EP3821228A1 - Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung - Google Patents

Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung

Info

Publication number
EP3821228A1
EP3821228A1 EP19735595.1A EP19735595A EP3821228A1 EP 3821228 A1 EP3821228 A1 EP 3821228A1 EP 19735595 A EP19735595 A EP 19735595A EP 3821228 A1 EP3821228 A1 EP 3821228A1
Authority
EP
European Patent Office
Prior art keywords
cell
algorithm
sample area
liquid
cells
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
EP19735595.1A
Other languages
English (en)
French (fr)
Inventor
Jonas SCHÖNDUBE
Julian RIBA
Kevin PFLEGHAR
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cytena GmbH
Original Assignee
Cytena GmbH
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 Cytena GmbH filed Critical Cytena GmbH
Publication of EP3821228A1 publication Critical patent/EP3821228A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
    • B01L3/50—Containers for the purpose of retaining a material to be analysed, e.g. test tubes
    • B01L3/502—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures
    • B01L3/5027—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip
    • B01L3/50273—Containers for the purpose of retaining a material to be analysed, e.g. test tubes with fluid transport, e.g. in multi-compartment structures by integrated microfluidic structures, i.e. dimensions of channels and chambers are such that surface tension forces are important, e.g. lab-on-a-chip characterised by the means or forces applied to move the fluids
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L3/00—Containers or dishes for laboratory use, e.g. laboratory glassware; Droppers
    • B01L3/56—Labware specially adapted for transferring fluids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology

Definitions

  • the invention relates to a method for examining a liquid sample which has a liquid and at least one cell in the liquid and / or at least one particle in the liquid, the method comprising at least one data element which provides information about a sample area contains, is determined. Furthermore, the invention relates to a dispensing device which comprises means for executing the method.
  • the invention also relates to a computer program, a data carrier on which the computer program is stored and a data carrier signal which transmits the computer program.
  • monoclonal cell lines ⁇ are populations of cells that are all derived from a single mother cell. It is necessary to freeze monoclonal cell lines because this is the only way to ensure that all cells in the population have an approximately identical genome in order to produce the active substances.
  • cells are transferred individually to a microtiter plate ⁇ .
  • the transferred cells are prepared ⁇ by genetically modifying a host cell line and separating these modified cells.
  • Individual cells are deposited in the microtiter plates using, for example, free jet printing methods or pipetting.
  • Dispensing devices can be used to deposit the individual cells. Dispensing devices are known from the prior art, by means of which liquid drops can be dispensed into the container. It is known that before the drop of liquid is dispensed, it is examined whether there are no cells or only one or more cells in the liquid drop. Depending on the test result, the liquid drop is dispensed into a container or a reject container. After the dispensing process, the cells dispensed into the containers can multiply in the respective container.
  • a disadvantage of the known dispensing devices is that the liquid drops are dispensed into the containers without the quality of the cell being checked. Therefore, dead cells may be broken into the containers. This is disadvantageous because no cell cultivation takes place in the corresponding containers, which is disadvantageous due to the limited number of containers and the limited processing time. An exam the cells can be removed manually before being placed in the container, but this is not economical and is therefore not practiced ⁇ .
  • EP 2 042 853 A1 discloses an analysis device in which a biological sample located between two glass plates is analyzed using recorded images.
  • the object of the invention is therefore to improve the dispensing process.
  • the object is achieved by a method of the type mentioned at the outset, which is characterized in that the data element is fed to a trained algorithm which produces a result which is dependent on the data element ⁇ , and that a dispensing process which involves dispensing at least a part of the liquid sample comprehensive ⁇ , depending on the result ⁇ .
  • a dispensing device which has means for carrying out the method ⁇ .
  • the object is achieved by a dispensing device which executes a method for examining a liquid sample which has a liquid and at least one cell in the liquid and / or at least one particle in the liquid ⁇ , with an optical detection device Generating at least one data element which contains information on a sample area, characterized in that the data element can be fed to a trained algorithm, in particular stored in a classifier of the dispensing device, which generates a result dependent on the data element ⁇ , and that a dispensing process which dispensing at least a portion of the liquid sample, depending on the result.
  • the method according to the invention ⁇ has the advantage that the trained algorithm automatically makes a prediction or determines an estimated value that influences the dispensing process, ie without the involvement of a laboratory employee, ⁇ .
  • the trained algorithm can use the data element supplied to predict ⁇ whether the cell dispensed with the liquid will soon die ⁇ or estimate whether the cell to be dispensed is an ⁇ o ⁇ e cell.
  • This knowledge is an advantage because it can be used to prevent ⁇ o ⁇ e cells or cells that are highly likely to die from being released into containers. Rather, it can be ensured that such cells are dispensed into a reject container. As a result, the efficiency of the laboratory operation increases due to the trained algorithm.
  • the liquid sample dispensed by means of the dispensing device can be a drop, in particular a free-flying one.
  • the dispensed liquid sample can be a liquid jet, which after dispensing from a dispenser of the dispensing device disintegrates into individual liquid drops.
  • the dispensing device can be a drop generator.
  • the liquid drop can have a volume in a range between 1 pl (picoliter) to 50 nl (nanoliter).
  • the dispensed liquid sample cannot have a cell and / or a particle.
  • the dispensed liquid sample can have a single cell and / or a single particle.
  • the dispensed liquid sample may alternatively have more than a single cell and / or more than a single particle.
  • the liquid of the liquid sample can have a composition which is conducive to cell growth.
  • the particle can be a glass or polymer bead and have substantially the same volume as the cell.
  • the cell is a biological cell, in particular the cell is the smallest unit of life that is autonomously capable of reproduction and self-preservation.
  • a trained algorithm is an algorithm that can assess data, such as the supplied data elements, on the basis of learned knowledge.
  • the algorithm In order to be able to assess the data, the algorithm must first undergo a training ⁇ described in detail below. In the training, the algorithm learns using examples and can generalize these after the end of the learning phase. This means that the algorithm does not memorize the examples ⁇ , but recognizes patterns and / or regularities in the training data ⁇ . This enables the algorithm to assess unknown data, such as the data element.
  • an evaluation device of the dispensing device can be used to determine whether a single cell and / or a single particle is arranged in the sample area.
  • the evaluation device can be used to determine whether no cell and / or no particle is arranged in the sample area.
  • the evaluation device can be used to determine whether more than one cell and / or one particle is arranged in the sample area.
  • the number of cells and / or particles arranged in the sample area can be determined by the trained algorithm.
  • the Algorithm are checked whether the predetermined number of cells and / or particles is arranged in the sample area.
  • the number of cells and / or particles arranged in the sample area can be determined by another trained algorithm.
  • the other trained algorithm can check whether the specified number of cells and / or particles is contained in the sample area. The result of the determination and / or testing by the other trained algorithm can be transmitted to the trained algorithm.
  • Knowing the number of cells and / or particles located in the sample area also has the advantage that this information is used to decide whether the data element is supplied to the trained algorithm.
  • the data element is supplied to the trained algorithm if there is a single cell and / or a single particle in the sample area. This is done because it is advantageous for the further investigation if the container contains only a single cell and / or a single particle. Therefore, only a liquid sample in which only a single cell and / or a single particle is arranged can be supplied to the container.
  • the container can be part of a microtiter plate.
  • the number of cells and / or particles arranged in the sample area can be determined by an algorithm that cannot be frayed. This offers the advantage that no complex training phase is necessary for the algorithm for determining the number of cells and / or particles.
  • the data element cannot be supplied to the trained algorithm or the trained algorithm will terminate the further processing of the data element to determine the result if there is no cell and / or no particle in the sample area or if the predetermined number of cells and / or contains particles.
  • This offers the advantage that the computational effort is reduced ⁇ because the trained algorithm is only used and / or the data element is only further processed if a single cell and / or a single particle in the sample area Liquid is included. In this case, the liquid sample can be dispensed into the reject container.
  • the data element can contain one or more information relating to the sample area.
  • the data element can be a measurement signal or an optical signal or an image signal.
  • the data element can contain at least information about a cell property ⁇ of the cell arranged in the liquid of the sample area and / or a particle property ⁇ of the particle arranged in the liquid of the sample area.
  • an image can be generated from the image signal.
  • the dispensing device can have an optical detection device, such as a camera, which is used to generate an image of the sample area. If several data elements, in particular several image signals, are determined, in particular at different times, several images can be generated.
  • the illustration can show a dispenser of the dispensing device receiving the sample area or a part of the dispenser receiving the sample area. In particular, the illustration can show an output channel or a part of the output channel of the dispenser.
  • the data element, in particular the image signal contains all the information required to generate the image.
  • the dispenser can be used to dispense the liquid sample.
  • the sample area can be dispensed or dispensed by the dispenser.
  • the image can be a bright field or fluorescence or dark field or phase contrast image. It is possible that several images show the same cell, but from different angles and / or at different times.
  • the data element can only be supplied to the trained algorithm if the specified number of cells and / or particles is contained in the sample area.
  • the data element can be supplied to the trained algorithm if a single cell and / or a single particle is contained in the sample area. The position of the cell and / or the particle in the sample area and / or the image can be determined.
  • the position of the cell and / or of the particle can be determined in a simple manner by evaluating the generated image. After the position of the cell and / or the particle in the image is known, the imaging section described above can be created. The imaging section may completely contain the cell and / or the particle. The imaging section can have a predetermined size.
  • the dispensing process can additionally include determining a storage location for the liquid sample to be dispensed, in particular the drop. This makes it easy to ensure that, for example, ⁇ o ⁇ e cells are dispensed into the reject container, while living cells are dispensed into different containers. After the storage location has been determined, the liquid sample can be dispensed into the container or reject container.
  • the sample delivery can be carried out according to a drop-on-demand mode of operation.
  • the dispensing device ensures discrete and not continuous sample delivery.
  • the dispensing device can have an actuating means, which can be, for example, a piezoelectrically operated actuator.
  • the dispenser can have a section, in particular a mechanical membrane, which can be actuated by the actuating means. When the actuating means is actuated, the liquid sample, in particular a drop, is expelled from the dispenser.
  • the trained algorithm can be part of an artificial neural network and / or an artificial neural network can be part of the trained algorithm. In this way, it can be determined in a particularly simple manner whether the cell and / or the particle should be released into the reject container or the container.
  • An artificial neural network is understood to be a collection of individual information processing units, which are called neurons and which are arranged in layers in a network architecture.
  • the algorithm can be a folding neural network for classifying images, which can be generated from the data element as described above.
  • the neural network is also called convolutional neural network ⁇ .
  • the folding neural network consists of at least one folding layer, at least one hidden layer, and at least one fully networked layer.
  • another trainable algorithm can also be provided.
  • the algorithm can be a support vector machine (e.g. a 2-norm SVM), a linear regression, a boosting network, a probabilistic boosting tree, a linear discriminant analysis, a relevance vector machine, a random forest method, a nearest neighbor Method, or a combination thereof.
  • the result of the trained algorithm can depend on a classification of the data element into one of at least two classes.
  • the classes can depend on a cell property and / or particle property.
  • a prediction for the cell property and / or particle property is made or an estimate for a cell property and / or particle property is determined.
  • the estimate may be, for example, a probability ⁇ whether the cell is dead or an estimate of a diameter of the cell and / or particle.
  • the result may be a prediction of the cell property ⁇ and / or the particle property ⁇ or the estimate of the cell property ⁇ and / or the particle property ⁇ .
  • the cell property ⁇ can be the cell type, cell productivity, a genotype or phenotype, a cell cycle status and / or a state of the cell.
  • the classes specify the respective cell properties ⁇ .
  • one class can refer to "living cells” and another class to "dead cells”.
  • classes are conceivable which depend on whether the cell is stained or not, or whether the cell is intact or not. Classes are also conceivable which depend on whether high or low gene expression or protein production, in particular certain proteins, is possible or available or whether the cells grow or divide rapidly or slowly.
  • a classification is based on whether there is a high or low probability that high-quality results will be achieved in a subsequent molecular analysis.
  • a molecular analysis can be, for example, the sequencing of the entire genome or parts of the genome and / or the entire transcriptome or parts of the transcriptome of the individual dispensed cells.
  • the trained algorithm by applying the learned knowledge to the generated image, can predict cell property and / or particle property and / or estimate cell property and / or particle property. For example, using the trained algorithm, it can be estimated ⁇ whether the cell shown in the figure is dead or alive. This allows the algorithm to be used to maximize the number of living cells that grow into a colony after isolation.
  • the classification of the data element into a class can be done by a classifier.
  • the classifier can be part of the artificial neural network and / or an artificial neural network is part of the classifier.
  • the algorithm can be trained in a training process before the data element is fed to the algorithm.
  • the algorithm can be trained using machine learning.
  • the training process serves to acquire knowledge that enables an assessment of the supplied data elements. With machine learning, knowledge is generated artificially from experience. As described below, this is done by supplying the algorithm with a large number of training data.
  • At least one class can be assigned to the individual training data elements before being fed to the algorithm.
  • the assignment of the individual training data elements to the respective classes can be based on measurement data.
  • the measurement data can be based on liquid samples which are output from the dispensing device and which have a single cell and / or a single particle.
  • first training data elements can each contain at least one piece of information about the sample area.
  • the second training data elements can each contain at least one piece of information about cell properties ⁇ and / or particle properties ⁇ .
  • At least one second training data item ⁇ can be assigned to a first training data item ⁇ .
  • the first training data elements can be determined when the sample area and / or the liquid sample is in the dispenser. Alternatively, the first training data elements can be determined when the dispenser has output the sample area and / or the liquid sample and the sample area and / or the liquid sample is in the container.
  • the second training data elements can be determined in time after the first training data elements have been determined.
  • the second training data elements are preferably determined after the liquid sample and / or the sample area has been dispensed into the container.
  • the determination of the second training data elements in particular the measurement of the cell properties ⁇ and / or the particle properties ⁇ , can be carried out after a predetermined period of time, in particular several days, after the liquid samples have been dispensed into the containers.
  • each first training data item ⁇ can have at least one second training data item ⁇ be assigned ⁇ . The assignment can be made automatically, for example via a computer program, or by the laboratory employee.
  • a large number of images can be generated from the first training port elements.
  • Each of the images can be assigned at least one cell property, such as cell condition, cell type, etc.
  • At least two classes can also be formed during the training process.
  • the classes can depend on the second training data elements.
  • the classes can depend on the cell properties and / or particle properties. It is conceivable that different classes are formed for different cell types and / or that different classes are formed depending on the cell state.
  • the classes can be created manually. Alternatively, the classes can also be created automatically. After the classes have been formed, the individual second training data elements can each be assigned to a class.
  • the first training data elements, the second training data elements and their assignment to the first training data elements and the classes formed are fed to the algorithm for training the algorithm.
  • the aim of the training is that the algorithm recognizes existing patterns and / or regularities between the first training data elements and the second training data elements, and is thus able to classify future data elements that are added.
  • the cell property ⁇ and / or particle property ⁇ can be easily predicted or estimated based on the classification of the data element into the corresponding class.
  • the trained algorithm can be trained again. On the one hand, this is useful if a cell type is used ⁇ that has different properties, such as a different morphology ⁇ , than the cell types with which the algorithm has been trained up to now. On the other hand, this is useful if, for example, only classes dependent on the cell state were formed in a first training process and a classification according to another cell property ⁇ is desired. So that a classification according to the second cell property ⁇ is possible, a second training process must be carried out, in which, for example, classes dependent on cell types are formed. After performing the two training processes, the algorithm is able to classify data elements according to cell types and cells with different cell growth.
  • the dispensing device can have a displacement device by means of which the dispenser and / or the container for receiving the liquid sample and / or the reject container is movable for receiving the liquid sample, a movement process being dependent on the result, in particular on the classification of the data element.
  • the process device will move the dispenser in such a way that the liquid sample is dispensed into the reject container if the data element has been classified into a class in which, for example, fof cells are classified.
  • the dispenser and / or the container and / or the reject container can be moved in such a way that the liquid sample is dispensed into the reject container when there is no cell and / or no predetermined number of cells and / or in the dispensed liquid sample. or contains particles.
  • the dispensed liquid can be dispensed into the container if a single cell and / or a single particle is arranged in the liquid.
  • the dispensing device can have a deflection and / or suction device.
  • the deflecting device serves to deflect the dispensed liquid sample, in particular the dispensed drop.
  • the suction device is used to suck off the dispensed liquid sample, in particular the dispensed drop.
  • the dispensed liquid sample can be deflected ⁇ and / or aspirated into the reject container. Alternatively, the dispensed liquid sample can be dispensed into the container, in particular the microtiter plate container.
  • the deflection and / or suction can take place before the dispensed liquid sample enters the container, in particular the container of the microtiter plate.
  • the dispensed liquid sample can be deflected and / or aspirated if there are no cells and / or particles in the dispensed liquid.
  • the dispensed liquid can be deflected and / or aspirated if the number of cells and / or particles arranged in the liquid is greater than a predetermined value, in particular greater than 1.
  • the deflection and / or suction can depend on the result of the trained algorithm.
  • the deflection and / or suction can depend on the class in which the data element was classified. If the data element is classified into a class in which, for example, dead cells are classified, the deflection and suction device is activated so that the liquid sample that is dispensed is deflected ⁇ and / or suctioned off.
  • a data carrier on which the computer program according to the invention is stored is also advantageous.
  • a port carrier signal that transmits a computer program according to the invention is advantageous.
  • FIG. 1 shows a dispensing device according to the invention
  • FIG. 2 shows an enlarged illustration of part of a dispenser of the dispensing device according to the invention
  • FIG. 3 shows a sequence in a training process for training an algorithm
  • FIG. 4 shows a procedure for examining the liquid sample using the trained algorithm.
  • Figure 1 shows a dispensing device 6 according to the invention, which has a dispenser 7 for dispensing a liquid sample 20 ⁇ .
  • the liquid sample 20 has a liquid 1 and at least one cell 3 arranged in the liquid 1 and / or at least one particle arranged in the liquid 1.
  • the dispensing device 6 has an optical detection device 8 for optically detecting at least part of an output channel 16 of the dispenser 7.
  • the dispenser 7 can have a fluid chamber 15 in which the liquid sample 20 is arranged and / or input.
  • the fluid chamber 15 is fluidly connected to the discharge channel 16.
  • the optical detection device 8 has an imaging device, not shown, such as a camera, for generating an image of the at least part of the output channel 16 and further optical elements, not shown, for guiding light. To generate an image, the at least part of the output channel 16 is illuminated by means of an illuminating light 17 and a detection light 18 then emanating from the at least part of the output channel 16 is detected by the optical detection device 8. The imaging device generates an image of the at least part of the output channel 16 based on the detected detection light 18.
  • an imaging device not shown, such as a camera
  • the optical detection device 8 is electrically connected to an evaluation device 9 of a computer 12.
  • the evaluation device 9 can, based on the generated image, the number of cells 3 contained in the at least part of the output channel 16 and / or determine particles.
  • the computer 12 has a classifier 13, which is electrically connected to the ejection device 9.
  • the classifier 13 is part of an artificially neural network and / or has an artificially neural network.
  • a trained algorithm is stored in the classifier 13, which generates a result after supplying the image generated by the optical detection device 8.
  • the computer 12 has a control device 14.
  • the control device 14 controls a dispensing operation of the dispenser 7 based on the result of the classifier 13.
  • the control device 14 is electrically connected to a displacement device 10.
  • the traversing device 10 can move the dispenser 7 and / or a container 4 and / or a reject container 5 such that the liquid sample 20 can be dispensed into the desired storage location.
  • control device 14 can control a deflection and / or suction device 11 of the dispensing device 6.
  • the control device 14 can control the deflection and / or suction device 1 1 in such a way that the dispensed liquid sample 20 is deflected ⁇ and / or suctioned off if no cell 3 and / or no particle is arranged in the liquid 1 or if there is no cell in the Liquid 1 several cells 3 and / or several particles are arranged.
  • the control device 14 can control the displacement device 10 and / or the deflection and / or suction device 1 1 depending on the result of the classifier 13.
  • FIG. 1 shows a state in which the dispenser 7 has dispensed the liquid sample 20, in particular a drop, which has a dead cell 3 ⁇ .
  • the dispensed liquid sample 20 is dispensed into the reject container 5.
  • the dispensing device 6 has an actuating means 19 which is pressed against a section of the dispenser 7 in order to actuate the dispenser 7.
  • the liquid sample 20, in particular a drop, is dispensed when the actuating means 19 presses against the section of the dispenser 7 ⁇ .
  • the actuating means 19 and the optical detection device 8 face each other with respect to the dispenser 7.
  • the dispenser 7 consists at least partially of a transparent material, so that at least part of the output channel 16 can be detected by means of the optical detection device 8.
  • FIG. 2 shows an enlarged illustration of part of the dispenser 7.
  • FIG. 2 shows an enlarged view of the area A of the output channel 16 shown in dashed lines in FIG. 1.
  • the discharge channel 16 is completely filled with liquid 1 of the liquid sample 20. Only the part of the output channel 16 shown in dashed lines in FIG. 2 is considered by means of the optical detection device 8.
  • the sample area 2 of the liquid sample 20 is arranged in the part of the output channel 16 of the dispenser 7 shown in dashed lines. In a dispensing process, the liquid sample 20 is dispensed along an application direction R.
  • the discharge channel 16 has a nozzle-shaped end at its end remote from the fluid chamber 15.
  • the cells 3 arranged in the part of the dispensing channel 16 move due to the weight force in the direction of the nozzle-shaped end facing away from the fluid chamber 15, even if no liquid sample 20 is dispensed from the dispenser 7.
  • FIG. 3 shows a sequence in a training process for training an algorithm.
  • the algorithm is stored in the classifier 13.
  • a first training data item ⁇ is determined.
  • the first training data item ⁇ contains information on the sample area 2.
  • the first training data element is determined by the optical detection device 8, an image being generated in the optical detection device 8 from the first training data item ⁇ .
  • the figure shows at least the part of the output channel 16 that receives the sample area 2 ⁇ .
  • the liquid sample 20 is dispensed into the container 4 of the microtiter plate by means of the dispenser 7 if the liquid sample 20 to be dispensed has a single cell 3 and / or a single particle ⁇ .
  • Another first training data item ⁇ is then determined again, a further image is generated and the liquid sample 20 is dispensed into another container of the microtiter plate. This process is repeated several times.
  • a liquid 1 with a single cell 3 and / or a single particle is arranged in each container 4 of the microtiter plate, it being known in which container 4 which cell 3 is arranged.
  • second training data elements are determined in a second training step ⁇ T2.
  • at least one cell property ⁇ and / or particle property ⁇ of the cell 3 located in the container 4 is measured.
  • it can be measured how quickly the cells 3 grow in the individual containers 4 and thus a conclusion can be drawn about the cell state and / or it can be determined which cell types are contained in the containers 4.
  • the second training data elements can be determined a few days after the liquid samples 20 have been dispensed into the containers 4.
  • a microscope and / or an automated plate reader can be used to measure cell properties ⁇ and / or particle properties ⁇ .
  • a third training step T3 at least two classes are formed.
  • the classes depend on the second training data element, in particular the cell property ⁇ and / or the particle property ⁇ .
  • the cell property ⁇ can be a cell type, for example, so that the individual classes differ from one another in the cell types. Alternatively, the cell property ⁇ can be the cell state so that the classes differ from each other in whether the cells are dead or alive.
  • the second training data elements are each assigned to at least one class.
  • the third training step T3 can alternatively be carried out before the first and / or second training step TI, T2.
  • each first training data item ⁇ is assigned at least one second training data item ⁇ .
  • at least one cell property ⁇ and / or particle property ⁇ is assigned to each image of the sample area 2.
  • the first training data element is linked to the second training data item ⁇ . This link is advantageous because the algorithm can thus recognize the relationship between the first training data elements and the second training data elements.
  • the cell property ⁇ “living cells” can be assigned to all the first training data elements, in which the measurement carried out in the second training step T2 showed that the cell in the respective container is not dead and thus cell growth takes place.
  • a fifth training step T5 the classes formed, the first training data elements, the second training data elements and their assignment to the first training data elements are used to train the classifier by means of machine learning.
  • the algorithm recognizes at least one pattern and / or regularities between the first training data elements and the second training data elements.
  • a trained algorithm is available. This means that the trained algorithm can apply the learned knowledge to a supplied data element in order to make a prediction or estimate regarding the cell property ⁇ and / or the particle property ⁇ solely on the basis of the data element.
  • Figure 4 shows a process flow for Examine the liquid sample 20 using the trained algorithm.
  • a data element is determined by means of the optical detection device 8.
  • the optical detection device 8 generates an image from the determined data element, which contains the sample area 2.
  • a third method step ⁇ S3 the ejection device 9 checks whether the sample area 2 contains a predetermined number of cells 3 and / or particles. This is done using our own algorithm. In particular, the evaluation device 9 checks whether exactly one single cell 3 and / or one single particle is contained in the sample area 2.
  • a single cell 3 and / or a single particle is contained in the sample area 2
  • the position of the cell 3 and / or the particle in the figure is determined in a fourth method step S4.
  • a fifth step S5 is then used to generate an image section which contains the cell 3 and / or the particle completely.
  • the image signal containing the image section ⁇ is transmitted to the trained algorithm in a sixth method step ⁇ S6.
  • the trained algorithm produces a result in a seventh procedural step ⁇ S7 based on the supplied image section.
  • the result depends on a classification of the data element, in particular the mapping, into one of the classes stored in the trained algorithm. Since the classes depend on the cell property and / or paraffin property, the classification of the mapping into one of the classes predicts the cell property and / or paricle property. The figure is classified by the classifier 13 in one of the classes.
  • a seventh method step ⁇ S7 the control device 14 controls the moving device 10 and / or the deflection and / or suction device 1 1 depending on the result, in particular on the classification of the data element into a class.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Clinical Laboratory Science (AREA)
  • Computer Hardware Design (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Hematology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Untersuchen einer flüssigen Probe, die eine Flüssigkeit und wenigstens eine in der Flüssigkeit befindliche Zelle und/oder wenigstens ein in der Flüssigkeit befindliches Partikel aufweit, wobei bei dem Verfahren wenigstens ein Datenelement, das eine Information zu einem Probenbereich enthält, ermittelt wird. Das Verfahren ist dadurch gekennzeichnet, dass das Datenelement einem trainierten Algorithmus zugeführt wird, der ein von dem Datenelement abhängiges Resultat erzeugt, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe umfasst, von dem Resultat abhängt.

Description

VERFAHREN ZUM UNTERSUCHEN EINER FLÜSSIGEN PROBE UND EINE DISPENSIERVORRICHTUNG
Die Erfindung betriff† ein Verfahren zum Untersuchen einer flüssigen Probe, die eine Flüssigkeit und wenigstens eine in der Flüssigkeit befindliche Zelle und/oder wenigstens ein in der Flüssigkeit befindliches Partikel aufweis†, wobei bei dem Verfahren wenigstens ein Datenelement, das eine Information zu einem Probenbereich enthält, ermittelt wird. Darüber hinaus betrifft die Erfindung eine Dispensiervorrichtung, die Mittel zum Ausführen des Verfahrens umfasst.
Außerdem betrifft die Erfindung ein Computerprogramm, einen Datenträger, auf dem das Computerprogramm gespeichert ist und ein Datenträgersignal, das das Computerprogramm überträgt.
Aus dem Stand der Technik ist bekannt, dass Wirkstoffe, wie beispielsweise monoklonale Antikörper und andere Proteine mit hülfe sogenannter monoklonaler Zelllinien hergesteil† werden. Dies sind Populationen aus Zellen, die alle von einer einzelnen Mutterzelle abstammen. Das Fierstellen von monoklonalen Zelllinien ist notwendig, da nur so sichergestellt werden kann, dass alle Zellen der Population ein annährend gleiches Genom haben, um die Wirkstoffe zu erzeugen.
Um eine monoklonale Zelllinie zu erzeugen, werden Zellen einzeln in Behältnisse einer Mikrotiterplatte überführ†. Die überführten Zellen werden hergesteil†, indem eine Host-Zelllinie genetisch verändert wird und diese veränderten Zellen vereinzelt werden. Das Ablegen einzelner Zellen in die Mikrotiterplatten geschieht durch beispielsweise Freistrahldruckmethoden oder Pipettieren.
Zum Ablegen der einzelnen Zellen können Dispensiervorrichtungen eingesetzt werden. Aus dem Stand der Technik sind Dispensiervorrichtungen bekannt, mittels denen Flüssigkeitstropfen in das Behältnis ausgegeben werden können. Dabei ist bekannt, dass vor einem Ausgeben des Flüssigkeitstropfens untersucht wird, ob in dem Flüssigkeitstropfen keine oder eine einzige oder mehr Zellen vorhanden sind. Abhängig von dem Untersuchungsergebnis wird der Flüssigkeitstropfen in ein Behältnis oder ein Ausschussbehältnis ausgegeben. Nach dem Dispensiervorgang können sich die in die Behältnisse ausgegebenen Zellen in dem jeweiligen Behältnis vermehren.
Nachteilig an den bekannten Dispensiervorrichtungen ist, dass die Ausgabe der Flüssigkeitstropfen in die Behältnisse erfolgt, ohne dass die Qualität der Zelle geprüft wird. Daher kann es Vorkommen, dass tote Zellen in die Behältnisse eingebrach† werden. Dies ist nachteilig, weil in den entsprechenden Behältnissen keine Zellkultivierung erfolgt, was aufgrund der begrenzten Anzahl an Behältnissen und der begrenzten Prozessierzeit nachteilig ist. Eine Prüfung der Zellen vor Abgabe in das Behältnis kann manuell erfolgen, was jedoch nicht wirtschaftlich ist und daher in der Praxis unterbleib†.
EP 2 042 853 Al offenbart eine Analysevorrichtung, bei der eine zwischen zwei Glasplatten befindliche biologische Probe unter Verwendung von aufgenommenen Bildern analysiert wird.
Die Aufgabe der Erfindung besteht daher darin, den Dispensiervorgang zu verbessern.
Die Aufgabe wird durch ein Verfahren der eingangs genannten Art gelöst, das dadurch gekennzeichnet ist, dass das Datenelement einem trainierten Algorithmus zugeführt wird, der ein von dem Datenelement abhängiges Resultat erzeug†, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe umfass†, von dem Resultat abhäng†.
Außerdem wird die Aufgabe durch eine Dispensiervorrichtung gelöst, die Mittel zum Ausführen des Verfahrens aufweis†.
Insbesondere wird die Aufgabe durch eine Dispensiervorrichtung gelöst, die ein Verfahren zum Untersuchen einer flüssigen Probe, die eine Flüssigkeit und wenigstens eine in der Flüssigkeit befindliche Zelle und/oder wenigstens ein in der Flüssigkeit befindliches Partikel aufweis†, ausführ†, mit einer optischen Erfassungseinrichtung zum Erzeugen wenigstens eines Datenelements, das eine Information zu einem Probenbereich enthält, dadurch gekennzeichnet, dass das Datenelement einem, insbesondere in einem Klassifikator der Dispensiervorrichtung hinterlegten, trainierten Algorithmus zuführbar ist, der ein von dem Datenelement abhängiges Resultat erzeug†, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe umfass†, von dem Resultat abhäng†.
Das erfindungsgemäße Verfahren weis† den Vorteil auf, dass der trainierte Algorithmus automatisch, also ohne ein Mitwirken eines Labormitarbeiters, eine Vorhersage trifft oder einen Schätzwert ermittelt, die bzw. der den Dispensiervorgang beeinfluss†. So kann durch den trainierten Algorithmus beispielsweise basierend auf dem zugeführten Datenelement vorhergesag† werden, ob die mit der Flüssigkeit ausgegebene Zelle demnächst abstirb†, oder es kann abgeschätzt werden, ob die auszugebende Zelle eine†o†e Zelle ist. Diese Kenntnis ist von Vorteil, weil dadurch auf einfache Weise verhindert werden kann, dass†o†e Zellen bzw. Zellen, bei denen die Sterbewahrscheinlichkei† hoch ist, in Behältnisse abgegeben werden. Vielmehr kann sichergestell† werden, dass derartige Zellen in ein Ausschussbehältnis ausgegeben werden. Im Ergebnis erhöht sich aufgrund des trainierten Algorithmus die Effizienz des Laborbetriebs. Dies ist möglich, weil die Zellqualitä† und/oder Partikelqualitä† beim Dispensiervorgang berücksichtigt wird. Die mittels der Dispensiervorrichtung ausgegebene flüssige Probe kann ein, insbesondere frei fliegender, Tropfen sein. Alternativ kann die ausgegebene flüssige Probe ein Flüssigkeitsstrahl sein, der nach Ausgeben aus einem Dispenser der Dispensiervorrichfung in einzelne Flüssigkeitstropfen zerfällt. Die Dispensiervorrichfung kann ein Tropfengenerator sein. Der flüssige Tropfen kann ein Volumen in einem Bereich zwischen 1 pl (Pikoliter) bis 50 nl (Nanoliter) aufweisen.
Die ausgegebene flüssige Probe kann keine Zelle und/oder kein Partikel aufweisen. Alternativ kann die ausgegebene flüssige Probe eine einzige Zelle und/oder ein einziges Partikel aufweisen. Die ausgegebene flüssige Probe kann alternativ mehr als eine einzige Zelle und/oder mehr als ein einziges Partikel aufweisen.
Die Flüssigkeit der flüssigen Probe kann eine Zusammensetzung aufweisen, die für ein Zellwachstum förderlich ist. Das Partikel kann ein Glas- oder Polymerkügelchen sein und im Wesentlichen das gleiche Volumen wie die Zelle aufweisen. Die Zelle ist eine biologische Zelle, insbesondere ist die Zelle die kleinste Einheit des Lebens, die autonom zur Reproduktion und Selbsterhaltung fähig ist.
Ein trainierter Algorithmus ist ein Algorithmus, der Daten, wie beispielsweise die zugeführfen Datenelemente, anhand eines erlernten Wissens beurteilen kann. Um die Daten beurteilen zu können, muss der Algorithmus vorab einem nachstehend detaillier† beschrieben Training unterzogen werden. In dem Training lern† der Algorithmus anhand von Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dies bedeutet, dass der Algorithmus die Beispiele nicht auswendig lern†, sondern Muster und/oder Gesetzmäßigkeiten in den Trainingsdaten erkenn†. Dies ermöglich† es dem Algorithmus auch unbekannte Daten, wie beispielsweise das Datenelement, zu beurteilen.
Bei einer besonderen Ausführung kann geprüft werden, ob in dem Probenbereich eine vorgegebene Anzahl an Zellen und/oder Partikeln angeordnet ist. Insbesondere kann mittels einer Auswerteeinrichtung der Dispensiervorrichtung ermittelt werden, ob in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel angeordnet ist. Darüber hinaus kann mittels der Auswerteeinrichtung ermittelt werden, ob in dem Probenbereich keine Zelle und/oder kein Partikel angeordnet ist. Alternativ oder zusätzlich kann mittels der Auswerteeinrichtung ermittelt werden, ob in dem Probenbereich mehr als eine Zelle und/oder ein Partikel angeordnet ist.
Alternativ oder zusätzlich kann die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel durch den trainierten Algorithmus ermittelt werden. Zusätzlich kann durch den Algorithmus geprüft werden, ob in dem Probenbereich die vorgegebene Anzahl an Zellen und/oder Partikel angeordnet ist.
Alternativ kann die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel durch einen anderen trainierten Algorithmus ermittelt werden. Darüber hinaus kann durch den anderen trainierten Algorithmus geprüft werden, ob in dem Probenbereich die vorgegebene Anzahl an Zellen und/oder Partikel enthalten ist. Das Resultat der Ermittlung und/oder Prüfung durch den anderen trainierten Algorithmus kann dem trainierten Algorithmus übermittelt werden.
Durch die Prüfung, ob sich in dem Probenbereich wenigstens eine Zelle und/oder wenigstens ein Partikel befindet, ist bekannt, ob in der im nächsten Schrift auszugebende flüssige Probe oder in der in den nächsten Schriften auszugebenden Flüssigkeiten eine bestimmte Anzahl an Zellen und/oder Partikeln angeordnet ist. Insbesondere ist bekannt, ob in dem auszugebenden Tropfen oder in den auszugebenden Tropfen keine oder eine einzige oder mehrere Zellen und/oder kein oder ein einziges oder mehrere Partikel angeordnet ist.
Die Kenntnis der Anzahl der in dem Probenbereich befindlichen Zellen und/oder Partikel weist außerdem den Vorteil auf, dass anhand dieser Information entschieden wird, ob das Datenelement dem trainierten Algorithmus zugeführf wird. Insbesondere wird das Datenelement dem trainierten Algorithmus zugeführf, wenn sich in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel befindet. Dies erfolgt, weil für die weitere Untersuchung es von Vorteil ist, wenn in dem Behältnis nur eine einzige Zelle und/oder ein einziges Partikel enthalten ist. Daher kann dem Behältnis ausschließlich eine flüssige Probe, in der nur eine einzige Zelle und/oder ein einziges Partikel angeordnet ist, zugeführf werden. Das Behältnis kann Bestandteil einer Mikrotiterplatte sein.
Alternativ kann die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel durch einen nicht frainierbaren Algorithmus ermittelt werden. Dies bietet den Vorteil, dass für den Algorithmus zur Bestimmung der Anzahl an Zellen und/oder Partikeln keine aufwändige Trainingsphase notwendig ist.
Das Datenelement kann dem trainierten Algorithmus nicht zugeführf werden oder der trainierte Algorithmus wird die weitere Verarbeitung des Datenelements zum Bestimmen des Resultats beenden, wenn in dem Probenbereich keine Zelle und/oder kein Partikel enthalten ist oder wenn in dem Probenbereich nicht die vorgegebene Anzahl an Zellen und/oder Partikeln enthalten ist. Dies bietet den Vorteil, dass der Rechenaufwand reduzier† wird, weil der trainierte Algorithmus nur dann eingesetzt wird und/oder das Datenelement nur dann weiter verarbeitet wird, wenn in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel in der Flüssigkeit enthalten ist. Die flüssige Probe kann in diesem Fall in das Ausschussbehälfnis ausgegeben werden.
Das Datenelement kann eine einzige oder mehrere Informationen zu dem Probenbereich enthalten. Insbesondere kann das Datenelement ein Messsignal oder ein optisches Signal oder ein Bildsignal sein. Dabei kann das Datenelement wenigstens eine Information zu einer Zelleigenschaf† der in der Flüssigkeit des Probenbereichs angeordneten Zelle und/oder eine Partikeleigenschaf† des in der Flüssigkeit des Probenbereichs angeordneten Partikels enthalten.
Bei einer weiteren Ausführung kann eine Abbildung aus dem Bildsignal erzeug† werden. Dabei kann die Dispensiervorrichtung eine optische Erfassungseinrichtung, wie beispielsweise eine Kamera, aufweisen, die zum Erzeugen einer Abbildung des Probenbereichs dient. Bei einer, insbesondere zeitlich versetzten, Ermittlung von mehreren Datenelementen, insbesondere mehreren Bildsignalen, können mehrere Abbildungen erzeug† werden. Insbesondere kann die Abbildung einen den Probenbereich aufnehmenden Dispenser der Dispensiervorrichtung oder einen den Probenbereich aufnehmenden Teil des Dispensers zeigen. Insbesondere kann die Abbildung einen Ausgabekanal oder einen Teil des Ausgabekanals des Dispensers zeigen. Das Datenelement, insbesondere das Bildsignal, enthält alle notwendigen Informationen, die zum Erzeugen der Abbildung notwendig sind.
Der Dispenser kann zum Ausgeben der flüssigen Probe dienen. Insbesondere kann der Probenbereich durch den Dispenser ausgegeben werden oder ausgebbar sein.
Die Abbildung kann eine Hellfeld- oder Fluoreszenz- oder Dunkelfeld- oder Phasenkontrastabbildung sein. Es ist möglich, dass mehrere Abbildungen die gleiche Zelle zeigen, jedoch aus verschiedenen Winkeln und/oder zu unterschiedlichen Zeitpunkten.
Dem trainierten Algorithmus kann nur ein Teil des Datenelements zugeführt werden. Dabei kann ein Abbildungsabschnitt ermittelt werden, der die Zelle und/oder das Partikel aufweis†. Dem trainierten Algorithmus kann nur der den Abbildungsabschnitt umfassende Teil des Bildsignals zugeführt werden. Dies biete† den Vorteil, dass der trainierte Algorithmus nicht das gesamte Bildsignal untersuchen muss, sondern nur den den Abbildungsabschnitt enthaltenen Teil des Bildsignals. Dadurch verringert sich der Rechenaufwand. Alternativ oder zusätzlich kann dem trainierten Algorithmus das Datenelement nur dann zugeführt werden, wenn in dem Probenbereich die vorgegebene Anzahl an Zellen und/oder Partikeln enthalten ist. Dabei kann das Datenelement dem trainierten Algorithmus zugeführt werden, wenn in dem Probenbereich eine einzige Zelle und/oder ein einziges Partikel enthalten ist. Die Position der Zelle und/oder des Partikels in dem Probenbereich und/oder der Abbildung kann ermittelt werden. Dies kann durch einen weiteren Algorithmus erfolgen. Dabei kann die Position der Zelle und/oder des Partikels durch Auswerten der erzeugten Abbildung auf einfache Weise ermittelt werden. Nachdem die Position der Zelle und/oder des Partikels in der Abbildung bekannt ist, kann der zuvor beschriebene Abbildungsabschnitt erzeug† werden. Der Abbildungsabschnitt kann die Zelle und/oder das Partikel vollständig enthalten. Dabei kann der Abbildungsabschnitt eine vorgegebene Größe aufweisen.
Bei einer besonderen Ausführung kann der Dispensiervorgang zusätzlich ein Bestimmen eines Ablageorts der auszugebenden flüssigen Probe, insbesondere des Tropfens, umfassen. Somit kann auf einfache Weise sichergestell† werden, dass beispielsweise †o†e Zellen in das Ausschussbehältnis ausgegeben werden, während hingegen lebende Zellen in unterschiedliche Behältnisse ausgegeben werden. Nachdem der Ablageort bestimmt wurde, kann die flüssige Probe in das Behältnis oder Ausschussbehältnis dispensiert werden.
Die Probenausgabe kann nach einer Drop-on-Demand Betriebsweise ausgeführt werden. Bei dieser erfolg† durch die Dispensiervorrichtung eine diskrete und keine kontinuierliche Probenausgabe. Zum Realisieren der Drop-on-Demand Betriebsweise kann die Dispensiervorrichtung ein Betätigungsmittel aufweisen, das beispielsweise ein piezoelektrisch betriebener Aktor sein kann. Der Dispenser kann einen Abschnitt, insbesondere eine mechanische Membran, aufweisen, die durch das Betätigungsmittel betätigbar ist. Bei einer Betätigung des Betätigungsmittels wird die flüssige Probe, insbesondere ein Tropfen, aus dem Dispenser ausgestoßen.
Der trainierte Algorithmus kann Bestandteil eines künstlichen neuronalen Netzes sein und/oder ein künstliches neuronales Netz kann Bestandteil des trainierten Algorithmus sein. Dadurch kann auf besonders einfache Weise bestimmt werden, ob die Zelle und/oder das Partikel in das Ausschussbehältnis oder das Behältnis abgegeben werden soll. Als ein künstlich neuronales Netz wird eine Ansammlung von einzelnen Informationsverarbeitungseinheiten verstanden, die als Neuronen bezeichne† werden und die schichtweise in einer Netzarchitektur angeordne† sind.
Bei einer besonderen Ausführung kann der Algorithmus ein faltendes neuronales Netzwerk zur Klassifikation von Abbildungen sein, welche aus dem Datenelement wie oben beschrieben wurde, erzeug† werden können. Das neuronale Netzwerk wird auch als convolutional neural network bezeichne†. Das faltende neuronale Netzwerk besteht aus mindestens einer Faltungsschicht, mindestens einer versteckten Schicht, und mindestens einer voll vernetzten Schicht. Alternativ zu dem neuronalen Netzwerk kann auch ein anderer trainierbarer Algorithmus bereitgestellt werden. So kann der Algorithmus eine Support Vector Machine (z.B. eine 2-Norm- SVM), eine lineare Regression, ein Boosting-Netz, ein probabilistischer Boosting-Baum, eine lineare Diskriminanzanalyse, eine Relevance Vector Machine, ein Random Forest Verfahren, ein Nearest Neighbor-Verfahren, oder eine Kombination davon aufweisen.
Das Resultat des trainierten Algorithmus kann von einer Klassifizierung des Datenelements in eine von wenigstens zwei Klassen abhängen. Die Klassen können von einer Zelleigenschaf† und/oder Partikeleigenschaf† abhängen. Durch Klassifizieren des Datenelements in eine Klasse wird eine Vorhersage zu der Zelleigenschaf† und/oder Partikeleigenschaf† getätigt oder ein Schätzwert für eine Zelleigenschaf† und/oder Partikeleigenschaf† ermittelt. Der Schätzwert kann beispielsweise ein Wahrscheinlichkeitswer†, ob die Zelle tot ist, oder eine Abschätzung eines Durchmessers der Zelle und/oder Partikels sein. Dementsprechend kann das Resultat eine Vorhersage der Zelleigenschaf† und/oder der Partikeleigenschaf† sein oder der Schätzwert für die Zelleigenschaf† und/oder Partikeleigenschaf† sein.
Die Zelleigenschaf† kann der Zelltyp, die Produktivität der Zelle, ein Genotyp oder Phänotyp, ein Status eines Zellzyklus und/oder ein Zustand der Zelle sein. Die Klassen konkretisieren die jeweilige Zelleigenschaf†. So kann bei dem Fall, bei dem die Zelleigenschaf† der Zellzustand ist, eine Klasse „lebende Zellen“ und eine andere Klasse„tote Zellen“ betreffen. Alternativ oder zusätzlich sind Klassen denkbar, die davon abhängen, ob die Zelle angefärbt oder nicht angefärbt ist oder ob die Zelle intakt oder nicht intakt ist. Außerdem sind Klassen denkbar, die davon abhängen, ob eine hohe oder niedrige Genexpression oder Proteinproduktion, insbesondere bestimmter Proteine, möglich oder vorhanden ist oder ob die Zellen schnell oder langsam wachsen oder sich teilen. Darüber hinaus sind Klassen denkbar, bei denen eine Klassifizierung danach erfolgt, ob eine hohe oder niedrige Wahrscheinlichkeit besteh†, dass in einer nachfolgenden Molekularanalyse qualitativ hochwertige Resultate erzielt werden. Eine solche Molekularanalyse kann beispielsweise das Sequenzieren des gesamten Genoms oder Teile des Genoms und/oder das gesamte Transkriptom oder Teile des Transkriptoms der einzelnen dispensierten Zellen sein.
Der trainierte Algorithmus kann durch Anwenden des erlernten Wissens an die erzeugte Abbildung eine Vorhersage zur Zelleigenschaf† und/oder Partikeleigenschaf† treffen und/oder die Zelleigenschaf† und/oder Partikeleigenschaf† abschätzen. So kann durch Verwenden des trainierten Algorithmus beispielsweise abgeschätz† werden, ob die in der Abbildung gezeigte Zelle tot oder lebendig ist. Dadurch kann der Algorithmus genutzt werden, um die Anzahl der lebenden Zellen, welche nach der Vereinzelung zu einer Kolonie wachsen, zu maximieren. Die Klassifizierung des Datenelements in eine Klasse kann durch einen Klassifikator erfolgen. Der Klassifikator kann Bestandteil des künstlich neuronalen Netzes sein und/oder ein künstliches neuronales Netz ist Bestandteil des Klassifikators.
Bei einer besonderen Ausführung kann der Algorithmus in einem Trainingsvorgang trainiert werden, bevor das Datenelement dem Algorithmus zugeführt wird. Dabei kann der Algorithmus mittels eines maschinellen Lernens trainiert werden. Der Trainingsvorgang dient dazu, dass Wissen angeeignet wird, das eine Beurteilung der zugeführten Datenelemente ermöglicht. Beim maschinellen Lernen wird Wissen aus Erfahrung künstlich generiert. Dies erfolgt, wie nachfolgend beschrieben wird, indem dem Algorithmus eine Vielzahl von Trainingsdaten zugeführt wird.
Den einzelnen Trainingsdatenelementen kann vor einem Zuführen zum Algorithmus jeweils wenigstens eine Klasse zugewiesen werden. Das Zuweisen der einzelnen Trainingsdatenelemente zu den jeweiligen Klassen kann auf Messdaten beruhen. Die Messdaten können auf aus der Dispensiervorrichtung ausgegebenen flüssigen Proben basieren, die eine einzige Zelle und/oder ein einziges Partikel aufweisen.
Beim Trainingsvorgang können zuerst eine Vielzahl von ersten Trainingsdatenelementen und eine Vielzahl von zweiten Trainingsdatenelementen ermittelt werden. Die ersten Trainingsdatenelemente können jeweils wenigstens eine Information zu dem Probenbereich enthalten. Die zweiten Trainingsdatenelemente können jeweils wenigstens eine Information zur Zelleigenschaf† und/oder Partikeleigenschaf† enthalten. Dabei kann jeweils einem ersten Trainingsdateneiemen† wenigstens ein zweites Trainingsdateneiemen† zugeordnet werden.
Die ersten Trainingsdatenelemente können ermittelt werden, wenn sich der Probenbereich und/oder die flüssige Probe in dem Dispenser befindet. Alternativ können die ersten Trainingsdatenelemente ermittelt werden, wenn der Dispenser den Probenbereich und/oder die flüssige Probe ausgegeben hat und sich der Probenbereich und/oder die flüssige Probe im Behältnis befindet.
Die zweiten Trainingsdatenelemente können zeitlich nach dem Ermitteln der ersten Trainingsdatenelemente ermittelt werden. Vorzugsweise werden die zweiten Trainingsdatenelemente ermittelt, nachdem die flüssige Probe und/oder der Probenbereich in das Behältnis ausgegeben wurde. Die Ermittlung der zweiten Trainingsdatenelemente, insbesondere das Messen der Zelleigenschaf† und/oder der Partikeleigenschaf†, kann nach einer vorgegebenen Zeitdauer, insbesondere mehreren Tagen, nach Ausgabe der flüssigen Proben in die Behältnisse durchgeführt werden. Nach dem Ermitteln der zweiten Trainingsdatenelemente kann jedem ersten Trainingsdateneiemen† wenigstens ein zweites Trainingsdateneiemen† zugeordne† werden. Die Zuordnung kann automatisier†, beispielsweise über ein Computerprogramm, oder durch den Labormitarbeiter erfolgen.
Aus den ersten Trainingsdafenelementen kann eine Vielzahl von Abbildungen generiert werden. Jeder der Abbildungen kann wenigstens eine Zelleigenschaf†, wie beispielsweise der Zellzustand, der Zelltyp, etc., zugewiesen werden.
Beim Trainingsvorgang können außerdem wenigstens zwei Klassen gebildet werden. Die Klassen können von den zweiten Trainingsdatenelementen abhängen. Insbesondere können die Klassen von den Zelleigenschaften und/oder Partikeleigenschaften abhängen. So ist es denkbar, dass unterschiedliche Klassen für unterschiedliche Zelltypen gebildet werden und/oder dass unterschiedliche Klassen abhängig vom Zellzustand gebildet werden. Das Bilden der Klassen kann manuell erfolgen. Alternativ können die Klassen auch automatisch gebildet werden. Nach dem Bilden der Klassen können die einzelnen zweiten Trainingsdatenelemente jeweils einer Klasse zugewiesen sein.
Die ersten Trainingsdatenelemente, die zweiten Trainingsdatenelemente und deren Zuordnung zu den ersten Trainingsdatenelementen und die gebildeten Klassen werden zum Trainieren des Algorithmus dem Algorithmus zugeführt. Ziel des Trainings ist es, dass der Algorithmus bestehende Muster und/oder Gesetzmäßigkeiten zwischen den ersten Trainingsdatenelementen und den zweiten Trainingsdatenelementen erkennt, und es ihm somit möglich ist, zukünftige zugeführte Datenelemente zu klassifizieren. Somit kann im Laborbetrieb anhand der Klassifikation des Datenelements in die entsprechende Klasse die Zelleigenschaf† und/oder Partikeleigenschaf† auf einfache Weise vorhergesag† oder abgeschätzt werden.
Der trainierte Algorithmus kann erneu† trainiert werden. Zum einen ist dies sinnvoll, wenn ein Zelltyp verwende† wird, welcher abweichende Eigenschaften, wie beispielsweise eine abweichende Morphologie aufweis†, als die Zelltypen mit welchen der Algorithmus bisher trainiert wurde. Zum anderen ist dies ist sinnvoll, wenn bei einem ersten Trainingsvorgang beispielsweise nur vom Zellzustand abhängige Klassen gebildet wurden und eine Klassifikation nach einer weiteren Zelleigenschaf† gewünscht ist. Damit eine Klassifikation nach der zweiten Zelleigenschaf† möglich ist, muss ein zweiter Trainingsvorgang durchgeführt werden, bei dem beispielsweise von Zelltypen abhängige Klassen gebildet werden. Nach Durchführen der beiden Trainingsvorgänge ist der Algorithmus in der Lage, Datenelemente nach Zelltypen und nach Zellen mit unterschiedlichem Zellwachstum zu klassifizieren.
Die Dispensiervorrichtung kann eine Verfahreinrichtung aufweisen, mittels der der Dispenser und/oder das Behältnis zum Aufnehmen der flüssigen Probe und/oder das Ausschussbehältnis zum Aufnehmen der flüssigen Probe verfahrbar ist, wobei ein Verfahrvorgang von dem Resultat, insbesondere von der Klassifizierung des Datenelements, abhängig ist. So wird die Verfahreinrichfung beispielsweise den Dispenser derart verfahren, dass die flüssige Probe in das Ausschussbehälfnis ausgegeben wird, wenn das Datenelement in eine Klasse klassifizier† wurde, in der beispielsweise fofe Zellen klassifizier† sind.
Darüber hinaus kann mittels der Verfahreinrichfung der Dispenser und/oder das Behältnis und/oder das Ausschussbehälfnis derart verfahren werden, dass die flüssige Probe in das Ausschussbehälfnis ausgegeben wird, wenn in der ausgegebenen flüssigen Probe keine Zelle und/oder keine vorgegebene Anzahl an Zellen und/oder Partikel enthalten ist. Dagegen kann die ausgegebene Flüssigkeit in das Behältnis ausgegeben werden, wenn in der Flüssigkeit eine einzige Zelle und/oder ein einziges Partikel angeordnet ist.
Die Dispensiervorrichtung kann eine Ablenk- und/oder Absaugeinrichtung aufweisen. Die Ablenkeinrichtung dient zum Ablenken der ausgegebenen flüssigen Probe, insbesondere des ausgegebenen Tropfens. Die Absaugeinrichtung dient zum Absaugen der ausgegebenen flüssigen Probe, insbesondere des ausgegebenen Tropfens. Die ausgegebene flüssige Probe kann in das Ausschussbehältnis abgelenk† und/oder abgesaugt werden. Alternativ kann die ausgegebene flüssige Probe in das Behältnis, insbesondere das Behältnis der Mikrotiterplatte, abgegeben werden.
Das Ablenken und/oder Absaugen kann erfolgen, bevor die ausgegebene flüssige Probe in das Behältnis, insbesondere das Behältnis der Mikrotiterplatte, eintritt. Dabei kann die ausgegebene flüssige Probe abgelenk† und/oder abgesaugt werden, wenn in der ausgegebenen Flüssigkeit keine Zellen und/oder keine Partikel angeordnet sind. Alternativ kann die ausgegebene Flüssigkeit abgelenk† und/oder abgesaugt werden, wenn die Anzahl der in der Flüssigkeit angeordneten Zellen und/oder Partikel größer ist als ein vorgegebener Wert, insbesondere größer als 1 , ist.
Darüber hinaus kann das Ablenken und/oder Absaugen von dem Resultat des trainierten Algorithmus abhängen. Insbesondere kann das Ablenken und/oder Absaugen davon abhängen, in welche Klasse das Datenelement klassifiziert wurde. Sofern das Datenelement in eine Klasse klassifiziert ist, in der beispielsweise tote Zellen klassifiziert sind, wird die Ablenk- und Absaugvorrichtung aktiviert, sodass die ausgegebene flüssige Probe abgelenk† und/oder abgesaugt wird.
Von besonderem Vorteil ist ein Computerprogramm, das Befehle umfasst, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, das erfindungsgemäße Verfahren durchzuführen. Außerdem ist ein Datenträger vorteilhaft, auf dem das erfindungsgemäße Compuferprogramm gespeichert ist. Darüber hinaus ist ein Dafenfrägersignal von Vorteil, das ein erfindungsgemäßes Computerprogramm überträgt.
In den Figuren ist der Erfindungsgegenstand schematisch dargestellt, wobei gleiche oder gleichwirkende Elemente zumeist mit denselben Bezugszeichen versehen sind. Dabei zeigt:
Figur 1 eine erfindungsgemäße Dispensiervorrichtung,
Figur 2 eine vergrößerte Darstellung eines Teils eines Dispensers der erfindungsgemäßen Dispensiervorrichtung,
Figur 3 einen Ablauf bei einem Trainingsvorgang zum Trainieren eines Algorithmus,
Figur 4 einen Verfahrensablauf zum Untersuchen der flüssigen Probe mittels des trainierten Algorithmus.
Figur 1 zeigt eine erfindungsgemäße Dispensiervorrichtung 6, die einen Dispenser 7 zum Ausgeben einer flüssigen Probe 20 aufweis†. Die flüssige Probe 20 weist eine Flüssigkeit 1 und wenigstens eine in der Flüssigkeit 1 angeordnete Zelle 3 und/oder wenigstens ein in der Flüssigkeit 1 angeordnetes Partikel auf. Darüber hinaus weist die Dispensiervorrichtung 6 eine optische Erfassungseinrichtung 8 zum optischen Erfassen wenigstens eines Teils eines Ausgabekanals 16 des Dispensers 7 auf. Der Dispenser 7 kann eine Fluidkammer 15 aufweisen, in der die flüssige Probe 20 angeordnet ist und/oder eingegeben wird. Die Fluidkammer 15 ist mit dem Ausgabekanal 16 fluidisch verbunden.
Die optische Erfassungseinrichtung 8 weist eine nicht dargestellte Abbildungseinrichtung, wie eine Kamera, zum Erzeugen einer Abbildung von dem wenigstens einen Teil des Ausgabekanals 16 und weitere nicht dargestellte optische Elemente zum Führen von Licht auf. Zum Erzeugen einer Abbildung wird der wenigstens eine Teil des Ausgabekanals 16 mittels eines Beleuchtungslichts 17 beleuchtet und ein daraufhin von dem wenigstens einen Teil des Ausgabekanals 16 ausgehendes Detektionslicht 18 von der optischen Erfassungseinrichtung 8 detektiert. Die Abbildungseinrichtung erzeugt basierend auf dem detektierten Detektionslicht 18 eine Abbildung des wenigstens einen Teils des Ausgabekanals 16.
Die optische Erfassungseinrichtung 8 ist mit einer Auswerteeinrichtung 9 eines Computers 12 elektrisch verbunden. Die Auswerteeinrichtung 9 kann basierend auf der erzeugten Abbildung die Anzahl der in dem wenigstens einen Teil des Ausgabekanals 16 enthaltenen Zellen 3 und/oder Partikel bestimmen.
Der Computer 12 weist einen Klassifikator 13 auf, der mit der Auswerfeeinrichfung 9 elektrisch verbunden ist. Der Klassifikator 13 ist Bestandteil eines künstlich neuronalen Netzes und/oder weist ein künstlich neuronales Netz auf. In dem Klassifikator 13 ist ein trainierter Algorithmus hinterlegt, der nach Zuführen der von der optischen Erfassungseinrichfung 8 erzeugten Abbildung ein Resultat erzeugt.
Darüber hinaus weist der Computer 12 eine Steuervorrichtung 14 auf. Die Steuervorrichtung 14 steuert basierend auf dem Resultat des Klassifikators 13 einen Dispensiervorgang des Dispensers 7. Dabei ist die Steuervorrichtung 14 mit einer Verfahreinrichfung 10 elektrisch verbunden. Die Verfahreinrichfung 10 kann den Dispenser 7 und/oder ein Behältnis 4 und/oder ein Ausschussbehältnis 5 derart verfahren, dass die flüssige Probe 20 in den gewünschten Ablageorf abgegeben werden kann.
Darüber hinaus kann die Steuervorrichtung 14 eine Ablenk- und/oder Absaugeinrichfung 1 1 der Dispensiervorrichfung 6 steuern. Dabei kann die Steuervorrichtung 14 die Ablenk- und/oder Absaugeinrichfung 1 1 derart steuern, dass die ausgegebene flüssige Probe 20 abgelenk† und/oder abgesaugt wird, wenn in der Flüssigkeit 1 keine Zelle 3 und/oder kein Partikel angeordnet ist oder wenn in der Flüssigkeit 1 mehrere Zellen 3 und/oder mehrere Partikel angeordnet sind.
Dabei kann die Steuervorrichtung 14 abhängig von dem Resultat des Klassifikators 13 die Verfahreinrichtung 10 und/oder die Ablenk- und/oder Absaugeinrichfung 1 1 steuern.
In Figur 1 ist ein Zustand gezeigt, bei dem der Dispenser 7 die flüssige Probe 20, insbesondere einen Tropfen, ausgegeben hat, der eine tote Zelle 3 aufweis†. Die ausgegebene flüssige Probe 20 wird in das Ausschussbehältnis 5 ausgegeben.
Die Dispensiervorrichtung 6 weist ein Betätigungsmittel 19 auf, das zum Betätigen des Dispensers 7 gegen einen Abschnitt des Dispensers 7 gedrückt wird. Dabei wird die flüssige Probe 20, insbesondere ein Tropfen, ausgegeben, wenn das Betätigungsmittel 19 gegen den Abschnitt des Dispensers 7 drück†. Das Betätigungsmittel 19 und die optische Erfassungseinrichtung 8 liegen sich bezüglich des Dispensers 7 gegenüber. Der Dispenser 7 besteh† zumindest teilweise aus einem transparenten Material, sodass mittels der optischen Erfassungseinrichtung 8 wenigstens ein Teil des Ausgabekanals 16 erfasst werden kann.
Figur 2 zeigt eine vergrößerte Darstellung eines Teils des Dispensers 7. Insbesondere zeigt Figur 2 eine vergrößerte Darstellung des in Figur 1 gestrichelt dargestellten Bereichs A des Ausgabekanals 16.
Der Ausgabekanal 16 ist vollständig mit Flüssigkeit 1 der flüssigen Probe 20 befüllt. Dabei wird mittels der optischen Erfassungseinrichtung 8 nur der in Figur 2 gestrichelt dargestellte Teil des Ausgabekanals 16 betrachtet. In dem gestrichelt dargestellten Teil des Ausgabekanals 16 des Dispensers 7 ist der Probenbereich 2 der flüssigen Probe 20 angeordnet. Bei einem Dispensiervorgang wird die flüssige Probe 20 entlang einer Ausbringrichfung R ausgegeben. Der Ausgabekanal 16 weist an seinem von der der Fluidkammer 15 entfernten Ende ein düsenförmiges Ende auf.
Die in dem Teil des Ausgabekanals 16 angeordnete Zellen 3 bewegt sich aufgrund der Gewichfskraft in Richtung zum von der Fluidkammer 15 abgewandten düsenförmigen Ende, auch wenn keine flüssige Probe 20 aus dem Dispenser 7 ausgegeben wird.
Figur 3 zeigt einen Ablauf bei einem Trainingsvorgang zum Trainieren eines Algorithmus. Der Algorithmus ist im Klassifikator 13 hinterlegt. In einem ersten Trainingsschri†† TI wird ein erstes Trainingsdateneiemen† ermittelt. Das erste Trainingsdateneiemen† enthält eine Information zum Probenbereich 2. Die Ermittlung des ersten Trainingsdatenelements erfolgt durch die optische Erfassungseinrichtung 8, wobei in der optischen Erfassungseinrichtung 8 eine Abbildung aus dem ersten Trainingsdateneiemen† erzeugt wird. Dabei zeigt die Abbildung zumindest den Teil des Ausgabekanals 16, der den Probenbereich 2 aufnimm†.
Nach dem Ermitteln des ersten Trainingsdatenelements wird die flüssige Probe 20 mittels des Dispensers 7 in das Behältnis 4 der Mikrotiterplatte ausgegeben, wenn die auszugebende flüssige Probe 20 eine einzige Zelle 3 und/oder ein einziges Partikel aufweis†. Anschließend wird erneut ein weiteres erstes Trainingsdateneiemen† ermittelt, eine weitere Abbildung erzeugt und die flüssige Probe 20 in ein weiteres Behältnis der Mikrotiterplatte ausgegeben. Dieser Vorgang wird mehrmals wiederholt. Am Ende des ersten Trainingsschritts TI ist in jedem Behältnis 4 der Mikrotiterplatte eine Flüssigkeit 1 mi† einer einzigen Zelle 3 und/oder einem einzigen Partikel angeordnet, wobei bekannt ist, in welchem Behältnis 4 welche Zelle 3 angeordnet ist.
Nach dem Ermitteln der ersten Trainingsdatenelemente werden in einem zweiten Trainingsschri†† T2 zweite Trainingsdatenelemente ermittelt. Dazu wird wenigstens eine Zelleigenschaf† und/oder Partikeleigenschaf† der in dem Behältnis 4 befindlichen Zelle 3 gemessen. Insbesondere kann gemessen werden, wie schnell die Zellen 3 in den einzelnen Behältnissen 4 wachsen und somit ein Rückschluss auf den Zellzustand gezogen werden und/oder es kann ermittelt werden, welche Zelltypen in den Behältnissen 4 enthalten sind. Dies wird für alle Behältnisse wiederholt, in denen eine flüssige Probe 20 und somit eine Zelle 3 enthalten ist. Das Ermitteln der zweiten Trainingsdatenelemente kann einige Tage nach der Ausgabe der flüssigen Proben 20 in die Behältnisse 4 erfolgen. Zum Messen der Zelleigenschaf† und/oder der Partikeleigenschaf† kann ein Mikroskop und/oder ein automatisierter Plattenleser eingesetzt werden.
In einem dritten Trainingsschritt T3 werden wenigstens zwei Klassen gebildet. Die Klassen hängen von den zweiten Trainingsdatenelementen, insbesondere von der Zelleigenschaf† und/oder der Partikeleigenschaf†, ab. Die Zelleigenschaf† kann beispielsweise ein Zelltyp sein, sodass sich die einzelnen Klassen in den Zelltypen voneinander unterscheiden. Alternativ kann die Zelleigenschaf† der Zellzustand sein, sodass sich die Klassen voneinander darin unterscheiden, ob die Zellen tot oder lebendig sind. Dabei sind nach dem Bilden der Klassen die zweiten Trainingsdatenelemente jeweils wenigstens einer Klasse zugewiesen. Der dritte Trainingsschritt T3 kann alternativ vor dem ersten und/oder zweiten Trainingsschritt TI , T2 durchgeführt werden.
In einem vierten Trainingsschritt T4 wird jedem ersten Trainingsdateneiemen† wenigstens ein zweites Trainingsdateneiemen† zugeordnet. Insbesondere wird jeder Abbildung des Probenbereichs 2 wenigstens eine Zelleigenschaf† und/oder Partikeleigenschaf† zugeordnet. Somit erfolgt in dem vierten Trainingsschritt T4 eine Verknüpfung des ersten Trainingsdatenelements mit dem zweiten Trainingsdateneiemen†. Diese Verknüpfung ist vorteilhaft, weil der Algorithmus somit erkennen kann welcher Zusammenhang zwischen den ersten Trainingsdatenelementen und den zweiten Trainingsdatenelementen besteht. So kann beispielsweise die Zelleigenschaf† „lebende Zellen“ allen ersten Trainingsdatenelementen zugewiesen werden, bei denen die im zweiten Trainingsschritt T2 durchgeführte Messung ergeben hat, dass die in dem jeweiligen Behältnis befindliche Zelle nicht tot ist und somit ein Zellwachstum erfolgt.
In einem fünften Trainingsschritt T5 werden die gebildeten Klassen, die ersten Trainingsdatenelemente, die zweiten Trainingsdatenelemente und deren Zuordnung zu den ersten Trainingsdatenelementen genutzt um den Klassifikator mittels maschinellem Lernen zu Trainieren. Der Algorithmus erkennt anhand der übermittelten Informationen wenigstens ein Muster und/oder Gesetzmäßigkeiten zwischen den ersten Trainingsdatenelementen und den zweiten Trainingsdatenelementen. Nach Abschluss des Trainingsvorgangs liegt ein trainierter Algorithmus vor. Dies bedeutet, dass der trainierte Algorithmus das erlernte Wissen an ein zugeführtes Datenelement anwenden kann, um allein anhand des Datenelements eine Vorhersage oder Abschätzung zu der Zelleigenschaf† und/oder der Partikeleigenschaf† zu treffen.
Dies wird anhand der Figur 4 näher erläutert. Figur 4 zeigt einen Verfahrensablauf zum Untersuchen der flüssigen Probe 20 mittels des trainierten Algorithmus. In einem ersten Verfahrensschri†† S1 wird ein Datenelement mittels der optischen Erfassungseinrichtung 8 ermittelt. Darüber hinaus erzeugt die optische Erfassungseinrichfung 8 im ersten Verfahrensschri†† S1 aus dem ermittelten Datenelement eine Abbildung, die den Probenbereich 2 beinhaltet.
In einem zweiten Verfahrensschri†† S2 werden Verunreinigungen aus der Abbildung entfern†.
In einem dritten Verfahrensschri†† S3 wird durch die Auswerfeeinrichfung 9 überprüft, ob in dem Probenbereich 2 eine vorgegebene Anzahl an Zellen 3 und/oder Partikeln enthalten ist. Dies erfolgt durch einen eigenen Algorithmus. Insbesondere wird durch die Auswerteeinrichtung 9 geprüft, ob in dem Probenbereich 2 genau eine einzige Zelle 3 und/oder ein einziges Partikel enthalten ist.
Sofern ermittelt wird, dass in dem Probenbereich 2 eine einzige Zelle 3 und/oder ein einziges Partikel enthalten ist, wird in einem vierten Verfahrensschri†† S4 die Lage der Zelle 3 und/oder des Partikels in der Abbildung bestimm†. Anschließend wird einem fünften Verfahrensschri†† S5 ein Abbildungsabschni†† erzeugt, der die Zelle 3 und/oder das Partikel vollständig enthält.
Das den Abbildungsabschni†† enthaltende Bildsignal wird in einem sechsten Verfahrensschri†† S6 an den trainierten Algorithmus übermittelt. Der trainierte Algorithmus erzeugt in einem siebten Verfahrensschri†† S7 ausgehend von dem zugeführfen Abbildungsabschni†† ein Resultat. Das Resultat häng† von einer Klassifikation des Datenelements, insbesondere der Abbildung, in eine der in dem trainierten Algorithmus hinterlegten Klassen ab. Da die Klassen von der Zelleigenschaf† und/oder Parfikeleigenschaft abhängen, wird durch die Klassifikation der Abbildung in eine der Klassen eine Vorhersage zu der Zelleigenschaf† und/oder Parfikeleigenschaft getroffen. Dabei wird die Abbildung durch den Klassifikator 13 in eine der Klassen klassifizier†.
In einem siebten Verfahrensschri†† S7 steuert die Steuervorrichtung 14 die Verfahreinrichtung 10 und/oder die Ablenk- und/oder Absaugvorrichtung 1 1 abhängig von dem Resultat, insbesondere von der Klassifizierung des Datenelements in eine Klasse.
Sofern in dem dritten Verfahrensschri†† S3 ermittelt wurde, dass in der flüssigen Probe keine Zelle 3 und/oder kein Partikel vorhanden ist und/oder die Anzahl der Zellen 3 und/oder Partikel größer als 1 ist, werden die Verfahrensschritte S3 bis S6 übersprungen und die flüssige Probe 20 wird im siebten Verfahrensschri†† S7 in das Ausschussbehältnis 5 ausgegeben. Bezugszeichenliste:
1 Flüssigkeit
2 Probenbereich
3 Zelle
4 Behältnis
5 Ausschussbehältnis
6 Dispensiervorrichtung
7 Dispenser
8 optische Erfassungseinrichtung
9 Auswerteeinrichtung
10 Verfahreinrichtung
1 1 Ablenk- und/oder Absaugvorrichtung 12 Computer
13 Klassifikator
14 Steuervorrichtung
15 Fluidkammer
16 Ausgabekanal
17 Beleuchtungslicht
18 Defektionslicht
19 Befäfigungsmittel
20 flüssige Probe
R Ausbringrichtung
TI -T5 erster bis fünfter Trainingsschritt
S 1 -S8 erster bis achter Verfahrensschritt

Claims

Patentansprüche
1 . Verfahren zum Untersuchen einer flüssigen Probe (20), die eine Flüssigkeit (1 ) und wenigstens eine in der Flüssigkeit (1 ) befindliche Zelle (3) und/oder wenigstens ein in der Flüssigkeit (1 ) befindliches Partikel aufweis†, wobei bei dem Verfahren wenigstens ein Datenelement, das eine Information zu einem Probenbereich (2) enthält, ermittelt wird, dadurch gekennzeichnet, dass das Datenelement einem trainierten Algorithmus zugeführt wird, der ein von dem Datenelement abhängiges Resultat erzeugt, und dass ein Dispensiervorgang, der ein Ausgeben wenigstens eines Teils der flüssigen Probe (20) umfasst, von dem Resultat abhäng†.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass geprüft wird, ob in dem Probenbereich (2) eine vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass
a. das Datenelement dem trainierten Algorithmus zugeführt wird, wenn in dem Probenbereich (2) die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist und/oder dass
b. das Datenelement dem trainierten Algorithmus nicht zugeführt wird, wenn in dem Probenbereich (2) nicht die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist.
4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass
a. durch den trainierten Algorithmus oder einen anderen trainierten Algorithmus die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel ermittelt wird oder dass
b. durch den trainierten Algorithmus oder einen anderen trainierten Algorithmus die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel ermittelt wird und geprüft wird, ob in dem Probenbereich die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist oder dass
c. durch einen nicht trainierbaren Algorithmus die Anzahl der in dem Probenbereich angeordneten Zellen und/oder Partikel ermittelt wird und geprüft wird, ob in dem Probenbereich die vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordnet ist.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass das Datenelement ein Messsignal oder ein Bildsignal ist.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass dem trainierten Algorithmus nur ein Teil des Datenelements zugeführt wird.
7. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass eine Abbildung aus dem Bildsignal generiert wird.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass
a. die Position der Zelle (3) und/oder des Partikels in der Abbildung ermittelt wird oder dass
b. ein Abbildungsabschnitt ermittelt wird, der die Zelle (3) und/oder das Partikel aufweis† und dass nur der den Abbildungsabschnitt aufweisende Teil des Bildsignals dem trainierten Algorithmus zugeführt wird.
9. Verfahren nach Anspruch 7 oder 8, dadurch gekennzeichnet, dass die Abbildung einen den Probenbereich (2) aufnehmenden Dispenser (7) oder einen den Probenbereich (2) aufnehmenden Teil des Dispensers (7) zeigt.
10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass der Dispensiervorgang ein Bestimmen eines Ablageorts der auszugebenden flüssigen Probe (20) umfasst.
1 1 . Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass die Flüssigkeitsausgabe nach einer Drop-on-Demand-Betriebsweise ausgeführt wird.
12. Verfahren nach einem der Ansprüche 1 bis 1 1 , dadurch gekennzeichnet, dass der trainierte Algorithmus Bestandteil eines künstlichen neuronalen Netzes ist und/oder mindestens ein künstliches neuronales Netz enthält.
13. Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, dass
a. das Resultat von einer Klassifizierung des Datenelements in eine von wenigstens zwei Klassen abhäng† und/oder
b. das Resultat eine Vorhersage zu einer Zelleigenschaf† und/oder einer Partikeleigenschaf† oder ein Schätzwert für eine Zelleigenschaf† und/oder Partikeleigenschaf† ist.
14. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, dass der Algorithmus trainiert wird, bevor das Datenelement dem Algorithmus zugeführt wird.
15. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass wenigstens einem Trainingsdateneiemen† eine Klasse zugewiesen wird.
16. Verfahren nach Anspruch 15, dadurch gekennzeichnet, dass die Klassenzuweisung des Trainingsdateneiemen† von Messdaten abhäng†, die auf einer flüssigen Proben basieren, die dispensiert wird.
17. Verfahren nach einem der Ansprüche 14 bis 16, dadurch gekennzeichnet, dass der Algorithmus mittels maschinellen Lernens trainiert wird.
18. Verfahren nach einem der Ansprüche 14 bis 17, dadurch gekennzeichnet, dass eine Vielzahl von ersten Trainingsdatenelementen ermittelt wird und eine Vielzahl von zweiten Trainingsdatenelementen ermittelt wird.
19. Verfahren nach Anspruch 18, dadurch gekennzeichnet, dass jeweils einem ersten Trainingsdateneiemen† wenigstens ein zweites Trainingsdateneiemen† zugeordnet wird.
20. Verfahren nach Anspruch 18 oder 19, dadurch gekennzeichnet, dass abhängig von den zweiten Trainingsdatenelementen wenigstens zwei Klassen gebildet werden.
21 . Verfahren nach einem der Ansprüche 18 bis 20, dadurch gekennzeichnet, dass die Klassen und/oder die ersten Trainingsdatenelemente und/oder die zweiten Trainingsdatenelemente dem Algorithmus übermittelt werden.
22. Verfahren nach einem der Ansprüche 1 bis 21 , dadurch gekennzeichnet, dass der trainierte Algorithmus erneut trainiert wird.
23. Verfahren nach einem der Ansprüche 1 bis 22, dadurch gekennzeichnet, dass das Datenelement eine Information zu einer Zelleigenschaf† der in dem Probenbereich angeordneten Zelle und/oder zu einer Partikeleigenschaf† der in dem Probenbereich angeordneten Partikels enthält.
24. Dispensiervorrichtung (6) umfassend Mittel zum Ausführen des Verfahrens nach einem der Ansprüche 1 bis 23.
25. Dispensiervorrichtung nach Anspruch 24, gekennzeichnet durch
a. einen Dispenser (7) zum Ausgeben einer flüssigen Probe (20) oder durch b. einen Dispenser (7) zum Ausgeben einer flüssigen Probe (20), wobei der Probenbereich (2) in dem Dispenser (7) angeordne† ist und/oder durch den Dispenser (7) ausgebbar ist.
26. Dispensiervorrichtung (6) nach Anspruch 24 oder 25, gekennzeichnet durch eine optische Erfassungseinrichtung (8) zum Erzeugen einer Abbildung des Probenbereichs (2).
27. Dispensiervorrichtung (6) nach einem der Ansprüche 24 bis 26, gekennzeichnet durch eine Auswerteeinrichtung (9) zum Auswerten ob in dem Probenbereich (2) eine vorgegebene Anzahl an Zellen (3) und/oder Partikeln angeordne† ist.
28. Dispensiervorrichtung (6) nach einem der Ansprüche 24 bis 27, gekennzeichnet durch einen Klassifikator (13) zum Klassifizieren des Datenelements in eine Klasse.
29. Dispensiervorrichtung (6) nach Anspruch 28, dadurch gekennzeichnet, dass der Klassifikator (13) Bestandteil eines künstlich neuronalen Netzes ist und/oder mindestens ein künstliches neuronales Netz enthält.
30. Dispensiervorrichtung (6) nach einem der Ansprüche 24 bis 29, gekennzeichnet durch eine Verfahreinrichtung (10), mittels der der Dispenser (7) und/oder ein Behältnis (4) zum Aufnehmen der flüssigen Probe (20) und/oder ein Ausschussbehältnis (5) zum Aufnehmen der flüssigen Probe (20) verfahrbar ist, wobei ein Verfahrvorgang von dem Resultat abhängig ist.
31 . Dispensiervorrichtung (6) nach einem der Ansprüche 24 bis 30, gekennzeichnet durch eine Ablenkeinrichtung zum Ablenken der ausgegebenen flüssigen Probe (20) und/oder eine Absaugeinrichtung zum Absaugen der ausgegebenen flüssigen Probe (20), wobei ein Ablenkvorgang und/oder Absaugvorgang von dem Resultat abhängig ist.
32 Computerprogramm, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer (12) diesen veranlassen, die Verfahren nach einem der Ansprüche 1 bis 23 durchzuführen.
33. Datenträger, auf dem das Computerprogramm nach Anspruch 32 gespeichert ist.
34. Datenträgersignal, das das Computerprogramm nach Anspruch 32 überträgt.
EP19735595.1A 2018-07-09 2019-07-09 Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung Pending EP3821228A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
LU100870A LU100870B1 (de) 2018-07-09 2018-07-09 Verfahren zum Untersuchen einer flüssigen Probe
PCT/EP2019/068371 WO2020011773A1 (de) 2018-07-09 2019-07-09 Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung

Publications (1)

Publication Number Publication Date
EP3821228A1 true EP3821228A1 (de) 2021-05-19

Family

ID=63113604

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19735595.1A Pending EP3821228A1 (de) 2018-07-09 2019-07-09 Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung

Country Status (11)

Country Link
US (1) US20210293685A1 (de)
EP (1) EP3821228A1 (de)
JP (1) JP2021524265A (de)
KR (1) KR20210029247A (de)
CN (1) CN112400103A (de)
AU (1) AU2019301870B2 (de)
CA (1) CA3104615A1 (de)
IL (1) IL280006A (de)
LU (1) LU100870B1 (de)
SG (1) SG11202013238TA (de)
WO (1) WO2020011773A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110399804A (zh) * 2019-07-01 2019-11-01 浙江师范大学 一种基于深度学习的食品检测识别方法
CN116355725B (zh) * 2023-03-07 2024-04-05 广州市艾贝泰生物科技有限公司 分配器、分配装置及分配方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8486618B2 (en) * 2002-08-01 2013-07-16 Xy, Llc Heterogeneous inseminate system
US20060257854A1 (en) * 2004-02-27 2006-11-16 Mcdevitt John T Membrane assay system including preloaded particles
EP2042853B1 (de) * 2006-07-12 2014-04-23 Toyobo Co., Ltd. Analysegerät und dessen Verwendung
JP5924077B2 (ja) * 2012-03-30 2016-05-25 ソニー株式会社 微小粒子分取装置及び微小粒子分取装置における軌道方向判定方法
EP2936116B8 (de) * 2012-12-19 2020-04-01 Koninklijke Philips N.V. System und verfahren zur klassifikation von teilchen in einer flüssigprobe
US9919533B2 (en) * 2015-10-30 2018-03-20 Ricoh Company, Ltd. Liquid droplet forming apparatus
JP6690245B2 (ja) * 2016-01-12 2020-04-28 日本精工株式会社 マニピュレーションシステム及びマニピュレーションシステムの駆動方法
WO2017214572A1 (en) * 2016-06-10 2017-12-14 The Regents Of The University Of California Image-based cell sorting systems and methods
JP6646552B2 (ja) * 2016-09-13 2020-02-14 株式会社日立ハイテクノロジーズ 画像診断支援装置、画像診断支援方法及び試料分析システム

Also Published As

Publication number Publication date
JP2021524265A (ja) 2021-09-13
KR20210029247A (ko) 2021-03-15
LU100870B1 (de) 2020-01-09
AU2019301870A1 (en) 2021-01-21
AU2019301870B2 (en) 2022-06-23
US20210293685A1 (en) 2021-09-23
WO2020011773A1 (de) 2020-01-16
CN112400103A (zh) 2021-02-23
SG11202013238TA (en) 2021-02-25
CA3104615A1 (en) 2020-01-16
IL280006A (en) 2021-03-01

Similar Documents

Publication Publication Date Title
DE68926796T2 (de) System und Verfahren für automatische Zellenklassifizierung, basierend auf ein Neuronalnetzwerk
DE102008059788B4 (de) Analyse und Klassifizierung insbesondere biologischer oder biochemischer Objekte auf Basis von Zeitreihen-Bildern, anwendbar bei der zytometrischen Time-Lapse-Zellanalyse in der bildbasierten Zytometrie
EP0177718B1 (de) Verfahren und Vorrichtung zur Sortierung von mikroskopischen Partikeln
EP3671632A1 (de) Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
DE19629141A1 (de) Verfahren und Vorrichtung zum Screening von Molekülen bezüglich ihres individuellen Bindungsverhaltens zu mindestens einem vorgegebenen Ligand
EP3821228A1 (de) Verfahren zum untersuchen einer flüssigen probe und eine dispensiervorrichtung
EP1181525A2 (de) Verfahren zur automatischen analyse von mikroskopaufnahmen
WO2015052046A1 (de) In-vitro-verfahren zum markierungsfreien bestimmen eines zelltyps einer zelle
WO2019206476A1 (de) Verfahren zum untersuchen einer flüssigkeit, die wenigstens eine zelle und/oder wenigstens ein partikel enthält
DE102014200448A1 (de) Verfahren zum Analysieren einer Probe mit einem Mikroskop
EP2126790B1 (de) Verfahren und datenverarbeitungssystem zur automatischen erkennung, verarbeitung, interpretation und schlussfolgerung von als digitale daten vorliegenden objekten, insbesondere auch von unbekannten objekten
LU102108B1 (de) Verfahren zum automatischen Untersuchen einer flüssigen Probe
LU100772B1 (de) Verfahren zum Erzeugen wenigstens eines geschlossenen Bereichs auf einer Trägeroberfläche eines Trägers
DE2056291A1 (de) Vorrichtung zur Unterscheidung, zum Zahlen und Sortieren von Teilchen ent sprechend ihrer MikroStruktur
LU101494B1 (de) Verfahren zum Dispensieren einer flüssigen Probe mittels einer Dispensiereinrichtung
DE102014106918A1 (de) Verfahren und Vorrichtung zur automatisierten Durchführung von affinitätsbasierten Assays
WO2020078952A1 (de) Vorrichtung und verfahren zur untersuchung von reaktionen
WO2024013044A1 (de) Verfahren zum einstellen eines piezoelektrischen aktors
EP4123600A1 (de) Verfahren zum erfassen eines partikels in einem mit flüssigkeit gefüllten behältnis
WO2013060482A1 (de) Vorrichtung und verfahren zum nachweis von in biologischen oder chemischen proben vorliegenden substanzen
DE19933212A1 (de) Methode und Vorrichtung zur Hochdurchsatzanalyse molekularer Interaktionen über Oberflächen Plasmonen Resonanz
EP4206986A1 (de) Verfahren zur analyse von gefügen in stahlproben
DE102022132894A1 (de) Verfahren zum Ermitteln einer unteren Grenzfläche und/oder einer oberen Grenzfläche einer in einem Behältnis befindlichen Flüssigkeit
LU100331B1 (de) Verfahren zum Ausgeben einer Flüssigkeit
DE102022209247A1 (de) Untersuchung von Bauteilen auf Fehler mittels eines Bauteilanalysators

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20210204

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RIN1 Information on inventor provided before grant (corrected)

Inventor name: PFLEGHAR, KEVIN

Inventor name: RIBA, JULIAN

Inventor name: SCHOENDUBE, JONAS

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20230405

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: CYTENA GMBH