KR20230157230A - 염기 호출을 위한 타일 위치 및/또는 사이클 기반 가중치 세트 선택 - Google Patents
염기 호출을 위한 타일 위치 및/또는 사이클 기반 가중치 세트 선택 Download PDFInfo
- Publication number
- KR20230157230A KR20230157230A KR1020227045560A KR20227045560A KR20230157230A KR 20230157230 A KR20230157230 A KR 20230157230A KR 1020227045560 A KR1020227045560 A KR 1020227045560A KR 20227045560 A KR20227045560 A KR 20227045560A KR 20230157230 A KR20230157230 A KR 20230157230A
- Authority
- KR
- South Korea
- Prior art keywords
- weights
- cycles
- data
- subseries
- cycle
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 119
- 238000012163 sequencing technique Methods 0.000 claims abstract description 116
- 230000002123 temporal effect Effects 0.000 claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 69
- 230000015654 memory Effects 0.000 claims abstract description 57
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000011068 loading method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 description 106
- 239000012530 fluid Substances 0.000 description 61
- 238000003062 neural network model Methods 0.000 description 51
- 125000003729 nucleotide group Chemical group 0.000 description 42
- 239000002773 nucleotide Substances 0.000 description 40
- 230000006870 function Effects 0.000 description 33
- 238000003860 storage Methods 0.000 description 31
- 150000007523 nucleic acids Chemical class 0.000 description 28
- 230000005284 excitation Effects 0.000 description 26
- 108020004707 nucleic acids Proteins 0.000 description 26
- 102000039446 nucleic acids Human genes 0.000 description 26
- 238000005070 sampling Methods 0.000 description 24
- 239000000126 substance Substances 0.000 description 19
- 230000003321 amplification Effects 0.000 description 18
- 238000005286 illumination Methods 0.000 description 18
- 238000003199 nucleic acid amplification method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 17
- 230000002093 peripheral effect Effects 0.000 description 17
- 239000000758 substrate Substances 0.000 description 17
- 239000000243 solution Substances 0.000 description 16
- 108020004414 DNA Proteins 0.000 description 13
- 230000009471 action Effects 0.000 description 12
- 238000004166 bioassay Methods 0.000 description 11
- 239000007787 solid Substances 0.000 description 11
- 239000012491 analyte Substances 0.000 description 10
- 238000003491 array Methods 0.000 description 10
- 239000003153 chemical reaction reagent Substances 0.000 description 10
- 102000004190 Enzymes Human genes 0.000 description 9
- 108090000790 Enzymes Proteins 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000002161 passivation Methods 0.000 description 9
- 102000004169 proteins and genes Human genes 0.000 description 9
- 108090000623 proteins and genes Proteins 0.000 description 9
- 230000002441 reversible effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000005562 fading Methods 0.000 description 7
- 239000000376 reactant Substances 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000003556 assay Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 108091028043 Nucleic acid sequence Proteins 0.000 description 5
- 239000011324 bead Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000007853 buffer solution Substances 0.000 description 5
- 238000001444 catalytic combustion detection Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 108091034117 Oligonucleotide Proteins 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 238000010348 incorporation Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 3
- 108091093088 Amplicon Proteins 0.000 description 3
- 238000007792 addition Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 125000000524 functional group Chemical group 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 108091028732 Concatemer Proteins 0.000 description 2
- 102000016928 DNA-directed DNA polymerase Human genes 0.000 description 2
- 108010014303 DNA-directed DNA polymerase Proteins 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- ISAKRJDGNUQOIC-UHFFFAOYSA-N Uracil Chemical compound O=C1C=CNC(=O)N1 ISAKRJDGNUQOIC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000029918 bioluminescence Effects 0.000 description 2
- 238000005415 bioluminescence Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- OPTASPLRGRRNAP-UHFFFAOYSA-N cytosine Chemical compound NC=1C=CNC(=O)N=1 OPTASPLRGRRNAP-UHFFFAOYSA-N 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007850 fluorescent dye Substances 0.000 description 2
- 239000000499 gel Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- UYTPUPDQBNUYGX-UHFFFAOYSA-N guanine Chemical compound O=C1NC(N)=NC2=C1N=CN2 UYTPUPDQBNUYGX-UHFFFAOYSA-N 0.000 description 2
- 238000013090 high-throughput technology Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- -1 other biomolecules Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000010189 synthetic method Methods 0.000 description 2
- RWQNBRDOKXIBIV-UHFFFAOYSA-N thymine Chemical compound CC1=CNC(=O)NC1=O RWQNBRDOKXIBIV-UHFFFAOYSA-N 0.000 description 2
- 239000012780 transparent material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229930024421 Adenine Natural products 0.000 description 1
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 description 1
- 240000001436 Antirrhinum majus Species 0.000 description 1
- 102000003960 Ligases Human genes 0.000 description 1
- 108090000364 Ligases Proteins 0.000 description 1
- 108091092878 Microsatellite Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 108091028664 Ribonucleotide Proteins 0.000 description 1
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 229960000643 adenine Drugs 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 239000011543 agarose gel Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009435 amidation Effects 0.000 description 1
- 238000007112 amidation reaction Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003012 bilayer membrane Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000007385 chemical modification Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229940104302 cytosine Drugs 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 239000005547 deoxyribonucleotide Substances 0.000 description 1
- 125000002637 deoxyribonucleotide group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 208000018459 dissociative disease Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000032050 esterification Effects 0.000 description 1
- 238000005886 esterification reaction Methods 0.000 description 1
- 238000006266 etherification reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002493 microarray Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 238000007899 nucleic acid hybridization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 108091033319 polynucleotide Proteins 0.000 description 1
- 239000002157 polynucleotide Substances 0.000 description 1
- 102000040430 polynucleotide Human genes 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000002165 resonance energy transfer Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002336 ribonucleotide Substances 0.000 description 1
- 125000002652 ribonucleotide group Chemical group 0.000 description 1
- 238000007363 ring formation reaction Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000012056 semi-solid material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 229940113082 thymine Drugs 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 125000002264 triphosphate group Chemical group [H]OP(=O)(O[H])OP(=O)(O[H])OP(=O)(O[H])O* 0.000 description 1
- 229940035893 uracil Drugs 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biotechnology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioethics (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Neurology (AREA)
- Chemical & Material Sciences (AREA)
- Epidemiology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Pens And Brushes (AREA)
- Road Signs Or Road Markings (AREA)
- Road Paving Structures (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
염기 호출을 위한 시스템은 신경망의 토폴로지, 복수의 가중치 세트, 및 감지 사이클의 시리즈에 대한 센서 데이터를 저장하는 메모리를 포함한다. 서열분석 이벤트는 감지 사이클의 서브시리즈를 통해 염기 호출 동작의 시간적 진행, 및 바이오센서 상의 위치를 통한 염기 호출 동작의 공간적 진행에 걸쳐 있다. 구성 가능한 프로세서는 구성 가능한 프로세서에 토폴로지를 로딩하고, 감지 사이클의 대상 서브시리즈 및/또는 바이오센서 상의 대상 위치에 따라 가중치 세트를 선택하고, 감지 사이클의 대상 서브시리즈 및 처리 요소 상의 대상 위치에 대한 대상 센서 데이터를 로딩하고, 선택된 가중치 세트를 사용하여 토폴로지를 구성하며, 신경망으로 하여금 대상 센서 데이터를 처리하여 대상 서브시리즈 및 대상 위치에 대한 염기 호출 분류 데이터를 생성하게 하도록 구성된다.
Description
우선권 출원
본 출원은 2021년 3월 16일에 "Tile Location and/or Cycle Based Weight Set Selection for Base Calling"이라는 명칭으로 출원된 미국 임시 특허 출원 제63/161,880호(대리인 문서 번호 ILLM 1019-1/IP-1861-PRV); 2021년 3월 16일에 "Neural Network Parameter Quantization for Base Calling"이라는 명칭으로 출원된 미국 임시 특허 출원 제63/161,896호(대리인 문서 번호 ILLM 1019-2/IP-2049-PRV); 2022년 3월 4일에 "Tile Location and/or Cycle Based Weight Set Selection for Base Calling"이라는 명칭으로 출원된 미국 정규 특허 출원 제17/687,551호(대리인 문서 번호 ILLM 1019-3/IP-1861-US); 2022년 3월 4일에 "Neural Network Parameter Quantization for Base Calling"이라는 명칭으로 출원된 미국 정규 특허 출원 제17,687,583호(대리인 문서 번호 ILLM 1019-4/IP-2049-US)의 이익을 주장한다. 우선권 출원은 모든 목적을 위해 참고로 본원에 포함된다.
기술분야
개시된 기술은 인공 지능 유형 컴퓨터 및 디지털 데이터 처리 시스템 및 대응하는 데이터 처리 방법 및 지능 에뮬레이션 제품(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)에 관한 것이며; 불확실성이 있는 추론을 위한 시스템(예를 들어, 퍼지 로직 시스템), 적응 시스템, 기계 학습 시스템 및 인공 신경망을 포함한다. 특히, 개시된 기술은 데이터 분석을 위한 심층 콘볼루션(deep convolutional) 신경망과 같은 심층 신경망의 사용 및 가중치 세트의 선택적 사용에 관한 것이다.
참조 문헌
하기는 본원에 완전히 기재된 것처럼 참고로 포함된다:
발명의 명칭이 "ARTIFICIAL INTELLIGENCE-BASED BASE CALLING OF INDEX SEQUENCES"이고 2020년 2월 20일자로 출원된 미국 임시 특허 출원 제62/979,384호(대리인 문서 번호 ILLM 1015-1/IP-1857-PRV);
발명의 명칭이 "ARTIFICIAL INTELLIGENCE-BASED MANY-TO-MANY BASE CALLING"이고 2020년 2월 20일자로 출원된 미국 임시 특허 출원 제62/979,414호(대리인 문서 번호 ILLM 1016-1/IP-1858-PRV);
발명의 명칭이 "KNOWLEDGE DISTILLATION-BASED COMPRESSION OF ARTIFICIAL INTELLIGENCE-BASED BASE CALLER"이고 2020년 2월 20일자로 출원된 미국 임시 특허 출원 제62/979,385호(대리인 문서 번호 ILLM 1017-1/IP-1859-PRV);
발명의 명칭이 "DETECTING AND FILTERING CLUSTERS BASED ON ARTIFICIAL INTELLIGENCE-PREDICTED BASE CALLS"이고 2020년 8월 28일자로 출원된 미국 임시 특허 출원 제63/072,032호(대리인 문서 번호 ILLM 1018-1/IP-1860-PRV);
발명의 명칭이 "DATA COMPRESSION FOR ARTIFICIAL INTELLIGENCE-BASED BASE CALLING"이고 2020년 2월 20일자로 출원된 미국 임시 특허 출원 제62/979,411호(대리인 문서 번호 ILLM 1029-1/IP-1964-PRV);
발명의 명칭이 "SQUEEZING LAYER FOR ARTIFICIAL INTELLIGENCE-BASED BASE CALLING"이고 2020년 2월 20일자로 출원된 미국 임시 특허 출원 제62/979,399호(대리인 문서 번호 ILLM 1030-1/IP-1982-PRV);
발명의 명칭이 "TRAINING DATA GENERATION FOR ARTIFICIAL INTELLIGENCE-BASED SEQUENCING"이고 2020년 3월 20일자로 출원된 미국 정규 특허 출원 제16/825,987호(대리인 문서 번호 ILLM 1008-16/IP-1693-US);
발명의 명칭이 "ARTIFICIAL INTELLIGENCE-BASED GENERATION OF SEQUENCING METADATA"이고 2020년 3월 20일자로 출원된 미국 정규 특허 출원 제16/825,991호(대리인 문서 번호 ILLM 1008-17/IP-1741-US);
발명의 명칭이 "ARTIFICIAL INTELLIGENCE-BASED BASE CALLING"이고 2020년 3월 20일자로 출원된 미국 정규 특허 출원 제16/826,126호(대리인 문서 번호 ILLM 1008-18/IP-1744-US);
발명의 명칭이 "ARTIFICIAL INTELLIGENCE-BASED QUALITY SCORING"이고 2020년 3월 20일자로 출원된 미국 정규 특허 출원 제16/826,134호(대리인 문서 번호 ILLM 1008-19/IP-1747-US);
발명의 명칭이 "ARTIFICIAL INTELLIGENCE-BASED SEQUENCING"이고 2020년 3월 21일자로 출원된 미국 정규 특허 출원 제16/826,168호(대리인 문서 번호 ILLM 1008-20/IP-1752-US);
발명의 명칭이 "Systems and Devices for Characterization and Performance Analysis of Pixel-Based Sequencing"이고 2020년 5월 14일자로 출원된 미국 정규 특허 출원 제16/874,599호(대리인 문서 번호 ILLM 1011-4/IP-1750-US); 및
발명의 명칭이 "HARDWARE EXECUTION AND ACCELERATION OF ARTIFICIAL INTELLIGENCE-BASED BASE CALLER"이고 2021년 2월 15일자로 출원된 미국 정규 특허 출원 제17/176,147호(대리인 문서 번호 ILLM 1020-2/IP-1866-US).
이 섹션에서 논의되는 주제는, 단지 이 섹션 내에서의 그의 언급의 결과로서 종래 기술이라고 가정되어서는 안 된다. 유사하게, 이 섹션에서 언급되거나 배경기술로서 제공되는 주제와 연관된 문제는 종래 기술에서 이전에 인식되었다고 가정되어서는 안 된다. 이 섹션에서의 주제는 단지 상이한 접근법을 표현할 뿐이며, 그 접근법 자체는 청구되는 기술의 구현예에 또한 대응할 수 있다.
계산 능력에서의 신속한 개선은 유의하게 개선된 정확도를 갖는 많은 컴퓨터 비전 태스크들에 대해 최근 수년간 심층 콘볼루션 신경망(CNN: convolution neural network)들을 큰 성공으로 만들었다. 추론 페이즈(phase) 동안, 많은 애플리케이션들은 그래픽 처리 유닛(GPU: graphics processing unit) 및 다른 범용 플랫폼의 효율을 감소시키는 가혹한 전력 소비 요건을 갖는 하나의 이미지의 낮은 레이턴시 처리를 요구하여, 심층 학습 알고리즘 추론에 대해 특정적인 디지털 회로를 커스텀화함으로써 특정 가속화 하드웨어, 예컨대 필드 프로그래밍가능 게이트 어레이(FPGA: field programmable gate array)에 기회를 가져온다. 그러나, 휴대용 및 임베디드 시스템에 CNN을 배치하는 것은 큰 데이터 볼륨, 집중적인 연산, 다양한 알고리즘 구조, 및 빈번한 메모리 액세스로 인해 여전히 도전적이다.
콘볼루션이 CNN에서 대부분의 연산에 기여함에 따라, 콘볼루션 가속화 스킴은 하드웨어 CNN 가속기의 효율 및 성능에 유의하게 영향을 미친다. 콘볼루션은 커널 및 특징 맵(feature map)들을 따라 슬라이딩하는 4개의 레벨의 루프들과의 승산 누적(MAC: multiply and accumulate) 연산들을 수반한다. 제1 루프 레벨은 커널 윈도우 내의 픽셀의 MAC를 연산한다. 제2 루프 레벨은 상이한 입력 특징 맵들에 걸쳐 MAC의 곱셈들의 합을 누산한다. 제1 및 제2 루프 레벨들을 완료한 후, 바이어스를 추가함으로써 최종 출력 픽셀이 얻어진다. 제3 루프 레벨은 입력 특징 맵 내에서 커널 윈도우를 슬라이딩한다. 제4 루프 레벨은 상이한 출력 특징 맵을 생성한다.
FPGA는 그들의 (1) 고도의 재구성가능성, (2) CNN의 빠른 진화를 따라잡기 위한, 주문형 집적 회로(ASIC: application specific integrated circuit)들에 비해 더 빠른 개발 시간, (3) 양호한 성능, 및 (4) GPU에 비해 우수한 에너지 효율로 인해, 특히 추론 태스크를 가속화하기 위해 증가하는 관심 및 인기를 얻어왔다. FPGA의 높은 성능 및 효율은 특정 연산을 위해 커스텀화되는 회로를 합성하여 커스텀화된 메모리 시스템으로 수십억 회의 연산을 직접 처리함으로써 실현될 수 있다. 예를 들어, 최신 FPGA 상의 수백 내지 수천 개의 디지털 신호 처리(DSP: digital signal processing) 블록은 높은 병렬성과 함께 코어 콘볼루션 연산, 예컨대, 곱셈 및 덧셈을 지원한다. 외부 온-칩 메모리와 온-칩 처리 엔진(PE: processing engine)들 사이의 전용 데이터 버퍼들은, FPGA 칩 상에 수십 Mbyte 온-칩 블록 랜덤 액세스 메모리(BRAM: block random access memory)를 구성함으로써 바람직한 데이터 흐름을 실현하도록 설계될 수 있다.
높은 성능을 달성하기 위해 리소스 활용을 최대화하면서 데이터 통신을 최소화하기 위해, CNN 가속화의 효율적인 데이터 흐름 및 하드웨어 아키텍처가 요구된다. 높은 성능, 효율 및 유연성을 갖는 가속화 하드웨어 상에서 다양한 CNN 알고리즘들의 추론 프로세스를 가속화하기 위한 방법론 및 프레임워크를 설계할 기회가 발생한다.
도면에서, 유사한 도면 부호는, 대체로, 상이한 도면들 전체에 걸쳐서 유사한 부분들을 지칭한다. 또한, 도면은 반드시 축척대로인 것은 아니며, 그 대신, 대체적으로, 개시된 기술의 원리를 예시할 시에 강조된다. 하기의 설명에서, 개시된 기술의 다양한 구현예가 하기의 도면을 참조하여 기술된다.
도 1은 다양한 실시형태에서 사용될 수 있는 바이오센서의 단면을 도시한다.
도 2는 타일 내에 클러스터를 포함하는 플로우 셀의 일 구현예를 도시한다.
도 3은 8개의 레인이 있는 예시적인 플로우 셀을 보여주고, 또한 하나의 타일과 그의 클러스터 및 이들 주변 배경을 확대한 것을 보여준다.
도 4는 염기 호출 센서 출력과 같은 서열분석 시스템으로부터의 센서 데이터의 분석을 위한 시스템의 단순화된 블록도이다.
도 5는 호스트 프로세서에 의해 실행되는 런타임 프로그램의 기능을 포함한 염기 호출 동작의 양태를 보여주는 단순화된 도면이다.
도 6은 도 4의 것과 같은 구성가능한 프로세서의 구성의 단순화된 도면이다.
도 7은 본원에 설명된 바와 같이 구성된 구성 가능 또는 재구성 가능한 어레이를 사용하여 실행될 수 있는 신경망 아키텍처의 도면이다.
도 8a는 도 7의 것과 같은 신경망 아키텍처에 의해 사용되는 센서 데이터의 타일 구성의 단순화된 예시이다.
도 8b는 도 7의 것과 같은 신경망 아키텍처에 의해 사용되는 센서 데이터의 타일 패치의 단순화된 예시이다.
도 9는 필드 프로그래밍가능 게이트 어레이(FPGA)와 같은 구성 가능 또는 재구성 가능한 어레이 상의 도 7의 것과 같은 신경망에 대한 구성의 일부를 도시한다.
도 10은 본원에 설명된 바와 같이 구성된 구성 가능 또는 재구성 가능한 어레이를 사용하여 실행될 수 있는 디른 대안적 신경망 아키텍처의 도면이다.
도 11은 상이한 서열분석 사이클들에 대한 데이터의 처리를 분리하는 데 사용되는 신경망 기반 염기 호출자의 특화된 아키텍처의 일 구현예를 도시한다.
도 12는 분리형 층들의 일 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다.
도 13a는 조합 층들의 일 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다.
도 13b는 조합 층들의 다른 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다.
도 14, 도 15, 및 도 16은 염기 호출에 사용되는 다양한 예시적인 타일 위치 기반 가중치 선택 방식을 도시한다.
도 17a는 신호 강도가 염기 호출 동작의 서열분석 런(run)에서 사이클 수의 함수로서 감소되는 페이딩의 예를 도시한다.
도 17b는 서열분석 사이클이 진행됨에 따라 감소하는 신호 대 잡음비를 개념적으로 도시한다.
도 18은 염기 호출에 사용되는 염기 호출 사이클 수 기반 가중치 선택 방식의 예를 도시한다.
도 19, 도 20, 도 21a, 및 도 21b는 (i) 염기 호출 사이클 수의 시간적 진행 및 (ii) 타일의 공간적 위치에 기초한 다양한 예시적인 가중치 선택 방식을 도시한다.
도 22는 염기 호출에 사용되는 가중치 세트가 감지 사이클 정보의 공간적 타일 정보 및 시간적 서브시리즈에 기초하여 선택되는 염기 호출 동작의 일 구현예를 도시한다.
도 23a는 타일의 다양한 범주 및 다양한 감지 사이클에 대한 다양한 가중치 세트를 도시하며, 개별 가중치 세트는 대응하는 공간 가중치 및 대응하는 시간 가중치를 포함한다.
도 23b는 타일의 다양한 범주 및 다양한 사이클에 대한 다양한 가중치 세트를 도시하며, 여기서 타일의 특정 범주의 상이한 가중치 세트는 공통 공간 가중치 및 상이한 시간 가중치를 포함한다.
도 23c는 하나 이상의 서열분석 런 파라미터에 기초하여 가중치 세트를 선택하는 시스템을 도시한다.
도 24는 일 구현예에 따른 염기 호출 시스템의 블록도이다.
도 25는 도 24의 시스템에서 사용될 수 있는 시스템 제어기의 블록도이다.
도 26은 개시된 기술을 구현하는 데 사용될 수 있는 컴퓨터 시스템의 단순화된 블록도이다.
도 1은 다양한 실시형태에서 사용될 수 있는 바이오센서의 단면을 도시한다.
도 2는 타일 내에 클러스터를 포함하는 플로우 셀의 일 구현예를 도시한다.
도 3은 8개의 레인이 있는 예시적인 플로우 셀을 보여주고, 또한 하나의 타일과 그의 클러스터 및 이들 주변 배경을 확대한 것을 보여준다.
도 4는 염기 호출 센서 출력과 같은 서열분석 시스템으로부터의 센서 데이터의 분석을 위한 시스템의 단순화된 블록도이다.
도 5는 호스트 프로세서에 의해 실행되는 런타임 프로그램의 기능을 포함한 염기 호출 동작의 양태를 보여주는 단순화된 도면이다.
도 6은 도 4의 것과 같은 구성가능한 프로세서의 구성의 단순화된 도면이다.
도 7은 본원에 설명된 바와 같이 구성된 구성 가능 또는 재구성 가능한 어레이를 사용하여 실행될 수 있는 신경망 아키텍처의 도면이다.
도 8a는 도 7의 것과 같은 신경망 아키텍처에 의해 사용되는 센서 데이터의 타일 구성의 단순화된 예시이다.
도 8b는 도 7의 것과 같은 신경망 아키텍처에 의해 사용되는 센서 데이터의 타일 패치의 단순화된 예시이다.
도 9는 필드 프로그래밍가능 게이트 어레이(FPGA)와 같은 구성 가능 또는 재구성 가능한 어레이 상의 도 7의 것과 같은 신경망에 대한 구성의 일부를 도시한다.
도 10은 본원에 설명된 바와 같이 구성된 구성 가능 또는 재구성 가능한 어레이를 사용하여 실행될 수 있는 디른 대안적 신경망 아키텍처의 도면이다.
도 11은 상이한 서열분석 사이클들에 대한 데이터의 처리를 분리하는 데 사용되는 신경망 기반 염기 호출자의 특화된 아키텍처의 일 구현예를 도시한다.
도 12는 분리형 층들의 일 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다.
도 13a는 조합 층들의 일 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다.
도 13b는 조합 층들의 다른 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다.
도 14, 도 15, 및 도 16은 염기 호출에 사용되는 다양한 예시적인 타일 위치 기반 가중치 선택 방식을 도시한다.
도 17a는 신호 강도가 염기 호출 동작의 서열분석 런(run)에서 사이클 수의 함수로서 감소되는 페이딩의 예를 도시한다.
도 17b는 서열분석 사이클이 진행됨에 따라 감소하는 신호 대 잡음비를 개념적으로 도시한다.
도 18은 염기 호출에 사용되는 염기 호출 사이클 수 기반 가중치 선택 방식의 예를 도시한다.
도 19, 도 20, 도 21a, 및 도 21b는 (i) 염기 호출 사이클 수의 시간적 진행 및 (ii) 타일의 공간적 위치에 기초한 다양한 예시적인 가중치 선택 방식을 도시한다.
도 22는 염기 호출에 사용되는 가중치 세트가 감지 사이클 정보의 공간적 타일 정보 및 시간적 서브시리즈에 기초하여 선택되는 염기 호출 동작의 일 구현예를 도시한다.
도 23a는 타일의 다양한 범주 및 다양한 감지 사이클에 대한 다양한 가중치 세트를 도시하며, 개별 가중치 세트는 대응하는 공간 가중치 및 대응하는 시간 가중치를 포함한다.
도 23b는 타일의 다양한 범주 및 다양한 사이클에 대한 다양한 가중치 세트를 도시하며, 여기서 타일의 특정 범주의 상이한 가중치 세트는 공통 공간 가중치 및 상이한 시간 가중치를 포함한다.
도 23c는 하나 이상의 서열분석 런 파라미터에 기초하여 가중치 세트를 선택하는 시스템을 도시한다.
도 24는 일 구현예에 따른 염기 호출 시스템의 블록도이다.
도 25는 도 24의 시스템에서 사용될 수 있는 시스템 제어기의 블록도이다.
도 26은 개시된 기술을 구현하는 데 사용될 수 있는 컴퓨터 시스템의 단순화된 블록도이다.
본원에 기술된 실시형태는 학문적 또는 상업적 분석을 위한 다양한 생물학적 또는 화학적 프로세스 및 시스템에서 사용될 수 있다. 보다 구체적으로, 본원에 기술된 실시형태는, 원하는 반응을 나타내는 이벤트, 속성, 품질, 또는 특성을 검출하는 것이 요구되는 다양한 프로세스 및 시스템에서 사용될 수 있다. 예를 들어, 본원에 기술된 실시형태는 카트리지, 바이오센서, 및 그 구성요소뿐만 아니라 카트리지 및 바이오센서와 함께 작동하는 바이오어세이 시스템을 포함한다. 특정 실시형태에서, 카트리지 및 바이오센서는 실질적으로 단일 구조로 함께 결합되는 플로우 셀 및 하나 이상의 센서, 픽셀, 광 검출기, 또는 광다이오드를 포함한다.
특정 실시형태에 대한 다음의 상세한 설명은 첨부된 도면과 함께 읽을 때 더 잘 이해될 것이다. 도면이 다양한 실시형태의 기능 블록의 다이어그램을 예시하는 한, 기능 블록은 반드시 하드웨어 회로 사이의 분할을 나타내는 것은 아니다. 따라서, 예를 들어, 기능 블록들 중 하나 이상(예를 들어, 프로세서 또는 메모리)은 단일 부분의 하드웨어(예를 들어, 범용 신호 프로세서 또는 랜덤 액세스 메모리, 하드 디스크 등)에서 구현될 수 있다. 유사하게, 프로그램은 독립형 프로그램일 수 있고, 운영 체제의 서브루틴으로서 통합될 수 있으며, 설치된 소프트웨어 패키지에서의 기능일 수 있는 등이다. 다양한 실시형태가 도면에 도시된 배열 및 수단으로 제한되지 않는다는 것을 이해해야 한다.
본원에 사용되는 바와 같이, 단수 형태로 언급되고 단어 "a" 또는 "an"에 뒤따르는 요소 또는 단계는 복수의 상기 요소들 또는 단계들을 배제하지 않는 것으로(그러한 배제가 명시적으로 언급되지 않는 한) 이해되어야 한다. 또한, "일 실시형태"에 대한 언급은 언급된 특징을 또한 포함하는 추가 실시형태의 존재를 배제하는 것으로 해석되도록 의도되지 않는다. 더욱이, 명시적으로 반대로 언급되지 않는 한, 특정 성질을 갖는 하나의 요소 또는 복수의 요소들을 "포함하는" 또는 "갖는" 실시형태는 그러한 성질을 갖든 그렇지 않든 간에 추가 요소를 포함할 수 있다.
본원에 사용된 바와 같이, "원하는 반응"은 관심 분석물의 화학적, 전기, 물리적, 또는 광학 속성(또는 품질) 중 적어도 하나의 변화를 포함한다. 특정 실시형태에서, 원하는 반응은 양성 결합 이벤트(예를 들어, 관심 분석물과 형광 표지된 생체분자의 통합)이다. 더욱 일반적으로, 원하는 반응은 화학적 변환, 화학적 변화, 또는 화학적 상호작용일 수 있다. 원하는 반응은 또한 전기 속성들의 변화일 수 있다. 예를 들어, 원하는 반응은 용액 내의 이온 농도의 변화일 수 있다. 예시적인 반응은 화학 반응들, 예컨대, 환원, 산화, 첨가, 제거, 재배열, 에스테르화, 아미드화, 에테르화, 고리화, 또는 대체; 제1 화학물질이 제2 화학물질에 결합하는 결합 상호작용; 둘 이상의 화학물질이 서로로부터 분리되는 해리 반응; 형광; 발광; 생물발광; 화학발광; 및 생물학적 반응, 예컨대, 핵산 복제, 핵산 증폭, 핵산 혼성화, 핵산 결찰, 인산화, 효소 촉매작용, 수용체 결합, 또는 리간드 결합을 포함하지만, 이에 한정되지 않는다. 원하는 반응은 또한, 예를 들어, 주변 용액 또는 환경의 pH의 변화와 같이 검출가능한 양성자의 첨가 또는 제거일 수 있다. 추가의 원하는 반응은 멤브레인(예를 들어, 천연 또는 합성 이중층 멤브레인)을 가로지르는 이온의 유동을 검출하는 것일 수 있으며, 예를 들어 이온이 멤브레인을 통해 흐를 때 전류가 중단되고 중단이 검출될 수 있다.
특정 실시형태에서, 원하는 반응은 분석물에 대한 형광 표지된 분자의 혼입을 포함한다. 분석물은 올리고뉴클레오티드일 수 있고, 형광 표지된 분자는 뉴클레오티드일 수 있다. 표지된 뉴클레오티드를 갖는 올리고뉴클레오티드를 향해 여기 광이 지향될 때 원하는 반응이 검출될 수 있고, 형광단은 검출가능한 형광 신호를 방출한다. 대안적인 실시형태에서, 검출된 형광은 화학발광 또는 생물발광의 결과이다. 원하는 반응은, 또한, 예를 들어 공여체 형광단을 수용체 형광단 부근으로 가져옴으로써 형광 공명 에너지 전달(FRET: fluorescence (또는 Fㆆrster) resonance energy transfer)을 증가시킬 수 있거나, 공여체 형광단과 수용체 형광단을 분리시킴으로써 FRET를 감소시킬 수 있거나, 형광단으로부터 소광제(quencher)를 분리시킴으로써 형광을 증가시킬 수 있거나, 또는 소광제와 형광단을 병치시킴으로써 형광을 감소시킬 수 있다.
본원에 사용되는 바와 같이, "반응 성분" 또는 "반응물"은 원하는 반응을 획득하기 위해 사용될 수 있는 임의의 물질을 포함한다. 예를 들어, 반응 성분은 시약, 효소, 샘플, 다른 생체분자, 및 완충 용액을 포함한다. 반응 성분은 전형적으로 용액의 반응 부위에 전달되고/되거나 반응 부위에 고정화된다. 반응 성분은 관심 분석물과 같은 다른 물질과 직접 또는 간접적으로 상호 작용할 수 있다.
본원에 사용된 바와 같이, "반응 부위"라는 용어는 원하는 반응이 일어날 수 있는 국부적 영역이다. 반응 부위는 물질이 그 위에 고정화될 수 있는 기재의 지지 표면을 포함할 수 있다. 예를 들어, 반응 부위는 핵산 콜로니가 있는 플로우 셀의 채널에 실질적으로 평평한 표면을 포함할 수 있다. 항상 그런 것은 아니지만 전형적으로, 콜로니에서의 핵산은 예를 들어 단일 가닥 또는 이중 가닥 템플릿의 클론 복제물인 동일한 서열을 갖는다. 그러나, 일부 실시형태에서, 반응 부위는, 예를 들어 단일 가닥 또는 이중 가닥 형태의 단일 핵산 분자만을 함유할 수 있다. 또한, 복수의 반응 부위는 지지 표면을 따라 불균일하게 분포되거나 미리 결정된 방식으로(예를 들어, 마이크로어레이에서와 같이 매트릭스에서 나란히) 배열될 수 있다. 반응 부위는, 또한, 원하는 반응을 구획화하도록 구성된 공간 영역 또는 체적을 적어도 부분적으로 한정하는 반응 챔버(또는 웰(well))를 포함할 수 있다.
본 출원은 "반응 챔버" 및 "웰"이라는 용어를 상호 교환적으로 사용한다. 본원에 사용된 바와 같이, "반응 챔버" 또는 "웰"이라는 용어는 유동 채널과 유체 연통되는 공간 영역을 포함한다. 반응 챔버는 주변 환경 또는 다른 공간 영역으로부터 적어도 부분적으로 분리될 수 있다. 예를 들어, 복수의 반응 챔버는 공유 벽에 의해 서로 분리될 수 있다. 보다 구체적인 예로서, 반응 챔버는 웰의 내부 표면에 의해 정의된 공동을 포함할 수 있으며 공동이 유동 채널과 유체 연통할 수 있도록 개구 또는 구멍을 가질 수 있다. 이러한 반응 챔버를 포함하는 바이오센서는 2011년 10월 20일에 출원된 국제 출원 PCT/US2011/057111호에 더욱 상세히 기재되어 있으며, 이는 그 전체가 참고로 본원에 포함된다.
일부 실시형태에서, 반응 챔버는 고체(반고체 포함)에 대해 크기 및 형상이 결정되어 고체가 내부에 완전히 또는 부분적으로 삽입될 수 있다. 예를 들어, 반응 챔버는 하나의 캡처 비드만을 수용하도록 크기 및 형상이 정해질 수 있다. 캡처 비드는 그 위에 클론 증폭된 DNA 또는 다른 물질을 가질 수 있다. 대안적으로, 반응 챔버는 대략적인 개수의 비드 또는 고체 기재를 수용하도록 크기 및 형상이 정해질 수 있다. 다른 예로서, 반응 챔버는 또한 반응 챔버 내로 유동할 수 있는 확산 또는 필터 유체 또는 용액을 제어하도록 구성된 다공성 겔 또는 물질로 충전될 수 있다.
일부 실시형태에서, 센서(예를 들어, 광 검출기, 광다이오드)는 바이오센서의 샘플 표면의 대응하는 픽셀 영역과 연관된다. 이와 같이 픽셀 영역은 하나의 센서(또는 픽셀)에 대한 바이오센서 샘플 표면의 영역을 나타내는 기하학적 구조이다. 픽셀 영역과 연관된 센서는 원하는 반응이 연관된 픽셀 영역 위에 놓이는 반응 챔버 또는 반응 부위에서 발생할 때 연관된 픽셀 영역으로부터 수집된 광 방출을 검출한다. 평평한 표면 실시형태에서, 픽셀 영역은 중첩될 수 있다. 일부 경우에, 복수의 센서가 단일 반응 부위 또는 단일 반응 챔버와 연관될 수 있다. 다른 경우에, 단일 센서는 반응 부위 그룹 또는 반응 챔버 그룹과 연관될 수 있다.
본원에 사용된 바와 같이, "바이오센서"는 복수의 반응 부위 및/또는 반응 챔버(또는 웰)를 갖는 구조를 포함한다. 바이오센서는 솔리드-스테이트 이미지화 디바이스(예컨대, CCD 또는 CMOS 이미저) 및 선택적으로 이에 탑재되는 플로우 셀을 포함할 수 있다. 플로우 셀은 반응 부위 및/또는 반응 챔버와 유체 연통하는 적어도 하나의 플로우 채널을 포함할 수 있다. 하나의 특정 예로서, 바이오센서는 생물검정 시스템에 유체적으로 그리고 전기적으로 커플링하도록 구성된다. 생물검정 시스템은 미리 결정된 프로토콜(예를 들어, 합성에 의한 서열분석)에 따라 반응물을 반응 부위 및/또는 반응 챔버로 전달하고 복수의 이미지화 이벤트를 수행할 수 있다. 예를 들어, 생물검정 시스템은 용액이 반응 부위 및/또는 반응 챔버를 따라 흐르도록 할 수 있다. 용액들 중 적어도 하나는 동일하거나 상이한 형광 표지를 갖는 4개의 유형의 뉴클레오티드를 포함할 수 있다. 뉴클레오티드는 반응 부위 및/또는 반응 챔버에 위치한 상응하는 올리고뉴클레오티드에 결합할 수 있다. 그 다음, 생물검정 시스템은 여기 광원(예컨대, 발광 다이오드 또는 LED와 같은 솔리드-스테이트 광원들)을 사용하여 반응 부위 및/또는 반응 챔버를 조명할 수 있다. 여기 광은 일정 범위의 파장을 포함한 미리 결정된 파장 또는 파장을 가질 수 있다. 여기된 형광 표지는 센서에 의해 캡처될 수 있는 방출 신호를 제공한다.
대안적인 실시형태에서, 바이오센서는 다른 식별가능한 특성을 검출하도록 구성된 전극 또는 다른 유형의 센서를 포함할 수 있다. 예를 들어, 센서는 이온 농도의 변화를 검출하도록 구성될 수 있다. 다른 예에서, 센서는 멤브레인을 가로지르는 이온 전류 흐름을 검출하도록 구성될 수 있다.
본원에 사용되는 "클러스터"는 유사하거나 동일한 분자 또는 뉴클레오티드 서열 또는 DNA 가닥의 콜로니이다. 예를 들어, 클러스터는 증폭된 올리고뉴클레오티드, 또는 동일하거나 유사한 서열을 갖는 폴리뉴클레오티드 또는 폴리펩티드의 임의의 다른 그룹일 수 있다. 다른 실시형태에서 클러스터는 샘플 표면의 물리적 영역을 차지하는 임의의 요소 또는 요소 그룹일 수 있다. 실시형태에서, 클러스터는 염기 호출 사이클 동안 반응 부위 및/또는 반응 챔버에 고정화된다.
본원에 사용되는 용어 "고정화된"은 생체분자 또는 생물학적 또는 화학적 물질과 관련하여 사용될 때 생체분자 또는 생물학적 또는 화학적 물질을 분자 수준에서 표면에 실질적으로 부착하는 것을 포함한다. 예를 들어, 생체분자 또는 생물학적 또는 화학적 물질은 비공유적 상호작용(예컨대, 정전기력, 반 데르 발스, 및 소수성 계면들의 탈수), 및 작용기 및 링커가 생체분자를 표면에 부착하는 것을 용이하게 하는 공유 결합 기법을 포함하는 흡착 기법을 사용하여 기재 물질의 표면에 고정화될 수 있다. 생체분자 또는 생물학적 또는 화학적 물질을 기재 물질의 표면에 고정화시키는 것은 기재 표면의 속성, 생체분자 또는 생물학적 또는 화학적 물질을 운반하는 액체 매질, 및 생체분자 또는 생물학적 또는 화학적 물질 자체의 속성에 기초할 수 있다. 일부 경우에 있어서, 기재 표면은 생체분자(또는 생물학적 또는 화학적 물질)을 기재 표면에 고정화시키는 것을 용이하게 하도록 기능화될 수 있다(예컨대, 화학적으로 또는 물리적으로 개질될 수 있다). 기재 표면은 우선 표면에 결합되는 작용기를 갖도록 개질될 수 있다. 그 다음, 작용기는 생체 분자 또는 생물학적 또는 화학적 물질에 결합하여 이들을 그 위에 고정화시킬 수 있다. 물질은 예를 들어 미국 특허출원공개 US 2011/0059865 A1호에 기재된 바와 같이 겔을 통해 표면에 고정화될 수 있으며, 상기 특허공개는 참고로 본원에 포함된다.
일부 실시형태에서, 핵산은 표면에 부착되고 브리지 증폭을 사용하여 증폭될 수 있다. 유용한 브리지 증폭 방법은 예를 들어 미국 특허 제5,641,658호; 국제공개 WO 2007/010251호, 미국 특허 제6,090,592호; 미국 특허출원공개 2002/0055100 A1호; 미국 특허 제7,115,400호; 미국 특허출원공개 2004/0096853 A1호; 미국 특허출원공개 2004/0002090 A1호; 미국 특허출원공개 2007/0128624 A1호; 및 미국 특허출원공개 2008/0009420 A1호에 기재되어 있으며, 이들 각각은 그 전체가 본원에 포함된다. 표면 상에서 핵산을 증폭시키기 위한 다른 유용한 방법은, 예를 들어, 아래에 더욱 상세히 기술되는 방법을 이용하는 롤링 서클 증폭(RCA: Rolling Circle Amplification)이다. 일부 실시형태에서, 핵산은 표면에 부착되고 하나 이상의 프라이머 쌍을 이용하여 증폭될 수 있다. 예를 들어, 프라이머 중 하나는 용액 내에 있을 수 있고 다른 프라이머는 표면 상에 고정화될 수 있다(예컨대, 5'-부착됨). 예를 들어, 핵산 분자가 표면 상의 프라이머 중 하나에 혼성화된 뒤, 고정화된 프라이머를 연장시켜 핵산의 제1 복제물을 생성할 수 있다. 이어서 용액 내의 프라이머는 핵산의 제1 복제물에 혼성화되며, 이는 핵산의 제1 복제물을 템플릿으로 이용하여 연장될 수 있다. 선택적으로, 핵산의 제1 복제물이 생성된 후에, 원래의 핵산 분자는 표면 상의 제2 고정화된 프라이머에 혼성화될 수 있고 동시에 또는 용액 내의 프라이머가 연장된 후에 연장될 수 있다. 임의의 실시형태에서, 고정화된 프라이머 및 용액 내의 프라이머를 이용한 연장(예컨대, 증폭)의 반복된 라운드는 핵산의 다수의 복제물을 제공한다.
특정 실시형태에서, 본원에 기재된 시스템 및 방법에 의해 실행되는 검정 프로토콜은 천연 뉴클레오티드 및 또한 천연 뉴클레오티드와 상호작용하도록 구성된 효소의 사용을 포함한다. 천연 뉴클레오티드에는 예를 들어 리보뉴클레오티드(RNA) 또는 데옥시리보뉴클레오티드(DNA)가 포함된다. 천연 뉴클레오티드는 모노-, 다이-, 또는 트라이-포스페이트 형태일 수 있으며, 아데닌(A), 티민(T), 우라실(U), 구아닌(G), 또는 시토신(C)으로부터 선택된 염기를 가질 수 있다. 그러나, 전술된 뉴클레오티드의 비-천연 뉴클레오티드, 변형된 뉴클레오티드 또는 유사체들이 사용될 수 있음이 이해될 것이다. 유용한 비-천연 뉴클레오티드의 일부 예는 합성 방법에 의한 가역적 종결자 기반 서열분석과 관련하여 아래에 설명된다.
반응 챔버를 포함하는 실시형태에서, 품목 또는 고체 물질(반고체 물질 포함)은 반응 챔버 내에 배치될 수 있다. 배치될 때, 품목 또는 고체는 억지 끼워맞춤(interference fit), 접착, 또는 포획을 통해 반응 챔버 내에서 물리적으로 유지되거나 고정화될 수 있다. 반응 챔버 내에 배치될 수 있는 예시적인 품목 또는 고체는 중합체 비드, 펠릿, 아가로스 겔, 분말, 양자점, 또는 반응 챔버 내에 압축되고/되거나 보유될 수 있는 다른 고체를 포함한다. 특정 실시형태에서, 핵산 상부구조(superstructure), 예컨대 DNA 볼(ball)은, 예를 들어 반응 챔버의 내부 표면에의 부착에 의해 또는 반응 챔버 내의 액체 중에의 체류에 의해, 반응 챔버 내에 또는 반응 챔버에 배치될 수 있다. DNA 볼 또는 다른 핵산 상부구조가 미리 형성된 다음 반응 챔버 내에 또는 반응 챔버에 배치될 수 있다. 대안적으로, DNA 볼은 반응 챔버에서 인시츄(in situ) 합성될 수 있다. DNA 볼은 특정 핵산 서열의 콘카테머(concatemer)를 생성하기 위해 롤링 서클 증폭에 의해 합성될 수 있으며 콘카테머는 상대적으로 컴팩트한 볼을 형성하는 조건으로 처리될 수 있다. DNA 볼 및 이들의 합성 방법은 예를 들어 미국 특허출원공개 2008/0242560 A1호 또는 2008/0234136 A1호에 기재되어 있으며, 이들 각각은 그 전체가 본원에 포함된다. 반응 챔버에 유지되거나 배치되는 물질은 고체, 액체 또는 기체 상태일 수 있다.
본원에 사용되는 "염기 호출"은 핵산 서열에서 뉴클레오티드 염기를 식별한다. 염기 호출은 특정 사이클에서 모든 클러스터에 대한 염기 호출(A, C, G, T)을 결정하는 과정을 지칭한다. 예를 들어, 미국 특허출원공개 2013/0079232호의 통합 자료에 설명된 4채널, 2채널 또는 1채널 방법 및 시스템을 사용하여 염기 호출이 수행될 수 있다. 특정 실시형태에서, 염기 호출 사이클은 "샘플링 이벤트"로서 지칭된다. 하나의 염료 및 2채널 서열분석 프로토콜에서, 샘플링 이벤트는 각 단계에서 픽셀 신호가 생성되도록 시간 순서로 2개의 조명 단계를 포함한다. 제1 조명 단계는 AT 픽셀 신호에서 뉴클레오티드 염기 A 및 T를 나타내는 소정의 클러스터로부터 조명을 유도하고, 제2 조명 단계는 CT 픽셀 신호에서 뉴클레오티드 염기 C 및 T를 나타내는 소정의 클러스터로부터 조명을 유도한다.
바이오센서
도 1은 다양한 실시형태에서 사용될 수 있는 바이오센서(100)의 단면을 도시한다. 바이오센서(100)는 염기 호출 사이클 동안 하나 초과의 클러스터(예를 들어, 픽셀 영역당 2개의 클러스터)를 각각 보유할 수 있는 픽셀 영역(106', 108', 110', 112', 114')을 갖는다. 도시된 바와 같이, 바이오센서(100)는 샘플링 장치(104) 상에 장착되는 플로우 셀(102)을 포함할 수 있다. 예시된 실시형태에서, 플로우 셀(102)은 샘플링 장치(104)에 직접 부착된다. 그러나, 대안적인 실시형태에서, 플로우 셀(102)은 샘플링 장치(104)에 제거 가능하게 결합될 수 있다. 샘플링 장치(104)는 작용화될 수 있는(예를 들어, 원하는 반응을 수행하기 위해 적절한 방식으로 화학적으로 또는 물리적으로 개질될 수 있는) 샘플 표면(134)을 갖는다. 예를 들어, 샘플 표면(134)은 작용화될 수 있고 염기 호출 사이클 동안 하나 초과의 클러스터를 각각 보유할 수 있는 복수의 픽셀 영역(106', 108', 110', 112', 114')을 포함할 수 있다(예를 들어, 각각은 그에 고정화된 상응하는 클러스터 쌍(106A, 106B; 108A, 108B; 110A, 110B; 112A, 112B; 및 114A, 114B)을 가짐). 각 픽셀 영역은 대응하는 센서(또는 픽셀 또는 광다이오드)(106, 108, 110, 112, 114)와 연관되어 픽셀 영역에 의해 수신된 빛이 대응하는 센서에 의해 캡처된다. 픽셀 영역(106')은 또한 클러스터 쌍을 유지하는 샘플 표면(134) 상의 대응하는 반응 부위(106")와 연관될 수 있어, 반응 부위(106")로부터 방출된 광이 픽셀 영역(106')에 의해 수신되고 대응하는 센서(106)에 의해 캡처된다. 이러한 감지 구조의 결과로, 2개 이상의 클러스터가 염기 호출 사이클 동안 특정 센서의 픽셀 영역에 존재하는 경우(예를 들어, 각각 대응하는 클러스터 쌍을 가짐), 그 염기 호출 사이클의 픽셀 신호는 둘 이상의 클러스터 모두에 기초하는 정보를 전달한다. 결과적으로, 본원에 설명된 바와 같은 신호 처리는 각 클러스터를 구별하는 데 사용되며, 여기서 특정 염기 호출 사이클의 소정의 샘플링 이벤트에서 픽셀 신호보다 더 많은 클러스터가 있다.
예시된 실시형태에서, 플로우 셀(102)은 측벽(138, 125), 및 측벽(138, 125)에 의해 지지되는 플로우 커버(136)를 포함한다. 측벽(138, 125)은 샘플 표면(134)에 결합되고 플로우 커버(136)와 측벽(138, 125) 사이에서 연장된다. 일부 실시형태에서, 측벽(138, 125)은 유동 커버(136)를 샘플링 장치(104)에 접합하는 경화성 접착제 층으로부터 형성된다.
측벽(138, 125)은 유동 커버(136)와 샘플링 장치(104) 사이에 유동 채널(144)이 존재하도록 크기 및 형상을 갖는다. 유동 커버(136)는 바이오센서(100)의 외부로부터 유동 채널(144)로 전파하는 여기 광(101)에 투명한 재료를 포함할 수 있다. 일 예에서, 여기 광(101)은 비-직교 각도로 플로우 커버(136)에 접근한다.
또한 도시된 바와 같이, 유동 커버(136)는 다른 포트(도시되지 않음)와 유체적으로 맞물리도록 구성된 입구 및 출구 포트(142, 146)를 포함할 수 있다. 예를 들어, 다른 포트는 카트리지 또는 워크스테이션으로부터 나올 수 있다. 유동 채널(144)은 샘플 표면(134)을 따라 유체를 안내하도록 크기 및 형상을 갖는다. 높이(H1) 및 유동 채널(144)의 다른 치수는 샘플 표면(134)을 따라 유체의 실질적으로 균일한 유동을 유지하도록 구성될 수 있다. 유동 채널(144)의 치수는 또한 기포 형성을 제어하도록 구성될 수 있다.
예로서, 플로우 커버(136)(또는 플로우 셀(102))는 유리 또는 플라스틱과 같은 투명 재료를 포함할 수 있다. 유동 커버(136)는 평면 외부 표면 및 유동 채널(144)을 정의하는 평면 내부 표면을 갖는 실질적으로 직사각형 블록을 구성할 수 있다. 블록은 측벽(138, 125) 상에 장착될 수 있다. 대안적으로, 플로우 셀(102)은 플로우 커버(136) 및 측벽(138, 125)을 정의하도록 에칭될 수 있다. 예를 들어, 리세스가 투명 재료로 에칭될 수 있다. 에칭된 재료가 샘플링 장치(104)에 장착될 때, 리세스는 유동 채널(144)이 될 수 있다.
샘플링 장치(104)는 예를 들어, 복수의 적층된 기판 층들(120-126)을 포함하는 집적 회로와 유사할 수 있다. 기판 층(120-126)은 베이스 기판(120), 솔리드-스테이트 이미저(122)(예를 들어, CMOS 이미지 센서), 필터 또는 광-관리 층(124), 및 패시베이션 층(126)을 포함할 수 있다. 상기 내용은 단지 예시일 뿐이며 다른 실시형태는 더 적거나 추가의 층을 포함할 수 있다는 점에 유의해야 한다. 더욱이, 기판 층(120-126) 각각은 복수의 서브-층을 포함할 수 있다. 샘플링 장치(104)는 CMOS 이미지 센서 및 CCD와 같은 집적 회로 제조에 사용된 것과 유사한 공정을 사용하여 제조될 수 있다. 예를 들어, 기판 층(120-126) 또는 그의 부분은 샘플링 장치(104)를 형성하기 위해 성장, 증착, 에칭 등이 될 수 있다.
패시베이션 층(126)은 유동 채널(144)의 유체 환경으로부터 필터 층(124)을 차폐하도록 구성된다. 일부 경우에, 패시베이션 층(126)은 또한 생체분자 또는 다른 관심 분석물이 그 위에 고정화될 수 있도록 하는 고체 표면(즉, 샘플 표면(134))을 제공하도록 구성된다. 예를 들어, 각 반응 부위는 샘플 표면(134)에 고정화된 생체 분자 클러스터를 포함할 수 있다. 따라서, 패시베이션층(126)은 반응 부위가 고정화될 수 있도록 하는 물질로 형성될 수 있다. 패시베이션 층(126)은 또한 원하는 형광 광에 대해 적어도 투명한 재료를 포함할 수 있다. 예를 들어, 패시베이션층(126)은 규소 질화물(Si2N4) 및/또는 실리카(SiO2)를 포함할 수 있다. 그러나, 다른 적절한 재료(들)가 사용될 수 있다. 예시된 실시형태에서, 패시베이션 층(126)은 실질적으로 평면일 수 있다. 그러나, 대안적인 실시형태에서, 패시베이션 층(126)은 피트, 웰, 홈 등과 같은 리세스를 포함할 수 있다. 예시된 실시형태에서, 패시베이션 층(126)은 약 150 내지 200 nm, 보다 구체적으로 약 170 nm의 두께를 갖는다.
필터 층(124)은 광의 투과에 영향을 미치는 다양한 특징을 포함할 수 있다. 일부 실시형태에서, 필터 층(124)은 다중 기능을 수행할 수 있다. 예를 들어, 필터 층(124)은 (a) 여기 광원으로부터의 광 신호와 같은 원치 않는 광 신호를 필터링하거나; (b) 반응 부위로부터의 방출 신호를 검출하도록 구성된 대응하는 센서(106, 108, 110, 112, 및 114)를 향해 반응 부위로부터의 방출 신호를 유도하거나; 또는 (c) 인접한 반응 부위로부터 원치 않는 방출 신호의 검출을 차단하거나 방지하도록 구성될 수 있다. 이와 같이, 필터 층(124)은 또한 광-관리층으로서 지칭될 수 있다. 도시된 실시형태에서, 필터 층(124)은 약 1 내지 5 μm, 보다 구체적으로 약 2 내지 4 μm의 두께를 갖는다. 대안적인 실시형태에서, 필터 층(124)은 마이크로렌즈 또는 다른 광학 구성요소의 어레이를 포함할 수 있다. 각각의 마이크로렌즈는 연관된 반응 부위로부터 센서로 방출 신호를 유도시키도록 구성될 수 있다.
일부 실시형태에서, 솔리드-스테이트 이미저(122) 및 베이스 기판(120)은 미리 구성된 솔리드-스테이트 이미지화 디바이스(예를 들어, CMOS 칩)로서 함께 제공될 수 있다. 예를 들어, 베이스 기판(120)은 규소 웨이퍼일 수 있고, 그 위에 솔리드-스테이트 이미저(122)가 장착될 수 있다. 솔리드-스테이트 이미저(122)는 반도체 재료(예를 들어, 규소) 층과 센서(106, 108, 110, 112, 114)를 포함한다. 예시된 실시형태에서, 센서는 광을 검출하도록 구성된 광다이오드이다. 다른 실시형태에서, 센서는 광 검출기를 포함한다. 솔리드-스테이트 이미저(122)는 CMOS 기반의 제조 공정을 통해 단일 칩으로서 제조될 수 있다.
솔리드-스테이트 이미저(122)는 유동 채널(144) 내부에서 또는 유동 채널을 따라 원하는 반응을 나타내는 활동을 검출하도록 구성된 센서(106, 108, 110, 112, 114)의 조밀한 어레이를 포함할 수 있다. 일부 실시형태에서, 각각의 센서는 약 1 내지 2 제곱 마이크로미터(μm²)의 픽셀 영역(또는 검출 영역)을 갖는다. 어레이는 500,000개의 센서, 500만개의 센서, 1,000만개의 센서 또는 심지어 1억 2,000만개의 센서를 포함할 수 있다. 센서(106, 108, 110, 112, 114)는 원하는 반응을 나타내는 미리 결정된 광 파장을 검출하도록 구성될 수 있다.
일부 실시형태에서, 샘플링 장치(104)는 미국 특허 제7,595,882호에 기술된 마이크로회로 배열과 같은 마이크로회로 배열을 포함하며, 이는 전체가 참조로 본원에 포함된다. 보다 구체적으로, 샘플링 장치(104)는 센서(106, 108, 110, 112, 114)의 평면 어레이를 갖는 집적 회로를 포함할 수 있다. 샘플링 장치(104) 내에 형성된 회로는 신호 증폭, 디지털화, 저장 및 처리 중 적어도 하나를 위해 구성될 수 있다. 회로는 검출된 형광 광을 수집 및 분석하고 검출 데이터를 신호 프로세서에 전달하기 위한 픽셀 신호(또는 검출 신호)를 생성할 수 있다. 회로는 또한 샘플링 장치(104)에서 추가적인 아날로그 및/또는 디지털 신호 처리를 수행할 수 있다. 샘플링 장치(104)는 신호 라우팅(routing)을 수행하는(예를 들어, 픽셀 신호를 신호 프로세서에 전송하는) 전도성 비아(130)를 포함할 수 있다. 픽셀 신호는 또한 샘플링 장치(104)의 전기 접촉부(132)를 통해 전송될 수 있다.
샘플링 장치(104)는 2020년 5월 14일자로 "Systems and Devices for Characterization and Performance Analysis of Pixel-Based Sequencing"라는 명칭으로 출원된 미국 정규 특허 출원 제16/874,599호(대리인 문서 번호 ILLM 1011-4/IP-1750-US)와 관련하여 더 상세하게 논의되며, 이는 마치 본원에 완전히 기재된 것처럼 참조로 포함된다. 샘플링 장치(104)는 전술된 바와 같은 상기 구성 또는 용도로 제한되지 않는다. 대안적인 실시형태에서, 샘플링 장치(104)는 다른 형태를 취할 수 있다. 예를 들어, 샘플링 장치(104)는 플로우 셀에 결합되거나 내부에 반응 부위를 갖는 플로우 셀과 인터페이싱하도록 이동되는 CCD 카메라와 같은 CCD 디바이스를 포함할 수 있다.
도 2는 타일 내에 클러스터를 포함하는 플로우 셀(200)의 일 구현예를 도시한다. 플로우 셀(200)은 예를 들어 플로우 커버(136)가 없는 도 1의 플로우 셀(102)에 대응한다. 또한, 플로우 셀(200)의 묘사는 본질적으로 상징적이며, 플로우 셀(200)은 내부의 다양한 다른 구성요소를 예시하지 않고 내부의 다양한 레인 및 타일을 상징적으로 묘사한다. 도 2는 플로우 셀(200)의 평면도를 도시한다.
일 실시형태에서, 플로우 셀(200)은 레인(202a, 202b, …, 202P), 즉 P개의 레인과 같은 복수의 레인으로 분할 또는 구획된다. 도 2의 예에서, 플로우 셀(200)은 8개의 레인, 즉 이 예에서 P = 8을 포함하는 것으로 예시되어 있지만, 플로우 셀 내의 레인의 수는 구현예에 따라 다르다.
일 실시형태에서, 개별 레인(202)은 "타일"(212)이라고 하는 비-중첩 영역들로 더 분할된다. 예를 들어, 도 2는 예시적인 레인의 섹션(208)의 확대도를 도시한다. 섹션(208)은 복수의 타일(212)을 포함하는 것으로 예시되어 있다.
일 예에서, 각각의 레인(202)은 하나 이상의 열의 타일들을 포함한다. 예를 들어, 도 2에서, 각 레인(202)은 확대된 섹션(208) 내에 예시된 바와 같이 2개의 대응하는 열의 타일(212)을 포함한다. 각 레인 내 타일들의 각 열 내의 타일 수는 구현예에 따라 다르며, 일 예에서 각 레인 내 타일들의 각 열에 50개의 타일, 60개의 타일, 100개의 타일 또는 다른 적절한 수의 타일이 있을 수 있다.
각 타일은 대응하는 복수의 클러스터를 포함한다. 서열분석 절차 동안, 클러스터 및 타일 상의 그들의 주변 배경이 이미지화된다. 예를 들어, 도 2는 예시적인 타일 내의 예시적인 클러스터(216)를 도시한다.
도 3은 8개의 레인이 있는 예시적인 Illumina GA-IIx™ 플로우 셀을 보여주고, 또한 하나의 타일과 그의 클러스터 및 이들 주변 배경을 확대한 것을 보여준다. 예를 들어, Illumina Genome Analyzer II에는 레인당 100개의 타일이 그리고 Illumina HiSeq2000에는 레인당 68개의 타일이 있다. 타일(212)은 수십만 내지 수백만 개의 클러스터를 보유한다. 도 3에서, 밝은 스폿으로 도시된 클러스터를 갖는 타일로부터 생성된 이미지가 308에 도시되어 있고(예를 들어, 308은 타일의 확대된 이미지 도면임), 예시적인 클러스터(304)가 표지되어 있다. 클러스터(304)는 템블릿 분자의 대략 1000개의 동일한 복제물을 포함하지만, 클러스터들은 크기 및 형상이 다르다. 클러스터들은, 서열분석 런 전에, 입력 라이브러리의 브리지 증폭에 의해 템플릿 분자로부터 성장된다. 증폭 및 클러스터 성장의 목적은 방출된 신호의 강도를 증가시키는 것인데, 이는 이미지화 디바이스가 단일 형광단을 신뢰성 있게 감지할 수 없기 때문이다. 그러나, 클러스터(304) 내의 DNA 단편들의 물리적 거리는 작고, 따라서 이미지화 디바이스는 단편들의 클러스터를 단일 스폿(304)으로서 인지한다.
클러스터 및 타일은 2020년 3월 20일에 "TRAINING DATA GENERATION FOR ARTIFICIAL INTELLIGENCE-BASED SEQUENCING"이라는 명칭으로 출원된 미국 정규 특허 출원 제16/825,987호(대리인 문서 번호 ILLM 1008-16/IP-1693-US)와 관련하여 더 자세히 논의된다.
도 4는 염기 호출 센서 출력(예를 들어, 도 1 참조)과 같은 서열분석 시스템으로부터의 센서 데이터의 분석을 위한 시스템의 단순화된 블록도이다. 도 4의 예에서, 시스템은 서열분석기(400) 및 구성 가능한 프로세서(450)를 포함한다. 구성 가능한 프로세서(450)는 중앙 처리 장치(CPU)(402)와 같은 호스트 프로세서에 의해 실행되는 런타임 프로그램과 협력하여 신경망 기반 염기 호출자를 실행할 수 있다. 서열분석기(400)는 염기 호출 센서 및 플로우 셀(401)(예를 들어, 도 1 내지 3과 관련하여 논의됨)을 포함한다. 플로우 셀은, 도 1 내지 3과 관련하여 논의된 바와 같이, 유전 물질의 클러스터가 유전 물질에서의 염기를 식별하기 위해 클러스터에서의 반응을 유발하는 데 사용되는 일련의 분석물 유동에 노출되는 하나 이상의 타일을 포함할 수 있다. 센서들은 플로우 셀의 각 타일에서의 시퀀스의 각 사이클에 대한 반응을 감지하여 타일 데이터를 제공한다. 이 기술의 예는 아래에서 더 자세히 설명된다. 유전자 서열분석은 데이터 집약적 동작이며, 이는 염기 호출 센서 데이터를, 염기 호출 동작 동안에 감지된 유전 물질의 각각의 클러스터에 대한 염기 호출들의 서열들로 변환한다.
이러한 예에서의 시스템은 런타임 프로그램을 실행시켜서 염기 호출 동작을 조정하는 CPU(402), 타일 데이터의 어레이의 시퀀스를 저장하기 위한 메모리(403), 염기 호출 동작에 의해 생성되는 염기 호출 리드, 및 염기 호출 동작에서 사용되는 다른 정보를 포함한다. 또한, 이러한 예시에서, 시스템은 구성 파일(또는 파일들), 예컨대 FPGA 비트 파일, 및 구성가능한 프로세서(450)를 구성 및 재구성하기 위해 그리고 신경망을 실행하기 위해 사용되는 신경망에 대한 모델 파라미터를 저장할 메모리(404)를 포함한다. 서열분석기(400)는 구성가능한 프로세서를 구성하기 위한 프로그램, 및 일부 실시형태에서, 신경망을 실행하기 위한 재구성가능한 프로세서를 포함할 수 있다.
서열분석기(400)는 버스(405)에 의해 구성가능한 프로세서(450)에 커플링된다. 버스(405)는, 하나의 예에서 PCI-SIG(PCI Special Interest Group)에 의해 현재 유지되고 개발되는 PCIe(Peripheral Component Interconnect Express) 표준들과 호환가능한 버스 기술과 같은 고처리량 기술을 사용하여 구현될 수 있다. 또한, 이러한 예에서, 메모리(460)는 버스(461)에 의해 구성가능한 프로세서(450)에 커플링된다. 메모리(460)는 구성가능한 프로세서(450)를 갖는 회로 보드 상에 배치된 온-보드 메모리일 수 있다. 메모리(460)는 염기 호출 동작에서 사용되는 데이터를 작동시키는 구성가능한 프로세서(450)에 의한 고속 액세스를 위해 사용된다. 버스(461)는, 또한, PCIe 표준들과 호환가능한 버스 기술과 같은 고처리량 기술을 사용하여 구현될 수 있다.
필드 프로그래밍가능 게이트 어레이(FPGA), 코어스-그레인드 재구성가능한 어레이(CGRA), 및 다른 구성가능한 그리고 재구성가능한 디바이스를 포함한 구성가능한 프로세서는, 컴퓨터 프로그램을 실행하는 범용 프로세서를 사용하여 달성될 수 있었던 것보다 더 효율적이거나 더 빠르게 다양한 기능을 구현하도록 구성될 수 있다. 구성가능한 프로세서의 구성은, 때때로 비트스트림 또는 비트 파일로 지칭되는 구성 파일을 생성하기 위한 기능 설명을 컴파일하는 것, 및 구성 파일을 프로세서 상의 구성가능한 요소에 분배하는 것을 수반한다.
구성 파일은, 데이터 흐름 패턴, 분산형 메모리 및 다른 온-칩 메모리 리소스의 사용, 룩업 테이블 콘텐츠, 승산 및 누산(multiply-and-accumulate) 유닛과 같은 구성가능한 실행 유닛 및 구성가능한 로직 블록의 동작, 구성가능한 상호접속부, 및 구성가능한 어레이의 다른 요소를 설정하도록 회로를 구성함으로써, 구성가능한 프로세서에 의해 실행될 로직 기능을 정의한다. 구성가능한 프로세서는, 구성 파일이 필드 내에서 변경될 수 있는 경우, 로딩된 구성 파일을 변경함으로써 재구성가능하다. 예를 들어, 구성 파일은, 구성가능한 또는 재구성가능한 프로세서 상의 구성가능한 요소의 어레이 사이에 분포되는, 휘발성 SRAM 요소들에, 비휘발성 판독-기록 메모리 요소에, 그리고 이들의 조합에 저장될 수 있다. 다양한 상업적으로 입수가능한 구성가능한 프로세서가 본원에 기술된 바와 같은 염기 호출 동작에 사용하는 데 적합하다. 예로는 Xilinx Alveo™ U200, Xilinx Alveo™ U250, Xilinx Alveo™ U280, Intel/Altera Stratix™ GX2800, Intel/Altera Stratix™ GX2800, 및 Intel Stratix™ GX10M과 같은 상업적으로 입수 가능한 제품들을 포함한다. 일부 예에서, 호스트 CPU는 구성가능한 프로세서와 동일한 집적 회로 상에서 구현될 수 있다.
본원에 설명된 실시형태는 구성 가능한 프로세서(450)를 사용하여 다중 사이클 신경망을 구현한다. 구성 가능한 프로세서를 위한 구성 파일은 고수준 설명 언어(HDL: high-level description language) 또는 레지스터 전송 수준(RTL: register transfer level) 언어 규격을 사용하여 실행될 로직 함수를 특정함으로써 구현될 수 있다. 규격은 구성 파일을 생성하기 위해, 선택된 구성가능한 프로세서에 대해 설계된 리소스를 사용하여 컴파일될 수 있다. 구성가능한 프로세서가 아닐 수 있는 ASIC에 대한 설계를 생성할 목적으로 동일한 또는 유사한 규격이 컴파일될 수 있다.
따라서 본원에 설명된 모든 실시형태에서 구성 가능한 프로세서에 대한 대안들은, 본원에 기술된 바와 같은 신경망 기반 염기 호출 동작을 실행시키도록 구성된, 주문형 ASIC 또는 특수 목적 집적 회로 또는 집적 회로들의 세트를 포함하는 구성된 프로세서, 또는 SOC(system-on-a-chip) 디바이스를 포함한다.
대체로, 신경망의 런을 실행하도록 구성된 바와 같은, 본원에 기술된 구성가능한 프로세서 및 구성된 프로세서는 본원에서 신경망 프로세서로 지칭된다.
구성 가능한 프로세서(450)는 이 예에서 CPU(402)에 의해 실행된 프로그램을 사용하여 로딩된 구성 파일에 의해 구성되거나, 염기 호출 함수를 실행하기 위해 구성 가능한 프로세서(454) 상의 구성 가능한 요소의 어레이를 구성하는 다른 소스에 의해 구성된다. 이러한 예에서, 구성은, 버스(405, 461)에 커플링되고 염기 호출 동작에 사용되는 요소들 사이에서 데이터 및 제어 파라미터를 분배하기 위한 기능을 실행하는 데이터 흐름 로직(451)을 포함한다.
또한, 구성 가능한 프로세서(450)는 다중 사이클 신경망을 실행하기 위한 염기 호출 실행 로직(452)으로 구성된다. 로직(452)은 복수의 다중 사이클 실행 클러스터(예를 들어, 453)를 포함하며, 이는 이 예에서 다중 사이클 클러스터 1 내지 다중 사이클 클러스터 X를 포함한다. 다중 사이클 클러스터의 수는 원하는 작업 처리량과 구성 가능한 프로세서의 이용 가능한 리소스를 포함하는 트레이드 오프에 따라 선택될 수 있다.
다중-사이클 클러스터는 구성가능한 프로세서 상의 구성가능한 상호접속부 및 메모리 리소스를 사용하여 구현되는 데이터 흐름 경로(454)에 의해 데이터 흐름 로직(451)에 커플링된다. 또한, 다중-사이클 클러스터는, 예를 들어 구성가능한 프로세서 상의 구성가능한 상호접속부 및 메모리 리소스를 사용하여 구현된 제어 경로(455)에 의해 데이터 흐름 로직(451)에 커플링되며, 이들은 이용가능한 클러스터를 나타내는 제어 신호, 신경망의 런의 실행을 위한 입력 유닛을 이용가능한 실행 클러스터에 제공하기 위한 준비(readiness), 신경망에 대한 훈련된 파라미터를 제공하기 위한 준비, 염기 호출 분류 데이터의 출력 패치를 제공하기 위한 준비, 및 신경망의 실행을 위해 사용되는 다른 제어 데이터를 제공한다.
구성 가능한 프로세서는 훈련된 파라미터를 사용하여 다중 사이클 신경망의 런을 실행하여 염기 유동 동작의 감지 사이클에 대한 분류 데이터를 생성하도록 구성된다. 신경망의 런이 실행되어, 염기 호출 동작의 대상 감지 사이클에 대한 분류 데이터를 생성한다. 신경망의 런은 N개의 감지 사이클의 각자의 감지 사이클로부터 타일 데이터의 N개의 어레이을 포함하는 시퀀스로 동작하며, 여기서 N개의 감지 사이클은 본원에 기술된 예에서 시간 시퀀스 내의 동작마다 하나의 염기 포지션에 대한 상이한 염기 호출 동작을 위한 센서 데이터를 제공한다. 선택적으로, N개의 감지 사이클 중 일부는 실행되는 특정 신경망 모델에 따라 필요한 경우 시퀀스 이외일 수 있다. 수 N은 1 초과의 임의의 수일 수 있다. 본원에 기술된 일부 예에서, N개의 감지 사이클의 감지 사이클은 시간 시퀀스에서 대상 감지 사이클에 선행하는 적어도 하나의 감지 사이클 및 대상 사이클에 뒤이은 적어도 하나의 감지 사이클에 대한 감지 사이클의 세트를 표현한다. 수 N이 5 이상의 정수인 예가 본원에 기술된다.
데이터 흐름 로직(451)은 N개의 어레이의 공간적으로 정렬된 패치에 대해 타일 데이터를 포함하는 소정의 런에 대한 입력 유닛을 사용하여, 신경망의 런을 위한 타일 데이터 및 모델 파라미터의 적어도 일부의 훈련된 파라미터를 메모리(460)로부터 구성가능한 프로세서로 이동시키도록 구성된다. 입력 유닛은 하나의 DMA 동작에서 직접 메모리 액세스 동작에 의해 이동될 수 있거나, 또는 더 작은 유닛에서, 전개된 신경망의 실행과 협력하여 이용가능한 시간 슬롯 동안 이동될 수 있다.
본원에 기술된 바와 같은 감지 사이클에 대한 타일 데이터는 하나 이상의 특징을 갖는 센서 데이터의 어레이를 포함할 수 있다. 예를 들어, 센서 데이터는 DNA, RNA, 또는 다른 유전 물질의 유전자 서열 내의 염기 포지션에서 4개의 염기 중 하나를 식별하기 위해 분석되는 2개의 이미지를 포함할 수 있다. 타일 데이터는, 또한, 이미지 및 센서에 관한 메타데이터를 포함할 수 있다. 예를 들어, 염기 호출 동작의 실시형태에서, 타일 데이터는 타일 상의 유전 물질의 클러스터의 중심으로부터 센서 데이터의 어레이 내의 각각의 픽셀의 거리를 나타내는 중심 정보로부터의 거리와 같은, 클러스터와 이미지의 정렬에 관한 정보를 포함할 수 있다.
아래에 설명된 바와 같이 다중 사이클 신경망을 실행하는 동안, 타일 데이터는 또한 중간 데이터로서 지칭되는, 다중 사이클 신경망을 실행하는 동안 생성된 데이터를 포함할 수 있으며, 이는 다중 사이클 신경망의 런 동안 재계산되기보다는 재사용될 수 있다. 예를 들어, 다중 사이클 신경망의 실행 동안, 데이터 흐름 로직은 타일 데이터 어레이의 소정의 패치에 대한 센서 데이터 대신에 메모리(460)에 중간 데이터를 기록할 수 있다. 이와 같은 실시형태는 아래에서 더 자세히 설명된다.
도시된 바와 같이, 염기 호출 동작의 감지 사이클로부터 타일에 대한 센서 데이터를 포함하는 타일 데이터를 저장하는 런타임 프로그램에 의해 액세스가능한 메모리(예컨대, 460)를 포함하는, 염기 호출 센서 출력의 분석을 위한 시스템이 기술된다. 또한, 시스템은 메모리에 액세스하는 구성가능한 프로세서(450)와 같은 신경망 프로세서를 포함한다. 신경망 프로세서는 감지 사이클에 대한 분류 데이터를 생성하기 위해 훈련된 파라미터를 사용하여 신경망의 런을 실행하도록 구성된다. 본원에 기술된 바와 같이, 대상 사이클에 대한 분류 데이터를 생성하기 위해, 대상 사이클을 포함하는 N개의 감지 사이클의 각자의 감지 사이클로부터의 타일 데이터의 N개의 어레이의 시퀀스 상에서 신경망의 런이 동작하고 있다. 데이터 흐름 로직(451)은 N개의 감지 사이클의 각자의 감지 사이클로부터 N개의 어레이의 공간적으로 정렬된 패치에 대한 데이터를 포함하는 입력 유닛을 사용하여 신경망의 런을 위해 타일 데이터 및 훈련된 파라미터를 메모리로부터 신경망 프로세서로 이동시키도록 제공된다.
또한, 신경망 프로세서가 메모리에 액세스하고 복수의 실행 클러스터를 포함하는 시스템이 기술되는데, 복수의 실행 클러스터 중의 실행 로직 클러스터는 신경망을 실행시키도록 구성된다. 데이터 흐름 로직은 메모리 및 복수의 실행 클러스터 중의 실행 클러스터에 액세스하여, 타일 데이터의 입력 유닛을 복수의 실행 클러스터 중 이용가능한 실행 클러스터에 제공하고 - 입력 유닛은 대상 감지 사이클을 포함하는 각자의 감지 사이클로부터 타일 데이터의 어레이의 N개의 공간적으로 정렬된 패치를 포함함 -, 실행 클러스터가 N개의 공간적으로 정렬된 패치를 신경망에 적용하여 대상 감지 사이클의 공간적으로 정렬된 패치에 대한 분류 데이터의 출력 패치를 생성하게 하며, 여기서 N은 1 초과이다.
도 5는 호스트 프로세서에 의해 실행되는 런타임 프로그램의 기능을 포함한 염기 호출 동작의 양태를 보여주는 단순화된 도면이다. 이러한 도면에서, 플로우 셀로부터의 이미지 센서의 출력(도 1 내지 2에 예시된 것과 같은 것)은 라인(500) 상에서 이미지 처리 스레드(501)에 제공되는데, 이는 개별 타일에 대한 센서 데이터 배열에서 재샘플링, 정렬 및 배열과 같은 이미지에 대한 프로세스를 수행할 수 있고, 플로우 셀 내의 각각의 타일에 대한 타일 클러스터 마스크를 계산하는 프로세스에 의해 사용될 수 있으며, 이는 플로우 셀의 대응하는 타일 상의 유전 물질의 클러스터에 대응하는 센서 데이터의 어레이 내의 픽셀을 식별한다. 클러스터 마스크를 계산하기 위해, 하나의 예시적 알고리즘은 소프트맥스(softmax) 출력에서 유도된 메트릭을 사용하여 초기 서열분석 사이클에서 신뢰할 수 없는 클러스터를 감지하는 프로세스를 기반으로 하며, 그 다음 그들 웰/클러스터로부터의 데이터는 폐기되고 출력 데이터는 그들 클러스터에 대해 생성되지 않는다. 예를 들어, 프로세스는 처음 N1(예를 들어, 25)개의 염기 호출 동안 높은 신뢰성을 갖는 클러스터를 식별하고 나머지는 거부할 수 있다. 거부된 클러스터는 다클론성이거나 강도가 매우 약하거나 기점(fiducial)에 의해 가려질 수 있다. 이 절차는 호스트 CPU에서 수행될 수 있다. 대안적인 구현예에서, 이 정보는 CPU로 다시 전달되는 필요한 관심 클러스터를 식별하는 데 잠재적으로 사용되어 중간 데이터에 필요한 스토리지를 제한한다.
이미지 처리 스레드(501)의 출력은 라인(502) 상에서 CPU 내의 디스패치 로직(510)에 제공되는데, 이는 염기 호출 동작의 상태에 따라, 도 4의 구성가능한 프로세서와 같은, 신경망 프로세서 하드웨어(520)로의 고속 버스(503) 상에서 또는 고속 버스(505) 상에서 데이터 캐쉬(504)로 타일 데이터의 어레이를 라우팅한다. 하드웨어(520)는 신경망에 의해 출력된 분류 데이터를 디스패치 로직(510)에 반환하는데, 이는 데이터 캐시(504)로, 또는 라인(511) 상에서, 분류 데이터를 사용하여 염기 호출 및 품질 점수 계산을 수행하는 스레드(502)로 정보를 전달하고, 염기 호출 리드에 대한 표준 포맷으로 데이터를 배열할 수 있다. 염기 호출 및 품질 점수 계산을 수행하는 스레드(502)의 출력은, 라인(512) 상에서, 염기 호출 리드를 집계하고, 데이터 압축과 같은 다른 동작을 수행하고, 고객에 의한 활용을 위해, 생성된 염기 호출 출력을 특정된 목적지에 기록하는 스레드(503)로 제공된다.
일부 실시형태에서, 호스트는 신경망의 지원 시에 하드웨어(520)의 출력의 최종 처리를 수행하는 스레드(도시되지 않음)을 포함할 수 있다. 예를 들어, 하드웨어(520)는 다중 클러스터 신경망의 최종 층으로부터의 분류 데이터의 출력을 제공할 수 있다. 호스트 프로세서는 염기 호출 및 품질 점수 스레드(502)에 의해 사용하기 위한 데이터를 구성하기 위해 분류 데이터에 걸쳐, 소프트맥스 함수와 같은 출력 활성화 함수를 실행할 수 있다. 또한, 호스트 프로세서는 하드웨어(520)에 대한 입력에 앞서 타일 데이터의 재샘플링, 배치 정규화 또는 기타 조정과 같은 입력 동작(미도시)을 실행할 수 있다.
도 6은 도 4의 것과 같은 구성가능한 프로세서의 구성의 단순화된 도면이다. 도 6에서, 구성가능한 프로세서는 복수의 고속 PCIe 인터페이스를 갖는 FPGA를 포함한다. FPGA는 도 1를 참조하여 기술된 데이터 흐름 로직을 포함하는 래퍼(wrapper)(600)를 갖도록 구성된다. 래퍼(600)는 CPU 통신 링크(609)를 통해 CPU에서의 런타임 프로그램과의 협력 및 인터페이스를 관리하고, DRAM 통신 링크(610)를 통해 온-보드 DRAM(602)(예컨대, 메모리(460))과의 통신을 관리한다. 래퍼(600) 내의 데이터 흐름 로직은, N개의 사이클 동안 온-보드 DRAM(602) 상에서 타일 데이터의 어레이을 클러스터(601)로 순회시킴으로써 검색된 패치 데이터를 제공하고, 온-보드 DRAM(602)으로 다시 전달하기 위해 클러스터(601)로부터 프로세스 데이터(615)를 검색한다. 래퍼(600)는, 또한 타일 데이터의 입력 어레이 및 분류 데이터의 출력 패치 둘 모두에 대해, 온-보드 DRAM(602)과 호스트 메모리 사이에서의 데이터의 이송을 관리한다. 래퍼는 라인(613) 상의 패치 데이터를 할당된 클러스터(601)로 이송한다. 래퍼는 라인(612) 상의 가중치 및 바이어스와 같은 훈련된 파라미터를 온-보드 DRAM(602)으로부터 검색된 클러스터(601)에 제공한다. 래퍼는 라인(611) 상의 구성 및 제어 데이터를, CPU 통신 링크(609)를 통해 호스트 상의 런타임 프로그램으로부터 제공되거나 그에 응답하여 생성되는 클러스터(601)에 제공한다. 클러스터는, 또한, 라인(616) 상의 상태 신호를 래퍼(600)에 제공할 수 있는데, 이들은 타일 데이터의 어레이의 순회를 관리하여 공간적으로 정렬된 패치 데이터를 제공하기 위해 그리고 클러스터(601)의 리소스를 사용하여 패치 데이터에 걸쳐서 다중-사이클 신경망을 실행하기 위해 호스트로부터의 제어 신호와 협력하여 사용된다.
상기에서 언급된 바와 같이, 타일 데이터의 다수의 패치 중 대응하는 패치 상에서 실행하기 위해 구성된, 래퍼(600)에 의해 관리되는 단일의 구성가능한 프로세서 상에 다수의 클러스터가 있을 수 있다. 각각의 클러스터는 본원에 기술된 다수의 감지 사이클의 타일 데이터를 사용하여 대상 감지 사이클에서 염기 호출들에 대한 분류 데이터를 제공하도록 구성될 수 있다.
시스템의 예에서, 필터 가중치 및 바이어스와 같은 커널 데이터를 포함하는 모델 데이터가 호스트 CPU로부터 구성가능한 프로세서로 전송되어, 모델이 사이클 수의 함수로서 업데이트될 수 있게 할 수 있다. 염기 호출 동작은, 대표적인 예의 경우에, 대략 수백개의 감지 사이클을 포함할 수 있다. 염기 호출 동작은, 일부 실시형태에서, 페어드 엔드 리드(paired end read)을 포함할 수 있다. 예를 들어, 모델 훈련된 파라미터는 20개의 사이클(또는 다른 수의 사이클)마다 1회, 또는 특정 시스템 및 신경망 모델에 대해 구현되는 업데이트 패턴에 따라 업데이트될 수 있다. 타일 상의 유전 클러스터 내의 소정의 스트링에 대한 서열이 제1 말단부로부터 스트링 아래로(또는 위로) 연장되는 제1 부분, 및 제2 말단부로부터 스트링 위로(또는 아래로) 연장되는 제2 부분을 포함하는 페어드 엔드 리드를 포함하는 일부 실시형태에서, 훈련된 파라미터는 제1 부분으로부터 제2 부분으로의 전이 시에 업데이트될 수 있다.
일부 예에서, 타일에 대한 감지 데이터의 다수의 사이클 동안의 이미지 데이터는 CPU로부터 래퍼(600)로 전송될 수 있다. 래퍼(600)는, 선택적으로, 감지 데이터의 일부 사전처리 및 변환을 행할 수 있고, 정보를 온-보드 DRAM(602)에 기록할 수 있다. 각각의 감지 사이클에 대한 입력 타일 데이터는, 타일당 감지 사이클당 4000 x 3000개 정도 또는 그 이상의 픽셀 - 2개의 특징이 타일의 2개의 이미지의 컬러를 표현함 -, 및 픽셀당 특징당 1 또는 2 바이트를 포함하는 센서 데이터의 어레이를 포함할 수 있다. 수 N이 다중-사이클 신경망의 각각의 런에 사용될 3개의 감지 사이클인 실시형태의 경우, 다중-사이클 신경망의 각각의 런에 대한 타일 데이터의 어레이는 타일당 수백 메가바이트 정도를 소비할 수 있다. 시스템의 일부 실시형태에서, 타일 데이터는, 또한, 타일당 1회 저장된 DFC 데이터의 어레이, 또는 센서 데이터 및 타일에 관한 다른 유형의 메타데이터를 포함한다.
동작 시에, 다중-사이클 클러스터가 이용가능할 때, 래퍼는 클러스터에 패치를 할당한다. 래퍼는 타일의 순회에서 타일 데이터의 차기 패치를 페치(fetch)하고, 적절한 제어 및 구성 정보와 함께 그것을 할당된 클러스터로 전송한다. 클러스터는, 적소에 작동 중인, 일부 시스템에서 다수의 사이클로부터의 패치를 포함하는 데이터의 패치, 및 처리의 현재 패치가 다양한 실시형태에서 핑퐁 버퍼 기법 또는 래스터 스캐닝 기법을 사용하여 마무리될 때 작동되어야 하는 데이터의 패치를 보유하기에 충분한 메모리를 구성가능한 프로세서 상에 갖도록 구성될 수 있다.
할당된 클러스터가 현재 패치에 대한 신경망의 그의 런을 완료하고 출력 패치를 생성할 때, 그것은 래퍼를 시그널링할 것이다. 래퍼는 할당된 클러스터로부터의 출력 패치를 판독할 것이거나, 또는 대안으로, 할당된 클러스터는 데이터를 래퍼로 푸시아웃할 것이다. 이어서, 래퍼는 DRAM(602) 내의 처리된 타일에 대한 출력 패치를 어셈블할 것이다. 전체 타일의 처리가 완료되었고, 데이터의 출력 패치가 DRAM으로 이송되었을 때, 래퍼는 타일에 대한 처리된 출력 어레이를 지정된 포맷으로 호스트/CPU로 다시 전송한다. 일부 실시형태에서, 온-보드 DRAM(602)은 래퍼(600) 내의 메모리 관리 로직에 의해 관리된다. 런타임 프로그램은, 실시간 분석을 제공하기 위해 연속적인 흐름 중 런에서의 모든 사이클에 대한 타일 데이터의 모든 어레이의 분석을 완료하도록 서열분석 동작을 제어할 수 있다.
도 7은 본원에 설명된 시스템을 사용하여 실행될 수 있는 다중 사이클 신경망 모델의 도면이다. 도 7에 도시된 예는 5사이클 입력, 1사이클 출력 신경망으로 지칭될 수 있다. 다중 사이클 신경망 모델에 대한 입력은 소정의 타일의 5개 감지 사이클의 타일 데이터 어레이로부터 5개의 공간적으로 정렬된 패치(예를 들어, 700)를 포함한다. 공간적으로 정렬된 패치는 세트의 다른 패치와 동일한 정렬된 행 및 열 차원(x,y)을 가져, 정보는 시퀀스 사이클에서 타일의 동일한 유전 물질 클러스터와 관련된다. 이 예에서 대상 패치는 사이클 K에 대한 타일 데이터 배열로부터의 패치이다. 5개의 공간적으로 정렬된 패치 세트는 대상 패치보다 2사이클 선행하는 사이클 K-2로부터의 패치, 대상 패치보다 1사이클 선행하는 사이클 K-1로부터의 패치, 대상 사이클의 패치보다 1사이클 다음의 사이클 K+1로부터의 패치, 대상 사이클의 패치보다 2사이클 다음의 사이클 K+2로부터의 패치를 포함한다.
모델은 각각의 입력 패치에 대한 신경망 층의 분리된 스택(701)을 포함한다. 따라서, 스택(701)은 사이클 K+2로부터 패치에 대한 타일 데이터를 입력으로서 수신하고, 스택(702, 703, 704 및 705)으로부터 분리되어 입력 데이터 또는 중간 데이터를 공유하지 않는다. 일부 실시형태에서, 모든 스택(710-705)은 동일한 모델 및 동일한 훈련된 파라미터를 가질 수 있다. 다른 실시형태에서, 모델 및 훈련된 파라미터는 상이한 스택에서 상이할 수 있다. 스택(702)은 사이클 K+1로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(703)은 사이클 K로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(704)은 사이클 K-1로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(705)은 사이클 K-2로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 분리된 스택들의 층은 각각 층에 대한 입력 데이터에 대해 복수의 필터를 포함하는 커널의 콘볼루션 연산을 실행한다. 위의 예에서와 같이, 패치(700)는 3개의 특징을 포함할 수 있다. 층(710)의 출력은 10 내지 20개의 특징과 같은 더 많은 특징을 포함할 수 있다. 마찬가지로, 층(711 내지 716) 각각의 출력은 특정 구현예에 적합한 임의의 수의 특징을 포함할 수 있다. 필터의 파라미터은 가중치 및 바이어스와 같은 신경망에 대한 훈련된 파라미터이다. 스택(701-705) 각각으로부터의 출력 특징 세트(중간 데이터)는 다중 사이클로부터의 중간 데이터가 조합되는 시간 조합 층의 역 계층(720)에 대한 입력으로서 제공된다. 예시된 예에서, 역 계층(720)은 3개의 조합 층(721, 722, 723) - 각각은 분리된 스택들 중 3개로부터 중간 데이터를 수신함 - 을 포함하는 제1 층, 및 3개의 시간 스택(721, 722, 723)으로부터 중간 데이터를 수신하는 하나의 조합 층(730)을 포함하는 최종 층을 포함한다.
최종 조합 층(730)의 출력은 사이클 K로부터 타일의 대응하는 패치에 위치한 클러스터에 대한 분류 데이터의 출력 패치이다. 출력 패치는 사이클 K에 대한 타일에 대한 출력 어레이 분류 데이터로 조립될 수 있다. 일부 실시형태에서, 출력 패치는 입력 패치와 상이한 크기 및 치수를 가질 수 있다. 일부 실시형태에서, 출력 패치는 클러스터 데이터를 선택하기 위해 호스트에 의해 필터링될 수 있는 픽셀별 데이터를 포함할 수 있다.
그 다음, 출력 분류 데이터는 특정 구현예에 따라 호스트에 의해 또는 구성 가능한 프로세서에서 선택적으로 실행되는 소프트맥스 함수(740)(또는 다른 출력 활성화 함수)에 적용될 수 있다. 소프트맥스와 상이한 출력 함수가 사용될 수 있다(예를 들어, 가장 큰 출력에 따라 염기 호출 출력 파라미터를 만든 다음, 컨텍스트/네트워크 출력을 사용하여 학습된 비선형 매핑을 사용하여 염기 품질을 제공함).
마지막으로, 소프트맥스 함수(740)의 출력은 사이클 K(750)에 대한 염기 호출 확률로서 제공될 수 있고 후속 처리에서 사용되도록 호스트 메모리에 저장될 수 있다. 다른 시스템은 출력 확률 계산을 위해 다른 함수, 예를 들어 다른 비선형 모델을 사용할 수 있다.
신경망은 하나의 감지 사이클의 시간 간격의 지속 시간 내에 또는 시간 간격의 지속 시간에 근접하여 하나의 타일 사이클의 평가를 완료하기 위해 복수의 실행 클러스터가 있는 구성 가능한 프로세서를 사용하여 구현되어, 실시간으로 출력 데이터를 효과적으로 제공할 수 있다. 데이터 흐름 로직은 타일 데이터의 입력 유닛 및 훈련된 파라미터를 실행 클러스터에 배포하고 메모리에서 집계를 위한 출력 패치를 배포하도록 구성할 수 있다.
도 7의 것과 같은 5-사이클 입력, 1-사이클 출력 신경망에 대한 데이터의 입력 유닛이 2-채널 센서 데이터를 이용한 염기 호출 동작을 위한 도 8a 및 도 8b를 참조하여 설명된다. 예를 들어, 유전자 서열에서의 소정의 염기에 대해, 염기 호출 작업은 2개의 분석물 유동 및 이미지와 같은 2개의 신호 채널을 생성하는 2개의 반응을 실행할 수 있으며, 이것은 처리되어 4개의 염기 중 어느 하나가 유전 물질의 각 클러스터에 대한 유전 서열에서의 현재 위치에 있는지를 식별할 수 있다. 다른 시스템에서, 감지 데이터의 상이한 수의 채널이 활용될 수 있다. 예를 들어, 1-채널 방식 및 시스템을 사용하여 염기 호출이 수행될 수 있다. 미국 특허출원공개 2013/0079232호의 통합 자료는 1-채널, 2-채널 또는 4-채널과 같은 다양한 수의 채널을 사용하는 염기 호출에 대해 논의한다.
도 8a는 5-사이클 입력, 1-사이클 출력 신경망을 실행하기 위해 사용되는 소정의 타일, 타일 M에 대한 5 사이클에 대한 타일 데이터 어레이를 보여준다. 이 예에서 5-사이클 입력 타일 데이터는 온보드 DRAM 또는 데이터 흐름 로직에 의해 액세스될 수 있는 시스템의 다른 메모리에 기록될 수 있으며, 사이클 K-2의 경우 채널 1을 위한 어레이 801과 채널 2를 위한 어레이 811, 사이클 K-1의 경우 채널 1을 위한 어레이 802와 채널 2를 위한 어레이 812, 사이클 K의 경우 채널 1을 위한 어레이 803과 채널 2를 위한 어레이 813, 사이클 K+1의 경우 채널 1을 위한 어레이 804와 채널 2를 위한 어레이 814, 사이클 K+2의 경우 채널 1을 위한 어레이 805와 채널 2를 위한 어레이 815를 포함한다. 또한 타일에 대한 메타데이터의 어레이(820)는 각 사이클과 함께 신경망에 대한 입력으로 사용하기 위해 포함된 메모리, 이 경우 DFC 파일에 한 번 기록될 수 있다.
비록 도 8a는 2-채널 염기 호출 동작을 논의하지만, 두 채널을 사용하는 것은 단지 예일 뿐이며, 염기 호출은 임의의 다른 적절한 수의 채널을 사용하여 수행될 수 있다. 예를 들어, 미국 특허출원공개 2013/0079232호의 통합 자료는 1-채널, 2-채널 또는 4-채널 또는 다른 적절한 수의 채널과 같은 다양한 수의 채널을 사용하는 염기 호출에 대해 논의한다.
데이터 흐름 로직은 입력 패치를 통해 신경망의 런을 실행하도록 구성된 각 실행 클러스터에 대한 타일 데이터 어레이의 공간적으로 정렬된 패치를 포함하는 타일 데이터의, 도 8b를 참조하여 이해될 수 있는 입력 유닛을 구성한다. 할당된 실행 클러스터에 대한 입력 단위는 5개의 입력 사이클에 대한 타일 데이터의 각 어레이(801-805, 811, 815, 820)로부터 공간적으로 정렬된 패치(예를 들어, 851, 852, 861, 862, 870)를 읽고, 이들을 할당된 실행 클러스터에 의해 사용되도록 구성된 구성 가능한 프로세서 상의 메모리에 데이터 경로(도식적으로 850)를 통해 전달함으로써 데이터 흐름 로직에 의해 구성된다. 할당된 실행 클러스터는 5-사이클 입력/1-사이클 출력 신경망의 런을 실행하고, 대상 사이클 K에서의 동일한 타일 패치에 대한 분류 데이터의 대상 사이클 K에 대한 출력 패치를 전달한다.
도 9는 도 7의 것과 같은 시스템(예를 들어, 701 및 720)에서 사용 가능한 신경망 스택의 단순화된 표현이다. 이 예에서, 신경망의 일부 함수(예를 들어, 900, 902)는 호스트에서 실행되고, 신경망의 다른 부분(예를 들어, 901)은 구성 가능한 프로세서에서 실행된다.
일 예에서, 제1 함수는 CPU 상에 형성된 배치 정규화(층 910)일 수 있다. 그러나, 다른 예에서, 함수로서의 배치 정규화는 하나 이상의 층으로 융합될 수 있고, 별도의 배치 정규화 층이 존재하지 않을 수 있다.
구성 가능한 프로세서에 대해 위에서 논의한 바와 같이, 다수의 분리형 공간 콘볼루션 층이 신경망의 콘볼루션 층의 제1 세트로서 실행된다. 이 예에서 콘볼루션 층의 제1 세트는 2D 콘볼루션을 공간적으로 적용한다.
도 9에 도시된 바와 같이, 각각의 스택에서 공간적으로 분리된 신경망 층들의 수 L/2에 대해 제1 공간 콘볼루션(921)이 실행되고, 이어서 제2 공간 콘볼루션(922), 제3 공간 콘볼루션(923) 등이 뒤따르는 방식으로 실행된다(L은 도 7을 참조하여 설명된다). 923A에 표시된 바와 같이, 공간 층의 수는 임의의 실제 수일 수 있으며, 이는 문맥상 상이한 실시형태에서 몇 개 내지 20개 초과의 범위일 수 있다.
SP_CONV_ 0의 경우, 이 층에 대한 3개의 입력 채널이 있기 때문에 커널 가중치는 예를 들어 (1,6,6,3,L) 구조에 저장된다. 이 예에서, 이 구조에서의 "6"은 변환된 Winograd 도메인에 계수를 저장하기 때문이다(커널 크기는 공간 도메인에서 3x3이지만 변환 도메인에서 확장됨).
다른 SP_CONV 층의 경우, 이들 각 층에 대해 K(=L) 입력 및 출력이 있기 때문에 커널 가중치가 이 예에 대해 (1,6,6 L) 구조에 저장된다.
공간 층 스택의 출력은 FPGA에서 실행되는 콘볼루션 층(924, 925)을 포함하는 시간 층에 제공된다. 층(924, 925)은 사이클에 걸쳐 1D 콘볼루션을 적용하는 콘볼루션 층일 수 있다. 924A에 표시된 바와 같이, 시간 층의 수는 임의의 실제 수일 수 있으며, 이는 문맥상 상이한 실시형태에서 몇 개 내지 20개 초과의 범위일 수 있다.
제1 시간 층인 TEMP_CONV_0 층(824)은 도 7에 도시된 바와 같이 사이클 채널의 수를 5에서 3으로 줄인다. 제2 시간 층인 층(925)은 도 7에 도시된 바와 같이 사이클 채널의 수를 3에서 1로 줄이고 특징 맵의 수를 각 픽셀에 대해 4개의 출력으로 줄여, 각 염기 호출에서 신뢰도를 나타낸다.
시간 층의 출력은 출력 패치에 누적되고 호스트 CPU에 전달되어 예를 들어 소프트맥스 함수(930), 또는 염기 호출 확률을 정규화하는 다른 함수를 적용한다.
도 10은 염기 호출 동작을 위해 실행될 수 있는 10-입력, 6-출력 신경망을 보여주는 대안적인 구현을 예시한다. 이 예에서 사이클 0에서 9까지의 공간적으로 정렬된 입력 패치에 대한 타일 데이터는 사이클 9에 대한 스택(1001)과 같이 공간 층의 분리된 스택에 적용된다. 분리된 스택의 출력은 대상 사이클 2 내지 7에 대한 염기 호출 분류 데이터를 제공하는 출력(1035(2) 내지 1035(7))을 갖는 시간 스택(1020)의 역 계층 배열에 적용된다.
도 11은 상이한 서열분석 사이클에 대한 데이터의 처리를 분리하는 데 사용되는 신경망 기반 염기 호출자(예를 들어, 도 7)의 특화된 아키텍처의 일 구현예를 도시한다. 특화된 아키텍처를 사용하기 위한 동기가 먼저 기술된다.
신경망 기반 염기 호출자는 현재 서열분석 사이클, 하나 이상의 선행 서열분석 사이클, 및 하나 이상의 연속적 서열분석 사이클에 대한 데이터를 처리한다. 추가적인 서열분석 사이클에 대한 데이터는 서열-특이적 콘텍스트를 제공한다. 신경망 기반 염기 호출자는 훈련 동안 서열-특이적 콘텍스트를 학습하고, 그들을 염기 호출한다. 더욱이, 사전 및 사후 서열분석 사이클에 대한 데이터는 현재 서열분석 사이클에 대한 사전-페이징 및 페이징 신호의 2차 기여를 제공한다.
상이한 서열분석 사이클에서 그리고 상이한 이미지 채널에서 캡처된 이미지는 오정렬되고, 서로에 대해 잔차 등록 오류(residual registration error)를 갖는다. 이러한 오정렬을 처리하기 위해, 특화된 아키텍처는 서열분석 사이클들 사이의 정보를 혼합하지 않고 단지 한 서열분석 사이클 내에서의 정보만을 혼합하는 공간 콘볼루션 층을 포함한다.
공간 콘볼루션 층은, 콘볼루션의 "전용 비공유" 서열을 통해 복수의 서열분석 사이클 각각에 대해 데이터를 독립적으로 처리함으로써 분리를 조작하는 소위 "분리형 콘볼루션들"을 사용한다. 분리형 콘볼루션들은, 임의의 다른 서열분석 사이클의 데이터 및 생성된 특징 맵에 걸쳐서 콘볼루션하지 않고서, 단지 소정의 서열분석 사이클, 즉, 사이클내(intra-cycle) 전용의 데이터 및 생성된 특징 맵에 걸쳐서 콘볼루션한다.
예를 들어, 입력 데이터는 (i) 염기 호출될 현재(시간 t) 서열분석 사이클에 대한 현재 데이터, (ii) 이전(시간 t-1) 서열분석 사이클에 대한 이전 데이터, 및 (iii) 차기(시간 t+1) 서열분석 사이클에 대한 차기 데이터를 포함하는 것을 고려한다. 이어서, 특화된 아키텍처는 3개의 별개의 데이터 처리 파이프라인(또는 콘볼루션 파이프라인), 즉, 현재 데이터 처리 파이프라인, 이전 데이터 처리 파이프라인, 및 차기 데이터 처리 파이프라인을 개시한다. 현재 데이터 처리 파이프라인은 현재(시간 t) 서열분석 사이클에 대한 현재 데이터를 입력으로서 수신하고, 이를 복수의 공간 콘볼루션 층을 통해 독립적으로 처리하여 최종 공간 콘볼루션 층의 출력으로서 소위 "현재 공간적으로 콘볼루션된 표현"을 생성한다. 이전 데이터 처리 파이프라인은 이전(시간 t-1) 서열분석 사이클에 대한 이전 데이터를 입력으로서 수신하고, 이를 복수의 공간 콘볼루션 층을 통해 독립적으로 처리하여 최종 공간 콘볼루션 층의 출력으로서 소위 "이전에 공간적으로 콘볼루션된 표현"을 생성한다. 차기 데이터 처리 파이프라인은 차기(시간 t+1) 서열분석 사이클에 대한 차기 데이터를 입력으로서 수신하고, 이를 복수의 공간 콘볼루션 층을 통해 독립적으로 처리하여 최종 공간 콘볼루션 층의 출력으로서 소위 "차기의 공간적으로 콘볼루션된 표현"을 생성한다.
일부 구현예에서, 현재 파이프라인, 하나 이상의 이전 파이프라인(들), 및 하나 이상의 차기 처리 파이프라인(들)은 병렬로 실행된다.
일부 구현예에서, 공간 콘볼루션 층은 특화된 아키텍처 내의 공간 콘볼루션 네트워크(또는 서브네트워크)의 일부이다.
신경망 기반 염기 호출자는 서열분석 사이클들 사이의, 즉, 인터-사이클 정보를 혼합하는 시간 콘볼루션 층을 추가로 포함한다. 시간 콘볼루션 층은 공간 콘볼루션 네트워크로부터 그들의 입력을 수신하고, 각자의 데이터 처리 파이프라인에 대해 최종 공간 콘볼루션 층에 의해 생성되는 공간적으로 콘볼루션된 표현 상에서 동작한다.
시간 콘볼루션 층의 인터-사이클 동작가능성 자유는, 공간 콘볼루션 네트워크에 대한 입력으로서 공급되는 이미지 데이터 내에 존재하는 오정렬 속성이 공간 콘볼루션 층의 시퀀스에 의해 수행되는 분리형 콘볼루션들의 스택 또는 캐스케이드에 의해, 공간적으로 콘볼루션된 표현으로부터 제거된다(purged out)는 사실로부터 나온다.
시간 콘볼루션 층은 슬라이딩 윈도우 단위로 연속적 입력들에서 입력 채널들에 걸쳐서 그룹별로 콘볼루션하는 소위 "조합 콘볼루션들"을 사용한다. 일 구현예에서, 연속적 입력들은 이전 공간 콘볼루션 층 또는 이전 시간 콘볼루션 층에 의해 생성되는 연속적 출력들이다.
일부 구현예에서, 시간 콘볼루션 층은 특화된 아키텍처 내의 시간 콘볼루션 네트워크(또는 서브네트워크)의 일부이다. 시간 콘볼루션 네트워크는 그의 입력들을 공간 콘볼루션 네트워크로부터 수신한다. 일 구현예에서, 시간 콘볼루션 네트워크의 제1 시간 콘볼루션 층은 서열분석 사이클들 사이의 공간적으로 콘볼루션된 표현들을 그룹별로 조합한다. 다른 구현예에서, 시간 콘볼루션 네트워크의 후속 시간 콘볼루션 층은 이전 시간 콘볼루션 층의 연속적 출력들을 조합한다.
최종 시간 콘볼루션 층의 출력은 출력을 생성하는 출력 층에 공급된다. 출력은 하나 이상의 서열분석 사이클에서 하나 이상의 클러스터를 염기 호출하는 데 사용된다.
순방향 전파 동안, 특화된 아키텍처는 2개의 단계들에서 복수의 입력들로부터의 정보를 처리한다. 제1 단계에서, 입력들 사이의 정보의 혼합을 방지하기 위해 분리형 콘볼루션들이 사용된다. 제2 단계에서, 입력들 사이의 정보를 혼합하기 위해 조합 콘볼루션들이 사용된다. 제2 단계로부터의 결과들은 복수의 입력들에 대한 단일 추론을 행하는 데 사용된다.
이는, 콘볼루션 층이 배치(batch) 내의 다수의 입력들을 동시에 처리하고 배치 내의 각각의 입력에 대한 대응하는 추론을 행하는 배치 모드 기법과는 상이하다. 대조적으로, 특화된 아키텍처는 복수의 입력들을 단일 추론에 맵핑한다. 단일 추론은 4개의 염기(A, C, T, G) 각각에 대한 분류 점수와 같은 하나 초과의 예측을 포함할 수 있다.
일 구현예에서, 입력들은, 각각의 입력이 상이한 시간 단계(time step)에서 생성되고 복수의 입력 채널을 갖도록 시간 순서화를 갖는다. 예를 들어, 복수의 입력들은 하기 3개의 입력들을 포함할 수 있다: 시간 단계(t)에서 현재 서열분석 사이클에 의해 생성되는 현재 입력, 시간 단계(t-1)에서 이전 서열분석 사이클에 의해 생성된 이전 입력, 및 시간 단계(t+1)에서 차기 서열분석 사이클에 의해 생성되는 차기 입력. 다른 구현예에서, 각각의 입력은 하나 이상의 이전 콘볼루션 층에 의해 현재, 이전, 및 차기 입력으로부터 각각 도출되고, k개의 특징 맵을 포함한다.
일 구현예에서, 각각의 입력은 다음의 5개의 입력 채널을 포함할 수 있다: 적색 이미지 채널, 적색 거리 채널, 녹색 이미지 채널, 녹색 거리 채널, 및 스케일링 채널. 다른 구현예에서, 각각의 입력은 이전 콘볼루션 층에 의해 생성된 k개의 특징 맵을 포함할 수 있고, 각각의 특징 맵은 입력 채널로서 취급된다. 또 다른 예에서, 각각의 입력은 단지 하나의 채널, 2개의 채널, 또는 다른 상이한 수의 채널을 가질 수 있다. 미국 특허출원공개 2013/0079232호의 통합 자료는 1-채널, 2-채널, 또는 4-채널과 같은 다양한 수의 채널을 사용하는 염기 호출에 대해 논의한다.
도 12는 분리형 층들의 일 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다. 분리형 콘볼루션들은 콘볼루션 필터를 각각의 입력에 병렬로 인가함으로써 복수의 입력을 한꺼번에 처리한다. 분리형 콘볼루션들을 사용하면, 콘볼루션 필터는 동일한 입력에서 입력 채널들을 조합하고, 상이한 입력들에서 입력 채널들을 조합하지 않는다. 일 구현예에서, 동일한 콘볼루션 필터가 병렬로 각각의 입력에 적용된다. 다른 구현예에서, 상이한 콘볼루션 필터가 병렬로 각각의 입력에 적용된다. 일부 구현예에서, 각각의 공간 콘볼루션 층은 병렬로 각각의 입력에 각각 적용되는 k개의 콘볼루션 필터의 뱅크를 포함한다.
도 13a는 조합 층들의 일 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다. 도 13b는 조합 층들의 다른 구현예를 도시하며, 이들 각각은 콘볼루션을 포함할 수 있다. 조합 콘볼루션들은, 상이한 입력들의 대응하는 입력 채널들을 그룹화하고 각각의 그룹에 콘볼루션 필터를 적용함으로써, 상이한 입력들 사이의 정보를 혼합한다. 대응하는 입력 채널들의 그룹화 및 콘볼루션 필터의 적용은 슬라이딩 윈도우 단위로 발생한다. 이러한 상황에서, 윈도우는, 예를 들어 2개의 연속적 서열분석 사이클에 대한 출력을 표현하는 2개 이상의 연속적 입력 채널에 걸쳐 있다. 윈도우가 슬라이딩 윈도우이기 때문에, 대부분의 입력 채널이 2개 이상의 윈도우에서 사용된다.
일부 구현예에서, 상이한 입력들은 선행 공간 또는 시간 콘볼루션 층에 의해 생성된 출력 시퀀스로부터 유래한다. 출력 시퀀스에서, 상이한 입력들은 연속적 출력들로서 배열되고, 따라서, 차기 시간 콘볼루션 층에 의해 연속적 입력들로서 보여진다. 이어서, 차기 시간 콘볼루션 층에서, 조합 콘볼루션들은 연속적 입력들에서 대응하는 입력 채널의 그룹에 콘볼루션 필터를 적용한다.
일 구현예에서, 연속적 입력들은, 시간 단계(t)에서 현재 서열분석 사이클에 의해 현재 입력이 생성되고, 시간 단계(t-1)에서 이전 서열분석 사이클에 의해 이전 입력이 생성되고, 시간 단계(t+1)에서 차기 서열분석 사이클에 의해 차기 입력이 생성되도록 시간 순서화를 갖는다. 다른 구현예에서, 각각의 연속적 입력들은 하나 이상의 이전 콘볼루션 층에 의해 현재, 이전, 및 차기 입력들로부터 각각 도출되고, k개의 특징 맵을 포함한다.
일 구현예에서, 각각의 입력은 다음의 5개의 입력 채널을 포함할 수 있다: 적색 이미지 채널, 적색 거리 채널, 녹색 이미지 채널, 녹색 거리 채널, 및 스케일링 채널. 다른 구현예에서, 각각의 입력은 이전 콘볼루션 층에 의해 생성된 k개의 특징 맵을 포함할 수 있고, 각각의 특징 맵은 입력 채널로서 취급된다.
콘볼루션 필터의 깊이 B는, 대응하는 입력 채널이 슬라이딩 윈도우 단위로 콘볼루션 필터에 의해 그룹별로 콘볼루션되는 연속적 입력들의 수에 의존적이다. 다시 말하면, 깊이B는 각각의 슬라이딩 윈도우에서의 연속적 입력들의 수 및 그룹 크기와 동일하다.
도 13a에서, 2개의 연속적 입력들로부터의 대응하는 입력 채널이 각각의 슬라이딩 윈도우에서 조합되고, 따라서 B = 2이다. 도 13b에서, 3개의 연속적 입력들로부터의 대응하는 입력 채널이 각각의 슬라이딩 윈도우에서 조합되고, 따라서 B = 3이다.
일 구현예에서, 슬라이딩 윈도우는 동일한 콘볼루션 필터를 공유한다. 다른 구현예에서, 상이한 콘볼루션 필터가 각각의 슬라이딩 윈도우에 사용된다. 일부 구현예에서, 각각의 시간 콘볼루션 층은 슬라이딩 윈도우 단위로 연속적 입력들에 각각 적용되는 k개의 콘볼루션 필터의 뱅크를 포함한다.
도 4 내지 10 및 그 변형에 대한 추가적인 세부사항은 2021년 2월 15일에 "HARDWARE EXECUTION AND ACCELERATION OF ARTIFICIAL INTELLIGENCE-BASED BASE CALLER"라는 명칭으로 출원된 동시 계류 중인 미국 정규 특허 출원 제17/176,147호(대리인 문서 번호 ILLM 1020-2/IP-1866-US)에서 찾을 수 있으며, 이는 마치 본원에 완전히 설명된 것처럼 참조로 포함된다.
도 14는 염기 호출에 사용되는 예시적인 타일 위치 기반 가중치 선택 방식을 도시한다. 예를 들어, 도 14에는 복수의 레인(1450)을 포함하는 예시적인 플로우 셀(1400)이 도시되어 있으며, 각 레인은 대응하는 복수의 타일을 포함한다(예를 들어, 도 1 및 2와 관련하여 또한 논의된 바와 같음). 플로우 셀(1400)의 묘사는 본질적으로 상징적이며, 플로우 셀(1400)은 플로우 셀(1400)의 다양한 다른 구성요소를 예시하지 않고 그 안의 다양한 레인과 타일을 상징적으로 묘사한다. 도 14는 플로우 셀(1400)의 평면도를 예시한다(예를 들어, 도 1의 플로우 커버(136)를 예시하지 않고).
일 실시형태에서 그리고 또한 도 2와 관련하여 논의된 바와 같이, 플로우 셀(1400)은 복수의 레인들, 예컨대 레인들(1450a, 1450b, 1450c, …, 1450(P-2), 1450(P-1) 및 1450P), 즉 P수의 레인들로 분할 또는 구획되며, 여기서 P는 양의 정수이다. 또한 도 2와 관련하여 논의된 바와 같이, 일 실시형태에서, 개별 레인(1450)은 타일이라고 하는 비-중첩 영역으로 추가로 분할된다. 일 예에서, 각각의 레인(1450)은 하나 이상의 열의 타일을 포함한다. 예를 들어, 도 14에서, 각각의 레인(1450)은 2개의 대응하는 타일 열을 포함하며, 여기서 도 14에서의 개별 타일은 대응하는 직사각형 상자로 예시된다. 각 레인 내 타일의 각 열에 있는 타일 수는 구현예에 따라 다르다. 각 타일은 대응하는 복수의 클러스터를 포함한다. 서열분석 절차 동안, 클러스터 및 타일 상의 그들의 주변 배경이 이미지화된다. 예를 들어, 도 2 및 도 3은 타일 내 클러스터의 예를 도시한다.
일 실시형태에서, 플로우 셀(1400)의 타일은 예를 들어 타일의 위치에 기초하여 다양한 유형으로 분류된다. 도 14의 예시적인 구현예에서, 플로우 셀(1400)의 타일들 중 개별 타일은 에지(edge) 타일(1408), 니어-에지(near-edge) 타일(1410), 또는 비-에지(non-edge)(또는 중앙) 타일(1412)로 분류된다.
예를 들어, 플로우 셀(1400)의 수직(예를 들어, Y축을 따라) 및/또는 수평(예를 들어, X축을 따라) 에지 상에 있는 타일은 도 14에 예시된 바와 같이 에지 타일(1408)로 분류된다. 따라서, 에지 타일(1408)은 플로우 셀(1400)의 대응하는 에지에 바로 인접한다.
에지 타일에 가까운(예를 들어, 바로 인접하는) 타일은 니어-에지 타일(1410)로 분류된다. 예를 들어, 니어-에지 타일(1410)은 플로우 셀(1400)의 에지로부터 한 타일 떨어져 있다. 따라서, 에지 타일(1408)은 플로우 셀(1400)의 대응하는 에지로부터 대응하는 니어-에지 타일(1410)을 분리한다.
에지 또는 니어-에지 타일이 아닌 타일은 중앙 타일(1412)로도 지칭되는 비-에지 타일(1412)이다. 따라서, 중앙 타일(1412)은 예를 들어 에지 타일(1408) 또는 니어-에지 타일(1410)과 비교하여 상대적으로 플로우 셀(1400)의 중심 근처에 있다. 예를 들어, 중앙 타일(1414)은 에지 타일(1408) 및 니어-에지 타일(1410)에 의해 플로우 셀(1400)의 에지로부터 분리된다.
플로우 셀(1400)의 타일은 도 14에서 3개의 범주(예를 들어, 에지, 니어-에지, 중앙 또는 비-에지)로 분류되지만, 이러한 분류는 단지 예일 뿐이고 다른 타일 위치 기반 분류가 또한 사용될 수 있다. 예를 들어, 다른 구현예에서, 타일은 (i) 에지 또는 니어 에지 타일, 및 (ii) 중앙 타일(예를 들어, 에지 타일 및 니어-에지 타일 범주들이 단일 범주로 병합될 수 있음)로 분류될 수 있으며, 따라서 2개 범주의 타일로 된다.
앞서 논의한 바와 같이, 도 7 및 10은 염기 호출에 사용될 수 있는 예시적인 다중 사이클 신경망 모델이고, 도 9는 도 7 및 9의 것과 같은 시스템에서 사용 가능한 신경망 스택의 단순화된 표현이다. 염기 호출에 사용되는 신경망 모델 내의 다양한 함수는 바이어스 및 가중치를 사용한다. 예를 들어, 콘볼루션 연산 동안, 하나 이상의 커널을 포함하는 호출자(예를 들어, 도 12에 예시됨)는 신경망 모델의 훈련 단계 동안 훈련되는 대응하는 복수의 가중치를 갖는다. 예를 들어, 가중치는 하나 이상의 타일로부터 생성된 훈련 데이터를 사용하여 조정되고, 예를 들어 도 14의 플로우 셀에서 염기 호출에 사용된다.
플로우 셀(1400)의 개별 타일에서의 클러스터에 대해 염기 호출 사이클이 수행된다. 일 예에서, 타일에 대한 염기 호출 동작과 관련된 파라미터는 타일의 상대 위치를 기반으로 할 수 있다. 예를 들어, 도 1과 관련하여 논의된 여기 광(101)은 플로우 셀의 타일을 향해 지향되고, 상이한 타일은 예를 들어, 개별 타일의 위치 및/또는 여기 광(101)을 방출하는 하나 이상의 광원의 위치에 기초하여 상이한 양의 여기 광(101)을 수신할 수 있다. 예를 들어, 여기 광(101)을 방출하는 광원(들)이 플로우 셀(1400) 위에 수직으로 있는 경우, 중앙 타일(1412)은 에지 타일(1408) 및/또는 니어-에지 타일(1410)과 상이한 양의 광을 수신할 수 있다.
다른 예에서, 플로우 셀(1400) 주변의 주변 또는 외부 광(예를 들어, 바이오센서(100) 외부로부터의 주변 광)은 플로우 셀(1400)의 개별 타일에 의해 수신되는 여기 광(101)의 양 및/또는 특성에 영향을 미칠 수 있다. 단지 예로서, 에지 타일(1408)은 플로우 셀(1400) 외부로부터 일부 양의 주변 광과 함께 여기 광(101)을 수신할 수 있는 반면, 중앙 타일(1412)은 여기 광(101)을 주로 수신할 수 있다.
또 다른 예에서, 플로우 셀(1400)에 포함된 개별 센서(또는 픽셀 또는 광다이오드)(예를 들어, 도 1에 도시된 센서(106, 108, 110, 112, 114))는 대응하는 타일의 위치에 기초하는 대응하는 센서의 위치에 기초하여 빛을 감지할 수 있다. 예를 들어, 에지 타일(1408)과 연관된 하나 이상의 센서에 의해 수행되는 감지 동작은 중앙 타일(1412)연관된 하나 이상의 다른 센서의 감지 동작에 대한 주변 광의 영향보다 상대적으로 더 (여기 광(101)과 함께) 주변 광에 의해 영향을 받을 수 있다.
다른 예에서, 다양한 타일로 유동하는 반응물(이는 예를 들어, 시약, 효소, 샘플, 기타 생체분자, 및 완충 용액과 같은 염기 호출 동안 원하는 반응을 얻는 데 사용될 수 있는 임의의 물질을 포함함)의 유동은 또한 타일 위치에 의해 영향을 받을 수 있다. 예를 들어, 반응물의 소스 근처에 있는 타일은 소스에서 멀리 있는 타일보다 더 많은 양의 반응물을 받을 수 있다.
따라서, 다르게 말하면 염기 호출과 관련된 파라미터는 타일 범주에 따라 약간 상이할 수 있다. 따라서, 일 실시형태에서, 염기 호출 프로세스의 위에서 논의된 예시적인 타일-위치 의존성을 보상하기 위해, 타일의 상이한 범주에 대해 상이한 가중치 세트가 사용된다.
예를 들어, 도 14의 구현예에서, 3개의 후보 가중치 세트가 사용된다: (i) 에지 타일에 대한 에지 가중치 세트 WeT(1418), (ii) 니어-에지 타일에 대한 니어-에지 가중치 세트 WnT(1420), 및 (iii) 중앙(또는 비-에지) 에지 타일에 대한 중앙 가중치 세트 WcT(1422).
일 예에서, 염기 호출에 사용되는 신경망 모델(도 7, 9 및 10과 관련하여 논의된 것과 같은 것)을 훈련하는 동안, 신경망 모델은 초기에 에지 타일(1408)에 의해서만 생성된 이미지 데이터에 대해 훈련된다(예를 들어, 니어-에지 또는 중앙 타일로부터 생성된 훈련 데이터는 사용되지 않는다). 결과 가중치는 에지 가중치 세트 WeT(1418)에 포함된다.
후속하여, 신경망 모델은 니어-에지 타일(1410)에 의해서만 생성된 이미지 데이터에 대해 훈련되고(예를 들어, 에지 또는 중앙 타일로부터 생성된 훈련 데이터는 사용되지 않음), 결과 가중치는 니어-에지 가중치 세트 WnT(1420)에 포함된다. 마지막으로, 신경망 모델은 중앙 타일(1412)에 의해서만 생성된 이미지 데이터에 대해 훈련되고(예를 들어, 에지 또는 니어-에지 타일로부터 생성된 훈련 데이터는 사용되지 않음), 결과 가중치는 에지 가중치 세트 WcT(1422)에 포함된다.
따라서, 각각의 가중치 세트는 신경망 모델을 구성하기 위한 대응하는 복수의 가중치를 포함하며, 여기서 구성된 신경망은 타일의 대응하는 범주로부터 센서 데이터를 처리하기 위한 것이다. 예를 들어, 도 7, 9, 10 및 11과 관련하여 논의된 바와 같이, 신경망 모델의 토폴로지(topology)는 (i) 연속적 감지 사이클들 사이에 센서 데이터와 결과적인 특징 맵을 조합하지 않는 하나 이상의 공간 층, 및 (ii) 연속적 감지 사이클들 사이에 결과적인 특징 맵을 조합하는 시간 층을 포함한다. 따라서, 각 가중치 세트는 공간 층에 대한 대응하는 공간 가중치 및 시간 층에 대한 대응하는 시간 가중치를 포함한다. 예를 들어, 에지 타일에 대한 에지 가중치 세트 WeT(1418)는 공간 층에 대한 대응하는 제1의 하나 이상의 공간 가중치 및 시간 층에 대한 대응하는 제1의 하나 이상의 시간 가중치를 포함한다. 유사하게, 중앙 타일에 대한 중앙 가중치 세트 WcT(1422)는 공간 층에 대한 대응하는 제2의 하나 이상의 공간 가중치 및 시간 층에 대한 대응하는 제2의 하나 이상의 시간 가중치를 포함한다.
염기 호출 사이클이 수행되는 추론 단계 동안에, 에지 타일 클러스터 내의 염기가 호출될 때, 신경망 모델은 에지 가중치 세트 WeT(1418)로 구성되고, 에지 타일로부터의 센서 데이터가 염기 호출 동작에 사용된다. 유사하게. 니어-에지 타일 클러스터 내의 염기가 호출될 때, 신경망 모델은 니어-에지 가중치 세트 WnT(1420)로 구성되고, 니어-에지 타일로부터의 센서 데이터가 염기 호출 동작에 사용된다. 마지막으로, 중앙 클러스터 내의 염기가 호출될 때, 신경망 모델은 중앙 가중치 세트 WeT(1422)로 구성되고, 중앙 타일로부터의 센서 데이터가 염기 호출 동작에 사용된다.
도 15는 염기 호출에 사용되는 다른 예시적인 타일 위치 기반 가중치 선택 방식을 도시한다. 예를 들어, 도 15에는 복수의 레인(1450a, 1450b, 1450c, …, 1450(P-2), 1450(P-1) 및 1450P)을 포함하는 플로우 셀(1400)이 도시되며, 여기서 각각의 레인은 대응하는 복수의 타일을 포함한다.
도 15의 예에서, 플로우 셀(1400)의 각 타일은 타일이 속하는 대응 레인의 위치에 기초하여 분류된다. 예를 들어, 플로우 셀(1400)의 상단의 하나 이상의 레인(예를 들어, 레인 1450P 및 1450(P-1))은 상단 주변 레인으로서 분류되고, 플로우 셀(1400)의 하단의 하나 이상의 레인(예를 들어, 레인 1450a 및 1450b)은 하단 주변 레인으로서 분류되며, 플로우 셀(1400)의 중앙의 하나 이상의 레인(예를 들어, 레인 1450c 및 1450(P-2))은 중앙 레인으로서 분류된다. 각 범주에 속하는 레인의 수는 예일 뿐이며 변동이 가능할 수 있다는 점에 유의한다. 예를 들어, 2개의 레인 대신에, 각각의 주변 레인 범주는 1개의 대응하는 레인 또는 3개의 대응하는 레인 등을 포함할 수 있다.
상부 주변 레인 내의 타일은 상부 주변 레인 타일(1508a)로 분류되고, 하부 주변 레인 내의 타일은 하부 주변 레인 타일(1508b)로 분류되며, 중앙 레인 내의 타일은 중앙 레인 타일(1510)로 분류된다.
도 14와 관련하여 논의된 이유로, 일 실시형태에서, 도 15의 플로우 셀에서 레인의 다양한 범주 내의 타일에는 상이한 가중치 세트가 할당될 수 있다. 예를 들어, 도 15의 구현예에서, 2개의 후보 가중치 세트가 사용된다: (i) 주변 레인 타일(1508a, 1508b)(예를 들어, 상단 및 하단 주변 레인에 속하는 타일)에 대한 주변 가중치 세트 WpL(1504) 및 (ii) 중앙 레인 타일(1510)에 대한 중앙 가중치 세트 WcL(1506).
예를 들어, 염기 호출에 사용되는 신경망 모델(도 7, 9 및 10과 관련하여 논의된 것과 같은 것)을 훈련하는 동안, 신경망 모델은 초기에 주변 레인 타일(1508a, 1508b)에 의해서만 생성된 이미지 데이터에 대해 훈련된다(예를 들어, 중앙 레인 타일(1510)로부터 생성된 훈련 데이터는 사용되지 않음). 결과 가중치는 주변 가중치 세트 WpL(1504)에 포함된다.
후속하여, 신경망 모델은 중앙 레인 타일(1510)에 의해서만 생성된 이미지 데이터에 대해 훈련되고(예를 들어, 주변 레인 타일(1508a, 1508b)로부터 생성된 훈련 데이터는 사용되지 않음), 결과 가중치는 중앙 가중치 세트 WcL(1506)에 포함된다.
염기 호출 사이클이 수행되는 추론 단계 동안에, 주변 레인 타일(1508) 클러스터 내의 염기가 호출될 때, 신경망 모델은 주변 가중치 세트 WpL(1504)로부터의 가중치로 구성되고, 주변 레인 타일(1508)로부터의 센서 데이터가 염기 호출 동작에 사용된다. 유사하게, 중앙 레인 타일(1510) 클러스터 내의 염기가 호출될 때, 신경망 모델은 중앙 가중치 세트 WcL(1506)로부터의 가중치로 구성되고, 중앙 레인 타일(1510)로부터의 센서 데이터가 염기 호출 동작에 사용된다.
도 16은 염기 호출에 사용되는 또 다른 예시적인 타일 위치 기반 가중치 선택 방식을 도시한다. 예를 들어, 도 16에는 복수의 레인(1450a, 1450b, 1450c, …, 1450(P-2), 1450(P-1) 및 1450P)을 포함하는 플로우 셀(1400)이 도시되며, 여기서 각각의 레인은 대응하는 복수의 타일을 포함한다.
도 16의 예에서, 플로우 셀(1400)은 가상의 점선(1603)에 기초하여 복수의 세그먼트 또는 섹션으로 분할된다(즉, 점선(1603)은 분류를 위한 것이며, 플로우 셀에 실제로 존재하지 않음). 예를 들어, 플로우 셀(1400)은 상단-좌측 섹션(1610TL)(가중치 세트 WTL), 상단-중앙 섹션(1610TC)(가중치 세트 WTC), 상단-우측 섹션(1610TR)(가중치 세트 WTR), 중간-좌측 섹션(1610ML)(가중치 세트 WML), 중앙 섹션(1610C)(가중치 세트 WC), 중간-우측 섹션(1610MR)(가중치 세트 WMR), 한단-좌측 섹션(1610BL)(가중치 세트 WML), 하단-중앙 섹션(1610BC)(가중치 세트 WBC) 및 하단-좌측 섹션(1610BL)(가중치 세트 WBL)으로 분할된다. 플로우 셀(1400)의 각 타일은 타일이 속한 섹션에 기초하여 분류된다.
도 14와 관련하여 논의된 것과 유사한 이유로, 일 실시형태에서, 도 16의 다양한 섹션 내의 타일에는 대응하는 가중치 세트가 할당된다. 예를 들어, 도 16의 구현예에서, 상단-좌측 섹션(1610TL)의 타일에는 상단-좌측 가중치 세트 WTL이 할당되고, 상단-중앙 섹션(1610TC)의 타일은 상단-중앙 가중치 세트 WTC가 할당되고, 상단-우측 섹션 1610TR은 상단-우측 가중치 세트 WTR이 할당되고, 중간-좌측 섹션 1610ML의 타일에는 중간-좌측 가중치 세트 WML이 할당되고, 중앙 섹션 1610C의 타일에는 중앙 가중치 세트 WC가 할당되고, 중간-우측 섹션 1610MR의 타일에는 중간-우측 가중치 세트 WMR이 할당되고, 하단-좌측 섹션(1610BL)에는 하단-좌측 가중치 세트 WML이 할당되고, 하단-중앙 섹션(1610BC)의 타일에는 하단-중앙 가중치 세트 WBC가 할당되며, 하단-좌측 섹션(1610BL)의 타일에는 하단-좌측 가중치 세트 WBL이 할당된다.
예를 들어, 염기 호출에 사용되는 신경망 모델(도 7, 9 및 10과 관련하여 논의된 것과 같은 것)을 훈련하는 동안, 신경망 모델은 초기에 상단-좌측 섹션(1610TL) 상의 타일에 의해서만 생성된 센서 데이터에 대해 훈련되며(예를 들어, 타일의 다른 범주로부터의 센서 데이터는 사용되지 않음), 결과 가중치는 상단-좌측 가중치 세트 WTL에 포함된다. 이 프로세스는 다양한 다른 섹션의 타일에 대해 반복되어, 다양한 후보 가중치 세트, 예컨대 상단-중앙 가중치 세트 WTC, 상단-우측 가중치 세트 WTR, 중간-좌측 가중치 세트 WML, 중앙 가중치 세트 WC, 중간-우측 가중치 세트 WMR, 하단-좌측 가중치 세트 WML, 하단-중앙 가중치 세트 WBC 및 하단-좌측 섹션 가중치 WBL을 생성한다.
염기 호출 사이클이 수행되는 추론 단계 동안, 상단-좌측 섹션(1610TL) 내 타일 클러스터 내의 염기가 호출될 때, 신경망 모델은 대응하는 상단-좌측 가중치 세트 WTL 내의 가중치로 구성되고, 상단-좌측 섹션 1610TL의 타일로부터의 센서 데이터가 염기 호출 동작에 사용된다. 이 프로세스는 다양한 다른 섹션의 타일에 대해 유사하게 반복된다.
도 16에서, 플로우 셀(1400)은 9개의 상이한 섹션으로 구분된다. 그러나, 플로우 셀(1400)은 예를 들어 상단- 좌측 사분면, 상단-우측 사분면, 하단-좌측 사분면 및 하단-우측 사분면을 포함하는 4개의 섹션과 같은 상이한 수의 섹션으로 분할될 수 있다.
도 17a는 신호 강도가 염기 호출 동작의 서열분석 런에서 사이클 수의 함수로서 감소되는 페이딩의 예를 도시한다. 페이딩은 사이클 수의 함수로서 형광 신호 강도의 지수적 감쇠이다. 서열분석 런이 진행됨에 따라, 분석물 가닥들은 과도하게 세척되고, 반응성 종들을 생성하는 레이저 방출들에 노출되며, 가혹한 환경 조건들의 대상이 된다. 이들 모두는 각 분석물에서의 단편의 점진적인 손실로 이어져 형광 신호 강도를 감소시킨다. 페이딩은 또한 디밍(dimming) 또는 신호 감쇠라고도 한다. 도 17a는 페이딩(1700)의 일 예를 예시한다. 도 17a에서, AC 미세위성(microsatellite)을 갖는 분석물 단편의 강도 값은 지수적 감쇠를 보여준다.
도 17b는 서열분석 사이클이 진행됨에 따라 감소하는 신호 대 잡음비를 개념적으로 도시한다. 예를 들어, 서열분석이 진행됨에 따라, 신호 강도가 감소하고 잡음이 증가하여 신호 대 잡음비가 상당히 감소하기 때문에 정확한 염기 호출이 점점 더 어려워진다. 물리적으로, 나중의 합성 단계가 이전 합성 단계보다 센서에 대해 상이한 위치에 태그를 부착한다는 것이 관찰되었다. 센서가 합성 중인 시퀀스 아래에 있는 경우, 이전 단계보다 나중 서열분석 단계에서 센서에서 더 멀리 떨어진 가닥에 태그를 부착함으로써 신호 감쇠가 초래된다. 이것은 서열분석 사이클의 진행과 함께 신호 감쇠를 일으킨다. 센서가 클러스터를 유지하는 기판 위에 있는 일부 설계에서는, 서열분석이 진행됨에 따라 신호가 감쇠 대신 증가할 수 있다.
조사된 플로우 셀 설계에서 신호가 감쇠하는 동안 잡음이 증가한다. 물리적으로, 서열분석이 진행됨에 따라 페이징 및 사전-페이징은 잡음을 증가시킨다. 페이징은 태그가 시퀀스를 따라 진행하지 못하는 서열분석 단계를 지칭한다. 사전-페이징은 서열분석 사이클 동안 태그가 한 위치가 아닌 두 위치 앞으로 점프하는 서열분석 단계를 지칭한다. 페이징 및 사전-페이징은 모두 500 내지 1000 사이클에 한 번 정도 비교적 드물게 발생한다. 페이징은 사전-페이징보다 약간 더 흔하게 발생한다. 페이징 및 사전-페이징은 강도 데이터를 생성하는 클러스터에서의 개별 가닥에 영향을 미치므로, 클러스터의 강도 잡음 분포는 서열분석이 진행됨에 따라 이항, 삼항, 사항 등 확장으로 누적된다.
페이딩, 신호 감쇠 및 신호 대 잡음비 감소에 대한 추가 세부 사항, 도 17a 및 17b는 2020년 5월 14일자로 "Systems and Devices for Characterization and Performance Analysis of Pixel-Based Sequencing"라는 명칭으로 출원된 미국 정규 특허 출원 제16/874,599호(대리인 문서 번호 ILLM 1011-4/IP-1750-US)에서 찾을 수 있으며, 이는 마치 본원에 완전히 기재된 것처럼 참조로 포함된다.
따라서, 염기 호출 동안, 볼링(balling) 호출의 신뢰성 또는 품질(예를 들어, 호출된 염기가 정확할 확률)은 현재 염기가 호출되고 있는 염기 호출 사이클 수에 기초할 수 있다. 따라서, 타일의 위치에 의존하는 것에 더하여 또는 그 대신에(예를 들어, 도 14, 15, 16과 관련하여 논의된 바와 같이), 가중치 세트는 또한 염기 호출 동작이 수행되고 있는 현재 사이클 수에 기초할 수 있다. 도 18은 염기 호출에 사용되는 염기 호출 사이클 수 기반 가중치 선택 방식의 예를 도시한다.
예를 들어, 도 18은 예시적인 타일 M에 대한 염기 호출 런에 관한 것이다. N개의 염기 호출 사이클이 있고, 그 동안 예시적인 타일 M에서 다양한 클러스터의 가닥이 식별되어야 한다고 가정한다. 논의된 바와 같이, 도 17a 및 도 17b와 관련하여 논의된 요인 및/또는 기타 다양한 요인으로 인해, 바이오센서(예를 들어, 도 1의 센서(106, 108, 110, 112, 114))에 의해 검출된 신호 강도는 염기 호출 사이클 수의 함수로서 변화(예를 들어, 감쇠)된다. 예를 들어, N개의 염기 호출 감지 사이클이 3개의 서브시리즈 사이클, 예컨대 도 18에 도시된 바와 같이 (a) 초기 감지 사이클 1 내지 N1, (b) 중간 감지 사이클 (N1+1) 내지 N2, 및 (c) 최종 감지 사이클 (N2+1) 내지 N으로 분할된다고 가정하며, 여기서 N > N2 > N1이고, N, N1, N2는 양의 정수이다. 따라서, N개의 감지 사이클은 3개의 서브시리즈 사이클로 분할되지만, N개의 감지 사이클은 3개의 서브시리즈 사이클의 다른 수(예를 들어, 2, 4 또는 그 이상)로 분할될 수도 있다.
위에서 논의된 3개의 서브시리즈 사이클 각각에서 감지 사이클의 수는 동일하거나 동일하지 않을 수 있으며 구현예에 따라 다르다는 점에 유의한다. 단지 예로서 본 개시내용물의 범위를 제한함이 없이, N이 100이면, 100개의 사이클은 30개의 초기 사이클, 30개의 중간 사이클 및 40개의 최종 사이클을 포함하는 서브시리즈로 분할될 수 있다. 즉, 이 간단한 예에서 N1 = 30이고 N2 = 60이다.
도 17a 및 17b와 관련하여 논의된 바와 같이, 예를 들어 사이클 수 N1의 바이오센서로부터 염기 호출자에 의해 수신된 신호 강도의 평균 수준은 사이클 수 N의 바이오센서로부터 염기 호출자에 의해 수신된 신호 강도의 평균 수준과 상이할 수 있다. 따라서, 예를 들어 사이클 수 N1에 대해 훈련된 신경망 모델은 사이클 수 N에 대해 만족스러운 결과를 제공하지 않을 수 있다.
따라서, 염기 호출에 사용되는 신경망 모델(예를 들어, 도 7, 9, 및 10과 관련하여 논의된 것과 같은 것)은 사이클의 특정 서브시리즈에 대해 훈련될 수 있다. 예를 들어, 신경망 모델은 감지 사이클 1 내지 N1 동안에만 생성된 센서 데이터에 대해 초기에 훈련되고, 결과 가중치는 제1 사이클 서브시리즈 가중치 세트 W(1-N1)(1810a)에 포함된다. 후속하여, 신경망 모델은 감지 사이클 (N1 +1 내지 N2 동안에만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치는 제2 사이클 서브시리즈 가중치 세트 W(N1-N2)(1810b)에 포함된다. 마지막으로, 신경망 모델은 감지 사이클 (N2 +1) 내지 N 동안에만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치는 제1 사이클 서브시리즈 가중치 세트 W(N2-N)(1810c)에 포함된다. 예를 들어, 제1 사이클 서브시리즈 가중치 세트 W(1-N1)(1810a)에서 구 (1-N1)은 사이클 지수이며, 이는 이 가중치 세트가 감지 사이클 1 내지 N1과 관련됨을 암시함에 유의한다. 도 18의 예에서, 염기 호출 동작은 하나 이상의 채널(예를 들어, 하나의 채널, 2개의 채널, 3개의 채널, 4개의 채널, 또는 더 많은 수의 채널)로부터의 센서 데이터를 사용하여 수행되고, 소정의 사이클에 대해 가중치는 그러한 모든 채널(들)의 센서 데이터에 적용가능할 수 있음을 알 수 있다.
추론 단계 동안, 염기가 사이클 1 내지 N1에 대해 호출될 때, 신경망 모델은 제1 사이클 서브시리즈 가중치 세트 W(1-N1)(1810a)로 구성된다. 유사하게, 염기가 사이클 (N1+1) 내지 N2에 대해 호출될 때, 신경망 모델은 제2 사이클 서브시리즈 가중치 세트 W(N1-N2)(1810b)로 구성된다. 마지막으로, 염기가 사이클 N2 내지 N3에 대해 호출될 때, 신경망 모델은 제3 사이클 서브시리즈 가중치 세트 W(N2-N3)(1810c)로 구성된다.
도 14, 15, 16은 타일의 위치에 기초하는 가중치 세트 선택의 다양한 예를 예시한다. 따라서, 이들 도면은 바이오센서 상의 타일의 위치를 통한 염기 호출 동작의 공간적 진행에 기초한 가중치 세트 선택의 다양한 예를 예시한다. 한편, 도 18은 일련의 감지 사이클 1 내지 N에서 감지 사이클의 서브시리즈를 통한 염기 호출 동작의 시간적 진행에 기초한 가중치 세트 선택의 예를 예시한다. 도 19는 공간적 타일 위치에 기초한 가중치 세트 선택(예를 들어, 도 14 내지 16과 관련하여 논의된 바와 같음)의 개념과 염기 호출 사이클의 시간적 진행에 기초한 가중치 세트 선택(예를 들어, 도 18과 관련하여 논의된 바와 같음)의 개념을 조합한다. 따라서, 도 19는 (i) 염기 호출 사이클 수의 시간적 진행 및 (ii) 타일의 공간적 위치에 기초한 예시적인 가중치 선택 방식을 도시한다.
예를 들어, 도 19는 제1 타일(M1) 및 제2 타일(M2)을 예시한다. 타일 M1이 타일의 제1 범주이고 타일 M2가 타일의 제2 범주라고 가정한다. 단지 예로서, 타일 M1은 도 14의 에지 타일(1408)일 수 있고, 타일 M2는 도 14의 중앙 타일(1412)일 수 있다. 따라서, 타일 M1에서의 클러스터 내의 염기 호출 가닥에 사용되는 가중치 세트(들)는, 예를 들어 도 14, 15 및 16과 관련하여 논의된 바와 같이 타일 M2에서의 클러스터 내의 염기 호출 가닥에 사용되는 가중치 세트(들)와 상이할 것이다.
도 18과 유사하게, 도 19에서는, N개의 염기 호출 사이클이 있고, 그 동안 타일 M1 및 M2에서의 다양한 클러스터의 가닥이 식별되어야 한다고 가정한다. 또한, 도 18과 유사하게, 도 19에서는, N개의 염기 호출 감지 사이클이 3개의 사이클 서브시리즈, 예컨대 (a) 초기 감지 사이클 1 내지 N1, (b) 중간 감지 사이클 (N1+1) 내지 N2, 및 (c) 최종 감지 사이클 (N2+1) 내지 N - 여기서 N > N2 > N1이고, N, N1, N2는 양의 정수임 - 로 분할된다고 가정하지만, N개의 감지 사이클은 또한 다른 예에서 상이한 수(예를 들어 2, 4 또는 그 초과) 사이클 서브시리즈로 분할될 수 있다.
일 예에서, 염기 호출에 사용되는 신경망 모델(예를 들어, 도 7, 9 및 10과 관련하여 논의된 것과 같은 것)은 사이클의 특정 서브시리즈 및 특정 타일에 대해 훈련될 수 있다. 예를 들어, 신경망 모델은 처음에 감지 사이클 1 내지 N1 동안에만 그리고 에지 타일(1408)에 대해서만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치 세트는 "가중치 세트 (eT,(1-N1))"로 표지된다. 이 가중치 세트에서의 "eT"라는 문구는 타일 범주 또는 타일 위치 인덱스이며, 이는 이 가중치 세트가 특히 에지 타일(1408)에 대한 것임을 암시한다. 또한, 이 가중치 세트에서 "(1-N1)"이라는 문구는 사이클 인덱스이며, 이는 이 가중치 세트가 감지 사이클 1 내지 N1에 대한 것임을 암시한다.
유사하게, 신경망 모델은 그 다음에 감지 사이클 (N1+1) 내지 N2 동안에만 그리고 에지 타일(1408)에 대해서만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치 세트는 "가중치 세트 (eT,(N1-N2))"로 표지된다. 여기서도 "eT"라는 문구는 타일 위치 또는 타일 범주 인덱스이며, 이는 이 가중치 세트가 특히 에지 타일(1408)에 대한 것임을 암시한다. 유사하게, 이 가중치 세트에서 "(N1-N2)"이라는 문구는 사이클 인덱스이며, 이는 이 가중치 세트가 감지 사이클 (N1+1) 내지 N2에 대한 것임을 암시한다.
유사하게, 신경망 모델은 그 다음에 감지 사이클 (N2+1) 내지 N 동안에만 그리고 에지 타일(1408)에 대해서만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치 세트는 "가중치 세트 (eT,(N2-N))"로 표지된다. 여기서도 "eT"라는 문구는 타일 위치 인덱스이며, 이는 이 가중치 세트가 특히 에지 타일(1408)에 대한 것임을 암시한다. 유사하게, 이 가중치 세트에서 "(N2 -N)"이라는 문구는 사이클 인덱스이며, 이는 이 가중치 세트가 감지 사이클 (N2+1) 내지 N에 대한 것임을 암시한다.
또한, 신경망 모델은 감지 사이클 1 내지 N1 동안에만 그리고 중앙 타일(1412)에 대해서만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치 세트는 "가중치 세트 (cT,(1-N1))"로 표지된다. 이 가중치 세트에서의 "cT"라는 문구는 타일 위치 인덱스이며, 이는 이 가중치 세트가 특히 중앙 타일(1412)에 대한 것임을 암시한다. 또한, 이 가중치 세트에서 "(1-N1)"이라는 문구는 사이클 인덱스이며, 이는 이 가중치 세트가 감지 사이클 1 내지 N1에 대한 것임을 암시한다.
유사하게, 신경망 모델은 그 다음에 감지 사이클 (N1+1) 내지 N2 동안에만 그리고 중앙 타일(1412)에 대해서만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치 세트는 "가중치 세트 (cT,(N1-N2))"로 표지된다. 여기서도 "cT"라는 문구는 타일 위치 인덱스이며, 이는 이 가중치 세트가 특히 중앙 타일(1412)에 대한 것임을 암시한다. 유사하게, 이 가중치 세트에서 "(N1-N2)"이라는 문구는 사이클 인덱스이며, 이는 이 가중치 세트가 감지 사이클 (N1+1) 내지 N2에 대한 것임을 암시한다.
유사하게, 신경망 모델은 그 다음에 감지 사이클 (N2+1) 내지 N 동안에만 그리고 중앙 타일(1412)에 대해서만 생성된 센서 데이터에 대해 훈련되고, 결과 가중치 세트는 "가중치 세트 (cT,(N2-N))"로 표지된다. 여기서도 "cT"라는 문구는 타일 위치 인덱스이며, 이는 이 가중치 세트가 특히 중앙 타일(1412)에 대한 것임을 암시한다. 유사하게, 이 가중치 세트에서 "(N2 -N)"이라는 문구는 사이클 인덱스이며, 이는 이 가중치 세트가 감지 사이클 (N2+1) 내지 N에 대한 것임을 암시한다.
추론 단계 동안, 염기가 사이클 1 내지 N1 및 타일 M1(예를 들어, 이는 도 19의 예에서 에지 타일(1408)임)에 대해 호출될 때, 신경망 모델은 가중치 세트 (eT,(1-N1))로 구성된다. 유사하게, 염기가 사이클 (N1+1) 내지 N2 및 타일 M1에 대해 호출될 때, 신경망 모델은 가중치 세트 (eT,(N1-N2))로 구성된다. 또한, 염기가 사이클 (N2+1) 내지 N 및 타일 M1에 대해 호출될 때, 신경망 모델은 가중치 세트 (eT,(N2-N))로 구성된다.
유사하게, 염기가 사이클 1 내지 N1 및 타일 M2(예를 들어, 이는 도 19의 예에서 중앙 타일(1412)임)에 대해 호출될 때, 신경망 모델은 가중치 세트 (cT,(1-N1))로 구성된다. 유사하게, 염기가 사이클 (N1+1) 내지 N2 및 타일 M2에 대해 호출될 때, 신경망 모델은 가중치 세트 (cT,(N1-N2))로 구성된다. 또한, 염기가 사이클 (N2+1) 내지 N 및 타일 M2에 대해 호출될 때, 신경망 모델은 가중치 세트 (cT,(N2-N))로 구성된다.
도 20은 (i) 염기 호출 사이클 수의 시간적 진행 및 (ii) 타일의 공간적 위치에 기초한 다른 예시적인 가중치 선택 방식을 도시한다. 도 20에 예시된 타일 분류는 도 14에 예시된 것과 유사하다. 예를 들어, 도 14 및 도 20을 참조하면, 에지 타일(1408)은 내부에 대각선으로 도시되어 있고, 니어-에지 타일(1410)은 내부에 크로스 해칭(cross-hatching)으로 도시되어 있으며, 중앙 타일(1412)은 내부에 점 또는 회색 음영으로 도시되어 있다.
3개의 박스(1908, 1910, 1912)가 또한 도 20에 도시되어 있다. 박스(1908)를 참조하면, 에지 타일(1408) 및 감지 사이클의 다양한 서브시리즈에 대해 특이적인 가중치 세트가 도시되어 있다. 예를 들어, 가중치 세트 (eT,(1-N1))는 특히 에지 타일(1408) 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (eT,(N1-N2))는 특히 에지 타일(1408) 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (eT,(N2-N))는 특히 에지 타일(1408) 및 감지 사이클 (N2+1) 내지 N에 대한 것이다.
유사하게, 박스(1910)를 참조하면, 니어 에지 타일(1410) 및 감지 사이클의 다양한 서브시리즈에 대해 특이적인 가중치 세트가 도시되어 있다. 예를 들어, 가중치 세트 (nT,(1-N1))는 특히 에지 타일(1410) 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (nT,(N1-N2))는 특히 에지 타일(1410) 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (nT,(N2-N))는 특히 에지 타일(1410) 및 감지 사이클 (N2+1) 내지 N에 대한 것이다.
유사하게, 박스(1912)를 참조하면, 중앙 타일(1412) 및 감지 사이클의 다양한 서브시리즈에 대해 특이적인 가중치 세트가 도시되어 있다. 예를 들어, 가중치 세트 (cT,(1-N1))는 특히 중앙 타일(1412) 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (cT,(N1-N2))는 특히 중앙 타일(1412) 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (cT,(N2-N))는 특히 중앙 타일(1412) 및 감지 사이클 (N2+1) 내지 N에 대한 것이다.
도 21a는 (i) 염기 호출 사이클 수의 시간적 진행 및 (ii) 타일의 공간적 위치에 기초한 다른 예시적인 가중치 선택 방식을 도시한다. 도 21a에 예시된 타일 분류는 도 15에 예시된 것과 유사하다. 예를 들어, 도 15 및 도 21을 참조하면, 주변 레인 타일(1508)(이는 도 15의 상단 주변 레인 타일(1508a)과 하단 주변 레인 타일(1508b)의 조합임)은 내부에 대각선으로 도시되어 있고, 중앙 레인 타일(1510)은 점선 또는 회색 음영 박스로 도시되어 있다.
2개의 박스(2110, 2112)가 또한 도 21a에 도시되어 있다. 박스(2110)를 참조하면, 주변 레인 타일(1508) 및 감지 사이클의 다양한 서브시리즈에 대해 특이적인 가중치 세트가 도시되어 있다. 예를 들어, 가중치 세트 (pl,(1-N1))는 특히 주변 레인 타일(1508) 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (pl,(N1-N2))는 특히 주변 레인 타일(1508) 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (pl,(N2-N))는 특히 주변 레인 타일(1508) 및 감지 사이클 (N2+1) 내지 N에 대한 것이다.
유사하게, 박스(2112)를 참조하면, 중앙 레인 타일(1510) 및 감지 사이클의 다양한 서브시리즈에 대해 특이적인 가중치 세트가 도시되어 있다. 예를 들어, 가중치 세트 (cl,(1-N1))는 특히 중앙 레인 타일(1510) 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (cl,(N1-N2))는 특히 중앙 레인 타일(1510) 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (cl,(N2-N))는 특히 중앙 레인 타일(1510) 및 감지 사이클 (N2+1) 내지 N에 대한 것이다.
일 실시형태에서 그리고 위에서 논의된 바와 같이, 각각의 가중치 세트 (pl,(1-N1)), 가중치 세트 (pl,(N1-N2)), 가중치 세트 (pl,(N2-N)), 가중치 세트 (cl,(1-N1)), 가중치 세트 (cl,(N1-N2)), 가중치 세트 (cl,(N2-N))는 대응하는 가중치를 포함한다. 예를 들어, 가중치 세트 (pl,(1-N1))는 대응하는 복수의 공간 및 시간 층들을 구성하기 위한 제1 복수의 가중치를 포함하고(예를 들어, 이러한 층들의 예에 대해 도 7 및 9 참조), 가중치 세트 (pl,(N1-N2))는 대응하는 복수의 공간 및 시간 층들을 구성하기 위한 제2 복수의 가중치를 포함하고, 가중치 세트 (pl,(N2-N))는 대응하는 복수의 공간 및 시간 층들을 구성하기 위한 제3 복수의 가중치를 포함하고, 가중치 세트 (cl,(1-N1))는 대응하는 복수의 공간 및 시간 층들을 구성하기 위한 제4 복수의 가중치를 포함하고, 가중치 세트 (cl,(N1-N2))는 대응하는 복수의 공간 및 시간 층들을 구성하기 위한 제5 복수의 가중치를 포함하며, 가중치 세트 (cl,(N2-N))는 대응하는 복수의 공간 및 시간 층들을 구성하기 위한 제6 복수의 가중치를 포함한다.
제1 복수의 가중치에서의 적어도 하나의 가중치는 제2 복수의 가중치에서의 대응하는 가중치와 상이하다(일부 예에서, 2개의 가중치 세트는 하나 이상의 공통 또는 동일한 가중치를 가질 수 있음). 제2 복수의 가중치에서의 적어도 하나의 가중치는 제3 복수의 가중치에서의 대응하는 가중치와 상이하고, 제3 복수의 가중치에서의 적어도 하나의 가중치는 제4 복수의 가중치에서의 대응하는 가중치와 상이하다. 일 실시형태에서, 다양한 가중치 세트에서의 하나 이상의 가중치는 상이한 스케일링 계수(scaling factor)를 사용하여 양자화된다.
다양한 가중치 세트가 대응하는 서열분석 사이클과 연관되기 때문에, 일 예에서 다양한 가중치 세트에서의 가중치는 각각 다양한 서열분석 화학, 서열분석 구성, 및/또는 서열분석 분석에 대응한다. 예를 들어, 가중치 세트 (pl,(1-N1)), 가중치 세트 (pl,(N1-N2)), 및 가중치 세트 (pl,(N2-N))는 각각 제1, 제2, 및 제3 서열분석 화학에 대응한다(예를 들어, 이는 각각 서열분석 사이클 1 내지 N1, (N1+1) 내지 N2, 및 (N2+1) 내지 N 동안 사용됨). 가중치 세트 (pl,(1-N1), 가중치 세트 (pl,(N1-N2)), 및 가중치 세트 (pl,(N2-N))는 각각 제1, 제2 및 제3 서열분석 분석에 대응한다. 가중치 세트 (pl,(1-N1), 가중치 세트 (pl,(N1-N2)), 및 가중치 세트 (pl,(N2-N))는 각각 제1, 제2 및 제3 서열분석 구성에 대응한다.
도 21b는 (i) 염기 호출 사이클 수의 시간적 진행 및 (ii) 타일의 공간적 위치에 기초한 또 다른 예시적인 가중치 선택 방식을 도시한다. 도 21b에 예시된 타일 분류는 도 16에 예시된 것과 유사하다. 예를 들어, 도 16 및 도 21b를 참조하면, 플로우 셀(1400)은 상단-좌측 섹션(1610TL), 상단-중앙 섹션(1610TC), 상단-우측 섹션(1610TR), 중간-좌측 섹션(1610ML), 중앙 섹션(1610C), 중간-우측 섹션(1610MR), 하단-좌측 섹션(1610BL), 하단-중앙 섹션(1610BC) 및 하단-좌측 섹션(1610BL)으로 분할된다. 플로우 셀(1400)의 각 타일은 타일이 속한 섹션에 기초하여 분류된다.
도 21b는 또한 감지 사이클 1 내지 N의 다양한 서브시리즈뿐만 아니라 다양한 섹션의 타일에 대한 다양한 가중치를 포함하는 테이블(2150)을 예시한다. 예를 들어, 테이블(2150)의 제1 행을 참조하면, 가중치 세트 (TL,(1-N1))는 특히 상단-좌측 섹션(1610TL)의 타일 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (TL,(N1-N2))는 특히 상단-좌측 섹션(1610TL)의 타일 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (TL,(N2-N))는 특히 상단-좌측 섹션(1610TL)의 타일 및 감지 사이클 (N2+1) 내지 N에 대한 것이다.
유사하게, 테이블(2150)의 제2 행을 참조하면, 가중치 세트 (TC,(1-N1))는 특히 상단-중앙 섹션(1610TC)의 타일 및 감지 사이클 1 내지 N1에 대한 것이다. 가중치 세트 (TC,(N1-N2))는 특히 상단-중앙 섹션(1610TC)의 타일 및 감지 사이클 (N1+1) 내지 N2에 대한 것이다. 가중치 세트 (TC,(N2-N))는 특히 상단-중앙 섹션(1610TC)의 타일 및 감지 사이클 (N2+1) 내지 N에 대한 것이다. 유사하게, 테이블(2150)의 다양한 다른 행은 다양한 다른 섹션의 타일 및 감지 사이클의 다양한 서브시리즈에 대한 가중치 세트를 포함하며, 위의 논의에 기초하여 당업자에게 명백할 것이다.
도 22는 염기 호출에 사용되는 가중치 세트가 감지 사이클 정보의 공간적 타일 정보 및 시간적 서브시리즈에 기초하여 선택되는 염기 호출 동작(2200)의 일 구현예를 도시한다.
도 22의 염기 호출 동작(2200)에 대해, 플로우 셀(1400)의 타일은 도 15 및 21a의 예에 따라 분류되는 것으로 가정된다. 이러한 타일 분류는 본 개시내용의 범위를 제한하도록 의도되지 않으며, 염기 호출 동작(2200)은 또한 임의의 다른 유형의 타일 분류, 예컨대 도 14, 16, 20, 21b와 관련하여 논의된 임의의 것, 및/또는 본 개시내용의 교시에 기초하여 당업자에 의해 구상되는 임의의 다른 타일 분류에 적용될 수 있다.
또한, 도 22의 염기 호출 동작(2200)에 대해, N개의 감지 사이클은 도 18 내지 21b와 관련하여 논의된 바와 같이 (a) 사이클 1 내지 N1, (b) 사이클 (N1+1) 내지 N2, 및 (c) 사이클 (N2+1) 내지 N을 포함하는 3개의 사이클 서브시리즈로 분할되는 것으로 가정된다. 다시, 감지 사이클의 이러한 분할은 본 개시내용의 범위를 제한하도록 의도되지 않으며, 염기 호출 동작(2200)은 또한 본 개시내용의 교시에 기초하여 당업자에 의해 구상될 수 있는 임의의 다른 유형의 감지 사이클의 서브분할에 적용될 수 있다.
도 22에서, 염기 호출 동작(1a-6a)은 특히 주변 레인 타일 및 사이클 1 내지 N1에 대한 것이다. 유사하게, 염기 호출 동작(1b-6b)은 특히 중앙 레인 타일 및 사이클 1 내지 N1에 대한 것이다. 1a-6a 및 1b-6b의 동작은 사이클 (N1+1) 내지 N2에 대해 반복될 수 있으며, 사이클 (N2+1) 내지 N에 대해 더 반복될 수 있지만, 이러한 반복이 도 22에 상세하게 도시되어 있지는 않다. 사이클 (N1+1) 내지 N2 및 추가로 사이클 (N2+1) 내지 N에 대한 이러한 반복은 사이클 1 내지 N1에 대한 동작 1a-6a 및 1b-6b의 논의에 기초하여 당업자에 의해 인식될 것이다.
액션(1a)에서, 데이터 흐름 로직(451)(예를 들어, 도 4 참조)은 주변 레인 타일(1508) 및 사이클 1 내지 N1에 대해 클러스터 센서 데이터 및 가중치 세트 (pl,(1-N1))를 수신한다(도 21a 참조). 클러스터 데이터는 위에서 논의된 바와 같이 서열분석 런의 서열분석 사이클 1 내지 N1에서 주변 레인 타일(1508) 내의 클러스터의 강도 방출을 묘사하는 서열분석 이미지를 포함한다. 액션(2a)에서, 데이터 흐름 로직(451)은 주변 레인 타일(1508) 및 사이클 1 내지 N1에 대한 클러스터 데이터 및 가중치 세트 (pl,(1-N1))를 구성 가능한 프로세서(450)(예를 들어, 도 4 참조)에 의해 실행되는 신경망 기반 염기 호출자(2308)(예를 들어, 그 예는 도 7, 9, 10에 예시되어 있음)로 전달한다. 주변 레인 타일(1508) 및 사이클 1 내지 N1에 대한 클러스터 데이터 및 가중치 세트 (pl,(1-N1))는 신경망 기반 염기 호출자(2308)에 로딩된다. 또한, 도 22에는 도시되어 있지 않지만, 신경망 모델의 토폴로지가 또한 메모리로부터 데이터 흐름 로직(451)을 통해 구성 가능한 프로세서(450)로 로딩된다.
액션(3a)에서, 구성 가능한 프로세서(450)는 로딩된 가중치 세트 (pl,(1-N1))로 구성 가능한 프로세서(450)에서 실행되는 신경망의 토폴로지를 구성한다. 로딩된 가중치 세트 (pl,(1-N1)로 구성된 신경망 기반 염기 호출자(2308)는 로딩된 가중치 세트 (pl,(1-N1)에 기초하는 클러스터 데이터로부터 표현(예를 들어, 특징 맵)을 생성하고(예를 들어, 구성된 공간 및 시간 콘볼루션 층을 통해 클러스터 데이터를 처리함으로써), 주변 레인 타일(1508) 내의 복수의 클러스터 및 표현에 기초한 서열분석 사이클 1 내지 N1에 대해 염기 호출 분류 데이터를 생성한다. 예를 들어, 신경망 기반 염기 호출자(2308)는 클러스터 데이터에 로딩된 가중치 세트 (pl,(1-N1))를 적용하여 염기 호출 분류 데이터를 생성한다. 일 구현예에서, 염기 호출 분류 점수는 비정규화되며, 예를 들어, 이들은 소프트맥스 함수에 의한 지수 정규화를 받지 않는다.
액션(4a)에서, 구성 가능한 프로세서(450)는 주변 레인 타일(1508) 내의 클러스터 및 사이클 1 내지 N1에 대한 염기 호출 분류 데이터를 데이터 흐름 로직(451)에 전송한다. 액션(5a)에서, 데이터 흐름 로직(451)은 주변 레인 타일(1508) 내의 클러스터 및 사이클 1 내지 N1에 대한 염기 호출 분류 점수를 호스트 프로세서(2304)에 제공한다.
액션(6a)에서, 호스트 프로세서(2304)는 비정규화된 염기 호출 분류 점수를 정규화하고(예를 들어, 소프트맥스 함수, 블록(도 7의 740 또는 도 9의 930)을 적용함으로써), 정규화된 염기 호출 분류 점수, 즉 주변 레인 타일(1508)의 클러스터 내의 가닥 및 사이클 1 내지 N1에 대한 염기 호출을 생성한다.
따라서, 동작(1a-6a)에서, 시스템은 주변 레인 타일(1508) 및 사이클 1 내지 N1에 대해 특별히 훈련된 가중치 세트 (pl,(1-N1))를 사용하여 주변 레인 타일(1508)의 클러스터 내에서 및 사이클 1 내지 N1에 대해 가닥을 염기 호출한다. 동작(1a-6a)은 염기 호출 동작의 높은 수준의 단순화된 버전을 묘사하고, 염기 호출을 위해 수행될 수 있는 하나 이상의 다른 동작을 나타내지 않을 수 있음에 유의한다. 염기 호출 동작에 대한 추가의 세부사항은 2020년 8월 28일에 "DETECTING AND FILTERING CLUSTERS BASED ON ARTIFICIAL INTELLIGENCE-PREDICTED BASE CALLS"라는 명칭으로 출원된 미국 임시 특허출원 제63/072,032호(대리인 문서 번호 ILLM 1018-1/IP-1860-PRV)에서 찾을 수 있으며, 이는 마치 본원에 완전히 설명된 것처럼 참조로 포함된다.
동작(1a-6a)은 특히 주변 레인 타일(1508)의 클러스터 내의 가닥 및 사이클 1 내지 N1에 대한 염기 호출을 위한 것이다. 이들 동작은 동작(1b-6b)로서 반복되지만, 중앙 레인 타일(1510) 내의 클러스터 및 사이클 1 내지 N1에 대해 반복된다. 예를 들어, 액션(1b)에서 데이터 흐름 로직(451)은 중앙 레인 타일(1510) 및 사이클 1 내지 N1에 대한 클러스터 데이터 및 가중치 세트 (cl,(1-N1))를 수신한다(도 21a 참조). 클러스터 데이터는 위에서 논의된 바와 같이 서열분석 런의 서열분석 사이클 1 내지 N1에서 중앙 레인 타일(1510) 내의 클러스터의 강도 방출을 묘사하는 서열분석 이미지를 포함한다. 액션(2b)에서, 데이터 흐름 로직(451)은 중앙 레인 타일(1508) 및 사이클 1 내지 N1에 대한 클러스터 데이터 및 가중치 세트 (cl,(1-N1))를 구성 가능한 프로세서(450)에 의해 실행되는 신경망 기반 염기 호출자(2308)로 전달한다. 중앙 레인 타일(1510) 및 사이클 1 내지 N1에 대한 가중치 세트 (cl,(1-N1))는 신경망 기반 염기 호출자(2308)를 재구성하는 데 사용된다.
액션(3b)에서, 구성 가능한 프로세서(450)에서 실행되는 재구성된 신경망 기반 염기 호출자(2308)는 클러스터 데이터로부터 초기 표현(예를 들어, 특징 맵)을 생성하고(예를 들어, 초기 클러스터 데이터를 공간 및 시간 콘볼루션 층을 통해 처리함으로써), 중앙 레인 타일(1510) 내의 복수의 클러스터 및 초기 중간 표현에 기초하여 서열분석 사이클 1 내지 N1에 대한 염기 호출 분류 점수를 생성한다. 일 구현예에서, 초기 염기 호출 분류 점수는 비정규화되며, 예를 들어, 이들은 소프트맥스 함수에 의한 지수 정규화를 받지 않는다.
액션(4b)에서, 구성 가능한 프로세서(450)는 중심 레인 타일(1510) 내의 클러스터 및 사이클 1 내지 N1에 대한 염기 호출 분류 점수를 데이터 흐름 로직(451)에 전송한다. 액션(5b)에서, 데이터 흐름 로직(451)은 중앙 레인 타일(1510) 내의 클러스터 및 사이클 1 내지 N1에 대한 염기 호출 분류 점수를 호스트 프로세서(2304)에 제공한다.
액션(6b)에서, 호스트 프로세서(2304)는 비정규화된 염기 호출 분류 점수를 정규화하고(예를 들어, 소프트맥스 함수를 적용함으로써), 정규화된 염기 호출 분류 점수, 즉 중앙 레인 타일(1510)의 클러스터 내의 가닥 및 사이클 1 내지 N1에 대한 염기 호출을 생성한다.
따라서, 염기 호출 동작(1a-6a)은 특히 주변 레인 타일(1508) 및 사이클 1 내지 N1에 대한 것이다. 유사하게, 염기 호출 동작(1b-6b)은 특히 중앙 레인 타일(1510) 및 사이클 1 내지 N1에 대한 것이다. 도 22에 상징적으로 도시된 바와 같이, 1a-6a 및 1b-6b의 동작은 사이클 (N1+1) 내지 N2에 대해 반복되며, 사이클 (N2+1) 내지 N에 대해 추가로 반복된다.
다시 도 7을 참조하면, 예시된 모델은 분리된 스택(701, 702, 703, 704, 705)을 포함한다. 예를 들어, 스택(701)은 사이클 K+2로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(702)은 사이클 K+1로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(703)은 사이클 K로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(704)은 사이클 K-1로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 스택(705)은 사이클 K-2로부터 패치에 대한 타일 데이터를 입력으로서 수신한다. 분리된 스택들의 층들은 각각 층에 대한 입력 데이터에 대해 복수의 필터를 포함하는 커널의 콘볼루션 연산을 실행한다. 스택(701-705) 각각으로부터의 출력 특징 세트(중간 데이터)는 다중 사이클로부터의 중간 데이터가 조합되는 시간 조합 층들의 역 계층(720)에 대한 입력으로서 제공된다.
따라서, 도 7, 9 및 11과 관련하여 논의된 바와 같이. 스택(701, …, 705)은 분리형 공간 콘볼루션을 수행한다. 다양한 스택들(701, …, 705) 내의 다양한 사이클로부터의 입력 간에 시간적인 혼합 또는 상호 작용이 없다. 마지막으로, 스택(701, …, 705)에서의 데이터 처리 후, 섹션(720)에서 다양한 순차적 사이클로부터의 데이터 처리가 있다. 스택(701, …, 705) 내의 다양한 층은 또한 본원에서 공간 층으로 지칭되고, 스택(701, …, 705) 내의 다양한 필터의 커널의 가중치는 본원에서 공간 가중치로 지칭된다. 유사하게, 섹션(720) 내의 다양한 층은 또한 본원에서 시간 층으로 지칭되고, 섹션(720) 내의 다양한 필터의 커널의 가중치는 또한 본원에서 시간 가중치로 지칭된다. 예를 들어, 도 9의 공간 콘볼루션(921, 922, 923) 동안 적용된 가중치는 공간 가중치인 반면, 도 9의 시간 콘볼루션(924, 925) 동안 적용된 가중치는 시간 가중치이다.
도 23a는 타일의 다양한 범주 및 다양한 감지 사이클에 대한 다양한 가중치 세트를 도시하며, 개별 가중치 세트는 대응하는 공간 가중치 및 대응하는 시간 가중치를 포함한다. 도 23a에 도시된 타일 분류는 도 15 및 21a와 관련하여 논의된 것과 유사하다. 도 21a와 관련하여 논의된 바와 같이, 사이클 1 내지 N1에 대한 주변 레인 타일(1508)은 대응하는 가중치 세트 (pl, 1-N1)와 연관된다. 도 23a에 도시된 바와 같이, 가중치 세트 (pl, 1-N1)는 대응하는 공간 가중치 (s-pl,(1-N1)) 및 대응하는 시간 가중치 (t-pl,(1-N1))를 포함한다. 공간 가중치 (s-pl,(1-N1))는 신경망 모델이 사이클 1 내지 N1 동안 주변 레인 타일(1508)에 대한 클러스터 센서 데이터를 처리할 때 신경망 모델의 공간 층을 구성하는 데 사용된다. 시간 가중치 (t-pl,(1-N1))는 신경망 모델이 사이클 1 내지 N1 동안 주변 레인 타일(1508)에 대한 클러스터 센서 데이터를 처리할 때 신경망 모델의 시간 층을 구성하는 데 사용된다.
유사하게, 또한 도 21a와 관련하여 논의된 바와 같이, 사이클 N1 내지 N2에 대한 주변 레인 타일(1508)은 대응하는 가중치 세트 (pl, N1-N2)와 연관된다. 도 23a에 도시된 바와 같이, 가중치 세트 (pl, N1-N2)는 대응하는 공간 가중치 (s-pl,(N1-N2)) 및 대응하는 시간 가중치 (t-pl,(N1-N2))를 포함한다. 도 23a의 다양한 다른 가중치 세트도 유사하게 대응하는 공간 및 시간 가중치를 갖는다.
도 23b는 타일의 다양한 범주 및 다양한 사이클에 대한 다양한 가중치 세트를 도시하며, 여기서 타일의 특정 범주의 상이한 가중치 세트는 공통 공간 가중치 및 상이한 시간 가중치를 포함한다. 도 23a에 도시된 타일 분류는 도 15, 21a 및 23a와 관련하여 논의된 것과 유사하다. 그러나, 도 23a와 달리, 도 23b에서는, 주변 레인 타일(1508)에 대한 가중치 세트들 (pl,(1-N1)), (pl,(N1-N2)), 및 (pl,(N2-N))은 공통 공간 가중치 (s-pl)를 갖는다. 따라서, 주변 레인 타일(1508) 및 사이클 1 내지 N1, (N+1) 내지 N2, 및 (N2+1) 내지 N의 서브시리즈 각각에 대해 동일하거나 공통의 공간 가중치 (s-pl)가 사용된다.
가중치 세트 (pl,(1-N1)), (pl,(N1-N2)), 및 (pl,(N2-N))은 시간 가중치 (t-pl, (1- N1)), 시간 가중치 (t-pl, (N1-N2)) 및 시간 가중치 (t-pl, (N2-N))와 같은 상이한 시간 가중치를 갖는다.
유사하게, 중앙 레인 타일(1510)에 대한 가중치 세트 (cl, (1-N1)), (cl,(N1-N2)) 및 (cl,(N2-N))은 공통 공간 가중치 (s-cl)를 갖는다. 따라서, 중앙 레인 타일(1510) 및 사이클 1 내지 N1, (N+1) 내지 N2, 및 (N2+1) 내지 N의 서브시리즈 각각에 대해 동일하거나 공통의 공간 가중치 (s-cl)가 사용된다.
가중치 세트 (cl,(1-N1)), (cl,(N1-N2)), 및 (cl,(N2-N))은 시간 가중치 (t-cl, (1- N1)), 시간 가중치 (t-cl, (N1-N2)) 및 시간 가중치 (t-cl, (N2-N))와 같은 상이한 시간 가중치를 갖는다.
일 실시형태에서 그리고 도 17a 및 도 17b와 관련하여 논의된 바와 같이, 페이딩, 페이징 및/또는 사전-페이징은 서열분석 사이클이 진행됨에 따라 센서 데이터의 열화를 야기한다. 이러한 열화는 신경망 모델의 시간 층들(예컨대, 도 7의 블록(720) 내의 층들 또는 도 9의 층들(924, 925))에 의해 해결된다. 따라서, 도 23b에서, 서열분석 사이클의 다양한 서브시리즈에 대한 시간 가중치는 상이하게 훈련된다. 예를 들어, 사이클 1 내지 N1 및 소정의 타일 범주에 대한 시간 가중치는 동일한 타일 범주에 대한 사이클 N1 내지 N2에 대한 시간 가중치와 상이하다. 대조적으로, 공간 층들(예컨대, 도 7의 블록(701, …, 705) 내의 층들 또는 도 9의 층들(921, 922, 923))은 신호 품질의 열화를 유의하게 치료하지 못할 수 있으므로, 모든 사이클은 도 23b에 도시된 바와 같이 소정의 타일 범주에 대한 공통 공간 가중치를 공유한다.
따라서, 특정 타일 범주의 센서 데이터를 처리할 때, 예를 들어 주변 레인 타일(1508)에 대해, 사이클 1 내지 N1에 대한 가중치 세트 (pl,(1-N1))의 공통 공간 가중치 (s-pl) 및 시간 가중치 (t-pl, (1-N1))는 초기에 구성 가능한 프로세서에 로딩되고, 신경망 기반 염기 호출자(2308)는 이러한 공간 및 시간 가중치로 구성된다. 예를 들어, 신경망 기반 염기 호출자(2308)의 공간 층은 공통 공간 가중치 (s-pl)로 구성되고, 신경망 기반 염기 호출자(2308)의 시간 층은 시간 가중치 (t-pl, (1-N1))로 구성된다. 구성된 신경망 기반 염기 호출자(2308)는 주변 레인 타일(1508)의 사이클 1 내지 N1에 대한 센서 데이터에 구성된 공간 및 시간 층을 적용하여 주변 레인 타일(1508)의 사이클 1 내지 N1에 대한 염기 호출 분류 데이터를 생성한다.
후속하여, 사이클 (N1+1)에 대한 센서 데이터를 처리하기 전에, 가중치 세트 (pl,(N1-N2))의 시간 가중치 (t-pl, (N1-N2))가 이 가중치 세트의 임의의 대응하는 공간 가중치를 로딩하지 않고 로딩된다. 신경망 기반 염기 호출자(2308)의 시간 층은 시간 가중치 (t-pl, (N1-N2))로 구성된다. 그 다음 신경망 기반 염기 호출자(2308)는 이전에 구성된 공간 층(예를 들어, 이는 공통 공간 가중치 (s-pl)로 이전에 구성됨) 및 재구성된 시간 층(예를 들어, 이는 시간 가중치 (t-pl, (N1-N2))로 재구성됨)을 주변 레인 타일(1508)의 사이클 (N1+1) 내지 N2에 대한 센서 데이터에 적용하여 주변 레인 타일(1508)의 사이클 (N1+1) 내지 N2에 대한 염기 호출 분류 데이터를 생성한다.
후속하여, 사이클 (N2+1)에 대한 센서 데이터를 처리하기 전에, 가중치 세트 (pl,(N2-N))의 시간 가중치 (t-pl, (N2-N))가 이 가중치 세트의 임의의 대응하는 공간 가중치를 로딩하지 않고 로딩된다. 신경망 기반 염기 호출자(2308)의 시간 층은 시간 가중치 (t-pl, (N2-N))로 재구성된다. 그 다음 신경망 기반 염기 호출자(2308)는 이전에 구성된 공간 층(예를 들어, 이는 공통 공간 가중치 (s-pl)로 이전에 구성됨) 및 재구성된 시간 층(예를 들어, 이는 시간 가중치 (t-pl, (N2-N))로 재구성됨)을 주변 레인 타일의 사이클 (N2+1) 내지 N에 대한 센서 데이터에 적용하여 주변 레인 타일의 사이클 (N2+1) 내지 N에 대한 염기 호출 분류 데이터를 생성한다.
(중앙 레인 타일(1510)과 같은) 다른 타일 범주에 대한 염기 호출 분류 데이터는 대응하는 유사한 방식으로 생성되며, 이는 상기 논의 및 도 23b의 예시에 기초하여 당업자에 의해 인식될 것이다.
도 23c는 하나 이상의 서열분석 런 파라미터(2382)에 기초하여 가중치 세트를 선택하는 시스템(2300)을 도시한다. 예를 들어, 구성 가능한 프로세서(450) 및/또는 호스트 프로세서(2304)에서 실행될 수 있는 가중치 세트 선택 로직(2386)이 예시되어 있다. 가중치 세트 선택 로직(2386)은 하나 이상의 서열분석 런 파라미터(2382)뿐만 아니라 도 14 내지 23b와 관련하여 논의된 하나 이상의 다른 가중치 세트 선택 기준을 수신한다. 가중치 세트 선택 로직(2386)은 하나 이상의 서열분석 런 파라미터(2382) 및/또는 도 14 내지 23b와 관련하여 논의된 하나 이상의 다른 가중치 세트 선택 기준에 기초하여 복수의 후보 가중치 세트 (2384a, …, 2384N) 중에서 가중치 세트를 선택한다. 도 23b의 예에서, 가중치 세트 선택 로직(2386)은 가중치 세트 (2384b)를 선택한다. 그 다음, 선택된 가중치 세트는 구성 가능한 프로세서(450)에 로딩되고, 본원에서 논의되는 바와 같이 염기 호출을 위한 신경망 토폴로지를 구성하는 데 사용된다.
하나 이상의 서열분석 런 파라미터(2382)는 현재 서열분석 런과 연관된 하나 이상의 적절한 파라미터를 포함할 수 있다. 예를 들어, 서열분석 런에 사용되는 반응 구성요소(예를 들어, 시약, 효소, 샘플, 기타 생체분자 및 완충 용액)는 센서 데이터에 영향을 미칠 수 있으며, 가중치 세트는 사용된 반응 구성요소의 유형, 파라미터 또는 배치에 기초하여 선택될 수 있다. 예를 들어, 페이징 특성(도 17b 참조)은 서열분석 런에 사용되는 시약 팩에 기초할 수 있으며, 시약 팩의 유형, 연령 및/또는 배치에 따라 다를 수 있다. 따라서, 반응 구성요소의 배치의 다양한 유형에 대해 다양한 후보 가중치 세트가 생성될 수 있고, 가중치 세트 선택 로직(2386)은 현재 서열분석 사이클에 사용되는 반응 구성요소에 기초하여 가중치 세트를 선택할 수 있다.
다른 예에서, 가중치 세트 선택 로직(2386)은 페이징 특성을 추정하고, 페이징 특성에 기초하여 가중치 세트를 선택할 수 있다. 예를 들어, 상이한 페이징 특성에 대해 상이한 가중치 세트가 생성될 수 있다. 그 다음 서열분석 런 초기에 페이징 파라미터가 추정되고 가중치 세트를 선택하는 데 사용될 수 있다. 또 다른 예에서, 다수의 후보 가중치 세트가 시도될 수 있고, 전체 서열분석 런에 대해 가장 낮은 오류율(또는 가장 높은 신호 대 잡음비)을 갖는 가중치 세트가 선택될 수 있다.
도 24는 일 구현예에 따른 염기 호출 시스템(2400)의 블록도이다. 염기 호출 시스템(2400)은 생물학적 또는 화학적 물질 중 적어도 하나에 관련된 임의의 정보 또는 데이터를 획득하도록 동작할 수 있다. 일부 구현예에서, 염기 호출 시스템(2400)은 벤치탑(bench-top) 디바이스 또는 데스크톱 컴퓨터와 유사할 수 있는 워크스테이션이다. 예를 들어, 원하는 반응을 이행하기 위한 시스템 및 구성요소의 대부분(또는 전부)이 공통 하우징(2416) 내에 있을 수 있다.
특정 구현예에서, 염기 호출 시스템(2400)은, 드 노보 서열분석(de novo sequencing), 전체 게놈들 또는 표적 게놈 영역들의 재서열분석, 및 메타게노믹스(metagenomics)를 포함하지만 이들로 제한되지 않는 다양한 적용들을 위해 구성된 핵산 서열분석 시스템(또는 서열분석기)이다. 서열분석기는 또한 DNA 또는 RNA 분석을 위해 사용될 수 있다. 일부 구현예에서, 염기 호출 시스템(2400)은 또한 바이오센서 내의 반응 부위들을 생성하도록 구성될 수 있다. 예를 들어, 염기 호출 시스템(2400)은 샘플을 수용하도록, 그리고 샘플로부터 도출된 클론 증폭된 핵산의 표면 부착 클러스터들을 생성하도록 구성될 수 있다. 각각의 클러스터는 바이오센서 내의 반응 부위를 구성하거나 그의 일부일 수 있다.
예시적인 염기 호출 시스템(2400)은 바이오센서(2402) 내에서 원하는 반응들을 수행하기 위해 바이오센서(2402)와 상호작용하도록 구성된 시스템 리셉터클 또는 인터페이스(2412)를 포함할 수 있다. 도 24와 관련한 하기의 설명에서, 바이오센서(2402)는 시스템 리셉터클(2412) 내로 로딩된다. 그러나, 바이오센서(2402)를 포함하는 카트리지는 시스템 리셉터클(2412) 내로 삽입될 수 있고, 일부 상태에서, 카트리지는 일시적으로 또는 영구적으로 제거될 수 있다는 것이 이해된다. 전술된 바와 같이, 카트리지는, 특히, 유체 제어 및 유체 저장 구성요소들을 포함할 수 있다.
특정 구현예에서, 염기 호출 시스템(2400)은 바이오센서(2402) 내에서 다수의 병렬 반응들을 수행하도록 구성된다. 바이오센서(2402)는 원하는 반응들이 발생할 수 있는 하나 이상의 반응 부위들을 포함한다. 반응 부위들은, 예를 들어, 바이오센서의 고체 표면에 고정화되거나, 또는 바이오센서의 대응하는 반응 챔버들 내에 위치되는 비드들(또는 다른 이동가능한 기재들)에 고정화될 수 있다. 반응 부위들은, 예를 들어, 클론 증폭된 핵산의 클러스터들을 포함할 수 있다. 바이오센서(2402)는 솔리드 스테이트 이미지화 디바이스(예컨대, CCD 또는 CMOS 이미저) 및 이에 탑재되는 플로우 셀을 포함할 수 있다. 플로우 셀은, 염기 호출 시스템(2400)으로부터 용액을 수용하고 그 용액을 반응 부위들을 향해 지향시키는 하나 이상의 플로우 채널을 포함할 수 있다. 선택적으로, 바이오센서(2402)는 열 에너지를 플로우 채널 내로 또는 플로우 채널 밖으로 이송하기 위한 열 요소와 결합하도록 구성될 수 있다.
염기 호출 시스템(2400)은 생물학적 또는 화학적 분석을 위한 미리 결정된 방법 또는 검정 프로토콜을 수행하기 위해 서로 상호작용하는 다양한 구성요소, 조립체, 및 시스템(또는 서브시스템)을 포함할 수 있다. 예를 들어, 염기 호출 시스템(2400)은 염기 호출 시스템(2400)의 다양한 구성요소, 조립체, 및 서브시스템, 및 또한 바이오센서(2402)와 통신할 수 있는 시스템 제어기(2404)를 포함한다. 예를 들어, 시스템 리셉터클(2412)에 더하여, 염기 호출 시스템(2400)은 또한 염기 호출 시스템(2400) 및 바이오센서(2402)의 유체 네트워크 전체에 걸쳐 유체의 유동을 제어하기 위한 유체 제어 시스템(2406); 생물검정 시스템에 의해 사용될 수 있는 모든 유체들(예컨대, 기체 또는 액체)을 보유하도록 구성된 유체 저장 시스템(2408); 유체 네트워크, 유체 저장 시스템(2408), 및/또는 바이오센서(2402)에서의 유체의 온도를 조절할 수 있는 온도 제어 시스템(2410); 및 바이오센서(2402)를 조명하도록 구성된 조명 시스템(2409)을 포함할 수 있다. 전술된 바와 같이, 바이오센서(2402)를 갖는 카트리지가 시스템 리셉터클(2412) 내로 로딩되는 경우, 카트리지는 또한 유체 제어 및 유체 저장 구성요소들을 포함할 수 있다.
또한, 도시된 바와 같이, 염기 호출 시스템(2400)은 사용자와 상호작용하는 사용자 인터페이스(2414)를 포함할 수 있다. 예를 들어, 사용자 인터페이스(2414)는 사용자로부터의 정보를 디스플레이하거나 요청하기 위한 디스플레이(2413) 및 사용자 입력들을 수신하기 위한 사용자 입력 디바이스(2415)를 포함할 수 있다. 일부 구현예에서, 디스플레이(2413) 및 사용자 입력 디바이스(2415)는 동일한 디바이스이다. 예를 들어, 사용자 인터페이스(2414)는 개인의 터치의 존재를 검출하도록, 그리고 또한 디스플레이 상의 터치의 위치를 식별하도록 구성된 터치 감응형 디스플레이를 포함할 수 있다. 그러나, 마우스, 터치패드, 키보드, 키패드, 핸드헬드 스캐너, 음성 인식 시스템, 모션 인식 시스템 등과 같은 다른 사용자 입력 디바이스(2415)가 사용될 수 있다. 하기에서 더 상세히 논의되는 바와 같이, 염기 호출 시스템(2400)은 원하는 반응들을 수행하기 위해, 바이오센서(2402)(예컨대, 카트리지의 형태로 있음)를 포함하는 다양한 구성요소들과 통신할 수 있다. 염기 호출 시스템(2400)은 또한 사용자에게 원하는 정보를 제공하기 위해 바이오센서로부터 획득된 데이터를 분석하도록 구성될 수 있다.
시스템 제어기(2404)는 마이크로제어기들을 사용하는 시스템, 축약 명령어 세트 컴퓨터(RISC: Reduced Instruction Set Computer), 주문형 집적 회로(ASIC), 필드 프로그래밍가능 게이트 어레이(FPGA), 로직 회로, 및 본원에 기술된 함수들을 실행할 수 있는 임의의 다른 회로 또는 프로세서를 포함하는, 임의의 프로세서 기반 또는 마이크로프로세서 기반 시스템을 포함할 수 있다. 상기의 예는 단지 예시적인 것이며, 따라서, 어떠한 방식으로든, 용어 "시스템 제어기"의 정의 및/또는 의미를 제한하도록 의도되지 않는다. 예시적인 구현예에서, 시스템 제어기(2404)는 검출 데이터를 획득하는 것 및 분석하는 것 중 적어도 하나를 위해 하나 이상의 저장 요소, 메모리, 또는 모듈에 저장된 명령어의 세트를 실행한다. 검출 데이터는 픽셀 신호의 복수의 시퀀스를 포함하여, 수백만 개의 센서(또는 픽셀) 각각으로부터의 픽셀 신호의 시퀀스가 많은 염기 호출 사이클에 걸쳐서 검출될 수 있게 할 수 있다. 저장 요소들은 염기 호출 시스템(2400) 내의 정보 소스들 또는 물리적 메모리 요소들의 형태로 있을 수 있다.
명령어들의 세트는 본원에 기술된 다양한 구현예의 방법 및 프로세스와 같은 특정 동작을 수행하도록 염기 호출 시스템(2400) 또는 바이오센서(2402)에 지시하는 다양한 커맨드를 포함할 수 있다. 명령어들의 세트는, 유형적(tangible)인 비일시적 컴퓨터 판독가능 매체 또는 매체의 일부를 형성할 수 있는 소프트웨어 프로그램의 형태로 있을 수 있다. 본원에 사용되는 바와 같이, 용어들 "소프트웨어" 및 "펌웨어"는 상호교환가능하며, RAM 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 및 비휘발성 RAM(NVRAM) 메모리를 포함한, 컴퓨터에 의한 실행을 위한 메모리에 저장된 임의의 컴퓨터 프로그램을 포함한다. 상기의 메모리 유형들은 단지 예시적이며, 따라서, 컴퓨터 프로그램의 저장을 위해 사용가능한 메모리의 유형들에 대한 제한은 아니다.
소프트웨어는 시스템 소프트웨어 또는 애플리케이션 소프트웨어와 같은 다양한 형태로 있을 수 있다. 또한, 소프트웨어는 별개의 프로그램들의 집합의 형태, 또는 더 큰 프로그램 내의 프로그램 모듈 또는 프로그램 모듈의 일부분의 형태로 있을 수 있다. 소프트웨어는 또한 객체 지향 프로그래밍 형태의 모듈식 프로그래밍을 포함할 수 있다. 검출 데이터를 획득한 후에, 검출 데이터는 염기 호출 시스템(2400)에 의해 자동으로 처리될 수 있거나, 사용자 입력들에 응답하여 처리될 수 있거나, 또는 다른 처리 기계에 의해 이루어진 요청(예컨대, 통신 링크를 통한 원격 요청)에 응답하여 처리될 수 있다. 예시된 구현예에서, 시스템 제어기(2404)는 분석 모듈(2538)(도 25에 도시됨)을 포함한다. 다른 구현예에서, 시스템 제어기(2404)는 분석 모듈(2538)을 포함하지 않고, 대신에, 분석 모듈(2538)에 액세스한다(예컨대, 분석 모듈(2538)은 클라우드 상에서 개별적으로 호스팅될 수 있음).
시스템 제어기(2404)는 통신 링크들을 통해 염기 호출 시스템(2400)의 바이오센서(2402) 및 다른 구성요소들에 접속될 수 있다. 시스템 제어기(2404)는 또한 현장외(off-site) 시스템 또는 서버에 통신가능하게 접속될 수 있다. 통신 링크들은 유선, 코드, 또는 무선일 수 있다. 시스템 제어기(2404)는 사용자 인터페이스(2414) 및 사용자 입력 디바이스(2415)로부터 사용자 입력들 또는 커맨드들을 수신할 수 있다.
유체 제어 시스템(2406)은 유체 네트워크를 포함하며, 유체 네트워크를 통한 하나 이상의 유체들의 유동을 지향시키고 조절하도록 구성된다. 유체 네트워크는 바이오센서(2402) 및 유체 저장 시스템(2408)과 유체 연통할 수 있다. 예를 들어, 선택 유체들이, 제어된 방식으로, 유체 저장 시스템(2408)으로부터 인출되어 바이오센서(2402)로 지향될 수 있거나, 또는 유체들이 바이오센서(2402)로부터 인출되어, 예를 들어, 유체 저장 시스템(2408) 내의 폐기물 저장조를 향해 지향될 수 있다. 도시되어 있지 않지만, 유체 제어 시스템(2406)은 유체 네트워크 내의 유체들의 유량 또는 압력을 검출하는 유동 센서들을 포함할 수 있다. 센서들은 시스템 제어기(2404)와 통신할 수 있다.
온도 제어 시스템(2410)은 유체 네트워크, 유체 저장 시스템(2408), 및/또는 바이오센서(2402)의 상이한 영역들에서의 유체들의 온도를 조절하도록 구성된다. 예를 들어, 온도 제어 시스템(2410)은, 바이오센서(2402)와 인터페이싱하고 바이오센서(2402) 내의 반응 부위들을 따라 유동하는 유체의 온도를 제어하는 서모사이클러(thermocycler)를 포함할 수 있다. 온도 제어 시스템(2410)은, 또한, 염기 호출 시스템(2400) 또는 바이오센서(2402)의 고체 요소들 또는 구성요소들의 온도를 조절할 수 있다. 도시되어 있지 않지만, 온도 제어 시스템(2410)은 유체의 온도를 검출하기 위한 센서 또는 다른 구성요소들을 포함할 수 있다. 센서들은 시스템 제어기(2404)와 통신할 수 있다.
유체 저장 시스템(2408)은 바이오센서(2402)와 유체 연통하고, 내부에서 원하는 반응을 이행하는 데 사용되는 다양한 반응 구성요소들 또는 반응물들을 저장할 수 있다. 유체 저장 시스템(2408)은, 또한, 유체 네트워크 및 바이오센서(2402)를 세척 또는 세정하기 위한 그리고 반응물들을 희석하기 위한 유체들을 저장할 수 있다. 예를 들어, 유체 저장 시스템(2408)은 샘플들, 시약들, 효소들, 다른 생체분자들, 완충 용액들, 수성 및 비극성 용액들 등을 저장하기 위한 다양한 저장조들을 포함할 수 있다. 더욱이, 유체 저장 시스템(2408)은, 또한, 바이오센서(2402)로부터 폐기물들을 수용하기 위한 폐기물 저장조들을 포함할 수 있다. 카트리지를 포함하는 구현예에서, 카트리지는 유체 저장 시스템, 유체 제어 시스템, 또는 온도 제어 시스템 중 하나 이상을 포함할 수 있다. 따라서, 그러한 시스템에 관한 것으로 본원에 기술된 구성요소 중 하나 이상은 카트리지 하우징 내에 포함될 수 있다. 예를 들어, 카트리지는 샘플들, 시약들, 효소들, 다른 생체분자들, 완충 용액들, 수성 및 비극성 용액들, 폐기물 등을 저장하기 위한 다양한 저장소들을 가질 수 있다. 이와 같이, 유체 저장 시스템, 유체 제어 시스템 또는 온도 제어 시스템 중 하나 이상이 카트리지 또는 다른 바이오센서를 통해 생물검정 시스템과 제거가능하게 결합될 수 있다.
조명 시스템(2409)은 바이오센서를 조명하기 위한 광원(예컨대, 하나 이상의 LED들) 및 복수의 광학 구성요소들을 포함할 수 있다. 광원들의 예는 레이저, 아크 램프, LED, 또는 레이저 다이오드를 포함할 수 있다. 광학 구성요소들은, 예를 들어, 반사기, 다이크로익(dichroic), 빔 스플리터, 시준기, 렌즈, 필터, 웨지, 프리즘, 거울, 검출기 등일 수 있다. 조명 시스템을 사용하는 구현예에서, 조명 시스템(2409)은 여기 광을 반응 부위들로 지향시키도록 구성될 수 있다. 하나의 예로서, 형광단들은 광의 녹색 파장들에 의해 여기될 수 있는데, 이는 여기 광의 그러한 파장이 대략 532 nm일 수 있기 때문이다. 일 구현예에서, 조명 시스템(2409)은 바이오센서(2402)의 표면의 표면 법선에 평행한 조명을 생성하도록 구성된다. 다른 구현예에서, 조명 시스템(2409)은 바이오센서(2402)의 표면의 표면 법선에 대해 오프각(off-angle)인 조명을 생성하도록 구성된다. 또 다른 구현예에서, 조명 시스템(2409)은 일부 평행 조명 및 일부 오프각 조명을 포함한 복수의 각도들을 갖는 조명을 생성하도록 구성된다.
시스템 리셉터클 또는 인터페이스(2412)는 기계적 방식, 전기적 방식 및 유체 방식 중 적어도 하나로 바이오센서(2402)와 결합하도록 구성된다. 시스템 리셉터클(2412)은 바이오센서(2402)를 통한 유체의 유동을 용이하게 하기 위해 바이오센서(2402)를 원하는 배향으로 보유할 수 있다. 시스템 리셉터클(2412)은, 또한, 바이오센서(2402)와 결합하도록 구성된 전기 접촉부들을 포함하여, 염기 호출 시스템(2400)이 바이오센서(2402)와 통신하고/하거나 바이오센서(2402)에 전력을 제공할 수 있게 할 수 있다. 또한, 시스템 리셉터클(2412)은 바이오센서(2402)와 결합하도록 구성된 유체 포트들(예컨대, 노즐들)을 포함할 수 있다. 일부 구현예에서, 바이오센서(2402)는 기계적 방식으로, 전기적 방식으로, 그리고 또한 유체 방식으로 시스템 리셉터클(2412)에 제거가능하게 커플링된다.
또한, 염기 호출 시스템(2400)은 다른 시스템 또는 네트워크와 또는 다른 생물검정 시스템(2400)과 원격으로 통신할 수 있다. 생물검정 시스템(들)(2400)에 의해 획득된 검출 데이터는 원격 데이터베이스에 저장될 수 있다.
도 25는 도 24의 시스템에서 사용될 수 있는 시스템 제어기(2404)의 블록도이다. 일 구현예에서, 시스템 제어기(2404)는 서로 통신할 수 있는 하나 이상의 프로세서 또는 모듈을 포함한다. 프로세서 또는 모듈 각각은 특정 프로세스를 수행하기 위한 알고리즘(예컨대, 유형적 그리고/또는 비일시적 컴퓨터 판독가능 저장 매체 상에 저장된 명령어) 또는 서브알고리즘을 포함할 수 있다. 시스템 제어기(2404)는 개념적으로 모듈의 집합체로서 예시되지만, 전용 하드웨어 보드, DSP, 프로세서 등의 임의의 조합을 이용하여 구현될 수 있다. 대안적으로, 시스템 제어기(2404)는 단일 프로세서 또는 다중 프로세서를 갖는 기성품 PC를 이용하여 구현될 수 있으며, 기능적 동작은 프로세서들 사이에 분산된다. 추가 옵션으로서, 후술되는 모듈은 소정의 모듈식 기능이 전용 하드웨어를 활용하여 수행되는 하이브리드 구성을 활용하여 구현될 수 있는 반면, 나머지 모듈식 기능은 기성품 PC 등을 활용하여 수행된다. 모듈은 또한 처리 유닛 내의 소프트웨어 모듈로서 구현될 수 있다.
동작 동안, 통신 포트(2520)는 정보(예컨대, 커맨드)를 바이오센서(2402)(도 24) 및/또는 서브시스템(2406, 2408, 2410)(도 24)로 송신할 수 있거나 정보(예컨대, 데이터)를 그들로부터 수신할 수 있다. 구현예에서, 통신 포트(2520)는 픽셀 신호의 복수의 시퀀스를 출력할 수 있다. 통신 포트(2520)는 사용자 인터페이스(2414)(도 24)로부터 사용자 입력을 수신할 수 있고, 데이터 또는 정보를 사용자 인터페이스(2414)로 송신할 수 있다. 바이오센서(2402) 또는 서브시스템(2406, 2408, 2410)로부터의 데이터는 생물검정 세션 동안 실시간으로 시스템 제어기(2404)에 의해 처리될 수 있다. 추가로 또는 대안으로, 데이터는 생물검정 세션 동안 시스템 메모리에 일시적으로 저장될 수 있고, 실시간 또는 오프라인 동작보다 느리게 처리될 수 있다.
도 25에 도시된 바와 같이, 시스템 제어기(2404)는 주 제어 모듈(2530)과 통신하는 복수의 모듈(2531 내지 2539)을 포함할 수 있다. 주 제어 모듈(2530)은 사용자 인터페이스(2414)(도 24)와 통신할 수 있다. 모듈(2531 내지 2539)이 주 제어 모듈(2530)과 직접 통신하는 것으로 도시되어 있지만, 모듈(2531 내지 2539)은 또한 서로, 사용자 인터페이스(2414), 및 바이오센서(2402)와 직접 통신할 수 있다. 또한, 모듈(2531 내지 2539)은 다른 모듈을 통해 주 제어 모듈(2530)과 통신할 수 있다.
복수의 모듈(2531 내지 2539)은 서브시스템(2406, 2408, 2410, 2409)과 각각 통신하는 시스템 모듈(2531 내지 2533, 2539)을 포함한다. 유체 제어 모듈(2531)은 유체 제어 시스템(2406)과 통신하여, 유체 네트워크를 통한 하나 이상의 유체들의 유동을 제어하기 위해 유체 네트워크의 유동 센서들 및 밸브들을 제어할 수 있다. 유체 저장 모듈(2532)은 유체들이 낮을 때 또는 폐기물 저장소가 최대 용량에 또는 그 근처에 있을 때 사용자에게 통지할 수 있다. 유체 저장 모듈(2532)은, 또한, 온도 제어 모듈(2533)과 통신하여, 유체들이 원하는 온도로 저장될 수 있게 할 수 있다. 조명 모듈(2539)은 조명 시스템(2409)과 통신하여, 프로토콜 동안의 지정된 시간들에, 예컨대 원하는 반응들(예컨대, 결합 이벤트들)이 발생한 후에, 반응 부위들을 조명할 수 있다. 일부 구현예에서, 조명 모듈(2539)은 지정된 각도들로 반응 부위들을 조명하기 위해 조명 시스템(2409)과 통신할 수 있다.
복수의 모듈(2531 내지 2539)은, 또한, 바이오센서(2402)와 통신하는 디바이스 모듈(2534) 및 바이오센서(2402)에 관한 식별 정보를 결정하는 식별 모듈(2535)을 포함할 수 있다. 디바이스 모듈(2534)은, 예를 들어, 시스템 리셉터클(2412)과 통신하여, 바이오센서가 염기 호출 시스템(2400)과 전기적 및 유체 접속을 확립하였음을 확인할 수 있다. 식별 모듈(2535)은 바이오센서(2402)를 식별하는 신호를 수신할 수 있다. 식별 모듈(2535)은 다른 정보를 사용자에게 제공하기 위해 바이오센서(2402)의 아이덴티티를 사용할 수 있다. 예를 들어, 식별 모듈(2535)은 로트 번호, 제조 날짜, 또는 바이오센서(2402)로 실행될 것이 추천되는 프로토콜을 결정할 수 있고, 이어서, 이를 디스플레이할 수 있다.
복수의 모듈(2531 내지 2539)은, 또한, 바이오센서(2402)로부터 신호 데이터(예컨대, 이미지 데이터)를 수신 및 분석하는 분석 모듈(2538)(신호 처리 모듈 또는 신호 프로세서로도 칭해짐)을 포함한다. 분석 모듈(2538)은 검출 데이터를 저장하기 위한 메모리(예컨대, RAM 또는 플래시)를 포함한다. 검출 데이터는 픽셀 신호의 복수의 시퀀스를 포함하여, 수백만 개의 센서(또는 픽셀) 각각으로부터의 픽셀 신호의 시퀀스가 많은 염기 호출 사이클에 걸쳐서 검출될 수 있게 할 수 있다. 신호 데이터는 후속 분석을 위해 저장될 수 있거나, 또는 사용자에게 원하는 정보를 디스플레이하기 위해 사용자 인터페이스(2414)로 송신될 수 있다. 일부 구현예에서, 신호 데이터는 분석 모듈(2538)이 신호 데이터를 수신하기 전에 솔리드 스테이트 이미저(예컨대, CMOS 이미지 센서)에 의해 처리될 수 있다.
분석 모듈(2538)은 복수의 서열분석 사이클 각각에서 광 검출기로부터 이미지 데이터를 획득하도록 구성된다. 이미지 데이터는 광 검출기에 의해 검출된 방출 신호로부터 유도되고, 신경망(예를 들어, 신경망 기반 템플릿 생성기(2548), 신경망 기반 염기 호출자(2558)(예를 들어, 도 7, 9 및 10 참조), 및/또는 신경망 기반 품질 스코러(scorer)(2568))를 통해 복수의 서열분석 사이클 각각에 대한 이미지 데이터를 처리하고, 복수의 서열분석 사이클 각각에서 분석물 중 적어도 일부에 대한 염기 호출을 생성한다.
프로토콜 모듈(2536, 2537)은 미리 결정된 검정 프로토콜을 이행할 때 서브시스템(2406, 2408, 2410)의 동작을 제어하기 위해 주 제어 모듈(2530)과 통신한다. 프로토콜 모듈(2536, 2537)은 미리 결정된 프로토콜에 따라 특정 동작을 수행할 것을 염기 호출 시스템(2400)에 지시하기 위한 명령어들의 세트를 포함할 수 있다. 도시된 바와 같이, 프로토콜 모듈은 합성에 의한 서열분석(SBS: sequencing-by-synthesis) 프로세스를 수행하기 위한 다양한 커맨드들을 발행하도록 구성된 SBS 모듈(2536)일 수 있다. SBS에서, 템플릿 내의 뉴클레오티드의 서열을 결정하기 위해 핵산 템플릿을 따른 핵산 프라이머의 연장이 모니터링된다. 기초 화학적 프로세스는 중합화(예컨대, 폴리머라제 효소에 의해 촉매화되는 바와 같음) 또는 결찰(ligation)(예컨대, 리가아제 효소에 의해 촉매화됨)일 수 있다. 특정 폴리머라제 기반 SBS 구현예에서, 프라이머에 첨가되는 뉴클레오티드의 순서 및 유형의 검출이 템플릿의 서열을 결정하는 데 사용될 수 있도록 하는 템플릿 의존 방식으로, 형광 표지된 뉴클레오티드가 프라이머에 첨가된다(이에 의해, 프라이머를 연장함). 예를 들어, 제1 SBS 사이클을 개시하기 위해, 핵산 템플릿들의 어레이를 수용하는 플로우 셀 내로/플로우 셀을 통해 하나 이상의 표지된 뉴클레오티드, DNA 폴리머라제 등을 전달하기 위한 커맨드들이 제공될 수 있다. 핵산 템플릿들은 대응하는 반응 부위들에 위치될 수 있다. 프라이머 연장이 표지된 뉴클레오티드가 혼입되게 하는 그러한 반응 부위들이 이미지화 이벤트를 통해 검출될 수 있다. 이미지화 이벤트 동안, 조명 시스템(2409)은 반응 부위들에 여기 광을 제공할 수 있다. 선택적으로, 뉴클레오티드는, 일단 뉴클레오티드가 프라이머에 첨가되었다면, 추가 프라이머 연장을 종결시키는 가역적 종결 속성을 추가로 포함할 수 있다. 예를 들어, 가역적 종결자 모이어티를 갖는 뉴클레오티드 유사체가 프라이머에 첨가되어, 모이어티를 제거하기 위해 탈블록킹제(deblocking agent)가 전달될 때까지 후속 연장이 발생할 수 없게 할 수 있다. 따라서, 가역적 종결을 사용하는 구현예에 대해, (검출이 발생하기 전 또는 발생한 후) 탈블록킹 시약을 플로우 셀에 전달하기 위한 커맨드가 제공될 수 있다. 다양한 전달 단계들 사이의 세척(들)을 달성하기 위해 하나 이상의 커맨드들이 제공될 수 있다. 그 다음, 사이클을 n번 반복하여 프라이머를 n개의 뉴클레오티드만큼 확장하여 길이 n의 서열을 검출할 수 있다. 예시적인 서열분석 기술은 예를 들어 문헌[Bentley et al., Nature 456:53-59 (2008)]; 국제공개 WO 04/018497호; 미국 특허 제7,057,026호; 국제공개 WO 91/06678호; 국제공개 WO 07/123744호; 미국 특허 제7,329,492호; 미국 특허 제7,211,414호; 미국 특허 제7,315,019호; 및 미국 특허 제7,405,281호에 기재되어 있으며, 이들의 각각은 본원에 참고로 포함된다.
SBS 사이클의 뉴클레오티드 전달 단계의 경우, 단일 유형의 뉴클레오티드가 한 번에 전달될 수 있거나, 또는 다수의 상이한 뉴클레오티드 유형들이(예컨대, A, C, T, 및 G가 함께) 전달될 수 있다. 단일 유형의 뉴클레오티드만이 한 번에 존재하는 뉴클레오티드 전달 구성의 경우, 상이한 뉴클레오티드는 별개의 표지들을 가질 필요가 없는데, 이는 그들이 개별화된 전달 시에 고유한 시간적 분리에 기초하여 구별될 수 있기 때문이다. 따라서, 서열분석 방법 또는 장치는 단일 컬러 검출을 사용할 수 있다. 예를 들어, 여기 소스는 단일 파장의 또는 단일 파장 범위 내의 여기만을 제공할 필요가 있다. 전달이 플로우 셀 내에 한 번에 존재하는 다수의 상이한 뉴클레오티드를 생성하는 뉴클레오티드 전달 구성의 경우, 상이한 뉴클레오티드 유형들을 혼입하는 부위들은 혼합물 내의 각자의 뉴클레오티드 유형들에 부착되는 상이한 형광 표지들에 기초하여 구별될 수 있다. 예를 들어, 4개의 상이한 뉴클레오티드가 사용될 수 있으며, 각각은 4개의 상이한 형광단들 중 하나를 갖는다. 일 구현예에서, 4개의 상이한 형광단들은 스펙트럼의 4개의 상이한 영역들에서의 여기를 사용하여 구별될 수 있다. 예를 들어, 4개의 상이한 여기 방사선 소스들이 사용될 수 있다. 대안적으로, 4개 미만의 상이한 여기 소스들이 사용될 수 있지만, 단일 소스로부터의 여기 방사선의 광학적 여과가 플로우 셀에서 상이한 범위들의 여기 방사선을 생성하는 데 사용될 수 있다.
일부 구현예에서, 4개 미만의 상이한 컬러들이 4개의 상이한 뉴클레오티드를 갖는 혼합물에서 검출될 수 있다. 예를 들어, 뉴클레오티드의 쌍들은 동일한 파장에서 검출될 수 있지만, 그 쌍의 하나의 구성원에 대해 다른 구성원과 비교한 강도의 차이에 기초하여, 또는 그 쌍의 다른 구성원에 대해 검출된 신호와 비교한, 명백한 신호가 나타나거나 사라지게 하는 (예컨대, 화학적 변형, 광화학적 변형, 또는 물리적 변형을 통한) 그 쌍의 하나의 구성원에 대한 변화에 기초하여 구별될 수 있다. 4개 미만의 색상 검출을 사용하여 4개의 상이한 뉴클레오티드를 구별하기 위한 예시적인 장치 및 방법은 예를 들어 미국 특허출원 제61/538,294호 및 제61/619,878호에 기재되어 있는데, 이들은 전체 내용이 참조로 본원에 포함된다. 2012년 9월 21일자로 출원된 미국 출원 제13/624,200호가 또한 전체가 본원에 참고로 포함된다.
복수의 프로토콜 모듈은, 또한, 바이오센서(2402) 내의 제품을 증폭시키기 위한 커맨드를 유체 제어 시스템(2406) 및 온도 제어 시스템(2410)에 발행하도록 구성된 샘플 준비(또는 생성) 모듈(2537)을 포함할 수 있다. 예를 들어, 바이오센서(2402)는 염기 호출 시스템(2400)에 결합될 수 있다. 증폭 모듈(2537)은 필요한 증폭 성분을 바이오센서(2402) 내의 반응 챔버로 전달하라는 명령어를 유체 제어 시스템(2406)에 발행할 수 있다. 다른 구현예에서, 반응 부위들은 증폭을 위한 일부 구성요소들, 예컨대 템플릿 DNA 및/또는 프라이머들을 이미 함유할 수 있다. 증폭 성분들을 반응 챔버들로 전달한 후에, 증폭 모듈(2537)은 알려진 증폭 프로토콜들에 따라 상이한 온도 단계들을 통해 순환할 것을 온도 제어 시스템(2410)에 지시할 수 있다. 일부 구현예에서, 증폭 및/또는 뉴클레오티드 혼입은 등온적으로 수행된다.
SBS 모듈(2536)은 클론 앰플리콘(clonal amplicon)들의 클러스터들이 플로우 셀의 채널 내의 국소화된 영역들 상에 형성되는 브리지 PCR을 수행하라는 커맨드들을 발행할 수 있다. 브리지 PCR을 통해 앰플리콘들을 생성한 후, 앰플리콘들은 단일 가닥 템플릿 DNA 또는 sstDNA를 만들기 위해 "선형화"될 수 있고, 서열분석 프라이머는 관심 영역을 플랭킹하는 유니버셜 서열에 혼성화될 수 있다. 예를 들어, 합성 방법에 의한 가역적 종결자 기반 서열분석은 상기에 기재된 바와 같이 또는 하기와 같이 사용될 수 있다.
각각의 염기 호출 또는 서열분석 사이클은, 예를 들어 변형된 DNA 폴리머라제 및 4개의 유형들의 뉴클레오티드의 혼합물을 사용함으로써 달성될 수 있는 단일 염기에 의해 sstDNA를 연장할 수 있다. 상이한 유형들의 뉴클레오티드는 고유 형광 표지들을 가질 수 있고, 각각의 뉴클레오티드는 각각의 사이클에서 단일 염기 혼입만이 발생하는 것을 허용하는 가역적 종결자를 추가로 가질 수 있다. 단일 염기가 sstDNA에 첨가된 후, 여기 광은 반응 부위들 위로 입사할 수 있고, 형광 방출물들이 검출될 수 있다. 검출 후에, 형광 표지 및 종결자는 sstDNA로부터 화학적으로 절단될 수 있다. 다른 유사한 염기 호출 또는 서열분석 사이클이 이어질 수 있다. 그러한 서열분석 프로토콜에서, SBS 모듈(2536)은 바이오센서(2402)를 통해 시약 및 효소 용액들의 유동을 지향시킬 것을 유체 제어 시스템(2406)에 지시할 수 있다. 본원에 기술된 장치 및 방법으로 활용될 수 있는 예시적인 가역적 종결자 기반 SBS 방법은, 미국 특허출원공개 2007/0166705 A1호, 미국 특허출원공개 2006/0188901 A1호, 미국 특허 제7,057,026호, 미국 특허출원공개 2006/0240439 A1호, 미국 특허출원공개 2006/02814714709 A1호, PCT 공개 공보 WO 05/065814호, PCT 공개 공보 WO 06/064199호에 기재되어 있으며, 이들 각각은 그 전체가 본원에 참고로 포함된다. 가역적 종결자 기반 SBS를 위한 예시적인 시약들은 미국 특허 제7,541,444호; 미국 특허 제7,057,026호; 미국 특허 제7,427,673호; 미국 특허 제7,566,537호, 및 미국 특허 제7,592,435호에 기재되어 있으며, 이들 각각은 그 전체가 본원에 참고로 포함된다.
일부 구현예에서, 증폭 및 SBS 모듈은 단일 검정 프로토콜로 동작할 수 있는데, 여기서 예를 들어, 템플릿 핵산은 증폭되고, 후속하여, 동일한 카트리지 내에서 서열분석된다.
염기 호출 시스템(2400)은 또한 사용자가 검정 프로토콜을 재구성하는 것을 허용할 수 있다. 예를 들어, 염기 호출 시스템(2400)은 결정된 프로토콜을 수정하기 위한 옵션들을 사용자 인터페이스(2414)를 통해 사용자에게 제공할 수 있다. 예를 들어, 바이오센서(2402)가 증폭을 위해 사용될 것으로 결정되는 경우, 염기 호출 시스템(2400)은 어닐링 사이클을 위한 온도를 요청할 수 있다. 더욱이, 염기 호출 시스템(2400)은 사용자가 선택된 검정 프로토콜에 대해 대체적으로 수용가능하지 않은 사용자 입력들을 제공한 경우에 사용자에게 경고들을 발행할 수 있다.
구현예에서, 바이오센서(2402)는 수백만 개의 센서(또는 픽셀)을 포함하고, 이들 각각은 연속적 염기 호출 사이클에 걸쳐서 픽셀 신호의 복수의 시퀀스를 생성한다. 분석 모듈(2538)은 픽셀 신호의 복수의 시퀀스를 검출하고, 이들을 센서의 어레이 상의 센서의 행방향 및/또는 열방향 위치에 따라, 그것들을 대응하는 센서(또는 픽셀)에 귀속시킨다.
센서 어레이에서의 각 센서는 플로우 셀의 타일에 대한 센서 데이터를 생성할 수 있으며, 여기서 유전 물질의 클러스터가 염기 호출 동작 동안에 배치되는 플로우 셀 상의 영역에 있는 타일이다. 센서 데이터는 픽셀 어레이에서의 이미지 데이터를 포함할 수 있다. 소정의 사이클에 대해, 센서 데이터는 하나 초과의 이미지를 포함하여, 타일 데이터로서 픽셀당 다수의 특징들을 생성할 수 있다.
도 26은 개시된 기술을 구현하는 데 사용될 수 있는 컴퓨터 시스템(2600)의 단순화된 블록도이다. 컴퓨터 시스템(2600)은 버스 서브시스템(2655)을 통해 다수의 주변 디바이스와 통신하는 적어도 하나의 중앙 처리 유닛(CPU)(2672)을 포함한다. 이러한 주변 디바이스는, 예를 들어 메모리 디바이스 및 파일 저장 서브시스템(2636)을 포함하는 저장 서브시스템(2610), 사용자 인터페이스 입력 디바이스(2638), 사용자 인터페이스 출력 디바이스(2676), 및 네트워크 인터페이스 서브시스템(2674)을 포함할 수 있다. 입력 및 출력 디바이스는 컴퓨터 시스템(2600)과의 사용자 상호작용을 허용한다. 네트워크 인터페이스 서브시스템(2674)은 다른 컴퓨터 시스템에서의 대응하는 인터페이스 디바이스에 대한 인터페이스를 포함하는 인터페이스를 외부 네트워크에 제공한다.
사용자 인터페이스 입력 디바이스(2638)는 키보드; 마우스, 트랙볼, 터치패드, 또는 그래픽 태블릿과 같은 포인팅 디바이스; 스캐너; 디스플레이 내에 통합된 터치 스크린; 음성 인식 시스템 및 마이크로폰과 같은 오디오 입력 디바이스; 및 다른 유형의 입력 디바이스을 포함할 수 있다. 일반적으로, 용어 "입력 디바이스"의 사용은 정보를 컴퓨터 시스템(2600)에 입력하기 위한 모든 가능한 유형의 디바이스 및 방식을 포함하도록 의도된다.
사용자 인터페이스 출력 디바이스(2676)는 디스플레이 서브시스템, 프린터, 팩스 기계, 또는 오디오 출력 디바이스와 같은 비시각적 디스플레이를 포함할 수 있다. 디스플레이 서브시스템은 LED 디스플레이, 음극선관(CRT), 액정 디스플레이(LCD)와 같은 평면 디바이스, 프로젝션 장치, 또는 가시적인 이미지를 생성하기 위한 일부 다른 메커니즘을 포함할 수 있다. 디스플레이 서브시스템은 또한, 오디오 출력 디바이스와 같은 비시각적 디스플레이를 제공할 수 있다. 대체적으로, "출력 디바이스"라는 용어의 사용은 정보를 컴퓨터 시스템(2600)으로부터 사용자에게 또는 다른 기계 또는 컴퓨터 시스템에 출력하기 위한 모든 가능한 유형의 디바이스 및 방식을 포함하도록 의도된다.
저장 서브시스템(2610)은 본원에 기술된 모듈 및 방법 중 일부 또는 전부의 기능을 제공하는 프로그래밍 및 데이터 구성을 저장한다. 이들 소프트웨어 모듈은, 대체적으로, 심층 학습 프로세서(2678)에 의해 실행된다.
일 구현예에서, 신경망은 구성 가능한 그리고 재구성 가능한 프로세서, 필드-프로그래밍 가능한 게이트 어레이(FPGA), 주문형 집적 회로(ASIC) 및/또는 코어스-그레인드 재구성가능한 아키텍처(CGRA) 및 그래픽 처리 유닛(GPU) 기타 구성된 디바이스일 수 있는 심층 학습 프로세서(2678)를 사용하여 구현된다. 심층 학습 프로세서(2678)는 Google Cloud Platform™, Xilinx™, 및 Cirrascale™과 같은 심층 학습 클라우드 플랫폼에 의해 호스팅될 수 있다. 심층 학습 프로세서(14978)의 예는 Google의 Tensor Processing Unit(TPU)™, 랙마운트 솔루션, 예컨대 GX4 Rackmount Series™, GX149 Rackmount Series™, NVIDIA DGX-1™, Microsoft의 Stratix V FPGA™, Graphcore의 Intelligent Processor Unit (IPU)™, Snapdragon processors™을 갖는 Qualcomm의 Zeroth Platform™, NVIDIA의 Volta™, NVIDIA의 DRIVE PX™, NVIDIA의 JETSON TX1/TX2 MODULE™, Intel의 Nirvana™, Movidius VPU™, Fujitsu DPI™, ARM의 DynamicIQ™, IBM TrueNorth™ 등을 포함한다.
저장 서브시스템(2610)에 사용되는 메모리 서브시스템(2622)은 프로그램 실행 동안 명령어 및 데이터의 저장을 위한 메인 랜덤 액세스 메모리(RAM)(2634) 및 고정된 명령어가 저장되는 판독 전용 메모리(ROM)(2632)를 포함하는 다수의 메모리를 포함할 수 있다. 파일 저장 서브시스템(2636)은 프로그램 및 데이터 파일을 위한 영구 저장소를 제공할 수 있고, 하드 디스크 드라이브, 연관된 착탈식 매체와 함께 플로피 디스크 드라이브, CD-ROM 드라이브, 광학 드라이브, 또는 착탈식 매체 카트리지를 포함할 수 있다. 소정 구현예의 기능을 구현하는 모듈은 저장 서브시스템(2610) 내의 파일 저장 서브시스템(2636)에 의해, 또는 프로세서에 의해 액세스가능한 다른 기계에 저장될 수 있다.
버스 서브시스템(2655)은 컴퓨터 시스템(2600)의 다양한 구성요소 및 서브시스템이 의도된 대로 서로 통신하게 하기 위한 메커니즘을 제공한다. 버스 서브시스템(2655)이 개략적으로 단일 버스로서 도시되어 있지만, 버스 서브시스템의 대안적인 구현예는 다수의 버스를 사용할 수 있다.
컴퓨터 시스템(2600) 자체는 개인용 컴퓨터, 휴대용 컴퓨터, 워크스테이션, 컴퓨터 단말기, 네트워크 컴퓨터, 텔레비전, 메인프레임, 서버 팜, 느슨하게 네트워킹된 컴퓨터들의 광범위하게 분포된 세트, 또는 임의의 다른 데이터 처리 시스템 또는 사용자 디바이스를 포함한 다양한 유형의 것일 수 있다. 컴퓨터들 및 네트워크들의 끊임없이 변화하는 특성으로 인해, 도 26에 묘사된 컴퓨터 시스템(2600)의 설명은 본 발명의 바람직한 구현예를 예시하기 위한 특정 예로서만 의도된다. 도 26에 묘사된 컴퓨터 시스템보다 더 많은 또는 더 적은 구성요소를 갖는 컴퓨터 시스템(2600)의 많은 다른 구성이 가능하다.
Claims (29)
- 시스템으로서,
호스트 프로세서;
상기 호스트 프로세서에 의해 액세스 가능한 메모리로서,
신경망의 토폴로지,
상기 토폴로지를 구성하여 염기 호출 동작을 실행하기 위한 복수의 가중치 세트 - 상기 복수의 가중치 세트 내의 가중치 세트는 복수의 훈련 데이터 세트에서의 각각의 훈련 데이터 세트에 대해 훈련되고, 상기 훈련 데이터 세트는 염기 호출 동작의 복수의 서열분석 이벤트에서 각각의 서열분석 이벤트에 대응하고, 상기 서열분석 이벤트는 감지 사이클의 시리즈에서 감지 사이클의 서브시리즈를 통해 상기 염기 호출 동작의 시간적 진행, 및 바이오센서 상의 위치를 통한 상기 염기 호출 동작의 공간적 진행에 걸쳐 있음 -, 및
상기 감지 사이클의 시리즈에서 감지 사이클에 대한 센서 데이터를 저장하는, 상기 메모리; 및
상기 메모리에 액세스할 수 있고 데이터 흐름 로직으로 구성되어
구성 가능한 프로세서의 처리 요소에 상기 토폴로지를 로딩하고,
감지 사이클의 대상 서브시리즈 및/또는 상기 바이오센서 상의 대상 위치에 적어도 부분적으로 기초하여 상기 복수의 가중치 세트로부터 가중치 세트를 선택하고,
상기 감지 사이클의 대상 서브시리즈 및 상기 바이오센서 상의 대상 위치에 대한 대상 센서 데이터를 상기 처리 요소에 로딩하고,
상기 선택된 가중치 세트에서의 가중치를 상기 처리 요소에 로딩하여 상기 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 선택된 가중치 세트에서의 가중치를 상기 대상 센서 데이터에 적용하여 염기 호출 분류 데이터를 생성하도록 하는, 상기 구성 가능한 프로세서를 포함하는, 시스템. - 제1항에 있어서, 상기 감지 사이클의 서브시리즈는 초기 감지 사이클의 서브시리즈, 중간 감지 사이클의 서브시리즈, 및 최종 감지 사이클의 서브시리즈를 포함하고, 상기 훈련 데이터 세트 및 상기 가중치 세트는 각각 상기 초기 감지 사이클의 서브시리즈, 상기 중간 감지 사이클의 서브시리즈, 및 상기 최종 감지 사이클의 서브시리즈에 대응하는, 시스템.
- 제1항 또는 제2항에 있어서, 상기 바이오센서 상의 위치는 에지(edge) 위치 및 비-에지(non-edge) 위치를 포함하고, 상기 훈련 데이터 세트 및 상기 가중치 세트는 각각 상기 에지 위치 및 상기 비-에지 위치에 대응하는, 시스템.
- 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 바이오센서 상의 위치는 제1 사분면 위치, 제2 사분면 위치, 제3 사분면 위치, 및 제4 사분면 위치를 포함하고, 상기 훈련 데이터 세트 및 상기 가중치 세트는 각각 상기 제1 사분면 위치, 상기 제2 사분면 위치, 상기 제3 사분면 위치, 및 상기 제4 사분면 위치에 대응하는, 시스템.
- 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 바이오센서는 복수의 타일로 분할되고, 상기 에지 위치, 상기 비-에지 위치, 상기 제1 사분면 위치, 상기 제2 사분면 위치, 상기 제3 사분면 위치, 및 상기 제4 사분면 위치 중 개별 위치는 상기 복수의 타일 중 대응하는 하나 이상의 타일을 포함하는, 시스템.
- 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 서열분석 이벤트는 염기 호출 페어드-엔드 리드(paired-end read)를 통한 상기 염기 호출 동작의 시간적 진행에 걸쳐 있고, 상기 훈련 데이터 세트 및 상기 가중치 세트는 각각 상기 페어드-엔드 리드에서의 리드에 대응하는, 시스템.
- 제1항 내지 제6항 중 어느 한 항에 있어서,
상기 감지 사이클의 서브시리즈는 초기 감지 사이클의 서브시리즈, 중간 감지 사이클의 서브시리즈 및 최종 감지 사이클 서브시리즈를 포함하고;
상기 바이오센서 상의 위치는 에지 위치 및 비-에지 위치를 포함하고;
상기 훈련 데이터 세트 및 이에 따라 상기 가중치 세트는 각각 (i) 상기 초기 감지 사이클의 서브시리즈 및 상기 에지 위치, (ii) 상기 중간 감지 사이클의 서브시리즈 및 상기 에지 위치, (iii) 상기 최종 감지 사이클의 서브시리즈 및 상기 에지 위치, (iv) 상기 초기 감지 사이클의 서브시리즈 및 상기 비-에지 위치, (v) 상기 중간 감지 사이클의 서브시리즈 및 상기 비-에지 위치, 및 (vi) 상기 최종 감지 사이클의 서브시리즈 및 상기 비-에지 위치에 대응하는, 시스템. - 제1항 내지 제7항 중 어느 한 항에 있어서,
상기 감지 사이클의 서브시리즈는 초기 감지 사이클의 서브시리즈, 중간 감지 사이클의 서브시리즈 및 최종 감지 사이클의 서브시리즈를 포함하고;
상기 바이오센서 상의 위치는 위치의 제1 범주 및 위치의 제2 범주를 포함하고;
상기 훈련 데이터 세트 및 이에 따라 상기 가중치 세트는 각각 (i) 상기 초기 감지 사이클의 서브시리즈 및 상기 위치의 제1 범주, (ii) 상기 중간 감지 사이클의 서브시리즈 및 상기 위치의 제1 범주, (iii) 상기 최종 감지 사이클의 서브시리즈 및 상기 위치의 제1 범주, (iv) 상기 초기 감지 사이클의 서브시리즈 및 상기 비-에지 위치의 제2 범주, (v) 상기 중간 감지 사이클의 서브시리즈 및 상기 위치의 제2 범주, 및 (vi) 상기 최종 감지 사이클의 서브시리즈 및 상기 위치의 제2 범주에 대응하는, 시스템. - 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 구성 가능한 프로세서는 추가로
현재 서열분석 런(run)의 하나 이상의 파라미터를 결정하고;
상기 현재 서열분석 런의 하나 이상의 결정된 파라미터에 추가로 기초하여 상기 복수의 가중치 세트로부터 상기 가중치 세트를 선택하는, 시스템. - 제9항에 있어서, 상기 현재 서열분석 런의 하나 이상의 결정된 파라미터는 상기 바이오센서에 사용된 반응 구성요소의 특성, 또는 상기 센서 데이터와 연관된 페이징 특성 중 하나 이상을 포함하는, 시스템.
- 시스템으로서,
호스트 프로세서;
상기 호스트 프로세서에 의해 액세스 가능한 메모리로서,
신경망의 토폴로지,
염기 호출 동작을 실행하도록 상기 토폴로지를 구성하기 위한 제1, 제2, 및 제3 가중치 세트 - 상기 제1, 제2, 및 제3 가중치 세트는 감지 사이클의 시리즈에서 감지 사이클의 제1, 제2, 및 제3 서브시리즈에 각각 대응함 -, 및
상기 감지 사이클의 제1, 제2, 및 제3 서브시리즈에 각각 대응하는 제1, 제2, 및 제3 센서 데이터를 저장하는, 상기 메모리; 및
상기 메모리에 액세스할 수 있고 데이터 흐름 로직으로 구성되어
구성 가능한 프로세서의 처리 요소에 상기 토폴로지를 로딩하고,
상기 처리 요소에 상기 제1 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제1 가중치 세트를 로딩하여 상기 제1 가중치 세트에서의 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 제1 센서 데이터 상의 제1 가중치 세트에서의 가중치를 적용하여 상기 감지 사이클의 제1 서브시리즈에서 감지 사이클에 대한 제1 염기 호출 분류 데이터를 생성하게 하고,
상기 처리 요소에 상기 제2 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제2 가중치 세트를 로딩하여 상기 제2 가중치 세트에서의 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 제2 센서 데이터 상의 제2 가중치 세트에서의 가중치를 적용하여 상기 감지 사이클의 제2 서브시리즈에서 감지 사이클에 대한 제2 염기 호출 분류 데이터를 생성하게 하고,
상기 처리 요소에 상기 제3 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제3 가중치 세트를 로딩하여 상기 제3 가중치 세트에서의 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 제3 센서 데이터 상의 제3 가중치 세트에서의 가중치를 적용하여 상기 감지 사이클의 제3 서브시리즈에서 감지 사이클에 대한 제3 염기 호출 분류 데이터를 생성하게 하는, 상기 구성 가능한 프로세서를 포함하는, 시스템. - 제11항에 있어서, 상기 메모리는
염기 호출 동작을 실행하도록 상기 토폴로지를 구성하기 위한 제4, 제5, 및 후속 가중치 세트 - 상기 제4, 제5, 및 후속 가중치 세트는 상기 감지 사이클의 시리즈에서 감지 사이클의 제4, 제5, 및 후속 서브시리즈에 각각 대응함 -; 및
상기 감지 사이클의 제4, 제5, 및 후속 서브시리즈에 대한 제4, 제5, 및 후속 센서 데이터를 추가로 저장하는, 시스템. - 제11항 또는 제12항에 있어서, 상기 구성 가능한 프로세서는 데이터 흐름 로직으로 구성되어,
상기 처리 요소에 상기 제4 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제4 가중치 세트를 로딩하여 상기 제4 가중치 세트에서의 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 제4 센서 데이터 상의 제4 가중치 세트에서의 가중치를 적용하여 상기 감지 사이클의 제4 서브시리즈에서 감지 사이클에 대한 제4 염기 호출 분류 데이터를 생성하게 하고;
상기 처리 요소에 상기 제5 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제5 가중치 세트를 로딩하여 상기 제5 가중치 세트에서의 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 제5 센서 데이터 상의 제5 가중치 세트에서의 가중치를 적용하여 상기 감지 사이클의 제5 서브시리즈에서 감지 사이클에 대한 제5 염기 호출 분류 데이터를 생성하게 하고;
상기 처리 요소에 상기 후속 센서 데이터, 및 상기 후속 가중치 세트를 로딩하여 상기 후속 가중치 세트에서의 가중치를 갖는 상기 토폴로지를 구성하고, 상기 신경망으로 하여금 상기 후속 센서 데이터 상의 후속 가중치 세트에서의 가중치를 적용하여 상기 감지 사이클의 후속 서브시리즈에서 감지 사이클에 대한 후속 염기 호출 분류 데이터를 생성하게 하는, 시스템. - 제11항 내지 제13항 중 어느 한 항에 있어서, 상기 토폴로지는, 입력으로서, 연속적 감지 사이클로부터 센서 데이터를 취하고, 상기 토폴로지는 상기 연속적 감지 사이클들 사이에 상기 센서 데이터와 결과적인 특징 맵을 조합하지 않는 공간 층, 및 상기 연속적 감지 사이클들 사이에서 결과적인 특징 맵을 조합하는 시간 층을 포함하는, 시스템.
- 제11항 내지 제14항 중 어느 한 항에 있어서, 상기 제1 가중치 세트는 상기 공간 층에 대한 제1 공간 가중치 및 상기 시간 층에 대한 제1 시간 가중치를 포함하고, 상기 제2 가중치 세트는 상기 공간 층에 대한 제2 공간 가중치 및 상기 시간 층에 대한 제2 시간 가중치를 포함하며, 상기 제3 가중치 세트는 상기 공간 층에 대한 제3 공간 가중치 및 상기 시간 층에 대한 제3 시간 가중치를 포함하는, 시스템.
- 제11항 내지 제15항 중 어느 한 항에 있어서, 상기 제1 가중치 세트는 상기 공간 층에 대한 공간 가중치 및 상기 시간 층에 대한 제1 시간 가중치를 포함하고, 상기 제2 가중치 세트는 상기 시간 층에 대한 제2 시간 가중치를 포함하며, 상기 제3 가중치 세트는 상기 시간 층에 대한 제3 시간 가중치를 포함하며, 상기 구성 가능한 프로세서는 데이터 흐름 로직으로 구성되어,
상기 처리 요소에 상기 제1 센서 데이터를 로딩하고, 상기 처리 요소에 상기 공간 가중치 및 상기 제1 시간 가중치를 로딩하여 상기 공간 가중치를 갖는 공간 층 및 상기 제1 시간 가중치를 갖는 시간 층을 구성하고, 상기 신경망으로 하여금 상기 제1 센서 데이터 상의 구성된 공간 및 시간 층을 적용하여 상기 감지 사이클의 제1 서브시리즈에서 감지 사이클에 대한 제1 염기 호출 분류 데이터를 생성하게 하고;
상기 처리 요소에 상기 제2 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제2 시간 가중치를 로딩하여 상기 공간 층을 재구성하지 않고 상기 제2 시간 가중치에서의 가중치를 갖는 시간 층을 재구성하고, 상기 신경망으로 하여금 상기 재구성된 시간 층 및 상기 이전에 구성된 공간 층을 상기 제2 센서 데이터에 적용하여 상기 감지 사이클의 제2 서브시리즈에서 감지 사이클에 대한 제2 염기 호출 분류 데이터를 생성하게 하고;
상기 처리 요소에 상기 제3 센서 데이터를 로딩하고, 상기 처리 요소에 상기 제3 시간 가중치를 로딩하여 상기 공간 층을 재구성하지 않고 상기 제3 시간 가중치에서의 가중치를 갖는 시간 층을 재구성하고, 상기 신경망으로 하여금 상기 재구성된 시간 층 및 상기 이전에 구성된 공간 층을 상기 제3 센서 데이터에 적용하여 상기 감지 사이클의 제3 서브시리즈에서 감지 사이클에 대한 제3 염기 호출 분류 데이터를 생성하게 하는, 시스템. - 제11항 내지 제16항 중 어느 한 항에 있어서, 상기 제1, 제2, 및 제3 가중치 세트에서의 가중치는 상이한 스케일링 계수를 사용하여 양자화되는, 시스템.
- 제11항 내지 제17항 중 어느 한 항에 있어서, 상기 제1, 제2, 및 제3 가중치 세트에서의 가중치는 각각 제1, 제2, 및 제3 서열분석 화학에 대응하는, 시스템.
- 제11항 내지 제18항 중 어느 한 항에 있어서, 상기 제1, 제2, 및 제3 가중치 세트에서의 가중치는 각각 제1, 제2, 및 제3 서열분석 분석에 대응하는, 시스템.
- 제11항 내지 제19항 중 어느 한 항에 있어서, 상기 제1, 제2, 및 제3 가중치 세트에서의 가중치는 각각 제1, 제2, 및 제3 서열분석 구성에 대응하는, 시스템.
- 염기 호출 분류 데이터를 생성하기 위한 컴퓨터-구현 방법으로서,
염기 호출 동작을 실행하기 위한 프로세서의 처리 요소에 신경망의 토폴로지를 로딩하는 단계;
(i) 플로우 셀의 제1 하나 이상의 타일 내의 클러스터로부터의 제1 센서 데이터, (ii) 플로우 셀의 제2 하나 이상의 타일 내의 클러스터로부터의 제2 센서 데이터, (iii) 제1 하나 이상의 가중치를 포함하는 제1 가중치 세트, 및 (iv) 제2 하나 이상의 가중치를 포함하는 제2 가중치 세트 - 상기 제1 센서 데이터 및 상기 제2 센서 데이터는 감지 사이클의 시리즈에서 감지 사이클의 서브세트 동안 생성됨 - 를 저장하는 단계;
상기 제1 가중치 세트로 신경망의 토폴로지를 구성하고, 상기 제1 가중치 세트로 구성된 신경망으로 하여금 상기 제1 센서 데이터를 처리하고 상기 제1 하나 이상의 타일 및 상기 감지 사이클의 서브세트에 대한 제1 염기 호출 분류 데이터를 생성하도록 하는 단계; 및
상기 제2 가중치 세트로 신경망의 토폴로지를 구성하고, 상기 제2 가중치 세트로 구성된 신경망으로 하여금 상기 제2 센서 데이터를 처리하고 상기 제2 하나 이상의 타일 및 상기 감지 사이클의 서브세트에 대한 제2 염기 호출 분류 데이터를 생성하도록 하는 단계를 포함하는, 컴퓨터-구현 방법. - 제21항에 있어서, 상기 감지 사이클의 서브세트는 감지 사이클의 제1 서브세트이고, 상기 방법은 추가로
(i) 상기 제1 하나 이상의 타일 내의 클러스터로부터의 제3 센서 데이터, (ii) 상기 제2 하나 이상의 타일 내의 클러스터로부터의 제4 센서 데이터, (iii) 제3 가중치 세트, 및 (iv) 제4 가중치 세트 - 상기 제3 센서 데이터 및 상기 제4 센서 데이터는 상기 감지 사이클의 시리즈에서 감지 사이클의 제2 서브세트 동안 생성되고, 상기 감지 사이클의 제2 서브세트는 상기 감지 사이클의 시리즈에서 상기 감지 사이클의 제1 서브세트에 후속함 - 를 저장하는 단계;
상기 제3 가중치 세트로 신경망의 토폴로지를 구성하고, 상기 제3 가중치 세트로 구성된 신경망으로 하여금 상기 제3 센서 데이터를 처리하고 상기 제1 하나 이상의 타일 및 상기 감지 사이클의 제2 서브세트에 대한 제3 염기 호출 분류 데이터를 생성하도록 하는 단계; 및
상기 제4 가중치 세트로 신경망의 토폴로지를 구성하고, 상기 제4 가중치 세트로 구성된 신경망으로 하여금 상기 제4 센서 데이터를 처리하고 상기 제2 하나 이상의 타일 및 상기 감지 사이클의 제2 서브세트에 대한 제4 염기 호출 분류 데이터를 생성하도록 하는 단계를 포함하는, 컴퓨터-구현 방법. - 제21항 또는 제22항에 있어서,
상기 제1 하나 이상의 타일은 상기 플로우 셀의 제1 영역 내에 있고;
상기 제2 하나 이상의 타일은 상기 플로우 셀의 제2 영역 내에 있는, 컴퓨터-구현 방법. - 제21항 내지 제23항 중 어느 한 항에 있어서,
상기 제1 하나 이상의 타일은 상기 플로우 셀의 에지 타일이고;
상기 제2 하나 이상의 타일은 상기 플로우 셀의 비-에지 타일인, 컴퓨터-구현 방법. - 제21항 내지 제24항 중 어느 한 항에 있어서,
에지 타일만으로부터 생성된 센서 데이터에 대해 상기 신경망을 훈련함으로써 상기 제1 가중치 세트를 생성하는 단계; 및
비-에지 타일만으로부터 생성된 센서 데이터에 대해 상기 신경망을 훈련함으로써 상기 제2 가중치 세트를 생성하는 단계를 추가로 포함하는, 컴퓨터-구현 방법. - 시스템으로서,
호스트 프로세서;
상기 호스트 프로세서에 의해 액세스 가능하고 (i) 신경망의 토폴로지, 및 (ii) 염기 호출 동작을 실행하도록 상기 토폴로지를 구성하기 위한 복수의 가중치 - 상기 복수의 가중치는 타일 위치, 감지 사이클의 시리즈 및/또는 센서 데이터에 기초함 - 를 저장하는 메모리; 및
상기 메모리에 액세스할 수 있고 데이터 흐름 로직으로 구성되어
구성 가능한 프로세서의 처리 요소에 상기 토폴로지를 로딩하고,
상기 복수의 가중치를 상기 처리 요소에 로딩하여 상기 토폴로지를 상기 복수의 가중치로 구성하고, 상기 신경망으로 하여금 염기 호출 분류 데이터를 생성하게 하는, 상기 구성 가능한 프로세서를 포함하는, 시스템. - 제26항에 있어서, 상기 복수의 가중치는 제1 복수의 가중치이고, 상기 타일 위치는 제1 타일 위치이고, 상기 감지 사이클의 시리즈는 감지 사이클의 제1 시리즈이고, 상기 센서 데이터는 제1 센서 데이터이고,
상기 메모리는 염기 호출 동작을 실행하도록 제2 복수의 가중치를 추가로 저장하여 상기 토폴로지를 구성하고, 여기서 상기 제2 복수의 가중치는 제2 타일 위치, 감지 사이클의 제2 시리즈 및/또는 제2 센서 데이터에 기초하고;
상기 구성 가능한 프로세서는 데이터 흐름 로직으로 구성되어
상기 제2 복수의 가중치를 상기 처리 요소에 로딩하여 상기 토폴로지를 상기 제2 복수의 가중치로 구성하고, 상기 신경망으로 하여금 추가적 염기 호출 분류 데이터를 생성하게 하는, 시스템. - 제27항에 있어서,
상기 제1 타일 위치는 플로우 셀 내의 제1 영역에 있고;
상기 제2 타일 위치는 상기 플로우 셀 내의 제2 영역에 있는, 시스템. - 제27항 또는 제28항에 있어서,
상기 감지 사이클의 제2 시리즈는 상기 감지 사이클의 제1 시리즈에 후속하여 발생하는, 시스템.
Applications Claiming Priority (9)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163161896P | 2021-03-16 | 2021-03-16 | |
| US202163161880P | 2021-03-16 | 2021-03-16 | |
| US63/161,880 | 2021-03-16 | ||
| US63/161,896 | 2021-03-16 | ||
| US17/687,551 | 2022-03-04 | ||
| US17/687,551 US20220301657A1 (en) | 2021-03-16 | 2022-03-04 | Tile location and/or cycle based weight set selection for base calling |
| US17/687,583 US20220300811A1 (en) | 2021-03-16 | 2022-03-04 | Neural network parameter quantization for base calling |
| US17/687,583 | 2022-03-04 | ||
| PCT/US2022/020460 WO2022197752A1 (en) | 2021-03-16 | 2022-03-15 | Tile location and/or cycle based weight set selection for base calling |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230157230A true KR20230157230A (ko) | 2023-11-16 |
Family
ID=85057463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020227045560A KR20230157230A (ko) | 2021-03-16 | 2022-03-15 | 염기 호출을 위한 타일 위치 및/또는 사이클 기반 가중치 세트 선택 |
Country Status (7)
| Country | Link |
|---|---|
| EP (2) | EP4309179A1 (ko) |
| JP (1) | JP2024510539A (ko) |
| KR (1) | KR20230157230A (ko) |
| CN (2) | CN115803815A (ko) |
| AU (2) | AU2022238841A1 (ko) |
| CA (2) | CA3183567A1 (ko) |
| IL (1) | IL299077A (ko) |
-
2022
- 2022-03-15 AU AU2022238841A patent/AU2022238841A1/en active Pending
- 2022-03-15 AU AU2022237501A patent/AU2022237501A1/en active Pending
- 2022-03-15 CN CN202280005111.4A patent/CN115803815A/zh active Pending
- 2022-03-15 KR KR1020227045560A patent/KR20230157230A/ko unknown
- 2022-03-15 CN CN202280005057.3A patent/CN115699019A/zh active Pending
- 2022-03-15 EP EP22714689.1A patent/EP4309179A1/en active Pending
- 2022-03-15 EP EP22714690.9A patent/EP4309080A1/en active Pending
- 2022-03-15 CA CA3183567A patent/CA3183567A1/en active Pending
- 2022-03-15 JP JP2022580969A patent/JP2024510539A/ja active Pending
- 2022-03-15 CA CA3183581A patent/CA3183581A1/en active Pending
- 2022-03-15 IL IL299077A patent/IL299077A/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CN115699019A (zh) | 2023-02-03 |
| CN115803815A (zh) | 2023-03-14 |
| CA3183581A1 (en) | 2022-09-22 |
| AU2022238841A1 (en) | 2023-02-02 |
| AU2022237501A1 (en) | 2023-02-02 |
| EP4309080A1 (en) | 2024-01-24 |
| IL299077A (en) | 2023-02-01 |
| JP2024510539A (ja) | 2024-03-08 |
| EP4309179A1 (en) | 2024-01-24 |
| CA3183567A1 (en) | 2022-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210265018A1 (en) | Knowledge Distillation and Gradient Pruning-Based Compression of Artificial Intelligence-Based Base Caller | |
| US20220301657A1 (en) | Tile location and/or cycle based weight set selection for base calling | |
| US20210265015A1 (en) | Hardware Execution and Acceleration of Artificial Intelligence-Based Base Caller | |
| KR20220143854A (ko) | 인공 지능 기반 다-대-다 염기 호출 | |
| US20230041989A1 (en) | Base calling using multiple base caller models | |
| KR20230157230A (ko) | 염기 호출을 위한 타일 위치 및/또는 사이클 기반 가중치 세트 선택 | |
| US20230029970A1 (en) | Quality score calibration of basecalling systems | |
| WO2022197752A1 (en) | Tile location and/or cycle based weight set selection for base calling | |
| KR20240035413A (ko) | 다중 염기 호출자 모델을 사용한 염기 호출 | |
| US20230026084A1 (en) | Self-learned base caller, trained using organism sequences | |
| US20220415445A1 (en) | Self-learned base caller, trained using oligo sequences | |
| WO2023009758A1 (en) | Quality score calibration of basecalling systems | |
| KR20240027608A (ko) | 유기체 서열을 사용하여 훈련된 자체-학습 염기 호출자 | |
| CN117529780A (zh) | 碱基检出系统的质量分数校准 | |
| CN117546248A (zh) | 使用多个碱基检出器模型的碱基检出 | |
| CN117501372A (zh) | 使用生物体序列训练的自学碱基检出器 |