JP2024002023A - 検量装置、検量方法および検量プログラム - Google Patents
検量装置、検量方法および検量プログラム Download PDFInfo
- Publication number
- JP2024002023A JP2024002023A JP2022100959A JP2022100959A JP2024002023A JP 2024002023 A JP2024002023 A JP 2024002023A JP 2022100959 A JP2022100959 A JP 2022100959A JP 2022100959 A JP2022100959 A JP 2022100959A JP 2024002023 A JP2024002023 A JP 2024002023A
- Authority
- JP
- Japan
- Prior art keywords
- calibration
- reference sample
- data
- components
- data set
- 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 description 103
- 239000013074 reference sample Substances 0.000 claims abstract description 86
- 230000003595 spectral effect Effects 0.000 claims abstract description 79
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 239000000523 sample Substances 0.000 claims description 64
- 238000001228 spectrum Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 42
- 238000011161 development Methods 0.000 claims description 39
- 238000004611 spectroscopical analysis Methods 0.000 claims description 30
- 238000010200 validation analysis Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 abstract description 2
- 238000004113 cell culture Methods 0.000 description 98
- 239000000306 component Substances 0.000 description 83
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 36
- 239000008103 glucose Substances 0.000 description 36
- 238000005259 measurement Methods 0.000 description 28
- 238000010276 construction Methods 0.000 description 26
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 26
- 210000004027 cell Anatomy 0.000 description 21
- 238000001069 Raman spectroscopy Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 19
- 235000015097 nutrients Nutrition 0.000 description 19
- 239000006143 cell culture medium Substances 0.000 description 16
- 238000013500 data storage Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 235000014655 lactic acid Nutrition 0.000 description 13
- 239000004310 lactic acid Substances 0.000 description 13
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 8
- 235000013922 glutamic acid Nutrition 0.000 description 8
- 239000004220 glutamic acid Substances 0.000 description 8
- 239000002609 medium Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 239000012531 culture fluid Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 5
- 239000002207 metabolite Substances 0.000 description 5
- 238000004566 IR spectroscopy Methods 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001506 fluorescence spectroscopy Methods 0.000 description 4
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 4
- 238000011109 contamination Methods 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 235000001014 amino acid Nutrition 0.000 description 2
- 150000001413 amino acids Chemical class 0.000 description 2
- 210000004102 animal cell Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000012930 cell culture fluid Substances 0.000 description 2
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 2
- 239000012533 medium component Substances 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000003204 osmotic effect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000004748 cultured cell Anatomy 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- -1 glutamic acid Chemical class 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000004962 mammalian cell Anatomy 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- C12M41/30—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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Zoology (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Wood Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Sustainable Development (AREA)
- Genetics & Genomics (AREA)
- Biotechnology (AREA)
- Biomedical Technology (AREA)
- Microbiology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
【課題】効果的に高精度な検量モデルを作成すること。【解決手段】検量装置１０は、複数の成分を含む基準試料のスペクトルデータと当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを含む当該基準試料のデータセットを生成し、当該基準試料のデータセットを用いた機械学習により、スペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する。【選択図】図１
Description
本発明は、検量装置、検量方法および検量プログラムに関する。
従来、細胞培養装置（バイオリアクター）を使用した、例えば動物細胞、微生物、植物細胞等を含む細胞培養において、栄養分濃度値等のプロセス値を予測する予測技術がある。例えば、上記の予測技術は、バイオリアクターからスペクトルデータを取得し、任意の適切な分析手法で、グルコース等の栄養分濃度のオフライン測定データを取得する。そして、上記の予測技術は、スペクトルデータのピークをプロセス変量のオフライン測定値に相関させ、ケモメトリックモデリングを実行することで、栄養分濃度値等のプロセス値の予測を行う。
Thaddaeus A. Webster, Development of Generic Raman Models for a GS-KOTM CHO Platform Process, Biotechnol. Prog., 2018, Vol. 34
Hemlata Bhatia, In-line monitoring of amino acids in mammalian cell cultures using raman spectroscopy and multivariate chemometrics models, Eng. Life Sci. 2018, 18, 55-61
しかしながら、上記の予測技術では、細胞培養の条件が大きく異なるような場合には、予測値が実測値と大きく外れてしまう恐れがあるので、効果的に高精度な検量モデルを作成することが難しい。
本発明は、上記に鑑みてなされたものであって、効果的に高精度な検量モデルを作成することを目的とする。
本発明は、複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成する生成部と、前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する訓練部とを備える検量装置を提供する。
また、本発明は、コンピュータが、複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成し、前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する処理を実行する検量方法を提供する。
また、本発明は、コンピュータに、複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成し、前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する処理を実行させる検量プログラムを提供する。
本発明によれば、効果的に高精度な検量モデルを作成することができるという効果がある。
以下に、本発明の一実施形態に係る検量装置、検量方法および検量プログラムを、図面を参照して詳細に説明する。なお、本発明は、以下に説明する実施形態により限定されるものではない。
〔実施形態〕
以下に、実施形態に係る検量システムの構成、検量装置等の構成、各処理の流れを順に説明し、最後に実施形態の効果を説明する。
以下に、実施形態に係る検量システムの構成、検量装置等の構成、各処理の流れを順に説明し、最後に実施形態の効果を説明する。
〔１．検量システム１００の構成〕
図１を用いて、実施形態に係る検量システム１００の構成を詳細に説明する。図１は、実施形態に係る検量システム１００の構成例を示す図である。以下では、検量システム１００全体の構成例、検量システム１００の処理、検量システム１００の効果の順に説明する。
図１を用いて、実施形態に係る検量システム１００の構成を詳細に説明する。図１は、実施形態に係る検量システム１００の構成例を示す図である。以下では、検量システム１００全体の構成例、検量システム１００の処理、検量システム１００の効果の順に説明する。
（１－１．検量システム１００全体の構成例）
検量システム１００は、検量装置１０、細胞培養装置２０、分光装置３０および調節装置４０を有する。図１に示した検量システム１００には、複数台の検量装置１０、複数台の細胞培養装置２０、複数台の分光装置３０または複数台の調節装置４０が含まれてもよい。また、検量装置１０は、細胞培養装置２０、分光装置３０および調節装置４０のうち１つ以上と統合された構成であってもよい。以下では、検量装置１０、細胞培養装置２０、分光装置３０、調節装置４０の順に説明する。
検量システム１００は、検量装置１０、細胞培養装置２０、分光装置３０および調節装置４０を有する。図１に示した検量システム１００には、複数台の検量装置１０、複数台の細胞培養装置２０、複数台の分光装置３０または複数台の調節装置４０が含まれてもよい。また、検量装置１０は、細胞培養装置２０、分光装置３０および調節装置４０のうち１つ以上と統合された構成であってもよい。以下では、検量装置１０、細胞培養装置２０、分光装置３０、調節装置４０の順に説明する。
（１－１－１．検量装置１０）
検量装置１０は、分光装置３０と通信可能に接続され、細胞培養装置２０の細胞培養液のスペクトルデータを取得する。また、検量装置１０は、調節装置４０と通信可能に接続され、調節装置４０に対して細胞培養装置２０の細胞培養液の成分濃度の推定結果を送信する。
検量装置１０は、分光装置３０と通信可能に接続され、細胞培養装置２０の細胞培養液のスペクトルデータを取得する。また、検量装置１０は、調節装置４０と通信可能に接続され、調節装置４０に対して細胞培養装置２０の細胞培養液の成分濃度の推定結果を送信する。
（１－１－２．細胞培養装置２０）
細胞培養装置２０は、動物細胞、微生物、植物細胞等の細胞が含まれる細胞培養液を収容する細胞培養槽を有する。また、細胞培養装置２０の細胞培養槽が収容する細胞培養液には、成分としてグルコース、乳酸、抗体等が含有される。また、細胞培養装置２０は、分光装置３０および調節装置４０と制御可能に接続される。
細胞培養装置２０は、動物細胞、微生物、植物細胞等の細胞が含まれる細胞培養液を収容する細胞培養槽を有する。また、細胞培養装置２０の細胞培養槽が収容する細胞培養液には、成分としてグルコース、乳酸、抗体等が含有される。また、細胞培養装置２０は、分光装置３０および調節装置４０と制御可能に接続される。
（１－１－３．分光装置３０）
分光装置３０は、細胞培養装置２０と制御可能に接続され、細胞培養装置２０の細胞培養液のスペクトルデータを測定する。分光装置３０は、ラマン分光装置、近赤外分光装置、赤外分光装置、紫外分光装置、蛍光分光装置、可視分光装置等であるが、特に限定されない。
分光装置３０は、細胞培養装置２０と制御可能に接続され、細胞培養装置２０の細胞培養液のスペクトルデータを測定する。分光装置３０は、ラマン分光装置、近赤外分光装置、赤外分光装置、紫外分光装置、蛍光分光装置、可視分光装置等であるが、特に限定されない。
（１－１－４．調節装置４０）
調節装置４０は、細胞培養装置２０と制御可能に接続され、細胞培養装置２０の細胞培養液の成分を調節する。
調節装置４０は、細胞培養装置２０と制御可能に接続され、細胞培養装置２０の細胞培養液の成分を調節する。
（１－２．検量システム１００全体の処理）
上記の検量システム１００全体の処理について説明する。なお、下記の処理は、異なる順序で実行することもできる。また、下記の処理のうち、省略される処理があってもよい。
上記の検量システム１００全体の処理について説明する。なお、下記の処理は、異なる順序で実行することもできる。また、下記の処理のうち、省略される処理があってもよい。
（１－２－１．検量モデル構築処理）
検量装置１０は、非培養系サンプルＳを用いて検量モデル１４ｄを構築する（図１（１）参照）。ここで、非培養系サンプルＳは、細胞培養液に含まれる測定対象成分と測定対象外成分とを様々な濃度で調製した溶液である。例えば、検量装置１０は、非培養系サンプル測定用装置（不図示）によって測定された非培養系サンプルＳのスペクトルデータを取得し、後述する記憶部１４に格納する。また、検量装置１０は、非培養系サンプルＳのスペクトルデータ測定の前または後にサンプリングを実施し、任意の適切な分析手法で目的変量（例：グルコース等の栄養分濃度）のオフライン測定データを取得し、記憶部１４に格納する。
検量装置１０は、非培養系サンプルＳを用いて検量モデル１４ｄを構築する（図１（１）参照）。ここで、非培養系サンプルＳは、細胞培養液に含まれる測定対象成分と測定対象外成分とを様々な濃度で調製した溶液である。例えば、検量装置１０は、非培養系サンプル測定用装置（不図示）によって測定された非培養系サンプルＳのスペクトルデータを取得し、後述する記憶部１４に格納する。また、検量装置１０は、非培養系サンプルＳのスペクトルデータ測定の前または後にサンプリングを実施し、任意の適切な分析手法で目的変量（例：グルコース等の栄養分濃度）のオフライン測定データを取得し、記憶部１４に格納する。
検量装置１０は、記憶部１４からキャリブレーションセットを読み込む。ここで、キャリブレーションセットは、非培養系サンプルＳのスペクトルデータと目的変量のオフライン測定データとから生成した教師ありデータセットである。次に、検量装置１０は、クロスバリデーションによる検量モデル１４ｄの開発条件の探索を行う。ここで、開発条件とは、スペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の解析のアルゴリズムの種類やパラメータのことをいう。そして、検量装置１０は、条件探索の結果をもとに、検量モデル１４ｄを構築する。また、検量装置１０は、導出した開発条件である検量モデル情報を、記憶部１４に格納する。
このとき、検量装置１０は、細胞培養装置２０を稼働させて新規取得したデータセットを用いて、より高精度な検量モデル１４ｄを作成することもできる。すなわち、検量装置１０は、記憶部１４からキャリブレーションセットおよび新規取得したデータセットを読み込む。このとき、検量装置１０は、分光装置３０によって測定された細胞培養装置２０の細胞培養液のスペクトルデータを取得する。また、検量装置１０は、細胞培養装置２０の細胞培養液から任意の適切な分析手法で測定された目的変量データを取得する。次に、検量装置１０は、新規取得したデータセットをバリデーションセットに用いることによって、検量モデル１４ｄの開発条件の探索を行う。そして、検量装置１０は、条件探索の結果をもとに、検量モデル１４ｄを構築する。
（１－２－２．スペクトルデータ取得処理）
検量装置１０は、細胞培養装置２０に接続された分光装置３０から、細胞培養液のスペクトルデータを取得する（図１（２）参照）。例えば、検量装置１０は、ラマン分光装置である分光装置３０が測定した細胞培養液のスペクトルデータを取得する。
検量装置１０は、細胞培養装置２０に接続された分光装置３０から、細胞培養液のスペクトルデータを取得する（図１（２）参照）。例えば、検量装置１０は、ラマン分光装置である分光装置３０が測定した細胞培養液のスペクトルデータを取得する。
（１－２－３．目的変量推定処理）
検量装置１０は、細胞培養液のスペクトルデータを検量モデル１４ｄに入力することによって、成分濃度等の目的変量を推定する（図１（３）参照）。このとき、入力されたスペクトルデータが記憶部１４から読み出した検量モデル情報に適用されることにより、ピーク強度から測定対象成分量の予測値（推定結果）が算出される。
検量装置１０は、細胞培養液のスペクトルデータを検量モデル１４ｄに入力することによって、成分濃度等の目的変量を推定する（図１（３）参照）。このとき、入力されたスペクトルデータが記憶部１４から読み出した検量モデル情報に適用されることにより、ピーク強度から測定対象成分量の予測値（推定結果）が算出される。
（１－２－４．推定結果表示処理）
検量装置１０は、細胞培養液に関する推定結果を表示する（図１（４）参照）。例えば、検量装置１０は、細胞培養液の測定対象成分として、栄養分濃度値等のプロセス変量を表示する。
検量装置１０は、細胞培養液に関する推定結果を表示する（図１（４）参照）。例えば、検量装置１０は、細胞培養液の測定対象成分として、栄養分濃度値等のプロセス変量を表示する。
（１－２－５．推定結果送信処理）
検量装置１０は、細胞培養液に関する推定結果を調節装置４０に対して送信する（図１（５）参照）。例えば、検量装置１０は、栄養分濃度値等のプロセス変量を調節装置４０に対して送信する。このとき、調節装置４０は、栄養分濃度値等の調節を行うことによって、細胞培養装置２０の環境の最適化を行う。
検量装置１０は、細胞培養液に関する推定結果を調節装置４０に対して送信する（図１（５）参照）。例えば、検量装置１０は、栄養分濃度値等のプロセス変量を調節装置４０に対して送信する。このとき、調節装置４０は、栄養分濃度値等の調節を行うことによって、細胞培養装置２０の環境の最適化を行う。
（１－３．検量システム１００の効果）
以下では、参考技術の検量処理の問題点を説明した上で、検量システム１００の効果について説明する。
以下では、参考技術の検量処理の問題点を説明した上で、検量システム１００の効果について説明する。
（１－３－１．参考技術の検量処理の問題点）
参考技術の検量処理では、細胞培養装置（バイオリアクター）にラマン分光装置を接続し、スペクトルデータを取得する。また、当該処理では、任意の適切な分析手法で、栄養分（グルコース等）濃度のオフライン測定データを取得する。次に、当該処理では、多変量ソフトウェアパッケージを使用して、スペクトルデータのピークをプロセス変量のオフライン測定値に相関させる。このとき、当該処理では、平滑化または正規化による前処理を行うこともある。続いて、当該処理では、ケモメトリックモデリングを実行して、栄養分濃度値などのプロセス値を予測する。このとき、当該処理では、ノイズ低減のためにフィルタリングを行うこともある。そして、当該処理では、予測されたプロセス値を利用して、ラマンリアルタイム分析およびフィードバック制御を行い、細胞培養物に連続的かつ低濃度の栄養分を提供する。上記の検量処理には、以下のような問題点がある。
参考技術の検量処理では、細胞培養装置（バイオリアクター）にラマン分光装置を接続し、スペクトルデータを取得する。また、当該処理では、任意の適切な分析手法で、栄養分（グルコース等）濃度のオフライン測定データを取得する。次に、当該処理では、多変量ソフトウェアパッケージを使用して、スペクトルデータのピークをプロセス変量のオフライン測定値に相関させる。このとき、当該処理では、平滑化または正規化による前処理を行うこともある。続いて、当該処理では、ケモメトリックモデリングを実行して、栄養分濃度値などのプロセス値を予測する。このとき、当該処理では、ノイズ低減のためにフィルタリングを行うこともある。そして、当該処理では、予測されたプロセス値を利用して、ラマンリアルタイム分析およびフィードバック制御を行い、細胞培養物に連続的かつ低濃度の栄養分を提供する。上記の検量処理には、以下のような問題点がある。
（１－３－１－１．問題点１）
上記の検量処理では、モデル作成用データセット（キャリブレーションセット）として、細胞培養装置に分光装置を接続して取得したスペクトルデータおよびサンプリングして得られる濃度データを使用する（ｎ＝７～１２）。当該処理では、高精度な検量モデルを作成するためには、実際のモデル使用時に得られるスペクトル（バリデーションセット）との同等性（類似性）が高いこと、濃度範囲がカバーされており濃度間隔が均等であること、あらゆる条件が加味されており偶発的な相互相関がないこと等を満たしたキャリブレーションセットが必要になる。そのためには、複数回、複数の条件で細胞培養を実施する必要がある。
上記の検量処理では、モデル作成用データセット（キャリブレーションセット）として、細胞培養装置に分光装置を接続して取得したスペクトルデータおよびサンプリングして得られる濃度データを使用する（ｎ＝７～１２）。当該処理では、高精度な検量モデルを作成するためには、実際のモデル使用時に得られるスペクトル（バリデーションセット）との同等性（類似性）が高いこと、濃度範囲がカバーされており濃度間隔が均等であること、あらゆる条件が加味されており偶発的な相互相関がないこと等を満たしたキャリブレーションセットが必要になる。そのためには、複数回、複数の条件で細胞培養を実施する必要がある。
（１－３－１－２．問題点２）
上記の検量処理では、モデル作成にかかる時間とコストが膨大となる。例えば、当該処理では、１回の細胞培養（５Ｌスケール）にかかるコストは１０～２０万円程度であり、培養は１～２週間程度実施する。
上記の検量処理では、モデル作成にかかる時間とコストが膨大となる。例えば、当該処理では、１回の細胞培養（５Ｌスケール）にかかるコストは１０～２０万円程度であり、培養は１～２週間程度実施する。
（１－３－１－３．問題点３）
上記の検量処理では、サンプリングを伴う細胞培養を実施する必要があるが、サンプリングには培養液のロス、コンタミネーションのリスクがある。
上記の検量処理では、サンプリングを伴う細胞培養を実施する必要があるが、サンプリングには培養液のロス、コンタミネーションのリスクがある。
（１－３－１－４．問題点４）
上記の検量処理では、測定が実施される細胞培養条件とモデル作成時の細胞培養条件を同じにすることで精度の高い予測を可能としている。しかし、当該処理では、細胞培養の条件が大きく異なるような場合には、予測値が実測値と大きく外れてしまう恐れがある。例えば、当該処理では、細胞種、細胞密度、培地、フィード剤等が異なる、または、それらが組合せで異なるような培養では、予測値が実測値と大きく外れてしまう恐れがある。
上記の検量処理では、測定が実施される細胞培養条件とモデル作成時の細胞培養条件を同じにすることで精度の高い予測を可能としている。しかし、当該処理では、細胞培養の条件が大きく異なるような場合には、予測値が実測値と大きく外れてしまう恐れがある。例えば、当該処理では、細胞種、細胞密度、培地、フィード剤等が異なる、または、それらが組合せで異なるような培養では、予測値が実測値と大きく外れてしまう恐れがある。
（１－３－１－５．問題点５）
上記の検量処理では、細胞培養条件や装置の設置条件に対する定量モデルのロバスト性が劣ってしまうことがある。
上記の検量処理では、細胞培養条件や装置の設置条件に対する定量モデルのロバスト性が劣ってしまうことがある。
（１－３－２．検量システム１００の概要）
検量システム１００では、検量装置１０は、複数の成分を含む非培養系サンプルＳのスペクトルデータと成分濃度とを含む非培養系サンプルＳの教師ありデータセットを生成し、当該データセットを用いた機械学習により、スペクトルデータの入力に応じて目的とする成分濃度を出力する機械学習モデルである検量モデル１４ｄを訓練する。このとき、検量装置１０は、細胞培養液に含まれる成分を様々な濃度で調製した非培養系サンプルＳを用いて教師ありデータセットを生成する。また、検量装置１０は、細胞培養液に対する分光分析により測定されたスペクトルデータを取得し、当該スペクトルデータを、訓練済みである検量モデル１４ｄに入力して得られる結果に基づき、細胞培養液に含まれる成分の濃度を推定する。
検量システム１００では、検量装置１０は、複数の成分を含む非培養系サンプルＳのスペクトルデータと成分濃度とを含む非培養系サンプルＳの教師ありデータセットを生成し、当該データセットを用いた機械学習により、スペクトルデータの入力に応じて目的とする成分濃度を出力する機械学習モデルである検量モデル１４ｄを訓練する。このとき、検量装置１０は、細胞培養液に含まれる成分を様々な濃度で調製した非培養系サンプルＳを用いて教師ありデータセットを生成する。また、検量装置１０は、細胞培養液に対する分光分析により測定されたスペクトルデータを取得し、当該スペクトルデータを、訓練済みである検量モデル１４ｄに入力して得られる結果に基づき、細胞培養液に含まれる成分の濃度を推定する。
（１－３－３．検量システム１００の効果）
第１に、検量システム１００は、キャリブレーションセットを準備するためのサンプリングを伴う細胞培養を行う必要がないので、モデル作成にかかる時間とコストを大幅に短縮できる。第２に、検量システム１００は、培養液のロスやコンタミネーションのリスクがなくなる。第３に、検量システム１００は、成分間の相互相関がないサンプルを調製してキャリブレーションセットとして用いていることから検量モデル１４ｄが過学習されないので、細胞培養条件に対する定量モデルのロバスト性が向上し、様々な培養条件に適用できるようになる。第４に、検量システム１００は、キャリブレーションセットのデータ数を従来よりも少なくできるので、必要なメモリ容量や演算コストを削減できる。
第１に、検量システム１００は、キャリブレーションセットを準備するためのサンプリングを伴う細胞培養を行う必要がないので、モデル作成にかかる時間とコストを大幅に短縮できる。第２に、検量システム１００は、培養液のロスやコンタミネーションのリスクがなくなる。第３に、検量システム１００は、成分間の相互相関がないサンプルを調製してキャリブレーションセットとして用いていることから検量モデル１４ｄが過学習されないので、細胞培養条件に対する定量モデルのロバスト性が向上し、様々な培養条件に適用できるようになる。第４に、検量システム１００は、キャリブレーションセットのデータ数を従来よりも少なくできるので、必要なメモリ容量や演算コストを削減できる。
さらに、検量システム１００は、広範な分析に利用することができる。例えば、検量システム１００は、ラマン分光分析だけでなく、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等の広範な分光分析手法にも使用することができる。また、検量システム１００は、必ずしも生物培養を伴う必要はなく、化学合成や攪拌による混合のプロセスであっても適用することができる。また、また、検量システム１００は、非培養系サンプルＳの容量等のスケールに測定対象のスケールを限定することなく、より容量の大きい測定対象にも適用することができる。
〔２．検量システム１００の各装置の構成〕
図２を用いて、図１に示した検量システム１００が有する各装置の機能構成について説明する。図２は、実施形態に係る検量システム１００の各装置の構成例を示すブロック図である。以下では、実施形態に係る検量装置１０の構成例、検量装置１０の推定結果の具体例、細胞培養装置２０の構成例、分光装置３０の構成例、調節装置４０の構成例の順に詳細に説明する。
図２を用いて、図１に示した検量システム１００が有する各装置の機能構成について説明する。図２は、実施形態に係る検量システム１００の各装置の構成例を示すブロック図である。以下では、実施形態に係る検量装置１０の構成例、検量装置１０の推定結果の具体例、細胞培養装置２０の構成例、分光装置３０の構成例、調節装置４０の構成例の順に詳細に説明する。
（２－１．検量装置１０の構成例）
まず、図２を用いて、検量装置１０の構成例について説明する。検量装置１０は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５を有する。
まず、図２を用いて、検量装置１０の構成例について説明する。検量装置１０は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５を有する。
（２－１－１．入力部１１）
入力部１１は、当該検量装置１０への各種情報の入力を司る。例えば、入力部１１は、マウスやキーボード等で実現され、当該検量装置１０への設定情報等の入力を受け付ける。
入力部１１は、当該検量装置１０への各種情報の入力を司る。例えば、入力部１１は、マウスやキーボード等で実現され、当該検量装置１０への設定情報等の入力を受け付ける。
（２－１－２．出力部１２）
出力部１２は、当該検量装置１０からの各種情報の出力を司る。例えば、出力部１２は、ディスプレイ等で実現され、当該検量装置１０に記憶された設定情報等を出力する。
出力部１２は、当該検量装置１０からの各種情報の出力を司る。例えば、出力部１２は、ディスプレイ等で実現され、当該検量装置１０に記憶された設定情報等を出力する。
（２－１－３．通信部１３）
通信部１３は、他の装置との間でのデータ通信を司る。例えば、通信部１３は、ルータ等を介して、各通信装置との間でデータ通信を行う。また、通信部１３は、図示しないオペレータの端末との間でデータ通信を行うことができる。
通信部１３は、他の装置との間でのデータ通信を司る。例えば、通信部１３は、ルータ等を介して、各通信装置との間でデータ通信を行う。また、通信部１３は、図示しないオペレータの端末との間でデータ通信を行うことができる。
（２－１－４．記憶部１４）
記憶部１４は、制御部１５が動作する際に参照する各種情報や、制御部１５が動作した際に取得した各種情報を記憶する。例えば、記憶部１４は、複数の成分を含む基準試料のスペクトルデータと、当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを記憶する。記憶部１４は、スペクトルデータ記憶部１４ａ、目的変量データ記憶部１４ｂ、検量モデル情報記憶部１４ｃおよび検量モデル１４ｄを有する。ここで、記憶部１４は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置等で実現され得る。なお、図２の例では、記憶部１４は、検量装置１０の内部に設置されているが、検量装置１０の外部に設置されてもよいし、複数の記憶部が設置されていてもよい。
記憶部１４は、制御部１５が動作する際に参照する各種情報や、制御部１５が動作した際に取得した各種情報を記憶する。例えば、記憶部１４は、複数の成分を含む基準試料のスペクトルデータと、当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを記憶する。記憶部１４は、スペクトルデータ記憶部１４ａ、目的変量データ記憶部１４ｂ、検量モデル情報記憶部１４ｃおよび検量モデル１４ｄを有する。ここで、記憶部１４は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置等で実現され得る。なお、図２の例では、記憶部１４は、検量装置１０の内部に設置されているが、検量装置１０の外部に設置されてもよいし、複数の記憶部が設置されていてもよい。
（２－１－４－１．スペクトルデータ記憶部１４ａ）
スペクトルデータ記憶部１４ａは、制御部１５の取得部１５ａによって取得されたスペクトルデータを記憶する。例えば、スペクトルデータ記憶部１４ａは、図示しない非培養系サンプル測定用装置から取得された非培養系サンプルＳのスペクトルデータを記憶する。また、スペクトルデータ記憶部１４ａは、分光装置３０から取得された細胞培養装置２０の細胞培養液のスペクトルデータを記憶する。また、スペクトルデータ記憶部１４ａは、通信部１３によって受信されたスペクトルデータを記憶してもよい。
スペクトルデータ記憶部１４ａは、制御部１５の取得部１５ａによって取得されたスペクトルデータを記憶する。例えば、スペクトルデータ記憶部１４ａは、図示しない非培養系サンプル測定用装置から取得された非培養系サンプルＳのスペクトルデータを記憶する。また、スペクトルデータ記憶部１４ａは、分光装置３０から取得された細胞培養装置２０の細胞培養液のスペクトルデータを記憶する。また、スペクトルデータ記憶部１４ａは、通信部１３によって受信されたスペクトルデータを記憶してもよい。
（２－１－４－２．目的変量データ記憶部１４ｂ）
目的変量データ記憶部１４ｂは、制御部１５の取得部１５ａによって取得された目的変量データを記憶する。例えば、目的変量データ記憶部１４ｂは、図示しない分析装置から取得された非培養系サンプルＳや細胞培養液の各成分の濃度データを記憶する。また、目的変量データ記憶部１４ｂは、非培養系サンプルＳを調製する際に付与された各成分の濃度データを記憶する。また、目的変量データ記憶部１４ｂは、通信部１３によって受信された濃度データを記憶してもよい。さらに、目的変量データ記憶部１４ｂは、各成分の濃度データの他、細胞密度、ｐＨ（水素イオン指数）、浸透圧等の各成分の含有量によって決定される目的変量全般を記憶する。
目的変量データ記憶部１４ｂは、制御部１５の取得部１５ａによって取得された目的変量データを記憶する。例えば、目的変量データ記憶部１４ｂは、図示しない分析装置から取得された非培養系サンプルＳや細胞培養液の各成分の濃度データを記憶する。また、目的変量データ記憶部１４ｂは、非培養系サンプルＳを調製する際に付与された各成分の濃度データを記憶する。また、目的変量データ記憶部１４ｂは、通信部１３によって受信された濃度データを記憶してもよい。さらに、目的変量データ記憶部１４ｂは、各成分の濃度データの他、細胞密度、ｐＨ（水素イオン指数）、浸透圧等の各成分の含有量によって決定される目的変量全般を記憶する。
（２－１－４－３．検量モデル情報記憶部１４ｃ）
検量モデル情報記憶部１４ｃは、制御部１５の訓練部１５ｃによって取得された検量モデル情報を記憶する。例えば、検量モデル情報記憶部１４ｃは、スペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報を記憶する。また、検量モデル情報記憶部１４ｃは、検量モデル情報として、基準試料のデータセットにクロスバリデーションを用いて得られた第１開発条件を記憶する。また、検量モデル情報記憶部１４ｃは、検量モデル情報として、測定対象試料のデータセットをバリデーションセットに用いて得られた第２開発条件を記憶する。
検量モデル情報記憶部１４ｃは、制御部１５の訓練部１５ｃによって取得された検量モデル情報を記憶する。例えば、検量モデル情報記憶部１４ｃは、スペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報を記憶する。また、検量モデル情報記憶部１４ｃは、検量モデル情報として、基準試料のデータセットにクロスバリデーションを用いて得られた第１開発条件を記憶する。また、検量モデル情報記憶部１４ｃは、検量モデル情報として、測定対象試料のデータセットをバリデーションセットに用いて得られた第２開発条件を記憶する。
（２－１－４－４．検量モデル１４ｄ）
検量モデル１４ｄは、スペクトルデータが入力されると、各成分の濃度等の目的変量を出力する機械学習モデルである。例えば、検量モデル１４ｄは、ＰＬＳＲ（Partial Least Squares Regression）、主成分回帰、ガウス過程回帰等によって実現される機械学習モデルである。
検量モデル１４ｄは、スペクトルデータが入力されると、各成分の濃度等の目的変量を出力する機械学習モデルである。例えば、検量モデル１４ｄは、ＰＬＳＲ（Partial Least Squares Regression）、主成分回帰、ガウス過程回帰等によって実現される機械学習モデルである。
（２－１－５．制御部１５）
制御部１５は、当該検量装置１０全体の制御を司る。制御部１５は、取得部１５ａ、生成部１５ｂ、訓練部１５ｃおよび推定部１５ｄを有する。ここで、制御部１５は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現され得る。
制御部１５は、当該検量装置１０全体の制御を司る。制御部１５は、取得部１５ａ、生成部１５ｂ、訓練部１５ｃおよび推定部１５ｄを有する。ここで、制御部１５は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現され得る。
また、制御部１５は、多変量解析による回帰モデルが構築可能な計算環境を有する。例えば、制御部１５は、ケモメトリック手法や多変量解析手法のパッケージと、それを使用した演算を行う環境を有する。また、制御部１５は、ネットワーク接続ができてもよい。
（２－１－５－１．取得部１５ａ）
取得部１５ａは、複数の成分を含む基準試料に対する分光分析により測定されたスペクトルデータを取得する。例えば、取得部１５ａは、図示しない非培養計サンプル測定用装置を用いて、数ｍＬ～数千ｍＬのビーカー等の容器に収容された非培養系サンプルＳに対するスペクトルデータを取得する。また、取得部１５ａは、測定対象となる試料に対する分光分析により測定されたスペクトルデータを取得する。例えば、取得部１５ａは、分光装置３０を用いてラマン分光分析、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等により測定されたスペクトルデータを取得する。なお、取得部１５ａは、取得したスペクトルデータをスペクトルデータ記憶部１４ａに格納する。
取得部１５ａは、複数の成分を含む基準試料に対する分光分析により測定されたスペクトルデータを取得する。例えば、取得部１５ａは、図示しない非培養計サンプル測定用装置を用いて、数ｍＬ～数千ｍＬのビーカー等の容器に収容された非培養系サンプルＳに対するスペクトルデータを取得する。また、取得部１５ａは、測定対象となる試料に対する分光分析により測定されたスペクトルデータを取得する。例えば、取得部１５ａは、分光装置３０を用いてラマン分光分析、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等により測定されたスペクトルデータを取得する。なお、取得部１５ａは、取得したスペクトルデータをスペクトルデータ記憶部１４ａに格納する。
（２－１－５－２．生成部１５ｂ）
生成部１５ｂは、複数の成分を含む基準試料のスペクトルデータと当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを含む当該基準試料のデータセットを生成する。例えば、生成部１５ｂは、記憶部１４から複数の成分を含む基準試料のスペクトルデータと当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを取得し、当該基準試料の教師ありデータセットを生成する。
生成部１５ｂは、複数の成分を含む基準試料のスペクトルデータと当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを含む当該基準試料のデータセットを生成する。例えば、生成部１５ｂは、記憶部１４から複数の成分を含む基準試料のスペクトルデータと当該基準試料の複数の成分ごとの含有量によって決定される各目的変量とを取得し、当該基準試料の教師ありデータセットを生成する。
複数の成分を含む基準試料の例について説明すると、生成部１５ｂは、複数の成分それぞれの含有量によって決定される目的変量が異なる複数の非培養系試料に対して分光分析を実行し、分光分析により得られる基準試料のスペクトルデータと各目的変量とを含む基準試料のデータセットを生成する。例えば、生成部１５ｂは、栄養分であるグルコース、グルタミン酸等のアミノ酸の濃度が異なる複数の非培養系サンプルＳに対してラマン分光分析を実行し、非培養系サンプルＳのスペクトルデータと各濃度とを含む非培養系サンプルＳのデータセットを生成する。具体的な例を用いて説明すると、生成部１５ｂは、非培養系サンプルＳ１｛グルコース濃度１．０ｇ／Ｌ、グルタミン酸濃度１．０ｇ／Ｌ｝、非培養系サンプルＳ２｛グルコース濃度２．０ｇ／Ｌ、グルタミン酸濃度２．０ｇ／Ｌ｝、非培養系サンプルＳ３｛グルコース濃度３．０ｇ／Ｌ、グルタミン酸濃度３．０ｇ／Ｌ｝のように濃度が異なる複数の非培養系サンプルＳに対してラマン分光分析を実行し、非培養系サンプルＳ１～Ｓ３のスペクトルデータと、各濃度｛グルコース濃度、グルタミン酸濃度｝とを含む非培養系サンプルＳのデータセットを生成する。
また、生成部１５ｂは、測定対象となる複数の培養系試料それぞれに含有される成分を用いて作成された複数の非培養系試料に対して分光分析を実行し、分光分析により得られる基準試料のスペクトルデータと各目的変量とを含む基準試料のデータセットを生成する。例えば、生成部１５ｂは、測定対象となる培養細胞や代謝物を用いて作成された複数の非培養系サンプルＳに対してラマン分光分析を実行し、非培養系サンプルＳのスペクトルデータと各濃度とを含む非培養系サンプルＳのデータセットを生成する。具体的な例を用いて説明すると、生成部１５ｂは、非培養系サンプルＳ１１｛細胞Ａ濃度１．０ｇ／Ｌ、抗体Ａ濃度１．０ｇ／Ｌ｝、非培養系サンプルＳ１２｛細胞Ｂ濃度２．０ｇ／Ｌ、抗体Ｂ濃度１．０ｇ／Ｌ｝、非培養系サンプルＳ１３｛細胞Ｃ濃度１．０ｇ／Ｌ、抗体Ｃ濃度１．０ｇ／Ｌ｝のように成分や濃度が異なる複数の非培養系サンプルＳに対してラマン分光分析を実行し、非培養系サンプルＳ１１～Ｓ１３のスペクトルデータと、各濃度｛細胞濃度、抗体濃度｝とを含む非培養系サンプルＳのデータセットを生成する。
さらに、生成部１５ｂは、測定対象である試料のスペクトルデータと測定対象である試料の複数の成分ごとの含有量によって決定される各目的変量とを含む測定対象である試料のデータセットをさらに生成する。例えば、生成部１５ｂは、細胞培養装置２０の細胞培養液に対して分光装置３０がラマン分光分析によって測定されたスペクトルデータと、任意の適切な分析手法によって測定された各成分濃度とを含む細胞培養液のデータセットを生成する。具体的な例を用いて説明すると、生成部１５ｂは、測定対象である細胞Ａの細胞培養液に対してラマン分光分析によって測定されたスペクトルデータである｛ラマン分光スペクトルＡ｝と、濃度データである｛細胞Ａ濃度１．０ｇ／Ｌ、グルコース濃度２．０ｇ／Ｌ、乳酸濃度１．０ｇ／Ｌ、抗体Ａ濃度１．０ｇ／Ｌ｝とを含む細胞Ａの細胞培養液のデータセットを生成する。
上記ではデータセットに含まれる目的変量の例として濃度について説明してきたが、目的変量は濃度に限定されない。例えば、生成部１５ｂは、各成分の濃度の他、細胞密度、ｐＨ（水素イオン指数）、浸透圧等の各成分の含有量によって決定される目的変量全般を用いてデータセットを生成することができる。
（２－１－５－３．訓練部１５ｃ）
訓練部１５ｃは、複数の成分を含む基準試料のデータセットを用いた機械学習により、スペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する。例えば、複数の成分を含む非培養系サンプルＳのデータセットを用いた機械学習により、説明変数であるスペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変数である目的変量を出力する検量モデル１４ｄを訓練する。具体的な例を用いて説明すると、訓練部１５ｃは、データセット１｛スペクトルデータ：ラマン分光スペクトル１、目的変量データ：グルコース濃度１．０ｇ／Ｌ、グルタミン酸濃度１．０ｇ／Ｌ｝、データセット２｛スペクトルデータ：ラマン分光スペクトル２、目的変量データ：グルコース濃度２．０ｇ／Ｌ、グルタミン酸濃度２．０ｇ／Ｌ｝、データセット３｛スペクトルデータ：ラマン分光スペクトル３、目的変量データ：グルコース濃度３．０ｇ／Ｌ、グルタミン酸濃度３．０ｇ／Ｌ｝を用いた機械学習により、検量モデル１４ｄを訓練する。
訓練部１５ｃは、複数の成分を含む基準試料のデータセットを用いた機械学習により、スペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する。例えば、複数の成分を含む非培養系サンプルＳのデータセットを用いた機械学習により、説明変数であるスペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変数である目的変量を出力する検量モデル１４ｄを訓練する。具体的な例を用いて説明すると、訓練部１５ｃは、データセット１｛スペクトルデータ：ラマン分光スペクトル１、目的変量データ：グルコース濃度１．０ｇ／Ｌ、グルタミン酸濃度１．０ｇ／Ｌ｝、データセット２｛スペクトルデータ：ラマン分光スペクトル２、目的変量データ：グルコース濃度２．０ｇ／Ｌ、グルタミン酸濃度２．０ｇ／Ｌ｝、データセット３｛スペクトルデータ：ラマン分光スペクトル３、目的変量データ：グルコース濃度３．０ｇ／Ｌ、グルタミン酸濃度３．０ｇ／Ｌ｝を用いた機械学習により、検量モデル１４ｄを訓練する。
また、訓練部１５ｃは、複数の成分を含む基準試料のデータセットにクロスバリデーションを用いてアルゴリズムまたはパラメータに関する第１開発条件を検索し、当該第１開発条件に基づいて機械学習モデルを訓練するとともに、当該第１開発条件を記憶部１４に格納する。例えば、訓練部１５ｃは、複数の成分を含む非培養系サンプルＳのデータセットにクロスバリデーションを用いてスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報を検索し、当該情報に基づいて検量モデル１４ｄを訓練する。このとき、訓練部１５ｃは、当該情報を用いて最適なアルゴリズムやモデルのパラメータを特定し、それらを適用した検量モデル１４ｄを訓練する。
なお、訓練部１５ｃは、非培養系サンプルＳに基づくアルゴリズムまたはパラメータに関する検索条件（スペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報）を検量モデル情報として検量モデル情報記憶部１４ｃに格納する。
さらに、訓練部１５ｃは、測定対象である試料のデータセットをバリデーションセットに用いてアルゴリズムまたはパラメータに関する第２開発条件を検索し、当該第２開発条件に基づいて機械学習モデルを訓練するとともに、当該第２開発条件を記憶部１４に格納する。例えば、訓練部１５ｃは、細胞培養装置２０の細胞培養液のデータセットをバリデーションセットに用いてスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報を検索し、当該情報に基づいて検量モデル１４ｄを訓練する。このとき、訓練部１５ｃは、当該情報を用いて最適なアルゴリズムやモデルのパラメータを特定し、それらを適用した検量モデル１４ｄを訓練する。
なお、訓練部１５ｃは、細胞培養装置２０の細胞培養液に基づくアルゴリズムまたはパラメータに関する検索条件（スペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報）を検量モデル情報として検量モデル情報記憶部１４ｃに格納する。
（２－１－５－４．推定部１５ｄ）
推定部１５ｄは、取得されたスペクトルデータを、訓練済みである機械学習モデルに入力して得られる結果に基づき、測定対象である試料に含まれる成分の含有量によって決定される目的変量を推定する。例えば、推定部１５ｄは、取得された細胞培養装置２０の細胞培養液のスペクトルデータを、検量モデル１４ｄに入力して得られる結果に基づき、当該細胞培養装置２０の細胞培養液に含まれる成分の成分濃度を推定する。具体的な例を用いて説明すると、推定部１５ｄは、測定対象である細胞Ａの細胞培養液の成分濃度として、｛細胞Ａ濃度２．０ｇ／Ｌ、グルコース濃度１．５ｇ／Ｌ、乳酸濃度１．５ｇ／Ｌ、抗体Ａ濃度２．０ｇ／Ｌ｝を推定する。また、推定部１５ｄは、測定対象である細胞Ａの細胞培養液の成分濃度のプロセスデータとして、時間１、時間２、時間３、・・・のように、任意の時刻での目的変量を推定する。
推定部１５ｄは、取得されたスペクトルデータを、訓練済みである機械学習モデルに入力して得られる結果に基づき、測定対象である試料に含まれる成分の含有量によって決定される目的変量を推定する。例えば、推定部１５ｄは、取得された細胞培養装置２０の細胞培養液のスペクトルデータを、検量モデル１４ｄに入力して得られる結果に基づき、当該細胞培養装置２０の細胞培養液に含まれる成分の成分濃度を推定する。具体的な例を用いて説明すると、推定部１５ｄは、測定対象である細胞Ａの細胞培養液の成分濃度として、｛細胞Ａ濃度２．０ｇ／Ｌ、グルコース濃度１．５ｇ／Ｌ、乳酸濃度１．５ｇ／Ｌ、抗体Ａ濃度２．０ｇ／Ｌ｝を推定する。また、推定部１５ｄは、測定対象である細胞Ａの細胞培養液の成分濃度のプロセスデータとして、時間１、時間２、時間３、・・・のように、任意の時刻での目的変量を推定する。
また、推定部１５ｄは、推定結果を出力部１２に表示することもできる。例えば、推定部１５ｄは、スペクトルデータが取得された時刻の細胞培養液のグルコースの濃度変化を示したグラフを出力部１２に表示する。また、推定部１５ｄは、スペクトルデータが取得された時刻の細胞培養液の細胞の密度変化を示したグラフを出力部１２に表示する。
また、推定部１５ｄは、推定結果を調節装置４０に送信することもできる。例えば、推定部１５ｄは、細胞培養液のグルコースの濃度が閾値を下回った場合には、調節装置４０に対してグルコースを供給するように指示を送信する。また、推定部１５ｄは、細胞培養液のｐＨが正常範囲外の数値を示した場合には、調節装置４０に対してｐＨを調整するように指示を送信する。
さらに、推定部１５ｄは、測定対象のスケールを限定せずに目的変量を推定することができる。例えば、推定部１５ｄは、数ｍＬスケールの非培養系サンプルＳのデータセットによって訓練された検量モデル１４ｄを用いて、１００ｍＬスケール、５Ｌスケール、５０Ｌスケール、２０００Ｌスケールの細胞培養液の成分濃度を推定することができる。
（２－２．検量装置１０の推定結果の具体例）
図３～図５を用いて、検量装置１０の推定結果の具体例について説明する。図３～図５は、実施形態に係る推定結果の一例を示す図である。以下では、推定結果の誤差を評価した具体例１、細胞培養液の条件を大きく変更した具体例２について説明する。
図３～図５を用いて、検量装置１０の推定結果の具体例について説明する。図３～図５は、実施形態に係る推定結果の一例を示す図である。以下では、推定結果の誤差を評価した具体例１、細胞培養液の条件を大きく変更した具体例２について説明する。
（２－２－１．具体例１）
図３～図４を用いて、検量装置１０の推定結果の具体例１について説明する。具体例１は、訓練済みの検量モデル１４ｄを使用して、細胞培養プロセスにおける栄養分、代謝物の濃度の予測を行ったものである。このとき、モデルの性能を把握するために、同じ条件の５Ｌスケールの細胞培養プロセスを３バッチ（培養液１～３）用いて実施した。
図３～図４を用いて、検量装置１０の推定結果の具体例１について説明する。具体例１は、訓練済みの検量モデル１４ｄを使用して、細胞培養プロセスにおける栄養分、代謝物の濃度の予測を行ったものである。このとき、モデルの性能を把握するために、同じ条件の５Ｌスケールの細胞培養プロセスを３バッチ（培養液１～３）用いて実施した。
図３の例では、横軸に「時間［日］」、縦軸に「グルコース［ｇ／Ｌ］」をとり、時間経過に対する栄養分であるグルコース濃度の変化を示している。ここで、図３中の黒点は、検量装置１０の推定結果である予測値を示す。また、図３中の白色の四角は、検量装置１０の推定結果の検証のために測定されたオフライン測定値を示す。
図４の例では、培養液１～３におけるグルコース、乳酸、抗体ごとの予測標準誤差（ＲＭＳＥＰ）を示している。ここで、図４中の予測標準誤差は、オフライン測定値付近１１点の予測値を平均して誤差を算出したものである。図４に示すように、培養液１の予測標準誤差が｛グルコース：０．２８ｇ／Ｌ、乳酸：０．４０ｇ／Ｌ、抗体：０．１１ｇ／Ｌ｝、培養液２の予測標準誤差が｛グルコース：０．２７ｇ／Ｌ、乳酸：０．２８ｇ／Ｌ、抗体：０．０８ｇ／Ｌ｝、培養液３の予測標準誤差が｛グルコース：０．３１ｇ／Ｌ、乳酸：０．１８ｇ／Ｌ、抗体：０．１０ｇ／Ｌ｝と算出される。
上記の具体例１より、細胞培養プロセス３バッチ分の結果から検量モデル１４ｄの予測能力の精度およびその再現性が確認することができる。
（２－２－２．具体例２）
図５を用いて、検量装置１０の推定結果の具体例２について説明する。具体例２は、モデル生成時の条件と大きく異なる、すなわち培地を変更した５Ｌスケールの細胞培養プロセスに対して検量モデル１４ｄモデルを適用した場合の推定結果であり、具体例１と同様に、細胞培養プロセスにおける栄養分、代謝物の濃度の予測を行ったものである。
図５を用いて、検量装置１０の推定結果の具体例２について説明する。具体例２は、モデル生成時の条件と大きく異なる、すなわち培地を変更した５Ｌスケールの細胞培養プロセスに対して検量モデル１４ｄモデルを適用した場合の推定結果であり、具体例１と同様に、細胞培養プロセスにおける栄養分、代謝物の濃度の予測を行ったものである。
図５の例では、図３と同様に、横軸に「時間［日］」、縦軸に「グルコース［ｇ／Ｌ］」をとり、時間経過に対する栄養分であるグルコース濃度の変化を示している。ここで、図５中の黒点は、検量装置１０の推定結果である予測値を示す。また、図５中の白色の四角は、検量装置１０の推定結果の検証のために測定されたオフライン測定値を示す。
上記の具体例２より、条件の異なる細胞培養においても、栄養分、代謝物の成分濃度を予測することが可能であることが確認できる。
（２－３．細胞培養装置２０の構成例）
図２を用いて、図１に示した細胞培養装置２０の構成例について説明する。細胞培養装置２０は、図示しない細胞培養槽を有する。細胞培養槽は、細胞、グルコースやアミノ酸を含む栄養成分、細胞代謝物を含む細胞培養液を収容する。ここで、細胞培養液によって培養される培養物としては、細胞の他、微生物、酵母等を使用してもよい。
図２を用いて、図１に示した細胞培養装置２０の構成例について説明する。細胞培養装置２０は、図示しない細胞培養槽を有する。細胞培養槽は、細胞、グルコースやアミノ酸を含む栄養成分、細胞代謝物を含む細胞培養液を収容する。ここで、細胞培養液によって培養される培養物としては、細胞の他、微生物、酵母等を使用してもよい。
（２－４．分光装置３０の構成例）
図２を用いて、図１に示した分光装置３０の構成例について説明する。分光装置３０は、光源３０ａ、分析部３０ｂ、導光部３０ｃおよび測定部３０ｄを有する。
図２を用いて、図１に示した分光装置３０の構成例について説明する。分光装置３０は、光源３０ａ、分析部３０ｂ、導光部３０ｃおよび測定部３０ｄを有する。
（２－４－１．光源３０ａ）
光源３０ａは、細胞培養液に対して照射される光の光源である。光源３０ａは、ラマン分光分析、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等に使用される光の光源である。光源３０ａの光の種類および波長は、測定の目的によって変更することができる。
光源３０ａは、細胞培養液に対して照射される光の光源である。光源３０ａは、ラマン分光分析、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等に使用される光の光源である。光源３０ａの光の種類および波長は、測定の目的によって変更することができる。
（２－４－２．分析部３０ｂ）
分析部３０ｂは、測定部３０ｄから導光部３０ｃを介して導かれた光を分析する。例えば、分析部３０ｂは、測定の目的によって最適な分光手段を選択し、導かれた光を分析する。また、分析部３０ｂは、分光手段を有し、光の波長ごとの強度を検出してスペクトルを算出する。
分析部３０ｂは、測定部３０ｄから導光部３０ｃを介して導かれた光を分析する。例えば、分析部３０ｂは、測定の目的によって最適な分光手段を選択し、導かれた光を分析する。また、分析部３０ｂは、分光手段を有し、光の波長ごとの強度を検出してスペクトルを算出する。
（２－４－３．導光部３０ｃ）
導光部３０ｃは、光源３０ａの光を測定部３０ｄに導く。また、導光部３０ｃは、細胞培養液から反射された光を分析部３０ｂに導く。例えば、導光部３０ｃは、ミラーや光ファイバー、レンズ等によって実現される。
導光部３０ｃは、光源３０ａの光を測定部３０ｄに導く。また、導光部３０ｃは、細胞培養液から反射された光を分析部３０ｂに導く。例えば、導光部３０ｃは、ミラーや光ファイバー、レンズ等によって実現される。
（２－４－４．測定部３０ｄ）
測定部３０ｄは、測定対象である細胞培養液に対して光を照射し、その反射光または散乱光を受光する。また、測定部３０ｄは、細胞培養に影響を与えず、十分に攪拌されて均一化された培養液が入射光に照射されるような構造を有する。例えば、集光レンズプローブ、フローセル等によって実現される。
測定部３０ｄは、測定対象である細胞培養液に対して光を照射し、その反射光または散乱光を受光する。また、測定部３０ｄは、細胞培養に影響を与えず、十分に攪拌されて均一化された培養液が入射光に照射されるような構造を有する。例えば、集光レンズプローブ、フローセル等によって実現される。
（２－５．調節装置４０の構成例）
図２を用いて、図１に示した調節装置４０の構成例について説明する。調節装置４０は、細胞培養槽の環境（温度、ｐＨ、溶存酸素、栄養分濃度等）を調節する。例えば、調節装置４０は、栄養分を供給するポンプやヒーター等によって実現される。
図２を用いて、図１に示した調節装置４０の構成例について説明する。調節装置４０は、細胞培養槽の環境（温度、ｐＨ、溶存酸素、栄養分濃度等）を調節する。例えば、調節装置４０は、栄養分を供給するポンプやヒーター等によって実現される。
〔３．検量システム１００の処理の流れ〕
図６～図８を用いて、実施形態に係る検量システム１００の処理の流れについて説明する。以下では、データ推定処理の流れ、検量モデル構築処理１の流れ、検量モデル構築処理２の流れの順に説明する。
図６～図８を用いて、実施形態に係る検量システム１００の処理の流れについて説明する。以下では、データ推定処理の流れ、検量モデル構築処理１の流れ、検量モデル構築処理２の流れの順に説明する。
（３－１．データ推定処理の流れ）
図６を用いて、実施形態に係るデータ推定処理の流れについて説明する。図６は、実施形態に係るデータ推定処理の流れの一例を示すフローチャートである。なお、下記のステップＳ１０１～Ｓ１０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ１０１～Ｓ１０４の処理のうち、省略される処理があってもよい。
図６を用いて、実施形態に係るデータ推定処理の流れについて説明する。図６は、実施形態に係るデータ推定処理の流れの一例を示すフローチャートである。なお、下記のステップＳ１０１～Ｓ１０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ１０１～Ｓ１０４の処理のうち、省略される処理があってもよい。
（３－１－１．スペクトルデータ取得処理）
第１に、検量装置１０の取得部１５ａは、スペクトルデータを取得する（ステップＳ１０１）。例えば、取得部１５ａは、分光装置３０を用いてラマン分光分析、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等により測定された細胞培養液のスペクトルデータを取得する。このとき、取得部１５ａは、分光装置３０の分析部３０ｂによってデジタル情報に変換されたデータを取得し、当該データからスペクトルデータを算出する。
第１に、検量装置１０の取得部１５ａは、スペクトルデータを取得する（ステップＳ１０１）。例えば、取得部１５ａは、分光装置３０を用いてラマン分光分析、近赤外分光分析、赤外分光分析、紫外分光分析、蛍光分光分析、可視分光分析等により測定された細胞培養液のスペクトルデータを取得する。このとき、取得部１５ａは、分光装置３０の分析部３０ｂによってデジタル情報に変換されたデータを取得し、当該データからスペクトルデータを算出する。
（３－１－２．目的変量推定処理）
第２に、検量装置１０の推定部１５ｄは、成分濃度等の目的変量を推定する（ステップＳ１０２）。例えば、推定部１５ｄは、取得された細胞培養装置２０の細胞培養液のスペクトルデータを検量モデル１４ｄに入力して得られる結果に基づき、当該細胞培養装置２０の細胞培養液に含まれるグルコース等の成分ごとの濃度を推定する。このとき、推定部１５ｄは、取得されたスペクトルデータを記憶部１４から読み出した検量モデル情報に適用することによって、ピーク強度から測定対象成分量（例：栄養分濃度値等のプロセス変量）の予測値を算出する。
第２に、検量装置１０の推定部１５ｄは、成分濃度等の目的変量を推定する（ステップＳ１０２）。例えば、推定部１５ｄは、取得された細胞培養装置２０の細胞培養液のスペクトルデータを検量モデル１４ｄに入力して得られる結果に基づき、当該細胞培養装置２０の細胞培養液に含まれるグルコース等の成分ごとの濃度を推定する。このとき、推定部１５ｄは、取得されたスペクトルデータを記憶部１４から読み出した検量モデル情報に適用することによって、ピーク強度から測定対象成分量（例：栄養分濃度値等のプロセス変量）の予測値を算出する。
（３－１－３．推定結果表示処理）
第３に、検量装置１０の推定部１５ｄは、推定結果を表示する（ステップＳ１０３）。例えば、推定部１５ｄは、スペクトルデータが取得された時刻の細胞培養液のグルコースの濃度変化を示したグラフを出力部１２に表示する。
第３に、検量装置１０の推定部１５ｄは、推定結果を表示する（ステップＳ１０３）。例えば、推定部１５ｄは、スペクトルデータが取得された時刻の細胞培養液のグルコースの濃度変化を示したグラフを出力部１２に表示する。
（３－１－４．推定結果送信処理）
第４に、検量装置１０の推定部１５ｄは、推定結果を送信し（ステップＳ１０４）、処理を終了する。例えば、推定部１５ｄは、細胞培養液のグルコースの濃度が閾値を下回った場合には、調節装置４０に対してグルコースを供給するように指示を送信する。このとき、推定結果を受信した調節装置４０は、細胞培養装置２０の細胞培養槽の最適化を実行する。
第４に、検量装置１０の推定部１５ｄは、推定結果を送信し（ステップＳ１０４）、処理を終了する。例えば、推定部１５ｄは、細胞培養液のグルコースの濃度が閾値を下回った場合には、調節装置４０に対してグルコースを供給するように指示を送信する。このとき、推定結果を受信した調節装置４０は、細胞培養装置２０の細胞培養槽の最適化を実行する。
（３－１－５．データ推定処理の効果）
上記のデータ推定処理では、細胞培養装置２０に分光装置３０を接続して得られるスペクトルデータを検量モデル１４ｄで処理することによって、対象成分の濃度をリアルタイムに推定することができる。また、データ推定処理では、対象成分の濃度の推定値を用いて、培養液中の濃度の制御をリアルタイムに行うことで、最適な培養環境を維持することができる。
上記のデータ推定処理では、細胞培養装置２０に分光装置３０を接続して得られるスペクトルデータを検量モデル１４ｄで処理することによって、対象成分の濃度をリアルタイムに推定することができる。また、データ推定処理では、対象成分の濃度の推定値を用いて、培養液中の濃度の制御をリアルタイムに行うことで、最適な培養環境を維持することができる。
（３－２．検量モデル構築処理１の流れ）
図７を用いて、実施形態に係る検量モデル構築処理１の流れについて説明する。図７は、実施形態に係る検量モデル構築処理１の流れの一例を示すフローチャートである。なお、下記のステップＳ２０１～Ｓ２０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ２０１～Ｓ２０４の処理のうち、省略される処理があってもよい。
図７を用いて、実施形態に係る検量モデル構築処理１の流れについて説明する。図７は、実施形態に係る検量モデル構築処理１の流れの一例を示すフローチャートである。なお、下記のステップＳ２０１～Ｓ２０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ２０１～Ｓ２０４の処理のうち、省略される処理があってもよい。
（３－２－１．データセット取得処理）
第１に、検量装置１０の生成部１５ｂは、キャリブレーションセットを読み出す（ステップＳ２０１）。例えば、生成部１５ｂは、培養プロセス予測前に非培養系サンプルＳで測定されたスペクトルデータと目的変量データとを記憶部１４から取得し、教師ありデータセットとして生成する。このとき、生成部１５ｂは、教師ありデータセットとして記憶部１４に記憶されるキャリブレーションセットを読み出してもよい。
第１に、検量装置１０の生成部１５ｂは、キャリブレーションセットを読み出す（ステップＳ２０１）。例えば、生成部１５ｂは、培養プロセス予測前に非培養系サンプルＳで測定されたスペクトルデータと目的変量データとを記憶部１４から取得し、教師ありデータセットとして生成する。このとき、生成部１５ｂは、教師ありデータセットとして記憶部１４に記憶されるキャリブレーションセットを読み出してもよい。
（３－２－２．開発条件検索処理）
第２に、検量装置１０の訓練部１５ｃは、検量モデル１４ｄの開発条件を検索する（ステップＳ２０２）。例えば、訓練部１５ｃは、非培養系サンプルＳのデータセットにクロスバリデーションを用いて解析のアルゴリズムの種類やパラメータに関する第１開発条件（非培養系サンプルＳのデータセットから得られたスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報）を検索する。
第２に、検量装置１０の訓練部１５ｃは、検量モデル１４ｄの開発条件を検索する（ステップＳ２０２）。例えば、訓練部１５ｃは、非培養系サンプルＳのデータセットにクロスバリデーションを用いて解析のアルゴリズムの種類やパラメータに関する第１開発条件（非培養系サンプルＳのデータセットから得られたスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報）を検索する。
（３－２－３．検量モデル訓練処理）
第３に、検量装置１０の訓練部１５ｃは、検索結果をもとに検量モデル１４ｄを構築する（ステップＳ２０３）。例えば、訓練部１５ｃは、非培養系サンプルＳのデータセットを用いた機械学習により、説明変数であるスペクトルデータの入力に応じて、目的変数である成分濃度を出力する検量モデル１４ｄを訓練する。
第３に、検量装置１０の訓練部１５ｃは、検索結果をもとに検量モデル１４ｄを構築する（ステップＳ２０３）。例えば、訓練部１５ｃは、非培養系サンプルＳのデータセットを用いた機械学習により、説明変数であるスペクトルデータの入力に応じて、目的変数である成分濃度を出力する検量モデル１４ｄを訓練する。
（３－２－４．検量モデル情報格納処理）
第４に、検量装置１０の訓練部１５ｃは、検量モデル情報を格納し（ステップＳ２０４）、処理を終了する。このとき、訓練部１５ｃは、検量モデル情報記憶部１４ｃにスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報を格納する。
第４に、検量装置１０の訓練部１５ｃは、検量モデル情報を格納し（ステップＳ２０４）、処理を終了する。このとき、訓練部１５ｃは、検量モデル情報記憶部１４ｃにスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報を格納する。
（３－２－５．検量モデル構築処理１の効果）
上記の検量モデル構築処理１では、キャリブレーションセットを準備するためのサンプリングを伴う細胞培養を行う必要がないので、モデル作成にかかる時間とコストを大幅に短縮でき、培養液のロス、コンタミネーションのリスクがなくなる。また、検量モデル構築処理１では、細胞培養条件に対する定量モデルのロバスト性が向上し、様々な培養条件に適用できるようになる。さらに、検量モデル構築処理１では、キャリブレーションセットのデータ数を従来法よりも少なくできるため、必要なメモリ容量、演算コストを削減できる。
上記の検量モデル構築処理１では、キャリブレーションセットを準備するためのサンプリングを伴う細胞培養を行う必要がないので、モデル作成にかかる時間とコストを大幅に短縮でき、培養液のロス、コンタミネーションのリスクがなくなる。また、検量モデル構築処理１では、細胞培養条件に対する定量モデルのロバスト性が向上し、様々な培養条件に適用できるようになる。さらに、検量モデル構築処理１では、キャリブレーションセットのデータ数を従来法よりも少なくできるため、必要なメモリ容量、演算コストを削減できる。
（３－３．検量モデル構築処理２の流れ）
図８を用いて、さらに細胞培養装置２０を稼働させて新規取得したデータセットを用いる実施形態に係る検量モデル構築処理２の流れについて説明する。図８は、実施形態に係る検量モデル構築処理２の流れの一例を示すフローチャートである。なお、下記のステップＳ３０１～Ｓ３０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ３０１～Ｓ３０４の処理のうち、省略される処理があってもよい。
図８を用いて、さらに細胞培養装置２０を稼働させて新規取得したデータセットを用いる実施形態に係る検量モデル構築処理２の流れについて説明する。図８は、実施形態に係る検量モデル構築処理２の流れの一例を示すフローチャートである。なお、下記のステップＳ３０１～Ｓ３０４の処理は、異なる順序で実行することもできる。また、下記のステップＳ３０１～Ｓ３０４の処理のうち、省略される処理があってもよい。
（３－３－１．データセット取得処理）
第１に、検量装置１０の生成部１５ｂは、キャリブレーションセットおよび新規取得したデータセットを読み出す（ステップＳ３０１）。このとき、生成部１５ｂは、新規取得したデータセットには、スペクトルデータとして、細胞培養装置２０に接続して取得したデータを使用する。あるいは、生成部１５ｂは、別の分光装置による測定データを使用してもよい。また、生成部１５ｂは、目的変量データとして、スペクトルデータの測定前後でサンプリングを実施し、任意の適切な分析手法で取得されたデータを使用する。
第１に、検量装置１０の生成部１５ｂは、キャリブレーションセットおよび新規取得したデータセットを読み出す（ステップＳ３０１）。このとき、生成部１５ｂは、新規取得したデータセットには、スペクトルデータとして、細胞培養装置２０に接続して取得したデータを使用する。あるいは、生成部１５ｂは、別の分光装置による測定データを使用してもよい。また、生成部１５ｂは、目的変量データとして、スペクトルデータの測定前後でサンプリングを実施し、任意の適切な分析手法で取得されたデータを使用する。
例えば、生成部１５ｂは、キャリブレーションセットとして、記憶部１４に予め保存されていた非培養系サンプルＳのデータセットを読み出す。また、生成部１５ｂは、新規取得したデータセットとして、５Ｌスケールの細胞培養データを読み出す。このとき、生成部１５ｂは、新規取得したデータセットに供する細胞培養データとして、非培養系サンプルＳと同じ培地成分を用いてもよいし、異なる培地成分を用いてもよい。なお、上記の培地は、非培養系サンプルＳの主に希釈のために使用され、メーカーの製品ごとに内容物が異なる。
（３－３－２．開発条件検索処理）
第２に、検量装置１０の訓練部１５ｃは、検量モデル１４ｄの開発条件を検索する（ステップＳ３０２）。このとき、訓練部１５ｃは、新規取得したデータセットをバリデーションセットとして用いて解析のアルゴリズムの種類やパラメータに関する第２開発条件（新規取得したデータセットから得られたスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報）を検索する。
第２に、検量装置１０の訓練部１５ｃは、検量モデル１４ｄの開発条件を検索する（ステップＳ３０２）。このとき、訓練部１５ｃは、新規取得したデータセットをバリデーションセットとして用いて解析のアルゴリズムの種類やパラメータに関する第２開発条件（新規取得したデータセットから得られたスペクトルの前処理、波数範囲、回帰モデルの回帰係数、信号処理等の情報）を検索する。
（３－３－３．検量モデル訓練処理）
第３に、検量装置１０の訓練部１５ｃは、検索結果をもとに検量モデル１４ｄを構築する（ステップＳ３０３）。なお、検量モデル訓練処理については、上述した検量モデル構築処理１の検量モデル訓練処理と同様の処理であるため、説明を省略する。
第３に、検量装置１０の訓練部１５ｃは、検索結果をもとに検量モデル１４ｄを構築する（ステップＳ３０３）。なお、検量モデル訓練処理については、上述した検量モデル構築処理１の検量モデル訓練処理と同様の処理であるため、説明を省略する。
（３－３－４．検量モデル情報格納処理）
第４に、検量装置１０の訓練部１５ｃは、検量モデル情報を格納し（ステップＳ３０４）、処理を終了する。なお、検量モデル情報格納処理については、上述した検量モデル構築処理１の検量モデル情報格納処理と同様の処理であるため、説明を省略する。
第４に、検量装置１０の訓練部１５ｃは、検量モデル情報を格納し（ステップＳ３０４）、処理を終了する。なお、検量モデル情報格納処理については、上述した検量モデル構築処理１の検量モデル情報格納処理と同様の処理であるため、説明を省略する。
（３－３－５．検量モデル構築処理２の評価）
図９を用いて、上記の検量モデル構築処理２の評価について説明する。図９は、実施形態に係る検量モデル構築処理２の評価の一例を示す図である。図９の例では、培養液１－１～１－３および培養液２－１～２－２におけるグルコース、乳酸、抗体ごとの予測標準誤差（ＲＭＳＥＰ）の変化を示している。ここで、培養液１－１～１－３は、モデル作成時の条件と同じ５Ｌスケールの細胞培養液であり、培養液２－１～２－２は、モデル作成時の条件と大きく異なる、すなわち培地を変更した５Ｌスケールの細胞培養液である。
図９を用いて、上記の検量モデル構築処理２の評価について説明する。図９は、実施形態に係る検量モデル構築処理２の評価の一例を示す図である。図９の例では、培養液１－１～１－３および培養液２－１～２－２におけるグルコース、乳酸、抗体ごとの予測標準誤差（ＲＭＳＥＰ）の変化を示している。ここで、培養液１－１～１－３は、モデル作成時の条件と同じ５Ｌスケールの細胞培養液であり、培養液２－１～２－２は、モデル作成時の条件と大きく異なる、すなわち培地を変更した５Ｌスケールの細胞培養液である。
図９に示すように、培養液１－１の予測標準誤差が｛グルコース：０．２８ｇ／Ｌ→０．１８ｇ／Ｌ、乳酸：０．４０ｇ／Ｌ→０．１１ｇ／Ｌ、抗体：０．１１ｇ／Ｌ→０．２０ｇ／Ｌ｝、培養液１－２の予測標準誤差が｛グルコース：０．２７ｇ／Ｌ→０．１６ｇ／Ｌ、乳酸：０．２８ｇ／Ｌ→０．２２ｇ／Ｌ、抗体：０．０８ｇ／Ｌ→０．１２ｇ／Ｌ｝、培養液１－３の予測標準誤差が｛グルコース：０．３１ｇ／Ｌ→０．１８ｇ／Ｌ、乳酸：０．１８ｇ／Ｌ→０．１５ｇ／Ｌ、抗体：０．１０ｇ／Ｌ→０．１３ｇ／Ｌ｝と算出される。また、培養液２－１の予測標準誤差が｛グルコース：０．３９ｇ／Ｌ→０．１３ｇ／Ｌ、乳酸：０．３５ｇ／Ｌ→０．１０ｇ／Ｌ、抗体：０．５１ｇ／Ｌ→０．１４ｇ／Ｌ｝、培養液２－２の予測標準誤差が｛グルコース：０．６２ｇ／Ｌ→０．１６ｇ／Ｌ、乳酸：０．５０ｇ／Ｌ→０．３６ｇ／Ｌ、抗体：０．４０ｇ／Ｌ→０．１４ｇ／Ｌ｝と算出される。
上記のように、検量モデル構築処理２によって構築された検量モデル１４ｄの検量精度の向上を確認することができる。
（３－３－６．検量モデル構築処理２の効果）
上記の検量モデル構築処理２は、非培養系のスペクトルのみからなるキャリブレーションセットに対して、１回以上の細胞培養データのデータセットをバリデーションに使用して、新規のモデルを作成することができる。すなわち、検量モデル構築処理２では、検量モデル構築処理１の効果に加えて、新規取得したデータセットをバリデーションに用いることで、実際に予測したい測定対象物に適した検量モデル１４ｄの諸条件に合わせることができ、検量精度を向上することができる。
上記の検量モデル構築処理２は、非培養系のスペクトルのみからなるキャリブレーションセットに対して、１回以上の細胞培養データのデータセットをバリデーションに使用して、新規のモデルを作成することができる。すなわち、検量モデル構築処理２では、検量モデル構築処理１の効果に加えて、新規取得したデータセットをバリデーションに用いることで、実際に予測したい測定対象物に適した検量モデル１４ｄの諸条件に合わせることができ、検量精度を向上することができる。
〔４．実施形態の効果〕
最後に、実施形態の効果について説明する。以下では、実施形態に係る処理に対応する効果１～６について説明する。
最後に、実施形態の効果について説明する。以下では、実施形態に係る処理に対応する効果１～６について説明する。
（４－１．効果１）
第１に、上述した実施形態に係る処理では、複数成分を含む基準試料のスペクトルデータと当該基準試料の複数成分ごとの含有量によって決定される各目的変量とを含む基準試料データセットを生成し、当該基準試料データセットを用いた機械学習により、スペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変量を出力する検量モデル１４ｄを訓練する。このため、実施形態に係る処理では、効果的に高精度な検量モデル１４ｄを作成することができる。
第１に、上述した実施形態に係る処理では、複数成分を含む基準試料のスペクトルデータと当該基準試料の複数成分ごとの含有量によって決定される各目的変量とを含む基準試料データセットを生成し、当該基準試料データセットを用いた機械学習により、スペクトルデータの入力に応じて、複数の成分ごとの各目的変量のうち少なくとも１つの目的変量を出力する検量モデル１４ｄを訓練する。このため、実施形態に係る処理では、効果的に高精度な検量モデル１４ｄを作成することができる。
（４－２．効果２）
第２に、上述した実施形態に係る処理では、複数成分それぞれの目的変量が異なる複数の非培養系試料に対して分光分析を実行し、当該分光分析により得られる基準試料のスペクトルデータと各目的変量とを含む基準試料のデータセットを生成する。このため、実施形態に係る処理では、異なる目的変量の基準試料を用いることによって、効果的に高精度な検量モデル１４ｄを作成することができる。
第２に、上述した実施形態に係る処理では、複数成分それぞれの目的変量が異なる複数の非培養系試料に対して分光分析を実行し、当該分光分析により得られる基準試料のスペクトルデータと各目的変量とを含む基準試料のデータセットを生成する。このため、実施形態に係る処理では、異なる目的変量の基準試料を用いることによって、効果的に高精度な検量モデル１４ｄを作成することができる。
（４－３．効果３）
第３に、上述した実施形態に係る処理では、測定対象となる複数の培養系試料それぞれに含有される成分を用いて作成された複数の非培養系試料に対して分光分析を実行し、分光分析により得られる基準試料のスペクトルデータと各目的変量とを含む基準試料データセットを生成する。このため、実施形態に係る処理では、測定対象となる培養系試料に成分が類似する基準試料を用いることによって、効果的に高精度な検量モデル１４ｄを作成することができる。
第３に、上述した実施形態に係る処理では、測定対象となる複数の培養系試料それぞれに含有される成分を用いて作成された複数の非培養系試料に対して分光分析を実行し、分光分析により得られる基準試料のスペクトルデータと各目的変量とを含む基準試料データセットを生成する。このため、実施形態に係る処理では、測定対象となる培養系試料に成分が類似する基準試料を用いることによって、効果的に高精度な検量モデル１４ｄを作成することができる。
（４－４．効果４）
第４に、上述した実施形態に係る処理では、測定対象である試料に対する分光分析により測定されたスペクトルデータを取得し、取得したスペクトルデータを訓練済みである検量モデル１４ｄに入力して得られる結果に基づき、測定対象である試料に含まれる成分の含有量によって決定される目的変量を推定する。このため、実施形態に係る処理では、効果的に高精度な検量モデル１４ｄを作成するとともに、推定結果を活用して測定対象の環境を最適化することができる。
第４に、上述した実施形態に係る処理では、測定対象である試料に対する分光分析により測定されたスペクトルデータを取得し、取得したスペクトルデータを訓練済みである検量モデル１４ｄに入力して得られる結果に基づき、測定対象である試料に含まれる成分の含有量によって決定される目的変量を推定する。このため、実施形態に係る処理では、効果的に高精度な検量モデル１４ｄを作成するとともに、推定結果を活用して測定対象の環境を最適化することができる。
（４－５．効果５）
第５に、上述した実施形態に係る処理では、基準試料のスペクトルデータと各目的変量とを保持し、保持した基準試料のスペクトルデータと各目的変量とを取得し、基準試料の教師ありデータセットを生成し、基準試料のデータセットにクロスバリデーションを用いてアルゴリズムまたはパラメータに関する開発条件を検索し、当該開発条件に基づいて機械学習モデルを訓練するとともに、当該開発条件を保持する。このため、実施形態に係る処理では、基準試料のオフラインデータを用いるとともに適切な検量モデル１４ｄの調整を行うことによって、効果的に高精度な検量モデル１４ｄを作成することができる。
第５に、上述した実施形態に係る処理では、基準試料のスペクトルデータと各目的変量とを保持し、保持した基準試料のスペクトルデータと各目的変量とを取得し、基準試料の教師ありデータセットを生成し、基準試料のデータセットにクロスバリデーションを用いてアルゴリズムまたはパラメータに関する開発条件を検索し、当該開発条件に基づいて機械学習モデルを訓練するとともに、当該開発条件を保持する。このため、実施形態に係る処理では、基準試料のオフラインデータを用いるとともに適切な検量モデル１４ｄの調整を行うことによって、効果的に高精度な検量モデル１４ｄを作成することができる。
（４－６．効果６）
第６に、上述した実施形態に係る処理では、測定対象試料のスペクトルデータと測定対象試料の複数成分ごとの含有量によって決定される各目的変量とを含む測定対象試料データセットをさらに生成し、測定対象試料データセットをバリデーションセットに用いてアルゴリズムまたはパラメータに関する開発条件をさらに検索し、当該開発条件に基づいて検量モデル１４ｄを訓練する。このため、実施形態に係る処理では、実際に予測したい測定対象に合わせた適切な学習モデルの調整を行うことによって、効果的に高精度な検量モデルを作成することができる。
第６に、上述した実施形態に係る処理では、測定対象試料のスペクトルデータと測定対象試料の複数成分ごとの含有量によって決定される各目的変量とを含む測定対象試料データセットをさらに生成し、測定対象試料データセットをバリデーションセットに用いてアルゴリズムまたはパラメータに関する開発条件をさらに検索し、当該開発条件に基づいて検量モデル１４ｄを訓練する。このため、実施形態に係る処理では、実際に予測したい測定対象に合わせた適切な学習モデルの調整を行うことによって、効果的に高精度な検量モデルを作成することができる。
〔システム〕
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
〔ハードウェア〕
次に、検量装置１０のハードウェア構成例を説明する。図１０は、ハードウェア構成例を説明する図である。図１０に示すように、検量装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１０に示した各部は、バス等で相互に接続される。
次に、検量装置１０のハードウェア構成例を説明する。図１０は、ハードウェア構成例を説明する図である。図１０に示すように、検量装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１０に示した各部は、バス等で相互に接続される。
通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図２に示した機能を動作させるプログラムやＤＢを記憶する。
プロセッサ１０ｄは、図２に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図２等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、検量装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、取得部１５ａ、生成部１５ｂ、訓練部１５ｃ、推定部１５ｄ等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、取得部１５ａ、生成部１５ｂ、訓練部１５ｃ、推定部１５ｄ等と同様の処理を実行するプロセスを実行する。
このように、検量装置１０は、プログラムを読み出して実行することで各種処理方法を実行する装置として動作する。また、検量装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施形態と同様の機能を実現することもできる。なお、この他の実施形態でいうプログラムは、検量装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。
このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。
〔その他〕
開示される技術特徴の組合せのいくつかの例を以下に記載する。
開示される技術特徴の組合せのいくつかの例を以下に記載する。
（１）複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成する生成部と、前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する訓練部と、を備える検量装置。
（２）前記生成部は、前記複数の成分それぞれの含有量によって決定される目的変量が異なる複数の非培養系試料に対して分光分析を実行し、前記分光分析により得られる前記基準試料のスペクトルデータと前記各目的変量とを含む前記基準試料のデータセットを生成する、（１）に記載の検量装置。
（３）前記生成部は、測定対象となる複数の培養系試料それぞれに含有される成分を用いて作成された前記複数の非培養系試料に対して分光分析を実行し、前記分光分析により得られる前記基準試料のスペクトルデータと前記各目的変量とを含む前記基準試料のデータセットを生成する、（２）に記載の検量装置。
（４）測定対象となる試料に対する分光分析により測定されたスペクトルデータを取得する取得部と、取得された前記スペクトルデータを、訓練済みである前記機械学習モデルに入力して得られる結果に基づき、前記測定対象である試料に含まれる成分の含有量によって決定される目的変量を推定する推定部と、をさらに備える（１）から（３）のいずれかに記載の検量装置。
（５）前記基準試料のスペクトルデータと前記各目的変量とを記憶する記憶部をさらに備え、前記生成部は、前記記憶部から前記基準試料のスペクトルデータと前記各目的変量とを取得し、前記基準試料の教師ありデータセットを生成し、前記訓練部は、前記基準試料のデータセットにクロスバリデーションを用いてアルゴリズムまたはパラメータに関する第１開発条件を検索し、前記第１開発条件に基づいて前記機械学習モデルを訓練するとともに、前記第１開発条件を前記記憶部に格納する、（１）から（４）に記載の検量装置。
（６）前記生成部は、前記測定対象である試料のスペクトルデータと前記測定対象である試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記測定対象である試料のデータセットをさらに生成し、前記訓練部は、前記測定対象である試料のデータセットをバリデーションセットとして用いてアルゴリズムまたはパラメータに関する第２開発条件をさらに検索し、前記第２開発条件に基づいて前記機械学習モデルを訓練するとともに、前記第２開発条件を前記記憶部に格納する、（５）に記載の検量装置。
（７）コンピュータが、複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成し、前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する、処理を実行する検量方法。
（８）コンピュータに、複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成し、前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する、処理を実行させる検量プログラム。
１０ 検量装置
１１ 入力部
１２ 出力部
１３ 通信部
１４ 記憶部
１４ａ スペクトルデータ記憶部
１４ｂ 目的変量データ記憶部
１４ｃ 検量モデル情報記憶部
１４ｄ 検量モデル
１５ 制御部
１５ａ 取得部
１５ｂ 生成部
１５ｃ 訓練部
１５ｄ 推定部
２０ 細胞培養装置
３０ 分光装置
３０ａ 光源
３０ｂ 分析部
３０ｃ 導光部
３０ｄ 測定部
４０ 調節装置
１００ 検量システム
１１ 入力部
１２ 出力部
１３ 通信部
１４ 記憶部
１４ａ スペクトルデータ記憶部
１４ｂ 目的変量データ記憶部
１４ｃ 検量モデル情報記憶部
１４ｄ 検量モデル
１５ 制御部
１５ａ 取得部
１５ｂ 生成部
１５ｃ 訓練部
１５ｄ 推定部
２０ 細胞培養装置
３０ 分光装置
３０ａ 光源
３０ｂ 分析部
３０ｃ 導光部
３０ｄ 測定部
４０ 調節装置
１００ 検量システム
Claims (8)
- 複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成する生成部と、
前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する訓練部と、
を備える検量装置。 - 前記生成部は、
前記複数の成分それぞれの含有量によって決定される目的変量が異なる複数の非培養系試料に対して分光分析を実行し、
前記分光分析により得られる前記基準試料のスペクトルデータと前記各目的変量とを含む前記基準試料のデータセットを生成する、
請求項１に記載の検量装置。 - 前記生成部は、
測定対象となる複数の培養系試料それぞれに含有される成分を用いて作成された前記複数の非培養系試料に対して分光分析を実行し、
前記分光分析により得られる前記基準試料のスペクトルデータと前記各目的変量とを含む前記基準試料のデータセットを生成する、
請求項２に記載の検量装置。 - 測定対象となる試料に対する分光分析により測定されたスペクトルデータを取得する取得部と、
取得された前記スペクトルデータを、訓練済みである前記機械学習モデルに入力して得られる結果に基づき、前記測定対象である試料に含まれる成分の含有量によって決定される目的変量を推定する推定部と、
をさらに備える請求項１から３のいずれか１項に記載の検量装置。 - 前記基準試料のスペクトルデータと前記各目的変量とを記憶する記憶部をさらに備え、
前記生成部は、
前記記憶部から前記基準試料のスペクトルデータと前記各目的変量とを取得し、前記基準試料の教師ありデータセットを生成し、
前記訓練部は、
前記基準試料のデータセットにクロスバリデーションを用いてアルゴリズムまたはパラメータに関する第１開発条件を検索し、前記第１開発条件に基づいて前記機械学習モデルを訓練するとともに、前記第１開発条件を前記記憶部に格納する、
請求項４に記載の検量装置。 - 前記生成部は、
前記測定対象である試料のスペクトルデータと前記測定対象である試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記測定対象である試料のデータセットをさらに生成し、
前記訓練部は、
前記測定対象である試料のデータセットをバリデーションセットとして用いてアルゴリズムまたはパラメータに関する第２開発条件をさらに検索し、前記第２開発条件に基づいて前記機械学習モデルを訓練するとともに、前記第２開発条件を前記記憶部に格納する、
請求項５に記載の検量装置。 - コンピュータが、
複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成し、
前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する、
処理を実行する検量方法。 - コンピュータに、
複数の成分を含む基準試料のスペクトルデータと前記基準試料の前記複数の成分ごとの含有量によって決定される各目的変量とを含む前記基準試料のデータセットを生成し、
前記基準試料のデータセットを用いた機械学習により、前記スペクトルデータの入力に応じて、前記複数の成分ごとの前記各目的変量のうち少なくとも１つの目的変量を出力する機械学習モデルを訓練する、
処理を実行させる検量プログラム。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022100959A JP7168118B1 (ja) | 2022-06-23 | 2022-06-23 | 検量装置、検量方法および検量プログラム |
| JP2022172704A JP2024002873A (ja) | 2022-06-23 | 2022-10-27 | 検量装置、検量方法および検量プログラム |
| EP23152500.7A EP4296348A1 (en) | 2022-06-23 | 2023-01-19 | Calibration device, calibration method, and calibration program |
| US18/106,849 US20230419174A1 (en) | 2022-06-23 | 2023-02-07 | Calibration device, calibration method, and computer-readable recording medium |
| CN202310146751.3A CN117288697A (zh) | 2022-06-23 | 2023-02-15 | 检量装置、检量方法和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022100959A JP7168118B1 (ja) | 2022-06-23 | 2022-06-23 | 検量装置、検量方法および検量プログラム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022172704A Division JP2024002873A (ja) | 2022-06-23 | 2022-10-27 | 検量装置、検量方法および検量プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7168118B1 JP7168118B1 (ja) | 2022-11-09 |
| JP2024002023A true JP2024002023A (ja) | 2024-01-11 |
Family
ID=83977453
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022100959A Active JP7168118B1 (ja) | 2022-06-23 | 2022-06-23 | 検量装置、検量方法および検量プログラム |
| JP2022172704A Pending JP2024002873A (ja) | 2022-06-23 | 2022-10-27 | 検量装置、検量方法および検量プログラム |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022172704A Pending JP2024002873A (ja) | 2022-06-23 | 2022-10-27 | 検量装置、検量方法および検量プログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230419174A1 (ja) |
| EP (1) | EP4296348A1 (ja) |
| JP (2) | JP7168118B1 (ja) |
| CN (1) | CN117288697A (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016128822A (ja) * | 2010-09-17 | 2016-07-14 | アッヴィ・インコーポレイテッド | バイオプロセス操作用のラマン分光法 |
| JP2020020785A (ja) * | 2018-06-29 | 2020-02-06 | ヴァイアヴィ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． | 分光モデルのクロスバリデーションベース較正 |
| JP2020537126A (ja) * | 2017-10-06 | 2020-12-17 | ロンザ リミテッドＬｏｎｚａ Ｌｉｍｉｔｅｄ | ラマン分光法を使用する細胞培養の自動制御 |
| JP2022131809A (ja) * | 2021-02-26 | 2022-09-07 | 横河電機株式会社 | 測定方法及び測定システム |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2020003555A (es) | 2017-10-16 | 2020-08-03 | Regeneron Pharma | Sistemas de espectroscopia raman in situ y metodos para controlar variables de proceso en cultivos celulares. |
| CN110920255B (zh) * | 2018-09-19 | 2021-03-12 | 精工爱普生株式会社 | 打印头控制电路、打印头以及液体喷出装置 |
-
2022
- 2022-06-23 JP JP2022100959A patent/JP7168118B1/ja active Active
- 2022-10-27 JP JP2022172704A patent/JP2024002873A/ja active Pending
-
2023
- 2023-01-19 EP EP23152500.7A patent/EP4296348A1/en active Pending
- 2023-02-07 US US18/106,849 patent/US20230419174A1/en active Pending
- 2023-02-15 CN CN202310146751.3A patent/CN117288697A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016128822A (ja) * | 2010-09-17 | 2016-07-14 | アッヴィ・インコーポレイテッド | バイオプロセス操作用のラマン分光法 |
| JP2020537126A (ja) * | 2017-10-06 | 2020-12-17 | ロンザ リミテッドＬｏｎｚａ Ｌｉｍｉｔｅｄ | ラマン分光法を使用する細胞培養の自動制御 |
| JP2020020785A (ja) * | 2018-06-29 | 2020-02-06 | ヴァイアヴィ・ソリューションズ・インコーポレイテッドＶｉａｖｉ Ｓｏｌｕｔｉｏｎｓ Ｉｎｃ． | 分光モデルのクロスバリデーションベース較正 |
| JP2022131809A (ja) * | 2021-02-26 | 2022-09-07 | 横河電機株式会社 | 測定方法及び測定システム |
Non-Patent Citations (1)
| Title |
|---|
| 小西 正朗: "成分分析と機械学習を用いた微生物培地解析に関する研究", 生物工学会誌, vol. 第100巻 第3号, JPN7022003242, 25 March 2022 (2022-03-25), pages 125 - 130, ISSN: 0004824594 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117288697A (zh) | 2023-12-26 |
| US20230419174A1 (en) | 2023-12-28 |
| EP4296348A1 (en) | 2023-12-27 |
| JP2024002873A (ja) | 2024-01-11 |
| JP7168118B1 (ja) | 2022-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reddi et al. | Mlperf inference benchmark | |
| Pfeiffer et al. | Manufacturing lead time estimation with the combination of simulation and statistical learning methods | |
| US20220068440A1 (en) | System and method for predicting quality of a chemical compound and/or of a formulation thereof as a product of a production process | |
| JP2021522601A (ja) | バッチプロセスのモデル化、監視及び制御におけるバッチデータの自動アライメントのためのコンピュータシステム及び方法 | |
| Gargalo et al. | Towards the development of digital twins for the bio-manufacturing industry | |
| JP6620100B2 (ja) | 合成多成分の生物工学および化学プロセス試料を調製するための方法およびシステム | |
| Rathore et al. | Digitization in bioprocessing: The role of soft sensors in monitoring and control of downstream processing for production of biotherapeutic products | |
| US20230272331A1 (en) | Predictive Modeling and Control of Cell Culture | |
| Huang et al. | Reconstructing dynamic molecular states from single-cell time series | |
| Henriques et al. | Monitoring mammalian cell cultivations for monoclonal antibody production using near-infrared spectroscopy | |
| Graf et al. | A novel approach for non-invasive continuous in-line control of perfusion cell cultivations by Raman spectroscopy | |
| Brunner et al. | Online sensor validation in sensor networks for bioprocess monitoring using swarm intelligence | |
| Poth et al. | Extensive evaluation of machine learning models and data preprocessings for Raman modeling in bioprocessing | |
| Min et al. | Application of semi-supervised convolutional neural network regression model based on data augmentation and process spectral labeling in Raman predictive modeling of cell culture processes | |
| Fletcher et al. | Quantifying uncertainty from aerosol and atmospheric parameters and their impact on climate sensitivity | |
| CN116052778A (zh) | 实时监测生物反应器中细胞培养液组分浓度的方法 | |
| CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
| Steinwandter et al. | Propagation of measurement accuracy to biomass soft-sensor estimation and control quality | |
| CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
| Reis et al. | Prediction of profiles in the process industries | |
| JP7168118B1 (ja) | 検量装置、検量方法および検量プログラム | |
| Craven et al. | Process analytical technology and quality-by-design for animal cell culture | |
| Zhao et al. | Multi-mode process monitoring based on a novel weighted local standardization strategy and support vector data description | |
| CN113702328B (zh) | 一种成品油的性质分析方法、装置、设备及存储介质 | |
| Putra et al. | Estimation of acetic acid concentration from biogas samples using machine learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220623 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220623 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220712 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220912 |
|
| 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: 20220927 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221010 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7168118 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |