JP6798905B2 - 異常指標算出装置、異常指標算出方法及び異常指標算出プログラム - Google Patents

Description

本技術は、異常検出装置並びに異常検出方法及び異常検出プログラムに関する。

神経細胞は生物において様々な臓器の働きを調整し、中枢神経系では神経同士のネットワークを形成して活動する事で様々な情報処理を行う等をしていると考えられている。現在では細胞培養技術の発達により、生体から取り出した神経細胞や多能性幹細胞から分化した神経細胞を培養液中等で長期間に培養する事が可能になっている。

神経細胞の活動は、電気信号を用いて情報を伝達することにあり、神経細胞や神経線維における電気信号の発生の仕組みや、神経細胞を取り巻く膜の生化学的性質、神経細胞や神経線維に対する物質の薬理作用の解明のため、この神経細胞の膜内外の電位差を測定することが行われている。

培養神経細胞を測定対象とした場合、神経細胞の活動電位を測定する手法として、（１）細胞内電位記録法、（２）パッチ電極記録法、（３）細胞外電位記録法、が挙げられる。（１）と（２）はガラス微小電極を細胞内に刺入するか、細胞表面にあてて記録を行うものであることから直接的な膜電位を測定することはできるが、手技が困難であり細胞自体を傷つけるなど長期間の測定を行うことが困難である。これに対し（３）の細胞外電位記録法は、電極を細胞近傍に配置して細胞周囲に生じる電位変化を測定するものであり、技術的に比較的容易で、長時間の測定が可能であり、その応用範囲も広い。特に、多点平面電極（ＭＥＡ：Multiple Electrode Array）を用いた細胞外電位記録法は、複数の電極や複数のサンプルから安定して同時計測できる方法として利用されている。

従来、細胞外電位記録法に用いる計測装置として、異なる細胞または細胞群にそれぞれ配置された異なる微小電極にそれぞれ接続された信号線の間で生じる電磁誘導によるノイズが発生しないように、１つの細胞または細胞群に配置された微小電極に接続された信号線と、他の細胞または細胞群に配置された微小電極に接続された信号線とが、実質的に分離されてアンプに接続されているものが提案されている（例えば、特許文献１）。

特開２０１４−１２４１３３号公報

細胞の細胞電位変化の測定により得られた活動電位データから、細胞活動パターンの解析を行うためには、計測された細胞の活動波形データからノイズを除外し、細胞の活動パターンを検出する。また、細胞を用いて創薬スクリーニングや毒性評価を行うためには、候補試料の適用等により生じる物理的刺激、電気的刺激又は化学的刺激の有無による活動パターンの違いを評価する。

しかしながら、例えば刺激によって生じる異常な電位の変動を検出することは困難であった。特に、未知の異常な電位の変動を機械的に検出することは難しく、創薬スクリーニング等のために新規の候補試料に対して起こる電位の変動から未知の異常を検出することは困難であった。

そこで、本発明は、細胞外電位データから所定の標準とは異なる電位の変動パターンを検出するための技術を提供することを目的とする。

本発明に係る異常検出装置は、以下の通り例示できる。すなわち、異常検出装置は、異常検出において標準とする細胞外電位の経時変化を表すデータについて、第１の期間に測定された電位の値と、第１の期間とは別の第２の期間に測定された電位の値との関係を、第１の期間及び第２の期間を変更させながら学習して生成した予測モデルを用いて、標準と対比させる細胞外電位の経時変化を表すデータのうち第１の期間に対応する第３の期間に測定された電位の値に基づいて第２の期間に対応する第４の期間に測定される電位の予測値を求める予測処理部と、第４の期間において測定された電位の実測値と、予測値との差に基づいて、当該差の大きさに応じた指標値を算出する異常検出部とを備える。

このようにすれば、標準とする細胞外電位の経時変化の特徴を学習し、予測できるようになると共に、実測値について、予測値との差に基づいて標準と異なる電位であるか否か検出することができるようになる。すなわち、細胞外電位データから標準とは異なる電位の変動パターンを検出するための技術を提供することができる。

また、予測処理部は、第３の期間に測定された電位の値又はこれに基づく特徴量を入力とし、入力側の全ノードが出力側の全ノードと結合された全結合層及び各結合に関連付けられた所定の係数に基づいて第４の期間に測定される電位の特徴量又は予測値を求めるようにしてもよい。例えばこのように、いわゆる全結合層を含む構成を採用することができる。

また、予測処理部は、第３の期間に測定された電位の値又はこれに基づく特徴量を入力として、所定の畳み込みニューラルネットワークにより第４の期間に測定される電位の特徴量又は予測値を求めるようにしてもよい。例えば時系列的に変化する電位の値の特徴を捉えることができる。

また、予測処理部は、第３の期間に測定された電位の値に基づく特徴量を入力とし、所定のデコンボリューショナルニューラルネットワークにより第４の期間に測定される電位の予測値を求めるようにしてもよい。特に電位の値から畳み込みで特徴量を生成する場合、いわゆる逆畳み込みにより対称的なニューラルネットワークによって出力値を生成することができる。

また、細胞外電位の値は、細胞に接するように配置される複数の電極を介して測定され、予測処理部は異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて、電位の予測値を求めるようにしてもよい。このようにすれば、細胞の少なくとも一部において同時期に発生した電位の変動パターンの共時的特徴に基づいて予測することができる。

また、細胞外電位の値は、細胞に接するように配置される１又は複数の電極を介して測定され、予測処理部は、同一の電極によって第３の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用いて、電位の予測値を求めるようにしてもよい。このようにすれば、各電極で検出される電位の変動パターンの経時的変化の特徴に基づいて予測することができる。

なお、課題を解決するための手段に記載の内容は、本発明の課題や技術的思想を逸脱しない範囲で可能な限り組み合わせることができる。また、課題を解決するための手段の内容は、コンピュータ等の装置若しくは複数の装置を含むシステム、コンピュータが実行す
る方法、又はコンピュータに実行させるプログラムとして提供することができる。該プログラムはネットワーク上で実行されるようにすることも可能である。また、当該プログラムを保持する記録媒体を提供するようにしてもよい。

本発明によれば、細胞外電位データから所定の標準とは異なる電位の変動パターンを検出するための技術を提供することができる。

測定装置の一例を示す斜視図である。 チップの一例を示す平面図である。 機械学習装置の一例を示す機能ブロック図である。 測定された神経細胞の細胞外電位の値の一例を示すグラフである。 コンピュータの一例を示す装置構成図である。 機械学習処理の一例を示す処理フロー図である。 運用段階の処理の一例を示す処理フロー図である。 細胞外電位の値の予測と異常検出を説明するための、電位の値の変化を模式的に示すグラフである。 ニューラルネットワークの構成の一例を示す図である。 畳み込みレイヤの構成の一例を説明するための図である。 全結合層の構成の一例を説明するための図である。 神経細胞に対して化合物を適用した実施例の結果を示す表である。 学習（予測）元の期間と学習（予測）対象の期間との関係を説明するための図である。 変形例に係る学習（予測）元の期間と学習（予測）対象の期間との関係を説明するための図である。 変形例に係る学習（予測）元の期間と学習（予測）対象の期間との関係を説明するための図である。

以下、本発明の実施形態について図面を用いて説明する。なお、実施形態は例示であり、本発明は下記の構成には限定されない。

＜装置の構成＞
図１は、本実施形態に係る測定装置の一例を示す斜視図である。測定装置１は、チップホルダ１１と、電位計測装置１２と、モニタ１３と、機械学習装置１４とを備える。チップホルダ１１には、細胞群から細胞外電位を測定するための複数の電極を備えるチップ１１１が載置される。細胞は、細胞外電位が取得できるものであれば良く、神経細胞や筋肉細胞（例えば、心筋細胞）等が挙げられる。電位計測装置１２は、内蔵するアンプによってチップ１１１の電極を介して測定される電位を増幅し、増幅された電位と、所定の基準電位（グラウンド電位）との差を計測する。また、電位計測装置１２によって計測された電位の値は機械学習装置１４へ出力され、機械学習装置１４は測定された電位の値を記録する。このとき、複数の電極の各々で測定された電位は、同期をとって処理できるよう、例えば測定時刻と関連付けて記録される。また、機械学習装置１４は、ＤＮＮ（Deep Neural Network）を利用して測定データから電位の変化の特徴を学習したり、特徴を学習し
て生成した予測モデルを用いて測定データから将来的な電位の変化を予測する。すなわち、機械学習装置１４は、異常検出処理における基準（「標準」とも呼ぶ）として用いる、任意の状態の細胞群から測定された電位の変化の特徴を学習する。本実施形態では、細胞群に対し外的な刺激のない正常時の電位変化を「基準データ」とし、当該基準データの特
徴を学習させる。なお、外的な刺激とは、例えば物理的、電気的又は化学的な刺激をいうものとする。なお、候補試料を適用する場合、候補試料の適用前後にわたる一連の細胞外電位のデータのうち、候補試料の適用前のデータを基準データとしてもよい。また、候補試料を溶解させるための溶媒又は複数の試料又は外的刺激を適用する場合、評価する試料や刺激以外を適用した外的刺激のあるデータを基準データとして扱うようにしてもよい。また、機械学習装置１４は、ユーザが上述した基準と対比させる、何らかの状態の細胞群から測定された電位の値と、上述のモデルに基づいて予測された予測値とを比較する。機械学習装置１４は、例えば何らかの候補試料を適用した細胞群の細胞外電位の値と予測モデルとを用いて予測値を算出すると共に、予測値と細胞外電位の実測値との差分に基づいて、基準データとは異なる変化を検出する。モニタ１３は、測定された細胞外電位の値や予測値、これらの差分に関する情報、検出された異常値等を適宜表示する。

図２は、チップ（プローブ）１１１の一例を示す平面図である。チップ１１１の中央の領域には、組織切片が載置され、又は細胞が培養される。また、チップ１１１の中央の領域には、１６個の測定電極１１１１（単に「電極」とも呼ぶ）が設けられており、細胞群のうち接触する領域に生じる電位を測定することができる。また、細胞群を載置する領域の周囲には、グラウンド電位を測定するための参照電極１１１２が設けられている。測定電極１１１１及び参照電極１１１２は、配線１１１３を介して電位計測装置１２へ接続される。チップホルダ１１は、図２に示すようなチップ１１１を複数載置し、複数の細胞群から電位データを測定できるようにしてもよい。なお、電極の数は１以上備えていればよく、また、電極を複数有する場合の配置に係る形状等は図２の例には限定されない。

図３は、機械学習装置１４の一例を示す機能ブロック図である。図３の機械学習装置１４は、電位データ記憶部１４１と、機械学習部１４２と、予測モデル記憶部１４３と、予測処理部１４４と、予測結果記憶部１４５と、検証処理部１４６と、異常検出部１４７とを備える。機械学習装置１４は、継続的に計測される電位の入力信号列を所定の期間（区間）ごとに区切り、ある所定数の区間の電位の値と後続の区間の電位の値との関係の特徴を学習する。また、ある区間について予測した電位の値と、電位計測装置１２によって測定された実測値との差分に基づいて、基準時の電位の変化とは異なる異常値を検出する。

図４は、測定装置１の複数の測定電極１１１１によって測定された細胞外電位の値の一例を示すグラフである。図４の例は、横軸に沿って矢印の方向に時間の経過を表しており、縦方向には、８個の測定電極１１１１によって検出された電位の値を示すグラフが、測定のタイミングが同期するように示されている。具体的には、電位の値は所定のサンプリング間隔で継続的に測定される数値の列として記録される。

また、本実施形態では、ある所定数の区間の細胞外電位の実測値に対し、後続の区間の細胞外電位の実測値を教師値として学習のために用いる。例えば、図４の波形を時間軸上の所定期間ごとに区切る破線の目盛りは、グラフを所定の区間に区切る境界の一例を表している。なお、測定電極１１１１によって測定される電位のサンプリング間隔は、所定の区間とは一致していなくてもよく、例えば図４の目盛りで区切った区間内に複数の測定値を取得するようにしてもよい。また、本実施形態では、上述の基準データを、予測モデルの作成に用いる訓練データセット、及び作成した予測モデルの評価に用いる評価用データセットとする。また、作成した予測モデルの運用段階においては、細胞群に対し所定の候補試料を適用し、適用前後で測定される電位の値に基準時とは異なる変化が表れるか判定する。

電位データ記憶部１４１は、図４に示したような電位データを記憶する。本実施形態では、基準データ、及び細胞群に対し候補試料を適用した後の電位の測定データ（「試験データ」とも呼ぶ）が、予め電位データ記憶部１４１に記憶されているものとする。試験デ
ータは、ユーザが上述した基準データと対比させるための、任意の状態の細胞の細胞外電位の値である。なお、試験データについては、適用した候補試料を特定するための識別情報及び当該候補試料を適用した時点を示す情報を併せて保持しているものとする。

機械学習部１４２は、ニューラルネットワーク（ＮＮ：Neural Network）及び訓練データセットを利用して機械学習を行う。詳細には、機械学習部１４２は、特徴量算出部１４２１と、学習処理部１４２２とを有する。特徴量算出部１４２１は、入力される電位データに対し、所定の構成のＮＮに基づく処理を行い、電位の変化の特徴量を算出する処理を行う。具体的には、いわゆる畳み込みレイヤ（「畳み込み層」、「畳み込みＮＮ」とも呼ぶ）や、全結合（ＦＣ：Full Connection）層（「全結合レイヤ」、「全結合ＮＮ」とも
呼ぶ）、逆畳み込み（デコンボリューション）レイヤ（「逆畳み込み層」、「逆畳み込みＮＮ」とも呼ぶ）を用いる。そして、１つの電極で測定される電位データ若しくは複数の電極で測定される電極ごとの電位データ、又は複数の電極の少なくとも一部で測定される電位データの経時的変化の特徴量を算出したり、複数の電極の少なくとも一部で測定される、同時期の電位の共時的変化の特徴量を算出する。学習処理部１４２２は、電位データ記憶部１４１が保持している教師値とＮＮによって出力される特徴量との差に基づいて、ＮＮの各層において適用される係数の値を更新する。

予測モデル記憶部１４３は、本実施形態において採用されるＮＮの構成や、機械学習部１４２によって生成された重み係数等のパラメータを記憶する。ＮＮの構成、及びパラメータ等を、「予測モデル」と呼ぶものとする。

予測処理部１４４は、電位データ記憶部１４１に保持されている評価用データや試験データ、及び予測モデル記憶部１４３に記憶されている予測モデルを用いて、将来的な電位の変化を予測する。予測結果記憶部１４５は、予測処理部１４４が予測した電位の予測値を記憶する。また、検証処理部１４６は、評価用データを用いて予測処理を行った結果について、実測値と比較し、予測処理の性能を評価する。また、異常検出部１４７は、試験データを用いて予測処理を行った結果である予測値について、実測値と比較し、これらの差分の大きさに基づいて、基準時とは異なる電位の変化を検出する。

機械学習部１４２はいわゆるコンピュータであり、プロセッサが所定のプログラムを実行することにより、上述した機械学習部１４２、予測処理部１４４及び検証処理部１４６として機能する。また、電位データ記憶部１４１、予測モデル記憶部１４３及び予測結果記憶部１４５は、具体的には、コンピュータが備える主記憶装置又は補助記憶装置によって実現される。

＜装置構成＞
図５は、コンピュータの一例を示す装置構成図である。機械学習装置１４は、例えば図５に示すようなコンピュータである。図５に示すコンピュータ１０００は、ＣＰＵ（Central Processing Unit）１００１、主記憶装置１００２、補助記憶装置１００３、通信Ｉ
Ｆ（Interface）１００４、入出力ＩＦ（Interface）１００５、ドライブ装置１００６、通信バス１００７を備えている。ＣＰＵ１００１は、プログラム（「ソフトウェア」又は「アプリケーション」とも呼ぶ）を実行することにより本実施の形態に係る処理等を行う。主記憶装置１００２は、ＣＰＵ１００１が読み出したプログラムやデータをキャッシュしたり、ＣＰＵの作業領域を展開したりする。主記憶装置は、具体的には、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等である。補助記憶装置１００３は、ＣＰＵ１００１により実行されるプログラムや、本実施の形態で用いる設定情報などを記憶する。補助記憶装置１００３は、具体的には、ＨＤＤ（Hard-disk Drive）やＳＳＤ（Solid State Drive）、フラッシュメモリ等である。主記憶装置１００２や補助記憶装置１００３は、電位データ記憶部１４１、予測モデル記憶部１４３及び予測結果記憶部１４５
として働く。なお、説明の便宜上、図３では複数の記憶部を示したが、物理的には１つの記憶装置でも複数の記憶装置でもよい。通信ＩＦ１００４は、他のコンピュータとの間でデータを送受信する。機械学習装置１４は、通信ＩＦ１００４を介して接続された図示していないコンピュータから電位データ受信するようにしてもよい。通信ＩＦ１００４は、具体的には、有線又は無線のネットワークカード等である。入出力ＩＦ１００５は、入出力装置と接続され、ユーザから入力を受け付けたり、ユーザへ情報を出力したりする。入出力装置は、具体的には、キーボード、マウス、ディスプレイ、タッチパネル等である。ドライブ装置１００６は、磁気ディスク、光磁気ディスク、光ディスク等の記憶媒体に記録されたデータを読み出したり、記憶媒体にデータを書き込んだりする。そして、以上のような構成要素が、通信バス１００７で接続されている。なお、これらの構成要素はそれぞれ複数設けられていてもよいし、一部の構成要素（例えば、ドライブ装置１００６）を設けないようにしてもよい。また、入出力装置がコンピュータと一体に構成されていてもよい。また、ドライブ装置１００６で読み取り可能な可搬性の記憶媒体や、フラッシュメモリのような可搬性の補助記憶装置１００３、通信ＩＦ１００４などを介して、本実施の形態で実行されるプログラムが提供されるようにしてもよい。そして、ＣＰＵ１００１がプログラムを実行することにより、上記のようなコンピュータを図３に示した機械学習装置１４として働かせる。

なお、図３に例示した機能ブロックの一部を複数のコンピュータによって分担したり、処理するデータセットの一部を複数のコンピュータによって並列に処理したりしてもよい。また、コンピュータは、ネットワーク上のいわゆるクラウドサービスを提供するものであってもよい。

＜機械学習処理＞
図６は、測定装置１が実行する機械学習処理の一例を示す処理フロー図である。測定装置１は、まず、電位データのうち訓練データを用いて学習段階の処理を行う（Ｓ１）。本ステップでは、後述する構成のＮＮ及び所定の係数を用いて、電位データに対し所定区間ごとに前段の区間の電位の値に基づいて予測値を算出すると共に、算出された予測値と当該区間の実測値との差分の大きさに基づいて係数を更新する処理を繰り返す。具体的には、予測値と実測値との差分の二乗値の総和が小さくなるようなパラメータを求める。

その後、測定装置１は、電位データのうち評価用データを用いてモデル評価段階の処理を行う（Ｓ２）。本ステップでは、後述する構成のＮＮ及びＳ１で求められた係数を用いて、電位データに対し所定区間ごとに電位の予測値を算出すると共に、教師値と十分に一致するか評価する。本ステップにおいて教師値と十分に一致すると評価された予測モデルによれば、同様の細胞に対し同程度の性能で将来的な電位の変化を予測できると期待できる。

また、測定装置１は、電位データのうち試験データを用いて、運用段階の処理を行う（Ｓ３）。運用段階の処理については、図７を用いて詳述する。

図７は、測定装置１が実行する運用段階の処理の一例を示す処理フロー図である。異常検出部１４７は、まず、所定の構成のＮＮ及びＳ１で求められた係数を用いて、試験データの予測値を算出する（Ｓ１１）。本ステップでは、前段の区間の測定値と上述した予測モデルとを用いて、後続の区間の電位の値を予測する。

また、異常検出部１４７は、予測値と実測値との差分を算出する（Ｓ１２）。本ステップにおける差分は、例えば予測値と実測値の差の二乗値を、所定の区間ごとに平均した値（「指標値」とも呼ぶ）として算出する。

なお、指標値は、上述の例に限らず、予測値と実測値との差の大きさに応じた値を採用することができる。指標値として、例えば、予測値と実測値の差の絶対値を、所定の区間ごとに平均した値を算出するようにしてもよい。また、予測値と実測値の差の絶対値の累乗を所定の区間ごとに平均した値を用いるようにしてもよい。累乗を採用することにより、予測値と実測値との乖離の程度が明確に表れるようになる。

そして、異常検出部１４７は、差分の大きさに基づいて、基準時とは異なる電位の変化を検出する（Ｓ１３）。本ステップでは、候補試料の適用前の区間における指標値を基準として、候補試料の適用後の区間における指標値の相対的な大きさを評価する。具体的には、候補試料の適用後の区間における指標値を、候補試料の適用前の区間における指標値で除することにより、正規化する。すなわち、正規化後の指標値が１．００に近いほど、候補試料の適用前後において測定される電位の値に候補試料の影響はないといえる。一方、正規化後の指標値が１．００を基準として大きくなるほど、又は小さくなるほど、候補試料の適用が測定される電位の値に大きく影響を与えたと検出できる。Ｓ１３では、異常検出部１４７は、例えば所定の閾値との比較により、予測値と実測値との差分に基づく正規化後の指標値が基準値とは異なる異常値であるか否か検出する。このように、正規化後の指標値は、試験データと基準データとの差の大きさの程度を表す値といえる。なお、試験データに係る細胞外電位の測定値について異常か否かに分類せず、試験データと基準データとの差の大きさに応じた指標値を算出するだけでも、基準からの乖離の程度を知ることができるため有用である。

図８は、細胞外電位の値の予測と異常検出を説明するための、電位の値の変化を模式的に示すグラフである。図８（１）〜（３）は、それぞれ電位の値を表す波形であり、右方向に向かって時間の経過に伴う値の変化を表している。また、縦の破線の直線は、予測に用いる期間と予測する対象となる期間を区切るタイミングの一例を示すものとする。本実施形態では、上述の通り基準時の電位の変化の特徴を学習することにより、図８（１）に示すように前段の予測に用いる期間の電位の値（実線の波形）から、後続の予測の対象となる期間の電位の予測値（破線の波形）が算出できるようになる。また、図８（２）に示すように、図８（１）で予測の対象となる期間の算出した予測値と実測値（図８（２）の太い実線の波形）とに差がない場合、実測値は基準に近い値であり、細胞群の活動に対し候補試料の影響はないと検出できる。また、図８（３）に示すように、図８（１）で予測の対象となる期間の算出した予測値と実測値（図８（３）の太い実線の波形）とに差がある場合、差の大きさによっては実測値は異常であると検出され、細胞群の活動に対し候補試料の影響が大きいと評価できる。以上のように、本実施形態では予測値と実測値との差の大きさによって異常を検出するため、未知の候補試料による細胞群への影響の大きさを評価することができる。なお、図８とは異なり予測に用いる期間の波形が異常時のものである場合に、基準時の波形を学習した予測モデルと組み合わせて予測値を算出しても、通常は予測値と実測値とが近い値になることはない。したがって、そのような場合であっても異常を検出できる。

なお、図６に示したＳ１〜Ｓ３は、連続した処理として実行される必要はなく、予めＳ１において作成された予測モデル（すなわち、ＮＮ及び係数）を備え、Ｓ３の運用段階の処理のみを行う測定装置１（本発明に係る「異常検出装置」）を提供するようにしてもよい。

＜ニューラルネットワークの構成＞
図９は、複数の層（「レイヤ」とも呼ぶ）を含むＮＮの構成の一例を示す図である。図９のＮＮは、測定された電位の値が入力される入力層と予測結果を示す出力層との間で、複数の変換処理が行われる。入力層と出力層との間に存在するＮ１〜Ｎ５の構成及び処理を中間層と呼ぶ。また、図３に示した機械学習装置１４の機械学習部１４２及び予測処理
部１４４は、図６に示したＳ１〜Ｓ３の各々において、図９に示すＮＮを繰り返し利用し、処理を行う。

まず、機械学習装置１４の特徴量算出部１４２１は、所定区間ごとに区切られた電位データの入力を受けると、電極ごと且つ区間ごとに、時系列上連続する所定数の電位データを用いて、いわゆる畳み込みレイヤ（Ｎ１）による特徴量の算出を行う。なお、１つの区間には、複数の電位データが含まれるものとする。また、上述した時系列上連続する所定数を表す範囲を、Ｎ１における「ウィンドウ」と呼ぶものとする。Ｎ１においては、例えば１つの電位データごとにウィンドウをスライドさせて入力値を変更し、畳み込み処理を行う。

図１０は、畳み込みレイヤを説明するための図である。上述の通り、畳み込みレイヤにおいては、ウィンドウによって選択された連続する所定数の電位データ（図１０：ｘ）に対し、所定のサイズの行列で表される重み係数Ｗを乗じ、特徴量（図１０：ｙ）を得る。図１０の横向きの矢印は１つの区間における時間の流れを表し、横向きの矢印上に示した目盛りの各々が１つの電位データを表すものとする。畳み込みレイヤでは、連続する所定数の電位データを含むウィンドウを例えば１つの電位データごと後方にスライドさせて処理対象となる入力データを選択し、特徴量の算出を繰り返す。また、算出された特徴量に対してさらに畳み込みレイヤによる特徴量の算出を繰り返してもよい。また、畳み込みレイヤにより算出した特徴量に対し、いわゆるプーリングによって例えば平均値（average pooling）をとり、時間変動に対する汎化性能を向上させるようにしてもよい。本実施形
態では、測定電極１１１１ごと且つ区間ごとに、測定値に対して畳み込みレイヤによる処理を行うことにより、波形の傾きやピークの大きさ等、各電極で測定される電位の値の区間内における経時的変化の特徴量を算出することができる。

また、特徴量算出部１４２１は、図９のＮ１で算出された特徴量（Ｎ２における入力値）に対し、全結合層による新たな特徴量（Ｎ２における出力値）の算出を行う（図９：Ｎ２）。Ｎ２においては、電極ごと且つ区間ごとに、含まれる入力値から所定の関数に基づいて新たな特徴量を算出する。

図１１は、全結合層を説明するための図である。図１１は、１つの区間に含まれる入力値ｘと出力値ｙとの関係を表している。全結合層においては、入力側のユニットｘに対して重み係数Ｗに応じた処理を行い、出力側のユニットｙの値を算出する。なお、Ｎ２では、Ｎ１で算出された特徴量（図１０：ｙ）が入力値（図１１：ｘ）となる。また、入力側の全ユニットと出力側の全ユニットとが結合され、入力値ｘから新たな特徴量ｙが求められる。ｘは、所定の要素数のベクトルであり、行列で表すことができる。また、ｙも、所定の要素数のベクトルであり、以下の式（１）で求められる。
ｙ＝Ｗｘ＋ｂ ・・・（１）
ここで、Ｗは重み係数であり、ｘの要素数×ｙの要素数の行列で表される。また、ｂはバイアス項であり、ｙと同数のベクトルで表すことができる。Ｎ２によっても、各電極で測定される電位の値の区間ごとの特徴量を算出することができる。

また、特徴量算出部１４２１は、図９のＮ２で算出された特徴量を入力として、全結合層による特徴量の算出を行う（図９：Ｎ３）。特に複数の電極を備えるチップ１１１を用いる場合は、一部又は全部の電極によって同一の区間に測定された電位データに基づく特徴値を入力として、全結合層による特徴量の算出を行うようにしてもよい。

全結合層の構成は、図１１と同様である。また、Ｎ３においては、異なる電極で測定された電位データに対し、上述のＮ１〜Ｎ２の処理を行った結果の特徴値を入力として処理を行う。すなわち、Ｎ３においては、図１１における入力値ｘは、同一の区間における一
部の電極又は全電極の特徴値となる。したがって、Ｎ３により、細胞群の少なくとも一部において同時期に発生した電位の変動パターンの共時的特徴量を算出することができる。細胞の電位の変動は広範囲の細胞群において一斉に起こる傾向もあるため、特に全電極のように複数の電極で同時期に発生した電位の変動の特徴を学習することで予測の精度を向上させることができる。

また、特徴量算出部１４２１は、Ｎ３の出力値ｙを用いて、全結合層による新たな特徴量の算出を行う（図９：Ｎ４）。Ｎ４の処理はＮ２と同様であり、例えば電極ごと且つ区間ごとに、含まれる入力値から所定の関数に基づいて新たな特徴量を算出する。

その後、特徴量算出部１４２１は、電極ごと且つ区間ごとに、Ｎ４の出力値ｙを用いて、逆畳み込みレイヤによる電位の算出を行う（Ｎ５）。Ｎ５においては、図１０に示した畳み込みの逆の処理を行う。すなわち、入力された特徴値（図１０：ｙ）から電位の値（図１０：ｘ）を算出する。このとき算出される電位の値は、処理対象の区間の後の区間の予測値である。

学習処理部１４２２は、図６の学習段階の処理（Ｓ１）においては、Ｎ５において出力された特徴値と教師値との差分に基づいて、Ｎ１〜Ｎ５で用いられる関数の係数（例えば上述した重み係数やバイアス項の値）を修正する。すなわち、Ｎ５の出力値である予測値と、実測値である教師値との差が小さくなるように係数を修正する。係数の修正には、バックプロパゲーション等、既存の技術を利用することができる。Ｓ１においては、図９のＮＮを用いた予測値の算出と係数の修正とを繰り返し、訓練データセットに対して望ましい予測値を出力するための係数を求める。

また、生成された係数を含む予測モデルは、図６のＳ２及びＳ３において利用される。図６のモデル評価段階（Ｓ２）においては、例えば生成された予測モデルと評価用データセットとを用いて、予測処理部１４４が、電位の予測値を出力し、出力された予測値と実測値である教師値との差の二乗の総和に基づいて検証処理部１４６が、生成されたモデルの精度を評価する。また、図６の運用段階（Ｓ３）においては、Ｓ１で生成された予測モデルと試験データセットとを用いて、予測処理部１４４が、候補試料の適用前後における電位の予測値を算出する。また、予測値と実測値との差の大きさに基づいて、細胞群の活動の異常を検出し、候補試料が細胞群に与える影響の大きさを評価する。なお、異常であるか否かの判断は、予め定められた閾値との比較により行ってもよい。このとき、閾値は、細胞の種類や候補試料の種類ごとに定めておくようにしてもよい。

なお、ＮＮの各層間においては、適宜、任意の活性化関数（伝達関数）を用いて、例えば非線形分離できるようにするものとする。

＜評価対象電極の選択＞
なお、複数の電極を備えるチップ１１１を用いる場合、細胞外電位の値は化合物の適用前において、短期間における電位の急激な上昇及び下降として表れる細胞電位の変動が測定された電極を用いて図６の処理を行うようにしてもよい。このような電極を採用することにより、異常検出の精度を向上させることができる。

＜効果＞
本実施形態によれば、細胞外電位の基準時の値の変動パターンを学習することにより、基準時の電位の値を予測することができるようになる。また、予測値と実測値との差に基づいて、基準とは異なる電位の変動パターンを検出することができるようになる。特に、既知の異常時における電位の変化の特徴を検出するのではなく、基準時における予測値との差によって異常を検出するため、未知の異常を検出することができる。したがって、例
えば創薬スクリーニングのような場面において、細胞群に与える影響が未知の候補試料による細胞群への影響の一次的な評価に好適に用いることができる。

＜実施例＞
図１２は、ラットの神経細胞に対して化合物（候補試料）を適用した場合の結果を示す表である。本実施例では、ラットの初代培養細胞（Cell）である皮質神経細胞（Cortex）及び海馬神経細胞（Hippocampus）に対し、候補試料として興奮性の化合物（Compound）
である４−アミノピリジン（4-AP）、アスピリン（Aspirin）、ギャバジン（Gabazine）
、ピクロトキシン（Picrotoxin）、テオフィリン（Theophylline）、及び抑制性の化合物であるトリアゾラム（Triazolam）を適用した。各サンプルは、それぞれ適用前（Before
）、溶媒（DMSO：Dimethyl sulfoxide）のみを適用したとき、段階的に化合物の濃度を上げて適用したとき（Drug Low〜Drug High）、最後にテトロドトキシン(TTX：Tetrodotoxin)を適用したときの細胞外電位の値を適用後直ちに１０分間ずつ測定した。溶媒の適用は溶媒による影響の評価を確認する為に行った。テトロドトキシンの適用は神経細胞の発火を抑え、ホワイトノイズ等を確認するために行った。また、基準時の電位の変化を示す値として、各サンプルそれぞれの化合物の適用前の区間のデータを学習させたそれぞれの予測モデルを生成した。（図６：Ｓ１）。なお、上述した所定の区間を２０００ミリ秒とし、電位の値のサンプリング間隔は０．０５ミリ秒とした。また、生成した予測モデルと化合物の適用前の区間のデータとを用いて予測の精度を評価し、一定の精度で細胞外電位の値を予測できることを確認した（図６：Ｓ２）。そして、生成した予測モデルによる予測値と、化合物の適用前後の実測値との差に基づいて、各化合物の影響を評価した（図６：Ｓ３）。

本実施例では、各測定開始後２分を除く８分間の予測値と実測値との差分の２乗値の総和に基づく上記正規化後の指標値を、化合物及びその濃度ごとに算出した。ある測定電極１１１１から算出した化合物の適用前の指標値を基準として、テトロドトキシンの適用後の指標値の低下が小さい場合は、その測定電極１１１１の周辺の細胞において適用前にあまり発火が生じていなかった又は細胞の接着が不十分等で発火を測定出来ていなかったといえる。本実施例では、複数の測定電極１１１１を備えるチップ１１１を用いて細胞外電位の値を測定し、化合物の適用前の指標値を基準として、テトロドトキシンの適用後の指標値が３％以上低下した測定電極１１１１による指標値を平均し、その値を図１２に示した。図１２からわかるように、興奮性の化合物を適用した場合には上記正規化後の指標値が基準である１．００よりも高くなった。一方、抑制性の化合物を適用した場合には、上記正規化後の指標値が基準である１．００よりも低くなった。すなわち、予測値と実測値との差に基づいて化合物の影響を適切に評価することができたといえる。

＜変形例１＞
ＮＮの構造は、図９に示した例には限定されない。上述したＮＮは、入力層と出力層との間に１層以上の中間層を備えているが、層の数や、各層に属するユニットの数等は、適宜変更することができる。また、図９に示したレイヤのうち、一部のレイヤによってＮＮを構成するようにしてもよいし、レイヤの順序を入れ替えるようにしてもよい。

例えば、図９に示した入力層、全結合レイヤ、出力層からなるＮＮを採用するようにしてもよい。例えば全結合レイヤにおいては、電極ごと且つ区間ごとに、測定された電位データが図１１の入力値ｘとなる。また、後続の区間における電位の予測値を出力値ｙとして求める。なお、入力層の値、及び出力層の値は、上述した実施形態と同様である。また、全結合レイヤは、図１１に示した構成を複数段階繰り返す構成としてもよい。また、全結合レイヤは、異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用い
て変換後の特徴量を算出するようにしてもよく、またこれらのレイヤを複数段階繰り返すようにしてもよい。

＜変形例２＞
また、図９に示した入力層、畳み込みレイヤ、全結合レイヤ、出力層からなる畳み込みＮＮを採用するようにしてもよい。この場合、例えば、同一の電極における同一の区間内において図１０に示したような畳み込みレイヤの処理を行う。また、電極ごと且つ区間ごとに、畳み込みレイヤの出力値を入力値ｘとし、後続の区間における電位の予測値を出力値ｙとして全結合レイヤの処理を行う。なお、入力層の値及び出力層の値は、上述した実施形態と同様である。また、畳み込みレイヤ、全結合レイヤは、それぞれ図１０、図１１に示した構成を複数段階繰り返す構成としてもよい。また、畳み込みレイヤ、全結合レイヤは、異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよく、またこれらのレイヤを複数段階繰り返すようにしてもよい。

＜変形例３＞
また、図９に示した入力層、畳み込みレイヤ、出力層からなる畳み込みＮＮを採用するようにしてもよい。この場合、例えば、同一の電極における同一の区間内において図１０に示したような畳み込みレイヤの処理を行う。なお、入力層の値及び出力層の値は、上述した実施形態と同様である。また、畳み込みレイヤは、図１０に示した構成を複数段階繰り返す構成としてもよい。また、畳み込みレイヤは、異なる電極によって同時期に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値又はこれに基づく特徴量を用いて変換後の特徴量を算出するようにしてもよく、またこれらのレイヤを複数段階繰り返すようにしてもよい。

＜変形例４＞
また、上述した変形例１〜３に対し、出力層の前に逆畳み込みレイヤを追加した畳み込みＮＮを採用するようにしてもよい。この場合、例えば、同一の電極における同一の区間内に測定された電位の値に基づく特徴量に対し、上述した逆畳み込みレイヤの処理を行う。また、逆畳み込みレイヤを複数段階繰り返す構成としてもよい。なお、逆畳み込みレイヤは、異なる電極によって同時期に測定された複数の電位の値に基づく特徴量を用いて変換後の特徴量又は予測値を算出するようにしてもよいし、同一の電極によって所定の期間内における異なる時点に測定された複数の電位の値に基づく特徴量を用いて変換後の特徴量又は予測値を算出するようにしてもよく、またこれらのレイヤを組み合わせて複数段階繰り返すようにしてもよい。

＜変形例５＞
また、上述の実施形態では、ある期間の電位の変化に対し、後の期間の電位の変化を教師値として学習を行った。すなわち、例えば図１３Ａに示すように、学習元の期間（「第１の期間」とも呼ぶ）の電位の値を入力として、学習対象期間（「第２の期間」とも呼ぶ）の電位の値が出力されるように、２つの期間をスライドさせながら機械学習を行う。なお、運用段階においては、第１の期間に対応する予測元の期間（「第３の期間」とも呼ぶ）の電位の値を入力として、第２の期間に対応する予測対象期間（「第４の期間」とも呼ぶ）の電位の予測値を出力することができるようになる。しかしながら、学習（予測）元期間と学習（予測）対象期間との前後関係及び期間の長さは、上述の実施形態には限定されず、ある期間の電位の変化に対し、別の期間の電位の変化を学習及び予測することができる。

図１３Ｂは、ある期間の電位の変化に対し、その前の期間の電位の変化を学習及び予測する例を説明するための図である。図１３Ｂに示す学習（予測）元期間及び学習（予測）対象期間は、図１３Ａの例とは前後関係が逆になっている。このようにした場合も、予測値と実測値との差に基づいて、基準時とは異なる電位の変化を検出し、異常と検出することができる。

図１３Ｃは、連続していない２つの期間の電位の変化に対し、その間の期間の電位の変化を学習及び予測する例を説明するための図である。図１３Ｃでは、学習（予測）対象期間を基準として、その前後の所定の長さの期間を学習（予測）元期間としている。このようにした場合も、予測値と実測値との差に基づいて、基準時とは異なる電位の変化を検出し、異常と検出することができる。

なお、学習（予測）元期間と、学習（予測）対象期間とは、隣接していなくてもよい。また、変形例５で説明した学習（予測）元期間と、学習（予測）対象期間との関係は、上述した実施形態及び変形例１〜４と組み合わせて実施することができる。

なお、実施形態又は本変形例において２つの期間をスライドさせながら機械学習を行うとき、２つの期間は、始点同士又は終点同士の間隔が一定の関係にある期間であってもよい。すなわち、２つの期間の間隔及び各々の長さの関係を一定に保ちつつスライドさせることができる。また、機械学習の順序は、スライドさせる幅を一定にして隣接する期間へ順に処理対象の期間をスライドさせる必要はなく、間隔が一定である２つの期間の組合せを任意の方向に任意の大きさにスライドさせて処理対象としてもよい。また、２つの期間は、一方の期間に測定された電位の値を入力層への入力値として利用し、他方の期間に測定された電位の値を学習段階における教師値又は運用段階において予測値との差を算出するための実測値として利用する。このとき、上述の２つの期間は、図１３Ｃに示したように連続しない複数の期間を含むようにしてもよい。

なお、２つの期間について、ある予測元の期間に対し、予測対象の期間の開始タイミング及び長さ、並びに予測対象の期間において測定される電位の値を予測するようにしてもよい。すなわち、２つの期間の間隔及び各々の長さの関係は一定でなくてもよい。この場合、ある学習元の期間及びそこで測定される電位の値に対し、相関のある期間及びそこで測定される電位の値の特徴を学習する。すなわち、学習元の期間と学習対象の期間とを別個に変更させながら、予測元の期間の電位の値に基づいて精度良く電位の値を予測できる期間及びそこで測定される電位の値が学習できる。

以上のように、学習元の期間（第１の期間）と学習対象の期間（第２の期間）を変更させながら学習する際には、学習元の期間（第１の期間）と学習対象の期間（第２の期間）との間隔及び各々の長さの関係を一定に保ちつつ変更して機械学習を行ってもよいし、学習元の期間と学習対象の期間とを独立して変更させながら機械学習を行ってもよい。いずれの場合も、学習元の期間に対応する予測元の期間（第３の期間）に測定された電位の値に基づいて、学習対象の期間に対応する予測対象の期間（第４の期間）に測定される電位の値が予測できるようになる。

＜変形例６＞
また、上述の実施例では神経細胞の細胞外電位の値について学習及び予測を行ったが、神経細胞に限らず細胞外電位の値について学習及び予測を行うことができる。例えば、筋肉細胞（例えば、心筋細胞）についても、上述の測定装置によって細胞外電位の値を測定することができ、神経細胞の場合と同様に細胞外電位の値の変化を学習及び予測するとともに異常を検出することができる。すなわち、細胞外電位を測定できる様々な細胞を対象
として所定の標準とは異なる異常な電位の変化を検出することができる。

＜その他＞
本発明は、上述した処理を実行するコンピュータプログラムや、当該プログラムを記録した、コンピュータ読み取り可能な記録媒体を含む。当該プログラムが記録された記録媒体は、プログラムをコンピュータに実行させることにより、上述の処理が可能となる。

ここで、コンピュータ読み取り可能な記録媒体とは、データやプログラム等の情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータから読み取ることができる記録媒体をいう。このような記録媒体のうちコンピュータから取り外し可能なものとしては、フレキシブルディスク、光磁気ディスク、光ディスク、磁気テープ、メモリカード等がある。また、コンピュータに固定された記録媒体としては、ＨＤＤやＳＳＤ（Solid State Drive）、ＲＯＭ等がある。

１ ：測定装置
１１ ：チップホルダ
１１１ ：チップ
１１１１ ：測定電極
１１１２ ：参照電極
１１１３ ：配線
１２ ：電位計測装置
１３ ：モニタ
１４ ：機械学習装置
１４１ ：電位データ記憶部
１４２ ：機械学習部
１４２１ ：特徴量算出部
１４２２ ：学習処理部
１４３ ：予測モデル記憶部
１４４ ：予測処理部
１４５ ：予測結果記憶部
１４６ ：検証処理部
１４７ ：異常検出部

Claims (8)

1. 異常検出において標準とする正常時の細胞外電位の経時変化を表すデータについて、第１の期間に測定された電位の値と、前記第１の期間とは別の第２の期間に測定された電位の値との関係を、前記第１の期間及び第２の期間を変更させながら学習して生成した予測モデルを用いて、前記標準と対比させ異常か否かを判断する対象の細胞外電位の経時変化を表すデータのうち前記第１の期間に対応する第３の期間に測定された電位の値に基づいて前記第２の期間に対応する第４の期間に測定される電位の予測値を求める予測処理部と、
   前記第４の期間において測定された電位の実測値と、前記予測値との差に基づいて、当該差の大きさに応じた指標値を算出する指標値算出部と、
   を備える異常指標算出装置。
2. 前記予測処理部は、前記第３の期間に測定された電位の値又はこれに基づく特徴量を入力とし、入力側の全ノードが出力側の全ノードと結合された全結合層及び各結合に関連付けられた所定の係数に基づいて前記第４の期間に測定される電位の特徴量又は予測値を求める
   請求項１に記載の異常指標算出装置。
3. 前記予測処理部は、前記第３の期間に測定された電位の値又はこれに基づく特徴量を入力として、所定の畳み込みニューラルネットワークにより前記第４の期間に測定される電位の特徴量又は予測値を求める
   請求項１又は２に記載の異常指標算出装置。
4. 前記予測処理部は、前記第３の期間に測定された電位の値に基づく特徴量を入力とし、所定のデコンボリューショナルニューラルネットワークにより前記第４の期間に測定される電位の予測値を求める
   請求項１から３のいずれか一項に記載の異常指標算出装置。
5. 前記細胞外電位の値は、細胞に接するように配置される複数の電極を介して測定され、前記予測処理部は異なる電極によって同時期に測定された複数の前記電位の値又はこれに基づく特徴量を用いて、前記電位の予測値を求める
   請求項１から４のいずれか一項に記載の異常指標算出装置。
6. 前記細胞外電位の値は、細胞に接するように配置される１又は複数の電極を介して測定され、前記予測処理部は、同一の電極によって前記第３の期間内における異なる時点に測定された複数の前記電位の値又はこれに基づく特徴量を用いて、前記電位の予測値を求める
   請求項１から４のいずれか一項に記載の異常指標算出装置。
7. コンピュータが、
   異常検出において標準とする正常時の細胞外電位の経時変化を表すデータについて、第１の期間に測定された電位の値と、前記第１の期間とは別の第２の期間に測定された電位の値との関係を、前記第１の期間及び第２の期間を変更させながら学習して生成した予測モデルを用いて、前記標準と対比させ異常か否かを判断する対象の細胞外電位の経時変化を表すデータのうち前記第１の期間に対応する第３の期間に測定された電位の値に基づいて前記第２の期間に対応する第４の期間に測定される電位の予測値を求め、
   前記第４の期間において測定された電位の実測値と、前記予測値との差に基づいて、当該差の大きさに応じた指標値を算出する、
   異常指標算出方法。
8. 異常検出において標準とする正常時の細胞外電位の経時変化を表すデータについて、第１の期間に測定された電位の値と、前記第１の期間とは別の第２の期間に測定された電位の値との関係を、前記第１の期間及び第２の期間を変更させながら学習して生成した予測モデルを用いて、前記標準と対比させ異常か否かを判断する対象の細胞外電位の経時変化を表すデータのうち前記第１の期間に対応する第３の期間に測定された電位の値に基づいて前記第２の期間に対応する第４の期間に測定される電位の予測値を求め、
   前記第４の期間において測定された電位の実測値と、前記予測値との差に基づいて、当該差の大きさに応じた指標値を算出する
   処理をコンピュータに実行させる異常指標算出プログラム。

Images