[发明专利]分析实时扩增数据的方法

说明书

本发明涉及用于实时扩增数据的多维分析的方法、系统、计算机程序和计算机可读介质。提出了一种框架，该框架显示，标准曲线在多维环境中观察时的好处超出了绝对定量。关于机器学习的领域，所公开的方法结合了多个提取的特征(例如，线性特征)，以便使用多维视图来分析实时扩增数据。该方法涉及两个新概念：多维标准曲线及其“原点”，即特征空间。它们共同扩展了标准曲线的能力，允许同时进行绝对定量、离群点检测并提供对扩增动力学的洞察力。因此，该新方法能够增强核酸的定量、单通道多路复用、离群点检测、多维空间中与扩增动力学相关的特征模式以及增强样本鉴定和定量的鲁棒性。

本发明涉及用于多维分析实时扩增数据的方法、系统、计算机程序和计算机可读介质。

背景

从一开始，实时聚合酶链反应(qPCR)就已成为分子生物学中用于检测和定量核酸的常规技术。这主要是由于其较大的动态范围(7到8个数量级)，理想的灵敏度(5到10个分子)和可重复的定量结果。改进qPCR数据分析的新方法在许多分析领域都具有不可估量的价值，包括环境监测和临床诊断。尽管近年来研究已经饱和，但在实时PCR中使用标准曲线对核酸进行绝对定量无疑是重要的，并且在各个生物医学领域中都意义重大。

当前对于特定靶序列进行绝对定量的“金标准”是循环阈值(C_t)法。C_t值是扩增曲线的特征，该特征被定义为存在可检测的荧光增加的指数区域中的循环数。自从提出该方法以来，已经开发了几种替代方法，以期在准确性、精度和鲁棒性方面改进绝对定量。现有研究的重点基于单一特征的计算，例如与初始浓度线性相关的C_y和-log₁₀(F₀)。这为绝对定量提供了一种简单的方法，但是，基于这样的单一特征的数据分析是受限的。因此，对使用标准曲线进行核酸绝对定量的改进方法的研究已经趋于平稳，并且都是非常渐进式的改进。

Rutledge等人2004提出了基于三个动力学参数(Fc、F_max和F₀)的S型曲线拟合(SCF)进行定量。Sisti等人2010开发了“基于形状的离群点检测”方法，该方法不基于扩增效率，而是使用对参数化PCR扩增谱的非线性拟合。基于形状的离群点检测方法采用多维方法来定义扩增曲线之间的相似性度量，但是依赖于使用特定的扩增模型，即5参数S型模型，而这不是通用方法。此外，基于形状的离群点检测方法通常作为附件使用，并且仅使用多维方法来进行离群点检测，从而仅使用一维方法考虑定量。Guescini等人2013提出了C_y0法，该方法类似于C_t方法，但考虑了扩增曲线的动力学参数，并可能补偿所比较样本之间的微小变化。Bar等人2013提出了基于扩增效率计算的方法(KOD)，以用于早期非最佳测定条件检测。

本发明旨在至少部分地克服现有技术中固有的问题。

发明内容

本发明由所附权利要求限定。本文的支持性公开内容提出了一个框架，该框架显示，在多维环境中观察时，标准曲线的益处延伸到绝对定量之外。现有研究的重点一直放在与靶标浓度线性相关的单个值(在本文中称为“特征”)的计算上，因此，在利用多种特征方面，现有方法存在差距。现在已经认识到，结合线性特征的益处是重要的。先前的方法已被局限于常规标准曲线例如金标准循环阈值(C_t)法的简单性。这种新的方法能够增强核酸的定量、单通道多路复用、离群点检测、多维空间中与扩增动力学相关的特性模式以及增加的样本鉴定和定量的鲁棒性。