用于分类监测的分子交互的方法和系统与流程

1.本发明一般涉及用于分类监测的分子交互的方法和系统。


背景技术：

2.被布置成实时监测分子(诸如生物分子)之间的交互的分析传感器系统通常基于非标记生物传感器(诸如光学生物传感器)。代表这样的生物传感器系统是仪表，所述仪表将表面等离子体共振(spr)用于检测样本中的分子与感测表面上所固定的分子结构之间的交互。样本经过传感器表面，并且结合的进展直接反映交互发生的速率。样本的注入之后接着缓冲液流，在所述缓冲液流期间，检测器响应反映复合物在表面上解离的速率。
3.来自系统和类似生物传感器系统的典型输出是描述分子交互随时间的进展的响应图或检测曲线，包括关联相部分和解离相部分。通常在计算机屏幕上显示的这个响应图或检测曲线通常称作结合曲线或“传感器图”。
4.利用系统(和类似传感器系统)，有可能确定用作配体和分析物的分子的多个交互参数。这些参数包括分子交互的结合(关联)和解离的动力速率常数以及交互亲和力。
5.在例如基于片段的药物发现中的早期阶段，单独从单个结合测量很少能够可靠地识别候选分析物。结合水平筛选(bls)提供分析物候选库的概述，使得能够识别与进一步分析相关的分析物。在典型bls中，每个分析物的单一浓度经过(一个或多个)靶(target)和参考。能够通过分析响应数据，针对结合强度以及它们的结合行为来选择有希望的分析物。在下一个步骤(亲和力筛选)中，能够使用一系列浓度来测试有希望的分析物，以确认结合是浓度相关的，并且确定或至少估计分析物/配体交互的亲和力。
6.但是，用户(甚至有经验用户)分类哪些结合水平筛选(bls)分析物样本是用于进一步处理的命中物(hit)是繁琐和困难的，尤其是当一次评估中可能存在数百个时。由于不同用户可能以不同方式来分类bls样本(即，是否作为命中物)，因此候选分析物库的评估可能改变并且是用户相关的。在亲和力筛选分析中，用户可能需要从分析中排除一些浓度，并且必须确定什么模型用于kd确定(分析物-配体之间的平衡解离常数)。如同bls情况中一样，这甚至对有经验用户也可能是困难的，并且从亲和力筛选所获得的结果能够是用户相关的。通过执行bls或者亲和力筛选分析或两者，可识别例如在药物发现实验中用于进一步处理的分析物候选。


技术实现要素：

7.本公开的目的是要提供一种用于分类分析物-配体交互(诸如以在例如药物发现实验中识别用于进一步处理的分析物候选)的更简单和更快的或者至少备选的方法。所述方法适合于分类大量这样的分子交互。目的也是要提供一种用于执行对分子交互的这样的分类的分析系统。
8.本发明通过所附独立权利要求来限定。非限制性实施例出现于从属权利要求、附图和以下描述。
9.按照第一方面，提供有一种用于分类来自分析传感器系统的监测结果的方法，所述分析传感器系统布置成监测分析物与配体之间的分子交互，其中获取表示分子交互随时间的进展的响应数据集合。允许分析物样本溶液的第一集合依次与配体进行交互，并且获取应用每个监测的分子交互的响应数据的对应集合。从获取的响应数据的每个集合的至少一部分中提取至少一个交互参数，并且对于每个分析样本溶液，训练的机器学习算法被提供有至少一个提取的交互参数。允许训练的机器学习算法基于至少一个提取的交互参数将每个分析物样本溶液分类到指示分析物样本溶液与配体的交互的至少一个质量分类组中。
10.使用下列来训练机器学习算法：从响应数据的获取集合的至少一部分所提取的交互参数集合，所述响应数据从分析物样本溶液的第二集合与至少一个配体之间的交互获得；以及对于分析物样本溶液的所述第二集合的每个分析物样本溶液，至少一个相应质量分类组指示所述分析物样本溶液与所述配体的交互。
11.监测的分子交互可在例如质量检测生物传感器系统(诸如光学生物传感器)的感测表面处发生，其中一个分子(配体)可被附连/固定在传感器表面上，以及另一分子(分析物)经过传感器表面，使得可随时间过去而监测分析物-配体结合的进展。基于其他检测原理的诸如电化学系统之类的分析传感器系统也是可能的。
12.分析物样本溶液的第一集合可包括至少一个分析物样本溶液。分析物例如可能是药物发现分析中的不同候选分析物。通常，当执行结合水平筛选(bls)分析或亲和力筛选分析时，可能分析数百个分析物样本溶液，以提供分析物候选库的概述，使得能够识别与特定配体进行交互并且似乎与进一步处理相关的分析物候选。
13.要从响应数据中提取并且向训练的机器学习算法提供哪些交互参数和多少交互参数可由分析传感器系统的用户来判定。备选地，在所述方法中可预先确定要提取并且向训练的机器学习算法提供哪些交互参数和多少交互参数。一般来说，更多数量的交互参数将返回更可靠的分类。确定哪些交互参数并且提取这些参数可由在响应数据的多个训练集合上所训练的(一个或多个)ann或(一个或多个)专家系统来执行。取决于分析的目标和所分析的配体，所提取并且被提供给训练的机器学习算法的交互参数的数量和类型可有所不同。
14.分析物样本溶液由训练的机器学习算法基于至少一个所提取交互参数来分类到指示分析物样本溶液与配体的交互的至少一个质量分类组中。
15.不同质量分类组的数量在一个示例中可以为二个，第一组包括与感兴趣配体的充分良好交互的分析物，以及第二组包括与感兴趣配体的不良交互的分析物。包括与配体的充分良好交互的分析物的所述组然后可被选择用于进一步分析。
16.在另一个示例中，质量分类组的数量可以为100，其中组1包括与配体的不良交互的分析物，以及组100包括与配体的很好交互的分析物。用户可调节所述方法的严格性，并且将截止点设置在例如》50，由此在进一步分析中仅包括被分类在分类组51-100中的分析物。它再次取决于关于什么是交互的充分良好质量以及在何处设置截止点的分析/实验的目的。
17.(一个或多个)分析物样本溶液被分类到指示所述(一个或多个)分析物样本溶液
与配体的交互的至少一个质量分类组中在这里可能涉及到主要组中的第一分类(诸如与进一步分析是否相关)以及通知关于分析物样本溶液为什么被分类到主要组中的第二组，例如归因于非特定结合、过低或过高折射率、与配体的结合不是1:1、无结合或极低结合响应(低于预定的截止线)、关联中的高或非预期斜率、缓慢解离、不良混合、r》rmax并且分析物是超化学计量结合剂、高于kd(分析物-配体之间的平衡解离常数)的浓度、太少浓度而无法确定kd、稳态分析中的不可靠参数。
18.当训练机器学习算法时，使用分析物样本溶液的第二集合。分析物样本溶液的所述第二集合在分析物样本溶液的数量以及分析物的类型两个方面可与分析物样本溶液的第一集合是不同的。当训练机器学习算法时所使用的(一个或多个)配体可与用于与分析物样本溶液的第一集合的交互的配体相同。所使用的(一个或多个)配体备选地可以不是用于与分析物样本溶液的第一集合的交互的(一个或多个)配体。
19.分析物样本溶液的第二集合可包括多个不同的分析物样本溶液。优选地，样本溶液的第二集合包括至少10个、至少100个或者至少500个不同的分析物样本溶液。用于训练的分析物样本溶液的数量越多，则分析物样本溶液的第一集合的分析物样本溶液的分类越好。
20.每分析物样本溶液的哪些交互参数和多少交互参数要用于训练机器学习算法可取决于使用机器学习算法的目标。一般来说，用于训练的交互参数的数量越多，则分析物样本溶液的第一集合的分析物样本溶液的分类越好。确定哪些交互参数并且提取这些参数可由分析系统的专业用户或者由在响应数据的多个训练集合上所训练的(一个或多个)ann或(一个或多个)专家系统来执行。
21.用于训练机器学习算法的交互参数的数量和类型可与被提供给用于分析物样本溶液的第一集合的分析物样本溶液的训练的机器学习算法的交互参数相同。备选地，所使用的交互参数的数量和/或类型可有所不同。可在比用于分析物样本溶液的第一集合的分析物样本溶液的实际分类要大的交互参数集合上训练机器学习算法。
22.机器学习算法对于分析物样本溶液的第二集合的每个分析物样本溶液还被提供有指示分析物样本溶液与配体的交互的至少一个相应质量分类组。确定分析物样本的第二集合的每个分析物样本溶液的质量分类组可由分析系统的专业用户或者由在响应数据的多个训练集合上所训练的(一个或多个)ann或(一个或多个)专家系统来执行。
23.不同质量分类组的数量在一个示例中可以为二个，第一组包括与感兴趣配体的充分良好交互的分析物，以及第二组包括与感兴趣配体的不良交互的分析物。充分良好的分类指示这样的分析物可能是进一步分析感兴趣的。
24.在另一个示例中，质量分类组的数量可以为100，其中组1包括与配体的不良交互的分析物，以及组100包括与配体的很好交互的分析物。
25.分析物样本溶液被分类到指示所述分析物样本溶液与配体的交互的至少一个质量分类组中在这里可能涉及到主要组中的第一分类(诸如与进一步分析是否相关)以及通知关于分析物样本溶液为什么被分类到主要组中的第二组，例如归因于非特定结合、过低或过高折射率、与配体的结合不是1:1、无结合或极低结合响应(低于预定的截止线)、关联中的高斜率、缓慢解离、不良混合、r》rmax并且分析物是超化学计量结合剂、高于kd的浓度、太少浓度而无法确定kd、稳态分析中的不可靠参数。
26.这种训练的机器学习算法然后将返回来自分析物样本溶液的第一集合的分析物样本溶液到指示分析物样本溶液与配体的交互的质量分类组中的分类。在bls分析中，当数百个分析物样本溶液将被分析以提供分析物候选库的概述时，本方法将提供如与进一步分析是否相关的分析物候选的快速分类，以及在亲和力筛选中，所述方法将提供浓度相关性和亲和力(kd)的附加估计。此外，使候选分析物的评估是较少用户相关的，而不是因为有经验用户可参与监测的分子交互的评估。
27.从分析物样本溶液的第一集合的分析物样本溶液的获取的响应数据集合所提取的至少一个交互参数可包括获取的响应数据的80-100％。
28.从分析物样本溶液的第二集合的分析物样本溶液的获取的响应数据集合所提取并且用于训练机器学习算法的至少一个交互参数可包括获取的响应数据的80-100％。
29.从用于分析物样本溶液的第一集合的分析物样本溶液的获取的响应数据集合所提取的至少一个交互参数可包括在响应数据中的所定义时间点处所提取的任何一个或多个下列交互参数，a)早期结合响应，b)晚期结合响应，c)稳定性早期响应，d)稳定性晚期响应，e)早期结合响应除以分析物的分子量，f)晚期结合响应除以分析物的分子量，g)结合晚期响应和结合早期响应的差与结合早期响应相除，h)交互参数的a)-g)中的任何交互参数的测量变化，i)交互参数的a)-g)中的任何交互参数的测量斜率，和/或当所述分析物样本溶液由相同分析物的不同分析物浓度的多个分析物样本溶液来组成时，所述交互参数包括：j)使用来自所述多个分析物样本溶液的最大结合容量所计算的平衡解离常数。
30.参数j)(平衡解离常数kd)从亲和力筛选分析得到，所述亲和力筛选分析从一系列分析物浓度(即，对相同分析物)获得。所使用的最大结合容量rmax可以是常数或拟合rmax。其中rmax是当表面上的所有结合位点被分析物所占据时的响应。拟合rmax是当rmax被使用并且被确定为自由拟合参数时。常数rmax是当rmax未被拟合但作为常数被输入到方程时。当预期拟合rmax是不确定的但是从更肯定的确定已经取得常数rmax时，这能够被使用。例如，mw(分子量)调整的rmax与更高亲和力的分析物拟合。
31.从用于分析物样本溶液的第二集合的分析物样本溶液的获取的响应数据的第二集合所提取并且用于训练机器学习算法的至少一个交互参数可包括在响应数据中的所定义时间点处所提取的任何一个或多个下列交互参数，a)早期结合响应，b)晚期结合响应，c)稳定性早期响应，d)稳定性晚期响应，e)早期结合响应除以分析物的分子量，f)晚期结合响应除以分析物的分子量，
g)结合晚期响应和结合早期响应的差与结合早期响应相除，h)交互参数的a)-g)中的任何交互参数的测量变化，i)交互参数的a)-g)中的任何交互参数的测量斜率，和/或当所述分析物样本溶液由相同分析物的不同分析物浓度的多个分析物样本溶液来组成时，所述交互参数包括：j)使用来自所述多个分析物样本溶液的最大结合容量所计算的平衡解离常数。
32.所述方法可还包括：对于分析物样本溶液的第一集合的分析物样本溶液中的每个分析物样本溶液，提取至少一个参考扣除交互参数，并且将这个参数提供给训练的机器学习算法。
33.对于分析物样本溶液的第二集合的分析物样本溶液中的每个分析物样本溶液，可还使用至少一个参考扣除交互参数来训练机器学习算法。
34.所述方法可还包括：对于分析物样本溶液的第一集合的分析物样本溶液中的每个分析物样本溶液，提取至少一个参考交互参数，并且将(一个或多个)参考交互参数提供给训练的机器学习算法，其中所述至少一个参考交互参数包括下列中的任何一个或多个：k)参考的早期结合响应，l)参考的晚期结合响应，m)参考的稳定性早期响应，n)参考的稳定性晚期响应，以及o)参考的结合晚期响应和参考的结合早期响应的差与参考的结合早期响应相除，和/或当所述分析物样本溶液由相同分析物的不同分析物浓度的多个分析物样本溶液来组成时，所述参考交互参数包括：p)使用来自所述多个分析物样本溶液的最大结合容量所计算的平衡解离常数。
35.对于分析物样本溶液的第二集合的分析物样本溶液中的每个分析物样本溶液，可还使用至少一个参考交互参数来训练机器学习算法，其中所述至少一个参考交互参数包括下列中的任何一个或多个：l)参考的早期结合响应，l)参考的晚期结合响应，m)参考的稳定性早期响应，n)参考的稳定性晚期响应，以及o)参考的结合晚期响应和参考的结合早期响应的差与参考的结合早期响应相除，和/或当所述分析物样本溶液由相同分析物的不同分析物浓度的多个分析物样本溶液来组成时，所述交互参数包括：p)使用来自所述多个分析物样本溶液的最大结合容量所计算的平衡解离常数。
36.所述方法可还包括提取从阴性控制溶液与配体的交互所获得的至少一个阴性控制交互参数，并且将至少一个阴性控制交互参数提供给训练的机器学习算法。
37.可还使用从阴性控制样本溶液与(一个或多个)配体的交互所获得的至少一个阴性控制交互参数来训练机器学习算法。
38.所述方法可还包括提取从阳性控制样本溶液与配体的交互所获得的至少一个阳性控制交互参数，并且将至少一个阳性控制交互参数提供给训练的机器学习算法。
39.可还使用从阳性控制样本溶液与(一个或多个)配体的交互所获得的至少一个阳性控制交互参数来训练机器学习算法。
40.可从包括决策树、k最近邻(knn)、随机森林、k均值、梯度提升算法、人工神经网络(ann)、深度学习算法或者它们的任何组合的组中选择机器学习算法。
41.按照第二方面，提供有一种用于检测分析物与配体之间的分子结合交互并且用于分类监测结果的分析传感器系统。所述系统包括：包括检测器的传感器装置，其用于监测配体与分析物样本溶液之间随时间的分子交互；数据产生单元，其布置成产生表示监测的分子交互随时间的进展的响应数据；提取单元，其布置成从所产生的响应数据的至少一部分中提取至少一个交互参数；以及数据处理单元，其布置成接收所述至少一个交互参数，并且提供分析物样本溶液使用训练的机器学习算法基于至少一个交互参数到指示分析物样本溶液与配体的交互的至少一个质量分类组中的分类。
42.所述分析传感器系统可还包括训练中心，其用于通过为机器学习算法提供从来自多个监测的分析物-配体交互的响应数据所提取的交互参数连同指示分析物与配体的交互的至少一个相应质量分类组来训练机器学习算法。
附图说明
43.图1示出用于检测分子结合交互并且分类监测结果的分析系统的示意图。
44.图2示出来自分析物与配体之间随时间的交互的检测曲线。
45.图3示出相同浓度的多个不同分析物与配体的结合交互的响应水平。
46.图4a和图4b示出报告点bl浓度的浓度系列和标绘图。
47.图5示出理想检测曲线，其中指示特征晚期结合响应、早期结合响应、稳定性早期和稳定性晚期。
48.图6示出检测曲线的示例，所述检测曲线示出分析物与配体的结合，其中结合具有不良质量。
49.图7示出检测曲线的示例，所述检测曲线示出分析物与配体的结合，其中结合具有不良质量。
50.图8a和图8b示出一系列分析物溶液和剂量响应曲线，其中低于和高于kd的浓度存在。这个系列将被分类到使用rmax参数的自由拟合来拟合数据的组中。
51.图9a和图9b示出一系列分析物溶液和剂量响应曲线，其中当使用rmax参数的自由拟合来确定亲和力时，所有浓度下降到低于kd值。这个系列将被分类到用于采用常数rmax来拟合数据的组中。
52.图10是示出用于分类来自分析传感器系统的监测结果的方法中的步骤的流程图，所述分析传感器系统被布置成监测分析物与配体之间的分子交互。
53.图11a-e示出用来支持训练和分类的图形元素。
具体实施方式
54.本公开涉及特别是基于生物传感器的分析传感器方法，其中研究分子交互。结果随着交互进行而采取响应数据(通常示为响应曲线、传感器图)的形式实时地被呈现。
55.生物传感器可基于多种检测方法。通常，这类方法包括但不限于质量检测方法(诸
如压电、光学、热光和表面声波(saw)装置方法)和电化学方法(诸如电位、电导、电流和电容方法)。关于光学检测方法，代表性方法包括检测质量表面浓度的那些方法，诸如反射光学方法，包括角度、波长或相位解析的内部和外部反射方法，例如，椭圆偏振法和渐逝波光谱法(ews)，后者包括表面等离子体共振(spr)光谱法、布儒斯特角折射法、临界角折射法、受抑全反射(ftr)、渐逝波椭圆偏振法、散射全内反射(stir)、光波导传感器、基于渐逝波的成像(诸如临界角解析成像、布儒斯特角解析成像、spr角解析成像)和诸如此类。此外，也可采用基于例如渐逝荧光(tirf)和磷光的测光方法以及波导干涉仪。
56.一种常用的检测原理是表面等离子体共振(spr)光谱法。一种示范类型的基于spr的生物传感器以商标(下文称作“biacore仪器”)进行销售。这些生物传感器利用基于spr的质量感测技术来提供表面结合的配体与感兴趣分析物之间的基本上实时、无标记结合交互分析。
57.biacore仪器包括发光二极管(led)、传感器芯片(包括覆盖有薄金膜的玻璃板)、在传感器芯片之上提供液体流的集成流体盒以及光电检测器阵列。来自led的传入光在玻璃/金界面被全内反射，并且由光电检测器阵列来检测。在某个入射角(“spr角”)，表面等离子体波在金层中被建立，这在反射光中被检测为强度损失或“下降”。与biacore仪器关联的spr的现象取决于经由棱镜和玻璃板入射到薄金属膜上的单色p偏振光与在玻璃板的另一侧上的金属膜处的传导电子(称作等离子体)的振荡的共振耦合。这些振荡产生渐逝场，所述渐逝场从表面向液体流中延伸一个波长(～1μm)量级的距离。当共振发生时，光能通过其中的电子的集体激发而不再属于金属膜所有，并且反射光强度以清楚定义的入射角(即，spr角)下降，所述入射角取决于金属表面附近的渐逝场的可达范围内的折射率。
58.如上所述，spr角取决于靠近金层的介质的折射率。在biacore仪器中，葡聚糖通常被耦合到金表面，其中分析物结合配体被结合到葡聚糖层的表面。感兴趣分析物采取溶液形式通过流体盒被注入到传感器表面上。因为金膜附近的折射率取决于(i)溶液的折射率(所述折射率为常数)和(ii)被结合到表面的材料量，所以所结合的配体与分析物之间的结合交互能够作为spr角的变化的函数被监测。
59.在图1中示出用于检测分子结合交互并且分类监测结果的分析传感器系统20的示意图。在这个示例中，所述系统包括传感器装置(芯片1)，其具有感测表面(金膜2)，支承捕获分子3(例如抗体)，所述分子通过流通道5被暴露于具有分析物4(例如抗原)的样本流。来自光源7(led)的单色p偏振光6通过棱镜8被耦合到玻璃/金属界面9，其中光被全反射。反射光束10的强度由检测器11(诸如光学光电检测器阵列)来检测。
60.来自biacore仪器的典型输出是“传感器图”，所述传感器图是作为时间的函数的响应数据的标绘图(以“共振单位”或“ru”为单位所测量)。1000ru的增加对应传感器表面上大约1ng/mm2的质量增加。在包含分析物的样本接触传感器表面时，被结合到传感器表面的配体在称作“关联”的步骤中与分析物进行交互。在样本最初开始与传感器表面接触时，这个步骤在传感器图上通过ru的增加来指示。相反，“解离”通常当样本流被例如缓冲液流取代时发生。在分析物与表面结合的配体解离时，这个步骤在传感器图上通过随时间过去的ru的下降来指示。
61.用于biacore仪器的代表性传感器图在图2中呈现，图2描绘具有与样本中的分析物进行交互的固定配体(例如抗体)的感测表面。y轴指示响应(在这里以共振单位(ru)为单
位)，以及x轴指示时间(在这里以秒为单位)。一开始，缓冲液经过感测表面，从而在传感器图中给出“基线响应”。在样本注入期间，因分析物与稳态条件(其中共振信号平稳)的结合(即，关联)而观察到信号的增加。在样本注入结束时，采用连续缓冲液流来替代样本，并且信号的减小反映分析物从表面的解离或释放。关联/解离曲线的斜率提供与交互动力学有关的有价值信息，以及共振信号的高度表示表面浓度(即，产生于交互的响应与表面上的质量浓度的变化相关)。图1中所示的分析系统20包括数据产生单元12，其用于产生表示交互随时间的进展的响应数据。
62.由生物传感器系统基于其他检测原理所产生的检测曲线或传感器图将具有类似外观。
63.在例如基于片段的药物发现中的早期阶段，单独从单个结合测量很少能够可靠地识别候选分析物。结合水平筛选(bls)提供分析物候选库的概述，使得能够识别与进一步分析相关的分析物。在典型bls中，每个分析物的单一浓度经过(一个或多个)靶和参考。能够通过分析响应数据，针对结合强度以及它们的结合行为来选择有希望的分析物。在下一个步骤(亲和力筛选)中，能够使用一系列浓度来测试有希望的分析物，以确认结合是浓度相关的，并且确定或至少估计分析物/配体交互的亲和力。
64.但是，用户(甚至有经验用户)分类哪些结合水平筛选(bls)分析物样本是用于进一步处理的命中物是繁琐和困难的，尤其是当一次评估中可能存在数百个时。在图3中示出来自典型bls分析的相同浓度的多个不同分析物与配体的结合交互的响应水平。由于不同用户可能以不同方式来分类bls样本(即，是否作为命中物)，因此候选分析物库的评估可能改变并且是用户相关的。在亲和力筛选分析中，用户可能需要从分析中排除一些浓度，并且必须确定什么模型用于kd确定。
65.在亲和力筛选分析中，分析从一系列分析物浓度(即，对相同分析物)所获得的响应数据的获取集合(即，传感器图)。机器学习算法(ml)可被训练并且用于移除一系列传感器图之中的离群值，使得传感器图的进一步分析不基于包括这类离群传感器图的数据。如果系列中的太多传感器图被确定为具有不良质量，则整个系列应当被排除。ml确定传感器图的排除/包括，并且还可能由专业用户来训练，以包括关于特定传感器图为什么已被排除的信息。
66.在亲和力筛选中，可使用多个传感器图来执行传感器图的分类，以及对于传感器图的每个集合，特征集合可被计算，并且数学模型被拟合到所述传感器图集合。
67.特征的这样的所计算集合可包括下列中的三个或更多：-最大结合容量rmax与rmax的标准误差相除，-晚期结合响应b与rmax相除，以及-检测曲线与拟合数学模型之间的平均均方误差mse与平方晚期结合响应b2相除，以及-每个传感器图到质量分类组中的分类。
68.所使用的最大结合容量rmax可以是常数或拟合rmax。平衡解离常数kd被拟合。
69.传感器图集合可包括至少一个传感器图。当包括二个或更多个传感器图(例如2-10)时，传感器图集合的每个传感器图表示在不同分子浓度(即，不同分析物浓度)下的分子交互(相同配体与分析物之间)。
70.被拟合到传感器图集合的数学模型是描述平衡时的分子交互的模型。所述模型例如可以是1:1稳态亲和力模型或者异源配体稳态亲和力模型。
71.kd的参数值rmax和偏移与其相应标准误差相除。参数的标准误差是所述参数对于拟合数学模型的接近性的重要程度的量度。rmax可以是来自拟合的所计算的rmax。晚期结合响应b是检测曲线中相对于检测曲线中的基线的最大结合响应。晚期结合响应b的特征可通过将它与rmax相除来归一化，以及平均均方误差mse的特征通过将它与平方晚期结合响应b2相除来归一化。所述特征被归一化，以使它们可适用于所有类型的输入数据。如果应用具有常数rmax的稳态模型，则没有标准误差对于这个参数能够被计算。
72.可训练机器学习算法，以将数学模型拟合到传感器图集合，从而从传感器图集合和拟合数学模型来计算特征集合，并且将每个传感器图分类到质量分类组中。训练中所使用的参数由有经验用户来确定。
73.传感器图被分类到指示传感器图的质量的质量分类组中。应当从监测的交互的进一步分析中排除不良质量传感器图，因为这些可能不利地影响评估。不良质量曲线可包括例如不稳定基线、空气尖峰、下降到低于基线的响应等，并且可能通过例如污染的流系统或流动的缓冲液、所使用的配体捕获方式或者流动的缓冲液中的太低清洁剂浓度所引起。它取决于关于什么是检测曲线的充分良好质量以及在监测的交互的亲和力分析中是否包括检测曲线的分析/实验的目的。
74.不同质量分类组的数量在一个示例中可以为二个，第一组包括充分良好质量的传感器图，以及第二组包括不良质量的传感器图。包括充分良好质量的传感器图的组然后可被选择用于监测的分子交互的亲和力分析。
75.在另一个示例中，质量分类组的数量可以为100，其中组1包括不良质量的传感器图，以及组100包括很好质量的传感器图。用户可调节所述方法的严格性，并且将截止点设置在例如》50，由此在监测的交互的动力分析中仅包括被分类在分类组51-100中的传感器图。它再次取决于关于什么是传感器图的充分良好质量以及在何处设置截止点的分析/实验的目的。
76.所计算的特征集合可以为三个或更多个。如果特征相互补充，并且突出区分有经验用户将什么看作是区分充分良好质量与不太好质量的内容的某个方面，则在所述方法中使用更多数量的特征可改进传感器图的分类。不促成分类的太多特征可能导致不太好的训练和分类。还有可能的是，上文未提及的附加特征可被计算，并且被包括在分类传感器图的步骤中。
77.数学模型可从1:1稳态亲和力或异质配体稳态亲和力模型中选取。
78.基于分类，可确定哪些传感器图要用于监测的分子交互的亲和力分析中。
79.如果使用固定/常数rmax模型，则固定水平设置为预期rmax，并且评估软件在ml预测之后自动整修所述系列。这个模型预测固定rmax，并且能够由专业用户来训练，以注释它为什么是固定rmax。固定rmax当前仅使用来自传感器图的两个特征，以及像关联相和结合早期响应中的斜率这样的特征可能被添加，以检测超化学计量情况。
80.ml模型预测对传感器图系列的接受或拒绝以及它为什么是拒绝。对于机器学习算法的训练，专家注释被拒绝系列的任何预定义子类，而被接受系列保持为未标记。ml模型可由两个模型组成，一个用来操控接受/拒绝，以及一个用来操控它为什么是拒绝。
81.在图4a和图4b中，示出浓度系列和报告点bl响应与浓度。如同bls情况中一样，这甚至对有经验用户也可能是困难的，并且从亲和力筛选所获得的结果能够是用户相关的。通过执行bls或者亲和力筛选分析或两者，可识别例如在药物发现实验中用于进一步处理的分析物候选。
82.下面描述用于分类分析物4与配体3之间的分子交互(诸如以在例如药物发现实验中识别用于进一步处理的分析物候选)的方法和系统。所述方法和设备适合于分类大量这类分子交互。
83.所述方法在图10中图示，以及用于检测分析物4与配体3之间的分子结合交互并且用于分类监测结果的例示分析传感器系统20在图1中示出。允许100分析物样本溶液的第一集合与感兴趣配体3进行交互。分析物样本溶液的第一集合可包括至少一个分析物样本溶液。分析物例如可能是药物发现分析中的不同候选分析物。通常，当执行结合水平筛选(bls)分析和亲和力筛选时，可能分析数百个分析物样本溶液，以提供分析物候选库的概述，使得能够识别与特定配体进行交互并且与似乎进一步处理相关的分析物候选。
84.包括检测器11的传感器装置1布置成监测101配体4与分析物3样本溶液之间随时间过去的分子交互。监测的分子交互可在例如质量检测生物传感器系统(诸如光学生物传感器)的感测表面2发生，其中一个分子(配体3)可被附连/固定在传感器表面上，以及另一分子(分析物4)经过传感器表面，使得可随时间过去而监测分析物-配体结合的进展。基于其他检测原理的诸如电化学系统之类的分析传感器系统也是可能的。
85.分析物样本溶液可包括分析物的大致相同的浓度。实际上，分析物的准确浓度很少是已知的。有可能因实际原因而通过使用标称固定浓度值来允许浓度变化，但是那使结果的解释更加不确定。
86.数据产生单元12布置成产生表示监测的分子交互随时间的进展的对应响应数据。借助于提取单元13，可从获取的响应数据的每个集合的至少一部分中提取102至少一个交互参数。响应数据的每个集合理想地表示配体3与分析物4之间的分子交互。但是，由于例如与感测表面2的不需要的非特定结合、分析物样本溶液与所使用的流动的缓冲液之间的折射率的差，响应数据集合还可能包括“噪声”。
87.在分析物样本注入期间，因分析物4与稳态条件(其中共振信号平稳)的结合(即，关联)而观察到信号的增加。解离是当分析物与配体解离时。
88.数据处理单元14布置成被提供103有至少一个交互参数，并且提供104分析物样本溶液使用训练的机器学习算法基于至少一个交互参数到指示分析物样本溶液与配体的交互的至少一个质量分类组中的分类。
89.当使用基于表面等离子体共振的生物传感器(传感器图)时，响应数据可作为数据集合或者以图形方式作为检测/响应曲线被呈现。
90.至少一个交互参数可包括所使用的每个检测曲线/传感器图的获取的响应数据的80-100％。
91.在一些实施例中，优选的是使用整个响应数据集作为提取的交互参数而不只是它的部分。交互参数例如可基于所有响应数据的90-100％。包括最有价值的信息的响应数据集的部分是在分析物已被结合到配体之前、在交互期间以及对之后的时段(解离期间)监测的响应数据。
92.至少一个提取的参数可包括在响应数据中的所定义时间点(诸如在所定义时间间隔)处所提取的下列交互参数的任何一个或多个，a)早期结合响应，b)晚期结合响应，c)稳定性早期响应，d)稳定性晚期响应，e)早期结合响应除以分析物的分子量，f)晚期结合响应除以分析物的分子量，g)结合晚期响应和结合早期响应的差与结合早期响应相除，h)交互参数的a)-g)中的任何交互参数的测量变化，i)交互参数的a)-g)中的任何交互参数的测量斜率，和/或当所述分析物样本溶液由相同分析物的不同分析物浓度的多个分析物样本溶液来组成时，所述交互参数包括：j)使用来自所述多个分析物样本溶液的最大结合容量所计算的平衡解离常数。
93.这样的所定义的时间间隔可包括在例如1秒期间、30秒期间所监测或者在1分钟或以上期间所监测的连续响应数据。优选地是在1秒至1分钟期间。
94.用于分析物的早期结合响应是在分析物样本溶液注入开始时的检测的分子交互的结合水平。这是当允许分析物样本溶液开始与配体进行交互时。
95.用于分析物的晚期结合响应是在分析物样本溶液注入结束时的检测的分子交互的结合水平。
96.稳定性早期响应是在分析物样本溶液注入之后的解离相开始时的每个所检测分子交互的水平。
97.稳定性晚期响应是在分析物样本溶液注入之后的解离相结束时的每个所检测分子交互的水平。
98.在图5中图示分析物样本溶液与配体之间的理想检测。在这个检测曲线中，指示早期结合响应、晚期结合响应、稳定性早期和稳定性晚期。
99.一个所计算特征可以是早期结合响应除以分析物的分子量。通过与分子量相除，响应水平被归一化，因为小分析物将不会具有与更大的分析物相同的更大响应。相对响应应当尽可能与分析物4的大小无关。
100.分析物结合晚期响应与分析物结合早期响应之间的差与分析物结合早期响应相除描述整个关联相中的斜率。
101.交互参数a)-g)中的任何交互参数的测量的变化在这里意味着，在间隔内获取标准方差，在所述间隔之间，测量某个参数，例如参数早期结合响应。
102.交互参数a)-g)中的任何交互参数的所测量的斜率在这里意味着，在间隔内获取标准方差，在所述间隔之间，测量某个参数，例如参数早期结合响应。
103.被提供给用于分析物样本溶液的第一集合的每个分析物样本溶液的训练的机器学习算法的交互参数的数量可以是这些参数的一个或多个。例如，可使用早期结合响应以及结合晚期响应和结合早期响应的差与结合早期响应或晚期结合响应相除。在亲和力筛选中，来自早期结合、晚期结合、稳定性早期或稳定性晚期与浓度的响应的标绘图提供能够与稳态模型拟合的数据，以获得kd值。
104.要从响应数据中提取并且向训练的机器学习算法提供哪些交互参数和多少交互参数可由分析传感器系统的用户来判定。备选地，在所述方法中预先确定要提取并且向机器学习算法提供哪些交互参数和多少交互参数。一般来说，更多数量的交互参数将返回更可靠的分类。确定哪些交互参数并且提取这些参数可由在响应数据的多个训练集合上所训练的(一个或多个)ann或(一个或多个)专家系统来执行。取决于分析的目标和所分析的配体，所提取并且被提供给训练的机器学习算法的交互参数的数量和类型可有所不同。如果交互相互补充，并且突出区分有经验用户将什么看作是区分相关分析物与不相关分析物的内容的某个方面，则在所述方法中使用更多数量的交互参数可改进由训练的机器学习算法所执行的分类。不促成分类的太多参数可能导致不太好的分类。还有可能的是，上文未提及的附加参数可被计算，并且被包括在分类分析物样本溶液的步骤中。
105.备选地，这些交互参数的一个或多个可连同以上所述包括用于分析物样本溶液的第一集合的分析物样本溶液的获取的响应数据的80-100％的交互参数一起被提供给训练的机器学习算法。
106.分析物样本溶液由训练的机器学习算法基于至少一个提取的交互参数来分类到指示分析物样本溶液与配体的交互的至少一个质量分类组中。
107.分析物样本溶液可相对于其结合强度以及其结合行为被分类。
108.不同质量分类组的数量在一个示例中可以为二个，第一组包括与感兴趣配体的充分良好交互的分析物，以及第二组包括与感兴趣配体的不良交互的分析物。包括与配体的充分良好交互的分析物的所述组然后可被选择用于进一步分析。
109.在另一个示例中，质量分类组的数量可以为100，其中组1包括与配体的不良交互的分析物，以及组100包括与配体的很好交互的分析物。用户可调节所述方法的严格性，并且将截止点设置在例如》50，由此在进一步分析中仅包括被分类在分类组51-100中的分析物。它再次取决于关于什么是交互的充分良好质量以及在何处设置截止点的分析/实验的目的。
110.分析物样本溶液被分类到指示所述分析物样本溶液与配体的交互的至少一个质量分类组中在这里可能涉及到主要组中的第一分类(诸如与进一步分析是否相关)以及通知关于分析物样本溶液为什么被分类到主要组中的第二组，例如归因于非特定结合、过低或过高折射率、与配体的结合不是1:1、无结合或极低结合响应(低于预定的切割线)、关联中的高斜率、缓慢解离、不良混合、r》rmax并且分析物是超化学计量结合剂。在图5中所图示的是分析物4的样本溶液与配体3之间的理想检测。在这个检测曲线中，指示早期结合响应、晚期结合响应、稳定性早期和稳定性晚期。在图6和图7中图示示出不良质量分析物-配体结合的曲线。图6(图6示出注入之后的延迟响应)的分析物样本溶液例如将被分类到如与进一步分析不相关的主要组中以及被分类到如示出分析物与配体的次要不需要结合和/或分析物的聚合的第二组中。图7(图7示出注入期间的分析物与配体的增加结合)的分析物样本溶液例如将被分类到如与进一步分析不相关的主要组中以及被分类到如示出分析物与配体的次要不需要结合和/或分析物的聚合的第二组中。在图8a和图8b中所图示的是一系列分析物溶液，其中所绘制数据的拟合揭示低于和高于kd值的浓度存在，并且其中至少一个浓度接近饱和响应。这指示能够通过拟合稳态模型中的rmax参数来获得kd。这个系列将被分类到使用rmax参数的自由拟合来拟合数据的组中。在图9a和图9b中，图示剂量响应曲线，其
中所有浓度下降到低于kd值，并且其中初始拟合过程返回不可靠kd和rmax值。这个系列将被分类到用于采用常数rmax参数来拟合数据的组中。
111.除了以上所述交互参数之外的其他交互参数可被提取，并且单独或者与这些交互参数组合地用于所述方法中。例如，所述方法可还包括：对于分析物样本溶液的第一集合的分析物样本溶液中的每个分析物样本溶液，提取至少一个参考扣除交互参数，并且将这个参数提供给训练的机器学习算法。
112.可通过下列来获得参考扣除交互参数：允许分析物样本溶液的第一集合与没有配体的参考(诸如没有任何固定配体的参考表面)进行交互，并且从对应提取的交互参数中减去提取的参考交互参数。
113.参考交互参数可用于所述方法中，其中至少一个参考交互参数包括下列中的任何一个或多个：k)参考的早期结合响应，l)参考的晚期结合响应，m)参考的稳定性早期响应，n)参考的稳定性晚期响应，以及o)参考的结合晚期响应和参考的结合早期响应的差与参考的结合早期响应相除，和/或当所述分析物样本溶液由相同分析物的不同分析物浓度的多个分析物样本溶液来组成时，所述交互参数包括：p)使用来自所述多个分析物样本溶液的最大结合容量所计算的平衡解离常数。
114.可通过下列来获得参考交互参数：允许分析物样本溶液的第一集合与没有配体的参考(诸如没有任何固定配体的参考表面)进行交互，并且从参考响应数据的因此形成的集合中提取(一个或多个)参考交互参数。可在所述方法中添加这样的交互参数，以改进用来检测非特定结合或不良混合的可能性。
115.从阴性控制溶液与配体的交互所获得的阴性控制交互参数可用于所述方法中。
116.至少一个阴性控制溶液可包括具有与配体的已知非亲和力的分析物，或者可以不包括分析物并且例如可能是缓冲溶液。阴性控制交互参数例如可以是基于阴性控制的边界水平。这是当注入阴性控制时的平均响应水平乘以定义的数量的标准偏差(通常为三个)，并且定义无法确认分子交互存在的结合水平极限。包括阴性控制的交互参数旨在检测样本与系统流动的缓冲液之间的缓冲液匹配的不良操控、样本和/或系统的污染、配体的变化、与分子交互不相关的实验信号。阴性控制还确定边界水平，所述边界水平用来区分感兴趣的命中候选与非结合剂(低于边界)。
117.从阳性控制样本溶液与配体的交互所获得的阳性控制交互参数可用于所述方法中。
118.至少一个阳性控制溶液包括具有与配体的已知亲和力、结合行为的分析物样本。阳性控制可具有与分析物样本溶液相同的分子浓度，但是实际上这是罕见的。阳性控制交互参数例如可以是基于阳性控制的边界水平，所述边界水平是配体与阳性控制之间的每个检测的分子交互的平均结合水平，并且定义未知样本能够与其相关的已知结合水平，或者在其中建立阳性控制的化学计量的情况下建立未知样本的化学计量。阳性控制交互参数旨
在监测固定靶的结合容量、响应的可重复性，并且设置化学计量响应水平。
119.除了使用以上所述的交互参数之外，当使用基于表面等离子体共振的分析系统(诸如)时，还可能需要在分析物样本的分类期间为训练的机器学习算法提供溶剂校正交互参数。当配体量大(与没有配体的参考相比)并且溶剂的体折射率贡献与预期的分析物响应相比高时，对溶剂校正的需要可发生。从由配体在活性表面上所占据的体积中排除体溶液，使得活性和参考表面上的体贡献将略微不同，从而引入参考扣除响应中的小误差。只要样本的折射率是恒定的，则参考扣除响应中的误差也是恒定的，并且对于实践目的可被忽略。但是，如果样本的折射率改变，则误差的幅值也将改变。向缓冲液添加1％ dmso给出大约1200ru的体响应，使得相对于来自低分子量样本的所预期的响应(其可能低至1ru)，dmso含量的小变化引起体响应的显著变化。这样的变化在样本(诸如用于筛选应用的片段和药物候选)的制备中难以避免。
120.可通过在活性和参考表面之上注入包含溶剂浓度范围的一系列空白样本来确定溶剂校正。活性表面上的相对参考扣除响应针对参考表面上的绝对响应的标绘图校准针对体贡献的参考扣除的误差。这个校准然后用来校正所测量的样本响应。推荐的是在运行的开始和结束时并且在运行期间的规则间隔运行溶剂校正循环。按照这种方式，任何给定样本循环将位于两个溶剂校正循环之间。用于给定样本循环的校正因子通过来自前面和后续校正循环的曲线之间的内插来确定，以补偿运行过程期间的溶剂校正因子中的任何漂移。
121.分析传感器系统20可还包括训练中心15，其用于训练机器学习算法。使用下列来训练机器学习算法：从响应数据的获取的集合的至少一部分所提取的交互参数集合，所述响应数据从分析物样本溶液的第二集合与至少一个配体之间的交互获得；以及对于分析物样本溶液的所述第二集合的每个分析物样本溶液的指示所述分析物样本溶液与所述配体的交互的至少一个相应质量分类组。
122.训练的机器学习算法模拟将分析物样本溶液分类到有经验用户的质量分类组中的方式。训练可以是标准机器学习算法训练，包括将整个数据集分为训练和检验集合，其中数据的80％用于训练，以及数据的20％用于检验。应当在训练数据上而绝不在检验集合上训练机器学习算法。
123.可还使用如图11a-11c中所示的图形元素来训练机器学习算法，以支持参数指配，包括与理论结合曲线进行比较、结合以及与参考的结合的同时显示、基于不同稳态模型的使用与kd值对应的剂量响应标绘图中的线条。通过所生成的模型，能够易于通过如图11e中所示的图形元素来改变分类。
124.在图11a和图11b中，在传感器图中指示影子(ghost)曲线。影子曲线是采用包括质量传递的1:1结合模型所模拟的典型片段轮廓。缩放rmax，以实现实际传感器图与模拟曲线的直接比较。
125.所述方法还可包括选项卡(tab)以及数据的过滤，其用来查看如图11d中的分类集合。
126.计算机程序可使用图形元素(图11a-11c)来支持参数指配，包括与理论结合曲线进行比较、结合以及与参考的结合的同时显示和/或基于不同稳态模型的使用与kd值对应的剂量响应标绘图中的线条。
127.可从包括决策树、k最近邻(knn)、随机森林、k均值、梯度提升算法、人工神经网络
(ann)、深度学习算法或者它们的任何组合的组中选择机器学习算法。
128.训练机器学习算法能够使用来自一个分析物传感器系统的数据来训练，并且用于分类来自另一个分析物传感器系统的数据。备选地，用于训练的数据以及将由机器学习算法所分类的数据可由相同系统或者至少相同类型的系统来获得。
129.当训练机器学习算法时，使用分析物样本溶液的第二集合。分析物样本溶液的所述第二集合在分析物样本溶液的数量以及分析物的类型两个方面可与分析物样本溶液的第一集合是不同的。当训练机器学习算法时所使用的(一个或多个)配体可与用于与分析物样本溶液的第一集合的交互的配体相同。所使用的(一个或多个)配体备选地可以不是用于与分析物样本溶液的第一集合的交互的(一个或多个)配体。
130.分析物样本溶液的第二集合可包括多个不同的分析物样本溶液。优选地，样本溶液的第二集合包括至少10个、至少100个或者至少500个不同的分析物样本溶液。用于训练的分析物样本溶液的数量越多，则分析物样本溶液的第一集合的分析物样本溶液的分类越好。
131.每分析物样本溶液的哪些交互参数和多少交互参数要用于训练机器学习算法可取决于使用机器学习算法的目标。一般来说，用于训练的交互参数的数量越多，则分析物样本溶液的第一集合的分析物样本溶液的分类越好。确定哪些交互参数并且提取这些参数可由分析系统的专业用户或者由在响应数据的多个训练集合上所训练的(一个或多个)ann或(一个或多个)专家系统来执行。
132.用于训练机器学习算法的交互参数的类型可与被提供给用于分析物样本溶液的第一集合的分析物样本溶液的训练的机器学习算法的交互参数相同。备选地，所使用的交互参数的数量和/或类型可有所不同。可在比用于分析物样本溶液的第一集合的分析物样本溶液的实际分类要大的交互参数集合上训练机器学习算法。
133.因此，对分析样本的第一集合所提取的上述参数的类型可从分析样本的第二集合中被提取，以用于训练机器学习算法。如上所述，机器学习算法还可被提供有参考扣除交互参数、参考交互参数、阴性和阳性交互参数以及溶剂校正。机器学习算法对于分析物样本溶液的第二集合的每个分析物样本溶液还被提供有指示分析物样本溶液与配体的交互的至少一个相应质量分类组。确定分析物样本的第二集合的每个分析物样本溶液的质量分类组可由分析系统的专业用户或者由在响应数据的多个训练集合上所训练的(一个或多个)ann或(一个或多个)专家系统来执行。
134.不同质量分类组的数量在一个示例中可以为二个，第一组包括与感兴趣配体的充分良好交互的分析物(参见图4a和图4b)，以及第二组包括与感兴趣配体的不良交互的分析物(参见图5和图6)。充分良好的分类指示这类分析物可能是进一步分析感兴趣的。
135.在另一个示例中，质量分类组的数量可以为100，其中组1包括与配体的不良交互的分析物，以及组100包括与配体的很好交互的分析物。
136.分析物样本溶液或者溶液系列被分类到指示所述分析物样本溶液与配体的交互的至少一个质量分类组中在这里可能涉及到主要组中的第一分类(诸如与进一步分析是否相关)以及通知关于分析物样本溶液为什么被分类到主要组中的第二组，例如归因于非特定结合、过低或过高折射率、与配体的结合不是1:1、无结合或极低结合响应(低于预定的切割线)、关联中的高斜率、缓慢解离、不良混合、r》rmax并且分析物是超化学计量结合剂、高
于kd的浓度、太少浓度而无法确定kd、稳态分析中的不可靠参数。
137.相同机器学习可能分类到包括命中物/未命中物以及它为什么是未命中物的若干组。备选方案是训练两个机器学习算法，一个用于分类分析物，以及一个用于说明分析物为什么已经接收如与进一步分析不相关的分类，并且组合这些训练的机器学习算法。当训练机器算法时，能够使用每个交互参数的统计量度。
138.这样训练的机器学习算法然后将返回来自分析物样本溶液的第一集合的分析物样本溶液到指示分析物样本溶液与配体的交互的质量分类组中的分类。在bls或亲和力筛选分析中，当数百个分析物样本溶液将被分析以提供分析物候选库的概述时，本方法将提供如与进一步分析是否相关的分析物候选的快速分类。此外，使候选分析物的评估是较少用户相关的，而不是因为有经验用户可参与监测的分子交互的评估。
139.在非限制性示例中，使用包括具有十个隐藏神经元和0.001的学习速率的一个隐藏层神经网络的机器学习算法(这里使用scisharp.tensorflow.redist v1.15.1和tensorflow.net v 0.13.0nuget包)。对于这个示例，监测不同分析物样本溶液与作为肝炎酶ns5b1b(rna相关rna聚合酶，亚型1b)的配体之间的交互。包括457个分析物样本溶液、64个阳性控制和136个阴性控制的数据的数据集被分为训练集合(分析物样本溶液的第二集合)和检验集合(分析物样本溶液的第一集合)，其中数据的80％用于训练，以及数据的20％用于检验。
140.所提取并且用于训练和检验的交互参数在这个示例中是：早期结合响应与阳性控制的晚期结合响应相除、结合晚期响应和结合早期响应的差与结合早期响应相除、稳定性早期响应、稳定性晚期响应、结合晚期响应和稳定性早期响应的差、参考的晚期结合响应、参考的稳定性晚期响应、参考的晚期结合响应和参考的早期结合响应的差、结合早期与所有阴性控制与所有阴性控制的五个标准偏差的平均结合相除以及早期结合响应的测量变化(标准偏差)。
141.此外，对于用于训练的每个分析物样本溶液，向机器学习算法给出指示分析物样本溶液与配体的交互的质量分类组。在这里，在两个质量分类组中分类样本溶液，第一组包括与配体的充分良好交互的分析物，以及第二组包括与配体的不良交互的分析物。
142.当在因此训练的机器学习算法上运行检验数据集时，特异性为96％，以及灵敏度为93％。
143.通过连续训练和发展这些模型，有经验用户能够易于修改分类的结果，并且重新训练模型以更好地适合用户优先考虑。此外，通过使用如以上所述的训练的机器学习算法来分类检测分析物样本，分类过程可被加速，尤其是如果分析中存在大量分析物样本，则评估结果可以是较少用户相关的，而不是因为有经验用户可参与评估监测的分子交互。
144.虽然以上描述包含多个特异性，但是这些不应当被理解为限制本文所述概念的范围，而是只提供所述概念的一些例示实施例的说明。将领会到，当前描述概念的范围完全包含对本领域的那些技术人员可能是显而易见的其他实施例，并且当前描述概念的范围相应地不受限制。除非这样明确说明，否则以单数形式提到元件并不是意在表示“唯一的”，而是表示“一个或多个”。本领域的那些普通技术人员已知的上述实施例的元件的所有结构和功能等效方案明确地结合到本文中，并且意在特此被包含。