JP2020101524A - 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 - Google Patents
情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 Download PDFInfo
- Publication number
- JP2020101524A JP2020101524A JP2019208332A JP2019208332A JP2020101524A JP 2020101524 A JP2020101524 A JP 2020101524A JP 2019208332 A JP2019208332 A JP 2019208332A JP 2019208332 A JP2019208332 A JP 2019208332A JP 2020101524 A JP2020101524 A JP 2020101524A
- Authority
- JP
- Japan
- Prior art keywords
- information
- spectrum
- test substance
- sample
- information processing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004364 calculation method Methods 0.000 title claims description 52
- 239000000126 substance Substances 0.000 claims abstract description 277
- 238000012360 testing method Methods 0.000 claims abstract description 263
- 230000003595 spectral effect Effects 0.000 claims abstract description 39
- 239000000356 contaminant Substances 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 136
- 238000004458 analytical method Methods 0.000 claims description 96
- 230000010365 information processing Effects 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 34
- 238000000862 absorption spectrum Methods 0.000 claims description 24
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 11
- 238000002441 X-ray diffraction Methods 0.000 claims description 11
- 229940088594 vitamin Drugs 0.000 claims description 11
- 229930003231 vitamin Natural products 0.000 claims description 11
- 235000013343 vitamin Nutrition 0.000 claims description 11
- 239000011782 vitamin Substances 0.000 claims description 11
- KTLRWTOPTKGYQY-UHFFFAOYSA-N N-methyl-4-pyridone-3-carboxamide Chemical compound CN1C=CC(=O)C(C(N)=O)=C1 KTLRWTOPTKGYQY-UHFFFAOYSA-N 0.000 claims description 10
- JLQSXXWTCJPCBC-UHFFFAOYSA-N N-methyl-6-pyridone-3-carboxamide Chemical compound CN1C=C(C(N)=O)C=CC1=O JLQSXXWTCJPCBC-UHFFFAOYSA-N 0.000 claims description 10
- 238000000295 emission spectrum Methods 0.000 claims description 10
- 238000002076 thermal analysis method Methods 0.000 claims description 9
- GHOKWGTUZJEAQD-ZETCQYMHSA-N (D)-(+)-Pantothenic acid Chemical compound OCC(C)(C)[C@@H](O)C(=O)NCCC(O)=O GHOKWGTUZJEAQD-ZETCQYMHSA-N 0.000 claims description 8
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 claims description 8
- LXNHXLLTXMVWPM-UHFFFAOYSA-N pyridoxine Chemical compound CC1=NC=C(CO)C(CO)=C1O LXNHXLLTXMVWPM-UHFFFAOYSA-N 0.000 claims description 8
- 238000004993 emission spectroscopy Methods 0.000 claims description 7
- 238000001819 mass spectrum Methods 0.000 claims description 7
- 230000005298 paramagnetic effect Effects 0.000 claims description 7
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 6
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 claims description 6
- 238000004847 absorption spectroscopy Methods 0.000 claims description 6
- 150000001413 amino acids Chemical class 0.000 claims description 6
- RMRCNWBMXRMIRW-BYFNXCQMSA-M cyanocobalamin Chemical compound N#C[Co+]N([C@]1([H])[C@H](CC(N)=O)[C@]\2(CCC(=O)NC[C@H](C)OP(O)(=O)OC3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)C)C/2=C(C)\C([C@H](C/2(C)C)CCC(N)=O)=N\C\2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O RMRCNWBMXRMIRW-BYFNXCQMSA-M 0.000 claims description 6
- 102000004169 proteins and genes Human genes 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 229960003495 thiamine Drugs 0.000 claims description 6
- GHOKWGTUZJEAQD-UHFFFAOYSA-N Chick antidermatitis factor Natural products OCC(C)(C)C(O)C(=O)NCCC(O)=O GHOKWGTUZJEAQD-UHFFFAOYSA-N 0.000 claims description 5
- 238000001237 Raman spectrum Methods 0.000 claims description 5
- 238000002083 X-ray spectrum Methods 0.000 claims description 5
- 238000002189 fluorescence spectrum Methods 0.000 claims description 5
- 238000002186 photoelectron spectrum Methods 0.000 claims description 5
- LDHMAVIPBRSVRG-UHFFFAOYSA-O 1-methylnicotinamide Chemical compound C[N+]1=CC=CC(C(N)=O)=C1 LDHMAVIPBRSVRG-UHFFFAOYSA-O 0.000 claims description 4
- 241000233866 Fungi Species 0.000 claims description 4
- 238000004566 IR spectroscopy Methods 0.000 claims description 4
- 238000005481 NMR spectroscopy Methods 0.000 claims description 4
- 238000001069 Raman spectroscopy Methods 0.000 claims description 4
- JZRWCGZRTZMZEH-UHFFFAOYSA-N Thiamine Natural products CC1=C(CCO)SC=[N+]1CC1=CN=C(C)N=C1N JZRWCGZRTZMZEH-UHFFFAOYSA-N 0.000 claims description 4
- 241000700605 Viruses Species 0.000 claims description 4
- 238000002056 X-ray absorption spectroscopy Methods 0.000 claims description 4
- 238000000441 X-ray spectroscopy Methods 0.000 claims description 4
- 235000001014 amino acid Nutrition 0.000 claims description 4
- 235000010323 ascorbic acid Nutrition 0.000 claims description 4
- 229960005070 ascorbic acid Drugs 0.000 claims description 4
- 239000011668 ascorbic acid Substances 0.000 claims description 4
- 238000005251 capillar electrophoresis Methods 0.000 claims description 4
- 238000004587 chromatography analysis Methods 0.000 claims description 4
- 235000014113 dietary fatty acids Nutrition 0.000 claims description 4
- SYKQOFCBFHMCJV-UHFFFAOYSA-N ethyl 2-cyano-3-phenylpropanoate Chemical compound CCOC(=O)C(C#N)CC1=CC=CC=C1 SYKQOFCBFHMCJV-UHFFFAOYSA-N 0.000 claims description 4
- 229930195729 fatty acid Natural products 0.000 claims description 4
- 239000000194 fatty acid Substances 0.000 claims description 4
- 150000004665 fatty acids Chemical class 0.000 claims description 4
- 229940093915 gynecological organic acid Drugs 0.000 claims description 4
- 238000004949 mass spectrometry Methods 0.000 claims description 4
- 150000007524 organic acids Chemical class 0.000 claims description 4
- 235000005985 organic acids Nutrition 0.000 claims description 4
- 229940055726 pantothenic acid Drugs 0.000 claims description 4
- 235000019161 pantothenic acid Nutrition 0.000 claims description 4
- 239000011713 pantothenic acid Substances 0.000 claims description 4
- 238000001420 photoelectron spectroscopy Methods 0.000 claims description 4
- 235000000346 sugar Nutrition 0.000 claims description 4
- 150000008163 sugars Chemical class 0.000 claims description 4
- 239000011721 thiamine Substances 0.000 claims description 4
- 235000019157 thiamine Nutrition 0.000 claims description 4
- 229940011671 vitamin b6 Drugs 0.000 claims description 4
- 239000003905 agrochemical Substances 0.000 claims description 3
- 229960002685 biotin Drugs 0.000 claims description 3
- 235000020958 biotin Nutrition 0.000 claims description 3
- 239000011616 biotin Substances 0.000 claims description 3
- 235000000639 cyanocobalamin Nutrition 0.000 claims description 3
- 239000011666 cyanocobalamin Substances 0.000 claims description 3
- 229960002104 cyanocobalamin Drugs 0.000 claims description 3
- 238000000804 electron spin resonance spectroscopy Methods 0.000 claims description 3
- 238000001362 electron spin resonance spectrum Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001506 fluorescence spectroscopy Methods 0.000 claims description 3
- 229940088597 hormone Drugs 0.000 claims description 3
- 239000005556 hormone Substances 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 235000008160 pyridoxine Nutrition 0.000 claims description 3
- 239000011677 pyridoxine Substances 0.000 claims description 3
- 238000002371 ultraviolet--visible spectrum Methods 0.000 claims description 3
- 239000000575 pesticide Substances 0.000 claims description 2
- AUNGANRZJHBGPY-UHFFFAOYSA-N D-Lyxoflavin Natural products OCC(O)C(O)C(O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-UHFFFAOYSA-N 0.000 claims 2
- 239000000284 extract Substances 0.000 claims 2
- 229960002477 riboflavin Drugs 0.000 claims 2
- 235000019192 riboflavin Nutrition 0.000 claims 2
- 239000002151 riboflavin Substances 0.000 claims 2
- 125000001990 thiamine group Chemical group 0.000 claims 2
- 239000000598 endocrine disruptor Substances 0.000 claims 1
- 231100000049 endocrine disruptor Toxicity 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 104
- 238000010801 machine learning Methods 0.000 description 32
- 238000003860 storage Methods 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 238000004811 liquid chromatography Methods 0.000 description 10
- 230000014759 maintenance of location Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 239000012535 impurity Substances 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000004128 high performance liquid chromatography Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 238000011002 quantification Methods 0.000 description 8
- 238000000926 separation method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 235000016709 nutrition Nutrition 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009966 trimming Methods 0.000 description 6
- PVNIIMVLHYAWGP-UHFFFAOYSA-N Niacin Chemical compound OC(=O)C1=CC=CN=C1 PVNIIMVLHYAWGP-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 5
- HNDVDQJCIGZPNO-YFKPBYRVSA-N L-histidine Chemical compound OC(=O)[C@@H](N)CC1=CN=CN1 HNDVDQJCIGZPNO-YFKPBYRVSA-N 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 229940024606 amino acid Drugs 0.000 description 4
- 239000012472 biological sample Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- KYMBYSLLVAOCFI-UHFFFAOYSA-N thiamine Chemical compound CC1=C(CCO)SCN1CC1=CN=C(C)N=C1N KYMBYSLLVAOCFI-UHFFFAOYSA-N 0.000 description 4
- 230000002485 urinary effect Effects 0.000 description 4
- 210000002700 urine Anatomy 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000019152 folic acid Nutrition 0.000 description 3
- 239000011724 folic acid Substances 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 235000015192 vegetable juice Nutrition 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- AGPKZVBTJJNPAG-WHFBIAKZSA-N L-isoleucine Chemical compound CC[C@H](C)[C@H](N)C(O)=O AGPKZVBTJJNPAG-WHFBIAKZSA-N 0.000 description 2
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 description 2
- KDXKERNSBIXSRK-YFKPBYRVSA-N L-lysine Chemical compound NCCCC[C@H](N)C(O)=O KDXKERNSBIXSRK-YFKPBYRVSA-N 0.000 description 2
- FFEARJCKVFRZRR-BYPYZUCNSA-N L-methionine Chemical compound CSCC[C@H](N)C(O)=O FFEARJCKVFRZRR-BYPYZUCNSA-N 0.000 description 2
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 2
- KZSNJWFQEVHDMF-BYPYZUCNSA-N L-valine Chemical compound CC(C)[C@H](N)C(O)=O KZSNJWFQEVHDMF-BYPYZUCNSA-N 0.000 description 2
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 description 2
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 description 2
- 239000004472 Lysine Substances 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- AYFVYJQAPQTCCC-UHFFFAOYSA-N Threonine Natural products CC(O)C(N)C(O)=O AYFVYJQAPQTCCC-UHFFFAOYSA-N 0.000 description 2
- 239000004473 Threonine Substances 0.000 description 2
- KZSNJWFQEVHDMF-UHFFFAOYSA-N Valine Natural products CC(C)C(N)C(O)=O KZSNJWFQEVHDMF-UHFFFAOYSA-N 0.000 description 2
- 229930003451 Vitamin B1 Natural products 0.000 description 2
- 229930003537 Vitamin B3 Natural products 0.000 description 2
- OIRDTQYFTABQOQ-KQYNXXCUSA-N adenosine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O OIRDTQYFTABQOQ-KQYNXXCUSA-N 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 235000014633 carbohydrates Nutrition 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 229960002885 histidine Drugs 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229960000310 isoleucine Drugs 0.000 description 2
- AGPKZVBTJJNPAG-UHFFFAOYSA-N isoleucine Natural products CCC(C)C(N)C(O)=O AGPKZVBTJJNPAG-UHFFFAOYSA-N 0.000 description 2
- 229960003136 leucine Drugs 0.000 description 2
- 150000002632 lipids Chemical class 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 229960003646 lysine Drugs 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 229930182817 methionine Natural products 0.000 description 2
- 229960004452 methionine Drugs 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 229960003512 nicotinic acid Drugs 0.000 description 2
- DFPAKSUCGFBDDF-UHFFFAOYSA-N nicotinic acid amide Natural products NC(=O)C1=CC=CN=C1 DFPAKSUCGFBDDF-UHFFFAOYSA-N 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 229960005190 phenylalanine Drugs 0.000 description 2
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 238000004940 physical analysis method Methods 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- IFGCUJZIWBUILZ-UHFFFAOYSA-N sodium 2-[[2-[[hydroxy-(3,4,5-trihydroxy-6-methyloxan-2-yl)oxyphosphoryl]amino]-4-methylpentanoyl]amino]-3-(1H-indol-3-yl)propanoic acid Chemical compound [Na+].C=1NC2=CC=CC=C2C=1CC(C(O)=O)NC(=O)C(CC(C)C)NP(O)(=O)OC1OC(C)C(O)C(O)C1O IFGCUJZIWBUILZ-UHFFFAOYSA-N 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 229960002898 threonine Drugs 0.000 description 2
- 229960004295 valine Drugs 0.000 description 2
- 239000004474 valine Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 235000010374 vitamin B1 Nutrition 0.000 description 2
- 239000011691 vitamin B1 Substances 0.000 description 2
- 235000019160 vitamin B3 Nutrition 0.000 description 2
- 239000011708 vitamin B3 Substances 0.000 description 2
- YBJHBAHKTGYVGT-OOZYFLPDSA-N 5-[(3as,4r,6ar)-2-oxohexahydro-1h-thieno[3,4-d]imidazol-4-yl]pentanoic acid Chemical compound N1C(=O)N[C@@H]2[C@@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-OOZYFLPDSA-N 0.000 description 1
- 239000002126 C01EB10 - Adenosine Substances 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- OVBPIULPVIDEAO-UHFFFAOYSA-N N-Pteroyl-L-glutaminsaeure Natural products C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)NC(CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-UHFFFAOYSA-N 0.000 description 1
- CEEQUQSGVRRXQI-UHFFFAOYSA-N Pyridoxal 5-phosphate monohydrate Chemical compound O.CC1=NC=C(COP(O)(O)=O)C(C=O)=C1O CEEQUQSGVRRXQI-UHFFFAOYSA-N 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- 229930003571 Vitamin B5 Natural products 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 229960005305 adenosine Drugs 0.000 description 1
- 150000001408 amides Chemical class 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- FAPWYRCQGJNNSJ-UBKPKTQASA-L calcium D-pantothenic acid Chemical compound [Ca+2].OCC(C)(C)[C@@H](O)C(=O)NCCC([O-])=O.OCC(C)(C)[C@@H](O)C(=O)NCCC([O-])=O FAPWYRCQGJNNSJ-UBKPKTQASA-L 0.000 description 1
- 229960002079 calcium pantothenate Drugs 0.000 description 1
- 150000003857 carboxamides Chemical class 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 239000011362 coarse particle Substances 0.000 description 1
- FDJOLVPMNUYSCM-WZHZPDAFSA-L cobalt(3+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+3].N#[C-].N([C@@H]([C@]1(C)[N-]\C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C(\C)/C1=N/C([C@H]([C@@]1(CC(N)=O)C)CCC(N)=O)=C\C1=N\C([C@H](C1(C)C)CCC(N)=O)=C/1C)[C@@H]2CC(N)=O)=C\1[C@]2(C)CCC(=O)NC[C@@H](C)OP([O-])(=O)O[C@H]1[C@@H](O)[C@@H](N2C3=CC(C)=C(C)C=C3N=C2)O[C@@H]1CO FDJOLVPMNUYSCM-WZHZPDAFSA-L 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 229960000304 folic acid Drugs 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- RADKZDMFGJYCBB-UHFFFAOYSA-N pyridoxal hydrochloride Natural products CC1=NC=C(CO)C(C=O)=C1O RADKZDMFGJYCBB-UHFFFAOYSA-N 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229940083542 sodium Drugs 0.000 description 1
- LOIYMIARKYCTBW-OWOJBTEDSA-N trans-urocanic acid Chemical compound OC(=O)\C=C\C1=CNC=N1 LOIYMIARKYCTBW-OWOJBTEDSA-N 0.000 description 1
- LOIYMIARKYCTBW-UHFFFAOYSA-N trans-urocanic acid Natural products OC(=O)C=CC1=CNC=N1 LOIYMIARKYCTBW-UHFFFAOYSA-N 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 235000009492 vitamin B5 Nutrition 0.000 description 1
- 239000011675 vitamin B5 Substances 0.000 description 1
- 235000019158 vitamin B6 Nutrition 0.000 description 1
- 239000011726 vitamin B6 Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
- G01N2030/8804—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86 automated systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
- G01N2030/8895—Independent juxtaposition of embodiments; Reviews
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/88—Integrated analysis systems specially adapted therefor, not covered by a single one of the groups G01N30/04 - G01N30/86
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
Description
前記試料のスペクトル情報と、前記学習モデルとに基づき、前記被検物質の定量的な情報を算出する算出工程とを有することを特徴とする。
以下に、図面を参照しながら、本発明の実施形態について説明する。但し、本発明の範囲は以下で説明する各実施形態に限定されるものではない。
本実施形態における試料とは、複数種類の化合物を含み構成される混合物である。本実施形態では、試料には被検物質とその他の物質(夾雑物)とが含まれている混合物とし、混合物であれば、特に限定されない。また、混合物の成分が特定されている必要はなく、未知の成分が含有されていてもよい。例えば、試料は、血液、尿、唾液等の生体由来の混合物でも良いし、飲食物でもよい。生体由来のサンプルの分析はサンプル提供者の栄養や健康状態を知るための手がかりを含むため、その分析は医学的にも栄養学的にも価値がある。例えば尿中ビタミンB3は糖質、脂質、タンパク質の代謝、エネルギー産生に関与しているため、その尿中代謝物であるN1−メチル−2−ピリドン−5−カルボキサミドの測定は健康維持のための栄養指導に役立つ。
本実施形態における被検物質とは、試料中に含まれる1つ以上の既知の成分である。例えば、タンパク質、DNA、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、環境ホルモンで構成される群から選択される少なくとも一種である。
本実施形態における定量的な情報として、被検物質が試料に含まれる量、被検物質が試料に含まれる濃度、試料中の被検物質の有無等を用いることができる。また、その他の被検物質の定量的な情報として、被検物質の基準量に対して、試料に含まれる被検物質の濃度あるいは量の比率や、試料に含まれる被検物質の量あるいは被検物質の濃度の比率等を用いることができる。
本実施形態におけるスペクトル情報とは、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル(IRスペクトル)、核磁気共鳴スペクトル(NMRスペクトル)、蛍光スペクトル、蛍光X線スペクトル、紫外/可視吸収スペクトル(UV/Visスペクトル)、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、X線吸収スペクトル、X線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、熱分析スペクトルで構成される群から選択される少なくとも一種である。
次に、図1を用いて、本実施形態における情報処理システムを説明する。図1は、本実施形態に係る情報処理装置を含む情報処理システムの全体構成を示す図である。
本実施形態における学習モデルとは、回帰学習モデルであり、深層学習などの機械学習によって生成されたものを用いることができる。機械学習アルゴリズムに教師データを用いて学習を行い、適切な推測が行えるように構築したものをここでは学習モデルと呼ぶ。学習モデルに用いる機械学習アルゴリズムには様々な種類がある。例えば、ニューラルネットワークを用いた深層学習を使うことができる。ニューラルネットワークは入力層、出力層、複数の隠れ層から構成され、各層は活性化関数と呼ばれる計算式で結合されている。ラベル(入力に対応する出力)付き教師データを用いる場合、入力と出力の関係が成り立つように活性化関数の係数を決定していく。複数の教師データを用いて係数を決定していくことで、高い精度で入力に対する出力を予測できる学習モデルを生成する事ができる。
分析装置23は、試料や被検物質等を分析するための装置である。分析装置23は、分析手段の一例に相当する。なお、前述したように、本実施形態では、情報処理装置10と分析装置23とが通信可能に接続されている。しかし、情報処理装置10の内部に分析装置23を備える形態であってもよいし、分析装置23の内部に情報処理装置10を備える形態であってもよい。更に、不揮発メモリなどの記録媒体を介して分析結果(スペクトル情報)を分析装置23から情報処理装置10へ受け渡す形態でもよい。
制御部37は、例えば、少なくとも1つのCPU(Central Processing Unit)等で実現され、情報処理装置10における処理を統括制御する。制御部37は、その機能的な構成として、スペクトル情報取得部41、学習モデル生成部42、学習モデル取得部43、推定部44、情報取得部45、表示制御部46を具備する。
スペクトル情報取得部41は、被検物質と夾雑物とを少なくとも含む試料の分析結果、具体的には試料のスペクトル情報を分析装置23から取得する。なお、あらかじめ分析結果が格納されたデータベース22から、試料のスペクトル情報を取得してもよい。また、同様に被検物質のスペクトル情報を取得する。この被検物質のスペクトル情報は、被検物質が単一で存在した場合のスペクトル情報である。そして、スペクトル情報取得部41は、取得した試料のスペクトル情報を、推定部44に出力する。また、取得した被検物質のスペクトル情報を学習モデル生成部42に出力する。以下では、資料に含まれる被検物質が複数種類の場合について説明をするが、被検物質が1種類であってもよい。
本実施形態に係るスペクトル情報取得部41は、更に試料のスペクトル情報を分割する分割部(不図示)を有していても良い。分割部では被検物質と夾雑物を含む試料のスペクトル情報を、被検物質毎のスペクトル情報に分割する事ができる。
学習モデル生成部42は、スペクトル情報取得部41が取得した被検物質のスペクトル情報を用いて教師データを生成する。そして、学習モデル生成部42は、教師データを用いて深層学習を実行し、学習モデルを生成する。教師データの生成及び学習モデルの生成に関する詳細な説明は、後述する。そして、学習モデル生成部42は、生成した学習モデルを学習モデル取得部43へ出力する。なお、学習モデル生成部42は、生成した学習モデルをデータベース22へ出力してもよい。
学習モデル取得部43は、学習モデル生成部42が生成した学習モデルを取得する。なお、学習モデルがデータベース22に格納されている場合には、学習モデル取得部43は、データベース22から学習モデルを取得する。そして、学習モデル取得部43は、取得した学習モデルを推定部44へ出力する。
推定部44は、学習モデル取得部43が取得した学習モデルに、スペクトル情報取得部41が取得した試料のスペクトル情報を入力することにより、試料に含まれる被検物質の定量的な情報を学習モデルに推定させる。そして、推定部44は、推定された定量的な情報を、情報取得部45へ出力する。推定部44は、試料のスペクトル情報を学習モデルに入力することにより、被検物質の定量的な情報を推定する推定手段の一例に相当する。
表示制御部46は、情報取得部45が取得した定量的な情報を表示部36に表示させる。表示制御部46は、表示制御手段の一例に相当する。
ステップS201では、分析装置23は、被検物質単体を分析し、被検物質のスペクトル情報を取得する。分析条件は、感度や分析時間などの観点から適宜選択すればよい。その際、分析装置23は、被検物質の濃度を何通りか変化させて分析する。どの程度の数が必要であるかは、物質の性質などによっても異なるが、一般的に3点以上変化させることが望ましい。被検物質の分析は、被検物質ごとにそれぞれ分析しても、同時に分析してもよい。そして、分析装置23は、取得したスペクトル情報を情報処理装置10に出力する。情報処理装置10は分析装置23からスペクトル情報を受信し、RAM33又は記憶部34に保持する。スペクトル情報取得部41は、こうして保持されたスペクトル情報を取得する。なお、前述したように、分析結果であるスペクトル情報は、データベース22が保持してもよい。この場合、スペクトル情報取得部41は、データベース22からスペクトル情報を取得する。また、分析装置23が被検物質を分析するタイミングは、ステップS202における教師データの生成よりも前に実行されれば、どのようなタイミングであってもよい。
ステップS202では、学習モデル生成部42は、スペクトル情報取得部41が取得した、被検物質のスペクトル情報を用いて、複数の教師データを生成する。教師データの生成方法について、具体的に説明する。教師データは、被検物質のスペクトル情報に乱数で生成した任意の波形を加算することで生成される。例えば、液体クロマトグラフィーでは、スペクトル情報(クロマトグラム)が示す波形はガウス分布であることが多い。そのため、学習モデル生成部42は、ピークの高さ、中央値、標準偏差を乱数で決定した複数のガウス曲線(ガウス関数)を足し合わせて、複数のランダムノイズを生成する。そして、学習モデル生成部42は、この複数のランダムノイズそれぞれと被検物質のスペクトル情報が示す波形とを足し合わせた複数の波形を生成する。こうして生成された複数の波形は、被検物質と夾雑物とを含む仮想的な試料のスペクトル情報(学習用スペクトル情報)として用いられる。つまり、生成された複数のスペクトル情報を、教師データを構成する入力データとして決定する。更に、学習モデル生成部42は、生成されたスペクトル情報の基となった、被検物質のスペクトル情報から特定されるピークの高さ(定量的な情報)を、教師データを構成する正解データとして決定する。このようにして、学習モデル生成部42は、入力データと正解データの組である複数の教師データを生成する。そして、ステップS201において、学習モデル生成部42は、被検物質の濃度に応じたスペクトル情報を取得しているので、この濃度ごとに複数の教師データを生成する。なお、クロマトグラムの波形は、リテンションタイムが大きくなるにつれて、ピークの幅が大きくなる傾向にあることを踏まえて、学習モデル生成部42は、生成する波形の幅を広くしてもよい。
ステップS203では、学習モデル生成部42は、ステップS202で濃度ごとに生成した複数の教師データを用いて、所定のアルゴリズムに従った機械学習を実施することにより、学習モデルを生成する。本実施形態では、所定のアルゴリズムとして、ニューラルネットワークを用いる。学習モデル生成部42は、複数の教師データを用いてニューラルネットワークに学習をさせることにより、試料のスペクトル情報の入力に基づいて、試料に含まれる被検物質の定量的な情報を推定する学習モデルを生成する。なお、ニューラルネットワークの学習方法は、周知技術であるため、本実施形態では詳細な説明を省略する。また、所定のアルゴリズムとして、例えば、SVM(サポートベクターマシン)、DNN(ディープニューラルネットワーク)を用いても良い。その他のアルゴリズムとして、CNN(コンボリューショナルニューラルネットワーク)等を用いてもよい。被検物質が複数種類ある場合は、それぞれの物質に対して学習モデルを構築する。そして、学習モデル生成部42は、RAM33、記憶部34、又はデータベース22に、生成した学習モデルを格納する。
ステップS301では、分析装置23は、目的の試料を分析し、試料のスペクトル情報を取得する。分析条件は、前述したステップS201と同一の条件とする。そして、分析装置23は、取得したスペクトル情報を情報処理装置10に出力する。情報処理装置10は分析装置23からスペクトル情報を受信し、RAM33又は記憶部34に保持する。スペクトル情報取得部41は、こうして保持されたスペクトル情報を取得する。なお、前述したように、分析結果であるスペクトル情報は、データベース22が保持してもよい。この場合、スペクトル情報取得部41は、データベース22からスペクトル情報を取得する。また、分析装置23が試料を分析するタイミングは、ステップS302における定量的な情報の推定よりも前に実行されれば、どのようなタイミングであってもよい。
ステップS302では、学習モデル取得部43は、RAM33、記憶部34、又はデータベース22に格納された学習モデルを取得する。そして、推定部44は、取得された学習モデルに、ステップS301で取得された試料のスペクトル情報を入力することにより、試料に含まれる被検物質の定量的な情報を推定させる。また、必要に応じて、推定部44は、推定された定量的な情報を、表示部36において表示する形式に換算する。表示部36において表示する形式としては、g/L、mol/Lなどの濃度でもよいし、基準量(標準量)に対する割合でもよい。学習モデルにより推定される値がこれらの表示形式であれば、換算する必要はない。そして、情報取得部45は、推定された定量的な情報を推定部44から取得し、RAM33又は記憶部34に格納する。
ステップS304では、表示制御部46は、ステップS302で学習モデルにより推定された、試料に含まれる被検物質の定量的な情報を、表示部36に表示させる。その際、グラフ形式や表形式に整理して表示してもよい(データ解析方法)。
図7は第二の実施形態に係る算出装置の概略ブロック図である。
本実施形態に係る算出装置700は、被検物質701を含む試料702に対して、被検物質単体の分析結果を受け付ける受付部703と、被検物質の分析結果に関する学習モデルを取得する取得部704を有する。さらに、試料の分析結果と学習モデルを用いて前記被検物質の定量的な情報を算出する算出部705を備えている。
受付部では試料の分析結果、具体的には試料のスペクトル情報に関する情報を受け付ける。分析結果を得るために、本実施形態に係る算出装置が、後述する分析部を有する場合、分析部から試料のスペクトル情報を取得することができる。また、本実施形態に係る算出装置が分析部を有していない場合、予め分析結果を格納したデータベース(図中のDB1)を用意し、データベースから分析結果、すなわち試料のスペクトル情報を取得してもよい。データベースは算出装置に内蔵された記憶装置内や、前記算出装置に外付けされた記憶装置内、またはネットワークを介したクラウド上に存在しても良い。
取得部では、受付部で得られた試料の分析結果を基にして学習モデルを取得する。学習モデルは後述する生成部で生成してもよい。また、予め被検物質の学習モデルを格納したデータベース(図中のDB2)を用意し、データベースから学習モデルを得てもよい。データベースは算出装置に内蔵された記憶装置内や、算出装置に外付けされた記憶装置内、またはネットワークを介したクラウド上に存在しても良い。
本実施形態において学習モデルは、深層学習などの機械学習によって生成されたものを用いることができる。
本実施形態において、スペクトル情報とは、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル、核磁気共鳴スペクトル、蛍光X線スペクトル、可視・紫外線吸収スペクトル、ラマンスペクトルで構成される群から選択される少なくとも一種である。また、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、X線吸収スペクトル、X線回折スペクトル、常磁性共鳴吸収スペクトル、質量スペクトル、熱分析スペクトルで構成される群から選択される少なくとも一種である。
算出部では取得部で得られた学習モデルを前記試料の分析結果に対して適用し、前記試料中の前記被検物質の定量的な情報を算出する。
本実施形態における分析部は前記試料、前記被検物質の分析結果を得るための各種分析機である。分析部は算出装置の他部分の少なくとも一つと同じコンピュータ内に備えられている形態の他、無線および有線のインターネット網を介し接続する形態、さらに不揮発メモリなどの記録媒体を介して分析結果を受け渡す形態でもよい。
生成部では被検物質の分析結果を元に教師データを作成し、深層学習を行うことにより学習モデルを生成する。教師データは被検物質の分析結果に乱数で生成させた任意の波形を加算する事で生成する。例えば、液体クロマトグラフィーでは得られるスペクトル情報はガウス分布をしたものが多い。その場合は、ピーク高さ、中央値、標準偏差を乱数で決定したガウス曲線を複数足し合わせ、さらに前記被検物質の分析結果も足し合わせたものを入力とし、被検物質の分析結果を出力とした教師データとすると良い。出力は得たい情報、例えばピーク高さのみでも良い。より具体的には、被検物質のピークを中央にしてトリミングしたデータを用意する。トリミングする範囲が広いほど、後の算出部で定量する際の精度は上がるが、精度を上げるために必要となる教師データの数は増える。トリミングする範囲は被検物質のピークの標準偏差(σ)の6倍から30倍程度である。好ましくは被検物質のピークの標準偏差(σ)の10倍から20倍であり、14倍から18倍であればさらに良い。次に、トリミングしたデータに任意の波形を加算する。加算する数はクロマトグラム上で分離できずピークが重複してしまう可能性がある数が好ましいが、通常は2個から8個程度で十分である。8個を超えると被検物質のピークの形状予測が難しくなり、定量精度が低下することがある。また、3個以下では分離不十分のクロマトグラムに対して精度よく定量できないことがある。好ましくは3個から6個、4個から5個であればさらに良い。任意の波形の形状は式1に示すガウス関数とすることができる。
本実施形態に係る算出装置はさらに上記学習モデルが保存された記憶部を有していてもよい。その際、上記取得部は記憶部から学習モデルを取得することができる。
本実施形態に係る算出装置は、定量的な情報の表示の制御を行う表示制御部をさらに有していてもよい。
試料としては複数種類の化合物を含み構成される混合物であれば、特に限定されない。また、混合物の成分特定されている必要はなく、未知の成分が含有されていても良い。例えば、血液、尿、唾液等の生体由来の混合物でも良いし、飲食物でも良い。生体由来のサンプルの分析はサンプル提供者の栄養や健康状態を知るための手がかりを含むため、その分析は医学的にも栄養学的にも価値がある。例えば尿中ビタミンB3は糖質、脂質、タンパク質の代謝、エネルギー産生に関与しているため、その尿中代謝物であるN1−メチル−2−ピリドン−5−カルボキサミドの測定は健康維持のための栄養指導に役立つ。
本実施形態における被検物質は前記試料中に含まれる1つ以上の既知の成分である。例えば、タンパク質、DNA、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、環境ホルモンで構成される群から選択される少なくとも一種である。
前記被検物質が前記試料に含まれる量、前記被検物質が前記試料に含まれる濃度、前記試料中の前記被検物質の有無で構成される群から選択される少なくとも一つである。また、前記被検物質の基準量に対して前記試料に含まれる濃度あるいは量の比率、前記被検物質の前記試料に含まれる量あるいは濃度の比率で構成される群から選択される少なくとも一つである。
本実施形態に係る算出方法は、少なくとも以下の工程を有する。
(1)被検物質を含む試料のスペクトル情報を受け付ける受付工程。
(2)被検物質のスペクトル情報に関する学習モデルを取得する取得工程。
(3)試料のスペクトル情報と、学習モデルとに基づき、被検物質の定量的な情報を算出する算出工程。
次に、図8を参照して、算出装置における処理をより詳細に説明する。図8は試料中の被検物質の量を算出処理する処理のフローチャートである。
まず、分析部は被検物質単体を分析する(ステップS801)。分析条件は、感度や測定時間などの観点から適宜選択すればよい。その際、被検物質の濃度を何通りか変化させて測定する。どの程度の数が必要であるかは、物質の性質などによっても異なるが、一般的に3点以上変化させることが望ましい。被検物質が複数種類ある場合は、それぞれ測定することが望ましいが、被検物質同士の信号が十分分離できている場合は、同時に測定してもよい。
続いて、分析部は被検物質を含む目的試料を分析する(ステップS802)。測定条件は前記ステップS801と同一条件に設定する。
続いて、算出部は上記ステップS3において生成された学習モデルを、ステップS802において得られた測定データに適用して、被検物質の量を算出する(ステップS804)。その際、量は表示部において表示する形式に換算する。表示部において表示する形式としては、g/L、mol/Lなどの濃度でもよいし、基準量(標準量)に対する割合でもよい。
次いで、表示部は上記ステップS804において算出された被検物質の量を表示し、ユーザーに提示する。その際、グラフ形式や表形式に整理して表示してもよい。
図9は被検物質3種類(501、502、503)を含むクロマトグラムである。閾値504として0.1を設定し、閾値とクロマトグラムの交点から各被検物質のピーク位置を抽出した。例えばピーク501であれば閾値とクロマトグラムの交点505の中央値506をピーク501の位置とした。同様にピーク502、503のピーク位置を特定した。各ピーク位置は100、250、400となった。
実施例1と同様に図9のクロマトグラムを被検物質3種類に分け、それぞれを0から1.8(0.2刻み)の値で乗算し、被検物質毎に10種類のピーク高さが異なる被検物質データを得た。各被検物質データに対して、中央値、標準偏差、ピーク高さを乱数で設定した4つの正規分布波形を加算したものを試料データとした。試料データは1つの被検物質データに対して1000種類用意した。各試料データとそこに含まれる被検物質データのピーク高さを組みにして10000の教師データとし、被検物質毎に機械学習を行うことにより学習モデルを生成した。機械学習の手法として、全結合ニューラルネットワークを用い、活性化関数としてrelu関数、およびlinear関数を用いた。損失関数として平均二乗誤差を用い、最適化アルゴリズムにはAdamを用いた。十分な定量精度を得るには、100エポック程度の繰り返し演算が必要であった。
実施例2の被検物質データに対して加算した正規分布波形の標準偏差をクロマトグラムの傾向から以下のように設定した。
標準偏差=(乱数0〜5)+時間×0.2+5
それ以外は実施例2の通りに行い、正解値と予測値を比較した(図14)。相関係数0.9程度で予測する事ができた。
実施例1から3は最終的な出力としてピーク高さを求めていたが、ここではピーク高さから関連する情報を予測する手段について実施する。被検物質501から503はその量の比率によって試料のメーカー元を推定できる事が分かっている。予め各メーカーの試料中の被検物質501から503の量とメーカー元(本実施例ではAからEの5種類)を教師データとして機械学習した学習モデルを用意する。図15は学習モデルの例で全結合ニューラルネットワークを用いたものである。1101は入力層で被検物質501から503の量に相当する情報を入力する。1102は中間層である。本実施例では1層だが、被検物質や分類の数によっては複数層用意しても良い。また、ノードの数も適宜変更して良い。1103は出力層で、分類AからEは各メーカーを意味している。中間層から出力層を繋ぐ活性化関数はSoftmax関数とし、出力を確率とする。実施例1から3で得られた各被検物質の量(ピーク高さから算出する)を本実施例の学習モデルに適用する事で、被検物質を含む試料がどのメーカーの確率が高いかを表示させた。結果の一例を図16に示す。
まず、上述したデータ処理の手法の効果を評価するために該手法をシミュレーションデータに適用した例について説明する。
上述したデータ処理の手法の効果を評価するために、該手法を尿中に含まれる、ビタミンB3の代謝物の一種である1,6−ジヒドロ−1−メチル−6−オキソ−3−ピリジンカルボアミド(以下、2pyと呼ぶ)の定量に適用した例について説明する。2py(0.0μg/mL、2.5μg/mL、5.0μg/mL、7.5μg/mL、10μg/mL)をHPLCで測定した実測波形を用意した。リテンションタイム100から400の範囲でトリミングし、2pyをHPLCで実測した波形に対して、中央値、標準偏差、ピーク高さを乱数で設定した4つの正規分布波形を加算し試料データを作成した。2pyのピーク中央値が250、標準偏差が10程度、想定する最大ピーク高さが500であった。これを踏まえて、ピーク高さ(式1のa)は0から750、中央値(式1のb)は130から370、標準偏差(式1のc)は5から50までの範囲で乱数により決定した。試料データは1つの2pyデータに対して1000種類用意した。各試料データとそこに含まれる2pyデータのピーク高さを組みにして5000の教師データとし、機械学習を行うことにより学習モデルを生成した。機械学習の手法は実施例5と同様である。
より夾雑物が多い実施例として、該手法をキリン株式会社の「無添加野菜48種の濃い野菜100%(以下、野菜ジュース)」中に添加した2pyの定量に適用した例について説明する。2pyに関しては実施例6と同様に予めHPLCで波形を測定し、学習モデルを生成した。リテンションタイムが0から200の範囲でトリミングした。そして、ピーク高さ(式1のa)は0.0から1.5、中央値(式1のb)は0から290、標準偏差(式1のc)は10から100までの範囲で乱数により決定し、4つの正規分布波形を加算し試料データを作成した。上記野菜ジュースは予め0.8μmのフィルターで粗大粒子を除き、GLサイエンス株式会社のモノスピンC18で前処理を行った。前処理は10000rpmで遠心分離する事で行った。前処理後の野菜ジュースに対して2py(0.0μg/mL、2.5μg/mL、5.0μg/mL、7.5μg/mL、10μg/mL)を添加し、HPLCで分析して図21のクロマトグラムを得た。図中の矢印で示した部分が2pyのリテンションタイムである。実施例6と同様に各クロマトグラムを生成した学習モデルに適用し2pyに対応するピークの高さを予測したところ、正解値と予測値の相関係数は0.99だった(図22)。夾雑物が多く、ベースラインが0にならない系においても、被検物質である2pyのピークの高さを問題なく予測できることがわかった。
21 LAN
22 データベース
23 分析装置
31 通信IF
32 ROM
33 RAM
34 記憶部
35 操作部
36 表示部
37 制御部
41 スペクトル情報取得部
42 学習モデル生成部
43 学習モデル取得部
44 推定部
45 情報取得部
46 表示制御部
700 算出装置
701 被検物質
702 試料
703 受付部
704 取得部
705 算出部
706,707 分析部
708 データベース
709 生成部
710 データベース
Claims (41)
- 被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得手段を有し、前記学習モデルは、前記被検物質のスペクトル情報に基づいて生成された学習用スペクトル情報に基づいて生成されることを特徴とする情報処理装置。
- 前記試料に含まれる前記被検物質が複数種類であることを特徴とする、請求項1に記載の情報処理装置。
- 前記情報取得手段は、前記試料のスペクトル情報を、前記被検物質毎のスペクトル情報に分割する分割部を更に有することを特徴とする、請求項2に記載の情報処理装置。
- 前記分割部は、前記スペクトル情報のうちユーザーが指定する分割箇所で、前記スペクトル情報を分割することを特徴とする、請求項2または3に記載の情報処理装置。
- 前記分割部は、前記スペクトル情報のうちユーザーが指定する位置及び、前記位置を含む一定範囲を抽出して分割することを特徴とする、請求項3または4に記載の情報処理装置。
- 前記分割部は、前記スペクトル情報のうち、予め設けた閾値を超えた範囲を抽出して分割することを特徴とする、請求項3乃至5の何れか1項に記載の情報処理装置。
- 前記取得された定量的な情報を表示部に表示させる表示制御手段を更に有することを特徴とする、請求項1乃至6の何れか1項に記載の情報処理装置。
- 前記試料に含まれる前記被検物質が複数種類であり、
前記表示制御手段は、前記複数種類の被検物質の定量的な情報から、ユーザーが指定する情報を選択して表示することを特徴とする請求項7に記載の情報処理装置。 - 前記学習モデルは、前記被検物質のスペクトル情報に基づいて生成された学習用スペクトル情報と、前記被検物質のスペクトル情報に基づいて特定される、前記被検物質の定量的な情報との複数の組を教師データとして用いて学習された学習モデルであることを特徴とする、請求項1乃至8の何れか1項に記載の情報処理装置。
- 前記学習用スペクトル情報は、前記被検物質のスペクトル情報とランダムノイズとを用いて生成されることを特徴とする、請求項9に記載の情報処理装置。
- 前記ランダムノイズは、複数のガウス関数の組み合わせによって得られる波形であることを特徴とする、請求項10に記載の情報処理装置。
- 前記ランダムノイズが、乱数、及び前記被検物質のスペクトル情報の中から選択される一部のスペクトル情報を用いて生成されるものであり、前記ランダムノイズは、前記一部のスペクトル情報に基づいて決まることを特徴とする請求項10または11に記載の情報処理装置。
- 前記試料のスペクトル情報を前記学習モデルに入力することにより、前記被検物質の定量的な情報を推定する推定手段を更に有することを特徴とする、請求項1乃至12の何れか1項に記載の情報処理装置。
- 前記スペクトル情報は、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル、核磁気共鳴スペクトル、蛍光スペクトル、蛍光X線スペクトル、紫外/可視吸収スペクトル、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、X線吸収スペクトル、X線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、及び熱分析スペクトルで構成される群から選択される少なくとも一種であることを特徴とする、請求項1乃至13の何れか1項に記載の情報処理装置。
- 前記試料のスペクトル情報を取得するための分析を行う分析手段を更に有することを特徴とする、請求項1乃至14の何れか1項に記載の情報処理装置。
- 前記分析手段は、クロマトグラフィー、キャピラリー電気泳動、光電子分光法、赤外吸収分光法、核磁気共鳴分光法、蛍光分光法、蛍光X線分光法、可視・紫外線吸収分光法、ラマン分光法、原子吸光法、フレーム発光分光法、発光分光法、X線吸収分光法、X線回折法、電子スピン共鳴分光法、質量分析法、及び熱分析法で構成される群から選択される少なくとも一種の手法を用いることを特徴とする請求項1乃至15の何れか1項に記載の情報処理装置。
- 前記被検物質は、タンパク質、DNA、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、及び環境ホルモンで構成される群から選択される少なくとも一種であることを特徴とする、請求項1乃至16の何れか1項に記載の情報処理装置。
- 前記被検物質は、チアミン、リボフラビン、N1−メチルニコチンアミド、N1−メチル−2−ピリドン−5−カルボキサミド、N1−メチル−4−ピリドン−3−カルボキサミド、パントテン酸、ピリドキシン、4−ピリドキシン酸、ビオチン、シアノコバラミン、及びアスコルビン酸で構成される群から選択される少なくとも一種であることを特徴とする、請求項1乃至17の何れか1項に記載の情報処理装置。
- 前記定量的な情報は、前記被検物質が前記試料に含まれる量、前記被検物質が前記試料に含まれる濃度、前記試料中の前記被検物質の有無、前記被検物質の基準量に対する前記試料に含まれる前記被検物質の濃度あるいは量の比率、及び前記被検物質が前記試料に含まれる量あるいは濃度の比率で構成される群から選択される少なくとも一種であることを特徴とする、請求項1乃至18の何れか1項に記載の情報処理装置。
- 被検物質と夾雑物とを含む試料のスペクトル情報を学習モデルに入力することにより推定された、前記被検物質の定量的な情報を取得する情報取得工程を有し、前記学習モデルは、前記被検物質のスペクトル情報に基づいて生成された学習用スペクトル情報に基づいて生成されることを特徴とする情報処理装置の制御方法。
- 前記試料に含まれる前記被検物質が複数種類であることを特徴とする、請求項20に記載の情報処理装置の制御方法。
- 前記情報取得工程は、前記試料のスペクトル情報を、前記被検物質毎のスペクトル情報に分割する分割工程を更に有することを特徴とする、請求項21に記載の情報処理装置の制御方法。
- 前記分割工程は、前記スペクトル情報のうちユーザーが指定する分割箇所で、前記スペクトル情報を分割する工程を含むことを特徴とする、請求項21又は22に記載の情報処理装置の制御方法。
- 前記分割工程は、前記スペクトル情報のうちユーザーが指定する位置及び、前記位置を含む一定範囲を抽出して分割する工程を含むことを特徴とする、請求項22又は23に記載の情報処理装置の制御方法。
- 前記分割工程は、前記スペクトル情報のうち、予め設けた閾値を超えた範囲を抽出して分割する工程を含むことを特徴とする、請求項22乃至24の何れか1項に記載の情報処理装置の制御方法。
- 前記取得された前記被検物質の定量的な情報を表示部に表示させる表示制御工程を有することを特徴とする、請求項21乃至25の何れか1項に記載の情報処理装置の制御方法。
- 前記表示制御工程は、前記被検物質の定量的な情報から、ユーザーが指定する情報を選択して表示する工程を含むことを特徴とする請求項21乃至26の何れか1項に記載の情報処理装置の制御方法。
- 前記学習モデルは、前記被検物質のスペクトル情報に基づいて生成された学習用スペクトル情報と、前記被検物質のスペクトル情報に基づいて特定される、前記被検物質の定量的な情報との複数の組を教師データとして用いて学習された学習モデルであることを特徴とする、請求項21乃至27の何れか1項に記載の情報処理装置の制御方法。
- 前記学習用スペクトル情報は、前記被検物質のスペクトル情報とランダムノイズとを用いて生成されることを特徴とする、請求項28に記載の情報処理装置の制御方法。
- 前記ランダムノイズは、複数のガウス関数の組み合わせによって得られる波形であることを特徴とする、請求項29に記載の情報処理装置の制御方法。
- 前記ランダムノイズが、乱数、及び前記被検物質のスペクトル情報の中から選択される一部のスペクトル情報を用いて生成されるものであり、前記ランダムノイズは、前記一部のスペクトル情報に基づいて決まることを特徴とする請求項29又は30に記載の情報処理装置の制御方法。
- 前記試料のスペクトル情報を前記学習モデルに入力することにより、前記被検物質の定量的な情報を推定する推定工程を更に有することを特徴とする、請求項21乃至31の何れか1項に記載の情報処理装置の制御方法。
- 前記スペクトル情報は、クロマトグラム、光電子スペクトル、赤外線吸収スペクトル(IRスペクトル)、核磁気共鳴スペクトル(NMRスペクトル)、蛍光スペクトル、蛍光X線スペクトル、紫外/可視吸収スペクトル(UV/Visスペクトル)、ラマンスペクトル、原子吸光スペクトル、フレーム発光スペクトル、発光分光スペクトル、X線吸収スペクトル、X線回折スペクトル、常磁性共鳴吸収スペクトル、電子スピン共鳴スペクトル、質量スペクトル、及び熱分析スペクトルで構成される群から選択される少なくとも一種であることを特徴とする、請求項21乃至32の何れか1項に記載の情報処理装置の制御方法。
- 前記試料のスペクトル情報を取得するための分析を行う分析工程を更に有することを特徴とする、請求項21乃至33の何れか1項に記載の情報処理装置の制御方法。
- 前記分析工程は、クロマトグラフィー、キャピラリー電気泳動、光電子分光法、赤外吸収分光法、核磁気共鳴分光法、蛍光分光法、蛍光X線分光法、可視・紫外線吸収分光法、ラマン分光法、原子吸光法、フレーム発光分光法、発光分光法、X線吸収分光法、X線回折法、電子スピン共鳴分光法、質量分析法、及び熱分析法で構成される群から選択される少なくとも一種の手法を行うことを特徴とする請求項21乃至34の何れか1項に記載の情報処理装置の制御方法。
- 前記被検物質は、タンパク質、DNA、ウイルス、菌類、水溶性ビタミン類、脂溶性ビタミン類、有機酸類、脂肪酸類、アミノ酸類、糖類、農薬、及び環境ホルモンの少なくとも1つであることを特徴とする、請求項21乃至35の何れか1項に記載の情報処理装置の制御方法。
- 前記被検物質は、チアミン、リボフラビン、N1−メチルニコチンアミド、N1−メチル−2−ピリドン−5−カルボキサミド、N1−メチル−4−ピリドン−3−カルボキサミド、パントテン酸、ピリドキシン、4−ピリドキシン酸、ビオチン、シアノコバラミン、及びアスコルビン酸の少なくとも1つであることを特徴とする、請求項21乃至36の何れか1項に記載の情報処理装置の制御方法。
- 前記定量的な情報は、前記被検物質が前記試料に含まれる量、前記被検物質が前記試料に含まれる濃度、前記試料中の前記被検物質の有無、前記被検物質の基準量に対する前記試料に含まれる前記被検物質の濃度あるいは量の比率、及び前記被検物質が前記試料に含まれる量あるいは濃度の比率で構成される群から選択される少なくとも一種であることを特徴とする、請求項21乃至37の何れか1項に記載の情報処理装置の制御方法。
- 請求項1乃至38の何れか1項に記載の情報処理装置の各手段としてコンピュータを機能させることを特徴とするプログラム。
- 被検物質を含む試料のスペクトル情報を受け付ける受付部と、
前記被検物質のスペクトル情報に関する学習モデルを取得する取得部と、
前記試料のスペクトル情報と、前記学習モデルとに基づき、前記被検物質の定量的な情報を算出する算出部と、を有する算出装置。 - 被検物質を含む試料のスペクトル情報を受け付ける受付工程と、
前記被検物質のスペクトル情報に関する学習モデルを取得する取得工程と、
前記試料のスペクトル情報と、前記学習モデルとに基づき、前記被検物質の定量的な情報を算出する算出工程と、を有する算出方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216857 | 2018-11-19 | ||
JP2018216857 | 2018-11-19 | ||
JP2018243766 | 2018-12-26 | ||
JP2018243766 | 2018-12-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020101524A true JP2020101524A (ja) | 2020-07-02 |
Family
ID=70773592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019208332A Pending JP2020101524A (ja) | 2018-11-19 | 2019-11-18 | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210248417A1 (ja) |
EP (1) | EP3865872A4 (ja) |
JP (1) | JP2020101524A (ja) |
CN (1) | CN113056672A (ja) |
WO (1) | WO2020105566A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11796495B2 (en) | 2020-09-03 | 2023-10-24 | Rigaku Corporation | Total reflection X-ray fluorescence spectrometer and estimation method |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021064924A1 (ja) * | 2019-10-02 | 2021-04-08 | 株式会社島津製作所 | 波形解析方法及び波形解析装置 |
JP7342629B2 (ja) * | 2019-11-06 | 2023-09-12 | 株式会社島津製作所 | 試料成分推定方法、試料成分推定装置、試料成分推定プログラム、学習方法および学習プログラム |
JP7226388B2 (ja) * | 2020-04-24 | 2023-02-21 | トヨタ自動車株式会社 | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム |
WO2021240939A1 (ja) * | 2020-05-29 | 2021-12-02 | 株式会社島津製作所 | データ処理装置、データ処理方法、データ処理プログラムおよび分析装置 |
CN115997219A (zh) * | 2020-06-23 | 2023-04-21 | 株式会社岛津制作所 | 数据生成方法及装置、以及识别器的生成方法及装置 |
EP4141440A1 (de) * | 2021-08-26 | 2023-03-01 | Siemens Aktiengesellschaft | Ki-beschleunigtes analyseverfahren, auswertungseinheit, gaschromatograph, analysesystem und computerprogrammprodukt |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5218529A (en) * | 1990-07-30 | 1993-06-08 | University Of Georgia Research Foundation, Inc. | Neural network system and methods for analysis of organic materials and structures using spectral data |
JP3130139B2 (ja) * | 1992-09-17 | 2001-01-31 | 株式会社日立製作所 | クロマトグラム解析方法及びクロマトグラフ装置 |
JP3071085B2 (ja) | 1993-03-15 | 2000-07-31 | 株式会社日立製作所 | クロマトグラム解析表示方法及びその装置 |
JP3391862B2 (ja) * | 1993-10-05 | 2003-03-31 | 株式会社日立製作所 | クロマトグラム解析方法 |
JP3583771B2 (ja) * | 2002-10-10 | 2004-11-04 | 株式会社日立製作所 | クロマトグラム解析方法 |
US7410763B2 (en) * | 2005-09-01 | 2008-08-12 | Intel Corporation | Multiplex data collection and analysis in bioanalyte detection |
JP3888389B2 (ja) * | 2006-03-27 | 2007-02-28 | 株式会社日立製作所 | クロマトデータ処理装置,クロマトデータ処理方法、及びクロマトグラフ分析装置 |
EP1967846A1 (en) * | 2007-03-05 | 2008-09-10 | National University of Ireland Galway | En ensemble method and apparatus for classifying materials and quantifying the composition of mixtures |
US20100266185A1 (en) * | 2009-04-21 | 2010-10-21 | Sloan Kettering Institute of Cancer | Malignant tissue recognition model for the prostate |
US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
JP6036304B2 (ja) * | 2013-01-08 | 2016-11-30 | 株式会社島津製作所 | クロマトグラフ質量分析用データ処理装置 |
US10416134B2 (en) * | 2014-09-03 | 2019-09-17 | Shimadzu Corporation | Chromatogram data processing method and chromatogram data processing apparatus |
US10591388B2 (en) * | 2015-04-27 | 2020-03-17 | Virtual Fluid Monitoring Services LLC | Fluid analysis and monitoring using optical spectroscopy |
WO2018020652A1 (ja) * | 2016-07-29 | 2018-02-01 | 株式会社島津製作所 | 質量分析データ解析装置及び解析方法 |
JP6280997B1 (ja) * | 2016-10-31 | 2018-02-14 | 株式会社Preferred Networks | 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法 |
WO2018117129A1 (ja) * | 2016-12-19 | 2018-06-28 | 株式会社ユカシカド | 尿検査装置および尿検査方法 |
WO2018134952A1 (ja) * | 2017-01-19 | 2018-07-26 | 株式会社島津製作所 | 分析データ解析方法および分析データ解析装置 |
JP6729455B2 (ja) | 2017-03-15 | 2020-07-22 | 株式会社島津製作所 | 分析データ解析装置及び分析データ解析方法 |
WO2019060298A1 (en) * | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
US11302039B2 (en) * | 2017-11-09 | 2022-04-12 | Shimadzu Corporation | Waveform analyzer |
US11841373B2 (en) * | 2019-06-28 | 2023-12-12 | Canon Kabushiki Kaisha | Information processing apparatus, method for controlling information processing apparatus, and program |
-
2019
- 2019-11-18 EP EP19887559.3A patent/EP3865872A4/en active Pending
- 2019-11-18 CN CN201980076119.8A patent/CN113056672A/zh active Pending
- 2019-11-18 WO PCT/JP2019/044993 patent/WO2020105566A1/ja unknown
- 2019-11-18 JP JP2019208332A patent/JP2020101524A/ja active Pending
-
2021
- 2021-04-29 US US17/244,422 patent/US20210248417A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11796495B2 (en) | 2020-09-03 | 2023-10-24 | Rigaku Corporation | Total reflection X-ray fluorescence spectrometer and estimation method |
Also Published As
Publication number | Publication date |
---|---|
CN113056672A (zh) | 2021-06-29 |
EP3865872A1 (en) | 2021-08-18 |
EP3865872A4 (en) | 2022-08-10 |
WO2020105566A1 (ja) | 2020-05-28 |
US20210248417A1 (en) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020105566A1 (ja) | 情報処理装置、情報処理装置の制御方法、プログラム、算出装置、及び算出方法 | |
Checa et al. | Lipidomic data analysis: tutorial, practical guidelines and applications | |
JP7483367B2 (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
Carmel et al. | A feature extraction method for chemical sensors in electronic noses | |
JP5496650B2 (ja) | サンプル内の個々の要素を識別及び定量化するために分光測定データを分析するシステム、方法及びコンピュータプログラム製品 | |
Jimenez-Carvelo et al. | Data mining/machine learning methods in foodomics | |
US20160216244A1 (en) | Method and electronic nose for comparing odors | |
JP2014532187A (ja) | 時および/または空間系列ファイルの多成分回帰/多成分分析 | |
Karaman et al. | Sparse multi-block PLSR for biomarker discovery when integrating data from LC–MS and NMR metabolomics | |
US20220252531A1 (en) | Information processing apparatus and control method for information processing apparatus | |
Walach et al. | Robust biomarker identification in a two-class problem based on pairwise log-ratios | |
Hategan et al. | The improvement of honey recognition models built on 1H NMR fingerprint through a new proposed approach for feature selection | |
US11841373B2 (en) | Information processing apparatus, method for controlling information processing apparatus, and program | |
Ju et al. | Identification of rice varieties and adulteration using gas chromatography-ion mobility spectrometry | |
JP2020106340A (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
JP2021009135A (ja) | 情報処理装置、情報処理装置の制御方法、及びプログラム | |
JP4873483B2 (ja) | 信号強度の時系列情報の解析方法、解析プログラム、並びに解析装置 | |
JP2018054305A (ja) | 検量装置、及び、検量線作成方法 | |
Millioni et al. | Operator-and software-related post-experimental variability and source of error in 2-DE analysis | |
Soh et al. | A comparison between the human sense of smell and neural activity in the olfactory bulb of rats | |
WO2013150291A1 (en) | A method for measuring performance of a spectroscopy system | |
Euceda et al. | Prediction of clinical endpoints in breast cancer using NMR metabolic profiles | |
JP2018054307A (ja) | 検量装置、検量線作成方法、及び、独立成分分析方法 | |
Üstündağ et al. | Comparative application of PLS and PCR methods to simultaneous quantitative estimation and simultaneous dissolution test of zidovudine-lamivudine tablets | |
Mohammadkhani et al. | Effect of different pretreatment methods on classification of serum samples measured with 1 H-NMR |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231114 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20231213 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240109 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240326 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240524 |