JP7451546B2 - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法、及び情報処理プログラム Download PDFInfo
- Publication number
- JP7451546B2 JP7451546B2 JP2021548322A JP2021548322A JP7451546B2 JP 7451546 B2 JP7451546 B2 JP 7451546B2 JP 2021548322 A JP2021548322 A JP 2021548322A JP 2021548322 A JP2021548322 A JP 2021548322A JP 7451546 B2 JP7451546 B2 JP 7451546B2
- Authority
- JP
- Japan
- Prior art keywords
- cells
- quality
- culture state
- culture
- cell
- 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
- 230000010365 information processing Effects 0.000 title claims description 48
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims description 70
- 238000004113 cell culture Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 18
- 238000010845 search algorithm Methods 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 10
- 238000003756 stirring Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000005273 aeration Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 100
- 239000012528 membrane Substances 0.000 description 23
- 238000003860 storage Methods 0.000 description 16
- 239000006285 cell suspension Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000010412 perfusion Effects 0.000 description 13
- 239000002609 medium Substances 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000000926 separation method Methods 0.000 description 7
- 230000004663 cell proliferation Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000001963 growth medium Substances 0.000 description 5
- 210000004102 animal cell Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000002965 ELISA Methods 0.000 description 2
- 229940125644 antibody drug Drugs 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 210000004978 chinese hamster ovary cell Anatomy 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000012466 permeate Substances 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 244000063299 Bacillus subtilis Species 0.000 description 1
- 235000014469 Bacillus subtilis Nutrition 0.000 description 1
- 241000282693 Cercopithecidae Species 0.000 description 1
- 241000699800 Cricetinae Species 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 238000011481 absorbance measurement Methods 0.000 description 1
- 238000001042 affinity chromatography Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011091 antibody purification Methods 0.000 description 1
- 229960000074 biopharmaceutical Drugs 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012136 culture method Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 239000007857 degradation product Substances 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012737 fresh medium Substances 0.000 description 1
- 238000001155 isoelectric focusing Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012007 large scale cell culture Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 210000001236 prokaryotic cell Anatomy 0.000 description 1
- 238000005185 salting out Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002415 sodium dodecyl sulfate polyacrylamide gel electrophoresis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000000108 ultra-filtration Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M29/00—Means for introduction, extraction or recirculation of materials, e.g. pumps
- C12M29/10—Perfusion
-
- 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
- C12M25/00—Means for supporting, enclosing or fixing the microorganisms, e.g. immunocoatings
- C12M25/10—Hollow fibers or tubes
-
- 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
- C12M41/26—Means for regulation, monitoring, measurement or control, e.g. flow regulation of pH
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/32—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of substances in solution
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/42—Means for regulation, monitoring, measurement or control, e.g. flow regulation of agitation speed
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Wood Science & Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Zoology (AREA)
- Microbiology (AREA)
- Sustainable Development (AREA)
- Biotechnology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Computer Hardware Design (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
Description
本開示は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。
特開２００９－４４９７４号公報には、細胞の品質を予測する予測モデルを構築する方法が開示されている。この方法では、同種の細胞を培養した二つ以上のサンプルについて、培養時間の異なる二つ以上の時点において各サンプルの細胞を撮影して画像を取得し、取得した各画像を解析し、細胞の形態に関する二つ以上の指標について数値データを生成する。また、この方法では、予測目標の実測データをサンプル毎に用意し、生成した数値データを入力値とし、用意した実測データを教師値としてファジィニューラルネットワーク解析し、予測に有効な指標の組合せを示すファジィルールに基づいて出力値を算出する予測モデルを構築する。
細胞から産生される抗体を利用したバイオ医薬品の製造に用いられる細胞の培養方式として灌流培養がある。灌流培養は、細胞を含む培養液を連続的に濾過及び排出し、一方で栄養成分を含む新鮮な培地を連続的に培養槽に供給する培養方式である。灌流培養は、連続培養とも称される。
灌流培養において変更することができる細胞培養のプロセス条件の数及び各プロセス条件の設定値は非常に多いため、全ての組み合わせを実験して最適なプロセス条件を探索することは困難である。このため、一定数の異なるプロセス条件で細胞培養を行い、実験結果が最も良かったプロセス条件を選択することが行われる。この選択したプロセス条件は、実験を行った範囲内のプロセス条件の中では最適なものではあるが、より適切なプロセス条件も存在し得る。そのような適切なプロセス条件を導出することができれば、灌流培養を効果的に支援することができる。
特開２００９－４４９７４号公報に記載の技術は、予測モデルを用いて、２つの異なる時点で細胞を撮影して得られた画像から、細胞の品質を予測するものであり、プロセス条件を導出するものではない。
本開示は、以上の事情を鑑みてなされたものであり、灌流培養を効果的に支援することができる情報処理装置、情報処理方法、及び情報処理プログラムを提供する。
本開示の情報処理装置は、細胞の培養状態に基づいて細胞から産生される抗体の品質及び細胞の品質を予測する予測部と、予測部により予測された抗体の品質及び細胞の品質を良化する細胞の培養状態を探索する探索部と、細胞の培養状態が、探索部により探索された培養状態となる細胞培養のプロセス条件を導出する導出部と、を備える。
なお、本開示の情報処理装置は、培養状態が、細胞数、培地のｐＨ、培地の溶存気体濃度、及び培地の気体移動容量係数を含んでもよい。
また、本開示の情報処理装置は、プロセス条件が、培地を撹拌する撹拌装置の単位時間あたりの回転数及び培地の単位体積あたりのガス通気量を含んでもよい。
また、本開示の情報処理装置は、予測部が、培養状態、抗体の品質及び細胞の品質を用いて予め学習された学習済みモデルと、細胞の培養状態とに基づいて、抗体の品質及び細胞の品質を予測してもよい。
また、本開示の情報処理装置は、導出部が、プロセス条件及び培養状態を用いて予め学習された学習済みモデルと、細胞の培養状態とに基づいて、プロセス条件を導出してもよい。
また、本開示の情報処理装置は、探索部が、予め定められた探索アルゴリズムに従って、細胞の培養状態を探索してもよい。
また、本開示の情報処理装置は、探索アルゴリズムが、遺伝的アルゴリズムであってもよい。
また、本開示の情報処理方法は、細胞の培養状態に基づいて細胞から産生される抗体の品質及び細胞の品質を予測し、予測した抗体の品質及び細胞の品質を良化する細胞の培養状態を探索し、細胞の培養状態が、探索した培養状態となる細胞培養のプロセス条件を導出する処理をコンピュータが実行するものである。
また、本開示の情報処理プログラムは、細胞の培養状態に基づいて細胞から産生される抗体の品質及び細胞の品質を予測し、予測した抗体の品質及び細胞の品質を良化する細胞の培養状態を探索し、細胞の培養状態が、探索した培養状態となる細胞培養のプロセス条件を導出する処理をコンピュータに実行させるためのものである。
本開示によれば、灌流培養を効果的に支援することができる。
以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。
図１を参照して、本実施形態に係る細胞培養装置１００の構成を説明する。細胞培養装置１００は、例えば、動物細胞において、抗体を発現させるための細胞培養に好適に用いることができる。
抗体の発現に用いる細胞としては、特に限定されないが、動物細胞、植物細胞、酵母等の真核細胞、枯草菌等の原核細胞及び大腸菌等が挙げられる。ＣＨＯ細胞、ＢＨＫ－２１細胞及びＳＰ２／０－Ａｇ１４細胞等の動物細胞が好ましく、ＣＨＯ細胞がより好ましい。
動物細胞において、発現させる抗体としては、特に限定されないが、例えば、抗IL-6レセプター抗体、抗IL-6抗体、抗グリピカン-3抗体、抗CD3抗体、抗CD20抗体、抗GPIIb/IIIa抗体、抗TNF抗体、抗CD25抗体、抗EGFR抗体、抗Her2/neu抗体、抗RSV抗体、抗CD33抗体、抗CD52抗体、抗IgE抗体、抗CD11a抗体、抗VEGF抗体及び抗VLA4抗体等が挙げられる。抗体としては、ヒト、マウス、ラット、ハムスター、ウサギ及びサル等の動物由来のモノクローナル抗体だけでなく、キメラ抗体、ヒト化抗体及びbispecific抗体等人為的に改変した抗体も含む。
得られた抗体又はその断片は、均一にまで精製することができる。抗体又はその断片の分離及び精製は通常のポリペプチドで使用されている分離及び精製方法を使用すればよい。例えば、アフィニティークロマトグラフィー等のクロマトグラフィーカラム、フィルタ、限外濾過、塩析、透析、SDSポリアクリルアミドゲル電気泳動及び等電点電気泳動等を適宜選択、組み合わせれば、抗体を分離及び精製することができるが、これらに限定されるものではない。得られた抗体の濃度測定は吸光度の測定又は酵素結合免疫吸着検定法（Enzyme-linked immunosorbent assay；ELISA）等により行うことができる。
図１に示すように、細胞培養装置１００は、細胞を含む細胞懸濁液を収容する培養容器１０と、培養容器１０から抜き出された細胞懸濁液に対して膜分離処理を施すフィルタ膜２４を有するフィルタ部２０と、を含む。細胞培養装置１００は、更に、フィルタ膜２４によって阻止された成分を培養容器１０に戻す循環流路としての流路３２と、細胞懸濁液のフィルタ膜２４を透過した成分をフィルタ部２０の外部に排出する流路３３と、を含む。また、細胞培養装置１００は、新鮮な培地を培養容器１０に供給するための流路３８と、流路３８の途中に設けられたポンプＰ３と、を含む。
培養容器１０は、抗体の発現に用いる細胞と培地とを含む細胞懸濁液を収容する容器である。培養容器１０の内部には、撹拌翼を有する撹拌装置１１が設けられている。撹拌装置１１の撹拌翼を回転させることで、培養容器１０の内部に細胞とともに収容された培地が撹拌され、培地の均質性が保たれる。
細胞培養装置１００においては、培養容器１０内の細胞の濃度が過度に高くなることを防止するために、培養期間内における適切なタイミングで培養容器１０内の細胞の一部（例えば１０％程度）を抜き取るセルブリード処理が行われる。セルブリード処理において、培養容器１０内の細胞は、流路３９を介して培養容器１０の外部に排出される。
流路３１は、一端が培養容器１０の底部に接続され、他端がフィルタ部２０の流入口２０ａに接続されている。流路３１の途中には、培養容器１０に収容されている細胞懸濁液を抜き出して、フィルタ部２０に送るポンプＰ１が設けられている。
フィルタ部２０は、容器２１と、容器２１内の空間を供給側２２と透過側２３とに隔て、培養容器１０から抜き出された細胞懸濁液に対して膜分離処理を施すフィルタ膜２４と、を備える。また、フィルタ部２０は、供給側２２において、細胞懸濁液が流入する流入口２０ａと細胞懸濁液が流出する流出口２０ｂとを有する。培養容器１０から抜き出された細胞懸濁液は、流入口２０ａから容器２１の内部に流入して流出口２０ｂから容器２１の外部に流出する間にフィルタ膜２４上を通過する。フィルタ部２０は、膜分離処理の対象となる液体をフィルタ膜２４の膜面に沿って（すなわち、膜面と平行な方向に）流しながら、透過成分を透過側２３に送るタンジェンシャルフロー（クロスフロー）方式による膜分離処理を行う。フィルタ膜２４による膜分離処理の方式であるタンジェンシャルフロー方式は、培養容器１０から抜き出された細胞懸濁液がフィルタ膜２４の膜面に沿って平行に一方向に循環する流れを形成するものであってもよいし、細胞懸濁液がフィルタ膜２４の膜面に沿って平行に交互に往復する流れを形成するものであってもよい。循環する流れを形成する場合、例えばスペクトラムラボラトリーズ社のKrosFlo灌流培養フローパス装置（KML-100、KPS-200、KPS-600）を好適に用いることができる。また交互に往復する流れを形成する場合、REPLIGEN社のATFsystemを好適に用いることができる。
細胞懸濁液に含まれる比較的サイズの大きい成分は、フィルタ膜２４を透過せず、流出口２０ｂから容器２１の外部に流出し、流路３２を介して培養容器１０の内部に戻される。すなわち、培養容器１０から抜き出された細胞懸濁液のうち、フィルタ膜２４によって阻止された成分は、流路３２を介して培養容器１０の内部に戻される。一方、細胞懸濁液に含まれる比較的サイズの小さい成分は、フィルタ膜２４を透過して、透過側２３に設けられた排出口２０ｃから容器２１の外部に排出される。フィルタ部２０の排出口２０ｃには、ポンプＰ２が設けられた流路３３が接続されており、透過側２３に排出された成分は、排出口２０ｃから流路３３を介して容器２１の外部に排出される。
本実施形態に係る細胞培養装置１００において、フィルタ膜２４は、細胞と、細胞培養に不要な成分と、を分離する目的で用いられる。細胞培養に不要な成分として、細胞の死骸、細胞の破砕物、ＤＮＡ、ＨＣＰ、抗体、及び老廃物等が挙げられる。すなわち、フィルタ膜２４は、細胞培養に不要な成分を透過させる一方、細胞の透過を阻止するのに好適な分離性能を有している。
以上のように培養容器１０から排出された細胞培養に不要な成分は、次の工程である抗体の精製工程に送られる。
抗体医薬品の受託開発では、顧客より細胞を受託し、受託した細胞を培養することによって抗体を生産する。この受託開発では、一例として図２に示すように、比較的小規模な細胞培養装置１００を用いて、種々のプロセス条件で灌流培養を行う少量テストで、適切なプロセス条件を決定する。次に、比較的中規模な細胞培養装置１００を用いて、少量テストで決定したプロセス条件で灌流培養を行う中量試作で抗体及び細胞の品質確認を行う。中量試作での抗体及び細胞の品質確認の完了後に、比較的大規模な細胞培養装置１００を用いて、灌流培養を行うことによって抗体を生産する。
本実施形態では、上記の少量テストにおいて、次の中量試作で用いる、より適切なプロセス条件を導出する例を説明する。
次に、図３を参照して、細胞培養装置１００に接続される情報処理装置４０のハードウェア構成を説明する。図３に示すように、情報処理装置４０は、ＣＰＵ（Central Processing Unit）４１、メモリ４２、記憶部４３、液晶ディスプレイ等の表示部４４、キーボードとマウス等の入力部４５、及び外部Ｉ／Ｆ（InterFace）４６を含む。ＣＰＵ４１、メモリ４２、記憶部４３、表示部４４、入力部４５、及び外部Ｉ／Ｆ４６は、バス４７に接続される。外部Ｉ／Ｆ４６には、測定部４８が接続される。情報処理装置４０の例としては、パーソナルコンピュータ又はサーバコンピュータ等が挙げられる。
記憶部４３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又はフラッシュメモリ等によって実現される。記憶媒体としての記憶部４３には、学習プログラム５０及び情報処理プログラム５２が記憶される。ＣＰＵ４１は、記憶部４３から学習プログラム５０を読み出してからメモリ４２に展開し、展開した学習プログラム５０を実行する。また、ＣＰＵ４１は、記憶部４３から情報処理プログラム５２を読み出してからメモリ４２に展開し、展開した情報処理プログラム５２を実行する。また、記憶部４３には、第１の学習用データ５４及び第２の学習用データ５５が記憶される。また、記憶部４３には、第１の学習済みモデル５６及び第２の学習済みモデル５７が記憶される。
測定部４８は、細胞培養装置１００を用いた細胞培養における細胞の培養状態を測定する各種の測定装置を含む。培養状態の例としては、例えば、培養容器１０に収容される細胞の数（以下、単に「細胞数」という）、培地のｐＨ、培地の溶存気体濃度（例えば、溶存酸素濃度）、及び培地の気体移動容量係数（例えば、酸素移動容量係数：ｋＬＡ）等が挙げられる。細胞の数とは、生存細胞の数と死細胞の数との合計を意味する。
図４及び図５を参照して、本実施形態に係る学習用データ５４の詳細を説明する。図４に示すように、学習用データ５４は、説明変数である細胞培養における培養状態と、説明変数に対応する目的変数である細胞から産生される抗体の品質及び細胞の品質とを複数セット含む学習用のデータセットである。抗体の品質の例としては、抗体の濃度、抗体の凝集物量、抗体の分解物量、及び未成熟糖鎖量等が挙げられる。細胞の品質の例としては、細胞の生存率及び細胞の生存数等が挙げられる。抗体の品質及び細胞の品質は、これらの指標値の１つでもよいし、複数の組み合わせでもよい。また、抗体の品質及び細胞の品質は、これらの１つ又は複数の組み合わせを予め定められた判定基準に従って複数段階（例えば、Ａ～Ｄの４段階）に判定した評価値でもよい。
図５に示すように、本実施形態では、過去の細胞培養において、細胞培養を開始してから細胞が増殖する期間として予め定められた期間ｎ（以下、「細胞増殖期間」という）が経過した時点で取得された培養状態が学習用データ５４に含まれる。更に、本実施形態では、取得された培養状態に対応付けられた、培養状態を取得してから予め定められた期間ｍを経過した後の抗体の品質及び細胞の品質も学習用データ５４に含まれる。例えば、少量テストが３０日間行われ、細胞増殖期間が１０日間である場合は、図４及び図５のｎは１０であり、ｍは２０となる。なお、ｎ及びｍはこの例に限定されず、例えば、ｎが５で、ｍが９、すなわち、細胞培養を開始してから５日後の培養状態に、細胞培養を開始してから１４日後の抗体の品質及び細胞の品質を対応付けてもよい。細胞増殖期間が経過した時点で取得された培養状態を用いているのは、細胞増殖期間は、培養状態が安定しないことが多いためである。
図６及び図７を参照して、本実施形態に係る学習用データ５５の詳細を説明する。図６に示すように、学習用データ５５は、説明変数である培養状態と、説明変数に対応する目的変数である細胞培養におけるプロセス条件と、を複数セット含む学習用のデータセットである。プロセス条件の例としては、撹拌装置１１の単位時間あたりの回転数（以下、「撹拌回転数」という）、培養容器１０に収容される培地の単位体積あたりのガス通気量、及び培養容器１０に収容される培地の温度等が挙げられる。
図７に示すように、学習用データ５５に含まれる各データは、過去の細胞培養において、定期的（例えば、１日に１回）に取得されたプロセス条件と、そのプロセス条件で培養された細胞の培養状態とを含む。
学習済みモデル５６は、学習用データ５４を用いて予め学習されたモデルであり、学習済みモデル５７は、学習用データ５５を用いて予め学習されたモデルである。学習済みモデル５６及び学習済みモデル５７の例としては、ニューラルネットワークモデルが挙げられる。学習済みモデル５６及び学習済みモデル５７は、後述する学習フェーズで情報処理装置４０により生成される。
次に、図８を参照して、情報処理装置４０の学習フェーズにおける機能的な構成について説明する。図８に示すように、情報処理装置４０は、取得部６０及び学習部６２を含む。ＣＰＵ４１が学習プログラム５０を実行することで、取得部６０及び学習部６２として機能する。
取得部６０は、学習用データ５４及び学習用データ５５を記憶部４３から取得する。学習部６２は、取得部６０により取得された学習用データ５４を教師データとしてモデルを学習させることによって、学習済みモデル５６を生成する。そして、学習部６２は、生成した学習済みモデル５６を記憶部４３に記憶する。
一例として図９に示すように、学習部６２による学習によって、培養状態を入力とし、抗体の品質及び細胞の品質を出力とした学習済みモデル５６が生成される。学習部６２による学習には、例えば、誤差逆伝播法が用いられる。なお、学習済みモデル５６は、中間層を複数有するディープニューラルネットワークモデルでもよい。また、学習済みモデル５６として、ニューラルネットワーク以外のモデルを適用してもよい。
また、学習部６２は、取得部６０により取得された学習用データ５５を教師データとしてモデルを学習させることによって、学習済みモデル５７を生成する。そして、学習部６２は、生成した学習済みモデル５７を記憶部４３に記憶する。
一例として図１０に示すように、学習部６２による学習によって、培養状態を入力とし、プロセス条件を出力とした学習済みモデル５７が生成される。学習部６２による学習には、例えば、誤差逆伝播法が用いられる。なお、学習済みモデル５７は、中間層を複数有するディープニューラルネットワークモデルでもよい。また、学習済みモデル５７として、ニューラルネットワーク以外のモデルを適用してもよい。
次に、図１１を参照して、本実施形態に係る情報処理装置４０の学習フェーズにおける作用を説明する。ＣＰＵ４１が学習プログラム５０を実行することによって、図１１に示す学習処理が実行される。
図１１のステップＳ１０で、取得部６０は、学習用データ５４及び学習用データ５５を記憶部４３から取得する。ステップＳ１２で、学習部６２は、前述したように、ステップＳ１０で取得された学習用データ５４を教師データとしてモデルを学習させることによって、学習済みモデル５６を生成する。そして、学習部６２は、生成した学習済みモデル５６を記憶部４３に記憶する。
また、学習部６２は、前述したように、ステップＳ１０で取得された学習用データ５５を教師データとしてモデルを学習させることによって、学習済みモデル５７を生成する。そして、学習部６２は、生成した学習済みモデル５７を記憶部４３に記憶する。ステップＳ１２が終了すると、学習処理が終了する。
次に、図１２を参照して、本実施形態に係る情報処理装置４０の運用フェーズにおける機能的な構成について説明する。図１２に示すように、情報処理装置４０は、取得部７０、予測部７２、探索部７４、導出部７６、及び出力部７８を含む。ＣＰＵ４１が情報処理プログラム５２を実行することで、取得部７０、予測部７２、探索部７４、導出部７６、及び出力部７８として機能する。
取得部７０は、細胞増殖期間が経過した時点で測定部４８により測定された、細胞培養装置１００を用いた細胞培養における細胞の培養状態を取得する。本実施形態では、取得部７０は、この培養状態を、少量テストにおける複数の細胞培養装置１００のそれぞれから取得する。
予測部７２は、学習済みモデル５６と、取得部７０により取得された培養状態とに基づいて、細胞から産生される抗体の品質及び細胞の品質を予測する。具体的には、予測部７２は、取得部７０により取得された培養状態を学習済みモデル５６に入力する。学習済みモデル５６は、前述したように、培養状態を入力とし、予め定められた期間ｍを経過した後の抗体の品質及び細胞の品質を出力として学習されたモデルである。このため、学習済みモデル５６からの出力は、培養状態を取得部７０が取得した時点から予め定められた期間ｍを経過した後の抗体の品質及び細胞の品質の予測値となる。このように、予測部７２によって、少量テストを行っている各細胞培養装置１００における培養状態から、最終的な抗体の品質及び細胞の品質が予測される（図１３も参照）。
図１３に示すように、探索部７４は、予測部７２により予測された抗体の品質及び細胞の品質を良化する細胞の培養状態を、予め定められた探索アルゴリズムに従って探索する。本実施形態では、探索部７４は、探索アルゴリズムとして遺伝的アルゴリズムを用いる。
具体的には、まず、探索部７４は、遺伝的アルゴリズムにおける評価基準として、各細胞培養装置１００について予測部７２により予測された抗体の品質及び細胞の品質のうち、最も良い抗体の品質及び細胞の品質を設定する。次に、探索部７４は、初期の個体の集団をランダムに生成する。ここでいう個体とは、細胞培養における細胞の培養状態である。
次に、探索部７４は、各個体の評価値を導出する。本実施形態では、探索部７４は、各個体を学習済みモデル５６に入力し、学習済みモデル５６から出力される抗体の品質及び細胞の品質を各個体の評価値として導出する。
次に、探索部７４は、図１４に示すように、２つの個体を選択し、選択した個体を交叉させる。また、探索部７４は、図１５に示すように、交叉させた個体に対して一定の確率で突然変異を発生させる。ルーレット選択及びトーナメント選択等の２つの個体の選択手法と、二点交叉及び多点交叉等の交叉手法と、突然変異の発生確率とは特に限定されず、予め実験的に定めておけばよい。探索部７４は、この個体の選択、交叉、及び突然変異による次の世代の個体の生成を、次の世代の個体の個数が予め定められた個数になるまで行う。
そして、探索部７４は、次の世代の各個体を学習済みモデル５６に入力することによって、次の世代の各個体の評価値を導出する。探索部７４は、以上のような次の世代の個体の生成を、個体の評価値が、設定した評価基準を上回るまで繰り返す。以上の処理によって、探索部７４は、設定した評価基準を上回る個体を探索する。このように探索された個体が、予測部７２により予測された抗体の品質及び細胞の品質を良化する細胞の培養状態である。
図１３に示すように、導出部７６は、学習済みモデル５７と、探索部７４により探索された培養状態とに基づいて、細胞の培養状態が、探索部７４により探索された培養状態となるプロセス条件を導出する。具体的には、導出部７６は、探索部７４により探索された培養状態を学習済みモデル５７に入力する。学習済みモデル５７からは、細胞の培養状態が、入力された培養状態となるプロセス条件が出力される。この出力されたプロセス条件が導出部７６により導出されるプロセス条件である。
出力部７８は、導出部７６により導出されたプロセス条件を表示部４４に出力することによって表示する。この出力により、一例として図１６に示すプロセス条件表示画面が表示部４４に表示される。図１６に示すように、プロセス条件表示画面では、導出部７６により導出されたプロセス条件が表示される。ユーザは、表示されたプロセス条件を確認し、中量試作でのプロセス条件として使用する。
次に、図１７を参照して、本実施形態に係る情報処理装置４０の運用フェーズにおける作用を説明する。ＣＰＵ４１が情報処理プログラム５２を実行することによって、図１７に示す品質予測処理が実行される。図１７に示す品質予測処理は、少量テストでの灌流培養を開始した後で、かつ細胞増殖期間が経過したタイミングに実行される。
図１７のステップＳ２０で、取得部７０は、細胞増殖期間が経過した時点で測定部４８により測定された、細胞培養装置１００を用いた細胞培養における細胞の培養状態を取得する。取得部７０は、この培養状態を、少量テストにおける複数の細胞培養装置１００のそれぞれから取得する。
ステップＳ２２で、予測部７２は、前述したように、ステップＳ２０で取得されたそれぞれに培養状態について、学習済みモデル５６と、培養状態とに基づいて、細胞から産生される抗体の品質及び細胞の品質を予測する。ステップＳ２４で、探索部７４は、前述したように、ステップＳ２２で予測された抗体の品質及び細胞の品質を良化する細胞の培養状態を、予め定められた探索アルゴリズムに従って探索する。
ステップＳ２６で、導出部７６は、前述したように、学習済みモデル５７と、ステップＳ２４で探索された培養状態とに基づいて、細胞の培養状態が、ステップＳ２４で探索された培養状態となるプロセス条件を導出する。ステップＳ２８で、出力部７８は、ステップＳ２６で導出されたプロセス条件を表示部４４に出力することによって表示する。ステップＳ２８の処理が終了すると、品質予測処理が終了する。
以上説明したように、本実施形態によれば、抗体の品質及び細胞の品質から直接プロセス条件を導出するのではなく、培養状態を介して抗体の品質及び細胞の品質からプロセス条件を導出している。抗体の品質及び細胞の品質とプロセス条件とに比較して、プロセス条件と培養状態、並びに培養状態と抗体の品質及び細胞の品質は関連性が高い。従って、より適切なプロセス条件を精度良く導出することができる結果、灌流培養を効果的に支援することができる。
なお、上記実施形態では、探索アルゴリズムとして、遺伝的アルゴリズムを適用した場合について説明したが、これに限定されない。例えば、探索アルゴリズムとして、ベイズ最適化等の遺伝的アルゴリズム以外のアルゴリズムを適用してもよい。
また、上記実施形態において、学習フェーズでの学習に用いた細胞と、運用フェーズで用いる細胞とは種類が異なってもよい。この場合、例えば、ある細胞についての学習用データ５４、５５から、学習済みモデル５６、５７を生成する。この場合、運用フェーズでは、運用フェーズで用いる細胞について、学習フェーズに比較して少量の学習用データ５４、５５を収集する。そして、この少量の学習用データ５４、５５を用いて、学習済みモデル５６、５７を再学習させる。このような再学習は、転移学習とも称される。このような再学習により学習期間を短縮することができる。この再学習の際に、学習済みモデル５６、５７の中間層の層数及びノード数等のパラメータを変更してもよい。
また、上記実施形態における情報処理装置４０の各機能部等の各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（circuitry）を用いることができる。
また、上記実施形態では、学習プログラム５０及び情報処理プログラム５２が記憶部４３に予め記憶（インストール）されている態様を説明したが、これに限定されない。学習プログラム５０及び情報処理プログラム５２は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、学習プログラム５０及び情報処理プログラム５２は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
以上の記載から、以下の付記項に係る技術を把握することができる。
［付記項］
プロセッサと、
前記プロセッサに内蔵又は接続されたメモリと、を備え、
前記プロセッサは、
細胞の培養状態に基づいて前記細胞から産生される抗体の品質及び前記細胞の品質を予測し、
予測した抗体の品質及び細胞の品質を良化する前記細胞の培養状態を探索し、
前記細胞の培養状態が、探索した培養状態となる細胞培養のプロセス条件を導出する
情報処理装置。
プロセッサと、
前記プロセッサに内蔵又は接続されたメモリと、を備え、
前記プロセッサは、
細胞の培養状態に基づいて前記細胞から産生される抗体の品質及び前記細胞の品質を予測し、
予測した抗体の品質及び細胞の品質を良化する前記細胞の培養状態を探索し、
前記細胞の培養状態が、探索した培養状態となる細胞培養のプロセス条件を導出する
情報処理装置。
２０１９年９月２４日に出願された日本国特許出願２０１９－１７３３６５号の開示は、その全体が参照により本明細書に取り込まれる。また、本明細書に記載された全ての文献、特許出願、および技術規格は、個々の文献、特許出願、および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
Claims (6)
- 学習済みモデルと、細胞の培養状態とに基づいて、前記細胞から産生される抗体の品質及び前記細胞の品質を予測する予測部であって、前記学習済みモデルは、学習用データとして取得された細胞の培養状態、前記学習用データとして取得された細胞から産生される抗体の品質及び前記学習用データとして取得された細胞の品質を用いて予め学習された学習済みモデルである予測部と、
予め定められた探索アルゴリズムに従って、前記予測部により予測された抗体の品質及び細胞の品質を良化する前記予測部の予測対象の細胞の培養状態を探索する探索部と、
前記学習用データとして取得された細胞の培養状態、及び前記学習用データとして取得された細胞の培養状態に対応付けられた細胞培養のプロセス条件を用いて予め学習された学習済みモデルと、前記探索部により探索された培養状態とに基づいて、前記予測部の予測対象の細胞の培養状態が、前記探索部により探索された培養状態となる細胞培養のプロセス条件を導出する導出部と、
を備えた情報処理装置。 - 前記学習用データとして取得された細胞の培養状態及び前記予測部の予測対象の細胞の培養状態は、細胞数、培地のｐＨ、培地の溶存気体濃度、及び培地の気体移動容量係数を含む
請求項１に記載の情報処理装置。 - 前記プロセス条件は、培地を撹拌する撹拌装置の単位時間あたりの回転数及び培地の単位体積あたりのガス通気量を含む
請求項１又は請求項２に記載の情報処理装置。 - 前記探索アルゴリズムは、遺伝的アルゴリズムである
請求項１から請求項３の何れか１項に記載の情報処理装置。 - 学習済みモデルと、細胞の培養状態とに基づいて、前記細胞から産生される抗体の品質及び前記細胞の品質を予測する予測処理であって、前記学習済みモデルは、学習用データとして取得された細胞の培養状態、前記学習用データとして取得された細胞から産生される抗体の品質及び前記学習用データとして取得された細胞の品質を用いて予め学習された学習済みモデルである予測処理を行い、
予め定められた探索アルゴリズムに従って、予測した抗体の品質及び細胞の品質を良化する前記予測処理の予測対象の細胞の培養状態を探索し、
前記学習用データとして取得された細胞の培養状態、及び前記学習用データとして取得された細胞の培養状態に対応付けられた細胞培養のプロセス条件を用いて予め学習された学習済みモデルと、探索した培養状態とに基づいて、前記予測処理の予測対象の細胞の培養状態が、探索した培養状態となる細胞培養のプロセス条件を導出する
処理をコンピュータが実行する情報処理方法。 - 学習済みモデルと、細胞の培養状態とに基づいて、前記細胞から産生される抗体の品質及び前記細胞の品質を予測する予測処理であって、前記学習済みモデルは、学習用データとして取得された細胞の培養状態、前記学習用データとして取得された細胞から産生される抗体の品質及び前記学習用データとして取得された細胞の品質を用いて予め学習された学習済みモデルである予測処理を行い、
予め定められた探索アルゴリズムに従って、予測した抗体の品質及び細胞の品質を良化する前記予測処理の予測対象の細胞の培養状態を探索し、
前記学習用データとして取得された細胞の培養状態、及び前記学習用データとして取得された細胞の培養状態に対応付けられた細胞培養のプロセス条件を用いて予め学習された学習済みモデルと、探索した培養状態とに基づいて、前記予測処理の予測対象の細胞の培養状態が、探索した培養状態となる細胞培養のプロセス条件を導出する
処理をコンピュータに実行させるための情報処理プログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019173365 | 2019-09-24 | ||
| JP2019173365 | 2019-09-24 | ||
| PCT/JP2020/018809 WO2021059578A1 (ja) | 2019-09-24 | 2020-05-11 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JPWO2021059578A1 JPWO2021059578A1 (ja) | 2021-04-01 |
| JPWO2021059578A5 JPWO2021059578A5 (ja) | 2022-06-14 |
| JP7451546B2 true JP7451546B2 (ja) | 2024-03-18 |
Family
ID=75166934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021548322A Active JP7451546B2 (ja) | 2019-09-24 | 2020-05-11 | 情報処理装置、情報処理方法、及び情報処理プログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20220195369A1 (ja) |
| EP (1) | EP4015615A4 (ja) |
| JP (1) | JP7451546B2 (ja) |
| WO (1) | WO2021059578A1 (ja) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018101004A1 (ja) | 2016-12-01 | 2018-06-07 | 富士フイルム株式会社 | 細胞画像評価装置および細胞画像評価制御プログラム |
| JP2018117567A (ja) | 2017-01-25 | 2018-08-02 | 株式会社日立製作所 | 細胞培養装置 |
| WO2019129891A1 (de) | 2017-12-29 | 2019-07-04 | F. Hoffmann-La Roche Ag | Vorhersage des metabolischen zustands einer zellkultur |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005055411A (ja) * | 2003-08-07 | 2005-03-03 | Bios Ikagaku Kenkyusho:Kk | モノクローナル抗体の自動スクリーニング方法および自動スクリーニング装置 |
| JP5181385B2 (ja) | 2007-08-16 | 2013-04-10 | 国立大学法人名古屋大学 | 細胞の品質を予測する予測モデルの構築法、予測モデルの構築用ブログラム、該プログラムを記録した記録媒体、予測モデルの構築用装置 |
| EP3714036A1 (en) * | 2017-11-20 | 2020-09-30 | Lonza Ltd | Process and system for propagating cell cultures while preventing lactate accumulation |
| JP6944900B2 (ja) | 2018-03-28 | 2021-10-06 | 鹿島建設株式会社 | 線形状構築物の施工方法 |
-
2020
- 2020-05-11 EP EP20867351.7A patent/EP4015615A4/en active Pending
- 2020-05-11 JP JP2021548322A patent/JP7451546B2/ja active Active
- 2020-05-11 WO PCT/JP2020/018809 patent/WO2021059578A1/ja active Application Filing
-
2022
- 2022-03-09 US US17/690,147 patent/US20220195369A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018101004A1 (ja) | 2016-12-01 | 2018-06-07 | 富士フイルム株式会社 | 細胞画像評価装置および細胞画像評価制御プログラム |
| JP2018117567A (ja) | 2017-01-25 | 2018-08-02 | 株式会社日立製作所 | 細胞培養装置 |
| WO2019129891A1 (de) | 2017-12-29 | 2019-07-04 | F. Hoffmann-La Roche Ag | Vorhersage des metabolischen zustands einer zellkultur |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2021059578A1 (ja) | 2021-04-01 |
| WO2021059578A1 (ja) | 2021-04-01 |
| EP4015615A1 (en) | 2022-06-22 |
| EP4015615A4 (en) | 2022-10-12 |
| US20220195369A1 (en) | 2022-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Smiatek et al. | Towards a digital bioprocess replica: computational approaches in biopharmaceutical development and manufacturing | |
| Khanal et al. | Developments and opportunities in continuous biopharmaceutical manufacturing | |
| US5265030A (en) | System and method for determining three-dimensional structures of proteins | |
| US20220199195A1 (en) | Information processing apparatus, information processing method, and information processing program | |
| Chopda et al. | Recent advances in integrated process analytical techniques, modeling, and control strategies to enable continuous biomanufacturing of monoclonal antibodies | |
| JP7425056B2 (ja) | 拡張数値配列を介してタンパク質の少なくとも１つの適応度の値を予測するための方法および電子システム、関係するコンピュータプログラム | |
| Bernetti et al. | Structural and kinetic characterization of the intrinsically disordered protein SeV NTAIL through enhanced sampling simulations | |
| EP3924461A2 (en) | Facilities and processes to produce biotherapeutics | |
| JP7451546B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
| Tejada-Lapuerta et al. | Causal machine learning for single-cell genomics | |
| Thakur et al. | Process analytical technology (PAT) implementation for membrane operations in continuous manufacturing of mAbs: Model-based control of single-pass tangential flow ultrafiltration | |
| Rizki et al. | Model-based optimization approaches for pressure-driven membrane systems | |
| IL305731A (en) | Methods and systems for developing mixing protocols | |
| Dürauer et al. | Sensors and chemometrics in downstream processing | |
| Parkinson et al. | For antibody sequence generative modeling, mixture models may be all you need | |
| Khuat et al. | Applications of machine learning in biopharmaceutical process development and manufacturing: Current trends, challenges, and opportunities | |
| Li et al. | Disentangled wasserstein autoencoder for t-cell receptor engineering | |
| Ghosh et al. | Smart manufacturing implementation of a continuous downstream precipitation and filtration process for antibody purification | |
| US20020120405A1 (en) | Protein data analysis | |
| Shenker et al. | Efficient traversal of beta-sheet protein folding pathways using ensemble models | |
| Rizki et al. | Model-based optimization of multistage ultrafiltration/diafiltration for recovery of canola protein | |
| Bashour et al. | Biophysical cartography of the native and human-engineered antibody landscapes quantifies the plasticity of antibody developability | |
| Ji | Model based process design for bioprocess optimisation: case studies on precipitation with its applications in antibody purification | |
| Patel | Development of aqueous two-phase separations by combining high-throughput screening and process modelling | |
| Jesubalan et al. | Deep neural network for prediction and control of permeability decline in single pass tangential flow ultrafiltration in continuous processing of monoclonal antibodies |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220315 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220315 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230907 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231010 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231215 |
|
| 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: 20240213 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240306 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7451546 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |