WO2018122908A1 - 解析装置、解析プログラム及び解析方法 - Google Patents

解析装置、解析プログラム及び解析方法 Download PDF

Info

Publication number
WO2018122908A1
WO2018122908A1 PCT/JP2016/088664 JP2016088664W WO2018122908A1 WO 2018122908 A1 WO2018122908 A1 WO 2018122908A1 JP 2016088664 W JP2016088664 W JP 2016088664W WO 2018122908 A1 WO2018122908 A1 WO 2018122908A1
Authority
WO
WIPO (PCT)
Prior art keywords
correlation
cell
feature amount
feature
network
Prior art date
Application number
PCT/JP2016/088664
Other languages
English (en)
French (fr)
Inventor
博忠 渡邉
拓郎 西郷
伸一 古田
Original Assignee
株式会社ニコン
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社ニコン filed Critical 株式会社ニコン
Priority to PCT/JP2016/088664 priority Critical patent/WO2018122908A1/ja
Priority to JP2018558523A priority patent/JPWO2018122908A1/ja
Publication of WO2018122908A1 publication Critical patent/WO2018122908A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present invention relates to an analysis apparatus, an analysis program, and an analysis method.
  • an analysis device that analyzes a correlation between feature quantities in a first cell under a first condition, from a first cell image in which a first cell is captured, A feature amount calculation unit that calculates a feature amount of a component that constitutes a cell as a first feature amount, a first feature amount that is calculated by the feature amount calculation unit, and a second condition under a second condition different from the first condition
  • An analysis device including a correlation calculation unit that calculates a correlation between first feature amounts using a second feature amount calculated from an image obtained by imaging two cells.
  • the computer of the analysis device that analyzes the correlation between the feature quantities in the first cell under the first condition, A feature amount calculation step of calculating a feature amount of a component constituting a cell as a first feature amount, a first feature amount calculated from the feature amount calculation step, and a second condition different from the first condition
  • an analysis method for analyzing a correlation between feature quantities in a first cell under a first condition wherein a first cell image obtained by imaging a first cell is A feature amount calculation step of calculating a feature amount of a component constituting a cell as a first feature amount, a first feature amount calculated from the feature amount calculation step, and a second condition different from the first condition
  • FIG. 1 is a diagram illustrating an example of a configuration of a microscope observation system 1 according to an embodiment of the present invention.
  • the microscope observation system 1 performs image processing on an image acquired by imaging a cell or the like.
  • an image acquired by imaging a cell or the like is also simply referred to as a cell image.
  • the microscope observation system 1 includes an analysis device 10, a microscope device 20, and a display unit 30.
  • the microscope apparatus 20 is a biological microscope and includes an electric stage 21 and an imaging unit 22.
  • the electric stage 21 can arbitrarily operate the position of the imaging object in a predetermined direction (for example, a certain direction in a two-dimensional horizontal plane).
  • the imaging unit 22 includes an imaging element such as a charge-coupled device (CCD) and a complementary MOS (CMOS), and images an imaging target on the electric stage 21.
  • the microscope apparatus 20 may not include the electric stage 21 and may be a stage in which the stage does not operate in a predetermined direction.
  • the microscope apparatus 20 includes, for example, a differential interference microscope (DIC), a phase contrast microscope, a fluorescence microscope, a confocal microscope, a super-resolution microscope, a two-photon excitation fluorescence microscope, and a light sheet microscope. And functions as a light field microscope.
  • the microscope apparatus 20 images the culture vessel placed on the electric stage 21. Examples of the culture container include a well plate WP and a slide chamber.
  • the microscope apparatus 20 captures transmitted light that has passed through the cells as an image of the cells by irradiating the cells cultured in the many wells W of the well plate WP with light.
  • the microscope apparatus 20 can acquire images such as a transmission DIC image of a cell, a phase difference image, a dark field image, and a bright field image. Furthermore, by irradiating the cell with excitation light that excites the fluorescent substance, the microscope apparatus 20 captures fluorescence emitted from the biological substance as an image of the cell.
  • cells are dyed while they are alive, and time-lapse imaging is performed to acquire a cell change image after cell stimulation.
  • a cell image is obtained by expressing a fluorescent fusion protein or staining a cell with a chemical reagent or the like while alive.
  • the cells are fixed and stained to obtain a cell image.
  • the fixed cells stop metabolizing. Therefore, in order to observe changes with time in fixed cells after stimulating the cells, it is necessary to prepare a plurality of cell culture containers seeded with the cells. For example, there may be a case where it is desired to observe the change of the cell after the first time and the change of the cell after the second time different from the first time by applying stimulation to the cells. In this case, after stimulating the cells and passing the first time, the cells are fixed and stained to obtain a cell image.
  • a cell culture container different from the cells used for the observation at the first time is prepared, and after stimulating the cells for a second time, the cells are fixed and stained to obtain a cell image.
  • the time-dependent change in a cell can be estimated by observing the change of the cell in 1st time, and the change of the cell in 2nd time.
  • the number of cells used for observing the intracellular change between the first time and the second time is not limited to one. Therefore, images of a plurality of cells are acquired at the first time and the second time, respectively. For example, if the number of cells for observing changes in the cells is 1000, 2000 cells are photographed at the first time and the second time. Therefore, in order to acquire details of changes in cells with respect to a stimulus, a plurality of cell images are required at each timing of imaging from the stimulus, and a large amount of cell images are acquired.
  • the microscope apparatus 20 captures, as the above-described cell image, luminescence or fluorescence from the coloring material itself taken into the biological material, or luminescence or fluorescence generated when the substance having the chromophore is bound to the biological material. May be.
  • the microscope observation system 1 can acquire a fluorescence image, a confocal image, a super-resolution image, and a two-photon excitation fluorescence microscope image.
  • the method of acquiring the cell image is not limited to the optical microscope.
  • an electron microscope may be used as a method for acquiring a cell image.
  • an image obtained by a different method may be used to acquire the correlation. That is, the type of cell image may be selected as appropriate.
  • the cells in this embodiment are, for example, primary culture cells, established culture cells, tissue section cells, and the like.
  • the sample to be observed may be observed using an aggregate of cells, a tissue sample, an organ, an individual (animal, etc.), and an image containing the cells may be acquired.
  • the state of the cell is not particularly limited, and may be a living state or a fixed state.
  • the state of the cell may be “in-vitro”. Of course, you may combine the information of the living state and the fixed information.
  • the cells may be treated with chemiluminescent or fluorescent protein (for example, chemiluminescent or fluorescent protein expressed from an introduced gene (such as green fluorescent protein (GFP))) and observed.
  • chemiluminescent or fluorescent protein for example, chemiluminescent or fluorescent protein expressed from an introduced gene (such as green fluorescent protein (GFP)
  • the cells may be observed using immunostaining or staining with chemical reagents. You may observe combining them. For example, it is possible to select a photoprotein to be used according to the type for discriminating the intracellular nuclear structure (eg, Golgi apparatus).
  • pretreatment for analyzing correlation acquisition such as a means for observing these cells and a method for staining cells, may be appropriately selected according to the purpose.
  • cell dynamic information is obtained by the most suitable method for obtaining the dynamic behavior of the cell
  • information on intracellular signal transmission is obtained by the optimum method for obtaining the intracellular signal transmission. It doesn't matter.
  • These pre-processing selected according to the purpose may be different.
  • the well plate WP has one or a plurality of wells W.
  • the well plate WP has 8 ⁇ 12 96 wells W as shown in FIG.
  • the number of well plates WP is not limited to this, and 54 wells 6 ⁇ 9 may be provided.
  • Cells are placed or cultured in wells W under specific experimental conditions. . Specific experimental conditions include temperature, humidity, culture period, elapsed time since stimulation was applied, type and intensity of stimulation applied, concentration, amount, presence or absence of stimulation, induction of biological characteristics, etc. Including.
  • the stimulus is, for example, a physical stimulus such as electricity, sound wave, magnetism, or light, or a chemical stimulus caused by administration of a substance or a drug.
  • Biological characteristics include the stage of cell differentiation, morphology, number of cells, behavior of molecules in cells, morphology and behavior of organelles, behavior of each form, structure of nucleus, behavior of DNA molecules, etc. It is a characteristic to show.
  • FIG. 2 is a block diagram illustrating an example of a functional configuration of each unit included in the analysis apparatus 10 of the present embodiment.
  • the analysis device 10 is a computer device that analyzes an image captured by the microscope device 20.
  • the analysis device 10 includes a calculation unit 100, a storage unit 200, and a result output unit 300.
  • the calculation unit 100 functions when the processor executes a program stored in the storage unit 200. Also, some or all of the functional units of the arithmetic unit 100 may be configured by hardware such as LSI (Large Scale Integration) or ASIC (Application Specific Integrated Circuit).
  • the calculation unit 100 includes a cell image acquisition unit 101, a feature amount calculation unit 102, a comparison feature amount selection unit 103, a correlation calculation unit 104, and a correlation comparison unit 105.
  • the cell image acquisition unit 101 acquires the cell image captured by the imaging unit 22 and supplies the acquired cell image to the feature amount calculation unit 102.
  • the cell image acquired by the cell image acquisition unit 101 includes a plurality of images in which the cell culture state is captured in time series, and a plurality of images in which cells are cultured under various experimental conditions.
  • the feature amount calculation unit 102 calculates a plurality of types of feature amounts of the cell image supplied by the cell image acquisition unit 101.
  • This feature amount includes the brightness of the cell image, the cell area in the image, the dispersion and shape of the brightness of the cell image in the image, and the like. That is, the feature amount is a feature derived from information acquired from the cell image to be captured. That is, the feature amount is a feature derived from information acquired from the cell image to be captured. For example, the luminance distribution in the acquired image is calculated.
  • the feature amount calculation unit 102 uses a plurality of images that are different in time series or changes in cell state such as differentiation, and changes in a predetermined time of the calculated luminance distribution or cell states such as differentiation of the calculated luminance distribution Position information indicating a change in luminance different from the others may be obtained from the change accompanying the change, and the change in luminance may be used as a feature amount.
  • the cells imaged in the cell image are also referred to as measurement cells.
  • the feature amount calculation unit 102 calculates the feature amount of the measurement cell under a predetermined condition. In the present embodiment, a stimulated cell is used as the measurement cell.
  • the feature amount calculation unit 102 observes each of a plurality of images captured at predetermined time intervals, thereby causing cell contraction, heartbeat cycle, cell moving speed, index of healthy cells or dying cells. Changes in the degree of aggregation of nuclear chromatin, the rate of change in the number and length of nerve cell processes, the number of synapses in nerve cells, nerve activity such as changes in membrane potential, changes in intracellular calcium concentration, activity of second messengers It is also possible to extract dynamic feature quantities such as degree, organelle morphology change, intracellular molecular behavior, nuclear morphology, nuclear structure behavior, DNA molecule behavior, and the like. These feature quantity extraction methods use, for example, Fourier transform, wavelet transform, and time differentiation, and use a moving average for noise removal.
  • the feature amount calculated by the feature amount calculation unit 102 is also referred to as a measured feature amount. That is, the feature quantity calculation unit 102 calculates the feature quantities of the constituent elements constituting the measurement cell from the cell image obtained by imaging the measurement cell as the measurement feature quantity.
  • the comparison feature quantity selection unit 103 selects a comparison feature quantity.
  • the comparison feature amount is a feature amount calculated from a cell image obtained by imaging a cell different from the measurement cell used for calculation of the measurement feature amount calculated from the correlation calculation unit 104.
  • the cell imaged in the cell image used for calculation of the comparative feature amount is also referred to as a comparative cell.
  • the comparative cell is a cell under different conditions from the measurement cell.
  • the comparison feature amount is a feature amount calculated from a cell image obtained by imaging a comparison cell.
  • the comparison feature value may be calculated in advance from the feature value calculation unit 102 and stored in the comparison feature value storage unit 202 included in the storage unit 200.
  • the comparison feature amount may be input by a user who operates the analysis device 10.
  • the comparison feature quantity selection unit 103 supplies the selected comparison feature quantity to the correlation calculation unit 104.
  • the correlation calculation unit 104 acquires the measurement feature value from the feature value calculation unit 102.
  • the correlation calculation unit 104 acquires the comparison feature amount from the comparison feature amount selection unit 103.
  • the correlation calculation unit 104 determines the partial correlation between the measurement feature amounts and the deviation between the comparison feature amounts based on the measurement feature amount acquired from the feature amount calculation unit 102 and the comparison feature amount acquired from the comparison feature amount selection unit 103.
  • a correlation coefficient is calculated.
  • the correlation calculation unit 104 calculates a network indicating the correlation between the feature quantities based on the calculated partial correlation between the measured feature quantities and the partial correlation coefficient between the comparison feature quantities.
  • the comparison feature quantity selection unit 103 calculates a network of measurement feature quantities using the measurement feature quantity and the comparison feature quantity. A method by which the correlation calculation unit 104 calculates the network will be described later.
  • the correlation calculation unit 104 supplies the calculated correlation to the correlation comparison unit 105.
  • the result output unit 300 outputs the calculation result by the calculation unit 100 to the display unit 30.
  • the result output unit 300 may output the calculation result by the calculation unit 100 to an output device other than the display unit 30, a storage device, or the like.
  • the display unit 30 displays the calculation result output by the result output unit 300.
  • FIG. 3 is a flowchart illustrating an example of a calculation procedure of the calculation unit 100 according to the present embodiment. Note that the calculation procedure shown here is an example, and the calculation procedure may be omitted or added.
  • the cell image acquisition unit 101 acquires a cell image (step S10).
  • This cell image includes images of a plurality of types of biological tissues having different sizes such as genes, proteins, and organelles.
  • the cell image includes cell shape information. Since cell images contain information on phenotypes, metabolites, proteins, and genes, the correlation between them can be acquired.
  • the feature amount calculation unit 102 extracts the cell image included in the cell image acquired in step S10 for each cell (step S20).
  • the feature amount calculation unit 102 extracts a cell image by performing image processing on the cell image.
  • the feature amount calculation unit 102 extracts a cell image by performing image contour extraction, pattern matching, and the like.
  • the feature quantity calculation unit 102 determines the type of cell for the cell image extracted in step S20 (step S30). Further, the feature amount calculation unit 102 determines the constituent elements of the cells included in the cell image extracted in step S20 based on the determination result in step S30 (step S40).
  • the cell components include cell organelles (organelles) such as cell nucleus, lysosome, Golgi apparatus, mitochondria, and proteins constituting organelles.
  • the cell type is determined, but the cell type may not be determined. In this case, when the type of cell to be introduced is determined in advance, the information may be used. Of course, the type of cell need not be specified.
  • the feature quantity calculation unit 102 calculates the feature quantity of the image as a measurement feature quantity for each cell component determined in step S40 (step S50).
  • the feature amount includes a luminance value of the pixel, an area of a certain area in the image, a variance value of the luminance of the pixel, and the like. Further, there are a plurality of types of feature amounts according to the constituent elements of the cells.
  • the feature amount of the image of the cell nucleus includes the total luminance value in the nucleus, the area of the nucleus, and the like.
  • the feature amount of the cytoplasm image includes the total luminance value in the cytoplasm, the area of the cytoplasm, and the like.
  • the feature amount of the image of the whole cell includes the total luminance value in the cell, the area of the cell, and the like.
  • the feature amount of the mitochondrial image includes the fragmentation rate. Note that the feature amount calculation unit 102 may calculate the feature amount by normalizing it to a value between 0 (zero) and 1, for example.
  • the feature amount calculation unit 102 may calculate the feature amount based on information on the condition of the experiment for the cell associated with the cell image. For example, in the case of a cell image captured when an antibody is reacted with a cell, the feature amount calculation unit 102 may calculate a characteristic amount that is unique when the antibody is reacted. In addition, in the case of a cell image captured when cells are stained or when fluorescent proteins are added to cells, the feature amount calculation unit 102 is used when the cells are stained or when fluorescent proteins are added to the cells A characteristic amount peculiar to each may be calculated.
  • the storage unit 200 may include an experimental condition storage unit 201. In this experimental condition storage unit 201, information on experimental conditions for cells associated with a cell image is stored for each cell image.
  • FIG. 4 is a diagram illustrating an example of a feature amount calculation result by the feature amount calculation unit 102 of the present embodiment.
  • the feature amount calculation unit 102 calculates a plurality of feature amounts for the protein 1 for each cell and for each time. In this example, the feature amount calculation unit 102 calculates feature amounts for N cells from cell 1 to cell N. In this example, the feature amount calculation unit 102 calculates feature amounts for seven times from time 1 to time 7. In this example, the feature amount calculation unit 102 calculates K types of feature amounts from the feature amount k1 to the feature amount kK.
  • the feature amount calculation unit 102 calculates feature amounts in the directions of the three axes.
  • an axis in the cell direction is described as axis Nc
  • an axis in the time direction is described as axis N
  • an axis in the feature quantity direction is described as axis d1.
  • the K types of feature quantities from the feature quantity k1 to the feature quantity kK are combinations of feature quantities for protein 1.
  • the types and combinations of feature amounts may differ.
  • the feature amount calculation unit 102 supplies the feature amount calculated in step S50 to the correlation calculation unit 104 as a measurement feature amount.
  • the comparison feature quantity selection unit 103 selects a comparison feature quantity (step S60).
  • the comparative feature amount is a feature amount calculated from a cell image obtained by imaging an unstimulated cell.
  • Unstimulated cells are cells that have not been stimulated.
  • unstimulated cells are control cells used for comparison with stimulated cells.
  • the measurement feature amounts calculated from the stimulated cells and the comparison feature amounts calculated from the cells that have not been stimulated differ in the conditions for obtaining the feature amounts.
  • Control cells are cells that have been cultured under conditions other than stimulation and cells that have been stimulated.
  • the comparison feature amount of the present embodiment a feature amount calculated from a plurality of images obtained by imaging cells cultured without giving a stimulus at a predetermined time interval is used.
  • the comparison feature quantity selection unit 103 supplies the selected comparison feature quantity to the correlation calculation unit 104.
  • the correlation calculation unit 104 calculates a network based on the acquired measurement feature value and the comparison feature value (step S70).
  • FIG. 5 is a flowchart illustrating an example of a calculation procedure by which the correlation calculation unit 104 according to the present embodiment calculates a network.
  • Correlation calculation unit 104 acquires a measurement feature amount from feature amount calculation unit 102 (step S710).
  • the correlation calculation unit 104 acquires a comparison feature amount from the comparison feature amount selection unit 103 (step S720).
  • the correlation calculation unit 104 substitutes the measurement feature quantity and the comparison feature quantity into the matrix X of the feature quantities for each cell (step S730).
  • an example of the matrix X into which the measurement feature value and the comparison feature value are substituted will be described with reference to FIG.
  • FIG. 6 is a diagram illustrating an example of a feature amount matrix X for each cell according to the present embodiment.
  • the feature quantity for a certain cell is shown in FIG. 6 by a matrix X having an axis N in the row direction and an axis d in the column direction.
  • a value TM shown in FIG. 6 is a measurement feature amount.
  • a value CM illustrated in FIG. 6 is a comparative feature amount.
  • Statistics such as an average value, median value, and mode value of the cell population can be used.
  • a matrix X of feature values for each cell may be used.
  • the correlation calculation unit 104 calculates a network by substituting the measurement feature quantity and the comparison feature quantity into one matrix X.
  • the network includes nodes, edges, and the like.
  • a network is represented by an edge connecting nodes.
  • a node is each element of the matrix X described above. In other words, a node is a feature amount included in the matrix X.
  • the edge indicates the correlation of nodes connected through the edge. In other words, an edge is a correlation between feature quantities included in the matrix X.
  • the correlation calculation unit 104 determines the number of networks to be calculated (step S740). In this example, the correlation calculation unit 104 calculates one network. The correlation calculation unit 104 may perform the process of step S740 before and after each process from step S710 to step S730.
  • Correlation calculation unit 104 determines regularization parameter ⁇ used for network calculation (step S750).
  • the regularization parameter is a parameter representing the strength for regularizing the elements of the matrix X described above. As the parameter ⁇ is larger, the components of the accuracy matrix tend to be sparse. By changing the parameter ⁇ , the feature amount used for calculating the network can be changed. Therefore, since the feature amount used for network calculation can be reduced according to the parameter ⁇ , the number of edges can be reduced.
  • the regularization parameter ⁇ uses a value that does not cause the number of edges included in the network calculated by the correlation calculation unit 104 to be zero.
  • the correlation calculation unit 104 calculates a partial correlation matrix by the graphical lasso method based on the determined regularization parameter ⁇ and the matrix X (step S760).
  • the graphical lasso method is also referred to as a graphical Lasso method.
  • the regularization parameter ⁇ determined by the correlation calculation unit 104 is a regularization parameter used in the Graphic Lasso method.
  • the Graphical Lasso method is an efficient algorithm for estimating an accuracy matrix from a Gaussian model with L1 regularization. For example, it is described in “Sparse inverse covariance estimation with the biostatistics (2008), 9, 432-441 by JEROME FRIEDMAN, TREVOR HASTIE, and ROBERT TIBSHIRANI”. Note that the value of the regularization parameter ⁇ used in the Graphic Lasso method is larger than 0 and smaller than 1.
  • the regularization parameter ⁇ determined by the correlation calculation unit 104 is not limited to the regularization parameter of the Graphic Lasso method, but may be any parameter that changes the elements of the matrix X. That is, the regularization parameter ⁇ may be a parameter that affects the elements included in the matrix X when the correlation calculation unit 104 calculates a network.
  • FIG. 7 is a diagram illustrating an example of the partial correlation matrix calculated from the correlation calculation unit 104.
  • the partial correlation matrix shown in FIG. 7 is calculated by the Graphic Lasso method based on the matrix X shown in FIG. 6 and the regularization parameter ⁇ determined in step S750.
  • the correlation calculation unit 104 substitutes the measurement feature quantity and the comparison feature quantity into one matrix X to calculate a partial correlation matrix.
  • the partial correlation matrix calculated from the correlation calculation unit 104 includes a measured partial correlation coefficient TRM calculated from the measured feature quantity and a comparative partial correlation coefficient CRM calculated from the comparative feature quantity.
  • the measurement partial correlation coefficient TRM is a partial correlation coefficient calculated from the measurement feature amount.
  • the measurement partial correlation coefficient TRM calculated from the measurement feature value is a value indicating the degree of correlation between the measurement feature values. That is, the measured partial correlation coefficient TRM is a value indicating the correlation between measured feature quantities.
  • the correlation between measurement feature quantities is also referred to as a measurement network.
  • the correlation between the measured feature quantities is indicated by a partial correlation R.
  • the partial correlation R includes the partial correlation R 12 to the partial correlation R (N ⁇ 1) N.
  • N is the number of feature amounts shown in FIG.
  • partial correlation R 12 is a value indicating the degree of correlation between the feature quantity X 1 and feature quantity X 2.
  • the comparative partial correlation coefficient CRM is a partial correlation coefficient calculated from the comparative feature amount.
  • the comparative partial correlation coefficient CRM calculated from the comparative feature quantity is a value indicating the degree of correlation between the comparative feature quantities. That is, the comparative partial correlation coefficient CRM is a value indicating the correlation between the comparative feature amounts.
  • the correlation between comparison feature amounts is also referred to as a comparison network.
  • the correlation between the comparison feature amounts is indicated by a partial correlation R ′.
  • the partial correlation R ′ includes the partial correlation R ′ 12 to the partial correlation R ′ (N′ ⁇ 1) N ′ .
  • the correlation calculation unit 104 calculates a measurement network and a comparison network between feature quantities from the calculated partial correlation matrix (step S ⁇ b> 770). In other words, the correlation calculation unit 104 determines an edge between nodes based on the partial correlation coefficient included in the calculated partial correlation matrix, and calculates a measurement network and a comparison network.
  • the correlation calculation unit 104 determines whether the number of measurement networks and comparison networks determined in step S740 have been calculated (step S780). When the number of networks determined in step S740 has not been calculated (step S780; NO), correlation calculation section 104 repeats the processing from step S750 to step S770. When the number of networks determined in step S740 is calculated (step S780; YES), correlation calculation section 104 ends the process.
  • the correlation calculation unit 104 associates the calculated network with the regularization parameter ⁇ used to calculate the network correlation, and supplies the correlation comparison unit 105 with the correlation.
  • the correlation comparison unit 105 acquires the network and the regularization parameter ⁇ used for calculation of the network from the correlation calculation unit 104.
  • the correlation comparison unit 105 compares the edges calculated from the comparative partial correlation coefficient CRM included in the network acquired from the correlation calculation unit 104 (step S80).
  • an example of an edge to be compared by the correlation comparison unit 105 will be described.
  • FIG. 8 is a diagram illustrating an example of edges that the correlation comparison unit 105 compares.
  • the network shown in FIG. 8A is a network calculated from the measured partial correlation coefficient TRM shown in FIG.
  • the correlation shown in FIG. 8B is a network calculated from the comparative partial correlation coefficient CRM shown in FIG.
  • the comparative feature amount used for calculating the comparative partial correlation coefficient CRM of the present embodiment is a feature amount calculated from an image obtained by imaging non-stimulated cells.
  • the number of edges calculated from the comparative partial correlation coefficient CRM of the present embodiment is smaller than the number of edges calculated from the measured partial correlation coefficient TRM.
  • the network shown in FIG. 8B is a network obtained from unstimulated cells.
  • FIG. 8A shows a network obtained from stimulated cells. In this embodiment, it is a figure showing the network between protein X1, protein X2, protein X3, and protein X4 which are one of the elements which comprise a cell. Proteins X1 to X4 are nodes.
  • the protein X1 image there are a plurality of feature amounts obtained from the protein X1 image, which are expressed by arranging a circle around X1 in the figure.
  • they are connected by a line because there is an edge.
  • the number of edges in FIG. 8A is compared with the number of edges in FIG. 8B, the number of edges in FIG. 8B is small.
  • the network of FIG. 8B is sparse.
  • comparison feature values calculated from unstimulated cells are less likely to change over time than measurement feature values calculated from stimulated cells, and correlation between comparison feature values is less likely to occur. It is.
  • the network is obtained from unstimulated cells, it is desirable that the number of edges is small.
  • the correlation calculation unit 104 selects the regularization parameter ⁇ such that the edge is reduced because the network is obtained from unstimulated cells.
  • the network shown in FIG. 8B is sparse with only one edge indicating the correlation between the feature amounts included in the protein X ′ 3 and the protein X ′ 4 , respectively.
  • a state where the number of edges included in the network is small is referred to as sparse edges.
  • feature amounts are arranged around the nodes, and the feature amounts are connected by lines to represent edges, but the present invention is not limited to this.
  • the edges may be expressed by connecting the nodes with lines.
  • the network calculated from the comparative partial correlation coefficient CRM is also referred to as a comparative network.
  • the correlation comparison unit 105 may select the regularization parameter ⁇ from a plurality of networks having different regularization parameters ⁇ calculated by the correlation calculation unit 104 based on the number of edges calculated from the comparative partial correlation coefficient CRM. it can.
  • the regularization parameter ⁇ is selected, the measurement network can be selected.
  • the correlation comparison unit 105 may select the network resulting from the regularization parameter ⁇ having the smallest number of edges.
  • the comparison network selected by the correlation comparison unit 105 and the measurement network calculated together with the comparison network are also referred to as a selection network.
  • the correlation comparison unit 105 supplies the selected network to the result output unit 300.
  • the result output unit 300 acquires the selected network from the correlation comparison unit 105.
  • the result output unit 300 displays the acquired selected network on the display unit 30 (step S90).
  • the analysis apparatus 10 may return to the process in step S60 and reselect the comparison feature value. That is, even if the regularization parameter ⁇ is changed, if the edge of the comparison network does not change, the process returns to step 60 and the comparison feature value may be reselected. In this case, the comparison feature amount may be acquired again. Further, in the edge comparison process in step S80, if the comparison network does not include a network with sparse edges, the analysis apparatus 10 returns to the process in step S70, and the regularization parameters used for the calculation of the network are returned. The value of ⁇ may be changed and the network calculation may be performed again.
  • the analysis device 10 analyzes the correlation between the feature quantities in the measurement cell.
  • the analysis apparatus 10 includes a feature amount calculation unit 102, a comparison feature amount selection unit 103, a correlation calculation unit 104, and a correlation comparison unit 105.
  • the feature amount calculation unit 102 calculates a measurement feature amount based on the cell image acquired from the cell image acquisition unit 101.
  • the comparison feature quantity selection unit 103 selects a comparison feature quantity calculated in advance.
  • the correlation calculation unit 104 acquires the measurement feature value and the comparison feature value.
  • the correlation calculation unit 104 substitutes the measurement feature quantity and the comparison feature quantity into one matrix X, and calculates a network for each of the plurality of regularization parameters ⁇ .
  • the correlation calculation unit 104 can calculate the network using the same regularization parameter ⁇ by calculating the partial correlation coefficient by substituting the measurement feature quantity and the comparison feature quantity into one matrix X.
  • the correlation calculation unit 104 can calculate a network using the same calculation model by substituting the measurement feature quantity and the comparison feature quantity into one matrix X to calculate the network.
  • the analysis error accompanying the difference in the calculation conditions in the case of comparing networks can be suppressed.
  • the calculated networks a network of measured feature quantities and a network of comparative feature quantities using the same regularization parameter ⁇ can be calculated. Since the regularization parameter ⁇ is determined using the measurement feature quantity and the comparison feature quantity, the calculated measurement feature quantity network takes into consideration not only the measurement feature quantity but also the comparison feature quantity. That is, since the regularization parameter ⁇ is determined by using not only the measurement feature quantity but also the comparison feature quantity for the network between the measurement feature quantities, the calculated measurement feature quantity network includes the comparison feature quantity. It has been added.
  • the correlation comparison unit 105 acquires the network calculated for each regularization parameter ⁇ from the correlation calculation unit 104.
  • the correlation comparison unit 105 selects a measurement network calculated together with a network with a small number of edges included in the comparison network from the acquired networks.
  • the analysis apparatus 10 knows that the number of edges is small because the comparison network is a result of using unstimulated cells in advance, so that the regularization parameter ⁇ of the measurement network is used with the number of edges of the comparison network as an index. Can be selected.
  • the optimal regularization parameter ⁇ of the measurement network can be selected. Conventionally, it has been difficult to present a correlation within a cell or between cells desired by a user.
  • the analysis device 10 uses the comparison feature quantity that is the feature quantity of the non-stimulated cell as an index, the validity of the regularization parameter ⁇ used for calculation of the comparison network and the measurement network can be shown. Moreover, since the analysis apparatus 10 can show the validity of the regularization parameter ⁇ , it is possible to present a measurement network that is satisfactory to the user. That is, the analysis apparatus 10 can present the correlation within the cell or between cells desired by the user.
  • the comparative feature amount mentioned above demonstrated the case of the feature amount calculated from the cell image by which the unstimulated cell was imaged, it is not restricted to this.
  • the regularization parameter ⁇ of the measurement network is selected using the absence of the predetermined edge as an index. Is possible.
  • the image processed by the analysis apparatus 10 is not limited to the image captured by the microscope apparatus 20, for example, an image stored in advance in the storage unit 200 included in the analysis apparatus 10 or an external storage (not illustrated). It may be an image stored in advance in the apparatus. That is, the analysis device 10 does not have to include the cell image acquisition unit 101. Further, the microscope observation system 1 may not include the microscope apparatus 20.
  • the analysis apparatus 10 may not include the comparison feature amount selection unit 103.
  • the correlation calculation unit 104 may calculate the correlation between the measurement feature amounts using the measurement feature amount and a predetermined comparison feature amount.
  • the predetermined comparison feature amount is, for example, a feature amount calculated from a cell image obtained by imaging an unstimulated cell.
  • the analysis apparatus 10 only needs to be able to calculate a network of comparison feature amounts, and may not include the correlation comparison unit 105. In this case, the analysis apparatus 10 may display all the calculated networks on the display unit 30.
  • the feature amount is calculated using the stimulated measurement cell and the comparison cell to which no stimulus is given, and the correlation between the feature amounts is calculated. That is, the difference between the condition where the measurement cell is placed and the condition where the comparative cell is placed is the presence or absence of stimulation, but the difference in condition is not limited to this. It suffices if the measurement cell and the comparison cell have different conditions under which they are placed or conditions added thereto. For example, the measurement cell and the comparison cell may be stimulated together, the stimulation may be different, and the difference in stimulation may be compared. For example, when a drug is used as an experimental condition for applying a stimulus, the type of drug or the amount of drug may be used.
  • the cells arranged in the different wells may be used as measurement cells and comparison cells, respectively.
  • the same stimulation as the measurement cell was applied at a time different from the time when the measurement cell was stimulated.
  • An experiment in which a feature amount is calculated may be used. That is, you may compare the difference in the time which added the stimulus with a measurement cell and a comparison cell. It is sufficient that at least one condition is different between the experimental condition of the measurement cell and the experimental condition of the comparative cell.
  • the comparison feature amount is a feature amount calculated from a cell image in which unstimulated cells are captured.
  • a description will be given of the case of a feature amount calculated from a cell image in which a cell stimulated differently from the measurement feature amount is captured as a comparison feature amount.
  • movement same as 1st Embodiment the same code
  • FIG. 9 is a diagram illustrating an example of the configuration of the analysis apparatus 10a according to the second embodiment.
  • the analysis device 10a includes a cell image acquisition unit 101, a feature amount calculation unit 102, a comparison feature amount selection unit 103a, a correlation calculation unit 104a, a correlation comparison unit 105a, and a regularization parameter selection unit 106a.
  • the comparison feature quantity selection unit 103a selects the comparison feature quantity and the correlation between the comparison feature quantities calculated in advance.
  • the correlation between comparison feature amounts calculated in advance is also referred to as a reference network.
  • the reference network is a network calculated in advance from past cell culture experiment results and the like.
  • the comparison feature amount used for the calculation of the reference network is also referred to as a reference feature amount.
  • the reference network is a correlation between reference feature amounts including a correlation desired by a user operating the analysis apparatus 10a calculated from the selected comparison feature amount.
  • the reference network is a correlation desired by the user, calculated from experiments conducted by the user in the past.
  • comparison feature value and the reference network are stored in the comparison feature value storage unit 202a included in the storage unit 200a.
  • the comparison feature quantity selection unit 103a supplies the comparison feature quantity and the reference network from the comparison feature quantity storage unit 202a to the correlation calculation unit 104a.
  • the correlation calculation unit 104 a acquires the measurement feature value from the feature value calculation unit 102.
  • the correlation calculation unit 104a acquires the comparison feature amount and the reference network from the comparison feature amount selection unit 103a.
  • the correlation calculation unit 104a substitutes the measured feature amount acquired from the feature amount calculation unit 102a and the comparison feature amount acquired from the comparison feature amount selection unit 103a into one matrix X, and performs partial correlation for each regularization parameter ⁇ . Calculate the matrix.
  • the correlation calculation unit 104a calculates a measurement network and a comparison network based on the calculated partial correlation matrix.
  • the comparison feature quantity selection unit 103a supplies the reference network, the calculated measurement network, and the comparison network to the regularization parameter selection unit 106a.
  • the regularization parameter selection unit 106a acquires the measurement network, the comparison network, and the reference network from the correlation calculation unit 104a.
  • the regularization parameter selection unit 106a compares the comparison network calculated for each regularization parameter ⁇ with the reference network. In this case, the regularization parameter selection unit 106a compares the edge included in the comparison network with the edge included in the reference network.
  • the regularization parameter selection unit 106a selects the regularization parameter ⁇ used for calculation of the comparison network including an edge that approximates the comparison network and the reference network. That is, the analysis apparatus 10a changes the selection degree for selecting the feature amount used for obtaining the network by the correlation calculation unit 104a by selecting the regularization parameter ⁇ selected by the regularization parameter selection unit 106a.
  • the regularization parameter selection unit 106a supplies the reference network, the selected regularization parameter ⁇ , and the measurement network and the comparison network calculated using the regularization parameter ⁇ to the correlation comparison unit 105a.
  • the correlation comparison unit 105a acquires the reference network, the regularization parameter ⁇ , and the measurement network and the comparison network calculated using the regularization parameter ⁇ from the regularization parameter selection unit 106a.
  • the correlation comparison unit 105a supplies the obtained regularization parameter ⁇ , the reference network, and the measurement network and comparison network calculated using the regularization parameter ⁇ to the result output unit 300a.
  • FIG. 10 is a flowchart illustrating an example of processing of the analysis apparatus 10a according to the second embodiment.
  • the comparison feature quantity selection unit 103a selects a comparison feature quantity (step S150).
  • the comparison feature amount selection unit 103a selects a reference network (step S160).
  • the comparison feature quantity selection unit 103a supplies the selected comparison feature quantity and the reference network to the correlation calculation unit 104a.
  • the correlation calculation unit 104a acquires the measurement feature value from the feature value calculation unit 102.
  • the correlation calculation unit 104a acquires the comparison feature value and the reference network from the comparison feature value selection unit 103a.
  • the correlation calculation unit 104a selects a plurality of regularization parameters ⁇ (step S170).
  • the correlation calculation unit 104a calculates the partial correlation matrix by substituting the measurement feature value and the comparison feature value into one matrix X for each of the plurality of selected regularization parameters ⁇ .
  • the correlation calculation unit 104a supplies the calculated correlation and the reference network to the regularization parameter selection unit 106a.
  • the regularization parameter selection unit 106a acquires the reference network and the calculated plurality of correlations from the correlation calculation unit 104a.
  • the regularization parameter selection unit 106a compares the comparison network with the reference network. For example, an edge between predetermined feature amounts in the comparison network is compared with an edge between predetermined feature amounts in the reference network. In this case, when there is an edge between predetermined feature amounts in the reference network, the regularization parameter ⁇ having an edge between predetermined feature amounts in the comparison network is selected.
  • the regularization parameter ⁇ of the measurement network can be selected using the regularization parameter ⁇ that compares the reference network and the comparison network. That is, it is possible to select a measurement network based on the regularization parameter ⁇ selected using the regularization parameter ⁇ obtained by comparing the reference network and the comparison network.
  • the regularization parameter ⁇ is selected for the reference network and the comparison network by using the edge of predetermined feature amounts in each network as an index, but the present invention is not limited to this.
  • the degree of approximation of the entire network of the reference network and the comparison network may be used.
  • only a specific network of the reference network and the comparison network may be compared, and the regularization parameter ⁇ may be selected from the comparison result.
  • the number of edges of the reference network and the comparison network may be used.
  • the regularization parameter selection unit 106a supplies the selected network and the selected regularization parameter ⁇ to the correlation comparison unit 105a.
  • the correlation comparison unit 105a acquires the network and the regularization parameter ⁇ from the regularization parameter selection unit 106a (step S185).
  • the correlation comparison unit 105a supplies the acquired network and the regularization parameter ⁇ to the result output unit 300a.
  • the result output unit 300a causes the display unit 30 to display the network acquired from the correlation comparison unit 105a and the regularization parameter ⁇ (step S190).
  • FIG. 11 is a flowchart illustrating an example of processing of the regularization parameter selection unit 106a.
  • the regularization parameter selection unit 106a acquires a network from the correlation calculation unit 104a (step S810). Specifically, the regularization parameter selection unit 106a acquires the regularization parameter ⁇ used for the calculation of the measurement network and the comparison network, and the measurement network and the comparison network. The regularization parameter selection unit 106a acquires a reference network that is a correlation between the reference feature amounts from the correlation calculation unit 104a (step S820). Here, the reference network will be described with reference to FIG.
  • FIG. 12 is a diagram illustrating an example of the reference network BN.
  • the reference network BN shown in FIG. 12 includes a node X ′ 1 and a node X ′ 2 , a node X ′ 2 and a node X ′ 3 , and a node X ′ 3 and a node X ′ 4.
  • the regularization parameter selection unit 106a determines the regularization parameter ⁇ to be compared (step S830).
  • the regularization parameter selection unit 106a compares the edge included in the comparison network of the determined regularization parameter ⁇ with the edge included in the reference network (step S840). When the regularization parameter selection unit 106a does not show an approximate correlation between the edge included in the comparison network and the edge included in the reference network (step S850; NO), the regularization parameter selection unit 106a performs step S830. Returning to, the regularization parameter ⁇ to be compared is determined again. When the regularization parameter selection unit 106a indicates an approximate correlation between the edge included in the comparison network and the edge included in the reference network (step S850; YES), the regularization parameter selection unit 106a ends the process. Then, the measurement comparison network, the comparison network, and the determined regularization parameter ⁇ are supplied to the correlation comparison unit 105a.
  • FIG. 13 is a diagram illustrating an example of a network calculated by the correlation calculation unit 104a.
  • the network shown in FIG. 13B-1 is a comparison network CN1 calculated together with the measurement network TN1.
  • the network shown in FIG. 13B-2 is a comparison network CN5 calculated together with the measurement network TN5.
  • the network shown in FIG. 13B-3 is a comparison network CN9 calculated together with the measurement network TN9.
  • ⁇ may be a number of three or more.
  • the regularization parameter selection unit 106a compares the edges included in the reference network BN with the edges included in the comparison network CN1 to the comparison network CN9.
  • the regularization parameter selection unit 106a compares the edge density included in the reference network BN with the edge density included in the comparison network CN.
  • the regularization parameter selection unit 106a includes sparse and dense edges that are approximated by the reference network BN and the comparison network CN5.
  • the regularization parameter selection unit 106a determines that the reference network BN and the comparison network CN5 are approximate.
  • the analysis apparatus 10a includes the comparison feature amount selection unit 103a and the regularization parameter selection unit 106a.
  • the comparison feature quantity selection unit 103a selects a comparison feature quantity and a reference network from the comparison feature quantity storage unit 202.
  • the regularization parameter selection unit 106a substitutes the comparison feature value and the measurement feature value into the matrix X, and compares the edge included in the comparison network with the edge included in the reference network from the calculated correlation.
  • the regularization parameter ⁇ can be selected using the reference network as an index.
  • the regularization parameter of the measurement network can be selected using the reference network as an index.
  • the user can present a desired measurement network.
  • the analysis apparatus 10a calculates the measurement network TN and the comparison network CN by changing the regularization parameter ⁇ . Also good. Further, the analysis device 10a displays the measurement network TN, the comparison network CN, and the reference network BN for each regularization parameter ⁇ on the display unit 30, and changes the regularization parameter ⁇ by a user operation to approximate the user. The comparison network CN and the reference network BN to be selected may be selected. The user can observe how the correlation changes due to the change in the regularization parameter ⁇ , and can obtain a desired correlation.
  • the cells used for the calculation of the comparison feature value according to the second embodiment may be cells to which any stimulus is given. It may be a feature amount calculated from a cell image obtained by imaging a cell that has received a stimulus different from the stimulated cell used to calculate the measurement feature amount.
  • the measurement network and the reference network may be cells given the same stimulus.
  • the analysis device described above may be configured to include only a correlation calculation unit.
  • the analysis device substitutes feature values of cells obtained from a plurality of experiments into one matrix X, and calculates a correlation between the plurality of feature values at a time.
  • the analysis apparatus can compare the correlation between the feature quantities that could not be compared when the correlation has been calculated separately in the past.
  • the analysis apparatus compares the edge included in the reference network BN calculated in advance with the edge included in the comparison network CN among the correlations calculated from the correlation calculation unit, and is newly performed by the user.
  • the correlation selection criteria to be obtained from the experiment can be determined, and the correlation between the feature quantities desired by the user can be presented.
  • a program for executing each process of the analysis device 10 and the analysis device 10a in the embodiment of the present invention is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into a computer system.
  • the various processes described above may be performed by executing.
  • the “computer system” referred to here may include an OS and hardware such as peripheral devices. Further, the “computer system” includes a homepage providing environment (or display environment) if a WWW system is used.
  • the “computer-readable recording medium” means a flexible disk, a magneto-optical disk, a ROM, a writable nonvolatile memory such as a flash memory, a portable medium such as a CD-ROM, a hard disk built in a computer system, etc. This is a storage device.
  • the “computer-readable recording medium” refers to a volatile memory (for example, DRAM (Dynamic) in a computer system serving as a server or a client when a program is transmitted via a network such as the Internet or a communication line such as a telephone line. Random Access Memory)), etc. that hold a program for a certain period of time.
  • the program may be transmitted from a computer system storing the program in a storage device or the like to another computer system via a transmission medium or by a transmission wave in the transmission medium.
  • the “transmission medium” for transmitting the program refers to a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line.
  • the program may be for realizing a part of the functions described above. Furthermore, what can implement

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Urology & Nephrology (AREA)
  • Medicinal Chemistry (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Food Science & Technology (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

第１条件下での第１細胞内の特徴量同士の相関を解析する解析装置であって、第１細胞が撮像された第１細胞画像から、第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出部と、特徴量算出部が算出する第１特徴量と、第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、第１特徴量同士の相関を算出する相関算出部とを備える。

Description

解析装置、解析プログラム及び解析方法
　本発明は、解析装置、解析プログラム及び解析方法に関するものである。
　生物科学や医学等において、生物の健康や疾患等の状態は、例えば、細胞や細胞内の小器官等の状態と関連性があることが知られている。そのため、これら関連性を解析することは、生物科学や医学等の諸処の課題を解決する一つの手段になる。また、細胞間、或いは細胞内で伝達される情報の伝達経路を解析することは、例えば、工業用途でのバイオセンサーや、疾病予防を目的とした製薬等の研究に役立てることができる。細胞や組織片等に関する種々の解析技術として、例えば、画像処理を用いた技術が知られている（例えば、特許文献１参照）。従来より、解析不良を抑制することが望まれていた。
米国特許第９２８０６９８号明細書
　本発明の第１の態様によると、第１条件下での第１細胞内の特徴量同士の相関を解析する解析装置であって、第１細胞が撮像された第１細胞画像から、第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出部と、特徴量算出部が算出する第１特徴量と、第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、第１特徴量同士の相関を算出する相関算出部とを備える、解析装置である。
　本発明の第２の態様によると、第１条件下での第１細胞内の特徴量同士の相関を解析する解析装置のコンピュータに、第１細胞が撮像された第１細胞画像から、第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出ステップと、特徴量算出ステップから算出される第１特徴量と、第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、第１特徴量同士の相関を算出する相関算出ステップと、を実行させるための、解析プログラムである。
　本発明の第３の態様によると、第１条件下での第１細胞内の特徴量同士の相関を解析する解析方法であって、第１細胞が撮像された第１細胞画像から、第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出工程と、特徴量算出工程から算出される第１特徴量と、第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、第１特徴量同士の相関を算出する相関算出工程と、を有する、解析方法である。
本発明の実施形態による顕微鏡観察システムの構成の一例を示す図である。 本実施形態の解析装置が備える各部の機能構成の一例を示すブロック図である。 本実施形態の演算部の演算手順の一例を示す流れ図である。 本実施形態の特徴量算出部による特徴量の算出結果の一例を示す図である。 本実施形態の相関算出部が相関を算出する演算手順の一例を示す流れ図である。 本実施形態の細胞毎の特徴量の行列の一例を示す図である。 相関算出部から算出される偏相関行列の一例を示す図である。 相関比較部が比較する相関の一例を示す図である。 第２の実施形態に係る解析装置の構成の一例を示す図である。 第２の実施形態にかかる解析装置の処理の一例を示す流れ図である。 正則化パラメータ選択部の処理の一例について説明した流れ図である。 基準ネットワークの一例を示す図である。 相関算出部が算出した相関の一例を示す図である。
　［第１の実施形態］
　以下、図面を参照して、本発明の実施の形態について説明する。図１は、本発明の実施形態による顕微鏡観察システム１の構成の一例を示す図である。
　顕微鏡観察システム１は、細胞等を撮像することにより取得される画像に対して、画像処理を行う。以下の説明において、細胞等を撮像することにより取得される画像を、単に細胞画像とも記載する。
　顕微鏡観察システム１は、解析装置１０と、顕微鏡装置２０と、表示部３０とを備える。
　顕微鏡装置２０は、生物顕微鏡であり、電動ステージ２１と、撮像部２２とを備える。電動ステージ２１は、所定の方向（例えば、水平方向の二次元平面内のある方向）に、撮像対象物の位置を任意に稼働可能である。
　撮像部２２は、ＣＣＤ（Ｃｈａｒｇｅ－Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）やＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　ＭＯＳ）などの撮像素子を備えており、電動ステージ２１上の撮像対象物を撮像する。なお、顕微鏡装置２０に電動ステージ２１を備えていなくてもよく、ステージが所定方向に稼働しないステージとしても構わない。
　より具体的には、顕微鏡装置２０は、例えば、微分干渉顕微鏡（Ｄｉｆｆｅｒｅｎｔｉａｌ　Ｉｎｔｅｒｆｅｒｅｎｃｅ　Ｃｏｎｔｒａｓｔ　ｍｉｃｒｏｓｃｏｐｅ；ＤＩＣ）や位相差顕微鏡、蛍光顕微鏡、共焦点顕微鏡、超解像顕微鏡、二光子励起蛍光顕微鏡、ライトシート顕微鏡、ライトフィールド顕微鏡等の機能を有する。
　顕微鏡装置２０は、電動ステージ２１上に載置された培養容器を撮像する。この培養容器とは、例えば、ウェルプレートＷＰやスライドチャンバ―などがある。顕微鏡装置２０は、ウェルプレートＷＰが有する多数のウェルＷの中に培養された細胞に光を照射することで、細胞を透過した透過光を細胞の画像として撮像する。これによって、顕微鏡装置２０は、細胞の透過ＤＩＣ画像や、位相差画像、暗視野画像、明視野画像等の画像を取得することができる。
　さらに、細胞に蛍光物質を励起する励起光を照射することで、顕微鏡装置２０は、生体物質から発光される蛍光を細胞の画像として撮像する。
　本実施形態では、細胞を生きたまま染色し、タイムラプス撮影することで、細胞刺激後の細胞の変化画像を取得する。本実施形態においては、蛍光融合タンパク質を発現させるか、もしくは細胞を生きたままで化学試薬などで染色するなどし、細胞画像を取得する。更に別の本実施形態では、細胞を固定して染色し、細胞画像を取得する。固定された細胞は代謝が止まる。したがって、細胞に刺激を加えた後、細胞内の経時変化を固定細胞で観察する場合には、細胞を播種した複数の細胞培養容器を用意する必要がある。例えば、細胞に刺激を加え、第１時間後の細胞の変化と、第１時間とは異なる第２時間後の細胞の変化を観察したい場合がある。この場合には、細胞に刺激を加えて第１時間を経過した後に、細胞を固定して染色し、細胞画像を取得する。
　一方、第１時間での観察に用いた細胞とは異なる細胞培養容器を用意し、細胞に刺激を加え第２時間を経過した後に、細胞を固定し、染色して、細胞画像を取得する。これにより、第１時間の細胞の変化と、第２時間での細胞の変化とを観察することで、細胞内の経時変化を推定することができる。また、第１時間と第２時間との細胞内の変化を観察することに用いる細胞の数は１つに限られない。したがって、第１時間と第２時間とで、それぞれ複数の細胞の画像を取得することになる。例えば、細胞内の変化を観察する細胞の数が、１０００個だった場合には、第１時間と第２時間とで２０００個の細胞を撮影することになる。したがって、刺激に対する細胞内の変化の詳細を取得しようとする場合には、刺激からの撮像するタイミング毎に、複数の細胞画像が必要となり、大量の細胞画像が取得される。
　また、顕微鏡装置２０は、生体物質内に取り込まれた発色物質そのものから発光或いは蛍光や、発色団を持つ物質が生体物質に結合することによって生じる発光或いは蛍光を、上述した細胞の画像として撮像してもよい。これにより、顕微鏡観察システム１は、蛍光画像、共焦点画像、超解像画像、二光子励起蛍光顕微鏡画像を取得することができる。
　なお、細胞の画像を取得する方法は、光学顕微鏡に限られない。例えば、細胞の画像を取得する方法は、電子顕微鏡でも構わない。また、細胞の画像は、異なる方式により得られた画像を用い、相関を取得しても構わない。すなわち、細胞の画像の種類は適宜選択しても構わない。
　本実施形態における細胞は、例えば、初代培養細胞や、株化培養細胞、組織切片の細胞等である。細胞を観察するために、観察される試料は、細胞の集合体や組織試料、臓器、個体（動物など）を用い観察し、細胞を含む画像を取得しても構わない。なお、細胞の状態は、特に制限されず、生きている状態であっても、或いは固定されている状態であってもよい。細胞の状態は、“in-vitro”であっても構わない。勿論、生きている状態の情報と、固定されている情報とを組み合わせても構わない。
　また、細胞を、化学発光或いは蛍光タンパク質（例えば、導入された遺伝子（緑色蛍光タンパク質（ＧＦＰ）など）から発現された化学発光或いは蛍光タンパク質）で処理し、観察しても構わない。あるいは、細胞を、免疫染色や化学試薬による染色を用いて観察しても構わない。それらを組み合わせて観察しても構わない。例えば、細胞内の核内構造（例えば、ゴルジ体など）を判別する種類に応じて、用いる発光タンパク質を選択することも可能である。
　また、これらの細胞を観察する手段、細胞を染色する方法などの相関取得を解析するための前処理は、目的に応じて適宜選択しても構わない。例えば、細胞の動的挙動を得る場合に最適な手法により細胞の動的な情報を取得して、細胞内のシグナル伝達を得る場合には最適な手法により細胞内のシグナル伝達に関する情報を取得しても構わない。これら、目的に応じて選択される前処理が異なっていても構わない。
　ウェルプレートＷＰは、１個ないし複数のウェルＷを有する。この一例では、ウェルプレートＷＰは、図１に示すように８×１２の９６個のウェルＷを有する。ウェルプレートＷＰの数はこれに限られず、６×９の５４個のウェルＷを有していても構わない。細胞は、ウェルＷの中において、特定の実験条件のもと配置もしくは培養される。。特定の実験条件とは、温度、湿度、培養期間、刺激が付与されてからの経過時間、付与される刺激の種類や強さ、濃度、量、刺激の有無、生物学的特徴の誘導等を含む。刺激とは、例えば、電気、音波、磁気、光等の物理的刺激や、物質や薬物の投与による化学的刺激等である。また、生物学的特徴とは、細胞の分化の段階や、形態、細胞数、細胞内の分子の挙動、オルガネラの形態や挙動、各形体、核内構造体の挙動、ＤＮＡ分子の挙動等を示す特徴である。
　図２は、本実施形態の解析装置１０が備える各部の機能構成の一例を示すブロック図である。解析装置１０は、顕微鏡装置２０によって撮像された画像を解析するコンピュータ装置である。
　解析装置１０は、演算部１００と、記憶部２００と、結果出力部３００とを備える。
　演算部１００は、プロセッサが記憶部２００に格納されたプログラムを実行することにより機能する。また、これらの演算部１００の各機能部のうちの一部または全部は、ＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）やＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等のハードウェアによって構成されていてもよい。演算部１００は、細胞画像取得部１０１と、特徴量算出部１０２と、比較特徴量選択部１０３と、相関算出部１０４と、相関比較部１０５とを備える。
　細胞画像取得部１０１は、撮像部２２が撮像した細胞画像を取得し、取得した細胞画像を特徴量算出部１０２に供給する。ここで、細胞画像取得部１０１が取得する細胞画像には、細胞の培養状態が時系列に撮像された複数の画像や、様々な実験条件下において細胞が培養された複数の画像が含まれる。
　特徴量算出部１０２は、細胞画像取得部１０１が供給する細胞画像の複数種類の特徴量を算出する。この特徴量には、細胞画像の輝度、画像中の細胞面積、画像中の細胞画像の輝度の分散、形などが含まれる。すなわち、特徴量は、撮像される細胞画像から取得される情報から導出される特徴である。すなわち、特徴量は、撮像される細胞画像から取得される情報から導出される特徴である。例えば、取得される画像における輝度分布を算出する。特徴量算出部１０２は、時系列もしくは、分化等の細胞状態の変化で異なる複数の画像を用い、算出される輝度分布の所定時間の変化、もしくは、算出される輝度分布の分化等の細胞状態変化に伴う変化から、他とは異なる輝度の変化を示す位置情報を求め、輝度の変化を特徴量としてもよい。以下の説明では、細胞画像に撮像された細胞を、測定細胞とも記載する。特徴量算出部１０２は、測定細胞の所定条件下での特徴量を算出する。本実施形態では、測定細胞として、刺激を与えられた細胞を用いる。
　また、特徴量算出部１０２は、所定の時間間隔で撮像した複数の画像の各々を観察することによって、細胞の収縮、心拍拍動周期、細胞移動速度、元気な細胞や死につつある細胞の指標である核内クロマチンの凝集度の変化、神経細胞の突起の数や長さの変化率、神経細胞のシナプスの数、膜電位変化などの神経活動、細胞内カルシウム濃度変化、２次メッセンジャーの活動度、オルガネラの形態変化、細胞内の分子の挙動、核形態、核内構造体の挙動、ＤＮＡ分子の挙動等の動的な特徴量を抽出するようにしてもよい。これら特徴量抽出方法は、例えばフーリエ変換、ウェーブレット変換、時間微分を用い、ノイズ除去のために移動平均を用いる。
　なお、以下の説明では、特徴量算出部１０２が算出する特徴量のことを測定特徴量とも記載する。
　つまり、特徴量算出部１０２は、測定細胞が撮像された細胞画像から、測定細胞を構成する構成要素の特徴量を、測定特徴量として算出する。
　比較特徴量選択部１０３は、比較特徴量を選択する。比較特徴量は、相関算出部１０４から算出される測定特徴量の算出に用いられた測定細胞とは異なる細胞を撮像した細胞画像から算出される特徴量である。以下の説明では、比較特徴量の算出に用いられた細胞画像に撮像された細胞を比較細胞とも記載する。ここで、比較細胞とは、測定細胞とは異なる条件下の細胞である。比較特徴量は、比較細胞が撮像された細胞画像から算出された特徴量である。比較特徴量は、予め特徴量算出部１０２から算出され、記憶部２００が備える比較特徴量記憶部２０２に記憶されていてもよい。また、比較特徴量は、解析装置１０を操作するユーザによって入力されてもよい。
　比較特徴量選択部１０３は、選択した比較特徴量を相関算出部１０４に対して供給する。
　相関算出部１０４は、特徴量算出部１０２から測定特徴量を取得する。相関算出部１０４は、比較特徴量選択部１０３から比較特徴量を取得する。相関算出部１０４は、特徴量算出部１０２から取得する測定特徴量と、比較特徴量選択部１０３から取得する比較特徴量とに基づいて、測定特徴量同士の偏相関及び比較特徴量同士の偏相関係数を算出する。相関算出部１０４は、算出した測定特徴量同士の偏相関及び比較特徴量同士の偏相関係数に基づいて、それぞれの特徴量同士の相関関係を示すネットワークを算出する。言い換えると、比較特徴量選択部１０３は、測定特徴量と、比較特徴量とを用いて、測定特徴量同士のネットワークを算出する。相関算出部１０４がネットワークを算出する方法は後述する。
　相関算出部１０４は算出した相関を、相関比較部１０５に対して供給する。
　結果出力部３００は、演算部１００による演算結果を表示部３０に出力する。なお、結果出力部３００は、演算部１００による演算結果を、表示部３０以外の出力装置や、記憶装置などに出力してもよい。
　表示部３０は、結果出力部３００が出力する演算結果を表示する。
　上述した演算部１００の具体的な演算手順について、図３を参照して説明する。
　図３は、本実施形態の演算部１００の演算手順の一例を示す流れ図である。なお、ここに示す演算手順は、一例であって、演算手順の省略や演算手順の追加が行われてもよい。
　細胞画像取得部１０１は、細胞画像を取得する（ステップＳ１０）。この細胞画像には、遺伝子、タンパク質、オルガネラなど、大きさが相違する複数の種類の生体組織の画像が含まれている。また、細胞画像には、細胞の形状情報が含まれている。細胞画像には、表現型、代謝物、タンパク質、遺伝子の情報が含まれているので、それらの間の相関を取得することができる。
　特徴量算出部１０２は、ステップＳ１０において取得された細胞画像に含まれる細胞の画像を、細胞毎に抽出する（ステップＳ２０）。特徴量算出部１０２は、細胞画像に対して画像処理を施すことにより、細胞の画像を抽出する。この一例では、特徴量算出部１０２は、画像の輪郭抽出やパターンマッチングなどを施すことにより、細胞の画像を抽出する。
　次に、特徴量算出部１０２は、ステップＳ２０において抽出された細胞の画像について、細胞の種類を判定する（ステップＳ３０）。さらに、特徴量算出部１０２は、ステップＳ３０における判定結果に基づいて、ステップＳ２０において抽出された細胞の画像に含まれる細胞の構成要素を判定する（ステップＳ４０）。ここで、細胞の構成要素には、細胞核、リソソーム、ゴルジ体、ミトコンドリアなどの細胞小器官（オルガネラ）や、オルガネラを構成するタンパク質などが含まれる。なお、ステップＳ３０では細胞の種類を判定しているが、細胞の種類を判定しなくても構わない。この場合には、予め導入する細胞の種類が判定されている場合には、その情報を使用しても構わない。勿論、細胞の種類を特定しなくても構わない。
　次に、特徴量算出部１０２は、ステップＳ４０において判定された細胞の構成要素ごとに、画像の特徴量を測定特徴量として算出する（ステップＳ５０）。この特徴量には、画素の輝度値、画像内のある領域の面積、画素の輝度の分散値などが含まれる。また、特徴量には、細胞の構成要素に応じた複数の種類がある。一例として、細胞核の画像の特徴量には、核内総輝度値や、核の面積などが含まれる。細胞質の画像の特徴量には、細胞質内総輝度値や、細胞質の面積などが含まれる。また、細胞全体の画像の特徴量には、細胞内総輝度値や、細胞の面積などが含まれる。また、ミトコンドリアの画像の特徴量には、断片化率が含まれる。なお、特徴量算出部１０２は、特徴量を、例えば０（ゼロ）から１までの間の値に正規化して算出してもよい。
　また、特徴量算出部１０２は、細胞画像に対応付けられている細胞に対する実験の条件の情報に基づいて、特徴量を算出してもよい。例えば、細胞について抗体を反応させた場合において撮像された細胞画像の場合には、特徴量算出部１０２は、抗体を反応させた場合に特有の特徴量を算出してもよい。また、細胞を染色した場合、又は細胞に蛍光タンパクを付与した場合において撮像された細胞画像の場合には、特徴量算出部１０２は、細胞を染色した場合、又は細胞に蛍光タンパクを付与した場合に特有の特徴量を算出してもよい。
　これらの場合、記憶部２００は、実験条件記憶部２０１を備えていてもよい。この実験条件記憶部２０１には、細胞画像に対応付けられている細胞に対する実験の条件の情報が、細胞画像毎に記憶される。
　ここで特徴量算出部１０２が算出する、あるタンパク質の特徴量の算出結果について、図４を参照して説明する。
　図４は、本実施形態の特徴量算出部１０２による特徴量の算出結果の一例を示す図である。特徴量算出部１０２は、タンパク質１について、細胞ごと、かつ時刻ごとに、複数の特徴量を算出する。この一例において、特徴量算出部１０２は、細胞１から細胞ＮまでのＮ個の細胞について、特徴量を算出する。また、この一例において、特徴量算出部１０２は、時刻１から時刻７までの７つの時刻について、特徴量を算出する。また、この一例において、特徴量算出部１０２は、特徴量ｋ１から特徴量ｋＫまでの、Ｋ種類の特徴量を算出する。つまり、この一例において、特徴量算出部１０２は、三軸の方向に、特徴量を算出する。ここで、細胞方向の軸を軸Ｎｃと、時間方向の軸を軸Ｎと、特徴量方向の軸を軸ｄ１と、それぞれ記載する。
　なお、特徴量ｋ１から特徴量ｋＫまでのＫ種類の特徴量とは、タンパク質１についての特徴量の組み合わせである。タンパク質１以外のタンパク質、又は、タンパク質１以外の細胞内の構成要素については、特徴量の種類や組み合わせが相違する場合がある。
　特徴量算出部１０２は、ステップＳ５０において算出した特徴量を測定特徴量として、相関算出部１０４に供給する。
　比較特徴量選択部１０３は、比較特徴量を選択する（ステップＳ６０）。本実施形態では、比較特徴量は、無刺激の細胞が撮像された細胞画像から算出される特徴量である。無刺激細胞とは、刺激を与えていない細胞である。具体的には、無刺激細胞とは、刺激を受けた細胞と比較に用いられるコントロール細胞である。本実施形態では、実験条件として、刺激を受けた細胞から算出される測定特徴量と、刺激を与えていない細胞から算出される比較特徴量とで、特徴量を求めるための条件が異なる。コントロール細胞とは、刺激を受けた細胞と、刺激以外の条件をそろえて培養された細胞である。つまり、本実施形態の比較特徴量には、刺激を与えずに培養された細胞を所定の時間間隔で撮像した複数の画像から算出された特徴量を用いる。比較特徴量選択部１０３は、相関算出部１０４に対して、選択した比較特徴量を供給する。相関算出部１０４は、取得した測定特徴量と、比較特徴量とに基づいてネットワークを算出する（ステップＳ７０）。ここで、相関算出部１０４が測定特徴量と、比較特徴量とに基づいてネットワークを算出する処理について、図５を参照して説明する。
　図５は、本実施形態の相関算出部１０４がネットワークを算出する演算手順の一例を示す流れ図である。
　相関算出部１０４は、特徴量算出部１０２から測定特徴量を取得する（ステップＳ７１０）。相関算出部１０４は、比較特徴量選択部１０３から比較特徴量を取得する（ステップＳ７２０）。相関算出部１０４は、細胞毎の特徴量の行列Ｘに、測定特徴量と比較特徴量とを代入する（ステップＳ７３０）。ここで、測定特徴量と比較特徴量とを代入した行列Ｘの一例を、図６を参照して説明する。
　図６は、本実施形態の細胞毎の特徴量の行列Ｘの一例を示す図である。ある細胞についての特徴量を図６に示す、行方向に軸Ｎを、列方向に軸ｄをとった行列Ｘによって示している。図６に示す値ＴＭは、測定特徴量である。図６に示す値ＣＭは、比較特徴量である。
　行列Ｘの各要素は、細胞集団の平均値、中央値、最頻値といった統計量を使用することもできる。勿論、細胞毎の特徴量の行列Ｘとしても構わない。
　つまり、相関算出部１０４は、測定特徴量と比較特徴量とを１つの行列Ｘに代入して、ネットワークを算出する。
　ここで、相関算出部１０４が算出するネットワークについて説明する。ネットワークには、ノード、エッジ等が含まれる。ネットワークは、ノードとノードとを繋ぐエッジによって表現される。ノードとは、上述した行列Ｘの各要素である。言い換えると、ノードとは、行列Ｘに含めた特徴量である。エッジは、エッジを介して接続されるノードの相関を示す。言い換えると、エッジとは、行列Ｘに含めた特徴量同士の相関である。
　図５に戻り、相関算出部１０４は、算出するネットワークの数を決定する（ステップＳ７４０）。この一例では、相関算出部１０４は、１つのネットワークを算出する。なお、相関算出部１０４は、ステップＳ７４０の処理を、ステップＳ７１０からステップＳ７３０までのそれぞれの処理の前後で行ってもよい。
　相関算出部１０４は、ネットワークの算出に用いる正則化パラメータλを決定する（ステップＳ７５０）。正則化パラメータとは、上述した行列Ｘの要素を正則化する強さを表すパラメータである。パラメータλが大きいほど精度行列の成分は疎になりやすい。パラメータλを変更することで、ネットワークを算出するために用いる特徴量を変更することができる。したがって、パラメータλに応じて、ネットワークの算出に用いる特徴量を少なくすることができるので、エッジの数を減らすことができる。この本実施形態では、正則化パラメータλは、相関算出部１０４が算出するネットワークに含まれるエッジの数が０にならない値を用いる。
　相関算出部１０４は、決定した正則化パラメータλと、行列Ｘとに基づいて、グラフィカルラッソ法により偏相関行列を算出する（ステップＳ７６０）。以下の説明では、グラフィカルラッソ法を、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法とも記載する。なお、本実施形態では、相関算出部１０４が決定する正則化パラメータλは、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法に用いられる正則化パラメータである。Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法とは、Ｌ１正則化付のガウシアンモデルから、精度行列を推定するための効率的なアルゴリズムである。例えば、ＪＥＲＯＭＥ　ＦＲＩＥＤＭＡＮとＴＲＥＶＯＲ　ＨＡＳＴＩＥとＲＯＢＥＲＴ　ＴＩＢＳＨＩＲＡＮＩによるＢｉｏｓｔａｔｉｓｔｉｃｓ　（２００８），　９，　３　４３２－４４１号の“Ｓｐａｒｓｅ　ｉｎｖｅｒｓｅ　ｃｏｖａｒｉａｎｃｅ　ｅｓｔｉｍａｔｉｏｎ　ｗｉｔｈ　ｔｈｅ　ｇｒａｐｈｉｃａｌ　ｌａｓｓｏ”に記載されている。なお、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法に用いる正則化パラメータλの値は、０よりも大きく、１よりも小さい値である。
　なお、相関算出部１０４が決定する正則化パラメータλは、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法の正則化パラメータに限られず、行列Ｘの要素を変化させるパラメータであればよい。つまり、正則化パラメータλは、相関算出部１０４がネットワークを算出する際に、行列Ｘに含まれる要素に影響を与えるパラメータであればよい。
　ここで、図７を参照して相関算出部１０４から算出される偏相関行列の一例について説明する。
　図７は、相関算出部１０４から算出される偏相関行列の一例を示す図である。この一例では、図７に示す偏相関行列は、図６に示す行列Ｘと、ステップＳ７５０において決定される正則化パラメータλとに基づいてＧｒａｐｈｉｃａｌ　Ｌａｓｓｏ法により算出される。相関算出部１０４は、測定特徴量と比較特徴量とを一つの行列Ｘに代入し、偏相関行列を算出する。相関算出部１０４から算出される偏相関行列には、測定特徴量から算出される測定偏相関係数ＴＲＭと、比較特徴量から算出される比較偏相関係数ＣＲＭとが含まれる。
　測定偏相関係数ＴＲＭは、測定特徴量から算出される偏相関係数である。測定特徴量から算出される測定偏相関係数ＴＲＭは、測定特徴量同士の相関の程度を示す値である。つまり、測定偏相関係数ＴＲＭは、測定特徴量同士の相関関係を示す値である。以下の説明では、測定特徴量同士の相関関係を、測定ネットワークとも記載する。測定特徴量同士の相関は、偏相関Ｒによって示される。この一例では、偏相関Ｒには、偏相関Ｒ１２から偏相関Ｒ（Ｎ－１）Ｎまでが含まれる。ここで、Ｎは、上述した図６に示す特徴量の数である。具体的には、偏相関Ｒ１２は特徴量Ｘ１と特徴量Ｘ２との相関の程度を示す値である。
　比較偏相関係数ＣＲＭは、比較特徴量から算出される偏相関係数である。比較特徴量から算出される比較偏相関係数ＣＲＭは、比較特徴量同士の相関の程度を示す値である。つまり、比較偏相関係数ＣＲＭは、比較特徴量同士の相関関係を示す値である。以下の説明では、比較特徴量同士の相関関係を、比較ネットワークとも記載する。比較特徴量同士の相関は、偏相関Ｒ’によって示される。この一例では、偏相関Ｒ’には、偏相関Ｒ’１２から偏相関Ｒ’（Ｎ’－１）N’までが含まれる。
　図５に戻り、相関算出部１０４は、算出した偏相関行列から特徴量同士の測定ネットワーク及び比較ネットワークを算出する（ステップＳ７７０）。言い換えると、相関算出部１０４は、算出した偏相関行列に含まれる偏相関係数に基づいてノード間のエッジを決定し、測定ネットワーク及び比較ネットワークを算出する。相関算出部１０４は、ステップＳ７４０にて決定した数の測定ネットワーク及び比較ネットワークを算出したか判定する（ステップＳ７８０）。相関算出部１０４は、ステップＳ７４０にて決定した数のネットワークを算出していない場合（ステップＳ７８０；ＮＯ）には、ステップＳ７５０からステップＳ７７０までの処理を繰り返す。相関算出部１０４は、ステップＳ７４０にて決定した数のネットワークを算出した場合（ステップＳ７８０；ＹＥＳ）には、処理を終了する。
　ここまでは、相関算出部１０４の処理の詳細について説明した。図３に戻り、相関算出部１０４は、算出したネットワークと、ネットワーク相関の算出に用いた正則化パラメータλとを対応付けて相関比較部１０５に供給する。相関比較部１０５は、相関算出部１０４からネットワークと、ネットワークの算出に用いた正則化パラメータλとを取得する。相関比較部１０５は、相関算出部１０４から取得したネットワークに含まれる、比較偏相関係数ＣＲＭから算出されたエッジを比較する（ステップＳ８０）。ここで図８を参照して、相関比較部１０５が比較するエッジの一例について説明する。
　図８は、相関比較部１０５が比較するエッジの一例を示す図である。図８（Ａ）に示すネットワークは、図７に示す測定偏相関係数ＴＲＭから算出されたネットワークである。図８（Ｂ）に示す相関は、図７に示す比較偏相関係数ＣＲＭから算出されたネットワークである。
　上述したように、本実施形態の比較偏相関係数ＣＲＭの算出に用いた比較特徴量は、無刺激細胞が撮像された画像から算出される特徴量である。本実施形態の比較偏相関係数ＣＲＭから算出されるエッジの数は、測定偏相関係数ＴＲＭから算出されるエッジの数よりも少ない。本実施形態では、図８（Ｂ）に示すネットワークは、無刺激細胞から得られたネットワークである。一方、図８（Ａ）は、刺激を受けた細胞から得られたネットワークである。
　本実施形態においては、細胞を構成する要素の一つであるタンパク質Ｘ１、タンパク質Ｘ２、タンパク質Ｘ３、タンパク質Ｘ４の間のネットワークを表す図である。タンパク質Ｘ１～Ｘ４はノードである。また、タンパク質Ｘ１の画像から得られる特徴量は複数あり、図ではＸ１の周囲にマルを配置することで表現している。本実施形態では、タンパク質Ｘ１の特徴量は１０種類ある。例えば、タンパク質Ｘ１の特徴量とタンパク質Ｘ２の特徴量とのそれぞれの特徴量同士に相関がある場合には、エッジがあるとして線で結ばれる。
　また、図８（Ａ）のエッジの数と図８（Ｂ）のエッジの数とを比較すると、図８（Ｂ）のエッジの数が少ない。図８（Ａ）のネットワークと比較すると、図８（Ｂ）のネットワークは疎である。これは、無刺激細胞から算出される比較特徴量は、刺激を受けた細胞から算出される測定特徴量と比較して、時間経過によって変化を起こしにくく、比較特徴量同士の相関が表れにくいからである。
　また、無刺激細胞から得られたネットワークなので、エッジの数は少ない方が望ましい。相関算出部１０４は正則化パラメータλに応じたネットワークを算出する場合には、無刺激細胞から得られたネットワークなのでエッジの少なくなるような、正則化パラメータλを選択することが望ましい。本実施形態では、図８（Ｂ）に示すネットワークは、タンパク質Ｘ’３とタンパク質Ｘ’４とにそれぞれ含まれる特徴量同士の相関を示すエッジが１つしか含まれず、疎である。以下の説明では、ネットワークに含まれるエッジの数が少ない状態を、エッジが疎であるという。
　なお、本実施形態の表示では、ノードの周囲に特徴量を配置し、特徴量同士の間を線で結びエッジを表現しているが、これに限られない。例えば、ノードとノードとの間を線で結びエッジを表現しても構わない。
　以下の説明では、比較偏相関係数ＣＲＭから算出されるネットワークを、比較ネットワークとも記載する。
　相関比較部１０５は、相関算出部１０４が算出した正則化パラメータλの異なる複数のネットワークから、比較偏相関係数ＣＲＭから算出されるエッジの数に基づいて、正則化パラメータλを選択することができる。そして、正則化パラメータλを選択すると、測定ネットワークを選択することができる。
　なお、相関比較部１０５は、エッジの数が最も少なくなった、正則化パラメータλの結果のネットワークを選択してもよい。また、以下の説明では、相関比較部１０５が選択する、比較ネットワークと、比較ネットワークと共に算出された測定ネットワークとを、選択ネットワークとも記載する。
　相関比較部１０５は、選択ネットワークを結果出力部３００に対して供給する。結果出力部３００は、相関比較部１０５から選択ネットワークを取得する。結果出力部３００は、取得した選択ネットワークを、表示部３０に表示させる（ステップＳ９０）。
　なお、上述したステップＳ８０のエッジの比較の処理において、比較ネットワークに疎のネットワークが含まれない場合には、解析装置１０は、ステップＳ６０の処理に戻り比較特徴量を再選択してもよい。すなわち、正則化パラメータλを変更しても、比較ネットワークのエッジが変化しない場合には、ステップ６０の処理に戻り、比較特徴量を再選択しても構わない。また、この場合に、比較特徴量を再度取得しても構わない。また、ステップＳ８０のエッジの比較の処理において、比較ネットワークにエッジが疎であるネットワークが含まれない場合には、解析装置１０は、ステップＳ７０の処理に戻り、ネットワークの算出に用いた正則化パラメータλの値を変更し、ネットワークの算出をやりなおしてもよい。
　以上説明したように、解析装置１０は、測定細胞内の特徴量同士の相関を解析する。解析装置１０は、特徴量算出部１０２と、比較特徴量選択部１０３と、相関算出部１０４と、相関比較部１０５とを備える。特徴量算出部１０２は、細胞画像取得部１０１から取得される細胞画像に基づいて、測定特徴量を算出する。比較特徴量選択部１０３は、予め算出される比較特徴量を選択する。相関算出部１０４は、測定特徴量と、比較特徴量とを取得する。相関算出部１０４は、測定特徴量と、比較特徴量とを１つの行列Ｘに代入し、複数の正則化パラメータλ毎にネットワークを算出する。相関算出部１０４は、測定特徴量と、比較特徴量とを１つの行列Ｘに代入して偏相関係数を算出することにより、同一の正則化パラメータλを用いてネットワークを算出できる。言い換えると、相関算出部１０４は、測定特徴量と、比較特徴量とを１つの行列Ｘに代入してネットワークを算出することにより、同一の計算モデルを用いたネットワークを算出できる。これにより、ネットワークを比較する場合の算出条件の違いに伴う、解析誤差を抑制することができる。算出されるネットワークは、同一の正則化パラメータλを用いた、測定特徴量同士のネットワークと、比較特徴量同士のネットワークとが算出できる。測定特徴量と比較特徴量とを用い、正則化パラメータλを決定しているので、算出される測定特徴量同士のネットワークは、測定特徴量のみならず比較特徴量も考慮されている。すなわち、測定特徴量同士のネットワークを、測定特徴量のみならず、比較特徴量も用いて、正則化パラメータλを決定しているので、算出される測定特徴量同士のネットワークは、比較特徴量を加味されている。
　相関比較部１０５は、相関算出部１０４から正則化パラメータλ毎に算出されたネットワークを取得する。相関比較部１０５は、取得したネットワークのうちから、比較ネットワークに含まれるエッジの数が少ないネットワークと共に算出された測定ネットワークを選択する。解析装置１０は、予め比較ネットワークが無刺激細胞を用いた結果であることから、エッジの数が少ないことがわかっているので、比較ネットワークのエッジの数を指標として、測定ネットワークの正則化パラメータλを選択することができる。このように、比較ネットワークのエッジの数を指標とすることができるので、最適な測定ネットワークの正則化パラメータλを選択することができる。
　また、従来、ユーザが所望する細胞内或いは細胞間の相関を提示することは難しかった。解析装置１０は、無刺激細胞の特徴量である比較特徴量を指標に用いるので、比較ネットワーク及び測定ネットワークの算出に用いた正則化パラメータλの妥当性を示すことができる。また、解析装置１０は、正則化パラメータλの妥当性を示すことができるため、ユーザに対して納得感がある測定ネットワークを提示することができる。つまり、解析装置１０は、ユーザが所望する細胞内或いは細胞間の相関を提示することができる。
　なお、上述した比較特徴量は、無刺激細胞が撮像された細胞画像から算出された特徴量の場合について説明したがこれに限られない。例えば、刺激を受けた細胞画像を用いる場合であっても、所定のエッジがないことが予めわかっているのであれば、所定のエッジがないことを指標として、測定ネットワークの正則化パラメータλを選択することが可能である。
　なお、解析装置１０によって画像処理される画像は、顕微鏡装置２０によって撮像される画像だけに限らず、例えば、解析装置１０が備える記憶部２００に予め記憶されている画像や、不図示の外部記憶装置に予め記憶されている画像であってもよい。つまり、解析装置１０は、細胞画像取得部１０１を備えなくてもよい。また、顕微鏡観察システム１は、顕微鏡装置２０を備えなくてもよい。
　なお、解析装置１０は、比較特徴量選択部１０３を備えなくてもよい。この場合には、相関算出部１０４は、測定特徴量と、予め定められた比較特徴量とを用いて、測定特徴量同士の相関を算出すればよい。予め定められた比較特徴量とは、例えば、無刺激細胞を撮像した細胞画像から算出される特徴量である。
　なお、解析装置１０は、比較特徴量同士のネットワークを算出できればよく、相関比較部１０５を備えなくてもよい。この場合には、解析装置１０は、算出したネットワークを全て表示部３０に表示させればよい。
　また、上述した実施形態では、刺激された測定細胞と、刺激が与えてられない比較細胞とを用い、それぞれ特徴量を算出し、特徴量同士の相関を算出した。すなわち、測定細胞が置かれた条件と、比較細胞が置かれた条件との違いは、刺激の有無であったが、条件の違いはこれに限られない。測定細胞と比較細胞とで、それぞれが置かれた条件もしくはそれぞれに加えられた条件が異なっていれば構わない。例えば、測定細胞と比較細胞とで、共に刺激を加え、その刺激を異ならせ、刺激の違いを比較しても構わない。例えば、刺激を加える実験条件として、薬剤を用いる場合に、薬剤の種類もしくは薬剤の量でも構わない。また、複数のウェルに細胞を配置し、培養した場合、その異なるウェルに配置される細胞をそれぞれ測定細胞と比較細胞としても構わない。また、所定の時間に細胞に刺激を加え、測定細胞として特徴量を算出した実験に対して、測定細胞に刺激を加えた時間とは異なる時間に、測定細胞と同じ刺激を加え、比較細胞として特徴量を算出した実験でも構わない。すなわち、測定細胞と比較細胞とで、刺激を加えた時間の違いを比較しても構わない。測定細胞の実験条件と比較細胞の実験条件とで少なくとも、一つの条件を異ならせれば構わない。
［第２の実施形態］
　ここまでは、比較特徴量が、無刺激細胞が撮像された細胞画像から算出される特徴量の場合について説明した。次に、図９を参照して、比較特徴量として測定特徴量とは異なる刺激がされた細胞が撮像された細胞画像から算出される特徴量の場合について説明する。なお、第１の実施形態と同一の構成及び動作については、同一の符号を付してその説明を省略する。
　図９は、第２の実施形態に係る解析装置１０ａの構成の一例を示す図である。解析装置１０ａは、細胞画像取得部１０１と、特徴量算出部１０２と、比較特徴量選択部１０３ａと、相関算出部１０４ａと、相関比較部１０５ａと、正則化パラメータ選択部１０６ａとを備える。
　比較特徴量選択部１０３ａは、比較特徴量と、予め算出された比較特徴量の相関関係とを選択する。以下の説明では、予め算出された比較特徴量同士の相関関係を、基準ネットワークとも記載する。基準ネットワークとは、過去の細胞培養の実験結果などから予め算出されたネットワークである。また、以下の説明では、基準ネットワークの算出に用いた比較特徴量を、基準特徴量とも記載する。ここで、基準ネットワークとは、選択された比較特徴量から算出された解析装置１０ａを操作するユーザが所望する相関を含む基準特徴量同士の相関関係である。具体的には、基準ネットワークとは、ユーザが過去に実施した実験などから算出された、ユーザが所望する相関である。なお、この一例では、比較特徴量と、基準ネットワークとは、記憶部２００ａが備える比較特徴量記憶部２０２ａに記憶される。比較特徴量選択部１０３ａは、比較特徴量記憶部２０２ａから、比較特徴量と、基準ネットワークとを、相関算出部１０４ａに対して供給する。
　相関算出部１０４ａは、特徴量算出部１０２から測定特徴量を取得する。相関算出部１０４ａは、比較特徴量選択部１０３ａから比較特徴量と、基準ネットワークとを取得する。相関算出部１０４ａは、特徴量算出部１０２ａから取得した測定特徴量と、比較特徴量選択部１０３ａから取得した比較特徴量とを、１つの行列Ｘに代入し、正則化パラメータλ毎に偏相関行列を算出する。相関算出部１０４ａは、算出した偏相関行列に基づいて、測定ネットワークと比較ネットワークとを算出する。
　比較特徴量選択部１０３ａは、基準ネットワークと、算出した測定ネットワーク及び比較ネットワークを、正則化パラメータ選択部１０６ａに対して供給する。
　正則化パラメータ選択部１０６ａは、相関算出部１０４ａから、測定ネットワーク、比較ネットワーク及び基準ネットワークを取得する。正則化パラメータ選択部１０６ａは正則化パラメータλ毎に算出される、比較ネットワークと基準ネットワークとを比較する。この場合に、正則化パラメータ選択部１０６ａは、比較ネットワークに含まれるエッジと、基準ネットワークに含まれるエッジとを比較する。正則化パラメータ選択部１０６ａは、比較ネットワークと基準ネットワークとが近似するエッジを含む比較ネットワークの算出に用いられた正則化パラメータλを選択する。つまり、解析装置１０ａは、正則化パラメータ選択部１０６ａにより選択される正則化パラメータλを選択することにより、相関算出部１０４ａでネットワークを求めるために用いる特徴量を選択する選択度合を変更する。正則化パラメータ選択部１０６ａは、基準ネットワークと、選択した正則化パラメータλと、正則化パラメータλを用いて算出された測定ネットワーク及び比較ネットワークとを相関比較部１０５ａに対して供給する。
　相関比較部１０５ａは、正則化パラメータ選択部１０６ａから、基準ネットワークと、正則化パラメータλと、正則化パラメータλを用いて算出された測定ネットワーク及び比較ネットワークとを取得する。相関比較部１０５ａは、取得した正則化パラメータλと、基準ネットワークと、正則化パラメータλを用いて算出された測定ネットワーク及び比較ネットワークとを結果出力部３００ａに対して供給する。
　次に、図１０を参照して、解析装置１０ａの処理の一例について説明する。
　図１０は、第２の実施形態にかかる解析装置１０ａの処理の一例を示す流れ図である。
　ステップＳ１００からステップＳ１４０までの各処理は、図３に示すステップＳ１０からステップＳ５０までのそれぞれの処理と同一である。比較特徴量選択部１０３ａは、比較特徴量を選択する（ステップＳ１５０）。比較特徴量選択部１０３ａは、基準ネットワークを選択する（ステップＳ１６０）。比較特徴量選択部１０３ａは、選択した比較特徴量と、基準ネットワークとを、相関算出部１０４ａに対して供給する。
　相関算出部１０４ａは、特徴量算出部１０２から測定特徴量を取得する。相関算出部１０４ａは、比較特徴量選択部１０３ａから比較特徴量と基準ネットワークとを取得する。相関算出部１０４ａは、正則化パラメータλを複数選択する（ステップＳ１７０）。相関算出部１０４ａは、選択した複数の正則化パラメータλ毎に、測定特徴量と比較特徴量とを、１つの行列Ｘに代入し、偏相関行列を算出する。相関算出部１０４ａは、算出した相関と、基準ネットワークとを、正則化パラメータ選択部１０６ａに対して供給する。
　正則化パラメータ選択部１０６ａは、相関算出部１０４ａから、基準ネットワークと、算出された複数の相関とを取得する。正則化パラメータ選択部１０６aは、比較ネットワークと基準ネットワークとを比較する。例えば、比較ネットワーク内の所定の特徴量同士のエッジと、基準ネットワーク内の所定の特徴量同士のエッジとを比較する。この場合に、基準ネットワークの所定の特徴量同士のエッジがある場合に、比較ネットワーク内の所定の特徴量同士のエッジがある正則化パラメータλを選択する。基準ネットワークと比較ネットワークとを比較した正則化パラメータλを用いて、測定ネットワークの正則化パラメータλを選択することできる。すなわち、基準ネットワークと比較ネットワークとを比較した正則化パラメータλを用いて選択された正則化パラメータλによる、測定ネットワークを選択することができる。なお、基準ネットワークと比較ネットワークは、それぞれのネットワーク内の所定の特徴量同士のエッジを指標に正則化パラメータλを選択したが、これに限られない。例えば、基準ネットワークと比較ネットワークのそれぞれのネットワーク全体の近似度を用いても構わない。また、基準ネットワークと比較ネットワークとの特定のネットワークのみを比較し、その比較結果から正則化パラメータλを選択しても構わない。また、基準ネットワークと比較ネットワークとの、それぞれのエッジの数を用いても構わない。正則化パラメータ選択部１０６ａは、相関比較部１０５ａに対して、選択したネットワークと、選択した正則化パラメータλとを供給する。
　相関比較部１０５ａは、正則化パラメータ選択部１０６ａからネットワークと正則化パラメータλとを取得する（ステップＳ１８５）。相関比較部１０５ａは、取得したネットワークと正則化パラメータλとを結果出力部３００ａに対して供給する。結果出力部３００ａは、相関比較部１０５ａから取得したネットワークと正則化パラメータλとを、表示部３０に表示させる（ステップＳ１９０）。
　次に、図１１を参照して、上述したステップＳ１８０の処理の詳細について説明する。
　図１１は、正則化パラメータ選択部１０６ａの処理の一例について説明した流れ図である。
　正則化パラメータ選択部１０６ａは、相関算出部１０４ａから、ネットワークを取得する（ステップＳ８１０）。具体的には、正則化パラメータ選択部１０６ａは、測定ネットワークと比較ネットワークと、測定ネットワークと比較ネットワークとの算出に用いた正則化パラメータλを取得する。正則化パラメータ選択部１０６ａは、相関算出部１０４ａから基準特徴量同士の相関関係である基準ネットワークを取得する（ステップＳ８２０）。ここで、基準ネットワークについて、図１２を参照して説明する。
　図１２は基準ネットワークＢＮの一例を示す図である。図１２に示す基準ネットワークＢＮは、ノードＸ’１と、ノードＸ’２との間と、ノードＸ’２とノードＸ’３との間と、ノードＸ’３とノードＸ’４との間に、エッジが含まれる相関である。
　図１１に戻り、正則化パラメータ選択部１０６ａは、比較する正則化パラメータλを決定する（ステップＳ８３０）。正則化パラメータ選択部１０６ａは、決定した正則化パラメータλの比較ネットワークに含まれるエッジと、基準ネットワークに含まれるエッジとを比較する（ステップＳ８４０）。正則化パラメータ選択部１０６ａは、比較ネットワークに含まれるエッジと基準ネットワークに含まれるエッジとが近似した相関関係を示さない場合（ステップＳ８５０；ＮＯ）には、正則化パラメータ選択部１０６ａは、ステップＳ８３０に戻り、比較する正則化パラメータλを決定し直す。正則化パラメータ選択部１０６ａは、比較ネットワークに含まれるエッジと基準ネットワークに含まれるエッジとが近似した相関関係を示す場合（ステップＳ８５０；ＹＥＳ）には、正則化パラメータ選択部１０６ａは処理を終了し、相関比較部１０５ａに対して測定ネットワークと比較ネットワークと、決定した正則化パラメータλとを供給する。
　ここで、図１３を参照して、正則化パラメータ選択部１０６ａが相関を選択する一例について説明する。
　図１３は、相関算出部１０４ａが算出したネットワークの一例を示す図である。
　図１３（Ａ－１）に示すネットワークは、正則化パラメータλ＝０．１を用いて算出された測定ネットワークＴＮ１である。図１３（Ｂ－１）に示すネットワークは、測定ネットワークＴＮ１と共に算出された比較ネットワークＣＮ１である。
　図１３（Ａ－２）に示すネットワークは、正則化パラメータλ＝０．５を用いて算出された測定ネットワークＴＮ５である。図１３（Ｂ－２）に示すネットワークは、測定ネットワークＴＮ５と共に算出された比較ネットワークＣＮ５である。
　図１３（Ａ－３）に示すネットワークは、正則化パラメータλ＝０．９を用いて算出された、測定ネットワークＴＮ９である。図１３（Ｂ－３）に示すネットワークは、測定ネットワークＴＮ９と共に算出された比較ネットワークＣＮ９である。
　なお、本実施形態では、図１３を例に挙げて説明したが、これに限られない。例えば、選択される正則化パラメータλは、λ＝０．１、λ＝０．５、λ＝０．９に限られずに、これ以外の数値のλを用いても構わない。また、λは三種類以上の数を用いても構わない。
　正則化パラメータ選択部１０６ａは、基準ネットワークＢＮに含まれるエッジと、比較ネットワークＣＮ１から比較ネットワークＣＮ９までに含まれるエッジとを比較する。正則化パラメータ選択部１０６ａは、基準ネットワークＢＮに含まれるエッジの疎密と、比較ネットワークＣＮに含まれるエッジの疎密とを比較する。この一例では、正則化パラメータ選択部１０６ａは、基準ネットワークＢＮと、比較ネットワークＣＮ５とが近似する疎密のエッジを含む。正則化パラメータ選択部１０６ａは、基準ネットワークＢＮと、比較ネットワークＣＮ５とが、近似すると判定する。正則化パラメータ選択部１０６ａは、基準ネットワークＢＮと近似する相関関係である比較ネットワークＣＮ５の算出に用いられた正則化パラメータλ＝０．５を選択する。また、正則化パラメータ選択部１０６ａは、比較ネットワークＣＮ５と共に算出される測定ネットワークＴＮ５を、ユーザが所望する相関を示す相関関係として選択する。
　以上説明したように、解析装置１０ａは、比較特徴量選択部１０３ａと、正則化パラメータ選択部１０６ａとを備える。比較特徴量選択部１０３ａは、比較特徴量記憶部２０２から、比較特徴量と、基準ネットワークとを選択する。正則化パラメータ選択部１０６ａは、比較特徴量と測定特徴量とを行列Ｘに代入し、算出される相関のうちから比較ネットワークに含まれるエッジと、基準ネットワークに含まれるエッジとを比較する。これにより、基準ネットワークを指標として、正則化パラメータλを選択することができる。基準ネットワークを指標として、測定ネットワークの正則化パラメータを選択することできる。これにより、ユーザは所望する測定ネットワークを提示することができる。
　なお、解析装置１０ａは、正則化パラメータ選択部１０６ａにおいて基準ネットワークＢＮと近似する比較ネットワークＣＮが見つからない場合には、正則化パラメータλを変化させて測定ネットワークＴＮと比較ネットワークＣＮとを算出してもよい。また、解析装置１０ａは、正則化パラメータλ毎の測定ネットワークＴＮと比較ネットワークＣＮと、基準ネットワークＢＮとを表示部３０に表示させ、ユーザ操作によって正則化パラメータλを変化させて、ユーザに、近似する比較ネットワークＣＮと基準ネットワークＢＮとを選択させてもよい。ユーザは、正則化パラメータλの変化による相関の変化の様子を観察することができ、所望する相関を得ることができる。
　なお、第２の実施形態に係る比較特徴量の算出に用いられる細胞は、どのような刺激を与えられた細胞であってもよい。測定特徴量の算出に用いられた刺激を受けた細胞とは異なる刺激を受けた細胞が撮像された細胞画像から算出された特徴量であってもよい。また、測定ネットワークと基準ネットワークとを同じ刺激を与えられた細胞であっても構わない。
　また、上述した解析装置は、相関算出部のみを備える構成であってもよい。解析装置は、複数の実験から得られる細胞の特徴量を、１つの行列Ｘに代入し、複数の特徴量同士の相関を一度に算出する。これにより解析装置は、従来、別々に相関関係を算出していた場合には、比較できなかった特徴量同士の相関を、比較することができる。また、解析装置は、予め算出されている基準ネットワークＢＮに含まれるエッジと、相関算出部から算出される相関のうち比較ネットワークＣＮに含まれるエッジとを比較することにより、ユーザが新たに行った実験から得たい相関の選択基準を決定することができ、ユーザが所望する特徴量同士の相関関係を提示することができる。
　なお、本発明の実施形態における解析装置１０及び解析装置１０ａの各処理を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、当該記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、上述した種々の処理を行ってもよい。
　なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
　さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
　なお、上述の各実施形態の要件は、適宜組み合わせることができる。また、一部の構成要素を用いない場合もある。また、法令で許容される限りにおいて、上述の各実施形態及び変形例で引用した装置などに関する全ての公開公報及び米国特許の開示を援用して本文の記載の一部とする。
　１…顕微鏡観察システム、１０，１０ａ…解析装置、２０…顕微鏡装置、３０…表示部、１０１…細胞画像取得部、１０２…特徴量算出部、１０３，１０３ａ…比較特徴量選択部、１０４，１０４ａ…相関算出部、１０５，１０５ａ…相関比較部、１０６ａ…正則化パラメータ選択部、２００…記憶部、３００…結果出力部

Claims (14)

  1. 　第１条件下での第１細胞内の特徴量同士の相関を解析する解析装置であって、
    　前記第１細胞が撮像された第１細胞画像から、前記第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出部と、
    　前記特徴量算出部が算出する前記第１特徴量と、前記第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、前記第１特徴量同士の相関を算出する相関算出部とを備える、解析装置。
  2. 　前記相関算出部が算出する前記第１特徴量同士の相関と、前記相関算出部が算出する前記第２特徴量同士の相関とを比較する、相関比較部とを備える、請求項１に記載の解析装置。
  3. 　前記第１、第２特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択部と、
    　前記パラメータ選択部により選択される第１パラメータを用い、前記相関算出部は前記第１特徴同士の相関及び前記第２特徴量同士の相関を算出する、請求項１又は２に記載の解析装置。
  4. 　予め算出された前記第２特徴量同士の相関に基づいて、前記パラメータ選択部は前記パラメータを選択する、請求項３に記載の解析装置。
  5. 　予め算出された前記第２特徴量同士の相関と、前記相関算出部で算出される第２特徴量同士の相関とに基づいて、前記パラメータ選択部は前記パラメータを選択する、請求項３に記載の解析装置。
  6. 　前記パラメータ選択部による選択されるパラメータを選択することにより、前記相関算出部で相関を求めるために用いる特徴量を選択する選択度合を変更する、請求項３～５のいずれか一項に記載の解析装置。
  7. 　前記パラメータは、正則化パラメータである、請求項３～６のいずれか一項に記載の解析装置。
  8. 　前記正則化パラメータは、グラフィカルラッソに用いられる、請求項７に記載の解析装置。
  9. 　前記第１細胞が撮像された複数の画像を取得する画像取得部を備える、請求項１～８のいずれか一項に記載の解析装置。
  10. 　前記第１条件は、前記第１細胞に対して刺激を加える条件であり、前記刺激された細胞が撮像された細胞画像から、前記第１特徴量が算出される、請求項１～９のいずれか一項に記載の解析装置。
  11. 　前記第２条件は、前記第１細胞に対して加えられる刺激とは異なる刺激を加える条件であり、前記刺激された細胞が撮像された細胞画像から、前記第２特徴量が算出される、請求項１０に記載の解析装置。
  12. 　前記第２特徴量とは、無刺激の細胞が撮像された細胞画像から算出される特徴量である、請求項１～１０のいずれか一項に記載の解析装置。
  13. 　第１条件下での第１細胞内の特徴量同士の相関を解析する解析装置のコンピュータに、
    　前記第１細胞が撮像された第１細胞画像から、前記第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出ステップと、
    　前記特徴量算出ステップから算出される前記第１特徴量と、前記第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、前記第１特徴量同士の相関を算出する相関算出ステップとを実行させるための、解析プログラム。
  14. 　第１条件下での第１細胞内の特徴量同士の相関を解析する解析方法であって、
    　前記第１細胞が撮像された第１細胞画像から、前記第１細胞を構成する構成要素の特徴量を、第１特徴量として算出する特徴量算出工程と、
    　前記特徴量算出工程から算出される前記第１特徴量と、前記第１条件とは異なる第２条件下での第２細胞が撮像された画像から算出される第２特徴量とを用いて、前記第１特徴量同士の相関を算出する相関算出工程とを有する、解析方法。
PCT/JP2016/088664 2016-12-26 2016-12-26 解析装置、解析プログラム及び解析方法 WO2018122908A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2016/088664 WO2018122908A1 (ja) 2016-12-26 2016-12-26 解析装置、解析プログラム及び解析方法
JP2018558523A JPWO2018122908A1 (ja) 2016-12-26 2016-12-26 算出装置、算出プログラム、及び算出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/088664 WO2018122908A1 (ja) 2016-12-26 2016-12-26 解析装置、解析プログラム及び解析方法

Publications (1)

Publication Number Publication Date
WO2018122908A1 true WO2018122908A1 (ja) 2018-07-05

Family

ID=62707945

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/088664 WO2018122908A1 (ja) 2016-12-26 2016-12-26 解析装置、解析プログラム及び解析方法

Country Status (2)

Country Link
JP (1) JPWO2018122908A1 (ja)
WO (1) WO2018122908A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016103501A1 (ja) * 2014-12-26 2016-06-30 国立大学法人東京大学 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016103501A1 (ja) * 2014-12-26 2016-06-30 国立大学法人東京大学 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OSAMU MUKAI ET AL.: "Bonnet detection using anomaly detection based on sparse structure learning", IEICE TECHNICAL REPORT, vol. 114, no. 472, 23 February 2015 (2015-02-23), pages 193 - 198 *

Also Published As

Publication number Publication date
JPWO2018122908A1 (ja) 2019-06-24

Similar Documents

Publication Publication Date Title
US8320655B2 (en) Process and system for analyzing the expression of biomarkers in cells
JP2023093434A (ja) 予測タグ付けを有する画像を生成するための画像処理のためのシステム、デバイス、および方法
JP6416135B2 (ja) スペクトル・アンミキシング
US11321836B2 (en) Image-processing device, image-processing method, and image-processing program for setting cell analysis area based on captured image
JP6756339B2 (ja) 画像処理装置、及び画像処理方法
Rivenson et al. Deep learning-based virtual histology staining using auto-fluorescence of label-free tissue
US20150269314A1 (en) Method and apparatus for unsupervised segmentation of microscopic color image of unstained specimen and digital staining of segmented histological structures
JP6818041B2 (ja) 解析装置、解析方法、及びプログラム
US20200410682A1 (en) Analysis device, analysis program, and analysis method
WO2018193612A1 (ja) 相関算出装置、相関算出方法及び相関算出プログラム
US20200372652A1 (en) Calculation device, calculation program, and calculation method
WO2018066039A1 (ja) 解析装置、解析方法、及びプログラム
WO2021198252A1 (en) Virtual staining logic
WO2018003063A1 (ja) 解析装置、解析方法、解析プログラム及び表示装置
WO2018122908A1 (ja) 解析装置、解析プログラム及び解析方法
Gouzou et al. Applications of machine learning in time-domain fluorescence lifetime imaging: a review
WO2021198241A1 (en) Multi-input and/or multi-output virtual staining
WO2018109826A1 (ja) 解析装置、解析プログラム及び解析方法
JP6999118B2 (ja) 画像処理装置
WO2019159247A1 (ja) 算出装置、解析プログラム及び解析方法
WO2020070885A1 (ja) 判定装置、判定プログラム及び判定方法
Tang et al. Fast post-processing pipeline for optical projection tomography
WO2018142570A1 (ja) 画像処理装置、解析装置、画像処理方法、画像処理プログラム及び表示装置
WO2020090089A1 (ja) 判定装置、判定方法、及び判定プログラム
Kreiß Advanced Optical Technologies for Label-free Tissue Diagnostics-A complete workflow from the optical bench, over experimental studies to data analysis

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16925074

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018558523

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16925074

Country of ref document: EP

Kind code of ref document: A1