特許 7176697 細胞評価システム及び方法、細胞評価プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-11-14

(45)【発行日】2022-11-22

(54)【発明の名称】細胞評価システム及び方法、細胞評価プログラム

(51)【国際特許分類】

   C12M 1/34 20060101AFI20221115BHJP

   C12Q 1/02 20060101ALI20221115BHJP

【ＦＩ】

C12M1/34 B

C12Q1/02

【請求項の数】 11

(21)【出願番号】P 2019515746

(86)(22)【出願日】2018-05-02

(86)【国際出願番号】 JP2018017499

(87)【国際公開番号】W WO2018203568

(87)【国際公開日】2018-11-08

【審査請求日】2021-03-24

(31)【優先権主張番号】P 2017091957

(32)【優先日】2017-05-02

(33)【優先権主張国・地域又は機関】JP

【国等の委託研究の成果に係る記載事項】（出願人による申告）平成２８年度 国立研究開発法人科学技術振興機構 戦略的創造研究推進（さきがけ）事業、産業技術力強化法第１９条の適用を受ける特許出願

(73)【特許権者】

【識別番号】517110494

【氏名又は名称】シンクサイト株式会社

(73)【特許権者】

【識別番号】504137912

【氏名又は名称】国立大学法人 東京大学

(74)【代理人】

【識別番号】100120868

【弁理士】

【氏名又は名称】安彦 元

(72)【発明者】

【氏名】鵜川 昌士

(72)【発明者】

【氏名】河村 踊子

(72)【発明者】

【氏名】太田 禎生

【審査官】木原 啓一郎

(56)【参考文献】

【文献】特開２０１６－１８９７０２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ１２Ｍ

Ｃ１２Ｑ

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

(57)【特許請求の範囲】

【請求項1】

細胞群の中から一以上の細胞を物理的に計測してその細胞を評価する細胞評価システムにおいて、
流路中に流下する計測対象の細胞群に対して、構造化された励起光又は照明光を照射し、個々の細胞について時系列的に上記励起光又は上記照明光と相互作用させ、当該細胞の光学的な空間情報を時系列波形にマッピングすることで物理的に計測する物理的計測手段と、
上記物理的計測手段により計測された計測情報である信号強度の時系列波形と、細胞特定情報との３段階以上の連関度が予め記憶されているデータベースと、
上記データベースに記憶されている連関度を参照し、新たに物理的計測手段を介して計測された細胞の計測情報である信号強度の時系列波形から、細胞特定情報の何れか１以上を選択する作業を行うことで前記新たに測定された細胞の細胞特定情報を特定する評価手段とを備えること
を特徴とする細胞評価システム。

【請求項2】

上記データベースに、複数の時系列波形の組み合わせに対する１以上の細胞特定情報が３段階以上の連関度を介して関連付けられた判定時に細胞の計測情報である信号強度の時系列波形から細胞特定情報の何れか１以上が選択される学習済みモデルを記憶させておくこと
を特徴とする請求項１記載の細胞評価システム。

【請求項3】

上記データベースには、複数の細胞特定情報を混合させた混合体についての時系列波形と各細胞特定情報との３段階以上の連関度を通じて学習させた学習済みモデルを記憶させ 、
上記評価手段は、新たに物理的計測手段を介して計測された上記混合体の計測情報に基づいて、細胞特定情報を特定することで評価すること
を特徴とする請求項１記載の細胞評価システム。

【請求項4】

上記データベースには、特定の細胞特定情報に当てはまる蓋然性が高い波形上の兆候であるポジティブな時系列波形と、特定の細胞特定情報に当てはまる蓋然性が低い波形上の兆候であるネガティブな時系列波形とを予め３段階以上の連関度を通じて時系列波形と特定の細胞特定情報の関連付けを学習させた学習済みモデルを記憶させ、
上記評価手段は、新たに物理的計測手段を介して計測された上記混合体の時系列波形に基づいて、上記学習済みモデルを使用して、ポジティブな時系列波形の兆候が表れた場合には特定の細胞特定情報に当てはまる蓋然性を高くし、ネガティブな時系列波形の兆候が表れた場合には特定の細胞特定情報に当てはまる蓋然性を低くすること
を特徴とする請求項３記載の細胞評価システム。

【請求項5】

上記データベースには、検知すべき細胞特定情報を特定する上でネガティブな時系列波形を予め３段階以上の連関度を通じて学習させた学習済みモデルを記憶させ、
上記評価手段は、新たに物理的計測手段を介して計測された上記混合体の時系列波形に基づいて、ネガティブな時系列波形に該当しないものを検知すべき細胞特定情報として特定すること
を特徴とする請求項３記載の細胞評価システム。

【請求項6】

前記細胞特定情報が、細胞種、細胞フェノタイプ、細胞特性、細胞内分子局在、細胞内構造、細胞形態、細胞成熟度から選ばれる情報のいずれかであることを特徴とする請求項１記載の細胞評価システム。

【請求項7】

前記連関度が、機械学習を通じて更新が可能なモデル、ニューラルネットワーク、あるいは深層学習がなされることを前提としたネットワークの何れかで構成されること
を特徴とする請求項１記載の細胞評価システム。

【請求項8】

前記計測情報である信号強度の時系列波形が、前記一以上の細胞の電磁波、蛍光、位相、透過、分光、多色、散乱、反射、コヒーレントラマン、ラマン又は吸収・散乱・透過・ 蛍光スペクトル、音、テラヘルツ、インピーダンスの何れかによる前記物理的計測手段により計測されること
を特徴とする請求項１記載の細胞評価システム。

【請求項9】

前記構造化された励起光又は照明光が、特定の濃淡パターンを介して励起光又は照明光が発光されることにより、励起光又は照明光を流路中に流下する計測対象の細胞群に照射されること
を特徴とする請求項１記載の細胞評価システム。

【請求項10】

細胞群の中から一以上の細胞を物理的に計測してその細胞を評価する細胞評価方法において、
流路中に流下する計測対象の細胞群に対して、構造化された励起光又は照明光を照射し、個々の細胞について時系列的に上記励起光又は上記照明光と相互作用させ、当該細胞の光学的な空間情報を時系列波形にマッピングすることで物理的に計測し、
上記計測した計測情報である信号強度の時系列波形と、細胞特定情報との３段階以上の連関度を予めデータベースに記憶させ、
上記データベースに記憶されている連関度を参照し、新たに計測された細胞の計測情報である信号強度の時系列波形から、細胞特定情報の何れか１以上を選択する作業を行なうことで前記新たに測定された細胞の細胞特定情報を特定する評価を行うこと
を特徴とする細胞評価方法。

【請求項11】

細胞群の中から一以上の細胞を物理的に計測してその細胞を評価する細胞評価プログラムにおいて、
流路中に流下する計測対象の細胞群に対して、構造化された励起光又は照明光を照射し、個々の細胞について時系列的に上記励起光又は上記照明光と相互作用させ、当該細胞の光学的な空間情報を時系列波形にマッピングすることで物理的に計測し、
上記計測した計測情報である信号強度の時系列波形と、細胞特定情報との３段階以上の連関度を予めデータベースに記憶させ、
上記データベースに記憶されている連関度を参照し、新たに計測された細胞の計測情報である信号強度の時系列波形から、細胞特定情報の何れか１以上を選択する作業を行なうことで前記新たに測定された細胞の細胞特定情報を特定する評価をコンピュータに実行させること
を特徴とする細胞評価プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

細胞群の中から一以上の細胞を物理的に計測してその細胞の評価を自動的に行う上で好適な細胞評価システム及び方法、細胞評価プログラムに関するものである。

【背景技術】

【0002】

生物を構成する最小単位は細胞である。従来より、生物の機能や構造、形態等について各種解明を行う場合には、あくまで細胞群を対象として行われ、これを構成する個々の細胞単位では行われてこなかった。

【0003】

しかし近年において、癌組織等において表現型が類似した細胞タイプにおいても、細胞毎に遺伝子発現が異なることが明らかになってきた。このため、細胞群単位で各種解明を行うのではなく、個々の細胞単位で解析を行う必要がある。

【0004】

このような一細胞（シングルセル）による解析を行う場合における細胞計測技術として、フローサイトメトリー法が提案されている。このフローサイトメトリー法は、個々の細胞を流体中に分散させ、その流体を微細に流下させて光学的に分析する技術であり、この技術を用いた装置をフローサイトメータと呼ぶ。このフローサイトメトリー法では、流路中に観察対象となる細胞等の微粒子を高速に流下しながら励起光を照射し、個々の細胞から発せられる蛍光輝度や散乱光の総量を取得することよって、観察対象物を評価することができる。このフローサイトメトリー法を用いると、非常に高いスループットで単一細胞の解析を行うことが可能となる。特許文献１には，フローサイトメータ及びそのフローサイトメータを用いたフローサイトメトリー法が開示されている。

【0005】

また、より詳細に個々の細胞の表現型を観察する方法として、蛍光顕微鏡やイメージングサイトメーターが知られている。これらの観察法は、観察対象物の蛍光輝度や散乱光の総量という１次元の情報だけではなく、２次元・３次元の形態情報まで取得できる。一方、フローサイトメータと異なり、観察対象物が移動しないために、ハイスループットに大量の単一細胞解析を行うことは難しい。この点、従来のフローサイトメータと同等のスループットで細胞の形態情報を高速に撮影できるイメージングフローサイトメーターが知られており（例えば、特許文献２参照。）、蛍光細胞画像を含む２次元・３次元の空間情報で細胞の表現型を評価することができる。これにより、既存のフローサイトメトリー法のスループットを維持しながら、細胞解析の情報量を飛躍的に向上させることが可能となり、細胞の表現型解析の質と量を向上させることができる。

【0006】

更に、イメージングフローサイトメーターによって生成される膨大な細胞形態情報を有効に活用するために、細胞形態情報に機械学習を用いて細胞を評価、分類する方法も提案されている（例えば、特許文献３参照。）。具体的には、事前に正解情報（教師データ）を与えて分類器を作成した上で、与えられた細胞情報の評価、分類を行う教師あり機械学習や、事前に正解情報がなく、与えられた細胞情報を評価、分類する教師なし機械学習等を用いる方法がある。

【先行技術文献】

【特許文献】

【0007】

【文献】特許第５５３４２１４号公報

【文献】米国特許第６２４９３４１号公報

【文献】特願２０１５－２１２３５６号

【発明の概要】

【発明が解決しようとする課題】

【0008】

しかしながら、教師あり機械学習を用いる場合には、正解付けをする教師は人間であり、人間が主観的に細胞を評価、分類した結果を教師データとしていた。そのため、細胞の形態情報を含めた物理的計測手段によって取得された情報は、人間が差異を判別できる範囲でしか分類、評価できず、各個人が持つバイアスを排除できないという問題があった。また、教師なし機械学習では、人間の主観的判断によらず自動で分類、評価が可能であるものの、一方で機械がどのような判断基準で分類、評価しているかを説明することができず、生物学的に意味のある分類、評価結果なのかを説明することができなかった。

【0009】

また、従来の生物学的計測手法である次世代DNA・RNAシークエンシング、ポリメラーゼ連鎖反応（PCR）、DNAマイクロアレイ等を用いる場合には、細胞の核酸、タンパク質、代謝等の生化学的、分子生物学的情報に基づいているため、正確に細胞の分類、評価を行うことができる。しかし、これらの生物学的計測手法は、物理的計測手法に比べると遥かに高価な上に、スループットが遅く、膨大な量の単一細胞解析を行うことができないという問題点が生じる。

【0010】

そこで、本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、細胞群の中から一以上の細胞を物理的に計測して、その評価を生物学的計測情報によって正解付けすることで、高速、正確、かつ簡便に細胞の評価、分類を自動的に行うことが可能な細胞評価システム及び方法、細胞評価プログラムを提供することにある。

【課題を解決するための手段】

【0011】

本発明者らは、上述した課題を解決するために、データベースに予め記憶されている、細胞を評価するための生物学的計測情報にそれぞれが紐付けられた参照用計測情報との３段階以上の連関度を参照し、新たに計測された細胞の計測情報に基づいて、上記参照用計測情報を探索するとともに、探索した上記参照用計測情報に紐付けられた生物学的計測情報により上記細胞を評価する細胞評価システム及び方法、細胞評価プログラムを発明した。

【0014】

即ち、本発明に係る細胞評価システムは、細胞群の中から一以上の細胞を物理的に計測してその細胞を評価する細胞評価システムにおいて、流路中に流下する計測対象の細胞群に対して、構造化された励起光又は照明光を照射し、個々の細胞について時系列的に上記励起光又は上記照明光と相互作用させ、当該細胞の光学的な空間情報を時系列波形にマッピングすることで物理的に計測する物理的計測手段と、上記物理的計測手段により計測された計測情報である信号強度の時系列波形と、細胞特定情報との３段階以上の連関度が予め記憶されているデータベースと、上記データベースに記憶されている連関度を参照し、新たに物理的計測手段を介して計測された細胞の計測情報である信号強度の時系列波形から、細胞特定情報の何れか１以上を選択する作業を行うことで前記新たに測定された細胞の細胞特定情報を特定する評価手段とを備えることを特徴とする細胞評価システム。

【0016】

本発明に係る細胞評価方法は、細胞群の中から一以上の細胞を物理的に計測してその細胞を評価する細胞評価方法において、流路中に流下する計測対象の細胞群に対して、構造化された励起光又は照明光を照射し、個々の細胞について時系列的に上記励起光又は上記照明光と相互作用させ、当該細胞の光学的な空間情報を時系列波形にマッピングすることで物理的に計測し、上記計測した計測情報である信号強度の時系列波形と、細胞特定情報との３段階以上の連関度を予めデータベースに記憶させ、上記データベースに記憶されている連関度を参照し、新たに計測された細胞の計測情報である信号強度の時系列波形から、細胞特定情報の何れか１以上を選択する作業を行なうことで前記新たに測定された細胞の細胞特定情報を特定する評価を行うことを特徴とする。

【0018】

本発明に係る細胞評価プログラムは、細胞群の中から一以上の細胞を物理的に計測してその細胞を評価する細胞評価プログラムにおいて、流路中に流下する計測対象の細胞群に対して、構造化された励起光又は照明光を照射し、個々の細胞について時系列的に上記励起光又は上記照明光と相互作用させ、当該細胞の光学的な空間情報を時系列波形にマッピングすることで物理的に計測し、上記計測した計測情報である信号強度の時系列波形と、細胞特定情報との３段階以上の連関度を予めデータベースに記憶させ、上記データベースに記憶されている連関度を参照し、新たに計測された細胞の計測情報である信号強度の時系列波形から、細胞特定情報の何れか１以上を選択する作業を行なうことで前記新たに測定された細胞の細胞特定情報を特定する評価をコンピュータに実行させることを特徴とする。

【発明の効果】

【0019】

本発明を適用した細胞評価システムによれば、イメージングフローサイトメーター分析部を介して新たに取得した細胞の計測情報である信号強度の時系列波形から、上述した連関度を参照することで参照用計測情報を選択し、更にこの参照用計測情報から生物学的計測情報を介して細胞種を判別し、ひいては細胞を評価することが可能となる。しかも本発明を適用した細胞評価システムによれば、これらの評価動作を人手を介することなく自動的に行うことが可能となる。これにより、新たに取得した細胞の計測情報である信号強度の時系列波形から、観察者の主観的判断によらず、生物学的に正しい正解情報に基づく細胞情報の分類、評価を高速かつ正確に行うことが可能となる。またイメージングフローサイトメーター分析部によるイメージングフローサイトメトリー技術により特定される個々の細胞について何れも自動的に細胞種を特定し、ひいては細胞を評価することも可能となることから、当該技術が生み出す膨大な情報量を有効に活用することが可能となる。

【図面の簡単な説明】

【0020】

【図1】第１実施形態における細胞評価システムのブロック構成図である。

【図2】イメージングフローサイトメーター分析部の詳細な構成を示す図である。

【図3】計測対象の細胞を峻別する方法について説明するための図である。

【図4】データベースに記憶されている、計測情報と、参照用計測情報との３段階以上の連関度を示す図である。

【図5】選択した参照用計測情報から細胞種を特定するまでのプロセスを示す図である。

【図6】参照用計測情報を選択することで、生物学的計測情報を介して即座に細胞種を特定する例を示す図である。

【図7】計測情報と、生物学的計測情報との３段階以上の連関度を示す図である。

【図8】第２実施形態における細胞評価システムのブロック構成図である。

【図9】第２実施形態における学習済みモデルの例を示す図である。

【図10】細胞特定情報毎に時系列波形をそれぞれタグ付けして学習させる例を示す図である。

【図11】複数の細胞特定情報を混合させた混合体についての時系列波形と各細胞特定情報との３段階以上の連関度を通じて学習させる例を示す図である。

【図12】検知すべき細胞特定情報を特定する上でポジティブな時系列波形と、ネガティブな時系列波形に基づき学習済みモデルを構築する例を示す図である。

【図13】ポジティブな兆候とネガティブな兆候を細胞特定情報と共に取得することで学習済みモデルを作る例を示す図である。

【発明を実施するための形態】

【0021】

以下、本発明を適用した細胞評価システムについて、図面を参照しながら詳細に説明をする。

【0022】

第１実施形態
図１は、本発明を適用した細胞評価システム１の第１実施形態を示している。細胞評価システム１は、光源２と、光源２からの光が照射されるイメージングフローサイトメーター分析部３と、イメージングフローサイトメーター分析部３からの光情報を受光する受光部４と、光源２、イメージングフローサイトメーター分析部３及び受光部４にそれぞれ接続される制御部５と、光源２、受光部４及び制御部５にそれぞれ接続される評価部６と、評価部６、受光部４に接続されるデータベース７とを備えている。

【0023】

光源２は、イメージングフローサイトメーター分析部３における分析に必要な光を発光する。イメージングフローサイトメーター分析部３は、イメージングフローサイトメトリー法に基づき、個々の細胞を流体中に分散させ、その流体を微細に流下させて光学的に分析し、細胞の形態情報を取得する。このイメージングフローサイトメーター分析部３の詳細は、後段において詳述する。

【0024】

受光部４は、イメージングフローサイトメーター分析部３によるイメージングフローサイトメトリー法を介して得られる光情報を受光するためのセンサで構成される。制御部５は、光源２、イメージングフローサイトメーター分析部３、受光部４、評価部６を制御するための中央制御ユニットとしての役割を担う。この制御部５は、例えばパーソナルコンピュータ（ＰＣ）、携帯端末、スマートフォン、ウェアラブル端末、タブレット型端末等で構成される。

【0025】

評価部６は、受光部４から得られた光情報を取得し、更にデータベースに記憶されている情報を参照し、イメージングフローサイトメーター中を流下する細胞を評価する。この細胞の評価は、細胞種の判別、細胞の機能や特性等が含まれる。この評価部６も同様に、ＰＣ、携帯端末、スマートフォン、ウェアラブル端末、タブレット型端末等で構成される。ちなみに、この評価部６は、上述した制御部５と同一デバイスで構成されていてもよい。データベース７は、上述した評価部６による細胞の評価を行う上で必要な情報を記憶するためのハードディスク等で構成されている。

【0026】

図２は、イメージングフローサイトメーター分析部３の詳細な構成を示している。このイメージングフローサイトメーター分析部３は、流路３１中を流れる個々の細胞８につき、３次元的な蛍光画像を取得する。このイメージングフローサイトメーター分析部３は、第１対物レンズ３２と、第１ビームスプリッタ３３と、第１レンズ３４と、第２レンズ３５と、第２ビームスプリッタ３６と、第２対物レンズ３８と、ミラー３９と、第３レンズ４０と、第４レンズ４１とを備えている。

【0027】

第１対物レンズ３２は、光源２から供給されてくる光を流路３１中に焦点を合わせ、また流路３１から反射する戻り光を集光して、これを第１ビームスプリッタ３３へと送る。第１ビームスプリッタ３３は、光源２から発光された光をそのまま通過させると共に、第１対物レンズ３２からの戻り光を反射させる役割を担う。第１レンズ３４、第２レンズ３５は、第１ビームスプリッタ３３を反射した戻り光の焦点位置やスポット径の調整等を行う。第２ビームスプリッタ３６は、第２レンズ３５を通過した戻り光の一部を第２対物レンズ３８に向けて反射させると共に、戻り光の一部をそのまま通過させる。第２対物レンズ３８は、第２ビームスプリッタ３６を反射してくる戻り光をミラー３９へ導き、またミラー３９から反射してきた戻り光を集光し、これについて第２ビームスプリッタ３６を通過させて第４レンズ４１へと導く。ミラー３９は、第２対物レンズ３８からの戻り光を反射する。第３レンズ４０は、第２ビームスプリッタ３６を通過した戻り光を集光して受光部４を構成する第１受光センサ４ａに結像させる。第４レンズ４１は、第２ビームスプリッタ３６を通過した戻り光を集光して受光部４を構成する第２受光センサ４ｂに結像させる。なお、このイメージングフローサイトメーター分析部３の各構成要素は、制御部５による制御に基づいて動作することとなる。このイメージングフローサイトメーター分析部３は、ＵＳ２０１５／０１９２７６７Ａ１の開示技術を流用するものであってもよい。

【0028】

第１受光センサ４ａは、結像された戻り光の光情報に基づいて、細胞８のｘ－ｙ平面画像を撮像する。第２受光センサ４ｂは、結像された戻り光の光情報に基づいて、細胞８のｘ－ｚ平面画像を撮像する。第１受光センサ４ａ、第２受光センサ４ｂは、それぞれ受光した各平面画像の光情報を電気信号に変換して、これを評価部６やデータベース７へ送信する。第１受光センサ４ａ、第２受光センサ４ｂは、それぞれ制御部５による制御に基づいて動作することとなる。

【0029】

次に、上述した構成からなる細胞評価システム１の動作について説明をする。イメージングフローサイトメーター分析部３は、上述した構成に基づき、流路３１中を流れる一以上の細胞を物理的に計測する。この細胞８の物理的な計測は、可視画像、電磁波、蛍光、位相、透過、分光、多色、散乱、反射、コヒーレントラマン、ラマン又は吸収・散乱・透過・蛍光スペクトル、音、テラヘルツ、インピーダンスの何れかを介して行う。以下では、蛍光画像を３次元的に計測する場合を例にとり説明をする。

【0030】

先ず計測対象の細胞８の種類、形態は、本発明の効果を妨げない限り特に限定されるものではなく、目的に応じて計測対象の細胞を選択することができる。したがって、本発明の計測対象としての細胞８は、浮遊細胞であってもよく、接着細胞であってもよい。明細胞には、細菌（単細胞生物）も含まれる。また２以上の細胞を計測対象してもよく、かかる場合には、複数の細胞があつまった塊（スフェロイド等）を計測対象としてもよい。

【0031】

また計測対象の細胞８を峻別する上では、図３に示すように、少なくとも一つの細胞８と少なくとも一つのビーズ９とを備えたコンパートメント９１を準備し、各コンパートメント９１における細胞８の３次元的な蛍光画像のイメージング情報とビーズ９のイメージング情報とを共に測定することを経時的に繰り返すようにしてもよい。各コンパートメント９１におけるビーズ９のイメージング情報を各コンパートメント９１における細胞８を特定する上での指標とする。

【0032】

計測対象の細胞８の数は、シングルセル解析の観点からは、１コンパートメント９１当たり１つであることが望ましいが、これに限定されるものではなく、１コンパートメント９１当たりの細胞８の数を複数としてもよい。ｔ＝０（min）からｔ＝１０（min）まで時系列的に細胞８が変態し、或いは動的挙動を示す場合においても、ビーズ９を指標とすることで、そのコンパートメント９１を特定することができ、ひいてはこれに含まれる細胞８を特定することが可能となる。その結果、一つの細胞８に着目した時系列的な動的変化データを連続的に取得することが可能となる。

【0033】

流路３１を流れる細胞８に対して、光源２からの可視域の光が第１対物レンズ３２から照射され、その戻り光は、第１対物レンズ３２により集光され、第１ビームスプリッタ３３を反射し、第１レンズ３４、３５を通過する。更にこの戻り光の一部は、第２ビームスプリッタ３６をそのまま通過して第３レンズ４０を介して第１受光センサ４ａに結像される。またこの戻り光の他の一部は、第２ビームスプリッタ３６を反射し、ミラー３９を反射した上で、第４レンズ４１を介して第２受光センサ４ｂに結像される。

【0034】

その結果、第１受光センサ４ａにより細胞８のｘ－ｙ平面画像が撮像され、第２受光センサ４ｂにより細胞８のｘ－ｚ平面画像が撮像される結果、この細胞８の３次元的な蛍光画像が形成されることとなる。細胞８が流路３１中の第１対物レンズ３２による撮像範囲を通過する過程で、この撮像動作を連続して行うことにより、細胞８の３次元的な全体像の蛍光画像の光情報を取得することも可能となる。

【0035】

このようにして第１受光センサ４ａ、第２受光センサ４ｂを介して得られた計測情報は、評価部６、データベース７へと送られる。

【0036】

なお上述した動作例は、細胞８の３次元的な蛍光画像を物理的な計測情報として取得する場合について説明をしたが、仮に２次元的な平面画像を物理的な計測情報として取得する場合には、第１受光センサ４ａによるｘ－ｙ平面画像、第２受光センサ４ｂによるｘ－ｚ平面画像の何れかを取得すればよい。

【0037】

評価部６は、第１受光センサ４ａ、第２受光センサ４ｂから送られてきた細胞８の物理的な計測情報を解析することにより、細胞８を新たに評価する。この評価部６は、この評価の過程において、データベース７に記憶されている情報を参照する。

【0038】

このデータベース７には、図４に示すように、予め計測情報と、参照用計測情報との３段階以上の連関度が予め記憶されている。

【0039】

上述したイメージングフローサイトメーター分析部３により撮像された計測情報としての細胞の画像がこの連関度を介して左側に配列し、参照用計測情報がこの連関度を介して右側に配列している。参照用計測情報は、いわゆる細胞の画像の典型例を羅列したものである。この参照用計測情報は、細胞の形態上の特徴に応じて、例えば画像Ａ～Ｋに分類されている。

【0040】

この連関度は、新たにイメージングフローサイトメーター分析部３等を通じて撮像された計測情報としての細胞の画像が、この参照用計測情報として予め細胞の形態毎に定義された画像Ａ～Ｋの何れと関連性が高いかを示すものである。また計測情報としての細胞の画像も図４に示すように画像Ｐ１１～Ｐ１６に予め類型化されている。このように計測情報と参照用計測情報は、予め画像毎に類型化されており、その類型化された計測情報の画像Ｐ１１～Ｐ１６と、参照用計測情報の画像Ａ～Ｋとが互いに3段階以上の連関度を介し
て互いに関連付けられている。この連関度は、換言すれば、計測情報の画像が、いかなる参照用計測情報の画像に紐付けられる可能性が高いかを示す指標であり、計測情報から参照用計測情報を選択する上での的確性を示すものである。

【0041】

例えば、計測情報の画像Ｐ１１は、参照用計測情報の画像Ａと連関度８０％、画像Ｂと連関度６０％、画像Ｈと連関度４０％、画像Ｊと連関度２０％であることが示されている。同様に計測情報の画像Ｐ１３は、参照用計測情報の画像Ｄと連関度１００％、画像Ｅと連関度８０％、画像Ｆと連関度６０％であることが示されている。同様に計測情報の画像Ｐ１５は、参照用計測情報の画像Ｈと連関度８０％、画像Ｄと連関度４０％、画像Ａと連関度２０％であることが示されている。ちなみに図４中の計測情報と参照用計測情報との間をつなぐ線の太さがその連関度の大きさを示しており、計測情報と参照用計測情報との間で線が連結されていない場合には、連関度が０％であることを意味している。

【0042】

なお連関度は、いわゆる機械学習を通じて更新が可能なモデルで構成されていてもよく、ニューラルネットワークで構成されていてもよい。またこの連関度は、深層学習がなされることを前提としたネットワークで構成されていてもよい。

【0043】

評価部６は、このようにデータベース７に記憶されている連関度を参照し、受光部４（第１受光センサ４ａ、第２受光センサ４ｂ）を介して新たに取得した細胞８の計測情報が何れの参照用計測情報に該当する可能性が高いかを判別する。受光部４を介して新たに取得した細胞８の計測情報が、計測情報において予め累計した画像Ｐ１４に類似するのであれば、この画像Ｐ１４と連関度の高い参照用計測情報の画像Ｇに最も該当する可能性が高いことを判別し、次に画像Ｃに該当する可能性が高いことを判別する。受光部４を介して新たに取得した細胞８の計測情報が、計測情報において予め累計した画像Ｐ１６に類似するのであれば、この画像Ｐ１６と連関度の高い参照用計測情報の画像Ｊに最も該当する可能性が高いことを判別し、次に画像Ｋに該当する可能性が高いことを判別する。

【0044】

評価部６は、受光部４を介して新たに取得した細胞８の計測情報に基づき、これら連関度を参照することにより、参照用計測情報の画像を選択する作業を行う。このとき、評価部６は、受光部４を介して新たに取得した細胞８の計測情報と最も連関度の高い参照用計測情報の画像を選択するようにしてもよい。上述したように連関度が高いほど、その選択の的確性が高くなるためである。しかし、評価部６は、最も連関度の高い参照用計測情報の画像を選択する場合に限定されることはなく、連関度が中程度のもの、又は連関度が低いものをあえて選択するようにしてもよい。また、これ以外に計測情報と参照用計測情報との間で矢印が繋がっていない連関度が０％である参照用計測情報を選択してもよいことは勿論である。ちなみに評価部６は、この参照用計測情報を一つ選択する場合に限定されるものではなく、連関度を参照した上であえて複数の参照用計測情報を選択するようにしてもよい。

【0045】

次に評価部６は、選択した参照用計測情報から細胞種を特定する。図５は、選択した参照用計測情報から細胞種を特定するまでのプロセスを示している。各参照用計測情報は、それぞれ生物学的計測情報に紐付けられている。この参照用計測情報と生物学的計測情報は、通常１対１で紐付けられているが、これに限定されるものではなく、１対複数、複数対１、又は複数対複数で互いに紐付けられていてもよい。

【0046】

この生物学的計測情報は、細胞種を特定するために、例えば、トランスクリプトーム、ゲノム、エピゲノム、タンパク質、代謝物、糖、脂質、細胞の時系列的変化傾向等を介して計測された情報である。この生物学的計測情報は、参照用計測情報を構成する画像Ａ～Ｋの細胞毎に予めトランスクリプトームやゲノム等を介して取得された情報である。画像Ａ～Ｋの各細胞についてこの生物学的計測情報を取得することにより、その画像Ａ～Ｋの各細胞の正確な細胞の種類を把握することが可能となる。各生物学的計測情報とそこから特定される細胞種は通常１：１で対応する。この図５の例では、参照用計測情報の画像Ａの細胞の生物学的計測情報を取得した結果、「ゲノム○○○」であった場合、その「ゲノム○○○」から細胞種ａを特定することが可能となる。参照用計測情報の画像Ｂの細胞の生物学的計測情報を取得した結果、「脂質の時系列的変化傾向△△△」であった場合、その「脂質の時系列的変化傾向△△△」から細胞種ｂを特定することが可能となる。参照用計測情報の画像Ｋの細胞の生物学的計測情報を取得した結果、「トランスクリプトーム□□□」であった場合、その「トランスクリプトーム□□□」から細胞種ｋを特定することが可能となる。更にこの生物学的計測情報は、より精細または異なる光学的情報を取得する光学イメージング計測情報を含む。つまり、生物学的計測情報は、細胞種等以外に、イメージング（形態）解析結果も含む概念である。

【0047】

データベース７には、この図５に示すような参照用計測情報毎に対応する生物学的計測情報が記憶され、さらにこの生物学的計測情報から特定される細胞種が記憶されている。このため評価部６は、このデータベース７を参照することにより、選択した参照用計測情報に紐付けられる生物学的計測情報を判別し、その判別した生物学的計測情報により特定される細胞種を判別する。

【0048】

即ち、評価部６は、図６に示すように参照用計測情報を選択することができれば、この生物学的計測情報を介して即座に細胞種を判別することが可能となる。評価部６は、判別した細胞種を図示しないディスプレイ等を始めとした表示部を介して表示する。これによりユーザは、図示しない表示部を視認することにより、新たに取得した細胞８の細胞種を即座に把握することが可能となる。

【0049】

即ち、本発明を適用した細胞評価システム１によれば、イメージングフローサイトメーター分析部３を介して新たに取得した細胞の計測情報から、上述した連関度を参照することで参照用計測情報を選択し、更にこの参照用計測情報から生物学的計測情報を介して細胞種を判別することが可能となる。しかも本発明を適用した細胞評価システム１によれば、これらの評価動作を人手を介することなく自動的に行うことが可能となる。これにより、物理的計測情報に基づいて、観察者の主観的判断によらず、生物学的に正しい正解情報に基づく細胞情報の分類、評価を高速かつ正確に行うことが可能となる。またイメージングフローサイトメーター分析部３によるイメージングフローサイトメトリー技術により特定される個々の細胞について何れも自動的に細胞種を特定することも可能となることから、当該技術が生み出す膨大な情報量を有効に活用することが可能となる。

【0050】

また、本発明を適用した細胞評価システム１では、３段階以上に設定されている連関度を介して参照用計測情報の探索を行う点に特徴がある。連関度は、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

【0051】

このような３段階以上の数値で表される連関度に基づいて探索することで、複数の参照用計測情報が選ばれる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より可能性の高い参照用計測情報を優先的に選択し、ひいてはそこから特定される細胞種を表示することもできる。一方、連関度の低い参照用計測情報であってもセカンドオピニオンという意味で、そこから特定される細胞種を表示することができ、ファーストオピニオンにおいて表示された細胞種が理解できない場合等において有用性を発揮することができる。

【0052】

これに加えて、本発明によれば、連関度が１％のような極めて低い参照用計測情報も見逃すことなく判断することができる。連関度が極めて低い参照用計測情報であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、参照用計測情報として役に立つ場合もあることをユーザに対して注意喚起することができる。

【0053】

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、正解の可能性が低い参照用計測情報に基づく細胞種を沢山拾ってしまう場合もある。一方、閾値を高くすれば、正解の可能性が高い参照用計測情報により特定される細胞種のみ絞り込むことができる反面、何十回、何百回に一度は好適な解を表示する参照用計測情報により特定される細胞種を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

【0054】

また、本発明によれば、図３の計測情報について、各計測情報Ｐ１１～Ｐ１６それぞれに対して参照用計測情報の連関度が予め設定されている場合を例にとり説明をしたが、これに限定されるのではない。計測情報の組み合わせと、参照用計測情報との３段階以上の連関度が予め記憶され、新たに物理的に計測された２以上の計測情報に基づいて評価を行うようにしてもよい。

【0055】

かかる場合には、例えば計測情報Ｐ１１と、Ｐ１２の組み合わせに対して、参照用計測情報Ｄの連関度が６０％、参照用計測情報Ｅの連関度が４０％等のように定義されているものとする。或いは計測情報Ｐ１３、Ｐ１４、Ｐ１５の３つの組み合わせに対して参照用計測情報Ｈの連関度が２０％、参照用計測情報Ｉの連関度が５０％、参照用計測情報Ｊの連関度が７０％等のように定義されている。

【0056】

新たに取得した２以上の計測情報が仮に計測情報Ｐ１１と、計測情報Ｐ１２であった場合、このような連関度を参照すると、参照用計測情報Ｄの連関度が６０％、参照用計測情報Ｅの連関度が４０％等である旨を判別することができる。これら連関度を参照して参照用計測情報を同様に選択することとなる。同様に、新たに取得した２以上の計測情報が仮に計測情報Ｐ１３と、計測情報Ｐ１４と、計測情報Ｐ１５であった場合、このような連関度を参照すると、参照用計測情報Ｈの連関度が２０％、参照用計測情報Ｉの連関度が５０％、参照用計測情報Ｊの連関度が７０％である旨を判別することができる。これら連関度を参照して参照用計測情報を同様に選択することとなる。

【0057】

この計測情報の組み合わせと、参照用計測情報との３段階以上の連関度を参照する例は、特に細胞の撮像画像の集合間において比較検証を行う、いわゆるマルチインスタンス学習等に適用するようにしてもよい。

【0058】

かかる場合には、ある疾患に関する細胞画像をそれぞれ参照用計測情報として記憶しておく。次に、ある患者Ａの複数の細胞それぞれに対して計測情報としての細胞画像を複数撮像し、連関度を参照することで参照用計測情報に相当する疾患に該当するか否かを判別するようにしてもよい。

【0059】

本発明では、上述した連関度を更新させるようにしてもよい。つまり、図４に示すような計測情報と、参照用計測情報を随時更新していく。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

【0060】

この連関度の更新は、計測情報と、参照用計測情報との関係性に関する情報が入る都度、連関度を上昇させ、或いは下降させる。例えば、ある計測情報の画像が、ある参照用計測情報の画像に対応していることが論文や学会発表、その他実験的検証に基づく研究データ等を通じて新たに確認できた場合、その計測情報の画像と参照用計測情報の画像との連関度を上昇させる。また、ある計測情報の画像が、ある参照用計測情報の画像に対応していないことが論文や学会発表、その他実験的検証に基づく研究データ等を通じて新たに確認できた場合、その計測情報の画像と参照用計測情報の画像との連関度を下降させる。

【0061】

連関度は、上述したように３段階以上とされていることで、このような連関度の上昇させたい場合、又は下降させたい場合に自在に対応することが可能となる。この連関度の更新そのものを上述した機械学習、深層学習を通じて行うようにしてもよい。

【0062】

さらに今までに無い計測情報が新たに撮像された場合、これが実はある参照用計測情報に対応していることが実験的に確認できた場合には、これらの間に新たに連関度を設定するようにしてもよい。そして、この新たな計測情報が当該参照用計測情報に対応している報告が上がる都度、この新たに設定した連関度を徐々に上昇させるようにしてもよい。

【0063】

なお、上述した実施の形態においては、細胞種を特定するための生物学的計測情報にそれぞれが紐付けられた参照用計測情報を選択する場合を例にとり説明した。本発明は、この細胞種を特定する例に限定されるものではなく、細胞の機能や特性を評価する場合に適用するようにしてもよい。かかる場合には、図５に示す生物学的計測情報により特定されるものが細胞種ではなく、細胞の機能や細胞の特性となる。かかる場合においても同様にそれぞれの生物学的計測情報に対する、細胞の各機能や細胞の各特性の対応関係を予め取得し、データベース７に記憶させておくこととなる。その結果、図６に示すように、参照用計測情報の画像が選択されると、この生物学的計測情報を介して即座に細胞種に代替される細胞の各機能や細胞の各特性が即座に決定されることとなる。

【0064】

また、上述した実施の形態においては、計測情報を２次元又は３次元の蛍光画像を介して取得する場合を例にとり説明したが、他の電磁波、明視野、暗視野、蛍光、位相、透過、分光、多色、散乱、反射、コヒーレントラマン、ラマン又は吸収・散乱・透過・蛍光スペクトル、音、テラヘルツ、インピーダンスの何れかにより細胞８を物理的に計測し、そこから計測情報を得る場合も同様である。かかる場合には、参照用計測情報もその物理的計測手段に合わせて予め典型例を用意しておき、連関度で互いの関連付けを行っておく。

【0065】

例えば物理的計測手段が蛍光スペクトル分析である場合には、計測情報、参照用計測情報共に蛍光スペクトルとなる。参照用計測情報は、各波長に対するピーク位置や変化傾向等が予め類型化されている。この類型化された参照用計測情報としての蛍光スペクトルパターンに対して、細胞８から新たに取得した蛍光スペクトルからなる計測情報に基づいて、連関度を参照することで参照用計測情報を選択することとなる。

【0066】

また物理的な計測手段として、イメージングフローサイトメトリー法以外に、顕微鏡を用いたマイクロウェル内のコンパートメント観察法を含めた顕微鏡を用いる観察法、イメージングサイトメトリー法等、いかなる方法に基づくものであってもよい。また液体中を流下する細胞を物理的に計測する場合以外に、液体中には無い細胞を計測する場合においても本発明を適用するようにしてもよい。使用する顕微鏡は、光学顕微鏡（明視野、位相差、蛍光、共焦点レーザー、ラマン等を含む）、または電子顕微鏡（透過型、走査型）等であってもよい。

【0067】

また、本発明では、図７に示すように、予め計測情報と、生物学的計測情報との３段階以上の連関度が予め記憶させるようにしてもよい。

【0068】

上述したイメージングフローサイトメーター分析部３により撮像された計測情報としての細胞の画像がこの連関度を介して左側に配列し、生物学的計測情報がこの連関度を介して右側に配列している。生物学的計測情報は、例えばそれぞれ細胞種（細胞の機能や特性等）を特定するための各種ゲノム情報等が羅列されている。この生物学的計測情報は、ゲノム情報等に応じて予め類型化されており、図７に示すようにゲノム情報Ｏ～ゲノム情報Ｙ等が分類されている。

【0069】

この連関度は、新たにイメージングフローサイトメーター分析部３等を通じて撮像された計測情報としての細胞の画像が、この参照用計測情報として予め分類したゲノム情報Ｏ～ゲノム情報Ｙ等の何れと関連性が高いかを示すものであり、互いに３段階以上の連関度を介して互いに関連付けられている。この連関度は、換言すれば、計測情報の画像が、いかなる生物学的計測情報に紐付けられる可能性が高いかを示す指標であり、計測情報から生物学的計測情報を選択する上での的確性を示すものである。

【0070】

例えば、計測情報の画像Ｐ１１は、生物学的計測情報のゲノム情報Ｏと連関度８０％、ゲノム情報Ｐと連関度６０％、ゲノム情報Ｖと連関度４０％、ゲノム情報Ｘと連関度２０％であることが示されている。同様に計測情報の画像Ｐ１３は、生物学的計測情報のゲノム情報Ｒと連関度１００％、ゲノム情報Ｓと連関度８０％、ゲノム情報Ｔと連関度６０％であることが示されている。ちなみに図７中の計測情報と生物学的計測情報との間をつなぐ線の太さがその連関度の大きさを示しており、計測情報と参照用計測情報との間で線が連結されていない場合には、連関度が０％であることを意味している。

【0071】

なお、この連関度も同様に、いわゆる機械学習を通じて更新が可能なモデルで構成されていてもよく、ニューラルネットワークで構成されていてもよい。またこの連関度は、深層学習がなされることを前提としたネットワークで構成されていてもよい。

【0072】

評価部６は、このようにデータベース７に記憶されている連関度を参照し、受光部４（第１受光センサ４ａ、第２受光センサ４ｂ）を介して新たに取得した細胞８の計測情報が何れの生物学的計測情報に該当する可能性が高いかを判別する。受光部４を介して新たに取得した細胞８の計測情報が、計測情報において予め累計した画像Ｐ１４に類似するのであれば、この画像Ｐ１４と連関度の高い生物学的計測情報のゲノム情報Ｕに最も該当する可能性が高いことを判別し、次にゲノム情報Ｑに該当する可能性が高いことを判別する。受光部４を介して新たに取得した細胞８の計測情報が、計測情報において予め累計した画像Ｐ１６に類似するのであれば、この画像Ｐ１６と連関度の高い生物学的計測情報のゲノム情報Ｘに最も該当する可能性が高いことを判別し、次にゲノム情報Ｙに該当する可能性が高いことを判別する。

【0073】

評価部６は、受光部４を介して新たに取得した細胞８の計測情報に基づき、これら連関度を参照することにより、生物学的計測情報を選択する作業を行う。このとき、評価部６は、受光部４を介して新たに取得した細胞８の計測情報と最も連関度の高い生物学的計測情報を選択するようにしてもよい。上述したように連関度が高いほど、その選択の的確性が高くなるためである。しかし、評価部６は、最も連関度の高い生物学的計測情報の画像を選択する場合に限定されることはなく、連関度が中程度のもの、又は連関度が低いものをあえて選択するようにしてもよい。また、これ以外に計測情報と生物学的計測情報との間で矢印が繋がっていない連関度が０％である生物学的計測情報を選択してもよいことは勿論である。ちなみに評価部６は、この生物学的計測情報を一つ選択する場合に限定されるものではなく、連関度を参照した上であえて複数の参照用計測情報を選択するようにしてもよい。

【0074】

次に評価部６は、選択した生物学的計測情報から細胞種を特定する。生物学的計測情報はそもそも細胞種と関連付けられているものであることから、この生物学的計測情報を選択することができれば、即座に細胞種を特定することができる。また細胞種以外の細胞の機能や特性の評価と生物学的計測情報とを予め関連付けておくことにより、細胞種以外の細胞の評価を行うことも可能となる。

【0075】

このような図７に示す計測情報と、生物学的計測情報との連関度についても更新するようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

【0076】

この連関度の更新は、計測情報と、生物学的計測情報との関係性に関する情報が入る都度、連関度を上昇させ、或いは下降させる。例えば、ある計測情報の画像が、ある生物学的計測情報のゲノム情報に対応していることが論文や学会発表、その他実験的検証に基づく研究データ等を通じて新たに確認できた場合、その計測情報の画像と生物学的計測情報のゲノム情報との連関度を上昇させる。また、ある計測情報の画像が、ある生物学的計測情報のゲノム情報に対応していないことが論文や学会発表、その他実験的検証に基づく研究データ等を通じて新たに確認できた場合、その計測情報の画像と生物学的計測情報のゲノム情報との連関度を下降させる。

【0077】

第２実施形態
以下、第２実施形態に係る細胞評価システム１´について図面を参照しながら詳細に説明をする。この第２実施形態において、上述した第１実施形態と同一の構成要素、部材に関しては、同一の符号を付すことにより以下での説明を省略する。

【0078】

図８は、本発明を適用した細胞評価システム１´の形態を示している。細胞評価システム１´は、イメージングフローサイトメーター分析部３´と、イメージングフローサイトメーター分析部３に接続されたレンズ７２と、レンズ７２から光が導かれるＰＭＴ（一画素素子）７１とを備えている。またこの細胞評価システム１´は、ＰＭＴ７１により検知されたデータを評価する評価部６と、評価部６に対してそれぞれ接続された制御部７及びデータベース７とを備えている。

【0079】

この既知静止ランダム構造照明部３０は、特定の濃淡パターンを介して励起光を発光する、いわゆる構造化照明を行う光構造である。この既知静止ランダム構造照明部３０は、圧縮センシングによる設計方法、又はこれ以外のいかなる設計方法に基づいて設計される。このような光構造を通じて構造化された励起光又は照明光を照射することができ、サンプル面に光パターンを形成させることができる。このような既知静止ランダム構造照明部３０中の流路中に計測対象となる細胞８を含む細胞群が流下する。その結果、流路中に流下する計測対象の細胞群に対して励起光が照射されることになる。個々の細胞８は、回折素子などの光学素子を通り、時系列的に励起光と相互作用することになる。当該細胞８の光学的な空間情報（形態に関する情報）を時系列波形にマッピングすることで物理的な計測を実現することができる。イメージングフローサイトメーター分析部３´は、いわゆるゴーストサイトメトリー法を適用するようにしてもよい。また得られた波形信号に基いて細胞の画像を再構成するようにしてもよいが、この細胞画像の再構成は、この第２実施形態において特段必須ではない。

【0080】

即ち、励起光は時系列に細胞８の異なる部分を励起し相互作用を起こさせ、細胞８の空間情報は時間情報に圧縮変換されることになる。イメージングフローサイトメーター分析部３´中を流れる細胞８の動きと、既知静止ランダム構造照明部３０にからの励起光（照明光）の発光が進行し、励起光（照明光）と細胞の重なっている部分が変化していき、重なりの総量の時間変化を計測する。つまり、図８に示すような横軸が時間軸であり、縦軸が信号強度軸からなる時系列波形を検出することができる。

【0081】

このような時系列波形を高速高感度な一画素素子であるＰＭＴ７１により検出する。レンズ７２は、イメージングフローサイトメーター分析部３´からの光をＰＭＴ７１に対して導き、集光させることにより、一画素分の信号計測を行う。

【0082】

評価部６は、このようにして得られた時系列波形に基づいて、イメージングフローサイトメーター分析部３´を流れる細胞における細胞特定情報を探索する。ここでいう細胞特定情報とは、イメージングフローサイトメーター分析部３´を流れる細胞を特定するためのいかなる情報を含む概念であり、例えば細胞フェノタイプ、細胞特性、細胞種、細胞内分子局在、細胞内構造、細胞形態、細胞成熟度、それら重要な細胞キャラクタリゼーション等を規定するための情報である。以下の例では、この細胞特定情報として、イメージングフローサイトメーター分析部３´を流れる細胞の細胞種を探索する場合を例にとり説明をする。

【0083】

評価部６は、この細胞特定情報を探索するに当たり、事前に学習済みモデルをデータベース７内に構築して記憶させておく。この学習済みモデルの例を図９に示す。

【0084】

図９に示すように、時系列波形がこの連関度を介して左側に配列し、細胞特定情報（細胞種）がこの連関度を介して右側に配列している。連関度については、上述した図４の例と同様であるが、この例では、時系列波形が、細胞特定情報の何れと関連性が高いかを示すものである。

【0085】

例えば、時系列波形のＵ１１は、細胞特定情報の細胞種Ａと連関度８０％、細胞種Ｂと連関度６０％、細胞種Ｈと連関度４０％、細胞種Ｊと連関度２０％であることが示されている。同様に時系列波形のＵ１３は、細胞特定情報の細胞種Ｄと連関度１００％、細胞種Ｅと連関度８０％、細胞種Ｆと連関度６０％であることが示されている。同様に時系列波形のＵ１５は、細胞特定情報の細胞種Ｈと連関度８０％、細胞種Ｄと連関度４０％、細胞種Ａと連関度２０％であることが示されている。ちなみに、時系列波形と細胞特定情報との間で線が連結されていない場合には、連関度が０％であることを意味している。

【0086】

なお連関度は、いわゆる機械学習を通じて更新が可能なモデルで構成されていてもよく、ニューラルネットワークで構成されていてもよい。またこの連関度は、深層学習がなされることを前提としたネットワークで構成されていてもよい。

【0087】

評価部６は、このようにデータベース７に記憶されている連関度を参照し、ＰＭＴ７１を介して新たに取得した細胞８の時系列波形が何れの細胞特定情報に該当する可能性が高いかを判別する。新たに取得した細胞８の時系列波形が、時系列波形Ｕ１４に類似するのであれば、このＵ１４と連関度の高い細胞特定情報の細胞種Ｇに最も該当する可能性が高いことを判別し、次に細胞種Ｃに該当する可能性が高いことを判別する。新たに取得した細胞８の時系列波形が、Ｕ１６に類似するのであれば、このＵ１６と連関度の高い細胞特定情報の細胞種Ｊに最も該当する可能性が高いことを判別し、次に細胞種Ｋに該当する可能性が高いことを判別する。

【0088】

ちなみに、新たに取得した時系列波形が、データベース７中に記憶させてある学習済みモデルの時系列波形Ｕのいずれに類似するかを判別する際にも、例えばディープラーニングや機械学習といった人工知能の各手法を用いるようにしてもよい。

【0089】

評価部６は、新たに取得した細胞８の時系列情報に基づき、これら連関度を参照することにより、細胞特定情報の何れか１以上を選択する作業を行う。このとき、評価部６は、受光部４を介して新たに取得した細胞８の時系列情報と最も連関度の高い細胞特定情報を選択するようにしてもよい。上述したように連関度が高いほど、その選択の的確性が高くなるためである。しかし、評価部６は、最も連関度の高い細胞特定情報の画像を選択する場合に限定されることはなく、連関度が中程度のもの、又は連関度が低いものをあえて選択するようにしてもよい。また、これ以外に時系列情報と細胞特定情報との間で矢印が繋がっていない連関度が０％である細胞特定情報を選択してもよいことは勿論である。ちなみに評価部６は、この細胞特定情報を一つ選択する場合に限定されるものではなく、連関度を参照した上であえて複数の細胞特定情報を選択するようにしてもよい。

【0090】

ちなみに、この連関度は、ニューラルネットワークのニューロンに代替されるものであってもよい。かかる場合には、複数の時系列波形の組み合わせに対する１以上の細胞特定情報が連関度を介して関連付けられた学習済みモデルを構築しておく。そして実際の判別時において、上述した方法に基づいて１以上の細胞特定情報を選択するようにしてもよい。

【0091】

図１０は、細胞特定情報毎に時系列波形をそれぞれタグ付けして学習させる例を示している。つまり、各細胞種Ａ、Ｂ毎にそれぞれ時系列波形を学習させる。細胞特定情報毎に時系列波形を３段階以上の連関度を通じて学習させた学習済みモデルを記憶させておく。このような学習済みモデルの例が上述した図９に示すネットワークになる。次にＰＭＴ７１を介して新たに取得した細胞８の時系列波形が何れの細胞特定情報（細胞種Ａ，細胞種Ｂ）に該当するかを上述のように判別する。

【0092】

図１１は、複数の細胞特定情報を混合させた混合体についての時系列波形と各細胞特定情報との３段階以上の連関度を通じて学習させる例を示している。つまり学習済みモデルの構築段階において、細胞種Ａ、細胞種Ｂを混合させた混合体についての時系列波形を取得しておく。その結果得られる時系列波形は、細胞種Ａに応じた兆候と、細胞種Ｂに応じた兆候が共に含まれるものとなっている。このような時系列波形を学習済みモデルとして学習させておき、ＰＭＴ７１を介して計測対象の細胞８が組み合わさった細胞群を新たに取得する。そこから得られる時系列波形から細胞種Ａに応じた兆候、細胞種Ｂに応じた兆候をそれぞれ学習済みモデルと照らし合わせ、何れに該当するか判別する。

【0093】

かかる場合における学習済みモデルは、時系列波形を図９に示す連関度の左側に配列し、この時系列波形は、細胞種Ａに応じた兆候、細胞種Ｂに応じた兆候の何れか一方又は両方の兆候が組み合わさったものとなっている。このような時系列波形に対して、それぞれ細胞特定情報が連関度を介してタグ付けされて学習済みモデルを構成する。ＰＭＴ７１を介して計測対象の細胞８が組み合わさった細胞群から時系列波形を新たに取得し、学習済みモデルを参照した結果、これが図１１に示すように細胞種Ｂの兆候を含むことを判別した場合には、その取得した細胞群において細胞種Ｂが含まれていることを判別することが可能となる。

【0094】

図１２は、検知すべき細胞特定情報を特定する上でポジティブな時系列波形と、ネガティブな時系列波形とを予め３段階以上の連関度を通じて学習させた学習済みモデルを構築する例である。図１１の例と同様に、複数の細胞特定情報を混合させた混合体についての時系列波形から、特定の細胞特定情報（例えば細胞種Ｂ）を検出する上で、ポジティブな時系列波形とネガティブな時系列的波形を予め学習させておく。ここでいうポジティブな時系列波形とは、特定の細胞特定情報（例えば細胞種Ｂ）に当てはまる蓋然性が高い波形上の兆候である。一方、ネガティブな時系列波形とは、特定の細胞特定情報（例えば細胞種Ｂ）に当てはまる蓋然性が低い波形上の兆候である。かかる場合には、時系列波形が図９に示す連関度の左側に配列し、ポジティブかネガティブかが連関度の右側に配列し、それぞれ連関度を介して関連付けられている。

【0095】

そしてＰＭＴ７１を介して計測対象の細胞８が組み合わさった細胞群から時系列波形を新たに取得し、学習済みモデルを参照した結果、ポジティブな時系列波形の兆候が現れた場合には、特定の細胞特定情報（例えば細胞種Ｂ）に当てはまる蓋然性を高くし、ネガティブな時系列波形の兆候が現れた場合には、特定の細胞特定情報（例えば細胞種Ｂ）に当てはまる蓋然性を低くする。つまり、ポジティブな時系列波形に近づくほど検知すべき細胞特定情報を判断する上でプラスに判断し、ネガティブな時系列波形に近づくほど検知すべき細胞特定情報を判断する上でプラスに判断する。最終的にこの特定の細胞特定情報に当てはまるポジティブな兆候とネガティブな兆候を総合的に見極め、特定の細胞特定情報に当てはまる蓋然性を判断していくことになる。

【0096】

かかる場合において、検知すべき細胞特定情報を特定する上でネガティブな時系列波形のみを予め３段階以上の連関度を通じて学習させた学習済みモデルを記憶させておくようにしてもよい。そしてＰＭＴ７１を介して計測対象の細胞８が組み合わさった細胞群から時系列波形を新たに取得した場合には、ネガティブな時系列波形に該当するか否かを学習済みモデルを参照して判断する。その結果、ネガティブな時系列波形に該当しないものを検知すべき細胞特定情報として特定するようにしてもよい。

【0097】

図１２中の「＋」はポジティブな兆候であり、「－」はネガティブな兆候であるが、それぞれの兆候を検出する毎に制御部５による制御を切り替える例を示している。イメージングフローサイトメーター分析部３´の先端が分岐しており、制御部５による制御を通じて細胞を分類できるように構成している場合には、ポジティブな兆候が現れた場合のみその特定の細胞８を分岐させた特定の流路に導くようにしてもよい。かかる場合において制御部５は、電場や磁場等を通じたあらゆる物理的手段を通じて特定の細胞８を導くようにしてもよいことは勿論である。

【0098】

また図１３は、ポジティブな兆候とネガティブな兆候を細胞特定情報と共に取得することで学習済みモデルを作る例を示している。ポジティブな兆候を呈する時系列波形と共に、緑蛍光生細胞染色と、赤蛍光バイオマーカーを介して得られた細胞特定情報を同時に計測する。同様にネガティブな兆候を呈する時系列波形と共に、緑蛍光生細胞染色と、赤蛍光バイオマーカーを介して得られた細胞特定情報を同時に計測する。

【0099】

このようにて得られた各時系列波形とそれぞれにタグ付けされたポジティブ又はネガティブな細胞特定情報を同時に計測し、学習済みモデルとして蓄積していく。この学習済みモデルを構築する過程において、細胞の蛍光染色または非染色に関わらず、時系列波形と、細胞特定情報の同時計測を行うことが必要となる。

【0100】

なお、本発明においては、上述のようにして作製した学習済みモデルに基づく教師有り学習データに加え、ポジティブな時系列波形及びネガティブな時系列波形と関連付けられていないラベル無しデータに基づいた半教師有り学習に基づいて、細胞特定情報を特定するようにしてもよいことは勿論である。例えば、血液中のがん細胞のように、大半がどのようにラベルを付けてよいか分からない場合において、一部のみラベルの付け方が既知である場合において有用である。

【符号の説明】

【0101】

１ 細胞評価システム
２ 光源
３ イメージングフローサイトメーター分析部
４ 受光部
４ａ 受光センサ
４ｂ 受光センサ
５ 制御部
６ 評価部
７ データベース
８ 細胞
９ ビーズ
３１ 流路
３２ 第１対物レンズ
３３ 第１ビームスプリッタ
３４ 第１レンズ
３５ 第２レンズ
３６ 第２ビームスプリッタ
３８ 第２対物レンズ
３９ ミラー
４０ 第３レンズ
４１ 第４レンズ
７１ ＰＭＴ
７２ レンズ９１ コンパートメント

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】