JP7168118B1 - 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
- JP7168118B1 JP7168118B1 JP2022100959A JP2022100959A JP7168118B1 JP 7168118 B1 JP7168118 B1 JP 7168118B1 JP 2022100959 A JP2022100959 A JP 2022100959A JP 2022100959 A JP2022100959 A JP 2022100959A JP 7168118 B1 JP7168118 B1 JP 7168118B1
- Authority
- JP
- Japan
- Prior art keywords
- calibration
- reference sample
- spectral data
- sample
- measured
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 81
- 230000003595 spectral effect Effects 0.000 claims abstract description 97
- 239000013074 reference sample Substances 0.000 claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 68
- 239000000523 sample Substances 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 44
- 238000004611 spectroscopical analysis Methods 0.000 claims description 40
- 238000011161 development Methods 0.000 claims description 36
- 210000004027 cell Anatomy 0.000 claims description 26
- 235000015097 nutrients Nutrition 0.000 claims description 23
- 238000005303 weighing Methods 0.000 claims description 19
- 238000010200 validation analysis Methods 0.000 claims description 11
- 239000002207 metabolite Substances 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims description 5
- 230000003204 osmotic effect Effects 0.000 claims description 5
- 210000004748 cultured cell Anatomy 0.000 claims description 4
- 238000004113 cell culture Methods 0.000 description 90
- 239000000306 component Substances 0.000 description 81
- 238000005259 measurement Methods 0.000 description 39
- 238000001228 spectrum Methods 0.000 description 38
- 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
- 238000010276 construction Methods 0.000 description 25
- 238000001069 Raman spectroscopy Methods 0.000 description 20
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 20
- 230000000694 effects Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 18
- 238000013500 data storage Methods 0.000 description 16
- 239000006143 cell culture medium Substances 0.000 description 14
- 238000004891 communication Methods 0.000 description 14
- 235000014655 lactic acid Nutrition 0.000 description 10
- 239000004310 lactic acid Substances 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 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 8
- 239000012930 cell culture fluid Substances 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 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 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function 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
- 238000012258 culturing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 3
- 235000001014 amino acid Nutrition 0.000 description 3
- 150000001413 amino acids Chemical class 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 210000004102 animal cell Anatomy 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001506 fluorescence spectroscopy Methods 0.000 description 2
- 238000012844 infrared spectroscopy analysis Methods 0.000 description 2
- 239000012533 medium component Substances 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 238000012845 near infrared spectroscopy analysis Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 2
- 238000012795 verification 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
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 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
- 238000007865 diluting Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 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
- 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
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biotechnology (AREA)
- Biomedical Technology (AREA)
- Microbiology (AREA)
- Sustainable Development (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
Description
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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、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、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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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 (6)
- 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として、栄養分、培養細胞および代謝物のうち少なくとも1つを用いて作成された基準試料である複数の非培養系試料に対して分光分析を実行し、
複数の成分を含む前記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濃度、細胞密度、水素イオン指数および浸透圧のうち少なくとも1つを含む各目的変量とを有する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、
測定対象となる培養系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培養系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1または2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3に記載の検量装置。 - コンピュータが、
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として、栄養分、培養細胞および代謝物のうち少なくとも1つを用いて作成された基準試料である複数の非培養系試料に対して分光分析を実行し、
複数の成分を含む前記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濃度、細胞密度、水素イオン指数および浸透圧のうち少なくとも1つを含む各目的変量とを有する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し、
測定対象となる培養系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培養系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、
処理を実行する検量方法。 - コンピュータに、
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として、栄養分、培養細胞および代謝物のうち少なくとも1つを用いて作成された基準試料である複数の非培養系試料に対して分光分析を実行し、
複数の成分を含む前記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濃度、細胞密度、水素イオン指数および浸透圧のうち少なくとも1つを含む各目的変量とを有する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し、
測定対象となる培養系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培養系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、
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 true JP7168118B1 (ja) | 2022-11-09 |
JP2024002023A 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 (3)
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 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019079165A1 (en) | 2017-10-16 | 2019-04-25 | Regeneron Pharmaceuticals, Inc. | RAMAN IN SITU SPECTROSCOPY SYSTEMS AND METHODS FOR CONTROLLING PROCESSING VARIABLES IN CELL CULTURES |
US10928309B2 (en) * | 2018-06-29 | 2021-02-23 | Viavi Solutions Inc. | Cross-validation based calibration of a spectroscopic model |
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 (3)
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 |
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,2022年03月25日,第100巻 第3号,P.125-130 |
Also Published As
Publication number | Publication date |
---|---|
EP4296348A1 (en) | 2023-12-27 |
JP2024002873A (ja) | 2024-01-11 |
CN117288697A (zh) | 2023-12-26 |
US20230419174A1 (en) | 2023-12-28 |
JP2024002023A (ja) | 2024-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
EP4107591A1 (en) | Computer-implemented method, computer program product and hybrid system for cell metabolism state observer | |
JP2020523030A (ja) | バイオリアクタにおいてのプロセスのアウトカムを予測するための、および、そのプロセスのモデリングのための方法 | |
US20230081615A1 (en) | Method for estimating culture state, information processing device, and program | |
US20230272331A1 (en) | Predictive Modeling and Control of Cell Culture | |
Kozma et al. | Comparison of multivariate data analysis techniques to improve glucose concentration prediction in mammalian cell cultivations by Raman spectroscopy | |
KR20220032599A (ko) | 세포 배양 프로세스에서 프로세스 변수를 결정하기 위한 방법 | |
Graf et al. | A novel approach for non-invasive continuous in-line control of perfusion cell cultivations by Raman spectroscopy | |
CN116052778A (zh) | 实时监测生物反应器中细胞培养液组分浓度的方法 | |
Henriques et al. | Monitoring mammalian cell cultivations for monoclonal antibody production using near-infrared spectroscopy | |
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 | |
JP7168118B1 (ja) | 検量装置、検量方法および検量プログラム | |
Steinwandter et al. | Propagation of measurement accuracy to biomass soft-sensor estimation and control quality | |
Wechselberger et al. | Model‐based analysis on the relationship of signal quality to real‐time extraction of information in bioprocesses | |
Craven et al. | Process analytical technology and quality-by-design for animal cell culture | |
US20230279332A1 (en) | Hybrid Predictive Modeling for Control of Cell Culture | |
CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统 | |
Zhao et al. | Multi-mode process monitoring based on a novel weighted local standardization strategy and support vector data description | |
Putra et al. | Estimation of acetic acid concentration from biogas samples using machine learning | |
US20240085864A1 (en) | Just-In-Time Learning With Variational Autoencoder For Cell Culture Process Monitoring And/Or Control | |
JP2024061408A (ja) | 検量線出力装置、検量線出力方法および検量線出力プログラム | |
Soenandi et al. | Real-Time Optimization using Gradient Adaptive Selection and Classification from Infrared Sensors Measurement fo Esterification Oleic Acid with Glycerol | |
CN109060684B (zh) | 一种基于计算机程序微生物发酵过程的智能测量方法 | |
Aang Soenandi et al. | Real-time optimization using gradient adaptive selection and classification from infrared sensors measurement for esterification oleic acid with glycerol |
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 |