一种在线整合多来源单细胞数据的方法和系统

1.本发明涉及生物技术领域，尤其涉及一种在线整合多来源单细胞数据的方法和系统。


背景技术：

2.单细胞测序技术(scrna-seq)和单细胞表观基因组技术(scatac-seq)能够分解不同的细胞类型和情形，阐明了组织规则和各种系统的功能。随着单细胞研究的爆发性累积，不同环境的实验数据的整合分析，对于异质细胞群的特征化就很必要，然而关键的生物信息经常混有由不同的样品供体、条件、分析平台导致的批次效应。在检测批次效应时，经常记录实验中时间这个变量，然后对差异表达的基因进行聚类，看是否都和时间相关，如果相关就证明存在batch effect。
3.一般来说，不同平台的数据，同一平台的不同时期的数据，同一个样品不同试剂的数据，以及同一个样品不同时间的数据等等都会产生一种batch effect。这种影响如果广泛存在应该被足够重视，否则会导致整个实验和最终的结论失败。如果不同平台的数据之间存在batch effect，就不能简单的整合。
4.针对单细胞数据，目前的策略主要有识别跨越批次的相似的细胞或者细胞群，这种策略具有两个弊端，一是会混合不同批次来源数据中非重合的细胞类群，二是这种策略只移除了当前接入的批次的影响，不能处理其他的、新产生的批次的数据中的批次效应，只要有一个新批次附加上，就要重新进行整个整合过程。还有一种策略是利用一个条件可变化的自动编码器框架对输入的单细胞数据的固有布局、结构进行建模，这种策略能够保持高维空间和低维空间的总体内部数据，但是也包含了一系列批次条件化参数，从而抑制了编码器对消除批次效应的学习。


技术实现要素：

5.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的技术方案。因此，本发明的一个方面，提供了一种在线整合多来源单细胞数据的方法，该方法包括：
6.输入多个不同来源的具有批次效应的单细胞数据；
7.通过批次效应无关的编码器将所述单细胞数据投射到与批次效应无关的、泛化的仅保留生物学信息的单细胞空间；
8.将不同来源的相同类型的细胞在所述单细胞空间对齐，不同类型的细胞分别各自进行定位，彼此分开；
9.通过特异性解码器将特定批次变量信息加入到单细胞空间的各单细胞信息，以重建单细胞数据。
10.可选的，该方法还包括：利用轮廓分数silhouette score量化细胞类型区分的程度；利用批次熵混合分数batch entropy mixing score量化不同批次之间相同细胞类型对
齐的程度。
11.可选的，通过批次效应无关的编码器将所述单细胞数据投射到与批次效应无关的、泛化的仅保留生物学信息的单细胞空间，包括：
12.对所有输入的不同来源的不同批次的单细胞数据整体进行随机采样，形成小批量数据mini batch；对所述小批量数据进行归一化处理batch normalization，以减少分布偏差。
13.可选的，将不同来源的相同类型的细胞在所述单细胞空间对齐，包括：通过构建具有共同的细胞类型的测试数据集，对部分重叠的数据集中的主要细胞类型进行下采样，以组合部分重叠的数据集。
14.可选的，还包括：在所述单细胞空间构建后，将附加数据投射到所述已建立的单细胞空间上。
15.可选的，将附加数据投射到与其相似的细胞靠近的新位置上。
16.可选的，将不同来源的相同类型的细胞在所述单细胞空间对齐，不同类型的细胞分别各自进行定位，彼此分开，包括：将共同的细胞类型排列到一起并在细胞空间的同一位置上，未重叠的细胞类型分别单独在细胞空间进行定位。
17.本发明还提供一种在线整合多来源单细胞数据的系统，该系统包括：
18.原始数据获取模块，用于输入多个不同来源的具有批次效应的单细胞数据；
19.单细胞数据空间转换模块，用于将所述单细胞数据投射到与批次效应无关的、泛化的仅保留生物学信息的单细胞空间；
20.非对称变分自编码器，将不同来源的相同类型的细胞在所述单细胞空间对齐，不同类型的细胞分别各自进行定位，彼此分开；
21.特异性解码器，将特定批次变量信息加入到单细胞空间的各单细胞信息，以重建单细胞数据。
22.可选的，该系统还包括：非对称自编码评价模块，用于利用轮廓分数silhouette score量化细胞类型区分的程度；利用批次熵混合分数batch entropy mixing score量化不同批次之间相同细胞类型对齐的程度。
23.可选的，单细胞数据空间转换模块包括：
24.随机采用子模块，用于对所有输入的不同来源的不同批次的单细胞数据整体进行随机采样，形成小批量数据mini batch；
25.归一化子模块，用于对所述小批量数据进行归一化处理batch
26.normalization，以减少分布偏差。
27.可选的，该系统还包括：单细胞数据更新模块，用于在所述单细胞空间构建后，将附加数据投射到所述已建立的单细胞空间上。
28.本技术提供的技术方案，至少具有如下技术效果或优点：在本技术中，采用变分自编码器框架(vae)，利用批次无关的编码器，编码器被训练只保留批次不变的生物变量，因此实现了与批次无关的单细胞数据整合，具有非常好的泛化性特性，模型训练后对数据能够很好的拟合(align to)，对新的批次的数据也能很好的拟合，能够不断整合新产生的数据，实现在线整合(online integrate)功能；本发明能够对部分重叠的数据集进行准确地整合，而不混合未重叠的细胞群；本发明能够基于多个不同来源的单细胞数据生成连续地
可扩展的单细胞图集，能够高效地运行巨大的数据集，能够基于各种各样的来源的整合数据，进行大规模单细胞图集的构建、研究。
29.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述技术方案和其目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
30.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
31.而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
32.图1示出了本发明提供的在线整合多来源单细胞数据的方法的流程图。
具体实施方式
33.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
34.为了抑制不同来源的单细胞数据的批次效应的目的，本技术提出一种在线整合单细胞数据的新框架，即利用非对称变分自编码器和解码器，不给非对称变分自编码器批次相关的信息，使得所述编码器只保留批次效应无关的生物学信息，达到保留生物学差异信息的目的，而只给解码器批次相关的信息，保留批次特异性，以还原回原来的数据。
35.本发明的一个方面，提供了一种在线整合多来源单细胞数据的方法，如图1所示，该方法包括：
36.s1.输入多个不同来源的具有批次效应的单细胞数据；
37.s2.通过批次效应无关的编码器将所述单细胞数据投射到与批次效应无关的、泛化的仅保留生物学信息的单细胞空间；
38.s3.将不同来源的相同类型的细胞在所述单细胞空间对齐，不同类型的细胞分别各自进行定位，彼此分开；
39.s4.通过特异性解码器将特定批次变量信息加入到单细胞空间的各单细胞信息，以重建单细胞数据。
40.本发明的根本构思是编码器具有作为数据投射者的功能，即将各种不同批次的单细胞数据整合入一个广义的、批次不变的细胞嵌入空间，从而移除了单细胞数据中批次相关的变量并在细胞嵌入中保留批次不变的生物信号，成为各种不同的单细胞数据集的整合分析的工具，而不依赖于细胞相似性的检索。
41.本发明中使用的编码器，与批次无关，对各批次单细胞是通用的，因而具有非常好的泛化性特性，编码器模型训练后对数据能够很好的拟合，由于消除了批次效应，对新的数据也能很好的拟合。通过利用批次无关的编码器，对单细胞数据进行投射，将数据投射到一个泛化的细胞嵌入空间，实现对多个不同来源的单细胞数据的整合，目的是消除批次效应，
并训练编码器只保留生物学差异。
42.编码器模型训练好后，因为编码器与批次无关，即使来新的批次数据，也能够很好的拟合，从而能够不断整合新产生的数据，实现在线整合(online integrate)功能；本发明能够对部分重叠的数据集进行准确地整合，而不混合未重叠的细胞群；本发明能够基于多个不同来源的单细胞数据生成连续地可扩展的单细胞图集，能够高效地运行巨大的数据集，能够基于各种各样的来源的整合数据，进行大规模单细胞图集的构建、研究。
43.将不同来源的单细胞数据投射到一个泛化的细胞空间，并将相同的细胞类型拟合到一起，对部分重叠的单细胞数据拟合，不重叠的单细胞数据不会重叠在一起，实现了多来源细胞数据的在线整合(online integrate)，模型一旦训练好，编码与批次无关，即使来新的批次数据，也能够很好的整合，从而能够不断更新整合数据。
44.利用上述整合后的单细胞数据构建细胞图谱，可囊括很多细胞组织、上百万细胞图册，非常有用，这个图谱不断整合新的单细胞数据，能够不断更新，可用于与采集的细胞图像进行比较，有利于发现细胞特异性。
45.批次特异性的解码器，对每个批次进行独立归一化，目的是学习批次效应的差异，通过解耦合，增加解码器捕捉批次效应的能力。在解码器中执行特定域批次标准化，多分支批次标准化，以支持明确批次变量的插入重建单细胞数据。
46.在进行编码器训练中，对所有输入的不同来源的不同批次的单细胞数据整体进行随机采样，形成小批量数据mini batch；对所述小批量数据进行归一化处理batch normalization，实现格式、分布上大致一致，消除偏差，以减少分布偏差。
47.对每个微批次的数据在kl差异限制下在该细胞嵌入空间进行对齐，包括：将共同的细胞类型排列到一起并在细胞空间的同一位置上，未重叠的细胞类型分别单独在细胞空间进行定位；整合部分重叠的数据集时，通过构建具有共同的细胞类型的测试数据集，对部分重叠的数据集中的主要细胞类型进行下采样；在所述细胞嵌入空间构建后，将附加数据投射到所述已建立的细胞嵌入空间上，并将附加数据投射到与相似的细胞靠近的新位置上。
48.通过编码器，将不同来源的相同类型的细胞在所述细胞嵌入空间对齐(align)，不同类型的细胞分别各自进行定位，彼此分开，该编码器将相同的细胞类型拟合到一起。针对部分重叠的单细胞数据，将其中重叠的单细胞数据对齐(align)，通过构建具有共同的细胞类型的测试数据集，对部分重叠的数据集中的主要细胞类型进行下采样，以整合部分重叠的数据集，而不混合未重叠的细胞群，将不重叠的单细胞数据分别各自定位，以保持真实的生物差异信息。
49.下面详细说明将单细胞数据投射到一个泛化的细胞嵌入空间的具体过程。单细胞数据整合的中心目标是识别并对齐(align)跨越不同批次的相似细胞，并同时保留相同细胞类型内以及不同细胞类型之间的真实的生物差异信息。作为根本的关键，是将单细胞数据中批次相关的分量与批次无关的分量分解开，然后将批次无关的分量投射到一个泛化的、批次无关的细胞嵌入空间。为了完成这点，本发明构建了非对称vae结构，该结构中采用一个批次无关的编码器和一个具有特定批次信息的解码器，所述编码器从输入的单细胞数据(x)中仅仅提取生物相关的潜在特征(z)，而所述批次特定的解码器基于向所述潜在特征(z)插入批次信息来负责重建原始数据。
50.虽然解码器负责原始数据重建，在重建时需要所述编码器向所述解码器提供批次信息，所述编码器在模型训练中对于每个单细胞学习批次无关数据的再现。在这个学习过程中。对所有输入的单细胞进行随机切片，使得所述单细胞数据从不同批次(different batches)成为微批次(mini-batches)，这促进了编码器的上述学习过程。在相同的细胞嵌入空间的kl差异限制下，每个微批次数据被强行对齐(align)。编码器通过充当投射器，将不同批次的单细胞数据投射到一泛化的、与批次无关的细胞嵌入空间，从而移除批次相关变量信息，而保留批次无关生物信息，在本发明中，编码器成为对各种不同的单细胞数据整合分析的赋能工具，而不需要再依赖细胞相似处的搜索。
51.本发明提供的单细胞数据整合方法可应用于各种组织好的scrna-seq数据集，包括人类胰腺、心脏、肝脏等，也可应用于人类非小细胞的肺癌、周边血液单核细胞等等。而且通过实验证明，本发明相对于现有的一些单细胞数据整合方法，能够更好的去除批次特征，而且更好的实现相同类型的细胞的拟合。
52.轮廓分数(silhouette score)可访问生物差异信息的区分性，批次熵混合分数(batch entropy mixing score)可量化不同批次之间相同细胞类型对齐的程度、不同细胞类型分别处理的程度)。为了更好的说明本发明的效果，可利用轮廓分数(silhouette score)、批次熵混合分数来量化本发明的单细胞整合性能，实验证明，通过使用轮廓分数、基于批次熵混合分数的评价，本发明执行性能堪与最好的数据整合方法seurat and harmony相媲美。本发明相对于用于肝脏数据集(包含特定批次的细胞类型，因而是部分重叠的数据集)的seurat v3and harmony，能够取得明显较低的批次熵混合分数。然而，由于不同细胞类型在一起时的偏位，seurat v3 and harmony或许能够取得较高的批次熵混合分数，实际上，批次熵混合分数并不能理想地评价部分重叠数据集的混合批次。
53.经过实验验证，本发明在大数量数据集上具有可扩展性和高效计算能力。作为一种具体实施方式，本发明可应用于来自于人类胎儿图册的数据集(两种数据批次)的1369619个细胞，本发明能够准确地整合这两个批次，并显示良好的相同细胞类型的对齐效果。利用从人类胎儿图册数据集进行下采样获得下采样数据集，本发明花费的运行时间、内存均比mnn、seurat v3和conos少很多。本发明能够高效地运行在gpu设备上，整合处理1m数据集仅需要10分钟的时间、16g的存储空间，因此相对于其他现有方法大大减少了运行时间、节省了存储空间。
54.本发明不仅适用于交叉模式数据(如前面提到的scrna-seq、scatac-seq数据)，还适用于scatac-seq数据。作为一种具体实施方式，本发明能够整合老鼠脑scatac-seq数据(由snatac-seq和10x分析为两批次数据)，将共同的细胞亚种群进行对齐，而将不同的细胞亚种群分别处理。本发明还可整合scrna-seq和scatac-seq之间的数据交叉模式的pbmc数据，事实证明本发明能够正确地整合两种类型数据，并且能够区分特别对于scrna-seq数据稀有的细胞，包括pdc酶和血小板细胞。因而可以说，本发明具有广阔的整合能力，能够用于各种各样类型的单细胞数据。
55.在基于本地细胞相似度的方法中单细胞数据整合很难处理部分重叠的数据集，因为经常会导致过校正(比如明显的细胞类型的混合)。作为一种将细胞投射入一个泛化的细胞空间的整体整合方法，本发明避免了这个问题。举例来说，肝脏数据集是一个部分重叠的数据集，肝细胞群包含了特定的不同批次的多种子类型，三种子类型是特定的肝脏-gse,
24395，两种其他的子类型只出现在肝脏-gse115469中，本发明在对肝脏单细胞数据的整合中，能够保持这五种肝脏子类型的分离，相对于现有的seurat v3将这种五种子类型混淆在一起，有非常大的进步。
56.为了说明清楚本发明对部分重叠的数据集的处理，作为一种具体实施方式，我们构建了具有一定范围的共同细胞类型的测试数据集，这些测试数据集是对胰腺数据集的六种主要细胞类型进行下采样获得。本发明的整合手段对于所有的单细胞整合都是准确地，能够排列相同的细胞类型进行对齐，而不出现过校正，不像现有的seurat v3和harmony经常会混淆细胞类型，尤其对于低重叠的情况。重复对作为一个更复杂的部分重叠的例子的pbmc数据集的12个细胞类型进行细胞类型下采样分析，并观察相似结果，可以看出本发明非常有力地保持了部分重叠数据集的生物变量信息。
57.在本技术提供的方法中，包括将不可见数据投射入一个已有的细胞嵌入空间。本发明提供的整合手段能够准确地、可量化地、高效地实施依赖于编码器将来自各种来源的细胞投射入一个泛化的、批次不变的细胞嵌入空间的能力。在已有数据整合后一旦细胞嵌入空间建立，本发明就能利用相同的编码器投射附加的数据(比如之前没见过的数据)到相同的细胞嵌入空间上。作为一种具体实施方式，利用胰腺数据集，scalex整合移除了在原始数据上的强烈的批次效应，将相同的细胞类型一起排列成行，保持清晰区分的不同的细胞类型。这些细胞类型包括稀有的细胞，比如许旺细胞、ε细胞。
58.作为一种具体的实施方式，利用前面提到的用胰腺数据集训练的相同的编码器投射胰腺组织的三个新批次入胰腺细胞空间。投射后，新批次的大部分细胞被准确地与胰腺细胞空间的正确的细胞类型对齐，使得他们精确的注释被细胞类型标签传送。我们利用作为金标准的原有研究的细胞类型信息通过计算调整的兰德指数(the adjusted rand index)ari、标准共有信息(the normalized mutual information)、f1分数用基准问题来测试注释的准确性。实验证明本发明具有非常高的准确性。
59.投射新的单细胞数据入泛化的细胞嵌入空间使得本发明能够延伸细胞空间。作为一种具体实施方式，我们投射两个附加的黑素瘤数据批次到之前已经构建的pbmc空间。共同的细胞类型被正确地投射在pbmc细胞空间的相同位置上。对于只出现在黑素瘤数据批次的肿块和血浆细胞，scalex没有投射这些细胞到pbmc空间的任何已有的细胞群上，而是投射它们到靠近相似细胞的新位置上，将血浆细胞投射到靠近b细胞的一个位置上，将肿块细胞投射到靠近hsc细胞的一个位置上。
60.本发明能够利用新数据在已有细胞空间进行未知细胞类型的事后注释。作为一种具体实施方式，一组细胞之前在胰腺数据集并没有描述，我们发现这些细胞对于已知的上皮基因显示高表达水平。因此从支气管上皮数据集聚集一堆上皮细胞，然后将这些上皮细胞投射到胰腺细胞空间，发现一组出现抗原的导气管上皮细胞(scl16a+epithelial)被投射到没有描述的细胞的相同位置上。从而，结合对显示相似标记基因表达的两种细胞群的观察，表明这些没有描述的细胞也是scl16a+上皮细胞。本发明通过支持对大量不同的数据集的探究性分析，能够在细胞生物学有所发现。
61.将部分重叠的数据整合到一个泛化的细胞嵌入空间，使得本发明成为一个从收集的各种大量的数据构建单细胞图集的有利工具。作为一种具体实施方式，应用本发明整合老鼠数据集。尽管原始数据具有强烈的批次效应，本发明整合了三种批次的老鼠数据集，形
成一个统一的细胞嵌入空间。共通的细胞类型被很好的在细胞空间的相同位置对齐，非重叠细胞类型被分别单独在细胞空间进行定位，从而表明生物变量被很好地保留下来。
62.非常重要的是，所述形成的图集能够被使用并进一步通过投射入新的单细胞数据被扩展，从而支持原始图集和新数据的比较研究。为了举例说明，我们投射老鼠组织的两个附加数据批次和两个单组织数据到老鼠组织空间，会发现新数据批次的相同细胞类型被正确的投射到初始老鼠图集的细胞嵌入空间的相同位置上，这可由新数据的准确的细胞类型注释来证实，注释在初始图集的相应细胞类型通过标签传送得到。一方面，老鼠图集可被用于准确地识别基于细胞空间的投射位置的新数据的细胞，另一方面，新数据的投射扩展了已有图集。
63.总之，本发明能够使研究者通过利用大尺度细胞图集的已有的信息来评价单细胞数据集的特定投射，并且能够使得图集创建者能够富有信息性地从许多研究项目整合新的数据集和伴随的生物特征。
64.本发明还提供一种在线整合多来源单细胞数据的系统，该系统包括：
65.原始数据获取模块，用于输入多个不同来源的具有批次效应的单细胞数据；
66.单细胞数据空间转换模块，用于将所述单细胞数据投射到与批次效应无关的、泛化的仅保留生物学信息的单细胞空间；
67.非对称变分自编码器，将不同来源的相同类型的细胞在所述单细胞空间对齐，不同类型的细胞分别各自进行定位，彼此分开；
68.特异性解码器，将特定批次变量信息加入到单细胞空间的各单细胞信息，以重建单细胞数据。
69.可选的，该系统还包括：非对称自编码评价模块，用于利用轮廓分数silhouette score量化细胞类型区分的程度；利用批次熵混合分数batch entropy mixing score量化不同批次之间相同细胞类型对齐的程度。
70.可选的，单细胞数据空间转换模块包括：
71.随机采用子模块，用于对所有输入的不同来源的不同批次的单细胞数据整体进行随机采样，形成小批量数据mini batch；
72.归一化子模块，用于对所述小批量数据进行归一化处理batch normalization，以减少分布偏差。
73.可选的，该系统还包括：单细胞数据更新模块，用于在所述单细胞空间构建后，将附加数据投射到所述已建立的单细胞空间上。
74.在本技术中，利用批次无关的编码器，编码器被训练只保留批次不变的生物变量，因此与批次无关的，具有非常好的泛化性特性，模型训练后对数据能够很好的拟合(align to)，对新的批次的数据也能很好的拟合。将不同来源的单细胞数据投射到一个泛化的细胞空间，并将相同的细胞类型拟合到一起，对部分重叠的单细胞数据拟合，不重叠的单细胞数据不会重叠在一起，实现了多来源细胞数据的在线整合(online integrate)，模型一旦训练好，编码与批次无关，即使来新的批次数据，也能够很好的整合，从而能够不断更新整合数据。
75.本发明对单细胞数据中固有的与批次无关的图案进行建模，而不是基于细胞的相似性，不依赖对跨域批次的共通细胞类型的识别，因此避免细胞类型的过校正问题，从而克
服了因为计算细胞相似性导致的计算复杂的问题。
76.本发明非常有利于构建和集成分析基于很多种类数据的大量单细胞数据集，通过利用通用数据投射器(比如编码器)将所有单细胞数据投射入一个广义的细胞嵌入空间完成数据整合。数据投射器只需要训练一次，就可保持连续地整合新加入的数据到一已有的单细胞图集，这种连续的成长是的scalex图集为一个弹性的源，允许许多单细胞研究的整合并支持发展。
77.本发明能够整合各种研究和平台的数据，适合于当前单细胞生物研究时代，具备通过在一个泛化的细胞空间组织探究性分析的能力对于大量集成研究非常有帮助。本发明从各种不同的细胞类型来构建投射单细胞数据集，有助于引导发现之前未知的细胞类型，比如本发明从各种不同的癌症类型细胞构建一泛癌单细胞图集，因为一些相异的肿瘤，但在发病机理、恶性发展、转移上有共通性，从而有可能发现未知的癌症类型。
78.综上，本技术提出一种深度生成的框架，集合各种不同单细胞数据的方法，能够将细胞绘制入一广义的、批次不变的细胞嵌入空间，利用多个基准准确地、高效地结合各种异质单细胞数据，能集合部分重叠的数据集，准确地排列相似细胞群同时保持实际的生物差异。该框架可对人、老鼠、新型冠状病毒构建连续的、可扩展的单细胞图集，图集集合了多种数据源，并且能够通过新进来的数据源保持增长。对这些图集进行分析，可以揭露人、老鼠组织和与新型冠状肺炎疾病严重性相关的外围免除的图表类型。
79.本发明提供的上述方法、系统通过计算机程序在处理器上执行实现，所述计算机程序存储在服务器、大数据分析处理平台、或者专用计算机的存储装置中，以供实时调用。
80.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
81.类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
82.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可投射出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。