Beschreibung:

Technisches Gebiet:

Die vorliegende Erfindung betrifft ein Verfahren zum Nachweis und/oder Quantifizieren einer Ziel-Nukleinsäure in einer Polymerase-Kettenreaktion (PCR)-Probe und ein dafür entwickeltes Testsystem zur Durchführung einer symmetrischen oder asymmetrischen Polymerase-Kettenreaktion (PCR). Das Verfahren eignet sich beispielsweise zum

Nachweis von Mutationen in einer Nukleinsäure-Sequenz, von pathogenen Erregern oder von Gensequenzen. Stand der Technik:

Die Polymerase-Kettenreaktion (Polymerase chain reaction, PCR) ist ein übliches Verfahren zur Vervielfältigung und zum spezifischen Nachweis von Nukleinsäuren, wie z.B. DNA oder RNA (Mulis K et al., Specific enzymatic amplification of DNA in vitro: the polmerase chain reaction. Cold Spring Harb Symp Quant Biol 1986, 51 Pr I: 263-273). Die PCR ist, auch in ihren verschiedenen Varianten, eine polyzyklische Reaktion, die zumindest zwei, in der Ursprungsvariante drei Schritte erfordert. Beim ersten Schritt wird die DNA thermisch hybridisiert (d.h. denaturiert), was bei hohen Temperaturen erfolgt. Im nächsten Schritt erfolgt bei einer niedrigeren Temperatur die Anlagerung (Annealing) von Oligonukleotid-Primern (z.B. Sonden) an die Ziel-Nukleinsäure, was auch als Primerhybridisierung bezeichnet wird. Ausgehend von den Primern findet in einem weiteren Schritt die Vervielfältigung bzw.

Synthese eines Komplementärstranges durch eine thermostabile Polymerase (z.B. DNA- Polymerase) statt. Die für die PCR-Reaktion eingesetzten Primer bestehen üblicherweise aus kurzen Basenpaar-Segmenten mit Längen zwischen 15 und 40 Basenpaaren, die

komplementär zur Zielsequenz sind. Die PCR besteht demnach aus einer Reaktionsabfolge aus Denaturierung, Annealing und Synthese.

Ein typisches PCR-Reaktionsprofil umschreibt drei Phasen, nämlich eine frühe Lag-Phase, eine exponentielle Wachstumsphase und eine Plateau-Phase. Die Lag-Phase spiegelt im Wesentlichen die Empfindlichkeit der Synthesevorrichtung und das Rauschsignal des für den Nachweis des PCR-Produktes verwendeten Sondensystems wider. Mit fortschreitenden PCR-Zyklen und ausreichender Produkt-Akkumulation beginnt die exponentielle

Wachstumsphase. In der exponentiellen Wachstumsphase findet sich auch die meiste quantitative Information zum Nachweis einer Ziel-Nukleinsäure.

Aus diesem PCR-Standard haben sich davon abgeleitete Methoden entwickelt, wie beispielsweise die Multiplex-PCR (MPCR; Henegariu et al., Multiplex PCR: critical parameters and step-by-step protocol, 1997, 23: 504-51 1 ), reverse Transkriptase-PCR (RT- PCR; Mothershed EA, Whitney AM: Nucleic acid-based methods for the detection of bacterial pathogenes: present and future considerations for the clinical laboratory. Clin Chim Acta 2006, 363: 206-220) und quantitative Multiplex-Echtzeit-PCR (qPCR) (Heid CA et al., Real time quantitative PCR. 1996, 6: 986-994; Espy MJ et al., Real-time PCR in clinical microbiology: applications for routine laboratory testing. 2006, 19:165-256; Wittwer CT et al., Real-time multiplex PCR assays. Methods 2001 , 25: 430-442; Mackay IM et al., Real-time PCR in virology. Nucleic Acids res 2002, 30: 1292-1305).

Je nach Anwendungsgebiet eignet sich die jeweilige PCR-Methode zum Nachweis von Markergenen oder zur Quantifizierung von Genprodukten, beispielsweise im Rahmen der Untersuchung der Genregulation.

In Abhängigkeit davon, in welchen Oligonukleotid- Verhältnissen die Primer vorliegen, unterscheidet man zwischen einer symmetrischen PCR und einer asymmetrischen PCR. Bei einer symmetrischen PCR liegen die Vorwärts- und Rückwärts-Primer in einem äquimolaren (gleichen) Verhältnis vor, so dass die Nukleinsäure-Stränge bei jedem PCR- Zyklus verdoppelt werden. Nach der Denaturierung binden Vorwärts- und Rückwärts- Primer an die Einzelstränge und werden durch die Polymerase vervollständigt, bevor sie im nächsten Zyklus wieder denaturiert werden. Die für die Reaktion notwendigen Bestandteile werden Zyklus für Zyklus exponentiell aufgebraucht, so dass die Reaktion schließlich in der Plateauphase endet. Die PCR-Reaktion zeigt einen sigmoiden Reaktionsverlauf, beginnend mit der Lag-Phase und einer sich anschließenden Log-linearen Phase. Sobald die für die PCR-Reaktion erforderlichen Bestandteile aufgebraucht sind, kommt es zu einem Abflachen der Amplifikationskurve und zum Übergang in die Plateauphase. Dieses Plateau korreliert allerdings nicht mit der Menge der Zielmoleküle in der Lösung (Hartshorn C et al, Single-cell duplex RT-LATE-PCR reveals Oct4 and Xist RNA gradients in 8-cell embryos. BMC Biotechnol. 2007, 7: 87). Die klassische PCR ermöglicht deshalb nur qualitative Aussagen, was letztendlich die Grundlage für die sich daraus entwickelte asymmetrische PCR war, mit der quantitative Messungen durchgeführt werden können (Gyllensten UB, Erlich HA: Generation of single-stranded DNA by the Polymerase chain reaction and ist application to direct sequencing oft he HLA-DQA locus. Proc Natl Acad Sei U S A 1988, 85: 7652-7656).

Im Gegensatz zu einer symmetrischen PCR liegen bei einer asymmetrischen PCR nicht- äquimolare Verhältnisse der Primer vor, d.h. in der Reaktion wird ein limitierender Primer und ein Überschuss-Primer verwendet (Gyllensten UB, Erlich HA: Generation of single- stranded DNA by the Polymerase chain reaction and ist application to direct sequencing oft he HLA-DQA locus. Proc Natl Acad Sei U S A 1988, 85: 7652-7656). Eine asymmetrische PCR zeigt einen typischen Log-linearen Verlauf, wobei sich der lineare Verlauf einstellt, sobald der limitierende Primer in der Reaktion verbraucht wurde. In dieser Phase wird einer der beiden Stränge arithmetisch amplifiziert, was zur Folge hat, dass asymmetrische PCR-Verfahren zumeist eine niedrige Amplifikationseffizienz gegenüber symmetrischen PCR-Verfahren haben. Allerdings weist eine asymmetrische, quantitative PCR ein besser analysierbares Schmelzkurvenverhalten auf, was beispielsweise bei der Mutationsdetektion oder Allel-Bestimmung vorteilhaft ist (Szilvasi A. et al., Asymmetrie PCR increases efficiency of melting peak analysis on the LightCycler. Clin Biochem 2005, 38: 727-730). Ein weiterer Vorteil der asymmetrischen PCR besteht darin, dass die Nukleinsäure-Einzelstränge bis auf die Primer-Hybridisierungsstelle für Sonden in qPCR- Systemen frei zugänglich sind und dass Einzelstränge nicht durch einen Schmelzpunkt definiert sind, was die Bedingungen bei der Primer-Auswahl und Primer-Hybridisierung verbessert. Dabei können die Sonden bis zur Sättigungskonzentration der Einzelstränge verwendet werden (Sanchez JA et al., Linear-after-the-exponential (LATE)-PCR: an advanced method of asymmetric PCR and its uses in quantitative real-time analysis. Proc Natl Acad Sei U S A 2004, 101 : 1933-1938; Sanchez JA et al., Two-temperature LATE- PCR endpoint genotyping. BMC Biotechnol 2006, 6: 44). Daneben existieren kompetitive quantitative PCR- Verfahren, die entwickelt wurden, um das Auffinden der exponentiellen Phase beim Kurvenverlauf zu vereinfachen und um eine größere Genauigkeit zu erzielen. Kompetitor und Target werden normalerweise durch die Länge oder Sequenz unterschieden, wobei die relativen Mengen des Kompetitors und des Targets nach der Amplifikationsreaktion gemessen werden. Problematisch ist hierbei, dass der Kompetitor zu der unbekannten Probe in einer ähnlichen Konzentration hinzugefügt werden muss wie die des Targets.

Quantitative Echtzeit-PCR- Verfahren (real-time PCR) ermöglichen eine relativ genaue Quantifizierung einer Ziel-Nukleinsäure in einer Probe. Ein prominentes Beispiel einer solchen quantitativen PCR ist das Lightcycler® -System (Roche Diagnostics), bei dem ein PCR-Produkt über fluoreszierende Farbstoffe detektiert und ausgewertet werden können. Basierend auf der asymmetrischen PCR wurde das LATE (Linear After The Exponential)- PCR-Verfahren entwickelt, bei dem ebenfalls unterschiedliche Primer-Konzentrationen eingesetzt werden, wobei der limitierende Primer jedoch so modifiziert ist, dass sein Schmelzpunkt bei einer höheren Temperatur liegt als die Schmelztemperatur des überschüssigen Primers. Dadurch kann der Vorgang der Vervielfältigung von der durch Sonden vermittelten Messung entkoppelt werden. Die Sondenentwicklung kann

insbesondere dadurch vereinfacht werden, dass Sonden mit sehr tiefem Schmelzpunkt eingesetzt werden können, so dass die LATE-PCR eine weit höhere Sensitivität aufweist als übliche symmetrische oder asymmetrische PCR-Methoden. Bedingt wird dies durch eine kurze exponentielle und eine sich anschließende lineare Amplifikationsphase ohne Ausbildung eines Plateaus (Sanchez JA et al., Linear-after-the-exponential (LATE)-PCR: an advanced method of asymmetric PCR and its uses in quantitative real-time analysis. Proc Natl Acad Sei U S A 2004, 101 : 1933-1938).

Eine typische LATE-PCR läuft so ab, dass sich die Anzahl der Kopien exponentiell pro Zyklus erhöht, ähnlich wie bei einer symmetrischen Reaktion. Die experimentale Phase dauert nur so lange an, bis der begrenzende Primer, der bei einer höheren

Schmelztemperatur bindet als der überschüssige Primer, in der PCR-Reaktion noch vorhanden ist. Ist der begrenzende Primer aufgebraucht, werden nur noch Einzelstränge kopiert. Idealerweise ist der begrenzende Primer so entwickelt, dass er gerade dann aufgebraucht ist, wenn die untere Detektionsgrenze erreicht ist. Da der Komplementärstrang in dieser Phase nicht mitkopiert wird, kann mit Sonden mit tiefem Schmelzpunkt gearbeitet werden, was letztendlich auch dazu führt, dass die Reaktion nicht in die Plateauphase läuft. Für eine Weiterverarbeitung (z.B. DNA-Sequenzierung, SNP- Genotypisierung) ist zudem das Vorliegen von Einzelsträngen vorteilhafter.

Schon früh hat man erkannt, dass eine Schmelzkurvenanalyse der bei der PCR-Reaktion erhaltenen Schmelzkurven wertvolle quantitative Informationen bezüglich einer Ziel- Nukleinsäure liefern kann. Gerade in komplexen (Multiplex-)Systemen ist eine akkurate Schmelzkurvenanalyse für eine empfindliche und genaue Quantifizierung der in einer Probe erhaltenen Ziel-Nukleinsäuren unabdingbar. So beschreibt bereits die EP 1 375 674 B1 ein Verfahren zum Nachweis von Nukleinsäuren auf Basis einer Schmelzkurvenanalyse, bei der es möglich ist, wenigstens zwei Nukleinsäuren oder mehr mit einem einzigen

Fluoreszenzfarbstoff-Marker nachzuweisen). Dabei werden die Ziel- Nukleinsäuren auf Basis ihrer Schmelztemperaturen (Tm) nachgewiesen, ohne dass eine Vielzahl von

Oligonukleotid-Sonden mit unterschiedlichen Fluoreszenzfarbstoffen hergestellt werden muss. Das Verfahren umfasst das gleichzeitige Nachweisen von RNA- Transkripten in einer Probe auf der Basis unterschiedlicher TM -Werte der Duplexe, wobei die Nukleinsäure- Sonden so gewählt sind, dass sie ihre Fluoreszenzintensitäten ändern, wenn sie Duplexe mit den sich ergebenden Transkripten ausbilden.

In der EP 1 942 196 B1 wird das LATE-PCR-Verfahren beschrieben, bei dem

unterschiedliche Schmelztemperaturen der eingesetzten Primer zur Anwendung kommen, wobei der Schmelzpunkt des limitierenden Primers wenigstens 7 bis 15° C höher liegt als die des Überschussprimers. Idealerweise soll dabei die Schmelztemperatur des

limitierenden Primers nicht höher liegen als 18° C gegenüber dem Überschussprimer.

Dagegen sind auf mehreren Primer-Paaren basierende Multiplex-PCRs sowohl in der Gestaltung der Reaktionsbedingungen als auch in der Primerauswahl weit aufwändiger (vgl. beispielsweise DE 10 2007 041 864 B4). Die DE 10 2007 031 137 A1 beschreibt ein Echtzeit-PCR-Verfahren, bei dem eine Schmelzkurve aufgezeichnet und nach der

Amplifikation einer Schmelzkurvenanalyse unterzogen wurde.

Die EP 1 288 314 B1 bestimmt die Schmelzkurven für jede einzelne Ziel-Nukleinsäure, indem ein Signalverarbeitungs-Algorithmus verwendet wird, der auf einer Thermodynamik basiert. Dadurch können die molaren Verhältnisse der Zielnukleinsäuren bestimmt werden. Hierzu wird eine Fluoreszenzveränderung aufgezeichnet, wobei folgender Zusammenhang bei den daraus resultierenden Schmelzkurven besteht:

Σ= Glättungsparameter

mj = Massenfraktion von jedem Nukleinsäure-Target

f ^r = die angenäherte Fluoreszenz der Schmelzkurve, wobei die Optimierung und der iterative Prozess wiederholt werden, bis eine Summe der Massenfraktion größer 1 minus £ ist, wobei £ ein Toleranzwert ist.

Voraussetzung des ebenfalls darin beschriebenen Quantifizierungsverfahrens ist, dass die Effizienz der Amplifikation für das Target und den Kompetitor im Wesentlichen gleich ist, wobei logCo = logE (Δη) + logTo, wobei Co die initiale Kompetitormenge ist, E die durchschnittliche Effizienz ist, Δη die Zyklusverschiebung zwischen Target und Kompetitor ist und To die initiale Menge des Targets ist.

Durch das Auftragen der initialen Kompetitorkonzentration gegenüber der

Zyklusverschiebung zwischen Kompetitor und Target ergibt sich ein Kurvenverlauf mit einer Steigung, die dem Log der Effizienz entspricht und ein Log, welcher der initialen Target-Konzentration entspricht. Dadurch die initiale Konzentration des Targets ermittelt werden.

Obgleich die Reaktionsbedingungen zum Durchführen einer symmetrischen oder asymmetrischen PCR durch eine geschickte Auswahl der Primer unter Berücksichtigung der Schmelztemperaturen umfassend beschrieben sind, wurde bislang wenig Augenmerk auf eine Optimierung der Schmelzkurvenanalyse im Rahmen einer PCR-Reaktion gelegt. Dabei verbergen sich im Kurvenverlauf einzelner Schmelzkurven wertvolle Informationen, die es ermöglichen, Detektionseffizienzen bei der Bestimmung von Ziel-Nukleinsäuren zu erhöhen. Häufig kamen nur übliche Berechnungsmethoden zum Einsatz, um beispielsweise den Beginn einer Steigung im Kurvenverlauf einer Schmelzkurve zu bestimmen. Solche Verfahrensweisen sind insbesondere in bi-allelischen Systemen nicht ausreichend, da diese eine weit höhere Genauigkeit und Effizienz erfordern. Dabei kommen Algorithmen zum Einsatz, die auf einer thermodynamischen Modellierung basieren, d.h. Fourier- Transformationen mit Fourier-Modi mit geringer Amplitude beim Rauschen in einem

Signalpunkt. Das thermodynamische Modelling basiert auf der frei werdenden Gibbs-Energie einer Mischung und nimmt an, dass es keine chemische Interaktion zwischen

geschmolzenen Materialien gibt. Der zugrundeliegende Algorithmus beinhaltet zusätzlich die Eigenschaft, das Schmelzsignal einer chemischen Probe in Abwesenheit von Standards zu analysieren.

Bisherige Analyseverfahren zielen auf die Verwendung einer Fourier-basierten D- Konvolution ab, wie beispielsweise in den US-Patenten Nr. 5,273,632, 5,748,491 und 5,346,306 beschrieben. Die US 316 614 P beschreibt darauf aufbauend eine

Signalverarbeitung, basierend auf einer diskreten Fourier -Transformation (DFT), die darauf abzielt, das Signal als eine lineare Kombination sinusoidaler Signale auf

Basisfunktion darzustellen und nur solche sinusoidalen Basisfunktionen zu behalten, die verlässliche Informationen über das Signal enthalten. Hierbei wird eine

Basisfunktionsapproximierung und ein Koppeln der Algorithmen vorgenommen. Der Approximierungsalgorithmus nimmt eine Schmelzkurve und trennt diese in zwei

Standardkurven auf, um die Verhältnisse in unbekannten Proben unter Verwendung des TMBSP-Algorithmus zu bestimmen. Dieses Verfahren ist jedoch nicht optimal, da der Kurvenverlauf bei niedrigen Detektionsgenauen in einer PCR-Relation nicht exakt bestimmbar ist. Der Einsatz der Fourier-Transformation ist beispielsweise auch Bestandteil der US

2009/0371 17 A1 , in der ein Verfahren, ein Messsystem und ein Computer-implementierter Algorithmus zur Verarbeitung einer Schmelzkurve einer PCR beschrieben sind. Grundlage der Analyse sind hierbei die einzelnen "Peaks" der Schmelzkurve, die einer weiteren, allerdings nicht näher beschriebenen Analyse unterzogen werden. Dabei erfolgen eine Interpolation der Messdaten, der Nachweis von Peaks und ein Entfernen von Messdaten, die unterhalb einer Messschwelle liegen. Die in der D1 beschriebene Fourier- Transformation wird zum Zwecke der Rauschunterdrückung durchgeführt. Die

anschließend durchgeführte Interpolation kann eine Datensequenz erzeugen, die aus mehr Dateneinheiten besteht, als die ursprüngliche Dateneinheit. Dadurch soll letztendlich die Auflösung der interpolierten Schmelzkurve verbessert werden. Der Einsatz der Fourier- Transformation zur Merkmalsgewinnung wird jedoch nicht beschrieben. In Pornpat et al, "Trainable High Resolution Melt Curve Machine Learning Classifier for Large-Scale Reliable Genotyping of Sequence Variants", PLOS ONE, Bd. 9, Nr. 10, 2.

Oktober 2014, wird ein maschineller Lernalgorithmus, basierend auf einer linearen SVM, eingesetzt, um Schmelzkurven mit einer trainierten Toleranz bei unterschiedlichen

Reaktionsbedingungen zu klassifizieren. Die verarbeiteten Daten entsprechen den gemessenen Rohdaten oder den interpolierten Rohdaten. Dabei findet keine dem

Anwendungsfall angepasste und optimierte Merkmalextraktion statt. Auch erfolgt kein Zerlegen der Schmelzkurve in ihre Spektralkomponenten oder Ermittlung der im Signal enthaltenen Frequenzanteile mittels Fourier-Analyse. Zusammengefasst beschreiben die bislang bekannten Verfahren nur eine beschränkte Auflösung oder genotypische Erkennungsrate, was eine mögliche Typisierung von Arten oder Stämmen, beispielsweise von pathogenen Erregern, erheblich einschränkt. Eine zuverlässige Bestimmung von Einzelmutationen lassen diese Verfahren aufgrund der Herangehensweise zur Analyse der Schmelzkurven einer PCR nicht zu.

Darstellung der Erfindung:

Vor diesem Hintergrund ist es Aufgabe der vorliegenden Erfindung, ein verbessertes und zugleich optimiertes Verfahren und ein Testsystem zum Nachweis und/oder Quantifizieren einer Ziel-Nukleinsäure in einer Polymerase-Kettenreaktion (PCR)-Probe, basierend auf einer Schmelzkurvenanalyse, bereitzustellen, um eine erhöhte Detektionseffizienz zu erhalten.

Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. ein Testsystem mit den Merkmalen des Anspruchs 12. Bevorzugte Ausführungsformen finden sich in den Unteransprüchen wieder.

Das erfindungsgemäße Verfahren basiert auf einer optimierten Schmelzkurvenanalyse unter Anwendung mathematischer Methoden, die automatisiert über eine Steuerungs- und Regeleinrichtung ablaufen können. Die technische Umsetzung sieht eine Analyse- und Auswerteeinheit vor, bei der die im Rahmen der Amplifikationsreaktionen gewonnenen Rohdaten zur Generierung der Schmelzkurven in optimierte Schmelzkurvenmerkmale umgewandelt werden, um so den Reaktionsverlauf und das Reaktionsverhalten einer PCR-Reaktion nachzuvollziehen und gegebenenfalls zu kontrollieren.

Ausgangsbasis ist ein übliches PCR-Reaktionsgemisch, wobei die Anwendbarkeit des Verfahrens sich nicht auf eine bestimmte PCR-Methode beschränkt, sondern für alle gängigen symmetrischen, asymmetrischen und LATE-PCR-Methoden sowie Kombinationen einzelner PCR-Methoden geeignet ist. Gängige PCR-Verfahren sehen den Einsatz einer doppelsträngigen Nukleinsäure (DNA, Desoxynukleosid-Triphosphate (dNTPs)) sowie einer DNA-Polymerase vor. Beispielhafte, in der Erfindung verwendbare DNA-Polymerasen, sind die Taq-DNA-Polymerase oder andere thermostabile DNA-Polymerasen. Ferner ist eine Ziel- Nukleinsäure mit einer zu amplifizierenden Nukleinsäure-Sequenz notwendig. Als Synthese- Bausteine dienen üblicherweise Nukleosid-Triphosphate (NTTs), vorzugsweise

Desoxynukleosid-Triphosphate (dNTPs wie dATT, d I I I , dGTT, gCTP). Üblicherweise wird eine PCR-Reaktion in einer Pufferlösung durchgeführt, die geeignete Reaktionsbedingungen und stabile Verhältnisse für eine DNA-Synthese durch die PNA-Polymerase bietet. Das PCR-Gemisch kann dann beispielsweise bestimmte Kationen oder Anionen enthalten, welche die Aktivität und Stabilität der DNA-Polymerase erhöhen. Ferner ist wenigstens ein zu der amplifizierenden Nukleinsäure- Zielsequenz komplementäres Oligonukleotid- Primerpaar erforderlich, dessen Primer unter PCR-Bedingungen an den zu amplifizierenden Bereich der Nukleinsäure-Zielsequenz hybridisieren. Für dieses Reaktionsgemisch werden mehrere Amplifikationszyklen (beispielsweise 20 bis 40 PCR-Zyklen) der Polymerase- Kettenreaktion mit einer PCR-Probe durchgeführt, um die für die weitere Analyse

erforderlichen Schmelzkurven zu erhalten. Aus den erhaltenen Schmelzkurven werden Signale generiert und der nachgeschalteten erfindungsgemäßen Schmelzkurvenanalyse unterzogen. Hierfür werden zunächst anhand der Stützpunkte der Schmelzkurve die negativen

Steigungen durch numerische Ableitung bestimmt. Gegebenenfalls kann die erzeugte erste numerische Ableitung der Kurve mit einem Filter geglättet werden. Hierfür eignen sich beispielsweise ein Median- oder Gauss-Filter. Anschließend werden bestimmte Merkmale der Kurve ermittelt, die die sogenannten Merkmalsvektoren bilden. Eine Variante ist die Merkmalsgewinnung mittels Fourier- Transformation. Hierbei wird die Schmelzkurve in ihre Spektralkomponenten zerlegt und sowohl Real- als auch Imaginär-Teil der dabei erhaltenen komplexen Koeffizienten übernommen, welche Informationen über Amplitude und Phase der Spektralkomponenten beinhalten. Ein Teil der Koeffizienten wird zur Bildung des Merkmalsvektors der betrachteten Kurve verwendet. Erfindungsgemäß wird die Fourier-Transformation nicht zur Glättung einer Kurve verwendet, wie es beispielsweise im Stand der Technik beschrieben ist, sondern zur Merkmalsgewinnung. Dabei werden beispielsweise hohe Frequenzanteile weggelassen, vorzugsweise Frequenzanteile >20 Hz). Vorzugsweise erfolgt eine Merkmalsgewinnung in einem Bereich von 1 bis 20 Hz. Ziel ist es, den Merkmalsrahmen für die Lernverfahren zu verkleinern, um so ein "Overfitting" zu verhindern. Eine weitere Art der Merkmalsgewinnung ist die Wavelet-Analyse. Die Wavelet-Analyse bezeichnet den Übergang der Zeitdarstellung in die Spektral- bzw. Wavelet-Darstellung, während die Wavelet-Synthese die Rücktransformation der Wavelet-transformierten in die Zeitdarstellung bezeichnet. Dabei wird das zu untersuchende Signal mit einer

Fensterfunktion verglichen. Anstatt allerdings das Fenster zu verschieben oder zu modulieren (d.h. durch Verschiebung im Frequenzbereich), wird das Fenster verschoben und skaliert. Durch die Skalierung ergibt sich zwar eine Frequenzverschiebung, wie bei der Modulation, jedoch wird gleichzeitig mit der Frequenzerhöhung die Zeitdauer des Fensters verringert. Dadurch ergibt sich bei höheren Frequenzen eine weitaus bessere zeitliche Auflösung, während bei niedrigen Frequenzen die Frequenzauflösung verbessert wird, dafür die Zeitauflösung schlechter.

Zudem werden sogenannte„einfache" Merkmale zur Erzeugung von Merkmalsvektoren verwendet. Dies sind z.B. die Position (x- und y-Wert) der lokalen Extremwerte der Kurve, ergänzt mit Fourier-Koeffizienten aus der Fourier-Transformation.

Alle drei Arten von Merkmalsvektoren (Koeffizienten der Fourier-Analyse, Wavelet- Koeffizienten und weitere„einfache" Merkmale können unabhängig voneinander von folgenden Klassifikatoren verwendet werden: Support Vector Maschine, Lernende Vektor- Quantisierung und Random Forest. Maschinelle Lernverfahren entwickeln eine

Generalisierungsfähigkeit, mit der unbekannte Merkmalsvektoren einer von mehreren Klassen zugeordnet werden können. Dies ergibt dann insgesamt neun Klassifikatoren. Die Erzeugung von Merkmalen soll das Problem des„Overfittings" vermeiden.„Overfitting" ist eine Überanpassung des Klassifikators auf die Trainingsmenge und kann als

„Auswendiglernen" interpretiert werden, welches eintritt, wenn die Merkmalsvektoren eine zu hohe Anzahl von Elementen besitzen. In diesem Fall kann das maschinelle

Lernverfahren keine Generalisierungsfähigkeit ausbilden. Die Generalisierungsfähigkeit kann mit einer Testmenge (die keine Teilmenge der Trainingsmenge ist) bestimmt werden.

Grundsätzlich werden Algorithmen für maschinelles Lernen (Klassifikatoren) mit einer Trainingsmenge von Merkmalsvektoren trainiert. Eine Testmenge dient der Bewertung eines trainierten Klassifikators. Hierbei ist es wichtig, für jede Klasse mehrere

repräsentative Kurven zu finden, um später unbekannte Kurven sicher und korrekt zu klassifizieren. Die Verwendung verschiedener Klassifikatoren verbessert das

Gesamtergebnis. Jeder Klassifikator gibt eine Stimme ab, zu welcher Klasse ein

Merkmalsvektor gehört. Die Klasse mit den meisten Stimmen„gewinnt". Die Klassifikatoren werden erfindungsgemäß also unterschiedlich gewichtet. Erfindungsgemäß können die im Folgenden beschriebenen maschinellen Lernverfahren als Klassifikator eingesetzt werden. Bei dem erfindungsgemäßen Verfahren werden die Ergebnisse der Klassifikatoren unterschiedlich gewichtet. So können beispielsweise Klassifikatoren wie Support Vector Machine (SVM), lernende Vector Quantisierung (LVQ) und Random Forest unterschiedlich gewichtet werden.

Als erster Klassifikator kommt eine Support Vector Machine (SVM) zum Einsatz, die in ihrer einfachsten Form ein binärer Klassifikator ist, der ein Objekt in eine von zwei möglichen Klassen einordnen kann. Um mehr als zwei Klassen unterscheiden zu können verwendet man z.B. die "one vs one" Methode. Es werden in allen möglichen

Kombinationen immer zwei verschiedene Klassen gegeneinander getestet. Aus jedem dieser Tests wird für eine der Klassen eine Stimme vergeben. Die Klasse mit den meisten Stimmen wird als Klassifikationsergebnis gewertet. Intern arbeiten Support Vector Machines mit sogenannten "Hyperebenen", welche die verschiedenen Klassen voneinander trennen. Diese Hyperebenen werden beim Training der SVM dermaßen bestimmt, dass der Rand, d.h. der Abstand zwischen der Ebene und den einzelnen„Objekten" (Merkmalsvektoren der Trainingskurven) der Klassen maximiert wird.

Abstrakt formuliert wird versucht, eine Hyperebene derart durch einen mehrdimensionalen Raum (Anzahl der Dimensionen wird durch die Anzahl der Elemente der Merkmalsvektoren bestimmt) zu legen, dass die Merkmalsvektoren, die zu unterschiedlichen Klassen gehören, möglichst gut voneinander getrennt werden. Allgemein kann eine Ebene durch ihren Normalenvektor w (steht senkrecht auf der Ebene) und ein Offset b definiert. Damit kann man die Klassenzugehörigkeit y eines Vektors x über folgende Gleichung ermitteln: y = sgn (<w,x>+b), dabei entspricht Klasse A: y = +1 , Klasse B: y = -1 .

Dabei ist <w,x> das Skalarprodukt zwischen dem Normalenvektor w und dem Vektor x, und sgn() die Vorzeichenfunktion. Wenn x nun auf der einen Seite der Ebene ist, kommt ein positives Ergebnis heraus. Wenn x auf der anderen Seite ist erhält man ein negatives Ergebnis, so dass über das Vorzeichen zwischen den zwei Klassen unterschieden werden kann. Hierbei ist ersichtlich, dass nicht jeder Vektor zi bedeutend ist, sondern lediglich diejenigen, die der Hyperebene am nächsten sind (Stützvektoren). Es wird also ein w und b gesucht, so dass für die Vektoren zi gilt: min\<w, Zi> + b\ = 1 |<W,Z>+b|=1

Für Punkte, die weiter von der Hyperebene entfernt sind, kann dieser Wert größer sein, aber er soll für die gegebenen (Trainings-)Daten betraglich nie kleiner als 1 sein.

Beim Training der SVM werden die Parameter w und b so optimiert, dass der Rand der Hyperebene (Abstand zu den Support Vektoren) maximal wird.

Im Allgemeinen sind Klassen nicht so leicht linear trennbar wie im gezeigten Beispiel. In den nachfolgenden Ausführungsbeispielen ist eine komplexere Verteilung der Klassenobjekte bei Anwendung der SVM dargestellt.

Um die Hyperebene zu deformieren, wird ein sogenannter Kernel-Trick angewendet.

Hierbei werden die Skalarprodukte <w,x> durch eine Kernelfunktion K(w,x) ersetzt. Die Klassenzugehörigkeit y eines Merkmalsvektors x ist über eine Kernel-Funktion wie folgt ermittelbar: y = sgn(K(w,x)+b).

Deformierte Hyperebenen sind notwendig, wenn Merkmalsvektoren verschiedener

Klassen nicht linear trennbar sind, also nicht trennbar durch eine Hyperebene. Dies ist in der Regel der Fall. Die Bestimmung der Parameter der Kernelfunktion wird anhand der Testmenge vorgenommen, wobei die Parameter ausprobiert werden. Die Parameter, für die die Testmenge am besten klassifiziert wird, werden verwendet.

Das zweite maschinelle Lernverfahren ist die Lernende Vektor-Quantisierung (LVQ). Hierbei handelt es sich um eine Form eines künstlichen neuronalen Netzwerkes. Die Merkmale der LVQ werden bei dem erfindungsgemäßen Verfahren vorzugsweise unterschiedlich gewichtet. Im Rahmen des Trainings werden sogenannte„Neuronen" in dem Merkmalsraum verteilt, wobei es für jede der n Klassen m Neuronen gibt. In einem iterativen Verfahren wird nun nacheinander der Abstand jedes Neurons zu jedem Trainingsobjekt (Merkmalsvektor) bestimmt. Gehören das aktuell betrachtete Trainingsobjekt und das Neuron der gleichen Klasse an, so wird das Neuron in Richtung Trainingsobjekt verschoben. Anderenfalls wird das Neuron in die Gegenrichtung bewegt. Wie groß diese Verschiebungen sind, hängt von einem Parameter ab, der auch dynamisch angepasst werden kann. So können beispielsweise starke Verschiebungen zu Beginn und bei nachfolgenden Iterationen kleinere Verschiebungen vorgesehen werden. Nach einer gewissen Anzahl an Iterationen erhält man ein "angelerntes Netzwerk". Dabei können verschiedene Abbruchbedingungen definiert werden, beispielsweise eine maximale Anzahl an Iterationen oder Abbruch, wenn die Änderungen während einer Iteration unterhalb eines definierten Schwellwerts liegen.

Die Zuordnung eines unbekannten Objektes zu einer der Klassen erfolgt über die Ermittlung des kleinsten Abstandes der Objektmerkmale zu einem Neuron. Das Neuron, welches dem Objekt am nächsten ist, bestimmt dessen Klassenzugehörigkeit.

Da nicht jedes betrachtete Merkmal gleichbedeutend für eine korrekte Klassifizierung ist, kann die Zuordnung des einen Objektes zu einem Neuron variiert werden. Im normalen Fall wird der minimale euklidische Abstand verwendet (hier entspricht x dem Testobjekt und y einem Neuron), um den Abstand eines Objektes (genauer des Merkmalsvektors eines Objektes) zu einem Neuron zu bestimmen. Dies kann nun durch 2 ₌₁ di(xj - j) ² ersetzt werden. Der Index i indiziert die einzelnen Komponenten der

Vektoren. In dem zweidimensionalen Beispielfall sind das die Anteile in die X- und Y- Richtung des Koordinatensystems. Mittels des Faktors dj (Werte zwischen 0 und 1 ) kann nun der Abstand von Testobjekt und Neuron für jede Richtung separat gewichtet werden. Ist di für eine Komponente (Richtung) 0, so hat der Abstand von Objekt und Neuron in diese Richtung keinen Einfluss auf die Klassifizierung mehr (dieses Merkmal könnte dann also auch komplett entfallen). Durch die Gewichtung der Merkmale für den LVQ-Klassifikator ist es möglich, einzelne Merkmale nicht nur komplett zu ignorieren, sondern dessen Wichtigkeit für die Klassifizierung feingranular einzustellen.

Die Komponenten des Vektors d werden nun so bestimmt, dass die

Klassifikationsperformance maximiert wird. Da die Merkmalsvektoren zumeist relativ viele Elemente beinhalten, und die Anzahl der Komponenten von d direkt damit korreliert, ist es nicht effizient möglich, alle möglichen Varianten von d zu testen, um den bestmöglichen Vektor zu ermitteln. Aus diesem Grund werden hier Optimierungsverfahren eingesetzt. Bei der vorliegenden Erfindung kommt hierfür ein "Genetischer Algorithmus" (GA) zum Einsatz. Hierbei werden "Populationen" von möglichen Distanzvektoren erzeugt und deren „Fitness" (Anzahl der korrekt klassifizierten Objekte der Testmenge) ermittelt. Durch„Kreuzung", „Mutation" und Selektion ermittelt der GA eine neue Population, die abermals getestet werden kann. Wenn auf diese Weise ein guter Distanzvektor gefunden wurde, wird dieser für den Klassifikator verwendet. Die Qualität der Klassifikation eines Merkmalsvektors mit der LVQ kann wie folgt bestimmt werden: zunächst wird der Quotient aus der Distanz zum nächsten Neuron (welches die Klasse bestimmt) und zum nächsten Neuron einer anderen Klasse berechnet. Dieser Wert ist immer zwischen 0 und 1 , je niedriger desto besser. Wenn nun von der Zahl 1 dieser Quotient subtrahiert wird, erhält man die Qualität, je höher desto besser.

Neben der SVM- und der LVQ-Methode wird die Random Forest-Methode zur

Klassifizierung eingesetzt. Hierbei werden aus den gegebenen Merkmalen

(Merkmalsvektor) viele verschiedene kurze Entscheidungsbäume erstellt. Dabei wird in jedem Baum eine zufällige Auswahl an Merkmalen verwendet. Wird nun ein

Merkmalsvektor klassifiziert, gibt jeder Entscheidungsbaum eine "Stimme" ab, die Klasse wird durch Mehrheitsentscheid bestimmt. Je kürzer die Bäume im Random Forest sind, desto niedriger ist die Wahrscheinlichkeiten eines„overfittings".

Zusammengefasst werden bei dem erfindungsgemäßen Verfahren bei einer

Schmelzkurvenanalyse somit mehrere unterschiedliche Merkmale extrahiert und in Merkmalvektoren gruppiert. Innerhalb der Merkmalsvektoren (z.B. bei der LVQ) können die Merkmale unterschiedlich gewichtet werden. Erfindungsgemäß erfolgt zudem eine Gewichtung der Klassifikatoren bzw. der Ergebnisse der Klassifikatoren. Die Extraktion von mehreren unterschiedlichen Merkmalen und eine Gewichtung der Ergebnisse der Klassifikatoren im Rahmen der mathematischen Optimierungsmethode führen zu einer verbesserten Erkennung der Schmelzkurven in einer Testmenge. Erfindungsgemäß werden daher viele unterschiedliche (zum Teil nicht direkt ersichtliche) Merkmale einer zu analysierenden Schmelzkurve und weitere aus der Kurve abgeleitete Daten

(beispielsweise Fourier-Koeffizienten, Wavelet-Koeffizienten oder einfache Merkmale) herangezogen. Jeder der Klassifikatoren verwendet jeweils teilweise unterschiedliche Merkmale, wobei die Ergebnisse der Klassifikatoren unterschiedlich gewichtet werden. Das erfindungsgemäße Verfahren ermöglicht daher eine dem konkreten Anwendungsfall angepasste Auswahl von relevanten Merkmalen in einem multidimensionalen

Merkmalsraum (beispielsweise > 10 Merkmale).

Das erfindungsgemäße Schmelzkurvenanalyseverfahren eignet sich für beliebige asymmetrische oder symmetrische PCR-Verfahren oder eine Kombination davon. In einer bevorzugten Ausführungsform umfasst das Oligonukleotid-Primerpaar einen Überschuss- Primer und einen limitierenden Primer bei der Amplifikation. Dabei ist die Konzentration des limitierenden Primers so gewählt, dass er, sobald das Signal des Targets aus dem Untergrundrauschen hervortritt, erschöpft ist. Dabei soll die Schmelztemperatur des limitierenden Primers höher sein als die Schmelztemperatur des Überschuss-Primers. Vorzugsweise ist die Temperatur des limitierenden Primers um bis zu 18° C höher als die Schmelztemperatur des Überschuss-Primers. In einer bevorzugten Variante handelt es sich bei der Ziel-Nukleinsäure um eine cDNA aus einem Organismus, beispielsweise einem Mikroorganismus (viral, bakteriell). Das Verfahren eignet sich auch für die Analyse der Genregulation oder zum Nachweis von prokaryotischen, eukaryotischen und oder viralen Gensequenzen. Ferner eignet sich das erfindungsgemäße Verfahren zum

Nachweis von Mutationen in einer Nukleinsäure-Sequenz. Eine erfindungsgemäße Nukleinsäure-Sequenz kann beispielsweise DNA und/oder RNA sein oder enthalten.

Daneben sind auch modifizierte Nukleinsäure-Sequenzen oder NukleinsäureDerivate von der Erfindung umfasst.

Die Erfindung betrifft ferner ein Testsystem zur Durchführung einer symmetrischen oder asymmetrischen Polymerase-Kettenreaktion (PCR) für den Nachweis einer Ziel- Nukleinsäure in einer Probe, umfassend eine Ziel-Nukleinsäure mit einer zu

amplifizierenden Nukleinsäure-Zielsequenz, eine thermostabile (DNA)-Polymerase, Desoxynukleosidtriphosphate (dNTPs), wenigstens ein zu der zu amplifizierenden Nukleinsäure-Zielsequenz komplementäres Oligonukleotid-Primerpaar, dessen Primer unter PCR-Bedingungen an den zu amplifizierenden Bereich der Nukleinsäure- Zielsequenz hybridisieren, eine Datenerfassungseinheit zur Erfassung der über die Amplifikationsreaktionen bei der PCR erhaltenen Schmelzkurven, eine Analyseeinheit zur Schmelzkurvenanalyse der erhaltenen Schmelzkurven durch ein wie oben beschriebenes Verfahren.

Vorzugsweise kommen bei der PCR-Reaktion Nukleinsäuresonden zum Einsatz, die ein Reporter- und/oder Quenchermolekül umfassen. Das Testsystem kann beispielsweise zur Durchführung einer Multiplex-PCR oder Reverse Transkriptase (RT)-PCR oder quantitativen-(Multiplex)-Echtzeit-PCR (qPCR) oder (Multiplex)-LATE-PCR verwendet werden.

Aufgrund der Sensitivität und Detektionseffizienz eignet sich das erfindungsgemäße Verfahren zur Detektion von Allelen oder Mutationen, vorzugsweise Einzelmutationen, in einer Nukleinsäure-Sequenz. Die Erfindung betrifft daher auch ein Verfahren zum Nachweis von Mutationen in einer solchen Nukleinsäure-Sequenz, bei dem eine Probe in Anwesenheit von zu einem Bereich der Nukleinsäure-Sequenz spezifischen Sonden mit einer bereits amplifizierten Nukleinsäure-Zielsequenz erhitzt und anschließend schrittweise abgekühlt wird, während eine Erfassung des Schmelzkurvenverlaufs erfolgt, wobei beim Vorliegen einer Mutation in der Nukleinsäure-Sequenz sich die Schmelztemperatur einer Sonde und somit der Schmelzkurvenverlauf verändert, wobei die Schmelzkurvenanalyse wie oben beschrieben durchgeführt wird. Tests mit realen Patientendaten haben ergeben, dass es für eine gute Erkennungsrate entscheidend ist, mehrere Merkmale und möglichst nur relevante Merkmale zu verwenden, die in die Merkmalsvektoren einfließen. Demnach werden für jeden Anwendungsfall die passenden Merkmale ausgewählt und die eingesetzten Klassifikatoren unterschiedlich gewichtet. Merkmale können beispielsweise der Kurvenverlauf, Wendepunkte oder

Frequenzanteile sein.

Das erfindungsgemäße Verfahren ermöglicht eine hohe Auflösung und Erkennungsrate. Dadurch können beispielsweise Mutanten einer Bakterienart zuverlässig bestimmt werden, bei denen lediglich ein Basenpaar im Vergleich zum Wildtyp ausgetauscht ist. Herkömmliche Methoden würden zu visuell ähnlichen Schmelzkurven führen.

Durch die hohe Genauigkeit des erfindungsgemäßen Verfahrens kann eine Typisierung von Arten selbst bei geringsten Varianzen durchgeführt werden. Um diese gute Erkennungsrate zu gewährleisten, müssen daher verschiedene Algorithmen oder Merkmalssätze vorhanden sein, um zwischen bestimmten, sehr ähnlichen Klassen von Kurven eine korrekte

Unterscheidung sicherzustellen. Durch die erfindungsgemäße Extraktion bestimmter Merkmale einer Schmelzkurve zur Bildung von Merkmalsvektoren, der Gewichtung und den Einsatz unterschiedlicher Klassifikatoren wird dieses Ziel erreicht. Wege zur Ausführung der Erfindung:

Die Erfindung wird in den nachfolgenden Ausführungsbeispielen näher erläutert. Eine PCR-Reaktionsmischung bestehend aus DNA (200 U/10 μΙ) Kien Taq-Enzym (0,8 U/10 μΙ), 0,2 mM dNTP, PCR-Puffer und 0,2 μΜ Primer wurden 40 thermischen PCR- Zyklen (denaturierende Probe bei 94° C, Annealing bei 40° C) ausgesetzt und die zu analysierenden Schmelzkurven aus den Fluoreszenzsignalen generiert. Hierfür wurden fluoreszenzmarkierte Primersonden eingesetzt, die mit Fluoreszein markiert sind.

Die erhaltenen Schmelzkurvendaten wurden zunächst vorverarbeitet und so dargestellt, dass die relevanten Merkmale repräsentiert sind (Fig. 1 A). Ferner wurden die Kurven mit einem Medianfilter geglättet, wobei ein Filter mit einem Fenster von fünf- und zehn pro Kurve angewendet wurde (Fig. 1 B). Schließlich wurde aus der so vorverarbeiteten Kurve die negative Ableitung der geglätteten Kurve berechnet (Fig. 1 C).

Für die Merkmalsextraktion wurden verschiedene Merkmalsvektoren für die verwendeten Klassifikatoren herangezogen, welche die relevanten Merkmale des Objektes beschreiben.

Mittels Fourier-Analyse wurden die im Signal erhaltenen Frequenzanteile ermittelt. In Fig. 2A ist das Amplitudenspektrum gemäß den Fourier-Koeffizienten gezeigt. In diesem Beispiel sind Frequenzanteile des Spektrums zu sehen, jeweils 20 am Anfang und am Ende. Zur Darstellung wird eine komplexe Zahl verwendet, was bei der Verarbeitung zu einem

Merkmalsvektor der Dimension 80 (40 komplexwertige Frequenzanteile; je 2 Zahlen als Realteil und Imaginärteil) führt.

Bei der Auswertung der einfachen Merkmale wurden die Peaks der Kurven analysiert, wobei drei positive Peaks (Maxima) und drei negative Peaks (Minima) bestimmt wurden. Die Maxima befinden sich mit einer Abweichung von fünf Kurvenpunkten bei 19, 90 und 28. Die Minima befinden sich bei 7,56 und 1 10, ebenfalls mit einer Abweichung von 5.

Für die Merkmale wird bei den Maxima der Maximalwert der Intervalle bestimmt, bei den Minima der entsprechende Minimalwert. Zusätzlich werden 20 Harmonische der Fourier- Analyse aufgenommen.

Die so extrahierten Merkmale einer Schmelzkurve werden mittels eines maschinellen Lernverfahrens analysiert. In dem hier gezeigten Beispiel erfolgt die Anwendung der lernenden Vektorquantisierung (LVQ), bei der die Merkmalsvektoren in eine Trainingsmenge und eine Testmenge aufgeteilt werden. Dabei werden Neuronen

(Prototypen) im Merkmalsraum verteilt und an die Trainingsdaten, die in der

Trainingsmenge enthalten sind, angepasst. Hier kommt die Distanzfunktion für die

Trainingsdaten und Neuronen zur Anwendung. Pro Klasse werden mehrere Neuronen verwendet, wobei diese zur Initialisierung auf einen zufällig gewichteten Schwerpunkt der Merkmalsvektoren positioniert werden.

Für das "Training" wählt die LVQ einen Merkmalsvektor der Trainingsmenge und ermittelt das am nächsten gelegene Neuron. Stimmt die Klasse des Merkmalsvektors mit der Klasse des nächstgelegenen Neurons überein, wird das nächstgelegene Neuron in Richtung des Merkmalsvektors bewegt. Stimmt die Klasse des Merkmalsvektors nicht mit dem

nächstgelegenen und nicht mit dem übernächstgelegenen Neuron überein, wird das nächstgelegene Neuron vom Merkmalsvektor weg bewegt. Dieser Vorgang wird mit unterschiedlichen Merkmalsvektoren mehrfach wiederholt. Die daraus entstandene Konfiguration der Neuronen wird temporär gespeichert.

Die Qualität des Trainings wird mit der Testmenge überprüft und das Training wird für verschiedene Initialisierungen wiederholt. Die Konfiguration der Neuronen für die beste Erkennung der Trainingsdaten wird gespeichert.

Dieser Zusammenhang ist in den Figuren 2B und 2C gezeigt. In der Figur 2B erkennt man die in einem Merkmalsraum verteilten Neuronen. Der Abstand eines jeden Neurons zu jedem Trainingsobjekt wird iterativ bestimmt. Gehören das aktuell betrachtete

Trainingsobjekt und Neuron der gleichen Klasse an, so wird das Neuron in Richtung Trainingsobjekt verschoben, ansonsten in die Gegenrichtung bewegt (Fig. 2C). Die Größe der Verschiebungen kann mit einem Parameter festgesetzt werden. In Fig. 2C ist die iterative Neuronenverteilung im Rahmen des Trainings gezeigt. Nach einer bestimmten Anzahl von Iterationen erhält man ein angelerntes Netzwerk ohne eine finale Verteilung der Neuronen (Fig. 3A). Die Zuordnung eines unbekannten Objektes zu einer angelernten Klasse geschieht über die Ermittlung des kleinsten Abstandes der Objektmerkmale zu einem Neuron. Dies ist für die Klassifikation erforderlich. Das Neuron, welches dem Objekt am nächsten ist, bestimmt dessen Klassenzugehörigkeit (Fig. 3B). Mittels einer nachgeschalteten Optimierung, beispielsweise über einen genetischen

Algorithmus (GA), wird die Distanzfunktion an die Testmenge angepasst, wodurch die Erkennung der Kurven in der Testmenge verbessert wird. Dabei entspricht ein

Lösungskandidat einem bestimmten Vektor d, welcher die Koeffizienten für die

Distanzfunktion beinhaltet. Die Qualität eines Lösungskandidaten errechnet sich aus der richtig klassifizierten Anzahl der Merkmalsvektoren der Testmenge für die jeweilige

Distanzfunktion. Lösungskandidaten mit hoher Qualität werden bevorzugt selektiert.

Diese selektierten Lösungskandidaten werden gekreuzt oder mutiert. Daraus wird eine neue Population an Lösungskandidaten generiert. Bei der Kreuzung werden Elemente der Lösungskandidaten zufällig von dem einen oder anderen Lösungskandidaten übernommen. Bei der Mutation werden Elemente eines Lösungskandidaten zufällig verändert. Die Distanz berechnet sich für zwei Vektoren, einen Merkmalsvektor x und ein Neuron y für n Dimensionen mittels eines Faktors d, (Werte zwischen 0 und 1 ) durch

Diese Distanzfunktion wird ebenfalls abgespeichert und dient mit der Konfiguration der Neuronen zur Erkennung neuer Kurven. Ist der Wert für d, für eine Komponente

(Richtung) = 0, dann hat der Abstand von Objekt und Neuron in diese Richtung keinen Einfluss mehr.

Um das Klassifikationsergebnis zu evaluieren, wird die Unähnlichkeit eines Merkmalsvektors bestimmt. Die Unähnlichkeit berechnet sich aus dem Quotienten der durchschnittlichen Entfernung des Merkmalsvektors zu allen Neuronen zu einer zugeordneten klassifizierten Klasse und der Summe der durchschnittlichen Entfernung zu allen Prototypen der anderen Klassen. Je höher der Quotient ist, desto unähnlicher ist der Merkmalsvektor zu seiner Klasse.