JP2022544082A - 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するためのシステム及び方法 - Google Patents
自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するためのシステム及び方法 Download PDFInfo
- Publication number
- JP2022544082A JP2022544082A JP2022506788A JP2022506788A JP2022544082A JP 2022544082 A JP2022544082 A JP 2022544082A JP 2022506788 A JP2022506788 A JP 2022506788A JP 2022506788 A JP2022506788 A JP 2022506788A JP 2022544082 A JP2022544082 A JP 2022544082A
- Authority
- JP
- Japan
- Prior art keywords
- wavelength
- protein
- unknown
- absorbance
- standard
- 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.)
- Granted
Links
- 102000004169 proteins and genes Human genes 0.000 title claims abstract description 770
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 770
- 101710100170 Unknown protein Proteins 0.000 title claims abstract description 322
- 238000000034 method Methods 0.000 title claims description 67
- 238000002835 absorbance Methods 0.000 claims abstract description 384
- 238000003384 imaging method Methods 0.000 claims abstract description 366
- 238000002211 ultraviolet spectrum Methods 0.000 claims abstract description 85
- 230000015654 memory Effects 0.000 claims description 67
- 230000001225 therapeutic effect Effects 0.000 claims description 37
- 239000003814 drug Substances 0.000 claims description 35
- 238000010801 machine learning Methods 0.000 claims description 30
- 239000012634 fragment Substances 0.000 claims description 29
- 239000000427 antigen Substances 0.000 claims description 25
- 102000036639 antigens Human genes 0.000 claims description 25
- 108091007433 antigens Proteins 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 229940124597 therapeutic agent Drugs 0.000 claims description 16
- 239000012086 standard solution Substances 0.000 claims description 14
- 102000008394 Immunoglobulin Fragments Human genes 0.000 claims description 13
- 108010021625 Immunoglobulin Fragments Proteins 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 11
- 108010008281 Recombinant Fusion Proteins Proteins 0.000 claims description 10
- 102000007056 Recombinant Fusion Proteins Human genes 0.000 claims description 10
- 210000001744 T-lymphocyte Anatomy 0.000 claims description 9
- 108091006020 Fc-tagged proteins Proteins 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 80
- 238000005259 measurement Methods 0.000 description 58
- 238000004886 process control Methods 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 22
- 238000004590 computer program Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 230000008033 biological extinction Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000012512 characterization method Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 14
- 108010047041 Complementarity Determining Regions Proteins 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 102100035360 Cerebellar degeneration-related antigen 1 Human genes 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 239000012895 dilution Substances 0.000 description 10
- 238000010790 dilution Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 238000012417 linear regression Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 210000004881 tumor cell Anatomy 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 8
- 108010054477 Immunoglobulin Fab Fragments Proteins 0.000 description 6
- 102000001706 Immunoglobulin Fab Fragments Human genes 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 210000001151 cytotoxic T lymphocyte Anatomy 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 108090000765 processed proteins & peptides Proteins 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000012460 protein solution Substances 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 229940126585 therapeutic drug Drugs 0.000 description 6
- 108060003951 Immunoglobulin Proteins 0.000 description 4
- 108010067060 Immunoglobulin Variable Region Proteins 0.000 description 4
- 102000017727 Immunoglobulin Variable Region Human genes 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011088 calibration curve Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 102000037865 fusion proteins Human genes 0.000 description 4
- 108020001507 fusion proteins Proteins 0.000 description 4
- 102000018358 immunoglobulin Human genes 0.000 description 4
- 238000010978 in-process monitoring Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 239000012898 sample dilution Substances 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 238000011481 absorbance measurement Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 125000000539 amino acid group Chemical group 0.000 description 2
- 150000001413 amino acids Chemical class 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000326 densiometry Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000003113 dilution method Methods 0.000 description 2
- 239000000539 dimer Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005350 fused silica glass Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 229940072221 immunoglobulins Drugs 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000006384 oligomerization reaction Methods 0.000 description 2
- 238000002823 phage display Methods 0.000 description 2
- 239000000825 pharmaceutical preparation Substances 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 229960000160 recombinant therapeutic protein Drugs 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013207 serial dilution Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 239000013638 trimer Substances 0.000 description 2
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
- G01N21/274—Calibration, base line adjustment, drift correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J2003/283—Investigating the spectrum computer-interfaced
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J2003/283—Investigating the spectrum computer-interfaced
- G01J2003/2833—Investigating the spectrum computer-interfaced and memorised spectra collection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Hematology (AREA)
- Biomedical Technology (AREA)
- Urology & Nephrology (AREA)
- Medicinal Chemistry (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための紫外線（ＵＶ）ベースの画像化方法。様々な実施形態では、プロセッサは、検出器により記録された波長データの標準セット及び波長データの未知のセットのそれぞれを受け取る。波長データの標準セット及び波長データの未知のセットのそれぞれは、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる一連の吸光度対波長値の対を定義する。プロセッサは、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて、多波長校正モデルを生成する。プロセッサは、所与の未知のタンパク質サンプルの各未知のタンパク質サンプルに関して複数のタンパク質濃度値を決定するために、多波長校正モデルを実装する。
Description
関連出願の相互参照
本出願は、ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＤＥＴＥＲＭＩＮＩＮＧ ＰＲＯＴＥＩＮ ＣＯＮＣＥＮＴＲＡＴＩＯＮＳ ＯＦ ＵＮＫＮＯＷＮ ＰＲＯＴＥＩＮ ＳＡＭＰＬＥＳ ＢＡＳＥＤ ＯＮ ＡＵＴＯＭＡＴＥＤ ＭＵＬＴＩ－ＷＡＶＥＬＥＮＧＴＨ ＣＡＬＩＢＲＡＴＩＯＮという表題の、２０１９年８月６日に出願された米国特許出願第６２／８８３，３２０号明細書に対する優先権を主張しており、この明細書は、その全体が参照により本明細書に組み込まれる。
本出願は、ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＤＥＴＥＲＭＩＮＩＮＧ ＰＲＯＴＥＩＮ ＣＯＮＣＥＮＴＲＡＴＩＯＮＳ ＯＦ ＵＮＫＮＯＷＮ ＰＲＯＴＥＩＮ ＳＡＭＰＬＥＳ ＢＡＳＥＤ ＯＮ ＡＵＴＯＭＡＴＥＤ ＭＵＬＴＩ－ＷＡＶＥＬＥＮＧＴＨ ＣＡＬＩＢＲＡＴＩＯＮという表題の、２０１９年８月６日に出願された米国特許出願第６２／８８３，３２０号明細書に対する優先権を主張しており、この明細書は、その全体が参照により本明細書に組み込まれる。
本開示は、全体として、治療用医薬品の自動化及びエンジニアリングに関連する紫外線（ＵＶ）ベースの画像化システム及び画像化方法に関し、より具体的には、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、ＵＶベースの画像化システム及び画像化方法に関する。
医療用医薬品の調製及び開発では、プロセスのモニタリング及び製品の品質特性管理が日常的に実施されている。例えば、そのような治療用医薬品の有効性を確保するために、プロセスのモニタリング及び製品の品質特性管理に関する技術が一般的に使用されている。
現在の機器（現在の固定経路長機器及び可変経路長機器（例えば機械式機器）の両方を含む）は、本質的に直線であるランベルト・ベールの法則の式の適用に基づいて設計されており、且つこの式への依存度が制限されている。特に、吸光度の線形範囲は制限されていることから、そのような機器は、吸光度がこの線形範囲外である場合には、サンプルの濃度を正確に測定し得ない。
下記式は、ランベルト・ベールの法則を示す。
Ａ＝ε×Ｃ×ｌ
Ａ＝ε×Ｃ×ｌ
上記式中、Ａは、吸光度値であり、εは、吸光係数であり、Ｃは、濃度値であり、ｌは、サンプルを通る光線の経路長である。吸光度値（Ａ）は、一般的に、サンプルを通過する光線に対する応答係数として測定される。吸光係数（ε）は、所与の波長で物質がどれだけ強く光を吸収するかの尺度である。治療薬の測定に関して、この吸光係数（ε）は、一般的に、タンパク質の固有の性質であり変化することはない。
濃度値（Ｃ）は、所与のサンプル（例えば、治療薬又は他のタンパク質ベースの製品のサンプル）の濃度を指す。より一般的には、濃度とは、混合物の総量で除算された構成成分の存在量のことである。濃度は、質量濃度、モル濃度、個数濃度、及び／又は体積濃度等のいくつかの異なるタイプを指し得る。濃度は、一般的に、あらゆるタイプの化学混合物であり得るが、最も一般的には、溶質又は溶媒溶液である。
上記に示したように、ランベルト・ベールの法則の式は、現在のタンパク質測定機器及びタンパク質測定技術がサンプル濃度値、固定の吸光係数、及び静的光路の長さの線形関数に限定されるような線形性を前提とする。ランベルト・ベールの式を適用すると、非線形のサンプルの吸光度に対して濃度を正確に測定し得ず、そのためにプロセスのモニタリング及び製品の品質特性管理の最中にバイアス、偽陽性、及び／又は偽陰性が生じる可能性がある。
ランベルト・ベールの制限に起因して、固定経路長のＵＶ分光計による測定及び製品の品質特性管理のためのサンプルの調製は、典型的には、時間がかかり且つ誤差が起こりやすい。例えば、製品の品質特性の測定には、サンプル濃度がダイナミックレンジに入るまで連続希釈が必要な場合がある。そのような希釈は誤差が容易に生じやすく、特に、いくつかの製品サンプルにわたり値を測定する場合に生じやすく、なぜならば、このプロセス全体を通してサンプル毎に異なる希釈係数が必要とされ得、濃度算出のための希釈係数の使用は誤差が起こりやすい可能性があるからである。いくつかの製品サンプルに適用される希釈プロセスと、典型的にはそのようなプロセスにより導入される誤差とにより、一般的には、関連する製品の品質特性の測定値に差が生じる。そのような誤った測定値は、プロセスのモニタリング及び製品の品質特性管理の最中に、許容できない数の偽陽性及び偽陰性を生じる可能性がある。
可変経路長機器は、（従来の固定経路長ＵＶ吸光度測定とは対照的に）可変経路長でのＵＶ吸光度の測定を可能とするために開発されている。そのような機器では、経路長は、光を送るＦｉｂｒｅｔｔｅの先端とサンプル容器の内側の底との間の距離により定義される。経路長は、統合されたハードウェア手段によってサンプル中でＦｉｂｒｅｔｔｅを上下に移動させることにより、動的に制御される。可変経路長機器は、直接測定の濃度範囲の問題に対処する。固定経路長機器では、直接測定範囲は狭く、従って、実際にはサンプル希釈が常に必要とされる。しかしながら、可変経路長機器により、そのような機器は可変経路長を走査し得ることから、希釈を全く必要とすることなく高タンパク質濃度を直接測定し得る。しかしながら、そのような機器は、典型的には入手及び維持に費用がかかり、且つ、基本的には、光を送るＦｉｂｒｅｔｔｅの機械的な移動及び操作に起因する測定誤差も起こりやすい。例えば、Ｆｉｂｒｅｔｔｅの日常的な校正若しくはメンテナンスの欠如、及び／又は可変光機器の機械のわずかな変動により、一般的には、機械的な故障、誤校正、又は機械的な変動の程度により測定結果が相殺されるという誤差が生じる。この誤差は、一般的に、サンプル測定値のばらつきを引き起こし、例えば、製品の測定及び品質管理の目的のための、許容限界内での再現性のある結果及び十分な校正を妨げる。
上記の理由のために、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、ＵＶベースの画像化システム及び画像化方法が必要とされている。
本開示は、全体として、治療用医薬品の自動化及び検査（例えば、そのような治療用医薬品に関連する開発、処理、モニタリング、及び／又は製品の品質特性管理）に関する。様々な実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するために、ＵＶベースの画像化システム及び画像化方法が開示されている。決定されたタンパク質濃度は、治療用医薬品又は製品の未知のサンプルの濃度であり得る。そのようなタンパク質濃度の決定を、例えば、治療薬又は他のタンパク質ベースの製品の製造の最中での、プロセスのモニタリング及び製品の品質特性管理で使用し得る。そのようなタンパク質濃度の決定を、製品の品質管理に関連するプロセスのモニタリング及び製品の品質特性管理でも使用し得、並びに／又はそのような製品の規則性順守若しくは他の有効性を保証するためにも使用し得る。
従って、本明細書で説明されているように、様々な実施形態では、ＵＶベースの画像化システムは、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するように構成され得る。このＵＶベースの画像化システムは、多波長の光線を投射するように構成されている光源を含み得る。加えて、このＵＶベースの画像化システムは、この多波長の光線を受け取り、この多波長の光線に基づいて、ＵＶスペクトルの一連の単一波長の光線を投射するように構成されているモノクロメータを含み得る。
このＵＶベースの画像化システムは、タンパク質サンプルを受け取るように動作可能なサンプルホルダをさらに含み得る。様々な実施形態では、このタンパク質サンプルは、（１）標準タンパク質サンプルのセットから選択される標準タンパク質、又は（２）未知のタンパク質サンプルのセットから選択される未知のタンパク質サンプルのいずれかであり得る。本明細書で説明されているように、この未知のタンパク質サンプルは、タンパク質濃度が未知である。このサンプルホルダは、一般的に、タンパク質サンプルが標準タンパク質タイプであるか未知のタンパク質タイプであるかにかかわらず、一連の単一波長の光線がこのタンパク質サンプルの少なくとも一部を通過することを可能にするように配置されている。
このＵＶベースの画像化システムは、タンパク質サンプルの少なくとも一部を通過する一連の単一波長の光線を検出するように動作可能な検出器をさらに含み得る。
このＵＶベースの画像化システムは、プログラム命令を格納しているメモリと、このメモリに通信可能に連結されているプロセッサとをさらに含み得る。このプロセッサは、このプロセッサに、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせるプログラム命令を実行するように構成され得る。この波長データの標準セットは、各標準タンパク質サンプルに関して、一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み得る。加えて、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、このＵＶベースの画像化システムのプロセッサは、このプロセッサに、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させるプログラム命令を実行するようにさらに構成され得る。
このＵＶベースの画像化システムのプロセッサは、このプロセッサに、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせるプログラム命令を実行するようにさらに構成され得る。この波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、このＵＶベースの画像化システムのプロセッサは、このプロセッサに、多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させるプログラム命令を実行するようにさらに構成され得る。この複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応し得る。
本明細書で説明されている追加の実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、ＵＶベースの画像化方法が説明されている。このＵＶベースの画像化方法は、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取ることを含む。この波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み得る。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
このＵＶベースの画像化方法は、プロセッサにより、波長データの標準セットの第１の一連の第１の吸光度値対波長値の対のそれぞれに基づいて、多波長校正モデルを生成することをさらに含み得る。
このＵＶベースの画像化方法は、プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取ることをさらに含み得る。波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
このＵＶベースの画像化方法は、プロセッサにより実装されている多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定することをさらに含み得る。複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応し得る。
本明細書で説明されている追加の実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための命令を格納する有形の非一時的コンピュータ可読媒体が説明されている。この命令は、１つ又は複数のメモリを含むコンピューティングデバイスの１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせる。この波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み得る。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、この命令は、１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、このプロセッサにより、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルをさらに生成させ得る。
さらに、この命令は、１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、このプロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせ得る。加えて、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、この命令は、１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、このプロセッサに実装されている多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させ得る。複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応し得る。
本明細書で説明されている追加の実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための画像化装置が説明されている。この画像化装置は、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関する波長データの標準セットを受け取るための手段を含む。この波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含む。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む。
この画像化装置は、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成するための手段をさらに含む。
この画像化装置は、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関する波長データの未知のセットを受け取るための手段をさらに含む。この波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含む。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む。
この画像化装置は、多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定するための手段をさらに含む。この複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する。
本開示のＵＶベースの画像化システム及び画像化方法は、現在知られている機器の制限を改善する。例えば、本明細書で説明されているように、本開示のＵＶベースの画像化システム及び画像化方法は、医薬品の調製及び開発で使用されるプロセスのモニタリング及び製品の品質特性管理のための自動化されたワークフローを説明する。加えて、この自動化されたワークフローは、単一波長又は二重波長に限定される代わりにＵＶスペクトルの完全走査を提供することにより、現在知られている方法を強化し、且つ改善する。例えば、典型的な従来の機器のように、サンプルのタンパク質濃度を測定するために単一のＵＶ波長（例えば２８０ｎｍ）に依存する代わりに、本開示のＵＶベースの画像化システム及び画像化方法は、タンパク質濃度を測定するために、例えば２８０～３１５ｎｍのＵＶ範囲を含む広い範囲にわたる走査を可能にする。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、固定経路長ＵＶ分光計及び多経路長ＵＶ分光計の両方に対する制限（例えば、光の波長、吸光度値の測定のダイナミックレンジに関する従来の問題、及びより最近の機器により導入される機械的な課題）を克服する。例えば、現在の機器は、ランベルト・ベールの法則の適用に依存しており、且つランベルト・ベールの法則の適用により制限されている。ランベルト・ベールの法則の線形性の制限を克服するために、本開示のＵＶベースの画像化システム及び画像化方法は、所与のサンプルに関して測定された各波長に関する吸光度値を検出し、次いで、関連する吸光係数の変化に従って吸光度応答係数を動的に校正するように構成されている。その結果、本開示のＵＶベースの画像化システム及び画像化方法を適用して、固定経路長ＵＶ分光計、及びその関連するデータ出力を改善し得、これにより、広範囲（例えば、１ミリリットル（ｍＬ）当たり０．１～１２６ミリグラム（ｍｇ）の範囲）にわたり、タンパク質濃度の正確な測定が提供されるだろう。
加えて、様々な実施形態では、本開示のＵＶベースの画像化システム及び画像化方法は、一般的に、広範囲のタンパク質濃度測定値にわたり波長値の重複を生じる。そのような実施形態では、平均、中央値、導関数（ｄｅｒｉｖａｔｉｏｎ）、導関数（ｄｅｒｉｖａｔｉｖｅ）、又はその他の方法によるコンパイルをこの範囲の波長に適用して、強化された多サンプル測定値を得ることにより、強化された予測（例えば、濃度測定値の強化された精度）をもたらし得る。例えば、いくつかの実施形態では、シグナルの平均を、重複した濃度測定値に適用し得、精度が強化される。例えば、「強化された」予測は、単一波長に基づく参照予測と比較して高い精度（例えば、より狭い信頼区間、又はより小さい標準誤差）を有し得る。
さらに、機械的光ガイドを使用して様々な経路長で走査し、それにより線形タンパク質濃度範囲を拡大する可変ＵＶ経路長機器とは異なり、本ＵＶベースの画像化システム及び画像化方法の自然な吸光係数の調整は、機械的誤差を有さず、あらゆる従来のＵＶ分光計に適用可能である。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、コンピュータの機能性を改善し、及び／又は他の科学技術を改善し、なぜならば、少なくとも、このＵＶベースの画像化システム及び画像化方法は、タンパク質関連製品の情報を測定するコンピューティングデバイス（例えば分光光度計）の正確度及び精度を改善するからである。即ち、本開示は、コンピュータデバイス自体（例えば、分光光度計、又はタンパク質関連製品の測定若しくはモニタリングで使用されるデバイス若しくはシステム）の機能の改善を説明しており、なぜならば、本明細書で説明されているＵＶベースの画像化技術の適用により、そのような機器、デバイス、又はシステムの正確度及び精度が増加し、それにより、基礎となるシステムだけでなくこのシステムの最終用途（例えば、本明細書で説明されている治療薬等のタンパク質関連製品のタンパク質濃度のモニタリング及び／又は測定）における信頼性が増加するからである。これにより、先行技術よりも改善され、なぜならば、少なくとも、既存の機器（例えば固定経路長機器及び機械的な可変ベースの機器）は、本明細書で説明されているように採用するには制限があり、誤差が起こりやすく、及び／又は高価だからである。対照的に、本開示のＵＶベースの画像化システム及び画像化方法は、任意の完全走査可能なＵＶ分光計と互換性がある。これにより、分析モニタリング及び／又は試験ネットワーク全体を通した本ＵＶベースの画像化システム及び画像化方法の展開が可能になる。同様の理由で、本開示のシステム及び方法は、設備投資又は大きな設備設置面積を必要とすることなく、既存のシステム及び機器の分析能力を拡張する。
同様に、本開示のＵＶベースの画像化システム及び画像化方法は、治療用医薬品の自動化及びエンジニアリングの分野における他の科学技術又は技術分野の改善に関しており、なぜならば、少なくとも、このＵＶベースの画像化システム及び画像化方法は、オフラインでサンプル及びデータの全く取り扱うことなくリアルタイムの測定及びモニタリングを可能にする完全に自動化されたワークフローを提供するからである。そのような自動化されたワークフローにより、サンプルの希釈及び手動でのデータ処理が取り除かれ得るか又は削減され得、そのため、ヒューマンエレーが減少し、プロセス全体の信頼性が増加する。
本明細書で説明されているように、少なくとも一部の実施形態では、本ＵＶベースの画像化システム及び画像化方法は、特定の機械（例えば、分光高度計、及び／又は分光光度計若しくは他のそのようなＵＶ画像化デバイスにより使用される関連コンポーネント）の使用及び適用、又は用途を含む。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、特定の物品の様々な状態又は物体への変換又は削減をもたらすことを含み、例えば、多波長の光線の、タンパク質関連製品のタンパク質濃度のモニタリング又は測定に使用され得る複数のタンパク質濃度を予測するための多波長校正モデルへの変換又は削減をもたらすことを含む。そのようなモニタリング及び測定を、タンパク質関連製品の製造中に使用し得、及び／又はこのタンパク質関連製品が、例えば治療薬若しくはその製造のためのタンパク質関連製品と関連する既知の仕様若しくは規制に準拠しているかどうかを決定するために使用し得る。一例として、測定されたタンパク質濃度に基づいて、タンパク質関連製品のタンパク質濃度を増加させるか又は減少させて、指定の範囲のタンパク質濃度に収め得る。一例として、測定されたタンパク質濃度が（それぞれ）指定の範囲内であるかこの範囲外であるかに応じて、タンパク質関連製品のバッチを受け入れ得るか、又は拒否し得る。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、この分野での十分に理解されている日常的な従来の活動以外の明確な特徴を含むか、又は請求項を特定の有益な用途に限定する非従来の工程を追加すること（例えば、現在の機器に欠けている予測、強化、及び測定の用途を含むこと）を含む。例えば、従来の機器は、本明細書で説明されているようなランベルト・ベールの法則への依存、機械的機器（例えばガイドライド）、又は操作等により制限されているが、本開示のＵＶベースの画像化システム及び画像化方法は、これを克服する。
例示として示されており且つ説明されている好ましい実施形態の下記の説明から、当業者にとっては利点がより明らかとなるであろう。理解されるように、これらの実施形態は他の異なる実施形態も可能であり、これらの詳細は、様々な点で改変可能である。従って、図面及び説明は、例示的な性質であって限定的とはみなされないものとする。
下記で説明する図面は、その中で開示されているシステム及び方法の様々な態様を描写する。各図面は本開示のシステム及び方法の特定の態様のある実施形態を描写していること、及び図面の各々はその可能な実施形態と一致することが意図されていることを理解すべきである。さらに、可能なかぎり、下記の説明は、下記の図面に含まれる参照番号に言及しており、複数の図中に描写されている特徴は、一貫した参照番号で示されている。
図中には本明細書で論じられている配置が示されているが、本実施形態は、示されている正確な配置及び手段に限定されないことが理解される。
図面は、例示のみを目的とする好ましい実施形態を描写する。本明細書で例示されているシステム及び方法の代替的実施形態を、本明細書で説明されている本発明の原理から逸脱することなく採用し得る。
図１は、本明細書で開示されている様々な実施形態による、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための例示的なＵＶベースの画像化システム１００を示す。様々な実施形態では、システム１００はＵＶ画像化デバイス１０１を含み得、ＵＶ画像化デバイス１０１は、ＵＶ分光光度計又は他のそのような画像化装置であり得る。ＵＶ画像化デバイス１０１は、モノクロメータ１０６上に多波長の光線１０４を投射するように構成されている光源１０２を含む。様々な実施形態では、モノクロメータ１０６は、多波長の光線を単一波長の光線に分割するためのプリズム、回折デバイス、又は回折格子を実装する任意の他のデバイスであり得る。図１の実施形態では、モノクロメータ１０６は、多波長の光線１０４を受け取るように構成されており、且つ供給源として多波長の光線１０４を使用して、ＵＶスペクトルの一連の単一波長の光線１０８を投射するか又は他の方法で提供するように構成されている。
様々な実施形態では、一連の単一波長の光線１０８は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトル中の単一波長の光線を含み得る。加えて、単一波長の光線１０８は、単一波長の光線１０８の各間隔がＵＶスペクトル中の波長である多数の波長（例えば、ＵＶスペクトルを小さいスパンで広がる複数の波長）を含み得る。例えば、いくつかの実施形態では、ＵＶスペクトル中の各単一波長の光線１０８は、シングルナノメートル間隔で分離され得る。しかしながら、シングルナノメートル間隔が単なる一例の実施形態として機能するように、本明細書では、様々な間隔及び間隔サイズが企図されている。
ＵＶ画像化デバイス１０１は、ＵＶ画像化デバイス１０１に対してタンパク質サンプルを受け取るか、保持するか、又は配置するように動作可能なサンプルホルダ１１０をさらに含み得る。サンプルホルダ１１０は、タンパク質サンプルを封入するためのフロースルーセル、キュベット、又は他の容器の少なくとも一部を保持するように構成され得る。サンプルホルダ１１０は、一般的に、ＵＶ画像化デバイス１０１内に配置されているか又はＵＶ画像化デバイス１０１の一部として配置されており、タンパク質サンプルが標準タンパク質タイプであるか未知のタンパク質タイプであるかにかかわらず、一連の単一波長の光線がタンパク質サンプルの少なくとも一部を通過することを可能にする。このサンプルホルダは、プラスチック、ガラス、溶融石英、又は他のそのような材料であって、光のこの材料及びタンパク質サンプルの透過を可能にする材料で形成され得る。
様々な実施形態では、タンパク質サンプルは、本明細書の様々な実施形態による標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）又は未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のいずれかであり得る。「未知のタンパク質サンプル」という用語は、本明細書で使用される場合、タンパク質濃度が未知であるタンパク質サンプルを指す。タンパク質サンプルは、液体、半液体、固体、又は測定用の他の状態であり得る。所与のタンパク質サンプルのタンパク質は、治療用医薬品の独自のタンパク質であり得る。
本明細書の様々な実施形態で説明されているように、未知のタンパク質サンプルはタンパク質濃度が未知であり、標準タンパク質サンプルはタンパク質濃度が既知である。未知のタンパク質サンプルは、濃度が未知である少なくとも１種のタンパク質を含むが、当然のことながら複数種のタンパク質が存在し得ることに留意されたい。サンプルは、他の非タンパク質含有成分（例えば、緩衝液、塩類、並びに他の有機分子及び無機分子）を含み得る。標準タンパク質サンプルは、参照標準であり得るか、又は他の既知であるか、予め測定されているか、若しくは予め決定されているサンプルであり得、このサンプルでは、希釈、濃度、又は他の既知のタンパク質ベースの割合若しくは配分が既知であるか、予め測定されているか、又は予め決定されている。
様々な実施形態では、タンパク質サンプルは、（１）標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のセットから選択される標準タンパク質サンプル、又は（２）未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットから選択される未知のタンパク質サンプルのいずれかであり得る。本明細書で使用される場合、タンパク質サンプル（例えば標準又は未知）のセットは、１つ又は多くのタンパク質サンプルを含む。例えば、一実施形態では、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のセットは、それぞれ濃度が既知である複数の標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）を含み得、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含み得る。
ＵＶ画像化デバイス１０１は、サンプルホルダ１１０により維持されているタンパク質サンプルの少なくとも一部を通過する一連の単一波長の光線１１２を検出するように動作可能な検出器１１４をさらに含み得る。単一波長の光線１１２は、単一波長の光線１０８と同一であるか又は異なる数、タイプ、強度、及び／又は大きさの光を含み得る。単一波長の光線１０８と多波長の光線１１２との間の類似性又は差違は、一般的に、サンプルホルダ１１０内に配置されたタンパク質サンプル（及びその関連するタンパク質濃度）により生じ、そのような類似性又は差違により、検出器１１４により記録された、（このタンパク質サンプルのタンパク質濃度に基づく）このタンパク質サンプルに特異的な（例えば、標準又は未知のサンプルのいずれかに関する）波長データ１１８の生成及び／又は出力１１６が起きる。
検出器１１４は、光電子増倍管、フォトダイオード、フォトダイオードアレイ、電荷結合素子（ＣＣＤ）、又は様々な波長の光を収集するように及び／若しくはこれらの光に関するそれぞれの値を記録するように構成されている他の感光素子若しくはアレイであり得るか、又は含み得る。例えば、ＣＣＤベースの検出器の場合には、単一波長の光線１１２は、検出器１１４のピクセルアレイ上に集束され得、このアレイのピクセルにより、各波長の強度（例えば、可視領域の場合には各色）を測定し得、且つ値として記録し得る。次いで、ＣＣＤベースの検出器は、その測定値を波長データ１１８として出力し得１１６、この波長データ１１８は、まとめて、各波長の光の強度のスペクトル又は値を表し得る。より一般的には、波長データ１１８は、測定されるタンパク質サンプルの吸光度値（例えば、現在サンプルホルダ１１０に入っているタンパク質サンプルのタンパク質濃度の吸光度）を示す。即ち、サンプルホルダ１１０を通過する単一波長の光線１０８の少なくとも一部が、少なくとも部分的に吸収されるか、又はタンパク質サンプルの濃度に従って他の方法で変化し、その結果、単一波長の光線１１２も同様に変化する。例えば、サンプルホルダ１１０中に配置されたタンパク質サンプルが、ある特定の波長の光を吸収した場合には、この波長の光は、単一波長の光線１１２中には存在しないか又は部分的に存在しないだろう。従って、一般的には、検出器１１４は、単一波長の光線１０８と単一波長の光線１１２との間の相違を測定し、応答係数として吸光度又は吸光度値を決定する。
少なくとも一部の実施形態では、ＵＶ画像化デバイス１０１の光源１０２、モノクロメータ１０６、サンプルホルダ１１０、及び検出器１１８のそれぞれは、分光光度計デバイスの少なくとも一部を形成し得る。例えば、少なくとも一実施形態では、この分光光度計は、ＴＨＥＲＭＯ ＦＩＳＨＥＲ ＳＣＩＥＮＴＩＦＩＣ（商標）ＥＶＯＬＵＴＩＯＮ（商標）分光光度計又は他のそのような画像化装置であり得る。
検出器１１４は、ＵＶ画像化デバイス１０１の様々なコンポーネント１２１～１２８に、バス１２３（即ち電子通信バス）を介して通信可能に連結され得る。例えば、検出器１１４は、プロセッサ１２４に通信可能に連結され得る。プロセッサ１２４は、マイクロプロセッサ又は中央処理装置（ＣＰＵ）であり得、例えば、ＩＮＴＥＬ（登録商標）ベースのマイクロプロセッサ、ＡＭＤ（登録商標）ベースのマイクロプロセッサ、又は他のそのようなマイクロプロセッサであり得る。プロセッサ１２４は、バス１２３を介して通信可能に連結されている様々なコンポーネントの制御に関与し得る。例えば、プロセッサ１２４は、波長データ１１８としての検出器１１４の出力１１６を制御し得、一実施形態では、波長データ１１８はメモリ１２１に格納されている。加えて、プロセッサ１２４は、入力／出力コンポーネント１２６からのコマンド又は他の命令を受け取り得る。入力／出力コンポーネント１２６は、様々な入力／出力デバイス（例えば、キーボード、マウス、又は類似のコンポーネント）とインターフェースで接続され得るか、又は他の方法で接続され得る。そのようなコンポーネントを使用して、検出器１１４の出力１１６としての（例えばメモリ１２１中の）波長データ１１８にアクセスし得るか、又は他の方法で操作し得るか若しくは検索し得る。プロセッサ１２４はまた、ディスプレイ１２８にも通信可能に接続され得る。ディスプレイ１２８は表示スクリーンであり得、プロセッサ１２４は、ディスプレイ１２８の表示スクリーン上で波長データ１１８の表現（例えば、２次元（２Ｄ）、３次元（３Ｄ）、又は他の表現）をレンダリングするだろう。
プロセッサ１２４は、さらに、送受信機１２２にバス１２３を介して通信可能に接続され得る。プロセッサ１２４は、送受信機１２２により、コンピューティングデバイス１５１に、コンピューティングネットワーク１３０で通信可能に連結され得る。表示されている実施形態では、コンピューティングデバイス１５１は、コンピューティングデバイス１５１のリモートプロセッサ１５４及びリモート送受信機１５２により、コンピュータネットワーク１３０を介してデータ（例えば波長データ１１８）を送信し得１３４、且つ受信し得る１３２。リモートプロセッサ１５４及びリモート送受信機１５２は、バス１５３（例えば電子通信バス）を介し互いに通信可能に連結され得る。コンピューティングデバイス１５１は、リモート送受信機１５２を介して受信したデータ（例えば波長データ１１８）を格納するための、バス１５３を介して通信可能に連結されているリモートメモリ１５９をさらに含み得る。コンピューティングデバイス１５１は、入力／出力操作（例えば、タッチスクリーン、キーボード等を介したコマンドの受け取り）を容易にするための、及びディスプレイ１５８のスクリーン上でデータ（例えば波長データ１１８）を表示するための、バス１５３を介して通信可能に連結されているディスプレイ１５８、及び入力／出力コンポーネント１５６をさらに含み得る。このようにして、コンピューティングデバイス１５１は、ＵＶ画像化デバイス１０１からリモートで波長データ１１０を格納するために及び／又は処理するために使用され得るリモートプロセッサ１５４及びリモートメモリ１５９を含む。
図１の実施形態では、メモリ１２１及び／又はリモートメモリ１５９は、プロセッサ１２４及び／又は１５４のいずれか一方又は両方に、本明細書の図２Ａ及び図２Ｂにより説明されているＵＶベースの画像化方法２００を実行するためのプログラム命令を実行させるために、このプログラム命令を格納し得る。このプログラム命令は、プログラミング言語（例えば、Ｐｙｔｈｏｎ、Ｊａｖａ、Ｃ＃、又は他のプログラミング言語）でのプログラムコードであり得る。一部の実施形態では、このプログラム命令は、リモートプロセッサ１５４が、クライアントとして、コンピューティングネットワーク１３０を介してサーバーとしてのプロセッサ１２４と通信するクライアント－サーバーベースであり得る。そのような実施形態では、リモートプロセッサ１５４は、（例えば、メモリ１２１に格納されていたか又は検出器１１４により新たに出力された１１６）データ（例えば波長データ１１８）を、ＵＶ画像化デバイス１０１からコンピューティングデバイス１５１へと送信するように要求し得る。波長データ１１８は、表現状態転送（ＲＥＳＴｆｕｌ）ＡＰＩ等のオンラインアプリケーションプログラミングインターフェース（ＡＰＩ）を介して、リモートプロセッサ１５４により要求され得、この場合には、プロセッサ１２４は、ＡＰＩを実装してリモートプロセッサ１５４からの要求を受け取り、コンピュータネットワーク１３０を介して波長データ１１８を提供することにより応答する。他の実施形態では、ＵＶ画像化デバイス１０１は、新たに生成された及び／又は出力された１１６波長データ１１８がコンピュータネットワーク１３０を介してコンピューティングデバイス１５１に送信されるプッシュベースのインターフェースを実装し得る。さらなる実施形態では、ＵＶ画像化デバイス１０１又はコンピューティングデバイス１５１のいずれかのユーザーは、入力／出力１２６又は１５６により、ディスク又はサムドライブ等の外部記憶装置（図示しない）上の波長データを受け取り得るか、又は抽出し得る。
図２Ａ及び図２Ｂは、本明細書で開示されている様々な実施形態による、自動化された多波長校正に基づいて未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のタンパク質濃度を決定するための例示的なＵＶベースの画像化方法２００のフローダイアグラムを示す。ＵＶベースの画像化方法２００は、先行技術の制限（例えば、ランベルト・ベールの法則及びその前提への依存、並びに線形性に関する制限）を克服する。図２Ａ及び図２Ｂは、図３Ａ及び図３Ｂと併せて示される。図３Ａ及び図３Ｂは、本明細書で開示されている様々な実施形態による、図２Ａ及び図２ＢのＵＶベースの画像化方法２００を実行するための疑似コードを含む例示的なコンピュータプログラムリストを示す。図３Ａ及び図３Ｂに関して示されているように、ランベルト・ベールの法則の線形性の制限を克服するために、プログラムコード（疑似Ｐｙｔｈｏｎコードで示されている）は、サンプルフィルタを適用して、各波長の線形吸光度範囲を決定し得、且つ吸光係数の変化に従って吸光度応答係数を動的に校正し得る。その結果、ＵＶ画像化デバイス１０１（例えば、ＵＶ画像化デバイス１０１が固定経路長ＵＶ分光計である実施形態）は、広範囲にわたりタンパク質濃度を正確に測定し得、例えば、０．１～１２６ｍｇ／ｍＬの範囲内でタンパク質濃度を正確に測定し得る。
図２Ａにより描写されているように、ＵＶベースの画像化方法２００はブロック２０４で始まり（２０２）、このブロック２０４では、プロセッサ（例えばプロセッサ１２５又はリモートプロセッサ１５４）が、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のセットの各標準タンパク質サンプルに関して検出器（例えば検出器１１４）により記録された波長データ（例えば波長データ１１８）の標準セットを受け取る。一部の実施形態では、例えば、波長データ（例えば波長データ１１８）の標準セットは、カンマ区切り値（ＣＳＶ）データとして受け取られ得る。他の実施形態では、波長データの標準セットは、データベース形式、拡張マークアップ言語（ＸＭＬ）、ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）、又は他のデータ形式若しくはテキスト形式で受け取られ得る。図３Ａ及び図３Ｂの実施形態のコンピュータプログラムリストでは、例えばコードセクション５で、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）の波長データが、ＣＳＶデータとして、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）によりメモリ（例えばメモリ１２１又はリモートメモリ１５９）に読み込まれ、このＣＳＶデータでは、各タンパク質標準サンプルは、その既知の濃度に割り当てられている。図３Ａ及び図３Ｂのコンピュータプログラムリストは、疑似Ｐｙｔｈｏｎで作成されており、この、疑似Ｐｙｔｈｏｎでは、「ｐｄ」としてのｐａｎｄａｓライブラリを使用して波長データが読み込まれる。このことは、コードセクション１及び５で示されている。コードセクション１はまた、本明細書で説明されている予測モデルの訓練を説明するために使用される実施形態として、線形回帰訓練アルゴリズムを提供する追加ライブラリ「ｓｋｌｅａｒｎ」のインポートも示す。
波長データ（例えば波長データ１１８）の標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の一連の第１の吸光度対波長値の対を含み得る。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。例えば、図４Ａは、本明細書で開示されている様々な実施形態による、単一波長の光線４０４のＵＶスペクトルにわたって標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）４００ａ～４００ｍのセットを表すダイアグラム４００を示す。具体的には、ダイアグラム４００は、応答係数測定値として使用される一連の吸光度値を有するＵＶ吸光度軸４０２（ｙ軸）を含む。一般的に、吸光度値が大きいほど、所与の波長に関して（例えば検出器１１４により）検出される光は少ない。加えて、本明細書では他の間隔が企図されているが、ダイアグラム４００は、ナノメートルの間隔で一連の光波長を有する波長軸４０４（ｘ軸）を含む。
図４Ａの実施形態では、０．１～１２６ｍｇ／ｍｌの範囲でタンパク質標準溶液を有する標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）を、２００～４００ｎｍのＵＶスペクトル（１ｎｍ間隔）にわたり分光光度計で走査した。この標準タンパク質サンプルは、１ｃｍ経路長の石英キュベットに入っていた。このＵＶスペクトルの波長データを、ＣＳＶデータとして保存した。従って、ダイアグラム４００は、２００ｎｍ～４００ｎｍの波長範囲で走査したタンパク質校正標準（例えば標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）の生ＵＶスペクトルデータを描写する。
図４Ａに示されているように、ダイアグラム４００は、１３個の標準タンパク質（例えば標準タンパク質１４０ｓ）４００ａ～４００ｍを表す。各標準タンパク質サンプルに関して、同一のタンパク質（例えばタンパク質分子）のタンパク質濃度を測定する。このタンパク質分子は、分子であり得、例えば、独自のタンパク質、又は治療薬若しくは他のそのような医薬品を開発するために使用される他のタンパク質であり得る。
図４Ａに示されているように、各標準タンパク質サンプル（例えば標準タンパク質サンプル４００ａ及び標準タンパク質サンプル４００ｍ）は、ダイアグラム４００内の複数の吸光度対波長値の対の対応するプロットにより表される。標準タンパク質サンプル４００ｍに関して、例えば、吸光度値対波長値の対４００ｍ３０５は、吸光度値が約２．５である３０５の波長値での標準タンパク質サンプル４００ｍの測定値である。従って、吸光度値対波長値の対４００ｍ３０５は、ダイアグラム４００内では、対応するＵＶ吸光度軸４０２（ｙ軸）及び対応する波長軸４０４（ｘ軸）に配置されている。さらなる例として、標準タンパク質４００ａに関して、吸光度値対波長値の対４００ａ２３０は、２３０の波長値での及び吸光度値が約１．０である標準タンパク質サンプル４００ａの測定値である。従って、吸光度値対波長値の対４００ａ２３０は、ダイアグラム４００内では、対応するＵＶ吸光度軸４０２（ｙ軸）及び対応する波長軸４０４（ｘ軸）に配置されている。それぞれの標準タンパク質サンプルの表現４００ａ～４００ｍの残りの吸光度対波長値の対は、ダイアグラム４００内に同様にプロットされており、それぞれ、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）の波長スペクトルでの（波長軸４０４に沿った）各波長値で走査され且つ測定されたＵＶ吸光度値を（ＵＶ吸光度軸４０２に沿って）表す。
図２ＡのＵＶベースの画像化方法２００に関して、ブロック２０６で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、波長データの標準セットをフィルタリングするかどうかを決定する。この決定を、（例えば検出器１１４により）検出された一連の波長データに基づいて行ない得、一部のデータセットは、広い波長範囲を含む。フィルタが適用されない場合には、ＵＶベースの画像化方法２００は、ブロック２１０に進む。
しかしながら、ブロック２０８では、標準波長データフィルタが適用される。この標準波長データフィルタは、ＵＶ画像化システム１００のメモリ（例えばメモリ１２１又はリモートメモリ１５４）に格納されたプログラム命令のセットを含み得る。図３Ａ及び図３Ｂのコンピュータプログラムリストでは、例えば、疑似Ｐｙｔｈｏｎ命令は、本明細書で説明されている校正モデルを訓練するために使用される最適なデータ品質を確保するために、図４Ａの元々の単一波長光範囲及び元々のＵＶ吸光度値範囲からデータ点を除去するための標準波長データフィルタの一実施形態（コードセクション６）を示す。図３Ａの例では、コードセクション６は、ユーザーにより定義された変数としての（コードセクション４）フィルタリング基準セットを適用して、フィルタリングされる範囲の柔軟な操作を可能にする。例えば、コードセクション４で示されているように、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のフィルタリング基準は、２８０～３１５ｎｍの波長範囲にわたりＵＶ吸光度値が０．１～１．５であるデータ点を選択するように構成されている。
ブロック２０８では、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、一連の単一波長の光線に対して標準波長データフィルタを実行して、第１の範囲の波長を選択するか、又は制限する。加えて、このプロセッサは、標準波長データフィルタを実行して、第１のフィルタ範囲のＵＶ吸光度値内のＵＶ吸光度値に基づいて、各第１の一連の第１の吸光度値対波長値の対を選択し得るか、又は制限し得る。例えば、（例えばブロック２０８での）標準波長データフィルタの適用により、図４Ａのダイアグラム４００のプロットされた吸光度対波長値の対の（波長及び吸光度値の両方における、即ち、吸光度値対波長値の対における）データ範囲の制限されたか又はフィルタリングされたセットを表す図４Ｂのダイアグラム４５０が得られる。
具体的には、図４Ｂは、本明細書で開示されている様々な実施形態による、ＵＶスペクトルから選択された第１の範囲の波長（例えば波長軸４５４）にわたる様々な一連の第１の吸光度対波長値の対を表すダイアグラム４５０を示す。図４Ｂにより示されているように、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のそれぞれの吸光度対波長値の対４００ａ～４００ｍが示されているが、一部の吸光度対波長値の対は、本明細書で説明されているように（例えばブロック２０８で）標準波長データフィルタによりフィルタリングされている。具体的には、図４Ｂは、図４Ａの単一波長の光線範囲２００～４００（ｎｍ）にわたりプロットされた吸光度対波長値の対に標準波長データフィルタが適用された実施形態を示す。
図４Ｂにより示されているように、（例えばブロック２０８での）標準波長データフィルタは、図４Ｂの第１の範囲の波長２８０～３１５（ｎｍ）を選択するために、図４Ａの単一波長の光線範囲２００～４００（ｎｍ）に適用されている。波長２８０～３１５（ｎｍ）の第１の範囲の波長範囲は、図４Ｂの波長軸４５４にわたり描写されている。そのため、図４Ｂの波長２８０～３１５（ｎｍ）の第１の範囲の波長範囲は、図４Ａの単一波長の光線範囲２００～４００（ｎｍ）から選択されている。
加えて、図４Ｂの実施形態では、（例えばブロック２０８での）標準波長データフィルタは、第１のフィルタ範囲のＵＶ吸光度値（例えばＵＶ吸光度軸４５２）内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を選択するために適用されている。第１のフィルタ範囲のＵＶ吸光度値０．１～１．５は、図４ＢのＵＶ吸光度軸４５２にわたり描写されている。そのため、図４Ｂの第１のフィルタ範囲のＵＶ吸光度値範囲０．１～１．５は、図４ＡのＵＶ吸光度値範囲０～７から選択されている。従って、図４Ｂは、全体として、校正標準のフィルタリングされたＵＶスペクトルを示しており、特に、波長値２８０～３１５ｎｍ及び吸光度値０．１～１．５という限定された範囲内でのタンパク質校正標準のフィルタリングされたＵＶスペクトルを示す。図４Ａと比較した場合には、フィルタリングされた値（波長値２８０～３１５ｎｍ及び吸光度値０．１～１．５）は、全体的に、標準タンパク質サンプル（例えば４００ａ及び標準タンパク質サンプル４００ｍ）のそれぞれにわたり、ダイアグラム４００により示されているように、互いに対して崩れていないか又は互いに重なっている吸光度対波長値の対を含む。
図４Ａ及び図４Ｂの例では、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）は、図４Ｂで示されている０．１～１２６ｍｇ／ｍｇの範囲のタンパク質標準溶液である。これは、コードセクション２での図３Ａ及び図３Ｂの例示的なコンピュータプログラムリストでさらに説明されており、この例では、標準タンパク質サンプル値が、対応する範囲に設定されている。しかしながら、本明細書では、より広い範囲のそのような標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）／タンパク質標準溶液が企図されており、例えば、標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液であり得る。
図２Ａに関して、ブロック２１０では、ＵＶベースの画像化方法２００は、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）により多波長校正モデルを生成することを含む。この多波長校正モデルは、各標準タンパク質サンプルの波長データとその様々な吸光度値との対の標準セットに基づく。そのようなデータが（例えばブロック２０８で）フィルタリングされた、ある特定の実施形態では、この多波長校正モデルは、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づく。
図５Ａは、本明細書で開示されている様々な実施形態による、単一波長校正モデル（即ち「校正曲線」）で構成されている多波長校正モデル５０１を表すダイアグラム５００を示す。図５Ａの実施形態では、この多波長校正モデル５０１は、図４ＢのＵＶスペクトルにわたる単一波長校正モデルで構成されている。これは、２８０ｎｍ～３１５ｎｍの波長のそれぞれに関するモデルを含む。例えば、ダイアグラム５００は、単一波長校正モデル５０１ｓ２８０（波長２８０ｎｍに関する単一波長モデルである）、５０１ｓ２９４（波長２９４ｎｍに関する単一波長モデルである）、及び５０１ｓ３００（波長３００ｎｍに関する単一波長モデルである）を特定する。各単一波長校正モデルは、特定の波長（例えば、２８０ｎｍ、２９４ｎｍ、及び３００ｎｍ）に関して、（ＵＶ吸光度軸５０２のＵＶ吸光度値の範囲にわたる）所与のＵＶ吸光度値に関する（タンパク質濃度軸５０４のタンパク質濃度値の範囲にわたる）タンパク質濃度値を予測するために生成されている。図５ＡのＵＶ吸光度軸５０２は、図４ＢのＵＶ吸光度軸に対応する。そのため、ＵＶスペクトルの所与の波長に関するタンパク質濃度の予測を、ＵＶ吸光度値を、対応する単一波長校正モデル又はＵＶスペクトルのこの波長に関する校正曲線に入力することにより行ない得る。この予測を使用して、本明細書で説明されている未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の未知のタンパク質濃度を決定し得る。
図５Ａの実施形態では、線形回帰モデルを使用して、単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）のそれぞれを決定した。そのような各モデルは、ｙ切片値及び傾き値を含み、これらを使用してタンパク質濃度を予測する。ｙ切片値及び傾き値は、一般的に、一定値として決定され、提供されるＵＶ吸光度値に傾き値が適用され、その結果、ｙ切片値に加えられて、対応するタンパク質濃度の予測又は値が生成される。図５Ａのダイアグラム５００は、様々なＵＶ吸光度値が各単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）のそれぞれに提供されることから、単一波長校正モデルのそれぞれに関する（タンパク質濃度軸５０４にわたる）タンパク質濃度の様々な予想又は値を示す。このようにして、単一波長校正モデルの全体は、図４Ａ及び図４Ｂに関して決定されており且つ説明されている各波長及びＵＶ吸光度値に関する吸光度値を許容し得る多波長校正モデルを含む。
図５Ｂは、本明細書で開示されている様々な実施形態による、図５Ａの様々な単一波長校正モデル（例えば単一波長校正モデル５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）の傾き５６０ｓ及びｙ切片５６０ｙを表すダイアグラム５５０を示す。図５Ｂは、波長軸５５４にわたる２８０ｎｍ～３１５ｎｍの各波長での傾き値５６０ｓ及びｙ切片値５６０ｙの対のプロットを示す。図５Ｂは、図５Ａと同一範囲のＵＶ吸光度値（例えばＵＶ吸光度軸５５２）及び同一範囲の波長値（例えば波長軸５５４）を含む。傾き５６０ｓ及びｙ切片値５６０ｙの対は、図５Ａの単一波長校正モデル（例えば単一波長校正モデル５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）に対応する。例えば、図５Ｂにより示されるように、傾き値５６２ａは、単一波長校正モデル５０１ｓ２８０に対応する２８０ｎｍ波長のｙ切片値５６２ｂに対応する。同様に、図５Ｂにより示されるように、傾き値５６４ａは、単一波長校正モデル５０１ｓ２９０に対応する２９０ｎｍ波長のｙ切片値５６４ｂに対応する。ｙ軸（ＵＶ吸光度軸５５２）は、所与の傾き値又はｙ切片値が単一波長校正モデルの任意の所与の予測に寄与するＵＶ吸光度の量を示す。
従って、少なくとも図５Ｂの実施形態に関して、図５Ａの多波長校正モデル５０１が生成され得、且つ一連の単一波長の光線（例えば、図４Ａに関して説明されている波長２００ｎｍ～４００ｎｍ）から選択される第１の範囲の波長（例えば、図４Ｂに関して説明されている波長２８０ｎｍ～３１５ｎｍ）のそれぞれに関する一連の単一波長校正モデルで構成され得、各単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）は、特定の単一波長（例えば、それぞれ波長２８０ｎｍ、２９４ｎｍ、及び３００ｎｍ）のＵＶ吸光度に対応する傾き値５６０ｓ及びｙ切片値５６０ｙを含む。波長値及びＵＶ吸光度値を入力することにより、多波長校正モデル５０１を実装するプロセッサ（例えばプロセッサ１２４及び／又はリモートプロセッサ１５４）は、対応する単一波長校正モデルを選択して、タンパク質濃度値を正確に（ｃｏｒｒｅｃｔｌｙ）且つ正確に（ａｃｃｕｒａｔｅｌｙ）予測し得る。
図３Ａ及び図３Ｂの例示的なコンピュータプログラムリストは、第１の範囲の波長（例えば、図４Ｂに関して説明されている波長２８０ｎｍ～３１５ｎｍ）のそれぞれに関する単一波長校正モデルの生成を示す。例えば、コードセクション８では、標準波長データをフィルタリングした後、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）により、各標準タンパク質サンプルのデータに関して線形回帰アルゴリズム（ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ．ｆｉｔ）を実行し、その結果、特定の波長での単一波長校正モデルに関して係数値（即ち傾き値）及び切片値（即ちｙ切片値）が生成される。そのため、このようにして各単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）を生成し得る。これらの単一波長校正モデルは、メモリ（例えばメモリ１２１又はリモートメモリ１５９）に格納され得、且つ本明細書で説明されている包括的な多波長校正モデルとして（例えば、ラッパーＡＰＩを介してか又はデータベースを介したデータ構造として）まとめてアクセスされ得る。図３Ａ及び図３Ｂの実施形態では、各単一波長校正モデルは、ある特定の閾値の品質スコア又はフィットスコアを含む。例えば、コードセクション３では、品質値又はフィット値が最小の０．９９である単一波長校正モデルのみを、多波長校正モデルに含め得る。このようにして、多波長校正モデル５０１は、正確な予測能力を有する予測モデルの高品質セットを維持し、且つ使用する。
図５Ａ及び図５Ｂの上記の実施形態では、単一波長校正は、線形回帰により生成され、生成された多波長校正モデル５０１にコンパイルされる。しかしながら、他の予測科学技術又は予測技術が使用され得る。例えば、機械学習モデルを、教師あり又は教師なしの機械学習プログラム又は機械学習アルゴリズムを使用して訓練し得る。機械学習プログラム又は機械学習アルゴリズムは、ニューラルネットワークを採用し得、このニューラルネットワークは、畳み込みニューラルネットワーク、ディープラーニングニューラルネットワーク、又は目的の特定の領域における２種以上の特徴又は特徴データベースにおいて学習する複合学習モデル若しくは複合学習プログラムであり得る。機械学習プログラム又は機械学習アルゴリズムはまた、自然言語処理、意味解析、自動推論、回帰分析、サポートベクターマシン（ＳＶＭ）分析、決定樹解析、ランダムフォレスト解析、Ｋ最近傍分析、ナイーブベイズ解析、クラスタリング、強化学習、並びに／又は他の機械学習アルゴリズム及び／若しくは機械学習技術も含み得る。機械学習は、（本明細書で説明されている未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の未知の濃度を予測するための）後続のデータに関する予測を容易に行なうために、既存のデータ（例えば、ＵＶスペクトルにわたる標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のＵＶ吸光度値）におけるパターンを特定して認識することを含み得る。
試験レベル又は生産レベルのデータ又は入力等の新規の入力に関する有効で信頼性のある予測を行なうために、例示的な（例えば「訓練データ」）入力又はデータ（「特徴」及び「ラベル」と称され得る）に基づいて、機械学習モデル（例えば、本明細書の上記で説明されている機械学習モデル）を作成して訓練し得る。教師あり機械学習では、サーバー、コンピューティングデバイス、又はその他のプロセッサで動作する機械学習プログラムは、例示的な入力「例えば「特徴」）及びその関連しているか又は観察された出力（例えば「ラベル」）を提供され得、例えば、様々な特徴カテゴリにわたりモデルに重み又は他のメトリクスを決定する及び／又は割り当てることにより、機械学習プログラム又は機械学習アルゴリズムが、そのような入力（例えば「特徴」）を出力（例えばラベル）にマッピングするルール、関係、又はその他の機械学習「モデル」を決定するか又は発見する。次いで、そのようなルール、関係、又はその他のモデルは、サーバー、コンピューティングデバイス、又はその他のプロセッサで実行されるモデルの後続の入力を提供され、発見されたルール、関係、又はモデルに基づいて、予想された出力を予測する。
教師なし機械学習では、サーバー、コンピューティングデバイス、又はその他のプロセッサは、ラベルが付されていない例示的な入力例の独自の構造を見出すことが要求され得、例えば、満足のいくモデル（例えば、試験レベル又は生産レベルのデータ又は入力が与えられた場合に十分な予測精度を提供するモデル）が生成されるまで、モデルの複数の生成を訓練するために、サーバー、コンピューティングデバイス、又はその他のプロセッサにより、複数の訓練指示が実行される。本明細書の開示は、そのような教師あり又は教師なしの機械学習技術の内の一方又は両方を使用し得る。
従って、多波長校正モデルの単一波長校正モデル、又は多波長校正モデル自体を、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）の波長データにより訓練し得、波長値及びＵＶ吸光度値（例えば、本明細書で説明されている様々な吸光度対波長値の対）は、特徴データとして入力され、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のタンパク質濃度値は、ラベルデータとして使用され得る。次いで、多波長校正モデルの訓練された単一波長校正モデル、又は多波長校正モデルを使用して、本明細書で説明されている濃度が未知のサンプルのタンパク質濃度を予測し得る。
図２Ａに関して、ＵＶベースの画像化方法２００は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの未知のタンパク質サンプルに関して検出器（例えば検出器１１４）により記録された波長データ（例えば波長データ１１８）の未知のセットを（ブロック２１２で）受け取るプロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）を含む。
一部の実施形態では、波長データ（例えば波長データ１１８）の未知のセットは、カンマ区切り値（ＣＳＶ）データとして受け取られ得る。他の実施形態では、波長データの標準セットは、本明細書で説明されているデータベース形式、拡張マークアップ言語（ＸＭＬ）、ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）、又は他のデータ形式若しくはテキスト形式で受け取られ得る。図３Ａ及び図３Ｂの実施形態のコンピュータプログラムリストでは、例えば、コードセクション８及び１０で、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の波長データは、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）により、ＣＳＶデータとして、メモリ（例えばメモリ１２１又はリモートメモリ１５９）に読み込まれ、ユーザーは、このデータを、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の波長データを含むファイルとして入力する。
波長データ（例えば波長データ１１８）の未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。波長データの未知のセットは、本明細書で説明されている図４Ａの標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）に関して説明されているのと同一の方法で捕捉され得、及び／又は測定され得る。
ＵＶベースの画像化方法２００は、図２Ａ及び図２Ｂで示されているように継続し（２１４）、ブロック２１６で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、波長データの未知のセットをフィルタリングするかどうかを決定する。この決定を、（例えば検出器１１４により）検出された一連の波長データに基づいて行ない得、一部のデータセットは、広い波長範囲を含む。フィルタが適用されない場合には、ＵＶベースの画像化方法２００は、ブロック２２０に進む。
しかしながら、ブロック２１８では、未知の波長データフィルタが適用される。未知の波長データフィルタは、ＵＶ画像化システム１００のメモリ（例えばメモリ１２１又はリモートメモリ１５４）に格納されたプログラム命令のセットを含み得る。図３Ａ及び図３Ｂのコンピュータプログラムリストでは、例えば、疑似Ｐｙｔｈｏｎ命令は、本明細書で説明されている校正モデルを訓練するために使用される最適なデータ品質を確保するために、検出器１１４により測定された元々の単一波長光範囲及び元々のＵＶ吸光度値範囲からデータ点を除去するための未知の波長データフィルタの一実施形態（コードセクション７）を示す。図３Ａの例では、コードセクション７は、ユーザーにより定義された変数としての（コードセクション４）フィルタリング基準セットを適用して、フィルタリングされる範囲の柔軟な操作を可能にする。例えば、コードセクション４で示されているように、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のフィルタリング基準は、２８０～３１５ｎｍの波長範囲にわたりＵＶ吸光度値が０．２～１．２であるデータ点を選択するように構成されている。
ブロック２１８では、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、一連の単一波長の光線に対して未知の波長データフィルタを実行して、第２の範囲の波長を選択するか、又は制限する。加えて、このプロセッサは、未知の波長データフィルタを実行して、第２のフィルタ範囲のＵＶ吸光度値内のＵＶ吸光度値に基づいて、各第２の一連の第２の吸光度値対波長値の対を選択し得るか、又は制限し得る。例えば、（例えばブロック２１８での）未知の波長データフィルタの適用により、ブロック２１２で検出された及び／又は受け取られた未知のタンパク質サンプルデータの（波長及び吸光度値の両方における、即ち、吸光度値対波長値の対における）データ範囲の制限されたか又はフィルタリングされたセットを表す図６のダイアグラム６００が得られる。
具体的には、図６は、本明細書で開示されている様々な実施形態による、ＵＶスペクトルから選択された第２の範囲の波長（例えば波長軸６０４）にわたる様々な一連の第２の吸光度対波長値の対を表すダイアグラム６００を示す。図６は、図４と類似しているが、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）に関するフィルタリングされたデータを示す。図６により示されているように、１３個の個々の未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の吸光度対波長値の対が、未知のタンパク質サンプル６００ａ～６００ｍ（６００ａ、６００ｃ、６００ｆ、及び６００ｍのそれぞれを含む）に関するプロットより表されている。図６の実施形態では、一部の吸光度対波長値の対は、本明細書で説明されているように（例えばブロック２１８で）未知の波長データフィルタによりフィルタリングされており、ダイアグラム６００では示されていない。具体的には、図６は、未知の波長データ（例えば波長データ１１８）を検出するために使用されるＵＶスペクトルにわたりプロットされた吸光度対波長値の対に未知の波長データフィルタが適用された実施形態を示す。
図６により示されているように、（例えばブロック２１８での）未知の波長データフィルタは、図６の第２の範囲の波長２８０～３１５ｎｍを選択するために適用されている。波長２８０ｎｍ～３１５ｎｍの第２の範囲の波長範囲は、図６の波長軸６０４にわたり描写されている。様々な実施形態では、図６の第２の範囲の波長範囲の波長２８０～３１５（ｎｍ）は、図４Ａの単一波長の光線範囲２００ｎｍ～４００ｎｍから選択され得る。
加えて、図６の実施形態では、（例えばブロック２１８での）未知の波長データフィルタは、第２のフィルタ範囲のＵＶ吸光度値（例えばＵＶ吸光度軸６０２）内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を選択するために適用されている。第２のフィルタ範囲のＵＶ吸光度値０．２～１．２は、図６のＵＶ吸光度軸６０２にわたり描写されている。そのため、図６の第２のフィルタ範囲のＵＶ吸光度値範囲０．２～１．２は、図４ＡのＵＶ吸光度値範囲０～７から選択されている。従って、図６は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のフィルタリングされたＵＶスペクトルを示しており、特に、波長値２８０～３１５ｎｍ及び吸光度値０．２～１．２という限定された範囲内での未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のフィルタリングされたＵＶスペクトルを示す。
図６の例では、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）は、０．１～１２６ｍｇ／ｍｇの範囲のタンパク質溶液である。未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のタンパク質溶液は、少なくとも図６の実施形態の場合には、図４Ａ及び図４Ｂに関して上記で説明されているのと同一のタンパク質溶液範囲を使用する。
図２Ｂに関して、ＵＶベースの画像化方法２００のブロック２２０では、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの各未知のタンパク質サンプルに関して、多波長校正モデルにより、複数のタンパク質濃度値を決定する。複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線（例えば図４Ａの範囲２００ｎｍ～４００ｎｍ）から選択される第２の範囲の波長（例えば図６の範囲２８０ｎｍ～３１５ｎｍ）に対応し得る。
一部の実施形態では、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの少なくとも１つの未知のタンパク質サンプルは、タンパク質治療薬を含み得る。そのような実施形態では、このタンパク質治療薬は、抗体、抗原結合抗体断片、抗体タンパク質生成物、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ（登録商標））分子、二重特異性抗体、三重特異性抗体、Ｆｃ融合タンパク質、組換えタンパク質、及び組換えタンパク質の活性断片の内のいずれか１つであり得る。
図３及び図３Ｂの例示的なコンピュータプログラムリストでは、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの各未知のタンパク質サンプルに関して、多波長校正モデルにより、複数のタンパク質濃度値を決定する。具体的には、コードセクション１０では、「ｃａｌｃ＿ｕｎｋ」コード関数が呼び出される。ｃａｌｃ＿ｕｎｋコード関数（コードセクション９）は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの各未知のタンパク質サンプルに関して、波長データ（例えば波長データ１１８）をＣＳＶデータとして読み込む。次いで、「ｃａｌｃ＿ｕｎｋ」コード関数（コードセクション９）は、多波長校正モデル（即ち、変数「ｄｆ」でメモリに格納されている）により、「ｃｏｎｃ」変数で格納される複数のタンパク質濃度値を決定する。図３Ａ及び図３Ｂの実施形態では、「ｃａｌｃ＿ｕｎｋ」コード関数（コードセクション９）は、値（例えば、各個々の予測濃度に関する「ｃｏｎｃ」変数の様々な値）を合計し、第２の範囲の波長（例えば、図６の２８０ｎｍ～３１５ｎｍの範囲）の全てのタンパク質濃度予測値にわたり平均予測値を生成することにより、強化された予測を生成するように構成されている。
図７は、本明細書で開示されている様々な実施形態による、図５Ａの多波長校正モデル５０１により決定されたタンパク質濃度値を描写するダイアグラム７００を示す。図７の実施形態では、ダイアグラム７００は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）に関してフィルタリングされた第２の範囲の波長（例えば、図６の範囲２８０～３１５（ｎｍ））への多波長校正モデル５０１の適用を表す。ダイアグラム７００では、適用可能な各波長に関するタンパク質濃度値が描写されている。
図７により示されているように、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）は、未知のタンパク質サンプル７００ａ～７００ｍとして表されており、且つタンパク質濃度軸７０２（ｙ軸）に沿ったタンパク質濃度値及び波長軸７０４（ｘ軸）に沿った波長値としてプロットされている。波長軸７０４（ｘ軸）は、図６の波長軸６０４と同一の波長値（即ち、２８０ｎｍ～３１５ｎｍの範囲）を含む。未知のタンパク質サンプル７００ａ、７００ｃ、７００ｆ、及び７００ｍのそれぞれは、本明細書で説明されているように、図６の未知のタンパク質サンプル６００ａ、６００ｃ、６００ｆ、及び６００ｍに対応する。
図７は、７００ａ及び７００ｃを含むいくつかの未知のタンパク質サンプルを拡大スケールで描写する拡大部分７１０を含む。即ち、拡大部分７１０は、スケールが異なるだけでダイアグラム７００と等価である。具体的には、拡大部分７１０は、０～５ｍｇ／ｍｌの拡大された範囲でタンパク質濃度値を示し、７００ａ、７００ｃ、及び７００ｆを含むいくつかの未知のタンパク質サンプルは、タンパク質濃度値がこの範囲内である。拡大部分７１０により描写されている未知のタンパク質サンプル７００ａ～７００ｆのそれぞれは、ダイアグラム７００により描写されている未知のタンパク質サンプル７００ａ～７００ｆに対応する。
所与の未知のタンパク質サンプル（例えば７００ａ～７００ｍ）の各点は、所与の波長での所与のサンプルに関するタンパク質濃度値の予測を提供する。例えば、拡大部分７１０により示されているように、未知のタンパク質サンプル７００ｃは、２点７００ｃ１及び７００ｃ２を含む。拡大部分７１０は、点７００ｃ１の場合に、未知のタンパク質サンプル７００は約２９０ｎｍの波長値でのタンパク質濃度値予測が約０．５であると多波長校正モデル５０１が予測したことを表す。同様に、拡大部分７１０は、点７００ｃ２の場合に、未知のタンパク質サンプル７００ｃは約２９８ｎｍの波長値でのタンパク質濃度値予測が約０．５であると多波長校正モデル５０１が予測したことを表す。
さらなる例として、拡大部分７１０により示されているように、未知のタンパク質サンプル７００ｆは、２点７００ｆ１及び７００ｆ２を含む。拡大部分７１０は、点７００ｆ１の場合に、未知のタンパク質サンプル７００ｆは約３００ｎｍの波長値でのタンパク質濃度値予測が約４．０であると多波長校正モデル５０１が予測したことを表す。同様に、拡大部分７１０は、点７００ｆ２の場合に、未知のタンパク質サンプル７００ｆは約３０３ｎｍの波長値でのタンパク質濃度値予測が約３．８であると多波長校正モデル５０１が予測したことを表す。
追加の例として、ダイアグラム７００により示されているように、未知のタンパク質サンプル７００ｍは、２点７００ｍ１及び７００ｍ２を含む。ダイアグラム７００は、点７００ｍ１の場合に、未知のタンパク質サンプル７００ｍは約３１２ｎｍの波長値でのタンパク質濃度値予測が約１２２であると多波長校正モデル５０１が予測したことを表す。同様に、ダイアグラム７００は、点７００ｍ２の場合に、未知のタンパク質サンプル７００ｍは約３１３ｎｍの波長値でのタンパク質濃度値予測が約１２１であると多波長校正モデル５０１が予測したことを表す。
このようにして、図７により表されているように、多波長構成モデル（例えば多波長校正モデル５０１）は、各複数のタンパク質濃度値を予測するために、一連の吸光度対波長値の対（例えば、図６に関して説明されている第２の一連の第２の吸光度対波長値の対）を入力し得る。一部の実施形態では、予測を生成するために、多波長校正モデル５０１への入力として、吸光度対波長値の対のそれぞれの波長値のみ又は吸光度値のみを提供する必要がある。従って、特定の波長（単一波長モデルに対応する）の波長値及び／又は吸光度値を入力して、この特定の吸光度対及び／又はこの特定の波長に関するタンパク質濃度値を予測し得る。
図２Ｂに関して、ＵＶベースの画像化方法２００のブロック２２２で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、多波長校正モデル５０１により決定された複数のタンパク質濃度値に基づいて強化された予測を生成するかどうかを決定する。強化された予測を生成しない場合には、ＵＶベースの画像化方法２００はブロック２２６に進む。
ＵＶベースの画像化方法２００のブロック２２４で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、強化された予測を生成すると決定している。そのような決定を、例えば、（例えば、プロセッサにより実行されるプログラム命令中の）閾値予測品質値を設定することにより行ない得、この予測が十分な品質又は適合度であることが求められる。このことは、例えば、図３Ａのコードセクション３により示されている。このことはまた、図３Ｂのコードセクション９でも示されており、各タンパク質濃度値は自動的に平均化され、それにより、ある範囲の波長値（例えば、図６及び図７に関して説明されている第２の範囲の波長）にわたり、精度が強化されている強化された予測が生成される。他の実施形態では、強化された予測が生成されることを示すために、フラグが、プログラム命令若しくはプログラムコードで設定され得るか、又はプログラム命令若しくはプログラムコードに提供され得る。そのため、様々な実施形態では、強化された予測の生成は、第２の範囲の波長に対応する複数のタンパク質濃度値の各タンパク質濃度値を平均化する（又は他の方法により操作する）ことを含み得る。強化された予測は、多波長校正モデル（例えば多波長校正モデル５０１）により決定されたタンパク質濃度値の平均値、中央値、導関数、又は他の操作を含み得る。
強化された予測は、図７により示されているサンプル（例えば未知のタンパク質サンプル７００ａ～７００ｍ）のそれぞれの波長の範囲と予測された濃度値との重複を利用し、重複した濃度測定を提供し、これにより、単一の予測点（例えば点７００ｃ１又は７００ｃ２）のみと比較して精度が強化される。様々な実施形態では、多波長校正モデル（例えば多波長校正モデル５０１）は、強化された予測により更新され得るか、又は強化された予測を（図３Ｂのコードセクション９で示されているように）コンピュータで計算するように及び／若しくは出力するように構成され得る。
図２Ｂに関して、ＵＶベースの画像化方法２００のブロック２２６で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定するために、ブロック２２０で生成されているか又は（例えばブロック２２４で操作された）強化された予測によりさらに更新されているか若しくは構成されている多波長校正モデルを使用する。様々な実施形態では、このタンパク質関連製品は、治療薬である。
図８は、本明細書で開示されている様々な実施形態による、タンパク質関連製品８６０のタンパク質濃度をモニタリングするか又は測定するための図５Ａの多波長校正モデル５０１の適用を描写するフローダイアグラム８００を示す。ダイアグラム８００により示されているように、未知のタンパク質サンプル８４０ｕのバッチを、ＵＶ画像化デバイス（例えば、本明細書で説明されているＵＶ画像化デバイス１０１）により走査して、この未知のタンパク質サンプル８４０ｕのそれぞれに関する波長データ８１８ｕを生成する。この未知のタンパク質サンプル８４０ｕは、未知のタンパク質サンプル１４０ｕであってもよいし、新規のセットのサンプルであってもよい。波長データ８１８ｕは、波長データ１１８に関して図１、２Ａ、２Ｂ等について本明細書で説明されているのと同一のデータであるか又は同一タイプのデータである。波長データ８１８ｕは、多波長校正モデル５０１に入力され得、この多波長校正モデル５０１は、図２Ａ、２Ｂ、３Ａ、３Ｂ、４、及び５Ａ等に関して本明細書で説明されているように、標準タンパク質サンプルデータから既に生成されているであろう。
図８の実施形態では、多波長校正モデル５０１は、プロセス制御デバイス８５０のメモリ（図示しない）にロードされる。プロセス制御デバイス８５０は、タンパク質関連製品８６０のタンパク質濃度をモニタリングするか又は測定するために多波長校正モデル５０１を実装するためのプロセッサ（図示しない）を含む。一部の実施形態では、プロセス制御デバイス８５０は、コンピュータネットワーク１３０を介して（例えば、伝送制御プロトコル及びインターネットプロトコル（ＴＣＰ／ＩＰ）又は他のそのような類似のプロトコルを介したデータパケットの伝送を介して）、ＵＶ画像化デバイス１０１及び／又はコンピューティングデバイス１５１から多波長校正モデル５０１を受け取る。
プロセス制御デバイス８５０は、予測８５２（強化された予測、又は本明細書で説明されている標準タンパク質サンプルのそれぞれのコンピュータにより計算されたタンパク質濃度値の内の１つ若しくは複数に基づく予測のいずれか）を出力することにより、多波長校正モデル５０１を適用し得る。次いで、予測８５２を使用して、タンパク質関連製品８６０のタンパク質濃度をモニタリングし得るか、又は測定し得る。例えば、一部の実施形態では、予測８５２、又は予測８５２に基づいて生成されたシグナル若しくはデータ伝送を、タンパク質関連製品８６０のタンパク質濃度をモニタリングするか又は測定するために、プロセス制御又は製造システムのサブデバイス（図示しない；例えば、プロセス制御ネットワークを介してプロセス制御デバイス８５０に通信可能に連結されているフィールドデバイス）に伝送し得るか、又は他の方法により提供し得る。従って、予測８５２は、プロス制御デバイス８５０から出力され得、この予測８５２を使用して、最終用途製品でのタンパク質濃度をモニタリングし得るか、試験し得るか、測定し得るか、又は開発し得る。一実施形態では、例えば、予測８５２を使用して、タンパク質関連製品８６５の製造中に、タンパク質関連製品８６５のタンパク質濃度８６０をモニタリングし得るか、又は測定し得る。タンパク質関連製品８６５は、プロス制御デバイス８５０を備えたプロセス制御プラントにおいて、アセンブリ又は自動化システムにより開発された製品であり得る。一例として、測定されたタンパク質濃度に基づいて、タンパク質関連製品のタンパク質濃度を増加させるか又は減少させて、指定の範囲のタンパク質濃度に収め得る。一例として、測定されたタンパク質濃度が（それぞれ）指定の範囲内であるかこの範囲外であるかに応じて、タンパク質関連製品のバッチを受け入れ得るか、又は拒否し得る。プロセス制御デバイス８５０に実装されている多波長校正モデル５０１の頑強性により、タンパク質関連製品８６５のタンパク質濃度を、本明細書で説明されているＵＶスペクトルの範囲を含む広範囲のＵＶスペクトルで測定し得るか、又はモニタリングし得る。
さらなる例では、プロセス制御デバイス８５０により生成された多波長校正モデル５０１の予測８５２を使用して、タンパク質関連製品８６５の既知の仕様に対してこのタンパク質関連製品のタンパク質濃度８６０をモニタリングし得るか若しくは測定し得るか、又はこのタンパク質関連製品の既知の仕様と比較し得る。この既知の仕様は、例えば、標準タンパク質サンプル１４０ｓにより決定され得る。そのような実施形態では、プロセス制御デバイス８５０は、予測８５２をタンパク質関連製品８６５に適用して、既知の仕様を比較し得、且つ規制要件の順守、有効性若しくは品質の閾値、又は他の規制若しくは品質への懸念事項を評価し得る。
従って、本明細書に記載されているように、本開示のＵＶベースの画像化システム及び画像化方法は、現在知られている機器及び方法の制限を改善する。本明細書で説明されているＵＶベースの画像化システム及び画像化方法は、タンパク質サンプル標準のセットにより校正された独自の多波長校正モデル５０１を代わりに生成して適用することにより、ランベルト・ベールの法則の線形の制限を克服する。加えて、機械的手段により、拡張された線形タンパク質濃度範囲を走査する機械的経路長機器等の他の機器とは異なり、本開示のＵＶベースの画像化システム及び画像化方法は、機械的誤差の問題を回避する多波長校正モデル（例えば多波長校正モデル５０１）を生成して使用する。
治療用タンパク質には多くの形態及び型があり、本方法は、治療用タンパク質のタイプに依存しない。治療用タンパク質として抗体の場合には、例えば、抗体の構造は、広い範囲の代替型を作り出すために利用されており、この代替型は、少なくとも約１２～１５０ｋＤａの分子量範囲にわたり、且つ単量体（ｎ＝１）～二量体（ｎ＝２）、～三量体（ｎ＝３）、～四量体（ｎ＝４）、及び潜在的にさらに高い結合価（ｎ）範囲を有しており、そのような代替型は、本明細書では「抗体タンパク質生成物」と呼ばれる。抗体タンパク質生成物として、完全な抗体構造に基づくもの、及び完全な抗原結合能を保持する抗体断片を模倣するもの（例えば、ｓｃＦｖ、Ｆａｂ、及びＶＨＨ／ＶＨ（下記で考察する））が挙げられる。完全な抗原結合性部位を保持する最小の抗原結合性抗体断片は、全体が可変（Ｖ）領域からなるＦｖ断片である。可溶性で柔軟なアミノ酸ペプチドリンカーを使用して、Ｖ領域をｓｃＦｖ（単鎖断片可変）断片に連結させて分子を安定化させるか、又は定常（Ｃ）ドメインをＶ領域に加えてＦａｂ断片［断片、抗原結合性］を生成する。ｓｃＦｖ断片及びＦａｂ断片の両方を、宿主細胞（例えば原核生物宿主細胞）中で容易に産生させ得る。他の抗体タンパク質生成物として、ジスルフィド結合安定化ｓｃＦｖ（ｄｓ－ｓｃＦｖ）、単鎖Ｆａｂ（ｓｃＦａｂ）、並びにオリゴマー化ドメインに連結されたｓｃＦｖからなる異なる型を含む、ダイアボディ、トリアボディ、及びテトラボディ、又はミニボディ（ミニＡｂ）のような二量体抗体型及び多量体抗体型が挙げられる。最小の断片は、ラクダ類重鎖Ａｂ及び単一ドメインＡｂ（ｓｄＡｂ）のＶＨＨ／ＶＨである。新規の抗体型を作製するために最も頻繁に使用される構築ブロックは、約１５個のアミノ酸残基のペプチドリンカーにより連結された重鎖及び軽鎖由来のＶドメイン（ＶＨドメイン及びＶＬドメイン）を含む単鎖可変（Ｖ）－ドメイン抗体断片（ｓｃＦｖ）である。ペプチボディ又はペプチド－Ｆｃ融合体は、さらに別の抗体タンパク質生成物である。ペプチボディの構造は、Ｆｃドメイン上に移植された生物学的に活性のあるペプチドからなる。ペプチボディは、当技術分野で十分に説明されている。例えば、Ｓｈｉｍａｍｏｔｏ ｅｔ ａｌ．，ｍＡｂｓ ４（５）：５８６－５９１（２０１２）を参照されたい。
他の抗体タンパク質生成物として、単鎖抗体（ＳＣＡ）、ダイアボディ、トリアボディ、テトラボディ、及び二重特異性抗体又は三重特異性抗体、並びに同類のものが挙げられる。二重特異性抗体は、下記の５つの主要なクラスに分類され得る： ＢｓＩｇＧ、付加ＩｇＧ（ａｐｐｅｎｄｅｄ ＩｇＧ）、ＢｓＡｂ断片、二重特異性融合タンパク質、及びＢｓＡｂコンジュゲート。例えば、Ｓｐｉｅｓｓ ｅｔ ａｌ．，Ｍｏｌｅｃｕｌａｒ Ｉｍｍｕｎｏｌｏｇｙ ６７（２）Ｐａｒｔ Ａ：９７－１０６（２０１５）を参照されたい。
例示的な態様では、治療用タンパク質は、これらの抗体タンパク質生成物の内のいずれか１つを含む。例示的な態様では、治療用タンパク質は、ｓｃＦｖ、Ｆａｂ ＶＨＨ／ＶＨ、Ｆｖ断片、ｄｓ－ｓｃＦｖ、ｓｃＦａｂ、二量体抗体、多量体抗体（例えば、ダイアボディ、トリアボディ、テトラボディ）、ミニＡｂ、ラクダ類重鎖抗体のペプチボディＶＨＨ／ＶＨ、ｓｄＡｂ、ダイアボディ；トリアボディ；テトラボディ；二重特異性又は三重特異性抗体、ＢｓＩｇＧ、付加ＩｇＧ、ＢｓＡｂ断片、二重特異性融合タンパク質、及びＢｓＡｂコンジュゲートの内のいずれか１つを含む。
例示的な態様では、治療用タンパク質は、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ（登録商標））分子である。ＢｉＴＥ（登録商標）分子は、互いに連結された２つの抗体結合ドメイン（又はターゲティング領域）を含む二重特異性抗体構築体又は二重特異性融合タンパク質である。ＢｉＴＥ（登録商標）分子は、柔軟なリンカーによって直列に連結された２つの単鎖可変断片（ｓｃＦｖ）で構築されている（ｓｃＦｃ－ｓｃＦｃ，Ｈｕｅｈｌｓ ｅｔ ａｌ，２０１５）。この分子の一方のアームは、細胞傷害性Ｔ細胞の表面上で見出されるタンパク質と結合するように操作されており、他方のアームは、主に腫瘍細胞上で見出される特定のタンパク質に結合するように設計されている。ＢｉＴＥ（登録商標）分子は、両方の標的に結合すると、細胞傷害性Ｔ細胞と腫瘍細胞との間に架橋を形成し、これによりＴ細胞に腫瘍細胞を認識させ、有害分子を注入することで腫瘍細胞を撃退し得る。この分子の腫瘍結合アームを、異なるタイプの癌を標的とする異なるＢｉＴＥ（登録商標）抗体構築体が作られるように改変し得る。ＢｉＴＥ（登録商標）分子に関する「結合ドメイン」という用語は、標的分子（抗原）上の所与の標的エピトープ又は所与の標的部位と（特異的に）結合する／相互作用する／認識するドメインを指す。第１の結合ドメインの構造及び機能（腫瘍細胞抗原の認識）並びに好ましくは同様に第２の結合ドメイン（細胞傷害性Ｔ細胞抗原）の構造及び／又は機能は、抗体（例えば、完全長免疫グロブリン分子又は全免疫グロブリン分子）の構造及び／又は機能に基づく。例えば、ＢｉＴＥ（登録商標）分子は、３つの軽鎖ＣＤＲ（即ち、ＶＬ領域のＣＤＲ１、ＣＤＲ２、及びＣＤＲ３）、並びに３つの重鎖ＣＤＲ（即ち、ＶＨ領域のＣＤＲ１、ＣＤＲ２及びＣＤＲ３）の存在を特徴とする第１の結合ドメインを含む。好ましくは、第２の結合ドメインも、標的結合を可能にする抗体の最小構造要件を含む。より好ましくは、第２の結合ドメインは、少なくとも３つの軽鎖ＣＤＲ（即ち、ＶＬ領域のＣＤＲ１、ＣＤＲ２、及びＣＤＲ３）、並びに／又は３つの重鎖ＣＤＲ（即ち、ＶＨ領域のＣＤＲ１、ＣＤＲ２、及びＣＤＲ３）を含む。第１及び／又は第２の結合ドメインは、既存の（モノクローナル）抗体由来のＣＤＲ配列をスキャフォールドに移植する以外のファージディスプレイ又はライブラリスクリーニング法により作製されるか又は得られることが想定される。結合ドメインは、典型的には、抗体軽鎖可変領域（ＶＬ）と抗体重鎖可変領域（ＶＨ）とを含み得るが、両方を含む必要はない。Ｆｄ断片は、例えば、２つのＶＨ領域を有し、多くの場合には、インタクトな抗原結合ドメインの一部の抗原結合機能を保持する。（改変された）抗原結合抗体断片の例として、（１）ＶＬドメイン、ＶＨドメイン、ＣＬドメイン、及びＣＨ１ドメインを有する一価の断片であるＦａｂ断片；（２）ヒンジ領域でジスルフィド架橋により連結された２つのＦａｂ断片を有する二価の断片であるＦ（ａｂ’）２断片；（３）２つのＶＨドメイン及びＣＨ１ドメインを有するＦｄ断片；（４）抗体の単一アームのＶＬドメイン及びＶＨドメインを有するＦｖ断片、（５）ＶＨドメインを有するｄＡｂ断片（Ｗａｒｄ ｅｔ ａｌ．，（１９８９）Ｎａｔｕｒｅ ３４１：５４４－５４６）；（６）単離された相補性決定領域（ＣＤＲ）、並びに（７）単鎖Ｆｖ（ｓｃＦｖ）が挙げられ、後者が好ましい（例えば、ｓｃＦＶライブラリ由来）。
例示的な態様では、治療用タンパク質は、二重特異性抗体、三重特異性抗体、分子、又はＦｃ融合タンパク質である。一部の態様では、治療用タンパク質は、第１の標的に結合する単鎖可変断片（ｓｃＦｖ）を含み、任意選択的に、この治療用タンパク質は、第２の標的（任意選択的に第１の標的と異なる）に結合する第２のｓｃＦＶを含む。
一部の態様では、この治療用タンパク質は、組換え治療用タンパク質又はその活性断片である。他の態様では、この治療用タンパク質は、細胞又は生物に対して内在性であり、この細胞又は生物から単離されている。
本開示の態様
本開示の下記の態様は例示的にすぎず、本開示の範囲を限定することは意図されていない。
本開示の下記の態様は例示的にすぎず、本開示の範囲を限定することは意図されていない。
１．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するように構成されている、紫外線（ＵＶ）ベースの画像化システムであって、多波長の光線を投射するように構成されている光源；多波長の光線を受け取り、多波長の光線に基づいて、ＵＶスペクトルの一連の単一波長の光線を投射するように構成されているモノクロメータ；タンパク質サンプルを受け取るように動作可能なサンプルホルダであって、タンパク質サンプルは、（１）標準タンパク質サンプルのセットから選択される標準タンパク質、又は（２）未知のタンパク質サンプルのセットから選択される未知のタンパク質サンプルのいずれかであり、未知のタンパク質サンプルは、タンパク質濃度が未知であり、サンプルホルダは、一連の単一波長の光線がタンパク質サンプルの少なくとも一部を通過することを可能にするように配置されている、サンプルホルダ；タンパク質サンプルの少なくとも一部を通過する一連の単一波長の光線を検出するように動作可能な検出器；プログラム命令を格納しているメモリ；並びにメモリに通信可能に連結されているプロセッサであって、プロセッサに、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせるプログラム命令で、波長データの標準セットは、各標準タンパク質サンプルに関して、一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取らせるプログラム命令、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させるプログラム命令、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせるプログラム命令で、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取らせるプログラム命令、及び多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させるプログラム命令で、複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する、決定させるプログラム命令を実行するように構成されているプロセッサを含むＵＶベースの画像化システム。
２．光源、モノクロメータ、サンプルホルダ、及び検出器は、分光光度計デバイスの一部を構成する、態様１に記載のＵＶベースの画像化システム。
３．プロセッサは、検出器に通信可能に連結されている、態様１又は２に記載のＵＶベースの画像化システム。
４．メモリ又はプロセッサは、検出器から離れている、態様１～３のいずれか１つに記載のＵＶベースの画像化システム。
５．標準タンパク質サンプルのセットは、複数の標準タンパク質サンプルを含み、未知のタンパク質サンプルのセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含む、態様１～４のいずれか１つに記載のＵＶベースの画像化システム。
６．標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液である、態様１～５のいずれか１つに記載のＵＶベースの画像化システム。
７．一連の単一波長の光線は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトルにおける単一波長の光線を含む、態様１～６のいずれか１つに記載のＵＶベースの画像化システム。
８．ＵＶスペクトルにおける各単一波長の光線は、１ナノメートル間隔で分離されている、態様７に記載のＵＶベースの画像化システム。
９．多波長校正モデルを生成することは、一連の単一波長の光線から選択された第１の範囲の波長の各々に関する単一波長校正モデルを生成することを含み、各単一波長校正モデルは、特定の単一波長のＵＶ吸光度に対応する傾き値及びｙ切片値を含む、態様１～８のいずれか１つに記載のＵＶベースの画像化システム。
１０．多波長校正モデルは、機械学習モデルとして訓練される、態様１～９のいずれか１つに記載のＵＶベースの画像化システム。
１１．標準波長データフィルタをさらに含み、プロセッサは、第１の範囲の波長を選択するために一連の単一波長の光線に対する標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様１～１０のいずれか１つに記載のＵＶベースの画像化システム。
１２．プロセッサは、ＵＶ吸光度値の第１のフィルタ範囲内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を制限するために標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様１１に記載のＵＶベースの画像化システム。
１３．未知の波長データフィルタをさらに含み、プロセッサは、第２の範囲の波長を選択するために一連の単一波長の光線に対する未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様１～１２のいずれか１つに記載のＵＶベースの画像化システム。
１４．プロセッサは、ＵＶ吸光度値の第２のフィルタ範囲内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を制限するために未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するように構成されている、態様１３に記載のＵＶベースの画像化システム。
１５．プロセッサは、複数のタンパク質濃度値に基づいて、強化された予測を生成することをさらに含む、態様１～１４のいずれか１つに記載のＵＶベースの画像化システム。
１６．強化された予測を生成することは、第２の範囲の波長に対応する複数のタンパク質濃度値の各タンパク質濃度値を平均化することを含む、態様１５に記載のＵＶベースの画像化システム。
１７．多波長校正モデルを使用して、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定する、態様１～１６のいずれか１つに記載のＵＶベースの画像化システム。
１８．タンパク質濃度を、タンパク質関連製品の製造中にモニタリングするか又は測定する、態様１７に記載のＵＶベースの画像化システム。
１９．タンパク質関連製品のタンパク質濃度を、タンパク質関連製品の既知の仕様と比較する、態様１７又は１８に記載のＵＶベースの画像化システム。
２０．タンパク質関連製品は、治療薬である、態様１７～１９のいずれか１つに記載のＵＶベースの画像化システム。
２１．多波長校正モデルは、各複数のタンパク質濃度値を予測するために、第２の一連の第２の吸光度対波長値の対を入力する、態様１７～２０のいずれか１つに記載のＵＶベースの画像化システム。
２２．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、紫外線（ＵＶ）ベースの画像化方法であって、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取ることであって、波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取ること；プロセッサにより、波長データの標準セットの第１の一連の第１の吸光度値対波長値の対のそれぞれに基づいて、多波長校正モデルを生成すること；プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取ることであって、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取ること；及びプロセッサに実装されている多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定することであって、複数のタンパク質濃度値の各タンパク質濃度値は、前記一連の単一波長の光線から選択される第２の範囲の波長に対応する、決定することを含むＵＶベースの画像化方法。
２３．検出器は、分光光度計デバイスの一部を構成する、態様２２に記載のＵＶベースの画像化方法。
２４．プロセッサは、検出器に通信可能に連結されている、態様２２又は２３に記載のＵＶベースの画像化方法。
２５．プロセッサは、検出器から離れている、態様２２～２４のいずれか１つに記載のＵＶベースの画像化方法。
２６．標準タンパク質サンプルのセットは、複数の標準タンパク質サンプルを含み、未知のタンパク質サンプルのセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含む、態様２２～２５のいずれか１つに記載のＵＶベースの画像化方法。
２７．標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液である、態様２２～２６のいずれか１つに記載のＵＶベースの画像化方法。
２８．一連の単一波長の光線は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトルにおける単一波長の光線を含む、態様２２～２７のいずれか１つに記載のＵＶベースの画像化方法。
２９．ＵＶスペクトルにおける各単一波長の光線は、１ナノメートル間隔で分離されている、態様２８に記載のＵＶベースの画像化方法。
３０．多波長校正モデルを生成することは、一連の単一波長の光線から選択された第１の範囲の波長の各々に関する単一波長校正モデルを生成することを含み、各単一波長校正モデルは、特定の単一波長のＵＶ吸光度に対応する傾き値及びｙ切片値を含む、態様２２～２８のいずれか１つに記載のＵＶベースの画像化方法。
３１．多波長校正モデルは、機械学習モデルとして訓練される、態様２２～３０のいずれか１つに記載のＵＶベースの画像化方法。
３２．標準波長データフィルタをさらに含み、プロセッサは、第１の範囲の波長を選択するために一連の単一波長の光線に対する標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様２２～３１のいずれか１つに記載のＵＶベースの画像化方法。
３３．プロセッサは、ＵＶ吸光度値の第１のフィルタ範囲内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を制限するために標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様３２に記載のＵＶベースの画像化方法。
３４．未知の波長データフィルタをさらに含み、プロセッサは、第２の範囲の波長を選択するために一連の単一波長の光線に対する未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様２２～３３のいずれか１つに記載のＵＶベースの画像化方法。
３５．プロセッサは、ＵＶ吸光度値の第２のフィルタ範囲内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を制限するために未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するように構成されている、態様３４に記載のＵＶベースの画像化方法。
３６．プロセッサは、複数のタンパク質濃度値に基づいて、強化された予測を生成することをさらに含む、態様２２～３５のいずれか１つに記載のＵＶベースの画像化方法。
３７．強化された予測を生成することは、第２の範囲の波長に対応する複数のタンパク質濃度値の各タンパク質濃度値を平均化することを含む、態様３６に記載のＵＶベースの画像化方法。
３８．多波長校正モデルを使用して、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定する、態様２２～３７のいずれか１つに記載のＵＶベースの画像化方法。
３９．タンパク質濃度を、タンパク質関連製品の製造中にモニタリングするか又は測定する、態様３８に記載のＵＶベースの画像化方法。
４０．タンパク質関連製品のタンパク質濃度を、タンパク質関連製品の既知の仕様と比較する、態様３８又は３９に記載のＵＶベースの画像化方法。
４１．タンパク質関連製品は、治療薬である、態様３８～４０のいずれか１つに記載のＵＶベースの画像化方法。
４２．多波長校正モデルは、各複数のタンパク質濃度値を予測するために、第２の一連の第２の吸光度対波長値の対を入力する、態様２２～４１のいずれか１つに記載のＵＶベースの画像化方法。
４３．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための命令を格納する有形の非一時的コンピュータ可読媒体であって、命令は、１つ又は複数のメモリを含むコンピューティングデバイスの１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせ、波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み；プロセッサにより、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させ；プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせ、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み；及びプロセッサに実装された多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させ、複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する、有形の非一時的コンピュータ可読媒体。
４４．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための画像化装置であって、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関する波長データの標準セットを受け取るための手段であって、波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取るための手段；波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成するための手段；未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関する波長データの未知のセットを受け取るための手段であって、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取るための手段；及び多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定するための手段であって、複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する、決定するための手段を含む画像化装置。
４５．未知のタンパク質サンプルのセットの少なくとも１つの未知のタンパク質サンプルは、タンパク質治療薬を含む、態様２２～４１のいずれか１つに記載のＵＶベースの画像化方法。
４６．タンパク質治療薬は、抗体、抗原結合抗体断片、抗体タンパク質生成物、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ（登録商標））分子、二重特異性抗体、三重特異性抗体、Ｆｃ融合タンパク質、組換えタンパク質、及び組換えタンパク質の活性断片からなる群から選択される、態様４５に記載のＵＶベースの画像化方法。
追加の考慮すべき事項
本明細書の開示は、多数の異なる実施形態の詳細な説明を示しているが、この説明の法的範囲は、本特許の末尾に示される特許請求の範囲の文言及びその均等物により定義されることを理解すべきである。この詳細な説明は、例示にすぎないと解釈されるべきであり、全ての可能な施形態を説明することは非現実的であろうことから、全ての可能な実施形態を説明しているわけではない。現在の技術又は本特許の出願日以降に開発される技術のいずれかを使用して、様々な代替的実施形態を実施し得、これらも依然として本特許請求の範囲に含まれる。
本明細書の開示は、多数の異なる実施形態の詳細な説明を示しているが、この説明の法的範囲は、本特許の末尾に示される特許請求の範囲の文言及びその均等物により定義されることを理解すべきである。この詳細な説明は、例示にすぎないと解釈されるべきであり、全ての可能な施形態を説明することは非現実的であろうことから、全ての可能な実施形態を説明しているわけではない。現在の技術又は本特許の出願日以降に開発される技術のいずれかを使用して、様々な代替的実施形態を実施し得、これらも依然として本特許請求の範囲に含まれる。
下記の追加の考慮すべき事項は、上述の説明にも当てはまる。本明細書全体を通じて、複数のインスタンスが、単一のインスタンスとして説明されている構成要素、動作、又は構造を実装し得る。１つ又は複数の方法の個々の動作が別の動作として図示されており且つ説明されているが、個々の動作の内の１つ又は複数を同時に実施し得、動作を図示された順序で実施することは要求されていない。例示的な構成の中で別々の構成要素として提示されている構造及び機能を、組合せの構造又は構成要素として実装し得る。同様に、単一の構成要素として提示された構造及び機能は、別の構成要素として実装され得る。これら及び他の変更、改良、追加、及び改善は、本明細書の主旨の範囲に含まれる。
加えて、ある特定の実施形態は、本明細書の中で、ロジック又は複数のルーチン、サブルーチン、アプリケーション、又は命令を含むと説明されている。これらは、ソフトウェア（例えば、機械可読媒体上、若しくは伝送信号の中に埋め込まれたコード）又はハードウェアのいずれかを構成し得る。ハードウェアの中で、ルーチン等は、ある特定の動作を実行し得る有形ユニットであり、ある特定の方法で構成され得るか、又は配置され得る。例示的な実施形態では、１つ若しくは複数のコンピュータシステム（例えば、スタンドアロン、クライアント、又はサーバコンピュータシステム）又はあるコンピュータシステムの１つ若しくは複数のハードウェアモジュール（例えば、プロセッサ若しくはプロセッサ群）は、本明細書で説明されているある特定の動作を実施するように動作するハードウェアモジュールとして、ソフトウェア（例えば、アプリーケン又はアプリケーション部分）により構成され得る。
様々な実施形態では、ハードウェアモジュールは、機械的に又は電子的に実装され得る。例えば、ハードウェアモジュールは、ある特定の動作を実施するように恒久的に構成されている専用の回路又はロジック（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）又は特定用途向け集積回路（ＡＳＩＣ）等の特別な目的用のプロセッサ）を含み得る。ハードウェアモジュールはまた、ある特定の動作を実施するためにソフトウェアにより一時的に構成されているプログラム可能なロジック又は回路（例えば、汎用プロセッサ又は他のプログラム可能なプロセッサ内に含まれているプログラム可能なロジック又は回路）も含み得る。ハードウェアモジュールを機械的に実装するか、専用の恒久的に構成されている回路に実装するか、又は一時期的に構成されている回路（例えば、ソフトウェアにより構成されている回路）に実装するかの決定を、費用及び時間を考慮して行ない得ることが理解されるだろう。
従って、「ハードウェアモジュール」という用語は、ある特定の方法で動作するために又は本明細書で説明されているある特定の動作を実施するために、物理的に構成されている有形の実体、恒久的に構成されている有形の実体（例えばハードワイヤード）、又は一時的に構成されている（例えばプログラムされている）有形の実体を包含すると理解すべきである。ハードウェアモジュールが一時的に構成されている（例えばプログラムされている）実施形態を考慮すると、ハードウェアモジュールのそれぞれは、任意のある時点で構成されているか又はインスタンス化されている必要はない。例えば、ハードウェアモジュールが、ソフトウェアを使用して構成されている汎用プロセッサを含む場合には、この汎用プロセッサは、異なる時間でそれぞれ異なるハードウェアモジュールとして構成され得る。従って、ソフトウェアは、例えば、ある時点で特定のハードウェアモジュールを構成し且つ異なる時点で異なるハードウェアモジュールを構成するようにプロセッサを構成し得る。
ハードウェアモジュールは、他のハードウェアモジュールに情報を提供し得、且つ他のハードウェアモジュールから情報を受け取り得る。従って、説明されているハードウェアモジュールは、通信可能に連結されていると見なされ得る。複数のそのようなハードウェアモジュールが同時に存在する場合には、通信を、これらのハードウェアモジュールを（例えば、適切な回路及びバスを通じて）接続する信号伝送により達成し得る。複数のハードウェアモジュールが様々な時間で構成されているか又はインスタンス化されている実施形態では、そのようなハードウェアモジュール間の通信を、例えば、これら複数のハードウェアモジュールがアクセスルするメモリ構造中の情報の格納及び検索により達成し得る。例えば、あるハードウェアモジュールは、ある動作を実施し得、且つこの動作の出力を、通信可能に連結されているメモリデバイスに格納し得る。次いで、さらなるハードウェアモジュールは、その後、格納された出力を検索して処理するために、このメモリデバイスにアクセスし得る。ハードウェアモジュールはまた、入力デバイス又は出力デバイスとの通信も開始し得、且つリソース（例えば情報の収集物）に対して動作し得る。
本明細書で説明されている例示的な方法の各種の動作を、少なくとも部分的に、関係する動作を実施するように（例えばソフトウェアにより）一時的に構成されているか又は恒久的に構成されている１つ又は複数のプロセッサにより実施し得る。一時的に構成されているか恒久的に構成されているかにかかわらず、そのようなプロセッサは、１つ又は複数の動作又は機能を実施するように動作するプロセッサ実装モジュールを構成し得る。本明細書で言及されるモジュールは、一部の例示的な実施形態では、プロセッサ実装モジュールを含み得る。
同様に、本明細書で説明されている方法又はルーチンは、少なくとも部分的にプロセッサに実装され得る。例えば、ある方法の動作の内の少なくともいくつかを、１つ又は複数のプロセッサ又はプロセッサ実装ハードウェアモジュールにより実施し得る。ある特定の動作の実施を、単一の機械内に存在するだけでなく複数の機械にわたり展開されている１つ又は複数のプロセッサに分散し得る。一部の例示的な実施形態では、１つ又は複数のプロセッサを、１か所に配置し得るが、他の実施形態では、プロセッサを複数の場所に分散し得る。
ある特定の動作の実施を、単一の機械内に存在するだけでなく複数の機械にわたり展開されている１つ又は複数のプロセッサに分散し得る。一部の例示的な実施形態では、１つ又は複数のプロセッサ又はプロセッサ実装モジュールを、１か所の地理的場所（例えば、家庭環境内、オフィス環境内、又はサーバファーム内）に配置し得る。他の実施形態では、１つ又は複数のプロセッサ又はプロセッサ実装モジュールを、複数の地理的場所に分散させ得る。
この詳細な説明は、例示にすぎないと解釈されるべきであり、全ての可能な施形態を説明することは、不可能ではないとしても非現実的であろうことから、全ての可能な実施形態を説明しているわけではない。当業者は、現在の技術又は本出願の出願日以降に開発される技術のいずれかを使用して、多数の代替的実施形態を実行し得る。
当業者は、上述の実施形態に関して、本発明の範囲から逸脱することなく、多種多様な改良、変更、及び組合せを行い得ること、並びにそのような改良、変更、及び組合せは、本発明の概念の範囲に含まれるとみなされるべきであることを認識するだろう。
本特許出願の最後にある特許請求の範囲は、この特許請求の範囲内に明確に列挙されている「～ための手段（ｍｅａｎｓ ｆｏｒ）」又は「～ための工程（ｓｔｅｐ ｆｏｒ）」という文言等の従来のミーンズプラスファンクションの文言が明確に列挙されていない限り、米国特許法第１１２条（ｆ）の下で解釈されることは意図されていない。本明細書中で説明されているシステム及び方法は、コンピュータの機能性の改善、及び従来のコンピュータの機能を改善させることを対象とする。
関連出願の相互参照
本出願は、ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＤＥＴＥＲＭＩＮＩＮＧ ＰＲＯＴＥＩＮ ＣＯＮＣＥＮＴＲＡＴＩＯＮＳ ＯＦ ＵＮＫＮＯＷＮ ＰＲＯＴＥＩＮ ＳＡＭＰＬＥＳ ＢＡＳＥＤ ＯＮ ＡＵＴＯＭＡＴＥＤ ＭＵＬＴＩ－ＷＡＶＥＬＥＮＧＴＨ ＣＡＬＩＢＲＡＴＩＯＮという表題の、２０１９年８月６日に出願された米国特許出願第６２／８８３，３２０号明細書に対する優先権を主張しており、この明細書は、その全体が参照により本明細書に組み込まれる。
本出願は、ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＤＥＴＥＲＭＩＮＩＮＧ ＰＲＯＴＥＩＮ ＣＯＮＣＥＮＴＲＡＴＩＯＮＳ ＯＦ ＵＮＫＮＯＷＮ ＰＲＯＴＥＩＮ ＳＡＭＰＬＥＳ ＢＡＳＥＤ ＯＮ ＡＵＴＯＭＡＴＥＤ ＭＵＬＴＩ－ＷＡＶＥＬＥＮＧＴＨ ＣＡＬＩＢＲＡＴＩＯＮという表題の、２０１９年８月６日に出願された米国特許出願第６２／８８３，３２０号明細書に対する優先権を主張しており、この明細書は、その全体が参照により本明細書に組み込まれる。
本開示は、全体として、治療用医薬品の自動化及びエンジニアリングに関連する紫外線（ＵＶ）ベースの画像化システム及び画像化方法に関し、より具体的には、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、ＵＶベースの画像化システム及び画像化方法に関する。
医療用医薬品の調製及び開発では、プロセスのモニタリング及び製品の品質特性管理が日常的に実施されている。例えば、そのような治療用医薬品の有効性を確保するために、プロセスのモニタリング及び製品の品質特性管理に関する技術が一般的に使用されている。
現在の機器（現在の固定経路長機器及び可変経路長機器（例えば機械式機器）の両方を含む）は、本質的に直線であるランベルト・ベールの法則の式の適用に基づいて設計されており、且つこの式への依存度が制限されている。特に、吸光度の線形範囲は制限されていることから、そのような機器は、吸光度がこの線形範囲外である場合には、サンプルの濃度を正確に測定し得ない。
下記式は、ランベルト・ベールの法則を示す。
Ａ＝ε×Ｃ×ｌ
上記式中、Ａは、吸光度値であり、εは、吸光係数であり、Ｃは、濃度値であり、ｌは、サンプルを通る光線の経路長である。吸光度値（Ａ）は、一般的に、サンプルを通過する光線に対する応答係数として測定される。吸光係数（ε）は、所与の波長で物質がどれだけ強く光を吸収するかの尺度である。治療薬の測定に関して、この吸光係数（ε）は、一般的に、タンパク質の固有の性質であり変化することはない。
Ａ＝ε×Ｃ×ｌ
上記式中、Ａは、吸光度値であり、εは、吸光係数であり、Ｃは、濃度値であり、ｌは、サンプルを通る光線の経路長である。吸光度値（Ａ）は、一般的に、サンプルを通過する光線に対する応答係数として測定される。吸光係数（ε）は、所与の波長で物質がどれだけ強く光を吸収するかの尺度である。治療薬の測定に関して、この吸光係数（ε）は、一般的に、タンパク質の固有の性質であり変化することはない。
濃度値（Ｃ）は、所与のサンプル（例えば、治療薬又は他のタンパク質ベースの製品のサンプル）の濃度を指す。より一般的には、濃度とは、混合物の総量で除算された構成成分の存在量のことである。濃度は、質量濃度、モル濃度、個数濃度、及び／又は体積濃度等のいくつかの異なるタイプを指し得る。濃度は、一般的に、あらゆるタイプの化学混合物であり得るが、最も一般的には、溶質又は溶媒溶液である。
上記に示したように、ランベルト・ベールの法則の式は、現在のタンパク質測定機器及びタンパク質測定技術がサンプル濃度値、固定の吸光係数、及び静的光路の長さの線形関数に限定されるような線形性を前提とする。ランベルト・ベールの式を適用すると、非線形のサンプルの吸光度に対して濃度を正確に測定し得ず、そのためにプロセスのモニタリング及び製品の品質特性管理の最中にバイアス、偽陽性、及び／又は偽陰性が生じる可能性がある。
ランベルト・ベールの制限に起因して、固定経路長のＵＶ分光計による測定及び製品の品質特性管理のためのサンプルの調製は、典型的には、時間がかかり且つ誤差が起こりやすい。例えば、製品の品質特性の測定には、サンプル濃度がダイナミックレンジに入るまで連続希釈が必要な場合がある。そのような希釈は誤差が容易に生じやすく、特に、いくつかの製品サンプルにわたり値を測定する場合に生じやすく、なぜならば、このプロセス全体を通してサンプル毎に異なる希釈係数が必要とされ得、濃度算出のための希釈係数の使用は誤差が起こりやすい可能性があるからである。いくつかの製品サンプルに適用される希釈プロセスと、典型的にはそのようなプロセスにより導入される誤差とにより、一般的には、関連する製品の品質特性の測定値に差が生じる。そのような誤った測定値は、プロセスのモニタリング及び製品の品質特性管理の最中に、許容できない数の偽陽性及び偽陰性を生じる可能性がある。
可変経路長機器は、（従来の固定経路長ＵＶ吸光度測定とは対照的に）可変経路長でのＵＶ吸光度の測定を可能とするために開発されている。そのような機器では、経路長は、光を送るＦｉｂｒｅｔｔｅの先端とサンプル容器の内側の底との間の距離により定義される。経路長は、統合されたハードウェア手段によってサンプル中でＦｉｂｒｅｔｔｅを上下に移動させることにより、動的に制御される。可変経路長機器は、直接測定の濃度範囲の問題に対処する。固定経路長機器では、直接測定範囲は狭く、従って、実際にはサンプル希釈が常に必要とされる。しかしながら、可変経路長機器により、そのような機器は可変経路長を走査し得ることから、希釈を全く必要とすることなく高タンパク質濃度を直接測定し得る。しかしながら、そのような機器は、典型的には入手及び維持に費用がかかり、且つ、基本的には、光を送るＦｉｂｒｅｔｔｅの機械的な移動及び操作に起因する測定誤差も起こりやすい。例えば、Ｆｉｂｒｅｔｔｅの日常的な校正若しくはメンテナンスの欠如、及び／又は可変光機器の機械のわずかな変動により、一般的には、機械的な故障、誤校正、又は機械的な変動の程度により測定結果が相殺されるという誤差が生じる。この誤差は、一般的に、サンプル測定値のばらつきを引き起こし、例えば、製品の測定及び品質管理の目的のための、許容限界内での再現性のある結果及び十分な校正を妨げる。
上記の理由のために、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、ＵＶベースの画像化システム及び画像化方法が必要とされている。
本開示は、全体として、治療用医薬品の自動化及び検査（例えば、そのような治療用医薬品に関連する開発、処理、モニタリング、及び／又は製品の品質特性管理）に関する。様々な実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するために、ＵＶベースの画像化システム及び画像化方法が開示されている。決定されたタンパク質濃度は、治療用医薬品又は製品の未知のサンプルの濃度であり得る。そのようなタンパク質濃度の決定を、例えば、治療薬又は他のタンパク質ベースの製品の製造の最中での、プロセスのモニタリング及び製品の品質特性管理で使用し得る。そのようなタンパク質濃度の決定を、製品の品質管理に関連するプロセスのモニタリング及び製品の品質特性管理でも使用し得、並びに／又はそのような製品の規則性順守若しくは他の有効性を保証するためにも使用し得る。
従って、本明細書で説明されているように、様々な実施形態では、ＵＶベースの画像化システムは、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するように構成され得る。このＵＶベースの画像化システムは、多波長の光線を投射するように構成されている光源を含み得る。加えて、このＵＶベースの画像化システムは、この多波長の光線を受け取り、この多波長の光線に基づいて、ＵＶスペクトルの一連の単一波長の光線を投射するように構成されているモノクロメータを含み得る。
このＵＶベースの画像化システムは、タンパク質サンプルを受け取るように動作可能なサンプルホルダをさらに含み得る。様々な実施形態では、このタンパク質サンプルは、（１）標準タンパク質サンプルのセットから選択される標準タンパク質、又は（２）未知のタンパク質サンプルのセットから選択される未知のタンパク質サンプルのいずれかであり得る。本明細書で説明されているように、この未知のタンパク質サンプルは、タンパク質濃度が未知である。このサンプルホルダは、一般的に、タンパク質サンプルが標準タンパク質タイプであるか未知のタンパク質タイプであるかにかかわらず、一連の単一波長の光線がこのタンパク質サンプルの少なくとも一部を通過することを可能にするように配置されている。
このＵＶベースの画像化システムは、タンパク質サンプルの少なくとも一部を通過する一連の単一波長の光線を検出するように動作可能な検出器をさらに含み得る。
このＵＶベースの画像化システムは、プログラム命令を格納しているメモリと、このメモリに通信可能に連結されているプロセッサとをさらに含み得る。このプロセッサは、このプロセッサに、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせるプログラム命令を実行するように構成され得る。この波長データの標準セットは、各標準タンパク質サンプルに関して、一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み得る。加えて、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、このＵＶベースの画像化システムのプロセッサは、このプロセッサに、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させるプログラム命令を実行するようにさらに構成され得る。
このＵＶベースの画像化システムのプロセッサは、このプロセッサに、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせるプログラム命令を実行するようにさらに構成され得る。この波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、このＵＶベースの画像化システムのプロセッサは、このプロセッサに、多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させるプログラム命令を実行するようにさらに構成され得る。この複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応し得る。
本明細書で説明されている追加の実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、ＵＶベースの画像化方法が説明されている。このＵＶベースの画像化方法は、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取ることを含む。この波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み得る。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
このＵＶベースの画像化方法は、プロセッサにより、波長データの標準セットの第１の一連の第１の吸光度値対波長値の対のそれぞれに基づいて、多波長校正モデルを生成することをさらに含み得る。
このＵＶベースの画像化方法は、プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取ることをさらに含み得る。波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
このＵＶベースの画像化方法は、プロセッサにより実装されている多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定することをさらに含み得る。複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応し得る。
本明細書で説明されている追加の実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための命令を格納する有形の非一時的コンピュータ可読媒体が説明されている。この命令は、１つ又は複数のメモリを含むコンピューティングデバイスの１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせる。この波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み得る。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、この命令は、１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、このプロセッサにより、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルをさらに生成させ得る。
さらに、この命令は、１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、このプロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせ得る。加えて、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。
加えて、この命令は、１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、このプロセッサに実装されている多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させ得る。複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応し得る。
本明細書で説明されている追加の実施形態では、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための画像化装置が説明されている。この画像化装置は、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関する波長データの標準セットを受け取るための手段を含む。この波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含む。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む。
この画像化装置は、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成するための手段をさらに含む。
この画像化装置は、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関する波長データの未知のセットを受け取るための手段をさらに含む。この波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含む。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む。
この画像化装置は、多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定するための手段をさらに含む。この複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する。
本開示のＵＶベースの画像化システム及び画像化方法は、現在知られている機器の制限を改善する。例えば、本明細書で説明されているように、本開示のＵＶベースの画像化システム及び画像化方法は、医薬品の調製及び開発で使用されるプロセスのモニタリング及び製品の品質特性管理のための自動化されたワークフローを説明する。加えて、この自動化されたワークフローは、単一波長又は二重波長に限定される代わりにＵＶスペクトルの完全走査を提供することにより、現在知られている方法を強化し、且つ改善する。例えば、典型的な従来の機器のように、サンプルのタンパク質濃度を測定するために単一のＵＶ波長（例えば２８０ｎｍ）に依存する代わりに、本開示のＵＶベースの画像化システム及び画像化方法は、タンパク質濃度を測定するために、例えば２８０～３１５ｎｍのＵＶ範囲を含む広い範囲にわたる走査を可能にする。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、固定経路長ＵＶ分光計及び多経路長ＵＶ分光計の両方に対する制限（例えば、光の波長、吸光度値の測定のダイナミックレンジに関する従来の問題、及びより最近の機器により導入される機械的な課題）を克服する。例えば、現在の機器は、ランベルト・ベールの法則の適用に依存しており、且つランベルト・ベールの法則の適用により制限されている。ランベルト・ベールの法則の線形性の制限を克服するために、本開示のＵＶベースの画像化システム及び画像化方法は、所与のサンプルに関して測定された各波長に関する吸光度値を検出し、次いで、関連する吸光係数の変化に従って吸光度応答係数を動的に校正するように構成されている。その結果、本開示のＵＶベースの画像化システム及び画像化方法を適用して、固定経路長ＵＶ分光計、及びその関連するデータ出力を改善し得、これにより、広範囲（例えば、１ミリリットル（ｍＬ）当たり０．１～１２６ミリグラム（ｍｇ）の範囲）にわたり、タンパク質濃度の正確な測定が提供されるだろう。
加えて、様々な実施形態では、本開示のＵＶベースの画像化システム及び画像化方法は、一般的に、広範囲のタンパク質濃度測定値にわたり波長値の重複を生じる。そのような実施形態では、平均、中央値、導関数（ｄｅｒｉｖａｔｉｏｎ）、導関数（ｄｅｒｉｖａｔｉｖｅ）、又はその他の方法によるコンパイルをこの範囲の波長に適用して、強化された多サンプル測定値を得ることにより、強化された予測（例えば、濃度測定値の強化された精度）をもたらし得る。例えば、いくつかの実施形態では、シグナルの平均を、重複した濃度測定値に適用し得、精度が強化される。例えば、「強化された」予測は、単一波長に基づく参照予測と比較して高い精度（例えば、より狭い信頼区間、又はより小さい標準誤差）を有し得る。
さらに、機械的光ガイドを使用して様々な経路長で走査し、それにより線形タンパク質濃度範囲を拡大する可変ＵＶ経路長機器とは異なり、本ＵＶベースの画像化システム及び画像化方法の自然な吸光係数の調整は、機械的誤差を有さず、あらゆる従来のＵＶ分光計に適用可能である。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、コンピュータの機能性を改善し、及び／又は他の科学技術を改善し、なぜならば、少なくとも、このＵＶベースの画像化システム及び画像化方法は、タンパク質関連製品の情報を測定するコンピューティングデバイス（例えば分光光度計）の正確度及び精度を改善するからである。即ち、本開示は、コンピュータデバイス自体（例えば、分光光度計、又はタンパク質関連製品の測定若しくはモニタリングで使用されるデバイス若しくはシステム）の機能の改善を説明しており、なぜならば、本明細書で説明されているＵＶベースの画像化技術の適用により、そのような機器、デバイス、又はシステムの正確度及び精度が増加し、それにより、基礎となるシステムだけでなくこのシステムの最終用途（例えば、本明細書で説明されている治療薬等のタンパク質関連製品のタンパク質濃度のモニタリング及び／又は測定）における信頼性が増加するからである。これにより、先行技術よりも改善され、なぜならば、少なくとも、既存の機器（例えば固定経路長機器及び機械的な可変ベースの機器）は、本明細書で説明されているように採用するには制限があり、誤差が起こりやすく、及び／又は高価だからである。対照的に、本開示のＵＶベースの画像化システム及び画像化方法は、任意の完全走査可能なＵＶ分光計と互換性がある。これにより、分析モニタリング及び／又は試験ネットワーク全体を通した本ＵＶベースの画像化システム及び画像化方法の展開が可能になる。同様の理由で、本開示のシステム及び方法は、設備投資又は大きな設備設置面積を必要とすることなく、既存のシステム及び機器の分析能力を拡張する。
同様に、本開示のＵＶベースの画像化システム及び画像化方法は、治療用医薬品の自動化及びエンジニアリングの分野における他の科学技術又は技術分野の改善に関しており、なぜならば、少なくとも、このＵＶベースの画像化システム及び画像化方法は、オフラインでサンプル及びデータの全く取り扱うことなくリアルタイムの測定及びモニタリングを可能にする完全に自動化されたワークフローを提供するからである。そのような自動化されたワークフローにより、サンプルの希釈及び手動でのデータ処理が取り除かれ得るか又は削減され得、そのため、ヒューマンエレーが減少し、プロセス全体の信頼性が増加する。
本明細書で説明されているように、少なくとも一部の実施形態では、本ＵＶベースの画像化システム及び画像化方法は、特定の機械（例えば、分光高度計、及び／又は分光光度計若しくは他のそのようなＵＶ画像化デバイスにより使用される関連コンポーネント）の使用及び適用、又は用途を含む。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、特定の物品の様々な状態又は物体への変換又は削減をもたらすことを含み、例えば、多波長の光線の、タンパク質関連製品のタンパク質濃度のモニタリング又は測定に使用され得る複数のタンパク質濃度を予測するための多波長校正モデルへの変換又は削減をもたらすことを含む。そのようなモニタリング及び測定を、タンパク質関連製品の製造中に使用し得、及び／又はこのタンパク質関連製品が、例えば治療薬若しくはその製造のためのタンパク質関連製品と関連する既知の仕様若しくは規制に準拠しているかどうかを決定するために使用し得る。一例として、測定されたタンパク質濃度に基づいて、タンパク質関連製品のタンパク質濃度を増加させるか又は減少させて、指定の範囲のタンパク質濃度に収め得る。一例として、測定されたタンパク質濃度が（それぞれ）指定の範囲内であるかこの範囲外であるかに応じて、タンパク質関連製品のバッチを受け入れ得るか、又は拒否し得る。
加えて、本開示のＵＶベースの画像化システム及び画像化方法は、この分野での十分に理解されている日常的な従来の活動以外の明確な特徴を含むか、又は請求項を特定の有益な用途に限定する非従来の工程を追加すること（例えば、現在の機器に欠けている予測、強化、及び測定の用途を含むこと）を含む。例えば、従来の機器は、本明細書で説明されているようなランベルト・ベールの法則への依存、機械的機器（例えばガイドライド）、又は操作等により制限されているが、本開示のＵＶベースの画像化システム及び画像化方法は、これを克服する。
例示として示されており且つ説明されている好ましい実施形態の下記の説明から、当業者にとっては利点がより明らかとなるであろう。理解されるように、これらの実施形態は他の異なる実施形態も可能であり、これらの詳細は、様々な点で改変可能である。従って、図面及び説明は、例示的な性質であって限定的とはみなされないものとする。
下記で説明する図面は、その中で開示されているシステム及び方法の様々な態様を描写する。各図面は本開示のシステム及び方法の特定の態様のある実施形態を描写していること、及び図面の各々はその可能な実施形態と一致することが意図されていることを理解すべきである。さらに、可能なかぎり、下記の説明は、下記の図面に含まれる参照番号に言及しており、複数の図中に描写されている特徴は、一貫した参照番号で示されている。
図中には本明細書で論じられている配置が示されているが、本実施形態は、示されている正確な配置及び手段に限定されないことが理解される。
図面は、例示のみを目的とする好ましい実施形態を描写する。本明細書で例示されているシステム及び方法の代替的実施形態を、本明細書で説明されている本発明の原理から逸脱することなく採用し得る。
図１は、本明細書で開示されている様々な実施形態による、自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための例示的なＵＶベースの画像化システム１００を示す。様々な実施形態では、システム１００はＵＶ画像化デバイス１０１を含み得、ＵＶ画像化デバイス１０１は、ＵＶ分光光度計又は他のそのような画像化装置であり得る。ＵＶ画像化デバイス１０１は、モノクロメータ１０６上に多波長の光線１０４を投射するように構成されている光源１０２を含む。様々な実施形態では、モノクロメータ１０６は、多波長の光線を単一波長の光線に分割するためのプリズム、回折デバイス、又は回折格子を実装する任意の他のデバイスであり得る。図１の実施形態では、モノクロメータ１０６は、多波長の光線１０４を受け取るように構成されており、且つ供給源として多波長の光線１０４を使用して、ＵＶスペクトルの一連の単一波長の光線１０８を投射するか又は他の方法で提供するように構成されている。
様々な実施形態では、一連の単一波長の光線１０８は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトル中の単一波長の光線を含み得る。加えて、単一波長の光線１０８は、単一波長の光線１０８の各間隔がＵＶスペクトル中の波長である多数の波長（例えば、ＵＶスペクトルを小さいスパンで広がる複数の波長）を含み得る。例えば、いくつかの実施形態では、ＵＶスペクトル中の各単一波長の光線１０８は、シングルナノメートル間隔で分離され得る。しかしながら、シングルナノメートル間隔が単なる一例の実施形態として機能するように、本明細書では、様々な間隔及び間隔サイズが企図されている。
ＵＶ画像化デバイス１０１は、ＵＶ画像化デバイス１０１に対してタンパク質サンプルを受け取るか、保持するか、又は配置するように動作可能なサンプルホルダ１１０をさらに含み得る。サンプルホルダ１１０は、タンパク質サンプルを封入するためのフロースルーセル、キュベット、又は他の容器の少なくとも一部を保持するように構成され得る。サンプルホルダ１１０は、一般的に、ＵＶ画像化デバイス１０１内に配置されているか又はＵＶ画像化デバイス１０１の一部として配置されており、タンパク質サンプルが標準タンパク質タイプであるか未知のタンパク質タイプであるかにかかわらず、一連の単一波長の光線がタンパク質サンプルの少なくとも一部を通過することを可能にする。このサンプルホルダは、プラスチック、ガラス、溶融石英、又は他のそのような材料であって、光のこの材料及びタンパク質サンプルの透過を可能にする材料で形成され得る。
様々な実施形態では、タンパク質サンプルは、本明細書の様々な実施形態による標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）又は未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のいずれかであり得る。「未知のタンパク質サンプル」という用語は、本明細書で使用される場合、タンパク質濃度が未知であるタンパク質サンプルを指す。タンパク質サンプルは、液体、半液体、固体、又は測定用の他の状態であり得る。所与のタンパク質サンプルのタンパク質は、治療用医薬品の独自のタンパク質であり得る。
本明細書の様々な実施形態で説明されているように、未知のタンパク質サンプルはタンパク質濃度が未知であり、標準タンパク質サンプルはタンパク質濃度が既知である。未知のタンパク質サンプルは、濃度が未知である少なくとも１種のタンパク質を含むが、当然のことながら複数種のタンパク質が存在し得ることに留意されたい。サンプルは、他の非タンパク質含有成分（例えば、緩衝液、塩類、並びに他の有機分子及び無機分子）を含み得る。標準タンパク質サンプルは、参照標準であり得るか、又は他の既知であるか、予め測定されているか、若しくは予め決定されているサンプルであり得、このサンプルでは、希釈、濃度、又は他の既知のタンパク質ベースの割合若しくは配分が既知であるか、予め測定されているか、又は予め決定されている。
様々な実施形態では、タンパク質サンプルは、（１）標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のセットから選択される標準タンパク質サンプル、又は（２）未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットから選択される未知のタンパク質サンプルのいずれかであり得る。本明細書で使用される場合、タンパク質サンプル（例えば標準又は未知）のセットは、１つ又は多くのタンパク質サンプルを含む。例えば、一実施形態では、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のセットは、それぞれ濃度が既知である複数の標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）を含み得、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含み得る。
ＵＶ画像化デバイス１０１は、サンプルホルダ１１０により維持されているタンパク質サンプルの少なくとも一部を通過する一連の単一波長の光線１１２を検出するように動作可能な検出器１１４をさらに含み得る。単一波長の光線１１２は、単一波長の光線１０８と同一であるか又は異なる数、タイプ、強度、及び／又は大きさの光を含み得る。単一波長の光線１０８と多波長の光線１１２との間の類似性又は差違は、一般的に、サンプルホルダ１１０内に配置されたタンパク質サンプル（及びその関連するタンパク質濃度）により生じ、そのような類似性又は差違により、検出器１１４により記録された、（このタンパク質サンプルのタンパク質濃度に基づく）このタンパク質サンプルに特異的な（例えば、標準又は未知のサンプルのいずれかに関する）波長データ１１８の生成及び／又は出力１１６が起きる。
検出器１１４は、光電子増倍管、フォトダイオード、フォトダイオードアレイ、電荷結合素子（ＣＣＤ）、又は様々な波長の光を収集するように及び／若しくはこれらの光に関するそれぞれの値を記録するように構成されている他の感光素子若しくはアレイであり得るか、又は含み得る。例えば、ＣＣＤベースの検出器の場合には、単一波長の光線１１２は、検出器１１４のピクセルアレイ上に集束され得、このアレイのピクセルにより、各波長の強度（例えば、可視領域の場合には各色）を測定し得、且つ値として記録し得る。次いで、ＣＣＤベースの検出器は、その測定値を波長データ１１８として出力し得１１６、この波長データ１１８は、まとめて、各波長の光の強度のスペクトル又は値を表し得る。より一般的には、波長データ１１８は、測定されるタンパク質サンプルの吸光度値（例えば、現在サンプルホルダ１１０に入っているタンパク質サンプルのタンパク質濃度の吸光度）を示す。即ち、サンプルホルダ１１０を通過する単一波長の光線１０８の少なくとも一部が、少なくとも部分的に吸収されるか、又はタンパク質サンプルの濃度に従って他の方法で変化し、その結果、単一波長の光線１１２も同様に変化する。例えば、サンプルホルダ１１０中に配置されたタンパク質サンプルが、ある特定の波長の光を吸収した場合には、この波長の光は、単一波長の光線１１２中には存在しないか又は部分的に存在しないだろう。従って、一般的には、検出器１１４は、単一波長の光線１０８と単一波長の光線１１２との間の相違を測定し、応答係数として吸光度又は吸光度値を決定する。
少なくとも一部の実施形態では、ＵＶ画像化デバイス１０１の光源１０２、モノクロメータ１０６、サンプルホルダ１１０、及び検出器１１８のそれぞれは、分光光度計デバイスの少なくとも一部を形成し得る。例えば、少なくとも一実施形態では、この分光光度計は、ＴＨＥＲＭＯ ＦＩＳＨＥＲ ＳＣＩＥＮＴＩＦＩＣ（商標）ＥＶＯＬＵＴＩＯＮ（商標）分光光度計又は他のそのような画像化装置であり得る。
検出器１１４は、ＵＶ画像化デバイス１０１の様々なコンポーネント１２１～１２８に、バス１２３（即ち電子通信バス）を介して通信可能に連結され得る。例えば、検出器１１４は、プロセッサ１２４に通信可能に連結され得る。プロセッサ１２４は、マイクロプロセッサ又は中央処理装置（ＣＰＵ）であり得、例えば、ＩＮＴＥＬ（登録商標）ベースのマイクロプロセッサ、ＡＭＤ（登録商標）ベースのマイクロプロセッサ、又は他のそのようなマイクロプロセッサであり得る。プロセッサ１２４は、バス１２３を介して通信可能に連結されている様々なコンポーネントの制御に関与し得る。例えば、プロセッサ１２４は、波長データ１１８としての検出器１１４の出力１１６を制御し得、一実施形態では、波長データ１１８はメモリ１２１に格納されている。加えて、プロセッサ１２４は、入力／出力コンポーネント１２６からのコマンド又は他の命令を受け取り得る。入力／出力コンポーネント１２６は、様々な入力／出力デバイス（例えば、キーボード、マウス、又は類似のコンポーネント）とインターフェースで接続され得るか、又は他の方法で接続され得る。そのようなコンポーネントを使用して、検出器１１４の出力１１６としての（例えばメモリ１２１中の）波長データ１１８にアクセスし得るか、又は他の方法で操作し得るか若しくは検索し得る。プロセッサ１２４はまた、ディスプレイ１２８にも通信可能に接続され得る。ディスプレイ１２８は表示スクリーンであり得、プロセッサ１２４は、ディスプレイ１２８の表示スクリーン上で波長データ１１８の表現（例えば、２次元（２Ｄ）、３次元（３Ｄ）、又は他の表現）をレンダリングするだろう。
プロセッサ１２４は、さらに、送受信機１２２にバス１２３を介して通信可能に接続され得る。プロセッサ１２４は、送受信機１２２により、コンピューティングデバイス１５１に、コンピューティングネットワーク１３０で通信可能に連結され得る。表示されている実施形態では、コンピューティングデバイス１５１は、コンピューティングデバイス１５１のリモートプロセッサ１５４及びリモート送受信機１５２により、コンピュータネットワーク１３０を介してデータ（例えば波長データ１１８）を送信し得１３４、且つ受信し得る１３２。リモートプロセッサ１５４及びリモート送受信機１５２は、バス１５３（例えば電子通信バス）を介し互いに通信可能に連結され得る。コンピューティングデバイス１５１は、リモート送受信機１５２を介して受信したデータ（例えば波長データ１１８）を格納するための、バス１５３を介して通信可能に連結されているリモートメモリ１５９をさらに含み得る。コンピューティングデバイス１５１は、入力／出力操作（例えば、タッチスクリーン、キーボード等を介したコマンドの受け取り）を容易にするための、及びディスプレイ１５８のスクリーン上でデータ（例えば波長データ１１８）を表示するための、バス１５３を介して通信可能に連結されているディスプレイ１５８、及び入力／出力コンポーネント１５６をさらに含み得る。このようにして、コンピューティングデバイス１５１は、ＵＶ画像化デバイス１０１からリモートで波長データ１１０を格納するために及び／又は処理するために使用され得るリモートプロセッサ１５４及びリモートメモリ１５９を含む。
図１の実施形態では、メモリ１２１及び／又はリモートメモリ１５９は、プロセッサ１２４及び／又は１５４のいずれか一方又は両方に、本明細書の図２Ａ及び図２Ｂにより説明されているＵＶベースの画像化方法２００を実行するためのプログラム命令を実行させるために、このプログラム命令を格納し得る。このプログラム命令は、プログラミング言語（例えば、Ｐｙｔｈｏｎ、Ｊａｖａ、Ｃ＃、又は他のプログラミング言語）でのプログラムコードであり得る。一部の実施形態では、このプログラム命令は、リモートプロセッサ１５４が、クライアントとして、コンピューティングネットワーク１３０を介してサーバーとしてのプロセッサ１２４と通信するクライアント－サーバーベースであり得る。そのような実施形態では、リモートプロセッサ１５４は、（例えば、メモリ１２１に格納されていたか又は検出器１１４により新たに出力された１１６）データ（例えば波長データ１１８）を、ＵＶ画像化デバイス１０１からコンピューティングデバイス１５１へと送信するように要求し得る。波長データ１１８は、表現状態転送（ＲＥＳＴｆｕｌ）ＡＰＩ等のオンラインアプリケーションプログラミングインターフェース（ＡＰＩ）を介して、リモートプロセッサ１５４により要求され得、この場合には、プロセッサ１２４は、ＡＰＩを実装してリモートプロセッサ１５４からの要求を受け取り、コンピュータネットワーク１３０を介して波長データ１１８を提供することにより応答する。他の実施形態では、ＵＶ画像化デバイス１０１は、新たに生成された及び／又は出力された１１６波長データ１１８がコンピュータネットワーク１３０を介してコンピューティングデバイス１５１に送信されるプッシュベースのインターフェースを実装し得る。さらなる実施形態では、ＵＶ画像化デバイス１０１又はコンピューティングデバイス１５１のいずれかのユーザーは、入力／出力１２６又は１５６により、ディスク又はサムドライブ等の外部記憶装置（図示しない）上の波長データを受け取り得るか、又は抽出し得る。
図２Ａ及び図２Ｂは、本明細書で開示されている様々な実施形態による、自動化された多波長校正に基づいて未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のタンパク質濃度を決定するための例示的なＵＶベースの画像化方法２００のフローダイアグラムを示す。ＵＶベースの画像化方法２００は、先行技術の制限（例えば、ランベルト・ベールの法則及びその前提への依存、並びに線形性に関する制限）を克服する。図２Ａ及び図２Ｂは、図３Ａ及び図３Ｂと併せて示される。図３Ａ及び図３Ｂは、本明細書で開示されている様々な実施形態による、図２Ａ及び図２ＢのＵＶベースの画像化方法２００を実行するための疑似コードを含む例示的なコンピュータプログラムリストを示す。図３Ａ及び図３Ｂに関して示されているように、ランベルト・ベールの法則の線形性の制限を克服するために、プログラムコード（疑似Ｐｙｔｈｏｎコードで示されている）は、サンプルフィルタを適用して、各波長の線形吸光度範囲を決定し得、且つ吸光係数の変化に従って吸光度応答係数を動的に校正し得る。その結果、ＵＶ画像化デバイス１０１（例えば、ＵＶ画像化デバイス１０１が固定経路長ＵＶ分光計である実施形態）は、広範囲にわたりタンパク質濃度を正確に測定し得、例えば、０．１～１２６ｍｇ／ｍＬの範囲内でタンパク質濃度を正確に測定し得る。
図２Ａにより描写されているように、ＵＶベースの画像化方法２００はブロック２０４で始まり（２０２）、このブロック２０４では、プロセッサ（例えばプロセッサ１２５又はリモートプロセッサ１５４）が、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のセットの各標準タンパク質サンプルに関して検出器（例えば検出器１１４）により記録された波長データ（例えば波長データ１１８）の標準セットを受け取る。一部の実施形態では、例えば、波長データ（例えば波長データ１１８）の標準セットは、カンマ区切り値（ＣＳＶ）データとして受け取られ得る。他の実施形態では、波長データの標準セットは、データベース形式、拡張マークアップ言語（ＸＭＬ）、ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）、又は他のデータ形式若しくはテキスト形式で受け取られ得る。図３Ａ及び図３Ｂの実施形態のコンピュータプログラムリストでは、例えばコードセクション５で、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）の波長データが、ＣＳＶデータとして、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）によりメモリ（例えばメモリ１２１又はリモートメモリ１５９）に読み込まれ、このＣＳＶデータでは、各タンパク質標準サンプルは、その既知の濃度に割り当てられている。図３Ａ及び図３Ｂのコンピュータプログラムリストは、疑似Ｐｙｔｈｏｎで作成されており、この、疑似Ｐｙｔｈｏｎでは、「ｐｄ」としてのｐａｎｄａｓライブラリを使用して波長データが読み込まれる。このことは、コードセクション１及び５で示されている。コードセクション１はまた、本明細書で説明されている予測モデルの訓練を説明するために使用される実施形態として、線形回帰訓練アルゴリズムを提供する追加ライブラリ「ｓｋｌｅａｒｎ」のインポートも示す。
波長データ（例えば波長データ１１８）の標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の一連の第１の吸光度対波長値の対を含み得る。各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。例えば、図４Ａは、本明細書で開示されている様々な実施形態による、単一波長の光線４０４のＵＶスペクトルにわたって標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）４００ａ～４００ｍのセットを表すダイアグラム４００を示す。具体的には、ダイアグラム４００は、応答係数測定値として使用される一連の吸光度値を有するＵＶ吸光度軸４０２（ｙ軸）を含む。一般的に、吸光度値が大きいほど、所与の波長に関して（例えば検出器１１４により）検出される光は少ない。加えて、本明細書では他の間隔が企図されているが、ダイアグラム４００は、ナノメートルの間隔で一連の光波長を有する波長軸４０４（ｘ軸）を含む。
図４Ａの実施形態では、０．１～１２６ｍｇ／ｍｌの範囲でタンパク質標準溶液を有する標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）を、２００～４００ｎｍのＵＶスペクトル（１ｎｍ間隔）にわたり分光光度計で走査した。この標準タンパク質サンプルは、１ｃｍ経路長の石英キュベットに入っていた。このＵＶスペクトルの波長データを、ＣＳＶデータとして保存した。従って、ダイアグラム４００は、２００ｎｍ～４００ｎｍの波長範囲で走査したタンパク質校正標準（例えば標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）の生ＵＶスペクトルデータを描写する。
図４Ａに示されているように、ダイアグラム４００は、１３個の標準タンパク質（例えば標準タンパク質１４０ｓ）４００ａ～４００ｍを表す。各標準タンパク質サンプルに関して、同一のタンパク質（例えばタンパク質分子）のタンパク質濃度を測定する。このタンパク質分子は、分子であり得、例えば、独自のタンパク質、又は治療薬若しくは他のそのような医薬品を開発するために使用される他のタンパク質であり得る。
図４Ａに示されているように、各標準タンパク質サンプル（例えば標準タンパク質サンプル４００ａ及び標準タンパク質サンプル４００ｍ）は、ダイアグラム４００内の複数の吸光度対波長値の対の対応するプロットにより表される。標準タンパク質サンプル４００ｍに関して、例えば、吸光度値対波長値の対４００ｍ３０５は、吸光度値が約２．５である３０５の波長値での標準タンパク質サンプル４００ｍの測定値である。従って、吸光度値対波長値の対４００ｍ３０５は、ダイアグラム４００内では、対応するＵＶ吸光度軸４０２（ｙ軸）及び対応する波長軸４０４（ｘ軸）に配置されている。さらなる例として、標準タンパク質４００ａに関して、吸光度値対波長値の対４００ａ２３０は、２３０の波長値での及び吸光度値が約１．０である標準タンパク質サンプル４００ａの測定値である。従って、吸光度値対波長値の対４００ａ２３０は、ダイアグラム４００内では、対応するＵＶ吸光度軸４０２（ｙ軸）及び対応する波長軸４０４（ｘ軸）に配置されている。それぞれの標準タンパク質サンプルの表現４００ａ～４００ｍの残りの吸光度対波長値の対は、ダイアグラム４００内に同様にプロットされており、それぞれ、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）の波長スペクトルでの（波長軸４０４に沿った）各波長値で走査され且つ測定されたＵＶ吸光度値を（ＵＶ吸光度軸４０２に沿って）表す。
図２ＡのＵＶベースの画像化方法２００に関して、ブロック２０６で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、波長データの標準セットをフィルタリングするかどうかを決定する。この決定を、（例えば検出器１１４により）検出された一連の波長データに基づいて行ない得、一部のデータセットは、広い波長範囲を含む。フィルタが適用されない場合には、ＵＶベースの画像化方法２００は、ブロック２１０に進む。
しかしながら、ブロック２０８では、標準波長データフィルタが適用される。この標準波長データフィルタは、ＵＶ画像化システム１００のメモリ（例えばメモリ１２１又はリモートメモリ１５４）に格納されたプログラム命令のセットを含み得る。図３Ａ及び図３Ｂのコンピュータプログラムリストでは、例えば、疑似Ｐｙｔｈｏｎ命令は、本明細書で説明されている校正モデルを訓練するために使用される最適なデータ品質を確保するために、図４Ａの元々の単一波長光範囲及び元々のＵＶ吸光度値範囲からデータ点を除去するための標準波長データフィルタの一実施形態（コードセクション６）を示す。図３Ａの例では、コードセクション６は、ユーザーにより定義された変数としての（コードセクション４）フィルタリング基準セットを適用して、フィルタリングされる範囲の柔軟な操作を可能にする。例えば、コードセクション４で示されているように、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のフィルタリング基準は、２８０～３１５ｎｍの波長範囲にわたりＵＶ吸光度値が０．１～１．５であるデータ点を選択するように構成されている。
ブロック２０８では、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、一連の単一波長の光線に対して標準波長データフィルタを実行して、第１の範囲の波長を選択するか、又は制限する。加えて、このプロセッサは、標準波長データフィルタを実行して、第１のフィルタ範囲のＵＶ吸光度値内のＵＶ吸光度値に基づいて、各第１の一連の第１の吸光度値対波長値の対を選択し得るか、又は制限し得る。例えば、（例えばブロック２０８での）標準波長データフィルタの適用により、図４Ａのダイアグラム４００のプロットされた吸光度対波長値の対の（波長及び吸光度値の両方における、即ち、吸光度値対波長値の対における）データ範囲の制限されたか又はフィルタリングされたセットを表す図４Ｂのダイアグラム４５０が得られる。
具体的には、図４Ｂは、本明細書で開示されている様々な実施形態による、ＵＶスペクトルから選択された第１の範囲の波長（例えば波長軸４５４）にわたる様々な一連の第１の吸光度対波長値の対を表すダイアグラム４５０を示す。図４Ｂにより示されているように、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のそれぞれの吸光度対波長値の対４００ａ～４００ｍが示されているが、一部の吸光度対波長値の対は、本明細書で説明されているように（例えばブロック２０８で）標準波長データフィルタによりフィルタリングされている。具体的には、図４Ｂは、図４Ａの単一波長の光線範囲２００～４００（ｎｍ）にわたりプロットされた吸光度対波長値の対に標準波長データフィルタが適用された実施形態を示す。
図４Ｂにより示されているように、（例えばブロック２０８での）標準波長データフィルタは、図４Ｂの第１の範囲の波長２８０～３１５（ｎｍ）を選択するために、図４Ａの単一波長の光線範囲２００～４００（ｎｍ）に適用されている。波長２８０～３１５（ｎｍ）の第１の範囲の波長範囲は、図４Ｂの波長軸４５４にわたり描写されている。そのため、図４Ｂの波長２８０～３１５（ｎｍ）の第１の範囲の波長範囲は、図４Ａの単一波長の光線範囲２００～４００（ｎｍ）から選択されている。
加えて、図４Ｂの実施形態では、（例えばブロック２０８での）標準波長データフィルタは、第１のフィルタ範囲のＵＶ吸光度値（例えばＵＶ吸光度軸４５２）内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を選択するために適用されている。第１のフィルタ範囲のＵＶ吸光度値０．１～１．５は、図４ＢのＵＶ吸光度軸４５２にわたり描写されている。そのため、図４Ｂの第１のフィルタ範囲のＵＶ吸光度値範囲０．１～１．５は、図４ＡのＵＶ吸光度値範囲０～７から選択されている。従って、図４Ｂは、全体として、校正標準のフィルタリングされたＵＶスペクトルを示しており、特に、波長値２８０～３１５ｎｍ及び吸光度値０．１～１．５という限定された範囲内でのタンパク質校正標準のフィルタリングされたＵＶスペクトルを示す。図４Ａと比較した場合には、フィルタリングされた値（波長値２８０～３１５ｎｍ及び吸光度値０．１～１．５）は、全体的に、標準タンパク質サンプル（例えば４００ａ及び標準タンパク質サンプル４００ｍ）のそれぞれにわたり、ダイアグラム４００により示されているように、互いに対して崩れていないか又は互いに重なっている吸光度対波長値の対を含む。
図４Ａ及び図４Ｂの例では、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）は、図４Ｂで示されている０．１～１２６ｍｇ／ｍｇの範囲のタンパク質標準溶液である。これは、コードセクション２での図３Ａ及び図３Ｂの例示的なコンピュータプログラムリストでさらに説明されており、この例では、標準タンパク質サンプル値が、対応する範囲に設定されている。しかしながら、本明細書では、より広い範囲のそのような標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）／タンパク質標準溶液が企図されており、例えば、標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液であり得る。
図２Ａに関して、ブロック２１０では、ＵＶベースの画像化方法２００は、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）により多波長校正モデルを生成することを含む。この多波長校正モデルは、各標準タンパク質サンプルの波長データとその様々な吸光度値との対の標準セットに基づく。そのようなデータが（例えばブロック２０８で）フィルタリングされた、ある特定の実施形態では、この多波長校正モデルは、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づく。
図５Ａは、本明細書で開示されている様々な実施形態による、単一波長校正モデル（即ち「校正曲線」）で構成されている多波長校正モデル５０１を表すダイアグラム５００を示す。図５Ａの実施形態では、この多波長校正モデル５０１は、図４ＢのＵＶスペクトルにわたる単一波長校正モデルで構成されている。これは、２８０ｎｍ～３１５ｎｍの波長のそれぞれに関するモデルを含む。例えば、ダイアグラム５００は、単一波長校正モデル５０１ｓ２８０（波長２８０ｎｍに関する単一波長モデルである）、５０１ｓ２９４（波長２９４ｎｍに関する単一波長モデルである）、及び５０１ｓ３００（波長３００ｎｍに関する単一波長モデルである）を特定する。各単一波長校正モデルは、特定の波長（例えば、２８０ｎｍ、２９４ｎｍ、及び３００ｎｍ）に関して、（ＵＶ吸光度軸５０２のＵＶ吸光度値の範囲にわたる）所与のＵＶ吸光度値に関する（タンパク質濃度軸５０４のタンパク質濃度値の範囲にわたる）タンパク質濃度値を予測するために生成されている。図５ＡのＵＶ吸光度軸５０２は、図４ＢのＵＶ吸光度軸に対応する。そのため、ＵＶスペクトルの所与の波長に関するタンパク質濃度の予測を、ＵＶ吸光度値を、対応する単一波長校正モデル又はＵＶスペクトルのこの波長に関する校正曲線に入力することにより行ない得る。この予測を使用して、本明細書で説明されている未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の未知のタンパク質濃度を決定し得る。
図５Ａの実施形態では、線形回帰モデルを使用して、単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）のそれぞれを決定した。そのような各モデルは、ｙ切片値及び傾き値を含み、これらを使用してタンパク質濃度を予測する。ｙ切片値及び傾き値は、一般的に、一定値として決定され、提供されるＵＶ吸光度値に傾き値が適用され、その結果、ｙ切片値に加えられて、対応するタンパク質濃度の予測又は値が生成される。図５Ａのダイアグラム５００は、様々なＵＶ吸光度値が各単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）のそれぞれに提供されることから、単一波長校正モデルのそれぞれに関する（タンパク質濃度軸５０４にわたる）タンパク質濃度の様々な予想又は値を示す。このようにして、単一波長校正モデルの全体は、図４Ａ及び図４Ｂに関して決定されており且つ説明されている各波長及びＵＶ吸光度値に関する吸光度値を許容し得る多波長校正モデルを含む。
図５Ｂは、本明細書で開示されている様々な実施形態による、図５Ａの様々な単一波長校正モデル（例えば単一波長校正モデル５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）の傾き５６０ｓ及びｙ切片５６０ｙを表すダイアグラム５５０を示す。図５Ｂは、波長軸５５４にわたる２８０ｎｍ～３１５ｎｍの各波長での傾き値５６０ｓ及びｙ切片値５６０ｙの対のプロットを示す。図５Ｂは、図５Ａと同一範囲のＵＶ吸光度値（例えばＵＶ吸光度軸５５２）及び同一範囲の波長値（例えば波長軸５５４）を含む。傾き５６０ｓ及びｙ切片値５６０ｙの対は、図５Ａの単一波長校正モデル（例えば単一波長校正モデル５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）に対応する。例えば、図５Ｂにより示されるように、傾き値５６２ａは、単一波長校正モデル５０１ｓ２８０に対応する２８０ｎｍ波長のｙ切片値５６２ｂに対応する。同様に、図５Ｂにより示されるように、傾き値５６４ａは、単一波長校正モデル５０１ｓ２９０に対応する２９０ｎｍ波長のｙ切片値５６４ｂに対応する。ｙ軸（ＵＶ吸光度軸５５２）は、所与の傾き値又はｙ切片値が単一波長校正モデルの任意の所与の予測に寄与するＵＶ吸光度の量を示す。
従って、少なくとも図５Ｂの実施形態に関して、図５Ａの多波長校正モデル５０１が生成され得、且つ一連の単一波長の光線（例えば、図４Ａに関して説明されている波長２００ｎｍ～４００ｎｍ）から選択される第１の範囲の波長（例えば、図４Ｂに関して説明されている波長２８０ｎｍ～３１５ｎｍ）のそれぞれに関する一連の単一波長校正モデルで構成され得、各単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）は、特定の単一波長（例えば、それぞれ波長２８０ｎｍ、２９４ｎｍ、及び３００ｎｍ）のＵＶ吸光度に対応する傾き値５６０ｓ及びｙ切片値５６０ｙを含む。波長値及びＵＶ吸光度値を入力することにより、多波長校正モデル５０１を実装するプロセッサ（例えばプロセッサ１２４及び／又はリモートプロセッサ１５４）は、対応する単一波長校正モデルを選択して、タンパク質濃度値を正確に（ｃｏｒｒｅｃｔｌｙ）且つ正確に（ａｃｃｕｒａｔｅｌｙ）予測し得る。
図３Ａ及び図３Ｂの例示的なコンピュータプログラムリストは、第１の範囲の波長（例えば、図４Ｂに関して説明されている波長２８０ｎｍ～３１５ｎｍ）のそれぞれに関する単一波長校正モデルの生成を示す。例えば、コードセクション８では、標準波長データをフィルタリングした後、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）により、各標準タンパク質サンプルのデータに関して線形回帰アルゴリズム（ＬｉｎｅａｒＲｅｇｒｅｓｓｉｏｎ．ｆｉｔ）を実行し、その結果、特定の波長での単一波長校正モデルに関して係数値（即ち傾き値）及び切片値（即ちｙ切片値）が生成される。そのため、このようにして各単一波長校正モデル（例えば、５０１ｓ２８０、５０１ｓ２９４、及び５０１ｓ３００）を生成し得る。これらの単一波長校正モデルは、メモリ（例えばメモリ１２１又はリモートメモリ１５９）に格納され得、且つ本明細書で説明されている包括的な多波長校正モデルとして（例えば、ラッパーＡＰＩを介してか又はデータベースを介したデータ構造として）まとめてアクセスされ得る。図３Ａ及び図３Ｂの実施形態では、各単一波長校正モデルは、ある特定の閾値の品質スコア又はフィットスコアを含む。例えば、コードセクション３では、品質値又はフィット値が最小の０．９９である単一波長校正モデルのみを、多波長校正モデルに含め得る。このようにして、多波長校正モデル５０１は、正確な予測能力を有する予測モデルの高品質セットを維持し、且つ使用する。
図５Ａ及び図５Ｂの上記の実施形態では、単一波長校正は、線形回帰により生成され、生成された多波長校正モデル５０１にコンパイルされる。しかしながら、他の予測科学技術又は予測技術が使用され得る。例えば、機械学習モデルを、教師あり又は教師なしの機械学習プログラム又は機械学習アルゴリズムを使用して訓練し得る。機械学習プログラム又は機械学習アルゴリズムは、ニューラルネットワークを採用し得、このニューラルネットワークは、畳み込みニューラルネットワーク、ディープラーニングニューラルネットワーク、又は目的の特定の領域における２種以上の特徴又は特徴データベースにおいて学習する複合学習モデル若しくは複合学習プログラムであり得る。機械学習プログラム又は機械学習アルゴリズムはまた、自然言語処理、意味解析、自動推論、回帰分析、サポートベクターマシン（ＳＶＭ）分析、決定樹解析、ランダムフォレスト解析、Ｋ最近傍分析、ナイーブベイズ解析、クラスタリング、強化学習、並びに／又は他の機械学習アルゴリズム及び／若しくは機械学習技術も含み得る。機械学習は、（本明細書で説明されている未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の未知の濃度を予測するための）後続のデータに関する予測を容易に行なうために、既存のデータ（例えば、ＵＶスペクトルにわたる標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のＵＶ吸光度値）におけるパターンを特定して認識することを含み得る。
試験レベル又は生産レベルのデータ又は入力等の新規の入力に関する有効で信頼性のある予測を行なうために、例示的な（例えば「訓練データ」）入力又はデータ（「特徴」及び「ラベル」と称され得る）に基づいて、機械学習モデル（例えば、本明細書の上記で説明されている機械学習モデル）を作成して訓練し得る。教師あり機械学習では、サーバー、コンピューティングデバイス、又はその他のプロセッサで動作する機械学習プログラムは、例示的な入力「例えば「特徴」）及びその関連しているか又は観察された出力（例えば「ラベル」）を提供され得、例えば、様々な特徴カテゴリにわたりモデルに重み又は他のメトリクスを決定する及び／又は割り当てることにより、機械学習プログラム又は機械学習アルゴリズムが、そのような入力（例えば「特徴」）を出力（例えばラベル）にマッピングするルール、関係、又はその他の機械学習「モデル」を決定するか又は発見する。次いで、そのようなルール、関係、又はその他のモデルは、サーバー、コンピューティングデバイス、又はその他のプロセッサで実行されるモデルの後続の入力を提供され、発見されたルール、関係、又はモデルに基づいて、予想された出力を予測する。
教師なし機械学習では、サーバー、コンピューティングデバイス、又はその他のプロセッサは、ラベルが付されていない例示的な入力例の独自の構造を見出すことが要求され得、例えば、満足のいくモデル（例えば、試験レベル又は生産レベルのデータ又は入力が与えられた場合に十分な予測精度を提供するモデル）が生成されるまで、モデルの複数の生成を訓練するために、サーバー、コンピューティングデバイス、又はその他のプロセッサにより、複数の訓練指示が実行される。本明細書の開示は、そのような教師あり又は教師なしの機械学習技術の内の一方又は両方を使用し得る。
従って、多波長校正モデルの単一波長校正モデル、又は多波長校正モデル自体を、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）の波長データにより訓練し得、波長値及びＵＶ吸光度値（例えば、本明細書で説明されている様々な吸光度対波長値の対）は、特徴データとして入力され、標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）のタンパク質濃度値は、ラベルデータとして使用され得る。次いで、多波長校正モデルの訓練された単一波長校正モデル、又は多波長校正モデルを使用して、本明細書で説明されている濃度が未知のサンプルのタンパク質濃度を予測し得る。
図２Ａに関して、ＵＶベースの画像化方法２００は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの未知のタンパク質サンプルに関して検出器（例えば検出器１１４）により記録された波長データ（例えば波長データ１１８）の未知のセットを（ブロック２１２で）受け取るプロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）を含む。
一部の実施形態では、波長データ（例えば波長データ１１８）の未知のセットは、カンマ区切り値（ＣＳＶ）データとして受け取られ得る。他の実施形態では、波長データの標準セットは、本明細書で説明されているデータベース形式、拡張マークアップ言語（ＸＭＬ）、ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）、又は他のデータ形式若しくはテキスト形式で受け取られ得る。図３Ａ及び図３Ｂの実施形態のコンピュータプログラムリストでは、例えば、コードセクション８及び１０で、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の波長データは、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）により、ＣＳＶデータとして、メモリ（例えばメモリ１２１又はリモートメモリ１５９）に読み込まれ、ユーザーは、このデータを、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の波長データを含むファイルとして入力する。
波長データ（例えば波長データ１１８）の未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み得る。各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み得る。波長データの未知のセットは、本明細書で説明されている図４Ａの標準タンパク質サンプル（例えば標準タンパク質サンプル１４０ｓ）に関して説明されているのと同一の方法で捕捉され得、及び／又は測定され得る。
ＵＶベースの画像化方法２００は、図２Ａ及び図２Ｂで示されているように継続し（２１４）、ブロック２１６で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、波長データの未知のセットをフィルタリングするかどうかを決定する。この決定を、（例えば検出器１１４により）検出された一連の波長データに基づいて行ない得、一部のデータセットは、広い波長範囲を含む。フィルタが適用されない場合には、ＵＶベースの画像化方法２００は、ブロック２２０に進む。
しかしながら、ブロック２１８では、未知の波長データフィルタが適用される。未知の波長データフィルタは、ＵＶ画像化システム１００のメモリ（例えばメモリ１２１又はリモートメモリ１５４）に格納されたプログラム命令のセットを含み得る。図３Ａ及び図３Ｂのコンピュータプログラムリストでは、例えば、疑似Ｐｙｔｈｏｎ命令は、本明細書で説明されている校正モデルを訓練するために使用される最適なデータ品質を確保するために、検出器１１４により測定された元々の単一波長光範囲及び元々のＵＶ吸光度値範囲からデータ点を除去するための未知の波長データフィルタの一実施形態（コードセクション７）を示す。図３Ａの例では、コードセクション７は、ユーザーにより定義された変数としての（コードセクション４）フィルタリング基準セットを適用して、フィルタリングされる範囲の柔軟な操作を可能にする。例えば、コードセクション４で示されているように、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のフィルタリング基準は、２８０～３１５ｎｍの波長範囲にわたりＵＶ吸光度値が０．２～１．２であるデータ点を選択するように構成されている。
ブロック２１８では、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、一連の単一波長の光線に対して未知の波長データフィルタを実行して、第２の範囲の波長を選択するか、又は制限する。加えて、このプロセッサは、未知の波長データフィルタを実行して、第２のフィルタ範囲のＵＶ吸光度値内のＵＶ吸光度値に基づいて、各第２の一連の第２の吸光度値対波長値の対を選択し得るか、又は制限し得る。例えば、（例えばブロック２１８での）未知の波長データフィルタの適用により、ブロック２１２で検出された及び／又は受け取られた未知のタンパク質サンプルデータの（波長及び吸光度値の両方における、即ち、吸光度値対波長値の対における）データ範囲の制限されたか又はフィルタリングされたセットを表す図６のダイアグラム６００が得られる。
具体的には、図６は、本明細書で開示されている様々な実施形態による、ＵＶスペクトルから選択された第２の範囲の波長（例えば波長軸６０４）にわたる様々な一連の第２の吸光度対波長値の対を表すダイアグラム６００を示す。図６は、図４と類似しているが、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）に関するフィルタリングされたデータを示す。図６により示されているように、１３個の個々の未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）の吸光度対波長値の対が、未知のタンパク質サンプル６００ａ～６００ｍ（６００ａ、６００ｃ、６００ｆ、及び６００ｍのそれぞれを含む）に関するプロットより表されている。図６の実施形態では、一部の吸光度対波長値の対は、本明細書で説明されているように（例えばブロック２１８で）未知の波長データフィルタによりフィルタリングされており、ダイアグラム６００では示されていない。具体的には、図６は、未知の波長データ（例えば波長データ１１８）を検出するために使用されるＵＶスペクトルにわたりプロットされた吸光度対波長値の対に未知の波長データフィルタが適用された実施形態を示す。
図６により示されているように、（例えばブロック２１８での）未知の波長データフィルタは、図６の第２の範囲の波長２８０～３１５ｎｍを選択するために適用されている。波長２８０ｎｍ～３１５ｎｍの第２の範囲の波長範囲は、図６の波長軸６０４にわたり描写されている。様々な実施形態では、図６の第２の範囲の波長範囲の波長２８０～３１５（ｎｍ）は、図４Ａの単一波長の光線範囲２００ｎｍ～４００ｎｍから選択され得る。
加えて、図６の実施形態では、（例えばブロック２１８での）未知の波長データフィルタは、第２のフィルタ範囲のＵＶ吸光度値（例えばＵＶ吸光度軸６０２）内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を選択するために適用されている。第２のフィルタ範囲のＵＶ吸光度値０．２～１．２は、図６のＵＶ吸光度軸６０２にわたり描写されている。そのため、図６の第２のフィルタ範囲のＵＶ吸光度値範囲０．２～１．２は、図４ＡのＵＶ吸光度値範囲０～７から選択されている。従って、図６は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のフィルタリングされたＵＶスペクトルを示しており、特に、波長値２８０～３１５ｎｍ及び吸光度値０．２～１．２という限定された範囲内での未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のフィルタリングされたＵＶスペクトルを示す。
図６の例では、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）は、０．１～１２６ｍｇ／ｍｇの範囲のタンパク質溶液である。未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のタンパク質溶液は、少なくとも図６の実施形態の場合には、図４Ａ及び図４Ｂに関して上記で説明されているのと同一のタンパク質溶液範囲を使用する。
図２Ｂに関して、ＵＶベースの画像化方法２００のブロック２２０では、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの各未知のタンパク質サンプルに関して、多波長校正モデルにより、複数のタンパク質濃度値を決定する。複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線（例えば図４Ａの範囲２００ｎｍ～４００ｎｍ）から選択される第２の範囲の波長（例えば図６の範囲２８０ｎｍ～３１５ｎｍ）に対応し得る。
一部の実施形態では、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの少なくとも１つの未知のタンパク質サンプルは、タンパク質治療薬を含み得る。そのような実施形態では、このタンパク質治療薬は、抗体、抗原結合抗体断片、抗体タンパク質生成物、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ（登録商標））分子、二重特異性抗体、三重特異性抗体、Ｆｃ融合タンパク質、組換えタンパク質、及び組換えタンパク質の活性断片の内のいずれか１つであり得る。
図３及び図３Ｂの例示的なコンピュータプログラムリストでは、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの各未知のタンパク質サンプルに関して、多波長校正モデルにより、複数のタンパク質濃度値を決定する。具体的には、コードセクション１０では、「ｃａｌｃ＿ｕｎｋ」コード関数が呼び出される。ｃａｌｃ＿ｕｎｋコード関数（コードセクション９）は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）のセットの各未知のタンパク質サンプルに関して、波長データ（例えば波長データ１１８）をＣＳＶデータとして読み込む。次いで、「ｃａｌｃ＿ｕｎｋ」コード関数（コードセクション９）は、多波長校正モデル（即ち、変数「ｄｆ」でメモリに格納されている）により、「ｃｏｎｃ」変数で格納される複数のタンパク質濃度値を決定する。図３Ａ及び図３Ｂの実施形態では、「ｃａｌｃ＿ｕｎｋ」コード関数（コードセクション９）は、値（例えば、各個々の予測濃度に関する「ｃｏｎｃ」変数の様々な値）を合計し、第２の範囲の波長（例えば、図６の２８０ｎｍ～３１５ｎｍの範囲）の全てのタンパク質濃度予測値にわたり平均予測値を生成することにより、強化された予測を生成するように構成されている。
図７は、本明細書で開示されている様々な実施形態による、図５Ａの多波長校正モデル５０１により決定されたタンパク質濃度値を描写するダイアグラム７００を示す。図７の実施形態では、ダイアグラム７００は、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）に関してフィルタリングされた第２の範囲の波長（例えば、図６の範囲２８０～３１５（ｎｍ））への多波長校正モデル５０１の適用を表す。ダイアグラム７００では、適用可能な各波長に関するタンパク質濃度値が描写されている。
図７により示されているように、未知のタンパク質サンプル（例えば未知のタンパク質サンプル１４０ｕ）は、未知のタンパク質サンプル７００ａ～７００ｍとして表されており、且つタンパク質濃度軸７０２（ｙ軸）に沿ったタンパク質濃度値及び波長軸７０４（ｘ軸）に沿った波長値としてプロットされている。波長軸７０４（ｘ軸）は、図６の波長軸６０４と同一の波長値（即ち、２８０ｎｍ～３１５ｎｍの範囲）を含む。未知のタンパク質サンプル７００ａ、７００ｃ、７００ｆ、及び７００ｍのそれぞれは、本明細書で説明されているように、図６の未知のタンパク質サンプル６００ａ、６００ｃ、６００ｆ、及び６００ｍに対応する。
図７は、７００ａ及び７００ｃを含むいくつかの未知のタンパク質サンプルを拡大スケールで描写する拡大部分７１０を含む。即ち、拡大部分７１０は、スケールが異なるだけでダイアグラム７００と等価である。具体的には、拡大部分７１０は、０～５ｍｇ／ｍｌの拡大された範囲でタンパク質濃度値を示し、７００ａ、７００ｃ、及び７００ｆを含むいくつかの未知のタンパク質サンプルは、タンパク質濃度値がこの範囲内である。拡大部分７１０により描写されている未知のタンパク質サンプル７００ａ～７００ｆのそれぞれは、ダイアグラム７００により描写されている未知のタンパク質サンプル７００ａ～７００ｆに対応する。
所与の未知のタンパク質サンプル（例えば７００ａ～７００ｍ）の各点は、所与の波長での所与のサンプルに関するタンパク質濃度値の予測を提供する。例えば、拡大部分７１０により示されているように、未知のタンパク質サンプル７００ｃは、２点７００ｃ１及び７００ｃ２を含む。拡大部分７１０は、点７００ｃ１の場合に、未知のタンパク質サンプル７００は約２９０ｎｍの波長値でのタンパク質濃度値予測が約０．５であると多波長校正モデル５０１が予測したことを表す。同様に、拡大部分７１０は、点７００ｃ２の場合に、未知のタンパク質サンプル７００ｃは約２９８ｎｍの波長値でのタンパク質濃度値予測が約０．５であると多波長校正モデル５０１が予測したことを表す。
さらなる例として、拡大部分７１０により示されているように、未知のタンパク質サンプル７００ｆは、２点７００ｆ１及び７００ｆ２を含む。拡大部分７１０は、点７００ｆ１の場合に、未知のタンパク質サンプル７００ｆは約３００ｎｍの波長値でのタンパク質濃度値予測が約４．０であると多波長校正モデル５０１が予測したことを表す。同様に、拡大部分７１０は、点７００ｆ２の場合に、未知のタンパク質サンプル７００ｆは約３０３ｎｍの波長値でのタンパク質濃度値予測が約３．８であると多波長校正モデル５０１が予測したことを表す。
追加の例として、ダイアグラム７００により示されているように、未知のタンパク質サンプル７００ｍは、２点７００ｍ１及び７００ｍ２を含む。ダイアグラム７００は、点７００ｍ１の場合に、未知のタンパク質サンプル７００ｍは約３１２ｎｍの波長値でのタンパク質濃度値予測が約１２２であると多波長校正モデル５０１が予測したことを表す。同様に、ダイアグラム７００は、点７００ｍ２の場合に、未知のタンパク質サンプル７００ｍは約３１３ｎｍの波長値でのタンパク質濃度値予測が約１２１であると多波長校正モデル５０１が予測したことを表す。
このようにして、図７により表されているように、多波長構成モデル（例えば多波長校正モデル５０１）は、各複数のタンパク質濃度値を予測するために、一連の吸光度対波長値の対（例えば、図６に関して説明されている第２の一連の第２の吸光度対波長値の対）を入力し得る。一部の実施形態では、予測を生成するために、多波長校正モデル５０１への入力として、吸光度対波長値の対のそれぞれの波長値のみ又は吸光度値のみを提供する必要がある。従って、特定の波長（単一波長モデルに対応する）の波長値及び／又は吸光度値を入力して、この特定の吸光度対及び／又はこの特定の波長に関するタンパク質濃度値を予測し得る。
図２Ｂに関して、ＵＶベースの画像化方法２００のブロック２２２で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、多波長校正モデル５０１により決定された複数のタンパク質濃度値に基づいて強化された予測を生成するかどうかを決定する。強化された予測を生成しない場合には、ＵＶベースの画像化方法２００はブロック２２６に進む。
ＵＶベースの画像化方法２００のブロック２２４で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、強化された予測を生成すると決定している。そのような決定を、例えば、（例えば、プロセッサにより実行されるプログラム命令中の）閾値予測品質値を設定することにより行ない得、この予測が十分な品質又は適合度であることが求められる。このことは、例えば、図３Ａのコードセクション３により示されている。このことはまた、図３Ｂのコードセクション９でも示されており、各タンパク質濃度値は自動的に平均化され、それにより、ある範囲の波長値（例えば、図６及び図７に関して説明されている第２の範囲の波長）にわたり、精度が強化されている強化された予測が生成される。他の実施形態では、強化された予測が生成されることを示すために、フラグが、プログラム命令若しくはプログラムコードで設定され得るか、又はプログラム命令若しくはプログラムコードに提供され得る。そのため、様々な実施形態では、強化された予測の生成は、第２の範囲の波長に対応する複数のタンパク質濃度値の各タンパク質濃度値を平均化する（又は他の方法により操作する）ことを含み得る。強化された予測は、多波長校正モデル（例えば多波長校正モデル５０１）により決定されたタンパク質濃度値の平均値、中央値、導関数、又は他の操作を含み得る。
強化された予測は、図７により示されているサンプル（例えば未知のタンパク質サンプル７００ａ～７００ｍ）のそれぞれの波長の範囲と予測された濃度値との重複を利用し、重複した濃度測定を提供し、これにより、単一の予測点（例えば点７００ｃ１又は７００ｃ２）のみと比較して精度が強化される。様々な実施形態では、多波長校正モデル（例えば多波長校正モデル５０１）は、強化された予測により更新され得るか、又は強化された予測を（図３Ｂのコードセクション９で示されているように）コンピュータで計算するように及び／若しくは出力するように構成され得る。
図２Ｂに関して、ＵＶベースの画像化方法２００のブロック２２６で、プロセッサ（例えばプロセッサ１２４又はリモートプロセッサ１５４）は、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定するために、ブロック２２０で生成されているか又は（例えばブロック２２４で操作された）強化された予測によりさらに更新されているか若しくは構成されている多波長校正モデルを使用する。様々な実施形態では、このタンパク質関連製品は、治療薬である。
図８は、本明細書で開示されている様々な実施形態による、タンパク質関連製品８６０のタンパク質濃度をモニタリングするか又は測定するための図５Ａの多波長校正モデル５０１の適用を描写するフローダイアグラム８００を示す。ダイアグラム８００により示されているように、未知のタンパク質サンプル８４０ｕのバッチを、ＵＶ画像化デバイス（例えば、本明細書で説明されているＵＶ画像化デバイス１０１）により走査して、この未知のタンパク質サンプル８４０ｕのそれぞれに関する波長データ８１８ｕを生成する。この未知のタンパク質サンプル８４０ｕは、未知のタンパク質サンプル１４０ｕであってもよいし、新規のセットのサンプルであってもよい。波長データ８１８ｕは、波長データ１１８に関して図１、２Ａ、２Ｂ等について本明細書で説明されているのと同一のデータであるか又は同一タイプのデータである。波長データ８１８ｕは、多波長校正モデル５０１に入力され得、この多波長校正モデル５０１は、図２Ａ、２Ｂ、３Ａ、３Ｂ、４、及び５Ａ等に関して本明細書で説明されているように、標準タンパク質サンプルデータから既に生成されているであろう。
図８の実施形態では、多波長校正モデル５０１は、プロセス制御デバイス８５０のメモリ（図示しない）にロードされる。プロセス制御デバイス８５０は、タンパク質関連製品８６０のタンパク質濃度をモニタリングするか又は測定するために多波長校正モデル５０１を実装するためのプロセッサ（図示しない）を含む。一部の実施形態では、プロセス制御デバイス８５０は、コンピュータネットワーク１３０を介して（例えば、伝送制御プロトコル及びインターネットプロトコル（ＴＣＰ／ＩＰ）又は他のそのような類似のプロトコルを介したデータパケットの伝送を介して）、ＵＶ画像化デバイス１０１及び／又はコンピューティングデバイス１５１から多波長校正モデル５０１を受け取る。
プロセス制御デバイス８５０は、予測８５２（強化された予測、又は本明細書で説明されている標準タンパク質サンプルのそれぞれのコンピュータにより計算されたタンパク質濃度値の内の１つ若しくは複数に基づく予測のいずれか）を出力することにより、多波長校正モデル５０１を適用し得る。次いで、予測８５２を使用して、タンパク質関連製品８６０のタンパク質濃度をモニタリングし得るか、又は測定し得る。例えば、一部の実施形態では、予測８５２、又は予測８５２に基づいて生成されたシグナル若しくはデータ伝送を、タンパク質関連製品８６０のタンパク質濃度をモニタリングするか又は測定するために、プロセス制御又は製造システムのサブデバイス（図示しない；例えば、プロセス制御ネットワークを介してプロセス制御デバイス８５０に通信可能に連結されているフィールドデバイス）に伝送し得るか、又は他の方法により提供し得る。従って、予測８５２は、プロス制御デバイス８５０から出力され得、この予測８５２を使用して、最終用途製品でのタンパク質濃度をモニタリングし得るか、試験し得るか、測定し得るか、又は開発し得る。一実施形態では、例えば、予測８５２を使用して、タンパク質関連製品８６５の製造中に、タンパク質関連製品８６５のタンパク質濃度８６０をモニタリングし得るか、又は測定し得る。タンパク質関連製品８６５は、プロス制御デバイス８５０を備えたプロセス制御プラントにおいて、アセンブリ又は自動化システムにより開発された製品であり得る。一例として、測定されたタンパク質濃度に基づいて、タンパク質関連製品のタンパク質濃度を増加させるか又は減少させて、指定の範囲のタンパク質濃度に収め得る。一例として、測定されたタンパク質濃度が（それぞれ）指定の範囲内であるかこの範囲外であるかに応じて、タンパク質関連製品のバッチを受け入れ得るか、又は拒否し得る。プロセス制御デバイス８５０に実装されている多波長校正モデル５０１の頑強性により、タンパク質関連製品８６５のタンパク質濃度を、本明細書で説明されているＵＶスペクトルの範囲を含む広範囲のＵＶスペクトルで測定し得るか、又はモニタリングし得る。
さらなる例では、プロセス制御デバイス８５０により生成された多波長校正モデル５０１の予測８５２を使用して、タンパク質関連製品８６５の既知の仕様に対してこのタンパク質関連製品のタンパク質濃度８６０をモニタリングし得るか若しくは測定し得るか、又はこのタンパク質関連製品の既知の仕様と比較し得る。この既知の仕様は、例えば、標準タンパク質サンプル１４０ｓにより決定され得る。そのような実施形態では、プロセス制御デバイス８５０は、予測８５２をタンパク質関連製品８６５に適用して、既知の仕様を比較し得、且つ規制要件の順守、有効性若しくは品質の閾値、又は他の規制若しくは品質への懸念事項を評価し得る。
従って、本明細書に記載されているように、本開示のＵＶベースの画像化システム及び画像化方法は、現在知られている機器及び方法の制限を改善する。本明細書で説明されているＵＶベースの画像化システム及び画像化方法は、タンパク質サンプル標準のセットにより校正された独自の多波長校正モデル５０１を代わりに生成して適用することにより、ランベルト・ベールの法則の線形の制限を克服する。加えて、機械的手段により、拡張された線形タンパク質濃度範囲を走査する機械的経路長機器等の他の機器とは異なり、本開示のＵＶベースの画像化システム及び画像化方法は、機械的誤差の問題を回避する多波長校正モデル（例えば多波長校正モデル５０１）を生成して使用する。
治療用タンパク質には多くの形態及び型があり、本方法は、治療用タンパク質のタイプに依存しない。治療用タンパク質として抗体の場合には、例えば、抗体の構造は、広い範囲の代替型を作り出すために利用されており、この代替型は、少なくとも約１２～１５０ｋＤａの分子量範囲にわたり、且つ単量体（ｎ＝１）～二量体（ｎ＝２）、～三量体（ｎ＝３）、～四量体（ｎ＝４）、及び潜在的にさらに高い結合価（ｎ）範囲を有しており、そのような代替型は、本明細書では「抗体タンパク質生成物」と呼ばれる。抗体タンパク質生成物として、完全な抗体構造に基づくもの、及び完全な抗原結合能を保持する抗体断片を模倣するもの（例えば、ｓｃＦｖ、Ｆａｂ、及びＶＨＨ／ＶＨ（下記で考察する））が挙げられる。完全な抗原結合性部位を保持する最小の抗原結合性抗体断片は、全体が可変（Ｖ）領域からなるＦｖ断片である。可溶性で柔軟なアミノ酸ペプチドリンカーを使用して、Ｖ領域をｓｃＦｖ（単鎖断片可変）断片に連結させて分子を安定化させるか、又は定常（Ｃ）ドメインをＶ領域に加えてＦａｂ断片［断片、抗原結合性］を生成する。ｓｃＦｖ断片及びＦａｂ断片の両方を、宿主細胞（例えば原核生物宿主細胞）中で容易に産生させ得る。他の抗体タンパク質生成物として、ジスルフィド結合安定化ｓｃＦｖ（ｄｓ－ｓｃＦｖ）、単鎖Ｆａｂ（ｓｃＦａｂ）、並びにオリゴマー化ドメインに連結されたｓｃＦｖからなる異なる型を含む、ダイアボディ、トリアボディ、及びテトラボディ、又はミニボディ（ミニＡｂ）のような二量体抗体型及び多量体抗体型が挙げられる。最小の断片は、ラクダ類重鎖Ａｂ及び単一ドメインＡｂ（ｓｄＡｂ）のＶＨＨ／ＶＨである。新規の抗体型を作製するために最も頻繁に使用される構築ブロックは、約１５個のアミノ酸残基のペプチドリンカーにより連結された重鎖及び軽鎖由来のＶドメイン（ＶＨドメイン及びＶＬドメイン）を含む単鎖可変（Ｖ）－ドメイン抗体断片（ｓｃＦｖ）である。ペプチボディ又はペプチド－Ｆｃ融合体は、さらに別の抗体タンパク質生成物である。ペプチボディの構造は、Ｆｃドメイン上に移植された生物学的に活性のあるペプチドからなる。ペプチボディは、当技術分野で十分に説明されている。例えば、Ｓｈｉｍａｍｏｔｏ ｅｔ ａｌ．，ｍＡｂｓ ４（５）：５８６－５９１（２０１２）を参照されたい。
他の抗体タンパク質生成物として、単鎖抗体（ＳＣＡ）、ダイアボディ、トリアボディ、テトラボディ、及び二重特異性抗体又は三重特異性抗体、並びに同類のものが挙げられる。二重特異性抗体は、下記の５つの主要なクラスに分類され得る： ＢｓＩｇＧ、付加ＩｇＧ（ａｐｐｅｎｄｅｄ ＩｇＧ）、ＢｓＡｂ断片、二重特異性融合タンパク質、及びＢｓＡｂコンジュゲート。例えば、Ｓｐｉｅｓｓ ｅｔ ａｌ．，Ｍｏｌｅｃｕｌａｒ Ｉｍｍｕｎｏｌｏｇｙ ６７（２）Ｐａｒｔ Ａ：９７－１０６（２０１５）を参照されたい。
例示的な態様では、治療用タンパク質は、これらの抗体タンパク質生成物の内のいずれか１つを含む。例示的な態様では、治療用タンパク質は、ｓｃＦｖ、Ｆａｂ ＶＨＨ／ＶＨ、Ｆｖ断片、ｄｓ－ｓｃＦｖ、ｓｃＦａｂ、二量体抗体、多量体抗体（例えば、ダイアボディ、トリアボディ、テトラボディ）、ミニＡｂ、ラクダ類重鎖抗体のペプチボディＶＨＨ／ＶＨ、ｓｄＡｂ、ダイアボディ；トリアボディ；テトラボディ；二重特異性又は三重特異性抗体、ＢｓＩｇＧ、付加ＩｇＧ、ＢｓＡｂ断片、二重特異性融合タンパク質、及びＢｓＡｂコンジュゲートの内のいずれか１つを含む。
例示的な態様では、治療用タンパク質は、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ（登録商標））分子である。ＢｉＴＥ（登録商標）分子は、互いに連結された２つの抗体結合ドメイン（又はターゲティング領域）を含む二重特異性抗体構築体又は二重特異性融合タンパク質である。ＢｉＴＥ（登録商標）分子は、柔軟なリンカーによって直列に連結された２つの単鎖可変断片（ｓｃＦｖ）で構築されている（ｓｃＦｃ－ｓｃＦｃ，Ｈｕｅｈｌｓ ｅｔ ａｌ，２０１５）。この分子の一方のアームは、細胞傷害性Ｔ細胞の表面上で見出されるタンパク質と結合するように操作されており、他方のアームは、主に腫瘍細胞上で見出される特定のタンパク質に結合するように設計されている。ＢｉＴＥ（登録商標）分子は、両方の標的に結合すると、細胞傷害性Ｔ細胞と腫瘍細胞との間に架橋を形成し、これによりＴ細胞に腫瘍細胞を認識させ、有害分子を注入することで腫瘍細胞を撃退し得る。この分子の腫瘍結合アームを、異なるタイプの癌を標的とする異なるＢｉＴＥ（登録商標）抗体構築体が作られるように改変し得る。ＢｉＴＥ（登録商標）分子に関する「結合ドメイン」という用語は、標的分子（抗原）上の所与の標的エピトープ又は所与の標的部位と（特異的に）結合する／相互作用する／認識するドメインを指す。第１の結合ドメインの構造及び機能（腫瘍細胞抗原の認識）並びに好ましくは同様に第２の結合ドメイン（細胞傷害性Ｔ細胞抗原）の構造及び／又は機能は、抗体（例えば、完全長免疫グロブリン分子又は全免疫グロブリン分子）の構造及び／又は機能に基づく。例えば、ＢｉＴＥ（登録商標）分子は、３つの軽鎖ＣＤＲ（即ち、ＶＬ領域のＣＤＲ１、ＣＤＲ２、及びＣＤＲ３）、並びに３つの重鎖ＣＤＲ（即ち、ＶＨ領域のＣＤＲ１、ＣＤＲ２及びＣＤＲ３）の存在を特徴とする第１の結合ドメインを含む。好ましくは、第２の結合ドメインも、標的結合を可能にする抗体の最小構造要件を含む。より好ましくは、第２の結合ドメインは、少なくとも３つの軽鎖ＣＤＲ（即ち、ＶＬ領域のＣＤＲ１、ＣＤＲ２、及びＣＤＲ３）、並びに／又は３つの重鎖ＣＤＲ（即ち、ＶＨ領域のＣＤＲ１、ＣＤＲ２、及びＣＤＲ３）を含む。第１及び／又は第２の結合ドメインは、既存の（モノクローナル）抗体由来のＣＤＲ配列をスキャフォールドに移植する以外のファージディスプレイ又はライブラリスクリーニング法により作製されるか又は得られることが想定される。結合ドメインは、典型的には、抗体軽鎖可変領域（ＶＬ）と抗体重鎖可変領域（ＶＨ）とを含み得るが、両方を含む必要はない。Ｆｄ断片は、例えば、２つのＶＨ領域を有し、多くの場合には、インタクトな抗原結合ドメインの一部の抗原結合機能を保持する。（改変された）抗原結合抗体断片の例として、（１）ＶＬドメイン、ＶＨドメイン、ＣＬドメイン、及びＣＨ１ドメインを有する一価の断片であるＦａｂ断片；（２）ヒンジ領域でジスルフィド架橋により連結された２つのＦａｂ断片を有する二価の断片であるＦ（ａｂ’）２断片；（３）２つのＶＨドメイン及びＣＨ１ドメインを有するＦｄ断片；（４）抗体の単一アームのＶＬドメイン及びＶＨドメインを有するＦｖ断片、（５）ＶＨドメインを有するｄＡｂ断片（Ｗａｒｄ ｅｔ ａｌ．，（１９８９）Ｎａｔｕｒｅ ３４１：５４４－５４６）；（６）単離された相補性決定領域（ＣＤＲ）、並びに（７）単鎖Ｆｖ（ｓｃＦｖ）が挙げられ、後者が好ましい（例えば、ｓｃＦＶライブラリ由来）。
例示的な態様では、治療用タンパク質は、二重特異性抗体、三重特異性抗体、分子、又はＦｃ融合タンパク質である。一部の態様では、治療用タンパク質は、第１の標的に結合する単鎖可変断片（ｓｃＦｖ）を含み、任意選択的に、この治療用タンパク質は、第２の標的（任意選択的に第１の標的と異なる）に結合する第２のｓｃＦＶを含む。
一部の態様では、この治療用タンパク質は、組換え治療用タンパク質又はその活性断片である。他の態様では、この治療用タンパク質は、細胞又は生物に対して内在性であり、この細胞又は生物から単離されている。
本開示の態様
本開示の下記の態様は例示的にすぎず、本開示の範囲を限定することは意図されていない。
本開示の下記の態様は例示的にすぎず、本開示の範囲を限定することは意図されていない。
１．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するように構成されている、紫外線（ＵＶ）ベースの画像化システムであって、多波長の光線を投射するように構成されている光源；多波長の光線を受け取り、多波長の光線に基づいて、ＵＶスペクトルの一連の単一波長の光線を投射するように構成されているモノクロメータ；タンパク質サンプルを受け取るように動作可能なサンプルホルダであって、タンパク質サンプルは、（１）標準タンパク質サンプルのセットから選択される標準タンパク質、又は（２）未知のタンパク質サンプルのセットから選択される未知のタンパク質サンプルのいずれかであり、未知のタンパク質サンプルは、タンパク質濃度が未知であり、サンプルホルダは、一連の単一波長の光線がタンパク質サンプルの少なくとも一部を通過することを可能にするように配置されている、サンプルホルダ；タンパク質サンプルの少なくとも一部を通過する一連の単一波長の光線を検出するように動作可能な検出器；プログラム命令を格納しているメモリ；並びにメモリに通信可能に連結されているプロセッサであって、プロセッサに、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせるプログラム命令で、波長データの標準セットは、各標準タンパク質サンプルに関して、一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取らせるプログラム命令、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させるプログラム命令、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせるプログラム命令で、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取らせるプログラム命令、及び多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させるプログラム命令で、複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する、決定させるプログラム命令を実行するように構成されているプロセッサを含むＵＶベースの画像化システム。
２．光源、モノクロメータ、サンプルホルダ、及び検出器は、分光光度計デバイスの一部を構成する、態様１に記載のＵＶベースの画像化システム。
３．プロセッサは、検出器に通信可能に連結されている、態様１又は２に記載のＵＶベースの画像化システム。
４．メモリ又はプロセッサは、検出器から離れている、態様１～３のいずれか１つに記載のＵＶベースの画像化システム。
５．標準タンパク質サンプルのセットは、複数の標準タンパク質サンプルを含み、未知のタンパク質サンプルのセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含む、態様１～４のいずれか１つに記載のＵＶベースの画像化システム。
６．標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液である、態様１～５のいずれか１つに記載のＵＶベースの画像化システム。
７．一連の単一波長の光線は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトルにおける単一波長の光線を含む、態様１～６のいずれか１つに記載のＵＶベースの画像化システム。
８．ＵＶスペクトルにおける各単一波長の光線は、１ナノメートル間隔で分離されている、態様７に記載のＵＶベースの画像化システム。
９．多波長校正モデルを生成することは、一連の単一波長の光線から選択された第１の範囲の波長の各々に関する単一波長校正モデルを生成することを含み、各単一波長校正モデルは、特定の単一波長のＵＶ吸光度に対応する傾き値及びｙ切片値を含む、態様１～８のいずれか１つに記載のＵＶベースの画像化システム。
１０．多波長校正モデルは、機械学習モデルとして訓練される、態様１～９のいずれか１つに記載のＵＶベースの画像化システム。
１１．標準波長データフィルタをさらに含み、プロセッサは、第１の範囲の波長を選択するために一連の単一波長の光線に対する標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様１～１０のいずれか１つに記載のＵＶベースの画像化システム。
１２．プロセッサは、ＵＶ吸光度値の第１のフィルタ範囲内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を制限するために標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様１１に記載のＵＶベースの画像化システム。
１３．未知の波長データフィルタをさらに含み、プロセッサは、第２の範囲の波長を選択するために一連の単一波長の光線に対する未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様１～１２のいずれか１つに記載のＵＶベースの画像化システム。
１４．プロセッサは、ＵＶ吸光度値の第２のフィルタ範囲内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を制限するために未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するように構成されている、態様１３に記載のＵＶベースの画像化システム。
１５．プロセッサは、複数のタンパク質濃度値に基づいて、強化された予測を生成するようにさらに構成されている、態様１～１４のいずれか１つに記載のＵＶベースの画像化システム。
１６．強化された予測を生成することは、第２の範囲の波長に対応する複数のタンパク質濃度値の各タンパク質濃度値を平均化することを含む、態様１５に記載のＵＶベースの画像化システム。
１７．多波長校正モデルを使用して、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定する、態様１～１６のいずれか１つに記載のＵＶベースの画像化システム。
１８．タンパク質濃度を、タンパク質関連製品の製造中にモニタリングするか又は測定する、態様１７に記載のＵＶベースの画像化システム。
１９．タンパク質関連製品のタンパク質濃度を、タンパク質関連製品の既知の仕様と比較する、態様１７又は１８に記載のＵＶベースの画像化システム。
２０．タンパク質関連製品は、治療薬である、態様１７～１９のいずれか１つに記載のＵＶベースの画像化システム。
２１．多波長校正モデルは、各複数のタンパク質濃度値を予測するために、第２の一連の第２の吸光度対波長値の対を入力する、態様１７～２０のいずれか１つに記載のＵＶベースの画像化システム。
２２．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、紫外線（ＵＶ）ベースの画像化方法であって、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取ることであって、波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取ること；プロセッサにより、波長データの標準セットの第１の一連の第１の吸光度値対波長値の対のそれぞれに基づいて、多波長校正モデルを生成すること；プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取ることであって、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取ること；及びプロセッサに実装されている多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定することであって、複数のタンパク質濃度値の各タンパク質濃度値は、前記一連の単一波長の光線から選択される第２の範囲の波長に対応する、決定することを含むＵＶベースの画像化方法。
２３．検出器は、分光光度計デバイスの一部を構成する、態様２２に記載のＵＶベースの画像化方法。
２４．プロセッサは、検出器に通信可能に連結されている、態様２２又は２３に記載のＵＶベースの画像化方法。
２５．プロセッサは、検出器から離れている、態様２２～２４のいずれか１つに記載のＵＶベースの画像化方法。
２６．標準タンパク質サンプルのセットは、複数の標準タンパク質サンプルを含み、未知のタンパク質サンプルのセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含む、態様２２～２５のいずれか１つに記載のＵＶベースの画像化方法。
２７．標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液である、態様２２～２６のいずれか１つに記載のＵＶベースの画像化方法。
２８．一連の単一波長の光線は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトルにおける単一波長の光線を含む、態様２２～２７のいずれか１つに記載のＵＶベースの画像化方法。
２９．ＵＶスペクトルにおける各単一波長の光線は、１ナノメートル間隔で分離されている、態様２８に記載のＵＶベースの画像化方法。
３０．多波長校正モデルを生成することは、一連の単一波長の光線から選択された第１の範囲の波長の各々に関する単一波長校正モデルを生成することを含み、各単一波長校正モデルは、特定の単一波長のＵＶ吸光度に対応する傾き値及びｙ切片値を含む、態様２２～２８のいずれか１つに記載のＵＶベースの画像化方法。
３１．多波長校正モデルは、機械学習モデルとして訓練される、態様２２～３０のいずれか１つに記載のＵＶベースの画像化方法。
３２．標準波長データフィルタをさらに含み、プロセッサは、第１の範囲の波長を選択するために一連の単一波長の光線に対する標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様２２～３１のいずれか１つに記載のＵＶベースの画像化方法。
３３．プロセッサは、ＵＶ吸光度値の第１のフィルタ範囲内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を制限するために標準波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様３２に記載のＵＶベースの画像化方法。
３４．未知の波長データフィルタをさらに含み、プロセッサは、第２の範囲の波長を選択するために一連の単一波長の光線に対する未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するようにさらに構成されている、態様２２～３３のいずれか１つに記載のＵＶベースの画像化方法。
３５．プロセッサは、ＵＶ吸光度値の第２のフィルタ範囲内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を制限するために未知の波長データフィルタをプロセッサに実装させるプログラム命令を実行するように構成されている、態様３４に記載のＵＶベースの画像化方法。
３６．プロセッサは、複数のタンパク質濃度値に基づいて、強化された予測を生成するようにさらに構成されている、態様２２～３５のいずれか１つに記載のＵＶベースの画像化方法。
３７．強化された予測を生成することは、第２の範囲の波長に対応する複数のタンパク質濃度値の各タンパク質濃度値を平均化することを含む、態様３６に記載のＵＶベースの画像化方法。
３８．多波長校正モデルを使用して、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定する、態様２２～３７のいずれか１つに記載のＵＶベースの画像化方法。
３９．タンパク質濃度を、タンパク質関連製品の製造中にモニタリングするか又は測定する、態様３８に記載のＵＶベースの画像化方法。
４０．タンパク質関連製品のタンパク質濃度を、タンパク質関連製品の既知の仕様と比較する、態様３８又は３９に記載のＵＶベースの画像化方法。
４１．タンパク質関連製品は、治療薬である、態様３８～４０のいずれか１つに記載のＵＶベースの画像化方法。
４２．多波長校正モデルは、各複数のタンパク質濃度値を予測するために、第２の一連の第２の吸光度対波長値の対を入力する、態様２２～４１のいずれか１つに記載のＵＶベースの画像化方法。
４３．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための命令を格納する有形の非一時的コンピュータ可読媒体であって、命令は、コンピューティングデバイスの１つ又は複数のプロセッサにより実行された場合に、コンピューティングデバイスに、プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせ、波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み；プロセッサにより、波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させ；プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して検出器により記録された波長データの未知のセットを受け取らせ、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み；及びプロセッサに実装された多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させ、複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する、有形の非一時的コンピュータ可読媒体。
４４．自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための画像化装置であって、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関する波長データの標準セットを受け取るための手段であって、波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取るための手段；波長データの標準セットの第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成するための手段；未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関する波長データの未知のセットを受け取るための手段であって、波長データの未知のセットは、各未知のタンパク質サンプルに関して、一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取るための手段；及び多波長校正モデルにより、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定するための手段であって、複数のタンパク質濃度値の各タンパク質濃度値は、一連の単一波長の光線から選択される第２の範囲の波長に対応する、決定するための手段を含む画像化装置。
４５．未知のタンパク質サンプルのセットの少なくとも１つの未知のタンパク質サンプルは、タンパク質治療薬を含む、態様２２～４１のいずれか１つに記載のＵＶベースの画像化方法。
４６．タンパク質治療薬は、抗体、抗原結合抗体断片、抗体タンパク質生成物、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ（登録商標））分子、二重特異性抗体、三重特異性抗体、Ｆｃ融合タンパク質、組換えタンパク質、及び組換えタンパク質の活性断片からなる群から選択される、態様４５に記載のＵＶベースの画像化方法。
追加の考慮すべき事項
本明細書の開示は、多数の異なる実施形態の詳細な説明を示しているが、この説明の法的範囲は、本特許の末尾に示される特許請求の範囲の文言及びその均等物により定義されることを理解すべきである。この詳細な説明は、例示にすぎないと解釈されるべきであり、全ての可能な施形態を説明することは非現実的であろうことから、全ての可能な実施形態を説明しているわけではない。現在の技術又は本特許の出願日以降に開発される技術のいずれかを使用して、様々な代替的実施形態を実施し得、これらも依然として本特許請求の範囲に含まれる。
本明細書の開示は、多数の異なる実施形態の詳細な説明を示しているが、この説明の法的範囲は、本特許の末尾に示される特許請求の範囲の文言及びその均等物により定義されることを理解すべきである。この詳細な説明は、例示にすぎないと解釈されるべきであり、全ての可能な施形態を説明することは非現実的であろうことから、全ての可能な実施形態を説明しているわけではない。現在の技術又は本特許の出願日以降に開発される技術のいずれかを使用して、様々な代替的実施形態を実施し得、これらも依然として本特許請求の範囲に含まれる。
下記の追加の考慮すべき事項は、上述の説明にも当てはまる。本明細書全体を通じて、複数のインスタンスが、単一のインスタンスとして説明されている構成要素、動作、又は構造を実装し得る。１つ又は複数の方法の個々の動作が別の動作として図示されており且つ説明されているが、個々の動作の内の１つ又は複数を同時に実施し得、動作を図示された順序で実施することは要求されていない。例示的な構成の中で別々の構成要素として提示されている構造及び機能を、組合せの構造又は構成要素として実装し得る。同様に、単一の構成要素として提示された構造及び機能は、別の構成要素として実装され得る。これら及び他の変更、改良、追加、及び改善は、本明細書の主旨の範囲に含まれる。
加えて、ある特定の実施形態は、本明細書の中で、ロジック又は複数のルーチン、サブルーチン、アプリケーション、又は命令を含むと説明されている。これらは、ソフトウェア（例えば、機械可読媒体上、若しくは伝送信号の中に埋め込まれたコード）又はハードウェアのいずれかを構成し得る。ハードウェアの中で、ルーチン等は、ある特定の動作を実行し得る有形ユニットであり、ある特定の方法で構成され得るか、又は配置され得る。例示的な実施形態では、１つ若しくは複数のコンピュータシステム（例えば、スタンドアロン、クライアント、又はサーバコンピュータシステム）又はあるコンピュータシステムの１つ若しくは複数のハードウェアモジュール（例えば、プロセッサ若しくはプロセッサ群）は、本明細書で説明されているある特定の動作を実施するように動作するハードウェアモジュールとして、ソフトウェア（例えば、アプリーケン又はアプリケーション部分）により構成され得る。
様々な実施形態では、ハードウェアモジュールは、機械的に又は電子的に実装され得る。例えば、ハードウェアモジュールは、ある特定の動作を実施するように恒久的に構成されている専用の回路又はロジック（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）又は特定用途向け集積回路（ＡＳＩＣ）等の特別な目的用のプロセッサ）を含み得る。ハードウェアモジュールはまた、ある特定の動作を実施するためにソフトウェアにより一時的に構成されているプログラム可能なロジック又は回路（例えば、汎用プロセッサ又は他のプログラム可能なプロセッサ内に含まれているプログラム可能なロジック又は回路）も含み得る。ハードウェアモジュールを機械的に実装するか、専用の恒久的に構成されている回路に実装するか、又は一時期的に構成されている回路（例えば、ソフトウェアにより構成されている回路）に実装するかの決定を、費用及び時間を考慮して行ない得ることが理解されるだろう。
従って、「ハードウェアモジュール」という用語は、ある特定の方法で動作するために又は本明細書で説明されているある特定の動作を実施するために、物理的に構成されている有形の実体、恒久的に構成されている有形の実体（例えばハードワイヤード）、又は一時的に構成されている（例えばプログラムされている）有形の実体を包含すると理解すべきである。ハードウェアモジュールが一時的に構成されている（例えばプログラムされている）実施形態を考慮すると、ハードウェアモジュールのそれぞれは、任意のある時点で構成されているか又はインスタンス化されている必要はない。例えば、ハードウェアモジュールが、ソフトウェアを使用して構成されている汎用プロセッサを含む場合には、この汎用プロセッサは、異なる時間でそれぞれ異なるハードウェアモジュールとして構成され得る。従って、ソフトウェアは、例えば、ある時点で特定のハードウェアモジュールを構成し且つ異なる時点で異なるハードウェアモジュールを構成するようにプロセッサを構成し得る。
ハードウェアモジュールは、他のハードウェアモジュールに情報を提供し得、且つ他のハードウェアモジュールから情報を受け取り得る。従って、説明されているハードウェアモジュールは、通信可能に連結されていると見なされ得る。複数のそのようなハードウェアモジュールが同時に存在する場合には、通信を、これらのハードウェアモジュールを（例えば、適切な回路及びバスを通じて）接続する信号伝送により達成し得る。複数のハードウェアモジュールが様々な時間で構成されているか又はインスタンス化されている実施形態では、そのようなハードウェアモジュール間の通信を、例えば、これら複数のハードウェアモジュールがアクセスルするメモリ構造中の情報の格納及び検索により達成し得る。例えば、あるハードウェアモジュールは、ある動作を実施し得、且つこの動作の出力を、通信可能に連結されているメモリデバイスに格納し得る。次いで、さらなるハードウェアモジュールは、その後、格納された出力を検索して処理するために、このメモリデバイスにアクセスし得る。ハードウェアモジュールはまた、入力デバイス又は出力デバイスとの通信も開始し得、且つリソース（例えば情報の収集物）に対して動作し得る。
本明細書で説明されている例示的な方法の各種の動作を、少なくとも部分的に、関係する動作を実施するように（例えばソフトウェアにより）一時的に構成されているか又は恒久的に構成されている１つ又は複数のプロセッサにより実施し得る。一時的に構成されているか恒久的に構成されているかにかかわらず、そのようなプロセッサは、１つ又は複数の動作又は機能を実施するように動作するプロセッサ実装モジュールを構成し得る。本明細書で言及されるモジュールは、一部の例示的な実施形態では、プロセッサ実装モジュールを含み得る。
同様に、本明細書で説明されている方法又はルーチンは、少なくとも部分的にプロセッサに実装され得る。例えば、ある方法の動作の内の少なくともいくつかを、１つ又は複数のプロセッサ又はプロセッサ実装ハードウェアモジュールにより実施し得る。ある特定の動作の実施を、単一の機械内に存在するだけでなく複数の機械にわたり展開されている１つ又は複数のプロセッサに分散し得る。一部の例示的な実施形態では、１つ又は複数のプロセッサを、１か所に配置し得るが、他の実施形態では、プロセッサを複数の場所に分散し得る。
ある特定の動作の実施を、単一の機械内に存在するだけでなく複数の機械にわたり展開されている１つ又は複数のプロセッサに分散し得る。一部の例示的な実施形態では、１つ又は複数のプロセッサ又はプロセッサ実装モジュールを、１か所の地理的場所（例えば、家庭環境内、オフィス環境内、又はサーバファーム内）に配置し得る。他の実施形態では、１つ又は複数のプロセッサ又はプロセッサ実装モジュールを、複数の地理的場所に分散させ得る。
この詳細な説明は、例示にすぎないと解釈されるべきであり、全ての可能な施形態を説明することは、不可能ではないとしても非現実的であろうことから、全ての可能な実施形態を説明しているわけではない。当業者は、現在の技術又は本出願の出願日以降に開発される技術のいずれかを使用して、多数の代替的実施形態を実行し得る。
当業者は、上述の実施形態に関して、本発明の範囲から逸脱することなく、多種多様な改良、変更、及び組合せを行い得ること、並びにそのような改良、変更、及び組合せは、本発明の概念の範囲に含まれるとみなされるべきであることを認識するだろう。
本特許出願の最後にある特許請求の範囲は、この特許請求の範囲内に明確に列挙されている「～ための手段（ｍｅａｎｓ ｆｏｒ）」又は「～ための工程（ｓｔｅｐ ｆｏｒ）」という文言等の従来のミーンズプラスファンクションの文言が明確に列挙されていない限り、米国特許法第１１２条（ｆ）の下で解釈されることは意図されていない。本明細書中で説明されているシステム及び方法は、コンピュータの機能性の改善、及び従来のコンピュータの機能を改善させることを対象とする。
Claims (46)
- 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するように構成されている、紫外線（ＵＶ）ベースの画像化システムであって、
多波長の光線を投射するように構成されている光源；
前記多波長の光線を受け取り、前記多波長の光線に基づいて、ＵＶスペクトルの一連の単一波長の光線を投射するように構成されているモノクロメータ；
タンパク質サンプルを受け取るように動作可能なサンプルホルダであって、前記タンパク質サンプルは、（１）標準タンパク質サンプルのセットから選択される標準タンパク質、又は（２）未知のタンパク質サンプルのセットから選択される未知のタンパク質サンプルのいずれかであり、前記未知のタンパク質サンプルは、タンパク質濃度が未知であり、前記サンプルホルダは、前記一連の単一波長の光線が前記タンパク質サンプルの少なくとも一部を通過することを可能にするように配置されている、サンプルホルダ；
前記タンパク質サンプルの少なくとも一部を通過する前記一連の単一波長の光線を検出するように動作可能な検出器；
プログラム命令を格納しているメモリ；
並びに
前記メモリに通信可能に連結されているプロセッサであって、
前記プロセッサに、
前記標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して前記検出器により記録された波長データの標準セットを受け取らせる前記プログラム命令で、前記波長データの標準セットは、各標準タンパク質サンプルに関して、前記一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取らせる前記プログラム命令、
前記波長データの標準セットの前記第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させる前記プログラム命令、
前記未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して前記検出器により記録された波長データの未知のセットを受け取らせる前記プログラム命令で、前記波長データの未知のセットは、各未知のタンパク質サンプルに関して、前記一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取らせる前記プログラム命令、
及び
前記多波長校正モデルにより、前記未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させる前記プログラム命令で、前記複数のタンパク質濃度値の各タンパク質濃度値は、前記一連の単一波長の光線から選択される前記第２の範囲の波長に対応する、決定させる前記プログラム命令
を実行するように構成されているプロセッサ
を含むＵＶベースの画像化システム。 - 前記光源、前記モノクロメータ、前記サンプルホルダ、及び前記検出器は、分光光度計デバイスの一部を構成する、請求項１に記載のＵＶベースの画像化システム。
- 前記プロセッサは、前記検出器に通信可能に連結されている、請求項１又は２に記載のＵＶベースの画像化システム。
- 前記メモリ又は前記プロセッサは、前記検出器から離れている、請求項１～３のいずれか一項に記載のＵＶベースの画像化システム。
- 前記標準タンパク質サンプルのセットは、複数の標準タンパク質サンプルを含み、前記未知のタンパク質サンプルのセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含む、請求項１～４のいずれか一項に記載のＵＶベースの画像化システム。
- 前記標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液である、請求項１～５のいずれか一項に記載のＵＶベースの画像化システム。
- 前記一連の単一波長の光線は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトルにおける単一波長の光線を含む、請求項１～６のいずれか一項に記載のＵＶベースの画像化システム。
- 前記ＵＶスペクトルにおける各単一波長の光線は、１ナノメートル間隔で分離されている、請求項７に記載のＵＶベースの画像化システム。
- 前記多波長校正モデルを生成することは、前記一連の単一波長の光線から選択された第１の範囲の波長の各々に関する単一波長校正モデルを生成することを含み、各単一波長校正モデルは、特定の単一波長のＵＶ吸光度に対応する傾き値及びｙ切片値を含む、請求項１～８のいずれか一項に記載のＵＶベースの画像化システム。
- 前記多波長校正モデルは、機械学習モデルとして訓練される、請求項１～９のいずれか一項に記載のＵＶベースの画像化システム。
- 標準波長データフィルタをさらに含み、前記プロセッサは、前記第１の範囲の波長を選択するために前記一連の単一波長の光線に対する前記標準波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するようにさらに構成されている、請求項１～１０のいずれか一項に記載のＵＶベースの画像化システム。
- 前記プロセッサは、ＵＶ吸光度値の第１のフィルタ範囲内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を制限するために前記標準波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するようにさらに構成されている、請求項１１に記載のＵＶベースの画像化システム。
- 未知の波長データフィルタをさらに含み、前記プロセッサは、前記第２の範囲の波長を選択するために前記一連の単一波長の光線に対する前記未知の波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するようにさらに構成されている、請求項１～１２のいずれか一項に記載のＵＶベースの画像化システム。
- 前記プロセッサは、ＵＶ吸光度値の第２のフィルタ範囲内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を制限するために前記未知の波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するように構成されている、請求項１３に記載のＵＶベースの画像化システム。
- 前記プロセッサは、前記複数のタンパク質濃度値に基づいて、強化された予測を生成することをさらに含む、請求項１～１４のいずれか一項に記載のＵＶベースの画像化システム。
- 前記強化された予測を生成することは、前記第２の範囲の波長に対応する前記複数のタンパク質濃度値の各タンパク質濃度値を平均化することを含む、請求項１５に記載のＵＶベースの画像化システム。
- 前記多波長校正モデルを使用して、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定する、請求項１～１６のいずれか一項に記載のＵＶベースの画像化システム。
- 前記タンパク質濃度を、前記タンパク質関連製品の製造中にモニタリングするか又は測定する、請求項１７に記載のＵＶベースの画像化システム。
- 前記タンパク質関連製品の前記タンパク質濃度を、前記タンパク質関連製品の既知の仕様と比較する、請求項１７に記載のＵＶベースの画像化システム。
- 前記タンパク質関連製品は、治療薬である、請求項１７に記載のＵＶベースの画像化システム。
- 前記多波長校正モデルは、各複数のタンパク質濃度値を予測するために、前記第２の一連の第２の吸光度対波長値の対を入力する、請求項１～２０のいずれか一項に記載のＵＶベースの画像化システム。
- 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための、紫外線（ＵＶ）ベースの画像化方法であって、
プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取ることであって、前記波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取ること；
前記プロセッサにより、前記波長データの標準セットの前記第１の一連の第１の吸光度値対波長値の対のそれぞれに基づいて、多波長校正モデルを生成すること；
前記プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して前記検出器により記録された波長データの未知のセットを受け取ることであって、前記波長データの未知のセットは、各未知のタンパク質サンプルに関して、前記一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取ること；
及び
前記プロセッサに実装されている前記多波長校正モデルにより、前記未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定することであって、前記複数のタンパク質濃度値の各タンパク質濃度値は、前記一連の単一波長の光線から選択される前記第２の範囲の波長に対応する、決定すること
を含む、ＵＶベースの画像化方法。 - 前記検出器は、分光光度計デバイスの一部を構成する、請求項２２に記載のＵＶベースの画像化方法。
- 前記プロセッサは、前記検出器に通信可能に連結されている、請求項２２又は２３に記載のＵＶベースの画像化方法。
- 前記プロセッサは、前記検出器から離れている、請求項２２～２４のいずれか一項に記載のＵＶベースの画像化方法。
- 前記標準タンパク質サンプルのセットは、複数の標準タンパク質サンプルを含み、前記未知のタンパク質サンプルのセットは、タンパク質濃度が未知である単一のタンパク質サンプルを含む、請求項２２～２５のいずれか一項に記載のＵＶベースの画像化方法。
- 前記標準タンパク質サンプルのセットは、１ミリリットル（ｍｌ）当たり０．１～２２０ミリグラム（ｍｇ）の範囲のタンパク質標準溶液である、請求項２２～２６のいずれか一項に記載のＵＶベースの画像化方法。
- 前記一連の単一波長の光線は、２００ナノメートル（ｎｍ）～４００ナノメートル（ｎｍ）のＵＶスペクトルにおける単一波長の光線を含む、請求項２２～２７のいずれか一項に記載のＵＶベースの画像化方法。
- 前記ＵＶスペクトルにおける各単一波長の光線は、１ナノメートル間隔で分離されている、請求項２８に記載のＵＶベースの画像化方法。
- 前記多波長校正モデルを生成することは、前記一連の単一波長の光線から選択された第１の範囲の波長の各々に関する単一波長校正モデルを生成することを含み、各単一波長校正モデルは、特定の単一波長のＵＶ吸光度に対応する傾き値及びｙ切片値を含む、請求項２２～２９のいずれか一項に記載のＵＶベースの画像化方法。
- 前記多波長校正モデルは、機械学習モデルとして訓練される、請求項２２～３０のいずれか一項に記載のＵＶベースの画像化方法。
- 標準波長データフィルタをさらに含み、前記プロセッサは、前記第１の範囲の波長を選択するために前記一連の単一波長の光線に対する前記標準波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するようにさらに構成されている、請求項２２～３１のいずれか一項に記載のＵＶベースの画像化方法。
- 前記プロセッサは、ＵＶ吸光度値の第１のフィルタ範囲内のＵＶ吸光度値に基づいて各第１の一連の第１の吸光度対波長値の対を制限するために前記標準波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するようにさらに構成されている、請求項３２に記載のＵＶベースの画像化方法。
- 未知の波長データフィルタをさらに含み、前記プロセッサは、前記第２の範囲の波長を選択するために前記一連の単一波長の光線に対する前記未知の波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するようにさらに構成されている、請求項２２～３３のいずれか一項に記載のＵＶベースの画像化方法。
- 前記プロセッサは、ＵＶ吸光度値の第２のフィルタ範囲内のＵＶ吸光度値に基づいて各第２の一連の第２の吸光度対波長値の対を制限するために前記未知の波長データフィルタを前記プロセッサに実装させる前記プログラム命令を実行するように構成されている、請求項３４に記載のＵＶベースの画像化方法。
- 前記プロセッサは、前記複数のタンパク質濃度値に基づいて、強化された予測を生成することをさらに含む、請求項２２～３５のいずれか一項に記載のＵＶベースの画像化方法。
- 前記強化された予測を生成することは、前記第２の範囲の波長に対応する前記複数のタンパク質濃度値の各タンパク質濃度値を平均化することを含む、請求項３６に記載のＵＶベースの画像化方法。
- 前記多波長校正モデルを使用して、タンパク質関連製品のタンパク質濃度をモニタリングするか又は測定する、請求項２２～３７のいずれか一項に記載のＵＶベースの画像化方法。
- 前記タンパク質濃度を、前記タンパク質関連製品の製造中にモニタリングするか又は測定する、請求項３８に記載のＵＶベースの画像化方法。
- 前記タンパク質関連製品の前記タンパク質濃度を、前記タンパク質関連製品の既知の仕様と比較する、請求項３８に記載のＵＶベースの画像化方法。
- 前記タンパク質関連製品は、治療薬である、請求項３８に記載のＵＶベースの画像化方法。
- 前記多波長校正モデルは、各複数のタンパク質濃度値を予測するために、前記第２の一連の第２の吸光度対波長値の対を入力する、請求項２２～４１のいずれか一項に記載のＵＶベースの画像化方法。
- 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための命令を格納する有形の非一時的コンピュータ可読媒体であって、前記命令は、１つ又は複数のメモリを含むコンピューティングデバイスの１つ又は複数のプロセッサにより実行された場合に、前記コンピューティングデバイスに、
プロセッサで、標準タンパク質サンプルのセットの各標準タンパク質サンプルに関して検出器により記録された波長データの標準セットを受け取らせ、前記波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み；
前記プロセッサにより、前記波長データの標準セットの前記第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成させ；
前記プロセッサで、未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して前記検出器により記録された波長データの未知のセットを受け取らせ、前記波長データの未知のセットは、各未知のタンパク質サンプルに関して、前記一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含み；
及び
前記プロセッサに実装されている前記多波長校正モデルにより、前記未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定させ、前記複数のタンパク質濃度値の各タンパク質濃度値は、前記一連の単一波長の光線から選択される前記第２の範囲の波長に対応する、
有形の非一時的コンピュータ可読媒体。 - 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するための画像化装置であって、
標準タンパク質サンプルのセットの各標準タンパク質サンプルに関する波長データの標準セットを受け取るための手段であって、前記波長データの標準セットは、各標準タンパク質サンプルに関して、ＵＶスペクトルの一連の単一波長の光線から選択される第１の範囲の波長にわたる第１の一連の第１の吸光度対波長値の対を含み、各第１の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取るための手段；
前記波長データの標準セットの前記第１の一連の第１の吸光度対波長値の対のそれぞれに基づいて多波長校正モデルを生成するための手段；
未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関する波長データの未知のセットを受け取るための手段であって、前記波長データの未知のセットは、各未知のタンパク質サンプルに関して、前記一連の単一波長の光線から選択される第２の範囲の波長にわたる第２の一連の第２の吸光度対波長値の対を含み、各第２の吸光度対波長値の対は、ＵＶ吸光度値と波長値とを含む、受け取るための手段；
及び
前記多波長校正モデルにより、前記未知のタンパク質サンプルのセットの各未知のタンパク質サンプルに関して、複数のタンパク質濃度値を決定するための手段であって、前記複数のタンパク質濃度値の各タンパク質濃度値は、前記一連の単一波長の光線から選択される前記第２の範囲の波長に対応する、決定するための手段
を含む画像化装置。 - 前記未知のタンパク質サンプルのセットの少なくとも１つの未知のタンパク質サンプルは、タンパク質治療薬を含む、請求項２２に記載のＵＶベースの画像化方法。
- 前記タンパク質治療薬は、抗体、抗原結合抗体断片、抗体タンパク質生成物、二重特異性Ｔ細胞エンゲージャー（ＢｉＴＥ）分子、二重特異性抗体、三重特異性抗体、Ｆｃ融合タンパク質、組換えタンパク質、及び組換えタンパク質の活性断片からなる群から選択される、請求項４５に記載のＵＶベースの画像化方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962883320P | 2019-08-06 | 2019-08-06 | |
| US62/883,320 | 2019-08-06 | ||
| PCT/US2020/045088 WO2021026284A1 (en) | 2019-08-06 | 2020-08-06 | Systems and methods for determining protein concentrations of unknown protein samples based on automated multi-wavelength calibration |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2022544082A true JP2022544082A (ja) | 2022-10-17 |
| JPWO2021026284A5 JPWO2021026284A5 (ja) | 2023-08-15 |
| JP7520958B2 JP7520958B2 (ja) | 2024-07-23 |
Family
ID=72139751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022506788A Active JP7520958B2 (ja) | 2019-08-06 | 2020-08-06 | 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するためのシステム及び方法 |
Country Status (12)
| Country | Link |
|---|---|
| US (1) | US20220276157A1 (ja) |
| EP (1) | EP4010688A1 (ja) |
| JP (1) | JP7520958B2 (ja) |
| KR (1) | KR20220042191A (ja) |
| CN (1) | CN114207411A (ja) |
| AU (1) | AU2020325208A1 (ja) |
| BR (1) | BR112022002213A2 (ja) |
| CA (1) | CA3146697A1 (ja) |
| CL (1) | CL2022000299A1 (ja) |
| IL (1) | IL289582A (ja) |
| MX (1) | MX2022001629A (ja) |
| WO (1) | WO2021026284A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4370903A1 (en) * | 2021-07-12 | 2024-05-22 | ISA Pharmaceuticals B.V. | Improved substance quantification in complex mixtures |
| FR3132770B1 (fr) * | 2022-02-11 | 2024-02-02 | Ifp Energies Now | Procédé pour le suivi dans le temps de la concentration en un composé chimique d’un fluide, au moyen d’un système de mesure optique |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5459677A (en) | 1990-10-09 | 1995-10-17 | Board Of Regents Of The University Of Washington | Calibration transfer for analytical instruments |
| US7219086B2 (en) * | 1999-04-09 | 2007-05-15 | Plain Sight Systems, Inc. | System and method for hyper-spectral analysis |
| EP1418417A3 (en) | 2002-09-30 | 2004-09-08 | Spectromedical Inc. | Method for calibrating spectrophotometric apparatus |
| US7271912B2 (en) * | 2003-04-15 | 2007-09-18 | Optiscan Biomedical Corporation | Method of determining analyte concentration in a sample using infrared transmission data |
| JP4375202B2 (ja) * | 2004-11-05 | 2009-12-02 | 株式会社島津製作所 | Ｃｏｄ測定方法及び装置。 |
| US20110045598A1 (en) * | 2007-10-17 | 2011-02-24 | Baylor University | Methods for determining enantiomeric purity with improved chiral selectors |
| WO2009074867A2 (en) * | 2007-12-10 | 2009-06-18 | Novartis Ag | Analysis of mixtures including proteins |
| US9855735B2 (en) * | 2009-11-23 | 2018-01-02 | Cyvek, Inc. | Portable microfluidic assay devices and methods of manufacture and use |
| EP2529198B1 (en) * | 2010-01-28 | 2017-12-27 | GE Healthcare Bio-Sciences AB | A flow cell for optical measurement |
| EP2592997A4 (en) | 2010-07-14 | 2016-09-21 | Univ Columbia | FORCE-FORCE SPECTROMETER AND METHODS OF USE |
| US8859969B2 (en) * | 2012-03-27 | 2014-10-14 | Innovative Science Tools, Inc. | Optical analyzer for identification of materials using reflectance spectroscopy |
| US20170176255A1 (en) | 2012-05-09 | 2017-06-22 | Archimej Technology | Sample Analysis Methods |
| US20150377906A1 (en) | 2012-09-11 | 2015-12-31 | The Methodist Hospital | Biomarkers for radiation exposure |
| WO2014064685A1 (en) * | 2012-10-22 | 2014-05-01 | Spectrophon Ltd. | Method for detecting analytes |
| CN106715670B (zh) * | 2014-04-11 | 2020-05-19 | 斯派克希尔有限公司 | 使用红外光谱法在线监测糖化过程的方法 |
| CN115308145A (zh) * | 2016-01-21 | 2022-11-08 | 蛋白质动态解决方案有限公司 | 用于光谱数据分析的方法和系统 |
| SG11201808401QA (en) | 2016-04-04 | 2018-10-30 | Boehringer Ingelheim Rcv Gmbh | Real time monitoring of product purification |
| CN106769969B (zh) * | 2017-02-21 | 2020-10-20 | 上海泰因生物技术有限公司 | 一种抗体蛋白含量的微量检测方法 |
| JP7211980B2 (ja) * | 2017-06-12 | 2023-01-24 | プロテイン ダイナミック ソリューションズ インコーポレイテッド | 結晶及び結晶化を分析する方法及びシステム |
| CA3088884A1 (en) * | 2018-01-09 | 2019-07-18 | Idexx Laboratories, Inc. | Methods for measuring analyte and/or protein in biological samples |
| US20210024873A1 (en) * | 2018-03-27 | 2021-01-28 | Bristol-Myers Squibb Company | Real-time monitoring of protein concentration using ultraviolet signal |
| US10830778B2 (en) * | 2018-05-24 | 2020-11-10 | C Technologies, Inc. | Slope spectroscopy standards |
| CN109799203B (zh) * | 2019-01-26 | 2021-05-07 | 上海交通大学 | 一种水体中cod浓度的宽量程高精度光谱检测方法 |
-
2020
- 2020-08-06 KR KR1020227006831A patent/KR20220042191A/ko unknown
- 2020-08-06 CA CA3146697A patent/CA3146697A1/en active Pending
- 2020-08-06 WO PCT/US2020/045088 patent/WO2021026284A1/en active Search and Examination
- 2020-08-06 BR BR112022002213A patent/BR112022002213A2/pt unknown
- 2020-08-06 JP JP2022506788A patent/JP7520958B2/ja active Active
- 2020-08-06 EP EP20757804.8A patent/EP4010688A1/en active Pending
- 2020-08-06 CN CN202080053178.6A patent/CN114207411A/zh active Pending
- 2020-08-06 US US17/632,886 patent/US20220276157A1/en active Pending
- 2020-08-06 AU AU2020325208A patent/AU2020325208A1/en active Pending
- 2020-08-06 MX MX2022001629A patent/MX2022001629A/es unknown
-
2022
- 2022-01-03 IL IL289582A patent/IL289582A/en unknown
- 2022-02-04 CL CL2022000299A patent/CL2022000299A1/es unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CA3146697A1 (en) | 2021-02-11 |
| CN114207411A (zh) | 2022-03-18 |
| AU2020325208A1 (en) | 2022-02-24 |
| KR20220042191A (ko) | 2022-04-04 |
| MX2022001629A (es) | 2022-03-02 |
| BR112022002213A2 (pt) | 2022-06-07 |
| US20220276157A1 (en) | 2022-09-01 |
| EP4010688A1 (en) | 2022-06-15 |
| CL2022000299A1 (es) | 2022-11-18 |
| JP7520958B2 (ja) | 2024-07-23 |
| IL289582A (en) | 2022-03-01 |
| WO2021026284A1 (en) | 2021-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reich | Near-infrared spectroscopy and imaging: basic principles and pharmaceutical applications | |
| De Meutter et al. | Evaluation of protein secondary structure from FTIR spectra improved after partial deuteration | |
| Chen et al. | Process analytical technologies and real time process control a review of some spectroscopic issues and challenges | |
| JP7520958B2 (ja) | 自動化された多波長校正に基づいて未知のタンパク質サンプルのタンパク質濃度を決定するためのシステム及び方法 | |
| CN107110776A (zh) | 具有复杂背景成分的样品气体中的目标分析物检测和量化 | |
| CN115308145A (zh) | 用于光谱数据分析的方法和系统 | |
| US20150057949A1 (en) | Event Detection For Back-Scattering Interferometry | |
| Reda et al. | Comparing CalReg performance with other multivariate methods for estimating selected soil properties from Moroccan agricultural regions using NIR spectroscopy | |
| Said et al. | Semi-supervised deep learning framework for milk analysis using NIR spectrometers | |
| Ma et al. | A soil spectral library of New Zealand | |
| Boodaghidizaji et al. | Characterizing viral samples using machine learning for Raman and absorption spectroscopy | |
| Cheng et al. | Semi-Supervised Deep Learning-Based Multi-component Spectral Calibration Modeling for UV–vis and Near-Infrared Spectroscopy without Information Loss | |
| Braeuer et al. | Advanced spectral reconstruction (ASR) for setup-independent universal Raman spectroscopy models | |
| Bowers et al. | Value of DSC in characterization and optimization of protein stability | |
| EA045510B1 (ru) | Системы и способы определения концентраций белка неизвестных образцов белка на основе автоматической калибровки с несколькими длинами волн | |
| Apiyo | Biolayer interferometry (Octet) for label-free biomolecular interaction sensing | |
| Gusnanto et al. | Variable selection in random calibration of near‐infrared instruments: ridge regression and partial least squares regression settings | |
| CN114364971B (zh) | 用于确定样品中存在的组分的光谱装置和方法 | |
| Tian et al. | Gas phase multicomponent detection and analysis combining broadband dual-frequency comb absorption spectroscopy and deep learning | |
| Swarbrick | Near‐infrared spectroscopy and its role in scientific and engineering applications | |
| Hevaganinge et al. | Fast-training deep learning algorithm for multiplex quantification of mammalian bioproduction metabolites via contactless short-wave infrared hyperspectral sensing | |
| Olivieri et al. | The classical least-squares model | |
| Zhou et al. | Machine Learning for Raman Spectroscopy-based Cyber-Marine Fish Biochemical Composition Analysis | |
| Swierenga | Robust multivariate calibration models in vibrational spectroscopic applications | |
| Wang et al. | Simultaneous prediction of 16 quality attributes during protein A chromatography using machine learning based Raman spectroscopy models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A529 | Written submission of copy of amendment under article 34 pct |
Free format text: JAPANESE INTERMEDIATE CODE: A529 Effective date: 20220216 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230804 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230804 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240229 |
|
| 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: 20240603 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240611 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240710 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7520958 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |