信息处理装置、导出方法及导出程序

技术领域

本申请主张基于2018年6月13日申请的日本专利申请第2018-112878号的优先权，并通过参考将其全部内容援用于本说明书。

本公开的技术涉及一种信息处理装置、导出与分化细胞相关的信息的导出方法及导出程序。

背景技术

作为推测评价对象的细胞特性的技术，已知有以下技术。例如，日本特开2011-229410号公报中记载有如下细胞评价装置，其具备：图像读入部，读入以时序列拍摄有在培养容器内培养的多个细胞的多个图像；特征量运算部，针对图像中包含的各个细胞，从图像分别求出表示不同的多个形态特征的多个不同特征量；及计算模型构筑部，构筑用于评价细胞的特性的计算模型。

国际公开第2010/131641号中记载有如下技术，即，利用教师、机器学习方法或半教师、机器学习方法，判别细胞未分化状态及细胞分化状态、相对于细胞分化的抵抗性。

日本特开2017-009314号公报中记载有用于对学习数据进行机器学习的示教数据的创建支援方法，所述学习数据用于根据拍摄携带细胞的载体而得的对象物的形态将对象物进行分类。该方法中具备：显示工序，将包含用于创建示教数据的对象物的示教图像显示于显示部，从而能够进行对象物的分类；及数据创建工序，接收显示于显示部的对象物的分类结果，对分类结果和示教图像建立关联来创建示教数据。

发明内容

发明要解决的技术课题

iPS细胞(诱导多能干细胞，induced pluripotent stem cell)及ES细胞(胚胎干细胞，embryonic stem cells)等多能干细胞为潜在地具有分化为活体的各种组织的能力的细胞，能够分化为内胚层、中胚层、外胚层的全部。如此，将细胞向不同细胞种分化的能力称为分化能力。然而，多能干细胞在每次克隆中的分化能力都不同，根据情况，还存在无法分化为特定细胞的情况。这种分化能力的不均匀性在经过对多能干细胞的分化诱导工序之后才变得明确。

另一方面，从多能干细胞的构建到获得内胚层、中胚层、外胚层等分化后的细胞(以下，称为分化细胞)为止，需要比较长的期间(例如3个月)。在来源于多能干细胞的再生医疗产品的生产中，多能干细胞中的分化能力的不均匀性成为使生产率显著降低的主要原因之一。因此，认为关于多能干细胞的分化能力，若能够在获得分化细胞之前的阶段进行估计，则能够改善来源于多能干细胞的再生医疗产品的生产率及品质。

公开的技术是鉴于上述点而完成的，提供一种在多能干细胞通过分化诱导分化为特定分化细胞之前进行与该多能干细胞的分化能力相关的估计的信息处理装置、导出方法及导出程序。

用于解决技术课题的手段

本公开的技术所涉及的信息处理装置包含：获取部，获取表示从多能干细胞的生成至所述多能干细胞通过分化诱导分化为特定分化细胞为止的细胞状态的细胞信息及表示用于获得所述分化细胞的处理工序中的履历的工序履历信息；及导出部，根据通过所述获取部获取的所述细胞信息及所述工序履历信息，导出表示所述多能干细胞的分化能力的分化能力信息。

根据本公开的技术所涉及的信息处理装置，能够在多能干细胞通过分化诱导分化为特定分化细胞之前进行与该多能干细胞的分化能力相关的估计。

所述导出部可以将通过所述获取部获取的所述细胞信息及所述工序履历信息输入至估计模型来导出所述分化能力信息。所述估计模型可以设为将学习用的所述细胞信息及学习用的所述工序履历信息和学习用类别信息的多个组合用作学习用数据并通过机器学习学习的模型，所述学习用类别信息表示由所述学习用的所述细胞信息表示的状态的细胞经过由学习用的所述工序履历信息表示的工序履历来获得的分化细胞的类别。

由此，能够在多能干细胞通过分化诱导分化为特定分化细胞之前进行与该多能干细胞的分化能力相关的估计。

所述导出部可以分别针对内胚层、中胚层、外胚层导出表示分化为该胚层的几率的分数作为所述分化能力信息。

由此，能够定量地掌握多能干细胞的分化能力。

所述细胞信息可以包含与所述多能干细胞的外观相关的外观信息、与所述多能干细胞的基因相关的基因信息、与从所述多能干细胞分泌的分泌物相关的分泌物信息及与在所述多能干细胞的构建中使用的体细胞的提供者相关的供体信息中的至少1个。

由此，能够提高多能干细胞的分化能力的估计精度。

所述细胞信息可以还包含与所述多能干细胞在分化诱导之前脱离未分化状态的未分化脱离细胞相关的信息。

由此，能够进一步提高多能干细胞的分化能力的估计精度。

所述工序履历信息可以包含表示在所述处理工序中进行了工作的工作人员的工作人员信息、表示在所述处理工序中使用的设备的设备信息、在所述处理工序中使用的培养基及试剂的识别信息、表示所述处理工序中的环境的环境信息中的至少1个。

由此，能够提高多能干细胞的分化能力的估计精度。

本公开的技术所涉及的导出方法包含使计算机执行如下处理：获取表示从多能干细胞的生成至多能干细胞通过分化诱导分化为特定分化细胞为止的细胞状态的细胞信息及表示用于获得所述分化细胞的处理工序中的履历的工序履历信息，根据所述获取到的所述细胞信息及所述工序履历信息，导出表示所述多能干细胞的分化能力的分化能力信息。

本公开的技术所涉及的导出程序使计算机执行包含如下的处理：获取表示从多能干细胞的生成至所述多能干细胞通过分化诱导分化为特定分化细胞为止的细胞状态的细胞信息及表示用于获得所述分化细胞的处理工序中的履历的工序履历信息，

根据所述获取到的所述细胞信息及所述工序履历信息，导出表示所述多能干细胞的分化能力的分化能力信息。

发明效果

根据本公开的技术，能够在多能干细胞通过分化诱导分化为特定分化细胞之前进行与该多能干细胞的分化能力相关的估计。

附图说明

图1是表示从多能干细胞获得内胚层、中胚层、外胚层等分化细胞为止所进行的处理的大致流程的一例的工序流程图。

图2是表示本公开的技术的实施方式所涉及的信息处理装置的、学习阶段中的功能结构的一例的功能框图。

图3是表示本公开的技术的实施方式所涉及的估计模型的结构的一例的图。

图4是表示本公开的技术的实施方式所涉及的信息处理装置的运用阶段中的功能结构的一例的功能框图。

图5是表示本公开的技术的实施方式所涉及的信息处理装置的硬件结构的一例的图。

图6是表示本公开的技术的实施方式所涉及的学习处理的流程的一例的流程图。

图7是表示本公开的技术的实施方式所涉及的分化能力估计处理的流程的一例的流程图。

具体实施方式

以下，参考附图对本公开的实施方式进行说明。另外，各附图中，对实质上相同或等价的构成要件或部分标注相同的参考符号。

图1是表示从多能干细胞获得内胚层、中胚层、外胚层等分化细胞(胚层)为止所进行的处理的大致流程的一例的工序流程图。

在第1工序P1中，进行从采集自活体的体细胞构建多能干细胞的处理。在例如将iPS细胞用作多能干细胞时，在第1工序P1中，进行例如使用胎体质粒(Episomal Plasmid)对采集自活体的体细胞导入初始化因子(Oct3/4、Sox2、c-Myc、Klf4)的处理。

在第2工序P2中，进行使多能干细胞增殖的扩大培养。在第2工序P2中，例如进行基于在涂布有基质的烧瓶上培养多能干细胞的粘接培养方式的扩大培养。在扩大培养中，在培养期间内的适当的时期，进行将已使用的培养基更换为新鲜的培养基的培养基更换处理。并且，随着细胞的生长，进行剥离、回收细胞并重新播种到新的烧瓶的处理(传代处理)。扩大培养并不限于粘接培养，还能够采用利用旋转烧瓶等的悬浮培养方式。

在第3工序P3中，进行使多能干细胞分化为分化细胞(胚层)的分化诱导。在第3工序P3中，例如进行向多能干细胞添加分化诱导剂的处理。作为分化诱导剂，使用FGF-2、Activin、BMP-4等各种生长因子、细胞因子或BMP信号抑制剂、Wnt信号抑制剂等各种信号抑制剂。通过经过上述各工序，多能干细胞通常分化为内胚层、中胚层、外胚层中的任一个。然而，多能干细胞的分化能力并不均匀，存在不会分化为内胚层、中胚层及外胚层中的任一个的多能干细胞。

以下说明的本公开的技术的实施方式所涉及的信息处理装置在多能干细胞通过分化诱导分化为特定分化细胞(胚层)之前，进行与该多能干细胞的分化能力相关的估计。信息处理装置利用估计模型进行上述估计。估计模型通过在学习阶段进行利用学习用数据的机器学习来构筑。

图2是表示本公开的技术的实施方式所涉及的信息处理装置1的、学习阶段中的功能结构的一例的功能框图。

信息处理装置1具备学习部20及存储部10。存储部10中存储有学习用数据11及估计模型12。下述表1中示出有学习用数据11的内容的一例。学习用数据11由学习用细胞信息及学习用工序履历信息和学习用分化细胞信息的多个组合构成。学习用数据11是用于通过机器学习使估计模型12学习如下内容的数据，即，何种状态的多能干细胞及在其构建中使用的活体细胞经过何种工序履历，可获得何种分化细胞。学习用数据11分别根据基于实验的实际数据构成。

[表1]

细胞信息是表示从成为基于信息处理装置1的分化能力估计对象的多能干细胞(以下，称为对象干细胞)的生成(构建)到该多能干细胞通过分化诱导分化为特定分化细胞(胚层)为止的、该对象干细胞及在该对象干细胞的构建中使用的活体细胞的状态的信息。细胞信息中包含外观信息、基因信息、分泌物信息及供体信息。

外观信息为与对象干细胞的外观相关的信息。外观信息中例如包含该对象干细胞的当量圆直径、圆度及核小体密度。这些信息例如能够在第1工序P1、第2工序P2及第3工序P3中的至少1个工序中，从通过拍摄对象干细胞而获取的图像获取。

基因信息为与对象干细胞的基因相关的信息。基因信息中包含表示该对象干细胞的未分化性维持程度的指标值。作为表示对象干细胞的未分化性维持程度的指标值，例如可举出细胞表面标记(SSEA-3、Tra-1-60等)的阳性率或未分化标记基因(OCT3/4、NANOG等)的表达量。基因信息例如通过对在第1工序P1、第2工序P2及第3工序P3中的至少1个工序中提取的对象干细胞进行基因分析来获取。

分泌物信息为与从对象干细胞分泌的分泌物相关的信息。分泌物信息中例如包含在第2工序P2中从对象干细胞分泌的乳酸盐等分泌物的浓度等。

供体信息为与在对象干细胞的构建中使用的体细胞的提供者相关的信息。供体信息中例如包含该体细胞的提供者的种族、性别及年龄。

工序履历信息为表示用于获得分化细胞(胚层)的处理工序(第1工序P1、第2工序P2及第3工序P3)中的工序履历的信息。工序履历信息中包含工作人员信息、设备信息、培养基及试剂的识别信息及环境信息。

工作人员信息为表示分别在第1工序P1、第2工序P2及第3工序P3中进行了工作的工作人员的信息。

设备信息为表示分别在第1工序P1、第2工序P2及第3工序P3中使用的设备及设备运行条件等的信息。

培养基及试剂的识别信息为分别在第1工序P1、第2工序P2及第3工序P3中使用的培养基及试剂的批号等识别信息。

环境信息为表示在第1工序P1、第2工序P2及第3工序P3的各工序中围绕对象干细胞的环境的状态的信息。环境信息中例如包含环境温度(气温)、湿度、培养基温度、培养基中的氧浓度及室内的清洁度。

分化细胞信息为与通过分化诱导获得的分化细胞相关的信息。分化细胞信息中包含类别信息。类别信息为表示由细胞信息表示的状态的多能干细胞经过由工序履历信息表示的工序履历而获得的分化细胞的类别(即，是内胚层、中胚层、外胚层中的哪一个)的信息。类别信息包含分别与内胚层、中胚层及外胚层相对应的3个分数。所获得的分化细胞的类别例如为内胚层时，与内胚层相对应的分数例如为100，与中胚层及外胚层相对应的分数分别例如为0。并且，分化细胞信息中可以包含与从心肌细胞及神经细胞等的胚层进一步分化的目标细胞相关的信息。

图3是表示估计模型12的结构的一例的图。估计模型12设为包含输入层、多个中间层及输出层的神经网络。估计模型12为进行虚拟实验的模型，在估计模型12的输入层输入1个以上的细胞信息及1个以上的工序履历信息。从估计模型12的输出层输出与输入至输入层的细胞信息及工序履历信息的组合相对应的表示对象干细胞的分化能力的指标值。表示对象干细胞的分化能力的指标值与学习用数据11中包含的类别信息相对应，包含3个分数而构成。上述3个分数中的其中1个表示对象干细胞分化为内胚层的几率，上述3个分数中的另一个表示对象干细胞分化为中胚层的几率，上述3个分数中的最后1个表示对象干细胞分化为外胚层的几率。

学习部20利用学习用数据11，根据作为机器学习的一例的误差逆传播法使估计模型12进行学习。具体而言，学习部20将学习用数据11中包含的学习用细胞信息及学习用工序履历信息输入至估计模型12，获取从估计模型12输出的表示对象干细胞的分化能力的指标值(即，分别表示分化为内胚层、中胚层、外胚层的几率的3个分数)。并且，学习部20以所获取的指标值与学习用数据11中包含的由和该细胞信息及工序履历信息的组合相对应的学习用类别信息(分化细胞信息)表示的分数之差成为最小的方式，使估计模型12进行学习。

学习部20利用学习用数据11中包含的细胞信息及工序履历信息和类别信息(分化细胞信息)的所有组合进行使估计模型12学习的处理。另外，学习部20也可以利用学习用数据11中包含的细胞信息及工序履历信息和类别信息(分化细胞信息)的组合的一部分来使估计模型12进行学习。

图4是表示本公开的技术的实施方式所涉及的信息处理装置1的、运用已学习的估计模型12对对象干细胞的分化能力进行估计的运用阶段中的功能结构的一例的功能框图。信息处理装置1具备获取部31、导出部32、输出部33及存储部10。存储部10中存储有在学习阶段通过进行机器学习来构筑的已学习的估计模型12。

获取部31获取经由输入部44(参考图5)输入的细胞信息及工序履历信息。

导出部32将通过获取部31获取的细胞信息及工序履历信息输入至已学习的估计模型12，导出从估计模型12输出的表示对象干细胞的分化能力的指标值作为分化能力信息。具体而言，导出部32导出分别表示对象干细胞分化为内胚层、中胚层、外胚层的几率的3个分数作为分化能力信息。

输出部33将通过导出部32导出的分化能力信息输出至显示部43(参考图5)。另外，输出部33也可以将通过导出部32导出的分化能力信息输出(存储)至存储部10。

图5是表示信息处理装置1的硬件结构的一例的图。信息处理装置1具备CPU(中央处理器，Central Processing Unit)41、作为暂存区域的存储器42及非易失性存储部10。并且，信息处理装置1具备液晶显示器等作为显示器件的显示部43及键盘及鼠标等作为输入器件的输入部44。CPU41、存储器42、存储部10、显示部43及输入部44经由总线45连接。

存储部10例如通过HDD(硬盘驱动器，Hard Disk Drive)、SSD(固态驱动器，SolidState Drive)及闪存等非易失性(持续性：非短暂性，non-transitory)的存储介质实现。存储部10中存储有学习程序51、学习用数据11、估计模型12、分化能力估计程序52。CPU41在存储器42展开学习程序51及分化能力估计程序52之后执行。通过由CPU41执行学习程序51，CPU41作为学习部20发挥作用。并且，通过由CPU41执行分化能力估计程序52，CPU41作为获取部31、导出部32及输出部33发挥作用。

图6是表示通过由CPU41执行学习程序51来实施的学习处理的流程的一例的流程图。CPU41例如在学习阶段，在由用户经由输入部44输入有学习处理的执行指示时执行学习程序。

在步骤S11中，学习部20读出存储于存储部10的学习用数据11。学习用数据11由学习用细胞信息及学习用工序履历信息和学习用类别信息(分化细胞信息)的多个组合构成。

在步骤S12中，学习部20生成估计模型12。另外，估计模型12的输入层的节点数、中间层的层数和节点数及权重的初始值等为了生成估计模型而所需的参数由用户设定。

在步骤S13中，学习部20利用学习用数据11，根据误差逆传播法使估计模型12进行学习。具体而言，学习部20将学习用数据11中包含的细胞信息及工序履历信息输入至估计模型12，获取从估计模型12输出的表示对象干细胞的分化能力的指标值(即，分别表示分化为内胚层、中胚层、外胚层的几率的3个分数)。并且，学习部20以所获取的指标值与学习用数据11中包含的由和该细胞信息及工序履历信息的组合相对应的类别信息(分化细胞信息)表示的3个分数之差成为最小的方式，使估计模型12进行学习。

在步骤S14中，学习部20将通过步骤S13的处理构筑的已学习的估计模型12存储于存储部10。若步骤S14的处理结束，则学习处理结束。

图7是表示通过由CPU41执行分化能力估计程序52来实施的分化能力估计处理的流程的一例的流程图。CPU41例如在运用阶段，在由用户经由输入部44输入有分化能力估计处理的执行指示时执行分化能力估计程序。

在步骤S21中，CPU41作为获取部31发挥作用，获取经由输入部44输入的细胞信息及工序履历信息。细胞信息及工序履历信息在图1所示的第1工序P1、第2工序P2及第3工序P3中的至少1个工序中获取。

在步骤S22中，CPU41作为导出部32发挥作用，从存储部10读出已学习的估计模型12。

在步骤S23中，CPU41作为导出部32发挥作用，将在步骤S21中获取的细胞信息及工序履历信息输入至已学习的估计模型12，导出从估计模型12输出的表示对象干细胞的分化能力的指标值作为分化能力信息。具体而言，作为导出部32发挥作用的CPU41导出分别表示对象干细胞分化为内胚层、中胚层、外胚层的几率的3个分数作为分化能力信息。

在步骤S24中，CPU41作为输出部33发挥作用，将通过步骤S23的处理导出的分化能力信息输出至显示部43。若步骤S24的处理结束，则分化能力估计处理结束。

如上所述，根据本公开的技术的实施方式所涉及的信息处理装置1，通过输入多能干细胞分化之前的、在第1工序P1、第2工序P2及第3工序P3中的至少1个工序中获取的细胞信息及工序履历信息，导出表示对象干细胞的分化能力的指标值作为分化能力信息。具体而言，导出分别表示对象干细胞分化为内胚层、中胚层、外胚层的几率的3个分数。因此，能够在多能干细胞分化之前掌握对象干细胞分化为内胚层、中胚层、外胚层中的哪一胚层的几率相对高。即，根据本公开的技术的实施方式所涉及的信息处理装置1，能够在多能干细胞通过分化诱导分化为特定分化细胞之前进行与该多能干细胞的分化能力相关的估计。

因此，还能够采取根据所估计的分化能力选择在各工序中进行的处理协议的应对。例如，通过信息处理装置1估计为对象干细胞分化为内胚层的几率相对高时，在第2工序P2及第3工序P3中选择用于向内胚层诱导分化的处理协议，由此能够提高作为分化细胞的内胚层的产率及品质。

并且，根据本公开的技术的实施方式所涉及的信息处理装置1，对象干细胞不会分化为内胚层、中胚层及外胚层中的任一个的几率高时，作为分化能力信息而导出的上述3个分数均成为低分数。在这种情况下，能够通过中断处理来将损失抑制为最小限度。如此，通过利用通过本公开的技术的实施方式所涉及的信息处理装置1导出的分化能力信息来确定之后的方针，能够改善来源于多能干细胞的再生医疗产品的生产率及品质。

另外，在本实施方式中，例示了细胞信息包含外观信息、基因信息、分泌物信息及供体信息的情况，但细胞信息也可以包含外观信息、基因信息、分泌物信息及供体信息中的至少1个而构成，并且还可以包含这些以外的信息。

并且，在本实施方式中，例示了工序履历信息包含工作人员信息、设备信息、培养基及试剂的识别信息及环境信息的情况，但工序履历信息也可以包含工作人员信息、设备信息、培养基及试剂的识别信息及环境信息中的至少1个而构成，并且还可以包含这些以外的信息。

并且，可以由CPU以外的各种处理器执行在上述实施方式中由CPU执行软件(程序)来执行的各种处理。作为该情况下的处理器，可例示FPGA(现场可编程门阵列，Field-Programmable Gate Array)等能够在制造之后变更电路结构的PLD(可编程逻辑器件，Programmable Logic Device)及ASIC(专用集成电路，Application Specific IntegratedCircuit)等具有为了执行特定处理而专门设计的电路结构的处理器即专用电路等。并且，上述各种处理可以通过这些各种处理器中的1个执行，也可以通过相同种类或不同种类的2个以上的处理器的组合(例如，多个FPGA及CPU与FPGA的组合等)执行。并且，更具体而言，这些各种处理器的硬件结构为组合了半导体元件等电路元件的电路。

并且，上述实施方式中，对学习程序51及分化能力估计程序52预先存储(安装)于存储部10的方式进行了说明，但并不限定于此。学习程序51及分化能力估计程序52也可以通过记录于CD-ROM(光盘只读存储器，Compact Disk Read Only Memory)、DVD-ROM(数字通用盘只读存储器，Digital Versatile Disk Read Only Memory)及USB(通用串行总线，Universal Serial Bus)存储器等记录介质的方式提供。并且，学习程序51及分化能力估计程序52也可以设为经由网络从外部装置下载的方式。

[第2实施方式]

下述表2是示出本公开的技术的第2实施方式所涉及的细胞信息的一例的表。本实施方式所涉及的细胞信息包含未分化脱离细胞信息。未分化脱离细胞是在第3工序P3中进行分化诱导之前无意中脱离未分化状态的多能干细胞。未分化脱离细胞被认为是由于特定基因的出现而特异性地产生的细胞。未分化脱离细胞信息为与该未分化脱离细胞相关的信息。例如，认为未分化脱离细胞的基因信息与从和该未分化脱离细胞共同的途径构建的多能干细胞的分化能力具有相关性。因此，在本实施方式中，细胞信息包含未分化脱离细胞信息而构成。

[表2]

即，在学习阶段，学习部20将学习用数据11中包含的、包含未分化脱离细胞信息的学习用细胞信息及工序履历信息输入至估计模型12，获取从估计模型12输出的表示对象干细胞的分化能力的指标值(即，分别表示分化为内胚层、中胚层、外胚层的几率的3个分数)。并且，学习部20以所获取的指标值与学习用数据11中包含的由和该细胞信息及工序履历信息的组合相对应的学习用类别信息(分化细胞信息)表示的分数之差成为最小的方式，使估计模型12进行学习。

并且，在运用阶段，导出部32将包含未分化脱离细胞信息的细胞信息及工序履历信息输入至已学习的估计模型12，导出从估计模型12输出的表示对象干细胞的分化能力的指标值作为分化能力信息。具体而言，导出部32导出分别表示对象干细胞分化为内胚层、中胚层、外胚层的几率的3个分数作为分化能力信息。

如以上，根据本实施方式所涉及的信息处理装置1，认为与多能干细胞的分化能力具有相关性的未分化脱离细胞信息用于多能干细胞的分化能力的估计，因此能够更加提高分化能力的估计精度。

上述各实施方式中，例如能够将以下示出的各种处理器(processor)用作学习部20、获取部31、导出部32、输出部33之类的执行各种处理的处理部(处理单元，processingunit)的硬件结构。如上所述，上述各种处理器中，除了执行软件(程序)来作为各种处理部而发挥作用的通用的处理器即CPU，还包含FPGA(现场可编程门阵列，Field ProgrammableGate Array)等能够在制造之后变更电路结构的处理器即可编程逻辑器件(ProgrammableLogic Device：PLD)、具有ASIC(专用集成电路，Application Specific IntegratedCircuit)等为了执行特定的处理而专门设计的电路结构的处理器即专用电路等。

1个处理部可由这些各种处理器中的1个构成，也可以通过相同种类或不同种类的2个以上的处理器的组合(例如，多个FPGA的组合或CPU和FPGA的组合)构成。并且，也可以由1个处理器构成多个处理部。

作为由1个处理器构成多个处理部的例子，第1，有如客户机及服务器等计算机为代表，由1个以上的CPU和软件的组合构成1个处理器，该处理器作为多个处理部发挥作用的方式。第2，有如系统芯片(System On Chip:SoC)等为代表，使用通过1个IC(集成电路，Integrated Circuit)芯片实现包含多个处理部的整个系统的功能的处理器的方式。如此，各种处理部作为硬件结构利用上述各种处理器的1个以上来构成。

而且，作为这些各种处理器的硬件结构，更具体而言，能够利用组合了半导体元件等电路元件的电路(Circuitry)。