CN117999478A - 用于将色谱数据和元数据链接到合规风险的方法、介质和*** - Google Patents

Abstract

示例性实施方案提供了对分析数据***中收集的信息进行可视化和高级数据科学的方法、介质和***。实施方案识别***错误的区域周围的色谱元数据中的相关性和模式。这些数据源之间的相关性可能指向合规风险领域。来自分析***的元数据可以与其他数据源和/或分析数据组合，以将分析结果与合规伪影相关联。监督和/或无监督的机器学习技术可以用于组合这些数据源，并且学习这些数据源与合规风险之间的相关性。这些分析的结果可以显示在仪表板上，允许用户使整个企业或供应链的合规风险可视化。可以生成合规风险的自动通知并且呈现在用户界面上。***还可以使用模式识别来提供对尚未发生的潜在合规风险的洞察。

Description

用于将色谱数据和元数据链接到合规风险的方法、介质和 ***

相关申请的交叉引用

本申请要求于2021年4月9日提交的美国临时专利申请号63/172,953的权益。该申请的全部公开内容据此以引用方式并入本文。

背景技术

色谱法是指通过使混合物以溶液、悬浮液形式或作为蒸气通过其中混合物的组分以不同速率移动的介质来分离混合物。然后可分析组分以鉴定组分的存在、量、浓度或其他特性。色谱法包括许多不同的技术，诸如质谱(MS)、液相色谱质谱(LCMS)和许多其他技术。

发明内容

示例性实施方案涉及用于跨企业或供应链分析色谱数据和元数据以便识别可能的合规风险的技术。除非另有说明，否则预期这些实施方案可单独使用以便实现所述优点，或以任何组合使用以便实现协同效应。

如本文所用，合规风险是指不符合数据完整性最佳实践的情况或一组情况，这些情况潜在地违反法规或合同要求，是管理员出于审计目的已经要求记录保存的预先配置的情况，或者是采集或分析色谱数据的过程潜在地与预先确定的所需条件相冲突的任何其他状况。评估合规风险对于(例如)在合规管理机构进行审计之前主动评估风险和纠正棘手问题可能是重要的。

当分析自己的色谱数据时，识别合规风险可能是一个难题，因为可能不清楚一组情况何时构成或不构成合规风险。然而，当与外部合作伙伴或其他第三方合作时(例如，分析整个企业或供应链的合规风险)，这甚至更加困难，因为第三方的数据和/或实践可能不可以用于分析。例如，这在制药行业中尤其常见(在制药行业中，一家公司可能依赖于从外部供应商接收药物化合物)。在这些情况下，可能需要依靠第三方来执行他们自己的合规分析，这可能不是最理想的结果。

示例性实施方案提供了对分析数据***中收集的信息的可视化和高级数据科学。实施方案识别***错误的区域周围的色谱元数据中的相关性和模式。这样的元数据的示例包括：一些色谱进样是否未被处理；一些进样是否被手动处理而不是以编程方式或根据预先批准的过程处理；一些进样是否被中止；手动积分峰；签署记录；审计跟踪记录；分析数据***中性能下降的标记(例如，进样数据随时间的变化)；和其他信息，诸如进行分析的用户的用户名、分析中使用的仪器的仪器ID、使用的柱或溶剂的类型、仪器位置、用于处理数据的服务器的服务器位置以及分配给有权访问数据的用户的管理权限。这些数据源之间的相关性可能指向合规风险领域。

来自分析***的元数据可以与其他数据源(诸如实验室天平、实验室访问记录和数据采集时间)组合，以便为合规性执行数据科学。元数据还可以与分析数据(例如，LC数据、LCMS数据和其他实验室信息源)组合，以将分析结果(例如但不限于峰形、分析物/杂质的浓度、保留时间)与合规伪影相关联。监督和/或无监督的机器学习技术可以用于组合这些数据源，并且学习这些数据源与合规风险之间的相关性。

这些分析的结果可以显示在仪表板或地图上，允许用户使整个企业或供应链的合规风险可视化。可以生成合规风险的自动通知并且呈现在用户界面上。***还可以使用模式识别来提供对尚未发生的潜在合规风险的洞察。

下面将参考附图详细描述这些实施方案。

附图说明

为了容易识别对任何特定元件或动作的论述，参考标号中的一个或多个最有效数字是指首先引入该元件的附图标号。

图1示出了根据示例性实施方案的质谱***的示例。

图2示出了根据一个实施方案的色谱数据环境的示例。

图3A至图3C示出了根据示例性实施方案的合规仪表板的示例。

图4A示出了根据一个实施方案的主题的一方面。

图4C示出了根据一个实施方案的主题的一方面。

图4D示出了根据一个实施方案的主题的一方面。

图4E示出了根据一个实施方案的主题的一方面。

图4F示出了根据一个实施方案的主题的一方面。

图4B示出了根据一个实施方案的色谱合规数据流。

图5是描绘根据示例性实施方案的用于分析色谱数据的示例性逻辑的流程图。

图6示出了适合与示例性实施方案一起使用的示例性人工智能/机器学习(AI/ML)***。

图7描绘可以用于实践本文所述的示例性实施方案的例示性计算机***架构。

具体实施方式

为了例示的目的，图1是可以结合本文的技术使用的***的示意图。尽管图1描绘了特定LCMS配置中的特定类型的装置，但本领域的普通技术人员将理解，不同类型的色谱装置(例如，LC、MS、串联MS等)也可以结合本公开使用。特别地，预期示例性实施方案可能特别适合于与LC***一起使用，尤其是在没有伴随的MS设备的情况下使用时。示例性实施方案还可以与除了本文详细描绘和描述的数据源之外的其他数据源一起使用，尤其是大规模色谱(诸如GE Akta***)、NMR、IR、CE等。

样本102通过进样器106进样到液相色谱104中。泵108可以将样本泵送通过色谱柱110，以根据通过色谱柱的保留时间将混合物分离成组分部分。

来自色谱柱的输出被输入到质谱仪112中用于分析。最初，样本由去溶剂化/离子化装置114去溶剂化并且离子化。去溶剂化可以是任何去溶剂化技术，包括例如加热器、气体、与气体组合的加热器或其他去溶剂化技术。离子化可以采用任何离子化技术来实现，包括例如电喷雾离子化(ESI)、大气压化学离子化(APCI)、基质辅助激光解吸(MALDI)或其他离子化技术。由离子化产生的离子通过施加到离子导向器116的电压梯度被送入碰撞室118。碰撞室118可用于传递离子(低能量)或将离子碎片化(高能量)。

可以使用不同的技术(包括在授予Bateman等人的美国专利6,717,130号中描述的技术，该专利以引用方式并入本文)，其中可以在碰撞室118上施加交变电压来引起碎片化。收集低能量下的前体(无碰撞)以及高能量下的碎片(碰撞的产物)的光谱。

碰撞室118的输出被输入到质量分析仪120。质量分析仪120可以是任何质量分析仪，包括四极杆、飞行时间(TOF)、离子阱、扇形磁场质量分析仪以及它们的组合。检测器122检测从质量分析仪122发出的离子。检测器122可以与质量分析仪120成一体。例如，在TOF质量分析仪的情况下，检测器122可以是对离子强度进行计数(即，对射入的离子进行计数)的微通道板检测器。

原始数据存储库124可以为存储用于分析的离子计数提供永久性存储。例如，原始数据存储库124可以是内部或外部计算机数据存储装置，诸如磁盘、基于闪存的存储装置等。采集装置126分析存储的数据。还可以实时分析数据，而不需要存储在存储介质124中。在实时分析中，检测器122将要分析的数据直接传递到计算机126，而不是首先将其存储到永久性存储装置中。

碰撞室118执行前体离子的碎片化。可以使用碎片化来确定肽的一级序列，随后识别起源蛋白质。碰撞室118包含气体，诸如氦气、氩气、氮气、空气或甲烷。当带电前体与气体原子相互作用时，所产生的碰撞可以通过将前体分解成所得的碎片离子而使前体碎片化。

描述与数据采集相关的各种参数的元数据可与原始数据一起生成。该信息可以包括液相色谱仪104或质谱仪112(或采集数据的其他色谱设备)的配置，其可以定义数据类型、温度(例如，实验室或LC***的温度)以及下文更详细讨论的其他信息。被配置为对数据进行解码的编解码器的标识符(例如，密钥)也可作为元数据的一部分和/或与原始数据一起被存储。元数据可被存储在文档存储库128中的元数据目录130中。

采集装置126可以根据工作流进行操作，在每个工作流步骤向分析人员提供数据的可视化，并且允许分析人员通过执行特定于工作流步骤的处理来生成输出数据。可经由客户端浏览器132生成和检索工作流。当采集装置126执行工作流的步骤时，它可以从位于原始数据存储库124中的数据流读取原始数据。当采集装置126执行工作流的步骤时，它可以生成存储在文档存储库128中的元数据目录130中的经处理的数据；另选地或除此之外，经处理的数据可以被存储在由采集装置126的用户指定的不同位置中。它还可生成可被存储在审计日志134中的审计记录。

本文所述的示例性实施方案可以在客户端浏览器132和采集装置126以及其他位置处执行。图7中描绘了适于用作采集装置126和/或客户端浏览器132以及各种数据存储装置的装置的示例。服务器和其他计算机硬件可以在本地网络上，或者可以使用云技术。

图2描绘了适合与示例性实施方案一起使用的示例性***。***包括色谱数据环境202，该色谱数据环境被配置为管理来自色谱数据***204a、204b、204c……的色谱数据的采集和存储。色谱数据***204a、204b、204c……可以将它们的数据上传到积分平台206，该积分平台被配置为将数据连同元数据(诸如指示数据何时被捕获或上传到数据湖的时间戳、识别色谱数据***的部件或配置的特征、足以识别数据的格式的格式特征)一起存储到数据湖210，和/或从CDSes提取数据并标准化由不同仪器、不同类型的仪器、在不同实验室等采集的数据。数据可以存储在访问组208中的数据湖210中。不同的母组织(例如，执行色谱实验的不同公司)可以各自控制不同的数据湖210，并且可以基于访问组208来管理对相应数据湖210中的数据的访问。

在一些实施方案中，第三方可能能够从控制访问组208的母组织请求审查给定访问组208中的数据的权利。这可以允许请求组织审查潜在合规问题的数据。例如，审查组织可以应用一个或多个数据科学应用212来分析数据并识别合规问题。数据科学应用212的示例包括被配置为单独或组合考虑以下因素的应用：在色谱数据环境202中采集的一些进样是否未被处理(和/或未处理的进样214的数量)；一些进样是否被多次处理(多次处理216)；一些数据是否经受手动积分218；一些色谱数据运行是否被中止(中止运行220)；以及数据是否经过部分签署222，以及下面更详细讨论的其他可能性。

当数据科学应用212识别出合规问题时，结果可以显示在合规图形用户界面中的仪表板中。图3A描绘了各种合规曲线302、304、306。这些曲线可以用指示符填充或着色，指示符示出存在或不存在诸如以上指出的那些可能与合规风险相关联(单独地或组合地)的状况。合规曲线302、304、306可以显示在合规图形用户界面上。另选地或除此之外，当识别出合规问题时，可以生成通知并且将其发送给负责监测合规问题的用户。合规问题还可以触发自动响应返回到数据***中，以暂停或停止***的操作。合规***可以向正常生态***之外的人员或团体通知潜在风险，诸如质量管理***或监管标准中概述的那些风险。

图3B和图3C描绘了适合与示例性实施方案一起使用的仪表板的另选的实施方式。

用于检测故障数据采集的级联架构

可以使用机器学习来识别合规问题。代替用于预测分析的分类机器学习，提出了一种使用“工业4.0”/TinyML技术和级联架构以便于检测色谱数据***中的不良数据采集故障的方法。使用该方法极大地简化了识别“样本”数据池的过程，该数据池是现代ML算法的基础。

图4A描绘了适合与示例性实施方案一起使用的示例性训练和可视化流水线。在该流水线中，将数据处理元件与数据可视化元件组合。可以在适当的位置处跨流水线制作多个水平条带，以将处理步骤分成不同的过程/算法组合。

图4B和图4C描绘了用于使操作和分析数据可视化的示例性数据浏览器。在可视化数据之前，可以对数据进行预处理。这可能与从一种数据格式转换为另一种数据格式一样简单(例如，从授权数据转换为CSV格式)。然而，在这一阶段，可能存在过滤(移除NaN或空值)或者甚至将分类值转换为连续的，用于机器学习或人类可视化。此外，在这一阶段，可以跨多个连续值执行进一步的计算，例如对于MS，可能存在计算出的FOM(品质因数)，该FOM是使用分辨率和灵敏度(以及统计度量，诸如偏斜度，例如尖峰值)以及用于频谱图分析的FFT、之后进行用于监督学习技术的机器视觉技术而计算的。在这一点上，还可以应用统计分布相关计算(例如由标准库提供，例如报告相关信息的Pandas，例如如图4B所示)。

然后，数据可以在诸如图4C所示的仪表板中可视化。图4C的数据浏览器允许两个或更多个参数的可视化。使用该仪表板，用户可以识别异常值或感兴趣的区域，这些异常值或感兴趣的区域可以被馈送到机器学习算法(例如，kNN聚类)中。可以使用距离尺度来识别异常值，并且ML算法使用的合适的超参数可以包括聚类的数量、距离尺度等。

图4D描绘了特征提取的示例。特征提取是将数据的维数降低到人类(或机器)更容易理解的程度的过程。输入数据是我们希望减少的维度，例如手动进样的数量、处理的次数、签署的次数、签署与用户之间的时间可以被聚类—在这种情况下，正确的聚类数量和距离尺度需要通过用户交互和/或进一步的处理(在该示例中，以上是与kNN和结果的可视化耦合的UMAP流形学习技术)来确定。一旦知道了这些参数，就可以在线/内联地使用这些参数来自动地确定一些数据何时异常或需要自动地标记以引起进一步的人工注意(通过异常/反常检测进行审查)。

可以对大批量数据进行预测—也就是说，在一定时间范围内(长时间范围内)运行所有数据，并标记任何需要注意的后续项目(或者例如简单地将趋势可视化)。对诸如泵压、汲取的充电电流、处理进样所用的时间或每个用户进样之间的时间等事物随时间的趋势分析可能导致对数据的洞察，这些数据可以容易地被人类操作员识别，或者如果阈值被用于自动标记并与人类监督员通信，(在核对/制作柱状图并查看最高百分位数之后，例如处理所用的5％最长时间或5％最短时间)。

根据请求，可以“实时”进行预测。异常行为检测可以基于对特定活动的大量整理的输入参数观察来执行。例如，在删除动作(触发器)上，为预测模型提供一组指定的输入参数(自动地标记后续或OK状态)。

图4E将这些构思和数据浏览器整合到可视化流水线中。可视化流水线的结果可以用于训练机器学习算法。

例如，图4F描绘了适合与示例性实施方案一起使用的机器学习流水线。特别感兴趣的是处理连续流数据的特征提取和推理框(在这种情况下是快速傅里叶变换和机器视觉DL网络)。数据可以包括以级联架构耦接并且被组合以给出异常事件检测的更高可能性的低级传感器数据和高级分析数据。本领域的普通技术人员将认识到，图4F描绘了架构的一个示例，但是其他实施方式(例如，使用不同类型的机器学习或不同类型的数据)也适用于本公开。

示例性逻辑

图5描绘了根据示例性实施方案的示例性合规分析逻辑500，该示例性合规分析逻辑用于将数据存储在色谱数据处理环境中和从色谱数据处理环境中检索数据，以及用于处理数据以识别潜在的合规问题。合规分析逻辑500可以体现为计算机实现的方法或者存储在非暂态计算机可读存储介质上的指令，并且可以被配置为使处理器执行图5中包括的逻辑块。在一些实施方案中，合规分析逻辑500可以由被配置为执行图5中包括的逻辑块的计算***来执行。

处理在开始框502处开始。在框504处，色谱设备可以采集数据。例如，色谱设备可执行实验并且以测量结果流的形式输出数据。色谱设备可将测量结果存储在原始数据存储库中。在框506处，色谱设备可以生成与实验相关的元数据并且可以将元数据存储在与原始数据存储库不同的元数据目录中。

在框508处，***可以训练AI/ML***来识别合规问题。可以通过提供标记的训练数据来训练AI/ML***，其中该训练数据包括元数据、附加参数和/或分析数据，并且用指示数据是否与合规问题相关联的标记来标记。通过应用AI/ML算法，可以学习数据、元数据和/或附加参数与潜在合规问题之间的关系。

在一些实施方案中，与分析数据相反，通过检查元数据和其他参数来识别何时存在合规问题可能更简单。例如，元数据可以包括实验是否与手动处理的峰相关联的指示符。与根据已知方法以编程方式处理峰相反，手动处理的峰可以指示用户观察了色谱数据并选择应用被配置为产生期望结果(而不是更客观的结果)的定制设置。所得的分析数据可能看起来与合规实验生成的数据非常相似，并且因此可能难以从分析数据本身学习何时存在合规问题。然而，当基于元数据和其他参数识别出合规问题时，则可以应用这种理解来标记分析数据并识别分析数据中可能表明存在合规问题的特征(例如，峰形、拖尾因子、柱降解曲线等)。

为此，在框510处，***可以任选地训练AI/ML***(与在框508中训练的***相同的***，或者不同的***)以将合规问题与分析数据相关联。

一旦被训练，AI/ML***则可以用于分析新的色谱数据，以确定在新的色谱数据中是否可能存在合规问题。新的色谱数据可能源自应用合规分析的用户/组织，或者源自第三方(诸如供应链中的分析组织的供应商)。为此，在框512处，当前用户/组织可能需要请求对数据湖中的第三方数据的访问权限。第三方可以提供有限的访问权限，允许出于合规目的对数据进行分析。

在框514处，可以使用受过训练的AI/ML***来分析本地数据和/或第三方数据以发现合规问题。可以基于一个或多个规则(诸如参数值被切换为真或超过预定义的阈值)来识别合规问题。在一些实施方案中，可以基于数据中的趋势来识别合规问题(例如，确定不存在合规问题，但是如果数据继续其当前趋势，则合规问题将在预先确定的时间期限内存在)。

在框516和框518处，任何有问题的状况可以显示在合规用户界面上的合规仪表板中(例如，见图3A)。如果***确定可能存在合规问题(例如，AI/ML***确定合规问题的概率大于预先确定的阈值)，则***可以生成通知或警报，并且将通知/警报发送给负责监测合规的用户。

处理然后可以进行至完成框520并终止。

为了学习元数据与合规问题之间(和/或合规问题和分析数据之间)的相关性，可以应用人工智能/机器学习(AI/ML)。为此，图6描绘了适合与示例性实施方案一起使用的AI/ML环境600。

AI/ML环境600可以包括AI/ML***602，诸如应用AI/ML算法来学习上述蛋白质参数之间的关系的计算装置。

AI/ML***602可以利用在收集色谱数据时(或之后)由实验设备118返回的实验数据608。在一些情况下，实验数据608可以包括来自数据库、库、储存库等的预先存在的实验数据。实验数据608可以与AI/ML***602并置排列(例如，存储在AI/ML***602的存储装置610中)，可以远离AI/ML***602并且经由网络接口604访问，或者可以是本地数据和远程数据的组合。

在训练数据612中，从实验设备返回的实验数据可以由通过在软件中建模和模拟色谱数据收集以及通过解析科学和学术文献以获得关于关系的信息而学习到的数据来补充。

如上所述，AI/ML***602可以包括存储装置610，该存储装置可以包括硬盘驱动器、固态存储装置和/或随机存取存储器。存储装置可以保存训练数据612，该训练数据可以将不同的数据和元数据与是否存在合规问题的分类进行比较。在一个示例中，这些训练数据612可以包括元数据614、分析数据616和/或其他附加参数618，但是根据应用可以测量其他属性。除了其他信息之外，元数据614可以包括：

·未处理的进样(因为未处理的进样通常表明分析人员决定监测运行，并且可能由于色谱分析不佳而未处理)，

·手动处理的进样，

·中止的进样，和

·手动积分峰。

除了其他信息之外，附加参数618可以包括：

·签署记录，

·审计跟踪记录，

·用户名，

·仪器ID，

·仪器位置，

·服务器位置，和

·管理权限。

分析数据616可以包括来自色谱设备的未处理数据和/或经处理的数据。

一些实施方案可以与诸如神经网络、决策树、支持向量机等机器学习模型一起使用。在这样的实施方案中，训练数据612可以被应用来训练模型626。根据特定的应用，不同类型的模型524可能适合使用。例如，在所描绘的示例中，人工神经网络(ANN)可能特别适合于学习元数据、分析数据和合规问题之间的相关性。相似度和尺度距离学习也可以特别适合于这种特定类型的任务，但是本领域的普通技术人员将认识到，根据设计者的目标、可用的资源、可用的输入数据量等可以使用不同类型的模型524。其他实施方案可以使用无模型AI范例，在这种情况下，不使用模型626。

任何合适的训练算法622可以用于训练模型626。尽管如此，图6所示的示例可能特别适合于监督训练算法或强化学习。对于监督训练算法，AI/ML***602可以应用元数据614和附加参数618作为输入数据，合规标记620(指示数据是否与合规问题相关联)可以被映射到该输入数据，以学习输入与合规问题之间的相关性。

可以使用处理器电路606来应用训练算法622，该处理器电路可以包括对存储装置610中的逻辑和结构进行操作的合适的硬件处理资源。训练算法622和/或受过训练的模型626的开发可以至少部分地取决于模型超参数624；在示例性实施方案中，可以基于超参数优化逻辑632自动地选择模型超参数624，该超参数优化逻辑可以包括适合于所选择的模型626和要使用的训练算法622的任何已知的超参数优化技术。

可选地，模型626可以随时间被重新训练，以便适应关于蛋白质的新知识和执行的新实验。

在一些实施方案中，一些训练数据612可以用于初始地训练模型626，并且一些训练数据可以被保留作为验证子集。训练数据612的不包括验证子集的部分可以用于训练模型626，而验证子集可以被保留并用于测试受过训练的模型626，以验证模型626能够将其预测推广到新数据。

如上所述，元数据614和附加参数618可以用于学习何时存在合规问题。随后，受过训练的模型626可以应用于分析数据616，以学习分析数据616中表示可能存在合规问题的配置。因此，可以任选地训练第二模型626。

一旦模型626受过训练，它就可以(由处理器电路606)应用于新的输入数据。新的输入数据可以包括当前元数据614和附加参数618，和/或可以包括分析数据616。对模型626的该输入可以根据预定义的输入结构628来格式化，该输入结构反映了训练数据612被提供给模型626的方式。模型626可以生成输出结构630，该输出结构可以是例如在给定输入数据的情况下对是否存在合规问题的预测。

以上描述涉及特定种类的AI/ML***602，其在给定具有输入/结果对的可用训练数据的情况下应用监督学习技术。然而，本发明不限于与特定的AI/ML范例一起使用，并且可以使用其他类型的AI/ML技术。例如，在一些实施方案中，AI/ML***602可以应用强化学习，其中AI/ML***602可以学习限定分析数据616、元数据614和/或附加参数618的哪些改变影响合规的策略或规则集。还可以想到其他AI/ML技术(诸如进化算法)与示例性实施方案一起使用。

图7示出了可以用于在独立和/或联网环境中实现本文所述的一个或多个例示性方面的***架构和数据处理装置的一个示例。诸如数据服务器710、web服务器706、计算机704和膝上型计算机702的各种网络节点可以经由诸如互联网的广域网708(WAN)互连。也可以或可另选地使用其他网络，包括专用内联网、公司网络、LAN、城域网(MAN)、无线网络、个人网络(PAN)等。网络708是为了例示目的，并且可以用更少或更多的计算机网络来代替。局域网(LAN)可以具有任何已知LAN拓扑结构中的一个或多个拓扑结构，并且可以使用各种不同协议中的一个或多个协议，诸如以太网。装置数据服务器710、web服务器706、计算机704、膝上型计算机702和其他装置(未示出)可以经由双绞线、同轴电缆、光纤、无线电波或其他通信介质连接到一个或多个网络。

计算机软件、硬件和网络可用于各种不同的***环境中，包括独立的、联网的、远程访问(也称为远程桌面)、虚拟化的和/或基于云的环境等等。

本文使用并在附图中所描绘的术语“网络”不仅指其中远程存储装置经由一个或多个通信路径耦接在一起的***，而且还指可以不时地耦接到具有存储能力的此类***的独立装置。因此，术语“网络”不仅包括“物理网络”，还包括“内容网络”，该内容网络由驻留在所有物理网络上的、能够归属于单个实体的数据构成。

部件可以包括数据服务器710、web服务器706、客户端计算机704和膝上型计算机702。数据服务器710提供数据库和控制软件的整体访问、控制和管理，以用于执行本文所述的一个或多个例示性方面。数据服务器710可以连接至web服务器706，用户通过该web服务器与所请求的数据交互并获得该数据。另选地，数据服务器710本身可以充当web服务器并且直接连接到互联网。数据服务器710可以通过网络708(例如，互联网)、经由直接或间接连接或经由某一其他网络连接至web服务器706。用户可以使用远程计算机704、膝上型计算机702与数据服务器710交互，例如使用web浏览器经由由web服务器706托管的一个或多个外部公开web站点连接到数据服务器710。客户端计算机704、膝上型计算机702可以与数据服务器710一起使用以访问存储在其中的数据，或者可以用于其他目的。例如，从客户端计算机704，用户可以使用互联网浏览器(如本领域中所公知的)或通过执行经由计算机网络(诸如互联网)与web服务器706和/或数据服务器710通信的软件应用程序来访问web服务器706。

服务器和应用程序可以组合在相同的物理机器上，并且保留单独的虚拟或逻辑地址，或者可以驻留在单独的物理机器上。图7仅示出了可以使用的网络架构的一个示例，并且本领域的技术人员将理解，所使用的特定网络架构和数据处理装置可能有所不同，并且对于它们所提供的功能是次要的，如本文进一步描述的。例如，由web服务器706和数据服务器710提供的服务可以被组合在单个服务器上。

每个部件数据服务器710、web服务器706、计算机704、膝上型计算机702可以是任何类型的已知计算机、服务器或数据处理装置。数据服务器710例如可以包括控制数据服务器710的总体操作的处理器712。数据服务器710还可以包括RAM 716、ROM718、网络接口714、输入/输出接口720(例如，键盘、鼠标、显示器、打印机等)以及存储器722。输入/输出接口720可以包括用于读取、写入、显示和/或打印数据或文件的各种接口单元和驱动器。存储器722还可以存储用于控制数据服务器710的总体操作的操作***软件724、用于指示数据服务器710执行本文所述的各方面的控制逻辑部件726，以及用于提供可以结合或不结合本文所述的各方面使用的辅助、支持和/或其他功能的其他应用软件728。控制逻辑部件在本文中也可以被称为数据服务器软件控制逻辑部件726。数据服务器软件的功能可以指基于被编码到控制逻辑部件中的规则自动做出的、由向***提供输入的用户手动做出的操作或决策，和/或基于用户输入(例如，查询、数据更新等)的自动处理的组合。

存储器1122还可以存储用于执行本文所述的一个或多个方面的数据，包括第一数据库732和第二数据库730。在一些实施方案中，第一数据库可包括第二数据库(例如，作为单独的表、报告等)。即，信息可根据***设计存储在单个数据库中，或被分成不同的逻辑、虚拟或物理数据库。web服务器706、计算机704、膝上型计算机702可以具有与相对于数据服务器710所描述的类似或不同的架构。本领域的技术人员将理解，如本文所述的数据服务器710(或web服务器706、计算机704、膝上型计算机702)的功能可以分布在多个数据处理装置上，例如，以跨多个计算机分配处理负载，以基于地理位置、用户访问级别、服务质量(QoS)等来分离事务。

一个或多个方面可体现在计算机可用或可读数据和/或计算机可执行指令中，诸如体现在由如本文所述的一个或多个计算机或其他装置执行的一个或多个程序模块中。通常，程序模块包括例程、程序、对象、部件、数据结构等，其在由计算机或其他装置中的处理器执行时执行特定任务或实现特定抽象数据类型。这些模块可以用源代码编程语言来编写，这些源代码编程语言随后被编译以供执行，或者这些模块可以用诸如(但不限于)HTML或XML的脚本语言来编写。计算机可执行指令可以存储在诸如非易失性存储装置的计算机可读介质上。可以利用任何合适的计算机可读存储介质，包括硬盘、CD-ROM、光学存储装置、磁性存储装置和/或它们的任何组合。此外，如本文所述的表示数据或事件的各种传输(非存储)介质可以以通过信号传导介质(诸如金属线、光纤和/或无线传输介质(例如，空气和/或空间))传播的电磁波的形式在来源与目标之间传送。本文所述的各个方面可以体现为方法、数据处理***或计算机程序产品。因此，各种功能可全部或部分地体现在软件、固件和/或硬件或硬件等效物(诸如集成电路、现场可编程门阵列(FPGA)等)中。特定数据结构可用于更有效地实现本文所述的一个或多个方面，并且设想此类数据结构在本文所述的计算机可执行指令和计算机可用数据的范围内。

可使用离散电路***、专用集成电路(ASIC)、逻辑门和/或单芯片架构的任何组合来实现上文所述的装置的部件和特征。此外，在适当的情况下，可以使用微控制器、可编程逻辑阵列和/或微处理器或前述的任何组合来实现这些装置的特征。需注意，硬件、固件和/或软件元件在本文中可被统称为或单独地称为“逻辑部件”或“电路”。

应当理解，上述框图中示出的示例性装置可以表示许多可能具体实施的一个功能描述性示例。因此，附图中描绘的块功能的划分、省略或包含并不意味着用于实现这些功能的硬件部件、电路、软件和/或元件将必然在实施方案中被划分、省略或包含。

至少一个计算机可读存储介质可以包括指令，这些指令在被执行时使得***执行本文所述的计算机实现的方法中的任一种。

可使用表述“一个实施方案”或“实施方案”以及其派生词来描述一些实施方案。这些术语意味着结合实施方案描述的特定特征、结构或特性包括在至少一个实施方案中。短语“在一个实施方案中”在说明书中不同位置处出现不一定都指同一实施方案。此外，除非另有说明，否则上述特征被认为可以以任何组合一起使用。因此，单独讨论的任何特征可以彼此组合地使用，除非指出这些特征彼此不相容。

一般参考本文使用的标记和命名，本文的详细描述可以按照在计算机或计算机网络上执行的程序过程来呈现。本领域的技术人员使用这些程序描述和表示来最有效地向本领域的其他技术人员传达他们工作的实质。

这里的过程通常被认为是带来期望结果的自洽操作序列。这些操作是需要对物理量进行物理操纵的那些操作。尽管不是必须的，但这些量通常采用能够被存储、传送、组合、比较和以其他方式操纵的电、磁或光信号的形式。实践证明，将这些信号称为位、值、元素、符号、字符、术语、数字等有时是很方便的，主要是出于通用的原因。然而，应当注意，所有这些和类似的术语都与适当的物理量相关联，并且仅仅是应用于这些量的方便标记。

此外，所执行的操纵通常被称为诸如添加或比较等术语，其通常与由人类操作者执行的脑力操作相关联。在形成一个或多个实施方案的一部分的本文所述的任何操作中，在大多数情况下，人类操作者的这种能力不是必需的或期望的。相反，这些操作是机器操作。用于执行各种实施方案的操作的有用机器包括通用数字计算机或类似装置。

可使用表述“耦接”和“连接”以及其派生词来描述一些实施方案。这些术语并不一定旨在互为同义词。例如，可使用术语“连接”和/或“耦接”来描述一些实施方案，以指示两个或更多个元件彼此直接物理或电接触。然而，术语“耦接”还可表示两个或更多个元件不彼此直接接触，但是仍然彼此协作或相互作用。

各种实施方案还涉及用于执行这些操作的设备或***。该设备可以为所需目的而专门构造，或者其可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。本文所呈现的过程本质上与特定计算机或其他设备不相关。各种通用机器可以与根据本文的教导内容编写的程序一起使用，或者可以证明构造更专用的设备来执行所需的方法步骤是方便的。各种这些机器的所需结构将出现在所给出的描述中。

需强调，提供本公开的摘要，从而允许读者快速地确定技术公开的实质。应当理解，所提交的摘要将不会被用于解释或限制权利要求的范围或含义。另外，在前述具体实施方式中，可以看出，可以出于简化本公开目的，各种特征在单一实施方案中被分组在一起。本公开的该方法不应被解释为反映要求保护的实施方案要求比每项权利要求中明确地表述的特征更多的特征的意图。相反，如以下权利要求所反映，本发明的主题比单个公开的实施方案的所有特征少。因此，以下权利要求在此结合到具体实施方式中，其中每项权利要求作为一个单独的实施方案独立存在。在所附权利要求中，术语“包括(including)”和“其中(inwhich)”分别用作相应术语“包括(comprising)”和“其中(wherein)”的通俗英文等效用语。此外，术语“第一”、“第二”、“第三”等仅用作标签，而不旨在对它们的对象强加数字要求。

上文已描述的内容包括所公开的架构的示例。当然，不可能描述部件和/或方法的每一种可想到的组合，但本领域的普通技术人员可以认识到，许多进一步的组合和置换是可能的。因此，该新型架构旨在涵盖落入所附权利要求书的实质和范围内的所有此类变更、修改和变型。

Claims (30)

1.一种计算机实现的方法，所述计算机实现的方法包括：

从数据湖请求与色谱实验相关的输入信息，所述输入信息包括与如何执行所述色谱实验相关的元数据；

应用机器学习来识别所述元数据与是否存在关于所述色谱实验的合规问题之间的关系；

将所识别的关系应用于新的色谱输入信息，所述新的色谱输入信息包括新的元数据配置；以及

在仪表板用户界面中标记对合规问题有贡献的所述新的元数据配置中的一个或多个参数。

2.根据权利要求1所述的计算机实现的方法，其中所述元数据包括以下各项中的至少一项：所述色谱实验是否包括未处理的进样；所述色谱实验是否包括手动处理的进样，所述色谱实验是否包括中止的进样；或者所述色谱实验是否与手动积分峰相关联。

3.根据权利要求1所述的计算机实现的方法，其中所述输入信息还包括在所述机器学习中使用的一个或多个附加参数，所述一个或多个附加参数包括以下各项中的至少一项：签署记录；审计跟踪记录；用户名；仪器标识符；仪器位置；服务器位置；或在所述色谱实验中分配的管理权限。

4.根据权利要求1所述的计算机实现的方法，其中所述输入信息还包括来自所述色谱实验的分析数据。

5.根据权利要求4所述的计算机实现的方法，所述计算机实现的方法还包括应用机器学习来学习所述分析数据与是否存在关于所述色谱实验的合规问题之间的关系。

6.根据权利要求5所述的计算机实现的方法，其中所述关系基于以下各项中的一项或多项：峰形；拖尾因子；或柱降解曲线。

7.根据权利要求1所述的计算机实现的方法，所述计算机实现的方法还包括响应于识别出合规问题而生成通知，并且将所述通知发送给负责合规的用户。

8.根据权利要求1所述的计算机实现的方法，其中所述新的色谱输入信息是第三方色谱实验信息，并且还包括从访问组请求访问所述第三方色谱实验信息。

9.根据权利要求8所述的计算机实现的方法，其中所述第三方色谱实验信息是从与不受请求合规分析的实体的直接监督的供应链相关联的色谱实验中导出的。

10.根据权利要求1所述的计算机实现的方法，所述计算机实现的方法还包括将模式识别应用于所述新的色谱输入信息，以预测尚未发生的合规问题的可能性。

11.一种非暂态计算机可读存储介质，所述计算机可读存储介质包括指令，所述指令在由计算机执行时，使所述计算机：

从数据湖请求与色谱实验相关的输入信息，所述输入信息包括与如何执行所述色谱实验相关的元数据；

应用机器学习来识别所述元数据与是否存在关于所述色谱实验的合规问题之间的关系；

将所识别的关系应用于新的色谱输入信息，所述新的色谱输入信息包括新的元数据配置；以及

在仪表板用户界面中标记对合规问题有贡献的所述新的元数据配置中的一个或多个参数。

12.根据权利要求11所述的计算机可读存储介质，其中所述元数据包括以下各项中的至少一项：所述色谱实验是否包括未处理的进样；所述色谱实验是否包括手动处理的进样，所述色谱实验是否包括中止的进样；或者所述色谱实验是否与手动积分峰相关联。

13.根据权利要求11所述的计算机可读存储介质，其中所述输入信息还包括在所述机器学习中使用的一个或多个附加参数，所述一个或多个附加参数包括以下各项中的至少一项：签署记录；审计跟踪记录；用户名；仪器标识符；仪器位置；服务器位置；或在所述色谱实验中分配的管理权限。

14.根据权利要求11所述的计算机可读存储介质，其中所述输入信息还包括来自所述色谱实验的分析数据。

15.根据权利要求14所述的计算机可读存储介质，其中所述指令还将所述计算机配置为应用机器学习来学习所述分析数据与是否存在关于所述色谱实验的合规问题之间的关系。

16.根据权利要求15所述的计算机可读存储介质，其中所述关系基于以下各项中的一项或多项：峰形；拖尾因子；或柱降解曲线。

17.根据权利要求11所述的计算机可读存储介质，其中所述指令还将所述计算机配置为响应于识别出合规问题而生成通知，并且将所述通知发送给负责合规的用户。

18.根据权利要求11所述的计算机可读存储介质，其中所述新的色谱输入信息是第三方色谱实验信息，并且其中所述指令还将所述计算机配置为从访问组请求访问所述第三方色谱实验信息。

19.根据权利要求18所述的计算机可读存储介质，其中所述第三方色谱实验信息是从与不受请求合规分析的实体的直接监督的供应链相关联的色谱实验中导出的。

20.根据权利要求11所述的计算机可读存储介质，其中所述指令还将所述计算机配置为将模式识别应用于所述新的色谱输入信息，以预测尚未发生的合规问题的可能性。

21.一种计算设备，所述计算设备包括：

处理器；和

存储器，所述存储器存储指令，所述指令在由所述处理器执行时将所述设备配置为：

从数据湖请求与色谱实验相关的输入信息，所述输入信息包括与如何执行所述色谱实验相关的元数据；

应用机器学习来识别所述元数据与是否存在关于所述色谱实验的合规问题之间的关系；

将所识别的关系应用于新的色谱输入信息，所述新的色谱输入信息包括新的元数据配置；以及

在仪表板用户界面中标记对合规问题有贡献的所述新的元数据配置中的一个或多个参数。

22.根据权利要求21所述的计算设备，其中所述元数据包括以下各项中的至少一项：所述色谱实验是否包括未处理的进样；所述色谱实验是否包括手动处理的进样，所述色谱实验是否包括中止的进样；或者所述色谱实验是否与手动积分峰相关联。

23.根据权利要求21所述的计算设备，其中所述输入信息还包括在所述机器学习中使用的一个或多个附加参数，所述一个或多个附加参数包括以下各项中的至少一项：签署记录；审计跟踪记录；用户名；仪器标识符；仪器位置；服务器位置；或在所述色谱实验中分配的管理权限。

24.根据权利要求21所述的计算设备，其中所述输入信息还包括来自所述色谱实验的分析数据。

25.根据权利要求24所述的计算设备，其中所述指令还将所述设备配置为应用机器学习来学习所述分析数据与是否存在关于所述色谱实验的合规问题之间的关系。

26.根据权利要求25所述的计算设备，其中所述关系基于以下各项中的一项或多项：峰形；拖尾因子；或柱降解曲线。

27.根据权利要求21所述的计算设备，其中所述指令还将所述设备配置为响应于识别出合规问题而生成通知，并且将所述通知发送给负责合规的用户。

28.根据权利要求21所述的计算设备，其中所述新的色谱输入信息是第三方色谱实验信息，并且其中所述指令还将所述设备配置为从访问组请求访问所述第三方色谱实验信息。

29.根据权利要求28所述的计算设备，其中所述第三方色谱实验信息是从与不受请求合规分析的实体的直接监督的供应链相关联的色谱实验中导出的。

30.根据权利要求21所述的计算设备，其中所述指令还将所述设备配置为将模式识别应用于所述新的色谱输入信息，以预测尚未发生的合规问题的可能性。