WO2024014489A1 - 解析システム、解析装置、解析プログラム、及び解析方法 - Google Patents

解析システム、解析装置、解析プログラム、及び解析方法 Download PDF

Info

Publication number
WO2024014489A1
WO2024014489A1 PCT/JP2023/025772 JP2023025772W WO2024014489A1 WO 2024014489 A1 WO2024014489 A1 WO 2024014489A1 JP 2023025772 W JP2023025772 W JP 2023025772W WO 2024014489 A1 WO2024014489 A1 WO 2024014489A1
Authority
WO
WIPO (PCT)
Prior art keywords
component
cell
correlation
image
feature amount
Prior art date
Application number
PCT/JP2023/025772
Other languages
English (en)
French (fr)
Inventor
昌之 村田
ふみ 加納
莉奈 國重
誉之 野口
Original Assignee
国立大学法人東京工業大学
国立大学法人東京大学
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 国立大学法人東京工業大学, 国立大学法人東京大学 filed Critical 国立大学法人東京工業大学
Publication of WO2024014489A1 publication Critical patent/WO2024014489A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M1/00—Apparatus for enzymology or microbiology
    • C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
    • 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

Definitions

  • the present invention relates to an analysis system, an analysis device, an analysis program, and an analysis method.
  • This application claims priority to Japanese Patent Application No. 2022-111995 filed in Japan on July 12, 2022, the contents of which are incorporated herein.
  • Such conventional technology is, for example, a technology that performs image processing and analysis on images of cells obtained from living organisms, etc., and acquires image data of cells at predetermined time intervals and combines them with the obtained image data.
  • This is a technology that calculates correlations and differences between feature amounts of cell morphology by comparing image data related to cell morphology acquired at different times. This allows the degree of activity of the obtained cells to be determined, which can be useful for elucidating biological phenomena such as cell canceration and pathological development.
  • the present invention has been made in consideration of these circumstances, and one of its objects is to provide an analysis system, an analysis device, an analysis program, and an analysis method that can analyze cells.
  • the present invention has been made to solve the above problems, and one aspect of the present invention is to provide a first image in which a first component is labeled for a cell, and a first image for the cell to be labeled with a first component.
  • an acquisition unit that acquires a second image in which a second component different from the first component is labeled; and a feature amount of each component constituting the cell from each of the first image and the second image.
  • the analysis system includes a feature amount extraction section that extracts features, and a correlation calculation section that uses the feature amounts to calculate a correlation between the first component and the second component.
  • one aspect of the present invention provides a first image in which a first component is labeled with respect to a cell, and a second component in which a second component different from the first component is labeled with respect to the cell.
  • an analysis comprising: a correlation calculation unit that calculates a correlation between the first component and the second component using feature amounts of each component constituting the cell extracted from each of the second images; It is a device.
  • a first image in which a cell is labeled with a first component, and a first image labeled with a first component, which is different from the first component are stored in a computer of the analysis device.
  • one aspect of the present invention is an analysis method in an analysis system, in which the acquisition unit obtains a first image in which a cell is labeled with a first component, and a first image in which a cell is labeled with a first component.
  • cells can be analyzed.
  • FIG. 1 is a schematic diagram showing an example of the configuration of an analysis system 1 according to an embodiment of the present invention.
  • FIG. 2 is an explanatory diagram for explaining an overview of an analysis method according to the present embodiment.
  • FIG. 3 is a diagram showing an example of a captured image according to the present embodiment.
  • FIG. 1 is a schematic block diagram showing an example of the configuration of an analysis system 1 according to the present embodiment.
  • FIG. 3 is a schematic diagram showing an example of feature amount information according to the present embodiment. It is a flow chart showing an example of operation of analysis system 1 concerning this embodiment.
  • FIG. 1 is a schematic diagram for explaining a network according to the present embodiment.
  • FIG. 3 is another schematic diagram for explaining the network according to the present embodiment.
  • FIG. 3 is another schematic diagram for explaining the network according to the present embodiment.
  • FIG. 1 is a schematic diagram showing an example of the configuration of an analysis system 1 according to an embodiment of the present invention.
  • FIG. 2 is an explanatory diagram for explaining an overview of an analysis method
  • FIG. 3 is another schematic diagram for explaining the network according to the present embodiment.
  • FIG. 3 is another schematic diagram for explaining the network according to the present embodiment.
  • FIG. 1 is a schematic diagram showing an example of a network according to the present embodiment. It is a schematic diagram showing an example of the network concerning modification 1 concerning this embodiment.
  • 7 is a schematic diagram illustrating an example of feature amount information according to Modification 1.
  • FIG. 7 is a flow diagram showing an example of the operation of the analysis system 1 according to Modification 1.
  • FIG. It is a schematic diagram showing the outline of modification 2 concerning this embodiment.
  • 7 is a schematic diagram showing an example of feature amount information according to Modification 2.
  • FIG. 7 is a schematic diagram showing an example of a network according to modification example 2.
  • FIG. It is a schematic diagram showing an example of target biological material detection of modification 3 concerning this embodiment. It is a schematic diagram showing another example of target biological material detection of modification 3 concerning this embodiment.
  • FIG. 1 is a schematic diagram showing an example of the configuration of an analysis system 1 according to an embodiment of the present invention.
  • the analysis system 1 performs analysis processing on images obtained by imaging cells and the like. In the following description, an image obtained by imaging a cell or the like will also be simply referred to as a cell image.
  • the analysis system 1 includes an analysis device 10, a microscope device 20, and a display section 30.
  • the analysis device 10 is a computer such as a server, and analyzes cell images captured by the microscope device 20 and causes the display unit 30 to display the analysis results.
  • the microscope device 20 is a biological microscope, and includes an electric stage 21 and an imaging section 22.
  • the electric stage 21 can move the position of the imaging target arbitrarily in a predetermined direction (for example, a certain direction in a horizontal two-dimensional plane).
  • the imaging unit 22 includes an imaging element such as a CCD (Charge-Coupled Device), a CMOS (Complementary MOS), or a PMT (Photomultiplier Tube), and images the object on the motorized stage 21 .
  • the microscope device 20 does not need to be equipped with the electric stage 21, and the stage may be a stage that does not move in a predetermined direction.
  • the microscope device 20 has functions such as a differential interference contrast microscope (DIC), a phase contrast microscope, a fluorescence microscope, a confocal microscope, and a super-resolution microscope.
  • the microscope device 20 images the culture container placed on the motorized stage 21.
  • This culture container is, for example, a well plate WP.
  • the culture container may be, for example, a slide chamber, a Petri dish, or the like.
  • the microscope device 20 captures the transmitted light transmitted through the cells as a cell image by irradiating the cells cultured in the many wells W of the well plate WP with light. Thereby, images such as a transmitted DIC image, a phase contrast image, a dark field image, and a bright field image of cells can be obtained.
  • the number of wells W may be one.
  • the microscope device 20 captures fluorescence emitted by fluorescent staining as a cell image.
  • the microscope device 20 can detect fluorescence emitted from a color-forming substance itself incorporated into a biological material (an example of a component) or fluorescence emitted when a substance with a chromophore binds to a biological material. Capture as an image.
  • the microscope device 20 may image the fluorescence emitted from the biological material as a cell image by irradiating the cell with excitation light that excites the fluorescent material. That is, since the biological material is labeled with fluorescence, the analysis system 1 can identify the biological material by imaging the fluorescence.
  • the analysis system 1 can acquire fluorescence images, confocal images, and super-resolution images.
  • the imaging target may be of a color other than fluorescence, and it is sufficient that the imaging target can be imaged in such a way that biological substances can be identified.
  • the method of acquiring cell images is not limited to optical microscopy.
  • an electron microscope may be used.
  • correlations may be obtained using images obtained by different methods. That is, the type of image containing cells may be selected as appropriate.
  • the cells in this embodiment include, for example, primary cultured cells, established cultured cells, cells of tissue sections, and the like.
  • a sample to be observed may be an aggregate of cells, a tissue sample, an organ, or an individual (an animal, etc.), and an image containing the cells may be obtained.
  • the state of the cells is not particularly limited, and may be a living state or a fixed state, and may be either "in-vivo" or "in-vitro".
  • information about a living state and fixed information may be combined.
  • the state of the cells may be selected as appropriate depending on the purpose. For example, fixed or unfixed may be selected depending on the type of intracellular component to be determined (eg, protein, organelle). Moreover, when acquiring the dynamic behavior of a fixed cell, a plurality of fixed cells under different conditions are created and the dynamic behavior is acquired.
  • the types of intracellular components to be identified are not limited to those in the nucleus.
  • organelles are cellular organelles, and include various organs such as mitochondria and cell membranes.
  • One of the organelles is the cytoskeleton, which mainly consists of three types of protein fibers: actin filaments, intermediate filaments, and microtubules.
  • cells may be observed after being treated in advance.
  • the cells may be observed without being treated.
  • the cells are stained with immunostaining and observed.
  • the staining solution to be used is selected depending on the type of cell to be discriminated based on the intranuclear structure.
  • any dyeing method can be used. Examples include various special stains mainly used for tissue staining, and hybridization that utilizes the combination of base sequences.
  • cells may be treated with a photoprotein (for example, a photoprotein expressed from an introduced gene (such as a luciferase gene)) and then observed.
  • a photoprotein for example, a photoprotein expressed from an introduced gene (such as a luciferase gene)
  • the type of luminescent protein to be used may be selected based on the type of protein to be determined in the intranuclear structure within the cell.
  • observation may be performed using a fluorescent dye (eg, DAPI, Hoechst, etc.).
  • preprocessing for analyzing correlation acquisition such as a means for observing these cells and/or a method for staining the cells, may be appropriately selected depending on the purpose.
  • the optimal method For example, if you want to obtain the dynamic behavior of a cell, you should use the optimal method to obtain dynamic information about the cell, and if you want to obtain intracellular signal transduction, you should use the optimal method to obtain information about the intracellular signal transduction. You can.
  • These pre-processings may be selected depending on the purpose. Further, the number of types of preprocessing selected for each purpose may be reduced. For example, even if the optimal method for obtaining the dynamic behavior of cells and the method for obtaining intracellular signal transduction are different, it would be cumbersome to obtain each information using different methods. In addition, if the information is sufficient to obtain each information, a common method may be used instead of the optimal method.
  • the well plate WP has a plurality of wells W.
  • the well plate WP has 96 wells W of 12 ⁇ 8.
  • Cells are cultured in well W under specific experimental conditions.
  • the specific experimental conditions include temperature, humidity, culture period, time elapsed since stimulation was applied, type and intensity of stimulation applied, presence or absence of stimulation, induction of biological characteristics, etc.
  • Stimulation includes, for example, physical stimulation such as electricity, sound waves, magnetism, and light, and chemical stimulation by administration of substances or drugs.
  • biological characteristics are characteristics indicating the stage of cell differentiation, morphology, cell number, etc., and include, for example, the cell cycle.
  • FIG. 2 is an explanatory diagram for explaining an overview of the analysis method according to this embodiment.
  • the analysis system 1 acquires cell images by repeating the steps of fluorescent labeling by immunostaining or the like, imaging, and fluorescent bleaching (decolorization) (also referred to as "multiple fluorescence staining"). This one-time process is also referred to as a dyeing and imaging process.
  • the biological substances to be fluorescently labeled are different, so for example, in the case of immunostaining, the antibodies used for fluorescent staining are different.
  • the analysis system 1 acquires cell images of different colors in the same well W each time in the staining and imaging step.
  • the analysis system 1 acquires cell images in which different biological substances are colored or emit light in the same cell each time in the staining and imaging process. Thereby, the analysis system 1 can identify different biological substances in the same cell each time in the staining and imaging process. In other words, the analysis system 1 can identify more proteins in the same cell than the number (for example, one) that can be identified in one imaging.
  • cells stained with dyes of different colors are imaged, for example, by four to five times of staining.
  • the analysis system 1 identifies the cytoplasm and intracellular components by, for example, separating images for each color and performing mask processing.
  • the analysis system 1 changes at least part of the staining of the four to five times the previous staining, and performs the next staining imaging process.
  • At least some of the staining is staining that causes biological substances other than the biological substances identified in the previous round to be colored or emit light. Thereby, the analysis system 1 can identify different biological substances in the same cell in each staining process.
  • the staining shown in the schematic diagram F1 is performed in the well W.
  • Antibody AB1 labeled with luminescent dye F11 is contained in the staining solution, and antibody AB1 binds to antigen AG1 of the cells to be observed.
  • Antigen AG1 is an antigen of protein A.
  • the microscope device 20 captures an image in which protein A can be identified by capturing the light emitted by the luminescent dye F11.
  • the analysis system 1 acquires an image G11 that allows the cytoplasm to be identified, an image G12 that allows the organelles to be identified, an image G13 that allows the protein A to be identified, and an image G14 that allows the nucleus to be identified.
  • the fluorescent bleaching shown in the schematic diagram F2 is performed in the same well W as the first fluorescent bleaching.
  • the decolorizing solution contains a substance that decolorizes the luminescent dye F11, such as hydrogen peroxide solution, and decolorizes the staining of protein A. Note that decolorization is not limited to decolorization of a luminescent dye, and, for example, antibody AB1 may be separated from antigen AG1 and removed.
  • staining shown in schematic diagram F3 is performed in well W.
  • Antibody AB2 labeled with luminescent dye F21 is contained in the staining solution, and antibody AB2 binds to antigen AG2 of the cells to be observed.
  • Antigen AG2 is an antigen of protein B.
  • the microscope device 20 captures an image in which protein B can be identified by capturing the light emitted by the luminescent dye F21.
  • the analysis system 1 acquires an image G21 that allows the cytoplasm to be identified, an image G22 that allows the organelles to be identified, an image G23 that allows the protein A to be identified, and an image G24 that allows the nucleus to be identified.
  • the image G11 is the image G21
  • the image G12 is the image G22
  • the image G13 is the image G32, each of which has the same feature amount.
  • the cytoplasm, organelles, and nucleus will have the same feature values in the image.
  • the antibody for protein A has been bleached, it does not appear in the image, and a newly stained image G23 of protein B is obtained.
  • the second fluorescent labeling it is not necessary to stain the cytoplasm, organelles, and nucleus.
  • a plurality of proteins may be stained and imaged in one staining and imaging process.
  • FIG. 3 is a diagram showing an example of a captured image according to this embodiment.
  • nine images obtained by the analysis system 1 are arranged in three rows and three columns. Each image is of one type of protein, and in this example, the analysis system 1 has obtained nine types of images in total. These images are of the same cell, and the microscope device 20 images the same position on the well W under the same imaging conditions (magnification, etc.). Since each single cell is located at the same position, the analysis system 1 can identify nine types of intracellular proteins in each single cell. Thereby, the analysis system 1 can use the same coordinate system for the position of biological substances such as proteins even between different images, and can also identify cells that each biological substance constitutes between images. Note that the analysis system 1 may perform alignment (enlargement/reduction, rotation, translation) of a plurality of images obtained by different staining and imaging steps, depending on the positions of the nucleus and cytoplasm (cell wall) within the cell.
  • FIG. 4 is a schematic block diagram showing an example of the configuration of the analysis system 1 according to this embodiment.
  • the analysis system 1 includes an analysis device 10, a microscope device 20, and a display section 30 (display device).
  • the analysis device 10 includes a calculation section 100, a storage section 200, and a result output section 300.
  • the images processed by the analysis device 10 are not limited to images captured by the microscope device 20, but may include, for example, images stored in advance in the storage unit 200 included in the analysis device 10, or external storage (not shown). The image may be stored in advance in the device.
  • the arithmetic unit 100 functions when a processor executes a program stored in the storage unit 200.
  • some or all of the functional units of these calculation units 110 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 quantity calculation unit 102, a noise component removal unit 103, and a correlation extraction unit 104.
  • the cell image acquisition unit 101 acquires a cell image captured by the imaging unit 22.
  • the cell image acquisition unit 101 acquires a plurality of cell images captured in a series of staining and imaging steps in units of multiple fluorescence staining.
  • the cell image acquisition unit 101 attaches observation identification information for identifying multiple fluorescence staining (a series of staining and imaging steps) and staining identification information for identifying the staining and imaging step to the cell image, and also adds observation identification information to the cell image to identify the cells to be observed.
  • Observed cell identification information for identifying (well W) and experimental condition identification information for identifying experimental conditions are attached. Note that these identification information may be added to the imaging unit 22.
  • the feature amount calculation unit 102 calculates multiple types of feature amounts of the cell image provided by the cell image acquisition unit 101.
  • This feature amount includes the area of the cell image, the average brightness, the variance, and the like. That is, the feature amount represents a feature derived from information acquired from a captured cell image.
  • the feature calculation unit 102 extracts a specific color (wavelength) component from the image, thereby separating the image into cell images of each color component.
  • the image (or stain identification information), the color component in the image, and the relationship between the color component and the biological material may be input by the user in advance and stored in the type storage unit 201.
  • the feature amount calculation unit 102 calculates a feature amount for each biological substance (see FIG. 2) corresponding to the color component for the cell image of each color component. Detailed examples of feature amounts will be described later.
  • the feature value calculation unit 102 calculates position information indicating a change in brightness that is different from other changes based on a change in the calculated brightness distribution over a predetermined time, or a change in the calculated brightness distribution due to a change in cell state such as differentiation. , and the change in brightness may be used as the feature quantity.
  • the images are not limited to changes over time, and a plurality of images showing different changes in cell states such as differentiation may be used.
  • information on positions showing different changes in brightness may be used as the feature amount.
  • it may be the behavior of a cell within a predetermined time, or the behavior associated with a change in cell state such as cell differentiation, or the change in the shape of a cell within a predetermined time, or the change in cell state such as differentiation of cell shape. It may be accompanied by a change.
  • no change may be used as the feature amount if a change within a predetermined time or a change associated with a change in cell state such as differentiation is not observed in the captured cell image.
  • the noise component removal unit 103 removes noise components (noise) from the feature quantities calculated by the feature quantity calculation unit 102.
  • the noise component removal unit 103 identifies each single cell or at least a part of its structure (cytoplasm, nucleus, cell membrane).
  • the noise component removal unit 103 associates each single cell or its configuration, each substance identification field information (type of protein identified by staining) attached to the cell image, and the feature amount from which noise has been removed. Then, feature amount information is generated (see FIG. 5).
  • the correlation extraction unit 104 calculates a plurality of correlations between the feature quantities calculated by the feature quantity calculation unit 102 based on the likelihood of the feature quantity after the noise component removal unit 103 has removed the noise component. Extract specific correlations from among them.
  • the likelihood is a numerical value representing the likelihood of estimating the predetermined condition from the result when calculating the result according to the predetermined condition.
  • the likelihood is a cost function that represents the likelihood of a parameter to be estimated when data follows a probabilistic model. Noise removal by the noise component removal unit 103 and correlation extraction by the correlation extraction unit 104 may be performed simultaneously using, for example, a graphical lasso method.
  • 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 is a display device such as a display, and displays the calculation results output by the result output unit 300.
  • the display unit 30 may be a part of the analysis device 20.
  • FIG. 5 is a schematic diagram showing an example of feature amount information according to this embodiment.
  • the feature information in this figure includes observation target identification information that identifies cells to be observed (well W), cell identification information that identifies single cells, stain identification information, substance identification information, and cell configuration.
  • Feature amount information is associated with each piece of information.
  • each feature amount information represents the feature amount of the biological substance (protein in this figure) indicated by the substance identification information for each configuration within a single cell in the observation target cell of each well.
  • the feature amount for a cell in one well W1 is represented by the values X c , p , and e .
  • the feature amount for the cells in another well W2 is represented by the values Y c , p , e .
  • the feature amount is, for example, a brightness value such as an average brightness or a total brightness value, and these brightness values are related to the abundance of molecules.
  • the variable c is a variable (cell identification information) that identifies a single cell, and its value is expressed, for example, as 1 for single cell (Cell) 1A, 2 for 1B, 3 for 1C, and so on.
  • the variable p is a variable (substance identification information) that identifies a biological substance, and its value is expressed as 1 for protein 1, 2 for protein 2, and 3 for protein 3, for example.
  • proteins 1 and 2 are identified by the staining imaging step of staining identification 1.
  • Protein 3 is identified by the stain imaging step of stain identification 2.
  • the variable e is a variable that identifies the cell configuration (cell configuration information), and its value is expressed as, for example, 1 for nucleus (Nucl), 2 for cytoplasm (Cyto), and 3 for actin domain (AD).
  • Actin domains are mesh-like, tangled structures formed by actin filaments.
  • the structure of the cell may be a structure formed by polymerizing biological substances other than actin, for example, may be another type of organelle.
  • the region where each biological substance exists is also called a domain.
  • the value of the feature quantity f of the configuration identified by e of the biological material identified by the variable p is expressed as X f c ,p ,e .
  • the variable f is a variable that identifies a feature amount, and the feature amount is, for example, an average brightness value of X 1 c , p ,e , a sum of brightness values of X 2 c , p ,e , and a maximum brightness value of X 3 c , p ,e , the minimum brightness value is X 4 c , p ,e , the area of the configuration is X 5 c , p ,e , the circularity of the configuration is X 6 c , p ,e , the standard deviation of the brightness value is X 7 c, p, e, etc.
  • the feature amount is a variable that identifies the cell (well W) to be observed.
  • w it is expressed as X w , f c , p , e .
  • X w ,f c ,p ,e are the feature values X f c ,p ,e of the observation target cell (well W) identified by the variable w.
  • X W1 ,1 c , p ,e corresponds to X c , p ,e
  • X W2 ,1 c , p ,e corresponds to Y c , p ,e
  • the variable w corresponds to observed cell identification information.
  • the feature quantities X f c , p , e are measured for one and the same cell (same well W).
  • each single cell can be identified based on position information, etc., even between cell images with different colors or staining imaging processes.
  • Feature amounts can be associated with each cell (cell identification information: variable c).
  • FIG. 6 is a flow diagram showing an example of the operation of the analysis system 1 according to this embodiment. Note that the operations shown here are merely examples, and operation procedures may be omitted or added. In the operation example shown in this figure, the steps of fluorescent labeling by immunostaining, imaging, and fluorescent bleaching are repeated by multiple fluorescent staining.
  • the calculation unit 100 of the analysis system 1 extracts multiple types of feature amounts from the cell image using a cell image in which cells are imaged, and calculates whether or not the extracted feature amounts are correlated with each other or their changes. .
  • the calculation unit 100 determines that the feature amounts or changes thereof are correlated if they are correlated as a result of the calculation. Note that the fact that there is a correlation between the feature amounts may also be referred to as having a correlation. The following description will be made with reference to the configuration of the analysis system 1 shown in FIG. 4.
  • Step S10 Cells in each well W of the well plate WP are fluorescently labeled by immunostaining. In this step S10, at least a partially different fluorescent labeling is performed each time it is repeated. Different fluorescent labels are fluorescent labels that cause different biological substances to fluoresce, and are used to identify different biological substances and make them observable.
  • the cell image acquisition unit 101 acquires a cell image of a fluorescently labeled cell.
  • This cell image includes images of multiple types of living tissues of different sizes, such as genes, proteins, and organelles.
  • the cell image acquisition unit 101 acquires cell images from each well W to be observed.
  • a cell image acquisition unit 101 that acquires an image using the imaging unit 22 extracts a region corresponding to a cell from the image.
  • the cell image acquisition unit 101 extracts a region corresponding to a single cell from the cell image.
  • the analysis system 1 is able to distinguish between regions corresponding to each cell and other regions from the captured image.
  • Step S102 The feature amount calculation unit 102 extracts an image of a single cell included in the cell image acquired in step S101 for each single cell.
  • the feature calculation unit 102 extracts an image of a single cell by performing image processing on the cell image using a known method. In this example, the feature calculation unit 102 extracts an image of a cell by image area extraction, pattern matching, or the like.
  • Step S103 the feature calculation unit 102 determines the type of cell in the image of the cell extracted in step S102. Note that the process in step S103 may be omitted, and the feature value calculation unit 102 does not need to determine the cell type.
  • Step S104 The feature quantity calculation unit 102 determines the constituent elements of the cell included in the cell image extracted in step S20, based on the determination result in step S30.
  • the cellular components include organelles such as cell nuclei, lysosomes, Golgi bodies, and mitochondria, proteins, second messengers, mRNA, metabolites, intranuclear structures, genes, and the like.
  • the feature calculation unit 102 attaches cell identification information to each single cell.
  • the feature value calculation unit 102 calculates, for the cell identification information, identification information of a cell (well W) to be observed for a single cell, staining identification information, experimental condition identification information, a cell image of a single cell, and a cell image of a single cell.
  • Cell position information indicating the position, shape information indicating the shape of a single cell, and component information indicating the components within the single cell are associated and stored in the cell information storage unit 203.
  • the component information includes component identification information for identifying the component within the cell, the type of the component, and the region where the component exists (also referred to as "component region").
  • Target biological material is a material included in the configuration region, and is a material for which a feature amount is to be calculated.
  • the "target biological substance” is, for example, a substance that constitutes at least a part of the constituent region or a substance that is distributed within the constituent region.
  • Target biological materials include proteins, mitochondria, and the like.
  • the feature amount calculation unit 102 calculates the feature amount of each target biological material in each constituent region of each single cell determined in step S104.
  • This feature amount includes the brightness value of a pixel, the area of a certain area in an image, the variance value of the brightness of a pixel, the shape of a certain area in an image, and the like.
  • the luminance value of a pixel is used as the feature quantity
  • the luminance value for each wavelength may be used as the feature quantity.
  • the feature amount of an image of a cell nucleus includes the total brightness value in the nucleus, the area of the nucleus, the shape of the nucleus, etc.
  • the feature amount of the image of the cytoplasm includes the total luminance value in the cytoplasm, the area of the cytoplasm, the shape of the cytoplasm, and the like.
  • the image features of the region where each organelle exists include substance identification information indicating the type of protein, etc. that forms the organelle, the total brightness value in the region, the area of the region, and the region. This includes shapes, etc.
  • the feature amount of the image of the whole cell includes the total intracellular luminance value, the area of the cell, the shape of the cell, and the like.
  • the feature amount of the mitochondrial image includes the fragmentation rate.
  • the feature amount calculation unit 102 performs a process of calculating a feature amount for each image that has been identified and separated by a fluorescent label. Thereby, the feature amount calculation unit 102 can calculate the feature amount for each target biological material of the organelle.
  • an image of the target biological material to be observed may contain other substances.
  • the feature amount of the target biological substance to be observed may not be calculated correctly due to the influence of other substances. Since the feature amount calculation unit 102 identifies the target biological material to be observed by multiple fluorescence staining, it is possible to calculate the feature amount for each target biological material with higher accuracy than when no fluorescent labeling is used. 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 about experimental conditions for cells associated with the cell image. For example, in the case of a cell image captured when a cell is reacted with an antibody, the feature amount calculation unit 102 may calculate a feature amount specific to the case where the cell is reacted with an antibody. In addition, in the case of a cell image captured when the cells are stained or when a fluorescent protein is added to the cells, the feature amount calculation unit 102 calculates the It is also possible to calculate a feature amount specific to . In these cases, the storage unit 200 may include an experimental condition storage unit 202. The experimental condition storage unit 202 stores, for each cell image, information on experimental conditions for cells associated with the cell image. The feature amount calculation unit 102 supplies the feature amount calculated in step S105 to the noise component removal unit 103.
  • the noise component removal unit 103 removes noise components from the feature amounts calculated in step S105. Specifically, the noise component removal unit 103 acquires information indicating the normal range or abnormal range of the feature amount. Information indicating the normal range or abnormal range of this feature amount is predetermined based on the characteristics of the cells captured in the cell image. For example, among the features of the image of the cell nucleus, the normal range for the total luminance value in the nucleus is determined based on the characteristics of the image of the cell nucleus.
  • the noise component removal unit 103 removes the feature amount as a noise component.
  • the noise component removal unit 103 removes it for each cell.
  • a plurality of feature amounts may be calculated for a certain cell.
  • the intracellular total brightness value, the nuclear total brightness value, the area of the nucleus, and the shape of the nucleus may be calculated as feature quantities.
  • the noise component removal unit 103 when removing the intracellular total luminance value as a noise component for a certain cell, the noise component removal unit 103 also removes the intracellular total luminance value, nuclear area, and nuclear shape of that cell. Remove. In other words, if at least one feature amount among the plurality of feature amounts calculated for a certain cell is not included in the normal range, the noise component removal unit 103 also removes other feature amounts of this cell.
  • the noise component removal unit 103 removes noise components from the feature amounts supplied to the correlation extraction unit 104 based on information indicating the characteristics of the cells captured in the cell image. Remove each cell. With this configuration, when there is a feature with relatively low reliability, the noise component removal unit 103 can remove that feature on a cell-by-cell basis. In other words, the noise component removal unit 103 can improve the reliability of the feature amount.
  • the noise component removal unit 103 performs the process of removing noise components for each image that has been identified and separated by the fluorescent label. In other words, the noise component removal unit 103 performs processing for each channel of the fluorescently stained image. Thereby, the noise component removing unit 103 can determine the normal range or the abnormal range for each target biological material, and can determine the feature amount of the abnormal range as a noise component.
  • an image of the target biological material to be observed may contain other substances. Due to the influence of other substances, the feature values of the target biological material to be observed may not be appropriately determined as normal or abnormal ranges, or feature values that should normally be in the normal range may be determined to be abnormal ranges. . Since the noise component removal unit 103 identifies the target biological material to be observed using multiple fluorescence staining, noise components can be removed for each target biological material with higher accuracy than when no fluorescent labeling is used.
  • the noise component removal unit 103 supplies the feature amount to the correlation extraction unit 104. Note that the noise component removal unit 103 is not an essential component, and can be omitted depending on the state of the cell image and the state of feature amount calculation.
  • Step S107 The cell image acquisition unit 101 determines whether or not the cells in all the wells W in the well plate WP have been subjected to the processes of steps S101 to S106. If the cells in all wells W have been processed (YES), the process in step S11 is performed. On the other hand, if the cells in at least one well W have not been processed (NO), the process in step S101 is performed.
  • Step S11 The cell image acquisition unit 101 determines whether all staining and imaging steps have been completed, that is, whether multiple fluorescence staining has been completed. If all staining imaging steps are completed (YES), the process of step S131 is performed. On the other hand, if at least one staining imaging process has not been completed (NO), the process of step S12 is performed.
  • Step S12 At least one of the fluorescent labels performed in the most recent step S10 is decolorized. Thereafter, in step S10, a target biological material different from the target biological material whose fluorescent label has been reduced or removed by the decolorization in step S12 is stained, and a new staining imaging step is performed.
  • Step S131 The correlation extraction unit 104 calculates the correlation between the feature amounts of the target biological materials from the feature amounts of the target biological materials in each constituent region.
  • the correlation extraction unit 104 calculates a correlation for each well W with respect to the feature amount calculated in step S105 in all the staining imaging steps of the multiplex fluorescence staining.
  • the analysis system 1 can calculate the correlation between the feature amounts of each target biological material.
  • the correlation extraction unit 104 stores the correlation calculated for each well W in the cell information storage unit 203.
  • the process of step S106 may be performed simultaneously with step S131.
  • Step S132 The correlation extraction unit 104 determines whether or not the process of calculating the correlation in step S131 has been performed on the cells of all the wells W in the well plate WP. If the cells in all wells W have been processed (YES), the process in step S133 is performed. On the other hand, if the cells in at least one well W have not been processed (NO), the process in step S131 is performed.
  • Step S133 The result output unit 300 generates a network representing the correlation from the correlation calculated for each well W in step S132. For example, the result output unit 300 generates a covariation network.
  • the result output unit 300 may extract a specific correlation from among the plurality of correlations based on the likelihood of the feature amount, and generate a covariation network based on the extracted specific correlation.
  • Step S134 The display unit 30 displays the network generated in step S133 on the display.
  • ⁇ Covariation network> An example of a specific correlation of this embodiment will be described in detail.
  • target biological substances such as proteins are referred to as “nodes.”
  • a “node” is a target biological substance that can be identified by a fluorescent label by staining.
  • the region (component region) of a component within a cell where a node exists is called a "location.”
  • Intracellular components such as organelles, such as the cell nucleus, lysosomes, Golgi apparatus, and mitochondria, can be both “nodes” and “locations.”
  • a network of intracellular structures is represented by connecting multiple nodes with edges. Note that the "place” may be an area expressed by coordinates (pixels) of a captured image.
  • FIG. 7 is a schematic diagram for explaining the network according to this embodiment.
  • the correlation between the feature amount of the node P1 and the feature amount of the node P2 is shown by connecting them with an edge 61.
  • the entire intracellular network is displayed by linking the correlation between the feature amount of the node P1 and the feature amount of the node P2 by the edge 61. This allows the network to be compared with pathways published by KEGG (Kyoto Encyclopedia of Genes and Genomes) and the like.
  • FIG. 7 shows an example of the relationship between edges and the feature amounts of nodes connected by the edges.
  • the feature amount includes the area, shape, average brightness, variance, etc. of the cell image. Since it is possible to check what kind of features are involved in nodes connected by edges, biological suggestions can be obtained.
  • FIG. 8 is another schematic diagram for explaining the network according to this embodiment.
  • FIG. 8(1) shows that the shape of the node P1 and the shape of the node P2 are connected by an edge 62 shown by a solid line.
  • FIG. 8(2) shows that the shape of node P1 and the brightness of node P2 are connected by an edge 63 shown by a broken line. Since shape is related to protein aggregation and brightness is related to protein concentration, it is suggested that the concentration of node P2 may cause aggregation of node P1.
  • FIG. 8(3) shows that the brightness of the node P1 and the brightness of the node P2 are connected by an edge 64 shown by a dashed line.
  • the shape of node P1 and the shape of node P2 are connected, the shape of node P1 is connected to the brightness of node P2, and the brightness of node P1 is connected to the brightness of node P2.
  • the shape of node P1 and the dispersion of node P2 may be linked, the brightness of node P1 and the shape of node P2 may be linked, or the brightness of node P1 and the dispersion of node P2 may be linked. It's okay to be hit.
  • the dispersion of node P1 and the shape of node P2 may be linked, the dispersion of node P1 and the brightness of node P2 may be linked, or the dispersion of node P1 and the dispersion of node P2 may be linked. may be linked. That is, for all combinations of the feature amount of the node P1 and the feature amount of the node P2, that is, nine types of combinations, the correlation between the feature amounts is shown by being connected by edges.
  • the magnitude of the correlation value of a plurality of nodes may be displayed by the length of an edge connecting the plurality of nodes, or by the thickness of the edge.
  • the correlation values of a plurality of nodes can be calculated using any method. For example, when the correlation value of multiple nodes is expressed by the thickness of an edge connecting the multiple nodes, the edge becomes thicker as the correlation value increases, and the edge becomes thinner as the correlation value decreases. You can do it like this.
  • FIG. 9 is another schematic diagram for explaining the network according to this embodiment.
  • FIG. 9 shows an example of edge types. Types of edges include “promotion” and "suppression". If the feature amount of one node changes from a steady state, and the feature amount of the other node changes from a steady state, they are connected by an edge indicating "promotion.”
  • a promotion source one node connected by an edge indicating promotion
  • a promotion destination one node connected by an edge indicating promotion
  • edges may display causation (edges with orientation) instead of correlation.
  • the feature amount of one node among a plurality of nodes increases, the feature amount of the other node also increases, and the nodes may be connected by an edge indicating "promotion”.
  • the nodes may be connected by an edge indicating "suppression".
  • FIG. 9(1) shows that the shape of the node P1 and the shape of the node P2 are connected by an edge 62A indicated by a solid line having an arrow pointing from the node P2 to the node P1. This indicates that when the feature amount of node P2 changes from the steady state, the feature amount of node P1 changes from the steady state.
  • FIG. 9B shows that the shape of the node P1 and the shape of the node P2 are connected by an edge 62B shown by a solid line having a rhomboid on the node P1 side. This indicates that when the feature amount of node P2 changes from the steady state, the feature amount of node P1 returns to the steady state.
  • FIG. 9A shows that the shape of the node P1 and the shape of the node P2 are connected by an edge 62A indicated by a solid line having an arrow pointing from the node P2 to the node P1. This indicates that when the feature amount of node P2 changes from the steady state, the feature amount
  • promotion and suppression are shown for the combination of the shape of the node P1 and the shape of the node P2, but the combination is not limited to this example.
  • an edge indicating promotion or an edge indicating suppression can be indicated based on the correlation between the feature amounts.
  • the result output unit 300 may switch the display of correlation between feature amounts and position information. Specifically, the result output unit 300 switches the correlation between feature quantities and the fineness of display of position information according to the operation signal input by the user. The processing performed by the result output unit 300 will be described in detail below.
  • the result output unit 300 switches edges connecting multiple nodes according to the operation signal. This allows a comparison between the network and KEGG.
  • the result output unit 300 switches the display of the single correlation to multiple correlations between feature quantities. That is, the result output unit 300 integrates when there are multiple edges connecting the feature amounts of two nodes.
  • the correlated features of two nodes connected by an edge to be integrated may be the same or different.
  • the result output unit 300 may integrate the plurality of edges indicating facilitation. In this case, the result output unit 300 may integrate edges where the promotion source and promotion destination are the same, that is, the edges have the same direction.
  • the result output unit 300 may integrate the plurality of edges.
  • the result output unit 300 may integrate edges where the suppression source and suppression destination are the same, that is, the edges have the same direction.
  • the result output unit 300 outputs a positive correlation value. Edges having a correlation value and edges having a negative correlation value may be integrated.
  • the result output unit 300 switches the display from the plurality of correlations between the feature quantities to one correlation. That is, when an edge connecting two nodes is a combination of a plurality of edges, the result output unit 300 separates the edge for each combination of feature amounts.
  • the correlated features of two nodes connected by separate edges may be the same or different.
  • the result output unit 300 separates the edge into an edge indicating promotion and an edge indicating suppression. Good too. In this case, the result output unit 300 may separate the edges into edges having the same direction. Further, the result output unit 300 may separate an edge existing at a specific location when the edge is a combination of a plurality of edges. Further, the result output unit 300 may separate an edge connecting specific nodes when the edge is a combination of a plurality of edges.
  • the result output unit 300 deletes correlations between feature amounts. In other words, the result output unit 300 deletes the edge connecting two nodes. For example, the result output unit 300 deletes edges for which the correlation value between the feature amounts of two nodes is less than a predetermined threshold, and edges that are lower than a predetermined order from the top. The result output unit 300 also outputs edges where intracellular structures indicated by two nodes are the same, edges connected to a node that is not related to a preset node, and edges showing correlation with preset feature amounts. Delete. Further, the result output unit 300 may change the correlation coefficient. Further, the result output unit 300 may display the correlation between the deleted feature amounts.
  • FIG. 10 is another schematic diagram for explaining the network according to this embodiment.
  • the left diagram in FIG. 10 shows that a location 51 and a location 52 exist within a location 50, a node P1 exists in the location 51, and a node P1 and a node P2 exist in the location 52. Furthermore, node P1 existing at location 51 and node P1 existing at location 52 are connected by edge 61, and node P1 and node P2 existing at location 52 are connected by edge 62, edge 63, and edge 64. It shows that The right diagram in FIG. 10 is a diagram in which the node P1 and the node P2 existing at the location 52 are connected by an edge 65 in the left diagram in FIG.
  • the result output unit 300 acquires the correlation between the feature amounts of the network displayed on the display unit 30. Then, the result output unit 300 switches the granularity of the correlation between the feature amounts in accordance with the operation signal. Specifically, the result output unit 300 integrates multiple correlations between specific feature amounts into one correlation. For example, the node P1 and the node P2 existing at the location 52 are connected by an edge 65 that is an integration of the edge 62, the edge 63, and the edge 64, and the network is switched to the one shown in the right diagram of FIG. This made it possible to reduce the number of networks connecting P1 and P2.
  • the result output unit 300 outputs correlation values between features of nodes connected by edges 62, correlation values of features of nodes connected by edges 63, and features of nodes connected by edges 64. Statistical processing may be performed using the correlation values between them, and the statistical value obtained by the statistical processing may be displayed near the edge 65, or the thickness of the edge 65 may be changed according to the statistical value. For example, the result output unit 300 outputs a correlation value between features of nodes connected by an edge 62, a correlation value between features of nodes connected by an edge 63, and a correlation value between features of nodes connected by an edge 64. The total value of the correlation values may be calculated, or the average value may be calculated. At this time, the result output unit 300 may perform statistical calculation using the absolute value of the correlation value.
  • the result output unit 300 also outputs correlation values between features of nodes connected by edges 62, correlation values between features of nodes connected by edges 63, and correlation values of features of nodes connected by edges 64.
  • the maximum value may be selected and the selected maximum value may be displayed near the edge 65, or the thickness of the edge 65 may be changed according to the selected maximum value. Good too.
  • the result output unit 300 may perform statistical calculation using the absolute value of the correlation value.
  • the result output unit 300 determines the thickness of the edge 65 according to the number of edges between the node P1 and the node P2 with respect to the total number of combinations of the number of feature quantities of the node P1 and the number of feature quantities of the node P2. may be changed.
  • the number of edges showing a high correlation between nodes P1 and P2 with respect to the total number of combinations of the number of feature amounts of node P1 and the number of feature amounts of node P2 will be referred to as a "high correlation rate.”
  • FIG. 11 is another schematic diagram for explaining the network according to this embodiment.
  • FIG. 11 shows an example of calculating a high correlation rate between node P1 and node P2.
  • m1, m2, and m3 shown in the node P1 indicate the feature amounts of the node P1, and n1, n2, n3, and n4 shown in the node P2 indicate the features of the node P2.
  • feature quantity m1 and feature quantity n2 are connected with a high correlation rate
  • feature quantity m3 and feature quantity n2 are connected with a high correlation rate
  • feature quantity m3 and feature quantity n3 are highly correlated. connected at a high rate.
  • the number of edges showing a high correlation connecting the feature amount of node P1 and the feature amount of node P2 is three.
  • the lower diagram in FIG. 11 shows that when the correlation value is expressed as a number ratio, when the edges are integrated in the upper diagram in FIG. 11, the correlation value becomes 0.25. Although the edge connecting the feature amount of the node P1 and the feature amount of the node P2 showed a high correlation, the edge may be shown regardless of whether the correlation is high or low.
  • the result output unit 300 outputs information indicating that the granularity of correlation between specific feature amounts has been switched to the result output unit 300.
  • the result output unit 300 displays the network shown on the right side of FIG. 10 on the display unit 30 based on information indicating that the granularity of the correlation between specific feature amounts has been switched, which is supplied from the result output unit 300.
  • Edges 65 are displayed with a thickness that corresponds to the correlation value between nodes connected by edge 62, the correlation value between nodes connected by edge 63, and the correlation value between nodes connected by edge 64. , the user can check the correlation value between node P1 and node P2 by the thickness of the edge.
  • the result output unit 300 detects the operation signal representing the separation operation, the result output unit 300 acquires the correlation between the feature amounts of the network displayed on the display unit 30. Then, the result output unit 300 switches the granularity of the correlation between the feature amounts in accordance with the operation signal. Specifically, the result output unit 300 separates the correlation between specific feature amounts into a plurality of correlations. For example, the result output unit 300 separates the edge 65 into an edge 62, an edge 63, and an edge 64, and switches to the correlation between the feature amounts of the network shown in the left diagram of FIG.
  • the result output unit 300 outputs information indicating that the number of edges representing the correlation between specific feature amounts has been switched to the result output unit 300.
  • the result output unit 300 displays the network on the display unit 30 based on the information supplied from the result output unit 300 indicating that the granularity of correlation between specific feature amounts has been switched. Since the edge 65 is displayed by the edge 62, the edge 63, and the edge 64, the user can confirm the feature amount having a correlation between the node P1 and the node P2.
  • FIG. 12 is a schematic diagram showing an example of a network according to this embodiment.
  • FIG. 12 is a schematic diagram representing the network generated for cells at each specific time point.
  • each node represented by a circle containing a character string represents a target biological substance such as a protein or mitochondria.
  • each node represented by a circle containing a character string represents a target biological substance such as a protein or mitochondria.
  • Lines (edges) connecting nodes represent correlations.
  • the circles at both ends of the edge indicate localization information of the protein at each node (also referred to as "subnode").
  • the subnodes are identified for each localization information, and are each represented by a different color, for example.
  • subnodes represent the nucleus, cytoplasm, and actin domains, each represented by a different color (eg, blue, red, yellow).
  • the analysis system 1 can provide the user with a way to easily recognize the correlation among the target biological substances represented by the nodes that are localized at the locations represented by each subnode.
  • FIG. 12 is a covariation network representing a group of proteins that move in synchrony with a specific stimulus.
  • a node for example, pAkt (Ser473)
  • pAkt Ser473
  • a community consisting of a group of molecules with strong connections may be extracted from the covariation network by a graph clustering method or the like.
  • each community related to synthesis or regulation such as glycogen synthesis or gluconeogenesis regulation, is extracted.
  • the analysis system 1 may extract a node with many lines (edges) and highlight the node as a node representing an important molecule. Furthermore, the analysis system 1 may extract communities based on the correlation of the covariation network. Furthermore, the analysis system 1 may highlight the node or subnode as a noteworthy node based on the number of subnodes of a specific type in each node in the entire covariation network or in each community. Note that highlighting includes display modes such as changing the color of a node from that of other nodes, surrounding the node, attaching a mark such as an arrow, and lighting the node.
  • the cell image acquisition unit 101 obtains a first image in which a first target biological substance (an example of a first component) is labeled with respect to a cell, In contrast, a second image in which a second target biological material (an example of a second component) different from the first target biological material is labeled is acquired.
  • the first image and the second image differ in the dyeing and imaging process in which they were imaged (see FIG. 3).
  • the feature amount calculation unit 102 extracts the feature amount for each target biological material constituting the cell from each of the first image and the second image (see FIG. 5).
  • the correlation extraction unit 104 uses these feature amounts to calculate the correlation between the first target biological material and the second target biological material.
  • the analysis system 1 can identify more target biological substances using the same cell, and can extract more feature amounts from the same cell.
  • the analysis system can extract a number of feature quantities obtained by multiplying the number of types of feature quantities by the number of markers (six or more types, for example, 30 types). Therefore, the analysis system 1 can calculate correlations using more feature amounts, and therefore can analyze cells more accurately.
  • the correlation does not deteriorate in the cells themselves compared to the case where other cells are used. That is, when different cells are used, the accuracy of the correlation may not always be good because the distribution of target biological substances within each cell is different.
  • the correlation can be calculated by imaging while maintaining the distribution of the target biological substance, and compared to the case where other cells are used, Correlation accuracy can be improved.
  • the analysis system 1 can extract many feature quantities from the same cell, for example, it may be possible to sufficiently calculate a correlation without culturing and observing similar cells. Furthermore, since the analysis system 1 observes the same cell, it is possible to obtain highly correlated feature amounts by comparing with different cells. Furthermore, since the analysis system 1 can distinguish the target biological substances by the labels, it is possible to extract the feature amount of each target biological substance with higher accuracy than when the target biological substances are not differentiated.
  • the feature amount calculation unit 102 identifies at least some single cells, and for each single cell, the feature amount of the first target biological material and the second target biological material. Extract the features of. For example, in the example of FIG. 5, the analysis system 1 extracts the feature amount of protein 1 and the feature amount of protein 3 for each single cell 1A to 1E.
  • the correlation extraction unit 104 calculates a correlation using the feature amount of the first target biological material and the feature amount of the second target biological material for each single cell. Thereby, the analysis system 1 can obtain, for the same cell, the number of sets of feature values of the target biological substance that can be identified by the label for each single cell.
  • the analysis system can extract a number of feature quantities obtained by multiplying the number of types of feature quantities by the number of labels (6 or more types, for example, 30 types), and further multiplying by the number of single cells. Therefore, the analysis system 1 can calculate correlations using more feature amounts, and therefore can analyze cells more accurately. The analysis system 1 can sufficiently calculate the correlation, for example, without acquiring temporal changes in each feature amount.
  • the cell image acquisition unit 101 acquires a first image and a second image in which the same cell at a specific time point is imaged with different labels.
  • the same specific time point includes a time interval at which the first image and the second image are captured.
  • the same specific time point includes a time point within the time when the step of removing the label of the first target biological material and the step of labeling the second target biological material are performed.
  • the feature amount calculation unit 102 extracts the feature amount of the first target biological material and the feature amount of the second target biological material for each of at least some single cells.
  • the correlation extraction unit 104 calculates the correlation at a specific time point using the feature amount of the first target biological material and the feature amount of the second target biological material for each single cell.
  • the analysis system 1 extracts the feature amount of the first target biological material and the feature amount of the second target biological material for each single cell, so that the correlation can be calculated at each time point as well. Since the analysis system 1 can acquire at least as many feature quantities as the number of single cells, it is possible to sufficiently calculate the correlation without acquiring, for example, the temporal change in each feature quantity, so that a network at a specific point in time can be generated.
  • the analysis system 1 may calculate the correlation using feature amounts at a plurality of points in time, or may generate a network. For example, the analysis system 1 may calculate a correlation for each time interval by setting a plurality of time intervals and using feature amounts at points in time included in each time interval. The plurality of time intervals may be set by the user or automatically set by the analysis system 1. In the case of automatic setting, for example, the analysis system 1 may automatically set the time interval so that the number of samples of the feature is equal to or greater than a predetermined number, or the number of samples of the feature in each time interval may be the same.
  • the time interval may be automatically set so that the Furthermore, for example, the analysis system 1 may automatically set the time interval so that a change in correlation (for example, a difference, a rate of change) using the feature amount at a time point included in the time interval falls within a predetermined range.
  • the automatic setting includes a proposal for automatic setting, and may also include a step in which the user approves the proposal.
  • the analysis system 1 may calculate the correlation at each of a plurality of specific points in time to generate and display the network.
  • FIG. 13 is a schematic diagram illustrating an example of a network according to Modification 1 of the present embodiment.
  • This figure is a schematic representation of multiple fluorescence staining performed at specific time intervals.
  • the analysis system 1 may generate a network by calculating the correlation of feature amounts for each time point, and display the network along the time axis.
  • the analysis system 1 displays the networks at each of these points in a manner that allows comparison.
  • the analysis system 1 may display a network along the time axis of elapsed time t, or may display a video whose playback time elapses along the time axis of elapsed time t.
  • the analysis system 1 also calculates the change in correlation (for example, the difference between specific points in time, the rate of change) using the feature values at each elapsed time t, and highlights networks and nodes for which the change in correlation is greater than or equal to a predetermined value. You can.
  • the predetermined value may be determined in advance, or may be determined from the statistical value or ranking of the change values of all correlations.
  • FIG. 14 is a schematic diagram illustrating an example of feature amount information according to Modification 1.
  • This figure shows feature amount information for one well W. Note that when a plurality of wells W are used to observe a plurality of cells, the feature amount information shown in FIG. 14 is provided for each well W.
  • the feature information in this figure is associated with each stain identification information, substance identification information, and cell composition information, with respect to the time point indicating a specific time point and the cell identification information that identifies a single cell.
  • each feature amount information is the feature amount of the target biological substance (protein in this figure) indicated by the substance identification information at each specific time point (t1, t2,...) for each configuration within a single cell in the observation target cell. represents.
  • the feature amounts for cells are represented by values X c , p , e , t .
  • t represents a specific time point.
  • the feature amount at the specific time t1 is the value X c , p , e , t1 , which corresponds to the value X c , p , e in FIG. 5 .
  • FIG. 15 is a flow diagram illustrating an example of the operation of the analysis system 1 according to the first modification. Note that the operations shown here are merely examples, and operation procedures may be omitted or added. Comparing FIG. 15 and FIG. 6, steps S21, S22, S23, S231, S233, and 234 are different. Since the processing in each of the other steps is the same as the processing in the steps with the same reference numerals in FIG. 6, a description of the processing in the other steps will be omitted.
  • Step S22 The cell image acquisition unit 101 determines whether multiple fluorescence staining has been completed for all specific time points. For example, the cell image acquisition unit 101 may determine whether a preset end time has been reached, or may determine that multiple fluorescence staining has been completed based on a user operation. If multiple fluorescence staining is completed for all time points (YES), the process of step 231 is performed. At this point, the analysis system 1 has acquired and stored the feature information shown in FIG. 14 . On the other hand, if multiple fluorescence staining is not completed for at least one time point (NO), the process of step S10 is performed on the cells at this specific time point, and multiple fluorescence staining is started again.
  • the cells that are stained again in the process of step S10 are the same cells that were used in the previous multiplex fluorescence staining. However, the cells do not have to be the same cells, and may be cells cut out from a target such as a cell fragment at a different location from the previous multiple fluorescence staining.
  • Step S231 The correlation extraction unit 104 calculates the correlation between the feature amounts of the target biological materials from the feature amounts of the target biological materials in each constituent region (feature amount information in FIG. 15) at each specific time point. .
  • the process of step S106 may be performed simultaneously with step S231.
  • Step S23 The correlation extraction unit 104 determines whether correlation calculation has been completed for all specific time points. If correlation calculation is completed for all specific time points (YES), the process of step S233 is performed. If correlation calculation has not been completed for at least one specific time point (NO), the process of step S231 is performed for the specific time point for which correlation calculation has not been completed.
  • Step S233 The result output unit 300 generates a network representing the correlation for each specific time point from the correlation calculated for each well W in step S132.
  • Step S134 The display unit 30 displays the network generated in step S133 on the display at each specific time point.
  • the cell image acquisition unit 101 acquires time information representing a plurality of specific time points.
  • the feature amount calculation unit 102 identifies at least some single cells from each of the first image and the second image for each same cell, and calculates the feature amount of the first target biological material for each single cell. and extracting the feature amount of the second target biological material.
  • the analysis system 1 can calculate information such as the correlation at each specific point in time and the change in the correlation between specific points in time.
  • the analysis system 1 identifies many types of target biological substances in the same cell, and calculates the feature amounts of all target biological substances for each single cell (see FIG. 5).
  • the analysis system 1 extracts the number of feature quantities obtained by multiplying the number of types of feature quantities by the number of labels (6 or more types, for example, 30 types), and further multiplying by the number of single cells. Therefore, a network can be generated at each specific point in time.
  • the result output unit 300 outputs the correlation between the first target biological material and the second target biological material at each specific time point.
  • the result output unit 300 generates networks at each specific point in time, and the display unit 30 displays each network on the display so that the networks can be compared between specific points in time.
  • the analysis system 1 can provide the user with information such as the correlation at each specific point in time and changes in the correlation between specific points in time.
  • the analysis system 1 may calculate the correlation for each of a plurality of cell cycles, generate and display a network.
  • FIG. 16 is a schematic diagram illustrating an overview of modification 2 according to the present embodiment.
  • the analysis system 1 uses multiple fluorescence staining to identify the cell cycle by detecting the dynamics of the target biological material in various types (for example, 30 types) of staining.
  • the cell cycle refers to a series of events that occur during the process in which one cell produces two daughter cells, and the cycle thereof.
  • the cell cycle is divided into interphase and M phase. Interphase is divided into G1 phase, S phase, and G2 phase.
  • M phase is composed of mitosis and cytokinesis. During mitosis, the sister chromatids separate into the opposite poles of the cell, and during cytokinesis, the cytoplasm splits to produce two cells. Cells that have temporarily or reversibly stopped dividing are said to have entered a stationary phase called the G0 phase.
  • the feature calculation unit 102 of the analysis system 1 identifies the cell cycle.
  • the feature calculation unit 102 may identify the cell cycle using other methods (other staining, other image analysis, etc.); for example, the feature value calculation unit 102 may identify the cell cycle using DNA content.
  • the feature calculation unit 102 identifies cells that have an intranuclear dot-like structure as cells in the S phase (late G1 phase to S phase). do.
  • An intranuclear punctate structure is a structure in which many dots are present in the nucleus of a cell in an image, such as a cell in which nuclear pore complexes are unevenly distributed.
  • the feature calculation unit 102 for example, stains cyclin B with a cyclin B antibody and identifies cells with high nuclear brightness from cells in the early G2 phase (G2 phase to M phase).
  • a cell with high nuclear brightness is, for example, a cell whose brightness value is higher than the threshold value, a cell where the area of the area where the brightness value is higher than the threshold value is higher than the threshold value, a cell where the proportion of the area where the brightness value is higher than the threshold value is higher than the standard value, or , are cells in which the circularity of the area where the luminance value is higher than the threshold value is greater than or equal to the threshold value.
  • the feature calculation unit 102 determines that the cell is in the M phase based on the brightness value and circularity of the cell stained with DAPI (4',6-diamidino-2-phenylindole), for example.
  • Circularity is a numerical value representing the complexity of a figure drawn in an image or the like. The maximum value of circularity is 1, and the more complex the figure, the smaller the numerical value becomes.
  • the feature value calculation unit 102 identifies cells in which the circularity of a region where the brightness value is higher than the threshold value is equal to or higher than the threshold value as cells in the M phase.
  • the feature calculation unit 102 stores the identified cell cycle in the storage unit 200 as part of the feature information.
  • FIG. 17 is a schematic diagram illustrating an example of feature amount information according to modification 2. This figure shows feature amount information for one well W. Note that when a plurality of wells W are used to observe a plurality of cells, the feature information shown in FIG. 17 is provided for each well W.
  • the feature information in this figure includes feature information for each time point, cell cycle, and cell identification information for identifying a single cell, stain identification information, substance identification information, and cell composition information. Associated.
  • the feature information in FIG. 17 is obtained by adding the cell cycle for each cell to the feature information in FIG. 14. For example, at specific time point t1, cells 1A and 1C are in S phase, cells 1B and 1E are in G2 phase, and cell 1D is in M phase.
  • the cell 1E is a cell in the G2 phase at the specific time point t1, but is a cell in the M phase at the specific time point t2.
  • the correlation extraction unit 104 calculates the correlation between the feature amounts of target biological materials from the feature amounts of the target biological materials in each constituent region (feature amount information in FIG. 17) at specific time points and for each cell cycle. However, the correlation extraction unit 104 does not need to calculate the correlation at each specific time point, and may calculate the correlation at each cell cycle using feature amounts at a plurality of specific time points.
  • FIG. 18 is a schematic diagram illustrating an example of a network according to modification 2.
  • FIG. 17 is a schematic diagram representing the generated network for each cell cycle.
  • each target biological substance is arranged at equal intervals around the circumference (the vertices of a regular polygon may be used).
  • Each equally spaced node represents a target biological material.
  • Lines connecting nodes represent correlations.
  • the locations where lines indicating correlation are connected in each node are edges, and the edges represent the type of feature amount.
  • the covariation networks of the G1 and S phases are similar, but the G2 phase is completely different.
  • the feature calculation unit 102 calculates the following from each of the first image in which the first target biological substance is labeled and the second image in which the second target biological substance is labeled: Identify the cell cycle for each single cell.
  • the feature amount calculation unit 102 extracts the feature amount for the first target biological material and the feature amount for the second target biological material for each cell cycle.
  • the correlation extraction unit 104 calculates the correlation for each cell cycle. Thereby, the analysis system 1 can analyze cells in each cell cycle.
  • the result output unit 300 calculates the correlation of the feature amounts for each specific time point and each cell cycle to generate a network, and the display unit 30 displays each network along the time axis for each cell cycle. good. Further, the result output unit 300 may calculate the change in correlation at each specific time point for each cell cycle, and generate display information according to the magnitude of the change. For example, the result output unit 300 may highlight networks and nodes in which the change in correlation is greater than or equal to a predetermined value for each cell cycle.
  • the analysis system 1 may calculate a correlation for each pathological state, generate and display a network. For example, cells are collected from the affected area for each pathological state, and the collected cells are subjected to observation (inspection) by the analysis system 1. The analysis system 1 extracts feature amounts from observation target cells for each pathological state, calculates correlations between the feature amounts, and generates a network.
  • the cell image acquisition unit 101 detects whether the first target biological substance is labeled for each of the cells to be examined in a first pathological state and the cells to be examined in a second pathological state different from the first pathological state.
  • a first image labeled with the target biological material and a second image labeled with the second target biological material are acquired.
  • the feature amount calculation unit 102 extracts the feature amount for each target biological material forming the cell from the first image and the second image for each of the first pathological state and the second pathological state.
  • the correlation extraction unit 104 calculates the correlation between the first target biological material and the second target biological material for each of the first pathological state and the second pathological state.
  • the analysis system 1 may display the network along the progression of pathology (time axis).
  • the analysis system 1 may display networks for each pathological state for each cell cycle.
  • the result output unit 300 may calculate a change in correlation according to a change in the pathological state, and generate display information according to the magnitude of the change. For example, the result output unit 300 may highlight networks and nodes in which the change in correlation is greater than or equal to a predetermined value.
  • the analysis system 1 may associate the calculated correlation with analysis data obtained through another observation for cells to be observed.
  • the analysis data is, for example, sequence data of gene analysis.
  • the analysis system 1 associates correlation and analysis data through any one or a combination of a single cell, a component of a single cell, a target biological material, or a specific time point.
  • the analysis system 1 may calculate and output the correlation between the correlation and the analysis data.
  • the result output unit 300 acquires analysis data obtained by analyzing related elements (for example, gene sequences) that are different from the target biological material.
  • the result output unit 300 associates and outputs the correlation between the analysis data of the related elements and the target biological material.
  • the cell image acquisition unit 101 acquires analysis data for each specific time point.
  • the result output unit 300 outputs the correlation between the analysis data of the related elements and the target biological material in association with each specific time point.
  • the analysis data may be data obtained by analysis using fluorescent staining that is the same as or similar to the multiple fluorescent method staining. Thereby, the analysis system 1 can provide information by associating correlation with other analysis data.
  • the correlation may include information based on the arrangement of a single cell.
  • the arrangement may be a value based on the relative position between single cells, or may be a value based on the absolute position on the cell or image. These values are, for example, the distance between single cells or the number of cells present between single cells (minimum value).
  • the distance between single cells may be the distance between the centers of single cells, or may be the smallest distance among the distances between boundaries between single cells. Further, these values regarding the arrangement may be distances in each axis of space.
  • the feature amounts of the first target biological material and the second target biological material include the amount of the target biological material to be labeled.
  • a brightness value corresponds to this feature amount.
  • the label of the first target biological substance and the label of the second target biological substance are standardized in brightness per one of the first target biological substance and the second target biological substance.
  • the analysis system 1 calculates the amounts of the first target biological material and the second target biological material based on brightness information representing the brightness of the first image and the second image.
  • the standardization may be performed using a staining substance used for fluorescent staining, or may be normalized based on the brightness value of each fluorescent stain in the captured image.
  • the brightness value (also referred to as "unit brightness value”) per one or a predetermined number of target biological substances is measured for each dyeing substance.
  • the feature amount calculation unit 102 divides the measured brightness value by the unit brightness, and sets the value as the feature amount.
  • the unit brightness value may be determined in advance, or during observation using multiple fluorescence staining (for example, after step S11 or before step S131 in FIG. 6, or after step S22 or step S232 in FIG. 15). (before).
  • the analysis system 1 can standardize the amount of the target biological material even if different fluorescent stains are used between each staining and imaging process, so that the amount can be compared between the target biological materials.
  • the specific point in time may be a time interval.
  • the same specific time point includes a time point within a specific period (eg, G1 (Gap 1) phase) in the cell cycle.
  • the specific period is within the cell cycle, and may be, for example, the G0 (Gap 0) phase, the S (Synthetic) phase, the G2 (Gap 2) phase, or the interphase.
  • the same specific time point may include a time point within the time when the step of removing the label of the first target biological material and the step of labeling the second target biological material are performed.
  • the imaging period for one multiplex fluorescence staining may be regarded as a specific time point.
  • ⁇ Analysis> The processing that the analysis system 1 performs when calculating the feature amount will be described below.
  • the cells to be observed are separated on the image, and the cell area is calculated.
  • an example for quantitatively analyzing various phenomena will be shown below.
  • the feature amount calculation unit 102 detects a region of interest based on user operations and settings, and calculates characteristics of biological substances that move between the nucleus and cytoplasm of cells for cells separated by image analysis within the region of interest. Extract the amount. Note that these biological substances are fluorescently stained with antibodies, fluorescent proteins, and the like.
  • the feature calculation unit 102 extracts, for example, a feature of a protein, which is a substance that moves between the nucleus and cytoplasm of a cell. For example, when a protein localized inside the nucleus moves to the cytoplasm covering the outside of the nucleus, the feature amount calculation unit 102 extracts the following values as the feature amount from images before and after the protein movement. Furthermore, even when a protein localized in the cytoplasm moves into the nucleus, the feature amount calculation unit 102 extracts the feature amount from images before and after the protein movement. Note that the feature amounts shown below are just examples, and other feature amounts may be extracted.
  • the feature values are total brightness value of nucleus/total brightness value of cytoplasm, total brightness value of nucleus/total brightness value of cell, average brightness value of nucleus/average brightness value of cytoplasm, average brightness value of nucleus/total brightness value of cell.
  • the feature amount calculation unit 102 may also extract the feature amount of a substance that travels between the nuclear membrane of a cell and the nucleus of the cell, or the feature amount of a substance that travels between the nuclear membrane and the cytoplasm of the cell. good.
  • the feature amount calculation unit 102 extracts, for example, the feature amount of a protein such as Nup98 as a substance that travels between the cell structures.
  • the feature calculation unit 102 calculates, for example, when a protein localized in the nuclear membrane of a cell (nucleus of a cell) moves to the nucleus of a cell (nuclear membrane of a cell), or when a protein localizes in the nuclear membrane (cytoplasm) of a cell.
  • the protein that was present moves to the cytoplasm (nuclear membrane of the cell)
  • the following values are extracted as feature quantities from images before and after the protein movement. Note that the feature amounts shown below are just examples, and other feature amounts may be extracted.
  • the feature values include the total brightness value of the nuclear envelope/the total brightness value of the nucleus, the average brightness value of the nuclear envelope/the average brightness value of the nucleus, the variance of brightness values in the nucleus, the number of bright spots in the cytoplasm, and the brightness value in the cell.
  • the feature amount calculation unit 102 extracts the feature amount of the substance from images before and after the aggregation.
  • the feature amount calculation unit 102 extracts feature amounts from proteins such as GSK3 ⁇ and p-GSK3 ⁇ , which are substances uniformly distributed in a predetermined region of a cell, for example.
  • the feature amount calculation unit 102 extracts the following values as feature amounts from images before and after protein aggregation. Note that the feature amounts shown below are just examples, and other feature amounts may be extracted.
  • the feature values are total brightness value of nucleus/total brightness value of cell, total brightness value of nucleus/total brightness value of cytoplasm, average brightness value of nucleus/average brightness value of cell, average brightness value of nucleus/total brightness value of cytoplasm. These are the average brightness value, the dispersion of brightness values within the cell, the number of spots, and the number of spots inside the nucleus/the number of spots outside the nucleus.
  • the feature calculation unit 102 calculates the characteristics of the substances that form the specific aggregate (domain). Extract the amount.
  • the feature calculation unit 102 extracts, for example, a feature of a protein that is a substance forming a specific aggregate (domain). Examples of the proteins include actin, SNX-9, p-Akt (S473), WASH1, and EEA1.
  • the feature amount calculation unit 102 extracts the following values as feature amounts from images before and after proteins form a specific aggregate (domain). Note that the feature amounts shown below are just examples, and other feature amounts may be extracted.
  • the feature values include the variance of the luminance value of the cytoplasm, the area of the domain, the number of domains in the cell (total value and average value for each cell), the total luminance value of the domain/total luminance value of the cytoplasm, and the average luminance of the domain. value/average brightness value of a cell.
  • the feature value calculation unit 102 calculates that when substances uniformly distributed in a predetermined region of a cell are sub-aggregated to form a specific aggregate (domain), the features are aggregated at the same location as the specific aggregate (domain). Extract features for other substances. Furthermore, when a specific aggregate is not formed, the feature calculation unit 102 analyzes whether or not a plurality of substances exist at the same location by extracting the feature amounts of the substances. The feature amount calculation unit 102 extracts, for example, the feature amount of a protein, which is a substance that aggregates at the same location as a specific aggregate (domain).
  • the feature amount calculation unit 102 extracts the feature amount from the brightness values of the protein distributed in a certain range around the domain.
  • the feature amount calculation unit 102 extracts the following values as the feature amount of the brightness value of the protein. Note that the feature amounts shown below are just examples, and other feature amounts may be extracted.
  • the feature values include the dispersion of protein brightness values in a certain range around the actin domain, the total brightness value of proteins on the actin domain/total brightness value of proteins in the whole cell, the average brightness value of proteins on the actin domain/ Average brightness value of proteins in the whole cell, total brightness value of proteins in a certain range around the actin domain / total brightness value of proteins in the whole cell, average brightness value of proteins on the actin domain / proteins in a certain range around the domain is the average brightness value of the protein on the actin domain/total brightness value of the protein in a certain range around the domain.
  • the feature amount calculation unit 102 extracts the following values as feature amounts based on the formed domain. Note that the feature amounts shown below are just examples, and other feature amounts may be extracted.
  • the feature amount is the area of the region where the actin domain and the protein domain overlap/the area of the total region of the actin domain and the protein domain, and the dispersion of the brightness value of the protein in a certain range around the actin domain.
  • the analysis system 1 performs the display shown in FIG. 19 or 20, for example. Details of the display will be described later.
  • edges based on correlation values are displayed for each combination of nodes. For example, edges whose correlation value is greater than a threshold value are displayed.
  • the analysis system 1 displays target biological substances (also referred to as "target generated substances") that should be noted.
  • the target produced substance is a target biological substance that has a large cellular response or medicinal effect, such as a drug. Displaying the target-generating substance includes displaying the name and node of the target-generating substance in an identifiable manner, displaying the target-generating substance in a manner that allows people to identify it, and the like.
  • the analysis system 1 displays information on the production substances of interest for each of a plurality of covariation networks, thereby providing information for determining whether the production substances of interest are similar or different, for example, in the drug or cell cycle. It may be presented to the user. For example, the analysis system 1 may display target production substances for each drug, each cell cycle, or each drug and cell cycle.
  • the correlation extraction unit 104 of the analysis system 1 calculates the correlation abnormality degree of each target product for each covariation network.
  • the degree of correlation anomaly is the change in the correlation value of each target product in the comparison between the covariation network to be calculated (also referred to as the "target network") and the covariation network serving as the reference (also referred to as the "reference network”). (correlation collapse).
  • the reference network is, for example, a covariation network generated from the feature values of each target biological substance of a cell when a drug solvent (such as water) is used in the cell.
  • the reference network may be a fixed covariation network, or may be a covariation network generated from the feature amounts of each target biological substance of a specific cell.
  • the reference network may be a covariation network that is in a relative relationship with the target network, such as a covariation network before the use of a drug or a change in the cell cycle.
  • a target product substance with a high degree of correlation abnormality is a substance whose correlation value changes significantly, and is presumed to have a high cellular response or medicinal efficacy of the drug used.
  • the result output unit 300 generates data that allows a target product having a high degree of correlation abnormality to be identifiably displayed as a target product of interest. The generated data is displayed on the display unit 30.
  • the correlation extraction unit 104 reads the feature amounts (for example, the feature amounts calculated by the feature amount calculation unit 102 for each drug and cell cycle) in the reference network and the target network, and sets them as a data set. Further, the correlation extraction unit 104 reads out ⁇ set by the user.
  • ⁇ is a coefficient of a normalization term (penalty term) and serves as a threshold value of a correlation coefficient (an example of a correlation value).
  • the correlation extraction unit 104 calculates a sample covariance matrix based on the feature amount for each network.
  • the correlation extraction unit 104 uses the graphical lasso method to calculate an accuracy matrix based on the sample covariance matrix for each network.
  • the correlation extraction unit 104 calculates the degree of correlation abnormality for each target product based on the accuracy matrices of the reference network and the target network.
  • the degree of correlation anomaly is, for example, the Kullback-Libra pseudodistance (referred to as "KL distance").
  • KL distance the Kullback-Libra pseudodistance
  • FIG. 19 is a schematic diagram illustrating an example of target biological substance detection according to modification 3 according to the present embodiment.
  • This figure is an example of a cluster map displayed as a result of tree-type (hierarchical) cluster analysis performed by the analysis system 1.
  • the vertical axis represents the target biological substance (covariance network node), and the horizontal axis represents cells in each cell cycle (covariance network) in which each drug was used.
  • drugs 2 ⁇ M (mol/L) bleomycin, 1 ⁇ M and 3 ⁇ M cytarabine, and 2 m (milli) M aspirin were used for cells in the S phase, G1 phase, G2 phase, or M phase of the cell cycle, respectively.
  • the analysis system 1 analyzed those cells and calculated the degree of correlation abnormality.
  • the entire map is a heat map of the degree of correlation abnormality.
  • the user can identify the target biological material by coloring each cell in each cell cycle in which each drug was used with a color having a high degree of correlation abnormality.
  • the order on the vertical and horizontal axes of the map is determined by the correlation extraction unit 104 performing a tree-type cluster analysis based on the degree of correlation abnormality, and rearranging the maps in the order of the highest degree of similarity.
  • the horizontal axis has been sorted in the following order:
  • the order is S phase cells using 2 ⁇ M bleomycin (Belomycin 2 ⁇ M S), S phase cells using 1 ⁇ M cytarabine (Cytarabine 1 ⁇ M S), S phase cells using 3 ⁇ M cytarabine (Cytarabine 3 ⁇ M S),
  • G1 phase cells using bleomycin Belomycin 2 ⁇ M G1
  • G1 phase cells using 1 ⁇ M cytarabine Cytarabine 1 ⁇ M G1
  • G1 phase cells using 3 ⁇ M cytarabine Cytarabine 3 ⁇ M G1
  • the next order is G2 or M phase cells with 1 ⁇ M cytarabine (Cytarabine 1 ⁇ M S), G2 or M phase cells with 2 ⁇ M bleomycin (Belomycin 2 ⁇ M S), G2 phase with 3 ⁇ M cytarabine. or M phase cells (Cytarabine 3 ⁇ M S), S phase cells using 2mM aspirin (Aspirin 2mM S), G1 phase cells using 2mM aspirin (Aspirin 2mM G1), G2 phase cells using 2mM aspirin or M phase cells (Aspirin 2mM S).
  • SDH succinate dehydrogenase
  • ⁇ H2AX is colored with the color with the highest degree of correlation abnormality
  • IDH3 and Cyclin B are also colored with the color with the highest degree of correlation abnormality, and the user identifies them as biological substances of interest.
  • ERK is colored in a color with a high degree of correlation abnormality, allowing the user to identify it as the target biological material.
  • this display the user can recognize the biological substance of interest, and can estimate which drug has a high cellular response to cells in which cell cycle, or which drug has high efficacy for cells in which cell cycle.
  • this display allows the user to know which target biological substance is likely to be the cause of high cell response or high drug efficacy. Then, by referring to the covariation network of the corresponding drug and cell cycle and focusing on the node of the biological substance of interest, the user can further learn about the biological substance of interest that is affecting the biological substance of interest. .
  • FIG. 20 is a schematic diagram illustrating another example of target biological substance detection according to Modification 3 according to the present embodiment.
  • the vertical axis, horizontal axis, and coloring are the same as in FIG. 19.
  • the horizontal axis is sorted in the order of drugs (reagents) (classified by drug).
  • ⁇ H2AX is colored in a color with a high degree of correlation abnormality in whole cell cycle cells using bleomycin and S phase cells using cytarabine, and the user can identify them as biological substances of interest.
  • cells treated with bleomycin are colored with a higher degree of correlated abnormality in ⁇ H2AX than S-phase cells treated with cytarabine. It can be expected to have high medicinal efficacy.
  • the analysis system 1 arranges each drug and cell cycle (covariation network) and displays information (color) representing the height of the degree of correlation abnormality. This allows the user to compare cell responses and drug efficacy between drugs and cell cycle periods.
  • the analysis system 1 displays information (color) indicating the height of correlation abnormality by arranging each target biological substance (node). This allows the user to compare cell responses and drug efficacy for each drug and cell cycle period for each target biological material or biological material of interest.
  • ERK is colored in a color with a high degree of correlation abnormality during the entire cell cycle, allowing the user to identify it as the biological substance of interest.
  • ERK is colored in a color with a higher correlation abnormality than in S-phase cells treated with 1 ⁇ M cytarabine, so the user should increase the concentration of cytarabine.
  • the analysis system 1 displays information (color) representing the height of the correlation abnormality by arranging the drug, cell cycle, and drug concentration. This allows the user to compare cell responses and drug efficacy for each drug concentration.
  • the correlation extraction unit 104 extracts the feature amount of the first component of the first single cell and the feature amount of the second component.
  • the degree of correlation abnormality representing the change in the correlation calculated using the feature amount of the first component of the second single cell and the feature amount of the second component is calculated for each component. calculate.
  • the result output unit 300 outputs information that allows identification of the degree of correlation abnormality or the component according to the degree of correlation abnormality, and the display unit 30 displays the information. Thereby, the user can, for example, identify components with a high degree of correlation abnormality, and can recognize components with high cell responses and effects.
  • the result output unit 300 outputs information that allows the degree of correlation abnormality to be identified for each of a plurality of single cells or each cell cycle, and the display unit 30 displays this information. This allows the user to recognize the difference in the degree of correlation abnormality for each single cell or cell cycle, and for example, respond when a single cell or cell cycle changes from the first single cell to the second single cell. be able to recognize highly effective components.
  • the result output unit 300 outputs information that allows the degree of correlation abnormality to be identified for each of a plurality of drugs or the concentration or amount of the drug, and the display unit 30 displays this information. Thereby, the user can recognize the difference in the degree of correlation abnormality for each drug or drug concentration or amount, and can recognize, for example, the response of the drug or the component with high medicinal efficacy for each drug or drug concentration or amount.
  • the result output unit 300 rearranges the plurality of single cells, the cell cycle, the drugs used for the single cells, or the concentrations or amounts of the drugs according to the degree of correlation abnormality of the plurality of components. This makes it easier for the user to recognize, for example, single cells, cell cycles, drugs, or concentrations or amounts of drugs that have similar or different correlations. The user can identify, for example, responsive or effective components by single cell, cell cycle, drug, or concentration or amount of drug.
  • the result output unit 300 may rearrange the covariation network of FIG. 18 according to the degree of correlation abnormality of the plurality of components.
  • the result output unit 300 may highlight the constituent elements according to the degree of correlation abnormality.
  • the result output unit 300 may highlight a component with a high degree of correlation abnormality, and may highlight a node representing a component with a high degree of correlation abnormality in the covariation network of FIG. 18, for example. This allows the user to identify the component of interest (biological material of interest), and for example, by checking the correlation between the component and other components, the user can identify a high correlation that contributes to the reaction or effect. This makes it easier to recognize the components shown.
  • the result output unit 300 may also display the degree of correlation abnormality for each component by sorting the results according to individual cells or combinations of single cells, cell cycle, drugs used for single cells, and concentrations or amounts of drugs. good. Sorting includes making each group consecutive and sorting according to order. For example, in the maps shown in FIGS. 19 and 20, the result output unit 300 may rearrange the order of the cell cycle for each drug (for example, in the order of G1 phase, S phase, G2 phase, and M phase). This makes it easier for the user to recognize cell reactions for each drug, cell cycles with high medicinal efficacy, and target production substances (target production substances) with a high degree of contribution. Further, the result output unit 300 may rearrange the results in the order of the cell cycle. This makes it easier for the user to recognize drugs with high cell response or medicinal efficacy in each cell cycle, and target produced substances (target produced substances) that contribute highly to each drug.
  • Sorting includes making each group consecutive and sorting according to order. For example, in the maps shown in FIGS. 19 and 20, the result output unit
  • a part of the analysis device 10 in the embodiment described above may be realized by a computer.
  • a program for realizing this control function may be recorded on a computer-readable recording medium, and the program recorded on the recording medium may be read into a computer system and executed.
  • the "computer system” herein refers to a computer system built into the analysis device 10, and includes hardware such as an OS and peripheral devices.
  • the term "computer-readable recording medium” refers to portable media such as flexible disks, magneto-optical disks, ROMs, and CD-ROMs, and storage devices such as hard disks built into computer systems.
  • a "computer-readable recording medium” refers to a medium that dynamically stores a program for a short period of time, such as a communication line when transmitting a program via a network such as the Internet or a communication line such as a telephone line. In that case, it may also include something that retains a program for a certain period of time, such as a volatile memory inside a computer system that is a server or a client. Further, the above-mentioned program may be one for realizing a part of the above-mentioned functions, or may be one that can realize the above-mentioned functions in combination with a program already recorded in the computer system.
  • part or all of the analysis device 10 in the embodiment described above may be realized as an integrated circuit such as an LSI (Large Scale Integration).
  • LSI Large Scale Integration
  • Each functional block of the analysis device 10 may be made into a processor individually, or some or all of them may be integrated into a processor.
  • the method of circuit integration is not limited to LSI, but may be implemented using a dedicated circuit or a general-purpose processor. Further, if an integrated circuit technology that replaces LSI emerges due to advances in semiconductor technology, an integrated circuit based on this technology may be used.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Organic Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Sustainable Development (AREA)
  • Genetics & Genomics (AREA)
  • Microbiology (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

細胞画像取得部は、細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像を取得する。特徴量算出部は、前記第１画像及び前記第２画像の各々から、細胞を構成する構成要素ごとの特徴量を抽出する。相関関係算出部は、前記特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する。

Description

解析システム、解析装置、解析プログラム、及び解析方法
　本発明は、解析システム、解析装置、解析プログラム、及び解析方法に関する。本願は、２０２２年７月１２日に日本に出願された特願２０２２－１１１９９５号について優先権を主張し、その内容をここに援用する。
　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）。このような従来の技術は、例えば、生体等から取得された細胞の画像に対して画像処理を行い解析する技術であり、所定の時間ごとに細胞の画像データを取得し、取得した画像データと異なるタイミングで取得された細胞の形態に関わる画像データを比較することで、細胞の形態の特徴量の相関及び差分を算出するという技術である。これによって、取得された細胞の活性度を判断することができ、細胞のがん化や病態化等の生体現象の解明に役立てることができる。
米国特許出願公開第２０１４／００９９０１４号明細書
　しかしながら、上述した従来の技術では、得られる情報が不十分である場合、又は解析を十分に行うことができない場合等があった。
　このように、上述した従来の技術では、細胞を解析することが困難な場合があった。
　本発明は、このような事情を考慮してなされたものであり、細胞を解析することができる解析システム、解析装置、解析プログラム、及び解析方法を提供することを目的の一つとする。
（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像を取得する取得部と、前記第１画像及び前記第２画像の各々から、細胞を構成する構成要素ごとの特徴量を抽出する特徴量抽出部と、前記特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する相関算出部と、を備える解析システムである。
（２）また、本発明の一態様は、細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像の各々から抽出された、細胞を構成する構成要素ごとの特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する相関算出部、を備える解析装置である。
（３）また、本発明の一態様は、解析装置のコンピュータに、細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像の各々から抽出された、細胞を構成する構成要素ごとの特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出させる手順、を実行させるための解析プログラムである。
（４）また、本発明の一態様は、解析システムにおける解析方法であって、取得部が、細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像を取得する取得過程と、特徴量抽出部が、前記第１画像及び前記第２画像の各々から、細胞を構成する構成要素ごとの特徴量を抽出する特徴量抽出過程と、相関算出部が、前記特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する相関算出過程と、を有する解析方法である。
　本発明によれば、細胞を解析することができる。
本発明の実施形態に係る解析システム１の構成の一例を示す模式図である。 本実施形態に係る解析手法の概要を説明するための説明図である。 本実施形態に係る撮像画像の一例を示す図である。 本実施形態に係る解析システム１の構成の一例を示す概略ブロック図である。 本実施形態に係る特徴量情報の一例を示す概略図である。 本実施形態に係る解析システム１の動作の一例を示すフロー図である。 本実施形態に係るネットワークを説明するための概略図である。 本実施形態に係るネットワークを説明するための別の概略図である。 本実施形態に係るネットワークを説明するための別の概略図である。 本実施形態に係るネットワークを説明するための別の概略図である。 本実施形態に係るネットワークを説明するための別の概略図である。 本実施形態に係るネットワークの一例を表す概略図である。 本実施形態に係る変形例１に係るネットワークの一例を表す概略図である。 変形例１に係る特徴量情報の一例を示す概略図である。 変形例１に係る解析システム１の動作の一例を示すフロー図である。 本実施形態に係る変形例２の概要を表す概略図である。 変形例２に係る特徴量情報の一例を示す概略図である。 変形例２に係るネットワークの一例を表す概略図である。 本実施形態に係る変形例３の対象生体物質検出の一例を表す概略図である。 本実施形態に係る変形例３の対象生体物質検出の別の一例を表す概略図である。
（実施形態）
　以下、図面を参照して、本発明の実施形態について説明する。
＜解析システム＞
　図１は、本発明の実施形態に係る解析システム１の構成の一例を示す模式図である。
　解析システム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、解析処理を行う。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。解析システム１は、解析装置１０、顕微鏡装置２０、及び表示部３０を含んで構成される。
　解析装置１０は、サーバ等のコンピュータであり、顕微鏡装置２０で撮像した細胞画像を解析し、解析結果を表示部３０に表示させる。
　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-CoupledDevice）やＣＭＯＳ（ComplementaryMOS）、ＰＭＴ（PhotomultiplierTube）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よい。
　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である。培養容器は、例えば、スライドチャンバー、シャーレなどであってもよい。
　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画像として撮像する。これによって、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。なお、ウェルプレートＷＰにおいて、ウェルＷは１個であってもよい。
　顕微鏡装置２０は、蛍光染色により発光される蛍光を、細胞画像として撮像する。例えば、顕微鏡装置２０は、生体物質（構成要素の一例）内に取り込まれた発色物質そのものから発光される蛍光や、発色団を持つ物質が生体物質に結合することによって発光される蛍光を、細胞画像として撮像する。顕微鏡装置２０は、細胞に蛍光物質を励起する励起光を照射することで、生体物質から発光される蛍光を、細胞画像として撮像してもよい。つまり、生体物質が蛍光により標識されるので、解析システム１は、その蛍光を撮像することで生体物質を識別できる。
　これにより、解析システム１は、蛍光画像、共焦点画像、超解像画像を取得することができる。なお、撮像対象は蛍光でない色等であってもよく、生体物質を識別可能に撮像できればよい。
　細胞画像を取得する方法は、光学顕微鏡に限られない。例えば、電子顕微鏡でもよい。また、後述する細胞を含む画像は、異なる方式により得られた画像を用い、相関を取得してもよい。すなわち、細胞を含む画像の種類は適宜選択してもよい。本実施形態における細胞とは、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よい。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く、”in-vivo”または”in-vitro”のどちらでもよい。また、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よい。
　細胞の状態は、目的別に適宜選択してもよい。例えば、細胞内の構成要素において判別する種類（例えば、タンパク質、オルガネラ）により、固定と未固定を選択してもよい。また、固定した細胞で細胞の動的挙動を取得する場合には、条件の異なる複数の固定細胞を作成し、動的挙動を取得する。細胞内の構成要素において、判別する種類は核内に限られない。なお、オルガネラとは、細胞小器官であり、ミトコンドリア、細胞膜など、さまざまな器官である。オルガネラの一つとして、細胞骨格があり、主にアクチンフィラメント、中間径フィラメント、微小管という、タンパク質でできた3種類の繊維からなる。
　また、細胞を観測するために、細胞に予め処理した後に、細胞を観察してもよい。勿論、細胞を観察するために、細胞に処理しない状態で細胞を観察してもよい。
　細胞を観察する場合には、細胞を免疫染色により染色し、観察する。例えば、細胞内の核内構造において判別する種類において、用いる染色液を選択する。また染色方法に関しては、あらゆる染色方法を用いることができる。例えば主に組織染色に用いられる各種特殊染色、塩基配列の結合を利用したハイブリダイゼーションなどがある。
　また、細胞に発光タンパク質（例えば、導入された遺伝子（ルシフェラーゼ遺伝子など）から発現された発光タンパク質）で処理し、観察してもよい。例えば、細胞内の核内構造において判別する種類において、用いる発光タンパク質を選択してもよい。また、蛍光色素（例えば、DAPI、Hoechstなど）を用いて観察してもよい。
　また、これらの細胞を観察する手段及び又は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、目的別に適宜選択してもよい。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よい。これら、目的別に選択される前処理が異なっていてもよい。また、目的別に選択される前処理の種類が少なくなるようにしてもよい。例えば、細胞の動的挙動を取得する手法と細胞内のシグナル伝達を取得する手法とがそれぞれ、最適な手法が異なっていても、それぞれ異なる手法でそれぞれの情報を取得することは煩雑となるために、それぞれの情報を取得するのに十分な場合には、最適手法とは異なり、それぞれが共通する手法で行ってもよい。
　ウェルプレートＷＰは、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、１２×８の９６個のウェルＷを有する。細胞は、ウェルＷの中において、特定の実験条件のもと培養される。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、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、細胞数等を示す特徴であり、例えば細胞周期も含まれる。
＜多重蛍光法染色＞
　図２は、本実施形態に係る解析手法の概要を説明するための説明図である。
　解析システム１は、免疫染色等による蛍光標識、撮像、及び蛍光ブリーチ（脱色）の工程を繰り返して（「多重蛍光法染色」とも称する）、細胞画像を取得する。この１回の工程を染色撮像工程とも称する。各染色撮像工程では、蛍光標識させる生体物質が異なるため、例えば免疫染色の場合には蛍光染色に用いる抗体が異なる。
　ここで、解析システム１は、同一のウェルＷにおいて、染色撮像工程の各回で異なる色の細胞画像を取得する。つまり、解析システム１は、同一細胞において、染色撮像工程の各回で異なる生体物質が着色或いは発光する細胞画像を取得する。これにより、解析システム１は、同一細胞において、染色撮像工程の各回で異なる生体物質を識別できる。換言すれば、解析システム１は、同一細胞において、１回の撮像で識別可能な数（例えば１個）よりも多いタンパク質を識別できる。
　１回の染色撮像工程では、例えば４～５重の染色により、それぞれ異なる色（波長）の色素で染色された細胞を撮像する。解析システム１は、例えば、色ごとに、画像を分離してマスク処理等を施すことで、細胞質、細胞内の構成要素を識別する。解析システム１は、前の回の４～５重の染色の染色うち、少なくとも一部の染色を変更して、次の回の染色撮像工程を行う。少なくとも一部の染色は、前の回で識別した生体物質以外の生体物質を着色或いは発光させる染色である。これにより、解析システム１は、各回の染色着色工程で、同一細胞において、異なる生体物質を識別できる。　
　１回目の蛍光標識では、ウェルＷにおいて模式図Ｆ１に示す染色が行われる。発光色素Ｆ１１が付された抗体ＡＢ１が染色液に含まれ、抗体ＡＢ１は観察対象の細胞の抗原ＡＧ１と結合している。抗原ＡＧ１は、タンパク質Ａの抗原である。顕微鏡装置２０は、染色後に、発光色素Ｆ１１による発光を撮像することで、タンパク質Ａを識別可能な画像を撮像する。
　解析システム１は、細胞質を識別可能な画像Ｇ１１、オルガネラを識別可能な画像Ｇ１２、タンパク質Ａを識別可能な画像Ｇ１３、核を識別可能な画像Ｇ１４を取得する。
　１回目の蛍光ブリーチでは、１回目と同じウェルＷにおいて模式図Ｆ２に示す蛍光ブリーチが行われる。脱色液には、過酸化水素水等、発光色素Ｆ１１を脱色する物質が含まれ、タンパク質Ａの染色を脱色させる。なお、脱色は、発光色素の脱色に限られず、例えば、抗体ＡＢ１を抗原ＡＧ１から分離して、除去させてもよい。
　２回目の蛍光標識では、ウェルＷにおいて模式図Ｆ３に示す染色が行われる。発光色素Ｆ２１が付された抗体ＡＢ２が染色液に含まれ、抗体ＡＢ２は観察対象の細胞の抗原ＡＧ２と結合している。抗原ＡＧ２は、タンパク質Ｂの抗原である。顕微鏡装置２０は、染色後に、発光色素Ｆ２１による発光を撮像することで、タンパク質Ｂを識別可能な画像を撮像する。
　解析システム１は、細胞質を識別可能な画像Ｇ２１、オルガネラを識別可能な画像Ｇ２２、タンパク質Ａを識別可能な画像Ｇ２３、核を識別可能な画像Ｇ２４を取得する。
　ここで、画像Ｇ１１は画像Ｇ２１、画像Ｇ１２は画像Ｇ２２、画像Ｇ１３は画像Ｇ３２と、それぞれ、特徴量が同じ画像である。つまり、同じ細胞を観察しているので、細胞質、オルガネラ、核は、特徴量が同じ画像となる。一方、タンパク質Ａの抗体は脱色しているので画像に表れず、新たに染色したタンパク質Ｂの画像Ｇ２３が得られる。なお、２回目の蛍光標識では、細胞質、オルガネラ、核を染色しなくてもよい。また、１回の染色撮像工程で、複数のタンパク質を染色させて、撮像してもよい。
　図３は、本実施形態に係る撮像画像の一例を示す図である。
　この図は、解析システム１が得た９個の画像を、３行３列に並べたものである。各画像は１種類のタンパク質の画像であり、この例では、解析システム１は、全部で９種類の画像を得ている。
　これらの画像は、同一細胞が撮像されたものであり、顕微鏡装置２０は、ウェルＷ上の同じ位置を同じ撮像条件（倍率等）で撮像している。１つ１つの単一細胞の位置は同じ位置にあるため、解析システム１は、単一細胞の各々において、細胞内の９種類のタンパク質を識別できる。これにより、解析システム１は、異なる画像間でも、タンパク質等の生体物質の位置を同じ座標系で用いることができ、また各生体物質が構成する細胞を画像間でも同定できる。なお、解析システム１は、染色撮像工程が異なる複数の画像について、細胞内の核、細胞質（細胞壁）の位置によって、位置合わせ（拡大縮小、回転、平行移動）を行ってもよい。
＜解析システムの構成例＞
　図４は、本実施形態に係る解析システム１の構成の一例を示す概略ブロック図である。解析システム１は、解析装置１０、顕微鏡装置２０、及び表示部３０（表示装置）を具備する。解析装置１０は、演算部１００、記憶部２００、及び結果出力部３００を備える。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。
　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１１０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、雑音成分除去部１０３と、相関関係抽出部１０４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する。ここで、細胞画像取得部１０１は、多重蛍光法染色の単位で、一連の染色撮像工程で撮像した複数の細胞画像を取得する。細胞画像取得部１０１は、細胞画像に対して、多重蛍光法染色（一連の染色撮像工程）を識別する観察識別情報、染色撮像工程を特定する染色識別情報を付し、また、観察対象の細胞（ウェルＷ）を識別する観察細胞識別情報、実験条件を識別する実験条件識別情報を付す。なお、これらの識別情報は、撮像部２２が付してもよい。
　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、細胞画像の面積、輝度の平均や分散などが含まれる。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を表す。
　ここで、特徴量算出部１０２は、画像から特定の色（波長）成分を抽出することで、各色成分の細胞画像へ分離する。なお、画像（又は染色識別情報）、その画像での色成分、及び、その色成分の生体物質との関係は、予めユーザから入力され、種類記憶部２０１に記憶されてもよい。特徴量算出部１０２は、各色成分の細胞画像に対して、色成分に対応する生体物質（図２参照）ごとに、特徴量を算出する。
　特徴量の詳細な例は、後述する。
　なお、同一細胞について時刻（多重蛍光法染色の単位）に応じた時系列又は特定細胞の培養の経過時間に応じた時系列もしくは、分化等の細胞状態の変化で異なる複数の画像がある場合には、特徴量算出部１０２は、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。この場合に、時間の変化に限られず、分化等の細胞の状態の変化が異なる複数の画像を用いてもよい。また、異なる輝度の変化を示す位置の情報を特徴量としてもよい。例えば、細胞の所定時間内の挙動、もしくは、細胞の分化等の細胞状態変化に伴う挙動でもよいし、細胞の形状の所定時間内の変化、もしくは、細胞の形状の分化等の細胞状態変化に伴う変化でもよい。また、撮像される細胞画像から、所定時間内の変化、もしくは、分化等の細胞状態変化に伴う変化が認められない場合は、変化しないことも特徴量としてもよい。
　雑音成分除去部１０３は、特徴量算出部１０２が算出した特徴量のうち、雑音成分（ノイズ）を除去する。雑音成分除去部１０３は、１つ１つの単一細胞又はその構成（細胞質、核、細胞膜）の少なくとも一部を識別する。雑音成分除去部１０３は、単一細胞又はその構成ごと、及び、細胞画像に付された物質識別場情報（染色で識別されたタンパク質の種類）ごと、及び、ノイズを除去した特徴量を対応付けることで、特徴量情報を生成する（図５参照）。
　相関関係抽出部１０４は、雑音成分除去部１０３が雑音成分を除去した後の特徴量について、特徴量の尤度に基づいて、特徴量算出部１０２が算出する特徴量間の複数の相関関係のうちから、特定の相関関係を抽出する。ここで、尤度とは、所定条件に従って結果を算出する場合に、その結果から所定条件を推測する尤もらしさを表す数値である。また、尤度とは、データが確率モデルに従う場合に、推定すべきパラメータの尤もらしさを表すコスト関数である。
　雑音成分除去部１０３によるノイズ除去、及び、相関関係抽出部１０４の処理による相関関係の抽出は、例えばグラフィカルラッソ法を用いて、同時に行われてもよい。
　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、ディスプレイ等の表示装置であり、結果出力部３００が出力する演算結果を表示する。表示部３０は、解析装置２０の一部であってもよい。
＜特徴量情報＞
　図５は、本実施形態に係る特徴量情報の一例を示す概略図である。
　この図の特徴量情報は、観察対象の細胞（ウェルＷ）を識別する観察対象識別情報、及び単一細胞を識別する細胞識別情報に対して、染色識別情報、物質識別情報、及び細胞の構成情報ごとに特徴量情報が関連付けられている。つまり、各特徴量情報は、各ウェルの観察対象の細胞における単一細胞内の各構成について、物質識別情報が示す生体物質（この図ではタンパク質）の特徴量を表している。
　この図において、１つのウェルＷ１の細胞についての特徴量は、値Ｘc , p ,eで表される。別のウェルＷ２の細胞についての特徴量は、値Ｙc , p ,eで表される。特徴量は、例えば、平均輝度、総輝度値等の輝度値であり、これらの輝度値は、分子の存在量と関連する。
　変数ｃは単一細胞を識別する変数（細胞識別情報）であり、その値は、例えば単一細胞（Ｃｅｌｌ）１Ａが１、１Ｂが２、１Ｃが３、・・・で表される。変数ｐは生体物質を識別する変数（物質識別情報）であり、その値は、例えばタンパク質１（Ｐｒｏｔｅｉｎ）は１、タンパク質２は２、タンパク質３は３で表される。なお、タンパク質１、２は、染色識別１の染色撮像工程によって識別される。タンパク質３は、染色識別２の染色撮像工程によって識別される。
　変数ｅは細胞の構成を識別する変数（細胞の構成情報）であり、その値は、例えば核（Ｎｕｃｌ）が１、細胞質（Ｃｙｔｏ）が２、アクチンドメイン（ＡＤ）が３で表される。アクチンドメインは、アクチンフィラメントにより形成された網目のようなもつれた構造物である。細胞の構成は、アクチン以外の生体物質が重合してできた構造物であってもよく、例えば、別の種類のオルガネラであってよい。各生体物質が存在する領域をドメインとも呼ぶ。
　この図において、例えば、ウェルＷ１上の細胞の単一細胞１Ａについて、タンパク質１のタンパク質では、細胞の核内の総輝度値がＸ 1,1,1、細胞質内の総輝度値がＸ 1,1,2、アクチンドメインの総輝度値がＸ 1,1,3である。
　なお、図５において、便宜上、１個の特徴量について特徴量情報を示したが、特徴量は２個以上あり、Ｘc , p ,eは、Ｘ1 c , p ,e、Ｘ2 c , p ,e、…を要素にもつベクトルである。例えば、変数ｃで識別される単一細胞において、変数ｐで識別される生体物質のｅで識別される構成の特徴量ｆの値は、Ｘf c , p ,eで表される。変数ｆは特徴量を識別する変数であり、その特徴量は、例えば平均輝度値がＸ1 c , p ,e、輝度値の総和がＸ2 c , p ,e、最大輝度値がＸ3 c , p ,e、最小輝度値がＸ4 c , p ,e、構成の面積がＸ5 c , p ,e、構成の円形度がＸ6 c , p ,e、輝度値の標準偏差がＸ7 c , p ,e等である。
　また、解析システム１は、例えば経過時間が異なる等、異なる細胞（異なるウェルＷ）の画像を取得して特徴量を算出する場合、特徴量は、観察対象の細胞（ウェルＷ）を識別する変数ｗを用いて、Ｘw ,f  c , p ,eで表される。Ｘw ,f  c , p ,eは、変数ｗで識別される観察対象の細胞（ウェルＷ）の特徴量の値Ｘf c , p ,eである。例えば、図５では、ＸW1 ,1  c , p ,eはＸc , p ,eに相当し、ＸW2 ,1  c , p ,eはＹc , p ,eに相当する。なお、変数ｗは、観察細胞識別情報に相当する。
　多重蛍光法染色により、特徴量Ｘf c , p ,eは、１つの同一細胞（同一のウェルＷ）が測定される。このように、解析システム１では、多重蛍光法染色により、同一細胞を観察するので、色又は染色撮像工程が異なる細胞画像間でも、位置情報等によって１つ１つの単一細胞を同定でき、単一細胞（細胞識別情報：変数ｃ）ごとに特徴量を対応付けることができる。
＜解析システムの動作例＞
　図６は、本実施形態に係る解析システム１の動作の一例を示すフロー図である。なお、ここに示す動作は、一例であって、動作手順の省略や追加が行われてもよい。
　この図の動作例では、多重蛍光法染色により、免疫染色等による蛍光標識、撮像、及び蛍光ブリーチ（脱色）の工程を繰り返される。解析システム１の演算部１００は、細胞が撮像された細胞画像を用い、細胞画像の複数種類の特徴量を抽出し、抽出された特徴量同士又はそれらの変化が相関しているかどうかを演算する。演算部１００は、算出した結果、特徴量又はそれらの変化が相関している場合には、相関すると判定する。なお、特徴量同士に相関があることを相関関係があると呼んでもよい。
　以下、図４の解析システム１の構成を参照しながら、説明する。
（ステップＳ１０）ウェルプレートＷＰの各ウェルＷの細胞に対して、免疫染色による蛍光標識が行われる。このステップＳ１０では、繰り返される各回で、少なくとも一部異なる蛍光標識が行われる。異なる蛍光標識とは、蛍光させる生体物質が異なる蛍光標識であり、異なる生体物質を識別して観察可能にするために行われる。
（ステップ１０１）細胞画像取得部１０１は、蛍光標識された細胞の細胞画像を取得する。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。観察対象のウェルＷが複数ある場合、細胞画像取得部１０１は、観察対象の各ウェルＷから、細胞画像を取得する。
　撮像部２２により画像を取得する細胞画像取得部１０１は、画像から、細胞に相当する領域を抽出する。例えば、細胞画像取得部１０１は、細胞画像から、単一細胞に相当する領域を抽出する。これにより、解析システム１は、撮像される画像から、各細胞に相当する領域とそれ以外の領域とを区別することが可能である。
（ステップＳ１０２）特徴量算出部１０２は、ステップＳ１０１において取得された細胞画像に含まれる単一細胞の画像を、単一細胞ごとに抽出する。特徴量算出部１０２は、細胞画像に対して、既知の手法による画像処理を施すことにより、単一細胞の画像を抽出する。この一例では、特徴量算出部１０２は、画像の領域抽出やパターンマッチングなどにより、細胞の画像を抽出する。
（ステップＳ１０３）次に、特徴量算出部１０２は、ステップＳ１０２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。なお、ステップＳ１０３の処理は、省略されてもよく、特徴量算出部１０２は、細胞種類は判定しなくてもよい。
（ステップＳ１０４）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。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、タンパク質、セカンドメッセンジャー、ｍＲＮＡ、代謝産物、核内構造体、遺伝子などが含まれる。
　特徴量算出部１０２は、各単一細胞に対して、細胞識別情報を付する。特徴量算出部１０２は、細胞識別情報に対して、単一細胞を観察対象の細胞（ウェルＷ）の識別情報、染色識別情報、実験条件識別情報、単一細胞の細胞画像、単一細胞の位置を示す細胞位置情報、単一細胞の形状を示す形状情報、及び単一細胞内の構成要素を示す構成要素情報を関連付けて、細胞情報記憶部２０３に記憶させる。構成要素情報には、細胞内の構成要素を識別する構成要素識別情報、構成要素の種類、構成要素の存在する領域（「構成領域」とも称する）が含まれている。
　以下、細胞内の構成要素を、「構成領域」と「対象生体物質」という用語に分けて説明をする。「対象生体物質」は、構成領域に含まれる物質であり、特徴量の算出対象の物質である。「対象生体物質」は、例えば、構成領域の少なくとも一部を構成する物質、又は構成領域内に分布する物質である。「対象生体物質」は、タンパク質、ミトコンドリア等である。「対象生体物質」の集合体が領域を形成している場合、この集合体は、細胞内の構造物であり、「構成領域」となり得る。
（ステップＳ１０５）特徴量算出部１０２は、ステップＳ１０４において判定された各単一細胞の構成領域ごとに、当該構成領域での各対象生体物質の特徴量を算出する。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、画像内のある領域の形などが含まれる。画素の輝度値を特徴量とする場合には、波長ごとの輝度値を特徴量としてもよい。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、核の形などが含まれる。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、細胞質の形などが含まれる。蛍光標識で識別されたアクチン等、各オルガネラが存在する領域の画像の特徴量には、オルガネラを形成するタンパク質等の種類を示す物質識別情報、領域内総輝度値や、領域の面積、領域の形などが含まれる。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、細胞の形などが含まれる。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。
　特徴量算出部１０２は、特徴量を算出する処理を、蛍光標識で識別されて分離された画像ごとに行う。これにより、特徴量算出部１０２は、オルガネラの対象生体物質ごとに特徴量を算出できる。対象生体物質を蛍光標識しない場合、観察対象の対象生体物質の画像には、他の物質が含まれて撮像される場合がある。観察対象の対象生体物質の特徴量は、他の物質の影響により、正しく算出されない場合がある。特徴量算出部１０２は、多重蛍光法染色により、観察対象の対象生体物質を識別するので、蛍光標識しない場合と比較して、対象生体物質ごとに精度高く、特徴量を算出できる。
　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２０２を備えていてもよい。この実験条件記憶部２０２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を、細胞画像毎に記憶される。特徴量算出部１０２は、ステップＳ１０５において算出した特徴量を、雑音成分除去部１０３に供給する。
（ステップＳ１０６）雑音成分除去部１０３は、ステップＳ１０５において算出された特徴量のうちから、雑音成分を除去する。具体的には、雑音成分除去部１０３は、特徴量の正常範囲又は異常範囲を示す情報を取得する。この特徴量の正常範囲又は異常範囲を示す情報は、細胞画像に撮像されている細胞の特性に基づいて予め定められている。例えば、細胞核の画像の特徴量のうち、核内総輝度値についての正常範囲が、細胞核の画像の特性に基づいて定められている。
　雑音成分除去部１０３は、算出された特徴量が、この正常範囲に含まれない場合には、その特徴量を雑音成分として除去する。ここで、雑音成分除去部１０３は、特徴量を雑音成分として除去する場合には、細胞毎に除去する。具体的には、ある細胞について、複数の特徴量が算出される場合がある。
　例えば、ある細胞について、細胞内総輝度値、核内総輝度値、核の面積、及び核の形が、特徴量としてそれぞれ算出される場合がある。この場合において、ある細胞について、細胞内総輝度値を雑音成分として除去する場合には、雑音成分除去部１０３は、その細胞の核内総輝度値、核の面積、及び核の形についても、除去する。つまり、雑音成分除去部１０３は、ある細胞について算出された複数の特徴量のうち、少なくとも１つの特徴量が正常範囲に含まれない場合には、この細胞の他の特徴量についても除去する。
　すなわち、雑音成分除去部１０３は、細胞画像に撮像されている細胞の特性を示す情報に基づいて、相関関係抽出部１０４に供給される特徴量のうちから雑音成分を細胞画像に撮像されている細胞毎に除去する。
　このように構成することにより、雑音成分除去部１０３は、信頼度が相対的に低い特徴量がある場合に、その特徴量を細胞単位で除外することができる。つまり、雑音成分除去部１０３によれば、特徴量の信頼度を向上させることができる。
　なお、雑音成分除去部１０３は、雑音成分を除去する処理を、蛍光標識で識別されて分離された画像ごとに行う。つまり、雑音成分除去部１０３は、蛍光染色された画像のチャンネルごとに処理を行う。これにより、雑音成分除去部１０３は、対象生体物質ごとに、正常範囲又は異常範囲を決定でき、異常範囲の特徴量を雑音成分と判定できる。対象生体物質を蛍光標識しない場合、観察対象の対象生体物質の画像には、他の物質が含まれて撮像される場合がある。観察対象の対象生体物質の特徴量は、他の物質の影響により、正常範囲又は異常範囲が適切に決定されない場合や、本来、正常範囲になる特徴量を異常範囲が判定されてしまう場合がある。雑音成分除去部１０３は、多重蛍光法染色により、観察対象の対象生体物質を識別するので、蛍光標識しない場合と比較して、対象生体物質ごとに精度高く、雑音成分を除去できる。
　雑音成分除去部１０３は、算出された特徴量がこの正常範囲に含まれる場合には、その特徴量を相関関係抽出部１０４に供給する。なお、この雑音成分除去部１０３は、必須の構成要素ではなく、細胞画像の状態や、特徴量の算出の状態によっては、省略可能である。
（ステップＳ１０７）細胞画像取得部１０１は、ウェルプレートＷＰにおいて、全てのウェルＷの細胞に対して、ステップＳ１０１～Ｓ１０６の処理を行ったか否かを判定する。全てのウェルＷの細胞に対して処理が行われた場合（ＹＥＳ）、ステップＳ１１の処理が行われる。一方、少なくとも１つのウェルＷの細胞に対して処理が行われていない場合（ＮＯ）、ステップＳ１０１の処理が行われる。
（ステップＳ１１）細胞画像取得部１０１は、全ての染色撮像工程が完了したか否か、つまり、多重蛍光法染色が完了したか否かを判定する。全ての染色撮像工程が完了した場合（ＹＥＳ）、ステップＳ１３１の処理が行われる。一方、少なくとも１つの染色撮像工程が完了していない場合（ＮＯ）、ステップＳ１２の処理が行われる。
（ステップＳ１２）直近のステップＳ１０で行われた蛍光標識の少なくとも１つについて、脱色が行われる。その後、ステップＳ１０において、ステップＳ１２の脱色により蛍光標識が低減又は除去された対象生体物質とは異なる対象生体物質に対して、染色が行われ、新たな染色撮像工程が行われる。
（ステップＳ１３１）相関関係抽出部１０４は、各構成領域での対象生体物質の特徴量から、対象生体物質間の特徴量間の相関を算出する。ここで、相関関係抽出部１０４は、ウェルＷごとに、多重蛍光法染色の全ての染色撮像工程において、ステップＳ１０５で算出された特徴量について、相関を算出する。これにより、解析システム１は、各対象生体物質の特徴量の相関を算出することができる。相関関係抽出部１０４は、ウェルＷごとに算出した相関を、細胞情報記憶部２０３に記憶させる。
　なお、グラフィカルラッソ法が用いられる場合等、ステップＳ１０６の処理は、ステップＳ１３１と同時に行われてもよい。
（ステップＳ１３２）相関関係抽出部１０４は、ウェルプレートＷＰにおいて、全てのウェルＷの細胞に対して、ステップＳ１３１の相関を算出する処理を行ったか否かを判定する。全てのウェルＷの細胞に対して処理が行われた場合（ＹＥＳ）、ステップＳ１３３の処理が行われる。一方、少なくとも１つのウェルＷの細胞に対して処理が行われていない場合（ＮＯ）、ステップＳ１３１の処理が行われる。
（ステップＳ１３３）結果出力部３００は、ステップＳ１３２でウェルＷごとに算出された相関から、相関を表すネットワークを生成する。例えば、結果出力部３００は、共変動ネットワークを生成する。結果出力部３００は、特徴量の尤度に基づいて、複数の相関のうちから特定の相関を抽出し、抽出した特定の相関に基づいて共変動ネットワークを生成してもよい。
（ステップＳ１３４）表示部３０は、ステップＳ１３３で生成されたネットワークを、ディスプレイに表示する。
＜共変動ネットワーク＞
　本実施形態の特定の相関の一例について詳細に説明する。
　以下、共変動ネットワークでは、タンパク質等の対象生体物質を「ノード」とする。つまり、「ノード」は、染色による蛍光標識により識別可能な対象生体物質である。
　ノードが存在する細胞内の構成要素の領域（構成領域）を「場所」という。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すなわち、オルガネラなどの細胞内の構成要素は、「ノード」にも「場所」にもなりうる。細胞内の構造物のネットワークを、複数のノードをエッジで接続することによって表す。なお、「場所」は、撮像画像の座標（ピクセル）で表される領域であってもよい。
　図７は、本実施形態に係るネットワークを説明するための概略図である。図７に示される例では、場所５０において、ノードＰ１の特徴量とノードＰ２の特徴量の相関が、エッジ６１によって結び付けることによって示される。
　本実施形態では、ノードＰ１の特徴量とノードＰ２の特徴量の相関がエッジ６１によって結び付けることによって、細胞内全体のネットワークを表示する。これによって、ネットワークは、ＫＥＧＧ（Kyoto Encyclopedia of Genes and Genomes）などによって公開されているパスウェイとの比較を行うことができる。
　図７は、エッジと、エッジによって結び付けられるノードの特徴量との関係の一例を示す。上述したように、特徴量には、細胞画像の面積、形、輝度の平均、分散などが含まれる。エッジによって結び付けられるノードにどのような特徴量が関わっているのかを確認できるため、生物学的な示唆を得ることができる。
　図８は、本実施形態に係るネットワークを説明するための別の概略図である。
　図８（１）は、ノードＰ１の形状とノードＰ２の形状とが、実線で示されるエッジ６２によって結び付けられていることを示している。
　図８（２）は、ノードＰ１の形状とノードＰ２の輝度とが、破線で示されるエッジ６３によって結び付けられていることを示している。形状はタンパク質の凝集と関係し、輝度はタンパク質の濃度と関係するので、ノードＰ２の濃度が、ノードＰ１の凝集を起こす可能性があることが示唆される。
　図８（３）は、ノードＰ１の輝度とノードＰ２の輝度とが、一点鎖線で示されるエッジ６４によって結び付けられていることを示している。
　図８では、一例として、ノードＰ１の形状とノードＰ２の形状とが結び付けられる場合、ノードＰ１の形状とノードＰ２の輝度とが結び付けられる場合、及びノードＰ１の輝度とノードＰ２の輝度とが結び付けられる場合について説明したがこの例に限られない。
　例えば、ノードＰ１の形状とノードＰ２の分散とが結び付けられてもよいし、ノードＰ１の輝度とノードＰ２の形状とが結び付けられてもよいし、ノードＰ１の輝度とノードＰ２の分散とが結び付けられてもよい。また、例えば、ノードＰ１の分散とノードＰ２の形状とが結び付けられてもよいし、ノードＰ１の分散とノードＰ２の輝度とが結び付けられてもよいし、ノードＰ１の分散とノードＰ２の分散とが結び付けられてもよい。
　つまり、ノードＰ１の特徴量とノードＰ２の特徴量との全ての組み合わせ、すなわち９種類の組み合わせについて、特徴量同士の相関がエッジによって結び付けられることによって示される。
　さらに、複数のノードの相関値の大きさを、該複数のノードを接続するエッジの長さで表示するようにしてもよいし、エッジの太さによって表すようにしてもよい。ここで、複数のノードの相関値は、任意の方法で算出できる。例えば、複数のノードの相関値を該複数のノードを接続するエッジの太さによって表す場合に、相関値が大きくなるにしたがってエッジを太くするようにし、相関値が小さくなるにしたがってエッジを細くするようにしてもよい。
　図９は、本実施形態に係るネットワークを説明するための別の概略図である。
　図９は、エッジの種類の一例を示す。エッジの種類には、「促進」と「抑制」とが含まれる。一方のノードの特徴量が定常状態から変化すると、他方の特徴量が定常状態から変化する場合、「促進」を示すエッジによって接続される。以下、促進を示すエッジによって接続される一方のノードを促進元といい、他方のノードを促進先という。
　また、一方のノードの特徴量が定常状態から変化すると、他方の特徴量が定常状態に戻る場合、「抑制」を示すエッジによって接続される。以下、抑制を示すエッジによって接続される一方のノードを抑制元といい、他方のノードを抑制先という。このようにして、エッジは相関の代わりに因果関係（向きを持つエッジ）を表示してもよい。
　なお、複数のノードのうち一方のノードの特徴量が大きくなると、他方のノードの特徴量も大きくなる場合に、「促進」を示すエッジによって接続されてもよい。また、複数のノードのうち一方のノードの特徴量が大きくなると、他方のノードの特徴量が小さくなる場合に、「抑制」を示すエッジによって接続されてもよい。
　図９（１）は、ノードＰ１の形状とノードＰ２の形状とが、ノードＰ２からノードＰ１へ向かう矢印を有する実線で示されるエッジ６２Ａによって結び付けられていることを示している。これによって、ノードＰ２の特徴量が定常状態から変化すると、ノードＰ１の特徴量が定常状態から変化することが示される。
　図９（２）は、ノードＰ１の形とノードＰ２の形とが、ノードＰ１側に斜方形を有する実線で示されるエッジ６２Ｂによって結び付けられていることを示している。これによって、ノードＰ２の特徴量が定常状態から変化すると、ノードＰ１の特徴量が定常状態に戻ることが示される。
　図９では、ノードＰ１の形状とノードＰ２の形状の組み合わせについて促進と抑制を示したが、この例に限られない。例えば、ノードＰ１の特徴量とノードＰ２の特徴量との全ての組み合わせについて、特徴量同士の相関に基づいて促進を示すエッジ又は抑制を示すエッジを示すことができる。
　結果出力部３００は、特徴量同士の相関や、位置情報の表示を切り替えてもよい。具体的には、結果出力部３００は、ユーザが入力した操作信号にしたがって、特徴量同士の相関や、位置情報の表示の細かさを切り替える。
　以下、結果出力部３００によって行われる処理について詳細に説明する。
　例えば、結果出力部３００は、操作信号にしたがって、複数のノード間を接続するエッジを切り替える。これにより、ネットワークと、ＫＥＧＧとの比較を行うことができる。
　＜エッジの統合＞
　結果出力部３００は、一の相関で特徴量同士の複数の相関が表されている場合、該一の相関を特徴量同士の複数の相関に表示を切り替える。つまり、結果出力部３００は、２個のノードの特徴量同士を接続するエッジが複数ある場合に統合する。ここで、統合するエッジで接続された２個のノードの相関を有する特徴量は、同じであってもよいし、異なっていてもよい。さらに、結果出力部３００は、２個のノード間を接続する促進を示すエッジが複数ある場合に、該複数の促進を示すエッジを統合するようにしてもよい。この場合、結果出力部３００は、促進元と促進先が同じである、つまりエッジの向きが等しいエッジを統合するようにしてもよい。
　また、結果出力部３００は、２個のノード間を接続する抑制を示すエッジが複数ある場合に、該複数のエッジを統合するようにしてもよい。この場合、結果出力部３００は、抑制元と抑制先が同じである、つまりエッジの向きが等しいエッジを統合するようにしてもよい。
　また、結果出力部３００は、２個のノード間を接続するエッジが複数あり、該複数のエッジの中に正の相関値を有するエッジと負の相関値を有するエッジがある場合に、正の相関値を有するエッジと、負の相関値を有するエッジ毎に統合するようにしてもよい。
　＜エッジの分離＞
　また、結果出力部３００は、特徴量同士の複数の相関が表されている場合、該特徴量同士の複数の相関を一の相関に表示を切り替える。つまり、結果出力部３００は、２個のノード間を接続するエッジが複数のエッジが統合されたものである場合に、該エッジを特徴量の組み合わせ毎に分離する。ここで、分離したエッジで接続された２個のノードの相関を有する特徴量は、同じであってもよいし、異なっていてもよい。
　また、結果出力部３００は、２個のノード間を接続するエッジが複数のエッジが統合されたものである場合に、該エッジを、促進を示すエッジと抑制を示すエッジに分離するようにしてもよい。この場合、結果出力部３００は、エッジの向きが等しいエッジに分離するようにしてもよい。
　また、結果出力部３００は、特定の場所に存在するエッジが複数のエッジが統合されたものである場合に、該エッジを分離するようにしてもよい。また、結果出力部３００は、特定のノード間を接続するエッジが複数のエッジが統合されたものである場合に、該エッジを分離するようにしてもよい。
　＜エッジの削除、追加＞
　結果出力部３００は、特徴量同士の相関を削除する。つまり、結果出力部３００は、２個のノード間を接続するエッジを削除する。例えば、結果出力部３００は、２個のノードの特徴量の相関値が所定の閾値未満のエッジ、上位から所定の順番より下位のエッジを削除する。
　また、結果出力部３００は、２個のノードが示す細胞内の構造物が等しいエッジ、予め設定されるノードに関連しないノードに接続されるエッジ、予め設定される特徴量での相関を示すエッジを削除する。また、結果出力部３００は、相関係数を変更するようにしてもよい。
　また、結果出力部３００は、削除した特徴量同士の相関を表示するようにしてもよい。
　以下、結果出力部３００によって行われる処理の具体例について説明する。
　図１０は、本実施形態に係るネットワークを説明するための別の概略図である。
　図１０の左図は、場所５０内に場所５１と、場所５２とが存在し、場所５１にはノードＰ１が存在し、場所５２にはノードＰ１及びノードＰ２が存在することを示している。さらに、場所５１に存在するノードＰ１と、場所５２に存在するノードＰ１とはエッジ６１によって接続され、場所５２に存在するノードＰ１、及びノードＰ２はエッジ６２、エッジ６３、及びエッジ６４によって接続されていることを示している。
　図１０の右図は、図１０の左図において、場所５２に存在するノードＰ１、及びノードＰ２をエッジ６５によって接続したものである。
　例えば、表示部３０に、図１０の左図のネットワークが表示されている状態で解析装置１０に対して、太いエッジを確認する操作、具体的には、エッジ６２、エッジ６３、及びエッジ６４を統合する操作が行われた場合について説明する。
　結果出力部３００は、統合する操作を表す操作信号が供給されると、表示部３０に表示されているネットワークの特徴量同士の相関を取得する。そして、結果出力部３００は、操作信号に応じて、特徴量同士の相関の粒度を切り替える。具体的には、結果出力部３００は、特定の特徴量同士の複数の相関を一つの相関へ統合する。例えば、エッジ６２、エッジ６３、及びエッジ６４を統合したエッジ６５によって場所５２に存在するノードＰ１、及びノードＰ２を接続し、図１０の右図に示すネットワークに切り替える。これにより、Ｐ１とＰ２との間を結ぶネットワークの数を減らすことができた。
　ここで、結果出力部３００は、エッジ６２によって接続されるノードの特徴量同士の相関値、エッジ６３によって接続されるノードの特徴量同士の相関値、及びエッジ６４によって接続されるノードの特徴量同士の相関値を用いて統計処理を行い、その統計処理によって得られる統計値をエッジ６５の近傍に表示してもよいし、統計値に応じてエッジ６５の太さを変更してもよい。
　例えば、結果出力部３００は、エッジ６２によって接続されるノードの特徴量同士の相関値、エッジ６３によって接続されるノードの特徴量同士の相関値、及びエッジ６４によって接続されるノードの特徴量同士の相関値の合計値を求めるようにしてもいいし、平均値を求めるようにしてもよい。このときに、結果出力部３００は、相関値の絶対値を用いて統計計算を実施してもよい。
　また、結果出力部３００は、エッジ６２によって接続されるノードの特徴量同士の相関値、エッジ６３によって接続されるノードの特徴量同士の相関値、及びエッジ６４によって接続されるノードの特徴量同士の相関値のうち、それらの最大値を選択し、選択された最大値をエッジ６５の近傍に表示してもよいし、選択された最大値に応じて、エッジ６５の太さを変更してもよい。このときに、結果出力部３００は、相関値の絶対値を用いて統計計算を実施してもよい。
　また、結果出力部３００は、ノードＰ１の特徴量の数とノードＰ２の特徴量の数との組み合わせの総数に対するノードＰ１とノードＰ２との間のエッジの数に応じて、エッジ６５の太さを変更してもよい。以下、ノードＰ１の特徴量の数とノードＰ２の特徴量の数との組み合わせの総数に対するノードＰ１とノードＰ２との間の高い相関を示すエッジの数を「高相関率」という。
　図１１は、本実施形態に係るネットワークを説明するための別の概略図である。
　図１１は、ノードＰ１とノードＰ２との間の高相関率の計算例を示す。図１１において、ノードＰ１の中に示されているｍ１、ｍ２、及びｍ３はノードＰ１の特徴量を示し、ノードＰ２の中に示されているｎ１、ｎ２、ｎ３、及びｎ４はノードＰ２の特徴量を示す。
　図１１の上図では、特徴量ｍ１と特徴量ｎ２とが高相関率で接続され、特徴量ｍ３と特徴量ｎ２とが高相関率で接続され、特徴量ｍ３と特徴量ｎ３とが高相関率で接続されている。つまり、ノードＰ１の特徴量とノードＰ２の特徴量との間を接続する高い相関を示すエッジの数は３本である。
　ここで、ノードＰ１とノードＰ２との間のエッジの組み合わせの総数は、ノードＰ１の特徴量の数とノードＰ２の特徴量の数との積によって算出される。つまり、ノードＰ１とノードＰ２との間のエッジの組み合わせの総数は、３×４＝１２である。したがって、高相関率は、３／１２＝０．２５である。図１１の下図では、相関値を本数率で表すようにした場合に、図１１の上図においてエッジを統合すると、相関値は０．２５となることが示されている。ノードＰ１の特徴量とノードＰ２の特徴量との間を接続するエッジは、高い相関を示すものであったが、相関の高い低いにかかわらず、エッジを示すこととしてもよい。結果出力部３００は、ノードＰ１の特徴量ｍ１、ｍ２およびｍ３と、ノードＰ２の特徴量ｎ１、ｎ２およびｎ３とで、相関があると認められたものをエッジとして認識するようにしてもよい。この場合に、結果出力部３００は、例えば、図１１と同じように、ｍ１とｎ２の間、ｍ３とｎ２との間、ｍ３とｎ３との間にエッジがある場合、エッジの組み合わせの総数３×４＝１２に対して、エッジがあるのは３/１２＝０．２５となる。この場合には、結果出力部３００は、相関可能なエッジに対して、相関しているエッジの割合を本数率として算出することができる。
　結果出力部３００は、特定の特徴量同士の相関の粒度を切り替えたことを表す情報を結果出力部３００へ出力する。結果出力部３００は、結果出力部３００から供給された特定の特徴量同士の相関の粒度を切り替えたことを表す情報に基づいて、図１０の右側に示されるネットワークを表示部３０へ表示する。
　エッジ６５は、エッジ６２によって接続されるノード間の相関値、エッジ６３によって接続されるノード間の相関値、及びエッジ６４によって接続されるノード間の相関値に応じた太さで表示されるので、ユーザはノードＰ１とノードＰ２との間の相関値をエッジの太さで確認できる。
　図１０に戻り説明を続ける。例えば、表示部３０に、図１０の右図のネットワークが表示されている状態で解析装置１０に対して、特徴量を確認する操作、具体的にはエッジ６５を分離する操作が行われた場合について説明する。
　結果出力部３００は、分離する操作を表す操作信号を検出すると、表示部３０に表示されているネットワークの特徴量同士の相関を取得する。そして、結果出力部３００は、操作信号に応じて、特徴量同士の相関の粒度を切り替える。具体的には、結果出力部３００は、特定の特徴量同士の相関を複数の相関へ分離する。例えば、結果出力部３００は、エッジ６５をエッジ６２、エッジ６３、及びエッジ６４に分離し、図１０の左図に示すネットワークの特徴量同士の相関へ切り替える。
　結果出力部３００は、特定の特徴量同士の相関を表すエッジの数を切り替えたことを表す情報を結果出力部３００へ出力する。結果出力部３００は、結果出力部３００から供給された特定の特徴量同士の相関の粒度を切り替えたことを表す情報に基づいて、ネットワークを表示部３０へ表示する。エッジ６５は、エッジ６２と、エッジ６３と、エッジ６４とによって表示されるので、ユーザはノードＰ１とノードＰ２との間で相関を有する特徴量を確認できる。
＜ネットワークの例＞
　図１２は、本実施形態に係るネットワークの一例を表す概略図である。図１２は、各特定時点の細胞について生成されたネットワークを表す概略図である。
　この図において、文字列を含む円で表される各ノードは、タンパク質やミトコンドリア等の対象生体物質を表す。この図において、文字列を含む円で表される各ノードは、タンパク質やミトコンドリア等の対象生体物質を表す。ノード間を結ぶ線（エッジ）は、相関を表す。エッジの両端にある丸印は各ノード（「サブノード」とも称する）のタンパク質の局在情報を示す。
　サブノードは、局在情報毎に識別され、例えば、それぞれ異なる色で表される。例えば、サブノードは、核、細胞質、アクチンドメインを表し、それぞれ異なる色（例えば、青色、赤色、黄色）で表される。これにより、解析システム１は、ノードが表す対象生体物質のうち、各サブノードが表す場所に局在する対象生体物質について、ユーザが相関関係を認識し易くして提供することができる。
　例えば、図１２は、特定の刺激に同調して動くタンパク質群を表す共変動ネットワークである。多くの線（エッジ）が張られているノード（例えば、ｐＡｋｔ（Ｓｅｒ４７３））は、特定の刺激の伝達を制御する重要な分子であることが分かる。また、共変動ネットワークから、グラフクラスタリング法等によって、つながりの強い分子群からなるコミュニティーを抽出してもよい。コミュニティーとしては、例えば、グリコーゲン合成又は糖新生制御等、合成又は制御で関連する各コミュニティーが抽出される。各コミュニティーのネットワークにおいて、特定のノードに、特定種類のサブノードが多く存在する場合、そのサブノードが示す場所が、当該コミュニティーが示す合成又は制御において、酵素類を集積させて機能させることが分かる。
　解析システム１は、多くの線（エッジ）が張られているノードを抽出し、当該ノードを重要な分子を表すノードとして、強調表示してもよい。また、解析システム１は、共変動ネットワークの相関に基づいて、コミュニティーを抽出してもよい。また、解析システム１は、共変動ネットワーク全体或いは各コミュニティーにおいて、各ノードにおける特定種類のサブノードの数に基づいて、当該ノード又はサブノードを注目すべきノードとして、強調表示してもよい。なお、強調表示とは、ノードの色を他のノードの色と変える、ノードを囲む、矢印等のマークを付する、ノードを点灯させる等の表示態様が含まれる。
（実施形態のまとめ）
　以上のように、本実施形態では、解析システム１では、細胞画像取得部１０１は、細胞に対して第１対象生体物質（第１構成要素の一例）が標識された第１画像と、前記細胞に対して、第１対象生体物質とは異なる第２対象生体物質（第２構成要素の一例）が標識された第２画像を取得する。第１画像と第２画像は、撮像された染色撮像工程が異なる（図３参照）。特徴量算出部１０２は、第１画像及び第２画像の各々から、細胞を構成する対象生体物質ごとの特徴量を抽出する（図５参照）。相関関係抽出部１０４は、これらの特徴量を用いて、第１対象生体物質と第２対象生体物質の間の相関を算出する。
　これにより、解析システム１は、同一の細胞を用いて、より多くの対象生体物質を識別でき、同一の細胞において多くの特徴量を抽出できる。例えば、特徴量の種類の数に対して、標識の数（６種類以上、例えば３０種類）を乗じた数の特徴量を、解析システムは抽出できる。よって、解析システム１は、より多くの特徴量を用いて相関を算出できるので、より的確に細胞を解析できる。
　また解析システム１では、同一の細胞を用いるので、他の細胞を用いた場合と比較して、細胞自体で相関性が低下しない。つまり、異なる細胞を用いる場合、それぞれ細胞内の対象生体物質の分布等が異なるため、相関の精度が必ずしもよくない場合もある。これに対し、本実施形態に係る解析システム１では、同一の細胞を用いるので、対象生体物質の分布等を維持したまま撮像して相関を算出でき、他の細胞を用いる場合と比較して、相関の精度を向上できる。
　また解析システム１は、同一の細胞から多くの特徴量を抽出できるで、例えば、類似の細胞を培養して観測しなくても、充分に相関を算出できる場合がある。
　また解析システム１は、同一の細胞を観察するので、別の細胞と比較して、相関性の高い特徴量を取得できる。また解析システム１は、標識によって対象生体物質が区別できるので、区別しない場合と比較して、より高い精度で各対象生体物質の特徴量を抽出できる。
　また本実施形態では、解析システム１では、特徴量算出部１０２は、少なくとも一部の単一細胞を識別し、当該単一細胞ごとに、第１対象生体物質の特徴量と第２対象生体物質の特徴量を抽出する。例えば、図５の例では、解析システム１では、単一細胞１Ａ～１Ｅごとに、タンパク質１の特徴量とタンパク質３の特徴量を抽出する。相関関係抽出部１０４は、単一細胞ごとの第１対象生体物質の特徴量と第２対象生体物質の特徴量を用いて、相関を算出する。
　これにより、解析システム１は、同一の細胞について、標識により識別可能な対象生体物質の特徴量の組を、単一細胞の数、取得できる。例えば、特徴量の種類の数に対して、標識の数（６種類以上、例えば３０種類）を乗じ、さらに単一細胞の数を乗じた数の特徴量を、解析システムは抽出できる。よって、解析システム１は、より多くの特徴量を用いて相関を算出できるので、より的確に細胞を解析できる。解析システム１は、例えば各特徴量の時間変化を取得しなくても、充分に相関を算出できる。
　また本実施形態では、細胞画像取得部１０１は、特定時点における同一の細胞が、それぞれ異なる標識で撮像された第１画像と第２画像を取得する。同一の特定時点には、第１画像と第２画像を撮像する時間間隔の時点が含まれる。例えば、同一の特定時点には、第１対象生体物質の標識を除去する工程、及び、第２対象生体物質が標識される工程が行われる時間以内の時点が含まれる。
　特徴量算出部１０２は、少なくとも一部の単一細胞ごとに、第１対象生体物質の特徴量と第２対象生体物質の特徴量を抽出する。相関関係抽出部１０４は、単一細胞ごとの第１対象生体物質の特徴量と第２対象生体物質の特徴量を用いて、特定時点における相関を算出する。
　このように、解析システム１は、単一細胞ごとに第１対象生体物質の特徴量と第２対象生体物質の特徴量を抽出するので、各時点においても、相関を算出できる。解析システム１は、少なくとも単一細胞の数の特徴量を取得できるので、例えば各特徴量の時間変化を取得しなくても、充分に相関を算出できるので、特定時点のネットワークを生成できる。
　ただし、解析システム１は、複数の時点の特徴量を用いて相関を算出してもよいし、ネットワークを生成してもよい。例えば、解析システム１は、複数の時間間隔が設定され、各時間間隔に含まれる時点の特徴量を用いて、時間間隔ごとの相関を算出してもよい。複数の時間間隔は、ユーザに設定されてもよいし、解析システム１が自動設定してもよい。自動で設定する場合、例えば解析システム１は、特徴量のサンプル数が予め定められた数以上になるように時間間隔を自動設定してもよいし、各時間間隔の特徴量のサンプル数が同数程度になるように時間間隔を自動設定してもよい。また例えば解析システム１は、時間間隔に含まれる時点の特徴量を用いた相関の変化（例えば差分、変化率）が予め定められた範囲内になるように時間間隔を自動設定してもよい。なお、自動設定には、自動設定の提案も含まれ、提案に対してユーザが許諾する工程が含まれてもよい。
（変形例１）
　解析システム１は、複数の特定時点ごとに相関を算出して、ネットワークを生成して表示してもよい。
＜ネットワークの例＞
　図１３は、本実施形態に係る変形例１に係るネットワークの一例を表す概略図である。
　この図は、特定の時間間隔で多重蛍光法染色を行った場合の概略図である。このように、解析システム１は、時点ごとに特徴量の相関を算出してネットワークを生成し、時間軸に沿ってネットワークを表示してもよい。
　この図は、経過時刻ｔ＝５分、１５分、３０分の各時点の細胞に対して、多重蛍光法染色が行われ、各時点の特徴量に基づいてネットワークが生成された図である。解析システム１は、これらの各時点のネットワークを比較可能に表示する。例えば解析システム１は、経過時刻ｔの時間軸に沿ってネットワークを表示してもよいし、経過時刻ｔの時間軸に沿って再生時間が経過する動画を表示してもよい。また解析システム１は、各経過時刻ｔの特徴量を用いた相関の変化（例えば、特定時点間の差分、変化率）を算出し、相関の変化が所定値以上のネットワークやノードを強調表示してもよい。所定値は予め定められてもよいし、全相関の変化値の統計値や順位から定められてもよい。
＜特徴量情報＞
　図１４は、変形例１に係る特徴量情報の一例を示す概略図である。
　この図は、１つのウェルＷについての特徴量情報を示す。なお、複数の細胞を観察するため、複数のウェルＷを用いる場合には、ウェルＷごとに、図１４の特徴量情報がある。
　この図の特徴量情報は、特定時点を示す時点、及び単一細胞を識別する細胞識別情報に対して、染色識別情報、物質識別情報、及び細胞の構成情報ごとに特徴量情報が関連付けられている。つまり、各特徴量情報は、観察対象の細胞における単一細胞内の各構成について、特定時点（ｔ１、ｔ２、…）ごとの物質識別情報が示す対象生体物質（この図ではタンパク質）の特徴量を表している。この図において、細胞についての特徴量は、値Ｘc , p ,e ，tで表される。ｔは、特定時点を表す。特定時点ｔ１での特徴量は、値Ｘc , p ,e ,ｔ１であり、図５の値Ｘc , p ,eに相当する。
＜解析システムの動作例＞
　図１５は、変形例１に係る解析システム１の動作の一例を示すフロー図である。なお、ここに示す動作は、一例であって、動作手順の省略や追加が行われてもよい。
　図１５と図６を比較すると、ステップＳ２１、Ｓ２２、Ｓ２３、Ｓ２３１、Ｓ２３３、２３４が異なる。その他の各ステップの処理は図６で同じ符号が付されたステップの処理と同じであるので、他のステップの処理についての説明は省略する。
（ステップＳ２１）細胞画像取得部１０１は、複数の特定時点（図１３の例では、ｔ＝５分、１５分、３０分の各時点）を表す時間情報を取得し、これらの各特定時点に到達したか否かを判定する。特定時刻に到達した場合（ＹＥＳ）、ステップＳ２２の処理が行われる。特定時刻に到達していない場合（ＮＯ）、細胞画像取得部１０１は、ステップＳ２１の処理を繰り返す。
（ステップＳ２２）細胞画像取得部１０１は、全ての特定時点について、多重蛍光法染色が完了したか否かを判定する。細胞画像取得部１０１は、例えば、予め設定された終了時刻に到達したか否かを判定してもよいし、ユーザ操作に基づいて多重蛍光法染色が完了したことを判定してもよい。全ての時点について多重蛍光法染色が完了した場合（ＹＥＳ）、ステップ２３１の処理が行われる。この時点で、解析システム１は、図１４の特徴量情報を取得して、記憶している。一方、少なくとも１つの時点について多重蛍光法染色が完了していない場合（ＮＯ）、この特定時点の細胞についてステップＳ１０の処理が行われることで、再度の多重蛍光法染色が開始される。
　なお、ステップＳ１０の処理で再度染色される細胞は、前回の多重蛍光法染色に用いられた細胞と同一の細胞である。ただし、細胞は同一の細胞でなくてもよく、細胞片等の対象物から、前回の多重蛍光法染色とは別の箇所が切り取られた細胞であってもよい。
（ステップＳ２３１）相関関係抽出部１０４は、特定時点ごとに、各構成領域での対象生体物質の特徴量（図１５の特徴量情報）から、対象生体物質間の特徴量間の相関を算出する。
　なお、グラフィカルラッソ法が用いられる場合等、ステップＳ１０６の処理は、ステップＳ２３１と同時に行われてもよい。
（ステップＳ２３）相関関係抽出部１０４は、全ての特定時点について、相関の算出が完了したか否かを判定する。全ての特定時点について相関の算出が完了した場合（ＹＥＳ）、ステップＳ２３３の処理が行われる。少なくとも１つの特定時点について相関の算出が完了していない場合（ＮＯ）、相関の算出が完了していない特定時点について、ステップＳ２３１の処理が行われる。
（ステップＳ２３３）結果出力部３００は、ステップＳ１３２でウェルＷごとに算出された相関から、特定時点ごとに、相関を表すネットワークを生成する。
（ステップＳ１３４）表示部３０は、ステップＳ１３３で生成されたネットワークを、特定時点ごとに、ディスプレイに表示する。
　このように、本変形例に係る解析システム１では、細胞画像取得部１０１は、複数の特定時点を表す時間情報を取得する。特徴量算出部１０２は、同一の細胞ごとに、第１画像及び第２画像の各々から、少なくとも一部の単一細胞を識別し、当該単一細胞ごとに、第１対象生体物質の特徴量と第２対象生体物質の特徴量を抽出する。相関関係抽出部１０４は、複数の特定時点ごとに、相関を算出する。例えば図１２の例では、特徴量算出部１０２は、ｔ＝５分、１５分、３０分の各特定時点で特徴量を抽出し、相関関係抽出部１０４は、特定時点ごとに、相関を算出する。
　これにより、解析システム１では、各特定時点での相関、及び、特定時点間での相関の変化等の情報を算出できる。
　解析システム１は、同一細胞において、多種類の対象生体物質を識別し、同一の単一細胞ごとに全ての対象生体物質の特徴量を算出する（図５参照）。解析システム１は、各特定時点において、特徴量の種類の数に対して、標識の数（６種類以上、例えば３０種類）を乗じ、さらに単一細胞の数を乗じた数の特徴量を抽出できるので、特定時点ごとにネットワークを生成できる。
　また、結果出力部３００は、特定時点ごとに、第１対象生体物質と第２対象生体物質の間の相関を出力する。例えば、結果出力部３００は、特定時点ごとにネットワークを生成して、表示部３０は、各ネットワークを、特定時点間で対比可能にディスプレイに表示する。
　これにより、解析システム１は、各特定時点での相関、及び、特定時点間での相関の変化等の情報を、ユーザに提供することができる。
（変形例２）
　解析システム１は、複数の細胞周期ごとに相関を算出して、ネットワークを生成して表示してもよい。
　図１６は、本実施形態に係る変形例２の概要を表す概略図である。
　解析システム１は、多重蛍光法染色を用いて、多種（例えば３０種）の染色における対象生体物質の動態を検出することで、細胞周期を識別する。
　なお、細胞周期は、一つの細胞が二つの娘細胞を生み出す過程で起こる一連の事象、およびその周期のことをいう。細胞周期は、間期とＭ期（M phase）とに分けられる。間期は、Ｇ１期、Ｓ期、Ｇ２期に分けられる。Ｍ期は有糸分裂と細胞質分裂によって構成される。有糸分裂では姉妹染色分体が細胞の両極に分かれ、引き続く細胞質分裂では細胞質が割れて２つの細胞が生み出される。一時的に又は可逆的に分裂を停止した細胞は、Ｇ０期と呼ばれる静止期に入ったとされる。
　解析システム１の特徴量算出部１０２が細胞周期を識別する例について説明する。ただし、特徴量算出部１０２は、その他の手法（他の染色、他の画像解析等）を用いて、細胞周期を識別してもよく、例えば、ＤＮＡ含有量を用いて、細胞周期を識別してもよい。
　特徴量算出部１０２は、例えば、ＰＣＮＡ（proliferating cell nuclear antigen）染色を行った場合に、核内点状構造となっている細胞について、Ｓ期（Ｇ１期の後期～Ｓ期）の細胞と識別する。核内点状構造は、画像中で細胞の核内に多くの点が存在している場合の構造であり、これは例えば、核膜孔複合体が不均一に分布する細胞である。
　特徴量算出部１０２は、例えば、サイクリンＢ（Ｃｙｃｌｉｎ　Ｂ）の抗体により、サイクリンＢを染色させて、核内輝度が高い細胞について、Ｇ２期（Ｇ２期～Ｍ期）の初期の細胞と識別する。核内輝度が高い細胞とは、例えば、輝度値が閾値より高い細胞、輝度値が閾値より高い領域の面積が閾値より高い細胞、輝度値が閾値より高い領域の割合が基準以上の細胞、又は、輝度値が閾値より高い領域の円形度が閾値以上の細胞である。
　特徴量算出部１０２は、例えば、ＤＡＰＩ（４’，６－ｄｉａｍｉｄｉｎｏ－２－ｐｈｅｎｙｌｉｎｄｏｌｅ）によって染色された細胞の輝度値と円形度で、Ｍ期であることを判定する。円形度とは、円形度とは、画像などに描画されている図形の複雑さを表すための数値のことである。円形度は、最大値を１として、図形が複雑であればあるほど数値が小さくなっていく。特徴量算出部１０２は、輝度値が閾値より高い領域の円形度が閾値以上の細胞にについて、Ｍ期の細胞と識別する。
　特徴量算出部１０２は、識別した細胞周期を特徴量情報の一部として、記憶部２００に記憶させる。
＜特徴量情報＞
　図１７は、変形例２に係る特徴量情報の一例を示す概略図である。
　この図は、１つのウェルＷについての特徴量情報を示す。なお、複数の細胞を観察するため、複数のウェルＷを用いる場合には、ウェルＷごとに、図１７の特徴量情報がある。
　この図の特徴量情報は、特定時点を示す時点、細胞周期、及び単一細胞を識別する細胞識別情報に対して、染色識別情報、物質識別情報、及び細胞の構成情報ごとに特徴量情報が関連付けられている。図１７の特徴量情報は、図１４の特徴量情報に対して、各細胞に対して細胞周期が追加されたものである。
　例えば、特定時点ｔ１において、細胞（Ｃｅｌｌ）１Ａ及び１ＣがＳ期の細胞であり、細胞１Ｂ及び１ＥがＧ２期の細胞であり、細胞１ＤがＭ期の細胞である。細胞１Ｅは、特定時点ｔ１ではＧ２期の細胞だが、特定時点ｔ２ではＭ期の細胞である。
　相関関係抽出部１０４は、特定時点及び細胞周期ごとに、各構成領域での対象生体物質の特徴量（図１７の特徴量情報）から、対象生体物質間の特徴量間の相関を算出する。ただし、相関関係抽出部１０４は、特定時点ごとに相関を算出しなくてもよく、複数の特定時点の特徴量を用いて、細胞周期ごとに相関の算出を行ってもよい。
＜ネットワークの例＞
　図１８は、変形例２に係るネットワークの一例を表す概略図である。図１７は、各細胞周期について、生成されたネットワークを表す概略図である。
　この図のネットワークは、各対象生体物質を、円周に等間隔（正多角形の頂点でもよい）に配置したものである。等間隔に配置された各ノードは、対象生体物質を表す。ノード間を結ぶ線は、相関を表す。各ノードにおいて相関を示す線が結ばれる箇所はエッジであり、エッジは、特徴量の種類を表す。
　この図のネットワークによれば、Ｇ１期とＳ期の共変動ネットワークは似ているが、Ｇ２期は、全く異なっていることが分かる。このネットワークを利用することで、薬剤等の細胞応答、薬効などを共変動ネットワークの構造の違いから、細胞状態の総意が推定でき、ネットワークの構造をベースにした薬剤スクリーニングが可能となる。
　このように、本変形例に係る解析システム１では、特徴量算出部１０２は、第１対象生体物質が標識された第１画像及び第２対象生体物質が標識された第２画像の各々から、単一細胞ごとの細胞周期を識別する。特徴量算出部１０２は、細胞周期ごとに、第１対象生体物質についての特徴量と第２対象生体物質についての特徴量を抽出する。相関関係抽出部１０４は、細胞周期ごとに、相関を算出する。
　これにより、解析システム１は、各細胞周期の細胞を、解析することができる。
　また、結果出力部３００は、特定時点及び細胞周期ごとに特徴量の相関を算出してネットワークを生成し、表示部３０は、細胞周期ごとに、時間軸に沿って各ネットワークを表示してもよい。また、結果出力部３００は、細胞周期ごとに、特定時点ごとの相関の変化を算出し、変化の大きさに応じて表示情報を生成してもよい。例えば、結果出力部３００は、細胞周期ごとに、相関の変化が所定値以上のネットワークやノードを強調表示してもよい。
（その他の変形例等）
　解析システム１は、病理状態ごとに相関を算出して、ネットワークを生成して表示してもよい。例えば、病理状態ごとに患部から細胞が採取され、採取された細胞が、解析システム１による観察（検査）対象とされる。解析システム１は、病理状態ごとの観察対象の細胞から特徴量を抽出し、特徴量の相関を算出してネットワークを生成する。
　具体的には、細胞画像取得部１０１は、第１病理状態の検査対象の細胞及び第１病理状態とは異なる第２病理状態の検査対象の細胞の各々について、第１対象生体物質が標識された第１画像及び第２対象生体物質が標識された第２画像を取得する。特徴量算出部１０２は、第１病理状態及び第２病理状態の各々について、第１画像及び第２画像から、細胞を構成する対象生体物質ごとの特徴量を抽出する。相関関係抽出部１０４は、第１病理状態及び第２病理状態の各々について、第１対象生体物質と第２対象生体物質の間の相関を算出する。
　なお、解析システム１は、病理の進行（時間軸）に沿ってネットワークを表示してもよい。解析システム１は、細胞周期ごとに、病理状態ごとのネットワークを表示してもよい。また、結果出力部３００は、病理状態の変化に応じた相関の変化を算出し、変化の大きさに応じて表示情報を生成してもよい。例えば、結果出力部３００は、相関の変化が所定値以上のネットワークやノードを強調表示してもよい。
　解析システム１は、観察対象の細胞について、算出した相関と、別の観察で得られる解析データと、を関連付けてもよい。解析データは、例えば、遺伝子解析の配列データ等である。解析システム１は、単一細胞、単一細胞の構成要素、対象生体物質、又は特定時点のいずれか或いは組み合わせを介して、相関と解析データを関連付ける。解析システム１は、相関と解析データ間の相関を算出して、出力してもよい。
　具体的には、結果出力部３００は、対象生体物質とは異なる関連要素（例えば遺伝子配列）について解析をした解析データを取得する。結果出力部３００は、関連要素の解析データと対象生体物質の間の相関を関連付けて出力する。特定時点を介して解析データと相関を関連付ける場合、細胞画像取得部１０１は、特定時点ごとの解析データを取得する。結果出力部３００は、関連要素の解析データと対象生体物質の間の相関を、特定時点ごとに関連付けて出力する。なお、解析データは、多重蛍光法染色と同一或いは類似の蛍光染色を用いる解析によるデータであってもよい。
　これにより、解析システム１は、他の解析データと相関を関連付けて、情報提供できる。
　なお、上記実施形態（変形例を含む。この明細書において同じ）において、相関には、単一細胞の配置に基づく情報が含まれてもよい。配置は、単一細胞同士の相対位置に基づく値であってもよいし、細胞上又は画像上の絶対位置に基づく値であってもよい。これらの値は、例えば、単一細胞間の距離、又は、単一細胞間に存在する細胞の数（最小値）である。単一細胞間の距離は、単一細胞の中心間の距離であってもよいし、単一細胞間の境界間の距離のうち最小の距離であってもよい。また、配置に関するこれらの値は、空間の各軸における距離であってもよい。
　また、上記実施形態において、第１対象生体物質及び第２対象生体物質の特徴量は、標識される対象生体物質の量を含む。一例として、輝度値がこの特徴量に相当する。第１対象生体物質の標識と第２対象生体物質の標識は、第１対象生体物質及び第２対象生体物質の１個当たりの明るさが規格化されている。解析システム１は、第１画像及び第２画像の明るさを表す明るさ情報に基づいて、第１対象生体物質及び第２対象生体物質の量を算出する。
　ここで、規格化は、蛍光染色に用いる染色物質で行われてもよいし、撮像画像における各蛍光染色の輝度値に基づいて規格化してもよい。具体的には、染色物質ごとに、対象生体物質の１個又は所定個数あたりの輝度値（「単位輝度値」とも称する）を測定する。特徴量算出部１０２は、測定した輝度値を単位輝度で除算した値を、特徴量とする。なお、単位輝度値は予め行われてもよいし、多重蛍光法染色による観察時（例えば、図６のステップＳ１１の後或いはステップＳ１３１の前、又は、図１５のステップＳ２２の後或いはステップＳ２３２の前）に行われてもよい。
　これにより、解析システム１は、各染色撮像工程間で、別々の蛍光染色を用いても、対象生体物質の量を規格化できるので、対象生体物質の間で量を比較することができる。
　なお、特定時点とは、時間間隔があってもよい。
　例えば、同一の特定時点には、細胞周期における特定期間（例えばＧ１（Ｇａｐ　１）期）以内の時点が含まれる。細胞周期の特定期間以内（Ｇ１期間内）であれば、細胞が分裂し難いため、同一の細胞とみなすことができる。特定期間は、細胞周期以内であり、例えばＧ０（Ｇａｐ　０）期、Ｓ（合成）期、Ｇ２（Ｇａｐ　２）期、又は、間期であってもよい。
　また例えば、同一の特定時点には、第１対象生体物質の標識を除去する工程、及び、第２対象生体物質が標識される工程が行われる時間以内の時点が含まれてもよい。つまり、１回の多重蛍光法染色による撮像期間内は、特定時点とみなしてもよい。
＜解析＞　　　　
　以下、解析システム１が特徴量算出時に行う処理について説明する。観察対象の細胞は、画像上において分離化が行われ、細胞領域が算出されている。ここでは、種々の現象を定量的に解析するための一例を以下に示す。
＜タンパク質の局在の解析＞
　特徴量算出部１０２は、ユーザ操作や設定に基づいて関心領域を検出し、関心領域内部において、画像解析により分離した細胞に対して、細胞の核と細胞質との間を往来する生体物質の特徴量を抽出する。なお、これらの生体物質は、抗体や蛍光タンパク質等で、蛍光染色される。特徴量算出部１０２は、例えば、細胞の核と細胞質との間を往来する物質であるタンパク質の特徴量を抽出する。特徴量算出部１０２は、例えば、核の内部に局在していたタンパク質が、核の外部を覆う細胞質に移動した場合、タンパク質の移動前後の画像から特徴量として以下の値を抽出する。また、特徴量算出部１０２は、細胞質に局在していたタンパク質が、核の内部に移動した場合でも、タンパク質の移動前後の画像から特徴量を抽出する。
　なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
　例えば、特徴量は、核の総輝度値／細胞質の総輝度値、核の総輝度値／細胞の総輝度値、核の平均輝度値／細胞質の平均輝度値、核の平均輝度値／細胞の平均輝度値、細胞内の輝度値の分散、核内の輝度値の分散、核内の輝度値の平均、細胞質内の輝度値の分散、細胞内の輝度値の平均、細胞質内の輝度値の平均、核の輝度の中央値／細胞質の輝度の中央値、核の輝度の中央値／細胞の輝度の中央値、細胞内の輝度値の中央値、核内の輝度値の中央値、細胞質の輝度値の中央値である。
　また、特徴量算出部１０２は、細胞の核膜と細胞の核との間を往来する物質の特徴量、又は細胞の核膜と細胞質との間を往来する物質の特徴量を抽出してもよい。特徴量算出部１０２は、例えば、上記細胞構造の間で往来する物質として、Ｎｕｐ９８等のタンパク質の特徴量を抽出する。特徴量算出部１０２は、例えば、細胞の核膜（細胞の核）に局在していたタンパク質が細胞の核（細胞の核膜）に移動した場合、又は細胞の核膜（細胞質）に局在していたタンパク質が細胞質（細胞の核膜）に移動した場合、タンパク質の移動前後の画像から特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
　例えば、特徴量は、核膜の総輝度値／核の総輝度値、核膜の平均輝度値／核の平均輝度値、核内の輝度値の分散、細胞質内の輝点数、細胞内の輝点の平均輝度値、細胞内の輝点の総輝度値（細胞ごとの合計値）、各輝点の面積、細胞ごとの輝点の平均面積、核膜の輝度値の中央値／核の輝度値の中央値、核膜の総輝度値／細胞質の総輝度値、核膜の平均輝度値／細胞質の平均輝度値、核膜の輝度値の中央値／細胞質の輝度値の中央値、核膜の総輝度値／細胞の総輝度値、核膜の平均輝度値／細胞の平均輝度値、核膜の輝度値の中央値／細胞の輝度値の中央値、核膜の総輝度値、核膜の平均輝度値、核膜の輝度分散、核膜の中央値、細胞質内の輝度値の分散、細胞内の輝度値の平均、細胞質内の輝度値の平均、核の輝度の中央値／細胞質の輝度の中央値、核の輝度の中央値／細胞の輝度の中央値、細胞内の輝度値の中央値、核内の輝度値の中央値、細胞質の輝度値の中央値である。
＜タンパク質の凝集体の形成の解析Ｉ＞
　特徴量算出部１０２は、細胞の所定の領域に一様に分布している物質が凝集（スポット）するように形成された場合、凝集する前後の画像から物質の特徴量を抽出する。特徴量算出部１０２は、例えば、細胞の所定の領域に一様に分布している物質として、ＧＳＫ３βやｐ－ＧＳＫ３β等のタンパク質から特徴量を抽出する。特徴量算出部１０２は、例えば、タンパク質の凝集する前後の画像から特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
　例えば、特徴量は、核の総輝度値／細胞の総輝度値、核の総輝度値／細胞質の総輝度値、核の平均輝度値／細胞の平均輝度値、核の平均輝度値／細胞質の平均輝度値、細胞内の輝度値の分散、スポット数、核内のスポット数／核外のスポット数である。
＜タンパク質の凝集体の形成の解析ＩＩ＞
　特徴量算出部１０２は、細胞の所定の領域に一様に分布している物質が部分集合し特定の集合体（ドメイン）を形成する場合、特定の集合体（ドメイン）を形成する物質の特徴量を抽出する。特徴量算出部１０２は、例えば、特定の集合体（ドメイン）を形成する物質であるタンパク質の特徴量を抽出する。タンパク質は、例えば、アクチン（Ａｃｔｉｎ）、ＳＮＸ－９、ｐ－Ａｋｔ（Ｓ４７３）、ＷＡＳＨ１、及びＥＥＡ１等である。特徴量算出部１０２は、例えば、タンパク質が特定の集合体（ドメイン）を形成する前後の画像から特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
例えば、特徴量は、細胞質の輝度値の分散、ドメインの面積、細胞内のドメインの数（細胞ごとの合計値及び平均値）、ドメインの総輝度値／細胞質の総輝度値、ドメインの平均輝度値／細胞の平均輝度値である。
＜タンパク質の共局在の解析＞
　特徴量算出部１０２は、細胞の所定の領域に一様に分布している物質が部分集合し特定の集合体（ドメイン）を形成する場合、特定の集合体（ドメイン）と同箇所に集合する他の物質について特徴量を抽出する。また、特徴量算出部１０２は、特定の集合体を形成しない場合において、複数の物質が同箇所に存在するか否かをその物質の特徴量の抽出により解析する。特徴量算出部１０２は、特徴量算出部１０２は、例えば、特定の集合体（ドメイン）と同箇所に集合する物質であるタンパク質の特徴量を抽出する。
　特徴量算出部１０２は、例えば、タンパク質の一種であるアクチンがドメインを形成する場合（アクチンドメイン）、ドメイン周囲の一定の範囲に分布するタンパク質の輝度値から特徴量を抽出する。特徴量算出部１０２は、タンパク質の輝度値の特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
　例えば、特徴量は、アクチンドメイン周囲の一定の範囲におけるタンパク質の輝度値の分散、アクチンドメイン上のタンパク質の総輝度値／細胞全体のタンパク質の総輝度値、アクチンドメイン上のタンパク質の平均輝度値／細胞全体のタンパク質の平均輝度値、アクチンドメイン周囲の一定の範囲におけるタンパク質の総輝度値／細胞全体のタンパク質の総輝度値、アクチンドメイン上のタンパク質の平均輝度値／ドメイン周囲の一定の範囲におけるタンパク質の平均輝度値、アクチンドメイン上のタンパク質の総輝度値／ドメイン周囲の一定の範囲におけるタンパク質の総輝度値である。
　また、特徴量算出部１０２は、例えば、アクチンと、他のタンパク質とがドメインを形成する場合、形成されたドメインに基づいて以下の値を特徴量として抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
　例えば、特徴量は、アクチンドメイン及びタンパク質ドメインが重複する領域の面積／アクチンドメイン及びタンパク質ドメインの総領域の面積、アクチンドメイン周囲の一定の範囲におけるタンパク質の輝度値の分散である。
＜変形例３：対象生体物質検出＞
　本変形例では、解析システム１は、例えば、図１９又は図２０の表示を行う。表示の詳細は、後述する。
　図１８の共変動ネットワークでは、ノードの組み合わせごとに、相関値に基づくエッジが表示される。例えばエッジは、相関値が閾値以上のものを表示させる。エッジの数が多いとき、解析システム１は、どのノード（対象生体物質）に注目すべきか等を、提案することが望まれる場合もある。
　本変形例に係る解析システム１は、注目すべき対象生体物質（「注目対象生成物質」とも称する）を表示する。注目対象生成物質は、薬剤等の細胞応答や薬効が大きな対象生体物質である。注目対象生成物質を表示することには、注目対象生成物質の名称やノードを識別可能に表示すること、注目対象生成物質を人が識別可能に表示すること等が含まれる。
　また共変動ネットワーク（薬剤又は細胞周期）間の関係、例えば注目すべきノードが類似するか又は相違するか等も、ユーザが把握したいというニーズも考えられる。解析システム１は、複数の共変動ネットワークごとに注目対象生成物質を表示することで、例えば薬剤又は細胞周期において、注目対象生成物質が類似するか又は相違するか等を判断するための情報を、ユーザに提示してもよい。例えば解析システム１は、例えば薬剤ごと、細胞周期ごと、或いは、薬剤及び細胞周期ごとに、注目対象生成物質を表示してもよい。
　具体的には、解析システム１の相関関係抽出部１０４は、共変動ネットワークごとに、各対象生成物質の相関異常度を算出する。相関異常度とは、算出対象の共変動ネットワーク（「対象ネットワーク」とも称する）と、基準となる共変動ネットワーク（「基準ネットワーク」とも称する）との対比において、各対象生成物質の相関値の変化の度合い（相関関係の崩れ）を表す。基準ネットワークは、例えば薬剤の溶媒（水など）を細胞に使用した場合に、その細胞の各対象生体物質の特徴量から生成された共変動ネットワークである。ただし、基準ネットワークは、固定の共変動ネットワークであってもよいし、その他特定の細胞の各対象生体物質の特徴量から生成された共変動ネットワークであってもよい。また基準ネットワークは、薬剤の使用または細胞周期の変化前の共変動ネットワーク等、対象ネットワークと相対的な関係にある共変動ネットワークが設定されてもよい。相関異常度が高い対象生成物質は、相関値が大きく変化している物質であり、使用された薬剤等の細胞応答又は薬効が高いと推定される。
　結果出力部３００は、相関異常度が高い対象生成物質を、注目対象生成物質として識別可能に表示させるデータを生成する。生成されたデータは、表示部３０に表示される。
　相関異常度の算出には、例えば、「井手剛, “潜在的グラフ構造からの異常検知”, Technical Report of the 1st Workshop on Latent Dynamic ,2010」に記載された手法を用いることができるが、別の手法であってもよい。　相関関係抽出部１０４は、基準ネットワークと対象ネットワークにおける特徴量（例えば薬剤及び細胞周期ごとに特徴量算出部１０２が算出した特徴量）を読み出し、データセットとする。また、相関関係抽出部１０４は、ユーザにより設定されたρを読み出す。ρは、正規化項（罰金項）の係数であり、相関係数（相関値の一例）の閾値となる。例えば、相関係数が閾値以下になる場合、つまり、対象生成物質間の相関が弱い場合、その相関は無視される。
　相関関係抽出部１０４は、ネットワークごとの特徴量に基づいて、標本共分散行列を算出する。相関関係抽出部１０４は、グラフィカルラッソ法を用いて、ネットワークごとに、標本共分散行列に基づく精度行列を算出する。相関関係抽出部１０４は、基準ネットワークと対象ネットワークの精度行列に基づいて、対象生成物質ごとの相関異常度を算出する。相関異常度は、例えば、カルバック・ライブラ擬距離（「ＫＬ距離」と称する）である。相関関係抽出部１０４は、基準ネットワークと対象ネットワークのデータを入れ替え、入れ替えた場合のＫＬ距離と入れ替えない場合のＫＬ距離の大きい値を、相関異常度とする。
図１９は、本実施形態に係る変形例３の対象生体物質検出の一例を表す概略図である。この図は、解析システム１が樹形型（階層型）クラスター分析を行い、その結果として表示したクラスターマップの一例である。
　この図において、縦軸は、対象生体物質（共分散ネットワークノード）であり、横軸は、各薬剤が使用された各細胞周期の細胞（共分散ネットワーク）を表す。薬剤としては、２μＭ（ｍｏｌ/Ｌ）のブレオマイシン、１μＭと３μＭのシタラビン、２ｍ（ミリ）Ｍのアスピリンを、それぞれ、Ｓ期、Ｇ１期、Ｇ２期又はＭ期の細胞周期の細胞に使用し、解析システム１は、それらの細胞を解析して相関異常度を算出した。
　このマップは、各薬剤が使用された各細胞周期の細胞に対して、各対象生体物質の相関異常度に応じて色付けされ、マップ全体が相関異常度のヒートマップとなっている。このマップでは、ユーザが、各薬剤が使用された各細胞周期の細胞ごとに、相関異常度が高い色で色付けされた注目対象生体物質であることを識別できる。また、マップの縦軸及び横軸における順序は、相関関係抽出部１０４が相関異常度に基づいた樹形型クラスター分析を行い、類似度の高い順序に並び替えられている。
　図１９は、ρ＝０．７５を設定した場合の図である。
　この図では、横軸は、次の順序で並び替えられた。順序は、２μＭのブレオマイシンを使用したＳ期細胞（Ｂｅｌｏｍｙｃｉｎ　２μＭ　Ｓ）、１μＭのシタラビンを使用したＳ期細胞（Ｃｙｔａｒａｂｉｎｅ　１μＭ　Ｓ）、３μＭのシタラビンを使用したＳ期細胞（Ｃｙｔａｒａｂｉｎｅ　３μＭ　Ｓ）、２μＭのブレオマイシンを使用したＧ１期細胞（Ｂｅｌｏｍｙｃｉｎ　２μＭ　Ｇ１）、１μＭのシタラビンを使用したＧ１期細胞（Ｃｙｔａｒａｂｉｎｅ　１μＭ　Ｇ１）、３μＭのシタラビンを使用したＧ１期細胞（Ｃｙｔａｒａｂｉｎｅ　３μＭ　Ｇ１）である。その次の順序は、１μＭのシタラビンを使用したＧ２期又はＭ期細胞（Ｃｙｔａｒａｂｉｎｅ　１μＭ　Ｓ）、２μＭのブレオマイシンを使用したＧ２期又はＭ期細胞（Ｂｅｌｏｍｙｃｉｎ　２μＭ　Ｓ）、３μＭのシタラビンを使用したＧ２期又はＭ期細胞（Ｃｙｔａｒａｂｉｎｅ　３μＭ　Ｓ）、２ｍＭのアスピリンを使用したＳ期細胞（Ａｓｐｉｒｉｎ　２ｍＭ　Ｓ）、２ｍＭのアスピリンを使用したＧ１期細胞（Ａｓｐｉｒｉｎ　２ｍＭ　Ｇ１）、２ｍＭのアスピリンを使用したＧ２期又はＭ期細胞（Ａｓｐｉｒｉｎ　２ｍＭ　Ｓ）の順である。
　これらの横軸の順序から、対象生体物質の相関異常度の類似度としては、ブレオマイシンとシタラビンを使用した場合には、薬剤よりも細胞周期の方で、細胞応答や薬効が類似することが分かる。一方、アスピリンは、どの細胞周期も類似していて、色の変化も少ないことから、正常細胞の状態への影響が少ないことが分かる。
　注目対象生体物質については、ブレオマイシンを使用したＳ期細胞では、ＳＤＨ（コハク酸デヒドロゲナーゼ）が、相関異常度の高い色で着色され、ユーザは注目対象生体物質であると識別できる。また、ブレオマイシンを使用したＧ１期細胞では、γＨ２ＡＸが相関異常度の一番高い色で着色され、ＩＤＨ３、Ｃｙｃｌｉｎ　Ｂも相関異常度の高い色で着色され、ユーザは注目対象生体物質であると識別できる。同様に、シタラビンを使用したＧ２期又はＭ１期細胞では、ＥＲＫが相関異常度の高い色で着色され、ユーザは注目対象生体物質であると識別できる。この表示により、ユーザは、注目対象生体物質を認識でき、どの細胞周期の細胞はどの薬剤の細胞応答が高いか、又は、どの細胞周期の細胞にはどの薬剤の薬効が高いかを推定できる。また、この表示により、ユーザは、細胞応答や薬効が高い原因として、どの対象生体物質が影響している可能性が高いかを知ることができる。そして、ユーザは、該当する薬剤及び細胞周期の共変動ネットワークを参照し、その注目対象生体物質のノードに注目することで、さらに注目対象生体物質に影響している対象生体物質を知ることもできる。
　図２０は、本実施形態に係る変形例３の対象生体物質検出の別の一例を表す概略図である。縦軸と横軸、色付けは、図１９と同じである。ただし、図１９は、ρ＝０．６を設定した場合の図であり、縦軸の薬剤及び細胞周期、横軸の対象生体物質の並びが異なる。
　この図では、横軸は、薬剤（試薬）の順序で並び替えられた（薬剤ごとに分類された）。つまり、弱い相関も含める場合（図２０：ρ＝０．６）には、薬剤ごとに細胞応答や薬効の類似性があるが、強い相関に絞り込む場合（図１９：ρ＝０．７５）には、ブレオマイシンとシタラビンを使用するときに、細胞周期ごとに細胞応答や薬効の類似性が見えてくることが分かる。このように、解析システム１では、正規化項（罰金項）の係数ρをユーザが設定でき、また薬剤及び細胞周期の類似度の高いも順序に並び替えるので、相関の強さを調整しつつ、薬剤及び細胞周期ごとの細胞応答や薬効の類似性を、ユーザが把握することができる。
　注目対象生体物質については、ブレオマイシンを使用した全細胞周期の細胞及びシタラビンを使用したＳ期細胞では、γＨ２ＡＸが相関異常度の高い色で着色され、ユーザは注目対象生体物質であると識別できる。また、ブレオマイシンを使用した細胞は、シタラビンを使用したＳ期細胞よりも、γＨ２ＡＸが相関異常度の高い色で着色されているので、ユーザは、ブレオマイシンがシタラビンよりも、γＨ２ＡＸに対して細胞応答や薬効が高いと予想できる。
　このように、解析システム１は、各薬剤及び細胞周期（共変動ネットワーク）を並べて相関異常度の高さを表す情報（色）を表示する。これにより、ユーザは、薬剤及び細胞周期間で、細胞応答や薬効の高さを比較することもできる。また解析システム１は、薬剤及び細胞周期に加え、各対象生体物質（ノード）を並べて相関異常度の高さを表す情報（色）を表示する。これにより、ユーザは、対象生体物質又は注目対象生体物質ごとに、薬剤及び細胞周期間で、細胞応答や薬効の高さを比較することもできる。
　３μＭのシタラビンを使用したＳ期細胞では、全細胞周期において、ＥＲＫが相関異常度の高い色で着色され、ユーザは注目対象生体物質であると識別できる。また、３μＭのシタラビンを使用したＳ期細胞では、１μＭのシタラビンを使用したＳ期細胞よりも、ＥＲＫが相関異常度の高い色で着色されているので、ユーザは、シタラビンの濃度が高くすることでＥＲＫの相関異常度を高くできること、例えばＥＲＫの細胞応答を高めることができる可能性があることを把握できる。このように、解析システム１は、薬剤、細胞周期、及び薬剤の濃度を並べて相関異常度の高さを表す情報（色）を表示する。これにより、ユーザは、薬剤の濃度ごとに、細胞応答や薬効の高さを比較することもできる。
　変形例３において、ρの値を大きく設定して相関係数が強いものを残した場合（図１９：ρ＝０．７５）と、ρの値を小さく設定して相関係数が弱いものも残した場合（図２０：ρ＝０．６）とでは、注目対象生体物質が異なり、また横軸の順序の違いから薬剤及び細胞周期の類似性も異なることが分かる。
　このように、本変形例に係る解析システム１では、正規化項（罰金項）の係数ρをユーザが設定できることで、相関に応じた注目対象生体物質を識別できる。
　以上のとおり、変形例３に係る解析システム１では、相関関係抽出部１０４（相関算出部の一例）は、第１単一細胞の第１構成要素の特徴量と前記第２構成要素の特徴量を用いて算出した相関と、第２単一細胞の第１構成要素の特徴量と前記第２構成要素の特徴量を用いて算出した相関と、の変化を表す相関異常度を構成要素ごとに算出する。結果出力部３００は、相関異常度又は相関異常度に応じた構成要素を識別可能な情報を出力し、表示部３０は、その情報を表示する。
　これにより、ユーザは、例えば相関異常度の高い構成要素を識別でき、細胞応答や効果の高い構成要素を認識できる。
　結果出力部３００は、複数の単一細胞又は細胞周期ごとに相関異常度を識別可能な情報を出力し、表示部３０は、その情報を表示する。これにより、ユーザは、単一細胞又は細胞周期ごとに相関異常度の相違を認識でき、例えば単一細胞又は細胞周期ごとに、第１単一細胞から第２単一細胞へ変化した場合に応答や効果の高い構成要素を認識できる。
　結果出力部３００は、単一細胞に薬剤を使用した場合、複数の薬剤又は薬剤の濃度或いは量ごとに相関異常度を識別可能な情報を出力し、表示部３０は、その情報を表示する。これにより、ユーザは、薬剤又は薬剤の濃度或いは量ごとに相関異常度の相違を認識でき、例えば薬剤又は薬剤の濃度或いは量ごとに、薬剤の応答や薬効の高い構成要素を認識できる。
　結果出力部３００は、複数の単一細胞、細胞周期、単一細胞に使用した薬剤、又は薬剤の濃度或いは量を、複数の構成要素の相関異常度に応じて並び替える。これにより、ユーザは、例えば、相関が類似する又は相違する単一細胞、細胞周期、薬剤、又は薬剤の濃度或いは量を、認識しやすくなる。ユーザは、単一細胞、細胞周期、薬剤、又は薬剤の濃度或いは量ごとに、例えば反応や効果の高い構成要素を認識できる。
　結果出力部３００は、例えば図１８の共変動ネットワークを、複数の構成要素の相関異常度に応じて並び替えてもよい。
　なお、結果出力部３００は、相関異常度に応じて構成要素を強調表示してもよい。結果出力部３００は、相関異常度が高い構成要素を強調表示してもよく、例えば図１８の共変動ネットワークにおいて、相関異常度が高い構成要素を表すノードを強調表示してもよい。
　これにより、ユーザは、注目すべき構成要素（注目対象生体物質）を識別でき、例えば、当該構成要素と他の構成要素との相関を確認することで、反応や効果への寄与の高い相関を示す構成要素を認識しやすくなる。
　また、結果出力部３００は、単一細胞、細胞周期、単一細胞に使用した薬剤、薬剤の濃度或いは量の各々又は組み合わせに応じて並び替え、構成要素ごとの相関異常度を表示してもよい。並び替えには、グループごとに連続させることや順序に従って並び替えることが含まれる。
　例えば、図１９や図２０のマップにおいて、結果出力部３００は、薬剤ごとに細胞周期の順序（例えばＧ１期、Ｓ期、Ｇ２期、Ｍ期の順）に並び変えてもよい。これにより、ユーザは、各薬剤について細胞反応又は薬効の高い細胞周期や寄与度の高い対象生成物質（注目対象生成物質）を認識しやすくなる。
　また、結果出力部３００は、細胞周期の順序で並び変えてもよい。これにより、ユーザは、各細胞周期について細胞反応又は薬効の高い薬剤や、各薬剤で寄与度の高い対象生成物質（注目対象生成物質）を認識しやすくなる。
　なお、上述した実施形態における解析装置１０の一部をコンピュータで実現するようにしても良い。その場合、この制御機能を実現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、この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、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、解析装置１０に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。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、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を送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その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のように、一定時間プログラムを保持しているものも含んでも良い。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良く、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であっても良い。
　また、上述した実施形態における解析装置１０の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現しても良い。解析装置１０の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化しても良い。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現しても良い。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いても良い。
　以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
　１・・・解析システム、　１０・・・解析装置、　２０・・・顕微鏡装置、　３０・・・表示部、　１００・・・演算部、　２００・・・記憶部、３００・・・結果出力部、１０１・・・細胞画像取得部、１０２・・・特徴量算出部、１０３・・・雑音成分除去部、１０４・・・相関関係抽出部、２０１・・・種類記憶部、２０２・・・実験条件記憶部、２０３・・・細胞情報記憶部

Claims (15)

  1. 　細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像を取得する取得部と、
    　前記第１画像及び前記第２画像の各々から、細胞を構成する構成要素ごとの特徴量を抽出する特徴量抽出部と、
    　前記特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する相関算出部と、
    　を備える解析システム。
  2. 　前記特徴量抽出部は、少なくとも一部の単一細胞を識別し、当該単一細胞ごとに、前記第１構成要素の特徴量と前記第２構成要素の特徴量を抽出し、
    　前記相関算出部は、前記単一細胞ごとの前記第１構成要素の特徴量と前記第２構成要素の特徴量を用いて、前記相関を算出する
    　請求項１に記載の解析システム。
  3. 　前記取得部は、特定時点における同一の細胞が、それぞれ異なる標識で撮像された第１画像と第２画像を取得し、
    　前記特徴量抽出部は、少なくとも一部の単一細胞ごとに、前記第１構成要素の特徴量と前記第２構成要素の特徴量を抽出し、
    　前記相関算出部は、前記単一細胞ごとの前記第１構成要素の特徴量と前記第２構成要素の特徴量を用いて、前記特定時点における前記相関を算出する
    　請求項１に記載の解析システム。
  4. 　前記取得部は、複数の前記特定時点を表す時間情報を取得し、
    　前記特徴量抽出部は、前記同一の細胞ごとに、前記第１画像及び前記第２画像の各々から、少なくとも一部の単一細胞を識別し、当該単一細胞ごとに、前記第１構成要素の特徴量と前記第２構成要素の特徴量を抽出し、
    　前記相関算出部は、前記複数の特定時点ごとに、前記相関を算出する
    　請求項３に記載の解析システム。
  5. 　前記特定時点ごとに、前記第１構成要素と前記第２構成要素の間の相関を出力する出力部をさらに備える
    　請求項４に記載の解析システム。
  6. 　前記特徴量抽出部は、前記第１画像及び前記第２画像の各々から前記単一細胞ごとの細胞周期を識別し、細胞周期ごとに、前記第１構成要素についての特徴量と前記第２構成要素についての特徴量を抽出し、
    　前記相関算出部は、細胞周期ごとに、前記相関を算出する
    　請求項３に記載の解析システム。
  7. 　前記取得部は、第１状態の検査対象の細胞及び第１状態とは異なる第２状態の検査対象の細胞の各々について、前記第１画像及び前記第２画像を取得し、
    　前記特徴量抽出部は、前記第１状態及び前記第２状態の各々について、前記第１画像及び前記第２画像から、細胞を構成する構成要素ごとの特徴量を抽出し、
    　前記相関算出部は、前記第１状態及び前記第２状態の各々について、前記第１構成要素と前記第２構成要素の間の相関を算出する
    　請求項３に記載の解析システム。
  8. 　前記取得部は、前記構成要素とは異なる関連要素について解析をした解析データを取得し、
    　前記関連要素の解析データと前記構成要素の間の相関を関連付けて出力する出力部をさらに備える
    　請求項４に記載の解析システム。
  9. 　同一の前記特定時点には、細胞周期の特定期間以内の時点が含まれる
    　請求項３に記載の解析システム。
  10. 　同一の前記特定時点には、前記第１構成要素の標識を除去する工程、及び、第２構成要素が標識される工程が行われる時間以内の時点が含まれる
    　請求項３に記載の解析システム。
  11. 　前記第１構成要素及び前記第２構成要素の特徴量は、標識される構成要素の量を含み、
    　第１構成要素の標識と前記第２構成要素の標識は、第１構成要素及び第２構成要素の１個当たりの明るさが規格化され、
    　前記特徴量抽出部は、前記第１画像及び第２画像の明るさを表す明るさ情報に基づいて、前記構成要素の量を算出する
    　請求項１に記載の解析システム。
  12. 　前記相関には、前記単一細胞の配置に基づく情報が含まれる　
    　請求項２に記載の解析システム。
  13. 　細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像の各々から抽出された、細胞を構成する構成要素ごとの特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する相関算出部、
    　を備える解析装置。
  14. 　解析装置のコンピュータに、
    　細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像の各々から抽出された、細胞を構成する構成要素ごとの特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出させる手順、
    　を実行させるための解析プログラム。
  15. 　解析システムにおける解析方法であって、
    　取得部が、細胞に対して第１構成要素が標識された第１画像と、前記細胞に対して、前記第１構成要素とは異なる第２構成要素が標識された第２画像を取得する取得過程と、
    　特徴量抽出部が、前記第１画像及び前記第２画像の各々から、細胞を構成する構成要素ごとの特徴量を抽出する特徴量抽出過程と、
    　相関算出部が、前記特徴量を用いて、前記第１構成要素と前記第２構成要素の間の相関を算出する相関算出過程と、
    　を有する解析方法。
PCT/JP2023/025772 2022-07-12 2023-07-12 解析システム、解析装置、解析プログラム、及び解析方法 WO2024014489A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022111995 2022-07-12
JP2022-111995 2022-07-12

Publications (1)

Publication Number Publication Date
WO2024014489A1 true WO2024014489A1 (ja) 2024-01-18

Family

ID=89536808

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/025772 WO2024014489A1 (ja) 2022-07-12 2023-07-12 解析システム、解析装置、解析プログラム、及び解析方法

Country Status (1)

Country Link
WO (1) WO2024014489A1 (ja)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013025700A1 (en) * 2011-08-15 2013-02-21 Albert Einstein College Of Medicine Of Yeshiva University Phosphocofilin: cofilin co-localization intensity as a predictor of metastic recurrence
US20140242600A1 (en) * 2011-06-08 2014-08-28 The Board Of Trustees Of The Leland Stanford Junior University Imaging the heterogeneous uptake of radiolabeled molecules in single living cells
WO2015048740A1 (en) * 2013-09-30 2015-04-02 The Scripps Research Institute Genotypic and phenotypic analysis of circulating tumor cells to monitor tumor evolution in prostate cancer patients
JP2016101171A (ja) * 2009-10-13 2016-06-02 ザ・チャールズ・スターク・ドレイパ・ラボラトリー・インコーポレイテッド エピジェネティックおよび非エピジェネティックベースの人工多能性幹細胞誘導への応用を含む細胞リプログラミング
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
WO2017109860A1 (ja) * 2015-12-22 2017-06-29 株式会社ニコン 画像処理装置
WO2018087861A1 (ja) * 2016-11-10 2018-05-17 国立大学法人東京大学 解析装置、解析方法、及びプログラム
WO2018235251A1 (ja) * 2017-06-23 2018-12-27 株式会社ニコン 解析装置、解析プログラム及び解析方法
WO2019069446A1 (ja) * 2017-10-06 2019-04-11 株式会社ニコン 画像処理装置、画像処理方法及び画像処理プログラム
JP2019191190A (ja) * 2013-07-05 2019-10-31 ユニバーシティ オブ ワシントン スルー イッツ センター フォー コマーシャライゼーション マイクロ流体アッセイのための方法、組成物およびシステム
WO2020166469A1 (ja) * 2019-02-15 2020-08-20 コニカミノルタ株式会社 情報提供方法、情報提供装置及びプログラム

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016101171A (ja) * 2009-10-13 2016-06-02 ザ・チャールズ・スターク・ドレイパ・ラボラトリー・インコーポレイテッド エピジェネティックおよび非エピジェネティックベースの人工多能性幹細胞誘導への応用を含む細胞リプログラミング
US20140242600A1 (en) * 2011-06-08 2014-08-28 The Board Of Trustees Of The Leland Stanford Junior University Imaging the heterogeneous uptake of radiolabeled molecules in single living cells
WO2013025700A1 (en) * 2011-08-15 2013-02-21 Albert Einstein College Of Medicine Of Yeshiva University Phosphocofilin: cofilin co-localization intensity as a predictor of metastic recurrence
JP2019191190A (ja) * 2013-07-05 2019-10-31 ユニバーシティ オブ ワシントン スルー イッツ センター フォー コマーシャライゼーション マイクロ流体アッセイのための方法、組成物およびシステム
WO2015048740A1 (en) * 2013-09-30 2015-04-02 The Scripps Research Institute Genotypic and phenotypic analysis of circulating tumor cells to monitor tumor evolution in prostate cancer patients
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
WO2017109860A1 (ja) * 2015-12-22 2017-06-29 株式会社ニコン 画像処理装置
WO2018087861A1 (ja) * 2016-11-10 2018-05-17 国立大学法人東京大学 解析装置、解析方法、及びプログラム
WO2018235251A1 (ja) * 2017-06-23 2018-12-27 株式会社ニコン 解析装置、解析プログラム及び解析方法
WO2019069446A1 (ja) * 2017-10-06 2019-04-11 株式会社ニコン 画像処理装置、画像処理方法及び画像処理プログラム
WO2020166469A1 (ja) * 2019-02-15 2020-08-20 コニカミノルタ株式会社 情報提供方法、情報提供装置及びプログラム

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Construction of protein covariation network from cell staining images Expected to accelerate drug discovery through development of new analysis method that vividly captures "cell state" | Tokyo Tech News | Tokyo Institute of Technology", 14 July 2021 (2021-07-14), XP093129315, Retrieved from the Internet <URL:https://www.titech.ac.jp/news/2021/061334> *
FUMI KANO, AROWU TANAKA, MASAYUKI MURATA: "Special feature: Visualization and quantitative analysis for membrane traffic network using semi-intact cell systemand GFP-techniques", EXPERIMENTAL MEDICINE, YODOSHA CO., LTD., JP, vol. 20, no. 7, 1 January 2002 (2002-01-01), JP , pages 961 - 967, XP009551969, ISSN: 0288-5514 *
KANO FUNU: "Recent research and technology Visualization analysis of intracellular networks using semi-intact cells", KEMBIKYOU = MICROSCOPY, NIHON KEMBIKYOU GAKKAI, TOKYO, JP, vol. 42, no. 2, 31 July 2007 (2007-07-31), JP , pages 143 - 145, XP009551967, ISSN: 1349-0958 *
KANO, FUMI: "The coupled dynamics of organelle biogenesis and veicular transport during cell cycle", PROTEIN, NUCLEIC ACYD AND ENZYMES, vol. 52, no. 11, 1 January 2007 (2007-01-01), JP , pages 1344 - 1350, XP009552673, ISSN: 0039-9450 *
MURATA MASAYUKI: "Semi-intact Cell System and Cell Resealing Techniquefor image-based Analysis of Intracellular Events: A Powerful Cellular Tool for Single Cell Biology", SEFBUTSU BUTSURI, vol. 54, no. 4, 2014, pages 206 - 209, XP055628627, DOI: 10.2142/biophys.54.206 *
MURATA, MASAYUKI: "Construction of intracellular network visualization analysis system using cell array and semi-intact cell assay", PREPRINTS OF BIOTECHNOLOGY SYMPOSIUM, vol. 24, 21 November 2006 (2006-11-21), pages 74 - 76, XP009553152 *
NOBUHIKO MAIYA, YOSHIYUKI NOGUCHI, FUMI KANO, CHISAKO IWAMOTO, SHOKO YAMASAKI, YOSUKE OTSUBO, DAIKI NAKATSU, RINA KUNISHIGE, MASAY: "O-39 Development of signal pathway analysts method utilizing intracellular localization information of protein", THE JOURNAL OF TOXICOLOGICAL SCIENCES, TOKYO., JP, vol. 47, no. suppl., 1 June 2022 (2022-06-01), JP , pages S108, S328, XP009551970, ISSN: 0388-1350 *
NOGUCHI YOSHIYUKI, FUMI KANO, NOBUHIKO MAIYA, CHISAKO IWAMOTO, SHOKO YAMASAKI, YOSUKE OTSUBO, DAIKI NAKATSU, RINA KUNISHIGE AND MA: "Microscopic image-based covariation network analysis for actin scaffold-modified insulin signaling", ISCIENCE, CELL PRESS, US, vol. 24, 23 July 2021 (2021-07-23), US , XP093129252, ISSN: 2589-0042, DOI: 10.1016/j.isci.2021.102724 *
PERRY G. SCHIRO; MENGXIA ZHAO; JASON S. KUO; KAREN M. KOEHLER; DANIEL E. SABATH; DANIEL T. CHIU: "Sensitive and High‐Throughput Isolation of Rare Cells from Peripheral Blood with Ensemble‐Decision Aliquot Ranking", ANGEWANDTE CHEMIE INTERNATIONAL EDITION, VERLAG CHEMIE, HOBOKEN, USA, vol. 51, no. 19, 22 February 2012 (2012-02-22), Hoboken, USA, pages 4618 - 4622, XP072082934, ISSN: 1433-7851, DOI: 10.1002/anie.201108695 *
TANAKA, ARO: "Dawn of single-cell/single-molecule biology His development of analysis techniques for the dynamics and functions of intracellular proteins using semi-intact cells", BIO INDUSTRY, CMC, TOKYO,, JP, vol. 21, no. 6, 12 June 2004 (2004-06-12), JP , pages 28 - 35, XP009551966, ISSN: 0910-6545 *
YOSHIYUKI NOGUCHI, FUMI KANO, NOBUHIKO MAIYA, CHISAKO IWAMOTO, SHOKO YAMASAKI, YOSUKE OTSUBO, DAIKI NAKATSU, RINA KUNISHIGE, MASAY: "28PO1-pm1-09 Development of signal transduction pathways analysis method utilizing intracellular localization information of protein", ABSTRACTS OF THE ANNUAL MEETING OF THE PHARMACEUTICAL SOCIETY OF JAPAN; MARCH 25-28, 2022, PHARMACEUTICAL SOCIETY OF JAPAN, JP, vol. 142, 4 March 2022 (2022-03-04) - 28 March 2022 (2022-03-28), JP, XP009552432 *

Similar Documents

Publication Publication Date Title
Shihan et al. A simple method for quantitating confocal fluorescent images
Pageon et al. Clus-DoC: a combined cluster detection and colocalization analysis for single-molecule localization microscopy data
US20230145084A1 (en) Artificial immunohistochemical image systems and methods
Sigal et al. Mapping synaptic input fields of neurons with super-resolution imaging
EP1922695B1 (en) Method of, and apparatus and computer software for, performing image processing
Mansfield et al. Visualization of microscopy‐based spectral imaging data from multi‐label tissue sections
US20120075453A1 (en) Method for Detecting and Quantitating Multiple-Subcellular Components
Cohen et al. Multispectral live‐cell imaging
JP6818041B2 (ja) 解析装置、解析方法、及びプログラム
US20210073979A1 (en) Image-processing device, image-processing method, and image-processing program
JP5289064B2 (ja) 生物学的サンプルの画像化および修飾のための装置および方法
JP7418631B2 (ja) マルチチャネル画像における自己蛍光の寄与を算出するシステムおよび方法
JP2003107081A (ja) 画像解析方法、装置、及び記録媒体
CN101228283A (zh) 检测及定量表示多个亚细胞成分的方法
Luther et al. Next-generation laser scanning cytometry
García Osuna et al. Large-scale automated analysis of location patterns in randomly tagged 3T3 cells
WO2023157756A1 (ja) 情報処理装置、生体試料解析システム及び生体試料解析方法
WO2024014489A1 (ja) 解析システム、解析装置、解析プログラム、及び解析方法
WO2018066039A1 (ja) 解析装置、解析方法、及びプログラム
WO2023157755A1 (ja) 情報処理装置、生体試料解析システム及び生体試料解析方法
WO2022201992A1 (ja) 医療用画像解析装置、医療用画像解析方法及び医療用画像解析システム
KR20230163541A (ko) 신속한, 자동화된 이미지 기반 바이러스 플라크 및 효능 검정법
JP2020124220A (ja) 画像処理装置
JP5302054B2 (ja) Ｄｎａが断片化されたアポトーシス細胞の検出方法、細胞画像解析装置、及びプログラム
Pozzi et al. Artificial intelligence in imaging flow cytometry

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: 23839661

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)