智能qPCR制造技术

公开了本发明专利技术的实施例，其使用人工神经网络实施深度学习方法以提供关于特定样本是否包括靶分子的改进的自动预测。在一些实施例中，使用卷积神经网络。在一些实施例中，使用类别加权误差确定来训练人工神经网络。在本文中公开了这些和其他实施例。公开了这些和其他实施例。公开了这些和其他实施例。

【技术实现步骤摘要】
【国外来华专利技术】智能qPCR
[0001]相关申请的交叉引用
[0002]本申请要求2020年6月15日提交的美国临时专利申请第63/039,307号的优先权的权益。本文所讨论的这种和所有其他外在材料通过引用以其整体并入。

技术介绍

[0003]本公开总体上涉及用于确定靶标是否存在于生物样本中的技术。
[0004]从实时(也被称为定量)聚合酶链式反应(qPCR)实验获得的扩增曲线可以用于确定靶标是否存在于生物样本(例如，血液或食物样本)中。在典型的qPCR实验中，在实验的每个热循环之后测量样本的荧光。与特定样本相关联的荧光值相对于循环数的图形成了该样本的扩增曲线。传统上，算法分析和/或人工审查扩增曲线，并切基于对曲线的特征的视觉或其他分析，确定相关样本被扩增，这反过来表明靶分子存在于样本中。确定相关样本已被扩增的典型算法技术涉及确定相关联的扩增曲线是否已越过阈值，该阈值是固定的或基于扩增曲线的特征计算的。如果越过阈值，则确定曲线被扩增；如果未越过阈值，则确定曲线未被扩增。

技术实现思路

[0005]扩增的自动确定对于提高样本分析的通量非常重要，这反过来可以推进科学研究并改善时间敏感的临床重要信息的提供。现有的自动确定扩增的方法已经依赖于技术和参数的组合来提高准确性。然而，需要更好的准确性。本专利技术的实施例使用人工神经网络实施深度学习方法以提供关于特定样本是否包括靶分子的改进的自动预测。
附图说明
[0006]图1示出了根据本专利技术的实施例的系统；
[0007]图2示出了当由一个或多个计算机处理器执行时由图1的实施例的计算机程序产品实施的人工神经网络。
[0008]图3示出了图2所示的预处理块的另外的细节。
[0009]图4是示出了根据本专利技术的实施例的训练神经网络的方法的流程图。
[0010]虽然参考以上图式描述本专利技术，但所述图式旨在为说明性的，并且其他实施例与本专利技术的精神一致，且在本专利技术的范围内。
具体实施方式
[0011]现将参看随附图式在下文更充分描述各种实施例，所述随附图式形成本专利技术的一部分且作为说明展示实践实施例的具体实例。然而，本说明书可以许多不同的形式得到实施，并且不应被解释为限于本文中阐述的实施例；更确切些，提供这些实施例是为了使本说明书将是透彻且完整的，并且这些实施例将把本专利技术的范围完整地传达给本领域技术人员。此外，本说明书可以体现为方法或装置。因此，本文中的各种实施例中的任一个可采取
完全硬件实施例、完全软件实施例或组合软件和硬件方面的实施例的形式。因此，以下说明书不应被视为具有限制意义。
[0012]图1示出了根据本专利技术的示例性实施例的系统1000。系统1000包括聚合酶链式反应(“PCR”)仪器101、一个或多个计算机103和用户装置107。
[0013]用于实施人工神经网络102的指令驻留在存储在存储设备105中的计算机程序产品104中，并且这些指令可由处理器106执行。当处理器106正在执行计算机程序产品104的指令时，所述指令或其一部分通常被加载到工作存储器109中，处理器106可以容易地从所述工作存储器访问所述指令。在所示出的实施例中，计算机程序产品104被存储在存储设备105或另一非暂时性计算机可读介质中(其可以包含跨不同装置和不同位置上的介质分布)。在替代性实施例中，存储介质是暂时性的。
[0014]在一个实施例中，处理器106实际上包括多个处理器，所述多个处理器可以包括另外的工作存储器(另外的处理器和存储器未单独展示)，包含图形处理单元(GPU)，所述GPU包括支持大规模并行计算的至少数千个算术逻辑单元。GPU通常用于深度学习应用程序，因为GPU可以比典型的通用处理器(CPU)更有效地执行相关处理任务。其他实施例包括一个或多个专用处理单元，所述专用处理单元包含脉动阵列和/或支持高效并行处理的其他硬件布置。在一些实施例中，此类专用硬件与CPU和/或GPU一起工作以执行本文所描述的各种处理。在一些实施例中，此类专用硬件包括专用集成电路等(其可以指专用的集成电路的一部分)、现场可编程门阵列等或其组合。然而，在一些实施例中，如处理器106等处理器可以实施为一个或多个通用处理器(优选地具有多个核)，而不必背离本专利技术的精神和范围。
[0015]用户装置107包含用于显示由神经网络102执行的处理结果的显示器108。在可替代的实施例中，诸如神经网络102的神经网络或其一部分可以存储在存储装置中并由驻留在PCR仪器101和/或用户装置107上的一个或多个处理器执行。此类替代方案不脱离本专利技术的范围。
[0016]图2示出了通过执行存储在图1的实施例的计算机程序产品中的指令实施的神经网络102的一个实施例的细节。为了概括所示的实施例，神经网络102主要是卷积神经网络。一般来说，正如本文所描述的，卷积神经网络具有至少一个卷积层，但除了卷积层之外，通常还具有其他类型的层(例如多层感知器MLP层)。神经网络102的输入对应于分析的样本的扩增曲线。具体地，它们是对应于在PCR实验的每个热循环之后测量的荧光的归一化的荧光值，通常被称为扩增曲线。在所示的实施例中，输入还包含该曲线在每个相同点处的一阶、二阶和三阶导数值。在可替代的实施例中，可以使用高阶导数和低阶导数的不同组合。在一个可替代的实施例中，输入包含扩增曲线的一阶、二阶、三阶和四阶导数值。
[0017]在所示出的实施例中，神经网络的三个输出包括：(1)样本被扩增(存在感兴趣的序列)的概率；(2)从数据中样本扩增不确定的概率(不确定是否存在感兴趣的序列)；(3)样本未扩增的概率(不存在感兴趣的序列)。
[0018]在卷积神经网络中，卷积层的输入与一个或多个“滤波器”进行卷积，每个滤波器包括值的阵列(一维或多维)。卷积可以被理解为将滤波器值移动到一起并在输入上逐步移动的过程，并且在每一步，在输入的相关部分和滤波器之间执行Hadamard乘积，其是值的逐元素乘法。每一步的Hadamard乘积的输出相加以产生单个值，该值成为输出阵列的一部分。这通常被称为“特征图”。随着滤波器在阵列上逐步移动，特征图被逐个值地填充。一个或多
个特征图是卷积层的卷积操作的输出。这些特征图可以被输入到非线性激活函数，如例如整流线性单元(“ReLU”)函数，其输出可以被馈送到神经网络的下一层中。
[0019]继续更详细地描述所示出的实施例，神经网络102包括预处理块220、输入层210、隐藏层230和输出层250。预处理块220通常接收40个输入，输入C1
‑
C40，其对应于在40个循环的PCR实验的每个循环之后检测到的荧光值(即，输入C1
‑
C40对应于由PCR实验处理的样本的扩增曲线)。实际上可能存在多达60个输入循环。在下面进一步讨论的可替代的实施例中，由使用多于或少于40个循环的PCR实验产生的扩增曲线可以由使用各种技术的所示出的实施例处理。在不失一般性的情况下，我们将以40个循环输入情况为基础进行我们的描述。预处理块220归一化扩增曲线值本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机程序产品，其包括存储在非暂时性计算机可读介质中的可执行代码，所述可执行代码能够在一个或多个计算机处理器上执行，以实施用于处理定量聚合酶链式反应(qPCR)仪器的输出的人工神经网络，所述qPCR仪器被配置为从使用所述qPCR仪器进行的一个或多个qPCR测定生成扩增数据，所述人工神经网络包括：输入层，所述输入层被配置为接收从扩增数据获得的输入数据，所述扩增数据对应于在所述qPCR仪器的多个热循环的每个循环之后测量的荧光值；多个隐藏层，所述隐藏层包括一个或多个卷积层；和输出层，其中：所述人工神经网络被配置为使用对应于由所述qPCR仪器处理的特定生物样本的输入数据来确定从所述生物样本的多个可能的扩增分类中选择的扩增分类。2.根据权利要求1所述的计算机程序产品，其中所述输入数据包括在多个循环中的每一个循环处的归一化的荧光值和拟合到所述扩增数据的曲线的一个或多个导数值。3.根据权利要求2所述的计算机程序产品，其中拟合到所述扩增数据的所述曲线是拟合到所述归一化的荧光值的曲线。4.根据权利要求2所述的计算机程序产品，其中所述一个或多个导数值包括至少三个导数值。5.根据权利要求2所述的计算机程序产品，其中所述一个或多个导数值包括至少四个导数值。6.根据权利要求1至5中任一项所述的计算机程序产品，其中所述多个隐藏层包括一个或多个可分离的卷积层。7.根据权利要求1至5中任一项所述的计算机程序产品，其中所述多个隐藏层包括一个或多个可分离的卷积层和一个或多个正常的卷积层。8.根据权利要求1所述的计算机程序产品，其中所述多个隐藏层进一步包括多个完全连接的层。9.根据权利要求1至7中任一项所述的计算机程序产品，其中所述多个隐藏层包括汇集层但不包括任何完全连接的层。10.根据权利要求1至9中任一项所述的计算机程序产品，其中所述多个可能的扩增分类包括扩增的、未扩增的和不确定的。11.根据权利要求1至10中任一项所述的计算机程序产品，其中所述可能的扩增分类中的每一个的扩增分类被表示为概率。12.一种训练人工神经网络以处理定量聚合酶链式反应(qPCR)仪器的输出的方法，所述qPCR仪器被配置为从使用所述qPCR仪器进行的一个或多个qPCR测定生成扩增数据，所述人工神经网络被处理以使用所述扩增数据来使用多个分类对对应于所述扩增数据的扩增结果进行分类，所述方法包括：向所述人工神经网络提供从对训练样本进行qPCR而获得的训练扩增数据；为所述多个分类中的每一个确定类别权重，其中所述类别权重对应于属于所述多个分类中的每个分类的训练样本的一部分；使用所述类别权重来获得对应于由所述人工神经网络针对特定训练样本做出的分类
...

【专利技术属性】
技术研发人员：W，
申请(专利权)人：生命技术公司，
类型：发明
国别省市：