【技术实现步骤摘要】
【国外来华专利技术】
技术介绍
1、本公开涉及用于执行基于细胞的功能性病毒计数测定的方法和系统，更具体地，涉及一种允许在比通常更短的时间内完成这种测定的方法和系统。
2、病毒(如活性病毒)的功能以多种方式进行测量。最广泛使用的方法是标准空斑测定法，该方法于1953年首次提出。该测定通过感染和裂解靶细胞来测量病毒功能。该测定产生指示样本中功能性病毒或空斑形成单位数量的空斑滴度(浓度)。基本方法如图1所示。首先，细胞最初被铺板培养并生长至汇合。然后，将未知浓度(滴度)的病毒样品连续稀释并加入到含有细胞的平板(通常为petri型培养皿或平板的形式)中。接下来，2至14天后对细胞单层进行染色，以显示裂解区域(空斑)。最后，调整空斑数量以进行稀释，从而测定原始样本的病毒滴度。
3、其他功能性测定，如百分之五十组织培养物感染剂量(tcid50)，是空斑测定法的衍生方法。所有这些都涉及2至12天以上的病毒与细胞潜伏期，具体取决于用于测量功能感染性的病毒和细胞。
4、如表1所示，不同病毒的功能性和非功能性病毒颗粒总数与空斑形成单位(pfu)的比值存在很大差异。感染性滴度或感染性颗粒计数和总颗粒计数对于全面病毒表征至关重要。颗粒与pfu的比值可以在几个数量级之间变化。
5、表1
6、
7、
8、资料来源:http://www.virology.ws/2011/01/21/are-all-virus-particles-infectious/。
9、因此，对于商业应用(如疫
10、为了满足总颗粒计数的需求，已开发了更多现代技术来提供总颗粒计数，例如sartorius病毒计数器(sartorius’virus)产品、电子显微镜和许多间接方法中所体现的技术。对于其中一些技术，只需30分钟便可测量出这些计数。不幸的是，到目前为止，还没有图1的传统病毒空斑测定的快速替代方法。非常希望同时或基本上同时获得总颗粒和感染性颗粒计数。本公开提供了一种快速、自动化的基于图像的病毒空斑和效力测定，其以小时为单位而不是以天为单位提供空斑测定滴度，进而提供感染性颗粒计数。因此，本公开现在使得基本上同时获得总颗粒和传染性颗粒计数成为可能。
技术实现思路
1、在一个方面，本文描述了用于训练机器学习模型的方法，以从包含病毒群体的细胞培养物的图像或图像序列预测病毒滴度。在本文中，术语“机器学习模型”指的是基于期望的输入-输出对的先前示例，使用优化算法来学习和执行任务的计算系统。经训练的机器学习模型允许比在标准病毒空斑测定更早地进行病毒滴度的预测，例如，与现有技术中的许多天相比，在用病毒样品初始接种细胞培养物后6或8小时(或可能更短时间)内。训练机器学习模型的方法可以包括以下步骤：(1)在从开始时间t0到最终时间t最终的一个或多个时间点，从多个实验获得病毒处理的细胞培养物的多个图像形式的训练集，(2)对于每个实验，在时间t最终记录病毒处理的细胞培养物的至少一个数字病毒滴度读数，(以下称为“基本事实”)，(3)处理训练集中的所有图像以获得每个图像的数字表示，以及(4)训练一个或多个机器学习模型以对训练集数字表示做出最终病毒滴度的预测。
2、本文还描述了训练的一个或多个机器学习模型作为预测细胞培养物的病毒滴度的方法的应用，未知滴度的病毒样品已被添加到所述细胞培养物中。在该“应用”阶段，所述方法可以包括以下步骤：a)获得细胞培养物图像的时间序列，b)将在步骤a)中获得的图像的时间序列的数字表示提供给根据上一段训练的一个或多个机器学习模型，和c)用病毒滴度的一个或多个训练的机器学习模型进行预测。
3、在另一方面，提供了一种分析装置，所述分析装置被配置为容纳一个或多个含有细胞培养物和病毒样品的板。所述装置包括一个集成成像系统。所述容纳配置有机器学习模型，所述机器学习模型经训练以从由成像系统获得的细胞培养物图像的时间序列中的一张或多张图像做出所述细胞培养物中的病毒滴度的预测，其中所述预测在所述细胞培养物的病毒感染已进行至足够时间之前做出。例如，作为一个示例，可以在病毒感染开始后的4、6、10或15小时而不是几天进行预测。
4、在另一方面，所述分析装置可以进一步配置有执行训练模块的处理单元，所述训练模块使得装置的用户能够实施训练程序以创建新的训练的机器学习模型来进行病毒滴度预测。所述训练模块提供了设置说明，便于装置用户使用装置进行训练。所述训练方法可以包括以下步骤：(1)在从开始时间t0到最终时间t最终的一组时间点从多个实验获得多组病毒处理的细胞培养物图像形式的训练集，(2)对于每个实验，在时间t最终记录病毒处理的细胞培养物的至少一个数字病毒滴度读数，(3)处理训练集中的所有图像以获得每个图像的数字表示，以及(4)训练一个或多个机器学习模型以基于训练集中的数字表示做出最终病毒滴度的预测，其中训练包括使最终病毒滴度的模型预测和基本事实之间的误差最小化。
5、对于模型训练中的处理步骤(3)，可以使用几种不同的方法。在一个实施方案中，处理步骤(3)涉及通过卷积神经网络(cnn)传递图像，从而获得图像的中间数据表示。在另一个实施方案中，处理步骤(3)采用子步骤a)-c)的形式：a)从图像中分割单个细胞，b)逐个细胞的计算每个细胞的数字描述，以及c)汇总所有细胞的数字描述。
本文档来自技高网...【技术保护点】
1.一种用于训练机器学习模型以从包含病毒群体的细胞培养物的图像或图像序列预测病毒滴度的方法，包括以下步骤：
2.根据权利要求1所述的方法，其中所述病毒滴度读数包括感染性颗粒的数量或每单位体积的感染性颗粒的数量。
3.根据权利要求1所述的方法，其中所述病毒滴度读数包括组织培养感染剂量50％测定的读数。
4.根据权利要求1所述的方法，其中所述病毒滴度读数包括来自焦点形成测定的读数。
5.根据权利要求1所述的方法，其中所述病毒滴度读数包括感染性颗粒的数量或每单位体积感染性颗粒的数量与组织培养感染性剂量50％测定的组合。
6.根据权利要求1-5中任一项所述的方法，其中，所述训练集图像包括无标记光学显微镜图像。
7.根据权利要求1-5中任一项所述的方法，其中所述训练集图像包括用荧光标记物标记的细胞培养物的荧光图像。
8.根据权利要求1-5中任一项所述的方法，其中所述训练集图像包括用显色检测系统标记的细胞培养物的免疫组化图像。
9.根据权利要求1-8中任一项所述的方法，其中所述处理步骤(3)包括使
10.根据权利要求1-8中任一项所述的方法，其中处理步骤(3)还包括以下步骤：
11.根据权利要求10所述的方法，进一步包括滤出未被病毒感染的细胞的步骤。
12.根据权利要求10所述的方法，进一步包括滤出死亡细胞的步骤。
13.根据权利要求10所述的方法，进一步包括过滤出未死于病毒感染的死亡细胞的步骤。
14.根据权利要求1-13中任一项所述的方法，其中所述机器学习模型包括以下之一：偏最小二乘线性模型、人工神经网络、高斯过程回归和神经常微分方程模型。
15.根据权利要求1-13中任一项所述的方法，其中所述训练步骤(4)包括使最终病毒滴度的模型预测和基本事实之间的误差最小化，所述基本事实与在最终时间t最终病毒处理的细胞培养物的至少一个数字病毒滴度读数相关。
16.根据权利要求1-15中任一项所述的方法，还包括在每个时间点对不同类别的病毒、不同的细胞类型或不同的机器学习模型重复步骤(1)-(4)的步骤。
17.根据权利要求1-16中任一项所述的方法，其中在步骤(1)中有至少两个时间点，并且其中所述时间点之间的时间段小于或等于60分钟。
18.根据权利要求1-17中任一项所述的方法，其中包含所述病毒群体的所述细胞培养物包含半固体培养基覆盖层，包括但不限于熟化覆盖层。
19.一种预测细胞培养物的病毒滴度的方法，所述细胞培养物中加入了未知滴度的病毒样品，所述方法包括以下步骤：
20.根据权利要求19所述的方法，其中所述病毒滴度的预测是感染性颗粒数量、每单位体积感染性颗粒数量或组织培养感染性剂量50％测定的读数的预测。
21.权利要求19所述的方法，其中在步骤a)中获得的图像的时间序列是在容纳有一个或多个含有细胞培养物的培养板并具有集成成像系统的装置中获得的。
22.根据权利要求21所述的方法，其中所述成像系统包括荧光成像系统。
23.根据权利要求19-22中任一项所述的方法，其中所述细胞培养物进一步包含有助于所述细胞培养物成像的专用培养基。
24.根据权利要求23所述的方法，其中所述专用培养基还包含以下至少一种：对细胞内容物的释放起反应的试剂、在病毒抗原上聚集的试剂、荧光染料和用于细胞病变效应早期检测的试剂，例如存活细胞相对死亡细胞的检测、凋亡和自噬途径的激活、细胞周期和氧化应激。
25.根据权利要求19-24中任一项所述的方法，其中包含所述病毒样品的所述细胞培养物包含半固体培养基覆盖层，包括但不限于熟化覆盖层。
26.一种分析装置，包括：
27.根据权利要求26所述的分析装置，其中，所述装置还配置有执行训练模块的处理单元，所述训练模块提供设置指令，以便于所述装置的用户利用所述装置执行训练方法，所述训练方法包括以下步骤：
28.根据权利要求27所述的分析装置，其中，所述处理步骤(3)还包括以下步骤：a)从图像中分割出单个细胞，b)逐个细胞地计算每个细胞的数字描述，以及c)汇总所有细胞的数字描述。
29.根据权利要求28所述的分析装置，其中，所述处理步骤(3)还包括滤出未被病毒感染的细胞的步骤。
30.根据权利要求28所述的分析装置，其中，所述处理步骤(3)还包括滤出死亡细胞的步骤。
31.根据权利要求28所述的分析装置，其中，所述处...
【技术特征摘要】
【国外来华专利技术】
1.一种用于训练机器学习模型以从包含病毒群体的细胞培养物的图像或图像序列预测病毒滴度的方法，包括以下步骤：
2.根据权利要求1所述的方法，其中所述病毒滴度读数包括感染性颗粒的数量或每单位体积的感染性颗粒的数量。
3.根据权利要求1所述的方法，其中所述病毒滴度读数包括组织培养感染剂量50％测定的读数。
4.根据权利要求1所述的方法，其中所述病毒滴度读数包括来自焦点形成测定的读数。
5.根据权利要求1所述的方法，其中所述病毒滴度读数包括感染性颗粒的数量或每单位体积感染性颗粒的数量与组织培养感染性剂量50％测定的组合。
6.根据权利要求1-5中任一项所述的方法，其中，所述训练集图像包括无标记光学显微镜图像。
7.根据权利要求1-5中任一项所述的方法，其中所述训练集图像包括用荧光标记物标记的细胞培养物的荧光图像。
8.根据权利要求1-5中任一项所述的方法，其中所述训练集图像包括用显色检测系统标记的细胞培养物的免疫组化图像。
9.根据权利要求1-8中任一项所述的方法，其中所述处理步骤(3)包括使所述图像通过卷积神经网络(cnn)以获取所述图像的中间数据表示。
10.根据权利要求1-8中任一项所述的方法，其中处理步骤(3)还包括以下步骤：
11.根据权利要求10所述的方法，进一步包括滤出未被病毒感染的细胞的步骤。
12.根据权利要求10所述的方法，进一步包括滤出死亡细胞的步骤。
13.根据权利要求10所述的方法，进一步包括过滤出未死于病毒感染的死亡细胞的步骤。
14.根据权利要求1-13中任一项所述的方法，其中所述机器学习模型包括以下之一：偏最小二乘线性模型、人工神经网络、高斯过程回归和神经常微分方程模型。
15.根据权利要求1-13中任一项所述的方法，其中所述训练步骤(4)包括使最终病毒滴度的模型预测和基本事实之间的误差最小化，所述基本事实与在最终时间t最终病毒处理的细胞培养物的至少一个数字病毒滴度读数相关。
16.根据权利要求1-15中任一项所述的方法，还包括在每个时间点对不同类别的病毒、不同的细胞类型或不同的机器学习模型重复步骤(1)-(4)的步骤。
17.根据权利要求1-16中任一项所述的方法，其中在步骤(1)中有至少两个时间点，并且其中所述时间点之间的时间段小于或等于60分钟。
18.根据权利要求1-17中任一项所述的方法，其中包含所述病毒群体...
【专利技术属性】
技术研发人员：迈克尔·W·奥斯维，奥斯卡·维尔纳·雷伊，约翰·特里格，理查德·威尔斯，里卡德·舍格伦，克里斯托弗·爱德路德，
申请(专利权)人：赛多利斯生物分析仪器有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。