플로우 태스크, 생물학적 관련성, 실험적 관련성) 요건을 충족하거나 초과한다고 결정하면 (예를 들어 라벨링된 트레이닝 데이터로서) 사용자에 의해 식별되고 트레이닝 데이터세트 또는 벤치마크 데이터세트에 통합될 수 있다. 추가로 또는 대안으로, 이러한 하나 이상의 인공 지능 모듈(123) 및/또는 카운팅 모듈(121)은 연관 데이터(예를 들어, 이미지들, 또는 이러한 이미지들의 일부를 포함하지만 이에 제한되지 않는 워크플로우로부터의 이미지 시퀀스들, 여기서 그 세그먼트들은 펜, 관심 영역(들), 챔버를 포함할 수 있지만 이에 국한되지 않음)에 대해 다양한 개별 기능을 수행하고, 트레이닝 데이터 세트 또는 벤치마크 데이터 세트를 컴파일하는 데 사용할 연관 데이터의 서브세트를 선택, 정렬 또는 식별하기 위해 적용될 수 있는 하나 이상의 메트릭(예를 들어, 신뢰 수준, 추정된 오류 등과 같은 통계적 측정)을 생성할 수 있다. 일부 예에서, 연관 데이터는 10, 50, 100, 1000, 2000, 5000, 7000, 10000개 이상의 개별적으로 특성화된 관심 영역을 포함할 수 있고, 인공 지능 모듈은 여기에 개시되거나 모델을 구축하기 위한 분야에서 이해되는 방법들 중 임의의 것을 사용하여 연관 데이터의 일부를 선택하도록 구성된다. 일부 실시형태에서, 하나 이상의 인공 지능 모듈(123)은 이러한 하나 이상의 모델에 대한 그것들의 예측의 정확도를 향상시키기 위해 하나 이상의 모델을 트레이닝하기 위한 트레이닝 또는 벤치마크 데이터세트의 일부로서 특정 임계값을 초과하거나 그 아래로 떨어지는 메트릭(예를 들어, 제1 임계값을 초과하는 신뢰 수준, 제2 임계값 아래의 추정된 오류 등)을 갖는 연관 데이터의 세그먼트들을 식별할 수 있다. 추가의 예에서, 사용자에게는 연관 데이터를 제시하거나 시각화하는 하나 이상의 뷰(예를 들어, 여기에 공개되거나 여기에 공개된 모듈에 의해 생성된 뷰들 중 임의의 것)를 사용하여 연관 데이터의 일부(예를 들어, 선택된 부분 또는 자동 생성된 부분)가 제시되어, 사용자는 시각적 검사, 모델에 의해 결정된 메트릭 또는 스코어에 적어도 부분적으로 기초하여 및/또는 분류를 위해 자동화된 단계, 수동 프로세스, 또는 후속 학습 알고리즘을 적용하여 연관 데이터의 세그먼트 또는 관련 데이터의 일부를 준비할 수 있다. 대안으로 또는 추가적으로 사용자는 선별된 목록(예를 들어, 펜, 챔버, 관심 영역 등으로 작성된 목록)을 포함하지만 이것에 제한되지 않는 연관 데이터의 다른 세그먼트와 결합함으로써 벤치마크 데이터세트로 연관 데이터의 세그먼트 또는 세그먼트들을 선별 및 준비할 수 있다.
이러한 하나 이상의 인공 지능 모듈(123)은 보조 또는 비보조 학습을 갖는 신경망, 콘볼루션 신경망, 머신 러닝 및/또는 딥 러닝과 같은 기법들을 사용하여 트레이닝 데이터세트 및/또는 벤치마크 데이터세트로 하나 이상의 모델을 결정하거나 구성하고 및/또는 개선할 수 있다.
이러한 하나 이상의 트레이닝되거나 트레이닝되지 않은 모델은 새로운 데이터 세트에 대한 다양한 예측을 수행하는 데 사용될 수 있다. 예를 들어, 이러한 하나 이상의 모델은, 제한 없이, 분석과 상관된 이미지들이 시퀀스에 대한 이미지 콘텐츠 인식, 분석의 연관 데이터의 분류, 생물학적 샘플의 분석에서 얻은 이미지 또는 이미지 시퀀스 내의 하나 이상의 생물학적 샘플의 하나 이상의 특성 또는 관심 영역의 특징의 추정 (예를 들어, 영역을 형성하는 픽셀들의 수, 영역의 미크론 (예를 들어, 제곱 미크론 또는 미크론 치수), 배경 영역, 배경 영역의 픽셀들의 수, 배경 영역의 미크론(예를 들어, 제곱 미크론 또는 미크론 치수), 미크론 단위의 중심(예를 들어, x-중심, y-중심, 중심 좌표, 제곱 미크론의 중심 면적 등), 픽셀 단위의 중심(예를 들어, x-중심 또는 y-중심, 중심 좌표, 중심 영역), 샘플의 원형도, 미크론 단위의 샘플 직경, 최대 밝기, 중간 밝기, 최대 배경 밝기, 평균 배경 밝기, 타겟 인덱스(예를 들어, 특정 타겟과 관련된 고유 식별자 또는 라벨), 샘플의 외주 미크론, 또는 이들의 임의의 조합 등) 등과 같은 기능을 수행할 수 있다.
예를 들어, 인공 지능 모듈(123)은 하나 이상의 관심 영역에 대해 캡처된 이미지 시퀀스를 수신할 수 있다. 인공 지능 모듈(123)은, 예를 들어, 도 10a 내지 도 10k-2, 도 11a 내지 도 11b-2 등에서 설명된 기술을 사용하여 이미지 시퀀스의 콘텐츠를 인식하기 위해 콘볼루션 신경망을 실행할 수 있다. 이미지의 콘텐츠를 인식하는 것은 상이한 목적을 위해 여러 상이한 해상도에서 수행될 수 있다. 일부 실시형태에서, 인공 지능 모듈(123)은 하나 이상의 생물학적 샘플을 보여주는 이미지를 생물학적 이미지를 표시하지 않는 이미지와 구별하기 위해 먼저 이미지 시퀀스에 대해 저해상도 콘텐츠 인식을 수행할 수 있다.
인공 지능 모듈(123)은 이미지 시퀀스를 두 개의 클래스(예를 들어, 생물학적 샘플(들)을 보여주는 이미지에 대응하는 상위 클래스 (more-significant class) 및 생물학적 샘플을 표시하지 않는 하위 클래스 (less-significant class)로 분류할 수 있다. 상위 및 하위 클래스들의 이러한 분류를 위해, 인공 지능 모듈(123)은 이미지 시퀀스의 컨텐츠에서 더 미세한 세부 사항이 이러한 분류 목적 상 중요하지 않을 수 있기 때문에 계산 자원을 보존하기 위해 저해상도 인식 프로세스(예를 들어, 5X5, 7X7, 11X11 등 필터와 같은 더 큰 스트라이드 또는 필터를 갖는 콘볼루션 네트워크)를 채용할 수 있다. 인공 지능 모듈(123)은, 예를 들어, 배경으로부터 생물학적 샘플의 경계를 보다 정확하게 구별하기 위해 상위 클래스에 대해 고해상도 콘텐츠 인식 프로세스를 더 수행하여 인공 지능 모듈이 보다 정확하게 생물학적 샘플의 모양을 캡처할 수 있도록 한다. 더 정확하게 캡처된 모양을 사용하여, 인공 지능 모듈은 예를 들어 생물학적 샘플의 원형도를 추정하거나 계산하고 그것의 지식 기반을 참조하여 추정된 원형도를 갖는 생물학적 샘플이 정상 샘플 클래스, 비정상 샘플 클래스, 건강한 샘플 클래스, 비건강 샘플 클래스, 종양 클래스 등으로 분류될 수 있는지 여부를 결정할 수 있다. 이러한 실시형태에서, 인공 지능은 따라서 여기에 기재된 컴퓨터 비전 및 AI 기술을 사용하여 복수의 생물학적 샘플을 다수의 클래스들로 분류할 수 있다. 카운팅 모듈(121) 및 하나 이상의 AI 모듈(123)은 그들의 의도된 기능의 수행을 용이하게 하기 위해 서로 독립적으로 또는 서로 협력하여 기능할 수 있음에 유의해야 한다.
일부 실시형태에서, 데이터세트는 분석의 수행 또는 워크플로우 또는 파이프라인의 실행과 동시에 생성될 수 있다. 이러한 실시형태에서, 다양한 유형의 데이터(예를 들어, 하나 이상의 관심 영역의 기본 이미지, 정량화 가능한 메트릭, 특징, 특성, 속성, 및/또는 기타 원하는 또는 필요한 정보 또는 데이터 등)는 하나 이상의 데이터 획득 도구(예를 들어, 이미지를 캡처하기 위한 하나 이상의 카메라 또는 이미지 센서, 감지 데이터를 수집하기 위한 하나 이상의 센서, 계산 데이터를 저장하기 위한 컴퓨터 버스 또는 데이터 버스 등) 를 통해 획득되고 하나 이상의 데이터 구조에 저장할 수 있다.
일부 실시형태에서, 하나 이상의 데이터 획득 도구로부터의 원시 또는 처리된 데이터는 중간 저장소에 저장될 수 있고, 하나 이상의 데이터 처리 도구 또는 모듈은 하나 이상의 데이터 구조에서 영구 저장을 위해 이러한 데이터를 처리하기 위해 추가로 채용될 수 있다. 예를 들어, 상이한 데이터 획득 도구 또는 모듈로부터의 다양한 데이터 피스들은 예를 들어, 미세유체 디바이스의 식별자, 미세유체 디바이스의 복수의 챔버의 각각의 식별자, 및/또는 타임스탬프 등에 적어도 부분적으로 기초하여 상관될 수 있다.
원시 및/또는 처리된 데이터(예를 들어, 110, 150, 및/또는 152)는 그후 구조화된 및/또는 비구조화된 데이터의 형태로 하나 이상의 데이터 구조에 저장될 수 있다. 일부 실시형태에서, 하나 이상의 데이터 구조 중 적어도 하나는 적어도 하나의 인덱싱된 데이터 구조에 대한 보다 효율적인 액세스 및 질의를 용이하게 하기 위해 하나 이상의 고유 키로 인덱싱될 수 있다. 예를 들어, 챔버 식별자 또는 챔버 식별자와 미세유체 디바이스 식별자로부터 결정된 통합 식별자, 생물학적 샘플 또는 미세유체 디바이스 또는 그것의 일부의 구조와 상관된 임의의 피처, 특성, 특징, 속성 등, 또는 임의의 다른 적절한 키가 적어도 하나의 데이터 구조를 인덱싱하기 위한 고유 키로 사용될 수 있다. 예를 들어, 미세유체 디바이스의 복수의 챔버 내의 생물학적 샘플과 상관된 데이터를 저장하는 데이터 구조는 예를 들어 총 유전자 카운트의 키 또는 총 세포 카운트의 키에 의해 인덱싱될 수 있다. 사용자가 데이터 구조에 액세스하고 5 개 이상의 셀들을 갖는 반환 챔버로 결과를 제한하는 1차원 필터를 적용하는 경우, 데이터 구조는 총 5개 미만의 셀을 갖는 챔버들에 대응하는 임의의 엔트리들을 무시하는 필터링 기준에 대한 응답으로 더 효율적으로 액세스될 수 있다. 이러한 방식으로, 인덱싱된 데이터 구조로부터 판독하거나 그것에 기입하기 위한 임의의 액세스가 더 효율적이다.
일부 다른 실시형태에서, 분석(예를 들어, 분석, 시퀀싱 등과 같은 생의학적, 생화학적 또는 약학적 분석)이 사전에 수행되고, 분석과 상관된 데이터가 데이터에 대해 임의의 추가 분석이 수행되기 전 데이터세트에 대한 분석의 수행 동안 면제된다. 즉, 생물학적 샘플에 대한 분석은 분석의 수행 동안 수집된 데이터의 임의의 후속 분석 전에 수행된다. 이러한 실시형태에서, 데이터세트는 여기에 설명된 다양한 모듈 또는 도구에 로드될 수 있다. 생물학적 샘플의 생의학적, 생화학적 또는 약학적 분석은 생의학적, 생화학적 또는 약학적 분석의 데이터에 대한 추가 계산 분석 이전에 수행되지만, 여기에서 설명된 방대한 양의 데이터를 하나 이상의 데이터 구조로 배열하는 것, 하나 이상의 데이터 구조들 중 임의의 것을 인덱싱하는 것, 클러스터링, 필터링, 랭킹 등과 같은 임의의 기법들은 완전하고 동일한 효과로 생의학적, 생화학적 또는 약학적 분석의 데이터에 적용될 수 있다.
하나 이상의 관심 영역(122)이 식별되거나 결정될 수 있다. 이러한 하나 이상의 관심 영역으로, 하나 이상의 관심 영역과 상관된 특정 데이터가 데이터세트로부터 추출, 유도 또는 자동으로 결정될 수 있다. 관심 영역(122)은 (예를 들어, 원하는 영역 또는 커스텀 영역을 관심 영역으로 선택하기 위해 도 1에 도시되지 않은 관심 영역 생성 위젯을 클릭함으로써) 사용자에 의해 지정되거나 여기에 설명된 다양한 기술에 의해 자동으로 결정될 수 있다. 예를 들어, 사용자는 일부 실시형태에서 관심 영역으로 미세유체 디바이스의 챔버를 특정하거나 지정할 수 있다. 프로세스 또는 시스템(150A)은 하나 이상의 기준에 적어도 부분적으로 기초하여 관심 영역을 자동으로 결정할 수 있다. 예를 들어, 프로세스 또는 시스템(150A)은 분석이 세포 배양 및 익스포트 프로세스에 관한 것임을 식별하기 위해 워크플로우 또는 파이프라인을 참조할 수 있다.
프로세스 또는 시스템(150A)은 또한 워크플로우 또는 파이프라인을 참조하여 프로세스 또는 시스템이 관심 영역이 챔버를 포함한다고 결정하는 기간 동안 미세유체 디바이스 내의 복수의 생물학적 샘플들이 세포 배양의 단계에 있다고 결정하고 그 기간 동안의 하나 이상의 시점에서 챔버의 개별 이미지 부분(126)을 추가로 자동으로 크로핑할 수 있다. 후속 기간 동안, 프로세스 또는 시스템(150A)은 익스포트 프로세스가 다른 기간 동안 시작되어야 한다고 결정할 수 있다. 이러한 다른 기간 동안, 프로세스 또는 시스템(150A)은 관심 영역이 챔버 플러스 챔버와 미세유체 디바이스의 이웃하는 유동 채널 사이의 인터페이스임을 자동으로 결정할 수 있다. 그 다음, 프로세스 또는 시스템(150A)은 예를 들어, 챔버의 식별, 및 인터페이스 부분의 자동 결정 등에 적어도 부분적으로 기초하여 개별 이미지 부분(126)을 포함하는 기본 이미지로부터 챔버 및 인터페이스를 나타내는 개별 이미지 부분(126)을 (예를 들어, 크로핑함으로써) 자동으로 추출할 수 있다.
다른 후속 기간 동안, 프로세스 또는 시스템(150A)은 익스포트가 막 끝나려고 하거나 종료되었다고 결정할 수 있고, 그후 관심 영역이 세포가 익스포트되는 챔버와 상관된 유동 채널의 일부를 포함한다고 자동으로 결정할 수 있다. 그 다음, 프로세스 또는 시스템(150A)은 기본 이미지로부터 흐름 채널의 부분을 보여주는 개별 이미지 부분(126)을 자동으로 추출할 수 있다. 개별 ROI 이미지(126)로, 프로세스 또는 시스템(150A)은 관심 영역 이미지(126)와 상관된 하나 이상의 특징, 속성, 특성 등의 적절한 데이터(128)를 추가로 식별, 추출 또는 취출하고 예를 들어, 심볼릭 링크, 포인터, 또는 임의의 다른 적절한 링크를 사용하여 관심 영역 이미지 (126) 를 이러한 관련 데이터(128)와 상관시킬 수 있다.
일부 실시형태에서, 다수의 관심 영역이 하나 이상의 기본 이미지(108) 및 그 하나 이상의 기본 이미지와 상관된 데이터 구조(들)(110)로부터 결정되어 다수의 관심 영역(ROI) 이미지(126) 및 관련 데이터 (128) 를 생성할 수 있다. 관심 영역은 예를 들어 액세스되는(예를 들어, 정량화되는, 모니터링되는 등) 하나 이상의 특징들에 적어도 부분적으로 기초하여 타겟 기반 또는 구조 기반일 수 있다. 액세스되는 특징이 생물학적 샘플(예를 들어, 특정 생물학적 샘플, 특정 유형의 생물학적 샘플, 생물학적 샘플 또는 그 일부와 상관된 특징/속성/특성 등)에 관련된 일부 실시형태에서, 이렇게 결정된 관심 영역은 타겟 기반 관심 영역으로 칭해질 수 있다. 다른 한편으로, 액세스되는 특징이 구조적 특성(예를 들어, 챔버와 상관된 특성, 또는 미세유체 디바이스의 임의의 구조적 특징 등)에 관련된 일부 실시형태에서, 그렇게 결정된 관심 영역은 구조 기반 관심 영역으로 칭해질 수 있다. 따라서, 이러한 다수의 ROI 이미지들 (126) 은 하나 이상의 타겟 기반 ROI 이미지, 하나 이상의 구조 기반 ROI 이미지, 또는 하나 이상의 타겟 기반 및 하나 이상의 구조 기반 ROI 이미지를 포함할 수 있다.
이들 관심 영역 이미지(126) 및 관련 데이터(128)는 추가 처리를 위해 모듈들 (112) 의 세트의 하나 이상의 모듈에 추가로 제공될 수 있다. 예를 들어, ROI 이미지(126) 및 관련 데이터(128)는 하나 이상의 1차원 또는 다차원 필터를 ROI 이미지(126) 및/또는 관련 데이터(128)의 적어도 일부에 적용하여 하나 이상의 필터를 만족하지 않는 데이터를 필터링하거나 하나 이상의 필터를 만족시키는 데이터를 유지할 수 있는 필터 빌더 및 애플리케이션 모듈 (114) 에 제공될 수 있다. 다른 예로서, ROI 이미지(126) 및 관련 데이터(128)는 예를 들어 ROI 이미지(126) 및/또는 관련 데이터(128)의 적어도 일부에 대해 주성분 분석 (PCA) 을 수행하여 그러한 데이터의 차원을 감소시키는 차원 감소 모듈 (미도시) 에 제공될 수 있다. 다른 예로서, ROI 이미지(126) 및 관련 데이터(128)는 예를 들어 하나 이상의 클러스터링 기준에 적어도 부분적으로 기초하여 복수의 생물학적 샘플을 클러스터링하기 위해 클러스터링 모듈(미도시)에 제공될 수 있다. 다른 예로서, ROI 이미지(126) 및 관련 데이터(128)는 복수의 생물학적 샘플과 상관된 데이터의 편리하고 효율적인 액세스 및 분석을 용이하게 하는 방식으로 ROI 이미지(126) 및 관련 데이터(128)를 정렬하기 위해 갤러리 뷰, 타임라인 뷰, 또는 여기에 기술된 임의의 다른 뷰(들) 과 같은 하나 이상의 뷰들(130)을 생성하는 뷰 모듈(120)에 제공될 수 있다. 유사하게, ROI 이미지(126) 및 관련 데이터(128)는 데이터 또는 그 일부를 하나 이상의 그래프 또는 플롯으로 플롯팅하는 그래핑 모듈(116)에 제공될 수 있다.
일부 실시형태에서, 여기에 설명된 임의의 객체는 사용자의 상호작용에 응답하는 상호작용 객체로서 고안될 수 있다. 이러한 객체는 예를 들어 위젯(선택 위젯, 상호작용 위젯, 슬라이딩 조정 위젯, 갤러리 세부 정보 위젯, 처리 위젯, 쓰기 위젯, 식별자 위젯, 삭제 위젯, 상호작용 폴더 위젯, 구성 슬라이더 위젯, 관심 영역 생성 위젯, 시퀀싱 뷰 위젯, 다방향 배치 위젯 등), 이미지, 모듈(예를 들어, 필터 빌더 또는 필터 생성 모듈, 목록 생성 모듈 등), 사용자 인터페이스에서의 표시들의 블록(예를 들어, 데이터 블록), 아이콘, 명령 등을 포함할 수 있다. 예를 들어, 이러한 객체는 사용자 입력 장치를 통해 사용자 입력을 수신하고, 사용자 입력을 파싱하고, 그 안에 또는 다른 곳에 코딩된 하나 이상의 클래스 및/또는 기능을 호출하고, (예를 들어, 사용자로부터 추가 입력 대기하는) 중간 출력 또는 사용자 입력에 응답하여 최종 출력을 생성하는 자바, 파이선 또는 C++ 등과 같은 객체 지향 프로그래밍 언어로 코딩될 수 있다.
도 3o는 생물학적 샘플에 대한 어세이 분석을 수행하기 위해 여기에 설명된 다양한 프로세스가 하나 이상의 실시형태에서 구현될 수 있는 컴퓨터화된 시스템을 예시한다. 컴퓨터 시스템(300O)은 프로세서(307O), 시스템 메모리(308O)(예를 들어, RAM), 정적 저장 장치(309O)(예를 들어, ROM), 디스크 드라이브(310O)(예를 들어, 자기 또는 광), 통신 인터페이스(5814)(예를 들어, 모뎀 또는 이더넷 카드), 디스플레이(311O)(예를 들어, CRT 또는 LCD), 입력 장치(312O)(예를 들어, 키보드), 및 커서 제어(미도시)와 같은 서스시스템들 및 디바이스들을 상호 연결하는, 정보를 통신하기 위한 버스 (360O) 또는 다른 통신 모듈을 포함한다.
예시적인 컴퓨팅 시스템(300O)은 구성 가능한 컴퓨터 처리 자원(예를 들어, 컴퓨터 네트워크, 서버, 스토리지, 애플리케이션, 서비스 등) 및 데이터의 공유 풀을 일부 실시형태들에서 인터넷을 통해 유비쿼터스, 온-디맨드 (on-demand) 기반으로 다른 컴퓨터 및 디바이스에 제공하는 인터넷 기반 컴퓨팅 플랫폼을 포함할 수 있다. 예를 들어, 컴퓨팅 시스템(300O)은 컴퓨터 시스템 자원(예를 들어, 스토리지 자원, 컴퓨팅 자원 등)가 일부 실시형태에서 사용자에 의한 직접적이고 능동적인 관리 없이 온-디맨드 기반으로 제공되는 클라우드 컴퓨팅 플랫폼(예를 들어, 퍼블릭 클라우드, 하이브리드 클라우드 등)을 포함하거나 그 일부일 수 있다.
일 실시형태에 따르면, 컴퓨터 시스템(300O)은 시스템 메모리(308O)에 포함된 하나 이상의 명령들의 하나 이상의 시퀀스를 실행하는 하나 이상의 프로세서 또는 프로세서 코어(307O)에 의해 특정 동작을 수행한다. 그러한 명령들은 정적 저장 디바이스(309O) 또는 디스크 드라이브(310O)와 같은 다른 컴퓨터 판독가능/사용가능한 저장 매체로부터 시스템 메모리(308O)로 판독될 수 있다. 대안적인 실시형태들에 있어서, 하드-와이어드 회로는 본 발명을 구현하기 위해 소프트웨어 명령들 대신에 또는 그와 결합하여 사용될 수도 있다. 따라서, 본 발명의 실시형태들은 하드웨어 회로부 및/또는 소프트웨어의 임의의 특정의 조합에 한정되지 않는다. 일 실시형태에서, 용어 "로직"은 본 발명의 전부 또는 일부를 구현하는 데 사용되는 소프트웨어 또는 하드웨어의 임의의 조합을 의미할 것이다.
이전 단락에서 설명된 다양한 동작 또는 프로세스는 하나 이상의 프로세서, 하나 이상의 프로세서 코어, 또는 이들의 조합(307O)을 사용하여 수행될 수 있으며, 여기서 하나 이상의 프로세서, 하나 이상의 프로세서 코어, 또는 이들의 조합은 하나 이상의 스레드들을 실행한다. 예를 들어, 여기에 설명된 결정, 추출, 시뮬레이션, 주석 달기, 분석, 최적화 및/또는 식별 등의 행위는 하나 이상의 프로세서, 하나 이상의 프로세서 코어, 또는 이들의 조합에 의해 수행될 수 있다.
본 명세서에 사용된 용어 "컴퓨터 판독 가능 저장 매체" 또는 "컴퓨터 사용 가능 저장 매체"는 실행을 위해 프로세서(3070)에 명령들을 제공하는 데 참여하는 임의의 비일시적 매체를 지칭한다. 이러한 매체는 비-휘발성 매체들 및 휘발성 매체들을 포함하지만 이에 제한되지 않는 다수의 형태들을 취할 수 있다. 비휘발성 매체는 예를 들어, 디스크 드라이브 (310O) 와 같은 광학 또는 자기 디스크들을 포함한다. 휘발성 매체는 시스템 메모리(308O)와 같은 동적 메모리를 포함한다. 컴퓨터 판독 가능한 저장 매체의 일반적인 형태는 예를 들어 전자 기계 디스크 드라이브(예를 들어, 플로피 디스크, 플렉서블 디스크 또는 하드 디스크), 플래시 기반, RAM 기반(예를 들어, SRAM, DRAM, SDRAM, DDR, MRAM 등), 또는 기타 솔리드 스테이트 드라이브(SSD), 자기 테이프, 기타 자기 또는 광자기 매체, CD-ROM, 기타 광학 매체, 홀들의 패턴을 갖는 임의의 다른 물리적 매체, RAM, PROM, EPROM, FLASH-EPROM, 기타 메모리 칩이나 카트리지, 또는 컴퓨터가 읽을 수 있는 기타 매체를 포함한다.
일 실시형태에서, 본 발명을 실행하기 위한 명령들의 시퀀스의 실행은 단일 컴퓨터 시스템(300O)에 의해 수행된다. 본 발명의 다른 실시형태에 따르면, 통신 링크(315O)(예를 들어, LAN, PTSN, 또는 무선 네트워크)에 의해 연결된 둘 이상의 컴퓨터 시스템(300O)은 서로 협력하여 본 발명을 실시하도록 요구되는 명령들의 시퀀스를 수행할 수 있다.
컴퓨터 시스템(300O)은 통신 링크(315O) 및 통신 인터페이스(314O)를 통해 프로그램(예를 들어, 애플리케이션 코드)을 포함하는 메시지, 데이터, 및 명령을 송수신할 수 있다. 수신된 프로그램 코드는 그것이 수신되고 및/또는 추후 실행을 위해 디스크 드라이브 (310O) 또는 다른 비휘발성 스토리지에 저장될 때 프로세서 (307O) 에 의해 실행될 수도 있다. 일 실시형태에서, 컴퓨터 시스템(300O)은 데이터 저장 시스템(331O), 예를 들어, 컴퓨터 시스템(300O)에 의해 쉽게 액세스 가능한 데이터베이스(332O)를 포함하는 데이터 저장 시스템(331O)과 함께 동작한다. 컴퓨터 시스템(300O)은 데이터 인터페이스(333O)를 통해 데이터 저장 시스템(331O)과 통신한다. 버스(306O)(예를 들어, 메모리 버스, 시스템 버스, 데이터 버스 등)에 연결된 데이터 인터페이스(333O)는 다양한 유형의 신호 정보, 예를 들어, 명령들, 메시지 및 데이터를 나타내는 데이터 스트림들을 포함하는 전기적, 전자기적, 또는 광학적 신호들을 송신 및 수신한다. 본 발명의 실시형태에서, 데이터 인터페이스(333O)의 기능은 통신 인터페이스(314O)에 의해 수행될 수 있다.
예시적인 시스템에서, 컴퓨팅 시스템(300O)은 데스크탑 컴퓨터, 서버, 워크스테이션, 랩탑, 핸드헬드 컴퓨터, 스마트 워치, 또는 다른 디바이스, 시스템 또는 둘 모두와 통신이 가능하고 여기에 설명된 작업을 수행하기에 충분한 프로세서 파워 및/또는 메모리를 갖는 다른 형태의 컴퓨팅 또는 통신 디바이스와 같은 임의의 컴퓨터 디바이스 및/또는 시스템일 수 있다.
컴퓨팅 시스템(300O)은 MicrosoftTM WindowsTM 운영 체제, Linux 운영 체제(다양한 배포판 포함), Unix 운영 체제, MacOSTM 운영 체제 등의 버전과 같은 실질적으로 임의의 운영 체제를 실행할 수 있다. 컴퓨팅 시스템(300O)의 구현은 실시간 운영 체제, 임베디드 운영 체제, 독점 운영 체제, 오픈 소스 운영 체제, 모바일 컴퓨팅 장치용 운영 체제, 및/또는 컴퓨팅 시스템(300O) 상에서 실행할 수 있고 및/또는 여기에 설명된 동작을 수행할 수 있는 다른 유형의 운영 체제를 추가로 운영할 수 있다.
컴퓨팅 시스템(300O)은 적어도 하나의 실시형태에 따른 실행 가능한 논리 표현의 세트, 예를 들어 "소프트웨어"가 저장될 수 있는 메모리, 메모리에 저장된 소프트웨어를 실행하기 위한 프로세서(들), 및 시스템 하드웨어를 제어하기 위한 다른 프로그램들을 포함하거나, 일반적으로 그것들과 통신한다.
메모리는 무엇보다도 컴퓨터 시스템 메모리 또는 랜덤 액세스 메모리 (RAM), 예를 들어 동적 랜덤 액세스 메모리(DRAM), 정적 랜덤 액세스 메모리(SRAM), 확장된 데이터 출력 랜덤 액세스 메모리(EDO RAM), 자기저항 랜덤 액세스 메모리(MRAM) 등을 포함할 수 있다. 시스템의 사용자는 입력 장치, 예를 들어, 키보드, 포인팅 장치, 및/또는 그래픽 사용자 인터페이스(GUI)를 포함할 수 있는 컴퓨터 모니터와 같은 시각적 디스플레이 장치를 통해 컴퓨팅 시스템(300O)과 상호작용할 수 있다. GUI는 사용자가 컴퓨팅 시스템(300O)을 통해 여기에 설명된 시스템과 상호작용할 수 있게 한다. 사용자는 GUI를 사용하여 시스템에 지시하는 입력을 보낼 수 있으며, GUI는 결국 사용자 입력의 결과를 표시할 수 있다. 컴퓨팅 디바이스(300O)는 또한 아래에서 더 자세히 설명될, 이미지 및 영숫자 데이터를 모두 포함할 수 있는 분석 데이터, 즉 분석에서 생성된 데이터를 포함하는 저장 장치를 포함할 수 있다.
컴퓨팅 시스템(300O)은 운영 체제 및 기타 관련 소프트웨어를 저장하기 위한 그리고 여기에 설명된 디스플레이 환경 엔진을 저장하기 위한 하드 드라이브, 컴팩트 디스크 리드 온리 메모리 (CD-ROM), 또는 다른 컴퓨터 판독 가능 매체와 같은 저장 장치를 더 포함하거나, 일반적으로 그것과 전자 통신할 수 있다. 추가적으로, 컴퓨팅 시스템(300O)은 하나 이상의 네트워크 인터페이스 카드, 및 컴퓨팅 시스템(300O)의 처리 속도를 증가시키기 위한 하드웨어 가속기와 같은 다른 일반적으로 구현되는 서브컴포넌트를 더 포함할 수 있다.
일반적으로, 데이터 디스플레이 엔진의 예시적인 실시형태들 (예를 들어, 도 2a 를 참조) 은 사용자, 예를 들어 연구 생물학자가 본 명세서의 다른 곳에서 설명된 것을 포함하지만 이에 제한되지 않는 대규모 데이터세트(34)로부터 데이터를 필터링, 정렬 및 디스플레이하는 것을 가능하게 한다. 도 2a는 여기에 설명된 다양한 계산 태스크들이 구현될 수 있는 예시적인 컴퓨팅 시스템을 도시하는 도 2b 에 예시된 컴퓨팅 노드의 일부일 수 있는 예시적인 데이터 디스플레이 엔진(50)을 도시한다. 엔진(50)은 분석 데이터세트/데이터 공간(34)으로부터의 데이터를 하나 이상의 뷰들: 갤러리 뷰(52); 칩 타임라인 뷰(54); 필터 뷰(56); 원시 데이터 뷰(58); 및 생물정보학 파이프라인 뷰 (59) 에서 디스플레이한다. 데이터 디스플레이 엔진(50)의 이러한 모듈 중 하나 이상(예를 들어, 52, 54, 56, 58, 및/또는 59)은 데이터 또는 정보를 표시할 뿐만 아니라 단독으로 또는 하나 이상의 다른 모듈 (예를 들어, 도 1 의 하나 이상의 모듈) 과 함께 하나 이상의 분석을 수행한다.
도 3o 를 다시 참조하면, 데이터 디스플레이 엔진(50)은 사용자가 그들의 연구를 위한 하나 이상의 미세유체 디바이스 내의 최상의 챔버, 보다 구체적으로 최상의 생물학적 세포를 결정하고, 하나 이상의 특정 기준과 일치하는 챔버(또는 생물학적 세포)를 찾는 것을 가능하게 할 수 있다. 데이터 디스플레이 엔진(50)은 관심 챔버의 시각적 이력을 표시할 수 있고, GUI를 통해 분석이 해당 챔버 내의 마이크로-객체들에 대해 수행되기 전, 동안 및 후에 관심 있는 임의의 기간에 걸쳐 단일 챔버의 다수의 이미지들의 용이한 시각화를 가능하게 할 수 있다. 데이터 디스플레이 엔진(50)은 챔버 내에 포함된 마이크로-객체(또는 생물학적 세포)와 관련된 데이터를 포함하는, 챔버와 관련된 데이터에 기초하여 사용자가 챔버들을 랭킹하고 및/또는 정렬하고, 및/또는 챔버들을 필터링하는 것을 가능하게 할 수 있다. 데이터 디스플레이 엔진(50)은 사용자가 챔버 이미지를 어세이 분석 동안 생성된 영숫자 데이터와 일치시키고, 미세유체 디바이스(들)의 전체 이미지로부터의 단일 챔버 이미지, 다수의 시점들로부터의 이미지, 및/또는 일부 분석의 경우 중요할 수 있는 챔버 웰 외부 영역을 선택적으로 포함할 수 있는 챔버 이미지의 슬라이스 뿐아니라, 예를 들어 표준화된 포맷 (예를 들어, CSV 또는 "콤마로 구분된 값") 으로 데이터 베이스로부터의 챔버 데이터를 디스플레이하는 것을 가능하게 할 수 있다.
도 3a 내지 도 3c 는 예시적인 미세유체 디바이스를 도시한다. 달리 구체적으로 부인되거나 설명되지 않는 한, 도 3a 내지 도 3c 에 도시되고 이하에 설명되는 요소들의 일부 또는 전부는 이러한 요소가 임의의 실시형태와 관련된 범위에서 본 명세서에 설명된 임의의 실시형태에 완전하고 동일한 효과로 적용된다.
각각의 참조 식별자 또는 ID (예를 들어, 도 4d 의 404D) 는 미세 유체 디바이스에 대응하고, 칩 타임라인은 시간이 지남에 따라 미세 유체 디바이스에서 수행되는 작업을 묘사한다. 미세유체 디바이스의 관심 영역은 칩 타임라인의 시간 경과에 따라 평가(예를 들어, 정량화, 모니터링 등)되는 특징들에 기초하여, 미세유체 디바이스의 구조 기반 또는 타겟 기반 특징들에 기초하여 결정된다. 미세 유체 디바이스로부터 도출된 이미지들은 미세유체 디바이스 내의 관심 영역에 대한 이미지 시퀀스들을 컴파일하는 데 사용될 수 있다. 또한 칩 타임라인 뷰는 시간이 지남에 따라 미세 유체 디바이스에서 수행되는 하나 이상의 단계 또는 작업을 나타내도록 구성된다. 미세유체 회로(120A)는 미세유체 채널(122A) 및 챔버(124A, 126A, 128A, 130A)를 포함하는 것으로 예시되어 있다.
일부 실시형태들에서, 각각의 챔버는 채널 (122A) 에 대한 개구를 포함하지만, 다르게는 챔버들이 채널 (122A) 의 흐름 경로 (106A) 내 또는 다른 챔버들 내에 마이크로-객체들을 및/또는 유체 매질 (180) 로부터 챔버 안에 마이크로-객체들을 실질적으로 고립시킬 수 있도록 인클로징된다. 챔버의 벽들은 베이스의 내부 표면 (109) 로부터 커버 (110A) 의 내측 표면까지 연장되어 인클로저를 제공한다. 미세유체 채널 (122A) 로의 챔버의 개구부는 유동 (106A) 이 챔버들로 지향되지 않도록, 유체 매질 (180) 의 유동 (106A) 에 대한 각도로 배향된다. 그 흐름은 챔버의 개구부의 평면에 접하거나 또는 직교할 수도 있다. 일부 경우들에서, 챔버들 (124A, 126A, 128A, 130A) 은 미세유체 회로 (120A) 내에 하나 이상의 마이크로-객체들을 물리적으로 몰아넣도록 구성된다. 본 개시에 따른 챔버들은, 이하에서 상세히 논의 및 도시되는 바와 같이, DEP (dielectrophoresis), OET (optoelectronic tweezers), OEW (optoelectric wetting), 유체 흐름, 및/또는 중력들과의 사용을 위해 최적화되는 다양한 형상들, 표면들 및 피처들을 포함할 수 있다.
칩 타임라인 뷰는 다양한 시점에서 또는 칩 타임라인 시간 경과 전체에 걸쳐 촬영된 이미지와 함께 미세유체 회로(120A)에서 수행된 작업을 기록하고 묘사할 수 있다. 각각의 미세유체 회로는 칩 타임라인 전체에 걸쳐 다양한 시점에서 촬영된 이미지에서 구별할 수 있는 특징 또는 특성을 가진 임의의 수의 미세유체 챔버를 포함할 수 있다. 도 3a 에는 5개의 챔버가 도시되어 있지만. 미세유체 회로(120A)는 더 적거나 더 많은 챔버를 가질 수 있다. 도시된 바와 같이, 미세유체 회로 (120A) 의 미세유체 챔버들 (124A, 126A, 128A, 및 130A) 은 각각 생물학적 세포들 및 비드들과 같은 다른 마이크로-객체들을 포함하는 마이크로-객체들을 유지, 고립, 분석 또는 배양하는데 있어서 유용한 하나 이상의 이익들을 제공할 수도 있는 상이한 특징들 및 형상들을 포함한다. 일부 실시형태들에서, 미세유체 회로 (120A) 는 복수의 동일한 미세유체 챔버들을 포함한다.
도 3a 에 예시된 실시형태에서, 미세유체 디바이스의 구조 기반 특성은 도시된 바와 같이 단일 채널(122A) 및 흐름 경로(106A)를 포함한다. 그러나, 다른 실시형태는 각각 흐름 경로(106A)의 구조 기반 특성을 포함하도록 구성된 다수의 채널(122A)의 구조 기반 특성을 포함할 수 있다. 미세유체 회로(120A)는 유동 경로(106A) 및 유체 매체(180)와 유체 소통하는 입구 밸브 또는 포트(107)의 구조 기반 특성을 추가로 포함하고, 이에 의해 유체 매체(180)는 입구 포트(107)를 통해 채널(122A)에 접근할 수 있고 시간이 지남에 따라 미세유체 디바이스에서 촬영된 이미지의 특징 또는 특성으로서 측정 가능하거나 모니터링 가능할 수 있다. 일부 인스턴스들에서, 흐름 경로 (106A) 는 단일 경로를 포함한다. 일부 인스턴스들에서, 그 단일 경로는 예를 들어 지그재그 패턴으로 배열되고, 그것에 의하여 흐름 경로 (106A) 는 교번하는 방향들로 2 회 이상 미세유체 디바이스 (100A) 를 가로질러 이동한다.
일부 인스턴스들에서, 미세유체 회로 (120A) 는 복수의 평행 채널들 (122A) 및 흐름 경로들 (106A) 을 포함하는 구조 기반 특성을 포함하며, 각각의 흐름 경로 (106A) 내의 유체 매질 (180) 은 동일한 방향으로 흐른다. 일부 인스턴스들에서, 각각의 흐름 경로 (106A) 내의 유체 매질은 순방향 또는 역방향 중 적어도 하나의 방향으로 흐르며, 그 방향은 미세유체 디바이스의 촬영된 이미지들에서 측정가능하다. 일부 예에서, 복수의 챔버들은 그 챔버들이 평행로 타겟 마이크로-객체들로 로딩될 수 있도록 (예를 들어, 채널 122A에 대해) 구성되며, 이러한 로딩은 칩 타임라인의 시간 경과에 걸쳐 그리고 대응하는 이미지 시퀀스에서 모니터링되는 특징으로서 측정가능하다.
일부 실시형태에서, 미세유체 회로(120A)는 하나 이상의 마이크로-객체 트랩(132A)을 추가로 포함하고, 마이크로-객체 트랩은 미세유체 디바이스의 측정 가능한 특징 또는 특성을 포함한다. 트랩들 (132A) 은 일반적으로, 채널 (122A) 의 경계를 형성하는 벽에 형성될 수 있고, 미세유체 챔버들 (124A, 126A, 128A, 130A) 중 하나 이상의 개구 반대편에 위치될 수도 있다. 일부 실시형태에서, 트랩(132A)은 흐름 경로(106A)로부터 단일 마이크로-객체를 수용하거나 캡처하도록 구성되며, 이러한 작업은 칩 타임라인에 표시되는 작업의 일부로서 기록되고 칩 타임라인에서 수행되는 작업에 대해 획득된 대응하는 이미지 시퀀스에서 기록된다. 일부 실시형태에서, 트랩(132A)은 흐름 경로(106A)로부터 복수의 마이크로-객체를 수용하거나 캡처하도록 구성되며, 이러한 작업은 칩 타임라인에 표시되는 작업의 일부로 기록되고 칩 타임라인에서 수행된 작업에 대해 획득된 대응하는 이미지 시퀀스에서 기록된다.
일부 인스턴스들에서, 트랩들 (132A) 은 단일 타겟 마이크로-객체의 볼륨과 대략 동일한 볼륨을 포함한다. 트랩(132A)은 트랩(132A) 내로 타겟된 마이크로-객체들의 흐름을 돕도록 구성되는 개구를 더 포함할 수 있으며, 타겟된 마이크로-객체들의 그러한 흐름은 칩 타임라인에 표시되는 작업의 일부로서 기록되고 칩 타임라인에서 수행되는 작업에 대해 획득된 대응하는 이미지 시퀀스에서 기록된다. 일부 예에서, 트랩(132A)은 단일 타겟 마이크로-객체의 치수와 대략 동일한 높이 및 폭을 갖는 개구를 포함하고, 이에 의해 더 큰 마이크로-객체가 마이크로-객체 트랩으로 들어가는 것이 방지되고, 그 개구는 미세유체 디바이스의 구조 기반 특징으로서 동작하고 크기에 기반한 마이크로-객체의 선택적 필터링의 작업은 칩 타임라인에 표시된 작업의 일부로서 표시되고 칩 타임라인에서 수행된 작업에 대해 얻은 대응하는 이미지 시퀀스에서 기록된다.
트랩들 (132A) 은 트랩 (132A) 내에 타겟팅된 마이크로-객체들의 유지를 돕도록 구성된 다른 피처들을 더 포함할 수도 있다. 일부 예에서, 트랩(132A)은 미세유체 챔버의 개구에 대해 채널(122A)의 반대쪽에 정렬되고 위치되어, 미세 유체 채널(122A) 에 평행한 축을 중심으로 미세유체 디바이스(100)를 틸팅 디바이스(190)를 통해 기울일 때, 트래핑된 마이크로-객체는 마이크로-객체가 챔버의 개구부로 떨어지게 하는 궤적으로 트랩(132A)을 빠져 나가며, 이러한 작업은 칩 타임라인에 표시된 작업의 일부로서 표시되고 칩 타임라인에서 수행된 작업에 대해 획득된 대응하는 이미지 시퀀스에서 기록된다. 일부 예에서, 트랩(132A)은 트랩(132A)을 통한 흐름을 용이하게 하여 트랩(132A)에서 마이크로-객체를 포획할 가능성을 증가시키기 위해 타겟 마이크로-객체보다 작은 측면 통로(134A)를 포함하며, 이러한 작업은 칩 타임라인에 표시된 작업의 일부로서 표시되고 칩 타임라인에서 수행된 작업에 대해 얻은 대응하는 이미지 시퀀스에서 기록된다.
일부 실시형태에서, 칩 타임라인 동안 촬영된 이미지는 그안에 위치된 마이크로-객체들을 조작, 운송, 분리 및 정렬하기 위해 하나 이상의 전극(미도시)을 통해 (예를 들어, 흐름 경로에서 및/또는 챔버에서) 유체 매질(180)을 가로질러 가해지는 유전영동(DEP) 힘을 나타내거나 제시할 수 있으며, 그러한 작업들은 칩 타임라인에서 한 단계 또는 일련의 단계로 기록된다. 예를 들어, 일부 실시형태들에서, 단일 마이크로-객체를 흐름 경로 (106A) 로부터 원하는 미세유체 챔버 안으로 이송하기 위하여 미세유체 회로 (120A) 의 하나 이상의 부분들에 DEP 힘들이 인가될 수 있다. 일부 실시형태들에서, DEP 힘들은 챔버 (예를 들어, 챔버 (124A, 126A, 128A, 또는 130A)) 내의 마이크로-객체가 챔버로부터 변위되는 것을 방지하는데 사용될 수 있다. 또한, 일부 실시형태들에서, DEP 힘들은 본 개시의 실시형태들에 따라 이전에 수집되었던 마이크로-객체를 챔버로부터 선택적으로 제거하는데 사용될 수 있다. 일부 실시형태들에서, DEP 힘들은 광전 트위저 (OET) 힘들을 포함한다.
DEP 구성을 포함하는 미세유체 디바이스 (200) 의 하나의 예가 도 3b 및 도 3c 에 예시된다. 간단성의 목적으로, 도 3b 및 도 3c 는 영역/챔버 (202) 를 갖는 미세유체 디바이스 (200) 의 인클로저 (102A) 의 부분의, 각각, 측단면도 및 평면 단면도를 도시하지만, 그 영역/챔버 (202) 는 성장 챔버, 챔버, 흐름 영역, 또는 흐름 채널과 같은 더 상세한 구조를 갖는 유체 회로 엘리먼트의 부분일 수도 있다는 것이 이해되어야 한다. 또한, 미세유체 디바이스(200)는 다른 유체 회로 요소를 포함할 수 있으며, 그러한 요소는 구조 기반 특징을 나타낸다. 예를 들어, 미세유체 디바이스 (200) 는, 미세유체 디바이스 (100A) 에 대하여 본원에 설명된 바와 같은, 복수의 성장 챔버들 또는 챔버들 및/또는 하나 이상의 흐름 영역들 또는 흐름 채널들을 포함할 수 있다.
DEP 구성은 미세유체 디바이스 (200) 의 임의의 이러한 유체 회로 엘리먼트들 안에 통합되거나, 또는 그 부분들을 선택할 수도 있다. 위 또는 아래에 설명된 미세유체 디바이스 컴포넌트들 및 시스템 컴포넌트들 중 임의의 것은 미세유체 디바이스 (200) 에 통합되고 및/또는 그와 결합하여 사용될 수도 있다는 것이 추가로 인식되어야 한다. 예를 들어, 상기 설명된 제어 및 모니터링 장비 (152A) 를 포함하는 시스템 (150A) 은, 매질 모듈 (160) (매질 소스 (178) 를 포함), 동기 모듈 (162), 이미징 모듈 (164), 틸팅 모듈 (166), 및 다른 모듈들 (168) 중 하나 이상을 포함하는 미세유체 디바이스 (200) 와 함께 사용될 수도 있다. 제어 및 모니터링 장비(152A)는 제어 모듈(156) 및 디지털 메모리(158)를 또한 포함할 수 있는 마스터 제어기(154)를 포함할 수 있다. 모니터링 장비 (152A) 는 디스플레이 디바이스 (170) 및 입력/출력 디바이스 (172) 를 더 포함할 수 있다.
도 3b 에서 알 수 있는 바와 같이, 미세유체 디바이스 (200) 는 하단 전극 (204) 및 하단 전극 (204) 위에 있는 전극 활성화 기판 (206) 을 갖는 지지 구조 (104A), 및 하단 전극 (204) 으로부터 이격된 상단 전극 (210) 을 갖는 커버 (110A) 를 포함한다. 이러한 전극의 모양은 미세유체 디바이스에 대해 촬영된 이미지 시퀀스에 기록될 수 있으며 이러한 전극의 하나 이상의 특성은 구조 기반 관심 영역의 결정에 활용될 수 있다. 이러한 예에서의 상단 전극 (210) 및 전극 활성화 기판 (206) 은 영역/챔버 (202) 의 대향 표면들을 정의한다. 영역/챔버 (202) 에 포함된 매질 (180) 은 따라서 상단 전극 (210) 과 전극 활성화 기판 (206) 사이에 저항성 연결을 제공한다. 하단 전극 (204) 및 상단 전극 (210) 에 연결되고 영역/챔버 (202) 에서 DEP 힘들의 생성에 필요한 바와 같은 전극들 사이의 바이어싱 전압을 생성하도록 구성된 전원 (212) 이 또한 도시된다. 전원 (212) 은, 예를 들어, 교류 (AC) 전원일 수 있다.
특정 실시형태들에서, 도 3b 내지 도 3c 에 도시된 미세유체 디바이스(200)는 광학적으로 작동되는 DEP 구성을 가질 수 있으며, 광학적으로 작동되는 DEP 구성은 칩 타임라인 뷰에서 및 칩 타임라인의 시간 경과 동안 촬영된 이미지들 (예를 들어, 하나 이상의 관심 영역에 대해 촬영된 이미지 시퀀스들) 에서 표시되는 특징들 또는 특성들을 생성한다. 추가적으로, 마이크로-객체를 로딩 또는 언로딩하기 위한 DEP의 활성화는 칩 타임라인에서의 동작들, 예를 들어 칩 타임라인에서의 블록들 중 표현(1304B)로 예시된 동작들에서 표현될 수 있다. 이에 따라, 동기 모듈 (162) 에 의해 제어될 수도 있는 광원 (216) 으로부터의 광 (218) 의 패턴들을 변경하는 것은 전극 활성화 기판 (206) 의 내부 표면 (208) 의 영역들 (214) 에서 DEP 전극들의 패턴들을 변경하는 것을 선택적으로 활성화 및 비활성화할 수 있다 (이하에서, DEP 구성을 갖는 미세유체 디바이스의 영역들 (214) 은 "DEP 전극 영역들" 로 지칭된다).
도 3b 에 예시된 바와 같이, 전극 활성화 기판 (206) 의 내측 면 (208) 위로 지향된 광 패턴 (218) 은 정사각형과 같은 패턴으로 DEP 전극 영역들 (214a)(화이트로 도시됨) 을 선택적으로 조명할 수 있다. 조명은 기본 이미지들을 포함하는 이미지들 또는 이미지 시퀀스들, 및 관심 영역들의 이미지 시퀀스들 또는 이미지들에서 캡처될 수 있다. 비-조명된 DEP 전극 영역들 (214) (크로스-해칭됨) 은 "어두운" DEP 전극 영역들 (214) 로 이하에 지칭된다. DEP 전극 활성화 기판 (206) 을 통한 (예를 들어, 하단 전극 (204) 으로부터 흐름 경로 또는 영역 (106A) 에서 매질 (180) 과 인터페이스하는 전극 활성화 기판 (206) 의 내부 표면 (208) 까지의) 상대적인 전기적 임피던스는 각각의 어두운 DEP 전극 영역 (214) 에서 영역/챔버 (202) 내의 매질 (180) 을 통한 (예를 들어, 전극 활성화 기판 (206) 의 내부 표면 (208) 으로부터 커버 (110A) 의 상단 전극 (210) 까지의) 상대적인 전기적 임피던스보다 더 크다. 그러나, 조명된 DEP 전극 영역 (214a) 은, 각각의 조명된 DEP 전극 영역 (214a) 에서 영역/챔버 (202) 내의 매질 (180) 을 통한 상대적인 임피던스보다 더 작은 전극 활성화 기판 (206) 을 통한 감소된 상대적인 임피던스를 보인다.
전원 (212) 이 활성화됨에 따라, 전술한 DEP 구성은 조명된 DEP 전극 영역들 (214a) 과 인접한 어두운 DEP 전극 영역들 (214) 사이의 유체 매질 (180) 에서 전계 기울기를 생성하고, 이는 차례로 유체 매질 (180) 에서 인근의 마이크로-객체들 (미도시) 을 끌어당기거나 또는 밀어내는 로컬 DEP 힘들을 생성한다. 이와 같이 미세유체 디바이스에 대해 촬영된 이미지에 기록된 조명은 주어진 시점에서 미세유체 디바이스 내의 영역들의 전기적 상태에 대한 정보를 제공한다. 유체 매질 (180) 에서 마이크로-객체들을 끌어당기거나 또는 밀어내는 DEP 전극들은 따라서, 광원 (216) 으로부터 미세유체 디바이스 (200) 에 프로젝팅된 광 패턴들 (218) 을 변경함으로써 영역/챔버 (202) 의 내부 표면 (208) 에서의 많은 상이한 이러한 DEP 전극 영역들 (214) 에서 선택적으로 활성화 및 비활성화될 수 있다. 이 활성화 및 비활성화는 마이크로-객체를 이동시킬 수 있고 따라서 칩 타임라인에 설명된 작업의 일부로 분류될 수 있다(예를 들어, 셀들의 로딩 또는 언로딩). DEP 힘들이 인근의 마이크로-객체들을 끌어당기는지 또는 밀어내는지는, 매질 (180) 및/또는 마이크로-객체들 (미도시) 의 유전 속성들 및 전원 (212) 의 주파수와 같은 이러한 파라미터들에 의존할 수 있다.
도 3c 에 예시된 조명된 DEP 전극 영역들 (214a) 의 정사각형 패턴 (220) 은 단지 일 예이다. DEP 전극 영역들 (214) 의 임의의 패턴이 미세유체 디바이스 (200) 로 프로젝팅된 광의 패턴 (218) 에 의해 조명 (및 이에 의해 활성화) 될 수 있고, 조명된/활성화된 DEP 전극 영역들 (214) 의 패턴은 광 패턴 (218) 을 변경 또는 이동시킴으로써 반복적으로 변경될 수 있다. 정사각형 패턴, 또는 기타 패턴, 모양 또는 기타 시각적으로 구별 가능한 특징 또는 특성은 관심 영역을 결정, 식별 또는 설정하기 위해 사용될 수 있다. 추가적으로, 또는 대안적으로, 조명된 DEP 전극 영역의 개별 또는 조합에 의해 형성된 형상을 포함하지만 이에 제한되지 않는 형상은 구별 가능한 특징 또는 특성일 수 있다. 이미지 또는 이미지들에서 DEP 기록을 활성화하는 데 사용되는 조명 패턴은 또한 칩 타임라인에 도시된 작업(예를 들어, 도 4b 의 404B)에 대응하고, 관심 영역에 대해 도출된 이미지 시퀀스는 칩 타임라인의 관련 블록에 대응하는 지정자를 갖는 열 아래 갤러리 뷰에서 제시될 수 있다.
도 3d 내지 도 3j 는 관심 영역을 특성화하는 데 사용할 수 있는 미세유체 디바이스의 예시적인 구조적 특징들을 보여준다. 일반적인 챔버들 (224, 226, 및 228) 의 비-제한 예들이 도 3d 내지 도 3f 에 도시된 미세유체 디바이스 (230) 내에 도시된다. 각각의 챔버 (224, 226, 및 228) 는 고립 영역 (240) 및 고립 영역 (240) 을 미세유체 채널 (122A) 에 유체적으로 접속시키는 접속 영역 (236) 을 정의하는 고립 구조 (232) 를 포함할 수 있다. 접속 영역 (236) 은 미세유체 채널 (122A) 로의 근위 개구부 (234) 및 격리 영역 (240) 으로의 원위 개구부 (238) 를 포함할 수 있다. 접속 영역 (236) 은 미세유체 채널 (122A) 로부터 챔버 (224, 226, 228) 안으로 흐르는 유체 배지 (미도시) 의 흐름의 최대 침투 깊이가 고립 영역 (240) 안으로 확장하지 않도록 구성될 수 있다. 따라서, 접속 영역 (236) 으로 인해, 챔버 (224, 226, 228) 의 고립 영역 (240) 에 배치된 마이크로-객체 (미도시) 또는 다른 재료 (미도시) 는 미세유체 채널 (122A) 에서의 배지 (180) 의 흐름으로부터 고립될 수 있고, 실질적으로 이에 의해 영향을 받지 않는다.
미세유체 디바이스는 예를 들어, 관심 영역을 결정하는 데 유용한 특징 및/또는 정량화되거나 달리 특성화될 수 있는 관심 영역에서 발생하거나 이에 속하는 특징을 포함할 수 있는 격리 챔버 및 기판(예를 들어, 전극 활성화 기판)을 포함할 수 있다. 도 3d 내지 도 3f 의 격리 챔버들 (224, 226, 228) 은 각각 미세유체 채널(122A)에 대해 직접적으로 개방되는 단일 개구부를 가지고 있다. 격리 챔버의 개구는 미세유체 채널 (122A) 로부터 측면방향으로 개방된다. 전극 활성화 기판 (206) 은 미세유체 채널 (122A) 및 챔버들 (224, 226, 및 228) 양자의 아래에 놓인다. 챔버의 바닥을 형성하는, 챔버의 인클로저 내의 전극 활성화 기판 (206) 의 상부 표면은 미세유체 디바이스의 흐름 채널 (또는 각각, 흐름 영역) 의 바닥을 형성하는, 미세유체 채널 (122A) (또는 채널이 존재하지 않는 경우 흐름 영역) 내의 전극 활성화 기판 (206) 의 상부 표면의 동일한 레벨 또는 실질적으로 동일한 레벨에 배치된다. 전극 활성화 기판 (206) 은 특징부가 없을 수도 있거나, 약 3 미크론, 2.5 미크론, 2 미크론, 1.5 미크론, 1 미크론, 0.9 미크론, 0.5 미크론, 0.4 미크론, 0.2 미크론, 0.1 미크론, 또는 그 미만의 것보다 더 작은 것만큼 그 최고 융기 (elevation) 로부터 그 최저 침하 (depression) 까지 변동되는 불규칙적인 또는 패턴화된 표면을 가질 수도 있다. 이러한 특징들은 구조 기반 관심 영역을 식별하는 데 사용될 수 있다. 미세유체 채널 (122A) (또는 유동 영역) 과 챔버들 양자 모두에 걸친 기판의 상부 표면에서의 상승부의 변동은 챔버의 벽들 또는 미세유체 디바이스의 벽들의 높이의 약 3%, 2%, 1%, 0.9%, 0.8%, 0.5%, 0.3% 또는 0.1% 미만일 수도 있다. 이러한 상승부의 변화는 관심 영역을 결정하기 위한 지표(특징/특성)로 사용될 수 있다.
이미지(기본 이미지, 이미지 시퀀스, 단일 이미지 등)가 유도될 수 있는 예시적인 미세유체 디바이스는 하나 이상의 미세유체 회로 또는 미세유체 회로 내의 컴포넌트들 또는 영역들을 포함할 수 있다. 일부 실시형태에서, 미세유체 회로의 구조 기반 관심 영역은 흐름 영역에 근접한 영역, 직접 흐름이 방지되는 영역, 및/또는 단일 개구에 의해 흐름으로부터 분리된 영역을 포함할 수 있다. 추가 실시형태에서, 미세유체 회로는 챔버(예를 들어, 격리 펜, 펜, 트랩 등)를 포함하는 별개의 구조적 특징을 포함할 수 있으며, 여기서 마이크로-객체는 직접 흐름으로부터 격리될 수 있다.
여기에 개시된 예시의 미세유체 디바이스에서, 미세유체 채널 (122A) 은 스윕된 영역의 일 예일 수 있고, 챔버들 (224, 226, 228) 의 고립 영역들 (240) 은 스윕되지 않은 영역들의 예들일 수 있다. 주목된 바와 같이, 미세유체 채널 (122A) 및 챔버들 (224, 226, 228) 은 하나 이상의 유체 배지 (180) 를 포함하도록 구성될 수 있다. 도 3d 내지 도 3e 에 나타낸 예에서, 포트들 (222) 은 미세유체 채널 (122A) 에 접속되고, 유체 매질 (180) 이 미세유체 디바이스 (230) 로 도입되거나 미세유체 디바이스 (230) 로부터 제거되는 것을 허용한다. 유체 배지 (180) 의 도입 전에, 미세유체 디바이스는 이산화탄소 기체와 같은 기체로 프라이밍될 수도 있다. 일단 미세유체 디바이스 (230) 가 유체 매질 (180) 을 함유하면, 미세유체 채널 (122A) 에서의 유체 매질 (180) 의 유동 (242) 은 선택적으로 생성될 수 있고 정지될 수 있다. 예를 들어, 도시된 바와 같이 포트들 (222) 은 미세유체 채널 (122A) 의 상이한 로케이션들 (예를 들어, 반대편 단부들) 에 배치될 수 있고, 배지의 흐름 (242) 은 인렛로서 기능하는 하나의 포트 (222) 로부터 아웃렛으로서 기능하는 다른 포트 (222) 로 생성될 수 있다.
도 3f 는 구조 기반 관심 영역, 이 경우 본 개시에 따른 격리 챔버 (224) 의 일 예의 상세 뷰를 예시한다. 또한, 마이크로-객체들 (246) 의 예들이 도시된다. 챔버(224)의 구조적 양태들은 미세유체 디바이스로부터 유도된 기본 이미지에서 관심 영역을 결정하는 데 사용될 수 있다. 관심 영역은 타겟 기반 또는 구조 기반 특징을 포함하여 미세유체 디바이스의 촬영된 임의의 이미지에 기록된 특징을 기반으로 결정될 수 있다.
관심 영역은 칩 타임라인 뷰에 도시된 특정 작업과 연관될 수 있다. 이러한 작업은 미세유체 디바이스 내의 흐름을 중지, 시작, 증가 또는 감소시키는 것을 포함할 수 있다. 여기에 개시된 예시의 미세유체 디바이스들에서, 격리 챔버 (224) 의 근위 개구 (234) 를 지나 미세유체 채널 (122A) 에서 유체 배지 (180) 의 흐름 (242) 은 격리 챔버 (224) 의 안 및/또는 밖으로의 배지 (180) 의 2차 흐름 (244) 을 야기할 수 있다. 이미지 또는 이미지들 (예를 들어, 기본 이미지 또는 기본 이미지들)는 미세유체 디바이스에 대해 촬영되고 나중에 관심 영역들의 라이브러리로 분할될 수 있으며, 관심 영역은 마이크로-객체가 2차 흐름에서 격리되는 영역들을 기반으로 결정된다. 챔버 (224) 의 고립 영역 (240) 에서 마이크로-객체들 (246) 을 2차 흐름 (244) 으로부터 고립시키기 위해, (예를 들어, 근위 개구 (234) 로부터 원위 개구 (238) 로의) 챔버 (224) 의 접속 영역 (236) 의 길이 (Lcon) 는 2차 흐름 (244) 의 접속 영역 (236) 안으로의 침투 깊이 (Dp) 보다 커야 한다. 이러한 특성은 관심 영역이 할당될 수 있는 개별 매개변수 및 국부화된 영역을 제공한다. 이차적인 유동 (244) 의 침투 깊이 Dp 는 미세유체 채널 (122A) 에서 유동하는 유체 매질 (180) 의 속도 (velocity) 와, 미세유체 채널 (122A) 및 미세유체 채널 (122A) 로의 접속 영역 (236) 의 근위 개구부 (234) 의 구성에 관련되는 다양한 파라미터들에 종속된다. 따라서 기본 이미지가 선택되거나 기본 이미지 내의 관심 영역이 작업(예를 들어, 흐름의 존재/부재 등)에 따라 결정될 수 있으며, 그 작업은 칩 타임라인에서주어진 미세 유체 디바이스에 대해 표시된다.
주어진 예시의 미세유체 디바이스에 대해, 미세유체 채널 (122A) 및 개구 (234) 의 구성들은 고정될 것이지만 반면에, 미세유체 채널 (122A) 에서 유체 매질 (180) 의 흐름 (242) 의 속도는 가변적일 것이다. 따라서, 각각의 챔버 (224) 에 대해, 채널 (122A) 에서 유체 배지 (180) 의 흐름 (242) 에 대한 최대 속도 (Vmax) 는, 2차 흐름 (244) 의 침투 깊이 (Dp) 가 접속 영역 (236) 의 길이 (Lcon) 를 초과하지 않는 것을 보장하도록 식별될 수 있다. 미세유체 채널 (122A) 에서의 유체 매질 (180) 의 유동 (242) 의 레이트가 최대 속도 Vmax 를 초과하지 않는 한, 결과적인 이차적인 유동 (244) 은 미세유체 채널 (122A) 및 접속 영역 (236) 으로 제한될 수 있고, 격리 영역 (240) 의 외부에서 유지될 수 있다. 미세유체 채널 (122A) 에서 매질 (180) 의 흐름 (242) 은 따라서, 마이크로-객체들 (246) 을 격리 영역 (240) 밖으로 인출하지 않을 것이다. 차라리, 고립 영역 (240) 에 위치된 마이크로-객체들 (246) 은 미세유체 채널 (122A) 에서 유체 매질 (180) 의 흐름 (242) 에 관계없이 고립 영역 (240) 에 머무를 것이다. 이러한 마이크로-객체에 대한 이러한 흐름의 효과는 타임라인 뷰의 블록(1304D)에 직접 또는 간접적으로 기록된다. 따라서, 사용자는 선택된 조건들에서 관심 영역의 특징/특성에 기초하여 갤러리 뷰에서 그들이 표시하거나 정렬하고자 하는 관심 영역과 관련된 2차 흐름 또는 유속의 특성에 대응하는 이미지(예를 들어, 기본 이미지, 이미지 시퀀스, 개별 이미지 등)를 자동 또는 수동으로 선택할 수 있다.
또한, 미세유체 채널 (122A) 에서의 매질 (180) 의 유동 (242) 의 레이트가 Vmax 를 초과하지 않는 한, 미세유체 채널 (122A) 에서의 유체 매질 (180) 의 유동 (242) 은 미세유체 채널 (122A) 로부터 챔버 (224) 의 격리 영역 (240) 으로 잡다한 입자들 (예컨대, 미세입자들 및/또는 나노입자들) 을 이동시키지 않을 것이다. 접속 영역 (236) 의 길이 (Lcon) 가 2차 흐름 (244) 의 최대 침투 깊이 (Dp) 보다 더 큰 것은 따라서, 미세유체 채널 (122A) 또는 다른 챔버 (예를 들어, 도 3g 에서 챔버들 (226, 228)) 로부터의 잡다한 입자들로 하나의 챔버 (224) 의 오염을 방지할 수 있다.
챔버들 (224, 226, 228) 의 접속 영역들 (236) 및 미세유체 채널 (122A) 이 미세유체 채널 (122A) 에서의 배지 (180) 의 흐름 (242) 에 의해 영향을 받을 수 있기 때문에, 미세유체 채널 (122A) 및 접속 영역들 (236) 은 미세유체 디바이스 (230) 의 스윕 (또는 흐름) 영역들로 간주될 수 있다. 한편, 챔버들 (224, 226, 228) 의 고립 영역들 (240) 은, 스윕되지 않은 (또는 비-흐름) 영역들로 간주될 수 있다. 예를 들어, 미세유체 채널 (122A) 에서의 제 1 유체 매질 (180) 에서의 컴포넌트들 (도시되지 않음) 은 미세유체 채널 (122A) 로부터 접속 영역 (236) 을 통해 그리고 격리 영역 (240) 에서의 제 2 유체 매질 (248) 로의 제 1 매질 (180) 의 컴포넌트들의 확산에 의해 실질적으로, 격리 영역 (240) 에서의 제 2 유체 매질 (248) 과 혼합할 수 있다. 유사하게, 격리 영역 (240) 에서의 제 2 매질 (248) 의 컴포넌트들 (도시되지 않음) 은 격리 영역 (240) 으로부터 접속 영역 (236) 을 통해 그리고 미세유체 채널 (122A) 에서의 제 1 매질 (180) 로의 제 2 매질 (248) 의 컴포넌트들의 확산에 의해 실질적으로, 미세유체 채널 (122A) 에서의 제 1 매질 (180) 과 혼합할 수 있다. 일부 실시형태들에서, 확산에 의한 챔버의 고립 영역과 흐름 영역 사이의 유체 배지 교환의 정도는 유체 교환의 약 90%, 91%, 92%, 93%, 94%, 95%, 96%, 97%, 98% 보다 더 크거나 약 99% 보다 더 크다. 제 1 매질 (180) 은 제 2 매질 (248) 과 동일한 매질이거나 또는 상이한 매질일 수 있다. 또한, 제 1 배지 (180) 및 제 2 배지 (248) 는 동일하게 시작하고, 그 후 (예를 들어, 고립 영역 (240) 에서 하나 이상의 세포들에 의해 제 2 배지 (248) 의 컨디셔닝을 통해, 또는 미세유체 채널 (122A) 을 통해 흐르는 배지 (180) 를 변경함으로써) 상이하게 될 수 있다.
미세유체 채널 (122A) 에서의 유체 매질 (180) 의 유동 (242) 에 의해 야기된 이차적인 유동 (244) 의 최대 침투 깊이 Dp 는 위에서 언급된 바와 같이, 다수의 파라미터들에 종속될 수 있다. 이러한 파라미터들의 예들은: 미세유체 채널 (122A) 의 형상 (예를 들어, 미세유체 채널은 접속 영역 (236) 안으로 매질을 지향시키고, 접속 영역 (236) 으로부터 멀리 매질을 전환시키고, 또는 접속 영역 (236) 의 근위 개구 (234) 에 실질적으로 수직한 방향에서 매질을 미세유체 채널 (122A) 로 지향시킬 수 있음); 근위 개구 (234) 에서 미세유체 채널 (122A) 의 폭 (Wch)(또는 단면적); 및 근위 개구 (234) 에서 접속 영역 (236) 의 폭 (Wcon)(또는 단면적); 미세유체 채널 (122A) 에서 유체 매질 (180) 의 흐름 (242) 의 속도 (V); 제 1 매질 (180) 및/또는 제 2 매질 (248) 의 속도 등을 포함한다.
일부 실시형태들에서, 미세유체 채널 (122A) 및 챔버들 (224, 226, 228) 의 치수들은 미세유체 채널 (122A) 에서 유체 매질 (180) 의 흐름 (242) 의 벡터에 대하여 다음과 같이 배향될 수 있다: 미세유체 채널 폭 (Wch)(또는 미세유체 채널 (122A) 의 단면적) 은 매질 (180) 의 흐름 (242) 에 실질적으로 수직할 수 있다; 개구 (234) 에서 접속 영역 (236) 의 폭 (Wcon)(또는 단면적) 은 미세유체 채널 (122A) 에서의 매질 (180) 의 흐름 (242) 에 실질적으로 평행할 수 있다; 및/또는 접속 영역의 길이 (Lcon) 는 미세유체 채널 (122A) 에서 매질 (180) 의 흐름 (242) 에 실질적으로 수직할 수 있다. 상기는 예들이며, 미세유체 채널 (122A) 및 챔버들 (224, 226, 228) 의 상대적 포지션은 서로에 대하여 다른 배향들에 있을 수 있다.
도 3f 에 예시된 바와 같이, 접속 영역 (236) 의 폭 (Wcon) 은 근위 개구 (234) 로부터 원위 개구 (238) 까지 균일할 수 있다. 따라서, 원위 개구 (238) 에서 접속 영역 (236) 의 폭 (Wcon) 은 근위 개구 (234) 에서 접속 영역 (236) 의 폭 (Wcon) 에 대해 본원에 식별된 값들 중 어느 하나일 수 있다. 대안으로, 원위 개구 (238) 에서 접속 영역 (236) 의 폭 (Wcon) 은 근위 개구 (234) 에서 접속 영역 (236) 의 폭 (Wcon) 보다 더 클 수 있다.
도 3f 에 예시된 바와 같이, 원위 개구부(238)에서의 고립 영역(240)의 폭은 근위 개구부(234)에서 접속 영역(236)의 폭(Wcon)과 실질적으로 동일할 수 있다. 원위 개구 (238) 에서 고립 영역 (240) 의 폭은 따라서, 근위 개구 (234) 에서 접속 영역 (236) 의 폭 (Wcon) 에 대해 본원에 식별된 값들 중 어느 하나일 수 있다. 대안적으로, 원위 개구부(238)에서의 고립 영역(240)의 폭은 근위 개구부(234)에서의 접속 영역(236)의 폭(Wcon)보다 더 크거나 또는 더 작을 수 있다. 또한, 원위 개구 (238) 는 근위 개구 (234) 보다 더 작을 수도 있고, 접속 영역 (236) 의 폭 (Wcon) 은 근위 개구 (234) 와 원위 개구 (238) 사이에서 좁아질 수도 있다. 예를 들어, 접속 영역 (236) 은 다양한 상이한 지오메트리들을 사용하여 (예를 들어, 접속 영역을 챔퍼링, 접속 영역을 베벨링), 근위 개구와 원위 개구 사이에서 좁아질 수도 있다.　 또한, 접속 영역 (236) 의 임의의 부분 또는 하위부분 (예를 들어, 근위 개구 (234) 에 인접한 접속 영역의 부분) 이 좁아질 수도 있다.
도 3g 내지 도 3i 는 도 3a 의 개별의 미세유체 디바이스 (100A), 트랩 (132A) 및 사이드 통로 (134A) 의 변화들인, 미세유체 회로 (362) 및 흐름 채널들 (264) 을 포함하는 미세유체 디바이스 (350) 의 다른 예시적인 실시형태를 묘사한다. 미세유체 디바이스 (350) 는 또한, 전술된 챔버들 (124A, 126A, 128A, 130A, 224, 226 또는 228) 의 추가적인 변형들인 복수의 챔버들 (266) 을 갖는다. 특히, 도 3g 에 도시된 디바이스(350)의 챔버(266)는 디바이스(100A, 200, 230, 280, 290, 300)에서의 전술한 챔버(124A, 126A, 128A, 130A, 224, 226 또는 228) 중 임의의 것을 대체할 수 있다는 것이 인정되어야 한다. 마찬가지로, 미세유체 디바이스 (350) 는 미세유체 디바이스 (100A) 의 다른 변형이고, 또한 상기 설명된 미세유체 디바이스 (100A, 200, 230, 280, 290, 300), 뿐만 아니라 본 명세서에서 설명된 다른 미세유체 시스템 컴포넌트들 중 임의의 것과 동일한 또는 상이한 DEP 구성을 가질 수도 있다.
도 3g 내지 도 3i 의 미세유체 디바이스(350)는 지지 구조 (도 3g 내지 도 3i I에서 보이지 않지만, 도 3a 에 도시된 미세유체 디바이스(100A)의 지지 구조(104A)와 동일하거나 일반적으로 유사할 수 있음), 미세유체 회로 구조(예를 들어, 도 3a의 108A, 도 3h의 256, 도 3j의 308 등), 및 커버(도 3g 내지 도 3i 에서 보이지 않지만, 도 3a 에 도시된 미세유체 디바이스(100A)의 커버(110A)와 동일하거나 일반적으로 유사할 수 있음) 를 포함한다. 미세유체 회로 구조(예를 들어, 도 3a의 108A, 도 3h의 256, 도 3j의 308 등) 는 도 3a 에 도시된 미세유체 디바이스 (100A) 의 프레임 (114A) 및 미세유체 회로 재료와 동일하거나 또는 일반적으로 유사할 수 있는 프레임 (352) 및 미세유체 회로 재료 (360) 를 포함한다. 도 3g 에 나타낸 바와 같이, 미세유체 회로 재료 (360) 에 의해 정의된 미세유체 회로 (362) 는 다수의 챔버들 (366) 이 유체적으로 접속되는 다수의 채널들 (364)(2 개가 도시되지만 더 많이 존재할 수 있음) 을 포함할 수 있다.
각각의 챔버 (266) 는 고립 구조 (272), 고립 구조 (272) 내의 고립 영역 (270), 및 접속 영역 (268) 을 포함할 수 있다. 미세유체 채널 (264) 에서의 근위 개구부 (274) 로부터 격리 구조체 (272) 에서의 원위 개구부 (276) 까지, 접속 영역 (268) 은 미세유체 채널 (264) 을 격리 영역 (270) 에 유체적으로 접속시킨다. 일반적으로, 도 3e 내지 도 3f 의 상기 논의에 따르면. 채널 (264) 에서 제 1 유체 배지 (254) 의 흐름 (278) 은 미세유체 채널 (264) 로부터 챔버들 (266) 의 각각의 접속 영역들 (268) 안으로 및/또는 밖으로 제 1 배지 (254) 의 2차 흐름들 (282) 을 생성할 수 있다.
도 3h 에 예시된 바와 같이, 각각의 챔버 (266) 의 접속 영역 (268) 은 일반적으로, 채널 (264) 로의 근위 개구부 (274) 와 고립 구조 (272) 로의 원위 개구부 (276) 사이에서 확장하는 영역을 포함한다. 접속 영역 (268) 의 길이 (Lcon) 는 2차 흐름 (282) 의 최대 침투 깊이 (Dp) 보다 더 클 수 있고, 이 경우에서 2차 흐름 (282) 은 (도 3g 에 도시된 바와 같이) 고립 영역 (270) 을 향해 재지향되지 않고 접속 영역 (268) 으로 확장할 것이다. 대안적으로, 도 3i 에 도시된 바와 같이. 접속 영역 (268) 은 최대 침투 깊이 (Dp) 보다 작은 길이 (Lcon) 를 가질 수 있고, 이 경우에서 2차 흐름 (282) 은 접속 영역 (268) 을 통해 확장하고 고립 영역 (270) 을 향해 재지향될 것이다.
이 후자의 상황에서, 접속 영역 (268) 의 길이들 (LC1 및 LC2) 의 합은 최대 침투 깊이 (Dp) 보다 커서, 2차 흐름 (282) 이 고립 영역 (270) 안으로 확장하지 않을 것이다. 접속 영역 (268) 의 길이 (Lcon) 가 침투 깊이 (Dp) 보다 크든 아니든, 또는 접속 영역 (268) 의 길이들 (LC1 및 LC2) 의 합이 최대 침투 깊이 (Dp) 보다 크든 아니든, 최대 속도 (Vmax) 를 초과하지 않는 미세유체 채널 (264) 에서의 제 1 배지 (254) 의 흐름 (278) 은 침투 깊이 (Dp) 를 갖는 2차 흐름을 생성할 것이고, 챔버 (266) 의 고립 영역 (270) 내의 마이크로-객체들 (도시되지 않지만, 도 3f 에 도시된 마이크로-객체들 (246) 과 동일하거나 또는 일반적으로 유사할 수 있음) 은 채널 (264) 에서 제 1 배지 (254) 의 흐름 (278) 에 의해 고립 영역 (270) 밖으로 인출되지 않을 것이다. 또한, 미세유체 채널 (264) 에서의 흐름 (278) 은 미세유체 채널 (264) 로부터 챔버 (266) 의 고립 영역 (270) 안으로 잡다한 재료들 (미도시) 을 인출하지도 않을 것이다.
이와 같이, 확산은 미세유체 채널 (264) 에서의 제 1 매질 (254) 에서의 컴포넌트들이 미세유체 채널 (264) 로부터 챔버 (266) 의 격리 영역 (270) 에서의 제 2 매질 (258) 로 이동할 수 있게 하는 메커니즘일 수 있다. 마찬가지로, 확산은, 챔버 (266) 의 고립 영역 (270) 에서의 제 2 배지 (258) 내의 성분들이 고립 영역 (270) 으로부터 미세유체 채널 (264) 내의 제 1 배지 (254) 로 이동할 수 있는 메커니즘이다. 제 1 매질 (254) 은 제 2 매질 (258) 과 동일한 매질일 수 있거나, 또는 제 1 매질 (254) 은 제 2 매질 (258) 과는 상이한 매질일 수 있다. 대안으로, 제 1 배지 (254) 및 제 2 배지 (258) 는 동일하게 시작할 수 있고, 그 후 예를 들어 고립 영역 (270) 내의 하나 이상의 세포들에 의한 제 2 배지의 컨디셔닝을 통해, 또는 미세유체 채널 (264) 을 통해 흐르는 배지를 변경함으로써 상이하게 될 수 있다.
도 3f 에 예시된 바와 같이, 미세유체 채널(264)에서의 (예를 들어, 도 3g 에서의 화살표(278)로 표시된 미세유체 채널을 통한 유체 매질 흐름의 방향에 대해 횡방향으로 취해진) 미세유체 채널(264)의 폭 (Wch) 은 근위 개구(274)의 폭 (Wcon1) 에 실질적으로 수직일 수 있고 따라서 원위 개구(276)의 폭(Wcon2)에 실질적으로 평행할 수 있다. 근위 개구 (274) 의 폭 (Wcon1) 및 원위 개구 (276) 의 폭 (Wcon2) 은 그러나, 서로 실질적으로 수직할 필요는 없다. 예를 들어, 근위 개구 (274) 의 폭 (Wcon1) 이 배향되는 축 (미도시) 과 원위 개구 (276) 의 폭 (Wcon2) 이 배향되는 다른 축 간의 각도는 수직 외 및 따라서 90°이외일 수 있다. 대안 적으로 배향 된 각도의 예는 다음의 각도를 포함한다 : 약 30°내지 약 90°, 약 45°내지 약 90°, 약 60°내지 약 90°등.
본 명세서에 기술된 바와 같이, 챔버 및 챔버가 열리는 미세유체 채널의 다양한 치수 및/또는 특징은 미세유체 디바이스의 특징(예를 들어, 구조 기반 관심 영역)과 함께 칩 타임라인에 표시될 수 있으며, 그 선택은 미세유체 디바이스에 대해 촬영된 이미지에서 측정가능한 특정 작업을 수행하는데 맞춰진다. 그러한 작업은 유동 영역/미세유체 채널로부터 챔버의 격리 영역 내로의 오염물들 또는 원치않는 마이크로-객체들의 도입을 제한하는 것; 채널로부터 또는 격리 영역으로부터 유체 매질 내의 성분들의 교환을 실질적으로 확산 교환으로 제한하는 것; 챔버들 내외로 마이크로-객체들의 이송을 용이하게 하는 것; 및/또는 격리 영역 내에 배치된 임의의 생물학적 세포들의 성장 또는 팽창을 용이하게 하는 것을 포함하지만 이들에 제한되지 않는다. 본원에 기술된 임의의 실시형태에 대한 미세유체 채널 및 챔버는 치수의 임의의 적절한 조합을 가질 수 있고, 다음과 같이 본 개시내용의 교시로부터 당업자에 의해 선택될 수 있고, 이러한 치수는 관심 영역을 식별하고 관심 영역에서 발생하는 현상을 특성화하기 위해 사용될 수 있다. 따라서, 여기에 개시된 구조적 특징은 칩 타임라인에 표현된 기본 이미지에서 검출될 수 있고, 갤러리 뷰에 표시될 수 있는 관심 영역에 대한 이미지 시퀀스를 생성하기 위해 분석을 위해 선택될 수 있다. 관심 영역의 정량화 가능한 특징은 본 명세서에 개시된 필터 빌더 및 애플리케이션 모듈 또는 그래프 도구를 사용하여 평가(예를 들어, 배열, 클러스터링, 필터링 또는 달리 조작)될 수 있다.
미세유체 채널 및 챔버는 본원에 기술된 임의의 실시형태에 대해 치수들(예를 들어, 챔버 (예를 들어, 124A, 126A, 128A, 130A, 224, 226, 228 또는 266)),
또는 격리 영역(예를 들어, 240 또는 270) 등의 치수들)의 임의의 적절한 조합을 가질 수 있다. 관심 영역을 결정하기 위해 단독으로 또는 조합하여 사용되는 미세유체 디바이스의 특징 또는 특성으로 사용될 수 있는 예시적인 치수들은 다음을 포함하지만 이에 국한되지는 않는다: 미세유체 채널(예를 들어, 122A)의 너비 Wch, 미세유체 채널의 높이 Hch, 미세유체 채널(예를 들어, 122A)의 단면적, 접속 영역(예를 들어, 236)의 길이 Lcon, 접속 영역(예를 들어, 236)의 너비 Wcon, 근위 개구의 Wpr, 접속 영역의 근위 개구의 너비 Wpr, 접속 영역(예를 들어, 236)의 너비 Wcon 에 대한 접속 영역(예를 들어, 236)의 길이 Lcon 의 비, 유량 예를 들어 Vmax, 및 (예를 들어, Ls - Lcon 로 결정된) 미세유체 디바이스 내의 영역의 길이. 미세유체 디바이스의 특징들 또는 특성들은 다음과 같이 본 개시내용의 교시로부터 당업자에 의해 선택될 수 있고, 이러한 치수는 관심 영역을 식별하고 관심 영역에서 발생하는 현상을 특성화하기 위해 사용될 수 있다. 따라서, 여기에 개시된 구조적 특징은 칩 타임라인에 표현된 기본 이미지에서 검출될 수 있고, 갤러리 뷰에 표시될 수 있는 관심 영역에 대한 이미지 시퀀스를 생성하기 위해 분석을 위해 선택될 수 있다. 관심 영역의 정량화 가능한 특징은 본 명세서에 개시된 필터 빌더 및 애플리케이션 모듈 또는 그래프 도구를 사용하여 평가(예를 들어, 배열, 클러스터링, 필터링 또는 달리 조작)될 수 있다. 미세유체 디바이스의 구조와 관련된 예시적인 특징 및/또는 특성의 목록은 (예를 들어, 칩 타임라인에 기록 및 도시된 바와 같이) 작업이 수행되는 예시적인 미세유체 디바이스에서 예시적인 챔버의 다양한 실시형태로서 및/또는 이미지들(예를 들어, 갤러리 뷰에서 관심 영역으로 예시된 이미지 시퀀스들) 에서, 및/또는 여기에 개시된 필터 빌더 및 애플리케이션 모듈 및/또는 그래핑 도구를 사용하여 평가된 관심 영역의 정량화된 표현으로서 여기에 개시된다.
챔버들 (예를 들어, 124A, 126A, 128A, 130A, 224, 226, 228, 또는 266) 의 다양한 실시형태들에서, 고립 영역 (예를 들어, 240 또는 270) 은 복수의 마이크로-객체들을 포함하도록 구성된다. 다른 실시형태들에서, 고립 영역은 단지 1, 2, 3, 4, 5, 또는 유사한 상대적으로 작은 수의 마이크로-객체들만을 포함하도록 구성될 수 있다. 따라서, 격리 영역의 체적은 예를 들어, 적어도 1x106, 2x106, 4x106, 6x106 세제곱 미크론, 또는 그 초과일 수 있다.
미세유체 디바이스들의 다양한 실시형태들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 근위 개구 (예를 들어, 234) 에서 미세유체 채널 (예를 들어, 122A) 의 폭 (Wch) 을 포함할 수 있고 약 50-1000 미크론, 50-500 미크론, 50-400 미크론, 50-300 미크론, 50-250 미크론, 50-200 미크론, 50-150 미크론, 50-100 미크론, 70-500 미크론, 70-400 미크론, 70-300 미크론, 70-250 미크론, 70-200 미크론, 70-150 미크론, 90-400 미크론, 90-300 미크론, 90-250 미크론, 90-200 미크론, 90-150 미크론, 100-300 미크론, 100-250 미크론, 100-200 미크론, 100-150 미크론, 또는 100-120 미크론일 수 있다. 일부 다른 실시형태들에서, 근위 개구 (예를 들어, 234) 에서 미세유체 채널 (예를 들어, 122A) 의 폭 (Wch) 은 약 200-800 미크론, 200-700 미크론, 또는 200-600 미크론일 수 있다. 상기의 것은 단지 예들이며, 미세유체 채널 (122A) 의 폭 (Wch) 은 위에 열거된 엔드포인트들 중 어느 하나 이내의 임의의 폭일 수 있다. 또한, 미세유체 채널 (122A) 의 폭 (Wch) 은 챔버의 근위 개구 외의 미세유체 채널의 영역들에서 이들 폭들 중 어느 하나에 있도록 선택될 수 있다. 일부 실시형태들에서, 챔버는 약 30 내지 약 200 미크론, 또는 약 50 내지 약 150 미크론의 높이를 갖는다. 일부 실시형태들에서, 챔버는 약 1 x104 - 3 x106 제곱 미크론, 2 x104 - 2 x106 제곱 미크론, 4 x104 - 1 x106 제곱 미크론, 2 x104- 5 x105 제곱 미크론, 2 x104- 1 x105 제곱 미크론 또는 약 2 x105 - 2x106 제곱 미크론의 단면적을 갖는다.
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 근위 개구 (예를 들어, 234) 에서 미세유체 채널 (예를 들어, 122A) 의 높이(Hch) 을 포함할 수 있고 다음의 높이들 중 임의의 것 내의 높이 일 수 있다: 20-100 미크론, 20-90 미크론, 20-80 미크론, 20-70 미크론, 20-60 미크론, 20-50 미크론, 30-100 미크론, 30-90 미크론, 30-80 미크론, 30-70 미크론, 30-60 미크론, 30-50 미크론, 40-100 미크론, 40-90 미크론, 40-80 미크론, 40-70 미크론, 40-60 미크론, 또는 40-50 미크론. 상기의 것은 단지 예들이며, 미세유체 채널 (예를 들어, 122A) 의 높이 (Hch) 는 위에서 열거된 엔드포인트들 중 어느 하나 이내의 높이일 수 있다. 또한, 미세유체 채널 (122A) 의 높이 (Hch) 은 챔버의 근위 개구 외의 미세유체 채널의 영역들에서 이들 높이들 중 어느 하나에 있도록 선택될 수 있다.
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 근위 개구 (예를 들어, 234) 에서 미세유체 채널 (예를 들어, 122A) 의 단면적을 포함할 수 있고 약 500-50,000 제곱 미크론, 500-40,000 제곱 미크론, 500-30,000 제곱 미크론, 500-25,000 제곱 미크론, 500-20,000 제곱 미크론, 500-15,000 제곱 미크론, 500-10,000 제곱 미크론, 500-7,500 제곱 미크론, 500-5,000 제곱 미크론, 1,000-25,000 제곱 미크론, 1,000-20,000 제곱 미크론, 1,000-15,000 제곱 미크론, 1,000-10,000 제곱 미크론, 1,000-7,500 제곱 미크론, 1,000-5,000 제곱 미크론, 2,000-20,000 제곱 미크론, 2,000-15,000 제곱 미크론, 2,000-10,000 제곱 미크론, 2,000-7,500 제곱 미크론, 2,000-6,000 제곱 미크론, 3,000-20,000 제곱 미크론, 3,000-15,000 제곱 미크론, 3,000-10,000 제곱 미크론, 3,000-7,500 제곱 미크론, 또는 3,000 내지 6,000 제곱 미크론일 수 있다. 상기의 것은 단지 예들이며, 근위 개구 (예를 들어, 234) 에서 미세유체 채널 (예를 들어, 122A) 의 단면적은 위에서 열거된 엔드포인트들 중 어느 하나 이내의 임의의 면적일 수 있다.
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 접속 영역 (예를 들어, 236) 의 길이 (Lcon) 을 포함할 수 있고 약 1-600 미크론, 5-550 미크론, 10-500 미크론, 15-400 미크론, 20-300 미크론, 20-500 미크론, 40-400 미크론, 60-300 미크론, 80-200 미크론, 또는 약 100-150 미크론일 수 있다. 상기의 것은 단지 예들이며, 접속 영역 (예를 들어, 236) 의 길이 (Lcon) 는 위에서 열거된 엔드포인트들 중 어느 하나의 길이에 있을 수 있다.
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 근위 개구 (예를 들어, 234) 에서 접속 영역 (예를 들어, 236) 의 폭(Wcon) 을 포함할 수 있고 약 20-500 미크론, 20-400 미크론, 20-300 미크론, 20-200 미크론, 20-150 미크론, 20-100 미크론, 20-80 미크론, 20-60 미크론, 30-400 미크론, 30-300 미크론, 30-200 미크론, 30-150 미크론, 30-100 미크론, 30-80 미크론, 30-60 미크론, 40-300 미크론, 40-200 미크론, 40-150 미크론, 40-100 미크론, 40-80 미크론, 40-60 미크론, 50-250 미크론, 50-200 미크론, 50-150 미크론, 50-100 미크론, 50-80 미크론, 60-200 미크론, 60-150 미크론, 60-100 미크론, 60-80 미크론, 70-150 미크론, 70-100 미크론, 또는 80-100 미크론일 수 있다. 상기의 것은 단지 예들이며, 근위 개구 (예를 들어, 234) 에서 접속 영역 (예를 들어, 236) 의 폭 (Wcon) 은 상기 예들과 상이할 수 있다 (예를 들어, 위에서 열거된 엔드포인트들 중 어느 하나 이내의 임의의 값일 수 있다).
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 근위 개구 (예를 들어, 234) 에서 접속 영역 (예를 들어, 236) 의 폭(Wcon) 을 포함할 수 있고 적어도 챔버가 그에 대해 의도되는 마이크로-객체 (예를 들어, B 세포, 플라즈마 세포, 하이브리도마, CHO 세포 또는 이스트 세포 (yeast cell) 와 같은 재조합 항체 분비 세포 (ASC) 등일 수 있는 생물학적 세포) 의 최대 치수만큼 클 수 있다. 상기의 것은 단지 예들이며, 근위 개구 (예를 들어, 234) 에서 접속 영역 (예를 들어, 236) 의 폭 (Wcon) 은 상기 예들과 상이할 수 있다 (예를 들어, 위에서 열거된 엔드포인트들 중 어느 하나 이내의 폭일 수 있다).
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 접속 영역의 근위 개구의 폭(Wpr) 을 포함할 수 있고 적어도 챔버가 그에 대해 의도되는 마이크로-객체 (예를 들어, 세포와 같은 마이크로-객체) 의 최대 치수만큼 클 수도 있다. 예를 들어, 폭 (Wpr) 은 약 50 미크론, 약 60 미크론, 약 100 미크론, 약 200 미크론, 약 300 미크론일 수도 있거나, 약 50-300 미크론, 약 50-200 미크론, 약 50-100 미크론, 약 75-150 미크론, 약 75-100 미크론, 또는 약 200-300 미크론일 수도 있다.
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 근위 개구 (예를 들어, 234) 에서 접속 영역 (예를 들어, 236) 의 폭(Wcon)에 대한 접속 영역 (예를 들어, 236) 의 길이 (Lcon)의 비를 포함할 수 있고 다음의 비들 중 어느 하나 이상일 수 있다: 0.5, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 또는 그 이상. 전술한 것은 단지 예들이며, 근위 개구부 (234) 에서의 접속 영역 (236) 의 길이 (Lcon) 대 접속 영역 (236) 의 폭 (Wcon) 의 비율은 전술한 예들과는 상이할 수 있다.
미세유체 디바이스들의 다양한 실시형태 이미지들에서, 챔버에 대해 촬영된 이미지들의 특징들 또는 특성들은 챔버의 격리 영역을 포함할 수 있고, 그것은 약 40-600 미크론, 약 40-500 미크론, 약 40-400 미크론, 약 40-300 미크론, 약 40-200 미크론, 약 40-100 미크론 또는 약 40-80 미크론의 (Ls - Lcon 로서 결정된) 길이를 갖는다. 일부 실시형태들에서, 챔버의 격리 영역은 약 30-550 미크론, 약 30-450 미크론, 약 30-350 미크론, 약 30-250 미크론, 약 30-170 미크론, 약 30-80 미크론, 또는 약 30-70 미크론의 길이를 갖는다. 전술한 것은 단지 예들이며, 챔버는 상기 열거된 값들 중 임의의 값 사이에 있도록 선택된 길이 (Ls) 를 가질 수도 있다.
다양한 실시형태에서 미세유체 디바이스에 대해 촬영된 이미지의 특징 또는 특성은 칩 타임라인에 기록된 하나 이상의 작업과 상관될 수 있다. 이러한 작업은 유량들 또는 특정 유량들에서 수행되는 동작들을 포함할 수 있다. 그러한 실시형태들에서, 이미지들은 약 0.2, 0.5, 0.7, 1.0, 1.3, 1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0, 6.7, 7.0, 7.5, 8.0, 8.5, 9.0, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 또는 20 마이크로리터/초로 설정될 수도 있는 최대 유속 Vmax 에 대응하는 시점들에서 촬영될 수 있다. 추가적으로 또는 대안적으로, 칩 타임라인에 예시된 주어진 작업에 대한 유량은 0 마이크로리터/초일 수 있으며, 이미지(예를 들어, 기본 이미지)가 캡처되는 시점에서 어떠한 흐름도 발생하지 않는다.
미세유체 디바이스의 이미지들은 하나 이상의 챔버들을 포함할 수도 있다. 기본 이미지 또는 시야 이미지는 미세유체 디바이스 내의 챔버들의 전체 또는 서브세트를 포함할 수 있다. 다양한 실시형태에서, 미세유체 디바이스는 본 명세서에 논의된 임의의 실시형태에서와 같이 구성된 챔버들을 가지고, 여기서 미세유체 디바이스는 약 5 내지 약 10 개의 챔버, 약 10 내지 약 50 개의 챔버, 약 25 내지 약 200 개의 챔버, 약 100 내지 약 500 개의 챔버, 약 200 내지 약 1000 개의 챔버, 약 500 내지 약 1500 개의 챔버, 약 1000 내지 약 2500 개의 챔버, 약 2000 내지 약 5000 개의 챔버, 약 3500 내지 약 7000 개의 챔버, 약 5000 내지 약 10,000 개의 챔버, 약 7,500 내지 약 15,000 개의 챔버, 약 12,500 내지 약 20,000 개의 챔버, 약 15,000 내지 약 25,000 개의 챔버, 약 20,000 내지 약 30,000 개의 챔버, 약 25,000 내지 약 35,000 개의 챔버, 약 30,000 내지 약 40,000 개의 챔버, 약 35,000 내지 약 45,000 개의 챔버, 또는 약 40,000 내지 약 50,000 개의 챔버를 갖는다. 챔버들은 모두 동일한 사이즈일 필요는 없고 다양한 구성들 (예를 들어, 챔버 내의 상이한 폭들, 상이한 특징들) 을 포함할 수도 있다.
도 3j 는 채널 (322) 및 챔버 (324) 를 포함하는 미세유체 회로 구조 (308) 의 미세유체 구조 기반 특징들을 포함하는 미세유체 디바이스 (300) 의 다른 예시적인 실시형태를 도시하며, 이는 미세유체 디바이스 (100A, 200, 230, 250, 280, 300) 및 본 명세서에 설명된 임의의 다른 미세유체 디바이스에 대해 본 명세서에 설명된 챔버들 중 임의의 것과 같은 특징들 및 특성들을 갖는다.
도 3j 의 예시적인 미세유체 디바이스는 본 명세서에 기재된 바와 같이 폭 (Wch) 을 갖고 제 1 유체 매질 (302) 의 흐름 (310) 을 포함하는 미세유체 채널 (322) 및 하나 이상의 챔버들 (324) (도 3j 에는 오직 하나만이 도시됨) 을 포함한다. 이러한 흐름 작업은 칩 타임라인에 설명된 특정 단계 또는 작업 동안 취해진 이미지 시퀀스로 캡처될 수 있다. 챔버(324)의 구조 기반 특징은 또한 이미지 시퀀스로 표현되고 갤러리 뷰에서 관심 영역을 정의하는 데 사용되는 정의된 특징을 가질 수 있으며, 갤러리 뷰는 칩 타임 라인에 예시된 작업에 대응한다. 이러한 예에서, 챔버들 (325) 은 각각 길이 (Ls), 접속 영역 (336), 및 격리 영역 (340) 을 가지며, 격리 영역 (340) 은 제 2 유체 매질 (304) 을 포함한다. 접속 영역 (336) 은 미세유체 채널 (322) 로 개방되는 폭 (Wcon1) 을 갖는 근위 개구 (334), 및 격리 영역 (340) 으로 개방되는 폭 (Wcon2) 을 갖는 원위 개구 (338) 를 갖는다. 폭 (Wcon1) 은 본 명세서에 설명된 바와 같이, Wcon2 와 동일하거나 동일하지 않을 수도 있다. 각각의 챔버 (324) 의 벽들은 미세유체 회로 재료 (316) 로 형성될 수도 있으며, 이는 접속 영역 벽 (330) 을 더 형성할 수도 있다. 접속 영역 벽 (330) 은 근위 개구 (334) 에 대해 측방향으로 위치되고 챔버 (324) 의 둘러싸인 부분 내로 적어도 부분적으로 연장되는 구조에 대응할 수 있다. 일부 실시형태들에서, 접속 영역 (336) 의 길이 (Lcon) 는 접속 영역 벽 (330) 의 길이 (Lwall) 에 의해 적어도 부분적으로 정의된다. 접속 영역 벽 (330) 은 이차 흐름 (344) 의 침투 깊이 (Dp) 보다 크도록 선택된 길이 (Lwall) 를 가질 수도 있다. 따라서, 이차 흐름 (344) 은 격리 영역(340) 내로 연장되지 않고 접속 영역 내에 완전히 포함될 수 있다.
접속 영역 벽 (330) 은 챔버 (324) 의 격리 영역 (340) 의 서브영역인 후크 영역 (352) 의 구조 기반 특징을 정의할 수도 있다. 접속 영역 벽 (330) 이 챔버의 내부 공동 내로 연장되기 때문에, 접속 영역 벽 (330) 은 이차 흐름 (344) 으로부터 후크 영역(352) 을 차폐하기 위한 물리적 장벽으로서 작용할 수 있고, Lwall 의 길이의 선택은 후크 영역의 정도에 기여한다. 일부 실시형태에서, 접속 영역 벽 (330) 의 길이 (Lwall) 가 더 길수록, 후크 영역 (352) 이 더 은닉된다. 이러한 구조 기반 특징은 미세 유체 칩에 대해 촬영된 이미지 시퀀스에서 모니터링될 수 있으며 칩 타임라인에서 개별 단계로 묘사될 수 있다. 도 3d 내지 도 3j 의 챔버들과 같이 구성된 챔버들에서, 격리 영역은 임의의 유형의 형상 및 크기를 가질 수 있고 칩 타임라인에서의 작업과 연관될 수 있다. 작업의 예는 마이크로-객체의 로딩, 관류, 모니터링 및/또는 익스포팅 및/또는 형광 모니터링을 포함한다. 이러한 모니터링은 이미지 시퀀스의 특징이 예를 들어 흐름 영역 (또는 미세 유체 채널) 에 대한 접속 영역의 근위 개구의 반대편인, 챔버의 먼 벽에 도달하도록 챔버로의 영양물, 시약 및/또는 배지의 확산의 조절을 포함하는 생물학적으로 관련된 작업에 대응하도록 구성될 수 있다. 격리 영역의 크기 및 모양은 챔버의 접속 영역의 근위 개구를 통해 격리 영역에서 흐름 영역으로 마이크로-객체의 폐기 생성물 및/또는 분비 생성물의 확산을 조절하는 것을 포함하는 분석들 또는 분석 단계들에 대한 생물학적 샘플의 관련성을 기반으로 선택된 상기 구조 기반 특징을 가진 미세유체 디바이스의 구조 기반 특징에 대응할 수 있다.
챔버들의 일부 다른 실시형태들에서, 격리 영역은 격리 영역을 미세유체 디바이스의 유동 영역과 유동적으로 연결하는 1 초과의 개구를 가질 수도 있다. 그러나, 격리 영역을 유동 영역 (또는 2 이상의 유동 영역들) 에 유동적으로 연결하는 다수의 n 개의 개구를 갖는 격리 영역에 대해, n-1 개의 개구가 밸브화될 수 있다. n-1 개의 밸브형 개구가 폐쇄될 때, 격리 영역은 하나의 유효 개구를 가지며, 격리 영역 내외로의 재료의 교환은 확산에 의해서 일어난다. 마이크로-객체가 배치, 배양 및/또는 모니터링될 수 있는 펜을 갖는 미세유체 디바이스의 예는, 예를 들어, 미국 특허 제 9,857,333 호 (Chapman 등), 미국 특허 제 10,010,882 호 (White 등), 및 미국 특허 제 9,889,445 호 (Chapman 등) 에 기술되어 있으며, 이들 각각은 모든 목적들을 위해 그 전체가 본원에 참조로 통합된다.
도 3k 는 본 개시물의 일 실시형태에 따른 미세유체 디바이스를 예시한다. 더 구체적으로, 도 3k 는 일 실시형태에 따른 미세유체 디바이스 (280) 를 예시한다. 도 3k 에 도시된 미세유체 디바이스 (280) 는 도 3k는 칩 타임라인 뷰에 묘사된 하나 이상의 작업 동안 미세유체 디바이스에 대해 촬영된 이미지들 또는 이미지 시퀀스들에 대한 관심 영역을 할당하는 데 사용될 수 있는 구조 기반 특징들을 갖는 미세유체 디바이스(예를 들어, 도 3a 의 100)의 양식화된 다이어그램을 포함한다.
실제로, 미세유체 디바이스 (280) 및 그 구성 회로 엘리먼트들 (예를 들어, 도 3a 의 채널들 (122A) 및 격리 챔버들 (128A)) 은 본원에 논의된 치수들을 가질 것이다. 도 3a 에 도시된 미세유체 회로 (120A) 는 2개의 포트(107), 4개의 별개의 채널(122A) 및 4개의 별개의 흐름 경로(106A)를 갖는다. 도 3k 의 미세유체 디바이스 (280) 는 각각의 채널(예를 들어, 도 3a 의 122A)에서 개방된 복수의 챔버를 더 포함한다. 도 3k 에 도시된 미세유체 디바이스 (280) 에서, 챔버는 도 3f 에 도시된 펜과 유사한 기하학적 구조를 가질 수 있고, 따라서 접속 영역과 격리 영역을 모두 가질 수 있다. 이에 따라, 미세유체 회로 (예를 들어, 도 3a 의 120A) 는 스윕된 영역들 (예를 들어, 채널(122A) 및 도 3f 의 2차 흐름(244)의 최대 침투 깊이 Dp 내의 도 3e 의 접속 영역(236)의 부분) 및 비-스윕 영역(예를 들어, 격리 영역 (240) 및 도 3f 의 2차 흐름(244)의 최대 침투 깊이 Dp 내에 있지 않은 접속 영역(236)의 부분) 양자 모두를 포함한다.
도 3l 은 본 개시물의 일 실시형태에 따른 미세유체 디바이스의 코팅된 표면을 예시한다. 더 구체적으로, 도 3l 은 컨디셔닝된 표면을 제공하는 예시적인 공유결합으로 연결된 코팅 재료를 가지는 미세유체 디바이스 (290) 의 단면도를 도시한다. 예시된 바와 같이, 코팅 재료들 (298) (개략적으로 도시됨) 은 미세유체 디바이스 (290) 의 DEP 기판일 수도 있는 기판 (286) 의 내부 표면 (294) 및 커버 (288) 의 내부 표면 (292) 의 양자에 공유결합으로 바인딩된 밀집-팩킹된 분자들의 단층을 포함할 수 있다. 코팅 재료 (298) 는 일부 실시형태들에서, 그리고 위에서 논의된 바와 같이, 미세유체 디바이스 (290) 내의 회로 엘리먼트들 및/또는 구조체들을 정의하기 위하여 이용된 미세유체 회로 재료 (도시되지 않음) 의 표면들을 포함하는, 미세유체 디바이스 (290) 의 인클로저 (284) 에 대한 근위부이며 미세유체 디바이스 (290) 의 인클로저 (284) 를 향해 내측으로 대면하는 실질적으로 모든 내부 표면들 (294, 292) 상에서 배치될 수 있다. 대안적인 실시형태들에서, 코팅 재료 (298) 는 미세유체 디바이스 (290) 의 내부 표면들의 단지 하나 또는 일부에만 증착될 수 있다.
도 3l 에 예시된 실시형태에서, 코팅 재료 (298) 는 유기실록산 분자들의 단층을 포함할 수 있고, 각각의 분자는 실록시 연결자 (296) 를 통해 미세유체 디바이스 (290) 의 내부 표면들 (292, 294) 에 공유 결합될 수 있다. 위에서 논의된 코팅 재료들 (298) 중의 임의의 것이 이용될 수 있고 (예컨대, 알킬-종단된, 플루오로알킬 종단된 모이어티, PEG-종단된 모이어티, 덱스트란 종단된 모이어티, 또는 유기실록시 모이어티들을 위한 포지티브 또는 네거티브 전하들을 함유하는 말단 모이어티), 여기서, 말단 모이어티는 그 인클로저-대면 말단 (즉, 내부 표면들 (292, 294) 에 바인딩되지 않고 인클로저 (284) 에 대한 근위부인 코팅 재료 (298) 의 단층의 부분) 에서 배치된다.
다른 실시형태들에서, 미세유체 디바이스 (290) 의 내부 표면(들) (292, 294) 을 코팅하기 위하여 이용된 코팅 재료 (298) 는 음이온, 양이온, 또는 쌍성이온 모이어티들, 또는 그 임의의 조합을 포함할 수 있다. 이론에 의해 제한되도록 의도하지 않으면서, 미세유체 회로 (120A) 의 인클로저 (284) 의 내부 표면들에서 양이온 모이어티들, 음이온 모이어티들, 및/또는 쌍성이온 모이어티들을 제공함으로써, 수화의 결과적인 물이 비-생물학적 분자들 (예컨대, 기판의 실리콘 및/또는 실리콘 옥사이드) 와의 상호작용들로부터 마이크로-객체들을 분리시키는 층 (또는 "차폐부") 으로서 작동하도록, 코팅 재료 (298) 는 물 분자들과의 강한 수소 결합들을 형성할 수 있다. 게다가, 코팅 재료 (298) 가 코팅제들과 함께 이용되는 실시형태들에서는, 코팅 재료 (298) 의 음이온들, 양이온들, 및/또는 쌍성이온들이 인클로저 (284) 에서의 매질 (180) (예컨대, 코팅 용액) 에서 존재하는 비-공유 코팅제들 (예컨대, 용액에서의 단백질들) 의 하전된 부분들과의 이온 결합들을 형성할 수 있다.
또 다른 실시형태들에서, 코팅 재료는 그 인클로저-대면 말단에서 친수성 코팅제를 제공하도록 포함할 수도 있거나 화학적으로 개질될 수도 있다. 일부 실시형태들에서, 코팅 재료는 PEG 와 같은 알킬렌 에테르 함유 폴리머를 포함할 수도 있다. 일부 실시형태들에서, 코팅 재료는 덱스트란과 같은 폴리사카라이드를 포함할 수도 있다. 위에서 논의된 하전된 모이어티들 (예컨대, 음이온, 양이온, 및 쌍성이온 모이어티들) 과 같이, 수화의 결과적인 물이 비-생물학적 분자들 (예컨대, 기판의 실리콘 및/또는 실리콘 옥사이드) 와의 상호작용들로부터 마이크로-객체들을 분리시키는 층 (또는 "차폐부") 으로서 작동하도록, 친수성 코팅제는 물 분자들과의 강한 수소 결합들을 형성할 수 있다. 적절한 코팅 처리들 및 개질들의 추가의 세부사항들은 2016 년 4 월 22 일자로 출원된 미국 출원 제 15/135,707 호에서 발견될 수도 있고, 그 전체적으로 참조로 편입된다.
미세유체 디바이스의 격리 펜들 내의 세포들의 생존력의 유지보수를 위한 추가적인 시스템 컴포넌트들. 세포 개체군들의 성장 및/또는 확장을 촉진하기 위하여, 기능적인 세포들을 유지하기 위하여 도움이 되는 환경 조건들은 시스템의 추가적인 컴포넌트들에 의해 제공될 수도 있다. 예를 들어, 이러한 추가적인 컴포넌트들은 영양분들, 세포 성장 시그널링 종들, pH 조절, 기체 교환, 온도 제어, 및 세포들로부터의 노폐물들의 제거를 제공할 수 있다.
도 3m 은 본 개시물의 일부 실시형태들에 따른 미세유체 디바이스 및 연관된 제어 장비와 함께 사용을 위한 시스템의 구체적인 예를 예시한다. 도 3n 은 본 개시의 일부 실시형태들에 따른 이미징 디바이스를 예시한다. 더 구체적으로, 도 3m 내지 도 3n은 본 개시내용에 따른 하나 이상의 미세유체 디바이스를 작동 및 관찰하는데 사용될 수 있는 시스템의 다양한 실시형태를 도시한다. 도 3m 에 예시된 바와 같이, 시스템은 미세유체 디바이스 (320), 또는 본 명세서에서 설명된 임의의 다른 미세유체 디바이스를 보유하도록 구성된 구조 ("네스트 (nest)") (300) 를 포함할 수 있다. 네스트 (300) 는 미세유체 디바이스 (320) (예를 들어, 광학적으로-작동된 동전기 디바이스) 와 인터페이스하고 전원으로부터 미세유체 디바이스 (320) 로 전기적 접속들을 제공할 수 있는 소켓 (302) 을 포함할 수 있다. 네스트 (300) 는 통합된 전기 신호 생성 서브시스템 (304) 을 더 포함할 수 있다. 전기 신호 생성 서브시스템 (304) 은, 미세유체 디바이스 (320) 가 소켓 (302) 에 의해 보유되고 있을 때 그 미세유체 디바이스 (320) 에서 한 쌍의 전극들 양단에 바이어싱 전압이 인가되도록 바이어싱 전압을 소켓 (302) 에 공급하도록 구성될 수 있다. 따라서, 전기 신호 생성 서브시스템 (304) 은 전원 (192) 의 일부일 수 있다. 미세유체 디바이스 (320) 에 바이어싱 전압을 인가하는 능력은, 바이어싱 전압이, 미세유체 디바이스 (320) 가 소켓 (302) 에 의해 보유될 때 항상 인가될 것이라는 것을 의미하거나 의미하지 않을 수도 있다. 오히려, 일부 경우들에서, 바이어싱 전압은 간헐적으로, 예를 들어 미세유체 디바이스 (320) 에서 유전영동 (DEP) 또는 전기습윤과 같은 동전기적 힘들의 생성을 용이하게 하도록 필요할 때에만, 인가될 수 있다.
도 3m 에 예시된 바와 같이, 네스트 (300) 는 인쇄 회로 기판 어셈블리 (PCBA) (322) 를 포함할 수 있다. 전기 신호 생성 서브시스템 (304) 은 PCBA (322) 상에 장착되고 이 안에 전기적으로 통합될 수 있다. 예시적인 지지체는 물론 PCBA (322) 상에 장착된 소켓 (302) 을 포함한다. 일부 실시형태들에서, 전기 신호 생성 서브시스템 (304) 은 파형 생성기 (미도시) 를 포함할 것이다. 전기 신호 생성 서브시스템 (304) 은 파형 생성기로부터 수신된 파형을 증폭시키도록 구성된 파형 증폭 회로 (미도시) 및/또는 오실로스코프 (미도시) 를 더 포함할 수 있다. 오실로스코프는, 존재하는 경우, 소켓 (302) 에 의해 보유된 미세유체 디바이스 (320) 에 적용된 파형을 측정하도록 구성될 수 있다. 소정의 실시형태들에서, 오실로스코프는 미세유체 디바이스 (320) 에 근접한 (및 파형 생성기에 대해 먼) 위치에서 파형을 측정하고, 따라서 디바이스에 실제로 적용된 파형을 측정하는데 있어서 더 큰 정확도를 보장한다. 오실로스코프 측정으로부터 얻어진 데이터는, 예를 들어 파형 생성기에 피드백으로서 제공될 수 있고, 파형 생성기는 이러한 피드백에 기초하여 그의 출력을 조정하도록 구성될 수 있다. 적합한 결합형 파형 생성기 및 오실로스코프의 예는 Red PitayaTM 이다.
특정 실시형태들에서, 네스트 (300) 는 제어기 (308), 예컨대 전기적 신호 생성 서브시스템 (304) 을 감지 및/또는 제어하는데 사용된 마이크로프로세서를 더 포함한다. 적합한 마이크로프로세서들의 예들은 ArduinoTM 마이크로프로세서들, 예컨대 Arduino NanoTM 을 포함한다. 제어기 (308) 는 기능들 및 분석을 수행하는데 사용될 수도 있거나 기능들 및 분석을 수행하도록 (도 3a 에 도시된) 외부 마스터 제어기 (154) 와 통신할 수도 있다. 도 3m 에 예시된 실시형태에서, 제어기 (308) 는 인터페이스 (310) (예를 들어, 플러그 또는 커넥터) 를 통해 마스터 제어기 (154) 와 통신한다.
일부 실시형태들에서, 네스트 (300) 는 Red PitayaTM 파형 생성기/오실로스코프 유닛 ("Red Pitaya 유닛") 및 Red Pitaya 유닛에 의해 생성된 파형을 증폭시키고 증폭된 전압을 미세유체 디바이스 (100) 로 전달하는 파형 증폭 회로를 포함하는 전기 신호 생성 서브시스템 (304) 을 포함할 수 있다. 일부 실시형태들에서, Red Pitaya 유닛은 미세유체 디바이스 (320) 에서 증폭된 전압을 측정하고, 그 후, 미세유체 디바이스 (320) 에서 측정된 전압이 원하는 값이도록 필요에 따라 그 자신의 출력 전압을 조정하도록 구성된다. 일부 실시형태들에서, 파형 증폭 회로는 PCBA (322) 상에 장착된 DC-DC 컨버터들의 쌍에 의해 생성된 +6.5V 내지 -6.5V 전력 공급을 가져, 미세유체 디바이스 (320) 에서 최대 13 Vpp 의 신호를 초래할 수 있다.
도 3m 에 예시된 바와 같이, 지지 구조체 (300) (예컨대, 네스트) 는 열 제어 서브시스템 (306) 을 더 포함할 수 있다. 열 제어 서브시스템 (306) 은 지지 구조 (300) 에 의해 보유된 미세유체 디바이스 (320) 의 온도를 조절하도록 구성될 수 있다. 예를 들어, 열 제어 서브시스템 (306) 은 펠티어 열전기 디바이스 (미도시) 및 냉각 유닛 (미도시) 을 포함할 수 있다. 펠티어 열전기 디바이스는 미세유체 디바이스 (320) 의 적어도 하나의 표면과 인터페이스하도록 구성된 제 1 표면을 가질 수 있다. 냉각 유닛은, 예를 들어 냉각 블록 (미도시), 이를 테면 액냉식 (liquid-cooled) 알루미늄 블록일 수 있다. 펠티어 열전기 디바이스의 제 2 표면 (예를 들어, 제 1 표면의 반대 표면) 은 이러한 냉각 블록의 표면과 인터페이스하도록 구성될 수 있다. 냉각 블록은 냉각 블록을 통해 냉각된 유체를 순환시키도록 구성된 유체 경로 (314) 에 연결될 수 있다. 도 3m 에 예시된 실시형태에서, 지지 구조 (300) 는 인렛 (316) 및 아웃렛 (318) 을 포함하여, 외부 저장소 (미도시) 로부터 냉각된 유체를 수신하고, 냉각된 유체를 유체 경로 (314) 안으로 그리고 냉각 블록을 통해 도입하며, 그 후 냉각된 유체를 외부 저장소로 리턴한다. 일부 실시형태들에서, 펠티어 열전기 디바이스, 냉각 유닛, 및/또는 유체 경로 (314) 는 지지 구조 (300) 의 케이싱 (312) 상에 장착될 수 있다. 일부 실시형태들에서, 열 제어 서브시스템 (306) 은 미세유체 디바이스 (320) 에 대한 목표 온도를 달성하도록 펠티어 열전기 디바이스의 온도를 조절하도록 구성된다. 펠티어 열전기 디바이스의 온도 조절은, 예를 들어 PololuTM 열전기 전력 공급기 (Pololu Robotics and Electronics Corp.) 와 같은 열전기 전력 공급기에 의해 달성될 수 있다. 열 제어 서브시스템 (306) 은 아날로그 회로에 의해 제공된 온도 값과 같은 피드백 회로를 포함할 수 있다. 대안으로, 피드백 회로는 디지털 회로에 의해 제공될 수 있다.
일부 실시형태들에서, 네스트 (300) 는 (예를 들어, 저항 1 kOhm+/-0.1 %, 온도 계수 +/-0.02 ppm/CO 를 갖는) 저항기 및 (예를 들어, 공칭 저항 1 kOhm+/-0.01 % 를 갖는) NTC 서미스터를 포함하는 아날로그 분압기 회로 (미도시) 인 피드백 회로를 갖는 열 제어 서브시스템 (306) 을 포함할 수 있다. 일부 인스턴스들에서, 열 제어 서브시스템 (306) 은 피드백 회로로부터의 전압을 측정하고, 그 후 온-보드 PID 제어 루프 알고리즘에 대한 입력으로서 계산된 온도 값을 사용한다. PID 제어 루프 알고리즘으로부터의 출력은, 예를 들어, PololuTM 모터 드라이브 (미도시) 상에서 방향성 및 펄스-폭-변조된 신호 핀 양자 모두를 구동하여 열전기 전력 공급기를 작동시키고, 그것에 의하여 펠티어 열전기 디바이스를 제어할 수 있다.
네스트 (300) 는, 제어기 (308) 의 마이크로프로세서가 인터페이스 (310) (미도시) 를 통해 외부 마스터 제어기 (154) 와 통신하는 것을 허용하는 직렬 포트 (324) 를 포함할 수 있다. 추가로, 제어기 (308) 의 마이크로프로세서는 전기 신호 생성 서브시스템 (304) 및 열 제어 서브시스템 (306) 과 (예를 들어, Plink 툴 (미도시) 을 통해) 통신할 수 있다. 따라서, 제어기 (308), 인터페이스 (310), 및 직렬 포트 (324) 의 조합을 통해, 전기 신호 생성 서브시스템 (304) 및 열 제어 서브시스템 (306) 은 외부 마스터 제어기 (154) 와 통신할 수 있다. 이 방식으로, 마스터 제어기 (154) 는, 다른 것들 중에서, 출력 전압 조정들을 위한 스케일링 계산들을 수행함으로써 전기 신호 생성 서브시스템 (304) 을 도울 수 있다. 외부 마스터 제어기 (154) 에 커플링된 디스플레이 디바이스 (170) 를 통해 제공된 그래픽 사용자 인터페이스 (GUI) (미도시) 는 열 제어 서브시스템 (306) 및 전기 신호 생성 서브시스템 (304) 각각으로부터 얻어진 온도 및 파형 데이터를 플롯 (plot) 하도록 구성될 수 있다. 대안적으로, 또는 추가로, GUI 는 제어기 (308), 열 제어 서브시스템 (306), 및 전기 신호 생성 서브시스템 (304) 에 대한 업데이트들을 허용할 수 있다.
위에서 논의된 바와 같이, 시스템 (150A) 은 촬상 디바이스 (194) 를 포함할 수 있다. 일부 실시형태들에서, 촬상 디바이스 (194) 는 광 조절 서브시스템 (330) (도 3n 참조) 을 포함한다. 광 조절 서브시스템 (330) 은 디지털 미러 디바이스 (DMD) 또는 마이크로셔터 어레이 시스템 (MSA) 을 포함할 수 있고, 이들 중 어느 하나는 광원 (332) 으로부터 광을 수신하고 수신된 광의 서브세트를 현미경 (450) 의 광학 트레인으로 송신하도록 구성될 수 있다. 대안으로, 광 조절 서브시스템 (330) 은 그 자신의 광을 생산하고 (따라서 광원 (332) 에 대한 필요성을 없애는) 디바이스, 예컨대 유기 발광 다이오드 디스플레이 (OLED), 액정 온 실리콘 (LCOS) 디바이스, 강유전성 액정 온 실리콘 디바이스 (FLCOS), 또는 투과형 액정 디스플레이 (LCD) 를 포함할 수 있다. 광 조절 서브시스템 (330) 은, 예를 들어 프로젝터일 수 있다. 따라서, 광 조절 서브시스템 (330) 은 구조화된 및 구조화되지 않은 광 양자 모두를 방출할 수 있다. 특정 실시형태들에서, 시스템 (150A) 의 촬상 모듈 (164) 및/또는 동기 모듈 (162) 은 광 조절 서브시스템 (330) 을 제어할 수 있다.
특정 실시형태들에서, 촬상 디바이스 (194) 는 현미경 (350) 을 더 포함한다. 이러한 실시형태들에서, 네스트 (300) 및 광 조절 서브시스템 (330) 은 현미경 (350) 상에 장착되도록 개별적으로 구성될 수 있다. 현미경 (350) 은, 예를 들어 표준 연구-등급 광 현미경 또는 형광 현미경일 수 있다. 따라서, 네스트(300)는 현미경(350)의 스테이지(344) 상에 장착되도록 구성될 수도 있고/있거나 광 변조 서브시스템(330)은 현미경(350)의 부분 상에 장착하도록 구성될 수 있다. 다른 실시형태들에서, 본원에 설명된 네스트 (300) 및 광 조절 서브시스템 (330) 은 현미경 (350) 의 일체형 컴포넌트들일 수 있다.
특정 실시형태들에서, 현미경 (450) 은 하나 이상의 검출기들 (348) 을 더 포함할 수 있다. 일부 실시형태들에서, 검출기 (348) 는 촬상 모듈 (164) 에 의해 제어된다. 검출기 (348) 는 아이 피스 (eye piece), 전하-결합 디바이스 (CCD), 카메라 (예를 들어, 디지털 카메라), 또는 이들의 임의의 조합을 포함할 수 있다. 적어도 2 개의 검출기들 (348) 이 존재하면, 하나의 검출기는 예를 들어, 고속-프레임율 (fast-frame-rate) 카메라일 수 있는 한편, 다른 검출기는 고 감도 카메라일 수 있다. 또한, 현미경 (350) 은 미세유체 디바이스 (320) 로부터 반사 및/또는 방출된 광을 수신하고, 반사 및/또는 방출된 광의 적어도 일부분을 하나 이상의 검출기들 (348) 상에 포커싱하도록 구성된 광학 트레인을 포함할 수 있다. 현미경의 광학 트레인은 또한, 각각의 검출기 상의 최종 배율이 상이할 수 있도록, 상이한 검출기들에 대한 상이한 튜브 렌즈들 (미도시) 을 포함할 수 있다.
소정 실시형태들에서, 이미징 디바이스(194)는 적어도 2 개의 광원들을 사용하도록 구성된다. 예를 들어, 제 1 광원 (332) 은 (예를 들어, 광 변조 서브시스템 (330) 을 통해) 구조화된 광을 생성하는데 사용될 수 있고, 제 2 광원 (334) 은 비구조화된 광을 제공하는데 사용될 수 있다. 제 1 광원 (332) 은 광학적으로-작동된 전기역학 (electrokinesis) 및/또는 형광성 여기를 위해 구조화된 광을 생성할 수 있고, 제 2 광원 (334) 은 명시야 조명을 제공하는데 사용될 수 있다. 이들 실시형태들에서, 동기 모듈 (164) 은 제 1 광원 (332) 을 제어하는데 사용될 수 있고, 이미징 모듈 (164) 은 제 2 광원 (334) 을 제어하는데 사용될 수 있다. 현미경 (350) 의 광학 트레인은 (1) 디바이스가 네스트 (300) 에 의해 홀딩되는 경우, 광 조절 서브시스템 (330) 으로부터 구조화된 광을 수신하고, 이 구조화된 광을 광학적으로-작동된 전기역학 디바이스와 같은 미세유체 디바이스에서의 적어도 제 1 영역에 포커싱하고, (2) 미세유체 디바이스로부터 반사 및/또는 방출된 광을 수신하고 이러한 반사 및/또는 방출된 광의 적어도 일부를 검출기 (348) 로 포커싱하도록 구성될 수 있다. 광학 트레인은 또한, 디바이스가 네스트 (300) 에 의해 홀딩되는 경우, 제 2 광원으로부터 비구조화된 광을 수신하고, 이 비구조화된 광을 미세유체 디바이스의 적어도 제 2 영역 상에 포커싱하도록 구성될 수 있다. 특정 실시형태들에서, 미세유체 디바이스의 제 1 및 제 2 영역들은 오버랩하는 영역들일 수 있다. 예를 들어, 제 1 영역은 제 2 영역의 서브세트일 수 있다. 다른 실시형태들에서, 제 2 광원 (334) 은 추가적으로 또는 대안적으로, 임의의 적합한 파장의 광을 가질 수 있는 레이저를 포함할 수 있다. 도 3n 에 도시된 광학 시스템의 도시는 단지 개략적인 도시이며, 광학 시스템은 추가 필터들, 노치 필터들, 렌즈들 등을 포함할 수 있다. 제 2 광원 (334) 이 레이저 조명 이외에 브라이트필드 및/또는 형광성 여기를 위한 하나 이상의 광원(들)을 포함하는 경우, 광원(들)의 물리적 배열은 도 3n에 도시된 것과 달라질 수 있고, 그리고 광학 시스템 내의 임의의 적합한 물리적 위치에 레이저 조명이 도입될 수 있다. 광원 (334) 및 광원 (332)/광 변조 서브시스템 (330) 의 개략적인 위치가 인터체인징될 수 있음은 물론이다.
도 3n 에서, 제 1 광원 (332) 은, 시스템 (355)(미도시) 의 현미경 (350) 의 광학 트레인에 구조화된 광을 제공하는, 광 조절 서브시스템 (330) 에 광을 공급하는 것으로 도시된다. 제 2 광원 (334) 은 비구조화된 광을 빔 스플리터 (336) 를 통해 광학 트레인에 제공하는 것으로 도시된다. 광 조절 서브시스템 (330) 으로부터의 구조화된 광 및 제 2 광원 (334) 으로부터의 비구조화된 광은 빔 스플리터 (336) 로부터 광학 트레인을 통해 함께 이동하여 제 2 빔 스플리터 (또는 광 조절 서브시스템 (330) 에 의해 제공된 광에 따라, 이색성 필터 (338)) 에 도달하며, 여기서 광은 대물렌즈 (336) 를 통해 샘플 평면 (342) 으로 아래로 반사된다. 샘플 평면 (342) 으로부터 반사 및/또는 방출된 광은 그 후, 대물렌즈 (340) 를 통해, 빔 스플리터 및/또는 이색성 필터 (338) 를 통해, 이색성 필터 (346) 로 위로 다시 이동한다. 이색성 필터 (346) 에 도달하는 광의 일부 만이 통과하여 검출기 (348) 에 도달한다.
일부 실시형태들에서, 제 2 광원 (334) 은 블루 광을 방출한다. 적합한 이색성 필터 (346) 로, 샘플 평면 (342) 으로부터 반사된 블루 광은 이색성 필터 (346) 를 통과하고 검출기 (348) 에 도달할 수 있다. 반대로, 광 조절 서브시스템 (330) 으로부터 오는 구조화된 광은 샘플 평면 (342) 으로부터 반사되지만, 이색성 필터 (346) 를 통과하지 않는다. 이 예에서, 이색성 필터 (346) 는 495 nm 보다 긴 파장을 갖는 가시 광을 필터링한다. 광 조절 서브시스템 (330) 으로부터의 광의 이러한 필터링은 단지, 광 조절 서브시스템으로부터 방출된 광이 495 nm 보다 짧은 임의의 파장을 포함하지 않는다면 (도시된 바와 같이) 완료될 것이다. 실제로, 광 조절 서브시스템 (330) 으로부터 오는 광이 495 nm 보다 짧은 파장들 (예를 들어, 블루 파장들) 을 포함하면, 광 조절 서브시스템으로부터의 광의 일부는 필터 (346) 를 통과하여 검출기 (348) 에 도달한다. 이러한 실시형태에서, 필터 (346) 는 제 1 광원 (332) 및 제 2 광원 (334) 으로부터 검출기 (348) 에 도달하는 광의 양 간의 균형을 변화시키도록 작용한다. 이것은, 제 1 광원 (332) 이 제 2 광원 (334) 보다 상당히 더 강한 경우 유익할 수 있다. 다른 실시형태들에서, 제 2 광원 (334) 은 적색 광을 방사할 수 있고, 이색성 필터 (346) 는 적색 광이 아닌 가시 광 (예를 들어, 650 nm 보다 더 짧은 파장을 갖는 가시 광) 을 필터링할 수 있다.
코팅 용액들 및 코팅제들. 이론에 의헤 제한되도록 의도하지 않고, 미세유체 디바이스 (예를 들어, DEP-구성된 및/또는 EW-구성된 미세유체 디바이스) 내에서의 마이크로-객체 (예를 들어, 생물학적 세포) 의 유지보수는, 미세유체 디바이스와 그 안에 유지되는 생물학적 마이크로-객체(들) 사이의 일차 인터페이스를 제공하는 생체 분자 및/또는 친수성 분자의 층을 제공하도록 미세유체 디바이스의 적어도 하나 이상의 내부 표면들이 컨디셔닝 또는 코팅된 경우, 용이하게 될 수도 있다 (즉, 마이크로-객체는 미세유체 디바이스 내에서 증가된 생존 능력, 더 큰 증식 및/또는 더 큰 운반가능성을 나타낸다). 일부 실시형태들에서, 미세유체 디바이스의 내부 표면들 (예컨대, DEP-구성된 미세유체 디바이스의 전극 활성화 기판의 내부 표면, 미세유체 디바이스의 커버, 및/또는 회로 재료의 표면들) 중의 하나 이상은 유기 및/또는 친수성 분자들의 희망된 층을 생성하기 위하여 코팅 용액 및/또는 코팅제로 처리될 수도 있거나 코팅 용액 및/또는 코팅제에 의해 개질될 수도 있다.
코팅은 마이크로-객체(들) 의 도입 전 또는 후에 도포될 수도 있거나, 마이크로-객체(들) 과 동시에 도입될 수도 있다. 일부 실시형태들에서, 마이크로-객체(들) 은 하나 이상의 코팅제들을 포함하는 유체 매질에서 미세유체 디바이스 내로 들여와 질 수도 있다. 다른 실시형태들에서, 미세유체 디바이스 (예를 들어, DEP-구성된 미세유체 디바이스) 의 내부 표면(들) 은 미세유체 디바이스 내로 마이크로-객체(들) 의 도입 이전에 코팅제를 포함하는 코팅 용액으로 처리 또는 "프라이밍" 된다.
일부 실시형태들에서, 미세유체 디바이스의 적어도 하나의 표면은 마이크로-객체(들) 의 유지 및/또는 증식에 적합한 생체 분자 및/또는 친수성 분자들의 층을 제공하는 (예를 들어, 이하에 기술된 바와 같이 컨디셔닝된 표면을 제공하는) 코팅 재료를 포함한다. 일부 실시형태들에서, 미세유체 디바이스의 실질적으로 모든 내부 표면들은 코팅 재료를 포함한다. 코팅된 내부 표면(들)은 흐름 영역 (예를 들어, 채널), 챔버 또는 격리 펜의 표면, 또는 이들의 조합을 포함할 수 있다. 일부 실시형태에서, 복수의 격리 펜 각각은 코팅 재료로 코팅된 적어도 하나의 내부 표면을 갖는다. 다른 실시형태에서, 복수의 흐름 영역 또는 채널의 각각은 코팅 재료로 코팅된 적어도 하나의 내부 표면을 갖는다. 일부 실시형태에서, 복수의 격리 펜 각각 및 다수의 채널 각각의 적어도 하나의 내부 표면은 코팅 물질로 코팅된다. (여기)
코팅제/용액. 혈청 또는 혈청 인자들, 소 혈청 알부민 (BSA), 폴리머들, 계면활성제들, 효소들, 및 이들의 임의의 조합을 포함하지만 이들에 제한되지 않는 임의의 편리한 코팅제/코팅 용액이 사용될 수 있다.
폴리머 계 코팅 재료. 적어도 하나의 내부 표면은 폴리머를 포함하는 코팅 재료를 포함할 수도 있다. 폴리머는 공유결합으로 또는 비-공유결합으로 적어도 하나의 표면에 바인딩될 수도 있다 (또는 비-구체적으로 유착 (adhere) 될 수도 있음). 폴리머는 블록 폴리머들(및 코폴리머들), 성형 폴리머들(성형 코폴리머들), 및 그래프트 또는 빗살모양 폴리머들(그래프트 코폴리머들)에서 발견되는 바와 같은 다양한 구조성 모티프들을 가질 수도 있으며, 이들 모두는 본 명세서에서 개시된 방법들에 적합할 수도 있다.
폴리머는 알킬렌 에테르 모이어티들을 포함하는 폴리머를 포함할 수도 있다. 매우 다양한 알킬렌 에테르 함유 폴리머들이 여기에 기술된 미세유체 디바이스들에서의 사용을 위해 적합할 수도 있다. 알킬렌 에테르 함유 폴리머의 하나의 비한정적인 예시적인 부류는 폴리머 사슬 내의 상이한 비율 및 위치에서 폴리에틸렌 옥사이드 (PEO) 및 폴리 프로필렌 옥사이드 (PPO) 서브유닛들의 블록들을 포함하는 양쪽성 비이온성 블록 코폴리머이다. PluronicTM 폴리머 (BASF) 는 이 유형의 블록 코폴리머이며 살아있는 세포와 접촉할 때 사용하기에 적합한 것으로 당업계에 공지되어 있다. 폴리머들은 평균 분자 질량 (MW) 에서 약 2000Da 로부터 약 20KDa 까지의 범위에 있을 수도 있다. 일부 실시형태에서, PEO-PPO 블록 코폴리머는 약 10 보다 큰 (예를 들어, 12-18) 친수성-친유성 균형 (HLB) 을 가질 수 있다. 코팅된 표면을 산출하기 위해 유용한 특정의 PluronicTM 폴리머들은 PluronicTM L44, L64, P85, 및 F127 (F127NF 를 포함) 을 포함한다. 알킬렌 에테르 함유 폴리머들의 다른 클래스는 폴리에틸렌 글리콜 (PEG Mw < 100,000Da) 또는 대안적으로 폴리에티렌 옥사이드 (PEO, Mw > 100,000) 이다. 일부 실시형태에서, PEG는 Mw 가 약 1000Da, 5000Da, 10,000Da 또는 20,000Da 일 수 있다.
다른 실시형태들에서, 코팅 재료는 카르복실릭 애시드 모이어티들을 포함하는 폴리머를 포함할 수도 있다. 카르복실릭 애시드 서브유닛은 알킬, 알케닐 또는 방향족 모이어티 포함 서브유닛일 수도 있다. 하나의 비제한적인 예는 폴리락틱 애시드(PLA)이다. 다른 실시형태에서, 코팅 재료는 폴리머 백본의 말단 또는 폴리머 백본으로부터의 펜던트 중 어느 하나에서 인산염 모이어티를 함유하는 폴리머를 포함할 수 있다. 또 다른 실시형태들에서, 코팅 재료는 술폰산 모이어티들을 함유하는 폴리머를 포함할 수도 있다. 술포닉 애시드 서브유닛은 알킬, 알케닐 또는 방향족 모이어티 포함 서브유닛일 수도 있다. 하나의 비제한적인 예는 폴리스티렌 술포닉 애시드(PSSA) 또는 폴리아네톨 술포닉 애시드이다. 추가 실시형태에서, 코팅 재료는 아민 모이어티를 포함하는 폴리머를 포함할 수 있다. 폴리아미노 폴리머는 천연 폴리아민 폴리머 또는 합성 폴리아민 폴리머를 포함할 수 있다. 천연 폴리아민의 예에는 스페르민, 스페르미딘 및 퓨트레신을 포함한다.
다른 실시형태들에서, 코팅 재료는 당류 모이어티를 포함하는 폴리머를 포함할 수도 있다. 비-제한적인 예에서, 잔탄검 또는 덱스트란과 같은 폴리사카라이드들은 미세유체 디바이스에서의 세포 스티킹 (cell sticking) 을 감소시킬 수도 있거나 방지할 수도 있는 재료를 형성하기 위하여 적당할 수도 있다. 예를 들어, 약 3kDa 크기를 갖는 덱스트란 폴리머가 미세유체 디바이스 내의 표면을 위한 코팅 재료를 제공하는데 사용될 수 있다.
다른 실시형태들에서, 코팅 재료는 폴리전해질 표면을 제공하는, 리보뉴클레오티드 모이어티들 또는 디옥시리보뉴클레오티드 모이어티들을 가질 수도 있는 뉴클레오티드 모이어티들, 즉, 핵산을 함유하는 폴리머를 포함할 수도 있다. 핵산은 천연 뉴클레오티드 모이어티들만을 포함할 수도 있거나 제한 없이 7-디아자아데닌, 펜토오스, 메틸 포스포네이트 또는 포스포로티오에이트 모이어티들과 같은 핵염기, 리보오스 또는 포스페이트 모이어티 유사체들을 포함하는 비천연 뉴클레오티브 모이어티들을 포함할 수도 있다.
또 다른 실시형태들에서, 코팅 재료는 아미노산 모이어티들을 함유하는 폴리머를 포함할 수도 있다. 아미노산 모이어티들을 포함하는 폴리머는 천연 아미노산 포함 폴리머 또는 비천연 아미노산 포함 폴리머를 포함할 수도 있으며, 이들 중 어느 것은 펩티드, 폴리펩티드 또는 단백질을 포함할 수도 있다. 하나의 비-제한적인 예에서, 단백질은 알부민 및/또는 하나 이상의 다른 유사한 단백질들을 코팅제들로서 포함하는 소혈청 알부민 (BSA) 및/또는 혈청 (또는 다수의 상이한 혈청들의 조합) 일 수도 있다. 혈청은 태아 송아지 혈청, 양 혈청, 염소 혈청, 말 혈청 등을 포함하지만 이에 한정되지 않는 임의의 편리한 공급원으로부터 유래될 수 있다.
일부 실시형태들에서, 코팅 용액 내의 BSA 는 5 mg/mL, 10 mg/mL, 20 mg/mL, 30 mg/mL, 40 mg/mL, 50 mg/mL, 60 mg/mL, 70 mg/mL, 80 mg/mL, 90 mg/mL, 또는 그 이상 또는 이들 사이의 임의의 값을 포함하는 약 1 mg/mL 로부터 약 100 mg/mL 까지의 농도일 수 있다. 소정의 실시형태들에서, 코팅 용액 내의 혈청은 25%, 30%, 35%, 40%, 45%, 또는 그 이상 또는 이들 사이의 임의의 값을 포함하는 약 20% (v/v) 로부터 약 50% v/v 까지의 농도에서 존재할 수도 있다. 일부 실시형태들에서는, BSA 가 5 mg/mL 에서의 코팅 용액에서의 코팅제로서 존재할 수도 있는 반면, 다른 실시형태에서는, BSA 가 70 mg/mL 에서의 코팅 용액에서의 코팅제로서 존재할 수도 있다. 특정 실시형태에서, 혈청은 코팅 용액 중의 코팅제로서 30%로 존재한다. 일부 실시형태들에서, 세포외 기질 (ECM) 단백질은 세포 성장을 조성하기 위해 최적화된 세포 부착을 위해 코팅 재료 내에 제공될 수도 있다. 코팅 재료에 포함될 수도 있는 세포 기질 단백질은 콜라겐, 엘라스틴, RGD-함유 펩티드 (예를 들어, 피브로넥틴), 또는 라미닌을 포함할 수 있지만, 이들에 제한되지 않는다. 또 다른 실시형태들에서, 성장 인자들, 사이토킨들, 호르몬들 또는 다른 세포 시그널링 종이 미세유체 디바이스의 코팅 재료 내에 제공될 수도 있다.
일부 실시형태들에서, 코팅 물질은 하나 보다 많은, 알킬렌 산화물 모이어티들, 카르복시산 모이어티들, 술폰 산 모이어티들, 포스페이트 모이어티들, 사카라이드 모이어티들, 뉴클레오티드 모이어티들, 또는 아미노산 모이어티들을 함유하는 중합체를 포함할 수도 있다. 다른 실시형태들에서, 폴리머 컨디셔닝된 표면은 각각 알킬렌 옥사이드 모이어티들, 카르복실릭 애시드 모이어티들, 술포닉 애시드 모이어티들, 포스페이트 모이어티들, 당류 모이어티들, 뉴클레오티드 모이어티들, 및/또는 아미노 애시드 모이어티들을 갖는 2 이상의 폴리머의 혼합물을 포함할 수도 있으며, 그것은 코팅 재료 내로 독립적으로 또는 동시에 통합될 수도 있다.
공유결합으로 연결된 코팅 재료들. 일부 실시형태들에서, 적어도 하나의 내부 표면은 이러한 세포들을 위한 컨디셔닝된 표면을 제공하는, 미세유체 디바이스 내의 마이크로-객체(들)의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하는 공유결합으로 연결된 분자들을 포함한다.
공유결합으로 연결된 분자들은 연결 기 (linking group) 를 포함하고, 여기서, 연결 기는 이하에서 설명된 바와 같이, 미세유체 디바이스의 하나 이상의 표면들에 공유결합으로 연결된다. 연결 기는 또한, 마이크로-객체 (들) 의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티에 공유결합으로 연결된다.
일부 실시형태들에서, 마이크로-객체(들)의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 공유결합으로 연결된 모이어티는 알킬 또는 (퍼플루오로알킬을 포함하는) 플루오로알킬 모이어티들; (덱스트란을 포함할 수도 있지만, 이것으로 제한되지는 않는) 모노- 또는 폴리사카라이드들; (프로파르길 알콜을 포함하지만, 이것으로 제한되지는 않는) 알콜들; 폴리비닐 알콜을 포함하지만, 이것으로 제한되지는 않는 폴리알콜들; 폴리에틸렌 글리콜을 포함하지만, 이것으로 제한되지는 않는 알킬렌 에테르들; (폴리아크릴산 또는 폴리비닐 포스폰산을 포함하지만, 이것으로 제한되지는 않는) 폴리전해질들; (알킬화된 아민들, 히드록시알킬화된 아미노 기, 구아니디늄, 및 모르폴린일 또는 피페라지닐과 같은, 그러나 이것으로 제한되지는 않는 비방향족 질소 링 원자를 함유하는 헤테로사이클릭 기들과 같은, 그러나 이것으로 제한되지는 않는 그 유도체들을 포함하는) 아미노 기들; (카르복실레이트 음이온 표면을 제공할 수도 있는) 프로피올산을 포함하지만, 이것으로 제한되지는 않는 카르복실산들; (포스포네이트 음이온 표면을 제공할 수도 있는) 에틴일 포스폰산을 포함하지만, 이것으로 제한되지는 않는 포스폰산들; 설포네이트 음이온들; 카르복시베타인들; 술포베타인들; 술팜산들; 또는 아미노산들을 포함할 수도 있다.
다양한 실시형태들에서, 미세유체 디바이스에서의 마이크로-객체 (들) 의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 공유결합으로 연결된 모이어티는 알킬 모이어티, (퍼플루오로알킬을 포함하지만, 이것으로 제한되지는 않는) 플루오로알킬 모이어티와 같은 치환된 알킬 모이어티, 아미노산 모이어티, 알콜 모이어티, 아미노 모이어티, 카르복실산 모이어티, 포스폰산 모이어티, 술폰산 모이어티, 술팜산 모이어티, 또는 당류 모이어티와 같은 비-폴리머 모이어티들을 포함할 수도 있다. 대안적으로, 공유결합으로 연결된 모이어티는 위에서 설명된 모이어티들 중의 임의의 것일 수도 있는 폴리머성 모이어티들을 포함할 수도 있다.
일부 실시형태들에서, 공유결합으로 연결된 알킬 모이어티는 선형 체인 (예를 들어, 적어도 10 개의 탄소들, 또는 적어도 14, 16, 18, 20, 22 개, 또는 그 이상의 탄소들의 선형 체인) 을 형성하는 탄소 원자들을 포함할 수도 있고, 비분기형 알킬 모이어티일 수도 있다. 알킬기는 치환된 알킬기 (예를 들어, 알킬기에서의 탄소들의 일부는 플루오르화 또는 퍼플루오르화될 수 있음) 를 포함할 수도 있다. 일부 실시형태들에서, 알킬 기는 비-치환된 알킬 기를 포함할 수도 있는 제 2 세그먼트에 결합된, 퍼플루오로알킬 기를 포함할 수도 있는 제 1 세그먼트를 포함할 수도 있고, 여기서 제 1 및 제 2 세그먼트들은 (예를 들어, 에테르 결합에 의해) 직접적으로 또는 간접적으로 결합될 수도 있다. 알킬기의 제 1 분절은 연결기에서 멀리 위치될 수도 있고, 알킬기의 제 2 분절은 연결기에 근접하여 위치될 수도 있다.
다른 실시형태들에서, 공유 결합으로 연결된 모이어티는 2 이상의 타입의 아미노산을 포함할 수도 있는 적어도 하나의 아미노산을 포함할 수도 있다. 따라서, 공유 결합으로 연결된 모이어티는 펩티드 또는 단백질을 포함할 수도 있다. 일부 실시형태들에서, 공유 결합으로 연결된 모이어티는 세포 성장, 생존 능력, 운반가능성, 또는 이들의 임의의 조합을 지원하기 위해 양쪽성 이온 표면을 제공할 수도 있는 아미노산을 포함할 수도 있다.
다른 실시형태들에서, 공유결합으로 연결된 모이어티는 적어도 하나의 알킬렌 옥사이드 모이어티를 포함할 수도 있고, 위에서 설명된 바와 같은 임의의 알킬렌 옥사이드 폴리머를 포함할 수도 있다. 알킬렌 에테르 함유 폴리머들의 하나의 유용한 클래스는 폴리에틸렌 글리콜 (PEG MW < 100,000Da) 또는 대안적으로 폴리에틸렌 옥사이드 (PEO, MW > 100,000) 이다. 일부 실시형태에서, PEG는 Mw 가 약 1000Da, 5000Da, 10,000Da 또는 20,000Da 일 수 있다.
공유 결합으로 연결된 모이어티는 하나 이상의 당류를 포함할 수 있다. 공유 결합으로 연결된 당류는 단당류, 이당류, 또는 다당류일 수 있다. 공유결합으로 연결된 당류는 표면에 대한 부착을 위해 커플링 또는 정교화 (elaboration) 를 허용하는 반응성 페어링 (pairing) 모이어티를 도입하기 위해 개질될 수도 있다. 예시적인 반응성 페어링 모이어티들은 알데히드, 알킨 또는 할로 모이어티들을 포함할 수도 있다. 다당류는 랜덤한 양식으로 개질될 수도 있으며, 여기서 당류 모노머들 각각이 개질될 수도 있거나 다당류 내의 당류 모노머들의 일부만이 표면에 직접 또는 간접으로 커플링될 수도 있는 반응성 페어링 모이어티를 제공하기 위해 개질된다. 하나의 예는 비분지형 연결자를 통해 표면에 간접적으로 커플링될 수도 있는 덱스트란 다당류를 포함할 수도 있다.
공유 결합으로 연결된 모이어티는 하나 이상의 아미노기들을 포함할 수도 있다. 아미노기는 치환된 아민 모이어티, 구아니딘 모이어티, 질소 함유 헤테로시클릭 모이어티 또는 헤테로아릴 모이어티일 수도 있다. 아미노 함유 모이어티들은 미세유체 디바이스 내의, 및 선택적으로 격리 펜들 및/또는 흐름 영역들 (예를 들어, 채널들) 내의 환경의 pH 변경을 허용하는 구조들을 가질 수도 있다.
컨디셔닝된 표면을 제공하는 코팅 재료는 오직 하나의 종류의 공유결합으로 연결된 모이어티를 포함할 수도 있거나, 하나를 초과하는 상이한 종류의 공유결합으로 연결된 모이어티를 포함할 수도 있다. 예를 들어, (퍼플루오로알킬을 포함하는) 플루오로알킬 컨디셔닝된 표면들은 모두 동일한, 예를 들어, 표면에 대한 동일한 연결기 및 공유결합 부착, 동일한 전체 길이, 및 플루오로알킬 모이어티를 포함하는 동일한 수의 플루오로메틸렌 유닛들을 갖는 복수의 공유결합으로 연결된 모이어티들을 가질 수도 있다. 대안적으로, 코팅 재료는 표면에 부착된 2 이상의 종류의 공유결합으로 연결된 모이어티를 가질 수도 있다. 예를 들어, 코팅 재료는 특정된 수의 메틸렌 또는 플루오로메틸렌 유닛들을 가지는 공유결합으로 연결된 알킬 또는 플루오로알킬 모이어티들을 가지는 분자들을 포함할 수도 있고, 코팅된 표면에서 더 대량의 모이어티들을 제공하기 위한 용량을 제공할 수도 있는 더 큰 수의 메틸렌 또는 플루오로메틸렌 유닛들을 가지는 알킬 또는 플루오로알킬 사슬에 공유결합으로 부착된 하전된 모이어티 (charged moiety) 들을 가지는 분자들의 추가의 세트를 더 포함할 수도 있다. 이 사례에서, 상이한 덜 입체적으로 요구하는 말단들 및 더 작은 백본 원자들을 가지는 분자들의 제 1 세트는 전체 기판 표면을 기능화하는 것을 도울 수 있음으로써, 기판 자체를 구성하는 실리콘/실리콘 옥사이드, 하프늄 옥사이드, 또는 알루미나와의 비희망된 부착 또는 접촉을 방지할 수 있다. 다른 예에서, 공유결합으로 연결된 모이어티들은 표면상에서 랜덤한 양식으로 교번하는 전하들을 제시하는 양쪽성 이온 표면을 제공할 수도 있다.
컨디셔닝된 표면 특성들. 컨디셔닝된 표면의 조성을 제외하고, 소수성 재료의 물리적인 두께와 같은 다른 인자는 DEP 힘에 영향을 미칠 수 있다. 컨디셔닝된 표면이 기판 상에 형성되는 방식 (예를 들어, 기상 증착, 액상 증착, 스핀 코팅, 범람 및 정전기 코팅) 과 같은 다양한 요인들이 컨디셔닝된 표면의 물리적 두께를 변경할 수 있다. 일부 실시형태들에서, 조절된 표면은 약 1 nm 내지 약 10 nm; 약 1 nm 내지 약 7 nm; 약 1 nm 내지 약 5 nm 또는 이들 사이의 임의의 개개의 값의 두께를 갖는다. 다른 실시형태들에서, 공유 결합으로 연결된 모이어티에 의해 형성된 컨디셔닝된 표면은 약 10 nm 내지 약 50 nm의 두께를 가질 수 있다. 다양한 실시형태들에서, 본원에서 설명된 바와 같이 준비된 컨디셔닝된 표면은 10 nm 미만의 두께를 가진다. 일부 실시형태들에서, 컨디셔닝된 표면의 공유결합으로 연결된 모이어티들은 미세유체 디바이스의 표면 (예컨대, DEP 구성된 기판 표면) 에 공유결합으로 연결될 때에 단층을 형성할 수도 있고, 10 nm 미만 (예컨대, 5 nm 미만, 또는 약 1.5 내지 3.0 nm) 의 두께를 가질 수도 있다. 이들 값들은 약 30 nm 의 두께를 통상적으로 가질 수도 있는, 예를 들어, 스핀 코팅에 의해 준비된 표면의 값들과 대조적이다. 일부 실시형태들에서, 컨디셔닝된 표면은 DEP-구성된 미세유체 디바이스 내에서의 동작에 적합하게 관능적이도록 완전하게 형성된 단층을 필요로 하지 않는다.
다양한 실시형태들에서, 미세유체 디바이스의 컨디셔닝된 표면을 제공하는 코팅 재료는 바람직한 전기적 성질들을 제공할 수도 있다. 이론에 의해 제한하려는 의도는 없지만, 특정 코팅 재료로 코팅된 표면의 강건성에 영향을 미치는 한 가지 요인은 고유 전하 트래핑 (intrinsic charge trapping) 이다. 코팅 재료가 다르면 전자들을 트래핑할 수 있고, 이것은 코팅 재료의 파손을 초래할 수 있다. 코팅 재료에서의 결함들은 전하 트랩핑을 증가시킬 수도 있고 코팅 재료의 추가의 고장을 야기할 수도 있다. 유사하게, 상이한 코팅 재료들은 전하 트래핑에 영향을 줄 수 있는 상이한 유전 강도들 (즉, 절연 파괴를 일으키는 최소 적용 전계) 을 갖는다. 특정 실시형태들에서, 코팅 재료는 전하 트래핑의 양을 감소시키거나 제한하는 전체 구조 (예를 들어, 고밀도로 팩킹된 단층 구조) 를 가질 수 있다.
그것의 전기적 특성들에 더하여, 컨디셔닝된 표면은 또한 생물학적 분자들과 함께 사용하는데 유익한 특성들을 가질 수도 있다. 예를 들어, 플루오르화된 (또는 퍼플루오르화된) 탄소 사슬을 함유하는 컨디셔닝된 표면은 표면 파울링의 양을 감소시키는데 있어서 알킬 종결된 사슬에 비해 이점을 제공할 수 있다. 본 명세서에서 사용되는 바와 같은 표면 부착물은 미세유체 디바이스의 표면 상의 무분별한 재료 증착의 양을 지칭하며, 그것은 단백질 및 그것의 분해 생성물들, 핵산들 및 각각의 분해 생성물들 등과 같은 생체재료들의 영구인 또는 반영구적 퇴적물을 포함할 수도 있다.
유니터리 (unitary) 또는 멀티-파트 컨디셔닝된 표면. 공유결합으로 연결된 코팅 재료는 이하에서 설명되는 바와 같이, 미세유체 디바이스에서의 마이크로-객체(들)의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티를 이미 함유하는 분자의 반응에 의해 형성될 수도 있다. 대안적으로, 공유결합으로 연결된 코팅 재료는 마이크로-객체 (들) 의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티를, 자체로 표면에 공유결합으로 연결되었던 표면 개질 리간드 (surface modifying ligand) 에 결합함으로써 2-파트 시퀀스로 형성될 수도 있다.
공유 결합으로 연결된 코팅 재료의 제조 방법. 일부 실시형태들에서, (예를 들어, 격리 펜들 및/또는 유동 영역들의 적어도 하나의 표면을 포함하는) 미세유체 디바이스의 표면에 공유결합으로 연결되는 코팅 재료는 식 1 또는 식 2 의 구조를 갖는다. 코팅 재료가 하나의 단계에서 표면으로 도입될 때, 그것은 식 1 의 구조를 가지는 반면, 코팅 재료가 다수 단계 프로세스에서 도입될 때에는, 그것이 식 2 의 구조를 가진다.
Figure pct00001
Figure pct00002
코팅 재료는 DEP-구성된 또는 EW-구성된 기판의 표면의 옥사이드들에 공유결합으로 연결될 수도 있다. DEP- 또는 EW-구성된 기판은 실리콘, 실리콘 옥사이드, 알루미나, 또는 하프늄 옥사이드를 포함할 수도 있다. 옥사이드들은 기판의 타고난 화학적 구조의 일부로서 존재할 수도 있거나, 이하에서 논의된 바와 같이 도입될 수도 있다.
코팅 재료는 산화물들과 실록산 또는 포스포닉 애시드기의 반응으로부터 형성된 실록시 또는 포스포네이트 에스테르기일 수도 있는 연결기 ("LG") 를 통해 산화물들에 부착될 수도 있다. 미세유체 디바이스에서의 마이크로-객체 (들) 의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티는 본원에서 설명된 모이어티들 중의 임의의 것일 수 있다. 연결기 (LG) 는 미세유체 디바이스에서의 마이크로-객체 (들) 의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티에 직접적으로 또는 간접적으로 접속될 수도 있다. 연결기 (LG) 가 모이어티에 직접 연결되는 경우, 선택적 연결자 ("L") 는 존재하지 않고 n 은 0 이다. 연결기 (LG) 가 모이어티에 간접으로 연결되는 경우, 연결자 (L) 는 존재하고 n 은 1 이다. 연결자 (L) 는 선형 부분을 포함할 수도 있으며, 여기서 그 선형 부분의 백본은 본 기술에서 알려진 바와 같은 화학 결합 제한들을 받는, 규소, 탄소, 질소, 산소, 황 및/또는 인 원자들의 임의의 조합으로부터 선택된 1 내지 200 개의 비수소 원자들을 포함할 수도 있다. 그것은 에테르, 아미노, 카르보닐, 아미도, 및/또는 포스포네이트 기들, 아릴렌, 헤테로아릴렌, 또는 헤테로시클릭 기들로부터 선택될 수도 있는 하나 이상의 모이어티들의 임의의 조합으로 차단될 수도 있다. 일부 실시형태에서, 연결자 (L) 의 백본은 10 내지 20 개의 원자를 포함할 수 있다. 다른 실시형태에서, 연결자 (L) 의 백본은 약 5 개의 원자들 내지 약 200 개의 원자들; 약 10 개의 원자들 내지 약 80 개의 원자들; 약 10 개의 원자들 내지 약 50 개의 원자들; 또는 약 10 개의 원자들 내지 약 40 개의 원자들을 포함할 수도 있다. 일부 실시형태에서, 골격 원자는 모두 탄소 원자이다.
일부 실시형태들에서, 마이크로-객체(들)의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티는 멀티-단계 프로세스에서 기판의 표면에 추가될 수도 있고, 위에서 도시된 바와 같이, 식 2 의 구조를 가진다. 모이어티는 위에서 설명된 모이어티들 중의 임의의 것일 수도 있다.
일부 실시형태에서, 커플링기 (CG) 는 반응성 모이어티 (Rx) 및 반응성 쌍 부분 (Rpx) (즉, 반응성 모이어티 (Rx) 와 반응하도록 구성된 모이어티) 의 반응으로부터의 결과의 기를 나타낸다. 예를 들어, 하나의 통상적인 커플링기 (CG) 는 활성화된 에스테르, 애시드 클로라이드 등과 같은 카르복실릭 애시드의 유도체와 아미노기의 반응의 결과인 카로복사미딜기를 포함할 수도 있다. 다른 CG 는 트리아졸릴렌기, 카르복사미딜, 티오아미딜, 옥심, 메르캅틸, 디술피드, 에테르, 또는 알케닐기, 또는 반응성 모이어티의 그의 각각의 반응성 페어링 모이어티와의 반응 시에 형성될 수도 있는 임의의 다른 적합한 기를 포함할 수도 있다. 결합 기 (CG) 는 위에서 설명된 바와 같은 원소들의 임의의 조합을 포함할 수도 있는 연결자 (L) 의 제 2 단부 (즉, 미세유체 디바이스에서의 마이크로-객체 (들) 의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티에 대한 근위부인 단부) 에서 위치될 수도 있다. 일부 다른 실시형태들에서, 커플링기CG 는 연결자 L 의 백본을 차단할 수있다. 결합 기 CG 가 트리아졸일렌일 때, 그것은 클릭 결합 반응 (Click coupling reaction) 으로부터 기인하는 산물일 수도 있고, 추가로 치환될 수도 있다 (예컨대, 디벤조사이클로옥테닐 융합된 트리아졸일렌 기).
일부 실시형태에서, 코팅 재료 (또는 표면 개질 리간드) 는 화학 기상 증착을 사용하여 미세유체 디바이스의 내부 표면 상에 증착된다. 기상 증착 프로세스는 예를 들어, 용매 배스 (solvent bath) 로의 노출, 음파처리 (sonication), 또는 그 조합에 의해, 커버 (110A), 미세유체 회로 재료 (116A), 및/또는 기판 (예컨대, DEP-구성된 기판의 전극 활성화 기판 (206) 의 내부 표면 (208), 또는 EW-구성된 기판의 지지 구조체 (104A) 의 유전체 층) 을 사전-세정함으로써 임의적으로 개선될 수도 있다. 대안적으로, 또는 추가적으로, 그러한 예비 세정은 동시에 산화된 표면 (여기에 기술된 바와 같이 공유결합으로 개질될 수도 있는 표면에서의 산화물들) 을 도입하면서 여러 불순물들을 제거할 수 있는 산소 형질 클리너에서 커버 (110A), 미세유체 회로 재료 (116A), 및/또는 기판을 처리하는 것을 포함할 수 있다. 대안적으로, 하이드로클로릭 애시드와 하이드로전 페록사이드의 혼합물 또는 설퓨릭 애시드와 하이드로전 페록사이드의 혼합물 (예를 들어, 약 3:1 내지 약 7:1 의 설퓨릭 애시드 대 하이드로전 페록사이드의 비를 가질 수도 있는 피라냐 용액) 과 같은 액상 처리들은 산소 플라즈마 클리너 대신에 사용될 수도 있다.
일부 실시형태들에서, 기상 증착은 미세유체 디바이스 (200) 가 미세유체 회로 (120A) 를 정의하는 인클로저 (102A) 를 형성하기 위해 조립된 후 미세유체 디바이스 (200) 의 내부 표면을 코팅하기 위해 사용된다. 이론에 의해 제한되도록 의도하지 않고, 완전히 조립된 미세유체 회로 (120A) 상에 그러한 코팅 재료를 증착하는 것은 미세유체 회로 재료 (116A) 와 전극 활성화 기판 (206) 유전체층 및/또는 커버 (110A) 사이의 약해진 결합에 의해 야기되는 박리를 방지하는데 유익할 수도 있다. 2-단계 프로세스가 채용되는 실시형태들에서는, 마이크로-객체(들)의 유지/확장을 위하여 적당한 유기 및/또는 친수성 분자들의 층을 제공하도록 구성된 모이어티의 후속 도입과 함께, 표면 개질 리간드는 위에서 설명된 바와 같은 기상 증착을 통해 도입될 수도 있다. 후속 반응은 표면 개질된 미세유체 디바이스를 용액에서의 적당한 결합 시약에 노출함으로써 수행될 수도 있다.
도 4a는 하나 이상의 실시형태에서 칩 타임라인 뷰의 일부를 보여주는 예시적인 단순화된 사용자 인터페이스의 일부를 도시한다. 더 구체적으로, 도 4a는 하나 이상의 실시형태에서 칩 타임라인 뷰의 일부를 보여주는 예시적인 단순화된 사용자 인터페이스의 일부를 도시한다. 이 예에서, 칩 타임라인 뷰(400A)는 왼쪽 열의 메뉴에서 선택될 수 있는 각각의 복수의 챔버를 각각 갖는 하나 이상의 미세유체 디바이스(404A)에 대해 시간적으로 배열되는 데이터 표현 또는 매칭 그리드 부분(402A)을 포함한다. 하나 이상의 미세유체 디바이스들 (404A) 은, 상호작용될 때, 프로세서로 하여금 적어도 매칭 그리드 부분을 데이터의 제1 시퀀스의 적어도 일부 또는 분석 결과의 적어도 일부와 함께 팝퓰레이팅하게 하는 상호작용 진행 위젯으로 구현된다. 칩 타임라인 뷰는 예를 들어 하나 이상의 워크플로우에 대한 컨텍스트를 제공하는 정보를 포함한다. 예를 들어, 칩 타임라인 뷰는 미세 유체 디바이스에서 실행되거나 수행되는 하나 이상의 작업에 대한 시간 정보를 제공할 수 있다. 본 문서에 설명된 바와 같이, 워크플로우는 미세유체 디바이스 및/또는 그것의 내부 또는 그것 상의 하나 이상의 생물학적 샘플에서 수행되는 일련의 작업을 포함할 수 있다. 칩 타임라인 뷰는 예를 들어 타임라인 뷰 활성화 상호작용 위젯(예를 들어, 메뉴 커맨드, 컨텍스트 메뉴에서의 커맨드, 온-스크린 위젯, 또는 칩 타임라인 뷰에 대한 탭 식별자(403A), 또는 임의의 다른 적절한 위젯(들) 등)을 통해 생성될 수 있다.
작업의 일부 예들은, 제한 없이, 마이크로-객체의 로딩, 하나 이상의 특징/특성에 기초한 특정 마이크로-객체들의 선택, 하나 이상의 시약을 미세유체 디바이스에 관류하기, 시약을 관류하기 및/또는 하나 이상의 특징/특성에 기초한 마이크로-객체의 선택의 반복 프로세스, 및 미세유체 디바이스에서 마이크로-객체 익스포팅을 포함할 수 있다. 일부 실시형태에서, 작업들의 세트 또는 그 일부는 미리 결정되고 코딩될 수 있다. 일부 다른 실시형태에서, 작업들의 세트 또는 그 적어도 일부는 하나 이상의 관심 영역에서 검출, 관찰, 기록, 또는 달리 표현될 수 있다. 칩 타임라인은 작업들의 세트 중의 작업들 중 적어도 일부와 연관될 수 있고, 그 세트 중의 작업들의 이들 적어도 일부는 칩 타임라인 뷰에서 시간적으로 정렬되어, 예를 들어, 그 세트 중의 작업들의 이들 적어도 일부 사이의 절대적인 시간적 관계(예를 들어, 정확한 시점(들) 또는 기간(들)) 또는 상대적인 시간적 관계를 나타낼 수 있다.
칩 타임라인 뷰에 제시될 수 있는 작업은 이미지 또는 다수의 이미지의 시퀀스를 캡처하는 임의의 작업을 포함할 수 있다. 작업들의 세트 중의 일부 예시적인 작업들은, 제한 없이, 포획 비드를 포함할 수 있는 마이크로-객체의 로딩 또는 익스포팅, 여기서 포획 비드는 생물학적 세포에 의해 분비되는 생물학적 생성물을 검출하는데 사용될 수 있거나 예를 들어, 시퀀싱, 질량 분석법 또는 임의이 다른 식별 방법에 의한 식별을 위한 핵산 또는 단백질을 포함하지만 이에 국한되지 않는 생물학적 세포 산물을 포획하는 데 사용될 수 있다; 생물학적 샘플의 로딩 또는 익스포팅; 메모리 B 세포의 로딩 또는 익스포팅; 혈장 B 세포(B 림프구)의 로딩 또는 익스포팅; 식물, 박테리아, 곰팡이, 기타 비포유동물 세포 또는 바이러스 입자 등의 로딩 또는 익스포팅; 시약, 영양소, 분석 성분 등의 도입을 포함하는 임포트 또는 익스포트 작업; 소량 임포트 또는 익스포트 작업; 페닝 또는 언페닝이 마이크로-객체를 미세유체 디바이스의 흐름 영역에서 미세유체 디바이스의 격리된 영역으로 및/또는 그 반대로 이동시키는 것을 수반할 수 있고, 추가로 페닝 또는 언페닝이 선택적으로 유전영동(DEP)을 수반할 수 있는 최적화된 페닝 또는 언페닝 분석; 임의의 종류의 생물학적 세포 배양; 미세유체 디바이스의 챔버(예를 들어, 펜) 모니터링; 펜 타겟 수 모니터링, 여기서 타겟 수는 챔버(예를 들어, 펜) 내의 세포들의 원하는 또는 선택된 수를 포함할 수 있다; 다수의 마이크로-객체 또는 생물학적 샘플을 포함하는 관심 영역으로부터 마이크로-객체를 언페닝; 마이크로-객체 또는 생물학적 샘플의 수를 이미징 및 카운팅; 다중 스펙트럼 시간 경과 이미징; TPS(target pen selection) 이미징(예를 들어, TPS가 챔버/펜으로 또는 챔버/펜으로부터 마이크로-객체를 식별, 선택 및/또는 이동 중 하나 이상을 포함함); 생물학적 샘플의 배양을 모니터링하기 위한 목적으로 미세유체 칩 조건(예를 들어, 온도, 배지 등)에 대한 조정에 후속한 TPS 이미징; 포획 분석(예를 들어, 가시화 가능한 분자, 예를 들어 형광 또는 형광 표지된 분자의 동역학 또는 열역학적 특성 모니터링, 여기서 동역학적 또는 열역학적 특성은 확산 속도 및 결합 동역학을 포함하나 이에 제한되지 않음); 템플릿(들)이 있거나 없는 포획 분석(예를 들어, 여기서 템플릿은 하나 이상의 관심 영역 할당, 스코어 생성, 또는 생물학적 샘플의 하나 이상의 다른 특성화 수행을 위한 확립된 기준을 포함함; 언로드 목록 생성을 갖는 포획 분석(예를 들어, 여기서 언로드 목록은 하나 이상의 사전 설정된 기준을 충족하는 하나 이상의 생물학적 시퀀스를 포함하는 관심 영역 목록을 포함하고, 기준은 관심 영역으로부터 도출된 이미지 시퀀스 또는 데이터 시퀀스와 관련된 하나 이상의 특성으로부터 설정됨); DiGr(Spotlight Diffusion Gradient 또는 "digger") 분석 (예를 들어, 여기서 형광 분자의 확산이 관심 영역에서 모니터링됨), DiGr 스포트라이트 분석(예를 들어, 형광 분자로부터 야기되는 형광의 축적을 포함하지만 이것에 제한되지 않는 형광 분자가 관심 영역에서 모니터링됨), DiGr 스포트라이트 참조 이미지(예를 들어, DiGr 분석 시작 전에 촬영한 이미지 및/또는 나중에 촬영한 이미지와 비교된 DiGr 분석 시작 전에 촬영한 이미지) 와 같은 비제한적인 예를 포함하는 확산 분석; 비드, 예를 들어 캡처 비드일 수 있는 또는 세포일 수 있는 마이크로-객체로부터의 검출 가능한 신호의 검출; 가용성 리포터 분자로부터 검출 가능한 신호의 검출: 분비된 생물학적 생성물 복합체; 마이크로-객체를 둘러싸고 있는 관심 영역으로부터 검출 가능한 신호의 검출; CLD(cell line development)의 언로딩, 예를 들어, 언페닝, 예를 들어 펜과 같은 챔버로부터 마이크로-객체 또는 생물학적 샘플을 언로딩; OptoSeq B-세포 수용체(BCR)의 언로딩(예를 들어, 하나 이상의 DNA 또는 RNA 시퀀스를 포함하는 비드를 포함하나 이에 제한되지 않는 마이크로-객체의 언로딩); 세포(예를 들어, B 세포, 진핵 세포, 원핵 세포, 효모 세포, 포유동물 세포, t-세포, 또는 임의의 다른 유형의 생물학적 세포)의 언로딩; 또는 관심 영역 내에 배치된 마이크로-객체 또는 다른 객체를 언로딩; 또는 이미지 또는 이미지들을 캡처하는 임의의 다른 작업을 포함할 수 있다.
도 4a 에 도시된 다방향 배치 위젯(408A)은 5개의 작동 가능한 스위치(예를 들어, 위, 아래, 오른쪽, 왼쪽 및 중앙)를 포함하지만 동일하거나 다른 수의 작동 가능한 스위치의 다른 조합 또는 배열도 고려된다는 점에 유의해야 한다. 사용자는 사용자 인터페이스에서 소프트웨어 객체(예를 들어, 뷰 윈도우)의 배치를 제어하기 위해 이러한 작동 가능한 스위치 중 하나 이상을 작동할 수 있다. 예를 들어, 사용자는 "위" 및 "중앙" 작동 스위치를 클릭하여 사용자가 디스플레이의 상단 중앙 부분 근처에 별도의 객체를 배치하고자 함을 시스템에 나타낼 수 있다. 이러한 하나 이상의 작동 가능한 스위치에 대한 사용자의 작동을 수신한 후, 시스템은 표시되는 리얼 에스테이트 (real estate) 를 자동으로 스캔하여 그 리얼 에스테이트의 어느 부분(들)이 의미 정보 또는 기타 객체에 의해 점유되지 않는지 결정하고 사용자의 요청에 대한 응답으로 하나 이상의 후보 배치 위치들 및/또는 크기들을 자동으로 결정한다.
일부 실시형태에서, 사용자 인터페이스는 다수의 탭을 제공할 수 있으며, 여기서 각각의 탭은 관리자 또는 사용자에 의해 구성되어 하나 이상의 뷰 및 이들의 연관된 데이터 또는 정보를 표시할 수 있다. 도 4a 에 도시된 예에서, 현재 뷰 탭은 현재 활성 탭의 칩 타임라인 뷰(400A)를 보여준다. 또한, 사용자는 다방향 배치 위젯(408A)의 중앙 작동 가능 스위치(예를 들어, 다방향 배치 위젯(408A)에서 다른 4개의 사각형에 의해 각각 제공되는 기능과 다른 별도의 기능을 제공하는 중앙 사각형)를 작동할 수 있다. 다방향 배치 위젯(408A)의 중앙 작동 가능 스위치의 사용자 작동에 응답하여, 시스템은 이 예에서 갤러리 뷰 또는 그 일부의 축소된 뷰로 표시되는 삽입을 위한 객체 (412A) 에 의해 요구될 수 있는 후보 공간(406A)을 자동으로 결정한다. 후보 공간(예를 들어, 412A)은 삽입을 위한 객체가 전체 후보 공간을 차지할 수도 있거나 반드시 그렇지는 않을 수도 있지만 삽입을 위한 객체에 의해 요구될 수 있는 공간을 나타냄에 유의해야 한다.
도 4b는 일부 실시형태들에서 도 4a 의 데이터 영역(402A)의 확대도를 도시한다. 도 4c는 하나 이상의 실시형태에서 칩 타임라인 뷰에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 4b는 일부 실시형태들에서 도 4a 의 데이터 영역(402A)의 확대도를 도시한다. 더 구체적으로, 도 4b는 칩 타임라인 뷰가 하나 이상의 미세유체 디바이스(예를 들어, 미세유체 디바이스 식별자(402B)와 연관된 미세유체 디바이스) 각각에 대한 칩 타임라인을 포함할 수 있음을 예시한다. 도 4b 에 도시된 예에서, 칩 타임라인 뷰는 각각이 워크플로우에서 대응하는 작업뿐만 아니라 대응하는 시점(들) 및/또는 기간(406B)과 같은 기간(들)을 각각 나타내는 하나 이상의 표현 또는 블록(404B)을 포함할 수 있다. 일부 실시형태에서, 하나 이상의 표현은 작업들의 세트 중의 작업들 중 적어도 일부에 대응하는 각각의 상이한 이미지 시퀀스 유형(예를 들어, TPS(타겟 펜 선택), 배양 및 로드, 분석, 선택/매핑 등)을 나타내도록 컬러 코딩될 수 있다.
따라서 이들 하나 이상의 그래픽 표현 각각은 시점(들)에서 또는 기간(406B) 동안 수행되는 대응하는 작업을 그래픽으로 나타낼 수 있다. 도 4b 에 나타낸 시간 라벨은 "시 (hour)"이지만, 다른 시간 단위(예를 들어, "일", "분" 등)가 사용될 수도 있다. 일부 실시형태에서, 시간적 라벨링은 예를 들어 메뉴 항목 또는 커맨드, (예를 들어, 포인팅 장치에서 휠을 스크롤링하는 것에 의한) 사용자 인터페이스 동작 등에 의해 변경될 수 있다. 도 4c는 하나 이상의 실시형태에서 칩 타임라인 뷰에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 4c는 그래픽 표현(예를 들어, 도 4b 의 404B)이 상호작용적일 수 있는 예를 도시한다. 이 예에서, 그래픽 표현(402C)은 그래픽 표현(402C)과 연관된 추가 정보를 불러오기 위해 상호작용될 수 있다.
예를 들어, 사용자는 그래픽 표현(402C) 위로 포인팅 장치의 커서를 호버링(또는 그래픽 표현(402C) 또는 다른 적절한 유형의 사용자 인터페이스 동작을 클릭) 할 수 있고, 시스템은 그래픽 표현(402C)과 상관된 추가 정보 또는 세부사항(404C)을 포함하는 팝업 윈도우를 자동적으로 보여준다. 도 4c 에 도시된 예에서, 추가 정보 또는 세부사항(404C)은 이미지 시퀀스의 이름, 워크플로우(분석)의 유형, 그래픽 표현(402C)에 대응하는 작업의 정확한 시작 시점 및 정확한 종료 시점을 포함한다. 추가 정보 또는 세부사항(404C)은 또한 정적 및/또는 상호작용 정보 또는 세부사항을 포함할 수 있고 도 4c 에 예시된 정보 또는 세부사항에 추가로 또는 대안으로 제시될 수 있음에 유의해야 한다.
도 4c는 시간 차원(이 예에서 "날짜")에 대해 플롯팅된 하나 이상의 그래픽 표현에 대응하는 칩 타임라인의 요약(406C)을 더 예시한다. 요약(406C)은 전체 칩 타임라인의 축소되거나 압축된 뷰를 나타내고 하나 이상의 축소된 그래픽 표현(408C)을 포함한다. 소형화된 그래픽 표현은 작동될 때(예를 들어, 클릭될 때) 대응하는 그래픽 표현(예를 들어, 도 4b 의 404B)을 야기하여 4B) 일부 실시형태에서 하이라이팅되거나 그렇지 않으면 강조된다. 일부 실시형태에서, 그래픽 표현(예를 들어, 도 4b 의 404B) 의 (예를 들어, 그 위를 클릭하거나 그 위에 포인팅 장치의 커서를 호버링하는 것에 의한) 활성화 또는 작동은 또한 대응하는 소형화된 그래픽 표현(408C)이 그래픽으로, 텍스트로, 또는 둘 모두로 강조되게 한다.
도 4d는 하나 이상의 실시형태에서 칩 타임라인 뷰의 다른 예를 예시한다. 더 구체적으로, 도 4d는 하나 이상의 실시형태에서 칩 타임라인 뷰의 다른 예를 예시한다. 이 예에서, 칩 타임라인 뷰는 수평 막대 또는 그래픽 표현(빨간색과 같은 색상으로 표시될 수 있음)과 함께 4개의 미세유체 디바이스 작업(404D)을 포함하며, 이는 이미징이 사용자 인터페이스에서 식별된 각각의 4개의 미세유체 디바이스(402D) 각각에 대한 칩 타임라인에 예시된 시간 코스에 따라 이산 시점들에서 촬영된 이미지들로 수행되고 있음을 나타낸다. 이 예에서, 4개의 미세유체 디바이스(402D) 각각은 동일한 시간 길이, 예를 들어 수평 막대 또는 그래픽 표현의 길이 동안 수행되는 작업(404D)을 갖는다. 작업들(404D)은 동일한 작업, 예를 들어, 4개의 미세유체 디바이스 각각에 대한 배양일 수 있거나, 또는 일부 다른 실시형태에서, 그 작업들은 각각 동일한 기간 동안 수행되는 상이한 작업들(404D)일 수 있지만(예를 들어, 동일한 날짜들에 시작하고 종료할 수 있지만) 상이한 작업들이 예를 들어 상이한 작업들에 대한 상이한 제어 변수들에 기인하여 정확히 동일한 시점(들)에 또는 상이한 시점들에 발생 (예를 들어, 시작 및/또는 종료) 할 수 있는 동일하거나 상이한 워크플로우 태스크 및/또는 워크플로우 단계를 포함할 수 있다. 이 예에서 식별된 미세유체 디바이스는 미세유체 디바이스 식별자(ID), 특정 미세유체 디바이스와 관련된 고유 식별자(예를 들어, D48208, D52213, D57829, D58203)를 갖는다. 이들 미세유체 디바이스 ID는 현재 개시된 시스템이 미세유체 디바이스를 타임라인 및 칩 타임라인의 상이한 시점들에서 촬영된 하나 이상의 기본 이미지로부터 추출될 수 있는 관심 영역과 상관시키는 것을 허용한다. 기본 이미지는 미세유체 디바이스의, 또는 다수의 미세유체 디바이스들에 걸친 (예를 들어, 도시된 바와 같은 4 개의 미세유체 디바이스들에 걸친) 각 관심 영역에 대한 개별 이미지들 또는 이미지 시퀀스들을 생성하기 위해 (예를 들어, 타겟 기반 또는 구조 기반 특징들에 기초하여) 분할될 수 있다. 이미지들은 정량화되거나 달리 특성화되고 갤러리 뷰로, 그래프 또는 플롯으로 표시될 수 있으며, 이미지들은 필터링 및 정렬된 다음 표시될 수 있다.
도 4d 의 이러한 예는 칩 타임라인 뷰의 그래픽 표현 각각에 대한 추가 정보 또는 세부사항(406D)을 더 예시한다. 전술한 바와 같이, 칩 타임라인 뷰의 그래픽 표현은 미세 유체 디바이스 또는 그것의 일부에서 수행되는 작업에 해당할 수 있다. 미세 유체 디바이스 뷰의 그래픽 표현은 하나 이상의 미세 유체 디바이스에 해당할 수 있으며, 여기서 칩 타임라인 뷰에 표시된 각 블록은 (예를 들어, 관심 영역에서의 또는 관심 영역의 특징에 대한) 미세 유체 디바이스 내에서 발생하는 측정 가능한 변경에 대응한다. 그래픽 표현에 대한 변경들은 사용자에게 중요할 수 있으며 그렇지 않으면 미세 유체 디바이스에 걸쳐 배치된 수백 또는 수천 개의 생물학적 샘플들의 어레이에서 식별하기 어려울 수 있으며, 여기서 샘플은 관심 영역 또는 관심 영역들 내에 또는 근처에 있고, 이미지 시퀀스는 한 시간을 초과하는 칩 타임라인 (예를 들어, 수 시간, 수 일, 수 주 등) 으로부터 취해진다. 일부 실시형태에서, 각각의 그래픽 표현은 추가 정보 또는 세부사항(406D)의 대응하는 블록에 대응할 수 있다. 추가 정보 또는 세부사항(406D)의 이러한 블록은 대응하는 그래픽 표현에 대한 추가 정보 또는 세부사항을 드러내기(또는 숨기기) 위해 확장 가능(및 축소 가능)할 수 있다. 도 4d 에 예시된 예는 사용자 동작에 의해 (예를 들어, 사용자 인터페이스 내의 필터 선택기 스위치 위젯을 클릭하는 등에 의해) 상호작용될 때, 하나 이상의 필터 유형의 하나 이상의 필터를 결정하기 위해 하나 이상의 동작을 호출하는 필터 선택기 스위치를 더 도시한다. 필터 선택기 스위치는 상호작용될 때 하나 이상의 필터 유형 및 각각의 필터 유형에 대한 하나 이상의 필터 속성의 하나 이상의 대응 목록의 표시를 트리거하는 속성 선택기 스위치에 추가로 대응할 수 있다. 제시 (예를 들어, 602I) 의 예가 이하에 설명되는 도 6i 에 예시된다.
관심 영역은 "특성" 및 "특징"에 기초하여 결정될 수 있으며 (예를 들어, 기본 이미지는 특성 및 특징에 따라 관심 영역들로 분할되며), 여기서 기본 이미지는 칩 타임라인 (404B) 에서 그래픽적으로 표현된 블록 동안 촬영된 이미지들로부터 도출된다. 또한, "관심 영역"의 "특성" 및 "특징"을 사용하여 관심 영역을 정렬할 수도 있다 (예를 들어, "특성" 또는 "특징"은 관심 영역을 나타내는 이미지 시퀀스에서 캡처될 수 있고, 및/또는 예를 들어 갤러리 뷰 (1804) 에서 관심 영역을 표시할 목적으로 정량화될 수 있다(도 5e 의 504E)).
도 4e는 하나 이상의 실시형태에서 칩 타임라인 뷰의 예를 도시한다. 더 구체적으로, 도 4e는 엔진(예를 들어, 도 2a 의 데이터 디스플레이 엔진(50))이 데이터세트로부터의 필터링된 데이터를 표시할 수 있음을 예시한다. 예를 들어, 데이터 디스플레이 엔진(50)은 또한 그 예가 예를 들어 도 4e 에 도시되어 있는 예를 들어, 칩 타임라인 뷰에서 데이터세트로부터 필터링된 데이터를 디스플레이할 수 있다. 무엇보다도 칩 타임라인 뷰는 사용자가 GUI를 통해 하나 이상의 미세 유체 디바이스들에서 또는 그로부터 이미지 시퀀스의 이력을 보는 것을 허용할 수 있다. 사용자는 CSV 파일의 관련 데이터인 이미지 시퀀스를 선택하고 해당 선택을 저장할 파일을 생성할 수 있다.
또한, 엔진(50)은 이력 파일에 대해 작동하여 미세 유체 모델을 생성할 수 있고, 칩 타임라인 뷰는 이력 파일을 생성하는 데 사용될 수 있다; 그러나 이력 파일이 이미 존재하는 경우 사용자는 칩 타임라인 뷰를 사용하여 그것을 업데이트할 수 있다. 이미지들이 미세 유체 디바이스(들)에 대해 캡처되고, 이미지 시퀀스(들)에서 함께 연관되고, 데이터세트에 저장됨을 상기한다. 이미지 시퀀스는 알려진 이미지 처리를 사용하여 디지털 방식으로 분석되고 해당 분석에서 데이터가 생성된다. 이미지 분석은 이미지가 캡처될 때 또는 훨씬 나중에, 예를 들어 사용자의 선택의 시간에 발생할 수 있다. 사용자는 또한 동일한 이미지 시퀀스에 대해 다수 회 분석이 수행되게 하도록 선택할 수도 있다. 따라서 미세유체 모델을 만들기 위해서, 이미지 시퀀스는 올바른 데이터와 매칭되어야 한다. 이러한 방식으로, 타임라인 뷰는 이미지 시퀀스 및 데이터(408E)의 매핑을 생성하는 데 사용될 수 있고, 그 출력은 이력 파일이고, 그 이력 파일은 미세유체 디바이스 모델을 생성하는 데 사용되며, 그 다음 미세유체 디바이스 모델은 필터 빌더 및 애플리케이션 모듈, 갤러리 뷰 및 원시 데이터 보기에 의해 사용된다.
엔진(50)은 하나 이상의 미세유체 디바이스들, 선택적으로 최대 수(예를 들어, 4, 6, 8, 10, 12, 14, 16 등)의 미세유체 디바이스의 타임라인을 포함할 수 있는 칩 타임라인 뷰를 표시할 수 있다. 각 타임라인은 각 이미지 시퀀스가 캡처된 때를 표시할 수 있으며 선택적으로 분석이 수행된 때를 표시할 수 있다. 미세유체 디바이스에 대한 모든 이미지 시퀀스가 주어지면 엔진(50)은 사용자가 이미지 시퀀스를 해당 이미지 시퀀스에 대한 데이터를 포함하는 CSV 파일과 매칭시키는 것을 허용한다. 엔진(50)은 또한 사용자가 이미지 시퀀스의 다른 특성들, 예를 들어, 그것의 이름을 변경하는 것을 허용할 수 있다.
비제한적인 예로써, 그리고 도 4e 를 참조하면, 사용자는 타임라인 뷰에서 하나의 미세유체 디바이스를 로드할 수 있고 해당 미세유체 디바이스의 데이터에 대한 새로운 이력 파일을 생성하기를 원할 수 있다; 이력 파일은 그 당시에 존재하거나 존재하지 않을 수 있다. 엔진(50)에 의해 생성 및 표시되는 타임라인 뷰의 창의 상단 절반은 이미지 시퀀스 유형에 기초하여 미세유체 디바이스에 대한 타임라인을 표시할 수 있으며, 처음에는 타임라인 윈도우의 하단 절반이 비어 있을 수 있다. 사용자가 작은 수직선 또는 블록으로 표시되는 도 4e 의 예에서, 타임라인에서 이미지 시퀀스를 선택하는 경우, 그것은 하단 매칭 그리드에 팝퓰레이팅될 것이고, 그것은 그후 엔진(50)에 의해 표시된다. 매칭 그리드에서 사용자는 예를 들어 "이름"(402E)을 변경할 수 있으며 사용자는 데이터(406E)의 유형 및 경로, 예를 들어 이미지 시퀀스 파일과 동일한 폴더에 존재하는 모든 CSV 파일을 포함할 수 있는 특정 폴더(404E)와 같은 데이터세트 또는 데이터세트의 선택된 서브세트에 존재하는 모든 이용가능한 데이터 파일들의 드롭다운 목록에서 해당 이미지 시퀀스에 대한 CSV 파일을 선택한다. 엔진(50)은 선택적으로 사용자가 모든 선택된 이미지 시퀀스에 대해 적어도 하나의 데이터 CSV 파일을 선택하지 않은 경우 사용자가 계속하는 것을 허용하지 않을 수 있다. 엔진(50)은 사용자가 원하는 만큼 타임라인 뷰로부터 많은 이미지 시퀀스를 선택하도록 허용할 수 있다. 엔진(50)은 그후 클릭하면 이력 파일 또는 이력 데이터 구조를 생성하거나 이전에 생성된 이력 파일 또는 이력 데이터 구조를 업데이트하는 버튼 등을 표시할 수 있고, 선택적으로 클릭하면 미세유체 디바이스 모델을 생성하는 다른 버튼 등을 표시할 수 있다.
엔진(50)이 디스플레이할 수 있는 다른 예시적인 뷰는 원시 데이터 뷰이고, 그 예시는 도 5i 에 도시되어 있다. 예시적인 원시 데이터 보기는 대응하는 이미지 데이터 없이 열로 표시된 각 챔버의 영숫자 데이터를 갖는 2D (2차원) 그리드 또는 어레이일 수 있습니다; 원시 데이터 보기는 여기 다른 곳에서 설명된 대로 필터 빌더 및 애플리케이션 모듈에서 사용자에 의해 지시된 대로 필터링한 후 전체 데이터세트 또는 해당 데이터의 서브세트에 대해 표시될 수 있다. 원시 데이터 보기는 데이터의 기존 스프레드시트 보기와 비슷할 수 있으며 다음을 포함할 수 있다: 사용자가 공식을 입력하여 챔버를 그룹화, 정렬, 필터링 및 선택하고; 및/또는 챔버에 대한 새로운 특성들을 생성하고; 및/또는 데이터의 특정 값을 변경/업데이트하고; 및/또는 단일 동작으로 많은 챔버 세트를 선택/거부하거나; 또는 엔진(50)에 결과의 갤러리 뷰를 생성하도록 지시하기 위해 사용자가 이 보기를 사용하여 생성하는 데이터 서브세트를 사용하기 위한 필드들.
여기에 설명된 엔진(50)에 의해 표시되는 뷰들 각각은 단일 엔진(50)에 통합될 수 있거나, 그것들은 각각 GUI(그래픽 사용자 인터페이스)를 통해 사용자로부터의 호출에 응답하는 독립형 엔진/애플리케이션, 모듈, 스크립트, 플러그-인 또는 프로그램일 수 있다.
본 발명이 예시적인 실시형태들에 관하여 상세히 기재되었으나, 본 발명의 범주에서 벗어나지 않고 다양한 변경이 행해질 수 있고 등가물이 채용될 수 있다는 것이 당업자에 의해 이해될 것이다. 본 발명의 바람직한 실시형태에 대한 상기 설명은 예시 및 설명의 목적으로 제공되었다. 그것은 포괄적이거나 또는 본 발명을 개시된 정확한 형태들로 한정하도록 의도되지 아니하며, 수정들 및 변형들이 위의 교시들에 비추어 가능하거나 본 발명의 실시로부터 획득될 수 있다. 실시형태들은 당업자가 고려되는 특정 이용에 적합한 다양한 실시형태들에서 본 발명을 이용하는 것을 가능하게 하기 위해 본 발명의 원리들 및 그것의 실제 애플리케이션들을 설명하기 위해 선택 및 설명되었다. 본 발명의 범위는 여기에 첨부된 청구범위 및 그 등가물에 의해 정의되는 것으로 의도된다. 상술한 문서들 각각의 전체가 본 명세서에 참조로 통합된다.
도 5a는 일부 실시형태에서 칩 타임라인 뷰에 다른 객체를 삽입하기 위해 배치 위젯을 작동시키는 다른 예를 도시한다. 더 구체적으로, 도 5a는 칩 타임라인 뷰에 다른 객체 (504A) 를 삽입하기 위해 다른 배치 위젯 (502A) 을 작동시키는 다른 예를 도시한다. 일단 작동되면, 이 배치 위젯(502A)은 칩 타임라인 윈도우 또는 디스플레이 영역의 상부를 자동으로 스캔하여 객체(504A)를 현재 뷰 또는 윈도우에 삽입하는 방법을 결정한다. 이 예에서, 개별 객체(504A)는 내부에 대응하는 생물학적 샘플을 갖는 복수의 챔버를 보여주는 갤러리 뷰를 포함할 수 있다. 디폴트로, 배치 위젯은 새 객체를 삽입할 현재 윈도우 또는 뷰의 상단 부분을 자동으로 결정할 수 있다. 배치 위젯은 새 객체의 삽입을 위해 현재 윈도우 또는 뷰의 다른 부분(예를 들어, 오른쪽, 왼쪽, 아래쪽 등)을 자동으로 결정하도록 구성되거나 커스텀화될 수 있다. 이 경우 삽입 대상(504A)은 갤러리 뷰이다. 갤러리 뷰는 칩 타임라인에 대응하는 관심 영역과 함께 관심 영역(506A)의 어레이를 표시한다. 일부 실시형태에서, 사용자 인터페이스는, 호출될 때, 데이터 구조, 하나 이상의 다른 명령, 하나 이상의 호출(예를 들어, 프로세스 간 호출 또는 IPC), 또는 다른 모듈 또는 인터페이스로부터의 임의의 다른 데이터(예를 들어, 펜 목록 등) 의 식별에 적어도 부분적으로 기초하여 데이터 구조(예를 들어, 미세유체 디바이스의 생물학적 샘플에 대한 분석 데이터를 저장하는 데이터 구조)를 생성하거나 식별할 수 있는 처리 위젯(514A)을 포함할 수 있다.
예를 들어, 칩 타임라인의 제1 그래픽 표현(508A)은 배치될 갤러리 뷰의 제1 열(512A)에 대응한다. 갤러리 뷰의 배치는 아직 도 5a 에서 확정되지 않았지만, 축소된 갤러리 뷰(예를 들어, 대응하는 갤러리 뷰 또는 삽입 대상 객체(504A)의 스냅샷)는 타임라인(예를 들어, 칩 타임라인의 각각의 블록에 대응하는 복수의 지정자(510A) 중 특정 지정자(508A)) 와 갤러리 뷰의 대응하는 부분(예를 들어, 512A) 간의 대응 관계를 동적으로 반영할 수 있다. 일부 실시형태에서, 갤러리 뷰에 예시된 관심 영역(예를 들어, 506A)에 대한 이미지는 칩 타임라인 동안 미세유체 디바이스 또는 그 일부에 대해 캡처된 기본 이미지로부터 클리핑된다. 갤러리 뷰에서 열 위의 지정은 칩 타임라인의 블록에 대응한다. 사용자는 수행 중인 워크플로우 또는 사용자의 기타 필요들 또는 관심들에 따라 이를 커스텀화할 수 있다.
관심 영역은 예를 들어, 도 1 을 참조하여 본 명세서에 설명된 바와 같이 타겟 기반 또는 구조 기반일 수 있다. 관심 영역이 구조 기반인지 또는 타겟 기반인지 여부에 적어도 부분적으로 기초하여, 관심 영역과 관련된 하나 이상의 대응하는 속성, 특성 또는 특징 등과 상관된 데이터가 식별되고 관심 영역과 상관될 수 있다. 예를 들어, 생물학적 샘플와 상관된 하나 이상의 속성, 특성 또는 특징 등이 식별되고 타겟 기반 관심 영역과 상관될 수 있다. 유사하게, 미세유체 디바이스 또는 그 일부의 구조와 상관된 하나 이상의 속성, 특성, 또는 특징 등이 식별되고 구조 기반 관심 영역과 상관될 수 있다. 더욱이, 갤러리 뷰는 타겟 기반 관심 영역과만, 구조 기반 관심 영역과만, 또는 타겟 기반 및 구조 기반 관심 영역 모두와 상관된 데이터를 포함하거나 도시할 수 있다. 갤러리 뷰의 다수의 관심 영역은 여기에 설명된 다양한 기능, 프로세스, 및/또는 기법을 사용하여 이러한 다수의 관심 영역과 상관된 전술한 속성, 특성 또는 특징 등 중 하나 이상에 적어도 부분적으로 기초하여 추가로 처리되거나 조작(예를 들어, 필터링, 클러스터링, 랭킹, 분석 등)될 수 있다.
일부 실시형태에서, 갤러리 뷰는 관심 영역과 상관된 하나 이상의 특성에 적어도 부분적으로 기초하여 컴파일될 수 있다. 일부 실시형태에서 관심 영역에 대한 이미지 시퀀스를 통해 특성이 액세스될 수 있다. 이들 실시형태 중 일부에서, 관심 영역에 대응하는 특성은 워크플로우의 하나 이상의 시점과 연관될 수 있다. 일부 실시형태에서, 관심 영역과 상관된 특성은 미세유체 디바이스의 하나 이상의 구조적 특징 및/또는 미세유체 디바이스 내에 또는 상에 배치되는 타겟 (예를 들어, 생물학적 샘플, 그의 특성 등) 의 하나 이상의 특징에 적어도 부분적으로 기초하여 액세스될 수 있다.
타겟에 대한 특성의 일부 예는, 제한 없이, 미세유체 디바이스 또는 관심 영역 내의 복수의 생물학적 샘플의 크기 속성, 복수의 생물학적 샘플에 대한 최대 밝기 속성, 복수의 생물학적 샘플에 대한 최소 밝기 속성, 생물학적 샘플의 중심에 대한 제1 방향의 제1 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 제2 방향의 제2 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 크기 속성, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 또는 기타 적합하거나 요구되거나 원하는 속성, 또는 이들의 임의의 조합을 포함할 수 있다. 상술한 바와 같은 밝기 속성은 명시야(예를 들어, 가시광선 파장), 형광, 적외선, 자외선, 또는 발광 조명 검출에 의해 결정될 수 있다.
구조 기반 특징 또는 특성 (예를 들어, 챔버 또는 그 일부, 흐름 채널, 예를 들어 여기에 설명된 격리 펜의 접속 영역과 같은 흐름 채널과 챔버 사이의 챔버 바로 위 및/또는 챔버에 바로 인접하여 위치되는 미세유체 회로의 부분 등) 과 연관된 특성들의 일부 예들은, 제한 없이, 생물학적 샘플의 총 카운트, 구조 특징 또는 특성과 상관된 스코어, 하나 이상의 필터 속성, 분석(예를 들어, 어세이, 시퀀싱 등)의 적어도 하나의 양태와 상관된 하나 이상의 특성 및/또는 그 결과, 시간 경과 지수 특성, 미세유체 디바이스에 대한 디바이스 식별자, 복수의 챔버의 스코어 특성, 게이트 경로 인덱스, 영역 픽셀 특성, 배경 픽셀 특성, 또는 복수의 생물학적 샘플들에 대한 중간 밝기 특성, 또는 기타 적합하거나 요구되거나 원하는 특성, 또는 이들의 임의의 조합을 포함할 수 있다.
미세유체 디바이스의 구조적 특징은 관심 영역에서 검출가능하고 관심 영역의 이미지 시퀀스에서 캡처되는 기능적 효과를 담당할 수 있다. 구조적 특징은 미세유체 디바이스에 배치된 챔버(예를 들어, 펜)과 연관된 특징을 포함할 수 있다. 미세유체 디바이스의 다른 회로 요소와 마찬가지로 챔버는 흐름을 제한하거나 하나 이상의 생물학적 샘플을 격리(예를 들어, 직접 흐름으로부터 하나 이상의 생물학적 샘플을 격리)하여 생물학적 샘플을 포함하는 관심 영역에 대해 촬영된 이미지가 측정 가능하고, 동적이며 및/또는 하나 이상의 관심 영역을 나타내는 이미지 또는 이미지 시퀀스에서 검출 가능한 변화를 초래하는 특징들을 표현하도록 하는 구조적 특성들을 포함할 수 있다. 측정 가능한 특징은 생물학적으로 관련된 특성과 상관될 수 있고 스코어 또는 기타 정량화 가능한 메트릭과 연관될 수 있다.
두 가지 양태들이 미세유체 디바이스 내에 배치된 생물학적 샘플을 평가하거나 분석하는 데 중요할 수 있다 - 특히 미세유체 디바이스의 영역(예를 들어, 구조 기반 관심 영역) 및 특정 객체(예를 들어, 생물학적 샘플, 마이크로-객체 등) 가 미세유체 디바이스 (예를 들어, 타겟 기반 관심 영역)내에서 노출되는 현상. 위의 미세유체 디바이스에서 및 타겟 기반 및 구조 기반 관심 영역을 가진 다른 미세유체 디바이스에서, 사용자는 관심 영역에서 (예를 들어, 생물학적 샘플, 예를 들어 단일 생물학적 샘플이 배치되는 곳에서, 또는 생물학적 샘플이 배치된 곳과 가까운 영역에서) 발생하는 현상을 이해하는 데 관심이 있으며, 따라서 기본 이미지를 특정 작업과 연관시키는 것은 사용자가 가장 관심을 갖는 관심 영역과 관련된 기본 이미지를 결정하는 데 중요하다. 일부 경우에, 필터 선택 도구 또는 그래프 도구(예를 들어, 필터 빌더 및 애플리케이션 모듈)는 칩 타임라인에 따라 사용되어 사용자의 관심 또는 필요와 가장 관련이 있는 관심 영역의 갤러리 뷰를 생성할 수 있다. 이 도구가 없으면, 하나 이상의 시야 및/또는 하나 이상의 미세유체 디바이스 등에 걸쳐 수백, 수천 또는 심지어 수만 개의 생물학적 샘플에 대해 이러한 유형의 평가를 수행하는 것은 그러한 작업을 수행하고 사용자에 의한 해석을 위해 자동으로 평가된 결과를 제공 및 표시하도록 구비된 도구들 없이는 불가능할 수 있다.
이미지(기본 이미지, 이미지 시퀀스, 단일 이미지 등)가 유도될 수 있는 예시적인 미세유체 디바이스는 하나 이상의 미세유체 회로 또는 미세유체 회로 내의 컴포넌트들 또는 영역들을 포함할 수 있다. 일부 실시형태에서, 미세유체 회로의 구조 기반 관심 영역은 흐름 영역에 근접한 영역, 직접 흐름이 손상되는 영역, 및/또는 단일 개구에 의해 흐름으로부터 분리된 영역을 포함할 수 있다. 추가 실시형태에서, 미세유체 회로는 챔버(예를 들어, 격리 펜, 펜, 트랩 등)를 포함하는 별개의 구조적 특징을 포함할 수 있으며, 여기서 마이크로-객체는 직접 흐름으로부터 격리될 수 있다.
도 5a 는 또한 사용자가 사용자 인터페이스에서 메뉴 커맨드 또는 클릭 가능한 아이콘으로 표시되는 뷰 활성화 상호작용 위젯(미도시)을 사용하여 객체(예를 들어, 504A)의 추가를 개시하고, 배치 위젯(예를 들어, 502A)을 호출하고, 예를 들어 하나 이상의 사용자 인터페이스 커맨드를 사용하는 것 (예를 들어, 삽입되는 개체(504A)를 사용자 인터페이스의 특정 위치에 떨어뜨리거나 다방향 배치 위젯을 조작하여 위치를 선택하는 것 등)에 의해 별도의 객체의 배치 위치를 확인한 후, 칩 타임라인 뷰(예를 들어, 도 4a 의 400A)로의 별도의 객체 (504A) (예를 들어, 갤러리 뷰 객체) 의 삽입을 예시한다. 표시된 별도의 객체의 크기는 별도의 객체가 배치되어 표시되기 전이나 후에 조정될 수 있다. 시스템은 선택적으로 그 삽입된 별도의 객체를 수용하기 위해 표시된 다른 객체의 위치, 종횡비 및/또는 크기를 조정할 수 있다.
도 5b는 일부 실시형태에서 원래의 칩 타임라인 뷰의 상단에 갤러리 뷰(504)가 삽입된 칩 타임라인 윈도우를 예시한다. 더 구체적으로, 도 5b는 원래의 칩 타임라인 뷰 (502B) 의 상단에 갤러리 구조를 갖는 삽입된 갤러리 뷰 (504B) 를 갖는 칩 타임라인 윈도우를 예시한다. 일부 실시형태에서, 이 삽입된 객체의 크기, 종횡비, 및/또는 위치는 이 객체의 삽입 전후에 조정될 수 있다. 게다가, 칩 타임라인(502B)에서의 활동의 발생을 나타내는 제1 그래픽 표현(506B)은 갤러리 뷰의 제1 서브세트(예를 들어, 갤러리 뷰(504B)의 제1 열(508B))에 대응하고; 칩 타임라인(502B)에서 다른 활동의 발생을 나타내는 제2 그래픽 표현(510B)은 갤러리 뷰의 제2 서브세트(예를 들어, 갤러리 뷰(504B)의 제2 열(512B))에 대응한다.
갤러리 구조는 텍스트, 그래픽 및/또는 이미지 분석 결과와 같은 정적 및/또는 동적 정보 또는 데이터, 입력 데이터, 분석에서 생물학적 샘플과 상관된 정보, 메타데이터 등의 구조화된 배열을 포함한다. 갤러리 구조는 다수의 상이한 방식으로 배열될 수 있으며, 도 5b는 단지 하나의 특정 배열을 예시한다. 또한, 갤러리 구조는 하나 이상의 식별자(예를 들어, 미세유체 디바이스의 디바이스 식별자, 챔버 식별자, 분석과 상관된 하나 이상의 특성(예를 들어, FITC 또는 플루오레세인 이소티오시아네이트 (fluorescein isothiocyanate) 와 같은 형광 라벨링 분자, Cy3 염료, Cy5 염료, 포스파티딜에탄올아민 또는 PE 등), 분석 및/또는 생물학적 샘플의 하나 이상의 특성, 분석 및/또는 생물학적 샘플와 상관된 하나 이상의 정량화 가능한 메트릭, 시간 라벨, 및/또는 워크플로우의 워크플로우 항목의 식별자 등)와 같은 하나 이상의 특성을 기반으로 구조화될 수 있다.
갤러리 구조는 각각이 갤러리 구조 내의 특정 갤러리 서브 구조(예를 들어, 열 또는 행) 를 고유하게 색별하는 고유의 키 (예를 들어, 상술된 식별자들로부터의 고유의 식별자) 또는 키들의 조합 (예를 들어, 상술된 식별자들로부터의 다수의 식별자들의 조합) 으로 인덱싱될 수 있다. 예를 들어, 갤러리 구조는 갤러리 구조를 인덱싱하는 데 사용될 수 있는 하나 이상의 키의 하나 이상의 열 또는 행을 포함할 수 있다. 각각의 갤러리 하위구조는 하나 이상의 갤러리 필드를 포함하고, 각각의 갤러리 필드는 예를 들어 여기에 설명된 다양한 데이터 또는 정보를 포함하는 객체를 저장할 수 있다. 다른 예로서, 갤러리 구조는 미세유체 디바이스의 복수의 챔버에 대한 각각의 고유한 챔버 식별자를 저장하는 제1 키 열로 인덱싱될 수 있다. 다른 예로서, 갤러리 구조는 미세유체 디바이스의 복수의 챔버에 대한 각각의 고유한 챔버 식별자를 저장하는 제1 키 열 및 미세유체 디바이스의 디바이스 식별자를 저장하는 제2 키 열로 인덱싱될 수 있다. 또 다른 예로서, 갤러리 구조는 복수의 챔버에 대한 각각의 고유한 챔버 식별자와 미세유체 디바이스의 미세유체 디바이스 식별자의 조합을 저장하는 제1 키 열로 인덱싱될 수 있다. 비록 도 5b 의 갤러리 구조를 갖는 갤러리 뷰는 다수의 시점에서 복수의 챔버에 대한 특정 식별자에 대응하는 각 열을 갖는 2차원 테이블 구조로 보이지만, 갤러리 구조는 2차원 데이터 구조(예를 들어, 데이터베이스 테이블(들))에만 제한되지 않고 일부 실시형태에서는 3 차원 이상을 가질 수 있다. 컴퓨터 모니터와 같은 2차원 디스플레이 디바이스에서는 2차원 표현만 표시될 수 있다. 따라서, 여기에 설명된 기술은 이러한 2차원 디스플레이 장치에 적절한 디스플레이를 위해 갤러리 구조로부터 관련 데이터를 취출한다.
또한, 도 5b 에 도시된 갤러리 구조는 각각이 특정 식별자에 대응하는 다수의 열을 포함한다. 각각의 열은 복수의 시점 또는 시간적 기간의 동일한 시점 또는 시간적 기간에 하나 이상의 대응하는 챔버에 대해 계산, 수집, 생성 및/또는 캡처된 데이터를 각각 나타내는 하나 이상의 행을 갖는다. 상이한 열들은 관심 있는 분석(또는 분석들) 및/또는 이를 위한 생물학적 샘플과 상관된 상이한 속성들, 특성들, 특징들 등에 대응한다. 갤러리 구조가 구조화되거나 심지어 인덱싱 (예를 들어, 하나 이상의 키를 기반으로 인덱싱) 될 수 있기 때문이다.
칩 타임라인 뷰와 갤러리 뷰 간의 이러한 대응으로, 하나의 대응하는 항목(예를 들어, 제1 서브세트(508B))의 작동 또는 활성화는 다른 대응하는 항목(예를 들어, 대응하는 제1 그래픽 표현(506B))의 작동 또는 활성화를 자동으로 트리거하여 디스플레이된 이들 2개의 엔티티 중 하나 또는 둘 모두가 강조될 수 있도록 (예를 들어, 그래픽으로 강조될 수 있도록) 구성될 수 있다. 칩 타임라인 뷰와 갤러리 뷰 간의 대응은 선택적일 수 있음을 유의해야 한다. 일부 실시형태에서, 이러한 대응은 본 명세서에 설명된 하나 이상의 사용자 인터페이스 뷰에서 구성가능할 수 있다.
도 5b 는 또한 사용자 인터페이스에서 호출될 때 적어도 프로세서로 하여금 미세유체 디바이스 및 미세유체 디바이스와 상관된 데이터를 제2 뷰로부터 제거하게 하는 삭제 위젯 (514B) 을 도시한다. 도 5b는 또한 챔버들의 어레이를 갖는 미세유체 디바이스에 대한 복수의 칩 필드들을 포함하는 칩 폴더 구조의 표현(516B)을 도시한다. 미세유체 디바이스의 칩 데이터는 칩 폴더 구조의 제1 칩 필드에 팝퓰레이팅될 수 있다. 칩 폴더 구조의 제1 칩 필드는 예를 들어, 상호작용될 때, 사용자 인터페이스의 뷰와 상관되고 폴더(예를 들어, 미세유체 디바이스의 생물학적 샘플의 데이터와 상관된 데이터를 저장하는 폴더)에서 수행될 수 있는 하나 이상의 후보 동작들을 호출하는 상호작용 폴더 위젯 (미도시) 을 클릭함으로써 사용자 인터페이스에서 표현(516B)으로서 렌더링될 수 있다.
도 5c는 삽입된 객체에 대한 높이를 조정한 후 원래의 칩 타임라인 뷰의 상단에 삽입된 갤러리 뷰가 있는 칩 타임라인 윈도우를 도시한다. 더 구체적으로, 도 5c는 삽입된 객체에 대한 높이를 조정한 후 원래의 칩 타임라인 뷰의 상단에 삽입된 갤러리 뷰 (또는 임의의 다른 삽입된 객체) (504) 를 갖는 칩 타임라인 윈도우를 도시한다. 본 명세서에 기술된 바와 같이, 삽입된 갤러리 뷰(504)는 단지 타겟 기반일 수도 있고, 단지 구조 기반일 수도 있고, 타겟 기반 및 구조 기반일 수도 있는 복수의 관심 영역의 대응하는 이미지를 포함할 수 있다. 각 관심 영역의 이미지는 관심 영역의 유형(예를 들어, 타겟 기반 또는 구조 기반)에 적어도 부분적으로 기반하여 결정되는 하나 이상의 속성, 특성 또는 특징 등과 같은 관련 데이터에 대응한다.
또한, 도 5c 는 갤러리 뷰의 예시적인 구조를 도시한다. 비록 도 5c 가 삽입된 갤러리 뷰 객체를 갖는 칩 타임라인 윈도우를 도시하지만, 도 5c 에 도시된 갤러리 뷰의 예시적인 구조는 또한 일부 실시형태에서 하나 이상의 다른 뷰의 다른 임의의 갤러리 뷰에 적용될 수 있다. 이러한 실시형태에서, 갤러리 뷰(504C)는 열들 (502C, 510C, 및 512C)과 같은 복수의 갤러리 서브 구조를 포함할 수 있다. 갤러리 서브 구조가 각각의 열에 배열되더라도, 갤러리 서브 구조는 또한 일부 다른 실시형태에서 행으로 또는 임의의 다른 방식으로 배열될 수 있음에 유의해야 한다.
갤러리 서브 구조(예를 들어, 510C)는 하나 이상의 갤러리 필드(508C)를 포함할 수 있다. 즉, 사용자 인터페이스에 (예를 들어, 타임라인 뷰에) 하나의 행만 표시되는 일부 실시형태에서 갤러리 서브 구조는 하나의 갤러리 필드만 포함한다. 다수의 행이 디스플레이되는 일부 다른 실시형태에서, 갤러리 서브 구조는 다수의 갤러리 필드를 포함한다. 갤러리 서브 구조는 각각의 관심 영역의 대응하는 데이터(예를 들어, 관심 영역의 이미지 또는 이미지 시퀀스)가 각각의 갤러리 필드에 표시될 수 있도록 일부 실시형태들에서 적어도 미세유체 디바이스 내의 타겟 기반 및/또는 구조 기반 관심 영역들의 총수를 수용하는 갤러리 필드들의 충분한 수를 포함하도록 구성될 수 있다. 서브 구조가 열, 행 또는 기타 형식으로 배열되는지 여부에 관계없이, 서브 구조가 선형 방식으로 배열되는 일부 실시형태에서 서브 구조는 또한 데이터의 선형 구조로서 상호 교환 가능하게 참조될 수 있다. 사용자 인터페이스에서의 원형 배열, 원형 배열의 일부, 또는 임의의 다른 적절한 배열과 같은 선형 배열과 상이한 데이터의 다른 배열도 일부 다른 실시형태에서 구현될 수 있다.
일부 실시형태에서, 갤러리 서브 구조의 갤러리 필드는 타겟 기반 또는 구조 기반 관심 영역의 이미지에 대응한다. 여기에 설명된 바와 같이, 이 이미지는 정적 이미지로서 또는 사용자가 예를 들어 이미지 객체를 클릭 및/또는 우측 클릭하거나 사용자 인테페이스 내의 하나 이상의 위젯, 아이콘, 메뉴 아이템들 등을 클릭함으로써 상호작용할 수 있는 동적 상호작용 객체로서 표시될 수 있다. 추가로 또는 대안으로, 관심 영역에 대한 이미지의 크기, 모양 및/또는 콘텐츠는 예를 들어 분석 유형, 기본 이미지가 캡처되는 특정 워크플로우 단계 또는 워크플로우 태스크, 관심 영역 유형(예를 들어, 타겟 기반 또는 구조 기반), 또는 임의의 다른 적절한, 원하는 및/또는 요구된 속성, 특성, 특징, 또는 메트릭에 적어도 부분적으로 기초하여 예를 들어 기본 이미지로부터 동적으로 결정될 수 있다.
갤러리 서브 구조는 이 경우 펜(1151) 내의 생물학적 마이크로-객체에 대해 수행된 분석의 한 지점을 나타내는 "Assay_2_OEP"로 식별되는 타겟 기반 또는 구조 기반 속성, 특성, 특징, 또는 정량화 가능한 메트릭 등에 추가로 대응할 수 있는 관심 영역(514C)과 상관된 속성 또는 식별자에 또한 대응할 수 있다. 일부 실시형태에서, 식별자 또는 속성(514C)은 미세유체 디바이스의 복수의 챔버로 분석된 생물학적 샘플과 상관된 특정 타겟 기반 속성, 특성, 특징, 또는 정량화 가능한 메트릭(예를 들어, 플루오레세인 이소티오시아네이트 또는 FITC, 장경, 단경, 중심, 원형도, 예를 들어 항체에 대한 친화도 등)에 대응할 수 있다. 또 다른 예로서, 미세유체 디바이스 또는 그 일부의 임의의 양태와 상관된 특정의 구조 기반 속성, 특성, 특징, 또는 메트릭은 미세유체 디바이스 또는 그것의 일부의 관심 영역, 임의의 기하학적, 물리적 또는 기타 특성을 포함할 수 있다. 즉, 여기에 설명된 다양한 실시형태는 하나 이상의 타겟 기반 관심 영역만, 하나 이상의 구조 기반 관심 영역만, 또는 적어도 하나의 타겟 기반 관심 영역 및 적어도 하나의 구조 기반 관심 영역 둘 모두를 포함할 수 있는 관심 영역을 포함한다. 다양한 실시형태는 또한 생물학적 샘플와 상관된 하나 이상의 타겟 기반 속성, 특성, 특징 또는 메트릭만, 미세유체 디바이스 또는 그 일부와 상관된 하나 이상의 구조 기반 속성, 특성, 특징 또는 메트릭만 , 또는 적어도 하나의 타겟 기반 속성, 특성, 특징 또는 메트릭 및 적어도 하나의 구조 기반 속성, 특성, 특징 또는 메트릭과 상관된 특성, 속성 또는 메트릭을 더 포함할 수 있는 하나 이상의 속성, 특성, 특징 또는 메트릭을 포함할 수 있다.
일부 실시형태에서 갤러리 서브 구조는 따라서 그것의 식별자에 대해 정렬, 랭킹, 정렬, 필터링, 클러스터링 또는 처리될 수 있다. 갤러리 서브 구조에서 렌더링된 복수의 관심 영역이 갤러리 서브 구조의 식별자와 관련하여 랭킹, 정렬 또는 순서화되는 일부 실시형태에서, 대응하는 관심 영역에 대한 각각의 순서 또는 랭크(520C)는 대응하는 관심 영역과 관련하여 표시될 수 있다. 도 5c 에 도시된 예에서, 복수의 관심 영역의 각각의 순서 또는 랭크는 복수의 관심 영역의 각각의 부근에 표시된다. 도 5c 에 도시된 바와 같은 일부 실시형태들에서, 다중 상태 선택기(506C)는 행에 대해 렌더링될 수 있으며, 여기서 열은 복수의 행에 대응한다. 다중 상태 선택기(506C)는 사용자가 다중 상태 선택기가 대응하는 특정 행에 대한 상태를 선택하는 것을 허용한다. 예를 들어, 사용자는 "선택됨", "선택 해제됨", "미정" 또는 임의의 다른 적절한 상태(들) 등 중에서 상태를 선택할 수 있다. 식별자 또는 속성(514C)은 사용자 인터페이스로부터 식별자 변경 입력을 수신할 때 데이터의 제1 시퀀스의 제1 식별자를 변경하는 명령을 트리거하는 식별자 위젯과 같은 위젯으로서 생성될 수 있다.
도 5c는 또한 미세유체 디바이스의 복수 챔버에 있는 생물학적 샘플의 분석에서 복수의 워크플로우 태스크 및/또는 워크플로우 단계의 시간적 관계를 나타내는 상호작용성 매칭 그리드 부분(524C)을 갖는 칩 타임라인 뷰(522C)에서 복수의 갤러리 서브 구조와 복수의 그래픽 표현 사이의 각각의 대응의 예를 보여준다. 예를 들어, 제1 갤러리 서브 구조(510C)는 칩 타임라인 뷰의 제1 그래픽 표현(516C)에 대응하고; 제2 갤러리 서브 구조(512C)는 칩 타임라인 뷰의 제2 그래픽 표현(518C)에 대응한다. 칩 타임라인 뷰와 갤러리 뷰 간의 대응은 선택적일 수 있음을 유의해야 한다. 더욱이, 그들 사이의 대응은 적어도 미세유체 디바이스의 다수의 관심 영역 내의 생물학적 샘플의 분석에 관련한 다양한 데이터 피스들을 서로 상관시키거나 연결함으로써 확립되거나 가능하게 될 수 있다. 이러한 상관 또는 연결은 예를 들어 위의 도 1 을 참조하여 설명된다.
또한, 도 5c는 표시된 하나 이상의 객체의 크기 및/또는 종횡비를 조정하는 것을 예시한다. 도 5b 와 비교하여, 도 5c는 객체(도 5b 의 504B 및 도 5c 의 504C)의 높이가 증가된 후의 온-스크린 디스플레이를 예시한다. 도구는 조정된 객체를 수용하기 위해 크기 조정된 및/또는 재배치된 칩 타임라인 뷰(예를 들어, 도 5b 의 502B 및 도 5c 의 522C)가 되도록 표시된 다른 객체의 크기 및/또는 종횡비를 자동으로 조정한다.
일부 실시형태에서, 현재 활성 탭에서 칩 타임라인 뷰(522C)를 보여주는 현재 뷰 탭은 하나 이상의 추가 객체(예를 들어, 갤러리 뷰 객체, 그래프 뷰 객체 등)를 수용하도록 구성될 수 있다. 사용자는 다방향 배치 위젯(예를 들어, 도 4a 의 다방향 배치 위젯(408A))의 중앙 작동가능 스위치를 작동시킬 수 있다. 다방향 배치 위젯의 중앙 작동 가능 스위치의 사용자 작동에 응답하여, 시스템은 이 예에서 갤러리 뷰 또는 그 일부의 축소된 뷰로 표시되는 삽입을 위한 객체 (502B) 에 의해 요구될 수 있는 후보 공간을 자동으로 결정한다. 후보 공간 (예를 들어, 도 4a 의 406A) 은 삽입을 위한 객체가 전체 후보 공간을 차지할 수도 있거나 반드시 그렇지는 않을 수도 있지만 삽입을 위한 객체에 의해 요구될 수 있는 공간을 나타냄에 유의해야 한다.
도 5d는 하나 이상의 실시형태에서 사용자 인터페이스 또는 그 일부에 디스플레이될 수 있는 갤러리 뷰 객체의 다른 예를 예시한다. 더 구체적으로, 도 5d는 하나 이상의 실시형태에서 사용자 인터페이스 또는 그 일부에 디스플레이될 수 있는 갤러리 뷰 객체의 다른 예를 예시한다. 더 구체적으로, 도 5d는 예를 들어, 워크플로우 또는 파이프라인, 워크플로우 또는 파이프라인 단계 등에 적어도 부분적으로 기초하여 대응하는 관심 영역에 대한 하나 이상의 이미지 시퀀스를 동적으로 생성하는 예를 도시한다. 도 5d 에 도시된 이러한 예에서, 이미지(502D)의 제1 시퀀스는 예를 들어 (미세유체 디바이스의 챔버에서 배양된 세포를 익스포팅하기 위한) 익스포트 프로세스를 위해 생성될 수 있으며, 여기서 관심 영역은 챔버 또는 그 일부(504D) 뿐만 아니라 이웃하는 유동 채널(506D)의 적어도 일부를 포함할 수 있다.
시스템은 워크플로우 또는 하나 이상의 워크플로우 단계 또는 워크플로우 태스크를 파싱하고 익스포트 프로세스의 경우 관심 영역이 앞서 언급한 챔버 또는 챔버 부분뿐만 아니라 흐름 채널의 일부를 포함한다고 자동으로 결정하고 따라서 도 5d 에 도시된 바와 같이 이미지들(502D)의 제1 시퀀스를 생성하기 위해 하나 이상의 기본 이미지를 크로핑하거나 추출할 수 있다. 또한 시스템은 생물학적 샘플이 배양되는 다른 워크플로우, 워크플로우 단계 또는 워크플로우 태스크의 경우 이러한 워크플로우, 워크플로우 단계 또는 워크플로우 태스크에 대한 관심 영역은 챔버 및 선택적으로 챔버와 이웃하는 유동 채널 부분 사이의 인터페이스만 포함해야 할 수도 있다고 결정할 수 있다. 그 다음, 시스템은 도 5d 에 도시된 바와 같이 이미지(508D)의 제2 시퀀스를 생성하기 위해 하나 이상의 기본 이미지를 크로핑하거나 추출할 수 있다.
도 5e는 일부 실시형태들에서 도 4a의 원래의 칩 타임라인 윈도우 또는 뷰의 오른쪽에 갤러리 뷰(1804)를 추가하는 예를 도시한다. 더 구체적으로, 도 5e는 도 4a의 원래의 칩 타임라인 윈도우 또는 뷰의 오른쪽에 갤러리 뷰(504E)를 추가하는 예를 도시한다. 갤러리 뷰 객체(504E)의 이러한 배치는, 예를 들어, 도 5a 를 참조하여 전술한 상기 다방향 배치 위젯 또는 배치 위젯을 사용함으로써 달성될 수 있다. 도 4a 의 원래 칩 타임라인 뷰 또는 창은 삽입된 객체(504E)를 수용하기 위해 502E로 자동으로 크기가 조정된다.
도 5f는 삽입된 갤러리 뷰에 대한 높이를 조정한 후 원래의 칩 타임라인 뷰의 우측에 삽입된 갤러리 뷰를 갖는 칩 타임라인 윈도우를 도시한다. 더 구체적으로, 도 5f는 삽입된 갤러리 뷰의 높이를 조정한 후 원래 칩 타임라인 뷰의 오른쪽에 삽입된 갤러리 뷰(도 5e 의 504E)를 갖는 칩 타임라인 윈도우(도 5e 의 502E)를 도시한다. 예를 들어, 도 5e 내지 도 5g 의 칩 타임라인 뷰는 칩 타임라인 뷰가 생물학적 샘플에 대해 수행된 분석(예를 들어, 하나 이상의 작업)의 진행과 시간적으로 정렬되는 중요한 정보를 포함한다는 점에서, 예를 들어 갤러리 뷰(예를 들어, 도 5e 의 504E)를 포함하는 다른 뷰에 보완적인 콘텐츠를 제공한다. 예를 들어, 칩 타임라인 뷰는 대응하는 그래픽 표현(502F)으로서 분석의 다수의 상태를 나타낼 수 있다. 도 5f 에 도시된 이러한 예에서, 컬러 코딩된 직사각형은 분석에서 대응하는 단계를 나타내기 위해 사용된다. 또한 컬러 코딩된 직사각형의 범위 또는 너비는 또한 분석에서 대응하는 단계의 시간 범위를 시각적으로 나타낸다. 컬러 코딩된 직사각형들의 상이한 컬러들은 상이한 단계들(예를 들어, 로드, 배양, 익스포트 등)을 나타낸다. 또, 그래픽 표현(502F)은 대응하는 갤러리 뷰의 특정 열(504F)에 대응할 수 있다.
일부 실시형태에서, 칩 타임라인 뷰에 제시된 타임라인은 따라서 데이터가 (예를 들어, 미세유체 디바이스의 챔버로부터) 수집되거나 (예를 들어, 전산 생물학 모듈 또는 임의의 전산 모듈에 의해) 생성되는 분석과 상관된 임의의 데이터와 연관된다. 분석을 위해 다양한 유형의 데이터가 수집되거나 생성될 수 있다. 예를 들어, 복수의 타겟 기반 및/또는 구조 기반 관심 영역의 기본 이미지가 캡처될 수 있다. 이러한 기본 이미지는, 칩 타임라인 뷰에 표시되지는 않지만, 사용자가 여기에 설명된 모든 기능, 도구, 위젯 등으로 칩 타임라인 뷰를 조작하는 것을 가능하게 하기 위해 칩 타임라인 뷰와 또한 연관된다. 예를 들어, 구조 기반 또는 타겟 기반 관심 영역과 상관된 임의의 속성, 특성, 특징 등은 사용자가 예를 들어 하나 이상의 1차원 또는 다차원 필터를 구축하고 결과 데이터세트에 적용하기 위해 심지어 칩 타임라인 뷰 내로부터 필터 빌더 및 애플리케이션 모듈을 호출할 수 있도록 사용자에게 이용가능할 것이다.
추가로 또는 대안으로, 칩 타임라인 뷰, 갤러리 뷰, 또는 임의의 다른 보기 또는 삽입된 객체의 크기 및/또는 모양이 조정가능할 수 있고, 기본 시스템은 예를 들어, 일부 실시형태에서 조정된 뷰 내에서 콘텐츠를 리렌더링 (re-rendering) 하기 위해 렌더링 엔진을 호출할 수 있다. 예를 들어, 도 5f 의 칩 타임라인 뷰 또는 부분의 폭(및/또는 높이) 또는 갤러리 뷰의 폭은 예를 들어 부분 또는 뷰의 경계를 드래그하거나 정확한 크기(예를 들어, 픽셀 단위, 인치 단위 등)를 원하는 위치 또는 값으로 지정하여 뷰 또는 부분의 크기 및/또는 모양을 변경함으로써 조정될 수 있다.
사용자 인터페이스가 다수의 뷰들을 수용하고 이러한 다수의 뷰들 중 하나의 크기 및/또는 모양이 조정되는 이러한 실시형태들 중 일부에서, 시스템은 뷰의 크기 또는 모양의 조정에 응답하여 적어도 하나의 나머지 창의 내용을 자동으로 조정할 수 있다. 예를 들어, 사용자는 칩 타임라인 윈도우(예를 들어, 502F를 나타내는 부분)의 크기 및/또는 모양을 새로운 크기 및/또는 모양으로 조정할 수 있다. 이 새로운 크기 및/또는 모양에 응답하여, 시스템은 갤러리 뷰(예를 들어, 도 5f 의 504F 를 나타내는 부분)의 콘텐츠를 수정할 수 있다. 갤러리 뷰에 대한 이러한 수정은 예를 들어 갤러리 뷰의 왼쪽에 있는 칩 타임라인 뷰의 새로운 크기 및/또는 모양에 응답하여 갤러리 뷰의 크기 및/또는 모양을 스케일링하는 것, 기존 열에 하나 이상의 추가 열 및/또는 하나 이상의 추가 행을 추가하는 것, 기존 열로 하나 이상의 추가 열 및/또는 하나 이상의 추가 행을 제거하는 것 등을 포함할 수 있다. 다른 뷰 또는 뷰의 일부에 대한 유사한 조정이 위에서 설명된 칩 타임라인 뷰 예 이외의 다른 뷰 또는 그 일부에 또한 수행될 수 있다. 예를 들어, 미세유체 디바이스 빌더 모듈에 대한 사용자 인터페이스의 디스플레이 영역의 부분은 또한 조정될 수 있고, 시스템은 디스플레이 영역의 부분에 대한 조정에 응답하여 자동으로 또는 사용자 구성 또는 확인에 기초하여 사용자 인터페이스의 나머지 부분(들)을 조정할 수 있다.
도 5g는 하나 이상의 실시형태에서 칩 타임라인 뷰에 대한 원시 데이터를 저장하는 예시적인 데이터 구조의 예시적인 디스플레이를 도시한다. 더 구체적으로, 도 5g는 하나 이상의 실시형태에서 칩 타임라인 뷰에 대한 원시 데이터를 저장하는 예시적인 데이터 구조로 도시한다. 더 구체적으로, 도 5g는 칩 타임라인 뷰에 디스플레이하기 위해 사용자에 의해 선택될 수 있는 칩 타임라인에 대한 원시 데이터 뷰를 도시한다. 예를 들어, 사용자는 사용자 인터페이스에서 상호작용 요소(500G)를 클릭함으로써 칩 타임라인과 연관된 원시 데이터를 보기로 선택할 수 있다. 상호작용 요소(500G)의 호출에 응답하여, 시스템은 원시 데이터 디스플레이 영역(502G)에 디스플레이하기 위해 칩 타임라인과 상관된 원시 데이터를 내부에 저장하는 하나 이상의 데이터 구조의 전부 또는 일부를 판독할 수 있다.
이들 실시형태의 일부에서, 하나 이상의 데이터 구조는 본 명세서에 설명된 바와 같은 다수의 열 서브 구조들을 포함할 수 있고, 이러한 다수의 열에 대응하는 각각의 정보(예를 들어, 열 헤더 또는 식별자)는 또한 선택적으로 사용자 인터페이스에서 (예를 들어, 열 디스플레이 영역(506G)에서) 디스플레이될 수 있다. 이들 다수의 열에 대응하는 각각의 정보는 사용자가 각각의 정보 피스와 상호작용하는 것을 가능하게 하기 위해 일부 실시형태에서 정적, 비상호작용 정보로서 또는 일부 다른 실시형태에서 동적 상호작용 정보로서 표시될 수 있다. 예를 들어, 사용자가 열 디스플레이 영역(506G)에서 각각의 정보 피스를 클릭할 수 있고, 시스템은 원시 데이터 디스플레이 영역(502G)에서 대응하는 열의 데이터로 자동으로 스크롤하거나 그 데이터를 디스플레이할 수 있다.
원시 데이터 디스플레이 영역(502G)은 데이터 또는 정보, 예를 들어, 제한 없이, 미세유체 디바이스의 식별자, 미세유체 디바이스의 해당 데이터에 대한 각각의 식별자, 데이터가 속하는 하나 이상의 분석에 대한 각각의 식별자 또는 설명, 하나 이상의 속성 및/또는 특성(예를 들어, 생성물 생산 속도, 예를 들어 항체의 QP, 세포 표면 마커와 같은, 그러나 이것에 제한되지 않는 생물학적 특성과 관련된 스코어 등), 타임스탬프, 또는 임의의 다른 적절하고, 원하거나, 필요한 데이터 또는 정보를 표시할 수 있다. 원시 데이터 디스플레이 영역(502G)은 예를 들어 여기에 설명된 그룹화 위젯(504G)을 사용하여 사용자에 의해 구성가능할 수 있다.
추가로 또는 대안으로 사용자는 원시 데이터를 표시할 열 또는 열들을 추가로 구성할 수 있다. 예를 들어, 사용자는 열 디스플레이 영역(506G)에서 하나 이상의 열을 선택하여 하나 이상의 선택된 열에 각각 대응하는 데이터가 원시 데이터 디스플레이 영역에 표시되도록 할 수 있다. 다른 예로서, 사용자는 열 디스플레이 영역(506G)에서 하나 이상의 열을 선택 해제하여 하나 이상의 선택 해제된 열에 각각 대응하는 데이터가 억제되거나 숨겨지거나 그렇지 않으면 원시 데이터 디스플레이 영역에 표시되지 않을 수 있다. 열 디스플레이 영역(506G)은 사용자가 열 디스플레이 영역(506G)에 하나 이상의 열을 추가, 제거, 인에이블 및/또는 디스에이블하도록 구성가능할 수도 있다. 예를 들어, 사용자는 분석에 대한 디바이스 식별자 열, 분석에 대한 스코어 열, 분석에 대한 챔버 식별자 열, 분석을 위한 rQP 열, 분석을 위한 세포 카운트 열, 분석을 위한 검증된 세포 카운트 열, 분석을 위한 타임스탬프 열, 하나의 또는 대응하는 분석들에 대한 하나 이상의 개별 열, 또는 임의의 다른 적합하거나 원하는 열 등을 추가, 제거, 인에이블 (예를 들어, 활성화), 및/또는 디스에이블 (예를 들어, 비활성화) 할 수도 있다.
예시적인 칩 타임라인 뷰는 여기에 설명된 데이터 또는 열 서브 구조들 중 임의의 것에 적용되었거나 적용될 수 있는 기능, 오퍼레이터 등의 목록을 보여주는 기능 디스플레이 영역(508G)을 추가로 선택적으로 포함할 수 있다. 기능 디스플레이 영역(508G)은 또한 원하는 데이터 또는 정보를 그 안에 디스플레이하도록 사용자에 의해 구성가능할 수 있다. 예를 들어, 사용자는 기능(들) 및/또는 오퍼레이터(들) 외에, 하나 이상의 필드, 매개변수, 특성, 입력 변수, 출력 변수 등을 기능 디스플레이 영역(508G)에 추가할 수 있다. 칩 타임라인 뷰는 또한 선택적으로 사용자가 그룹화 위젯(504G)을 사용하여 다양한 데이터 피스들을 빠르게 그룹화하기 위한 그룹화 위젯(504G)을 포함할 수 있다. 예를 들어, 사용자는 502G 또는 506G에서 열 헤더를 드래그하여 해당 열 헤더를 기반으로 원시 데이터의 일부 또는 전부(예를 들어, 표시된 원시 데이터만 또는 미세유체 디바이스의 타임라인과 상관된 원시 데이터 전부)에 대한 그룹화 액션을 자동적으로 트리거하는 그룹화 위젯 (504G)으로 열 헤더를 드롭할 수 있다. 전술한 바와 같이, 열 헤더는 타겟 기반 또는 구조 기반의 속성, 특성, 특징, 또는 메트릭에 대응하도록 인터랙티브 객체로 코딩될 수 있다. 따라서 열의 열 헤더를 드롭하는 것은 대응하는 타겟 기반 또는 구조 기반 속성, 특성, 특징 또는 메트릭에 따라 원시 데이터의 일부 또는 전체를 정렬하도록 시스템에 효과적으로 지시할 수 있다.
도 5h는 하나 이상의 실시형태들에서 도 5g 에 도시된 예시적인 데이터 구조의 예시적인 디스플레이의 일부에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 5h는 도 5g의 원시 데이터 디스플레이 영역(502G)에 대한 더 많은 세부사항을 예시한다. 일부 실시형태에서, 원시 데이터 디스플레이 영역(502G)은 미세유체 디바이스 식별자(502H), 챔버 식별자(504H), 제1 어세이 디바이스 식별자(506H), 제1 어세이 챔버 식별자(508H), 제1 어세이 rQP(dr, dq, dp 분자)(510H), 제1 어세이 스코어(512H), 제1 어세이 타임 스탬프(514H), 제2 어세이 디바이스 식별자(516H), 제2 어세이 챔버 식별자(518H), 제2 어세이 rQP(dr, dq, dp 분자)(520H), 제2 어세이 스코어(522H), 및/또는 제2 어세이 타임 스탬프(524H) 등 중 하나 이상을 포함할 수 있다.
도 5i는 하나 이상의 실시형태들에서 도 5g 에 도시된 예시적인 데이터 구조의 예시적인 디스플레이의 일부에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 5i 는 원시 데이터 디스플레이 영역(502G)에 대한 더 많은 세부사항을 예시한다. 도 5i 에 도시된 이러한 예에서, 원시 데이터 디스플레이 영역(502G)은 모든 열의 표시 또는 표시 억제를 토글하는 열 인에이블/디스에이블 온-스크린 위젯(502I)을 포함할 수 있다. 원시 데이터 디스플레이 영역(502G)은 또한 원시 데이터 디스플레이 영역(502G)에 표시하기 위한 구성 가능한 열 목록을 제시할 수 있다. 구성 가능한 열 목록은 하나 이상의 상이한 방식으로 구성될 수 있다. 예를 들어, 새로운 열 추가 위젯(504I)으로 새로운 열이 추가될 수 있다.
열 제거 위젯(508I)을 사용하여 구성 가능한 목록에서 기존 열을 제거할 수 있다. 구성 가능한 목록의 열은 예를 들어 체크 박스 또는 다른 온-스크린 위젯(들), 메뉴 커맨드(들), 컨텍스트 커맨드(들) (예를 들어, 열 또는 그것의 식별자를 우측 클릭하여 호출되는 커맨드들) 등을 클릭함으로써 개별적으로 인에이블 (예를 들어, 원시 데이터 디스플레이 영역(502G)에서 디스플레이) 또는 디스에이블 (예를 들어, 원시 데이터 디스플레이 영역(502G)에서 미 디스플레이) 될 수 있다. 원시 데이터 디스플레이 영역(502G)에 표시된 열들은 또한 다양한 상이한 방식으로 그룹화될 수 있다. 예를 들어, 사용자는 열 식별자를 필드(506I)로 드래그하여 해당 열 식별자에 의해 원시 데이터 디스플레이 영역(502G)에 표시된 데이터를 배열, 정렬 또는 조직화할 수 있다. 이러한 정렬, 배열 또는 조직화는 또한 다른 적절한 커맨드들(예를 들어, 원시 데이터 디스플레이 영역(502G)에서 포인팅 장치 커서의 오른쪽 클릭에 의해 호출되는 컨텍스트 커맨드, 메뉴 커맨드 등)에 의해 달성될 수 있다.
도 5j는 하나 이상의 실시형태에서 원시 데이터를 저장하는 예시적인 데이터 구조의 예시적인 그룹핑을 도시한다. 도 5j 의 예에 도시된 바와 같이, 데이터는 하나 이상의 특성들 (예를 들어, 열 식별자를 도 5i 의 필드 (506I) 내로 그래깅) 에 의해 그룹화될 수 있다. 이들 실시형태에서, 그룹화는 모든 데이터(원시 데이터 디스플레이 영역(502G)에서 인에이블되거나 디스에이블됨), 원시 데이터 디스플레이 영역(502G)의 모든 인에이블된 데이터, 또는 모든 데이터의 더 작은 서브세트에 대해 수행될 수 있다. 도 5j는 원시 데이터 디스플레이 영역(예를 들어, 502G)에 디스플레이된 데이터에 대해 수행될 수 있는 합성, 내포, 또는 계층적으로 배열된 동작들의 세트를 더 예시한다. 예를 들어, 사용자는 다수의 특성들 (예를 들어, 도 5i 의 필드 (506I) 의 특성들) 을 클릭함으로써 다수의 특성들을 선택하여 표시되는 데이터가 먼저 제1 선택된 특성별로 그룹화되고 제2 선택된 특성 등에 따라 정렬될 수 있다.
도 5k는 하나 이상의 실시형태에서 다방향 배치 위젯을 사용하여 칩 타임라인 뷰 또는 윈도우에 객체를 삽입하는 다른 예를 도시한다. 더 구체적으로, 도 5k는 다방향 배치 위젯(504K)을 사용하여 객체(506K)를 칩 타임라인 뷰 또는 윈도우(예를 들어, 도 4a)에 삽입하는 다른 예를 도시한다. 이 예에서, 사용자는 다방향 배치 위젯(504K)에서 중앙 작동 가능 스위치를 선택한다. 다방향 배치 위젯(504K)에서 중앙 작동 가능 스위치의 사용자 작동에 응답하여, 시스템은 객체(506K)를 수용할 후보 공간을 자동으로 결정하고 객체(506K)가 배치될 수 있는 반투명 잔영 경계 박스(502K)를 선택적으로 보여줄 수 있다.
도 6a 는 하나 이상의 실시형태에서 객체의 형태로 각 챔버와 연관된 추가 콘텐츠를 표시하기 위해 확장 위젯을 작동시키는 예를 도시한다. 도 6a 는 객체의 형태로 각 챔버와 관련된 추가 콘텐츠(예를 들어, 604A, 606A 등)를 표시하기 위해 확장/축소 위젯(602A)을 작동 또는 확장하는 예를 예시한다. 확장/축소 위젯(602A)은 사용자의 조작에 기초하여 그것의 그래픽 표현을 자동으로 변경한다. 예를 들어, 확장/축소 위젯(602A)은 확장 가능한 피처에 대한 확장 표현(예를 들어, 608A와 같은 더하기 기호) 및 피처가 축소될 수 있을 때만 축소 표시(예를 들어, 602A와 같은 빼기 기호)를 나타낼 수 있다. 시스템은 하위 창 또는 하위 영역의 크기와 위치를 자동으로 결정하여 디스플레이 상의 다른 콘텐츠에 대한 방해 없이 또는 감소된 방해로 챔버의 추가 콘텐츠를 표시한다. 추가 콘텐츠가 결정된 하위 창 또는 하위 영역(예를 들어, 604A)에 완전히 수용되거나 표시될 수 없는 일부 실시형태에서, 시스템은 또한 사용자가 콘텐츠를 통해 스크롤하도록 하나 이상의 개별 차원(예를 들어, 상하 뿐아니라 좌우) 의 하나 이상의 슬라이더들을 렌더링할 수 있다.
도 6a는 작동될 때 그 외양을 변경할 수 있고 추가 정보 또는 콘텐츠가 표시되게 할 수 있는 확장/축소 위젯 또는 갤러리 상세 위젯(608A)을 더 예시한다. 확장 위젯은 추가 정보, 기능 등으로 사용자 인터페이스를 어지럽히는 것을 피하기 위해 일부 실시형태에서 필요할 때 확장되거나 필요하지 않을 때 축소될 수 있다. 도 6a 에 도시된 예시적인 사용자 인터페이스는 축소된 상태의 이러한 확장 위젯을 보여준다.
또한, 도 6a 의 사용자 인터페이스는 갤러리 뷰 또는 그 일부를 포함한다. 갤러리 뷰에 팝퓰레이팅된 다양한 유형의 데이터는 예를 들어 하나 이상의 기본 이미지에서 도출되거나 추출될 수 있는 해당 관심 영역의 개별 이미지를 포함한다. 이들 대응하는 관심 영역은 예를 들어 대응하는 칩 타임라인 및/또는 워크플로우 또는 파이프라인에 적어도 부분적으로 기초하여 사용자에 의해 또는 시스템에 의해 자동으로 결정될 수 있다. 이러한 관심 영역은 순수하게 타겟 기반, 순수하게 구조 기반, 또는 타겟 기반과 구조 기반 양자 모두일 수 있다. 관심 영역이 타겟 기반인지 구조 기반인지에 따라, 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등이 또한 캡처되어 다른 데이터(예를 들어, 기본 이미지(들), 관심 영역의 개별 이미지 등)와 연관될 수 있고, 서로 연관되는 데이터를 조작(예를 들어, 필터링, 랭킹, 클러스터링 등)하는 데 사용될 수 있다.
일부 실시형태에서, 대응하는 영역의 이러한 개별 이미지는 미세유체 디바이스에서 생물학적 샘플의 기본 분석의 흐름을 추적하는 칩 타임라인에 따라 갤러리 뷰에 배열될 수 있다. 예를 들어, 갤러리 뷰는 각 열이 특정 단계에 대응하는 각 열에 분석의 특정 단계를 제시할 수 있으며, 갤러리 뷰의 이러한 특정 열들은 또한 정보 제시 칩 타임라인(예를 들어, 도 5f 의 그래픽, 컬러 코딩된 표현들(502F))에 대응한다. 갤러리 뷰의 열이 전술한 하나 이상의 속성, 특성, 특징 또는 정량화 가능한 메트릭 중 하나에 따라 여러 관심 영역에 대한 데이터를 제시하는 일부 실시형태에서, 시스템은 이 열과 칩 타임라인의 속성, 특성, 특징, 또는 정량화 가능한 메트릭과 더 또는 가장 관련이 있는 단계 사이의 대응을 추가로 결정할 수 있다. 이러한 방식으로, 여기에 설명된 다양한 상이한 뷰들은 여기에 설명된 기능들 중 임의의 것을 효율적으로 활용하거나 사용할 수 있으므로 사용자는 도출 계산 분석 및/또는 생물학적 샘플의 분석과 상관된 데이터의 분석을 용이하게 하기 위해 원하는 또는 필요한 기능들 중 임의의 것을 수행하기 위해 상이한 뷰들 간에 쉽게 전환할 수 있다.
도 6a는 삽입을 위한 객체가 전체 후보 공간을 점유해야 하는 것으로 (예를 들어, 사용자 또는 시스템에 의해) 확인되는 예를 도시하고, 시스템은 표시된 일부 의미론적인 또는 의미 있는 콘텐츠가 객체의 삽입에 의해 방해될 수 있다고 결정할 수 있다. 이에 응답하여, 시스템은 원래의 칩 타임라인 뷰가 원래의 탭(예를 들어, 현재의 활성 탭)에 남아 있는 동안 삽입을 위한 객체를 수용하기 위해 새로운 탭(612A)을 추가할 수 있다. 이 예에서 삽입을 위한 객체는 갤러리 뷰 객체를 포함한다. 도 6a는 사용자 인터페이스가 사용자 인터페이스에 추가되는 갤러리 뷰 및 칩 타임라인 뷰(610A) 와 같은 다수의 탭들을 포함할 수 있음을 더 예시한다. 일부 실시형태에서, 현재 특정 뷰를 표시하는 사용자 인터페이스에 임의의 다른 뷰가 추가될 수 있다. 예를 들어, 갤러리 뷰를 표시하는 사용자 인터페이스는 칩 타임라인 뷰를 추가하여 보강될 수도 있다.
또한, 도 6a는 상호작용 위젯(예를 들어, 614A, 616A, 및 618A)의 일부 예를 더 예시한다. 상호 작용될 때, 상호작용 위젯은 하나 이상의 기능의 성능을 트리거한다. 도 6a 에 도시된 예에서, 대응하는 갤러리 서브 구조(예를 들어, 예시의 열)에 대한 상호작용 위젯(618A)은 상호작용 위젯과 연관되거나 상호작용 위젯을 위해 커스텀 정의될 수 있는 하나 이상의 기능의 성능을 트리거할 수 있다. 예를 들어, 사용자가 갤러리 뷰에서 렌더링하기 위해 타겟 기반 또는 구조 기반 속성, 특성, 특징 또는 메트릭을 선택할 때, 시스템은 타겟 기반 또는 구조 기반 속성, 특성, 특징 또는 메트릭에 대한 설명 또는 그것들과 연관된 표기를 갤러리 서브 구조의 표제 또는 제목으로 사용할 수 있다.
이 표제 또는 제목 블록은 해당 표제 또는 제목으로 표시될 입력으로서 설명 또는 표기를 기다리는 매개변수화된 코드 블록으로 생성될 수 있다. 또한, 선택된 타겟 기반 또는 구조 기반 속성, 특성, 특징 또는 메트릭과 상관된 하나 이상의 기능이 표제 또는 제목 블록과 연관될 수 있으므로 표제 또는 제목 블록이 상호 작용될 때(예를 들어, 클릭될 때), 하나 이상의 기능이 실행되거나 실행을 위한 선택을 위해 사용자에게 제시될 수 있다. 추가로 또는 대안으로, 표제 또는 제목 블록(예를 들어, 612A)은 또한 식별자 위젯의 역할을 하거나 앞서 언급한 매개변수화된 코드 블록에 내장된 식별자의 기능을 갖도록 구성될 수 있다. 식별자 위젯은 호출될 때 식별자를 변경한다. 예를 들어, 사용자는 표제 또는 제목 블록의 식별자를 변경하기 위해 식별자 위젯 기능을 호출할 수 있다.
도 6b는 일부 실시형태에서 본 명세서에 설명된 생물정보학 파이프라인 사용자 인터페이스 및 하나 이상의 다른 사용자 인터페이스 또는 뷰의 통합의 예를 도시한다. 도 6b는 일부 실시형태에서 여기에 설명된 생물정보학 파이프라인 사용자 인터페이스(예를 들어, 아래에서 설명되는 도 7a 의 702A) 및 하나 이상의 다른 사용자 인터페이스들 또는 뷰들의 통합의 예를 예시한다. 더 구체적으로, 도 6b는 생물정보학 파이프라인 사용자 인터페이스(602B), 갤러리 뷰 또는 사용자 인터페이스(606B), 및 칩 타임라인 뷰(604B) 또는 사용자 인터페이스 등의 통합을 예시한다. 이들 뷰들 또는 사용자 인터페이스들의 각각은 그것의 각각의 탭에 제시될 수 있다. 또한, 하나의 뷰(또는 사용자 인터페이스)는, 예를 들어, 도 5a 를 참조하여 전술한 바와 같이 다른 뷰 또는 사용자 인터페이스에 객체로서 추가될 수 있다. 일부 실시 예에서 갤러리 뷰 또는 사용자 인터페이스 606B는 예를 들어 물질(예를 들어, 앞서 언급한 생물학적 샘플)의 존재, 그 물질의 양, 또는 약물의 생물학적 또는 약리학적 효능 등을 결정하기 위해 예를 들어 하나 이상의 분석들을 수행하는 어세이 분석기를 위해 고안될 수 있다.
생물정보학 파이프라인 사용자 인터페이스(602B)는 생물정보학 또는 컴퓨터 생물학을 채용하여 예를 들어 생물학적 샘플의 시퀀스, 도메인 및/또는 구조를 결정하는 시퀀서용으로 별도로 고안될 수 있다. 시퀀서에 의해 생성되는 방대한 양의 시퀀싱 데이터로 인해, 기존 도구는 임의의 유용한 도구나 기능 없이 사용자에게 방대한 양의 데이터를 단순히 제시할 수 있었다. 결과적으로 사용자는 바라건대 유용한 정보를 식별하기 위해 방대한 양의 데이터를 통해 암호화하기 위해 세부 사항에 대한 면밀한 관찰과 주의에 의존해야 한다.
여기에 설명된 다양한 기법들은 사용자가 관련 정보 또는 관심 데이터를 신속하게 식별 및 결정하기 위한 여러 기능들을 제공하고 심지어 사용자가 그 결과들을 시각적으로 검증하기 위한 기능들을 제공함으로써 어세이 분석 및 생물정보학 파이프라인 분석에 완전하고 동일한 효과로 적용된다. 예를 들어, 통합된 생물정보학 파이프라인 사용자 인터페이스 및 갤러리 뷰를 사용하여, 사용자는 어세이 분석 데이터 및 생물정보학 파이프라인 데이터 양자 모두를 조작, 분석 및/또는 추가 처리함에 있어서 설명된 기능들의 전부 또는 거의 전부를 채용할 수 있다. 더욱이, 갤러리 뷰(608B)는 다수의 흐름을 포함한다. 예를 들어, 갤러리 뷰(606B)는 dsDNA의 AT 영역에 결합할 때 형광의 약 20배 향상을 나타내는 청색 형광 DNA 염색을 사용하는 형광 DAPI(4', 6-디아미디노-2-페닐인돌) 흐름(610B), FITC(플루오레세인 이소티오시아네이트) 흐름(612B), 및 하나 이상의 다른 흐름(614B)(예를 들어, TRITC 또는 테트라메틸로다민 이소티오시아네이트, OEP 또는 광전자 포지셔닝 등)을 포함한다. 게다가, 이러한 다수의 흐름(610B, 612B, 614B 등)을 보여주는 갤러리 뷰(608B)는 하나 이상의 미세유체 디바이스의 단일 타임라인 또는 타임라인의 단일 블록에서 생성될 수 있다.
예를 들어, 도 6b 에 도시된 바와 같이, 사용자는 생물정보학 파이프라인 데이터세트를 로드하고, 생물정보학 파이프라인 데이터의 서브세트를 선택하고, 갤러리 뷰에 대해 위에서 설명된 기능을 사용하여 (예를 들어, 하위 메뉴 항목 또는 위젯을 통해 관심 챔버 목록(616A)을 선택함으로써) 서브세트를 챔버 목록으로서 저장할 수 있다. 그런 다음 기본 시스템은 예를 들어 생물정보학 파이프라인 데이터 및 관련 데이터를 연결하기 위해 챔버가 위치되는 미세유체 디바이스의 식별자 및/또는 챔버의 식별자를 사용함으로써 관련 데이터(예를 들어, 시점들의 시퀀스에서 캡처된 챔버의 이미지들의 시퀀스)를 자동으로 식별하고 연결할 수 있다.
이러한 방식으로, 갤러리 뷰는 사용자가 예를 들어 챔버의 이미지 시퀀스를 시각적으로 관찰함으로써 결과를 시각적으로 식별하고 심지어 시각적으로 검증할 수 있도록 시점들의 시퀀스의 각각에서 챔버의 시각적 표현을 제공한다. 더욱이, 사용자는 또한 필터 구성 및 정의 기능을 채용하고 하나 이상의 1차원 또는 다차원 필터를 어세이 분석 데이터 및 생물정보학 파이프라인 데이터 양자 모두에 적용할 수 있다.
도 6b는 각각이 (예를 들어, 클릭 또는 오른쪽 클릭에 의해) 활성화될 때, 사용자가 선택된 챔버 목록에 대해 어떤 추가의 동작이 수행되어야 하는지를 결정할 컨텍스트 메뉴(618B)를 제공하는 기존 챔버 목록들 중의 목록을 제공하는 확장 가능하고 축소 가능한 챔버 목록 메뉴(616B)를 도시한다. 일부 예시적인 동작들은 갤러리 뷰에서 선택된 챔버 목록 열기, 선택된 챔버 목록의 원시 데이터 열기, 및/또는 선택된 챔버 목록 삭제, 또는 챔버 목록에 대한 조작 및/또는 작업과 상관된 임의의 다른 적합한, 원하는, 또는 필요한 동작들 등을 포함할 수 있다.
도 6c는 일부 실시형태에서 로딩된 생물정보학 파이프라인 데이터세트에 대해 예시된 갤러리 뷰의 더 많은 세부사항을 예시한다. 도 6c는 일부 실시형태에서 로딩된 생물정보학 파이프라인 데이터세트에 대한 도 6b 에 도시된 갤러리 뷰의 세부사항을 도시한다. 이러한 실시형태에서, 갤러리 뷰의 하나 이상의 이전에 설명된 특징 및 기능에 추가하여, 도 6c는 일련의 시점에서 챔버에 대해 캡처된 이미지의 배열을 추가로 예시한다(3개의 챔버들이 도 6c에서 3개의 행으로 배열됨). 각각의 챔버는 수치적 또는 통계적 정보(예를 들어, 도 6c 의 세포 카운트)의 빠른 표현을 제공하는 스파크라인(606C)과 연관될 수 있다. 도 6c 에 도시된 스파크라인(606C)은 축이 없는 그래프의 형태를 갖지만, 스파크라인은 또한 일부 다른 실시형태에서 하나 이상의 축을 사용하여 표현될 수 있다. 더욱이, 챔버는 일부 실시형태에서 하나보다 많은 스파크라인과 연관될 수 있다. 비록 도 6c 의 스파크라인이 3개의 데이터 포인트를 기반으로 구축되는 것으로 보이지만 시간 경과에 따라 임의의 수의 데이터 포인트로 스파크라인을 구성할 수 있다.
도 6c는 일부 실시형태에서 복수의 시점에서 챔버에 대해 캡처된 이미지의 시퀀스를 동적으로 재생하는 예를 추가로 예시한다. 사용자 인터페이스(예를 들어, 도 6c 에 도시된 바와 같은 갤러리 뷰)는 (예를 들어, 클릭을 통해) 활성화될 때, 관심 챔버에 대해 캡처된 이미지 시퀀스를 유발하는 위젯(602C)을 포함할 수 있다. 예를 들어, 사용자는 열 메뉴(602C)의 일부로 구현된 재생 위젯을 클릭할 수 있다. 재생 위젯에 대한 클릭을 수신하면 기본 시스템은 챔버의 이미지를 표시하도록 할당된 사용자 인터페이스의 부분(604C)에서 특정 챔버에 대한 이미지 시퀀스를 재생할 수 있다. 예를 들어, 이미지 시퀀스의 재생은 시간 경과에 따른 챔버 내 생물학적 마이크로-객체의 클론 개체군의 확장, 생물학적 마이크로-객체 라벨링 실험의 진행, 시간 경과에 따른 생물학적 마이크로-객체의 용해의 진행, 시간 경과에 따른 포획 비드로의 생물학적 생성물의 포획, 가용성 리포터 분자의 확산: 시간 경과에 따른 생물학적 생성물 복합체 등을 도시할 수 있다.
도 6d는 하나 이상의 실시형태에서 예시적인 갤러리 뷰에 대한 설정을 구성하기 위한 예시적인 갤러리 뷰 위의 예시적인 팝업 창을 도시한다. 더 구체적으로, 도 6d는 사용자가 GUI에서 설정 버튼 등을 선택한 후 엔진(예를 들어, 데이터 디스플레이 엔진(50))에 의해 생성된 갤러리 뷰의 예를 보여주며, 이는 엔진이 필터링된 데이터의 갤러리 뷰를 생성하는 데 사용할 수 있는 하나 이상의 설정들의 팝업 위도우 또는 창을 포함할 수 있다. 이러한 특정 매개변수에 국한되지는 않지만, 설정들은 ("열 이름"으로 표시되는) 분석의 각 단계에 대해, 열의 랭크가 가시적인 경우, 해당 열이 가시적인지 여부, 및 각 이미지의 바닥글(여기서는 "열 바닥글"이라고 함)에 표시될 텍스트를 포함할 수 있다. 또한, 엔진(50)은 행 높이, 쉼표 뒤의 숫자 등과 같은 설정을 제시할 수 있을 뿐만 아니라 사용자가 챔버 거부 승인을 요구하도록 허용할 수 있다; 엔진(50)은 이러한 설정을 갤러리 뷰에 적용하거나 갤러리 뷰에 대한 변경을 취소하기 위한 옵션을 제시할 수 있다.
도 6d 에 도시된 예에서, 사용자는 갤러리 뷰의 다양한 양태, 속성, 특성 등을 구성할 수 있다. 일부 실시형태에서, 사용자는 각각의 열(예를 들어, 도 6b 의 610B, 612B 등에 대응하는 열)에 대해 이러한 다양한 양태, 속성, 특성 등을 구성할 수 있다. 예를 들어, 사용자는 열(예를 들어, 복수의 시점에서 미세유체 디바이스의 챔버와 상관된 이미지, 분석 결과 및/또는 기타 관련 데이터와 같은 분석 데이터에 해당하는 컬럼)이 가시성 위젯(602D)을 각각 체크함으로써 갤러리 뷰에서 보이는지 또는 보이지 않는지 여부를 구성할 수 있다. 사용자는 또한 랭킹 위젯(604D)을 체크하여 각 열의 랭킹을 켜거나 끌 수 있다.
사용자는 예를 들어, 각각의 열 식별자(606D)에 대한 (예를 들어, 메뉴, 컨텍스트 메뉴, 클릭, 더블 클릭 등을 통한) 커맨드을 발행함으로써 디폴트 열 식별자(606D)를 구성하거나 수정할 수 있다. 사용자는 또한 풀다운 메뉴에서 원하는 특성을 선택하여 갤러리 뷰의 해당 열의 디스프레이에 관한 복수의 선택 가능한 특성(예를 들어, 챔버에 대한 총 세포 카운트, 챔버에 대해 검증된 총 세포 카운트, 최대 밝기, 최소 밝기 등)에 대응하는 열 바닥글(608D)을 구성할 수 있다. 추가적으로 또는 대안적으로, 사용자는 열 크기 조정 위젯(610D)을 통해 갤러리 뷰에서 열의 크기(예를 들어, 열의 높이 및/또는 너비)를 구성할 수 있다. 일부 실시형태에서, 사용자는 정밀도 조정 위젯(612D)을 통해 갤러리 뷰에서 열에 대한 숫자(들)의 디스플레이된 정밀도(예를 들어, 소수점 이하 자릿수)를 구성할 수 있다.
도 6e는 일부 실시형태에서 예시적인 갤러리 뷰에서 의사 채색의 예시적인 결과를 예시한다. 더 구체적으로, 도 6e 는 형광 표지된 세포 (606E) 의 크기에 근사하는 결정된 크기를 갖는 형광 표지된 세포(606E)를 갖는 이들 챔버들의 배경(3004)을 녹색으로 착색하는 (예를 들어, Assay_2_CV5 열 제목 602E를 선택하여) 챔버들의 열의 의사 착색을 가능하게 하는 예시의 결과를 도시한다. 의사 착색은 디스플레이 장치에서 이미지의 적절한 가시성을 방해하거나 감소시키는 특정 특성(예를 들어, 불충분한 대비, 낮은 밝기 등)으로 캡처된 챔버의 이미지를 복구하는 데 사용될 수 있다.
도 6e는 특정 뷰 또는 전체 사용자 인터페이스의 다양한 특성 또는 다른 양태를 조정할 능력을 사용자에게 제공하는 구성 위젯(608E)의 예를 추가로 예시한다. 구성 위젯(608E)을 통해 구성될 수 있는 특성의 일부 예는 제한 없이 밝기, 대비, 의사 착색 활성화 또는 비활성화, 채도, 감마, 밝기, 색상 인자, 또는 임의의 다른 적합하거나 바람직하거나 필요한 특성을 포함한다.
도 6f는 일부 실시형태에서 예시적인 갤러리 뷰에서의 챔버들의 열의 컬러 팩터 및 하나 이상의 개별 챔버의 확대 특징을 변경한 예시적인 결과를 예시한다. 더 구체적으로, 도 6f 는 도 6e 의 형광 표지된 세포(606E)의 크기에 근사하는 결정된 크기를 갖는 (도 6e 의) 형광 표지된 세포(606E)를 갖는 이들 챔버의 배경(602F)을 청색으로 착색하는 (예를 들어, 도 6e 에서 Assay_2_CV5 열 제목 602E 을 선택함으로써) 챔버 열의 색상 인자를 변경한 예시적인 결과를 도시한다. 도 6f는 사용자가 도 6e 의 세포(606E)을 확대하기 위해 챔버(602E)를 선택할 수 있음을 추가로 예시한다. 형광 표지된 세포(606E)의 확대된 이미지(예를 들어, 확대된 이미지(604F))는 특히 이미지의 미세한 피처(들) 에 대해 더 양호한 가시성을 제공하기 위해 대응하는 챔버에서 세포의 실제 크기를 근사화하거나 스케일링하도록 결정되는 크기로 생성된다.
도 6g는 일부 실시형태에서 뷰를 구성하기 위한 구성 위젯의 다른 예를 도시한다. 더 구체적으로, 도 6g는 뷰(예를 들어, 갤러리 뷰, 칩 타임라인 뷰 등)를 구성하기 위한 구성 위젯의 다른 예를 도시한다. 이 예에서, 구성 위젯(602G)은 각각의 제목(예를 들어, 제목으로서의 분석 유형)에 따라 뷰의 열을 나열하고, 사용자가 뷰를 제어하기 위해 선택할 드롭다운 메뉴를 제공한다. 예를 들어, 사용자는 열의 드롭다운 메뉴(예를 들어, 이 예에서는 Assay_2_CY5)를 클릭하여, 제한 없이, 열 높이, 쉼표 뒤의 자릿수(예를 들어, 1, 2, 3, ...), 각 챔버 식별자, 최대 밝기, 최대 배경 밝기, 장축 크기(예를 들어, 미크론 단위), 단축 크기, 원형도, 직경 크기, 챔버 식별자, 및/또는 중간 밝기 등을 포함하는 분석의 특성들을 변경할 수 있다.
구성 창은, 예를 들어, 갤러리 뷰에서 해당 열을 구성하기 위한 드롭다운 또는 팝업 창에 각각 대응하는 하나 이상의 필드를 포함할 수 있다. 각 필드는 추가로 예를 들어 보이거나 보이지 않도록, 랭크들이 표시되어야 하는지 여부 등을 구성할 수 있다. 사용자는 또한 선택한 특성 각각이 보이는지 여부, 열 내의 (미세유체 디바이스의 다른 챔버들과 비교한) 챔버의 랭킹이 표시되어야 하는지 여부, 또는 사용자가 보거나 숨기기를 원하는 기타 정보를 구성할 수 있다. 예를 들어, 사용자는 갤러리 뷰에서 구성 위젯(604G)을 클릭하여 구성, 설정, 속성 및/또는 특성 등을 구성하거나 조정할 수 있다. 일부 실시형태에서, 이 구성 메뉴(602G)는 또한 표시되는 행의 높이 및/또는 쉼표 뒤의 자릿수를 조정하는 능력을 제공할 수 있다.
예를 들어, 사용자는 열 크기 조정 위젯(도 6d 의 610D)을 통해 갤러리 뷰에서 열의 크기(예를 들어, 열의 높이 및/또는 너비)를 구성할 수 있다. 일부 실시형태에서, 사용자는 정밀도 조정 위젯(도 6d 의 612D)을 통해 갤러리 뷰에서 열에 대한 숫자(들)의 디스플레이된 정밀도(예를 들어, 소수점 이하 자릿수)를 구성할 수 있다. 사용자는 가시성 아이콘(예를 들어, 도 6d 의 602D)을 체크함으로써 하나 이상의 열이 보이는지 또는 보이지 않는지를 결정할 수 있다. 사용자는 또한 랭킹 위젯(도 6d 의 604D)을 체크하여 각 열의 랭킹을 켜거나 끌 수 있다. 사용자는 또한 풀다운 메뉴에서 원하는 특성을 선택하여 갤러리 뷰의 해당 열의 디스프레이에 관한 복수의 선택 가능한 특성(예를 들어, 챔버에 대한 총 세포 카운트, 챔버에 대해 검증된 총 세포 카운트, 최대 밝기, 최소 밝기 등)에 대응하는 열 바닥글(608D)을 구성할 수 있다.
도 6h는 일부 실시형태에서 사용자가 도 6g 에서의 챔버의 상태를 "선택" 상태에서 "미정" 상태로 변경한 예를 나타낸다. 도 6h는 사용자가 도 6g 에서의 챔버의 상태를 "선택" (예를 들어, 도 6g 에서 606G 또는 608G에 의해 도시된 바와 같이 다중-상태 선택기에 채워진 상부 버블을 가짐) 에서 "미정" (예를 들어,다중 상태 선택기에서 빼기 기호 아이콘 "-" 를 가지며 602H 에서 채워진 버블이 없음) 으로 변경한 예를 나타낸다. 도 6h는 호출될 때 이하에 설명되는 도 6i 에 예시된 바와 같이 하나 이상의 필터 유형 및/또는 하나 이상의 속성 선택기를 결정하는 데 사용되는 필터 선택기 스위치(604H)를 더 예시한다.
도 6h는 도 6g를 참조하여 위에서 설명된 하나 이상의 특성을 조정한 후 갤러리 뷰 객체의 리프레시된 디스플레이를 더 예시한다. 도 6h는 사용자가 챔버를 선택하거나, 챔버를 거부하거나, 챔버를 "미정"(예를 들어, 챔버를 선택 또는 거부할지 여부에 대해 미정)으로 라벨링하기 위한 다중 상태 스위치 또는 다중 상태 선택기(606H)를 추가로 예시한다. 도 6h 에 도시된 이러한 예에서, 610H로 둘러싸인 챔버는 현재 사용자 인터페이스에서 그래픽으로 강조된 바와 같이 "선택"으로 표시된다. 도 6h는 선택된 것으로서 하나의 챔버만을 도시하지만, 일부 실시형태에서 둘 이상의 챔버가 선택될 수 있으며, 여기에 설명된 기술은 다수의 선택된 챔버들과 연관된 추가 작업(예를 들어, 확대 뷰드들)을 수용하도록 사용자 인터페이스를 자동으로 프로그래밍 방식으로 배열할 수 있다. 도 6h는 또한, 작동될 때, 하나 이상의 관심 영역을 포함하는 목록(예를 들어, "펜 목록" 또는 "챔버 목록")의 생성을 위한 명령을 호출하는 목록 생성 스위치(608H)를 예시한다. 예를 들어, 사용자는 하나 이상의 필터를 적용하여 미세유체 디바이스의 복수의 관심 영역을 필터링된 관심 영역 목록으로 필터링하고 하나 이상의 필터를 만족하는 필터링된 관심 영역목록을 포함하는 펜 목록을 생성하기 위해 목록 생성 스위치(608H)를 클릭한다. 이 필터링된 관심 영역 목록과 상관된 분석 데이터 및/또는 계산 분석 데이터는 갤러리 뷰를 생성하는 데 사용할 수 있으며 동시에 일부 또는 모든 기능을 활용할 수 있다.
도 6i는 일부 실시형태에서 하나 이상의 필터 유형의 하나 이상의 필터를 추가하기 위한 필터 빌더 (builder) 및 애플리케이션 모듈의 예를 예시한다. 더 구체적으로, 도 6i는 하나 이상의 필터 유형(예를 들어, 하나의 특성을 제어하는 1차원 필터, 2 개의 특성을 제어하는 2차원 필터 등)의 하나 이상의 필터를 추가하기 위한 필터 빌더 및 애플리케이션 모듈(602I)의 예를 도시한다. 여기에 설명된 특성 또는 필터 속성(예를 들어, 604I)은 일부 실시형태에서 상호작용할 수 있다. 특성 또는 필터 속성은 타겟 기반 또는 구조 기반 특성, 속성, 특징 또는 정량화 가능한 메트릭을 포함하거나 이와 관련될 수 있다. 타겟 기반 특성, 속성, 특징 또는 정량화 가능한 메트릭의 일부 예는, 제한 없이, 생물학적 샘플에 대해 실제로 측정되거나 도출되거나 계산될 수 있는 크기, 원형도, 친화도, 장경 및/또는 단경, 형광 강도 또는 카운트와 같은 생물학적 샘플와 상관된 특성을 포함할 수 있다. 구조 기반 특성, 속성, 특징 또는 정량화 가능한 메트릭의 예는, 제한 없이, 미세유체 디바이스의 양태 또는 임의의 챔버, 또는 임의의 부분과 상관된 임의의 정보를 포함할 수 있다. 필터 속성은 필터 속성의 목록으로부터 선택될 수 있고 일부 실시형태에서 하나 이상의 갤러리 서브 구조(예를 들어, 갤러리 뷰의 하나 이상의 열)에 대응할 수 있다.
필터 빌더 및 애플리케이션 모듈(602I)은 필터가 뷰에 적용될 때 필터링 기준(또는 기준들)이라고 할 수 있는 값 또는 값의 범위를 충족하는 하나 이상의 객체를 식별하도록 하나 이상의 특성들을 선택함으로써 및 특성에 대한 값 또는 값의 범위를 변경하거나 정의함으로써 사용자가 하나 이상의 필터를 커스텀 구축하고 이들을 뷰에 적용하는 것을 허용한다. 여기에 설명된 다양한 모듈(예를 들어, 필터 빌더 및 애플리케이션 모듈)은 다수의 관심 영역을 필터링, 정렬 및/또는 랭킹 등을 하도록 구성되거나 고안되며 하나 이상의 그래픽 처리 및/또는 렌더링 모듈과 협력하거나 결합하여 기능하여 이러한 필터링, 정렬 및/또는 랭킹 등의 결과를 표시할 수 있다.
더욱이, 필터 빌더 및 애플리케이션 모듈 또는 필터 생성 모듈(602I)은 사용자가 하나 이상의 요구되거나 원하는 필터링 기준을 결정하는 것을 허용하는 (슬라이딩 조정 위젯으로도 지칭될 수 있는) 하나 이상의 필터링 기준 구성기들 또는 하나 이상의 구성 슬라이더 위젯들 (610I 또는 618I) 을 포함할 수 있다. 도 6i에 도시된 예에서, 필터링 기준 구성기는 사용자가 필터링 기준을 조정하거나 정의할 수 있게 하는 필터 구성기의 세트(예를 들어, 하나 이상의 슬라이더(610I 또는 618I) 및/또는 하나 이상의 대응하는 조정 위젯(614I)의 세트)를 포함한다. 다른 유형의 필터링 기준 구성기들이 또한 사용될 수 있으며 이에 따라 고려된다는 점에 유의해야 한다. 예를 들어, 다른 필터링 기준 구성기는 사용자가 값 또는 값 범위와 같은 동적 제약을 그러한 값 또는 값 범위를 타이핑함으로써 지정하는 것을 허용한다. 다른 예로서, 필터 기준은 슬라이더(610I 또는 618I) 및/또는 대응하는 조정 위젯(614I 또는 616I)을 조작함으로써 사용자가 최소 3개의 샘플 및 최대 16개의 샘플을 갖는 임의의 챔버를 선택하도록 할 수 있다. 다른 예로서, 필터 기준은 슬라이더(610I 또는 618I) 및/또는 대응하는 조정 위젯(614I 또는 616I)을 조작함으로써 사용자가 최소 직경이 5.90미크론이고 최대 직경이 25.80미크론인 임의의 챔버를 선택하는 것을 허용할 수 있다. 일단 필터가 적용되면, 하나 이상의 필터링 기준을 만족시키는(따라서 사용자 인터페이스에서 렌더링되는) 관심 영역은 일부 실시형태에서 필터링된 관심 영역으로 지칭될 수 있다.
일부 실시형태에서, 필터 빌더 및 애플리케이션 모듈(602I)은 필터의 적용 후에 샘플의 수를 자동으로 결정한다. 예를 들어, 하나 이상의 슬라이더(610I 또는 618I) 세트 및/또는 하나 이상의 대응하는 조정 위젯(614I 또는 616I) 세트의 조정에 응답하여, 필터 빌더 및 애플리케이션 모듈(3602)은 896 개의 샘플들 (608I) 이 제1 필터를 충족하고, 이들 896 개의 샘플 중 399 개의 샘플은 제2 필터 기준/기준들에 대해 하나 이상의 슬라이더(610I 또는 618I)의 제2 세트 및/또는 각 조정 위젯(614I 또는 616I)의 제2 세트를 조정한 후 제2 필터를 추가로 충족한다.
더욱이, 필터링 기준 또는 기준들의 조정으로, 도 6i 의 우측 부분의 갤러리 뷰(예를 들어, 606I를 포함하는 갤러리 뷰)는 필터의 적용을 반영하도록 자동으로 업데이트된다. 필터 기준은 타겟 기반 또는 구조 기반일 수 있다는 점에 유의해야 한다. 더욱이, 필터 빌더 및 애플리케이션 모듈(602I)은 사용자가 다수의 1차원 또는 다차원 필터를 구축하고 적용할 수 있도록 한다. 다수의 필터가 적용되는 일부 실시형태에서, 이러한 다수의 필터는 하나 이상의 타겟 기반 필터, 하나 이상의 구조 기반 필터, 또는 하나 이상의 타겟 기반 필터와 하나 이상의 구조 기반 필터 둘 다를 포함할 수 있다. 다차원 필터가 적용되는 일부 실시형태에서, 다차원 필터는 1차원 타겟 기반 필터 및 2차원 구조 기반 필터를 포함할 수 있다.
도 7a 는 하나 이상의 실시형태에서 데이터 제어 뷰(703A)(예를 들어, 생물정보학 파이프라인 엔진, 어세이 분석 제어 등)에 대한 예시적인 생물정보학 파이프라인 사용자 인터페이스를 예시한다. 더 구체적으로, 도 7a 는 하나 이상의 실시형태에서 생물정보학 파이프라인 엔진 또는 디스플레이 엔진(예를 들어, 도 2a 의 디스플레이 엔진(50))을 구성 또는 설정하기 위한 생물정보학 파이프라인 사용자 인터페이스의 예시적인 부분(예를 들어, 데이터 제어 뷰(703A))을 예시한다. 이 예에서, 생물정보학 파이프라인 사용자 인터페이스(702A)는 마우스(GRCm38/mm10) 게놈, 인간 게놈(GRCh37/hg19) 등과 같은 시퀀싱 실행(704A) 및 참조 게놈(706A)의 이름을 수신할 수 있다. 사용자는 (예를 들어, 분석 시작 (710A) 을 클릭함으로써) 분석 실행을 시작할 수 있다. 생물정보학 파이프라인 사용자 인터페이스(702A)는 또한 사용자가 일부 실시형태에서 이진 기본 호출(BCL) 파일 유형 또는 형식, FASTQ 파일 유형 또는 형식 등과 같은 입력 파일 유형 또는 형식(708A)을 지정하는 것을 허용할 수 있다.
일부 다른 실시형태에서, 입력 모듈의 내장 지능은 입력 파일의 입력 파일 유형을 자동으로 결정한다. BCL 또는 이진 기본 호출 파일은 게놈 시퀀싱 도구(예를 들어, 일루미나 시퀀서)에 의해 생성된 원시 데이터를 포함한다. FASTQ 파일은 예를 들어 원시 시퀀스 데이터, 품질 스코어 및/또는 기타 관련 데이터를 저장하는 텍스트 기반 시퀀싱 데이터 파일 형식이며 생물정보학 분석을 위한 입력으로 사용될 수 있다. 또한, 도 7a는 호출될 때 특정 지정된 데이터의 삭제를 트리거하는 삭제 위젯(712A)의 프로비저닝을 추가로 예시한다. 도 7a 에 도시된 이러한 예에서, 삭제 위젯(712A)은 호출될 때 (예를 들어, 데이터 버스와 연결된 프로세서에 의한) 명령들의 실행이 지정된 시퀀싱 실행을 삭제하게 한다. 삭제 위젯은 또한 지정된 데이터의 삭제를 실행하기 위해 임의의 다른 사용자 인터페이스 또는 그 일부에서 구현될 수 있다.
참조 번호 704A, 706A, 708A, 710A, 및/또는 712A 중 임의의 것은 사용자 입력에 의해 상호작용될 때 본 명세서에 설명된 바와 같이 하나 이상의 개별 후보 동작을 호출하는 상호작용 데이터 제어 위젯으로서 구현될 수 있다.
생물정보학 사용자 인터페이스는 아래에서 설명될 대안 또는 추가 기능을 제공할 수 있다. 생물정보학 파이프라인 사용자 인터페이스는 위에서 설명한 하나 이상의 다른 모듈, 엔진 및 사용자 인터페이스와 원활하게 통합된다. 예를 들어, 생물정보학 파이프라인 사용자 인터페이스는 위에서 설명된 하나 이상의 다른 뷰들(예를 들어, 갤러리 뷰, 칩 타임라인 뷰 등)와 통합될 수 있으므로 사용자는 이러한 다양한 다른 뷰들 뿐아니라 도 4a 내지 도 4e, 도 5a 내지 도 5k, 및 도 6a 내지 도 6i 를 참조하여 위에서 설명된 기본 엔진 및 모듈에 의해 제공되는 기능을 이용할 수 있다. 생물정보학 사용자 인터페이스, 기본 생물정보학 파이프라인 엔진 등을 통합하기 위한 몇 가지 예가 도 7a 내지 도 7o 에 예시되어 있다.
또한, 시퀀싱 분석은 그 결과가 예를 들어, 도 7a 내지 도 7o 에 제시되며, 시퀀싱은 일부 실시형태에서 여기에 설명된 모든 다른 뷰와 매끄럽게 통합되는 별도의 시퀀싱 모듈에서 수행될 수 있다. 보다 구체적으로, 도 7c 또는 도 7j 에 도시된 뷰에 팝퓰레이팅되는 다양한 유형의 데이터는 예를 들어 해당 관심 영역 내의 유전자의 표현을 포함할 수 있다. 이들 대응하는 관심 영역은 예를 들어 대응하는 칩 타임라인 및/또는 워크플로우 또는 생물정보학 파이프라인에 적어도 부분적으로 기초하여 사용자에 의해 또는 시스템에 의해 자동으로 결정될 수 있다. 이러한 관심 영역은 순수하게 타겟 기반, 순수하게 구조 기반, 또는 타겟 기반과 구조 기반 양자 모두일 수 있다. 관심 영역이 타겟 기반인지 구조 기반인지에 따라, 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등이 또한 캡처되어 다른 데이터와 연관될 수 있고, 서로 연관되는 데이터를 조작(예를 들어, 필터링, 랭킹, 클러스터링, 커스텀 챔버 리스트(들) 생성 등)하는 데 사용될 수 있다.
또한, 예를 들어 도 7c 또는 도 7i 에 도시된 그래프들은 또한 임의의 다른 뷰들 (예를 들어, 갤러리 뷰, 칩 타임라인 뷰 등) 과 상관될 수 있다. 예를 들어, 갤러리 뷰는 각 열이 특정 단계에 대응하는 각 열에 분석의 특정 단계를 제시할 수 있으며, 갤러리 뷰의 이러한 특정 열들은 또한 정보 제시 칩 타임라인(예를 들어, 도 5f 의 그래픽, 컬러 코딩된 표현들(502F))에 대응한다. 갤러리 뷰의 열이 전술한 하나 이상의 속성, 특성, 특징 또는 정량화 가능한 메트릭 중 하나에 따라 여러 관심 영역에 대한 데이터를 제시하는 일부 실시형태에서, 시스템은 이 열과 칩 타임라인의 속성, 특성, 특징, 또는 정량화 가능한 메트릭과 더 또는 가장 관련이 있는 단계 사이의 대응을 추가로 결정할 수 있다. 이러한 방식으로, 시퀀싱을 위한 도 7a 내지 도 7o 에 도시된 그래프는 또한 여기에 설명된 기능들 중 임의의 것을 효율적으로 활용하거나 채용하여 사용자가 도출 계산 분석 및/또는 생물학적 샘플의 분석과 상관된 데이터의 분석을 용이하게 하기 위해 원하는 또는 필요한 기능들 중 임의의 것을 수행하기 위해 상이한 뷰들 간에 쉽게 전환할 수 있도록 하는 여기에 설명된 다양한 상이한 뷰들과 상관될 수 있다.
도 7b 는 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트의 차원 감소 뿐만 아니라 예시적인 생물정보학 파이프라인 사용자 인터페이스의 일부 추가 특징을 위한 하나 이상의 차원 감소 파라미터를 구성할 수 있는 능력이 사용자에게 제공되는 예를 예시한다. 더 구체적으로, 도 7b 은 하나 이상의 실시형태에서 도 7a 에 도시된 예시적인 생물정보학 파이프라인 사용자 인터페이스의 추가 특징을 도시한다. 더 구체적으로, 도 7b는 차원 감소 및/또는 클러스터링(예를 들어, 생물학적 샘플의 클러스터링)을 위한 사용자 인터페이스를 예시한다. 도 7b 에서 알 수 있는 바와 같이, 차원 감소 기능은 이러한 실시형태에서 데이터세트를 로딩하기 위한 인터페이스에 통합된다. 미세유체 디바이스 내의 또는 미세유체 디바이스 상의 생물학적 샘플에서 얻은 일반적인 전체 데이터 세트의 크기는 일반적으로 커서 계산 속도가 상당히 느려진다. 따라서 임의의 정보를 저장하거나, 차원 축소를 진행하거나, 클러스터링을 수행하기 전에 추가 처리의 범위를 좁히기 위해 데이터 세트를 로드하기 위한 인터페이스에 하나 이상의 필터를 적용하는 것은 컴퓨팅 자원을 더욱 보존할 수 있다.
아래에서 설명하는 도 7d 에 예시된 바와 같이, 생물정보학 파이프라인 데이터세트는 15994개의 유전자와 552개의 세포를 포함하는 대규모 데이터 구조이다. 이 데이터 구조는 각 유전자가 각각의 열에 저장되고 각 세포가 각각의 행에 저장되는 표 구조를 포함할 수 있다. 차원 축소 및/또는 클러스터링 기능은 예를 들어 생물정보학 파이프라인 사용자 인터페이스에서 "Dimensionality Reduction" (702B) 을 클릭함으로써 호출될 수 있지만, (예를 들어, 메뉴에서 선택하는 것, 아이콘을 클릭하는 것 등에 의해) 차원 축소 기능을 호출하는 다른 방법도 고려된다. 예시적인 생물정보학 파이프라인 사용자 인터페이스는 차원 축소 및/또는 클러스터링(704B)의 구성 및/또는 실행을 호출할 뿐만 아니라 차원 축소 및/또는 클러스터링 결과(718B)를 보기 위해 사용자를 추가로 제공한다.
예를 들어, 사용자는 생물정보학 파이프라인 사용자 인터페이스에서 "차원 축소 및 클러스터링"(704B)을 클릭할 수 있다. 이에 대한 응답으로 생물정보학 파이프라인 사용자 인터페이스는 차원 축소를 구성 및/또는 실행할 뿐아니라 클러스터링을 구성 및/또는 실행하기 위한 하나 이상의 메뉴 항목을 자동으로 확장하고 보여준다. 도 7b 에 도시된 이러한 예에서, 사용자는 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트의 차원 감소를 위해 하나 이상의 차원 감소 파라미터(706B)를 구성할 능력이 제공된다. 이러한 하나 이상의 클러스터링 파라미터(706B)는, 예를 들어, 감소할 PCA(주성분 분석) 컴포넌트(708B)의 수 또는 차원 감소를 위한 임의의 다른 적합한 파라미터(들)를 포함할 수 있다. 예를 들어, 일부 실시형태는 먼저 PCA(Principal Component Analysis)를 수행하여 더 적은 수의 차원을 생성하고 그후 더 적은 수의 차원으로 UMAP(Uniform Manifold Approximation and Projection)을 수행할 수 있다. 더욱이, 사용자는 하나 이상의 클러스터링 파라미터(716B)를 구성할 능력이 제공된다. 이러한 하나 이상의 클러스터링 파라미터(716B)는, 예를 들어, 클러스터링 알고리즘(예를 들어, 루뱅 클러스터링 알고리즘)에 사용되는 해상도 파라미터(710B)(예를 들어, 루뱅 파라미터), 또는 클러스터링을 위한 임의의 다른 적절한 파라미터(들)를 포함할 수 있다. 일부 실시형태에서, 이들 하나 이상의 클러스터링 파라미터는 예를 들어 더 큰 값이 더 많은 클러스터로 이어지는 클러스터들의 수를 더 포함하지만 이에 제한되지 않는 루뱅 해상도 파라미터를 포함한다.
도 7b는 하나 이상의 실시형태에서 전술한 클러스터링 결과의 시각화 옵션을 구성하는 예를 도시한다. 보다 구체적으로, 사용자는 "클러스터 시각화"(718B)를 클릭할 수 있다. 이에 대한 응답으로, 생물정보학 파이프라인 사용자 인터페이스는 생물학적 샘플의 클러스터링 분석의 하나 이상의 시각화 특성을 구성하기 위한 하나 이상의 메뉴 항목을 자동으로 확장하고 보여준다. 이 예에서 사용자는 좌표계(예를 들어, UMAP 또는 균일 매니폴드 근사 및 투영, PCA 또는 주성분 분석 등), 색상 스케일(예를 들어, 선형 스케일, 로그 스케일, 등), 색상 스케일의 수(예를 들어, 단일 색상 막대, 다중 색상 막대 등) 및/또는 기타 시각화 속성 또는 특성을 선택하기 위한 옵션들이 제공될 수도 있다.
사용자는 생물정보학 파이프라인 사용자 인터페이스의 프로비저닝(714B)과 함께 로드된 데이터세트와 상관된 특정 특성 또는 통계적 측정을 각각 특징짓는 하나 이상의 유형의 플롯을 추가로 구성(예를 들어, 풀다운 메뉴에서 특정 또는 선택)할 수 있다. 714B의 드롭다운 목록에는 이전에 적용된 경우 필터 이후에 사용할 수 있는 모든 유전자가 포함된다. 클러스터링이 수행된 일부 실시형태에서, 714B에 대한 드롭다운 목록은 클러스터링과 상관된 옵션을 더 포함할 수 있다. 예를 들어, 사용자는 (사용자가 차원 축소를 선택하고 구성하는 경우 차원 축소의 대상이 될 수 있는) 클러스터링의 시각화를 구성하기 위해 클러스터들 별로 총 HVSR(고가변 신호 영역), 세포당 총 유전자 등 중 하나 이상을 선택할 수 있다. 시각화 구성이 완료되면 사용자는 예를 들어 생물정보학 파이프라인 사용자 인터페이스에서 "시각화"(예를 들어, "시퀀싱 뷰 위젯")(712B)를 클릭하여 그래픽 표현을 생성할 수 있다.
도 7c는 하나 이상의 실시형태에서 생물학적 파이프라인 데이터세트의 예시적인 표시를 도시한다. 더 구체적으로, 도 7c는 하나 이상의 실시형태에서 도 7m 을 참조하여 위에서 설명된 생물정보학 파이프라인 데이터세트의 예시적인 표현을 예시한다. 비록 세 가지 특정 유형의 플롯이 도 7c 에 도시되어 있지만, 일부 실시형태는 또한 생물정보학 파이프라인 사용자 인터페이스(예를 들어, 도 7a 의 702A)의 일부로서 생물정보학 파이프라인 데이터세트에 대한 하나 이상의 다른 유형 또는 수의 그래픽 표현을 제공할 수 있다. 도 7c 에 도시된 이러한 예는 최소 HVSR에 의해 제1 플롯을 제한하는 필터링 슬라이더(702C)를 갖는 셀 당 HVSR(고가변 신호 영역) 카운트에 대한 제1 플롯 (704C) 을 제시한다. 예를 들어, 사용자는 슬라이더(702C)를 조정하여 최소 또는 최대 HVSR을 갖는 셀들의 결과를 보기를 원할 수 있다. 도 7c는 세포당 유전자의 최소 또는 최대 총 수에 의해 제2 플롯을 제약하는 필터링 슬라이더를 갖는 세포당 유전자의 총 수에 대한 제2 플롯(708C)을 추가로 포함한다. 예를 들어, 사용자는 슬라이더(706C)를 조정하여 세포당 유전자의 최소 또는 최대 수를 갖는 결과를 보기를 원할 수도 있다.
도 7c는 세포당 미토콘드리아 유전자의 최소 또는 최대 퍼센트에 의해 제3 플롯을 제약하는 필터링 슬라이더 (710C) 를 갖는 세포당 미토콘드리아의 퍼센트에 대한 제3 플롯(712C)을 추가로 포함한다. 예를 들어, 사용자는 슬라이더(710C)를 조정하여 세포당 미토콘드리아 유전자의 최소 또는 최대 퍼센트를 갖는 결과를 보기를 원할 수도 있다. 도 7c는 슬라이더의 제공을 예시하지만, (예를 들어, 704C, 708C 및/또는 712C 에서) 그래픽으로 표현될 데이터세트를 제약하거나 제한하는 다른 방식이 이들 예시된 슬라이더 대신에 또는 이에 추가하여 사용될 수 있다. 예를 들어, 예시적인 생물정보학 파이프라인 사용자 인터페이스는 그래픽 표현을 위해 데이터세트를 필터링하거나 제약하기 위해 사용자가 정확한 값 또는 표현(예를 들어, 논리 표현)을 입력하기 위한 필드를 제공할 수 있다.
예를 들어, 사용자는 필터링 슬라이더(702C)를 사용하여 사용자에 의해 제어되는 HVSR의 최소 수(예를 들어, 1000)를 충족하지 못하는 임의의 세포를 필터링할 수 있다. 그래프(704C)는 필터링 슬라이더(702C)의 조작에 응답하여 자동으로 업데이트된다. 다른 예로서, 사용자는 필터링 슬라이더(706C)를 사용하여 사용자에 의해 제어되는 유전자의 최소 수(예를 들어, 200)를 충족하지 못하는 임의의 세포를 필터링할 수 있다. 그래프(708C)는 필터링 슬라이더(706C)의 조작에 응답하여 자동으로 업데이트된다. 다른 예로서, 사용자는 필터링 슬라이더(710C)를 사용하여 사용자에 의해 제어되는 미토콘드리아 유전자의 최대 퍼센트(예를 들어, 15%)를 충족하지 못하는 임의의 세포를 필터링할 수 있다. 그래프(712C)는 필터링 슬라이더(710C)의 조작에 응답하여 자동으로 업데이트된다.
도 7d 는 하나 이상의 실시형태에서 도 7a 내지 도 7c 에 예시된 예시적인 생물정보학 파이프라인 사용자 인터페이스에 대한 더 많은 세부사항을 예시한다. 보다 구체적으로, 도 7d 에 도시된 바와 같이, 하나 이상의 슬라이더의 사용자의 조정에 응답하여, 시스템은 이러한 하나 이상의 슬라이더를 조정하는 효과를 반영하도록 요약(714C 및 716C)을 자동으로 업데이트한다. 예를 들어 생물정보학 파이프라인 사용자 인터페이스는 로드된 데이터세트가 15994개의 유전자와 552개의 세포에 해당함을 보여준다. 생물정보학 파이프라인 사용자 인터페이스는 각 슬라이더에 대해 보유된 각 세포 수와 보유된 각 세포 백분율뿐만 아니라 사실상 배치되는 모든 필터의 조합으로 보유된 총 세포 수와 보유된 총 세포 백분율을 추가로 보여준다.
예를 들어, 도 7d는 HVSR 필터의 적용 후에 유지된 마이크로-객체의 수가 366 이고; 유전자 필터 적용 후 유지되는 마이크로-객체의 수는 526 이며; % 미토콘드리아 필터를 적용한 후 유지되는 마이크로-객체의 수는 476 이고; 모든 필터를 적용한 후 보유된 마이크로-객체의 총 수는 308 이라는 것을 도시한다. 일부 실시형태에서, 생물정보학 파이프라인 사용자 인터페이스는 각 필터의 적용 및 모든 필터의 적용을 위해 보유된 마이크로-객체의 각각의 백분율을 추가로 보여줄 수 있다.
생물정보학 파이프라인 사용자 인터페이스는 요약(716C)에 추가 정보를 추가로 표시할 수 있다. 일부 실시형태에서, 추가 정보는 미세유체 디바이스당 회수된 챔버의 수(예를 들어, 도 7d 의 552), 미세유체 디바이스당 평균 PF 백분율(예를 들어, 도 7d에서 79.01%), 익스포트당 평균 Q30 백분율(예를 들어, 도 7d 의 85.05%), 익스포트당 디바코딩된 것들의 평균 백분율(예를 들어, 도 7d 의 97.22%), 익스포트당 평균 원시 판독(예를 들어, 도 7d 의 9,853,928), 익스포트당 평균 입력 판독(예를 들어, 도 7d 의 9,367,940), 비드당 매핑된 평균 백분율(예를 들어, 도 7d 의 62.12%), 비드당 캡처된 중간 값 HVSR (예를 들어, 도 7d 의 6,848), 비드당 캡처된 중간 값 유전자들 (예를 들어, 도 7d 의 2,152), 비드당 평균 미토콘드리아 백분율(예를 들어, 도 7d 의 2.95%), 및/또는 기타 원하는 또는 관련된 정보 또는 데이터 중 적어도 하나를 포함할 수 있다.
도 7e 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스의 일부 예시적인 동적 양태들을 예시한다. 더 구체적으로, 도 7e는 도 7e에 예시된 사용자 인터페이스의 동적 양태의 예를 예시한다. 보다 구체적으로, 사용자가 뷰의 지정된 영역 근처에서 (예를 들어, 상단, 하단 등의 근처에서) 포인팅 장치 커서를 이동하면, 뷰에서 컨텍스트 메뉴가 팝업되어 사용자에게 옵션(들) 또는 커맨드(들)을 제공하여, 예를 들어, 뷰를 추가로 구성하거나 생물정보학 파이프라인 데이터세트를 분석할 수 있다. 일부 실시형태에서, 컨텍스트 메뉴는 또한 (예를 들어, 뷰에서 포인팅 장치로 오른쪽 클릭함으로써) 다른 사용자 상호작용에 의해 표시되어 나타날 수 있다. 또한, 생물정보학 파이프라인 데이터세트는 본 명세서에 기술된 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함한다.
도 7e는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터, 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 생물정보학 파이프라인 데이터세트를 보고 분석하기 위해 사용자 인터페이스에 표시될 수 있고 본원에 설명된 다른 모듈, 위젯 및 기능을 활용할 수 있는 생물정보학 뷰를 예시한다. 도 7e 에 도시된 예시의 데이터세트는 약 1,000개의 행과 약 30,000개의 열의 데이터 구조에 걸쳐 있는 31,000개 이상의 유전자를 가진 약 500개의 챔버를 포함한다. 3개의 서브타이틀(702E)(예를 들어, 도 7e 에서 그들의 대응하는 특성을 나타내는 "n_counts", "n_genes", 및 "percent mito")은 각 산점도에서 유전자의 이름을 나타낸다. 이들 라벨은 상호작용될 때 일부 실시형태에서 해당 챔버 또는 관심 영역을 내림차순 또는 오름차순으로 정렬하거나 랭킹한다. 일부 실시형태에서, 그러한 플롯 또는 그래프 중 하나는 복수의 생물학적 샘플의 속성, 특성, 특징 또는 메트릭에 대한 값들의 범위에 대응하는 컬러 스킴 (color scheme) 또는 범위로 생성될 수 있고 히트 맵으로 지칭될 수 있다.
도 7e는 일부 실시형태에서 생물정보학 파이프라인 데이터세트를 로딩하기 위한 사용자 인터페이스의 예를 추가로 예시한다. 더욱 상세하게는, 생물정보학 파이프라인 데이터세트는 본 명세서에 기술된 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함한다.
도 7e는 또한 생물정보학 파이프라인 데이터세트의 분포의 온-스크린 디스플레이를 예시한다. 각 뷰는 사용자 상호 작용과 관련하여 정적이거나 동적일 수 있다. 다시, 도 7e 에 도시된 뷰가 생성되는 예시적인 데이터는 본 명세서에 기술된 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 생물정보학 파이프라인 데이터세트를 포함할 수 있다. 또한, 도 7e 는 필터링 제어(704E, 706E 및 708E)의 제공을 예시한다. 예를 들어, 제1 필터링 제어(704E)는 특정 유형의 유전자를 나타내는 다수의 관심 영역(예를 들어, 챔버)에 적어도 부분적으로 기초하여 생물학적 샘플(예를 들어, 이러한 도 7e 의 유전자)을 필터링하는 능력을 사용자에게 제공한다.
예를 들어, 임계 수보다 적은 (또는 동일한) 관심 영역(예를 들어, 20개 또는 스무 개의 ROI) 에서 검출되는 유전자는 필터링 제어(704E)를 조정함으로써 필터링될 것이다. 제2 필터링 제어(706E)는 관심 영역 내의 유전자의 최소 수에 적어도 부분적으로 기초하여 생물학적 샘플을 필터링하는 능력을 사용자에게 제공한다. 예를 들어, 필터링 제어(706E)는 필터링 제어(706E)에 의해 제어되는 바와 같이 예를 들어 200개의 유전자의 최소 수를 충족하지 못하는 관심 영역을 필터링할 수 있다. 제3 필터링 제어(708E)는 관심 영역에서 미토콘드리아 유전자의 최대 백분율에 적어도 부분적으로 기초하여 생물학적 샘플을 필터링하는 능력을 사용자에게 제공한다. 예를 들어, 필터링 제어(708E)은 필터링 제어(708E)에 의해 제어되는 미토콘드리아 유전자의 최대 백분율, 예를 들어 15%를 충족하지 못하는 관심 영역을 필터링할 수 있다.
도 7e는 호출될 때 휘발성 또는 비휘발성 저장 매체로의 데이터 또는 정보(예를 들어, 처리된 데이터)의 저장을 트리거하는 쓰기 위젯(710E)의 예시적인 구현을 더 도시한다. 예를 들어, 사용자는 쓰기 위젯(710E)을 클릭하여 휘발성 또는 비휘발성 저장 매체로 도 7e 의 디스플레이와 상관된 데이터(예를 들어, 적용된 필터(들) 및 필터링 기준(또는 필터링 기준들), 필터링된 결과 또는 그 일부, 플롯 또는 임의의 원하는, 필요한 데이터 등의 임의의 것의 저장을 트리거할 수 있다. 쓰기 위젯(701E)은 또한 선택적으로 사용자가 저장되어야 하는 것을 선택할 수 있도록 데이터를 저장하기 위한 하나 이상의 옵션을 사용자에게 제시할 수 있다. 일부 실시형태에서, 삭제 위젯(미도시)은 데이터를 삭제하기 위한 기능을 사용자에게 제공하기 위해 임의의 사용자 인터페이스 또는 그 일부에서 렌더링될 수 있다. 시퀀싱 뷰 위젯(712E)은 사용자 인터페이스에서 시퀀싱 뷰를 생성하는 데 사용될 수 있다.
도 7e는 사용자 인터페이스의 동적 양태의 다른 예를 예시한다. 보다 구체적으로, 사용자가 뷰에서 분포된 데이터 근처에서 포인팅 장치 커서를 이동하면, 커서에 가장 가까운 포인트와 연관된 데이터(예를 들어, 최대값, 위쪽 펜스, 중앙값, 아래쪽 펜스, 최소값 등)가 뷰에 표시될 수 있다. 사용자가 커서를 멀리 이동하면 데이터가 자동으로 억제되거나 숨겨질 것이다. 일부 실시형태에서, 도 7e는 사용자 인터페이스의 동적 양태의 다른 예를 예시한다. 보다 구체적으로, 사용자가 뷰에서 분포된 데이터 근처에서 포인팅 장치 커서를 이동하면, 커서에 가장 가까운 포인트와 연관된 데이터(예를 들어, 최대값, 위쪽 펜스, 중앙값, 아래쪽 펜스, 최소값 등)가 뷰에 표시될 수 있다. 사용자가 커서를 멀리 이동하면 데이터가 자동으로 억제되거나 숨겨질 것이다.
도 7f 는 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트의 일부를 선택하기 위한 또 다른 선택 도구의 예를 예시한다. 더 구체적으로, 도 7f 는 생물정보학 파이프라인 데이터세트의 일부를 선택하기 위한 또 다른 선택 도구의 예를 예시한다. 예를 들어, 사용자는 관심 데이터를 선택하기 위해 뷰(706F)에서 다각형 모양(예를 들어, 708F 또는 710F)을 그릴 수 있다. 상술된 바와 같이, 도 7f 에 도시된 뷰가 생성되는 예시적인 데이터는 선택 도구와 같은 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 생물정보학 파이프라인 데이터세트를 포함할 수 있다.
도 7f 는 또한 사용자 인터페이스의 동적 양태의 다른 예를 예시한다. 보다 구체적으로, 사용자가 뷰에서 분포된 데이터 근처에서 포인팅 장치 커서를 이동하면, 커서에 가장 가까운 포인트와 연관된 데이터(예를 들어, 최대값, 위쪽 펜스, 중앙값, 아래쪽 펜스, 최소값 등)가 뷰에 표시될 수 있다. 사용자가 커서를 멀리 이동하면 데이터가 자동으로 억제되거나 숨겨질 것이다.
도 7f 는 또한 생물정보학 파이프라인 데이터세트의 일부를 선택하기 위한 또 다른 선택 도구의 예를 예시한다. 예를 들어, 사용자는 관심 데이터를 선택하기 위해 뷰에서 다각형 모양(710F)을 그릴 수 있다. 상술된 바와 같이, 도 7f 에 도시된 뷰가 생성되는 예시적인 데이터는 선택 도구와 같은 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 생물정보학 파이프라인 데이터세트를 포함할 수 있다.
도 7f 는 또한 생물정보학 파이프라인 데이터세트의 일부를 선택하기 위한 또 다른 선택 도구의 예를 예시한다. 예를 들어, 사용자는 도 7f 에 도시된 예에서 선택 도구와 같은 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 관심 데이터를 선택하기 위해 뷰(704F)에서 다각형 모양(702F)을 그릴 수 있다.
도 7g 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스에서 도 7f 의 선택의 예시적인 결과를 도시한다. 더 구체적으로, 도 7g 는 도 7f 로부터의 선택의 결과를 도시한다. 뷰(706G)는 도 7f 의 원래의 뷰 (706F) 로부터의 도 7f 의 선택 형상(708F)에 따른 선택의 결과이다. 상술된 바와 같이, 도 7f 에 도시된 뷰가 생성되는 예시적인 데이터는 본 명세서에 기술된 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 생물정보학 파이프라인 데이터세트를 포함할 수 있다.
도 7g 는 또한 생물정보학 파이프라인 데이터세트의 일부를 선택하기 위한 또 다른 선택 도구의 예를 예시한다. 예를 들어, 사용자는 도 7g 에 도시된 예에서 선택 도구와 같은 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함하는 관심 데이터를 선택하기 위해 뷰(704G)에서 다각형 모양(702G)을 그릴 수 있다.
도 7h 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 사용자 인터페이스에서의 도 7g 로부터의 선택 결과를 도시한다. 더 구체적으로, 도 7h 는 도 7g 로부터의 선택의 결과를 도시한다. 뷰(702H)는 도 7g 의 원래의 뷰 (704G) 로부터의 선택 형상(702G)에 따른 선택의 결과이다. 바로 위에서 설명된 바와 같이, 도 7h 에 도시된 뷰는 여기에 설명된 여러 기법들로 생성되고, 선택 도구와 같은 다양한 기법 및 기능이 적용되는 유전자 시퀀스 데이터, DNA 시퀀스 데이터, RNA 시퀀스 데이터 및/또는 바이러스 시퀀스 데이터 등과 같은 뉴클레오티드 시퀀스 데이터를 포함할 수 있는 생물정보학 파이프라인 데이터세트에 기초하여 여기에 설명된 여러 기능들을 활용한다.
도 7i 는 하나 이상의 실시형태에서 여기에 설명된 예시적인 생물정보학 파이프라인 사용자 인터페이스를 예시한다. 더 구체적으로, 도 7i는 생물정보학 파이프라인 데이터세트의 하나 이상의 산점도(예를 들어, 도 7i 의 각각의 특성에 대응하는 "Rb1cc1," "Rbbp5," 및 "Pcmtd1"의 각각의 식별자 또는 라벨을 갖는 산점도)로부터 샘플을 선택하는 예를 예시한다. 이 예에서, 사용자 인터페이스는 사용자에게 예를 들어 관심 샘플을 둘러싸도록 하나 이상의 다각형 모양, 올가미 또는 다른 적절한 모양(702I)을 그리는 능력을 제공할 수 있다. 일부 실시형태에서, 사용자 인터페이스는 또한 예를 들어 샘플을 또는 샘플 근처를 클릭함으로써 개별 샘플을 선택하는 능력을 사용자에게 제공할 수 있다. 샘플 또는 관심 포인트가 선택되면 시스템은 이러한 선택된 샘플 또는 포인트와 관련된 데이터를 하나 이상의 다른 뷰로 송신하여 사용자가 이러한 하나 이상의 다른 뷰에서 제공되는 다양한 기능 및 능력을 호출할 수 있다.
또한, 도 7i는 생물정보학 파이프라인 데이터세트의 제시 및 분석을 구성하기 위한 예시적인 사용자 인터페이스를 도시한다. 예를 들어, 사용자는 최소 평균 값 또는 범위, 최대 평균 값 또는 범위, 중간 산포 등을 구성할 수 있다. 사용자는 또한 분석을 위해 데이터 세트, 수렴 기준 등을 분석하기 위한 솔버 (solver) 를 선택하거나 지정할 수도 있다. 인터페이스는 또한 사용자가 인터페이스 내에서 PCA(주요 성분 분석), UMAP(균일 매니폴드 근사 및 투영) 또는 기타 분석을 호출하는 것을 허용할 수 있다.
도 7i는 데이터세트의 일부 예시적인 산점도를 추가로 예시한다. 일부 실시형태에서, 뷰는 다양한 디스플레이 속성, 채색 방식(예를 들어, 히트 맵에 대한 최대 및 최소 색상)으로 구성될 수 있어 산점도 내의 샘플 또는 포인트(각각의 것은 예를 들어, 챔버 내의 하나의 생물학적 샘플을 나타냄) 는 시각적으로 구별될 수 있다. 인터페이스는 또한 사용자가 임의의 산점도에서 포인트들을 선택하는 것을 허용하고, 위에서 설명한 대로 예를 들어 추가 분석, 보기 등을 위한 갤러리 뷰로 선택된 포인트들을 보낸다. 또한, 한 분석의 결과, 예를 들어, 세포 표면 마커에 대한 염색은 다른 분석의 결과, 예를 들어, 동일한 샘플들에 대한 유전자 발현 플롯과 연결되어 더 높은 식별력을 가진 히트 맵을 얻을 수 있다. 한 예에서, 표현형 데이터 (702P), 말초혈액 단핵(PBMC) 세포에 대한 CD3 세포 표면 마커에 대한 CY5의 염색 강도가 이 샘플에 대한 전체 유전자 발현 클러스터에 중첩되어 도 7p 에 도시되어 있으며, 여기서 염색은 표현형으로 샘플을 T 세포로 식별한다. 이 데이터는 도 7q 에 도시된 바와 같이 특정 유전자 마커에 대한 이들 세포로부터의 유전자 발현 결과를 검사함으로써 추가로 조사될 수 있다. 패널 702Q 은 CD3D 유전자 발현을 보여주고; 패널 704Q는 CD8A 유전자 발현을 보여주며; 패널 706Q는 CD4 유전자 발현을 보여주고; 패널 708Q는 CD8B 유전자 발현을 보여준다. 이러한 특정 유전자 발현 마커의 분포를 조사하면 T 세포의 특정 하위 유형을 식별할 수 있다. 따라서, 칩 타임라인을 따라 상이한 시점에서 수행된 상이한 분석 결과들은 일부 실시형태에서 함께 연결될 수 있다.
도 7j 는 로딩된 생물정보학 파이프라인 데이터세트에서 생물학적 샘플의 클러스터링 결과의 일부 예시적인 산점도, 상호작용 플롯 또는 그래픽 표현, 뿐만 아니라 사용자가 하나 이상의 실시형태에서 사용자 인터페이스에 제시된 상호작용 플롯을 구성하는 예를 예시한다. 더 구체적으로, 도 7j는 사용자가 예를 들어 결과를 보기 위해 클러스터링 모듈 및 시각화 모듈을 구성 및 실행한 후 하나 이상의 실시형태에서 로드된 생물정보학 파이프라인 데이터세트에서 생물학적 샘플의 클러스터링 결과의 일부 예시적인 산점도를 예시한다.
생물정보학 파이프라인 사용자 인터페이스에 제시된 플롯은 사용자가 산점도(예를 들어, 도 7b 의 714B)를 구성하는 방법에 적어도 부분적으로 기초하여 생성될 수 있다. 차원 축소 동안 PCA 또는 UMAP이 수행된 일부 실시형태에서, 플롯은 적어도 PCA 또는 UMAP 데이터를 사용하여 생성될 수 있다. 도 7a 및 도 7b 에 도시된 예에서, 사용자는 생물정보학 파이프라인 데이터세트에서 생물학적 샘플에 대한 특성 또는 통계적 측정에 각각 대응하는 4개의 산점도를 식별한다. 사용자의 선택에 대한 응답으로 기본 시스템은 4개의 선택된 특성(들) 및/또는 통계 측정값(들)에 각각 해당하는 4개의 산점도를 생성한다. 사용자는 또한 플롯을 생성하기 위해 플로팅 엔진에 대한 컬러들 또는 컬러 스킴들의 수를 구성할 수도 있다. 산점도의 각 점은 관심 영역(예를 들어, 챔버)을 나타내며 점의 색상은 예를 들어 제목에 따라 달라질 수 있다. 예를 들어, 제목이 유전자 id, 클러스터 또는 표현형 정보 중 하나인 경우 색상은 각각 해당 관심 영역 내의 해당 유전자의 발현, 관심 영역이 속한 클러스터, 또는 해당 관심 영역에 대한 표현형 측정의 값을 나타낸다.
도 7j 에 도시된 플롯들 또는 그래픽 표현들의 각각은 일부 실시형태에서 정적 플롯이거나 일부 다른 실시형태에서 상호작용 플롯일 수 있다. 도 7j는 하나 이상의 실시형태에서 상호작용 플롯 또는 그래픽 표현(716J)의 예를 예시한다. 생물정보학 파이프라인 사용자 인터페이스는 상호작용 플롯 또는 그래픽 표현(예를 들어, 716J)이 (예를 들어, 포인팅 장치 커서를 상호작용 플롯(716J) 위로 이동하는 것에 의해, 상호작용 플롯(716J)을 클릭하는 것에 의해, 등등에 의해) 상호작용 되는 경우 복수의 위젯들 (710J) 을 갖는 각각의 위젯 메뉴를 제공하는 하나 이상의 아이콘, 메뉴 항목, 위젯 등을 자동적으로 드러낼 수 있다. 예를 들어, 사용자는 각 위젯 메뉴(710J)에서 곡선 또는 직선 선택 위젯(712J)을 호출할 수 있다. 상호작용 플롯을 표시하는 것(예를 들어, 컬러링 스킴, 대비, 색상 등을 변경하는 것, 확대, 축소 등)과 상관되거나 상호작용 플롯 내의 데이터 포인트와 상관된 임의의 적절한 기능, 커맨드, 위젯 또는 메뉴 항목 (예를 들어, 상호작용 플롯에 표시된 데이터에 대한 하나 이상의 선택 도구 등) 은 전술한 아이콘, 메뉴 항목, 위젯 등에 제공될 수 있다.
사용자는 생물정보학 파이프라인 사용자 인터페이스의 프로비저닝된 플롯 또는 그래프 구성 인터페이스(708J)와 함께 로드된 데이터세트와 상관된 특정 특성 또는 통계적 측정을 각각 특징짓는 하나 이상의 유형의 플롯을 추가로 구성(예를 들어, 풀다운 메뉴에서 특정 또는 선택)할 수 있다. 플롯 또는 그래프 구성 인터페이스는 예를 들어 선택에 사용할 수 있는 하나 이상의 유전자 또는 생물학적 마이크로-객체를 추가로 포함할 수 있는 드롭다운 목록을 포함할 수 있다. 클러스터링이 수행된 일부 실시형태에서, 플롯 또는 그래프 구성 인터페이스(708J)에 대한 드롭다운 목록은 클러스터링과 상관된 옵션, 구성 설정, 또는 매개변수 값(들) 등을 더 포함할 수 있다. 예를 들어, 도 7j는 사용자가 일부 실시형태에서 상호작용 플롯의 데이터 포인트 중 일부를 추가로 확대하기 위해 사용자 인터페이스에 제시된 상호작용 플롯을 구성하는 예를 예시한다. 이 예에서, 사용자는 관심 있는 일부 데이터 포인트를 둘러싸는 커스텀 윈도우를 그리기 위해 전술한 하나 이상의 아이콘, 메뉴 항목, 위젯 등(710J)으로 확대 윈도우(704J)를 정의할 수 있다. 이에 응답하여, 기본 시스템은 도 7j 에 도시된 바와 같이 확대 윈도우(704J)에 의해 둘러싸인 관심 데이터 포인트를 디스플레이할 수 있다. 도 7j는 하나 이상의 실시형태에서 사용자가 상호작용 플롯으로부터 하나 이상의 관심 데이터 포인트를 선택하기 위한 선택 도구(706J)의 프로비저닝을 추가로 예시한다. 도 7j 에 도시된 이러한 예에서, 사용자가 관심 있는 하나 이상의 데이터 포인트를 선택하기 위해 올가미 선택 도구가 제공된다.
일부 다른 실시형태에서 생물정보학 파이프라인 사용자 인터페이스를 포함하는 사용자 인터페이스 컴포넌트 각각이 독립형 소프트웨어 구성일 수 있지만, 생물정보학 파이프라인 사용자 인터페이스는 일부 실시형태에서 여기에 설명된 하나 이상의 다른 사용자 인터페이스 컴포넌트와 원활하게 통합될 수 있다. 도 7j는 생물정보학 파이프라인 사용자 인터페이스를 하나 이상의 실시형태에서 여기에 설명된 하나 이상의 다른 사용자 인터페이스 컴포넌트와 매끄럽게 인터페이스하는 예를 예시한다. 예를 들어 이하에 설명되는 도 7k 에 관련하여 위에서 설명된 바와 같이, 사용자는 여기에 설명된 다양한 기술에 의해 제공되는 도구를 통해 하나 이상의 챔버 또는 생물학적 샘플을 선택할 수 있다. 이러한 하나 이상의 챔버 또는 생물학적 샘플이 선택되면 사용자는 식별자(702J)를 사용하여 (예를 들어, "Save Pen List"(714J) 을 클릭함으로써) 커스텀 챔버 목록 또는 챔버 목록을 생성하고 후속 참조를 위해 펜 목록 또는 챔버 목록을 저장할 수 있다.
도 7k 는 적용 가능한 경우 일부 실시형태에서 사용자가 객체를 선택하기 위해 임의의 그래프 또는 뷰와 통합될 수 있는 내장 선택 위젯을 예시한다. 더 구체적으로, 도 7k는 사용자가 예를 들어 축들 (예를 들어, 로딩된 세포에 대한 X축, 최대 밝기와 같은 특정 분석 또는 특성에 대한 Y축 등) 을 위해 어떤 것이 사용되어야 하는 지를 정의하는 것을 허용하는 그래프 구축 모듈 (704K) 의 예를 도시한다. 그래프 구축 모듈 (704K) 은 또한 사용자가 하나 이상의 그룹화 기준에 의해 (예를 들어, 챔버의 상태 등에 의해) 디스플레이된 항목을 그룹화하는 것을 허용할 수 있다. 도 7k는 표시된 각 점(데이터 노트 또는 데이터 포인트)(706K)이 예를 들어 구조 기반 관심 영역(예를 들어, 미세유체 디바이스의 챔버) 내의 유전자를 나타내도록 시퀀싱 결과의 예를 추가로 예시한다. 이러한 점들(706K)는 예를 들어 DNA 또는 RNA가 비드(예를 들어, 자기 비드)에 유인되도록 미세유체 디바이스의 챔버에서 생물학적 샘플을 용해하고 클러스터링을 위해 비드를 익스포팅함으로써 획득될 수 있다. 도 7k 는 호출될 때 휘발성 또는 비휘발성 저장 매체로의 데이터 또는 정보(예를 들어, 처리된 데이터)의 저장을 트리거하는 쓰기 위젯(702K)의 예시적인 구현을 더 도시한다.
예를 들어, 도 7a 내지 도 7o 에 제시된 시퀀싱 분석의 그래프에 대해, 시퀀싱은 일부 실시형태에서 여기에 설명된 모든 다른 뷰와 매끄럽게 통합되는 별도의 시퀀싱 모듈에서 수행될 수 있다. 보다 구체적으로, 도 7k 에 도시된 뷰에 팝퓰레이팅되는 다양한 유형의 데이터는 예를 들어 해당 관심 영역 내의 유전자의 표현을 포함할 수 있다. 이들 대응하는 관심 영역은 예를 들어 대응하는 칩 타임라인 및/또는 워크플로우 또는 생물정보학 파이프라인에 적어도 부분적으로 기초하여 사용자에 의해 또는 시스템에 의해 자동으로 결정될 수 있다. 이러한 관심 영역은 순수하게 타겟 기반, 순수하게 구조 기반, 또는 타겟 기반과 구조 기반 양자 모두일 수 있다. 관심 영역이 타겟 기반인지 구조 기반인지에 따라, 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등이 또한 캡처되어 다른 데이터와 연관될 수 있고, 서로 연관되는 데이터를 조작(예를 들어, 필터링, 랭킹, 클러스터링, 커스텀 챔버 리스트(들) 생성 등)하는 데 사용될 수 있다.
또한, 도 7k 에 도시된 그래프는 또한 임의의 다른 뷰들 (예를 들어, 갤러리 뷰, 칩 타임라인 뷰 등) 과 상관될 수 있다. 예를 들어, 갤러리 뷰는 각 열이 특정 단계에 대응하는 각 열에 분석의 특정 단계를 제시할 수 있으며, 갤러리 뷰의 이러한 특정 열들은 또한 정보 제시 칩 타임라인(예를 들어, 도 5f 의 그래픽, 컬러 코딩된 표현들(502F))에 대응한다. 갤러리 뷰의 열이 전술한 하나 이상의 속성, 특성, 특징 또는 정량화 가능한 메트릭 중 하나에 따라 여러 관심 영역에 대한 데이터를 제시하는 일부 실시형태에서, 시스템은 이 열과 칩 타임라인의 속성, 특성, 특징, 또는 정량화 가능한 메트릭과 더 또는 가장 관련이 있는 단계 사이의 대응을 추가로 결정할 수 있다. 이러한 방식으로, 시퀀싱을 위한 도 7k 에 도시된 그래프는 또한 여기에 설명된 기능들 중 임의의 것을 효율적으로 활용하거나 채용하여 사용자가 도출 계산 분석 및/또는 생물학적 샘플의 분석과 상관된 데이터의 분석을 용이하게 하기 위해 원하는 또는 필요한 기능들 중 임의의 것을 수행하기 위해 상이한 뷰들 간에 쉽게 전환할 수 있도록 하는 여기에 설명된 다양한 상이한 뷰들과 상관될 수 있다.
도 7k는 또한 원래의 다각형 모양(712K)을 새로운 다각형 모양으로 변경하기 위해 도 7k 의 방향(716K)을 따라 형상(712K)의 꼭지점(708K)을 새 위치(718K)로 드래그함으로써 다각형(712K)을 변경하는 결과를 도시한다. 일부 실시형태에서, 도 7k는 사용자가 기존의 선택 형상(712K)을 변경할 수 있게 하는 선택 위젯의 다른 예를 도시한다. 예를 들어, 사용자가 기존 모양의 아래쪽 가장자리에 꼭짓점이나 노드를 추가하려는 경우, 사용자는 아래쪽 가장자리를 클릭하여 아래쪽 가장자리를 활성화할 수 있으며, 예를 들어 컨텍스트 메뉴(미도시)를 사용하여 노드를 추가할 수 있다. 선택 위젯은 노드 또는 정점을 추가하라는 명령의 사용자 호출에 응답하여 노드 또는 정점이 추가될 수 있는 영역(710K)을 표시할 수 있다. 일부 실시형태에서, 선택 위젯은 대략적으로 사용자가 하단 가장자리를 클릭하는 위치에 노드 또는 정점을 추가할 수 있다.
추가로 또는 대안으로, 사용자 인터페이스는 또한 사용자가 도 7k 와 같은 산점도를 커스텀화하기 위해 많은 다른 조정 가능한 설정을 제공할 수 있다. 예를 들어, 사용자 인터페이스는 사용자가 산점도의 모양(예를 들어, 원, 타원 등), 산점도의 모양이 채워졌는지 여부, 산점도의 높이 및/또는 너비(원을 선택하면 동일함), 획, 획의 굵기, 팔레트, 선택의 색상 등을 지정하는 것을 허용할 수 있고, 사용자가 설정들 중 임의이 것을 변경할 때 실시간 미리보기를 제공할 수 있다. 사용자 인터페이스는 또한 사용자가 어떤 툴팁 (tooltip) (들) 이 표시되어야 하는지, 히트맵의 최소 색상, 히트맵의 최대 색상 등을 선택하는 것을 허용할 수도 있다.
도 7k 는 또한 적용 가능한 경우 일부 실시형태에서 사용자가 객체 (예를 들어, 관심 영역, 관심 샘플 등) 를 선택하기 위해 임의의 그래프 또는 뷰와 통합될 수 있는 내장 선택 위젯을 사용하는 예를 도시한다. 사용자는 내장된 선택 위젯을 호출하여 예를 들어 사용자가 선택하고자 하는 객체를 둘러싸도록 모양(712K)(예를 들어, 다각형 모양, 올가미, 원 등)을 그려서 객체를 선택할 수 있다. 선택 위젯은 또한 사용자가 모양이 그려진 후에 모양(712K)을 변경하도록 할 수 있다. 예를 들어, 사용자는 다각형 모양의 꼭짓점(708K)을 드래그하여 모양을 변경할 수 있다. 사용자는 또한 선택을 위한 모양을 변경하기 위해 기존 모양에 하나 이상의 정점을 추가할 수도 있다. 하나 이상의 선택 위젯(예를 들어, 선택을 위한 관심 객체를 포함하는 직선 영역을 정의하는 직선 선택 위젯, 선택을 위한 관심 객체를 포함하는 직선 영역을 정의하는데 사용되는 곡선 선택 위젯 등)이 위젯 바(714K) 에서 또는 팝업 메뉴(예를 들어, 뷰에서 오른쪽 클릭과 같은 커맨드가 하나 이상의 커서를 갖는 뷰와 연관될 때 나타나는 메뉴), 내장 메뉴 또는 컨텍스트 메뉴(예를 들어, 선택 대상이 될 수 있는 뷰가 활성화되었을 때 나타나는 팝업 메뉴) 등에서 구현될 수 있다.
추가로 또는 대안으로, 생물정보학 파이프라인 인터페이스의 뷰 또는 창에서 선택된 샘플 또는 포인트와 관련된 데이터는 일부 실시형태에서 다른 뷰 또는 창(예를 들어, 위에서 설명된 갤러리 뷰)에 인터페이스한다. 예를 들어, 생물정보학 파이프라인 사용자 인터페이스에서 선택된 (예를 들어, 다각형 선택 형태(712K)를 통한 선택) 관심 샘플 또는 포인트와 관련된 데이터는 위에서 설명된 갤러리 뷰로 전송되고 사용자가 위에서 설명한 갤러리 뷰에 의해 제공되는 다양한 기능을 호출하기 위해 갤러리 뷰에서 렌더링될 수 있다.
본 개시의 여러 예시적인 실시형태들이 본 명세서에서 설명된다. 비제한적인 의미로 이들 예를 참조한다. 본 발명의 보다 광범위하게 적용 가능한 측면을 예시하기 위해 실시형태가 제공된다. 본 명세서에 기술된 다양한 실시형태에 대해 다양한 변경이 이루어질 수 있고, 본 발명의 진정한 사상 및 범위를 벗어나지 않으면서 균등물이 대체될 수 있다. 또한, 특정한 상황, 재료, 물질의 조성, 방법, 방법 액션(들) 또는 단계(들)를 본 발명의 목적, 사상 및 범위에 맞추기 위해서, 많은 변형이 이루어질 수 있다. 또, 당업자에게 명백해질 바와 같이, 본 명세서에 기술되고 예시된 각각의 개별 변형예는 본 개시의 범위 또는 주제에서 벗어나지 않고 임의의 다른 여러 실시형태의 특징으로부터 용이하게 분리되거나 그와 조합될 수 있는 구별되는 성분 및 특징을 갖는다. 모든 이러한 수정들은 본 개시와 연관된 청구항들의 범위 이내가 되도록 의도된다.
도 7l 은 일부 실시형태에서 유전자 발현 또는 차등 유전자 발현을 구성하는 또 다른 예를 예시한다. 더 구체적으로, 도 7l 은 또한 일부 실시형태에서 차등 유전자 발현을 구성하는 또 다른 예를 예시한다. 예를 들어 사용자는 logb 슬라이더 위젯(702L) 및/또는 접기 변경 슬라이더 위젯(704L)을 그들의 각각의 원하는 값으로 조정하고 "Visualize" 위젯(706L)을 클릭하여 이하에 설명된 도 7o 에 추가로 예시된 차등 유전자 발현 결과를 제시할 수 있다. 여기에 설명된 다양한 기술은 유전자 발현 데이터의 분석뿐만 아니라 RNA-seq(Ribonucleic acid-sequencing), DNA-seq(Ribonucleic acid-sequencing), 게놈 시퀀싱, 또는 생물학적 샘플의 존재 및 양을 나타내는 기타 분석 및/또는 실험과 같은 다른 실험 및/또는 분석에서도 적용된다. 또한 로그의 밑은 2, 10, 오일러 수 e (~2.71828) 등의 값을 포함할 수 있다.
도 7m은 하나 이상의 실시형태에서 예시적인 생물정보학 파이프라인 사용자 인터페이스의 추가 특징을 도시한다. 더 구체적으로, 도 7m 은 하나 이상의 실시형태에서 도 7a 에 도시된 예시적인 생물정보학 파이프라인 사용자 인터페이스의 추가 특징을 도시한다. 보다 구체적으로, 사용자는 예를 들어 데이터세트의 식별자 또는 이전에 실행된 생물정보학 파이프라인의 목록을 제시하거나 사용자가 이전에 실행된 생물정보학 파이프라인과 상관된 식별자를 입력하게 할 수 있는 필드(712M) 에서 이전에 실행된 생물정보학 파이프라인과 상관된 임의의 식별자를 선택하거나 입력함으로써 예시적인 생물정보학 사용자 인터페이스를 통해 이전에 실행된 생물정보학 파이프라인(또는 워크플로우)의 데이터세트를 로드할 수 있다. 이전에 실행된 생물정보학 파이프라인의 데이터세트가 로드되면 시스템은 데이터세트, 데이터세트가 생성된 생물학적 샘플, 수행된 분석 및/또는 통계 측정(들) 등의 하나 이상의 특성에 대한 요약을 제시할 수 있다. 게다가, 도 7m은 또한 호출될 때 시퀀싱 뷰를 렌더링하기 위한 명령의 실행을 트리거하는 예시적인 시퀀싱 뷰 위젯(714M)을 더 도시한다.
예를 들어, 예시적인 생물정보학 파이프라인 사용자 인터페이스는 예를 들어 분석에서 유전자의 총 수, 분석을 위한 총 셀 수 등을 포함하지만 이에 제한되지 않는 제1 요약(706M)을 제공할 수 있다. 하나 이상의 필터가 데이터 세트에 적용되는 일부 실시형태에서, 제1 요약(706M)은 또한 필터링된 셀의 수 및/또는 하나 이상의 필터의 적용 후에 유지된 셀의 수를 포함할 수 있다. 예시적인 생물정보학 파이프라인 사용자 인터페이스는 또한 예를 들어 분석에서 미세유체 디바이스에 대해 회수된 챔버의 총 수, 하나 이상의 통계적 측정값을 포함하지만 이들에 제한되지 않는 제2 요약(708M)을 제공할 수 있다. 예를 들어, 이러한 하나 이상의 통계적 측정은 익스포트된 세포의 평균 백분율, HVSR(고가변 신호 영역)에 대한 하나 이상의 통계적 측정, 유전자 포획에 대한 하나 이상의 통계적 측정, 미토콘드리아 또는 미토콘드리아들에 대한 하나 이상의 통계적 측정, 및/또는 기타 특성, 측정값, 속성 등을 포함할 수 있다. 제2 요약(708M)은 예를 들어 미세유체 디바이스에서 회수된 챔버의 총 수, 익스포트된 평균 백분율, 캡처된 중간값 HVSR, 캡처된 중간값 유전자 및/또는 평균 미토콘드리아 백분율 등을 포함하는 생물정보학 데이터의 스냅샵을 표현할 수 있다.
도 7m은 사용자가 슬라이더(예를 들어, 도 7e 의 704E, 706E, 708E)를 조정한 후의 시스템의 요약 응답을 더 예시한다. 도 7m 에 예시된 바와 같이, 하나 이상의 슬라이더의 사용자의 조정에 응답하여, 시스템은 이러한 하나 이상의 슬라이더를 조정하는 효과를 반영하도록 요약(706M 및/또는 708M)을 자동으로 업데이트한다. 예를 들어 생물정보학 파이프라인 사용자 인터페이스는 로드된 데이터세트가 제1 요약 (706M) 에 도시된 바와 같은 15994개의 유전자와 552개의 세포에 해당함을 보여준다. 생물정보학 파이프라인 사용자 인터페이스는 각 슬라이더에 대해 보유된 각 세포 수와 보유된 각 세포 백분율뿐만 아니라 사실상 배치되는 모든 필터의 조합으로 보유된 총 세포 수와 보유된 총 세포 백분율을 추가로 보여준다.
도 7m 는 또한 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트를 로드하기 위한 예시적인 생물정보학 파이프라인 사용자 인터페이스를 예시한다. 예를 들어, 사용자는 풀다운 목록에서 생물정보학 파이프라인 데이터세트를 선택하기 위해 필드(712M)를 클릭하거나 원하는 생물정보학 파이프라인 데이터세트의 식별자(예를 들어, 이름) 또는 식별자의 처음 하나 이상의 문자를 입력하여 생물정보학 파이프라인 데이터세트를 로드할 수 있다. 생물정보학 파이프라인 사용자 인터페이스는 하나 이상의 다른 사용자 인터페이스 또는 그 일부와 통합될 수 있다.
예를 들어, 도 7m 에 도시된 생물정보학 파이프라인 사용자 인터페이스는 이러한 사용자 인터페이스 또는 뷰 각각이 다른 사용자 인터뷰 또는 뷰의 기능을 활용할 수 있도록 칩 타임라인 사용자 인터페이스 또는 뷰, 갤러리 사용자 인터페이스 또는 뷰, 또는 여기에 설명된 임의의 다른 사용자 인터페이스 또는 뷰 등과 같은 하나 이상의 다른 사용자 인터페이스 또는 뷰를 추가로 포함할 수 있는 통합된 사용자 인터페이스의 탭(예를 들어, "PrimeSeq"라는 레이블을 갖는 705M)으로 나타나는 소프트웨어 구성으로 구성될 수 있다. 일부 실시형태에서, 사용자 인터페이스는 생물정보학 파이프라인 뷰를 위한 탭(705M)에 추가하여 하나 이상의 탭을 포함할 수 있다. 예를 들어, 사용자 인터페이스는 갤러리 뷰 탭(702M), 칩 타임 보기 탭(704M) 등을 포함할 수 있다.
또한, 도 7m 는 또한 하나 이상의 실시형태에서 생물정보학 파이프라인 데이터세트를 로드하기 위한 생물정보학 파이프라인 사용자 인터페이스에 대한 상세를 예시한다. 더 구체적으로, 도 7m은 데이터세트가 시스템에 로드되면 생물정보학 파이프라인 사용자 인터페이스가 706M 및/또는 708M에서 로드된 생물정보학 파이프라인 데이터세트의 요약을 제공할 수 있음을 예시한다. 요약은 일부 실시형태에서 유전자의 총 수, 세포의 총 수 및/또는 미세유체 디바이스, 특정 챔버, 또는 생물학적 샘플 등과 상관된 임의의 다른 정보와 같은 정보를 포함할 수 있다. 요약(706M 및/또는 708M)은 사용자가 하나 이상의 필터를 정의 또는 구성하고 전체 데이터세트가 추가 처리 (예를 들어, 렌더링, 분석 등) 를 위해 시스템에 로드되기 전이나 후에 그 하나 이상의 필터를 생물정보학 파이프라인 데이터세트에 적용할 때의 필터링 결과들을 추가로 포함할 수 있다. 생물정보학 파이프라인 사용자 인터페이스는 추가 세부사항(708M)(예를 들어, 다수의 챔버들, 챔버 및/또는 생물학적 샘플을 갖는 미세유체 디바이스의 하나 이상의 특성들, 다수의 챔버 및/또는 다수의 생물학적 샘플을 갖는 미세유체 디바이스와 상관된 하나 이상의 통계적 측정들 등)을 추가로 제시할 수 있다.
생물정보학 파이프라인 사용자 인터페이스는 사용자가 로드된 생물정보학 파이프라인 데이터세트(714M)를 표시하고, 필터 하위 메뉴(716M)를 통해 표시 및/또는 처리될 데이터를 제약하거나 제한하기 위해 하나 이상의 필터를 로드하거나 정의하고, 및/또는 로드된 데이터세트(710M)에 대한 커스텀 템플릿을 저장는 옵션을 추가로 제공한다. 예를 들어, 사용자는 필터 하위 메뉴(716M)를 통해 특정 생물정보학 파이프라인 데이터세트에 대한 하나 이상의 1차원 또는 다차원 필터를 정의할 수 있다. 1차원 필터는 데이터에 단일 규칙 또는 필터링 기준을 적용하는 필터를 포함한다. 다차원 필터에는 중첩되거나 계층적으로 정렬된 다수의 필터 또는 필터링 기준의 세트를 연속적으로 적용하는 필터가 포함된다. 예를 들어, 2차원 필터는 데이터를 제1 필터링된 데이터로 축소하기 위해 특정 데이터에 제1 규칙 또는 필터링 기준을 적용한 다음, 제1 필터링된 데이터에 제2 규칙 또는 필터링 기준을 적용하여 제2 필터링된 데이터를 생성할 수 있다.
도 7n은 하나 이상의 실시형태에서 생물정보학 파이프라인 사용자 인터페이스의 차등 유전자 발현을 위한 추가 기능의 예를 예시한다. 더 구체적으로, 도 7n은 하나 이상의 실시형태에서 생물정보학 파이프라인 사용자 인터페이스의 차등 유전자 발현을 위한 추가 기능의 예를 예시한다. 이 예에서, 사용자는 제1 유전자 발현 (702N) 으로서 챔버 목록을 선택하거나 식별할 수 있다 (예를 들어, 하나 이상의 챔버 목록이 있는 풀다운 목록에서 선택하거나 챔버 목록의 식별자 또는 식별자의 일부를 지정할 수 있다).
사용자는 제2 유전자 발현(704N)으로서 다른 챔버 목록 또는 챔버 목록 그룹(예를 들어, 선택된 챔버 목록을 제외한 "모든 다른 챔버 목록")을 추가로 선택하거나 식별하고 예를 들어 "Run Differential Gene Expression" (706N) 을 클릭하여 차등 유전자 발현을 시작할 수 있다. 일부 실시형태에서, 관심 영역의 다중 세트가 식별되거나(예를 들어, 갤러리 뷰와 같은 다른 뷰에서 임포트되거나) 차등 유전자 발현 분석을 위해 생성될 수 있다. 일부 다른 실시형태에서, 차등 유전자 발현 분석을 위해 단지 하나의 관심 영역 세트가 필요하다. 예를 들어, 사용자는 제1 유전자 발현(702N)에 대한 챔버 목록을 식별하거나 생성하고 차등 유전자 발현 분석을 위한 제2 유전자 발현(8304)으로서 "all others"를 선택할 수 있다.
도 7o는 일부 실시형태들에서 도 7n 로부터의 예시적인 차등 유전자 발현 결과를 예시한다. 더 구체적으로, 도 7o는 일부 실시형태들에서 도 7n 로부터의 예시적인 차등 유전자 발현 결과를 예시한다. 특히, 도 7o 에 도시된 예시의 결과들은 다양한 적합하거나 원해지거나 요구되는 차등 분석 결과(702O), 화산 플롯(704O), 및 데이터를 M(로그 비율) 및 A(산술 평균) 척도로 변환하고 더 나아가 이러한 값을 플로팅함으로써 두 샘플(예를 들어, 도 7n 을 참조하여 위에서 설명한 두 개의 선택된 챔버 목록)에서 취한 측정 간의 차이를 그래픽으로 나타내는 MA(Bland-Altman) 플롯(706O)을 포함한다. 화산 플롯(704O)은 통계적 테스트의 p-값과 그룹 내 샘플의 발현 값 차이의 크기 사이의 관계를 그래프로 나타낸다.
도 8a 는 일부 실시형태에서 미세유체 디바이스의 복수의 챔버에 대해 캡처된 예시적인 이미지를 도시한다. 도 8a 는 일부 실시형태에서 미세유체 디바이스의 복수의 챔버에 대해 캡처된 예시적인 이미지를 도시한다. 이 예에서, 시야를 갖는 이미지 캡처링 장치(예를 들어, 카메라)는 소정 시점에서 복수의 챔버에 대한 단일 이미지(802A)를 캡처한다. Although FIG. 도 8a 는 단일 이미지에서 다중 챔버를 캡처하는 예를 도시하지만, 일부 다른 실시형태에서 하나 이상의 시점에서 복수의 챔버가 아니라 단일 챔버에 대해 개별 단일 이미지가 캡처될 수 있다. 일부 실시형태에서, 미세유체 디바이스 그리고 미세유체 디바이스 내의 다수의 챔버들 각각은 예를 들어 각각의 고유 식별자로 각각 바코딩될 수 있다.
복수의 챔버에 대해 캡처된 이미지는 타임스탬프가 찍힐 뿐만 아니라 대응하는 미세유체 디바이스 식별자 및/또는 이미지의 복수의 챔버에 대한 챔버 식별자와 연관될 수 있다. 챔버의 개별 이미지(804A)가 (예를 들어, 갤러리 뷰에서 제시되도록) 요청되면, 도 8a에 예시된 이미지는 챔버의 각 식별자를 참조하면서 즉석에서 슬라이싱, 크로핑 및/또는 처리될 수 있다. 챔버의 이 개별 이미지는 그 후 챔버의 개별 식별자에 적어도 부분적으로 기초하여 사용자 인터페이스(예를 들어, 갤러리 뷰)에 제시될 수 있다.
도 8a 에 도시된 이미지로부터 개별 이미지의 슬라이싱 또는 크로핑은 하나 이상의 요건들에 적어도 부분적으로 기초하여 수행될 수도 있다. 이러한 하나 이상의 요건들의 예는 분석의 유형, 흐름 채널(챔버 또는 펜 806A 위의 영역 808A)이 개별 이미지에 포함되어야 하는지 여부, 또는 기타 적절한, 원하는 및/또는 필요한 요건들을 포함할 수 있다. 예를 들어, 유동 채널 영역(808A)은 생물학적 샘플을 익스포팅하기 위한 개별 이미지(804A)의 동적 즉석 슬라이싱에 포함될 수 있다. 도 8a 에 도시된 예시적인 개별 이미지 (804A) 는 이미지가 캡처된 시점에서 채널 영역(808A)에 생물학적 샘플이 없음을 보여준다.
위에서 설명한 바와 같이, 여기에 설명된 다양한 분석, 렌더링 및 표시 기능을 수행하는 분석기는 일부 실시형태에서 하나 이상의 미세유체 디바이스를 사용하여 하나 이상의 생물학적 샘플에 대한 하나 이상의 워크플로우들을 실행하기 위한 시스템과 별개의 독립 시스템일 수도 있고, 일부 다른 실시형태에서 하나 이상의 워크플로우를 실행하기 위한 시스템과 통합될 수 있다. 두 경우 모두 미세유체 디바이스(또는 심지어 다수의 미세유체 디바이스들)의 전체 또는 부분 이미지를 캡처할 수 있다. 일부 실시형태에서, 기본 이미지와 같은 이미지(전체 또는 부분)는 시야(FOV) 또는 시야 플러스 이미지 캡처 장치(예를 들어, 이미징 센서, 카메라 등)의 마진에 적어도 부분적으로 기초하여 캡처될 수도 있다.
이미지 시퀀스의 이미지가 2 이상의 관심 영역에 대해 캡처되는 일부 실시형태에서 (예를 들어, 개별 챔버 이미지들, 개별 타겟 이미지들, 또는 이들의 임의의 조합 등), 개별 관심 영역의 하나 이상의 개별 이미지들 (예를 들어, 개별 타겟 또는 개별 챔버의 개별 이미지) 은 이미지에서 도출될 수 있다. 예를 들어, 개별 타겟 이미지 또는 개별 챔버 이미지는 다수의 관심 영역의 이미지에서 추출될 수 있다.
개별 관심 영역의 개별 이미지를 유도하기 위한 프로세스는 예를 들어 개별 관심 영역과 상관된 하나 이상의 특징을 식별하고 그 하나 이상의 특징에 적어도 부분적으로 기반하여 개별 관심 영역의 개별 이미지로 이미지를 크로핑하는 것을 포함할 수 있다. 예를 들어, 개별 관심 영역에 대한 타겟과 상관된 특징과 같은 하나 이상의 특징이 타겟 기반 관심 영역에 대해 식별될 수 있고, 다중 관심 영역의 정보를 포함하는 이미지는 하나 이상의 식별된 특징에 적어도 부분적으로 기초하여 크로핑될 수 있다. 다른 예로서, 개별 관심 영역에 대한 구조와 상관된 특징과 같은 하나 이상의 특징이 구조 기반 관심 영역에 대해 식별될 수 있고, 다중 관심 영역의 정보를 포함하는 이미지는 그 식별된 특징에 적어도 부분적으로 기초하여 구조 기반 관심 영역에 대한 개별 이미지로 크로핑될 수 있다.
이미지는 하나 이상의 원시 형식, 하나 이상의 래스터 그래픽 형식(예를 들어, TIFF 또는 태그된 이미지 파일 형식 (Tagged Image File Format), 이중 레벨 형식, 회색조 형식, 팔레트 색상 형식, RGB(적색-녹색-청색) 또는 풀 컬러 형식 등), 하나 이상의 무손실 형식, 하나 이상의 손실 형식 등과 같은 여러 형식들로 저장될 수 있다. 하나의 이미지가 미세유체 디바이스의 더 작은 부분만을 캡처하는 일부 실시형태에서, 이미지는 하나 이상의 관심 영역에 대한 이미지 데이터를 포함할 수 있다.
캡처된 이미지는 이미지를 다른 데이터와 상관시키는 데 사용될 수 있는 하나 이상의 식별자와 연관될 수 있다. 예를 들어, 이미지는 이미지가 캡처된 시점을 나타내는 타임코드 또는 타임스탬프, 미세유체 디바이스에서 이미지가 캡처되는 챔버를 나타내는 챔버 식별자, 이미지가 캡처되는 미세유체 디바이스의 미세유체 디바이스 식별자, 및/또는 이미지가 캡처되는 미세유체 디바이스의 흐름 채널 식별자, 또는 이들의 임의의 조합과 연관될 수 있다. 일부 실시형태에서, 이미지의 임의의 양태와 상관된 정보(예를 들어, 이미지 캡처 프로세스와 상관된 정보)가 또한 (예를 들어, XML 파일에) 저장되고 캡처된 이미지와 연관될 수 있다. 이미지 및 이미지의 임의의 양태와 상관된 전술한 식별자(들) 및/또는 정보는 집합적으로 서로뿐아니라 다른 데이터 및 이미지(들)이 캡처되는 시점(들)과 상관될 수 있는 이미지 시퀀스 또는 이미지들의 시퀀스로 지칭될 수 있다. 워크플로우의 실행의 맥락에서, 동일한 유형 또는 둘 이상의 서로 다른 유형의 하나 이상의 이미지 시퀀스 또는 이미지들의 시퀀스가 생성될 수 있다.
일부 실시형태에서, 이미지 시퀀스의 이미지는 시간 경과 이미지 시퀀스를 생성하기 위해 다중 시점 또는 하나 이상의 시간 기간에 걸쳐 하나 이상의 이미지 캡처링 장치 또는 센서에 의해 캡처될 수 있다. 이미지 시퀀스는 하나 이상의 명시야 이미지, 형광 이미지, 또는 기타 요구되거나 원하는 이미지, 또는 이들의 조합을 포함할 수 있다. 이미지 시퀀스가 하나 이상의 필터 큐브(예를 들어, 플루오레세인 이소티오시아네이트. 플루오레세인 이소티오시아네이트 (FITC), 텍사스 레드 (Texas Red) 또는 TxRed, 합성 염료 (시아닌) 등) 로부터 캡처된 이미지를 포함하는 일부 실시형태에서, 결과의 이미지 시퀀스는 다중 스펙트럼 이미지 시퀀스로서 지칭될 수 있다.
일부 실시형태에서, 워크플로우는 컴퓨터 생물학 또는 분석 목적을 위한 하나 이상의 템플릿에 대응할 수 있다. 템플릿은 마이크로프로세서 또는 프로세서 코어에 의해 실행될 때 마이크로프로세서 또는 프로세서 코어로 하여금, 예를 들어 정규표현식(REGEX)을 사용하여 이미지들의 시퀀스를 다른 데이터에 매핑하게 하여 그 이미지들의 시퀀스가 그러한 다른 데이터(예를 들어, 정량화 가능한 메트릭, 타겟, 챔버, 미세유체 디바이스, 생물학적 챔버, 또는 생물학적 챔버의 특성, 속성, 특징 또는 메트릭, 또는 이들의 임의의 조합)와 상관되어 예를 들어 이미지 시퀀스(들)를 다른 데이터와 상관시키는 것과 관련된 작업의 양을 줄이거나 심지어 최소화하는 명령들의 세트를 포함할 수 있다.
정규표현식은 데이터(예를 들어, 텍스트 데이터)의 특정 패턴을 정의하는 데 사용될 수 있는 문자 또는 기호의 그룹을 포함하고 이미지 시퀀스와 워크플로우 출력(예를 들어, CSV 파일, 테이블, 데이터베이스 또는 기타 적절한 데이터 구조) 간의 매핑을 정의하는 데 사용될 수 있다. 정규표현식은 예를 들어 일부 실시형태에서 메타 문자를 사용하여 구성될 수 있다. 메타 문자는 그 자체로 의미가 있을 수도 있고 그렇지 않을 수도 있지만 일부 실시형태에서는 일부 특별한 방식으로 해석될 수 있다. 예를 들어, 일부 메타 문자는 특별한 의미를 가질 수 있으며, 예를 들어 대괄호 안에 표시될 수 있다.
메타 문자의 몇 가지 예는 일부 실시형태에서 줄 바꿈을 제외한 임의의 단일 문자와 일치하는 "."; 대괄호 사이에 포함된 임의의 문자와 일치하는 문자 클래스를 나타내는 "[]"; 대괄호 사이에 포함되지 않은 임의의 문자와 일치하는 부정 문자 클래스를 나타내는 "[^]"; 선행하는 기호의 0 번 이상 반복과 일치하는 "*"; 선행 기호의 하나 이상의 반복과 일치하는 "+"; 선행 기호를 선택적으로 렌더링하는 "?"; 정확한 순서로 "xyz" 문자와 일치하는 문자 그룹을 나타내는 "(xyz)"; "|" 기호 앞의 문자 또는 뒤의 문자와 일치하는 대체를 나타내는 "|"; "[", "]", "(", ")" 등과 같은 예약 문자와 일치하도록 다음 문자를 이스케이프하는 "*?*"; 입력의 시작과 일치하는 "^"; 및/또는 입력의 끝과 일치하는 "$" 을 포함하지만 이들에 제한되지 않는다.
템플릿의 일부 예는, 제한 없이, 세포주의 발견을 위한 하나 이상의 세포주 발견 템플릿, 면역 체계의 필수 부분인 백혈구(white blood cell)의 T 세포(T 림프구라고도 불릴 수 있음) 유형과 상관된 데이터 또는 정보를 임포팅 및/또는 익스포팅하기 위한 T 세포 템플릿, B 세포 템플릿(림프구 - 신체 내에서 항원에 대한 면역 반응의 특이성을 결정하는 B 세포를 임포트 및/또는 익스포트에 사용될 수 있음), 항체 발견과 관련된 정보 또는 데이터를 임포팅 및/또는 익스포팅하기 위한 AbD(항체 발견) 템플릿, 다중 사이토카인 분석 템플릿을 포함한다. 템플릿은 일부 실시형태에서 추가, 편집(예를 들어, 업데이트된 워크플로우 등을 수용하도록 수정), 복사(예를 들어, 기존 템플릿을 복사하여 예를 들어 다른 워크플로우에 시작점을 제공할 수 있음), 제거, 임포팅(예를 들어, 상이한 시스템 또는 버전으로부터의 사용자들 사이에서 공유), 및/또는 익스포트될 수 있다.
일부 실시형태에서 미세유체 디바이스 내부 또는 그 위에 있는 생물학적 샘플(들)에 대해 하나 이상의 워크북이 생성될 수 있다. 워크북은 이러한 실시형태에서 미세유체 디바이스 또는 그 일부의 임의의 속성, 특성, 특징 및/또는 메트릭에 대한 정보를 포함할 수 있다. 이들 실시형태 중 일부에서, 워크북은 하나 이상의 관심 영역(예를 들어, 플롯팅되거나 디스플레이된 관심 영역)에 적용되어야 하거나 적용된 하나 이상의 필터를 포함할 수 있다. 추가로 또는 대안으로, 워크북은 하나 이상의 레이아웃 뷰들 및/또는 임의의 기존 또는 새로운 특성(예를 들어, 세션 동안 생성된 특성 또는 특정 워크플로우 또는 그 일부에 특정한 특성)을 포함할 수 있다.
워크북은 정보 또는 데이터(예를 들어, 텍스트 데이터, 이미지 데이터 등)의 효율적인 임포팅뿐아니라 다양한 기타 데이터의 렌더링 또는 표시를 용이하게 할 수 있다. 예를 들어, 칩 타임라인 뷰는 미세유체 디바이스 내 또는 상에서 하나 이상의 생물학적 샘플에 대해 실행되는 워크플로우에 적어도 부분적으로 기반하여 생성될 수 있다. 워크플로우는 또한 적어도 부분적으로 칩 타임라인 뷰에 구성되거나 이에 상응할 수 있다.
도 8b 는 일부 실시형태에서 도 8a에 예시된 이전 시점에서 캡처된 것들과 동일한 다음 시점에서의 다수의 챔버들에 대해 캡처된 다른 예시적인 이미지를 예시한다. 더 구체적으로, 도 8b 는 도 8a에 예시된 이전 시점에서 캡처된 것들과 동일한 다음 시점에서의 다수의 챔버들에 대해 동일한 이미지 캡처링 디바이스에 의해 캡처된 다른 예시적인 이미지 (8002) 를 예시한다. 이 예에서 동일한 챔버(804A)의 다음 개별 이미지는 생물학적 샘플을 언페닝하고 익스포팅하는 과정에서 획득된다. 도 8b 에 예시된 바와 같이, 도 8b의 생물학적 샘플의 일부(808B)는 언페닝되었고 따라서 흐름 채널 영역(도 8a의 808A)에 존재하여 더 적은 수의 생물학적 샘플(806B)이 챔버(804A)에 남아 있다. 도 8b 에 도시된 이러한 예는 생물학적 샘플(806B)의 존재를 수용하기 위해 유동 채널을 나타내기 위해 즉석에서 개별 이미지를 구성함에 있어서 동적 슬라이싱 또는 크로핑을 추가로 예시한다.
도 8c는 일부 실시형태에서 도 8a 내지 도 8b 의 이전 시점에서 캡처된 것과 동일한 다수의 챔버들에 대해 다음 시점에서 캡처된 다른 예시적인 이미지를 도시한다. 더 구체적으로, 도 8c 는 일부 실시형태들에서 도 8a 및 도 8b 의 이전 시점에서 캡처된 것들과 동일한 다수의 챔버들의 동일한 이미지 캡처링 디바이스에 의해 캡처된 다른 예시적인 이미지 (802C) 를 예시한다. 이 예에서, 생물학적 샘플을 익스포팅하기 위한 동일한 챔버(804C)의 다음 개별 이미지가 도시된다. 도 8c 에 예시된 바와 같이, 도 8b 의 808B에 도시된 바와 같이 익스포트된 생물학적 샘플은 이미지(802C)가 캡처되는 이 다음 시점에서 흐름 채널 영역(도 8a의 808A) 밖으로 이동 또는 플러싱된 반면, 더 적은 수의 생물학적 샘플(806B)(예를 들어, 도 8b의 이들 806B와 동일한 생물학적 샘플)이 챔버(804C)(도 8a 및 도 8b의 804A와 동일한 챔버)에 남아 있다. 도 8c 에 도시된 이러한 예는 또한 도 8a 및 도 8b 의 챔버 (804A) 로부터 생물학적 샘플(808B)의 익스포트의 시각적 검증으로서 작용하기 위해 유동 채널을 보여주기 위해 즉석에서 개별 이미지를 구성함에 있어서 동적 슬라이싱 또는 크로핑을 추가로 예시한다.
도 8d는 하나 이상의 실시형태에서 마이크로-객체들의 일부의 식별 및 챔버에 대한 식별된 마이크로-객체들의 일부의 할당 직후에 미세 유체 회로의 채널 내의 마이크로-객체를 예시한다. 식별은 임의의 원하는 기준에 따라 이루어질 수 있으며 페닝 전에 세포에 대해 수행된 분석 또는 라벨링 작업의 결과일 수 있다. 도 8e는 하나 이상의 실시형태에서 광 케이지들이 그들의 선택된 궤적들을 따라 이동된 나중 시점의 도 8d의 동일한 마이크로-객체를 도시한다. 도 8f 는 하나 이상의 실시형태들에서 광 케이지가 격리 챔버 내에 세포를 위치시키기 위해 그들의 선택된 궤적을 따라 거의 완전히 이동된 제 3 시점에서의 동일한 세포를 도시한다.
더 구체적으로, 도 8d 내지 도 8f 는 광 박스를 사용하는 마이크로-객체 페닝을 도시한다. 도 8d 에서, 미세유체 회로의 채널 내의 생물학적 세포는 세포의 식별 및 펜으로의 세포의 할당 직후에 도시된다. 생물학적 샘플을 둘러싸고 있는 검은색 박스는 생물학적 샘플 식별 알고리즘의 출력을 도시한다 - 즉, 일부 실시형태들에서 생물학적 샘플(들) 주위에 박스로 표시되는 생물학적 샘플(들)의 식별. 이러한 실시형태에서, 생물학적 샘플 식별 알고리즘의 출력을 나타내는 전술한 검은색 박스는 예를 들어 사용자 인터페이스의 하나 이상의 구성 또는 설정(예를 들어, 배경색, 대비 설정 등) 및/또는 입력 데이터(예를 들어, 입력 이미지의 색상 깊이 또는 비트 깊이 등) 에 적어도 부분적으로 기초하여 확대된 뷰로 사용자 인터페이스에서 가시적일 수 있다. 검은색 박스를 둘러싼 흰색 박스는 세포를 재위치시키는 데 사용되는 OET 힘의 광 케이지이다. 마지막으로, 세포를 둘러싼 박스를 격리 펜에 연결하는 검은 선은 격리 펜에 세포를 할당함에 있어서 계산된 최적의 궤적을 도시한다. 도 8e 는 광 케이지가 그들의 선택된 궤적을 따라 이동된 나중 시점의 동일한 세포를 도시한다. 도 8f 는 광 케이지가 격리 펜 내에 세포를 위치시키기 위해 그들의 선택된 궤적을 따라 거의 완전히 이동된 제 3 시점에서의 동일한 세포를 도시한다.
마이크로-객체를 이동시킴에 있어서, OET 및/또는 DEP 가 세포를 이동시키는데 사용되는 속도는 마이크로-객체의 모션을 "램프 업 (ramp up)"시키고 마이크로-객체가 그들의 광 케이지로부터 손실되지 않는 것을 보장하기 위해 점점 가속화될 수도 있다. 예를 들어, 특정 실시형태에서, 마이크로-객체의 초기 속도는 낮은 초기 속도에서 더 높은 이동 속도로 점차적으로 가속될 수도 있다. 이 점진적 가속은 마이크로-객체가 자동으로 재포지셔닝 (예를 들어, 페닝, 재페닝 및 엑스포트) 되는 경우들 및 마이크로-객체가 수동으로 재포지셔닝되는 (예를 들어, 세포를 수동으로 선택하고 및 이동시키는) 경우들 양자 모두에서 적용될 수도 있다. 유사하게, 고속 이동 속도는 마이크로-객체가 그들의 궤적 끝에 도달하고 그들의 최종 위치에 있을 때 제로의 최종 속도로 "램프 다운"될 수도 있다.
본 발명의 방법은 모든 타입의 미세유체 디바이스에서 마이크로-객체의 자동화된 검출 및/또는 카운팅에 유용하다. 특정 실시형태들에서, 미세유체 디바이스는 유동 영역 (또는 유동 채널) 및 하나 이상의 챔버 (또는 격리 펜) 를 포함할 수 있다. 선택적으로, 또는 부가 적으로, 미세유체 디바이스는 광학적으로 작동되는 동전기 디바이스와 같은 동전기 디바이스일 수 있거나 전기역학을 위해 구성된 영역을 포함할 수 있다. 동전기 디바이스, 특히 트랜지스터 (예를 들어 포토트랜지스터) 의 배열을 갖는 동전기 디바이스는 배열 내의 트랜지스터가 검출되고 있는 마이크로-객체의 단면적과 유사한 면적을 갖는 경우에 특히 복잡한 배경을 제공할 수 있다. 본 명세서에 설명된 방법은 그러한 디바이스에 배치된 마이크로-객체를 검출하는데 특히 효과적일 수 있다.
도 9a은 하나 이상의 실시형태에서 다중 챔버를 갖는 미세유체 디바이스를 사용하여 생물학적 샘플을 분석하기 위한 방법 및/또는 시스템의 고수준 흐름도를 예시한다. 더 구체적으로, 도 9a은 하나 이상의 실시형태에서 다중 챔버를 갖는 미세유체 디바이스를 사용하여 생물학적 샘플을 분석하기 위한 방법 또는 시스템의 고수준 흐름도를 예시한다. 이러한 하나 이상의 실시형태에서, 미세유체 디바이스 내의 복수의 챔버들과 상관된 하나 이상의 관심 영역 내의 하나 이상의 생물학적 샘플은 902A에서 식별될 수 있다. 미세유체 디바이스 내의 챔버들의 총 수는 미세유체 디바이스당 한 자리 수의 챔버에서 수만 개의 챔버에 이를 수 있다. 또한, 관심 프로세스의 타겟(또는 "측정되는 것들")을 구성할 수 있는 생물학적 샘플은 예를 들어 마이크로-객체, 세포, 조직, 단백질, 유전자, 바이러스 또는 DNA(deoxyribonucleic acid), RNA(ribonucleic acid) 등과 같은 세포내 분자를 포함할 수 있지만 이들에 제한되지 않는다.
하나 이상의 챔버에 로드된 하나 이상의 생물학적 샘플로, 하나 이상의 생물학적 샘플에 대해 수행 또는 실행되어야 하거나 수행 또는 실행된 프로세스 또는 워크플로우가 904A에서 식별될 수 있다. 본 문서에서 언급하는 프로세스는 분석, 시퀀싱 프로세스 등을 포함할 수 있다. 분석은 전술한 유형의 생물학적 샘플들 중 임의의 것의 타겟의 존재량, 및/또는 기능적 활성을 정성적으로 평가하거나 정량적으로 측정하기 위한 실험실 의학, 약리학, 생물학(예를 들어, 환경 생물학, 분자 생물학 등)에서의 분석 또는 조사 절차를 포함한다. 시퀀싱 프로세스는 예를 들어 핵산 시퀀스(예를 들어, DNA의 뉴클레오티드 순서)을 결정하는 프로세스를 포함할 수 있으며, 생물학적 및/또는 의학적 연구 및 발견을 가속화하기 위해 아데닌, 구아닌, 시토신 및/또는 티민과 같은 하나 이상의 염기의 순서를 결정하는 데 사용될 수 있는 임의의 방법 또는 기술을 포함할 수 있다.
일부 예시적인 워크플로우에는 CLD(세포주 개발) 워크플로우, T-세포 워크플로우, AbD(항체 발견) 워크플로우, 멀티플렉스 사이토카인 워크플로우 등이 포함되지만 이에 국한되지 않는다. CLD 워크플로우는 예를 들어, 미세유체 디바이스의 챔버에서 항체 농도를 측정하는 스코어에 의해 측정된 분비에 적어도 부분적으로 기반하여 미세유체 디바이스에서 클론들을 랭킹하는 워크플로우의 일부로서 정량적 확산 분석을 사용할 수 있다. CLD 워크플로우는 또한 예를 들어 세포 카운트에 의해 QP 스코어를 정규화하는 QP(제품 생산) 스코어 또는 상대 QP 스코어에 적어도 부분적으로 기초하여 세포 생산성을 평가하거나 분석하는 데 사용될 수 있다.
예시적인 CLD 워크플로우에는 분석 시약을 미세유체 디바이스로 임포팅하는 것이 포함될 수 있다. 분석 시약은 하나 이상의 흐름 채널에서 다중 챔버로 평형을 이루며, 여기에서 분석 시약은 클론에 의해 생성되는 면역글로불린 G(IgG)와 결합할 수 있다. 그런 다음 하나 이상의 유동 채널을 플러싱하여 분석 시약을 제거할 수 있다. 결합되지 않은 시약 및 챔버에 남아 있는 시약/IgG 복합체가 유동 채널로 확산되기 시작할 수 있다. 따라서 높은 항체 역가 (titer) 를 생성하는 클론이 있는 챔버는 천천히 확산되는 시약/IgG 복합체의 많은 부분을 가지므로 형광 이미지에서 밝게 나타난다. 또한 항체를 거의 생성하지 않거나 전혀 생성하지 않는 클론이 있는 챔버에는 유동 채널로 빠르게 확산되어 형광 이미지에서 어둡게 나타나는 대부분의 유리 시약 분자가 있을 수 있다. 그런 다음 프로세스 또는 워크플로우는 흐름 채널을 플러싱한 후 형광 이미지를 기록 및 분석하고 미세유체 디바이스의 클론들로부터 상대적 역가를 랭킹하여 최고 생산 클론을 선택할 수 있도록 한다.
일부 실시형태에서, 생물학적 샘플의 분비 및 생물학적 성장이 이루어지는 배양 단계 동안 다중 반복 분석을 수행할 수 있다. 그런 다음 성장한 생물학적 샘플을 익스포트할 수 있다. 미세유체 디바이스를 주기적으로 또는 연속적으로 모니터링하고 일련의 시점 또는 기간에서 데이터를 기록하면, 익스포트가 예를 들어 하나 이상의 챔버의 구조 특징에 적어도 부분적으로 기초하여 자동으로 트리거될 수 있다. 예를 들어, 생물학적 샘플이 챔버의 목 부근(예를 들어, 흐름 영역에 대한 챔버의 근위 개구부 근처)에 도달하기 시작하면 클론 오염의 위험이 증가할 수 있다. 일부 실시형태에서, 생물학적 샘플이 하나 이상의 챔버의 목 영역 근처에서 또는 지나서 성장하기 시작하기 전에 워크플로우의 익스포팅 단계가 자동으로 촉발될 수 있다.
또 다른 예시의 워크플로우는 T 세포를 서브클로닝하고, 각 T 세포를 항원 제시 세포(APC) 또는 종양 세포와 공동 배양하고, 일정 기간 내의 복수의 분비된 사이토카인(예를 들어, 3개의 분비된 사이토카인) 및 다수의 세포 표면 마커(예를 들어, 2개의 세포 표면 마커)를 검출함으로써 T 세포 활성을 검사할 능력을 제공하는 멀티플렉스 사이토카인 어세이 워크플로우 분석이다. 멀프플렉스 사이토카인 어세이 워크플로우에서 세포는 미세유체 디바이스에 로드될 수 있다. 칩 타임라인 뷰가 제시될 수 있고 이미지 시퀀스(들)의 분석이 수행될 수 있다. 일부 실시형태에서, 여기에 설명된 기법들은 음성 대조군 모집단으로부터의 데이터가 분석 양성을 선택하기 위한 임계값을 결정하는데 사용될 수 있는 음성 대조군으로서 작용하도록 하나 이상의 사용자 지정 또는 자동으로 결정된 시야로 APC에 대해 (예를 들어, 하나 이상의 챔버 목록의 자동 생성 또는 커스텀 생성에 의해) 대조군을 제공할 수 있다.
이러한 로딩된 세포는 원하는 또는 필요한 기간 동안 배양될 수 있고, 이미지화되어 하나 이상의 표현형 및 기능적 특성(예를 들어, 활성화 마커의 존재, 사이토카인의 방출 등)을 검사할 수 있다. 배양 단계 동안에 또는 후에, 하나 이상의 검사된 관심 영역(예를 들어, 챔버)이 자동으로 결정될 수 있다. 검사된 관심 영역은 하나 이상의 T 세포, 하나 이상의 항원 제시 세포(APC), 및 하나 이상의 사이토카인 포획 비드를 포함하는 영역을 포함한다.
검사된 챔버가 단일 T 세포를 포함하는 일부 실시형태에서, 시스템은 단일 T 세포 필터를 미세유체 디바이스의 복수의 챔버에 자동으로 적용할 수 있다. 이들 실시형태에서, 시스템은 단일 T 세포 요건 및 적어도 하나의 APC 요건 둘 다를 만족시키는 것들로 챔버를 추가로 감소시키기 위해 단일 T 세포 필터의 결과적인 챔버에 타겟 기반 1차원 필터를 추가로 적용할 수 있다. 더욱이, 1차원 타겟 기반 사이토카인 포획 비드 필터는 사이토카인 포획 비드 요건을 추가로 충족시키는 검사된 챔버를 결정하기 위해 적어도 하나의 APC 필터로부터 결과의 챔버에 적용될 수 있다. 일부 다른 실시형태에서, 다차원, 중첩된, 또는 계층적으로 배열된 필터가 미세유체 디바이스의 챔버에 적용될 수 있으며, 여기서 다차원 필터는 중첩되거나 계층적으로 배열된 방식으로 단일 T 세포 필터, 적어도 하나의 APC 필터 및 사이토카인 캡처 비드 필터를 적용한다. 1차원 필터 및 2차원 필터를 적용하는 것과 같은 다른 변형이 또한 일부 다른 실시형태에서 적용될 수 있다. 다차원, 중첩 또는 계층적으로 배열된 필터는 (예를 들어, 논리적 AND, OR, XOR 등을 통해) 논리적으로 결합되고 그 논리적 결합에 따라 적용되는 복수의 저차원 필터들을 포함할 수 있다.
양성을 식별하기 위해, 하나 이상의 타겟 기반 필터(예를 들어, 중간값 밝기 필터 등)는 예를 들어, 전술한 음성 대조군 모집단에 적어도 부분적으로 기초하여 결정될 수 있는 하나 이상의 임계값에 적어도 부분적으로 기초하여 관심 객체 또는 영역이 특정 사이토카인 또는 표면 마커에 대한 양성 또는 음성인지 여부를 결정하기 위해 사용될 수 있다. 이러한 하나 이상의 임계값을 초과하는 이벤트는 지정된 사이토카인 또는 세포 표면 마커에 대해 양성으로 간주될 수 있다. 예를 들어, 음성 대조군 모집단(예를 들어, 관심 음성 대조군 영역(들))의 일부 또는 전부는 사이토카인 분비를 위한 선택에서 제외될 수 있다. 그런 다음, 하나 이상의 관심 영역이 위에서 설명된 검사된 관심 영역으로부터 식별될 수 있다.
하나 이상의 생물학적 샘플에 대한 프로세스 또는 워크플로우의 결과는 시점들의 시퀀스에서 906A에서 수집될 수 있다. 일부 실시형태에서, 프로세스 결과는 그 시점들의 시퀀스 각각에서 하나 이상의 관심 영역에 있는 하나 이상의 생물학적 샘플 중 하나 이상의 생물학적 샘플의 이미지를 포함할 수 있다. 이들 실시형태 중 일부에서, 이미지는 특정 시점에서 다수의 관심 영역에 대해 캡처된다. 일부 다른 실시형태에서, 이미지는 다른 관심 영역(예를 들어, 인접 챔버)을 보여주지 않고, 미세유체 디바이스 내의 복수의 관심 영역의 각각의 개별 관심 영역에 대해 캡처될 수 있다. 프로세스 결과는 일부 실시형태에서 프로세스 종료 시 최종 결과를 포함할 수 있다. 이러한 실시형태 중 일부에서, 프로세스 결과는 프로세스의 시간 진행을 입증하기 위해 시점들 시퀀스에서 하나 이상의 시점에서, 프로세스의 완료 전에 캡처되는 중간 결과를 추가로 포함할 수 있다.
하나 이상의 생물학적 샘플, 관심 영역, 미세유체 디바이스 및/또는 프로세스와 상관된 하나 이상의 메트릭 또는 하나 이상의 특성들이 908A에서 식별되거나 결정될 수 있다. 이러한 하나 이상의 메트릭 또는 특성은 프로세스 또는 프로세스의 일부에 대한 하나 이상의 생물학적 샘플의 임의의 응답 또는 응답의 부재, 프로세스 또는 그 일부, 프로세스 또는 프로세스의 수행을 위해 미세유체 디바이스가 로드되는 시스템의 임의의 성능 메트릭, 프로세스가 수행되는 하나 이상의 생물학적 샘플과 상관된 임의의 통계적 측정, 또는 기타 적절하거나, 원하는 또는 요구되는 메트릭 또는 특성 등을 포함할 수 있다.
그 다음, 프로세스 결과는 시점들의 시퀀스 또는 타임코드들의 대응하는 세트 및 하나 이상의 메트릭 또는 특성에 적어도 부분적으로 기초하여 사용자 인터페이스에서 910A에서 제시될 수 있다. 위에서 설명한 바와 같이 다양한 기능, 모듈, 사용자 인터페이스, 사용자 인터페이스의 요소, 위젯, 논리 코드 등은 사용자가 여기에 설명된 다양한 기술, 모듈 및/또는 기능을 사용하여 방대한 양의 데이터 또는 결과로부터 매우 세분화된 분석 결과(예를 들어, 생물학적 샘플과 관련된 특정 특성, 수천 개의 관심 영역을 갖는 미세유체 디바이스 내의 특정 관심 영역, 특정 생물학적 샘플, 및/또는 이에 대한 기타 원하는 또는 요구되는 특성)를 효율적이고 효과적으로 식별하는 것을 가능하게 하기 위해 함께 원활하게 통합된다.
예를 들어, 단순한 생물정보학 파이프라인 데이터는 크기가 수백 기가바이트를 쉽게 초과할 수 있다. 현재의 최첨단 컴퓨팅 시스템과 최적화된 소프트웨어 응용 프로그램을 사용하더라도 이러한 엄청난 양의 데이터는 유용한 정보를 데이터 내에 깊숙이 쉽게 매장할 수 있으며 숙련된 과학자를 압도한다. 여기에 설명된 다양한 실시형태는 예를 들어 여기에 설명된 다양한 1차원 또는 다차원 필터, 챔버 목록의 커스텀 생성, 특정 특성을 정확히 지적하기 위한 유연한 구성 등을 통해 유연성, 사용자 정의 가능성, 편리한 속도 및 탁월한 정확도를 제공하여 임의의 사용자가 단일의 미세유체 디바이스 (예를 들어, 하나의 미세유체 디바이스) 내의 수천 또는 심지어 수만 개의 관심 영역(예를 들어, 챔버)에 있는 샘물학적 샘플들의 방대한 양의데이터를 통해 효과적이고 효율적으로 탐색하는 것을 가능하게 한다. 일반적으로 수십 개의 챔버들의 생물학적 샘플들을 처리하고 제한된 기능을 갖는 제한적인 도구를 대부분 수동으로 사용하여 수십 개의 챔버들의 데이터에서 일부 유용한 정보를 찾으려는 수동 작업에 크게 의존하는 현재의 종래 기술의 접근 방식과 비교하여, 여기에 설명된 다양한 기법들은 기존 접근 방식의 문제와 단점을 해결하고 컴퓨터 생물학의 정확성과 런타임을 크게 향상시킨다.
도 10a 는 하나 이상의 실시형태에서 향상된 사용자 인터페이스로 생물학적 샘플을 분석하기 위한 프로세스 및/또는 시스템의 블록도의 단순화된 예를 예시한다. 더 구체적으로, 도 10a은 하나 이상의 실시형태에서 다중 챔버를 갖는 미세유체 디바이스를 사용하여 생물학적 샘플을 분석하기 위한 방법 또는 시스템의 다른 고수준 흐름도를 예시한다. 일부 실시형태에서, 생물학적 샘플을 분석하는 방법은 1002A에서 미세유체 디바이스 내의 여러 관심 영역 내의 생물학적 샘플의 분석 및 그 분석과 상관된 타임라인을 식별하는 것을 포함할 수 있다. 분석에는 일부 실시형태에서 미세유체 디바이스를 사용하는 복수의 생물학적 샘플에 대한 어세이 분석, 시퀀싱 분석 등이 포함될 수 있다. 1002A에서 식별된 분석은 일부 실시형태에서 관심 있는 생물학적 샘플에 대해 수행되었을 수도 있거나 일부 다른 실시형태에서 수행되거나 완료되기를 기다리고 있을 수도 있다. 관심 있는 생물학적 샘플에 대해 분석이 수행 및 완료되었거나 현재 수행 중이지만 아직 완료되지 않은 일부 실시형태에서, 생물학적 샘플의 분석을 식별하는 것은 예를 들어 데이터 또는 정보의 하나 이상의 소스(예를 들어, 이미지 또는 비디오 캡처 장치(들), 데이터 수집 모듈, 데이터 저장소, 테이블(들), 데이터베이스(들) 또는 기타 적절한 데이터 소스 등)에서 데이터를 수집하고 저장하는 것, 전술한 하나 이상의 데이터 소스들 중 임의의 것으로부터 분석, 분석과 상관된 장치(들), 분석된 또는 분석 중인 생물학적 샘플 등과 상관된 데이터 또는 하나 이상의 파일을 취출하는 것을 포함할 수 있다. 일부 실시형태에서, 1002A에서 생물학적 샘플의 분석을 식별하는 것은 (예를 들어, 사용자 선택을 통해) 하나 이상의 타겟 기반 관심 영역, 하나 이상의 구조 기반 관심 영역, 및/또는 생물학적 샘플이 분석되는 미세유체 디바이스의 하나 이상의 챔버를 식별하는 것을 포함할 수 있다.
타임라인은 생물학적 샘플 분석의 워크플로우 또는 파이프라인과 시간적으로 정렬되는 정보를 포함할 수 있다. 일부 실시형태에서, 각 관심 영역 또는 챔버는 고유 식별자를 포함한다. 추가로 또는 대안으로, 다수의 식별자들은 미세유체 디바이스의 관심 영역의 식별자, 복수의 생물학적 샘플의 크기 속성, 복수의 생물학적 샘플에 대한 최대 밝기 속성, 복수의 생물학적 샘플에 대한 최소 밝기 속성, 생물학적 샘플의 중심에 대한 제1 방향의 제1 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 제2 방향의 제2 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 크기 속성, 시간 경과 인덱스 속성, 미세유체 디바이스에 대한 디바이스 식별자, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 복수의 관심 영역의 스코어 속성, 게이트 경로 인덱스, 영역 픽셀 속성, 배경 픽셀 속성, 또는 복수의 생물학적 샘플에 대한 중간 밝기 속성 중 적어도 하나를 더 포함하는 하나 이상의 특성들에 대응한다.
하나 이상의 관심 영역 유형은 1004A에서 다중 관심 영역에 대해 결정될 수 있으며, 여기서 하나 이상의 관심 영역 유형은 생물학적 샘플들 중 적어도 하나의 생물학적 샘플과 상관된 타겟 기반 유형 또는 미세유체 디바이스와 상관된 구조 기반 유형을 포함한다.
여기에 설명된 바와 같이, 관심 영역은 일부 실시형태들에서 관심 있는 생물학적 샘플의 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등 (예를 들어, 관심 영역에 있는 세포의 직경과 상관된 측정되거나 도출된 직경 또는 통계적 측정, 관심 영역에 있는 유전자들의 카운트, 관심 영역에 대해 배양된 세포들의 카운트, 관심 영역에서 익스포트된 세포의 카운트 또는 백분율 등) 에 속하는 타겟 기반 영역을 포함할 수 있다. 관심 영역은 또한 일부 실시형태에서 미세유체 디바이스 또는 이의 임의의 부분의 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등 (예를 들어, 미세유체 디바이스 또는 그것의 부분의 구조적 양태에 대한 특성 등) 에 속하는 구조 기반 관심 영역을 포함할 수 있다.
하나 이상의 관심 영역 유형이 결정되면, 속성, 특성, 특징 또는 정량화 가능한 메트릭이 하나 이상의 관심 영역 유형에 적어도 부분적으로 기초하여 1006A에서 결정될 수 있다. 전술한 실시형태에서, 타겟 기반 관심 영역에 대해 타겟 기반 특성, 특성, 속성 또는 정량화 가능한 메트릭이 결정될 수 있다. 추가로 또는 대안으로, 구조 기반 관심 영역에 대해 구조 기반 특성, 특성, 속성 또는 정량화 가능한 메트릭이 결정될 수 있다.
다중 관심 영역에 각각 대응하는 관련 데이터는 타임라인 및 속성, 특성, 특징 또는 정량화 가능한 메트릭에 적어도 부분적으로 기초하여 생물학적 샘플의 적어도 일부에 대한 사용자 인터페이스에 1008A에서 배열 및 렌더링될 수 있다. 연관된 데이터의 이러한 배열 및 디스플레이의 예는 예를 들어 도 6c 의 갤러리 뷰, 예를 들어 도 5a 의 소형화된 갤러리 뷰, 예를 들어 도 4a 의 칩 타임라인 뷰, 예를 들어 도 7h 의 시퀀싱 그래프, 또는 임의의 다른 뷰 또는 그래프를 포함할 수 있다. 사용자 인터페이스에서 관심 영역에 대한 연관 데이터를 렌더링하는 것은 예를 들어 그 연관 데이터(예를 들어, 이미지 또는 비디오 캡처 장치 또는 센서에 의해 캡처되고/되거나 파일 또는 데이터 구조 등에 저장된 이진 데이터)를 관심 영역에 따라 크로핑된 데이터로 크로핑하는 것 (예를 들어, 특정 관심 영역에 해당하는 데이터의 더 작은 서브세트에 대해 여러 관심 영역을 보여주는 기본 이미지를 크로핑하는 것), 그 연관 데이터 또는 크로핑된 데이터를 관심 영역을 나타내는 포토리얼리스틱 (photorealistic) 하거나 비-포토리얼리스틱한 2D 또는 3D 이미지(예를 들어, 래스터 그래픽 표현)로 이진 데이터를 변환하는 컴퓨터 그래픽 프로그램 및/또는 그래픽 처리 장치(GPU)로 송신하는 것을 포함할 수 있다.
일부 실시형태에서, 연관 데이터는 생물학적 샘플의 분석과 관련되고 연관되며, 예를 들어 생물학적 샘플들의 분석 및/또는 생물학적 샘플들의 하나 이상의 속성, 특징 또는 특성 등, 분석과 상관된 하나 이상의 시스템, 분석 및/또는 생물학적 샘플과 상관된 하나 이상의 워크플로우 및/또는 하나 이상의 시퀀싱 파이프라인, 분석의 하나 이상의 설정 및/또는 구성/입력 데이터/중간 출력 데이터/최종 출력 데이터, 분석과 상관된 하나 이상의 시스템과 상관된 하나 이상의 설정 및/또는 구성, 임의의 연관 데이터를 설명하는 메타데이터 및/또는 이들의 임의의 조합 등을 포함할 수 있다. 일부 실시형태에서, 연관 데이터는 정적 정보 또는 데이터(예를 들어, 처리된 정보), 동적 정보 또는 데이터(예를 들어, 시간에 따라 변할 수 있는 정보 또는 데이터), 상호작용 정보 또는 데이터(예를 들어, 사용자가 예를 들어 메뉴 또는 사용자 인터페이스 조작 등을 통해 명령 또는 커맨드를 발행함으로써 상호작용할 수 있는 정보 또는 데이터), 또는 이들의 임의의 조합을 포함할 수 있다. 추가로 또는 대안으로, 생물학적 샘플의 분석과 관련된 연관 데이터는 예를 들어 바이너리, 텍스트, ASCII, 그래픽, 이미지, 비디오 및/또는 비디오 시퀀스 데이터를 포함할 수 있다. 일부 실시형태에서, 연관 데이터는 미세유체 디바이스의 하나, 일부, 또는 모든 관심 영역 또는 모든 챔버에 대한 전술한 데이터 또는 정보, 그의 등가물, 또는 그의 변형 중 임의의 것을 포함할 수 있고 다양한 데이터 소스(예를 들어, 사용자 인터페이스를 통한 사용자의 입력, 분석 엔진의 중간 및 최종 출력, 하나 이상의 이미지 캡처 장치의 이미지, 분석, 생물학적 샘플 및/또는 분석과 연관된 하나 이상의 시스템과 상관된 하나 이상의 소프트웨어 애플리케이션(들)에 의해 생성된 데이터 등)로부터 수집되고, 예를 들어 도 5b, 도 5g 내지 도 5j, 도 7d, 도 10f 등을 참조하여 여기서 상세히 설명된 구조화된 방식으로 데이터 구조 (예를 들어, 미세유체 디바이스 데이터 구조, 갤러리 구조 등) 에 저장될 수 있다. 또한, 그러한 데이터 구조는 예를 들어, 도 5b, 도 5g 내지 도 5j, 도 7d, 도 10f 등을 참조하여 여기서 설명된 연관 데이터의 더욱 효율적인 액세스, 질의, 및 조작을 용이하게 하기 위해 하나 이상의 키들로 인덱싱될 수 있다.
도 10b 내지 도 10c 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이들 하나 이상의 실시형태에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 1002B 에서 연관된 데이터를 렌더링하기 위한 사용자 인터페이스의 할당 가능한 공간에 적어도 부분적으로 기초하여 연관된 데이터에 대한 복수의 갤러리 서브 구조를 갖는 갤러리 구조를 결정하는 단계를 포함한다. 이들 하나 이상의 실시형태의 일부에 있어서, 복수의 갤러리 서브 구조의 갤러리 서브 구조는 생물학적 샘플 또는 생물학적 샘플의 분석과 상관된 특성에 대응하고, 갤러리 서브 구조는 하나 이상의 갤러리 필드를 포함하고, 그 특성은 적어도 하나의 타겟 기반 특성, 적어도 하나의 구조 기반 특성, 또는 적어도 하나의 타겟 기반 특성과 적어도 하나의 구조 기반 특성의 조합을 포함한다.
이들 하나 이상의 실시형태에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 1004B 에서 특성에 적어도 부분적으로 기초하여 갤러리 구조의 복수의 갤러리 서브 구조로 연관된 데이터를 파퓰레이팅하는 단계를 포함한다. 이들 실시형태들 중 일부에 있어서, 갤러리 서브 구조의 갤러리 필드는 생물학적 샘플들 중 적어도 하나의 구조 기반 관심 영역 또는 타겟 기반 관심 영역에 대해 캡처된 이미지 시퀀스의 이미지에 대응하고, 그 이미지 또는 이미지 시퀀스는 하나 이상의 기본 이미지에서 결정된다. 추가로 또는 대안으로, 타임라인 부분의 복수의 그래픽 표현은 복수의 갤러리 서브 구조에 각각 대응한다.
일부 실시형태에 있어서, 갤러리 구조를 결정하는 단계는 1008B 에서 비일시적 컴퓨터 액세스 가능 저장 매체의 주소 지정 가능 공간에 저장된 갤러리 구조로부터 다수의 관심 영역의 제1 관심 영역으로부터 획득된 제1 생물학적 샘플에 대한 시점들 또는 시간 주기들의 세트와 상관된 데이터의 제1 시퀀스를 결정하는 단계를 포함할 수 있으며, 여기서 데이터의 제1 시퀀스는 다수의 식별자들 중 적어도 제1 식별자에 대응한다. 선택적으로, 갤러리 구조를 결정하는 것은 1006B에서 관심 영역의 하나 이상의 유형에 적어도 부분적으로 기초하여 속성, 특성, 특징, 또는 정량화 가능한 메트릭을 결정하는 것을 포함할 수 있다.
이들 실시형태들 중 일부에 있어서, 갤러리 구조를 결정하는 단계는 1010B 에서 갤러리 구조로부터 다수의 관심 영역의 제2 관심 영역으로부터 획득된 제2 생물학적 샘플에 대한 시점들 또는 시간 주기들의 세트와 상관된 데이터의 제2 시퀀스를 결정하는 단계를 더 포함할 수 있으며, 여기서 데이터의 제2 시퀀스는 다수의 식별자들 중 적어도 제2 식별자에 대응한다. 이들 실시형태들 중 일부에 있어서, 연관된 데이터를 배열 및 렌더링하는 단계는 1012B 에서 사용자 인터페이스의 제1 윈도우 부분에서 그리고 그래픽 처리 유닛을 사용하여 갤러리 뷰에서 데이터의 제1 및 제2 시퀀스를 렌더링하는 단계를 포함한다.
일부 실시형태들에 있어서, 제1 뷰에서 데이터의 제1 및 제2 시퀀스를 렌더링하는 단계는, 1014B 에서, 사용자 인터페이스에서 제1 선택 위젯으로 다수의 특성들로부터 제1 특성의 선택에 응답하여, 제1 생물학적 샘플들 또는 그 분석에 대한 복수의 값에서 제1 특성의 제1 값을 추출하는 단계; 및 제2 생물학적 샘플들 또는 그 분석을 위한 복수의 값으로부터 제1 특성의 제2 값을 추출하는 단계를 더 포함한다.
도 10c 를 참조하면, 연관된 데이터를 배열하고 렌더링하는 것은 1016B에서, 일부 실시형태에서 데이터의 제1 및 제2 시퀀스에 각각 대응하는 제1 상호작용 객체 및 제2 상호작용 객체를 갤러리 뷰로 렌더링하는 것을 포함할 수 있다. 이들 실시형태들의 일부에서, 제1 상호작용 객체는 제1 생물학적 샘플 또는 분석에 대한 제1 값을 나타내고, 제2 상호작용 객체는 제2 생물학적 샘플 또는 분석에 대한 제2 값을 나타낸다. 또한, 사용자 인터페이스가 입력의 하나 이상의 특성에 대한 데이터를 처리하기 위한 프로세서에 커플링되고 생물학적 샘플로부터 캡처되고 시점들 또는 시간 주기들의 세트에서 획득된 이미지들의 세트를 포함한다. 또, 이미지 세트의 이미지가 복수의 챔버를 포함하는 미세유체 디바이스의 관심 영역 내에 배치된 각각의 생물학적 샘플로부터 획득된다.
일부 실시형태들에서, 연관된 데이터를 배열 및 렌더링하는 것은 1018B 에서 생물학적 샘플들에 대한 제1 특성을 선택하기 위한 제1 선택 위젯을 렌더링하는 것을 포함할 수 있고, 미세유체 디바이스에서 제1 관심 영역에 대해 캡처된 이미지의 제1 세트에 대한 데이터의 제1 세트가 갤러리 구조의 제1 갤러리 서브 구조에 표시되고; 미세유체 디바이스에서 제2 관심 영역에 대해 캡처된 이미지의 제2 세트에 대한 데이터의 제2 세트는 갤러리 구조의 제2 갤러리 서브 구조에 표시된다.
이들 실시형태들 중 일부에 있어서, 제1 상호작용 객체는 시점들 또는 시간 주기들의 세트의 제1 시점 또는 시간 주기에서 제1 랭크와 연관되고, 제1 랭크는 제1 관심 영역에 대한 제1 특성의 제1 값에 적어도 부분적으로 기초하여 미세유체 디바이스의 복수의 챔버와 상관된 제1 관심 영역의 제1 장소를 나타낸다. 추가로 또는 대안으로, 제2 상호작용 객체는 시점들 또는 시간 주기들의 세트의 제1 시점 또는 시간 주기에서 제2 랭크와 연관되고, 제2 랭크는 제2 관심 영역에 대한 제1 특성의 제1 값에 적어도 부분적으로 기초하여 미세유체 디바이스의 복수의 챔버와 상관된 제2 관심 영역의 제2 장소를 나타낸다.
또, 제1 및 제2 랭크들은 일부 실시형태들에서 제1 시점 또는 시간 주기에서 각각 제1 관심 영역에서 제1 생물학적 샘플의 제1 상태 및 제2 관심 영역에서 제2 생물학적 샘플의 제2 상태를 나타내기 위해 제1 뷰에서 제1 및 제2 상호작용 객체들과 함께 각각 표시된다. 추가적으로 또는 대안적으로, 데이터의 제1 갤러리 서브 구조 및 데이터의 제2 갤러리 서브 구조는 제1 식별자에 대응하는 상호작용 식별자를 갖는 제3 갤러리 서브 구조를 포함하도록 배열된다.
이들 실시형태 중 일부에서, 제3 갤러리 서브 구조의 상호작용 식별자는, 사용자 인터페이스에서 호출될 때, 제1 랭크 및 제2 랭크에 적어도 부분적으로 기초하여 제1 갤러리 서브 구조 및 제2 갤러리 서브 구조를 배열하는 랭킹 작업을 트리거하고; 복수의 갤러리 서브 구조 중의 갤러리 서브 구조의 높이 또는 너비는 수정된 높이 또는 수정된 너비로 구성 가능하거나, 제3 선형 구조의 필드의 너비는 제1 뷰에서 수정된 너비로 구성 가능하다.
추가로 또는 대안으로, 갤러리 구조는 열 구조 및 행 구조를 포함하고, 열 구조는 다수의 열들을 포함하고, 행 구조는 다수의 행들을 포함하고, 일부 실시형태들에서 미세유체 디바이스의 단일의 챔버의 하나 이상의 생물학적 샘플들에 대해 수행된 분석에 특정한 생물학적 샘플 데이터를 포함한다. 예시적인 열 구조에서, 열 구조의 열은 단일 챔버에서 수행된 분석에 특정한 생물학적 샘플 데이터에 대응하고, 열에 대응하는 각 행은 특정 시점에 또는 특정 시간 주기 동안 단일 챔버에 대해 캡처되거나 생성된 생물학적 샘플 데이터에 각각 대응한다. 이들 실시형태 중 일부에서, 행 구조의 행은 미세유체 디바이스의 챔버에 대해 수행된 분석에 특정한 생물학적 샘플 데이터에 대응하고, 행에 대응하는 각 열은 각각 특정 시점에 또는 특정 시간 주기 동안 챔버에 대해 캡처되거나 생성되는 생물학적 샘플 데이터에 대응한다.
일부 실시형태에서, 다수의 식별자들 중의 식별자는 미세유체 디바이스의 생물학적 샘플들 중 적어도 하나의 생물학적 샘플에 대해 수행되는 어세이 분석의 적어도 하나의 측면 또는 그 어세이 분석의 결과에 속한다. 추가로 또는 대안으로, 이미지들의 세트, 데이터의 제1 시퀀스, 또는 데이터의 제2 시퀀스는 이미지들의 세트, 데이터의 제1 시퀀스, 또는 데이터의 제2 시퀀스가 캡처되거나 생성되는 때에 고유의 타임 스탬프로 타임 스탬핑된다.
일부 실시형태들에서, 다수의 식별자들은 미세유체 디바이스의 챔버 식별자, 생물학적 샘플의 크기 속성, 생물학적 샘플에 대한 최대 밝기 속성, 생물학적 샘플에 대한 최소 밝기 속성, 생물학적 샘플의 중심 (centroid) 에 대한 제1 방향의 제1 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 제2 방향의 제2 픽셀 카운트 속성, 생물학적 샘플의 중심에 대한 크기 속성, 시간 경과 인덱스 속성, 미세유체 디바이스에 대한 디바이스 식별자, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 복수의 챔버 또는 다수의 관심 영역의 스코어 속성, 게이트 경로 인덱스, 영역 픽셀 속성, 배경 픽셀 속성, 또는 생물학적 샘플에 대한 중간 밝기 속성 중 적어도 하나를 포함한다.
일부 실시형태들에서, 제1 상호작용 객체 및 제2 상호작용 객체를 렌더링하는 단계는, 1020B 에서 프로세서에 의해, 사용자 인터페이스에 표시되어야 하는 제1 랭크에 적어도 부분적으로 기초하여 사용자 인터페이스의 갤러리 구조의 제1 갤러리 서브 구조에 대한 동적 폭 또는 길이를 결정하는 단계를 포함할 수 있다. 이들 실시형태들 중 일부에서, 1022B 에서 제1 상호작용 객체 및 제2 상호작용 객체를 렌더링하는 단계는 제1 갤러리 서브 구조에 대한 동적 폭 또는 길이에 적어도 부분적으로 기초하여 이미지들의 제1 시퀀스를 포함하는 데이터의 제1 시퀀스의 적어도 일부를 제1 갤러리 서브 구조로 렌더링하는 단계를 더 포함할 수 있다.
바로 선행하는 실시형태들 중 일부에서, 제1 갤러리 서브 구조의 제1 복수의 갤러리 필드들 내의 갤러리 필드는 복수의 관심 영역의 관심 영역에 대응하고, 여기서 관심 영역은 제1 고유 식별자에 대응한다. 추가로 또는 대안으로, 갤러리 필드는 복수의 챔버와 상관된 관심 영역에 추가로 대응하고 복수의 갤러리 서브 구조에 대응하도록 추가로 배열된다. 복수의 갤러리 서브 구조의 갤러리 서브 구조는 이러한 실시형태 중 일부에서 다수의 식별자들의 식별자에 대응할 수 있다.
도 10d 내지 도 10e 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 하나 이상의 실시형태들에서 1008A 에서 연관된 데이터를 배열 및 렌더링하는 것에 대한 상세를 도시하는 도 10d 를 참조하면, 연관된 데이터를 배열 및 렌더링하는 것은 1002D 에서 타임라인에 적어도 부분적으로 기초하여 사용자 인터페이스에서 타임라인 뷰 활성화 상호작용 위젯을 통한 타임라인 뷰의 호출에 응답하여, 사용자 인터페이스에서 타임라인 뷰 및 매칭 그리드 부분을 렌더링하는 단계를 더 포함한다. 이들 실시형태들 중 일부에서, 타임라인 뷰는 생물학적 샘플의 분석에서 다수의 워크플로우 태스크들 또는 워크플로우 단계들의 각각의 진행을 포함한다. 여러 워크플로우 태스크의 일부 예에는 예를 들어 로드, 임포트, 배양, 풍부 (profusion), 분석, 익스포팅 및/또는 플러시 등이 포함될 수 있다. 워크플로우 단계는 하나 이상의 워크플로우 태스크를 포함할 수 있다. 예를 들어, 어세이 분석 워크플로우 단계에는 하나 이상의 워크플로우 태스크를 추가로 포함하는 세포 배양 워크플로우 태스크가 포함될 수 있다. 보다 구체적으로, 세포 배양 태스크는 본 명세서에 기술된 시스템이 다양한 데이터 또는 정보(예를 들어, 복수의 시점 또는 시간 주기에서 이미지(들), 세포 카운트(들), 앞서 언급한 데이터 또는 정보가 캡처된 복수의 시점에 해당하는 타임스탬프와 같은 시간 시퀀싱 데이터 등)를 측정, 캡처 또는 획득할 수 있는 시간 주기에 걸쳐 수행될 수 있다. 세포 배양 태스크는 하나 이상의 다른 태스크보다 더 긴 기간을 소비할 수 있다. 일부 실시형태에서, 여기에 설명된 시스템은 (예를 들어, 워크플로우 단계를 일시적으로 파티셔닝함으로써) 워크플로우 단계를 다수의 균일한 및/또는 비균일한 워크플로우 태스크으로 프로그래밍 방식으로 분할할 수 있고, 워크플로우 단계에 대해 획득된 데이터 또는 정보도 다수의 워크플로우 태스크들에 따라 파티셔닝될 수 있어서 사용자가 워크플로우 단계를 선택하여 획득된 모든 정보 또는 데이터에 액세스할 수 있거나 (예를 들어, 갤러리 뷰에서 특정 워크플로우 단계의 모든 워크플로우 태스크(들)에 대한 각각의 상호작용 이미지 데이터를 제시하거나), 또는 워크플로우 단계의 하나 이상의 워크플로우 태스크를 선택하여 획득된 정보 또는 데이터의 해당하는 하나 이상의 더 작은 부분들에 액세스할 수 있다(예를 들어, 갤러리 뷰에서 특정 워크플로우 단계의 워크플로우 태스크에 대한 개별 상호작용 이미지 데이터를 제시할 수 있다). 예를 들어, 사용자 또는 연구원은 (예를 들어, 타임라인 뷰에서 시점 또는 시간 주기에 대응하는 그래픽 표현을 클릭함으로써) 예를 들어 칩 타임라인 뷰로부터 소정 시점 또는 시간 주기에서 워크플로우 단계 및/또는 대응하는 워크플로우 태스크를 식별할 수 있고, 여기에 설명된 기술은 대응하는 연관 데이터를 식별하고 해당 시점에서 또는 해당 시간 주기 동안 실제로 발생한 것을 조사하기 위해 갤러리 뷰로 출력을 지시할 수 있다.
추가로 또는 대안으로, 타임라인 뷰는 분석 또는 생물학적 샘플과 상관된 데이터의 제1 시퀀스 및 데이터의 제2 시퀀스에 적어도 부분적으로 기초하여 렌더링된다. 바로 앞의 실시형태들 중 일부에서, 각각의 진행은 다수의 워크플로우 태스크의 각각의 시간적 지속시간을 그래픽으로 나타내지만, 여기에서 워크플로우 단계 또는 워크플로우 단계들은 워크플로우 단계가 해당 워크플로우 태스크를 표시하도록 선택될 수 있다는 경고 (caveat) 와 함께 유사하게 묘사될 수도 있다는 것을 유의해야 한다. 또한, 각각의 진행은 일부 실시형태들에서 선택적으로 타임라인 뷰에서 상호작용될 때 프로세서로 하여금 적어도 매칭 그리드 부분을 데이터의 제1 시퀀스의 적어도 일부 또는 제1 분석 결과의 적어도 일부와 함께 팝퓰레이팅하게 하는 상호작용 진행 위젯으로 표시될 수 있다.
일부 실시형태에서, 연관 데이터를 배열하고 렌더링하는 것은 사용자 인터페이스에 표시된 미세유체 디바이스, 데이터의 제1 시퀀스 또는 데이터의 제2 시퀀스의 식별에 응답하여 1004D에서 미세유체 디바이스에 대해 갤러리 구조가 존재하는지 여부를 결정하는 단계를 포함할 수 있다. 일부 실시형태에서 미세유체 디바이스에 대해 갤러리 구조가 존재하는 것으로 결정되면, 연관 데이터를 정렬하고 렌더링하는 것은 1006D에서 데이터의 제1 시퀀스의 적어도 일부 또는 연관된 데이터의 적어도 일부로 매칭 그리드 부분을 팝퓰레이팅하는 것; 및 1006D에서, 사용자 인터페이스로부터 식별자 변경 입력을 수신할 때, 데이터의 제1 시퀀스의 제1 식별자를 변경하는 명령을 트리거하는 식별자 위젯을 렌더링하는 것을 포함할 수 있다.
이들 실시형태들 중 일부에서, 1008D 에서 사용자 인터페이스에서 호출될 때 적어도 프로세서로 하여금 미세유체 디바이스 및 미세유체 디바이스와 상관된 데이터를 타임라인 뷰로부터 제거하게 하는 삭제 위젯을 렌더링하는 단계를 더 포함한다. 이들 실시형태 중 일부에서, 타임라인 뷰는 사용자 인터페이스에서 제1 조정 가능한 크기 또는 형상을 포함하고; 매칭 그리드 부분은 사용자 인터페이스에서 제2 조정 가능한 크기 또는 형상을 포함하고; 타임라인 부분은 다수의 생물학적 실험의 대응하는 실험 유형을 각각 식별하는 다수의 그래픽 표현 또는 그래픽 요소를 포함한다.
일부 실시형태들에서, 연관된 데이터를 배열 및 렌더링하는 단계는 1010D 에서 다수의 관심 영역들 중 제1 관심 영역을 타임라인 뷰에 도시된 하나 이상의 그래픽 요소와 연관시키는 단계를 포함할 수 있다. 이들 실시형태들 중 일부에서, 제1 관심 영역을 하나 이상의 그래픽 요소와 연관시키는 단계는 사용자 인터페이스의 일부에서 제1 열에 있는 하나 이상의 그래픽 요소의 제1 그래픽 요소에 대해 제1 시점 또는 제1 시간 주기에 캡처된 데이터의 제1 시퀀스에 대응하는 제1 상호작용 객체를 렌더링하는 단계를 포함한다.
추가로 또는 대안으로, 제1 관심 영역을 하나 이상의 그래픽 요소와 연관시키는 단계는 1012D 에서 하나 이상의 그래픽 요소의 제2 그래픽 요소에 대해 제2 시점 또는 제2 시간 주기에 캡처된 데이터의 제1 시퀀스에 대응하는 제2 상호작용 객체를 렌더링하는 단계를 포함할 수 있고, 제2 상호작용 객체는 사용자 인터페이스의 일부에서 제2 열에 대응한다. 이들 실시형태들 중 일부에서, 하나 이상의 그래픽 요소들의 그래픽 요소의 크기는 데이터가 생물학적 샘플에 대해 캡처되는 시간 주기의 시간적 지속기간에 대응하고, 더 큰 그래픽 요소는 더 긴 시간적 주기를 나타낸다.
도 10e 를 참조하면, 연관된 데이터를 배열하고 렌더링하는 것은 1014D에서 일부 실시형태에서 생물학적 샘플의 분석을 위한 파이프라인 또는 워크플로우에 적어도 부분적으로 기초하여 타임라인을 결정하는 것; 1016D에서, 타임라인에 적어도 부분적으로 기초하여 분석을 위한 복수의 단계를 결정하는 것, 여기서 복수의 단계는 각각 생물학적 샘플의 분석을 위한 복수의 시점 또는 시간 주기에 대응하고; 및 1018D에서, 복수의 시점 또는 시간 주기에 적어도 부분적으로 기초하여 복수의 스테이지에 대한 복수의 그래픽 표현을 각각 결정하는 것을 포함한다. 이들 실시형태들 중 일부에서, 연관된 데이터를 배열 및 렌더링하는 단계는 1020D 에서 복수의 시점 또는 시간 주기와 상관된 시간적 순서에 따라 사용자 인터페이스의 타임라인 뷰에서 복수의 그래픽 표시를 배열하고 렌더링하는 단계를 더 포함할 수 있다.
도 10f 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이들 실시형태에서, 연관된 데이터를 배열하고 디스플레이하는 것은 1002F에서 사용자 인터페이스에서 데이터 제어 뷰를 렌더링하는 것을 포함할 수 있다. 이들 실시형태 중 일부에서, 데이터 제어 뷰를 렌더링하는 것은 1004F에서 복수의 챔버를 갖는 미세유체 디바이스에 대한 복수의 필드를 갖는 미세유체 디바이스 데이터 구조를 생성하는 것을 포함한다. 추가로 또는 대안으로, 데이터 제어 뷰를 렌더링하는 단계는 1006F 에서 미세유체 디바이스 데이터 구조의 제1 필드로 미세유체 디바이스의 제1 데이터를 파퓰레이팅하는 것, 여기서 제1 데이터는 미세유체 디바이스의 제1 식별자를 포함함; 및 1008F 에서 미세유체 디바이스 데이터 구조의 제1 필드에 대한 제1 상호작용 데이터 제어 위젯을 렌더링하는 것을 포함하며, 여기서 제1 상호작용 데이터 제어 위젯은 상호작용될 때, 적어도 제1 데이터 및 갤러리 뷰와 상관된 챔버 목록을 구성하기 위해 데이터 제어 뷰에서 수신된 제1 입력에 따라 타임라인 뷰 또는 갤러리 뷰와 상관되는 다수의 제1 후보 액션들 중 하나를 호출한다.
일부 실시형태에서, 데이터 제어 뷰를 렌더링하는 단계는 1010F에서 미세유체 디바이스의 제2 데이터를 미세유체 디바이스 데이터 구조의 제2 필드에 팝퓰레이팅는 단계, 여기서 제2 데이터는 미세유체 디바이스의 생물학적 샘플에 대한 제1 생물학적 처리(예를 들어, 형광성 라벨링, 자기 라벨링, 방사성 라벨링, 효소적 라벨링 또는 분석 또는 시퀀싱에서 생물학적 샘플에 대해 수행되는 기타 생물학적 처리)와 상관된 태그를 포함함; 및 1012F에서 제2 필드에 대한 제2 상호작용 데이터 제어 위젯을 렌더링하는 단계를 더 포함할 수 있고, 여기서 제2 상호작용 데이터 제어 위젯은 연관된 데이터의 하나 이상의 시각화 옵션들을 구성하기 위한 데이터 제어 뷰에서의 제2 사용자 입력에 응답하여 다수의 제2 후보 동작 중 적어도 하나를 호출한다. 태그는 예를 들어 생물학적 샘플에 대한 라벨링 프로세스(예를 들어, 형광성 라벨링 프로세스)에 사용되는 하나 이상의 라벨(예를 들어, 하나 이상의 형광성 라벨)을 포함할 수 있다. 디지털 객체는 해당 라벨을 나타내기 위해 예를 들어, 미세유체 디바이스 데이터 구조, 갤러리 구조 등에 태그에 대해 저장될 수 있다. 이들 실시형태 중 일부에서, 데이터 제어 뷰를 렌더링하는 것은 1014F에서 미세유체 디바이스의 제3 데이터를 미세유체 디바이스 데이터 구조의 하나 이상의 제3 필드에 파퓰레이팅하는 것, 여기서 제3 데이터는 미세유체 디바이스에 대한 타임 스탬프를 포함함; 및 1016F에서, 하나 이상의 제3 필드에 대한 제3 상호작용 데이터 제어 위젯을 렌더링하는 것을 더 포함할 수 있고, 여기서 제3 상호작용 데이터 제어 위젯은, 상호작용될 때, 분석을 위한 차원 축소 또는 클러스터링을 구성하기 위한 데이터 제어 뷰에서 제3 사용자 입력에 응답하여 다수의 제3 후보 액션 중 적어도 하나를 호출한다.
본 명세서에 언급된 생물학적 처리는 당업계에 일반적으로 알려져 있고 특히 여기에 설명된 바와 같은 하나 이상의 마이크로-객체, 예를 들어 생물학적 세포에 대해 작동하기 위한 임의의 워크플로우 단계(예를 들어, 하나 이상의 워크플로우 태스크)를 포함할 수 있다. 생물학적 처리는 마이크로-객체를 포함하는 디바이스의 환경 내에서 수행될 수 있거나 장치 외부에서 수행되는 처리의 일부, 예를 들어, 각각 마이크로-객체로부터 캡처된 거대분자의 대량 선택 및 시퀀싱을 포함하여 사전-처리 또는 사후-처리를 포함할 수 있다. 생물학적 처리는 다음이 포함되지만 이에 국한되지는 않는다: 배양하는 것; 마이크로-객체의 개체군을 확장하는 것(예를 들어, 마이크로-객체가 증식하도록 허용하기에 충분한 기간에 걸쳐 마이크로-객체를 배양하는 것, 여기서 일부 실시형태에서, 확장된 개체군은 딸 세포의 클론 개체군임); 특정 속성, 특징 또는 기능(예를 들어, 생물학적 마이크로-객체의 생물학적 또는 생물리학적 활성)에 대해 마이크로-객체(들)를 분석하는 것; 특정 속성, 특징 또는 기능(예를 들어, 타겟 분자에 대한 결합 또는 그렇지 않으면 복합체를 형성할 수용체-리간드 쌍과 같은 2개 이상의 분자 사이의 결합 차단)에 대한 마이크로-객체의 분비를 분석하는 것; 특정 속성, 특징 또는 기능(예를 들어, 영양소, 반응성 종 등의 농도)에 대해 마이크로-객체(들)를 둘러싸거나 마이크로-객체(들)가 배치된 영역에 인접한 매체를 분석하는 것. 생물학적 마이크로-객체(들), 생물학적 마이크로-객체(들)의 분비물, 또는 생물학적 마이크로-객체(들)를 둘러싸거나 인접한 매체를 분석하는 것은 비색, 형광, 발광, 자외선, 적외선 신호와 같은 검출 가능한 신호를 생성하거나, 또는 달리 여기에서 설명된 이미징 시스템에 의해 시각적으로 검출될 수 있는 라벨 또는 태그를 제공하는 것을 포함할 수 있다. 하나 이상의 마이크로-객체의 조작은 특정 속성, 특징 또는 기능에 대해 하나 이상의 마이크로-객체를 분석한 후, 언페닝을 위해 하나 이상의 마이크로-객체의 전부 또는 일부의 선택을 더 포함할 수 있다. 언페닝된 마이크로-객체는 (예를 들어, 단백질, 핵산, 또는 유전자 발현 산물을 포함한 생물학적 마이크로-객체의 산물과 같은 방출된 거대분자의 후속 캡처로) 유지, 그룹화 또는 저장을 위해, 또는 배양 또는 용해와 같은 추가 처리를 위해 미세유체 디바이스의 다른 영역에 다시 페닝될 수 있다. 방출된 거대분자 또는 마이크로-객체의 산물은 현장에서 검출될 수 있거나 미세유체 디바이스 외부의 분석을 위해 익스포트될 수 있다. 이러한 분석의 결과는 시스템으로 (예를 들어, 파이프라인 또는 다른 데이터 모듈에) 다시 임포팅될 수 있고, 하나 이상의 마이크로-객체의 소스와 상관되고, 선택적으로 분석을 위해 갤러리 뷰 내에서 선택 및 관찰되어, 예를 들어 다른 생물학적 활성 기준을 충족하면서 원하는 생물학적 산물을 표현하는 마이크로-객체를 결정할 수 있다.
본 명세서에 언급된 태그는 고유 특성(예를 들어, 형광) 또는 리포터 분자 또는 분비물일 수 있거나, 마이크로-객체의 일부, (분비되거나 분비되지 않은) 마이크로-객체의 산물, 또는 마이크로-객체와 연관된 분석물 또는 마이크로-객체를 둘러싸거나 인접한 매체 내에서 측정될 분석물을 인식할 수 있는 임의의 종류의 검출 가능한 표지 및/또는 유형의 리간드를 포함할 수 있다. 검출가능한 표지는 상기 언급된 바와 같이 비색, 형광, 발광, 자외선, 적외선 신호 또는 기타 시각적으로 이미지화 가능한 모이어티일 수 있다. 검출 가능한 표지는 그 자체가 마이크로-객체, (분비되거나 분비되지 않은) 마이크로-객체의 산물, 또는 마이크로-객체와 연관된 분석물 또는 마이크로-객체를 둘러싸거나 인접한 매체 내에서 측정될 분석물에 (공유 또는 비공유) 결합하도록 구성되는 리간드를 연관시키도록 구성될 수 있거나 (예를 들어, 삽입 염료) 또는 그 리간드에 연결될 수 있다. 이러한 리간드의 예는 혼성화 가능한 폴리뉴클레오티드, His 태그, 항체 또는 이의 단편을 포함한다. 일부 다른 실시형태에서, 태그는 마이크로-객체, (분비되거나 분비되지 않은) 마이크로-객체의 산물, 또는 마이크로-객체와 연관된 분석물 또는 마이크로-객체를 둘러싸거나 인접한 매체 내에서 측정될 분석물에 의한 작용에 따라 생체분자로부터 방출되는 검출가능한 표지일 수 있다. 예를 들어, 프로테아제에 대한 기질은 마이크로-객체에 의해 분비되거나 마이크로-객체 내에 포함된 프로테아제에 의해 단백질 분해될 때 형광 태그를 방출할 수 있다. 이들 예는 당업계에 공지된 바와 같이 제한적이지 않다.
도 10g-1, 도 10g-2, 도 10g-3, 및 도 10g-4 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이들 실시형태에서, 1008A에서 연관된 데이터를 배열하고 디스플레이하는 것은 1002G에서 필터 뷰를 렌더링하는 것을 포함할 수 있다. 1002G 에서 필터 뷰를 렌더링하는 단계는 1004G 에서 필터 생성 모듈의 제1 필터 선택기 스위치와의 상호작용에 의해 트리거되는 하나 이상의 명령들의 실행에 적어도 부분적으로 기초하여 제1 필터에 대한 제1 필터 유형을 결정하는 단계를 포함할 수 있다. 이들 실시형태들 중 일부에 있어서, 필터 뷰를 렌더링하는 단계는 제1 필터 유형의 결정에 응답하여 1006G 에서 사용자 인터페이스의 필터 뷰에서 하나 이상의 제1 필터들의 제1 필터 유형에 대한 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함할 수 있고, 여기서 제1 속성 선택기 스위치는 호출될 때 제1 필터 유형에 대한 하나 이상의 제1 대화식 필터 속성들의 목록의 제1 제시를 트리거한다.
바로 선행하는 실시형태들 중 일부에 있어서, 필터 뷰를 렌더링하는 단계는 하나 이상의 제1 상호작용 필터 속성들의 목록 내의 제1 상호작용 필터 속성의 호출에 응답하여, 1008G 에서 제1 필터에 따라 미세유체 디바이스의 복수의 챔버 또는 다수의 관심 영역을 필터링하기 위한 제1 필터 구성기를 렌더링하는 단계를 더 포함할 수 있다. 이들 실시형태들 중 일부에 있어서, 제1 필터 구성기는 제1 상호작용 필터 속성에 대한 제1 상호작용 필터 입력에 응답하여 복수의 챔버 또는 다수의 관심 영역에 제1 동적 제약을 부과한다.
또한, 제1 동적 제약은 일부 실시형태들에서 사용자 인터페이스에 디스플레이될 복수의 챔버 또는 다수의 관심 영역으로부터 필터링된 관심 영역들의 제1 세트를 생성하기 위해 복수의 챔버 또는 다수의 관심 영역을 제약할 수 있다. 제1 필터 구성기는 일부 실시형태들에서 필터 뷰에서 동적 조작으로 조작될 때 미세유체 디바이스에서 동적으로 제약된 관심 영역의 수를 한정하고 또한 동적 조작에 적어도 부분적으로 기초하여 필터 뷰에서 동적으로 제약된 관심 영역의 수의 그래픽 표시를 트리거하는 제1 구성 슬라이더 위젯을 더 포함할 수 있다.
일부 실시형태에 있어서, 필터 뷰를 렌더링하는 단계는, 1010G 에서 미세유체 디바이스에 대한 필터 뷰에서, 제1 동적 제약을 만족하는 필터링된 관심 영역의 제1 세트에 대한 관심 영역의 제1 총 수를 동적으로 결정하고 표시하는 단계를 더 포함할 수 있다. 이들 실시형태 중 일부에서, 필터 뷰를 렌더링하는 단계는 1012G에서, 제1 필터에 대한 제1 동적 제약의 제1 동적 변화에 응답하여 동적으로 변하는 제1 히스토그램을 렌더링하는 단계를 더 포함할 수 있으며, 여기서 제1 히스토그램은 제1 동적 제약의 제1 동적 변화에 응답하여 동적으로 변하는 제1 히스토그램의 상부에 오버레이되는 복수의 챔버들 또는 관심 영역의 강조되지 않은 히스토그램을 포함한다. 이들 바로 선행하는 실시형태들 중 일부에 있어서, 필터 뷰는 필터링된 관심 영역의 제1 세트의 필터링된 관심 영역에 대한 정보를 더 포함하고, 그 정보는 하나 이상의 관심 영역 식별자, 제1 동적 제약을 만족시키는 관심 영역들의 제1 총 수 , 제1 상호작용 필터 속성에 대한 복수의 챔버 또는 다수의 관심 영역의 제1 분포를 나타내는 히스토그램, 제1 상호작용 필터 속성에 대한 필터링된 관심 영역의 제1 세트의 제2 분포를 나타내는 히스토그램의 강조된 부분, 또는 이들의 임의의 조합을 포함한다.
일부 실시형태에서, 필터 뷰를 렌더링하는 단계는 1014G 에서 필터 생성 모듈에서 적어도 제2 필터 유형의 제2 필터와 제3 필터 유형의 제3 필터의 논리적 조합을 생성하는 단계; 및 1016G에서, 제2 필터 유형에 대한 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함할 수 있고, 여기서 제1 필터 선택기 스위치는 호출될 때 제2 필터 유형, 제2 필터에 대한 제2 속성 선택기, 또는 제3 필터에 대한 제3 속성 선택기를 결정하는 데 사용된다.
추가로 또는 대안으로, 필터 뷰를 렌더링하는 단계는, 제2 필터 속성의 결정에 응답하여, 1018G 에서, 제2 필터에 따라 복수의 챔버 또는 다수의 관심 영역을 필터링하기 위한 제2 필터 구성기를 렌더링하는 단계를 더 포함할 수 있고, 여기서 제2 필터 구성기는 제2 필터 입력에 응답하여 제2 동적 제약을 부과하고, 제2 동적 제약은 사용자 인터페이스에 표시될 다수의 관심 영역으로부터 필터링된 관심 영역의 제2 수를 제약한다.
이들 실시형태 중 일부에서, 필터 뷰를 렌더링하는 단계는 1020G에서 미세유체 디바이스에 대한 필터 뷰에서 제2 동적 제약을 충족하는 필터링된 관심 영역의 제2 총 수를 동적으로 결정하고 표시하는 단계; 및 1022G에서, 제2 필터 입력으로부터 제2 동적 제약의 제2 동적 변화에 응답하여 동적으로 변하는 제2 히스토그램을 렌더링하는 단계; 및 1024G에서, 제2 필터 유형에 대한 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함할 수 있으며, 여기서 제1 필터 선택기 스위치는 호출될 때 제2 필터 유형 및 제2 필터 유형에 대응하는 제2 속성 선택기를 결정하는 데 사용된다.
추가로 또는 대안으로, 필터 뷰를 렌더링하는 단계는 제2 필터 유형의 호출에 응답하여 1026G 에서 사용자 인터페이스의 필터 뷰에서 하나 이상의 제2 필터들의 제2 필터 유형에 대한 제2 필터 속성 선택기 스위치를 렌더링하는 단계를 더 포함할 수 있고, 여기서 제2 속성 선택기는 호출될 때 제2 필터 유형에 대한 하나 이상의 제2 대화식 필터 속성들의 목록의 제2 제시를 트리거한다. 이들 실시형태들의 일부에 있어서, 필터 뷰를 렌더링하는 단계는 1028G 에서 제3 필터 유형에 대한 제1 필터 생성 모듈에서의 제1 필터 선택기 스위치를 렌더링하는 단계를 더 포함할 수 있고, 여기서 제1 필터 선택기 스위치는, 호출될 때, 제3 필터 유형 및 제3 필터 유형에 대응하는 제3 속성 선택기를 결정하는 데 사용된다.
더욱이, 필터 뷰를 렌더링하는 것은 제3 필터 유형의 호출에 응답하여 1030G에서 사용자 인터페이스의 필터 뷰에서 하나 이상의 제3 필터의 제3 필터 유형에 대한 제3 속성 선택기를 렌더링하는 단계, 여기서 제3 속성 선택기는 호출될 때 제3 필터 유형에 대한 하나 이상의 제3 상호작용 필터 속성들의 목록의 제3 제시를 트리거함; 및 제2 상호작용 필터 속성의 선택에 응답하여, 1032G에서, 제2 필터에 따라 미세유체 디바이스에서 복수의 챔버 또는 다수의 관심 영역을 필터링하기 위한 제2 필터 구성기를 렌더링하는 단계를 더 포함할 수 있으며, 여기서 제2 필터 구성기는 제2 상호작용 필터 입력에 응답하여 제2 동적 제약을 부과하는데 사용된다.
이들 실시형태들 중 일부에 있어서, 제2 동적 제약은 제1 필터로부터의 복수의 챔버 또는 다수의 관심 영역을 사용자 인터페이스에 디스플레이될 필터링된 관심 영역들의 제2 세트로 제약한다; 제2 필터 구성기는, 제 2 동적 조작으로 조작될 때, 미세유체 디바이스에 대한 동적으로 제약된 관심 영역의 별개의 수로 복수의 챔버 또는 다수의 관심 영역을 한정하고 또한 제2 동적 조작에 적어도 부분적으로 기초하여 필터 뷰에서 동적으로 제약된 관심 영역의 그 별개의 수의 그래픽 표시를 렌더링하는 것을 트리거하는 제2 구성 슬라이더 위젯을 포함한다.
일부 실시형태들에서, 필터 뷰를 렌더링하는 단계는, 제3 상호작용 필터 속성의 선택 또는 결정에 응답하여, 1034G 에서, 제3 필터에 따라 미세유체 디바이스 내의 필터링된 관심 영역들의 제2 세트를 필터링하기 위한 제3 필터 구성기를 렌더링하는 단계를 더 포함할 수 있고, 여기서 제3 필터 구성기는 제3 상호작용 필터 입력에 응답하여 제3 동적 제약을 부과하고, 제3 동적 제약은 사용자 인터페이스에 표시될 필터링된 관심 영역들의 제3 세트로 제2 필터로부터의 필터링된 관심 영역들의 제2 수를 제약한다.
이들 실시형태들 중 일부에서, 필터 뷰를 렌더링하는 단계는, 1036G 에서 미세유체 디바이스에 대한 필터 뷰에서, 제2 동적 제약을 만족하는 필터링된 관심 영역의 제2 세트에 대한 관심 영역의 제2 총 수를 동적으로 결정하고 표시하는 단계를 더 포함할 수 있다. 이들 바로 선행하는 실시형태들의 일부에서, 필터 뷰를 렌더링하는 단계는, 1038G 에서 미세유체 디바이스에 대한 필터 뷰에서, 제3 동적 제약을 만족시키는 필터링된 관심 영역들의 제3 세트에 대한 관심 영역들의 제3 총수를 동적으로 결정 및 디스플레이하는 단계를 더 포함할 수 있으며, 여기서 필터 뷰는 필터링된 관심 영역의 제 2 또는 제3 세트의 필터링된 관심 영역에 대한 제2 정보를 더 포함하고, 그 제2 정보는 하나 이상의 관심 영역 식별자, 제2 또는 제3 동적 제약을 각각 만족시키는 관심 영역들의 제2 또는 제3 총 수, 제2 및 제 3 상호작용 필터 속성들에 대한 복수의 관심 영역의 별개의 분포를 나타내는 별개의 히스토그램, 제1 상호작용 필터 속성에 대한 필터링된 관심 영역의 제2 또는 제3 세트의 제3 분포를 나타내는 별개의 히스토그램의 별개의 강조된 부분, 또는 이들의 임의의 조합을 포함한다.
일부 실시형태에서, 필터 뷰를 렌더링하는 단계는 1040G에서, 제2 상호작용 필터 입력으로부터 제2 동적 제약의 제2 동적 변화에 응답하여 동적으로 변하는 제3 히스토그램 또는 산점도를 렌더링하는 단계; 1042G에서, 제3 상호작용 필터 입력으로부터 제3 동적 제약의 제3 동적 변화에 응답하여 동적으로 변하는 제4 히스토그램 또는 산점도를 렌더링하는 단계; 목록 생성 모듈에서 제1 관심 영역 목록을 생성하는 단계를 더 포함할 수 있다. 일부 실시형태에 있어서, 제1 관심 영역 목록을 생성하는 단계는 1044G 에서 사용자 인터페이스와의 제1 상호작용에 적어도 부분적으로 기초하여 제1 관심 영역 목록을 생성하기 위한 사용자 인터페이스로부터의 제1 명령을 수신하는 단계로서, 제1 상호작용은 필터 뷰에서 필터링된 관심 영역의 세트 또는 복수의 챔버 또는 다수의 관심 영역에서 선택된 관심 영역에 대한 선택된 상태를 설정하기 위해 사용자 인터페이스의 다중 상태 선택기를 토글하는 것에 대응하는, 상기 제1 명령을 수신하는 단계; 1046G 에서 필터 뷰에서 목록 생성 스위치를 렌더링하는 단계로서, 목록 생성 스위치는 호출될 때 필터링된 관심 영역의 세트 또는 복수의 챔버 또는 다수의 관심 영역으로부터 적어도 제1 상호작용에 의해 선택되는 하나 이상의 제1 선택된 관심 영역을 포함하도록 제1 관심 영역 목록을 생성하는 데 사용되는, 상기 목록 생성 스위치를 렌더링하는 단계; 또는 1048G 에서 목록 생성 스위치와의 상호작용에 응답하여 하나 이상의 제1 선택된 관심 영역에 대한 제1 관심 영역 목록을 생성하는 단계 중 적어도 하나를 포함할 수 있다.
일부 실시형태들에 있어서, 필터 뷰를 렌더링하는 단계는, 1050G 에서, 목록 생성 모듈에서, 제2 관심 영역 목록을 생성하는 단계; 및 1050G 에서, 하나 이상의 필터에 적어도 부분적으로 기초하여 필터 뷰의 그래픽 플롯에서 제시된 관심 영역들의 수를 제시하는 단계를 더 포함할 수 있으며, 여기서 그래픽 플롯은 제시된 관심 영역의 수의 하나 이상의 특성들이 하나 이상의 필터에 대해 분포하는 방법을 도시한다. 일부 실시형태에 있어서, 필터 뷰를 렌더링하는 단계는 1052G 에서 사용자 인터페이스로부터 제2 상호작용에 적어도 부분적으로 기초하여 제2 명령을 수신하는 단계를 더 포함할 수 있고, 여기서 제2 상호작용은 사용자 인터페이스에서 연관된 데이터와 상관된 데이터를 표시하는 하나 이상의 디스플레이 영역을 둘러싸는 사용자 정의 곡선 또는 직선 경계로 제시된 관심 영역들의 수로부터의 관심 영역의 서브세트의 선택을 포함한다. 이들 바로 선행하는 실시형태들의 일부에서, 필터 뷰를 렌더링하는 단계는 1054G 에서 목록 생성 스위치의 활성화에 응답하여 하나 이상의 디스플레이 영역들에 대한 제2 관심 영역을 생성하는 단계를 더 포함할 수 있으며, 여기서, 필터 뷰의 사용자 정의 곡선 또는 직선 경계는 제시된 관심 영역의 수에서 하나 이상의 관심 영역의 하나 이상의 특성들을 포함하는 하나 이상의 선택 기준에 적어도 부분적으로 기초하여 결정되고, 제시된 관심 영역의 수는 제시된 관심 영역 수의 제1 속성에 적어도 부분적으로 기초하여 다수의 컬러들 또는 균일한 컬러 스킴을 갖는 히트 맵 (heat map) 으로 필터 뷰에 표시된다.
일부 실시형태에 있어서, 필터 뷰를 렌더링하는 단계는 필터 뷰에서 관심 영역에서 또는 그 주위에서 호버링하는 포인팅 장치의 커서에 응답하여, 1056G 에서 관심 영역에 대한 정보를 표시하기 위해 팝업 디스플레이 영역의 생성을 트리거하는 단계를 더 포함할 수 있고, 여기서 그 정보는 관심 영역의 하나 이상의 특성의 선택에 적어도 부분적으로 기초하여 사용자에 의해 구성 가능하다. 일부 실시형태에 있어서, 필터 뷰를 렌더링하는 단계는 1058G 에서 적어도 하나 이상의 노드를 사용자 정의 곡선 또는 직선 경계에 추가하고 하나 이상의 노드에 적어도 부분적으로 기초하여 사용자 정의 곡선 또는 직선 경계를 수정함으로써 사용자 정의 곡선 또는 직선 경계를 수정하는 단계를 더 포함할 수 있다.
도 10h-1 및 도 10h-2 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이들 하나 이상의 실시형태에 있어서, 연관된 데이터를 배열 및 디스플레이하는 단계는 생물정보학 파이프라인 뷰를 생성하는 단계를 포함할 수 있고, 여기서 생물정보학 파이프라인 뷰를 생성하는 단계는 1002H 에서 미세유체 디바이스의 복수의 챔버 또는 다수의 관심 영역에서 생물학적 샘플에 대한 시퀀싱 데이터세트를 결정하는 단계를 포함하며, 여기서 생물학적 샘플은 뉴클레오티드 또는 아미노산의 시퀀스를 포함한다. 이들 실시형태들 중 일부에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는 1004H 에서 사용자 인터페이스에서 시퀀싱 데이터세트를 수신하는 단계; 및 1004H 에서 사용자 인터페이스에서 뉴클레오티드 또는 아미노산의 시퀀스와 상관된 특성을 식별하는 단계를 더 포함한다.
일부 실시형태에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는 사용자 인터페이스에서 제1 시퀀싱 뷰 위젯과의 제1 상호작용에 응답하여, 1006H 에서 다수의 관심 영역 또는 복수의 챔버에서 뉴클레오티드 또는 아미노산의 시퀀스의 특성의 분포를 도시하는 생물정보학 파이프라인 뷰에서 제1 시퀀싱 뷰를 렌더링하는 단계를 더 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는 1008H 에서 뉴클레오티드 또는 아미노산의 시퀀스의 특성의 분포의 하나 이상의 통계적 측정을 포함하는 제1 정보로 제1 시퀀싱 뷰를 오버레이하는 단계를 추가로 포함할 수 있으며, 여기서 사용자 인터페이스는 뉴클레오티드 또는 아미노산의 다수의 시퀀스들의 총 수, 뉴클레오티드 또는 아미노산의 시퀀스를 갖는 관심 영역의 총 수, 및 관심 영역의 어레이의 각각의 관심 영역에서 뉴클레오티드 또는 아미노산의 하나 이상의 시퀀스의 각각의 총 수를 포함한다.
추가로 또는 대안으로, 생물정보학 파이프라인 뷰를 생성하는 것은 제1 시퀀싱 뷰의 분포의 일부에 대한 제2 상호작용에 응답하여, 제1 시퀀싱 뷰를 1010H에서 제1 시퀀싱 뷰의 분포의 부분과 관련하여 뉴클레오티드 또는 아미노산의 다수의 시퀀스의 하나 이상의 시퀀스과 상관된 하나 이상의 정량화 가능한 측정들을 포함하는 제2 정보로 오버레이하는 단계; 및 1012H에서, 사용자 인터페이스의 생물정보학 파이프라인 뷰에서 제1 곡선 또는 직선 선택 위젯과의 제2 상호작용을 수신하는 단계를 더 포함할 수 있고, 제2 상호작용은 제2 상호 작용의 정도에 적어도 부분적으로 기초하여 생물정보학 파이프라인 뷰에서 제1 시퀀싱 뷰의 일부를 제거하기 위한 제1 명령을 트리거한다.
이들 실시형태 중 일부에서, 생물정보학 파이프라인 뷰를 생성하는 단계는 사용자 인터페이스의 제2 시퀀싱 뷰 위젯과의 제3 상호작용에 응답하여, 1014H에서, 복수의 챔버 또는 다수의 관심 영역 내의 뉴클레오티드 또는 아미노산의 시퀀스의 특성의 제2 분포를 도시하는 생물정보학 파이프라인 뷰에 제2 시퀀싱 뷰를 렌더링하는 단계를 더 포함할 수 있으며, 여기서 제2 분포는 형광 염료에 대한 반응으로 복수의 챔버 또는 다수의 관심 영역에서 복수의 생물학적 샘플의 각각의 강도를 포함하고, 각각의 강도는 사용자에 의해 커스텀화가능한 각각의 착색 톤과 연관된다.
이들 실시형태 중 일부에 있어서, 생물정보학 파이프라인 뷰를 생성하는 단계는 1016H 에서 생물정보학 파이프라인 뷰에서 곡선 또는 직선 선택 위젯 또는 상이한 곡선 또는 직선 선택 위젯과의 제4 상호작용을 수신하는 단계로서, 제3 상호작용은 제4 상호작용의 정도에 적어도 부분적으로 기초하여 생물정보학 파이프라인 뷰에서 제2 시퀀싱 뷰로부터 하나 이상의 관심 영역을 선택하기 위한 제2 명령을 트리거하는, 상기 제4 상호작용을 수신하는 단계; 및 1016H 에서 제1 관심 영역 목록을 생성하기 위해 사용자 인터페이스로부터 제5 명령을 수신하는 단계를 더 포함할 수 있다.
일부 실시형태에서, 제1 관심 영역 목록을 생성하기 위한 제5 명령을 수신하는 것은 1018H에서, 생물정보학 파이프라인 뷰에서 곡선 또는 직선 선택 위젯 또는 상이한 곡선 또는 직선 선택 위젯에 적어도 부분적으로 기초하여 제2 시퀀싱 뷰로부터 선택된 하나 이상의 관심 영역에 대한 제1 관심 영역 목록을 생성하는 것; 및 제2 시퀀싱 뷰로부터 선택된 하나 이상의 관심 영역을 포함하는 제1 관심 영역 목록의 생성에 응답하여, 1020H에서, 데이터의 제2 시퀀스를 갤러리 구조 또는 별도의 갤러리 구조 내의 다수의 갤러리 필드로 렌더링하기 위한 작업을 호출하는 제6 명령을 트리거하는 단계를 포함할 수 있다.
이들 실시형태 중 일부에서, 제1 관심 영역 목록을 생성하기 위한 제5 명령을 수신하는 것은 1022H에서 사용자 인터페이스에 디스플레이하기 위한 다수의 갤러리 필드 중 각각의 갤러리 필드에 대한 동적 폭 또는 상이한 동적 폭을 결정하는 단계; 및 1024H에서, 제2 시퀀싱 뷰로부터 선택된 하나 이상의 관심 영역의 각각의 관심 영역에 대한 대응하는 디스플레이 특징을 갖는 각각의 상호작용 객체를 렌더링하는 단계를 포함할 수 있다.
도 10h-3 은 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이들 하나 이상의 실시형태에 있어서, 연관된 데이터를 배열 및 디스플레이하는 단계는 1034H 에서 적어도 하나의 뷰를 포함하는 사용자 인터페이스에서 다방향 배치 위젯을 렌더링하는 단계; 및 1034H 에서 사용자로부터의 제1 입력에 적어도 부분적으로 기초하여 별도의 객체를 사용자 인터페이스에 추가하기 위한 추가 명령을 식별하는 단계를 포함할 수 있다.
이들 실시형태들 중 일부에 있어서, 연관된 데이터를 배열 및 디스플레이하는 단계는 1036H 에서 제1 입력에 적어도 부분적으로 기초하여 개별 객체에 대한 다수의 후보 배치 위치로부터 후보 배치 위치를 결정하는 단계를 포함할 수 있다. 잔영 객체는 일부 실시형태들에서 1038H 에서 사용자 인터페이스의 후보 위치에서 렌더링되어 사용자 인터페이스에서 별도의 객체를 배치하기 전에 적어도 하나의 뷰와 관련하여 별도의 객체가 배치되어야 하는 위치를 그래픽으로 제시할 수 있다. 별도의 객체는 사용자 입력 디바이스로부터의 별도의 입력 시에 1040H 에서 후보 배치 위치로 스내핑 (snapping) 될 수 있으며, 여기서 다방향 배치 위젯은 사용자 인터페이스에 별도의 객체를 배치하기 위해 적어도 2개의 직교 방향으로 다수의 후보 배치 위치를 제공하고, 별도의 객체의 하나 이상의 경계는 사용자 인터페이스에서 별도의 객체의 배치 후에 개별적으로 조정가능하다.
일부 실시형태들에 있어서, 제1 입력은 사용자 인터페이스에서 렌더링된 다방향 배치 위젯과 관련하여 사용자 입력 장치의 커서의 상대 위치와 상관된 정보를 포함하거나, 또는 적어도 하나의 뷰 및 별도의 객체는 둘 다 사용자 인터페이스의 후보 배치 위치에서 별도의 객체의 배치를 수용하기 위해 적어도 하나의 뷰의 크기를 조정함으로써 사용자 인터페이스에서 비중첩 방식으로 제시된다.
도 10i 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이러한 하나 이상의 실시형태에서, 연관된 데이터를 배열 및 디스플레이하는 단계는 미세유체 디바이스의 관심 영역에서 제1 시점에서 생물학적 샘플의 제1 카운트를 결정하는 단계를 포함할 수 있고, 제1 카운트를 결정하는 단계는 1002I 에서 미세유체 디바이스의 관심 영역에 대한 제1 시점에서 캡처된 제1 이미지 데이터를 수신하는 것을 포함한다. 제1 이미지 데이터는 적어도 제1 이미지 데이터를 제1 픽셀 정보 X 제2 픽셀 정보 X 픽셀 깊이 정보의 어레이로 배열함으로써 제1 사전 처리된 이미지 데이터로 1004I 에서 사전 처리될 수 있다.
이들 실시형태 중 일부에서, 제1 카운트를 결정하는 단계는, 1006I 에서, 적어도 다중 처리 블록을 갖는 콘볼루션 신경망(CNN)으로 생물학적 샘플을 인식함으로써 관심 영역에서의 생물학적 샘플의 제1 카운트를 결정하는 단계; 및 1008I 에서, 적어도 머신 러닝 모델을 사용하여 제1 이미지 데이터 또는 제1 사전 처리된 이미지 데이터를 제1 클래스 또는 유형으로 분류함으로써 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계를 더 포함할 수 있다. 이들 바로 선행하는 실시형태들 중 일부에 있어서, 제1 이미지 데이터의 제1 클래스 또는 유형은 적어도 제1 이미지 데이터 또는 제1 사전 처리된 이미지 데이터를 적어도 머신 러닝 모델을 사용하여 제1 클래스 또는 유형으로 분류함으로써 1008I 에서 결정될 수 있다.
관심 영역에 있는 생물학적 샘플의 제1 카운트는 콘볼루션 신경망 (CNN) 을 사용하여 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 1010I 에서 결정될 수 있다. 제1 카운트와 상관된 텍스트 또는 그래픽 정보는 그래픽 사용자 인터페이스(GUI)의 갤러리 뷰에서 관심 영역에 대해 1012I 에서 표시될 수 있다.
일부 실시형태에 있어서, 콘볼루션 신경망의 콘볼루션 층은 1 X 1 보다 큰 필터 크기를 가지므로 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않는다. 추가로 또는 대안으로, 콘볼루션 신경망은 풀링 층을 포함하지 않는다.
일부 실시형태에 있어서, CNN 내의 다수의 처리 블록은 제1 처리 블록, 제2 처리 블록, 및 제3 처리 블록을 포함하고, 제1 처리 블록은 제1 다운샘플링된 이미지 데이터로 제2 다운 샘플링 블록으로 제1 입력을 다운샘플링하는 제1 다운샘플링 블록을 포함한다. 이들 실시형태 중 일부에 있어서, 제1 처리 블록은 제1 잔차 네트워크를 포함할 수 있고, 여기서 제1 잔차 네트워크는 제1 다운샘플링 블록을 따르고, 제1 다운샘플링 블록 및 제1 처리 블록의 제1 잔차 네트워크 각각은 적어도 하나의 제1 콘볼루션 층을 포함한다.
추가로 또는 대안으로, 제1 잔차 네트워크는 제1 평행 경로 및 제2 평행 경로를 포함하고, 둘 다 제1 다운샘플링 블록으로부터 제1 다운샘플링 블록 출력을 수신하고, 제1 평행 경로는 제1 필터 크기를 포함하고, 제2 평행 경로는 제1 평행 경로의 제1 필터 크기보다 작은 제2 필터 크기를 포함한다.
일부 실시형태에 있어서, 다수의 처리 블록들은 각각의 정규화 층이 각각에 뒤따르는 다수의 전치 콘볼루션 층들을 더 포함하는 제4 처리 블록을 더 포함한다. 이들 실시형태 중 일부에 있어서, 전치 콘볼루션 층들의 수 중 전치 콘볼루션 층은 제1 처리 블록의 적어도 하나의 제1 콘볼루션 층 또는 제2 처리 블록의 적어도 하나의 제2 콘볼루션 층와 동일한 스트라이드 (stride) 번호를 갖는다.
도 10j 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이러한 하나 이상의 실시형태에서, 연관된 데이터를 배열하고 표시하는 것은, 차등 유전자 발현 모듈에서, 1002J 에서 제1 시점 또는 시간 주기에서 미세유체 디바이스의 다수의 관심 영역 내의 생물학적 샘플과 상관된 제1 데이터세트를 수신하는 것을 포함할 수 있는 차등 유전자 발현 뷰를 생성하는 것; 및 차등 유전자 발현 모듈에서, 1002J 에서 제2 시점 또는 시갖 주기에서 다수의 관심 영역 내의 생물학적 샘플과 상관된 제2 데이터세트를 수신하는 것을 포함할 수 있다.
게다가, 차등 유전자 발현 뷰를 생성하는 단계는 1004J 에서 생물학적 샘플의 제1 데이터세트에 대한 관심 영역의 제1 목록을 결정하는 단계; 및 1004J 에서 생물학적 샘플의 제2 데이터세트에 대한 관심 영역의 제2 목록을 결정하는 단계를 더 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 차등 유전자 발현 뷰를 생성하는 단계는 1006J 에서 제1 및 제2 시점들 또는 시간 주기들 사이의 제1 정량화 가능한 메트릭의 변경과 상관된 적어도 하나의 통계 측정을 결정하는 단계를 더 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 적어도 하나의 통계 측정은 폴드 변경을 포함하고, 그 변경은 제1 시점 또는 시간 주기의 제1 정량화 가능한 메트릭과 제2 시점 또는 시간 주기의 제1 정량화 가능한 메트릭 사이의 제1 비율을 포함한다. 또, 적어도 하나의 통계 측정은 제1 시점 또는 시간 주기의 제1 정량화 가능한 메트릭과 제2 시점 또는 시간 주기의 제1 정량화 가능한 메트릭 사이의 제2 비율의 로그를 포함한다.
일부 실시형태에 있어서, 차등 유전자 발현 뷰를 생성하는 단계는 1008J 에서 폴드 변경 슬라이더 위젯과의 제1 사용자 상호작용으로부터 제1 구성 가능한 제약 값을 수신하는 단계를 더 포함할 수 있고, 여기서 제1 구성 가능한 제약 값은 제1 구성 가능한 제약 값 아래의 제1 정량화 가능한 메트릭의 변화를 나타내는 생물학적 샘플과 상관된 제1 데이터를 억제한다. 이들 실시형태 중 일부에서, 제1 및 제2 데이터세트의 적어도 일부는 제1 사용자 상호작용에 적어도 부분적으로 기초하여 1010J에서 동적으로 필터링될 수 있다. 추가로 또는 대안으로, 제1 차등 유전자 발현 데이터는 1012J 에서 제1 구성 가능한 제약 값에 적어도 부분적으로 기초하여 제1 데이터세트 및 제2 데이터세트로부터의 차등 유전자 발현 뷰에 표시될 수 있으며, 여기서 제1 구성 가능한 제약 값 아래의 변경을 나타내는 제1 및 제2 데이터세트들과 상관된 제1 데이터는 차등 유전자 발현 보기에서 억제된다.
도 10k-1 및 도 10k-2 는 하나 이상의 실시형태들에서 도 10a 에 도시된 블록도의 단순화된 예의 일부에 대한 더 많은 세부사항을 예시한다. 이들 하나 이상의 실시형태에서, 연관된 데이터를 배열하고 표시하는 것은 1002K 에서 구성 위젯들의 세트로 미세유체 디바이스의 생물학적 샘플과 상관된 제1 데이터세트에 대한 생물정보학 파이프라인 뷰를 구성하는 것을 포함할 수 있으며, 여기서 복수의 구성 위젯은 차원 축소 위젯, 클러스터링 위젯, 좌표 구성 위젯, 색상 스케일 구성 위젯, 다수의 색상 스케일 구성 위젯, 산점도 구성 위젯, 관심 영역 목록 조작 모듈 또는 동적 필터링 슬라이더 위젯 중 적어도 하나를 포함한다.
이들 실시형태들 중 일부에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 1004K 에서 차원 축소 위젯과의 제1 상호작용으로부터, 생물학적 샘플의 제1 데이터세트에 대한 다수의 주성분 분석(PCA) 성분들을 수신하는 단계를 포함할 수 있다. 이들 바로 앞의 실시형태들 중 일부에서, 생물학적 샘플과 상관된 제1 데이터세트의 차원은 주성분 분석 성분의 수에 적어도 부분적으로 기초하여 1006K에서 감소될 수 있다.
추가로 또는 대안으로, 생물정보학 파이프라인 뷰를 구성하는 단계는, 1008K 에서 클러스터링 위젯과의 제2 상호작용으로부터, 생물학적 샘플의 제1 데이터세트에 대한 루뱅 클러스터링 파라미터 값을 수신하는 단계를 포함할 수 있다. 생물학적 샘플의 적어도 일부는 일부 실시형태에서 적어도 루뱅 클러스터링 파라미터 값에 적어도 부분적으로 기초하여 제1 데이터세트를 처리함으로써 1010K 에서 하나 이상의 클러스터로 클러스터링될 수 있다.
일부 실시형태에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 좌표 구성 위젯과의 제3 상호작용으로부터, 1012K 에서, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 좌표계를 결정하는 단계를 포함할 수 있으며, 여기서 제3 상호작용은 UMAP(Uniform Manifold Approximation and Projection) 또는 PCA(주성분 분석)를 포함하는 복수의 옵션으로부터 좌표계를 선택한다.
일부 실시형태에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 컬러 스케일 구성 위젯과의 제4 상호작용으로부터, 1014K 에서, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 컬러 스케일을 결정하는 단계를 포함할 수 있으며, 여기서 제4 상호작용은 선형 컬러 스케일 또는 대수 컬러 스케일을 포함하는 복수의 옵션으로부터 컬러 스케일을 선택한다.
일부 실시형태에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 컬러 스케일 수 구성 위젯과의 제5 상호작용으로부터, 1016K 에서, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 컬러 스케일들의 수를 결정하는 단계를 포함할 수 있으며, 여기서 제5 상호작용은 단일 컬러바 또는 다수의 컬러바들을 포함하는 복수의 옵션으로부터 컬러 스케일들의 수를 선택한다.
일부 실시형태에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 산점도 구성 위젯과의 제6 상호작용으로부터, 1018K 에서, 생물정보학 파이프라인 뷰의 제1 데이터세트의 적어도 일부를 제시하기 위한 하나 이상의 산점도 옵션들을 결정하는 단계를 포함할 수 있으며, 여기서 제6 상호작용은 복수의 산점도 옵션들로부터 하나 이상의 산점도 옵션들을 선택한다.
일부 실시형태에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는, 관심 영역 목록 조작 모듈과의 제7 상호작용으로부터, 1020K 에서, 제1 데이터세트에 대한 관심 영역의 하나 이상의 목록에 대한 하나 이상의 옵션을 결정하는 단계를 포함할 수 있으며, 여기서 제7 상호작용 제1 목록 선택 모드 옵션, 제2 목록 선택 모드 옵션, 또는 관심 영역의 하나 이상의 목록에 대한 식별자 옵션을 포함하는 복수의 옵션으로부터 하나 이상의 옵션을 선택한다.
일부 실시형태에서, 생물정보학 파이프라인 뷰를 구성하는 것은 1022K에서 생물정보학 파이프라인 뷰에서 생물학적 샘플에 대한 제1 데이터세트의 적어도 일부에 대한 그래픽 표현을 식별하는 것; 및 1024K에서, 생물학적 샘플에 대한 제1 데이터 세트의 적어도 일부에 대한 그래픽 표현을 위해 동적으로 생성된 범위와 연관된 동적 필터링 슬라이더 위젯을 동적으로 생성하는 것을 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 생물정보학 파이프라인 뷰를 구성하는 단계는 1026K 에서 동적 필터링 슬라이더 위젯과의 제8 상호작용으로부터 동적 필터링 슬라이더 위젯의 동적으로 생성된 범위와의 제8 상호작용에 적어도 부분적으로 기초하여 동적 값을 결정하는 단계를 포함할 수 있다. 이들 실시형태에서, 생물학적 샘플에 대한 제1 데이터세트의 적어도 일부에 대한 그래픽 표현은 동적으로 생성된 범위와의 제8 상호작용에 적어도 부분적으로 기초하여 결정되는 동적 값에 응답하여 1028K에서 동적으로 리프레시될 수 있다.
도 11a-1 은 하나 이상의 실시형태에서 다중 챔버를 갖는 미세유체 디바이스를 사용하여 생물학적 샘플을 분석하기 위한 방법 및/또는 시스템의 다른 고수준 흐름도를 예시한다. 이러한 하나 이상의 실시형태에서, 연관된 데이터를 배열 및 디스플레이하는 단계는 미세유체 디바이스의 관심 영역에서 제1 시점에서 생물학적 샘플의 제1 카운트를 결정하는 단계를 포함할 수 있고, 제1 카운트를 결정하는 단계는 1102A 에서 미세유체 디바이스의 관심 영역에 대한 제1 시점에서 캡처된 제1 이미지 데이터를 수신하는 것을 포함한다. 제1 이미지 데이터는 적어도 제1 이미지 데이터를 제1 픽셀 정보 X 제2 픽셀 정보 X 픽셀 깊이 정보의 어레이로 배열함으로써 제1 사전 처리된 이미지 데이터로 1104A 에서 사전 처리될 수 있다.
이들 실시형태들 중 일부에 있어서, 제1 카운트를 결정하는 단계는 1106A 에서 적어도 제1 이미지 데이터 또는 제1 사전 처리된 이미지 데이터를 적어도 머신 러닝 모델을 사용하여 제1 클래스 또는 유형으로 분류함으로써 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계를 더 포함할 수 있다. 이들 바로 선행하는 실시형태들 중 일부에 있어서, 제1 이미지 데이터의 제1 클래스 또는 유형은 적어도 제1 이미지 데이터 또는 제1 사전 처리된 이미지 데이터를 적어도 머신 러닝 모델을 사용하여 제1 클래스 또는 유형으로 분류함으로써 1106A 에서 결정될 수 있다.
일부 실시형태에 있어서, 제1 클래스 또는 유형을 결정하는 단계는, 적어도 콘볼루션 신경망의 제1 처리 블록을 사용하여 복수의 저레벨 특징을 처리하는 단계를 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 제1 클래스 또는 유형을 결정하는 단계는 제1 클래스 또는 유형 또는 제1 클래스 또는 유형에 대응하는 제1 통계를 결정하는 단계를 더 포함할 수 있고, 여기서 제1 통계는 제1 이미지 데이터에서의 하나 이상의 픽셀이 대응하는 생물학적 샘플 특성을 나타내는 제 1 확률을 포함한다.
관심 영역에 있는 생물학적 샘플의 제1 카운트는 콘볼루션 신경망 (CNN) 을 사용하여 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 1108A 에서 결정될 수 있다. 제1 카운트와 상관된 텍스트 또는 그래픽 정보는 그래픽 사용자 인터페이스(GUI)의 갤러리 뷰에서 관심 영역에 대해 1110A 에서 표시될 수 있다.
일부 실시형태에 있어서, 콘볼루션 신경망의 콘볼루션 층은 1 X 1 보다 큰 필터 크기를 가지므로 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않는다. 추가로 또는 대안으로, 콘볼루션 신경망은 풀링 층을 포함하지 않는다.
일부 실시형태에 있어서, CNN 내의 다수의 처리 블록은 제1 처리 블록, 제2 처리 블록, 및 제3 처리 블록을 포함하고, 제1 처리 블록은 제1 다운샘플링된 이미지 데이터로 제2 다운 샘플링 블록으로 제1 입력을 다운샘플링하는 제1 다운샘플링 블록을 포함한다. 이들 실시형태 중 일부에 있어서, 제1 처리 블록은 제1 잔차 네트워크를 포함할 수 있고, 여기서 제1 잔차 네트워크는 제1 다운샘플링 블록을 따르고, 제1 다운샘플링 블록 및 제1 처리 블록의 제1 잔차 네트워크 각각은 적어도 하나의 제1 콘볼루션 층을 포함한다.
추가로 또는 대안으로, 제1 잔차 네트워크는 제1 평행 경로 및 제2 평행 경로를 포함하고, 둘 다 제1 다운샘플링 블록으로부터 제1 다운샘플링 블록 출력을 수신하고, 제1 평행 경로는 제1 필터 크기를 포함하고, 제2 평행 경로는 제1 평행 경로의 제1 필터 크기보다 작은 제2 필터 크기를 포함한다.
일부 실시형태에 있어서, 다수의 처리 블록들은 각각의 정규화 층이 각각에 뒤따르는 다수의 전치 콘볼루션 층들을 더 포함하는 제4 처리 블록을 더 포함한다. 이들 실시형태 중 일부에 있어서, 전치 콘볼루션 층들의 수 중 전치 콘볼루션 층은 제1 처리 블록의 적어도 하나의 제1 콘볼루션 층 또는 제2 처리 블록의 적어도 하나의 제2 콘볼루션 층와 동일한 스트라이드 (stride) 번호를 갖는다.
일부 실시형태에서, 생물학적 샘플을 분석하는 방법은 먼저 미세유체 디바이스 내의 다수의 관심 영역 내의 생물학적 샘플의 분석을 식별할 수 있다. 또한 그 분석과 상관된 타임라인을 식별할 수 있다. 분석의 일부 예들은 일부 실시형태에서 미세유체 디바이스를 사용하는 복수의 생물학적 샘플에 대한 어세이 분석, 시퀀싱 분석 등을 제한 없이 포함할 수 있다.
타임라인은 생물학적 샘플 분석의 워크플로우 또는 파이프라인과 시간적으로 정렬되는 정보를 포함할 수 있다. 하나 이상의 관심 영역 유형은 다중 관심 영역에 대해 결정될 수 있으며, 여기서 하나 이상의 관심 영역 유형은 생물학적 샘플들 중 적어도 하나의 생물학적 샘플과 상관된 타겟 기반 유형 또는 미세유체 디바이스와 상관된 구조 기반 유형을 포함한다.
여기에 설명된 바와 같이, 관심 영역은 일부 실시형태들에서 관심 있는 생물학적 샘플의 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등 (예를 들어, 관심 영역에 있는 세포의 직경과 상관된 측정되거나 도출된 직경 또는 통계적 측정, 관심 영역에 있는 유전자들의 카운트, 관심 영역에 대해 배양된 세포들의 카운트, 관심 영역에서 익스포트된 세포의 카운트 또는 백분율 등) 에 속하는 타겟 기반 영역을 포함할 수 있다. 관심 영역은 또한 일부 실시형태에서 미세유체 디바이스 또는 이의 임의의 부분의 하나 이상의 속성, 특성, 특징 및/또는 정량화 가능한 메트릭 등 (예를 들어, 미세유체 디바이스 또는 그것의 부분의 구조적 양태에 대한 특성 등) 에 속하는 구조 기반 관심 영역을 포함할 수 있다.
하나 이상의 관심 영역 유형이 결정되면, 속성, 특성, 특징 또는 정량화 가능한 메트릭이 하나 이상의 관심 영역 유형에 적어도 부분적으로 기초하여 1108A에서 결정될 수 있다. 전술한 실시형태에서, 타겟 기반 관심 영역에 대해 타겟 기반 속성, 특성, 특징 또는 정량화 가능한 메트릭이 결정될 수 있다. 추가로 또는 대안으로, 구조 기반 관심 영역에 대해 구조 기반 속성, 특성, 특징, 또는 정량화 가능한 메트릭이 결정될 수 있다.
다중 관심 영역에 각각 대응하는 관련 데이터는 타임라인 및 속성, 특성, 특징 또는 정량화 가능한 메트릭에 적어도 부분적으로 기초하여 생물학적 샘플의 적어도 일부에 대한 사용자 인터페이스에 1110A에서 배열 및 디스플레이될 수 있다. 연관된 데이터의 이러한 배열 및 디스플레이의 예는 예를 들어 도 6c 의 갤러리 뷰, 예를 들어 도 5a 의 소형화된 갤러리 뷰, 예를 들어, 도 4a 의 칩 타임라인 뷰, 예를 들어 도 7h 의 시퀀싱 그래프, 또는 임의의 다른 뷰 또는 그래프를 포함할 수 있다.
도 11a-2 는 하나 이상의 실시형태들에서 도 11a-1 에 도시된 고수준 흐름도의 일부에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 11a-2는 도 11a-1 의 1108A에서 제1 카운트를 결정하는 것에 대한 더 많은 세부사항을 예시한다. 이들 하나 이상의 실시형태에 있어서, 제1 카운트를 결정하는 단계는 1112A 에서 적어도 제2 평행 경로를 따른 제3 스트라이드를 갖는 제3 차원을 갖는 제3 콘볼루션 커널로 제1 다운샘플링 블록 출력을 처리함으로써 제1 이미지 데이터를 처리함에 있어서 공간 정보의 제1 손실을 감소시키는 단계를 포함할 수 있고, 여기서 제 3 차원은 제 1 차원 및 제 2 차원보다 작고, 제 3 스트라이드는 제 1 스트라이드보다 작다.
이들 실시형태 중 일부에 있어서, 제1 처리 블록은 제2 활성화 층이 뒤따르는 제1 재조합 층을 더 포함할 수 있고, 여기서 제1 재조합 층은 제1 평행 경로 및 제2 평행 경로 모두에 작동 가능하게 연결된다. 일부 실시형태에 있어서, 다중 처리 블록은 제2 다운샘플링 블록에 대한 제2 입력을 제2 다운샘플링된 이미지 데이터로 다운샘플링하는 제2 다운샘플링 블록; 및 제2 다운샘플링 블록을 뒤따르는 제2 잔차 네트워크를 더 포함하는 제2 처리 블록을 더 포함하고, 여기서 제2 처리 블록의 제2 다운샘플링 블록 및 제2 잔차 네트워크 각각은 적어도 하나의 제2 콘볼루션 층을 포함한다.
이들 실시형태 중 일부에 있어서, 제2 다운샘플링 블록은 제4 차원 및 제4 깊이에 대한 제4 스트라이드를 갖는 제4 콘볼루션 커널을 포함하고, 제4 차원은 1x1보다 크고, 제4 스트라이드는 1보다 크다. 바로 선행하는 실시형태 중 일부에 있어서, 제2 콘볼루션 커널은 제2 배치 정규화 층이 후속되고, 그것은 제2 다운샘플링 블록에서의 제3 활성화 층이 더 후속된다. 추가로 또는 대안으로, 제2 잔차 네트워크는 제3 평행 경로 및 제4 평행 경로를 포함하고, 이들 양자 모두는 제2 다운샘플링 층으로부터 제2 다운샘플링 블록 출력을 수신하고, 제4 평행 경로는 제3 평행 경로의 제 2 의 더 큰 필터 크기보다 작은 제 2 의 더 작은 필터 크기를 포함한다. 또, 이들 실시형태들 중 일부에서 제3 평행 경로는 적어도 제5 차원 및 제5 깊이에 대한 제5 스트라이드를 갖는 복수의 제2 콘볼루션 커널을 포함하고, 제5 차원은 제4 차원보다 낮고 1x1보다 크고, 제5 스트라이드는 제4 스트라이드보다 작다.
일부 실시형태에 있어서, 제1 카운트를 결정하는 단계는 1114A 에서 적어도 제4 평행 경로를 따른 제6 스트라이드를 갖는 제6 차원을 갖는 제6 콘볼루션 커널로 제2 다운샘플링 블록 출력을 처리함으로써 공간 정보의 제2 손실을 감소시키는 단계를 더 포함할 수 있고, 여기서 제 6 차원은 제 4 차원 및 제 5 차원보다 작고, 제 6 스트라이드는 제 4 스트라이드보다 작다. 이들 실시형태에 있어서, 제2 처리 블록은 제4 활성화 층이 뒤따르는 제2 재조합 층을 더 포함하고, 제2 재조합 층은 제3 평행 경로 및 제4 평행 경로 모두에 작동 가능하게 연결된다.
이들 실시형태 중 일부에 있어서, 다수의 처리 블록은 제3 다운샘플링 블록에 대한 제3 입력을 제3 다운샘플링된 이미지 데이터로 다운샘플링하는 제3 다운샘플링 블록; 및 제3 다운샘플링 블록을 뒤따르는 제3 잔차 네트워크를 더 포함하는 제3 처리 블록을 더 포함하고, 여기서 제3 처리 블록의 제3 다운샘플링 블록 및 제2 잔차 네트워크 각각은 적어도 하나의 제3 콘볼루션 층을 포함한다.
바로 선행하는 실시형태 중 일부에 있어서, 제3 다운샘플링 블록은 제7 차원 및 제7 깊이에 대한 제7 스트라이드를 갖는 제7 콘볼루션 커널을 포함하고, 제7 차원은 1x1보다 크고, 제7 스트라이드는 1보다 크다. 추가로 또는 대안으로, 제7 콘볼루션 커널은 제3 배치 정규화 층이 후속되고, 그것은 제3 다운샘플링 블록에서의 제5 활성화 층이 더 후속된다.
더구나, 제3 잔차 네트워크는 제5 평행 경로 및 제6 평행 경로를 포함할 수 있고, 이들 양자 모두는 제3 다운샘플링 층으로부터 제3 다운샘플링 블록 출력을 수신하고, 제6 평행 경로는 일부 실시형태에서 제5 평행 경로의 제3 더 큰 필터 크기보다 작은 제3 더 작은 필터 크기를 포함하고, 제5 평행 경로는 깊이 값에 대해 적어도 제8 차원 및 제8 스트라이드를 갖는 복수의 제8 콘볼루션 커널을 포함하고, 제8 차원은 제7 차원보다 낮고, 1 X 1 보다 크고, 제8 스트라이드는 제7 스트라이드보다 보다 작다.
일부 실시형태에서, 제1 카운트를 결정하는 단계는, 1116A 에서, 적어도 제3 다운샘플링 블록 출력을 제6 평행 경로를 따른 제9 스트라이드를 갖는 제9 차원을 갖는 제9 콘볼루션 커널로 처리함으로써 공간 정보의 제3 손실을 감소시키는 단계를 더 포함할 수 있으며, 여기서 제9 차원은 제7 차원 및 제8 차원보다 더 작고, 제9 스트라이드는 제7 스트라이드보다 작고, 제3 처리 블록은 제6 활성화 층이 뒤따르는 제3 재결합 층을 더 포함하고, 제3 재결합 층은 제5 평행 경로 및 제6 평행 경로 양자 모두에 동작가능하게 커플링된다.
이들 실시형태 중 일부에 있어서, 다수의 처리 블록은 각각의 정규화 층에 의해 각각 후속되는 다수의 전치 콘볼루션 층을 더 포함할 수 있는 제4 처리 블록을 더 포함하고, 여기서 그 다수의 전치 콘볼루션 층들 중의 전치 콘볼루션 층은 제1 처리 블록의 적어도 하나의 제1 콘볼루션 층 또는 제2 처리 블록의 적어도 하나의 제2 콘볼루션 층와 동일한 스트라이드 (stride) 수를 갖는다. 일부 이들 바로 선행하는 실시형태에 있어서, 전치 콘볼루션 층들의 수는 제1 및 제2 처리 블록의 콘볼루션 층들의 총 수보다 1 이 작은 값에 대응한다.
일부 실시형태에 있어서, 콘볼루션 신경망의 콘볼루션 층은 1 X 1 보다 큰 필터 크기를 가지므로 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않는다. 추가로 또는 대안으로, 콘볼루션 신경망은 풀링 층들을 포함하지 않고; 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 사전 처리하는 단계는 관심 영역 또는 제1 이미지 데이터의 유형에 적어도 부분적으로 기초하여 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 적어도 감소시키는 단계를 포함하고, 여기서 제 1 이미지 데이터의 유형은 생물학적 샘플을 분석하기 위해 제 1 이미지 데이터가 캡처되는 동작에 대응하고, 그 동작은 익스포트 (export) 동작 또는 임포트 (import) 동작을 포함한다.
일부 실시형태에서, 제1 카운트를 결정하는 것은 1118A에서 생물학적 샘플의 제1 기하학적 특성 및 관심 영역의 제2 기하학적 특성에 적어도 부분적으로 기초하여 제1 이미지 데이터에 대한 픽셀 크기를 결정하는 것을 더 포함할 수 있으며, 여기서 생물학적 샘플의 제1 기하학적 특성은 생물학적 샘플의 직경, 장경, 단경 또는 면적을 포함하고, 관심 영역의 제2 기하학적 특성은 관심 영역 또는 그것의 일부의 폭 또는 길이를 포함한다.
이들 실시형태 중 일부에서, 제1 카운트의 결정을 위한 제1 클래스 또는 유형을 결정하는 단계는 1120A에서 적어도 콘볼루션 신경망의 제1 처리 블록을 사용함으로써 복수의 저수준 특징을 처리하는 단계; 1122A에서, 콘볼루션 신경망의 적어도 제3 처리 블록을 사용하여 복수의 추상 특징을 처리하는 단계; 및 1124A에서, 제1 클래스 또는 유형 또는 제1 클래스 또는 유형에 대응하는 제1 통계를 결정하는 단계를 더 포함할 수 있고, 여기서 제1 통계는 제1 이미지 데이터의 하나 이상의 픽셀이 대응하는 생물학적 샘플 특성을 나타내는 제1 확률을 포함한다.
도 11b-1 및 도 11b-2 는 하나 이상의 실시형태들에서 도 11a-1 에 도시된 고수준 흐름도의 일부에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 11b-1 및 11b-2는 도 11a-1에 예시된 생물학적 샘플(1108A)의 제1 카운트를 결정하는 것에 대한 자세한 내용을 예시한다. 이들 하나 이상의 실시형태들에 있어서, 제1 카운트를 결정하는 단계는 1102B 에서 적어도 다수의 처리 블록을 갖는 콘볼루션 신경망(CNN)을 사용하여 관심 영역에 대한 제2 시점 또는 기간에 캡처된 제2 이미지 데이터로부터 생물학적 샘플의 제2 카운트를 결정하는 단계를 포함할 수 있다. 관심 영역의 비디오 또는 이미지 시퀀스는 1104B 에서 적어도 그래픽 사용자 인터페이스(GUI)의 갤러리 뷰에서 제1 이미지 데이터의 일부 및 제2 이미지 데이터의 일부를 순차적으로 렌더링함으로써 재생될 수 있다.
추가로 또는 대안으로, 생물학적 샘플의 제2 카운트를 결정하는 단계는 1106B 에서 미세유체 디바이스에서 관심 영역에 대한 제1 시점에서 캡처된 제2 이미지 데이터를 수신하는 단계; 및 1108B 에서 적어도 상기 제2 이미지 데이터를 상기 제1 픽셀 정보 X 상기 제2 픽셀 정보 X 상기 픽셀 깊이 정보의 배열로 배열하여 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 사전 처리하는 단계를 포함할 수 있다. 이들 실시형태에 있어서, 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 사전 처리하는 단계는 관심 영역 또는 제2 이미지 데이터의 유형에 적어도 부분적으로 기초하여 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 적어도 감소시키는 단계를 포함하고, 여기서 제 2 이미지 데이터의 유형은 생물학적 샘플을 분석하기 위해 제 2 이미지 데이터가 캡처되는 별개의 동작에 대응하고, 그 별개의 동작은 익스포트 동작, 임포트 동작, 별개의 익스포트 동작, 별개의 임포트 동작을 포함한다.
일부 실시형태에 있어서, 제2 카운트를 결정하는 단계는, 1110B 에서 적어도 머신 러닝 모델을 사용하여 제2 이미지 데이터를 제1 클래스 또는 유형으로 분류하는 단계; 및 1112B 에서 적어도 다중 처리 블록을 갖는 콘볼루션 신경망으로 생물학적 샘플을 인식함으로써 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 관심 영역의 제2 시점에서 생물학적 샘플의 제2 카운트를 결정하는 단계를 더 포함할 수 있다. 이들 실시형태 중 일부에서, 제2 카운트를 결정하는 것은 1114B에서, 제1 이미지 데이터로부터 하나 이상의 제1 이미지를 결정하는 것을 더 포함할 수 있으며, 하나 이상의 제1 이미지는 제1 카운트와 상관되고 제1 시점 또는 시간 주기에 시간적으로 대응하는 제1 정보를 포함한다. 또한, 하나 이상의 제2 이미지가 1116B에서 제2 이미지 데이터로부터 결정될 수 있으며, 하나 이상의 제2 이미지는 제2 카운트와 상관되고 제2 시점 또는 시간 주기에 시간적으로 대응하는 제2 정보를 포함하고; 생물학적 샘플의 적어도 일부의 시간적 진행은 적어도 하나 이상의 제1 이미지와 하나 이상의 제2 이미지를 그래픽 사용자 인터페이스에서 시간적 순서로 동적으로 렌더링함으로써 1118B에서 제시될 수 있다.
도 12a 내지 도 12f 는 하나 이상의 실시형태들에 따른 일부 예시적인 마이크로-객체 분리 예들을 예시한다. 더욱 구체적으로는, 일단 정점들의 세트가 컴퓨팅되었다면, 정점들의 세트는 OET 및/또는 DEP 힘과 함께 사용되어 마이크로-객체를 이동시킬 수 있다. 도 12a 내지 도 12f 는 본 발명의 여러 실시형태들에 따른 마이크로-객체 분리를 예시한다. 도 12a 는 특정된 공간 영역 내의 마이크로-객체 세트의 델로네 삼각 분할 및 대응하는 보로노이 다이어그램을 도시한다. 도 12b 는 델로네 삼각 분할이 없는 대응하는 보로노이 다이어그램을 도시한다. 도 12c 는 보로노이 다이어그램 위에 겹쳐진 마이크로-객체를 이동시키는데 일반적으로 사용되는 광 케이지를 도시한다. 도 12d 는 도 12c 의 전형적인 광 케이지와 보로노이 다이어그램 사이의 교차점을 계산함으로써 생성된 변경된 광 케이지를 도시한다. 도 12e 는 변경된 광 케이지를 사용하여 서로 근접한 마이크로-객체의 분리를 도시한다. 도 12f 는 분리된 마이크로-객체를 도시한다.
일 실시형태에서, 하나 이상의 광 케이지는 정점들의 세트의 정점들의 서브 세트를 링크하는 복수의 광 바를 생성함으로써 생성되며, 여기서 정점들의 서브 세트는 이동될 각 마이크로-객체에 가장 근접하고 그것을 둘러싸는 정점을 포함한다 (또는 정점들로 이루어진다). 예를 들어, 도 12b 에 도시된 다각형 형상들 중 임의의 것은 마이크로-객체를 둘러싸는 광 케이지를 정의하는 데 사용될 수 있다. 특정 실시형태들에서, 이러한 방식으로 형성된 광 케이지는 수축되어 광 케이지 내의 마이크로-객체를 특정 공간 영역 내의 다른 마이크로-객체 및/또는 광 케이지로부터 분리할 수 있다. 다른 실시형태에서, 광 케이지는 "표준" 광 케이지 디자인(예를 들어, 정사각형 또는 원형)을 다각형 형상에 중첩하고 (도 12c 참조), 도 12d에 도시된 바와 같이, 표준 광 케이지 디자인과 다각형 형상의 교차로부터 생성되는 광 케이지를 생성함으로써 정의될 수 있다. 이 예에서 정점과 광 케이지의 교차는 광 케이지가 교차하거나 중첩되지 않는 영역으로 정의되어, "표준" 광 케이지가 다른 마이크로-객체와 간섭하지 않도록 다시 그려지는 것을 허용한다. 형성 방법에 관계없이, 일단 형성되면, 광 케이지는 서로 멀리 떨어지게 마이크로-객체를 이동시킴으로써 마이크로-객체를 재포지셔닝함으로써 마이크로-객체를 분리하는데 사용될 수 있다. 경우에 따라, 변경된 광 케이지는 마이크로-객체가 최종 위치에 있을 때 오리지날 광 케이지가 그려지도록 마이크로-객체가 재포지셔닝됨에 따라 다시 그려질 수도 있다.
비표준 (또는 "변경된") 광 케이지는 다양한 실시형태들에서 마이크로-객체를 재포지셔닝하는데 사용될 수도 있다. 실시형태들에 따라, 2 개의 근접한 마이크로-객체에 대한 변경된 광 케이지는 각 마이크로-객체에 대한 격리 펜으로의 궤적 및 할당을 계산하고 선택하기 전 또는 후에 마이크로-객체를 재포지셔닝하는데 사용된다. 일부 실시형태들에서, 변경된 광 케이지는 반복적으로 또는 순차적으로 마이크로-객체를 재포지셔닝하는데 사용된다. 또한, 변경된 광 케이지는 그들의 할당된 격리 펜에서 마이크로-객체를 페닝하는 데 사용될 수도 있다. 일부 실시형태들에서, 공간 영역의 외주에 가장 가깝거나 공간에서 함께 가장 가깝게 있는 마이크로-객체는 다른 마이크로-객체를 재포지셔닝 또는 페닝하기 전에 재포지셔닝되거나 패닝될 수도 있다.
도 13a 는 하나 이상의 실시형태에 따른 콘볼루션 신경망의 단순화된 개략도를 도시한다. 도 14a 내지 도 14c 는 다양한 실시형태들에 따른 잔차 네트워크, 다운 샘플링 블록 및 업 샘플링 블록의 개략도를 도시한다. 도 14d 내지 도 14g는 하나 이상의 실시형태에서 콘볼루션 신경망에 대한 더 많은 세부사항을 예시한다. 다양한 실시형태에서, 예를 들어, 도 13a 의 신경망 (1300A) 에 의해 도시된 바와 같이, 콘볼루션 신경망 (또는 CNN) 이 제공된다. 예시적인 신경망과 관련된 추가 세부사항은 도 14a 내지 도 14g 에 도시되어 있고, 이러한 실시형태를 설명함에 있어서 참조 목적으로만 사용될 수 있으며, 이는 도 14a 내지 도 14g 에 의해 캡처된 CNN 특징들은 도 13a 의 예시된 네트워크와 또는 본 명세서의 다양한 다른 실시형태와 결합하여 사용될 수 있기 때문이다.
CNN을 프로그래밍할 때 입력은 모양 (이미지 수) x (이미지 높이) x (이미지 너비) x (이미지 깊이) 의 텐서 (tensor) 이다. 그런 다음 콘볼루션 층을 통과한 후 이미지는 모양 (이미지 수) x (특징 맵 높이) x (특징 맵 너비) x (특징 맵 채널) 의 특징 맵으로 추상화된다. 콘볼루션 층은 입력을 컨벌루션하고 그 결과를 특정 자극에 대한 시각 피질의 뉴런 반응과 유사한 방식으로 다음 계층로 전달한다. 완전 연결된 피드포워드 신경망을 사용하여 특징들을 학습하고 데이터를 분류할 수 있지만 이 완전 연결된 피드포워드 신경망 아키텍처를 이미지에 적용하는 것은 비현실적이고 엄청나게 비싸다.
보다 구체적으로, 각 픽셀이 관련 변수인 이미지와 연관된 매우 큰 입력 크기로 인해, 심지어 얕은(깊은 것과 반대되는) 네트워크 아키텍처에서도, 매우 많은 수의 뉴런이 필요할 수 있다. 예를 들어, 100(픽셀) x 100(픽셀) 크기의 (작은) 이미지에 대한 완전 연결 계층은 제2 계층의 각 뉴런에 대해 10,000개의 가중치를 갖는다. 콘볼루션 연산은 콘볼루션이 자유 매개변수의 수를 줄여 네트워크가 더 적은 매개변수로 더 깊어지도록 하기 때문에 바로 이 문제를 해결하는 솔루션을 제공한다. 예를 들어, 이미지 크기에 관계없이 동일한 공유 가중치를 각각 가진 5 x 5 크기의 영역들을 타일링하는 것은 25개의 학습 가능한 매개변수만 필요하다. 더 적은 수의 매개변수에 대해 정규화된 가중치를 사용함으로써, 기존 신경망에서 역전파 중에 나타나는 그라디언트 소멸 및 그라디언트 폭발 문제를 피할 수 있다.
또한, 콘볼루션 층에서 뉴런은 이전 계층의 제한된 하위 영역에서만 입력을 받는다. 일반적으로 하위 영역은 정사각형 모양(예를 들어, 크기 5 x 5)이다. 일부 실시형태에서, 하위 영역은 종래의 콘볼루션과 같은 정사각형이 아닌 직사각형 형상을 갖는다. 뉴런의 입력 영역은 뉴런의 수용장으로서 지칭될 수 있다. 따라서 완전 연결 계층에서 수용장은 전체 이전 계층이다. 여기에 설명된 콘볼루션 층에서 수용 영역은 전체 이전 계층보다 작다. 일부 실시형태에서 여기에 설명된 더 깊은 콘볼루션 신경망에서, 수용장의 원래 입력 이미지의 하위 영역은 특정 픽셀뿐만 아니라 일부 주변 픽셀들의 값을 고려하는 콘볼루션의 반복된 적용으로 인해 콘볼루션 신경망 아키텍처에서 더 깊어짐에 따라 점점 더 커지고 있다.
일부 실시형태에서 뉴런을 이전 볼륨의 모든 뉴런에 연결하는 것은 비실용적일 수 있으며, 그 이유는 이러한 네트워크 아키텍처는 이미지와 같은 고차원 입력을 처리할 때 데이터의 공간 구조를 고려하지 않기 때문이다. 이러한 실시형태에서, 콘볼루션 신경망은 인접 계층의 뉴런들 사이에 희소 로컬 연결 패턴을 시행함으로써 공간적으로 로컬 상관관계를 이용할 수 있다: 각 뉴런은 입력 볼륨의 작은 영역에만 연결된다. 이 연결의 정도는 뉴런의 하이퍼파라미터(예를 들어, 수용장)에 대응한다. 연결들은 (너비와 높이를 따라) 공간에서 로컬이며 입력 볼륨의 전체 깊이를 따라 확장된다. 이러한 콘볼루션 신경망 아키텍처는 학습된 필터가 이러한 실시형태에서 공간적으로 국부적인 입력 패턴에 대한 가장 강한 응답을 생성하는 것을 보장한다.
콘볼루션 층의 파라미터는 작은 수용장을 갖지만 입력 볼륨의 전체 깊이를 통해 확장되는 학습가능 필터들 (또는 커널들) 의 세트를 포함한다. 순방향 패스 동안, 각 필터는 일부 실시형태들에서 입력 볼륨의 너비와 높이에 걸쳐 콘볼빙되어 필터 및 입력의 엔트리들 사이의 내적을 컴퓨팅하고 해당 필터의 2 차원 활성화 맵을 생성할 수 있다. 이들 실시형태들에서, 콘볼루션 신경망은 입력의 일부 공간 위치에서 일부 특정 유형의 피쳐를 검출할 때 활성화되는 학습가능 필터들의 세트를 학습한다.
게다가, 깊이 디멘젼을 따라 모든 필터에 대한 활성화 맵을 적층하는 것은 콘볼루션 층의 전체 출력 볼륨을 형성한다. 따라서, 출력 볼륨의 모든 엔트리는 또한, 입력의 작은 영역을 보고 동일한 활성화 맵의 뉴런과 파라미터를 공유하는 뉴런의 출력으로 해석될 수 있다.
도 13a 에서, 신경망 (1300A) 은 연관된 제 1 (1320A), 제 2 (1340A) 및 제 3 (1360A) 처리 블록들 (또는 잔차 네트워크 블록) 을 갖는 제 1 다운 샘플링 블록 (1310A), 제 2 다운 샘플링 블록 (1330A) 및 제 3 다운 샘플링 블록 (1350A) 을 포함한다. 제 1 다운 샘플링 블록 (1310A) 은 입력 이미지 (1301A) 를 수신한다. 도시된 바와 같이, 각각의 다운 샘플링 블록은 그의 연관된 처리 (또는 잔차) 블록이 뒤따를 수 있다. 처리 (또는 잔차) 블록은 아래에서 상세히 논의되는 바와 같이 단일 또는 다중 분기될 수 있다.
CNN은 복수의 다운샘플링 블록 (예를 들어, 도 13a 에서 세 개) 을 포함할 수 있으며, 여기서 각각의 다운샘플링 블록은 다운샘플링 콘볼루션 층(Conv), 배치 정규화(norm) 층, 및 게이팅 기능을 포함하는 활성화 층을 포함할 수 있다.
도 14b 는 입력 (1471B) 을 수용하고 출력 (1479B) 을 제공하고, 커널 크기 DxD 를 갖는 Conv (1474B), 배치 놈 층 (1476B) 및 활성화 층 (1478B) 을 포함하는 다운 샘플링 블록의 예를 도시한다. 활성화 층은, 예를 들어, ELU (exponential linear unit) 층 또는 ReLU(rectified linear unit)층일 수 있다. 다양한 실시형태들에서, 활성화 층은 다운 샘플링 콘볼루션 층으로부터 직접 이미지 데이터를 수신하는 배치 놈 층으로부터 직접적으로 이미지 데이터를 수신한다. 다운 샘플링 콘볼루션 층은 그것이 수신하는 이미지 데이터의 공간 해상도를 감소시키도록 기능할 수 있다. 이것은 도 14d 내지 도 14g 를 참조하여 더 상세히 설명될 것이다.
처리 블록들 (또는 잔차 네트워크 블록) 은 단일 브랜치 처리 블록 또는 다중 브랜치 처리 블록일 수 있으며, 여기서 각각의 브랜치는 선행하는 다운 샘플링 블록으로부터의 출력을 처리하고, 그 다음 최종 출력에 추가의 다운 샘플링, 또는 업샘플링을 위해 다운 샘플링된 활성화 맵을 생성하기 위해 양 브랜치들의 출력을 결합한다.
도 14b 는 업스트림 다운 샘플링 블록 (도시 생략, 도 19 와 관련된 논의를 참조) 으로부터 (예를 들어, 활성화 맵의 형태로) 입력 (1405A) 을 수용하도록 구성된 다중 분기 처리 블록 (1400A) (또는 잔차 네트워크 블록) 의 예를 도시한다. 블록 (1400A) 은 제 1 분기 (1410A) 와 제 2 분기 (1440A) 를 포함한다. 제 1 분기 (1410A) 는 NxN 의 커널을 갖는 제 1 콘볼루션 층 (1415A) (Conv), 제 1 Conv (1415A) 로부터 데이터를 수신하는 제 1 배치 정규화 (놈) 층 (1420A), 제 1 배치 놈 층 (1420A) 으로부터 데이터를 수신하는 (게이팅 함수를 포함하거나 게이팅 함수로서 작용할 수 있는) 제 1 활성화 층 (1425A), 제 1 활성화 층 (1425A) 을 통과하는 데이터를 수신하는, MxM 의 커널을 갖는 제 2 Conv (1430A), 및 제 2 Conv (1430A) 로부터 데이터를 수신하는 제 2 배치 놈 층 (835) 을 포함한다. Conv 1415A (NxN) 및 1430A (MxM) 의 커널은 동일한 크기를 가질 수 있거나 상이할 수 있다. 도 14d 내지 도 14f 에 도시된 바와 같이 (이하 논의 됨), 도시된 잔차 네트워크들 내의 직렬 Conv 들 (콘볼루션들) 로부터의 커널들은 동일하다 (3x3). 그럼에도 불구하고, 일반적으로 Conv 들 (1415A/1430A) 이 1x1 보다 큰 커널을 갖는 것이 바람직하다.
제 2 분기 (1440A) 는 제 3 Conv (1445A), 제 3 Conv (1445A) 로부터 데이터를 수신하는 제 3 배치 놈 층 (1450A) 및 제 3 배치 놈 층 (1450A) 으로부터 데이터를 수신하는 (게이팅 함수를 포함하거나 게이팅 함수로서 작용할 수 있는) 제 2 활성화 층 (1455A) 을 포함한다. 블록 (1400A) 은 제 2 배치 놈 층 (1435A) 으로부터의 데이터 및 제 2 활성화 층 (855) 을 통과하는 데이터 양자 모두를 수신하는 재결합 층 (1460A) 을 더 포함한다. 최종적으로, 블록 (1400A) 은 추가 프로세싱을 위해 블록 (1400A) 으로부터 출력 (1464A) 이 생성되기 전에, 재결합 층 (1460A) 으로부터 수신된 데이터에 대해 게이팅 함수로서 역할할 수 있는 블록 활성화 층 (1462A) 을 포함한다. 상술된 바와 같이, 활성화 층은 예를 들어 ELU 또는 ReLU 일 수 있다. 다양한 실시형태들에서, 활성화 층(들)은 ELU 이다.
도 14a 내지 도 14c 에서, 제 2 브랜치 (1440A) 는 선행 다운 샘플링 블록으로부터 수신된 이미지 데이터를 제 1 브랜치 (1410A) 보다 작은 정도로 처리한다. 특히, 제 1 브랜치 (1410A) 의 제 1 및 제 2 Conv (1415A/1430A) 가 전술한 바와 같이 일반적으로 1x1 보다 클 각각 NxN 및 MxM 의 필터 윈도우 를 사용하는 반면, 제 2 브랜치 (1440A) 의 제 3 Conv (1445A) 는 1x1 의 필터 윈도우 (또는 디멘젼 또는 커널) 를 사용한다. 이러한 필터 윈도우는 예를 들어 이미지 유형, 이미지 품질, 객체 유형, 객체 크기, 객체 형상, 출력 요건, 시간 제약, 스트라이드 길이 (아래에서 설명함) 및 전력/처리 자원과 같은 팩터를 고려하여 필요에 따라 필요한 대로 조정될 수 있다. 예를 들어, 제 1 및 제 2 Conv (1415A/1430A) 는 3 x 3 의 필터 창 (또는 디멘젼) 을 사용할 수 있다 (이 필터 창 크기를 보여주는 아래 도 14d-도 14g 참조).
도 14a 내지 도 14c 의 양 브랜치들은 스트라이드가 1인 Conv 들을 갖지만, 스트라이들은 다를 수도 있다. 그러나, 재조합 층 (1460A) 이 효과적 이도록 하기 위해, 제 1 브랜치 (1410A) 상의 Conv 들 (1415A/1430A) 의 스트라이드를 곱한 결과는 제 2 브랜치 (1440A) 의 Conv (1445A) 의 스트라이드와 동일할 수 있다.
활성화 단계 전에 배치 정규화 층의 삽입은 내부 공변량 시프트를 최소화하는 것을 돕는 이점을 제공한다. 배치 놈 층을 이와 같이 삽입함으로써, 그리고 확장에 의해, Conv 후에, 배치 놈은 Conv 의 출력을 정규화할 수 있으므로 활성화 단계에 정규화된 데이터를 제공하여 활성화의 보다 안정적인 분포를 허용한다. 역전파 프로세스 동안 내부 공변량 시프트를 최소화함으로써 신경망을 트레이닝하는 것이 더 높은 학습 속도 (가중치 업데이트의 정도) 를 통해 보다 적극적으로 행해질 수 있어서, CNN 이 네트워크에서의 주어진 필터에 대한 최적의 파라미터를 향해 작용함에 따라 효율성과 정확성의 손실없이 보다 빠른 CNN 학습을 야기한다.
또한, 최소 처리 정보의 분기 (예를 들어, 1x1 Conv 분기) 를 갖는 잔차 네트워크들의 추가는 트레이닝 동안 더 쉬운 학습을 허용한다. 이 최소 처리 분기는 최종 결과에 대한 이전 파라미터의 영향을 추적하는 보다 직접적인 경로를 제공한다. 결과적으로, 이 분기는 주어진 잔차 네트워크 내에서 스킵 연결 (아래에서 자세히 설명함) 과 거의 동일한 목적을 수행하여, 일부 정보가 변경되지 않은 채 네트워크를 통과할 수 있으므로 다운 샘플링 중에 손실될 수 있는 공간 정보를 손실하지 않는다.
요약하면, 따라서, 단독으로 및 배치 정규화 층과 함께 잔차 네트워크의 사용은 종래 기술에 알려진 신경망에 비해 트레이닝 동안 보다 용이하고 더 효율적인 학습을 허용한다. 이 이점은 예를 들어 다운 샘플링 중에 더 많은 공간 정보를 유지하고 내부 공변량 시프트를 최소화함으로써 성취된다. 공간 정보의 손실을 최소화하는 것은, 덜 처리된 정보가 (전술한 바와 같은 다운 샘플링 단계들 내에서, 그리고 후술되는 바와 같이 업 샘플링 단계들로 순방향으로) 신경망 프로세스 동안 순방향으로 공급되는 것을 허용하는 연결들 뿐아니라 풀링과 같은 기지의 방법에 비해 다운 샘플링 동안 더 많은 중첩을 허용하는 스트라이딩 (striding) (아래에서 자세히 설명함) 을 사용하여 또한 달성된다. 풀링 층은 한 계층의 뉴런 클러스터 출력을 다음 계층의 단일 뉴런으로 결합하여 데이터의 차원을 줄인다. 로컬 풀링은 작은 클러스터들 (예를 들어, 2 x 2) 을 결합한다. 전역 풀링은 콘볼루션 층의 모든 뉴런에 작용한다. 풀링은 최대값 또는 평균값을 계산할 수 있다. 최대값 풀링은 이전 계층의 뉴런들의 클러스터의 각각으로부터의 최대값을 사용한다. 평균 풀링은 이전 계층의 뉴런들의 클러스터의 각각으로부터의 평균 값을 사용한다. 다양한 실시형태는 하나 이상의 로컬 풀링 층, 하나 이상의 전역 풀링 층, 하나 이상의 평균 풀링 층, 하나 이상의 최대값 풀링 층, 또는 이들의 임의의 조합을 사용할 수 있다.
특히 1x1 필터 윈도우를 사용하는 (즉, 다운 샘플링되지 않은) 분기들 중 하나를 갖는 다중 분기 잔차 네트워크를 사용함으로써, 신경망은 추가의 다운 샘플링을 위해 준비되는 (선행의 Conv 로부터 다운 샘플링되지 않은) 품질 이미지 데이터를 출력하기 위해 (더 큰 커널 또는 필터 크기로 다수의 컨벌루션을 겪을 수도 있는) 다른 분기로부터의 데이터와, 재결합 층 (860) 에서, 단일 윈도우로서 모든 픽셀의 분석이 결합되는 것을 보장하기 위해 동일한 해상도를 유지하면서 선행의 Conv 로부터의 출력 데이터를 더욱 콘볼빙하는 것이 허용된다.
도 13a 로 돌아가서, 신경망 (1300A) 은 제 1 업 샘플링 블록 (1370A), 제 2 업 샘플링 블록 (1380A) 및 제 3 업 샘플링 블록 (1390A) 을 더 포함하며, 출력 (1399A) 은 제 3 업 샘플링 블록 (1390A) 에 후속한다. 각각의 업 샘플링 블록은 트랜스포즈 콘볼루션 (또는 디콘볼루션) 층, 업 샘플링 배치 놈 층, 및 게이팅 함수를 포함하는 업 샘플링 활성화 층을 포함할 수 있다.
도 14c 는 입력 (1481C) 을 수용하고 출력 (1489C) 을 제공하는, 그리고 커널 크기 ZxZ 를 갖는 트랜스포즈 Conv (1484C), 배치 놈 층 (1486C) 및 활성화 층 (1488C) 을 포함하는 업 샘플링 블록의 예를 도시한다. 이들 서브 컴포넌트들은 도 14d 내지 도 14g 를 참조하여 더 상세히 설명될 것이다. 각각의 업 샘플링 블록의 트랜스포즈 콘볼루션 층은 그것이 수신하는 이미지 데이터의 공간 해상도를 증가시키며, 이에 의해 다운 샘플링된 출력을 재구성하도록 구성될 수 있다. 부가적으로, 하나 이상의 업 샘플링 블록은 또한 재결합 층을 포함할 수 있으며, 이것에 의해 업 샘플링 배치 정규화 층으로부터의 이미지 데이터는 (후술되는 스킵 연결을 통해) 선행의 잔차 네트워크 블록으로부터의 이미지 데이터와 병합된다.
신경망의 아키텍처와 관련하여, 업 샘플링 블록의 수는 다운 샘플링 블록의 수와 동일하게 구성될 수 있다. 다양한 실시형태들에서, 신경망은 n 개의 다운 샘플링 블록, n 개의 잔차 네트워크 (또는 처리) 블록, n 개의 업 샘플링 블록, 및 재결합 층을 포함하는 n-1 개의 업 샘플링 블록을 갖는다 (도 14g 의 설명 참조). 아래에서 더 상세히 설명되는 바와 같이, 공간 해상도가 다운 샘플링 프로세스 동안 부분적으로 감소되기 때문에, 동일한 분수 비율로 공간 해상도를 증가시키길 원할 수도 있다. 예를 들어, 다운 샘플링 블록 (또는 결합된 다운 샘플링 및 잔차 네트워크 블록) 을 통해 매번 공간 해상도가 1/2 로 줄어드는 경우 (2 의 팩터), 공간 해상도를 오리지날 이미지 디멘젼까지 다시 배가시키는 것이 가장 효율적일 수도 있다. 이것은 동일한 수의 다운 샘플링 및 업 샘플링 블록들을 야기할 수 있다.
예를 들어, 도 13a 에서, 각 Conv 는 이미지 데이터의 공간 해상도를 2 의 팩터로 감소시키고 각 트랜스포즈 Conv 는 이미지 데이터의 공간 해상도를 2 의 팩터로 증가시킨다. 공간 해상도의 감소는, 예를 들어 한 번에 2 픽셀 씩 콘볼루션 필터 (또는 커널) 를 슬라이딩시킴으로써 달성될 수 있다. 이 두 픽셀 슬라이드는 스트라이드 길이로서 지칭된다. 한 번에 2 픽셀 씩 슬라이딩하는 경우, 스트라이드는 2 가 될 것이다. 2 의 스트라이드 길이를 사용함으로써, Conv 는 Conv 에서 출력되는 활성화 맵의 디멘젼을 절반으로 줄임으로써 다운 샘플링할 수 있다.
그러나, 스트라이딩 (striding) 하는 것에 의해, 그리고 위에 언급된 것처럼 풀링하지 않음으로써, 풀링에 내재할 수 있는 공간 정보의 손실을 피할 수 있다. 필터 크기는 얼마나 많은 로컬 정보가 네트워크의 다음 계층의 각 픽셀에 영향을 미치는 단일 픽셀 분석으로 끌어들여지는 지를 결정한다. 일반적으로, 필터 크기는 관심 픽셀에 중심이 맞춰지도록 홀수이다. 예를 들어, 5x5 필터는 주변 24 픽셀을 조사하여 주어진 영역의 하나의 중심 픽셀을 분석한다. 풀링에 의해, 제 1 영역의 픽셀에 대응하는 단일 값을 효과적으로 결정하기 위해 제 1 영역이 검사된다. 일단 필터가 제 2 영역으로 이동하면, 제 1 영역의 픽셀은 해당 필터 스윕 중에 더 이상 분석되지 않는다. 이는 수행된 이미지 분석의 유형 (예를 들어, 검출되는 객체 유형) 에 따라 매우 오해의 소지가 있거나, 조악하거나, 부정확한 결과를 초래할 수 있다.
한편, 스트라이드 이론을 사용하는 경우, 일단 제 1 영역 (예를 들어, 5x5 영역) 이 검사되고 제 2 영역 (또한 5x5) 에 2 픽셀 스트라이드가 발생하면, 2 픽셀 스트라이드 샘플링의 최종 결과는 이전의 크기의 절반으로 이미지 출력 (활성화 맵 출력) 을 발생시킬 것이므로, 픽셀 포인트들이 2 회 이상 검토될 것이며 다수의 픽셀에 대한 결정들에 고려되어, 시종 다운 샘플링을 여전히 허용하도록 중첩이 분명히 존재할 것이다. 따라서, 스트라이드를 사용하면, 풀링에 비해 공간 정보의 훨씬 더 적은 손실로 다운 샘플링이 발생한다. 적절한 스트라이드 길이를 결정하는 팩터들은, 예를 들어, 이미지 유형, 이미지 품질, 객체 유형, 객체 크기, 객체 형상, 출력 요건, 시간 제약 및 전력/처리 자원을 포함한다.
도시된 바와 같이, 입력 이미지 (1301A) 의 공간 해상도가 X 인 경우, 다운 샘플링 블록 (1310A) 은 공간 해상도를 X/2 로 절반만큼 감소시킨 다음, 다운 샘플링 블록 (1330A) 에 의해 X/4 로, 그 후 다운 샘플링 블록 (1350A) 에 의해 X/8 로 감소킨다. 그 다음, 업 샘플링 블록 (1370A) 은 X/8 입력을 X/4 로 배가시키고, 블록 (1380A) 은 X/2 로 및 블록 (1390A) 은 X, 또는 출력 (1399A) 에서의 오리지날 크기로 배가시킬 수 있다. 도 13a 는 각 다운 샘플링 블록의 높이가 감소하고 각 업 샘플링 블록의 높이가 증가함에 따라 이를 시각적으로 나타낸다.
다운 샘플링이 진행됨에 따라, CNN 은 그의 프로세싱의 피쳐 복잡성을 증가시켜, 낮은 레벨 피쳐 분석에서 높은 레벨 피쳐 분석으로 진행하도록 설계될 수 있다. 이전에 논의된 바와 같이, CNN 이 더 복잡한 피쳐들을 검출할 수 있도록 하기 위해, 추가의 Conv 들이 이전의 Conv 의 출력 (즉, 활성화 맵) 을 분석하기 위해 추가될 수 있다. 예를 들어, 제 1 Conv 가 곡선이나 에지와 같은 기본 피쳐를 찾는 경우, 제 2 Conv 는 이전 Conv 에서 검출된 개별 피쳐들의 조합일 수 있는 형상들과 같은 더 복잡한 피쳐를 찾을 수 있다. 일련의 Conv 들을 제공함으로써, CNN 은 점차적으로 더 높은 레벨의 피쳐들을 검출하여 결국 특정의 원하는 객체 검출에 도달할 수 있다. 또한, Conv 들이 서로 적층하여 이전 활성화 맵 출력을 분석함에 따라, 스택에서의 각 Conv 는 자연스럽게 각 Conv 레벨에서 발생하는 축소 (scaling down) 로 인해 점점더 큰 수용장을 분석하여 CNN 이 관심의 객체를 검출함에 있어서 픽셀 공간의 성장하는 영역에 응답하는 것을 허용할 것이다.
도 13a 에서, 각각의 Conv 및 처리 블록은 채널 깊이를 2 의 팩터에 의해 증가시키고, 각각의 업 샘플링 블록은 제 3 업 샘플링 블록 (1390A) 까지 채널 깊이를 2 의 팩터에 의해 감소시킨다. 도시된 바와 같이, 다운 샘플링 블록 (1310A) 및 처리 블록 (1320A) 에서, 32 개의 채널들 또는 필터들이 사용된다. 다운 샘플링 블록 (1330A) 및 처리 블록 (1340A) 에서, 채널들의 수는 64 이다. 마지막으로, 다운 샘플링 블록 (1350A) 및 처리 블록 (1360A) 은 128 개의 채널들을 사용한다. 반대로, 업 샘플링 블록 (1370A) 은 채널을 최대 64 개까지, 업 샘플링 블록 (1380A) 은 32 개까지 및 업 샘플링 블록 (1390A) 은 3 개까지 절반으로 줄인다 (그 중요성은 아래에서 보다 상세하게 논의될 것이다). 도 13a 은 시각적으로 일반적으로 각 다운 샘플링 블록의 폭이 증가하고 각 업 샘플링 블록의 폭이 감소함에 따라 채널 사용의 이러한 증가 및 감소를 나타낸다 (최종 블록 (1390A) 제외).
공간 해상도의 변화율 (오리지날, X/2, X/4, X/8, X/4, X/2, 오리지날) 은 채널 깊이 비율 (0, 32, 64, 128 , 64, 32, 3, 0) 과 거의 반대이지만, 이는 CNN 아키텍처에는 필요하지 않다. 그러나, 공간 해상도 대 채널 수의 일치하는 변화는 CNN이 입력 데이터 (활성화 맵 디멘젼) 순차적 감소로 필터 깊이의 순차적 증가를 오프셋함으로써 시간, 처리 능력 및 출력 (1399A) 의 품질을 최대화하는 것을 유리하게 허용한다. 결과적으로, CNN 에 대한 처리 요구가 각 연속 다운 샘플링 블록을 통해 필터의 깊이에 따라 증가함에 따라 CNN은 각 연속 다운 샘플링 블록을 통해 이미지 배열 입력 (활성화 맵 디멘젼) 을 감소시킴으로써 이를 오프셋하여 CNN 이 더 큰 깊이를 가로질러 더 작은 입력을 분석하는 것을 허용한다. 그에 상응하여, 그 역이 출력 (1399A) 에 대해 업 샘플링 블록을 백업하도록 발생한다.
이미지 볼륨의 재구성은 또한 스킵 아키텍처의 한 형태로도 도움이 될 수 있다. 예를 들어, 신경망 내에 삽입된 스킵 연결은 초기 다운 샘플링 층에서 최신 샘플링 층으로 정보를 투영하여 이 초기에 최소로 처리된 정보가 재구성 프로세스의 일부가 되도록 할 수 있다. 스킵 아키텍처의 사용 없이는, 업 샘플링 동안 재구성을 크게 도울 수도 있는 초기 Conv 계층에서 캡처된 일부 정보가 다운 샘플링 프로세스 동안 손실되었을 수도 있다. 다른 말로하면, 그러한 귀중한 정보는 그 정보가 더 사용 되는 것이 너무 추상적이 될 수 있는 포인트까지 다운 샘플링되었을 것이다. 이 정보를 스킵 아키텍처를 사용하여 프라이머리 계층에서 최신 업 샘플링 층으로 공급하는 것은 이전 정보가 유지되고 효율적인 업 샘플링에 사용되는 것을 허용한다.
다양한 실시형태들에서, 신경망은 (예를 들어, 스킵 연결을 통해) 제 2 잔차 네트워크 블록으로부터 이미지 데이터를 수신하는 재결합 층을 갖는 제 1 업 샘플링 블록, (예를 들어, 스킵 연결을 통해) 제 1 잔류 네트워크 블록으로부터의 이미지 데이터를 수신하는 재결합 층을 갖는 제 2 업 샘플링 블록, 및 재결합 층을 포함하지 않는 제 3 업 샘플링 블록을 포함할 수 있다.
도 13a 에서, 예를 들어, 제 1 스킵 연결 (1392A) 및 제 2 스킵 연결 (1394A) 이 제공된다. 제 1 스킵 연결 (1392A) 은 X/2 해상도에서 처리 블록 (1320A) 으로부터의 출력 정보를 또한 X/2 해상도에서 업 샘플링 블록 (1380A) 의 재결합 층, 포스트-배치 놈 (post-batch norm) 으로 순방향으로 공급한다. 이 스킵 연결을 통해, 신경망은 보다 정확하고 효율적인 업 샘플링을 허용하기 위해 대응하는 업 샘플링 블록과 동일한 해상도로 초기 및 최소로 처리된 정보를 제공한다. 제 2 스킵 연결 (1394A) 은 X/4 해상도에서 처리 블록 (1340A) 으로부터의 출력 정보를 또한 X/4 해상도에서 업 샘플링 블록 (1370A) 의 재결합 층, 포스트-배치 놈 (이하에 논의됨) 으로 순방향으로 공급함으로써 유사하게 기능한다.
위에서 언급했듯이 CNN 은 이미지 분류 및 이미지 검출 (또한 이미지 내에서의 객체 검출) 을 포함하는 다양한 목적으로 사용될 수 있다. 따라서, CNN 의 목표에 따라, 출력은 CNN 에 제기된 주요 질문에 답해야한다. 본 명세서의 다양한 실시형태들에서, CNN 은 이미지 검출에 사용된다. 다양한 실시형태들에서, 이미지 검출은 관심있는 객체들을 검출하는데 사용될 수 있다. 여러 실시형태들에서, 관심의 객체는 마이크로-객체들일 수 있다. 다양한 실시형태들에서, 이미지 검출은 마이크로-객체를 복수의 마이크로-객체 유형 중 적어도 하나로 분류하기 위해 사용될 수 있다. 여러 실시형태들에서, 마이크로-객체는 생물학적 세포이다. 여러 실시형태들에서, 생물학적 세포는 예를 들어 T 세포, B 세포, NK 세포, 대식세포 또는 이들의 조합과 같은 면역 세포이다. 다양한 실시형태들에서, 생물학적 세포는 세포주로부터의 세포 (예를 들어, CHO 세포) 또는 암세포이다. 다양한 실시형태들에서, 생물학적 세포는 난모세포, 정자 또는 배아이다.
도 13a 의 업샘플링 블록(790)에서 3개의 채널의 예시된 사용에 관하여, 다양한 실시형태들에서, CNN 을 이용하는 시스템은 이미지 입력으로부터 마이크로-객체 카운트를 획득한다. 시스템은 입력 이미지의 복수의 픽셀들에 주석을 달음으로써 이것을 행할 수 있으며, 그 세트의 각 픽셀 주석은 이미지의 대응 픽셀이 대응하는 마이크로-객체 특성을 나타낼 확률을 나타낸다. 이러한 분석을 통해, 마이크로-객체 카운트가 획득될 수 있다. 다양한 실시형태들에서, 복수의 마이크로-객체 특성들은 적어도 3 개의 마이크로-객체 특성을 포함한다. 다양한 실시형태들에서, 복수의 마이크로-객체 특성은 적어도 마이크로-객체 중심, 마이크로-객체 에지 및 비 마이크로-객체 (또는 세포 중심, 세포 에지 및 비세포) 를 포함한다. 도 13a 의 업샘플링 블록(1390A)은 그것의 3-채널 깊이에 의한 이러한 3-마이크로-객체 특성화를 예시한다. 이와 같이, 도 13a 의 마지막 업샘플링 블록(1390A)은 정확한 마이크로-객체(예를 들어, 세포) 카운트를 결정하기 위해 신경망(1300A)에 필요한 객체 특성화를 제공한다.
도 14d 내지 도 14g 는 여러 실시형태에 따른 더욱 상세한 콘볼루션 신경망 (CNN) (1400D) 의 개략도를 도시한다. 개략도는 위에 논의된 다수의 신경망 원리들을 포함하고, 그 때문에, 이러한 원리들은 자세히 반복하지 않을 것이다. 그러나, 원리들은 유사할 수 있지만, 본 명세서의 다양한 실시형태들에서 사용되는 파라미터들은 모두 상술된 바와 같은 특정 이유들에 기초하여 변할 수 있으며, 그것들은 예를 들어, 이미지 유형, 이미지 품질, 객체 유형, 객체 크기, 객체 형상, 출력 요건, 시간 제약 및 전력/처리 자원을 포함한다. 이와 같이, 도 14d 내지 도 14g 의 개략도에 사용된 파라미터는 단지 예일 뿐이다.
배향 목적을 위해, 도 14d 는 좌측에서 우측으로, 다양한 실시형태들에 따른 제 1 잔차 네트워크 블록 (1420D) 이 뒤 따르는 제 1 다운 샘플링 블록 (1410D) 을 도시한다. 도 14e는 좌측에서 우측으로, 다양한 실시형태에 따른 제2 잔차 네트워크 블록(1440E)이 뒤따르는 제1 잔차 네트워크 블록(1420D) (도 14d) 으로부터 데이터를 수신하는 제2 다운샘플링 블록(1430E)을 도시한다. 도 14f 는 좌측에서 우측으로, 다양한 실시형태에 따라 제3 잔차 네트워크 블록(1460F)이 뒤따르는 제2 잔차 네트워크 블록(1440E) (도 14e) 으로부터 데이터를 수신하는 제3 다운샘플링 블록(1450F)을 도시한다. 도 14g 는 좌측에서 우측으로, 제 1 업 샘플링 블록 (1470G), 제 2 업 샘플링 블록 (1480G) 및 제 3 업 샘플링 블록 (1490G) 을 도시한다. 제1 업샘플링 블록(1470G)은 제3 잔차 네트워크 블록(1460C)(도 14f)으로부터 데이터를 수신하고, 제 1 업 샘플링 재결합 층 (1476G) 을 포함하여, 제 1 업 샘플링 블록 (1470G) 의 배치 정규화 층으로부터의 데이터가 제 2 스킵 연결 (1494E) 을 통해 피드포워드된 제 2 잔차 네트워크 블록 (1440E) 의 최종 ELU 계층 (1448G) 으로부터의 데이터와 재결합된다. 유사하게, 제 2 업 샘플링 블록 (1480G) 은 제 2 업 샘플링 재결합 층 (1486G) 을 포함하여, 제 2 업 샘플링 블록 (1480G) 의 배치 정규화 층으로부터의 데이터가 제 1 스킵 연결 (1492G) 을 통해 순방향으로 공급되는 제 1 잔차 네트워크 블록 (1420G) 의 최종 ELU 계층 (1428G) 으로부터의 데이터와 재결합된다.
도 14d 를 다시 참조하면, 다시 도 9a 를 참조하면, CNN (1400D) 은 이미지 입력 (1401D) 을 수신하도록 구성된 제 1 다운-샘플링 블록 (1410D) 을 포함한다. 제 1 다운 샘플링 블록 (1410D) 은 제 1 Conv (1412D), 제 1 배치 놈 층 (1414D), 및 제 1 활성화 층 (1416D) (예를 들어, 도 14d 의 ELU) 을 포함한다. 제 1 Conv (1412D) 는 커널 크기와 스트라이드에 대해 서로 다른 매개 변수를 가질 수 있다. 여기서 커널은 5x5 이고 스트라이드는 2 픽셀이다. 계층 (1416D) 으로부터의 출력은 제 1 분기 (1422D) 및 제 2 분기 (1424D) 를 포함하는 제 1 잔차 네트워크 블록 (1420D) 에 공급한다. 잔차 네트워크의 레이아웃에 대한 일반적인 설명은 도 14a 내지 도 14 를 참조하라. 제 1 분기 (1422A) 에서, 2 개의 Conv 는 3x3 의 커널 크기를 갖는다. 도 14d 는 또한 전술한 바와 같이 제 1 재결합 층 (1426D) 및 제 1 ELU (1428D) 뒤에 출력하는 순방향 데이터를 공급하는 제 1 스킵 연결 (1492D) 의 시작을 도시한다. 또한 CNN (1400D) 의 이 단계에 대한 축소는 2 의 팩터에 의해서 이며 (1/2 공간 해상도까지 다운 샘플링되며) 피쳐들의 32 개의 채널들이 이러한 단계에서 사용된다.
도 14e 를 참조하면, CNN (1400E) 은 제 2 Conv (1432E), 제 2 배치 놈 층 (1434E) 및 제 2 활성화 층 (1436E) (예를 들어, 도 14e 의 ELU) 을 포함하는 제 2 다운 샘플링 블록 (1430E) 을 더 포함한다. 제 2 다운 샘플링 블록 (1430E) 은 제 1 ELU (1428E) 로부터 출력을 수신하도록 구성된다. 제 2 Conv (1432E) 는 커널 크기와 스트라이드에 대해 서로 다른 매개 변수를 가질 수 있다. 여기서 커널은 다시 5x5 이고 스트라이드는 다시 2 픽셀이다. 계층 (1436E) 으로부터의 출력은 제 3 분기 (1442E) 및 제 4 분기 (1444E) 를 포함하는 제 2 잔차 네트워크 블록 (1440E) 에 공급한다. 잔차 네트워크의 레이아웃에 대한 일반적인 설명은 도 14a 내지 도 14c 를 참조하라. 제 1 분기 (1422E) 에서, 2 개의 Conv 는 3x3 의 커널 크기를 갖는다. 도 14e 는 또한 전술한 바와 같이 제 2 재결합 층 (1496E) 및 제 2 ELU (1448E) 뒤에 출력하는 순방향 데이터를 공급하는 제 2 스킵 연결 (1494E) 의 시작을 도시한다. 또한 CNN(1400E)의 이 단계에 대한 축소는 도 14d 의 이전 단계에 비해 2배라는 점 (원본 대비 1/4 공간 해상도로 다운 샘플링됨) 및 64개 채널의 특징들이 이 단계에서 사용된다는 점을 유의한다.
도 14f 를 참조하면, CNN (1400F) 의 일부는 제 3 Conv (1452F), 제 3 배치 놈 층 (1454F) 및 제 3 활성화 층 (1456F) (예를 들어, 도 14f 의 ELU) 을 포함하는 제 3 다운 샘플링 블록 (1450F) 을 포함한다. 제 3 다운 샘플링 블록 (1450F) 은 제 2 ELU (1448F) 로부터 출력을 수신하도록 구성된다. 제 3 Conv (1452F) 는 커널 크기와 스트라이드에 대해 서로 다른 매개 변수를 가질 수 있다. 여기서 커널은 다시 5x5 이고 스트라이드는 다시 2 픽셀이다. 계층 (1456F) 으로부터의 출력은 제 5 분기 (1462F) 및 제 6 분기 (1464F) 를 포함하는 제 3 잔차 네트워크 블록 (1460F) 에 공급한다. 잔차 네트워크의 레이아웃에 대한 일반적인 설명은 도 14a 내지 도 14c 를 참조하라. 제 5 분기 (1462F) 에서, 2 개의 Conv 는 3x3 의 커널 크기를 갖는다. 또한 CNN (1400F) 의 이 단계에 대한 축소는 2 의 팩터에 의해서 이며 (1/8 공간 해상도까지 다운 샘플링되며) 피쳐들의 128 개의 채널들이 이러한 단계에서 사용된다. 제5 브랜치(1462F) 및 제6 브랜치(1464F)의 출력은 결합된 출력이 선형 유닛(1468F)(예를 들어, 지수 선형 유닛, 정류된 선형 유닛(ReLU) 등)으로 전송되기 전에 결합 계층(1466F)에서 결합될 수 있다.
도 14g 를 참조하면, CNN (1400G) 의 이러한 부분은 제 1 업 샘플링 블록 (1470G), 제 2 업 샘플링 블록 (1480G) 및 제 3 업 샘플링 블록 (1490G) 을 포함한다. 제 1 업 샘플링 블록 (1470G) 은 제 1 업 샘플링 Conv (1472G), 제 1 업 샘플링 배치 놈 층 (1474G), 제 1 업 샘플링 재결합 층 (1476G) 및 제 1 업 샘플링 활성화 층 (1478G) (예를 들어, ELU) 을 포함한다. 제 1 업 샘플링 재결합 층 (1476G) 은 제 1 스킵 연결 (1492G) 로부터 입력을 수신하고, 그 입력을 제 1 업 샘플링 배치 놈 층 (1474G) 으로부터의 출력과 결합하고, 그 결합된 출력을 제 1 업 샘플링 활성화 층 (1478G) 으로 공급하도록 구성된다. 다운 샘플링 Conv (1412D/1432E/1452F) 를 참조하여 상기 논의된 바와 같이, 업 샘플링 Conv 계층은 커널 크기 및 스트라이드에 대해 상이한 파라미터를 가질 수 있다. 여기서 커널은 5x5 이고 스트라이드는 제 1 업 샘플링 Conv (1472G) 에 대해 2 픽셀이다. 또한 CNN (1400G) 의 이 단계에 대한 축소는 제 3 잔차 네트워크 (1460G) 로부터의 출력에 대해 2 의 팩터에 의해서 이며 (1/4 공간 해상도까지 업 샘플링되며) 피쳐들의 64 개의 채널들이 이러한 단계에서 사용된다.
제 2 업 샘플링 블록 (980) 은 제 2 업 샘플링 Conv (1482G), 제 2 업 샘플링 배치 놈 층 (1484G), 제 2 업 샘플링 재결합 층 (1486G) 및 제 2 업 샘플링 활성화 층 (1488G) (예를 들어, ELU) 을 포함한다. 제 2 업 샘플링 재결합 층 (1486G) 은 제 2 스킵 연결 (1494E) 로부터 입력을 수신하고, 그 입력을 제 2 업 샘플링 배치 놈 층 (1484G) 으로부터의 출력과 결합하고, 그 결합된 출력을 제 2 업 샘플링 활성화 층 (1488G) 으로 공급하도록 구성된다. 다운 샘플링 Conv (1412D/1432E/1452F) 를 참조하여 상기 논의된 바와 같이, 업 샘플링 Conv 계층은 커널 크기 및 스트라이드에 대해 상이한 파라미터를 가질 수 있다. 여기서 커널은 5x5 이고 스트라이드는 제 2 업 샘플링 Conv (1482G) 에 대해 2 픽셀이다. 또한 CNN (1400G) 의 이 단계에 대한 축소는 제 1 업 샘플링 블록 (1470G) 으로부터의 출력에 대해 2 의 팩터에 의해서 이며 (1/2 공간 해상도까지 업 샘플링되며) 피쳐들의 32 개의 채널들이 이러한 단계에서 사용된다.
제 3 업 샘플링 블록 (1490G) 은 제 3 업 샘플링 Conv (1492G), 제 3 업 샘플링 배치 놈 층 (1494G), 및 제 3 업 샘플링 활성화 층 (1496G) (예를 들어, ELU) 을 포함한다. 계층 (1496G) 은 CNN (1400G) 에 대한 출력 (1499G) 을 생성한다. 다운 샘플링 Conv (1412D/1432E/1452F) 를 참조하여 상기 논의된 바와 같이, 업 샘플링 Conv 계층은 커널 크기 및 스트라이드에 대해 상이한 파라미터를 가질 수 있다. 여기서 커널은 5x5 이고 스트라이드는 제 3 업 샘플링 Conv (1492G) 에 대해 2 픽셀이다. 또한 CNN (1400G) 의 이 단계에 대한 축소는 제 2 업 샘플링 블록 (1480G) 으로부터의 출력에 대해 2 의 팩터에 의해서 이며 (오리지날 공간 해상도까지 업 샘플링되며) 피쳐들의 3 개의 채널들이 이러한 단계에서 사용된다.
도 13a 와 관련하여 상기 설명된 바와 같이, 다양한 실시형태들에서, CNN 을 이용하는 시스템은 이미지 입력으로부터 마이크로-객체 카운트를 획득한다. 시스템은 입력 이미지의 복수의 픽셀들에 주석을 달음으로써 이것을 행할 수 있으며, 그 세트의 각 픽셀 주석은 이미지의 대응 픽셀이 대응하는 마이크로-객체 특성을 나타낼 확률을 나타낸다. 이러한 분석을 통해, 마이크로-객체 카운트가 획득될 수 있다. 다양한 실시형태들에서, 복수의 마이크로-객체 특성들은 적어도 3 개의 마이크로-객체 특성을 포함한다. 다양한 실시형태들에서, 복수의 마이크로-객체 특성은 적어도 마이크로-객체 중심, 마이크로-객체 에지 및 비 마이크로-객체 (또는 세포 중심, 세포 에지 및 비세포) 를 포함한다. 도 14g 의 업샘플링 블록(1490G)은 그것의 3-채널 깊이에 의한 이러한 3-마이크로-객체 특성화를 예시한다. 이와 같이, 도 14g 의 마지막 업샘플링 블록(1490G)은 정확한 마이크로-객체(예를 들어, 세포) 카운트를 결정하기 위해 신경망(1400G)에 필요한 객체 특성화를 제공한다.
다양한 실시형태들에 따라, 이미지에서 마이크로-객체들을 자동 검출하기 위한 시스템들 및 방법들이 개시된다. 여러 실시형태들에서, 마이크로-객체는 생물학적 세포이다. 여러 실시형태들에서, 생물학적 세포는 예를 들어 T 세포, B 세포, NK 세포, 대식세포 또는 이들의 조합과 같은 면역 세포이다. 다양한 실시형태들에서, 생물학적 세포는 세포주로부터의 세포 (예를 들어, CHO 세포) 또는 암세포이다. 다양한 실시형태들에서, 생물학적 세포는 난모세포, 정자 또는 배아이다.
도 15 는 다양한 실시형태에 따라 이미지 내의 마이크로-객체들을 자동 검출하기 위한 방법의 단순화된 예시의 플로우챠트를 도시한다. 더 구체적으로, 도 15 는 다양한 실시형태에 따라 이미지에서 마이크로-객체들을 자동 검출하기 위한 방법을 설명하는 예시적인 플로우챠트이다. 예시적인 플로우챠트는 이하에 상세히 설명되는 바와 같이 예를 들어 도 16의 시스템(1600) 상에서 수행될 수 있다. 본 명세서에 도시된 바와 같이, 시스템 (1600) 의 이미지 획득 유닛 (1602) 의 이미징 소자 (1606) 에 의해 수행될 수 있는 단계 (1510) 는 미세유체 디바이스의 이미징 데이터를 수신하는 단계를 포함한다.
본원에서 도시된 바와 같이, 단계 (1520) 은 시스템 (1600) 의 이미지 획득 유닛 (1602) 의 이미지 사전 처리 엔진 (1608) 에 의해 구현될 수 있는 예시적인 워크플로우를 상술한다. 단계 (1520) 에서, 상기 방법은 상기 이미지 데이터를 미리 처리하여 상기 이미지 데이터 내의 변칙들을 감소시키는 단계를 포함한다.
본원에서 도시된 바와 같이, 단계 (1530) 은 시스템 (1600) 의 마이크로-객체 검출 유닛 (1604) 의 신경망 (1610) 에 의해 구현될 수 있는 예시적인 워크플로우를 상술한다. 단계 (1530) 에서, 방법은 신경망을 이용하여 이미징 데이터의 픽셀 데이터를 처리하여, 복수의 마이크로-객체 특성에 따라 픽셀 데이터에 주석을 달고 픽셀 데이터의 각 픽셀에 대한 확률 값을 출력한다. 출력 확률 값은 복수의 픽셀 마스크의 형태일 수 있고, 각각의 마스크는 복수의 마이크로-객체 특성으로부터의 마이크로-객체 특성에 대응한다. 각각의 마스크는 그 마스크와 연관된 특정 마이크로-객체 특성과 관련하여 이미지에 대한 픽셀 주석들의 세트 (또는 확률 값들의 세트) 를 포함할 수 있다.
본원에서 도시된 바와 같이, 단계들 (1540-1550) 은 시스템 (1600) 의 마이크로-객체 검출 유닛 (1604) 의 임계값 엔진 (1612) 에 의해 구현될 수 있는 예시적인 워크플로우 단계를 상술한다. 단계 (1540) 에서, 이 방법은 임계 값을 적용하여 적어도 어느 픽셀 확률이 정의된 임계값을 충족시키는지를 결정하는 단계를 포함한다.
본원에서 도시된 바와 같이, 단계 (1540) 은 시스템 (1600) 의 마이크로-객체 검출 유닛 (1604) 의 검출 엔진 (1614) 에 의해 구현될 수 있는 예시적인 워크플로우를 상술한다. 단계 (1550) 에서, 상기 방법은 임계값 적용 이후에 식별 가능한 마이크로-객체들의 수에 기초하여 마이크로-객체 카운트를 결정하는 단계를 포함한다.
도 16 은 다양한 실시형태에 따라 이미지 내의 마이크로-객체들을 자동 검출하기 위한 단순화된 예시의 시스템을 도시한다. 더 구체적으로, 도 16 은 다양한 실시형태에 따라 이미지에서의 마이크로-객체들을 자동 검출하기 위한 시스템의 예시적인 개략도를 도시한다. 본 명세서에서 묘사된 바와 같이, 시스템 (1600) 은 이미지 획득 유닛 (1602), 이미지 사전 처리 엔진 (1608), 마이크로-객체 검출 유닛 (1604), 및 최종 마이크로-객체를 출력하기 위한 입/출력 디바이스 (I/O 디바이스) (1616) 을 포함할 수 있다.
I/O 디바이스(1616)는, 예를 들어, 이미지 획득 유닛(1602), 이미지 사전 처리 엔진(1608), 마이크로-객체 검출 유닛(1604), 또는 이들의 조합들로 전송될 수 있는 데이터 (예를 들어, 파라미터, 사용자 요건 등) 의 형태로일 수 있는, 예를 들어, 도 5o 에 예시된 시스템의 연관된 디스플레이 디바이스 및/또는 입력 디바이스 (512O)를 포함하도록 구성될 수 있다. I/O 디바이스(1616)는 또한 예를 들어, 이미지 획득 유닛(1602), 이미지 사전 처리 엔진(1608), 마이크로-객체 검출 유닛(1604), 또는 이들의 조합들로 전송될 수 있는 데이터 (예를 들어, 파라미터, 사용자 요건 등) 의 형태로일 수 있는, 예를 들어, 도 5o 에 예시된 시스템의 연관된 디스플레이 디바이스 및/또는 입력 디바이스 (512O) 통해 사용자 입력을 수신하도록 구성될 수 있다. 대안적으로 또는 조합하여 컴퓨터 시스템 (예를 들어, 도 5o) 의 입력 디바이스(512O)는 또한 예를 들어 이미지 획득 유닛 (1602), 이미지 사전 처리 엔진 (1608), 마이크로-객체 검출 유닛 (1604), 또는 이들의 조합으로 사용자 입력, 파라미터 등을 직접 전송하는데 사용될 수 있다. 또한, I/O 디바이스 (1616) 는 내장된 디스플레이 디바이스 상에 예를 들어 검출 엔진 (1614) 으로부터 수신된 데이터 또는 이미지를 디스플레이하도록 구성될 수 있다. 디바이스 (1616) 는 또한 데이터 또는 이미지를 데이터 또는 이미지 디스플레이를 위해 별도의 디스플레이에 전송하도록 구성될 수 있다.
이미지 획득 유닛(1602)은 (하나 이상의 카메라, 하나 이상의 이미지 센서 등과 같지만, 이에 제한되지 않는) 이미징 요소(1606)를 포함할 수 있다. 대안적으로, 유닛 (1602) 은 또한 이미지 사전 처리 엔진 (1608) 을 포함 (또는 하우징) 하도록 구성될 수 있다.
이미징 소자 (1606) 는 하나 이상의 이미지들 (또는 이미지 데이터) 을 캡쳐하도록 구성될 수 있다. 이미지들은 예를 들어 미세유체 디바이스의 복수의 챔버 (예를 들어 격리 펜) 및/또는 주위 구조 (예를 들어, 채널) 일 수 있다. 미세유체 디바이스는 (상기 도 3a-도 3e 에 도시된 미세유체 디바이스 (100, 200, 230 등) 와 같은, 그러나 이에 한정되지 않는) 본원에서 설명되는 다양한 예들 중 임의의 예를 포함할 수 있다. 미세유체 디바이스는 유동 영역 및 유동 영역에 유체 연결될 수 있는 챔버, 또는 복수의 챔버들을 포함할 수 있으며, 여기서, 챔버들의 각각은 하나 이상의 마이크로-객체들을 유지할 수 있다. 앞에서 언급한 바와 같이, 챔버들은 예를 들어, 격리 펜들일 수 있다. 챔버들은 이들이 사용되는 특정의 애플리케이션에 의해 요구되는 따라 임의의 형상, 사이즈 또는 배향일 수 있는 것으로 이해되어야 한다. 흐름 영역은 (상기 도 3a 에 도시된 유동 경로 (106A) 와 같은, 그러나 이에 한정되지 않는) 단일 유동 경로 또는 복수의 유동 경로들을 제공하는, (상기 도 3a 에 도시된 바와 같은 채널 (122A), 및 상기 도 3g 에 도시된 바와 같은 유동 채널들 (264) 과 같은, 그러나 이에 한정되지 않는) 단일 미세유체 채널, 또는 복수의 미세유체 유동 채널들일 수 있다. 유동 영역은 단일, 또는 복수의 챔버들과 유체 연통할 수 있다. 대안적으로, 유동 영역은 예를 들어, 밸브와 같은 가역성 클로져를 통해, 단일 챔버, 또는 복수의 챔버들과 유체 연통할 수도 있다. 유동 영역은 앞에서 설명된 바와 같이 입구를 통해서 물질의 유동을 수용하도록 구성될 수 있다. 물질의 유동은 예를 들어, 마이크로-객체들, 결합제 또는 시약들의 유동, 또는 그 물질을 포함하는 배지의 유동을 포함할 수 있다.
다양한 실시형태들에서, 이미징 소자 (1606) 는 추가 처리를 위해 순방향으로 전송하기 전에 캡쳐된 이미지를 리사이징 (resizing) 하도록 구성될 수 있다. 리사이징은 예를 들어 비닝 (binning) (예를 들어, 4 픽셀을 하나로) 에 의해 달성될 수 있다. 이미지 사전 처리 엔진 (1608) 은 다양한 실시형태들에 따라 추가 분석을 위해 이미지를 준비하도록 구성될 수 있다. 예를 들어, 캡쳐 이미지가 엔진 (1608) 에 의해 수신되기 전에 비닝된 경우, 엔진 (1608) 은 비닝을 보상하기 위해 이미지를 풀 사이즈로 리사이징할 수 있다. 엔진 (1608) 은 예를 들어 픽셀 값들 사이의 선형 보간을 사용하여 리사이징할 수 있다. 엔진 (1608) 은 필요에 따라 이미지를 원하는 배향으로 플립핑 및/또는 회전시킬 수 있다. 엔진 (1608) 은, 예를 들어, 도트들 사이에 알려진 간격을 갖는 도트 배열을 검사함으로써 계산된 룩업 테이블을 사용하여 왜곡 정정 단계를 이미지에 적용할 수 있다.
다양한 실시형태들에서, 엔진 (1608) 은 이미지를 가로 질러 레벨 휘도 절차를 실행할 수 있다. 예를 들어, 엔진 (1608) 은 2 차 이상의 차수의 다항식 최적합 정정과 같은 다항식 최적합 정정을 사용할 수 있다. 선택적으로, 사인파 또는 지수 함수가 다항식 함수 대신 사용될 수 있을 것이다. 레벨링은 이미지 휘도에 스케일링 이미지를 곱하여 달성될 수 있으며, 시스템 교정 중에 최적합 함수의 원하는 승수가 결정된다. 엔진 (1608) 은 또한 예를 들어 자동 형광으로부터 유래하는 배경 휘도를 감산하기 위해 방사성 정정을 실행할 수 있다.
다양한 실시형태에서, 이미지 사전 처리 엔진(1608)은 미세유체 디바이스의 복수의 특징(예를 들어, 채널(들), 펜(들), 트랩(들), 프레임, 흐름 영역, 포토트랜지스터 어레이 등)을 포함하는 시야 이미지를 획득하도록 구성될 수 있으며, 여기서 이미지 사전 처리 엔진(1608)은 시야 이미지를 적어도 2개의 크로핑된 이미지들로 크로핑할 수 있다. 이미지 사전 처리 엔진은 이미지를 크로핑하도록 구성될 수 있다. 크로핑은 교정된 이미지로부터 얻은 정보에 따라 수행될 수 있다. 일부 예에서, 이미지의 교정은 미세유체 디바이스의 하나 이상의 특징을 식별하고 이러한 특징을 이미지가 참조될 수 있는 벤치마크 또는 베이스라인으로 설정하는 것을 포함할 수 있다. 크로핑은 또한 각 시야 이미지의 특징을 식별하기 위해 여기에 개시된 임의의 방법에 기초하여 수행될 수 있다. 크로핑된 이미지는 미세유체 디바이스의 하나 이상의 특징(예를 들어, 채널(들), 챔버(들) 펜(들), 트랩(들), 마이크로-객체(들) 위치, 밝기 등)에 기반하여 생성될 수 있다. 일부 실시형태에서 사전처리 엔진은 한 번에 단일 시야에서 크로핑을를 수행할 수 있다. 대안적인 실시형태에서, 사전처리 엔진은 평행한 다수의 시야에서 크로핑을 수행할 수 있다.
이미지 사전 처리 엔진(1608)은 하나 이상의 시야 이미지를 특징 또는 특성을 가진 크로핑된 이미지들로 크로핑하도록 구성될 수 있다. 예를 들어, 사전처리 엔진(1608)은 다수의 챔버, 펜, 트랩 또는 마이크로-객체를 포함하는 시야 이미지를 수신할 수 있다. 이미지 사전 처리 엔진(1608)은 시야 이미지를 수신한 다음 시야 이미지를 일련의 크로핑된 이미지로 변환할 수 있다. 일부 경우에, 이미지 사전 처리 엔진(1608)은 시야 이미지를 복수의 크로핑된 이미지로 크로핑하도록 구성될 수 있으며, 여기서 각각의 크로핑된 이미지는 단일 특징(예를 들어, 단일 챔버, 펜, 트랩, 또는 상기 복수의 챔버, 펜, 트랩, 또는 마이크로-객체의 마이크로-객체)을 포함한다. 다른 예에서, 사전처리 엔진은 복수의 크로핑된 이미지를 생성할 수 있으며, 여기서 상기 복수의 크로핑된 이미지 중 적어도 하나는 마이크로-객체를 포함한다.
사전처리 엔진에 의해 생성된 크로핑된 이미지는 픽셀 크기가 다를 수 있다. 픽셀 크기는 이미지 너비의 픽셀 수에 이미지 높이의 픽셀 수를 곱하여 계산될 수 있다. 크로핑된 이미지의 픽셀 크기 차이는 사전처리 엔진에 의해 수행된 크로핑 프로세스로 인해 발생할 수 있다. 추가적인 또는 대안적인 실시형태에서, 크로핑된 이미지의 픽셀 크기의 차이는 시야에서 비롯된 차이 - 예를 들어, (예를 들어, 제1 시야와 제2 시야 사이에서 상이한 미세유체 디바이스의 특징에 따른 관심 영역들을 갖는) 상이한 관심 영역들로 취해진 시야, 및/또는 시야 이미지들의 배율에서의 차이로부터 야기될 수 있다.
다양한 실시형태에서, 상이한 픽셀 크기의 크로핑된 이미지가 신경망, 예를 들어 콘볼루션 신경망 (CNN) 에 입력될 수 있다. 앞서 언급한 바와 같이, CNN 아키텍처는 일반적으로 입력 볼륨(이미지)을 콘볼루션하기 위한 적어도 하나의 처리 블록을 포함하는 처리 블록 그룹으로 구성될 수 있다. 마이크로-객체 카운팅에 적용된 실시형태에서, CNN은 디콘볼루션(또는 전치 콘볼루션)을 위해 이전에 개시된 단계를 생략할 수 있다. 여기에 개시된 디바이스 및 시스템에서 디콘볼루션 없이 마이크로-객체 카운팅을 수행하기 위한 신경망. 여기에 개시된 시스템의 과제 중 하나는 카운팅이 수행되어야 하기 전에 시야에서 영역을 분리하기 위해 이미지들의 크로핑이 수행된다는 것이다. 이미지들의 크로핑은 상이한 크기의 이미지들을 생성할 수 있으므로 CNN은 상이한 크기의 크로핑된 이미지들을 수용할 수 있어야 한다.
CNN은 시야 이미지 및/또는 시야 이미지의 크로핑된 세그먼트를 포함할 수 있는 입력 이미지를 취할 수 있다. 입력 이미지는 컬러일 수도 있고 흑백일 수도 있다. 일부 예에서, 입력 이미지는 트랜지스터 어레이 그리드, 펜, 웰, 채널, 벽, 챔버 등을 포함하지만 이에 국한되지 않는 복수의 반복되는 특징을 가질 수 있다. 이미지는 텍스처, 음영, 초점의 차이 및 배율의 차이의 특징들을 포함할 수 있다.
도 17은 전체 평균 풀링을 수행하기 위한 예시적인 프로세스, 및 여기에 개시된 방법 중 임의의 하나에 의해 카운트가 결정될 수 있는 미세유체 디바이스의 예시적인 영역들을 예시한다. 도 18은 카운트가 본원에 개시된 프로세스 중 임의의 하나에 의해 결정될 수 있는 미세유체 디바이스의 일부 예시적인 영역들을 예시한다. 이들 두 도면들 도 17 및 도 18 은 함께 설명될 것이다.
보다 구체적으로, 관심 있는 마이크로-객체의 자동화된 검출 및/또는 카운팅. 일 양태에서, 이미지, 특히 디지털 이미지 (또는 디지털화된 이미지) 에서 관심의 마이크로-객체의 자동화된 검출을 위한 방법이 제공된다. 관심의 마이크로-객체는 미세유체 디바이스 내에 배치될 수 있다. 관심의 마이크로-객체는 포유류 세포 (예를 들어, 혈액 세포, 하이브리도마, 암세포, 형질 전환된 세포, 배우자, 배아 등) 와 같은 세포일 수 있다. 대안으로, 관심의 마이크로-객체는 분석에서 사용될 수 있는 것과 같은 비드 (예를 들어, 마이크로 비드, 자기 비드 등) 일 수 있다. 이 방법은 이미지 데이터 (즉, 이미지의 픽셀과 관련된 데이터) 를 처리하는 머신 러닝 알고리즘의 사용을 포함할 수 있다. 머신 러닝 알고리즘은 콘볼루션 신경망 (convolutional neural network) 와 같은 신경망을 포함할 수 있다.
이미지 분류는 입력 이미지를 받아들이는 것 및 이미지를 가장 잘 설명하는 클래스 또는 클래스의 확률을 출력하는 것을 요구한다. 이는 입력 이미지를 처리하고 결과를 출력하기 위해, 알고리즘을 사용하는 프로세싱 엔진이 장착된 컴퓨터 시스템을 사용하여 행해질 수 있다. 이미지 검출은 또한 유사한 프로세싱 엔진을 이용할 수 있어서, 시스템은 입력 이미지를 받아들이고 프로세싱 엔진에 미리 프로그램된 알고리즘을 사용하여 높은 정확도로 그 이미지 내에서 관심있는 객체를 식별한다.
입력 이미지와 관련하여, 시스템은 일반적으로 입력 이미지를 픽셀 값들의 배열로서 배향시킬 것이다. 이러한 픽셀 값은 이미지 해상도 및 크기에 따라, (길이) x (너비) x (채널 수) 에 대응하는 수들의 배열일 것이다. 채널들의 수는 깊이로서 또한 지칭될 수 있다. 예를 들어, 배열은 L x W x RGB (Red Green Blue) 컬러 모델 (RBG 값) 일 수 있다. RGB 는 3 개의 채널들로 간주되며, 각 채널은 RGB 컬러 모델에서 3 가지 컬러들 중 하나를 나타낸다. 예를 들어, 시스템은 일반적으로 (RGB의 경우) 20 x 20 x 3 의 대표 배열로 20 x 20 이미지를 특성화할 수 있으며, 그 배열의 각 포인트에는 픽셀 강도를 나타내는 값 (예를 들어, 0 내지 255) 이 할당된다. 이러한 값들의 배열이 주어지면, 처리 엔진은 그것의 알고리즘을 사용하여 이러한 값을 처리하여 이미지에 있는 마이크로-객체의 수를 출력할 수 있다. 대안적인 실시형태에서, 이미지는 픽셀 색상에 대한 고려 없이 강도에 기초하여 묘사될 수 있다. 예를 들어, RGB를 나타내는 3 을 갖는 20 x 20 x 3 대신에, 어레이는 밝기(예를 들어, 검정 또는 흰색)를 나타내는 1 의 값을 갖는 20 x 30 x 1로 표현될 수 있다. RGB 또는 흑/백 밝기의 사용은 이 애플리케이션 전반에 걸쳐 상호 교환 가능한 개념으로 해석될 수 있으며 선호도 또는 명확한 객관적 성능 메트릭을 기반으로 선택될 수 있다. RGB 또는 흑/백 방법이 분석에 통합되는지 여부에 영향을 미칠 수 있는 성능 메트릭의 예는 계산 강도, 방법의 다른 양태들 동안(예를 들어, 분석이 수행되는 동안) 의 이미지 구성 및/또는 분석을 수행하는 데 걸리는 시간의 양을 포함할 수 있다.
관심 있는 마이크로-객체의 카운팅은 세포 카운트를 수행하기 위한 미세유체 디바이스 내 (예를 들어, 전술한 흐름 영역, 격리 영역, 접속 영역 등 중 임의의 것의 채널, 웰, 챔버, 서브 영역 내) 에 배치된 상기 마이크로-객체의 이미지 (예를 들어, 크로핑된 이미지, 시야 이미지 등) 를 획득하는 것을 포함할 수 있고, 이미지 또는 이미지의 일부 (예를 들어, 도 17 내지 도 18 의 1305) 를 수신하는 것, 및 상기 이미지에 대해 일련의 연산을 수행하여 미세유체 디바이스의 특정 영역에 있는 세포 (1308) 의 양을 나타내는 수 (1310) 를 계산하는 것을 포함할 수 있으며 - 예를 들어, 도 17 내지 도 18 에 도시된 표현에서, 세포의 수는 미세유체 디바이스의 특정의 정의된 영역 (1355) 의 영역들 - 이 경우 도 17 의 도시된 디바이스의 펜 번호 "957" 및 도 18 의 펜 번호 820 내지 펜 번호 824 - 에서 세포(1308)에 대응하는 수 (1310) 를 생성하기 위해 여기에 개시된 방법에 따라 계산될 수 있다. 일부 실시형태에서, 도 17 의 1312 로 도시된 예는 챔버(957) 내의 삼십일 (31) 개의 세포들 및 챔버(958) 내의 일 (1) 개의 세포를 보여주지만, 방법은 미세유체 디바이스, 예를 들어 복수의 정의된 영역들 (예를 들어, 수천 개의 펜, 웰, 채널 등) 을 포함할 수 있는 미세유체 디바이스의 수백, 수천 또는 수만 개의 정의된 영역들 (예를 들어, 채널, 펜, 챔버, 웰 등) 에 대해 카운팅을 수행하도록 구성될 수 있다.
미세유체 디바이스의 각 정의된 영역에 대한 수 또는 카운트는 GUI(1310, 1315)에 표시되고, 추가 데이터 분석을 위해 추가 계산에 통합되며, 및/또는 이미지 또는 이미지가 도출된 미세유체 디바이스의 하나 이상의 특징에 따라 표에 표시될 수 있다. 추가 예에서, 마이크로-객체에 대해 획득된 카운트는 워크플로우에 통합될 수 있으며, 여기서 카운트는 마이크로-객체에 대한 분석을 수행하기 위한 방법에서 이산 시점들에서 취해진다.
콘볼루션 신경망 (CNN) 은 일반적으로 예를 들어 에지 및 곡선과 같은 저레벨 피쳐를 먼저 찾은 다음 일련의 콘볼루션 층들을 통해 보다 추상적인 (예를 들어, 이미지가 분류되는 타입에 고유한) 개념들로 전진함으로써 진보된 형태의 이미지 프로세싱 및 분류/검출을 달성한다. CNN 은 일련의 콘볼루션, 비선형, 풀링 (pooling) (또는 아래에서 자세히 설명 할 다운샘플링) 및 완전히 연결된 계층들을 통해 이미지를 통과시킴으로써 이를 수행하고, 출력을 얻을 수 있다. 다시 말하지만, 출력은 가장 잘 이미지를 기술하거나 이미지상의 객체를 검출하는 단일 클래스 또는 클래스들의 확률일 수 있다.
CNN 의 계층들에 관해서는, 제 1 계층은 일반적으로 콘볼루션 층 (Conv) 이다. 이러한 제 1 계층은 일련의 파라미터들을 사용하여 이미지의 대타겟인 배열을 프로세싱할 것이다. 이미지를 전체적으로 처리하는 대신, CNN 은 필터 (또는 뉴런 또는 커널) 를 사용하여 이미지 서브 세트들의 집합을 분석할 것이다. 서브 세트들은 주변 포인트들 뿐아니라 배열 내의 초점을 포함할 것이다. 예를 들어, 필터는 32 x 32 이미지에서 일련의 5 x 5 면적들 (또는 영역들) 을 검사할 수 있다. 이들 영역들은 수용장 (receptive fields) 로서 지칭될 수 있다. 그 필터는 일반적으로 입력과 동일한 깊이를 가질 것이므로, 32 x 32 x 3 의 디멘젼들을 갖는 이미지는 동일한 깊이의 필터 (예를 들어, 5 x 5 x 3) 를 가질 것이다. 위의 예시적인 디멘젼들을 사용하여, 콘볼빙 (convolving) 하는 실제 단계는 필터를 입력 이미지를 따라 슬라이딩하는 것, 필터 값을 이미지의 오리지날 픽셀 값과 곱하여 엘리먼트별 (element wise) 곱셈들을 컴퓨팅하는 것, 및 이들 값들을 합산하여 이미지의 그러한 검사된 영역에 대한 단일의 수에 도달하는 것을 수반할 것이다.
5 x 5 x 3 필터를 사용하는 이러한 콜볼루션 단계의 완료 후에, 28 x 28 x 1 의 디멘젼들을 갖는 활성화 맵 (또는 필터 맵) 이 생성될 것이다. 사용된 각각의 추가적인 계층에 대해, 공간 디멘젼들이 더 잘 유지되어 두 개의 필터를 사용하는 것은 28 x 28 x 2 의 활성화 맵을 야기할 것이다. 각 필터는 일반적으로 최종 이미지 출력에 필요한 피쳐 식별자를 함께 나타내는, 그것이 나타내는 고유한 피쳐 (예를 들어, 컬러, 에지, 및/또는 곡선 등) 를 가질 것이다. 이러한 필터들은, 조합하여 사용될 때, CNN 이 이미지 입력을 처리하여 각 픽셀에 존재하는 그러한 피쳐들을 검출하는 것을 허용한다. 따라서, 필터가 곡선 검출기로서 작용하는 경우, 이미지 입력을 따른 필터의 콘볼빙은 곡선의 높은 가능성 (likelihood) (높은 합산된 엘리먼트별 곱셈들), 곡선의 낮은 가능성 (낮은 합산된 엘리먼트별 곱셈들) 또는 소정 포인트들에서의 입력 볼륨이 곡선 검출기 필터를 활성화할 아무것도 제공하지 않는 경우의 제로 값에 대응하는, 활성화 맵에서의 수들의 배열을 생성할 것이다. 따라서, Conv 에서의 필터 (채널이라고도 함) 의 수가 많을수록, 활성화 맵에 제공되는 깊이 (또는 데이터) 가 더 많을 수록, 그리고 따라서 입력에 대한 정보가 더 많을 수록, 더 정확한 출력을 야기할 것이다.
결과를 산출하는 데 필요한 프로세싱 시간과 전력이 CNN 의 정확성과 밸런싱된다. 즉, 더 많은 필터 (또는 채널) 가 사용될수록, Conv 를 실행하는 데 더 많은 시간과 처리 능력이 필요하다. 따라서, CNN 방법의 필요들을 충족시키기 위한 필터 (또는 채널) 의 선택과 수는 이용가능한 시간과 전력을 고려하면서 가능한 한 정확한 출력을 생성하도록 구체적으로 선택되어야 한다.
CNN 이 더 복잡한 피쳐들을 검출할 수 있도록 하기 위해, 추가의 Conv 들이 이전의 Conv 의 출력 (즉, 활성화 맵) 을 분석하기 위해 추가될 수 있다. 예를 들어, 제 1 Conv 가 곡선이나 에지와 같은 기본 피쳐를 찾는 경우, 제 2 Conv 는 이전 Conv 계층에서 검출된 개별 피쳐들의 조합일 수 있는 형상들과 같은 더 복잡한 피쳐를 찾을 수 있다. 일련의 Conv 들을 제공함으로써, CNN 은 점차적으로 더 높은 레벨의 피쳐들을 검출하여 결국 특정의 원하는 객체를 검출할 확률에 도달할 수 있다. 또한, Conv 들이 서로 적층하여 이전 활성화 맵 출력을 분석함에 따라, 스택에서의 각 Conv 는 자연스럽게 각 Conv 레벨에서 발생하는 축소 (scaling down) 로 인해 점점더 큰 수용장을 분석하여 CNN 이 관심의 객체를 검출함에 있어서 픽셀 공간의 성장하는 영역에 응답하는 것을 허용할 것이다.
CNN 아키텍처는 일반적으로 입력 볼륨 (예를 들어, 이미지) 을 콘볼루팅 (convoluting) 하기 위한 적어도 하나의 처리 블록과 디콘볼루션 (또는 트랜스포즈 (transpose) 콘볼루션) 을 위한 적어도 하나의 처리 블록을 포함하는 처리 블록들의 그룹으로 구성된다. 또한, 처리 블록은 적어도 하나의 풀링 블록 및 언풀링 (unpooling) 블록을 포함할 수 있다. 풀링 블록들은 Conv 에 대해 이용가능한 출력을 생성하기 위해 해상도에 있어서 이미지를 축소하는데 사용될 수 있다. 이것은 계산적 효율성 (효율적인 시간 및 전력) 을 제공할 수 있으며, 이는 CNN 의 실제 성능을 향상시킬 수 있다. 이러한 풀링, 또는 서브샘플링 블록은 필터를 소형으로 그리고 계산상 요건들을 합리적으로 유지하므로, 이러한 블록들은 출력을 조악하게 만들 수 있어 (수용장 내에서 손실된 공간 정보를 야기할 수 있어), 그것을 특정 팩터에 의해 입력의 크기보다 감소시킬 수 있다.
언풀링 블록은 이러한 조악한 출력을 재구성하여 입력 볼륨과 동일한 디멘젼들을 갖는 출력 볼륨을 생성하는데 사용될 수 있다. 언풀링 블록은 오리지날 입력 볼륨 디멘전으로 활성화 출력을 복귀시키는 콘볼루팅 블록의 역 동작으로 간주될 수 있다. 그러나, 언풀링 프로세스는 일반적으로 조악한 출력을 성긴 (sparse) 활성화 맵으로 단순히 확대만 한다. 이 결과를 피하기 위해, 디콘볼루션 블록은 이러한 성긴 활성화 맵을 밀도를 높여 확대되고 밀집한 활성화 맵을 생성하여 궁극적으로 임의의 추가의 필요한 프로세싱 후에 입력 볼륨에 훨씬 가까운 크기 및 밀도의 최종 출력 볼륨을 생성한다. 콘볼루션 블록의 역 동작으로서, 수용장의 다수의 배열 포인트들을 단일의 수로 감소시키는 대신, 디콘볼루션 블록은 단일 활성화 출력 포인트를 하나 이상의 출력들과 연관시켜 결과의 활성 출력을 확대 및 조밀하게 한다.
풀링 블록은 이미지를 축소하는 데 사용될 수 있고 언풀링 블록은 이러한 축소된 활성화 맵을 확대하는 데 사용될 수 있지만, 콘볼루션 및 디콘볼루션 블록은 별도의 풀링 및 언풀링 블록들을에 대한 필요 없이 콘볼빙/디콘볼빙 및 축소/확대 모두를 행하도록 구성될 수 있다. 풀링 및 언풀링 프로세스는 이미지 입력에서 검출되는 관심의 객체들에 따라 단점을 가질 수 있다. 일반적으로 풀링은 윈도우의 중첩 없이 하위 이미지 윈도우를 보고 이미지를 축소하므로 축소가 발생함에 따라 공간 정보의 분명한 손실이 존재한다.
일부 실시형태에서 풀링을 위한 방법은 도 17 에 예시된 바와 같이 전역 평균 풀링 층을 통합하는 단계를 포함할 수 있다. 글로벌 평균 풀링 층에서, 입력은 이미지들의 세트(예를 들어, N개의 이미지, 1320)를 포함할 수 있다. 글로벌 평균 풀링 층은 모든 이미지의 평균 (1322) 을 계산하고 그 평균을 풀링하여 각각의 입력 이미지의 평균 (1322) 을 포함하는 크기 M 의 1차원 벡터 (1324) 를 생성할 수 있다. 추가적으로, 또는 대안적으로, 풀링 방법은 글로벌 맥스(max) 풀링 및/또는 글로벌 평균 풀링을 포함할 수 있다. 글로벌 풀링은 전체 이미지 또는 텐서에 걸쳐 수행되는 풀링을 포함한다. 전역 풀링 방법은 다운 샘플링 풀링 방법과 다르다. 다운 샘플링에서 풀링(예를 들어, 맥스 풀링 또는 평균 풀링)은 이미지의 부분들에 걸쳐 사용될 수 있다. 다운 샘플링은 콘볼루션 층이 추가 콘볼루션 층을 준비하기 위해 텐서를 처리한 후에 유용할 수 있다. 마이크로-객체 카운팅을 위한 개시된 실시형태에서 글로벌 풀링 방법은 콘볼루션 층들로부터 생성된 텐서를 컴파일하여 완전히 연결된 계층 및 대응하는 활성화 층에 의해 추가로 분석될 수 있도록 상이한 크기의 크로핑된 또는 시야 이미지로부터 도출된 데이터를 준비하는 방법을 포함할 수 있다 - 이러한 개선 없이는 여기에 개시된 시스템 및 방법에서 도출된 데이터가 개시된 완전히 연결된 계층에 의해 처리될 수 없을 것이며 마이크로-객체 카운트와 상관된 양의 정수를 산출할 수 없을 것이다.
처리 블록은 콘볼루션 또는 디콘볼루션 (deconvolutional) 계층으로 패키징되는 다른 계층들을 포함할 수 있다. 이들은 예를 들어, 정류된 선형 단위 계층 (ReLU) 또는 지수 선형 단위 계층 (ELU) 을 포함할 수 있으며, 이들은 그것의 처리 블록에서 Conv 로부터의 출력을 검사하는 활성화 함수들이다. ReLU 또는 ELU 계층은 Conv 에 고유한 관심의 피쳐의 긍정적인 검출에 대응하는 그러한 값들만 전진시키는 게이팅 함수로서 작용한다.
기본 아키텍처가 주어지면, CNN 은 (관심의 객체의) 이미지 분류/검출에서의 그의 정확성을 연마하기 위한 트레이닝 프로세스를 위해 준비된다. 이것은 CNN 이 최적, 또는 임계, 정확도에 도달함에 있어서 그것의 파라미터들을 업데이트하도록 CNN 을 트레이닝하는데 사용되는 트레이닝 데이터 세트, 또는 샘플 이미지를 사용하는 역전파 (backpropagation) (backprop) 라고 하는 프로세스를 수반한다. 역전파는 역전파의 파라미터들에 따라 천천히 또는 빠르게 CNN 을 트레이닝할 일련의 반복 단계 (트레이닝 반복) 를 수반한다. 역전파 단계는 일반적으로 주어진 학습 속도에 따라 순방향 패스 (pass), 손실 함수, 역방향 패스 및 파라미터 (가중치) 업데이트를 포함한다. 순방향 패스는 CNN 을 통해 트레이닝 이미지를 통과시키는 것을 수반한다. 손실 함수는 출력의 오류의 측정이다. 역방향 패스는 손실 함수에 대한 기여 팩터들을 결정한다. 가중치 업데이트는 필터의 파라미터를 업데이트하여 CNN 을 최적을 향해 이동시키는 것을 수반한다. 학습 속도는 최적에 도달하기 위해 반복 당 가중치 업데이트의 범위를 결정한다. 학습 속도가 너무 낮으면, 트레이닝은 너무 오래 걸리고 너무 많은 처리 용량을 수반할 수도 있다. 학습 속도가 너무 빠르면, 각각의 가중치 업데이트가 너무 커서 주어진 최적 또는 임계값의 정밀한 달성을 허용하지 않을 수도 있다.
역전파 프로세스는 트레이닝에서 복잡성을 유발할 수 있으므로 트레이닝의 시작 시 더 낮은 트레이닝 속도 및 더 특정하고 신중하게 결정된 초기 파라미터에 대한 필요를 야기한다. 하나의 그러한 복잡성은 각 반복의 끝에서 가중치 업데이트가 발생하기 때문에 Conv 의 파라미터에 대한 변경이 네트워크가 깊어질수록 증폭된다는 것이다. 예를 들어, CNN 이 상술한 바와 같이 더 높은 레벨의 피쳐 분석을 허용하는 복수의 Conv 를 갖는다면, 제 1 Conv 에 대한 파라미터 업데이트는 각각의 후속 Conv 에서 곱해진다. 네트 (net) 효과는 주어진 CNN 의 깊이에 따라 파라미터에 대한 가장 작은 변경이 큰 영향을 미칠 수 있다는 것이다. 이러한 현상은 내부 공변량 시프트로서 지칭된다.
본 명세서에 개시된 실시형태는 기지의 CNN 에 비해 몇 가지 이점을 갖는다. 이러한 이점들은 예를 들어 풀링 층에 내재된 손실된 공간 정보를 피하고, 역전파 프로세스에 내재된 내부 공변량 시프트를 줄이거나 최소화하고, 더 복잡한 피쳐 검출을 달성하기 위해 딥 (deep) 신경망에서 일반적으로 필요한 처리 시간과 속도를 감소시키는 CNN 을 제공하는 것을 포함한다.
전술한 바와 같이, CNN 은 수용장의 다수의 계층들을 포함한다. 이들은 입력 이미지의 일부를 처리하는 "뉴런" (또는 커널) 집합이다. 그런 다음, 이들 집합의 출력들은 오리지날 이미지의 더 나은 표현을 얻기 위해 그들의 입력 영역들이 중첩하도록 타일링된다; 이것은 모든 그러한 계층에 대해 반복된다. 타일링은 CNN 이 입력 이미지의 변환을 허용할 수 있게 한다. CNN 은 예를 들어 Long et al., "Fully Convolutional Networks for Semantic Segmentation", CVPR 2015, 및 Noh et al., "Learning Deconvolution Network for Semantic Segmentation", ICCV 2015 에 기술되었고, 이들 각각의 내용은 본원에 참조에 의해 포함된다.
CNN 은 컨벌루션 및 완전히 연결된 계층들의 조합들을 포함할 수 있으며, 각 계층의 끝에서 또는 각 계층 후에 포인트별 비선형성이 적용된다. 입력의 작은 영역들에 대한 콘볼루션 연산은 자유 파라미터의 수를 줄이고 일반화를 향상시키기 위해 도입된다. 콘볼루션 네트워크의 한 가지 주요 이점은 콘볼루션 층에서의 공유된 가중치의 사용이며, 이는 동일한 필터 (가중치 뱅크) 가 계층의 각 픽셀에 대해 사용됨을 의미한다; 이는 메모리 사용 공간을 줄이고 성능을 향상시킨다. 일 실시형태에서, CNN 은 미분가능 함수 (differentiable function) 를 통해 입력 볼륨을 출력 볼륨으로 변환하는 (예를 들어, 클래스 스코어를 유지하는) 별개의 계층의 스택에 의해 형성된다.
이러한 실시형태에서, 콘볼루션 층은 빈, 단일 클론 및 폴리 클론으로서 본 실시형태에 대해 정의된다. 계층의 파라미터는 작은 수용장을 갖지만 입력 볼륨의 전체 깊이를 통해 확장되는 학습가능 필터들의 세트를 포함할 수 있다. 순방향 패스 동안, 각 필터는 입력 볼륨의 너비와 높이에 걸쳐 콘볼빙되어 필터 및 입력의 엔트리들 사이의 내적을 컴퓨팅하고 해당 필터의 2 차원 활성화 맵을 생성한다. 결과적으로, 네트워크는 입력의 일부 공간 위치에서 특정 유형의 피쳐를 볼 때 활성화되는 필터를 학습한다.
깊이 디멘젼을 따라 모든 필터에 대한 활성화 맵을 적층하는 것은 콘볼루션 층의 전체 출력 볼륨을 형성한다. 따라서, 출력 볼륨의 모든 엔트리는 또한, 입력의 작은 영역을 보고 동일한 활성화 맵의 뉴런과 파라미터를 공유하는 뉴런의 출력으로 해석될 수 있다. 일 실시형태에서, 공간 배열은 깊이, 스트라이드 (stride) 및 제로 패딩과 같은 콘볼 루션 계층의 출력 볼륨의 크기를 제어하는 하이퍼파라미터에 기초한다. 　
일 실시형태에서, 출력 볼륨의 깊이는 입력 볼륨의 동일한 영역에 연결하는 계층의 뉴런들의 수를 제어한다. 이러한 뉴런들 모두는 입력의 상이한 피쳐에 대해 활성화하는 것을 학습할 것이다. 예를 들어, 제 1 콘볼루션 층이 원시 이미지를 입력으로 사용하면, 깊이 디멘젼을 따른 상이한 뉴런들이 다양한 배향된 에지, 또는 컬러 얼룩의 존재하에서 활성화될 수도 있다.
일 실시형태에서, 스트라이드는　공간 디멘젼 주위의 깊이 열들 (너비 및 높이) 이 할당되는 방법을 제어한다. 스트라이드가 1 일 때, 뉴런의 새로운 깊이 열이 단지 1 공간 단위 떨어져 공간 위치들에 할당된다. 이것은 열들 사이의 과도하게 중첩하는 수용장, 및 또한 큰 출력 볼륨을 야기한다. 반대로, 보다 높은 스트라이드를 사용하면, 수용장이 덜 겹치고 결과 출력 볼륨은 공간적으로 더 작은 치수를 가질 것이다. 일부 실시형태들에서, 입력을 입력 볼륨의 경계에서 0 들로 패딩하는 것이 편리할 수 있다. 이러한　제로 패딩의 크기는 제 3 하이퍼파라미터이다. 제로 패딩은 출력 볼륨 공간 크기의 제어를 제공한다. 특히, 때로는 입력 볼륨의 공간 크기를 정확하게 보존하는 것이 바람직하다.
이러한 실시형태에서, 파라미터 공유 방식은 자유 파라미터의 수를 제어하기 위해 콘볼루션 층에서 사용된다. 그것은 하나의 합리적인 가정에 의존한다: 한 패치 피쳐가 일부 공간 위치에서 컴퓨팅하는 데 유용하다면, 그것은 상이한 위치에서 컴퓨팅하는 데도 유용해야 한다는 것. 즉, 깊이의 단일 2 차원 슬라이스를　깊이 슬라이스로서 표시하면, 우리는 각 깊이 슬라이스의 뉴런을 동일한 가중치와 바이어스를 사용하도록 제한한다. 단일 깊이 슬라이스의 모든 뉴런이 동일한 파라미터화를 공유하고 있기 때문에, 일부 실시형태들에서 CONV 계층의 각 깊이 슬라이스에서의 순방향 패스는 입력 볼륨과의 뉴런의 가중치의 콘벌루션 (따라서 그 이름: 콘볼루션 층) 으로서 컴퓨팅될 수 있다. 이들 실시형태들에서, 가중치의 세트를 입력과 콘볼빙되는 필터로서 지칭하는 것이 허용가능할 수 있다. 이러한 콘볼루션의 결과는 활성 맵이며, 각각의 상이한 필터에 대한 활성 맵의 세트는 깊이 디멘젼을 따라 적층되어 출력 볼륨을 생성한다. 파라미터 공유는 CNN 아키텍처의 변환 불변성에 기여한다.
도 19 는 하나 이상의 실시형태에 따른 신경망의 개략도를 도시한다. 더 구체적으로, 도 19 에서, 신경망(1900)은 픽셀 크기를 포함하는 입력 이미지(1905)를 취한다. 신경망은 제1 처리 블록(1910), 제1 다운 샘플링 블록(1915), 제2 처리 블록(1920), 제2 다운 샘플링 블록(1925) 및 최종 처리 블록(1930)을 포함한다. 제1 처리 블록(1910)은 이미지를 수신할 수 있다. 필터의 예시적인 수가 도면에 도시되어 있다(예를 들어, 제1 처리 블록(1910) 및 제1 다운샘플링 블록(1915)은 64의 필터 크기를 갖고, 제2 처리 블록(1920) 및 제2 다운샘플링 블록(1925)은 128 의 필터 크기 (또는 깊이) 를 갖고, 최종 처리 블록은 256 의 필터 크기 (또는 깊이) 를 갖는다).
일부 실시형태에서, 패딩은 콘볼루션 처리 블록 이전에 수행될 수 있다. 이 실시형태에서, 최종 처리 블록을 제외한 각 처리 블록은 다운 샘플링 블록이 뒤따르지만; 그러나, 대안적인 실시형태는 다운 샘플링 블록이 없는 처리 블록을 가질 수 있다. 다른 대안적인 실시형태는 상이한 수의 처리 블록, 상이한 다운 샘플링 블록 기능(예를 들어, 평균 풀링)을 사용할 수 있다. 또한, 도 19는 두 세트의 처리 블록 및 다운 샘플링 블록을 도시하지만, 단일 처리 블록, 둘 이상의 처리 블록, 또는 복수의 처리 블록이 신경망에 통합될 수 있다. 추가적으로 또는 대안적으로, 도 19 는 2개의 다운 샘플링 블록을 도시하고 있지만, 하나의 다운 샘플링 블록, 2개 이상의 다운 샘플링 블록, 또는 복수의 다운 샘플링 블록이 신경망에 포함될 수도 있다.
도 19 에 또한 도시된 바와 같이, 최종 처리 블록(1930)에서 생성된 콘볼루션된 데이터는 평균화되어 (1935), 크기 (1, 마지막 처리 블록의 필터들의 수) 의 행렬을 생성한 다음, 완전히 연결된 계층 (1940) 에 공급되어 크기 [1, 완전히 연결된 계층의 유닛들의 수] 의 행렬을 생성하는 완전히 연결된 계층을 생성한다. 크기 [1, 완전히 연결된 계층의 유닛들의 수]의 행렬은 제1 활성화 층(1945)에 공급될 수 있다. 제1 활성화 층은 예를 들어 ELU 또는 ReLU 일 수 있다.
다양한 실시형태에서, 제1 활성화 층은 이미지 데이터를 수신하고 크기 [1, 완전히 연결된 계층의 유닛들의 수] 의 행렬에 대한 회귀 분석을 수행한다. 제1 활성화 층의 결과는 제2 완전히 연결된 층(1950)에 공급되어 크기 [1, 완전 연결 층의 유닛 수]의 행렬을 생성할 수 있으며, 이것은 제2 활성화 층 (ELU, ReLU 또는 기타 모델) 에 공급되어 회귀를 수행할 수 있다. 회귀 모델이 ReLU인 경우 회귀는 1 유닛을 가지며 결과는 단지 양수이다. 결과적인 양수는 입력 이미지(1905)의 마이크로-객체에 대한 선형 출력 또는 카운트(1960)를 포함할 수 있다. 다른 실시형태에서, 각각의 완전 연결 계층의 유닛의 수 및 완전 연결 계층의 활성화 함수는 변경될 수 있다.
도 20 은 하나 이상의 실시형태들에 따른 처리 블록의 개략도를 도시한다. 더 구체적으로, 도 20은 처리 블록(2002), 예를 들어 도 19 에 개시된 처리 블록의 예시적인 예시를 나타낸다. 이 처리 블록 예에서, 입력 텐서(2005) (예를 들어, 정의된 [높이, 너비, 필터 크기]의 3차원 이상의 행렬) 는 콘볼루션 및 활성화 층들의 제1 쌍(2010, 2015)에 공급되고, 그후 콘볼루션 및 활성화 층들의 제2 쌍 (2020, 2025)로 공급된다. 기존의 콘볼루션 스퀘어 계층와 달리 이 모델에서 두 개의 콘볼루션 층은 [M x N]이고, 처리 계층의 출력은 (예를 들어, 도 19에 도시된 바와 같은) 신경망의 후속 계층로 공급될 수 있는 출력 텐서(2030)이다.
도 21 은 하나 이상의 실시형태에 따른 최종 처리 블록의 개략도를 도시한다. 더 구체적으로, 도 21은 최종 처리 블록의 예시적인 예시를 나타낸다. 최종 처리 블록은 일부 경우에 도 19에 도시된 바와 같이 다운 샘플링 블록이 뒤따르지 않을 수도 있다. 다른 경우에, 최종 처리 블록은 상이한 수의 콘볼루션 층을 가질 수 있고, 콘볼루션 커널의 크기가 변경될 수 있거나 콘볼루션 층의 활성화 기능들이 변경될 수 있을 것이다. 이 처리 블록 예에서, 입력 텐서(2105) (예를 들어, 정의된 [높이, 너비, 필터 크기]의 3차원 이상의 행렬) 는 콘볼루션 및 활성화 층들의 제1 쌍(2110, 2115)에 공급되고, 그후 콘볼루션 및 활성화 층들의 제2 쌍 (2120, 2125)로 공급된다. 두 개의 콘볼루션 층은 이 모델에서 [M x N]이고 처리 블록(2102)을 구성하지만 그 처리 블록 다음에 입력 텐서를 수신하고 출력 텐서(2140)을 생성하는 또 다른 제3 쌍의 콘볼루션 및 활성화 층(2130, 2135)가 있다. 처리 계층의 출력은 (예를 들어, 도 19에 도시된 바와 같은) 신경망의 후속 계층로 공급될 수 있는 출력 텐서(2130)이다.
출력 텐서는 예를 들어 전역 평균 풀링을 수행하는 계층을 포함하는 평균화 함수를 사용하여 평균화될 수 있다. 글로벌 평균 풀링은 여기에 공개된 콘볼루션된 신경망을 이미지(예를 들어, 픽셀 크기가 다른 크로핑된 이미지 또는 시야 이미지)에 적용하는 기술적 문제를 극복하고 보다 구체적으로 완전 연결 계층을 사용하여 다양한 픽셀 크기 데이터를 처리하는 문제를 극복하는 데 필요하다. 예를 들어, 콘볼루션 층(예를 들어, 도 19 또는 도 20)을 포함하는 개시된 처리 계층 중 임의의 것의 출력 텐서는 본 명세서에 개시된 바와 같이 평균화될 수 있다. 다른 실시형태에서, 글로벌 맥스 풀링과 같은 다른 글로벌 풀링 함수들을 사용할 수 있다.
최종 처리 블록의 출력 텐서(2140), 예를 들어 도 21 에 도시된 최종 처리 블록은 평균화 필터, 예를 들어 글로벌 평균 풀링 필터에 공급될 수 있다. 추가적으로, 또는 대안적으로 도 19 의 평균화 층 (1935) 에 도시된 바와 같은 평균화의 일부 다른 수단은 최종 처리 블록을 평균화하는 데 사용될 수 있다. 전역 평균 풀링이 적용되는 경우들에서, 그 결과는 크기 [1, N] 인 행렬이고, 여기서 N 은 마지막 처리 블록의 필터 수이다. 예를 들면 도 19 에 예시된 특정 실시형태에서, [1 x N] 행렬은 예를 들어 완전 연결 계층이 256개의 유닛들을 갖는 [1, 256] 행렬을 생성하는 완전 연결 블록(1940)에 공급되며, 이것은 그후 완전 연결 계층이 256개의 유닛들을 갖는 [1,256] 행렬일 수 있는 또 다른 [1, N] 행렬을 생성하는 후속 완전 연결 계층(1950)에 공급된다. 결과의 [1, N] 행렬 또는 이 예에서 [1, 256] 행렬은 [1 x N] 또는 이 예의 [1, 256] 행렬을 단일 정수를 포함하는 [1] 의 회귀 출력으로 압축하는 최종 완전 연결 (선형 출력 또는 카운트, 1960) 계층에 입력될 수 있다. 비록 2개의 완전히 연결된 층만이 도 19에 도시되어 있지만, 단일의 완전 연결 계층, 둘 이상의 완전 연결 계층, 또는 복수의 완전 연결 계층이 있을 수 있다. 도 14의 도시는 선형 출력을 생성하는 데 사용될 수 있는 완전히 연결된 계층 또는 활성화 층의 수에 대한 제한을 나타내기 위한 것이 아니다.
다양한 실시형태들에서, 때때로 형광 이미지가 그렇지 않으면 반투명하게 보일 수 있는 세포를 시각화하기 위해 필요하다 (예를 들어, DAPI 는 소정 세포를 더 잘 검출/카운팅하는 수단으로서 핵을 염색하는데 사용될 수 있다). 그러한 경우에, 엔진 (1208) 은 명시야 이미지와 정렬되도록 형광 이미지를 스케일링, 시프팅 및/또는 회전시킬 수 있으며, 교정은 도트 배열을 사용하여 달성된다.
다양한 실시형태들에서, 푸리에 변환은 미세유체 디바이스상의 도전성 실리콘 기판으로부터의 간섭을 감소시키기 위해 사용될 수 있다. 푸리에 변환은 포토-트랜지스터 배열과 같은 도전성 실리콘 기판과 연관된 간섭 및 아티팩트의 식별을 용이하게 하는 이미지의 주파수 표현을 허용한다. 시간 함수 자체의 푸리에 변환은 주파수의 복소수 함수이며, 그의 절대 값은 오리지날 함수에 있는 해당 주파수의 양을 나타내며, 그의 복소수 인수는 해당 주파수의 기본 사인 곡선의 위상 오프셋이다. 푸리에 변환은 오리지날 신호의 주파수 도메인 표현이라고 불린다. 푸리에 변환이라는 용어는 주파수 도메인 표현과 주파수 도메인 표현을 시간 함수와 관련시키는 수학적 연산 모두를 의미합니다. 푸리에 변환은 시간의 함수에 국한되지 않고, 통일된 언어를 가지기 위해, 오리지날 함수의 도메인이 일반적으로 시간 도메인으로서 지칭된다.
위에서 더 상세히 설명된 바와 같이, 관심있는 마이크로-객체들은, 예를 들어 광 트랜지스터 배열과 같은 미세유체 디바이스의 피쳐들과 비교하여 유사하고 혼란한 형태를 가질 수도 있다. 또한, 세포와 같은 마이크로-객체는 미세유체 디바이스의 다양한 피쳐들에 비해 상대적으로 반투명할 수 있다. 따라서, 관심있는 마이크로-객체들을 식별하기 전에 미세유체 디바이스의 불필요한 피쳐들 (예를 들어, 광 트랜지스터 배열, 벽 또는 미세유체 디바이스의 회로 소자) 을 식별 및 제거하는 것이 도움이 될 수 있다. 푸리에 분석은 예를 들어, 마이크로-객체 검출 이전에 트랜지스터 패턴을 제거하는데 사용될 수 있다. 이 단계는 사전처리 엔진 (1608) 내에서, 또는 대안적으로 (이하에서 보다 상세히 설명되는) 마이크로-객체 검출 유닛 (1604) 의 검출 엔진 (1614) 에서의 사후 처리 단계에서 발생할 수 있다.
다양한 실시형태들에서, 이미지를 사전 처리하는 것은 휘도 정규화 또는 콘트라스트 향상을 이용하여 미세유체 디바이스상의 도전성 실리콘 기판으로부터의 간섭을 감소시키는 것을 포함할 수 있다. 다양한 실시형태들에서, 이미지 사전처리 엔진 (1608) 은 전술한 바와 같이 사전 처리된 이미지의 복사본을 생성하여 다양한 '클라이언트'(1620) (예를 들어, GUI, 이미지 처리, 영화 제작, 이미지 캡처, 메모리/스토리지/서버 등) 로 전송할 수 있다. 다양한 실시형태들에서, 마이크로-객체 검출 유닛 (1604) 은 이미지 획득 유닛 (1602) 과의 통합된 기구 시스템 어셈블리로서 구현될 수 있다. 즉, 마이크로-객체 카운팅 또는 검출 유닛 (1604) 및 이미지 획득 유닛 (1602) 은 동일한 하우징 어셈블리 내에 하우징될 수 있으며 종래의 디바이스/컴포넌트 접속 수단 (예컨대, 직렬 버스, 광학적 케이블링, 전기적 케이블링, 등) 을 통해서 통신할 수 있다.
다양한 실시형태들에서, 마이크로-객체 카운팅 유닛 (1604) 은 광학, 직렬 포트, 네트워크 또는 모뎀 접속을 통해서 이미지 획득 유닛 (1602) 에 통신가능하게 접속된 (도 16 에 나타낸 바와 같은) 스탠드얼론 컴퓨팅 디바이스로서 구현될 수 있다. 예를 들어, 이미지 프로세싱 유닛은 분석을 위해 마이크로-객체 검출 유닛 (1604) 으로의 이미지 획득 유닛 (1602) 에 의해 획득된 이미징 데이터의 송신을 가능하게 하는 LAN 또는 WAN 접속을 통해서 접속될 수 있다. 다양한 실시형태들에서, 마이크로-객체 카운팅 유닛 (1604) 의 기능들은 WAN (또는, 등가물) 접속을 통해서 이미지 획득 유닛 1602 에 통신가능하게 접속된 (클라우드 컴퓨팅 네트워크와 같은) 공유된 컴퓨터 프로세싱 자원들의 분산 네트워크 상에서 구현될 수 있다. 예를 들어, 마이크로-객체 카운팅 유닛 (1604) 의 기능들은 AMAZON WEB SERVICESTM 과 같은 클라우드 프로세싱 서비스 상의 하나 이상의 컴퓨팅 노드들에서 구현되도록 분할될 수 있다.
수많은 사후 처리 기술이 다음과 같이 제공된 몇 가지 예와 함께 고려된다. 검출 엔진 (1614) 은 (미세유체 디바이스에서) 격리 펜의 CAD (computer-aided design) 모델을 실제 이미지 출력에 정렬하여 펜이 있는 위치를 정밀하게 찾도록 구성될 수 있다. (검출되는 셀 유형에 따른) 형광 이미지의 경우, 검출 엔진 (1614) 은, 예를 들어, 블러 (이미지) 루틴으로부터 얻어진 대응하는 이미지를 감산함으로써 뺄셈에 의해 배경을 제거하도록 구성될 수 있다. 검출 엔진 (1614) 은 또한 마이크로-객체 카운트를 위해 개별 펜으로 이미지 출력을 절단하도록 구성될 수 있다. 검출 엔진 (1614) 으로부터의 그 카운트 및 출력 이미지는 I/O 디바이스 (1616) 로 전송될 수 있으며, 여기서 그것은 예를 들어 저장되거나, 메모리 스토리지로 전송되거나, 추가로 분석되고 및/또는 클라이언트 (1620) 전송될 수 있다.
다양한 실시형태들에 따르면, 이미지 획득 유닛 (1602) 및 마이크로-객체 검출 유닛 (1604) 은 단일 물리 유닛으로 통합될 수 있다. 대안적으로, 이미지 획득 유닛 (1602) 및 마이크로-객체 검출 유닛 (1604) 은, 유닛들이 여전히 정보를 교환하도록 통신가능하게 접속되도록 독립적인 유닛들로 제공되면, 분리가능하게 배향될 수 있다. 위에서 설명된 마이크로-객체 검출 유닛 (1604) 의 각각의 컴포넌트는 하드웨어일 수도 있거나 또는 부분적으로 또는 전체적으로 소프트웨어 모듈일 수도 있다.
마이크로-객체들의 자동화된 검출 및/또는 카운팅. 이미지에서의 관심의 마이크로-객체를 자동으로 검출하는 방법이 제공된다. 관심있는 마이크로-객체는 이미지의 하나 이상의 다른 피쳐와 비교하여 유사하고 복잡한 형태를 가질 수 있다. 예를 들어, 일부 경우에, 미세유체 디바이스 내에 배치된 마이크로-객체의 검출은 관심있는 마이크로-객체와 유사한 형태를 갖는 미세유체 디바이스의 피쳐에 의해 복잡해질 수 있다. 예를 들어, 세포의 직경이 10 미크론인 경우, 양 디멘젼들에서 10 미크론 피치를 갖는 포토트랜지스터 배열 (즉, 각 포토트랜지스터는 10 미크론 x 10 미크론 크기를 가짐) 로부터 세포를 구별하기 어려울 수 있다. 또한, 세포와 같은 마이크로-객체는 미세유체 디바이스의 다양한 피쳐들에 비해 상대적으로 반투명할 수 있다. 따라서, 관심있는 마이크로-객체들을 식별하기 전에 미세유체 디바이스의 불필요한 피쳐들 (예를 들어, 광 트랜지스터 배열, 벽 또는 미세유체 디바이스의 회로 소자) 을 식별 및 제거하는 것이 도움이 될 수 있다.
다양한 실시형태에서, 이미지 사전 처리 엔진(1608)으로부터 획득된 이미지가 미세유체 디바이스의 구조 및/또는 미세유체 디바이스의 하나 이상의 특징의 특성과 관련된 카운트를 포함하는 것이 바람직하다. 보다 구체적인 실시형태에서, 연관된 카운트는 미세유체 디바이스의 소정 영역에 대해 (예를 들어, 미세유체 디바이스의 특정 영역에 있는 마이크로-객체의 수에 대해) 획득된 카운트를 연관시키는 데 사용될 수 있다. 일부 실시형태에서, 마이크로-객체는 세포이고 미세유체 디바이스는 세포에 대한 분석을 수행하는 데 사용될 수 있다. 추가 예에서, 본원에 기술된 미세유체 디바이스는 분석의 단계들을 수행하기 위해 마이크로-객체를 미세유체 디바이스의 챔버 또는 펜으로 흐르게 하도록 구성될 수 있다. 마이크로-객체 카운트는 분석을 수행하는 데 중요한 정보일 수 있으며, 경우에 따라 분석이 대규모로 평행 방식으로 수행되기 위해서 최소한의 계산 부하로 자동화된 방식으로 마이크로-객체 카운트가 신속하게 수행되어야야 한다.
일부 실시형태들에서, 단일 픽셀은 관심있는 마이크로-객체의 단면적보다 실질적으로 작은 미세유체 디바이스 내의 면적에 대응할 수 있다. 예를 들어, 마이크로-객체는 약 80 미크론2 의 단면적을 가질 수 있는 반면, 픽셀은 약 2 미크론2 의 면적에 대응할 수있다. 그러한 실시형태들에서, 픽셀의 하나 이상의 클러스터는 마이크로-객체의 단면적을 커버하도록 요구될 것이다 (예를 들어, 상기 예에서, 마이크로-객체의 단면적을 커버하기 위해 실질적으로 40 픽셀을 취하거나, 또는 마이크로-객체의 원주의 단면적을 커버하기 위해 24 픽셀을 취할 것이다). 주어진 이미지에 대해 픽셀 크기는 주어진 이미지에 대한 픽셀 너비와 픽셀 높이의 수학적 곱으로 계산될 수 있다.
미세유체 디바이스에 대한 마이크로-객체 카운트를 생성하는 것은 이미지, 일련의 획득된 이미지(예를 들어, 시간 경과에 따라 촬영한 일련의 이미지), 및/또는 이미지 세트(예를 들어, 시스템(300)의 상이한 "네트트들" 또는 구조들로부터 취해진 이미지 세트)를 포함하는 이미지 데이터를 수신하는 것을 포함할 수 있다. 이미지 데이터는 시야 이미지를 포함할 수 있고, 여기서 시야 이미지는 미세유체 디바이스의 복수의 특징(예를 들어, 채널(들), 펜(들), 트랩(들), 프레임, 흐름 영역, 포토트랜지스터 배열 등)을 포함한다. 이미지 데이터는 이미지 데이터(예를 들어, 시야 이미지)를 적어도 2개의 크로핑된 이미지로 크로핑할 수 있는 이미지 사전처리 엔진(1208)에 의해 수신될 수 있다. 이미지 사전 처리 엔진은 이미지(예를 들어, 이미지의 특징, 이미지에 표현된 미세유체 디바이스의 컴포넌트 등)를 크로핑하도록 구성될 수 있다. 크로핑은 교정 절차로부터 얻은 정보에 따라 수행될 수 있다. 교정은 시야 이미지 및/또는 이미지 데이터를 캡처하기 전에 수행되는 시스템 전체 교정 단계를 포함할 수 있다. 크로핑은 교정된 이미지로부터 얻은 정보에 따라 수행될 수 있다. 일부 예에서, 이미지의 교정은 미세유체 디바이스의 하나 이상의 특징을 식별하고 이러한 특징을 이미지가 참조될 수 있는 벤치마크 또는 베이스라인으로 설정하는 것을 포함할 수 있다. 크로핑은 또한 각 시야 이미지의 특징을 식별하기 위해 여기에 개시된 임의의 방법에 기초하여 수행될 수 있다. 크로핑은 또한 각 시야 이미지의 특징을 식별하기 위해 여기에 개시된 임의의 방법에 기초하여 수행될 수 있다. 크로핑된 이미지는 미세유체 디바이스의 하나 이상의 특징(예를 들어, 채널(들), 챔버(들) 펜(들), 트랩(들), 마이크로-객체(들) 위치, 밝기 등)에 기반하여 생성될 수 있다. 일부 실시형태에서 사전처리 엔진은 한 번에 단일 시야에서 크로핑을를 수행할 수 있다. 대안적인 실시형태에서, 사전처리 엔진은 평행한 다수의 시야에서 크로핑을 수행할 수 있다.
이미지 사전 처리 엔진(1608)은 하나 이상의 시야 이미지를 특정의 특징 또는 특성을 가진 크로핑된 이미지들로 크로핑하도록 구성될 수 있다. 예를 들어, 사전처리 엔진(1608)은 다수의 챔버, 펜, 트랩 또는 마이크로-객체를 포함하는 시야 이미지를 수신할 수 있다. 이미지 사전 처리 엔진(1608)은 시야 이미지를 수신한 다음 시야 이미지를 일련의 크로핑된 이미지로 변환할 수 있다. 일부 경우에, 이미지 사전 처리 엔진(1608)은 시야 이미지를 복수의 크로핑된 이미지로 크로핑하도록 구성될 수 있으며, 여기서 각각의 크로핑된 이미지는 단일 특징(예를 들어, 단일 챔버, 펜, 트랩, 또는 상기 복수의 챔버, 펜, 트랩, 또는 마이크로-객체의 마이크로-객체)을 포함한다. 다른 예에서, 사전처리 엔진은 복수의 크로핑된 이미지를 생성할 수 있으며, 여기서 상기 복수의 크로핑된 이미지 중 적어도 하나는 마이크로-객체를 포함한다.
사전처리 엔진에 의해 생성된 크로핑된 이미지는 픽셀 크기가 다를 수 있다. 픽셀 크기는 이미지 너비의 픽셀 수에 이미지 높이의 픽셀 수를 곱하여 계산될 수 있다. 크로핑된 이미지의 픽셀 크기 차이는 사전처리 엔진에 의해 수행된 크로핑 프로세스로 인해 발생할 수 있다. 추가적인 또는 대안적인 실시형태에서, 크로핑된 이미지의 픽셀 크기의 차이는 시야에서의 차이 - 예를 들어, (예를 들어, 제1 시야와 제2 시야 사이에서 상이한 미세유체 디바이스의 특징에 따른 관심 영역들을 갖는) 상이한 관심 영역들로 취해진 시야, 및/또는 시야 이미지들의 배율에서의 차이로부터 야기될 수 있다.
마이크로-객체 식별 (아래에서 더 자세히 논의됨) 또는 카운팅은 또한 OET 또는 DEP 힘과 같은 힘을 사용하여 마이크로-객체를 조작하거나 재포지셔닝하는 것과 관련하여 사용될 수 있습니다. 일부 실시형태들에서, 미세유체 회로의 특정 회로 요소 (예를 들어, 채널 또는 격리 펜) 또는 위치에서 식별되는 마이크로-객체는 미세유체 회로의 다른 유형의 회로 요소 또는 위치로 이동 (즉, 리포지셔닝) 될 수도 있다. 예를 들어, 마이크로-객체는 미세유체 회로의 채널에서 식별되고 미세유체 회로 내의 격리 펜에 재포지셔닝될 수도 있다 (본 명세서에서 마이크로-객체를 "페닝 (penning)하는 것" 으로 지칭됨). 반대로, 미세유체 회로의 격리 펜에서 식별된 마이크로-객체는 미세유체 회로의 채널로 이동될 수도 있다. 대안적으로, 하나 이상의 마이크로-객체가 하나의 격리 펜 내에서 식별되고 빈 격리 펜에 재포지셔닝될 수도 있다 (여기서는 마이크로-객체를 "재페닝 (re-penning)하는 것" 으로 지칭됨). 본 실시형태에 따르면, 마이크로-객체는 OET 및 DEP 힘을 포함하는 다양한 메카니즘을 사용하여 이동될 수도 있다. 유사하게, 마이크로-객체는 순차적으로 (즉, 한번에 하나의 마이크로-객체), 평행로, 또는 이들의 임의의 조합으로 (예를 들어, 평행인 다수의 세포의 그룹들을 순차적으로 재포지셔닝) 재포지셔닝될 수도 있다.
마이크로-객체가 채널로부터 개별 격리 펜으로 재포지셔닝 (또는 개별 격리 펜으로부터 다른 격리 펜으로 재페닝) 되는 경우, 서로 다른 알고리즘이 사용되어 빈 격리 펜에 마이크로-객체를 할당하고 및/또는 특정의 격리 펜 내의 마이크로-객체들의 수를 결정할 수도 있다. 일부 실시형태들에서, 알고리즘은 마이크로-객체와 펜 사이의 거리 (즉, 마이크로-객체가 재포지셔닝 동안 이동해야 하는 궤적 또는 경로) 가 최소화되도록 빈 격리 펜에 마이크로-객체를 할당하는데 사용될 것이고, 카운팅은 펜들 내의 마이크로-객체들의 수를 확인하는데 사용될 수 있다. 이들 실시형태들에서, 마이크로-객체는 빈 격리 펜에 재포지셔닝되기 위해 최소 거리만을 이동할 것이 요구되기 때문에, 마이크로-객체를 이동시키는 힘 (예를 들어 OET 또는 DEP 힘) 의 사용도 또한 최소화된다.
이들 실시형태들에서, 채널 내의 국부적 마이크로-객체 밀도 (즉, 채널의 특정 공간 영역 내의 마이크로-객체의 수) 는 채널 내의 특정 마이크로-객체를 빈 격리 펜으로 할당하기 위한 적절한 알고리즘을 결정하는데 사용될 수도 있다 . 국소 마이크로-객체 밀도는 여러 가지 방법으로 컴퓨팅될 수도 있다. 일부 실시형태들에서, 국소 마이크로-객체 밀도는 고정된 크기 면적 (예를 들어, 200 미크론2, 또는 채널 길이가 100 미크론이고 채널의 너비가 확장된 면적) 에 기초하거나 다양한 크기의 면적을 사용하는 접근법을 사용하여 컴퓨팅될 수도 있다. 다른 실시형태들에서, 국소 마이크로-객체 밀도는 식별된 마이크로-객체들의 클러스터 또는 식별 된 마이크로-객체들 사이의 거리에 기초하여 계산될 수도 있다. 국소 마이크로-객체 밀도는 채널을 그리드로 세분화하거나 채널의 중첩 영역에 대한 밀도를 계산하기 위해 "슬라이딩 윈도우 (sliding window)"접근법을 사용함으로써 계산될 수도 있다.
국소 마이크로-객체 밀도가 임계 값 T1density 이상이면, 마이크로-객체와 격리 펜 사이의 거리가 최소화되도록 가장 가까운 빈 격리 펜에 마이크로-객체가 할당될 수도 있다. 국소 마이크로-객체 밀도가 특정 임계 값 T1density 이하이면, 마이크로-객체와 격리 펜 사이의 거리가 최소화되도록 빈 격리 펜에 가장 근접한 마이크로-객체에 빈 격리 펜이 할당될 수도 있다. 경우에 따라, 국소 T1density 는 빈 펜의 수뿐만 아니라 소정의 이웃 영역 내의 채널 내의 마이크로-객체의 밀도에 기초하여 계산될 수도 있다.
마이크로-객체와 빈 격리 펜 사이의 거리 (즉, 페닝 중에 마이크로-객체 또는 경로가 이동될 필요가 있는 궤적) 를 계산하는 다양한 방법이 사용되어 특정 마이크로-객체를 빈 격리 펜에 할당할 수도 있다. 일부 실시형태들에서, 마이크로-객체와 잠재적 격리 펜 사이의 거리는 OET 및/또는 DEP 힘을 사용하여 최적의 궤적에만 기초하여 계산될 수도 있다. 어떤 경우에는 OET 또는 DEP 힘을 사용하는 최적의 궤적은 마이크로-객체를 이동시키기 위해 직교 모션 경로의 조합 (예를 들어, y 축과 x 축만을 따른 별개의 운동의 조합) 을 수반한다. 다른 경우, 거리는 제약없이 마이크로-객체와 격리 펜 사이의 가능한 가장 짧은 경로에 기초할 수도 있다 (즉, 마이크로-객체는 격리 펜에 도달하기 위해 임의의 경로를 따라 이동할 수도 있다). 대부분의 실시형태들에서, 거리 (궤적) 를 계산하는데 사용된 알고리즘에 의해 결정된 것과 동일한 궤적을 사용하여 마이크로-객체가 재포지셔닝 (즉, "페닝"또는 "재페닝") 될 것이다.
유사하게, 다수의 마이크로-객체가 격리 펜에 할당되는 경우 (또는 그 반대), 상이한 알고리즘이 펜으로의 마이크로-객체의 최적 할당을 계산하는데 (또는 그 반대로) 사용될 수도 있다. 이러한 알고리즘은 마이크로-객체를 격리 펜으로 재포지셔닝하기 위해 마이크로-객체가 이동해야 하는 전체 거리 (즉, 궤적의 길이) 를 최소화하는 마이크로-객체 대 격리 펜 할당을 결정하는 상이한 계산 방법을 사용할 수 있다. 예를 들어, 그 알고리즘은 모든 궤적의 길이의 합을 휴리스틱 (heuristic) 으로 사용하여 마이크로-객체가 이동할 필요가 있는 거리를 최소화할 수도 있다. 일부 실시형태들에서, 재포지셔닝 중에 마이크로-객체가 이동될 수 있는 최대 거리와 같은 제약이 최적 할당의 계산에 도입될 수도 있다. 다양한 조합 알고리즘이 마이크로-객체와 격리 펜 사이의 최적 할당을 계산하는 데 사용될 수도 있다. 적절한 알고리즘은 그리디 알고리즘, 비선형 최적화, 휴리스틱 기반 알고리즘 및 제약된 검색을 포함한다. 다른 유사한 알고리즘이 본 기술에서 알려져 있다.
일단 마이크로-객체에 대한 최적 할당 및 궤적이 계산되면, OET 및/또는 DEP 와 같은 힘이 마이크로-객체를 할당된 펜으로 이동시키기 위해 사용될 수도 있다. 마이크로-객체를 둘러싸고 OET 및/또는 DEP 힘에 마이크로-객체를 종속시키는 "광 케이지" 와 같은 광의 패턴을 사용하여 또는 바 또는 유사한 구조를 사용하여 OET 및/또는 DEP 힘을 마이크로-객체에 적용함으로써 마이크로-객체가 재포지셔닝될 수도 있다. 일반적으로, 광 케이지는 마이크로-객체를 실질적으로 둘러싸는 구조 (예를 들어, 정사각형, 원 또는 다각형) 일 것이다. 그러나 어떤 경우에는, 광 케이지는 마이크로-객체가 완전히 둘러싸이지 않도록 차단부 또는 개구부를 포함할 수도 있다.
상술한 바와 같이, 대부분의 실시형태들에서, 마이크로-객체는 펜에 대한 마이크로-객체의 최적 할당을 계산하는데 사용된 거리 (궤적) 에 따라 이동될 것이다. 실시형태에 따르면, 마이크로-객체는 순차적으로 또는 평행로, 이들의 임의의 조합으로 (예를 들어, 평행인 세포들의 그룹을 순차적으로 이동) 이동될 수도 있다. 마이크로-객체가 평행로 이동되는 실시형태들에서, 최적 할당 또는 궤적을 계산하기 위해 사용된 알고리즘은 궤적들을 비교하고, 궤적 및 펜에 대한 마이크로-객체의 할당을 변경함으로써 마이크로-객체가 평행로 이동될 때 마이크로-객체가 충돌하지 않도록 보장할 수도 있다. 특정 실시형태에서, 알고리즘은 잠재적인 충돌이 식별될 때 펜에 대한 마이크로-객체 할당을 "교환"할 수도 있다. 본 실시형태에서, 제 1 마이크로-객체에 대한 최적 궤적이 제 2 마이크로-객체에 대한 최적 궤도와 교차 할 때, 제 1 마이크로-객체에 대한 최적 궤적이 제 2 마이크로-객체에 할당되고 제 2 마이크로-객체에 대한 최적 궤적이 제 1 마이크로-객체에 할당된다. 또 다른 특정 실시형태에서, 알고리즘은 제 1 및 제 2 마이크로-객체가 충돌없이 각각의 궤적을 따라 이동할 수있는 그러한 시간까지 제 1 마이크로-객체의 재포지셔닝을 지연시킨다.
어떤 경우, 마이크로-객체 밀도가 너무 높아서 마이크로-객체를 격리 펜에 할당하고 마이크로-객체를 재포지셔닝 (즉, "페닝" 또는 "재페닝") 하기 전에 마이크로-객체가 서로 분리될 필요가 있을 수도 있다. 예를 들어, 마이크로-객체 밀도가 너무 높아서 OET 및/또는 DEP 힘을 사용하여 객체를 재포지셔닝하는 데 사용되는 광 케이지가 다른 마이크로-객체와 간섭하지 않고 단일 마이크로-객체상에서 사용될 수 없기 때문에 마이크로-객체는 OET 및/또는 DEP 힘을 사용하여 페닝될 수 없을 수도 있다. 이러한 간섭은 마이크로-객체에 적용되는 OET 및/또는 DEP 힘의 양을 최소화하는 것이 중요한 경우에 특히 중요합니다. 예를 들어, 마이크로-객체가 OET 및/또는 DEP 힘 또는 OET 힘의 부산물 (예를 들어, OET 및/또는 DEP 힘과 연관된 전기 분해) 에 의해 해를 입을 수 있다. 이러한 경우에, 마이크로- 객체 식별 동안 생성된 정보 (예를 들어, 마이크로-객체의 반경, 중심, 외주 및 위치) 는 마이크로-객체가 다른 세포와 간섭 하지 않고 (여기서 마이크로-객체를 "분리하는 것" 으로서 지칭됨) 페닝 또는 재페닝될 수 있도록 마이크로-객체를 이동시키는데 사용될 수도 있다.
페닝 전에 마이크로-객체가 분리될 필요가 있는 경우를 식별하기 위해, 국소 마이크로-객체 밀도가 정의된 공간 영역에 기초하여 계산되고 제 2 임계 값 T2density 과 비교될 수도 있다. 대안적으로, 마이크로-객체들 사이의 거리가 계산되고 (예를 들어, 마이크로-객체의 중심 사이의 거리, 마이크로-객체의 외주 사이의 거리), 마이크로-객체가 분리되어야 하는지를 결정하는데 사용될 수도 있다. 그러나, 인정될 수 있는 바와 같이, 일부 예에서, 마이크로-객체들 사이의 거리는 너무 작아서 마이크로-객체를 개별 마이크로-객체 및 마이크로-객체로서 식별할 수 없을 수도 있다. 이러한 경우, 각 격리 펜이 하나의 마이크로-객체를 포함하는 것을 보장하기 위해 마이크로-객체를 재포지셔닝 (즉 "페닝") 한 후 마이크로-객체가 재식별될 수도 있다.
일부 실시형태들에서, 광 박스 (light box) 는 페닝 (또는 재페닝) 전에 또는 그 동안 마이크로-객체를 분리하는데 사용된다. 광 박스 (또는 광 케이지) 를 형성할 때, 분할 알고리즘이 사용되어 미세유체 디바이스의 공간 영역 (예를 들어, 채널 또는 격리 펜의 일부) 내의 각각의 식별된 마이크로-객체를, 동일한 공간 영역 내의 다른 마이크로-객체로부터 파티셔닝하는 정점들의 세트를 계산할 수 있다. 그러나, 당업자가 알 수 있는 바와 같이, 그 정점들 세트는 미세유체 디바이스의 공간 영역 내의 마이크로-객체들의 서브세트 만이 다른 마이크로-객체로부터 분리되도록 그려질 수도 있다. 예를 들어, 정점들의 세트는 다른 마이크로-객체와의 근접성으로 인해 재포지셔닝될 필요가 있는 공간 영역 내의 마이크로-객체들의 서브 세트만 분리할 수도 있다.
특정 실시형태에서, 델로네 삼각 분할은 각각의 마이크로-객체의 중심을 사용하여 계산된다. 델로네 삼각 분할은 마이크로-객체의 중심을 연결하는 삼각형들의 세트를 생성한다. 보로노이 다이어그램은 델로네 삼각 분할을 사용하여 계산된 삼각형의 외접원에 기초하여 계산된다. 보로노이 다이어그램은 정점들의 세트와 마이크로-객체의 중심 사이의 거리가 최대화되도록 공간 영역을 서브 영역들의 세트로 분할하는 정점들의 세트이다. 공간 영역 내의 다른 세포들로부터 각각의 세포를 파티셔닝하는 정점들의 세트를 계산하는 다른 방법들이 당업계에 공지되어있다. 일단 정점들의 세트가 컴퓨팅되었다면, 상술된 도 12a 내지 도 12f 에서 도시된 예들과 같이, 정점들의 세트는 OET 및/또는 DEP 힘과 함께 사용되어 마이크로-객체를 이동시킬 수 있다.
도 22a 는 하나 이상의 실시형태에서 미세유체 디바이스 내의 생물학적 샘플을 프로그램에 따라서 분석하기 위한 프로세스 또는 시스템의 단순화된 고수준 블록도를 예시한다. 이들 하나 이상의 실시형태에서, 프로세스 또는 시스템은 2102A에서 미세유체 디바이스의 관심 영역에 대한 제1 시점에서 캡처되는 제1 이미지 데이터를 수신할 수 있다. 예를 들어, 이미지 또는 그 데이터는 미세유체 디바이스의 하나 이상의 챔버에 대한 관심 영역에 대해 캡처될 수 있으며, 도 22a 에 도시된 프로세스 또는 시스템에 대해 2102A 에서 수신되어 관심 영역 내의 생물학적 샘플의 총 카운트를 인식 및 결정할 수 있다.
2102A 에서 수신된 제1 이미지 데이터는 2104A 에서 적어도 제1 이미지 데이터를 제1 픽셀 정보 X 제2 픽셀 정보 X 픽셀 깊이 정보의 차원들을 갖는 어레이로 배열함으로써 제1 사전 처리된 이미지 데이터로 사전 처리될 수 있다. 예를 들어, 제1 이미지 데이터는 길이 X 너비 X 깊이의 차원을 갖는 어레이로 배열될 수 있으며, 여기서 길이 차원은 제한 없이 픽셀들의 제1 수를 포함할 수 있고; 너비 치수는 차원들의 제2 수를 포함할 수 있으며; 깊이 차원은 각각이 제1 이미지 데이터의 데이터의 색상(예를 들어, 빨강, 파랑 및 녹색에 대해 삼(3)의 색상 깊이), 밝기(예를 들어, 검정 또는 흰색에 대해 일(1)의 깊이), 강도를 나타내는 채널들의 수를 포함할 수 있다.
일부 실시형태에서, 이미지 센서(예를 들어, 포토다이오드, 포토트랜지스터 등)의 크기, 2개의 바로 인접한 포토트랜지스터 사이의 피치, 관심 있는 생물학적 샘플의 크기, 챔버의 크기, 챔버 근처의 영역을 둘러싸는 치수 등의 하나 이상의 특성들이 위에서 언급된 하나 이상의 다른 특성에 적어도 부분적으로 기초하여 결정되거나 구성될 수 있다. 예를 들어, 생물학적 샘플의 크기가 또한 예를 들어 약 10미크론인 경우에는 크기 또는 피치가 약 10미크론인 광 센서 다이오드 또는 트랜지스터로 생물학적 샘플을 처리(예를 들어, 인식, 분류, 카운팅 등)하는 것이 어려울 수 있다. 유사하게, 폭이 약 10미크론인 챔버는 크기가 약 2미크론인 생물학적 샘플에 사용될 수 있지만 더 큰 생물학적 샘플에 반드시 적합한 것은 아니다.
제1 이미지 데이터의 제1 클래스 또는 유형은 적어도 제1 이미지 데이터를 적어도 머신 러닝 모델을 사용하여 제1 클래스 또는 유형으로 분류함으로써 제1 이미지 데이터 또는 제1 사전 처리된 데이터에 대해 2106A에서 결정될 수 있다. 일부 실시형태에서, 2106B에서의 결정 또는 분류는 미세유체 디바이스의 생물학적 샘플의 타겟 분석과 상관된 추가 데이터 또는 메타데이터를 사용하여 수행될 수 있다. 클래스 또는 유형은 예를 들어 생물학적 샘플 (예를 들어, T 세포, B 세포, NK 세포, 대식세포 등과 같은 면역학적 세포, 다른 유형의 세포, 단백질, 바이러스 등) 의 클래스 또는 유형을 포함할 수 있다.
관심 영역의 생물학적 샘플의 제1 카운트는 적어도 다중 처리 블록을 갖는 콘볼루션 신경망을 포함하는 머신 러닝 모델로 생물학적 샘플을 인식함으로써 2108A에서 결정될 수 있다. 이들 실시형태 중 일부에서, 제1 카운트는 2106A에서 결정된 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 결정될 수 있다. 2108A에서 생물학적 샘플을 인식하는 것은 생물학적 샘플에 대한 많은 세부 사항을 식별할 수도 있고 식별하지 못할 수도 있다. 예를 들어, 유체 디바이스의 챔버에 있는 생물학적 샘플의 총 카운트를 결정할 목적으로, 2108A 에서의 처리의 주요 목적이 생물학적 샘플의 총 카운트를 결정하는 것인 경우 프로세스 또는 시스템이 생물학적 샘플에 대한 추가적인 상세를 추가로 판단하지 않고, 생물학적 샘플의 크기를 추정할 수 있도록 프로세스 또는 시스템은 생물학적 샘플의 경계, 형태(예를 들어, 크기, 모양 등), 핵, 핵 크기, 핵-대-세포질 비율 등을 인식할 수 있다.
관심 영역에 대한 제1 카운트와 상관된 정보의 텍스트 또는 그래픽 표현이 2110A에 표시될 수 있다. 예를 들어, 텍스트 설명 또는 그래픽 표현은 2110A에서 그래픽 사용자 인터페이스의 갤러리 뷰에 표시될 수 있다.
도 22b 내지 도 22e 는 하나 이상의 실시형태들에서 도 22a 에 도시된 고수준 블록도에 대한 더 많은 세부사항을 예시한다. 더 구체적으로, 도 22b 내지 도 22e는 도 22a에 예시된 프로세스 또는 시스템에서 사용되는 머신 러닝 모델에 대한 더 많은 세부사항을 예시한다. 이러한 하나 이상의 실시형태에서, 콘볼루션 신경망의 다수의 프로세스 블록들(2102B)은 제1 처리 블록(2104B), 제2 처리 블록(2106B), 제3 처리 블록(2108B), 및 제4 처리 블록(2110B)을 포함할 수 있다.
도 22c 에 도시된 바와 같은 일부 실시형태들에서, 제1 처리 블록(2104B)은 제1 다운-샘플링 블록(2102C) 및 제1 다운-샘플링 블록(2102C)으로부터 입력을 수신하는 제1 잔차 블록(2106C)을 포함할 수 있다. 제1 다운샘플링 블록(2102C)은 제1 콘볼루션 커널(2104C)을 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 제1 콘볼루션 커널은 제1 차원 및 제1 깊이에 대한 제1 스트라이드를 갖고, 제1 차원은 1x1보다 크고, 제1 스트라이드는 1보다 크다. 일 실시형태에서, 제1 콘볼루션 커널(2104C)은 3x3 의 차원과 2의 제1 스트라이드를 갖는다.
제1 잔차 블록(2106C)은 제1 평행 경로(2108C) 및 제2 평행 경로(2110C)를 포함하며, 둘 다 제1 다운-샘플링 블록(2102C)으로부터 제1 다운-샘플링 블록 출력을 수신한다. 제1 평행 경로(2108C)는 제2 차원 또는 필터 크기를 갖는 다수의 제2 콘볼루션 커널(2112C)을 포함하고, 제2 평행 경로(2110C)는 제2 차원 또는 필터 크기보다 작은 제3 차원 또는 필터 크기를 갖는 제3 콘볼루션 커널(2114C)을 갖는다. 일 실시형태에서, 제2 차원 또는 필터 크기는 3x3 이고, 제3 차원 또는 필터 크기는 1x1 이다.
도 22d 에 도시된 바와 같은 일부 실시형태들에서, 제2 처리 블록(2106B)은 제2 다운-샘플링 블록(2102D) 및 제2 다운-샘플링 블록(2102D)으로부터 입력을 수신하는 제2 잔차 블록(2106D)을 포함할 수 있다. 제2 다운샘플링 블록(2102D)은 제4 콘볼루션 커널(2104D)을 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 제4 콘볼루션 커널은 제4 차원 및 제4 깊이에 대한 제4 스트라이드를 갖고, 제4 차원은 1x1보다 크고, 제4 스트라이드는 1보다 크다. 일 실시형태에서, 제4 콘볼루션 커널(2104D)은 3x3 의 차원과 2의 제4 스트라이드를 갖는다.
제2 잔차 블록(2106D)은 제3 평행 경로(2108D) 및 제4 평행 경로(2110D)를 포함하며, 둘 다 제2 다운-샘플링 블록(2102D)으로부터 제2 다운-샘플링 블록 출력을 수신한다. 제3 평행 경로(2108D)는 제5 차원 또는 필터 크기를 갖는 다수의 제5 콘볼루션 커널(2112D)을 포함하고, 제4 평행 경로(2110D)는 제5 콘볼루션 커널 (2112D) 의 제5 차원 또는 필터 크기보다 작은 제6 차원 또는 필터 크기를 갖는 제6 콘볼루션 커널(2114D)을 갖는다. 일 실시형태에서, 제5 차원 또는 필터 크기는 3x3 이고, 제6 차원 또는 필터 크기는 1x1 이다.
도 22e 에 도시된 바와 같은 일부 실시형태들에서, 제3 처리 블록(2106E)은 제3 다운-샘플링 블록(2102E) 및 제3 다운-샘플링 블록(2102E)으로부터 입력을 수신하는 제3 잔차 블록(2106E)을 포함할 수 있다. 제3 다운샘플링 블록(2102E)은 제7 콘볼루션 커널(2104E)을 포함할 수 있다. 이들 실시형태 중 일부에 있어서, 제7 콘볼루션 커널 (2104E) 은 제7 차원 및 제7 깊이에 대한 제7 스트라이드를 갖고, 제7 차원은 1x1보다 크고, 제7 스트라이드는 1보다 크다. 일 실시형태에서, 제7 콘볼루션 커널(2104E)은 3x3 의 차원과 2의 제7 스트라이드를 갖는다.
제3 잔차 블록(2106E)은 제5 평행 경로(2108E) 및 제6 평행 경로(2110E)를 포함하며, 둘 다 제3 다운-샘플링 블록(2102E)으로부터 제3 다운-샘플링 블록 출력을 수신한다. 제5 평행 경로(2108E)는 제8 차원 또는 필터 크기를 갖는 다수의 제8 콘볼루션 커널(2112E)을 포함하고, 제6 평행 경로(2110E)는 다수의 제8 콘볼루션 커널 (2112E) 의 제8 차원 또는 필터 크기보다 작은 제9 차원 또는 필터 크기를 갖는 제9 콘볼루션 커널(2114E)을 갖는다. 일 실시형태에서, 제8 차원 또는 필터 크기는 3x3 이고, 제9 차원 또는 필터 크기는 1x1 이다.
제4 처리 블록(2110B)은, 제4 처리 블록(2110B)에 대한 더 많은 세부사항을 예시하는 도 22f 에 도시된 바와 같이, 제1 정규화 층(2104F)(예를 들어, 제1 배치 정규화 층)이 후속되는 제1 전치 콘볼루션 층(2102F)을 포함한다. 제4 처리 블록(2110B)은 제2 정규화 층(2108F)(예를 들어, 배치 정규화 층)이 후속되는 제2 전치 콘볼루션 층(2106F)을 포함할 수 있다. 제1 전치 콘볼루션 층(2102F) 및 제1 정규화 층(2104F)의 실행은 제2 전치 콘볼루션 층(2106F) 및 제2 정규화 층(2184F)의 실행보다 선행한다. 제4 처리 블록(2110B)은 콘볼루션 신경망 (CNN) 출력(2110F)을 생성한다. 제1 내지 제4 처리 블록 사이의 데이터 흐름에 대한 보다 상세한 내용은 도 14d 내지 도 14g 를 참조하여 상술하였다.
일부 실시형태에 있어서, 제4 처리 블록의 전치 콘볼루션 층들의 총수는 제1 및 제2 처리 블록의 콘볼루션 층들의 총 수보다 적어도 1 이 작은 값에 대응한다. 일부 실시형태들에서, 콘볼루션 신경망은 풀링 층을 포함하지 않는다. 추가로 또는 대안으로, 콘볼루션 신경망의 모든 콘볼루션 층들은 1 X 1 보다 큰 필터 크기를 가지므로 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않는다.
일부 실시형태에 있어서, 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 사전 처리하는 단계는 관심 영역 또는 제1 이미지 데이터의 유형에 적어도 부분적으로 기초하여 제1 이미지 데이터를 제1 사전 처리된 이미지 데이터로 적어도 감소시키는 단계를 포함하고, 여기서 제 1 이미지 데이터의 유형은 생물학적 샘플을 분석하기 위해 제 1 이미지 데이터가 캡처되는 동작에 대응하고, 그 동작은 익스포트 동작 또는 임포트 동작을 포함한다. 추가적으로 또는 대안적으로, 제1 이미지 데이터에 대한 픽셀 크기는 일부 실시형태에서 생물학적 샘플의 제1 기하학적 특성 및 관심 영역의 제2 기하학적 특성에 적어도 부분적으로 기초하여 결정될 수 있다. 이들 바로 선행하는 실시형태 중 일부에 있어서, 생물학적 샘플의 제1 기하학적 특성은 생물학적 샘플의 직경, 장경, 단경 또는 면적을 포함하고, 관심 영역의 제2 기하학적 특성은 관심 영역 또는 그것의 일부의 폭 또는 길이를 포함한다.
일부 실시형태에서, 제1 이미지 데이터의 제1 클래스 또는 유형을 결정하는 단계는 적어도 콘볼루션 신경망의 제1 처리 블록을 이용하여 복수의 저수준 특징들을 처리하고, 적어도 콘볼루션 신경망의 제3 처리 블록을 이용하여 복수의 추상 특징들을 처리하는 단계를 포함한다. 이들 실시형태 중 일부에 있어서, 제1 클래스 또는 유형을 결정하는 단계는 제1 클래스 또는 유형 또는 제1 클래스 또는 유형에 대응하는 제1 통계를 결정하는 단계를 더 포함할 수 있고, 여기서 제1 통계는 제1 이미지 데이터에서의 하나 이상의 픽셀이 대응하는 생물학적 샘플 특성을 나타내는 제 1 확률을 포함한다.
일부 실시형태에서, 생물학적 샘플의 제2 카운트는 다중 처리 블록을 갖는 콘볼루션 신경망(CNN)에 기초하여 관심 영역에 대한 제2 시점에서 캡처된 제2 이미지 데이터로부터 결정될 수 있고, 관심 영역의 비디오 시퀀스는 적어도 제1 이미지 데이터의 일부 및 제2 이미지 데이터의 일부를 순차적으로 렌더링함으로써 그래픽 사용자 인터페이스의 갤러리 뷰에서 재생될 수 있다.
이들 실시형태 중 일부에서, 제2 카운트를 결정하는 단계는 미세유체 디바이스에서 관심 영역에 대한 제1 시점에서 캡처된 제2 이미지 데이터를 수신하는 단계; 적어도 제2 이미지 데이터를 제1 픽셀 정보 X 제2 픽셀 정보 X 픽셀 깊이 정보의 어레이로 배열하여 제2 이미지 데이터를 제2 사전처리된 이미지 데이터로 사전처리하는 단계; 적어도 머신 러닝 모델을 사용하여 제2 이미지 데이터를 제1 클래스 또는 유형으로 분류하는 단계; 및 적어도 다중 처리 블록을 갖는 콘볼루션 신경망으로 생물학적 샘플을 인식함으로써 제1 클래스 또는 유형에 적어도 부분적으로 기초하여 관심 영역의 제2 시점에서 생물학적 샘플의 제2 카운트를 결정하는 단계를 포함한다.
일부 실시형태에 있어서, 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 사전 처리하는 단계는 관심 영역 또는 제2 이미지 데이터의 유형에 적어도 부분적으로 기초하여 제2 이미지 데이터를 제2 사전 처리된 이미지 데이터로 적어도 감소시키는 단계를 포함하고, 여기서 제 2 이미지 데이터의 유형은 생물학적 샘플을 분석하기 위해 제 2 이미지 데이터가 캡처되는 별개의 동작에 대응하고, 그 별개의 동작은 익스포트 동작, 임포트 동작, 별개의 익스포트 동작, 별개의 임포트 동작을 포함한다.
본 발명이 예시적인 실시형태들에 관하여 상세히 기재되었으나, 본 발명의 범주에서 벗어나지 않고 다양한 변경이 행해질 수 있고 등가물이 채용될 수 있다는 것이 당업자에 의해 이해될 것이다. 본 발명의 바람직한 실시형태에 대한 상기 설명은 예시 및 설명의 목적으로 제공되었다. 그것은 포괄적이거나 또는 본 발명을 개시된 정확한 형태들로 한정하도록 의도되지 아니하며, 수정들 및 변형들이 위의 교시들에 비추어 가능하거나 본 발명의 실시로부터 획득될 수 있다. 실시형태들은 당업자가 고려되는 특정 이용에 적합한 다양한 실시형태들에서 본 발명을 이용하는 것을 가능하게 하기 위해 본 발명의 원리들 및 그것의 실제 애플리케이션들을 설명하기 위해 선택 및 설명되었다. 본 발명의 범위는 여기에 첨부된 청구범위 및 그 등가물에 의해 정의되는 것으로 의도된다. 상술한 문서들 각각의 전체가 본 명세서에 참조로 통합된다.
본 개시의 여러 예시적인 실시형태들이 본 명세서에서 설명된다. 비제한적인 의미로 이들 예를 참조한다. 본 발명의 보다 광범위하게 적용 가능한 측면을 예시하기 위해 실시형태가 제공된다. 본 명세서에 기술된 다양한 실시형태에 대해 다양한 변경이 이루어질 수 있고, 본 발명의 진정한 사상 및 범위를 벗어나지 않으면서 균등물이 대체될 수 있다. 또한, 특정한 상황, 재료, 물질의 조성, 방법, 방법 액션(들) 또는 단계(들)를 본 발명의 목적, 사상 및 범위에 맞추기 위해서, 많은 변형이 이루어질 수 있다. 또, 당업자에게 명백해질 바와 같이, 본 명세서에 기술되고 예시된 각각의 개별 변형예는 본 개시의 범위 또는 주제에서 벗어나지 않고 임의의 다른 여러 실시형태의 특징으로부터 용이하게 분리되거나 그와 조합될 수 있는 구별되는 성분 및 특징을 갖는다. 모든 이러한 수정들은 본 개시와 연관된 청구항들의 범위 이내가 되도록 의도된다.
본 개시는 대상 디바이스를 사용하여 수행될 수 있는 방법을 포함한다. 그 방법은 그러한 적절한 디바이스를 제공하는 행위를 포함할 수 있다. 이러한 제공은 최종 사용자에 수행될 수 있다. 다시 말해, "제공" 행위는 최종 사용자가 대상 방법에서 필요한 장치를 제공하기 위해 획득, 액세스, 접근, 위치 지정, 설정, 활성화, 전원 켜기 또는 다르게 행위하도록 요구할 뿐이다. 여기에 인용된 방법은 이벤트들의 인용된 순서로 뿐아니라 논리적으로 가능한 인용된 이벤트들의 임의의 순서로 수행될 수 있다.
재료 선택 및 제조에 관한 세부사항과 함께 본 발명의 예시적인 양태들이 위에서 설명되었다. 본 개시내용의 다른 세부사항에 대해, 이들은 위에서 언급된 특허 및 간행물과 관련하여 인식될 수 있을 뿐만 아니라 일반적으로 당업자에 의해 알려져 있거나 인식될 수 있다. 일반적으로 또는 논리적으로 사용되는 추가 행위의 관점에서 본 발명의 방법 기반 양태들과 관련하여 동일하게 적용될 수 있다.
또한, 본 발명은 선택적으로 다양한 특징을 포함하는 여러 실시형태를 참조하여 설명되었지만, 본 발명은 본 발명의 각 변형에 대해 고려되는 것으로 설명되거나 지시된 것으로 제한되지 않는다. 설명된 본 발명에 다양한 변경이 이루어질 수 있으며, 본 발명의 진정한 정신 및 범위를 벗어나지 않고 등가물(본 명세서에 인용되거나 간략화를 위해 포함되지 않음)이 대체될 수 있다. 추가로, 값의 범위가 제공되는 경우에, 그 범위의 상한 값과 하한 값 사이의 각 개재 값 및 그 명시된 범위의 임의의 다른 명시되거나 또는 개재된 값은 본 개시 내에 포괄되는 것으로 이해된다.
또한, 기술된 본 발명의 변형의 임의의 선택적인 특징은 독립적으로, 또는 본원에 기술된 특징들 중 임의의 하나 이상과 조합하여 진술 및 청구될 수 있는 것으로 고려된다. 단수 항목에 대한 참조는 동일한 항목이 여러 개 존재할 가능성을 포함한다. 더욱 구체적으로, 본 명세서 및 그것과 연관된 청구항들에서 사용된 바와 같이, 단수 형태들 ("a, "an" 및 "the" ) 은 명확하게 달리 진술되지 않는다면 복수의 참조들을 포함한다. 다시 말해서, 기사의 사용은 본 개시와 관련된 청구범위뿐만 아니라 위의 설명에서 주제 항목의 "적어도 하나"를 허용한다. 나아가, 그러한 청구범위는 임의의 선택적 요소를 배제하도록 작성될 수 있음에 주의한다. 이와 같이, 이러한 진술은, 청구항 요소의 언급과 관련하여 "오로지", "오직" 등의 배타적 용어의 사용, 또는 "부정적" 한정의 사용에 대한 선행 지지로서의 역할을 하기 위한 것이다.
이러한 배타적 용어를 사용하지 않고, 본 개시와 관련된 청구범위에서 "포함하는"이라는 용어는 주어진 수의 요소가 그러한 청구범위에 열거되어 있는지 또는 특징의 추가가 그러한 청구범위에 명시된 요소의 특성을 변형하는 것으로 간주될 수 있는지 여부에 관계없이 모든 추가 요소의 포함을 허용해야 한다. 여기에 구체적으로 정의된 경우를 제외하고, 여기에 사용된 모든 기술적 및 과학적 용어는 청구의 유효성을 유지하면서 가능한 한 일반적으로 이해되는 광범위한 의미를 부여해야 한다.
본 개시내용의 폭은 제공된 예 및/또는 본 명세서에 제한되지 않고, 오히려 본 개시내용과 관련된 청구 범위에 의해서만 제한되어야 한다. 예시된 실시형태들의 상기 설명은 배타적이거나 실시형태들을 개시된 정확한 형태로 제한하도록 의도된 것은 아니다. 예시의 목적으로 본 명세서에 특정 실시형태 및 예가 설명되어 있지만, 관련 기술 분야의 숙련자에 의해 인식되는 바와 같이 본 개시의 사상 및 범위를 벗어나지 않고 다양한 등가 변형이 이루어질 수 있다. 다양한 실시형태의 여기에 제공된 교시는 반드시 위에서 일반적으로 설명된 예시적인 AR 시스템이 아니라 가상 또는 AR 또는 하이브리드 시스템을 구현하고 및/또는 사용자 인터페이스를 사용하는 다른 장치에 적용될 수 있다.
예를 들어, 전술한 상세한 설명은 디바이스들 및/또는 프로세스들의 다양한 실시형태들을 블록 다이어그램들, 개략도, 및/또는 예들의 사용을 통해 설명하였다. 이러한 블록 다이어그램들, 개략도들, 및/또는 예들이 하나 이상의 기능들 및/또는 동작들을 포함하는 한, 이러한 블록 다이어그램들, 플로우차트들, 또는 실시형태들 내의 각각의 기능 및/또는 동작은, 광범위한 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 실질적인 임의의 조합에 의해, 개별적으로 및/또는 집합적으로 구현될 수 있다는 것이 당업자들에 의해 이해될 것이다.
일 실시형태에서, 본 주제는 주문형 반도체 (ASIC), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 통해 구현될 수도 있다. 그러나, 당업자라면 본원에서 설명된 실시형태들이, 전체적으로 또는 부분적으로, 표준 집적 회로들에서, 하나 이상의 컴퓨터들에 의해 실행되는 하나 이상의 컴퓨터 프로그램들(예를 들면, 하나 이상의 컴퓨터 시스템들 상에서 작동하는 하나 이상의 프로그램들)로서, 하나 이상의 제어기들(예를 들면, 마이크로제어기들)에 의해 실행되는 하나 이상의 프로그램들로서, 하나 이상의 프로세서들 (예를 들어, 마이크로프로세서들) 에 의해 실행되는 하나 이상의 프로그램들로서, 펌웨어로서, 또는 실질적으로 이들의 임의의 조합으로서 등가적으로 구현될 수 있으며, 소프트웨어 및/또는 펌에어에 대한 코드를 기록하고/하거나 회로부를 설계하는 것은 본 개시의 교시의 견지에서 당업자의 기술 내에 있을 것임을 알 수 있을 것이다.
로직이 소프트웨어로 구현되고 메모리에 저장될 때, 로직 또는 정보는 임의의 프로세서 관련 시스템 또는 방법에 의해 또는 그것과 관련하여 사용하기 위해 임의의 비일시적 컴퓨터 판독 가능 매체에 저장될 수 있다. 본 개시내용의 맥락에서, 메모리는 전자, 자기, 광학 또는 기타 물리적 장치인 컴퓨터 판독가능 매체 또는 컴퓨터 및/또는 프로세서 프로그램을 포함하거나 저장하는 수단이다. 로직 및/또는 정보는 컴퓨터 기반 시스템, 프로세서-포함 시스템, 또는 명령 실행 시스템, 장치 또는 디바이스로부터 명령들을 인출하여 로직 및/또는 정보와 연관된 명령들을 실행할 수 있는 다른 시스템과 같이, 명령 실행 시스템, 장치, 또는 디바이스에 의한 사용을 위해 또는 그들과 연계하여 임의의 컴퓨터 판독가능 매체에서 구현될 수도 있다.
본 명세서의 문맥에서, "비일시적 컴퓨터 판독가능 매체" 는 명령 실행 시스템, 장치, 또는 디바이스에 의한 사용을 위해 또는 그들과 연계하여 로직 및/또는 정보와 연관된 프로그램을 저장할 수 있는 임의의 요소일 수도 있다. 컴퓨터 판독 매체는 예컨대, 전자의, 자기의, 광학적인, 전자기적인, 적외선의 또는 반도체 시스템, 장치 또는 디바이스일 수 있지만, 이에 제한되지 않는다. 컴퓨터 판독 가능 매체의 보다 구체적인 예(비제한적 목록)는 다음을 포함한다: 휴대용 컴퓨터 디스켓(자기, 컴팩트 플래시 카드, 보안 디지털 등), 랜덤 액세스 메모리 (RAM), 리드 온리 메모리(ROM), 소거가능 프로그램 가능 리드 온리 메모리(EPROM, EEPROM 또는 플래시 메모리), 휴대용 컴팩트 디스크 리드 온리 메모리 (CDROM), 디지털 테이프 및 기타 비일시적 매체.
여기에 설명된 많은 방법이 변형되어 수행될 수 있다. 예를 들어, 많은 방법은 추가 행위를 포함하고, 일부 행위를 생략하고, 및/또는 예시 또는 설명된 것과 다른 순서로 행위를 수행할 수 있다. 여러 실시형태들은 추가 실시형태들을 제공하기 위해 조합될 수 있다. 그것들이 여기의 특정 교시 및 정의와 모순되지 않는 범위 내에서, 모든 미국 특허, 미국 특허 출원 공보, 미국 특허 출원, 외국 특허, 외국 특허 출원 및 비특허 간행물이 본 명세서에서 언급되고 및/또는 애플리케이션 데이터 시트에 나열된다. 실시형태의 양상은, 필요하다면 추가의 실시형태를 제공하기 위해 다양한 특허, 출원 및 간행물의 시스템, 회로 및 개념을 적용하도록 변형될 수 있다.
이들 및 다른 변화는 상기 상술한 설명의 관점에서 실시형태에 대해 이루어질 수 있다. 대체로, 하기 청구항에서, 사용된 용어는 명세서 및 청구항에 개시된 특별한 실시형태로 청구항을 제한하는 것으로 해석되어서는 안되지만, 이러한 청구항이 부여하는 균등물의 전체 범위와 함께 모든 가능한 실시형태를 포함하는 것으로 해석되어야 한다. 따라서, 청구항은 본 개시물에 의해 한정되지 않는다. 또, 상기에 기술된 다양한 실시형태는 추가 실시형태를 제공하도록 조합될 수 있다. 실시형태의 양상은, 필요하다면 추가의 실시형태를 제공하기 위해 다양한 특허, 출원 및 공개물의 개념을 적용하도록 변형될 수 있다.
이들 및 다른 변화는 상기 상술한 설명의 관점에서 실시형태에 대해 이루어질 수 있다. 대체로, 하기 청구항에서, 사용된 용어는 명세서 및 청구항에 개시된 특별한 실시형태로 청구항을 제한하는 것으로 해석되어서는 안되지만, 이러한 청구항이 부여하는 균등물의 전체 범위와 함께 모든 가능한 실시형태를 포함하는 것으로 해석되어야 한다. 따라서, 청구항은 본 개시물에 의해 한정되지 않는다.
전술한 명세서에 있어서, 본 발명은 그 특정 실시형태들을 참조하여 설명되었다. 하지만, 다양한 수정들 및 변경들이 본 발명의 더 넓은 사상 및 범위로부터 일탈함없이 행해질 수도 있음이 명백할 것이다. 예를 들어, 상기 설명된 프로세스 플로우들은 프로세스 액션들의 특정 순서화를 참조하여 설명된다. 하지만, 다수의 설명된 프로세스 액션들의 순서화는 본 발명의 범위 또는 동작에 영향을 주지않고 변경될 수도 있다. 명세서 및 도면들은, 이에 따라, 제한적 의미보다는 예시적으로 간주될 것이다.
본 발명의 여러 예시적인 실시형태들이 본 명세서에서 설명된다. 비제한적인 의미로 이들 예를 참조한다. 본 발명의 보다 광범위하게 적용 가능한 측면을 예시하기 위해 여기에 설명된 예들이 제공된다. 본 명세서에 기술된 임의의 예들 또는 실시형태들에 대해 다양한 변경이 이루어질 수 있고, 여기에 기술된 이들 예들 또는 실시형태들의 진정한 사상 및 범위를 벗어나지 않으면서 그것의 균등물이 대체될 수 있다.
또한, 특정한 상황, 재료, 물질의 조성, 시스템, 모듈, 방법, 및/또는 방법 액션(들) 또는 단계(들)를 본 개시의 목적, 사상 및 범위에 맞추기 위해서, 많은 변형이 이루어질 수 있다. 또, 당업자에게 명백해질 바와 같이, 본 명세서에 기술되고 예시된 각각의 개별 변형예, 예들, 및/또는 실시형태 등은 여기에 기술된 여러 변형예, 예들, 및/또는 실시형태 등의 범위 또는 사상에서 벗어나지 않고 임의의 다른 여러 변형예, 예들, 및/또는 실시형태 등의 임의의 것의 특징 또는 특징들로부터 용이하게 분리되거나 그와 조합될 수 있는 구별되는 컴포넌트들 및 특징들을 갖는다. 모든 이러한 수정들은 본 개시와 연관된 청구항들의 범위 이내가 되도록 의도된다. 게다가, 여기에 기술된 여러 실시형태들 또는 그것이 일부(들)은 추가 실시형태들을 제공하기 위해 조합될 수 있다. 실시형태의 임의의 양태들은, 필요하다면 추가의 실시형태를 제공하기 위해 여기에 기술된 다양한 변형예, 예들, 및/또는 실시형태 등의 개념을 채용하도록 변형될 수 있다.

Claims (50)

  1. 생물학적 샘플들을 분석하기 위한 방법으로서,
    미세유체 디바이스 내의 다수의 관심 영역들의 생물학적 샘플들의 분석 및 상기 분석과 상관된 타임라인을 식별하는 단계로서, 상기 타임라인은 상기 생물학적 샘플들의 상기 분석의 워크플로우 또는 파이프라인 중 적어도 하나와 시간적으로 정렬되는 정보를 포함하는, 상기 식별하는 단계;
    상기 다수의 관심 영역들에 대한 하나 이상의 관심 영역 유형들을 결정하는 단계로서, 상기 하나 이상의 관심 영역 유형들은 상기 생물학적 샘플들의 적어도 하나의 생물학적 샘플과 상관된 타겟 기반 유형 또는 상기 미세유체 디바이스와 상관된 구조 기반 유형을 포함하는, 상기 하나 이상의 관심 영역 유형들을 결정하는 단계;
    상기 하나 이상의 관심 영역 유형들에 적어도 부분적으로 기초하여 상기 생물학적 샘플들에 대한 다수의 특성들을 결정하는 단계로서, 상기 다수의 특성들은 각각 상기 생물학적 샘플들 또는 상기 분석들에 대한 속성, 특징, 또는 정량화 가능한 메트릭에 대응하는, 상기 다수의 특성들을 결정하는 단계; 및
    상기 다수의 특성들 및 상기 타임라인에 적어도 부분적으로 기초하여 상기 생물학적 샘플들의 적어도 일부에 대해 사용자 인터페이스에 상기 다수의 관심 영역들에 각각 대응하는 상기 분석으로부터의 연관된 데이터를 배열 및 렌더링하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  2. 제 1 항에 있어서,
    상기 연관된 데이터를 배열 및 렌더링하는 단계는, 분석 결과들을 렌더링하기 위한 상기 사용자 인터페이스의 할당가능한 공간에 적어도 부분적으로 기초하여 상기 분석 결과들에 대한 복수의 갤리러 서브 구조들을 갖는 갤러리 구조를 결정하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  3. 제 2 항에 있어서,
    상기 분석 결과들을 배열 및 렌더링하는 단계는, 상기 다수의 특성들 중의 특성에 적어도 부분적으로 기초하여 갤러리 구조 내의 상기 복수의 갤러리 서브 구조들로 상기 분석 결과들을 팝퓰레이팅하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  4. 제 3 항에 있어서,
    상기 갤러리 구조를 결정하는 단계는,
    비일시적 컴퓨터 액세스가능 저장 매체 내의 액세스가능한 공간에 저장된 상기 갤러리 구조로부터의 상기 다수의 관심 영역들 중 제 1 관심 영역으로부터 획득된 제 1 생물학적 샘플에 대한 시점들 또는 시간 주기들의 세트와 상관된 데이터의 제 1 시퀀스를 결정하는 단계로서, 상기 데이터의 제 1 시퀀스는 상기 다수의 특성들 중 적어도 제 1 특성에 대응하는, 상기 데이터의 제 1 시퀀스를 결정하는 단계;
    상기 갤러리 구조로부터의 상기 다수의 관심 영역들 중 제 2 관심 영역으로부터 획득된 제 2 생물학적 샘플에 대한 상기 시점들 또는 시간 주기들의 세트와 상관된 데이터의 제 2 시퀀스를 결정하는 단계로서, 상기 데이터의 제 2 시퀀스는 상기 다수의 특성들 중 적어도 제 2 특성에 대응하는, 상기 데이터의 제 2 시퀀스를 결정하는 단계; 및
    상기 사용자 인터페이스에서의 제 1 선택 위젯으로 상기 다수의 특징들로부터의 적어도 상기 제 1 특성의 선택에 응답하여,
    상기 제 1 생물학적 샘플 또는 상기 분석에 대한 복수의 값들로부터 적어도 상기 제 1 특성의 제 1 값을 추출하는 단계; 및
    상기 제 2 생물학적 샘플 또는 상기 분석에 대한 상기 복수의 값들로부터 적어도 상기 제 1 특성의 제 2 값을 추출하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  5. 제 4 항에 있어서,
    상기 분석 결과들을 배열 및 렌더링하는 단계는, 상기 갤러리 뷰로 상기 데이터의 제 1 시퀀스 및 상기 데이터의 제 2 시퀀스에 각각 대응하는 제 1 상호작용 객체 및 제 2 상호작용 객체를 렌더링하는 단계를 포함하고,
    상기 제 1 상호작용 객체는 상기 제 1 생물학적 샘플 또는 상기 분석에 대한 상기 제 1 값을 나타내고,
    상기 제 2 상호작용 객체는 상기 제 2 생물학적 샘플 또는 상기 분석에 대한 상기 제 2 값을 나타내는, 생물학적 샘플들을 분석하기 위한 방법.
  6. 제 1 항에 있어서,
    상기 타임라인에 적어도 부분적으로 기초하여 상기 사용자 인터페이스의 타임라인 뷰 활성화 상호작용 위젯을 통한 타임라인 뷰의 호출에 응답하여, 상기 사용자 인터페이스에 상기 타임라인 뷰 및 매칭 그리드 부분을 렌더링하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  7. 제 6 항에 있어서,
    상기 타임라인 뷰는 상기 생물학적 샘플들의 상기 분석에서의 다수의 워크플로우 태스크들의 각각의 진행을 포함하고,
    상기 각각의 진행은 상기 다수의 워크플로우 태스크들의 각각의 시간적 지속기간들을 그래픽적으로 나타내는, 생물학적 샘플들을 분석하기 위한 방법.
  8. 제 7 항에 있어서,
    상기 사용자 인터페이스에 표시된 상기 미세유체 디바이스의 식별, 제 1 관심 영역으로부터의 상기 다수의 관심 영역들의 제 1 생물학적 샘플과 상관된 데이터의 제 1 시퀀스, 또는 제 2 관심 영역으로부터의 상기 다수의 관심 영역들의 제 2 생물학적 샘플과 상관된 데이터의 제 2 시퀀스에 응답하여 상기 미세유체 디바이스 내의 상기 생물학적 샘플들과 상관된 데이터를 저장하기 위해 갤러리 구조가 존재하는지 여부를 결정하는 단계를 더 포함하고,
    상기 데이터는 상기 사용자 인터페이스에 표시된 상기 다수의 관심 영역들의 제 1 관심 영역으로부터의 상기 제 1 생물학적 샘플과 상관된 상기 데이터의 제 1 시퀀스, 또는 상기 다수의 관심 영역들의 상기 제 2 관심 영역으로부터의 상기 제 2 생물학적 샘플과 상관된 상기 데이터의 제 2 시퀀스를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  9. 제 8 항에 있어서,
    상기 미세유체 디바이스에 대하여 상기 갤러리 구조가 존재한다고 결정되는 경우,
    상기 데이터의 제 1 시퀀스의 적어도 일부 또는 상기 연관된 데이터의 적어도 일부로 상기 매칭 그리드 부분을 팝퓰레이팅하는 단계; 및
    상기 사용자 인터페이스로부터 식별자 변경 입력을 수신할 때, 상기 다수의 특성들의 제 1 특성을 변경하고 상기 데이터의 제 1 시퀀스와 상관된 명령을 트리거하는 식별자 위젯을 렌더링하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  10. 제 9 항에 있어서,
    상기 사용자 인터페이스에서 호출될 때, 적어도 프로세서로 하여금 상기 타임라인 뷰로부터 상기 미세유체 디바이스 및 상기 미세유체 디바이스와 상관된 데이터를 제거하게 하는 삭제 위젯을 렌더링하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  11. 제 1 항에 있어서,
    상기 다수의 관심 영역들 중 제 1 관심 영역을 타임라인 뷰에 도시된 하나 이상의 그래픽 엘리먼트들과 연관시키는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  12. 제 11 항에 있어서,
    상기 제 1 관심 영역을 상기 하나 이상의 그래픽 엘리먼트들과 연관시키는 단계는,
    상기 사용자 인터페이스의 일부에서 제 1 열의 상기 하나 이상의 그래픽 엘리먼트들 중 제 1 그래픽 엘리먼트에 대해, 제 1 시점 또는 제 1 시간 주기에 캡처된 데이터의 제 1 시퀀스에 대응하는 제 1 상호작용 객체를 렌더링하는 단계; 또는
    상기 사용자 인터페이스의 일부에서 제 1 열의 상기 하나 이상의 그래픽 엘리먼트들 중 제 1 그래픽 엘리먼트에 대해, 제 1 시점 또는 제 1 시간 주기에 캡처된 데이터의 제 1 시퀀스에 대응하는 제 1 상호작용 객체를 렌더링하고 상기 하나 이상의 그래픽 엘리먼트들 중 제 2 그래픽 엘리먼트에 대해, 제 2 시점 또는 제 2 시간 주기에 캡처된 데이터의 제 2 시퀀스에 대응하는 제 2 상호작용 객체를 렌더링하는 단계를 포함하고,
    상기 제 2 상호작용 객체는 상기 사용자 인터페이스의 상기 일부에서 제 2 열에 대응하는, 생물학적 샘플들을 분석하기 위한 방법.
  13. 제 1 항에 있어서,
    상기 분석 결과들을 배열 및 렌더링하는 단계는, 상기 생물학적 샘플들의 상기 분석에 대한 상기 파이프라인 또는 상기 워크플로우에 적어도 부분적으로 기초하여 상기 타임라인을 결정하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  14. 제 13 항에 있어서,
    상기 분석 결과들을 배열 및 렌더링하는 단계는, 상기 타임라인에 적어도 부분적으로 기초하여 상기 분석에 대한 복수의 스테이지들을 결정하는 단계를 포함하고,
    상기 복수의 스테이지들은 각각 상기 생물학적 샘플들의 상기 분석에 대한 복수의 시점들 또는 시간 주기들에 대응하는, 생물학적 샘플들을 분석하기 위한 방법.
  15. 제 14 항에 있어서,
    상기 연관된 데이터를 배열 및 렌더링하는 단계는 상기 복수의 시점들 또는 시간 주기들에 적어도 부분적으로 기초하여 상기 복수의 스테이지들에 대한 복수의 그래픽 표현들을 각각 결정하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  16. 제 1 항에 있어서,
    상기 사용자 인터페이스에서 데이터 제어 뷰를 렌더링하는 단계를 더 포함하고,
    상기 데이터 제어 뷰를 렌더링하는 단계는 복수의 챔버들을 갖는 상기 미세유체 디바이스에 대한 복수의 필드들을 갖는 미세유체 디바이스 데이터 구조를 생성하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  17. 제 16 항에 있어서,
    상기 데이터 제어 뷰를 렌더링하는 단계는 상기 미세유체 디바이스 데이터 구조 내의 제 1 필드로 상기 미세유체 디바이스와 상관된 제 1 데이터를 팝퓰레이팅하는 단계를 포함하고,
    상기 제 1 데이터는 상기 미세유체 디바이스의 제 1 식별자를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  18. 제 17 항에 있어서,
    상기 데이터 제어 뷰를 렌더링하는 단계는 상기 미세유체 디바이스 데이터 구조의 상기 제 1 필드에 대한 제 1 상호작용 데이터 제어 위젯을 렌더링하는 단계를 포함하고,
    상기 제 1 상호작용 데이터 제어 위젯은, 상호작용될 때, 적어도 상기 제 1 데이터 및 갤러리 뷰와 상관된 챔버 목록을 구성하기 위해 상기 데이터 제어 뷰에서 수신된 제 1 입력에 적어도 부분적으로 기초하여 타임라인 뷰 또는 갤러리 뷰와 상관되는 다수의 제 1 후보 동작들 중 하나를 호출하는, 생물학적 샘플들을 분석하기 위한 방법.
  19. 제 17 항에 있어서,
    상기 데이터 제어 뷰를 렌더링하는 단계는 상기 미세유체 디바이스 데이터 구조 내의 제 2 필드로 상기 미세유체 디바이스와 상관된 제 2 데이터를 팝퓰레이팅하는 단계를 더 포함하고,
    상기 제 2 데이터는 상기 미세유체 디바이스 내의 상기 생물학적 샘플들에 대한 제 1 생물학적 처리와 상관된 태그를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  20. 제 19 항에 있어서,
    상기 데이터 제어 뷰를 렌더링하는 단계는 상기 제 2 필드에 대한 제 2 상호작용 데이터 제어 위젯을 렌더링하는 단계를 더 포함하고,
    상기 제 2 상호작용 데이터 제어 위젯은 상기 연관된 데이터의 하나 이상의 시각화 옵션들을 구성하기 위해 상기 데이터 제어 뷰에서의 제 2 사용자 입력에 응답하여 다수의 제 2 후보 동작들 중 적어도 하나를 호출하는, 생물학적 샘플들을 분석하기 위한 방법.
  21. 제 1 항에 있어서,
    필터 뷰를 렌더링하는 단계를 더 포함하고,
    상기 필터 뷰를 렌더링하는 단계는 필터 생성 모듈 내의 제 1 필터 선택기 스위치와의 상호작용에 의해 트리거된 하나 이상의 명령들의 실행에 적어도 부분적으로 기초하여 제 1 필터에 대한 제 1 필터 유형을 결정하는 단계를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  22. 제 21 항에 있어서,
    상기 필터 뷰를 렌더링하는 단계는, 상기 미세유체 디바이스에 대한 상기 제 1 필터 뷰에서, 상기 다수의 관심 영역들에 적용된 상기 제 1 필터의 제 1 동적 제약을 만족시키는 필터링된 관심 영역들의 제 1 세트에 대한 관심 영역들의 제 1 총수를 동적으로 결정 및 디스플레이하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  23. 제 21 항에 있어서,
    상기 필터 뷰를 렌더링하는 단계는, 필터 생성 모듈에서, 적어도 제 2 필터 유형의 제 2 필터 및 상기 제 1 필터 유형의 상기 제 1 필터의 논리적 조합을 생성하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  24. 제 23 항에 있어서,
    상기 필터 뷰를 렌더링하는 단계는, 제 2 필터 속성의 결정에 응답하여, 상기 제 2 필터에 따라 상기 미세유체 디바이스의 복수의 챔버들 또는 상기 다수의 관심 영역들을 필터링하기 위한 제 2 필터 구성기를 렌더링하는 단계를 더 포함하고,
    상기 제 2 필터 구성기는 제 2 필터 입력에 응답하여 제 2 동적 제약을 부과하고, 상기 제 2 동적 제약은 상기 사용자 인터페이스에서 디스플레이될 상기 다수의 관심 영역들로부터의 필터링된 관심 영역들의 제 2 수를 제약하는, 생물학적 샘플들을 분석하기 위한 방법.
  25. 제 24 항에 있어서,
    상기 필터 뷰를 렌더링하는 단계는,
    상기 미세유체 디바이스에 대한 필터 뷰에서, 상기 제 2 동적 제약을 만족시키는 필터링된 관심 영역들의 제 2 총수를 동적으로 결정 및 디스플레이하는 단계; 및
    상기 제 2 필터 입력으로부터 상기 제 2 동적 제약에서의 제 2 동적 변경에 응답하여 동적으로 변화하는 제 2 히스토그램을 렌더링하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  26. 제 1 항에 있어서,
    생물정보학 파이프라인 뷰를 생성하는 단계를 더 포함하고,
    상기 생물정보학 파이프라인 뷰를 생성하는 단계는 상기 미세유체 디바이스의 복수의 챔버들 또는 상기 다수의 관심 영역들 내의 상기 생물학적 샘플들에 대한 시퀀싱 데이터세트를 결정하는 단계를 포함하고,
    생물학적 샘플은 뉴클레오티드들 또는 아미노산들의 시퀀스를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  27. 제 26 항에 있어서,
    상기 생물정보학 파이프라인 뷰를 생성하는 단계는, 상기 사용자 인터페이스에서의 제 1 시퀀싱 뷰 위젯과의 제 1 상호작용에 응답하여, 상기 미세유체 디바이스의 상기 복수의 챔버들 또는 상기 다수의 관심 영역들 내의 뉴클레오티드들의 시퀀스, 아미노산들의 시퀀스, 또는 거대분자들의 시퀀스 중 적어도 하나를 포함하는 제 1 생물학적 샘플들의 시퀀스의 속성의 분포를 도시하는 상기 생물정보학 파이프라인 뷰에 제 1 시퀀싱 뷰를 렌더링하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  28. 제 27 항에 있어서,
    상기 생물정보학 파이프라인 뷰를 생성하는 단계는 제 1 생물학적 샘플들의 시퀀스를 포함하는 제 1 생물학적 샘플들의 다수의 시퀀스들의 속성의 분포의 하나 이상의 통계 측정들을 포함하는 제 1 정보로 상기 제 1 시퀀싱 뷰를 오버레이하는 단계를 더 포함하고,
    상기 사용자 인터페이스는 제 1 생물학적 샘플들의 상기 다수의 시퀀스들의 총수, 제 1 생물학적 샘플들의 상기 시퀀스를 갖는 관심 영역들의 총수, 및 관심 영역들이 어레이의 각각의 관심 영역 내의 제 1 생물학적 샘플들의 하나 이상의 시퀀스들의 각각의 총수를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  29. 제 1 항에 있어서,
    적어도 하나의 뷰를 포함하는 상기 사용자 인터페이스에 다방향 배치 위젯을 렌더링하는 단계로서, 상기 적어도 하나의 뷰는 갤러리 뷰, 타임라인 뷰, 필터 뷰, 생물정보학 파이프라인 뷰, 또는 차등 유전자 발현 뷰 중 하나 이상을 포함하는, 상기 다방향 배치 위젯을 렌더링하는 단계; 및
    사용자로부터의 제 1 입력에 적어도 부분적으로 기초하여 상기 사용자 인터페이스로 별개의 객체를 추가하기 위한 추가 명령을 식별하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  30. 제 29 항에 있어서,
    상기 제 1 입력에 적어도 부분적으로 기초하여 상기 별개의 객체에 대한 다수의 후보 배치 위치들로부터 후보 배치 위치를 결정하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  31. 제 30 항에 있어서,
    동작들의 세트는 상기 사용자 인터페이스에 상기 별개의 객체의 배치 이전에 상기 적어도 하나의 뷰와 관련하여 상기 별개의 객체가 배치되어야 하는 곳을 그래픽적으로 제시하기 위해 상기 사용자 인터페이스에 상기 후보 배치 위치에 잔상 객체를 렌더링하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  32. 제 1 항에 있어서,
    상기 다수의 특성들은 상기 미세유체 디바이스 내의 관심 영역의 식별자, 상기 생물학적 샘플들의 크기 속성, 상기 생물학적 샘플들에 대한 최대 밝기 속성, 상기 생물학적 샘플들에 대한 최소 밝기 속성, 제 1 생물학적 샘플의 중심에 대한 제 1 방향에서의 제 1 픽셀 카운트 속성, 상기 생물학적 샘플의 상기 중심에 대한 제 2 방향에서의 제 2 픽셀 카운트 속성, 상기 생물학적 샘플의 상기 중심에 대한 크기 속성, 시간 경과 인덱스 속성, 상기 미세유체 디바이스에 대한 디바이스 식별자, 생물학적 샘플 카운트 속성, 검증된 생물학적 샘플 카운트 속성, 생물학적 샘플 유형 속성, 복수의 관심 영역들의 스코어 속성, 게이트 경로 인덱스, 영역 픽셀 속성, 배경 픽셀 속성, 또는 복수의 생물학적 샘플들에 대한 중간값 밝기 속성 중 적어도 하나를 더 포함하는 하나 이상의 속성들에 대응하는, 생물학적 샘플들을 분석하기 위한 방법.
  33. 제 1 항에 있어서,
    상기 미세유체 디바이스 내의 관심 영역에서 제 1 시점에서 상기 생물학적 샘플들의 제 1 카운트를 결정하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  34. 제 33 항에 있어서,
    적어도 제 1 이미지 데이터를 제 1 픽셀 정보 X 제 2 픽셀 정보 X 픽셀 깊이 정보의 배열로 배열함으로써 상기 미세유체 디바이스 내의 관심 영역에 대해 제 1 시점에서 캡처되는 상기 제 1 이미지 데이터를 제 1 사전 처리된 이미지 데이터로 사전 처리하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  35. 제 34 항에 있어서,
    적어도 다수의 처리 블록들을 갖는 콘볼루션 신경망 (CNN) 으로 총 생물학적 샘플들을 인식함으로써 상기 관심 영역 내의 총 생물학적 샘플들의 제 1 카운트를 결정하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  36. 제 35 항에 있어서,
    상기 콘볼루션 신경망 (CNN) 의 상기 다수의 처리 블록들을 사용하여 상기 제 1 이미지 데이터의 제 1 클래스 또는 유형에 적어도 부분적으로 기초하여 상기 관심 영역 내의 상기 생물학적 샘플들의 상기 제 1 카운트를 결정하는 단계를 더 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  37. 제 35 항에 있어서,
    상기 다수의 처리 블록들은 제 1 처리 블록, 제 2 처리 블록, 및 제 3 처리 블록을 포함하고,
    상기 제 1 처리 블록은 제 2 다운 샘플링 블록으로의 제 1 입력을 제 1 다운 샘플링된 이미지 데이터로 다운 샘플링하는 제 1 다운 샘플링 블록을 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  38. 제 37 항에 있어서,
    상기 제 1 처리 블록은 제 1 잔차 네트워크를 더 포함하고,
    상기 제 1 잔차 네트워크는 상기 제 1 다운 샘플링 블록에 후속하고,
    상기 제 1 처리 블록 내의 상기 제 1 다운 샘플링 블록 및 상기 제 1 잔차 네트워크의 각각은 적어도 하나의 제 1 콘볼루션 층을 포함하며,
    상기 제 1 잔차 네트워크는 제 1 평행 경로 및 제 2 평행 경로를 포함하고, 상기 제 1 평행 경로 및 제 2 평행 경로 양자 모두는 상기 제 1 다운 샘플링 블록으로부터 제 1 다운 샘플링 블록 출력을 수신하고,
    상기 제 1 평행 경로는 제 1 필터 크기를 포함하고,
    상기 제 2 평행 경로는 상기 제 1 평행 경로의 상기 제 1 필터 크기보다 작은 제 2 필터 크기를 포함하는, 생물학적 샘플들을 분석하기 위한 방법.
  39. 제 35 항에 있어서,
    상기 콘볼루션 신경망 내의 콘볼루션 층들은 1 X 1 보다 큰 필터 크기들을 가져, 상기 콘볼루션 신경망 내의 어떠한 콘볼루션 층들도 1 X 1 필터를 갖지 않고, 상기 콘볼루션 신경망은 풀링 층들을 포함하지 않는, 생물학적 샘플들을 분석하기 위한 방법.
  40. 생물학적 샘플들의 이미지를 분석하는 방법으로서,
    미세유체 디바이스에서 관심 영역에 대한 제 1 시점 또는 시간 주기에 캡처된 제 1 이미지 데이터를 수신하는 단계;
    적어도 상기 제 1 이미지 데이터를 제 1 픽셀 정보 X 제 2 픽셀 정보 X 픽셀 깊이 정보의 어레이로 배열함으로써 상기 제 1 이미지 데이터를 제 1 사전 처리된 이미지 데이터로 사전 처리하는 단계;
    적어도 상기 제 1 이미지 데이터를 적어도 머신 러닝 모델을 사용하여 제 1 클래스 또는 유형으로 분류함으로써 상기 제 1 이미지 데이터의 상기 클래스 또는 유형을 결정하는 단계;
    적어도 다수의 처리 블록들을 갖는 콘볼루션 신경망 (CNN) 으로 상기 생물학적 샘플들을 인식함으로써 상기 제 1 클래스 또는 유형에 적어도 부분적으로 기초하여 상기 관심 영역 내의 상기 생물학적 샘플들의 제 1 카운트를 결정하는 단계; 및
    그래픽 사용자 인터페이스 (GUI) 의 갤러리 뷰에서 상기 관심 영역에 대한 상기 제 1 카운트와 상관된 텍스트 또는 그래픽 정보를 디스플레이하는 단계를 포함하는, 생물학적 샘플들의 이미지를 분석하는 방법.
  41. 제 40 항에 있어서,
    상기 다수의 처리 블록들은 제 1 처리 블록을 포함하고, 상기 제 1 처리 블록은,
    제 2 다운샘플링 블록에 대한 제 1 입력을 제 1 다운샘플링된 이미지 데이터로 다운샘플링하는 제 1 다운샘플링 블록; 및
    제 1 잔차 네트워크로서, 상기 제 1 잔차 네트워크는 상기 제 1 다운샘플링 블록을 뒤따르고, 상기 제 1 처리 블록의 상기 제 1 다운샘플링 블록 및 상기 제 1 잔차 네트워크 각각은 적어도 하나의 제 1 콘볼루션 층을 포함하는, 상기 제 1 잔차 네트워크를 더 포함하고,
    상기 제 1 다운샘플링 블록은 제 1 차원 및 제 1 깊이에 대한 제 1 스트라이드를 갖는 제 1 콘볼루션 커널을 포함하고, 상기 제 1 차원은 1x1 보다 크고, 상기 제1 스트라이드는 1 보다 크고,
    상기 제 1 콘볼루션 커널은 상기 제 1 다운샘플링 블록에서의 제 1 활성화 층이 더 후속되는 제 1 배치 정규화 층이 후속되고,
    상기 제 1 잔차 네트워크는 제 1 평행 경로 및 제 2 평행 경로를 포함하고, 양자 모두는 상기 제 1 다운샘플링 블록으로부터 제 1 다운샘플링 블록 출력을 수신하고, 상기 제 1 평행 경로는 제 1 필터 크기를 포함하고, 제 2 평행 경로는 상기 제 1 평행 경로의 상기 제 1 필터 크기보다 작은 제 2 필터 크기를 포함하며,
    상기 제 1 평행 경로는 적어도 제 2 차원 및 제 2 깊이에 대한 제 2 스트라이드를 갖는 복수의 제 2 콘볼루션 커널들을 포함하고, 상기 제 2 차원은 상기 제 1 차원보다 낮고 1x1 보다 크고, 상기 제 2 스트라이드는 상기 제 1 스트라이드보다 작은, 생물학적 샘플들의 이미지를 분석하는 방법.
  42. 제 41 항에 있어서,
    적어도 상기 제 2 평행 경로를 따른 제 3 스트라이드를 갖는 제 3 차원을 갖는 제 3 콘볼루션 커널로 제 1 다운샘플링 블록 출력을 처리함으로써 상기 제 1 이미지 데이터를 처리함에 있어서 공간 정보의 제 1 손실을 감소시키는 단계를 더 포함하고, 상기 제 3 차원은 상기 제 1 차원 및 상기 제 2 차원보다 작고, 상기 제 3 스트라이드는 상기 제 1 스트라이드보다 작은, 생물학적 샘플들의 이미지를 분석하는 방법.
  43. 제 41 항에 있어서,
    상기 다수의 처리 블록들은 제 2 처리 블록을 더 포함하고, 상기 제 2 처리 블록은,
    제 2 다운샘플링 블록에 대한 제 2 입력을 제 2 다운샘플링된 이미지 데이터로 다운샘플링하는 제 2 다운샘플링 블록; 및
    상기 제 2 다운샘플링 블록을 뒤따르는 제 2 잔차 네트워크로서, 상기 제 2 처리 블록의 상기 제 2 다운샘플링 블록 및 상기 제 2 잔차 네트워크 각각은 적어도 하나의 제 2 콘볼루션 층을 포함하는, 상기 제 2 잔차 네트워크를 더 포함하는, 생물학적 샘플들의 이미지를 분석하는 방법.
  44. 제 43 항에 있어서,
    상기 다수의 처리 블록들은 제 3 처리 블록을 더 포함하고, 상기 제 3 처리 블록은,
    제 3 다운샘플링 블록에 대한 제 3 입력을 제 3 다운샘플링된 이미지 데이터로 다운샘플링하는 제 3 다운샘플링 블록; 및
    상기 제 3 다운샘플링 블록을 뒤따르는 제 3 잔차 네트워크로서, 상기 제 3 처리 블록의 상기 제 3 다운샘플링 블록 및 상기 제 3 잔차 네트워크 각각은 적어도 하나의 제 3 콘볼루션 층을 포함하는, 상기 제 3 잔차 네트워크를 더 포함하는, 생물학적 샘플들의 이미지를 분석하는 방법.
  45. 제 44 항에 있어서,
    적어도 제 4 평행 경로를 따른 제 6 스트라이드를 갖는 제 6 차원을 갖는 제 6 콘볼루션 커널로 상기 제 2 다운샘플링 블록 출력을 처리함으로써 공간 정보의 제 2 손실을 감소시키는 단계로서, 상기 제 6 차원은 상기 제 4 차원 및 상기 제 5 차원보다 작고, 상기 제 6 스트라이드는 상기 제 4 스트라이드보다 작은, 상기 공간 정보의 제 2 손실을 감소시키는 단계; 또는
    적어도 제 6 평행 경로를 따른 제 9 스트라이드를 갖는 제 9 차원을 갖는 제 9 콘볼루션 커널로 제 3 다운샘플링 블록 출력을 처리함으로써 공간 정보의 제 3 손실을 감소시키는 단계로서, 상기 제 9 차원은 상기 제 7 차원 및 상기 제 8 차원보다 작고, 상기 제 9 스트라이드는 상기 제 7 스트라이드보다 작은, 상기 공간 정보의 제 3 손실을 감소시키는 단계 중 적어도 하나를 더 포함하는, 생물학적 샘플들의 이미지를 분석하는 방법.
  46. 제 45 항에 있어서,
    상기 다수의 처리 블록들은 제 4 처리 블록을 더 포함하고, 상기 제 4 처리 블록은,
    각각의 다음에 각각의 정규화 층이 후속되는 다수의 전치 콘볼루션 층들을 더 포함하고,
    상기 다수의 전치 콘볼루션 층들 중의 전치 콘볼루션 층은 상기 제 1 처리 블록의 상기 적어도 하나의 제 1 콘볼루션 층 또는 상기 제 2 처리 블록의 상기 적어도 하나의 제 2 콘볼루션 층과 동일한 스트라이드 수를 갖는, 생물학적 샘플들의 이미지를 분석하는 방법.
  47. 제 45 항에 있어서,
    상기 제 1 이미지 데이터로부터 하나 이상의 제 1 이미지들을 결정하는 단계로서, 상기 하나 이상의 제 1 이미지들은 상기 제 1 카운트와 상관되고 상기 제 1 시점 또는 시간 주기에 시간적으로 대응하는 제 1 정보를 포함하는, 상기 하나 이상의 제 1 이미지들을 결정하는 단계;
    상기 제 2 이미지 데이터로부터 하나 이상의 제 2 이미지들을 결정하는 단계로서, 상기 하나 이상의 제 2 이미지들은 상기 제 2 카운트와 상관되고 상기 제 2 시점 또는 시간 기간에 시간적으로 대응하는 제 2 정보를 포함하는, 상기 하나 이상의 제 2 이미지들을 결정하는 단계; 및
    적어도 상기 하나 이상의 제 1 이미지들 및 상기 하나 이상의 제 2 이미지들을 상기 그래픽 사용자 인터페이스에서 시간적 순서로 동적으로 렌더링함으로써 상기 생물학적 샘플들의 적어도 일부의 시간적 진행을 제시하는 단계를 더 포함하는, 생물학적 샘플들의 이미지를 분석하는 방법.
  48. 제 40 항에 있어서, 상기 콘볼루션 신경망의 콘볼루션 층들은 1 X 1 보다 큰 필터 크기들을 가져서 상기 콘볼루션 신경망의 어떤 콘볼루션 층도 1 X 1 필터를 갖지 않고, 상기 콘볼루션 신경망은 풀링 층을 포함하지 않는, 생물학적 샘플들의 이미지를 분석하는 방법.
  49. 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 제 1 항 내지 제 48 항 중 어느 한 항에 기재된 방법을 수행하게 하는 명령들의 시퀀스를 저장하는 비일시적 머신 액세스 가능 저장 매체를 포함하는 제조 물품.
  50. 시스템으로서,
    프로세서;
    제 1 분자-생물학적 디바이스 내의 제 1 분자-생물학적 샘플 및 제 2 분자-생물학적 샘플을 포함하는 복수의 분자-생물학적 샘플들을 처리하기 위해 상기 프로세서에 연결된 사용자 인터페이스;
    프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 제 1 항 내지 제 48 항 중 어느 한 항에 기재된 방법을 수행하게 하는 명령들의 시퀀스를 저장하는 비일시적 컴퓨터 액세스 가능 저장 매체를 포함하는, 시스템.




KR1020227017350A 2019-11-17 2020-11-16 생물학적 샘플의 분석을 위한 시스템 및 방법 KR20220113683A (ko)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US201962936550P 2019-11-17 2019-11-17
US62/936,550 2019-11-17
US201962950573P 2019-12-19 2019-12-19
US62/950,573 2019-12-19
US202063035726P 2020-06-06 2020-06-06
US63/035,726 2020-06-06
US202063060647P 2020-08-03 2020-08-03
US63/060,647 2020-08-03
PCT/US2020/060784 WO2021097449A1 (en) 2019-11-17 2020-11-16 Systems and methods for analyses of biological samples

Publications (1)

Publication Number Publication Date
KR20220113683A true KR20220113683A (ko) 2022-08-16

Family

ID=75912816

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227017350A KR20220113683A (ko) 2019-11-17 2020-11-16 생물학적 샘플의 분석을 위한 시스템 및 방법

Country Status (10)

Country Link
US (3) US11521709B2 (ko)
EP (1) EP3894834A4 (ko)
JP (1) JP2023503253A (ko)
KR (1) KR20220113683A (ko)
CN (1) CN115298534A (ko)
AU (1) AU2020385015A1 (ko)
CA (1) CA3157616A1 (ko)
IL (1) IL292993A (ko)
TW (1) TW202142856A (ko)
WO (1) WO2021097449A1 (ko)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10675625B2 (en) 2016-04-15 2020-06-09 Berkeley Lights, Inc Light sequencing and patterns for dielectrophoretic transport
KR20200026878A (ko) 2017-06-06 2020-03-11 지머젠 인코포레이티드 균류 균주를 개량하기 위한 htp 게놈 공학 플랫폼
WO2019236848A1 (en) 2018-06-06 2019-12-12 Zymergen Inc. Manipulation of genes involved in signal transduction to control fungal morphology during fermentation and production
CN115298534A (zh) * 2019-11-17 2022-11-04 伯克利之光生命科技公司 用于生物样本的分析的系统和方法
US11479779B2 (en) 2020-07-31 2022-10-25 Zymergen Inc. Systems and methods for high-throughput automated strain generation for non-sporulating fungi
US11602132B2 (en) 2020-10-06 2023-03-14 Sixgill, LLC System and method of counting livestock
US20220351055A1 (en) * 2021-04-28 2022-11-03 GE Precision Healthcare LLC Data diversity visualization and quantification for machine learning models
EP4089401B1 (de) * 2021-05-10 2024-11-06 Siemens Aktiengesellschaft Messeinrichtung und verfahren zur messung von mindestens zwei verschiedenen komponenten eines fluids mittels ramanstreuung und chemilumineszenz
CN113220748B (zh) * 2021-05-21 2023-10-27 国网江苏省电力有限公司镇江供电分公司 一种构建配电网设备负荷热力图及数据分析的方法和系统
US20230073786A1 (en) * 2021-09-03 2023-03-09 Hewlett-Packard Development Company, L.P. Particle separation
EP4416680A1 (en) * 2021-10-16 2024-08-21 The Regents Of The University Of Colorado, A Body Corporate System and methods for analyzing multicomponent cell and microbe solutions and methods of diagnosing bacteremia using the same
US20230129946A1 (en) * 2021-10-25 2023-04-27 Principia Life, LLC Smart material sample analysis
EP4193918A1 (en) * 2021-12-07 2023-06-14 Nokia Technologies Oy Apparatus, methods and computer programs for identifying characteristics of biological samples
US11734157B2 (en) * 2021-12-23 2023-08-22 Virtualitics, Inc. Systems with software engines configured for detection of high impact scenarios with machine learning-based simulation and methods of use thereof
TWI813145B (zh) * 2022-01-25 2023-08-21 佛教慈濟醫療財團法人 多重螢光組織影像分析方法及其系統
WO2024072330A1 (en) * 2022-09-30 2024-04-04 Chiang Mai University System and process of automated ocular inflammatory region assessment
US20240161364A1 (en) * 2022-11-08 2024-05-16 Adobe Inc. Generating image mattes without trimap segmenetations via a multi-branch neural network
AU2022279500B1 (en) * 2022-12-01 2023-11-23 Provectus IP Pty Ltd Automated cell analyser and method
CN116168765B (zh) * 2023-04-25 2023-08-18 山东大学 基于改进strobemer的基因序列生成方法及系统
CN116721777B (zh) * 2023-08-10 2023-10-27 中国医学科学院药用植物研究所 基于神经网络的药物药效评价方法、装置、设备及介质
CN117453417B (zh) * 2023-11-17 2024-08-20 广东美格基因科技有限公司 一种基于云服务的生信分析加速方法、系统、介质及设备
CN118243652B (zh) * 2024-05-27 2024-09-20 上海英盛分析仪器有限公司 一种基于红外原理的混合气体组分含量分析方法和系统

Family Cites Families (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6294063B1 (en) 1999-02-12 2001-09-25 Board Of Regents, The University Of Texas System Method and apparatus for programmable fluidic processing
US6942776B2 (en) 1999-05-18 2005-09-13 Silicon Biosystems S.R.L. Method and apparatus for the manipulation of particles by means of dielectrophoresis
DE60018425T2 (de) 1999-06-28 2006-04-06 California Institute Of Technology, Pasadena Elastomerische Mikropumpen- oder Mikroventilsysteme
US6995841B2 (en) * 2001-08-28 2006-02-07 Rice University Pulsed-multiline excitation for color-blind fluorescence detection
US7612355B2 (en) 2004-04-12 2009-11-03 The Regents Of The University Of California Optoelectronic tweezers for microparticle and cell manipulation
WO2008119066A1 (en) 2007-03-28 2008-10-02 The Regents Of The University Of California Single-sided lateral-field and phototransistor-based optoelectronic tweezers
WO2009059430A1 (en) 2007-11-07 2009-05-14 The University Of British Columbia Microfluidic device and method of using same
US10087408B2 (en) 2010-07-07 2018-10-02 The University Of British Columbia System and method for microfluidic cell culture
US20130115606A1 (en) 2010-07-07 2013-05-09 The University Of British Columbia System and method for microfluidic cell culture
US9188593B2 (en) 2010-07-16 2015-11-17 The University Of British Columbia Methods for assaying cellular binding interactions
US9227200B2 (en) 2011-06-03 2016-01-05 The Regents Of The University Of California Microfluidic devices with flexible optically transparent electrodes
US10196681B2 (en) * 2011-10-06 2019-02-05 Sequenom, Inc. Methods and processes for non-invasive assessment of genetic variations
US9857333B2 (en) 2012-10-31 2018-01-02 Berkeley Lights, Inc. Pens for biological micro-objects
US9403172B2 (en) 2012-11-08 2016-08-02 Berkeley Lights, Inc. Circuit based optoelectronic tweezers
EP3060645B1 (en) 2013-10-22 2019-01-02 Berkeley Lights, Inc. Microfluidic devices having isolation pens and methods of testing biological micro-objects with same
SG11201602336UA (en) 2013-10-22 2016-05-30 Berkeley Lights Inc Micro-fluidic devices for assaying biological activity
US9889445B2 (en) 2013-10-22 2018-02-13 Berkeley Lights, Inc. Micro-fluidic devices for assaying biological activity
CN104946510B (zh) * 2014-03-31 2017-06-06 博奥生物集团有限公司 集核酸扩增和微阵列检测于一体的微流控装置
US9815056B2 (en) 2014-12-05 2017-11-14 The Regents Of The University Of California Single sided light-actuated microfluidic device with integrated mesh ground
EP3229961B1 (en) 2014-12-08 2019-11-13 Berkeley Lights, Inc. Actuated microfluidic structures for directed flow in a microfluidic device and methods of use thereof
SG11201704558QA (en) 2014-12-08 2017-07-28 Berkeley Lights Inc Microfluidic device comprising lateral/vertical transistor structures and process of making and using same
CN113075113A (zh) 2014-12-09 2021-07-06 伯克利之光生命科技公司 微流体装置中微物体的自动检测和重新定位
EP3230718B1 (en) 2014-12-09 2022-03-02 Berkeley Lights, Inc. Automated detection of assay-positive areas or of analyte quantities in microfluidic devices
US10384204B2 (en) 2014-12-10 2019-08-20 Berkeley Lights, Inc. Systems for operating electrokinetic devices
US10751715B1 (en) 2015-04-22 2020-08-25 Berkeley Lights, Inc. Microfluidic reporter cell assay methods and kits thereof
IL299366A (en) 2015-11-23 2023-02-01 Berkeley Lights Inc Structures for microfluidic isolation are produced at the place of assembly, kits and their uses
IL259837B2 (en) 2015-12-08 2023-03-01 Berkeley Lights Inc Microfluidic devices and kits and their uses
AU2016381833C1 (en) 2015-12-30 2022-10-06 Berkeley Lights, Inc. Microfluidic devices for optically-driven convection and displacement, kits and methods thereof
KR102526147B1 (ko) * 2016-01-19 2023-04-26 엘에스일렉트릭(주) 전력시스템에서의 감시장치
CN109196094A (zh) 2016-03-17 2019-01-11 伯克利之光生命科技公司 微流体装置中t淋巴细胞的选择和克隆
CA3020976A1 (en) 2016-04-15 2017-10-19 Berkeley Lights, Inc. Methods, systems and kits for in-pen assays
US10653342B2 (en) * 2016-06-17 2020-05-19 The Board Of Trustees Of The University Of Illinois Soft, wearable microfluidic systems capable of capture, storage, and sensing of biofluids
EP3487510B1 (en) 2016-07-21 2023-07-19 Berkeley Lights, Inc. Sorting of t lymphocytes in a microfluidic device
JP6864298B2 (ja) * 2016-09-21 2021-04-28 アナリティクス フォー ライフ インコーポレイテッド リスクのある心臓組織の可視化のための方法およびシステム
WO2018064640A1 (en) 2016-10-01 2018-04-05 Berkeley Lights, Inc. Dna barcode compositions and methods of in situ identification in a microfluidic device
JP7053601B2 (ja) 2016-10-23 2022-04-12 バークレー ライツ，インコーポレイテッド Ｂ細胞リンパ球をスクリーニングする方法
IL267009B (en) 2016-12-01 2022-07-01 Berkeley Lights Inc Automatic detection and repositioning of micro-objects in micropoloidal devices
KR102551430B1 (ko) 2016-12-01 2023-07-05 버클리 라잇츠, 인크. 미세-객체들을 이미징하기 위한 장치들, 시스템들 및 방법들
US20180211380A1 (en) * 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
US10780436B2 (en) * 2017-09-26 2020-09-22 Advanced NanoBio Technologies Limited Multi-channel microfluidic device and method for using the same
EP3721209B1 (en) 2017-10-15 2024-02-07 Berkeley Lights, Inc. Methods for in-pen assays
CA3096161A1 (en) 2018-03-28 2019-10-03 Berkeley Lights, Inc. Methods for preparation of nucleic acid sequencing libraries
SG11202011180UA (en) * 2018-05-31 2020-12-30 Berkeley Lights Inc Automated detection and characterization of micro-objects in microfluidic devices
WO2020056339A1 (en) 2018-09-14 2020-03-19 Berkeley Lights, Inc. Methods for assaying binding affinity
SG11202103348TA (en) 2018-10-11 2021-04-29 Berkeley Lights Inc Systems and methods for identification of optimized protein production and kits therefor
EP3867353A4 (en) 2018-10-18 2022-07-27 Berkeley Lights, Inc. PROTO-ANTIGEN PRESENTING SYNTHETIC SURFACES, ACTIVATED T-CELLS AND THEIR USES
CN113366312A (zh) 2018-11-01 2021-09-07 伯克利之光生命科技公司 在微流体环境中测定生物细胞的方法
WO2020223555A1 (en) 2019-04-30 2020-11-05 Berkeley Lights, Inc. Methods for encapsulating and assaying cells
CN114175073A (zh) 2019-05-24 2022-03-11 伯克利之光生命科技公司 用于优化仪器系统工作流的系统和方法
CN115298534A (zh) * 2019-11-17 2022-11-04 伯克利之光生命科技公司 用于生物样本的分析的系统和方法

Also Published As

Publication number Publication date
EP3894834A4 (en) 2022-08-31
EP3894834A1 (en) 2021-10-20
US20230105220A1 (en) 2023-04-06
TW202142856A (zh) 2021-11-16
JP2023503253A (ja) 2023-01-27
US11521709B2 (en) 2022-12-06
AU2020385015A1 (en) 2022-06-09
US20230282313A1 (en) 2023-09-07
CA3157616A1 (en) 2021-05-20
WO2021097449A1 (en) 2021-05-20
CN115298534A (zh) 2022-11-04
US20210272654A1 (en) 2021-09-02
IL292993A (en) 2022-07-01

Similar Documents

Publication Publication Date Title
US11521709B2 (en) Systems and methods for analyses of biological samples
JP7221444B2 (ja) マイクロ流体デバイスによる微小物体の自動検出及び再配置
US20210209752A1 (en) Automated detection and characterization of micro-objects in microfluidic devices
JP2022527145A (ja) 予測的組織パターン特定のためのマルチプルインスタンスラーナ
JP7275202B2 (ja) 画像アトラスシステム及び方法
JP2022506154A (ja) マイクロ流体環境において生体細胞をアッセイする方法
AU2001266748B2 (en) Visual-servoing optical microscopy
AU2001266748A1 (en) Visual-servoing optical microscopy
Niederlein et al. Image analysis in high content screening
US20240029403A1 (en) Auto high content screening using artificial intelligence for drug compound development
Ni et al. Mathematical model and genomics construction of developmental biology patterns using digital image technology
Cwycyshyn et al. A programmable platform for probing cell migration and proliferation
Verma A framework for image-based, automated, multilevel analysis of the cytoskeletal morphology
Molnár Variational methods for shape modelling
WO2023133566A1 (en) Systems and methods for particle mapping