JP2022537799A - 生物工学的生産を最適化するための方法および手段 - Google Patents
生物工学的生産を最適化するための方法および手段 Download PDFInfo
- Publication number
- JP2022537799A JP2022537799A JP2021566183A JP2021566183A JP2022537799A JP 2022537799 A JP2022537799 A JP 2022537799A JP 2021566183 A JP2021566183 A JP 2021566183A JP 2021566183 A JP2021566183 A JP 2021566183A JP 2022537799 A JP2022537799 A JP 2022537799A
- Authority
- JP
- Japan
- Prior art keywords
- cell culture
- reactor system
- digital twin
- culture
- data
- 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 abstract description 75
- 238000013452 biotechnological production Methods 0.000 title description 2
- 239000002028 Biomass Substances 0.000 claims abstract description 20
- 239000013028 medium composition Substances 0.000 claims abstract description 4
- 230000004907 flux Effects 0.000 claims description 58
- 238000004113 cell culture Methods 0.000 claims description 43
- 230000002503 metabolic effect Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 239000000047 product Substances 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000013386 optimize process Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000012010 growth Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims description 6
- 238000012258 culturing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- -1 osmolarity Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002427 irreversible effect Effects 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 28
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 210000004027 cell Anatomy 0.000 description 23
- 150000001875 compounds Chemical class 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 9
- 230000003834 intracellular effect Effects 0.000 description 6
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 5
- 150000001413 amino acids Chemical class 0.000 description 5
- 239000008103 glucose Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- ZDXPYRJPNDTMRX-VKHMYHEASA-N L-glutamine Chemical compound OC(=O)[C@@H](N)CCC(N)=O ZDXPYRJPNDTMRX-VKHMYHEASA-N 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000019522 cellular metabolic process Effects 0.000 description 3
- 238000004128 high performance liquid chromatography Methods 0.000 description 3
- 239000002609 medium Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 241000699802 Cricetulus griseus Species 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 2
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 description 2
- 102000005396 glutamine synthetase Human genes 0.000 description 2
- 108020002326 glutamine synthetase Proteins 0.000 description 2
- 230000013595 glycosylation Effects 0.000 description 2
- 238000006206 glycosylation reaction Methods 0.000 description 2
- 239000001963 growth medium Substances 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000001672 ovary Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 102000008394 Immunoglobulin Fragments Human genes 0.000 description 1
- 108010021625 Immunoglobulin Fragments Proteins 0.000 description 1
- 229930182816 L-glutamine Natural products 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 238000001237 Raman spectrum Methods 0.000 description 1
- 241000271897 Viperidae Species 0.000 description 1
- 229940024606 amino acid Drugs 0.000 description 1
- 230000037354 amino acid metabolism Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000007640 basal medium Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 238000010352 biotechnological method Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 230000007248 cellular mechanism Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000000172 cytosol Anatomy 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003413 degradative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012526 feed medium Substances 0.000 description 1
- 230000035611 feeding Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000034659 glycolysis Effects 0.000 description 1
- 125000003147 glycosyl group Chemical group 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 229910052816 inorganic phosphate Inorganic materials 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012092 media component Substances 0.000 description 1
- 238000012269 metabolic engineering Methods 0.000 description 1
- 230000037353 metabolic pathway Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Sustainable Development (AREA)
- Biotechnology (AREA)
- Microbiology (AREA)
- Computer Hardware Design (AREA)
- Biochemistry (AREA)
- Genetics & Genomics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Abstract
媒体組成および／または供給プロファイルを最適化することによって、製品濃度、生産性、バイオマス濃度、および製品品質を増加させる目的のために、バイオテクノロジー製品の生産のためのデジタルツインを自動生成および検証し、ならびにデジタルツインを適用するための新しい方法。デジタルツインはオンライン最適化のために生産に直接リンクすることもできるし、意思決定支援のためにオフラインでリンクすることもできる。【選択図】図１
Description
本発明は、媒体組成および／または供給プロファイルを最適化することによって、製品濃度、生産性、バイオマス濃度、および製品品質を増加させる目的で、バイオテクノロジー製品の生産のためのデジタルツインの自動生成および検証、ならびにデジタルツインの応用のための新規な方法を提供する。デジタルツインはオンライン最適化のために生産に直接リンクすることもできるし、意思決定支援のためにオフラインでリンクすることもできる。
今日、デジタルツインは、機械工学、電気工学、化学工業、およびその他の関連産業において使用されている。機械、工業製品、およびサプライチェーンの設計、最適化、および制御を大幅に改善および高速化する可能性があるためである。デジタルツインはそれらの予測品質を通じて、生産に直接介入するために、または資産およびサプライチェーンの全体的な挙動を予測し、改善するために使用することができる。このような利点にもかかわらず、デジタルツインは、生物工学的生産プロセスには適用されない。
バイオテクノロジープロセスのモデルは過去に開発されているが、これらのモデルの大部分は３つの主要な問題に取り組むことができない:（ｉ）モデルが予測品質をほとんど有していない、（ｉｉ）必要な実験データを必要に応じて提供することができない、（ｉｉｉ）モデルの作成は、細胞系の複雑さのためにコストが高すぎる、または未知数が多すぎるために不可能である。
本発明者らは、初めて、細胞モデル、リアクタモデル、増殖モデル、および細胞外反応動態を機械学習と組み合わせることによって、高度に予測的なデジタルツインのための方法および手段を見出した（図１参照）。細胞内濃度の準定常的な記述を通して、デジタルツインは、基質、生成物（すなわち、「化合物」）およびバイオマスの動態のみに基づいて、訓練および検証することができる。これらの実験データは日常的な基礎に基づいて容易に提供することができ、ほとんどのバイオ医薬品製造プロセスにおける標準的な測定データである。本発明は、ａ）周知の代謝ネットワークのメカニズムと周知の培養システム、および、ｂ）機械学習による未知の細胞メカニズムのデータ駆動学習を利用する。
デジタルツインの訓練、検証、および応用は完全に自動化され、連続、バッチおよび流加培養のような異なるプロセスフォーマット間で交換可能であり、モノクローナル抗体、抗体フラグメント、ビタミン、アミノ酸、ホルモン、または成長因子のような異なる産物間で交換可能である。さらに、この方法は、代謝ネットワークが再構築されているか、または再構築され得るすべての生物および細胞株に対して適用できる。
細胞培養プロセスのためのデジタルツインを提供する。デジタルツインは、複数の生物学的細胞、細胞外反応、およびリアクタシステムを表す。
Ｈ行列は、本発明のこの実施形態の独特の特徴である。本発明によれば、Ｈは２つの機能を有する訓練可能な行列である：
（ｉ）エレメンタリフラックスモードの数Ｎｕｍｍｏｄｅｓを減少した数Ｎｕｍｍｏｄｅｓ，ｒｅｄに変換する（すなわち、次元数低減）
（ｉｉ）行列乗算演算（すなわち、モード結合）を介してモードを結合する。
（ｉ）エレメンタリフラックスモードの数Ｎｕｍｍｏｄｅｓを減少した数Ｎｕｍｍｏｄｅｓ，ｒｅｄに変換する（すなわち、次元数低減）
（ｉｉ）行列乗算演算（すなわち、モード結合）を介してモードを結合する。
その好ましい変形形態において、訓練されたＲＮＮの評価は、培養データの第２サブセット、いわゆる評価セットに基づいてＬｏｓｓを計算することによって実行され、第２サブセット（評価セット）は訓練に使用されるデータの第１サブセット（訓練セット）とは異なる。
本発明の方法の特定の実施形態において、エレメンタリフラックスモードのモード行列Ｍは、モード分解の方法によって得られる。好ましくは、本方法は以下のステップを含む：
・全ての代謝フラックスのセットを変換して可逆反応を分離し、全ての不可逆反応のセットを得る；
・エレメンタリフラックスモードを得るために再帰的に適用される目的関数および不活性リアクタの不活性化を最小化する、目的関数は以下で表される：
ｍｉｎ（Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏ）
Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏは非ゼロフラックスの反応の個数
・すべての同定されたエレメンタリフラックスモードを収集し、それらをモード行列Ｍに積み重ねる。
・全ての代謝フラックスのセットを変換して可逆反応を分離し、全ての不可逆反応のセットを得る；
・エレメンタリフラックスモードを得るために再帰的に適用される目的関数および不活性リアクタの不活性化を最小化する、目的関数は以下で表される：
ｍｉｎ（Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏ）
Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏは非ゼロフラックスの反応の個数
・すべての同定されたエレメンタリフラックスモードを収集し、それらをモード行列Ｍに積み重ねる。
この態様によれば、本発明は（ｉ）リアクタモデル、細胞外反応モデル、および細胞モデル、（ｉｉ）機械学習ステップ（すなわち、ニューラルネットワーク）、および（ｉｉｉ）実際の生物学的システムに対して適用されるプロセス最適化ステップ、を表すデジタルツインを提供する。
リアクタモデルは、培養システムへの／培養システムからのすべての入出力を含む。これは、供給、サンプリング（および補償）、細胞出血、および透過物流出を含むが、これらに限定されない。従ってリアクタモデルは、液体および気体の交換を表しているとともに、培養システムへの／培養システムからの基質、生成物、およびバイオマスの関連する交換を表している。
細胞外反応モデルは、培養培地中で起こる全ての化学反応を含む。これは、グルタミンのような代謝産物の酸化または抗体のような産物の断片化のような分解プロセスを含むが、これらに限定されない。
細胞モデルには、すべての既知の代謝経路が含まれる。これは、解糖、アミノ酸代謝、アミノ酸分解、ＤＮＡ／ＲＮＡ、タンパク質、脂質、炭水化物の形成、グリコシル化、呼吸および細胞内コンパートメント間の輸送ステップ、ならびにサイトゾルと細胞外環境との間の輸送ステップなどの輸送ステップを含む。エレメンタリフラックスモードの計算のために、セルモデルにおける個々の化学量論的反応および輸送ステップの元素および電荷バランスが保証されなければならない。
機械学習ステップは、訓練のための入力として実際の（すなわち、実験的である）培養データを受信するニューラルネットワークｆ（ｔ）を含む。次に、この訓練されたニューラルネットワークは、前の時点のプロセス状態に基づいて、各時点におけるプロセスに関与するバイオマスを含む全ての化合物の消費および生産速度を含むベースモードのフラックスを予測する。
本発明の好ましい実施形態によるマトリックスを以下により詳細に説明する：
本発明の好ましい実施形態において、ニューラルネットワーク構造はニューラルネットワークｆ（ｔ）ハイパーパラメータに基づいてセットアップされる。ニューラルネットワークのハイパーパラメータは以下を含むことができるが、これらに限定されない：一般化パラメータ（バッチサイズおよびドロップアウト速度）、学習速度、オプティマイザタイプ、およびニューラルネットワークのトポロジ（すなわち、隠れ層の数および層当たりのニューロンの数）。
本発明の好ましい実施形態において、培養データの前処理が実施される。培養データの前処理の好ましい変形は以下のステップを含む：（ｉ）量子化：実際の測定の時点をデータサンプリング期間にマッピングするステップ、（ｉｉ）ユニット変換：すべてのデータのユニットが一貫するように変換するステップ、（ｉｉｉ）欠落データ点の補償：特に補間によって欠落データ点を埋めることを目的とするステップ。
本発明の好ましい実施形態において、デジタルツインは、３つの連続するステップ、すなわち、フラックス解析、モード分解、および再帰的ニューラルネットワーク（ＲＮＮ）による訓練／検証、によって構築することができる。
以下では本発明の好ましい実施形態によるフラックス分析のステップをより詳細に説明する：細胞フラックスを定量化するために、フラックス分析は以下の２つの連続するステップによって実施される：（ｉ）フェーズ探索および交換速度推定、続いて（ｉｉ）代謝フラックス分析（ＭＦＡ）。
バイオマス増殖は、各フェーズ内の準定常状態を考慮して異なるフェーズに分けられる。これは、増殖速度、バイオマス特異的フラックス、および交換レートが一定であると考えられることを意味する。
その好ましい態様によれば、フェーズ探索の全体的な手順は、３回ネストされた最適化アルゴリズム（図４）である。本発明のこの好ましい態様は、以下を提供する：
・バイオマスの成長速度と、バイオマス以外のすべての化合物の速度を推定することに関する線形凸問題であり、各推定フェーズに対応する。
・フェーズ境界の最適化された位置を見つけるグローバル連続問題であり、局所最小値を有し、グローバルオプティマイザを使用してそれを解くことができる。
・推定された量と測定された量との間の２乗誤差の和（ＳＳＥ）を最小化することによって、フェーズの最良の数を定義する、離散最適化問題。
要約すると、線形凸問題の解は交換レートを提供し、グローバル連続問題はフェーズ境界の最適化された位置を見出し、離散最適化問題はフェーズの最良の数を推定する。フェーズ探索および交換レート推定への入力は培養データであり、出力は推定された細胞外レート（すなわち交換レート）および推定されたフェーズ境界である。フェーズ探索および交換速度推定を適用することによって、各推定フェーズに対応するすべての化合物の細胞交換速度が定量化される。
以下では本発明の好ましい実施形態による代謝フラックス分析（ＭＦＡ）をより詳細に説明する：各フェーズ内のすべての化合物の推定交換速度が与えられると、本発明のこの好ましい実施形態の次のステップは、各フェーズに対応する細胞内速度を定量化することである。
細胞内フラックスはＡｎｔｏｎｉｅｗｉｃｚら［１］の研究に基づいて計算されるが、本発明のこの好ましい実施形態によれば、目的関数は加重平均２乗誤差（ＷＭＳＥ）であり、複雑さを制御するペナルティ係数が目的関数に追加されるという実質的な違いがある：
さらに、本発明の好ましい実施形態によれば、タンパク質鎖伸長のためのエネルギ消費が考慮される。それぞれの個々の伸長工程は、ＡＤＰおよび無機リン酸Ｐｉへ加水分解される４つのＡＴＰ分子と同等のものを犠牲にして実施される。対応する部分反応ＡＴＰ＋Ｈ２Ｏ→ＡＤＰ＋Ｐｉは、加水分解反応を提供する他の等価なエネルギを表す。例えばＧＴＰ＋Ｈ２Ｏ→ＧＤＰ＋Ｐｉまたは０．５ＡＴＰ＋Ｈ２Ｏ→０．５ＡＭＰ＋Ｐｉである。
別の実施態様において、本発明はグリコシル残基などのアミノ酸以外の他の成分を含む生成物の形成も含む。
以下では、本発明の好ましい実施形態によるエレメンタリフラックスモードを得るためのモード分解のステップを説明する。標準的な方法でエレメンタリフラックスモードの完全なセットを計算することは、計算コストが高く、ゲノム規模の代謝ネットワークにおいては組み合わせ爆発につながる。本発明の好ましい態様によるエレメンタリフラックスモードを導出するために、Ｃｈａｎ 等[２]（ｃ.ｆ.図６）によって提案された方法を、目的関数の修正とともに適用する：
ｍｉｎ（Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏ）
ここで、Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏは、ゼロでないフラックスの反応数である。この変更は使用される反応の数を最小限にし、エレメンタリフラックスモードの反応数を最小にする。次いで、エレメンタリフラックスモードは、本発明の再帰的ニューラルネットワーク（ＲＮＮ）を訓練するための入力としてモード行列Ｍの形態で使用することができる。
ｍｉｎ（Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏ）
ここで、Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏは、ゼロでないフラックスの反応数である。この変更は使用される反応の数を最小限にし、エレメンタリフラックスモードの反応数を最小にする。次いで、エレメンタリフラックスモードは、本発明の再帰的ニューラルネットワーク（ＲＮＮ）を訓練するための入力としてモード行列Ｍの形態で使用することができる。
以下では、本発明の好ましい実施形態による再帰的ニューラルネットワーク（ＲＮＮ）をより詳細に説明する。ＲＮＮは、中間状態モデル、ニューラルネットワークｆ（ｔ）、フラックスベースのレート推定、および指数成長モデルからなる（図７）。ＲＮＮは、細胞の供給、代謝、および成長をシミュレートするために使用される。中間状態モデルは培養量を更新し、ニューラルネットワークｆ（ｔ）への入力である中間状態ベクトルを計算する。次に、ニューラルネットワークｆ（ｔ）は、ベースフラックスモードを更新する。更新されたベースフラックスモードは、次の時間ステップにおける細胞とそれらの環境との間の交換レートを得るために、減少された化学量論的マトリックス上に再投影される。次に、指数成長モデルを使用して、代謝ネットワークからの細胞外速度に基づいて次の時間ステップの状態ベクトルを更新する（図７）。
以下では、本発明の好ましい実施形態によるＲＮＮのトレーニングおよび評価または検証をより詳細に説明する。ＲＮＮの訓練中、ニューラルネットワークの重みＷ、バイアスｂ、およびＨマトリックスは、培養データの訓練セット、すなわちいくつかの培養ランのサブセットに基づいて訓練される。ニューラルネットワークは細胞の動態を表し、Ｈ行列は、モード縮小／組み合わせ行列である。
本発明の好ましい実施形態において、培養データのトレーニングセットを使用してＲＮＮのトレーニングに成功した後、トレーニングされたＲＮＮの性能は、トレーニングセットとは異なる培養データの評価セットを使用して評価される（図９参照）。トレーニングされたＲＮＮの性能は、培養工程化合物の測定された濃度と予測された濃度との間のＲ2尺度を用いて評価される。トレーニングされたＲＮＮのパフォーマンスを評価するために、代替的にまたは追加的に、他のパフォーマンス測定値を使用することができる。
このモデルは、ハイパーパラメータを使用する。本発明の好ましい実施形態において、格子探索を使用して、モデルの最高の予測能力につながるハイパーパラメータの最適値を自動的に見つける（すなわち、最良のＲ2 測度に基づいて実施する、上記を参照）。本発明の好ましい実施形態において、最良のハイパーパラメータセットが与えられると、モデルは完全なトレーニングセットで再トレーニングされる。
トレーニングおよびＲＮＮの評価を終了した後、デジタルツインは、プロセスを最適化するために容易に使用することができる。
第２態様において、本発明は、このデジタルツインを使用するための方法を提供し、これにより、特定のプロセス最適化目的を達成するために、実際のバイオテクノロジープロセスのプロセス仕様を最適化する。プロセス仕様は特に、供給媒体の組成物および供給戦略から選択されるが、これらに限定されない。プロセス最適化目的は特に以下から選択されるが、これらに限定されるものではない：所与のプロセス最適化制約（例えば発酵槽容量、供給量、供給時点、および化合物濃度など）内における、生成物濃度の最大化、生産性、生成物品質の改善、およびバイオマス濃度の最大化。
この態様によれば、本発明は、細胞培養プロセスの培養データからリアクタシステムにおける細胞培養プロセスのための最適化されたプロセス仕様を提供するための方法を提供する。本法は以下を有する：
・細胞培養工程の培養データを取得するステップ；
・本発明の第１態様の方法によって得られるデジタルツインを適用することによって、取得した培養データから、少なくとも１つの最適化されたプロセス仕様を適合または生成するステップ。
・細胞培養工程の培養データを取得するステップ；
・本発明の第１態様の方法によって得られるデジタルツインを適用することによって、取得した培養データから、少なくとも１つの最適化されたプロセス仕様を適合または生成するステップ。
第３の態様において、本発明は、リアクタシステムにおける生物細胞の培養のための方法を提供する。この方法は、本発明の第２態様による方法によって提供される少なくとも１つの最適化されたプロセス仕様を用いて、リアクタシステム内で生物細胞を培養するステップを含む。より詳細には、この態様によれば、本発明は、細胞培養プロセスの培養データからリアクタシステムにおける細胞培養プロセスのための最適化されたプロセス仕様を提供するための方法に関するものであり、以下のステップを有する：
・細胞培養工程の培養データを取得するステップ；
・本発明の第１態様の方法によって得られるデジタルツインを適用することによって、取得した培養データから、少なくとも１つの最適化されたプロセス仕様を適合または生成するステップ。
・細胞培養工程の培養データを取得するステップ；
・本発明の第１態様の方法によって得られるデジタルツインを適用することによって、取得した培養データから、少なくとも１つの最適化されたプロセス仕様を適合または生成するステップ。
この態様によれば、最適化されたプロセス仕様は、バイオテクノロジー生産プラントを運転するために使用される。例えば、供給スキームが最適化される本発明の好ましい実施形態においては、供給ポンプを制御する装置（例えば、コンピュータ）は、最適化された供給スキームを入力として使用するソフトウェアに従って動作する。
好ましくは、プロセス仕様は、以下から選択される１つ以上の仕様に関して最適化される：供給ストラテジー、培地組成物、重量モル浸透圧濃度、培地ｐＨ、ｐＯ２、温度。
第４の態様において、本発明は、リアクタシステムにおける生物学的細胞培養の自動制御のためのデバイスを提供する。より詳細にはこの態様によれば、本発明は、リアクタシステムにおける実施中の生物学的細胞培養プロセスの自動制御のための装置に関する。本デバイスは以下を備える：
・プロセッサを含むコンピューティングデバイス、および
・プログラムコードおよび本発明の第１態様の方法に従って入手可能なデジタルツインを記憶するメモリ。
・プロセッサを含むコンピューティングデバイス、および
・プログラムコードおよび本発明の第１態様の方法に従って入手可能なデジタルツインを記憶するメモリ。
本発明によれば、プログラムコードは、前記プロセッサ上で実行されると、コンピューティングデバイスに次のことを実施させる：
・リアクタシステム内の実施中の細胞培養から培養データを取得する、
・取得した培養データからリアクタシステムのプロセス仕様を調整または生成する。
・リアクタシステム内の実施中の細胞培養から培養データを取得する、
・取得した培養データからリアクタシステムのプロセス仕様を調整または生成する。
プログラムされたコントローラは、好ましくはオンラインでの生体細胞培養プロセスの実行におけるプロセス仕様を適応または最適化するために適用される。細胞培養プロセスは好ましくは閉ループフィードバックシステムで制御され、ここで、デジタルツインはリアクタに取り付けられたオンラインセンサから、および離散時間点におけるサンプリングから、リアルタイム情報、すなわち細胞培養データを受け取る。このサンプリングされた情報はデジタルツインを更新し、その結果、プロセスの連続的な最適化につながる。オンラインセンサは、ｐＨ、酸素飽和度、バイオマス濃度、温度、赤外線、またはラマンスペクトルなどを測定する。離散サンプリングは、化合物の濃度および／または生成物の品質に関する情報を与える。化合物は、好ましくは以下から選択されるがこれらに限定されない：アンモニア、グルタミン、グルコース、および乳酸。生成物の品質は、以下から選択されるがこれらに限定されない：生成物の断片化、およびグリコシル化パターン。
この態様によれば、本発明はまた、生物学的細胞培養物の培養のためのリアクタシステムに関する。このリアクタシステムは、生物学的細胞培養物の自動制御のための前記デバイスおよびリアクタを含む。
さらなる態様において、本発明は、第１態様による実際の生物学的細胞培養工程のデジタルツインを構築するための本発明の方法を実行する自動計算手段に関する。したがって本発明は、細胞培養プロセスのためのデジタルツインを構築するプログラムコードを格納した、一時的でないコンピュータ可読記憶媒体を提供する。このプログラムコードはコンピュータによって実行されると、コンピュータに、第１態様の方法の命令ステップを実行させる。
このさらなる態様によれば、本発明はまた、デジタルツインの構築のための計算システムを提供する。計算システムは以下を含む：
・プロセッサを含むコンピューティングデバイス、および
・前記プロセッサによって実行されると、コンピュータに第１態様の方法の命令ステップを実行させるデジタルツインを構築するための命令を記憶するメモリ。
・プロセッサを含むコンピューティングデバイス、および
・前記プロセッサによって実行されると、コンピュータに第１態様の方法の命令ステップを実行させるデジタルツインを構築するための命令を記憶するメモリ。
＜図面の詳細な説明＞
図１は、本発明によるデジタルツイン（１００）の構成ブロックおよび構造を概略的に示す。デジタルツイン （１００）は、培養系への全てのインレットおよびアウトレットを記述するリアクタモデル（１１０）、培養培地中の全ての化学反応を記述する細胞外反応モデル（１２０）、および、細胞代謝と増殖を含む細胞の動態を記述する細胞モデル（１３０）を含む。細胞モデル（１３０）の動態は、細胞代謝、すなわち代謝ネットワーク（１３１）をニューラルネットワーク（１３２）と結合させることによって得られる。
図１は、本発明によるデジタルツイン（１００）の構成ブロックおよび構造を概略的に示す。デジタルツイン （１００）は、培養系への全てのインレットおよびアウトレットを記述するリアクタモデル（１１０）、培養培地中の全ての化学反応を記述する細胞外反応モデル（１２０）、および、細胞代謝と増殖を含む細胞の動態を記述する細胞モデル（１３０）を含む。細胞モデル（１３０）の動態は、細胞代謝、すなわち代謝ネットワーク（１３１）をニューラルネットワーク（１３２）と結合させることによって得られる。
図２は、本発明による動作モードにおけるデジタルツイン（２００）を概略的に示す。実際の細胞培養物（２１０）からの培養データ（２１１）は、デジタルツイン（２００）の訓練および確認のために使用される。デジタルツイン（２００）は次に、細胞培養性能（例えば、生産性および増殖）および／または細胞培養（２１０）によって産生される産物の品質を最適化すること（２０１）を目的とする予測のために使用される。
図３は、本発明の好ましい実施形態による方法のための実施されたワークフローを示す：プロセス仕様を開始（３００）、すなわち培養データが受信され、プロセス仕様（３２０）は改善されたプロセスを得るために自動的に最適化される。本発明の方法（３１０）の戦略は、完全に自動かつ自律的なプロセスに基づく。自律プロセスは好ましくは、細胞培養データの初期前処理（３１１）、そこから細胞内フラックスの最良の推定を得るためのフラックス分析（３１２）、計算されたフラックスデータのモード分解（３１３）、および計算されたフラックスデータに基づいて訓練される新規な再帰代謝ネットワークモデル（ＲＮＮ）（３１４）の適用を含む。次に、訓練されたＲＮＮ（３１４）を自動化されたプロセス最適化ステップ（３１５）に対して適用して、改善されたプロセス仕様（３２０）を得る。
図４は、本発明の好ましい実施形態による、フェーズ検索および交換レート推定アルゴリズム（４００）のプロセスのフローチャートを示す。フェーズ探索アルゴリズムは、３回ネストされた最適化問題である。線形凸問題は、交換レートの推定を解く。大域的連続問題はフェーズ境界の最適化位置を見つけ、離散最適化問題は最良のフェーズ数を推定する。一点鎖線は、それぞれ、線形凸問題（４１０）を示す。線形凸問題は、大域最適化問題（４２０）内でネストしている。大域最適化問題（４２０）は、離散最適化問題（４３０）内でネストしている。フェーズ探索および交換速度推定への入力は、培養プロセス仕様（４０１）および（代謝産物）濃度測定の時系列（４０２）によって反映される培養データである。このモジュールのアウトプットは、推定された細胞外速度（４４１）、すなわち、交換速度、および培養プロセスの増殖フェーズの検出されたフェーズ境界（４４２）である。
図５は、本発明の好ましい実施形態による代謝フラックス分析（ＭＦＡ）アルゴリズム（５００）のフローチャートを示す：ＭＦＡへの入力は、フェーズ探索および交換速度推定（図４参照）から得られる推定細胞外速度（５０１）、および現在の培養プロセスの代謝ネットワーク（５０２）である。ＭＦＡの出力は、推定された細胞内代謝フラックスのセットである（５１０）。
図６は、本発明の好ましい実施形態によるモード分解アルゴリズム（６００）のフローチャートを示す：モード分解アルゴリズム（６００）への入力は、ＭＦＡから導出された代謝フラックス（６０１）（図５参照）、および現在の培養プロセスの代謝ネットワーク（６０２）である。出力はエレメンタリフラックスモード（ＥＦＭ）の行列Ｍ（６０３）であり、「Ｆ＿ｒｅｍｏｖｅｄ」は、アルゴリズムの各反復ステップで識別されたエレメンタリフラックスを除去した後に残ったフラックスの総数を示す。
図７Ａおよび７Ｂは、本発明の好ましい実施形態によるトレーニング可能な再帰代謝ネットワークモデル（ＲＮＮ）のフローチャートを示す：ＲＮＮは、４つの別個の部分、すなわち、中間状態モデル（７１０）、ニューラルネットワーク（７２０）、フラックスベースのレート推定（７３０）、および指数成長モデル（７４０）を含む。パネル（７００）は、単一のＲＮＮステップの数学的表現を詳細に示す。各ＲＮＮステップへの入力は、初期状態（第１ステップ）または先行するＲＮＮステップのいずれかからの化合物濃度および培養体積である。各ＲＮＮステップの出力は、「更新された」化合物濃度および培養体積である。ＲＮＮの各ステップへのさらなる入力は、連続的な（すなわち、供給に関連する）培養体積変化ΔＶＦ（ｔ）、供給ΔＮ（ｔ）に起因する化合物量変化、および非連続的な（すなわち、サンプリングに関連する）培養体積変化ΔＶＳ（ｔ）である。
図９は、本発明の好ましい実施形態によるＲＮＮのトレーニングおよび検証のフローチャートを示す：入力は、代謝ネットワーク（９０２）、エレメンタリフラックスモードのマトリックス（９０１）、培養データのトレーニングセット（９０５）、培養データ全体のサブセット、ハイパーパラメータである。バイパーパラメータは例えば、縮減モードの数（９０４）、隠れ層の数、またはニューラルネットワークの層当たりのニューロン数である。破線は、ＲＮＮをトレーニングするための最適化ループ（９１０）を示す。トレーニングが成功した後、ＲＮＮは、訓練されたＨ行列（９０７）と、ニューラルネットワークの学習された重み（Ｗ）およびバイアス（ｂ）（９０６）とを返す。
図１０は、本発明の好ましい実施形態によるプロセス最適化アルゴリズム（１０００）のフローチャートを示す：プロセス最適化への入力は、事前設定されたプロセス最適化制約（１００１）、訓練された再帰代謝ネットワーク（Ｈ，Ｗ，ｂ）（１００２）（図９参照）、および意図しているプロセス最適化の１つまたは複数の最適化目標（１００３）である。出力は、最適化された培養プロセス仕様のセットである（１００４）。
図１１は、本発明の好ましい実施形態による、自動化プロセス全体およびプロセス内部のすべてのデータフローのフローチャートを示す。
図１２は、訓練データセット（左パネル）および評価データセット（右パネル）に対する本発明によるモデルの性能をそれぞれ示す。Ｒ2 は、このモデルの予測能力を定量化するために使用される。両方のパネルについて、ｘ軸およびｙ軸は、それぞれ、測定された濃度および予測された濃度を示す。
図１３は、本発明による単一細胞培養プロセス全体にわたるバイオマス（左パネル）および生成物（右パネル）についての、測定された（正方形）、予測された（破線）、最適化された（実線）、および実験的に実施された（星印）濃度のグラフを示す。この実施例において、プロセス最適化の目的は、生成物力価を増加させることであった。本発明によるアルゴリズムによって提供される最適化されたプロセス仕様は、より高い生成物力価をもたらす（星形を正方形と比較されたい）。
図１４は、バイオマスおよび生成物に加えて、すべての化合物について実験的に測定された（正方形）、予測された（破線）、および最適化された（実線）濃度を示す。
＜実施例＞
以下に、本発明の教示を用いることによって最終力価を増加させるために、供給および培地がどのように最適化されるかを示す。
以下に、本発明の教示を用いることによって最終力価を増加させるために、供給および培地がどのように最適化されるかを示す。
リアクタセットアップを含む実験セットアップ。グルタミン合成酵素（ＧＳ）発現系を介してＩｇＧモノクローナル抗体（ｍＡｂ）を発現する工業的組み換えチャイニーズハムスター卵巣（ＣＨＯ）細胞系を、この実施例で使用する。モノクローナル抗体のアミノ酸組成（モル％）は、Ａｌａ ５．４、Ａｒｇ ３．９、Ａｓｎ ２．６、Ａｓｐ ４．３、Ｃｙｓ ４．１、Ｇｌｕ ５．８、Ｇｌｎ ４．２、Ｇｌｙ ３．０、Ｈｉｓ ４．２、Ｉｌｅ ４．１、Ｌｅｕ ６．３、Ｌｙｓ ４．３、Ｍｅｔ ２．２、Ｐｈｅ ３．０、Ｐｒｏ ８．３、Ｓｅｒ １０．２、Ｔｈｒ ５．３、Ｔｒｙ ５．５、Ｔｙｒ ４．２、Ｖａｌ ９．１であった。
増殖の間、細胞を振盪フラスコ中で培養し、３６℃および５% CO２の加湿インキュベーター中で維持した。細胞を化学的に規定された培地中で３～４日ごとに継代した後、０．５～１×１０6細胞／ｍｌで２４ａｍｂｒ（登録商標）１５リアクター（サルトリウス、ゴッティンゲン、ドイツ）に播種した。基礎培地ＡｃｔｉＣＨＯ-P（ＧＥヘルスケア）に４ｍＭ L-グルタミンを補充し、播種前にリアクタに添加して、接種後の開始体積が１０ｍＬになるようにした。３つの供給システムを使用した：供給者の情報に基づくＡｃｔｉＣＨＯ ＦｅｅｄＴＭ-Ａ（ｆｅｅｄ１）およびＡｃｔｉＣＨＯ ＦｅｅｄＴＭ-Ｂ（ｆｅｅｄ２、ＧＥヘルスケア）および２５００ｍＭグルコースを含むグルコース供給（ｆｅｅｄ３）。ｆｅｅｄ１とｆｅｅｄ２の１日の供給量は、細胞培養量の３％および０．３％であった。ｆｅｅｄ３を追加することにより、グルコース濃度を３ｇ／Ｌ超に維持した。さらなる分析のために、１ｍＬを３、５、７、１０、１２および１４日目に試料採取した。
細胞数、生存率、および細胞直径は、ＶｉＣｅｌｌ（Ｂｅｃｋｍａｎ Ｃｏｕｌｔｅｒ、Ｂｒｅａ、カリフォルニア、ＵＳＡ）によって測定した。試料中のグルコース、乳酸塩、およびアンモニア濃度を、ＢｉｏＰｒｏｆｉｌｅ Ｆｌｅｘ分析器（Ｎｏｖａ Ｂｉｏｍｅｄｉｃａｌ、Ｗａｌｔｈａｍ、マサチューセッツ、ＵＳＡ）によって分析し、アミノ酸を高速液体クロマトグラフィー（ＨＰ-ＬＣ）によって測定した。モノクローナル抗体（ｍＡｂ）の力価を、プロテインＡカラムを用いたＨＰＬＣによって測定した。
代謝ネットワーク。Ｈｅｆｚｉら［３］のＣＨＯ代謝ネットワークを、ソフトウェアＩｎｓｉｌｉｃｏ Ｄｉｓｃｏｖｅｒｙ（商標）（Ｉｎｓｉｌｉｃｏ Ｂｉｏｔｅｃｈｎｏｌｏｇｙ ＡＧ、Ｓｔｕｔｔｇａｒｔ、ドイツ）を使用してインポートした。次いで、代謝ネットワークの化学量論的マトリックスＳを、さらなる処理のためにデジタルツインに移した。
細胞外ネットワーク。この実施例では、細胞外反応ネットワークは考慮されなかった。
トレーニングと評価。データセットをトレーニングセット（８０％）および評価セット（２０％）に分割した。デジタルツインは、トレーニングセット内の測定濃度を学習した。その後、評価セットを用いてデジタルツインの予測力を評価した（図１２参照）。ニューラルネットワークｆ（ｔ）は各層にそれぞれ３０個および２０個のニューロンを有する２つの隠れ層を含み、ベースフラックスモードの数は１０であった。
プロセス最適化。デジタルツインを用いてプロセスを最適化した。最適化は、ｆｅｅｄ１とｆｅｅｄ２の供給レジームおよび培地組成を適合させることによって、産物力価を実験的に増加させることを目的とした（図１３の正方形と星形を比較されたい）。各供給の毎日の体積添加は、０～１ｍＬの間に制限した。供給は、リアクタの動作範囲（１０～１５ｍＬ）によってさらに制限された。媒体成分は、それらの溶解限界によって境界を定められた。バイオマスおよび生成物とは別に、デジタルツインは、プロセス期間にわたる全ての化合物の濃度を学習した（図１４を参照のこと）。
結論として、この特定の実施例において、プロセス最適化の目的は、生成物力価を増加させることであった。この実施例は、本発明によって提案される最適化されたプロセス仕様が有意に高い産物力価をもたらすことを証明している（図１３）。
＜引用文献＞
[1] Antoniewicz, M. R., Kelleher, J. K., & Stephanopoulos, G. (2006). Determination of confidence intervals of metabolic fluxes estimated from stable isotope measurements. Metabolic engineering, 8(4), 324-337.
[2] Chan, S.H.J. & Ji, P. (2011). Decomposing flux distributions into elementary flux modes in genome-scale metabolic networks. Bioinformatics 27, 2256-2262.
[3] Hefzi et al. (2016). A Consensus genome-scale reconstruction of Chinese Hamster Ovary (CHO) cell metabolism. Cell Systems, 3(5), 434-44.
[1] Antoniewicz, M. R., Kelleher, J. K., & Stephanopoulos, G. (2006). Determination of confidence intervals of metabolic fluxes estimated from stable isotope measurements. Metabolic engineering, 8(4), 324-337.
[2] Chan, S.H.J. & Ji, P. (2011). Decomposing flux distributions into elementary flux modes in genome-scale metabolic networks. Bioinformatics 27, 2256-2262.
[3] Hefzi et al. (2016). A Consensus genome-scale reconstruction of Chinese Hamster Ovary (CHO) cell metabolism. Cell Systems, 3(5), 434-44.
Claims (15)
- 細胞培養プロセスのためのデジタルツインを構築する方法であって、前記デジタルツインは、生物学的細胞、細胞外反応、およびリアクタシステムのうち複数を表し、前記方法は、
・実細胞培養プロセスから動的培養データを提供するステップ；
・実際の生物細胞の代謝フラックスから抽出されたエレメンタリフラックスモードのモードマトリクスＭを提供するステップ；
・前記ベースフラックスモードを前記細胞培養プロセスのリアクタシステムの流入および流出と結びつけるステップ；
・基質、産物、バイオマスのマスバランスを解くステップ；
・前記動的培養データによってＨ行列と前記ニューラルネットワークを訓練するステップ；
を有する方法。 -
- 基質、生成物、およびバイオマスのマスバランスは、再帰代謝ネットワークモデル（ＲＮＮ）によって解かれ、前記再帰代謝ネットワークは、
・適正なマスバランスを確保しながら、ある時間ステップにわたる時間の連続関数として培養体積および状態ベクトルの変化を記述する中間状態モデル；
を備える、
請求項１または２記載の方法。 - 前記ＲＮＮをトレーニングするステップは、前記培養データの第１サブセット（トレーニングセット）を使用して、下記損失関数を最小化することによって実行される：
- 前記方法はさらに、
・前記培養データの第２サブセット（評価セット）に基づいて前記損失関数Ｌｏｓｓを計算することによって、前記トレーニングされたＲＮＮを評価するステップであって、前記第２サブセットは前記第１サブセットとは異なる、ステップ、
を有する、
請求項４記載の方法。 - 前記エレメンタリフラックスモードの前記モードマトリクスＭがモード分解によって得られ、前記方法はさらに、
・全ての代謝フラックスを変換して可逆反応を分離し、全ての不可逆反応を得るステップ；
・目的関数を最小化することと不活性リアクタを不活性化することを再帰的に適用してエレメンタリフラックスモードを取得するステップであって、前記目的関数は、
ｍｉｎ（Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏ）
Ｎｕｍｒｘｎｓ，ｖｎｏｎｚｅｒｏはゼロではない反応の個数
によって表される、ステップ；
・識別したすべてのエレメンタリフラックスモードを収集し、それらをモードマトリクスＭに積み重ねるステップ；
を有する、
請求項１から６いずれか１項記載の方法。 - 細胞培養プロセスの培養データからリアクタシステムにおける細胞培養プロセスのための最適化されたプロセス仕様を提供する方法であって、
・前記細胞培養プロセスの培養データを取得するステップ；
・請求項１から６のいずれか１項記載の方法により得られるデジタルツインを適用することにより、取得した培養データから少なくとも１つの最適化されたプロセス仕様を調整または生成するステップ；
を有する方法。 - リアクタシステムにおいて生物細胞を培養する方法であって、
・前記リアクタシステムにおいて前記生物細胞を培養するステップ；
・前記リアクタシステムにおける細胞培養から培養データを取得するステップ；
・請求項１から６のいずれか１項記載の方法によって得られるデジタルツインを適用することによって、取得した培養データから少なくとも１つの最適化されたプロセス仕様を調整または生成するステップ；
・前記少なくとも１つの最適化されたプロセス仕様を前記リアクタシステムに対して適用するステップ；
を有する方法。 - 前記プロセス仕様は、
供給ストラテジー、培地組成物、重量モル浸透圧濃度、培地ｐＨ、ｐＯ２、温度、
から選択される１つ以上の仕様に関して最適化される、請求項８記載の方法。 - リアクタシステムにおいて実行中の生物学的細胞培養物を自動制御するための装置であって、
・プロセッサを含むコンピューティングデバイス；
・プログラムコードおよび請求項１から６のいずれか１項記載の方法にしたがって取得可能なデジタルツインを格納したメモリ；
を備え、
前記プログラムコードは、前記プロセッサが実行すると前記コンピューティングデバイスに、
・前記リアクタシステムにおいて実行中の細胞培養から培養データを取得するステップ；
・前記取得した培養データから前記リアクタシステムのプロセス仕様を調整または生成するステップ；
を実施させる、
装置。 - 請求項１０記載の装置およびリアクタを備える、生物学的細胞培養物を培養するためのリアクタシステム。
- 細胞培養プロセスのためのデジタルツインを構築するプログラムコードを収容した非一時的コンピュータ読取可能記憶媒体であって、前記デジタルツインは、生物学的細胞、細胞外反応、およびリアクタシステムのうち複数を表し、前記プログラムコードはコンピュータによって実行されると、前記コンピュータに、
・実際の細胞培養プロセスから動的培養データを提供するステップ；
・実際の生体細胞の代謝フラックスから抽出されたエレメンタリフラックスモードのモードマトリクスＭを提供するステップ；
・前記ベースフラックスモードを前記細胞培養プロセスのリアクタシステムの流入および流出に結び付けるステップ；
・得られた基質、生成物、およびバイオマスのマスバランスを解くステップ；
・前記動的培養データによって前記Ｈ行列と前記ニューラルネットワークをトレーニングするステップ；
を実施させる、
非一時的コンピュータ読取可能記憶媒体。 - コンピュータによって実行されると、前記コンピュータに、請求項２から６のいずれか１項記載の方法の命令ステップを実行させるプログラムコードを収容した、請求項１２記載の非一時的コンピュータ読取可能記憶媒体。
- 細胞培養プロセスのためのデジタルツインを構築する計算システムであって、前記デジタルツインは、生物学的細胞、細胞外反応、およびリアクタシステムのうち複数のを表し、前記計算システムは、
・プロセッサを含むコンピューティングデバイス；
・前記デジタルツインを構築するための命令を記憶するメモリ；
を備え、
前記命令は前記プロセッサによって実行されると、前記コンピューティングデバイスに、
・実際の細胞培養プロセスから動的培養データを提供するステップ；
・実際の生体細胞の代謝フラックスから抽出されたエレメンタリフラックスモードのモードマトリクスＭを提供するステップ；
・前記ベースフラックスモードを前記細胞培養プロセスのリアクタシステムの流入および流出に結び付けるステップ；
・得られた基質、生成物、およびバイオマスのマスバランスを解くステップ；
・前記動的培養データによって前記Ｈ行列と前記ニューラルネットワークをトレーニングするステップ；
を実施させる、
計算システム。 - 前記メモリは前記プロセッサによって実行されると、前記コンピューティングデバイスに、請求項２から６のいずれか１項記載の方法の命令ステップを実行させる命令を記憶する、請求項１４記載の計算システム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/EP2019/061878 WO2020224779A1 (en) | 2019-05-08 | 2019-05-08 | Method and means for optimizing biotechnological production |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022537799A true JP2022537799A (ja) | 2022-08-30 |
Family
ID=66554350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021566183A Pending JP2022537799A (ja) | 2019-05-08 | 2019-05-08 | 生物工学的生産を最適化するための方法および手段 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220213429A1 (ja) |
| EP (1) | EP3966310A1 (ja) |
| JP (1) | JP2022537799A (ja) |
| CN (1) | CN114502715B (ja) |
| SG (1) | SG11202112113PA (ja) |
| WO (1) | WO2020224779A1 (ja) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT202100002033A1 (it) * | 2021-02-01 | 2022-08-01 | Netabolics S R L | Metodo per l’analisi predittiva di un sistema biologico |
| CN114121161B (zh) * | 2021-06-04 | 2022-08-05 | 深圳太力生物技术有限责任公司 | 一种基于迁移学习的培养基配方开发方法及系统 |
| CN114036810A (zh) * | 2021-11-04 | 2022-02-11 | 江南大学 | 一种细胞培养状态在线估计及优化补料调控方法 |
| EP4296350A1 (en) | 2022-06-24 | 2023-12-27 | Yokogawa Insilico Biotechnology GmbH | A concept for training and using at least one machine-learning model for modelling kinetic aspects of a biological organism |
| CN115220343B (zh) * | 2022-07-13 | 2024-05-17 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
| CN115083535B (zh) * | 2022-08-23 | 2022-11-08 | 佰墨思(成都)数字技术有限公司 | 生物制药车间组态数字孪生构建方法及系统 |
| WO2024064890A1 (en) * | 2022-09-23 | 2024-03-28 | Metalytics, Inc. | Using the concepts of metabolic flux rate calculations and limited data to direct cell culture. media optimization and enable the creation of digital twin software platforms |
| CN116467835B (zh) * | 2023-02-07 | 2024-01-26 | 山东申东发酵装备有限公司 | 一种啤酒发酵罐监控系统 |
| CN116913391A (zh) * | 2023-07-20 | 2023-10-20 | 江南大学 | 一种生物制造过程的代谢通量优化求解方法和系统 |
| CN117497038B (zh) * | 2023-11-28 | 2024-06-25 | 上海倍谙基生物科技有限公司 | 一种基于核方法的快速优化培养基配方的方法 |
| CN117371337B (zh) * | 2023-12-07 | 2024-03-15 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018229802A1 (en) * | 2017-06-16 | 2018-12-20 | Ge Healthcare Bio-Sciences Ab | Method for predicting outcome of and modelling of a process in a bioreactor |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5064656B2 (ja) * | 2002-10-15 | 2012-10-31 | ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア | 実施反応経路を同定するための方法およびシステム |
| CN101186880A (zh) * | 2007-11-29 | 2008-05-28 | 上海交通大学 | 异养培养小球藻的补料优化方法 |
| PT105484A (pt) * | 2011-01-14 | 2012-07-16 | Univ Nova De Lisboa | Um método de ambientómica funcional para engenharia de meio de cultura celular |
| WO2019075461A1 (en) * | 2017-10-13 | 2019-04-18 | BioAge Labs, Inc. | DRUG REPOSITIONING BASED ON DEEP INTEGRATIONS OF GENE EXPRESSION PROFILES |
| CN108710779B (zh) * | 2018-06-08 | 2022-09-16 | 南京工业大学 | 一种膜内微电荷互力p系统fcc反应再生过程最优建模方法 |
-
2019
- 2019-05-08 SG SG11202112113PA patent/SG11202112113PA/en unknown
- 2019-05-08 CN CN201980098255.7A patent/CN114502715B/zh active Active
- 2019-05-08 WO PCT/EP2019/061878 patent/WO2020224779A1/en unknown
- 2019-05-08 EP EP19724388.4A patent/EP3966310A1/en active Pending
- 2019-05-08 JP JP2021566183A patent/JP2022537799A/ja active Pending
- 2019-05-08 US US17/609,204 patent/US20220213429A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018229802A1 (en) * | 2017-06-16 | 2018-12-20 | Ge Healthcare Bio-Sciences Ab | Method for predicting outcome of and modelling of a process in a bioreactor |
Non-Patent Citations (1)
| Title |
|---|
| PROCESSES, vol. 7, JPN6023020337, 13 February 2019 (2019-02-13), ISSN: 0005064645 * |
Also Published As
| Publication number | Publication date |
|---|---|
| SG11202112113PA (en) | 2021-11-29 |
| CN114502715A (zh) | 2022-05-13 |
| WO2020224779A1 (en) | 2020-11-12 |
| EP3966310A1 (en) | 2022-03-16 |
| CN114502715B (zh) | 2024-05-24 |
| US20220213429A1 (en) | 2022-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022537799A (ja) | 生物工学的生産を最適化するための方法および手段 | |
| JP7092879B2 (ja) | 細胞培養物の代謝状態の予測 | |
| Noll et al. | History and evolution of modeling in biotechnology: modeling & simulation, application and hardware performance | |
| JP2022527282A (ja) | バイオリアクタ内における細胞培養性能の予測 | |
| Kager et al. | State estimation for a penicillin fed-batch process combining particle filtering methods with online and time delayed offline measurements | |
| US10872680B2 (en) | Computer-implemented method for creating a fermentation model | |
| Emenike et al. | Model-based optimization of biopharmaceutical manufacturing in Pichia pastoris based on dynamic flux balance analysis | |
| Jabarivelisdeh et al. | Adaptive predictive control of bioprocesses with constraint-based modeling and estimation | |
| Ulonska et al. | Model predictive control in comparison to elemental balance control in an E. coli fed-batch | |
| Hernández Rodríguez et al. | Predicting industrial‐scale cell culture seed trains–A Bayesian framework for model fitting and parameter estimation, dealing with uncertainty in measurements and model parameters, applied to a nonlinear kinetic cell culture model, using an MCMC method | |
| WO2023281016A1 (en) | Monitoring, simulation and control of bioprocesses | |
| Krausch et al. | High‐throughput screening of optimal process conditions using model predictive control | |
| Hocalar et al. | Model based control of minimal overflow metabolite in technical scale fed-batch yeast fermentation | |
| Yousefi-Darani et al. | The Kalman filter for the supervision of cultivation processes | |
| Retamal et al. | Parameter estimation of a dynamic model of Escherichia coli fed-batch cultures | |
| Hernández Rodríguez et al. | Dynamic parameter estimation and prediction over consecutive scales, based on moving horizon estimation: applied to an industrial cell culture seed train | |
| de Oliveira et al. | Nonlinear predictive control of a bioreactor by surrogate model approximation of flux balance analysis | |
| Pauk et al. | An all-in-one state-observer for protein refolding reactions using particle filters and delayed measurements | |
| Hebing et al. | Robust optimizing control of fermentation processes based on a set of structurally different process models | |
| Villaverde et al. | High-confidence predictions in systems biology dynamic models | |
| Gan et al. | Development of a recursive time series model for fed-batch mammalian cell culture | |
| Julien et al. | Bioreactor monitoring, modeling, and simulation | |
| Van Riel et al. | Dynamic optimal control of homeostasis: an integrative system approach for modeling of the central nitrogen metabolism in Saccharomyces cerevisiae | |
| Narayanan et al. | Consistent value creation from bioprocess data with customized algorithms: Opportunities beyond multivariate analysis | |
| von Stosch et al. | Hybrid modeling for systems biology: Theory and practice |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220502 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20220622 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220622 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230808 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231003 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231218 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240305 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240517 |