NL2023311B1 - Artificial intelligence-based generation of sequencing metadata - Google Patents

Claims (26)

CONCLUSIES

1. Een neuraal netwerk geïmplementeerde werkwijze voor het bepalen van de analytgegevens uit beeldgegevens die zijn gegenereerd gebaseerd op een of meer analyten, de werkwijze omvattende: het ontvangen van invoerbeeldgegevens, waarbij de invoerbeeldgegevens afgeleid zijn van een sequence van beelden, waarin elk beeld in de cyclus van beelden een afgebeeld gebied representeert en intensiteitsemissies toont die indicatief zijn voor de een of meer analyten en een omgevende achtergrond van de intensiteitsemissie in een respectievelijke seqguencingcyclus van een aantal sequencingcycli van een sequencingrun, en waarin de invoerbeeldgegevens beeldpatches omvatten die geëxtraheerd zijn uit elk beeld in de sequence van beelden: het verwerken van invoerbeeldgegevens via een neuraal netwerk om een alternatieve representatie van de invoerbeeldgegevens te genereren; en het verwerken van de alternatieve representatie via een uitvoerlaag teneinde een uitvoer te genereren die eigenschappen van respectievelijke delen van het afgebeelde gebied aanduiden.

2. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 1, waarin de eigenschappen omvatten: of een deel achtergrond of analyten representeert, en of een deel een centrum van een aantal aangrenzende beelddelen die elk eenzelfde analyt representeren, representeert.

3. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 1 of 2, waarin de uitvoer identificeert: de een of meer analyten, waarvan de intensiteitemissies afgebeeld zijn door invoerbeeldgegevens als gescheiden gebieden van naburige eenheden, centra van de een of meer analyten als centrumeenheden op centra van massa van de respectievelijke gescheiden gebied van de gescheiden gebieden, en de omgevende achtergrond van de intensiteitsemissies als achtergrondeenheden niet behorend bij een van de gescheiden gebieden.

4. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 3, waarin de aangrenzende eenheden in respectievelijke gescheiden gebieden intensiteitswaardes hebben die gewogen zijn volgens de afstand van naburige eenheid vanaf een centrum eenheid in een gescheiden gebied, waarbij de naburige eenheid behoort.

5. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-4, waarin de uitvoer een binaire map is die elk deel als analyt of achtergrond classificeert.

6. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-5, waarin de uitvoer een drievoudige map is die elk deel als analyt, achtergrond of centrum classificeert.

7. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-6, verder omvattende: het toepassen van een pieklocator op de uitvoerlijn om de piekintensiteit in de uitvoer te vinden; het bepalen van locatie coördinaten van de centra van analyten gebaseerd op de piekintensiteit; het downscalen van de locatie coördinaten door een upbemonsteringsfactor gebruikt om de invoerbeeldgegevens te prepareren; en het opslaan van de gedownscalede locatie coördinaten in het geheugen voor gebruik in base-aanroeping van de analyten.

8. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-7, verder omvattende: het categoriseren van de naburige eenheden in respectievelijke gescheiden gebieden als analyt-binnenste-eenheden behorende bij eenzelfde analyt; en het opslaan van de categorisatie en gedownscalede locatie coördinaten van het analyt binnenste eenheden in het geheugen op een analyt-tot-analyt basis voor gebruik in base-aanroeping van de analyten.

9. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-8, verder omvattende: het verkrijgen van trainingsgegevens voor het trainen van het neurale netwerk; waarin de trainingsgegevens een aantal trainingsvoorbeelden en corresponderende grondwaarheidsgegevens omvatten; waarin elk trainingsvoorbeeld beeldgegevens omvat van een sequence van beeldsets, waarin elk beeld in de sequence van beeldsets een tegel van een stroomcel representeert en intensiteitsemissies van de analyten op de tegel en hun omgevende achtergrond genomen voor een bepaald beeldkanaal in een bepaalde cyclus van een aantal sequencing cycli van een sequencingrun die uitgevoerd wordt op de stroomcel, representeert; en waarbij elk grondwaarheidsgegeven eigenschappen identificeert van respectievelijke delen van de trainingsvoorbeelden; en het gebruiken van gradiënt descent trainingstechniek teneinde het neurale netwerk te trainen en uitvoeren te genereren voor de trainingsvoorbeelden die op progressieve wijze matchen met de grondwaarheidsgegevens, omvattende het iteratief optimaliseren van de verliesfunctie die de fout minimaliseert tussen de uitvoeren en de grondwaarheidsgegevens; en het gebaseerd op de fout verversen van parameters van het neurale netwerk.

10. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-9, waarin de eigenschappen het identificeren of een eenheid een centrum of een niet-centrum is, omvatten.

11. Neuraal netwerk geïmplementeerde werkwijze volgens conclusie 9, verder omvattende: {5 na foutconvergentie na een finale iteratie, het opslaan van de ververste parameters van het neurale netwerk in geheugen om toegepast te worden op verdere neurale netwerk-gebaseerde template generatie en base-aanroeping.

12. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 9-11, waarin in de grondwaarheidsgegevens de naburige eenheden in de respectievelijke gescheiden gebieden intensiteitswaardes zijn die gewogen zijn voor een afstand van een naburige eenheid vanaf een centrumeenheid in een gescheiden gebied waar de naburige eenheid bij behoort.

13. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 9-12, waarin in de grondwaarheidsgegevens de centrumeenheden de hoogste intensiteitswaardes hebben binnen de respectievelijke gescheiden gebieden.

14. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 9-13, waarin de verliesfunctie een mean squared fout is en de fout geminimaliseerd is op een eenheidsbasis tussen de genormaliseerde intensiteitswaardes van corresponderende eenheden in de uitvoeren en de grondwaarheidsgegevens.

15. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 9-14, waarin in de trainingsgegevens meervoudige trainingsvoorbeelden respectievelijk als beeldgegevens verschillende beeldpatches van elk beeld in een sequence van beeldsets van eenzelfde tegel omvatten, en waarin ten minste sommige van de verschillende beeldpatches met elkaar overlappen.

16. Computer geimplementeerde werkwijze volgens een van de conclusies 9-15, waarin, in de grondwaarheidsgegevens, eenheden die zijn geclassificeerd als analytcentra, alle toegekend worden aan eenzelfde eerste vooraf bepaalde klassescore, en eenheden die als niet-centra geclassificeerde zijn, alle toegekend worden aan eenzelfde tweede vooraf bepaalde klassescore.

17. Computer geïmplementeerde werkwijze volgens een van de conclusies 9-16, waarin de verliesfunctie een aangepast (custom) gewogen binaire kruis-entropieverlies is en de fout geminimaliseerd wordt op een eenheidsbasis tussen de voorspellingsscores en de klassescores van corresponderende eenheden in de uitvoeren en de grondwaarheidsgegevens.

18. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 9-17, waarin in de grondwaarheidsgegevens: als achtergrond geclassificeerde eenheden alle toegewezen worden aan eenzelfde eerste vooraf bepaalde klassescore, als analytcentrum geclassificeerde eenheden alle toegewezen worden aan eenzelfde tweede vooraf bepaalde klassescore, en als analyt binnenste geclassificeerde eenheden alle toegewezen worden aan eenzelfde derde vooraf bepaalde klassescore.

19. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-18, verder omvattende: het aan een drempel onderwerpen (thresholding) van uitvoerwaarden van de eenheden en het classificeren van een eerste deelverzameling van de eenheden als achtergrondeenheden die de omgevende achtergrond afbeelden; het lokaliseren van pieken in de uitvoerwaarden van de eenheden en het classificeren van een tweede deelverzameling van de eenheden als centrumeenheden bevattende centra van de analyten; en het toepassen van een segmenteereenheid op de uitvoerwaarden van de eenheden en het bepalen van de vormen van de analyten als niet-overlappende gebieden van aangrenzende eenheden gescheiden door de achtergrondeenheden en gecentreerd op de centrumeenheden, waarin de segmenter begint met de centrumeenheden en bepaalt voor elke centrumeenheid een groep van successievelijke aangrenzende eenheden die eenzelfde analyt afbeelden waarvan het centrum zich in de centrumeenheid bevindt.

20. In een neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-19, waarin de niet-overlappende gebieden onregelmatige contouren hebben en de eenheden eenheden zijn, verder omvattende: het bepalen van de analytintensiteit van een gegeven analyt door: het identificeren van de eenheden die bijdragen bij de analytintensiteit van het gegeven analyt gebaseerd op het corresponderende niet-overlappende gebied van aangrenzende IO eenheden als een vorm van de gegeven analyt geïdentificeerd; het lokaliseren van de geïdentificeerde eenheden in een of meer optische, pixelresolutie- beelden gegenereerd voor een of meer beeldkanalen in een huidige sequencingcyclus; het in elk van de beelden interpoleren van de intensiteiten van de geïdentificeerde eenheden, het combineren van de geïnterpoleerde intensiteiten en het normaliseren van de gecombineerde geïnterpoleerde intensiteiten teneinde een analytintensiteit per beeld te produceren voor het gegeven analyt in elk van de beelden; en het combineren van de analytintensiteit per beeld voor elk van de beelden teneinde de analytintensiteit van de gegeven analyt bij de huidige sequencing cyclus te bepalen.

21. Neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-19, waarin de niet-overlappende gebieden onregelmatige contouren en de eenheden eenheden zijn, verder omvattende: het bepalen van de analytintensiteit van een gegeven analyt door: het identificeren van de eenheden die bijdragen bij de analytintensiteit van het gegeven analyt gebaseerd op het corresponderende niet-overlappende gebied van aangrenzende eenheden als een vorm van de gegeven analyt geïdentificeerd; het lokaliseren van de geïdentificeerde eenheden in de een of meer eenheidresolutiebeelden die zijn geupsampled uit corresponderende optische pixelresolutiebeelden die zijn gegenereerd voor een of meer beeldkanalen in een huidige sequencingeyclus; het in elk van de geupsamplede beelden combineren van intensiteiten van geïdentificeerde eenheden en het normaliseren van de gecombineerde intensiteiten teneinde analytintensiteit per beeld te produceren voor het gegeven analyt in elk van de geupsamplede beelden; en het combineren van de analytintensiteit per beeld voor elk van de geupsamplede beelden teneinde de analytintensiteit van het gegeven analyt in de huidige sequencingcyclus te bepalen.

22. In een neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-21, waarin het normaliseren gebaseerd is op een normalisatiefactor en waarin de normalisatiefactor een aantal van de geïdentificeerde eenheden is.

23. In een neuraal netwerk geïmplementeerde werkwijze volgens een van de conclusies 1-22, verder omvattende: base-aanroeping van het gegeven analyt gebaseerd op de analytintensiteit van de huidige cyclus.

24. In een neuraal netwerk geïmplementeerde werkwijze voor het bepalen van metadata over analyten op een stroomcel, de werkwijze omvattende: het toegang geven tot beeldgegevens die intensiteitsemissies van de analyten afbeelden; het verwerken van de beeldgegevens via een of meer lagen van een neuraal netwerk en het genereren van een alternatieve representatie van de beeldgegevens; en het verwerken van de alternatieve representatie via een uitvoerlaag en het generen van een uitvoer die ten minste een van vormen en afmetingen van de analyten en/of centra van de analyten identificeert.

25. In een neuraal netwerk geïmplementeerde werkwijze volgens conclusie 24, waarin de beeldgegevens verder intensiteitsemissies van omgevende achtergrond van de analyten afbeelden, verder omvattende: de uitvoer identificerende spatiële verdeling van de analyten op de stroomcel, omvattende de omgevende achtergrond en grenzen tussen de analyten.

26. Een computer geïmplementeerde werkwijze, omvattende: het verwerken van beeldgegevens via een neuraal netwerk en het genereren van een alternatieve representatie van de beeldgegevens, waarin de beeldgegevens intensiteitsemissies van de analyten afbeelden; en het verwerken van de alternatieve representatie via een uitvoerlaag en het genereren van een uitvoer die metadata over de analyten identificeert, omvattende ten minste een van een spatiële verdeling van de analyten, vormen van analyten, centra van de analyten en/of grenzen tussen de analyten.