LU100870B1 - Verfahren zum Untersuchen einer flüssigen Probe - Google Patents
Verfahren zum Untersuchen einer flüssigen Probe Download PDFInfo
- Publication number
- LU100870B1 LU100870B1 LU100870A LU100870A LU100870B1 LU 100870 B1 LU100870 B1 LU 100870B1 LU 100870 A LU100870 A LU 100870A LU 100870 A LU100870 A LU 100870A LU 100870 B1 LU100870 B1 LU 100870B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- cell
- data element
- algorithm
- liquid
- sample area
- Prior art date
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000002245 particle Substances 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 80
- 238000001514 detection method Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 137
- 239000012530 fluid Substances 0.000 description 5
- 230000010261 cell growth Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000013543 active substance Substances 0.000 description 2
- 238000007479 molecular analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004113 cell culture Methods 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 210000000130 stem cell Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
- B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
- B01L3/50—Containers for the purpose of retaining a material to be analysed, e.g. test tubes
- B01L3/502—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures
- B01L3/5027—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip
- B01L3/50273—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by the means or forces applied to move the fluids
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
- B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
- B01L3/56—Labware specially adapted for transferring fluids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1006—Investigating individual particles for cytology
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Clinical Laboratory Science (AREA)
- Computer Hardware Design (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Untersuchen einer flüssigen Probe, die eine Flüssigkeit und wenigstens eine in der Flüssigkeit befindliche Zelle und/oder wenigstens ein in der Flüssigkeit befindliches Partikel aufweist, wobei bei dem Verfahren wenigstens ein Datenelement, das eine Information zu einem Probenbereich enthält, ermittelt wird. Das Verfahren ist dadurch gekennzeichnet, dass das Datenelement einem trainierten Algorithmus zugeführt wird, der ein von dem Datenelement abhängiges Resultat erzeugt, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe umfasst, von dem Resultat abhängt.
Description
09.07.2018 058A0007LU 1 LU100870 Beschreibung Titel: Verfahren zum Untersuchen einer flüssigen Probe Die Erfindung betrifft ein Verfahren zum Untersuchen einer flüssigen Probe, die eine Flüssigkeit und wenigstens eine in der Flüssigkeit befindliche Zelle und/oder wenigstens ein in der Flüssigkeit befindliches Partikel aufweist, wobei bei dem Verfahren wenigstens ein Datenelement, das eine Information zu einem Probenbereich enthält, ermittelt wird. Darüber hinaus betrifft die Erfindung eine Dispensiervorrichtung, die Mittel zum Ausführen des Verfahrens umfasst.
Außerdem betrifft die Erfindung ein Computerprogramm, einen Datenträger, auf dem das Computerprogramm gespeichert ist und ein Datenträgersignal, das das Computerprogramm überträgt.
Aus dem Stand der Technik ist bekannt, dass Wirkstoffe, wie beispielsweise monoklonale Antikörper und andere Proteine mit Hilfe sogenannter monoklonaler Zellinien hergestellt werden. Dies sind Populationen aus Zellen, die alle von einer einzelnen Mutterzelle abstammen. Das Herstellen von monoklonalen Zelllinien ist notwendig, da nur so sichergestellt werden kann, dass alle Zellen der Population ein annährend gleiches Genom haben, um die Wirkstoffe zu erzeugen.
Um eine monoklonale Zellinie zu erzeugen, werden Zellen einzeln in Behältnisse einer Mikrotiterplatte überführt. Die überführten Zellen werden hergestellt, Indem eine Host-Zellinie genetisch verändert wird und diese veränderten Zellen vereinzelt werden, Das Ablegen einzelner Zellen in die Mikrotiterplatten geschieht durch beispielsweise Freistrahldruckmethoden oder Pipettieren.
Zum Ablegen der einzelnen Zeilen können Dispensiervorrichtungen
09.07.2018 058A0007LU 2 LU100870 eingesetzt werden. Aus dem Stand der Technik sind Dispensiervorrichtungen bekannt, mittels denen Flüssigkeitstropfen in das Behältnis ausgegeben werden können. Dabei ist bekannt, dass vor einem Ausgeben des FlUssigkeitstropfens untersucht wird, ob in dem FlUssigkeitstropfen keine oder eine einzige oder mehr Zellen vorhanden sind. Abhängig von dem —Untersuchungsergebnis wird der Flüssigkeitstropfen in ein Behältnis oder ein Ausschussbehältnis ausgegeben. Nach dem Dispensiervorgang können sich die in die Behältnisse ausgegebenen Zellen in dem jeweiligen Behältnis vermehren.
Nachteilig an den bekannten Dispensiervorrichtungen ist, dass die Ausgabe der Flüssigkeitstropfen in die Behältnisse erfolgt, ohne dass die Qualität der Zelle geprüft wird. Daher kann es vorkommen, dass tote Zellen in die Behältnisse eingebracht werden. Dies ist nachteilig, weil in den entsprechenden Behältnissen keine Zellkultivierung erfolgt, was aufgrund der begrenzten Anzahl an Behältnissen und der begrenzten Prozessierzeit nachteilig ist. Eine Prüfung der Zellen vor Abgabe in das Behältnis kann : manuell erfolgen, was jedoch nicht wirtschaftlich ist und daher in der Praxis unterbleibt.
Die Aufgabe der Erfindung besteht daher darin, den Dispensiervorgang zu verbessern. Die Aufgabe wird durch ein Verfahren der eingangs genannten Art gelöst, das dadurch gekennzeichnet ist, dass das Datenelement einem trainierten Algorithmus zugeführt wird, der ein von dem Datenelement abhängiges Resultat erzeugt, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe umfasst, von dem Resultat abhängt.
Außerdem wird die Aufgabe durch eine Dispensiervorrichtung gelöst, die Mittel zum Ausführen des Verfahrens aufweist.
09.07.2018 058A0007LU | 3 LU100870 Das erfindungsgemäße Verfahren weist den Vorteil auf, dass der trainierte | Algorithmus automatisch, also ohne ein Mitwirken eines Labormitarbeiters, | eine Vorhersage trifft oder einen Schätzwert ermittelt, die bzw. der den | 5 Dispensiervorgang beeinflusst.
So kann durch den trainierten Algorithmus beispielsweise basierend auf dem zugefUhrten Datenelement vorhergesagt werden, ob die mit der Flüssigkeit ausgegebene Zelle demnächst abstirot, oder es kann abgeschätzt werden, ob die auszugebende Zelle eine tote Zelle ist.
Diese Kenntnis ist von Vorteil, weil dadurch auf einfache Weise verhindert werden kann, dass tote Zellen bzw.
Zellen, bei denen die Sterbewahrscheinlichkeit hoch ist, in Behältnisse abgegeben werden.
Vielmehr kann sichergestellt werden, dass derartige Zellen in ein Ausschussbehältnis ausgegeben werden.
Im Ergebnis erhöht sich aufgrund des trainierten Algorithmus die Effizienz des Laborbetriebs.
Dies ist möglich, weil die Zellqualität und/oder Partikelqualität beim Dispensiervorgang berücksichtigt wird.
Die mittels der Dispensiervorrichtung ausgegebene flüssige Probe kann ein, insbesondere frei fliegender, Tropfen sein.
Alternativ kann die ausgegebene flüssige Probe ein Flüssigkeitsstrahl sein, der nach Ausgeben aus einem Dispenser der Dispensiervorrichtung in einzelne Flüssigkeitstropfen zerfällt.
Die Dispensiervorrichtung kann ein Tropfengenerator sein.
Der flüssige Tropfen kann ein Volumen in einem Bereich zwischen 1 pl (Pikoliter) bis 50 nl (Nanoliter) aufweisen. 25 . ; Die ausgegebene flüssige Probe kann keine Zelle und/oder kein Partikel aufweisen.
Alternativ kann die ausgegebene flüssige Probe eine einzige Zeile und/oder ein einziges Partikel aufweisen.
Die ausgegebene flüssige Probe kann alternativ mehr als eine einzige Zeile und/oder mehr als ein einziges Partikel aufweisen.
Die Flüssigkeit der flüssigen Probe kann eine Zusammensetzung aufweisen,
09.07.2018 058A0007LU 4 LU100870 die für ein Zellwachstum förderlich ist.
Das Partikel kann ein Glas- oder Polymerkügelchen sein und im Wesentlichen das gleiche Volumen wie die Zelle aufweisen.
Die Zelle ist eine biologische Zelle, insbesondere ist die Zelle die kleinste Einheit des Lebens, die autonom zur Reproduktion und Selbsterhaltung fähig ist. | Ein trainierter Algorithmus ist ein Algorithmus, der Daten, wie beispielsweise die zugeführten Datenelemente, anhand eines erlernten Wissens beurteilen kann.
Um die Daten beurteilen zu können, muss der Algorithmus vorab einem nachstehend detailliert beschrieben Training unterzogen | werden.
In dem Training lernt der Algorithmus anhand von Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern.
Dies bedeutet, dass der Algorithmus die Beispiele nicht auswendig lernt, sondern Muster und/oder Gesetzmäßigkeiten in den Trainingsdaten erkennt.
Dies ermöglicht es dem Algorithmus auch unbekannte Daten, wie beispielsweise das Datenelement, zu beurteilen.
Bei einer besonderen Ausführung kann geprüft werden, ob in dem Probenbereich eine vorgegebene Anzahl an Zellen und/oder Partikeln angeordnet ist.
Insbesondere kann mittels einer Auswerteeinrichtung der Dispensiervorrichtung ermittelt werden, ob in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel angeordnet ist.
Darüber hinaus kann mittels der Auswerteeinrichtung ermittelt werden, ob in dem Probenbereich keine Zelle und/oder kein Partikel angeordnet ist.
Alternativ oder zusätzlich kann mittels der Auswerteeinrichtung ermittelt werden, ob in dem Probenbereich mehr als eine Zelle und/oder ein Partikel angeordnet ist.
Alternativ oder zusätzlich kann die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel durch den trainierten Algorithmus ermittelt werden.
Zusätzlich kann durch den Algorithmus geprüft werden, ob in dem Probenbereich die vorgegebene Anzahl an Zellen und/oder
09.07.2018 058A0007LU LU100870 Partikel angeordnet ist. Alternativ kann die Anzahl der in dem Probenbereich angeordneten Zeilen und/oder Partikel durch einen anderen trainierten Algorithmus 5 ermittelt werden. Darüber hinaus kann durch den anderen trainierten Algorithmus geprüft werden, ob in dem Probenbereich die vorgegebene Anzahl an Zellen und/oder Partikel enthalten ist. Das Resultat der Ermittlung und/oder Prüfung durch den anderen trainierten Algorithmus | kann dem trainierten Algorithmus übermittelt werden.
Durch die Prüfung, ob sich in dem Probenbereich wenigstens eine Zelle und/oder wenigstens ein Partikel befindet, ist bekannt, ob in der im nächsten Schritt auszugebende flüssige Probe oder in der in den nächsten Schritten auszugebenden Flüssigkeiten eine bestimmte Anzahl an Zellen und/oder Partikeln angeordnet ist. Insbesondere ist bekannt, ob in dem auszugebenden Tropfen oder in den auszugebenden Tropfen keine oder eine einzige oder mehrere Zellen und/oder kein oder ein einziges oder mehrere Partikel angeordnet ist. Die Kenntnis der Anzahl der in dem Probenbereich befindlichen Zellen und/oder Partikel weist auBerdem den Vorteil auf, dass anhand dieser Information entschieden wird, ob das Datenelement dem trainierten Algorithmus zugeführt wird. Insbesondere wird das Datenelement dem trainierten Algorithmus zugeführt, wenn sich in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel befindet. Dies erfolgt, weil für die weitere Untersuchung es von Vorteil ist, wenn in dem Behältnis nur eine einzige Zeile und/oder ein einziges Partikel enthalten ist. Daher kann dem Behältnis ausschließlich eine flüssige Probe, in der nur eine einzige Zelle und/oder ein einziges Partikel angeordnet ist, zugeführt werden. Das Behältnis kann Bestandteil einer Mikrotiterplatte sein. |
09.07.2018 058A0007LU 6 LU100870 Das Datenelement kann dem trainierten Algorithmus nicht zugeführt werden oder der trainierte Algorithmus wird die weitere Verarbeitung des Datenelements zum Bestimmen des Resultats beenden, wenn in dem Probenbereich keine Zelle und/oder kein Partikel enthalten ist oder wenn in dem Probenbereich nicht die vorgegebene Anzahl an Zellen und/oder Partikeln enthalten ist. Dies bietet den Vorteil, dass der Rechenaufwand reduziert wird, weil der trainierte Algorithmus nur dann eingesetzt wird und/oder das Datenelement nur dann weiter verarbeitet wird, wenn in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel in der Flüssigkeit enthalten ist. Die flüssige Probe kann in diesem Fall in das Ausschussbehältnis ausgegeben werden. Das Datenelement kann eine einzige oder mehrere Informationen zu dem Probenbereich enthalten. Insbesondere kann das Datenelement ein Messsignal oder ein optisches Signal oder ein Bildsignal sein. Dabei kann das Datenelement wenigstens eine Information zu einer Zelleigenschaft der in der Flüssigkeit des Probenbereichs angeordneten Zelle und/oder eine Partikeleigenschaft des in der Flüssigkeit des Probenbereichs angeordneten Partikels enthalten.
Bei einer weiteren Ausführung kann eine Abbildung aus dem Bildsignal erzeugt werden. Dabei kann die Dispensiervorrichtung eine optische Erfassungseinrichtung, wie beispielsweise eine Kamera, aufweisen, die zum Erzeugen einer Abbildung des Probenbereichs dient. Bei einer, insbesondere zeitlich versetzten, Ermittlung von mehreren Datenelementen, insbesondere mehreren Bildsignalen, können mehrere Abbildungen erzeugt werden. Insbesondere kann die Abbildung einen den Probenbereich aufnehmenden Dispenser der Dispensiervorrichtung oder einen den Probenbereich aufnehmenden Teil des Dispensers zeigen. Insbesondere kann die Abbildung einen Ausgabekanal oder einen Teil des Ausgabekanals des Dispensers zeigen. Das Datenelement, insbesondere
09.07.2018 058A0007LU 7 LU100870 das Bildsignal, enthält alle notwendigen Informationen, die zum Erzeugen | der Abbildung notwendig sind. | Der Dispenser kann zum Ausgeben der flüssigen Probe dienen.
Insbesondere kann der Probenbereich durch den Dispenser ausgegeben werden oder ausgebbar sein.
Die Abbildung kann eine Hellfeld- oder Fluoreszenz- oder Dunkelfeld- oder Phasenkontrastabbildung sein.
Es ist möglich, dass mehrere Abbildungen die gleiche Zelle zeigen, jedoch aus verschiedenen Winkeln und/oder zu unterschiedlichen Zeitpunkten.
Dem trainierten Algorithmus kann nur ein Teil des Datenelements zugeführt werden.
Dabei kann ein Abbildungsabschnitt ermittelt werden, der die Zelle und/oder das Partikel aufweist.
Dem trainierten Algorithmus kann nur der den Abbildungsabschnitt umfassende Teil des Bildsignals zugeführt werden.
Dies bietet den Vorteil, dass der trainierte Algorithmus nicht das gesamte Bildsignal untersuchen muss, sondern nur den den Abbildungsabschnitt enthaltenen Teil des Bildsignals.
Dadurch verringert sich der Rechenaufwand.
Die Position der Zelle und/oder des Partikels in dem Probenbereich und/oder der Abbildung kann ermittelt werden.
Dies kann durch einen weiteren Algorithmus erfolgen.
Dabei kann die Position der Zelle und/oder des Partikels durch Auswerten der erzeugten Abbildung auf einfache Weise ermittelt werden.
Nachdem die Position der Zelle und/oder des | Partikels in der Abbildung bekannt ist, kann der zuvor beschriebene Abbildungsabschnitt erzeugt werden.
Der Abbildungsabschnitt kann die Zeile und/oder das Partikel vollständig enthalten.
Dabei kann der Abbildungsabschnitt eine vorgegebene Größe aufweisen.
09.07.2018 058A0007LU 8 LU100870 Bei einer besonderen Ausführung kann der Dispensiervorgang zusätzlich ein Bestimmen eines Ablageorts der auszugebenden flüssigen Probe, insbesondere des Tropfens, umfassen. Somit kann auf einfache Weise sichergestellt werden, dass beispielsweise tote Zellen in das Ausschussbehältnis ausgegeben werden, während hingegen lebende Zellen in unterschiedliche Behältnisse ausgegeben werden. Nachdem der Ablageort bestimmt wurde, kann die flüssige Probe in das Behältnis oder Ausschussbehältnis dispensiert werden.
Die Probenausgabe kann nach einer Drop-on-Demand Betriebsweise ausgeführt werden. Bei dieser erfolgt durch die Dispensiervorrichtung eine diskrete und keine kontinuierliche Probenausgabe. Zum Realisieren der Drop-on-Demand Betriebsweise kann die Dispensiervorrichtung ein Betätigungsmittel aufweisen, das beispielsweise ein piezoelektrisch betriebener Aktor sein kann. Der Dispenser kann einen Abschnitt, insbesondere eine mechanische Membran, aufweisen, die durch das Betätigungsmittel betätigbar ist. Bei einer Betätigung des Betätigungsmittels wird die flüssige Probe, insbesondere ein Tropfen, aus dem Dispenser ausgestoßen.
Der trainierte Algorithmus kann Bestandteil eines künstlichen neuronalen Netzes sein und/oder ein künstliches neuronales Netz kann Bestandteil des trainierten Algorithmus sein. Dadurch kann auf besonders einfache Weise bestimmt werden, ob die Zelle und/oder das Partikel in das Ausschussbehältnis oder das Behältnis abgegeben werden soll. Als ein künstlich neuronales Netz wird eine Ansammlung von einzelnen Informationsverarbeitungseinheiten verstanden, die als Neuronen bezeichnet werden und die schichtweise in einer Netzarchitektur angeordnet sind.
Bei einer besonderen Ausführung kann der Algorithmus ein faltendes neuronales Netzwerk zur Klassifikation von Abbildungen sein, welche aus
09.07.2018 058A0007LU LU100870 dem Datenelement wie oben beschrieben wurde, erzeugt werden können. Das neuronale Netzwerk wird auch als convolutional neural network bezeichnet. Das faltende neuronale Netzwerk besteht aus mindestens einer Faltungsschicht, mindestens einer versteckten Schicht, | 5 und mindestens einer voll vernetzten Schicht.
Alternativ zu dem neuronalen Netzwerk kann auch ein anderer trainierbarer Algorithmus bereitgestellt werden. So kann der Algorithmus eine Support Vector Machine (z.B. eine 2-Norm-SVM), eine lineare Regression, ein Boosting-Netz, ein probabilistischer Boosting-Baum, eine lineare Diskriminanzanalyse, eine Relevance Vector Machine, ein Random Forest Verfahren, ein Nearest Neighbor-Verfahren, oder eine Kombination davon aufweisen.
Das Resultat des trainierten Algorithmus von einer Klassifizierung des Datenelements in eine von wenigstens zwei Klassen abhängen. Die Klassen können von einer Zelleigenschaft und/oder Partikeleigenschaft abhängen. Durch Klassifizieren des Datenelements in eine Klasse wird eine Vorhersage zu der Zelleigenschaft und/oder Partikeleigenschaft getätigt oder ein Schätzwert für eine Zelleigenschaft und/oder Partikeleigenschaft ermittelt. Der Schätzwert kann beispielsweise ein Wahrscheinlichkeitswert, ob die Zelle tot ist, oder eine Abschätzung eines Durchmessers der Zelle und/oder Partikels sein. Dementsprechend kann das Resultat eine | Vorhersage der Zelleigenschaft und/oder der Partikeleigenschaft sein oder der Schatzwert für die Zelleigenschaft und/oder Partikeleigenschaft sein.
Die Zelleigenschaft kann der Zelltyp, die Produktivität der Zelle, ein Genotyp oder Phänotyp, ein Status eines Zellzyklus und/oder ein Zustand der Zelle sein. Die Klassen konkretisieren die jeweilige Zelleigenschaft. So kann bei dem Fall, bei dem die Zelleigenschaft der Zellzustand ist, eine Klasse „lebende Zellen‘ und eine andere Klasse „tote Zellen‘ betreffen.
09.07.2018 058A0007LU | 10 | LU100870 Alternativ oder zusätzlich sind Klassen denkbar, die davon abhängen, ob die Zelle angefärbt oder nicht angefärbt ist oder ob die Zelle intakt oder nicht intakt ist. AuBerdem sind Klassen denkbar, die davon abhängen, ob eine hohe oder niedrige Genexpression oder Proteinproduktion, insbesondere bestimmter Proteine, möglich oder vorhanden ist oder ob die Zellen schnell oder langsam wachsen oder sich teilen. Darüber hinaus sind Klassen denkbar, bei denen eine Klassifizierung danach erfolgt, ob eine hohe oder niedrige Wahrscheinlichkeit besteht, dass in einer nachfolgenden Molekularanalyse qualitativ hochwertige Resultate erzielt werden. Eine solche Molekularanalyse kann beispielsweise das Sequenzieren des gesamten Genoms oder Teile des Genoms und/oder das gesamte Transkriptom oder Teile des Transkriptoms der einzelnen dispensierten Zellen sein.
Der trainierte Algorithmus kann durch Anwenden des erlernten Wissens an die erzeugte Abbildung eine Vorhersage zur Zelleigenschaft und/oder Partikeleigenschaft treffen und/oder die Zelleigenschaft und/oder Partikeleigenschaft abschätzen. So kann durch Verwenden des trainierten Algorithmus beispielsweise abgeschätzt werden, ob die in der Abbildung gezeigte Zelle tot oder lebendig ist. Dadurch kann der Algorithmus genutzt werden, um die Anzahl der lebenden Zellen, welche nach der Vereinzelung zu einer Kolonie wachsen, zu maximieren.
Die Klassifizierung des Datenelements in eine Klasse kann durch einen Klassifikator erfolgen. Der Klassifikator kann Bestandteil des künstlich neuronalen Netzes sein und/oder ein künstliches neuronales Netz ist Bestandteil des Klassifikators.
Bei einer besonderen Ausführung kann der Algorithmus in einem Trainingsvorgang trainiert werden, bevor das Datenelement dem Algorithmus zugeführt wird. Dabei kann der Algorithmus mittels eines maschinellen Lernens trainiert werden. Der Trainingsvorgang dient dazu,
09.07.2018 058A0007LU 11 LU100870 dass Wissen angeeignet wird, das eine Beurteilung der zugefUhrten Datenelemente ermöglicht.
Beim maschinellen Lernen wird Wissen aus Erfahrung künstlich generiert.
Dies erfolgt, wie nachfolgend beschrieben wird, indem dem Algorithmus eine Vielzahl von Trainingsdaten zugeführt wird.
Beim Trainingsvorgang können zuerst eine Vielzahl von ersten Trainingsdatenelementen und eine Vielzahl von zweiten Trainingsdatenelementen ermittelt werden.
Die ersten Trainingsdatenelemente können jeweils wenigstens eine Information zu dem Probenbereich enthalten.
Die zweiten Trainingsdatenelemente können jeweils wenigstens eine Information zur Zelleigenschaft und/oder Partikeleigenschaft enthalten.
Dabei kann jeweils einem ersten Trainingsdatenelement wenigstens ein zweites Trainingsdatenelement zugeordnet werden.
Die ersten Trainingsdatenelemente können ermittelt werden, wenn sich der Probenbereich und/oder die flüssige Probe in dem Dispenser befindet.
Alternativ können die ersten Trainingsdatenelemente ermittelt werden, wenn der Dispenser den Probenbereich und/oder die flüssige Probe ausgegeben hat und sich der Probenbereich und/oder die flüssige Probe im Behältnis befindet.
Die zweiten Trainingsdatenelemente können zeitlich nach dem Ermitteln der ersten Trainingsdatenelemente ermittelt werden.
Vorzugsweise werden die zweiten Trainingsdatenelemente ermittelt, nachdem die flüssige Probe und/oder der Probenbereich in das Behältnis ausgegeben wurde.
Die Ermittlung der zweiten Trainingsdatenelemente, insbesondere das Messen der Zelleigenschaft und/oder der Partikeleigenschaft, kann nach einer vorgegebenen Zeitdauer, insbesondere mehreren Tagen, nach Ausgabe der flüssigen Proben in die Behältnisse durchgeführt werden.
Nach dem Ermitteln der zweiten Trainingsdatenelemente kann
09.07.2018 058A0007LU 12 LU100870 jedem ersten Trainingsdatenelement wenigstens ein zweites Trainingsdatenelement zugeordnet werden. Die Zuordnung kann automatisiert, beispielsweise über ein Computerprogramm, oder durch den Labormitarbeiter erfolgen.
Aus den ersten Trainingsdatenelementen kann eine Vielzahl von Abbildungen generiert werden. Jeder der Abbildungen kann wenigstens eine Zelleigenschaft, wie beispielsweise der Zellzustand, der Zelltyp, etc., zugewiesen werden.
| Beim Trainingsvorgang können außerdem wenigstens zwei Klassen gebildet werden. Die Klassen können von den zweiten Trainingsdatenelementen abhängen. Insbesondere können die Klassen von den Zelleigenschaften und/oder Partikeleigenschaften abhängen. So ist es denkbar, dass unterschiedliche Klassen für unterschiedliche Zelltypen gebildet werden und/oder dass unterschiedliche Klassen abhängig vom Zeilzustand gebildet werden. Das Bilden der Klassen kann manvell erfolgen. Alternativ können die Klassen auch automatisch gebildet werden.
Die ersten Trainingsdatenelemente, die zweiten Trainingsdatenelemente und deren Zuordnung zu den ersten Trainingsdatenelementen und die gebildeten Klassen werden zum Trainieren des Algorithmus dem Algorithmus zugeführt. Ziel des Trainings ist es, dass der Algorithmus bestehende Muster und/oder Gesetzmäßigkeiten zwischen den ersten Trainingsdatenelementen und den zweiten Trainingsdatenelementen erkennt, und es ihm somit möglich ist, zukünftige zugeführte Datenelemente zu klassifizieren. Somit kann im Laborbetrieb anhand der Klassifikation des Datenelements in die entsprechende Klasse die Zelleigenschaft und/oder Partikeleigenschaft auf einfache Weise vorhergesagt oder abgeschätzt werden.
09.07.2018 058A0007LU LU100870 Der trainierte Algorithmus kann erneut trainiert werden. Zum einen ist dies sinnvoll, wenn ein Zelltyp verwendet wird, welcher abweichende Eigenschaften, wie beispielsweise eine abweichende Morphologie aufweist, als die Zelltypen mit welchen der Algorithmus bisher trainiert wurde. Zum anderen ist dies ist sinnvoll, wenn bei einem ersten Trainingsvorgang beispielsweise nur vom Zellzustand abhängige Klassen gebildet wurden und eine Klassifikation nach einer weiteren Zelleigenschaft gewünscht ist. Damit eine Klassifikation nach der zweiten Zelleigenschaft möglich ist, muss ein zweiter Trainingsvorgang durchgeführt werden, bei dem beispielsweise von Zelltypen abhängige Klassen gebildet werden. Nach Durchführen der beiden Trainingsvorgänge ist der Algorithmus in der Lage, Datenelemente nach Zeiltypen und nach Zellen mit unterschiedlichem Zellwachstum zu ; klassifizieren.
Die Dispensiervorrichtung kann eine Verfahreinrichtung aufweisen, mittels der der Dispenser und/oder das Behältnis zum Aufnehmen der flüssigen Probe und/oder das Ausschussbehältnis zum Aufnehmen der flüssigen Probe verfahrbar ist, wobei ein Verfahrvorgang von dem Resultat, insbesondere von der Klassifizierung des Datenelements, abhängig ist. So wird die Verfahreinrichtung beispielsweise den Dispenser derart verfahren, dass die flüssige Probe in das Ausschussbehältnis ausgegeben wird, wenn das Datenelement in eine Klasse klassifiziert wurde, in der beispielsweise tote Zellen klassifiziert sind.
Darüber hinaus kann mittels der Verfahreinrichtung der Dispenser und/oder das Behältnis und/oder das Ausschussbehältnis derart verfahren werden, dass die flüssige Probe in das Ausschussbehältnis ausgegeben wird, wenn in der ausgegebenen flüssigen Probe keine Zelle und/oder keine vorgegebene Anzahl an Zellen und/oder Partikel enthalten ist. Dagegen kann die ausgegebene Flüssigkeit in das Behältnis ausgegeben werden, wenn in der Flüssigkeit eine einzige Zelle und/oder ein einziges
09.07.2018 058A0007LU 14 LU100870 Partikel angeordnet ist. Die Dispensiervorrichtung kann eine Ablenk- und/oder Absaugeinrichtung aufweisen. Die Ablenkeinrichtung dient zum Ablenken der ausgegebenen flüssigen Probe, insbesondere des ausgegebenen Tropfens. Die Absaugeinrichtung dient zum Absaugen der ausgegebenen flüssigen Probe, insbesondere des ausgegebenen Tropfens. Die ausgegebene flüssige Probe kann in das Ausschussbehältnis abgelenkt und/oder abgesaugt werden. Alternativ kann die ausgegebene flüssige Probe in | 10 das Behältnis, insbesondere das Behältnis der Mikrotiterplatte, abgegeben werden. Das Ablenken und/oder Absaugen kann erfolgen, bevor die ausgegebene flüssige Probe in das Behältnis, insbesondere das Behältnis der Mikrotiterplatte, eintritt. Dabei kann die ausgegebene flüssige Probe abgelenkt und/oder abgesaugt werden, wenn in der ausgegebenen Flüssigkeit keine Zellen und/oder keine Partikel angeordnet sind. Alternativ kann die ausgegebene Flüssigkeit abgelenkt und/oder abgesaugt werden, wenn die Anzahl der in der Flüssigkeit angeordneten Zellen und/oder Partikel größer ist als ein vorgegebener Wert, insbesondere größer als 1, ist. Darüber hinaus kann das Ablenken und/oder Absaugen von dem Resultat des trainierten Algorithmus abhängen. Insbesondere kann das Ablenken und/oder Absaugen davon abhängen, in welche Klasse das Datenelement klassifiziert wurde. Sofern das Datenelement in eine Klasse - klassifiziert ist, in der beispielsweise tote Zellen klassifiziert sind, wird die Ablenk- und Absaugvorrichtung aktiviert, sodass die ausgegebene flüssige Probe abgelenkt und/oder abgesaugt wird.
Von besonderem Vorteil ist ein Computerprogramm, das Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen
09.07.2018 ; 058A0007LU 15 LU100870 veranlassen, das erfindungsgemäße Verfahren durchzuführen.
Außerdem ist ein Datenträger vorteilhaft, auf dem das erfindungsgemäße Computerprogramm gespeichert ist.
Darüber hinaus ist ein Datenträgersignal von Vorteil, das ein erfindungsgemäßes Computerprogramm überträgt.
In den Figuren ist der Erfindungsgegenstand schematisch dargestellt, wobei gleiche oder gleichwirkende Elemente zumeist mit denselben Bezugszeichen versehen sind.
Dabei zeigt:
Figur 1 eine erfindungsgemäße Dispensiervorrichtung, | Figur 2 eine vergrößerte Darstellung eines Teils eines Dispensers der erfindungsgemäßen Dispensiervorrichtung,
Figur 3 einen Ablauf bei einem Trainingsvorgang zum Trainieren eines Algorithmus, Figur 4 einen Verfahrensablauf zum Untersuchen der flüssigen Probe mittels des trainierten Algorithmus.
Figur 1 zeigt eine erfindungsgemäße Dispensiervorrichtung 6, die einen Dispenser 7 zum Ausgeben einer flüssigen Probe 20 aufweist, Die flüssige Probe 20 weist eine Flüssigkeit 1 und wenigstens eine in der Flüssigkeit 1 angeordnete Zelle 3 und/oder wenigstens ein in der Flüssigkeit 1 angeordnetes Partikel auf.
Darüber hinaus weist die Dispensiervorrichtung 6 eine optische Erfassungseinrichtung 8 zum optischen Erfassen wenigstens eines Teils eines Ausgabekanals 16 des Dispensers 7 auf.
Der Dispenser 7 kann eine Fluidkammer 15 aufweisen, in der die flüssige Probe 20 angeordnet ist und/oder eingegeben wird.
Die Fluidkammer 15 ist mit dem Ausgabekanal 16 fluidisch verbunden.
09.07.2018 058A0007LU 16 LU100870 Die optische Erfassungseinrichtung 8 weist eine nicht dargestellte Abbildungseinrichtung, wie eine Kamera, zum Erzeugen einer Abbildung von dem wenigstens einen Teil des Ausgabekanals 16 und weitere nicht dargestellte optische Elemente zum Führen von Licht auf. Zum Erzeugen einer Abbildung wird der wenigstens eine Teil des Ausgabekanals 16 mittels eines Beleuchtungslichts 17 beleuchtet und ein daraufhin von dem wenigstens einen Teil des Ausgabekanals 16 ausgehendes Detektionslicht 18 von der optischen Erfassungseinrichtung 8 detektiert. Die Abbildungseinrichtung erzeugt basierend auf dem detektierten Detektionslicht 18 eine Abbildung des wenigstens einen Teils des Ausgabekanals 16. Die optische Erfassungseinrichtung 8 ist mit einer Auswerteeinrichtung 9 eines Computers 12 elektrisch verbunden. Die Auswerteeinrichtung 9 kann basierend auf der erzeugten Abbildung die Anzahl der in dem wenigstens einen Teil des Ausgabekanals 16 enthaltenen Zellen 3 und/oder Partikel bestimmen. Der Computer 12 weist einen Klassifikator 13 auf, der mit der Auswerteeinrichtung 9 elektrisch verbunden ist. Der Klassifikator 13 ist Bestandteil eines künstlich neuronalen Netzes und/oder weist ein künstlich neuronales Netz auf. In dem Klassifikator 13 ist ein trainierter Algorithmus hinterlegt, der nach Zuführen der von der optischen Erfassungseinrichtung 8 erzeugten Abbildung ein Resultat erzeugt.
Darüber hinaus weist der Computer 12 eine Steuervorrichtung 14 auf. Die Steuervorrichtung 14 steuert basierend auf dem Resultat des Klassifikators 13 einen Dispensiervorgang des Dispensers 7. Dabei ist die Steuervorrichtung 14 mit einer Verfahreinrichtung 10 elektrisch verbunden. Die Verfahreinrichtung 10 kann den Dispenser 7 und/oder ein Behältnis 4 und/oder ein Ausschussbehältnis 5 derart verfahren, dass die flüssige Probe 20 in den gewünschten Ablageort abgegeben werden kann.
09.07.2018 058A0007LU : LU100870 Darüber hinaus kann die Steuervorrichtung 14 eine Ablenk- und/oder Absaugeinrichtung 11 der Dispensiervorrichtung 6 steuern.
Dabei kann die Steuervorrichtung 14 die Ablenk- und/oder Absaugeinrichtung 11 derart steuern, dass die ausgegebene flüssige Probe 20 abgelenkt und/oder abgesaugt wird, wenn in der FlUssigkeit 1 keine Zelle 3 und/oder kein Partikel angeordnet ist oder wenn in der FlUssigkeit 1 mehrere Zellen 3 und/oder mehrere Partikel angeordnet sind.
Dabei kann die Steuervorrichtung 14 abhängig von dem Resultat des Klassifikators 13 die Verfahreinrichtung 10 und/oder die Ablenk- und/oder Absaugeinrichtung 11 steuern.
In Figur 1 ist ein Zustand gezeigt, bei dem der Dispenser 7 die flüssige Probe 20, insbesondere einen Tropfen, ausgegeben hat, der eine tote Zelle 3 aufweist.
Die ausgegebene flüssige Probe 20 wird in das Ausschussbehältnis 5 ausgegeben.
Die Dispensiervorrichtung 6 weist ein Betdtigungsmittel 19 auf, das zum Betätigen des Dispensers 7 gegen einen Abschnitt des Dispensers 7 gedrückt wird.
Dabei wird die flüssige Probe 20, insbesondere ein Tropfen, ausgegeben, wenn das Betdtigungsmittel 19 gegen den Abschnitt des Dispensers 7 drückt.
Das Betdtigungsmittel 19 und die optische Erfassungseinrichtung 8 liegen sich bezüglich des Dispensers 7 gegenüber.
Der Dispenser 7 besteht zumindest teilweise aus einem transparenten Material, sodass mittels der optischen Erfassungseinrichtung 8 wenigstens ein Teil des Ausgabekanais 16 erfasst werden kann.
Figur 2 zeigt eine vergrößerte Darstellung eines Teils des Dispensers 7. Insbesondere zeigt Figur 2 eine vergrößerte Darstellung des in Figur 1 gestrichelt dargestellten Bereichs A des Ausgabekanals 16.
09.07.2018 058A0007LU 18 LU100870 Der Ausgabekanal 16 ist vollständig mit Flüssigkeit 1 der flüssigen Probe 20 befüllt. Dabei wird mittels der optischen Erfassungseinrichtung 8 nur der in Figur 2 gestrichelt dargestellte Teil des Ausgabekanals 16 betrachtet. In dem gestrichelt dargestellten Teil des Ausgabekanals 16 des Dispensers 7 | 5 ist der Probenbereich 2 der flüssigen Probe 20 angeordnet. Bei einem Dispensiervorgang wird die flüssige Probe 20 entlang einer Ausbringrichtung R ausgegeben. Der Ausgabekanal 16 weist an seinem von der der Fluidkammer 15 entfernten Ende ein dUsenférmiges Ende auf.
Die in dem Teil des Ausgabekanals 16 angeordnete Zeilen 3 bewegt sich aufgrund der Gewichtskraft in Richtung zum von der Fluidkammer 15 abgewandten düsenfôrmigen Ende, auch wenn keine flüssige Probe 20 | aus dem Dispenser 7 ausgegeben wird.
Figur 3 zeigt einen Ablauf bei einem Trainingsvorgang zum Trainieren eines Algorithmus. Der Algorithmus ist im Klassifikator 13 hinterlegt. In einem ersten Trainingsschritt T1 wird ein erstes Trainingsdatenelement ermittelt. Das erste Trainingsdatenelement enthält eine Information zum Probenbereich 2. Die Ermittlung des ersten Trainingsdatenelements erfolgt durch die optische Erfassungseinrichtung 8, wobei in der optischen Erfassungseinrichtung 8 eine Abbildung aus dem ersten Trainingsdatenelement erzeugt wird. Dabei zeigt die Abbildung zumindest den Teil des Ausgabekanals 16, der den Probenbereich 2 aufnimmt.
Nach dem Ermitteln des ersten Trainingsdatenelements wird die flüssige Probe 20 mittels des Dispensers 7 in das Behältnis 4 der Mikrotiterplatte ausgegeben, wenn die auszugebende flüssige Probe 20 eine einzige Zelle 3 und/oder ein einziges Partikel aufweist. Anschließend wird erneut ein weiteres erstes Trainingsdatenelement ermittelt, eine weitere Abbildung erzeugt und die flüssige Probe 20 in ein weiteres Behältnis der Mikrotiterplatte ausgegeben. Dieser Vorgang wird mehrmals wiederholt. Am Ende des ersten Trainingsschritts T1 ist in jedem Behältnis 4 der
09.07.2018 058A0007LU 19 LU100870 Mikrotiterplatte eine Flüssigkeit 1 mit einer einzigen Zelle 3 und/oder einem einzigen Partikel angeordnet, wobei bekannt ist, in welchem Behältnis 4 welche Zelle 3 angeordnet ist.
Nach dem Ermitteln der ersten Trainingsdatenelemente werden in einem zweiten Trainingsschritt T2 zweite Trainingsdatenelemente ermittelt. Dazu wird wenigstens eine Zelleigenschaft und/oder Partikeleigenschaft der in dem Behältnis 4 befindlichen Zelle 3 gemessen. Insbesondere kann gemessen werden, wie schnell die Zeilen 3 in den einzelnen Behältnissen 4 wachsen und somit ein Rückschluss auf den Zellzustand gezogen werden und/oder es kann ermittelt werden, welche Zelltypen in den Behältnissen 4 enthalten sind. Dies wird für alle Behältnisse wiederholt, in denen eine flüssige Probe 20 und somit eine Zelle 3 enthalten ist. Das Ermitteln der zweiten Trainingsdatenelemente kann einige Tage nach der Ausgabe der flüssigen Proben 20 in die Behältnisse 4 erfolgen. Zum Messen der Zelleigenschaft und/oder der Partikeleigenschaft kann ein Mikroskop und/oder ein automatisierter Plattenleser eingesetzt werden.
In einem dritten Trainingsschritt T3 werden wenigstens zwei Klassen gebildet. Die Klassen hängen von den zweiten Trainingsdatenelementen, insbesondere von der Zelleigenschaft und/oder der Partikeleigenschaft, ab. Die Zelleigenschaft kann beispielsweise ein Zelltyp sein, sodass sich die einzelnen Klassen in den Zelltypen voneinander unterscheiden. Alternativ kann die Zelleigenschaft der Zellzustand sein, sodass sich die Klassen voneinander darin unterscheiden, ob die Zellen tot oder lebendig sind. Der dritte Trainingsschritt T3 kann alternativ vor dem ersten und/oder zweiten Trainingsschritt T1, T2 durchgeführt werden. in einem vierten = Trainingsschritt T4 wird jedem ersten Trainingsdatenelement wenigstens ein zweites Trainingsdatenelement zugeordnet. Insbesondere wird jeder Abbildung des Probenbereichs 2 wenigstens eine Zelleigenschaft und/oder Partikeleigenschaft zugeordnet.
09.07.2018 058A0007LU 20 LU100870 Somit erfolgt in dem vierten Trainingsschritt T4 eine Verknüpfung des ersten Trainingsdatenelements mit dem zweiten Trainingsdatenelement.
Diese Verknüpfung ist vorteilhaft, weil der Algorithmus somit erkennen kann welcher Zusammenhang zwischen den ersten Trainingsdatenelementen und den zweiten Trainingsdatenelementen besteht.
So kann beispielsweise die Zelleigenschaft „lebende Zellen“ allen ersten Trainingsdatenelementen zugewiesen werden, bei denen die im zweiten Trainingsschritt T2 durchgeführte Messung ergeben hat, dass die in dem jeweiligen Behältnis befindliche Zelle nicht tot ist und somit ein Zellwachstum erfolgt. ; In einem fünften Trainingsschritt T5 werden die gebildeten Klassen, die ersten Trainingsdatenelemente, die zweiten Trainingsdatenelemente und deren Zuordnung zu den ersten Trainingsdatenelementen genutzt um den Klassifikator mittels maschinellem Lernen zu Trainieren.
Der Algorithmus erkennt anhand der übermittelten Informationen wenigstens ein Muster und/oder Gesetzmäßigkeiten zwischen den ersten Trainingsdatenelementen und den zweiten Trainingsdatenelementen.
Nach Abschluss des Trainingsvorgangs liegt ein trainierter Algorithmus vor.
Dies bedeutet, dass der trainierte Algorithmus das erlernte Wissen an ein zugeführtes Datenelement anwenden kann, um allein anhand des Datenelements eine Vorhersage oder Abschätzung zu der Zelleigenschaft und/oder der Partikeleigenschaft zu treffen.
Dies wird anhand der Figur 4 näher erläutert.
Figur 4 zeigt einen Verfahrensablauf zum Untersuchen der flüssigen Probe 20 mittels des | trainierten Algorithmus.
In einem ersten Verfahrensschritt S1 wird ein Datenelement mittels der optischen Erfassungseinrichtung 8 ermittelt, Darüber hinaus erzeugt die optische Erfassungseinrichtung 8 im ersten | 30 Verfahrensschritt SI aus dem ermittelten Datenelement eine Abbildung, die den Probenbereich 2 beinhaltet.
09.07.2018 ; 058A0007LU 21 LU100870 In einem zweiten Verfahrensschritt S2 werden Verunreinigungen aus der Abbildung entfernt. In einem dritten Verfahrensschritt S3 wird durch die Auswerteeinrichtung 9 Uberprüft, ob in dem Probenbereich 2 eine vorgegebene Anzahl an Zellen 3 und/oder Partikeln enthalten ist. Dies erfolgt durch einen eigenen Algorithmus. Insbesondere wird durch die Auswerteeinrichtung 9 geprüft, ob in dem Probenbereich 2 genau eine einzige Zeile 3 und/oder ein einziges Partikel enthalten ist.
Sofern ermittelt wird, dass in dem Probenbereich 2 eine einzige Zelle 3 und/oder ein einziges Partikel enthalten ist, wird in einem vierten Verfahrensschritt S4 die Lage der Zelle 3 und/oder des Partikels in der Abbildung bestimmt. Anschließend wird einem fünften Verfahrensschritt S5 ein Abbildungsabschnitt erzeugt, der die Zeile 3 und/oder das Partikel vollständig enthält. Das den Abbildungsabschnitt enthaltende Bildsignal wird in einem sechsten Verfahrensschritt S6 an den trainierten Algorithmus übermittelt.
Der trainierte Algorithmus erzeugt in einem siebten Verfahrensschritt S7 ausgehend von dem zugeführten Abbildungsabschnitt ein Resultat. Das Resultat hängt von einer Klassifikation des Datenelements, insbesondere der Abbildung, in eine der in dem trainierten Algorithmus hinterlegten Klassen ab. Da die Klassen von der Zelleigenschaft und/oder Partikeleigenschaft abhängen, wird durch die Klassifikation der Abbildung in eine der Klassen eine Vorhersage zu der Zelleigenschaft und/oder Partikeleigenschaft getroffen. Dabei wird die Abbildung durch den Klassifikator 13 in eine der Klassen klassifiziert.
In einem siebten Verfahrensschritt S7 steuert die Steuervorrichtung 14 die Verfahreinrichtung 10 und/oder die Ablenk- und/oder Absaugvorrichtung 11 abhängig von dem Resultat, insbesondere von der Klassifizierung des
09.07.2018 058A0007LU 22 LU100870 Datenelements in eine Klasse.
Sofern in dem dritten Verfahrensschritt S3 ermittelt wurde, dass in der flüssigen Probe keine Zelle 3 und/oder kein Partikel vorhanden ist und/oder die Anzahl der Zeilen 3 und/oder Partikel größer als 1 ist, werden die Verfahrensschritte S3 bis S6 Ubersprungen und die flüssige Probe 20 wird im siebten Verfahrensschritt S7 in das Ausschussbehältnis 5 ausgegeben.
09.07.2018 058A0007LU 23 LU100870
Bezugszeichenliste: ] Flüssigkeit 2 Probenbereich
3 Zelle 4 Behältnis 5 Ausschussbehältnis 6 Dispensiervorrichtung 7 Dispenser
8 optische Erfassungseinrichtung 9 Auswerteeinrichtung 10 Verfahreinrichtung 11 Ablenk- und/oder Absaugvorrichtung 12 Computer
13 Klassifikator 14 Stevervorrichtung 15 Fluidkammer 16 Ausgabekanal 17 Beleuchtungslicht
18 Detektionslicht 19 Betätigungsmittel 20 flüssige Probe
R Ausbringrichtung
T1-T5 erster bis fünfter Trainingsschritt S1-S8 erster bis achter Verfahrensschritt
Claims (32)
- | 09.07.2018 058A0007LU | 24 | LU100870 Patentansprüche I. Verfahren zum Untersuchen einer flüssigen Probe (20), die eine Flüssigkeit (1) und wenigstens eine in der Flüssigkeit (1) befindliche Zelle (3) und/oder wenigstens ein in der Flüssigkeit (1) befindliches Partikel aufweist, wobei bei dem Verfahren wenigstens ein Datenelement, das eine Information zu einem Probenbereich (2) enthält, ermittelt wird, dadurch gekennzeichnet, dass das Datenelement einem trainierten Algorithmus zugeführt wird, der ein von dem Datenelement abhdngiges Resultat erzeugt, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe (20) umfasst, von dem Resultat abhängt.
- 2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass geprüft wird, ob in dem Probenbereich (2) eine vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist.
- 3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass a. das Datenelement dem trainierten Algorithmus zugeführt wird, wenn in dem Probenbereich (2) die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist und/oder dass b. das Datenelement dem trainierten Algorithmus nicht zugeführt wird, wenn in dem Probenbereich (2) nicht die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist.
- 4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass a. durch den trainierten Algorithmus oder einen anderen trainierten Algorithmus die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel ermittelt wird oder dass09.07.2018 058A0007LU 25 LU100870 b. durch den trainierten Algorithmus oder einen anderen trainierten Algorithmus die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel ermittelt wird und geprüft wird, ob in dem Probenbereich die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist,
- 5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass das Datenelement ein Messsignal oder ein Bildsignal ist.
- 6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass dem trainierten Algorithmus nur ein Teil des Datenelements zugeführt wird.
- 7. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass eine Abbildung aus dem Bildsignal generiert wird.
- 8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass a. die Position der Zelle (3) und/oder des Partikels in der Abbildung ermittelt wird oder dass b. ein Abbildungsabschnitt ermittelt wird, der die Zelle (3) und/oder das Partikel aufweist und dass nur der den Abbildungsabschnitt aufweisende Teil des Bildsignals dem trainierten Algorithmus zugeführt wird.
- 9. Verfahren nach Anspruch 7 oder 8, dadurch gekennzeichnet, dass die Abbildung einen den Probenbereich (2) aufnehmenden Dispenser (7) oder einen den Probenbereich (2) aufnehmenden Teil des Dispensers (7) zeigt.09.07.2018 058A0007LU | 2 LU100870
- 10. Verfahren nach einem der Ansprüche 1 bis 9 dadurch gekennzeichnet, dass der Dispensiervorgang ein Bestimmen eines Ablageorts der auszugebenden flüssigen Probe (20) umfasst.
- 11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass die Flüssigkeitsausgabe nach einer Drop-on- Demand-Betriebsweise ausgeführt wird.
- 12. Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, dass der trainierte Algorithmus Bestandteil eines künstlichen neuronalen Netzes ist und/oder mindestens ein künstliches neuronales Netz enthält.
- 13. Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, dass a. das Resultat von einer Klassifizierung des Datenelements in eine von wenigstens zwei Klassen abhängt und/oder b. das Resultat eine Vorhersage zu einer Zelleigenschaft und/oder einer Partikeleigenschaft oder ein Schätzwert für eine Zelleigenschaft und/oder Partikeleigenschaft ist.
- 14. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, dass der Algorithmus trainiert wird, bevor das Datenelement dem Algorithmus zugeführt wird.
- 15. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass der Algorithmus mittels maschinellen Lernens trainiert wird.
- 16. Verfahren nach Anspruch 14 oder 15, dadurch gekennzeichnet, dass eine Vielzahl von ersten Trainingsdatenelementen ermittelt wird und eine Vielzahl von zweiten Trainingsdatenelementen ermittelt wird.09.07.2018 058A0007LU 27 LU100870
- 17. Verfahren nach Anspruch 16, dadurch gekennzeichnet, dass jeweils einem ersten Trainingsdatenelement wenigstens ein zweites Trainingsdatenelement zugeordnet wird.
- 18. Verfahren nach Anspruch 16 oder 17, dadurch gekennzeichnet, dass abhängig von den zweiten Trainingsdatenelementen wenigstens zwei Klassen gebildet werden.
- 19. Verfahren nach einem der Ansprüche 16 bis 18, dadurch gekennzeichnet, dass die Klassen und/oder die ersten Trainingsdatenelemente und/oder die zweiten Trainingsdatenelemente dem Algorithmus übermittelt werden.
- 20. Verfahren nach einem der Ansprüche 1 bis 19, dadurch gekennzeichnet, dass der trainierte Algorithmus erneut trainiert wird.
- 21. Verfahren nach einem der Ansprüche 1 bis 20, dadurch gekennzeichnet, dass das Datenelement eine Information zu einer Zelleigenschaft der in dem Probenbereich angeordneten Zelle und/oder zu einer Partikeleigenschaft der in dem Probenbereich angeordneten Partikels enthält. ;
- 22. Dispensiervorrichtung (6) umfassend Mittel zum Ausführen des Verfahrens nach einem der Ansprüche 1 bis 21.
- 23. Dispensiervorrichtung nach Anspruch 22, gekennzeichnet durch a. einen Dispenser (7) zum Ausgeben einer flüssigen Probe (20) oder durch b. einen Dispenser (7) zum Ausgeben einer flüssigen Probe (20), wobei der Probenbereich (2) in dem Dispenser (7) angeordnet ist und/oder durch den Dispenser (7) ausgebbar ist.09.07.2018 058A0007LU 28 LU100870
- 24. Dispensiervorrichtung (6) nach Anspruch 22 oder 23, gekennzeichnet durch eine optische Erfassungseinrichtung (8) zum Erzeugen einer Abbildung des Probenbereichs (2).
- 25. Dispensiervorrichtung (6) nach einem der Ansprüche 22 bis 24, gekennzeichnet durch eine Auswerteeinrichtung (9) zum Auswerten ob in dem Probenbereich (2) eine vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist.
- 26. Dispensiervorrichtung (6) nach einem der Ansprüche 22 bis 25, gekennzeichnet durch einen Klassifikator (13) zum Klassifizieren des Datenelements in eine Klasse.
- 27. Dispensiervorrichtung (6) nach Anspruch 26, dadurch gekennzeichnet, dass der Klassifikator (13) Bestandteil eines künstlich neuronalen Netzes ist und/oder mindestens ein künstliches neuronales Netz enthält.
- 28. Dispensiervorrichtung (6) nach einem der Ansprüche 22 bis 27, gekennzeichnet durch eine Verfahreinrichtung (10), mittels der der Dispenser (7) und/oder ein Behältnis (4) zum Aufnehmen der flüssigen Probe (20) und/oder ein Ausschussbehdltnis (5) zum Aufnehmen der flüssigen Probe (20) verfahrbar ist, wobei ein Verfahrvorgang von dem Resultat abhängig ist.
- 29. Dispensiervorrichtung (6) nach einem der Ansprüche 22 bis 28, gekennzeichnet durch eine Ablenkeinrichtung zum Ablenken der ausgegebenen flüssigen Probe (20) und/oder eine Absaugeinrichtung zum Absaugen der ausgegebenen flüssigen Probe (20), wobei ein Ablenkvorgang und/oder Absaugvorgang von dem Resultat abhängig ist.
- 09.07.2018 058A0007LU 29 LU100870 30 Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer (12) diesen veranlassen, die Verfahren nach einem der Ansprüche 1 bis 21 durchzuführen.
- 31. Datenträger, auf dem das Computerprogramm nach Anspruch 30 gespeichert ist.
- 32. Datenträgersignal, das das Computerprogramm nach Anspruch 30 überträgt.
Priority Applications (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
LU100870A LU100870B1 (de) | 2018-07-09 | 2018-07-09 | Verfahren zum Untersuchen einer flüssigen Probe |
CN201980046152.6A CN112400103A (zh) | 2018-07-09 | 2019-07-09 | 用于检查液体样品的方法和分配装置 |
SG11202013238TA SG11202013238TA (en) | 2018-07-09 | 2019-07-09 | Method for examining a liquid sample and a dispensing apparatus |
AU2019301870A AU2019301870B2 (en) | 2018-07-09 | 2019-07-09 | Method for examining a liquid sample and a dispensing apparatus |
PCT/EP2019/068371 WO2020011773A1 (de) | 2018-07-09 | 2019-07-09 | Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung |
KR1020217003904A KR20210029247A (ko) | 2018-07-09 | 2019-07-09 | 액체 샘플 및 분주 장치를 검사하는 방법 |
US17/258,501 US20210293685A1 (en) | 2018-07-09 | 2019-07-09 | Method for examining a liquid sample and a dispensing apparatus |
CA3104615A CA3104615A1 (en) | 2018-07-09 | 2019-07-09 | Method for examining a liquid sample and a dispensing apparatus |
JP2021500252A JP2021524265A (ja) | 2018-07-09 | 2019-07-09 | 液体サンプルを検査するための方法および分注装置 |
EP19735595.1A EP3821228A1 (de) | 2018-07-09 | 2019-07-09 | Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung |
IL280006A IL280006A (en) | 2018-07-09 | 2021-01-07 | A method for examining a liquid sample and a dispensing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
LU100870A LU100870B1 (de) | 2018-07-09 | 2018-07-09 | Verfahren zum Untersuchen einer flüssigen Probe |
Publications (1)
Publication Number | Publication Date |
---|---|
LU100870B1 true LU100870B1 (de) | 2020-01-09 |
Family
ID=63113604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
LU100870A LU100870B1 (de) | 2018-07-09 | 2018-07-09 | Verfahren zum Untersuchen einer flüssigen Probe |
Country Status (11)
Country | Link |
---|---|
US (1) | US20210293685A1 (de) |
EP (1) | EP3821228A1 (de) |
JP (1) | JP2021524265A (de) |
KR (1) | KR20210029247A (de) |
CN (1) | CN112400103A (de) |
AU (1) | AU2019301870B2 (de) |
CA (1) | CA3104615A1 (de) |
IL (1) | IL280006A (de) |
LU (1) | LU100870B1 (de) |
SG (1) | SG11202013238TA (de) |
WO (1) | WO2020011773A1 (de) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399804A (zh) * | 2019-07-01 | 2019-11-01 | 浙江师范大学 | 一种基于深度学习的食品检测识别方法 |
CN116355725B (zh) * | 2023-03-07 | 2024-04-05 | 广州市艾贝泰生物科技有限公司 | 分配器、分配装置及分配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005090983A2 (en) * | 2004-02-27 | 2005-09-29 | Board Of Regents, The University Of Texas System | Membrane assay system including preloaded particles |
EP2042853A1 (de) * | 2006-07-12 | 2009-04-01 | Toyo Boseki Kabushiki Kasisha | Analysegerät und dessen verwendung |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8486618B2 (en) * | 2002-08-01 | 2013-07-16 | Xy, Llc | Heterogeneous inseminate system |
JP5924077B2 (ja) * | 2012-03-30 | 2016-05-25 | ソニー株式会社 | 微小粒子分取装置及び微小粒子分取装置における軌道方向判定方法 |
US9904842B2 (en) * | 2012-12-19 | 2018-02-27 | Koninklijke Philips N.V. | System and method for classification of particles in a fluid sample |
US9919533B2 (en) * | 2015-10-30 | 2018-03-20 | Ricoh Company, Ltd. | Liquid droplet forming apparatus |
JP6690245B2 (ja) * | 2016-01-12 | 2020-04-28 | 日本精工株式会社 | マニピュレーションシステム及びマニピュレーションシステムの駆動方法 |
WO2017214572A1 (en) * | 2016-06-10 | 2017-12-14 | The Regents Of The University Of California | Image-based cell sorting systems and methods |
JP6646552B2 (ja) * | 2016-09-13 | 2020-02-14 | 株式会社日立ハイテクノロジーズ | 画像診断支援装置、画像診断支援方法及び試料分析システム |
-
2018
- 2018-07-09 LU LU100870A patent/LU100870B1/de active IP Right Grant
-
2019
- 2019-07-09 JP JP2021500252A patent/JP2021524265A/ja active Pending
- 2019-07-09 SG SG11202013238TA patent/SG11202013238TA/en unknown
- 2019-07-09 WO PCT/EP2019/068371 patent/WO2020011773A1/de unknown
- 2019-07-09 US US17/258,501 patent/US20210293685A1/en not_active Abandoned
- 2019-07-09 CA CA3104615A patent/CA3104615A1/en not_active Abandoned
- 2019-07-09 EP EP19735595.1A patent/EP3821228A1/de active Pending
- 2019-07-09 CN CN201980046152.6A patent/CN112400103A/zh active Pending
- 2019-07-09 KR KR1020217003904A patent/KR20210029247A/ko not_active Application Discontinuation
- 2019-07-09 AU AU2019301870A patent/AU2019301870B2/en not_active Expired - Fee Related
-
2021
- 2021-01-07 IL IL280006A patent/IL280006A/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005090983A2 (en) * | 2004-02-27 | 2005-09-29 | Board Of Regents, The University Of Texas System | Membrane assay system including preloaded particles |
EP2042853A1 (de) * | 2006-07-12 | 2009-04-01 | Toyo Boseki Kabushiki Kasisha | Analysegerät und dessen verwendung |
Non-Patent Citations (1)
Title |
---|
KIWON UM ET AL: "Liquid Splash Modeling with Neural Networks", COMPUTER GRAPHICS FORUM (TO APPEAR), 26 June 2018 (2018-06-26), pages 1 - 12, XP055560116, Retrieved from the Internet <URL:https://arxiv.org/pdf/1704.04456.pdf> [retrieved on 20190221] * |
Also Published As
Publication number | Publication date |
---|---|
SG11202013238TA (en) | 2021-02-25 |
JP2021524265A (ja) | 2021-09-13 |
US20210293685A1 (en) | 2021-09-23 |
KR20210029247A (ko) | 2021-03-15 |
CN112400103A (zh) | 2021-02-23 |
IL280006A (en) | 2021-03-01 |
AU2019301870A1 (en) | 2021-01-21 |
EP3821228A1 (de) | 2021-05-19 |
WO2020011773A1 (de) | 2020-01-16 |
CA3104615A1 (en) | 2020-01-16 |
AU2019301870B2 (en) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102008059788B4 (de) | Analyse und Klassifizierung insbesondere biologischer oder biochemischer Objekte auf Basis von Zeitreihen-Bildern, anwendbar bei der zytometrischen Time-Lapse-Zellanalyse in der bildbasierten Zytometrie | |
EP1181525B1 (de) | Verfahren zur automatischen analyse von mikroskopaufnahmen | |
EP0177718B1 (de) | Verfahren und Vorrichtung zur Sortierung von mikroskopischen Partikeln | |
LU100870B1 (de) | Verfahren zum Untersuchen einer flüssigen Probe | |
WO2015052046A1 (de) | In-vitro-verfahren zum markierungsfreien bestimmen eines zelltyps einer zelle | |
WO2020187788A1 (de) | Verfahren zur generierung einer zusammensetzung für farben, lacke, druckfarben, anreibeharze, pigmentkonzentrate oder sonstige beschichtungsstoffe | |
DE102006035072A1 (de) | Vorrichtung und Verfahren zum Erfassen von Partikeln mit Pipette und Nanopore | |
EP3649501B1 (de) | Verfahren zum untersuchen einer flüssigkeit, die wenigstens eine zelle und/oder wenigstens ein partikel enthält | |
WO2021228894A1 (de) | Bildauswertungsverfahren in der mikroskopie | |
DE102014200448A1 (de) | Verfahren zum Analysieren einer Probe mit einem Mikroskop | |
EP3605404B1 (de) | Verfahren und vorrichtung zum trainieren einer maschinellen lernroutine zum steuern eines technischen systems | |
LU102108B1 (de) | Verfahren zum automatischen Untersuchen einer flüssigen Probe | |
LU100772B1 (de) | Verfahren zum Erzeugen wenigstens eines geschlossenen Bereichs auf einer Trägeroberfläche eines Trägers | |
DE102021204805A1 (de) | Bewertungsverfahren für Simulationsmodelle in der Mikroskopie | |
DE2056291A1 (de) | Vorrichtung zur Unterscheidung, zum Zahlen und Sortieren von Teilchen ent sprechend ihrer MikroStruktur | |
LU101494B1 (de) | Verfahren zum Dispensieren einer flüssigen Probe mittels einer Dispensiereinrichtung | |
DE102014106918A1 (de) | Verfahren und Vorrichtung zur automatisierten Durchführung von affinitätsbasierten Assays | |
LU502506B1 (de) | Verfahren zum Einstellen eines piezoelektrischen Aktors | |
DE102007003448A1 (de) | Verfahren und Datenverarbeitungssystem zur automatischen Erkennung, Verarbeitung, Interpretation und Schlussfolgerung von als digitale Datenmengen vorliegenden Objekten | |
EP4123600A1 (de) | Verfahren zum erfassen eines partikels in einem mit flüssigkeit gefüllten behältnis | |
DE19933212A1 (de) | Methode und Vorrichtung zur Hochdurchsatzanalyse molekularer Interaktionen über Oberflächen Plasmonen Resonanz | |
EP2433123A1 (de) | Verfahren zur analyse des neuritenwachstums | |
LU100331B1 (de) | Verfahren zum Ausgeben einer Flüssigkeit | |
DE102016215269B4 (de) | Vorrichtung und Verfahren zur Vereinzelung biologischer Zellen | |
DE102022209247A1 (de) | Untersuchung von Bauteilen auf Fehler mittels eines Bauteilanalysators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Patent granted |
Effective date: 20200109 |