WO2023189194A1 - 情報処理装置、情報処理方法およびプログラム - Google Patents

情報処理装置、情報処理方法およびプログラム Download PDF

Info

Publication number
WO2023189194A1
WO2023189194A1 PCT/JP2023/007939 JP2023007939W WO2023189194A1 WO 2023189194 A1 WO2023189194 A1 WO 2023189194A1 JP 2023007939 W JP2023007939 W JP 2023007939W WO 2023189194 A1 WO2023189194 A1 WO 2023189194A1
Authority
WO
WIPO (PCT)
Prior art keywords
culture
information
inference
specimen
information processing
Prior art date
Application number
PCT/JP2023/007939
Other languages
English (en)
French (fr)
Inventor
真寛 松本
萌絵 坂田
憲治 池田
和博 中川
健治 山根
Original Assignee
ソニーグループ株式会社
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 ソニーグループ株式会社 filed Critical ソニーグループ株式会社
Publication of WO2023189194A1 publication Critical patent/WO2023189194A1/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
    • C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
    • 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
    • C12M3/00—Tissue, human, animal or plant cell, or virus culture apparatus
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms

Definitions

  • the present invention relates to an information processing device, an information processing method, and a program.
  • New treatments such as immune cell therapy are being used to treat intractable cancers that are difficult to completely kill with normal immune function alone.
  • the idea here is to take cells from a patient, culture a group of cells in a certain proportion, and bring them to the intended composition.
  • the present disclosure proposes an information processing device, an information processing method, and a program that can accurately infer culture results.
  • a pre-culture information acquisition unit that acquires pre-culture information regarding a cell state of a specimen before culture, a patient information acquisition unit that acquires patient information regarding a donor of the specimen, and a patient information acquisition unit that acquires patient information regarding a donor of the specimen;
  • An information processing device includes an inference device selection unit that selects an optimal inference device to infer the culture result of the sample from a plurality of inference devices as an actual inference device based on patient information.
  • an information processing method in which the information processing of the information processing device is executed by a computer, and a program that causes the computer to realize the information processing of the information processing device.
  • FIG. 3 is a diagram illustrating an example of a processing flow regarding selection of an inference device.
  • FIG. 3 is a diagram illustrating an example of a processing flow regarding registration of inference results.
  • FIG. 3 is a diagram illustrating an example of a processing flow related to relearning. It is a figure showing an example of a culture device. It is a figure showing an example of an incubator. It is a figure showing an example of a measuring device. It is a figure which shows another example of a measuring device.
  • FIG. 1 is a diagram illustrating an example of a hardware configuration of an information processing device.
  • FIG. 1 is a diagram showing an example of the configuration of a culture support system 1.
  • the culture support system 1 supports the culturing work of medical personnel by presenting highly accurate inference results for the culture results of the specimen.
  • the culture support system 1 includes an information processing device 10, an input device 20, a measuring device 30, and a recipe database 40.
  • the input device 20 inputs initial information of the sample before culturing.
  • Initial information includes pre-culture information and patient information.
  • Pre-culture information means information regarding the cell state of a specimen before culture.
  • Patient information means information regarding the specimen donor (patient).
  • Patient information indicates the circumstances behind the patient (background) that are thought to affect the culture results.
  • the pre-culture information includes information regarding RNA expression level, cell type, cell composition, or cell morphology.
  • Cell composition means the ratio of various cells that make up the specimen.
  • cell type refers to the type of co-receptor expressed on the surface of T cells (CD8+ T cells, CD4+ T cells, etc.)
  • cell composition refers to the composition of multiple cells with different types of co-receptors. means ratio.
  • Cell morphology refers to the shape and appearance of cells observed under a microscope or the like.
  • Patient information includes the specimen donor's age, gender, blood type, race, lifestyle habits (eating habits, exercise habits, smoking habits, etc.), diseases suffered from, medicines administered, or past hospital visit history. Contains information about.
  • the input device 20 includes a touch panel, a keyboard, a mouse, and the like.
  • the measuring device 30 measures the sample before and after culturing.
  • the measurement results of the specimen before culture are used as pre-culture information.
  • the measurement results of the sample after culturing are used for pathological diagnosis as well as for learning of the reasoning device 19, which will be described later.
  • the culture results include information regarding the number of cells after culturing the specimen, purity (what percentage of desired cells are present relative to other cells), proliferation rate, cell composition, or survival rate.
  • various measuring devices used in the field of culture are employed.
  • the recipe database 40 stores a plurality of culture recipes with different culture conditions.
  • the information processing device 10 performs processes such as inference of culture results, calculation of inference accuracy, and relearning of the inference device 19 based on the inference accuracy, based on various input information and measurement information.
  • the information processing device 10 includes an information acquisition section 11 , an inference section 12 , an inference device selection section 13 , a culture result acquisition section 14 , a relearning section 15 , and a learning history holding section 16 .
  • the information acquisition unit 11 acquires various information from the input device 20.
  • the information acquisition unit 11 includes a pre-culture information acquisition unit 51 that acquires pre-culture information, and a patient information acquisition unit 52 that acquires patient information.
  • the inference unit 12 has a plurality of inference units 19. Each reasoning device 19 receives pre-culture information, patient information, and culture conditions as input, and outputs culture results.
  • the plurality of inference devices 19 include a plurality of trained AIs (Artificial Intelligence) with different learning algorithms.
  • the inference unit 12 uses pre-culture information regarding the cell state of the past sample before culture, patient information of the patient who provided the past sample, and culture conditions of the past sample as input data, and uses the culture results of the past sample as correct data.
  • the inference device 19 that infers the culture results is trained.
  • the inference unit 12 includes a first inference device 61 and a second inference device 62.
  • the first inference device 61 is the inference device 19 obtained by decision tree-based Random Forest.
  • the second inference device 62 is the inference device 19 obtained by Light GBM (Gradient Boosting Machine), which is reinforcement ensemble learning.
  • the number of inference devices 19 is not limited to two.
  • a support vector machine, which is a classical discriminator, may be installed as the third inference device.
  • the inference device selection unit 13 selects the optimal inference device 19 that should infer the culture result of the specimen from the plurality of inference devices 19 as the actual inference device.
  • the selection of the inference device 19 is performed in consideration of information on past samples registered in the learning history holding unit 16.
  • a past sample means a specimen that was cultured in the past and for which culture results were obtained.
  • the learning history storage unit 16 stores sample data for each past sample.
  • the sample data includes pre-culture information of past samples, patient information, culture results, the reasoner 19 that inferred the culture results, and the accuracy of the inference regarding the culture results.
  • the reasoner selection unit 13 searches for one or more sample data whose pre-culture information and/or patient information is similar to that of the specimen.
  • the inference device selection unit 13 selects, as the actual inference device, the inference device 19 with the highest accuracy of inference on the culture result from among the one or more inference devices 19 linked to the one or more sample data retrieved.
  • the culture result acquisition unit 14 acquires measurement information indicating the culture result of the specimen from the measurement device 30.
  • the culture result acquisition unit 14 compares the culture result obtained by measurement with the inference result obtained by the actual inference device to calculate the accuracy of the inference.
  • the learning history holding unit 16 receives information from the information acquisition unit 11, the inference unit selection unit 13, the inference unit 12, and the culture result acquisition unit 14, including pre-culture information, patient information, the inference unit 19 used for inference of the specimen, and the inference unit 19 used for inference of the sample. Acquire information regarding accuracy and register this as sample data of the specimen.
  • the relearning unit 15 retrains the inference device 19 using the newly registered sample data. Relearning is performed periodically for each inference device 19. For example, the relearning unit 15 extracts one or more specific sample data linked to the same inference device 19 from a plurality of sample data newly registered in the learning history holding unit 16. The relearning unit 15 uses the extracted one or more specific sample data to relearn the inference device 19 linked to the one or more specific sample data.
  • FIG. 2 is a diagram showing an example of registration information of sample data.
  • Sample data of a plurality of past samples are registered in the learning history holding unit 16.
  • Data indicates the number of past samples.
  • the sample data includes pre-culture information of the corresponding past sample, patient information, culture recipe, used inference device, culture results, and information regarding inference accuracy.
  • the pre-culture information includes information regarding the initial state of cells obtained from observed feature amounts before culture. Information obtained in the initial measurement is registered as pre-culture information.
  • the pre-culture information includes information regarding RNA expression level, cell type, cell composition, and cell morphology.
  • RNA expression level of each cell is measured using a single cell RNA sequencing machine. Based on the measured RNA expression level, the type of cell obtained is identified using Ontology Database or the like. The cell type is identified using, for example, CellO (Cell Ontology-based classification). Examples of cell types include CD4+ T cells and CD8+ T cells.
  • Patient information includes information on the background of the specimen that is thought to affect culture results.
  • the patient information includes information regarding the age, gender, race, disease, administered medicine, and past hospital visit history of the patient who provided the past sample. Patient information is obtained through interviews and interviews.
  • the culture results include measurement information obtained by measuring cells of the sample after culture.
  • the measurement contents are determined depending on the purpose of culture. For example, as culture results, information such as the number of cells, purity, proliferation rate, cell composition, survival rate, etc. after culturing the specimen is acquired. In the example of FIG. 2, the ratio of CD4+ T cells to CD8+ T cells is registered as a culture result.
  • the inference accuracy includes information on the difference between the culture result (inference value) inferred by the inference device 19 and the culture result (measurement value) obtained by measurement after culture.
  • the difference may be obtained as a result of simple subtraction or may be obtained as a ratio.
  • the inference accuracy is determined as the ratio of the difference between the measured value and the inferred value to the measured value.
  • FIG. 3 is a diagram showing another example of sample data registration information.
  • the learning history storage unit 16 stores a plurality of pieces of measurement information as culture results. Inference for each piece of measurement information is performed by the same inference device 19. The learning history storage unit 16 stores the inference result and inference accuracy of the inference device 19 in association with each measurement information. In the example of FIG. 3, the ratio of CD4+ T cells to CD8+ T cells and the cell proliferation rate are registered in one sample data as a plurality of pieces of measurement information.
  • the production inference device is selected by giving priority to the inference result of the specific measurement information specified by the user.
  • the information acquisition unit 11 acquires information indicating priority inference results as user input information.
  • the inference device selection unit 13 selects, as the actual inference device, the inference device 19 with the highest inference accuracy for the measurement information prioritized based on the user input information from among the plurality of measurement information.
  • FIG. 4 is a diagram showing an example of a culture recipe.
  • a culture recipe is a table that describes the conditions under which cells should be cultured (culture conditions).
  • culture conditions include information regarding the stimulus added to the cells, the amount of stimulus, the type of medium, and the culture temperature.
  • FIG. 4 interleukin 5 (IL5) and interleukin 7 (IL7) are shown as stimulants.
  • FIG. 5 is a diagram illustrating an example of a processing flow regarding selection of the inference device 19.
  • the inference device selection unit 13 acquires sample data of all past samples from the learning history storage unit 16 (step SA1).
  • the reasoning device selection unit 13 acquires sample data (pre-culture information, patient information) (step SA2).
  • the reasoner selection unit 13 extracts N pieces of sample data (N is an integer of 1 or more) similar to the sample data from all the sample data (step SA3). For example, analogy determination is performed based on cosine similarity for character information, and based on Euclidean distance for numerical information. By setting a threshold value for cosine similarity or Euclidean distance, a desired number of sample data is extracted.
  • the inference device selection unit 13 identifies sample data showing the highest inference accuracy from the extracted N sample data (step SA4).
  • the inference device selection unit 13 selects the inference device 19 indicated by the specified sample data as the actual inference device (step SA5).
  • the inference device selection unit 13 selects the inference accuracy for the measurement information prioritized based on the user input information.
  • the highest reasoner 19 is selected as the production reasoner.
  • FIG. 6 is a diagram illustrating an example of a processing flow regarding registration of inference results.
  • the production reasoning device acquires specimen data (pre-culture information, patient information) and a specimen culture recipe (step SB1).
  • the culture recipe may be specified by the user or may be set by default.
  • the actual inference device infers the culture result of the specimen based on the specimen data and the culture recipe (step SB2).
  • the culture result acquisition unit 14 acquires the culture result of the specimen from the measuring device 30 (step SB3).
  • the culture result acquisition unit 14 calculates the inference accuracy of the production inference device for the culture result based on the culture result and the inference result (step SB4).
  • the learning history holding unit 16 stores information regarding sample pre-culture information, patient information, culture recipe, actual inference device, inference results, and inference accuracy from the information acquisition unit 11, inference unit 12, inference device selection unit 13, and culture result acquisition unit. Obtained from section 14.
  • the learning history holding unit 16 registers the actual inference device used to infer the culture result of the specimen, the inference result, and the inference accuracy in association with the pre-culture information of the specimen, patient information, and culture recipe (step SB5).
  • FIG. 7 is a diagram illustrating an example of a processing flow related to relearning.
  • the relearning unit 15 extracts a plurality of sample data newly registered since the previous relearning from the learning history holding unit 16.
  • the relearning unit 15 extracts one or more sample data linked to the same inference device 19 as specific sample data from the plurality of extracted sample data (step SC1).
  • the relearning unit 15 uses the information on the specific sample data to relearn the inference device 19 linked to the specific sample data (step SC2).
  • the relearning section 15 registers the retrained inference device 19 in the inference section 12 (step SC3).
  • FIG. 8 is a diagram showing an example of the culture device 70.
  • the culturing device 70 performs culturing of a biological sample obtained as a specimen from a patient.
  • the biological sample may be a sample containing biological components.
  • the biological component may be a biological tissue, a cell, a biological liquid component (such as blood or urine), a culture, or a living cell (such as a cardiac muscle cell, a nerve cell, or a fertilized egg).
  • the biological sample may be a solid, a specimen fixed with a fixing reagent such as paraffin, or a solid formed by freezing.
  • the biological sample can be a section of a solid object.
  • a specific example of a biological sample is a section of a biopsy sample.
  • the biological sample may be subjected to treatments such as staining or labeling.
  • the treatment may be staining to show the form of the biological component or to show the substances (surface antigens, etc.) possessed by the biological component, such as HE (Hematoxylin-Eosin) staining and immunohistochemistry staining. be able to.
  • the biological sample may be subjected to the above-mentioned treatment using one or more reagents, and the reagents may be a fluorescent dye, a coloring reagent, a fluorescent protein, or a fluorescently labeled antibody.
  • the specimen may be characterized by the type of tissue used (e.g., organ or cell), the type of disease of interest, patient attributes (e.g., age, sex, blood type, or race), or the patient's lifestyle (e.g. , eating habits, exercise habits, smoking habits, etc.).
  • the specimens may be managed by being assigned identification information (such as barcode information or QR code (registered trademark) information) that allows each specimen to be identified.
  • the culture device 70 has a culture control section 71 and an incubator 72.
  • FIG. 9 is a diagram showing an example of the incubator 72.
  • Capture molecules 75 capable of binding to cells to be cultured are immobilized on the incubator 72 via degradable linkers 74 .
  • Degradable linker 74 may be fixed to the bottom of the culture vessel.
  • the incubator 72 may be variable so that its volume increases or decreases.
  • a capture molecule 75 is immobilized inside the culture container via, for example, a polymer 73 and a degradable linker 74.
  • the degradable linker 74 may be directly immobilized without using the polymer 73. Immobilization is not limited to the bottom surface of the culture container, but may be on the inner wall, or if a planar or three-dimensional structure exists inside the culture container, it may be immobilized on the surface of the structure. good.
  • the inner surface of the culture vessel is preferably coated with a substance suitable for cell survival (eg, collagen, fibroblast, etc.).
  • the polymer 73 is preferably one that does not stress cells or is non-toxic, or one that is biocompatible.
  • the polymer 73 include polyethylene glycol (PEG) and 2-methacryloyloxyethyl phosphorylcholine polymer (MPC polymer).
  • a degradable linker 74 may be bonded to the end of the polymer 73 opposite to the point where it is bonded to the culture vessel.
  • the degradable linker 74 is a molecule that is decomposed by a specific external stimulus. Degradable linker 74 connects capture molecule 75, with or without polymer 73, to the bottom of the culture vessel.
  • Examples of the degradable linker 74 include a linker that is decomposed by light of a specific wavelength, a linker that is decomposed by an enzyme, a linker that is decomposed by temperature, and the like.
  • the degradable linker 74 is preferably a photodegradable linker because it can be controlled on a single cell basis and the decomposition time is short.
  • the capture molecule 75 has a site capable of binding to cells.
  • the site capable of binding to cells for example, oleyl groups, cholesteryl groups, antibodies, aptamers, or molecular recognition polymers can be used. It is preferable that the capture molecules 75 are immobilized so that one target cell is bound to each spot. By capturing one cell per spot, cells having molecules (antibodies, sugar chains, etc.) that can bind to the capture molecule 75 can be selected at a single cell level. Moreover, such sorting can also be performed for all spots.
  • FIG. 10 is a diagram showing an example of the measuring device 30.
  • the measuring device 30 is configured as a microscope system 30A.
  • the microscope system 30A includes a microscope device 81, a control section 87, and an information processing section 86.
  • the microscope device 81 includes a light irradiation section 82, an optical section 83, and a signal acquisition section 84.
  • the microscope device 81 may further include a sample placement section 85 on which a biological sample is placed.
  • the microscope device 81 may be configured with one or more of bright field observation, phase contrast observation, differential interference observation, polarized light observation, fluorescence observation, and dark field observation.
  • the microscope system 30A may be configured as a so-called WSI (Whole Slide Imaging) system or a digital pathology system, and may be used for pathological diagnosis.
  • the microscope system 30A may also be configured as a fluorescence imaging system, in particular a multiplex fluorescence imaging system.
  • the microscope device 81 can acquire data on a biological sample obtained from a patient and transmit the data to the information processing unit 86.
  • the microscope device 81 can transmit the data of the acquired biological sample to the information processing unit 86 located in a location away from the microscope device 81 (such as another room or building).
  • the information processing unit 86 receives the data and outputs it to the information processing device 10.
  • the light irradiation unit 82 is a light source for illuminating the biological sample and an optical unit that guides the light irradiated from the light source to the sample.
  • the light source can irradiate the biological sample with visible light, ultraviolet light, or infrared light, or a combination thereof.
  • the light source may be one or more of a halogen lamp, a laser light source, an LED lamp, a mercury lamp, and a xenon lamp.
  • a plurality of types and/or wavelengths of light sources may be used in fluorescence observation, and may be appropriately selected by those skilled in the art.
  • the light irradiation section may have a configuration of a transmission type, a reflection type, or an epi-illumination type (a coaxial epi-illumination type or a side-emission type).
  • the optical section 83 is configured to guide light from the biological sample to the signal acquisition section 84.
  • the optical section 83 may be configured to enable the microscope device 81 to observe or image a biological sample.
  • the signal acquisition unit 84 may be configured to receive light from a biological sample and convert the light into an electrical signal, particularly a digital electrical signal.
  • the signal acquisition unit 84 may be configured to be able to acquire data regarding the biological sample based on the electrical signal.
  • the signal acquisition unit 84 may be configured to be able to acquire data of an image (image, particularly a still image, a time-lapse image, or a moving image) of the biological sample, and in particular an image magnified by the optical unit 83. may be configured to obtain data of.
  • the signal acquisition unit 84 includes one or more image sensors, CMOS, CCD, etc., each having a plurality of pixels arranged one-dimensionally or two-dimensionally.
  • the signal acquisition unit 84 may include an image sensor for obtaining a low-resolution image and an image sensor for obtaining a high-resolution image, or an image sensor for sensing for AF etc. and an image sensor for outputting images for observation etc. It may also include an element.
  • the image sensor includes a signal processing unit (including one, two, or three of a CPU, a DSP, and a memory) that performs signal processing using pixel signals from each pixel;
  • the signal processing sensor may also include an output control section that controls output of image data generated from pixel signals and processed data generated by a signal processing section.
  • the image sensor may include an asynchronous event detection sensor that detects as an event that a change in brightness of a pixel that photoelectrically converts incident light exceeds a predetermined threshold.
  • An image sensor including a plurality of pixels, a signal processing section, and an output control section can preferably be configured as a one-chip semiconductor device.
  • the control unit 87 controls imaging by the microscope device 81.
  • the control section 87 can adjust the positional relationship between the optical section 83 and the sample mounting section 85 by driving the movement of the optical section 83 and/or the sample mounting section 85 for imaging control.
  • the control unit 87 can move the optical unit 83 and/or the sample mounting unit 85 in a direction toward or away from each other (for example, in the optical axis direction of the objective lens). Further, the control section 87 may move the optical section 83 and/or the sample mounting section 85 in any direction in a plane perpendicular to the optical axis direction.
  • the control unit 87 may control the light irradiation unit 82 and/or the signal acquisition unit 84 for imaging control.
  • the sample mounting section 85 may be configured such that the position of the biological sample on the sample mounting section 85 can be fixed, and may be a so-called stage.
  • the sample mounting section 85 may be configured to be able to move the position of the biological sample in the optical axis direction of the objective lens and/or in a direction perpendicular to the optical axis direction.
  • the information processing unit 86 can acquire data (imaging data, etc.) acquired by the microscope device 81 from the microscope device 81.
  • the information processing unit 86 can perform image processing on the imaging data.
  • the image processing may include color separation processing.
  • the color separation process is a process of extracting data of a light component of a predetermined wavelength or wavelength range from imaging data to generate image data, or removing data of a light component of a predetermined wavelength or wavelength range from the imaging data. This may include processing, etc.
  • the image processing may include autofluorescence separation processing that separates the autofluorescence component and dye component of the tissue section, and fluorescence separation processing that separates the wavelengths of dyes that have different fluorescence wavelengths from each other.
  • an autofluorescence signal extracted from one of the plurality of specimens that are the same or have similar properties may be used to remove an autofluorescence component from image information of the other specimen.
  • the information processing unit 86 may transmit data for controlling imaging to the control unit 87, and the control unit 87 that receives the data may control imaging by the microscope device 81 in accordance with the data.
  • the information processing unit 86 may be configured as an information processing unit such as a general-purpose computer, and may include a CPU, RAM, and ROM.
  • the information processing unit 86 may be included within the casing of the microscope device 81, or may be located outside the casing. Further, various processes or functions by the information processing unit 86 may be realized by a server computer or cloud connected via a network.
  • the image acquired by the signal acquisition unit 84 may be a stained image and/or a non-stained image.
  • the signal acquisition unit 84 may acquire information regarding cells before processing, during processing, and after processing as feature amounts from the image.
  • the stained image is, for example, a fluorescent image obtained by the light irradiation unit 82 irradiating excitation light onto a biological sample stained with a fluorescent reagent.
  • the unstained image may be a bright field image, a phase contrast image, or a polarized light image obtained from an unstained biological sample.
  • the non-stained image may be an image that is identified from information learned from the non-stained image and the fluorescent image and pseudo-stained for each cell feature. Pseudo-stained images make it possible to predict various labels such as nucleus, cell type (e.g. nerve), cell state (e.g. cell death) from unstained images, and overlap of fluorescence spectra due to chemical staining. It becomes possible to eliminate the limitation on the number of simultaneous labels due to There are no particular limitations on the specific method for producing the pseudo-stained image, as long as it is a known method.
  • FIG. 11 is a diagram showing another example of the measuring device 30.
  • the measuring device 30 is configured as a biological sample analyzer 30B.
  • the biological sample analyzer 30B includes a light irradiation unit 91 that irradiates light onto the biological sample flowing through the channel C, a detection unit 92 that detects the light generated by the irradiation, and processes information regarding the light detected by the detection unit 92.
  • the information processing section 93 includes an information processing section 93 that performs the following operations. Examples of the biological sample analyzer 30B include a flow cytometer and an imaging cytometer.
  • the biological sample analyzer 30B may include a collection section 94 that performs collection of specific biological particles P in the biological sample.
  • An example of the biological sample analyzer 30B including the sorting section 94 is a cell sorter.
  • the biological sample may be a liquid sample containing biological particles.
  • the flow path C may be configured to allow the biological sample to flow, particularly to form a flow in which biological particles contained in the biological sample are substantially aligned.
  • the channel structure including the channel C may be designed so that a laminar flow is formed, and in particular, a laminar flow is formed in which the flow of the biological sample (sample flow) is surrounded by the flow of the sheath liquid. Designed.
  • the design of the channel structure may be appropriately selected by those skilled in the art, and a known design may be adopted.
  • the flow channel C may be formed in a flow channel structure such as a microchip (a chip having a flow channel on the order of micrometers) or a flow cell.
  • the width of the channel C may be 1 mm or less, particularly 10 ⁇ m or more and 1 mm or less.
  • the channel C and the channel structure including the channel C may be formed from a material such as plastic or glass.
  • the light irradiation unit 91 includes a light source unit that emits light and a light guide optical system that guides the light to the flow path C.
  • the light source section includes one or more light sources.
  • the type of light source can be, for example, a laser light source or an LED.
  • the wavelength of light emitted from each light source may be any wavelength of ultraviolet light, visible light, or infrared light.
  • the light guide optical system includes optical components such as a beam splitter group, a mirror group, or an optical fiber. Further, the light guide optical system may include a lens group for condensing light, and may include, for example, an objective lens.
  • the biological sample may be irradiated with light at one or more points.
  • the light irradiation unit 91 may be configured to condense light irradiated from one or a plurality of different light sources to one irradiation point.
  • the detection unit 92 includes at least one photodetector that detects light generated by light irradiation of particles by the light irradiation unit 91.
  • the light to be detected is, for example, fluorescence or scattered light (eg, any one or more of forward scattered light, back scattered light, and side scattered light).
  • Each photodetector includes one or more light receiving elements, such as a light receiving element array.
  • Each photodetector may include one or more photomultiplier tubes (PMTs) and/or photodiodes such as APDs and MPPCs as light receiving elements.
  • the photodetector includes, for example, a PMT array in which a plurality of PMTs are arranged in a one-dimensional direction.
  • the detection unit 92 may include an imaging device such as a CCD or a CMOS.
  • the detection unit can acquire images of biological particles (for example, bright field images, dark field images, fluorescence images, etc.) using the image sensor.
  • the detection unit 92 may include a signal processing unit that converts the electrical signal obtained by the photodetector into a digital signal.
  • the signal processing section may include an A/D converter as a device that performs the conversion.
  • a digital signal obtained by conversion by the signal processing section can be transmitted to the information processing section 93.
  • the digital signal can be handled by the information processing unit 93 as data related to light (hereinafter also referred to as "optical data").
  • the optical data may include, for example, fluorescence data. More specifically, the light data may be light intensity data, and the light intensity may be light intensity data of light including fluorescence (which may include feature quantities such as Area, Height, and Width). good.
  • the information processing unit 93 includes, for example, a processing unit that processes various data (for example, optical data) and a storage unit that stores various data.
  • the processing section acquires light data corresponding to a fluorescent dye from the detection section 92
  • the processing section can perform fluorescence leakage correction (compensation processing) on the light intensity data.
  • the processing unit performs fluorescence separation processing on the optical data and obtains light intensity data corresponding to the fluorescent dye.
  • the detection unit 92 includes an imaging device
  • the processing unit may acquire morphological information of the biological particles based on the image acquired by the imaging device.
  • the storage unit may be configured to store the acquired optical data.
  • the storage unit may further be configured to store spectral reference data used in the unmixing process.
  • the information processing section 93 can determine whether to sort biological particles based on the optical data and/or morphological information. Then, the information processing section 93 controls the sorting section 94 based on the result of the determination, so that the sorting section 94 can sort out the biological particles.
  • the information processing unit 93 may be configured to be able to output various data (for example, optical data and images). For example, the information processing unit 93 can output various data (for example, two-dimensional plots, spectral plots, etc.) generated based on the optical data to the information processing device 10. Further, the information processing unit 93 may be configured to be able to accept input of various data, for example, accept gating processing on the plot by the user.
  • the information processing unit 93 may include an output unit (such as a display) or a user interface (such as a keyboard) for executing the output or input.
  • the information processing unit 93 may be configured as a general-purpose computer, and may be configured as an information processing unit including, for example, a CPU, RAM, and ROM.
  • the information processing section 93 may be included in the casing in which the light irradiation section 91 and the detection section 92 are provided, or may be located outside the casing. Further, various processes or functions by the information processing unit 93 may be realized by a server computer or cloud connected via a network.
  • the sorting unit 94 can perform sorting of biological particles according to the determination result by the information processing unit 93.
  • the separation method may be a method in which droplets containing biological particles are generated by vibration, an electric charge is applied to the droplets to be separated, and the direction of movement of the droplets is controlled by electrodes.
  • the method of fractionation may be a method in which the traveling direction of the biological particles is controlled within the flow path structure and the fractionation is performed.
  • the flow path structure is provided with a control mechanism using, for example, pressure (injection or suction) or electric charge.
  • FIG. 12 is a diagram illustrating an example of the hardware configuration of the information processing device 10.
  • the computer 1000 includes a CPU (Central Processing Unit) 1100, a RAM (Random Access Memory) 1200, a ROM (Read Only Memory) 1300, and an HDD (Hard Dimensions). skDrive) 1400, a communication interface 1500, and an input/output interface 1600. Each part of computer 1000 is connected by bus 1050.
  • CPU Central Processing Unit
  • RAM Random Access Memory
  • ROM Read Only Memory
  • HDD Hard Dimensions
  • skDrive skDrive
  • the CPU 1100 operates based on a program (program data 1450) stored in the ROM 1300 or the HDD 1400, and controls each part. For example, CPU 1100 loads programs stored in ROM 1300 or HDD 1400 into RAM 1200, and executes processes corresponding to various programs.
  • program data 1450 program data 1450
  • the ROM 1300 stores boot programs such as a BIOS (Basic Input Output System) executed by the CPU 1100 when the computer 1000 is started, programs that depend on the hardware of the computer 1000, and the like.
  • BIOS Basic Input Output System
  • the HDD 1400 is a computer-readable non-temporary recording medium that non-temporarily records programs executed by the CPU 1100 and data used by the programs.
  • the HDD 1400 is a recording medium that records the information processing program according to the embodiment, which is an example of the program data 1450.
  • Communication interface 1500 is an interface for connecting computer 1000 to external network 1550 (eg, the Internet).
  • CPU 1100 receives data from other devices or transmits data generated by CPU 1100 to other devices via communication interface 1500.
  • the input/output interface 1600 is an interface for connecting the input/output device 1650 and the computer 1000.
  • CPU 1100 receives data from an input device such as a keyboard or mouse via input/output interface 1600. Further, the CPU 1100 transmits data to an output device such as a display device, speaker, or printer via the input/output interface 1600.
  • the input/output interface 1600 may function as a media interface that reads a program recorded on a predetermined recording medium.
  • Media includes, for example, optical recording media such as DVD (Digital Versatile Disc), PD (Phase Change Rewritable Disk), magneto-optical recording medium such as MO (Magneto-Optical Disk), tape medium, magnetic recording medium, or semiconductor memory, etc. It is.
  • the CPU 1100 of the computer 1000 executes the information processing program loaded on the RAM 1200 to realize the functions of each section described above.
  • the HDD 1400 stores information processing programs, various models, and various data according to the present disclosure. Note that although the CPU 1100 reads and executes the program data 1450 from the HDD 1400, as another example, these programs may be obtained from another device via the external network 1550.
  • the information processing device 10 includes a pre-culture information acquisition section 51, a patient information acquisition section 52, and an inference device selection section 13.
  • the pre-culture information acquisition unit 51 acquires pre-culture information regarding the cell state of the specimen before culture.
  • the patient information acquisition unit 52 acquires patient information regarding the specimen donor.
  • the inference device selection unit 13 selects the optimal inference device 19 that should infer the culture result of the specimen from the plurality of inference devices 19 as the actual inference device.
  • the processing of the information processing apparatus 10 is executed by the computer 1000.
  • the program of the present disclosure causes the computer 1000 to implement the processing of the information processing device 10.
  • the culture result can be accurately inferred based on the initial information of the specimen before culture (pre-culture information, patient information).
  • the information processing device 10 includes a learning history holding section 16.
  • the learning history storage unit 16 stores sample data for each past sample.
  • the sample data includes pre-culture information of past samples, patient information, culture results, an inference device that inferred the culture results, and the accuracy of the inference regarding the culture results.
  • the reasoner selection unit 13 searches for one or more sample data whose pre-culture information and/or patient information is similar to that of the specimen.
  • the inference device selection unit 13 selects, as the actual inference device, the inference device 19 with the highest accuracy of inference on the culture result from among the one or more inference devices 19 linked to the one or more sample data retrieved.
  • an appropriate production inference device is selected based on past inference accuracy data.
  • the plurality of reasoning devices 19 include a plurality of trained AIs with different learning algorithms, which input pre-culture information, patient information, and culture conditions, and output culture results.
  • the information processing device 10 includes a relearning section 15.
  • the relearning unit 15 extracts one or more specific sample data linked to the same inference device 19 from a plurality of sample data newly registered in the learning history holding unit 16.
  • the relearning unit uses the extracted one or more specific sample data to relearn the inference device 19 linked to the one or more specific sample data.
  • each reasoner 19 develops a culture situation that it is good at, and each reasoner 19 grows into a reasoner 19 that specializes in different culture situations.
  • the learning history storage unit 16 stores a plurality of pieces of measurement information as culture results.
  • the inference device selection unit 13 selects, as the actual inference device, the inference device 19 with the highest inference accuracy for the measurement information prioritized based on the user input information from among the plurality of measurement information.
  • the pre-culture information includes information regarding RNA expression level, cell type, cell composition, or cell morphology.
  • the patient information includes information regarding the sample donor's age, gender, blood type, race, lifestyle, disease, administered medicine, or past hospital visit history.
  • the culture results include information regarding the number of cells, purity, proliferation rate, cell composition, or survival rate after culturing the specimen.
  • a pre-culturing information acquisition unit that acquires pre-culturing information regarding the cell state of the specimen before culturing
  • a patient information acquisition unit that acquires patient information regarding the donor of the specimen
  • an inference device selection unit that selects an optimal inference device to infer the culture result of the specimen from a plurality of inference devices as a production inference device based on the pre-culture information and the patient information
  • An information processing device having: (2) For each past sample, a learning history storage unit that stores sample data including the pre-culture information, the patient information, the culture results, the inference device that inferred the culture results, and the accuracy of the inference for the culture results.
  • the inference device selection unit searches for one or more sample data in which the pre-culture information and/or the patient information is similar to the specimen, and selects one or more inference devices linked to the one or more sample data. , selecting an inference device with the highest inference accuracy for the culture result as the production inference device;
  • the information processing device according to (1) above.
  • the plurality of inference devices include a plurality of trained AIs with different learning algorithms, which receive the pre-culture information, the patient information, and the culture conditions as input, and output the culture result.
  • the learning history storage unit stores a plurality of pieces of measurement information as the culture results
  • the inference device selection unit selects, as the production inference device, the inference device with the highest inference accuracy for the measurement information prioritized based on user input information from among the plurality of measurement information.
  • the information processing device according to any one of (2) to (4) above.
  • the pre-culture information includes information regarding RNA expression level, cell type, cell composition, or cell morphology.
  • the information processing device includes information regarding the donor's age, gender, blood type, race, lifestyle, disease, administered medicine, or past hospital visit history.
  • the information processing device includes information regarding the donor's age, gender, blood type, race, lifestyle, disease, administered medicine, or past hospital visit history.
  • the information processing device includes information regarding the donor's age, gender, blood type, race, lifestyle, disease, administered medicine, or past hospital visit history.
  • the information processing device includes information regarding the donor's age, gender, blood type, race, lifestyle, disease, administered medicine, or past hospital visit history.
  • the information processing device according to any one of (1) to (6) above.
  • (9) Obtain pre-culture information regarding the cell state of the specimen before culturing, obtaining patient information regarding the donor of the specimen; Based on the pre-culture information and the patient information, select an optimal inference device to infer the culture result of the specimen from a plurality of inference devices as a production inference device;
  • An information processing method executed by a computer comprising: (10) The culture is performed using pre-culture information regarding the cell state of the past sample before culture, patient information of the patient who provided the past sample, and culture conditions of the past sample as input data, and culture results of the past sample as correct data.
  • An information processing method executed by a computer comprising: (11) Obtain pre-culture information regarding the cell state of the specimen before culturing, obtaining patient information regarding the donor of the specimen; Based on the pre-culture information and the patient information, select an optimal inference device to infer the culture result of the specimen from a plurality of inference devices as a production inference device; A program that allows a computer to accomplish something.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Zoology (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Microbiology (AREA)
  • Analytical Chemistry (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Sustainable Development (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Molecular Biology (AREA)
  • Cell Biology (AREA)
  • Virology (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

情報処理装置（１０）は、培養前情報取得部（５１）、患者情報取得部（５２）および推論器選択部（１３）を有する。培養前情報取得部（５１）は、培養前の検体の細胞状態に関する培養前情報を取得する。患者情報取得部（５２）は、検体の提供者に関する患者情報を取得する。推論器選択部（１３）は、培養前情報および患者情報に基づいて、複数の推論器（１９）から、検体の培養結果を推論すべき最適な推論器（１９）を本番推論器として選択する。

Description

情報処理装置、情報処理方法およびプログラム
　本発明は、情報処理装置、情報処理方法およびプログラムに関する。
　免疫細胞療法などの、通常の免疫機能だけでは完全にがんを死滅させることが難しい難治性のがんに対して、新しい治療がなされている。ここでは、患者から細胞を取り出して、細胞をある割合になるように細胞群を培養し、意図した構成に持っていくことなどが考えられている。
特開２０１１－２２９４１３号公報
　しかしながら、細胞には様々な種類があり、それぞれが生物学的に関連しているため、細胞群を意図した構成にしながら培養することは難しい。また、患者から取り出した状態の細胞群の初期状態が異なるため、通常の教師データを用いて機械学習を行っても、培養予測を行うことが難しいことが想定される。
　そこで、本開示では、培養結果を精度よく推論することが可能な情報処理装置、情報処理方法およびプログラムを提案する。
　本開示によれば、培養前の検体の細胞状態に関する培養前情報を取得する培養前情報取得部と、前記検体の提供者に関する患者情報を取得する患者情報取得部と、前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する推論器選択部と、を有する情報処理装置が提供される。また、本開示によれば、前記情報処理装置の情報処理がコンピュータにより実行される情報処理方法、ならびに、前記情報処理装置の情報処理をコンピュータに実現させるプログラムが提供される。
培養支援システムの構成の一例を示す図である。 サンプルデータの登録情報の一例を示す図である。 サンプルデータの登録情報の他の例を示す図である。 培養レシピの一例を示す図である。 推論器の選択に関する処理フローの一例を示す図である。 推論結果の登録に関する処理フローの一例を示す図である。 再学習に関する処理フローの一例を示す図である。 培養装置の一例を示す図である。 培養器の一例を示す図である。 計測装置の一例を示す図である。 計測装置の他の一例を示す図である。 情報処理装置のハードウェア構成の一例を示す図である。
　以下に、本開示の実施形態について図面に基づいて詳細に説明する。以下の各実施形態において、同一の部位には同一の符号を付することにより重複する説明を省略する。
　なお、説明は以下の順序で行われる。
［１．培養支援システム］
［２．サンプルデータの登録情報］
［３．培養レシピ］
［４．情報処理方法］
　［４－１．推論器の選択］
　［４－２．推論結果の登録］
　［４－３．再学習］
［５．培養装置］
［６．計測装置］
［７．ハードウェア構成例］
［８．効果］
［１．培養支援システム］
　図１は、培養支援システム１の構成の一例を示す図である。
　培養支援システム１は、検体の培養結果に対して高精度な推論結果を提示することで医療従事者の培養作業を支援する。培養支援システム１は、情報処理装置１０、入力装置２０、計測装置３０およびレシピデータベース４０を有する。
　入力装置２０は、培養前の検体の初期情報を入力する。初期情報は、培養前情報および患者情報を含む。培養前情報とは、培養前の検体の細胞状態に関する情報を意味する。患者情報とは、検体の提供者（患者）に関する情報を意味する。患者情報は、培養結果に影響すると考えられる、患者の背後にある事情（背景）を示す。
　例えば、培養前情報は、ＲＮＡ発現量、細胞の種類、細胞構成または細胞形態に関する情報を含む。細胞構成とは、検体を構成する各種細胞の比率を意味する。例えば、細胞の種類が、Ｔ細胞の表面に発現する補助受容体の種類（ＣＤ８＋Ｔ細胞、ＣＤ４＋Ｔ細胞など）を意味する場合には、細胞構成は、補助受容体の種類が異なる複数の細胞の構成比率を意味する。細胞形態とは、顕微鏡などで観察される細胞の形状および外観を意味する。患者情報は、検体の提供者の年齢、性別、血液型、人種、生活習慣（食生活、運動習慣、喫煙習慣など）、罹患している疾患、投与された薬、または、過去の通院履歴に関する情報を含む。入力装置２０は、タッチパネル、キーボードおよびマウスなどを含む。
　計測装置３０は、培養前および培養後の検体の計測を行う。培養前の検体の計測結果は培養前情報として利用される。培養後の検体の計測結果は、病理診断に利用されるとともに、後述する推論器１９の学習に利用される。例えば、培養結果は、検体の培養後の細胞数、純度（所望の細胞がそれ以外の細胞に対して何％の割合で存在するか）、増殖率、細胞構成または生存率に関する情報を含む。計測装置３０としては、培養の分野で利用される種々の計測機器が採用される。レシピデータベース４０は、培養条件の異なる複数の培養レシピを記憶する。
　情報処理装置１０は、各種入力情報および計測情報に基づいて、培養結果の推論、推論精度の算出、および、推論精度に基づく推論器１９の再学習などの処理を行う。情報処理装置１０は、情報取得部１１、推論部１２、推論器選択部１３、培養結果取得部１４、再学習部１５および学習履歴保持部１６を有する。
　情報取得部１１は、入力装置２０から各種情報を取得する。例えば、情報取得部１１は、培養前情報を取得する培養前情報取得部５１、および、患者情報を取得する患者情報取得部５２を有する。
　推論部１２は複数の推論器１９を有する。各推論器１９は、培養前情報、患者情報および培養条件を入力とし、培養結果を出力とする。複数の推論器１９は、学習アルゴリズムが異なる複数の学習済みＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）を含む。推論部１２は、培養前の過去サンプルの細胞状態に関する培養前情報、過去サンプルの提供者である患者の患者情報および過去サンプルの培養条件を入力データとし、過去サンプルの培養結果を正解データとして、培養結果の推論を行う推論器１９の学習を行う。
　図１の例では、推論部１２は、第１推論器６１および第２推論器６２を有する。第１推論器６１は、決定木ベースのＲａｎｄｏｍ　Ｆｏｒｅｓｔで得られる推論器１９である。第２推論器６２は、強化アンサンブル学習であるＬｉｇｈｔ　ＧＢＭ（Ｇｒａｄｉｅｎｔ　Ｂｏｏｓｔｉｎｇ　Ｍａｃｈｉｎｅ）で得られる推論器１９である。推論器１９の数は２つに限られない。古典的な識別器であるサポートベクターマシンなどが第３推論器として搭載されてもよい。
　推論器選択部１３は、培養前情報および患者情報に基づいて、複数の推論器１９から、検体の培養結果を推論すべき最適な推論器１９を本番推論器として選択する。推論器１９の選択は、学習履歴保持部１６に登録された過去サンプルの情報を考慮して行われる。過去サンプルとは、過去に培養が実施され、培養結果が取得された検体を意味する。
　学習履歴保持部１６は、過去サンプルごとに、サンプルデータを記憶する。サンプルデータは、過去サンプルの培養前情報、患者情報、培養結果、培養結果の推論を行った推論器１９、および、培養結果に対する推論の精度を含む。推論器選択部１３は、培養前情報及び／又は患者情報が検体と類似する１以上のサンプルデータを検索する。推論器選択部１３は、検索された１以上のサンプルデータに紐づけられた１以上の推論器１９のうち、培養結果に対する推論の精度が最も高い推論器１９を本番推論器として選択する。
　培養結果取得部１４は、計測装置３０から検体の培養結果を示す計測情報を取得する。培養結果取得部１４は、計測によって得られた培養結果と、本番推論器による推論結果とを比較して推論の精度を算出する。学習履歴保持部１６は、情報取得部１１、推論器選択部１３、推論部１２および培養結果取得部１４から、培養前情報、患者情報、検体の推論に用いた推論器１９、および、推論の精度に関する情報を取得し、これらを検体のサンプルデータとして登録する。
　再学習部１５は、新たに登録されたサンプルデータを用いて推論器１９の再学習を行う。再学習は推論器１９ごとに定期的に行われる。例えば、再学習部１５は、学習履歴保持部１６に新たに登録された複数のサンプルデータから、同一の推論器１９に紐づけられた１以上の特定サンプルデータを抽出する。再学習部１５は、抽出された１以上の特定サンプルデータを用いて、１以上の特定サンプルデータに紐づけられた推論器１９の再学習を行う。
［２．サンプルデータの登録情報］
　図２は、サンプルデータの登録情報の一例を示す図である。
　学習履歴保持部１６には、複数の過去サンプルのサンプルデータが登録されている。図２の「データ」は、過去サンプルの番号を示す。サンプルデータには、対応する過去サンプルの培養前情報、患者情報、培養レシピ、利用した推論器、培養結果および推論精度に関する情報が含まれる。
　例えば、培養前情報は、培養前の観測特徴量から得られる細胞の初期状態に関する情報を含む。初期計測で得られた情報が培養前情報として登録される。培養前情報は、ＲＮＡ発現量、細胞の種類、細胞構成および細胞形態に関する情報を含む。
　例えば、培養前の初期計測では、培養する細胞から１万細胞が取得され、シングルセルＲＮＡシーケンシンを用いて各細胞のＲＮＡ発現量が計測される。計測されたＲＮＡ発現量からＯｎｔｏｌｏｇｙＤａｔａｂａｓｅなどを用いて、取得した細胞がどのような細胞なのかが特定される。細胞の種類の特定は、例えば、ＣｅｌｌＯ（Ｃｅｌｌ　Ｏｎｔｏｌｏｇｙ－ｂａｓｅｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ）を用いて行われる。細胞の種類の例としては、ＣＤ４＋Ｔ細胞やＣＤ８＋Ｔ細胞などが挙げられる。
　患者情報は、培養結果に影響すると考えられる検体の背景の情報を含む。患者情報は、過去サンプルの提供者である患者の年齢、性別、人種、罹患している疾患、投与された薬、および、過去の通院履歴に関する情報を含む。患者情報は、問診やインタビューによって取得される。
　培養結果は、培養後の検体の細胞を計測して得られた計測情報を含む。計測内容は、培養の目的に応じて決定される。例えば、培養結果としては、検体の培養後の細胞数、純度、増殖率、細胞構成、生存率などの情報が取得される。図２の例では、ＣＤ４＋のＴ細胞とＣＤ８＋のＴ細胞との比率が培養結果として登録されている。
　推論精度は、推論器１９によって推論された培養結果（推論値）と、培養後の計測によって得られた培養結果（計測値）と、の差分の情報を含む。差分は、単純な引き算の結果として求めてもよいし、割合として求めてもよい。図２の例では、計測値に対する、計測値と推論値との差の割合として推論精度が求められている。
　図３は、サンプルデータの登録情報の他の例を示す図である。
　図２の例では、培養結果として１つの計測情報のみが登録されていた。図３の例では、培養結果として複数の計測情報が１つのサンプルデータに登録されている。
　学習履歴保持部１６は、培養結果として複数の計測情報を記憶する。各計測情報に対する推論は、同一の推論器１９によって行われる。学習履歴保持部１６は、計測情報ごとに、推論器１９の推論結果および推論の精度を紐づけて記憶する。図３の例では、複数の計測情報として、ＣＤ４＋のＴ細胞とＣＤ８＋のＴ細胞との比率、および、細胞増殖率が１つのサンプルデータに登録されている。
　サンプルデータに複数の計測情報が登録されている場合、ユーザが指定した特定の計測情報の推論結果を優先的に考慮して本番推論器の選択が行われる。情報取得部１１は、優先すべき推論結果を示す情報をユーザ入力情報として取得する。推論器選択部１３は、複数の計測情報のうち、ユーザ入力情報に基づいて優先された計測情報に対する推論の精度が最も高い推論器１９を本番推論器として選択する。
［３．培養レシピ］
　図４は、培養レシピの一例を示す図である。
　培養レシピとは、どういう条件で細胞を培養するか（培養条件）が記された表である。例えば、培養条件は、細胞に添加する刺激物、刺激物の量、培地の種類および培養温度に関する情報を含む。図４には、刺激物として、インターロイキン５（ＩＬ５）およびインターロイキン７（ＩＬ７）が示されている。
［４．情報処理方法］
［４－１．推論器の選択］
　以下、情報処理装置１０が実施する情報処理の一例を説明する。図５は、推論器１９の選択に関する処理フローの一例を示す図である。
　推論器選択部１３は、学習履歴保持部１６から、全ての過去サンプルのサンプルデータを取得する（ステップＳＡ１）。推論器選択部１３は、検体のデータ（培養前情報、患者情報）を取得する（ステップＳＡ２）。
　推論器選択部１３は、全サンプルデータから、検体のデータに類似するＮ個（Ｎは１以上の整数）のサンプルデータを抽出する（ステップＳＡ３）。類比判断は、例えば、文字情報であればコサイン類似度に基づいて行われ、数値情報であればユークリッド距離に基づいて行われる。コサイン類似度あるいはユークリッド距離に閾値を設けることにより、目的とする数のサンプルデータが抽出される。
　推論器選択部１３は、抽出されたＮ個のサンプルデータから、最も高い推論精度を示すサンプルデータを特定する（ステップＳＡ４）。推論器選択部１３は、特定されたサンプルデータに示される推論器１９を本番推論器として選択する（ステップＳＡ５）。培養結果として複数の計測情報が取得され、サンプルデータに複数の推論精度が登録されている場合には、推論器選択部１３は、ユーザ入力情報に基づいて優先された計測情報に対する推論の精度が最も高い推論器１９を本番推論器として選択する。
［４－２．推論結果の登録］
　図６は、推論結果の登録に関する処理フローの一例を示す図である。
　本番推論器は、検体のデータ（培養前情報、患者情報）および検体の培養レシピを取得する（ステップＳＢ１）。培養レシピは、ユーザが指定してもよいし、デフォルトで設定されてもよい。本番推論器は、検体のデータおよび培養レシピに基づいて検体の培養結果を推論する（ステップＳＢ２）。
　培養結果取得部１４は、計測装置３０から検体の培養結果を取得する（ステップＳＢ３）。培養結果取得部１４は、培養結果および推論結果に基づいて、培養結果に対する本番推論器の推論精度を算出する（ステップＳＢ４）。
　学習履歴保持部１６は、検体の培養前情報、患者情報、培養レシピ、本番推論器、推論結果および推論精度に関する情報を、情報取得部１１、推論部１２、推論器選択部１３および培養結果取得部１４から取得する。学習履歴保持部１６は、検体の培養結果の推論に用いた本番推論器、推論結果および推論精度を、検体の培養前情報、患者情報および培養レシピと紐づけて登録する（ステップＳＢ５）。
［４－３．再学習］
　図７は、再学習に関する処理フローの一例を示す図である。
　再学習部１５は、学習履歴保持部１６から、前回の再学習以降に新たに登録された複数のサンプルデータを抽出する。再学習部１５は、抽出された複数のサンプルデータから、同一の推論器１９に紐づけられた１以上のサンプルデータをそれぞれ特定サンプルデータとして抽出する（ステップＳＣ１）。
　再学習部１５は、特定サンプルデータの情報を用いて、特定サンプルデータに紐づけられた推論器１９の再学習を行う（ステップＳＣ２）。再学習部１５は、再学習された推論器１９を推論部１２に登録する（ステップＳＣ３）。
［５．培養装置］
　以下、周辺装置の具体例を説明する。図８は、培養装置７０の一例を示す図である。
　培養装置７０は、患者から検体として取得された生体由来試料の培養を行う。生体由来試料は、生体成分を含む試料であってよい。生体成分は、生体の組織、細胞、生体の液状成分（血液や尿等）、培養物、又は生細胞（心筋細胞、神経細胞、及び受精卵など）であってよい。生体由来試料は、固形物であってよく、パラフィンなどの固定試薬によって固定された標本又は凍結により形成された固形物であってよい。生体由来試料は、固形物の切片でありうる。生体由来試料の具体例として、生検試料の切片を挙げることができる。
　生体由来試料は、染色又は標識などの処理が施されたものであってよい。当該処理は、生体成分の形態を示すための又は生体成分が有する物質（表面抗原など）を示すための染色であってよく、ＨＥ（Ｈｅｍａｔｏｘｙｌｉｎ－Ｅｏｓｉｎ）染色、免疫組織化学（Ｉｍｍｕｎｏｈｉｓｔｏｃｈｅｍｉｓｔｒｙ）染色を挙げることができる。生体由来試料は、１又は２以上の試薬により前記処理が施されたものであってよく、当該試薬は、蛍光色素、発色試薬、蛍光タンパク質、又は蛍光標識抗体でありうる。
　標本は、使用される組織（例えば臓器または細胞など）の種類、対象となる疾病の種類、患者の属性（例えば、年齢、性別、血液型、または人種など）、または患者の生活習慣（例えば、食生活、運動習慣、または喫煙習慣など）などにより性質が異なる。標本は、各標本それぞれ識別可能な識別情報（バーコード情報又はＱＲコード（登録商標）情報等）を付されて管理されてよい。
　培養装置７０は、培養制御部７１および培養器７２を有する。図９は、培養器７２の一例を示す図である。
　培養器７２には、培養の対象となる細胞（対象細胞）と結合可能な捕捉用分子７５が、分解性リンカー７４を介して固定化されている。分解性リンカー７４は、培養容器の底面に固定されていてよい。培養器７２はその容積が増加又は減少するように可変であってもよい。培養器７２は、培養容器に対象細胞が投入されると、その内部に固定化された捕捉用分子７５で対象細胞を捕捉する。捕捉された対象細胞は、培養容器内で培養される。
　培養容器の内部には、例えばポリマー７３と、分解性リンカー７４とを介して捕捉用分子７５が固定化されている。ポリマー７３を介すことなく、分解性リンカー７４が直接固定化されてもよい。固定化は、培養容器の底面に限定されず内壁にされてもよいし、培養容器内部に平面的又は立体的な構造体が存在している場合、その構造体の表面に固定化されてもよい。培養容器の内部表面は、細胞の生存に適した物質（例えば、ｃｏｌｌａｇｅｎ、ｆｉｂｒｏｂｌａｓｔなど）によってコーティングされていることが望ましい。
　ポリマー７３が用いられる場合、ポリマー７３は細胞にストレスを与えず若しくは無毒であるもの又は生体適合性を有するものが好ましい。ポリマー７３の例として、例えばポリエチレングリコール（ＰＥＧ）、２－ｍｅｔｈａｃｒｙｌｏｙｌｏｘｙｅｔｈｙｌ　ｐｈｏｓｐｈｏｒｙｌｃｈｏｌｉｎｅポリマー（ＭＰＣポリマー）が挙げられる。
　ポリマー７３が用いられる場合、ポリマー７３の培養容器との結合箇所の反対側の端に、分解性リンカー７４が結合していてよい。分解性リンカー７４は、特定の外部からの刺激で分解する分子である。分解性リンカー７４は、捕捉用分子７５を、ポリマー７３を介して又は介さずに、培養容器の底面に接続する。分解性リンカー７４として、例えば、特定の波長の光で分解されるリンカー、酵素で分解されるリンカー、温度で分解されるリンカー等が挙げられる。分解性リンカー７４は、シングルセル（単一細胞）ごとの制御が可能な点および分解時間が短い点から、光分解性リンカーであることが好ましい。
　捕捉用分子７５は、細胞と結合可能な部位を有する。細胞と結合可能な部位として、例えば、オレイル基、コレステリル基、抗体、アプタマー、又は分子認識ポリマー等を用いることができる。捕捉用分子７５は、１スポットにつき対象細胞１個が結合するように固定化されていることが好ましい。１スポットにつき細胞１個が捕捉されることにより、捕捉用分子７５と結合可能な分子（抗体、糖鎖など）を有する細胞をシングルセルレベルで選別することができる。また、このような選別を、全てのスポットに対して実行することもできる。
［６．計測装置］
　図１０は、計測装置３０の一例を示す図である。図１０の例では、計測装置３０が顕微鏡システム３０Ａとして構成されている。
　顕微鏡システム３０Ａは、顕微鏡装置８１、制御部８７、及び情報処理部８６を含む。顕微鏡装置８１は、光照射部８２、光学部８３、及び信号取得部８４を備えている。顕微鏡装置８１はさらに、生体由来試料が配置される試料載置部８５を備えていてよい。顕微鏡装置８１は、明視野観察、位相差観察、微分干渉観察、偏光観察、蛍光観察、及び暗視野観察のうちの１又は２以上で構成されてよい。
　顕微鏡システム３０Ａは、いわゆるＷＳＩ（Ｗｈｏｌｅ　Ｓｌｉｄｅ　Ｉｍａｇｉｎｇ）システム又はデジタルパソロジーシステムとして構成されてよく、病理診断のために用いられうる。また、顕微鏡システム３０Ａは、蛍光イメージングシステム、特には多重蛍光イメージングシステムとして構成されてもよい。
　顕微鏡装置８１は、患者から取得された生体由来試料のデータを取得し、当該データを情報処理部８６へと送信しうる。顕微鏡装置８１は、取得した生体由来試料のデータを、顕微鏡装置８１とは離れた場所（別の部屋又は建物など）に存在する情報処理部８６へと送信しうる。情報処理部８６は、当該データを受信し、情報処理装置１０に出力する。
　光照射部８２は、生体由来試料を照明するための光源、および光源から照射された光を標本に導く光学部である。光源は、可視光、紫外光、若しくは赤外光、又はこれらの組合せを生体由来試料に照射しうる。光源は、ハロゲンランプ、レーザ光源、ＬＥＤランプ、水銀ランプ、及びキセノンランプのうちの１又は２以上であってよい。蛍光観察における光源の種類及び／又は波長は、複数でもよく、当業者により適宜選択されてよい。光照射部は、透過型、反射型又は落射型（同軸落射型若しくは側射型）の構成を有しうる。
　光学部８３は、生体由来試料からの光を信号取得部８４へと導くように構成される。光学部８３は、顕微鏡装置８１が生体由来試料を観察又は撮像することを可能とするように構成されうる。
　信号取得部８４は、生体由来試料からの光を受光し、当該光を電気信号、特にはデジタル電気信号へと変換することができるように構成されうる。信号取得部８４は、当該電気信号に基づき、生体由来試料に関するデータを取得することができるように構成されてよい。信号取得部８４は、生体由来試料の像（画像、特には静止画像、タイムラプス画像、又は動画像）のデータを取得することができるように構成されてよく、特に光学部８３によって拡大された画像のデータを取得するように構成されうる。
　信号取得部８４は、１次元又は２次元に並んで配列された複数の画素を備えている１つ又は複数の撮像素子、ＣＭＯＳ又はＣＣＤなど、を含む。信号取得部８４は、低解像度画像取得用の撮像素子と高解像度画像取得用の撮像素子とを含んでよく、又は、ＡＦなどのためのセンシング用撮像素子と観察などのための画像出力用撮像素子とを含んでもよい。
　撮像素子は、前記複数の画素に加え、各画素からの画素信号を用いた信号処理を行う信号処理部（ＣＰＵ、ＤＳＰ、及びメモリのうちの１つ、２つ、又は３つを含む）、及び、画素信号から生成された画像データ及び信号処理部により生成された処理データの出力の制御を行う出力制御部を含む信号処理センサであってもよい。更には、撮像素子は、入射光を光電変換する画素の輝度変化が所定の閾値を超えたことをイベントとして検出する非同期型のイベント検出センサを含み得る。複数の画素、信号処理部、及び出力制御部を含む撮像素子は、好ましくは１チップの半導体装置として構成されうる。
　制御部８７は、顕微鏡装置８１による撮像を制御する。制御部８７は、撮像制御のために、光学部８３及び／又は試料載置部８５の移動を駆動して、光学部８３と試料載置部８５との間の位置関係を調節しうる。制御部８７は、光学部８３及び／又は試料載置部８５を、互いに近づく又は離れる方向（例えば対物レンズの光軸方向）に移動させうる。また、制御部８７は、光学部８３及び／又は試料載置部８５を、光軸方向と垂直な面におけるいずれかの方向に移動させてもよい。制御部８７は、撮像制御のために、光照射部８２及び／又は信号取得部８４を制御してもよい。
　試料載置部８５は、生体由来試料の試料載置部８５上における位置が固定できるように構成されてよく、いわゆるステージであってよい。試料載置部８５は、生体由来試料の位置を、対物レンズの光軸方向及び／又は当該光軸方向と垂直な方向に移動させることができるように構成されうる。
　情報処理部８６は、顕微鏡装置８１が取得したデータ（撮像データなど）を、顕微鏡装置８１から取得しうる。情報処理部８６は、撮像データに対する画像処理を実行しうる。当該画像処理は、色分離処理を含んでよい。当該色分離処理は、撮像データから所定の波長又は波長範囲の光成分のデータを抽出して画像データを生成する処理、又は、撮像データから所定の波長又は波長範囲の光成分のデータを除去する処理などを含みうる。また、当該画像処理は、組織切片の自家蛍光成分と色素成分を分離する自家蛍光分離処理や互いに蛍光波長が異なる色素間の波長を分離する蛍光分離処理を含みうる。自家蛍光分離処理では、同一ないし性質が類似する前記複数の標本のうち、一方から抽出された自家蛍光シグナルを用いて他方の標本の画像情報から自家蛍光成分を除去する処理を行ってもよい。
　情報処理部８６は、制御部８７に撮像制御のためのデータを送信してよく、当該データを受信した制御部８７が、当該データに従って顕微鏡装置８１による撮像を制御してもよい。情報処理部８６は、汎用のコンピュータなどの情報処理部として構成されてよく、ＣＰＵ、ＲＡＭ、及びＲＯＭを備えていてよい。情報処理部８６は、顕微鏡装置８１の筐体内に含まれていてよく、又は、当該筐体の外にあってもよい。また、情報処理部８６による各種処理又は機能は、ネットワークを介して接続されたサーバコンピュータ又はクラウドにより実現されてもよい。
　なお、信号取得部８４により取得される画像は染色画像および／又は非染色画像であってもよい。信号取得部８４は、画像から特徴量として、処理前、処理中、及び処理後の細胞に関する情報を取得してもよい。
　染色画像は、例えば、蛍光試薬により染色された生体由来試料に対し、光照射部８２が励起光を照射することで得られる蛍光画像である。これにより、例えばＣＤ４やＣＤ８等のバイオマーカーを有する生体由来試料の分子マーカー解析が簡便かつ定量的となる。
　非染色画像は、非染色の生体由来試料から得られた明視野画像、位相差画像、偏光画像であってもよい。さらには、非染色画像は、非染色画像と蛍光画像より学習された情報から識別され細胞の特徴ごとに疑似染色された画像であってもよい。疑似染色された画像は、非染色画像から核、細胞タイプ（神経など）、細胞状態（細胞死など）などの様々なラベルを予測することが可能であり、化学的な染色による蛍光スペクトルの重なりによる同時ラベル数の制限を解消することが可能となる。疑似染色された画像の具体的な手法に関しては、公知の手法によるものであれば特に限定されない。
　図１１は、計測装置３０の他の一例を示す図である。図１１の例では、計測装置３０が生体試料分析装置３０Ｂとして構成されている。
　生体試料分析装置３０Ｂは、流路Ｃを流れる生体由来試料に光を照射する光照射部９１、照射によって生じた光を検出する検出部９２、及び検出部９２により検出された光に関する情報を処理する情報処理部９３を含む。生体試料分析装置３０Ｂの例としてはフローサイトメータ及びイメージングサイトメータを挙げることができる。生体試料分析装置３０Ｂは、生体試料内の特定の生体粒子Ｐの分取を行う分取部９４を含んでもよい。分取部９４を含む生体試料分析装置３０Ｂの例としてはセルソーターを挙げることができる。
　生体由来試料は、生体粒子を含む液状試料であってよい。流路Ｃは、生体試料が流れるように、特に生体試料に含まれる生体粒子が略一列に並んだ流れが形成されるように構成されうる。流路Ｃを含む流路構造は、層流が形成されるように設計されてよく、特には生体試料の流れ（サンプル流）がシース液の流れによって包まれた層流が形成されるように設計される。当該流路構造の設計は、当業者により適宜選択されてよく、既知のものが採用されてもよい。
　流路Ｃは、マイクロチップ（マイクロメートルオーダーの流路を有するチップ）又はフローセルなどの流路構造体（ｆｌｏｗ　ｃｈａｎｎｅｌ　ｓｔｒｕｃｔｕｒｅ）中に形成されてよい。流路Ｃの幅は、１ｍｍ以下であり、特には１０μｍ以上１ｍｍ以下であってよい。流路Ｃ及びそれを含む流路構造体は、プラスチックやガラスなどの材料から形成されてよい。
　光照射部９１は、光を出射する光源部と、当該光を流路Ｃへと導く導光光学系とを含む。光源部は、１又は複数の光源を含む。光源の種類は、例えばレーザ光源又はＬＥＤでありうる。各光源から出射される光の波長は、紫外光、可視光、又は赤外光のいずれかの波長であってよい。導光光学系は、例えばビームスプリッター群、ミラー群又は光ファイバなどの光学部品を含む。また、導光光学系は、光を集光するためのレンズ群を含んでよく、例えば対物レンズを含みうる。生体試料に対する光の照射点は、１つ又は複数であってよい。光照射部９１は、一の照射点に対して、一つ又は異なる複数の光源から照射された光を集光するよう構成されていてもよい。
　検出部９２は、光照射部９１による粒子への光照射により生じた光を検出する少なくとも一つの光検出器を備えている。検出する光は、例えば蛍光又は散乱光（例えば前方散乱光、後方散乱光、及び側方散乱光のいずれか１つ以上）である。各光検出器は、１以上の受光素子を含み、例えば受光素子アレイを有する。各光検出器は、受光素子として、１又は複数のＰＭＴ（光電子増倍管）及び／又はＡＰＤ及びＭＰＰＣ等のフォトダイオードを含んでよい。当該光検出器は、例えば複数のＰＭＴを一次元方向に配列したＰＭＴアレイを含む。また、検出部９２は、ＣＣＤ又はＣＭＯＳなどの撮像素子を含んでもよい。検出部は、当該撮像素子により、生体粒子の画像（例えば明視野画像、暗視野画像、及び蛍光画像など）を取得しうる。
　検出部９２は、光検出器により得られた電気信号をデジタル信号に変換する信号処理部を含みうる。当該信号処理部が、当該変換を行う装置としてＡ／Ｄ変換器を含んでよい。当該信号処理部による変換により得られたデジタル信号が、情報処理部９３に送信されうる。前記デジタル信号が、情報処理部９３により、光に関するデータ（以下「光データ」ともいう）として取り扱われうる。前記光データは、例えば蛍光データを含む光データであってよい。より具体的には、前記光データは、光強度データであってよく、当該光強度は、蛍光を含む光の光強度データ（Ａｒｅａ、Ｈｅｉｇｈｔ、Ｗｉｄｔｈ等の特徴量を含んでもよい）であってよい。
　情報処理部９３は、例えば各種データ（例えば光データ）の処理を実行する処理部及び各種データを記憶する記憶部を含む。処理部は、蛍光色素に対応する光データを検出部９２より取得した場合、光強度データに対し蛍光漏れ込み補正（コンペンセーション処理）を行いうる。また、処理部は、スペクトル型フローサイトメータの場合、光データに対して蛍光分離処理を実行し、蛍光色素に対応する光強度データを取得する。検出部９２が撮像素子を含む場合、処理部は、撮像素子により取得された画像に基づき、生体粒子の形態情報を取得してもよい。記憶部は、取得された光データを格納できるように構成されていてよい。記憶部は、さらに、アンミキシング処理において用いられるスペクトラルリファレンスデータを格納できるように構成されていてよい。
　生体試料分析装置３０Ｂが分取部９４を含む場合、情報処理部９３は、光データ及び／又は形態情報に基づき、生体粒子を分取するかの判定を実行しうる。そして、情報処理部９３は、当該判定の結果に基づき分取部９４を制御し、分取部９４による生体粒子の分取が行われうる。
　情報処理部９３は、各種データ（例えば光データや画像）を出力することができるように構成されていてよい。例えば、情報処理部９３は、当該光データに基づき生成された各種データ（例えば二次元プロット、スペクトルプロットなど）を情報処理装置１０に出力しうる。また、情報処理部９３は、各種データの入力を受け付けることができるように構成されていてよく、例えばユーザによるプロット上へのゲーティング処理を受け付ける。情報処理部９３は、当該出力又は当該入力を実行させるための出力部（例えばディスプレイなど）又はユーザインターフェース（例えばキーボードなど）を含みうる。
　情報処理部９３は、汎用のコンピュータとして構成されてよく、例えばＣＰＵ、ＲＡＭ、及びＲＯＭを備えている情報処理部として構成されてよい。情報処理部９３は、光照射部９１及び検出部９２が備えられている筐体内に含まれていてよく、又は、当該筐体の外にあってもよい。また、情報処理部９３による各種処理又は機能は、ネットワークを介して接続されたサーバコンピュータ又はクラウドにより実現されてもよい。
　分取部９４は、情報処理部９３による判定結果に応じて、生体粒子の分取を実行しうる。分取の方式は、振動により生体粒子を含む液滴を生成し、分取対象の液滴に対して電荷をかけ、当該液滴の進行方向を電極により制御する方式であってよい。分取の方式は、流路構造体内にて生体粒子の進行方向を制御し分取を行う方式であってもよい。当該流路構造体には、例えば、圧力（噴射若しくは吸引）又は電荷による制御機構が設けられる。
［７．ハードウェア構成例］
　図１２は、情報処理装置１０のハードウェア構成の一例を示す図である。
　情報処理装置１０の情報処理は、例えば、コンピュータ１０００によって実現される。コンピュータ１０００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１００、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒy）１２００、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１３００、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）１４００、通信インターフェイス１５００、および入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。
　ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラム（プログラムデータ１４５０）に基づいて動作し、各部の制御を行う。たとえば、ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムをＲＡＭ１２００に展開し、各種プログラムに対応した処理を実行する。
　ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるＢＩＯＳ（Ｂａｓｉｃ　Ｉｎｐｕｔ　Ｏｕｔｐｕｔ　Ｓｙｓｔｅｍ）などのブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラムなどを格納する。
　ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータなどを非一時的に記録する、コンピュータが読み取り可能な非一時的記録媒体である。具体的には、ＨＤＤ１４００は、プログラムデータ１４５０の一例としての、実施形態にかかる情報処理プログラムを記録する記録媒体である。
　通信インターフェイス１５００は、コンピュータ１０００が外部ネットワーク１５５０（たとえばインターネット）と接続するためのインターフェイスである。たとえば、ＣＰＵ１１００は、通信インターフェイス１５００を介して、他の機器からデータを受信したり、ＣＰＵ１１００が生成したデータを他の機器へ送信したりする。
　入出力インターフェイス１６００は、入出力デバイス１６５０とコンピュータ１０００とを接続するためのインターフェイスである。たとえば、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、キーボードやマウスなどの入力デバイスからデータを受信する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、表示装置やスピーカーやプリンタなどの出力デバイスにデータを送信する。また、入出力インターフェイス１６００は、所定の記録媒体（メディア）に記録されたプログラムなどを読み取るメディアインターフェイスとして機能してもよい。メディアとは、たとえばＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）、ＰＤ（Ｐｈａｓｅ　ｃｈａｎｇｅ　ｒｅｗｒｉｔａｂｌｅ　Ｄｉｓｋ）などの光学記録媒体、ＭＯ（Ｍａｇｎｅｔｏ－Ｏｐｔｉｃａｌ　ｄｉｓｋ）などの光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリなどである。
　たとえば、コンピュータ１０００が実施形態にかかる情報処理装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされた情報処理プログラムを実行することにより、前述した各部の機能を実現する。また、ＨＤＤ１４００には、本開示にかかる情報処理プログラム、各種モデルおよび各種データが格納される。なお、ＣＰＵ１１００は、プログラムデータ１４５０をＨＤＤ１４００から読み取って実行するが、他の例として、外部ネットワーク１５５０を介して、他の装置からこれらのプログラムを取得してもよい。
［８．効果］
　情報処理装置１０は、培養前情報取得部５１、患者情報取得部５２および推論器選択部１３を有する。培養前情報取得部５１は、培養前の検体の細胞状態に関する培養前情報を取得する。患者情報取得部５２は、検体の提供者に関する患者情報を取得する。推論器選択部１３は、培養前情報および患者情報に基づいて、複数の推論器１９から、検体の培養結果を推論すべき最適な推論器１９を本番推論器として選択する。本開示の情報処理方法は、情報処理装置１０の処理がコンピュータ１０００により実行される。本開示のプログラムは、情報処理装置１０の処理をコンピュータ１０００に実現させる。
　この構成によれば、培養前の検体の初期情報（培養前情報、患者情報）に基づいて、培養結果が精度よく推論される。
　情報処理装置１０は、学習履歴保持部１６を有する。学習履歴保持部１６は、過去サンプルごとにサンプルデータを記憶する。サンプルデータは、過去サンプルの培養前情報、患者情報、培養結果、培養結果の推論を行った推論器、および、培養結果に対する推論の精度を含む。推論器選択部１３は、培養前情報及び／又は患者情報が検体と類似する１以上のサンプルデータを検索する。推論器選択部１３は、検索された１以上のサンプルデータに紐づけられた１以上の推論器１９のうち、培養結果に対する推論の精度が最も高い推論器１９を本番推論器として選択する。
　この構成によれば、過去の推論精度のデータに基づいて適切な本番推論器が選択される。
　複数の推論器１９は、培養前情報、患者情報および培養条件を入力とし、培養結果を出力とする、学習アルゴリズムが異なる複数の学習済みＡＩを含む。
　この構成によれば、学習アルゴリズムにバリエーションを持たせることで、様々な状況に対して高い推論精度が得られるようになる。
　情報処理装置１０は、再学習部１５を有する。再学習部１５は、学習履歴保持部１６に新たに登録された複数のサンプルデータから、同一の推論器１９に紐づけられた１以上の特定サンプルデータを抽出する。再学習部は、抽出された１以上の特定サンプルデータを用いて、１以上の特定サンプルデータに紐づけられた推論器１９の再学習を行う。
　この構成によれば、学習アルゴリズムにマッチした培養状況について再学習が行われやすくなる。再学習を繰り返すことにより、推論器１９ごとに得意な培養状況が生じるようになり、各推論器１９はそれぞれ異なる培養状況に特化した推論器１９に成長する。
　学習履歴保持部１６は、培養結果として複数の計測情報を記憶する。推論器選択部１３は、複数の計測情報のうち、ユーザ入力情報に基づいて優先された計測情報に対する推論の精度が最も高い推論器１９を本番推論器として選択する。
　この構成によれば、注目する培養結果について高い推論精度が得られる。
　培養前情報は、ＲＮＡ発現量、細胞の種類、細胞構成または細胞形態に関する情報を含む。患者情報は、検体の提供者の年齢、性別、血液型、人種、生活習慣、罹患している疾患、投与された薬、または、過去の通院履歴に関する情報を含む。
　この構成によれば、検体に内在する特徴を推定結果に適切に反映させることができる。
　培養結果は、検体の培養後の細胞数、純度、増殖率、細胞構成または生存率に関する情報を含む。
　この構成によれば、従来よりも精度の高い細胞構成等の情報が得られる。
　なお、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、また他の効果があってもよい。
［付記］
　なお、本技術は以下のような構成も採ることができる。
（１）
　培養前の検体の細胞状態に関する培養前情報を取得する培養前情報取得部と、
　前記検体の提供者に関する患者情報を取得する患者情報取得部と、
　前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する推論器選択部と、
　を有する情報処理装置。
（２）
　過去サンプルごとに、前記培養前情報、前記患者情報、前記培養結果、前記培養結果の推論を行った推論器、および、前記培養結果に対する推論の精度を含むサンプルデータを記憶した学習履歴保持部を有し、
　前記推論器選択部は、前記培養前情報及び／又は前記患者情報が前記検体と類似する１以上のサンプルデータを検索し、前記１以上のサンプルデータに紐づけられた１以上の推論器のうち、前記培養結果に対する推論の精度が最も高い推論器を前記本番推論器として選択する、
　上記（１）に記載の情報処理装置。
（３）
　前記複数の推論器は、前記培養前情報、前記患者情報および培養条件を入力とし、前記培養結果を出力とする、学習アルゴリズムが異なる複数の学習済みＡＩを含む、
　上記（２）に記載の情報処理装置。
（４）
　前記学習履歴保持部に新たに登録された複数のサンプルデータから、同一の推論器に紐づけられた１以上の特定サンプルデータを抽出し、抽出された前記１以上の特定サンプルデータを用いて、前記１以上の特定サンプルデータに紐づけられた前記推論器の再学習を行う再学習部を有する、
　上記（３）に記載の情報処理装置。
（５）
　前記学習履歴保持部は、前記培養結果として複数の計測情報を記憶し、
　前記推論器選択部は、前記複数の計測情報のうち、ユーザ入力情報に基づいて優先された計測情報に対する推論の精度が最も高い推論器を前記本番推論器として選択する、
　上記（２）ないし（４）のいずれか１つに記載の情報処理装置。
（６）
　前記培養前情報は、ＲＮＡ発現量、細胞の種類、細胞構成または細胞形態に関する情報を含む、
　上記（１）ないし（５）のいずれか１つに記載の情報処理装置。
（７）
　前記患者情報は、前記提供者の年齢、性別、血液型、人種、生活習慣、罹患している疾患、投与された薬、または、過去の通院履歴に関する情報を含む、
　上記（１）ないし（６）のいずれか１つに記載の情報処理装置。
（８）
　前記培養結果は、前記検体の培養後の細胞数、純度、増殖率、細胞構成または生存率に関する情報を含む、
　上記（１）ないし（７）のいずれか１つに記載の情報処理装置。
（９）
　培養前の検体の細胞状態に関する培養前情報を取得し、
　前記検体の提供者に関する患者情報を取得し、
　前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する、
　ことを有する、コンピュータにより実行される情報処理方法。
（１０）
　培養前の過去サンプルの細胞状態に関する培養前情報、前記過去サンプルの提供者である患者の患者情報および前記過去サンプルの培養条件を入力データとし、前記過去サンプルの培養結果を正解データとして、前記培養結果の推論を行う推論器の学習を行う、
　ことを有する、コンピュータにより実行される情報処理方法。
（１１）
　培養前の検体の細胞状態に関する培養前情報を取得し、
　前記検体の提供者に関する患者情報を取得し、
　前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する、
　ことをコンピュータに実現させるプログラム。
１０　情報処理装置
１３　推論器選択部
１５　再学習部
１６　学習履歴保持部
１９　推論器
５１　培養前情報取得部
５２　患者情報取得部

Claims (11)

  1. 　培養前の検体の細胞状態に関する培養前情報を取得する培養前情報取得部と、
    　前記検体の提供者に関する患者情報を取得する患者情報取得部と、
    　前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する推論器選択部と、
    　を有する情報処理装置。
  2. 　過去サンプルごとに、前記培養前情報、前記患者情報、前記培養結果、前記培養結果の推論を行った推論器、および、前記培養結果に対する推論の精度を含むサンプルデータを記憶した学習履歴保持部を有し、
    　前記推論器選択部は、前記培養前情報及び／又は前記患者情報が前記検体と類似する１以上のサンプルデータを検索し、前記１以上のサンプルデータに紐づけられた１以上の推論器のうち、前記培養結果に対する推論の精度が最も高い推論器を前記本番推論器として選択する、
    　請求項１に記載の情報処理装置。
  3. 　前記複数の推論器は、前記培養前情報、前記患者情報および培養条件を入力とし、前記培養結果を出力とする、学習アルゴリズムが異なる複数の学習済みＡＩを含む、
    　請求項２に記載の情報処理装置。
  4. 　前記学習履歴保持部に新たに登録された複数のサンプルデータから、同一の推論器に紐づけられた１以上の特定サンプルデータを抽出し、抽出された前記１以上の特定サンプルデータを用いて、前記１以上の特定サンプルデータに紐づけられた前記推論器の再学習を行う再学習部を有する、
    　請求項３に記載の情報処理装置。
  5. 　前記学習履歴保持部は、前記培養結果として複数の計測情報を記憶し、
    　前記推論器選択部は、前記複数の計測情報のうち、ユーザ入力情報に基づいて優先された計測情報に対する推論の精度が最も高い推論器を前記本番推論器として選択する、
    　請求項２に記載の情報処理装置。
  6. 　前記培養前情報は、ＲＮＡ発現量、細胞の種類、細胞構成または細胞形態に関する情報を含む、
    　請求項１に記載の情報処理装置。
  7. 　前記患者情報は、前記提供者の年齢、性別、血液型、人種、生活習慣、罹患している疾患、投与された薬、または、過去の通院履歴に関する情報を含む、
    　請求項１に記載の情報処理装置。
  8. 　前記培養結果は、前記検体の培養後の細胞数、純度、増殖率、細胞構成または生存率に関する情報を含む、
    　請求項１に記載の情報処理装置。
  9. 　培養前の検体の細胞状態に関する培養前情報を取得し、
    　前記検体の提供者に関する患者情報を取得し、
    　前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する、
    　ことを有する、コンピュータにより実行される情報処理方法。
  10. 　培養前の過去サンプルの細胞状態に関する培養前情報、前記過去サンプルの提供者である患者の患者情報および前記過去サンプルの培養条件を入力データとし、前記過去サンプルの培養結果を正解データとして、前記培養結果の推論を行う推論器の学習を行う、
    　ことを有する、コンピュータにより実行される情報処理方法。
  11. 　培養前の検体の細胞状態に関する培養前情報を取得し、
    　前記検体の提供者に関する患者情報を取得し、
    　前記培養前情報および前記患者情報に基づいて、複数の推論器から、前記検体の培養結果を推論すべき最適な推論器を本番推論器として選択する、
    　ことをコンピュータに実現させるプログラム。
PCT/JP2023/007939 2022-03-31 2023-03-03 情報処理装置、情報処理方法およびプログラム WO2023189194A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022059429 2022-03-31
JP2022-059429 2022-03-31

Publications (1)

Publication Number Publication Date
WO2023189194A1 true WO2023189194A1 (ja) 2023-10-05

Family

ID=88201185

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/007939 WO2023189194A1 (ja) 2022-03-31 2023-03-03 情報処理装置、情報処理方法およびプログラム

Country Status (1)

Country Link
WO (1) WO2023189194A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020039683A1 (ja) * 2018-08-22 2020-02-27 富士フイルム株式会社 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法
WO2021177142A1 (ja) * 2020-03-05 2021-09-10 ネクスジェン株式会社 生殖補助医療を支援するための、システム、情報処理装置、サーバ、端末、プログラム、又は方法
JP2021526864A (ja) * 2018-06-13 2021-10-11 パターン バイオサイエンス インコーポレイテッド 限局された容量のアレイを使用する、サンプルの細胞表現型評価のための組成物および方法
JP2021163424A (ja) * 2020-04-03 2021-10-11 Jcc株式会社 Ａｉシステム開発シミュレータ及びハイパーパラメータ最適化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021526864A (ja) * 2018-06-13 2021-10-11 パターン バイオサイエンス インコーポレイテッド 限局された容量のアレイを使用する、サンプルの細胞表現型評価のための組成物および方法
WO2020039683A1 (ja) * 2018-08-22 2020-02-27 富士フイルム株式会社 細胞培養支援装置の作動プログラム、細胞培養支援装置、細胞培養支援装置の作動方法
WO2021177142A1 (ja) * 2020-03-05 2021-09-10 ネクスジェン株式会社 生殖補助医療を支援するための、システム、情報処理装置、サーバ、端末、プログラム、又は方法
JP2021163424A (ja) * 2020-04-03 2021-10-11 Jcc株式会社 Ａｉシステム開発シミュレータ及びハイパーパラメータ最適化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ODEH‐COUVERTIER VALERIE Y., DWARSHUIS NATHAN J., COLONNA MAXWELL B., LEVINE BRUCE L., EDISON ARTHUR S., KOTANCHEK THERESA, ROY KRI: "Predicting T‐cell quality during manufacturing through an artificial intelligence‐based integrative multiomics analytical platform", BIOENGINEERING & TRANSLATIONAL MEDICINE, vol. 7, no. 2, 1 May 2022 (2022-05-01), pages e10282, XP093094353, ISSN: 2380-6761, DOI: 10.1002/btm2.10282 *

Similar Documents

Publication Publication Date Title
US8143600B2 (en) 3D imaging of live cells with ultraviolet radiation
Schie et al. High-throughput screening Raman spectroscopy platform for label-free cellomics
EP2558870B1 (en) System and method for rapid determination of a medical condition
JP7009071B2 (ja) フローサイトメータ及び粒子の検出方法
Pilát et al. Microfluidic cultivation and laser tweezers Raman spectroscopy of E. coli under antibiotic stress
CN106323876A (zh) 样品使用最大化的***和方法
Park et al. Single cell analysis of stored red blood cells using ultra-high throughput holographic cytometry
EP1360488A1 (en) Spatially resolved enzyme-linked assay
Johnson et al. Large extracellular vesicles can be characterised by multiplex labelling using imaging flow cytometry
WO2023189194A1 (ja) 情報処理装置、情報処理方法およびプログラム
EP4299712A1 (en) Cell processing system, cell processing method, and learning data creation method
EP4160209A1 (en) Information processing device, biological sample analysis method, biological sample detection device, and biological sample detection system
EP4307311A1 (en) Information processing system and information processing method
CN212800383U (zh) 一种快速检测***
CN112410206A (zh) 一种快速检测***及方法
WO2023189281A1 (ja) 情報処理装置、情報処理方法、細胞培養システム、及びプログラム
Liao et al. A scaling law governing branching morphogenesis in neuronal dendrites
AU2015210340B2 (en) A System for 3D Imaging of Live Cells in an Optical Tomography System
Ježek et al. Laser tweezers Raman spectroscopy of E. coli under antibiotic stress in microfluidic chips
Park et al. Characterizing stored red blood cells using ultra-high throughput holographic cytometry
Schütze et al. Label-free cell analysis and fast bacteria detection using Raman-trapping-microscopy
Gadkari et al. hcHCR: High-Throughput Single-Cell Imaging of RNA in Human Primary Immune Cells
JP6202893B2 (ja) 細胞の標的タンパク質の発現量の評価方法

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: 23779223

Country of ref document: EP

Kind code of ref document: A1