JP2022525427A - 質量分析法データにおける境界の自動検出 - Google Patents
質量分析法データにおける境界の自動検出 Download PDFInfo
- Publication number
- JP2022525427A JP2022525427A JP2021557093A JP2021557093A JP2022525427A JP 2022525427 A JP2022525427 A JP 2022525427A JP 2021557093 A JP2021557093 A JP 2021557093A JP 2021557093 A JP2021557093 A JP 2021557093A JP 2022525427 A JP2022525427 A JP 2022525427A
- Authority
- JP
- Japan
- Prior art keywords
- model
- peak
- data
- abundance
- stop
- 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
- 238000004949 mass spectrometry Methods 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 108
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000007704 transition Effects 0.000 claims description 73
- 239000000523 sample Substances 0.000 claims description 71
- 230000014759 maintenance of location Effects 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 45
- 102000002068 Glycopeptides Human genes 0.000 claims description 34
- 108010015899 Glycopeptides Proteins 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 34
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 239000012472 biological sample Substances 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- DQJCDTNMLBYVAY-ZXXIYAEKSA-N (2S,5R,10R,13R)-16-{[(2R,3S,4R,5R)-3-{[(2S,3R,4R,5S,6R)-3-acetamido-4,5-dihydroxy-6-(hydroxymethyl)oxan-2-yl]oxy}-5-(ethylamino)-6-hydroxy-2-(hydroxymethyl)oxan-4-yl]oxy}-5-(4-aminobutyl)-10-carbamoyl-2,13-dimethyl-4,7,12,15-tetraoxo-3,6,11,14-tetraazaheptadecan-1-oic acid Chemical compound NCCCC[C@H](C(=O)N[C@@H](C)C(O)=O)NC(=O)CC[C@H](C(N)=O)NC(=O)[C@@H](C)NC(=O)C(C)O[C@@H]1[C@@H](NCC)C(O)O[C@H](CO)[C@H]1O[C@H]1[C@H](NC(C)=O)[C@@H](O)[C@H](O)[C@@H](CO)O1 DQJCDTNMLBYVAY-ZXXIYAEKSA-N 0.000 claims description 18
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 239000012634 fragment Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005481 NMR spectroscopy Methods 0.000 claims description 5
- 238000004611 spectroscopical analysis Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004811 liquid chromatography Methods 0.000 claims description 4
- 238000001069 Raman spectroscopy Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 238000000870 ultraviolet spectroscopy Methods 0.000 claims description 3
- 238000002441 X-ray diffraction Methods 0.000 claims description 2
- 238000004817 gas chromatography Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- BHEPBYXIRTUNPN-UHFFFAOYSA-N hydridophosphorus(.) (triplet) Chemical compound [PH] BHEPBYXIRTUNPN-UHFFFAOYSA-N 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 abstract description 2
- 230000036962 time dependent Effects 0.000 abstract 2
- 241000282414 Homo sapiens Species 0.000 description 30
- 238000012360 testing method Methods 0.000 description 26
- 238000002552 multiple reaction monitoring Methods 0.000 description 17
- 238000010200 validation analysis Methods 0.000 description 17
- 239000012530 fluid Substances 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 12
- 210000002966 serum Anatomy 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- WEVYAHXRMPXWCK-UHFFFAOYSA-N Acetonitrile Chemical compound CC#N WEVYAHXRMPXWCK-UHFFFAOYSA-N 0.000 description 9
- 230000007423 decrease Effects 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 238000011002 quantification Methods 0.000 description 8
- 125000003275 alpha amino acid group Chemical group 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 6
- 102000003886 Glycoproteins Human genes 0.000 description 5
- 108090000288 Glycoproteins Proteins 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 150000004676 glycans Chemical class 0.000 description 5
- 238000001819 mass spectrum Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 241000282412 Homo Species 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013467 fragmentation Methods 0.000 description 4
- 238000006062 fragmentation reaction Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000002243 precursor Substances 0.000 description 4
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 description 3
- 102000007079 Peptide Fragments Human genes 0.000 description 3
- 108010033276 Peptide Fragments Proteins 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000090 biomarker Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- VHJLVAABSRFDPM-QWWZWVQMSA-N dithiothreitol Chemical compound SC[C@@H](O)[C@H](O)CS VHJLVAABSRFDPM-QWWZWVQMSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000019253 formic acid Nutrition 0.000 description 3
- PGLTVOMIXTUURA-UHFFFAOYSA-N iodoacetamide Chemical compound NC(=O)CI PGLTVOMIXTUURA-UHFFFAOYSA-N 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229920001282 polysaccharide Polymers 0.000 description 3
- 239000005017 polysaccharide Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 102000004142 Trypsin Human genes 0.000 description 2
- 108090000631 Trypsin Proteins 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 150000001720 carbohydrates Chemical group 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000132 electrospray ionisation Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 108091005996 glycated proteins Proteins 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004735 phosphorescence spectroscopy Methods 0.000 description 2
- 210000002381 plasma Anatomy 0.000 description 2
- 150000004804 polysaccharides Polymers 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000004481 post-translational protein modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 239000012588 trypsin Substances 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- HVCOBJNICQPDBP-UHFFFAOYSA-N 3-[3-[3,5-dihydroxy-6-methyl-4-(3,4,5-trihydroxy-6-methyloxan-2-yl)oxyoxan-2-yl]oxydecanoyloxy]decanoic acid;hydrate Chemical compound O.OC1C(OC(CC(=O)OC(CCCCCCC)CC(O)=O)CCCCCCC)OC(C)C(O)C1OC1C(O)C(O)C(O)C(C)O1 HVCOBJNICQPDBP-UHFFFAOYSA-N 0.000 description 1
- 206010003445 Ascites Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 229930186217 Glycolipid Natural products 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010033128 Ovarian cancer Diseases 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 102000035195 Peptidases Human genes 0.000 description 1
- 108091005804 Peptidases Proteins 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 239000004365 Protease Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000003567 ascitic fluid Anatomy 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 239000012159 carrier gas Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000021310 complex sugar Nutrition 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 210000002726 cyst fluid Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004211 gastric acid Anatomy 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 210000004915 pus Anatomy 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000004885 tandem mass spectrometry Methods 0.000 description 1
- 210000001138 tear Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000001195 ultra high performance liquid chromatography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
Description
本願は、全体の内容が、すべての目的のためにその全体として参照により本明細書に組み込まれる、2019年3月29日に出願された米国仮特許出願第62/826,228号の優先権及び利益を主張する。
・強度が、例えば2θなど、走査角度が時間の関数として観察されるx線走査角度の関数としてx線の反射を検出する、例えば、電荷結合素子(CCD)など、x線検出器から生じるx線回折。
・強度が、例えばcm―1など、光波長の吸収または発射の関数として振動モードを検出する赤外線検出器から生じるラマン分光法。
・強度が、紫外光及び可視光の波長または周波数の関数として電子遷移の強度を検出する光検出器から生じるUV-VIS分光法。発射された蛍光またはリン光の光強度が、入射、つまり吸収されたまたは励起の波長の関数として検出される蛍光定量分光法または燐光分析分光法。
・強度が、強力な磁場内での放射周波数の吸収または発射の関数として核遷移を検出する電波検出器から生じる核磁気共鳴(NMR)分光法。NMRでは、強度対周波数の検出は、例えばフーリエ変換を使用して、同等な強度対時間に変換することができる。また、NMRに適用可能な同じ原理は、磁気共鳴映像法(MRI)にも適用可能である。
本明細書で使用する場合、以下の単語及び語句は、それらが使用される文脈が明確に別段に示す場合を除き、以下に述べる意味を有すると意図される。
上述のように、MRM実験の従来の分析は、手でクロマトグラフのピークの開始及び停止を選び、データ依存取得技術または他の発見技術によって以前に特徴付けられた遷移から作業することを伴う。AgilentのMassHunterソフトウェアなどのソフトウェアスイートは、所与の前駆物質及び製品質量対電荷比について保持時間(RT)の事前に指定された範囲にわたって信号強度を描画する。ピークの始まり及び終わりを手動で選択することによって、観察RT、ピーク幅、及び統合された存在量値が生じる。しかしながら、評価における個人差、人的エラー、及び大きな時間投資により、この方法は、研究以外での使用には不十分である
いくつかの例では、複数のラベル付きシーケンシャルデータを使用することであって、複数のラベル付きシーケンシャルデータの各々が、グリコペプチドもしくはペプチド、またはそのフラグメントに特有な保持時間値を表すピーク開始ラベル及びピーク停止ラベルを含む、使用すること、及びラベル付きシーケンシャルデータを使用して少なくとも1つの機械学習モデルを訓練することであって、訓練されたモデルが、生体サンプルに存在する、1つ以上のグリコペプチドもしくはペプチド、またはそのフラグメントの存在を示す質量分析法の開始ピーク及び停止ピークを識別するために適合された、訓練することを含む、質量分析法のピークを識別するようにモデルを訓練する方法が、本明細書に説明されている。
以下の実施例は、本開示のいくつかの態様に従って実施された研究を説明する。
2つの質量分析法データセットが研究のために使用された。第1の実験用の未処理のAgilentQQQ MS出力は、210のヒト血清サンプル内で評価された716の遷移から成り立っていた。これにより、正の存在量及びRTシフトについてフィルタリング後、106355の有効なサンプルピークが生じた。このセットは、572の遷移を有する訓練セット、及び144のピークを有するバリデーションセットに分割された。
訓練され、確証されたRNN-LSTM-ALモデルの性能は、2つのベースライン予測因子に比較された。これらのベースライン予測因子の第1の予測因子は、多重反応モニタリングを含む質量分析法アプリケーションのデータ分析に使用される周知のオープンソースのソフトウェアツールであるSkylineである。Skylineソフトウェアは、テストサンプルのピーク面積(存在量)を計算する。RNNモデルとの比較用の第2のベースライン予測因子は予測の決定論的方法であり、以後「規則ベースの」方法と呼ぶ。規則ベースの方法のアーキテクチャは、Ken Aoshima、Kentaro Takahashi、Masayuki Ikawa、Takayuki Kimura、Mitsuru Fukuda、Satoshi Tanaka、Howell E Parry、Yuichiro Fujita、Akiyasu C Yoshizawa、Shin-ichi UtsunomiyaらのA simple peak detection and label free quantitation algorithm for chromatography-mass spectrometry、BMC bioinformatics、15(1):376,2014に説明されている。規則ベースの方法モデルは、そのモデルパラメータを調整して、訓練セット及びバリデーションセットの性能を最大限にすることによってこの研究のために開発された。そしてこれらの調整されたパラメータは、次にテストセットの評価中に適用された。
RNN-LSTM-ALアーキテクチャは、研究においてMSデータオンシーケンスから予測するために選択された。
いくつかの用途では、遷移ピークの高度に可変的な形状及び幅のため、モデルAなどの統一した予測モデルは、目に見えない遷移に対して十分に一般化しない場合がある。同じ遷移での異なる患者のサンプルの形状が一貫している旨の観察に基づいて、第2のRNN-LSTM-ALモデル(以後「モデルB」または「基準ベースのモデル」)も開発された。
除外サンプルまたはテストセットサンプルが、モデルを評価するために使用された。解決されている問題の包括的な図を提示するためにいくつかのメトリクスが使用された。予測は、2つの基準、つまり(1)境界(ピーク開始/停止)を予測する上での精度、及び(2)存在量(ピーク面積)を予測する上での精度について評価される。前者は問題の設定に直接的に関連付けられるが、後者は、分析のために分析物の存在量を利用する下流のアプリケーションにとってよりははるかに重要になる。
ニューラルネットワークベースのモデルの実用的な使用法をさらに確証するために、我々は、モデル予測を、ピーク存在量を計算する人間のアノテータのグループと比較した。
肩及び谷の点のあるピークでは、境界の決定は、はるかに高い可変性に苦しむ。人間のアノテーションでさえ、異なるアノテータの中で変動が存在するため、モデルA及びモデルBからの出力は、訓練サンプル全体での平均化のために、多峰型の形状を示すことが予想される(図9B、図7B)。強力な基準の事前確率が存在しないので、これは、基準がない場合(モデルA)でもやや深刻であり、最大点集合境界を適用するときに結果は不定になる。これらの場合、境界の単一点の推定値の代わりに完全な予測によりうまく対応できる方法が検討された。
点ごとの予測構造のもう1つの中心的な優位点は、予測確実性を推定する際の容易さである。ニューラルネットワーク予測の不確実性を数値化する内部の方法は依然として複雑であり、制限を伴うが、このタスクでは、境界についてモデル予測を検査することによって確実/不確実を推論することはかなり簡単である。大部分の予測された確率はガウス混合の形をとり、その数量、及び高さはモデルの確実性を表す。研究では、以下の指針に基づいて予測信頼性を数値化するために発見的方法が採用された。
項目より低い予測値->より低い確実性
項目複数の極大値->より低い確実性
項目より分散した極大値->より低い確実性
実験パラメータ
化学薬品及び試薬:ヒト血清、ジチオスレイトール(DTT)、及びヨードアセトアミド(IAA)は、Sigma-Aldrich(St.Louis、MO)から購入した。シークエンシンググレードのトリプシンは、Promega(Madison、WI)から購入した。アセトニトリル(LC-MSグレード)はHoneywell(Muskegon、MI)から購入した。
サンプル調製:血清サンプルは、DTTで還元し、IAAでアルキル化した後、水槽内でトリプシンを用いて37℃で18時間温浸した。温浸を冷ますために、インキュベーション後、各サンプルにギ酸を添加し、最終濃度を1%(v/v)にした。
温浸した血清サンプルは、Agilent1290無限UHPLCシステム及びAgilent ZORBAX Eclipse Plus C18カラム(2.1mm×150mm内径1.8um粒子径)を備えたAgilent6490三連四重極質量分析計に注入した。ペプチド及びグリコペプチドの分離は、70分のバイナリグラジエントを使用して実行された。水性移動相Aは3%アセトニトリル、0.1%水中のギ酸(v/v)、及び有機移動相Bは90%アセトニトリル、0.1%水中のギ酸(v/v)であった。流量は0.5mL/分に設定された。イオン化源としてエレクトロスプレーイオン化(ESI)を使用し、陽イオンモードで操作した。三連四重極は、動的多重反応モニタリング(dMRM)モードで操作した。訓練及び試験で用いたペプチド及びグリコペプチドの遷移は、その内容全体が、すべての目的のためにその全体として参照により本明細書に組み込まれる、Li et al.,Site-Specific Glycsylation Quantification of 50 serum Glycoproteins Enhanced by Predictive Glcopeptidomics for Improved Disease Biomarker Discovery,Anal.Chem.2019,91,5433-5445;DOI:10.1021/acs.analchem.9b00776に公開されたものの選択であった。
訓練セット及びバリデーションセットのピーク、ならびにテストセットのピークは、2セットのマススペクトル実験から収集された。セット1は、2017年後半にUC DavisのCarlito Lebrillaの実験室で測定されたヒト血清サンプル及び遷移から成り立っていた。一方、セット2は、2018年半ばにIndivumed GmbHから購入した卵巣がん及び良性腫瘤患者からの市販の血清であった。サンプルの両方のセットは、上記に概略した実験プロトコルを受けた。ポストランAgilient.Dフォーマットファイルが、バイオインフォマティクス処理用のProteowizard 3.0ソフトウェアスイートの中のmsConvertを介してmzMLに変換された。
入力は、一定の開始/停止または長さがない、強度-保持時間平面上の点のシーケンスとして策定された。一様な表現を生成するために、フィーチャ化が各サンプル曲線で適用された。単一のサンプルの中のすべての点の保持時間が最初にサンプル曲線の頂点位置で中心に置かれ、次に-1分から1分に及ぶ、128の等しく離間されたガウスビンによって拡大され、時点を表す256の実数のベクトルFRTを生成した。
dRT及びdABDは、保持時間(RT)の差及び存在量(ABD)の差であり、σRT及びσABDは、訓練中のそれぞれの減衰率を制御するハイパーパラメータである。平滑化の目的は、雑音の多いラベルに対するモデル適応性を可能にする、及び/または単一の点を指定しない人間のラベル付け/アノテーションを説明することである。しかしながら、ラベルに近い点の近傍は、雑音から信号への遷移も示す妥当な点を表す可能性がある。
再び図5Aと図5B(モデルA)及び図6Aと図6B(モデルB)を参照すると、モデルA及びモデルBはPytorchに実装されていた。
本明細書で使用する場合、「プロセッサ」は、SASプログラムコードを実行すること、GUIのためにデータを処理すること、またはメモリから読み書きすることなどのタスクを実行するために使用される1つまたは複数のプロセッサを含むと解釈されるべきであり、汎用コンピュータを含む。
Claims (26)
- 質量分析法のピークを識別するようにモデルを訓練する方法であって、
複数のラベル付きシーケンシャルデータを使用することであって、前記複数のラベル付きシーケンシャルデータの各々が、グリコペプチドもしくはペプチド、またはそのフラグメントに特有な保持時間値を表すピーク開始ラベル及びピーク停止ラベルを含む、前記使用することと、
前記ラベル付きシーケンシャルデータを使用して少なくとも1つの機械学習モデルを訓練することであって、前記訓練されたモデルが、生体サンプルに存在する、1つ以上のグリコペプチドもしくはペプチド、またはそのフラグメントの存在を示す質量分析法の開始ピーク及び停止ピークを識別するために適合される、前記訓練することと
を含む、前記方法。 - 前記生体サンプルから前記質量分析法の開始ピークと停止ピークとの間で経時的に積分によって前記1つ以上のグリコペプチドまたはペプチドの前記存在を数値化することをさらに含む、請求項1に記載の方法。
- 前記機械学習モデルがリカレントニューラルネットワークモデルである、請求項1に記載の方法。
- 前記リカレントニューラルネットワークが、アテンション層を有する双方向LSTMリカレントニューラルネットワークモデルである、請求項3に記載の方法。
- 請求項1に記載の前記プロセスによって訓練された機械学習モデルを使用して、グリコペプチドまたはペプチドについて存在量を計算することを含む方法。
- システムであって、
ラベル付きシーケンシャルデータのデータリポジトリと、
前記リポジトリに結合された1つ以上のプロセッサと、
前記1つ以上のプロセッサによって実行されるとき、請求項1~5のいずれかに記載の前記方法を実行する、前記1つ以上のプロセッサがアクセス可能な非一時的なメモリに常駐する機械実行可能コードと
を備える、前記システム。 - 質量分析法のピークを識別する方法であって、
入力パラメータの関数として出力を生成する少なくとも1つの訓練されたニューラルネットワークモデルを提供することであって、前記入力パラメータの値が、m/z(質量対電荷)比を有するグリコペプチドの保持時間値のシーケンスを含む、前記提供することと、
生体サンプルの質量分析法から前記保持時間値のシーケンスにわたる質量対電荷(m/z)比を含む前記入力パラメータの質量分析法(MS)データの値を提供することと
を含み、
前記出力が、前記生体サンプル中の1つ以上の分析物またはそのフラグメントの存在を示す1つ以上のピーク開始保持時間値及びピーク停止保持時間値の場所を含む、
前記方法。 - 前記生体サンプルから前記質量分析法の開始ピークと停止ピークとの間で保持時間値に対する加算または積分によって前記1つ以上のグリコペプチドまたはペプチドの前記存在を数値化することをさらに含む、請求項7に記載の方法。
- 前記数値化するステップが、前記予測された開始ピーク及び停止ピークに対して重み付き平滑化関数を適用することを含む、請求項8に記載の方法。
- システムであって、
質量分析法(MS)データのデータリポジトリと、
前記リポジトリに結合された1つ以上のプロセッサと、
前記1つ以上のプロセッサによって実行されるとき、請求項7~9のいずれかの前記方法を実行する、前記1つ以上のプロセッサがアクセスできる非一時的なメモリに常駐する機械実行可能コードと
を備える、前記システム。 - 方法であって、
未処理MSデータからデータをフィーチャ化することであって、前記未処理MSデータが、各々が質量/電荷強度を表す複数のアナログサンプルを含む、前記フィーチャ化することを含み、前記フィーチャ化することが、前記アナログサンプルの各々に、
前記サンプルを保持時間ウィンドウ内の中心に置くステップと、
前記サンプルを、強度値を表す点のシーケンスに離散化するステップと、
前記強度値を標準化するステップと、
ラベル付きの点のシーケンスを生成するために、ピーク開始時間及びピーク停止時間に対応する前記点のシーケンスの中の点にラベルを割り当てるステップと
を含み、
前記ラベル付きの点のシーケンスが、目に見えないMSデータの中の存在量を予測するように機械学習モデルを訓練するために構成される
前記方法。 - 前記中心に置くことが、前記保持ウィンドウの中心に曲線の頂点を配置することを含む、請求項11に記載の方法。
- 前記強度値を前記標準化することが、閾値量よりも大きい強度値を除外する、請求項11に記載の方法。
- 前記閾値量が約500である、請求項13のいずれかに記載の方法。
- システムであって、
複数のアナログサンプルを含む未処理の質量分析法(MS)データのデータリポジトリと、
前記リポジトリに結合された1つ以上のプロセッサと、
前記1つ以上のプロセッサによって実行されるとき、請求項11~14のいずれかの前記方法を実行する、前記1つ以上のプロセッサがアクセス可能な非一時的なメモリに常駐する機械実行可能コードと
を備える、前記システム。 - 方法であって、
所与のm/z比及び保持期間について質量分析法(MS)データを表す点のシーケンスにわたって確率の分布を計算することであって、前記確率がありそうなピーク開始保持時間またはピーク停止保持時間を表す、前記計算することと、
前記確率の分布を使用して存在量の統計値を計算することであって、前記統計値が、前記MSデータの生体サンプルの存在を示す、前記計算することと
を含む、前記方法。 - 前記統計値が、前記積分を評価するための開始点及び終了点のすべての考えられる対を使用して積分の加重和として計算される平均存在量である、請求項16に記載の方法。
- 前記機械学習モデルが、シーケンシャルモデル(モデルA)または基準ベースのモデル(モデルB)である、請求項1、7、または11のいずれかに記載の方法。
- 方法であって、
複数のラベル付きシーケンシャルデータを使用することと、
前記ラベル付きシーケンシャルデータを使用して、少なくとも1つの機械学習モデルを訓練することであって、前記訓練されたモデルが、強度の開始ピーク及び停止ピークが目に見えないサンプルで発生する期間または周波数範囲を識別するために適合される、前記訓練することと
を含む、前記方法。 - 前記開始ピーク及び停止ピークが雑音対信号遷移期間に含まれる、請求項19に記載の方法。
- 前記機械学習モデルが、アテンション層を有するリカレントニューラルネットワークである、請求項19に記載の方法。
- 前記サンプルが、前記強度の前記開始ピークから前記停止ピークまでの時間または周波数に対する加法または積分が物理的なものを数値化するように、前記物理的なものを表す、請求項19に記載の方法。
- 前記サンプルが、指定された期間にわたって質量対電荷強度の連続するシリーズであり、前記加法または積分が前記物理的なものの前記存在量を表す、請求項19に記載の方法。
- 方法であって、
入力パラメータの関数として出力を生成する少なくとも1つの訓練されたニューラルネットワークモデルを提供することであって、前記入力パラメータの値が、数量を表す強度値の時系列またはスペクトル系列である、前記提供することと、
前記入力パラメータの各々に値を提供することであって、前記値が、数量の目に見えない強度のシーケンスを表す、前記提供することと
を含み、
前記出力が、前記数量を数値化するために使用される、1つ以上のピーク開始の時間または周波数及びピーク停止の時間または周波数を含む、
前記方法。 - 前記数量が、それぞれ前記ピーク開始の時間または周波数と前記ピーク停止の時間または周波数との間の時間または周波数に対する加算または積分によって数値化される、請求項24に記載の方法。
- 前記強度が、質量分析法、MRM、液体クロマトグラフィもしくはガスクロマトグラフィ、x線回折、ラマン分光法、UV-VIS分光法、蛍光定量分光法もしくは燐光分析分光法、核磁気共鳴(NMR)分光法、または磁気共鳴映像法(MRI)のセットから選択されたプロセスから取得される、請求項24または請求項22に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962826228P | 2019-03-29 | 2019-03-29 | |
US62/826,228 | 2019-03-29 | ||
PCT/US2020/025502 WO2020205649A1 (en) | 2019-03-29 | 2020-03-27 | Automated detection of boundaries in mass spectrometry data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022525427A true JP2022525427A (ja) | 2022-05-13 |
JPWO2020205649A5 JPWO2020205649A5 (ja) | 2023-04-05 |
Family
ID=70293149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021557093A Pending JP2022525427A (ja) | 2019-03-29 | 2020-03-27 | 質量分析法データにおける境界の自動検出 |
Country Status (11)
Country | Link |
---|---|
US (1) | US11869634B2 (ja) |
EP (1) | EP3948874A1 (ja) |
JP (1) | JP2022525427A (ja) |
KR (1) | KR20210145210A (ja) |
CN (1) | CN113785362A (ja) |
AU (1) | AU2020253345A1 (ja) |
BR (1) | BR112021019514A2 (ja) |
CA (1) | CA3131254A1 (ja) |
IL (1) | IL286676A (ja) |
SG (1) | SG11202110748QA (ja) |
WO (1) | WO2020205649A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210145210A (ko) | 2019-03-29 | 2021-12-01 | 벤 바이오사이언시스 코포레이션 | 질량 분석 데이터의 경계 자동 검출 |
US11644470B2 (en) * | 2019-04-15 | 2023-05-09 | Bioinformatics Solutions Inc. | Systems and methods for de novo peptide sequencing using deep learning and spectrum pairs |
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 |
CN112614550B (zh) * | 2020-12-17 | 2024-03-15 | 华东理工大学 | 一种基于神经网络的分子筛x射线衍射图谱峰位置的预测方法 |
CN113780430B (zh) * | 2021-09-14 | 2024-05-24 | 天津国科医疗科技发展有限公司 | 一种基于Hopfield模型的三重四极杆质谱仪谱图分类方法 |
CN113866817A (zh) * | 2021-09-28 | 2021-12-31 | 中南大学 | 基于神经网络的中子衍射峰位预测方法、设备和介质 |
WO2023075591A1 (en) | 2021-10-29 | 2023-05-04 | Venn Biosciences Corporation | Ai-driven glycoproteomics liquid biopsy in nasopharyngeal carcinoma |
CN113933373B (zh) * | 2021-12-16 | 2022-02-22 | 成都健数科技有限公司 | 一种利用质谱数据确定有机物结构的方法和*** |
US20230324285A1 (en) * | 2022-04-12 | 2023-10-12 | 2S Water Incorporated | Detection of Water Contamination based on Spectrographic Analysis |
CN114755357A (zh) * | 2022-04-14 | 2022-07-15 | 武汉迈特维尔生物科技有限公司 | 一种色谱质谱自动积分方法、***、设备、介质 |
EP4390390A1 (en) * | 2022-12-19 | 2024-06-26 | Ares Trading S.A. | Method for determining peak characteristics on analytical data sets |
WO2024133265A1 (en) * | 2022-12-19 | 2024-06-27 | Ares Trading S.A. | Method for determining peak characteristics on analytical data sets |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016196962A1 (en) * | 2015-06-04 | 2016-12-08 | Bioamber Inc. | Biobased production of functionalized alpha-substituted acrylates and c4-dicarboxylates |
EP3676393A4 (en) | 2017-09-01 | 2021-10-13 | Venn Biosciences Corporation | IDENTIFICATION AND USE OF GLYCOPEPTIDES AS BIOMARKERS FOR DIAGNOSIS AND MONITORING OF TREATMENT |
CN111479934A (zh) | 2017-10-18 | 2020-07-31 | 韦恩生物科技股份公司 | 用于诊断和治疗监测的生物学指标的鉴定和用途 |
US11385239B2 (en) * | 2018-10-31 | 2022-07-12 | Regeneran Pharmaceuticals, Inc. | Method and system of identifying and quantifying a protein |
KR20210124269A (ko) | 2019-02-01 | 2021-10-14 | 벤 바이오사이언시스 코포레이션 | 난소암 진단을 위한 바이오마커 |
KR20210145210A (ko) | 2019-03-29 | 2021-12-01 | 벤 바이오사이언시스 코포레이션 | 질량 분석 데이터의 경계 자동 검출 |
-
2020
- 2020-03-27 KR KR1020217034694A patent/KR20210145210A/ko unknown
- 2020-03-27 US US16/833,324 patent/US11869634B2/en active Active
- 2020-03-27 JP JP2021557093A patent/JP2022525427A/ja active Pending
- 2020-03-27 WO PCT/US2020/025502 patent/WO2020205649A1/en unknown
- 2020-03-27 BR BR112021019514A patent/BR112021019514A2/pt unknown
- 2020-03-27 AU AU2020253345A patent/AU2020253345A1/en active Pending
- 2020-03-27 EP EP20719900.1A patent/EP3948874A1/en active Pending
- 2020-03-27 SG SG11202110748QA patent/SG11202110748QA/en unknown
- 2020-03-27 CA CA3131254A patent/CA3131254A1/en active Pending
- 2020-03-27 CN CN202080031661.4A patent/CN113785362A/zh active Pending
-
2021
- 2021-09-26 IL IL286676A patent/IL286676A/en unknown
Also Published As
Publication number | Publication date |
---|---|
EP3948874A1 (en) | 2022-02-09 |
WO2020205649A9 (en) | 2021-05-14 |
BR112021019514A2 (pt) | 2021-12-07 |
US20200372973A1 (en) | 2020-11-26 |
CA3131254A1 (en) | 2020-10-08 |
IL286676A (en) | 2021-12-01 |
WO2020205649A1 (en) | 2020-10-08 |
AU2020253345A1 (en) | 2021-11-11 |
CN113785362A (zh) | 2021-12-10 |
US11869634B2 (en) | 2024-01-09 |
KR20210145210A (ko) | 2021-12-01 |
SG11202110748QA (en) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022525427A (ja) | 質量分析法データにおける境界の自動検出 | |
US11341404B2 (en) | Analysis-data analyzing device and analysis-data analyzing method that calculates or updates a degree of usefulness of each dimension of an input in a machine-learning model | |
Ketterlinus et al. | Fishing for biomarkers: analyzing mass spectrometry data with the new ClinProTools™ software | |
US7676329B2 (en) | Method and system for processing multi-dimensional measurement data | |
US20040153249A1 (en) | System, software and methods for biomarker identification | |
Robotti et al. | Biomarkers discovery through multivariate statistical methods: a review of recently developed methods and applications in proteomics | |
US20180251849A1 (en) | Method for identifying expression distinguishers in biological samples | |
Liu et al. | Function-on-scalar quantile regression with application to mass spectrometry proteomics data | |
LAZAR et al. | Bioinformatics Tools for Metabolomic Data Processing and Analysis Using Untargeted Liquid Chromatography Coupled With Mass Spectrometry. | |
Bowling et al. | Analyzing the metabolome | |
Gibb et al. | Mass spectrometry analysis using MALDIquant | |
Valledor et al. | Standardization of data processing and statistical analysis in comparative plant proteomics experiment | |
CN114184599B (zh) | 单细胞拉曼光谱采集数目估计方法、数据处理方法及装置 | |
Pais et al. | MALDI-ToF mass spectra phenomic analysis for human disease diagnosis enabled by cutting-edge data processing pipelines and bioinformatics tools | |
Listgarten et al. | Practical proteomic biomarker discovery: taking a step back to leap forward | |
KR20200046991A (ko) | 바이오마커 동정을 위한 대사체 데이터 자동 분석 장치 및 방법 | |
US20240257916A1 (en) | Automated detection of boundaries in mass spectrometry data | |
Wang et al. | NMRQNet: a deep learning approach for automatic identification and quantification of metabolites using Nuclear Magnetic Resonance (NMR) in human plasma samples | |
Cui et al. | SCFIA: a statistical corresponding feature identification algorithm for LC/MS | |
Peralbo-Molina et al. | Data Processing and Analysis in Mass Spectrometry-Based Metabolomics | |
Ji et al. | Deep denoising autoencoder-assisted continuous scoring of peak quality in high-resolution LC− MS data | |
Beikos et al. | Minimizing Analytical Procedural Mass Spectral Features as False Positive Peaks in Untargeted Liquid Chromatography—High Resolution Mass Spectrometry Data Processing | |
Truntzer et al. | Statistical approach for biomarker discovery using label-free LC-MS data: an overview | |
He et al. | Profiling MS proteomics data using smoothed non‐linear energy operator and Bayesian additive regression trees | |
Sellers et al. | Feature detection techniques for preprocessing proteomic data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211004 |
|
RD12 | Notification of acceptance of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7432 Effective date: 20221214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20221214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230324 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230324 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230907 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230907 |
|
RD14 | Notification of resignation of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7434 Effective date: 20230907 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240118 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240418 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240603 |