[go: up one dir, main page]

CN116685675A - 颗粒分类和分选系统及方法 - Google Patents

颗粒分类和分选系统及方法 Download PDF

Info

Publication number
CN116685675A
CN116685675A CN202180086510.3A CN202180086510A CN116685675A CN 116685675 A CN116685675 A CN 116685675A CN 202180086510 A CN202180086510 A CN 202180086510A CN 116685675 A CN116685675 A CN 116685675A
Authority
CN
China
Prior art keywords
cells
data points
measurement data
sorting
cell
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180086510.3A
Other languages
English (en)
Inventor
L·克里希南
P·A·G·霍斯金
M·C·辛普森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Publication of CN116685675A publication Critical patent/CN116685675A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1434—Optical arrangements
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
    • C12N5/06—Animal cells or tissues; Human cells or tissues
    • C12N5/0602—Vertebrate cells
    • C12N5/0608—Germ cells
    • C12N5/0612—Germ cells sorting of gametes, e.g. according to sex or motility
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1429—Signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1456—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals
    • G01N15/1459—Optical investigation techniques, e.g. flow cytometry without spatial resolution of the texture or inner structure of the particle, e.g. processing of pulse signals the analysis being performed on a sample stream
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/1434—Optical arrangements
    • G01N15/1436—Optical arrangements the optical arrangement forming an integrated apparatus with the sample container, e.g. a flow cell
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N15/149—Optical investigation techniques, e.g. flow cytometry specially adapted for sorting particles, e.g. by their size or optical properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N2015/1006—Investigating individual particles for cytology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/10—Investigating individual particles
    • G01N15/14—Optical investigation techniques, e.g. flow cytometry
    • G01N2015/1402—Data analysis by thresholding or gating operations performed on the acquired signals or stored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Dispersion Chemistry (AREA)
  • Biotechnology (AREA)
  • Wood Science & Technology (AREA)
  • Organic Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Zoology (AREA)
  • Microbiology (AREA)
  • Developmental Biology & Embryology (AREA)
  • General Engineering & Computer Science (AREA)
  • Cell Biology (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

在一些实施例中，提供了一种用于分选细胞的计算机实现的方法。该方法包括确定用于多个细胞的测量数据点，使用感兴趣区域选择测量数据点，对选择的测量数据点进行分类，以及根据它们各自的分类对细胞进行分选。感兴趣区域或分类根据先前的测量数据点自动调整。

Description

颗粒分类和分选系统及方法
技术领域
本公开涉及用于下游过程(诸如分选(sorting))的颗粒的分类。在特定实施例中，颗粒包括细胞，诸如精细胞之类。
背景技术
具有不同特性的颗粒的分类对于许多后续过程是有用的。例如，将精细胞分类为X和Y群体允许这两个群体的分选的下游分离。某些类型的动物养殖可能更要求一种类别的精细胞。例如，牛X精细胞对于奶牛的授精是优选的，以产生主要用于挤奶群体的雌性后代。
牛精细胞的性别分选的主要挑战是在X和Y群体之间实现高效区分的能力。
在已经参考专利说明书、其它外部文档或其它信息源的本说明书中，这一般是为了提供用于讨论本文公开的发明的特征的上下文。除非另有明确说明，否则对此类外部文档的引用不应被解释为承认此类文档或此类信息来源在任何管辖范围内是现有技术，或构成本领域公知常识的一部分。
发明内容
在一些实施例中，提供了一种用于分选细胞的计算机实现的方法。该方法包括确定用于多个细胞的测量数据点，使用感兴趣区域选择测量数据点，对选择的测量数据点进行分类，以及根据它们各自的分类对细胞进行分选。感兴趣区域或分类根据先前的测量数据点自动调整。
实施例可以提供改进的细胞分类的准确性、改进的分选效率和/或对改变的条件或环境的适应性。
在一些实施例中，提供了一种用于处理细胞的计算机实现的方法。该方法包括确定用于多个细胞的测量数据点，使用感兴趣区域选择测量数据点，根据预定特性将选择的测量数据点分类为至少两个群体，以及通过比较每个群体中的数据点的数量来计算性能度量。
在一些实施例中，提供了一种细胞分选装置。该细胞分选装置包括处理器和存储器，其被配置为确定用于多个细胞的测量数据点，使用感兴趣区域选择测量数据点，对选择的测量数据点进行分类，并根据它们各自的分类对细胞进行分选。感兴趣区域或分类根据先前的测量数据点自动调整。
在一些实施例中，提供了一种细胞处理装置。该细胞处理装置包括处理器和存储器，其被配置为确定用于多个细胞的测量数据点，使用感兴趣区域选择测量数据点，根据预定特性将选择的测量数据点分类为至少两个群体，以及通过比较每个群体中的数据点的数量来计算性能度量。
广义上也可以说本发明的方面包括申请说明书中单独或共同提及或指示的部分、要素和特征，两个或更多个所述部分、要素或特征的任何或所有组合，并且在本文提及的特定整数具有与所述发明相关的本领域已知等同形式的情况下，此类已知等同形式被视为并入本文，如同单独阐述一样。
附图说明
现在将仅通过示例并参考附图来描述本发明，其中：
图1是根据一些实施例的用于分选细胞的系统的示意图；
图2是图示根据已知方法的与两个荧光脉冲积分测量通道对应的测量数据点的分类的图；
图3是根据一些实施例的用于对细胞进行分类的系统的示意图；
图4是图示根据一些实施例的与两个荧光脉冲积分测量通道对应的测量数据点的分类的图；
图5是图示根据实施例的检测、分类和分选细胞的方法的流程图；
图6图示了用于评估细胞类型的定向和区分力的细胞测量数据点的聚类；
图7是图示确定定向效率度量的方法的流程图；
图8是图示训练分类器的方法的流程图。
图9图示了将先前已知的分类方法(左)与根据一些实施例的方法(右)进行比较的实验结果。
具体实施方式
在权利要求书以及上面的说明书中，所有过渡性短语，诸如“包含”、“包括”、“携带”、“具有”、“含有”、“涉及”、“持有”，“由......构成”等，都应理解为开放式的，即，意味着包括但不限于。只有过渡性短语“由......组成”和“基本上由......组成”应分别为闭合或半闭合过渡性短语。
如本文所使用的，术语“大约”是指被修饰术语的合理偏差量，使得最终结果没有显著改变。例如，当应用于值时，该术语应当被解释为包括该值+/-5％的偏差。
如本文所定义和使用的，所有定义都应当被理解为控制字典定义、通过引用并入的文档中的定义和/或所定义术语的普通含义。
在说明书和权利要求书中使用的不定冠词“一”和“一个”，除非有相反的明确指示，否则应当理解为表示“至少一个”。术语“可以”和“可”在本公开中可互换使用，并且指示所指的元件、组件、结构、功能、功能性、目标、优点、操作、步骤、过程、装置、系统、设备、结果或澄清有能力被使用、包括或产生，或以其它方式代表在(一个或多个)特定实施例中使用(或引用)该术语的陈述中指示的命题。
如本文在说明书和权利要求书中使用的，短语“和/或”应当被理解为这样结合的元素的“其中之一或两者”，即，在一些情况下联合存在而在其它情况下分离存在的元素。以“和/或”列出的多个元素应以相同的方式解释，即，如此连接的元素中的“一个或多个”。除了由“和/或”从句具体识别的元素之外，还可以可选地存在其它元素，无论与那些具体识别出的元素相关或不相关。因此，作为非限制性示例，当与诸如“包括”之类的开放式语言结合使用时，对“A和/或B”的引用在一个实施例中可以仅指A(可选地包括除元素B以外的元素)；在另一个实施例中，仅指B(可选地包括除A以外的元素)；在又一个实施例中，指A和B两者(可选地包括其它元素)；等等。
如本文在说明书和权利要求书中使用的，对一个或多个元素的列表进行引用的短语“至少一个”应当被理解为是指选自元素列表中的任何一个或多个元素的至少一个元素，但不一定包括元素列表中具体列出的每一个元素中的至少一个，并且不排除元素列表中元素的任何组合。这个定义还允许除短语“至少一个”所指的元素列表中具体识别出的元素以外的元素可以可选地存在，无论与那些具体识别出的元素相关或不相关。因此，作为非限制性示例，“A和B中的至少一个”(或等效地“A或B中的至少一个”，或等效地“A和/或B中的至少一个”)在一个实施例中可以指至少一个，可选地包括多于一个A，不存在B(并且可选地包括除B以外的元素)；在另一个实施例中可以指至少一个，可选地包括多于一个B，不存在A(并且可选地包括除A以外的元素)；在又一个实施例中可以指至少一个，可选地包括多于一个A，和至少一个，可选地包括多于一个B(并且可选地包括其它元素)；等等。
本文公开的数字范围(例如，1到10)的引用也结合对该范围内所有有理数的引用(例如，1、1、2、3、3.9、4、5、6、6.5、7、8、9和10)以及该范围内的任何有理数范围(例如，2到8、1.5到5.5和3.1到4.7)，因此，在本文明确地公开本文明确公开的所有范围的所有子范围。这些仅是具体意图的示例，所列举的最低值和最高值之间的所有可能的数值组合应被认为以类似方式在本申请中明确陈述。
每当在说明书中给出范围时，例如，温度范围、时间范围或组成范围，所有中间范围和子范围，以及包括在给定范围内的所有个别值，都旨在包括在本公开中。
以下出于解释而非限制的目的阐述具体细节，诸如特定实施例或示例。本领域技术人员将理解，除了这些具体细节之外，还可以采用其它示例。在一些情况下，省略了众所周知的方法、节点、接口、电路和设备的详细描述，以免不必要的细节使描述模糊不清。本领域的技术人员将认识到的是，所描述的功能可以使用硬件电路系统(例如，互连以执行专用功能的模拟和/或离散逻辑门、ASIC、PLA等)和/或结合一个或多个数字微处理器或通用计算机使用软件程序和数据在一个或多个节点中实现。使用空中接口进行通信的节点也具有合适的无线电通信电路。而且，在适当的情况下，该技术还可以被认为完全实施在任何形式的计算机可读存储器中，诸如固态存储器、磁盘或包含适当的计算机指令集的光盘，这些计算机指令将使处理器执行本文描述的技术。
硬件实施方式可以包括或涵盖但不限于数字信号处理器(DSP)硬件、精简指令集处理器、硬件(例如，数字或模拟)电路系统(包括但不限于(一个或多个)专用集成电路(ASIC)和/或(一个或多个)现场可编程门阵列(FPGA))，和(在适当的情况下)能够执行此类功能的状态机。存储器可以被用于存储临时变量、在过程之间保持和传送数据、非易失性配置设置、标准消息传递格式等。可以被采用的任何合适形式的易失性存储器和非易失性存储装置，包括实现为金属氧化物半导体(MOS)或集成电路(IC)的随机存取存储器(RAM)，以及实现为硬盘驱动器和闪存的存储装置。
所描述的装置或功能性中的一些或全部可以在诸如Docker、Kubenetes或Spark之类的云环境中被实例化。这种云功能性可以在网络边缘、装置边缘、本地场所或经由网络(诸如4G或5G)耦合的远程服务器上被实例化。可替代地，这个功能性可以在专用硬件中实现。
图1图示了包括准备站105的分选系统100，准备站105将准备好的细胞递送到输入布置110，输入布置110将细胞递送到流115中用于下游处理。细胞的流115可以是例如在微流体通道内被携带的层(laminar)流。一个或多个照明器120，例如紫外线(UV)照明器或其它照射设备，照射检查站125处的细胞。精细胞的照射使得它们发射由一个或多个检测器130检测的照明模式，诸如散射光或荧光之类。检测到的照明模式的测得的特性生成一个或多个信号，这些信号被转发到分析单元135。
分析单元135包括处理器136和存储器137并且被配置为解释这些信号以便控制分选布置140，分选布置140根据与那些细胞相关联的信号的分析将细胞分选到不同的群体P1和P2中。例如，如果分析单元135基于对其各自测量信号的分析确定精细胞具有X(或Y)染色体分类，那么控制分选布置140以将这个细胞分选到一个群体(例如，P1)中。原始流115中的所有其它内容都被分类到另一个群体P2中。在示例中，可以收集分离的X精细胞以供进一步使用。可以丢弃细胞的另一个群体。在替代实施例中，分选布置可以将分类为具有优选的第一分类A与第二不期望分类B的细胞分选，其中分选布置(也称为分选装置)包括照射被识别为具有第一、第二分类或未分类的细胞。所述被照射的细胞用激光照射。所述被照射的细胞可以由于辐射压力(例如来自激光)而被移动，或者它们可以被消融以导致对不要求的细胞群体的功能丧失、细胞杀死或损伤，从而产生富含期望特性的细胞群体。
准备站105可以包括用于对细胞(例如从公牛收集的精细胞)批次进行染色的装置。可以进行各种其它准备步骤，诸如稀释来自公牛的精液样本批次。
输入布置110接受含有来自准备好的批次的细胞的溶液(例如，水溶液)的颗粒流，并且也可以接受也可以包含水溶液的鞘流。在一个示例中，输入布置110组合颗粒流和鞘流以生成包含细胞的受控层流。颗粒流和鞘流的流速可以被控制，并且输入布置可以包含被布置为控制颗粒流和鞘流以便将细胞定向和/或限制在层流内的组件。由于一些细胞是不对称的，因此将它们定向在优选平面中改善了它们与下游装置(诸如检测器130和分选装置140之类)的交互。此外，将细胞限制在狭窄的流路径内提高了下游照明器120将按预期入射到它们上的可能性。
输入布置110定向和/或限制细胞的有效性可以提高整个分选系统100的效率。用于改进细胞定向和/或限制的输入布置的示例是如国际专利公开WO2020/013903中描述的递送管，该专利公开通过引用并入本文。可以可替代地使用其它布置，因为输入布置可以是细胞仪的一部分。
由输入布置110生成的细胞的层流115可以被递送到输送管115中，输送管115可以包括具有微流体管腔的硅或玻璃毛细管，用于携带具有被定向和限制的细胞的层流。
在一些实施例中，两个UV照射器120可以被定向成将垂直照射递送到通过检查区域125的每个细胞。两个或更多个检测器130也可以彼此垂直定向，以便捕获从不同方向从被照射细胞发出的响应荧光。检测器可以是彼此成90度并与输送管115的方向成90度的光电倍增管。UV照明器120可以被布置为引起响应荧光的脉冲。这由检测器测量，从而产生脉冲测量的两个信号或通道，这两个信号或通道与接收到的荧光的强度或功率成比例并且与垂直方向对应。
来自细胞的荧光的测量会受到许多因素的影响，包括细胞在检查区域125内的定向和限制、细胞在检查区域125处保留的染色水平，以及生物因素(诸如细胞是死亡或异常之类)。对于精细胞，荧光的测量还取决于精子性染色体(X或Y)的身份。由于X或Y分类导致的测量信号差异大约只有3％，因此这些其它因素使得精细胞的准确和高效分类具有挑战性。
来自检测器的信号可以各自与施加到每个细胞以引起检测到的信号的快速“打击”对应。可以通过在预定时间段内对与个体细胞相关联的个体响应荧光发射脉冲进行积分来为每个细胞导出脉冲积分信号。用于每个垂直方向或通道的这些脉冲积分信号可以在检测器装置130或分析单元135处生成。
来自与细胞的不同定向对应的两个通道(例如，通道1和通道2)的测量一起表示测量数据点。这可以包括例如从垂直方向取得的测量的脉冲积分。通道1(例如，0度)和通道2(例如，90度)测量数据点的图在图2中示出。每个数据点表示在两个垂直方向上测得的荧光脉冲积分水平。
图1的分析单元135分析这些信号或测量数据点以确定细胞是否应当被分类为具有第一特性A(例如，X群体的一部分)(例如，P1)，并且如果是，那么控制分选布置140分选细胞，例如通过将细胞移动到不同的流路径中。这允许所有其它细胞，无论是特性B(例如，Y染色体)还是无法分类，都保留在原始流路径中，以便它们可以被丢弃。在替代实施例中，可以通过将细胞移动到不同的流路径中来分选Y型精细胞。在进一步的实施例中，可以使用消融表征为具有(或缺乏)第一特性的细胞以破坏、杀死或降级细胞的功能的分选布置。允许未消融的细胞进入一个或多个收集室。一些特性A型细胞可能无法分类，因为它们是无法存活的(死亡或异常的)、在到达检查区域125时染色不充分，或者相对于测量装置120、130定向不良或限制不良。染色通常应用于容器中的细胞，但是由于来自容器的细胞在不同时间到达检查区域，因此检查区域的染色可以因细胞而异。提高正确分类为具有优选特性A的细胞的比例(例如，带有X的精细胞)提高分选装置的效率。
在示例中，分选布置140可以是被控制为将分类为具有第一特性的细胞照射到一个群体P1中以使它们在辐射压力下移动到不同流路径中的激光器。原始流路径115中的所有其它内容都被分选到其它群体P2中并保留在这个流路径中。可替代地，所有被识别为具有第二特性B的内容，或者除想要的群体(例如，X精细胞)以外的所有内容都可以移动到不同的流路径中。可以使用分叉的微流体通道分离器将两条流路径分开，该分离器将传入的微流体通道拆分成两个或更多个独立的下游通道。分离的细胞然后可以经由它们的下游通道被引导至收集器，在那里它们被收集以供进一步使用。其它下游通道的其它细胞群体输出可以被丢弃或用于其它目的。国际专利公布W02020/013903中也描述了这种布置。但是，其它分选布置是可能的，例如根据它们的分类对包含细胞的液滴进行静电充电、通过控制电场将带电的液滴引导到相应的收集器中的分选布置。
分类系统100可以可选地包括监视器155，其接收来自分析器单元135的输入。分析器单元可以例如确定与分选系统相关联的各种操作度量。此类度量可以包括与一段时间内的预期数量或与更大的细胞群体或细胞总数相比具有优选特性的分类/分选的细胞(例如，X精细胞)的比率-分选效率度量。如果这些度量落在预定范围之外，例如高于或低于定义的阈值，那么监视器155可以被配置为发出诸如警告或警报之类的指示物。在一个实施例中，指示物指示感兴趣区域(ROI)和/或分类器分离器需要被重新校准。在另一个实施例中，由监视器155发出的指示物可以可替代地或附加地发送信号以修改分选系统100的操作，例如将其关闭以防止进一步浪费准备好的细胞。
在进一步的替代方案中，由监视器发出的指示物可以调整分选系统的一些操作参数，诸如在递送到递送管布置之前向剩余细胞添加更多染色剂、改变鞘和/或颗粒流的流速、调整输入布置110内组件的几何形状或交互，然后输入布置110可以改变层流中细胞的定向和/或限制参数。
图2是具有相应通道1和通道2积分水平的测量数据点的图。该图是在测量时段收集的许多测量数据点的2D直方图。图中左下角的数据点的浓度表示无法存活的细胞(死亡或变形)、染色不良的细胞、定向不良或限制不良的细胞。图中央和右上角的数据点的Y形浓度表示可以被充分染色并且合理定向和限制的可存活细胞。这种Y形浓度的上方水平臂可以与一种细胞分类(例如，X精细胞)的较高可能性对应，而下方水平臂可以与另一种细胞分类(例如，Y精细胞)的较高可能性对应。图中朝左侧的Y形浓度的底部区域与难以分类的可存活细胞对应，例如，因为它们被不良定向。上臂和下臂朝着基部合并，越来越难以区分这两种类型的细胞。
通过关注Y形浓度的可以更容易地区分两种类型的右侧部分，可以实现对荧光强度不同的细胞的分类。手动选择感兴趣区域(ROI)205并且也手动选择ROI内的线性分离器220。此后，如果ROI内的数据点具有在分离器220的一侧相交的Ch1和Ch2值，那么随后的细胞可以被分类为一种类型(例如，X)——这些数据点由区域210指示。如果ROI 205内的数据点具有在分离器220的另一侧相交的Ch1和Ch2值——由区域215指示，那么后续细胞可以被分类为另一种类型(例如，Y)。可以看出，只有一小部分数据点可以被分类并因此被排序，浪费了大量感兴趣细胞。这种低效增加了与生产富含优选特性(例如，X精细胞)的细胞样本相关联的成本和时间。
还观察到，与可存活细胞对应的数据点可以随时间改变，即使在单次生产运行中也是如此。例如，染色可以随时间降级，从而导致诸如数据点的Y形浓度之类的伪影在图中移动，诸如在Ch2轴上移动得更高。由于手动设置ROI 205和分离器220，因此这会导致ROI205内的数据点被不正确地分类。它还可能导致在ROI 205内相交的数据点更少。这种现象进一步降低了分选效率和准确性。这个问题可以通过手动重置ROI 205和分离器220来处置，但这要求大量的操作者输入。
在一些实施例中，分析单元135使用机器学习模型对细胞进行分类，与已知方法(诸如使用线性分离器对X和Y群体进行分类)相比，这提高了分类效率和准确性。机器学习模型可以随时间进行调整，例如通过使用生产数据继续训练。这可以提高分类准确性并适应数据点的Y形浓度的位置随时间的改变。
在一些实施例中，分析单元135使用数据点的聚类来确定感兴趣区域(ROI)。聚类可以被用于聚焦ROI并且也可以适应数据点的Y形浓度的位置随时间的改变。
在一些实施例中，可以组合使用基于机器学习的分类器和聚类来聚焦ROI以提高分类(和分选)准确性和效率。这可以通过对分类器和/或聚类采用自适应技术来进一步改进。
图3图示了根据实施例的包括测量装置325和分析单元335的分选系统300的一部分。测量装置325包括两个UV照明器310a、310b，它们彼此垂直并且垂直于细胞305通过输送管(未示出)的行进方向定向。与每个UV照明器相对的是对应的检测器320a、320b，每个检测器彼此垂直定向。每个UV照明器310a、310b将UV光指引到通过的细胞，这些细胞通过发射由检测器320a、320b检测的荧光来响应。来自每个检测器320a、320b的输出表示输入到分析单元的两个测量通道Ch1、Ch2。在其它布置中，UV照明器和/或检测器可以以彼此不同的角度定向。也可以有附加的UV照明器和/或检测器。在本文中提及UV照明器的情况下，本领域技术人员将认识到可以可替代地使用替代照明设备，诸如不同波长的光束、激光、X射线、红外线、微波之类。
测量响应荧光的替代方法可以包括测量入射到细胞上的激光束或其它电磁辐射的偏振或散射，以及不同波长的电磁辐射(诸如红外线之类)的吸收和发射。
分析单元335包括耦合到Ch1和Ch2输入的积分器功能337、耦合到积分器的感兴趣区域或ROI选择器功能347，以及耦合到ROI选择器的分类器功能353。分析器单元或功能使用Ch1和Ch2输入来对与其相关联的细胞305进行分类。分类输出可以被用于控制分选功能357，诸如打开激光以将辐射压力施加到细胞，或控制电场以根据流式细胞术方法对细胞进行分选。分析单元还可以包括聚类功能362、初始分类标记功能372、训练功能377和定向效率估计器功能383中的一个或多个。各种功能可以通过适当编程的计算机或信号处理硬件、模拟或数字电路系统来实现。
积分器337对响应于检测器测量荧光而接收到的信号脉冲进行积分，并且可以在与一个或多个照明器脉冲以及细胞在照明器310a、310b前面经过相对应的时段内进行积分。与细胞相关联的每个通道Ch1、Ch2的脉冲积分表示测量数据点。
图4是2D直方图，示出了与Ch1和Ch2积分值对应的测量数据点。这类似于图2，但具有自适应ROI 440。感兴趣区域(ROI)440与可存活细胞对应，并且最初可以基于实验测量设置为已知范围的Ch1和Ch2积分值。然后ROI可以使用如下所述的聚类随时间进行调整。在另一个示例中，最初可以使用模式识别来设置ROI，以检测所示的特征y形图案并使ROI围绕此居中。区域430表示可以使用一些实施例分类的细胞。这与图2中可以使用先前已知方法分类的细胞205的区域相比是有利的。区域430与适合通过实施例分类的定向良好、可存活和染色良好的细胞对应。这个区域比图2的ROI 205大得多。
返回到图3，测量数据点从积分器功能337传递到ROI选择器功能347，ROI选择器功能347将这些数据点中的一些从考虑中去除，例如因为它们表示不能存活的、染色不良或定向不良的细胞。这与去除图4的ROI 440之外的测量数据点对应。在ROI选择器使用聚类的情况下，也可以去除可存活但离群的数据点。例如，初始ROI 440可以使用实验得出的阈值来选择，该阈值足够宽以涵盖可存活的和定向的细胞的位置可以跨Ch1和Ch2轴变化(这取决于外部因素，诸如染色和源动物之类)的Y形图案。然后可以使用消除离群值的聚类来确定更聚焦的ROI 430，从而提高分类准确度。可以使用与聚焦的ROI 430对应的Ch1和Ch2阈值来实现ROI选择器347。
ROI选择器可以利用聚类来去除远离主要浓度的数据点。连续聚类还可以使得适应传入数据点的改变，例如由于细胞染色的改变或细胞的流路径中的轻微偏差。
可以被采用的聚类算法的示例包括K均值(K-means)和K中心点(K-medoids)；小批量K-means和K-medoids；高斯混合建模(GMM)，使用层级的平衡迭代减少和聚类(BIRCH)；基于密度的带噪声的应用的空间聚类(DBSCAN)；亲和力(affinity)传播；层次(agglomerative)聚类；均值移位；谱聚类；以及对点进行排序以识别聚类结构(OPTICS)。
然后将ROI或聚类的测量数据点转发到分类器功能353。分功能将传入的数据点分类为具有特定特性A或B的类别，例如与X和Y精细胞对应。可以采用各种分类模型，例如经训练的机器学习模型，诸如神经网络、支持向量机或使用机器学习生成的超平面。这些分类模型可以被预训练，然后用于生产模式，或者生产模式本身可以被用于进一步训练模型以改进分类和/或使分类适应例如由于被检查细胞的染色变化而引起的变化的输入。可以针对不同的情形训练不同的模型，例如用于不同的染色剂、不同的公牛或其它动物物种。
分类器功能353为每个接收到的数据点输出分类决定，该决定与将细胞分类为具有特性A或B(例如精细胞X或Y)对应。然后将细胞分类为特性A(例如，X精细胞)可以被用于发起某个动作，诸如分选动作357。例如，这个输出可以被用于控制激光照射细胞，以使它们移动到不同的流路径中，或消融它们。
这些实施例可以促进改进的分类并因此促进分类准确性，从而导致集合具有更高百分比的具有期望特性的细胞(例如，X精细胞)。与已知方法相比，由于可以对更多数量的细胞进行分类，因此还可以提高效率。
ROI选择器功能347可以适于连续聚类生产数据点并相应地调整聚焦的ROI阈值。这意味着聚焦的ROI可随着传入数据点的改变而改变，例如由于染色保留随时间的改变。这会导致数据点的浓度移动，但是使用周期性或连续聚类会自动将过滤器集中在该浓度周围，从而使分类能够不受阻碍地继续进行。这与要求操作者监视和手动ROI调整的手动方法进行比较。
分类器功能353可以可替代地或附加地通过使用生产数据点的持续训练来适应。例如，生产数据点的历史集合可以被用作训练数据或用于用作分类器的机器学习模型的附加训练数据。训练数据点可以被聚类并分离到两个集群中。数据点的分离的集群最初可以使用多项式或样条函数来定界，函数一侧的数据点被标记为一个类(例如，X)，而落在分离器函数另一侧的数据点被标记为不同的类(例如，Y)。这与初步或近似分类标记功能372对应。然后可以使用这些标记的数据点来使用监督式学习来训练或进一步训练分类器模型，例如在训练功能377处。通过应用最近的生产数据点作为补充(top-up)训练数据，可以不断改进和/或调整分类模型以适应环境的改变，诸如减少的染色剂保留或来自影响数据点的不同动物的细胞。
图5图示了对与细胞对应的数据点进行分类的方法。这可以由图3的分析器单元或由替代硬件和/或软件实现。方法500接收数据点，例如来自至少两个通道的脉冲积分，与正交方向上的测量值对应。
在505处，该方法使用ROI过滤器过滤数据点。ROI最初可以与图4的预设的或模式识别导出的阈值440对应。
在510处，该方法对初始过滤的数据点进行聚类，例如使用先前描述的任何聚类算法。如图4中所示，聚类被用于确定更集中过滤或更集中ROI 430的阈值。然后将这些阈值或集群边界转发到525。
在515处，该方法确定超时时段是否已到期，如果没有到期(否)，那么在520处向前传递当前数据点。如果超时时段已到期(是)，那么该方法循环回到505以开始新的时段来对接收到的数据点进行聚类以便更新聚焦的ROI阈值。
在525处，该方法确定当前测量数据点是否在最近由聚类算法在510设置的聚焦ROI阈值内。如果数据点在阈值之外(否)，那么与数据点相关联的细胞被标记以便丢弃。这个状态可以被用于控制下游分选过程，例如控制激光对细胞施加或不施加辐射压力，使其分别偏离或保持在丢弃流路径中。如果数据点在阈值内(是)，那么数据点通过以在535处进行分类。
在535处，该方法将数据点分类为属于具有特性A的细胞(例如，类别0)或具有特性B的细胞(类别1)。这可以使用任何合适的分类来实现，包括例如：非线性分离超平面；基于规则的分类器(使用模糊或非模糊逻辑)；支持向量机(SVM)；高斯过程分类器；朴素贝叶斯分类器；神经网络。这些分类器可以进行预训练，然后以生产设置被采用以对真实或非训练数据点进行分类。在一些实施例中，分类器参数可以基于生产数据点的分析被更新，例如通过连续训练神经网络或重新训练SVM以更新分类超平面。在另一个示例中，ROI聚类可以被用于调整分类超平面的位置。例如，如果发现聚焦ROI 430的中值Ch2值增加了5％，那么分类超平面的Ch2值可以增加5％。
实验观察到，SVM分类可以达到98％的准确率，这明显优于已知的手动配置的分离器方法。这样的准确性改进了最终产品，例如分选的X精细胞样本具有低比例的Y精细胞。这也减少了细胞的浪费，因为更多的细胞可以被准确分类。
在540处，该方法确定当前数据点和相关联细胞的分类，并且如果它没有被分类为与期望细胞相关联(否)，那么该细胞在545处被标记为丢弃。如果数据点或细胞被分类为期望的细胞(是)，那么该方法移至550。
在550处，该方法控制分选布置(例如，激光)施加辐射压力以将分类的细胞移动到“收集”流路径中。例如在国际专利公布WO2014017929A1和WO2020/013903中描述了使用激光对精细胞进行分类，它们通过引用并入本文。可以可替代地使用其它激光分选布置。该方法可以可替代地被用于控制不依赖激光的其它分选布置，诸如基于静电充电的液滴的精细胞分选，或例如不想要的细胞的消融。
返回到图3，分析器单元335还可以包括定向效率估计功能383，其分析来自分类器353的输出。定向效率可以用于为操作者提供分选系统监视，并且也可以用于控制上游过程(诸如如果定向效率下降太低则关闭系统之类)。
定向效率是相对于参考方向充分定向的细胞比例的测度。精细胞和其它细胞(诸如红细胞)是不对称的，具有扁平的椭圆形，垂直维度定义面或大表面平面，并且短维度定义边缘的厚度(以及部分地定义正交的短表面平面)。在一些实施例中，分选激光可以被布置为当其传播方向垂直于该面或大表面平面时实现最优性能。在这种情况下，参考方向垂直于激光传播方向。参考方向可以可替代地与表征激光器310a、310b和/或检测器320a、320b的定向对应。在参考方向的特定范围内定向的不对称细胞对于基于激光的分选或其它过程可以仍然足够好地定向。落在这个范围之外的其它细胞，例如将其边缘呈现给激光的不对称细胞，可导致无法分类的测量数据点和/或次优分选。
低定向效率度量是分选系统配置次优从而导致细胞浪费的指示；例如，因为相对于照明器或检测器没有良好地定向，因此无法准确测量它们的荧光发射。低定向度量也可以指示，当激光用于分选时，即使准确分类，许多细胞也可能由于相对于激光定向不良而无法正确分类。
参考图4，可以通过将聚焦的ROI 430内的数据点的数量与对应于所有细胞测量的总体数据点的数量进行比较来确定细胞定向效率，但是可以可替代地使用不同的定义。这可以通过下式计算：
其中∑A是感兴趣的聚焦区域430中的细胞数，并且∑B是另一个区域中的细胞数，它可以与所有细胞数据点或所有可存活细胞数据点对应。无论使用细胞数据点的哪种群体，这个度量都表示一段时间内的定向效率。在不同的时间段，定向效率可以变化。如果定向效率低于阈值，例如30％，那么这会触发警报或其它措施，以提示重新配置要进行的分选系统，以便提高测得的定向效率。
可以确定替代定向效率度量，例如如下关于图6所描述的。可替代地或附加地确定各种其它操作度量。例如，可以监视过滤函数阈值的改变。如果这些超过某个水平，那么这可以指示正被处理的细胞样本的重大改变，并且然后可以发起操作者警告或警报，或者分选系统的关闭。另一个示例度量是将分类为具有期望特性A的细胞(例如，携带X的精细胞)的数量与细胞总数进行比较。
在一些实施例中，提供了一种基于机器学习的过程(在一些实施例中，该过程是无监督的)，该过程被配置为从特征的散点图中识别颗粒的一个或多个密集群体，该特征的散点图是从颗粒/细胞(例如，精子)分选装置中颗粒的荧光检测提取的。在一些实施例中，识别出的密集区域的尺寸随后被用于计算颗粒定向效率。因而，例如，在一些实施例中，期望方向上的颗粒定向是将颗粒分选到特定位置/流中的重要因素；因此，以这种方式计算颗粒定向效率的能力使得能够比较各替代微通道流芯片以识别促进更好分选功能性的配置。在一些实施例中，识别出的密集区域然后被用于识别颗粒的子群体。因而，例如，子群体的识别出的成员随后经历分选方法。
因而，在所公开的实施例中的一些当中：可以使用这种方法提取人眼不直接可见的群体密度信息；并且无监督式操作确保稳健性并避免因用户干预而导致的度量计算的变化，尤其是在用于比较配置时。
因而，在一些实施例中，提供了一种从特征的散点图中识别颗粒的一个或多个密集群体的方法，该特征的散点图是从颗粒/细胞(例如，精子)中的颗粒的荧光检测中提取的，并且该方法包括发荧光的颗粒在分选装置的微通道中流动，提取/成像这样的荧光数据，并从提取出的荧光数据中确定脉冲形状特征(例如，通道1形状特征和通道2形状特征)的二维(2D)直方图。通道1和通道2形状特征与脉冲形状特征对应，这些脉冲形状特征是根据来自分别放置在垂直于流的两个不同位置的检测器的脉冲计算出的。
参考图4，可以在区域440内看到数据点的密集群体，其中一些包括在聚焦的ROI430内。这个密集群体在下文中被称为轴臂。在图的下部可以看到另一个密集群体，但这与无法存活或染色不良的细胞对应，并且使用初始ROI或掩码阈值440排除在考虑范围之外。
图6图示了对与具有不同荧光的细胞对应的数据点的更详细分析，例如，如前所述的荧光积分测量。左图图示了可以由用户设置以分析数据点的初始ROI 610——这是围绕轴臂605的矩形。中间右图示出了提取出的轴臂数据点615，其可以使用聚类技术来提取。右图图示了轴臂内的不同区域，使得可以进行进一步分析—中央叶C、中间臂B和远端区域A。这些区域可以使用第二聚类算法定义，例如再次基于密度进行分组，但具有更细粒度。
图7中图示了根据一些实施例的用于确定定向效率度量的方法。这可以被实现为包括至少一个，并且在一些实施例中，多个，并且在更进一步的实施例中，所有所示的项目。
在705处，该方法提示用户指定感兴趣区域(ROI)610，如果需要的话，以防存在应当避免的颗粒群体的区域，以建立ROI数据。
在710处，该方法使用(在一些实施例中)无监督聚类模式(例如，选自包括如下项的组：K-means和K-medoids；小批量K-means和K-medoids；高斯混合建模(GMM)、使用层级的平衡的迭代减少和聚类(BIRCH)；基于密度的带噪声的应用的空间聚类(DBSCAN)；亲和力传播；层次聚类；均值移位；谱聚类；以及对点进行排序以识别聚类结构(OPTICS)的模式)聚合ROI数据来从稀疏区域中分离出个数据点的一个或多密集区域。这将2D散点图的轴臂615分离为(感兴趣的)第一聚类轴臂数据615。
在720处，该方法经由无监督聚类模式(例如，选自如下项的组：K-means和K-medoids；小批量K-means和K-medoids；高斯混合建模(GMM)、使用层级的平衡的迭代减少和聚类(BIRCH)；基于密度的带噪声的应用的空间聚类(DBSCAN)；亲和力传播；层次聚类；均值移位；谱聚类；以及对点进行排序以识别聚类结构(OPTICS)的模式)的第二步聚类第一聚类轴臂数据，该第二布聚类具有更严格的参数设置以识别密集区域615内的密集/更密集区域A、B、C，从而建立第二聚类轴臂数据A。在DBSCAN实施例中可以被调整的参数可以包括1)epsilon：可以减小相邻点之间的距离以在密集区域内找到密集区域，以及2)最小点：为了在第一集群内找到集群，减少必须存在以标记为集群的数据点的最小数量。
在730处，该方法基于第二聚类轴臂数据计算密集定向区域A中的点的数量ΣA。
在740处，该方法基于第一聚类轴臂数据(区域A、B和C)计算轴臂615中的一个或多个点Σ。
在750处，该方法计算定向效率(例如，颗粒定向效率，使用：
密集区域A中的数据点与相对于参考方向良好定向的细胞对应。定向良好的细胞更有可能被良好地测量、分类和分选，并且因此这种特定的定向效率度量可以被用于帮助改进细胞分选系统的配置。区域C中的细胞可能难以分类。中间区域B中的细胞可以被充分分类，增加区域A中的比例进一步提高系统性能和效率。
区域A是最定向细胞所在的区域，并且可以使用区域A、B、C的比较来比较不同的上游配置(诸如流式芯片(flowChip)和针之类)。
区域A、B、C可以被用于设置聚焦的ROI用于数据点的分类。例如可以将聚焦的ROI设置为区域A，或者区域A和区域B。可以使用这种方法设置图4的聚焦的ROI 430，在该聚焦的ROI 430中执行第一聚类过程以分离轴臂聚类615，然后执行第二聚类过程以识别良好(A)和可选地合理良好(B)的密集群体区域，良好(A)和可选地合理良好(B)随后将被用于为聚焦的ROI 430设置边界。
与第一聚类过程一样，第二聚类过程也可以包括任何合适的算法，诸如例如：K-means和K-medoids；小批量K-means和K-medoids；高斯混合建模(GMM)，使用层级的平衡迭代减少和聚类(BIRCH)；基于密度的带噪声的应用的空间聚类(DBSCAN)；亲和力传播；层次聚类；均值移位；谱聚类；以及对点进行排序以识别聚类结构(OPTICS)之类。
图8图示了可以在图3的分析单元335中采用的分类器的连续训练的方法800。诸如353之类的分类器可以最初被训练以在生产设置或模式中使用以对细胞进行分类和分选。然后可以使用生产数据点进一步训练分类器以更新分类器，例如提高其准确性或适应变化的条件，诸如染色剂吸收或来自不同公牛的精细胞。
在810处，该方法接收多个数据点并选择感兴趣区域(ROI)。数据点可以与细胞测量对应并且表示在一段时间内测得的相应细胞的测量数据点。示例在图4和6中示出。ROI选择可以通过操作者的手动设置、预定阈值、模式识别或聚类来实现，如前所述。
在820处，该方法聚类数据点，例如使用用于计算定向效率的图7的方法的1级聚类(710)。
在步骤830处，该方法确定针对聚类的数据点的初始线或函数拟合。初始拟合可以通过多项式拟合来实现，以定义与数据点对应的直线或平滑函数。在一个实施例中，可以使用二阶样条。
在步骤840处，类别标签(例如，类别0或类别1)被分配给每个数据点，这取决于它们落入拟合的多项式的哪一侧，例如类别0对应于X精细胞并且类别1对应于Y精细胞。
在步骤850处，来自聚类820的数据点被输入到分类器中并且具有标签的对应数据点被用于分类器的监督式训练。
在一个示例中，分类器是SVM，并且一旦经过训练，就会获得分离的超平面，然后它会替换生产分类器353中使用的现有超平面。可替代地，可以根据这个分类器超平面与新生成的超平面之间的差异对现有分类器超平面进行调整。分类器可以以这种方式周期性地更新或进一步训练。
在另一个示例中，分类器是神经网络，它使用生产数据点和对应的标记的数据点进行连续训练。这可以被用于重新训练购买时提供的初始训练的模型，但可能需要适应不同的条件。
一些实施例可以提供一个或多个优点。例如，提高细胞分类和分选的准确性，和/或通过减少期望细胞的浪费来提高分选的效率。这降低了成本并改善了最终产品。还可以增加自动化，从而减少操作者的参与和时间。
虽然已经关于特定应用描述了一些实施例，例如牛精子的性别选择，但是许多其它应用也是可能的。例如，从诸如山羊、绵羊、鹿、鸡和其它家禽等其它养殖动物中分选精子。此外，在一些实施例中，可以分选其它类型的细胞，诸如红细胞和神经元之类。
图9图示了将先前已知的分类方法(左)与根据一些实施例的方法(右)进行比较的实验结果。左侧的2D直方图示出了使用已知的手动配置线性分离器方法将精细胞分选为X和Y群体的实验结果。Y形图案表示可存活细胞，并且具有与一个细胞群体(例如，X精细胞)对应的上定向臂和与另一个细胞群(例如，Y精细胞)对应的下定向臂。示出感兴趣区域(ROI)的细节。ROI相对较小，仅包括两个定向臂中大约三分之一的细胞。这是因为大的公差必须与ROI相关联，以适应测量点随时间的变化，并且因为使用线性分离器的粗糙度。发现分类的X细胞占定向臂中所有X细胞的百分比近似为55％，并且分类的X细胞占定向臂中所有细胞的百分比近似为28％。
右侧示出了使用实施例的实验结果，其具有更大ROI，有效地使得能够使用100％的定向臂。结果发现，定向臂中分类的X细胞占所有X细胞的百分比大于97.5％，并且定向臂中分类的X细胞占所有细胞的百分比大于49％。与已知方法相比，这表示分类以及因此分选效率方面的显著改进。这有效地允许对所有或大多数定向的细胞进行分类，从而大大减少浪费并提高最终收集中所想要的细胞的浓度。
在本申请的任何地方出现的对出版物或其它文档的任何和所有参考，包括但不限于专利、专利申请、文章、网页、书籍等，通过引用整体并入本文。
如别处所指出的，所公开的发明性实施例仅出于说明性目的而被描述而不是限制性的。其它实施例是可能的并且被本公开覆盖，这将从本文包含的教导显而易见。因此，本公开的广度和范围不应当受任何上述实施例的限制，而应当仅根据本公开支持的权利要求及其等同形式来限定。而且，本主题公开的实施例可以包括方法、系统和装置/设备，它们还可以包括来自任何其它公开的方法、系统和设备的任何和所有元素，包括与绑定事件确定系统、设备和方法对应的任何和所有元素。换句话说，来自一个或另一个公开的实施例的元素可以与来自其它公开的实施例的元素互换。此外，所公开的实施例的一个或多个特征/元素可以被去除并且仍然产生可获得专利的主题(并且因此导致主题公开的更多实施例)。而且，一些实施例与和现有技术的教导相比具体地缺少一个和/或另一个元件、结构和/或步骤(如适用)的系统、设备和方法对应，并且因此，表示可授予专利的主题并且与其可区分(即，针对此类实施例的权利要求可以包含一个或多个否定限制，以指出缺少一个或多个特征现有技术教导)。
本文公开的各种发明性构思可以被实施为一种或多种方法(如所指出的)。作为该方法的一部分执行的动作可以以任何合适的方式排序。因而，可以构建其中以与所示出的次序不同的次序执行动作的实施例，这可以包括同时执行一些动作，即使在所示实施例中被示为顺序动作。

Claims (63)

1.一种用于分选细胞的计算机实现的方法，包括：
确定用于多个细胞的测量数据点；
使用感兴趣区域选择测量数据点；
对选择的测量数据点进行分类；
根据它们各自的分类对细胞进行分选；
其中感兴趣区域或分类根据先前的测量数据点自动调整。
2.如权利要求1所述的方法，其中感兴趣区域包括预先确定的和/或基于模式识别的阈值。
3.如权利要求1或2所述的方法，其中感兴趣区域包括用于测量数据点的阈值，所述阈值根据先前的测量数据点的聚类而被调整。
4.如权利要求3所述的方法，其中所述聚类包括以下当中的一项或多项：K-means和K-medoids；小批量K-means和K-medoids；高斯混合建模(GMM)，使用层级的平衡迭代减少和聚类(BIRCH)；基于密度的带噪声的应用的空间聚类(DBSCAN)；亲和力传播；层次聚类；均值移位；谱聚类；对点进行排序以识别聚类结构(OPTICS)。
5.如前述权利要求中的任一项所述的方法，其中分类包括使用以下当中的一项或多项：机器学习模型；非线性函数；模糊分类；高斯混合模型(GMM)，统计分类器；卷积和/或深度神经网络。
6.如权利要求1至4中的任一项所述的方法，其中分类包括使用利用先前的测量数据点作为标签训练的机器学习模型。
7.如权利要求6所述的方法，其中使用非线性函数对先前的测量数据点进行初始分类，机器学习模型是使用初始分类的先前的测量数据点训练的。
8.如权利要求6或7所述的方法，其中机器学习模型是以下之一：核支持向量机(k-SVM)；深度和/或卷积神经网络；高斯过程分类器(GPC)；基于规则的分类器；基于决策树的分类器。
9.如前述权利要求中的任一项所述的方法，包括将第一群体中一段时间内的细胞数量与第二群体中所述一段时间内的细胞数量进行比较，以计算分选效率参数。
10.如权利要求9所述的方法，其中第一群体是以下之一：被分类为具有预定特性的细胞的数量、感兴趣区域中的细胞的数量；并且第二群体是以下之一：细胞的总数、感兴趣区域中的细胞的数量。
11.如权利要求9或10所述的方法，包括响应于分选效率参数低于阈值而执行动作。
12.如权利要求11所述的方法，其中所述动作是以下当中的一项或多项；发出警告或警报；停止分选细胞的方法；对上游细胞递送过程进行调整。
13.如前述权利要求中的任一项所述的方法，其中细胞是精细胞并且测量数据点得自来自至少两个不同方向的照明模式测量，细胞中的至少一些细胞根据预定特性被分类并且其中分选将分类的细胞与其它细胞分开。
14.如权利要求13所述的方法，其中测量数据点是来自彼此成一定角度定向的检测器的荧光测量，细胞以层流运输并被分类为具有特性A或B的细胞。
15.如权利要求14所述的方法，其中所述检测器基本上以直角定向。
16.如权利要求14或15所述的方法，其中细胞是精细胞并且特性A或B是X精细胞或Y精细胞。
17.一种用于处理细胞的计算机实现的方法，包括：
确定用于多个细胞的测量数据点；
使用感兴趣区域选择测量数据点；
根据预定特性将选择的测量数据点分类为至少两个群体；
通过比较每个群体中的数据点的数量来计算性能度量。
18.如权利要求17所述的方法，其中所述预定特性是遗传分类。
19.如权利要求17或18所述的方法，其中所述性能度量是细胞定向度量。
20.如权利要求19所述的方法，其中通过将所选择的测量数据点的数量与测量数据点的总数进行比较来确定所述性能度量。
21.如权利要求19所述的方法，其中所述性能度量由以下确定：
对测量数据点进行第一聚类以生成第一聚类的数据；
对第一聚类的数据进行第二聚类以生成第二聚类的数据；
通过将第二聚类的数据中的测量数据点的数量与第一聚类的数据中的测量数据点的数量进行比较来计算所述性能度量的值。
22.如权利要求17至21中的任一项所述的方法，包括根据所述性能度量的值执行动作，所述动作包括以下当中的一项或多项：显示所述性能度量的值；响应于所述性能度量的值落在预定指示物范围内而触发指示物；响应于所述性能度量的值落入预定关闭范围内而关闭细胞的分选；调整递送细胞以进行分选的过程的操作参数。
23.如权利要求17至21中的任一项所述的方法，其中选择或分类是根据先前的测量数据点自动调整的。
24.如权利要求17至23中的任一项所述的方法，其中细胞中的至少一些细胞被分类为具有特性A，所述方法还包括将分类为具有特性A的细胞的细胞与其它细胞分选。
25.如权利要求24所述的方法，其中细胞是精细胞并且特性A是X精细胞。
26.如权利要求24或25所述的方法，其中分选包括照射细胞以：
a.使得细胞由于辐射压力而移动到不同的流路径中以收集在不同的容器中，或者
b.消融细胞以导致对不期望的细胞群体的功能丧失、细胞杀死或损伤，
从而产生富含所述特性的细胞群体。
27.如权利要求24至26中的任一项所述的方法，其中测量数据点得自响应于细胞的照射并使用直角检测器的荧光测量，并且其中细胞以层流运输。
28.一种细胞分选装置，包括处理器和存储器，被配置为：
确定用于多个细胞的测量数据点；
使用感兴趣区域选择测量数据点；
对选择的测量数据点进行分类；
根据它们各自的分类对细胞进行分选；
其中感兴趣区域或分类根据先前的测量数据点自动调整。
29.如权利要求28所述的装置，其中感兴趣区域包括预先确定的和/或基于模式识别的阈值。
30.如权利要求28或29所述的装置，其中，感兴趣区域包括用于测量数据点的阈值，所述阈值根据先前的测量数据点的聚类而被调整。
31.如权利要求30所述的装置，其中所述聚类包括以下当中的一项或多项：K-means和K-medoids；小批量K-means和K-medoids；高斯混合建模(GMM)，使用层级的平衡迭代减少和聚类(BIRCH)；基于密度的带噪声的应用的空间聚类(DBSCAN)；亲和力传播；层次聚类；均值移位；谱聚类；对点进行排序以识别聚类结构(OPTICS)。
32.如权利要求28至31中的任一项所述的装置，其中分类包括使用以下当中的一项或多项：机器学习模型；非线性函数；模糊分类；高斯混合模型(GMM)，统计分类器；卷积和/或深度神经网络。
33.如权利要求28至31中的任一项所述的装置，其中分类包括使用利用先前的测量数据点作为标签训练的机器学习模型。
34.如权利要求33所述的装置，其中使用非线性函数对先前的测量数据点进行初始分类，机器学习模型是使用初始分类的先前的测量数据点训练的。
35.如权利要求33或34所述的装置，其中机器学习模型是以下之一：核支持向量机(k-SVM)；深度和/或卷积神经网络；高斯过程分类器(GPC)；基于规则的分类器；基于决策树的分类器。
36.如权利要求28至35中的任一项所述的装置，被配置为将第一群体中一段时间内的细胞数量与第二群体中所述一段时间内的细胞数量进行比较，以计算分选效率参数。
37.如权利要求36所述的装置，其中第一群体是以下之一：被分类为具有预定特性的细胞的数量、感兴趣区域中的细胞的数量；并且第二群体是以下之一：细胞的总数、感兴趣区域中的细胞的数量。
38.如权利要求36或37所述的装置，被配置为响应于分选效率参数低于阈值而执行动作。
39.如权利要求38所述的装置，其中所述动作是以下当中的一项或多项；发出警告或警报；停止分选细胞的方法；对上游细胞递送过程进行调整。
40.如权利要求28至39中的任一项所述的装置，其中细胞是精细胞并且测量数据点得自来自至少两个不同方向的照明模式测量，细胞中的至少一些细胞根据预定特性被分类并且其中使用分选布置来实现对细胞的分选。
41.如权利要求40所述的装置，其中所述分选布置被配置为分选已分类或未分类的细胞，并且其中所述分选布置包括辐射源，所述辐射源被配置为照射已分类或未分类的细胞。
42.如权利要求40或41所述的装置，其中测量数据点是来自彼此成一定角度定向的检测器的荧光测量，细胞以层流运输并被分类为具有特性A或B的细胞。
43.如权利要求42所述的装置，其中所述检测器基本上以直角定向。
44.如权利要求42或43所述的装置，其中细胞是精细胞并且特性A或B是X精细胞或Y精细胞。
45.如权利要求28至44中的任一项所述的装置，包括：
测量装置，用于执行所述多个细胞的测量，测量数据点是使用所述测量确定的；
分选装置，被配置为对细胞进行分选。
46.如权利要求45所述的装置，其中所述测量装置包括UV照明器和/或荧光检测器。
47.如权利要求45或46所述的装置，其中所述分选装置包括被配置为移动或消融细胞中的一些细胞的激光器。
48.一种细胞处理装置，包括处理器和存储器，被配置为：
确定用于多个细胞的测量数据点；
使用感兴趣区域选择测量数据点；
根据预定特性将选择的测量数据点分类为至少两个群体；
通过比较每个群体中的数据点的数量来计算性能度量。
49.如权利要求48所述的装置，其中所述预定特性是遗传分类。
50.如权利要求48或49所述的装置，其中所述性能度量是细胞定向度量。
51.如权利要求50所述的装置，其中通过将所选择的测量数据点的数量与测量数据点的总数进行比较来确定所述性能度量。
52.如权利要求50所述的装置，其中所述性能度量由以下确定：
对测量数据点进行第一聚类以生成第一聚类的数据；
对第一聚类的数据进行第二聚类以生成第二聚类的数据；
通过将第二聚类的数据中的测量数据点的数量与第一聚类的数据中的测量数据点的数量进行比较来计算性能度量的值。
53.如权利要求48至52中的任一项所述的装置，被配置为根据所述性能度量的值执行动作，所述动作包括以下当中的一项或多项：显示所述性能度量的值；响应于所述性能度量的值落在预定指示物范围内而触发指示物；响应于所述性能度量的值落入预定关闭范围内而关闭细胞的分选；调整递送细胞以进行分选的过程的操作参数。
54.如权利要求48至53中的任一项所述的装置，其中选择或分类是根据先前的测量数据点自动调整的。
55.如权利要求46至50中的任一项所述的装置，其中细胞中的至少一些细胞被分类为具有特性A，所述装置包括分选装置以将分类为具有特性A的细胞的细胞与其它细胞分选。
56.如权利要求55所述的装置，其中细胞是精细胞并且特性A是X精细胞。
57.如权利要求55或56所述的装置，其中所述分选装置被布置为照射细胞以：
a.使得细胞由于辐射压力而移动到不同的流路径中以收集在不同的容器中，或者
b.消融细胞以导致对不期望的细胞群体的功能丧失、细胞杀死或损伤，
从而产生富含所述特性的细胞群体。
58.如权利要求53至57中的任一项所述的装置，其中测量数据点得自响应于细胞的照射并使用直角检测器的荧光测量，并且其中细胞以层流运输。
59.如权利要求48至54中的任一项所述的装置，包括：
测量装置，用于执行所述多个细胞的测量，测量数据点是使用所述测量确定的；
分选装置，被配置为对细胞进行分选。
60.如权利要求59所述的装置，其中所述测量装置包括UV照明器和/或荧光检测器。
61.如权利要求59或60所述的装置，其中所述分选装置包括被配置为移动或消融细胞中的一些细胞的激光器。
62.一种包括处理器指令的计算机程序，所述处理器指令在处理器上执行时使处理器执行根据权利要求1至27中的任一项所述的方法。
63.一种非暂态介质，包括如权利要求62所述的计算机程序。
CN202180086510.3A 2020-12-23 2021-12-23 颗粒分类和分选系统及方法 Pending CN116685675A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063130328P 2020-12-23 2020-12-23
US63/130,328 2020-12-23
PCT/NZ2021/050230 WO2022139597A1 (en) 2020-12-23 2021-12-23 Particle classification and sorting systems and methods

Publications (1)

Publication Number Publication Date
CN116685675A true CN116685675A (zh) 2023-09-01

Family

ID=82158295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180086510.3A Pending CN116685675A (zh) 2020-12-23 2021-12-23 颗粒分类和分选系统及方法

Country Status (5)

Country Link
US (1) US20230393050A1 (zh)
EP (1) EP4267938A4 (zh)
CN (1) CN116685675A (zh)
CA (1) CA3200930A1 (zh)
WO (1) WO2022139597A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024137292A1 (en) * 2022-12-24 2024-06-27 Invivoscribe, Inc. Automated gate drawing in flow cytometry data

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
HUE026838T2 (en) * 2003-03-28 2016-07-28 Inguran Llc Method for providing sex-sorted animal sperm
CA2552872A1 (en) * 2004-01-14 2005-08-04 Luminex Corporation Methods for altering one or more parameters of a measurement system
USRE46559E1 (en) * 2004-07-27 2017-09-26 Beckman Coulter, Inc. Enhancing flow cytometry discrimination with geometric transformation
US8557587B2 (en) * 2009-01-07 2013-10-15 Xy, Llc Self-tuning, biologically modeled sorter
AU2013293647B2 (en) * 2012-07-27 2017-08-31 Engender Technologies Limited Method and system for microfluidic particle orientation and/or sorting
WO2018151680A1 (en) * 2017-02-15 2018-08-23 Agency For Science, Technology And Research Methods and devices for identifying population clusters in data
US9934364B1 (en) * 2017-02-28 2018-04-03 Anixa Diagnostics Corporation Methods for using artificial neural network analysis on flow cytometry data for cancer diagnosis
WO2019209723A1 (en) * 2018-04-26 2019-10-31 Becton, Dickinson And Company Characterization and sorting for particle analyzers
US11977017B2 (en) * 2019-01-23 2024-05-07 International Business Machines Corporation Automated configuration of flow cytometry machines

Also Published As

Publication number Publication date
EP4267938A1 (en) 2023-11-01
CA3200930A1 (en) 2022-06-30
EP4267938A4 (en) 2024-06-05
WO2022139597A1 (en) 2022-06-30
US20230393050A1 (en) 2023-12-07

Similar Documents

Publication Publication Date Title
US10192100B2 (en) System and method for classification of particles in a fluid sample
CN112154317B (zh) 颗粒分析仪的表征和分选
DK2304020T3 (en) Method and apparatus for sorting cells
CN109844494B (zh) 动态聚焦系统和方法
CN105445170B (zh) 识别生物样品目标组分的方法和分析生物流体样品的装置
CN113811754B (zh) 颗粒分析仪的表征和分选
CN105431725A (zh) 无操作员式颗粒处理系统和方法
US8557587B2 (en) Self-tuning, biologically modeled sorter
JP2006524054A5 (zh)
EP3865849A1 (en) Sperm picking system
US20230393050A1 (en) Particle classification and sorting systems and methods
CN107389536B (zh) 基于密度-距离中心算法的流式细胞粒子分类计数方法
EP2559336A1 (en) System and method for automatic classification of fish alevins by means of optical methods
CN114902033A (zh) 通过流式细胞术检测塑料微粒
Dalvi et al. Computer aided detection of abnormal red blood cells
Rahadi et al. Red blood cells and white blood cells detection by image processing
JP6685057B1 (ja) イメージングフローサイトメーター、ソート方法、及び、キャリブレーション方法
Nasreen et al. Counting of RBC using circular hough transform with median filtering
Darane et al. Recognizing presence of hematological disease using deep learning
Lefta et al. Red blood cells detecting depending on binary conversion at multi threshold values
JP2021021719A (ja) イメージングフローサイトメーター、ソート方法、及び、キャリブレーション方法
Gumbiowski Automated analysis of high-resolution transmission electron microscopy images of nanoparticles by machine learning
Sujithraa et al. Use of alexnet architecture in the detection of bone marrow white blood cancer cells
CN119804279A (zh) 利用光流体芯片和机器学习快速检测耐药白血病细胞的方法和装置
WO2024138116A1 (en) Multi-level image classifier for blood cell images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination