用于在调谐质谱设备时选择参数值的方法、介质和系统技术方案

示例性实施方案提供了用于自动调谐质谱(MS)设备的方法、介质和系统。该MS设备可包括多个部件，该多个部件中的每个部件可与影响该部件的性能的可调节参数相关联。人工智能可确定被预测为在用该MS设备执行实验时降低数据可变性的参数的值。通过降低数据可变性，用该MS设备运行的实验更有可能可在不同装置上、在不同实验室中、由不同操作者以及在不同时间重复。复。复。

【技术实现步骤摘要】
【国外来华专利技术】用于在调谐质谱设备时选择参数值的方法、介质和系统
[0001]相关申请的交叉引用
[0002]本申请要求2021年3月15日提交的美国临时申请号63/161,092和2020年8月26日提交的名称为“METHODS,MEDIUMS,AND SYSTEMS FOR SELECTING VALUES FOR PARAMETERS WHEN TUNING A MASS SPECTROMETRY APPARATUS”的美国临时申请号63/070,582的权益，这些申请的全部公开内容以引用方式并入本文。

技术介绍

[0003]质谱(MS)和液相色谱
‑
质谱(LCMS)设备用于分析化学样品以研究样品的特性、质量或结构。非常希望即使在不同实验室中、由不同操作者、在不同机器上和/或在不同时间进行测试，对相同样品的分析也产生相同结果。
[0004]然而，MS装置是由许多不同部件构成的高度复杂的仪器。可调节每个部件来影响仪器的性能。由于可调节的变量的绝对数量以及这些变量的相互依赖性，非专家人员很难成功地调谐仪器。例如，调节可以是相互依赖的，使得应当结合对一个部件的相应调节来进行对另一个部件的调节。此外，对于任何给定部件，都没有客观的“最佳”设置，因为差的强度或分辨率可能会受到部件的老化、清洁度或甚至温度的影响。更进一步地，随着机器变得更精确，需要甚至更精确的调谐。因此，调谐MS仪器可以是通常由专家执行的高度主观的过程。
[0005]因为非常难以调谐MS仪器，所以能够进行这些调节的专家非常抢手。并且因为调谐在某种程度上是一种艺术形式，所以不同的专家可以不同方式调谐相同的MS仪器。因此，调谐过程是数据可变性的主要原因。

技术实现思路

[0006]根据第一实施方案，调谐系统可访问一组参数。每个参数可与质谱(MS)设备的部件相关联，并且可在数据收集过程期间控制该部件的操作。该组参数可共同形成搜索空间。
[0007]可使用人工智能(AI)来搜索搜索空间，该人工智能被配置为选择被预测为在数据收集过程期间降低数据可变性的参数的一组值。数据可变性可指实验在给定相同输入的情况下产生不同输出的趋势。当在不同环境条件下测试输入时，或者当实验设备随时间表现出不同性质时，可能出现数据可变性。
[0008]由AI选择的参数的值可被传输到MS设备。在MS设备应用这些值并分析参考材料之后，调谐系统可接收分析的结果。基于这些结果，调谐系统可确定所选择的值实际上是否降低数据可变性，并且基于该确定，可更新由人工智能应用来选择参数的该组值的模型。
[0009]因为AI被专门配置为搜索降低数据可变性的参数组合(而不是例如优化MS设备总体上或相对于特定样品的性能)，所以MS设备的用户可确信实验将可跨不同操作者、不同实验室、不同仪器和不同时间重复。例如，如果MS设备被设置为确定样品是否包括针对给定疾病或病症的标记，则重要的是，分析的结果不取决于哪个机器被用于运行分析或者哪个操作者正在运行该机器。优选地，分析中唯一的可变性应来自被分析的样品。换句话说，在两
个不同机器上、在两个不同时间、由两个不同操作者分析的相同样品仍然应产生相同的谱。否则，可能难以确定是否出现两个不同结果，因为一个样品具有疾病标记而另一个样品没有疾病标记，或者因为使用了不同机器来分析样品。
[0010]在其他实施方案中，AI可被配置为搜索针对强度、分辨率、稳定性或某一其他目标进行优化的参数。
[0011]根据第二实施方案，人工智能可被配置为基于结果的再现性或运行MS设备的结果的稳定性中的一者或多者来选择参数的值。当在不同时间、不同仪器中、不同实验室中或由不同操作者分析相同样品并产生基本上类似的结果时，可指示改善的再现性。当对该组参数的相对较小的改变基本上不降低结果的质量时，可指示结果的稳定性；因为实验设备将具有因实验而略微变化的趋势，改善稳定性意味着结果将不太可能通过这些自然波动而显著改变。这两个指标(再现性和稳定性)提供了测量数据可变性的直接方式。
[0012]根据第三实施方案，人工智能可被配置为基于来自MS设备的数据中的数据分辨率、数据强度或峰形中的一者或多者来选择参数的值。分辨率是指数据中的峰被精细地分辨的程度。当峰未被精细分辨时，不清楚数据中的给定峰是否天然地相当宽，或者峰是否由多个重叠峰组成。强度是指峰有多高。更大强度指示来自MS设备的强信号(因此指示更低信噪比)。峰形是指峰对称的程度，而不是在一个方向上具有尾部。因为峰下面的面积将被积分以识别与峰相关联的物质的量，所以具有长尾部的峰可能是有问题的，因为它们更可能与其他峰重叠(因此使基础物质的测量结果偏移)。本专利技术人已经认识到，这些指标提供了测量数据是否更加可再现和更少变化的间接方式。
[0013]根据第四实施方案，人工智能可被配置为选择被预测为跨不同样品产生改善结果的参数的值。因此，MS设备可被调谐成通用，并且不用太担心该设备将被调谐成对于特定样品取得特别好的结果而对于其他样品取得更差的结果。因为MS设备可用于在长时间内分析许多样品，所以针对一般性能进行调谐而不管被分析的样品如何可允许较不频繁地调谐装置，从而提供可测试样品的更多正常运行时间。
[0014]根据第五实施方案，人工智能可被配置为基于要由MS设备分析的特定样品来选择参数的值。特别是当AI应用试探法来允许高效地搜索搜索空间时，可能可相对快速地在逐个样品的基础上调谐机器。这具有以下优点：以在调谐上花费更多时间(因此具有更少正常运行时间用于样品分析)为折衷来产生更好的总体性能。一般而言，AI可被配置为在结果的再现性、性能和速度之间达到用户指定的平衡。
[0015]根据第六实施方案，人工智能可被配置为限定每个参数的概率分布，并且基于该概率分布来对参数的值进行采样。概率分布可描述相应参数的值的范围以及所选择的值优化数据可变性的可能性。以这种方式使用概率分布提供了几个优点。例如，概率分布允许以基于实验数据、建模、研究和专家意见描述对哪些参数影响数据可变性的当前理解的先验的形式将专门知识注入到系统中。这允许更高效地搜索搜索空间。此外，通过在搜索期间采样时调节概率分布的标准偏差，可更宽地(在更大的可能参数值范围内)或更窄地(在更集中于最可能产生最佳结果的解的有限范围内)引导搜索。因此，系统可在探索搜索空间以识别潜在的意外结果与利用搜索空间的已被识别为解的最佳竞争者的目标区域之间进行调节。
[0016]根据第七实施方案，调谐系统可限定并应用被配置为基于参数之间的关系来限制
搜索空间的样品生成模型或试探法，诸如协方差矩阵。该模型/试探法可限定将一个参数与另一个参数相联系的限制、公式、关系等。例如，如果已知某个变量不能取大于另一个变量的值的两倍的值，则模型/试探法可将这两个参数捆绑在一起，使得在不将一个参数保持在可接受范围内的情况下不能调节另一个参数。这允许排除考虑搜索空间的某些部分(因为在那些区域中选择参数配置将违反在模型/试探法中设定的约束)，因此允许更快速且高效地执行搜索。
[0017]根据第八实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种计算机实现的方法，包括：访问一组参数，每个参数与质谱(MS)设备的部件相关联并且在数据收集过程期间控制所述部件的操作，所述一组参数共同形成搜索空间；使用人工智能来搜索所述搜索空间，所述人工智能被配置为选择被预测为在所述数据收集过程期间降低数据可变性的所述参数的一组值；将所述参数的所选择的值传输到所述MS设备；接收用所述参数的所选择的值来运行所述MS设备的结果；基于所述结果，确定所述参数的所述值是否降低数据可变性；以及基于所述确定，更新由所述人工智能应用来选择所述参数的所述一组值的模型。2.根据权利要求1所述的计算机实现的方法，其中所述人工智能被配置为基于以下项中的一项或多项来选择所述参数的所述值：所述结果的再现性，其中当在不同时间、不同仪器中、不同实验室中或由不同操作者分析相同样品并产生基本上类似的结果时，指示改善的再现性；或运行所述MS设备的所述结果的稳定性，其中当对所述一组参数的相对较小的改变基本上不降低所述结果的质量时，指示改善的稳定性。3.根据权利要求1所述的计算机实现的方法，其中所述人工智能被配置为基于来自所述MS设备的数据中的数据分辨率、数据强度或峰形中的一者或多者来选择所述参数的所述值。4.根据权利要求1所述的计算机实现的方法，其中所述人工智能被配置为选择被预测为跨不同样品产生改善结果的所述参数的值。5.根据权利要求1所述的计算机实现的方法，其中所述人工智能被配置为基于要由所述MS设备分析的特定样品来选择所述参数的值。6.根据权利要求1所述的计算机实现的方法，其中所述人工智能被配置为：限定每个参数的概率分布，所述概率分布描述了相应参数的值的范围以及所选择的值优化所述数据可变性的可能性；以及基于所述概率分布来对所述参数的值进行采样。7.根据权利要求1所述的计算机实现的方法，还包括限定协方差矩阵，所述协方差矩阵被配置为基于所述参数之间的关系来限制所述搜索空间。8.根据权利要求1所述的计算机实现的方法，其中所述MS设备是多个MS设备中的一个MS设备，并且所述MS设备的参数被作为一组进行调谐以降低跨所述组的数据可变性。9.根据权利要求8所述的计算机实现的方法，其中所述多个MS设备中的第一MS设备胜过所述多个MS设备中的其余MS设备，并且选择用于所述第一MS设备的所述参数以降低所述第一MS设备的性能。10.根据权利要求1所述的计算机实现的方法，其中所述人工智能应用进化算法，所述进化算法被配置为：限定第一代参数配置；限定所述参数配置中的复制技术；限定所述参数配置中的突变技术；以及应用所述复制技术和所述突变技术来创建第二代参数配置。
11.根据权利要求10所述的计算机实现的方法，其中应用所述复制技术包括确定所述参数中彼此相关的两个或更多个参数，并且将所述相关参数作为一组进行交换。12.根据权利要求10所述的计算机实现的方法，其中使用一个或多个先验来执行确定所述第一代参数配置。13.根据权利要求1所述的计算机实现的方法，其中所述人工智能应用贝叶斯优化或强化学习。14.根据权利要求1所述的计算机实现的方法，其中所述人工智能应用协方差矩阵自适应(CMA)算法。15.根据权利要求1所述的计算机实现的方法，还包括呈现用户界面，所述用户界面被配置为显示以下项中的一项或多项：哪些参数配置已被确定以降低数据可变性或所述参数中的两个或更多个参数之间的关系。16.一种非暂态计算机可读存储介质，所述计算机可读存储介质包括指令，所述指令当由计算机执行时，使得所述计算机：访问一组参数，每个参数与质谱(MS)设备的部件相关联并且在数据收集过程期间控制所述部件的操作，所述一组参数共同形成搜索空间；使用人工智能来搜索所述搜索空间，所述人工智能被配置为选择被预测为在所述数据收集过程期间降低数据可变性的所述参数的一组值；将所述参数的所选择的值传输到所述MS设备；接收用所述参数的所选择的值来运行所述MS设备的结果；基于所述结果，确定所述参数的所述值是否降低数据可变性；以及基于所述确定，更新由所述人工智能应用来选择所述参数的所述一组值的模型。17.根据权利要求16所述的计算机可读存储介质，其中所述人工智能被配置为基于以下项中的一项或多项来选择所述参数的所述值：所述结果的再现性，其中当在不同时间、不同仪器中、不同实验室中或由不同操作者分析相同样品并产生基本上类似的结果时，指示改善的再现性；或运行所述MS设备的所述结果的稳定性，其中当对所述一组参数的相对较小的改变基本上不降低所述结果的质量时，指示改善的稳定性。18.根据权利要求16所述的计算机可读存储介质，其中所述人工智能被配置为基于来自所述MS设备的数据中的数据分辨率、数据强度或峰形中的一者或多者来选择所述参数的所述值。19.根据权利要求16所述的计算机可读存储介质，其中所述人工智能被配置为选择被预测为跨不同样品产生改善结果的所述参数的值。20.根据权利要求16所述的计算机可读存储介质，其中所述人工智能被配置为基于要由所述MS设备分析的特定样品来选择所述参数的值。21.根据权利要求16所述的计算机可读存储介质，其中所述人工智能被配置为：限定每...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：沃特世科技爱尔兰有限公司，
类型：发明
国别省市：