WO2018109826A1 - 解析装置、解析プログラム及び解析方法 - Google Patents

解析装置、解析プログラム及び解析方法 Download PDF

Info

Publication number
WO2018109826A1
WO2018109826A1 PCT/JP2016/087021 JP2016087021W WO2018109826A1 WO 2018109826 A1 WO2018109826 A1 WO 2018109826A1 JP 2016087021 W JP2016087021 W JP 2016087021W WO 2018109826 A1 WO2018109826 A1 WO 2018109826A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter
correlation
cell
calculation unit
unit
Prior art date
Application number
PCT/JP2016/087021
Other languages
English (en)
French (fr)
Inventor
伸一 古田
Original Assignee
株式会社ニコン
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社ニコン filed Critical 株式会社ニコン
Priority to PCT/JP2016/087021 priority Critical patent/WO2018109826A1/ja
Priority to JP2018556058A priority patent/JPWO2018109826A1/ja
Publication of WO2018109826A1 publication Critical patent/WO2018109826A1/ja

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M1/00—Apparatus for enzymology or microbiology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing

Definitions

  • the present invention relates to an analysis apparatus, an analysis program, and an analysis method.
  • an analysis device that analyzes a correlation between feature quantities in a cell, and calculates a feature quantity of a component constituting the cell from a cell image in which the cell is captured.
  • a calculation unit a parameter selection unit that selects a parameter used to calculate a correlation between feature quantities, a first correlation using a first parameter selected by the parameter selection unit, and a second parameter selected by the parameter selection unit.
  • An analysis apparatus comprising: a parameter correlation calculation unit that obtains a second correlation to be used; and a correlation calculation unit that calculates a third correlation based on the first and second correlations calculated by the parameter correlation calculation unit It is.
  • the feature amount for calculating the feature amount of the component constituting the cell from the cell image in which the cell is captured by the computer of the analysis device that analyzes the correlation between the feature amounts in the cell.
  • an analysis method for analyzing a correlation between feature quantities in a cell wherein a feature quantity for calculating a feature quantity of a component constituting the cell from a cell image obtained by imaging the cell.
  • FIG. 1 is a diagram illustrating an example of a configuration of a microscope observation system 1 according to an embodiment of the present invention.
  • the microscope observation system 1 performs image processing on an image acquired by imaging a cell or the like.
  • an image acquired by imaging a cell or the like is also simply referred to as a cell image.
  • the microscope observation system 1 includes an analysis device 10, a microscope device 20, and a display unit 30.
  • the microscope apparatus 20 is a biological microscope and includes an electric stage 21 and an imaging unit 22.
  • the electric stage 21 can arbitrarily operate the position of the imaging object in a predetermined direction (for example, a certain direction in a two-dimensional horizontal plane).
  • the imaging unit 22 includes an imaging element such as a charge-coupled device (CCD) and a complementary MOS (CMOS), and images an imaging target on the electric stage 21.
  • the microscope apparatus 20 may not include the electric stage 21 and may be a stage in which the stage does not operate in a predetermined direction.
  • the microscope apparatus 20 includes, for example, a differential interference microscope (DIC), a phase contrast microscope, a fluorescence microscope, a confocal microscope, a super-resolution microscope, a two-photon excitation fluorescence microscope, and a light sheet. Functions as a microscope and a light field microscope.
  • the microscope apparatus 20 images the culture vessel placed on the electric stage 21. Examples of the culture container include a well plate WP and a slide chamber.
  • the microscope apparatus 20 captures transmitted light that has passed through the cells as an image of the cells by irradiating the cells cultured in the many wells W of the well plate WP with light.
  • the microscope apparatus 20 can acquire images such as a transmission DIC image of a cell, a phase difference image, a dark field image, and a bright field image. Furthermore, by irradiating the cell with excitation light that excites the fluorescent substance, the microscope apparatus 20 captures fluorescence emitted from the biological substance as an image of the cell.
  • cells are dyed while they are alive, and time-lapse imaging is performed to acquire a cell change image after cell stimulation.
  • a cell image is obtained by expressing a fluorescent fusion protein or staining a cell with a chemical reagent or the like while alive.
  • the cells are fixed and stained to obtain a cell image.
  • the fixed cells stop metabolizing. Therefore, in order to observe changes with time in fixed cells after stimulating the cells, it is necessary to prepare a plurality of cell culture containers seeded with the cells. For example, there may be a case where it is desired to observe the change of the cell after the first time and the change of the cell after the second time different from the first time by applying stimulation to the cells. In this case, after stimulating the cells and passing the first time, the cells are fixed and stained to obtain a cell image.
  • a cell culture container different from the cells used for the observation at the first time is prepared, and after stimulating the cells for a second time, the cells are fixed and stained to obtain a cell image.
  • the time-dependent change in a cell can be estimated by observing the change of the cell in 1st time, and the change of the cell in 2nd time.
  • the number of cells used for observing the intracellular change between the first time and the second time is not limited to one. Therefore, images of a plurality of cells are acquired at the first time and the second time, respectively. For example, if the number of cells for observing changes in the cells is 1000, 2000 cells are photographed at the first time and the second time. Therefore, in order to acquire details of changes in cells with respect to a stimulus, a plurality of cell images are required at each timing of imaging from the stimulus, and a large amount of cell images are acquired.
  • the microscope apparatus 20 captures, as the above-described cell image, luminescence or fluorescence from the coloring material itself taken into the biological material, or luminescence or fluorescence generated when the substance having the chromophore is bound to the biological material. May be.
  • the microscope observation system 1 can acquire a fluorescence image, a confocal image, a super-resolution image, and a two-photon excitation fluorescence microscope image.
  • the method of acquiring the cell image is not limited to the optical microscope.
  • an electron microscope may be used as a method for acquiring a cell image.
  • an image obtained by a different method may be used to acquire the correlation. That is, the type of cell image may be selected as appropriate.
  • the cells in this embodiment are, for example, primary culture cells, established culture cells, tissue section cells, and the like.
  • the sample to be observed may be observed using an aggregate of cells, a tissue sample, an organ, an individual (animal, etc.), and an image containing the cells may be acquired.
  • the state of the cell is not particularly limited, and may be a living state or a fixed state.
  • the state of the cell may be “in-vitro”. Of course, you may combine the information of the living state and the fixed information.
  • the cells may be treated with chemiluminescent or fluorescent protein (for example, chemiluminescent or fluorescent protein expressed from an introduced gene (such as green fluorescent protein (GFP))) and observed.
  • chemiluminescent or fluorescent protein for example, chemiluminescent or fluorescent protein expressed from an introduced gene (such as green fluorescent protein (GFP)
  • the cells may be observed using immunostaining or staining with chemical reagents. You may observe combining them. For example, it is possible to select a photoprotein to be used according to the type for discriminating the intracellular nuclear structure (eg, Golgi apparatus).
  • pretreatment for analyzing correlation acquisition such as a means for observing these cells and a method for staining cells, may be appropriately selected according to the purpose.
  • cell dynamic information is obtained by the most suitable method for obtaining the dynamic behavior of the cell
  • information on intracellular signal transmission is obtained by the optimum method for obtaining the intracellular signal transmission. It doesn't matter.
  • These pre-processing selected according to the purpose may be different.
  • the well plate WP has one or a plurality of wells W.
  • the well plate WP has 8 ⁇ 12 96 wells W as shown in FIG.
  • the number of well plates WP is not limited to this, and 54 wells 6 ⁇ 9 may be provided.
  • Cells are cultured in wells W under certain experimental conditions. Specific experimental conditions include temperature, humidity, culture period, elapsed time since stimulation was applied, type and intensity of stimulation applied, concentration, amount, presence or absence of stimulation, induction of biological characteristics, etc. Including.
  • the stimulus is, for example, a physical stimulus such as electricity, sound wave, magnetism, or light, or a chemical stimulus caused by administration of a substance or a drug.
  • Biological characteristics include the stage of cell differentiation, morphology, number of cells, behavior of molecules in cells, morphology and behavior of organelles, behavior of each form, structure of nucleus, behavior of DNA molecules, etc. It is a characteristic to show.
  • FIG. 2 is a block diagram illustrating an example of a functional configuration of each unit included in the analysis apparatus 10 of the present embodiment.
  • the analysis device 10 is a computer device that analyzes an image acquired by the microscope device 20.
  • the analysis device 10 includes a calculation unit 100, a storage unit 200, and a result output unit 300.
  • the image processed by the analysis apparatus 10 is not limited to the image captured by the microscope apparatus 20, for example, an image stored in advance in the storage unit 200 included in the analysis apparatus 10 or an external storage (not illustrated). It may be an image stored in advance in the apparatus.
  • the calculation unit 100 functions when the processor executes a program stored in the storage unit 200. Also, some or all of the functional units of the arithmetic unit 100 may be configured by hardware such as LSI (Large Scale Integration) or ASIC (Application Specific Integrated Circuit).
  • the calculation unit 100 includes a cell image acquisition unit 101, a feature amount calculation unit 102, a parameter selection unit 103, a parameter correlation calculation unit 104, an edge weighting unit 105, and a correlation calculation unit 106.
  • the cell image acquisition unit 101 acquires the cell image captured by the imaging unit 22 and supplies the acquired cell image to the cell 102.
  • the cell image acquired by the cell image acquisition unit 101 includes a plurality of images in which the cell culture state is captured in time series, and a plurality of images in which cells are cultured under various experimental conditions.
  • the feature amount calculation unit 102 calculates a plurality of types of feature amounts of the cell image supplied by the cell image acquisition unit 101. This feature amount includes the brightness, area, variance, and the like of the cell image.
  • the luminance distribution in the acquired image is calculated.
  • multiple images that differ in time-series or cell-state changes such as differentiation, etc. from the change of the calculated luminance distribution for a predetermined time, or the change accompanying the cell state change such as differentiation of the calculated luminance distribution, etc.
  • position information indicating a change in brightness different from that and use the change in brightness is also possible.
  • the image is not limited to a change in time, and a plurality of images having different cell state changes such as differentiation may be used. Further, information on a position indicating a change in different luminance may be used as the feature amount.
  • it may be a behavior of a cell within a predetermined time or a behavior accompanying a cell state change such as cell differentiation, or a change of a cell shape within a predetermined time or a cell state change such as differentiation of a cell shape. It does not matter if the change is accompanied. Further, if no change within a predetermined time or a change accompanying a cell state change such as differentiation is recognized from the cell image to be picked up, the change may not be changed as a feature amount.
  • the parameter selection unit 103 stores predetermined parameters, reference values for selecting parameters, and the like.
  • the parameter selection unit 103 selects a parameter used for calculating an edge between feature amounts.
  • the parameter is information for adjusting a value used by the parameter correlation calculation unit 104 to calculate an edge.
  • the density of the network changes.
  • parameters selected by the parameter selection unit 103 include a criterion for selecting feature amounts used for edge calculation, and a regularization parameter used for edge calculation. Therefore, when the parameter selected by the parameter selection unit 103 is changed, the number of edges included in the calculated network can be changed.
  • the parameter selected by the parameter selection unit 103 may be determined by an operation of a user who operates the analysis device 10.
  • the parameter may be input with a value used for the regularization parameter by a user operation.
  • the parameter may be a feature amount used for edge calculation by a user operation.
  • the parameter selection unit 103 supplies the selected parameter to the parameter correlation calculation unit 104.
  • the parameter correlation calculation unit 104 acquires parameters from the parameter selection unit 103.
  • the parameter correlation calculation unit 104 calculates an edge between feature amounts based on the parameters acquired from the parameter selection unit 103.
  • the parameter correlation calculation unit 104 can calculate a network by calculating edges between feature amounts. Network elements include nodes, edges, and the like.
  • the parameter correlation calculation unit 104 supplies the calculated edge between the feature amounts to the edge weighting unit 105 and the correlation calculation unit 106.
  • the parameter selection unit 103 can select a plurality of parameters. At this time, the parameter correlation calculation unit 104 selects an edge between a plurality of feature amounts based on the plurality of parameters acquired from the parameter selection unit 103.
  • the included network is calculated and supplied to the edge weighting unit 105 and the correlation calculation unit 106.
  • the edge weighting unit 105 acquires from the parameter correlation calculation unit 104 an edge between feature amounts and a plurality of parameters used for the calculation of the edge.
  • the edge weighting unit 105 weights the edges of the feature amounts based on the plurality of networks acquired from the parameter correlation calculation unit 104 and the respective parameters used for calculation of the network. For each of the plurality of parameters selected by the parameter selection unit 103, each network is calculated by the parameter correlation calculation unit 104.
  • the edge weighting unit 105 weights edges using a plurality of calculated networks.
  • the weighted network is supplied to the correlation calculation unit 106.
  • the correlation calculation unit 106 acquires a network from the parameter correlation calculation unit 104 or the edge weighting unit 105.
  • the correlation calculation unit 106 calculates a network to be supplied to the result output unit 300 from the acquired networks. That is, the correlation calculation unit 106 selects a network to be supplied to the result output unit 300 from the acquired networks.
  • the result output unit 300 outputs the calculation result by the calculation unit 100 to the display unit 30.
  • the result output unit 300 may output the calculation result by the calculation unit 100 to an output device other than the display unit 30, a storage device, or the like.
  • the display unit 30 displays the calculation result output by the result output unit 300.
  • FIG. 3 is a flowchart illustrating an example of a calculation procedure of the calculation unit 100 according to the present embodiment. Note that the calculation procedure shown here is an example, and the calculation procedure may be omitted or added.
  • the cell image acquisition unit 101 acquires a cell image (step S10).
  • This cell image includes images of a plurality of types of biological tissues having different sizes such as genes, proteins, and organelles.
  • the cell image includes cell shape information. Since cell images contain information on phenotypes, metabolites, proteins, and genes, the correlation between them can be acquired.
  • the feature amount calculation unit 102 extracts the cell image included in the cell image acquired in step S10 for each cell (step S20).
  • the feature amount calculation unit 102 extracts a cell image by performing image processing on the cell image.
  • the feature amount calculation unit 102 extracts a cell image by performing image contour extraction, pattern matching, and the like.
  • the feature quantity calculation unit 102 determines the type of cell for the cell image extracted in step S20 (step S30). Further, the feature amount calculation unit 102 determines the constituent elements of the cells included in the cell image extracted in step S20 based on the determination result in step S30 (step S40).
  • the cell components include cell organelles (organelles) such as cell nucleus, lysosome, Golgi apparatus, mitochondria, and proteins constituting organelles.
  • the cell type is determined, but the cell type may not be determined. In this case, if the type of cell to be introduced is determined in advance, the information may be used. Of course, the type of cell need not be specified.
  • the feature quantity calculation unit 102 calculates the feature quantity of the image for each cell component determined in step S40 (step S50).
  • the feature amount includes a luminance value of the pixel, an area of a certain area in the image, a variance value of the luminance of the pixel, and the like. Further, there are a plurality of types of feature amounts according to the constituent elements of the cells.
  • the feature amount of the image of the cell nucleus includes the total luminance value in the nucleus, the area of the nucleus, and the like.
  • the feature amount of the cytoplasm image includes the total luminance value in the cytoplasm, the area of the cytoplasm, and the like.
  • the feature amount of the image of the whole cell includes the total luminance value in the cell, the area of the cell, and the like.
  • the feature amount of the mitochondrial image includes the fragmentation rate. Note that the feature amount calculation unit 102 may calculate the feature amount by normalizing it to a value between 0 (zero) and 1, for example.
  • the feature amount calculation unit 102 may calculate the feature amount based on information on the condition of the experiment for the cell associated with the cell image. For example, in the case of a cell image captured when an antibody is reacted with a cell, the feature amount calculation unit 102 may calculate a characteristic amount that is unique when the antibody is reacted. In addition, in the case of a cell image captured when cells are stained or when fluorescent proteins are added to cells, the feature amount calculation unit 102 is used when the cells are stained or when fluorescent proteins are added to the cells A characteristic amount peculiar to each may be calculated.
  • the storage unit 200 may include an experimental condition storage unit 202.
  • the experimental condition storage unit 202 stores information on experimental conditions for cells associated with cell images for each cell image.
  • FIG. 4 is a diagram illustrating an example of a feature amount calculation result by the feature amount calculation unit 102 of the present embodiment.
  • the feature amount calculation unit 102 calculates a plurality of feature amounts for the protein 1 for each cell and for each time. In this example, the feature amount calculation unit 102 calculates feature amounts for N cells from cell 1 to cell N. In this example, the feature amount calculation unit 102 calculates feature amounts for seven times from time 1 to time 7. In this example, the feature amount calculation unit 102 calculates K types of feature amounts from the feature amount k1 to the feature amount kK.
  • the feature amount calculation unit 102 calculates feature amounts in the directions of the three axes.
  • an axis in the cell direction is described as axis Nc
  • an axis in the time direction is described as axis N
  • an axis in the feature quantity direction is described as axis d1.
  • the K types of feature quantities from the feature quantity k1 to the feature quantity kK are combinations of feature quantities for protein 1.
  • the types and combinations of feature amounts may differ.
  • the feature amount calculation unit 102 supplies the feature amount calculated in step S50 to the parameter selection unit 103.
  • the parameter selection unit 103 selects a parameter used for calculating the correlation between the feature amounts calculated in step S50 (step S60).
  • the parameter selection unit 103 supplies the selected parameter to the parameter correlation calculation unit 104.
  • the parameter correlation calculation unit 104 calculates a partial correlation coefficient between feature amounts using the parameter selected in step S60 (step S70).
  • Correlation calculator 106 uses the partial correlation coefficient calculated in step 107 to calculate a network representing the correlation between the constituent elements of the cell.
  • FIG. 4 is a diagram illustrating an example of a feature amount for each cell according to the present embodiment.
  • FIG. 5 shows a matrix X of feature amounts that summarizes the feature amounts for each cell.
  • the matrix X is a matrix having an axis N in the row direction and an axis d in the column direction.
  • each element of the matrix X is shown by the average value of the cell population, but a statistic such as a median value or a mode value can also be used.
  • a matrix X of feature values for each cell may be used.
  • FIG. 6 is a diagram illustrating an example of a network according to the present embodiment.
  • the network is represented by a plurality of nodes ND and a plurality of edges ED connecting the nodes.
  • the node indicates a feature amount used for edge calculation.
  • the edge indicates the correlation between the nodes connected by the edge.
  • the regularization parameter is used when the parameter correlation calculation unit 104 calculates the correlation.
  • the regularization parameter is a parameter ⁇ representing the strength of regularizing the elements of the matrix X described above.
  • the regularization parameter ⁇ is larger, the components of the accuracy matrix tend to be sparse.
  • the calculated network tends to be sparse. That is, the larger the parameter ⁇ , the smaller the number of edges included in the network.
  • the smaller the parameter ⁇ the greater the number of edges included in the network. Therefore, the network changes in a sparse and dense manner according to the value of ⁇ .
  • the regularization parameter is a function form by the Graphic Lasso method. That is, the regularization parameter ⁇ used in the Graphic Lasso method will be described as a regularization parameter.
  • the Graphical Lasso method is an efficient algorithm for estimating an accuracy matrix from a Gaussian model with L1 regularization. For example, it is described in “Sparse inverse covariance estimation with the” in Biostatistics (2008), 9, 432-441 by JEROME FREEDMAN, TREVOR HASTIE, and ROBERT TIBSHIRANI.
  • FIG. 7 is a flowchart showing an example of detailed processing from step S60 to step S80 shown in FIG.
  • the parameter selection unit 103 selects regularization parameters having different sizes (step S110).
  • the parameter correlation calculation unit 104 acquires a matrix X whose elements are the feature amounts calculated from the feature amount calculation unit 102 (step S120).
  • the parameter correlation calculation unit 104 acquires the regularization parameter ⁇ selected from the parameter selection unit 103 (step S130).
  • the parameter correlation calculation unit 104 calculates the partial correlation coefficient of the matrix X by the Graphic Lasso method using the regularization parameter acquired from the parameter selection unit 103 (step S140).
  • FIG. 8 is a diagram illustrating an example of a network and a partial correlation coefficient calculated by the parameter correlation calculation unit 104.
  • the network shown in FIG. 8 includes node A, node B, node C, and node D, and an edge connecting the respective nodes.
  • the network shown in FIG. 8A is calculated based on the partial correlation coefficient calculated from the matrix X when the regularization parameter ⁇ is 0.1.
  • the value of the partial correlation coefficient indicating the edge A- (1) connecting the node A and the node B is 0.7.
  • the value of the partial correlation coefficient indicating the edge A- (4) connecting the node A and the node C is 0.3.
  • the value of the partial correlation coefficient between node A and node D is 0, and there is no edge A- (2).
  • the value of the partial correlation coefficient indicating the edge A- (3) connecting the node B and the node C is 0.3.
  • the value of the partial correlation coefficient between the node D, the node B, and the node C is 0, and there is no edge.
  • the network shown in FIG. 8B is calculated based on the partial correlation coefficient calculated from the matrix X when the regularization parameter ⁇ is 0.5.
  • the value of the partial correlation coefficient indicating edge B- (1) connecting node A and node B is 0.6.
  • the value of the partial correlation coefficient indicating the edge B- (4) connecting the node A and the node C is 0, and the edge B- (4) does not exist.
  • the value of the partial correlation coefficient indicating the edge B- (2) connecting the node A and the node D is 0.2.
  • the value of the partial correlation coefficient indicating the edge B- (3) connecting the node B and the node C is 0.3.
  • the network shown in FIG. 8 (C) is calculated based on the partial correlation coefficient calculated from the matrix X when the regularization parameter ⁇ is 0.9.
  • the value of the partial correlation coefficient indicating the edge C- (1) connecting the node A and the node B is 0.5.
  • the edge shown when the value of the regularization parameter ⁇ is large is strong, which means that the correlation between the feature quantities forming the edge is strong. For example, edge C- (1) shown in FIG. 8C is strong.
  • the parameter correlation calculation unit 104 may acquire a plurality of regularization parameters at a time from the parameter selection unit 103, and may calculate a plurality of partial correlation coefficients for each acquired regularization parameter.
  • the parameter correlation calculation unit 104 may acquire regularization parameters one by one and calculate a partial correlation coefficient each time the parameters are acquired.
  • the parameter correlation calculation unit 104 may compare the calculated networks (step S150) and determine the size of the regularization parameter acquired from the parameter selection unit 103. Note that step S150 is not essential and may be omitted.
  • the present invention is not limited to this.
  • the regularization parameter ⁇ selected by the parameter correlation calculation unit 104 any value may be selected as long as it is within a range of values that can be set as the regularization parameter.
  • the parameter correlation calculation unit 104 supplies the calculated plurality of partial correlation coefficients to the edge weighting unit 105.
  • the edge weighting unit 105 acquires a plurality of partial correlation coefficients from the parameter correlation calculation unit 104.
  • the edge weighting unit 105 weights the edges based on the regularization parameters used for calculating the acquired partial correlation coefficients (step S160).
  • FIG. 9 is a diagram illustrating an example of a result obtained by weighting the network illustrated in FIG. 8 by the edge weighting unit 105.
  • the correlation coefficient and the partial correlation coefficient calculated using the regularization parameter ⁇ 0.9 were calculated.
  • the edge weighting unit 105 weights the acquired edges where the partial correlation coefficient is not 0.
  • the edge weighting unit 105 performs regularization used for calculating the partial correlation coefficient for the edge where the partial correlation coefficient from the node A to the node B shown in FIGS. 8A to 8C is not 0.
  • the weighted edge is calculated by adding the parameter values.
  • the edge weighting unit 105 calculates the weighted network and supplies it to the correlation calculation unit 106.
  • the correlation calculation unit 106 acquires the weighted network from the edge weighting unit 105.
  • the correlation calculation unit 106 supplies the weighted correlation to the result output unit 300 (step S170).
  • the edge weighting unit 105 performs a new correlation based on the regularization parameter ⁇ used to calculate the partial correlation coefficient. Calculate the relationship. This is because the presence or absence of correlation between feature quantities changes in the process of calculating the partial correlation coefficient by the Graphic Lasso method depending on the value of the regularization parameter ⁇ . As described above, when the regularization parameter ⁇ is a small value such as 0.1, a weak correlation is also calculated. Further, when the regularization parameter ⁇ is a large value such as 0.9, a stronger correlation remains.
  • the edge weighting unit 105 can calculate a new correlation in consideration of a plurality of correlation features calculated from the parameter correlation calculation unit 104 by weighting.
  • the correlation can be calculated in consideration of an unstable edge. Therefore, it has been difficult to perform analysis while calculating the correlation between feature quantities within or between cells and adjusting the density of the network.
  • it is possible to calculate a plurality of networks having different densities, weight the calculated plurality of networks having different densities, and calculate a weighted network. This makes it possible to uniquely determine a weighted network. Therefore, it is possible to save the user's trouble of comparing a plurality of networks in which density is adjusted.
  • FIG. 10 is a diagram illustrating an example of the correlation and partial correlation coefficient calculated by the parameter correlation calculation unit 104.
  • the network shown in FIG. 10 includes node A, node B, node C, and node D, and an edge connecting the respective nodes.
  • the network shown in FIG. 10A is calculated based on the partial correlation coefficient calculated from the matrix X when the regularization parameter ⁇ is 0.2.
  • the value of the partial correlation coefficient indicating the edge A- (1) connecting the node A and the node B is 0.4.
  • the value of the partial correlation coefficient indicating the edge A- (4) connecting the node A and the node C is 0.1.
  • the value of the partial correlation coefficient between node A and node D is 0, and no edge exists.
  • the value of the partial correlation coefficient indicating the edge A- (2) connecting the node B and the node C is 0.3.
  • the value of the partial correlation coefficient between node B and node D is 0, and no edge exists.
  • the value of the partial correlation coefficient indicating the edge A- (3) connecting the node C and the node D is 0.2.
  • the network shown in FIG. 10B is calculated based on the partial correlation coefficient calculated from the matrix X when the regularization parameter ⁇ is 0.7.
  • the value of the partial correlation coefficient indicating the edge B- (1) connecting the node A and the node B is 0.3.
  • the value of the partial correlation coefficient indicating the edge B- (5) connecting the node B and the node D is 0.1.
  • the value of the partial correlation coefficient between other nodes is 0, and there is no edge.
  • the network shown in FIG. 10C is calculated based on the partial correlation coefficient calculated from the matrix X when the regularization parameter ⁇ is 0.9.
  • the value of the partial correlation coefficient indicating the edge C- (1) connecting the node A and the node B is 0.2.
  • the value of the partial correlation coefficient indicating the edge C- (2) connecting the node B and the node C is 0.1.
  • the value of the partial correlation coefficient between other nodes is 0, and there is no edge.
  • FIG. 11 is a diagram illustrating an example of a result of weighting by the edge weighting unit 105 on the network illustrated in FIG.
  • the edge weighting unit 105 multiplies each acquired partial correlation coefficient value by the value of the regularization parameter used to calculate the partial correlation coefficient, and adds the values for each edge.
  • the partial correlation coefficient calculated under the same regularization parameter is obtained. It becomes possible to take into account the difference in size.
  • the edge weighting unit 105 calculates the weight of the edge ED2- (1) connecting the node A and the node B as 0.47.
  • the edge weighting unit 105 calculates the weight of the edge ED2- (2) connecting the node B and the node C as 0.15.
  • the edge weighting unit 105 calculates the weight of the edge ED2- (3) connecting the node C and the node D as 0.04.
  • the edge weighting unit 105 calculates the weight of the edge ED2- (4) connecting the node A and the node C as 0.02.
  • the edge weighting unit 105 calculates the weight of the edge ED2- (5) connecting the node B and the node D as 0.07.
  • the edge weighting unit 105 can calculate a new correlation in which the features of the plurality of correlations calculated from the parameter correlation calculation unit 104 are emphasized by weighting. Further, as shown in FIG. 10A to FIG. 10C, for example, when the presence or absence of an edge changes between the node B and the node D according to the value of the regularization parameter ⁇ , The correlation can be calculated in consideration of an edge whose appearance is unstable.
  • the edge weighting unit 105 of the present embodiment multiplies the value of the partial correlation coefficient by the value of the regularization parameter used to calculate the partial correlation coefficient.
  • the edge weighting unit 105 performs weighting by adding the values multiplied for each edge. Thereby, the analysis apparatus 10 can calculate the correlation according to the strength of the edge.
  • the partial correlation coefficient to be multiplied by the regularization parameter value may be multiplied after normalization with the maximum value being 1.0.
  • the parameter selected by the parameter selection unit 103 may be any parameter that changes the value of the feature amount included in the matrix X when calculating the partial correlation coefficient.
  • the parameter selection unit 103 selects, from among the feature amounts calculated by the feature amount calculation unit 102, the feature amount used for correlation calculation by the parameter correlation calculation unit 104.
  • the parameter selection unit 103 selects a feature amount used for correlation calculation based on a feature amount that changes due to a stimulus applied to a cell. Specifically, the parameter selection unit 103 selects a feature amount used for correlation calculation according to the magnitude of the feature amount change calculated by the feature amount calculation unit 102.
  • FIG. 12 is a flowchart illustrating an example of detailed processing when the parameter selection unit 103 selects an element of the matrix X.
  • the flow shown in FIG. 12 is an example of a detailed flow of processing from steps S60 to S80 of the flow shown in FIG.
  • the parameter selection unit 103 determines a reference value for determining whether or not to use the feature quantity acquired from the feature quantity calculation unit 102 for correlation calculation (step S310).
  • the reference value is a predetermined value as the reference value.
  • the reference value may be selected by the user.
  • the parameter selection unit 103 calculates an evaluation value based on the temporal change of the feature amount acquired from the feature amount calculation unit 102.
  • the parameter selection unit 103 compares the determined reference value with the evaluation value, and selects a feature amount used for correlation calculation (step S320).
  • the parameter selection unit 103 supplies the feature quantity used for calculation of the selected correlation to the parameter correlation calculation unit 104.
  • the parameter correlation calculation unit 104 acquires a feature amount used for correlation calculation from the parameter selection unit 103.
  • the parameter correlation calculation unit 104 calculates a partial correlation coefficient using the feature amount used for calculating the correlation acquired from the parameter selection unit 103 as an element of the matrix X (step S330).
  • the parameter correlation calculation unit 104 calculates a partial correlation coefficient by the Graphic Lasso method.
  • the method of calculating the partial correlation coefficient of the parameter correlation calculation unit 104 is not limited to the Graphic Lasso method, and any calculation method may be used.
  • the parameter correlation calculation unit 104 supplies the calculated partial correlation coefficient to the correlation calculation unit 106.
  • the correlation calculation unit 106 calculates a correlation based on the partial correlation coefficient acquired from the parameter correlation calculation unit 104, and outputs the correlation to the result output unit 300 (step S340).
  • FIG. 13 is a diagram illustrating an example of a change in feature amount over time of a stimulated cell.
  • FIG. 13A is a graph in which the time change between the value of the feature value D1 and the value of the feature value D2 is plotted as a line L1 and a line L2.
  • the feature quantity D1 corresponds to elements x 1 (1) to x 1 (N) in the vertical direction of the matrix X shown in FIG.
  • the feature amount D2 corresponds to the elements x 2 (1) to x 2 (N) in the vertical direction of the matrix X shown in FIG.
  • the parameter selection unit 103 calculates an evaluation value based on the feature amount.
  • the evaluation value is, for example, a value obtained by dividing the difference between the maximum value and the minimum value among the time change of the feature value by the average value of the time change of the feature value.
  • the evaluation value of the feature quantity D1 shown in FIG. 13 (A) is 0.96.
  • the evaluation value of the feature amount D2 is 0.33.
  • the parameter selection unit 103 compares the calculated evaluation value with the reference value, and supplies a feature amount indicating an evaluation value exceeding the reference value to the parameter correlation calculation unit 104 as a feature amount used for correlation calculation. As an example, when the reference value is 0.25, the parameter selection unit 103 outputs a feature value D1 and a feature value D2 indicating evaluation values exceeding the reference value to the parameter correlation calculation unit 104. Further, when the reference value is 0.5, the parameter selection unit 103 outputs a feature quantity D1 indicating an evaluation value exceeding the reference value to the parameter correlation calculation unit 104.
  • the parameter correlation calculation unit 104 acquires the feature amount used for calculating the partial correlation coefficient from the parameter selection unit 103, and calculates the correlation.
  • FIG. 14 is a diagram illustrating an example of the correlation calculated by the parameter correlation calculation unit 104.
  • the correlation shown in FIG. 14A is a correlation when the parameter selection unit 103 selects the feature amount D.
  • the correlation shown in FIG. 14B is a correlation when the parameter selection unit 103 does not select the feature amount D.
  • the edge ED15 connecting the node A and the node D (feature amount D) illustrated in FIG. 14A does not appear in FIG. 14B. That is, the density of the network indicating the correlation can be changed according to the feature amount selected by the parameter selection unit 103.
  • the parameter selection unit 103 can change the feature value used for calculating the correlation by changing the reference value for selecting the feature value, and can change the density of the network calculated by the parameter correlation calculation unit 104. Can do.
  • the edge weighting unit 105 may perform edge weighting by using the fact that the correlation calculated by the parameter correlation calculation unit 104 changes as the parameter selection unit 103 changes the selection criterion of the feature amount. Is possible. A case where 0.25 and 0.5 are taken as reference values will be described. Assume that the network when the reference value is 0.25 is FIG. 14A and the network when the reference value is 0.5 is FIG. 14B. In this case, the edge weighting unit 105 multiplies the edge of FIG. 14A by 0.25, multiplies the edge of FIG. 14B by 0.5, and adds each edge. Is a weighted network.
  • the analysis apparatus 10 includes the parameter selection unit 103 and the parameter correlation calculation unit 104.
  • the parameter selection unit 103 selects a feature amount used for correlation calculation based on the reference value.
  • the parameter correlation calculation unit 104 calculates the correlation between the feature amounts based on the feature amount selected by the parameter selection unit 103. Thereby, the analysis apparatus 10 can adjust the density of the calculated correlation. Moreover, since the analysis apparatus 10 can calculate the correlation between feature quantities having a large time change, it can calculate the correlation of only those having a large influence on the cells by the stimulus.
  • the correlation is calculated using the stimulated cell, but the present invention is not limited to this. You may calculate a correlation with respect to the cell which does not receive irritation
  • the feature amount is calculated using the cell image supplied by the image acquisition unit 101, but the cell image to be used is not limited to this.
  • the feature amount may be calculated using a cell image that has already been acquired and stored.
  • the feature amount may be calculated using a cell image acquired by the image acquisition unit 101 that is not directly connected to the analysis apparatus. In this case, if a cell image is supplied from the outside, the analysis device 10 can acquire the correlation from the cell image.
  • a program for executing each process of the analysis apparatus 10 according to the embodiment of the present invention is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into a computer system and executed.
  • the various processes described above may be performed.
  • the “computer system” referred to here may include an OS and hardware such as peripheral devices. Further, the “computer system” includes a homepage providing environment (or display environment) if a WWW system is used.
  • the “computer-readable recording medium” means a flexible disk, a magneto-optical disk, a ROM, a writable nonvolatile memory such as a flash memory, a portable medium such as a CD-ROM, a hard disk built in a computer system, etc. This is a storage device.
  • the “computer-readable recording medium” refers to a volatile memory (for example, DRAM (Dynamic) in a computer system serving as a server or a client when a program is transmitted via a network such as the Internet or a communication line such as a telephone line. Random Access Memory)), etc. that hold a program for a certain period of time.
  • the program may be transmitted from a computer system storing the program in a storage device or the like to another computer system via a transmission medium or by a transmission wave in the transmission medium.
  • the “transmission medium” for transmitting the program refers to a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line.
  • the program may be for realizing a part of the functions described above. Furthermore, what can implement

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Organic Chemistry (AREA)
  • Biotechnology (AREA)
  • Medicinal Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Hematology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Microbiology (AREA)
  • Sustainable Development (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

解析装置は、細胞内の特徴量同士の相関を解析する解析装置であって、細胞が撮像された細胞画像から、細胞を構成する構成要素の特徴量を算出する特徴量算出部と、特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択部と、パラメータ選択部により選択される第１パラメータを用い第１相関と、パラメータ選択部により選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出部と、パラメータ相関算出部により算出される、第１、第２相関に基づいて、第３相関を算出する、相関算出部と、を備える。

Description

解析装置、解析プログラム及び解析方法
　本発明は、解析装置、解析プログラム及び解析方法に関するものである。
　生物科学や医学等において、生物の健康や疾患等の状態は、例えば、細胞や細胞内の小器官等の状態と関連性があることが知られている。そのため、これら関連性を解析することは、生物科学や医学等の諸処の課題を解決する一つの手段になる。また、細胞間、或いは細胞内で伝達される情報の伝達経路を解析することは、例えば、工業用途でのバイオセンサーや、疾病予防を目的とした製薬等の研究に役立てることができる。細胞や組織片等に関する種々の解析技術として、例えば、画像処理を用いた技術が知られている（例えば、特許文献１参照）。従来から、解析不良を抑制するという要求があった。
米国特許第９２８０６９８号明細書
　本発明の第１の態様によると、細胞内の特徴量同士の相関を解析する解析装置であって、細胞が撮像された細胞画像から、細胞を構成する構成要素の特徴量を算出する特徴量算出部と、特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択部と、パラメータ選択部により選択される第１パラメータを用い第１相関と、パラメータ選択部により選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出部と、パラメータ相関算出部により算出される、第１、第２相関に基づいて、第３相関を算出する、相関算出部と、を備える、解析装置である。
　本発明の第２の態様によると、細胞内の特徴量同士の相関を解析する解析装置のコンピュータに、細胞が撮像された細胞画像から、細胞を構成する構成要素の特徴量を算出する特徴量算出ステップと、特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択ステップと、パラメータ選択ステップにより選択される第１パラメータを用い第１相関と、パラメータ選択部により選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出ステップと、パラメータ相関算出ステップにより算出される、第１、第２相関に基づいて、第３相関を算出する、相関算出ステップと、を実行させるための、解析プログラムである。
　本発明の第３の態様によると、細胞内の特徴量同士の相関を解析する解析方法であって、細胞が撮像された細胞画像から、細胞を構成する構成要素の特徴量を算出する特徴量算出工程と、特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択工程と、パラメータ選択工程により選択される第１パラメータを用い第１相関と、パラメータ選択部により選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出工程と、パラメータ相関算出工程により算出される、第１、第２相関に基づいて、第３相関を算出する、相関算出工程と、を有する、解析方法である。
本発明の実施形態による顕微鏡観察システムの構成の一例を示す図である。 本実施形態の解析装置が備える各部の機能構成の一例を示すブロック図である。 本実施形態の演算部の演算手順の一例を示す流れ図である。 本実施形態の特徴量算出部による特徴量の算出結果の一例を示す図である。 本実施形態の細胞毎の特徴量の行列の一例を示す図である。 本実施形態の特徴量同士の相関関係の一例を示す図である。 図３に示すステップ６０からステップ８０までの詳細な処理の一例を示す流れ図である。 パラメータ相関算出部が算出する相関関係と偏相関係数の一例を示す図である。 図８に示すネットワークにエッジ重み付け部が重み付けした結果の一例を示す図である。 パラメータ相関算出部が算出する相関関係と偏相関係数の一例を示す図である。 図１０に示すネットワークにエッジ重み付け部が重み付けした結果の一例を示す図である。 パラメータ選択部が行列の要素を選択する場合の、詳細な処理の一例を示す流れ図である。 刺激された細胞の時間経過による特徴量の変化の一例を示す図である。 パラメータ相関算出部が算出する相関関係の一例を示す図である。
　［実施形態］
　以下、図面を参照して、本発明の実施の形態について説明する。図１は、本発明の実施形態による顕微鏡観察システム１の構成の一例を示す図である。
　顕微鏡観察システム１は、細胞等を撮像することにより取得される画像に対して、画像処理を行う。以下の説明において、細胞等を撮像することにより取得される画像を、単に細胞画像とも記載する。
　顕微鏡観察システム１は、解析装置１０と、顕微鏡装置２０と、表示部３０とを備える。
　顕微鏡装置２０は、生物顕微鏡であり、電動ステージ２１と、撮像部２２とを備える。電動ステージ２１は、所定の方向（例えば、水平方向の二次元平面内のある方向）に、撮像対象物の位置を任意に稼働可能である。
　撮像部２２は、ＣＣＤ（Ｃｈａｒｇｅ－Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）やＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　ＭＯＳ）などの撮像素子を備えており、電動ステージ２１上の撮像対象物を撮像する。なお、顕微鏡装置２０に電動ステージ２１を備えていなくてもよく、ステージが所定方向に稼働しないステージとしても構わない。
　より具体的には、顕微鏡装置２０は、例えば、微分干渉顕微鏡（Ｄｉｆｆｅｒｅｎｔｉａｌ　Ｉｎｔｅｒｆｅｒｅｎｃｅ　Ｃｏｎｔｒａｓｔ　ｍｉｃｒｏｓｃｏｐｅ；ＤＩＣ）や位位相差顕微鏡、蛍光顕微鏡、共焦点顕微鏡、超解像顕微鏡、二光子励起蛍光顕微鏡、ライトシート顕微鏡、ライトフィールド顕微鏡等の機能を有する。
　顕微鏡装置２０は、電動ステージ２１上に載置された培養容器を撮像する。この培養容器とは、例えば、ウェルプレートＷＰやスライドチャンバ―などがある。顕微鏡装置２０は、ウェルプレートＷＰが有する多数のウェルＷの中に培養された細胞に光を照射することで、細胞を透過した透過光を細胞の画像として撮像する。これによって、顕微鏡装置２０は、細胞の透過ＤＩＣ画像や、位相差画像、暗視野画像、明視野画像等の画像を取得することができる。
　さらに、細胞に蛍光物質を励起する励起光を照射することで、顕微鏡装置２０は、生体物質から発光される蛍光を細胞の画像として撮像する。
　本実施形態では、細胞を生きたまま染色し、タイムラプス撮影することで、細胞刺激後の細胞の変化画像を取得する。本実施形態においては、蛍光融合タンパク質を発現させるか、もしくは細胞を生きたままで化学試薬などで染色するなどし、細胞画像を取得する。更に別の本実施形態では、細胞を固定して染色し、細胞画像を取得する。固定された細胞は代謝が止まる。したがって、細胞に刺激を加えた後、細胞内の経時変化を固定細胞で観察する場合には、細胞を播種した複数の細胞培養容器を用意する必要がある。例えば、細胞に刺激を加え、第１時間後の細胞の変化と、第１時間とは異なる第２時間後の細胞の変化を観察したい場合がある。この場合には、細胞に刺激を加えて第１時間を経過した後に、細胞を固定して染色し、細胞画像を取得する。
　一方、第１時間での観察に用いた細胞とは異なる細胞培養容器を用意し、細胞に刺激を加え第２時間を経過した後に、細胞を固定し、染色して、細胞画像を取得する。これにより、第１時間の細胞の変化と、第２時間での細胞の変化とを観察することで、細胞内の経時変化を推定することができる。また、第１時間と第２時間との細胞内の変化を観察することに用いる細胞の数は１つに限られない。したがって、第１時間と第２時間とで、それぞれ複数の細胞の画像を取得することになる。例えば、細胞内の変化を観察する細胞の数が、１０００個だった場合には、第１時間と第２時間とで２０００個の細胞を撮影することになる。したがって、刺激に対する細胞内の変化の詳細を取得しようとする場合には、刺激からの撮像するタイミング毎に、複数の細胞画像が必要となり、大量の細胞画像が取得される。
　また、顕微鏡装置２０は、生体物質内に取り込まれた発色物質そのものから発光或いは蛍光や、発色団を持つ物質が生体物質に結合することによって生じる発光或いは蛍光を、上述した細胞の画像として撮像してもよい。これにより、顕微鏡観察システム１は、蛍光画像、共焦点画像、超解像画像、二光子励起蛍光顕微鏡画像を取得することができる。
　なお、細胞の画像を取得する方法は、光学顕微鏡に限られない。例えば、細胞の画像を取得する方法は、電子顕微鏡でも構わない。また、細胞の画像は、異なる方式により得られた画像を用い、相関を取得しても構わない。すなわち、細胞の画像の種類は適宜選択しても構わない。
　本実施形態における細胞は、例えば、初代培養細胞や、株化培養細胞、組織切片の細胞等である。細胞を観察するために、観察される試料は、細胞の集合体や組織試料、臓器、個体（動物など）を用い観察し、細胞を含む画像を取得しても構わない。なお、細胞の状態は、特に制限されず、生きている状態であっても、或いは固定されている状態であってもよい。細胞の状態は、“in-vitro”であっても構わない。勿論、生きている状態の情報と、固定されている情報とを組み合わせても構わない。
　また、細胞を、化学発光或いは蛍光タンパク質（例えば、導入された遺伝子（緑色蛍光タンパク質（ＧＦＰ）など）から発現された化学発光或いは蛍光タンパク質）で処理し、観察しても構わない。あるいは、細胞を、免疫染色や化学試薬による染色を用いて観察しても構わない。それらを組み合わせて観察しても構わない。例えば、細胞内の核内構造（例えば、ゴルジ体など）を判別する種類に応じて、用いる発光タンパク質を選択することも可能である。
　また、これらの細胞を観察する手段、細胞を染色する方法などの相関取得を解析するための前処理は、目的に応じて適宜選択しても構わない。例えば、細胞の動的挙動を得る場合に最適な手法により細胞の動的な情報を取得して、細胞内のシグナル伝達を得る場合には最適な手法により細胞内のシグナル伝達に関する情報を取得しても構わない。これら、目的に応じて選択される前処理が異なっていても構わない。
　ウェルプレートＷＰは、１個ないし複数のウェルＷを有する。この一例では、ウェルプレートＷＰは、図１に示すように８×１２の９６個のウェルＷを有する。ウェルプレートＷＰの数はこれに限られず、６×９の５４個のウェルＷを有していても構わない。細胞は、ウェルＷの中において、特定の実験条件のもと培養される。特定の実験条件とは、温度、湿度、培養期間、刺激が付与されてからの経過時間、付与される刺激の種類や強さ、濃度、量、刺激の有無、生物学的特徴の誘導等を含む。刺激とは、例えば、電気、音波、磁気、光等の物理的刺激や、物質や薬物の投与による化学的刺激等である。また、生物学的特徴とは、細胞の分化の段階や、形態、細胞数、細胞内の分子の挙動、オルガネラの形態や挙動、各形体、核内構造体の挙動、ＤＮＡ分子の挙動等を示す特徴である。
　図２は、本実施形態の解析装置１０が備える各部の機能構成の一例を示すブロック図である。解析装置１０は、顕微鏡装置２０によって取得された画像を解析するコンピュータ装置である。
　解析装置１０は、演算部１００と、記憶部２００と、結果出力部３００とを備える。
　なお、解析装置１０によって画像処理される画像は、顕微鏡装置２０によって撮像される画像だけに限らず、例えば、解析装置１０が備える記憶部２００に予め記憶されている画像や、不図示の外部記憶装置に予め記憶されている画像であってもよい。
　演算部１００は、プロセッサが記憶部２００に格納されたプログラムを実行することにより機能する。また、これらの演算部１００の各機能部のうちの一部または全部は、ＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）やＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等のハードウェアによって構成されていてもよい。演算部１００は、細胞画像取得部１０１と、特徴量算出部１０２と、パラメータ選択部１０３と、パラメータ相関算出部１０４と、エッジ重み付け部１０５と、相関算出部１０６とを備える。
　細胞画像取得部１０１は、撮像部２２が撮像した細胞画像を取得し、取得した細胞画像を１０２に供給する。ここで、細胞画像取得部１０１が取得する細胞画像には、細胞の培養状態が時系列に撮像された複数の画像や、様々な実験条件において細胞が培養された複数の画像が含まれる。
　特徴量算出部１０２は、細胞画像取得部１０１が供給する細胞画像の複数種類の特徴量を算出する。この特徴量には、細胞画像の輝度、面積、分散などが含まれる。
　すなわち、撮像される細胞画像から取得される情報から導出される特徴である。例えば、取得される画像における輝度分布を算出する。時系列もしくは、分化等の細胞状態の変化で異なる複数の画像を用い、算出される輝度分布の所定時間の変化、もしくは、算出される輝度分布の分化等の細胞状態変化に伴う変化から、他とは異なる輝度の変化を示す位置情報を求め、輝度の変化を特徴量としてもよい。この場合に、時間の変化に限られず、分化等の細胞の状態の変化が異なる複数の画像を用いても構わない。また、異なる輝度の変化を示す位置の情報を特徴量としてもよい。例えば、細胞の所定時間内の挙動、もしくは、細胞の分化等の細胞状態変化に伴う挙動でも構わないし、細胞の形状の所定時間内の変化、もしくは、細胞の形状の分化等の細胞状態変化に伴う変化でも構わない。また、撮像される細胞画像から、所定時間内の変化、もしくは、分化等の細胞状態変化に伴う変化が認められない場合は、変化しないことも特徴量としても構わない。
　パラメータ選択部１０３には、予め定められたパラメータや、パラメータを選択する基準値などが記憶される。パラメータ選択部１０３は、特徴量同士のエッジの算出に用いるパラメータを選択する。パラメータとは、パラメータ相関算出部１０４がエッジの算出に用いる値を調節する情報である。パラメータ選択部が選択するパラメータを変化させると、ネットワークの疎密が変化する。パラメータ選択部１０３が選択するパラメータの一例として、エッジの算出に用いる特徴量の取捨選択の基準や、エッジの算出に用いる正則化パラメータなどがある。したがって、パラメータ選択部１０３が選択するパラメータを変化させると、算出されるネットワークに含まれるエッジの数を変えることが可能である。なお、パラメータ選択部１０３が選択するパラメータは、解析装置１０を操作するユーザの操作によって決定されてもよい。一例として、パラメータは、ユーザ操作によって正則化パラメータに用いる値を入力されてもよい。また、パラメータは、ユーザ操作によってエッジの算出に用いる特徴量を指定されてもよい。
　パラメータ選択部１０３は、選択したパラメータをパラメータ相関算出部１０４へ供給する。
　パラメータ相関算出部１０４は、パラメータ選択部１０３からパラメータを取得する。パラメータ相関算出部１０４は、パラメータ選択部１０３から取得したパラメータに基づいて、特徴量同士のエッジを算出する。パラメータ相関算出部１０４は、特徴量同士のエッジを算出することで、ネットワークを算出することができる。ネットワークの要素には、ノード、エッジなどが含まれる。パラメータ相関算出部１０４は、算出した特徴量同士のエッジを、エッジ重み付け部１０５と、相関算出部１０６とに対して供給する。
　また、パラメータ選択部１０３は、複数のパラメータを選択することができ、この際、パラメータ相関算出部１０４は、パラメータ選択部１０３から取得した複数のパラメータに基づいて、複数の特徴量同士のエッジを含むネットワークを算出し、エッジ重み付け部１０５と、相関算出部１０６とに対して供給する。
　エッジ重み付け部１０５は、パラメータ相関算出部１０４から特徴量同士のエッジと、そのエッジの算出に用いたパラメータを複数取得する。エッジ重み付け部１０５は、パラメータ相関算出部１０４から取得した複数のネットワークと、そのネットワークの算出に用いたそれぞれのパラメータとに基づいて、特徴量同士のエッジを重み付けする。パラメータ選択部１０３により選択される複数のパラメータに対して、それぞのネットワークがパラメータ相関算出部１０４により算出される。算出される複数のネットワークを用いて、エッジ重み付け部１０５はエッジを重み付けする。重み付けしたネットワークを、相関算出部１０６に対して供給する。
　相関算出部１０６は、パラメータ相関算出部１０４又はエッジ重み付け部１０５からネットワークを取得する。相関算出部１０６は、取得したネットワークのうちから、結果出力部３００に供給するネットワークを算出する。すなわち、相関算出部１０６は、取得したネットワークのうちから、結果出力部３００に供給するネットワークを選択する。
　結果出力部３００は、演算部１００による演算結果を表示部３０に出力する。なお、結果出力部３００は、演算部１００による演算結果を、表示部３０以外の出力装置や、記憶装置などに出力してもよい。
　表示部３０は、結果出力部３００が出力する演算結果を表示する。
　上述した演算部１００の具体的な演算手順について、図３を参照して説明する。
　図３は、本実施形態の演算部１００の演算手順の一例を示す流れ図である。なお、ここに示す演算手順は、一例であって、演算手順の省略や演算手順の追加が行われてもよい。
　細胞画像取得部１０１は、細胞画像を取得する（ステップＳ１０）。この細胞画像には、遺伝子、タンパク質、オルガネラなど、大きさが相違する複数の種類の生体組織の画像が含まれている。また、細胞画像には、細胞の形状情報が含まれている。細胞画像には、表現型、代謝物、タンパク質、遺伝子の情報が含まれているので、それらの間の相関を取得することができる。
　特徴量算出部１０２は、ステップＳ１０において取得された細胞画像に含まれる細胞の画像を、細胞毎に抽出する（ステップＳ２０）。特徴量算出部１０２は、細胞画像に対して画像処理を施すことにより、細胞の画像を抽出する。この一例では、特徴量算出部１０２は、画像の輪郭抽出やパターンマッチングなどを施すことにより、細胞の画像を抽出する。
　次に、特徴量算出部１０２は、ステップＳ２０において抽出された細胞の画像について、細胞の種類を判定する（ステップＳ３０）。さらに、特徴量算出部１０２は、ステップＳ３０における判定結果に基づいて、ステップＳ２０において抽出された細胞の画像に含まれる細胞の構成要素を判定する（ステップＳ４０）。ここで、細胞の構成要素には、細胞核、リソソーム、ゴルジ体、ミトコンドリアなどの細胞小器官（オルガネラ）や、オルガネラを構成するタンパク質などが含まれる。なお、ステップＳ３０では細胞の種類を判定しているが、細胞の種類を判定しなくても構わない。この場合には、予め導入する細胞の種類が判定している場合には、その情報を使用しても構わない。勿論、細胞の種類を特定しなくても構わない。
　次に、特徴量算出部１０２は、ステップＳ４０において判定された細胞の構成要素ごとに、画像の特徴量を算出する（ステップＳ５０）。この特徴量には、画素の輝度値、画像内のある領域の面積、画素の輝度の分散値などが含まれる。また、特徴量には、細胞の構成要素に応じた複数の種類がある。一例として、細胞核の画像の特徴量には、核内総輝度値や、核の面積などが含まれる。細胞質の画像の特徴量には、細胞質内総輝度値や、細胞質の面積などが含まれる。また、細胞全体の画像の特徴量には、細胞内総輝度値や、細胞の面積などが含まれる。また、ミトコンドリアの画像の特徴量には、断片化率が含まれる。なお、特徴量算出部１０２は、特徴量を、例えば０（ゼロ）から１までの間の値に正規化して算出してもよい。
　また、特徴量算出部１０２は、細胞画像に対応付けられている細胞に対する実験の条件の情報に基づいて、特徴量を算出してもよい。例えば、細胞について抗体を反応させた場合において撮像された細胞画像の場合には、特徴量算出部１０２は、抗体を反応させた場合に特有の特徴量を算出してもよい。また、細胞を染色した場合、又は細胞に蛍光タンパクを付与した場合において撮像された細胞画像の場合には、特徴量算出部１０２は、細胞を染色した場合、又は細胞に蛍光タンパクを付与した場合に特有の特徴量を算出してもよい。
　これらの場合、記憶部２００は、実験条件記憶部２０２を備えていてもよい。この実験条件記憶部２０２には、細胞画像に対応付けられている細胞に対する実験の条件の情報を、細胞画像毎に記憶される。
　ここで特徴量算出部１０２が算出する、あるタンパク質の特徴量の算出結果について、図４を参照して説明する。
　図４は、本実施形態の特徴量算出部１０２による特徴量の算出結果の一例を示す図である。特徴量算出部１０２は、タンパク質１について、細胞ごと、かつ時刻ごとに、複数の特徴量を算出する。この一例において、特徴量算出部１０２は、細胞１から細胞ＮまでのＮ個の細胞について、特徴量を算出する。また、この一例において、特徴量算出部１０２は、時刻１から時刻７までの７つの時刻について、特徴量を算出する。また、この一例において、特徴量算出部１０２は、特徴量ｋ１から特徴量ｋＫまでの、Ｋ種類の特徴量を算出する。つまり、この一例において、特徴量算出部１０２は、三軸の方向に、特徴量を算出する。ここで、細胞方向の軸を軸Ｎｃと、時間方向の軸を軸Ｎと、特徴量方向の軸を軸ｄ１と、それぞれ記載する。
　なお、特徴量ｋ１から特徴量ｋＫまでのＫ種類の特徴量とは、タンパク質１についての特徴量の組み合わせである。タンパク質１以外のタンパク質、又は、タンパク質１以外の細胞内の構成要素については、特徴量の種類や組み合わせが相違する場合がある。
　特徴量算出部１０２は、ステップＳ５０において算出した特徴量を、パラメータ選択部１０３に供給する。
　パラメータ選択部１０３は、ステップＳ５０において算出された特徴量同士の相関の算出に用いるパラメータを選択する（ステップＳ６０）。パラメータ選択部１０３は、選択したパラメータを、パラメータ相関算出部１０４に供給する。
　パラメータ相関算出部１０４は、ステップＳ６０において選択されたパラメータを用いて特徴量間の偏相関係数を算出する（ステップＳ７０）。相関算出部１０６は、ステップ１０７において算出された偏相関係数を用いて、細胞の構成要素間の相関関係を表すネットワークを算出する。
　図４は、本実施形態の細胞毎の特徴量の一例を示す図である。また、細胞毎の特徴量をまとめた、特徴量の行列Ｘを図５に示す。行列Ｘは、行方向に軸Ｎを、列方向に軸ｄをとった行列である。図５では、行列Ｘの各要素を、細胞集団の平均値によって示しているが、中央値や最頻値といった統計量を使用することもできる。勿論、細胞毎の特徴量の行列Ｘとしても構わない。
　図６は、本実施形態のネットワークの一例を示す図である。図６に示すように、この一例では、ネットワークは、複数のノードＮＤと、ノードとノードとを繋ぐ複数のエッジＥＤによって表現される。ノードは、エッジの算出に用いた特徴量を示す。エッジは、そのエッジによって繋がれるノードとノードとの相関関係を示す。
　次に、パラメータ相関算出部１０４が行う処理について、より具体的に説明する。
［パラメータ選択部が正則化パラメータを選択する場合］
　パラメータ選択部１０３が、正則化パラメータを選択する場合について説明する。正則化パラメータは、パラメータ相関算出部１０４が相関関係を算出する際に用いられる。具体的には、正則化パラメータとは、上述した行列Ｘの要素を正則化する強さを表すパラメータλである。パラメータλが大きいほど精度行列の成分は疎になりやすい。言い換えると、パラメータλが大きいほど算出されるネットワークは疎になりやすい。すなわち、パラメータλが大きいほどネットワークに含まれるエッジの数は少なくなる。一方、パラメータλが小さいほどネットワークに含まれるエッジの数は多くなる。そのため、ネットワークはλの値に応じて、疎密に変化する。
［Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏによる偏相関係数の算出］
　ここでは、正則化パラメータがＧｒａｐｈｉｃａｌ　Ｌａｓｓｏ法による関数形の場合について説明する。つまり、正則化パラメータが、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法に用いられる正則化パラメータλについて説明する。Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法とは、Ｌ１正則化付のガウシアンモデルから、精度行列を推定するための効率的なアルゴリズムである。例えば、ＪＥＲＯＭＥ　ＦＲＩＥＤＭＡＮとＴＲＥＶＯＲ　ＨＡＳＴＩＥとＲＯＢＥＲＴ　ＴＩＢＳＨＩＲＡＮＩによるＢｉｏｓｔａｔｉｓｔｉｃｓ　（２００８），　９，　３　４３２－４４１号の“Ｓｐａｒｓｅ　ｉｎｖｅｒｓｅ　ｃｏｖａｒｉａｎｃｅ　ｅｓｔｉｍａｔｉｏｎ　ｗｉｔｈ　ｔｈｅ　ｇｒａｐｈｉｃａｌ　ｌａｓｓｏ”に記載されている。
　次に、図７を参照して、正則化パラメータλを変化させた場合に算出される偏相関係数と、エッジの重み付け処理のフローについて説明する。
　図７は、図３に示すステップＳ６０からステップＳ８０までの詳細な処理の一例を示す流れ図である。
　パラメータ選択部１０３は、大きさが異なる正則化パラメータを選択する（ステップＳ１１０）。パラメータ相関算出部１０４は、特徴量算出部１０２から算出された特徴量を要素とする行列Ｘを取得する（ステップＳ１２０）。パラメータ相関算出部１０４は、パラメータ選択部１０３から選択される正則化パラメータλを取得する（ステップＳ１３０）。パラメータ相関算出部１０４は、パラメータ選択部１０３から取得した正則化パラメータを用いて、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法により行列Ｘの偏相関係数を算出する（ステップＳ１４０）。
　ここで、図８を参照して、パラメータ相関算出部１０４がステップＳ１４０において算出する行列Ｘの偏相関係数と、ネットワークの一例について説明する。
　図８は、パラメータ相関算出部１０４が算出するネットワークと偏相関係数の一例を示す図である。
　図８に示すネットワークには、ノードＡ、ノードＢ、ノードＣ、ノードＤと、それぞれのノードを繋ぐエッジが含まれる。
　図８（Ａ）に示すネットワークは、正則化パラメータλが０．１の場合の、行列Ｘから算出される偏相関係数に基づいて算出される。ノードＡとノードＢとを接続するエッジＡ－（１）を示す偏相関係数の値は０．７である。ノードＡとノードＣとを接続するエッジＡ－（４）を示す偏相関係数の値は０．３である。ノードＡとノードＤとの偏相関係数の値は０であり、エッジＡ－（２）は存在しない。ノードＢとノードＣとを接続するエッジＡ－（３）を示す偏相関係数の値は０．３である。ノードＤとノードＢ及びノードＣとの偏相関係数の値は０であり、エッジは存在しない。
　図８（Ｂ）に示すネットワークは、正則化パラメータλが０．５の場合の、行列Ｘから算出される偏相関係数に基づいて算出される。ノードＡとノードＢとを接続するエッジＢ－（１）を示す偏相関係数の値は０．６である。ノードＡとノードＣとを接続するエッジＢ－（４）を示す偏相関係数の値は０であり、エッジＢ－（４）は存在しない。ノードＡとノードＤとを接続するエッジＢ－（２）を示す偏相関係数の値は０．２である。ノードＢとノードＣとを接続するエッジＢ－（３）を示す偏相関係数の値は０．３である。
　図８（Ｃ）に示すネットワークは、正則化パラメータλが０．９の場合の、行列Ｘから算出される偏相関係数に基づいて算出される。ノードＡとノードＢとを接続するエッジＣ－（１）を示す偏相関係数の値は０．５である。
　図８（Ａ）から図８（Ｃ）に示すように、正則化パラメータλの値が大きいほど行列Ｘの要素が選択されにくくなる。そのため、正則化パラメータλの値が大きくなると、ノードとノードとを結ぶエッジの数が少なくなる。正則化パラメータλの値が大きい場合に示されるエッジは強く、そのエッジを形成する特徴量同士の相関が強いこと意味している。例えば、図８（Ｃ）に示すエッジＣ－（１）は強い。
　なお、パラメータ相関算出部１０４は、ステップＳ１１０において、パラメータ選択部１０３から複数の正則化パラメータを一度に取得し、取得した正則化パラメータ毎に複数の偏相関係数を算出してもよい。また、パラメータ相関算出部１０４は、正則化パラメータを一つ一つ取得して、パラメータを取得する毎に偏相関係数を算出してもよい。この場合には、パラメータ相関算出部１０４は算出したネットワークを比較し（ステップＳ１５０）、パラメータ選択部１０３から取得する正則化パラメータの大きさを決定してもよい。なお、ステップＳ１５０は必須ではなく、省略されてもよい。
　パラメータ相関算出部１０４が取得する正則化パラメータの大きさを決定する一例として、小さな値の正則化パラメータλであるλ＝０．１と、大きな値の正則化パラメータλであるλ＝０．９との偏相関係数をそれぞれ算出する。パラメータ相関算出部１０４は、λ＝０．１を用いて算出された偏相関係数と、λ＝０．９を用いて算出された偏相関係数とを比較して、偏相関係数同士の差が大きい場合には、ネットワークの疎密の差が大きいと判定し、次に取得する正則化パラメータλを、λ＝０．１と、λ＝０．９との中間の値を取得する。これにより、ユーザが所望する密度のネットワークを算出可能な正則化パラメータλの決定に要する演算量を抑制することができる。
　なお、上述した説明では、パラメータ相関算出部１０４は、正則化パラメータλ＝０．１から０．４ずつ増加させた３つの正則化パラメータλを選択したが、これに限られない。パラメータ相関算出部１０４が選択する正則化パラメータλは、正則化パラメータとして設定可能な値の範囲であれば、どのような値が選択されてもよい。
　パラメータ相関算出部１０４は、算出した複数の偏相関係数を、エッジ重み付け部１０５に供給する。エッジ重み付け部１０５は、パラメータ相関算出部１０４から複数の偏相関係数を取得する。エッジ重み付け部１０５は、取得した複数の偏相関係数の算出に用いた正則化パラメータに基づいて、エッジに重み付けを行う（ステップＳ１６０）。
［重み付け方法　その１］
　次に、図８（Ａ）、図８（Ｂ）及び図８（Ｃ）に示すネットワークにエッジ重み付け部１０５が重み付けする一例を、図９を参照して説明する。
　図９は、図８に示すネットワークにエッジ重み付け部１０５が重み付けした結果の一例を示す図である。
　この一例では、パラメータ相関算出部１０４は、行列Ｘに対して、正則化パラメータλ＝０．１を用いて算出した偏相関係数と、正則化パラメータλ＝０．５を用いて算出した偏相関係数と、正則化パラメータλ＝０．９を用いて算出した偏相関係数とを算出した。エッジ重み付け部１０５は、パラメータ相関算出部１０４から上述したλ＝０．１、λ＝０．５及びλ＝０．９を用いて算出された偏相関係数をそれぞれ取得する。エッジ重み付け部１０５は、取得したそれぞれの偏相関係数が０でないエッジに対して、重み付けする。
　エッジ重み付け部１０５は、図８（Ａ）から図８（Ｃ）に示すノードＡからノードＢの偏相関係数が０ではないエッジに対して、その偏相関係数の算出に用いた正則化パラメータの値を加算して重み付け後のエッジを算出する。
　具体的には、エッジ重み付け部１０５は、ノードＡとノードＢとを接続するエッジＥＤ－（１）の重みを、１．５として算出する。これは、正則化パラメータがλ＝０．１、λ＝０．５及びλ＝０．９の全てで偏相関係数が０ではないため、０．１と、０．５と、０．９とを加算した値である。
　エッジ重み付け部１０５は同様に、ノードＡとノードＤとを接続するエッジＥＤ－（２）の重みを、０．５として算出する。また、エッジ重み付け部１０５は同様に、ノードＢとノードＣとを接続するエッジＥＤ－（３）の重みを０．６として算出する。また、エッジ重み付け部１０５は、ノードＡとノードＣとを接続するエッジＥＤ－（４）の重みを、０．１として算出する。
　エッジ重み付け部１０５は、重み付け後のネットワークを算出し、相関算出部１０６に対して供給する。相関算出部１０６は、エッジ重み付け部１０５から重み付け後のネットワークを取得する。相関算出部１０６は、重み付け後の相関関係を結果出力部３００に対して供給する（ステップＳ１７０）。
　以上説明したように、エッジ重み付け部１０５は、パラメータ相関算出部１０４が算出した偏相関係数が０でない場合に、その偏相関係数の算出に用いた正則化パラメータλに基づく、新たな相関関係を算出する。これは、正則化パラメータλの値によって、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法による偏相関係数の算出の過程において、特徴量間の相関の有無が変化するためである。上述したように、正則化パラメータλが、０．１などの小さい値の場合には、相関が弱いものも算出される。また、正則化パラメータλが、０．９などの大きい値の場合には、より相関が強いものが残る。エッジ重み付け部１０５は重み付けすることにより、パラメータ相関算出部１０４から算出される複数の相関関係の特徴を加味した新たな相関関係を算出することができる。また、図８（Ａ）から図８（Ｃ）のように、正則化パラメータλの値の大小に伴い、例えば、ノードＡとノードＤとの間でエッジの有無が変化する場合においても、その出現が不安定なエッジを考慮して、相関関係を算出することができる。
　したがって、細胞内或いは細胞間の特徴量同士の相関を算出し、そのネットワークの疎密を調整しながら、解析を行うことは難しかった。本実施形態によれば、疎密の異なる複数のネットワークを算出し、算出された疎密の異なる複数のネットワークを重み付けし、重み付をしたネットワークを算出することができた。これにより、重み付したネットワークを一意に決定することが可能となった。そのため、疎密を調整した複数のネットワークを比較するユーザの手間を省くことが可能となった。
［重み付け方法　その２］
　次に、図１０から図１１を参照して、エッジ重み付け部１０５が重み付けする他の実施形態を説明する。
　図１０を参照して、パラメータ相関算出部１０４がステップＳ１４０において算出する行列Ｘの偏相関係数と、ネットワークの一例について説明する。
　図１０は、パラメータ相関算出部１０４が算出する相関関係と偏相関係数の一例を示す図である。
　図１０に示すネットワークには、ノードＡ、ノードＢ、ノードＣ、ノードＤと、それぞれのノードを繋ぐエッジが含まれる。
　図１０（Ａ）に示すネットワークは、正則化パラメータλが０．２の場合の、行列Ｘから算出される偏相関係数に基づいて算出される。
　ノードＡとノードＢとを接続するエッジＡ－（１）を示す偏相関係数の値は０．４である。ノードＡとノードＣとを接続するエッジＡ－（４）を示す偏相関係数の値は０．１である。ノードＡとノードＤとの偏相関係数の値は０であり、エッジは存在しない。ノードＢとノードＣとを接続するエッジＡ－（２）を示す偏相関係数の値は０．３である。ノードＢとノードＤとの偏相関係数の値は０であり、エッジは存在しない。ノードＣとノードＤとを接続するエッジＡ－（３）を示す偏相関係数の値は０．２である。
　図１０（Ｂ）に示すネットワークは、正則化パラメータλが０．７の場合の、行列Ｘから算出される偏相関係数に基づいて算出される。
　ノードＡとノードＢとを接続するエッジＢ－（１）を示す偏相関係数の値は０．３である。ノードＢとノードＤとを接続するエッジＢ－（５）を示す偏相関係数の値は０．１である。その他のノード間の偏相関係数の値は０であり、エッジは存在しない。
　図１０（Ｃ）に示すネットワークは、正則化パラメータλが０．９の場合の、行列Ｘから算出される偏相関係数に基づいて算出される。
　ノードＡとノードＢとを接続するエッジＣ－（１）を示す偏相関係数の値は０．２である。ノードＢとノードＣとを接続するエッジＣ－（２）を示す偏相関係数の値は０．１である。その他のノード間の偏相関係数の値は０であり、エッジは存在しない。
　図１１は、図１０に示すネットワークにエッジ重み付け部１０５が重み付けした結果の一例を示す図である。
　この一例では、パラメータ相関算出部１０４は、行列Ｘに対して、正則化パラメータλ＝０．２を用いて算出した偏相関係数と、正則化パラメータλ＝０．７を用いて算出した偏相関係数と、正則化パラメータλ＝０．９を用いて算出した偏相関係数とを算出した。エッジ重み付け部１０５は、パラメータ相関算出部１０４から上述したλ＝０．２、λ＝０．７及びλ＝０．９を用いて算出された偏相関係数をそれぞれ取得する。エッジ重み付け部１０５は、取得したそれぞれの偏相関係数の値と、その偏相関係数の算出に用いた正則化パラメータの値とを乗算し、エッジ毎に加算する。このように、偏相関係数の値と、その偏相関係数の算出に用いた正則化パラメータの値とを乗算することにより、同一の正則化パラメータの元で算出された偏相関係数の大きさの違いを加味することが可能となる。
　具体的には、エッジ重み付け部１０５は、ノードＡとノードＢとを接続するエッジＥＤ２－（１）の重みを、０．４７として算出する。エッジ重み付け部１０５は、ノードＢとノードＣとを接続するエッジＥＤ２－（２）の重みを、０．１５として算出する。エッジ重み付け部１０５は、ノードＣとノードＤとを接続するエッジＥＤ２－（３）の重みを、０．０４として算出する。エッジ重み付け部１０５は、ノードＡとノードＣとを接続するエッジＥＤ２－（４）の重みを、０．０２として算出する。エッジ重み付け部１０５は、ノードＢとノードＤとを接続するエッジＥＤ２－（５）の重みを、０．０７として算出する。
　エッジ重み付け部１０５は、重み付けすることにより、パラメータ相関算出部１０４から算出される複数の相関関係の特徴を強調した新たな相関関係を算出することができる。また、図１０（Ａ）から図１０（Ｃ）に示すように、正則化パラメータλの値の大小に伴い、例えば、ノードＢとノードＤとの間でエッジの有無が変化する場合においても、その出現が不安定なエッジを考慮して、相関関係を算出することができる。
　以上説明したように、本実施形態のエッジ重み付け部１０５は、偏相関係数の値と、その偏相関係数の算出に用いた正則化パラメータの値とを乗算する。エッジ重み付け部１０５は、エッジ毎に乗算された値を加算することにより重み付けする。これにより、解析装置１０は、エッジの強さに応じた相関関係を算出することができる。また、正則化パラメータの値と乗算する偏相関係数は、最大値を１．０とする正規化を行ってから、乗算しても良い。
　以上、パラメータ選択部１０３がＧｒａｐｈｉｃａｌ　Ｌａｓｓｏ法の正則化パラメータλを選択する場合について説明したが、これに限られない。パラメータ選択部１０３が選択するパラメータは、行列Ｘに含まれる特徴量の値を、偏相関係数を算出する際に変化させるものであればよい。
［パラメータ選択部が行列の要素を選択する場合］
　次に、パラメータ選択部１０３が、行列Ｘの要素を選択する場合について説明する。
　パラメータ選択部１０３は、特徴量算出部１０２が算出する特徴量のうち、パラメータ相関算出部１０４によって相関の算出に用いる特徴量を選択する。パラメータ選択部１０３は、細胞へ与えられた刺激によって変化する特徴量に基づいて、相関の算出に用いる特徴量を選択する。具体的には、パラメータ選択部１０３は、特徴量算出部１０２が算出した特徴量の変化の大きさに応じて、相関の算出に用いる特徴量を選択する。
　図１２を参照して、パラメータ選択部１０３が相関の算出に用いる特徴量を選択する処理について説明する。
　図１２は、パラメータ選択部１０３が行列Ｘの要素を選択する場合の、詳細な処理の一例を示す流れ図である。
　図１２に示すフローは、図３に示すフローのステップＳ６０からＳ８０までの処理の詳細なフローの一例である。
　パラメータ選択部１０３は、特徴量算出部１０２から取得した特徴量を相関の算出に用いるか否かを決定する基準値を決定する（ステップＳ３１０）。この一例では、基準値は、予め決められた値を基準値としている。基準値は、ユーザによって選択されてもよい。
　パラメータ選択部１０３は、特徴量算出部１０２から取得した特徴量の時間変化に基づいて、評価値を算出する。パラメータ選択部１０３は、決定した基準値と、評価値とを比較して、相関の算出に用いる特徴量を選択する（ステップＳ３２０）。
　パラメータ選択部１０３は、選択した相関の算出に用いる特徴量を、パラメータ相関算出部１０４に供給する。パラメータ相関算出部１０４は、パラメータ選択部１０３から相関の算出に用いる特徴量を取得する。パラメータ相関算出部１０４は、パラメータ選択部１０３から取得した相関の算出に用いる特徴量を、行列Ｘの要素として偏相関係数を算出する（ステップＳ３３０）。この一例では、パラメータ相関算出部１０４は、Ｇｒａｐｈｉｃａｌ　Ｌａｓｓｏ法により偏相関係数を算出する。なお、パラメータ相関算出部１０４の偏相関係数を算出する方法はＧｒａｐｈｉｃａｌ　Ｌａｓｓｏ法に限られず、どの様な算出方法を用いてもよい。パラメータ相関算出部１０４は、算出した偏相関係数を、相関算出部１０６に対して供給する。相関算出部１０６は、パラメータ相関算出部１０４から取得する偏相関係数に基づいて、相関関係を算出し、結果出力部３００に対して出力する（ステップＳ３４０）。
　次に、図１３を参照して、パラメータ選択部１０３が決定する特徴量の一例について説明する。
　図１３は、刺激された細胞の時間経過による特徴量の変化の一例を示す図である。
　図１３（Ａ）は、特徴量Ｄ１の値と、特徴量Ｄ２の値との時間変化を、線Ｌ１及び線Ｌ２としてプロットしたグラフである。特徴量Ｄ１は、図１３（Ｂ）に示す行列Ｘの縦方向の要素ｘ１ （１）からｘ１ （Ｎ）に相当する。特徴量Ｄ２は、図１３（Ｂ）に示す行列Ｘの縦方向の要素ｘ２ （１）からｘ２ （Ｎ）に相当する。
　パラメータ選択部１０３は、特徴量に基づいて評価値を算出する。評価値は、例えば、特徴量の値の時間変化のうち、最大値と最小値との差を、特徴量の値の時間変化の平均値によって除算した値である。
　図１３（Ａ）に示す特徴量Ｄ１の評価値は、０．９６である。同様に、特徴量Ｄ２の評価値は、０．３３である。
　パラメータ選択部１０３は、算出した評価値と基準値とを比較して、基準値を超える評価値を示す特徴量を、相関の算出に用いる特徴量としてパラメータ相関算出部１０４に供給する。一例として、パラメータ選択部１０３は、基準値が０．２５の場合には、基準値を超える評価値を示す特徴量Ｄ１と特徴量Ｄ２とを、パラメータ相関算出部１０４に対して出力する。また、パラメータ選択部１０３は、基準値が０．５の場合には、基準値を超える評価値を示す特徴量Ｄ１を、パラメータ相関算出部１０４に対して出力する。
　パラメータ相関算出部１０４は、パラメータ選択部１０３から偏相関係数の算出に用いる特徴量を取得し、相関を算出する。
　図１４は、パラメータ相関算出部１０４が算出する相関関係の一例を示す図である。
　図１４（Ａ）に示す相関関係は、パラメータ選択部１０３が特徴量Ｄを選択した場合の相関である。図１４（Ｂ）に示す相関関係は、パラメータ選択部１０３が特徴量Ｄを選択しなかった場合の相関である。図１４（Ａ）に示すノードＡとノードＤ（特徴量Ｄ）とを接続するエッジＥＤ１５は、図１４（Ｂ）では表れない。つまり、パラメータ選択部１０３が選択する特徴量によって、相関関係を示すネットワークの疎密を変化させることができる。言い換えると、パラメータ選択部１０３が特徴量を選択する基準値を変化させることにより、相関の算出に用いる特徴量を変化させることができ、パラメータ相関算出部１０４が算出するネットワークの疎密を変化させることができる。
［重み付け方法、特徴量の選択基準による場合］
　エッジ重み付け部１０５は、パラメータ選択部１０３が特徴量の選択基準を変更することにより、パラメータ相関算出部１０４から算出される相関関係が変化することを利用して、エッジの重みづけを行う事が可能である。基準値に０．２５及び０．５をとる場合について説明する。基準値を０．２５とした場合のネットワークを図１４（Ａ）、基準値を０．５とした場合のネットワークを図１４（Ｂ）であったとする。この場合、エッジ重み付け部１０５は、図１４（Ａ）のエッジには、０．２５を乗算し、図１４（Ｂ）のエッジには、０．５を乗算し、それぞれエッジ毎に加算した物を重みづけネットワークとする。
　以上説明したように、解析装置１０は、パラメータ選択部１０３と、パラメータ相関算出部１０４とを備える。パラメータ選択部１０３は、相関の算出に用いる特徴量を、基準値に基づいて選択する。パラメータ相関算出部１０４は、パラメータ選択部１０３が選択した特徴量に基づいて、特徴量同士の相関を算出する。これにより、解析装置１０は、算出する相関関係の疎密を調整することができる。また、解析装置１０は、時間変化が大きな特徴量同士の相関を算出することができるため、刺激が細胞に与える影響が大きなもの、のみの相関を算出することができる。
　なお、上述の実施形態では、刺激を受けた細胞を用いて相関を算出したが、これに限られない。刺激を受けない細胞に対して、相関を算出しても構わない。なお、上述の実施形態では、画像取得部１０１が供給する細胞画像を用い、特徴量を算出したが、用いる細胞画像はこれに限られない。すでに取得され、保存された細胞画像を用い、特徴量を算出しても構わない。また、例えば、解析装置と直接接続されていない、画像取得部１０１で取得された細胞画像を用い、特徴量を算出しても構わない。この場合に、外部より細胞画像が供給されれば、解析装置１０で細胞画像から相関を取得することが可能である。
　なお、本発明の実施形態における解析装置１０の各処理を実行するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、当該記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、上述した種々の処理を行ってもよい。
　なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
　さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
　１…顕微鏡観察システム、１０…解析装置、２０…顕微鏡装置、３０…表示部、１０１…細胞画像取得部、１０２…特徴量算出部、１０３…パラメータ選択部、１０４…パラメータ相関算出部、１０５…エッジ重み付け部、１０６…相関算出部、２００…記憶部、３００…結果出力部

Claims (11)

  1. 　細胞内の特徴量同士の相関を解析する解析装置であって、
    　前記細胞が撮像された細胞画像から、前記細胞を構成する構成要素の特徴量を算出する特徴量算出部と、
    　前記特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択部と、
    　前記パラメータ選択部により選択される第１パラメータを用い第１相関と、前記パラメータ選択部により選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出部と、
    　前記パラメータ相関算出部により算出される、前記第１、第２相関に基づいて、第３相関を算出する、相関算出部と、を備える、解析装置。
  2. 　さらに、前記細胞が撮像された細胞画像を複数取得する細胞画像取得部を備える、請求項１に記載の解析装置。
  3. 　前記細胞は刺激を受けた細胞を含む、請求項１又は２に記載の解析装置。
  4. 　前記パラメータ選択部による選択されるパラメータを変更することにより、前記特徴量算出部により算出される特徴量のうち、前記パラメータ相関算出部で相関を求めるために用いる特徴量を選択する選択度合を変更する、請求項１から３のいずれか一項に記載の解析装置。
  5. 　前記パラメータは、正則化パラメータである、請求項１から４のいずれか一項に記載の解析装置。
  6. 　前記正則化パラメータは、グラフィカルラッソに用いられる、請求項５に記載の解析装置。
  7. 　さらに、前記第１、第２相関および、前記第１、第２パラメータに基づいて、第３相関を算出する、相関重み付部を備える、請求項１から６のいずれか一項に記載の解析装置。
  8. 　前記第１相関と前記第２相関の差に基づいて、前記パラメータ選択部は第３パラメータを選択する、請求項１から７のいずれか一項に記載の解析装置。
  9. 　前記細胞は刺激を受けた細胞を含み、
    　前記パラメータは、前記特徴量算出部により算出される特徴量の、前記刺激に対する変化の大きさである、請求項１又は２に記載の解析装置。
  10. 　細胞内の特徴量同士の相関を解析する解析装置のコンピュータに、
    　前記細胞が撮像された細胞画像から、前記細胞を構成する構成要素の特徴量を算出する特徴量算出ステップと、
    　前記特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択ステップと、
    　前記パラメータ選択ステップにより選択される第１パラメータを用い第１相関と、前記パラメータ選択ステップにより選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出ステップと、
    　前記パラメータ相関算出ステップにより算出される、前記第１、第２相関に基づいて、第３相関を算出する、相関算出ステップと、
    を実行させるための、解析プログラム。
  11. 　細胞内の特徴量同士の相関を解析する解析方法であって、
    　前記細胞が撮像された細胞画像から、前記細胞を構成する構成要素の特徴量を算出する特徴量算出工程と、
    　前記特徴量同士の相関の算出に用いるパラメータを選択するパラメータ選択工程と、
    　前記パラメータ選択工程により選択される第１パラメータを用い第１相関と、前記パラメータ選択工程により選択される第２パラメータを用い第２相関とを求める、パラメータ相関算出工程と、
    　前記パラメータ相関算出工程により算出される、前記第１、第２相関に基づいて、第３相関を算出する、相関算出工程と、
    を有する、解析方法。
PCT/JP2016/087021 2016-12-13 2016-12-13 解析装置、解析プログラム及び解析方法 WO2018109826A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2016/087021 WO2018109826A1 (ja) 2016-12-13 2016-12-13 解析装置、解析プログラム及び解析方法
JP2018556058A JPWO2018109826A1 (ja) 2016-12-13 2016-12-13 算出装置、算出プログラム、及び算出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/087021 WO2018109826A1 (ja) 2016-12-13 2016-12-13 解析装置、解析プログラム及び解析方法

Publications (1)

Publication Number Publication Date
WO2018109826A1 true WO2018109826A1 (ja) 2018-06-21

Family

ID=62559431

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/087021 WO2018109826A1 (ja) 2016-12-13 2016-12-13 解析装置、解析プログラム及び解析方法

Country Status (2)

Country Link
JP (1) JPWO2018109826A1 (ja)
WO (1) WO2018109826A1 (ja)

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ATSUSHI NODA ET AL.: "Random Walk ni Motozuita Graph Kozo Modeling", IPSJ SIG NOTES, 2012, pages 1 - 6 *
KIM, H. ET AL.: "Detection of common pathways activated by anticancer drugs using regularized canonical correlation analysis", IPSJ SIG NOTES, 2010, pages 1 - 6 *
NAOTO YAMAOKA ET AL.: "Structure Estimation of Point Distribution Model using Procrustes Analysis and Graphical LASSO", IEICE TECHNICAL REPORT, vol. 111, 2012, pages 109 - 114 *
RYO YOSHIDA ET AL.: "Graphical modeling and statistical inferences of transcription regulatory networks using hybrid functional Petri net", IPSJ SIG NOTES, vol. 2008, no. 58, 2008, pages 9 - 11 *
TAKU YOSHIOKA ET AL.: "Prediction of protein localization sites by a support vector machine", IEICE TECHNICAL REPORT, vol. 101, 2001, pages 63 - 70 *
YUKI SHINMURA ET AL.: "Omomi-tsuki Lasso Path Tsuiseki to Graphical Model eno Oyo", INFORMATION PROCESSING SOCIETY OF JAPAN DAI 74 KAI ZENKOKU TAIKAI, 2012, pages 2 - 309 , 2-310 *

Also Published As

Publication number Publication date
JPWO2018109826A1 (ja) 2019-06-24

Similar Documents

Publication Publication Date Title
US11321836B2 (en) Image-processing device, image-processing method, and image-processing program for setting cell analysis area based on captured image
JP6756339B2 (ja) 画像処理装置、及び画像処理方法
JP2019530847A5 (ja)
JP2022105045A (ja) 解析装置
JP6818041B2 (ja) 解析装置、解析方法、及びプログラム
WO2018193612A1 (ja) 相関算出装置、相関算出方法及び相関算出プログラム
US20200372652A1 (en) Calculation device, calculation program, and calculation method
JP6777147B2 (ja) 画像選択装置、画像選択プログラム、演算装置、及び表示装置
WO2018066039A1 (ja) 解析装置、解析方法、及びプログラム
WO2018109826A1 (ja) 解析装置、解析プログラム及び解析方法
JP6897665B2 (ja) 画像処理装置、観察装置、及びプログラム
Brezovec et al. BIFROST: a method for registering diverse imaging datasets of the Drosophila brain
WO2018122908A1 (ja) 解析装置、解析プログラム及び解析方法
JP6999118B2 (ja) 画像処理装置
WO2019159247A1 (ja) 算出装置、解析プログラム及び解析方法
WO2020090089A1 (ja) 判定装置、判定方法、及び判定プログラム
WO2018142570A1 (ja) 画像処理装置、解析装置、画像処理方法、画像処理プログラム及び表示装置
WO2020070885A1 (ja) 判定装置、判定プログラム及び判定方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16923899

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2018556058

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16923899

Country of ref document: EP

Kind code of ref document: A1