[go: up one dir, main page]

WO2018159712A1 - 機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット - Google Patents

機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット Download PDF

Info

Publication number
WO2018159712A1
WO2018159712A1 PCT/JP2018/007622 JP2018007622W WO2018159712A1 WO 2018159712 A1 WO2018159712 A1 WO 2018159712A1 JP 2018007622 W JP2018007622 W JP 2018007622W WO 2018159712 A1 WO2018159712 A1 WO 2018159712A1
Authority
WO
WIPO (PCT)
Prior art keywords
periodontal disease
specimen
bacteria
group
detection
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/JP2018/007622
Other languages
English (en)
French (fr)
Inventor
谷口　誠
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.)
Mitsui Chemicals Inc
Original Assignee
Mitsui Chemicals Inc
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 Mitsui Chemicals Inc filed Critical Mitsui Chemicals Inc
Priority to US16/488,661 priority Critical patent/US12014822B2/en
Priority to JP2019503084A priority patent/JP6810789B2/ja
Publication of WO2018159712A1 publication Critical patent/WO2018159712A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0082—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes
    • A61B5/0088—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence adapted for particular medical purposes for oral or dental tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
    • A61C19/00—Dental auxiliary appliances
    • A61C19/04—Measuring instruments specially adapted for dentistry
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • C12Q1/6893—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for protozoa
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
    • C12N15/00—Mutation or genetic engineering; DNA or RNA concerning genetic engineering, vectors, e.g. plasmids, or their isolation, preparation or purification; Use of hosts therefor
    • C12N15/09—Recombinant DNA-technology

Definitions

  • the present invention relates to a machine learning device, a learned model, a data structure, a periodontal disease inspection method, a periodontal disease diagnosis method, a periodontal disease inspection system, and a periodontal disease inspection kit.
  • Non-Patent Document 1 describes the relationship between Fretibacterium and periodontal disease.
  • Non-Patent Document 1 There are multiple reports on the relationship between the state of specific bacteria in the oral cavity and periodontal disease, including Non-Patent Document 1, but what information in the oral cavity is used to determine whether or not the patient is suffering from periodontal disease. There is still room for consideration as to whether it is appropriate to judge. In addition, finding a number of methods for determining whether or not a person suffers from periodontal disease based on information in the oral cavity improves the examination technique for periodontal disease and enhances the options for those undergoing the examination. From the viewpoint of the viewpoint of the viewpoint of the
  • a machine learning device that learns a function for determining the probability of periodontal disease or the state of periodontal disease, A plurality of learning data comprising: intraoral information detected from a specimen; and at least one judgment value selected from the group consisting of the probability of periodontal disease or the periodontal condition of the donor of the specimen.
  • Machine learning device including: ⁇ 2> The machine learning device according to ⁇ 1>, wherein the intraoral information includes a bacterial flora composition in the oral cavity.
  • the machine learning device according to ⁇ 1> or ⁇ 2>, further including a determination unit that determines the determination value from the input intraoral information using the function learned by the learning unit.
  • the computer is caused to function so as to output a value representing the probability of periodontal disease or the periodontal condition of the donor of the specimen.
  • a trained model A first neural network and a second neural network coupled so that an output from the first neural network is input;
  • the number of neurons in at least one intermediate layer is smaller than the number of neurons in the input layer, the number of neurons in the input layer and the output layer is the same, and the input value to each input layer and each input layer
  • the weighting coefficient is learned so that the output value from each output layer corresponding to is equal,
  • the input layer to the intermediate layer of the first neural network are used as a feature extraction neural network,
  • the weighting factor of the second neural network is learned without changing the weighting factor of the first neural network;
  • the learning in the first and second neural networks A learned model for causing a computer to perform an operation based on a weighting factor that has been completed and to output a value representing the probability of periodontal disease or the state of periodontal disease from the output layer of the second neural network .
  • ⁇ 5> The learned model according to ⁇ 4>, wherein the intraoral information includes a bacterial flora composition in the oral cavity.
  • ⁇ 6> It is a data structure including intraoral information detected from a specimen and information for specifying a provider of the specimen, Based on the intraoral information, periodontal disease using a learned model that has been learned in advance to output a value representing the probability of periodontal disease or the periodontal condition of the donor of the specimen Or a data structure used for processing for calculating a probability relating to a state.
  • ⁇ 7> The data structure according to ⁇ 6>, wherein the intraoral information includes a bacterial flora composition in the oral cavity.
  • ⁇ 8> Detect at least two types of bacteria from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Scardovia, and Shuttleworthia Periodontal disease inspection method including a detection step.
  • the detection step further includes an evaluation step for evaluating the possibility that the donor of the specimen suffers from periodontal disease based on the result obtained in the detection step, ⁇ 8> or The periodontal disease test method according to ⁇ 9>.
  • the evaluation step includes an analysis step of calculating a total number of sequences obtained in the detection step and a total number of sequences of at least two types of bacteria included in the group, and is obtained in the analysis step.
  • the total number of sequences of at least two types of bacteria included in the group is 0.02% or more when the total number of sequences obtained in the detection step is 100% ⁇ 10> or ⁇ 11>
  • the periodontal disease test method according to ⁇ 10> or ⁇ 11> which evaluates that the provider of the specimen is highly likely to have periodontal disease.
  • ⁇ 13> The periodontal disease examination method according to any one of ⁇ 8> to ⁇ 12>, wherein the detection is performed by metagenomic analysis.
  • ⁇ 14> The periodontal disease examination method according to any one of ⁇ 8> to ⁇ 13>, wherein the specimen is saliva.
  • ⁇ 15> From a specimen, a group of at least two species selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Scardovia, and Shuttleworthia and Mycoplasma A periodontal disease inspection system including a detection unit.
  • ⁇ 16> From a specimen, a group of at least two species selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Scardovia, and Shuttleworthia and Mycoplasma
  • a periodontal disease test kit comprising a detection device.
  • a periodontal disease inspection method comprising a detection step of detecting at least one type of bacteria selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • the periodontal disease test method according to ⁇ 17>, wherein at least one type of bacteria included in the group includes Lautropia.
  • the method further includes an evaluation step of evaluating the possibility that the donor of the specimen suffers from periodontal disease based on the result obtained in the detection step.
  • the periodontal disease test method according to any one of items.
  • the evaluation step includes an analysis step of calculating a total number of sequences obtained in the detection step and a total number of sequences of at least two types of bacteria included in the group, and is obtained in the analysis step.
  • the total number of sequences of at least one type of bacteria included in the group is 0.01% or less when the total number of sequences obtained in the detection step is 100% Is a method for examining periodontal disease according to ⁇ 20> or ⁇ 21>, which evaluates that the provider of the specimen is likely to have periodontal disease.
  • ⁇ 23> The periodontal disease examination method according to any one of ⁇ 17> to ⁇ 22>, wherein the detection is performed by metagenomic analysis.
  • ⁇ 24> The periodontal disease examination method according to any one of ⁇ 17> to ⁇ 23>, wherein the specimen is saliva.
  • a periodontal disease inspection system comprising a detection unit that detects at least one type of bacteria selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • a periodontal disease test kit comprising a detection device for detecting at least one bacterium selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • a novel machine learning device a learned model, and a data structure used for periodontal disease inspection are provided.
  • the novel periodontal disease test method, periodontal disease diagnostic method, periodontal disease test system, and periodontal disease test kit are provided.
  • FIG. 1 is a schematic diagram illustrating an example of a configuration of a machine learning device 100.
  • FIG. 4 is a conceptual diagram illustrating an example of a machine learning processing routine of the machine learning device 100.
  • FIG. 1 is a schematic diagram illustrating an example of a configuration of a machine learning device 100.
  • FIG. 4 is a conceptual diagram illustrating an example of a machine learning processing routine of the machine learning device 100.
  • FIG. 1 is a schematic diagram illustrating an example of a configuration of a machine learning device 100.
  • FIG. 4 is a conceptual diagram illustrating an example of a machine learning processing routine of the machine learning device 100.
  • process includes a process that is independent of other processes and includes the process if the purpose of the process is achieved even if it cannot be clearly distinguished from the other processes. .
  • the machine learning device of the present embodiment is a machine learning device that learns a function for determining the probability of periodontal disease or the state of periodontal disease, A plurality of learning data comprising: intraoral information detected from a specimen; and at least one judgment value selected from the group consisting of the probability of periodontal disease or the periodontal condition of the donor of the specimen.
  • the machine learning device includes a convergence determination unit that repeats the calculation by the reward calculation unit and the update by the function update unit until a predetermined convergence condition is satisfied.
  • the machine learning device determines whether or not the sample provider suffers from periodontal disease, determines whether periodontal disease is cured, determines whether periodontal disease is cured, tooth It can be used to determine whether or not perinatal disease progresses.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • Examples of intraoral information detected from a specimen include, but are not limited to, oral bacterial flora composition (including bacterial base sequences).
  • oral bacterial flora composition including bacterial base sequences.
  • inspection method (1) or (2) mentioned later may be sufficient.
  • the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); the type of information transmission between bacteria (quorum sensing, autoinducer) Amount; Type and amount of mutual nutritional symbiotic relationship between bacteria; Bacterial growth conditions (oxygen requirement, nutrient requirement, etc.); Type and amount of antigen that affects immune function; Type and amount of protease that destroys biological structure; Gene The types and amounts of polynucleotides related to expression or gene regulation; the types and amounts of lipopolysaccharides constituting the outer cell membrane of endotoxins and bacteria; and feature amounts representing the function of bacteria can be used. Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • the at least one judgment value selected from the group consisting of the probability of periodontal disease or the periodontal disease state there is a judgment value based on the presence or absence of a specific bacterium in the bacterial flora composition in the oral cavity, or its ratio. However, it is not limited to these. In a certain embodiment, it may be a judgment value based on the presence or absence of the bacteria described in the periodontal disease test method (1) or (2) described later or the ratio thereof.
  • the learning data may include other information as necessary.
  • Such information includes, for example, the age, sex, smoking habits, eating habits, oral care implementation status, dental treatment history, pre-existing or pre-existing conditions, presence or absence of dental caries, tooth alignment, saliva amount, oral cavity Internal hygiene, habits (eg, bruxism, mouth breathing), stress, etc.
  • the machine learning device may further include a determination unit that determines the determination value from the input intraoral information using the function learned by the learning unit.
  • FIG. 1 is a schematic diagram illustrating an example of the configuration of the machine learning device 100.
  • the machine learning device 100 having the configuration shown in FIG. 1 can be configured by a computer including a CPU, a RAM, and a ROM that stores a program for executing a machine learning processing routine described later and various data.
  • the machine learning device 100 includes an input unit 10, a calculation unit 20, and an output unit 90 as shown in FIG.
  • the input unit 10 includes intraoral information detected from a specimen; and at least one judgment value selected from the group consisting of the probability of periodontal disease or the periodontal condition of the donor of the specimen. Accept multiple learning data.
  • the input unit 10 receives intraoral information detected from a sample to be determined.
  • the calculation unit 20 includes a learning data storage unit 30, a learning unit 40, a learned model storage unit 50, and a determination unit 60.
  • the learning data storage unit 30 stores a plurality of learning data received by the input unit 10.
  • the learning unit 40 learns a function for determining a determination value based on a plurality of learning data.
  • the function is a learned model described later.
  • the learning unit 40 includes a reward calculation unit 42, a function update unit 44, and a convergence determination unit 46.
  • the reward calculation unit 42 calculates a reward for the result of determining the probability of periodontal disease or periodontal disease using a function based on the learning data.
  • the function update unit 44 updates the function based on the reward calculated for each of the plurality of learning data by the reward calculation unit 42 so that the reward becomes higher.
  • the convergence determination unit 46 repeats the calculation by the reward calculation unit 42 and the update by the function update unit 44 until a predetermined convergence condition is satisfied.
  • the learned model storage unit 50 stores the function learned by the learning unit 40.
  • the determination unit 60 uses the function learned by the learning unit 40 based on the intraoral information detected from the sample that is input as the determination target, and determines the probability of periodontal disease or periodontal disease of the sample provider. At least one judgment value selected from the group consisting of states is determined.
  • Each component of the machine learning device of the present embodiment is not particularly limited, and may be each component of a known machine learning device.
  • the learned model of the present embodiment is based on data related to intraoral information detected from the sample, and outputs a value expressing the probability of periodontal disease or periodontal disease of the provider of the sample.
  • a trained model to make a computer function A first neural network and a second neural network coupled so that an output from the first neural network is input;
  • the number of neurons in at least one intermediate layer is smaller than the number of neurons in the input layer, the number of neurons in the input layer and the output layer is the same, and the input value to each input layer and each input layer
  • the weighting coefficient is learned so that the output value from each output layer corresponding to is equal,
  • the input layer to the intermediate layer of the first neural network are used as a feature extraction neural network,
  • the weighting factor of the second neural network is learned without changing the weighting factor of the first neural network;
  • the above learned model is used to determine whether the specimen provider has periodontal disease, whether or not periodontal disease is cured, whether or not periodontal disease is cured, tooth It can be used to determine whether or not perinatal disease progresses.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • Examples of intraoral information detected from a specimen include, but are not limited to, oral bacterial flora composition (including bacterial base sequences).
  • oral bacterial flora composition including bacterial base sequences.
  • inspection method (1) or (2) mentioned later may be sufficient.
  • the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); the type of information transmission between bacteria (quorum sensing, autoinducer) Amount; Type and amount of mutual nutritional symbiotic relationship between bacteria; Bacterial growth conditions (oxygen requirement, nutrient requirement, etc.); Type and amount of antigen that affects immune function; Type and amount of protease that destroys biological structure; Gene The types and amounts of polynucleotides related to expression or gene regulation; the types and amounts of lipopolysaccharides constituting the outer cell membrane of endotoxins and bacteria; and feature amounts representing the function of bacteria can be used. Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • the value expressing the probability of periodontal disease or the state of periodontal disease includes, but is not limited to, a judgment value based on the presence or ratio of specific bacteria in the bacterial flora composition in the oral cavity. Absent. In a certain embodiment, it may be a judgment value based on the presence or absence of the bacteria described in the periodontal disease test method (1) or (2) described later or the ratio thereof.
  • the learned model is to allow a computer to output a value representing the probability of periodontal disease or the state of periodontal disease based on intraoral information and other information as necessary. Also good. Such information includes, for example, the age, sex, smoking habits, eating habits, oral care implementation status, dental treatment history, pre-existing or pre-existing conditions, presence or absence of dental caries, tooth alignment, saliva amount, oral cavity Internal hygiene, habits (eg, bruxism, mouth breathing), stress, etc.
  • Each component of the learned model of the present embodiment is not particularly limited, and may be the same as a known learned model component.
  • the data structure of the present embodiment is a data structure including intraoral information detected from a specimen and information for specifying a provider of the specimen, Based on intraoral information detected from the specimen, using a learned model that has been learned in advance to output a value representing the probability of periodontal disease or periodontal condition of the donor of the specimen It is a data structure used for the process which calculates the probability regarding the onset or state of periodontal disease.
  • the above data structure includes the determination of whether or not the specimen provider suffers from periodontal disease, determination of whether periodontal disease is cured, determination of whether periodontal disease is cured, periodontal It can be used to determine whether or not the disease progresses.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • Examples of intraoral information detected from a specimen include, but are not limited to, oral bacterial flora composition (including bacterial base sequences).
  • oral bacterial flora composition including bacterial base sequences.
  • inspection method (1) or (2) mentioned later may be sufficient.
  • the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); the type of information transmission between bacteria (quorum sensing, autoinducer) Amount; Type and amount of mutual nutritional symbiotic relationship between bacteria; Bacterial growth conditions (oxygen requirement, nutrient requirement, etc.); Type and amount of antigen that affects immune function; Type and amount of protease that destroys biological structure; Gene The types and amounts of polynucleotides related to expression or gene regulation; the types and amounts of lipopolysaccharides constituting the outer cell membrane of endotoxins and bacteria; and feature amounts representing the function of bacteria can be used. Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • the value expressing the probability of periodontal disease or the state of periodontal disease includes, but is not limited to, a judgment value based on the presence or ratio of specific bacteria in the bacterial flora composition in the oral cavity. Absent. In a certain embodiment, it may be a judgment value based on the presence or absence of the bacteria described in the periodontal disease test method (1) or (2) described later or the ratio thereof.
  • the above data structure uses a learned model that has been learned in advance to output a value representing the probability of periodontal disease or the state of periodontal disease based on intraoral information and other information as necessary. It may be used for processing for calculating a probability related to the onset or condition of periodontal disease.
  • information includes, for example, the age, sex, smoking habits, eating habits, oral care implementation status, dental treatment history, pre-existing or pre-existing conditions, presence or absence of dental caries, tooth alignment, saliva amount, oral cavity Internal hygiene, habits (eg, bruxism, mouth breathing), stress, etc.
  • Each component of the learned model of the present embodiment is not particularly limited, and may be the same as a known learned model component.
  • the machine learning device 100 When receiving a plurality of learning data in the input unit 10, the machine learning device 100 stores the plurality of learning data in the learning data storage unit 30. The machine learning device 100 executes a machine learning processing routine shown in FIG.
  • step S100 for each of the plurality of learning data, based on the learning data, a reward for the result of determining the periodontal disease incidence probability or periodontal disease state using the current function is calculated.
  • step S102 the function is updated so that the reward is increased based on the reward calculated for each of the plurality of learning data in step S100.
  • step S104 it is determined whether or not a predetermined convergence condition is satisfied. If the convergence condition is not satisfied, the process returns to step S100. On the other hand, when the convergence condition is satisfied, the process proceeds to step S106.
  • step S106 the finally updated function is stored in the learned model storage unit 50, and the learning process routine ends.
  • the determination unit 60 of the machine learning device 100 receives the intraoral information detected from the sample input as the determination target. From the information, the function learned by the learning unit 40 is used to determine at least one judgment value selected from the group consisting of the probability of periodontal disease or the periodontal disease state of the sample provider, and the output unit 90 To output.
  • the periodontal disease examination method of this embodiment is selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsukella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Scardovia
  • detection targets A detection step of detecting at least two types of bacteria (hereinafter also referred to as detection targets) is included.
  • the periodontal disease test method includes a step of detecting at least two types selected from specific bacterial species, so that the periodontal period is compared with a case where only the detection result of one type of bacteria is used as a criterion.
  • the accuracy of the disease test is further improved.
  • the technical idea of determining whether or not a patient suffers from periodontal disease by detecting a plurality of species from specific bacteria in the oral cavity is neither described nor suggested in the prior art documents.
  • the above examination methods are used to determine whether the sample provider has periodontal disease, to determine whether periodontal disease is cured, to determine whether periodontal disease is cured, It can be used to determine whether or not the disease progresses.
  • the detection step may be performed by any method as long as the detection target contained in the specimen can be detected.
  • metagenome analysis metal 16S analysis etc.
  • immunochromatography method gene amplification method (real time PCR, LAMP method etc.) are mentioned.
  • the detecting step is performed by metagenomic analysis.
  • Metagenomic analysis can detect the presence and presence rate of multiple bacterial species in a single process, and is advantageous in terms of testing efficiency compared to gene amplification methods, which are based on the detection of one bacterial species per process. is there.
  • the detection accuracy of bacteria is superior to the immunochromatography method for qualitative evaluation.
  • Specific information to be detected is the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); Information transmission between bacteria (quorum sensing, auto-in) Type and amount; type and amount of mutual nutritional symbiotic relationship between bacteria; growth conditions of bacteria (oxygen demand, nutrient demand, etc.); type and amount of antigen that affects immune function; Types and amounts; types and amounts of polynucleotides related to gene expression or gene regulation; types and amounts of lipopolysaccharide constituting endotoxin and bacterial cell wall outer membranes; feature amounts representing bacterial functions, and the like can be used.
  • Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • the detection target is selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsukella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Pyramidobacter, Scardworth
  • There are two types of bacteria preferably at least three types of bacteria, and more preferably at least four types of bacteria.
  • the detection target includes at least two types of bacteria selected from the group consisting of Anaeroglobus, Fretibacterium, and Mycoplasma.
  • the periodontal disease inspection method of the present embodiment may include an evaluation step for evaluating the possibility that the sample provider is suffering from periodontal disease based on the result obtained in the detection step after the detection step. Good.
  • the evaluation step may be performed by any method as long as the possibility that the sample provider has periodontal disease can be evaluated based on the result obtained in the detection step. For example, a color reaction or the like may be used even with a computer.
  • the evaluation process includes an analysis process for calculating the total number of bacteria contained in the specimen and the total number of bacteria to be detected, and evaluation is performed based on the analysis result obtained in the analysis process. Good.
  • the specimen provider in the evaluation step, if the ratio of the total number of sequences of the bacteria to be detected to the total number of sequences obtained in the detection step is equal to or greater than a predetermined value, the specimen provider suffers from periodontal disease. Evaluate that they are likely to
  • the evaluation step provides a sample when the total number of sequences of bacteria to be detected is 0.02% or more when the total number of sequences obtained in the detection step is 100%. It is preferable that the person evaluates that the person is likely to have periodontal disease.
  • ⁇ the total number of sequences of bacteria to be detected '' refers to Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, among the bacteria contained in the specimen, It is a bacterium contained in the group consisting of Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Scardovia, Shuttleworthia and Mycoplasma, and means the sum of the number of sequences of two or more types of bacteria employed as detection targets. Accordingly, the number of sequences of bacteria that are not employed as detection targets even if they are included in the above group is not included in the “total number of sequences of detection target bacteria”.
  • the possibility that the donor of the specimen suffers from periodontal disease may be evaluated by referring to other information in addition to the result obtained in the detection step.
  • information includes, for example, the age, sex, smoking habits, eating habits, oral care implementation status, dental treatment history, pre-existing or pre-existing conditions, presence or absence of dental caries, tooth alignment, saliva amount, oral cavity Internal hygiene, habits (eg, bruxism, mouth breathing), stress, etc.
  • the periodontal disease test system of this embodiment is selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Scardovia
  • a detection unit for detecting at least two types of bacteria is provided.
  • the above examination system is used to determine whether the sample provider has periodontal disease, to determine whether periodontal disease is cured, to determine whether periodontal disease is cured, It can be used to determine whether or not the disease progresses.
  • the detection unit is not particularly limited as long as the detection target included in the sample can be detected.
  • an apparatus for performing metagenome analysis metal 16S analysis, etc.
  • immunochromatography method gene amplification method (real time PCR, LAMP method, etc.) and the like can be mentioned.
  • the detecting step is performed by metagenomic analysis.
  • the presence / absence and presence rate of a plurality of bacterial species can be detected in a single step, which is advantageous in terms of test efficiency as compared with the gene amplification method in which detection of one bacterial species per process is fundamental.
  • the detection accuracy of bacteria is superior to the immunochromatography method for qualitative evaluation.
  • Specific information to be detected is the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); Information transmission between bacteria (quorum sensing, auto-in) Type and amount; type and amount of mutual nutritional symbiotic relationship between bacteria; growth conditions of bacteria (oxygen demand, nutrient demand, etc.); type and amount of antigen that affects immune function; Types and amounts; types and amounts of polynucleotides related to gene expression or gene regulation; types and amounts of lipopolysaccharide constituting endotoxin and bacterial cell wall outer membranes; feature amounts representing bacterial functions, and the like can be used.
  • Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • the specific configuration of the detection unit is not particularly limited and can be selected according to the detection method employed.
  • the detection unit may perform detection using a computer such as a computer, or may perform detection through a procedure like a test piece.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • the detection target is selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsukella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Pyramidobacter, Scardworth
  • There are two types of bacteria preferably at least three types of bacteria, and more preferably at least four types of bacteria.
  • the detection target includes at least two types of bacteria selected from the group consisting of Anaeroglobus, Fretibacterium, and Mycoplasma.
  • the periodontal disease inspection system of the present embodiment may include an evaluation unit that evaluates the possibility that the sample provider is suffering from periodontal disease based on the result obtained by the detection unit.
  • the evaluation unit is not particularly limited as long as it can evaluate the possibility that the specimen provider suffers from periodontal disease based on the result obtained by the detection unit.
  • a computer may be used, or a color reaction or the like may be used.
  • the evaluation unit includes an analysis unit that calculates the total number of sequences obtained in the detection step and the total number of sequences of the bacteria to be detected, and performs evaluation based on the analysis result obtained by the analysis unit. May be.
  • the evaluation unit determines that the specimen provider suffers from periodontal disease if the ratio of the total number of sequences of the bacteria to be detected to the total number of sequences obtained by the detection unit is equal to or greater than a predetermined value. Evaluate that they are likely to
  • the evaluation unit provides the specimen when the total number of sequences of the bacteria to be detected is 0.02% or more when the total number of sequences obtained in the detection step is 100%. It is preferable that the person evaluates that the person is likely to have periodontal disease.
  • ⁇ the total number of sequences of bacteria to be detected '' means Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, It is a bacterium contained in the group consisting of Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Scardovia, Shuttleworthia and Mycoplasma, and means the sum of the number of two or more types of microbial sequences employed as detection targets. Therefore, the number of bacteria that are not employed as detection targets even if they are included in the above group is not included in the “total number of sequences of detection target bacteria”.
  • the periodontal disease inspection system of the present embodiment may include a portion that performs other functions in addition to the detection unit described above and an evaluation unit and an analysis unit that are included as necessary. Further, the periodontal disease inspection system of the present embodiment may be in the state of an apparatus in which the above-described parts are integrated, or may be a combination of apparatuses each having each part. Further, the periodontal disease inspection system of the present embodiment includes a simpler form (for example, a periodontal disease inspection kit described later).
  • the periodontal disease test kit of this embodiment is selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Scardovia, and Scardovia
  • a detection device for detecting at least two types of bacteria is provided.
  • the detection device is not particularly limited as long as the detection target included in the specimen can be detected.
  • what was described as a detection part with which the periodontal disease inspection system mentioned above is provided may be used.
  • the periodontal disease test kit includes these devices, these devices can be combined with separate detection devices even if they are integrated with the detection device (including the case where the detection device also functions as these devices). There may be.
  • the method of diagnosing periodontal disease of the present embodiment is selected from the group consisting of Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsukella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Scardovia
  • the method includes a step of diagnosing whether or not the donor of the specimen suffers from periodontal disease based on information on whether or not at least two types of bacteria (hereinafter also referred to as detection targets) are detected.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • the method for obtaining information on whether or not the detection target is detected from the specimen is not particularly limited.
  • the information obtained by the method described in the periodontal disease examination method or periodontal disease examination system described above is used. There may be. Details in each embodiment described above can also be applied to this method.
  • the periodontal disease test method of this embodiment includes a detection step of detecting at least one type of bacterium (hereinafter also referred to as a detection target) selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • a detection target selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • the periodontal disease test method of the present embodiment when comparing a sample collected from a donor not suffering from periodontal disease and a sample collected from a provider suffering from periodontal disease, There is a tendency that at least one bacterium selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia contained in the specimens of unaffected donors tends to be higher than the specimens of donors suffering from periodontal disease Finding knowledge and based on this.
  • the above examination methods are used to determine whether the sample provider has periodontal disease, to determine whether periodontal disease is cured, to determine whether periodontal disease is cured, It can be used to determine whether or not the disease progresses.
  • the detection step may be performed by any method as long as the detection target contained in the specimen can be detected.
  • metagenome analysis metal 16S analysis etc.
  • immunochromatography method gene amplification method (real time PCR, LAMP method etc.) are mentioned.
  • the detecting step is performed by metagenomic analysis.
  • Metagenomic analysis can detect the presence and presence rate of multiple bacterial species in a single process, and is advantageous in terms of testing efficiency compared to gene amplification methods, which are based on the detection of one bacterial species per process. is there.
  • the detection accuracy of bacteria is superior to the immunochromatography method for qualitative evaluation.
  • Specific information to be detected is the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); Information transmission between bacteria (quorum sensing, auto-in) Type and amount; type and amount of mutual nutritional symbiotic relationship between bacteria; growth conditions of bacteria (oxygen demand, nutrient demand, etc.); type and amount of antigen that affects immune function; Types and amounts; types and amounts of polynucleotides related to gene expression or gene regulation; types and amounts of lipopolysaccharide constituting endotoxin and bacterial cell wall outer membranes; feature amounts representing bacterial functions, and the like can be used.
  • Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • the detection target is at least one bacterium selected from the group consisting of GN02, Ottowia, Sneathia and Lautropia, preferably at least two bacterium, and at least three bacterium. More preferably.
  • the detection target preferably contains at least Lautropia, and more preferably a combination of Lautropia and at least one bacterium selected from the group consisting of N02, Ottowia and Sneathia.
  • the periodontal disease inspection method of the present embodiment may include an evaluation step for evaluating the possibility that the sample provider is suffering from periodontal disease based on the result obtained in the detection step after the detection step. Good.
  • the evaluation step may be performed by any method as long as the possibility that the sample provider has periodontal disease can be evaluated based on the result obtained in the detection step. For example, a color reaction or the like may be used even with a computer.
  • the evaluation step includes an analysis step that calculates the total number of sequences (Read) obtained in the detection step and the total number of sequences of the bacteria to be detected, and performs evaluation based on the analysis result obtained in the analysis step It may be a thing.
  • the sample provider in the evaluation step, if the ratio of the total number of sequences of the bacteria to be detected to the total number of sequences obtained in the detection step is equal to or less than a predetermined value, the sample provider suffers from periodontal disease. Evaluate that they are likely to
  • the evaluation step provides the specimen when the total number of sequences of the bacteria to be detected is 0.01% or less when the total number of sequences obtained in the detection step is 100%. It is preferable that the person evaluates that the person is likely to have periodontal disease.
  • ⁇ total number of sequences of bacteria to be detected '' is a bacterium contained in the group consisting of GN02, Ottowia, Sneathia and Lautropia among the bacteria contained in the specimen, It means the total number of sequences of one or more types of bacteria employed as detection targets. Accordingly, the number of sequences of bacteria that are not employed as detection targets even if they are included in the above group is not included in the “total number of sequences of detection target bacteria”.
  • the possibility that the donor of the specimen suffers from periodontal disease may be evaluated by referring to other information in addition to the result obtained in the detection step.
  • information includes, for example, the age, sex, smoking habits, eating habits, oral care implementation status, dental treatment history, pre-existing or pre-existing conditions, presence or absence of dental caries, tooth alignment, saliva amount, oral cavity Internal hygiene, habits (eg, bruxism, mouth breathing), stress, etc.
  • the periodontal disease inspection system of this embodiment includes a detection unit that detects at least one type of bacteria (detection target) selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • detection target selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • the above examination system is used to determine whether the sample provider has periodontal disease, to determine whether periodontal disease is cured, to determine whether periodontal disease is cured, It can be used to determine whether or not the disease progresses.
  • the detection unit is not particularly limited as long as the detection target included in the sample can be detected.
  • an apparatus for performing metagenome analysis metal 16S analysis, etc.
  • immunochromatography method gene amplification method (real time PCR, LAMP method, etc.) and the like can be mentioned.
  • the detecting step is performed by metagenomic analysis.
  • the presence / absence and presence rate of a plurality of bacterial species can be detected in a single step, which is advantageous in terms of test efficiency as compared with the gene amplification method in which detection of one bacterial species per process is fundamental.
  • the detection accuracy of bacteria is superior to the immunochromatography method for qualitative evaluation.
  • Specific information to be detected is the phylogenetic tree of the bacteria and the length of branching (Unifrac distance); the number of reads obtained in the next-generation sequence (sequence and reading amount); Information transmission between bacteria (quorum sensing, auto-in) Type and amount; type and amount of mutual nutritional symbiotic relationship between bacteria; growth conditions of bacteria (oxygen demand, nutrient demand, etc.); type and amount of antigen that affects immune function; Types and amounts; types and amounts of polynucleotides related to gene expression or gene regulation; types and amounts of lipopolysaccharide constituting endotoxin and bacterial cell wall outer membranes; feature amounts representing bacterial functions, and the like can be used.
  • Each of these pieces of information may be combined with a predetermined weight, or may be a feature amount after a principal component analysis is extracted and a combination thereof.
  • the specific configuration of the detection unit is not particularly limited and can be selected according to the detection method employed.
  • the detection unit may perform detection using a computer such as a computer, or may perform detection through a procedure like a test piece.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • the detection target is at least one bacterium selected from the group consisting of GN02, Ottowia, Sneathia and Lautropia, preferably at least two bacterium, and at least three bacterium. More preferably. Moreover, it is preferable that a detection target contains at least Lautropia.
  • the detection target preferably includes at least Lautropia, and more preferably a combination of Lautropia and at least one type of bacteria selected from the group consisting of GN02, Ottowia and Sneathia.
  • the periodontal disease inspection system of the present embodiment may include an evaluation unit that evaluates the possibility that the sample provider is suffering from periodontal disease based on the result obtained by the detection unit.
  • the evaluation unit is not particularly limited as long as it can evaluate the possibility that the specimen provider suffers from periodontal disease based on the result obtained by the detection unit.
  • a computer may be used, or a color reaction or the like may be used.
  • the evaluation unit includes an analysis unit that calculates the total number of sequences obtained in the detection step and the total number of sequences of the bacteria to be detected, and performs evaluation based on the analysis result obtained by the analysis unit. May be.
  • the evaluation unit determines that the specimen provider suffers from periodontal disease if the ratio of the total number of sequences of the bacteria to be detected to the total number of sequences obtained by the detection unit is a predetermined value or less. Evaluate that they are likely to
  • the evaluation unit provides the specimen when the total number of sequences of the bacteria to be detected is 0.01% or less when the total number of sequences obtained in the detection step is 100%. It is preferable that the person evaluates that the person is likely to have periodontal disease.
  • ⁇ total number of sequences of bacteria to be detected '' is a bacterium contained in the group consisting of GN02, Ottowia, Sneathia and Lautropia among the bacteria contained in the specimen, It means the total number of sequences of one or more types of bacteria employed as detection targets. Therefore, the number of bacteria that are not employed as detection targets even if they are included in the above group is not included in the “total number of sequences of detection target bacteria”.
  • the periodontal disease inspection system of the present embodiment may include a portion that performs other functions in addition to the detection unit described above and an evaluation unit and an analysis unit that are included as necessary. Further, the periodontal disease inspection system of the present embodiment may be in the state of an apparatus in which the above-described parts are integrated, or may be a combination of apparatuses each having each part. Further, the periodontal disease inspection system of the present embodiment includes a simpler form (for example, an inspection kit to be described later).
  • the periodontal disease test kit of this embodiment includes a detection device that detects at least one type of bacteria (detection target) selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • detection target at least one type of bacteria (detection target) selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia from a specimen.
  • the detection device is not particularly limited as long as the detection target included in the specimen can be detected.
  • what was described as a detection part with which the periodontal disease inspection system mentioned above is provided may be used.
  • the periodontal disease test kit includes these devices, these devices can be combined with separate detection devices even if they are integrated with the detection device (including the case where the detection device also functions as these devices). There may be.
  • the method for diagnosing periodontal disease of the present embodiment is based on information about whether or not at least one type of bacteria (detection target) selected from the group consisting of GN02, Ottowia, Sneathia, and Lautropia is detected from the sample.
  • a step of diagnosing whether or not the provider of the disease suffers from periodontal disease.
  • saliva is used as the specimen, but is not limited thereto.
  • examples include gingival crevicular fluid, dental plaque, biofilm, tongue coating and the like.
  • saliva by using saliva as a specimen, information on the oral cavity of the provider can be obtained by a simple technique without damaging the gums or the like for collecting the specimen.
  • the method for obtaining information on whether or not the detection target is detected from the specimen is not particularly limited.
  • the information obtained by the method described in the periodontal disease examination method or periodontal disease examination system described above is used. There may be. Details in each embodiment described above can also be applied to this method.
  • Example 1 Subjects A1 to A10 suffering from periodontal disease (with a periodontal pocket of 5 mm or more) and subjects B1 to B8 not suffering from periodontal disease (having periodontal healthy tissues) Using the saliva collected from the case of minor gingivitis), the bacteria to be detected were detected by the following procedure.
  • V3-V4 region F: 5′-CCTACGGGGGCWGCAG-3 ′, R: 5′-GACTACHGGGTATCTAATCC-3 ′
  • V4 region F: 5′-GTGCCCAGCMGCCGCGGTAA-3 ', R: 5'-GGACTACHIVGGGTWTCTAAT-3'
  • PCR Thermo Fisher, SimpliAmp
  • An adapter sequence and an index sequence are added to the amplified PCR fragment to construct a library.
  • the library is loaded into the next-generation sequencer MiSeq (Illumina) to obtain the base sequence (Read).
  • the obtained sequence is collated with a bacterial genome database (public database: 16 SM Microbial, NCBI, etc.) using BLAST using a computer, and the bacterial flora composition is clarified from the number of sequences (Read) (meta 16S analysis). Subsequently, the ratio (%) of the number of sequences of 16 types of bacteria shown in Table 1 alone or in combination to the total number of sequences obtained as a result of detection is calculated.
  • Table 1 shows the ratio (%) of the number of sequences obtained for 16 types of bacteria by the above detection.
  • a + F represents the sum of the number of sequences of Anaeroglobus and Fretibacterium
  • a + F + M represents the sum of the number of sequences of Anaeroglobus, Fretibacterium and Mycoplasma
  • All represents the sequences of the 16 types of bacteria described in the table. Represents the sum of numbers.
  • the group of subjects suffering from periodontal disease had 0.02% of the total number of sequences detected when three types of bacteria (Anaeroglobus, Fretibacterium and Mycoplasma) were used as detection targets. It was over. On the other hand, in a group of subjects not suffering from periodontal disease, the total number of sequences when three types of bacteria (Anaeroglobus, Fretibacterium, and Mycoplasma) are adopted as detection targets is 0.02 of the total number of detected sequences. %.
  • the group of subjects suffering from periodontal disease was detected as 16 types of bacteria (Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibactia, Pyudoramibacter, Pyramcardoacter, Pyramcardbacter, The total number of sequences when Mycoplasma) was employed exceeded 0.02% of the total number of sequences detected.
  • a group of subjects not suffering from periodontal disease has 16 types of bacteria (Anaeroglobus, Cryptobacterium, Desulfobulbus, Desulfomicrobium, Desulfovibrio, Erysipelotrichaceae, Fretibacterium, Johnsonella, Mitsuokella, Mollicutes, Parascardovia, Pseudoramibacter, Pyramidobacter, Pyramidobacter, Pyramidobacter, The total number of sequences when Shuttleworthia and Mycoplasma) was employed was less than 0.02% of the total number of sequences detected.
  • Example 2 Saliva collected from subjects C1 to C9 who do not suffer from periodontal disease (the gingiva is not inflamed) and subjects D1 to D8 who suffer from periodontal disease (the periodontal pocket has a region of 6 mm or more) The number of sequences of single or plural combinations of the four types of bacteria shown in Table 1 with respect to the total number of sequences obtained as a result of detection is detected in the same manner as in Example 1. (%) was calculated.
  • Table 1 shows the ratio (%) of the number of sequences obtained for the four types of bacteria by the above detection.
  • O + S represents the sum of the numbers of sequences of Ottowia and Sneathia
  • L + S represents the sum of the numbers of sequences of Lautropia and Sneathia
  • All represents the number of sequences of the four types of bacteria described in the table. Represents the sum.
  • the total number of sequences when two types of Ottowia and Sneathia or two types of Lautropia and Sneathia are used as detection targets is the sum of the number of detected sequences. It exceeded 0.01%.
  • the total when two types of Ottowia and Sneathia or two types of Lautropia and Sneathia are used as detection targets is 0. It was less than 01%.
  • the total number of sequences when the four types of detection targets GN02, Ottowia, Sneathia and Lautropia were adopted exceeded 0.01% of the total number of detected sequences. It was.
  • the total number of sequences when 0.01 type of GN02, Ottowia, Sneathia and Lautropia is adopted as the detection target is 0.01% of the total number of detected sequences. It was the following.
  • the periodontal disease test method comprising the step of detecting at least one type of bacteria selected from the group consisting of GN02, Ottowia, Sneathia and Lautropia from a specimen, the donor of the specimen suffers from periodontal disease. It was found useful for evaluating the possibility of being.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Organic Chemistry (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • Epidemiology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Primary Health Care (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biotechnology (AREA)
  • Databases & Information Systems (AREA)
  • Genetics & Genomics (AREA)

Abstract

歯周病の罹患確率又は歯周病の状態を判断するための関数を学習する機械学習装置であって、検体から検出された口腔内情報と；前記検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値と；から構成される複数の学習データに基づいて、前記判断値を決定する前記関数を学習する学習部を含み、前記学習部は、前記学習データに基づいて、前記関数を用いて歯周病の罹患確率又は歯周病の状態を決定した結果に対する報酬を計算する報酬計算部と、該報酬計算部により計算された報酬が高くなるように、前記関数を更新する関数更新部と、予め定められた収束条件を満たすまで、前記報酬計算部による計算及び前記関数更新部による更新を繰り返させる収束判定部と、を含む機械学習装置。

Description

機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット
　本発明は、機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病診断方法、歯周病検査システム及び歯周病検査キットに関する。
　歯周病の検査方法として、口腔内における特定の細菌の状態によって歯周病に罹患しているか否かを判断する手法が種々検討されている。例えば、非特許文献１にはFretibacteriumと歯周病の関係について記載されている。
Journal of Endodontics, Volume 41, Issue 12, December 2015 pp. 1975-1984
　口腔内における特定の細菌の状態と歯周病との関係に関する報告は非特許文献１をはじめとして複数存在するが、口腔内のどのような情報に基づいて歯周病に罹患しているか否かを判断するのが適しているかについては未だ検討の余地がある。
　また、口腔内の情報に基づいて歯周病に罹患しているか否かを判断するための手法を数多く見出すことは、歯周病の検査技術の向上、検査を受ける者にとっての選択肢の充実化等の観点から有益であると考えられる。
　本発明は上記事情に鑑み、歯周病の検査に用いる新規な機械学習装置、学習済みモデル及びデータ構造の提供を目的とする。本発明はまた、新規な歯周病検査方法、歯周病診断方法、歯周病検査システム及び歯周病検査キットの提供を目的とする。
　前記課題を達成するための具体的手段には、以下の実施態様が含まれる。
＜１＞歯周病の罹患確率又は歯周病の状態を判断するための関数を学習する機械学習装置であって、
　検体から検出された口腔内情報と；前記検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値と；から構成される複数の学習データに基づいて、前記判断値を決定する前記関数を学習する学習部を含み、
　前記学習部は、前記学習データに基づいて、前記関数を用いて歯周病の罹患確率又は歯周病の状態を決定した結果に対する報酬を計算する報酬計算部と、
　該報酬計算部により計算された報酬が高くなるように、前記関数を更新する関数更新部と、
　予め定められた収束条件を満たすまで、前記報酬計算部による計算及び前記関数更新部による更新を繰り返させる収束判定部と、
　を含む機械学習装置。
＜２＞前記口腔内情報が口腔内の細菌叢組成を含む、＜１＞に記載の機械学習装置。
＜３＞入力された前記口腔内情報から、前記学習部による学習された前記関数を用いて、前記判断値を決定する判断部を更に含む＜１＞又は＜２＞に記載の機械学習装置。
＜４＞検体から検出された口腔内情報に関するデータに基づいて、前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるための学習済みモデルであって、
　第１のニューラルネットワークと、前記第１のニューラルネットワークからの出力が入力されるように結合された第２のニューラルネットワークとから構成され、
　前記第１のニューラルネットワークが、少なくとも１つの中間層のニューロン数が入力層のニューロン数よりも小さく且つ入力層と出力層のニューロン数が互いに同一であり各入力層への入力値と各入力層に対応する各出力層からの出力値とが等しくなるように重み付け係数が学習されたものであり、
　前記第１のニューラルネットワークの入力層から中間層までが、特徴抽出用ニューラルネットワークとして用いられ、
　前記第２のニューラルネットワークの重み付け係数が、前記第１のニューラルネットワークの重み付け係数を変更することなく、学習されたものであり、
　前記第１のニューラルネットワークの入力層に、前記検体から検出された前記口腔内情報に関するデータから得られる特定の情報の出現頻度が入力されたとき、前記第１及び第２のニューラルネットワークにおける前記学習済みの重み付け係数に基づく演算を行い、前記第２のニューラルネットワークの出力層から歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるための学習済みモデル。
＜５＞前記口腔内情報が口腔内の細菌叢組成を含む、＜４＞に記載の学習済みモデル。
＜６＞検体から検出された口腔内情報と、前記検体の提供者を特定する情報と、を含むデータ構造であり、
　前記口腔内情報に基づいて、前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するように予め学習された学習済みモデルを用いて歯周病の罹患又は状態に関する確率を算出する処理に用いられるデータ構造。
＜７＞前記口腔内情報が口腔内の細菌叢組成を含む、＜６＞に記載のデータ構造。
＜８＞検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する検出工程を含む、歯周病検査方法。
＜９＞前記群に含まれる少なくとも２種類の菌がAnaeroglobus、Fretibacterium及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌である、＜８＞に記載の歯周病検査方法。
＜１０＞前記検出工程の後に、前記検出工程で得られた結果をもとに前記検体の提供者が歯周病に罹患している可能性を評価する評価工程をさらに含む、＜８＞又は＜９＞に記載の歯周病検査方法。
＜１１＞前記評価工程は、前記検出工程で得られた配列数の総和と、前記群に含まれる少なくとも２種類の菌の配列数の総和とを計算する解析工程を含み、前記解析工程で得られる解析結果に基づいて評価を行うものである、＜１０＞に記載の歯周病検査方法。
＜１２＞前記評価工程は、前記検出工程で得られた配列数の総和を１００％としたときの前記群に含まれる少なくとも２種類の菌の配列数の総和が０．０２％以上である場合は前記検体の提供者が歯周病に罹患している可能性が高いと評価するものである、＜１０＞又は＜１１＞に記載の歯周病検査方法。
＜１３＞前記検出がメタゲノム解析により行われる、＜８＞～＜１２＞のいずれか１項に記載の歯周病検査方法。
＜１４＞前記検体が唾液である、＜８＞～＜１３＞のいずれか１項に記載の歯周病検査方法。
＜１５＞検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する検出部を備える、歯周病検査システム。
＜１６＞検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する検出デバイスを備える、歯周病検査キット。
＜１７＞検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する検出工程を含む、歯周病検査方法。
＜１８＞前記群に含まれる少なくとも１種類の菌がLautropiaを含む、＜１７＞に記載の歯周病検査方法。
＜１９＞前記群に含まれる少なくとも１種類の菌がLautropiaと、GN02、Ottowia及びSneathiaからなる群から選ばれる少なくとも１種類の菌との組み合わせである、＜１７＞又は＜１８＞に記載の歯周病検査方法。
＜２０＞前記検出工程の後に、前記検出工程で得られた結果をもとに前記検体の提供者が歯周病に罹患している可能性を評価する評価工程をさらに含む、＜１７＞～＜１９＞のいずれか１項に記載の歯周病検査方法。
＜２１＞前記評価工程は、前記検出工程で得られた配列数の総和と、前記群に含まれる少なくとも２種類の菌の配列数の総和とを計算する解析工程を含み、前記解析工程で得られる解析結果に基づいて評価を行うものである、＜２０＞に記載の歯周病検査方法。
＜２２＞前記評価工程は、前記検出工程で得られた配列数の総和を１００％としたときの前記群に含まれる少なくとも１種類の菌の配列数の総和が０．０１％以下である場合は前記検体の提供者が歯周病に罹患している可能性が高いと評価するものである、＜２０＞又は＜２１＞に記載の歯周病検査方法。
＜２３＞前記検出がメタゲノム解析により行われる、＜１７＞～＜２２＞のいずれか１項に記載の歯周病検査方法。
＜２４＞前記検体が唾液である、＜１７＞～＜２３＞のいずれか１項に記載の歯周病検査方法。
＜２５＞検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する検出部を備える、歯周病検査システム。
＜２６＞検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する検出デバイスを備える、歯周病検査キット。
　本発明によれば、歯周病の検査に用いる新規な機械学習装置、学習済みモデル及びデータ構造が提供される。また本発明によれば、新規な歯周病検査方法、歯周病診断方法、歯周病検査システム及び歯周病検査キットが提供される。
機械学習装置１００の構成の一例を示す概略図である。 機械学習装置１００の機械学習処理ルーチンの一例を示す概念図である。
　以下、本発明を実施するための形態について詳細に説明する。但し、本発明は以下の実施形態に限定されるものではない。
　本開示において「工程」との語には、他の工程から独立した工程に加え、他の工程と明確に区別できない場合であってもその工程の目的が達成されれば、当該工程も含まれる。
＜機械学習装置＞
　本実施形態の機械学習装置は、歯周病の罹患確率又は歯周病の状態を判断するための関数を学習する機械学習装置であって、
　検体から検出された口腔内情報と；前記検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値と；から構成される複数の学習データに基づいて、前記判断値を決定する前記関数を学習する学習部を含み、
　前記学習部は、前記学習データに基づいて、前記関数を用いて歯周病の罹患確率又は歯周病の状態を決定した結果に対する報酬を計算する報酬計算部と、
　該報酬計算部により計算された報酬が高くなるように、前記関数を更新する関数更新部と、
　予め定められた収束条件を満たすまで、前記報酬計算部による計算及び前記関数更新部による更新を繰り返させる収束判定部と、を含む機械学習装置である。
　上記機械学習装置は、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検体から検出する口腔内情報としては、口腔内の細菌叢組成（細菌の塩基配列を含む）が挙げられるが、これらに制限されるものではない。ある実施態様では、後述する歯周病検査方法（１）又は（２）に記載した菌に関する情報であってもよい。具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値としては、口腔内の細菌叢組成における特定の菌の有無又はその割合に基づく判断値が挙げられるが、これらに制限されるものではない。ある実施態様では、後述する歯周病検査方法（１）又は（２）に記載した菌の有無又はその割合に基づく判断値であってもよい。
　上記学習データは、必要に応じ、他の情報を含んでもよい。このような情報としては、例えば、検体の提供者の年齢、性別、喫煙習慣、食習慣、口腔ケアの実施状況、歯の治療歴、持病又は既往症、虫歯の有無、歯並び、唾液の量、口腔内の衛生状態、習癖（歯ぎしり、口呼吸など）、ストレス状態などが挙げられる。
　本実施形態の機械学習装置は、入力された口腔内情報から、学習部による学習された前記関数を用いて、上記判断値を決定する判断部を更に含むものであってもよい。
　図１は機械学習装置１００の構成の一例を示す概略図である。図１に示す構成の機械学習装置１００は、ＣＰＵと、ＲＡＭと、後述する機械学習処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この機械学習装置１００は、機能的には図１に示すように入力部１０と、演算部２０と、出力部９０とを備えている。
　入力部１０は、検体から検出された口腔内情報と；前記検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値と；から構成される複数の学習データを受け付ける。また、入力部１０は、判断対象となる、検体から検出された口腔内情報を受け付ける。
　演算部２０は、学習データ記憶部３０と、学習部４０と、学習済みモデル記憶部５０と判断部６０とを備える。
　学習データ記憶部３０には、入力部１０により受け付けた複数の学習データが記憶される。
　学習部４０は、複数の学習データに基づいて、判断値を決定する関数を学習する。ここで、関数は、後述する学習済みモデルである。
　具体的には、学習部４０は、報酬計算部４２、関数更新部４４、及び収束判定部４６を備えている。
　報酬計算部４２は、複数の学習データの各々について、当該学習データに基づいて、関数を用いて歯周病の罹患確率又は歯周病の状態を決定した結果に対する報酬を計算する。
　関数更新部４４は、報酬計算部４２により複数の学習データの各々について計算された報酬に基づいて、報酬が高くなるように、関数を更新する。
　収束判定部４６は、予め定められた収束条件を満たすまで、報酬計算部４２による計算及び関数更新部４４による更新を繰り返させる。
　学習済みモデル記憶部５０は、学習部４０により学習された関数を記憶している。
　判断部６０は、判断対象として入力された、検体から検出された口腔内情報から、学習部４０による学習された関数を用いて、検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値を決定する。
　本実施形態の機械学習装置の各構成要素は特に制限されるものではなく、公知の機械学習装置の各構成要素であってよい。
＜学習済みモデル＞
　本実施形態の学習済みモデルは、検体から検出された口腔内情報に関するデータに基づいて、前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるための学習済みモデルであって、
　第１のニューラルネットワークと、前記第１のニューラルネットワークからの出力が入力されるように結合された第２のニューラルネットワークとから構成され、
　前記第１のニューラルネットワークが、少なくとも１つの中間層のニューロン数が入力層のニューロン数よりも小さく且つ入力層と出力層のニューロン数が互いに同一であり各入力層への入力値と各入力層に対応する各出力層からの出力値とが等しくなるように重み付け係数が学習されたものであり、
　前記第１のニューラルネットワークの入力層から中間層までが、特徴抽出用ニューラルネットワークとして用いられ、
　前記第２のニューラルネットワークの重み付け係数が、前記第１のニューラルネットワークの重み付け係数を変更することなく、学習されたものであり、
　前記第１のニューラルネットワークの入力層に、検体から検出された口腔内情報に関するデータから得られる特定の情報の出現頻度が入力されたとき、前記第１及び第２のニューラルネットワークにおける前記学習済みの重み付け係数に基づく演算を行い、前記第２のニューラルネットワークの出力層から前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるための学習済みモデルである。
　上記学習済みモデルは、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検体から検出する口腔内情報としては、口腔内の細菌叢組成（細菌の塩基配列を含む）が挙げられるが、これらに制限されるものではない。ある実施態様では、後述する歯周病検査方法（１）又は（２）に記載した菌に関する情報であってもよい。具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　歯周病の罹患確率又は歯周病の状態を表現した値としては、口腔内の細菌叢組成における特定の菌の有無又はその割合に基づく判断値が挙げられるが、これらに制限されるものではない。ある実施態様では、後述する歯周病検査方法（１）又は（２）に記載した菌の有無又はその割合に基づく判断値であってもよい。
　上記学習済みモデルは、必要に応じ、口腔内情報と他の情報に基づいて、歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるものであってもよい。このような情報としては、例えば、検体の提供者の年齢、性別、喫煙習慣、食習慣、口腔ケアの実施状況、歯の治療歴、持病又は既往症、虫歯の有無、歯並び、唾液の量、口腔内の衛生状態、習癖（歯ぎしり、口呼吸など）、ストレス状態などが挙げられる。
　本実施形態の学習済みモデルの各構成要素は特に制限されず、公知の学習済みモデルの構成要素と同様のものであってよい。
＜データ構造＞
　本実施形態のデータ構造は、検体から検出された口腔内情報と、前記検体の提供者を特定する情報と、を含むデータ構造であり、
　前記検体から検出された口腔内情報に基づいて、前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するように予め学習された学習済みモデルを用いて歯周病の罹患又は状態に関する確率を算出する処理に用いられるデータ構造である。
　上記データ構造は、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検体から検出する口腔内情報としては、口腔内の細菌叢組成（細菌の塩基配列を含む）が挙げられるが、これらに制限されるものではない。ある実施態様では、後述する歯周病検査方法（１）又は（２）に記載した菌に関する情報であってもよい。具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　歯周病の罹患確率又は歯周病の状態を表現した値としては、口腔内の細菌叢組成における特定の菌の有無又はその割合に基づく判断値が挙げられるが、これらに制限されるものではない。ある実施態様では、後述する歯周病検査方法（１）又は（２）に記載した菌の有無又はその割合に基づく判断値であってもよい。
　上記データ構造は、必要に応じ、口腔内情報と他の情報に基づいて、歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう予め学習された学習済みモデルを用いて歯周病の罹患又は状態に関する確率を算出する処理に用いられるものであってもよい。このような情報としては、例えば、検体の提供者の年齢、性別、喫煙習慣、食習慣、口腔ケアの実施状況、歯の治療歴、持病又は既往症、虫歯の有無、歯並び、唾液の量、口腔内の衛生状態、習癖（歯ぎしり、口呼吸など）、ストレス状態などが挙げられる。
　本実施形態の学習済みモデルの各構成要素は特に制限されず、公知の学習済みモデルの構成要素と同様のものであってよい。
＜機械学習装置１００の動作＞
　入力部１０において複数の学習データを受け付けると、機械学習装置１００は、複数の学習データを、学習データ記憶部３０に格納する。そして機械学習装置１００は、図２に示す機械学習処理ルーチンを実行する。
　まず、ステップＳ１００で、複数の学習データの各々について、当該学習データに基づいて、現時点の関数を用いて歯周病の罹患確率又は歯周病の状態を決定した結果に対する報酬を計算する。
　ステップＳ１０２では、上記ステップＳ１００により複数の学習データの各々について計算された報酬に基づいて、報酬が高くなるように、関数を更新する。
　ステップＳ１０４は、予め定められた収束条件を満たしたか否かを判定し、収束条件を満たさない場合には、上記ステップＳ１００へ戻る。一方、収束条件を満たした場合には、ステップＳ１０６へ移行する。
　ステップＳ１０６では、最終的に更新された関数を、学習済みモデル記憶部５０に格納して、学習処理ルーチンを終了する。
　そして、入力部１０において、判断対象として入力された、検体から検出された口腔内情報を受け付けると、機械学習装置１００の判断部６０は、判断対象として入力された、検体から検出された口腔内情報から、学習部４０による学習された関数を用いて、検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値を決定し、出力部９０により出力する。
＜歯周病検査方法（１）＞
　本実施形態の歯周病検査方法は、検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌（以下、検出対象とも称する）を検出する検出工程を含む。
　本実施形態の歯周病検査方法は、特定の菌種から選択される少なくとも２種類を検出する工程を含むことにより、１種の菌の検出結果のみを判断基準とする場合に比べて歯周病検査の精度をより高めたものである。口腔内における特定の細菌の中から複数種を検出することによって歯周病に罹患しているか否かを判断するという技術思想は、これまでの先行技術文献に記載も示唆もない。
　上記検査方法は、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
（検出工程）
　検出工程は、検体に含まれる検出対象を検出可能であればどのような方法で行ってもよい。例えば、メタゲノム解析（メタ１６Ｓ解析等）、イムノクロマト法、遺伝子増幅法（リアルタイムＰＣＲ、ＬＡＭＰ法等）が挙げられる。ある実施態様では、検出工程はメタゲノム解析により行われる。メタゲノム解析は、複数種の菌種の有無及び存在率を一度の工程で検出することができ、１工程あたり１菌種の検出が基本である遺伝子増幅法に比べて検査効率の点で有利である。また、定性評価のイムノクロマト法に比べて菌の検出精度に優れている。
　検出される情報として具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検査精度の向上の観点からは、検出対象はAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌であり、少なくとも３種類の菌であることが好ましく、少なくとも４種類の菌であることがより好ましい。
　ある実施態様では、検出対象はAnaeroglobus、Fretibacterium及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を含む。
（評価工程）
　本実施形態の歯周病検査方法は、検出工程の後に、検出工程で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価する評価工程を含んでもよい。評価工程は、検出工程で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価することができればどのような方法で行ってもよい。例えば、計算機を用いても、呈色反応等を利用してもよい。
　評価工程は、検体に含まれる菌の数の総和と、検出対象の菌の数の総和とを計算する解析工程を含み、解析工程で得られる解析結果に基づいて評価を行うものであってもよい。
　ある実施態様では、評価工程では、検出工程で得られた配列数の総和に対する検出対象の菌の配列数の総和の割合が所定の値以上である場合は検体の提供者が歯周病に罹患している可能性が高いと評価する。
　検査精度の観点からは、評価工程は、検出工程で得られた配列数の総和を１００％としたときの検出対象の菌の配列数の総和が０．０２％以上である場合は検体の提供者が歯周病に罹患している可能性が高いと評価するものであることが好ましい。
　本実施形態の歯周病検査方法において「検出対象の菌の配列数の総和」とは、検体に含まれる菌のうち、Anaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群に含まれる菌であって、検出対象として採用した２種類以上の菌の配列数の総和を意味する。
　従って、上記群に含まれる菌であっても検出対象として採用しなかった菌の配列数は「検出対象の菌の配列数の総和」に含まれない。
　評価工程では、必要に応じ、検出工程で得られた結果に加えて他の情報を参照して検体の提供者が歯周病に罹患している可能性を評価してもよい。
　このような情報としては、例えば、検体の提供者の年齢、性別、喫煙習慣、食習慣、口腔ケアの実施状況、歯の治療歴、持病又は既往症、虫歯の有無、歯並び、唾液の量、口腔内の衛生状態、習癖（歯ぎしり、口呼吸など）、ストレス状態などが挙げられる。
＜歯周病検査システム（１）＞
　本実施形態の歯周病検査システムは、検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌（検出対象）を検出する検出部を備える。
　上記検査システムは、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
（検出部）
　検出部は、検体に含まれる検出対象を検出可能であれば特に制限されない。例えば、メタゲノム解析（メタ１６Ｓ解析等）、イムノクロマト法、遺伝子増幅法（リアルタイムＰＣＲ、ＬＡＭＰ法等）などを実施する装置が挙げられる。ある実施態様では、検出工程はメタゲノム解析により行われる。複数種の菌種の有無及び存在率を一度の工程で検出することができ、１工程あたり１菌種の検出が基本である遺伝子増幅法に比べて検査効率の点で有利である。また、定性評価のイムノクロマト法に比べて菌の検出精度に優れている。
　検出される情報として具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　検出部の具体的な構成は特に制限されず、採用する検出方法に応じて選択できる。例えば、検出部はコンピュータ等の計算機を用いて検出を実施するものであっても、試験片のように手技を介して検出を実施するものであってもよい。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検査精度の向上の観点からは、検出対象はAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌であり、少なくとも３種類の菌であることが好ましく、少なくとも４種類の菌であることがより好ましい。
　ある実施態様では、検出対象はAnaeroglobus、Fretibacterium及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を含む。
（評価部）
　本実施形態の歯周病検査システムは、検出部で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価する評価部を備えてもよい。評価部は、検出部で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価できるものであれば特に制限されない。例えば、計算機を用いるものであっても、呈色反応等を利用するものであってもよい。
　評価部は、検出工程で得られた配列数の総和と、検出対象の菌の配列数の総和とを計算する解析部を備え、解析部で得られる解析結果に基づいて評価を行うものであってもよい。
　ある実施態様では、評価部は、検出部で得られた配列数の総和に対する検出対象の菌の配列数の総和の割合が所定の値以上である場合は検体の提供者が歯周病に罹患している可能性が高いと評価する。
　検査精度の観点からは、評価部は、検出工程で得られた配列数の総和を１００％としたときの検出対象の菌の配列数の総和が０．０２％以上である場合は検体の提供者が歯周病に罹患している可能性が高いと評価するものであることが好ましい。
　本実施形態の歯周病検査システムにおいて「検出対象の菌の配列数の総和」とは、検体に含まれる菌のうち、Anaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群に含まれる菌であって、検出対象として採用した２種類以上の菌配列数の総和を意味する。
　従って、上記群に含まれる菌であっても検出対象として採用しなかった菌の数は「検出対象の菌の配列数の総和」に含まれない。
　本実施形態の歯周病検査システムは、上述した検出部と必要に応じて含まれる評価部及び解析部に加えて他の機能を果たす部位を備えてもよい。また、本実施形態の歯周病検査システムは、上述した各部が一体化した装置の状態であっても、各部をそれぞれ備える装置の組み合わせであってもよい。また、本実施形態の歯周病検査システムには、より簡易な形態（例えば、後述する歯周病検査キット）なども含まれる。
　＜歯周病検査キット（１）＞
　本実施形態の歯周病検査キットは、検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌（検出対象）を検出する検出デバイスを備える。
　検出デバイスは、検体に含まれる検出対象を検出可能であれば特に制限されない。例えば、上述した歯周病検査システムが備える検出部として記載したものであってもよい。また、必要に応じて評価、解析その他の機能を果たすデバイスを備えてもよい。
　歯周病検査キットがこれらのデバイスを備える場合、これらのデバイスは検出デバイスと一体化した状態（検出デバイスがこれらのデバイスの機能を兼ねる場合も含む）であっても、別個のデバイスの組合せであってもよい。
＜歯周病診断方法（１）＞
　本実施形態の歯周病診断方法は、検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌（以下、検出対象とも称する）が検出されるか否かの情報に基づいて、前記検体の提供者が歯周病に罹患しているか否かを診断する工程を含む。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　上記方法において検体の提供者が歯周病に罹患しているか否かを診断する場合には、検体の提供者が確実に歯周病に罹患しているか否かを診断する場合に加え、検体の提供者が歯周病に罹患している場合の歯周病の進行度合いを診断する場合、検体の提供者が歯周病に罹患している（又は将来的に罹患する）可能性を診断する場合なども包含される。さらには歯周病が治癒しているか否か、歯周病が治癒するか否か、歯周病が進行するか否かを診断する場合なども包含される。
　上記方法において、検体から検出対象が検出されるか否かの情報を得る方法は特に制限されないが、例えば、上述した歯周病検査方法又は歯周病検査システムに記載した手法により得られる情報であってもよい。上述した各実施態様における詳細は、本方法にも適用することができる。
＜歯周病検査方法（２）＞
　本実施形態の歯周病検査方法は、検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌（以下、検出対象とも称する）を検出する検出工程を含む。
　本実施形態の歯周病検査方法は、歯周病に罹患していない提供者から採取した検体と歯周病に罹患している提供者から採取した検体とを比較した場合、歯周病に罹患していない提供者の検体に含まれるGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌が、歯周病に罹患している提供者の検体よりも多い傾向にあるという知見を見出し、これに基づいてなされたものである。
　上記検査方法は、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
（検出工程）
　検出工程は、検体に含まれる検出対象を検出可能であればどのような方法で行ってもよい。例えば、メタゲノム解析（メタ１６Ｓ解析等）、イムノクロマト法、遺伝子増幅法（リアルタイムＰＣＲ、ＬＡＭＰ法等）が挙げられる。ある実施態様では、検出工程はメタゲノム解析により行われる。メタゲノム解析は、複数種の菌種の有無及び存在率を一度の工程で検出することができ、１工程あたり１菌種の検出が基本である遺伝子増幅法に比べて検査効率の点で有利である。また、定性評価のイムノクロマト法に比べて菌の検出精度に優れている。
　検出される情報として具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検査精度の向上の観点からは、検出対象はGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌であり、少なくとも２種類の菌であることが好ましく、少なくとも３種類の菌であることがより好ましい。
　検出対象はLautropiaを少なくとも含むことが好ましく、Lautropiaと、N02、Ottowia及びSneathiaからなる群から選ばれる少なくとも１種類の菌との組み合わせであることがより好ましい。
（評価工程）
　本実施形態の歯周病検査方法は、検出工程の後に、検出工程で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価する評価工程を含んでもよい。評価工程は、検出工程で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価することができればどのような方法で行ってもよい。例えば、計算機を用いても、呈色反応等を利用してもよい。
　評価工程は、検出工程で得られた配列(Read)数の総和と、検出対象の菌の配列数の総和とを計算する解析工程を含み、解析工程で得られる解析結果に基づいて評価を行うものであってもよい。
　ある実施態様では、評価工程では、検出工程で得られた配列数の総和に対する検出対象の菌の配列数の総和の割合が所定の値以下である場合は検体の提供者が歯周病に罹患している可能性が高いと評価する。
　検査精度の観点からは、評価工程は、検出工程で得られた配列数の総和を１００％としたときの検出対象の菌の配列数の総和が０．０１％以下である場合は検体の提供者が歯周病に罹患している可能性が高いと評価するものであることが好ましい。
　本実施形態の歯周病検査方法において「検出対象の菌の配列数の総和」とは、検体に含まれる菌のうち、GN02、Ottowia、Sneathia及びLautropiaからなる群に含まれる菌であって、検出対象として採用した１種類以上の菌の配列数の総和を意味する。
　従って、上記群に含まれる菌であっても検出対象として採用しなかった菌の配列数は「検出対象の菌の配列数の総和」に含まれない。
　評価工程では、必要に応じ、検出工程で得られた結果に加えて他の情報を参照して検体の提供者が歯周病に罹患している可能性を評価してもよい。
　このような情報としては、例えば、検体の提供者の年齢、性別、喫煙習慣、食習慣、口腔ケアの実施状況、歯の治療歴、持病又は既往症、虫歯の有無、歯並び、唾液の量、口腔内の衛生状態、習癖（歯ぎしり、口呼吸など）、ストレス状態などが挙げられる。
＜歯周病検査システム（２）＞
　本実施形態の歯周病検査システムは、検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌（検出対象）を検出する検出部を備える。
　上記検査システムは、検体の提供者が歯周病に罹患しているか否かの判断、歯周病が治癒しているか否かの判断、歯周病が治癒するか否かの判断、歯周病が進行するか否かの判断などに用いることができる。
（検出部）
　検出部は、検体に含まれる検出対象を検出可能であれば特に制限されない。例えば、メタゲノム解析（メタ１６Ｓ解析等）、イムノクロマト法、遺伝子増幅法（リアルタイムＰＣＲ、ＬＡＭＰ法等）などを実施する装置が挙げられる。ある実施態様では、検出工程はメタゲノム解析により行われる。複数種の菌種の有無及び存在率を一度の工程で検出することができ、１工程あたり１菌種の検出が基本である遺伝子増幅法に比べて検査効率の点で有利である。また、定性評価のイムノクロマト法に比べて菌の検出精度に優れている。
　検出される情報として具体的には、細菌の系統樹と枝分かれの長さ（Unifrac distance）；次世代シークエンスで得られるリード数（配列と読み取り量）；細菌間情報伝達（クオラムセンシング、オートインデューサー）の種類と量；細菌間の相互栄養共生関係の種類と量；細菌の発育条件（酸素要求、栄養要求等）；免疫機能に影響する抗原の種類と量；生体構造を破壊するプロテアーゼの種類と量；遺伝子発現或いは遺伝子制御に係るポリヌクレオチドの種類と量；エンドトキシンや細菌の細胞壁外膜を構成するリポ多糖の種類と量；細菌の機能を表す特徴量などが利用できる。これらの情報のそれぞれを所定の重みをつけて組み合わせてもよく、主成分分析をして特徴を抽出した後の特徴量やその組み合わせでもよい。
　検出部の具体的な構成は特に制限されず、採用する検出方法に応じて選択できる。例えば、検出部はコンピュータ等の計算機を用いて検出を実施するものであっても、試験片のように手技を介して検出を実施するものであってもよい。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　検査精度の向上の観点からは、検出対象はGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌であり、少なくとも２種類の菌であることが好ましく、少なくとも３種類の菌であることがより好ましい。また、検出対象はLautropiaを少なくとも含むことが好ましい。
　検出対象はLautropiaを少なくとも含むことが好ましく、Lautropiaと、GN02、Ottowia及びSneathiaからなる群から選ばれる少なくとも１種類の菌との組み合わせであることがより好ましい。
（評価部）
　本実施形態の歯周病検査システムは、検出部で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価する評価部を備えてもよい。評価部は、検出部で得られた結果をもとに検体の提供者が歯周病に罹患している可能性を評価できるものであれば特に制限されない。例えば、計算機を用いるものであっても、呈色反応等を利用するものであってもよい。
　評価部は、検出工程で得られた配列数の総和と、検出対象の菌の配列数の総和とを計算する解析部を備え、解析部で得られる解析結果に基づいて評価を行うものであってもよい。
　ある実施態様では、評価部は、検出部で得られた配列数の総和に対する検出対象の菌の配列数の総和の割合が所定の値以下である場合は検体の提供者が歯周病に罹患している可能性が高いと評価する。
　検査精度の観点からは、評価部は、検出工程で得られた配列数の総和を１００％としたときの検出対象の菌の配列数の総和が０．０１％以下である場合は検体の提供者が歯周病に罹患している可能性が高いと評価するものであることが好ましい。
　本実施形態の歯周病検査システムにおいて「検出対象の菌の配列数の総和」とは、検体に含まれる菌のうち、GN02、Ottowia、Sneathia及びLautropiaからなる群に含まれる菌であって、検出対象として採用した１種類以上の菌の配列数の総和を意味する。
　従って、上記群に含まれる菌であっても検出対象として採用しなかった菌の数は「検出対象の菌の配列数の総和」に含まれない。
　本実施形態の歯周病検査システムは、上述した検出部と必要に応じて含まれる評価部及び解析部に加えて他の機能を果たす部位を備えてもよい。また、本実施形態の歯周病検査システムは、上述した各部が一体化した装置の状態であっても、各部をそれぞれ備える装置の組み合わせであってもよい。また、本実施形態の歯周病検査システムには、より簡易な形態（例えば、後述する検査キット）なども含まれる。
　＜歯周病検査キット（２）＞
　本実施形態の歯周病検査キットは、検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌（検出対象）を検出する検出デバイスを備える。
　検出デバイスは、検体に含まれる検出対象を検出可能であれば特に制限されない。例えば、上述した歯周病検査システムが備える検出部として記載したものであってもよい。また、必要に応じて評価、解析その他の機能を果たすデバイスを備えてもよい。
　歯周病検査キットがこれらのデバイスを備える場合、これらのデバイスは検出デバイスと一体化した状態（検出デバイスがこれらのデバイスの機能を兼ねる場合も含む）であっても、別個のデバイスの組合せであってもよい。
＜歯周病診断方法（２）＞
　本実施形態の歯周病診断方法は、検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌（検出対象）が検出されるか否かの情報に基づいて、前記検体の提供者が歯周病に罹患しているか否かを診断する工程を含む。
　ある実施態様では、検体として唾液を使用するが、これらに制限されるものではない。例えば、歯肉溝滲出液、歯垢、バイオフィルム、舌苔などが挙げられる。特に検体として唾液を使用することで、検体の採取のために歯肉等を傷付けることなく簡便な手法で提供者の口腔内情報を得ることができる。
　上記方法において検体の提供者が歯周病に罹患しているか否かを診断する場合には、検体の提供者が確実に歯周病に罹患しているか否かを診断する場合に加え、検体の提供者が歯周病に罹患している場合の歯周病の進行度合いを診断する場合、検体の提供者が歯周病に罹患している（又は将来的に罹患する）可能性を診断する場合なども包含される。さらには歯周病が治癒しているか否か、歯周病が治癒するか否か、歯周病が進行するか否かを診断する場合なども包含される。
　上記方法において、検体から検出対象が検出されるか否かの情報を得る方法は特に制限されないが、例えば、上述した歯周病検査方法又は歯周病検査システムに記載した手法により得られる情報であってもよい。上述した各実施態様における詳細は、本方法にも適用することができる。
　以下、上記実施形態を実施例により具体的に説明するが、上記実施形態はこれらの実施例に限定されるものではない。
＜実施例１＞
　歯周病に罹患している被験者Ａ１～Ａ１０（歯周ポケットが５ｍｍ以上の部位を有する）と、歯周病に罹患していない被験者Ｂ１～Ｂ８（全顎的に健全な歯周組織を有し、軽微な歯肉炎の有無は問わない）から採取した唾液を用いて、下記の手順で検出対象の菌を検出した。
（検出方法）
　唾液から細菌ゲノムＤＮＡを抽出し、１６ＳｒＤＮＡの領域としてＶ３－Ｖ４領域（Ｆ：５’－ＣＣＴＡＣＧＧＧＮＧＧＣＷＧＣＡＧ－３’、Ｒ：５’－ＧＡＣＴＡＣＨＶＧＧＧＴＡＴＣＴＡＡＴＣＣ－３’）またはＶ４領域（Ｆ：５’－ＧＴＧＣＣＡＧＣＭＧＣＣＧＣＧＧＴＡＡ－３’、Ｒ：５’－ＧＧＡＣＴＡＣＨＶＧＧＧＴＷＴＣＴＡＡＴ－３’）を、領域特異的な配列を含むプライマー（Ｖ３－Ｖ４用またはＶ４用）を用いてＰＣＲ（サーモフィッシャー社、ＳｉｍｐｌｉＡｍｐ）にて増幅する。増幅したＰＣＲ断片にアダプター配列及びインデックス配列を付与し、ライブラリーを構築する。次いで、ライブラリーを次世代シークエンサーＭｉＳｅｑ（イルミナ社）に投入し、塩基配列（Ｒｅａｄ）を取得する。
　次いで、取得した配列をコンピュータを用いて細菌ゲノムデータベース（公共データベース　１６ＳＭｉｃｒｏｂｉａｌ、ＮＣＢＩなど）とＢＬＡＳＴによる照合を行い、配列（Ｒｅａｄ）数より細菌叢組成を明らかにする（メタ１６Ｓ解析）。次いで、表１に示す１６種の菌の単独又は複数の組み合わせの配列数の、検出の結果得られた配列数の総和に対する割合（％）を算出する。
　上記方法のベースとなるプロトコールは、下記ＵＲＬから参照できる。
　https://support.illumina.com/content/dam/illumina-support/documents/documentation/chemistry_documentation/16s/16s-metagenomic-library-prep-guide-15044223-b.pdf
　上記検出により１６種の菌について得られた配列数の割合（％）を表１に示す。表１において「Ａ＋Ｆ」はAnaeroglobus及びFretibacteriumの配列数の総和を表し、「Ａ＋Ｆ＋Ｍ」はAnaeroglobus、Fretibacterium及びMycoplasmaの配列数の総和を表し、「Ａｌｌ」は表中に記載した１６種の菌の配列数の総和を表す。
Figure JPOXMLDOC01-appb-T000001
（検出結果の検討）
　歯周病に罹患している被験者群は、検出対象として２種類の菌（Anaeroglobus及びFretibacterium）を採用した場合の配列数の総和が、検出された配列数の総和の０．０２％を超えていた。一方、歯周病に罹患していない被験者群は、検出対象として２種類の菌（Anaeroglobus及びFretibacterium）を採用した場合の配列数の総和が、検出された配列数の総和の０．０２％を下回っていた。
　歯周病に罹患している被験者群は、検出対象として３種類の菌（Anaeroglobus、Fretibacterium及びMycoplasma）を採用した場合の配列数の総和が、検出された配列数の総和の０．０２％を超えていた。一方、歯周病に罹患していない被験者群は、検出対象として３種類の菌（Anaeroglobus、Fretibacterium及びMycoplasma）を採用した場合の配列数の総和が、検出された配列数の総和の０．０２％を下回っていた。
　歯周病に罹患している被験者群は、検出対象として１６種類の菌（Anaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasma）を採用した場合の配列数の総和が、検出された配列数の総和の０．０２％を超えていた。一方、歯周病に罹患していない被験者群は、検出対象として１６種類の菌（Anaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasma）を採用した場合の配列数の総和が、検出された配列数の総和の０．０２％を下回っていた。
　歯周病に罹患していない被験者群のうち、被験者Ｂ８の唾液からはFretibacteriumが検出され、その割合は歯周病に罹患している被験者Ａ５と同程度であった。この結果は、唾液中のFretibacterium単独の検出結果からは歯周病に罹患しているか否かは必ずしも判断できず、複数種の菌の検出結果を利用する方が検査精度に優れていることを示唆していると考えられる。
　以上の結果から、検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する工程を含む歯周病検査方法は、検体の提供者が歯周病に罹患している可能性の評価に有用であることがわかった。
＜実施例２＞
　歯周病に罹患していない被験者Ｃ１～Ｃ９（歯肉に炎症がない）と、歯周病に罹患している被験者Ｄ１～Ｄ８（歯周ポケットが６ｍｍ以上の部位を有する）とから採取した唾液を用いて、実施例１と同様にして検出対象の菌を検出し、表１に示す４種の菌の単独又は複数の組み合わせの配列数の、検出の結果得られた配列数の総和に対する割合（％）を算出した。
　上記検出により４種の菌について得られた配列数の割合（％）を表１に示す。表１において「Ｏ＋Ｓ」はOttowia及びSneathiaの配列数の総和を表し、「Ｌ＋Ｓ」はLautropia及びSneathiaの配列数の総和を表し、「Ａｌｌ」は表中に記載した４種の菌の配列数の総和を表す。
Figure JPOXMLDOC01-appb-T000002
（検出結果の検討）
　歯周病に罹患していない被験者群は、検出対象としてGN02、Ottowia、Sneathia又はLautropiaを単独で採用した場合、少なくとも１種類の菌の配列数の総和が検出された配列数の総和の０．０１％を超えていた。中でもLautropiaの配列数はすべての被験者において検出された配列数の総和の０．０１％を超えていた。一方、歯周病に罹患している被験者群は、検出対象としてGN02、Ottowia、Sneathia又はLautropiaを単独で採用した場合の配列数がいずれも検出された配列数の総和の０．０１％以下であった。
　歯周病に罹患していない被験者群は、検出対象としてOttowiaとSneathiaの２種類、又はLautropiaとSneathiaの２種類を採用した場合の配列数の総和が、いずれも検出された配列数の総和の０．０１％を超えていた。一方、歯周病に罹患している被験者群は、検出対象としてOttowiaとSneathiaの２種類、又はLautropiaとSneathiaの２種類を採用した場合の総和が、いずれも検出された配列の総和の０．０１％以下であった。
　歯周病に罹患していない被験者群は、検出対象としてGN02、Ottowia、Sneathia及びLautropiaの４種類を採用した場合の配列数の総和が、検出された配列数の総和の０．０１％を超えていた。一方、歯周病に罹患している被験者群は、検出対象としてGN02、Ottowia、Sneathia及びLautropiaの４種類を採用した場合の配列数の総和が、検出された配列数の総和の０．０１％以下であった。
　以上の結果から、検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する工程を含む歯周病検査方法は、検体の提供者が歯周病に罹患している可能性の評価に有用であることがわかった。
　日本国特許出願第２０１７－０３８１２２号及び第２０１７－０３８１２３号の開示は、その全体が参照により本明細書に取り込まれる。
　本明細書に記載された全ての文献、特許出願、および技術規格は、個々の文献、特許出願、および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に援用されて取り込まれる。

Claims (26)

  1. 　歯周病の罹患確率又は歯周病の状態を判断するための関数を学習する機械学習装置であって、
    　検体から検出された口腔内情報と；前記検体の提供者の歯周病の罹患確率又は歯周病の状態からなる群から選ばれる少なくとも一つの判断値と；から構成される複数の学習データに基づいて、前記判断値を決定する前記関数を学習する学習部を含み、
    　前記学習部は、前記学習データに基づいて、前記関数を用いて歯周病の罹患確率又は歯周病の状態を決定した結果に対する報酬を計算する報酬計算部と、
    　該報酬計算部により計算された報酬が高くなるように、前記関数を更新する関数更新部と、
    　予め定められた収束条件を満たすまで、前記報酬計算部による計算及び前記関数更新部による更新を繰り返させる収束判定部と、
    　を含む機械学習装置。
  2. 　前記口腔内情報が口腔内の細菌叢組成を含む、請求項１に記載の機械学習装置。
  3. 　入力された前記口腔内情報から、前記学習部による学習された前記関数を用いて、前記判断値を決定する判断部を更に含む請求項１又は請求項２に記載の機械学習装置。
  4. 　検体から検出された口腔内情報に関するデータに基づいて、前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるための学習済みモデルであって、
    　第１のニューラルネットワークと、前記第１のニューラルネットワークからの出力が入力されるように結合された第２のニューラルネットワークとから構成され、
    　前記第１のニューラルネットワークが、少なくとも１つの中間層のニューロン数が入力層のニューロン数よりも小さく且つ入力層と出力層のニューロン数が互いに同一であり各入力層への入力値と各入力層に対応する各出力層からの出力値とが等しくなるように重み付け係数が学習されたものであり、
    　前記第１のニューラルネットワークの入力層から中間層までが、特徴抽出用ニューラルネットワークとして用いられ、
    　前記第２のニューラルネットワークの重み付け係数が、前記第１のニューラルネットワークの重み付け係数を変更することなく、学習されたものであり、
    　前記第１のニューラルネットワークの入力層に、前記検体から検出された前記口腔内情報に関するデータから得られる特定の情報の出現頻度が入力されたとき、前記第１及び第２のニューラルネットワークにおける前記学習済みの重み付け係数に基づく演算を行い、前記第２のニューラルネットワークの出力層から歯周病の罹患確率又は歯周病の状態を表現した値を出力するよう、コンピュータを機能させるための学習済みモデル。
  5. 　前記口腔内情報が口腔内の細菌叢組成を含む、請求項４に記載の学習済みモデル。
  6. 　検体から検出された口腔内情報と、前記検体の提供者を特定する情報と、を含むデータ構造であり、
    　前記口腔内情報に基づいて、前記検体の提供者の歯周病の罹患確率又は歯周病の状態を表現した値を出力するように予め学習された学習済みモデルを用いて歯周病の罹患又は状態に関する確率を算出する処理に用いられるデータ構造。
  7. 　前記口腔内情報が口腔内の細菌叢組成を含む、請求項６に記載のデータ構造。
  8. 　検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する検出工程を含む、歯周病検査方法。
  9. 　前記群に含まれる少なくとも２種類の菌がAnaeroglobus、Fretibacterium及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌である、請求項８に記載の歯周病検査方法。
  10. 　前記検出工程の後に、前記検出工程で得られた結果をもとに前記検体の提供者が歯周病に罹患している可能性を評価する評価工程をさらに含む、請求項８又は請求項９に記載の歯周病検査方法。
  11. 　前記評価工程は、前記検出工程で得られた配列数の総和と、前記群に含まれる少なくとも２種類の菌の配列数の総和とを計算する解析工程を含み、前記解析工程で得られる解析結果に基づいて評価を行うものである、請求項１０に記載の歯周病検査方法。
  12. 　前記評価工程は、前記検出工程で得られた配列数の総和を１００％としたときの前記群に含まれる少なくとも２種類の菌の配列数の総和が０．０２％以上である場合は前記検体の提供者が歯周病に罹患している可能性が高いと評価するものである、請求項１０又は請求項１１に記載の歯周病検査方法。
  13. 　前記検出がメタゲノム解析により行われる、請求項８～請求項１２のいずれか１項に記載の歯周病検査方法。
  14. 　前記検体が唾液である、請求項８～請求項１３のいずれか１項に記載の歯周病検査方法。
  15. 　検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する検出部を備える、歯周病検査システム。
  16. 　検体からAnaeroglobus、Cryptobacterium、Desulfobulbus、Desulfomicrobium、Desulfovibrio、Erysipelotrichaceae、Fretibacterium、Johnsonella、Mitsuokella、Mollicutes、Parascardovia、Pseudoramibacter、Pyramidobacter、Scardovia、Shuttleworthia及びMycoplasmaからなる群から選ばれる少なくとも２種類の菌を検出する検出デバイスを備える、歯周病検査キット。
  17. 　検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する検出工程を含む、歯周病検査方法。
  18. 　前記群に含まれる少なくとも１種類の菌がLautropiaを含む、請求項１７に記載の歯周病検査方法。
  19. 　前記群に含まれる少なくとも１種類の菌がLautropiaと、GN02、Ottowia及びSneathiaからなる群から選ばれる少なくとも１種類の菌との組み合わせである、請求項１７又は請求項１８に記載の歯周病検査方法。
  20. 　前記検出工程の後に、前記検出工程で得られた結果をもとに前記検体の提供者が歯周病に罹患している可能性を評価する評価工程をさらに含む、請求項１７～請求項１９のいずれか１項に記載の歯周病検査方法。
  21. 　前記評価工程は、前記検出工程で得られた配列数の総和と、前記群に含まれる少なくとも２種類の菌の配列数の総和とを計算する解析工程を含み、前記解析工程で得られる解析結果に基づいて評価を行うものである、請求項２０に記載の歯周病検査方法。
  22. 　前記評価工程は、前記検出工程で得られた配列数の総和を１００％としたときの前記群に含まれる少なくとも１種類の菌の配列数の総和が０．０１％以下である場合は前記検体の提供者が歯周病に罹患している可能性が高いと評価するものである、請求項２０又は請求項２１に記載の歯周病検査方法。
  23. 　前記検出がメタゲノム解析により行われる、請求項１７～請求項２２のいずれか１項に記載の歯周病検査方法。
  24. 　前記検体が唾液である、請求項１７～請求項２３のいずれか１項に記載の歯周病検査方法。
  25. 　検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する検出部を備える、歯周病検査システム。
  26. 　検体からGN02、Ottowia、Sneathia及びLautropiaからなる群から選ばれる少なくとも１種類の菌を検出する検出デバイスを備える、歯周病検査キット。
PCT/JP2018/007622 2017-03-01 2018-02-28 機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット Ceased WO2018159712A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/488,661 US12014822B2 (en) 2017-03-01 2018-02-28 Machine learning device, trained model, data structure, periodontal disease detection method, periodontal disease detection system, and periodontal disease detection kit
JP2019503084A JP6810789B2 (ja) 2017-03-01 2018-02-28 機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2017-038123 2017-03-01
JP2017038123 2017-03-01
JP2017038122 2017-03-01
JP2017-038122 2017-03-01

Publications (1)

Publication Number Publication Date
WO2018159712A1 true WO2018159712A1 (ja) 2018-09-07

Family

ID=63370120

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/007622 Ceased WO2018159712A1 (ja) 2017-03-01 2018-02-28 機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット

Country Status (3)

Country Link
US (1) US12014822B2 (ja)
JP (3) JP6810789B2 (ja)
WO (1) WO2018159712A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021129531A (ja) * 2020-02-20 2021-09-09 三井化学株式会社 歯周病検査方法、歯周病検査システム、歯周病検査キット、機械学習装置、及びデータ構造
JP2025071801A (ja) * 2023-10-23 2025-05-08 ジェナーバイオ カンパニー リミテッド 電子デバイスの動作方法、コンピューティングデバイス及びシステム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018361591B2 (en) * 2017-11-02 2024-10-10 Gc Corporation Intraoral examination method using information on bacterial group related to clinical indexes
JP7787632B1 (ja) 2024-03-18 2025-12-17 学校法人順天堂 神経変性疾患及び前駆障害の判定方法及び判定装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08249300A (ja) 1995-03-13 1996-09-27 Minolta Co Ltd ニューラルネットワーク及びその作成方法
WO2007056680A2 (en) * 2005-11-03 2007-05-18 Forsyth Dental Infirmary For Children Methods and arrays for identifying human microflora
WO2014179959A1 (en) 2013-05-09 2014-11-13 The Procter & Gamble Company Method and system for assessing health condition
CN105209918B (zh) * 2013-05-09 2017-09-29 宝洁公司 生物标记鉴定方法和系统
JP6579874B2 (ja) 2015-03-31 2019-09-25 大日本印刷株式会社 歯周病菌検出用オリゴヌクレオチドセット及び歯周病菌の検出方法
US10246753B2 (en) * 2015-04-13 2019-04-02 uBiome, Inc. Method and system for characterizing mouth-associated conditions

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CZIBULA, G. ET AL.: "Temporal ordering of cancer microarray data through a reinforcement learning based approach", PLOS ONE, vol. 8, no. 4, 2 April 2013 (2013-04-02), pages e60883-1 - e60883-12, XP055538168, ISSN: 1932-6203 *
GREGORY J. SEYMOURMARY P. CULLINANNICHOLAS C.K. HENG: "Oral Biology Molecular Techniques and Applications", vol. 1537, 7 December 2016, HUMANA PRESS, NEW YORK, NY, ISSN: 1064-3745, article KEBSCHULL, M. ET AL.: "Exploring Genome-Wide Expression Profiles Using Machine Learning Techniques", pages: 347 - 364 *
KEBSCHULL, M. ET AL.: "Molecular differences between chronic and aggressive periodontitis", JOURNAL OF DENTAL RESEARCH, vol. 92, no. 12, 1 December 2013 (2013-12-01), pages 1081 - 1088, XP055538166, ISSN: 0022-0345 *
KUSY, M. ET AL.: "Probabilistic neural network training procedure based on Q(0)- learning algorithm in medical data classification", APPLIED INTELLIGENCE,, vol. 41, no. 3, 6 August 2014 (2014-08-06), pages 837 - 854, XP035395820, ISSN: 0924-669X *
SZAFRANSKI, SP. ET AL.: "High-resolution taxonomic profiling of the subgingival microbiome for biomarker discovery and periodontitis diagnosis", APPLIED AND ENVIRONMENTAL MICROBIOLOGY, vol. 81, no. 3, February 2015 (2015-02-01), pages 1047 - 1058, XP055538161, ISSN: 0099-2240 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021129531A (ja) * 2020-02-20 2021-09-09 三井化学株式会社 歯周病検査方法、歯周病検査システム、歯周病検査キット、機械学習装置、及びデータ構造
JP7527807B2 (ja) 2020-02-20 2024-08-05 三井化学株式会社 歯周病検査方法、歯周病検査システム、歯周病検査キット、機械学習装置、及びデータ構造
JP2025071801A (ja) * 2023-10-23 2025-05-08 ジェナーバイオ カンパニー リミテッド 電子デバイスの動作方法、コンピューティングデバイス及びシステム

Also Published As

Publication number Publication date
JPWO2018159712A1 (ja) 2019-12-12
JP6810789B2 (ja) 2021-01-06
JP7147823B2 (ja) 2022-10-05
JP2021019620A (ja) 2021-02-18
US12014822B2 (en) 2024-06-18
JP2022047540A (ja) 2022-03-24
JP7263684B2 (ja) 2023-04-25
US20200234831A1 (en) 2020-07-23

Similar Documents

Publication Publication Date Title
JP7263684B2 (ja) 機械学習装置、学習済みモデル、データ構造、歯周病検査方法、歯周病検査システム及び歯周病検査キット
Velsko et al. Microbial differences between dental plaque and historic dental calculus are related to oral biofilm maturation stage
Relvas et al. Relationship between dental and periodontal health status and the salivary microbiome: bacterial diversity, co-occurrence networks and predictive models
Kazor et al. Diversity of bacterial populations on the tongue dorsa of patients with halitosis and healthy patients
Schwarzberg et al. The personal human oral microbiome obscures the effects of treatment on periodontal disease
Canullo et al. The predictive value of microbiological findings on teeth, internal and external implant portions in clinical decision making
Wirth et al. Microbiomes in supragingival biofilms and saliva of adolescents with gingivitis and gingival health
Ozga et al. Oral microbiome diversity among Cheyenne and Arapaho individuals from Oklahoma
Corraini et al. Subgingival microbial profiles as diagnostic markers of destructive periodontal diseases: A clinical epidemiology study
US20140335534A1 (en) Method And System For Identifying A Biomarker Indicative Of Health Condition
Shiba et al. Comparison of periodontal bacteria of edo and modern periods using novel diagnostic approach for periodontitis with micro-CT
EP4127245A2 (en) Diagnostic for oral cancer
Lewin et al. A quantitative framework reveals traditional laboratory growth is a highly accurate model of human oral infection
Varoni et al. World Workshop on Oral Medicine VII: Targeting the microbiome for oral medicine specialists—Part 1. A methodological guide
RU2751241C2 (ru) Способ и устройство для оценки количества микроорганизмов в таксономической единице в образце
Zhang et al. Characterizing the supragingival microbiome of healthy pregnant women
US20220122695A1 (en) Methods and systems for providing sample information
JP7527807B2 (ja) 歯周病検査方法、歯周病検査システム、歯周病検査キット、機械学習装置、及びデータ構造
JP2023547260A (ja) 患者リスクの階層化及び標的化療法のための個別化歯周炎スコアの開発
EP3764877A1 (en) Assessing transplant rejection status by analysis of t-cell receptor subunit repertoire diversity
Kasimoglu et al. Oral microbiota and dental caries data from monozygotic and dizygotic twin children
CN108346465A (zh) 一种定义和度量生物集合群落物种特异度之多样性的概念和方法
US20240290488A1 (en) Systems and methods for determining oral microbiome compositions and health outcomes
Ebersole et al. Differential oral microbiome in nonhuman primates from periodontitis‐susceptible and periodontitis‐resistant matrilines
Jeong et al. Effective microbial molecular diagnosis of periodontitis-related pathogen Porphyromonas gingivalis from salivary samples using rgpA gene

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: 18761912

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019503084

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18761912

Country of ref document: EP

Kind code of ref document: A1