CN115197835B - 一种基于自学习的核酸扩增荧光定量温控系统 - Google Patents
一种基于自学习的核酸扩增荧光定量温控系统 Download PDFInfo
- Publication number
- CN115197835B CN115197835B CN202211119103.0A CN202211119103A CN115197835B CN 115197835 B CN115197835 B CN 115197835B CN 202211119103 A CN202211119103 A CN 202211119103A CN 115197835 B CN115197835 B CN 115197835B
- Authority
- CN
- China
- Prior art keywords
- control
- item
- deviation
- value
- fluorescence
- 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.)
- Active
Links
- 230000003321 amplification Effects 0.000 title claims abstract description 26
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 26
- 108020004707 nucleic acids Proteins 0.000 title claims abstract description 23
- 102000039446 nucleic acids Human genes 0.000 title claims abstract description 23
- 150000007523 nucleic acids Chemical class 0.000 title claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims description 44
- 238000001816 cooling Methods 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 25
- 230000035484 reaction time Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 239000000376 reactant Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013643 reference control Substances 0.000 claims description 3
- 230000032683 aging Effects 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 5
- 108020004414 DNA Proteins 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000012408 PCR amplification Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 102000053602 DNA Human genes 0.000 description 1
- 102000016928 DNA-directed DNA polymerase Human genes 0.000 description 1
- 108010014303 DNA-directed DNA polymerase Proteins 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6844—Nucleic acid amplification reactions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Zoology (AREA)
- Immunology (AREA)
- Wood Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Genetics & Genomics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种基于自学习的核酸扩增荧光定量温控系统，包括控制器、传动模块、温控模块、温感模块以及光感模块；通过建立基准分析模型，根据荧光值以及控制信息进行分析，在出现异常情况时，生成修正策略，修正对应的控制项，使得系统具备自学习能力，同时通过对控制项进行分类，使得整个控制信息能够实现多维调节，并能结合后台大数据支持，为系统的精度提供保障，以实现兼顾扩增系统效率同时对应每一设备具有独立的控制方式，兼顾软件理论优化和硬件老化或环境变化带来的偏差。
Description
技术领域
本发明涉及核酸扩增荧光定量检测系统，更具体地说，涉及一种基于自学习的核酸扩增荧光定量温控系统。
背景技术
PCR扩增的基本原理是：双链的DNA在体外95℃的高温时会变性形成单链，在55℃左右的低温退火温度时人工设计的引物对会根据碱基互补配对原则，分别结合在两条单链的上游或下游；根据引物设计原则，引物对的上游引物和下游引物之间的区域即需要扩展的靶标DNA片段，然后，再调整温度至DNA聚合酶的反应温度，一般为72℃，进行引物延伸；重复进行变性、退火和延伸三个步骤，即可实现靶标DNA片段的指数倍复制，PCR扩增仪是利用PCR扩增技术对特定DNA扩增的一种仪器设备，广泛运用于医学、生物学实验室中。
而为了提高核酸扩增检测的效率，本申请人设计了申请号为CN202210032423.6的一种用于核酸现场变温扩增的PCR扩增仪及扩增方法的专利，通过设置三个温度区间，通过带动反应物运动完成上述扩增循环，使得温控较为稳定，无需重复升温、降温，大大提高了系统效率，但是在实际使用过程中，我们发现了一个问题，放样板虽然可以设置恒温，但是放样板是将热量传导到样品管的管壁上，而样品管的管壁一体设计导致热量更容易在样品板的管壁上传导，而三个恒温空间之间会因样品管的管壁产生一定的误差，而管壁和反应物之间的热传导也会因上述问题存在效率损失，虽然以上方式相较于分别控温，要更加高效，因为以上问题在传统的加热控温的方式中也会存在因为热传导关系的效率损失的问题，相比而言，因为热源直接作用在管壁与反应物的接触位置，反而在传导效率上占优，但是由于热传导带来的温控不精确的问题仍然需要解决，温控不精确会导致反应环节的反应任务不能完成，出现假阳性或错误结果，而由于温感组件设计位置的关系，很难做出改变或调整，更不能实时检测核酸扩增结果，更不能定量。所以通过直接检测反应物的温度从而更好地克服温控不精确的问题，也难以实现。
发明内容
有鉴于此，本发明目的是提供一种基于自学习的核酸荧光定量扩增温控系统。
为了解决上述技术问题，本发明的技术方案是：一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：包括控制器、传动模块、温控模块、温感模块以及光感模块；
所述传动模块用于带动反应物在反应区域内移动；
所述温控模块用于调节反应区域内不同区间的温度；
所述温感模块用于采集反应区域内不同区间的温度以生成温度采集信息；
所述光感模块用于采集被反应物的荧光值；
所述控制器包括分析模块、修正模块以及训练模块，所述分析模块配置有基准分析模型，所述基准分析模型根据控制信息以及荧光值以生成偏差信息，所述偏差信息包括有偏差项以及偏差值，所述修正模块用于根据偏差项以及对应的偏差值修正控制指令中的控制项，所述控制指令包括若干控制项，所述控制项包括有第一恒温控制项、第二恒温控制项、第三恒温控制项、第一反应时间控制项、第二反应时间控制项、第三反应时间控制项，在核酸扩增步骤中，所述第一恒温控制项、第二恒温控制项、第三恒温控制项分别对应温控模块控制反应区域的不同区间的目标温度；所述第一反应时间控制项、第二反应时间控制项、第三反应时间控制项分别对应传动模块控制反应物在反应区域的不同区间的停留时间；
所述训练模块配置有样本训练策略，所述样本训练策略根据训练样本训练对应的基准分析模型；所述样本训练策略包括
步骤A1、从数据库中调取若干假性异常信息以及验证正常信息，匹配假性异常信息与验证正常信息以使每一假性异常信息都至少具有一对应的验证正常信息，比较匹配的假性异常信息与验证正常信息以使每一假性异常信息至少具有一不同于验证正常信息的控制项；
步骤A2、计算假性异常信息对应的荧光值波形与其对应的理论荧光波形的偏差以生成荧光偏差值，所述理论荧光波形是验证正常信息中的荧光值波形；
步骤A3、通过person相关分析分别计算每一控制项与荧光偏差值的初始相关值；
步骤A4、根据求得的初始相关值确定簇的数目，并通过k-means聚类分析算法对每一控制项与荧光偏差值进行聚类分析以得到若干控制子簇；
步骤A5、通过person相关分析分别计算每一控制子簇的可靠相关值；
步骤A6、确定每一控制子簇的控制项均值，并以可靠相关值在该控制项下的比例作为偏差权重；
步骤A7、通过预设的均值策略实时从每一控制子簇对应的验证正常信息中提取最优控制项以作为基准分析模型的控制基准，并计算验证正常信息中的荧光均值波形；
步骤A8、在所述控制基准建立每一控制项均值以及对应的偏差权重的戳记。
进一步的，所述分析模块配置有分析策略，所述分析策略包括
步骤B1、根据获取的荧光值生成荧光实测波形图；
步骤B2、确定与荧光实测波形最接近的荧光均值波形，并求出荧光实测波形与荧光基准波形的荧光实测偏差，若荧光实测偏差低于荧光偏差基准，则结束分析策略并生成一正馈标记；
步骤B3、确定控制信息中的每一控制项最接近的控制项均值对应的控制子簇，配置有偏差计算公式计算每一控制项的实测控制偏差，
其中，/>
为第n个控制项的实测控制偏差，/>
为第i个控制子簇对应的偏差权重，/>
为预设的偏差调节参数，/>
为第i个控制子簇对应的偏差调节基准；/>
为控制基准在该控制项下对应的基准控制值，/>
为第i个控制子簇对应的荧光均值波形，/>
为第n个控制项下的实际控制值，其中第i个控制子簇为控制信息的控制项最接近的控制项均值对应的控制子簇；
步骤B4、以恒温控制项为第一方向，以反应时间控制项为第二方向，向量化每一控制项以获得若干控制项向量，其中，实测控制偏差为向量的模长；
步骤B5、求和得到的控制项向量以获得控制合向量，确定与控制合向量乘积最小的控制项向量，并以对应的控制项作为偏差项，以对应的实测控制偏差作为偏差值。
进一步的，所述修正模块配置有偏差索引表，所述偏差索引表配置有若干偏差修正策略，所述偏差修正策略以所述偏差项为索引，所述偏差修正策略根据对应的偏差值修正所述控制指令中的控制项。
进一步的，所述修正模块配置有修正关联数据库，所述修正关联数据库存储有若干关联信息，每一关联信息包括有主动修正项和被动关联项，且所述关联信息配置有主动修正项和被动关联项的修正关联值，所述主动修正项和被动关联项均与所述的控制项对应，所述修正关联值反映主动修正项每变化一个单位，对对应的被动关联项的影响量；所述修正模块根据关联信息配置对应的偏差修正策略。
进一步的，所述修正模块还配置优化索引策略，所述优化索引策略包括
步骤C1、配置有优化触发条件，当连续生成的正馈标记满足所述优化触发条件时，获取目前的控制指令生成对应的控制信息；
步骤C2、配置有优化偏差公式计算控制信息每一控制项的优化参考值，
，其中/>
为第m个控制项对应的优化参考值，/>
为第j个控制子簇对应的荧光均值波形，/>
为第m个控制项下的实际控制值,/>
为第j个控制子簇对应的偏差权重，其中第j个控制子簇为在优化方向上与控制基准的第m个控制项最接近的控制子簇；
步骤C3、根据优化参考值确定目标控制项，并通过优化计算公式计算优化值，
，其中/>
为目标控制项的优化值，/>
为预设的优化调节参数，/>
为目标控制项的优化参考值，/>
为优化比例参数，有/>
；
步骤C4、以目标控制项和优化值修正控制指令中的控制项。
进一步的，所述样本训练策略还包括为每一控制项建立幅值划分表，每一幅值划分表对应有若干幅值划分范围，若假性异常信息与验证正常信息其中一控制项落入相同的幅值划分范围，则赋予一单位的匹配相关度，同时每一假性异常信息以及每一验证正常信息均配置有匹配乘数，计算并选取匹配相关度与匹配乘数之积最高的一对假性异常信息与验证正常信息以建立匹配关系，同时匹配乘数与对应假性异常信息或验证正常信息完成匹配的数量负相关。
进一步的，所述的均值策略包括
步骤A7-1、通过均衡加权公式计算每一控制子簇对应的验证正常信息的均衡控制值，
，其中，/>
为均衡控制值，/>
为预设的第一均衡权重，/>
为预设的第二均衡权重，/>
为预设的第三均衡权重，有/>
，/>
为该控制项对应的平均数，/>
为该控制项对应的中位数，/>
该控制项对应的众数；
步骤A7-2、以均衡控制值上限为基准筛选对应的控制项；
步骤A7-3、对应每一控制项生成以收敛范围
，其中/>
为预设的筛选范围值，/>
为控制项下的实际控制值，筛选收敛范围内的该控制子簇的控制项数量多于第一筛选基数的控制项；
步骤A7-4、从筛选结果中确定控制值最小的控制项作为最优控制项。
进一步的，所述的控制项包括冷却功率控制项以及冷却时间控制项，所述冷却功率控制项对应冷却区的目标温度，所述冷却时间控制项对应冷却区的停留时间，所述冷却区位于第一恒温区和第二恒温区之间。
进一步的，所述温控模块配置有PID控制算法用于控制反应区域内不同区间的温度。
本发明技术效果主要体现在以下方面：通过建立基准分析模型，根据荧光值以及控制信息进行分析，在出现异常情况时，生成修正策略，修正对应的控制项，使得系统具备自学习能力，同时通过对控制项进行分类，使得整个控制信息能够实现多维调节，并能结合后台大数据支持，为系统的精度提供保障，以实现兼顾扩增系统效率同时对应每一设备具有独立的控制方式，兼顾软件理论优化和硬件老化或环境变化带来的偏差。
附图说明
图1：本发明基于自学习的核酸扩增荧光定量温控系统架构原理图；
图2：本发明基于自学习的控制器工作原理图。
具体实施方式
以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。
参照图示1，一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：包括控制器、传动模块、温控模块、温感模块以及光感模块；
所述传动模块用于带动反应物在反应区域内移动；传动模块于传统的核酸扩增仪中为带动反应物动作的部件，在本发明中为控制结构带动下的第一密封件，这样就可以通过传动模块的控制，控制对应的反应物在每个区域的时间间隔，从而控制每个步骤的反应时间，理论上，反应时间越长，反应越充分，但是反应时间越长，效率也就越低。而传动模块的驱动件优选为步进电机，而为了保证传动模块的到位设置，可以配置行程限位器作为检测反馈部件。
所述温控模块用于调节反应区域内不同区间的温度；所述温感模块用于采集反应区域内不同区间的温度以生成温度采集信息；具体可以是设置在每个区间，从上到下为第一恒温区、第二恒温区和第三恒温区，第一恒温区温度控制在95℃上下，第二恒温区温度控制在55℃上下，第三恒温区温度控制在72℃上下，从而完成打开双链、退火、扩展的步骤，而温感模块对应的温度传感器的设置，仍然是检测间接热源（方样板）通过控制方样板的温度，从而控制每个恒温区对应反应物的温度，而无法直接检测反应物的温度，因为反应物在样品管内部，如果要实现检测同时要保证检测精度具有一定难度，但是同样如背景部分所说，这种控制方式会产生一定的误差（管壁之间的热传导对反应物的影响），所以需要本发明的温控系统，但是需要说明的是，温控系统输出的控制指令可以直接驱动温控模块工作，只是在目标控制温度上变化，而作为优选的，所述温控模块配置有PID控制算法用于控制反应区域内不同区间的温度。原有的PID控制算法完全可以保留，同时也可以保留PID控制算法在效率上和温度控制效果上的优化。所述的控制项包括冷却功率控制项以及冷却时间控制项，所述冷却功率控制项对应冷却区的目标温度，所述冷却时间控制项对应冷却区的停留时间，所述冷却区位于第一恒温区和第二恒温区之间，图中的第一恒温区可以对应专利CN202210032423.6第一放样板所在位置，第二恒温区对应第二放样板所在位置，第三恒温区对应第三放样板所在位置，冷却区对应第一放样板和第二放样板之间的间隙空间。由于退火过程需要进行降温，在先专利也提出了通过设置间隙空间实现降温，以及避免不同的恒温区之间因管壁热传导带来的温度影响过大的情形，而可以进一步的，在冷却区设置风机以提高降温和隔离的效果，辅助散热，对应温感模块可以设置温度传感器同样用于调节对应风机功率，作为进一步优选，风机可以连接制冷组件以实现冷量的输出，而对应的，风机功率以及制冷组件的功率作为冷却功率控制项，而反应物在冷却区的停留时间作为冷却时间控制项，而需要说明的是对应在数据处理时，冷却时间控制项和冷却功率控制项在模型计算以及任意的相关性结果时，取负值。
所述光感模块用于采集被反应物的荧光值；光感模块根据被反应物的荧光值判断是否存在对应病毒，而优选的，光感模块包括精密恒流源以及光电转换器，控制器提供基准电压到精密恒流源，而光电转换器和控制器之间通过Uart协议通讯。
作为本发明所述控制器包括分析模块、修正模块以及训练模块，
首先对训练模块进行分析，训练模块的目的提供一个分析模型，目的是根据荧光值以及控制信息分析出最具相关性的控制项，从而确定控制项的问题。
所述训练模块配置有样本训练策略，所述样本训练策略根据训练样本训练对应的基准分析模型；所述样本训练策略包括
步骤A1、从数据库中调取若干假性异常信息以及验证正常信息，匹配假性异常信息与验证正常信息以使每一假性异常信息都至少具有一对应的验证正常信息，比较匹配的假性异常信息与验证正常信息以使每一假性异常信息至少具有一不同于验证正常信息的控制项；由于数据库预先存储有历史样本数据，历史样本数据根据结果分为假性异常信息和验证正常信息，假性异常数据为例如荧光值的波形存在问题、或者检测结果出现了假阳性等情况，验证正常信息表示结果正常，而无论是哪种样本，对应的控制信息都有所不同，而训练模型的第一步是完成匹配，目的是为了找出偏差的控制项，以六个控制项为例，如果正常信息和异常信息仅有一个控制项不同，这个控制项很可能是导致异常的控制项，所以作为优选的，所述样本训练策略还包括为每一控制项建立幅值划分表，每一幅值划分表对应有若干幅值划分范围，若假性异常信息与验证正常信息其中一控制项落入相同的幅值划分范围，则赋予一单位的匹配相关度，同时每一假性异常信息以及每一验证正常信息均配置有匹配乘数，计算并选取匹配相关度与匹配乘数之积最高的一对假性异常信息与验证正常信息以建立匹配关系，同时匹配乘数与对应假性异常信息或验证正常信息完成匹配的数量负相关。通过设置幅值范围，将落入相同幅值范围的控制项判断为相同，以使两个相近但是结果不同的样本进行匹配，而匹配时，一个假性异常信息可以匹配多个验证正常信息，一个验证正常信息也可以匹配多个假性异常信息，为了保证匹配结果的数据丰度，设置一个匹配乘数，每完成一次匹配，该假性异常信息或验证正常信息的匹配乘数就减小，也就不利于完成下次匹配。这样就能保证样本的数据丰度。
步骤A2、计算假性异常信息对应的荧光值波形与其对应的理论荧光波形的偏差以生成荧光偏差值；第二步的目的是确定荧光值波形的波形特征，理论荧光波形是验证正常信息中的荧光值波形，通过两者比对，确定荧光偏差值，荧光偏差值为波形的包络面积，利用波形函数差值的积分获得。有
，/>
表示荧光值波形，/>
表示理论荧光波形。/>
表示荧光偏差值。
步骤A3、通过person相关分析分别计算每一控制项与荧光偏差值的初始相关值；由于通过步骤一得到了若干具有区别的控制项，通过步骤二得到了荧光偏差值，这样一来，就可以通过person相关分析算法计算控制项与荧光偏差值的关系，样本数量越多，则分析结果越准确，而初始相关值目的是为了确定簇的数目，因为如果直接通过聚类分析算法进行分析，这样如果簇数无法确定，那么就会得到较多不同的结果。理论上初始相关值越高，簇数就越少，初始相关值越高，则说明对应荧光偏差的集中度大，所以用较少的簇就可以进行划分，和相反，相关值越低，则说明需要更多的簇进行划分，才能分析出控制项变化情况不同对荧光偏差值产生的关联。
步骤A4、根据求得的初始相关值确定簇的数目，并通过k-means聚类分析算法对每一控制项与荧光偏差值进行聚类分析以得到若干控制子簇；通过目标簇数就可以确定出对应控制项和荧光偏差值之间的关联，就可以对不同的情况进行分组。
步骤A5、通过person相关分析分别计算每一控制子簇的可靠相关值；分组完成后可以通过计算每组的相关值，判断该控制项变化与荧光偏差值的变化的相关性，就可以作为依据，如果相关值低，说明控制项做如下变化对结果不会产生较大影响，而如果相关值高，则说明很可能荧光偏差就是由该控制项的变化导致的，所以可靠相关值反映了荧光偏差和控制项的变化的相关性。
步骤A6、确定每一控制子簇的控制项均值，并以可靠相关值为偏差权重；可靠相关值对应偏差权重的换算如下：是可靠相关值在该控制项下的比例作为可靠相关值的偏差权重，例如有4个控制子簇，可靠相关值分别为0，0.5,0.5，1为可靠相关值，那么偏差权重分别为0，0.25,0.25,0.5，权重相加始终等于1且可靠相关值越高，权重越高。
步骤A7、通过预设的均值策略实时从每一控制子簇对应的验证正常信息中提取最优控制项以作为基准分析模型的控制基准，并计算验证正常信息中的荧光均值波形，这一步的目的是为了根据验证正常信息的控制项对应的控制值生成模型的判断基准，根据判断基准判断偏差；具体如下：所述的均值策略包括
步骤A7-1、通过均衡加权公式计算每一控制子簇对应的验证正常信息的均衡控制值，
，其中，/>
为均衡控制值，/>
为预设的第一均衡权重，/>
为预设的第二均衡权重，/>
为预设的第三均衡权重，有/>
，/>
为该控制项对应的平均数，/>
为该控制项对应的中位数，/>
为该控制项对应的众数；经过试验发现，由于历史数据的偏差会不规律，所以通过三个数据叠加的方式才能使均衡控制值收敛在一个可靠的范围。
步骤A7-2、以均衡控制值上限为基准筛选对应的控制项；这样可以使得数据向优化的方向取数，例如时间数据向节约停留时间的方向取数，温度数据向低温取数，需要说明的是冷却数据做了负数据处理，所以设置上限同样能够达到节约能耗的目的。
步骤A7-3、对应每一控制项生成以收敛范围
，其中/>
为预设的筛选范围值，筛选收敛范围内的该控制子簇的控制项数量多于第一筛选基数的控制项；通过预设的筛选范围值进行筛选，要保证最后的取数有多组实验数据支持，保证取数时数据对正常的实验结果是可靠的。
步骤A7-4、从筛选结果中确定控制值最小的控制项作为最优控制项。这样就可以保证效率或能耗在可靠范围内的最优。
步骤A8、在所述控制基准建立每一控制项均值以及对应的偏差权重的戳记。然后对每一控制子簇的基准波形以及对应戳记进行集合就确定完成基准分析模型。而随着样本库的更新，对应的基准分析模型也可以进行实时更新。
所述分析模块配置有基准分析模型，所述基准分析模型根据控制信息以及荧光值以生成偏差信息，所述偏差信息包括有偏差项以及偏差值，分析模块的功能是根据荧光值的变化情况，判断是否出现异常以及对控制信息进行分析，从而得出哪个控制项最有可能出现异常，以及这个控制项的异常量，具体如下：
所述分析模块配置有分析策略，所述分析策略包括
步骤B1、根据获取的荧光值生成荧光实测波形；首先根据荧光值随时间的变化生成荧光实测波形，理论上荧光实测波形呈指数变化，但是实际由于控制项的不同，可能导致反应不完全，或者过冲，所以可能出现不是指数变化的情况。
步骤B2、确定与荧光实测波形最接近的荧光均值波形，并求出荧光实测波形与荧光基准波形的荧光实测偏差，若荧光实测偏差低于荧光偏差基准，则结束分析策略并生成一正馈标记；首先先根据荧光实测波形匹配最接近的子模型，匹配的逻辑就是荧光实测波形和荧光均值波形的相关性也就是相近程度，如果偏差较小，说明情况无需修正，就退出策略，反之，进行进一步分析。
步骤B3、确定控制信息中的每一控制项最接近的控制项均值对应的控制子簇，配置有偏差计算公式计算每一控制项的实测控制偏差，
，其中，/>
为第n个控制项的实测控制偏差，/>
为第i个控制子簇对应的偏差权重，/>
为预设的偏差调节参数，/>
为第i个控制子簇对应的偏差调节基准；/>
为控制基准在该控制项下对应的基准控制值，/>
为第i个控制子簇对应的荧光均值波形，/>
为第n个控制项下的实际控制值，其中第i个控制子簇为控制信息的控制项最接近的控制项均值对应的控制子簇；另一方面，确定每一控制信息对应的控制项匹配的控制子簇，然后就可以根据控制基准分析出实测控制偏差，实测控制偏差就是反应每个实际控制值和控制基准的偏差情况，而这个偏差情况是根据和控制子簇中的荧光均值波形确定的，距离对应的控制子簇越近，则说明偏差越大。
步骤B4、以恒温控制项为第一方向，以反应时间控制项为第二方向，向量化每一控制项以获得若干控制项向量，其中，实测控制偏差为向量的模长；由于每一控制项计算实测控制偏差后，会有效率和能耗两个方面的类型，而不能孤立判断，所以需要进行向量化，需要注意的是，如果有冷却项，那么对应的偏差求负值。
步骤B5、求和得到的控制项向量以获得控制合向量，确定与控制合向量乘积最小的控制项向量，并以对应的控制项作为偏差项，以对应的实测控制偏差作为偏差值。通过向量求和的方式就可以确定相关度最高的控制项，就将其作为偏差项，并确定对应的偏差值。
首先所述修正模块用于根据偏差项以及对应的偏差值修正控制指令中的控制项，所述控制指令包括若干控制项，所述控制项包括有第一恒温控制项、第二恒温控制项、第三恒温控制项、第一反应时间控制项、第二反应时间控制项、第三反应时间控制项，在核酸扩增步骤中，所述第一恒温控制项、第二恒温控制项、第三恒温控制项分别对应温控模块控制反应区域的不同区间的目标温度；所述第一反应时间控制项、第二反应时间控制项、第三反应时间控制项分别对应传动模块控制反应物在反应区域的不同区间的停留时间；所述修正模块配置有偏差索引表，所述偏差索引表配置有若干偏差修正策略，所述偏差修正策略以所述偏差项为索引，所述偏差修正策略根据对应的偏差值修正所述控制指令中的控制项。通过索引的方式，将考虑单一调整带来的变化，避免一个数据变化时对其他数据产生的影响。作为优选的，如果核酸工作中得到正确结果较多，那么有正向优化策略提高效率和降低能耗，所述修正模块还配置优化索引策略，所述优化索引策略包括
步骤C1、配置有优化触发条件，当连续生成的正馈标记满足所述优化触发条件时，获取目前的控制指令生成对应的控制信息；
步骤C2、配置有优化偏差公式计算控制信息每一控制项的优化参考值，
，其中/>
为第m个控制项对应的优化参考值，/>
为第j个控制子簇对应的荧光均值波形，/>
为第m个控制项下的实际控制值,/>
为第j个控制子簇对应的偏差权重，其中第j个控制子簇为在优化方向上与控制基准的第m个控制项最接近的控制子簇；
步骤C3、根据优化参考值确定目标控制项，并通过优化计算公式计算优化值，
，其中/>
为目标控制项的优化值，/>
为预设的优化调节参数，/>
为目标控制项的优化参考值，/>
为优化比例参数，有/>
；
步骤C4、以目标控制项和优化值修正控制指令中的控制项。
当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。
Claims (7)
1.一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：包括控制器、传动模块、温控模块、温感模块以及光感模块；
所述传动模块用于带动反应物在反应区域内移动；
所述温控模块用于调节反应区域内不同区间的温度；
所述温感模块用于采集反应区域内不同区间的温度以生成温度采集信息；
所述光感模块用于采集被反应物的荧光值；
所述控制器包括分析模块、修正模块以及训练模块，所述分析模块配置有基准分析模型，所述基准分析模型根据控制信息以及荧光值以生成偏差信息，所述偏差信息包括有偏差项以及偏差值，所述修正模块用于根据偏差项以及对应的偏差值修正控制指令中的控制项，所述控制指令包括若干控制项，所述控制项包括有第一恒温控制项、第二恒温控制项、第三恒温控制项、第一反应时间控制项、第二反应时间控制项、第三反应时间控制项，在核酸扩增步骤中，所述第一恒温控制项、第二恒温控制项、第三恒温控制项分别对应温控模块控制反应区域的不同区间的目标温度；所述第一反应时间控制项、第二反应时间控制项、第三反应时间控制项分别对应传动模块控制反应物在反应区域的不同区间的停留时间；
所述训练模块配置有样本训练策略，所述样本训练策略根据训练样本训练对应的基准分析模型；所述样本训练策略包括
步骤A1、从数据库中调取若干假性异常信息以及验证正常信息，匹配假性异常信息与验证正常信息以使每一假性异常信息都至少具有一对应的验证正常信息，比较匹配的假性异常信息与验证正常信息以使每一假性异常信息至少具有一不同于验证正常信息的控制项；
步骤A2、计算假性异常信息对应的荧光值波形与其对应的理论荧光波形的偏差以生成荧光偏差值，所述理论荧光波形是验证正常信息中的荧光值波形；
步骤A3、通过person相关分析分别计算每一控制项与荧光偏差值的初始相关值；
步骤A4、根据求得的初始相关值确定簇的数目，并通过k-means聚类分析算法对每一控制项与荧光偏差值进行聚类分析以得到若干控制子簇；
步骤A5、通过person相关分析分别计算每一控制子簇的可靠相关值；
步骤A6、确定每一控制子簇的控制项均值，并以可靠相关值在该控制项下的比例作为偏差权重；
步骤A7、通过预设的均值策略实时从每一控制子簇对应的验证正常信息中提取最优控制项以作为基准分析模型的控制基准，并计算验证正常信息中的荧光均值波形；
步骤A8、在所述控制基准建立每一控制项均值以及对应的偏差权重的戳记；
所述分析模块配置有分析策略，所述分析策略包括
步骤B1、根据获取的荧光值生成荧光实测波形；
步骤B2、确定与荧光实测波形最接近的荧光均值波形，并求出荧光实测波形与荧光基准波形的荧光实测偏差，若荧光实测偏差低于荧光偏差基准，则结束分析策略并生成一正馈标记；
步骤B3、确定控制信息中的每一控制项最接近的控制项均值对应的控制子簇，配置有偏差计算公式计算每一控制项的实测控制偏差，
，其中，/>
为第n个控制项的实测控制偏差，
为第i个控制子簇对应的偏差权重，/>
预设的偏差调节参数，/>
为第i个控制子簇对应的偏差调节基准；/>
为控制基准在该控制项下对应的基准控制值，/>
为第i个控制子簇对应的荧光均值波形，/>
为第n个控制项下的实际控制值，其中第i个控制子簇为控制信息的控制项最接近的控制项均值对应的控制子簇；
步骤B4、以恒温控制项为第一方向，以反应时间控制项为第二方向，向量化每一控制项以获得若干控制项向量，其中，实测控制偏差为向量的模长；
步骤B5、求和得到的控制项向量以获得控制合向量，确定与控制合向量乘积最小的控制项向量，并以对应的控制项作为偏差项，以对应的实测控制偏差作为偏差值；
所述的均值策略包括
步骤A7-1、通过均衡加权公式计算每一控制子簇对应的验证正常信息的均衡控制值，
，其中，/>
为均衡控制值，/>
为预设的第一均衡权重，/>
为预设的第二均衡权重，/>
为预设的第三均衡权重，有/>
，/>
为该控制项对应的平均数，/>
为该控制项对应的中位数，/>
该控制项对应的众数；
步骤A7-2、以均衡控制值上限为基准筛选对应的控制项，使得数据向优化方向取数；
步骤A7-3、对应每一控制项生成以收敛范围
，其中/>
为预设的筛选范围值，/>
为实际控制值，筛选收敛范围内的该控制子簇的控制项数量多于第一筛选基数的控制项；
步骤A7-4、从筛选结果中确定控制值最小的控制项作为最优控制项。
2.如权利要求1所述的一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：所述修正模块配置有偏差索引表，所述偏差索引表配置有若干偏差修正策略，所述偏差修正策略以所述偏差项为索引，所述偏差修正策略根据对应的偏差值修正所述控制指令中的控制项。
3.如权利要求2所述的一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：所述修正模块配置有修正关联数据库，所述修正关联数据库存储有若干关联信息，每一关联信息包括有主动修正项和被动关联项，且所述关联信息配置有主动修正项和被动关联项的修正关联值，所述主动修正项和被动关联项均与所述的控制项对应，所述修正关联值反映主动修正项每变化一个单位，对对应的被动关联项的影响量；所述修正模块根据关联信息配置对应的偏差修正策略。
4.如权利要求3所述的一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：所述修正模块还配置优化索引策略，所述优化索引策略包括
步骤C1、配置有优化触发条件，当连续生成的正馈标记满足所述优化触发条件时，获取目前的控制指令生成对应的控制信息；
步骤C2、配置有优化偏差公式计算控制信息每一控制项的优化参考值，
，其中/>
为第m个控制项对应的优化参考值，/>
为第j个控制子簇对应的荧光均值波形，/>
为第m个控制项下的实际控制值,/>
为第j个控制子簇对应的偏差权重，其中第j个控制子簇为在优化方向上与控制基准的第m个控制项最接近的控制子簇；
步骤C3、根据优化参考值确定目标控制项，并通过优化计算公式计算优化值，
，其中/>
为目标控制项的优化值，/>
为预设的优化调节参数，/>
为目标控制项的优化参考值，/>
为优化比例参数，有/>
；
步骤C4、以目标控制项和优化值修正控制指令中的控制项。
5.如权利要求1所述的一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：所述样本训练策略还包括为每一控制项建立幅值划分表，每一幅值划分表对应有若干幅值划分范围，若假性异常信息与验证正常信息其中一控制项落入相同的幅值划分范围，则赋予一单位的匹配相关度，同时每一假性异常信息以及每一验证正常信息均配置有匹配乘数，计算并选取匹配相关度与匹配乘数之积最高的一对假性异常信息与验证正常信息以建立匹配关系，同时匹配乘数与对应假性异常信息或验证正常信息完成匹配的数量负相关。
6.如权利要求1所述的一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：所述的控制项包括冷却功率控制项以及冷却时间控制项，所述冷却功率控制项对应冷却区的目标温度，所述冷却时间控制项对应冷却区的停留时间，所述冷却区位于第一恒温区和第二恒温区之间。
7.如权利要求1所述的一种基于自学习的核酸扩增荧光定量温控系统，其特征在于：所述温控模块配置有PID控制算法用于控制反应区域内不同区间的温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211119103.0A CN115197835B (zh) | 2022-09-15 | 2022-09-15 | 一种基于自学习的核酸扩增荧光定量温控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211119103.0A CN115197835B (zh) | 2022-09-15 | 2022-09-15 | 一种基于自学习的核酸扩增荧光定量温控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115197835A CN115197835A (zh) | 2022-10-18 |
| CN115197835B true CN115197835B (zh) | 2023-07-11 |
Family
ID=83571848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211119103.0A Active CN115197835B (zh) | 2022-09-15 | 2022-09-15 | 一种基于自学习的核酸扩增荧光定量温控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115197835B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113528315A (zh) * | 2021-08-03 | 2021-10-22 | 北京林电伟业电子技术有限公司 | 一种模拟基因扩增标准曲线的方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4854334B2 (ja) * | 2006-03-06 | 2012-01-18 | 三洋電機株式会社 | 核酸増幅生成物のリアルタイム検出装置 |
| CN109957494B (zh) * | 2019-03-21 | 2020-05-15 | 宁波胤瑞生物医学仪器有限责任公司 | 一种用于核酸扩增仪的温度控制方法 |
| CN114350760B (zh) * | 2022-01-12 | 2024-04-12 | 浙江正合谷生物科技有限公司 | 一种用于核酸现场变温扩增的pcr扩增仪及扩增方法 |
| CN114415756B (zh) * | 2022-01-17 | 2023-09-05 | 厦门宇电自动化科技有限公司 | 一种基于深度强化学习的核酸检测试剂原料的温度控制方法和系统 |
| CN114550826A (zh) * | 2022-03-23 | 2022-05-27 | 安阳市中心血站 | 一种实时荧光定量pcr的数据分析系统及其方法 |
| CN114622006B (zh) * | 2022-05-16 | 2022-08-26 | 浙江正合谷生物科技有限公司 | 一种基于12v电压驱动的核酸变温扩增系统 |
-
2022
- 2022-09-15 CN CN202211119103.0A patent/CN115197835B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113528315A (zh) * | 2021-08-03 | 2021-10-22 | 北京林电伟业电子技术有限公司 | 一种模拟基因扩增标准曲线的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115197835A (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108647272B (zh) | 一种基于数据分布的小样本扩充对脱丁烷塔底丁烷浓度进行预测的方法 | |
| US10626451B2 (en) | Methods and devices for digital PCR | |
| Blum et al. | A comparative review of dimension reduction methods in approximate Bayesian computation | |
| Andrieu et al. | Robust full Bayesian learning for radial basis networks | |
| JP5709840B2 (ja) | 動的シグナルの相関分析による、パターン認識、機械学習、および自動遺伝子型分類の迅速な方法 | |
| US8483972B2 (en) | System and method for genotype analysis and enhanced monte carlo simulation method to estimate misclassification rate in automated genotyping | |
| CN116340795B (zh) | 一种用于纯氧燃烧加热炉运行数据处理方法 | |
| CN113031553B (zh) | 一种基于自动聚类结合偏最小二乘的间歇过程质量预测方法 | |
| CN115197835B (zh) | 一种基于自学习的核酸扩增荧光定量温控系统 | |
| CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
| CN118094446A (zh) | 基于机器学习的厌氧系统运行情况智能分析方法 | |
| Gu et al. | RPnet: a reverse-projection-based neural network for coarse-graining metastable conformational states for protein dynamics | |
| CN110866643B (zh) | 基于最大二次互信息准则回归的发酵过程质量变量预测方法 | |
| CN113468794A (zh) | 一种小型密闭空间温湿度预测及反向优化方法 | |
| Huang et al. | Integrating multiple fitting regression and Bayes decision for cancer diagnosis with transcriptomic data from tumor-educated blood platelets | |
| Ijaz et al. | Recursive feature elimination with random forest classifier for compensation of small scale drift in gas sensors | |
| Jarvis et al. | Rapid analysis of microbiological systems using SERS | |
| CN114357412A (zh) | 一种暖通空调系统效率自控寻优控制系统 | |
| CN118170190B (zh) | 一种pcr仪的温度控制系统 | |
| Gunay et al. | RT-PCR accuracy improvement for SARS-CoV-2 detection using deep neural networks | |
| SK10121Y1 (sk) | Spôsob skorého odhalenia problémových vzoriek na základe anomálií v charakteristikách sekvenovanej DNA | |
| CN101526405B (zh) | 一种用于pcr仪温度测试的标定方法 | |
| Gao et al. | Gene regulatory network inference using time-stamped cross-sectional single cell expression data | |
| Minadakis et al. | A systems bioinformatics approach to interconnect biological pathways | |
| Tang et al. | Identification of Cultivated and Wild Mushrooms Using Laser-Induced Breakdown Spectroscopy Technology Combined with Machine Learning Algorithms |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |