WO2016103501A1 - 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞 - Google Patents

解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞 Download PDF

Info

Publication number
WO2016103501A1
WO2016103501A1 PCT/JP2014/084664 JP2014084664W WO2016103501A1 WO 2016103501 A1 WO2016103501 A1 WO 2016103501A1 JP 2014084664 W JP2014084664 W JP 2014084664W WO 2016103501 A1 WO2016103501 A1 WO 2016103501A1
Authority
WO
WIPO (PCT)
Prior art keywords
cell
correlation
feature
calculated
image
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.)
Ceased
Application number
PCT/JP2014/084664
Other languages
English (en)
French (fr)
Inventor
昌之 村田
ふみ 加納
誉之 野口
信彦 米谷
智沙子 岩本
聖子 山▲崎▼
真史 山下
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.)
Nikon Corp
University of Tokyo NUC
Original Assignee
Nikon Corp
University of Tokyo NUC
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 Nikon Corp, University of Tokyo NUC filed Critical Nikon Corp
Priority to PCT/JP2014/084664 priority Critical patent/WO2016103501A1/ja
Priority to EP14909103.5A priority patent/EP3239287A4/en
Priority to JP2016565839A priority patent/JP6670757B2/ja
Publication of WO2016103501A1 publication Critical patent/WO2016103501A1/ja
Priority to US15/630,543 priority patent/US10746647B2/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G01N21/6458—Fluorescence microscopy
    • 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
    • G01N15/1433—Signal processing using image recognition
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M1/00—Apparatus for enzymology or microbiology
    • C12M1/34—Measuring or testing with condition measuring or sensing means, e.g. colony counters
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
    • C12M41/38—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of metabolites or enzymes in the cells
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/48—Automatic or computerized control
    • 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
    • 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
    • G01N2015/1497—Particle shape
    • 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
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6452—Individual samples arranged in a regular 2D-array, e.g. multiwell plates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Definitions

  • the present invention relates to an analysis apparatus, an analysis method, an analysis program, a cell manufacturing method, and a cell.
  • a technique using image processing is known as various analysis techniques for cells, tissue pieces, and the like (see, for example, Patent Document 1).
  • Such a conventional technique is, for example, a technique for performing image processing on an image of a cell acquired from a living body or the like and analyzing it, acquiring cell image data every predetermined time, and acquiring the acquired image data and
  • This is a technique for calculating correlations and differences between feature amounts of cell morphology by comparing image data related to cell morphology acquired at different timings. Thereby, the activity of the acquired cell can be judged, and it can be used for elucidation of biological phenomena such as canceration and pathogenesis of the cell.
  • the present invention has been made in view of such circumstances, and is an analysis that can analyze the relevance between elements constituting a mechanism that controls a biological phenomenon related to a cell while appropriately analyzing an image.
  • An object is to provide an apparatus, an analysis method, an analysis program, a cell manufacturing method, and a cell.
  • an acquisition unit that acquires an image of a cell, and an identification that identifies an identifiable element based on the cell image acquired by the acquisition unit And a feature amount of each element identified by the identification unit, a correlation between the feature amounts is calculated based on the calculated feature amount of the element, and a correlation between the calculated feature amounts is calculated. And a calculation unit that calculates a correlation between the elements based on the analysis device.
  • another aspect of the present invention obtains an image of a cell, identifies identifiable elements based on the obtained cell image, and identifies each identified element.
  • An analysis apparatus that calculates feature quantities of elements, calculates correlations between the feature quantities based on the calculated feature quantities of the elements, and calculates correlations between the elements based on the calculated correlations between the feature quantities Analyzing the acquired cell image, and acquiring a new image of the cell and analyzing the analysis device until a model indicating a correlation between elements calculated by the analysis device has a predetermined relationship. It is an analysis method characterized by repeating.
  • another aspect of the present invention obtains an image of a cell, identifies identifiable elements based on the acquired cell image, and identifies each identified element.
  • An analysis apparatus that calculates feature quantities of elements, calculates correlations between the feature quantities based on the calculated feature quantities of the elements, and calculates correlations between the elements based on the calculated correlations between the feature quantities Until the model indicating the correlation between the elements calculated by the analysis device and the processing for analyzing the acquired cell image has a predetermined relationship, a new image of the cell is acquired and analyzed by the analysis device. And an analysis program for executing the process of repeating the process.
  • another aspect of the present invention obtains an image of a cell, identifies identifiable elements based on the acquired cell image, and identifies each identified element.
  • An analysis apparatus that calculates feature quantities of elements, calculates correlations between the feature quantities based on the calculated feature quantities of the elements, and calculates correlations between the elements based on the calculated correlations between the feature quantities Analyzing the acquired cell image until the model showing the correlation between the elements calculated by the analyzing device and the model calculated by the analyzing device has a predetermined relationship and acquiring the new cell image And a step of repeating the step of producing a cell.
  • another aspect of the present invention is a cell manufactured using the above-described cell manufacturing method.
  • FIG. 2 is a schematic diagram illustrating an example of a functional configuration of the analysis apparatus 100.
  • FIG. It is sectional drawing which showed an example of the inside of a cell cell. It is a figure which shows an example of the image at the time of imaging the whole culture container to which the fluorescent dyeing reagent was given at low magnification (wide range). It is a figure which shows an example of the cell area
  • FIG. It is the figure which showed the process which calculates the peak number and average luminance value of a luminance value based on the luminance value in the scanned range.
  • FIG. It is a schematic diagram which shows an example of the detection result of the region of interest R. It is a figure which shows an example of the transmission DIC image 30 and the color development image 32.
  • FIG. It is a figure which shows an example of the detection process of the cell area
  • FIG. 4 is a flowchart showing a flow of processing executed by the analysis apparatus 100. It is a figure showing an example showing how a signal of a stimulus transmitted between cells spreads. It is a figure which shows an example of the process performed based on the optimal imaging condition OC. It is a figure which shows an example of the process which acquires the image previously matched with the other information. It is a figure which shows an example of the process which selects the next imaging position based on the acquired imaging information.
  • the signal cascade is the first stimulus given to a cell, or the state change of the cell itself is signaled and transmitted in a chain between elements that constitute the cell, and the elements involved in the transmission increase one after another. It is an example of the mechanism showing the transmission path of the signal which carries out reduction and feedback control.
  • FIG. 1 is a diagram schematically illustrating an example of a configuration of an observation apparatus 1 including an analysis apparatus 100 according to an embodiment of the present invention.
  • the observation apparatus 1 is an apparatus that analyzes an image acquired by imaging a cell or the like, for example.
  • the analysis apparatus 100 connected to the microscope 200 via the internal bus IB communicates with the external storage device 300 or the like via the network NW.
  • the network NW is a communication line such as the Internet or a telephone line.
  • the microscope 200 is, for example, a biological microscope including an electric stage 210 that can arbitrarily operate the position of an imaging target (for example, a culture vessel) in a two-dimensional plane in the horizontal direction.
  • the microscope 200 has functions such as, for example, a differential interference microscope (DIC), a phase contrast microscope, a fluorescence microscope, a confocal microscope, and a super-resolution microscope.
  • the microscope 200 images a culture vessel (for example, a well plate WP) placed on the electric stage 210.
  • the microscope 200 irradiates cells cultured in a number of wells (holes) included in the well plate WP, and thereby captures transmitted light transmitted through the cells as an image of the cells.
  • the fluorescence emitted from the biological material is captured as an image of the cell by irradiating the cell with excitation light that excites the fluorescent material.
  • the microscope 200 captures the fluorescence emitted from the coloring material itself taken into the biological material or the fluorescence emitted when the substance having the chromophore is bound to the biological material as the above-described cell image. May be.
  • the observation apparatus 1 can acquire a fluorescence image, a confocal image, and a super-resolution image.
  • the cells in this embodiment are, for example, primary culture cells, subculture cells, tissue sections, and the like.
  • the state of the cell is not particularly limited, and may be alive or fixed, and may be “in-vivo” or “in-vitro”.
  • FIG. 2 is a diagram showing an example of cells cultured on the well plate WP and elements thereof.
  • the well plate WP is a plate having 96 ⁇ 12 wells U for culturing cells, for example.
  • the cells cultured in the well U are cultured under specific conditions.
  • the specific conditions include the elapsed time since the stimulus is applied, the type and intensity of the applied stimulus, the presence or absence of the stimulus, induction of biological characteristics, and the like.
  • the stimulus is, for example, a physical stimulus such as electricity, sound wave, magnetism, or light, or a chemical stimulus caused by administration of a substance or a drug.
  • Biological characteristics are characteristics indicating the stage of cell differentiation, morphology, number of cells, and the like.
  • the cells are cultured, for example, in 12 stages according to the type of specific conditions on the longitudinal direction (X direction) of the well plate WP. Further, the cells classified into 12 stages are classified for each analysis object on the short direction (Y direction) of the well plate WP.
  • Analysis targets include, for example, cells, intracellular nuclei, intracellular organelles such as nuclear structures, mitochondria, and endoplasmic reticulum, cell body matrix, cell surface sugar chains, and intracellular proteins. It is an element that constitutes a mechanism that controls biological phenomena, including peptides, mRNA (nucleic acid), metabolites, reactive oxygen species, and biological substances such as various ions.
  • the elements to be analyzed are, for example, a to c for the first row (A row), d to f for the second row (B row), and the following are omitted.
  • the 8th line (H line) is classified into 3 types from 1 to m.
  • the well plate WP is not limited to a plate having 96 wells U, and may be a plate having an arbitrary number of wells U. Depending on this, the cells may also be classified in any number of stages.
  • the culture container is not limited to the well plate WP, and may be any plate as long as an image can be acquired by the microscope 200, for example, a petri dish or a slide glass.
  • the analysis target may be an image that is indirectly imaged by being stained or labeled with a fluorescent substance or the like.
  • the elements constituting the mechanism governing the life phenomenon are not limited to those constituting the cell's original mechanism, but are elements artificially added to the cell's original mechanism such as inhibitors, agonists, and viruses. May be.
  • FIG. 3 is a schematic diagram illustrating an example of a functional configuration of the analysis apparatus 100.
  • the analysis device 100 is a computer device that analyzes an image acquired by the microscope 200. Note that the image analyzed by the analysis device 100 is not limited to the image captured by the microscope 200, for example, an image stored in advance in the storage unit 130 included in the analysis device 100 or stored in advance in the external storage device 300. It may be an image.
  • the analysis device 100 includes a processor such as a CPU (Central Processing Unit), ROM (Read Only Memory), RAM (Random Access Memory), HDD (Hard Disk Drive), EEPROM (Electrically Erasable Programmable Read-Only Memory), flash memory, and the like.
  • Storage unit 130 a communication interface for communicating with other devices, and the like.
  • the analysis apparatus 100 includes a control unit 110 and a storage unit 130.
  • the control unit 110 includes a microscope control unit 112, a density calculation unit 114, a region of interest detection unit 116, a cell region separation unit 118, a luminance value correction unit 120, a feature amount extraction unit 122, and a mechanism analysis unit 124. Is provided.
  • the control unit 110 is, for example, a software function unit that functions when the processor executes a program stored in the storage unit 130. Also, some or all of the functional units of the control unit 110 may be hardware functional units such as LSI (Large Scale Integration) and ASIC (Application Specific Integrated Circuit).
  • the storage unit 130 is controlled to store parameters of experimental conditions used for pre-observation and main observation, information obtained by the processing of the control unit 110, cell information, and the like.
  • the storage unit 130 may be an external storage device (for example, a NAS (Network Attached Storage) device) instead of the storage device 130 built in the analysis device 100.
  • NAS Network Attached Storage
  • Pre-observation is a process that is automatically performed to derive a region to be observed.
  • the microscope control unit 112 controls the microscope 200 so that the entire culture vessel is imaged at a low magnification (wide range). Thereby, at the time of imaging, it is possible to acquire an image indicating a region in which cells are suitable for an analysis target while suppressing phototoxicity and fluorescence fading caused by light hitting the cells.
  • the microscope control unit 112 may control the microscope 200 so that the entire culture container is imaged with tiling at a low to medium magnification. Tiling imaging is to divide the entire culture vessel into two, three, four, etc. images. As a result, it is possible to obtain an image showing the cell existence region that can observe the state of the cell to some extent and is suitable for the analysis target in the culture vessel. At this time, phototoxicity and fluorescence fading can be suppressed by performing high-speed imaging with a low-resolution, minimum necessary fluorescence channel.
  • FIG. 4 is a cross-sectional view showing an example of the inside of a cell cell.
  • the microscope control unit 112 sets the focus position at which the contrast and integrated value of the luminance values of the entire image captured by the microscope 200 are maximized as the best focus position P1.
  • the microscope control unit 112 controls the microscope 200 so that the cell cell is continuously imaged while changing the focal position up and down starting from the best focus position P1.
  • the analysis apparatus 100 can acquire a three-dimensional image of the cell cell.
  • the microscope control unit 112 controls the microscope 200 so as to detect the optimum focus position according to the analysis target with reference to the best focus position P1. For example, when analyzing the protein aggregate 12, the microscope control unit 112 sets, for example, the focal position where the dispersion value of the luminance value of the entire image captured by the microscope 200 is the maximum as the focal position P ⁇ b> 2 of the protein aggregate 12. Set. The microscope control unit 112 calculates a relative value from the best focus position P1 to the focal position P2 of the protein aggregate 12.
  • the microscope control unit 112 sets, for example, the focal position where the integrated value of the luminance values of the entire image captured by the microscope 200 is the maximum as the focal position P3. To do. That is, the microscope control unit 112 sets a position where the area of the cell cell in the XY plane is maximized as the focal position P3. The microscope control unit 112 calculates a relative value from the best focus position P1 to the focus position P3.
  • the microscope control unit 112 stores the calculated relative values and the analysis target in the storage unit 130 in association with each other. Accordingly, when performing a plurality of analyzes on the same cell cell at the same time, an optimal focal position can be set by acquiring the relative value associated with each analysis target from the storage unit 130. As a result, analysis processing can be performed in a shorter time.
  • FIG. 5 is a diagram showing an example of an image when the entire culture container to which the fluorescent staining reagent is given is imaged at a low magnification (wide range).
  • the density calculation unit 114 calculates the cell density and the cell adhesion degree of the cell cell existing in the region F indicating the entire image of the culture container.
  • the density calculation unit 114 detects an existing region of cells in the culture vessel from the image acquired by the microscope 200, and extracts an arbitrary region (for example, regions A to C) from the detected region. .
  • the density calculation unit 114 generates a cell region mask from the cell region 20 indicating the cell cell region existing in the extracted arbitrary region.
  • the density calculation unit 114 generates a background area mask from the background area 22 indicating the area obtained by subtracting the area 20 from the area A.
  • the density calculation unit 114 generates a cell region mask in which the cell region 20 that is fluorescent at a predetermined luminance value or more is set to “1” and the other regions are set to “0”.
  • a mask excluding is generated as a background area mask.
  • the predetermined luminance value is a luminance value that can determine whether the cell emits fluorescence or is a fluorescently labeled cell, and is obtained in advance by an experiment or the like.
  • the density calculation unit 114 calculates the number of cell cells existing in an arbitrary region based on the reference cell size stored in advance in the storage unit 130 and the calculated total area S of the cell region mask. For example, the density calculation unit 114 calculates the number of cell cells by dividing the total area S of the cell region mask by the reference cell size.
  • the reference cell size is a value indicating a size per cell that is statistically calculated in advance according to the cells cultured in the culture container.
  • the analysis device 100 uses a value input from an input device (not shown) (for example, a mouse, a keyboard, a touch panel, etc.) connected via the communication interface as the reference cell size. It may be accepted.
  • the analysis apparatus 100 may overwrite and store the value input from the input device in the storage unit 130 as the reference cell size regardless of whether or not the reference cell size is stored.
  • the density calculation unit 114 calculates the variation in the distribution of the cell cells in an arbitrary region based on the calculated cell region mask and the background region mask. For example, when the pixel having the value “1” indicating that the luminance value is equal to or higher than a predetermined luminance value is configured with pixels having a predetermined cell size or higher, the density calculation unit 114 sets the variation of the cell cell distribution as a small value. calculate. That is, when the cells are adjacent to each other or overlap each other, the density calculation unit 114 calculates a value indicating that there is little cell variation in an arbitrary region.
  • the histograms shown in the cell cell graphs G1 to G3 in FIG. 5 indicate the distribution tendency of the cell cells calculated by the density calculation unit 114.
  • the horizontal axis represents the total area Sg [ ⁇ m 2 ] of a group of cell region masks
  • the vertical axis represents the total value of the number N of cells included in the cell region mask corresponding to the total area Sg. It is. That is, the density calculation unit 114 calculates a correspondence relationship between the total area Sg of a group of cell region masks and the total value of the number N of cell cells included in the cell region mask corresponding to the total area S.
  • the correspondence relationship thus calculated is preferably displayed by a display unit (not shown).
  • the graph G1 since the total area S of the cell region mask and the number N of cell cells are both small values, it can be evaluated that the cell density and the cell adhesion degree are small. Further, in the graph G2, since the total area S of the cell region mask is small and the number N of cells is a large value, it can be evaluated that the cell density is large and the cell adhesion degree is small. Further, in the graph G3, since the total area S of the cell region mask and the number N of cell cells are large values, it can be evaluated that the cell density and the cell adhesion degree are large.
  • the density calculation unit 114 calculates a cell adhesion degree indicating a degree of adhesion between the cell cell and the cell cell. For example, the density calculation unit 114 calculates the cell adhesion degree by dividing the largest one of the total area Sg of the cell area masks in a group by the total area S of the cell area masks of the entire area. Thus, in the case of the region B and the region C in which the number N (cell density) of the cell cells as shown in FIG. 5 is the same value, the state of cells existing in an arbitrary region is quantified by calculating the cell adhesion degree. Can be judged.
  • a cell to be analyzed by the analyzer 100 can be selected from a plurality of cells cultured in the culture container (hereinafter referred to as a cell group). Moreover, by calculating the cell density and the cell adhesion degree, it can be useful for elucidating diseases such as cancer metastasis and leukocyte adhesion failure.
  • the density calculation unit 114 has been described as performing processing related to an image captured by the microscope 200, but the image is stored in advance in the storage unit 130, stored in the external storage device 300, or the like. Such processing may be performed on the existing image.
  • the density calculation unit 114 may generate a cell region mask based on an image captured at a low resolution.
  • FIG. 6 is a diagram illustrating an example of a cell region mask generated based on a low-resolution image.
  • the density calculation unit 114 is an image (for example, an image composed of a predetermined number of pixels that is equal to or higher than a predetermined luminance value (for example, a luminance value indicating black) in a captured low-resolution image. A square image composed of 4 ⁇ 8 pixels) is detected. That is, in FIG. 6, the density calculation unit 114 generates a cell area mask in which an area indicated by black is “0” and an area indicated by another color is “1”. Thereby, the density calculation unit 114 can calculate the cell density and the cell adhesion degree.
  • a predetermined luminance value for example, a luminance value indicating black
  • the density calculation unit 114 may scan the luminance value linearly for an arbitrary region, and calculate the peak number of luminance values and the average luminance value based on the luminance values within the scanned range.
  • FIG. 7 is a diagram illustrating a process of calculating the peak number of luminance values and the average luminance value based on the luminance values within the scanned range. As shown in FIG. 7, the density calculation unit 114 scans the luminance value along the direction indicated by the arrow 24 in an arbitrary region. Note that the density calculation unit 114 may further perform scanning in a direction orthogonal to the arrow 24, not limited to only one direction.
  • the density calculation unit 114 calculates the number of times the luminance value obtained by scanning exceeds a predetermined luminance value TH as the number of amplitude peaks.
  • Luminance values obtained by scanning by the density calculation unit 114 can be represented by curves (LN1 to LN3) as shown in graphs G4 to G6.
  • the horizontal axis of the graphs G4 to G6 is a linear range to be scanned (unit: [ ⁇ m]), and the vertical axis is the luminance value of the pixel.
  • the curve LN1 indicating the luminance value obtained by scanning has a single amplitude peak.
  • the curve LN2 indicating the brightness value obtained by scanning has three amplitude peaks.
  • the curve LN3 indicating the luminance value obtained by scanning is a curve having a single amplitude peak. Become. That is, unless the fluorescent cells are adjacent or overlap, the number of fluorescent cells present in the scanned range tends to be the same as the peak number of luminance values shown in the graph.
  • the density calculation unit 114 calculates an average luminance value from the luminance value obtained within the scanned range.
  • the average luminance value is calculated by dividing the luminance value obtained by scanning by the number of pixels existing in the scanned range.
  • the density calculation unit 114 can calculate an average luminance value 10 (arbitrary unit [arb.unit]) from the graph G4, and can calculate an average luminance value 45 from the graph G5.
  • the average luminance value 80 can be calculated.
  • the density calculation unit 114 does not generate a cell region mask by calculating the number of amplitude peaks and the average luminance value, and can be simplified.
  • the degree of cell adhesion can be calculated by the treatment.
  • the region to be observed can be derived based on the cell density and the cell adhesion degree calculated by the processing of the density calculation unit 114.
  • the region-of-interest detection unit 116 detects a region of interest R (Region Of Interest; ROI) based on the cell density and cell adhesion degree calculated by the density calculation unit 114.
  • the region of interest R is a region that is detected as a target region to be subjected to the main observation from the region F that shows the entire image of the culture vessel.
  • the region of interest R corresponds to a “location of interest”.
  • FIG. 8 is a schematic diagram showing an example of the detection result of the region of interest R.
  • the region-of-interest detection unit 116 detects, as the region of interest R1, a region in which the cell density and the degree of cell adhesion exceed the threshold values (for example, about 80%, respectively) set for each in the region F1. .
  • This threshold value is obtained in advance by simulation or experiment.
  • the region of interest detection unit 116 may detect a region formed by the user as the region of interest R.
  • the region of interest R is formed, for example, when a user uses an input device (not shown) (for example, a mouse, a keyboard, a touch panel, etc.) connected via a communication interface and performs an input designating a specific region.
  • the region-of-interest detection unit 116 detects, as the region of interest R, a region surrounded by a line having a predetermined line width input by the user. Thereby, an arbitrary region of the user can be detected as the region of interest R.
  • the observation device 1 determines various parameters at the time of imaging based on the result of the pre-observation, and images the region of interest R with high resolution using these parameters. That is, the microscope control unit 112 controls the microscope 200 so that the region of interest R is imaged at a high magnification. At this time, when the condition of the target object of the main observation matches or resembles past data stored in the storage unit 130 or the like, the observation device 1 performs imaging applied when the data is acquired. These parameters may be applied as imaging parameters for the main observation. Further, the observation apparatus 1 may improve accuracy by automatically measuring an SN ratio (Signal-Noise ratio) of an image. Below, the process of the analyzer 100 at the time of this observation is demonstrated.
  • SN ratio Synchrone ratio
  • the cell region separation unit 118 detects a cell region from the image captured by the microscope 200 and separates the cell.
  • the cell region separation unit 118 detects a cell region for each cell from, for example, a transmission DIC image, a phase difference image, a dark field image, a bright field image, and a color image acquired from the same cell group.
  • a color image is an image showing that one or more of the whole cell, cytoplasm, cell membrane, nucleus, intracellular organelle group, and biological material have been colored by a fluorescent staining reagent or antibody.
  • FIG. 9 is a diagram illustrating an example of the transmission DIC image 30 and the color development image 32.
  • the cell region separation unit 118 superimposes the transmission DIC image 30 and the color image 32 captured by the microscope 200, for example.
  • the cell region separation unit 118 detects the cell membrane and the colored nucleus from the superimposed transmission DIC image 30 and color image 32.
  • the cell region separation unit 118 displays the cells on the image so that the detected colored nuclei are present one by one inside the cell membrane. Separate with. Specifically, the cells are separated so that the distance between the nucleus and the nucleus is equal.
  • the cell region separation unit 118 detects the cell region by calculating the internal area of the separated cells.
  • the cell region separation unit 118 calculates the average value of the areas of all the detected cell regions and stores it in the storage unit 130.
  • the cell region separation unit 118 may detect a cell region based on a single image such as a transmission DIC image, a phase difference image, a bright field image, or a dark field image as an image captured by the microscope 200. Good.
  • the cell region separation unit 118 sharpens the transmission DIC image 30 so that the cell membrane and the nucleus can be detected. Sharpening is a process of converting to a sharp image using a differential filter or the like.
  • the cell region separation unit 118 detects cell membranes and nuclei from the sharpened image. Accordingly, the cell region separation unit 118 can separate cells, and can detect a cell region by calculating the area inside the separated cell membrane.
  • the cells are not colored by a fluorescent staining reagent, enzyme, or the like, the adverse effects on the cells can be reduced.
  • the cell region separation unit 118 may perform appropriate processing, and connect the interrupted cell membrane to separate the cells.
  • the cell region separation unit 118 may separate cells by performing machine learning based on information stored in the storage unit 130, the external storage device 300, or the like. As a result, the cells can be separated more accurately.
  • the cell region separation unit 118 may detect the cell region based on the color image.
  • FIG. 10 is a diagram illustrating an example of a cell region detection process performed on a color image.
  • the cell region separation unit 118 generates a cell region mask 44 based on the color image 40 or the color image 42 captured at a predetermined focal position.
  • the predetermined focus position is, for example, a best focus position or a position shifted from the best focus position by a predetermined correction amount in the positive direction (or negative direction) of the Z axis.
  • the predetermined correction amount is calculated in advance according to the state of a cell that is one of analysis objects (elements), and is stored in the storage unit 130, the external storage device 300, or the like.
  • the cell region can be detected from the cell group cultured in the culture vessel by the separation process of these cells. Moreover, even when the adhesion degree and density of a cell group are large, a cell area
  • the analysis apparatus 100 may perform the following processing in advance before extracting the feature amount for each cell separated on the image.
  • FIG. 11 is a diagram illustrating an example of processing for correcting a luminance value.
  • the luminance value correction unit 120 corrects the luminance value of the background region in the region F indicating the entire image of the culture vessel. For example, the brightness value correction unit 120 generates the cell region mask 50 from the cell region indicating the cell cell region separated by the cell region separation unit 118 in the region F indicating the entire image of the culture vessel. Further, the luminance value correction unit 120 generates the background area mask 52 from the background area indicating the area obtained by subtracting the cell area from the area F. The luminance value correction unit 120 calculates the average luminance value of the entire generated background area mask 52. The luminance value correction unit 120 corrects the luminance value of the background region by subtracting the calculated average luminance value from the luminance value of each pixel constituting the generated cell region mask 50.
  • the luminance value correction unit 120 may correct the luminance value of the background area by the following process. For each cell cell separated by the cell region separation unit 118, the luminance value correction unit 120 calculates the average luminance value of the background region mask 54 in the vicinity of the cell cell. The vicinity means that, for example, within 5 pixels from the outermost pixel among the pixels indicating the cell cell. That is, the luminance value correction unit 120 calculates an average luminance value for a part of the background area mask 54 that surrounds the outline of the cell cell. The luminance value correction unit 120 corrects the luminance value of the background region by subtracting the calculated average luminance value from the luminance value of each pixel constituting the generated cell region mask 50.
  • the cell region separation unit 118 detects a predetermined color development pattern from the developed analysis target image, and selects an optimal cell region detection method associated with the predetermined color development pattern in advance for the analysis target image. To do.
  • the cell region separation unit 118 detects a predetermined color development pattern based on, for example, the dispersion value of the luminance of the image.
  • FIG. 12 is a diagram illustrating an example of a colored cell image.
  • the cell region separation unit 118 detects the image 60 of the cell nucleus detection pattern as a predetermined color development pattern
  • the cell region separation unit 118 selects a predetermined region corresponding to the cell nucleus dark color pattern from the cell region detection methods stored in the storage unit 130 in advance. Get the way.
  • the cell nucleus detection pattern is a color development pattern in which nuclei can be detected by a difference in luminance value between an image region indicating the cell nucleus and an image region around the nucleus.
  • the cell region separation unit 118 separates the cell membrane on the image based on a predetermined method acquired from the storage unit 130, and calculates individual cell regions (for example, the image 62).
  • the cell region separation unit 118 detects the image 64 of the cell nucleus non-detection pattern as a predetermined color development pattern
  • the cell region separation unit 118 selects a cell nucleus non-detection pattern from the cell region detection methods stored in the storage unit 130 in advance. A corresponding predetermined method is acquired.
  • the cell nucleus non-detection pattern is a color development pattern in which the nucleus cannot be detected because the luminance values of the image region indicating the cell nucleus and the image region around the nucleus are substantially the same.
  • the cell region separation unit 118 separates cells on the image based on a predetermined method acquired from the storage unit 130, and calculates individual cell regions (for example, the image 66).
  • the optimal cell region detection method previously associated with the predetermined color development pattern is configured to be stored in the storage unit 130, it is not limited thereto. For example, it may be stored in the external storage device 300 or another storage device.
  • the feature amount extraction unit 122 is a feature amount of a substance that travels between the cell nucleus and the cytoplasm with respect to the cells separated by the cell region separation unit 118 inside the region of interest detected by the region of interest detection unit 116. To extract. These substances are fluorescently stained in advance with an antibody, a fluorescent protein, or the like.
  • the feature quantity extraction unit 122 extracts, for example, a feature quantity of a protein that is a substance that travels between the cell nucleus and the cytoplasm. For example, when the protein localized in the nucleus moves to the cytoplasm that covers the outside of the nucleus, the feature amount extraction unit 122 extracts the following values as feature amounts from the images before and after the movement of the protein. Further, the feature quantity extraction unit 122 extracts feature quantities from the images before and after the movement of the protein even when the protein localized in the cytoplasm moves into the nucleus. Note that the feature amounts shown below are examples, and other feature amounts may be extracted.
  • -Total brightness value of nucleus / total brightness value of cytoplasm -Total brightness value of nucleus / total brightness value of cells.
  • -Average brightness value of nucleus / average brightness value of cytoplasm -Average brightness value of nucleus / average brightness value of cell.
  • ⁇ Dispersion of luminance values in cells ⁇ Dispersion of luminance values in the nucleus.
  • ⁇ Dispersion of luminance values in the cytoplasm -Average brightness value in the cell. ⁇ Average brightness value in the cytoplasm.
  • Median nucleus brightness / median cell brightness. Median nucleus brightness / median cell brightness.
  • -Median luminance value in the cell -Median luminance value in the nucleus. • Median cytoplasmic brightness value.
  • the feature amount extraction unit 122 may extract a feature amount of a substance that travels between the cell nuclear membrane and the cell nucleus, or a feature amount of a substance that travels between the cell nuclear membrane and the cytoplasm. Good.
  • the feature amount extraction unit 122 extracts a feature amount of a protein such as Nup98 as a substance that travels between the cell structures. For example, when the protein localized in the cell nuclear membrane (cell nucleus) moves to the cell nucleus (cell nuclear membrane), or the feature amount extraction unit 122 is localized in the cell nuclear membrane (cytoplasm).
  • the existing protein moves to the cytoplasm (cell nuclear membrane)
  • the following values are extracted as feature amounts from the images before and after the protein movement. Note that the feature amounts shown below are examples, and other feature amounts may be extracted.
  • -Total brightness value of nuclear membrane / total brightness value of nucleus. Average brightness value of nuclear membrane / Average brightness value of nucleus. ⁇ Dispersion of luminance values in the nucleus. -Number of bright spots in the cytoplasm. -Average luminance value of bright spots in the cell. ⁇ Total brightness value of bright spots in cells (total value for each cell) ⁇ The area of each bright spot. -Average area of bright spots per cell. • Median value of nuclear membrane brightness / median value of nuclear brightness value. ⁇ Total brightness value of nuclear membrane / total brightness value of cytoplasm. -Average brightness value of nuclear membrane / average brightness value of cytoplasm.
  • -Median value of nuclear membrane brightness value / median value of cytoplasmic brightness value -Total brightness value of nuclear membrane / total brightness value of cells. -Average brightness value of nuclear membrane / average brightness value of cells. -Median value of nuclear membrane brightness / median cell luminance value. ⁇ Total brightness value of the nuclear membrane. -Average brightness value of the nuclear membrane. ⁇ Nuclear film brightness dispersion. -Median nuclear membrane. ⁇ Dispersion of luminance values in the cytoplasm. -Average brightness value in the cell. ⁇ Average brightness value in the cytoplasm. Median nucleus brightness / median cytoplasm brightness. Median nucleus brightness / median cell brightness. -Median luminance value in the cell. -Median luminance value in the nucleus. • Median cytoplasmic brightness value.
  • the feature amount extraction unit 122 extracts a feature amount of a substance from images before and after aggregation when the substance uniformly distributed in a predetermined region of the cell is formed to aggregate (spot).
  • the feature quantity extraction unit 122 extracts feature quantities from proteins such as GSK3 ⁇ and p-GSK3 ⁇ , for example, as a substance that is uniformly distributed in a predetermined region of the cell.
  • the feature amount extraction unit 122 extracts the following values as feature amounts from images before and after protein aggregation. Note that the feature amounts shown below are examples, and other feature amounts may be extracted.
  • -Total brightness value of nucleus / total brightness value of cells -Total brightness value of nucleus / total brightness value of cytoplasm.
  • -Average brightness value of nucleus / average brightness value of cell -Average brightness value of nucleus / average brightness value of cytoplasm.
  • ⁇ Dispersion of luminance values in cells. ⁇ The number of spots. -Number of spots inside the nucleus / number of spots outside the nucleus.
  • the feature amount extraction unit 122 when a substance uniformly distributed in a predetermined region of a cell is partially aggregated to form a specific aggregate (domain), features of the substance forming the specific aggregate (domain) Extract the amount.
  • the feature amount extraction unit 122 extracts, for example, feature amounts of proteins that are substances forming a specific aggregate (domain). Examples of the protein include actin (Actin), SNX-9, p-Akt (S473), WASH1, and EEA1.
  • the feature amount extraction unit 122 extracts, for example, the following values as feature amounts from images before and after the protein forms a specific aggregate (domain). Note that the feature amounts shown below are examples, and other feature amounts may be extracted.
  • ⁇ Dispersion of luminance value of cytoplasm -Domain area. -Number of domains in cells (total value and average value for each cell). -Total luminance value of the domain / total luminance value of the cytoplasm. -Average luminance value of domain / average luminance value of cells.
  • the feature amount extraction unit 122 collects at the same location as the specific aggregate (domain). Extract feature values for other substances. Further, the feature quantity extraction unit 122 analyzes whether or not a plurality of substances exist at the same location by extracting feature quantities of the substances when a specific aggregate is not formed. The feature quantity extraction unit 122 extracts, for example, the feature quantity of a protein that is a substance that aggregates at the same location as a specific aggregate (domain).
  • the feature amount extraction unit 122 calculates a feature amount from the luminance value of the protein distributed in a certain range around the domain. Extract.
  • the feature amount extraction unit 122 extracts the following values as feature amounts of the luminance value of the protein. Note that the feature amounts shown below are examples, and other feature amounts may be extracted.
  • ⁇ Dispersion of the luminance value of the protein in a certain range around the actin domain The total luminance value of the protein on the actin domain / the total luminance value of the protein in the whole cell.
  • the feature amount extraction unit 122 extracts the following values as feature amounts based on the formed domain. Note that the feature amounts shown below are examples, and other feature amounts may be extracted.
  • Cells may change their shape as they move and act.
  • actin which is a kind of protein present in cells
  • microfibers such as microtubules exhibit a specific direction as cells change.
  • microfibers can be fluorescently stained with antibodies, fluorescent proteins, and the like.
  • the feature quantity extraction unit 122 extracts the feature quantity of the microfibers existing in the cell from the images before and after the microfibers exhibit directionality.
  • FIG. 13 is a diagram illustrating an example of intracellular microfibers.
  • the feature amount extraction unit 122 extracts a vector and an angle ⁇ as a feature amount from minute fibers having directionality in a cell.
  • the feature amount extraction unit 122 calculates the number of directional microfibers and the direction ⁇ of the directional microfibers.
  • the graph G7 is a histogram composed of the number of directional microfibers and the angle ⁇ of the directional microfibers.
  • the feature amount extraction unit 122 calculates the number of cells having microfibers inside and the statistical value of the angle ⁇ of the microfiber for each cell.
  • the graph G8 is a histogram including the number of cells having microfibers therein and the statistical value of the microfiber angle ⁇ for each cell.
  • the feature amount extraction unit 122 calculates the number of directional microfibers and the length of the directional microfibers.
  • the graph G9 is a histogram composed of the number of directional microfibers and the length of the directional microfibers.
  • the feature amount extraction unit 122 calculates the number of cells having microfibers inside and a statistical value of the length of microfibers for each cell.
  • the graph G9 is a histogram including the number of cells having microfibers inside and the statistical value of the length of microfibers for each cell. In addition, all the histograms mentioned above are produced
  • Protein complexes such as chromatin that are uniformly distributed inside the cell nucleus aggregate into small clumps when the cell dies. These proteins can be fluorescently stained with antibodies, fluorescent proteins, and fluorescent dyes (for example, DAPI and Hoechst).
  • the feature amount extraction unit 122 extracts the aggregation degree of the protein complex as a feature amount from the images before and after the aggregation of the protein complex.
  • FIG. 14 is a diagram showing an example of a protein complex.
  • the feature amount extraction unit 122 extracts, for example, the variance of the luminance value of the entire region of the nucleus 70 detected by the cell region separation unit 118 as a feature amount indicating the aggregation degree of the protein complex. Thereby, the aggregation of the protein complex can be quantitatively analyzed. As a result, it can be useful for elucidating the phenomenon of cell death.
  • the feature amount extraction unit 122 linearly scans the nucleus 70 detected by the cell region separation unit 118, and based on the luminance value within the scanned range, the feature value extraction unit 122 An average luminance value may be calculated.
  • FIG. 15 is a diagram illustrating an example of a process of scanning the luminance value linearly with respect to the images before and after aggregation of the protein complex. As shown in FIG. 15, the feature amount extraction unit 122 scans the nucleus 70 for luminance values along the direction indicated by the arrow 72. Note that the feature amount extraction unit 122 may perform scanning not only in one direction but also in a direction orthogonal to the arrow 72 or the like.
  • the feature amount extraction unit 122 calculates the number of times the luminance value obtained by scanning exceeds a predetermined luminance value TH as the number of amplitude peaks.
  • the luminance value obtained by scanning by the feature amount extraction unit 122 can be represented by curves (LN4, LN5) as shown in the graphs G11, G12.
  • the horizontal axis of the graphs G11 and G12 is a linear range to be scanned (unit: [ ⁇ m]), and the vertical axis is the luminance value of the pixel.
  • the curve LN4 indicating the luminance value obtained by scanning becomes, for example, a single peak of amplitude. .
  • the curve LN5 indicating the brightness value obtained by scanning has, for example, three amplitude peaks. Accordingly, it can be determined that the number of amplitude peaks increases as the aggregation of the protein complex proceeds. Further, when the aggregation process of the protein complex is analyzed by a time-series image, a graph G13 represented by the number of peaks of time and amplitude can be shown. Thereby, the aggregation of the protein complex can be quantitatively analyzed.
  • the feature amount extraction unit 122 may extract a feature amount related to the space series from an image indicating an analysis target (for example, a cell).
  • the feature amount related to the space series is, for example, coordinate information on the image, distances between a plurality of analysis targets, and the like.
  • the feature quantity related to the space series can be used as one index in the process of visualization of the analysis target, imaging, image analysis, and the like.
  • the mechanism analysis unit 124 is characterized by time series or changes in the environment around the cell such as stimulation conditions, or with changes in the state of the cells such as differentiation stage, elapsed time after stimulation, and gene expression. Based on data indicating various feature amounts extracted by the extraction unit 122 (hereinafter referred to as “feature data”), a correlation between the feature data is calculated.
  • feature data data indicating various feature amounts extracted by the extraction unit 122
  • a correlation between the feature data is calculated.
  • a plurality of feature data is generated for one analysis target (element), for example.
  • feature data a1 to an number of data are generated from the element a
  • feature data b1 to bn data are generated from the element b.
  • n represents a positive integer.
  • the feature data is generated as data indicating a feature quantity such as form, speed, directionality (migration direction), and the like.
  • the feature data is generated as data indicating a feature amount such as a form and a distribution.
  • the feature data is generated as data indicating a feature amount such as expression, localization, co-localization, and aggregation.
  • the feature data is generated as data indicating a feature amount such as a form and a distribution.
  • the feature data is generated as data indicating a feature amount such as a form and a distribution.
  • the feature data is generated as data indicating a feature quantity such as gene expression, gene product localization, co-localization, and aggregation.
  • FIG. 16 is a diagram illustrating an example of feature amounts extracted in time series by the feature amount extraction unit 122.
  • the mechanism analysis unit 124 calculates the correlation between the feature data X that changes with time shown in the graph G14, the feature data Y that changes with time shown in the graph G15, and the feature data Z that changes with time shown in the graph G16. , Based on the following formulas (1) and (2).
  • the feature amount is represented by, for example, a length n and a time difference k.
  • Formula (1) is a calculation formula for calculating the mutual covariance Ck
  • Formula (2) is a calculation formula for calculating the cross-correlation Rk.
  • the mechanism analysis unit 124 compares, for example, the feature data X and the feature data by comparing a section (t to t + n) where the change amount of the feature data X is large with a section (t + k to t + k + n) where the change amount of the feature data Y is large.
  • the correlation of data Y is calculated.
  • the correlation between the feature data X and the feature data Y is calculated as, for example, a cross-correlation coefficient 0.9 (positive correlation).
  • the mechanism analysis unit 124 samples the value of the feature data with a constant step size with respect to the feature data, and sets a section in which the difference from the temporally adjacent data is equal to or greater than a threshold to a section with a large amount of change. As specified.
  • the mechanism analysis unit 124 for example, the feature data X extracted when the protein (FoxO1) localized in the nucleus moves to the cytoplasm covering the outside of the nucleus, and the protein ( The correlation is calculated by comparing the feature data Y extracted when Nup 98) moves into the nucleus.
  • the mechanism analysis unit 124 makes a hypothesis that the change of the feature data Y is caused by the change of the feature data X shown in FIG. “Establish a hypothesis” means that information indicating the correlation between provisional feature data is written in the storage unit 130 and various selections are made in later processing. In other words, the mechanism analysis unit 124 calculates the correlation between provisional feature data with the feature data X as the main and the feature data Y as the subordinate.
  • the mechanism analysis unit 124 compares, for example, the feature data X and the feature data by comparing a section (t to t + n) in which the change amount of the feature data X is large and a section (t + k to t + k + n) in which the change amount of the feature data Z is large.
  • the correlation of data Z is calculated.
  • the correlation between the feature data X and the feature data Z is calculated, for example, as a cross-correlation coefficient ⁇ 0.9 (negative correlation).
  • the mechanism analysis unit 124 makes a hypothesis that the change of the feature data Z is caused by the change of the feature data X shown in FIG. That is, the mechanism analysis unit 124 calculates the correlation between the feature data with the feature data X as the main and the feature data Z as the subordinate.
  • the value of the cross-correlation coefficient representing the correlation is classified stepwise by a plurality of reference levels.
  • the value of the cross-correlation coefficient is classified as a level showing strong correlation in the range A7 ( ⁇ 1.0 to ⁇ 0.7) and the range A1 (0.7 to 1.0), for example.
  • the value of the cross-correlation coefficient is classified as a level indicating correlation in a range A6 ( ⁇ 0.7 to ⁇ 0.4) and a range A2 (0.4 to 0.7), for example.
  • the value of the cross-correlation coefficient is classified as a level indicating weak correlation in the range A5 ( ⁇ 0.4 to ⁇ 0.2) and the range A3 (0.2 to 0.4), for example.
  • the value of the cross-correlation coefficient is classified as a level indicating no correlation, for example, in the range A4 ( ⁇ 0.2 to 0.2).
  • the level classification for these cross-correlation coefficients is an example, and may be a more detailed level.
  • FIG. 17 is a diagram illustrating an example of feature data indicating a strong correlation with the feature data a.
  • the mechanism analysis unit 124 identifies, for example, a section showing a strong correlation with respect to the other feature data b to f on the basis of the feature data a in the section (0 to k). For example, in the feature data b, the mechanism analysis unit 124 specifies a section showing a strong correlation with the feature data a in the section (0 to k) as (6 to 6 + k). Further, for example, in the feature data c, the mechanism analysis unit 124 specifies a section showing a strong correlation with the feature data a in the section (0 to k) as (9 to 9 + k).
  • the mechanism analysis unit 124 specifies a section showing a strong correlation with the feature data a in the section (0 to k) as (4 to 4 + k). Further, for example, in the feature data e, the mechanism analysis unit 124 does not specify a section showing strong correlation because there is no section showing strong correlation with the feature data a in the section (0 to k). In addition, for example, in the feature data f, the mechanism analysis unit 124 specifies a section showing a strong correlation with the feature data a in the section (0 to k) as (8 to 8 + k).
  • the mechanism analysis unit 124 assumes an order in which, in the feature data showing a strong correlation, the data with the earlier start time of the section is shown as a stronger correlation.
  • the mechanism analysis unit 124 calculates the correlation between the feature data based on the assumed order. That is, the mechanism analysis unit 124 calculates the correlation between the feature data in the permutation of the feature data d, b, f, and c when the feature data a is mainly used.
  • the mechanism analysis unit 124 specifies a section showing a strong correlation with respect to the other feature data c to f on the basis of the feature data b in the section (6 to 6 + k).
  • the mechanism analysis unit 124 performs the same processing on all feature data, and builds a model indicating the correlation between feature data of the feature data.
  • FIG. 18 shows a correspondence table showing the correlation between all feature data constructed by the mechanism analysis unit 124.
  • the cell is subjected to a treatment that mainly loses the assumed change in the feature value, and the other conditions are the same.
  • Create The observation apparatus 1 captures images in time series on the cells after the treatment for losing the change in the feature amount is performed in the same manner as before the treatment for the change in the feature amount is performed. The same feature amount as before the treatment for losing the change is acquired.
  • FIG. 19 is a diagram illustrating an example of feature data showing a strong correlation with feature data indicated by cells to which an inhibitor has been added.
  • the change in the feature amount is lost due to the addition of the inhibitor in the interval (0 to k).
  • the mechanism analysis unit 124 compares the feature data a of the cell to which the inhibitor is added in the section (0 to k) with the other feature data b, c, d, and f in the predetermined section. Calculate the relationship.
  • the predetermined section is a section in which other feature data has a strong correlation with the feature data a before the inhibitor is added.
  • the mechanism analysis unit 124 identifies the feature data b and f as feature data that shows a strong correlation with the feature data a of the cell subjected to the treatment in which the change in the feature amount a is lost, for example. That is, the mechanism analysis unit 124 identifies feature data in which the change in the feature amount is reduced due to the reduction in the feature amount in the feature data a. As a result, the mechanism analysis unit 124 newly removes the correlation between the feature data from the correlation between the feature data calculated before the process of losing the change in the feature quantity a, except for the weak correlation. Calculate the correlation.
  • FIG. 20 shows a correspondence table showing the correlation between feature data newly calculated by the mechanism analysis unit 124.
  • a new treatment is performed on the cell so that the change in the feature amount d is lost, and a new cell (sample) is created under the same other conditions.
  • the observation device 1 captures images in time series on the cells after the treatment for losing the change in the feature d is performed in the same manner as before the treatment for losing the change in the feature d is performed. The same feature amount as before the treatment that the change of the amount d is lost is obtained.
  • the mechanism analysis unit 124 calculates a correlation between feature data based on the feature amount.
  • FIG. 21 is a diagram illustrating an example of feature data indicating a strong correlation with feature data indicated by a cell subjected to a treatment in which a change in the feature amount d is lost. In the feature data d, the change in the feature amount is lost in the section (4-4 + k) due to the applied treatment.
  • the mechanism analysis unit 124 for example, the feature data d of the cell subjected to the treatment in which the change in the feature value d in the section (4-4 + k) is lost, and the other feature data a, b, c, f in the predetermined section. To calculate the correlation between the feature data.
  • the mechanism analysis unit 124 identifies the feature data b and c as feature data that shows a strong correlation with the feature data d of a cell that has undergone a treatment in which a change in the feature d is lost, for example. That is, the mechanism analysis unit 124 identifies feature data in which the change in the feature amount is reduced due to the reduction in the feature amount in the feature data d. As a result, the mechanism analysis unit 124 performs a procedure for losing the change in the feature quantity a, and calculates the correlation from the correlation between the feature data calculated before performing the procedure for losing the change in the feature quantity d. A correlation between feature data is newly calculated except for weakly related ones.
  • FIG. 22 shows a correspondence table showing the correlation between feature data newly calculated by the mechanism analysis unit 124.
  • the mechanism analysis unit 124 calculates a correlation matrix based on the calculated correlation between the feature data.
  • the correlation matrix is represented by a combination of feature data and an index (for example, a cross-correlation coefficient) indicating the degree of correlation calculated by this combination.
  • the mechanism analysis unit 124 calculates a plurality of correlation matrices so as to cover all patterns (variations) of combinations of feature data.
  • FIG. 23 is a diagram illustrating an example of a correlation matrix.
  • feature data a1 to an pieces of data are generated from the element a
  • feature data b1 to bn pieces of data are generated from the element b.
  • the description of the following elements is omitted.
  • the mechanism analysis unit 124 represents a combination of various feature data a1 to an extracted from the element a and various feature data b1 to bn extracted from the element b as a matrix.
  • the mechanism analysis unit 124 stores the correlation value calculated by the combination of the feature data in each component of the matrix.
  • the analysis apparatus 100 preferably represents each component with a color corresponding to the correlation value.
  • the mechanism analysis unit 124 extracts feature data combinations having high correlation from the calculated correlation matrix. For example, the mechanism analysis unit 124 calculates the number of components having a correlation value (cross-correlation coefficient or the like) higher than a predetermined value, and extracts a combination having a large number of calculated components as a combination of feature data having a high correlation. To do.
  • a correlation value cross-correlation coefficient or the like
  • the mechanism analysis unit 124 builds a model indicating the correlation between elements based on the combination of extracted feature data having a high correlation.
  • a process for constructing a model indicating the correlation between elements will be described.
  • FIG. 24 is a model diagram showing the correlation between elements.
  • the combination of the elements a and b, the elements a and n, the elements b and c, the elements c and n, and the elements c and m are highly correlated by the mechanism analysis unit 124.
  • the thickness of the solid line connecting the elements shown in FIG. 24 represents the strength of the correlation.
  • a broken line connecting the elements indicates that the correlation between the elements has changed due to the processing for losing the feature amount of the element a.
  • a solid line connecting the elements indicates that the correlation between the elements does not change regardless of whether or not a treatment for losing the feature amount of the element a is performed.
  • characteristic quantities such as protein expression, localization change between the nucleus and cells, and the number of aggregates are shown.
  • the feature data of the element 1 indicates, for example, feature quantities such as nucleic acid (mRNA) expression, cytoplasmic localization, and co-localization with a predetermined protein.
  • feature quantities such as nucleic acid (mRNA) expression, cytoplasmic localization, and co-localization with a predetermined protein.
  • feature data of the element n for example, feature quantities such as organelle orientation and length are shown.
  • a feature amount such as a cell area or a circular degree is shown.
  • the mechanism analysis unit 124 can construct a model indicating the correlation between new elements.
  • a model showing the correlation will be described with reference to the drawings.
  • FIG. 25 is a model diagram showing a correlation between elements that are constructed after performing a treatment in which the expression that is the characteristic amount of the element a is lost.
  • feature data (feature amount) to which an underline is given represents feature data (feature amount) that changes when a treatment for losing the expression that is one of the feature amounts of the element a is performed.
  • the feature data (feature amount) to which no underline is given represents feature data (feature amount) that does not change when a treatment for losing the expression that is one of the feature amounts of the element a is performed.
  • elements b and n are arranged at positions adjacent to the downstream side of element a. This indicates that the characteristic amount of the elements b and n has changed after the treatment for losing the expression of the element a is performed.
  • the mechanism analysis unit 124 performs the following processing.
  • the mechanism analysis unit 124 arranges the elements b and n from which the feature data that changes with the change is located adjacent to the downstream side of the element a. Build a model. As a result, the mechanism analysis unit 124 determines that the element a controls the elements b and n.
  • the elements l, c, and m are arranged at positions where the element a is not adjacent. This indicates that the characteristic amounts of the elements l, c, and m do not change after the treatment for losing the expression of the element a is performed.
  • the mechanism analysis unit 124 performs the following processing.
  • the mechanism analysis unit 124 sets the elements l, c, and m from which the feature data that does not change with the change is located at a non-adjacent position on the downstream side of the element a. Build the placed model. As a result, the mechanism analysis unit 124 determines that the element a does not control the elements l, c, and m.
  • the mechanism analysis unit 124 can similarly derive the following determination results by performing the above-described processing on other elements.
  • -Expression of element b is not controlled by element a.
  • -Localization change and aggregation of the element b are controlled by the element a.
  • -It is estimated that the expression level of the element b is controlling the element c. It is presumed that the orientation of element n is linked to element a. It is presumed that the orientation of the element n is linked to the local change or aggregation of the element b.
  • the mechanism analysis unit 124 performs a process of losing the change for each of the other elements simultaneously with the process of losing the expression of the element a or after the process, and determines the feature amount of the other element. Calculate the change. By repeating this, a model showing the correlation between elements is constructed. That is, the mechanism analysis unit 124 calculates the correlation between the analysis objects (elements) based on the calculated correlation between the feature data, and constructs a model indicating the correlation between the elements.
  • the correlation between the elements described above represents the strength and direction of the correlation by, for example, a vector.
  • this vector is referred to as a “correlation vector”.
  • An element correlation is a relationship in which the fluctuation, maintenance, disappearance, or expression of an element affects the fluctuation, maintenance, disappearance, or expression of another element, or the fluctuation, maintenance, disappearance, or expression of an element. It is a relationship that affects its own fluctuation, maintenance, disappearance, and expression. Note that these relationships are one-way, two-way, or feedback relationships. Such a model corresponds to, for example, a so-called signal cascade or a signal network. Note that the mechanism analysis unit 124 may calculate not only the treatment in which the change in the feature quantity a is lost but also the other treatment in which the change in the feature quantity is lost, and calculate the correlation between the elements.
  • the correlation between elements is not limited to chemical reactions such as gene expression, protein activation, and metabolite generation, but also organelle activity, microfiber orientation, cell death, It may be a cascade reaction of elements over all life phenomena including cell reactions such as cell cycle.
  • FIG. 26 is a model diagram showing the correlation between elements.
  • the arrow shown in FIG. 26 represents a correlation vector.
  • the thickness of the arrow represents the strength of the correlation
  • the direction of the arrow represents the direction of the correlation.
  • the mechanism analysis unit 124 builds a model indicating the correlation between elements so that the element a is the base point and the element having the strongest correlation with the element a is the next chain destination. To do.
  • the mechanism analysis unit 124 builds a model with elements n and b as the next chain destination of the base point based on the calculated correlation between the feature data.
  • the analysis apparatus 100 can estimate the following.
  • the element a controls the orientation of the element n (microtubule) and also controls the change in localization between the nucleus and the cell of the element b (protein), the number of aggregates, and the like.
  • the length of the element n (microtubule) controls the directionality (migration) of the element m (cell).
  • the expression of the element b (protein) controls the expression of the element c (protein), the localization change between the nucleus and the cell, the number of aggregates, and the like.
  • nuclear translocation of element c (protein) renews expression of element l (nucleic acid mRNA).
  • the expression of element c (protein) leads to enlargement of element m (cell).
  • the analysis apparatus 100 allows the user to perform a treatment in which a change in a specific feature amount is lost or a plurality of feature amounts until a model indicating a correlation between elements calculated by the mechanism analysis unit 124 indicates a predetermined relationship.
  • a cell that has undergone the treatment that loses the change in the combination is newly created, and the above-described processing is repeated.
  • the predetermined relationship is, for example, that the directionality of the correlation vector is determined. That is, the mechanism analysis unit 124 calculates a model indicating a correlation between elements with the analysis target X that is the extraction source of the feature data X as the main and the analysis target Y that is the extraction source of the feature data Y as the subordinate. Thereby, a user's arbitrary cell can be produced.
  • the mechanism analysis unit 124 may perform grouping for each element close to a predetermined feature amount based on a cross-correlation coefficient between feature data, and calculate a correlation between the grouped elements. Below, the process which groups for every element is demonstrated. In the following description, an element is described as a “cell” as an example, but it may be an element constituting a mechanism that controls other life phenomena.
  • the mechanism analysis unit 124 calculates a cross-correlation coefficient as a value indicating a correlation for each cell separated by the cell region separation unit 118, for example. For example, in the cell 1 separated by the cell region separation unit 118, the mechanism analysis unit 124 calculates the cross-correlation coefficient of each of the elements a to f constituting the cell 1.
  • FIG. 1 An example of the cross-correlation coefficient calculated by the mechanism analysis unit 124 is shown in FIG.
  • the mechanism analysis unit 124 calculates the cross-correlation coefficient from the element a to the element b as 0.85.
  • the mechanism analysis unit 124 performs grouping for each cell close to a predetermined feature amount based on the cross-correlation coefficient calculated for each cell.
  • the predetermined feature amount is, for example, an amount indicating a distance between cells exceeding a certain threshold on the coordinates of the n-dimensional vector space indicating the influence between elements.
  • the predetermined feature amount may be calculated in advance through experiments or the like and stored in the storage unit 130 or the like.
  • FIG. 28 is a schematic diagram of an example showing a grouping process performed on cells.
  • the mechanism analysis unit 124 distributes the cells in n-dimensional coordinates with the number n indicating the influence between the elements.
  • the mechanism analysis unit 124 performs clustering processing on cells distributed on n-dimensional coordinates based on a predetermined feature amount, and groups the cells.
  • the mechanism analysis unit 124 distributes cells on n-dimensional coordinates based on, for example, the influence from the element a to the element b direction, the influence from the element b to the element g direction, and the influence from the element d to the element b direction. .
  • the mechanism analysis unit 124 classifies the cells distributed on the n-dimensional coordinates into, for example, three groups (GP1 to GP3) by clustering processing.
  • the mechanism analysis unit 124 constructs and analyzes a model (for example, a signal cascade) indicating the correlation between elements based on the cross-correlation coefficient of the grouped cells.
  • a model for example, a signal cascade
  • FIG. 29 is a diagram illustrating an example of a signal cascade model constructed for each group by the mechanism analysis unit 124.
  • the mechanism analysis unit 124 constructs a signal cascade model for each of the three classified groups (GP1 to GP3).
  • FIG. 30 is a flowchart showing a flow of processing executed by the analysis apparatus 100.
  • the analysis apparatus 100 repeatedly executes the process of this flowchart, for example, the user's arbitrary number of times.
  • the microscope control unit 112 controls the microscope 200 so as to image the entire culture vessel at a low magnification (wide range), and acquires a low-resolution image (step S100). Further, the microscope control unit 112 may control the microscope 200 so that the entire culture container is tiled and imaged at a medium magnification.
  • the density calculation unit 114 calculates the cell density and the cell adhesion degree of the cell cell existing in the region F indicating the entire image of the culture container in the image acquired by the microscope 200 (step S102).
  • the region-of-interest detection unit 116 detects the region of interest R based on the cell density and cell adhesion degree calculated by the density calculation unit 114 (step S104).
  • the microscope control unit 112 controls the microscope 200 so as to capture the region of interest R at a high magnification, and acquires a high resolution image (step S106).
  • the cell region separation unit 118 detects the cell region and separates the cells on the image captured at a high magnification by the microscope 200 (step S108).
  • the feature amount extraction unit 122 performs the inter-cell or intra-cell material, gene expression, organelle activity, and direction of the elements in the cell from the image in which the cells are separated by the cell region separation unit 118.
  • Various feature amounts such as sex and cell reaction such as cell cycle are extracted (step S110).
  • the mechanism analysis unit 124 based on the time series extracted by the feature amount extraction unit 122, the change in the growth environment of the cell, or the state data of the cell itself based on the feature data and the feature data of the spatial series, The correlation between the feature data is calculated (step S112).
  • the mechanism analysis unit 124 calculates the correlation between the elements from which the feature data is extracted based on the calculated correlation between the feature data (step S114). Thereby, this flowchart is completed.
  • the mechanism analysis unit 124 may calculate a correlation between elements based on various feature data extracted in a spatial series by the feature amount extraction unit 122.
  • FIG. 31 is a diagram illustrating an example of how a stimulus signal transmitted between cells is spread. As shown in FIG. 31, for example, when a stimulus 80 is applied to the culture container from the outside, the mechanism analysis unit 124 transmits a signal from the cell 82 to the surrounding cells according to the stimulus 80. Therefore, the mechanism analysis unit 124 can identify a signal network group that is activated by surrounding cells, triggered by a stimulus applied to the culture vessel. As a result, the analysis apparatus 100 measures the feature quantity that identifies the activated signal network group with respect to each cell, and measures the spatiotemporal timing at which the feature quantity is expressed. The spatiotemporal timing that is activated can be analyzed.
  • the mechanism analysis unit 124 also analyzes the spatio-temporal timing at which the signal network group is activated by combining the feature data 84 extracted in the space series and the feature data 86 extracted in the time series. Good.
  • the mechanism analysis unit 124 may construct a relationship in which the cells that are stimulated are the main and the cells that are not stimulated are the subordinates. As a result, the mechanism analysis unit 124 can assume a permutation from feature data extracted from cells that are not stimulated and showing correlation, from the more correlated data. The mechanism analysis unit 124 builds a model indicating the correlation between elements based on the assumed permutation of feature data. That is, the mechanism analysis unit 124 calculates a correlation between elements based on the distance between the elements, and builds a model indicating the correlation between elements based on the calculated magnitude of the correlation between the elements.
  • the analysis apparatus 100 may acquire an optimal imaging condition (Optical Configuration: OC) from the external storage device 300 at the time of imaging of the analysis target, and perform the processing based on the acquired optimal imaging condition OC.
  • the optimum imaging condition OC is, for example, the magnification of the microscope 200 associated with the analysis target, the sensitivity of the focus position detector, the exposure condition, the resolution of the detector, the intensity of transmitted light, the intensity or wavelength of fluorescence excitation light, auto These are parameters such as focus conditions and filter selection for fluorescence imaging. It is assumed that the optimum imaging condition OC is acquired in advance by the analysis device 100 or another analysis device and stored in a storage device such as the external storage device 300.
  • FIG. 32 is a diagram illustrating an example of processing performed based on the optimum imaging condition OC.
  • the analysis apparatus 100 acquires an optimal imaging condition OC that matches or is similar from the external storage device 300 according to the analysis target.
  • the analysis device 100 performs the processing based on the optimal imaging condition OC acquired from the external storage device 300.
  • the external storage device uses the changed condition as a new optimal imaging condition OC. 300.
  • setting of conditions can be reduced in imaging of the analysis target.
  • the reproducibility of the experiment related to the analysis is improved.
  • the analysis apparatus 100 may acquire an image associated with other information in advance from a storage device such as the external storage device 300.
  • FIG. 33 is a diagram illustrating an example of processing for acquiring an image previously associated with other information.
  • the analysis apparatus 100 associates an image with other information and stores the image in a storage device such as the external storage device 300 in advance.
  • the other information is all information related to the analysis such as wavelength, analysis target name, cell type, project name, and experimental conditions.
  • the user can acquire an image related to the protein that is the analysis target name from the external storage device 300 via the analysis device 100.
  • the user can acquire an image related to predetermined staining, which is an experimental condition, from the external storage device 300 via the analysis device 100. Thereby, it is possible to adapt to the usage state of the user, and convenience is improved.
  • the analysis apparatus 100 may acquire information on the previous imaging position from the storage unit 130 and select a next imaging position based on the acquired information on the previous imaging position.
  • the pre-imaging position is a position that has already been imaged in the culture vessel.
  • FIG. 34 is a diagram illustrating an example of processing for selecting the next imaging position based on the acquired imaging information.
  • the analysis apparatus 100 selects the next imaging position while avoiding the previous imaging position 92. Thereby, it is possible to suppress the influence of phototoxicity due to the irradiation of light during imaging, the fading of fluorescence and the like. It is also useful when evaluating light intensity, cytotoxicity, or the like.
  • an image of a cell is acquired, elements constituting a mechanism that controls a life phenomenon are identified based on the acquired cell image, and element characteristics are identified for each identified element.
  • the feature data indicating the quantity is calculated, the correlation between the feature data is calculated based on the calculated feature data, and the correlation between the elements is calculated based on the calculated correlation between the feature data.
  • the analysis apparatus 100 can analyze the relevance between the elements constituting the mechanism governing the life phenomenon related to the cell while appropriately analyzing the image.
  • an element that can be identified based on the acquired cell image is analyzed, so that the reliability of the mechanism that controls the life phenomenon is highly reflected.
  • the correlation between them can be calculated.
  • by performing analysis on an element that can be identified based on the acquired cell image even if it is a correlation between different types of elements, A high correlation can be calculated.
  • a signal cascade model as a model indicating the correlation between elements for each classified group, a plurality of different signal cascades are activated. Even in the case of a cell constituted by cells, a model of a signal cascade adapted to the cell can be constructed.
  • the mechanism analysis unit 124 of the embodiment by combining the feature data extracted in the space series and the feature data extracted in the time series, the signal transmission state between the cells with respect to the stimulus and between the cells It is possible to analyze the influence of contact and the like.
  • a model indicating the correlation between elements constructed by the mechanism analysis unit 124 is repeatedly analyzed until a model indicating a predetermined relationship is generated, thereby creating an arbitrary cell of the user. be able to.
  • the microscope 200 in the above embodiment is an example of an “acquisition unit”
  • the density calculation unit 114, the region of interest detection unit 116, and the cell region separation unit 118 are examples of an “identification unit”
  • a feature amount extraction unit. 122 and the mechanism analysis unit 124 are examples of the “calculation unit”. Note that the processes of the feature quantity extraction unit 122 and the mechanism analysis unit 124 may be performed by only one of the functional units. Further, the processing of the feature amount extraction unit 122 and the mechanism analysis unit 124 may be performed by other functional units such as the density calculation unit 114, the region of interest detection unit 116, and the cell region separation unit 118.
  • the “computer system” referred to here may include an OS and hardware such as peripheral devices. Further, the “computer system” includes a homepage providing environment (or display environment) if the WWW system is used.
  • “Computer-readable recording medium” means a flexible disk, a magneto-optical disk, a ROM, a writable nonvolatile memory such as a flash memory, a portable medium such as a CD-ROM, a hard disk built in a computer system, etc. This is a storage device.
  • the “computer-readable recording medium” means a volatile memory (for example, DRAM) in a computer system that becomes a server or a client when a program is transmitted via a network such as the Internet or a communication line such as a telephone line. In this way, it is assumed to include those that hold programs for a certain period of time.
  • the program may be transmitted from a computer system storing the program in a storage device or the like to another computer system via a transmission medium or by a transmission wave in the transmission medium.
  • the “transmission medium” for transmitting the program refers to a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line.
  • the program may be for realizing a part of the functions described above. Furthermore, what can implement

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Zoology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Organic Chemistry (AREA)
  • Medical Informatics (AREA)
  • Biotechnology (AREA)
  • Quality & Reliability (AREA)
  • Wood Science & Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Sustainable Development (AREA)
  • General Engineering & Computer Science (AREA)
  • Genetics & Genomics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Microbiology (AREA)
  • Dispersion Chemistry (AREA)
  • Signal Processing (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

　解析装置は、細胞の画像を取得する取得部と、前記取得部により取得された細胞の画像に基づいて、識別可能な要素を識別する識別部と、前記識別部により識別された要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する。

Description

解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞
　本発明は、解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞に関する。
　生物科学や医学等において、生物の健康や疾患等の状態は、例えば、細胞や細胞内の小器官等の状態と関連性があることが知られている。そのため、これら関連性を解析することは、生物科学や医学等の諸処の課題を解決する一つの手段になる。また、細胞間、或いは細胞内で伝達される情報の伝達経路を解析することは、例えば、工業用途でのバイオセンサーや、疾病予防を目的とした製薬等の研究に役立てることができる。
　細胞や組織片等に関する種々の解析技術として、例えば、画像処理を用いた技術が知られている（例えば、特許文献１参照）。このような従来の技術は、例えば、生体等から取得された細胞の画像に対して画像処理を行い解析する技術であり、所定の時間ごとに細胞の画像データを取得し、取得した画像データと異なるタイミングで取得された細胞の形態に関わる画像データを比較することで、細胞の形態の特徴量の相関及び差分を算出するという技術である。これによって、取得された細胞の活性度を判断することができ、細胞のがん化や病態化等の生体現象の解明に役立てることができる。
米国特許第０２２８０６９号明細書
　しかしながら、上述した従来の技術では、専ら、細胞の形態に関わる画像の画像処理によって得られた情報から特徴量の相関及び差分を算出するため、得られる情報が不十分な場合があった。
　このように、上述した従来の技術では、細胞に係る生命現象を司る機構を構成する要素間の関連性を解析することが困難な場合があった。
　本発明は、このような事情を考慮してなされたものであり、画像の解析を適切に行いつつ、細胞に係る生命現象を司る機構を構成する要素間の関連性を解析することができる解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞を提供することを目的の一つとする。
　［１］上記問題を解決するために、本発明の一態様は、細胞の画像を取得する取得部と、前記取得部により取得された細胞の画像に基づいて、識別可能な要素を識別する識別部と、前記識別部により識別された要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する算出部とを備える解析装置である。
　［２］また、上記問題を解決するために、本発明の他の態様は、細胞の画像を取得し、取得した細胞の画像に基づいて、識別可能な要素を識別し、識別した要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する解析装置に、前記取得した細胞の画像を解析させ、前記解析装置により算出される要素間の相関を示すモデルが所定の関係になるまで、新たな前記細胞の画像を取得して前記解析装置に解析させることを繰り返すことを特徴とする解析方法である。
　［３］また、上記問題を解決するために、本発明の他の態様は、細胞の画像を取得し、取得した細胞の画像に基づいて、識別可能な要素を識別し、識別した要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する解析装置に、前記取得した細胞の画像を解析させる処理と、前記解析装置により算出される要素間の相関を示すモデルが所定の関係になるまで、新たな前記細胞の画像を取得して前記解析装置に解析させることを繰り返す処理と、を実行させる解析プログラムである。
　［４］また、上記問題を解決するために、本発明の他の態様は、細胞の画像を取得し、取得した細胞の画像に基づいて、識別可能な要素を識別し、識別した要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する解析装置に、前記取得した細胞の画像を解析させるステップと、前記解析装置により算出される要素間の相関を示すモデルが所定の関係になるまで、新たな前記細胞の画像を取得して前記解析装置に解析させることを繰り返すステップと、を有する細胞の製造方法である。
　［５］また、上記問題を解決するために、本発明の他の態様は、上述の細胞の製造方法を用いて製造された細胞である。
　本発明によれば、画像の解析を適切に行いつつ、細胞に係る生命現象を司る機構を構成する要素間の関連性を解析することができる。
一実施形態に係る解析装置１００を含む観察装置１の構成の一例を模式的に示す図である。 ウェルプレートＷＰ上に培養される細胞及びその要素の一例を示す図である。 解析装置１００の機能構成の一例を示した概略図である。 細胞ｃｅｌｌの内部の一例を示した断面図である。 蛍光染色試薬が与えられた培養容器の全体を低倍率（広範囲）で撮像した場合の画像の一例を示す図である。 低解像度の画像に基づいて生成される細胞領域マスクの一例を示す図である。 走査した範囲内の輝度値に基づいて、輝度値のピーク数及び平均輝度値を算出する処理を示した図である。 関心領域Ｒの検出結果の一例を示す模式図である。 透過ＤＩＣ画像３０及び発色画像３２の一例を示す図である。 発色画像に対して行われる細胞領域の検出処理の一例を示す図である。 輝度値を補正する処理の一例を示す図である。 発色された細胞の画像の一例を示す図である。 細胞内の微小線維の一例を示す図である。 蛋白質複合体の一例を示す図である。 蛋白質複合体の凝集前後の画像に対して、線状に輝度値の走査を行う処理の一例を示す図である。 特徴量抽出部１２２により時系列で抽出された特徴量の一例を示す図である。 特徴データａに対して強い相関を示す特徴データの一例を示す図である。 機構解析部１２４により構築された全ての特徴データ間の相関関係の対応表の一例を示す図である。 阻害薬が添加された細胞が示す特徴データに対して強い相関を示す特徴データの一例を示す図である。 機構解析部１２４により新たに算出された特徴データ間の相関関係の対応表の一例を示す図である。 特徴量ｄの変化が失われる処置を施された細胞が示す特徴データに対して強い相関を示す特徴データの一例を示す図である。 機構解析部１２４により新たに算出された特徴データ間の相関関係の対応表の他の例を示す図である。 相関マトリクスの一例を示す図である。 要素間の相関関係を示すモデルの図である。 要素ａの特徴量である発現が失われる処置を施した後に構築される要素間の相関関係を示すモデルの図である。 要素間の相関関係を示すモデルの図である。 機構解析部１２４により算出される相互相関係数の一例を示す図である。 細胞に対して行うグループ化の処理を示す一例の概略図である。 機構解析部１２４によってグループ毎に構築されたシグナルカスケードのモデルの一例を示す図である。 解析装置１００により実行される処理の流れを示すフローチャートである。 細胞間に伝達される刺激の信号の広がり方を表した一例を示す図である。 最適な撮像条件ＯＣに基づいて行われる処理の一例を示す図である。 予め他の情報と対応付けられた画像を取得する処理の一例を示す図である。 取得した撮像情報に基づいて、次の撮像位置を選定する処理の一例を示す図である。
　以下、図面を参照し、本発明の観察装置の実施形態について説明する。以下の実施形態では、生命現象を解明するために、例えば、生命現象を司る機構を構成する一因子である蛋白質のシグナルカスケードのモデルを構築し解析する処理について説明する。シグナルカスケードとは、最初に細胞に与えられた刺激、もしくは細胞自身の状態変化が信号となって細胞を構成する要素間に連鎖して伝達され、伝達される際に関与する要素が次々に増大、減少、フィードバック制御するような信号の伝達経路を表した機構の一例である。
　以下、本発明の一実施形態に係る解析装置１００の実施形態について説明する。図１は、本発明の一実施形態に係る解析装置１００を含む観察装置１の構成の一例を模式的に示す図である。
　観察装置１は、例えば、細胞等を撮像することで取得される画像を解析する装置である。観察装置１は、例えば、内部バスＩＢを介して顕微鏡２００と接続された解析装置１００が、ネットワークＮＷを介して外部記憶装置３００等と通信を行う。ネットワークＮＷは、インターネットや電話回線等の通信回線である。
　顕微鏡２００は、例えば、水平方向の二次元平面内において、撮像対象物（例えば培養容器）の位置を任意に稼働可能な電動ステージ２１０を備える生物顕微鏡である。顕微鏡２００は、例えば、微分干渉顕微鏡（Differential　Interference　Contrast　microscope；DIC）や位相差顕微鏡、蛍光顕微鏡、共焦点顕微鏡、超解像顕微鏡等の機能を有する。顕微鏡２００は、電動ステージ２１０上に載置された培養容器（例えばウェルプレートＷＰ）を撮像する。顕微鏡２００は、ウェルプレートＷＰが有する多数のウェル（穴）の中に培養された細胞に光を照射することで、細胞を透過した透過光を細胞の画像として撮像する。これによって、細胞の透過ＤＩＣ画像や、位相差画像、暗視野画像、明視野画像等の画像を取得することができる。さらに、細胞に蛍光物質を励起する励起光を照射することで、生体物質から発光される蛍光を細胞の画像として撮像する。また、顕微鏡２００は、生体物質内に取り込まれた発色物質そのものから発光される蛍光や、発色団を持つ物質が生体物質に結合することによって発光される蛍光を、上述した細胞の画像として撮像してもよい。これにより、観察装置１は、蛍光画像、共焦点画像、超解像画像を取得することができる。本実施形態における細胞とは、例えば、初代培養細胞や、継代培養細胞、組織切片等である。なお、細胞の状態は、特に制限されず、生きている状態であっても、或いは固定されている状態であってもよく、“in-vivo”または“in-vitro”のどちらでもよい。
　図２は、ウェルプレートＷＰ上に培養される細胞及びその要素の一例を示す図である。ウェルプレートＷＰは、例えば、細胞を培養するための、１２×８の９６個のウェルＵを有するプレートである。ウェルＵの中に培養される細胞は、特定の条件下におかれて培養される。特定の条件とは、刺激が付与されてからの経過時間、付与される刺激の種類や強さ、刺激の有無、生物学的特徴の誘導等を含む。刺激とは、例えば、電気、音波、磁気、光等の物理的刺激や、物質や薬物の投与による化学的刺激等である。また、生物学的特徴とは、細胞の分化の段階や、形態、細胞数等を示す特徴である。
　細胞は、例えば、ウェルプレートＷＰの長手方向（Ｘ方向）上に、特定の条件の種類に応じて１２段階で分類されて培養される。また、１２段階に分類された細胞は、ウェルプレートＷＰの短手方向（Ｙ方向）上に、解析対象毎に分類される。解析対象とは、例えば、細胞と、細胞内の核や、核内構造体、ミトコンドリア、小胞体等の細胞小器官（オルガネラ）と、細胞体マトリックスや、細胞表面の糖鎖、細胞内の蛋白質、ペプチド、ｍＲＮＡ（核酸）、代謝産物、活性酸素種、各種イオン等の生体物質とを含む、生命現象を司る機構を構成する要素である。
　図２に示すように、解析対象である要素は、例えば、プレート１行目（Ａ行）に対してａ～ｃ、２行目（Ｂ行）に対してｄ～ｆ、以下、間を省略し、８行目（Ｈ行）に対してｌ～ｍの３種類ごとに分類される。なお、ウェルプレートＷＰは、９６個のウェルＵを有するものに限らず、任意の数のウェルＵを有するプレートであってよい。これに応じて、細胞も任意の段階数で分類されてよい。また、培養容器は、ウェルプレートＷＰに限らず、顕微鏡２００によって画像が取得できれば、どのようなプレートでもよく、例えば、シャーレやスライドガラス等であってもよい。
　また、解析対象は蛍光物質等で染色又は標識されるなどして、間接的に撮像されたものであってもよい。また、生命現象を司る機構を構成する要素とは、細胞本来の機構を構成するもののみに制限されず、阻害剤やアゴニスト、ウイルス等の細胞本来の機構に人為的に加えられた要素であってもよい。
　図３は、解析装置１００の機能構成の一例を示した概略図である。解析装置１００は、顕微鏡２００によって取得された画像を解析するコンピュータ装置である。なお、解析装置１００によって解析される画像は、顕微鏡２００によって撮像される画像だけに限らず、例えば、解析装置１００内部に備える記憶部１３０に予め記憶されている画像や外部記憶装置３００に予め記憶されている画像であってもよい。
　解析装置１００は、ＣＰＵ（Central　Processing　Unit）等のプロセッサ、ＲＯＭ（Read　Only　Memory）やＲＡＭ（Random　Access　Memory）、ＨＤＤ（Hard　Disk　Drive）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　Read－Only　Memory）、フラッシュメモリ等の記憶部１３０、他装置と通信を行うための通信インターフェース等を備える。
　解析装置１００は、制御部１１０及び記憶部１３０を備える。制御部１１０は、顕微鏡制御部１１２と、密度算出部１１４と、関心領域検出部１１６と、細胞領域分離部１１８と、輝度値補正部１２０と、特徴量抽出部１２２と、機構解析部１２４とを備える。制御部１１０は、例えば、プロセッサが記憶部１３０に格納されたプログラムを実行することにより機能するソフトウェア機能部である。また、これらの制御部１１０の各機能部のうち一部または全部は、ＬＳＩ（Large　Scale　Integration）やＡＳＩＣ（Application　Specific　Integrated　Circuit）等のハードウェア機能部であってもよい。
　記憶部１３０は、プレ観察及び本観察に用いる実験条件のパラメータ、制御部１１０の処理によって得られる情報、及び細胞の情報等を記憶するように制御される。なお、記憶部１３０は、解析装置１００に内蔵されるものに代えて、外付け型の記憶装置（例えばＮＡＳ（Network　Attached　Storage）装置）でもよい。
＜プレ観察＞
　観察装置１は、後述する「本観察」を行う前に「プレ観察」を行う。プレ観察とは、本観察すべき領域を導出するために自動で行われる処理である。
　顕微鏡制御部１１２は、培養容器の全体を低倍率（広範囲）で撮像するように顕微鏡２００を制御する。これにより、撮像時において、細胞に光が当たることによって生じる光毒性や蛍光の退色を抑えつつ、解析対象に適する細胞の存在領域を示す画像を取得することができる。
　また、顕微鏡制御部１１２は、培養容器の全体を低から中程度の倍率でタイリング撮像するように顕微鏡２００を制御してもよい。タイリング撮像とは、培養容器の全体を２分割、３分割、４分割等に分けて撮像することである。これによって、細胞の状態をある程度に観察可能で、かつ培養容器内の解析対象に適する細胞の存在領域を示す画像を取得することができる。このとき、低解像度、必要最低限の蛍光チャネルでの高速撮像を行うことで、光毒性や蛍光の退色を抑えることができる。
　また、顕微鏡制御部１１２は、同一の細胞ｃｅｌｌに対して、複数の解析を同時に行う場合、解析対象ごとに焦点位置を補正するための焦点位置補正データを決定する。ここで、図４を参照して、顕微鏡制御部１１２が行う解析対象ごとに焦点位置を補正する処理について説明する。図４は、細胞ｃｅｌｌの内部の一例を示した断面図である。
　まず、顕微鏡制御部１１２は、顕微鏡２００により撮像された画像全体の輝度値のコントラストや積算値が最大となる焦点位置をベストフォーカス位置Ｐ１に設定する。次に、顕微鏡制御部１１２は、細胞ｃｅｌｌに対して、ベストフォーカス位置Ｐ１を起点に、上下に焦点位置を変えながら連続して撮像するように顕微鏡２００を制御する。これによって、解析装置１００は、細胞ｃｅｌｌの三次元画像を取得することができる。
　顕微鏡制御部１１２は、ベストフォーカス位置Ｐ１を基準に、解析対象に応じて最適な焦点位置を検出するように顕微鏡２００を制御する。例えば、蛋白質凝集体１２を解析したい場合、顕微鏡制御部１１２は、例えば、顕微鏡２００によって撮像された画像全体の輝度値の分散値が最大となる焦点位置を、蛋白質凝集体１２の焦点位置Ｐ２として設定する。顕微鏡制御部１１２は、ベストフォーカス位置Ｐ１から蛋白質凝集体１２の焦点位置Ｐ２までの相対値を算出する。
　また、細胞質内部における蛋白質の局在変化を解析したい場合、顕微鏡制御部１１２は、例えば、顕微鏡２００によって撮像された画像全体の輝度値の積算値が最大となる焦点位置を、焦点位置Ｐ３として設定する。すなわち、顕微鏡制御部１１２は、Ｘ－Ｙ平面における細胞ｃｅｌｌの面積が最大となる位置を焦点位置Ｐ３として設定する。顕微鏡制御部１１２は、ベストフォーカス位置Ｐ１から焦点位置Ｐ３までの相対値を算出する。
　顕微鏡制御部１１２は、算出した各種相対値と解析対象とを対応付けて記憶部１３０に記憶させる。これによって、同一の細胞ｃｅｌｌに対して複数の解析を同時に行う場合、解析対象ごとに対応付けられた相対値を記憶部１３０から取得することにより、最適な焦点位置を設定することができる。この結果、より短い時間で解析処理を行うことができる。
　図５は、蛍光染色試薬が与えられた培養容器の全体を低倍率（広範囲）で撮像した場合の画像の一例を示す図である。
　密度算出部１１４は、顕微鏡２００によって取得された画像において、培養容器の全体像を示す領域Ｆの中に存在する細胞ｃｅｌｌの細胞密度及び細胞密着度を算出する。図５に示すように、密度算出部１１４は、顕微鏡２００によって取得された画像から、培養容器中の細胞の存在領域を検出し、その中から任意の領域（例えば領域Ａ～Ｃ）を抽出する。まず、密度算出部１１４は、抽出した任意の領域の中に存在する細胞ｃｅｌｌの領域を示す細胞領域２０から、細胞領域マスクを生成する。また、密度算出部１１４は、領域Ａから領域２０を差し引いた領域を示す背景領域２２から、背景領域マスクを生成する。密度算出部１１４は、例えば、所定の輝度値以上で蛍光されている細胞領域２０を“１”とし、その他の領域を“０”とする細胞領域マスクを生成し、細胞領域マスクから細胞領域２０を除いたマスクを背景領域マスクとして生成する。所定の輝度値とは、蛍光を発する細胞、或いは蛍光標識されている細胞か否かを判定することができる輝度値であり、実験等によって予め求められている。
　次に、密度算出部１１４は、領域全体における細胞領域マスクの総面積Ｓを背景領域マスクの総面積で除算することにより細胞密度を算出する。密度算出部１１４は、例えば、領域Ａの場合、細胞領域マスクの総面積Ｓ＝３（単位は、例えば［μｍ２］）と背景領域マスクの総面積１２（単位は、例えば［μｍ２］）とから、細胞密度を２５（単位は［％］）と算出する。
　また、密度算出部１１４は、記憶部１３０に予め記憶された基準細胞サイズと、算出した細胞領域マスクの総面積Ｓとに基づいて、任意の領域内に存在する細胞ｃｅｌｌの数を算出する。例えば、密度算出部１１４は、細胞領域マスクの総面積Ｓを基準細胞サイズで除算することで、細胞ｃｅｌｌの数を算出する。基準細胞サイズとは、培養容器に培養される細胞に応じて統計的に予め算出された細胞１つ当たりの大きさを示す値である。解析装置１００は、記憶部１３０に基準細胞サイズが記憶されていない場合、通信インターフェースを介して接続される図示しない入力装置（例えばマウスやキーボード、タッチパネル等）から入力される値を基準細胞サイズとして受け付けてもよい。また、解析装置１００は、基準細胞サイズの記憶の有無に関わらず、入力装置から入力される値を基準細胞サイズとして記憶部１３０に上書きして記憶させてもよい。
　また、密度算出部１１４は、算出した細胞領域マスクと背景領域マスクとに基づいて、任意の領域内における細胞ｃｅｌｌの分布のばらつきを算出する。密度算出部１１４は、例えば、所定の輝度値以上であることを示す値“１”の画素が、所定の細胞サイズ以上の画素で構成されていた場合、細胞ｃｅｌｌの分布のばらつきを小さい値として算出する。すなわち、密度算出部１１４は、細胞どうしが隣り合う、または重なり合う場合、任意の領域内における細胞のばらつきが少ないことを示す値を算出する。
　図５における細胞ｃｅｌｌグラフＧ１～Ｇ３に示すヒストグラムは、密度算出部１１４により算出される細胞ｃｅｌｌの分布傾向を示すものである。グラフＧ１～Ｇ３の横軸は、ひとかたまりの細胞領域マスクの総面積Ｓｇ［μｍ２］であり、縦軸は、その総面積Ｓｇに該当する細胞領域マスクに含まれる細胞ｃｅｌｌの数Ｎの合計値である。すなわち、密度算出部１１４は、ひとかたまりの細胞領域マスクの総面積Ｓｇと、その総面積Ｓに該当する細胞領域マスクに含まれる細胞ｃｅｌｌの数Ｎの合計値との対応関係を算出する。このように算出された対応関係は、図示しない表示部によって表示されると好適である。例えば、グラフＧ１では、細胞領域マスクの総面積Ｓ及び細胞ｃｅｌｌの数Ｎが共に小さい値であることから、細胞密度及び細胞密着度は小さいと評価することができる。また、グラフＧ２では、細胞領域マスクの総面積Ｓが小さく、細胞ｃｅｌｌの数Ｎが大きい値であることから、細胞密度は大きく、細胞密着度は小さいと評価することができる。また、グラフＧ３では、細胞領域マスクの総面積Ｓ及び細胞ｃｅｌｌの数Ｎが大きい値であることから、細胞密度及び細胞密着度は大きいと評価することができる。
　また、密度算出部１１４は、細胞ｃｅｌｌと細胞ｃｅｌｌとの密着の度合を示した細胞密着度を算出する。例えば、密度算出部１１４は、ひとかたまりの細胞領域マスクの総面積Ｓｇのうち最も大きいものを、領域全体の細胞領域マスクの総面積Ｓで除算することにより、細胞密着度を算出する。これによって、図５に示すような細胞ｃｅｌｌの数Ｎ（細胞密度）が同値である領域Ｂ及び領域Ｃの場合、細胞密着度を算出することによって、任意の領域に存在する細胞の状態を定量的に判断することができる。この結果、培養容器内に培養されている複数の細胞（以下、細胞群と記載する）から、解析装置１００によって解析したい細胞を選定することができる。また、細胞密度及び細胞密着度を算出することによって、癌転移や白血球接着不全等の疾患を解明することに役立てることができる。
　なお、密度算出部１１４は、顕微鏡２００によって撮像された画像に対して係る処理を行うものとして説明したが、記憶部１３０に予め記憶されている画像や、外部記憶装置３００等に予め記憶されている画像に対して係る処理を行ってもよい。
　また、密度算出部１１４は、低解像で撮像された画像に基づいて細胞領域マスクを生成してもよい。図６は、低解像度の画像に基づいて生成される細胞領域マスクの一例を示す図である。
　図６に示すように、密度算出部１１４は、撮像された低解像度の画像において、所定の輝度値（例えば、黒色を示す輝度値）以上で且つ所定の画素数により構成される画像（例えば、４×８画素で構成される四角画像）を検出する。すなわち、図６において、密度算出部１１４は、黒色で示される領域を“０”とし、他の色で示される領域を“１”とする細胞領域マスクを生成する。これによって、密度算出部１１４は、細胞密度及び細胞密着度を算出することができる。
　また、密度算出部１１４は、任意の領域に対して線状に輝度値の走査を行い、走査した範囲内の輝度値に基づいて、輝度値のピーク数及び平均輝度値を算出してもよい。図７は、走査した範囲内の輝度値に基づいて、輝度値のピーク数及び平均輝度値を算出する処理を示した図である。図７に示すように、密度算出部１１４は、任意の領域において、矢印２４に示す方向に沿って輝度値の走査を行う。なお、密度算出部１１４は、１方向だけに限らず、矢印２４に直交する方向等にさらに走査を行ってもよい。
　例えば、密度算出部１１４は、走査して得られた輝度値が所定の輝度値ＴＨを超える回数を振幅のピーク数として算出する。密度算出部１１４が走査して得た輝度値は、グラフＧ４～Ｇ６に示すような曲線（ＬＮ１～ＬＮ３）によって表すことができる。グラフＧ４～Ｇ６の横軸は、走査する直線状の範囲（単位は、［μｍ］）であり、縦軸は、画素の輝度値である。グラフＧ４に示すように、例えば、１つの蛍光された細胞上を走査した場合、走査して得られた輝度値を示す曲線ＬＮ１は、振幅のピークが１つの曲線になる。また、グラフＧ５に示すように、例えば、３つの蛍光された細胞上を走査した場合、走査して得られた輝度値を示す曲線ＬＮ２は、振幅のピークが３つの曲線になる。また、グラフＧ６に示すように、例えば、隣り合う、または重なり合う複数の蛍光された細胞上を走査した場合、走査して得られた輝度値を示す曲線ＬＮ３は、振幅のピークが１つの曲線になる。すなわち、蛍光された細胞が隣り合う、または重なり合う場合を除き、走査した範囲内に存在する蛍光された細胞の数と、グラフに示される輝度値のピーク数とは同じになる傾向がある。
　密度算出部１１４は、走査した範囲内で得られた輝度値から平均輝度値を算出する。平均輝度値は、走査して得られた輝度値を走査した範囲内に存在する画素数で除算することにより算出される。密度算出部１１４は、例えば、グラフＧ４から、平均輝度値１０（任意単位［ａｒｂ．ｕｎｉｔ］）を算出することができ、グラフＧ５から、平均輝度値４５を算出することができ、グラフＧ４から、平均輝度値８０を算出することができる。この結果、蛍光された細胞が隣り合う、または重なり合う場合を含む全条件において、密度算出部１１４は、振幅のピーク数及び平均輝度値を算出することによって、細胞領域マスクを生成せず、簡易な処理によって細胞密着度を算出することができる。
　以上、密度算出部１１４の処理によって算出された細胞密度及び細胞密着度に基づいて、本観察すべき領域を導出することができる。
　関心領域検出部１１６は、密度算出部１１４により算出された細胞密度及び細胞密着度に基づいて、関心領域Ｒ（Region　Of　Interest；ＲＯＩ）を検出する。関心領域Ｒとは、培養容器の全体像を示す領域Ｆの中から、本観察を行うべき対象領域として検出される領域である。関心領域Ｒは、「着目箇所」に対応する。
　図８は、関心領域Ｒの検出結果の一例を示す模式図である。関心領域検出部１１６は、例えば、領域Ｆ１において、細胞密度及び細胞密着度が、それぞれに対して設定されたしきい値（例えば、それぞれ８０％程度）を超えた領域を関心領域Ｒ１として検出する。なお、このしきい値は、シミュレーションや実験等によって予め求められている。
　これによって、本観察時に観察したい領域を適切に抽出することができる。また、培養容器の全体像を示す領域Ｆの中から細胞が存在しない領域を除くことができるため、解析処理の時間を短縮することができる。
　また、関心領域検出部１１６は、ユーザによって形成された領域を関心領域Ｒとして検出してもよい。関心領域Ｒは、例えば、ユーザが通信インターフェースを介して接続される図示しない入力装置（例えばマウスやキーボード、タッチパネル等）を使用し、特定の領域を指定する入力を行うことで形成される。この場合、関心領域検出部１１６は、ユーザにより入力された所定の線幅を有する線で囲まれた領域を関心領域Ｒとして検出する。これによって、ユーザの任意の領域を関心領域Ｒとして検出することができる。
＜本観察＞
　観察装置１は、プレ観察の結果に基づいて、撮像時の種々のパラメータを決定し、このパラメータで関心領域Ｒを高解像で撮像する。すなわち、顕微鏡制御部１１２は、関心領域Ｒを高倍率で撮像するように顕微鏡２００を制御する。この際、観察装置１は、当該本観察の対象物の条件が、記憶部１３０等に記憶されている過去のデータと一致または類似する場合、このデータが取得された際に適用された撮像時のパラメータを、当該本観察の撮像パラメータとして適用してもよい。また、観察装置１は、画像のＳＮ比（Signal－Noise　ratio）を自動計測して精度を向上させてもよい。以下に、本観察時における解析装置１００の処理について説明する。
＜画像上における細胞の分離化Ｉ＞
　細胞領域分離部１１８は、顕微鏡２００により撮像された画像から、細胞領域を検出し細胞を分離する。細胞領域分離部１１８は、例えば、同一の細胞群から取得される透過ＤＩＣ画像、位相差画像、暗視野画像、明視野画像、及び発色画像から、細胞１つごとの細胞領域を検出する。発色画像とは、蛍光染色試薬や抗体等によって、細胞全体、細胞質、細胞膜、核、細胞内小器官群、生体物質のうち、一つ以上が呈色されたことを示す画像である。
　ここで、図９を参照して、細胞領域分離部１１８の処理の一例を説明する。図９は、透過ＤＩＣ画像３０及び発色画像３２の一例を示す図である。
　細胞領域分離部１１８は、例えば、顕微鏡２００により撮像された透過ＤＩＣ画像３０及び発色画像３２を重ね合わせる。細胞領域分離部１１８は、重ね合わせた透過ＤＩＣ画像３０及び発色画像３２から、細胞膜及び呈色された核を検出する。細胞同士の密着度が非常に高く、細胞間の境界が不鮮明な場合、細胞領域分離部１１８は、検出した呈色された核が、細胞膜の内部に1つずつ存在するように細胞を画像上で分離する。具体的には、核と核との距離が等しくなるように細胞を分離する。細胞領域分離部１１８は、分離した細胞の内部の面積を算出することによって細胞領域を検出する。細胞領域分離部１１８は、検出した全ての細胞領域の面積の平均値を算出し、記憶部１３０に記憶さる。
　また、細胞領域分離部１１８は、顕微鏡２００により撮像された画像として、透過ＤＩＣ画像、位相差画像、明視野画像、又は暗視野画像等の単一の画像に基づいて細胞領域を検出してもよい。細胞領域分離部１１８は、例えば、透過ＤＩＣ画像３０に対して、細胞膜及び核が検出できるようにシャープ化を行う。シャープ化とは、微分フィルタ等を用いて、鮮鋭な画像に変換する処理である。細胞領域分離部１１８は、シャープ化された画像から細胞膜及び核を検出する。これによって、細胞領域分離部１１８は、細胞を分離することができ、分離した細胞膜の内部の面積を算出することによって細胞領域を検出することができる。また、蛍光染色試薬や酵素等によって細胞を呈色させないため、細胞への害となる影響を少なくすることができる。
　また、細胞領域分離部１１８は、検出した細胞膜の一部が途切れている場合、適切な処理を行い、途切れた細胞膜をつなげて細胞を分離してもよい。また、細胞領域分離部１１８は、記憶部１３０や外部記憶装置３００等に記憶された情報に基づいて機械学習を行うことによって細胞を分離してもよい。これによって、細胞の分離をより正確に行うことができる。
＜画像上における細胞の分離化ＩＩ＞
　また、細胞領域分離部１１８は、発色画像に基づいて、細胞領域を検出してもよい。図１０は、発色画像に対して行われる細胞領域の検出処理の一例を示す図である。
　細胞領域分離部１１８は、所定の焦点位置で撮像された発色画像４０、或いは発色画像４２に基づいて、細胞領域マスク４４を生成する。所定の焦点位置とは、例えば、ベストフォーカス位置、或いはベストフォーカス位置からＺ軸の正方向（又は負方向）に所定の補正量分ずらした位置である。所定の補正量は、解析対象（要素）の一つである細胞の状態に応じて予め算出され、記憶部１３０や外部記憶装置３００等に記憶されている。
　これら細胞の分離化の処理によって、培養容器内に培養されている細胞群に対して、細胞領域の検出を行うことができる。また、細胞群の密着度や密度が大きい場合でも、細胞領域の検出を行うことができる。
＜輝度値を補正する処理＞
　解析装置１００は、画像上で分離した各細胞に対して、特徴量を抽出する前に、以下の処理を予め行ってもよい。図１１は、輝度値を補正する処理の一例を示す図である。
　輝度値補正部１２０は、培養容器の全体像を示す領域Ｆにおいて、背景領域の輝度値を補正する。輝度値補正部１２０は、例えば、培養容器の全体像を示す領域Ｆの中において、細胞領域分離部１１８により分離された細胞ｃｅｌｌの領域を示す細胞領域から細胞領域マスク５０を生成する。また、輝度値補正部１２０は、領域Ｆから細胞領域を差し引いた領域を示す背景領域から背景領域マスク５２を生成する。輝度値補正部１２０は、生成した背景領域マスク５２の全体の平均輝度値を算出する。輝度値補正部１２０は、算出した平均輝度値を、生成した細胞領域マスク５０を構成する各画素の輝度値から減算することにより、背景領域の輝度値を補正する。
　また、輝度値補正部１２０は、次に示す処理によって背景領域の輝度値を補正してもよい。輝度値補正部１２０は、細胞領域分離部１１８により分離された細胞ｃｅｌｌごとに、その細胞ｃｅｌｌの近傍における背景領域マスク５４の平均輝度値を算出する。近傍とは、細胞ｃｅｌｌを示す画素のうち最外郭の画素から、例えば５画素以内であることを表す。すなわち、輝度値補正部１２０は、細胞ｃｅｌｌの外郭を囲うような一部の背景領域マスク５４に対して平均輝度値を算出する。輝度値補正部１２０は、算出した平均輝度値を、生成した細胞領域マスク５０を構成する各画素の輝度値から減算することにより、背景領域の輝度値を補正する。
　これによって、細胞が存在しない培養容器を撮像した画像と、細胞が存在する培養容器を撮像した画像とを比較することにより、背景領域を補正する従来の処理が不要になる。この結果、解析処理をより簡易に行うことができる。また、培養容器の撮像時に、周辺減光や顕微鏡の感度の不均一性等によって輝度の斑が生じた場合、背景領域の輝度値を補正することにより、画像全体を平均的に一様な明るさにすることができる。この結果、特徴量をより正確に抽出することができる。
＜画像上における細胞の分離化ＩＩＩ＞
　細胞領域分離部１１８は、発色された解析対象の画像から所定の発色パターンを検出し、解析対象の画像に対して、所定の発色パターンと予め対応付けられた最適な細胞領域の検出方法を選択する。細胞領域分離部１１８は、例えば、画像の輝度の分散値に基づいて、所定の発色パターンを検出する。図１２は、発色された細胞の画像の一例を示す図である。
　細胞領域分離部１１８は、例えば、所定の発色パターンとして細胞核検出パターンの画像６０を検出した場合、記憶部１３０に予め記憶された細胞領域の検出方法の中から、細胞核暗色パターンと対応した所定の方法を取得する。細胞核検出パターンとは、細胞の核を示す画像の領域と核周辺の画像の領域との輝度値に差が生じることにより、核が検出できる発色パターンである。細胞領域分離部１１８は、記憶部１３０から取得した所定の方法に基づいて、画像上で細胞膜を分離し、個々の細胞領域を算出する（例えば、画像６２）。
　また、細胞領域分離部１１８は、例えば、所定の発色パターンとして細胞核不検出パターンの画像６４を検出した場合、記憶部１３０に予め記憶された細胞領域の検出方法の中から、細胞核不検出パターンと対応した所定の方法を取得する。細胞核不検出パターンとは、細胞の核を示す画像の領域と核周辺の画像の領域との輝度値が略同一であることにより、核が検出できない発色パターンである。細胞領域分離部１１８は、記憶部１３０から取得した所定の方法に基づいて、画像上で細胞を分離し、個々の細胞領域を算出する（例えば、画像６６）。
　これによって、細胞の解析に関する知識を有しないユーザであっても、画像上で細胞を分離し、個々の細胞領域を算出することができる。また、細胞の分離化の処理に要する時間を短縮することができる。
　なお、所定の発色パターンと予め対応付けられた最適な細胞領域の検出方法は、記憶部１３０に記憶されている構成としたが、これに限らない。例えば、外部記憶装置３００や他の記憶装置に記憶されていてもよい。
　また、所定の発色パターンと予め対応付けられているものは、最適な細胞領域の検出方法としたが、種々の特徴量を抽出する方法や解析対象（要素）そのものを検出する方法等であってもよい。
　以下、解析時に行う処理について説明する。解析対象（要素）の一つである細胞は、予め画像上において分離化が行われ、細胞領域が算出されているものとする。ここでは、種々の現象を定量的に解析するための一例を以下に示す。
＜蛋白質の局在の解析＞
　特徴量抽出部１２２は、関心領域検出部１１６により検出された関心領域内部における、細胞領域分離部１１８により分離された細胞に対して、細胞の核と細胞質との間を往来する物質の特徴量を抽出する。なお、これらの物質は、抗体や蛍光蛋白質等で、予め蛍光染色しておく。特徴量抽出部１２２は、例えば、細胞の核と細胞質との間を往来する物質である蛋白質の特徴量を抽出する。特徴量抽出部１２２は、例えば、核の内部に局在していた蛋白質が、核の外部を覆う細胞質に移動した場合、蛋白質の移動前後の画像から特徴量として以下の値を抽出する。また、特徴量抽出部１２２は、細胞質に局在していた蛋白質が、核の内部に移動した場合でも、蛋白質の移動前後の画像から特徴量を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
・核の総輝度値／細胞質の総輝度値。
・核の総輝度値／細胞の総輝度値。
・核の平均輝度値／細胞質の平均輝度値。
・核の平均輝度値／細胞の平均輝度値。
・細胞内の輝度値の分散。
・核内の輝度値の分散。
・核内の輝度値の平均。
・細胞質内の輝度値の分散。
・細胞内の輝度値の平均。
・細胞質内の輝度値の平均。
・核の輝度の中央値／細胞質の輝度の中央値。
・核の輝度の中央値／細胞の輝度の中央値。
・細胞内の輝度値の中央値。
・核内の輝度値の中央値。
・細胞質の輝度値の中央値。
　また、特徴量抽出部１２２は、細胞の核膜と細胞の核との間を往来する物質の特徴量、又は細胞の核膜と細胞質との間を往来する物質の特徴量を抽出してもよい。特徴量抽出部１２２は、例えば、上記細胞構造の間で往来する物質として、Ｎｕｐ９８等の蛋白質の特徴量を抽出する。特徴量抽出部１２２は、例えば、細胞の核膜（細胞の核）に局在していた蛋白質が細胞の核（細胞の核膜）に移動した場合、又は細胞の核膜（細胞質）に局在していた蛋白質が細胞質（細胞の核膜）に移動した場合、蛋白質の移動前後の画像から特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
・核膜の総輝度値／核の総輝度値。
・核膜の平均輝度値／核の平均輝度値。
・核内の輝度値の分散。
・細胞質内の輝点数。
・細胞内の輝点の平均輝度値。
・細胞内の輝点の総輝度値（細胞毎の合計値）
・各輝点の面積。
・細胞毎の輝点の平均面積。
・核膜の輝度値の中央値／核の輝度値の中央値。
・核膜の総輝度値／細胞質の総輝度値。
・核膜の平均輝度値／細胞質の平均輝度値。
・核膜の輝度値の中央値／細胞質の輝度値の中央値。
・核膜の総輝度値／細胞の総輝度値。
・核膜の平均輝度値／細胞の平均輝度値。
・核膜の輝度値の中央値／細胞の輝度値の中央値。
・核膜の総輝度値。
・核膜の平均輝度値。
・核膜の輝度分散。
・核膜の中央値。
・細胞質内の輝度値の分散。
・細胞内の輝度値の平均。
・細胞質内の輝度値の平均。
・核の輝度の中央値／細胞質の輝度の中央値。
・核の輝度の中央値／細胞の輝度の中央値。
・細胞内の輝度値の中央値。
・核内の輝度値の中央値。
・細胞質の輝度値の中央値。
＜蛋白質の凝集体の形成の解析Ｉ＞
　特徴量抽出部１２２は、細胞の所定の領域に一様に分布している物質が凝集（スポット）するように形成された場合、凝集する前後の画像から物質の特徴量を抽出する。特徴量抽出部１２２は、例えば、細胞の所定の領域に一様に分布している物質として、ＧＳＫ３βやｐ－ＧＳＫ３β等の蛋白質から特徴量を抽出する。特徴量抽出部１２２は、例えば、蛋白質の凝集する前後の画像から特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
・核の総輝度値／細胞の総輝度値。
・核の総輝度値／細胞質の総輝度値。
・核の平均輝度値／細胞の平均輝度値。
・核の平均輝度値／細胞質の平均輝度値。
・細胞内の輝度値の分散。
・スポット数。
・核内のスポット数／核外のスポット数。
＜蛋白質の凝集体の形成の解析ＩＩ＞
　特徴量抽出部１２２は、細胞の所定の領域に一様に分布している物質が部分集合し特定の集合体（ドメイン）を形成する場合、特定の集合体（ドメイン）を形成する物質の特徴量を抽出する。特徴量抽出部１２２は、例えば、特定の集合体（ドメイン）を形成する物質である蛋白質の特徴量を抽出する。蛋白質は、例えば、アクチン（Ａｃｔｉｎ）、ＳＮＸ－９、ｐ－Ａｋｔ（Ｓ４７３）、ＷＡＳＨ１、及びＥＥＡ１等である。特徴量抽出部１２２は、例えば、蛋白質が特定の集合体（ドメイン）を形成する前後の画像から特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
・細胞質の輝度値の分散。
・ドメインの面積。
・細胞内のドメインの数（細胞毎の合計値及び平均値）。
・ドメインの総輝度値／細胞質の総輝度値。
・ドメインの平均輝度値／細胞の平均輝度値。
＜蛋白質の共局在の解析＞
　特徴量抽出部１２２は、細胞の所定の領域に一様に分布している物質が部分集合し特定の集合体（ドメイン）を形成する場合、特定の集合体（ドメイン）と同箇所に集合する他の物質について特徴量を抽出する。また、特徴量抽出部１２２は、特定の集合体を形成しない場合において、複数の物質が同箇所に存在するか否かをその物質の特徴量の抽出により解析する。特徴量抽出部１２２は、特徴量抽出部１２２は、例えば、特定の集合体（ドメイン）と同箇所に集合する物質である蛋白質の特徴量を抽出する。
　特徴量抽出部１２２は、例えば、蛋白質の一種であるアクチンがドメインを形成する場合（以下、「アクチンドメイン」と記載する）、ドメイン周囲の一定の範囲に分布する蛋白質の輝度値から特徴量を抽出する。特徴量抽出部１２２は、蛋白質の輝度値の特徴量として以下の値を抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
・アクチンドメイン周囲の一定の範囲における蛋白質の輝度値の分散。
・アクチンドメイン上の蛋白質の総輝度値／細胞全体の蛋白質の総輝度値。
・アクチンドメイン上の蛋白質の平均輝度値／細胞全体の蛋白質の平均輝度値。
・アクチンドメイン周囲の一定の範囲における蛋白質の総輝度値／細胞全体の蛋白質の総輝度値。
・アクチンドメイン上の蛋白質の平均輝度値／ドメイン周囲の一定の範囲における蛋白質の平均輝度値。
・アクチンドメイン上の蛋白質の総輝度値／ドメイン周囲の一定の範囲における蛋白質の総輝度値。
　また、特徴量抽出部１２２は、例えば、アクチンと、他の蛋白質とがドメインを形成する場合、形成されたドメインに基づいて以下の値を特徴量として抽出する。なお、以下に示す特徴量は一例であって、他の特徴量を抽出してもよい。
・アクチンドメイン及び蛋白質ドメインが重複する領域の面積／アクチンドメイン及び蛋白質ドメインの総領域の面積。
・アクチンドメイン周囲の一定の範囲における蛋白質の輝度値の分散。
＜微小線維の方向性の解析＞
　細胞は、移動して活動する際に細胞の形を変化させる場合がある。このとき、細胞内に存在する蛋白質の一種であるアクチンや、微小管等の微小線維が、細胞の変化に伴って特定の方向性を示す。これらの微小繊維は、抗体や蛍光蛋白質等により蛍光染色することが可能である。
　特徴量抽出部１２２は、微小線維が方向性を示す前後の画像から、細胞内に存在する微小線維の特徴量を抽出する。図１３は、細胞内の微小線維の一例を示す図である。特徴量抽出部１２２は、細胞内の方向性を有した微小線維からベクトル及び角度θを特徴量として抽出する。
　特徴量抽出部１２２は、方向性を有した微小線維の数と、方向性を有した微小線維の角度θとを算出する。グラフＧ７は、方向性を有した微小線維の数、及び方向性を有した微小線維の角度θから構成されるヒストグラムである。
　また、特徴量抽出部１２２は、微小線維を内部に有する細胞の数と、細胞毎の微小線維の角度θの統計値とを算出する。グラフＧ８は、微小線維を内部に有する細胞の数、及び細胞毎の微小線維の角度θの統計値から構成されるヒストグラムである。
　また、特徴量抽出部１２２は、方向性を有した微小線維の数と、方向性を有した微小線維の長さとを算出する。グラフＧ９は、方向性を有した微小線維の数、及び方向性を有した微小線維の長さから構成されるヒストグラムである。
　また、特徴量抽出部１２２は、微小線維を内部に有する細胞の数と、細胞毎の微小線維の長さの統計値とを算出する。グラフＧ９は、微小線維を内部に有する細胞の数、及び細胞毎の微小線維の長さの統計値から構成されるヒストグラムである。なお、上述した全てのヒストグラムは、同一条件の細胞ごとに生成される。
　これによって、細胞の遊走性を定量的に解析することができる。この結果、予め細胞の方向性に対応した情報を取得していた場合、細胞を特定することができる。
＜蛋白質複合体の凝集の解析＞
　細胞の核の内部に一様に分布しているクロマチン等の蛋白質複合体は、細胞が死ぬ際に小さな塊となって凝集する。これらの蛋白質は、抗体、蛍光蛋白質、蛍光色素（例えばDAPIやHoechst等）により蛍光染色することが可能である。
　特徴量抽出部１２２は、蛋白質複合体の凝集前後の画像から、蛋白質複合体の凝集度合を特徴量として抽出する。図１４は、蛋白質複合体の一例を示す図である。特徴量抽出部１２２は、例えば、細胞領域分離部１１８により検出された核７０の領域全体の輝度値の分散を、蛋白質複合体の凝集度合を示す特徴量として抽出する。これによって、蛋白質複合体の凝集を定量的に解析することができる。この結果、細胞死の現象を解明することに役立てることができる。
　また、特徴量抽出部１２２は、細胞領域分離部１１８により検出された核７０に対して線状に輝度値の走査を行い、走査した範囲内の輝度値に基づいて、輝度値のピーク数及び平均輝度値を算出してもよい。図１５は、蛋白質複合体の凝集前後の画像に対して、線状に輝度値の走査を行う処理の一例を示す図である。図１５に示すように、特徴量抽出部１２２は、核７０に対して、矢印７２に示す方向に沿って輝度値の走査を行う。なお、特徴量抽出部１２２は、１方向だけに限らず、矢印７２に直交する方向等にさらに走査を行ってもよい。
　特徴量抽出部１２２は、走査して得られた輝度値が所定の輝度値ＴＨを超える回数を振幅のピーク数として算出する。特徴量抽出部１２２が走査して得た輝度値は、グラフＧ１１、Ｇ１２に示すような曲線（ＬＮ４、ＬＮ５）によって表すことができる。グラフＧ１１、Ｇ１２の横軸は、走査する直線状の範囲（単位は、［μｍ］）であり、縦軸は、画素の輝度値である。グラフＧ１１に示すように、蛋白質複合体が核７０の内部に一様に分布している場合、走査して得られた輝度値を示す曲線ＬＮ４は、例えば、振幅のピークが１つの曲線になる。また、グラフＧ１２に示すように、蛋白質複合体が核７０の内部で凝集している場合、走査して得られた輝度値を示す曲線ＬＮ５は、例えば、振幅のピークが３つの曲線になる。これによって、蛋白質複合体の凝集が進むに連れて振幅のピーク数が増加することが判断できる。また、蛋白質複合体の凝集過程を時系列の画像によって解析した場合、時間及び振幅のピーク数で表されたグラフＧ１３を示すことができる。これによって、蛋白質複合体の凝集を定量的に解析することができる。
　また、特徴量抽出部１２２は、解析対象（例えば細胞）を示す画像から、空間系列に関する特徴量を抽出してもよい。空間系列に関する特徴量とは、例えば、画像上における座標情報や、複数の解析対象間の距離等である。
　これによって、解析対象の可視化や、イメージング、画像解析等の処理の際に、空間系列に関する特徴量を１つの指標として用いることができる。
＜機構の解析Ｉ＞
　機構解析部１２４は、時系列、もしくは、刺激条件等の細胞周辺環境の変化に伴って、もしくは、分化段階や刺激後の経過時間や、遺伝子発現等の、細胞の状態変化に伴って特徴量抽出部１２２により抽出された種々の特徴量を示すデータ（以下、「特徴データ」と記載する）に基づいて、特徴データ間の相関関係を算出する。本実施形態において、特徴データは、例えば、１つの解析対象（要素）に対して複数生成される。例えば、要素ａからは、特徴データａ１～ａｎ個のデータが生成され、要素ｂからは、特徴データｂ１～ｂｎ個のデータが生成される。なお、要素ｃ以降については説明を省略する。また、ここでｎは、正の整数を表すものとする。
　例えば、要素が細胞である場合、特徴データは、形態、速度、方向性（遊走方向）等の特徴量を示すデータとして生成される。また、例えば、要素がオルガネラの場合、特徴データは、形態、分布等の特徴量を示すデータとして生成される。また、例えば、要素が生体物質の場合、特徴データは、発現、局在、共局在、凝集等の特徴量を示すデータとして生成される。また、例えば、要素が核内構造体の場合、特徴データは、形態、分布等の特徴量を示すデータとして生成される。また、例えば、要素が特定の遺伝子又はその遺伝子産物と対応づけられている場合、特徴データは、遺伝子の発現、遺伝子産物の局在、共局在、凝集等の特徴量を示すデータとして生成される。
　図１６は、特徴量抽出部１２２により時系列で抽出された特徴量の一例を示す図である。
　機構解析部１２４は、例えば、グラフＧ１４に示す時間によって変化する特徴データＸと、グラフＧ１５に示す時間によって変化する特徴データＹと、グラフＧ１６に示す時間によって変化する特徴データＺとの相関関係を、下記に示す式（１）及び（２）に基づいて算出する。特徴量は、例えば、長さｎ、時間差ｋで表される。式（１）は、相互共分散Ｃｋを算出する算出式であり、式（２）は、相互相関Ｒｋを算出する算出式である。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　まず、特徴データＸ－Ｙ間の相関について説明する。
　機構解析部１２４は、例えば、特徴データＸの変化量が大きい区間（ｔ～ｔ＋ｎ）と、特徴データＹの変化量が大きい区間（ｔ＋ｋ～ｔ＋ｋ＋ｎ）とを比較することにより、特徴データＸ及び特徴データＹの相関関係を算出する。このとき、特徴データＸ及び特徴データＹの相関関係は、例えば、相互相関係数０．９（正の相関）として算出される。機構解析部１２４は、例えば、特徴データに対して、一定の刻み幅で特徴データの値をサンプリングし、時間的に隣接するデータとの差分がしきい値以上である区間を変化量が大きい区間として特定する。
　機構解析部１２４は、例えば、核の内部に局在していた蛋白質（ＦｏｘＯ１）が核の外部を覆う細胞質に移動した際に抽出される特徴データＸと、核膜に存在していた蛋白質（Ｎｕｐ９８）が核の内部に移動する際に抽出される特徴データＹとを比較することにより相関関係を算出する。
　機構解析部１２４は、例えば、図１６に示す特徴データＸの変化によって特徴データＹの変化が引き起こされたという仮説を立てる。「仮説を立てる」とは、暫定の特徴データ間の相関関係を示す情報を記憶部１３０に書き込んでおき、後の処理で種々選択することをいう。つまり、機構解析部１２４は、特徴データＸを主とし、特徴データＹを従とした暫定の特徴データ間の相関関係を算出する。
　次に、特徴データＸ－Ｚ間の相関について説明する。
　機構解析部１２４は、例えば、特徴データＸの変化量が大きい区間（ｔ～ｔ＋ｎ）と、特徴データＺの変化量が大きい区間（ｔ＋ｋ～ｔ＋ｋ＋ｎ）とを比較することにより、特徴データＸ及び特徴データＺの相関関係を算出する。図１６に示す具体例においては、特徴データＸ及び特徴データＺの相関関係は、例えば、相互相関係数－０．９（負の相関）として算出される。
　機構解析部１２４は、例えば、図１６に示す特徴データＸの変化によって特徴データＺの変化が引き起こされたという仮説を立てる。つまり、機構解析部１２４は、特徴データＸを主とし、特徴データＺを従とした特徴データ間の相関関係を算出する。
　なお、相関関係を表す相互相関係数の値は、複数の基準レベルによって段階的に区分されている。相互相関係数の値は、例えば、範囲Ａ７（－１．０～－０．７）及び範囲Ａ１（０．７～１．０）において、強い相関を示すレベルとして区分される。また、相互相関係数の値は、例えば、範囲Ａ６（－０．７～－０．４）及び範囲Ａ２（０．４～０．７）において、相関を示すレベルとして区分される。また、相互相関係数の値は、例えば、範囲Ａ５（－０．４～－０．２）及び範囲Ａ３（０．２～０．４）において、弱い相関を示すレベルとして区分される。また、相互相関係数の値は、例えば、範囲Ａ４（－０．２～０．２）において、相関が無いことを示すレベルとして区分される。なお、これらの相互相関係数に対するレベルの区分は一例であり、より細分化されたレベルであってもよい。
　ここで、図１７～２２を参照して、機構解析部１２４の処理の具体例を説明する。図１７は、特徴データａに対して強い相関を示す特徴データの一例を示す図である。
　機構解析部１２４は、例えば、区間（０～ｋ）における特徴データａを基準に、他の特徴データｂ～ｆに対して、強い相関を示す区間を特定する。機構解析部１２４は、例えば、特徴データｂにおいて、区間（０～ｋ）における特徴データａと強い相関を示す区間を（６～６＋ｋ）として特定する。また、機構解析部１２４は、例えば、特徴データｃにおいて、区間（０～ｋ）における特徴データａと強い相関を示す区間を（９～９＋ｋ）として特定する。また、機構解析部１２４は、例えば、特徴データｄにおいて、区間（０～ｋ）における特徴データａと強い相関を示す区間を（４～４＋ｋ）として特定する。また、機構解析部１２４は、例えば、特徴データｅにおいて、区間（０～ｋ）における特徴データａと強い相関を示す区間はないことから強い相関を示す区間を特定しない。また、機構解析部１２４は、例えば、特徴データｆにおいて、区間（０～ｋ）における特徴データａと強い相関を示す区間を（８～８＋ｋ）として特定する。
　これらの結果から、機構解析部１２４は、強い相関を示した特徴データのうち、区間の始まりの時刻が早いものをより強い相関を示すものとした順を仮定する。機構解析部１２４は、仮定した順に基づいて、特徴データ間の相関関係を算出する。すなわち、機構解析部１２４は、特徴データａを主とした場合、特徴データｄ、ｂ、ｆ、ｃの順列で特徴データ間の相関関係を算出する。
　また、機構解析部１２４は、例えば、区間（６～６＋ｋ）における特徴データｂを基準に、他の特徴データｃ～ｆに対して、強い相関を示す区間を特定する。以下、機構解析部１２４は、全ての特徴データに対して同様の処理を行い、特徴データの特徴データ間の相関関係を示すモデルを構築する。機構解析部１２４により構築された全ての特徴データ間の相関関係を示す対応表を図１８に示す。
　機構解析部１２４により算出された全ての特徴データ間の相関関係を検証するために、主として仮定された特徴量の変化が失われる処置を細胞に施し、その他の条件は同一にして細胞（サンプル）を作成する。観察装置１は、特徴量の変化が失われる処置が施された後の細胞に対して、特徴量の変化が失われる処置が施す前と同様に、時系列で画像を撮像し、特徴量の変化が失われる処置が施す前と同じ特徴量を取得する。
　次に、図１９～２１を参照して、阻害薬が添加された細胞が示す特徴データの相関の算出について説明する。
　図１９は、阻害薬が添加された細胞が示す特徴データに対して強い相関を示す特徴データの一例を示す図である。特徴データａは、区間（０～ｋ）において、阻害薬が添加されたことにより特徴量の変化が失われている。
　機構解析部１２４は、例えば、区間（０～ｋ）における阻害薬が添加された細胞の特徴データａと、所定の区間における他の特徴データｂ、ｃ、ｄ、ｆとを比較することで相関関係を算出する。所定の区間とは、他の特徴データが、阻害薬が添加される前の特徴データａに対して強い相関を示す区間である。
　機構解析部１２４は、例えば、特徴量aの変化が失われる処置を施された細胞の特徴データａと強い相関が示される特徴データとして特徴データｂ、ｆを特定する。すなわち、機構解析部１２４は、特徴データａの特徴量の変化が減少することに起因して、特徴量の変化が減少する特徴データを特定する。これによって、機構解析部１２４は、特徴量aの変化が失われる処置が施される前に算出された特徴データ間の相関関係から、相関関係の弱いものを除いて、新たに特徴データ間の相関関係を算出する。機構解析部１２４により新たに算出された特徴データ間の相関関係を示す対応表を図２０に示す。
　また、ここで新たに特徴量ｄの変化が失われる処置を細胞に施し、その他の条件は同一にして新たな細胞（サンプル）を作成する。観察装置１は、特徴量ｄの変化が失われる処置が施された後の細胞に対して、特徴量ｄの変化が失われる処置が施す前と同様に、時系列で画像を撮像し、特徴量ｄの変化が失われる処置が施す前と同じ特徴量を取得する。
　機構解析部１２４は、この特徴量に基づいて、特徴データ間の相関関係を算出する。図２１は、特徴量ｄの変化が失われる処置を施された細胞が示す特徴データに対して強い相関を示す特徴データの一例を示す図である。特徴データｄは、区間（４～４＋ｋ）において、施された処置により特徴量の変化が失われている。
　機構解析部１２４は、例えば、区間（４～４＋ｋ）における特徴量ｄの変化が失われる処置が施された細胞の特徴データｄと、所定の区間における他の特徴データａ、ｂ、ｃ、ｆとを比較することで特徴データ間の相関関係を算出する。
　機構解析部１２４は、例えば、特徴量ｄの変化が失われる処置が施された細胞の特徴データｄと強い相関が示される特徴データとして特徴データｂ、ｃを特定する。すなわち、機構解析部１２４は、特徴データｄの特徴量の変化が減少することに起因して、特徴量の変化が減少する特徴データを特定する。これによって、機構解析部１２４は、特徴量ａの変化が失われる処置を実施され、且つ特徴量ｄの変化が失われる処置を施される前に算出された特徴データ間の相関関係から、相関関係の弱いものを除いて、新たに特徴データ間の相関関係を算出する。機構解析部１２４により新たに算出された特徴データ間の相関関係を示す対応表を図２２に示す。
　機構解析部１２４は、算出した特徴データ間の相関関係に基づいて、相関マトリクスを算出する。相関マトリクスは、特徴データの組み合わせと、この組み合わせによって算出された相関関係の度合を示す指標（例えば相互相関係数）とで表される。機構解析部１２４は、例えば、特徴データの組み合わせのパターン（バリエーション）を全て網羅するように相関マトリクスを複数算出する。
　図２３は、相関マトリクスの一例を示す図である。本実施形態において、例えば、要素ａからは、特徴データａ１～ａｎ個のデータが生成され、要素ｂからは、特徴データｂ１～ｂｎ個のデータが生成される。以下の要素については説明を省略する。
　このため、機構解析部１２４は、例えば、要素ａから抽出された各種特徴データａ１～ａｎと、要素ｂから抽出された各種特徴データｂ１～ｂｎとの組み合わせをマトリクスとして表す。機構解析部１２４は、これらマトリクスの各成分に、特徴データの組み合わせによって算出された相関関係の数値を格納する。解析装置１００は、算出した相関マトリクスをユーザに提示する場合、相関関係の数値に応じた色で各成分を表すと好適である。
　機構解析部１２４は、算出した相関マトリクスから、相関が高い特徴データの組み合わせを抽出する。機構解析部１２４は、例えば、相関を示す値（相互相関係数等）が所定値より高い成分の数を算出し、算出した成分の数が大きい組み合わせを、相関が高い特徴データの組み合わせとして抽出する。
　機構解析部１２４は、抽出した相関が高い特徴データの組み合わせに基づいて、要素間の相関関係を示すモデルを構築する。以下、要素間の相関関係を示すモデルの構築を行う処理について説明する。
　図２４は、要素間の相関関係を示すモデルの図である。図示の例のモデルは、例えば、要素ａ、ｂと、要素ａ、ｎと、要素ｂ、ｃと、要素ｃ、ｎと、要素ｃ、ｍとの組み合わせが、機構解析部１２４によって相関が高いものとして抽出された場合に、各組み合わせの相関係数に基づいて構築されたものである。なお、図２４に示す各要素間を繋ぐ実線の太さは、相関関係の強さを表す。また、各要素間を繋ぐ破線は、要素ａの特徴量が失われる処置を施したことにより、要素間の相関関係が変化したことを示している。また、各要素間を繋ぐ実線は、要素ａの特徴量が失われる処置の施しの有無に関わらず、要素間の相関関係が変化しないことを示している。
　要素ｂ、ｃの特徴データとしては、例えば、蛋白質の発現や、核および細胞間の局在変化、凝集体数等の特徴量を示す。また、要素ｌの特徴データとしては、例えば、核酸（ｍＲＮＡ）の発現や、細胞質局在、所定の蛋白質との共局在等の特徴量を示す。また、要素ｎの特徴データとしては、例えば、オルガネラの配向や、長さ等の特徴量を示す。また、要素ｍの特徴データとしては、例えば、細胞の面積や、円形の度合等の特徴量を示す。
　ここで、例えば、図２４のモデルを示す特徴データの抽出元である細胞に要素ａの変化が失われる処置を施す。この結果、機構解析部１２４は、新たな要素間の相関関係を示すモデルを構築することが可能となる。以下、図を参照して相関関係を示すモデルを説明する。
　図２５は、要素ａの特徴量である発現が失われる処置を施した後に構築される要素間の相関関係を示すモデルの図である。図２５において、アンダーラインが付与された特徴データ（特徴量）は、要素ａの特徴量の１つである発現が失われる処置を施した際に、変化する特徴データ（特徴量）を表す。また、アンダーラインが付与されていない特徴データ（特徴量）は、要素ａの特徴量の１つである発現が失われる処置を施した際に、変化しない特徴データ（特徴量）を表す。
　図示の例では、要素ａの下流側における隣接した位置に、要素ｂ、ｎを配置して示している。これは、要素ａの発現を失わせる処置を施した後に、要素ｂ、ｎの特徴量が変化したことを表している。このような図の例の場合、機構解析部１２４は、次の処理を行っている。
　機構解析部１２４は、要素ａの発現を示す特徴データが変化した場合、この変化に伴って変化する特徴データの抽出元の要素ｂ、ｎを、要素ａの下流側の隣接した位置に配置したモデルを構築する。この結果、機構解析部１２４は、要素ａが要素ｂ、ｎを制御していると判定する。
　また、図示の例では、要素ａの隣接しない位置に、要素ｌ、ｃ、ｍを配置して示している。これは、要素ａの発現を失わせる処置を施した後に、要素ｌ、ｃ、ｍの特徴量が変化しないことを表している。この場合、機構解析部１２４は、次の処理を行っている。
　機構解析部１２４は、要素ａの発現を示す特徴データが変化した場合、この変化に伴って変化しない特徴データの抽出元の要素ｌ、ｃ、ｍを、要素ａの下流側の隣接しない位置に配置したモデルを構築する。この結果、機構解析部１２４は、要素ａが要素ｌ、ｃ、ｍを制御していないと判定する。
　機構解析部１２４は、上述した処理を他の要素に対して行うことにより、同様に以下の判定結果を導くことができる。
・要素ｂの発現は要素ａの制御を受けていない。
・要素ｂの局在変化と凝集は、要素ａの制御を受けている。
・要素ｂの発現量は、要素ｃを制御していることが推定される。
・要素ｎの配向は、要素ａと連動していることが推定される。
・要素ｎの配向は、要素ｂの局在変化か凝集と連動していることが推定される。
＜機構の解析ＩＩ＞
　機構解析部１２４は、要素ａの発現を失わせる処理と同時に、または当該処理のあとに、他の要素ごとに対して、その変化が失われる処置を実施して、その他の要素の特徴量の変化を算出する。これを繰り返すことで、要素間の相関関係を示すモデルを構築する。すなわち、機構解析部１２４は、算出した特徴データ間の相関に基づいて、解析対象（要素）間の相関を算出し、要素間の相関関係を示すモデルを構築する。上述した要素間の相関関係は、例えば、ベクトルによって、相関関係の強さおよび方向を表す。以下、このベクトルを、「相関ベクトル」と称する。
　また、要素の相関関係とは、ある要素の変動、維持、消失、発現が、他の要素の変動、維持、消失、発現に影響を与える関係、或いはある要素の変動、維持、消失、発現が、自身の変動、維持、消失、発現に影響を与える関係であることをいう。なお、これらの関係は、一方向、双方向、又はフィードバックの関係である。また、このようなモデルは、例えば、所謂シグナルカスケードや、シグナルネットワークなどに相当する。なお、機構解析部１２４は、特徴量ａの変化が失われる処置だけでなく、その他の特徴量の変化が失われる処置を行い、要素間の相関を算出してもよい。また、要素間の相関関係（例えばシグナルカスケード）には、遺伝子発現、蛋白質の活性化や代謝産物生成といった化学物質の反応だけに限られず、オルガネラの活性や、微小線維の方向性、細胞死、細胞周期などの細胞の反応も含む、生命現象全般にわたる要素のカスケード反応であってもよい。
　図２６は、要素間の相関関係を示すモデルの図である。図２６に示す矢印は相関ベクトルを表す。このため、矢印の太さは相関関係の強さを表し、矢印の向きは相関関係の方向を表す。機構解析部１２４は、例えば、要素ａを主とした場合、要素aを基点として、要素aと最も相関関係の強い要素を次の連鎖先とするように要素間の相関関係を示すモデルを構築する。図２６に示すように、機構解析部１２４は、算出した特徴データ間の相関関係に基づき、要素ｎ、ｂを基点の次の連鎖先としたモデルを構築する。
　図示の例において、解析装置１００は、以下のことを推定可能である。要素ａは、要素ｎ（微小管）の配向について制御するとともに、要素ｂ（蛋白質）の核および細胞間の局在変化、凝集体数等を制御している。また、要素ｎ（微小管）の長さは、要素ｍ（細胞）の方向性（遊走性）を制御している。また、要素ｂ（蛋白質）の発現は、要素ｃ（蛋白質）の発現、核および細胞間の局在変化、凝集体数等を制御している。また、要素ｃ（蛋白質）の核移行は、要素ｌ（核酸ｍＲＮＡ）の発現を更新している。また、要素ｃ（蛋白質）の発現は、要素ｍ（細胞）の肥大化を招いている。
　解析装置１００は、機構解析部１２４により算出される要素間の相関関係を示すモデルが、所定の関係を示すまで、ユーザは、特定の特徴量の変化が失われる処置、または複数の特徴量の組み合わせの変化が失われる処置を実施した細胞を新たに作成し、前述した処理を繰り返す。所定の関係とは、例えば、相関ベクトルの方向性が定まることである。つまり、機構解析部１２４は、特徴データＸの抽出元である解析対象Ｘを主とし、特徴データＹの抽出元である解析対象Ｙを従とした要素間の相関関係を示すモデルを算出する。これによって、ユーザの任意の細胞を作製することができる。
＜機構の解析ＩＩＩ＞
　また、機構解析部１２４は、特徴データ間の相互相関係数に基づいて、所定の特徴量に近い要素毎にグループ化を行い、グループ化した要素間の相関関係を算出してもよい。以下に、要素毎にグループ化を行う処理について説明する。また、以下の記載では、一例として要素を「細胞」として説明するが、その他の生命現象を司る機構を構成する要素であってもよい。
　機構解析部１２４は、例えば、細胞領域分離部１１８により分離された細胞毎に相関関係を示す値として相互相関係数を算出する。機構解析部１２４は、例えば、細胞領域分離部１１８により分離された細胞１において、細胞１を構成する要素ａ～ｆのそれぞれの相互相関係数を算出する。
　機構解析部１２４により算出される相互相関係数の一例を図２７に示す。機構解析部１２４は、例えば、要素ａから要素ｂに対する相互相関係数を０．８５として算出する。
　機構解析部１２４は、細胞毎に算出した相互相関係数に基づいて、所定の特徴量に近い細胞毎にグループ化を行う。所定の特徴量とは、例えば、要素間の影響を示したｎ次元ベクトル空間の座標上において、一定のしきい値を超える細胞間の距離を示す量である。なお、所定の特徴量は、予め実験等によって算出され、記憶部１３０等に記憶されていてもよい。
　図２８は、細胞に対して行うグループ化の処理を示す一例の概略図である。機構解析部１２４は、要素間の影響を示した数を次元数ｎとしたｎ次元座標に細胞を分布させる。機構解析部１２４は、ｎ次元座標上に分布する細胞に対して、所定の特徴量に基づいてクラスタリング処理を行い、細胞をグループ化する。機構解析部１２４は、例えば、要素ａから要素ｂ方向の影響と、要素ｂから要素ｇ方向の影響と、要素ｄから要素ｂ方向の影響とに基づいて、ｎ次元座標上に細胞を分布させる。機構解析部１２４は、ｎ次元座標上に分布させた細胞をクラスタリング処理により、例えば、３つのグループ（ＧＰ１～ＧＰ３）に分類する。
　次に、機構解析部１２４は、グループ化した細胞の相互相関係数に基づいて、要素間の相関関係を示すモデル（例えばシグナルカスケード）を構築し解析する。
　図２９は、機構解析部１２４によってグループ毎に構築されたシグナルカスケードのモデルの一例を示す図である。機構解析部１２４は、例えば、分類した３つのグループ（ＧＰ１～ＧＰ３）に対して、それぞれシグナルカスケードのモデルを構築する。
　これによって、解析対象が異なるシグナルカスケードが活性されている複数の細胞や、同じシグナルカスケードでも活性化程度が異なる細胞で構成された細胞の場合、それらの細胞の活性状態の時空間的特性を解析することができる。
　図３０は、解析装置１００により実行される処理の流れを示すフローチャートである。解析装置１００は、本フローチャートの処理を、例えば、ユーザの任意の回数分繰り返し実行する。
　まず、プレ観察として、顕微鏡制御部１１２は、培養容器の全体を低倍率（広範囲）で撮像するように顕微鏡２００を制御し、低解像の画像を取得する（ステップＳ１００）。また、顕微鏡制御部１１２は、中程度の倍率で培養容器の全体をタイリング撮像するように顕微鏡２００を制御してもよい。次に、密度算出部１１４は、顕微鏡２００によって取得された画像において、培養容器の全体像を示す領域Ｆの中に存在する細胞ｃｅｌｌの細胞密度及び細胞密着度を算出する（ステップＳ１０２）。次に、関心領域検出部１１６は、密度算出部１１４により算出された細胞密度及び細胞密着度に基づいて、関心領域Ｒを検出する（ステップＳ１０４）。
　次に、本観察として、顕微鏡制御部１１２は、関心領域Ｒを高倍率で撮像するように顕微鏡２００を制御し、高解像の画像を取得する（ステップＳ１０６）。次に、細胞領域分離部１１８は、顕微鏡２００により高倍率で撮像された画像上において、細胞領域を検出し細胞を分離する（ステップＳ１０８）。次に、特徴量抽出部１２２は、細胞領域分離部１１８により細胞が分離された画像に対して、細胞間または細胞内で往来する物質や、遺伝子発現、オルガネラの活性、細胞内の要素の方向性、細胞周期等の細胞の反応などの種々の特徴量を抽出する（ステップＳ１１０）。
　次に、機構解析部１２４は、特徴量抽出部１２２により抽出された時系列、もしくは細胞の生育環境の変化、もしくは細胞自身の状態を変化に伴う特徴データ及び空間系列の特徴データに基づいて、特徴量データ間の相関関係を算出する（ステップＳ１１２）。次に、機構解析部１２４は、算出した特徴量データ間の相関関係に基づいて、特徴データの抽出元である要素間の相関関係を算出する（ステップＳ１１４）。これによって、本フローチャートが終了する。
＜機構解析部１２４の他の処理＞
　機構解析部１２４は、特徴量抽出部１２２により空間系列で抽出された種々の特徴データに基づいて、要素間の相関関係を算出してもよい。図３１は、細胞間に伝達される刺激の信号の広がり方を表した一例を示す図である。図３１に示すように、機構解析部１２４は、例えば、外部から培養容器内に刺激８０が与えられる場合、この刺激８０に応じて細胞８２から周囲の細胞へと信号が伝達される。そのため、機構解析部１２４は、培養容器に与えられた刺激がトリガとなって、周囲の細胞で活性化されるシグナルネットワーク群を特定することができる。この結果、解析装置１００は、活性化されたシグナルネットワーク群を特定する特徴量を、各細胞に対して計測し、その特徴量が発現する時空間的タイミングを計測することで、シグナルネットワーク群が活性化される時空間タイミングを解析することができる。
　また、機構解析部１２４は、空間系列で抽出された特徴データ８４と、時系列で抽出された特徴データ８６とを組み合わせることで、シグナルネットワーク群が活性化される時空間タイミングを解析してもよい。
　また、機構解析部１２４は、刺激を与えた細胞を主とし、刺激を与えない細胞を従とした関連性を構築してもよい。これによって、機構解析部１２４は、刺激を与えない細胞から抽出されて相関を示した特徴データのうち、より相関の強いもから順列として仮定することができる。機構解析部１２４は、仮定した特徴データの順列に基づいて、要素間の相関関係を示すモデルを構築する。すなわち、機構解析部１２４は、要素間の距離に基づいて、要素間の相関を算出し、算出した要素間の相関の大きさに基づいて、要素間の相関関係を示すモデルを構築する。
＜観察補助システム＞
　解析装置１００は、解析対象の撮像の際に、外部記憶装置３００から最適な撮像条件（Optical　Configuration：ＯＣ）を取得し、取得した最適な撮像条件ＯＣに基づいて係る処理を行ってもよい。最適な撮像条件ＯＣは、例えば、解析対象に対応付けられた顕微鏡２００の倍率や焦点位置検出器の感度、露光条件、検出器の解像度、透過光の強度、蛍光励起光の強度や波長、オートフォーカスの条件、蛍光撮像用のフィルタ選択等のパラメータである。なお、最適な撮像条件ＯＣは、予め解析装置１００や他の解析装置等によって取得され、外部記憶装置３００等の記憶装置に記憶されているものとする。
　図３２は、最適な撮像条件ＯＣに基づいて行われる処理の一例を示す図である。解析装置１００は、解析対象に応じて、一致又は類似する最適な撮像条件ＯＣを外部記憶装置３００から取得する。解析装置１００は、外部記憶装置３００から取得した最適な撮像条件ＯＣに基づいて係る処理を行う。解析装置１００は、外部記憶装置３００から取得した最適な撮像条件ＯＣの一部を変更して解析対象を撮像した場合、その変更点を加味した条件を新たな最適な撮像条件ＯＣとして外部記憶装置３００に記憶させる。これによって、解析対象の撮像において、条件（パラメータ）の設定を少なくすることができる。また、解析に係る実験の再現性が良くなる。
　また、解析装置１００は、予め他の情報と対応付けられた画像を、外部記憶装置３００等の記憶装置から取得してもよい。図３３は、予め他の情報と対応付けられた画像を取得する処理の一例を示す図である。解析装置１００は、例えば、予め画像と他の情報とを対応付けて外部記憶装置３００等の記憶装置に記憶させておく。他の情報とは、例えば、波長、解析対象名、細胞種、プロジェクト名、実験条件等の解析に関係したあらゆる情報である。ユーザは、例えば、解析対象名である蛋白質に関係した画像を、解析装置１００を介して外部記憶装置３００から取得することができる。また、ユーザは、例えば、実験条件である所定の染色に関係した画像を、解析装置１００を介して外部記憶装置３００から取得することができる。これによって、ユーザの使用様態に適応することができ、利便性が向上する。
＜撮像領域の指定システム＞
　解析装置１００は、複数回にわたり培養容器内を撮像する場合、前撮像位置の情報を記憶部１３０から取得し、取得した前撮像位置の情報に基づいて、次の撮像位置を選定してもよい。前撮像位置とは、培養容器内において既に撮像した位置である。図３４は、取得した撮像情報に基づいて、次の撮像位置を選定する処理の一例を示す図である。
　図３４に示すように、解析装置１００は、例えば、次の撮像位置９０に対して前撮像位置９２が同じ位置であった場合、前撮像位置９２を回避して次の撮像位置を選定する。これによって、撮像時における光の照射による光毒性の影響や蛍光の退色等を抑えることができる。また、光の強度の評価や細胞毒性の評価等を行う際に有用になる。
　以上説明した実施形態の解析装置１００によれば、細胞の画像を取得し、取得した細胞の画像に基づいて、生命現象を司る機構を構成する要素を識別し、識別した要素ごとに要素の特徴量を示す特徴データを算出し、算出した特徴データに基づいて特徴データ間の相関関係を算出し、算出した特徴データ間の相関関係に基づいて要素間の相関関係を算出する。これによって、解析装置１００は、画像の解析を適切に行いつつ、細胞に係る生命現象を司る機構を構成する要素間の関連性を解析することができる。
　また、本実施形態の解析装置１００によれば、取得された細胞の画像に基づいて識別可能な要素を対象に解析を行うことにより、生命現象を司る機構の信頼度が高く反映された、要素間の相関を算出することができる。さらに、本実施形態の解析装置１００によれば、取得された細胞の画像に基づいて識別可能な要素を対象に解析を行うことにより、異なる種類の要素間の相関であっても、信頼度の高い相関を算出することができる。
　また、実施形態の機構解析部１２４によれば、分類したグループに対し、要素間の相関関係を示すモデルとして、それぞれシグナルカスケードのモデルを構築することにより、異なるシグナルカスケードが活性されている複数の細胞により構成された細胞の場合でも、それに適合したシグナルカスケードのモデルを構築することができる。
　また、実施形態の機構解析部１２４によれば、空間系列で抽出された特徴データと、時系列で抽出された特徴データとを組み合わせることで、刺激に対する細胞間の信号の伝達具合や細胞間の接触の影響等に対しても解析を行うことができる。
　また、実施形態の解析方法によれば、機構解析部１２４により構築される要素間の相関関係を示すモデルが、所定の関係を示すまで繰り返し解析処理を行うことができる。
　また、実施形態の解析方法によれば、機構解析部１２４により構築される要素間の相関関係を示すモデルが、所定の関係を示すまで繰り返し解析処理を行うことにより、ユーザの任意の細胞を作ることができる。
　なお、上記実施形態における顕微鏡２００が、「取得部」の一例であり、密度算出部１１４、関心領域検出部１１６および細胞領域分離部１１８が、「識別部」の一例であり、特徴量抽出部１２２および機構解析部１２４が、「算出部」の一例である。なお、特徴量抽出部１２２および機構解析部１２４の処理は、何れか一方の機能部のみによって実施されてもよい。また、特徴量抽出部１２２および機構解析部１２４の処理は、密度算出部１１４、関心領域検出部１１６および細胞領域分離部１１８等の他の機能部によって実施されてもよい。
　以下に、その他の実施例（変形例）について記載する。
　本発明の実施形態における解析装置１００の各処理を実行するためのプログラムをコンピューター読み取り可能な記録媒体に記録して、当該記録媒体に記録されたプログラムをコンピューターシステムに読み込ませ、実行することにより、上述した種々の処理を行ってもよい。
　なお、ここでいう「コンピューターシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。また、「コンピューターシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＣＤ－ＲＯＭ等の可搬媒体、コンピューターシステムに内蔵されるハードディスク等の記憶装置のことをいう。
　さらに「コンピューター読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピューターシステム内部の揮発性メモリ（例えばＤＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピューターシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピューターシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピューターシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　以上、本発明の実施形態について図面を参照して詳述したが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。
　１…観察装置、１００…解析装置、１１０…制御部、１１２…顕微鏡制御部、１１４…密度算出部、１１６…関心領域検出部、１１８…細胞領域分離部、１２０…輝度補正部、１２２…特徴量抽出部、１２４…機構解析部、１３０…記憶部、２００…顕微鏡、３００…外部記憶装置

Claims (26)

  1. 　細胞の画像を取得する取得部と、
    　前記取得部により取得された細胞の画像に基づいて、識別可能な要素を識別する識別部と、
    　前記識別部により識別された要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する算出部と、
    　を備える解析装置。
  2. 　前記要素は、前記画像のコントラストの情報に基づき識別可能な物質と、前記画像のコントラストの情報に基づき識別可能な現象との少なくとも一方を含む、
    　請求項１記載の解析装置。
  3. 　前記要素は、前記細胞と、前記細胞内に存在して前記細胞を構成する物質との少なくとも一方を含む、
    　請求項１記載の解析装置。
  4. 　前記物質は、細胞小器官と、前記細胞の生体物質との少なくとも一方を含む、
    　請求項３記載の解析装置。
  5. 　前記算出部は、算出した前記特徴量間の相関に基づいて、前記要素間の相関を示す相関ベクトルを算出する、
    　請求項１から４のうちいずれか１記載の解析装置。
  6. 　前記算出部は、算出した前記要素の特徴量に基づいて、前記特徴量間の相関を示すマトリクスを算出する、
    　請求項１から５のうちいずれか１項記載の解析装置。
  7. 　前記算出部は、前記細胞内に存在する要素の発現を、前記要素の特徴量として算出する。
    　請求項１から６のうちいずれか１項記載の解析装置。
  8. 　前記算出部は、前記細胞内に存在する要素の形状の分布または位置の分布を、前記特徴量として算出する、
    　請求項１から７のうちいずれか１項記載の解析装置。
  9. 　前記算出部は、前記細胞の核内部に存在する要素の形状の分布を、前記要素の特徴量として算出する、
    　請求項８記載の解析装置。
  10. 　前記算出部は、前記細胞内に存在する要素の方向性を、前記要素の特徴量として算出する、
    　請求項１から９のうちいずれか１記載の解析装置。
  11. 　前記算出部は、前記細胞の状態を、前記要素の特徴量として算出する、
    　請求項１から１０のうちいずれか１項記載の解析装置。
  12. 　前記細胞の状態とは、細胞死と細胞周期とを含む状態である、
    　請求項１１記載の解析装置。
  13. 　前記算出部は、前記細胞内に存在する要素の移動を、前記特徴量として算出する、
    　請求項１から１２のうちいずれか１項記載の解析装置。
  14. 　前記算出部は、前記細胞内に存在する要素の位置の共局在を、前記特徴量として算出する、
    　請求項１から１３のうちいずれか１項記載の解析装置。
  15. 　前記算出部は、前記細胞内に存在する要素のドメインを、前記特徴量として算出する、
    　請求項１から１４のうちいずれか１項記載の解析装置。
  16. 　前記算出部は、前記細胞の画像における前記要素の位置および配置に基づいて空間系列の要素の特徴量を算出し、時系列に取得された前記細胞の画像から時系列の要素の特徴量を算出し、算出した前記空間系列の要素の特徴量と前記時系列の要素の特徴量とを組み合わせて前記要素間の相関を算出する、
    　請求項１から１５のうちいずれか１項記載の解析装置。
  17. 　前記算出部は、時間と、前記細胞の生育環境の変化度合と、前記細胞の状態変化度合とのうちいずれか１つ以上を変化させながら前記特徴量間の相関を算出する、
    　請求項１から１６のうちいずれか１項記載の解析装置。
  18. 　前記算出部は、前記特徴量間の相関が最も大きくなったときの、前記時間と、前記細胞の生育環境の変化度合と、前記細胞の状態変化度合とを変化させた方向に基づいて、前記要素間の相関を算出する、
    　請求項１７記載の解析装置。
  19. 　前記算出部は、複数の前記要素ごとについて、複数の特徴量間の相互相関を示す値を算出することによって、前記要素をグループ化する、
    　請求項１から１８のうちいずれか１項記載の解析装置。
  20. 　前記算出部は、グループ化した前記要素ごとに、前記要素間の相関を示すモデルを算出する、
    　請求項１９記載の解析装置。
  21. 　細胞の画像を取得し、取得した細胞の画像に基づいて、識別可能な要素を識別し、識別した要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する解析装置に、前記取得した細胞の画像を解析させ、
    　前記解析装置により算出される要素間の相関を示すモデルが所定の関係になるまで、新たな前記細胞の画像を取得して前記解析装置に解析させることを繰り返すことを特徴とする、
    　解析方法。
  22. 　前記画像は、時間と、前記細胞の生育環境の変化度合と、前記細胞の状態変化度合とのうちいずれか１つ以上を変化させながら撮像した画像である、
    　請求項２１記載の解析方法。
  23. 　所定の関係とは、少なくとも一部の関係の方向性が定まることである、
    　請求項２１または２２記載の解析方法。
  24. 　細胞の画像を取得し、取得した細胞の画像に基づいて、識別可能な要素を識別し、識別した要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する解析装置に、前記取得した細胞の画像を解析させる処理と、
    　前記解析装置により算出される要素間の相関を示すモデルが所定の関係になるまで、新たな前記細胞の画像を取得して前記解析装置に解析させることを繰り返す処理と、
    　を実行させる解析プログラム。
  25. 　細胞の画像を取得し、取得した細胞の画像に基づいて、識別可能な要素を識別し、識別した要素ごとに要素の特徴量を算出し、算出した前記要素の特徴量に基づいて前記特徴量間の相関を算出し、算出した前記特徴量間の相関に基づいて前記要素間の相関を算出する解析装置に、前記取得した細胞の画像を解析させるステップと、
    　前記解析装置により算出される要素間の相関を示すモデルが所定の関係になるまで、新たな前記細胞の画像を取得して前記解析装置に解析させることを繰り返すステップと、
    　を有する細胞の製造方法。
  26. 　請求項２５に記載の細胞の製造方法を用いて製造された細胞。
PCT/JP2014/084664 2014-12-26 2014-12-26 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞 Ceased WO2016103501A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2014/084664 WO2016103501A1 (ja) 2014-12-26 2014-12-26 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞
EP14909103.5A EP3239287A4 (en) 2014-12-26 2014-12-26 Analysis device, analysis method, analysis program, cell manufacturing method and cells
JP2016565839A JP6670757B2 (ja) 2014-12-26 2014-12-26 判定装置、解析方法、および解析プログラム
US15/630,543 US10746647B2 (en) 2014-12-26 2017-06-22 Analysis device, analysis method, analysis program, cell manufacturing method and cells

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2014/084664 WO2016103501A1 (ja) 2014-12-26 2014-12-26 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US15/630,543 Continuation US10746647B2 (en) 2014-12-26 2017-06-22 Analysis device, analysis method, analysis program, cell manufacturing method and cells

Publications (1)

Publication Number Publication Date
WO2016103501A1 true WO2016103501A1 (ja) 2016-06-30

Family

ID=56149583

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2014/084664 Ceased WO2016103501A1 (ja) 2014-12-26 2014-12-26 解析装置、解析方法、解析プログラム、細胞の製造方法、および細胞

Country Status (4)

Country Link
US (1) US10746647B2 (ja)
EP (1) EP3239287A4 (ja)
JP (1) JP6670757B2 (ja)
WO (1) WO2016103501A1 (ja)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018019319A (ja) * 2016-07-29 2018-02-01 株式会社Ｓｃｒｅｅｎホールディングス 画像処理方法、画像処理装置、および撮像装置
WO2018066039A1 (ja) * 2016-10-03 2018-04-12 株式会社ニコン 解析装置、解析方法、及びプログラム
WO2018122908A1 (ja) * 2016-12-26 2018-07-05 株式会社ニコン 解析装置、解析プログラム及び解析方法
JP2018109707A (ja) * 2017-01-05 2018-07-12 オリンパス株式会社 顕微鏡パラメータの設定方法および観察方法
WO2018142570A1 (ja) * 2017-02-03 2018-08-09 株式会社ニコン 画像処理装置、解析装置、画像処理方法、画像処理プログラム及び表示装置
WO2018193612A1 (ja) * 2017-04-21 2018-10-25 株式会社ニコン 相関算出装置、相関算出方法及び相関算出プログラム
JP2019020385A (ja) * 2017-07-19 2019-02-07 アキュ ソリューションズ インクＡｃｕ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． 生物サンプルイメージの合成方法及び該方法を採用した光学システム
JPWO2018087861A1 (ja) * 2016-11-10 2019-09-26 国立大学法人 東京大学 解析装置、解析方法、及びプログラム
WO2019225177A1 (ja) * 2018-05-25 2019-11-28 ソニー株式会社 制御装置、制御方法、およびプログラム
WO2020090089A1 (ja) * 2018-11-01 2020-05-07 株式会社ニコン 判定装置、判定方法、及び判定プログラム
JP2020112552A (ja) * 2019-01-09 2020-07-27 国立大学法人九州大学 三次元形状情報生成装置、細胞判定システム
JPWO2021005904A1 (ja) * 2019-07-09 2021-01-14
WO2022130884A1 (ja) * 2020-12-18 2022-06-23 ソニーグループ株式会社 測定装置、測定方法、測定システム
WO2024014489A1 (ja) * 2022-07-12 2024-01-18 国立大学法人東京工業大学 解析システム、解析装置、解析プログラム、及び解析方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017109860A1 (ja) * 2015-12-22 2017-06-29 株式会社ニコン 画像処理装置
WO2018063914A1 (en) * 2016-09-29 2018-04-05 Animantis, Llc Methods and apparatus for assessing immune system activity and therapeutic efficacy
ES2975773T3 (es) * 2017-09-28 2024-07-15 Bd Kiestra Bv Métodos y sistemas para la evaluación automatizada de la sensibilidad a antibióticos
JP7166456B2 (ja) * 2018-08-01 2022-11-07 シーディーエックス・メディカル・アイピー・インコーポレイテッド 生体試料への拡張強化された合焦深度
JP2020094925A (ja) * 2018-12-13 2020-06-18 住友電気工業株式会社 品質評価方法
WO2020210746A1 (en) * 2019-04-12 2020-10-15 Invenio Imaging, Inc. Imaging system for detection of intraoperative contrast agents in tissue
CN110736751B (zh) * 2019-11-06 2022-04-19 合肥御微半导体技术有限公司 一种表面缺陷检测方法及装置
CN114663330B (zh) * 2020-12-03 2025-05-06 富泰华工业（深圳）有限公司 干细胞密度确定方法、装置、电子设备及存储介质
JP7671613B2 (ja) * 2021-04-05 2025-05-02 株式会社エビデント 細胞画像解析の設定を支援する装置、システム、及び、方法
WO2022254726A1 (ja) * 2021-06-04 2022-12-08 暢 長坂 画像解析方法、画像解析装置、及び、画像解析方法を実現するためのコンピュータプログラム
JP2023015674A (ja) * 2021-07-20 2023-02-01 株式会社エビデント 細胞塊の内部予測方法、プログラム、及び、画像処理装置

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005102538A (ja) * 2003-09-29 2005-04-21 Nikon Corp 細胞観察装置および細胞観察方法
JP2008064534A (ja) * 2006-09-06 2008-03-21 Olympus Corp 細胞画像処理装置および細胞画像処理方法
JP2008528975A (ja) * 2005-01-24 2008-07-31 ザ・ボード・オブ・トラスティーズ・オブ・ザ・レランド・スタンフォード・ジュニア・ユニバーシティ 細胞シグナル伝達系のモデリングのためのベイジアンネットワークの使用
JP2010022318A (ja) * 2008-07-23 2010-02-04 Nikon Corp 細胞の状態判別手法及び細胞観察の画像処理装置
US20100137144A1 (en) * 2005-06-24 2010-06-03 Eppendorf Array Technologies S.A. Method and means for detecting and/or quantifying hierarchical molecular change of a cell in response to an external stimulus
WO2010098105A1 (ja) * 2009-02-26 2010-09-02 国立大学法人名古屋大学 培養状態評価装置、培養状態評価方法、インキュベータおよびプログラム
JP2011075278A (ja) * 2009-09-29 2011-04-14 Olympus Corp 細胞核を構成する構造体の解析方法、及び細胞核の形態の解析方法
JP2011229411A (ja) * 2010-04-23 2011-11-17 Nagoya Univ 細胞評価モデル生成装置、細胞評価装置、インキュベータ、プログラム、および、培養方法
JP2011229409A (ja) * 2010-04-23 2011-11-17 Nagoya Univ 細胞評価装置、インキュベータ、細胞評価方法、細胞評価プログラムおよび細胞の培養方法
JP2011229410A (ja) * 2010-04-23 2011-11-17 Nagoya Univ 細胞評価装置、インキュベータ、プログラム、および、培養方法
JP2011239778A (ja) * 2010-04-23 2011-12-01 Nagoya Univ 化学物質のスクリーニング方法
US20120163681A1 (en) * 2010-11-29 2012-06-28 Jesper Lohse Methods and systems for analyzing images of specimens processed by a programmable quantitative assay
JP2012163538A (ja) * 2011-02-09 2012-08-30 Olympus Corp 細胞画像解析システム
JP2012175946A (ja) * 2011-02-28 2012-09-13 Nagoya Univ 細胞培養環境評価方法及びその装置
JP2012524893A (ja) * 2009-04-24 2012-10-18 ジーイー・ヘルスケア・ユーケイ・リミテッド マルチパラメータデータ解析の方法及び装置
JP2013192468A (ja) * 2012-03-16 2013-09-30 Olympus Corp 生物試料の画像解析方法、画像解析装置、画像撮影装置およびプログラム
JP2013230145A (ja) * 2012-04-30 2013-11-14 Masahiko Sato 細胞集団の状態を評価するための方法、候補化合物の発癌性を評価するための方法、潜在的な抗癌化合物の抗癌活性を評価するための方法及び治療用細胞集団の品質を評価するための方法
JP2014029287A (ja) * 2012-07-31 2014-02-13 Olympus Corp 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム
JP2014029346A (ja) * 2006-05-17 2014-02-13 Cellumen Inc 自動化組織分析のための方法
JP2014504882A (ja) * 2011-02-01 2014-02-27 ナノ３ディー バイオサイエンスィズ，インコーポレイテッド ３ｄ細胞生存率アッセイ

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2389692B (en) * 2001-02-20 2005-06-29 Cytokinetics Inc Method and apparatus for automated cellular bioinformatics
US20050014217A1 (en) * 2003-07-18 2005-01-20 Cytokinetics, Inc. Predicting hepatotoxicity using cell based assays
US7796815B2 (en) * 2005-06-10 2010-09-14 The Cleveland Clinic Foundation Image analysis of biological objects
US8041090B2 (en) * 2005-09-10 2011-10-18 Ge Healthcare Uk Limited Method of, and apparatus and computer software for, performing image processing
GB2435926A (en) * 2006-03-09 2007-09-12 Cytokinetics Inc Cellular predictive models for phospholipidosis
FR2920878B1 (fr) * 2007-09-10 2019-07-26 Innovative Concepts In Drug Development (Icdd) Procede de toxicologie predictive ou de test d'efficacite par mesure de mobilite d'organites
US8913121B2 (en) * 2010-07-11 2014-12-16 Spynsite, LLC System for image rendering or spectral recognition
US9670486B2 (en) * 2010-12-16 2017-06-06 Massachusetts Institute Of Technology RNAi-based method of screening and characterizing drug combinations
WO2012176785A1 (ja) 2011-06-20 2012-12-27 株式会社ニコン 画像処理装置および方法、並びにプログラム
JP5862671B2 (ja) * 2011-08-23 2016-02-16 日本電気株式会社 情報処理システム、情報処理方法、情報処理装置およびその制御方法と制御プログラム
EP4075478A1 (en) * 2012-10-26 2022-10-19 Fluidigm Canada Inc. Sample and method of sample preparation
US9177192B2 (en) * 2013-02-28 2015-11-03 Progyny, Inc. Apparatus, method, and system for image-based human embryo cell classification
US9177104B2 (en) * 2013-03-29 2015-11-03 Case Western Reserve University Discriminatively weighted multi-scale local binary patterns
WO2015038784A1 (en) * 2013-09-13 2015-03-19 The Board Of Trustees Of The Leland Stanford Junior University Multiplexed imaging of tissues using mass tags and secondary ion mass spectrometry
US9355459B2 (en) * 2014-01-29 2016-05-31 Cellogy, Inc. Method and system for characterizing cell motion
US9483685B2 (en) * 2014-04-28 2016-11-01 University Of Pittsburgh - Of The Commonwealth System Of Higher Education System and method for automated identification of abnormal ciliary motion
EP3155592B1 (en) * 2014-06-10 2019-09-11 Leland Stanford Junior University Predicting breast cancer recurrence directly from image features computed from digitized immunohistopathology tissue slides

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005102538A (ja) * 2003-09-29 2005-04-21 Nikon Corp 細胞観察装置および細胞観察方法
JP2008528975A (ja) * 2005-01-24 2008-07-31 ザ・ボード・オブ・トラスティーズ・オブ・ザ・レランド・スタンフォード・ジュニア・ユニバーシティ 細胞シグナル伝達系のモデリングのためのベイジアンネットワークの使用
US20100137144A1 (en) * 2005-06-24 2010-06-03 Eppendorf Array Technologies S.A. Method and means for detecting and/or quantifying hierarchical molecular change of a cell in response to an external stimulus
JP2014029346A (ja) * 2006-05-17 2014-02-13 Cellumen Inc 自動化組織分析のための方法
JP2008064534A (ja) * 2006-09-06 2008-03-21 Olympus Corp 細胞画像処理装置および細胞画像処理方法
JP2010022318A (ja) * 2008-07-23 2010-02-04 Nikon Corp 細胞の状態判別手法及び細胞観察の画像処理装置
WO2010098105A1 (ja) * 2009-02-26 2010-09-02 国立大学法人名古屋大学 培養状態評価装置、培養状態評価方法、インキュベータおよびプログラム
JP2012524893A (ja) * 2009-04-24 2012-10-18 ジーイー・ヘルスケア・ユーケイ・リミテッド マルチパラメータデータ解析の方法及び装置
JP2011075278A (ja) * 2009-09-29 2011-04-14 Olympus Corp 細胞核を構成する構造体の解析方法、及び細胞核の形態の解析方法
JP2011239778A (ja) * 2010-04-23 2011-12-01 Nagoya Univ 化学物質のスクリーニング方法
JP2011229410A (ja) * 2010-04-23 2011-11-17 Nagoya Univ 細胞評価装置、インキュベータ、プログラム、および、培養方法
JP2011229409A (ja) * 2010-04-23 2011-11-17 Nagoya Univ 細胞評価装置、インキュベータ、細胞評価方法、細胞評価プログラムおよび細胞の培養方法
JP2011229411A (ja) * 2010-04-23 2011-11-17 Nagoya Univ 細胞評価モデル生成装置、細胞評価装置、インキュベータ、プログラム、および、培養方法
US20120163681A1 (en) * 2010-11-29 2012-06-28 Jesper Lohse Methods and systems for analyzing images of specimens processed by a programmable quantitative assay
JP2014504882A (ja) * 2011-02-01 2014-02-27 ナノ３ディー バイオサイエンスィズ，インコーポレイテッド ３ｄ細胞生存率アッセイ
JP2012163538A (ja) * 2011-02-09 2012-08-30 Olympus Corp 細胞画像解析システム
JP2012175946A (ja) * 2011-02-28 2012-09-13 Nagoya Univ 細胞培養環境評価方法及びその装置
JP2013192468A (ja) * 2012-03-16 2013-09-30 Olympus Corp 生物試料の画像解析方法、画像解析装置、画像撮影装置およびプログラム
JP2013230145A (ja) * 2012-04-30 2013-11-14 Masahiko Sato 細胞集団の状態を評価するための方法、候補化合物の発癌性を評価するための方法、潜在的な抗癌化合物の抗癌活性を評価するための方法及び治療用細胞集団の品質を評価するための方法
JP2014029287A (ja) * 2012-07-31 2014-02-13 Olympus Corp 壊死細胞領域検出装置及びその方法、壊死細胞領域検出プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3239287A4 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018019319A (ja) * 2016-07-29 2018-02-01 株式会社Ｓｃｒｅｅｎホールディングス 画像処理方法、画像処理装置、および撮像装置
WO2018066039A1 (ja) * 2016-10-03 2018-04-12 株式会社ニコン 解析装置、解析方法、及びプログラム
JPWO2018066039A1 (ja) * 2016-10-03 2019-06-24 株式会社ニコン 解析装置、解析方法、及びプログラム
US10990798B2 (en) 2016-11-10 2021-04-27 The University Of Tokyo Analysis device, analysis method, and program
EP3540043A4 (en) * 2016-11-10 2020-09-16 The University Of Tokyo ANALYSIS DEVICE, ANALYSIS METHOD, AND PROGRAM
JPWO2018087861A1 (ja) * 2016-11-10 2019-09-26 国立大学法人 東京大学 解析装置、解析方法、及びプログラム
WO2018122908A1 (ja) * 2016-12-26 2018-07-05 株式会社ニコン 解析装置、解析プログラム及び解析方法
JPWO2018122908A1 (ja) * 2016-12-26 2019-06-24 株式会社ニコン 算出装置、算出プログラム、及び算出方法
JP2018109707A (ja) * 2017-01-05 2018-07-12 オリンパス株式会社 顕微鏡パラメータの設定方法および観察方法
US11215808B2 (en) 2017-01-05 2022-01-04 Olympus Corporation Microscope parameter setting method and observation method recognizing the shape of a cell
JPWO2018142570A1 (ja) * 2017-02-03 2019-11-07 株式会社ニコン 画像処理装置、解析装置、画像処理方法、画像処理プログラム及び表示装置
US11867691B2 (en) 2017-02-03 2024-01-09 Nikon Corporation Image processing device, analysis device, image processing method, image processing program, and display device
WO2018142570A1 (ja) * 2017-02-03 2018-08-09 株式会社ニコン 画像処理装置、解析装置、画像処理方法、画像処理プログラム及び表示装置
JPWO2018193612A1 (ja) * 2017-04-21 2020-05-21 株式会社ニコン 相関算出装置、相関算出方法及び相関算出プログラム
WO2018193612A1 (ja) * 2017-04-21 2018-10-25 株式会社ニコン 相関算出装置、相関算出方法及び相関算出プログラム
JP7144189B2 (ja) 2017-07-19 2022-09-29 アキュ ソリューションズ インク 生物サンプルイメージの合成方法及び該方法を採用した光学システム
JP2019020385A (ja) * 2017-07-19 2019-02-07 アキュ ソリューションズ インクＡｃｕ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． 生物サンプルイメージの合成方法及び該方法を採用した光学システム
WO2019225177A1 (ja) * 2018-05-25 2019-11-28 ソニー株式会社 制御装置、制御方法、およびプログラム
JP7243718B2 (ja) 2018-05-25 2023-03-22 ソニーグループ株式会社 制御装置、制御方法、およびプログラム
JPWO2019225177A1 (ja) * 2018-05-25 2021-07-15 ソニーグループ株式会社 制御装置、制御方法、およびプログラム
WO2020090089A1 (ja) * 2018-11-01 2020-05-07 株式会社ニコン 判定装置、判定方法、及び判定プログラム
JP2020112552A (ja) * 2019-01-09 2020-07-27 国立大学法人九州大学 三次元形状情報生成装置、細胞判定システム
JP7420346B2 (ja) 2019-01-09 2024-01-23 国立大学法人九州大学 三次元形状情報生成装置、細胞判定システム
WO2021005904A1 (ja) * 2019-07-09 2021-01-14 ソニー株式会社 情報処理装置およびプログラム
JPWO2021005904A1 (ja) * 2019-07-09 2021-01-14
JP7452544B2 (ja) 2019-07-09 2024-03-19 ソニーグループ株式会社 情報処理装置およびプログラム
US12140545B2 (en) 2019-07-09 2024-11-12 Sony Group Corporation Information processing device for analyzing a specimen
JPWO2022130884A1 (ja) * 2020-12-18 2022-06-23
WO2022130884A1 (ja) * 2020-12-18 2022-06-23 ソニーグループ株式会社 測定装置、測定方法、測定システム
JP7831310B2 (ja) 2020-12-18 2026-03-17 ソニーグループ株式会社 測定装置、測定方法、測定システム
WO2024014489A1 (ja) * 2022-07-12 2024-01-18 国立大学法人東京工業大学 解析システム、解析装置、解析プログラム、及び解析方法

Also Published As

Publication number Publication date
US10746647B2 (en) 2020-08-18
US20170350805A1 (en) 2017-12-07
EP3239287A1 (en) 2017-11-01
EP3239287A4 (en) 2018-08-15
JPWO2016103501A1 (ja) 2017-10-05
JP6670757B2 (ja) 2020-03-25

Similar Documents

Publication Publication Date Title
JP6670757B2 (ja) 判定装置、解析方法、および解析プログラム
CN112823376B (zh) 图像增强以实现改善的核检测和分割
JP6725646B2 (ja) 解析的に別個の検体染色のパターンの混合を有する細胞サンプルの自動化解析
JP6416135B2 (ja) スペクトル・アンミキシング
CN105283904B (zh) 图像自适应的生理上可信的颜色分离
JP7749461B2 (ja) 距離に基づく組織状態の決定
JP2023100730A (ja) 自動化された原位置ハイブリッド形成分析のためのシステム
US11321836B2 (en) Image-processing device, image-processing method, and image-processing program for setting cell analysis area based on captured image
Mergenthaler et al. Rapid 3D phenotypic analysis of neurons and organoids using data-driven cell segmentation-free machine learning
WO2015145872A1 (ja) スフェロイドの評価方法およびスフェロイド評価装置
WO2018186120A1 (ja) 細胞塊の評価方法及び細胞塊の状態解析装置
Höfener et al. Automated density-based counting of FISH amplification signals for HER2 status assessment
US20200065556A1 (en) Analysis device, analysis method, and program
JP2007020449A (ja) スクリーニング方法およびスクリーニング装置
US20220375606A1 (en) Systems and methods for machine learning (ml) model diagnostic assessments based on digital pathology data
JP5657910B2 (ja) 明視野顕微鏡を使用する画像の自動分析
Reichinnek et al. Reliable optical detection of coherent neuronal activity in fast oscillating networks in vitro
Shimoni et al. Normalized polarization ratios for the analysis of cell polarity
US20240085405A1 (en) Image processing device, analysis device, image processing method, image processing program, and display device
HK40045596B (zh) 基於距离的组织状态确定
WO2020090089A1 (ja) 判定装置、判定方法、及び判定プログラム
Georgios Analysis of microscope images
Kashif Algorithms offering kinetic analysis of drug induced proteasome inhibition and cell clump formation from time lapsed microscopy
HK40002666B (zh) 肿瘤接近度量

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14909103

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016565839

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2014909103

Country of ref document: EP

WWW Wipo information: withdrawn in national office

Ref document number: 2014909103

Country of ref document: EP