JP2020106340A - 情報処理装置、情報処理装置の制御方法、及びプログラム - Google Patents
情報処理装置、情報処理装置の制御方法、及びプログラム Download PDFInfo
- Publication number
- JP2020106340A JP2020106340A JP2018243765A JP2018243765A JP2020106340A JP 2020106340 A JP2020106340 A JP 2020106340A JP 2018243765 A JP2018243765 A JP 2018243765A JP 2018243765 A JP2018243765 A JP 2018243765A JP 2020106340 A JP2020106340 A JP 2020106340A
- Authority
- JP
- Japan
- Prior art keywords
- information
- spectrum
- test substance
- information processing
- processing apparatus
- 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
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
【課題】 環境(外気温など)の変動があっても、安定した分析結果が得られる。また、熟練者でなくても消耗品の劣化による分析結果のずれの補正、消耗品交換タイミングの判断ができる。【解決手段】 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と、前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする情報処理装置。【選択図】 図1
Description
本発明は、情報処理装置、情報処理装置の制御方法、及びプログラムに関する。
様々な試料中に含まれる特定成分(以下被検物質)の濃度や量を知る方法としてスペクトル解析が広く用いられている。スペクトル解析では、試料に何らかの刺激を与えた際の応答を検出し、得られた信号をもとに試料を構成する成分に関する情報(スペクトル情報)を得ることができる。刺激や応答を特徴づける、光を含む電磁波の強度の他、温度、質量、そして特定の質量をもった破片のカウント数がスペクトル情報である。刺激として電子衝突を用いて、分解によって生じた破片の質量に対しその量を記録し構造などの情報を得ることもスペクトル解析には含まれる。
スペクトル解析の中にはあらかじめ構成成分間の立体的大きさや、電荷、親・疎水性の違いを利用し、分離を試みた後に電磁波を照射して解析を行う方法もある。これは分離分析と呼ばれる。例えば液体クロマトグラフィー(以下HPLC)では、カラム種や移動相種、そして温度や流速などの分析条件を最適化することにより被検物質とその他の物質(以下、夾雑物と呼ぶ)を分離する。そして、分離した被検物質のスペクトルを計測する事で濃度や量を知る事ができる。また、夾雑物との分離が困難な場合は、予め夾雑物の一部を取り除く前処理を行ったり、分離条件の最適化検討を行う場合もある。前処理や分離条件の最適化でも夾雑物との分離ができない場合は、演算処理によるピーク分割が試みられる。
従来のピーク分割法としては、ベースラインを設ける方法(図14)や、ピーク間の極小値を利用して垂直に分割する方法(図15)、特許文献1や2に記載されたガウス関数など適当な関数を、最小二乗法を用いてフィッティングし分割する方法がある。
ここで、生体由来のサンプルの分析にはHPLCが使われることが多い。しかし、尿や血液など生体由来のサンプルでは夾雑物が多いことや、摂取物由来の未知の夾雑物が含まれるケースがあることから、被検物質を夾雑物から分離する為の分離条件検討や前処理、ピーク分割法等に習熟した操作者が必要になる。
その他、食品の残留の農薬分析や、環境分析夾雑物等も試料に夾雑物が多く含まれるケースは多々ある。そのため初心者でも前処理が必要なく簡便にかつ精度よく夾雑物のサンプル中の被検物質を分析できる方法が望まれていた。
こういった健康維持のための生体サンプルの分析機としては小型で簡便な装置が求められている。しかし、小型で簡便な分析装置は分析の環境を一定状態に保つことが難しく、安定した分析結果を得にくい。また消耗品の劣化による分析結果のずれの解釈、消耗品交換タイミングを判断するには熟練者が必要である。
こういった健康維持のための生体サンプルの分析機としては小型で簡便な装置が求められている。しかし、小型で簡便な分析装置は分析の環境を一定状態に保つことが難しく、安定した分析結果を得にくい。また消耗品の劣化による分析結果のずれの解釈、消耗品交換タイミングを判断するには熟練者が必要である。
小型で簡便な分析装置は分析の環境を一定状態に保つことが難しく、安定した分析結果を得にくい。また消耗品の劣化による分析結果のずれの解釈、消耗品交換タイミングを判断するには熟練者が必要である。
上記課題を解決するために本発明に係る情報処理装置では、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と、
前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする
前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする
本発明では環境(外気温など)の変動があっても、安定した分析結果が得られる。また、熟練者でなくても消耗品の劣化による分析結果のずれの補正、消耗品交換タイミングの判断ができる。
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。
まず、本発明の実施形態を説明するにあたり、用語の説明を行う。
(試料)
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。
(被検物質)
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。
例えば、栄養素の量を知りたい場合、被検物質としては、チアミン(ビタミンB1)、リボフラビン(ビタミンB2)、ビタミンB3代謝物である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、ビタミンB6代謝物である4−ピリドキシン酸、N1−メチル−4−ピリドン−3−カルボキサミド、パントテン酸(ビタミンB5)、ピリドキシン(ビタミンB6)、ビオチン(ビタミンB7)、プテロイルモノグルタミン酸(ビタミンB9)、シアノコバラミン(ビタミンB12)、アスコルビン酸(ビタミンC)等の水溶性ビタミンや、L−トリプトファン、リシン、メチオニン、フェニルアラニン、トレオニン、バリン、ロイシン、イソロイシン、L−ヒスチジン等のアミノ酸や、ナトリウム、カリウム、カルシウム、マグネシウム、リン等のミネラル、等を用いることができる。
(定量的な情報)
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。
(スペクトル情報)
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。
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。
(情報処理システム、情報処理装置)
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、第1の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。
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、第1の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。
情報処理システムは、情報処理装置10とデータベース22と分析装置23とを含んでいる。情報処理装置10とデータベース22とは、通信手段を介して互いに通信可能に接続されている。本実施形態においては、通信手段はLAN(Local Area Network)21で構成される。また、情報処理装置10と分析装置23とは、USB(Universal Serial Bus)等の規格の通信手段で接続されている。なお、LANは有線LANでも無線LANでもよいし、WAN(Wide Area Network)であってもよい。また、USBはLANであってもよい。
データベース22は、分析装置23による分析によって取得されたスペクトル情報を管理する。また、データベース22は、後述する学習モデル生成部42により生成された学習モデル(学習済みモデル)を管理する。情報処理装置10は、データベース22で管理されたスペクトル情報や学習モデルを、LAN21を介して取得する。
(学習モデル)
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。
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)
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。
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。
本実施形態における分析装置23はスペクトル情報を取得できるものであれば限定されず、化学的な分析手法や、物理的な分析手法を用いた装置を利用できる。本実施形態において、化学的な分析手法を用いた装置は、例えば、液体クロマトグラフィーやガスクロマトグラフィー等のクロマトグラフィー、及びキャピラリー電気泳動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。本実施形態において、物理的な分析手法を用いた装置は、例えば、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、常磁性共鳴吸収等を利用した電子スピン共鳴分光法、質量分析法、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。
例えば、液体クロマトグラフィーでは、移動相容器、送液ポンプ、試料注入部、カラム、検出器、A/D変換機を備える。検出器としては、紫外線、可視光線、赤外線などを用いた電磁波の検出器をはじめ、電気化学検出器、イオン検出器等が用いられる。この場合、得られるスペクトル情報は時間に対する検出器からの出力強度となる。
情報処理装置10は、その機能的な構成として、通信IF31、ROM32、RAM33、記憶部34、操作部35、表示部36、制御部37を具備する。
通信IF(Interface)31は、例えば、LANカード及びUSBのインターフェースカードで実現される。通信IF31は、LAN21とUSBを介した外部装置(例えば、データベース22と分析装置23)と情報処理装置10との間の通信を司る。ROM(Read Only Memory)32は、不揮発性のメモリ等で実現され、各種プログラム等を記憶する。RAM(Random Access Memory)33は、揮発性のメモリ等で実現され、各種情報を一時的に記憶する。記憶部34は、例えば、HDD(Hard Disk Drive)等で実現され、各種情報を記憶する。操作部35は、例えば、キーボードやマウス等で実現され、ユーザからの指示を装置内に入力する。表示部36は、例えば、ディスプレイ等で実現され、各種情報をユーザに向けて表示する。操作部35や表示部36は、制御部37からの制御によりGUI(Graphical User Interface)としての機能を提供する。
(制御部)
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。
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)
スペクトル情報取得部41は、複数の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。
スペクトル情報取得部41は、複数の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。
(学習モデル生成部)
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)
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。
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)
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。
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。
情報取得部45は、学習モデルが推定した定量的な情報を取得する。すなわち、情報取得部45は、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の一例に相当する。そして、情報取得部45は、取得した定量的な情報を表示制御部46へ出力する。
(表示制御部)
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。
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。
なお、制御部37が具備する各部の少なくとも一部は、独立した装置として実現してもよい。また、夫々が機能を実現するソフトウェアとして実現してもよい。この場合、機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。本実施形態では各部はローカル環境におけるソフトウェアにより夫々実現されているものとする。
なお、図1に示す情報処理システムの構成はあくまで一例である。例えば、情報処理装置10の記憶部34がデータベース22の機能を具備し、記憶部34が各種情報を保持してもよい。
(校正部)
本実施形態に係る情報処理装置は、上記に加えて、スペクトル情報を得るための分析装置の状態変化に応じて、上記定量的な情報を校正する校正部47を有する。分析装置23は、それが置かれている温度や、それを用いて分析を行う季節に応じて、状態変化が生じうる。また、分析装置23を繰り返し使用するうちに、経時劣化等の状態変化が生じうる。例えば、分析装置23がクロマトグラフィーを用いる装置である場合、装置のカラムの状態変化が生じうる。
本実施形態に係る情報処理装置は、上記に加えて、スペクトル情報を得るための分析装置の状態変化に応じて、上記定量的な情報を校正する校正部47を有する。分析装置23は、それが置かれている温度や、それを用いて分析を行う季節に応じて、状態変化が生じうる。また、分析装置23を繰り返し使用するうちに、経時劣化等の状態変化が生じうる。例えば、分析装置23がクロマトグラフィーを用いる装置である場合、装置のカラムの状態変化が生じうる。
その結果、たとえ試料に含まれる成分が同じであったとしても、スペクトル情報が変化してしまう。そこで、校正部によって、上記温度変化や季節変化、経時劣化等に応じて、定量的な情報を校正することによって、適切な情報を得ることが出来る。
(受付部)
上記校正を行うための情報を得るために、本実施形態に係る情報処理装置は、校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付部48を有する。
上記校正を行うための情報を得るために、本実施形態に係る情報処理装置は、校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付部48を有する。
校正用スペクトル情報は、分析装置23に、被検物質単体を含む試料等、スペクトル情報が特定しやすい校正用の試料を付与して得ることが出来る。
受付部48は、一または複数の校正用スペクトル情報を受け付けて前述の校正部47に送り、校正部47は受付部48から取得した校正用スペクトル情報を用いて校正を行う。
受付部48は、分析結果を得るために前述の分析装置23を有していてもよい。校正用スペクトル情報は基本的には一定間隔で取得する。例えば1日1回、ユーザーが装置を使用していない時間などに分析を行い取得する。受付部48には記憶装置が備わっていても良い。受け付けた校正用試料の分析結果を日時とともに保存し、後述する取得部で学習モデルの更新に使用する事ができる。
また、第一の時刻で取得された校正用スペクトル情報と、第一の時刻よりも前の時刻で取得された校正用スペクトル情報との差異に基づいて、分析装置の状態に関する情報を表示部に表示させる制御を行う表示制御部を有してもよい。また、校正用スペクトル情報に少なくとも基づいて、分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有してもよい。また、第一の時刻で取得された校正用スペクトル情報と、第一の時刻よりも前の第二の時刻で取得された校正用スペクトル情報との差異に基づいて、分析装置の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有してもよい。
なお、受付部48で得られた校正用スペクトル情報を用いて、学習モデル取得部50によって学習モデルを取得する構成でもよい。学習モデルは後述する学習モデル生成部49で生成してもよい(図2)。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から学習モデルを取得してもよい。データベースは情報処理装置に内蔵された記憶装置内や情報処理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てサーバから取得しても良い。
複数回に渡って校正用スペクトル情報を得る場合、次のようの手段で学習モデルを更新することができる。
<手段1>校正用の試料の分析結果を取得する度に学習モデルを更新する。
この場合、後述する生成部にて校正用試料の分析結果を元に新しい学習モデルを生成する。新しい学習モデルは既存の学習モデルと置き換えて使用する。例えば、毎日校正用試料を分析する場合、学習モデルも毎日更新される。
<手段2>校正用の試料の分析結果を蓄積し、一定期間毎に学習モデルを更新する。
得られた校正用の試料の分析結果は校正データ受付部の記憶装置に保存し、一定期間毎に保存した分析結果を元に後述する生成部にて新しい学習モデルを生成する。分析結果を保存する際には分析の日時を同時に保存し、学習モデル生成時には日時が新しいものから一定数の分析結果を使用する。例えば、毎日校正用試料を分析し、15日毎に30日分の分析結果を用いて学習モデルを更新する。
<手段3>校正用の試料の分析結果の変化から学習モデルを更新するか否かを決める。
校正用の試料の分析結果を数値化(例えばピーク面積、ピーク高さ、ピーク幅など)し、前回の校正用試料の分析結果の数値と比較し、変化量が閾値を超えた場合に学習モデルを更新する。閾値は予め設定しておくか、ユーザーが設定する。学習に使用する分析結果は手段2のように蓄積した中から複数個の分析結果を用いても良い。
分析部の検出器は、外気温等の環境や劣化によって出力が変化する場合がある。この場合、後述する算出部で補正しても良い。
学習モデル生成部49では前記被検物質の分析結果、または校正用試料の分析結果を元に教師データを作成し、深層学習を行い学習モデルを生成する。教師データは前記被検物質の分析結果、または校正用試料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、前記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。
(校正用試料)
前述の校正用スペクトル情報を得るための校正用の試料は、ある定まった物質の定量を目的としている場合、例えば栄養素検出器では被検物質は各種ビタミンやミネラルであり、校正用試料としても同様に各種ビタミン、ミネラルを用いると良い。具体的には前記被検物質が該当する。
前述の校正用スペクトル情報を得るための校正用の試料は、ある定まった物質の定量を目的としている場合、例えば栄養素検出器では被検物質は各種ビタミンやミネラルであり、校正用試料としても同様に各種ビタミン、ミネラルを用いると良い。具体的には前記被検物質が該当する。
ここで、校正用試料の分析結果を数値化していた場合、その値を用いて前記被検物質の量を補正しても良い。例えば、学習モデル作成時の校正用試料のピーク面積1であって、学習モデルを更新することなく使用し続け、校正用試料のピーク面積が1.2になっていた場合、前記被検物質のピーク面積を1.2倍にする処理を行う。詳細は後述する補正方法で説明する。
次に図3〜4を用いて、本実施形態における処理手順を説明する。図3は、学習モデルの生成に関する処理手順のフローチャートである。
(S201)(被検物質単体を分析)
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。
(S202)(教師データを生成)
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。
特許文献3では検体のマススペクトルデータを癌の有無と紐付けて機械学習させる方法が開示されている。しかし、機械学習の精度を上げる為には多量の教師データを必要とする。特許文献3では教師データとして9万種のデータを用意している。つまり、機械学習は複雑な分析結果に対して精度良く解析できるが、多量の教師データを用意する必要がある点が難点である。本実施形態では、機械学習の難点である教師データを多量に用意する必要がないため、ユーザの負担を軽減することができる。
なお、このようにして教師データを生成したが、複数の試料を分析装置23で分析することで、学習用の試料のスペクトル情報を取得し、被検物質の定量的な情報と併せて教師データとしてもよい。また、前述した方法とは異なる方法で、仮想的な試料のスペクトル情報を生成してもよい。
(S203)(学習モデルを生成)
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。
以上のようにして、試料のスペクトル情報に基づいて、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。
(S301)(試料を分析)
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。
(S302)(定量的な情報を推定)
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。
このように、被検物質のピークと夾雑物のピークが完全に分離できていなくても機械学習で得られる学習モデルを利用することで、分析に関する複雑で高度な知識が無くても精度よく被検物質の定量的な情報を得ることができる。
その結果、熟練者でなくとも簡易に高精度で被検物質の定量分析を行うことができる。
その結果、熟練者でなくとも簡易に高精度で被検物質の定量分析を行うことができる。
(S303)(定量的な情報を表示)
ステップS303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。
ステップS303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)
次に、図4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4は試料中の被検物質の量を算出する処理のフローチャートである。
次に、図4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4は試料中の被検物質の量を算出する処理のフローチャートである。
まず、分析部は被検物質を分析する(ステップS401)。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しても良い。
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S402)。測定条件は前記ステップS1と同一条件に設定する。
続いて、生成部は、ステップS1で得られた被検物質の測定結果を用いて教師データを生成する。生成した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して学習モデルを構築する(ステップS403)。具体的な学習の手法としては例えば、一般的な機械学習手法としてニューラルネットワークやサポートベクターマシンなどを用いてもよい。また、隠れ層が多層になった深層学習手法として、DNN(ディープニューラルネットワーク)やCNN(コンボリューショナルニューラルネットワーク)などを用いてもよい。
続いて、算出部は上記ステップS403において生成された学習モデルを、ステップS2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S404)。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、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S404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(S405)。その際、グラフ形式や表形式に整理して表示してもよい。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
以下に、実施例および比較例を挙げて本発明をより詳細に説明するが、本発明は以下の実施例に限定されるものではない。
(データ解析方法)
次に、図5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5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。
次に、図5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5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S501)。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S502)。測定条件は前記ステップS501と同一条件に設定する。
続いて、生成部は、ステップS501で得られた被検物質単体の測定結果を用いて複数の教師データを生成する。生成した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して学習モデルを構築する(ステップS503)。具体的な学習の手法としては例えば、一般的な機械学習手法としてニューラルネットワークやサポートベクターマシンなどを用いてもよい。また、隠れ層が多層になった深層学習手法として、DNN(ディープニューラルネットワーク)やCNN(コンボリューショナルニューラルネットワーク)などを用いてもよい。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。
続いて、算出部は上記ステップS503において生成された学習モデルを、ステップS502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S504)。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、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S504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(S505)。
以後、同一の被検物質となる試料を分析する際は、同じ学習モデルを利用できるのでステップS501、S503を行わなくて良い。但し、長期間同じ学習モデルを使用する際には、後述する校正方法、補正方法が必要である。
(校正方法)
同一の被検物質となる試料を測り続ける場合は、ステップS501、S503を行わない代わりに、図6に示す校正を定期的に行う必要がある。
同一の被検物質となる試料を測り続ける場合は、ステップS501、S503を行わない代わりに、図6に示す校正を定期的に行う必要がある。
まず、分析部は校正用試料を分析する(ステップS601)。分析条件は、前記試料、被検物質と同一条件に設定する。得られた分析結果は校正データ受付部で受け取り、保存する(ステップS602)。この際、分析日時とともに保存しておく。この校正用試料の分析は一定期間毎に実施する。例えば1日1回行う。
次に、生成部にてステップS602で保存した分析結果を用いて学習モデルを生成する。この学習モデルの生成は校正用試料の分析の度に行っても良いし、何回かに1度でも良い。分析の度に学習モデルを生成するのであればステップS602にて保存した分析結果1つを用いて複数の教師データを生成する。何回かに1度学習モデルを更新する場合は、ステップS602で保存した分析結果を複数個用いて教師データを生成する事ができる。この場合、それぞれの分析結果に対して複数の教師データを生成する。学習に使用するデータの数は学習モデル更新の頻度に合わせると良い。例えば15日毎に学習モデルを更新する場合は、過去15日分以上の分析結果を用いるのが良い。また、分析データの日時が新しいものの重みを大きくし、古いデータは重みを小さくして学習させても良い。具体的には、日付の新しいデータは重み1とし、古くなるにしたがって重みを減らす。減らし方は線形でもシグモイド関数のような変化でも良い。この重みを元に、教師データに分析結果を採用するかどうかを決める。分析結果毎に乱数で0から1の値を生成し、重み以下の値になった分析結果は採用し、重みを超えた値が出た場合は分析結果を採用しないとする。
教師データを用意した後に、所定のアルゴリズムに従った機械学習を実施して学習モデルを構築する(ステップS603)。作製した学習モデルは被検物質の量を算出する学習モデルと置き換える(ステップS604)。
(補正方法)
同一の被検物質となる試料を測り続けており、校正による学習モデルの更新が行われていない間は算出された被検物質の量を補正すると良い。図7に補正方法について示す。
同一の被検物質となる試料を測り続けており、校正による学習モデルの更新が行われていない間は算出された被検物質の量を補正すると良い。図7に補正方法について示す。
被検物質に関しては前記データ解析方法のステップS701からS704までは同様である。校正用試料に関しても分析と保存のステップS705、S706は前記校正方法と同様である。得られた校正用試料の分析結果が2つ以上になった場合、その分析結果(A)と、1つ前の分析結果(B)の差分を算出する(ステップS707)。差分は分析結果を数値化したうえで算出する。数値化は例えばピーク高さ、ピーク幅、ピーク位置、ピーク面積などの被検物質の量と相関があるものである。例えばピーク面積と被検物質の量の相関が高い場合、AとBのピーク面積を比較して差分を求める。差分(C)は差(A−B)や商(A/B)などの数値で表す。ステップS704で算出した被検物質の量(D)はステップS10で補正される。補正には先ほど求めた差分を用い、差で差分を求めた場合は補正後の被検物質の量=D+Cとなり、商で差分を求めた場合は補正後の被検物質の量=D×Cとなる。
(アラートの表示)
分析部の劣化が著しく安定した結果が出力できなくなってくると、上記校正、補正を行ったとしても正しい値を求める事が出来なくなってくる。校正用試料の分析結果を数値化(例えばピーク面積、ピーク高さ、ピーク幅など)し保存していく事で、分析部の劣化を判断できる。保存した分析結果の数値が初期の数値と比較し、ある閾値を超えた時に分析部が劣化したことを示すアラートを表示する事ができる。閾値は分析部に依存する為、予め分析の安定性と分析結果の数値の変化から決定しておく。
分析部の劣化が著しく安定した結果が出力できなくなってくると、上記校正、補正を行ったとしても正しい値を求める事が出来なくなってくる。校正用試料の分析結果を数値化(例えばピーク面積、ピーク高さ、ピーク幅など)し保存していく事で、分析部の劣化を判断できる。保存した分析結果の数値が初期の数値と比較し、ある閾値を超えた時に分析部が劣化したことを示すアラートを表示する事ができる。閾値は分析部に依存する為、予め分析の安定性と分析結果の数値の変化から決定しておく。
(消耗品交換時期の予測)
上記アラートの表示での分析結果の数値の変化から、分析部の劣化の予測が可能である。これによって分析部の消耗品交換時期の予測をすることが可能である。アラート表示の為の閾値を決定する際に予め分析の安定性と分析結果の数値の変化を記録するが、その変化を数式に落とし込むことでアラート表示までの日数等を予測する事が可能になる。変化を数式に落とし込む際には、線形関数、多次曲線、指数関数などに最小二乗法で合わせ込めばよい。または、変化を機械学習し消耗品交換時期を予測しても良い。
上記アラートの表示での分析結果の数値の変化から、分析部の劣化の予測が可能である。これによって分析部の消耗品交換時期の予測をすることが可能である。アラート表示の為の閾値を決定する際に予め分析の安定性と分析結果の数値の変化を記録するが、その変化を数式に落とし込むことでアラート表示までの日数等を予測する事が可能になる。変化を数式に落とし込む際には、線形関数、多次曲線、指数関数などに最小二乗法で合わせ込めばよい。または、変化を機械学習し消耗品交換時期を予測しても良い。
本発明は、上述の実施形態の1以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける1つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、1以上の機能を実現する回路(例えば、ASIC)によっても実現可能である。
以下に、実施例および比較例を挙げて本発明をより詳細に説明するが、本発明は以下の実施例に限定されるものではない。
(実施例1)
図8は本実施例で使用する装置の概略図である。分析部として液体クロマトグラフィー装置が接続してある。インジェクタ801にサンプルを注入後、シリンジポンプ802が溶離液803を押し出すことで、溶離液とともにサンプルが分離カラム804内を通過し、サンプル中の成分が分離される。その後に、電気化学セル805およびポテンショスタット806にて各成分が分析結果として検出される。装置を使用する度に分離カラムが劣化し性能が変化する事を模擬する為に、分離カラム804には使用期間が異なる逆相カラムを10本用意し、計測の度に逆相カラムを古いものに交換した。この装置を用いて被検物質を計測する実験を行った例が図9である。実験回数が進み分離カラムが古くなるほど被検物質の溶出時間は遅くなり、ピーク幅が広がる傾向を確認した。
図8は本実施例で使用する装置の概略図である。分析部として液体クロマトグラフィー装置が接続してある。インジェクタ801にサンプルを注入後、シリンジポンプ802が溶離液803を押し出すことで、溶離液とともにサンプルが分離カラム804内を通過し、サンプル中の成分が分離される。その後に、電気化学セル805およびポテンショスタット806にて各成分が分析結果として検出される。装置を使用する度に分離カラムが劣化し性能が変化する事を模擬する為に、分離カラム804には使用期間が異なる逆相カラムを10本用意し、計測の度に逆相カラムを古いものに交換した。この装置を用いて被検物質を計測する実験を行った例が図9である。実験回数が進み分離カラムが古くなるほど被検物質の溶出時間は遅くなり、ピーク幅が広がる傾向を確認した。
以下の手順で本発明の効果を確認した。まず、最も新しい分離カラムをセットし、校正用試料としてアスコルビン酸10μg/mlの水溶液を用意した。溶離液はリン酸緩衝液/メタノール=7/3を用い、1Vで電気化学検出を行った。検出されたピークを用いて学習モデルを生成し、任意の濃度のアスコルビン酸と各種夾雑物を含む試料を用意し、校正用試料と同様に電気化学検出を行った。得られたクロマトグラムに対して作成した学習モデルを適用し、試料中のアスコルビン酸濃度を求めた。同様の実験を10回行い、試料中に含有させたアスコルビン酸濃度と学習モデルで算出したアスコルビン酸濃度の相関係数を求めた。
次に、分離カラムを1つ古いものに交換し、上記と同様に校正用試料を計測し、学習モデルを新たに作成しなおした。続いて試料の計測、試料中のアスコルビン酸濃度の算出を行った。10回実験を繰り返して試料中に含有させたアスコルビン酸濃度と学習モデルで算出したアスコルビン酸濃度の相関係数を求めた。以上の実験を分離カラム10本分行った。結果を図10に示す。
また、学習モデルを最初の1回だけ作成し、分離カラムを交換しても学習モデルを作成しなおさなかったものを図10中に比較例として示した。分析カラムの劣化とともに予測精度が落ちていくことが分かる。
(実施例2)
図8の装置を環境温度を制御できる恒温槽に設置し、四季の温度変化を模擬した。環境温度を10℃から30℃まで変化させた場合の被検物質の計測例が図11である。夏は30℃、春、秋は20℃、冬は10℃と仮定した。実験条件は実施例1と同様である。
図8の装置を環境温度を制御できる恒温槽に設置し、四季の温度変化を模擬した。環境温度を10℃から30℃まで変化させた場合の被検物質の計測例が図11である。夏は30℃、春、秋は20℃、冬は10℃と仮定した。実験条件は実施例1と同様である。
以下の手順で本発明の効果を確認した。まず、1回目の実験として、恒温槽の温度を30℃に設定し、実施例1と同様に校正用試料の計測、学習モデルの作成、試料の計測、試料中のアスコルビン酸濃度の算出を行った。10回実験を繰り返し、試料中に含有させたアスコルビン酸濃度と学習モデルで算出したアスコルビン酸濃度の相関係数を求めた。
次に、図16に示すように恒温槽の温度を実験回数に従って変化させた。最初の15回の実験では校正用試料の計測は行うが、学習モデルを更新せず上記と同様に相関係数を求めた、30回目の実験で1から30回目の実験の校正用試料のデータを用いて学習モデルを更新した。以降15回の実験毎に過去30回分の校正用試料のデータを用いて学習モデルを更新した。結果を図13に示す。
また、学習モデルを最初の1回だけ作成し、学習モデルの更新を行わなかったものを比較例として図12に示す。環境温度の変化とともに予測精度が大きく変化する事が分かる。
10 情報処理装置
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
47 校正部
48 受付部
49 学習モデル生成部
50 学習モデル取得部
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
47 校正部
48 受付部
49 学習モデル生成部
50 学習モデル取得部
Claims (45)
- 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と、
前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正手段と、を有することを特徴とする情報処理装置。 - 前記状態変化は、前記分析手段の置かれている温度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。
- 前記校正手段は前記状態変化の学習モデルによって、前記定量的な情報を校正することを特徴とする請求項1に記載の情報処理装置。
- 前記分析手段がクロマトグラフィーを用いる装置であり、
前記状態変化は、前記クロマトグラフィーを用いる装置のカラムの状態変化であることを特徴とする請求項1乃至3の何れか1項に記載の情報処理装置。 - 前記分析手段によって、前記校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付手段を更に有し、
前記校正手段は、前記受付手段から取得した前記校正用スペクトル情報を用いて校正を行うことを特徴とする請求項1乃至4の何れか1項に記載の情報処理装置。 - 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記校正手段は、前記定量的な情報を校正することを特徴とする請求項5に記載の情報処理装置。
- 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項5または6に記載の情報処理装置。
- 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項5または6に記載の情報処理装置。
- 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項5乃至8の何れか1項に記載の情報処理装置。
- 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御部を有することを特徴とする請求項5乃至8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10の何れか1項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11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12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13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13または14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15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16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17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法、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18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19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20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21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と、
前記スペクトル情報を得るための分析手段の状態変化に応じて、前記定量的な情報を校正する校正工程と、
を有することを特徴とする情報処理装置の制御方法。 - 前記状態変化は、前記分析手段の置かれている温度であることを特徴とする請求項23に記載の情報処理装置の制御方法。
- 前記校正手段は前記状態変化の学習モデルによって、前記定量的な情報を校正することを特徴とする請求項23に記載の情報処理装置の制御方法。
- 前記分析手段がクロマトグラフィーを用いる装置であり、
前記状態変化は、前記クロマトグラフィーを用いる装置のカラムの状態変化であることを特徴とする請求項23に記載の情報処理装置の制御方法。 - 前記分析手段によって、前記校正を行うための試料を用いて得られる校正用スペクトル情報を受け付ける受付工程を更に有し、
前記校正工程は、前記受付工程によって得られた前記校正用スペクトル情報を用いて校正を行う工程を含むことを特徴とする請求項23乃至26の何れか1項に記載の情報処理装置の制御方法。 - 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記定量的な情報を校正する工程を含むことを特徴とする請求項23乃至27の何れか1項に記載の情報処理装置の制御方法。
- 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項23乃至28の何れか1項に記載の情報処理装置の制御方法。
- 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の状態に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項23乃至28の何れか1項に記載の情報処理装置の制御方法。
- 前記校正用スペクトル情報に少なくとも基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項23乃至28の何れか1項に記載の情報処理装置の制御方法。
- 第一の時刻で取得された前記校正用スペクトル情報と、前記第一の時刻よりも前の第二の時刻で取得された前記校正用スペクトル情報との差異に基づいて、前記分析手段の一部又は全部の交換時期に関する情報を表示部に表示させる制御を行う表示制御工程を有することを特徴とする請求項23乃至28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23乃至28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23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34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35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35または36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23乃至37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23乃至38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23乃至39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法、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23乃至40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23乃至41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23乃至42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23乃至43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44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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018243765A JP2020106340A (ja) | 2018-12-26 | 2018-12-26 | 情報処理装置、情報処理装置の制御方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018243765A JP2020106340A (ja) | 2018-12-26 | 2018-12-26 | 情報処理装置、情報処理装置の制御方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020106340A true JP2020106340A (ja) | 2020-07-09 |
Family
ID=71448777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018243765A Pending JP2020106340A (ja) | 2018-12-26 | 2018-12-26 | 情報処理装置、情報処理装置の制御方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020106340A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220040651A (ko) * | 2020-09-24 | 2022-03-31 | 서강대학교산학협력단 | 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 |
WO2024106564A1 (ko) * | 2022-11-16 | 2024-05-23 | 주식회사 엘지화학 | 스펙트럼 학습기반 물질농도 측정장치 및 방법 |
-
2018
- 2018-12-26 JP JP2018243765A patent/JP2020106340A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220040651A (ko) * | 2020-09-24 | 2022-03-31 | 서강대학교산학협력단 | 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 |
KR102532757B1 (ko) | 2020-09-24 | 2023-05-12 | 서강대학교산학협력단 | 라만 분광 신호를 기초로 수용액의 용존 가스 농도를 예측하기 위한 장치 및 이를 위한 방법 |
WO2024106564A1 (ko) * | 2022-11-16 | 2024-05-23 | 주식회사 엘지화학 | 스펙트럼 학습기반 물질농도 측정장치 및 방법 |
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 | |
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 | |
Carmel et al. | A feature extraction method for chemical sensors in electronic noses | |
WO2020129895A1 (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 | |
Ortiz et al. | Quantitative determination in chromatographic analysis based on n-way calibration strategies | |
Euceda et al. | Preprocessing of NMR metabolomics data | |
Vasilakou et al. | Current state and challenges for dynamic metabolic modeling | |
US20230349818A1 (en) | Cross-validation based calibration of a spectroscopic model | |
Hendrickx et al. | Reverse engineering of metabolic networks, a critical assessment | |
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 | |
Walach et al. | Robust biomarker identification in a two-class problem based on pairwise log-ratios | |
US20220252531A1 (en) | Information processing apparatus and control method for information processing apparatus | |
Löptien et al. | Constraining parameters in marine pelagic ecosystem models–is it actually feasible with typical observations of standing stocks? | |
Han et al. | Bayesian modeling and computation for analyte quantification in complex mixtures using Raman spectroscopy | |
Wang et al. | Automatic 1D 1H NMR metabolite quantification for bioreactor monitoring | |
US11841373B2 (en) | Information processing apparatus, method for controlling information processing apparatus, and program | |
JP5937576B2 (ja) | 毒性評価法、毒物スクリーニング法及びそのシステム | |
Schleif et al. | Genetic algorithm for shift-uncertainty correction in 1-D NMR-based metabolite identifications and quantifications | |
Forouzangohar et al. | Mid-infrared spectra predict nuclear magnetic resonance spectra of soil carbon | |
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 | |
Soh et al. | A comparison between the human sense of smell and neural activity in the olfactory bulb of rats | |
CN102667789A (zh) | 用于分析复杂混合物中小分子成分的设备和相关方法 | |
Ghaffari et al. | Second-order universal calibration | |
Valcu et al. | Sources of experimental variation in 2-D maps: the importance of experimental design in gel-based Proteomics | |
JP2020101932A (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 |