JP2022544928A - 細胞培養プロセスにおけるプロセス変数を測定するための方法 - Google Patents
細胞培養プロセスにおけるプロセス変数を測定するための方法 Download PDFInfo
- Publication number
- JP2022544928A JP2022544928A JP2022508761A JP2022508761A JP2022544928A JP 2022544928 A JP2022544928 A JP 2022544928A JP 2022508761 A JP2022508761 A JP 2022508761A JP 2022508761 A JP2022508761 A JP 2022508761A JP 2022544928 A JP2022544928 A JP 2022544928A
- Authority
- JP
- Japan
- Prior art keywords
- data
- culture
- dataset
- model
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 230
- 230000008569 process Effects 0.000 title claims abstract description 115
- 238000004113 cell culture Methods 0.000 title description 16
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 39
- 239000008103 glucose Substances 0.000 claims abstract description 39
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 93
- 238000012360 testing method Methods 0.000 claims description 73
- 210000004027 cell Anatomy 0.000 claims description 67
- 238000007637 random forest analysis Methods 0.000 claims description 39
- 238000005259 measurement Methods 0.000 claims description 35
- 210000004962 mammalian cell Anatomy 0.000 claims description 30
- 238000012258 culturing Methods 0.000 claims description 14
- 239000001963 growth medium Substances 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 9
- 238000011534 incubation Methods 0.000 claims description 2
- 239000008188 pellet Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 14
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 abstract description 11
- 241000699802 Cricetulus griseus Species 0.000 abstract description 2
- 210000001672 ovary Anatomy 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 238000002360 preparation method Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 19
- 238000003066 decision tree Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 210000002569 neuron Anatomy 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 15
- 210000004978 chinese hamster ovary cell Anatomy 0.000 description 14
- 238000010219 correlation analysis Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 11
- 239000001301 oxygen Substances 0.000 description 11
- 229910052760 oxygen Inorganic materials 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 239000000047 product Substances 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 8
- 239000002028 Biomass Substances 0.000 description 7
- 230000012010 growth Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 102000004169 proteins and genes Human genes 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000002609 medium Substances 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 230000001225 therapeutic effect Effects 0.000 description 5
- 238000010923 batch production Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000013595 glycosylation Effects 0.000 description 4
- 238000006206 glycosylation reaction Methods 0.000 description 4
- 230000002503 metabolic effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000010261 cell growth Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002207 metabolite Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 210000004748 cultured cell Anatomy 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036284 oxygen consumption Effects 0.000 description 2
- 230000010412 perfusion Effects 0.000 description 2
- 238000011057 process analytical technology Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012369 In process control Methods 0.000 description 1
- ZDXPYRJPNDTMRX-VKHMYHEASA-N L-glutamine Chemical compound OC(=O)[C@@H](N)CCC(N)=O ZDXPYRJPNDTMRX-VKHMYHEASA-N 0.000 description 1
- 230000004988 N-glycosylation Effects 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000004718 Panda Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 102000007056 Recombinant Fusion Proteins Human genes 0.000 description 1
- 108010008281 Recombinant Fusion Proteins Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229940027941 immunoglobulin g Drugs 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010946 mechanistic model Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000009343 monoculture Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 229940124597 therapeutic agent Drugs 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/48—Automatic or computerized control
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/32—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of substances in solution
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/34—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of gas
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/46—Means for regulation, monitoring, measurement or control, e.g. flow regulation of cellular or enzymatic activity or functionality, e.g. cell viability
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N2510/00—Genetically modified cells
- C12N2510/02—Cells for production
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Microbiology (AREA)
- Analytical Chemistry (AREA)
- Sustainable Development (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Cell Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
Abstract
Description
医薬品産業における治療薬の製造にとって、最も要求されるものとしては品質および再現性である。このため、これらの要件を満たすために、目標値、プロセス限界および偏差を定義する経験的標準(GMPガイドライン、医薬品及び医薬部外品の製造管理及び品質管理の基準)が定められている。最近、米国食品医薬品局(FDA)は、PAT(プロセス分析技術)の主導により、製品の品質を向上させるために実行されるプロセスの良好な理解を深めるよう製薬業界に求めた[1]。近年、コンピュータベースのモデルなどの新しい技術が、治療用タンパク質を産生するために使用される、例えばCHO細胞の細胞培養プロセスの理解を進めるために使用されている。
a)モデリングに利用可能なデータセットを、80:20の比で訓練データセットと試験データセットとにランダムに分け、
b)モデルを形成し、
c)データセットの目標パラメータを測定するための平均値および標準偏差を、前記訓練データセットから測定し、記録の目標パラメータを測定するための平均値および標準偏差を前記試験データセットから測定し、
d)工程a)~c)は、試験データセットと訓練データセットとの間の分割に関して、同等、すなわち互いに最大10%、好ましくは最大5%以内の平均値および標準偏差が達成されるまで繰り返される。
1.哺乳動物細胞の培養中に1以上のプロセス変数を測定するための方法であって、
前記プロセス変数(単数または複数)は、単に
i)プロセス変数「時間」、「CHT.PV」、「ACOT.PV」、「FED2T.PV」、「GEW.PV」、「CO2T.PV」、「ACO.PV」、「AO.PV」、「N2.PV」、「LGE.PV」、「CO2.PV」、「FED3T.PV」、「OUR」、および「PH.PV」を含む特徴行列を用いて生成された哺乳動物細胞の培養のデータ駆動モデルによって、
ならびに
ii)培養からのオンライン測定値のみを使用することによって測定される、方法。
a)培養の、少なくともプロセス変数「時間」、「CHT.PV」、「ACOT.PV」、「FED2T.PV」、「GEW.PV」、「CO2T.PV」、「ACO.PV」、「AO.PV」、「N2.PV」、「LGE.PV」、「CO2.PV」、「FED3T.PV」、「OUR」、および「PH.PV」の現在値を測定する工程、
b)プロセス変数「時間」、「CHT.PV」、「ACOT.PV」、「FED2T.PV」、「GEW.PV」、「CO2T.PV」、「ACO.PV」、「AO.PV」、「N2.PV」、「LGE.PV」、「CO2.PV」、「FED3T.PV」、「OUR」、および「PH.PV」を含む特徴行列を使用して生成された、哺乳動物細胞培養のためのデータ駆動モデルによって、a)で測定された値を用いて培養培地中の現在のグルコース濃度を測定する工程、
ならびに
c)b)で測定された現在のグルコース濃度が目標値よりも低い場合、目標値に達するまでグルコースを添加し、それによってグルコース濃度を目標値に調整する工程を含む、方法。
a)モデリングに利用可能なデータセットが、70:30~80:20の比で訓練データセットと試験データセットとにランダムに分割されること、
b)モデルを形成し、
c)データセットのプロセス変数を測定するための平均値および標準偏差を、前記訓練データセットから測定し、データセットのプロセス変数を測定するための平均値および標準偏差を前記試験データセットから測定する工程、
試験データセットと訓練データセットに関して同等の平均値および標準偏差が達成されるまで、すなわち互いに10%以内、好ましくは互いに5%以内が達成されるまで工程a)~c)を繰り返す工程であって、a)で得られた分割は、新しい実行ごとに異なっている、工程を含む、方法。
特に複雑な分子および分子フォーマットについて、試験培養のハイスループットを達成し得るようにするために、培養容器のサイズを小さくしなければならず、培養を自動化しなければならない。培養の成功は制御されたプロセス変数に依存し、最適な培養条件が提供された場合にのみ所望の分子を高収率で産生し得る。したがって、それぞれのプロセス変数を設定し、最適な培養条件を維持することを可能にするために、関連するプロセス変数の迅速かつ効率的な制御が必要とされる。各培養を別々に監視しなければならないため、このような制御は、小規模並列培養には特に必要とされる。特に、いわゆるオフラインプロセス変数は、一方では必要なサンプリングおよび別個の分析結果が時間オフセットであり、すなわち培養が継続し、オフラインで測定されたプロセス変数が実際のプロセス変数と異なり、他方ではサンプリングポイントの数がオンラインで利用可能なプロセス変数と比較して著しく少なく、このプロセス変数の時間的に悪い制御をもたらすため、ここでは問題となる。
これは、ニューロンのネットワーク入力を説明する。活性化関数φを介して、
次いで、パーセプトロンの出力oが測定される。様々な関数をφに使用し得、これはパーセプトロンの活性化の原因となる可能性がある。
・工程1:フィードフォワード;
・工程2:誤差計算;
・工程3:逆伝播
・各内側ノード(ルートを含む)に特徴が割り当てられる;
・予測対象の目標変数の特定の値が決定木の各リーフに割り当てられる;
・各エッジに対して、閾値に関係が割り当てられている。
式中、fkは単一の決定木の予測である。全ての決定木にわたって見て、以下の予測を行い得る:
式中、xiは、i番目のデータ点の特徴ベクトルである。モデルを訓練するために、損失関数Lを最適化する。回帰問題の場合、RMSE(二乗平均平方根誤差)が使用される:
式中、Tは葉の数であり、w2 jは、j番目の葉の達成されたスコアリングである。正則化および損失関数が一緒にされる場合、モデルの基本目的関数は、以下のように定式化し得:
ここで、損失関数は前記予測力を決定し、正則化はモデルの複雑さを制御する。目標関数は、勾配降下法を使用して最適化される。最適化されるべき目的関数
が与えられると、勾配降下は各反復において計算され:
かつ
は、目的関数Objが最小化されるように、下降勾配に沿って変更する。
、かつ-1≦r≦+1の範囲内で変化する。カウンタは、経験的共分散sxyに対応する平均に対する2つの変数xおよびyの偏差積の和を表わす。分母は、個々の経験的標準偏差sxおよびsyの積のルートである。相関されるべき量の平均値は、
として表わされる。Fahrmeir[23]による直線関係は、以下の式で解釈し得る。
・r<0.5:弱い直線関係
・0.5≦r<0.8:中程度の直線関係
・0.8≦r:強い直線関係
ここで、
は第iの例の目標変数の概算値であり、yiは関連する真の値である。
は平均である。測定係数は、0~1の間の値をとり得る。測定係数が1に近いほど、モデルは目標変数にフィッティングし得る。
は目標変数yの概算値である。RMSEによる誤差の表示は、検査される目標パラメータに応じて異なるサイズの値をもたらす絶対誤差値である。したがって、RMSEを平均に関連付けることは理にかなっている。
本発明の方法によれば、細胞増殖、すなわち細胞密度のタイムライン、ならびに特定の代謝産物、特にグルコースおよび乳酸のタイムラインを、オンラインプロセス変数から、培養中にリアルタイムで、特に小さな培養規模で測定することが可能である。したがって、本発明の方法によれば、以前はリアルタイムでは利用できなかったがオフラインでのみ利用可能であったプロセス変数のリアルタイム値を提供することが可能である。これは、本発明の方法が培養培地からのサンプリングを必要としない限り、細胞増殖および特定の代謝産物、特にグルコースおよび乳酸のタイムラインに対する従来の測定方法が改善されている。
先行技術は、細胞内活性の動的挙動を説明するためにランダムフォレスト回帰分析のための入力変数としてグルコース、乳酸、アンモニア、VCDなどのパラメータ(これらは全てオフラインパラメータである)を使用するが、オフラインパラメータの予測またはモデリングには使用していない。
既存のオンラインおよびオフラインの培養データセットを補間することによって、標準化された均一なデータセットを得ることができ、これは、オフラインでのみ利用可能な目標パラメータを予測するためのモデル生成に使用された。
ソフトウェア:
作業全体のために、プログラミング言語PythonはSpyder開発環境で使用された。実装はオブジェクト指向プログラミングで実行された。プロジェクト内の個々のタスクを実装するいくつかのクラスが記述された。
データ処理
全データセットは、155回の培養ランを含んでいた。これらをオンラインおよびオフラインデータに分けた。データ処理は、Pythonプログラミング言語のSpyderを用いて実施した。データはcsvファイルとして利用可能であった。データを「csv」プログラムライブラリで読み取った。これにより、データを迅速かつ容易に読み込み、開発環境内で新しいデータ構造に変換することが可能となる。オンラインデータ用の「PIFileParser」クラス、およびオフラインデータ用の「オフラインデータパーサ」クラスが実装されている。
データは種々のデータ密度で利用可能であったため、それに応じて補間する必要があった。この目的のために、線形補間および移動平均法を用いた補間を使用した。両機能は、「scipy」ライブラリ:「線形補間間隔1d」および「moving-average-convolve」で実装されている。これにより、補間された値が常に2つの生の測定値の間にあることが確実になった。したがって、補間は常にプロセス変数の測定信号の自然変動の範囲内にある。各プロセス変数はファイル内でタイムスタンプが異なるため、別のCSVファイルを作成する必要があった。「タイムラインマッピング」 は、それぞれの培養の全ての開始時間および終了時間を含み、別のデータベースクエリによって作成された。データの分解能のために3つの異なる区間を選択した:
・オフラインデータの関連するサンプリング時間のタイムスタンプ
・1/10日間
・5分
・ペレグフィッティング
・多項式フィッティング
・スプライン
相関分析は、JMP(登録商標)を用いて行った。JMP(登録商標)を用いると、統計分析をデータセットに適用することが可能である。それぞれの目標変数(乳酸、グルコース、VCD、VCV)に関するオンラインデータ(特徴)の多変量統計を適用した。データは、目標変数の記述における統計的有意性および線形関係の両方について分析される。相関分析は、Bravais-Pearsonによる相関係数の形で、独立変数と従属変数との間の線形関係を示す。
適切な特徴を識別する別の方法は、相互情報の形態で使用されている。相互情報による測定では、目標変数Yを記述するために独立変数Xに含まれる情報内容が測定される。依存性を計算し、「相互情報回帰」によって「sklearn」を用いて実施した。5分の分解能を有するデータセットのサイズに基づいて、各培養について別々に情報内容を計算し、次いで全ての培養にわたって得られた値の平均を生成した。
特徴行列の作成は、情報内容に基づく相関分析および統計的評価の結果に基づいて行われた。これは行列として表し得、列ごとに1つの特徴と、特徴のそれぞれのバージョンとの1つの時点を含む。特徴行列は、パンダデータフレーム(Panda DataFrame)として保存された。したがって、モデルの訓練および試験のために適切なファイルフォーマットが利用可能であった。
相関分析の結果の助けを借りて、各目標変数に対して別個のデータセットを作成した。モデルを訓練するために、特徴行列を訓練データセットおよび試験データセットに分けることが必要であった。オンライン予測のための後の使用には、完全な検証プロジェクトの保留が必要であった。訓練データセットは、全データセットの80%、したがって123回の培養ランを含んでいた。
ハイパーパラメータは、ランダム化検索(RandomizedSearchCV)およびグリッドベース検索(GridSearchCV)を用いてScikit-Learnライブラリから最適化された。全てのモデルは、訓練データセットの10倍交差検証と組み合わせてScikit-Learningライブラリのランダム化検索を使用して訓練された。ハイパーパラメータの様々な領域を最小RMSEについて調べた。ランダム化探索を30回行った。したがって、種々のランダムに選択されたハイパーパラメータのセットを各反復で使用した。最小RMSEを有する10個のモデルのハイパーパラメータを出力した。次いで、ランダム化検索からのハイパーパラメータに基づいて、グリッド検索のハイパーパラメータをより細かく等級付けした。グリッド検索を、データセットの10倍の交差検証を用いて再度実行した。誤差が最小(最小RMSE)のモデルを保存し、次いで、試験データセットから目標変数を推定するために使用した。
Scikit-Learningライブラリを使用して、多層パーセプトロン(MLP)を実装した。以下のリストは、モデルを訓練するために使用されたハイパーパラメータを含む。
・入力層のニューロン数
・隠れ層のニューロン数
・重みを設定するためのソルバーアルゴリズム(adam,lbfgs,sgd)
・活性化関数(identity,logistic、tanh、relu)
・学習率
・最大反復回数
ランダムフォレストもScikit-Learnライブラリによって実施された。以下の候補がこの最適化内のハイパーパラメータとして利用可能であった。
・決定木の数
・決定木あたりの特徴の数
・決定木の最大深度
・新しいノードを作成するためのデータセットの最小数
・データセットを選択するための方法(ブートストラップ=真/偽)
XGBoostアルゴリズムは、XGBoostライブラリを介してプロジェクト構造に統合された。以下のハイパーパラメータ空間に相当する:
・アンサンブル内の回帰木の数
・決定木の最大深度
・学習率η
・決定木あたりのデータセットの数
・決定木における子ノードの最小重み
・γ誤差評価
使用されるハイパーパラメータとして。
モデル評価は、主に誤差ヒストグラムを表示することによって実施した。これは、目標パラメータの実際の値に対する試験データセットを予測するときにモデルが有する誤差(残差)を示す。
過学習=RMSE試験-RMSE訓練
Ambr250-培養
ambr250システム内での培養に基づく155個のデータセットを収集した。使用した真核細胞は、細胞外に標的分子を発現するCHO細胞であった。培養は流加法を用いて行った。使用されるambrシステムは、12回の培養を同時に行うことを可能にする。本培養の培養時間は13~14日間であった。単回使用バイオリアクター(250mL)は、このための反応空間を提供した。前培養を振盪フラスコ中で行い、これを3週間続けた。接種時の細胞の体積および数に関する出発条件は、各反応器で同等であった。使用した培地は、既知組成の培地のみであった1回の培養につき1つの培地バッチのみを使用した
Claims (16)
- 哺乳動物細胞を培養する間、グルコース濃度を目標値に調整するための方法であって、
(a)培養中に、少なくともプロセス変数「時間」、「CHT.PV」、「ACOT.PV」、「FED2T.PV」、「GEW.PV」、「CO2T.PV」、「ACO.PV」、「AO.PV」、「N2.PV」、「LGE.PV」、「CO2.PV」、「FED3T.PV」、「OUR」、および「PH.PV」の現在値を測定する工程、
(b)プロセス変数「時間」、「CHT.PV」、「ACOT.PV」、「FED2T.PV」、「GEW.PV」、「CO2T.PV」、「ACO.PV」、「AO.PV」、「N2.PV」、「LGE.PV」、「CO2.PV」、「FED3T.PV」、「OUR」、および「PH.PV」を含む特徴行列を使用して生成された、哺乳動物細胞培養のためのデータ駆動モデルによって、(a)の測定値を用いて培養培地中の現在のグルコース濃度を測定する工程、
および
(c)(b)の現在のグルコース濃度が目標値よりも低い場合、目標値に達するまでグルコースを添加し、それによってグルコース濃度を目標値に調整する工程
を含む、方法。 - 前記プロセス変数が、プロセス変数生細胞密度、生細胞体積、培養培地中のグルコース濃度、および培養培地中の乳酸濃度から選択されることを特徴とする、請求項1に記載の方法。
- 前記方法が、サンプリングせずに、この培養からのオンライン測定値のみを使用して実施されることを特徴とする、請求項1または2に記載の方法。
- 前記データ駆動モデルが機械学習によって生成されていることを特徴とする、請求項1~3のいずれか一項に記載の方法。
- 前記データ駆動モデルが、ランダムフォレスト法を用いて生成されていることを特徴とする、請求項1~4のいずれか一項に記載の方法。
- 前記データ駆動モデルが、少なくとも10回の培養ランを含む訓練データセットを用いて生成されていることを特徴とする、請求項1~5のいずれか一項に記載の方法。
- (a)モデリングに利用可能なデータセットが、70:30~80:20の比で訓練データセットと試験データセットとにランダムに分割されること、
(b)モデルが生成されること、
(c)データセットのプロセス変数を測定するための平均値および標準偏差が前記訓練データセットから測定され、データセットのプロセスを測定するための平均値および標準偏差が前記試験データセットから測定されること、
(d)試験データセットと訓練データセットとの間の分割に関して同等の平均値および標準偏差が達成されるまで工程(a)~(c)がくり返され、(a)の下で得られた分割は新たなランの度に異なっていること
を特徴とする、請求項1~6のいずれか一項に記載の方法。 - 前記データ駆動モデルを生成するために使用されるデータセットが、それぞれ同じ数のデータ点を含むことを特徴とする、請求項1~7のいずれか一項に記載の方法。
- 前記データ駆動モデルを生成するために使用されるデータセット内のデータ点が、それぞれ同じ培養時間に対するものであることを特徴とする、請求項1~8のいずれか一項に記載の方法。
- データセット内の欠落データ点が補間によって補完されていることを特徴とする、請求項1~9のいずれか一項に記載の方法。
- グルコース濃度および/または生細胞体積の欠落データ点が、三次多項式フィッティングによって得られ、乳酸濃度の欠落データ点が、単変量スプラインフィッティングによって得られ、かつ/または生細胞密度の欠落データ点が、ペレグフィッティングによって得られ得ることを特徴とする、請求項10に記載の方法。
- データセットが、少なくとも144分ごとのデータ点を含むことを特徴とする、請求項1~11のいずれか一項に記載の方法。
- 前記哺乳動物細胞がCHO-K1細胞であることを特徴とする、請求項1~12のいずれか一項に記載の方法。
- 前記哺乳動物細胞が抗体を発現および分泌することを特徴とする、請求項1~13のいずれか一項に記載の方法。
- 前記データ駆動モデルが、複合IgG培養ランおよび標準IgG培養ランを含む訓練データセットを用いて生成されていることを特徴とする、請求項1~14のいずれか一項に記載の方法。
- 培養体積が300mL以下であることを特徴とする、請求項1~15のいずれか一項に記載の方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023215592A JP2024038006A (ja) | 2019-08-14 | 2023-12-21 | 細胞培養プロセスにおけるプロセス変数を測定するための方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19191807 | 2019-08-14 | ||
EP19191807.7 | 2019-08-14 | ||
PCT/EP2020/072560 WO2021028453A1 (en) | 2019-08-14 | 2020-08-12 | Method for determining process variables in cell cultivation processes |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023215592A Division JP2024038006A (ja) | 2019-08-14 | 2023-12-21 | 細胞培養プロセスにおけるプロセス変数を測定するための方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022544928A true JP2022544928A (ja) | 2022-10-24 |
JP7410273B2 JP7410273B2 (ja) | 2024-01-09 |
Family
ID=67658940
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022508761A Active JP7410273B2 (ja) | 2019-08-14 | 2020-08-12 | 細胞培養プロセスにおけるプロセス変数を測定するための方法 |
JP2023215592A Pending JP2024038006A (ja) | 2019-08-14 | 2023-12-21 | 細胞培養プロセスにおけるプロセス変数を測定するための方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023215592A Pending JP2024038006A (ja) | 2019-08-14 | 2023-12-21 | 細胞培養プロセスにおけるプロセス変数を測定するための方法 |
Country Status (11)
Country | Link |
---|---|
US (1) | US20220306979A1 (ja) |
EP (1) | EP4013848A1 (ja) |
JP (2) | JP7410273B2 (ja) |
KR (1) | KR20220032599A (ja) |
CN (1) | CN114223034A (ja) |
AU (1) | AU2020330701B2 (ja) |
BR (1) | BR112022002647A2 (ja) |
CA (1) | CA3145252A1 (ja) |
IL (1) | IL290500A (ja) |
MX (1) | MX2022001822A (ja) |
WO (1) | WO2021028453A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406251B (zh) * | 2021-06-29 | 2022-05-17 | 江南大学 | 预测白酒储存年份的方法 |
KR20230060189A (ko) * | 2021-10-27 | 2023-05-04 | 프레스티지바이오로직스 주식회사 | 인공지능을 이용하여 세포 배양조건을 결정하기 위한 장치 및 장치의 동작 방법 |
WO2024055008A1 (en) * | 2022-09-09 | 2024-03-14 | Genentech, Inc. | Prediction of viability of cell culture during a biomolecule manufacturing process |
CN116926241A (zh) * | 2023-06-30 | 2023-10-24 | 广东美赛尔细胞生物科技有限公司 | 一种免疫细胞培养控制方法及系统 |
-
2020
- 2020-08-12 AU AU2020330701A patent/AU2020330701B2/en active Active
- 2020-08-12 MX MX2022001822A patent/MX2022001822A/es unknown
- 2020-08-12 EP EP20751578.4A patent/EP4013848A1/en active Pending
- 2020-08-12 JP JP2022508761A patent/JP7410273B2/ja active Active
- 2020-08-12 BR BR112022002647A patent/BR112022002647A2/pt unknown
- 2020-08-12 KR KR1020227004490A patent/KR20220032599A/ko not_active Application Discontinuation
- 2020-08-12 CA CA3145252A patent/CA3145252A1/en active Pending
- 2020-08-12 CN CN202080057310.0A patent/CN114223034A/zh active Pending
- 2020-08-12 WO PCT/EP2020/072560 patent/WO2021028453A1/en unknown
-
2022
- 2022-02-09 IL IL290500A patent/IL290500A/en unknown
- 2022-02-11 US US17/670,299 patent/US20220306979A1/en active Pending
-
2023
- 2023-12-21 JP JP2023215592A patent/JP2024038006A/ja active Pending
Non-Patent Citations (3)
Title |
---|
BIOTECHNOLOGY AND BIOENGINEERING, vol. Vol.116, pp.2575-2586, Epub 2019 Jul 21, JPN6023017004, 2019, ISSN: 0005049056 * |
JOURNAL OF PROCESS CONTROL, vol. 24, JPN6022007560, 2014, pages 344 - 357, ISSN: 0005049057 * |
PROCESSES, vol. 6, no. 176, JPN6023017005, 2018, pages 1 - 15, ISSN: 0005049055 * |
Also Published As
Publication number | Publication date |
---|---|
WO2021028453A1 (en) | 2021-02-18 |
AU2020330701B2 (en) | 2023-06-29 |
MX2022001822A (es) | 2022-03-17 |
JP7410273B2 (ja) | 2024-01-09 |
AU2020330701A1 (en) | 2022-02-10 |
EP4013848A1 (en) | 2022-06-22 |
US20220306979A1 (en) | 2022-09-29 |
BR112022002647A2 (pt) | 2022-05-03 |
CA3145252A1 (en) | 2021-02-18 |
JP2024038006A (ja) | 2024-03-19 |
CN114223034A (zh) | 2022-03-22 |
KR20220032599A (ko) | 2022-03-15 |
IL290500A (en) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7410273B2 (ja) | 細胞培養プロセスにおけるプロセス変数を測定するための方法 | |
US11795516B2 (en) | Computer-implemented method, computer program product and hybrid system for cell metabolism state observer | |
US20200202051A1 (en) | Method for Predicting Outcome of an Modelling of a Process in a Bioreactor | |
Komives et al. | Bioreactor state estimation and control | |
Arauzo-Bravo et al. | Automatization of a penicillin production process with soft sensors and an adaptive controller based on neuro fuzzy systems | |
Natarajan et al. | Online deep neural network-based feedback control of a Lutein bioprocess | |
EP4116403A1 (en) | Monitoring, simulation and control of bioprocesses | |
Alavijeh et al. | Digitally enabled approaches for the scale up of mammalian cell bioreactors | |
Mahanty | Hybrid modeling in bioprocess dynamics: Structural variabilities, implementation strategies, and practical challenges | |
Hashizume et al. | Challenges in developing cell culture media using machine learning | |
Rashedi et al. | Machine learning‐based model predictive controller design for cell culture processes | |
US20230279332A1 (en) | Hybrid Predictive Modeling for Control of Cell Culture | |
Nold et al. | Boost dynamic protocols for producing mammalian biopharmaceuticals with intensified DoE—A practical guide to analyses with OLS and hybrid modeling | |
Sun et al. | Multi-fidelity Gaussian process for biomanufacturing process modeling with small data | |
Julien et al. | Bioreactor monitoring, modeling, and simulation | |
US20230077294A1 (en) | Monitoring, simulation and control of bioprocesses | |
US20240067918A1 (en) | Apparatus for determining cell culturing condition using artificial intelligence and operation method thereof | |
Acosta-Pavas et al. | Soft sensors based on interpretable learners for industrial-scale fed-batch fermentation: Learning from simulations | |
Tuveri | Bayesian Estimators for Bioprocess Monitoring Under Uncertainty | |
de Matos Pinto | Hybrid Deep Modeling of Biotechnological Processes: Combining Deep Neural Networks with First Principles Knowledge | |
Helleckes et al. | Calibration design for pharmaceutical bioprocesses: A novel approach for knowledge transfer in Design of Experiments | |
Hodgson | Hybrid modelling of bioprocesses | |
Sang et al. | Modeling of a Fermentation Process with Multiple Support Vector Machines | |
Jørgensen | MODELING INDUSTRIAL FERMENTATION DATA USING GRID OF LINEAR MODELS (GOLM) Mads Thaysen*,**, 1 Dennis Bonné | |
Thaysen et al. | Modeling Industrial Fermentation Data Using Grid of Linear Models (GOLM) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220316 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230501 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230731 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20230825 |
|
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: 20231026 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231122 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231221 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7410273 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |