阅读说明：本技术 信息处理设备、粒子分选系统、程序和粒子分选方法 (Information processing apparatus, particle sorting system, program, and particle sorting method ) 是由 山根健治 吉冈重笃 加藤泰信 于 2018-03-16 设计创作，主要内容包括：[问题]提供一种信息处理设备、一种粒子分选系统、一种程序和一种粒子分选方法,其执行可用于分选粒子的谱型分析。[解决方案]与本技术相关的该信息处理设备设置有分析单元、学习单元和辨别单元。所述分析单元基于检测数据计算荧光颜料信息,该检测数据是从用激发光照射的粒子发射的荧光波长的每个波长带上的光发射量,该荧光颜料信息是多种荧光颜料中的每一种的光发射量,根据荧光颜料信息确定粒子是否作为待处理的对象,并且通过将确定结果与检测数据相关联来生成教师数据。所述学习单元将机器学习算法应用于教师数据,学习已经被确定为待处理的对象的检测数据的特征,并且生成包括学习结果的先验数据。当提供检测数据时,所述辨别单元基于先前数据确定从中获取检测数据的粒子是否是待处理的对象。([ problem ] to provide an information processing apparatus, a particle sorting system, a program, and a particle sorting method, which perform a spectral pattern analysis usable for sorting particles. [ solution ] this information processing apparatus relating to the present technology is provided with an analysis unit, a learning unit, and a discrimination unit. The analysis unit calculates fluorescent pigment information, which is a light emission amount at each wavelength band of a fluorescent wavelength emitted from a particle irradiated with excitation light, based on detection data, which is a light emission amount of each of a plurality of kinds of fluorescent pigments, determines whether the particle is an object to be processed from the fluorescent pigment information, and generates teacher data by associating the determination result with the detection data. The learning unit applies a machine learning algorithm to teacher data, learns a feature of detection data that has been determined as an object to be processed, and generates a priori data including a learning result. When the detection data is supplied, the discrimination unit determines whether the particle from which the detection data is acquired is an object to be processed based on the previous data.)

信息处理设备、粒子分选系统、程序和粒子分选方法

技术领域

本技术涉及一种关于流式细胞术的信息处理设备、粒子分选系统、程序和粒子分选方法。

背景技术

流式细胞术是一种使包含分散粒子的液体以粒子形成直线的方式流动、检测从用激发光照射的粒子发出的荧光、并分析粒子的方法。这种方法通常用于分析与荧光体结合的细胞等。此外，根据流式细胞术，还可以给包括粒子的液滴充电，改变液滴通过偏转板的路径，并根据分析结果对粒子进行分选。

传统上，通常使用向粒子发射具有多种不同波长带上的激发光、分散荧光并通过多个光电倍增管(PMT)进行检测的方法。每个PMT的检测目标是从特定荧光体发射的荧光。

近年来，开发了光谱类型分析方法。这种光谱类型分析方法使用相应荧光体的参考光谱，对测量的荧光光谱进行解混合计算，并实时计算相应荧光体的量。聚类分析等经常用作分析荧光光谱的方法(例如，专利文献1和专利文献2)。

引用列表

专利文献

专利文献1：JP 2007-132921A

专利文献2：JP 2016-511397A

发明内容

技术问题

根据光谱类型分析方法，可以通过高波长分辨率精确地分析荧光。然而，光谱类型分析方法使用大量的计算量，并且需要时间来进行分析。因此，尽管这种光谱类型分析方法可以用于在流式细胞术完成后分析荧光，但是由于计算处理尚未完成，因此这不适于使用分析结果对粒子的荧光分析分析和分选。因此，不可能实践这种利用方法。

鉴于上述情况，本技术的目的是提供一种信息处理设备、一种粒子分选系统、一种程序和一种粒子分选方法，其实践可用于分选粒子的光谱类型分析。

问题的解决方案

为了实现上述目的，根据本技术的一个方面的信息处理设备包括：分析单元；学习单元；以及辨别单元。

分析单元基于指示相应波长带上的荧光的发光量的检测数据来计算指示多种类型荧光体的相应发光量的荧光体信息(所述荧光是从被激发光照射的粒子发出的荧光)，从而根据荧光体信息辨别是否将该粒子作为处理目标，并且通过将辨别结果与检测数据相关联来生成教学数据。

学习单元将机器学习算法应用于教学数据，学习被辨别为处理目标的检测数据的特征，并且生成包括学习结果的字典数据。

当提供检测数据时，辨别单元基于字典数据确定已经获取检测数据的粒子是否是处理目标。

信息处理设备分两个阶段操作，包括学习阶段和分选阶段。在学习阶段，分析单元根据通过关于粒子的检测获得的检测数据计算荧光体信息，并且通过使用荧光体信息来辨别粒子是否是处理目标(例如，分选目标)。学习单元通过机器学习来学习从处理目标粒子获得何种检测数据(从检测数据计算的荧光体信息是否满足预定条件)。在分选阶段，辨别单元使用该学习结果，并确定所提供的检测数据是否来自处理目标粒子。通过使用学习单元的学习结果，辨别单元能够辨别处理目标粒子，而无需计算荧光体信息。从检测数据计算荧光体信息需要较大量的计算。然而，辨别单元不必在分选阶段执行这种计算。此外，辨别部分能够在提供检测数据之后立即辨别粒子。这使得可以在分选阶段检测到荧光后立即分选粒子。因此，可以将需要计算荧光体信息的光谱类型分析方法应用于流式细胞术。

分析单元可以通过加权最小二乘法计算荧光体信息。

加权最小二乘法(WLSM)是根据检测数据计算荧光体信息的计算方法，并且能够精确计算荧光体信息。尽管这种计算需要时间，但是辨别单元没需要如上所述根据本技术来计算荧光体信息。因此，这有利地适用于根据分析单元获得的检测数据计算荧光体信息的情况。

分析单元可以设定关于多种类型荧光体的相应发光量的处理目标范围，并且根据荧光体信息是否包括在处理目标范围中，来辨别是否将粒子作为处理目标。

信息处理设备还可以包括裕量指定单元，其指定处理目标范围的裕量。

在荧光体信息包括在处理目标范围中的情况下，辨别出计算荧光体信息的检测数据是从处理目标粒子检测的数据。在此处，在荧光体信息位于处理目标范围的边界附近的情况下，这可能影响辨别精度，因此影响机器学习精度。因此，当裕量指定单元扩大或缩小处理目标范围时，可以提高机器学习精度。

信息处理设备还可以包括学习时间指定单元，其指定将由学习单元使用的机器学习算法。

根据本技术的信息处理设备通过使用在学习阶段获得的学习结果在分选阶段对粒子进行分选。然而，有时需要缩短学习阶段和分选阶段所需的时间，以防止细胞和荧光标记之间的结合反应的反应性降低等。学习时间指定单元能够通过指定机器学习算法来调整所需时间。

所述信息处理设备还可以包括合成变量生成单元，其基于作为多种类型荧光体的相应发光光谱的检测数据和参考光谱，生成合成变量。

所述分析单元通过将合成变量与检测数据以及辨别结果相关联，来生成教学数据。

所述辨别单元基于字典数据和合成变量，来辨别已经获取检测数据的粒子是否是处理目标。

当分析单元除了确定结果之外还将合成变量视为教学数据时，用于机器学习的特征量增加。这使得可以在学习阶段提高机器学习的准确性和在分选阶段提高辨别的准确性。

粒子可以是用多种类型的荧光体荧光标记的细胞。

根据本技术的信息处理设备可有利地用于关于荧光标记细胞检测荧光，并根据检测结果对细胞进行分选。

为了实现上述目的，根据本技术的一个方面的粒子分选系统包括：激发光发射单元；荧光检测单元；分析单元；学习单元；以及辨别单元。

激发光发射单元向包括粒子的液体发射激发光。

荧光检测单元包括检测器，所述检测器分散从用激发光照射的粒子发射的荧光，检测相应波长带上的荧光的发光量，并生成检测数据。

分析单元基于检测数据来计算指示多种类型荧光体的相应发光量的荧光体信息，根据荧光体信息辨别是否将该粒子作为处理目标，并且通过将辨别结果与检测数据相关联来生成教学数据。

学习单元将机器学习算法应用于教学数据，学习被辨别为处理目标的检测数据的特征，并且生成包括学习结果的字典数据。

当提供检测数据时，辨别单元基于字典数据确定已经获取检测数据的粒子是否是处理目标。

粒子分选系统还可以包括粒子分选机构，其基于由所述辨别单元做出的辨别结果，分选粒子。

所述粒子分选机构可以生成包括粒子的液滴，通过给液滴充电来控制液滴的路径，并分选粒子。

为了实现上述目的，根据本技术的一个方面的程序促使信息处理设备用作：分析单元；学习单元；以及辨别单元。

分析单元基于指示相应波长带上的荧光的发光量的检测数据来计算指示多种类型荧光体的相应发光量的荧光体信息，所述荧光已经从用激发光照射的粒子发射，根据荧光体信息辨别是否将该粒子作为处理目标，并且通过将辨别结果与检测数据相关联来生成教学数据。

学习单元将机器学习算法应用于教学数据，学习被辨别为处理目标的检测数据的特征，并且生成包括学习结果的字典数据。

当提供检测数据时，辨别单元基于字典数据确定已经获取检测数据的粒子是否是处理目标。

为了实现上述目的，在根据本技术的一个方面的粒子分选方法中，分析单元基于指示相应波长带上的荧光的发光量的检测数据来计算指示多种类型荧光体的相应发光量的荧光体信息，所述荧光已经从用激发光照射的粒子发射，根据荧光体信息辨别是否将该粒子作为处理目标，并且通过将辨别结果与检测数据相关联来生成教学数据。

学习单元将机器学习算法应用于教学数据，学习被辨别为处理目标的检测数据的特征，并且生成包括学习结果的字典数据。

当提供检测数据时，辨别单元基于字典数据确定已经获取检测数据的粒子是否是处理目标。

发明的有益效果

如上所述，根据本技术，可以提供实施可用于分选粒子的光谱类型分析的信息处理设备、粒子分选系统、程序和粒子分选方法。注意，本文描述的效果不一定是限制性的，并且可以是本公开中描述的任何效果。

附图说明

[图1]是示出根据本技术的第一实施方式的粒子分选系统的示意图；

[图2]是示出包括在粒子分选系统中的荧光检测单元的示意图；

[图3]示出了从包括在粒子分选系统中的荧光检测单元输出的PMT数据的实例；

[图4]是示出包括在粒子分选系统中的信息处理设备的框图；

[图5]示出了由信息处理设备的输入单元获取的PMT数据的实例；

[图6]示出了由信息处理设备的分析单元使用的趋势染料的参考光谱的实例；

[图7]是示出由信息处理设备的分析单元使用的荧光体信息计算方法的示意图；

[图8]示出了由信息处理设备的分析单元计算的荧光体信息的实例；

[图9]示出了由信息处理设备的分析单元用来辨别处理目标的处理目标范围的实例；

[图10]示出了由信息处理设备的分析单元生成的教学数据的实例；

[图11]是示出信息处理设备的操作的流程图；

[图12]是示出信息处理设备的分析单元的操作的流程图；

[图13]是示出信息处理设备的学习单元的操作的流程图；

[图14]是示出信息处理设备的辨别单元的操作的流程图；

[图15]是示出根据本技术的第二实施方式的粒子分选系统中包括的信息处理设备的示意图；

[图16]示出了由信息处理设备的裕量指定单元保存的裕量信息的实例；

[图17]示出了设置裕量的处理目标范围的实例，信息处理设备的分析单元使用该处理目标范围来辨别处理目标；

[图18]是示出信息处理设备的分析单元的操作的流程图；

[图19]是示出根据本技术的第三实施方式的粒子分选系统中包括的信息处理设备的示意图；

[图20]示出了由信息处理设备的学习时间指定单元保持的机器学习算法的实例；

[图21]是示出信息处理设备的学习单元的操作的流程图；

[图22]是示出根据本技术的第四实施方式的粒子分选系统中包括的信息处理设备的示意图；

[图23]示出了存储在信息处理设备的参考光谱数据库中的相应荧光体的参考光谱的实例；

[图24]是示出信息处理设备中合成变量的使用方式的示意图；

[图25]示出了由信息处理设备的分析单元生成的教学数据的实例；

[图26]是示出信息处理设备的操作的流程图；

[图27]是示出信息处理设备的辨别单元的操作的流程图；

[图28]是示出根据本技术的相应实施方式的信息处理设备的硬件配置的框图。

具体实施方式

(第一实施方式)

将描述根据本技术的第一实施方式的粒子分选系统。

[粒子分选系统的配置]

图1是示出根据该实施方式的粒子分选系统100的配置的示意图。如图1所示，粒子分选系统100包括流式细胞仪110和信息处理设备150。

[流式细胞仪的配置和操作]

流式细胞仪110包括分选芯片111、激发光发射单元112、荧光检测单元113、偏转板114、偏转板115、控制单元116和电极117。

向流式细胞仪110供应包括处理目标粒子的液体(下文中称为包括粒子的液体)。例如，通过将包含粒子的样品液体和用于携带粒子的鞘液混合而获得包含粒子的液体。例如，处理目标粒子是用荧光体标记的细胞。

分选芯片111排出包含粒子的液体的液滴(图1中的D)。分选芯片111包括流动通道111a，包含粒子的液体流过该流动通道111a。流动通道111a以粒子(图1中的B)成直线流动的方式配置。

流动通道111a设置有电极117，电极117与包括粒子的液体电接触。此外，分选芯片111连接到振动分选芯片111的振动元件(未示出)。当振动元件振动分选芯片111时，包含粒子的液体变成液滴D并从流动通道111a排出。

激发光发射单元112包括光学系统和用于产生激发光的光源，并且向流过流动通道111a的包含粒子的液体发射激发光(图1中的L1)。例如，激发光是激光。还可以安装多个激发光发射单元112。多个激发光发射单元112可以被配置为发射具有不同波长的多个激发光束。

荧光检测单元113检测从用激发光照射的粒子发射的荧光(图1中的L2)。将在后面描述荧光检测单元113的配置。荧光检测单元113向信息处理设备150输出PMT数据。PMT数据是荧光检测结果。

偏转板114和偏转板115连接到电源(未示出)，并且被配置为可带正电或带负电。

控制单元116响应于来自信息处理设备150的指令控制流式细胞仪110的相应组件，并使流式细胞仪110对粒子进行分选。具体地，例如，控制单元116以分拣芯片111振动、形成液滴D和生成电荷的方式执行控制。电荷将提供给电极117。

如上所述配置流式细胞仪110。当将包含粒子的液体供应给分选芯片111时，包含粒子的液体流过流动通道111a。当激发光发射单元112向流动通道111a发射激发光l1并且激发光L1到达粒子B时，结合到粒子B的荧光体产生荧光，并且从粒子B发射荧光L2。

荧光L2入射到荧光检测单元113上。如下所述，荧光检测单元113检测并分散荧光，并生成PMT数据。荧光检测单元113将生成的PMT数据输出到信息处理设备150。

控制单元116响应于来自信息处理设备150的指令生成电荷，并且对经由电极117流过流动通道111a的包括粒子的液体充电。另外，控制单元116以生成振动的方式控制包括在分选芯片11中的振动机构，并且每个液滴D包括一个粒子B。液滴D穿过偏转板114和偏转板115之间的间隙，同时在形成液滴时保持与穿过流动通道111a的包括粒子的液体相同的电荷。

通过偏转板114和偏转板115之间的间隙的液滴被偏转板114和偏转板115偏转。例如，当偏转板114带正电而偏转板115带负电时，带负电的液滴D被偏转板114吸引并储存在容器118中。此外，带正电的液滴D被偏转板115吸引，并存储在容器119中。未充电的液滴在没有被偏转板114或偏转板115偏转的情况下前进，并储存在容器120中。

正好在液滴D排放之前的时刻，控制单元116向电极117提供电荷，对液滴D充正电或负电，或者对液滴D放电。这使得可以控制液滴D的路径。因此，可以将颗粒B与液滴D一起存储(即，分选)到任何容器中。

这里，信息处理设备150基于PMT数据辨别已经检测到荧光的粒子是否是处理目标，并且根据辨别结果向控制单元116发出指令。因此，信息处理设备150需要在检测到荧光和形成包括粒子的液滴之间的时间内辨别检测到荧光的粒子是否是处理目标。因此，快速辨别过程是必要的。

注意，流式细胞仪110的配置不限于此。以流式细胞仪110能够检测粒子的荧光、向信息处理设备150输出PMT数据以及在信息处理设备150的控制下对粒子进行分选的方式来配置流式细胞仪110，这就足够了。

[荧光检测单元的配置]

图2是示出荧光检测单元113的配置的示意图。如图2所示，荧光检测单元113包括光学系统131、棱镜阵列132、微透镜阵列133和光电倍增管(PMT)134。

光学系统131使得从粒子发射的荧光L2进入棱镜阵列132。光学系统131的配置没有特别限制。

棱镜阵列132包括许多棱镜。棱镜阵列132将从光学系统131发射的荧光L2分散成相应波长。

微透镜阵列133是使分散的荧光进入相应的PMT 134的微透镜阵列。

PMT 134将入射光转换成电信号并输出该电信号。荧光检测单元113包括许多PMT134。PMT的数量没有特别限制。例如，PMT的数量可以是66(66个通道)。

如上所述配置荧光检测单元113。从粒子发射的荧光L2被棱镜透镜阵列分散成相应波长，并且分散在相应波长带上的荧光入射到PMT 134上。换言之，在荧光检测单元113中，相应PMT 134检测到荧光L2在相应波长下的发光量。

图3示出了由相应的PMT 134检测到的关于单个粒子的发光量的实例。来自相应PMT 134的输出称为通道。每当用激发光照射新粒子并产生荧光时，荧光检测单元113通过使用PMT 134检测荧光，并生成相应PMT 134的输出值(下文中，也称为PMT数据)，如图3所示。

[信息处理设备的配置]

图4是示出信息处理设备150的功能配置的框图。如图4所示，信息处理设备150包括输入单元151、分析单元152、学习单元153、字典154和辨别单元155。注意，在下文中，将处理目标粒子假设为用荧光体标记的细胞。

输入单元151从流式细胞仪110中的PMT 134获取PMT数据。图5示出了由输入单元151获取的PMT数据的实例。如图5所示，PMT数据包括用于辨别相应PMT(图5中的PMT 1至PMT10)的细胞和输出值(见图3)的细胞编号。输入单元151将获取的PMT数据提供给分析单元152或辨别单元155。

分析单元152从输入单元151获取PMT数据并分析PMT数据。具体地，分析单元152对PMT数据执行计算处理，并将PMT数据转换成相应荧光体的发光量(在下文中称为荧光体信息)。

图6示出了结合到输入到流式细胞仪110的细胞的相应荧光体的参考光谱的实例。这些参考光谱由分析单元152预先保存。图7是示出根据PMT数据计算荧光体信息的方法的示意图。如图7所示，分析单元152对相应荧光体的参考光谱执行计算处理，并计算荧光体的发光速率(荧光体信息)。

例如，加权最小二乘法(WLSM)可用于该计算处理。或者，分析单元152也可以通过使用另一种计算方法从PMT数据中计算荧光体信息。图8是绘制相应细胞的荧光体的发光量(荧光体信息)的示图。图8涉及荧光体1和荧光体2。

此外，分析单元152基于荧光体信息辨别是否将相应细胞作为处理目标。图9是示出辨别风格的示意图。用户能够参考荧光体信息指定用户想要处理的范围(在下文中称为处理目标范围H)，如图9所示。注意，处理目标范围H的形状不限于矩形。处理目标范围H可以具有任何形状。

分析单元152确定每个细胞是否包括在处理目标范围H中。在图5所示的实例中，“细胞1”和“细胞2”不包括在处理目标范围H中，但是“细胞3”包括在处理目标范围H中。

分析单元152将指示相应单元的辨别结果的标记添加到PMT数据中。图10示出了包括指示辨别结果的标记的PMT数据的实例。如图10所示，PMT数据包括指示相应单元的辨别结果(是/否)的标记。分析单元152向学习单元153提供包括指示辨别结果的标记的PMT数据(在下文中，称为教学数据)。

学习单元153将机器学习算法应用于教学数据，并且估计学习荧光体信息包括在处理目标范围H中的PMT数据的特性中。学习单元153用于机器学习的算法没有特别限制。可以使用随机森林、支持向量机等。学习单元153使字典154保持通过机器学习生成的字典数据。

当从输入单元151提供PMT数据时，辨别单元155使用字典154保存的字典数据，并且辨别细胞是否是处理目标。辨别单元155生成指示是否基于辨别结果对细胞进行分选的指令，并将该指令提供给控制单元116。

[粒子分选系统的操作]

将描述粒子分选系统100的操作。图11是示出粒子分选系统100的操作的流程图。粒子分选系统100分两个阶段操作，包括通过机器学习创建字典数据的阶段(下文中称为学习阶段)和通过使用创建的字典数据对细胞进行分选的阶段(下文中称为分选阶段)。

在学习阶段，细胞输入到流式细胞仪110，并且PMT 134生成PMT数据。输入单元151获取PMT数据，并将其提供给分析单元152。分析单元152将PMT数据转换成荧光体信息(St101)。接下来，分析单元152针对每个细胞确定荧光体信息是否包括在处理目标范围H中，将指示辨别结果的标记添加到PMT数据中，并创建教学数据(St 102)。

分析单元152将教学数据提供给学习单元153。学习单元153基于教学数据执行机器学习，并创建字典数据(St 103)。上述步骤包括在学习阶段。在学习阶段，要输入流式细胞仪110的细胞量没有特别限制。例如，可以输入所有细胞的大约一半。

在分选阶段，剩余的细胞输入流式细胞仪110，并且PMT 134生成PMT数据。输入单元151获取PMT数据，并将其提供给辨别单元155。辨别单元155通过使用字典数据辨别细胞是否是处理目标(St 104)，并且基于辨别结果向流式细胞仪110提供控制信号。

图12是示出分析单元152的操作细节的流程图。如图12所示，当在学习阶段从输入单元151提供PMT数据时，分析单元152将PMT数据转换成发光染料信息(St 111)。接下来，用户参考发光染料信息指定处理目标范围H，并且分析单元152接受该指定(St 112)。

分析单元152确定荧光体信息是否包括在关于每个细胞的处理目标范围H中(St113)。在荧光体信息包括在处理目标范围H中的情况下(在St 113中为是)，分析单元152在细胞的PMT数据上标记，该标记指示细胞是处理目标(St 114)。另外，在荧光体信息不包括在处理目标范围H中的情况下(St 113中为否)，分析单元152在细胞的PMT数据上标记，该标记指示细胞不是处理目标(St 115)。分析单元152确定荧光体信息是否包括在关于在学习阶段输入流式细胞仪110中的所有细胞的处理目标范围H中。

接下来，分析单元152将与确定结果相关联的PMT数据视为教学数据(St 116)，并将教学数据提供给学习单元153。

图13是示出学习单元153的操作细节的流程图。如图13所示，学习单元153在使用教学数据作为输入的同时执行机器学习算法，并且执行机器学习(St 121)。接下来，学习单元153使字典154保存通过机器学习生成的字典数据(St 122)。

图14是示出辨别单元155的操作细节的流程图。如图14所示，当在分选阶段从输入单元151提供PMT数据时，辨别单元155基于字典数据确定细胞是否是处理目标(St 131)。具体地，辨别单元155通过比较PMT数据和字典数据来辨别从PMT数据计算的荧光体信息是否包括在处理目标范围H中，而不将PMT数据转换成荧光体信息。

在辨别单元155将细胞辨别为处理目标的情况下，即，在辨别单元155将荧光体信息辨别为估计包括在处理目标范围H中的PMT数据的情况下(在St 132中为是)，辨别单元155向流式细胞仪110发送指令，以对细胞进行分选(St 133)。或者，在辨别单元155不将细胞辨别为处理目标的情况下，即，在辨别单元155将荧光体信息辨别为被推定在处理目标范围H之外的PMT数据的情况下(St 132中为否)，辨别单元155向流式细胞仪110发送不对细胞进行分选的指令(St 134)。

粒子分选系统100如上所述操作。如上所述，当在学习阶段学习荧光体信息包括在处理目标范围中的PMT数据的特性时，可以通过直接使用PMT数据来辨别细胞是否是处理目标，而无需在分选阶段计算荧光体信息。尽管计算荧光体信息需要较大量的计算，但是在分选阶段不需要这种计算。因此，可以在短时间内辨别细胞，即，可以在流式细胞仪110进行荧光观察之后立即对细胞进行分选。

(第二实施方式)

将描述根据本技术的第二实施方式的粒子分选系统。根据第二实施方式的粒子分选系统200包括流式细胞仪110和信息处理设备250。此处不描述流式细胞仪110的配置，因为流式细胞仪110的配置与第一实施方式类似。

[信息处理设备的配置]

图15是示出信息处理设备250的功能配置的框图。如图15所示，信息处理设备250包括输入单元251、分析单元252、学习单元253、字典254、辨别单元255和裕量指定单元256。

输入单元251、学习单元253、字典254和辨别单元255的配置与第一实施方式类似。

因此，输入单元251从流式细胞仪110中的PMT 134获取PMT数据，并将其提供给分析单元252或辨别单元255。学习单元253通过使用从分析单元252提供的教学数据作为输入来执行机器学习，生成字典数据，并促使字典254保存字典数据。辨别单元255将从输入单元251提供的PMT数据与字典数据进行比较，并确定细胞是否是处理目标。

裕量指定单元256指定在处理目标范围H上设置的裕量。裕量指定单元256保存预定的裕量信息。图16示出了裕量信息的实例。如图16所示，在裕量信息中，为相应模式设置裕量。裕量指定单元256选择一种模式，并根据该模式向分析单元252提供裕量。

裕量指定单元256能够响应于用户的指定来选择模式。或者，裕量指定单元256也可以基于过去的实验结果数据库等自动选择模式。

分析单元252将从裕量指定单元256提供的裕量设置在处理目标范围H上。图17是示出在处理目标范围H上设置裕量的风格的示意图。如图17所示，分析单元252将裕量设置到用户指定的处理目标范围H1，并且构成处理目标范围H2和处理目标范围H3。通过扩大处理目标范围H1获得处理目标范围H2，通过减小处理目标范围H1获得处理目标范围H3。

[信息处理设备的操作]

图18是示出分析单元252的操作细节的流程图。如图18所示，当在学习阶段从输入单元251提供PMT数据时，分析单元252将PMT数据转换成发光染料信息(St 201)。接下来，用户参考发光染料信息指定处理目标范围H，并且分析单元252接受该指定(St 202)。

接下来，分析单元252在处理目标范围H上设置由裕量指定单元256指定的裕量(St203)，并针对每个细胞确定荧光体信息是否包括在处理目标范围H中(St 204)。

在处理目标范围H中包括细胞的荧光体信息的情况下(在St 204中为是)，分析单元252在细胞的PMT数据上进行标记，该标记指示细胞是处理目标(St 205)。或者，在细胞的荧光体信息不包括在处理目标范围H中的情况下(在St 204中为否)，分析单元252在细胞的PMT数据上进行标记，该标记指示细胞不是处理目标(St 206)。分析单元252确定荧光体信息是否包括在关于在学习阶段输入流式细胞仪110的所有细胞的处理目标范围H中。

接下来，分析单元252将与确定结果相关联的PMT数据视为教学数据(St 207)，并将教学数据提供给学习单元253。

如上所述，根据该实施方式，分析单元252在处理目标范围上设置由裕量指定单元256指定的裕量，并且放大或缩小处理目标范围。在第一实施方式中，有时可能出现误报的问题。当出现这个问题时，实际上辨别单元155将不应该被分选的细胞辨别为应该分选的细胞。当根据本实施方式在处理目标范围上设置裕量时，可以通过放松或收紧细胞之间的辨别来控制误报情况。

(第三实施方式)

将描述根据本技术的第三实施方式的粒子分选系统。根据第三实施方式的粒子分选系统300包括流式细胞仪110和信息处理设备350。由于流式细胞仪110的配置与第一实施方式类似，因此此处不描述流式细胞仪110的配置。

[信息处理设备的配置]

图19是示出信息处理设备350的功能配置的框图。如图19所示，信息处理设备350包括输入单元351、分析单元352、学习单元353、字典354、辨别单元355和学习时间指定单元356。

输入单元351、分析单元352、字典354和辨别单元355的配置与第一实施方式类似。

因此，输入单元351从流式细胞仪110中的PMT 134获取PMT数据，并将其提供给分析单元352或辨别单元355。分析单元352将PMT数据转换成荧光体信息，辨别荧光体信息是否包括在处理目标范围内，将指示辨别结果的标记添加到PMT数据中，并生成教学数据。辨别单元355将从输入单元351提供的PMT数据与字典数据进行比较，并确定细胞是否是处理目标。

学习时间指定单元356指定机器学习算法。学习时间指定单元356保存多种类型的机器学习算法的信息。图20示出了由学习时间指定单元356保持的机器学习算法的实例。如图20所示，学习时间指定单元356保存对于相应模式具有不同机器学习时间长度的机器学习算法。学习时间指定单元356响应于用户等的指定选择一种模式，并将所选择的模式通知机器学习算法的给学习单元353。或者，学习时间指定单元356也可以基于过去的实验结果数据库等自动选择模式。

学习单元353将机器学习算法应用于教学数据，并且学习包括在处理目标范围H中的PMT数据的模式。此时，学习单元353应用由学习时间指定单元356指定的机器学习算法。学习单元353使字典354保存通过机器学习生成的字典数据。

[信息处理设备的操作]

图21是示出学习单元353的操作细节的流程图。如图21所示，学习单元353接受学习时间指定单元356对机器学习算法的指定(St 301)。接下来，当学习单元353在学习阶段接收到由分析单元352提供的教学数据时，学习单元353使用教学数据作为输入，执行从学习时间指定单元356报告的机器学习算法，并且执行机器学习(St 302)。接下来，学习单元353使字典354保存通过机器学习生成的字典数据(St 303)。

如上所述，根据该实施方式，学习单元353通过使用由学习时间指定单元356指定的机器学习算法来执行机器学习。大多数流式细胞仪通过抗原-抗体相互作用将荧光体结合到细胞上。有时，反应性会随着时间的推移而降低，并且荧光体难以与细胞结合。因此，学习时间指定单元356根据学习阶段可用的时间长度指定机器学习算法，从而调整执行机器学习所需的时间长度。这使得可以防止抗原-抗体相互作用的反应性降低等对荧光检测的影响。

(第四实施方式)

将描述根据本技术的第四实施方式的粒子分选系统。根据第四实施方式的粒子分选系统400包括流式细胞仪110和信息处理设备450。由于流式细胞仪110的配置与第一实施方式类似，因此此处不描述流式细胞仪110的配置。

[信息处理设备的配置]

图22是示出信息处理设备450的功能配置的框图。如图22所示，信息处理设备450包括输入单元451、分析单元452、学习单元453、字典454、辨别单元455、合成变量生成单元456和参考光谱数据库457。

输入单元451和字典454的配置与第一实施方式类似。

因此，输入单元451从流式细胞仪110中的PMT 134获取PMT数据，并将其提供给分析单元452或辨别单元455。字典454保存由学习单元453生成的字典数据。

合成变量生成单元456创建合成变量并将其提供给分析单元452。合成变量生成单元456从参考光谱数据库457获取结合到细胞的荧光体的参考光谱的相应PMT值(下文中称为参考值)(见图6)。图23是示出参考值的实例的表格。

合成变量生成单元456从分析单元452获取由荧光检测单元113检测到的PMT数据(在下文中称为“原始PMT数据”)，并从原始PMT数据和参考值创建合成变量。图24是示出合成变量生成方法的示意图。如图24所示，当假设原始PMT数据(Raw)包括10ch并且荧光体的数量是两个时，合成变量生成单元421生成染料1的合成变量(10ch)和染料2的合成变量(10ch)。合成变量的计算可以是乘法，也可以是加法。

合成变量生成单元421将计算出的相应颜色的合成变量提供给分析单元452。在上述实例中，合成变量生成单元421向分析单元425提供总共30ch(30维)的数据。30ch(30维)的数据包括原始PMT数据(10ch)、染料1的合成变量(10ch)和染料2的合成变量(10ch)。

分析单元452基于原始PMT数据、从合成变量生成单元421提供的合成变量和辨别结果(从PMT数据生成的荧光体信息是否包括在处理目标范围H中)来创建教学数据。

图25示出了由分析单元452生成的教学数据的实例。如图25所示，教学数据包括原始PMT数据、从原始PMT数据生成的合成变量和确定结果。

学习单元453通过使用从分析单元452提供的教学数据作为输入，通过机器学习算法执行机器学习，并且使字典454保存生成的字典数据。

当从输入单元451提供原始PMT数据时，辨别单元455从原始PMT数据和参考值生成合成变量。辨别单元455使用由字典454保存的字典数据和计算出的合成变量，并且确定细胞是否是处理目标。辨别单元455将辨别结果提供给流式细胞仪110。

[信息处理设备的操作]

图26是示出信息处理设备450在学习阶段的操作的流程图。如图26所示，合成变量生成单元456从参考光谱数据库457获取参考值(St 401)。

接下来，合成变量生成单元456根据从分析单元425获取的参考值和原始PMT数据创建合成变量(St 402)，并将创建的合成变量提供给分析单元452。

分析单元452基于原始PMT数据、荧光体信息和从合成变量生成单元456提供的合成变量来创建指示是否对细胞进行分选的教学数据(St403)，并将所创建的教学数据提供给学习单元453。

学习单元453通过使用从分析单元452提供的教学数据作为输入，通过机器学习算法执行机器学习(St 404)。学习单元453使字典454保存生成的字典数据(St 405)。

图27是示出分选阶段中辨别单元455的操作细节的流程图。如图27所示，当从输入单元451提供原始PMT数据时，辨别单元455以类似于学习阶段的方式从原始PMT数据和参考值创建合成变量(St 411)。

接下来，辨别单元455基于原始PMT数据、合成变量和字典数据确定细胞是否是处理目标(St 412)。具体地，辨别单元455通过将原始PMT数据和合成变量与字典数据进行比较来辨别从原始PMT数据计算的荧光体信息是否包括在处理目标范围H中，而不将其转换成荧光体信息。

在辨别单元455将细胞确定为处理目标的情况下(在St 413中为是)，辨别单元455向流式细胞仪110发送指令，以对细胞进行分选(St 414)。或者，在辨别单元455不将细胞确定为处理目标的情况下(St 413中为否)，辨别单元455向流式细胞仪110发送指令，以不对细胞进行分选(St 415)。

如上所述，根据该实施方式，除了PMT数据之外，机器学习还使用合成变量。通过将合成变量用于机器学习，可以增加机器学习的特征量，并改进机器学习的系统，即，细胞辨别的准确性。

(变型例)

通过向上述第一实施方式添加预定结构元件而获得上述第二、第三和第四实施方式。也可以将添加到第二、第三和第四实施方式中的任何两个或三个结构元件结合到第一实施方式中。

此外，在上述实施方式中，用荧光体标记的细胞用作处理目标粒子。然而，本技术不限于此。本技术适用于任何粒子，只要可以通过荧光测量来分析粒子。

(硬件配置)

图28是示出信息处理设备150的硬件配置的示意图。如图28所示，信息处理设备150包括作为硬件配置的CPU 1001、GPU 1002、存储器1003、储存器1004和输入/输出单元(I/O)1005。这些经由总线1006相互连接。

中央处理单元(CPU)1001根据存储在存储器003中的程序控制其他结构元件，根据程序处理数据，并将处理结果存储在存储器1003中。CPU 1001可以是微处理器。

图形处理单元(GPU)1002在CPU 1001的控制下执行图像处理。GPU 1002可以是微处理器。

存储器1003存储要由CPU 1001执行的数据和程序。存储器1003可以是随机存取存储器(RAM)。

储存器1004存储数据和程序。储存器1004可以是硬盘驱动器(HDD)或固态驱动器(SSD)。

输入/输出单元1005接收对信息处理设备150的输入，并将来自信息处理设备150的输出提供给外部。输入/输出单元1005包括输入装置(例如，键盘或鼠标)、输出装置(例如，显示器)以及连接接口(例如，网络)。

信息处理设备1050的硬件配置不限于此，只要能够实现信息处理设备150的功能配置。此外，可以在网络上存在上述整个硬件配置或部分硬件配置。

根据本技术的第二至第四实施方式的信息处理设备250、信息处理设备350和信息处理设备450也可以具有类似于信息处理设备150的硬件配置。

注意，也可以如下配置本技术。

(1)一种信息处理设备，包括：

分析单元，所述分析单元：基于指示在相应波长带上的荧光的发光量的检测数据来计算指示多种类型的荧光体的相应发光量的荧光体信息、根据所述荧光体信息辨别是否将所述粒子作为处理目标、并且通过将辨别结果与所述检测数据相关联来生成教学数据，其中，所述荧光是从被激发光照射的粒子发出的；

学习单元，所述学习单元：将机器学习算法应用于教学数据、学习被辨别为所述处理目标的所述检测数据的特征、并且生成包括学习结果的字典数据；以及

辨别单元，当提供检测数据时，所述辨别单元基于所述字典数据确定已经获取所述检测数据的粒子是否是所述处理目标。

(2)根据(1)所述的信息处理设备，其中，

所述分析单元通过加权最小二乘法计算荧光体信息。

(3)根据(1)或(2)所述的信息处理设备，其中，

所述分析单元设定关于多种类型的荧光体的相应发光量的处理目标范围，并且根据所述荧光体信息是否包括在所述处理目标范围中来辨别是否将所述粒子作为所述处理目标，并且

所述信息处理设备还包括裕量指定单元，其指定处理目标范围的裕量。

(4)根据(1)至(3)中任一项所述的信息处理设备，还包括

学习时间指定单元，其指定要由学习单元使用的机器学习算法。

(5)根据(1)至(4)中任一项所述的信息处理设备，还包括：

合成变量生成单元，所述合成变量生成单元基于所述检测数据以及作为多种类型的荧光体的相应发光光谱的参考光谱来生成合成变量，其中，

所述分析单元通过将合成变量与检测数据以及辨别结果相关联，来生成教学数据，并且

所述辨别单元基于字典数据和合成变量，来辨别已经获取检测数据的粒子是否是处理目标。

(6)根据(1)至(5)中任一项所述的信息处理设备，其中，

所述粒子是用多种类型荧光体荧光标记的细胞。

(7)一种粒子分选系统，包括：

激发光发射单元，其向包括粒子的液体发射激发光；

荧光检测单元，包括检测器，所述检测器分散从用激发光照射的粒子发射的荧光，检测相应波长带上的荧光的发光量，并生成检测数据；

分析单元，其基于检测数据来计算指示多种类型荧光体的相应发光量的荧光体信息，根据荧光体信息辨别是否将该粒子作为处理目标，并且通过将辨别结果与检测数据相关联来生成教学数据；

学习单元，所述学习单元：将机器学习算法应用于教学数据、学习被辨别为所述处理目标的所述检测数据的特征、并且生成包括学习结果的字典数据；以及

辨别单元，当提供检测数据时，所述辨别单元基于所述字典数据辨别已经获取检测数据的粒子是否是所述处理目标。

(8)根据(7)所述的粒子分选系统，还包括：

粒子分选机构，所述粒子分选机构基于由所述辨别单元做出的辨别结果来分选所述粒子。

(9)根据(8)所述的粒子分选系统，其中，

所述粒子分选机构生成包括所述粒子的液滴，通过使所述液滴充电来控制所述液滴的路径并分选所述粒子。

(10)一种程序，其促使信息处理设备用作：

分析单元，所述分析单元：基于指示在相应波长带上的荧光的发光量的检测数据来计算指示多种类型的荧光体的相应发光量的荧光体信息、根据所述荧光体信息来辨别是否将所述粒子作为处理目标、并且通过将辨别结果与所述检测数据相关联来生成教学数据，其中，所述荧光是从被激发光照射的粒子发出的；

学习单元，所述学习单元：将机器学习算法应用于所述教学数据、学习被辨别为处理目标的所述检测数据的特征、并且生成包括学习结果的字典数据；以及

辨别单元，当提供检测数据时，所述辨别单元基于所述字典数据确定已经获取检测数据的粒子是否是处理目标。

(11)一种粒子分选方法，包括：

使分析单元：基于指示在相应波长带上的荧光的发光量的检测数据来计算指示多种类型的荧光体的相应发光量的荧光体信息、根据所述荧光体信息来辨别是否将所述粒子作为处理目标、并且通过将辨别结果与所述检测数据相关联来生成教学数据，其中，所述荧光是从被激发光照射的粒子发出的；

使学习单元：将机器学习算法应用于所述教学数据、学习被辨别为处理目标的所述检测数据的特征、并且生成包括学习结果的字典数据；并且

当提供检测数据时，使辨别单元基于字典数据确定已经获取检测数据的粒子是否是处理目标。

附图标记列表

100、200、300、400粒子分选系统

110流式细胞仪

111分选芯片

112激发光发射单元

113荧光检测单元

114、115偏转板

116控制单元

117电极

150、250、350、450信息处理设备

151、251、351、451输入单元

152、252、352、452分析单元

153、253、353、453学习单元

154、253、354、454字典

155、255、355、455辨别单元

256裕量指定单元

356学习时间指定单元

456合成变量生成单元

457参考光谱数据库。