特許 7339308 細胞の表現型応答を自動的に分析するためのシステムおよび方法

(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】2023-08-28

(45)【発行日】2023-09-05

(54)【発明の名称】細胞の表現型応答を自動的に分析するためのシステムおよび方法

(51)【国際特許分類】

   C12M 1/34 20060101AFI20230829BHJP

   C12Q 1/02 20060101ALI20230829BHJP

   G06T 7/00 20170101ALI20230829BHJP

【ＦＩ】

C12M1/34 B

C12Q1/02

G06T7/00 630

【請求項の数】 16

(21)【出願番号】P 2021165275

(22)【出願日】2021-10-07

(62)【分割の表示】P 2018506915の分割

【原出願日】2016-08-05

(65)【公開番号】P2022000057

(43)【公開日】2022-01-04

【審査請求日】2021-10-07

(31)【優先権主張番号】62/204,225

(32)【優先日】2015-08-12

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】511227336

【氏名又は名称】モレキュラー デバイシーズ， エルエルシー

(74)【代理人】

【識別番号】100078282

【弁理士】

【氏名又は名称】山本 秀策

(74)【代理人】

【識別番号】100113413

【弁理士】

【氏名又は名称】森下 夏樹

(72)【発明者】

【氏名】アブルム アイザック コーエン

(72)【発明者】

【氏名】ディフイ ホン

【審査官】松原 寛子

(56)【参考文献】

【文献】米国特許第０８８８５９１３（ＵＳ，Ｂ１）

【文献】Molecular cancer therapeutics，2010年，DOI:10.1158/1535-7163.MCT-09-1148

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ１２Ｍ １／３４

Ｃ１２Ｑ １／０２

ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

ＣＡｐｌｕｓ／ＭＥＤＬＩＮＥ／ＥＭＢＡＳＥ／ＢＩＯＳＩＳ（ＳＴＮ）

(57)【特許請求の範囲】

【請求項1】

薬物投与または物質暴露に対する細胞の表現型応答を分析するためのシステムであって、
画像捕捉デバイスと、
１つまたは複数の非一過性記憶デバイス上に記憶されたコンピュータ実行可能なコードを含む応答分析システムであって、前記コードは、実行されると、
複数の基準細胞担体の画像および前記複数の基準細胞担体と関連付けられた薬物投与または物質暴露の情報を受信することであって、前記薬物投与または物質暴露の情報は、前記複数の基準細胞担体の各担体に投与された薬物の量のインジケーション、または、前記複数の基準細胞担体の各担体が暴露された物質の量のインジケーションを含む、ことと、
前記画像および／または前記画像内に表現される細胞の複数のパラメータを展開することと、
前記複数のパラメータの各々と前記複数の基準細胞担体の対応する担体に投与された薬物の量との間、または、前記複数のパラメータの各々と前記複数の基準細胞担体の対応する担体が暴露された物質の量との間の相関を計算することと、
前記相関に基づいて、前記複数のパラメータのサブセットを、識別されたパラメータとして識別することであって、前記識別されたパラメータは、前記複数の基準細胞担体のうちの前記薬物投与または物質暴露が適用されたそれらの基準細胞担体を、前記複数の基準細胞担体のうちの異なる薬物投与または物質暴露が適用されたまたはいずれの薬物投与または物質暴露も適用されていない他の基準細胞担体から区別する、ことと、
前記識別されたパラメータを使用してモデルを訓練することと、
前記画像捕捉デバイスから評価されるべき細胞担体の画像を受信することと、
前記訓練されたモデルを前記評価されるべき細胞担体の前記画像に適用し、前記評価されるべき細胞担体に適用される薬物投与または物質暴露の量を予測することと
を１つまたは複数のプロセッサに行わせる、応答分析システムと
を備える、システム。

【請求項2】

前記識別されたパラメータのうちの少なくとも１つは、前記画像のうちの１つの画像内の細胞の表現と関連付けられたパラメータである、請求項１に記載のシステム。

【請求項3】

前記細胞の前記表現と関連付けられた前記パラメータは、前記細胞の前記表現の縁と核との間の距離、前記細胞の前記表現の形状、および前記細胞の前記表現と関連付けられたピクセルの強度の変動のうちの１つを含む、請求項２に記載のシステム。

【請求項4】

前記複数のパラメータのうちの少なくとも１つは、特定の細胞担体のサンプルエリアの複数の画像を分析することによって展開される、請求項２に記載のシステム。

【請求項5】

前記サンプルエリアの前記複数の画像は、異なる照明条件を使用して撮影される、請求項４に記載のシステム。

【請求項6】

前記モデルは、人工ニューラルネットワークであり、各識別されたパラメータは、前記人工ニューラルネットワークの入力ノードと関連付けられている、請求項１に記載のシステム。

【請求項7】

前記応答分析システムは、前記モデルを訓練するために、深層学習、決定木、ランダムフォレスト、遺伝的アルゴリズム、メタヒューリスティクス、ｋ平均法、群行動、蟻コロニー最適化、および焼きなまし法のうちの１つを使用する、請求項１に記載のシステム。

【請求項8】

前記応答分析システムは、前記評価されるべき細胞担体の前記画像から前記識別されたパラメータの値を展開し、前記モデルへの入力として前記展開された値を提供する、請求項１に記載のシステム。

【請求項9】

前記識別されたパラメータのうちの前記１つは、平均ピクセル強度、細胞核が位置するピクセル座標、細胞の縁におけるピクセル強度変動の強さ、画像内の細胞の核に対する縁の配向、異なる倍率におけるピクセル強度のテクスチャまたは変動の測定値、ピクセル強度の標準偏差、フーリエ変換のピークと関連付けられた周波数、ウェーブレートマッチ、およびガウスピークのラプラシアンのうちの１つである、請求項１に記載のシステム。

【請求項10】

前記応答分析システムは、前記複数の基準細胞担体の各画像において、前記画像内に表現される細胞と関連付けられた１つまたは複数のピクセルを識別する、請求項１に記載のシステム。

【請求項11】

薬物投与または物質暴露に対する細胞の表現型応答を分析する方法であって、
複数の基準細胞担体の画像および前記複数の基準細胞担体と関連付けられた薬物投与または物質暴露の情報を受信するステップであって、前記薬物投与または物質暴露の情報は、前記複数の基準細胞担体の各担体に投与された薬物の量のインジケーション、または、前記複数の基準細胞担体の各担体が暴露された物質の量のインジケーションを含む、ステップと、
前記画像および／または前記画像内に表現される細胞の複数のパラメータを展開するステップと、
前記複数のパラメータの各々と前記複数の基準細胞担体の対応する担体に投与された薬物の量との間、または、前記複数のパラメータの各々と前記複数の基準細胞担体の対応する担体が暴露された物質の量との間の相関を計算するステップと、
前記相関に基づいて、前記複数のパラメータのサブセットを、識別されたパラメータとして識別するステップであって、前記識別されたパラメータは、前記複数の基準細胞担体のうちの前記薬物投与または物質暴露が適用されたそれらの基準細胞担体を、前記複数の基準細胞担体のうちの異なる薬物投与または物質暴露が適用されたまたはいずれの薬物投与または物質暴露も適用されていない他の基準細胞担体から区別する、ステップと、
前記識別されたパラメータを使用してモデルを訓練するステップと、
画像捕捉デバイスから評価されるべき細胞担体の画像を受信するステップと、
前記訓練されたモデルを前記評価されるべき細胞担体の前記画像に適用し、前記評価されるべき細胞担体に適用される薬物投与または物質暴露の量を予測するステップと
を含む、方法。

【請求項12】

前記複数の基準細胞担体の前記画像のうちの少なくとも２つは、少なくとも２つの異なる照明条件下で撮影されたサンプルエリアのものである、請求項１１に記載の方法。

【請求項13】

前記モデルを訓練するステップは、人工ニューラルネットワークを訓練するステップを含む、請求項１２に記載の方法。

【請求項14】

前記人工ニューラルネットワークを訓練するステップは、識別されたパラメータを前記人工ニューラルネットワークの入力ノードと関連付けるステップを含む、請求項１３に記載の方法。

【請求項15】

前記モデルを訓練するステップは、深層学習、決定木、ランダムフォレスト、遺伝的アルゴリズム、メタヒューリスティクス、ｋ平均法、群行動、蟻コロニー最適化、および焼きなまし法のうちの１つを用いて前記モデルを訓練するステップを含む、請求項１１に記載の方法。

【請求項16】

前記パラメータを展開するステップは、前記複数の基準細胞担体の前記画像のうちの１つの画像内の細胞の表現と関連付けられたピクセルを識別するステップを含む、請求項１１に記載の方法。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願）
本願は、２０１５年８月１２日に出願された米国特許出願第６２／２０４，２２５号の利益を主張するものであり、該米国特許出願の内容は、その全体が参照により本明細書中に援用される。

【0002】

（開示の分野）
本主題は、ハイコンテント撮像システムに関し、より具体的には、細胞の表現型応答を自動的に分析するためのシステムおよび方法に関する。

【背景技術】

【0003】

研究者は、例えば、特定の物質および／または他の環境変化への暴露等の処置に対する生物学的細胞の表現型応答を分析するために、ハイコンテント撮像システム（ＨＣＩＳ）を使用し得る。そのような応答は、視覚的に明確に異なり得、蛍光標識および他の技法を使用して取得された画像内で観察可能であり得る。

【0004】

しかしながら、そのような応答は、応答に伴われる経路、細胞組織タイプ、細胞年齢、成長条件、および同等物に従って変動し得る。種々の可能性として考えられる応答は、細胞の画像の分析が、例えば、細胞内の１つの場所から別の場所へのタンパク質の転置、特定の分子の発現または存在、分子の会衆または集塊、および同等物等の特定のタイプの表現型応答に限定されることを要求する。さらに、分析され得る、各タイプの表現型応答は、そのような細胞の画像内で測定され得る、複数の調節可能パラメータと関連付けられ得、そのような応答の存在または不在は、そのような測定されたパラメータの大きさによって示され得る。応答のタイプの数量および各タイプの応答を定量化するために調節されなければならないパラメータの数は、研究者が生じる応答の表現型タイプを識別し、次いで、そのようなタイプと関連付けられた種々のパラメータを操作し、そのような応答が実際生じるかどうかを判定しなければならないため、有意な負担を研究者に課し得る。

【発明の概要】

【発明が解決しようとする課題】

【0005】

さらに、ある場合には、標的細胞の同種集団を試験されるべき物質または環境条件に暴露することは、実践的ではない、または不可能でさえあり得る。そのような場合、標的細胞を含む細胞の異種集団が、物質または環境条件に暴露され、異種集団の画像が、取得され、そのような画像が、異種集団内の特定の標的細胞が特定の表現型応答を呈するかどうかを判定するために分析される必要がある。

【課題を解決するための手段】

【0006】

一側面によると、処置に対する細胞の表現型応答を分析するためのシステムは、ハイコンテント撮像システムと、モデル展開モジュールと、画像取得モジュールと、モデル適用モジュールとを含む。モデル展開モジュールは、複数の基準細胞担体の画像および複数の基準細胞担体と関連付けられた処置情報を受信し、処置が適用されたそれらの基準細胞担体を他の基準細胞担体から区別する画像内の細胞のパラメータを識別し、識別されたパラメータを使用してモデルを訓練する。ハイコンテント撮像システムは、画像捕捉デバイスを含み、画像取得モジュールは、画像捕捉デバイスから評価されるべき細胞担体の複数の画像を受信する。モデル適用モジュールは、訓練されたモデルを評価されるべき細胞担体の複数の画像に適用し、評価される細胞担体のそれぞれに適用される処置の濃度を予測する。

【0007】

別の側面によると、処置に対する細胞の表現型応答を分析するための方法は、ハイコンテント撮像システムを動作させるステップであって、ハイコンテント撮像システムは、画像捕捉デバイスを含む、ステップを含む。本方法はまた、複数の基準細胞担体の画像および複数の基準細胞担体と関連付けられた処置情報を受信するステップと、処置が適用されたそれらの基準細胞担体を他の基準細胞担体から区別する画像内の細胞のパラメータを識別するステップと、識別されたパラメータを使用してモデルを訓練するステップとを含む。本方法はさらに、ハイコンテント撮像システムの画像取得モジュールを動作させ、評価されるべき細胞担体の複数の画像を得るステップと、訓練されたモデルを評価されるべき細胞担体の複数の画像に適用し、細胞担体のそれぞれに適用される処置の濃度を予測するステップを含む。

【0008】

他の側面および利点は、同様の数字が明細書全体を通して同様の構造を指定する、以下の発明を実施するための形態および添付の図面を考慮して明白となるであろう。
本発明は、例えば、以下を提供する。
（項目１）
処置に対する細胞の表現型応答を分析するためのシステムであって、
ハイコンテント分析システムであって、前記ハイコンテント分析システムは、画像捕捉デバイスを含む、ハイコンテント分析システムと、
複数の基準細胞担体の画像および前記複数の基準細胞担体と関連付けられた処置情報を受信し、前記処置が適用されたそれらの基準細胞担体を他の基準細胞担体から区別する前記画像内の細胞のパラメータを識別し、前記識別されたパラメータを使用してモデルを訓練する、モデル展開モジュールと、
前記画像捕捉デバイスから評価されるべき細胞担体の複数の画像を受信する、画像取得モジュールと、
前記訓練されたモデルを前記評価されるべき細胞担体の複数の画像に適用し、評価されるべき前記細胞担体のそれぞれ内の細胞の応答レベルを示す、モデル適用モジュールと、
を備える、システム。
（項目２）
前記複数の基準細胞担体の画像は、基準トレイのウェルの画像、スライドのセットの画像、およびフローサイトメトリ流体サンプルの画像のうちの１つである、項目１に記載のシステム。
（項目３）
対物レンズ、１つまたはそれを上回るフィルタ、および照明の複数の組み合わせを使用して評価されるべき前記細胞担体のそれぞれの画像を捕捉するように前記ハイコンテント撮像システムを自動的に動作させる、コントローラをさらに含む、項目１に記載のシステム。
（項目４）
前記モデル展開モジュールは、前記複数の基準細胞担体の第１のサブセットを訓練サブセットとして、前記複数の基準細胞担体の第２のサブセットを評価サブセットとして選択し、前記モデル展開モジュールは、前記訓練サブセットの画像を前記モデルを訓練するために使用し、前記評価サブセットの画像を前記モデルの有効性を評価するために使用し、前記モデル展開モジュールは、前記訓練サブセットの画像のパラメータを選択し、前記モデルを訓練するために使用する、項目１に記載のシステム。
（項目５）
前記訓練サブセットの複数の画像のそれぞれと関連付けられたパラメータの特性を評価する、パラメータ計算モジュールをさらに含み、前記パラメータ計算モジュールは、前記訓練サブセットの複数の画像のそれぞれを分析し、各そのような画像内の細胞核の場所を識別する、項目４に記載のシステム。
（項目６）
前記モデルは、画像がその入力ノードに提供される、深層学習ニューラルネットワークであって、前記モデルを訓練するために重要な前記画像のパラメータは、前記深層学習ニューラルネットワークを訓練することによって判定される、項目４に記載のシステム。
（項目７）
前記モデルは、各入力ノードが選択されたパラメータと関連付けられる、人工ニューラルネットワークである、項目４に記載のシステム。
（項目８）
前記モデルは、深層学習、フォレストツリー、ランダムフォレスト、遺伝的アルゴリズム、メタヒューリスティクス、ｋ平均法、蟻群行動、蟻コロニー最適化、および焼きなまし法のうちの１つを使用して訓練される、項目５に記載のシステム。
（項目９）
前記モデル展開モジュールによって展開されたモデルの有効性を計算する、モデル評価モジュールをさらに含む、項目１に記載のシステム。
（項目１０）
前記モデルは、付加的モデルと組み合わせて、複数のタイプの応答を呈する細胞を識別するために使用される、項目１に記載のシステム。
（項目１１）
処置に対する細胞の表現型応答を分析するための方法であって、
ハイコンテント撮像システムを動作させるステップであって、前記ハイコンテント撮像システムは、画像捕捉デバイスを含む、ステップと、
複数の基準細胞担体の画像および前記複数の基準細胞担体と関連付けられた処置情報を受信するステップと、
前記処置が適用されたそれらの基準細胞担体を他の基準細胞担体から区別する前記画像内の細胞のパラメータを識別するステップと、
前記識別されたパラメータを使用してモデルを訓練するステップと、
ハイコンテント撮像システムの画像取得モジュールを動作させ、評価されるべき細胞担体の複数の画像を得るステップと、
前記訓練されたモデルを前記評価されるべき細胞担体の複数の画像に適用し、評価されるべき前記細胞担体のそれぞれに適用される前記処置の濃度を予測するステップと、
を含む、方法。
（項目１２）
前記複数の基準細胞担体の画像は、基準トレイのウェルの画像、スライドのセットの画像、およびフローサイトメトリ流体サンプルの画像のうちの１つである、項目１１に記載の方法。
（項目１３）
評価されるべき前記細胞担体のそれぞれの画像を捕捉するために前記ハイコンテント撮像システムによって使用される対物レンズ、１つまたはそれを上回るフィルタ、および照明を自動的に選択するさらなるステップを含む、項目１１に記載の方法。
（項目１４）
前記複数の基準細胞担体の第１のサブセットを訓練サブセットとして、前記複数の基準細胞担体の第２のサブセットを評価サブセットとして選択するさらなるステップを含み、前記モデルを展開するステップは、前記訓練サブセットの画像を使用して前記モデルを訓練し、前記評価サブセットの画像を使用して前記モデルの有効性を評価するステップを含む、項目１１に記載の方法。
（項目１５）
前記訓練サブセットの画像のパラメータを選択し、前記モデルを訓練するために使用するさらなるステップを含む、項目１４に記載の方法。
（項目１６）
前記訓練サブセットの複数の画像のそれぞれと関連付けられたパラメータの特性を評価するステップをさらに含む、項目１５に記載の方法。
（項目１７）
前記訓練サブセットの複数の画像のそれぞれを分析し、各そのような画像内の細胞核の場所を識別するステップをさらに含む、項目１６に記載の方法。
（項目１８）
前記モデルは、各入力ノードが選択されたパラメータと関連付けられる、人工ニューラルネットワークである、項目１５に記載の方法。
（項目１９）
深層学習、フォレストツリー、ランダムフォレスト、遺伝的アルゴリズム、メタヒューリスティクス、ｋ平均法、蟻群行動、蟻コロニー最適化、および焼きなまし法のうちの１つを用いて前記モデルを訓練するステップをさらに含む、項目１５に記載の方法。
（項目２０）
前記展開されたモデルの有効性を計算するステップをさらに含む、項目１１に記載の方法。

【図面の簡単な説明】

【0009】

【図1】図１は、ハイコンテント撮像システムのブロック図である。

【図2】図２は、図１のハイコンテント撮像システムと併用され得る、応答分析システムのブロック図である。

【図3】図３および４は、図２の応答分析システムと併用され得る、サンプルトレイを図示する。

【図4】図３および４は、図２の応答分析システムと併用され得る、サンプルトレイを図示する。

【図5】図５は、モデルを展開するために図２の応答分析システムによって行われるステップのフローチャートである。

【図6】図６は、図５のフローチャートに従って展開されたモデルを適用するために図２の応答分析システムによって行われるステップのフローチャートである。

【発明を実施するための形態】

【0010】

図１を参照すると、当業者に明白となるであろうように、ＨＣＩＳ１００は、Ｘ－Ｙ段１０２と、１つまたはそれを上回る対物レンズ１０４と、１つまたはそれを上回る照明源１０６と、１つまたはそれを上回るフィルタ１０８と、画像捕捉デバイス１１０と、コントローラ１１２とを含んでもよい。ＨＣＩＳ１００はまた、照明源１０６からの光を、Ｘ－Ｙ段１０２上に配置され得るサンプルトレイ１１６に、そのようなサンプルトレイ１１６から、画像捕捉デバイス１１０に指向する、１つまたはそれを上回るミラー１１４を含んでもよい。典型的には、サンプルトレイ１１６は、複数のウェル１１８を含み、ＨＣＩＳ１００によって撮像されるべきサンプル（例えば、生物学的細胞）は、各そのようなウェル１１８内に配置されてもよい。

【0011】

図１は、サンプルトレイ１１６から反射された照明源１０６からの光が画像捕捉デバイス１１０に到達することを示すが、付加的ミラー（図示せず）が、照明源１０６からの光がサンプルトレイ１１６を通して伝送され、画像捕捉デバイス１１０に向かって指向されるように使用されてもよいことが明白となるはずである。さらに、ある場合には、照明源１０６からの照明が、サンプルトレイ１１６内のサンプルを撮像するために必要ない場合もあることが明白となるはずである（例えば、サンプルが光を放出する場合、またはサンプルが放射性成分を含む場合）。いくつかの実施形態では、照明源からの光は、サンプルトレイ１１６内のサンプルを通して伝送され、サンプルが、撮像される生成物が照らされるように伝送された光を屈折および／または吸収してもよい。

【0012】

動作の間、サンプルトレイ１１６は、手動またはロボットのいずれで、Ｘ－Ｙ段１０２上に設置されてもよい。加えて、コントローラ１１２は、特定の対物レンズ１０４、照明源１０６によって発生される照明、および／またはフィルタ１０８の組み合わせを使用するようにＨＣＩＳ１００を構成してもよい。例えば、コントローラ１１２は、位置付けデバイス（図示せず）を動作させ、選択された対物レンズ１０４、随意に、選択されたフィルタ１０８をサンプルトレイ１１６と画像捕捉デバイス１１０との間の光経路内に設置してもよい。コントローラ１１２はまた、照明源１０６を指示し、サンプルトレイ１１６を光の特定の波長で照明してもよい。サンプルトレイ１１６内のサンプルは、自然発生分子または処置に起因してサンプル内で産生または存在する分子のいずれかを蛍光化する、分子を含有してもよい。サンプルを照明する波長は、そのような蛍光分子と関連付けられた励起波長であってもよく、撮像捕捉デバイスは、そのような蛍光材料の放出スペクトルのみを捕捉するであろう。１つまたはそれを上回る波長は、連続して、または同時に使用され、同一サンプルを照明し、画像を生成してもよい。

【0013】

加えて、いくつかの実施形態では、コントローラ１１２は、画像捕捉デバイス１１０がサンプルトレイ１１６内に配置されるサンプルの合焦画像を取得し得るように、集束機構１２０を動作させてもよい。

【0014】

その後、コントローラ１１２は、ウェル１１８またはその一部が画像捕捉デバイス１１０の視野内にあるようにＸ－Ｙ段１０２を動作させ、画像捕捉デバイス１１０を作動させ、ウェル１１８またはその一部の画像を捕捉してもよい。コントローラ１１２は、着目されるサンプルトレイ１１６のウェル１１８の全ての画像が捕捉されるまで、Ｘ－Ｙ段１０２および画像捕捉デバイス１１０をこのように繰り返し動作させてもよい。さらに、コントローラ１１２は、同一ウェル１１８またはその一部のいくつかの画像を捕捉してもよく、各そのような画像は、対物レンズ１０４のうちの１つ、フィルタ１０８のうちの１つまたはそれを上回るもの、および照明源１０６によって発生される照明の異なる組み合わせを使用して捕捉される。

【0015】

図１－４を参照すると、応答分析システム２００が、ＨＣＩＳ１００と併用され、自動的に、サンプルトレイ１１６のウェル１１８内に配置される任意の細胞が処置に応答するかどうかを判定してもよい。基準サンプルトレイ１１６Ａは、その各ウェル１１８Ａ内に配置されるサンプル細胞の同じ集団で調製される。各ウェル１１８Ａ内に配置される集団は、標的細胞のみを備える同種集団または標的細胞および非標的細胞の組み合わせである異種集団であってもよい。その後、基準サンプルトレイ１１６Ａの選択されたウェル１１８Ａは、処置を受けてもよい。

【0016】

いくつかの実施形態では、基準サンプルトレイ１１６Ａの選択されたウェル１１８Ａは、所定の用量または処置の濃度のいずれかをそこに適用させてもよく、他のウェル１１８Ａは、処置をそこに適用させなくてもよい。図３に図示されるように、列１－６内のウェル１１８Ａは、「＋」文字によって示されるように、処置を受けていてもよく、列７－１２内のウェル１１８Ａは、「－」文字によって示されるように、処置を受けていなくてもよい。

【0017】

いくつかの実施形態では、基準サンプルトレイ１１６Ａのウェル１１８Ａは、処置の異なる投薬量または濃度をそこに適用させてもよい。図４に図示されるように、行Ａ－Ｃおよび列１－３におけるウェル１１８Ａは、「－」文字によって示されるように、いかなる処置もそこに適用させていない。行Ａ－Ｃおよび列４－６におけるウェル１１８Ａは、第１の濃度を有しており、例えば、「１」文字によって示されるように、１単位の処置がそこに適用されており、行Ａ－Ｃおよび列７－９におけるウェル１１８Ｂは、第２の濃度を有しており、例えば、「２」文字によって示されるように、２単位の処置をそこに適用させている。図３および４に示される本実施例では、基準サンプルトレイ１１６Ａのウェル１１８Ａに示される各一意の文字は、そのようなウェルに適用される処置の異なる濃度と関連付けられる。

【0018】

オペレータは、ユーザコンピュータ２０２を使用して、処置情報を応答分析システム２００に規定し、そのような処置情報は、基準サンプルトレイ１１６Ａの各ウェル１１８Ａに適用される処置の濃度のインジケーションを含む。ユーザインターフェースモジュール２０４は、そのような基準サンプルトレイ情報を受信し、情報を処置情報データベース２０６内に記憶する。いくつかの実施形態では、ユーザインターフェースモジュール２０４は、オペレータが、基準サンプルトレイ１１６Ａのウェル１１８Ａ毎に、そのようなウェル１１８Ａに適用される処置の濃度または量を規定する、ファイル、例えば、テキストファイル、スプレッドシートファイル、または他のデータファイルをアップロードすることを可能にする。他の実施形態では、ユーザインターフェースモジュール２０４は、ユーザコンピュータ２０２上に、基準サンプルトレイ１１６Ａのウェル１１８Ａの表現を表示し、オペレータが、ユーザコンピュータ２０２の入力デバイス（図示せず）を使用し、各ウェルの表現を選択し、そのような表現と関連付けられた各ウェル１１８Ａに適用される処置の濃度を示すことを可能にする。当業者に明白な他の方法が、基準サンプルトレイ情報を応答分析システム２００に供給するために使用されてもよい。

【0019】

その後、画像取得モジュール２０８は、ＨＣＩＳ１００に、各ウェル１１８Ａの複数の画像を捕捉するように指示し、各画像は、前述のように、対物レンズ１０４、照明源１０６によって発生される照明、およびフィルタ１０８の異なる組み合わせを用いて捕捉される。いくつかの実施形態では、そのような複数の画像は、伝送光、蛍光、微分干渉コントラスト、位相コントラスト、明視野撮像、および同等物を含む、異なるモダリティを使用して取得されてもよい。

【0020】

いくつかの実施形態では、画像取得モジュール２０８は、各特定の組み合わせをＨＣＩＳ１００のコントローラ１１２に伝送し、それに応答して、捕捉された画像を画像捕捉デバイス１１０から受信する。受信された画像は、次いで、画像データベース２１０内に記憶される。他の実施形態では、画像取得モジュール２０８は、ＨＣＩＳ１００のコントローラ１１２と統合されてもよく、各組み合わせを用いてＨＣＩＳ１００を自動的に構成し、画像捕捉デバイス１１０に画像を捕捉するように指示し、画像を画像データベース２１０内に記憶してもよい。いくつかの実施形態では、画像を捕捉するために使用される対物レンズ、照明、およびフィルタの組み合わせは、事前に定義される。他の実施形態では、ユーザは、サンプルトレイ１１６Ａ内のサンプルの特性に従ってそのような組み合わせを選択してもよい。そのような特性は、そのようなサンプル内の分子、サンプル内の着目構造のサイズ、および同等物を含んでもよい。

【0021】

画像の全てが捕捉され、画像データベース２１０内に記憶された後、モデル展開モジュール２１２は、基準サンプルトレイ１１６Ａの記憶された画像を分析し、モデルを展開する。その後、展開されたモデルは、他のサンプルトレイ１１６の画像を自動的に分析し、そのようなトレイ内の細胞が処置に対して表現型応答を呈するかどうかを判定するために使用されてもよい。

【0022】

モデルを展開するために、モデル展開モジュール２１２は、処置情報を使用して、基準サンプルトレイ１１６Ａのウェル１１８Ａの訓練サブセットをランダムに選択してもよい。訓練サブセットは、処置が適用されていない１つまたはそれを上回るウェル１１８Ａと、サンプルトレイ１１６Ａに適用される処置の異なる濃度毎に少なくとも１つのウェル１１８Ａとを含んでもよい。例えば、図４に図示される基準サンプルトレイ１１６Ａが使用される場合、訓練サブセットは、処置が適用されていない少なくとも１つのウェル１１８Ａと、基準サンプルトレイ１１６Ａのウェル１１８Ａに適用される処置の異なる濃度１－７のそれぞれと関連付けられた少なくとも１つのウェル１１８Ａとを含んでもよい。

【0023】

モデル展開モジュール２１２は、各ウェル１１８Ａの１つまたはそれを上回る画像を分析のためにパラメータ計算モジュール２１４に提供してもよい。パラメータ計算モジュール２１４は、画像を分析し、そのような画像の種々の特性またはパラメータの値を計算する。例えば、画像は、その平均ピクセル強度値、細胞核が位置するそのような画像のピクセル座標の値、画像内の細胞の縁におけるピクセル強度変動の強さを表す値、画像内の細胞の核に対する縁の配向を表す値、異なる倍率におけるピクセル強度のテクスチャまたは変動の測定値を表す値、および同等物を判定するために分析されてもよい。さらに、テクスチャの測定は、ピクセル強度の標準偏差の計算、画像のフーリエ変換のピークと関連付けられた周波数の識別、ウェーブレートマッチ、およびガウスピーク分析のラプラシアンを含んでもよい。

【0024】

いくつかの実施形態では、パラメータ計算モジュール２１４は、画像を区画し、そのような画像内の各細胞核と関連付けられた細胞構造を識別してもよい。例えば、細胞核と関連付けられた細胞境界が、光の異なる波長で撮影された１つまたはそれを上回る画像を使用して識別されてもよい。そのような境界によって境界される各細胞の面積が、計算されてもよい。また、モデル展開モジュール２１２は、そのような細胞の形状（例えば、円形、伸長、多角形等）を評価してもよい。さらに、細胞の識別された境界は、画像をマスクし、細胞と関連付けられた構造を隔離するために使用されてもよく、前述のパラメータの値もまた、そのようなマスクされた画像上で計算されてもよい。

【0025】

いくつかの実施形態では、パラメータ計算モジュール２１４は、ユーザインターフェースモジュール２０４に、画像またはその一部をユーザコンピュータ２０２上に表示し、オペレータから細胞および／または細胞核と関連付けられた画像（またはその一部）のピクセルの識別を得るように指示してもよい。そのようなオペレータ提供情報は、そのような細胞核と関連付けられた境界を自動的に識別し、および／または付加的細胞核を識別するために使用されてもよい。パラメータ計算モジュール２１４は、当業者に公知のフィルタ処理、機械学習、および画像分析技法を使用して、基準サンプルトレイ１１６Ａのウェル１１８Ａの画像と関連付けられた種々のパラメータの値を計算してもよいことが明白となるはずである。

【0026】

いくつかの実施形態では、パラメータ計算モジュール２１４は、各ウェル１１８Ａまたは基準サンプルトレイ１１６Ａ内のサンプルまたは細胞の全てのパラメータの値を計算してもよい。ウェル１１８Ａの数が、サンプルの数と比較して、比較的に少なく、測定可能パラメータの数が比較的に多いため、全体的ウェル１１８Ａ内のサンプルに関するパラメータの計算は、ウェル１１８Ａに適用される処置がどのようにそのようなウェル１１８Ａに関して計算されるパラメータに顕在化するかの推論の展開を促進し得る。

【0027】

いくつかの実施形態では、パラメータ計算モジュール２１４は、例えば、細胞縁から細胞核までの距離、細胞形状、細胞内の強度変動、および同等物等、ウェル１１８Ａの画像内で識別された個々の細胞の測定値を表す、パラメータの値を計算する。さらに、パラメータ計算モジュール２１４は、例えば、異なる照明を使用して撮影された特定のウェル１１８Ａのサンプル面積のいくつかの画像からの情報を使用して、ウェル１１８Ａの特定の画像と関連付けられたパラメータの値の計算を促進してもよい。

【0028】

画像内の細胞は、種々の方法で識別され得る。一実施形態では、パラメータ計算モジュール２１４は、各画像内の染色された核を識別する。そのような識別は、ＭｉｎｉＭａｘによって使用されるような当業者に公知の機械学習アルゴリズムまたは強度およびサイズベースのアルゴリズムを使用してもよい。ＭｉｎｉＭａｘはまた、伝送された光を使用して無標識細胞を識別するために使用されてもよい。ウェル１１８Ａと関連付けられたパラメータの特性を判定するために、そのようなウェル内の各細胞の正確な識別は、要求されなくてもよい。しかしながら、個々の細胞がパラメータ計算モジュール２１４によって識別される場合、パラメータ計算モジュール２１４は、ウェル１１８Ａと関連付けられた特性パラメータに加え、ウェル１１８Ａ内の個々の細胞と関連付けられたパラメータの特性を展開することを可能にし得る。

【0029】

いくつかの実施形態では、ウェル１１８Ａの画像の区分は、区分に分裂されてもよく、各そのような区分内の「細胞様」面積は、テクスチャ等の特徴または前述のような機械学習アルゴリズムのいずれかによって識別され得る。

【0030】

パラメータの値は、モデル展開モジュール２１２によって選択されたサブセット内のウェル１１８Ａの画像から展開された後、モデル展開モジュール２１２は、ウェル１１８Ａ毎に関連付けられたパラメータの値と、そのようなウェル１１８Ａに実際に適用される処置濃度を統計的に相関させる。前述のように、ウェル１１８Ａに実際に適用される処置濃度に関する情報は、処置情報データベース２０６から利用可能である。

【0031】

例えば、基準サンプルトレイ１１６Ａが、正の処置を有する１００個のウェルと、負の処置を有する１００個のウェルとを含み、正に処置されたウェルのうちの８０個が、比較的に高い平均画像強度を有する画像と関連付けられ、負に処置されたウェルのうちの２０個のみが、比較的に高い強度を有する画像と関連付けられる場合、平均画像強度は、処置と相関されるパラメータと見なされ得、そのようなパラメータの高値は、正の処置と相関すると見なされ得る。

【0032】

いくつかの実施形態では、統計的相関係数、例えば、ピアソン相関またはスピアマン相関が、ウェル１１８Ａおよび／またはそのようなウェル１１８Ａ内に配置される細胞と関連付けられた各パラメータの値と、ウェル１１８Ａに適用される処置濃度との間で計算されてもよい。他の実施形態では、各パラメータと関連付けられた処置濃度の正しい予測の数が、判定されてもよい。当業者に明白なウェル１１８Ａと関連付けられた画像のパラメータとそのようなウェル１１８Ａに適用される処置との間の相関を判定するための他の方法も、使用されてもよい。さらに、そのような相関は、そのような画像内で識別された１つまたはそれを上回る細胞のために展開されてもよい。

【0033】

パラメータが相関された後、モデル展開モジュール２１２は、ウェル１１８Ａの訓練サブセットに適用される処置濃度との最高相関を有する、またはそれを最良に予測する、それらのパラメータを選択する。

【0034】

モデル展開モジュール２１２は、選択されたパラメータの値および機械学習技法を使用して、生成物サンプルトレイ１１６のウェル１１８内の細胞による処置に対する応答を識別および／または定量化するために使用され得る、モデルを訓練してもよい。

【0035】

一実施形態では、モデル展開モジュール２１２は、各入力ノードが選択されたパラメータのうちの１つと関連付けられる、人工ニューラルネットワークを訓練してもよい。訓練サブセットのウェル１１８Ａの画像から計算される各パラメータの値は、そのようなパラメータと関連付けられた入力ノードに提供される。入力ノードにおける値は、人工ニューラルネットワークを通して伝搬され、そのようなウェル１１８Ａに適用される処置の濃度を予測する、人工ニューラルネットワークの出力ノードにおいて値を生成する。予測される処置の濃度と実際に適用される処置の濃度との間の誤差が、計算され、ニューラルネットワークの内部ノードの加重が、例えば、誤差の後方伝搬を使用して、そのような誤差に従って調節される。人工ニューラルネットワークは、人工ニューラルネットワークの加重が収束し、訓練サブセットのウェル１１８Ａの予測される処置濃度とそのようなウェル１１８Ａに適用される実際の処置濃度との間の誤差が最小限にされるまで、訓練サブセットの付加的ウェル１１８Ａの画像から計算されるパラメータの入力ノードにおける値を使用して反復されてもよい。

【0036】

他の実施形態では、複数の層化ニューラルネットワークが、展開されてもよく、深層学習方法が、そのようなネットワークを訓練するために使用されてもよい。例えば、ウェル（または細胞）の画像のパラメータの複合セットの値と関連付けられた値が、そのようなネットワークの入力ノードに提供され、ネットワークの初期可変加重を改良してもよい。いくつかの実施形態では、各ウェル１１８Ａまたはウェル１１８Ａ内に配置される細胞と関連付けられたパラメータの値が、処置をそこに適用させた訓練サブセットのそれらのウェル１１８Ａまたはそのようなウェル１１８Ａ内に配置される細胞のための処置の正のインジケーションを生成する、パラメータのセットを判定するために分析される、フォレストツリーまたはランダムツリーフォレスト技法が、使用されてもよい。

【0037】

例えば、遺伝子がパラメータと関連付けられた、遺伝子アルゴリズムであって、そのようなパラメータに関する値が、そのような遺伝子の鎖内にコード化される、メタヒューリスティクス技法が、モデルを展開するために使用されてもよい。そのような遺伝子の鎖は、訓練サブセットのウェル１１８Ａおよび／またはそのようなウェル１１８Ａ内に配置される細胞に適用される処置を予測するために使用されてもよい。正に処置されるウェル１１８Ａおよび／または細胞を負に処置されるウェル１１８Ａおよび／または細胞から最良に分離する鎖のフラグメントは、そのような鎖の対間の遺伝子を相互交換することによって「交配」されてもよい。そのような交配の複数回の反復にわたって、より低いスコアの鎖は、最良適合鎖のみが残るように除去されてもよい。訓練されたモデルは、残った１つのそのような最良適合（または最高スコア）鎖を備えてもよい。

【0038】

さらに他の実施形態では、モデルは、決定ツリー、サポートベクトル機械、ｋ平均法、群行動、蟻コロニー最適化、および焼きなまし法を含む、当業者に明白な他の機械学習技法を使用して実装されてもよい。いくつかの実施形態では、当業者に明白となるであろうように、勾配降下法および類似技法が、本明細書に説明される機械学習技法の収束を加速するために使用されてもよい。

【0039】

モデル展開モジュール２１２によって展開されたモデルの入力を備えるパラメータは、モデルデータベース２１６内に記憶される。

【0040】

その後、モデル評価モジュール２１８は、評価サブセットを備えるウェル１１８Ａを訓練サブセット内にない基準サンプルプレート１１６Ａのそれらのウェル１１８Ａから選択する。訓練サブセットのように、評価サブセットを構成するウェル１１８Ａは、基準サンプルトレイ１１６Ａに適用される処置の濃度のそれぞれと関連付けられた少なくとも１つのウェル１１８Ａを有する。評価サブセット内のウェル１１８Ａ毎に、モデル評価モジュール２１８は、画像データベース２１０からの画像をパラメータ計算モジュール２１４に提供する。パラメータ計算モジュール２１４は、そのような画像を分析し、処置の濃度と相関されるように、モデル展開モジュール２１２によって識別されるパラメータの値を計算する。モデル評価モジュール２１８は、次いで、計算された値をモデルデータベース２１６内に記憶されるモデルへの入力として使用し、そのようなモデルの出力とウェル１１８Ａに実際に適用される処置との間の誤差を計算する。モデル評価モジュール２１８は、評価サブセットを備えるウェル１１８Ａ毎にそのような誤差値を計算する。誤差値は、組み合わせられ、モデルデータベース２１６内に記憶されるモデルのための信頼度スコアを展開する。

【0041】

一実施形態では、ウェル１１８Ａ毎の誤差値は、統計的に分析され、任意の処置が各ウェル１１８Ａに適用されたかどうか、または評価サブセットの各ウェル１１８Ａに適用された処置の量を予測するモデルの良好度を評価してもよい。異なる量の処置が、評価サブセットの各ウェル１１８Ａに適用される場合、評価モジュール２１８は、実際に適用された処置の量とモデルによって予測される処置の量との間の関係（例えば、曲線）と関連付けられた誤差バーを分析してもよい。

【0042】

いくつかの実施形態では、評価モジュール２１８は、以前の実験からの細胞によって呈された応答の量と展開されたモデルによって識別される処置に対する応答の量とを比較してもよい。例えば、処置が毒性物質をウェル１１８に添加することを含み、希釈系列がウェル１１８間で起動し得ると仮定する。高濃度の毒性物質に暴露されるウェル１１８内の細胞は全て、死滅され得る一方、低濃度の毒性物質に暴露されるウェル１１８内の細胞は、任意の知覚可能変化を示さない場合がある。異なる濃度の毒素に暴露される細胞の画像、各画像と関連付けられた毒素の濃度、およびそのような濃度によって死滅された細胞のパーセントを含む、実験データが、評価モジュール２１８に提供されてもよい。評価モジュール２１８は、モデルの予測とそのような実験データとを比較し、モデルが実際の実験データを予測する良好度を示す、誤差バーまたは信頼度スコアを展開してもよい。

【0043】

前述の実施例を継続すると、提供され得る実験データはまた、特定の濃度の毒素に暴露された細胞の画像内の細胞が実際に死滅した数、および死滅したように見えたが、実際には生存していた（すなわち、偽陽性）細胞の数に関する情報を含んでもよい。いくつかの実施形態では、評価モジュール１１８は、そのような付加的データを使用して、偽陰性または偽陽性を予測または考慮するモデルの能力を示す、信頼度スコアを展開してもよい。いくつかの実施形態では、評価モジュール１１８は、サンプルの全部または大部分の細胞が連続範囲の応答を生成する状況を検討してもよい。例えば、薬物が細胞に特定のタンパク質を産生させることが既知であって、投薬時、最小限の量のタンパク質が、産生され得、投薬量が増加されるにつれて、産生されるタンパク質の量もまた増加する場合である。そのような状況では、モデル展開モジュール２１２は、応答を呈した細胞の数ではなく、細胞によって呈された応答の量（すなわち、産生されるタンパク質の量）に基づいて、モデルを訓練してもよい。いくつかの実施形態では、細胞は、そのＤＮＡを修正させ、蛍光マーカ（例えば、緑色蛍光タンパク質）を薬物に応答して細胞によって発生されたタンパク質に添加してもよい。これらの場合、タンパク質の発現は、タンパク質が細胞の核の外側を移動し、および／または他のタンパク質と群化または結合するにつれて測定されてもよい。

【0044】

いくつかの実施形態では、信頼度スコアに関する高値は、より良好なモデル性能、すなわち、モデルの出力と評価サブセットを備えるウェル１１８Ａに実際に適用される処置との間のより少ない誤差を示す。他の実施形態では、低信頼度スコアが、より良好なモデル性能と関連付けられてもよく、ゼロの信頼度スコアは、評価サブセットのウェル１１８Ａに適用される処置の完璧な予測を示す。

【0045】

いくつかの実施形態では、信頼度スコアの高値がより良好なモデル性能を示し、信頼度スコアが所定の閾値を超える場合、モデルは、容認可能と見なされ、モデルは、生成物サンプルトレイ１１６を分析するために使用されてもよい。同様に、信頼度スコアの低値がより良好な性能を示し、信頼度スコアが所定の閾値未満である場合、モデルは、容認可能と見なされる。

【0046】

他の実施形態では、モデル評価モジュール２１８は、信頼度スコアをユーザコンピュータ２０２上での表示のためにユーザインターフェースモジュール２０４に提供する。そのような実施形態では、オペレータは、信頼度スコアと関連付けられたモデルが容認可能であるかまたは容認不可能であるかを示してもよい。

【0047】

モデルが容認不可能である場合、モデル展開モジュール２１２は、モデルを展開するために使用される１つまたはそれを上回るパラメータをパラメータと訓練サブセットのウェル１１８Ａとの間の高相関を示す他のパラメータと置換することによってモデルを調整してもよい。前述のような機械学習技法が、その後、調整されたモデルを展開するために使用されてもよい。調整されたモデルは、ウェル１１８Ａの評価サブセットに適用されると、容認可能信頼度スコアを生成するモデルが展開されるまで、評価および／またはさらに調整されてもよい。

【0048】

モデルが展開された後、モデルは、生成物サンプルトレイ１１６を分析するために必要とされるまで、モデルデータベース２１６内に記憶されてもよい。モデルは、モデルを展開するために使用されるものに類似する細胞がモデルと関連付けられた処置を用いて堆積および処置されたウェル１１８を伴う、生成物サンプルトレイ１１６と併用されてもよい。

【0049】

いくつかの実施形態では、生成物サンプルトレイ１１６が、ＨＣＩＳ１００内に配置されると、ユーザインターフェースモジュール２０４は、ユーザコンピュータ２０２上に、モデルデータベース２１６内に記憶されるモデルのリストを表示してもよい。その後、ユーザインターフェースモジュール２０４は、ユーザコンピュータ２０２から、モデルデータベース２１６内に記憶されるモデルのうちの選択された１つを受信してもよい。ユーザインターフェースモジュール２０４は、選択されたモデルをモデル適用モジュール２２０に提供する。モデル適用モジュール２２０は、モデルを適用するために要求されるパラメータと、そのようなパラメータの値を得るために必要な画像捕捉パラメータとを判定する。モデル適用モジュール２２０は、画像取得モジュール２０８に、生成物サンプルトレイ１１６の各ウェル１１８の必要な画像を得るように指示し、パラメータ計算モジュール２１４を使用して、要求されるパラメータの値を展開する。そのような展開されたパラメータの値は、次いで、入力として選択されたモデルに供給され、そのようなパラメータと関連付けられたウェル１１８内に配置される細胞がモデルと関連付けられた処置に応答するかどうかを判定してもよい。

【0050】

図５は、訓練されたモデルを展開するために応答分析システム２００によって行われ得る、処理のフローチャート３００を示す。ステップ３０２では、ユーザインターフェースモジュール２０４は、基準トレイ情報をユーザコンピュータ２０２から受信し、そのような情報を処置情報データベース２０６内に記憶する。ステップ３０４では、画像取得モジュール２０８は、基準トレイ１１６Ａの各ウェル１１８Ａの画像を捕捉し、そのような画像を画像データベース２１０内に記憶する。

【0051】

画像が記憶された後、モデル展開モジュール２１２は、ステップ３０６において、ウェル１１８Ａの訓練サブセットを選択する。ステップ３０８では、モデル展開モジュール２１２は、分析されていない訓練サブセットのウェル１１８Ａのうちの１つを選択し、画像データベース２１０内のそのようなウェル１１８Ａと関連付けられた画像をパラメータ計算モジュール２１４に提供する。ステップ３１０では、パラメータ計算モジュール２１４は、そのような画像を分析し、そのような画像内で識別されたそのような画像および／または細胞の種々のパラメータの値を展開する。

【0052】

ステップ３１２では、モデル展開モジュール２１２は、パラメータ計算モジュール２１４によって分析されていない訓練サブセットの任意のウェル１１８Ａが存在するかどうかを判定する。該当する場合、処理は、ステップ３０８に進む。

【0053】

そうでなければ、ステップ３１４では、モデル展開モジュール２１２は、訓練サブセットの各ウェル１１８Ａに供給される処置の濃度と、そのようなウェルと関連付けられた画像からのパラメータ展開の値を相関させる。モデル展開モジュール２１２は、ステップ３１６において、最高相関を有するそれらのパラメータを使用し、モデルを訓練する。

【0054】

一実施形態では、所定の値を上回る相関を有するパラメータは全て、モデルを訓練するために使用される。あまりに多くのパラメータが使用される場合、パラメータが偶然にも相関された状態となり、他のサンプルを評価するために使用されるとき、高予測値を有し得ない、過剰適合が生じ得る。パラメータの特性とウェル１１８Ａに適用される処置との間の相関を展開するために使用されるサンプルの数の増加は、そのような過剰適合を低減させ得る。

【0055】

ステップ３１８では、モデル評価モジュール２１８は、基準サンプルトレイ１１６Ａのウェル１１８Ａのサブセットを評価サブセットとして選択する。ステップ３２０では、モデル評価モジュール２１８は、ステップ３１６において展開されたモデルを適用するために要求される各画像のパラメータを判定する。一実施形態では、各パラメータは、そのようなパラメータ自体（すなわち、他のパラメータを伴わずに）が基準サンプルトレイ１１６Ａの各ウェル１１８Ａに適用される処置の量と相関される良好度を判定するために評価されてもよい。他のパラメータを伴わずに高相関を呈する個々のパラメータは、モデルを訓練するために使用されてもよい。モデルが訓練された後、付加的パラメータが、モデルの正確度を改良するために追加または修正されてもよい。他の実施形態では、パラメータの所定のセットが、最初に、モデルを訓練するために使用されてもよく、次いで、付加的パラメータが、モデルを調整するために追加されてもよい。

【0056】

ステップ３２２では、モデル評価モジュール２１８は、分析されていない評価サブセットのウェル１１８Ａのうちの１つを選択し、選択されたウェルと関連付けられた画像データベース２１０からの画像およびステップ３２０において識別されたパラメータをパラメータ計算モジュール２１４に提供する。ステップ３２４では、パラメータ計算モジュール２１４は、そのような画像を分析し、識別されたパラメータの値を計算し、計算された値をモデル評価モジュール２１８に供給する。

【0057】

ステップ３２６では、モデル評価モジュール２１８は、選択されたウェル１１８Ａの画像から計算されたパラメータの値をモデルへの入力として使用し、評価サブセットの選択されたウェル１１８Ａ内の任意の細胞が処置に対する表現型応答を有するかどうかと、該当する場合、そのような処置の濃度の予測を展開する。その後、モデル評価モジュール２１８は、ステップ３２８において、モデルから予測される応答と、処置情報データベース２０６内の選択されたウェル１１８Ａと関連付けられた処置情報とを比較し、選択されたウェル１１８Ａに関する有効性スコアを展開する。選択されたウェル１１８Ａに関する有効性スコアは、信頼度スコアを展開するために前述のものに類似する様式で展開されてもよい。

【0058】

ステップ３３０では、モデル評価モジュール２１８は、評価サブセットの任意のウェル１１８Ａが分析されるために残っているかどうかを判定し、該当する場合は、ステップ３２２に進む。そうでなければ、ステップ３３２では、モデル評価モジュール２１８は、評価サブセットのウェル１１８Ａの全てに関する有効性スコアを集約し、モデルのための有効性スコアを展開する。

【0059】

ステップ３３４では、モデル評価モジュール２１８は、例えば、そのようなスコアと所定の閾値を比較する、またはオペレータに尋ねることによって、モデルのための有効性スコアが十分であるかどうかを判定する。モデル有効性スコアが十分である場合、モデル評価モジュール２１８は、モデルをモデルデータベース２１６内に記憶する。モデルを記憶するとき、オペレータは、ユーザインターフェースモジュール２０４を介して、モデルを識別するために使用され得る情報を入力するように求められてもよい。そのような情報は、例えば、モデル名、モデルと関連付けられた細胞タイプおよび処置タイプ、モデルを作成したオペレータ、および同等物を含んでもよい。そのようなオペレータ供給情報と、モデルが作成された日付およびモデルを起動するために必要なパラメータ等の自動生成情報とが、モデルデータベース２１６内にモデルとともに記憶される。

【0060】

モデル有効性スコアが十分ではない場合、ステップ３３４では、モデル展開モジュール２１２は、モデルの入力と関連付けられたパラメータを修正し、ステップ３１６に進み、調節されたモデルを訓練する。いくつかの実施形態では、モデルが収束しないことの判定が行われる前に調節されたモデルを訓練するために使用され得る訓練反復回数に関して、限界があってもよい。そのような判定は、ユーザに提示されてもよく、ユーザは、さらなる反復が使用されない、または訓練が停止されることを要求してもよい。

【0061】

モデルデータベース２１６内に記憶されるモデルは、その後、読み出され、生成物サンプルトレイ１１６を自動的に処理してもよい。

【0062】

図６は、生成物サンプルトレイ１１６を処理するために応答分析システム２００によって行われる処理のフローチャート３５０を示す。ステップ３５２では、モデル適用モジュール２２０は、ＨＣＩＳ１００のコントローラ１１２と通信し、生成物サンプルトレイ１１６がＸ－Ｙ段１０２上に装填されたことを確認する。

【0063】

ステップ３５４では、モデル適用モジュール２２０は、モデルデータベース２１６内に記憶されるモデルのリストを読み出す。モデルのリストおよび各モデルと関連付けられた識別情報が、ユーザコンピュータ２０２上での表示のためにユーザインターフェースモジュール２０４に提供される。その後、オペレータは、モデルを選択するように求められる。ユーザインターフェースモジュール２０４は、そのような選択を受信し、また、ステップ３５４において、選択をモデル適用モジュール２２０にも提供する。

【0064】

ステップ３５６では、画像取得モジュール２０８は、ＨＣＩＳ１００に、生成物サンプルトレイ１１６のウェル１１８の画像を捕捉するように指示し、そのような画像を画像データベース２１０内に記憶する。

【0065】

ステップ３５８では、モデル適用モジュール２２０は、モデルデータベース２１６にクエリし、モデルを起動するために必要なパラメータを識別する。ステップ３６０では、モデル適用モジュール２２０は、生成物トレイのウェル１１８を選択し、そのようなウェル１１８と関連付けられた識別されたパラメータおよび画像をパラメータ計算モジュール２１４に提供する。

【0066】

ステップ３６２では、パラメータ計算モジュール２１４は、ステップ３５８において識別されたパラメータのそれぞれの値を計算する。ステップ３６４では、モデル評価モジュール２１８は、そのような計算された値をモデルへの入力として使用して、ステップ３６０において選択されたウェル１１８内に配置される細胞が処置に対して表現型応答を呈するかどうかと、該当する場合、そのような応答と関連付けられた処置の濃度を示す、出力を判定する。

【0067】

そのような出力は、ステップ３６８において、生成物サンプルトレイ１１６のウェル１１８毎のエントリを含む、結果のリストに追加され、各エントリは、モデルをそのようなウェル１１８と関連付けられた画像に適用する出力を含む。

【0068】

ステップ３７０では、モデル適用モジュール２２０は、生成物サンプルトレイ１１６のウェル１１８の全てがモデルを使用して処理されたかどうかを判定する。任意のウェル１１８が残っている場合、モデル適用モジュール２２０は、ステップ３６０に進む。そうでなければ、ステップ３７２では、モデル適用モジュール２２０は、結果をユーザコンピュータ２０２上での表示のためにユーザインターフェースモジュール２０４に提供し、オペレータによってアクセスされ、および／またはそのような結果をさらなる分析のために別のシステム（図示せず）に伝送し得るデータ記憶装置（図示せず）内に、そのような結果を記憶する。

【0069】

応答分析システム２００は、細胞が異なる用量の処置にどのように応答するかを判定し、医薬品が細胞に及ぼす影響または医薬品によって影響され得る細胞のタイプを評価するために使用されてもよい。応答分析システム２００は、研究者が、処置に対して応答する細胞のタイプを識別する、または特定の処置に応答する細胞における共通性を識別することを支援してもよい。加えて、応答分析システム２００は、オペレータが、あるタイプの細胞（例えば、癌細胞）を死滅させるために効果的であるが、他のタイプの細胞にはそうではない、処置または処置の用量を識別することを可能にしてもよい。さらに、応答分析システム２００は、特に、クローン化のために適切であり得る、実質的な細胞を識別するために使用されてもよい。応答分析システム２００はまた、画像内の細胞内の細胞小器官の表現型応答を評価してもよい。

【0070】

前述のように、応答分析システム２００は、サンプルトレイのウェル１１８内に配置される細胞の異種集団中の特定のタイプの細胞の表現型応答を評価または識別するために使用されてもよい。例えば、ニューロンの処理に対する表現型応答が、ニューロンおよびグリア細胞を含む集団内で評価されてもよい、または生細胞および死細胞を含む集団中の生細胞の表現型応答さえ評価されてもよい。

【0071】

前述のように展開された異なるモデルは、組み合わせて、サンプルトレイ１１６のウェル１１８に適用される処置に対する異なる表現型応答を識別するために使用されてもよい。例えば、細胞の処置と関連付けられた第１のモデルが、特定のサンプルトレイ１１６のウェル１１８の画像に適用され、処置に対するそのようなウェル１１８内の細胞の表現型応答を評価してもよい。異なる処置と関連付けられた第２のモデルが、次いで、同一サンプルトレイ１１６のウェル１１８の画像に適用され、第２の処置に対するウェル１１８内の細胞の表現型応答を評価してもよい。第１のモデルおよび第２のモデルは、同じタイプの細胞または異なるタイプの細胞の表現型応答を評価するために使用されてもよい。いくつかの実施形態では、第１のモデルは、サンプルトレイ１１６のウェル１１８内の生細胞の表現型応答を評価するために使用されてもよく、第２のモデルは、死細胞の数を評価するために使用されてもよい。

【0072】

前述のように、展開された異なるモデルは、組み合わせて（すなわち、多重化されて）、個々の細胞の複数の応答を識別する、または個々の細胞の応答を識別するために使用されてもよい。いくつかの実施形態では、組み合わせられたモデルは、処置に応答する健康な細胞のパーセント、あるタンパク質を産生している細胞分割を受けている細胞の数、特定の分子を吸収している感染細胞（例えば、細菌またはウイルスに感染している）の数、および同等物を識別するために使用されてもよい。

【0073】

いくつかの実施形態では、応答分析システム２００は、細胞に既知の影響を及ぼすが、医薬品として望ましくない特性も有する、薬物で処理されたウェル１１８の画像で訓練されたモデルを展開するために使用されてもよい。モデルは、他の薬物候補の細胞に及ぶ影響を評価するために使用されてもよい。別の用途では、応答分析システム２００は、細胞が処置を通して修正された後、既知の薬剤にどのように応答するかを判定するために使用されてもよい。

【0074】

上記の応答分析システム２００は、画像内の細胞を識別する文脈で説明されているが、そのようなシステムは、画像が取得され得る任意のタイプの物体の応答を識別するために使用されてもよいことが明白となるはずである。

【0075】

応答分析システム２００は、トレイ１１６のウェル１１８内に堆積された細胞のサンプルに関して前述されているが、応答分析システム２００は、他のタイプの担体内に提供される細胞の表現型応答を自動的に分析するために使用されてもよいことが明白となるはずである。例えば、特定の量の処置が各ウェル１１８に適用されたトレイ１１６のウェル１１８の代わりに、細胞は、特定の量の処置が各スライドに適用されたスライドのセット上に提供されてもよい。同様に、細胞は、フローサイトメトリシステム内の流体の離散サンプル中に提供されてもよく、流体の各そのようなサンプルは、ウェル１１８が上記の説明において分析されるように分析されてもよい。

【0076】

図１－６に関して説明されるモジュール、プロセス、サブプロセス、およびプロセスステップのうちの１つまたはそれを上回るものは、１つまたはそれを上回る電子またはデジタル制御式デバイス上でハードウェア、ソフトウェア、またはハードウェアおよびソフトウェアの組み合わせによって行われてもよいことを理解および認識されたい。ソフトウェアは、例えば、図１－６に図式的に描写される機能システム、コントローラ、デバイス、構成要素、モジュール、またはサブモジュールのうちの１つまたはそれを上回るもの等、好適な電子処理構成要素またはシステム内のソフトウェアメモリ（図示せず）内に常駐してもよい。ソフトウェアメモリは、論理機能（すなわち、デジタル回路またはソースコード等のデジタル形態において、またはアナログ電気、音、またはビデオ信号等のアナログ源等のアナログ形態において実装され得る、「論理」）を実装するための実行可能命令の順序付けられたリストを含んでもよい。命令は、例えば、１つまたはそれを上回るマイクロプロセッサ、汎用プロセッサ、プロセッサの組み合わせ、デジタル信号プロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または特定用途向け集積回路（ＡＳＩＣ）を含む、処理モジュールまたはコントローラ（例えば、ユーザインターフェースモジュール２０４、画像取得モジュール２０８、モデル展開モジュール２１２、パラメータ計算モジュール２１４、モデル評価モジュール２１８、モデル適用モジュール２２０）内で実行されてもよい。さらに、概略図は、機能のアーキテクチャまたは物理的レイアウトによって限定されない物理的（ハードウェアおよび／またはソフトウェア）実装を有する、機能の論理分割を説明する。本願に説明される例示的システムは、種々の構成で実装され、単一ハードウェア／ソフトウェアユニット内において、または別個のハードウェア／ソフトウェアユニット内において、ハードウェア／ソフトウェア構成要素として動作してもよい。

【0077】

実行可能命令は、電子システムの処理モジュールによって実行されると、電子システムに、命令を実施するように指示する、その中に記憶される命令を有する、コンピュータプログラム製品として実装されてもよい。コンピュータプログラム製品は、電子コンピュータベースのシステム、プロセッサ含有システム、または命令を命令実行システム、装置、またはデバイスから選択的にフェッチし、命令を実行し得る、他のシステム等の命令実行システム、装置、またはデバイスによって、またはそれと関連して使用するための任意の非一過性コンピュータ可読記憶媒体内に選択的に具現化されてもよい。本書の文脈では、コンピュータ可読記憶媒体は、命令実行システム、装置、またはデバイスによって、またはそれと関連して使用するためのプログラムを記憶し得る、任意の非一過性手段である。非一過性コンピュータ可読記憶媒体は、選択的に、例えば、電子、磁気、光学、電磁、赤外線、または半導体システム、装置、またはデバイスであってもよい。非一過性コンピュータ可読媒体のより具体的実施例の非包括的リストとして、１つまたはそれを上回るワイヤ（電子）を有する電気接続、ポータブルコンピュータディスケット（磁気）、ランダムアクセス、すなわち、揮発性、メモリ（電子）、読取専用メモリ（電子）、例えば、フラッシュメモリ（電子）等の消去可能プログラマブル読取専用メモリ、例えば、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ（光学）等のコンパクトディスクメモリ、およびデジタル多用途ディスクメモリ、すなわち、ＤＶＤ（光学）が挙げられる。非一過性コンピュータ可読記憶媒体は、プログラムが、例えば、紙または他の媒体の光学走査を介して電子的に捕捉され、次いで、必要に応じて好適な様式でコンパイル、解釈、または別様に処理され、次いで、コンピュータメモリまたは機械メモリ内に記憶され得るように、その上にプログラムが印刷される、紙または別の好適な媒体でさえあってもよいことに留意されたい。また、本書で使用されるデータの受信および伝送は、２つまたはそれを上回るシステム、デバイス、構成要素、モジュール、またはサブモジュールが、あるタイプの信号経路を経由して進行する信号を介して、相互に通信可能であることを意味することを理解されたい。信号は、情報、電力、またはエネルギーを第１のシステム、デバイス、構成要素、モジュール、またはサブモジュールから、第１および第２のシステム、デバイス、構成要素、モジュール、またはサブモジュール間の信号経路に沿って、第２のシステム、デバイス、構成要素、モジュール、またはサブモジュールに通信し得る、通信、電力、データ、またはエネルギー信号であってもよい。信号経路は、物理、電気、磁気、電磁、電気化学、光学、有線、または無線接続を含んでもよい。信号経路はまた、第１および第２のシステム、デバイス、構成要素、モジュール、またはサブモジュール間の付加的システム、デバイス、構成要素、モジュール、またはサブモジュールを含んでもよい。
（産業上の利用可能性）

【0078】

本発明を説明する文脈における（特に、以下の請求項の文脈における）、用語「ａ」、「ａｎ」、「ｔｈｅ」、および類似指示対象の使用は、本明細書に別様に示されない限り、または文脈によって明らかに矛盾しない限り、単数形および複数形の両方を網羅すると解釈されたい。本明細書に説明される全ての方法は、本明細書に別様に示されない限り、または別様に文脈によって明らかに矛盾しない限り、任意の好適な順序で行なわれることができる。本明細書に提供される、任意および全ての実施例または例示的用語（例えば、「ｓｕｃｈ ａｓ（等）」）の使用は、単に、本開示をより明瞭にすることを意図し、別様に請求されない限り、本発明の範囲に限定を課すものではない。明細書中のいずれの用語も、本開示の実践に不可欠ないずれの未請求要素も示すものと解釈されるべきではない。

【0079】

本開示に対する多数の修正は、前述の説明に照らして当業者に明白となるであろう。図示される実施形態は、例示にすぎず、本開示の範囲を限定するものと捉えられるべきではないことを理解されたい。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】