CN118020107A - 制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序 - Google Patents
制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序 Download PDFInfo
- Publication number
- CN118020107A CN118020107A CN202280065346.2A CN202280065346A CN118020107A CN 118020107 A CN118020107 A CN 118020107A CN 202280065346 A CN202280065346 A CN 202280065346A CN 118020107 A CN118020107 A CN 118020107A
- Authority
- CN
- China
- Prior art keywords
- candidate
- preservation
- solution
- protein
- machine learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 35
- 238000003860 storage Methods 0.000 claims abstract description 250
- 239000000243 solution Substances 0.000 claims abstract description 176
- 238000005259 measurement Methods 0.000 claims abstract description 79
- 239000003761 preservation solution Substances 0.000 claims abstract description 75
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 47
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 39
- 239000003814 drug Substances 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004321 preservation Methods 0.000 claims abstract description 27
- 238000002474 experimental method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000000654 additive Substances 0.000 claims description 25
- 230000000996 additive effect Effects 0.000 claims description 18
- 239000000872 buffer Substances 0.000 claims description 16
- 239000004094 surface-active agent Substances 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 239000012906 subvisible particle Substances 0.000 claims description 11
- 238000000113 differential scanning calorimetry Methods 0.000 claims description 9
- 238000000329 molecular dynamics simulation Methods 0.000 claims description 9
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000002296 dynamic light scattering Methods 0.000 claims description 4
- 238000001542 size-exclusion chromatography Methods 0.000 claims description 4
- 239000002904 solvent Substances 0.000 claims description 4
- 239000011550 stock solution Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 2
- 125000003275 alpha amino acid group Chemical group 0.000 claims 1
- 230000015654 memory Effects 0.000 description 31
- 238000009826 distribution Methods 0.000 description 29
- 235000018102 proteins Nutrition 0.000 description 25
- 238000010586 diagram Methods 0.000 description 18
- 150000001413 amino acids Chemical group 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 229940079593 drug Drugs 0.000 description 8
- 229960000074 biopharmaceutical Drugs 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 108020004414 DNA Proteins 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000379 Fibroblast growth factor 2 Proteins 0.000 description 3
- 229940125644 antibody drug Drugs 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- KWTQSFXGGICVPE-UHFFFAOYSA-N 2-amino-5-(diaminomethylideneamino)pentanoic acid;hydron;chloride Chemical compound Cl.OC(=O)C(N)CCCN=C(N)N KWTQSFXGGICVPE-UHFFFAOYSA-N 0.000 description 2
- 102000053602 DNA Human genes 0.000 description 2
- 102000003974 Fibroblast growth factor 2 Human genes 0.000 description 2
- 108090000723 Insulin-Like Growth Factor I Proteins 0.000 description 2
- 102000014150 Interferons Human genes 0.000 description 2
- 108010050904 Interferons Proteins 0.000 description 2
- DCXYFEDJOCDNAF-REOHCLBHSA-N L-asparagine Chemical compound OC(=O)[C@@H](N)CC(N)=O DCXYFEDJOCDNAF-REOHCLBHSA-N 0.000 description 2
- 102000013275 Somatomedins Human genes 0.000 description 2
- CZMRCDWAGMRECN-UGDNZRGBSA-N Sucrose Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 CZMRCDWAGMRECN-UGDNZRGBSA-N 0.000 description 2
- 229930006000 Sucrose Natural products 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 2
- 229940024606 amino acid Drugs 0.000 description 2
- 235000001014 amino acid Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000539 dimer Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 229940079322 interferon Drugs 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- HDTRYLNUVZCQOY-UHFFFAOYSA-N α-D-glucopyranosyl-α-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OC1C(O)C(O)C(O)C(CO)O1 HDTRYLNUVZCQOY-UHFFFAOYSA-N 0.000 description 1
- 108010077480 Albumin Receptors Proteins 0.000 description 1
- 239000004475 Arginine Substances 0.000 description 1
- DCXYFEDJOCDNAF-UHFFFAOYSA-N Asparagine Natural products OC(=O)C(N)CC(N)=O DCXYFEDJOCDNAF-UHFFFAOYSA-N 0.000 description 1
- 108010039209 Blood Coagulation Factors Proteins 0.000 description 1
- 102000015081 Blood Coagulation Factors Human genes 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000011231 Crohn disease Diseases 0.000 description 1
- 102000004127 Cytokines Human genes 0.000 description 1
- 108090000695 Cytokines Proteins 0.000 description 1
- FBPFZTCFMRRESA-FSIIMWSLSA-N D-Glucitol Natural products OC[C@H](O)[C@H](O)[C@@H](O)[C@H](O)CO FBPFZTCFMRRESA-FSIIMWSLSA-N 0.000 description 1
- FBPFZTCFMRRESA-JGWLITMVSA-N D-glucitol Chemical compound OC[C@H](O)[C@@H](O)[C@H](O)[C@H](O)CO FBPFZTCFMRRESA-JGWLITMVSA-N 0.000 description 1
- 102000003951 Erythropoietin Human genes 0.000 description 1
- 108090000394 Erythropoietin Proteins 0.000 description 1
- 108010076282 Factor IX Proteins 0.000 description 1
- 108010023321 Factor VII Proteins 0.000 description 1
- 108010054218 Factor VIII Proteins 0.000 description 1
- 102000001690 Factor VIII Human genes 0.000 description 1
- 102000012673 Follicle Stimulating Hormone Human genes 0.000 description 1
- 108010079345 Follicle Stimulating Hormone Proteins 0.000 description 1
- 102000051325 Glucagon Human genes 0.000 description 1
- 108060003199 Glucagon Proteins 0.000 description 1
- 208000031220 Hemophilia Diseases 0.000 description 1
- 208000009292 Hemophilia A Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 102000015696 Interleukins Human genes 0.000 description 1
- 108010063738 Interleukins Proteins 0.000 description 1
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000036758 Postinfectious cerebellitis Diseases 0.000 description 1
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- HDTRYLNUVZCQOY-WSWWMNSNSA-N Trehalose Natural products O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 HDTRYLNUVZCQOY-WSWWMNSNSA-N 0.000 description 1
- HDTRYLNUVZCQOY-LIZSDCNHSA-N alpha,alpha-trehalose Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@@H]1O[C@@H]1[C@H](O)[C@@H](O)[C@H](O)[C@@H](CO)O1 HDTRYLNUVZCQOY-LIZSDCNHSA-N 0.000 description 1
- 239000000611 antibody drug conjugate Substances 0.000 description 1
- 229940049595 antibody-drug conjugate Drugs 0.000 description 1
- 229960003121 arginine Drugs 0.000 description 1
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 1
- 235000009697 arginine Nutrition 0.000 description 1
- 229960001230 asparagine Drugs 0.000 description 1
- 235000009582 asparagine Nutrition 0.000 description 1
- 239000003114 blood coagulation factor Substances 0.000 description 1
- 239000007853 buffer solution Substances 0.000 description 1
- 210000004899 c-terminal region Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 229940105423 erythropoietin Drugs 0.000 description 1
- -1 etc.) Proteins 0.000 description 1
- 229940028334 follicle stimulating hormone Drugs 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 108020001507 fusion proteins Proteins 0.000 description 1
- 102000037865 fusion proteins Human genes 0.000 description 1
- 230000009477 glass transition Effects 0.000 description 1
- MASNOZXLGMXCHN-ZLPAWPGGSA-N glucagon Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(O)=O)C(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC=1NC=NC=1)[C@@H](C)O)[C@@H](C)O)C1=CC=CC=C1 MASNOZXLGMXCHN-ZLPAWPGGSA-N 0.000 description 1
- 229960004666 glucagon Drugs 0.000 description 1
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 230000002132 lysosomal effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000002105 nanoparticle Substances 0.000 description 1
- 239000000546 pharmaceutical excipient Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 101150086837 pic gene Proteins 0.000 description 1
- OXCMYAYHXIHQOA-UHFFFAOYSA-N potassium;[2-butyl-5-chloro-3-[[4-[2-(1,2,4-triaza-3-azanidacyclopenta-1,4-dien-5-yl)phenyl]phenyl]methyl]imidazol-4-yl]methanol Chemical compound [K+].CCCCC1=NC(Cl)=C(CO)N1CC1=CC=C(C=2C(=CC=CC=2)C2=N[N-]N=N2)C=C1 OXCMYAYHXIHQOA-UHFFFAOYSA-N 0.000 description 1
- 125000002924 primary amino group Chemical group [H]N([H])* 0.000 description 1
- 229940023143 protein vaccine Drugs 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000600 sorbitol Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000005720 sucrose Substances 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 239000013638 trimer Substances 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/48—Automatic or computerized control
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Crystallography & Structural Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种制药支援装置，其具备处理器，处理器进行如下处理：获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；根据蛋白质信息及处方信息导出与多种候选保存溶液的每一种的保存稳定性有关的多个特征量；将特征量输入到第1机器学习模型中，并从第1机器学习模型中输出表示候选保存溶液的保存稳定性的第1分数；针对根据第1分数从多种候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；及将测量数据及先前导出的多个特征量中的选出候选保存溶液的特征量输入到第2机器学习模型中，并从第2机器学习模型中输出表示选出候选保存溶液的保存稳定性的第2分数。
Description
技术领域
本发明的技术涉及一种制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序。
背景技术
最近，生物医药品因高药效及副作用少而受到关注。生物医药品例如将干扰素、抗体之类的蛋白质作为有效成分。在保存溶液中保存生物医药品。为了稳定地维持生物医药品的品质，使保存溶液的处方(也称为制剂处方)适合于生物医药品是很重要的。
保存溶液包含缓冲液、添加剂及表面活性剂。保存溶液的处方例如为这些缓冲液、添加剂及表面活性剂各自的种类和浓度以及保存溶液本身的氢离子指数(pH(PotentialOf Hydrogen：酸碱度)值)。
以往，在决定保存溶液的处方时，进行改变缓冲液、添加剂及表面活性剂的组合等而制备多种保存溶液，并通过实际实验确认各保存溶液的保存稳定性。然而，这样的作业非常费工夫。因此，例如提出有如下技术：如WO2021/041384号及“Theresa K.Cloutier，etc.，Machine Learning Models of Antibody-Excipient Preferential Interactions forUse in Computational Formulation Design，Mol.Pharmaceutics，17，9，3589-3599，2020.”(以下，表述为文献1)那样，基于生物医药品的蛋白质的信息或保存溶液的添加剂的信息，使用分子动力学(MD：Molecular Dynamics)法或机器学习模型，不进行实验而预测保存溶液的保存稳定性。
发明内容
发明要解决的技术课题
在WO2021/041384号及文献1中所记载的技术中，并不是通过实际实验确认保存溶液的保存稳定性。因此，存在会得出与本来的保存稳定性相差很远的预测结果的风险。即便如此，如上所述，从效率的观点而言，对多种保存溶液全部都通过实际实验来确认保存稳定性，并不是上策。因此，要求能够高效且高精度预测保存溶液的保存稳定性的方法。
本发明的技术所涉及的一个实施方式提供一种能够高效且高精度预测保存溶液的保存稳定性的制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序。
用于解决技术课题的手段
本发明的制药支援装置具备处理器，处理器进行如下处理：获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；根据蛋白质信息及处方信息导出与多种候选保存溶液的每一种的保存稳定性有关的多个特征量；将特征量输入到第1机器学习模型中，并从第1机器学习模型中输出表示候选保存溶液的保存稳定性的第1分数；针对根据第1分数从多种候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；以及将测量数据及先前导出的多个特征量中的选出候选保存溶液的特征量输入到第2机器学习模型中，并从第2机器学习模型中输出表示选出候选保存溶液的保存稳定性的第2分数。
优选蛋白质信息包括蛋白质的氨基酸序列及蛋白质的立体结构中的至少任一个。
优选处方信息包括包含于候选保存溶液中的缓冲液、添加剂及表面活性剂各自的种类和浓度以及候选保存溶液本身的氢离子指数。
优选处理器使用分子动力学法导出特征量。
优选特征量包括蛋白质的溶剂可及表面积、空间聚集趋势及空间电荷图中的至少任一个。
优选特征量包括表示蛋白质与包含于候选保存溶液中的添加剂的相容性的指标。
优选测量数据包括选出候选保存溶液中的蛋白质的亚可见颗粒的聚集分析数据、选出候选保存溶液中的蛋白质的基于动态光散射法的分析数据、选出候选保存溶液中的蛋白质的基于尺寸排除色谱法的分析数据以及选出候选保存溶液中的蛋白质的基于差示扫描量热法的分析数据中的至少任一个。
优选处理器进行如下处理：决定基于对多种候选保存溶液的每一种输出的多个第1分数的候选保存溶液的排序；及提示排序的决定结果。
优选处理器进行如下处理：对多种选出候选保存溶液的每一种输出多个第2分数；决定基于多个第2分数的选出候选保存溶液的排序；及提示排序的决定结果。
优选处理器除了将测量数据及特征量输入到第2机器学习模型中以外，还将多个处方信息中的选出候选保存溶液的处方信息输入到第2机器学习模型中。
优选蛋白质为抗体。
本发明的制药支援装置的工作方法包括如下步骤：获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；根据蛋白质信息及处方信息导出与多种候选保存溶液的每一种的保存稳定性有关的多个特征量；将特征量输入到第1机器学习模型中，并从第1机器学习模型中输出表示候选保存溶液的保存稳定性的第1分数；针对根据第1分数从多种候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；以及将测量数据及先前导出的多个特征量中的选出候选保存溶液的特征量输入到第2机器学习模型中，并从第2机器学习模型中输出表示选出候选保存溶液的保存稳定性的第2分数。
本发明的制药支援装置的工作程序使计算机执行包括如下步骤的处理：获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；根据蛋白质信息及处方信息导出与多种候选保存溶液的每一种的保存稳定性有关的多个特征量；将特征量输入到第1机器学习模型中，并从第1机器学习模型中输出表示候选保存溶液的保存稳定性的第1分数；针对根据第1分数从多种候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；以及将测量数据及先前导出的多个特征量中的选出候选保存溶液的特征量输入到第2机器学习模型中，并从第2机器学习模型中输出表示选出候选保存溶液的保存稳定性的第2分数。
发明效果
根据本发明的技术，能够提供一种能够高效且高精度预测保存溶液的保存稳定性的制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序。
附图说明
图1是表示制药支援服务器及操作者终端的图。
图2是表示从多种候选保存溶液中选出预测为保存稳定性高的选出候选保存溶液的情形的图。
图3是表示抗体信息的图。
图4是表示处方信息的图。
图5是表示选出候选保存溶液的制备、抗体的添加、压力试验及测量数据的测量的一系列流程和处方信息及测量数据的图。
图6是表示构成制药支援服务器的计算机的框图。
图7是表示制药支援服务器的CPU的处理部的框图。
图8是表示特征量导出部的处理的图。
图9是表示第1预测部的处理的图。
图10是表示第1预测部及分发控制部的处理的图。
图11是表示第2预测部的处理的图。
图12是表示第2预测部及分发控制部的处理的图。
图13是表示第1信息输入画面的图。
图14是表示第1预测结果显示画面的图。
图15是表示第2信息输入画面的图。
图16是表示第2预测结果显示画面的图。
图17是表示制药支援服务器的处理流程的流程图。
图18是表示制药支援服务器的处理流程的流程图。
图19是表示从多种候选保存溶液中选定适合于保存对象的生物医药品的保存溶液的以往的流程的图。
图20是表示从多种候选保存溶液中选出预测为保存稳定性高的选出候选保存溶液的本例的流程的图。
图21是表示从多种选出候选保存溶液中选定适合于保存对象的生物医药品的一个保存溶液的本例的流程的图。
图22是表示第2实施方式的第2预测部的处理的图。
具体实施方式
[第1实施方式]
作为一例，如图1所示，制药支援服务器10介由网络12连接于操作者终端11。制药支援服务器10为本发明的技术所涉及的“制药支援装置”的一例。操作者终端11例如设置于制药设施，由在制药设施中从事生物医药品的制药的药剂师等操作者操作。操作者终端11具有显示器13及键盘、鼠标之类的输入器件14。网络12例如为互联网或公用通信网等WAN(Wide Area Network：广域网)。另外，在图1中仅有一台操作者终端11连接于制药支援服务器10，但实际上，多个制药设施的多台操作者终端11连接于制药支援服务器10。
操作者终端11向制药支援服务器10发送第1预测请求15。第1预测请求15为用于使制药支援服务器10进行生物医药品的保存溶液的候选即候选保存溶液25(参考图2)的保存稳定性的预测的请求。第1预测请求15包括抗体信息16及处方信息组17。抗体信息16为与作为生物医药品的有效成分的抗体36(参考图5)有关的信息。抗体信息16通过操作者操作输入器件14来输入。抗体36为本发明的技术所涉及的“蛋白质”的一例，抗体信息16为本发明的技术所涉及的“蛋白质信息”的一例。
处方信息组17包括多个处方信息18。对多种例如数种～数十种候选保存溶液25的每一种登记有处方信息18。处方信息18为与候选保存溶液25的处方有关的信息。处方信息18也通过操作者操作输入器件14来输入。另外，虽然省略图示，但第1预测请求15还包括用于唯一识别第1预测请求15的发送源的操作者终端11的终端ID(Identification Data：识别数据)等。
当接收到第1预测请求15时，制药支援服务器10导出候选保存溶液25的保存稳定性的第1预测结果19。制药支援服务器10向第1预测请求15的发送源的操作者终端11分发第1预测结果19。当接收到第1预测结果19时，操作者终端11将第1预测结果19显示于显示器13，供操作者阅览第1预测结果19。
作为一例，如图2所示，操作者参考第1预测结果19从多种候选保存溶液25中选出预测为保存稳定性高的候选保存溶液25。以下，将该选出的候选保存溶液25表述为选出候选保存溶液25SL。在图2中，例示出从候选保存溶液ID为PS0001～PS0010这10种候选保存溶液25中选出了候选保存溶液ID为PS0001、PS0004、PS0005、PS0008及PS0010共计5种选出候选保存溶液25SL的情况。
返回到图1，操作者终端11向制药支援服务器10发送第2预测请求20。第2预测请求20为用于使制药支援服务器10进行选出候选保存溶液25SL的保存稳定性的预测的请求。第2预测请求20包括测量数据组21。测量数据组21包括多个测量数据22。对每个选出候选保存溶液25SL登记有测量数据22。测量数据22为通过实际实验测量出的表示选出候选保存溶液25SL的保存稳定性的数据。测量数据22也通过操作者操作输入器件14来输入。另外，虽然省略图示，但与第1预测请求15同样地，第2预测请求20也包括用于唯一识别第2预测请求20的发送源的操作者终端11的终端ID等。
当接收到第2预测请求20时，制药支援服务器10导出选出候选保存溶液25SL的保存稳定性的第2预测结果23。制药支援服务器10向第2预测请求20的发送源的操作者终端11分发第2预测结果23。当接收到第2预测结果23时，操作者终端11将第2预测结果23显示于显示器13，供操作者阅览第2预测结果23。
作为一例，如图3所示，抗体信息16包括抗体36的氨基酸序列27及抗体36的立体结构28。抗体信息16通过利用质谱分析、X射线晶体结构分析、电子显微镜观察之类的周知的技术分析抗体36来得到。氨基酸序列27为从氨基末端朝向羧基末端表述天冬酰胺(简称ASn)、谷氨酰胺(简称Glu)、精氨酸(简称Arg)之类的构成抗体36的氨基酸的肽键的顺序的序列。氨基酸序列27也称为一级结构。立体结构28表示构成抗体36的氨基酸的二级结构、三级结构及四级结构。二级结构除了例示的α螺旋以外，还有β折叠、β转角等。三级结构有例示的二聚体卷曲螺旋结构等。四级结构为二聚体、三聚体及四聚体。根据抗体36，也有不具有四级结构的抗体(即，单体)。在该情况下，如例示那样，未登记四级结构。
作为一例，如图4所示，处方信息18包括包含于候选保存溶液25中的缓冲液的种类和浓度30、添加剂的种类和浓度31及表面活性剂的种类和浓度32。处方信息18是操作者依靠抗体信息16及自己的经验等来制作的。由例示的添加剂的L-精氨酸盐酸盐和精制白糖可知，有时分别使用多种缓冲液、添加剂及表面活性剂。在该情况下，对多种的每一种登记有种类和浓度。并且，处方信息18还包括候选保存溶液25本身的氢离子指数33。另外，处方信息18中可以添加缓冲液、添加剂及表面活性剂各自的分子式。
作为一例，如图5所示，操作者在如图2所示选出选出候选保存溶液25SL之后，在发送第2预测请求20之前，按照选出候选保存溶液25SL的处方信息18，实际在试验管35中制备选出候选保存溶液25SL。然后，在所制备出的选出候选保存溶液25SL内添加抗体36。然后，进行2周冷冻、解冻的重复及搅拌这样的压力试验。在该2周的压力试验期间，使用测量设备37实际测量出测量数据22。在图5中，示出在压力试验的第1周和第2周分别测量出测量数据22_1和22_2的例子。测量设备37将测量数据22发送到操作者终端11。
如第1周的测量数据22_1所示，测量数据22包括选出候选保存溶液25SL中的抗体36的亚可见颗粒(SVP：Sub-Visible Particle)的聚集分析数据(以下，称为SVP聚集分析数据)40及选出候选保存溶液25SL中的抗体36的基于动态光散射法(DLS：Dynamic LightScattering)的分析数据(以下，称为DLS分析数据)41。SVP聚集分析数据40表示成为生物医药品的药效下降的原因的选出候选保存溶液25SL中的抗体36的SVP的量。DLS分析数据41也同样表示选出候选保存溶液25SL中的抗体36的纳米颗粒的量。
并且，测量数据22包括选出候选保存溶液25SL中的抗体36的基于尺寸排除色谱法(SEC：Size Exclusion Chromatography)的分析数据(以下，称为SEC分析数据)42及选出候选保存溶液25SL中的抗体36的基于差示扫描量热法(DSC：Differential ScanningCalorimetry)的分析数据(以下，称为DSC分析数据)43。SEC分析数据42表示选出候选保存溶液25SL中的抗体36的分子量分布。DSC分析数据43表示与选出候选保存溶液25SL中的抗体36的玻璃化转变点、结晶化温度之类的热物性值相关的值。另外，在图5中，为了方便起见，仅描绘出一台测量设备37，但实际上准备测量这些分析数据40～43的各种测量设备37。
对一个选出候选保存溶液25SL的处方信息18和测量数据22赋予有相同的候选保存溶液ID。通过该候选保存溶液ID，处方信息18与测量数据22建立关联。另外，在图5中，仅图示出一个选出候选保存溶液25SL的制备、抗体36的添加、压力试验及测量数据22的测量，但实际上对多种选出候选保存溶液25SL的每一种进行它们的制备、添加、压力试验及测量数据22的测量。
作为一例，如图6所示，构成制药支援服务器10的计算机具备存储器50、内存51、CPU(Central Processing Unit：中央处理器)52、通信部53、显示器54及输入器件55。它们介由总线56彼此连接。
存储器50为内置于构成制药支援服务器10中的计算机中或通过电缆、网络连接的硬盘驱动器。或者，存储器50为将多台硬盘驱动器联装而成的磁盘阵列。在存储器50中存储有操作系统等的控制程序、各种应用程序及这些程序所附带的各种数据等。另外，也可以使用固态驱动器来代替硬盘驱动器。
内存51为用于CPU52执行处理的工作内存。CPU52将存储于存储器50中的程序加载到内存51中，并按照程序执行处理。由此，CPU52集中控制计算机的各部。CPU52为本发明的技术所涉及的“处理器”的一例。另外，内存51可以内置于CPU52中。
通信部53进行与操作者终端11等外部装置的各种信息的传输控制。显示器54显示各种画面。各种画面具备基于GUI(Graphical User Interface：图形用户界面)的操作功能。构成制药支援服务器10的计算机通过各种画面接收来自输入器件55的操作指示的输入。输入器件55为键盘、鼠标、触摸面板及语音输入用麦克风等。
作为一例，如图7所示，在制药支援服务器10的存储器50中存储有工作程序60。工作程序60为用于使计算机作为制药支援服务器10发挥作用的应用程序。即，工作程序60为本发明的技术所涉及的“制药支援装置的工作程序”的一例。存储器50中还存储有抗体信息16、处方信息组17及测量数据组21等。并且，存储器50中还存储有第1保存稳定性预测模型61及第2保存稳定性预测模型62。第1保存稳定性预测模型61为本发明的技术所涉及的“第1机器学习模型”的一例。并且，第2保存稳定性预测模型62为本发明的技术所涉及的“第2机器学习模型”的一例。
若工作程序60被启动，则构成制药支援服务器10的计算机的CPU52与内存51等协同而作为接收部65、读写(以下，简称为RW(Read Write))控制部66、特征量导出部67、第1预测部68、第2预测部69及分发控制部70发挥作用。
接收部65接收来自操作者终端11的第1预测请求15。如上所述，第1预测请求15包括抗体信息16及处方信息组17，处方信息组17包括处方信息18。因此，接收部65通过接收第1预测请求15来获取抗体信息16及处方信息18。接收部65将抗体信息16及处方信息组17输出到RW控制部66。并且，接收部65将省略图示的操作者终端11的终端ID输出到分发控制部70。
并且，接收部65接收来自操作者终端11的第2预测请求20。如上所述，第2预测请求20包括测量数据组21，测量数据组21包括测量数据22。因此，接收部65通过接收第2预测请求20来获取测量数据22。接收部65将测量数据组21输出到RW控制部66。并且，与接收到第1预测请求15的情况同样地，接收部65将省略图示的操作者终端11的终端ID输出到分发控制部70。
RW控制部66控制各种数据向存储器50的存储及存储器50内的各种数据的读出。例如，RW控制部66将来自接收部65的抗体信息16及处方信息组17存储于存储器50中。并且，RW控制部66从存储器50中读出抗体信息16及处方信息组17，并将抗体信息16及处方信息组17输出到特征量导出部67。此外，RW控制部66从存储器50中读出第1保存稳定性预测模型61，并将第1保存稳定性预测模型61输出到第1预测部68。
RW控制部66将来自接收部65的测量数据组21存储于存储器50中。并且，RW控制部66从存储器50中读出测量数据组21，并将测量数据组21输出到第2预测部69。此外，RW控制部66从存储器50中读出第2保存稳定性预测模型62，并将第2保存稳定性预测模型62输出到第2预测部69。
特征量导出部67根据抗体信息16及处方信息组17导出与多种候选保存溶液25的每一种的保存稳定性有关的多个特征量75(参考图8)。特征量导出部67将由所导出的多个特征量75构成的特征量组76输出到RW控制部66及第1预测部68。RW控制部66将来自特征量导出部67的特征量组76存储于存储器50中。并且，RW控制部66从存储器50中读出特征量组76，并将特征量组76中的选出候选保存溶液25SL的特征量75输出到第2预测部69。
第1预测部68使用第1保存稳定性预测模型61从特征量组76中导出表示多种候选保存溶液25的每一种的保存稳定性的多个第1分数77(参考图9)。第1预测部68将由所导出的多个第1分数77构成的第1分数组78输出到分发控制部70。
第2预测部69使用第2保存稳定性预测模型62从测量数据组21及特征量组76中导出表示多种选出候选保存溶液25SL的每一种的保存稳定性的多个第2分数79(参考图11)。第2预测部69将由所导出的多个第2分数79构成的第2分数组80输出到分发控制部70。
分发控制部70根据第1分数组78生成第1预测结果19。分发控制部70进行向第1预测请求15的发送源的操作者终端11分发第1预测结果19的控制。此时，分发控制部70根据来自接收部65的终端ID确定第1预测请求15的发送源的操作者终端11。
并且，分发控制部70根据第2分数组80生成第2预测结果23。分发控制部70进行向第2预测请求20的发送源的操作者终端11分发第2预测结果23的控制。此时，与分发第1预测结果19时同样地，分发控制部70根据来自接收部65的终端ID确定第2预测请求20的发送源的操作者终端11。
作为一例，如图8所示，特征量导出部67使用分子动力学法导出特征量75。特征量75包括抗体36的疏水性的溶剂可及表面积(以下，简称为SASA(Solvent AccessibleSurface Area))85、空间聚集趋势(以下，简称为SAP(Spatial Aggregation Propensity))86及空间电荷图(以下，简称为SCM(Spatial Charge Map))87。SASA85越大，并且，SAP86越大，抗体36的稳定性越低。SCM87为按抗体36的每个区域表示抗体36的带电程度的值。这些SASA85、SAP86及SCM87是不参考处方信息18而仅根据抗体信息16来导出的。因此，SASA85、SAP86及SCM87在各候选保存溶液25中相同。
并且，特征量75还包括文献1中所记载的优先相互作用系数(以下，简称为PIC(Preferential Interaction Coefficient))88。PIC88为按抗体36的每个区域表示抗体36与添加剂的结合容易性，更具体而言，表示添加剂覆盖抗体36表面的程度的值，是表示抗体36与添加剂的相容性的指标。根据PIC88，可知引起成为生物医药品的药效下降的原因的抗体36的聚集的可能性。PIC88与上述的SASA85、SAP86及SCM87不同，是根据抗体信息16及处方信息18这两个信息导出的。因此，PIC88在各候选保存溶液25中不同。因此，特征量组76成为SASA85、SAP86及SCM87相同且PIC88不同的多个特征量75的集合。PIC88也可以使用支持向量机(SVM：Support Vector Machine)等机器学习模型而不是分子动力学法来导出。另外，与处方信息18及测量数据22同样地，对特征量75赋予有候选保存溶液ID。
作为一例，如图9所示，第1预测部68将特征量75输入到第1保存稳定性预测模型61中。然后，从第1保存稳定性预测模型61中输出第1分数77。第1分数77例如由0分～100分的连续数值表示。第1保存稳定性预测模型61为预测连续数值的第1分数77的、例如使用支持向量回归(SVR：Support Vector Regression)算法的机器学习模型。另外，与特征量75等同样地，对第1分数77也赋予有候选保存溶液ID。
作为一例，如图10所示，第1预测部68对多种候选保存溶液25的每一种将多个第1分数77输出到保存稳定性预测模型61。如表90所示，分发控制部70决定多种候选保存溶液25的基于多个第1分数77的排序。分发控制部70将该表90所示的排序的决定结果作为第1预测结果19分发到操作者终端11。
在图10中，示出决定候选保存溶液ID为PS0001～PS0005这5种候选保存溶液25的排序的例子。关于第1分数77，PS0001为75分，PS0002为62分，PS0003为89分，PS0004为47分，PS0005为82分。关于排序，最高分89分的PS0003为第1，第二高分82分的PS0005为第2，75分的PS0001为第3，62分的PS0002为第4，最低分47分的PS0004为第5。
作为一例，如图11所示，第2预测部69将测量数据22及特征量75输入到第2保存稳定性预测模型62中。然后，从第2保存稳定性预测模型62中输出第2分数79。在此，输入到第2保存稳定性预测模型62中的特征量75为先前由特征量导出部67导出的多个特征量75中的选出候选保存溶液25SL的特征量75。与第1分数77同样地，第2分数79例如由0分～100分的连续数值表示。与第1保存稳定性预测模型61同样地，第2保存稳定性预测模型62为预测连续数值的第2分数79的、例如使用支持向量回归(SVR：Support Vector Regression)算法的机器学习模型。另外，与第1分数77等同样地，对第2分数79也赋予有候选保存溶液ID。
第1保存稳定性预测模型61及第2保存稳定性预测模型62的学习可以在制药支援服务器10中进行，也可以在除制药支援服务器10以外的装置中进行。并且，第1保存稳定性预测模型61及第2保存稳定性预测模型62的学习在运用后也可以继续进行。
作为一例，如图12所示，第2预测部69对多种选出候选保存溶液25SL的每一种将多个第2分数79输出到第2保存稳定性预测模型62。如表95所示，分发控制部70决定多种选出候选保存溶液25SL的基于多个第2分数79的排序。分发控制部70将该表95所示的排序的决定结果作为第2预测结果23分发到操作者终端11。
在图12中，示出决定候选保存溶液ID为PS0001、PS0003及PS0005这三种选出候选保存溶液25SL的排序的例子。关于第2分数79，PS0001为72分，PS0003为86分，PS0005为92分。关于排序，最高分92分的PS0005为第1，第二高分86分的PS0003为第2，最低分72分的PS0001为第3。
图13表示显示于操作者终端11的显示器13的第1信息输入画面100的一例。第1信息输入画面100具有抗体信息16的输入区域101及候选保存溶液25的处方信息18的输入区域102。
在抗体信息16的输入区域101中设置有氨基酸序列27的输入框110及立体结构28的输入框111。在处方信息18的输入区域102中设置有用于选择缓冲液的种类的下拉菜单112、缓冲液的浓度的输入框113、用于选择添加剂的种类的下拉菜单114、添加剂的浓度的输入框115、用于选择表面活性剂的种类的下拉菜单116及表面活性剂的浓度的输入框117。
在缓冲液的下拉菜单112及输入框113的下部设置有缓冲液的追加按钮118。当选择了追加按钮118时，追加缓冲液的下拉菜单112及输入框113。在添加剂的下拉菜单114及输入框115的下部设置有添加剂的追加按钮119。当选择了追加按钮119时，追加添加剂的下拉菜单114及输入框115。在表面活性剂的下拉菜单116及输入框117的下部设置有表面活性剂的追加按钮120。当选择了追加按钮120时，追加表面活性剂的下拉菜单116及输入框117。并且，在输入区域102的下部设置有氢离子指数的输入框121。
在处方信息18的输入区域102的下部设置有候选保存溶液25的追加按钮125。当选择了追加按钮125时，追加处方信息18的输入区域102。
在候选保存溶液25的追加按钮125的下部设置有第1预测按钮126。当选择了第1预测按钮126时，包括抗体信息16及处方信息组17的第1预测请求15从操作者终端11发送到制药支援服务器10。抗体信息16包括输入到输入框110及111中的内容。处方信息组17由用下拉菜单112、114及116选择的内容以及输入到输入框113、115、117及121中的内容构成。
图14表示当接收到来自制药支援服务器10的第1预测结果19时显示于操作者终端11的显示器13的第1预测结果显示画面130的一例。第1预测结果显示画面130具有抗体信息16的显示区域131及第1预测结果19的显示区域132。在抗体信息16的显示区域131中显示氨基酸序列27及立体结构28。在第1预测结果19的显示区域132中显示表示各候选保存溶液25的排序及第1分数77的表133。在表133中设置有处方信息18的显示按钮134。当选择了显示按钮134时，该候选保存溶液25的处方信息18的显示画面弹出显示于第1预测结果显示画面130上。
在表133的各候选保存溶液25的旁边设置有复选框135。当操作者欲将该候选保存溶液25设为选出候选保存溶液25SL时，由操作者在复选框135中打勾。当在复选框135中打勾的状态下选择了OK按钮136时，在复选框135中打勾的候选保存溶液25的候选保存溶液ID作为选出候选保存溶液25SL的候选保存溶液ID存储于制药支援服务器10的存储器50中。在生成第2信息输入画面140(参考图15)时及确定选出候选保存溶液25SL的特征量75等时，使用如此存储的候选保存溶液ID。
图15表示显示于操作者终端11的显示器13的第2信息输入画面140的一例。第2信息输入画面140具有抗体信息16的氨基酸序列27及立体结构28的显示区域141以及选出候选保存溶液25SL的测量数据22的输入区域142。测量数据22的输入区域142分为第1周的测量数据22_1的输入区域142_1及第2周的测量数据22_2的输入区域142_2。
在测量数据22的输入区域142中设置有用于选择SVP聚集分析数据40的文件的文件选择按钮145及用于选择DLS分析数据41的文件的文件选择按钮146。并且，在测量数据22的输入区域142中设置有用于选择SEC分析数据42的文件的文件选择按钮147及用于选择DSC分析数据43的文件的文件选择按钮148。
当选择了各分析数据40～43的文件时，在文件选择按钮145～148的旁边显示文件图标149、150、151及152。文件图标149～152在未选择文件时不显示。
在测量数据22的输入区域142的下部设置有第2预测按钮155。当选择了第2预测按钮155时，包括测量数据组21的第2预测请求20从操作者终端11发送到制药支援服务器10。测量数据组21由用文件选择按钮145～148选择的各分析数据40～43构成。
图16表示当接收到来自制药支援服务器10的第2预测结果23时显示于操作者终端11的显示器13的第2预测结果显示画面160的一例。第2预测结果显示画面160具有抗体信息16的氨基酸序列27及立体结构28的显示区域161以及第2预测结果23的显示区域162。在第2预测结果23的显示区域162中显示表示各选出候选保存溶液25SL的排序及第2分数79的表163。在表163中设置有处方信息18的显示按钮164。当选择了显示按钮164时，该选出候选保存溶液25SL的处方信息18的显示画面弹出显示于第2预测结果显示画面160上。第2预测结果显示画面160通过选择确认按钮165而消失。
接着，参考图17及图18的流程图对上述结构所起的作用进行说明。首先，若在制药支援服务器10中工作程序60被启动，则如图7所示，制药支援服务器10的CPU52作为接收部65、RW控制部66、特征量导出部67、第1预测部68、第2预测部69及分发控制部70发挥作用。
在操作者终端11的显示器13上显示图13所示的第1信息输入画面100。操作者在第1信息输入画面100中输入所期望的抗体信息16及处方信息组17之后，选择第1预测按钮126。由此，从操作者终端11向制药支援服务器10发送第1预测请求15。
在制药支援服务器10中，由接收部65接收第1预测请求15。由此，获取抗体信息16及处方信息组17(多个处方信息18)(步骤ST100)。抗体信息16及处方信息组17从接收部65输出到RW控制部66，在RW控制部66的控制下存储于存储器50中(步骤ST110)。
通过RW控制部66，从存储器50中读出抗体信息16及处方信息组17(步骤ST120)。抗体信息16及处方信息组17从RW控制部66输出到特征量导出部67。
如图8所示，在特征量导出部67中，根据抗体信息16及处方信息18并使用分子动力学法导出特征量75(步骤ST130)。特征量75从特征量导出部67输出到RW控制部66，在RW控制部66的控制下存储于存储器50中(步骤ST140)。并且，特征量75从特征量导出部67输出到第1预测部68。
接着，如图9所示，在第1预测部68中，特征量75输入到第1保存稳定性预测模型61中，由此从第1保存稳定性预测模型61中输出第1分数77(步骤ST150)。第1分数77从第1预测部68输出到分发控制部70。步骤ST130～ST150的处理在未输出多种候选保存溶液25的所有第1分数77(在步骤ST160中“否”)的期间持续重复进行。
当输出了多种候选保存溶液25的所有第1分数77时(在步骤ST160中“是”)，如图10所示，在分发控制部70中，决定基于多种候选保存溶液25的每一种的多个第1分数77的候选保存溶液25的排序(步骤ST170)。该排序的决定结果在分发控制部70的控制下作为第1预测结果19分发到第1预测请求15的发送源的操作者终端11(步骤ST180)。
在操作者终端11的显示器13上显示图14所示的第1预测结果显示画面130。操作者阅览第1预测结果显示画面130，在作为选出候选保存溶液25SL的候选保存溶液25的复选框135中打勾，并选择OK按钮136。RW控制部66存储在复选框135中打勾的候选保存溶液25的候选保存溶液ID作为选出候选保存溶液25SL的候选保存溶液ID。
然后，如图5所示，由操作者实际进行选出候选保存溶液25SL的制备、抗体36的添加、压力试验及测量数据22的测量。
当测量数据22凑齐时，操作者操作操作者终端11来将图15所示的第2信息输入画面140显示于显示器13。操作者在第2信息输入画面140中输入所期望的测量数据22之后，选择第2预测按钮155。由此，从操作者终端11向制药支援服务器10发送第2预测请求20。
在制药支援服务器10中，由接收部65接收第2预测请求20。由此，获取测量数据组21(多个测量数据22)(步骤ST200)。测量数据组21从接收部65输出到RW控制部66，在RW控制部66的控制下存储于存储器50中(步骤ST210)。
通过RW控制部66，从存储器50中读出测量数据组21及选出候选保存溶液25SL的特征量75(步骤ST220)。测量数据组21及特征量75从RW控制部66输出到第2预测部69。
如图11所示，在第2预测部69中，测量数据22及特征量75输入到第2保存稳定性预测模型62中，由此从第2保存稳定性预测模型62中输出第2分数79(步骤ST230)。第2分数79从第2预测部69输出到分发控制部70。步骤ST230的处理在未输出多种选出候选保存溶液25SL的所有第2分数79(在步骤ST240中“否”)的期间持续重复进行。
当输出了多种选出候选保存溶液25SL的所有第2分数79时(在步骤ST240中“是”)，如图12所示，在分发控制部70中，决定基于多种选出候选保存溶液25SL的每一种的多个第2分数79的选出候选保存溶液25SL的排序(步骤ST250)。该排序的决定结果在分发控制部70的控制下作为第2预测结果23分发到第2预测请求20的发送源的操作者终端11(步骤ST260)。
在操作者终端11的显示器13上显示图16所示的第2预测结果显示画面160。操作者阅览第2预测结果显示画面160，选定作为生物医药品的保存溶液采用的一个选出候选保存溶液25SL。
如以上说明，制药支援服务器10的CPU52具备接收部65、特征量导出部67、第1预测部68及第2预测部69。接收部65通过接收第1预测请求15来获取与包含于保存对象的生物医药品中的抗体36有关的抗体信息16及与保存对象的生物医药品的保存溶液的候选即多种候选保存溶液25的每一种的处方有关的多个处方信息18。特征量导出部67根据抗体信息16及处方信息18导出与多种候选保存溶液25的每一种的保存稳定性有关的多个特征量75。第1预测部68将特征量75输入到第1保存稳定性预测模型61中，并从第1保存稳定性预测模型61中输出表示候选保存溶液25的保存稳定性的第1分数77。
接收部65通过接收第2预测请求20，针对根据第1分数77从多种候选保存溶液25中选出的选出候选保存溶液25SL获取通过实际实验测量出的表示保存稳定性的测量数据22。第2预测部69将测量数据22及先前导出的多个特征量75中的选出候选保存溶液25SL的特征量75输入到第2保存稳定性预测模型62中，并从第2保存稳定性预测模型62中输出表示选出候选保存溶液25SL的保存稳定性的第2分数79。根据第1分数77将多种候选保存溶液25的范围缩小至比其少的选出候选保存溶液25SL之后，基于实际进行实验而得到的选出候选保存溶液25SL的测量数据22导出第2分数79，因此能够高效且高精度预测保存溶液的保存稳定性。
并且，作为一例，如图19、图20及图21所示，还能够减少制备多种候选保存溶液25并通过实际实验确认各候选保存溶液25的保存稳定性这样的繁琐的作业。
图19～图21示出从将氢离子指数如5.0、5.5、6.0、6.5、7.0及7.5那样以0.5刻度分配为6个阶段且使用山梨糖醇、蔗糖、海藻糖、脯氨酸及L-精氨酸盐酸盐这5种中的任一个作为添加剂的、6×5＝30种候选保存溶液25中选定作为生物医药品的保存溶液采用的一个候选保存溶液25的例子。
在图19中示出以往的流程作为比较例。以往，对30种各候选保存溶液25进行4周压力试验，实际测量了第1周的测量数据22_1、第2周的测量数据22_2、第3周的测量数据22_3及第4周的测量数据22_4。操作者根据这些测量数据22分析各候选保存溶液25的保存稳定性，并从30种候选保存溶液25中选定作为生物医药品的保存溶液采用的一个候选保存溶液25。
相对于此，在本例的流程中，首先，如图20所示，根据抗体信息16及处方信息18导出与候选保存溶液25的保存稳定性有关的特征量75，进而根据特征量75导出表示候选保存溶液25的保存稳定性的第1分数77。然后，将与第1分数77相对应的第1预测结果19提示给操作者。操作者根据第1预测结果19分析各候选保存溶液25的保存稳定性，从30种候选保存溶液25中选出预测为保存稳定性高的候选保存溶液25作为选出候选保存溶液25SL。在图20中，例示出从30种候选保存溶液25中选出了18种选出候选保存溶液25SL的情况。
接着，如图21所示，操作者在4周的一半的2周内完成18种选出候选保存溶液25SL的压力试验。根据在该2周的压力试验中测量出的第1周的测量数据22_1及第2周的测量数据22_2和从抗体信息16及处方信息18导出的特征量75来导出表示选出候选保存溶液25SL的保存稳定性的第2分数79。然后，将与第2分数79相对应的第2预测结果23提示给操作者。操作者根据第2预测结果23分析各选出候选保存溶液25SL的保存稳定性，并从18种选出候选保存溶液25SL中选定作为生物医药品的保存溶液采用的一个选出候选保存溶液25SL。
如此，在以往的流程中，需要在30种候选保存溶液25中全部都进行4周的压力试验，而在本例的流程中，18种选出候选保存溶液25SL的2周的压力试验即可完成。因此，能够减少制备多种候选保存溶液25并通过实际实验确认各候选保存溶液25的保存稳定性这样的繁琐的作业。
并且，作为以往的流程，有在第1阶段缩小缓冲液的种类和浓度的范围，在第2阶段缩小添加剂的种类和浓度的范围，......、在第N阶段缩小氢离子指数的数值范围等阶段性地决定保存溶液的处方的方法。根据本例的流程，能够减轻各阶段中的作业。并且，例如省略第1阶段而从第2阶段开始进行等，根据情况还能够省略阶段。
如图3所示，抗体信息16包括抗体36的氨基酸序列27及抗体36的立体结构28。因此，能够导出更准确地表示候选保存溶液25的保存稳定性的特征量75。另外，抗体信息16包括抗体36的氨基酸序列27及抗体36的立体结构28中的至少任一个即可。
如图4所示，处方信息18包括包含于候选保存溶液25中的缓冲液、添加剂及表面活性剂各自的种类和浓度30～32以及候选保存溶液25本身的氢离子指数33。因此，能够导出更准确地表示候选保存溶液25的保存稳定性的特征量75。
如图8所示，特征量导出部67使用分子动力学法导出特征量75。分子动力学法为在生物领域流行的计算机模拟方法，尤其能够无障碍地进行导入。因此，无需费很大的工夫就能够容易导出特征量75。
如图8所示，特征量75包括抗体36的SASA85、SAP86及SCM87。并且，特征量75包括作为表示抗体36与包含于候选保存溶液25中的添加剂的相容性的指标的PIC88。因此，能够从第1保存稳定性预测模型61中输出更准确地表示候选保存溶液25的保存稳定性(抗体36的稳定性)的第1分数77。另外，特征量75包括抗体36的SASA85、SAP86及SCM87中的至少任一个即可。
如图5所示，测量数据22包括候选保存溶液25中的抗体36的SVP聚集分析数据40、DLS分析数据41、SEC分析数据42以及DSC分析数据43。因此，能够从第2保存稳定性预测模型62中输出更准确地表示候选保存溶液25的保存稳定性(抗体36的稳定性)的第2分数79。另外，测量数据22包括SVP聚集分析数据40、DLS分析数据41、SEC分析数据42以及DSC分析数据43中的至少任一个即可。
如图10所示，第1预测部68对多种候选保存溶液25的每一种输出多个第1分数77。分发控制部70决定基于多个第1分数77的候选保存溶液25的排序，并通过将排序的决定结果作为第1预测结果19分发到操作者终端11来进行提示。因此，操作者顺利地进行选出候选保存溶液25SL的选出。
如图12所示，第2预测部69对多种选出候选保存溶液25SL的每一种输出多个第2分数79。分发控制部70决定基于多个第2分数79的选出候选保存溶液25SL的排序，并通过将排序的决定结果作为第2预测结果23分发到操作者终端11来进行提示。因此，操作者顺利地进行作为生物医药品的保存溶液采用的选出候选保存溶液25SL的选定。
包含抗体36作为蛋白质的生物医药品称为抗体医药品，以癌症、糖尿病、类风湿性关节炎之类的慢性疾病的治疗为代表，在血友病、克罗恩氏病之类的罕见疾病的治疗中也被广泛地使用。因此，根据将蛋白质作为抗体36的本例，能够进一步促进在各种疾病的治疗中被广泛地使用的抗体医药品的开发。
[第2实施方式]
作为一例，在图22所示的第2实施方式中，除了将测量数据22及特征量75输入到第2保存稳定性预测模型170中以外，还将选出候选保存溶液25SL的处方信息18输入到第2保存稳定性预测模型170中。缓冲液、添加剂及表面活性剂的浓度直接输入浓度的数值。另一方面，缓冲液、添加剂及表面活性剂的种类输入对每一种类预先设定的数值。由于在第2保存稳定性预测模型170的输入数据中添加处方信息18，因此能够进一步提高第2分数79的预测精度。另外，也可以进一步输入抗体信息16。在该情况下，关于氨基酸序列27及立体结构28，也会输入预先设定的数值。
在上述各实施方式中，以选出候选保存溶液25SL为多种为前提进行了说明，但并不限于此，选出候选保存溶液25SL也可以为一种。并且，示出了通过操作者在复选框135中打勾来选出选出候选保存溶液25SL的例子，但并不限于此。也可以不借助操作者的手而在制药支援服务器10中自动选出第1分数77为阈值以上的规定数量的候选保存溶液25作为选出候选保存溶液25SL。
蛋白质并不限于例示的抗体36。也可以为细胞因子(干扰素、白介素等)或激素(胰岛素、胰高血糖素、促卵泡激素、红细胞生成素等)、生长因子(IGF(Insulin-Like GrowthFactor：胰岛素样生长因子)-1、bFGF(Basic Fibroblast Growth Factor：碱性成纤维细胞生长因子)等)、凝血因子(因子7、因子8、因子9等)、酶(溶酶体酶、DNA(DeoxyribonucleicAcid：脱氧核糖核酸)降解酶等)、Fc(Fragment Crystallizable：可结晶片段)融合蛋白、受体、白蛋白、蛋白疫苗。并且，作为抗体，还包括双特异性抗体、抗体药物复合物(Antibody-drug conjugate)、低分子抗体、糖链修饰抗体等。
也可以将图14所示的第1预测结果显示画面130及图16所示的第2预测结果显示画面160的画面数据从制药支援服务器10分发到操作者终端11，而不是将第1预测结果19及第2预测结果23从制药支援服务器10分发到操作者终端11。
供操作者阅览第1预测结果19及第2预测结果23的方式并不限于第1预测结果显示画面130及第2预测结果显示画面160。也可以将第1预测结果19及第2预测结果23的印刷物提供给操作者，也可以将附有第1预测结果19及第2预测结果23的电子邮件发送到操作者的移动终端。
制药支援服务器10可以设置于各制药设施，也可以设置于与制药设施独立的数据中心。并且，也可以由操作者终端11承担制药支援服务器10的各处理部65～69的一部分或所有功能。
构成本发明的技术所涉及的制药支援服务器10的计算机的硬件结构能够进行各种变形。例如，以提高处理能力及可靠性为目的，也可以由作为硬件而分离的多台计算机构成制药支援服务器10。例如，使两台计算机分散承担接收部65及RW控制部66的功能和特征量导出部67、第1预测部68、第2预测部69及分发控制部70的功能。在该情况下，由两台计算机构成制药支援服务器10。
如此，制药支援服务器10的计算机的硬件结构能够根据处理能力、安全性及可靠性等所要求的性能适当地进行变更。此外，并不限定于硬件，关于工作程序60等应用程序，以确保安全性及可靠性为目的，当然也可以进行双重化或分散保存于多个存储器中。
在上述各实施方式中，例如，作为接收部65、RW控制部66、特征量导出部67、第1预测部68、第2预测部69及分发控制部70之类的执行各种处理的处理部(Processing Unit：处理单元)的硬件结构，能够使用以下所示的各种处理器(Processor)。如上所述，各种处理器除了包括执行软件(工作程序60)来作为各种处理部发挥作用的通用的处理器即CPU52以外，还包括FPGA(Field Programmable Gate Array：现场可编程门阵列)等在制造之后能够变更电路结构的处理器即可编程逻辑器件(Programmable Logic Device：PLD)、ASIC(Application Specific Integrated Circuit：专用集成电路)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。
一个处理部可以由这些各种处理器中的一个构成，也可以由相同种类或不同种类的两个以上的处理器的组合(例如，多个FPGA的组合和/或CPU与FPGA的组合)构成。并且，也可以由一个处理器构成多个处理部。
作为由一个处理器构成多个处理部的例子，第1，有如下方式：如以用户端及服务器等计算机为代表那样，由一个以上的CPU与软件的组合构成一个处理器，且该处理器作为多个处理部发挥作用。第2，有如下方式：如以片上系统(System On Chip：SoC)等为代表那样，使用由一个IC(Integrated Circuit：集成电路)芯片实现包括多个处理部的系统整体的功能的处理器。如此，各种处理部使用上述各种处理器中的一个以上作为硬件结构而构成。
此外，作为这些各种处理器的硬件结构，更具体而言，能够使用将半导体元件等电路元件组合而成的电路(circuitry)。
本发明的技术也能够适当地组合上述的各种实施方式和/或各种变形例。并且，并不限于上述各实施方式，只要不脱离主旨，则当然也可以采用各种结构。此外，本发明的技术除了程序以外，还涉及非临时性地存储程序的存储介质。
以上所示的记载内容及图示内容为关于本发明的技术所涉及的部分的详细说明，只不过是本发明的技术的一例。例如，与上述的结构、功能、作用及效果有关的说明为与本发明的技术所涉及的部分的结构、功能、作用及效果的一例有关的说明。因此，在不脱离本发明的技术宗旨的范围内，当然可以对以上所示的记载内容及图示内容删除不必要的部分，或者追加或替换新的要件。并且，为了避免错综复杂的情况，并且便于理解本发明的技术所涉及的部分，在以上所示的记载内容及图示内容中省略了与在使得能够实施本发明的技术的方面不特别需要说明的技术常识等有关的说明。
在本说明书中，“A和/或B”的含义与“A及B中的至少一个”相同。即，“A和/或B”是可以仅为A，也可以仅为B，也可以为A与B的组合的含义。并且，在本说明书中，将3个以上的事项用“和/或”连结而表述的情况也适用与“A和/或B”相同的思路。
本说明书中所记载的所有文献、专利申请及技术标准，与具体地且分别地记载通过参考而被并入的各个文献、专利申请及技术标准的情况相同程度地，通过参考而被并入本说明书中。
Claims (13)
1.一种制药支援装置，其具备处理器，
所述处理器进行如下处理：
获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与所述保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；
根据所述蛋白质信息及所述处方信息导出与多种所述候选保存溶液的每一种的保存稳定性有关的多个特征量；
将所述特征量输入到第1机器学习模型中，并从所述第1机器学习模型中输出表示所述候选保存溶液的保存稳定性的第1分数；
针对根据所述第1分数从多种所述候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；及
将所述测量数据及先前导出的多个所述特征量中的所述选出候选保存溶液的特征量输入到第2机器学习模型中，并从所述第2机器学习模型中输出表示所述选出候选保存溶液的保存稳定性的第2分数。
2.根据权利要求1所述的制药支援装置，其中，
所述蛋白质信息包括所述蛋白质的氨基酸序列及所述蛋白质的立体结构中的至少任一个。
3.根据权利要求1或2所述的制药支援装置，其中，
所述处方信息包括包含于所述候选保存溶液中的缓冲液、添加剂及表面活性剂各自的种类和浓度以及所述候选保存溶液本身的氢离子指数。
4.根据权利要求1至3中任一项所述的制药支援装置，其中，
所述处理器使用分子动力学法导出所述特征量。
5.根据权利要求4所述的制药支援装置，其中，
所述特征量包括所述蛋白质的溶剂可及表面积、空间聚集趋势及空间电荷图中的至少任一个。
6.根据权利要求1至5中任一项所述的制药支援装置，其中，
所述特征量包括表示所述蛋白质与包含于所述候选保存溶液中的添加剂的相容性的指标。
7.根据权利要求1至6中任一项所述的制药支援装置，其中，
所述测量数据包括所述选出候选保存溶液中的所述蛋白质的亚可见颗粒的聚集分析数据、所述选出候选保存溶液中的所述蛋白质的基于动态光散射法的分析数据、所述选出候选保存溶液中的所述蛋白质的基于尺寸排除色谱法的分析数据以及所述选出候选保存溶液中的所述蛋白质的基于差示扫描量热法的分析数据中的至少任一个。
8.根据权利要求1至7中任一项所述的制药支援装置，其中，
所述处理器进行如下处理：
决定基于对多种所述候选保存溶液的每一种输出的多个所述第1分数的所述候选保存溶液的排序；及
提示所述排序的决定结果。
9.根据权利要求1至8中任一项所述的制药支援装置，其中，
所述处理器进行如下处理：
对多种所述选出候选保存溶液的每一种输出多个所述第2分数；
决定基于多个所述第2分数的所述选出候选保存溶液的排序；及
提示所述排序的决定结果。
10.根据权利要求1至9中任一项所述的制药支援装置，其中，
所述处理器除了将所述测量数据及所述特征量输入到所述第2机器学习模型中以外，还将多个所述处方信息中的所述选出候选保存溶液的处方信息输入到所述第2机器学习模型中。
11.根据权利要求1至10中任一项所述的制药支援装置，其中，
所述蛋白质为抗体。
12.一种制药支援装置的工作方法，其包括如下步骤：
获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与所述保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；
根据所述蛋白质信息及所述处方信息导出与多种所述候选保存溶液的每一种的保存稳定性有关的多个特征量；
将所述特征量输入到第1机器学习模型中，并从所述第1机器学习模型中输出表示所述候选保存溶液的保存稳定性的第1分数；
针对根据所述第1分数从多种所述候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；及
将所述测量数据及先前导出的多个所述特征量中的所述选出候选保存溶液的特征量输入到第2机器学习模型中，并从所述第2机器学习模型中输出表示所述选出候选保存溶液的保存稳定性的第2分数。
13.一种制药支援装置的工作程序，其用于使计算机执行包括如下步骤的处理：
获取与包含于保存对象的生物医药品中的蛋白质有关的蛋白质信息及与所述保存对象的生物医药品的保存溶液的候选即多种候选保存溶液的每一种的处方有关的多个处方信息；
根据所述蛋白质信息及所述处方信息导出与多种所述候选保存溶液的每一种的保存稳定性有关的多个特征量；
将所述特征量输入到第1机器学习模型中，并从所述第1机器学习模型中输出表示所述候选保存溶液的保存稳定性的第1分数；
针对根据所述第1分数从多种所述候选保存溶液中选出的选出候选保存溶液，获取通过实际实验测量出的表示保存稳定性的测量数据；及
将所述测量数据及先前导出的多个所述特征量中的所述选出候选保存溶液的特征量输入到第2机器学习模型中，并从所述第2机器学习模型中输出表示所述选出候选保存溶液的保存稳定性的第2分数。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021-159999 | 2021-09-29 | ||
| JP2021159999 | 2021-09-29 | ||
| PCT/JP2022/033704 WO2023053892A1 (ja) | 2021-09-29 | 2022-09-08 | 製薬支援装置、製薬支援装置の作動方法、および製薬支援装置の作動プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118020107A true CN118020107A (zh) | 2024-05-10 |
Family
ID=85782360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280065346.2A Pending CN118020107A (zh) | 2021-09-29 | 2022-09-08 | 制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20240233863A1 (zh) |
| EP (1) | EP4390952A1 (zh) |
| JP (1) | JPWO2023053892A1 (zh) |
| CN (1) | CN118020107A (zh) |
| WO (1) | WO2023053892A1 (zh) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170239355A1 (en) * | 2015-12-30 | 2017-08-24 | Genentech, Inc. | Use of tryptophan derivatives for protein formulations |
| EP4022622A1 (en) | 2019-08-26 | 2022-07-06 | Amgen Inc. | Systems and methods for prediction of protein formulation properties |
-
2022
- 2022-09-08 EP EP22875764.7A patent/EP4390952A1/en active Pending
- 2022-09-08 JP JP2023550513A patent/JPWO2023053892A1/ja active Pending
- 2022-09-08 WO PCT/JP2022/033704 patent/WO2023053892A1/ja active Application Filing
- 2022-09-08 CN CN202280065346.2A patent/CN118020107A/zh active Pending
-
2024
- 2024-03-20 US US18/611,324 patent/US20240233863A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4390952A1 (en) | 2024-06-26 |
| WO2023053892A1 (ja) | 2023-04-06 |
| US20240233863A1 (en) | 2024-07-11 |
| JPWO2023053892A1 (zh) | 2023-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2010218060B2 (en) | Systems and methods for providing multi-directional visual browsing | |
| Kellenberger et al. | sc-PDB: an annotated database of druggable binding sites from the Protein Data Bank | |
| Kalonia et al. | Effects of protein conformation, apparent solubility, and protein–protein interactions on the rates and mechanisms of aggregation for an IgG1Monoclonal antibody | |
| Elegheert et al. | Extracellular complexes of the hematopoietic human and mouse CSF-1 receptor are driven by common assembly principles | |
| WO2015094738A1 (en) | Real-time medical group coding | |
| Shamsi et al. | TLmutation: predicting the effects of mutations using transfer learning | |
| Kreuchwig et al. | Research resource: update and extension of a glycoprotein hormone receptors web application | |
| Kierzek et al. | A quantitative systems pharmacology consortium approach to managing immunogenicity of therapeutic proteins | |
| US20160070881A1 (en) | System, method and graphical user interface for creating modular, patient transportable genomic analytic data | |
| Kieburtz | Issues in neuroprotection clinical trials in Parkinson’s disease | |
| Barrett et al. | Status toward the implementation of precision dosing in children | |
| CN118020107A (zh) | 制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序 | |
| Rathore et al. | Approval of biosimilars: a review of unsuccessful regulatory filings | |
| CN118120020A (zh) | 制药支援装置、制药支援装置的工作方法及制药支援装置的工作程序 | |
| EP4390951A1 (en) | Pharmaceutical assistance device, operation method for pharmaceutical assistance device, and operation program for pharmaceutical assistance device | |
| Jawa et al. | Implementing a clinical immunogenicity strategy using preclinical risk assessment outputs | |
| Harris et al. | Reducing immunogenicity by design: approaches to minimize immunogenicity of monoclonal antibodies | |
| Choi et al. | DisruPPI: structure-based computational redesign algorithm for protein binding disruption | |
| B. da Silva et al. | Rational design of chymotrypsin inhibitor 2 by optimizing non-native interactions | |
| EP4394786A1 (en) | Pharmaceutical assistance device, operation method for pharmaceutical assistance device, and operation program for pharmaceutical assistance device | |
| WO2023218808A1 (ja) | 製薬支援装置、製薬支援装置の作動方法、および製薬支援装置の作動プログラム | |
| Vessely et al. | QbD in biopharmaceutical manufacturing and biosimilar development | |
| WO2023218807A1 (ja) | 製薬支援装置、製薬支援装置の作動方法、および製薬支援装置の作動プログラム | |
| Martins Trevisan et al. | Variants in the Kisspeptin-GnRH pathway modulate the hormonal profile and reproductive outcomes | |
| Polimeni et al. | A multi-scale numerical approach to study monoclonal antibodies in solution |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |